Algebra Lineal

MATEMTICA II FCE UNP S.J.B.
PARTE 2 - lgebra Lineal
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.
8. Resolucin de un Sistema de Ecuaciones Lineales.

9. Inversa de Leontief.
10. Desarrollo en Serie de Potencia de Matrices.
11. Determinante de una Matriz.
12. Desarrollo de Laplace.
13. Regla de Cramer
14. Espacio Vectorial Rn
15. Combinacin Lineal de Vectores.
16. Dependencia e Independencia Lineal .
17. Rango de una Matriz.
18. Existencia de Solucin de un Sistema de Ecuaciones Lineales.
19. Teorema de Rouch_Frobenius.
20. Modelo Cerrado de Insumo-Producto
21. Valores y Vectores Propios de una Matriz.
22. Ecuacin Caracterstica.
23. Solucion del Modelo de Insumo-Producto
24. Anexo: Teorema de Perron-Frobenius
INTRODUCCIN: Modelo de InsumoProducto

1.- Modelo
Cantidades
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:
xk xk1 xk2 ... xkn dk (1)

Observar que
xij
xj
Llamaremos : aij
nos da la cantidad de i necesaria para producir una unidad de j.

xij
(2)
xj
Para simplificar el anlisis del problema se establecen los siguientes supuestos:

1.
2.
Cada sector produce un nico bien. No hay produccin conjunta.

No existen tcnicas alternativas. La tcnica de produccin es nica en cada sector.
3.
aij es constante
i, j ; es decir aij es independiente del nivel de produccin.
Los aij se llaman coeficientes de insumos coeficientes tcnicos de produccin.

En el 2 miembro de (1), multiplico y divido cada trmino xkj por xj, por lo cual es:
xk
xk 1
x
x
x1 k 2 x2 .. kn xn d k
x1
x2
xn
entonces por (2) es :
xk ak1.x1 ak2.x2 ... akn.xn dk

As, el modelo de insumoproducto ms sencillo en cantidades fsicas, puede escribirse para k =1,..,n:
x1 a11.x1 a12.x2 ... a1n.xn d1

x2 a21.x1 a22.x2 ... a2n.xn d2
(3)
.xn an1.x1 an2.x2 ... ann.xn dn

En la prctica se trabaja con unidades monetarias, lo cual permite comparar unos valores con otros, y adems poder
sumar, en la matriz, tanto por filas como por columnas.
Ejemplo:
Sea una economa con tres industrias A, B, C, cuyos coeficientes tcnicos son:
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:
x1 0,2.x1 0,3.x2 0,2.x3 d1

x2 0,4.x1 0,1.x2 0,2.x3 d2
x3 0,1.x1 0,3.x2 0,2.x3 d3
Responder:
1. Por qu 0 aij 1?
2.
Cmo se interpreta si aii = 0, para todo i?
3. Cmo se interpreta
a ?
j 1
4. Cmo se interpreta
ij
a ?
i 1
ij
Sobre el modelo de insumoproducto se analizarn los siguientes casos:

a)
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.
2.- Sistemas de Ecuaciones Lineales

Sea el sistema de m ecuaciones lineales con n incgnitas o variables:
a11.x1 a12.x2 ... a1n.xn b1

a21.x1 a22.x2 ... a2n.xn b2
am1.x1 am2.x2 ... amn.xn bm

donde:
aij: parmetro. Coeficiente de la variable xj en la ecuacin i-sima, para i =1,..,m.
coeficiente de x1 en la segunda ecuacin.
j =1,..,n. As a21 es el
xj: variable incgnita, para j =1,..,n.

bi: parmetro que no est afectado a ninguna variable, es el trmino independiente en la ecuacin i-sima, para i =1,..m.
Se llama solucin del S.E.L. a cualquier conjunto ordenado de n valores tal que al sustituirlos en las incgnitas verifica
todas las ecuaciones.
Analizar y contestar: Por qu la solucin es un conjunto ordenado?

Si el S.E.L. tiene al menos una solucin se dice compatible. Caso contrario, es decir si no tiene solucin, se dice
incompatible.
Analizar y contestar: Por qu al menos una solucin?
As, ante un S.E.L. las dos cuestiones fundamentales que se plantean son:
1.
2.
3.
Conocer si tiene solucin.

