Vous êtes sur la page 1sur 132

Matrices

Prof. Ivan Huerta

Revisado, Segundo Semestre de 2009


Operaciones matriciales Matrices

Matrices

Recordemos que una matriz de m × n define a una función F : Rn → Rm

F (~
x) = A~
x = x1~
a1 + x2~ a n ∈ Rm
a3 + . . . + xn~

Con los vectores ~ai ∈ Rm fijos, variamos los coeficientes xi de ~x ∈ Rn para


obtener diferentes combinaciones lineales.

1
Operaciones matriciales Matrices

Ejemplo 1.

       
1 2   1 2 x1 + 2x2
x1
y x= 3 4 
~ = A~ = x1  3  + x2  4  =  3x1 + 4x2 
x2
5 6 5 6 5x1 + 6x2

A transforma vectores de R2 en vectores en R3

Entonces resolver el sistema

x1 + 2x2 = b1
3x1 + 4x2 = b2
5x1 + 6x2 = b3

Es equivalente a determinar el vector ~x tal que A~x = ~b

2
Operaciones matriciales Matrices

Ejemplo 2.
 
  x1      
2 −1 5  x2  = x1 2 + x2 −1 + x3 5
~y = A~x =
1 2 3 1 2 3
x3
 
2x1 − x2 + 5x3
=
x1 + 2x2 + 3x3

A transforma vectores de R3 en vectores en R2

3
Operaciones matriciales Matrices

Proposición 1. Sean A, B matrices de m × n. Entonces

A~
x = B~
x x ∈ Rn ⇔ A = B
∀~

Demostración:

Sea A = [~a1 · · · ~an], B = [~b1 · · · ~bn]. (~ai, ~bi columna i de A, B).

(⇐) Es claro que si A = B entonces ~ai = ~bi y por lo tanto

A~x = x1~a1 + x2~a2 + . . . + xn~an


= x1~b1 + x2~b2 + . . . + xn~bn
= Bx

para ~x ∈ Rn.

4
Operaciones matriciales Matrices

(⇒) Supongamos que A~x = B~x para ~x ∈ Rn.


 
0
 0 
 . 
 . 
 
Tomando ~x = êi =  1  ← (i − ésimo) obtenemos que Aêi = Bêi,
 . 
 . 
 
 0 
0
pero

Aêi = 0 · ~a1 + 0 · ~a2 + · · · + 1 · ~ai + · · · 0 · ~an = ~ai


Bêi = 0 · ~b1 + 0 · ~b2 + · · · + 1 · ~bi + · · · + 0 · ~bn = ~bi

y por lo tanto ~ai = ~bi, i = 1, 2, . . . , n En consecuencia A = B.

5
Operaciones matriciales Matrices

Definición 1. Una función F : Rn → Rm se dice que es una


transformación lineal si

i) F (~x + ~y ) = F (~x) + F (~y )


ii) F (α~x) = αF (~x)

i), ii) son equivalentes a iii)


iii) F (α~x + β~
y ) = αF (~
x) + βF (~
y)

i), ii) implica iii) pues

(por i))
F (α~x + β~y ) = F (α~x) + F (β~y )
(por ii))
= αF (~x) + βF (~y )

Además iii) implica i), ii) (tomamos α = 1, β = 1 y luego β = 0).

6
Operaciones matriciales Matrices

Aplicando sucesivas veces iii) obtenemos

F (α~x + β~y + γ~z) = F (α~x) + F (β~y + γ~z)


= αF (~x) + βF (~y ) + γF (~z)

Por inducción obtenemos que

k
X k
X
iv) F( αi u
~ i) = αiF (~
ui), k≥1
i=1 i=1
Note que con k = 2, iv) es la propiedad iii).

Entonces i) ii) ⇔ iii) ⇔ iv)

7
Operaciones matriciales Matrices

Esta es la clave:

• La imagen de una combinación lineal es la combinación lineal de las


imágenes

• Para transformaciones lineales es posible determinar F (~x) para ~x ∈


h~u1, ~u2, . . . , ~uk i sólo conociendo F (~ui), i = 1, 2, . . . , k

Proposición 2. Si A matriz de m × n, entonces F : Rn → Rm definida


por F (~x) = A~x es una transformación lineal.

Demostración:

A(α~x + β~y ) = (αx1 + βy1)~a1 + (αx2 + βy2)~a2 + · · · + (αxn + βyn)~an


= αx1~a1 + βy1~a1 + αx2~a2 + βy2~a2 + · · · + αxn~an + βyn~an
= α(x1~a1 + x2~a2 + · · · + xn~an) + β(y1~a1 + y2~a2 + · · · + yn~an)
= αA(~x) + βA(~y )

8
Operaciones matriciales Matrices

Teorema 1. F : Rn → Rm es una transformación lineal sii existe una


matriz A de m × n tal que F (x) = Ax.

La matriz que representa a la transformación lineal F es única y es

A = [F (ê1) F (ê2) · · · F (ên)]

La columna i-ésima de A es F (êi) donde êi es el vector canónico i-ésimo


Demostración: Si F es una transformación lineal entonces

Xn n
X
F (~x) = F ( xiêi) = xiF (êi)
i=1 i=1
= [F (ê1) F (ê2) · · · F (ên)] ~x
= A~x

La unicidad de A viene de la Proposición 1)

9
Operaciones matriciales Matrices

• Una gran cantidad de propiedades de las matrices están ı́ntimamente


relacionadas al hecho que F (x) = Ax es una transformación lineal.

• Por otra parte, funciones que son transformaciones lineales se representan


convenientemente mediante matrices.

• Por ejemplo, rotaciones, proyecciones, reflexiones son transformaciones


lineales. y tendremos matrices de rotación, proyección y reflexión cuando
ellas correspondan a cada uno de este tipo de transformaciones.

10
Operaciones matriciales Matrices

Ejemplo 3. La rotación en una ángulo α en el sentido contrahorario


en el plano es una transformación lineal

R(x+y)=R(x)+R(y)
4

x+y
3

R(x) R(y) x
2

1 y

–1 1 2 3

11
Operaciones matriciales Matrices

R(a x)=a R(x)


3.5

2.5
R(x)
2

1.5 ax

1 x
0.5

0 0.5 1 1.5 2 2.5 3

12
Operaciones matriciales Matrices

Entonces
      
x 1 0
R = R x +y
y 0 1
   
1 0
= xR + yR
0 1
   
cos(α) − sin(α)
= x +y
sin(α) cos(α)
  
cos(α) − sin(α) x
=
sin(α) cos(α) y

La matriz de rotación en ángulo α en el sentido contrahorario es


entonces  
cos(α) − sin(α)
R=
sin(α) cos(α)

13
Transformaciones Lineales Matrices

Linealidad y Ker(A)

Recordemos que Ker(A) = {~x ∈ Rn : A~x = ~0}

Usamos que A es una T.L para demostrar algunas propiedades de Ker(A)

Proposición 3. Sea A matriz, entonces

a) ~0 ∈ Ker(A)

b) Ker(A) es ”cerrado” bajo combinaciones lineales. Es decir


X
~ i ∈ Ker(A), αi ∈ R ⇒
u ~ i ∈ Ker(A)
xi u
i

14
Transformaciones Lineales Matrices

Demostración:

a) Como A(α~x) = αA(~x),tomando α = 0 obtenemos que A(~0) = ~0

b) ~ui ∈ Ker(A) implica A(~ui) = ~0 y por lo tanto


X X X
A( xi~ui) = xiA(~ui) = αi · ~0 = ~0
i i i

15
Transformaciones Lineales Matrices

Teorema 2. La solución general un sistema consistente A~x = ~b es

~
xg = ~
xp + Ker(A)

donde ~xp es una solución particular de A~x = ~b (fija pero arbitraria).

Demostración:

Sea S = {~x ∈ Rn : A~x = ~b}.

Como el sistema es consistente S es no vacı́o.

Sea A~xp = ~b (solución particular fija pero arbitraria)

Si A~x = ~b, entonces A(~x − ~xp) = A(~x) − A(~xp) = ~b − ~b = ~0.

Entonces ~xh = ~x − ~xp ∈ Ker(A).

Por lo tanto ~x = ~xp + ~xh donde ~xh ∈ Ker(A). (*)Ası́, ~x ∈ ~xp + Ker(A).

16
Transformaciones Lineales Matrices

Hemos demostrado que S ⊂ ~xp + Ker(A)

Por otra parte si ~x ∈ ~xp +Ker(A), entonces ~x = ~xp +~xh, con ~xh ∈ Ker(A).

Entonces A(~x) = A(~xp + ~xh) = A(~xp) + A(~b) = ~b + ~0 = ~b.

