Sunteți pe pagina 1din 31

lgebra Lineal

MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES


1.0 Matrices
Las matrices son un conjunto de valores ordenados rectangularmente y son tiles en el clculo
numrico, en la resolucin de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de
las derivadas parciales. Tienen tambin muchas aplicaciones en el campo de la fsica.
Una matriz es una tabla ordenada de escalares ai j de la forma
a11
a 21
...
a m1

a12
a22
...
am 2

... a1n
... a2 n
... ...
... amn

Se utilizan usualmente letras maysculas para denotar matrices y letras minsculas para denotar a
sus elementos. La matriz anterior puede ser denota por A y sus elementos por (ai j), i =1, ..., m, j =1,
..., n, o simplemente por (ai j ).
Dada una matriz, los trminos horizontales son las filas (o renglones) de la matriz y los verticales son
sus columnas. Una matriz con m filas y n columnas se denomina matriz m por n, o matriz m x n.
Para la indicacin de cualquier elemento de la matriz, el primer nmero indica el rengln y el
segundo la columna, por ejemplo: para el elemento a12 el nmero 1 indica el rengln 1 y el nmero 2
indica la columna 2.
Una de las principales ventajas de las matrices es que la posicin de sus elementos queda
determinada de manera nica por el rengln y la columna a la que pertenecen.
Ejemplo:
La siguiente matriz es una matriz 2 x 3:

1
0

3
5

4
2

donde sus filas son (1, -3, 4) y (0, 5, -2) y sus columnas

1
,
0

3
y
5

4
2

Los nmeros dentro del arreglo reciben el nombre de elementos de la matriz.

lgebra Lineal
1.1 TIPOS ESPECIALES DE MATRICES
Segn el aspecto de las matrices, stas pueden clasificarse en diferentes tipos, dependiendo en
algunos casos de la forma de la matriz y en otros de los valores de sus elementos, a continuacin se
presentan los tipos ms comunes de matrices:
1.1.1

Matriz nula

Una matriz nula es aquella que sin importar su forma o tamao, todos sus elementos valen cero.
1.1.2

Matrices cuadradas

Una matriz cuadrada es la que tiene el mismo nmero de filas que de columnas. Se dice que una
matriz cuadrada n x n es de orden n y se denomina matriz n-cuadrada.
Ejemplo: Sean las matrices
1

A= 4
3

0
1

3
5

yB=

2
1

3
5

Entonces, A y B son matrices cuadradas de orden 3 y 2 respectivamente.


1.1.3 Matriz identidad
Sea A = (ai j ) una matriz n-cuadrada. La diagonal (o diagonal principal) de A consiste en los
elementos a11, a22, ..., ann., es decir todos los elementos donde la posicin i = j.
La traza de A, escrito tr A, es la suma de los elementos diagonales.
La matriz n-cuadrada con unos en la diagonal principal y ceros en cualquier otra posicin, denotada
por I, se conoce como matriz identidad (o unidad). Para cualquier matriz A,
A I = I A = A.
1.1.4 Matrices triangulares
Una matriz cuadrada A = (ai j ) es una matriz triangular, si nicamente los elementos por arriba o por
debajo de la diagonal principal son todos cero. As pues, se tienen dos tipos de matrices triangular,
superior o inferior. Si todos los elementos bajo la diagonal principal son iguales a cero, es triangular
superior, en caso contrario es triangular inferior. As pues, las matrices.

lgebra Lineal

5
0

3
1

1
0

7
3

2
4

1 8
0 2

3
1

6
7

0
0

6
0

2
5

0
0

son matrices triangulares superiores de rdenes 2, 3 y 4. Respectivamente.


1.1.5 Matrices diagonales
La diagonal principal de una matriz cuadrada, esta compuesta de todos los elementos en cuya
posicin es igual el nmero del rengln y el nmero de la columna.
Una matriz cuadrada es diagonal, si todos sus elementos no diagonales son cero o nulos.
Se denota por D = diag (d11, d22, ..., dnn ). Por ejemplo,
3
0

0 0
1 0

4
0

0
3

6
0
1

son matrices diagonales que pueden representarse, respectivamente, por diag(3,-1,7) diag(4,-3) y
diag(2,6,0,-1).
1.1.6 Transpuesta de una matriz
La transpuesta de una matriz A consiste en intercambiar las filas por las columnas y se denota por
AT.
As, la transpuesta de
3
A= 2
4

1
5

4
7

es

AT

3
1
4

2
5

4
0

7 9

Es decir, si A = (ai j ) es una matriz m x n, entonces AT = aijT es la matriz n x m.


La transposicin de una matriz cumple las siguientes propiedades:
1. (A + B)T = AT + BT.
2. (AT)T = A.
3. (kA)T = kAT (si k es un escalar).
4. (AB)T = BTAT.
3

lgebra Lineal
1.1.7 Matrices simtricas
Se dice que una matriz real es simtrica, si AT = A; y que es antisimtrica, si AT = -A.
Ejemplo:
Consideremos las siguientes matrices:
2

A=

3
5

B=

0
5

4
5
0

C=

1 0 0
0 1 0

Podemos observar que los elementos simtricos de A son iguales, o que AT = A. Siendo as, A es
simtrica.
Para B los elementos simtricos son opuestos entre s, de este modo B es antisimtrica.
A simple vista, C no es cuadrada; en consecuencia, no es ni simtrica ni antisimtrica.
1.1.8 Matrices ortogonales
Se dice que una matriz real A es ortogonal, si AAT = AT A = I. Se observa que una matriz ortogonal A
es necesariamente cuadrada e invertible, con inversa A-1 = AT.
Consideremos una matriz 3 x 3 arbitraria:
a1

a2

a3

A = b1
c1

b2

b3

c2

c3

Si A es ortogonal, entonces:
a1

a2

a3

AAT = b1
c1

b2

b3

c2

c3

a1

b1

c1

a2

b2

a3

b3

c2 =
c3

1 0 0
0 1 0 =I
0 0 1

1.1.9 Matrices normales


Una matriz es normal si conmuta con su transpuesta, esto es, si AAT = ATA.
Obviamente, si A es simtrica, antisimtrica u ortogonal, es necesariamente normal.

lgebra Lineal
Ejemplo:

6
3

Sea A =

AAT =

6
3

ATA =

3
. Entonces:
6
3
6

6 3
.
3 6

6 3
=
3 6
6
3

45 0
0 45

3
=
6

45 0
0 45

Puesto que AAT = ATA, la matriz es normal.


