1/19

TEMAS DE MATEMTICAS
(Oposiciones de Secundaria)
TEMA 18
MATRICES. ALGEBRA DE MATRICES. APLICACIONES AL CAMPO DE LAS
CIENCIAS SOCIALES Y DE LA NATURALEZA.
1. Introduccin.
2. Concepto bsicos.
2.1. Tipos de matrices.
3. M
mxn
(K) es isomorfo a L(K
m
, K
n
).
4. El Espacio Vectorial M
mxn
(K).
4.1. Suma de Matrices.
4.2. Producto de Una Matriz por un escalar.
4.3. El espacio Vectorial M
mxn
(K).
5. El Anillo M
n
(K).
5.1. Producto de Matrices.
5.2. El Anillo M
n
(K).
6. Producto de Matrices generalizado.
7. Matrices Regulares.
8. Transposicin de Matrices.
9. Matrices Simtricas y Hemisimtricas.
10. Rango de una Matriz.
11. Aplicaciones de las Matrices.
11.1. Uso de las Matrices en las Ciencias Psico-sociales.
11.2. Aplicaciones de las matrices al campo de las Ciencias.
11.3. Aplicaciones de las matrices al campo de las Ciencias Sociales y de la
Naturaleza.
Bibliografa Recomendada.
2/19
TEMA 18
MATRICES. ALGEBRA DE MATRICES. APLICACIONES AL CAMPO DE LAS
CIENCIAS SOCIALES Y DE LA NATURALEZA.
1. INTRODUCCIN.
En este tema vamos a definir el concepto de matriz y operaciones bsicas entre ellas.
Los coeficientes de las matrices consideraremos que pertenecen a un cuerpo que
denotaremos por K. Muchas de las propiedades y definiciones que aparecern en el
tema son vlidas si en lugar de trabajar con un cuerpo, lo hacemos con un anillo.
Definiremos la nocin de una matriz en relacin con la existencia de matrices
inversas. Tambin estableceremos una correspondencia entre las matrices y los
homomorfismos entre espacios vectoriales.
2. CONCEPTOS BSICOS.
DEF Una matriz con coeficientes en K es una familia de elementos de K, ( )
( ) IxJ j i
aij
,
,
siendo I y J conjuntos finitos. El elemento a
ij
de K corresponde con el elemento
(i, j)IxJ.
Si { m I ,...., 1 y ( ) n J ,...., 1 se suele denotar una matriz por
( )
n j
m i
ij
a


1
1
Si m = n
( )
n j i
ij
a
, 1
Tambin se usa la notacin

,
`

.
|
mn m m
n
n
a a a
a a a
a a a

2 1
2 22 21
1 12 11
La familia ( )
n j
ij
a
1
con i fijo se llama fila i-sima de la matriz, y la familia
( )
m i
ij
a
1
con j fijo se llama columna j-sima de la matriz.
Los elementos de cualquier fila i-sima se corresponden con un vector de K
n
.
Anlogamente, los elementos de cualquier columna j-sima se corresponden con un
vector de K
m
. Los primeros se conocen como vectores fila y los segundos como
vectores columna.
3/19
DEF Llamaremos matriz de orden m
x
n a toda matriz de forma ( )
n j
m i
ij
a


1
1 .
DEF Llamaremos M
mxn
(K) al conjunto de todas las matrices de orden mxn con
coeficientes en K. Se suelen denotar por letras maysculas, ( )
n j
m i
ij
a A


1
1 .
2.1. Tipos de Matrices.
DEF Llamaremos matriz columna a toda matriz de orden mx1.
DEF Llamaremos matriz Fila a toda matriz de orden 1xn.
DEF Llamaremos matriz Nula a aquella que tiene todos sus elementos nulos.
DEF Llamaremos matriz Cuadrada a la matriz con igual nmero de filas que de
columnas (Card(I) = Card(J).
DEF Llamaremos matriz Simtrica a toda matriz cuadrada que verifica
( ) . , IxJ j i a a
ji ij

