Documente Academic
Documente Profesional
Documente Cultură
Definición 1.2.
Capítulo 1 Sean m, n ∈ ℵ*. Se define como matriz de orden mxn con coeficientes en K a
la función Amxn: Jm x Jn → K con regla de correspondencia Amxn(i,j) = Aij. La
TEORÍA DE MATRICES matriz A se representa por un arreglo rectangular con la siguiente estructura:
1. ∀ x, y ∈ K se cumple que x + y = y + x
Nótese que A11 = 1, A12 = 0, A21 = -1, A22 = 2, A31 = 1 y A32 = 1.
2. ∀ x, y, z ∈ K se cumple que x + (y + z) = (x + y) + z
3. ∃ θ ∈ K tal que ∀ x ∈ K se cumple que x + θ = x Notación:
4. ∀ x ∈ K ∃ -x ∈ K tal que x + (-x) = θ.
5. ∀ x, y ∈ K se cumple que x . y = y . x. El conjunto de todas las matrices de orden mxn con coeficientes en K se
6. ∀ x, y, z ∈ K se cumple que x . (y . z) = (x . y) . z. denomina cuerpo de matrices de orden mxn en K y se denota por Mmxn(K).
7. ∃ u ∈ K ( u ≠ θ ) tal que ∀ x ∈ K se cumple que x . u = x
8. ∀ x ∈ K ( x ≠ θ ) ∃ x-1 ∈ K tal que se cumple que x . x-1 = u Observación:
9. ∀ x, y, z ∈ K se cumple que x . (y + z) = (x . y) + (x . z)
El elemento genérico de una matriz A de orden mxn es Amxn(i,j) = Aij. Para
En la mayoría de los cuerpos la notación de la operación producto es ignorada descargar la notación, se utilizará Aij.
ya que queda sobreentendida.
Definición 1.3.
Ejemplo 1.1.
Sea A∈Mmxn(K). Se dice que la matriz A es:
Los conjuntos ℜ y Q tienen estructura de cuerpo con las propiedades de suma
y producto. 1. Cuadrada de orden m (n) si m = n.
2. Rectangular si m ≠ n .
Notación:
Cuando A es cuadrada la línea diagonal formada por los valores A11, A22, ...,
Sea n ∈ ℵ*. El conjunto {1, 2,…, n} se denota por Jn. Ann se dice que es la diagonal principal de la matriz A.
2
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Definición 1.5.
El resultado es el siguiente:
Sean A, B∈ Mmxn(K). Se define como matriz suma de A y B y se denota por
⎡0 1 0 0 0 1⎤ A + B a la matriz (A + B) ∈ Mmxn(K) definida como (A + B)ij = Aij + Bij.
⎢ ⎥
⎢0 0 1 1 0 0⎥
⎢0 1 0 1 0 0⎥ Ejemplo 1.5.
A=⎢ ⎥
⎢0 1 0 0 1 0⎥
⎢0 ⎡1 2⎤ ⎡−2 2⎤
0 0 1 0 1⎥ Sean A, B∈ M2x2(ℜ) definidas por A = ⎢ ⎥ , B=⎢ ⎥ . Como A y B
⎢ ⎥ 3 4
⎣ ⎦ ⎣ 1 5⎦
⎣⎢0 1 0 0 1 0⎦⎥
son de orden 2x2 entonces existe la matriz suma A+B la cual es:
Observando las columnas de A se aprecia que el participante 1 no tuvo ⎡1 + (−2) 2 + 2⎤ ⎡ −1 4⎤
señalamientos, el participante 2 tuvo 4 señalamientos, el participante 3 tuvo 1 A+B=⎢ ⎥=⎢ ⎥
señalamiento, el participante 4 tuvo 3 señalamientos, el participante 5 tuvo 2 ⎣ 3 +1 4 + 5⎦ ⎣ 4 9⎦
señalamientos y el participante 6 tuvo 2 señalamientos. Luego, los amenazados Teorema 1.1.
son los participantes 2 y 4.