1.2 OPERACIONES CON MATRICES
En el lgebra matricial, se tiene definidas ciertas operaciones entre matrices, como son suma, resta
y multiplicacin, la divisin no est considerada como tal., pero se realiza por medio de la
multiplicacin utilizando el concepto de matriz inversa.
1.2.1 Suma y resta de matrices
Para poder sumar o restar matrices, stas deben tener el mismo nmero de filas y de columnas. Es
decir, si una matriz es de orden 3 x 2 y otra de 3 x 3, no se pueden sumar ni restar. Esto es as ya
que, tanto para la suma como para la resta, se suman o se restan los trminos que ocupan el mismo
lugar en las matrices.
Ejemplo:
3 1

Sean las matrices A = 0 5


7 0

3 1

A + B =

A - B =

0 5

2
3

1 2
2 5

3 yB=
4

1 2
2 5

4
8

7 0

3 1

1 2
2 5

4
8

0 5
7 0

3
4

4
8 . Entonces:
2

2 10 5
7

2
7

1
0
1

2
11
6

lgebra Lineal
Para sumar o restar ms de dos matrices se procede igual. Las matrices no tienen que ser
necesariamente cuadradas, sino nicamente del mismo orden (tamao).
Ejemplos:
Sean A =

1 2 4
3
,B=
2 7 6
0

A + B +C =

B + C =

1 2 4
2 7 6

1 2 4
2 7 6

2
3

3
0

3
0

0
5
yC=
1
1

2
3

2
3

0
+
1

0
+
1

5
1

5
1

1 3
.
1 2

1 3
1 2

1 3
1 2

7 3 7
.
3 5 7

1
1 7
.
3 11 9

1.2.2 Producto de matrices


Para poder multiplicar dos matrices, la primera debe ser en nmero de columnas igual al nmero de
filas de la segunda. La matriz resultante del producto quedar con el mismo nmero de filas de la
primera y con el mismo nmero de columnas de la segunda.
Es decir, si tenemos una matriz 2 x 3 y la multiplicamos por otra de orden 3 x 5, la matriz resultante
ser de orden 2 x 5.
(2 x 3) x (3 x 5) = (2 x 5)

Tamao de la nueva
matriz

COMPATIBLE

No DE FILAS Y COLUMNAS
DE LA MATRIZ RESULTANTE

Para realizar la multiplicacin de matrices, se debe tomar en cuenta que no es lo mismo premultiplicar que post-multiplicar.
En el ejemplo anterior, se puede observar que el producto de matrices no cumple la propiedad
conmutativa, ya que si multiplicamos la segunda matriz por la primera, no podramos efectuar la
operacin.
3 x 5 por 2 x 3,
:........:
puesto que la primera matriz no tiene el mismo nmero de columnas que filas la segunda.

lgebra Lineal
Supongamos que A = (ai j ) y B = (bi j ) son matrices tales que el nmero de columnas de A coincide
con el nmero de filas de B; es decir, A es una matriz m x p y B una matriz p x n. Entonces el
producto AB es la matriz m x n cuyo elemento ij se obtiene, sumando los productos de los elementos
uno a uno de la fila i de A por la columna j de B.
Esto es,
a11
.
al

...
...
...

a1 p
.
aip

.
aml

... .
... amp

b11 ... b1 j
. ...
. . ...
. ...
bpl ... bpj

... b1n
... .
... .

... .
... bpn

c11

...

c1n

.
.

...
cij

.
.

...
...

cml

cmn

donde cij = aj1b1j + aj2b2j + + ajpbpj.


Ejemplo:

1 2
3 4

1 1
0 2

11 2 0 11 2 2
3 1 4 0 3 1 4 2

1 5
3 11

Producto por un escalar

El producto de un escalar k por la matriz A, escrito kA o simplemente kA, es la matriz obtenida


multiplicando cada entrada de A por k:
ka11
kA = ...
kam1

ka12
...

...
...

ka1n
...

kam 2

... kamn

Ejemplo:
Sea A =

1
4

2
5

3
2

Entonces:
3A=

3 1 3 ( 2)
3 3
3 4
3 5
3 ( 2)

3
6
12 15

9
6

lgebra Lineal
1.2.3 Divisin de matrices
La divisin de matrices se define como el producto del numerador multiplicado por la matriz inversa
del denominador.
Es decir, sean las matrices A y B tal que A / B = A B -1, el concepto de inversa de una matriz se
presentar mas adelante.