Si tiene solucin, determinar cuntas.
Calcular la solucin cuando existe.
Antes de abocarnos a estas cuestiones desarrollaremos temas que simplificarn tal estudio.
3.- Matrices y Vectores

En un S.E.L. se pueden distinguir tres clases diferentes de componentes: el conjunto de los coeficientes aij; el conjunto
de las variables xj, y el conjunto de los trminos independientes bi.
Si disponemos cada uno de estos tres conjuntos como arreglos rectangulares en lneas y los designamos respectivamente
A, x, b, tenemos:
a11 a12 ... a1n
a21 a22 ... a2n

A a31 a32 ... a3n
. .
a
m1 am2 ... amn
x1

x2
x
n ,
b1

b2
b b3

b
m
Por ejemplo, dado el S.E.L.
34xx x2xxx1 0
1
1
es
3 1 1
4 2 1 ,
x1

x x2
x
3
1
b
0
Cada uno de estos arreglos constituye una matriz.

Definicin: se llama matriz a un conjunto de: nmeros, parmetros, funciones, etctera, dispuestos en filas y columnas.
Se simboliza como
a11 a12 ... a1n
a21 a22 ... a2n

A
aij para i 1,.., m. j 1,.., n.

a
..
a
mn
m1 m2
El elemento genrico aij se encuentra en la i-sima fila y en la j-sima columna.

Se dice que la matriz A es de orden m x n si tiene m filas y n columnas.
Si m = n, la matriz es cuadrada (igual cantidad de filas y columnas).
Por ejemplo:
1 0 1
4 1 3
5 1
1 2
es de orden 2x3.
es de orden 2x2 ( de orden 2).
Algunas matrices pueden tener una sola columna como:
a1

a2

a
n
orden nx1.
Dicha matriz recibe el nombre de vector.

Por ejemplo, el vector
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)
A lo largo de este trabajo, al decir vector nos referimos a vector columna.

Observacin:
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 .
La matriz A de orden m x n puede interpretarse como un conjunto ordenado de m vectores filas de

n vectores de
m (por qu?).
4.- Operaciones con Matrices y Vectores

Definicin: Dos matrices A = (aij), B = (bij) son iguales si tienen el mismo orden
1,..,m,
j = 1,..,n.
m x n y adems aij = bij,
i=
Por ejemplo:
1 7 3 1 7 3 0 2 0
0
2
0
0
2
0
1
7
3
Definicin: Si A = (aij), B = (bij) de orden m x n se define la suma de A y B como la matriz de orden m x n:

(aij) + (bij) = ( aij + bij)
Por ejemplo:
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

es vt . v vi2 (por qu?)

i 1
Definicin: Si A = (aij) es de orden m x p, y B = (bij) es de orden p x n, se define el producto A . B como la

matriz de orden m x n:
((aij ) . (bij ) (ai1 . b1 j ai 2 . b2 j aip . bpj )

Por ejemplo:
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,
xt. A . x un escalar. (tarea : hacer el clculo).
Ak si A: n x n
(tarea).
Propiedades
De la suma de matrices:
1.
Sea 0 la matriz nula. Entonces A+ 0 = A,
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
Del producto de un escalar por una matriz:
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 .
Del producto de matrices:
1. En general : A . B B . A ; es decir, el producto de matrices no es conmutativ o

(por qu?, analizarlo)
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?)
5.- Expresin Matricial de un S.E.L.

Usando las definiciones dadas, el S.E.L.:
a11 x1 a12 x 2 ... a1n x n b1

a x a x ... a x b
21 1
22
2
2n
n
2

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.
es compatible determinando si la solucin es nica y es compatible indeterminado cuando hay
Observacin: Un S.E.L. homogneo es siempre compatible (por qu?).
10
Ms adelante veremos cmo analizar un S.E.L., y en caso de tener solucin/es, cmo hallarla/s.
6.- Clasificacin de Matrices

Matrices Triangulares:
Definicin: Sea A: n x n. Se dice que A es triangular superior si todos los elementos de A debajo de su diagonal
principal son nulos, es decir aij = 0 para todo i >j, i,j = 1,..n.
Definicin: Sea A: n x n. Se dice que A es triangular inferior si todos los elementos de A por encima de su diagonal
principal son nulos, es decir si aij = 0 para todo i<j, i,j = 1,..,n.
Ejemplos:
1 0 2
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
Observacin: Las matrices diagonales son triangulares inferior y superiormente.

