Sei sulla pagina 1di 12

UNIVERSIDAD NACIONAL DE SALTA FACULTAD DE INGENIERA

Matrices
LGEBRA LINEAL Y GEOMETRA ANALTICA

Adriana Zamar 2009

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

Introduccin Los fundadores de la teora de matrices fueron Lord Cayley y Sylvester, a este ltimo se le debe el acuamiento del trmino matriz. Una de las utilidades de este tema es, por ejemplo, el diseo asistido por computador (CAD y CCM) adoptado por la Ford a principios de 1970 para la industria del automvil. Antes de construir un nuevo modelo de automvil, se realiza una construccin y un diseo matemtico del mismo. Se utiliza el modelo denominado de alambre donde se almacena en muchas matrices de datos para cada componente principal del automvil. Cada columna de una matriz enumera las coordenadas de un punto sobre la superficie del componente (por ejemplo los dobleces necesarios para producir la carrocera). Las dems columnas describen cules puntos se deben conectar con curvas. Las piezas individuales del interior del automvil tambin se almacenan como matrices de datos. Ver ms detenidamente, en pgina 97, lgebra Lineal y sus aplicaciones de D. Lay. Nuestra capacidad para resolver ecuaciones aumentar considerablemente cuando podamos realizar operaciones algebraicas con matrices. Definicin: Una matriz de tamao (en algunos libros de dimensin o de orden) m x n (m, n ) es un cuadro (tabla o arreglo) de m. n nmeros A filas y n columnas.
ij

(1 i m, 1 j n) dispuestos en m

a11 a12 a 22 a A = 21 ... ... a m1 a m2

a1n ... a 2n = ( A i j )m x n = ( A i j ) ... ... ... a mn ...

Podemos definir una matriz ya sea por comprensin, es decir, se coloca una frmula como el elemento genrico indicando su tamao; o bien definirla por extensin donde pongo todos los elementos de la matriz. Ejemplo:
9 Por comprensin:

B = (b i j ) = (2 i + j) 3 x 2
9 Por extensin:

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

b11 b12 3 4 B = b21 b22 = 5 6 b 31 b32 7 8 La letra mayscula indica que se trata de una matriz y la letra minscula con doble subndice indica los elementos de la matriz, pero tambin puedo poner un solo subndice en los casos en que la matriz tiene una sola fila o una sola columna, y se indica con subndice en el caso de una fila y suprandice en el de una columna.
Vector fila = A i = (a
i1

i2

in)

a 1j a2 j ( j) Vector columna = A = M a m j

Se pone (j), con parntesis, para evitar confusin de que no se trata de una potencia. m x n = {matrices reales de tamao m x n} Actividad 1: Encuentra por extensin la siguiente matriz dada por comprensin: A = (2 i 3 j) 3 x 2
Igualdad

Sean A, B m x n, pido que las dos matrices tengan el mismo tamao.

A=B

Ai j = B i j

1 i m ;1 j n

Nota: El smbolo significa equivale. Ejemplo:

1 1 1 1

0 (1 2) no son iguales por el tamao 2 1 1 1 no son iguales por el orden 0 0 1 1 1 1 1 1 0 = son iguales en tamao, elemento y orden 1 0

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

Operaciones Adicin de matrices:

Definicin: Sean A, B m x n de define A + B m x n as:

(A + B)

ij

= Ai j +Bi j

1 i m ;1 j n

De la definicin anterior podemos inferir que para sumar dos matrices A y B dadas deben tener el mismo orden, Ejemplo:

a b e f a + e b + f c d + = g h c + g d + h

1 3 4 3 1 5 Actividad 2: calcula la siguiente suma de matrices: 2 0 1 + 3 2 1 Nota: si las matrices no tienen igual tamao la operacin no se puede realizar.
Propiedades: Salvo que se indique lo contrario siempre se cumple para toda matriz.