Por lo tanto ~xp + Ker(A) ⊂ A. (**)

Por (*) y (**), {~x ∈ Rn : A~x = ~b} = ~xp + Ker(A)

17
Transformaciones Lineales Matrices

Imágenes de Conjuntos
Definición 2. Sea A matriz de m × n. La imagen de S ⊂ Rn bajo A es

A(S) = {A~
x: x ∈ S}
~

En particular se define la Imagen de A como:

Im(A) = A(Rn) = {A~ x ∈ Rn }


x: ~

Proposición 4. Si A = [~a1 ~a2 · · · ~an] es una matriz con columnas ~ai, entonces

Im(A) = h~
a1 , ~ ani
a2, . . . , ~

Demostración: Es consecuencia inmediata de la definición A~x = x1~a1 +


x2~a2 + · · · + xn~an.

18
Transformaciones Lineales Matrices

Note que
S ⊂ Rn =⇒ A(S) ⊂ Rm
Nos interesa ver como son transformados planos, rectas, segmentos, etc..
bajo A.

La idea general es: expresar el conjunto como combinaciones lineales


de vectores (ya sean positivas o convexas)y luego aplicar la propiedad de
transformación lineal

Proposición 5. A(P Q) = A(P )A(Q). Es decir, la imagen de un segmento


bajo una matriz A es otro segmento.

Demostración: Sea ~x ∈ P Q, entonces ~x = αP +βQ, con α+β = 1, α, β ≥ 0.


Por lo tanto

A~x = A(αP + βQ)


= αA(P ) + βA(Q).

19
Transformaciones Lineales Matrices

Es decir, A~x es una combinación convexa de A(P ), A(Q). y A(P Q) ⊂


A(P )A(Q) = T .

Ahora, si ~y ∈ A(P )A(Q), entonces ~y = αA(P ) + βA(Q), con α + β = 1,


α, β ≥ 0.

Como ~y = αA(P ) + βA(Q) = A(αP + βQ) ∈ A(P Q), tenemos que


A(P )A(Q) ⊂ A(P Q).

Hemos demostrado que A(P )A(Q) = A(P Q)

20
Transformaciones Lineales Matrices

     
1 0 1 2
Ejemplo 4. Si P = , Q= , entonces la matriz A = ,
2 1 −1 1
transforma el segmento P Q en el segmento RS, donde
    
~ = A P~ = 1 2 1 5
R =
−1 1 2 1
    
~ ~ = 1 2 0 2
S = AQ =
−1 1 1 1

21
Transformaciones Lineales Matrices

Ejemplo 5. Demuestre que la imagen del plano Π : x1 + x2 + x3 = 1 bajo

 
1 2 −1
A= 0 1 1 
−1 −1 0

es otro plano y determine su ecuación cartesiana.

Solución: Tomando como variables libres a x2, x3 y como variable básica a


x1, obtenemos que los puntos del plano son de la forma

         
x1 1 − x2 − x3 1 −1 −1
 x2  =  x2  =  0  + x2  1  + x3  0 
x3 x3 0 0 1

22
Transformaciones Lineales Matrices

Aplicando que A tiene la propiedad lineal obtenemos que


     
1 −1 −1
~y = A~x = A  0  + x2  1  + x3  0 
0 0 1
     
1 −1 −1
= A  0  + x2 A  1  + x3 A  0 
0 0 1
     
1 1 −2
=  0  + x2  1  + x3  1  (∗)
−1 0 1

Entonces la imagen del plano Π bajo A es el plano


     
1 1 −2
A(Π) =  0  + <  1  ,  1  >
−1 0 1

23
Transformaciones Lineales Matrices

Igualando componentes en (*) obtenemos que ~y = A~x es equivalente a

y1 = 1 + x2 − 2x3
y2 = x2 + x3
y3 = x3

Eliminamos x2, x3. Para ello resolvemos x2, x3 de las últimas dos ecuaciones
y reemplazamos en la primera, para obtener

y1 = 1 + y2 − 3y3

que es la ecuación cartesiana del plano A(Π).

Proposición 6. Si S = ~x0+ < ~u1, ~u2, . . . , ~uk > entonces

A(S) = A~
x0+ < A~
u1, A~
u2, . . . , A~
uk >

24
Transformaciones Lineales Matrices

Caso particular: para ~x0 = ~0 obtenemos

A(< u
~ 1, u
~ 2, . . . , u
~ k >) =< A~
u1, A~
u2, . . . , A~
uk >

La imagen de un conjunto generado es el conjunto generado


por las imágenes de los generadores.
Demostración: Sea T = A~x0+ < A~u1, A~u2, . . . , A~uk >.

Debemos demostrar que T = A(S).

Sea ~x ∈ S.
Pk
Por lo tanto ~x = ~x0 + −i=1 αi~
ui,

25
Transformaciones Lineales Matrices

y entonces

k
X
A~x = A(~x0 + αi~ui)
−i=1
k
X
= A(~x0) + αiA~ui ∈ T
i=1

Por lo tanto, A(S) ⊂ T .

Similarmente si ~y ∈ T , entonces

k
X k
X
~y = A(~x0) + αiA~ui = A(~x0 + αi~ui) ∈ A(S)
−i=1 −i=1

. Por lo tanto T ⊂ A(S).Hemos demostrado que A = T (S).

26
Transformaciones Lineales Matrices

En general, cuando las columnas de A son li, es decir A~x = ~0 ⇒ ~x = ~0,


la imagen bajo A de

• una recta es una recta


• un hiperplano es un hiperplano
• un triángulo es un triángulo
• un cono es un cono
• un poliedro es un poliedro
• etc...

Cuando las columnas de A son l.d, al calcular la imagen de un conjunto es


posible (pero no siempre) que se pierdan ”dimensiones”. Por ejemplo es
posible que la imagen de un plano sea una recta. Este tema lo veremos en
detalle más adelante

27
Transformaciones Lineales Matrices

Ejemplo 6. Demuestre que la imagen del plano Π : x1 + 2x2 + x3 = 1


bajo
 
1 2 1
A =  2 −1 1
 

3 1 2

es una recta y determine su ecuación cartesiana.

Solución: Tomando como variables libres a x2, x3 y como variable básica a


x1, obtenemos que los puntos del plano son de la forma

         
x1 1 − 2x2 − x3 1 −2 −1
 x2  =  x2  =  0  + x2  1  + x3  0 
x3 x3 0 0 1

28
Transformaciones Lineales Matrices

Aplicando que A es una transformación lineal obtenemos que

     
1 −2 −1
~y = A~x = A  0  + x2  1  + x3  0 
0 0 1
     
1 −2 −1
= A  0  + x2 A  1  + x3 A  0 
0 0 1
     
1 0 0
=  2  + x2  −5  + x3  1 
3 −5 1
   
1 0
=  2  + (−5x2 + x3)  1  (∗)
3 1

29
Transformaciones Lineales Matrices

Entonces la imagen del plano Π bajo A es la recta


   
1 0
A(Π) =  2  + h 1 i
3 1

Las ecuaciones paramétricas de la recta son ( t ∈ R)

y1 = 1
y2 = 2 + t
y3 = 3 + t

Eliminando t, obtenemos y1 = 1, y2 − 2 = y3 − 3 que constituyen ecuaciones


cartesianas (intersección de planos) para la recta.

30
Operaciones Matriciales Matrices

Operaciones Matriciales

Definición 3. Si F, G : Rn → Rm entonces las funciones producto por


escalar y suma αF, F + G : Rn → Rm están definidas por

def
(F + G)(~x) = F (~x) + G(~x)
def
(αF )(~x) = α F (~x)

Si G : Rn → Rp. F : Rp → Rm entonces la composición F ◦ G está


definida por
def
(F ◦ G)(~
x) = F (G(~
x))

Nos interesa caraterizar F + G, αF , F ◦ G cuando F, G son TL’s, es decir


cuando F (x) = Ax, G(x) = Bx, donde A, B son matrices.

31
Operaciones Matriciales Matrices

Teorema 3.
i) Si F, G : Rn → Rm son transformaciones lineales entonces F + G, αF :
Rn → Rm son transformaciones lineales

ii) Si G : Rn → Rp, F : Rp → Rm son transformaciones lineales entonces


F ◦ G : Rn → Rm es una transformación lineal

Demostración: La dem de i) queda propuesta como ejercicio. Demostramos


ii).

(F ◦ G)(α~x + β~y ) = F (G(α~x + β~y ))


= F (αG(~x) + βG(~y ))
= αF (G(~x)) + βF (G(~y ))
= α(F ◦ G)(~x) + β(F ◦ G)(~y )

Entonces, F ◦ G es TL.