Matriz Identidad
Es la matriz escalar, que tiene el nmero 1 en la diagonal principal.
Una notacin til es la siguiente: matriz identidad de orden n = In = (ij), con
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
2. Si x n y A: n x n es diagonal, es xt . A . x aii.xi2 (por qu?).

i 1
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.
Si v es un vector, su transpuesto vt es el vector fila correspondiente.

La traspuesta de una matriz triangular superior es una matriz triangular inferior (y recprocamente). (por qu?).
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
5. La traza de A: n x n es tr A aii . Vale que tr A tr At

i 1
Tarea: Analizar y justificar cada una de las propiedades.

Matriz Simtrica
Definicin 1:
Sea A: n x n. Se dice que A es simtrica si aij a ji i, j 1,.., 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
Definicin 2: Sea A: n x n. Se dice que A es antisimtrica si A = -At.

Observacin:
1. Si A es antisimtr ica es aii 0 i 1,.., n (por qu?).
Ejemplo:
0
1
A 1
0
2 1
3
2.
La matriz diagonal es simtrica.
3.
La matriz nula es simtrica y antisimtrica. (por qu?).
2
1
3
0
Propiedades
1.
Sean A y B simtricas, de orden n x n.

Entonces A .B es simtrica si y slo si A . B = B . A.
(tarea: demostrarla).
2.
Si C: m x n, entonces C .Ct y Ct.C son simtricas.
(tarea: demostrarla).
3.
Si A: n x n, entonces A + At es simtrica y A - At es antisimtrica.(tarea: demostrarlo).
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
y existe i0, j0 tal que ai j 0

0
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.
Si A>0 y k>0 es k . A > 0.
3.
Si A>0 y B>0 es A . B > 0.
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
.
Tarea: Analizar y justificar cada una de las propiedades.

Matriz Nilpotente
Definicin: Sea A: n x n. Se dice que A es nilpotente si existe kN tal que
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.
Sea A: n x n, idempotente. Entonces In - A es idempotente (demostrar).
2.
Sean A, B idempotentes de orden n x n. Entonces A . B es idempotente si A.B = B.A (demostrar).
3.
Si A es idempotente entonces Ak = A, kN (demostrar).
7.- Matriz Inversa

Definicin: Una matriz A: n x n es inversible si existe B: n x n
B es la matriz inversa de A y se simboliza A-1.
tal que A .B =
Observacin : La matriz A es la inversa de B.

Ejemplo:
Hallar, si existe, la inversa de la matriz:
1 6
4 3
Segn la definicin se debe encontrar una matriz B = (bij): 2x2 tal que:
= B . A = I n.
1 6 b11 b12 b11 b12

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
Resolviendo estos sistemas de ecuaciones lineales es:
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
Comprobemo s que la matriz B
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.
Si A es inversible entonces (A-1)-1 = A (demostrar).
3.
4.
Si A y B son inversibles, entonces A . B es inversible y (A . B)-1 = B-1.A-1 (demostrar).

Si A es inversible entonces At es inversible y (At)-1 = (A-1)t (demostrar).
5.
Si
es inversible,
k ,
k 0
entonces
k . A
es inversible y
(k . A)-1 = k
-1
. A-1 =
A1
(demostrar).
k
6.
Si A es inversible y simtrica entonces A-1 es simtrica (demostrar).
Ejemplos:
1.
Hallar la inversa de la matriz A de orden n x n si verifica que A-A2 = I .
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
Probar que A3 I. Usar esto para calcular A-1.
1
.
0
1 Probar que A3 - 2 . A2 A - I 0. Probar que A - 1 (A - I)2.

1
Demostrar que si A y B son inversibles es (A-1 + B-1)-1 = A .(A + B)-1.B =

= B . (A + B)-1 . A.
Clculo de la matriz inversa por operaciones elementales

de filas o columnas.
El mtodo que se estudiar para calcular la inversa (si existe) de una matriz, se basa en la aplicacin de ciertas
operaciones llamadas operaciones elementales sobre las filas (columnas) de la matriz.
Estas operaciones son:
a) Intercambiar dos filas (columnas) entre s.
b) Multiplicar una fila (columna) por una constante 0 .

c) Sumar a una fila (columna) otra fila (columna) multiplicada por una
constante.
Si la matriz es de orden m x n, las matrices obtenidas, al aplicar las operaciones elementales, son de orden m x n y se
llaman equivalentes. En caso de matrices cuadradas, se dicen semejantes.
Por ejemplo las matrices
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

0
- 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
8.- Resolucin de un S.E.L.