DEF Llamaremos diagonal principal a los elementos n i a
ij
1 de una matriz
cuadrada. La diagonal secundaria est formada por los
ij
a con i + j = n + 1.
DEF Llamaremos traza de una matriz cuadrada a la suma de los elementos situados a
lo largo de la diagonal principal.
( )

n
i
ii
a A Traza
1
DEF Llamaremos matriz diagonal a toda matriz simtrica cuyos elementos situados
fuera de la diagonal principal son todos nulos.
DEF Llamaremos matriz escalar a toda matriz diagonal cuyos elementos diagonales
son todos iguales entre si.
DEF Llamaremos matriz identidad a toda matriz escalar cuyos elementos diagonales
son todos iguales a la unidad.
DEF Llamaremos matriz triangular a toda matriz cuadrada que tiene nulos todos los
elementos situados por debajo (o por encima) de la diagonal principal.
3. M
mxn
(K) ES ISOMORFO A L(K
m
, K
n
).
L(K
m
, K
n
) es el conjunto formado por todas las aplicaciones lineales f: K
m
K
n
.
Podemos definir
: M
mxn
(K) L(K
m
, K
n
)
4/19
donde AM
mxn
(K), con A = (a
ij
), (A)L(K
m
, K
n
) y
(A): K
m
K
n
viene dada por
( )( )

n
j
j ij i
e a e A
1

con {
m
e e B ,....,
1
base de K
m
, {
n
e e B ,.....,
1
base de K
n
y los ( )
n j
ij
a
1
los
elementos de la fila i-sima de la matriz A.
PROP La aplicacin definida anteriormente es biyectiva.
Dem.
es homomorfismo.
Trivial
es inyectiva.
Sea (A)(e
i
)=(A)(e
k
)

n
j
j kj
n
j
j ij
e a e a
1 1
' ' 0 ' '
1 1



n
j
j kj
n
j
j ij
e a e a

n
j
j kj ij
e a a
1
0 ' ) ( y como B es una base de K
n

{ n j a a
kj ij
,.., 1 0 { n j a a
kj ij
,.., 1
Entonces e
i
=e
k
porque sino B no sera base de K
m
es suprayectiva.
Sea fL(K
m
, K
n
) f(e
i
)K
n
y ( ) {

n
j
j ij i
m i e a e f
1
,...., 1 ya que
{
n
e e ,....,
1
es base de K
n
.
Podemos entonces considerar la matriz ( )
n j
m i
ij
a A


1
1 y es inmediato comprobar
que ( ) f A pues ( )( ) ( ) m i e f e A
i i
1 .
COROLARIO ( ) ( )
n m
mxn
K K L K M ,
Dem.
5/19
Es una consecuencia inmediata de la proposicin anterior.
Debido a que la aplicacin sea un isomorfismo, toda aplicacin lineal
fK(K
m
, K
n
) se puede escribir como la matriz asociada, fijadas las bases.
Igualmente, todo lo visto es vlido si en lugar de tener K
m
y K
n
tenemos dos
espacios vectoriales cualesquiera V y W de dimensiones m y n respectivamente.
DEF Diremos que las matrices A y B son iguales si las aplicaciones lineales f y g
asociadas a dichas matrices ((A) = f y (B) = g) respecto de las mismas bases son
iguales.
Veamos ahora que la estructura de espacio vectorial de L(K
m
, K
n
) y de anillo si
n = m las podemos trasladar de forma natural al conjunto M
mxn
(K).
4. EL ESPACIO VECTORIAL M
mxn
(K).
OBS Todo el desarrollo para L(K
m
, K
n
) sera igual si tomamos L(V, W) con V, W
K-espacios vectoriales con dim V = m y dim W = n.
4.1. Suma de Matrices.
DEF Sean A y B dos matrices de M
mxn
(K) y f y g aplicaciones lineales asociadas
respectivamente. Definimos la matriz suma, A + B, como aquella que tiene por
aplicacin asociada la suma de las aplicaciones asociadas, f + g. Es decir:
A + B =
-1
((A) + (B) (recordemos que (A) = f y (B) = g)
Si ( )
n j
m i
ij
a A