Sean A, B, C∈ Mmxn(K). Entonces se cumple que:
Ejemplo Aplicado 1.2.
1. A + B = B + A.
2. A + (B + C) = (A + B) + C.
Consideremos las ciudades venezolanas Caracas, Maracay, Valencia,
Barquisimeto y Maracaibo. Se define la matriz B de la siguiente forma: 3. ∃ θ∈Mmxn(K) (θij = 0 ∀ (i,j) ∈ Jm x Jn) tal que ∀ A ∈ Mmxn(K) se
cumple que A + θ = A.
Bij = Distancia (Km) de la i-ésima ciudad a la j-ésima ciudad. 4. ∀ A∈Mmxn(K) ∃ -A∈Mmxn(K) ((-A)ij) = -Aij) tal que A+(-A)= θ.
3 4
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Demostración 2
(AB)21 = ∑A
r =1
2 r B r1 = A21B11 + A22B21 = 2.1+3.3 = 2+9 = 11
1. (1A)ij = 1Aij = Aij
2
2. (c(A+B))ij = c(A+B))ij
= c(Aij + Bij) (AB)22 = ∑A
r =1
2r B r 2 = A21B12 + A22B22 = 2.(-1)+3.2 = –2 + 6 = 4
= cAij + cBij
2
= (cA + cB)ij)
3. ((c+d)A)ij = (c+d)Aij
(AB)31 = ∑A
r =1
3r B r1 = A31B11 + A32B21 = 2.1+1.3 = 2 + 3 = 5
= cAij + dAij 2
= (cA)ij + (dA)ij
= (cA + dA)ij
(AB)32 = ∑A
r =1
3r B r 2 = A31B12 + A32B22 = 2.(-1)+1.2 = –2 + 2 = 0
4. ((cd)A)ij = (cd)Aij
= c(dAij) = c(dA)ij Luego,
⎡ −2 −3⎤
Definición 1.7. ⎢ ⎥
AB = ⎢ 11 4⎥
Sean A ∈ Mmxn(K) y B ∈ Mnxp(K). Se define como matriz producto de A y B y ⎢⎣ 5 0⎥⎦
se denota por AB a la matriz AB ∈ Mmxp(K) definida como:
5 6
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
También se puede calcular la matriz AB sin realizar todo el procedimiento 2. Como C, D ∈ Mpxs(K) entonces (C + D) ∈ Mpxs(K) y como B ∈
formal anterior, haciendo la siguiente operación: Mnxp(K) entonces el producto B(C+D) está definido y se cumple
que (B(C + D))∈Mnxs(K). Luego:
⎡1.1 + (−1).3 1.(−1) + (−1).2⎤ ⎡1 − 3 −1 − 2 ⎤ ⎡ −2 −3⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ p
AB = ⎢ 2.1 + 3.3 2.(−1) + 3.2 ⎥ = ⎢2 + 9 − 2 + 6⎥ = ⎢ 11 4⎥
⎢⎣ 2.1 + 1.3 2.(−1) + 1.2 ⎥⎦ ⎢⎣ 2 + 3 − 2 + 2⎥⎦ ⎢⎣ 5 0 ⎥⎦
(B(C+D))ij = ∑B r =1
ir (C + D) rj
Teorema 1.3.
= ∑ (B
r =1
ir C rj + B ir D rj )
p p
Sean A, E∈Mmxn(K), B∈Mnxp(K), C, D∈Mpxs(K) y c∈K. Entonces se cumple = ∑B ir C rj + ∑B ir D rj