Dado el sistema de ecuaciones lineales A . x = b, (de m ecuaciones con n variables), un vector u
S.E.L. si A . u = b.
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
es decir es compatible determinad o y el vector solucin es x
2
3
x 1
z3
y2
Resolucin de un S.E.L. con Matriz Cuadrada e Inversible
Teorema: Sea A: n x n, b . El S.E.L.

inversible, siendo la nica solucin x = A-1. b.
n
A.x =b
18
es compatible determinado si y slo si la matriz
A es
Demostracin: A . x = b A-1. A . x = A-1. b x= A-1. b (justificar cada implicacin).

Observacin:
Sea A: n x n. El S.E.L.H A es compatible determinado si y slo si A es inversible y x = 0 (por qu?).
Ejemplo: Sea el S.E.L.H:
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 .
9.- Inversa de Leontief

Ahora volvamos a nuestro problema inicial Anlisis de insumo-producto.
Habamos planteado:
x1 0,2.x1 0,3.x 2 0,2.x3 d1
x 2 0,4.x1 0,1.x 2 0,2.x3 d 2

x 0,1.x 0,3.x 0,2.x d
1
2
3
3
3
Segn lo visto, este S.E.L. lo podemos expresar:
0,2 0,3 0,2 x1 d 1

x1

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
aij 1 es una economa reproducible)
x es el vector produccin, no negativo y d es el vector demanda final, no negativo.

Interesa saber cul es el vector x para satisfacer la demanda d y las necesidades de insumos en cada sector.
Comenzaremos resolviendo el modelo cuando d es una variable exgena (modelo abierto):
Como x A.x d , es x - A.x d ; entonces (In - A).x d. Si 0 aij 1 y 0
ij
(Ver anexo: Teorema de Perron-Frobenius) entonces existe y es no negativa la matriz

Leontief y es:
x (In - A)-1. d 0
(I n - A)-1, llamada inversa de
10.- Desarrollo en Serie de Potencia de Matrices

Podemos obtener la inversa de Leontief (In - A)-1 por medio de una serie de potencias de la matriz A.
Sea el producto, para mN:
19
(I - A).(I + A + A2 + ...+Am) = (I + A + A2 + ... + Am) - (A + A2 + ... + Am+1) = I - Am+1 (1)
Como A es una matriz no negativa y
ij
1 entonces es lim Ak 0
por lo cual en (1) es (I - A).
A
k 0
I , es decir que (I - A)-1 Ak 0

k 0
Para un m suficientemente grande se puede aproximar la inversa de Leontief como:

m
(I - A)-1 Ak
k 0
11.- Determinante de una Matriz

El determinante de una matriz cuadrada A, simbolizado por |A|, es un escalar definido de manera unvoca, asociado
con esa matriz.
a a
Si A2x2, A 11 12
a21 a22
es
| A|
a11 a12
a11 a22 a12 a21
a21 a22
a11 a12 a13
Si A3x3, A a21 a22 a23 es

a a a
31 32 33
a11 a12 a13
| A | a21 a22 a23 a11 a22 a33 a11 a23 a32 a12 a23 a31 a12 a21 a33 a13 a 21 a32 a13 a 22 a31
a31 a32 a33
Esta expresin no es fcil de recordar, pero existe una forma muy prctica de determinarla para matrices 2x2 y 3x3:
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.
12.- Desarrollo de Laplace
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
obtenida al eliminar la fila i-sima y la columna j-sima de
Se llama cofactor Aij de aij :

Aij = (-1)i+j . |Mij|
Entonces es : | A | ai1 . Ai1 ai2 . Ai2 ... ain . Ain
a A
ij
ij
desarrollo segn la fila i - sima
j 1
| A | a1j . A1j a 2j . A2j ... a nj . Anj aij Aij
(desarrollo segn la columna j - sima)
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.
Si A tiene una fila (columna) nula entonces |A| = 0 (por qu?).
6.
7.
8.
9.
10.
Si en la matriz A se intercambian dos filas (columnas), el determinante de la matriz obtenida es -|A|

Si A tiene dos filas (columnas) iguales es |A| = 0 (justificar).
|A| = |At| (justificar).
|A . B| = |A| . |B|
|Ak| =|A|k (por qu?), kN, k 0.
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
a) Demostrar que |V| 0 a, b, c, d son todos distintos.