1
1 y ( )
n j
m i
ij
b B


1
1 con {
m
e e B ,....,
1
base de K
m
y {
n
e e B ,....,
1

en base de K
n
.
( )( ) ( )( ) ( )( ) ( ) ( )


+ + + +
n
j
n
j
j ij j ij i i i i i
e b e a e g e f e B e A e B A
1 1

( )

+
n
j
j ij ij
e b a
1

m i
i

1
/
Entonces ( )
n j
m i
ij ij
b a B A

+ +
1
1
PROP La operacin de suma as definida verifica las propiedades:
1) Asociativa.
2) Conmutativa.
3) Elemento Neutro.
4) Elemento Opuesto.
6/19
Dem.
Las propiedades 1 y 2 son inmediatas sin ms que tener en cuenta que K es un
cuerpo.
3) Definimos la matriz neutra para la suma como OM
mxn
(K) siendo aquella que
todos sus elementos son nulos. Es claro que su aplicacin asociada es aplicacin nula.
( ) ( ) ( ) ( ) A a O a O a O A
ij ij ij
+ + +
4) Definimos la matriz opuesta de otra dada como aquella que tiene los mismos
elementos en los mismos sitios pero cambiados de signo. Es claro que si A tiene por
aplicacin asociada a f, entonces - A tendr a - f.
( ) ( ) ( ) ( ) ( ) O O a a a a A A
ij ij ij ij
+ +
Conclusin (M
mxn
, +) es un grupo abeliano.
4.2. Producto de una matriz por un escalar.
DEF Sea A una matriz que tiene por aplicacin asociada f. Sea K un escalar.
Definimos el producto de una matriz por un escalar, A, como la matriz que tiene por
aplicacin asociada f. Es decir
( ) ( ) A A
1
Si ( )
n j
m i
ij
a A


1
1 y K
( )( ) ( )( ) ( )



n
j
n
j
j ij j ij i i
e a e a e a e A
1 1

Entonces ( )
n j
m i
ij
a A


1
1
PROP La operacin de producto por un escalar definida en M
mxn
(K) verifica las
propiedades:
1) Conmutativa.
2) PseudoAsociativa.
3) Elemento Unidad.
Dem.
Las propiedades son inmediatas.
Conclusin (M
mxn
(K),
K
) es un
7/19
4.3. El espacio vectorial M
mxn
(K).
PROP En M
mxn
(K) se verifica la propiedad distributiva del producto con respecto a la
suma.
Dem.
La comprobacin de (A + B) = A + B es inmediata.
Conclusin (M
mxn
(K), +,
K
) es un K-espacio vectorial.
Por tanto : M
mxn
(K) L(K
m
, K
n
) es un isomorfismo de espacios vectoriales.
5. EL ANILLO M
n
(K).
Ya sabemos que (M
n
(K), +) es un grupo abeliano. Definamos una segunda
operacin interna.
5.1. Producto de Matrices.
DEF Sean A y B dos matrices de M
n
(K) con f y g como aplicaciones asociadas.
Definimos la matriz producto A B como aquella que tiene por aplicacin asociada a
f g . Es decir
( ) ( ) ( ) ( ) ( ) ( ) A B B A B A
1 1

Si ( )
n j i
ij
a A

, 1
y ( )
n j i
ij
b B

, 1
con {
n
e e B ,.....,
1
base de K
n
, tenemos que
( )( ) ( ) ( ) ( )( ) ( ) ( ) ( )( ) ( ) ( )( ) ( )
i i i i
e A B e A B e B A e AB
( ) ( )( )

,
`

.
|

n
j
n
j
n
K
n
j
n
K
K jK ij K jK ij j ij
n
j
j ij
e b a e b a e B a e a B
1 1 1 1 1 1