1.2.3 Divisin entre un escalar


Si una matriz est dividida entre un escalar, todos los trminos de la matriz quedarn divididos entre
ese escalar.
Ejemplo:
Sean la matriz A =

8 16
, y k = 2 un escalar. En este caso:
3
6

8 16
A/ k

6
2

8/2
3/ 2

16 / 2
6/2

4
3/ 2

8
3

1.2.4 Reglas para el lgebra matricial


A continuacin se presentan algunas reglas para la operacin entre matrices y escalares.
Las letras maysculas indican matrices y las minsculas escalares.
1. A + B = B + A
2. A + ( B + C ) = ( A + B ) + C
3. A ( B C ) = ( A B ) C
4. A ( B + C ) = A B + A C
5. ( B + C ) A = B A + C A
6. A ( B C ) = A B - A C
7. ( B C ) A = B A - C A
8. k ( B + C ) = k B + k C

lgebra Lineal

9. k ( B C ) = k B - k C
10. (k p ) C = k ( p C ) = p ( k C)
11. ( k p ) C = k C - p C
12. ( k + p ) C = k C + p C
13. ( k B ) C = k ( B C ) = B ( k C )
1.3 MATRICES INVERTIBLES
Se dice que una matriz cuadrada A es invertible (o tiene inversa), si existe una matriz B con la
propiedad de que
AB = BA = I
siendo I la matriz identidad. Denominamos a la matriz B la inversa de A y la denotamos por A-1.
Ejemplo:
Supongamos A =

AB =

BA =

2 5
yB=
1 3

2 5
.
1 3
3
1

3
1

3
1

5
. Entonces:
2

5
6 5
=
2
3 3

5
2 5
.
=
2
1 3

10 10
1 0
=
=I
5 6
0 1

6 5 15 15
1 0
=
=I
2 2
5 6
0 1

Puesto que AB = BA = I, A y B son invertibles, siendo cada una la inversa de la otra.


Para que una matriz tenga inversa, debe ser forzosamente cuadrada, pero no todas las matrices
cuadradas son invertibles.
Existen varios mtodos para obtener la inversa de una matriz, de los cuales se presentar el de
Gauss, con aplicaciones de operaciones elementales de rengln.

lgebra Lineal
1.3.1 Operaciones elementales de rengln
Se conoce como operaciones elementales de rengln, a las operaciones que se pueden efectuar
entre los renglones de una matriz, sin alterar su solucin, obteniendo, despus de efectuar alguna
operacin elemental de rengln, una matriz resultante que es equivalente a la matriz original.
Las operaciones validas a los renglones de una matriz con las cuales se obtiene una matriz
equivalente son:
a) Multiplicacin de todos los elementos de un rengln por un escalar diferente de cero
b) Adicionar n veces un rengln a otro
c) Intercambio de renglones
Con las propiedades anteriores tenemos que para cualquier matriz cuadrada, se cumple que si
mediante un nmero finito de operaciones elementales de rengln, es posible transformarla en la
matriz identidad (unidad), entonces tiene inversa (es invertible) y si esas mismas operaciones
elementales de rengln son aplicadas a una matriz identidad, esta es transformada en la inversa de
la matriz original.
Es decir

Matriz A

Matriz I

Nmero finito de operaciones


elementales de rengln
Matriz I

Inversa de A

Para asegurarnos que las mismas operaciones elementales de rengln son aplicadas a la matriz
original (para transformarla en la identidad) y a la matriz identidad (para obtener la inversa), estas se
debern trabajar juntas.
El proceso se vuelve muy simple si se sistematiza, como solamente las matrices cuadradas pueden
tener inversa, entonces se pueden definir los siguientes conceptos en trminos de matrices
cuadradas:
- A los elementos de la diagonal principal se les conoce como pivote y son los que permiten hacer
cero, a los elementos de la misma columna pero en los diferentes renglones.
- Al proceso de dividir a todos los elementos del rengln donde se encuentra el pivote, entre el valor
del pivote se conoce como normalizacin (esto es el valor del pivote se hace 1).
- Al proceso de hacer cero el valor de algn elemento se conoce como eliminacin.
Ahora bien, para intentar llevar cualquier matriz cuadrada hacia la matriz unitaria, se deber hacer lo
siguiente:

10

lgebra Lineal
a) Se toma el primer elemento de la diagonal principal (pivote)
b) Se normaliza el rengln
c) Se eliminan los elementos de la misma columna del pivote exceptuando el mismo pivote. Esto se
hace multiplicando cada elemento del rengln del pivote por el negativo del elemento a eliminar y
sumando uno a uno los elementos del rengln del pivote con los elementos del rengln en donde se
encuentra el elemento a eliminar. Con esta accin el elemento a eliminar se hace cero.
d) Se toma el siguiente elemento de la diagonal principal, y se procede en la misma forma que los
incisos b y c.
En algunas ocasiones, el proceso de normalizacin se efecta al final, es decir cuando la matriz se
ha convertido en una matriz diagonal.
Si durante la aplicacin de estos pasos, no es posible obtener una matriz identidad, la matriz en
cuestin no tiene inversa.
1.3.2 Mtodo de Gauss
Este mtodo tambin es conocido como Mtodo de eliminacin de Gauss, y puede ser de
eliminacin parcial o total.
Sea A = (ai j ) una matriz cuadrada de orden n. Para calcular la matriz inversa de A, que
denotaremos como A-1, seguiremos los siguientes pasos:
Paso 1. Construir la matriz M n x 2n. M = A I esto es, A est en la mitad izquierda de M y la
matriz identidad I en la derecha.
Paso 2. Se deja tal y como est la primera fila de M, y debajo del primer trmino de la diagonal
principal, a11, que llamaremos pivote, hacemos ceros. Luego se opera como se indica en el siguiente
ejemplo.
Ejemplo:
Consideremos una matriz 3 x 3 arbitraria
a11

a12

a13

A = a 21
a31

a 22

a 23

a32

a33

11

lgebra Lineal
Paso 1.
a11
M = A I = a 21
a31

a12
a 22

a13
a 23

1 0 0
0 1 0

a32

a33

0 0 1

Paso 2.