b) Cundo la matriz V es inversible?
c)
Resolver el S.E.L.H : V. x = 0. cuando V = 0.
13.- Regla de Cramer

Supongamos que en el sistema de ecuaciones A . x = b , la matriz A es la parte de la matriz del sistema que determina el
rango; es importante aclarar que se aplica no solo a los sistemas donde el numero filas es igual al numero de colmnas, a
partir de esta suposicin es que podemos hablar del determinante de A. Entonces:
Si |A| 0, el S.E.L. A . x = b es compatible determinado (por qu?).
Aj
Si x (x j), A (a ij), b (bi), i 1,.., n. j 1,.., n es x j
donde A j es la matriz ( j 1,.., n)
A
obtenida de A al reemplazar la columna j-sima por el vector b.
Ejemplo:
Resolver el S.E.L.
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
,
.
14.- El Espacio Vectorial n

Llamaremos
puntos.
al conjunto de todas las n-uplas de nmeros reales. Los elementos de
x1

x
n
Si x se puede poner : x 2

x
n
Se definen dos operaciones:

x1 y1 x1 y1

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

S4) Para cada x ,
22
existe (-x) / x + (-x) = 0.
P1)

n
. ( . 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 .
Entonces es un espacio vectorial.

En general, un conjunto V en el cual se definen dos operaciones cerradas + y
n
, con escalares en un cuerpo y que

n
verifican las propiedades mencionadas, es un espacio vectorial. Slo nos limitaremos al espacio vectorial , por sus
aplicaciones en Economa.
15.- Combinacin Lineal de Vectores

1
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
El vector es tambin C.L. de los vectores u y v, pues 2

6
6
Definicin: Un vector v
si existen escalares
1

4
3 9

2 16
es combinacin lineal de un conjunto de vectores {v1, v2,, vk} pertenecientes a
1 , 2 ,..., k pertenecientes a tal que:

k
v 1.v1 . 2.v2 . k.vk
i 1
vi
Ejemplos:
1. Expresar al vector v 5
1
1
0
0

e1 0 , e2 1 , y e3 0
0
0
1

.
como C.L. de los vectores
Se deben calcular los escalares 1, 2, 3 tal que v 1. e1 2. e2 3.e3

2
1
0
0

5 1 0 2 1 3 0
1
0
0
1
Debemos resolver el S.E.L., resultando:
n ,
23
2 1
5 2
1
3
es decir v = 2.e1 -5.e2 + e3.

Observacin: Los vectores e1, e2, e3 son los vectores unidad en
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
Debemos hallar, si existen,
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
resultando obvio que 1 2 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
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
pero el S.E.L. es incompatible, por lo que
24
no es C.L. de los vectores
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
nicos los escalares de la C.L.? (comparar los ejemplos 2. y 4. y sacar conclusiones).
16.- Dependencia e Independencia Lineal

Definicin 1: Sean v1, v2,, vk
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
Definicin 2: Sean v1, v2,, vk

a)
3

4
2

son L.I.
n . Se dice que:
Estos vectores son linealmente independientes si el vector

con escalares nulos.
b) Estos vectores son linealmente dependientes si el vector

no todos nulos.
es C.L. de {v1, v2,, vk} nicamente
es C.L. de {v1, v2,, vk} con escalares
Propiedades
1.
Sea {v}, v 0. Este conjunto es L.I. (por qu?).
2.
3.
4.
5.
Sea { 0 }. Este conjunto es L.D. (por qu?).

Cualquier conjunto de vectores que contenga al vector nulo es L.D. (por qu?).
Si un conjunto de vectores es L.I., entonces cualquier subconjunto suyo es L.I. (por qu?).
Si un conjunto de vectores es L.D., entonces cualquier conjunto que lo contenga es L.D. (por qu?).
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
n , hay a lo sumo n vectores L.I.
17.- Rango de una Matriz

Definicin: Dada una matriz A: m x n se define el rango de la matriz A como el mximo nmero de vectores
columna (fila) L.I.
Si simbolizamos (A) el rango de la matriz A, es (A) mn {m, n} (por qu?).
Ejemplos :Calcular los rangos.
1 2 3
A 1 0 4
0 2 2
Anteriormente vimos que los vectores columna de A son L.I. (A) = 3.
3 6
1 2
Los vectores son L.D. (B) = 1.
3 6
C 1 2
0 1
Los vectores columna son L.I. (C) = 2.