Luego
n K i
n
j
jK ij
b a AB

,
`

.
|

, 1
1
Tengamos en cuenta que el elemento de AB que ocupa la fila i columna K se
obtiene realizando la suma de productos de los elementos de la fila i de A por la
columna K de B.
PROP La operacin producto de Matrices definida en M
n
(K) verifica las propiedades
1) Asociativa
2) Elemento Neutro.
Dem.
8/19
1) Inmediata.
2) Definimos como neutro a la matriz identidad IM
n
(K).
Es fcil comprobar que I A = A I = A AM
n
(K).
Conclusin (M
n
(K), ) es un semigrupo con unidad.
5.2. El Anillo M
m
(K).
PROP El producto de matrices verifica la propiedad distributiva respecto de la suma.
Dem.
A, B, CM
n
(K) con f, g, h aplicaciones lineales asociadas, hemos de comprobar
que A (B + C) = AB + AC y (A + B)C = AC + BC.
Y es cierto ya que sabemos que se verifica
( ) f h f g f h g + + y ( ) g h f h g f h + +
Conclusin (M
n
(K), +, ) es un anillo y ( ) ( )
n
n
K End K M
6. PRODUCTO DE MATRICES GENERALIZADO.
En el punto anterior hemos definido el producto de matrices cuadradas del mismo
orden. Podemos obtener una generalizacin de dicho producto como sigue.
Sea AM
mxn
(K) y BM
mxn
(K) y consideremos K
m
, K
n
y K
p
K-espacios
vectoriales.
Sean fK(K
m
, K
n
) y gL(K
n
, K
p
) las aplicaciones lineales asociadas a A y B
respectivamente.
{
m
e e B ,....,
1
{
n
e e B ,....,
1
y {
p
e e B ,.....,
1
las bases respectivas de
K
m
, K
n
y K
p
.
Si ( )
n j
m i
ij
a A


1
1 y ( )
p K
n j
jK
b B


1
1 entonces
( ) ( ) ( ) A B AB
( )( ) ( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )

,
`

.
|

n
j
j ij i i i
e a B e A B e A B e AB
1

( )( )



n
j
n
j
p
K
n
j
p
K
K jK ij K jK ij j ij
e b a e b a e B a
1 1 1 1 1

9/19

,
`

.
|

p
K
K
n
j
jK ij
e b a
1 1

Luego ( ) K M B A b a B A
mxp
p K
m i
n
j
jK ij

,
`

.
|

1
1
1
Y su aplicacin asociada ( ). ,
p m
K K L f g
PROP La operacin producto de matrices generalizado verifica las propiedades
1) Asociativa.
2) Elemento Neutro.
Dem.
1) Fcil.
2) Hay que tener en cuenta que hemos de elegir la matriz identidad
convenientemente para poder realizar el producto.
Si AM
mxn
(K) I
m
A = A I
n
= A
OBS Dadas dos matrices A y B, para poder realizar el producto A B debe ocurrir que
el nmero de columnas de A coincida con el de filas de B. La matriz resultante tendr
las mismas filas que A y columnas que B.
AM
mxn
(K), B(M
pxq
(K) {A BM
mxq
(K) n = p}
7. MATRICES REGULARES.
DEF Diremos que AM
n
(K) es una matriz regular, invertible o no singular si existe
BM
n
(K) tal que
A B = I
n
= B A
PROP Si AM
n
(K) es una matriz regular entonces existe una nica matriz BM
n
(K)
tal que
A B = I
n
= B A
Dem.
Sean B y B dos matrices que verifican
A B = I
n
= B A
A B = I
n
= B A
10/19
Entonces
B = B I
n
= B (A B) = (B A) B = I
n
B = B
Esta nica matriz se denomina inversa de A, y la representaremos por A
-1
.
Sea {
n
e e B ,.....,
1
en la base cannica de K
n
. Sabemos que ( ) ( ). ,
n n
n
K K L K M
Veamos ahora que las matrices regulares se corresponden con los automorfismos de
K
n
.
PROP AM
n
(K
n
) es regular su aplicacin asociada es un automorfismo en K
n
.
Dem.

