1

Algebra de matrices

Capítulo 2

Alulema Gabriela

Ana Stefania Diaz

Jean Carlos Pinargote

Universidad Central Del Ecuador

Algebra Lineal

Mat. José Ernesto Caizaguano

21 de enero de 2023
 2

Algebra de matrices

2.1 Operaciones de matrices

A es una matriz de m x n, entonces la entrada escalar en la i-ésima fila y la j-ésima

columna de A se denota mediante aij y se llama entrada (i, j) de A. Cada columna de A es una

lista de m números reales, que identifica un vector en Rm. Estas columnas se denotan mediante

a1, … , an, y la matriz A se escribe como:

A = [a1 a2 … an]

Las entradas diagonales en una matriz A = [aij] de m n son a11,

a22, a33 , …, y forman la diagonal principal de A. Una matriz diagonal es una matriz cuadrada de

n x n cuyas entradas no diagonales son cero.

Operaciones con matrices

Suma y múltiplos escalares

Dos matrices son iguales si tienen el mismo tamaño y si sus columnas correspondientes

son iguales, lo que equivale a decir que sus entradas correspondientes son iguales. a suma

vectorial de las columnas se realiza por entradas, cada entrada en A B es la suma de las
 3

entradas correspondientes de A y B. La suma A B está definida solo cuando A y B son del mismo

tamaño.

Si r es un escalar y A es una matriz, entonces el múltiplo escalar rA es la matriz cuyas

columnas son r veces las columnas correspondientes de A.

Teorema 1.

Multiplicación de matrices

Si A es de m n, B es de n py

x está en p, las columnas de B se denotan como bj,…, bp, y las entradas de x como x1,…, xp.

Por consiguiente,

Bx = x1b1 + … + Xpbp

Por la linealidad de la multiplicación por A,

A(Bx) = A(x1b1) + … + A(Xpbp)

= x1Ab1 + … + XpAbp

Si A es una matriz de m X n, y si B es una matriz de n X p con columnas b1, …, bp

entonces el producto AB es la matriz de m x p cuyas columnas son Ab1, …, Abp. Es decir,

AB = A[b1 b2 … bp] = [Ab1 Ab2 … Abp]

 4

Cada columna de AB es una combinación lineal de las columnas de A usando pesos de la

columna correspondiente de B.

REGLA FILA-COLUMNA PARA CALCULAR AB

Si el producto AB está definido:

(AB)ij = ai1b1j + ai2b2j + … + ainbnj

 5

Teorema 2.

La transpuesta de una matriz

Dada una matriz A de m n, la transpuesta de A es la

matriz de n m, que se denota con AT, cuyas columnas se forman

a partir de las filas

correspondientes de A.
 6

Teorema 3.

La transpuesta de un producto de matrices es igual al producto de sus transpuestas en

orden inverso.

2.2 La inversa de una matriz

Se dice que una matriz A de n n es invertible si existe otra

matriz C de n x n tal que

CA = I y AC = 1

donde I = In, la matriz identidad de n x n. En este caso, C es una inversa de A. En

efecto, C está determinada únicamente por A, ya que, si B fuera otra inversa de A, entonces B =

BI = B(AC) = (BA)C = IC = C. Esta inversa única se denota mediante A-1, tal que,

A-1A = I y AA-1 = I
 7

Una matriz que no es invertible en ocasiones se llama matriz singular, y una matriz

invertible se llama matriz no singular. Por lo tanto,

C = A-1.

Teorema 4.

La cantidad ad - bc se llama determinante de A, y se escribe como

det A = ad - bc

Una matriz A de 2 x 2 es invertible si y solo si det A es diferente de 0.

Teorema 5

Si A es una matriz invertible de n x n, entonces, para cada b en Rn, la ecuación Ax = b

tiene la solución única x = A-1b.

 8

Teorema 6

El producto de matrices invertibles de n x n es invertible, y la inversa es el producto de

sus inversas en orden opuesto.

Matrices Elementales

Una matriz elemental es aquella que se obtiene al realizar una única operación

elemental de fila sobre una matriz identidad. El siguiente ejemplo ilustra los tres tipos de

matrices elementales. Si se realiza una operación elemental de fila con una matriz A de m x n,

la matriz resultante se puede escribir como EA, donde la matriz E de m x m se crea al realizar la

misma operación de fila sobre Im. Las operaciones de fila son reversibles.

Toda matriz elemental E es invertible. La inversa de E es la matriz elemental del mismo

tipo que transforma a E de nuevo en I.

 9

Teorema 7

Una matriz A de n x n es invertible si y solo si A es equivalente por filas a In, y, en este

caso, cualquier secuencia de operaciones elementales de fila que reduzca A a In también

transforma a In en A-1.

2.3 Caracterización de matrices invertibles

Teorema 8.