(Observacin: entonces hay 2 vectores fila L.I.).
Observacin: aplicando Gauss-Jordan es
0 0
3 6 0 0
1 2 1 2 1 0 dos filas L.I.

0 1
0 1 0 1
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
a11 a12 a1r a1n
a21 a22 a2r a2n

Sea A
a
a
a
m1 m2
mr
mn
Si (A) = r entonces r vectores columna (fila) de A son L.I.

Supongamos que los r primeros vectores columna de A son L.I.
Entonces la submatriz:
a11 a12 a1r
a21 a22 a2r

B
tiene r. Entonces r de sus vectores fila son L.I.
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.
a11 a12 a1r
a21 a22 a2r

Ar
Ar: r x r
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.
(A) = (At) (por qu?).
3.
A: n x n es inversible (A)= n
4.
Si dos matrices son equivalentes, sus rangos son iguales.
(por qu?).
Ejemplo: Calcular el rango de la matriz:
1 0 2 1
A 2 2 4 2
3 1 6 3

Observacin:
1.
2.
27
Como A: 3x4 es (A) 3.

Si A1, A2, A3, A4 son los vectores columna de A es:
A3 = -2.A1 y A4 = - A1, y {A1, A2} es L.I.
(A) = 2.
Ahora calculamos el rango aplicando la propiedad 1. : Calculamos los menores de orden 3:
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
y como el menor de orden 2:
1 0
0 , es 2
2 2
18.- Existencia de Solucin de un S.E.L.

Dado un S.E.L. de m ecuaciones con n incgnitas A . x = b, el hecho de que exista solucin significa que el vector
b se puede expresar como C.L. de los vectores columna A1, A2, .., An de la matriz A.
Las condiciones de existencia de un x * x*j n j 1,.., n tal que - es decir :

x1* A 1 x 2* A 2 ... x n* A n b
y las condiciones para determinar si la solucin x* es o no nica, estn dadas por el siguiente Teorema:
19.- Teorema de Rouch-Frobenius

Dado un S.E.L. de m ecuaciones con n incgnitas A . x = b, donde A = (aij), x = (xj), b = (bi) para i = 1,..,m.
1,..,n.
a) El S.E.L. es compatible (A) = (A|b) siendo compatible determinado si (A) = (A|b) = n;
indeterminado si (A) = (A|b) < n.
b) El S.E.L. es incompatible (A) (A|b).
j=
e
Demostracin:
a)
El S.E.L. A . x = b
es compatible
x*=(
x *j
),
j=1,..,n
tal que si A1, A2, .., An son los vectores
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).
Si (A) =n los vectores columna

es C.L. nica de los vectores columna de
A1, A2,.., An son L.I. si (A) = (A|b) = n, el vector b

A el S.E.L. es compatible determinado.
Si (A) = (A|b) < n el sistema es compatible indeterminado. (por qu?).

b) (A) (A|b) el S.E.L. es incompatible se concluye de a).
Observacin:
1.
Si m<n, el S.E.L. no puede ser compatible determinado (por qu?).

2.
28
Un S.E.L.H. siempre es compatible (por qu?, justificar analizando el rango de la matriz).
Ejemplo:
1 2k
Si (A | b)
1
1 k 0
k 1 k 1 k
Para qu valores de k, el S.E.L. es compatible determinado, indeterminado e incompatible?
1
1
k 1
1 k k k 2 1 0 si k 0 y k 1
k 1 k
por lo que el S.E.L. es compatible determinado si
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
si k = 1 es incompatible porque (A) =y (A | b) =
k 0
si
k 1
es compatible indeterminado porque (A) = (A | b) = 2.
20.- Modelo Cerrado de Insumo-Producto

Al comenzar esta Unidad se plante el modelo de Insumo-Producto. Hemos resuelto el modelo abierto.
Consideremos ahora el modelo cerrado: cuando la demanda final es una proporcin del nivel de produccin (variable
endgena).
Segn lo desarrollado, el modelo se puede expresar:
x = A. x + d
donde: A es la matriz de insumo-producto
x es el vector produccin
d es el vector demanda final excedente.
Sea d una proporcin del nivel de produccin x: esto esd = r.x, con 0 < r < 1
Entonces el modelo quedara:
de donde:
x = A. x + r . x
A . x = (1-r) . x
o sea:
A . x .x , donde 1-r
En este caso tenemos dos incgnitas: y x.