que: r =1 r =1
= (BC)ij + (BD)ij
1. A(BC) = (AB)C. = (BC + BD)ij
2. B(C + D) = BC + BD.
3. (A + E)B = AB + EB. 3. Como A, E ∈ Mmxn(K) entonces (A + E) ∈ Mmxn(K) y como B ∈
4. A(cB) = (cA)B = cAB. Mnxp(K) entonces el producto (A + E)B está definido y se cumple
que ((A + E)B) ∈ Mmxp(K). Luego:
Demostración n
((A+E)B)ij = ∑ (A + E) ir B rj
1. Como B∈Mnxp(K) y C∈Mpxs(K) el producto BC está definido y se r =1
n
= ∑A ir B rj + ∑E ir B rj ) = (AB)ij + (EB)ij
∑
r =1 r =1
(A(BC))ij = A ir (BC) rj
r =1
= (AB + EB)ij
n p
= ∑ A (∑ B
r =1
ir
h =1
rh C hj )
4. (A(cB))ij =
n
∑A ir (cB) rj
r =1
n p
= ∑∑ A
r =1 h =1
ir B rh C hj
= ∑ cA
n
ir B rj
r =1
p n
= ∑∑ A
h =1 r =1
ir B rh C hj
=
n
∑ (cA) ir B rj
r =1
p n
= ∑ (∑ A
h =1 r =1
ir B rh )C hj = ((cA)B))ij
n
p n
= c ∑A ir B rj = c(AB)ij
= ∑ C (∑ A
h =1
hj
r =1
ir B rh )
r =1
7 8
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Sea A∈M3x2(ℜ) definida por: Se define como matriz identidad de orden n a la matriz cuadrada In ∈ Mnxn(K)
definida de la siguiente forma:
⎡ 1 2⎤
⎢ ⎥ ⎧1 si i = j
A = ⎢− 2 2⎥ (In)ij = ⎨
⎢⎣ 3 4⎥⎦ ⎩0 si i ≠ j
⎡1 −2 3⎤ Teorema 1.5.
At = ⎢ ⎥
⎣2 2 4⎦
Sea A ∈ Mmxn(K). Entonces se cumple que AIn = ImA = A
Teorema 1.4.
Demostración
Sean A, B ∈ Mmxn(K) y C ∈ Mnxp(K). Entonces se cumple que:
n
1. t t
(A ) = A.
(AIn)ij = ∑A
r =1
ir (I n ) rj
2. (A + B)t = At + Bt.
3. (AC)t = CtAt. = A i1 (I n )1 j + ... + A ij (I n ) jj + ... + A in (I n ) nj
9 10
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
11 12
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ A r1 ⎤ Definición 1.17.
⎢ ⎥
Ar2 ⎥
Ar = ⎢ es la transpuesta de la r-ésima fila de A. Sea X∈Mnxp(ℜ) una matriz de datos. Se define como Matriz de Datos Centrada
⎢ M ⎥
⎢ ⎥ asociada a la Matriz de Datos X a la matriz X̂ ∈Mnxp(ℜ) con elemento
⎣⎢ A rp ⎦⎥
genérico X̂ ij = X ij − X j , siendo X j la media aritmética de las n mediciones de
Lo propio ocurre con las matrices Grammian de la forma AAt.
13 14
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
n n
1 1
Sea X∈Mnxp(ℜ) una matriz de datos. Se define como Matriz de Datos =
n
∑1.X rj =
n
∑X rj = Xj
Estandarizada asociada a la matriz de datos X a la matriz X̂ E ∈Mnxp(ℜ) con r =1 r =1
1 1 1
1 n
X ri − X i X rj − X j
Teorema 1.6. =
n
∑(
r =1 Si
)(
Sj
)
X. 1
= Sij
2. X̂ = PX . Si S j
1
3. V = X̂ t X̂ . Sij
n = = rij = Rij.
Si S j
1
4. R = (X̂ E ) t X̂ E 1
n ⇒ (X̂ E ) t X̂ E = R
n
15 16
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Observación: ⎡12 11 10 ⎤
⎢ ⎥
La matriz de varianzas y covarianzas y la matriz de correlaciones son matrices ⎢10 12 09⎥
Grammian. ⎢08 14 12 ⎥
UX = 1 [7 1
7
1
7
1
7
1
7
1
7 7
]
1 ⎢⎢17 ⎥
19 18 ⎥
Ejemplo Aplicado 1.4. ⎢15 13 11⎥
⎢ ⎥
En relación al ejemplo aplicado 1.3.: ⎢12 10 08⎥
⎢ ⎥
⎣13 09 13 ⎦
1. El vector generador de medias es:
= [12,43 12,57 11,57]
U=
1
7
[1 1 1 1 1 1 1] = 1 7 1 7 [ 1
7
1
7
1
7
1
7
1
7
] 5. La matriz de datos centrada es:
17 18
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
7. Las desviaciones estándares de las 3 variables son: 1. Substituir la p-ésima columna de A por dicha columna más d veces
la s-ésima columna de A, donde d∈K, d ≠ 0 ( p ≠ s ). Se denota
S1 = 2,77, S2 = 3,06 y S3 = 3,06 por cp → cp + dcs.