32
Operaciones Matriciales Matrices

Dado que las transformaciones lineales de Rn en Rm son matrices, estas


proposiciones implican que:

Para matrices dadas A,B tales que la suma o la composición esté


definida,
• existe una única matrix C tal que C~x = A~x + B~x para todo ~x

• existe una única matrix D tal que D~x = A(B~x) para todo ~x

33
Operaciones Matriciales Matrices

Suma de Matrices

La suma de funciones está definida sólo cuando ellas tienen el mismo


dominio y mismo recorrido.

Sean A, B : Rn → Rm matrices de m × n. A = [~a1 ~a2 . . . ~an], ~ai columna


i-ésima de A B = [~b1 ~b2 . . . ~bn], ~bi columna i-ésima de A

A~x + B~x = (x1~a1 + x2~a2 + · · · + xn~an) + (x1~b1 + x2~b2 + · · · + xn~bn)


= x1(~a1 + ~b1) + x2(~a2 + ~b2) + · · · + xn(~an + ~bn)
= [~a1 + ~b1 ~a2 + ~b2 · · · ~an + ~bn]~x
= C~x

donde C = [~a1 + ~b1 ~a2 + ~b2 · · · ~an + ~bn]

34
Operaciones Matriciales Matrices

Definición 4. Sean matrices de m × n entonces

def
A + B = [~a1 + ~b1 ~
a2 + ~b2 · · · ~
an + ~bn]

es la única matriz C tal que C~x = A~x + B~x para ~x ∈ Rn.

La suma de matrices se puede ver desde los puntos de vista:

• por elementos: (A + B)i,j = Ai,j + Bi,j , i = 1, . . . , m, j = 1, . . . , n

• por filas: f ilai(A + B) = f ilai(A) + f ilai(B)

• por columnas: colj (A + B) = colj (A) + colj (B)

Si pensamos a una matriz de m × n como un vector de m · n elementos,


la suma de matrices corresponde a la suma vectorial.Las matrices se suman
elemento a elemento

35
Operaciones Matriciales Matrices

Ejemplo 7.
     
1 2 3 −1 1 1 −1 0
A= , B= ,C =
4 5 6 2 2 4 3 1

Entonces
     
1 2 3 −1 1 1 0 3 4
A+B = + =
4 5 6 2 2 4 6 7 10

A+C no está definida

36
Operaciones Matriciales Matrices

Producto por escalar

Sea A : Rn → Rm matriz de m × n. A = [~a1 ~a2 . . . ~an], ~ai columna


i-ésima de A

αA~x = α(x1~a1 + x2~a2 + · · · + xn~an)


= x1(α ~a1) + x2(α ~a2) + · · · + xn(α ~an)
= [α ~a1 α ~a2 · · · α ~an]~x
= C~x

donde C = [α ~a1 α ~a2 · · · α ~an]

37
Operaciones Matriciales Matrices

Definición 5. Sea A de m × n entonces

def
αA = [α ~ a2 · · · α ~
a1 α ~ an ]

es la única matriz C tal que C~x = α A~x para ~x ∈ Rn.

El producto por escalar de una matriz se puede ver desde los puntos de
vista:

• por elementos: (α A)i,j = αAi,j i = 1, . . . , m, j = 1, . . . , n

• por filas: f ilai(α A) = α f ilai(A)

• por columnas: colj (α A) = α colj (A)

Si pensamos a una matriz de m × n como un vector de m · n elementos, el


producto por escalar de una matriz corresponde al producto escalar vectorial.

38
Operaciones Matriciales Matrices

Al multiplicar por un escalar una matriz se multiplica cada elemento de


la matriz por el escalar.

Ejemplo 8.    
1 2 3 −1 0
A= , C=
4 5 6 3 1

Entonces
   
3 6 9 1 0
3A = − C = (−1)C =
12 15 18 −3 −1

def
Definición 6. La resta de dos matrices de m × n es A − B = A + (−1)B

39
Operaciones Matriciales Matrices

Producto o composición de Matrices

A · B → AB
m×p p×n m×n
El producto AB está definido sólo cuando el número p de columnas de A es
igual al número p de filas de B

40
Operaciones Matriciales Matrices

Para A de m × p, B de p × n A = [~a1 ~a2 . . . ~ap], ~ai columna i-ésima de


A B = [~b1 ~b2 . . . ~bn], ~bi columna i-ésima de B

A(B~x) = A(x1~b1 + x2~b2 + · · · + xn~bn)


= x1 A~b1 + x2 A~b2 + · · · + xn A~bn
= [A~b1 A~b2 · · · A~bn]~x
= C~x

donde C = [A~b1 A~b2 · · · A~bn]

Definición 7. Sea A de m × p, B de p × n. El producto AB es

def
AB = [A~b1 A~b2 · · · A~bn]

es la única matriz C tal que C~x = A(B~x) para ~x ∈ Rn.

41
Operaciones Matriciales Matrices

Ejemplo 9.
 
  −1 0  
1 2 3 −1 1
A= B= 3 1  C=
4 5 6 2 2
−1 1
2×3 3×2 2×2

• AB es de 2 × 2

• BA es de 3 × 3

• AC no está definida

• CA es de 2 × 3

• BC es de 3 × 2

• CB no está definida

42
Operaciones Matriciales Matrices

 
  −1 0 
1 2 3 
AB =  
 3 1  
4 5 6  
−1 1
     
  −1   0
1 2 3  1 2 3 
=  3  1  
4 5 6 4 5 6
−1 1
         
1 −1 1 0
  2
 · 3   2 · 1   
 3 1 3 1   
8 5
 
= =
 
17 11
        
 
4 −1 4 0

 
 
 5 · 3   5 · 1   
6 1 6 1

• Las columnas de AB son combinaciones lineales de las columnas de A.


• AB es la matriz de productos puntos de filas de A con columnas de B.

43
Operaciones Matriciales Matrices

El producto AB lo podemos ver por columnas y por filas


  
1 2 b1,1 b1,2
AB =
3 4 b2,1 b2,2
"        #
1 2 1 2
b1,1 + b2,1 b1,2 + b2,2
= 3 4 3 4
| {z } | {z }
Col 1 de AB Col 2 de AB
 
1 · [b1,1 b1,2] + 2 · [b2,1 b2,2] ← Fila 1 de AB
=
3 · [b1,1 b1,2] + 4 · [b2,1 b2,2] ← Fila 2 de AB

Cada columna de AB es una combinación lineal de las columnas de A con


ponderadores en la columna correspondiente de B.

Cada fila de AB es una combinación lineal de las filas de B con


ponderadores en la fila correspondiente de A.

44
Operaciones Matriciales Matrices

Ejemplo 10.
• La col j de AB es una combinación lineal de las columnas de A con
ponderadores en la col j de A.
 
1 3
[~
a1 ~
a2] = [1 · ~
a1 + 2 · ~
a2 3·~a1 + 4 · ~
a2]
2 4
• La fila i de AB es una combinación lineal de las filas de B con
ponderadores en la fila i de A.
" # " #
~1 ~1 + 2 · B
~2

1 2 B 1·B
~ = ~1 + 4 · B
~2
3 4 B2 3·B

• El elemento i, j de AB es el producto punto de la fila i de A con la


columna j de B
" # " #
~1 ~ ~ ~ ~
A ~b1 ~b2 = A1 · b1 A1 · b2
h i
A~2 ~ 2 · ~b1 A
A ~ 2 · ~b2

45
Operaciones Matriciales Matrices

Si denotamos a las filas por mayúsculas y las columnas por minúsculas

   
A~1 ~1
B

A~2   ~2
B

A = [~ a2 · · · ~
a1 ~ ap] =  B = [~b1 ~b2 · · · ~bn] = 
   
 .. 
  .. 

~m
A ~p
B

 
~1
C
 ~2
C

C = [~ c2 · · · ~
c1 ~ cn ] = 
 
 .. 

~m
C

46
Operaciones Matriciales Matrices

Si C = AB, entonces
 
b1,j
 b2,j  Pp
~
• Por columnas: ~cj = Abj = [~a1 ~a2 · · · ~ap]  =
.
 .  i=1 bi,j~
ai
bp,j
 
~1
B
 ~2
B
 P
p
~i = A
• Por filas: C ~ iB = [ai,1 ai,2 · · · ai,p] 
 ~j
 = j=1 ai,j B

 .. 
~p
B
 
b1,j
 b2,j  Pp
~ i · ~bj = [ai,1 ai,2
• Por elementos: ci,j = A · · · ai,p] 
 ..  = k=1 ai,k bk,j

bp,j

47
Operaciones Matriciales Matrices

Ejemplo 11. Sea ~ui, ~vj vectores de R4. Exprese las siguientes
relaciones en la forma de un producto de matrices.