Hemos planteado un problema de valores y vectores propios de una matriz.
21.- Valores y Vectores Propios de una Matriz
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
entonces es un valor propio de A y x es un vector propio de A asociado al valor propio .

Observacin:
1.
Son sinnimos de valor propio: valor caracterstico, autovalor, eigenvalor, raz caracterstica. Anlogamente para
vector propio: vector caracterstico, autovector, eigenvector.
2.
3.
x 0 porque no tendra sentido ya que para cualquier es A . 0 = . 0.

El vector propio x asociado a un valor propio no es nico. Porque si A . x = . x,
entonces
, 0 es A . ( . x ) = .( .x) y por lo tanto . x es vector propio de A asociado al
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
22.- Ecuacin Caracterstica

La ecuacin matricial A . x = .x puede escribirse como:
(A - . In) . x = 0
que representa un sistema homogneo de n ecuaciones con n incgnitas.
Como queremos encontrar un vector x 0 el S.E.L.H. debe ser compatible indeterminado, por lo que el determinante
de la matriz de coeficientes del S.E.L.H. debe ser nulo.
Es decir:
|A - . In | = 0
Al desarrollar el determinante se obtiene un polinomio de grado n en la variable , que al igualarlo a cero se convierte
en una ecuacin, llamada ecuacin caracterstica de A. Las soluciones de esta ecuacin son los valores propios de A.
Al reemplazar cada valor propio i en el S.E.L.H.: (A - i . In) . x = 0 se obtiene el vector propio asociado.
Recordemos que el sistema es compatible indeterminado, por lo que obtendremos una familia de vectores propios
asociados al valor propio i .
Ejemplos: Determinar los valores propios y vectores propios de la matriz
3 2
1. A
1
0
| A - .I2 |
3
1
30
2
2 3 2 0
Los valores propios de A son 1=1, 2=2.

Para calcular los vectores propios asociados formamos los S.E.L.H. para cada valor propio:
Para 1=1 es
2 2
x1 0

x
2 0
el conjunto solucin es
k
, k
S {x 2/ x
entonces la familia de vectores propios asociados al valor propio 1=1 es
, k 0, por ejemplo
x1
Para 2=2 es:
2
1
1 2
x1 0

x2 0
el conjunto solucin es
2k
, k
k
S x 2 / x
por lo que la familia de vectores propios asociados al valor propio 2=2 es
2k
2
k 0; por ejemplo x2
1
k
,
3 2 0
2. A 2 3 0
0
0 5
Valores propios: 1=1,
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.
Si la matriz A es triangular o diagonal,
3.
Los valores propios de una matriz real, pueden ser reales o complejos. Si la matriz es simtrica todos sus valores
propios son reales.
entonces sus valores propios son i = aii i=1,..,n.
(por qu?).
23.- Solucin del Modelo de Insumo-Producto Cerrado

Hemos planteado en este caso : A . x . x ..
Por lo desarrollado, debemos calcular los valores propios y vectores propios de la matriz A.
Pero en este caso, debe ser x 0, es decir un vector no negativo para que tenga sentido econmico.
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)
0,3 0,2 0,4
Ejemplo : Sea A 0,2 0 0,2

0,4 0,2 0,3
Los valores propios de A son 1 = 2 = -0,1, 3 = 0,8.
Por lo anterior elegimos 0,8 r 0.2

1

El vector propio asociado es x k 0,5 con k 0
1

obtenemos una relacin funcional entre los niveles de produccin de cada uno de los tres sectores.
Fijamos x3, por ejemplo x3 = 100, entonces
100
x 50 , de donde el vector d r . x 0,2

100
32
100 20
50 10
100 20
El vector demanda excedente es el 20% del nivel de produccin.

