• No se han encontrado resultados

1. Matrices. Operaciones con matrices

N/A
N/A
Protected

Academic year: 2023

Share "1. Matrices. Operaciones con matrices"

Copied!
8
0
0

Texto completo

(1)

REPASO MUY B ´ASICO DE MATRICES

1. Matrices. Operaciones con matrices

1.1. Introducci´ on

Las matrices aparecieron por primera vez hacia el a˜no 1850, introducidas por el ingl´es J. J. Sylvester. Su desarrollo se debe a W. R. Hamilton y a A. Caley.

Adem´as de su utilidad para el estudio de sistemas de ecuaciones lineales, las matrices aparecen de manera natural en geometr´ıa, estad´ıstica, econom´ıa y tambi´en en las ciencias naturales.

Actualmente, muchos programas de ordenador utilizan el concepto de matriz. As´ı, las hojas de c´alculo funcionan utilizando una inmensa matriz con cientos de filas y de columnas en cuyas celdas se pueden introducir datos y f´ormulas para realizar c´alculos a gran velocidad.

Esto requiere utilizar t´ecnicas de operaciones con matrices.

Una matriz es una tabla ordenada de n´umeros por filas y columnas. Diremos que la matriz A es de orden (m, n) si tiene m filas y n columnas, por ejemplo, las matrices

−1 0 1 2 2 3

, 5 0

1 −2

!

, 1 0 −3.5 9 3 −1

!

,

2 2 −3

0.5 5 1

−1 −2 0

,

son de ´ordenes (3, 2), (2, 2), (2, 3), (3, 3) respectivamente. Los vectores tambi´en son matrices, de una fila o una columna:

1

−2 3

,  −2 0 1 

Los elementos de la matriz se llaman aij, donde i es el n´umero de fila y j el n´umero de columna. Por ejemplo, en la primera matriz anterior, tenemos los siguientes elementos:

a11= −1, , a12= 0, a32 = 3, a22= 2.

Si el n´umero de filas coincide con el n´umero de columnas de una matriz, es decir n = m,

´

esta se dice que es cuadrada de orden n. Por ejemplo, las matrices

−0.3 1

1 2

!

,

−2 15 0 2.5 1 1

−1 −2 12

,

son matrices cuadradas de ´ordenes 2 y 3 respectivamente. En las matrices cuadradas, los elementos con igual n´umero de fila que de columna, aii forman la diagonal principal. En las matrices anteriores, las diagonales principales son (−0.3, 2) y (−2, 1, 12) respectivamente.

Dos matrices son iguales si tienen el mismo orden y adem´as los mismos elementos.

(2)

La matriz traspuesta de una matriz de orden (m, n), se escribe AT y es la matriz de orden (n, m) que se obtiene escribiendo sus filas como columnas y por lo tanto, sus columnas como filas. Por ejemplo,

AT = −1 2 3 0 4 −5

!

es la traspuesta de A =

−1 0

2 4

3 −5

,

y viceversa.

Llamaremos matriz sim´etrica a una matriz A que coincida con su traspuesta, es decir, A = AT. Observar que toda matriz sim´etrica debe tener el mismo n´umero de filas que de columnas, es decir, tiene que ser cuadrada.

1 −3 2

−3 0 1.4 2 1.4 3

es una matriz sim´etrica.

Algunos tipos especiales de matrices son los siguientes:

Matriz nula. Es la matriz, 0, en la que todos los elementos son cero:

0 0 0 0 0 0 0 0 0

,

0 0 0 0 0 0

, 0 0

0 0

!

,

son matrices nulas.

Matriz identidad. Es una matriz cuadrada, I, cuyos elementos son ceros excepto en la diagonal principal donde todos los elementos son uno:

1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1

, 1 0

0 1

!

,

1 0 0 0 1 0 0 0 1

,

son matrices identidad de ´ordenes o dimensi´on 4, 2 y 3 respectivamente.

Matriz triangular superior. Es una matriz cuadrada en la que todos los elementos por debajo de la diagonal principal son nulos.

U =

2 −1 3

0 1 2

0 0 −3

es triangular superior.

Matriz triangular inferior. Es una matriz cuadrada en la que todos los elementos por encima de la diagonal principal son nulos.

L =

1 0 0

−2 3 0

0.5 4 −3.1

es triangular inferior.

(3)

1.2. Operaciones con matrices

Las operaciones que vamos a definir entre matrices son la suma y el producto. Adem´as tambi´en podremos multiplicar matrices por n´umeros reales (escalares).