2. Multiplicar la p-ésima columna de A por un escalar d∈K, d ≠ 0 .
Luego, la matriz de datos estandarizada es:
Se denota por cp → dcp.
3. Intercambiar las columnas p-ésima y s-ésima de A. Se denota por
⎡ −0,15 −0,51 −0,51 ⎤
⎢ ⎥ cp ↔ cs.
⎢− 0,88 − 0,19 − 0,84⎥
⎢ − 1,60 0,47 0,14 ⎥ Observación:
⎢ ⎥
X̂ E = ⎢ 1,65 2,10 2,10 ⎥
⎢ 0,93 Una operación elemental de filas o de columnas es una función
0,14 − 0,19 ⎥ e:Mmxn(K)→ Mmxn(K) que asigna a cada matriz A∈Mmxn(K) una única matriz
⎢ ⎥
⎢ − 0,15 − 0,84 − 1,17 ⎥ e(A)∈Mmxn(K). En particular, para el caso de las filas:
⎢ ⎥
⎣ 0,21 − 1,17 0,47⎦
1. e:rp→rp+crs ( c ≠ 0 )
8. La matriz de correlaciones es:
⎧⎪A ij si i ≠ p
e(A)ij = ⎨
1
R = (X̂ E ) t X̂ E ⎪⎩A pj + cA sj si i = p
7
⎡ −0,15 −0,51 −0,51 ⎤ 2. e:rp→crp ( c ≠ 0 )
⎢ ⎥
⎢ − 0,88 − 0,19 − 0,84 ⎥
⎡−0,15 −0,88 −1,60 1,65 0,93 −0,15 0,21⎤ ⎢ − 1,60 0,47 0,14 ⎥ ⎧⎪A ij si i ≠ p
1 ⎢ ⎥ ⎢ ⎥ e(A)ij = ⎨
= −0,51 −0,19 0,47 2,10 0,14 −0,84 −1,17⎥ ⎢ 1,65 2,10 2,10 ⎥ ⎪⎩cA pj si i = p
7 ⎢ ⎢ 0,93
⎢⎣−0,51 −0,84 0,14 2,10 −0,19 −1,17 0,47⎥⎦ 0,14 − 0,19 ⎥
⎢ ⎥
⎢ − 0,15 − 0,84 − 1,17 ⎥ 3. e:rp↔rs
⎢ ⎥
⎣ 0,21 − 1,17 0,47⎦
⎧A ij si i ≠ p e i ≠ s
⎡1,00 0,43 0,59⎤ ⎪
⎢ ⎥ e(A)ij = ⎨A sj si i = p
= ⎢0,43 1,00 0,76⎥ ⎪A
⎩ pj si i = s
⎢⎣0,59 0,76 1,00 ⎥⎦
De forma análoga ocurre para el caso de las columnas sólo que en lugar de e se
1.6. OPERACIONES ELEMENTALES DE FILAS Y DE COLUMNAS. denota por f.
Definición 1.21. Ejemplo 1.19.