A1: Ley de Cierre: se cumple por la definicin de matrices: A, B m x n , A + B m x n La suma de dos matrices del mismo orden me da como resultado otra matriz del mismo orden que las primeras. A2: Ley Conmutativa: A + B = B + A En efecto: ( A + B ) i j = A i j + B i j = B i j + A i j = (B + A) i j A + B = B + A Se prueba gracias a la igualdad de matrices, Se deben tener en cuenta el tamao y el orden. Los paquetes o bolsas A + B y B + A no slo tienen el mismo tamao sino que tiene iguales elementos A3: Ley Asociativa: (A + B) + C = A + (B + C) = A + B + C
(( A + B) + C) i j = ( A + B) i j + C i j = A i j + B i j + C i j = A i j + (B i j + C i j ) = A i j + (B + C) i j = = ( A + (B + C)) i j ( A + B) + C = A + (B + C)
en
en

A4: matriz Nula: = (0) m x n tal que : A + = + A = A

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

La matriz nula tiene todos sus elementos ceros y toma el tamao de la matriz, en este caso de A. A5: Matriz Opuesta A = ( A i j ), A = ( A i j ) tal que : A + ( A) = ( A) + A = Si a una matriz le sumo su opuesta, es lo mismo que a su opuesta le sume la matriz, en ambos casos me tiene que dar la matriz nula. Observacin. La matriz opuesta no es la matriz negativa, simplemente que a la matriz original se le cambian los signos de todos los elementos.

Producto por escalar

Sea A m x n y k , la matriz k A se define as:

(kA ) i j = k A i j

1 i m;

1 j n

El producto de un escalar por una matriz modifica el valor de cada uno de los elementos de ella, es decir se realiza el producto de k por cada elemento a i j. Ejemplo:
a1 a 2 kA = k b b 2 1 a3 ka1 ka 2 = b3 kb1 kb2 ka3 kb3

Propiedades

M1: Ley de Cierre: A m x n y k , k A m x n Se demuestra por la definicin. Al multiplicar un escalar por una matriz A dada no se altera el orden de la matriz resultante. M2: Leyes Distributivas k (A + B) = k A + k B (k + h) A = k A + h A

M3: Asociativa Mixta: h. (k A) = (h. k) A Se llama asociativa porque a una matriz A la multiplico por un escalar, entonces vuelvo a obtener otra matriz k A y puedo volver a multiplicarla por otro nmero. Es mixta porque estoy mezclando productos, en el primer miembro, el producto es un escalar

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

por una matriz, en el segundo miembro, el producto es entre dos nmeros y luego por una matriz. Se podra mezclar M2 con M3 y tener una Ley Distributiva Generalizada, es decir: (h + k) (A + B) = h (A + B) + k (A + B) = h A + h B + k A + k B M4: Existencia del elemento neutro: 1 A = A Se multiplica a la matriz A por el nmero uno, no es la matriz unidad. Luego m x n con las propiedades A1,, A5, M1,, M4 tiene estructura de Espacio Vectorial y a sus elementos se los llama vectores.

Matriz Traspuesta
T

: mxn mxn A AT 1 i m; 1 j n

Definida as: (A I j) T = A j i Ejemplo:


a b A = c d e f
Propiedades:

a c AT = b d

e f

T1: (A + B) T = A T + B T T2: (k A) T = k A T De T1 y T2 se deduce: (k A + h B) T = k A T + h B T Se llama propiedad lineal porque combino las dos operaciones (suma y producto) entonces k A + h B es una Combinacin Lineal (C. L.) T3: AT
T

=A

T4: (A. B) T = B T A T

Producto de Matrices

Si A mxn y B nxp entonces : Ai B ( j ) = a i 1 b1 j + a i 2 b2 j + ... + a in bnj y por definicin

(A B )ij

= Ai / B ( j )

con 1 i m

1 j p

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

O bien: ( A B ) ij =

a
k =1

ik

bkj

Propiedades

P1: Asociativa: (A B) C = A (B C) = A B C P2: Distributivas: (A + B) C = A C + B C A (B + C) = A B + A C P3: Asociativa Mixta: h ( k A) = (h k) A De P2 y P3 se deduce que:


(h A + k B) C = (h A) C + (k B) C = h A C + k B C lineal en el 1 factor A (a B + b C) = A (a B) + A (b C) = a A B + b A C lineal en el 2 factor

Luego el producto de matrices es bilineal As, el espacio vectorial n x n(matrices cuadradas) tiene un producto A n x n B n x n n x n que es bilineal y por ello n x n es un lgebra.