1.2.1. Suma de matrices

Si A, B son matrices del mismo orden (m, n), la matriz suma C = A + B es la que obtendremos sumando elemento a elemento. Por ejemplo,

A =

1 −1 0

2 3 −2

4 1 −3

, B =

0 3 1 2 3 −5 3 4 1

⇒ C = A + B =

1 2 1 4 6 −7 7 5 −2

Las propiedades de la suma de matrices son las mismas y se deducen a partir de las propiedades de la suma en el cuerpo de los n´umeros reales, esto es:

- Propiedad conmutativa:

2 1 0 3 0 −3

!

+ 1 1 −1

−2 0 4

!

= 1 1 −1

−2 0 4

!

+ 2 1 0

3 0 −3

!

= 3 2 −1

1 0 1

!

- Propiedad asociativa:

"

2 −1 0 1

!

+ 1 0

4 2

!#

+ 0 3

−2 1

!

= 2 −1

0 1

!

+

"

1 0 4 2

!

+ 0 3

−2 1

!#

- Existencia de elemento neutro: la matriz nula definida anteriormente satisface:

−2 3 5 0

!

+ 0 0

0 0

!

= −2 3

5 0

!

- Existencia de elemento opuesto: Dada A = (aij), la matriz −A = (−aij) satisface:

−2 3 5 0

!

+ 2 −3

−5 0

!

= 0 0

0 0

!

Por lo tanto, hay operaci´on resta definida por A − B := A + (−B).

1.2.2. Producto por escalares

Si A es una matriz y λ es un escalar (real), entonces la matriz λA es la que se obtiene al multiplicar todos los elementos de A por el n´umero real λ, esto es por ejemplo,

λ = 3, 3 ∗ −1 2 3 1

!

= −3 6

9 3

!

Las propiedades del producto de matrices de por escalares son las siguientes:

(4)

1. Propiedad distributiva respecto a la suma de matrices:

λ(A + B) = λA + λB.

2. Propiedad distributiva respecto a la suma de escalares:

1+ λ2)A = λ1A + λ2A, 3. Propiedad asociativa mixta:

1λ2)A = λ12A).

1.2.3. Producto de matrices

Si A es una matriz (m, n) y B una matriz (n, p) (observar que el n´umero de columnas de A debe coincidir con el de filas de B), entonces la matriz producto

C = A · B o bien C = AB es una matriz (m, p), de modo que AB = (cij) donde

cij =

n

X

k=1

aikbkj, i ∈ {1, . . . , m}, j ∈ {1, . . . , p}.

En esta notaci´on sumatoria, los ´ındices i, j est´an fijos e indican el elemento (i, j) de la matriz que estamos calculando. El ´ındice que var´ıa es el k, que va tomando todos los valores comprendidos entre {1, . . . , n}. Por lo tanto, se observa que de cada elemento cij de la matriz producto se puede ver c´omo es una operaci´on entre los elementos de la fila i-´esima de la ma- triz A y los elementos de la columna j-´esima de la matriz B: multiplicamos ordenadamente cada elemento de la fila i-´esima de A con el del mismo lugar en la columna j-´esima de B y se suman los resultados:

2 −1 3 1

!

∗ 1 2 −3 4 0 −2

!

= 2 ∗ 1 + (−1) ∗ 4 2 ∗ 2 + (−1) ∗ 0 2 ∗ (−3) + (−1) ∗ (−2) 3 ∗ 1 + 1 ∗ 4 3 ∗ 2 + 1 ∗ 0 3 ∗ (−3) + 1 ∗ (−2)

!

= −2 4 −4

7 6 −11

!

Las propiedades del producto de matrices son:

1. Propiedad asociativa:

A(BC) = (AB)C.

2. Propiedad distributiva respecto de la suma de matrices:

A(B + C) = AB + AC.

3. Existencia de elemento neutro: Dada A de orden n las matriz identidad I de orden n satisface (¡observemos que estamos hablando de matrices cuadradas!):

IA = A, AI = A.

¡atenci´on: el producto de matrices no posee la propiedad conmutativa!

(5)

1.2.4. Matriz inversa de una matriz cuadrada

Dada una matriz cuadrada A de orden n, diremos que la matriz B es la inversa de A si satisface

AB = BA = I, donde I denota la matriz identidad de orden n.

La inversa de una matriz, si existe, es ´unica y la denotaremos por A−1. En ese caso diremos que A es inversible, regular o no singular.

Si A, B son matrices inversibles, entonces la matriz producto C = AB tambi´en es inver- sible y adem´as su inversa es

C−1 = B−1A−1.

2. Determinantes

2.1. Introducci´ on

Las cuestiones sencillas acerca del determinante de una matriz cuadrada no son las f´ormulas expl´ıcitas que lo definen sino m´as bien las propiedades que posee, as´ı que vere- mos algunas de las propiedades m´as importantes. Para la mejor comprensi´on de ´estas, las ilustraremos con un ejemplo 2 × 2. Comenzaremos definiendo el determinante de matrices 2 × 2, al que denotaremos por det A o bien |A|, y es el n´umero real definido por:

det a b c d

!