Sea A∈Mmxn(K). Una operación elemental de filas sobre A es cualquiera de las Sea A∈M3x2(ℜ) definida por:
siguientes operaciones:
19 20
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
f2: c2→3c2 ⎡1 2⎤ ⎡1 6 ⎤
f3: c1↔c2 ⎢ ⎥ 2 3c 2 ⎢ ⎥
A = ⎢0 1 ⎥ ⎯c⎯→⎯
⎯→⎢0 3⎥ = f 2 (A)
Luego,
⎢⎣3 2⎥⎦ ⎢⎣3 6⎥⎦
⎡1 + 2.0 2 + 2.1⎤ ⎡1 4⎤ ⎡1 2⎤ ⎡2 1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ 1 c2 ⎢ ⎥
e1(A) = ⎢ 0 1 ⎥ = ⎢0 1 ⎥ A = ⎢0 1 ⎥ ⎯c⎯↔⎯→ ⎢1 0 ⎥ = f 3 ( A )
⎢⎣ 3 2 ⎦ ⎣3 2⎥⎦
⎥ ⎢ ⎢⎣3 2⎥⎦ ⎢⎣2 3⎥⎦
⎡2.1 2.2⎤ ⎡2 4⎤
⎢ ⎥ ⎢ ⎥ También es posible aplicar simultáneamente 2 o más operaciones elementales
e2(A) = ⎢ 0 1 ⎥ = ⎢0 1 ⎥
siempre y cuando la fila o columna cambiante en cada operación no sea la
⎢⎣ 3 2 ⎦ ⎣3 2⎥⎦
⎥ ⎢
misma. Por ejemplo:
⎡1 2⎤
⎢ ⎥ e1: r1→r1+2r2
e3(A) = ⎢3 2⎥ e4: r3→r3 – r2
⎢⎣0 1 ⎥⎦
⎡1 2 − 1⎤ ⎡1 1⎤ ⎡1 2⎤ r → r + 2 r ⎡1 4⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎯⎯
1
⎯
1
⎯2 → ⎢ ⎥
f1(A) = ⎢0 1 − 0 ⎥ = ⎢0 1⎥ A = ⎢0 1 ⎥ r → r − r ⎢0 1 ⎥ = e 4 (e1 (A ))
⎢⎣3 2⎥⎦ ⎯⎯3
⎯ ⎯
3 2
→ ⎢⎣3 1 ⎥⎦
⎢⎣3 2 − 3⎥⎦ ⎢⎣3 − 1⎥⎦
⎡2 1⎤ Teorema 1.7.
⎢ ⎥
f2(A) = ⎢1 0⎥
⎢⎣2 3⎥⎦ Sea e: Mmxn(K)→ Mmxn(K) la operación elemental de filas definida por:
⎡1 3.2⎤ ⎡1 6⎤ ⎧⎪A ij si i ≠ p
⎢ ⎥ ⎢ ⎥ e(A)ij = ⎨ ;(c≠0)
f3(A) = ⎢0 3.1⎥ = ⎢0 3⎥
⎪⎩A pj + cA sj si i = p
⎢⎣3 3.2⎥⎦ ⎢⎣3 6⎥⎦
Entonces existe una operación elemental de filas e1: Mmxn(K)→ Mmxn(K) del
Las operaciones elementales se pueden aplicar sin el procedimiento formal mismo tipo que e tal que e(e1(A)) = e1(e(A)) = A, ∀ A∈ Mmxn(K).