Dada AM
n
(K
n
) matriz regular (A) es la aplicacin asociada de A. Como A es
regular, existe A
-1
M
n
(K
n
) siendo (A
-1
) su aplicacin asociada.
Para simplificar la escritura, llamaremos f = (A) y g = (A
-1
)
( ) ( ) ( )
n
I A A g f f g


1 1 1 1

( ) ( ) ( )
n
I A A f g g f
1 1 1 1

Y como
n
K
i es la nica aplicacin lineal de L(K
n
, K
n
) tal que ( )
n
K
n
i I , resulta
que
g f i f g
n
K

Entonces f es biyectiva y al ser lineal es un automorfismo en K
n
.

Sea fl(K
n
, K
n
) un automorfismo gL(K
n
, K
n
) tal que
f g i g f
n
K

Sea A, BM
n
(K
n
) tal que (A) = f y (B) = g
( ) ( ) ( ) ( )
n
K
I i f g g f B A
n

1 1 1 1

( ) ( ) ( ) ( )
n
K
I i g f f g A B
n

1 1 1 1

Entonces B = A
-1
y A es regular.
11/19
OBS La eleccin de la base cannica no influye en el desarrollo. Si se hubiese tomado
otra base cualquiera, el resultado seria el mismo.
DEF Sea GL
n
el conjunto formado por
( ) { regular es A K M A GL
n
n n
/
Es fcil ver que el producto de matrices es una operacin interna en GL
n
.
PROP Dadas A, BGL
n
.
(A B)
1
= B
-1
A
-1
Dem.
( ) ( ) ( )
n n
I A A A I A A B B A A B B A
1 1 1 1 1 1
( ) ( ) ( )
n n
I B B B I B B A A B B A A B


1 1 1 1 1 1
Luego ( )
1 1 1
A B AB
PROP (GL
n
, ) es un grupo.
Dem.
Por la proposicin anterior, la operacin es interna.
Existencia de Elemento Neutro.
I
n
GL
n
ya que I
n
-1
= I
n
Existencia de Elemento Inverso.
AGL
n
A
-1
/ A A
-1
= I
n
Entonces ( ) ( )
1
1 1 1
1
1

A A I A A
n
luego ( )
n
GL A A

1
1
Por tanto a
-1
GL
n
OBS Sabemos que ( )
n
n
K Ant GL , por tanto podemos afirmar que
( ) ( ) ( ). , ,
n
n
K Ant GL
8. TRASPOSICIN DE MATRICES.
DEF Sea AM
mxn
(K). Llamamos matriz traspuesta de A, y se denota por A
t
, a una
matriz que pertenece a M
mxn
(K) tal que si A = (a
ij
) y A
t
= (b
ij
), entonces b
ij
= a
ij
.
12/19
OBS La matriz traspuesta de una dada se obtiene escribiendo por columnas las filas
de la matriz inicial.
La trasposicin de matrices no es una operacin interna, pero verifica las siguientes
propiedades; de inmediata comprobacin:
1) ( )
t t t
B A B A + +
2) ( ) * K A A
t t

3) ( ) A A
t
t

4) ( )
t t t
A B B A
Si definimos : M
mxn
(K) M
mxn
(K) como (A) = A
t
podemos afirmar que
1) es Lineal.
( ) ( ) + + +
t t t
B A B A B A ( ) + A ( ) B
( ) ( )
t
A A ( ) A
2) es una involucin (
2
= I
d
) si est definida en matrices cuadradas.
Si : M
n
(K) M
n
(K)

2
(A) = ((A)) = (A
t
) = (A
t
)
t
= A = 1
id
(A)
2
= 1
id
9. MATRICES SIMTRICAS Y HEMISIMTRICAS.
DEF Diremos que una matriz A es simtrica si A = A
t
.
OBS Una matriz simtrica necesariamente debe ser cuadrada.
DEF Diremos que una matriz A es hemisimtrica o antisimtrica si A
t
= - A.
OBS Una matriz antisimtrica debe ser cuadrada y j i a a
ji ij
, luego
i a
ii
0 .
PROP Toda matriz aM
n
(K) se puede descomponer de forma nica como suma de una
matriz simtrica y otro hemisimtrica.
Dem.
Sean las matrices ( )
t
A A S +
2
1
y ( )
t
A A H
2
1
13/19
Calculemos S
t
y H
t
( ) ( ) ( ) ( ) ( ) S A A A A A A A A S
t
t
t t
t
t
t
t t
+ + +