Observacin:
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
, es ms productiva la economa ( es la llamada raz de Frobenius).
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
(sugerencia: aplicar definicin)
1

son los vectores 0 y
0

Demostrar que: A es inversible si y slo si los valores propios de A son no nulos
1
5. Demostrar que: Si A es inversible y es valor propio de A entonces es valor propio de A-1 (sugerencia:
aplicar definicin).
.A, 0, son .i donde i es valor propio de A, para i=1,..,n
6.
Demostrar que: Los valores propios de

(sugerencia: aplicar definicin).
7.
Demostrar que: Si es valor propio de A, es k valor propio de Ak, para kN

(sugerencia: aplicar definicin).
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
(sugerencia: aplicar definicin matriz
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).
24.- ANEXO -Teorema de Perron-Frobenius

Analizando conceptos y resultados para matrices no - negativas
Es importante desarrollar temas especficos sobre matrices no-negativas, ya que stas aparecen frecuentemente en las
aplicaciones; en particular, aplicaciones en ciencias econmicas.
a 0 i j
a 0
Decimos que A es no - negativa y escribimos A 0 , si ij

con algn ij
.
..
Concepto de matriz irreducible o indescomponible.
Veremos un concepto fundamental referido a la estructura de una matriz:
Definicin: A es reducible si podemos permutar filas y las correspondientes columnas en forma tal que
quede una matriz de la forma:
A11
0
donde A11 y
rectangular.
A12
A22
A22 son submatrices cuadradas; 0 una submatriz nula rectangular y
A12 una submatriz
Si la matriz A no puede reordenarse de esta forma entonces se dice irreducible.
Una matriz irreducible en un sistema, produce el efecto de que todo est relacionado con todo.
Teorema de Perron-Frobenius
34
Al trabajar con el modelo de Leontief
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:
1. Tiene un vector caracterstico asociado estrictamente positivo:
Ax max x tiene una solucin x 0 . x es el vector caracterstico
asociado al valor caracterstico max .

Es decir, el sistema
2. Si max , entonces existe la inversa de I A , y:
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
max 1 , pues en este caso
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
min a i j max max a i j

i
j 1
j 1
n
min a i j max max a i j

j
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
3. Tal cual en el caso anterior.

Algebra Lineal

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Algebra Lineal

Hochgeladen von

Copyright:

Verfügbare Formate

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

8. Resolucin de un Sistema de Ecuaciones Lineales.

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

INTRODUCCIN: Modelo de InsumoProducto

xk xk1 xk2 ... xkn dk (1)

nos da la cantidad de i necesaria para producir una unidad de j.

Para simplificar el anlisis del problema se establecen los siguientes supuestos:

Cada sector produce un nico bien. No hay produccin conjunta.

i, j ; es decir aij es independiente del nivel de produccin.

Los aij se llaman coeficientes de insumos coeficientes tcnicos de produccin.

entonces por (2) es :

xk ak1.x1 ak2.x2 ... akn.xn dk

x1 a11.x1 a12.x2 ... a1n.xn d1

.xn an1.x1 an2.x2 ... ann.xn dn

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

x1 0,2.x1 0,3.x2 0,2.x3 d1

Cmo se interpreta si aii = 0, para todo i?

Sobre el modelo de insumoproducto se analizarn los siguientes casos:

2.- Sistemas de Ecuaciones Lineales

a11.x1 a12.x2 ... a1n.xn b1

am1.x1 am2.x2 ... amn.xn bm

xj: variable incgnita, para j =1,..,n.

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

Analizar y contestar: Por qu la solucin es un conjunto ordenado?

Conocer si tiene solucin.

3.- Matrices y Vectores

a11 a12 ... a1n

a21 a22 ... a2n

m1 am2 ... amn

Por ejemplo, dado el S.E.L.

Cada uno de estos arreglos constituye una matriz.

a11 a12 ... a1n

a21 a22 ... a2n

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

El elemento genrico aij se encuentra en la i-sima fila y en la j-sima columna.

es de orden 2x2 ( de orden 2).

Algunas matrices pueden tener una sola columna como:

Dicha matriz recibe el nombre de vector.

A lo largo de este trabajo, al decir vector nos referimos a vector columna.

La matriz A de orden m x n puede interpretarse como un conjunto ordenado de m vectores filas de

4.- Operaciones con Matrices y Vectores

m x n y adems aij = bij,

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

Definicin: Si A = (aij), B = (bij) de orden m x n se define la suma de A y B como la matriz de orden m x n:

es vt . v vi2 (por qu?)

Definicin: Si A = (aij) es de orden m x p, y B = (bij) es de orden p x n, se define el producto A . B como la

((aij ) . (bij ) (ai1 . b1 j ai 2 . b2 j aip . bpj )

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

xt. A . x un escalar. (tarea : hacer el clculo).

Sea 0 la matriz nula. Entonces A+ 0 = A,

Del producto de un escalar por una matriz:

MATEMTICA II FCE UNP S.J.B.

PARTE 2 - lgebra Lineal

Del producto de matrices: