You are on page 1of 83

Álgebra

Basado en el texto:
“Álgebra y Matemática Discreta”

Universidad de Castilla-La Mancha


Departamento de Matemáticas

Álgebra– p.1/75
Tema 7. Matrices

Álgebra– p.2/75
7.1. Matrices reales

Álgebra– p.3/75
Matrices

Una matriz real de tamaño m × n es una aplicación

A : I × J −→ R
(i, j) aij

donde I = {1, 2, . . . , m} y J = {1, 2, . . . , n}.


Escribiremos
A = (aij )
para denotar una matriz, o bien por A = (aij )m×n cuando
queramos especificar el tamaño de ésta.

Álgebra– p.4/75
Matrices

Representamos A en forma de tabla, con m filas y n


columnas. El elemento aij se encuentra en el lugar en que
se cruzan la fila i y la columna j.
 
a11 a12 . . . a1j . . . a1n
 a21 a22 . . . a2j . . . a2n 
 
 .. .
. . . .
. . . .
. 
 . . . . . . 
A=  
 ai1 a i2 . . . a ij . . . a in


 .. .. ... .. ... .. 
 . . . . 
am1 am2 . . . amj . . . amn

Álgebra– p.5/75
Matrices

Los escalares aij se denominan elementos o entradas de


la matriz A. El conjunto de matrices reales de tamaño
m × n se representa por Mm×n (R), o simplemente por
Mm×n .
Denotaremos por Ai• a la fila i-ésima de la matriz A y por
A•j a la columna j-ésima, es decir,

Ai• = (ai1 , ai2 , . . . , ain ); A•j = (a1j , a2j , . . . , amj );

Las m filas de A constituyen un sistema de m vectores de


Rn , mientras que las n columnas son un sistema de n
vectores de Rm .

Álgebra– p.6/75
Matriz traspuesta

Dada una matriz A de tamaño m × n, llamaremos matriz


traspuesta de A y la denotaremos por At , a la matriz de
tamaño n × m que resulta de intercambiar las filas por las
columnas.
Ejemplo. La matriz traspuesta de
 
−2 −4 0 1
A= 1 3 −2 2 
2 2 7 3
−2 1 2
 

t
 −4 3 2 
es la matriz A =   .
0 −2 7 
1 2 3
Álgebra– p.7/75
Diagonal principal

La sucesión de elementos a11 , a22 , . . . , akk , donde


k = mı́n{m, n}, recibe el nombre de diagonal principal de
la matriz A.
Ejemplo. Para la matriz
 
−2 −4 0 1
A= 1 3 −2 2  ,
2 2 7 3

su diagonal principal es −2, 3, 7.

Álgebra– p.8/75
Tipos de matrices:
Matrices fila y columna

Algunos tipos importantes de matrices son los siguientes:


Una matriz fila es una matriz de tamaño 1 × n.
Una matriz columna es una matriz de tamaño m × 1.

Ejemplo. La matriz F es una matriz fila.

F = (3 −2 4)

La matriz C es una matriz columna.


 
3
C =  −2  .
4
Álgebra– p.9/75
Tipos de matrices:
Matriz cuadrada

Una matriz cuadrada es una matriz de tamaño n × n, es


decir, posee el mismo número de filas que de columnas.
Para remarcar su carácter nos referiremos a esta matriz
como matriz cuadrada de tamaño n.
Al conjunto de matrices cuadradas reales de tamaño n lo
denotaremos por Mn (R) o simplemente por Mn .
 
3 −2 4
Ejemplo. La matriz A =  4 5 0  es una matriz
−2 −1 3
cuadrada de tamaño 3.

Álgebra– p.10/75
Tipos de matrices:
Matriz simétrica

Una matriz simétrica es una matriz cuadrada tal que


aij = aji para cada par (i, j) ∈ I × J, es decir, aquella que
es igual a su traspuesta.
Ejemplo. La matriz
 
−2 −4 0
A =  −4 3 −2 
0 −2 7

es simétrica.

Álgebra– p.11/75
Tipos de matrices:
Matriz antisimétrica

Una matriz antisimétrica es una matriz cuadrada tal que


aij = −aji para cada par (i, j) ∈ I × J, es decir, aquella
que es igual a la opuesta de su traspuesta. Como
consecuencia, los elementos de la diagonal principal de
una matriz antisimétrica son todos nulos.
Ejemplo. La matriz
 
0 −4 3
A= 4 0 −2 
−3 2 0

es antisimétrica.

Álgebra– p.12/75
Tipos de matrices:
Matriz diagonal

Una matriz diagonal es la que tiene todos los elementos


no pertenecientes a la diagonal principal iguales a cero.
Una matriz escalar es una matriz diagonal con todos los
elementos de la diagonal principal iguales.
Ejemplo.
 
−2 0 0 0
A= 0 3 0 0 
0 0 7 0
es una matriz diagonal, pero no escalar.