~u1 = 2~v1 + ~v2 − ~v3


~u2 = −~v1 + 2~v2 + ~v3

Solución: Expresamos las relaciones pensando que los vectores ~ui, ~vj son
vectores columna
 
2 −1
[~
u1 u~ 2] = [~
v1 ~v2 ~ v3 ]  1 2 
−1 1

o equivalentemente U = V   = [~u1 ~u2] es de 4 × 2, V =


C donde U
2 −1
[~v1 ~v2 ~v3] es de 4 × 3, C =  1 2  es de 3 × 2
−1 1

48
Operaciones Matriciales Matrices

Matriz Nula
Definición 8. La matriz nula On,m de m × n es la matriz que tiene todos
sus elementos iguales a cero. Usualmente denotamos a la matriz nula por
O quedando su tamaño definido por el contexto.
 
  0 0  
0 0 0 0 0
O2,2 = O3,2 = 0 0  O2,3 =
0 0 0 0 0
0 0

Si A es de m × n, la matriz nula satisface

A + O = A, A O = O, OA=O

toda vez que la operación esté definida.


Note que si A es de 3 × 4 entonces A O4,2 = O3,2

49
Operaciones Matriciales Matrices

Matriz Identidad

Definición 9. La matriz identidad In es la matriz de n × n tal que



0 si i 6= j
(In)i,j =
1 si i = j

La matriz identidad tiene 1’s en la diagonal principal y 0’s fuera de la


diagonal
 
  1 0 ··· 0
  1 0 0  0 1 ··· 0 
1 0
I2 = I3 =  0 1 0  In = 
 .. .. . . . .. 

0 1
0 0 1
0 0 ··· 1

50
Operaciones Matriciales Matrices

La función identidad Id(~x) = ~x para ~x ∈ Rn es una transformación lineal


y la matriz identidad es la matriz que la representa.
    
1 0 0 x1 x1
x =  0 1 0   x2  =  x2 
I3 ~ x ∈ R3
~
0 0 1 x3 x3

La matriz identidad es la única matriz que satisface

In ~
x=~
x x ∈ Rn
~

Si A es de m × n,
AIn = A Im A = A
      
1 0 0 a1,1 a1,2 a1,1 a1,2   a1,1 a1,2
 0 1 0   a2,1 a2,2  =  a2,1 1 0
a2,2  =  a2,1 a2,2 
0 1
0 0 1 a3,1 a3,2 a3,1 a3,2 a3,1 a3,2

51
Operaciones Matriciales Matrices

Propiedades
La suma satisface (”O” es una matriz nula)

A+B = B+A
(A + B) + C = A + (B + C) (1)
A+O = A
A + (−1)A = O

El producto por escalar satisface

(αβ)A = α(βA)
(α + β)A = αA + βA (2)
α(A + B) = αA + αB
1A = A

52
Operaciones Matriciales Matrices

El producto satisface (In es la identidad de n × n)

A(B C) = (A B)C
A(B + C) = A B + A C (3)
(A + B)C = AC +B C
A In = A
Im A = A

Estas propiedades se cumplen en general para la suma, producto por escalar


y composición de funciones, y en particular entonces se cumplen para
funciones que son transformaciones lineales.

AB 6= BA, pues en general la composición NO conmuta

Demostración: Sólo demostramos A(BC) = (AB)C y las demás


demostraciones quedan propuestas como ejercicio. Haremos dos

53
Operaciones Matriciales Matrices

demostraciones.

• Una basada en la asociatividad de la composición de funciones,


• y otra que utiliza la fórmula explı́cita para el producto de dos matrices.

Sean A de m × p, B de p × q, C de q × n, R = (AB)C, T = A(BC) de m × n.


Para demostrar que R = T basta con demostrar que R~x = T ~x, ∀~x ∈ Rn.

R~x = ((AB)C)(~x)
= (AB)(C(~x)) por la definición de producto como composición
= A(B(C(~x))) ” ”
= A((BC)(~x)) ” ”
= (A(BC))(~x)) ” ”
= T ~x

Por lo tanto R = T , es decir (AB)C = A(BC).

54
Operaciones Matriciales Matrices

Ahora, P
a modo de ejercicio demostramos la identidad usando la fórmula
p
(AB)i,j = k=1 ai,k bk,j

Entonces

q
X
((AB)C)i,j = (AB)i,l cl,j
l=1
q p
!
X X
= ai,k bk,l cl,j
l=1 k=1
q p
!
X X
= ai,k bk,lcl,j
l=1 k=1
p q
!
X X
= ai,k bk,lcl,j reordenando términos
k=1 l=1

55
Operaciones Matriciales Matrices

p q
!
X X
= ai,k bk,lcl,j
k=1 l=1
Xp
= ai,k (BC)k,j
k=1
= (A(BC))i,j

Hemos demostrado que ((AB)C)i,j = (A(BC))i,j , es decir (AB)C =


A(BC).

56
Operaciones Matriciales Matrices

Potencias

Si A es cuadrada entonces se define

• A0 = I

• A2 = A A

• En general, Ak = A · Ak−1, k = 2, 3, 4, . . ..

Las potencias de una matriz conmutan Para n, m ∈ N se tiene AnAm =


AmAn = An+m

Las potencias de matrices están definidas sólo para matrices cuadradas

57
Operaciones Matriciales Matrices

Ejemplo 12.

• (I − A)(I + A) = I(I + A) − A(I + A)

= (I + A) − A − A2

= I − A2

• (I − A)(I + A + A2) = I(I + A + A2) − A(I + A + A2)

= I + A + A2 − A − A2 − A3

= I − A3

• Por inducción se demuestra que

(I − A)(I + A + A2 + · · · + Ak−1) = I − Ak , k = 1, 2, . . . .

58
Operaciones Matriciales Matrices

Ejemplo 13. En general AB 6= BA.

• Si A es de 2 × 3 y B es de 3 × 4 entonces AB es de 2 × 4 pero BA no
está definida.
• Si A, B son matrices cuadradas, para el cuadrado del binomio te-
nemos

(A+B)2 = (A+B)(A+B) = A(A+B)+B(A+B) = A2+AB+BA+B 2

Note que en general (A + B)2 6= A2 + 2AB + B 2 pues AB 6= BA.


• Si A, B son matrices cuadradas, para el cubo del binomio tenemos

(A + B)3 = (A + B)(A + B)2 = (A + B)(A2 + AB + BA + B 2)


= A3 + A2B + ABA + AB 2 + BA2 + B 2A + B 3

Si AB = BA entonces (A + B)3 = A3 + 3A2B + 3AB 2 + B 3

59
Operaciones Matriciales Matrices

Matrices como vectores

Si consideramos a las matrices de m×n como vectores con m n elementos,


entonces las definiciones de suma y producto por escalar para matrices
corresponden a las ya definidas para vectores de Rm n. Entonces desde esta
perspectiva, podemos hablar de

• combinaciones lineales de matrices,

• conjuntos generados por matrices

• independencia-dependencia lineal de matrices.

Este enfoque lo tratamos en el capı́tulo de espacios vectoriales.

60
Operaciones Matriciales Matrices

Transpuestas

Definición 10. Sea A de m × n, entonces la matriz transpuesta AT es


la matriz de n × m tal que

(AT )i,j = Aj,i i = 1, 2, . . . , n j = 1, 2, . . . , m

61
Operaciones Matriciales Matrices

Las relaciones entre columnas, filas y elementos entre A y AT son:

• Elementos: (AT )i,j = Aj,i

• Filas :La fila i de (AT ) es la transpuesta de la columna i de A

• Columnas :La columna j de (AT ) es la transpuesta de la fila j de A

Proposición 7.

i) (A + B)T = AT + B T

ii) (α A)T = α AT

iii) (AT )T = A

iv) (A B)T = B T AT

62
Operaciones Matriciales Matrices

Demostración: Las demostraciones de i), ii), iii) quedan propuestas


Demostramos iv)

((AB)T )i,j = (AB)j,i

= Producto punto de fila j de A por columna i de B

= Producto punto de columna j de AT por fila i de B T

= Producto punto de fila i de B T por columna j de AT

= (B T AT )i,j

Entonces (AB)T = B T AT

63
Operaciones Matriciales Matrices

Aplicando sucesivas veces las propiedades i) ii) de la proposición (7)


obtenemos

v) (α1A1 + α2A2 + · · · + αkAk)T = α1AT


1 + α 2 A T
2 + · · · + α k A T
k

Aplicando sucesivas veces la propiedad iv) obtenemos

vi) (A1 A2 · · · Ak)T = AT


k · · · A T
2 A T
1

Por ejemplo,
(A + 3B − 4C)T = AT + 3B T − 4C T
(ABC)T = C T B T AT

64
Operaciones Matriciales Matrices

Ejemplo 14. Sean ui, vj vectores columna en Rn. Exprese las relaciones
siguientes en la forma de producto de matrices, por filas y por columnas.