,
`

.
|
+
2
1
2
1
2
1
2
1
Entonces H es antisimtrica.
( ) ( ) A A A A A H S
t t
+ + +
2
1
2
1
( ) ( )
t t t
A A A A A H S +
2
1
2
1
Sumando y restando
2
2
2
2
t
t
t
t
A A
H
A A
S
H A A
S A A

'

+
Y S y H son nicas, ya que la descomposicin es nica.
10. RANGO DE UNA MATRIZ.
DEF Dada una matriz AM
mxn
(K), si consideramos las n columnas como n vectores
de K
m
, definimos el rango por columnas de la matriz A como el rango del conjunto
formado por los n vectores columna.
rang
c
(A) = rang(C
1
, C
2
,..,C
n
)
Siendo C
j
= (a
ij
, a
2j
,.., a
nj
) 1 i n
DEF Dada una matriz AM
mxn
(K), si consideramos las m filas como m vectores de
K
n
, definimos el rango por filas de la matriz A como el rango del conjunto formado por
los m vectores fila.
rang
F
(A) = rang(F
1
, F
2
,, F
n
)
Siendo F
i
= (a
i1
, a
i2
,.., a
in
)
PROP Para cualquier AM
mxn
(K) se verifica
rang
c
(A) = rang
F
(A)
Dem.
Cualquier relacin de dependencia entre las columnas de la matriz A equivale a
resolver el sistema.
14/19

'

+ +
+ +

n
j n mn m
n n
j j
x a x a
x a x a
o c x
1 1 1
1 1 11
0 .......
0 .......
Si realizamos alguna modificacin en el orden de las filas seguimos obteniendo el
mismo sistema, y no alteramos el rango por columnas, ni por filas.
Supongamos que rang
F
(A) = r. Entonces m r ecuaciones dependen de r de ellas
(supondremos que son las r primeras).
El sistema

'

+ +
+ +
0 .....
... .......... .......... ..........
0 .....
1 1
1 1 11
n rn r
n n
x a x a
x a x a
tiene las mismas soluciones que el sistema inicial.
Entonces rang
c
(A) = r = rang
c