Álgebra– p.13/75
Tipos de matrices:
Matrices nula e identidad

Llamaremos matriz identidad de tamaño n a la matriz


cuadrada escalar de tamaño n cuyos elementos de la
diagonal principal son todos iguales a uno, y la
denotaremos por In .
Llamaremos matriz nula a una matriz que tenga todas sus
entradas iguales a cero. A la matriz nula de tamaño m × n
la denotaremos por Om×n .

 
1 0 0  
0 0 0
I3 =  0 1 0  O2×3 =
0 0 0
0 0 1

Álgebra– p.14/75
Tipos de matrices:
Matrices triangulares

Una matriz triangular inferior es una matriz en la que todos


los elementos situados por encima de la diagonal principal
son nulos.
Una matriz triangular superior es una matriz en la que
todos los elementos situados por debajo de la diagonal
principal son nulos.
Ejemplo. La matriz
 
−2 0 0 0
A =  −4 3 0 0 
0 −2 7 0

es triangular inferior.
Álgebra– p.15/75
Submatrices

Si tomamos I0 ⊂ I y J0 ⊂ J, la matriz que resulta al


suprimir en A las filas y columnas cuyos índices no
aparecen en estos subconjuntos, se denomina submatriz
de A correspondiente a I0 × J0 .

−2 1 −4 0
 
 −4 2 3 −2 
Ejemplo. Para la matriz A =   , la
1 2 3 4 
0 3 −2 7
submatriz que resulta de tomar las filas 1, 2 y 4 y las
 
−2 −4 0
columnas 1, 3 y 4 es S =  −4 3 −2 .
0 −2 7
Álgebra– p.16/75
Suma de matrices

Dadas matrices A = (aij ), B = (bij ) ∈ Mm×n , se define la


suma de las matrices A y B como la matriz A + B que en
el lugar (i, j) tiene el elemento aij + bij , es decir,

A + B = (aij + bij ) ∈ Mm×n .

Ejemplo.
     
−2 −4 0 3 7 2 1 3 2
+ =
−4 3 −2 1 −2 4 −3 1 2

Álgebra– p.17/75
Propiedades de la suma de matrices

La suma de matrices verifica en Mm×n las propiedades


Asociativa: (A + B) + C = A + (B + C)
Existencia de elemento neutro: La matriz nula
Om×n = O ∈ Mm×n es tal que O + A = A + O = A,
∀A ∈ Mm×n .
Existencia de elemento opuesto: Para cada
A ∈ Mm×n , la matriz −A = (−aij ) ∈ Mm×n es tal que
A + (−A) = (−A) + A = O
Conmutativa: A + B = B + A.
Por tanto (Mm×n , +) es un grupo abeliano.

Álgebra– p.18/75
Producto de matrices por escalares

Dada una matriz A = (aij ) ∈ Mm×n y un escalar λ ∈ R, se


define el producto de λ por A como la matriz λ · A que en
el lugar (i, j) tiene el elemento λ · aij , es decir,

λ · A = (λ · aij ) ∈ Mm×n .

Ejemplo.
   
−2 −4 0 −6 −12 0
3· =
−4 3 −2 −12 9 −6

Álgebra– p.19/75
Propiedades del producto de
matrices por escalares

Esta operación verifica en Mm×n las propiedades


∀A, B ∈ Mm×n , ∀λ ∈ R, λ · (A + B) = λ · A + λ · B.
∀A ∈ Mm×n , ∀λ, µ ∈ R, (λ + µ) · A = λ · A + µ · A.
∀A ∈ Mm×n , ∀λ, µ ∈ R, λ · (µ · A) = (λµ) · A.
∀A ∈ Mm×n , 1 · A = A.

Por tanto (Mm×n , +, ·) es un espacio vectorial real.

Álgebra– p.20/75
Producto de matrices

Dadas las matrices A = (air ) ∈ Mm×t y B = (bsj ) ∈ Mt×n ,


se define el producto de A por B como la matriz
C = (cij ) ∈ Mm×n tal que
t
X
cij = aik bkj .
k=1

El elemento cij coincide con el producto escalar ordinario


de los vectores Ai• y B•j de Rt .
Nótese que para que el producto pueda hacerse, el
número de columnas de la primera matriz ha de coincidir
con el número de filas de la segunda.
Álgebra– p.21/75
Producto de matrices

Para hacer el producto de dos matrices puede ser útil el


siguiente esquema:
. . .
 
.. .. b1j ..  

... ... ... ...

 . . ... ... ...
 ... ... ... ...   . . ..   . . . . . . . . .

. . b2j .  

·  =  ..

 .. .. .. ..   . cij ...
. . . .

 ai1 ai2 . . . ait   

... ... ... ...
 
.. .. .. ... ... ...
. . btj .

Ejemplo.
 