~a1 = ~b1 + 2~b2 − ~b3


~a2 = −~b1 − ~b2 + 2~b3

Solución: Usando que las columnas de BC son combinaciones lineales de


las columnas de B

 
1 −1
[~
a1 a2] = [~b1 ~b2 ~b3]  2 −1 
~ por cols
−1 2

65
Operaciones Matriciales Matrices

Transponiendo obtenemos
 
    ~bT
aT
~ 1 1 2 −1  ~ 1T 
=  b2  por filas
aT
~ 2 −1 −1 2
~bT
3

66
Operaciones Matriciales Matrices

¡NO OLVIDE !

• AX : matriz con columnas que son combinación lineal de columnas de A


con ponderadores en las columnas de X

• XA: matriz con filas que son combinación lineal de filas de A con
ponderadores en las filas de X

Esta es la esencia de la identidad

C = AX ⇔ C T = X T AT

67
Operaciones Matriciales Matrices

El producto punto ~x · ~y = ~xT ~y

Sean ~x, ~y vectores (columna) de n × 1 en Rn. Entonces,

xT y
~ ~ es de 1 × n · n × 1 = 1 × 1 es un escalar

   
x1 y1
 x2   y2 
~x · ~y =  ..  ·  ..  = x1y1 + x2y2 + · · · + xnyn
  

xn yn  
y1
 y2 
= [x1 x2 · · · xn] · 
 .. 

yn
= ~xT ~y

68
Operaciones Matriciales Matrices

Entonces si A = [~a1~a2 · · · ~an] tenemos


 
~aT1
T
 ~aT2

A A =  .  [~a ~a · · · ~an]
.  1 2

~aTn
 T 
~a1 ~a1 ~aT1 ~a2 · · · ~aT1 ~an
 ~aT2 ~a1 ~aT2 ~a2 · · · ~aT2 ~an 
= 
 .. .. ... .. 

~aTn ~a1 ~aTn ~a2 · · · ~aTn ~an
 T 
= ~ai ~aj

AT A es la matriz de productos puntos de las columnas de A

69
Operaciones Matriciales Matrices

AT A es una matriz diagonal sii las columnas de A son


perpendiculares entre sı́.

Ejemplo 15.

aT aT aT
 
aT aT
1

~ 1~
a1 ~ 1~
a2 ~ 1~
a3 ||~
a1|| ~ 1~
a2 ~ 1~
a3
CT C =  aT
~ 2~
a1 aT
~ 2~
a2 aT
~ 2~
a3 = ~aT2~
a1 a2||2
||~ aT
~ 2~
a3 
aT
~ 3~
a1 aT
~ 3~
a2 aT
~ 3~
a3 aT
~ 3~
a1 aT
~ 3~
a2 a3||2
||~

    
1 2 −1 1 2 −9 6 0 0
C T C =  2 1 4   2 1 6  =  0 21 0 
    

−9 6 3 −1 4 3 0 0 126

Las columnas de C son perpendiculares entre sı́

70
Operaciones Matriciales Matrices

Ejemplo 16.
 
  1 1 −2
1 0 −1 0 
0 1 1 
AT A =  1 1 2 1   −1

2 1 
−2 1 1 −1
0 1 −1
 T T T T

~a1 ~a1 ~a1 ~a2 ~a1 ~a3
=  ~aT2 ~a1 ~aT2 ~a2 ~aT2 ~aT3 
~aT3 ~a1 ~aT3 ~a2 ~aT3 ~aT3
 
2 −1 −3
=  −1 7 0 
−3 0 7

La matriz de productos puntos de las columnas de una matriz es


simétrica son respecto a su diagonal

71
Operaciones Matriciales Matrices

Matrices Simétricas

Definición 11. Una matriz A real se dice simétrica si AT = A

• AT = A sii Ai,j = Aj,i


• Si A = AT entonces necesariamente A es cuadrada.
• En las matrices simétricas la fila i es la transpuesta de la columna i.

72
Operaciones Matriciales Matrices

Ejemplo 17.  
1 2 3
B= 1 4 2 
3 5 6
no es simétrica, pues B1,2 6= B2,1

Proposición 8. Sean A, B matrices simétricas de n × n, entonces

i) A + B es simétrica

ii) αA es simétrica

iii) AB NO es simétrica en general: AB es simétrica sii AB = BA

73
Operaciones Matriciales Matrices

Demostración:

Para i) tenemos (A + B)T = AT + B T = A + B y entonces A + B es


simétrica

Para ii) tenemos (αA)T = αAT = αA, y entonces αA es simétrica

Para iii) tenemos (A B)T = B T AT = B A 6= AB en general.

Para que el producto AB de matrices simétricas sea simétrica, las


matrices deben conmutar, es decir AB = BA.

Ejemplo 18. Demuestre que si A es de m × m entonces AT A es


simétrica.

Solución: Hay que demostrar que (AT A)T = AT A

(AT A)T = AT (AT )T = AT A

74
Operaciones Matriciales Matrices

NOTA
En clases ( Segundo semestre del 2009) vimos con más detalle algunos
tópicos:

• Matrices Simétricas, Antisimétricas:, propiedades, toda matriz se


descompone en forma única como la suma de una matriz simétrica
más una antisimétrica.

• xT y es el producto punto de los vectores x, y; xy T es una matriz de n × n


de rango 1.

• AB = O es equivalente a que las filas de A son perpendiculares a las


columnas de B, es decir AB = O sii Im(B) ⊂ Ker(A)

• AT A es la matriz de productos puntos de las columnas de A, Ker(AT A) =


Ker(A), AT A tiene inversa sii las columnas de A son li, la ecuación
AT Ax = AT b (re-interpretación problema de la I1 de este semestre).

75
Operaciones Matriciales Matrices

• En clases ya tenemos a estas alturas 1-1 y sobre y entonces la presentación


dada en clases para los tópicos que siguen a continuación (Solución de
AX = B y de Y A = B) consideran estos conceptos. Vimos que A es
1-1 sii AT es sobre y que A es sobre sii AT es 1-1. En estas notas 1-1
y sobre se introducen después de estos temas y se consideran solamente
para inversas por la derecha y por la izquierda, en la solución de AX = I
y Y A = I, respectivamente.

76
Operaciones Matriciales Matrices

La ecuación matricial AX = B

El problema es:

dadas dos matrices A, B determinar una matriz X tal que AX = B.

• Si A, B tienen distinto número de filas el problema no tiene sentido.

• Si A es de m × p y B es de m × q entonces necesariamente X debe ser


de p × q.

• La matrix X se calcula por colummas.


Sea X = [~x1 ~x2 · · · ~xq ], ~xi col-i de X.
Sea B = [~b1 ~b2 · · · ~bq ], ~bi col-i de B.

77
Operaciones Matriciales Matrices

AX = B ⇔ A[~x1 ~x2 · · · ~xq ] = [~b1 ~b2 · · · ~bq ]


⇔ [A~x1 A~x2 · · · A~xq ] = [~b1 ~b2 · · · ~bq ]
⇔ A~xi = ~bi, i = 1, 2, . . . , q

Entonces para determinar la matriz X hay que:

• Resolver q sistemas de ecuaciones A~x = ~bi con la misma matriz A de


coeficientes y distintos vectores ~bi.

• Para ello se calcula la escalonada reducida de la matriz ampliada [A|B].

• Si no aparece una ecuación del tipo 0 = 1, esto es r([A|B]) = r(A), cada


sistema es consistente y hay soluciones de AX = B. (existencia)

78
Operaciones Matriciales Matrices

• Si además las columnas de A son li.,es decir no hay variables libres, la


solución X es única.(unicidad)

Proposición 9. La ecuación AX = B tiene solución sii cada sistema


A~xi = ~bi, i = 1, 2, . . . , q es consistente.

Si la solución existe, esta es única sii las columnas de A son li.

Proposición 10. Sea A de m × p. Son equivalentes

• La ecuación AX = B tiene solución para cada matriz B de m × q.

• r([A|B] = r(A) para cada matriz B de m × q.

• La filas de A son linealmente independientes

79
Operaciones Matriciales Matrices

Ejemplo 19. Determine las soluciones de la ecuación matricial AX = B


donde    
1 0 1 1 3 1
A =  −2 0 −3 0  B =  −5 −3 
−1 0 1 −5 −5 2

Solución: Como A es de 3 × 4 y B es de 3 × 2, la matriz X debe ser de


4 × 2 y X tiene dos columnas.
   