anterior de la siguiente manera:
Demostración
⎡1 2⎤ ⎡1 4⎤
⎢ ⎥ 1 → r1 + 2 r2 ⎢ ⎥ Sea e1: Mmxn(K)→ Mmxn(K) una operación elemental de filas definida de la
A = ⎢0 1 ⎥ ⎯r⎯ ⎯⎯→ ⎢0 1 ⎥ = e1 (A)
siguiente forma:
⎢⎣3 2⎥⎦ ⎢⎣3 2⎥⎦
⎡1 2⎤ ⎡ 2 4⎤ ⎧⎪A ij si i ≠ p
⎢ ⎥ 1 →2 r1 ⎢ ⎥ e1(A)ij = ⎨ ;(c≠0)
A = ⎢0 1 ⎥ ⎯r⎯ ⎯→⎢0 1 ⎥ = e 2 (A) ⎪⎩A pj + (−c)A sj si i = p
⎢⎣3 2⎥⎦ ⎢⎣3 2⎥⎦
Luego,
⎡1 2⎤ ⎡1 2⎤
⎢ ⎥ 2 ↔ r3 ⎢ ⎥
A = ⎢0 1 ⎥ ⎯r⎯⎯→⎢3 2⎥ = e 3 (A) ⎧⎪A ij si i ≠ p
⎢⎣3 2⎥⎦ ⎢⎣0 1 ⎥⎦ e(e1(A))ij = ⎨
⎪⎩(A pj + (−c)A sj ) + cA sj si i = p
⎡1 2⎤ ⎡1 1⎤ ⎧⎪A ij si i ≠ p
⎢ ⎥ 2 c 2 − c1 ⎢ ⎥ = ⎨
A = ⎢0 1 ⎥ ⎯c⎯→⎯ ⎯→ ⎢0 1⎥ = f1 (A) ⎪⎩A pj − cA sj + cA sj si i = p
⎢⎣3 2⎥⎦ ⎢⎣3 − 1⎥⎦
⎧⎪A ij si i ≠ p
= ⎨ = Aij
⎪⎩ A pj si i = p
21 22
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎧⎪A ij si i ≠ p ⎧⎪A ij si i ≠ p
e1(e(A))ij = ⎨ = ⎨ = Aij
⎪⎩(A pj + cAsj ) + (−c)A sj si i = p ⎪⎩ A pj si i = p
⎧⎪A ij si i ≠ p
=⎨ De forma análoga ocurre para el caso de las columnas.
⎪⎩A pj + cA sj − cA sj si i = p
⎧A ij si i ≠ p
⎪ Luego,
e1(A)ij = ⎨ 1 ;(c≠0)
⎪⎩ c A pj si i = p
⎧A ij si i ≠ p e i ≠ s
⎪
Luego, e(e1(A))ij = ⎨ A pj si i = p
⎪A si i = s
⎩ sj
⎧ A ij si i ≠ p
⎪ ⎧⎪A ij si i ≠ p
e(e1(A))ij = ⎨ 1 = ⎨ = Aij
⎪⎩c( c A pj ) si i = p ⎪⎩ A pj si i = p
⎧A ij si i ≠ p
⎪ ⎧A ij si i ≠ p e i ≠ s
= ⎨ 1
⎪⎩c c A pj si i = p ⎪
e1(e(A))ij = ⎨ A pj si i = p
⎪A si i = s
⎧⎪A ij si i ≠ p ⎩ sj
= ⎨ = Aij
⎪⎩ A pj si i = p ⎧⎪A ij si i ≠ p
= ⎨ = Aij
⎧ A ij si i ≠ p ⎪⎩ A pj si i = p
⎪
e1(e(A))ij = ⎨ 1
⎪⎩ c (cA pj ) si i = p
De forma análoga ocurre para el caso de las columnas.
⎧A ij si i ≠ p
⎪
= ⎨1
⎪⎩ c cA pj si i = p
23 24
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Definición 1.22. ⎡1 0 0⎤
⎢ ⎥ ⎡1 0 0 ⎤ ⎡1 0 0 1 ⎤
0 0 1⎥ ⎢ ⎥ ⎢ ⎥
Sean A, B ∈Mmxn(K). Se dice que B es equivalente por filas a A si B se obtiene A=⎢ ; B = ⎢0 1 0 ⎥ ; C = ⎢0 1 0 0 ⎥
de A aplicándole una sucesión finita de operaciones elementales de fila. ⎢0 1 0⎥
⎢ ⎥ ⎢⎣0 2 0⎥⎦ ⎢⎣0 0 1 2⎥⎦
Igualmente se dice que B es equivalente por columnas a A si B se obtiene de A ⎣⎢0 0 0⎦⎥
aplicándole una sucesión finita de operaciones elementales de columna.
Las matrices A y C son reducidas por filas mientras que la matriz B no es
Ejemplo 1.20. reducida por filas, ya que el elemento (3, 2) es no nulo. Las matrices A y B son
reducidas por columnas pero la matriz C no es reducida por columnas ya que el
En el ejemplo 1.19., las matrices e1(A), e2(A), e3(A) y e4(e1(A)) son elemento (1, 4) es no nulo.
equivalentes por filas a A mientras que las matrices f1(A), f2(A) y f3(A) son
equivalentes por columnas a A. Definición 1.25.
