TEMA III

ELEMENTOS DEL ÁLGEBRA MATRICIAL

En este tema vamos a repasar los conocimientos de matrices que aprendimos en
cursos anteriores y que vamos a necesitar en esta asignatura.

I.- MATRICES
¿Qué es una matriz?
Una matriz es una disposición de números para la cual existe una
nomenclatura determinada.

 a11 a12 L a1k 

 
 a 21 a 22 L a2k 
 M M M M 
(a )
ij i =1,..., m
j =1,..., k
 
a am 2 L a mk 
 m1

Matrices con nombre propio.

Matriz cuadrada: Una matriz recibe la denominación de matriz cuadrada
cuando el número de filas que posee es igual al número de columnas, es
decir, que k = m .

Matriz rectangular: Se conoce como matriz rectangular a toda aquella

matriz que pose distinto número de filas que de columnas, es decir, que
k ≠ m.

Matriz vector: Es aquella que está formada por una sola columna, es
decir, que k = 1 .

Matriz fila: Es aquella que se compone de una sola fila, es decir, m = 1 .

Matriz simétrica: Una matriz es simétrica cuando sus elementos están

situados idénticamente respecto de la diagonal, como por ejemplo...

 1 2 3
 
 2 4 6
 3 6 5
 
Las matrices simétricas tienen la peculiaridad de que son iguales a
su traspuesta, es decir, que A = A t .

Matriz traspuesta: Una matriz se considera que es la traspuesta de otra

cuando es el resultado de haber cambiado las filas por las columnas, por
ejemplo...
 1 4 
1 2 3   
A =  A =  2 5 t

 4 5 6 3 6
 
Matriz diagonal: Decimos que una matriz es diagonal cuando todos sus
elementos son 0 menos los de la diagonal, es decir...

 a11 0 0 
 
 0 a 22 0 
 0 0 a 33 


Una matriz diagonal también es simétrica.

Matriz escalar: Se trata de un caso concreto de matriz diagonal, cuando

todos los elementos de la diagonal son iguales, por ejemplo...

 2 0 0
 
0 2 0
 0 0 2
 
Matriz identidad: Es el caso de una matriz escalar en la que todos los
elementos de la diagonal además de ser iguales, son iguales a 1, es
decir...

1 0 0
 
0 1 0
0 0 1
 

Operaciones.
En el conjunto de las matrices se pueden definir operaciones

SUMA: Se puede definir la suma de dos matrices siempre y cuando las

dos matrices tengan el mismo orden, es decir, que ambas tengan el
mismo número de filas y el mismo número de columnas, no quiere esto
decir que sean cuadradas, sino que m A = m B y n A = n B . La suma
matricial se define del siguiente modo..

Μ m×n + Μ m×n → Μ m×n

A B → A+ B = C
(a ) (b ) → (c )
ij ij ij

cij = a ij + bij ∀i, j

Ejemplo:
 1 2 3  4 4 2  5 6 5 
  +   =  
 2 7 4   5 1 7   7 8 11

La suma de matrices cumple las siguientes propiedades:

• Elemento neutro
• Opuesto
• Conmutativa
• Asociativa

PRODUCTO DE MATRICES: El producto de matrices solo se

considera operación cuando se trata de la multiplicación de dos matrices
cuadradas del mismo orden, pero aun no tratándose de una operación se
pueden multiplicar cuando la primera matriz tenga un numero de
columnas n, que coincida con el número de filas de la segunda matriz.

o Caso 1.- Matrices cuadradas del mismo orden. Si es una

operación.

El producto de dos matrices se realiza de la siguiente forma:

cij = ai1 × b1 j + ai 2 × b2 j + L + aik × bmj

Metodología:

     
     
 × = 
     
     

     
     
 × = 
     
     

Ejemplo:

 2 4 6 1 2 7  36 24 68 
     
 1 7 8  ×  4 2 6  =  53 32 89 
2 5 7    
  3×3  3 2 5  3×3  43 28 79 

Este producto de matrices cumple las siguientes

PROPIEDADES:

Existencia del elemento neutro, que en este caso se trata

de la matriz identidad. ∃ I A ⋅ I = A .
Asociativa: A(BC ) = ( AB )C
 Distributiva respecto de la suma: A(B + C ) = AB + AC
No cumple la propiedad conmutativa: AB ≠ BA

o Caso 2.- Producto de dos matrices sin tratarse de una operación.