  1 3  
2 −1 0 −2 4
·  4 2  =
−3 4 −2 15 −3
−1 1
Álgebra– p.22/75
Propiedades del producto de
matrices

El producto de matrices verifica las propiedades


Asociativa: (A · B) · C = A · (B · C) para matrices
adecuadas.
Distributiva respecto de la suma:
A · (B + C) = A · B + A · C.
Además, las matrices identidad Im ∈ Mn e In ∈ Mn son
tales que A · In = A, Im · A = A, para cualquier A ∈ Mm×n .
Por tanto, el producto de matrices es una operación
interna en Mn , siendo In ∈ Mn el elemento neutro.
Cabe advertir que en general el producto de dos matrices
no es conmutativo.
Álgebra– p.23/75
7.2. Matriz asociada a una aplicación lineal

Álgebra– p.24/75
Matriz asociada a una aplicación
lineal

Sea f : V −→ V ′ una aplicación lineal entre espacios


vectoriales de dimensiones n y m respectivamente; sean
B = {v1 , . . . , vn } base de V y B ′ = {v1′ , . . . , vm

} base de V ′ .
Para cada j, 1 ≤ j ≤ n existirán escalares únicos
a1j , a2j , . . . , amj de modo que
f (vj ) = a1j v1′ + a2j v2′ + · · · + amj vm

.

Llamaremos matriz asociada a f respecto de las bases B


y B ′ a la matriz de tamaño m × n

MBB ′ (f ) = (aij )m×n

cuya columna j-ésima es precisamente el vector de las


coordenadas de f (vj ) en la base B ′ .
Álgebra– p.25/75
Matriz asociada a una aplicación
lineal

Si v ∈ V y (x1 , x2 , . . . , xn )B es el vector de coordenadas de


v en la base B, es decir, v = x1 v1 + x2 v2 + · · · + xn vn y, de
forma similar, si (y1 , y2 , . . . , ym )B ′ es el vector de
coordenadas de f (v) en la base B ′ , esto es,
f (v) = y1 v1′ + y2 v2′ + · · · + ym vm ′
, puede comprobarse que
se verifica la igualdad matricial
     
y1 a11 a12 · · · a1n x1
 ..   .. .. . . ..  ·  .. 
 .   . = . . .   . 
ym am1 am2 · · · amn xn

Esta expresión, escrita abreviadamente Y = MBB ′ (f ) · X,


se llama expresión matricial de la aplicación lineal f en las
bases B y B ′ . Álgebra– p.26/75
Matriz asociada a una aplicación
lineal

A las ecuaciones


 y1 = a11 x1 + a12 x2 + · · · + a1n xn
y2 = a21 x1 + a22 x2 + · · · + a2n xn


 ...................................................

ym = am1 x1 + am2 x2 + · · · + amn xn

las llamaremos ecuaciones de f en las bases B y B ′ .


Las expresiones anteriores permiten obtener las
coordenadas del vector f (v) en la base B ′ a partir de las
coordenadas de v en la base B.

Álgebra– p.27/75
Ejemplo

Consideremos la aplicación lineal f : R3 −→ R2 que hace


corresponder a los vectores (1, 0, 1), (0, 1, 1) y (1, 1, 0) los
vectores (1, 0), (0, 2) y (1, 1) respectivamente. Puesto que

f (1, 0, 0) + f (0, 0, 1) = f (1, 0, 1) = 1(1, 0) + 0(0, 1)


f (0, 1, 0) + f (0, 0, 1) = f (0, 1, 1) = 0(1, 0) + 2(0, 1)
f (1, 0, 0) + f (0, 1, 0) = f (1, 1, 0) = 1(1, 0) + 1(0, 1)

se deduce que f (1, 0, 0) = 1(1, 0) − 21 (0, 1),


f (0, 1, 0) = 0(1, 0) + 32 (0, 1), f (0, 0, 1) = 0(1, 0) + 12 (0, 1) y la
matriz asociada a la aplicación respecto de las bases
 
1 0 0
canónicas es .
−1/2 3/2 1/2
Álgebra– p.28/75
Ejemplo

La ecuación matricial
 
  x1  
1 0 0 y1
·  x2  =
−1/2 3/2 1/2 y2
x3

es la expresión matricial de f en las bases consideradas.


Las ecuaciones de f respecto de las bases mencionadas
son 
y1 = x1
y2 = − 21 x1 + 32 x2 + 21 x3

Álgebra– p.29/75
Matrices y aplicaciones lineales

Puede observarse la relación existente entre las


operaciones matriciales y las operaciones con funciones.
De hecho, si V y V ′ son espacios vectoriales de
dimensiones n y m respectivamente, se verifica que
L(V, V ′ ) ∼
= Mm×n . En particular, L(Rn , Rm ) ∼
= Mm×n .
También se deduce que si V es un espacio vectorial de
= Mn ∼
dimensión n, entonces L(V ) ∼ = L(Rn ).
Por último, puede probarse que la matriz asociada a una
composición de aplicaciones lineales es el producto de
sus respectivas matrices asociadas, es decir,
MBB ′′ (g ◦ f ) = MB ′ B ′′ (g) · MBB ′ (f ).