Definición 1.23. Sea R∈Mmxn(K). Se dice que R es escalonada reducida por filas si se verifican
las siguientes condiciones:
Sea A∈Mmxn(K). Se define como pivote de la p-ésima fila (respectivamente de
la s-ésima columna) de A al primer elemento no nulo de dicha fila 1. R es reducida por filas.
(respectivamente de dicha columna); si lo hay. 2. Las filas nulas de R están por debajo de las filas no nulas de R.
3. Si las filas 1, 2, …, p son las filas no nulas de R y si el pivote de la
Ejemplo 1.21. i-ésima fila pertenece a la columna si, i = 1, 2, …, p entonces
s1 < s2 < … < s p .
En el ejemplo 1.19., el pivote de la primera fila de A es 1, el de la segunda fila
es 1 y el de la tercera fila es 3. El pivote de la primera columna de A es 1 y el Igualmente se dice que R es escalonada reducida por columnas si se verifican
de la segunda columna es 2. las siguientes condiciones:
Definición 1.24. 1. R es reducida por columnas.
2. Las columnas nulas de R están a la derecha de las columnas no
Sea R ∈Mmxn(K). Se dice que R es reducida por filas si se verifican las nulas de R.
siguientes condiciones: 3. Si las columnas 1, 2, …, s son las columnas no nulas de R y si el
pivote de la j-ésima columna pertenece a la fila pj, j = 1, 2, …, p
1. El pivote de cada fila no nula de R es igual a 1. entonces p1 < p2 < … < ps.
2. Cada columna de R que contenga el pivote de alguna fila no nula de
R tiene todos sus otros elementos nulos. Observación:
Igualmente se dice que R es reducida por columnas si se verifican las Sea A∈Mmxn(K). Entonces A siempre es equivalente por filas o por columnas a
siguientes condiciones: una única matriz escalonada reducida por filas o por columnas R∈Mmxn(K).
1. El pivote de cada columna no nula de R es igual a 1.
Ejemplo 1.23.
2. Cada fila de R que contenga el pivote de alguna columna no nula de
R tiene todos sus otros elementos nulos. En el ejemplo 1.21. la matriz A es reducida por filas pero no es escalonada
reducida por filas ya que s1 = 1, s2 = 3 y s3 = 2 (s2 > s3). A su vez la matriz C si
Observación: es escalonada reducida por filas ya que además de ser reducida por filas
cumple que s1 = 1 < s2 = 2 < s3 = 3.
Sea A∈Mmxn(K). Entonces A siempre es equivalente por filas a una matriz
reducida por filas R∈Mmxn(K). En el mismo ejemplo la matriz A es reducida por columnas pero no es
escalonada reducida por columnas ya que p1 =1, p2 = 3 y p3 = 2 (p2 > p3). A su
Ejemplo 1.22. vez la matriz B si es escalonada reducida por columnas ya que además de ser
reducida por columnas cumple que p1 = 1 y p2 = 2 (p1 < p2).
Sea A∈M4x3(ℜ), B∈M3x3(ℜ) y A∈M3x4(ℜ) definidas por:
25 26
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Sea A∈Mnxn(K). Se dice que A es invertible o no singular si existe una matriz 1. Si A y B son invertibles entonces:
B∈Mnxn(K) tal que AB = BA = In. 1.1. A-1 es invertible y (A-1)-1 = A.
1.2. AB es invertible y (AB)-1 = B-1A-1.
Ejemplo 1.24. 1.3. (A-1)t = (At)-1.
2. Si C tiene una fila o columna nula entonces C no es invertible.
⎡1 2⎤
Sea A∈M2x2(ℜ) definida por A = ⎢ ⎥ . A es no singular ya que existe la Demostración
⎣3 5⎦
⎡ −5 2⎤ 1.
matriz B∈M2x2(ℜ) definida por B = ⎢ ⎥ tal que AB = BA = I2. 1.1. Si A es invertible entonces se cumple que AA-1 = A-1A = In.