El siguiente paso es igual que el anterior, pero esta vez se toma como pivote el segundo trmino de
la diagonal principal.
Al llegar al ltimo trmino de la diagonal, se procede igual que antes, pero poniendo los ceros
encima del nuevo pivote. Se observa que al tomar como pivote el ltimo trmino de la diagonal, la
matriz A se transforma en una matriz triangular.
Una vez realizados todos los pasos, la mitad izquierda de la matriz M se convierte en una matriz
diagonal. En este momento hay que proceder a transformar, si es que no lo est, la mitad izquierda
en la matriz identidad, dividiendo si fuera necesario las filas de M por un escalar.
2.0 DETERMINANTES
Funciones tales como x2, sen x, Ln x, se conocen con el nombre de funciones de una variables real,
porque a cada nmero real x, se le asigna como imagen un nmero real x 2, sen x, Ln x.
Esta funcin tiene como dominio al conjunto de matrices cuadradas y como imagen al conjunto de
los nmeros reales R.
La funcin determinante apareci por primera vez en el estudio de los sistemas de ecuaciones
lineales. Veremos que es una herramienta indispensable en el estudio y obtencin de stas.
A cada matriz n-cuadrada A = (ai j ) se le asigna un escalar particular denominado determinante de
A, denotado por det (A), | A | o
a11
a 21

a12
a 22

... a1n
... a 2 n

...
a m1

...
am 2

... ...
... a mn

12

lgebra Lineal
Una tabla ordenada n x n de escalares situada entre dos lneas verticales, llamada determinante de
orden n, no es una matriz.
2.1 DETERMINANTES DE ORDEN UNO Y DOS
Los determinantes de orden uno y dos se definen como sigue:
a11 = a11

a11

a12

a21 a22

= a11.a22

a12.a21

As, el determinante de una matriz 1 x 1 A = (a11) es el propio escalar a11, es decir, det (A) = |a11| =
a11.
Ejemplos:
a) Dado que el determinante de orden uno es el mismo escalar, tenemos lo siguiente:
det (24) = 24
det (-3) = -3
det (3x+5) = 3x+5.
b)
3 5

2 1
2
1

= (3)(1) (5)(2) = 3 10 = -7.

3
= (2)(-4) (-3)(1) = - 8 (-3) = - 8 + 3 = - 5.
4

2.2 DETERMINANTES DE ORDEN TRES


Para encontrar el determinante de una matriz cuadrada de orden 3, se utiliza un mtodo
conocido como regla de Cramer.
Consideremos una matriz 3 x 3 arbitraria A = (ai j ). El determinante de A se define como
sigue:
a11
det (A) = a 21
a31

a12
a 22
a32

a13
a 23 = a11 a22 a33 + a12 a23 a31 + a21 a32 a13 a13 a22 a31 a12 a21 a33
a33

a32 a23 a11

13

lgebra Lineal
Obsrvese que hay seis productos, cada uno formado por tres elementos de la matriz. Tres de los
productos aparecen con signo positivo (conservan su signo) y tres con signo negativo (cambian su
signo).
Para calcular los determinantes de orden tres, el siguiente diagrama puede ayudar a resolverlos:

(Para los tres productos positivos).

(Para los tres productos negativos).


Ejemplo:
Calcular el valor del determinante:
3

2 1

1
5 = (3)(2)(4) + (2)(-5)(-2) + (0)(1)(1) (-2)(2)(1) (0)(2)(4) (1)(-5)(3) = 24 + 20 + 0
4

(-4) 0 (-15) = 44 + 4 + 15 = 63
El determinante de la matriz 3 x 3 A = (ai j ) puede reescribirse como:
Det (A) = a11(a22a33 a23a32)
= a11

a22

a23

a32

a33

a12

a12(a21a33

a23a31) + a13(a21a32 a22a31)

a
a22
a21 a23
+ a13 21
a31 a32
a31 a33

que es una combinacin lineal de tres determinantes de orden dos, cuyos coeficientes (con signos
alternantes) constituyen la primera fila de la matriz dada.
Esta combinacin lineal puede indicarse de la forma siguiente:

a11

a11
a 21

a12
a 22

a13
a 23

a31

a32

a33

a12

a11
a 21

a12
a 22

a31

a32

a13
a11
a 23 + a13 a 21
a33
a31

a12
a 22

a13
a 23

a32

a33

14

lgebra Lineal
Ntese que cada matriz 2 x 2 se obtiene suprimiendo en la matriz inicial la fila y la columna que
contienen su coeficiente.
Ejemplo:
Para demostrar que la propiedad anterior se cumple, trabajaremos con:
3

2 1

=3

2
1

5 =3 0

5
4

2 1

0
2

1
5
4

2 0 2
2 1

5 +1 0

2 1

1
5
4

5
0 2
+1
= 3(8+5) 2(0-10) + 1(0+4) = 39 + 20 +4 = 63
4
2 1

2.3 DETERMINANTE DE ORDEN MAYOR A 3


Para matrices de orden mayor a 3. La regla de Cramer, generalmente no encuentra el valor del
determinante correctamente, por lo tanto es necesario utilizar un mtodo conocido como Expansin
de Cofactores.
2.3.1 Definiciones
Para poder describirlo es necesario definir los siguientes conceptos:
Menor de ai j
Si A es una matriz cuadrada de orden n x n, entonces el menor elemento ai j denotado por (Mi j )
se define como el determinante de la sub-matriz de orden (n-1) X (n-1) que se forma al suprimir el
rengln i y la columna j de la matriz A.
Cofactor de ai j
El cofactor del elemento ai j denotado por (Ci j ) se define como el valor del menor de este elemento
pero multiplicado por un signo, positivo o negativo, el cual se obtiene al elevar a la i + j el nmero
(-1).
De lo anterior se puede concluir que
Ci j = - (Mi j ) si i + j es impar, o
Ci j = (Mi j ) si i + j es par

15

lgebra Lineal
2.3.2 Expansin por cofactores
El determinante de una matriz cuadrada de orden n, se puede obtener multiplicando los elementos
de un rengln o columna por sus cofactores correspondientes y sumando estos productos.
Sea A = (ann) una matriz de orden arbitrario n x n (siendo n un nmero par). Para calcular el det (A)
se procede de la siguiente manera:
a11
a 21

a12
a 22

... a1n
... a 2 n

...
a m1

...
am 2

... ...
... a mn

a22

... a2 n

a12

= a11 ... ... ...


an 2 ... ann

... a1n

a21 ... ... ... ... ...


an 2 ... ann

a12

... a1n

an1 a22 ... a2 n


... ... ...