Álgebra– p.30/75
7.3. Matrices regulares

Álgebra– p.31/75
Matrices regulares

Una matriz cuadrada A de tamaño n se dice regular,


invertible o no singular, si existe una matriz cuadrada B de
tamaño n de modo que A · B = In = B · A.
Si A ∈ Mn es una matriz regular, existe una única matriz
B ∈ Mn que verifica la igualdad anterior. Esta única matriz
se denomina inversa de A, y la representaremos por A−1 .
Por tanto,
A · A−1 = In = A−1 · A.

En el isomorfismo entre L(Rn ) y Mn , las matrices


regulares se corresponden con los automorfismos de Rn .

Álgebra– p.32/75
Matrices regulares

Denotaremos por GLn al conjunto de matrices reales


regulares, GLn = {A ∈ Mn : A es regular } ⊂ Mn .
El producto es una operación interna en GLn , ya que si A y
B son regulares, la matriz A · B es de también regular y se
verifica que
(A · B)−1 = B −1 · A−1 .
Por otra parte, la inversa A−1 de una matriz regular A, es
también una matriz regular con inversa precisamente A, ya
que (A−1 )−1 = A.
Todo esto nos permite concluir que (GLn , ·) es un grupo.
Es más, puede probarse sin dificultad que los grupos
(GL(Rn ), ◦) y (GLn , ·) son isomorfos.
Álgebra– p.33/75
Cálculo de una matriz inversa

Sea A = (aij ) ∈ Mm×n una matriz real y F1 , F2 , . . . , Fm sus


m filas, que como sabemos son vectores de Rn .
Llamaremos operaciones elementales por filas a:
Intercambiar de lugar dos filas Fi y Fj (Fi ↔ Fj ).
Multiplicar todos los elementos de una fila Fi por un
escalar λ no nulo (λFi ).
Sumar a una fila Fi el resultado de multiplicar otra fila
Fj , j 6= i, por un escalar arbitrario λ (Fi + λFj ).
De igual modo se pueden definir las operaciones
elementales por columnas y hacer un desarrollo paralelo al
que sigue.

Álgebra– p.34/75
Cálculo de una matriz inversa

Sea E1 (A) la matriz resultante de hacer una operación


elemental E1 en A, y E1 (In ) la matriz resultante de hacer
la misma operación en la matriz identidad In .
De manera similar, E2 E1 (A) y E2 E1 (In ) serán las matrices
resultantes de hacer en E1 (A) y E1 (In ) otra operación
elemental E2 .
Si E1 , E2 , . . . , Em es una sucesión de m operaciones
elementales que aplicadas sucesivamente sobre la matriz
A dan lugar a la matriz identidad In , el resultado de aplicar
la misma sucesión de operaciones sobre la matriz
identidad In es precisamente la matriz A−1 .

Álgebra– p.35/75
Cálculo de una matriz inversa

El esquema para el cálculo de la matriz inversa sería


entonces:

E1 E2
(A|In ) −→ (E1 (A)|E1 (In )) −→ (E2 E1 (A)|E2 E1 (In ))
E
m
··· −→ (In |A−1 ).

Álgebra– p.36/75
Ejemplo

 
1 0 −2
Calculemos la matriz inversa de A =  −1 0 1 .
1 2 1

Álgebra– p.37/75
Ejemplo

 
1 0 −2
Calculemos la matriz inversa de A =  −1 0 1 .
1 2 1

Para ello, formemos la matriz (A|I3 ) de tamaño 3 × 6 y


realicemos sobre ella operaciones elementales por filas
con el propósito de que en las tres primeras columnas
aparezca la matriz identidad I3 .

Álgebra– p.37/75
Ejemplo

 
1 0 −2
Calculemos la matriz inversa de A =  −1 0 1 .
1 2 1

Para ello, formemos la matriz (A|I3 ) de tamaño 3 × 6 y


realicemos sobre ella operaciones elementales por filas
con el propósito de que en las tres primeras columnas
aparezca la matriz identidad I3 .
 
1 0 −2 1 0 0

Así, hacemos (A|I3 ) =  −1 0 1 0 1 0  y
1 2 1 0 0 1
comenzamos con las operaciones elementales.
Álgebra– p.37/75
Ejemplo

 
F2 ↔ F3 1 0 −2 1 0 0

−→  1 2 1 0 0 1 
−1 0 1 0 1 0

Álgebra– p.38/75
Ejemplo

 
F2 ↔ F3 1 0 −2 1 0 0

−→  1 2 1 0 0 1 
−1 0 1 0 1 0
F2 − F1  
F3 + F1 1 0 −2 1 0 0
−→  0 2 3 −1 0 1 
0 0 −1 1 1 0

Álgebra– p.38/75
Ejemplo

 
F2 ↔ F3 1 0 −2 1 0 0

−→  1 2 1 0 0 1 
−1 0 1 0 1 0
F2 − F1  
F3 + F1 1 0 −2 1 0 0
−→  0 2 3 −1 0 1 
0 0 −1 1 1 0
F2 + 3F3  
F1 − 2F3 1 0 0 −1 −2 0