Sea A una matriz cuadrada de n x n. Entonces, los siguientes enunciados son

equivalentes. Es decir, para una A dada, los enunciados son todos ciertos o todos falsos.

a) A es una matriz invertible.

b) A es equivalente por filas a la matriz identidad de n x n.

c) A tiene n posiciones pivote.

d) La ecuación Ax = 0 tiene solamente la solución trivial.

e) Las columnas de A forman un conjunto linealmente independiente.

f) La transformación lineal x  Ax es uno a uno.

g) La ecuación Ax = b tiene al menos una solución para toda b en Rn.

h) Las columnas de A generan Rn.

i) La transformación lineal x  Ax mapea Rn sobre Rn

j) Existe una matriz C de n x n tal que CA = I,

k) Existe una matriz D de n x n tal que AD = I.

l) At es una matriz invertible.

 10

Primero, se necesita alguna notación. Si la veracidad del enunciado a) siempre implica

que el enunciado j) sea cierto, se dice que a) implica a j), y esto se representa como a) 1

j). La demostración establecerá el “círculo” de implicaciones que se ilustra en la figura 1. Si

cualquiera de estos cinco enunciados es cierto, entonces también lo son los demás. Por último,

la demostración relacionará los enunciados restantes del teorema con los enunciados incluidos

en este círculo.

Según el teorema 5 de la sección 2.2, el enunciado g) del teorema 8 también se podría

escribir como: “La ecuación Ax = b tiene una solución única para toda b en Rn”. Este enunciado

realmente implica a b) y, por lo tanto, implica que A es invertible.

El teorema de la matriz invertible divide al conjunto de todas las matrices de n X n en

dos clases disjuntas: las matrices invertibles (no singulares) y las matrices no invertibles

(singulares). Cada enunciado del teorema describe una propiedad de toda matriz de n X n

invertible. La negación de un enunciado del teorema describe una propiedad de toda matriz

singular de n x n.

 Ejemplo 2

Determinar si A es invertible
 11

Transformaciones lineales invertibles

Cuando una matriz A es invertible, la ecuación A-1Ax = x se puede ver como un

enunciado acerca de transformaciones lineales. Véase la figura 2.

Se dice que una transformación lineal T: Rn  Rn es invertible si existe una función

S: Rn  Rn tal que:

S(T(x)) = x para toda x en Rn (1)

T(S(x)) = x para toda x en Rn (2)

Teorema 9

Sea T: Rn  Rn una transformación lineal y sea A la matriz estándar para T. Así, T es

invertible si y solo si A es una matriz invertible. En tal caso, la transformación lineal S dada por

S(x) = A-1 x es la única función que satisface las ecuaciones (1) y (2).
 12

 Ejemplo 2

¿Qué se puede decir acerca de una transformación lineal T uno a uno de Rn en Rn?

SOLUCIÓN

Las columnas de la matriz estándar A de T son linealmente independientes (según el

teorema 12 de la sección 1.9). Por lo que A es invertible, de acuerdo con el teorema de la

matriz invertible, y T mapea Rn sobre Rn. También, T es invertible, según el teorema 9.

2.4 matrices particionadas

Una característica clave de nuestro trabajo con matrices ha sido la capacidad para

considerar a una matriz A como una lista de vectores columna y no tan solo un arreglo

rectangular de números. Este punto de vista ha resultado tan útil que sería deseable considerar

otras particiones de A, indicadas por las líneas divisorias horizontales y verticales, como en el

ejemplo 1 que se presenta a continuación. Las matrices particionadas se presentan en la

mayoría de las aplicaciones modernas del álgebra lineal porque la notación resalta la estructura

esencial de los cálculos matriciales, como se mostró en el ejemplo introductorio de este

capítulo acerca del diseño de aeronaves. Esta sección ofrece una oportunidad para revisar el

álgebra matricial y usar el teorema de la matriz invertible.

 Ejemplo 1
 13

También se puede escribir como la matriz particionada de 2x 3 (o por bloques) de cuyas

entradas son los bloques (o las submatrices).

 Ejemplo 2

Cuando una matriz A se presenta en un modelo matemático de un sistema físico, como

en una red eléctrica, un sistema de transporte o una gran compañía, tal vez resulte natural

considerar A como una matriz particionada. Por ejemplo, si un tablero de circuitos de

microcomputadora consta principalmente de tres microcircuitos VLSI (very large-scale

integrated, es decir, integrados a escala muy grande), entonces la matriz para el tablero de

circuitos podría tener la forma general.

Suma y multiplicación escalar

Si las matrices A y B son del mismo tamaño y están particionadas exactamente en la

misma forma, resulta natural efectuar una partición similar de la suma ordinaria matricial A + B.
 14

En este caso, cada bloque de A + B es la suma (matricial) de los bloques correspondientes de A

y B. La multiplicación por un escalar de una matriz particionada también se calcula bloque por

bloque.

Multiplicación de matrices particionadas

Las matrices particionadas se pueden multiplicar utilizando la regla fila-columna como

si las entradas del bloque fueran escalares, siempre que para un producto AB, la partición por

columnas de A equivalga a la partición por filas de B.

Teorema 10

Inversas de matrices particionadas

Se dice que una matriz de la forma:

es triangular superior por bloques. Suponga que A11 es de p x p, A22 es de q x q, y A

invertible. Encuentre una fórmula para A-1.