Como ya comentamos al principio del epígrafe, sin tratarse de

una operación siempre y cuando coincida el número de columnas
de la primera matriz con el número de filas de la segunda. El
procedimiento es el mismo que en el caso anterior.

PRODUCTO DE UN ESCALAR POR UNA MATRIZ. En el conjunto

de las matrices se puede definir esta tercera operación, que se desarrolla
del siguiente modo:

ℜ × Μ m×n → Μ m×n
λ × A → λA
(a ) → (c )
ij ij

∀i, j cij = λaij

Ejemplo:

 2 7 6   6 21 18 
   
3 ×  5 8 1  =  15 24 3 
 9 6 4   27 18 12 
   

ESPACIO VECTORIAL:

Se llama espacio vectorial al conjunto formado por: {Μ m×n ,+,⋅λ}

II.- DETERMINANTES Y PROPIEDADES

DEFINICIÓN DE DETERMINANTE. FALTA

PROPIEDADES DE LOS DETERMINANTES.

El determinante de una matriz es igual al de su traspuesta, A = A' .

Al permutar dos líneas el valor del determinante cambia de signo.
Si todos los elementos de una línea se multiplican por un número real, el
valor del determinante queda multiplicado por dicho número.
Si todos los elementos de una línea son nulos el determinante también lo
es.
Si dos líneas son iguales el valor del determinante es cero.
Si dos líneas son proporcionales el determinante también es nulo.
 Si todos los elementos de la j-ésima columna (o fila) de un determinante
representa una suma de dos sumandos el determinante se puede
descomponer del siguiente modo:
aij = bij + cij
El determinante será igual a la suma de dos determinantes en los
que todas las filas (o columnas) coinciden con el determinante inicial
excepto la j-ésima, mientras que la j-ésima de uno de ellos consta e la bij
y la otra de cij .

Si a un determinante se le suma un múltiplo arbitrario real de otra línea

el determinante no cambia su valor.

CÁLCULO DE DETERMINANTES.

Regla de Sarrus.
Por el método de Sarrus el determinante de una matriz se calcula
del siguiente modo...Vamos a hacer el desarrollo para un determinante de
orden 3, análogamente se haría con los demás órdenes.

a11 a12 a13

 a ⋅ a ⋅ a + a12 ⋅ a 23 ⋅ a31 + a13 ⋅ a 21 ⋅ a 32 − 
a 21 a 22 a 23 =  11 22 33 
 − a13 ⋅ a 22 ⋅ a31 − a 23 ⋅ a32 ⋅ a11 − a33 ⋅ a12 ⋅ a 21 
a31 a32 a 33

Este método suele ser usado para el cálculo de determinantes de

orden bajo, es decir, para orden 2, 3, como mucho, 4.

Ejemplo:

2 7 4
5 2 8 = 2 ⋅ 2 ⋅ 9 + 7 ⋅ 8 ⋅ 4 + 4 ⋅ 5 ⋅ 3 − 4 ⋅ 2 ⋅ 4 − 8 ⋅ 3 ⋅ 2 − 9 ⋅ 7 ⋅ 5 = −75
4 3 9

Cálculo por adjuntos.

El cálculo por adjuntos es un método totalmente diferente al
anterior. Este método se lleva a cabo a través de una fila o columna del
determinante y sus adjuntos.

n
A = ∑ a ij ⋅ Aij , siendo Aij un adjunto o complemento algebraico.
j =1

Calculo de los adjuntos:

Aij = (− 1)
i+ j
α ij , siendo α ij , la submatriz complementaria de aij

Los adjuntos, en la práctica se calcula como sigue:

 Para calcular el adjunto Aij a la matriz A le tachamos la fila i y la
columna j y calculamos el determinante de lo que nos queda, que es el
menor complementario de aij .