−→  0 2 0 2
3 1 
0 0 −1 1 1 0

Álgebra– p.38/75
Ejemplo

(1/2)F2  
−F3 1 0 0 −1 −2 0

−→  0 1 0 1 3/2 1/2 

0 0 1 −1 −1 0

Álgebra– p.39/75
Ejemplo

(1/2)F2  
−F3 1 0 0 −1 −2 0

−→  0 1 0 1 3/2 1/2 

0 0 1 −1 −1 0

Por tanto
 
−1 −2 0
A−1 =  1 3/2 1/2  .
−1 −1 0

Álgebra– p.39/75
7.4. Algunas aplicaciones del cálculo
matricial

Álgebra– p.40/75
Matriz de cambio de base

Sea V un espacio vectorial de dimensión finita n, y


B1 = {v1 , v2 , . . . , vn } y B2 = {w1 , w2 , . . . , wn } dos bases
cualesquiera.
Si v ∈ V podemos escribir
v = x1 v1 + x2 v2 + · · · + xn vn = y1 w1 + y2 w2 + · · · + yn wn .
Nuestro objetivo es encontrar la relación entre unas y otras
coordenadas. Llamemos (p1j , p2j , . . . , pnj )B2 al vector de
coordenadas de vj ∈ B1 en la base B2 , esto es
v1 = p11 w1 + p21 w2 + · · · + pn1 wn
v2 = p12 w1 + p22 w2 + · · · + pn2 wn
..................................................
vn = p1n w1 + p2n w2 + · · · + pnn wn
Álgebra– p.41/75
Matriz de cambio de base

Se comprueba entonces que




 y1 = p11 x1 + p12 x2 + · · · + p1n xn
y2 = p21 x1 + p22 x2 + · · · + p2n xn


 ..................................................

yn = pn1 x1 + pn2 x2 + · · · + pnn xn

A las n ecuaciones anteriores las llamaremos ecuaciones


de cambio de base de B1 a B2 .

Álgebra– p.42/75
Matriz de cambio de base

Las ecuaciones anteriores pueden escribirse


matricialmente como
     
y1 p11 p12 · · · p1n x1
 y2   p21 p22 · · · p2n   x2 
 ..  =  .. ..  · 
     
.. . . .. 
 .   . . . .   . 
yn B2
pn1 pn2 · · · pnn xn B1

A la matriz P = (pij ) la denominaremos matriz de cambio


de base de B1 a B2 .
La expresión anterior permite obtener las coordenadas de
un vector de V en la base B2 , una vez conocidas sus
coordenadas con respecto a la base B1 .
Álgebra– p.43/75
Matriz de cambio de base

Nótese que P = (pij ) es precisamente la matriz asociada a


la identidad iV respecto a las bases B1 y B2 , es decir,
P = MB1 B2 (iV ). En particular, como P es la matriz
asociada a un automorfismo, es una matriz regular. De
hecho, de la expresión matricial
YB2 = P · XB1
resulta, multiplicando a la izquierda de ambos miembros
de la igualdad por P −1 , que
XB1 = P −1 · YB2
es decir, P −1 es precisamente la matriz de cambio de base
B2 a B1 . No es difícil demostrar que, recíprocamente, toda
matriz regular de tamaño n se corresponde con un cambio
de coordenadas en V .
Álgebra– p.44/75
Matrices asociadas a una aplicación
lineal en bases distintas

Sea f : V −→ V ′ una aplicación lineal entre espacios


vectoriales de dimensión finita. Tomemos B1 y B2 bases
de V , y B1′ y B2′ bases de V ′ . Estudiemos qué relación
existe entre la matrices MB1 B1′ (f ) y MB2 B2′ (f ).

Dado un vector v ∈ V , sean XB1 y XB2 las matrices


columnas cuyos elementos son las coordenadas de v en
las bases B1 y B2 respectivamente. Análogamente, sean
YB1′ y YB2′ las matrices columnas cuyos elementos son las
coordenadas de f (v) en las bases B1′ y B2′
respectivamente. Entonces tenemos las ecuaciones
matriciales de f

YB1′ = MB1 B1′ (f ) · XB1 YB2′ = MB2 B2′ (f ) · XB2


Álgebra– p.45/75
Matrices asociadas a una aplicación
lineal en bases distintas

Por otra parte, si P es la matriz de cambio de base de B1 a


B2 y Q la matriz de cambio de base de B1′ a B2′ , tenemos
las relaciones XB2 = P · XB1 , YB2′ = Q · YB1′ , de donde

Q · YB1′ = MB2 B2′ (f ) · P · XB1

Como Q es una matriz invertible tenemos, multiplicando a


la izquierda en la igualdad anterior por Q−1 , que

YB1′ = Q−1 · MB2 B2′ (f ) · P · XB1

y por tanto

MB1 B1′ (f ) = Q−1 · MB2 B2′ (f ) · P.