1 0 1 1 3 1 1 0 1 1 3 1
C = [A|B] =  −2 0 −3 0 −5 −3  →  0 0 −1 2 1 −1 
   

−1 0 1 −5 −5 2 0 0 2 −4 −2 3
 
1 0 1 1 3 1
→  0 0 −1 2 1 −1 
 

0 0 0 0 0 1

Vemos que el sistema para la segunda columna de X es inconsistente pues

80
Operaciones Matriciales Matrices

se obtiene la ecuación 0 = 1 y por lo tanto la ecuación matricial AX = B


no tiene solución

81
Operaciones Matriciales Matrices

Ejemplo 20. Determine las soluciones de AX = B donde


   
1 2 1 1 1 5
A =  −2 −4 −1 −5  B =  −4 −9 
   

1 2 2 −2 −1 6

Solución: A es de 3 × 4 y B de 3 × 2 por lo que X debe ser de 4 × 2, es


decir, X tiene 2 columnas en R4
 
x1 y1
 x2 y2 
X=
 x3

y3 
x4 y4

82
Operaciones Matriciales Matrices

Resolvemos X por columas resolviendo los sistemas A~x = ~bi, i = 1, 2.


   
1 2 1 1 1 5 1 2 1 1 1 5
C = [A|B] =  −2 −4 −1 −5 −4 −9  →  0 0 1 −3 −2 1 
   

1 2 2 −2 −1 6 0 0 1 −3 −2 1
   
1 2 1 1 1 5 1 2 0 4 3 4
→  0 0 1 −3 −2 1  →  0 0 1 −3 −2 1 
   

0 0 0 0 0 0 0 0 0 0 0 0

• Vemos que cada uno de los 2 sistemas es consistente.


• Tomamos como variables libres a la 2,4 y básicas a las 1,3.
• Despejando x1, x3 para la primera columna obtenemos

x1 = 3 − 2x2 − 4x4
x3 = −2 + 3x4

83
Operaciones Matriciales Matrices

• Despejando y1, y3 para la segunda columna obtenemos

y1 = 4 − 2y2 − 4y4
y3 = 1 + 3y4

Entonces
 
3 − 2x2 − 4x4 4 − 2y2 − 4y4
 x 2 y 2

X= , x2, x4, y2, y4 ∈ R
 −2 + 3x4 1 + 3y4 
x4 y4

84
Operaciones Matriciales Matrices

Ejemplo 21. Si ~u1 = (2, 1), ~u2 = (1, 1) determine vectores ~v1, ~v2 tales
que
~1 · ~
u ~1 · ~
v1 = 1, u v2 = 2 u~2 · ~
v1 = −1 u
~2 · ~
v2 = 0

Solución: Usando que AX es el producto punto de las filas de A con


las columnas de X el problema es equivalente a determinar una matriz
X = [~v1 ~v2], ~vi col i de X, tal que
   
2 1 1 2
AX = [~
v1 ~
v2 ] = =B
1 1 −1 0

85
Operaciones Matriciales Matrices

" # " #
2 1 2 11 1 2
2
C = [A|B] = →
1 1 −1 0
0 1/2 −3/2 −1
" # " # " #
2 1 1 2 2 0 4 4 1 0 2 2
→ → →
0 1 −3 −2 0 1 −3 −2 0 1 −3 −2

 
2 2
Entonces X = , por lo que ~v1 = (2, −3), ~v2 = (2, −2).
−3 −2

86
Operaciones Matriciales Matrices

La ecuación matricial Y A = B
El problema es:

dadas dos matrices A, B determinar una matriz Y tal que Y A = B.

• Trasponiendo la ecuación Y A = B obtenemos AT Y T = B T y definiendo


X = Y T obtenemos la ecuación AT X = B T .

• Para resolver Y A = B resolvemos AT X = B T y entonces Y = X T .

• Si A, B tienen distinto número de columnas el problema no tiene sentido.

• Si A es de p × m y B es de q × m entonces necesariamente Y debe ser


de q × p.

• La matrix Y se calcula por filas, que son las columnas de X = Y T .

87
Operaciones Matriciales Matrices

Entonces para determinar la matriz Y hay que:

~ T , (fila i de B). con la misma


• Resolver q sistemas de ecuaciones AT ~x = B i
T
matriz A de coeficientes y distintos vectores B ~T.
i

• Para ello se calcula la escalonada reducida de la matriz ampliada [AT |B T ].

• Si no aparece una ecuación del tipo 0 = 1, esto es r([AT |B T ]) = r(AT ),


cada sistema es consistente y hay soluciones de Y A = B. (existencia)

• Si además las columnas de AT son li., es decir las filas de A son li., no
hay variables libres y la solución Y es única.(unicidad)

88
Operaciones Matriciales Matrices

Proposición 11. La ecuación Y A = B tiene solución sii cada sistema


~ T , i = 1, 2, . . . , m es consistente.
AT ~xi = B i

Si la solución existe, esta es única sii las filas de A son li.

Proposición 12. Sea A de p × m. Son equivalentes

• La ecuación Y A = B tiene solución para cada matriz B de q × m.

• r([AT |B T ] = r(AT ) para cada matriz B de p × m.

• La columnas de A son linealmente independientes (las filas de AT


son li)

89
Operaciones Matriciales Matrices

Ejemplo 22. Determine las matrices A tal que

           
1 −1 0 2 1 −2
A 1  =  0 , A 1  =  1 , A 1  =  1 
0 1 1 −1 1 0

En este problema se dan las imágenes de A sobre tres vectores li y se


pide A.

Solución: Las condiciones dadas son equivalentes a

   
1 0 1 −1 2 −2
A 1 1 1  =  0 1 1 
   

0 1 1 1 −1 0

90
Operaciones Matriciales Matrices

Transponiendo obtenemos la ecuación matricial para X = AT :


   
1 1 0 −1 0 1
UX =  0 1 1  X =  2 1 −1  = V
   

1 1 1 −2 1 0

Calculando la escalonada reducida de [U |V ] obtenemos


 
  1 0 0 −1 2 1
1 0 1 −1 2 −2  0 1 0 1 −1 3 
 1 1 1 0 1 1 →
   

 0 0 1 0 0 −3 
0 1 1 1 −1 0 | {z }
X
Por lo tanto  
−1 1 0
XT = A =  2 −1 0 
1 3 −3

91
Operaciones Matriciales Matrices

Inversas por la derecha

AX~
y=y
~ y ∈ Rm⇔AX = Im
∀~

Definición 12. Sea A de m × n. La matrix X de n × m se dice inversa


por la derecha de A si
A X = Im

92
Operaciones Matriciales Matrices

Definición 13. La matriz A se dice ”sobre” si

def
Im(A) = A(Rn) = {A~ x ∈ Rn} =< ~
x: ~ a1 , ~ an >= Rm
a2, . . . , ~

Es decir, para cada vector ~y ∈ Rm existe ~x ∈ Rn tal que A~x = ~y

93
Operaciones Matriciales Matrices

Teorema 4. Sea A matriz de m × n. Son equivalentes

i) A es sobre

ii) La ecuación A~x = ~b es consistente para cada ~b ∈ Rm

iii) Im(A) =< ~a1, ~a2, . . . , ~an >= Rm

iv) Las filas de A son li.

v) r(A) = m

vi) La escalonada reducida de A no tiene filas nulas

vii) A tiene inversa por la derecha

94
Operaciones Matriciales Matrices

Demostración: Lo único que falta por demostrar es que A tiene inversa


por la derecha sii A es sobre.

(⇒) Supongamos que exista X tal que AX = Im. Sea ~b ∈ Rm. Entonces
para ~x = X~b tenemos

x = A(X~b) = (AX)~b = Im~b = ~b


A~

Es decir A es sobre.

(⇐) Supongamos que A es sobre, entonces A tiene las filas li. Por lo
tanto cada ecuación matricial AX = B tiene solución para cada matriz B de
m × q. En particular AX = Im tiene solución, y por lo tanto A tiene inversa
por la derecha.