Ejemplo:

 1 2 3 1 2 3 1/ 2/ 3/
 
A =  4 5 6  ⇒ A = 4 5 6 ⇒ A11 = (− 1) ⋅ 4/ 5 6 =
1+1

7 8 9 7 8 9 7/ 8 9
 

5 6
= (− 1) ⋅ = 1 ⋅ (5 ⋅ 9 − 6 ⋅ 8) = (− 3)
2

8 9

Ejemplo de Cálculo de determinantes por adjuntos:

1 2 3
A = 4 5 6 = 1 ⋅ A11 + 2 ⋅ A12 + 3 ⋅ A13 =
7 8 9

5 6 3 4 6 4 4 5
= 1 ⋅ (− 1) ⋅ + 2 ⋅ (− 1) ⋅ + 3 ⋅ (− 1) ⋅
2
=
8 9 7 9 7 8

= [(5 ⋅ 9 − 6 ⋅ 8)] + [− 2 ⋅ (4 ⋅ 9 − 6 ⋅ 7 )] + [3 ⋅ (4 ⋅ 8 − 5 ⋅ 7 )] =

= (− 3) + (12) + (− 9 ) = 0

III.- MATRIZ INVERSA

En el conjunto de las matrices cuadradas su puede obtener la matriz inversa
[A ]
−1
de una dada [A] .

• [ ]
Para que A −1 sea la matriz inversa de [A] , se tiene que cumplir que:

A ≠0
A ⋅ A −1 = I
A −1 ⋅ A = I

• Cuando A = 0 , se dice que la matriz es singular, y carece de inversa.

• Cálculo de la matriz inversa.
  a11 a12 a13   A11 A12 A13 
   
Sea A =  a 21 a 22 a 23  y sea Adj.( A) =  A21 A22 A23 
a a 32 a33  A A32 A33 
 31  31

La inversa de A se define como:

A −1 =
( Adj.( A))t
A

• Se cumple que A t ( ) −1
( )
= A −1
t

IV.-MATRIZ PARTICIONADA

V.- RANGO DE UNA MATRIZ

Si en una matriz cualquiera consideramos que cada fila es un vector, llamamos
rango por filas al número de vectores linealmente independientes de todos..

Del mismo modo llamamos rango por columnas al número de columnas

linealmente independientes de las demás que tiene una matriz considerando que cada
columna es un vector.

Se puede demostrar que el rango por filas es igual al rango por columnas en
cualquier matriz.

El rango de una matriz se define como el orden del menor mayor distinto de 0.

TEOREMA DE HADLEY.

El rango del producto de dos matrices es siempre menor o igual que el mínimo
del rango de las dos matrices, es decir:

rg ( A ⋅ B ) ≤ min{rg ( A), rg (B )}

VI.- RAICES Y VECTORES CARACTERÍSTICOS.

DIAGONALIZACIÓN DE UNA MATRIZ.
Los vectores característicos son aquellos que verifican que al multiplicarlos por
una matriz obtenemos el mismo resultado que si lo hubiésemos multiplicado por un
escalar, es decir, son aquellos que cumplen que: Ax = λx .
 Ax = λx ⇒ Ax − λIx = 0 ⇒ ( A − λI )x = 0 ⇒
 x =0
⇒
 A − λI = 0 ←
Y A − λI = 0 , da lugar al polinomio característico.

Desarrollo matemático del polinomio característico:

a a12  x 
A =  11 , x =  1 
 a 21 a 22   x2 
a a12   x1   1 0   x1 
Ax = λIx ⇒  11  ⋅   = λ ⋅   ⋅  
 a 21 a 22   x 2   0 1   x2 
 a11 a12   1 0   x1   0 
  − λ ⋅   ⋅   =  
 a 21 a 22   0 1   x 2   0 
a11 − λ a12
= 0 ⇐ polinomio característico
a 21 a 22 − λ

⇒ λ2 − λ (a11 + a 22 ) + (a11 ⋅ a12 − a12 ⋅ a21 )

(a11 + a22 ) ± (a11 + a22 )2 − 4(a11 ⋅ a012 − a12 ⋅ a21 )

λ=
2

Si ahora desarrollamos el interior de la raíz cuadrada y estudiamos el caso

concreto de una matriz simétrica, se puede generalizar diciendo que en el caso de
matrices simétricas, todas las raíces son reales.

a a12 
A =  11  matriz simétrica
 a12 a 22 
(a11 + a 22 )2 − 4(a11 ⋅ a 22 − a12 ⋅ a12 ) =

2 2 2
= a11 + a 22 + 2a11 a 22 − 4a11 a 22 + 4a12

= a11 + a 22 − 2a11 a 22 + 4a12 = (a11 − a 22 ) + 4a12 f 0

2 2 2 2 2

Sean λ1 , λ 2 , las raíces características,

 (a11 − λi )x1 + a12 x 2 = 0

λi ⇒ 
a 22 x1 + (a 22 − λi )x 2 = 0
 La matriz de los valores característicos está formada por los vectores
característicos de módulo unidad.