Álgebra– p.46/75
Matrices asociadas a una aplicación
lineal en bases distintas

En muchas ocasiones se nos plantea el problema de hallar


la matriz asociada a f respecto de las bases B2 y B2′
cuando conocemos la matriz asociada a f respecto de las
bases B1 y B1′ . Puede resultar útil el siguiente modus
operandi:
Calcular la matriz MB2 B1 de cambio de base de B2 a
B1 en cuyas columnas aparecen las coordenadas de
los vectores de la base B2 en la base B1 .
Calcular la matriz MB1′ B2′ de cambio de base de B1′ a
B2′ en cuyas columnas aparecen las coordenadas de
los vectores de la base B1′ en la base B2′ .
Entonces MB2 B2′ (f ) = MB1′ B2′ · MB1 B1′ (f ) · MB2 B1 .
Álgebra– p.47/75
Matrices asociadas a una aplicación
lineal en bases distintas

El resultado anterior lo expresamos gráficamente


mediante el diagrama
MB ′ (f )
1 B1
B1 −→ B1′
M B2 B1 ↑ ↓ MB1′ B2′
MB ′ (f )
2 B2
B2 −→ B2′

Diremos que dos matrices A y B del mismo tamaño son


equivalentes, si existen matrices regulares P y Q tales que
B = Q−1 · A · P .
La relación ser equivalente a, definida en Mm×n , es de
equivalencia. Dos matrices asociadas a una misma
aplicación lineal respecto distintas bases son equivalentes.
Álgebra– p.48/75
Matrices de un endomorfismo en
bases distintas

Sea f : V −→ V un endomorfismo de un espacio vectorial


de dimensión finita V y tomemos B1 y B2 dos bases de V .
Teniendo en cuenta el desarrollo anterior, la relación entre
las matrices del endomorfismo f en las bases B1 y B2 es
MB2 (f ) = P −1 · MB1 (f ) · P , donde P = MB2 B1 el la matriz
de cambio de base de B2 a B1 . Es decir, el siguiente
diagrama es conmutativo:
MB1 (f )
B1 −→ B1
P ↑ ↓ P −1
MB2 (f )
B2 −→ B2

Álgebra– p.49/75
Matrices de un endomorfismo en
bases distintas

Diremos que dos matrices cuadradas A y B del mismo


tamaño son semejantes, si existe una matriz regular P tal
que B = P −1 · A · P .
De nuevo, la relación ser semejante a, definida en el
conjunto de matrices cuadradas Mn , es una relación de
equivalencia.
Obsérvese que dos matrices asociadas a un mismo
endomorfismo respecto distintas bases son semejantes.

Álgebra– p.50/75
7.5. Rango de una matriz

Álgebra– p.51/75
Rango de una matriz

Dada una matriz A ∈ Mm×n , sus columnas pueden


considerarse como un sistema de n vectores de Rm . Se
define entonces el rango de la matriz A como el rango del
sistema de sus vectores columna.
Puede probarse que el rango del sistema de los vectores
columna de una matriz coincide con el rango del sistema
de sus vectores fila.
Dado un espacio vectorial V de dimensión finita n y un
sistema S = {v1 , v2 , . . . , vm } de m vectores de V , el rango
de S es igual al rango de la matriz A de tamaño m × n
cuyas filas son los vectores de coordenadas de los
vectores vi en una base cualquiera de V . En particular S
será un sistema libre si, y sólo si, rang(A) = m.
Álgebra– p.52/75
Rango de una matriz

Proposición. Sea f : V −→ V ′ una aplicación lineal entre


espacios vectoriales, con dim(V ) = n, dim(V ′ ) = m y sea
A ∈ Mm×n la matriz asociada a f respecto de bases
cualesquiera de V y V ′ . Entonces, rang(A) = rang(f ).
Este teorema permite caracterizar la aplicación f a partir
del rango, pues se verifica:
Proposición. Sea f : V −→ V ′ una aplicación lineal entre
espacios vectoriales de dimensión finita y A la matriz
asociada a f respecto de cualesquiera bases de V y V ′ .
Entonces:
f es inyectiva si, y sólo si, rang(A) = dim(V ).
f es sobreyectiva si, y sólo si, rang(A) = dim(V ′ ).
Álgebra– p.53/75
Rango de una matriz

Recordemos por último que toda matriz cuadrada A de


tamaño n define, fijada una base de Rn , un único
endomorfismo de este espacio, y que además las matrices
regulares son precisamente las matrices asociadas a los
automorfismos. Tenemos entonces demostrado el
siguiente resultado:
Teorema. Una matriz cuadrada A de tamaño n es
invertible si, y sólo si, rang(A) = n.

Álgebra– p.54/75
Método para calcular el rango de una
matriz

Puesto que el rango de una matriz A ∈ Mm×n es igual al


rango del sistema de Rn formado por sus m filas y
sabemos calcular el rango de un sistema de vectores,
podemos afirmar que el rango de la matriz A coincide con
el de la matriz que resulta al hacer alguna de las siguientes
operaciones elementales por filas en la matriz A:
Permutar el orden de dos filas Fi y Fj (Fi ↔ Fj ).
Sustituir una fila Fi por el resultado de multiplicar todos
los elementos de dicha fila por un escalar λ 6= 0 (λFi ).
Sustituir una fila Fi por el resultado de sumar a dicha
fila el producto de un escalar arbitrario λ por otra fila Fj
con j 6= i (Fi + λFj ).
Álgebra– p.55/75
Método para calcular el rango de una
matriz

Podríamos haber hecho un desarrollo análogo trabajando


con el sistema de Rm formado por las n columnas de A, y
efectuando operaciones elementales por columnas.
Así, dada una matriz A podemos encontrar mediante
operaciones elementales, ya sean por filas o por columnas
(o combinando ambas), una matriz triangular T de igual
rango que A, que será precisamente el número de filas no
nulas de T .