,
`

.
|
rn r
n
a a
a a
.......
.... ..........
........
1
1 11
Podemos considerar las columnas de esta ltima matriz vectores de K
r
y como
dimK
r
= r se deduce que:
Rang
c
(A) = rang
F
(A) c r
Realizando el mismo razonamiento con la matriz traspuesta como
rang
c
(A) = rang
F
(A
t
)
rang
F
(A) = rang
c
(A
t
)
obtenemos
rang
c
(A
t
) c = rang
F
(A
t
) r c
Por tanto r = c rang
c
(A) = rang
F
(A)
Al hablar de rango de una matriz no se distingue entre rango por columnas, al ser el
mismo.
OBS Si f: K
m
K
n
es la aplicacin asociada a la matriz AM
mxn
(K) se verifica
rang
F
(A) = dim Imf.
15/19
PROP Sea f: K
m
K
n
una aplicacin lineal entre espacios vectoriales, y sea
AM
mxn
(K) la matriz asociada a f respecto de bases B y B de K
m
y K
n
respectivamente. Entonces
rang(A) = rang (f)
Dem.
Sea A la matriz asociada a f respecto de las bases {
m
e e B ,.....,
1
de K
m
y
{
n
e e B ,....,
1
de K
n
.
Como las filas F
1
, F
2
,., F
m
de A son las coordenadas de los vectores f(e
1
),
f(e
2
),.., f(e
m
) en la base B, y el rango de un sistema de vectores coincide con el rango
del sistema de sus vectores coordenadas, tenemos que
rang(f) = rang(f(e
1
), f(e
2
),.., f(e
m
)) = rang (F
1
, F
2
,., F
m
) = rang (A)
PROP Sea f: K
m
K
n
una aplicacin lineal entre espacios vectoriales de dimensin
finita y A su matriz asociada. Entonces:
1) f es inyectiva rang (A) = dim (K
m
)
2) f es suprayectiva rang (A) = dim (K
n
)
Dem.
Inmediata
COROLARIO Una matriz AM
n
(K) es invertible si y solo si rang (A) = n.
Dem.
Basta recordar que A es invertible si f es biyectiva.
11. APLICACIONES DE LAS MATRICES.
Las matrices son en la actualidad una herramienta imprescindible en mltiples
ramas de la matemtica pura y aplicada (lgebra lineal, geometra, estadstica, etc) y en
otras muchas ciencias (mecnica, economa, fsica, etc). Veamos ahora diferentes
aplicaciones de las matrices.
11.1. Uso de las matrices en las ciencias Psico-Sociales.
Una posible utilizacin de las matrices en Psicologa y otras Ciencias Sociales es la
presentacin de las puntuaciones obtenidas por m personas, animales, etc, en n
caractersticas.
La fila i estara constituida por las n puntuaciones
16/19
( )
in i i
a a a ,...., ,
2 1
en las n caractersticas.
La columna j estar constituida por las m puntuaciones
( )
mj j j
a a a ,...., ,
2 1
en la caracterstica j.
La puntuacin
ij
a es la obtenida por la persona, animal, etc, i en la caracterstica j.
11.2. Aplicaciones de las Matrices al campo de las Ciencias.
Actualmente podemos encontrarnos con matrices en diversidad de campos tales
como la fsica, informtica, economa y, en general, siempre que trabajamos con un
gran nmero de datos. Estos datos se organizan y disponen en matrices para su posterior
manipulacin.
a) La principal utilidad del lgebra matricial est en al posibilidad de poder
representar, estudiar y resolver sistemas de ecuaciones con ayuda de nociones como
rango de una matriz, matriz inversa y determinante.
Un sistema de ecuaciones se puede escribir en forma matricial como
AX = B
Si la matriz A es inversible, la solucin al sistema es
X = A
-1
B
b) Dentro del anlisis, y por tanto, en una amplia gama de problemas fsicos, de
ingeniera, etc aparecen las matrices para estudiar las funciones de varias variables y
determinar sus mximo y mnimos.
Si tenemos una funcin f: 3
n
3
m
, se define su derivada por medio de una matriz
de M
mxn
(3) llamada Jacobiana y cuyos elementos son
j
i
ij
x
f
a

(derivada de la
componente i-sima respecto de la variable j-sima).
La matriz de las segundas derivadas se llama Hessiana.
Tambin se trabaja con matrices a la hora de aplicar la regla de la cadena en
funciones de varias variables. Veamos un ejemplo:
Sean las funciones g: 3
2
3
2
y f 3
2
3
3
definidas como:
G(x, y) = (xy, y
2
2) f(u, v) = (u, u
2
, u v)
17/19
Calculemos ( ) g f (1, -2) con la regla de la cadena
( ) ( )

,
`

.
|

,
`

.
|

4 0
1 2
2 , 1
2 0
, g
y
x y
y x g
( ) ( ) ( ) ( )

,
`

.
|

,
`

.
|

1 1
0 4
1 0
2 , 2 2 , 2 2 , 1
1 1
0 2
1 0
, f g como u v u f
y ( ) ( ) ( ) ( )

,
`

.
|

,
`

.
|

,
`

.
|

5 2
4 8
4 0
0
4 0
1 2
1 1
0 4
1 0
2 , 1 2 , 2 2 , 1 g f g f
con lo que hemos calculado la derivada de la composicin utilizando el producto de
matrices.
La herramienta principal para el estudio de ecuaciones diferenciales lineales es el
anlisis matricial, donde adquiere especial relevancia la llamada matriz de Jordan.
c) En la geometra, las matrices sirven para representar los movimientos y
semejanzas en el espacio, que son de vital importancia en la dinmica, cristalografa e
incluso en la teora de la relatividad. Veamos algunos ejemplos:
Ecuacin de traslacin de vector t = (a, b, c)