Los signos se van alternando segn la posicin que ocupen las entradas del determinante.
Es decir:

...
...
...
...
... ... ... ... ...
Cabe mencionar que cuando se utiliza este mtodo conviene seleccionar para el desarrollo, el
rengln o columna que tenga mayor nmero de ceros, pues esto simplifica el clculo.
Ejemplo:

Calcular el determinante de A =

3
1

2
5

0
1

1
0

4
0

2
1

0
3

1
2

Si observamos la matriz, podemos ver que en la tercera columna hay dos ceros. As pues, si
tomamos los elementos de la tercera columna para calcular el determinante, nos ahorraremos
calcular dos determinantes, ya que el producto de un determinante por cero es cero.
3

det (A) =

14
0

2
2
1

1
1
2

(-3) 1
4

5
2

1
0 = 1(-12+0-4-16-3) + 3(15+0+2+20-2-0) = -1(-35) +
1

3(35) = 35 +105 = 140


16

lgebra Lineal
Ejercicio: clculo de determinantes
------------------------------------------------------------------------------------------------------------------------ Calcular los siguientes determinantes:
a)

1
3
1

2 3
,
5
2
3

1
4
1

2
0

2
0

1
1

0
2

1
1

2
5

2
2

5
1

4
0

3
6

4 0
1 4
,
2 3
2 1

8
2

2
4

0
2

7, 2

b) 5
0

c)

7, 5

2 4
0

2.4 PROPIEDADES DE LOS DETERMINANTES


Las propiedades bsicas del determinante son las siguientes:
1. El determinante de una matriz A y el de su traspuesta AT son iguales, es decir,
A = AT

2. Sea A una matriz cuadrada,


Si A posee dos filas (columnas) iguales, necesariamente A = 0.
Si A es triangular, esto es, A slo tiene ceros por encima o por debajo de la diagonal
principal, entonces A es igual al producto de los elementos de la diagonal.
3. Supongamos que B se ha obtenido de A mediante una operacin elemental entre filas
o columnas,

Si se han intercambiado dos filas (columnas) de A, |B| = - |A|.


Si se ha sumado un mltiplo de una fila (columna) a otra, entonces |B| = |A|.
Si se ha multiplicado una fila (columna) de A por un escalar k, |B| = k|A|.

4. Sea A cualquier matriz n-cuadrada, son equivalentes los siguientes principios:

A es invertible, es decir, A tiene inversa A-1.

17

lgebra Lineal

AX = 0 tiene solamente la solucin trivial.


El determinante de A no es nulo: |A| 0.

5. El determinante es una funcin multiplicativa. Es decir, el determinante del producto de matrices A


y B es el producto de los determinantes: |AB| = |A| |B|.
6. Supongamos que A y B son matrices similares, entonces: |A| = |B|.
2.5 OTROS TIPOS DE MATRICES
Las matrices que se incluyen en esta seccin, no se definieron con anterioridad, debido a que en su
definicin se involucra el concepto de determinante.
2.5.1 Matriz singular
Si A es una matriz cuadrada tal que su determinante es igual a cero, entonces se dice que A es una
matriz singular
2.5.2 Matriz no-singular
Si A es una matriz cuadrada tal que su determinante es diferente de cero, entonces se dice que A es
una matriz no-singular
2.5.3 Matriz de cofactores
Sea A una matriz cuadrada de orden n, la matriz de cofactores de A, denotada por cof (A), se define
como la matriz cuyos elementos son los cofactores correspondientes a los elementos de A.
Para obtener la matriz de cofactores, primero hay que calcular el cofactor de cada elemento y
despus en el lugar del elemento se coloca el cofactor.
2.5.4 Matriz adjunta
Considerando una matriz cuadrada A. La matriz adjunta de A, denotado por adj A, es la traspuesta
de la matriz de cofactores de A:

adj A =

A11
A12

A21 ...
A22 ...

An1
An 2

...
A1n

...
A2 n

...
Ann

...
...

18

lgebra Lineal
Ejemplo:
1

Sea A = 0
2

Los cofactores de los nueve elementos de A son:


A11 = +

3 2
= 17
1 5

A12 =

0 2
=4
2 5

A13 = +

0
2

A21 =

2
1

A22 = +

1
2

1
=7
5

A23 =

1 2
=3
2 1

A31 = +

2
3

A32 =

1
0

1
= 2
2

A33 = +

1
0

1
= 11
5
1
=1
2

3
=6
1

2
= 3
3

La transpuesta de la matriz de los cofactores anteriores proporciona el adjunto de A:

adj A =

17
4

11
7

1
2
3

2.5.6 Aplicacin de adjunta para hallar la matriz inversa


Para toda matriz cuadrada A,
A(adj A) = (adj A) A = |A|I
De este modo, si |A|
1
adjA
A-1 =
A

0,

Observemos que esta propiedad nos permite hallar por otro mtodo la inversa de una matriz.
Ejemplo:
Consideremos la matriz

19

lgebra Lineal
1

A= 0
2

3
1

2 , adj A =

17
4

11
7

1
2
3

y el det A:
1
det A = 0
2

2
3

1
2 =

15 + 8 + 0 6 0 2 =

15

0.

As pues, aplicando la propiedad anterior:


A-1 =

1
adjA , obtendremos:
A

A-1 = 1/15

17
4

11
7

1
2
3

Ejercicio: clculo de la matriz inversa


------------------------------------------------------------------------------------------------------------------------ Calcular, por la propiedad anterior, la inversa de las siguientes matrices:
a)
A=

1 2
3
,B=
2 4
2

1
.
5

b)
1
A= 2
0

3
5
1

2
0 .
2

3.0 SISTEMAS DE ECUACIONES LINEALES


La necesidad de tener mtodos eficientes para resolver sistemas de ecuaciones algebraicas
lineales, es ms importante an que la solucin de las ecuaciones no-lineales.