Calcular los vectores característicos de módulo unidad se hace como sigue:

- Sustituimos cada una de las raíces en la siguiente expresión:

 a11 − λ a12 a13   x1   0 

     
Ax = 0 ⇒  a 21 a 22 − λ a 23  ⋅  x 2  =  0 
 a a 32 a33 − λ   x3   0 
 31

De esta expresión sacamos unas ecuaciones que nos va a permitir

despejar las variables en función de un parámetro α , a esta soluciones,
en función de α , se le llaman soluciones paramétricas. Llegado este
punto damos a α un valor y las soluciones obtenidas las dividimos por
su módulo, obteniendo así los vectores característicos, cada vector viene
de la sustitución de una raíz característica.

Ejemplo:

 3 2 2 3−λ 2 2
 
A =  2 2 0  ⇒ A − λI = 2 2−λ 0 = −λ3 + 9λ2 − 18λ = 0
 2 0 4 2 0 4−λ
 

Las soluciones de este polinomio son λ1 = 0 λ2 = 6 λ3 = 3

λ1 = 0

 3 2 2  x   0
      2 x + 2 y = 0
 2 2 0 ⋅  y  =  0 ⇔ 
 2 0 4  z   0 2x + 4z = 0
     

 x = −2α

Si igualamos z a α , obtenemos la siguiente solución paramétrica:  y = 2α , con lo cual
 z=0

el primer vector característico de módulo unitario
(− 2 2 1) = (− 2 2 1) = (− 2 2 1) =  − 2 2 1
sería:  .
−2 2 1 (− 2)2 + 2 2 + 12 3  3 3 3

Si repetimos esta operación para el resto de raíces características vemos que la matriz de
valores característicos es:
  2 2 1
− 
 3 3 3
2 1 2
X =
 3 3 3
 1 2 2
 
 3 3 3

DIAGONALIZACIÓN

Partimos de una matriz A y decimos que:

 x11 x12 L x1n   x11 x 12 L x1n 

 1   2 
x x 22 L x 2n  x x 22 L x n2 
X ' AX =  2  ⋅ A⋅ 1 =
 M M L M   M M L M 
 x1 x n2 L x nn   xn x 2n L x nn 
 n  1

 x11 x12 L x1n   λ1 x11 λ 2 x12 L λ n x1n 

 1   
x x 22 L x 2n   λ1 x12 λ 2 x 22 L λ n x n2 
= 2 ⋅
/
( )
 = xi ⋅ λ j ⋅ x j =
 M M L M   M M L M 
 x1 x n2 L x nn   λ1 x1n λ 2 x 2n L λ n x nn 
 n

 λ1 0 0 0
 
0 λ2 0 0
( /
)
= λ j ⋅ xi ⋅ x j = 
0 0 O 0
 
0 0 0 λ n 


MATRIZ IDEMPOTENTE:

Se dice que una matriz es idempotente cuando al multiplicarse por ella misma es
igual es ella misma, es decir, que A ⋅ A = A 2 = A .

Si la matriz que estamos diagonalizando es idempotente, los valores

característicos no pueden tomar cualquier valor.

Demostración

Ax = λx λx = λ 2 x
AAx = λAx (λ − λ )x = 0
2

Ax = λλx λ = 0
λ − λ 2 = 0
Ax = λ x
2
λ = 1

Luego si tenemos una matriz idempotente,

 1ó0 0 0 0 
 
 0 1ó0 0 0 
X ' AX =  .
0 0 O 0 
 
 0 0 0 1ó0 


TRAZA DE UNA MATRIZ.

La traza de una matriz es la suma de todos los elementos de su diagonal

principal.

Ejemplo:

 1 2 3
 
traza ( A) = traza 4 5 6  = 1 + 5 + 9 = 15
7 8 9
 

En el caso de una matriz idempotente el rango de la matriz es igual a la traza e

igual, a su vez, a número de unos de la diagonal princiapal.