:= ad − bc.

2.2. Algunas propiedades del determinante

1. El determinante de una matriz coincide con el de su traspuesta. En nuestro caso particular,

ad − bc = det a b c d

!

= det a c b d

!

= ad − cb.

2. Si una matriz tiene una fila (columna) nula, su determinante es cero. En nuestro caso particular,

det 0 0 c d

!

= 0, det a b 0 0

!

= 0.

3. Si una matriz tiene dos filas (columnas) proporcionales entonces su determinantes es cero. En nuestro caso particular,

det a b

λa λb

!

= aλb − λab = 0.

(6)

4. El determinante cambia de signo cuando se intercambian dos filas (columnas). En nuestro caso particular,

det c d a b

!

= cb − ad = −det a b c d

!

= −(ad − cb).

2.3. La regla de Sarrus

El determinante de una matriz A de orden 3 se puede definir directamente a partir de la conocida regla de Sarrus:

det

a11 a12 a13

a21 a22 a23 a31 a32 a33

=

a11 a12 a13

a21 a22 a23 a31 a32 a33

= (a11a22a33+ a21a32a13+ a12a23a31)

− (a13a22a31+ a32a23a11+ a12a21a33).

Ejemplo.

det

2 1 2

1 0 −1

−2 1 3

= (2 · 0 · 3 + 1 · 1 · 2 + 1 · (−1) · (−2)) − (2 · 0 · (−2) + 1 · 1 · 3 + 1 · (−1) · 2) = 3.

2.4. Regla de Cramer para resolver sistemas lineales

Una aplicaci´on de los determinantes es la regla de Cramer para resolver sistemas lineales

“cuadrados”. Sin m´as explicaciones detallamos a continuaci´on las soluciones de Cramer para sistemas de dos ecuaciones con dos inc´ognitas y tres ecuaciones con tres inc´ognitas.

Observar que en el denominador ponemos el determinante de la matriz del sistema y en el numerador el mismo determinante sustituyendo una columna (la de la inc´ognita que estamos calculando) por la columna de t´erminos independientes:

Dos ecuaciones

ax + by = p cx + dy = q

)

, x =

p b q d

a b c d

, y =

a p c q

a b c d

.

Tres ecuaciones

a1x + b1y + c1z = p a2x + b2y + c2z = q a3x + b3y + c3z = r

, x =

p b1 c1 q b2 c2 r b3 c3

a1 b1 c1 a2 b2 c2 a3 b3 c3

, y =

a1 p c1 a2 q c2 a3 r c3

a1 b1 c1 a2 b2 c2 a3 b3 c3

, z =

a1 b1 p a2 b2 q a3 b3 r

a1 b1 c1 a2 b2 c2 a3 b3 c3

.

(7)

Ejemplo. La soluci´on del sistema:

x1+ 2x2 = 0 2x1− x2 = 10

)

es

x1 =

0 2

10 −1

1 2 2 −1

= −20

−5 = 4, x2 =

1 0 2 10

1 2 2 −1

= 10

−5 = −2.

Ejemplo. Consideremos el sistema

x1+ x2+ 2x3 = 9 2x1+ 4x2− 3x3 = 1 3x1+ 6x2− 5x3 = 0

.

El determinante de la matriz de los coeficientes es

1 1 2

2 4 −3 3 6 −5

= −1 6= 0,

por lo que podemos garantizar en primer lugar que el sistema es compatible determina- do, es decir, que posee una ´unica soluci´on. Para resolverlo, aplicando la regla de Cramer calcularemos

x1 = 1 (−1)

9 1 2

1 4 −3 0 6 −5

= (−1)(−1) = 1,

x2 = 1 (−1)

1 9 2

2 1 −3 3 0 −5

= (−1)(−2) = 2,

x3 = 1 (−1)

1 1 9 2 4 1 3 6 0

= (−1)(−3) = 3.

(8)

EJERCICIOS Matrices

Para las matrices,

A = 1 0 −2 4 3 3

!

, B =

2 7 −2

4 2 0

2 −3 1

, C = 2 −5 0 6

0 1 3 −1

!

, D =

2 −3

1 0

−1 4

E =

−1 3 4

3 0 −3

4 −3 3

, F = 1 −1 1 1

!

, G =

9 −1 0 −2

1 −1 −4 1

0 1 0 −1

, u =

1 0

−1

, v =

2

−1 0 3

Resolver las siguientes cuestiones u operaciones:

1. B + E, A + DT, AT + D, AB, BD, Bu, CTF, Cv, Eu 2. 4 ∗ A, 2 ∗ C, −u, −3 ∗ GT, B − E,

1 2



∗ D, B + 3 ∗ I, F − 2 ∗ I 3. ¿Es alguna de las matrices anteriores sim´etricas?