 15

Una matriz diagonal por bloques es una matriz particionada con bloques cero fuera de

la diagonal (de bloques) principal. Una matriz de este tipo es invertible si y solo si cada bloque

sobre la diagonal es invertible.

2.5 factorización de matrices

Una factorización de una matriz A es una ecuación que expresa a A como un producto

de dos o más matrices. Mientras que la multiplicación de matrices implica una síntesis de datos
 16

(combinando el efecto de dos o más transformaciones lineales en una sola matriz), la

factorización de matrices es un análisis de datos.

La factorización LU

La factorización LU, descrita a continuación, está motivada por el muy frecuente

problema industrial y de negocios que consiste en resolver una sucesión de ecuaciones, todas

con la misma matriz de coeficientes:

Antes de estudiar la forma de construir L y U, es necesario examinar la razón de su

utilidad. Cuando A = LU, la ecuación Ax = b se escribe como L(Ux) = b. Escribiendo y en lugar

de Ux, se puede encontrar x resolviendo el par de ecuaciones.

 17

SOLUCION

La solución de Ly - b requiere únicamente de 6 multiplicaciones y 6 sumas, porque la

aritmética ocurre solo en la columna 5. (En L, los ceros debajo de cada pivote se crean

automáticamente con la elección de las operaciones de fila).

 18

Para encontrar x se requieren 28 operaciones aritméticas o “flops” (operaciones de

punto flotante), excluyendo el costo de encontrar L y U. En contraste, la reducción por filas de

[A b] a [I x] requiere de 62 operaciones.
2.6 EL MODELO DE LEONTIEF DE ENTRADA Y SALIDA
La suposición básica del modelo de Leontief de entrada y salida es que, para cada sector, hay
un vector de consumo unitario que lista los insumos necesarios por unidad de producción del
sector. Todas las unidades de entrada y salida se miden en millones de dólares, y no en
cantidades como toneladas o fanegas.

TEOREMA 11

Una fórmula para

Para satisfacer la demanda adicional de Cd, las industrias necesitarán como insumos
adicionales las cantidades de C(Cd) = C2d. Desde luego, esto crea una segunda ronda de
demanda intermedia, y cuando las industrias deciden producir aún más para satisfacer esta
nueva demanda, se genera una tercera ronda de demanda, a saber. En teoría, este proceso
podría continuar de manera indefinida, aunque en la vida real no ocurriría en una sucesión tan
rígida de acontecimientos. Podemos elaborar un diagrama de esta situación hipotética de la
siguiente forma:

Importancia económica de las entradas de

Las entradas de (I - C) ¨1 son significativas porque pueden servir para predecir cómo tendrá
que cambiar la producción x conforme cambie la demanda final d. De hecho, las entradas de la
columna j de (I - C) ¨1 son las cantidades aumentadas que los diversos sectores tendrán que
producir para satisfacer un aumento de 1 unidad en la demanda final de producción del sector
j.
2.8 SUBESPACIOS DE Rn
DEFINICIÓN

EJEMPLO 1
Si v1 y v2 están en Rn y H= Gen {v1, v2}, entonces H es un subespacio de Rn. Para comprobar
este enunciado, observe que el vector cero está en H (porque 0v1 + 0v2 es una combinación
lineal de v1 y v2). Ahora tome dos vectores arbitrarios en H, por ejemplo;
U= s1v1 +s2v2 y v= t1v1+ t2v2
Luego
u +v = (s1 + t1)v1 + (s2 + t2)v2 lo que demuestra que u+ v es una combinación lineal de v1 y
v2 y, por lo tanto, está en H. Además, para cualquier escalar c, el vector cu está en H, ya que
cu =c(s1v1+ s2v2)= (cs1)v1 + (cs2)v2.

Espacio de columnas y espacio nulo de una matriz

DEFINICIÓN

DEFINICIÓN

Cuando A tiene n columnas, las soluciones de Ax= 0 pertenecen a Rn, y el espacio nulo de A
es un subconjunto de Rn. De hecho, Nul A tiene las propiedades de un subespacio de
matrices de Rn.

Base para un subespacio

DEFINICIÓN

EJEMPLO 6 Encuentre una base para el espacio nulo de la matriz

2.9 DIMENSION Y RANGO
Sistemas coordenados La razón principal para seleccionar la base de un subespacio H, en lugar
de simplemente un conjunto generador, es que cada vector en H se puede escribir solo de una
manera como combinación lineal de los vectores de la base. Para ver por qué, suponga que B=
{b1,…, bp} es una base de H, y que un vector x en H se puede generar de dos maneras, por
ejemplo;

DEFINICIÓN

Dimensión de un subespacio
Es posible demostrar que si un subespacio H tiene una base de p vectores, entonces cualquier
base de H debe consistir en exactamente p vectores. (Véase los ejercicios 27 y 28). Por lo tanto,
la siguiente definición tiene sentido.
DEFINICIÓN
La matriz A tiene 3 columnas pivote, así que rango A= 3.

TEOREMA 14

TEOREMA 15

Rango y el teorema de la matriz invertible