20

lgebra Lineal
Esto es debido a que en muchos casos los problemas de matemticas aplicadas se reducen a un
conjunto de ecuaciones que constituyen un sistema lineal. Por este motivo puede decirse con razn,
que la principal tarea del anlisis numrico es la solucin de ecuaciones lineales.
Se ha desarrollado una gran cantidad de algoritmos para llevar a cabo la solucin de los sistemas
lineales, lo que indica que es engaoso el aparente carcter elemental del problema, adems de que
hay muchas fallas en los mtodos existentes.
En la solucin de los sistemas de ecuaciones lineales, encontramos que bsicamente existen dos
tipos de mtodos; exactos (directos) y de aproximaciones sucesivas (iterativos).

Los mtodos exactos se basan en la realizacin de una serie de pasos los cuales llevan a
una solucin del sistema que no puede ser mejorada, la cual depende de la exactitud de las
operaciones efectuadas. Aunque su nombre indica lo contrario, la solucin obtenida por los
mtodos exactos, dista mucho, en algunos casos, de ser la solucin exacta del sistema.

Los mtodos iterativos se basan en determinar la solucin del sistema, por medio de
aproximaciones sucesivas hacia la solucin a partir de un valor inicial. La ventaja de estos
mtodos es que se puede aproximar a la solucin del sistema tanto como se desee,
dependiendo de la exactitud requerida y del nmero de iteraciones deseado. Por otra parte
la desventaja de este tipo de mtodos es que el sistema debe estar bien condicionado para
poder llegar a la convergencia y obtener su solucin, adicionalmente la seleccin de los
valores iniciales de las incgnitas, pueden impactar en la rapidez de convergencia.

Una ecuacin algebraica lineal, es aquella donde en cada trmino de la ecuacin aparece
nicamente una variable o incgnita elevada a la primera potencia, por ejemplo:
a11 x1 + a12 x2 + a13 x3 + ................+ a1n xn = b1
es una ecuacin lineal en las variables x 1, x2, x3, ........, xn.
Se admite que los coeficientes a 11, a12, a13, ....., a1n y el trmino independiente b1, de la ecuacin,
son constantes reales.
Un sistema de ecuaciones lineales es un conjunto de ecuaciones que deben resolverse
simultneamente para todas las incgnitas. En lo sucesivo se considerarn nicamente sistemas de
ecuaciones algebraicas lineales, o sea conjuntos de ecuaciones de la forma:
a11 x1 + a12 x2 + a13 x3 + ................+ a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ................+ a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + ................+ a3n xn = b3
: :
: :
: :
:
: : :
: :
: :
: :
:
: : :
an1 x1 + an2 x2 + an3 x3 + ................+ ann xn = bn

21

lgebra Lineal
3.1 METODOS DIRECTOS
Una de las aplicaciones principales de las matrices es la solucin de sistemas de ecuaciones
lineales.
Aplicando la definicin de producto entre matrices, el sistema presentado anteriormente, con n
ecuaciones algebraicas lineales y con n incgnitas, puede escribirse en la forma matricial siguiente:
| a11 a12 a13 ........ a1n | | x1 | | b1 |
| a21 a22 a23 ........ a2n | | x2 | | b2 |
| a31 a32 a33 ........ a3n | | x3 | | b3 |
| : : :
:: | x | :: | = | : |
| : : :
:: | x | :: | = | : |
| an1 an2 an3 ........ ann | | xn| | bn |
de donde este sistema puede escribirse simblicamente como:
Ax=b
En donde A se llama matriz del sistema, x es el vector de incgnitas y b es el vector de trminos
independientes
Para resolver este tipo de sistemas, se utiliza lo que se conoce como matriz ampliada del sistema, la
cual se forma con la matriz A y se amplia con el vector de trminos independientes b.
La matriz ampliada M de un sistema de m ecuaciones con n incgnitas es la siguiente:

M=

... a1n
... a2 n

b1
b2

a11
a21

a12
a22

...
am1

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


am 2 ... amn bm

Cada fila de M corresponde a una ecuacin del sistema y cada columna a los coeficientes de una
incgnita, excepto la ltima, que corresponde a las constantes del sistema.
A continuacin se presentan dos de los mtodos directos ms comunes en la solucin de sistemas
de ecuaciones lineales
3.1.1 Mtodo de Gauss - Jordn
Un sistema de ecuaciones lineales puede resolverse trabajando con su matriz ampliada,
especficamente, reducindola a forma escalonada mediante el proceso de Gauss.
Este proceso se ilustra en el siguiente ejemplo.

22

lgebra Lineal
Ejemplo:
Sea el sistema,

x
2x
3x

2y
5y
2y

z
z
z

3
4
2

su matriz ampliada asociada es

x
1

y
2

2
3

5
2

z
1

1
1

3
4
2

Ahora resolvemos por el mtodo de Gauss sabiendo que la primera columna corresponde a los
coeficientes de la x, la segunda a los de la y, la tercera a los de la z y la cuarta a los trminos
independientes:

x
1

y
2

2
3

5
2

z
1

1
1

x y
1 2

z
1

0 1
0 0

3
1

x
1

y
2

4
2

0
0

1
8

z
1

3
4

x y z
1 2 0

10
3

0 1 0
0 0 1

x y
1 2

z
1

10
4

0 1
0 0

3
28

x y z
1 0 0

1
3

0 1 0
0 0 1

1
3

3
10
84

De este modo, el sistema tiene la solucin nica


x = 2, y = -1, z = 3.
La solucin de sistemas de ecuaciones lineales por matrices, aplicando el mtodo de Gauss u otros,
es una de las mltiples aplicaciones que tienen las matrices.