Álgebra– p.56/75
Ejemplo

Encontremos el rango de la matriz


 
2 1 0 −1
A =  −2 −4 2 −2  ∈ M3×4 , a partir de otra matriz
1 −1 1 −2
triangular obtenida efectuando operaciones elementales
por filas en A.

Álgebra– p.57/75
Ejemplo

Encontremos el rango de la matriz


 
2 1 0 −1
A =  −2 −4 2 −2  ∈ M3×4 , a partir de otra matriz
1 −1 1 −2
triangular obtenida efectuando operaciones elementales
por filas en A.
   
2 1 0 −1 F1 ↔ F3 1 −1 1 −2
 −2 −4 2 −2  −→  −2 −4 2 −2 
1 −1 1 −2 2 1 0 −1

Álgebra– p.57/75
Ejemplo

F2 + 2F1  
F3 − 2F1 1 −1 1 −2
−→  0 −6 4 −6 
0 3 −2 3

Álgebra– p.58/75
Ejemplo

F2 + 2F1  
F3 − 2F1 1 −1 1 −2
−→  0 −6 4 −6 
0 3 −2 3
 
F3 + (1/2)F2 1 −1 1 −2
−→  0 −6 4 −6 
0 0 0 0

Álgebra– p.58/75
Ejemplo

F2 + 2F1  
F3 − 2F1 1 −1 1 −2
−→  0 −6 4 −6 
0 3 −2 3
 
F3 + (1/2)F2 1 −1 1 −2
−→  0 −6 4 −6 
0 0 0 0

Por tanto rang(A) = 2.

Álgebra– p.58/75
7.6. Determinante de una matriz

Álgebra– p.59/75
Determinante de una matriz

Definimos el determinante
 de
 la matriz cuadrada de
a11 a12
tamaño dos A = ∈ M2 como el número real
a21 a22

a11 a12
det(A) = |A| = = a11 a22 − a12 a21 .
a21 a22

Ejemplo.

1 −2
= 1 · (−7) − (−2) · 4 = 1.
4 −7

Álgebra– p.60/75
Determinante de una matriz

Definimos el determinante
 de la matriz
 cuadrada de
a11 a12 a13
tamaño tres A =  a21 a22 a23  ∈ M3 como el número
a31 a32 a33
real

a11 a12 a13

det(A) = |A| = a21 a22 a23

a
31 a32 a33

= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
−(a13 a22 a31 + a12 a21 a33 + a11 a23 a32 ).

Álgebra– p.61/75
Determinante de una matriz

Como regla nemotécnica, si se añaden a la matriz A sus


dos primeras columnas, los términos del primer paréntesis
son los productos de las diagonales hacia abajo, mientras
que los del paréntesis precedido por el signo menos son
los productos de las diagonales hacia arriba.

a11 a12 a13 a11 a12


a21 a22 a23 a21 a22 diagonales hacia abajo.
a31 a32 a33 a31 a32

a11 a12 a13 a11 a12


a21 a22 a23 a21 a22 diagonales hacia arriba.
a31 a32 a33 a31 a32
Álgebra– p.62/75
Ejemplo


−1 0 2

3 1 −2

4 −5 −7

= [(−1) · 1 · (−7) + 0 · (−2) · 4 + 2 · 3 · (−5)]

−[2 · 1 · 4 + 0 · 3 · (−7) + (−1) · (−2) · (−5)]

= −23 + 2 = −21.

Álgebra– p.63/75
Determinantes de orden superior

Dada una matriz cuadrada A = (aij ) de tamaño n,


llamaremos menor complementario del elemento aij de A
al determinante de la submatriz de A que resulta de
suprimir la fila i y la columna j.
Al menor complementario de aij lo denotaremos por αij .
Llamaremos adjunto del elemento aij y lo denotaremos por
Aij , al valor real
Aij = (−1)i+j αij .