PROPIEDADES de la traza de una matriz.

traza ( A + B ) = traza ( A) + traza (B )

traza ( A ⋅ B ) = traza (B ⋅ A)
Demostración:

 a11 a12 L a1n   b11 b12 L b1n 

   
 a 21 a 22 L a 2 n   b21 b22 L b2 n 
 M ⋅ =
M M M   M M M M 
   
a an2 L a nn   bn1 bn 2 L bnn 
 n1

...como lo único que influye en la traza es la diagonal principal...

 n 
 ∑ a1i ⋅ bi1 
 i =1 
 n

= ∑a 2i ⋅ bi 2 ⇒
 i =1

 O 
 n



∑
i =1
a ni ⋅ bin 


n n n n
traza ( A ⋅ B ) = ∑∑ a ki ⋅ bik = ∑∑ a ki ⋅ bik = traza (B ⋅ A)
k =1 i =1 i =1 k =1

traza ( A ⋅ B ⋅ C ) = traza (B ⋅ C ⋅ A = traza (B ⋅ A ⋅ C ))

 En el caso de una matriz idempotente y simétrica,
rg ( A) = rg ( X ' AX ) = traza ( X ' AX ) = traza ( AX ' X ) = traza ( A) .

VII.- FORMAS CUADRÁTICAS. MATRICES DEFINIDAS

POSITIVAS.
Dada una matriz simétrica cualquiera, A, de orden n, nos permite definir una
aplicación del espacio vectorial.

ℜn → ℜ
x → x ' Ax forma cuadrática
Siendo:

a a12  x 
A =  11  y x =  1  .
 a12 a 22   x2 

a a12   x1 
(x1 x 2 ) ⋅  11 ⋅  =
 a12 a 22   x 2  polinomio homogéneo de grado 2
= a11 ⋅ ( x1 ) + a 22 ⋅ ( x 2 ) + 2a12 x1 x 2
2 2

Se dice que una forma cuadrática es definida positiva si se cumple que:

∀x ≠ 0 x ' Ax f 0 . Los mismo se dice para una matriz simétrica, es decir, que una
matriz simétrica es definida positiva si lo es su forma cuadrática.

Se dice que una forma cuadrática es semidefinida positiva si se cumple que

∀x ≠ 0 x ' Ax ≥ 0 .

PROPIEDADES DE FORMAS CUADRÁTICAS DEFINIDAS POSITIVAS:

I. Si A es una matriz definida positiva, su determinante es distinto de cero.

Demostración: Vamos a demostrar esta propiedad usando el método de
reducción al absurdo, para lo cual vamos a suponer que el determinante de A es
cero, y como veremos, llegamos a una solución imposible, por lo cual podremos
aceptar que el determinante de una matriz definida positiva siempre es distinto
de cero.
A = 0 ⇒ Ax = 0 ⇒ ∃x1 ≠ 0 A x1 = 0 ⇒ x1/ Ax1 = 0 ≠ x / Ax f 0 .

II. Si tenemos una matriz cuadrada, A, de orden ‘n’ definida positiva y otra matriz,
B de orden n × s , cuyo rango es ‘s’, entonces Bs/×n ⋅ An×n ⋅ Bn×s = C s×s , también
será definida positiva para todo y ≠ 0 , es decir, que: ∀y ≠ 0 y ' B' ABy ≥ 0 .
Demostración:
 Los primero que debemos hacer es dividir la matriz B en una matriz de
 B  }s × s B1 ≠ 0
dos submatrices, del siguiente modo: (B ) =  1  . Hecho esto vemos que:
 B2  }(n − s ) × s
x  B 
x =  1  =  1  ⋅ y , y ≠ 0 ⇒ x ≠ 0 , por lo que para que el vector x sea cero se tiene
 x 2   B2 
que cumplir que la submatriz B1 ⋅ y = 0 , y como consecuencia de que el determinante
B1 = 0 , esto sólo se produce cuando y = 0 , y por tanto y ′B ′ABy = x ′Ax f 0 .

III. Si A es definida positiva, su matriz inversa también lo es.

Demostración: Esta propiedad se puede considerar un caso concreto de la
anterior, l caso en el que B = A −1 , ya que A −1 AA −1 = A −1 .

IV. La matriz identidad es una matriz definida positiva.

Demostración: Para demostrar esta propiedad vamos a utilizar el caso concreto
de la matriz identidad de orden 3.
1 0 0
 
I =  0 1 0 , x ≠ 0
0 0 1
 
 1 0 0   x1 
   
x ′Ix = ( x1 x2 x3 ) ⋅  0 1 0  ⋅  x 2  = x12 + x 22 + x32 f 0
0 0 1  x 
   3

Este caso se puede generalizar para los demás órdenes.