23

lgebra Lineal
Ejercicio: solucin de sistemas de ecuaciones lineales por matrices
------------------------------------------------------------------------------------------------------------------------ Hallar el valor de x, y, z, t en los siguientes sistemas de ecuaciones lineales aplicando matrices:
a)

b)

x
2x
3x

y
2y
3y

2z
3z
4z

4t
t
2t

5
3
1

x
2x
5x

y
3y
7y

2z
3z
4z

3t
t
t

4
3
5

3.1.1 Solucin por regla de Cramer


En el tema de matrices y su aplicacin a los sistemas de ecuaciones lineales, se vio cmo
resolverlas mediante el mtodo de eliminacin de Gauss. Con los determinantes, y aplicando la regla
de Cramer, veremos otra manera de calcular los sistemas de ecuaciones lineales.
Los pasos a seguir para calcular los sistemas de ecuaciones segn la regla de Cramer son los
siguientes:
1. Hallar la matriz ampliada (A b) asociada al sistema de ecuaciones, esto es: que la primera
columna est formada por las entradas de los coeficientes de la primera incgnita de las ecuaciones;
que la segunda columna la formen las de la segunda incgnita, y as hasta llegar a la ltima
columna, que estar constituida por las entradas de los trminos independientes de las ecuaciones.
2. Calcular el determinante de A.
3. Aplicar la regla de Cramer, que consiste en:
a) Ir sustituyendo la primera columna del det (A) por los trminos i i independientes;
b) dividir el resultado de este determinante entre el det (A) para hallar el valor de la primera
incgnita;
c) continuar sustituyendo los trminos independientes en las distintas columnas para hallar
el resto de las incgnitas.
Ejemplo:
Sea el sistema de ecuaciones lineales formado por dos ecuaciones con dos incgnitas:

3x

2y

5y

Encontrar el valor de x y y mediante la regla de Cramer.

24

lgebra Lineal
Empezaremos con el primer paso, que consiste en hallar la matriz ampliada A b asociada al sistema
de ecuaciones lineales:

Ab

x
3

y
b
2 1 .

El segundo paso es calcular el determinante de A. As pues:


det (A) =

3
1

2
= 15 + 2 = 17
5

Y el tercero y ltimo paso consiste en calcular las incgnitas:


b

5
17

x b
3 1
5 6
17

11
.
17

1 3
17

9 1
17

8
.
17

3.2 METODOS ITERATIVOS


Para la mayora de los sistemas de ecuaciones lineales, los mtodos iterativos o de aproximaciones
sucesivas, requieren de mayores clculos que los requeridos por el mtodo de Gauss Jordn, para
llegar a un grado de aproximacin preestablecido, Sin embargo, cuando los elementos no nulos de
la matriz se acumulan a lo largo de su diagonal principal, siendo los elementos de la misma los
mayores en valor absoluto, las tcnicas iterativas pueden compararse favorablemente con los
mtodos directos. Adems debido a que los mtodos iterativos usan relativamente poca parte de la
memoria de una computadora, son particularmente ventajosos para resolver sistemas de gran
nmero de ecuaciones.
Existen una variedad muy grande de mtodos iterativos para resolver sistemas de ecuaciones
lineales, de los cuales se presentarn solamente dos, ambos son muy similares en su
planteamiento, la diferencia se encuentra bsicamente en la manera de ir sustituyendo los valores
de las incgnitas encontradas.

25

lgebra Lineal
3.2.1 Mtodo de Jacobi
Supngase un sistema de ecuaciones lineales como el siguiente:
a11 x1 + a12 x2 + a13 x3 + ................+ a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ................+ a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + ................+ a3n xn = b3
: :
: :
: :
:
: : :
: :
: :
: :
:
: : :
an1 x1 + an2 x2 + an3 x3 + ................+ ann xn = bn
El mtodo se basa en despejar una incgnita de cada una de las ecuaciones, es decir, de la
ecuacin 1 se despeja la incgnita x 1, de la ecuacin 2 la incgnita x 2 y as sucesivamente. Al
desarrollar lo anterior, el sistema queda como se indica a continuacin:
X1 = ( b1 ( a12 x2 + a13 x3 + ...................+ a1n xn ) ) / a11
X2 = ( b2 ( a21 x1 + a23 x3 + ...................+ a2n xn ) ) / a22
X3 = ( b3 ( a31 x1 + a32 x2 + ...................+ a3n xn ) ) / a33
:
:
:
:
Xn = ( bn ( an1 x1 + an2 x2 + ............+ ann-1 xn-1 ) ) / ann
Ahora como puede verse, cada una de las incgnitas despejadas queda determinada en funcin del
valor de las incgnitas restantes. Pues bien este mtodo consiste en dar valores iniciales arbitrarios
a las incgnitas e ir determinando el nuevo valor de las incgnitas a partir de los valor calculados.
Este proceso se ilustra en el siguiente ejemplo.
Ejemplo:
Sea el sistema,
4 X1 X2 + 0 X3 = 2 ..........ec. 1
- X1 + 4X2 X3 = 6 ..........ec. 2
0X1 - X2 + 4 X3 = 2 ..........ec. 3
Se despeja de cada ecuacin una incgnita, quedando el sistema como sigue:
X1 = ( 2 ( -X2 + 0X3) ) / 4 ..........ec. 1
X2 = ( 6 ( -X1 X3 ) ) / 4 ..........ec. 2
X3 = ( 3 ( 0X1 X2 ) ) / 4 ..........ec. 3
Simplificando queda de la siguiente manera :
X1 = 0.5 + 0.25 X2
X2 = 1.5 + 0.25 X1 + 0.25 X3
X3 = 0.5 + 0.25 X2
26

lgebra Lineal
Ahora bien, como podemos ver cada una de las incgnitas queda expresada en trminos de las
otras incgnitas. El proceso consiste en dar valores arbitrarios a las incgnitas del lado derecho del
sistema de ecuaciones y a partir de estos valores determinar un nuevo valor de las mismas, si
reconocemos a los valores de las incgnitas en la iteracin k, y los nuevos valores como k+1, el
sistema puede verse como sigue:
X1(k+1) = 0.5 + 0.25 X2(k)
X2(k+1) = 1.5 + 0.25 X1(k) + 0.25 X3(k) ..........sist. ec. (a)
X3(k+1) = 0.5 + 0.25 X2(k)
Al sistema de ecuaciones (a) se le conoce como ecuaciones de recurrencia.
0