4. Calcular el determinante de las matrices cuadradas anteriores Sistemas lineales

Resolver mediante la Regla de Cramer los siguientes sistema de ecuaciones lineales 1.

3x + 2y − z = 4 2x − y + 2z = 3 x + 3y + 2z = −5

, soluci´on: x = −68/35, y = 53/35, z = 42/35.

2.

x + 4y + 2z = −2

−2x − 8y + 3z = 32 y + z = 1

, soluci´on: x = 2, y = −3, z = 4.

3.

x + 2y + z = 1 2x + 3y + 4z = 10

x + 4y − 4z = −18

, soluci´on: x = 2, y = −2, z = 3.

Chelo Ferreira Facultad de Veterinaria

Referencias

Documento similar

Los termogramas obtenidos en atmosfera de N 2 indicaron que la buena estabilidad térmica de las matrices no se ve afectada por la presencia de las cargas (Figuras II.14 y II.15

Para las capas convolucionales es algo más complicado, ya que el tamaño de los filtros es menor al del input fmap, requiere usar matrices de Toeplitz, que extiende la matriz del

El modelo teórico obtenido evidencia que los geles C-S-H son termodinámicamente las fases más estables en todo el intervalo de tiempos estudiado (hasta 1 año). Sin embargo, a

PROPUESTA DE INSTRUMENTO DE EVALUACIÓN CONTINUA: LA RÚBRICA - CÁLCULO DE MATRICES.

firstly we can take advantage of the either diagonal or circulant structure of resolution and overlapping kernel operators, respectively, to provide explicit inversion formulas

Mediante el conocimiento más profundo y amplio del patrimonio aragonés que proporciona esta materia, se pretende lograr que el alumnado desarrolle una

, n − 1] is a Z–matrix with positive leading principal minors, then it is easy to check that we can perform the Gaussian elimination without row exchanges until obtaining an

But then it follows from the Kronecker reduction of regular polynomial matrices ([11], Theorem 3.1) that the systems are strictly equivalent to the same canonical form and hence to

• Caja de plástico con espacio para 8 juegos de matrices... La nueva herramienta utiliza una serie de matrices comunes entre las herramientas y las cabezas com- presoras de 130

usando Excel 153 7.1 Introducción 153 7.2 Operaciones entre matrices y vectores con Excel 153 Matriz por vector columna 153 Vector fila por matriz 158 7.3 Multiplicación de

Ejercicio 1. Recodificación e identificación de matrices en las distintas representaciones equivalentes de un sistema de m ecuaciones lineales con n incógnitas. Análisis de

Matrices de contraste utilizadas para el análisis de similitud con el módulo CROSSTAB y matrices de respuesta, correspondiente a los modelos de invierno de cada banco y a las larvas

In [6], Feldman showed that in C n there exist a hypercyclic semigroup gen- erated by (n + 1)-tuple of diagonal matrices on C n and that no semigroup generated by n-tuple

1) La descomposición en valores singulares descompone una matriz A de di- mensión n × m como producto de tres matrices, UΣV T , donde U , V son ma- trices unitarias y Σ es una

La descomposición en valores singulares es una técnica muy útil en el campo de la ciencia de datos, ya que permite descomponer o factorizar una matriz A como suma de otras matrices

4) Elemento inverso: para todas las matrices de orden n con determinante no nulo existe otra matriz de orden n con determinante no nulo, donde el producto de ambas es la

Las manifestaciones musicales y su organización institucional a lo largo de los siglos XVI al XVIII son aspectos poco conocidos de la cultura alicantina. Analizar el alcance y

De acuerdo a los elementos del proyecto de Matrices de Trazabilidad puede haber: Matriz de EntidadesBD con Conceptos, Matriz de EntidadesBD con Modelo de Clases del Diseño, matriz

We study the relation between certain non-degenerate lower Hessenberg infinite matri- ces G and the existence of sequences of orthogonal polynomials with respect to Sobolev

La suma de matrices de n´ umeros reales de cualquier tama˜ no es conmutativa, asociativa, y tiene elemento neutro dado por la matriz nula. Es consecuencia directa de las

Dada la baja concentración de proteína prion en plasma y orina y la posible presencia de inhibidores de la PMCA en estas matrices, la realización de PMCA sobre exosomas aislados a

SEGUNDO.— En la demanda rectora del presente procedimiento se pretende en síntesis que se compute en la base reguladora de la prestación de jubilación los periodos consignados

Lane 1: nuclear matrices (IP); lane 2: supernatant (IP); lane 3: muscle homogenate (positive control); lane 4: whole nuclei; lane 5: negative control incubating nuclear matrices