V. Si A es una matriz definida positiva, todas sus raíces son positivas.

VI. Si A es una matriz definida positiva, entonces su determinante es mayor que

cero.
Demostración:
x ′Ax = Λ (matriz diagonal )
λ1 0 L 0
0 λ2 0 M n
Si calculamos el determinante X ′AX = = ∏ λi f 0 , por lo
M 0 O 0 i =1

0 L 0 λn
tanto, podemos decir que: X ′ ⋅ A ⋅ X ′ f 0 , y como X ′X = I ⇒ X ′ ⋅ X = 1 ,
con lo cual podemos concluir que A f 0 .

VII. Teorema de Aitken: este teorema permite estimar el modelo cuando no se den
las condiciones del entorno Gauss-Marcov.

Si tengo una matriz que es definida positiva, la puedo expresar como el producto
de dos matrices cuyo determinante sea distinto de cero.
A = PP ′, P ≠ 0
  λ1 0 0 L
 
0 λ2 0 M 
X ′AX = Λ =  , por ser A definida positiva, todas las
M 0 O 0
 
0 L 0 λ n 

raíces características son números positivos, por tanto podemos construir una
 1 0 L 0 
 λ1 
 
matriz D definida así:  0 1 0 M  , con lo cual,
D= λ2 
 M 0 O 0 
 0 L 0 1 
 λn 

 1 0 L 0   1 0 L 0 
 λ1  λ 0 L 0  λ1 
   1   
 0 1 0 M   0 λ2 0 M  0 1 0 M 
D′X ′AXD =  λ2 ⋅ ⋅  λ2 =
 M 0 O 0  M 0 O 0  M 0 O 0 

 0 L 0 1   0 L 0 λn   0 L 0 1 
 λn   λn 
 
 λ1 0 L 0 
 λ 1 0 L 0
 1
  
 λ2 M  =  0 1 0 M  = I , por lo tanto,
D ′X ′AXD =  0 λ2 0
  
 M 0 O 0   M 0 O 0
 0 0
λ n   0 L 0 1 
 L
λ n 

D ′X ′AXD = I .

Ahora llamamos Q a la matriz XD , es decir, Q = XD ⇒ Q ′AQ = I .

Si nos fijamos en los determinantes, podemos observar que:

Q = XD = X ⋅ D ≠ 0 . Y ya estamos en condiciones de afirmar que:
{ {
≠0 ≠0

Q ′ Q ′AQQ = Q ′ −1 IQ −1 ⇒ A = Q ′ −1Q −1 , y por último, llamando P ′ a Q −1 ,

−1 −1

ya si podemos concluir que A = PP ′ .

VIII.- CALCULO DIFERENCIAL EN NOTACIÓN MATRICIAL.

El cálculo de derivadas en notación matricial se hace como sigue:

∂a ′x
=a
∂x

Demostración:
  ∂a ′x 
 
 x1   ∂x1   a1 
  ∂a ′x  ∂a ′x   
a ′x = (a1 a2 a3 ) ⋅  x 2  = a1 x1 + a 2 x 2 + a3 x3 ⇒ =  =  a2  = a
x  ∂x ∂x
 2  a 
 3  ∂a ′x   3 
 ∂x 
 3 

Y en el caso de formas cuadráticas el procedimiento es análogo:

∂x ′Ax
= 2 Ax .
∂x

Demostración:

 a11 a12 a13  x1 

  
x ′Ax = ( x1 x2 x3 ) a12 a 22 a 23  x 2  = a11 x12 + a 22 x 22 + a33 x32 + 2a12 x1 x 2 +
a a 23 a33  x3 
 13
+ 2a13 x1 x3 + 2a 23 x 2 x3 ⇒
 ∂x ′Ax 
 
 ∂x1   2a11 x1 + 2a12 x 2 + 2a13 x 3   a11 a12 a13  x1 
∂x ′Ax  ∂x ′Ax      
⇒ =  =  2a 22 x 2 + 2 a12 x1 + 2 a 23 x3  = 2 a12 a 22 a 23  x 2  = 2 Ax
∂x  ∂x 2   2 a x + 2 a x + 2 a x  a
∂ x ′A x  23 2   13 a 23 a 33  x 3 
  33 3 13 1

 ∂x 
 3 