Matrices conmutables o Permutables

Dos matrices se dicen conmutables s y slo s A B = B A. Las matrices, en general, no cumplen la conmutatividad ya que podra pasar que:

A3 x 2 B2 x1 = C 3 x1 B2 x1 A3 x 2 imposible
O bien que se puedan realizar ambos productos pero llegar a un resultado con distinto tamao, por ejemplos: ( A
3x2

.B

2x3 ) 3x3

(B

2x3

.A

3x 2 ) 2x 2

Pero hay matrices que son conmutables (A


mxn

.B

qxp ) mxp

= (B

qxp

.A

mxn ) qxn

Para poder multiplicar el primer miembro: n = q, el tamao del producto es de m x p Para poder multiplicar el segundo miembro: p = m, el tamao del producto es de q x n. Entonces: m = q = n = p Luego A . B = B . A exige que A y B sean cuadradas del mismo tamao, es condicin necesaria pero no suficiente, ya que por ejemplo:

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

1 0 0 1

1 0 1 1 = 1 1 0 1 1 1 1 0 = 0 0 1 1

1 0 1 1

vemos que el resultado es diferente, con lo cual matrices

cuadradas y del mismo tamao no tienen porque ser conmutables.

Matriz Unidad

I n = I nxn

1 0 = M 0 =A

0 0 K 0 1 0 K 0 = ( ij ) M M O M 0 0 K 1

nxn

1 si i = j donde ij = 0 si i j

Propiedades 1) A
mxn . I n

2) I n . A 3) I n . A

mxn = nxn =

A A
nxn . I n

=A

As. n x n = Mn () es un lgebra con unidad I bilateral tal que: A. I = I A = A


Inversa en n x n

Sea A nxn diremos que B nxn es inversa de A si: A B = B A = I Unicidad de la inversa Sean B y C inversas de A, o sea: AB=BA=I AC=CA=I (&) ($)

B = B I = B ( A C) = (B A) C = I C = C B = C As, si existe inversa, sta es nica y la denotaremos como A-1.


Propiedades:

1: (A + B) 1 = A 1 + B 1 2: (k A) 1 = k A 1 De T1 y T2 se deduce: (k A + h B) 1 = k A 1 + h B 1 Se llama propiedad lineal porque combino las dos operaciones (suma y producto) entonces k A + h B es una Combinacin Lineal (C. L.) 3: A 1
1

=A

4: (A . B) 1= B 1 A 1

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

Ejemplo: Vamos a calcular la inversa por definicin: 2 1 -1 Dada A = 1 1 si es inversible, calcula A .


A. A-1 = A-1. A = I

x Como la inversa no la conocemos, entonces: A 1 = s


2 1 x 1 1 s y 1 0 = t 0 1

y como A. A-1 = I t
2 x + s = 1 x + s = 0 2y + t = 0 y + t = 1

2 x + s 2y + t 1 0 = x +s y +t 0 1

Se llega a un sistema de 4 ecuaciones con 4 incgnitas, parece grande pero no, si observamos, vemos que se pueden separar en dos subsistemas. Ponindolos en forma de matriz: 2 1 2 1 1 M 1 1 M 0 1 M 0 1 M 1

Observamos que en el primer bloque se repiten los coeficientes de ambos subsistemas, a eso lo denominamos Matriz del Sistema, pero el segundo bloque representa las incgnitas. Nos podemos desligar de las incgnitas y ponerles cualquier cosa, entonces podramos escribir eso como un cuadro, o sea podramos tomar la matriz ampliada: 2 1 M 1 0 1 1 M 0 1 (&) Donde el primer bloque representa la matriz de coeficientes y el segundo bloque la matriz identidad. Para poder operar necesito de ciertas operaciones que no cambien el sistema, para ello veamos las operaciones elementales.
Operaciones Elementales:

O. E. 1: Intercambio de dos filas distintas entre s. O. E. 2: Multiplicacin de una fila por un escalar no nulo. O. E. 3: Sumar a una fila un mltiplo de otra.

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

De esa manera, con estas operaciones llegaremos, a travs de Gauss Jordan, a obtener en el primer bloque la matriz identidad y en el segundo las incgnitas, de esta manera aparece automticamente la inversa de la matriz A del sistema. Ejemplo:

a1 x + a 2 y = p b1 x + b2 y = q
Ponemos el sistema en forma matricial y vemos como se aplican las operaciones elementales. a1 a 2 b b 2 1 a1 b 1 a1 b 1 a2 b2 a2 b2 p b1 b2 O.E .1 b a a q 2 1 p q
xk

q p

ka1 ka 2 kp O.E .2 b b2 q 1 p a2 a1 O.E .3 h q b1 + ha1 b2 + ha 2

p q + hp

Volviendo a (&) 2 1 M 1 0 1 1 M 0 1 le sumo a la segunda fila la primera multiplicada por (O. E.3) 2 0 1 M 1 0 a la segunda fila la multiplico por 2 (O. E.2) 1 1 1 M 2 2 2 0 M 2 2 0 1 M 1 2