Álgebra– p.64/75
Ejemplo

En la matriz
 
−1 0 2
A= 3 1 −2 
4 −5 −7
el menor complementario y el adjunto del elemento
a32 = −5 son respectivamente

−1 2 3+2
α32 =
= −4 y A32 = (−1) α32 = 4
3 −2

Álgebra– p.65/75
Determinantes de orden superior

Dada una matriz cuadrada A = (aij ) de tamaño n,


podemos obtener su determinante desarrollando por los
elementos de la fila i-ésima (o la columna j-ésima) del
siguiente modo:
n
X n
X
|A| = aij Aij = aij Aij .
j=1 i=1

De esta manera, el problema de calcular un determinante


de orden n se reduce al de calcular n determinantes de
orden n − 1.
De las expresiones anteriores se deduce la conveniencia
de desarrollar los determinantes por filas o columnas con
el mayor número de ceros posibles.
Álgebra– p.66/75
Ejemplo

Para calcular el determinante



3 1 2 4

5 −6 3 2
|A| =
0 4 0 3

−2 5 3 −4

desarrollamos por la tercera fila, obteniendo



3 2 4 3 1 2

|A| = 4 · (−1)3+2 5 3 2 + 3 · (−1)3+4 5 −6 3

−2 3 −4 −2 5 3
= −4 · 62 − 3 · (−94) = 34
Álgebra– p.67/75
Propiedades de los determinantes

Enunciaremos algunas interesantes propiedades de los


determinantes de una matriz cuadrada A ∈ Mn . En las
propiedades que requieran desarrollo, por comodidad, lo
hacemos para matrices de orden 3.

|A| = |At |.
Si B es la matriz que resulta de intercambiar dos
columnas de A, entonces |B| = −|A|.
Si A(λ) es la matriz que resulta de multiplicar todos los
elementos de una columna por un escalar real λ,
entonces |A(λ)| = λ · |A|.

Álgebra– p.68/75
Propiedades de los determinantes

Si una columna de A es combinación lineal del resto


de columnas, entonces su determinante vale cero. En
particular,
Si A tiene una columna de ceros, entonces |A| = 0.
Si A tiene dos columnas iguales, entonces |A| = 0.
Si A tiene dos columnas proporcionales, entonces
|A| = 0.
Si expresamos la columna j-ésima de A, (por ejemplo,
la segunda), (a12 , a22 , a32 ), como suma de dos vectores
(b12 , b22 , b32 ) y (c12 , c22 , c32 ) de R3 , entonces

Álgebra– p.69/75
Propiedades de los determinantes


a11 b12 + c12 a13 a11 b12 a13 a11 c12 a13

a21 b22 + c22 a23 = a21 b22 a23 + a21 c22 a23

a
31 b32 + c32 a33
a
31 b32 a33
a
31 c32 a33

El determinante de A = (aij ) es igual al determinante


de la matriz que resulta de sustituir la fila i-ésima Ai•
por el resultado de sumarle a dicha fila el producto de
un escalar λ cualquiera por otra fila Ah• con h 6= i. Por
ejemplo, para la segunda fila de una matriz de orden 3,

Álgebra– p.70/75
Propiedades de los determinantes


a11 a12 a13 a11 a12 a13

a21 a22 a23 = a21 + λa11 a22 + λa12 a23 + λa13 .

a
31 a32 a33 a a a

31 32 33

Gracias a esta propiedad es posible encontrar para toda


matriz cuadrada, otra matriz cuyo determinante sea el
mismo y que tenga una columna con todos los elementos
nulos menos uno (quizás todos nulos). Esto facilita el
cálculo del determinante de esta matriz desarrollando por
los elementos de la columna en cuestión.
De hecho, es posible encontrar una matriz triangular
superior (o inferior) cuyo determinante sea el mismo que el
de la matriz original. (Ver siguiente propiedad).
Álgebra– p.71/75
Propiedades de los determinantes

El determinante de una matriz triangular superior o


inferior es igual al producto de los elementos de la
diagonal principal.
Dadas dos matrices cuadradas A y B, se verifica que
|A · B| = |A| · |B|.
Una matriz cuadrada A es invertible si, y sólo si, su
determinante es no nulo. Además, |A−1 | = 1/|A|.
El rango de una matriz (no necesariamente cuadrada)
coincide con el tamaño de su mayor submatriz
cuadrada cuyo determinante es no nulo.

Álgebra– p.72/75
Otro método para calcular la matriz
inversa

Recordemos la definición de adjunto Aij del elemento aij


de una matriz. Llamaremos matriz adjunta de A a la matriz
cuadrada de tamaño n
 
A11 A12 . . . A1n
 A21 A22 . . . A2n 
Adj(A) =  . ..  .
 
. .. . .
 . . . . 
An1 An2 . . . Ann

Pues bien, si A es una matriz cuadrada invertible se


verifica que
1
−1
A = [Adj(A)]t .
|A|
Álgebra– p.73/75
Ejemplo

 
1 0 −2
Calculemos la matriz inversa de A =  −1 0 1 .
1 2 1

Como |A| = 2 6= 0, A es una matriz invertible.


En primer lugar calculamos la matriz adjunta de A.
Los adjuntos son

A11 = −2, A12 = 2, A13 = −2,


A21 = −4, A22 = 3, A23 = −2,
A31 = 0, A32 = 1, A33 = 0.

Álgebra– p.74/75
Ejemplo

Por tanto,
 t
−2 2 −2
1
A−1 = −4 3 −2 
2
0 1 0

   
−2 −4 0 −1 −2 0
1
= 2 3 1  =  1 3/2 1/2  .
2
−2 −2 0 −1 −1 0

Álgebra– p.75/75