95
Operaciones Matriciales Matrices

Ejemplo 23. Determine las inversas por la derecha de


 
1 2 3 0
A= (4)
2 3 −1 1

Solución: Hay que resolver la ecuación matricial AX = I2. Como A


es de 2 × 4 las inversas por la derecha son de 4 × 2.
 
x1 y1
 x2 y2 
X=
 x3

y3 
x4 y4

La matriz ampliada [A|I2] es:


 
1 2 3 0 1 0
2 3 −1 1 0 1

96
Operaciones Matriciales Matrices

Eliminando la primera variable de la segunda ecuación,


 
1 2 3 0 1 0
0 −1 −7 1 −2 1

Multiplicando por −1 la segunda ecuación y eliminando la segunda


variable de la primera ecuación,
 
1 0 −11 2 −3 2
0 1 7 −1 2 −1

Tomando como variables básicas la primera y la segunda, y como


variables libres la tercera y la cuarta obtenemos,
 
−3 + 11 x3 − 2 x4 2 + 11 y3 − 2 y4
 2 − 7 x 3 + x 4 −1 − 7 y3 + y4

X= 
 x3 y3 
x4 y4

97
Operaciones Matriciales Matrices

donde x3, x4, y3, y4, i = 1, 2, 3, 4 son parámetros libres.

Ejemplo 24. La matriz  


1 2
A= 2 3 
 

3 4
no tiene inversas por la derecha puesto que r(A) ≤ 2 < 3 = m y por lo
tanto A no es sobre.

98
Operaciones Matriciales Matrices

 
1 2 3 4
Ejemplo 25. La matriz A =  −1 −1 1 1  no tiene inversas por
 

0 1 4 5
la derecha.

En efecto, si tratamos de resolver el sistema de ecuaciones AX = I3


obtenemos
   
1 2 3 4 1 0 0 1 2 3 4 1 0 0
 −1 −1 1 1 0 1 0  →  0 1 4 5 1 1 0 
   

0 1 4 5 0 0 1 0 1 4 5 0 0 1
 
1 2 3 4 1 0 0
→  0 1 4 5 1 1 0 
 

0 0 0 0 −1 −1 1

de donde se obtiene que el sistema AX = I no es consistente.

99
Operaciones Matriciales Matrices

Note que A tiene sólo dos columnas li, siendo las columnas 3 y 4
combinaciones lineales de las columnas 1,2.

Entonces Im(A) = h~a1, ~a2i, pero con dos vectores no puedo generar
R3, y entonces A no es sobre.

100
Operaciones Matriciales Matrices

Inversas por la izquierda

Y A~
x=~
x x ∈ Rn
∀~ ⇔ Y A = In

Definición 14. Sea A de m × n. La matrix Y de n × m se dice inversa


por la izquierda de A si
Y A = In

101
Operaciones Matriciales Matrices

Definición 15. La matriz A se dice ”1-1” si para ~x1, ~x2 ∈ Rn, se tiene

A~ x2 ⇒ ~
x1 = A~ x1 = ~
x2

102
Operaciones Matriciales Matrices

Teorema 5. Sea A matriz de m × n. Son equivalentes

i) A es 1-1

ii) A~x = ~0 implica ~x = ~0

iii) Ker(A) = {~x ∈ Rn : A~x = ~0} = {~0}

iv) Las columnas de A son linealmente independientes

v ) Las ecuaciones consistentes A~x = ~b tienen una única solución.

vi) r(A) = n

vii) A tiene n pivotes distintos de cero

viii) A tiene inversa por la izquierda

103
Operaciones Matriciales Matrices

Demostración: Ya sabemos que ii), iii), iv) v), vi) vii) son equivalentes.
Sólo falta demostrar entonces que i) sii ii) sii viii), es decir A es 1-1 sii
A~x = ~0 ⇒ ~x = ~0 sii A tiene inversa por la derecha.
(i) ⇒ ii) Supongamos que A es 1-1, entonces A~x1 = A~x2 implica ~x1 = ~x2.
Supongamos que A~x = ~0, como A~0 = ~0, y A es 1-1 se tiene
necesariamente que ~x = ~0.
ii) ⇒ i)
Supongamos que A~x = ~0 implica ~x = ~0.

A~x1 = A~x2 ⇒ A~x1 − A~x2 = ~0 ⇒ A(~x1 − ~x2) = ~0


⇒ ~x1 − ~x2 = ~0 ⇒ ~x1 = ~x2

Ahora demostramos viii) sii iv)

104
Operaciones Matriciales Matrices

iv) ⇒ viii)

Supongamos que A tiene columnas li,

entonces AT tiene filas li

por lo tanto AT X = In tiene solución

entonces Y A = In tiene solución, con Y T = X.

105
Operaciones Matriciales Matrices

viii) ⇒ iv)

Supongamos que A tiene un inversa por la derecha Y A = In.

Entonces A~x = ~0 implica Y A~x = Y ~0.

Pero Y A = In, Y ~0 = ~0 por lo que ~x = ~0, y entonces A tiene sus columnas


li.

106
Operaciones Matriciales Matrices

Note que

Y A = I ⇔ AT Y T = I ⇔ AT X = I, con X = Y T

Y es inversa por la izquierda de A si y sólo si X = Y T


es inversa por la derecha de AT

Por lo tanto, para calcular las inversas por la izquierda de A se calculan


las inversas por la dereha de AT y se transpone.

Ejemplo 26. Calculamos las inversas por la izquierda de


 
1 0 1
 
 2 1 0 
A= 

 −1 1 −2 

2 1 1

107
Operaciones Matriciales Matrices

Para ello determinamos las inversas por la derecha de


 
1 2 −1 2
AT =  0 1 1 1 
 

1 0 −2 1

Formamos la matriz ampliada [AT |I] y la llevamos a su forma


escalonada reducida
   
1 2 −1 2 1 0 0 1 2 −1 2 1 0 0
 0 1 1 1 0 1 0 → 0 1 1 1 0 1 0 
   

1 0 −2 1 0 0 1 0 −2 −1 −1 −1 0 1
   
1 2 −1 2 1 0 0 1 2 0 3 0 2 1
→ 0 1 1 1 0 1 0 → 0 1 0 0 1 −1 −1 
   

0 0 1 1 −1 2 1 0 0 1 1 −1 2 1

108
Operaciones Matriciales Matrices

 
1 0 0 3 −2 4 3
→  0 1 0 0 1 −1 −1 
 

0 0 1 1 −1 2 1

Las variables básicas son la 1,2,3 y la libre es la 4. Entonces, las


inversas por la derecha de AT son las matrices de la forma

 
−2 − 3 x4 4 − 3 y4 3 − 3 z4
−1 −1
 
 1 
 

 −1 − x4 2 − y4 1 − z4 

x4 y4 z4

con x4, y4, z4, parámetros libres.

109
Operaciones Matriciales Matrices

Ası́ las inversas por la izquierda de A son las matrices de la forma


 
−2 − 3 x4 1 −1 − x4 x4
Y =  4 − 3 y4 −1 2 − y4 y4 
 

3 − 3 z4 −1 1 − z4 z4

110
Operaciones Matriciales Matrices

Inversas

Definición 16. Decimos que X es la inversa de A si X es inversa por


la derecha e inversa por la izquieda de A

Proposición 13. Sea A de m × n

• Si n > m entonces A no puede ser 1-1 y por lo tanto A NO tiene


inversas por la izquierda

• Si n < m entonces A no puede ser sobre y por lo tanto A NO tiene


inversas por la derecha

En consecuencia, las únicas matrices que pueden tener inversa son las
matrices cuadradas

111
Operaciones Matriciales Matrices

Demostración: Si n > m entonces A tiene más columnas que filas,

entonces al resolver A~x = ~0 habrá necesariamente variables libres.

Entonces, A~x = ~0 tendrá soluciones no nulas y las columnas serán ld.

Por lo tanto, A no serı́a 1-1 y A no tendrı́a inversa por la izquierda.

Similarmente, si n < m, A tiene más filas que columnas,

por lo que sus filas serán ld,

y entonces A no es sobre,

y por lo tanto A no tiene inversas por la derecha.

112
Operaciones Matriciales Matrices

Proposición 14. Sea A de n × n

i) AX = In, Y A = In implica X = Y

ii) La inversa de A si existe es única

Demostración: Demostramos i).

X = In X = (Y A) X = Y (AX) = Y In = Y Demostramos ii)

Si X, Y son inversas de A, entonces AX = In, Y A = In y por i) X = Y .

Definición 17. La inversa de A cuando existe la denotamos por A−1

113
Operaciones Matriciales Matrices

Proposición 15. Sea A una matriz de n × n ( cuadrada )

i) Si A tiene una inversa por la izquierda Y entonces A es invertible


y A−1 = Y .

ii) Si A tiene una inversa por la derecha X entonces A es invertible y


A−1 = X.

Demostración:
Demostramos i) Si Y A = In entonces las columnas de A son li y por lo
tanto las escalonada de A tiene n pivotes no nulos
Como A es cuadrada, A tiene sus filas l.i. y por lo tanto existe X tal
que AX = In
Entonces X = Y y Y = A−1
La demostración de ii) es similar.