2 1 M 1 0 0 1 M 1 2 A la primera fila le resto la segunda

Como necesito tener todas las variables despejadas, es decir que el primer bloque se convierta en la matriz unidad, entonces multiplico a la primera fila por . 1 0 M 1 1 0 1 M 1 2 Obtuvimos en el primer bloque la matriz I, entonces el segundo bloque es la inversa, vamos a verificar: 1 1 2 1 1 0 A 1 A = 1 2 = =I 1 1 0 1 Esto nos muestra que hemos trabajado bien ya que efectivamente encontramos la inversa de A, y adems es nica, usando el esquema: [A M I ] Cmo nos damos cuenta de que no hay inversa?
O.E .

[I

M A]

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

1 1 1 1 M 1 0 Supongamos A = 1 1 si ponemos la matriz ampliada: 1 1 M 0 1 a la segunda 1 1 M 1 0 fila le restamos la primera fila, entonces: 0 0 M 1 1 Podemos ver que la ltima ecuacin, viendo el primer subsistema, es: 0 x + 0 s = 1, es decir, 0 = 1 lo que es imposible. Lo mismo ocurre si es el segundo subsistema: 0 y + 0 t = 1; con lo cual el sistema no tiene solucin.

Matrices Especiales

Sea A n x n definimos: A es idempotente A2 = A A es involutiva A = I Nota: la matriz A coincide con su inversa, es decir: A1 = A A es nilpotente A k = 0 para algn k , donde k = ndice de nilpotencia. A es ortogonal A T A = A A T = I A es simtrica A T = A a j i = a i j (los elementos con respecto a la diagonal principal deben ser iguales) a11 b b a 22 c K M c K K O K (A1 = AT)

K K K L O a nm

A es antisimtrica A T = A a ji = a ij aii= a ii aII= 0

b c 0 Por ejemplo si A es de 3 x 3: b 0 d c d 0 A es Triangular superior i > j a I j = 0 (debajo de la diagonal principal hay ceros). A es Triangular inferior i < j a I j = 0 (arriba de la diagonal principal hay ceros).
Definiciones:

Dada A m x n, podemos expresar la matriz de la siguiente manera:


A1 A2 = A= M A m

A (1) A ( 2 ) K A (n )

Facultad de ingeniera - UNSa Ctedra: lgebra Lineal y Geometra Analtica MSc. Adriana Zamar

Espacio fila de A = E f (A) = <A1, A2,, A m> n dim E f (A) = rf (A) = rango fila de A Espacio columna de A = E c (A) = <A(1), A (2),, A (n)> m dim E c (A) = rc (A) = rango columna de A
Teorema: (sin demostracin)

rf (A) = = rc (A)

Definicin: rf (A) = = rc (A) = r (A) = rango de A

0 1 2 0 1 2 0 1 2 Ejemplo: 2 0 1 0 4 1 0 4 1 1 2 3 0 4 3 0 0 16

rf = 3 y

rc = 3

Teorema de Rouch Frobenius:

El sistema A X = b es compatibles s, y slo s, r (A) = r (A b)

Donde (A b) es la matriz ampliada del sistema. Si es compatible la dimensin de la Variedad Solucin es n r (A) donde A m x n. Si tiene solucin nica entonces: r(A) = n

Bibliografa: 9 Apostol, Tom. Calculus. Ed. Reverte. 9 Ayres, Frank Jr. (1969). Matrices. Serie de compendios Schaum. Mxico. 9 Barbolla R.- Sanz Paloma.(1998)lgebra Lineal y Teora de Matrices. Prentice Hall.

Madrid. Espaa:
9 Burgos Roman, Juan de (1996) lgebra Lineal. Mc Graw-Hill. Madrid. 9 Burgos Roman, Juan de. (1977).Curso de lgebra y Geometra. Alambra. Madrid. 9 Grosman, Stanley. lgebra Lineal. Grupo Ed. Latinoamericano 9 Hoffman,K.; Kunze,R.(1973).lgebra Lineal. Editorial Prentice Hall 9 Howard Antn. (1994) Introduccin al lgebra Lineal. LIMUSA. Mjico 9 Lipschutz, Seymour. lgebra Lineal. Serie Schaum. 9 Nakos,G. Joyner,D.(2002). lgebra Lineal con aplicaciones. Thomson. Mjico.

Potrebbero piacerti anche