,
`

.
|
+

,
`

.
|

,
`

.
|

,
`

.
|
c
b
a
z
y
x
z
y
x
1 0 0
0 1 0
0 0 1

Ecuacin del giro de ngulo y eje z:

,
`

.
|

,
`

.
|

,
`

.
|
z
y
x
z
y
x
1 0 0
0 cos sen
0 sen cos

Tambin podemos estudiar mediante matrices las simetras axiales, centrales, con
deslizamientos, etc.
d) En la Estadstica tambin empleamos las matrices: matriz de datos para presentar
informacin, matriz de desviaciones, matriz de varianza-covarianza, matriz de
correlaciones,
e) En el campo de la economa, gran cantidad de situaciones competitivas que se
presentan muchas veces, pueden estudiarse con ayuda de las matrices de pago, que
informan de las ganancias o prdidas que pueden darse en determinadas situaciones.
18/19
11.3. Aplicaciones de las matrices al campo de las Ciencias Sociales y de la
Naturaleza.
a) Cadenas de Markov.
Las cadenas de Markov se pueden ver como una aplicacin de las matrices tanto a
las ciencias sociales como de la naturaleza. Se puede aplicar al estudio de la gentica
Mendeliana, por ejemplo, cuando intentamos cruzar individuos de la misma especia
pero con diferentes caracteres. Los resultados posibles a obtener los podemos
representar mediante una cadena de Markov.
DEF Definimos el espacio de estados, S, como el conjunto donde toman valores las
variables de una familia.
DEF Una sucesin de variables aleatorias {x
n
} se denomina Cadena de Markov (en
tiempo discreto con espacio de estados discretos) si
[ ] [ ]
n n n n n n o o n n
i x i x P i x i x i x P n
+ + + +
/ ,...., /
1 1 1 1
i
K
S n = presente, n + 1 = futuro, {0,., n 1} = pasado
es decir, el futuro es independiente del pasado conociendo el futuro.
Cadenas de Markov con Probabilidad de Transicin Estacionaria. Matriz de
Transicin.
A cada iS se le asocia un conjunto E
i
Hablamos de estado i S = Conjunto
de estados.
DEF Se denomina probabilidad de Transicin en n pasos a la probabilidad de pasar al
estado E
j
en un tiempo n + m sabiendo que en n estaba en el estado E
i
.
[ ] i x j x P
n m n

+
/
Esta probabilidad de transicin se denomina estacionaria si no dependen del instante
del que parte, n, si no slo del nmero de pasos, m.
En particular si n = 0
[ ] i x j x P
o m
/
en este caso se denominan a las probabilidades de transicin.
( ) m
ij
p = probabilidad de pasar del estado i al j en m pasos.
Las cadenas de Markov son las probabilidades de transicin en un paso.
La matriz de transicin en m pasos es
( ) ( )
( ) S j i p P
m
ij
m
,
19/19
Por convenio P
(0)
= I
11.4. Aplicaciones a la Teora de Grafos.
Dado un grafo es posible asociar a l matrices.
a) Matriz de Adyacencia.
Es la matriz A = (a
ij
) definida por

'

contrario caso en
v a adyacente es v si K
a
j i
ij
0
siendo K el nmero de aristas que unen el vrtice v
i
con el v
j
. AM
m
(3).
La matriz de adyacencia es muy til para decidir cuestiones de conexin, pues si A
es matriz de Adyacencia de un grafo con m vrtices don de m > 1, entonces el trmino
a
ij
de la matriz A
n
nos da el nmero de caminos de longitud n que van del vrtice v
i
al
v
j
.
b) Matriz de Incidencia.
Es la matriz M = (m
ij
) con MM
m
(3) tal que

'

contrario caso en
e arista la con incidente es v vrtice el si
m
j i
ij
0
1
Bibliografa Recomendada.
Curso de algebra y geometra. Juan de Burgos. Ed: Alhambra
Algebra lineal y geometria. Ed: Univ. de Barcelona
Algebra linea. Juan de Burgos. Ed: McGraw-Hill
Algebra lineal. F. Puerta. Ed: Univ. de Barcelona.1975
Linear Algebra. W. Greub. Ed: Springer-Verlag