114
Operaciones Matriciales Matrices

Sea A cuadrada:

• Para demostrar que una cierta matriz X es la inversa de A basta con


demostrar que AX = I

• Para demostrar que una cierta matriz X es la inversa de A basta con


demostrar que XA = I

• A veces es más sencillo verificar AX = I y otras veces XA = I.

Ejemplo 27. Demuestre que si B es la inversa de A2 entonces AB es la


inversa de A.

Solución: Sea X = AB, entonces AX = A(AB) = A2B = I, y por lo tanto


X es inversa por la izquierda de A, como A es cuadrada A−1 = AB.

Note que si intentamos con XA = ABA no llegamos a nada pues el


producto no es conmutativo en general.

115
Operaciones Matriciales Matrices

Este es un ejemplo en que es fácil verificar que AX = I pero no es


aparente cómo demostrar que XA = I directamente.

116
Operaciones Matriciales Matrices

Teorema 6. Sea A de n × n. Son equivalentes

1. A tiene inversa
2. A tiene inversa por la izquierda
3. A es 1-1
4. A~x = ~0 implica ~x = ~0
5. Ker(A) = {~x ∈ Rn : A~x = ~0} = {~0}
6. Las columnas de A son linealmente independientes
7. A~x = ~b tiene solución única para cada ~b ∈ Rm.
8. r(A) = n
9. A tiene n pivotes distintos de cero
10. A es sobre
11. Las filas de A son li.
12. La ecuación A~x = ~b es consistente para cada ~b ∈ Rm
13. La escalonada reducida de A no tiene filas nulas
14. Im(A) =< ~a1, ~a2, . . . , ~an >= Rn
15. A tiene inversa por la derecha

117
Operaciones Matriciales Matrices

Para calcular la inversa de una matriz resolvemos AX = In. Para ello:

• formamos la matriz ampliada [A|I] y la llevamos a su forma escalonada


reducida [E|Y ].

• Si E 6= I entonces el sistema AX = I no tiene solución y A no tiene


inversa.

• Si E = I, entonces la solución de AX = I es la matrix X = Y .

118
Operaciones Matriciales Matrices

Ejemplo 28. Determine la inversa de la matriz

 
1 2 1
A= 2 3 1 
 

1 2 0

Formamos la matriz ampliada [A|I3] y la llevamos a su forma


escalonada reducida.

 
1 2 1 1 0 0
 2 3 1 0 1 0 
 

1 2 0 0 0 1

119
Operaciones Matriciales Matrices

 
1 2 1 1 0 0
0 −1 −1 −2 1 0
 
 
0 0 −1 −1 0 1

 
1 2 1 1 0 0
 0 1 1 2 −1 0 
 

0 0 1 1 0 −1

 
1 2 0 0 0 1
 0 1 0 1 −1 1 
 

0 0 1 1 0 −1

120
Operaciones Matriciales Matrices

 
1 0 0 −2 2 −1
0 1 0 1 −1 1
 
 
0 0 1 1 0 −1

de donde  
−2 2 −1
A−1 =  1 −1 1 
 

1 0 −1

121
Operaciones Matriciales Matrices

Ejemplo 29. Determine x, y tal que la matriz A tiene inversa, con


 
1 2 2
A= 0 3 y 
 

1 x x

Solución: A tiene inversa sii al escalonar no se producen pivotes nulos


sii r(A) = 3. Escalonando se obtiene
 
1 2 2
 0 3 y
 

0 0 x − 2 − yx
3
+ 2y
3

Por lo tanto A tiene inversa sii r(A) = 3 sii x − 2 − yx


3 + 2y
3 6= 0.

122
Operaciones Matriciales Matrices

Proposición 16. Sean A, B matrices de n × n invertibles. Entonces

1. AT es invertible y (AT )−1 = (A−1)T

2. A−1 es invertible y (A−1)−1 = A

3. AB es invertible y (AB)−1 = B −1A−1

4. An es invertible y (An)−1 = (A−1)n

5. Si además A simétrica, entonces A−1 es también simétrica.

Demostración:

1. Para demostrar que X = (A−1)T es la inversa de AT basta con demostrar


que AT X = I.

AT X = AT (A−1)T = (A−1A)T = I T = I

123
Operaciones Matriciales Matrices

2. Como AA−1 = I tenemos que A es inversa por la izquierda de A−1 por lo


tanto (A−1)−1 = A
3. Para demostrar que X = B −1A−1 es la inversa de AB basta con demostrar
que (AB)X = I.

(AB)X = (AB)(B −1A−1) = A(BB −1)A−1 = A In A−1 = AA−1 = In

4. Por inducción se demuestra que si las Ai son invertibles entonces su


producto es invertible y

(A1A2 · · · Ak)−1 = (Ak)−1 · · · (A2)−1(A1)−1

Como caso particular, con Ai = A, k = n obtenemos (An)−1 = (A−1)n


5. De la parte 1. tenemos si AT = A entonces (A)−1 = (A−1)T . Es decir,
(A)−1 es simétrica.

124
Operaciones Matriciales Matrices

Proposición 17. Sean A, B de n × n. Si C = AB es invertible entonces


necesariamente A, B son invertibles.

Demostración: Supongamos que C = AB es invertible y que B no sea


invertible.

Entonces existe ~x 6= ~0 tal que B~x = ~0.

Por lo tanto (AB)~x = A(B~x~0) = A(~0) = ~0

Entonces AB no es 1-1 y no serı́a invertible

La contradicción viene de suponer que B no tiene inversa.

Por lo tanto B tiene inversa.

Como C = AB implica CB −1 = (AB)B −1 = A(B B −1) = A I = A

Tenemos que A es el producto de matrices invertibles y por lo tanto


tiene inversa.

125
Operaciones Matriciales Matrices

Nota: En la proposición anterior se necesita la hipótesis de que A, B sean


cuadradas, pues es posible que A, B no sean cuadradas y AB sea invertible.
Por ejemplo para
 
" # 2 0 " #
1 1 1 1 2
A= B =  −1 1  AB =
 
1 −1 1 3 0
0 1

AB tiene inversa pues sus columnas son li, pero A, B no son invertibles

126
Operaciones Matriciales Matrices

Proposición 18. Sean A, C invertibles. Entonces,

1. el sistema A~x = ~b tiene una única solución x = A−1~b

2. la ecuación matricial AX = B tiene solución única X = A−1B

3. la ecuación matricial AXC = B tiene solución única X = A−1BC −1

Demostración:

1.

A~x = ~b ⇒ A−1(A~x) = A−1~b ⇒ (A−1A)~x = A−1~b


⇒ I~x = A−1~b ⇒ ~x = A−1~b

127
Operaciones Matriciales Matrices

2.

AX = B ⇒ A−1(AX) = A−1B ⇒ (A−1A)X = A−1B


⇒ IX = A−1B ⇒ X = A−1B

3.

AXC = B ⇒ A−1(AXC)C −1 = A−1BC −1 ⇒ (A−1A)X(C C −1) = A−1B


⇒ I X I = A−1B ⇒ X = A−1B

128
Operaciones Matriciales Matrices

Ejemplo 30.
a) Determine por lo menos 2 matrices A no nulas de 2 × 2 tal que
A2 = 0 (la matriz nula)
b) Demuestre que para toda matriz A de n × n tal que A2 = 0, I − A es
invertible y (I − A)−1 = I + A.

Solución:

a) A2 = 0 sii las columnas de A son ortogonales a las filas de A. Las


matrices    
0 1 1 1
, ,
0 0 −1 −1
cumplen A2 = 0.
b) Supongamos que A2 = 0. Para demostrar que X = I +A es la inversa
de I − A basta con demostrar que (I − A)X = I.

(I − A)X = (I − A)(I + A) = I − A2 = I − 0 = I

129
Operaciones Matriciales Matrices

Ejemplo 31. Demuestre que si I − 2A + A2 − 4A3 = 0 entonces A es


invertible. Solución:

I − 2A + A2 − 4A3 = 0 ⇒ 2A − A2 + 4A3 = I
⇒ A(2I − A + 4A2) = I

Por lo tanto A tiene inversa y A−1 = 2I − A + 4A2.

130
Operaciones Matriciales Matrices

Ejemplo 32. Demuestre que si A, B son matrices cuadradas y AB es la


inversa de A2 entonces B es la inversa de A3.

Demostración: Si AB es la inversa de A2 entonces

(AB)A2 = I y (A2)(AB) = I

De la segunda igualdad, usando la asociatividad de la multiplicación de


matrices, obtenemos A3B = I, y entonces B es inversa por la derecha de
A3 .

Como A3 es cuadrada, su inversa por la derecha es también inversa por


la izquierda y entonces (A3)−1 = B.

131