Considerando el vector X(k=o) = 0 como primera aproximacin a la solucin, es decir


0
X1 (k=o) = 0 , X2 (k=o) = 0 , X3 (k=o) = 0
Este primer vector solucin puede tener cualquier valor, y entre mas cercano sea el valor supuesto
con respecto al valor final, la convergencia es ms rpida. En general no se conocen los signos de
los resultados y por esta razn se escoge el vector inicial supuesto igual a cero.
Sustituyendo en el sistema de ecuaciones (a), se obtiene:
X1(1) = 0.5 + 0.25 (0) = 0.5
X2(1) = 1.5 + 0.25 (0) + 0.25 (0) = 1.5
X3(1) = 0.5 + 0.25 (0) = 0.5
0 .5
Obteniendo X(1) = 1.5 en la primera aproximacin
0 .5

para la segunda aproximacin, se sustituyen los valores encontrados, nuevamente en el sistema (a),
de la siguiente forma:
X1(2) = 0.5 + 0.25 (1.5) = 0.875
X2(2) = 1.5 + 0.25 (0.5) + 0.25 (0.5) = 1.75
X3(2) = 0.5 + 0.25 (1.5) = 0.875
0.875

Obteniendo X(2) = 1.750 en la segunda aproximacin


0.875
continuando de igual forma las iteraciones, resultan

27

lgebra Lineal
0.938
x (3)

1.940

0.985
x ( 4)

0.938

1.970

0.995
x (5)

1.990

0.985

0.998
x ( 6)

0.995

2.00
0.998

1.0
x (7)

2.0
1.0

1. 0
x (8)

2. 0
1. 0

como se puede observar en la iteracin 8 los valores de las incgnitas ya no cambian de valor
respecto a los de la iteracin 7, esto indica que el sistema lleg a la convergencia en 7 iteraciones, y
la solucin del sistema es:
X1 = 1.0, X2 = 2.0, X3 = 1.0
Este mtodo de Jacobi, tambin es conocido como de sustituciones totales, debido a que una vez
que se han determinado los valores para todas las incgnitas en una iteracin, estos son utilizados
en la solucin de todas las ecuaciones.
A continuacin se presentar otro mtodo el cual es muy similar en su planteamiento al de Jacobi,
con la ventaja de que en algunos casos puede converger cuando el de Jacobi no lo hace.
3.2.2 Mtodo de Gauss Seidel
En su planteamiento este mtodo es similar al de Jacobi, es decir se deber de despejar una
incgnita de cada ecuacin y a partir de valores iniciales supuestos se itera hasta llegar a la
solucin. La diferencia bsica estriba en el hecho de que al ir determinando el valor de una incgnita
en cada ecuacin, este nuevo valor es utilizado inmediatamente en el clculo de la siguiente
incgnita.
Supngase el sistema de ecuaciones (a) del ejemplo anterior
0

Considerando el mismo vector X(k=o) = 0 como primera aproximacin a la solucin, es decir


0
X1 (k=o) = 0, X2 (k=o) = 0, X3 (k=o) = 0
Sustituyendo los valores correspondientes de las incgnitas, en el sistema de ecuaciones (a), pero
nicamente para la primera ecuacin, ya que para la segunda ecuacin se sustituirn los valores
iniciales excepto para el valor de X1, en el cual se sustituye el nuevo valor calculado, y para la
tercera ecuacin, se toman los valores de las incgnitas ya calculados, es decir cada vez que se va
determinando un nuevo valor de alguna incgnita, este es utilizado en las ecuaciones subsecuentes.

28

lgebra Lineal
X1(1) = 0.5 + 0.25 (0) = 0.5
X2(1) = 1.5 + 0.25 (0.5) + 0.25 (0) = 1.63
X3(1) = 0.5 + 0.25 (1.63) = 0.91

0.50
Obteniendo X(1) = 1.63 en la primera aproximacin
0.91

para la segunda aproximacin, se procede de igual forma


X1(2) = 0.5 + 0.25 (1.63) = 0.91
X2(2) = 1.5 + 0.25 (0.91) + 0.25 (0.91) = 1.96
X3(2) = 0.5 + 0.25 (1.96) = 0.99
0.91
Obteniendo X(2) = 1.96 en la segunda aproximacin
0.99

continuando de igual forma las iteraciones, resultan

x (3)

0.99
2.0
1.0

1.0
x ( 4)

2.0
1.0

1.0
x ( 4)

2.0
1.0

Como se puede observar, con este mtodo se ha llegado a la solucin del sistema en 4 iteraciones,
mientras que por medio de Jacobi, se llegaba a la solucin hasta la sptima iteracin.
Para estos ejemplos, se puede observar que los valores de la solucin, se empiezan a repetir
exactamente iguales, esto debido a los valores de los coeficientes del sistema de ecuaciones, pero
en la prctica, es muy comn que por ejemplo el valor de alguna incgnita en cierta iteracin es
1.00009 y en la prxima sea 1.000089, y en la siguiente1.0000887, debido a esto, normalmente se
fija de antemano un cierto margen de error o tolerancia numrica, y cuando la diferencia entre dos
iteraciones seguidas, sea menor a esta tolerancia, el proceso se suspende. Por otra parte, puede
suceder que el vector solucin, se aleje mas con cada iteracin, para asegurar que el proceso se
suspende en algn momento, es necesario definir de antemano un nmero mximo de iteraciones.

29

lgebra Lineal

30

lgebra Lineal

31

S-ar putea să vă placă și