⎣ 3 − 1 ⎦ Luego se cumple que (A-1)-1 = A.
1.2. Veamos si existe una matriz C tal que ABC = In y CAB = In.
Teorema 1.10.
ABC = In ⇒ A-1ABC = A-1In ⇒ BC = A-1 ⇒ B-1BC = B-1A-1.
Sea A∈Mnxn(K). Si A es invertible entonces existe una única matriz ⇒ C = B-1A-1.
B∈Mnxn(K) tal que AB = BA = In, en cuyo caso B se dice que es la matriz CAB = In ⇒ CABB = InB ⇒ CA = B ⇒ CAA-1 = B-1A-1.
-1 -1 -1
inversa de A y se denota por A-1. ⇒ C = B-1A-1.
Demostración Luego, AB es invertible y además se cumple que
(AB)-1 = B-1A-1.
Supongamos que A es invertible y que existen matrices B y C ∈Mnxn(K) tales 1.3. Por definición se cumple que AA-1 = A-1A = In. Tomando
que B y C son inversas de A. Entonces B = InB = (CA)B = C(AB) = CIn = C. transpuesta en los tres lados de la igualdad se tiene que
(AA-1)t = (A-1A)t = (In)t = In. Luego, aplicando propiedades de
Como B = C se concluye que A tiene una única matriz inversa. la matriz transpuesta:
Teorema 1.11. (A-1)tAt = In
At(A-1)t = In
Sean A, B ∈Mnxn(K).
Ahora bien, por definición de matriz inversa se cumple que:
1. Si BA = In entonces A es invertible y B = A-1.
2. Si AB = In entonces A es invertible y B = A-1. (At)(At)-1 = In
(At)-1(At) = In
Demostración
Por consiguiente (A-1)tAt = (At)-1(At). Postmultiplicando a
1. Para demostrar que A es invertible utilicemos reducción al absurdo, ambos lados de la igualdad por (A-1)t se tiene que:
es decir, supongamos que A no es invertible. En ese caso no existe
matriz alguna C∈Mnxn(K) tal que AC = CA = In, lo cual es una (A-1)tAt(A-1)t = (At)-1(At)(A-1)t
contradicción ya que por hipótesis BA = In. Para demostrar que ⇒ (A-1)t(A-1A)t = (At)-1(A-1A)t
B = A-1, sea C = A-1. En ese caso AC = In. Luego, BAC = B(AC) = ⇒ (A-1)t(In)t = (At)-1(In)t
BIn = B y BAC = (BA)C = InC = C. Por consiguiente B = C = A-1. ⇒ (A-1)tIn = (At)-1In
2. La demostración es análoga a la del apartado anterior.
⇒ (A-1)t = (At)-1
Ejemplo 1.25.
2. Utilicemos el método de reducción al absurdo. Supongamos sin
pérdida de generalidad que C∈Mnxn(K) tiene la primera fila nula y
En el ejemplo 1.24., la matriz inversa de A es:
que C es invertible. Sea D∈Mnxn(K) la matriz inversa de C. En ese
⎡ −5 2⎤ caso se cumple que CD = DC = In. Pero,
A −1 = ⎢ ⎥
⎣ 3 −1⎦
27 28
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Definición 1.27. ⎣0 1 ⎦ ⎣0 1 ⎦
Sea E∈Mnxn(K). Se dice que E es una matriz elemental si E se obtiene de la La matriz E4 no es elemental ya que:
matriz In aplicándole una única operación elemental de fila o de columna.
⎡1 0⎤ r2 →r2 − r1 ⎡ 1 0⎤ r1 →3r1 ⎡ 3 0⎤
Notación: I2 = ⎢ ⎥ ⎯⎯ ⎯⎯→⎢ ⎥ ⎯⎯⎯→ ⎢ ⎥ = E4
⎣0 1 ⎦ ⎣− 1 1⎦ ⎣ − 1 1⎦
1. Si e: Mnxn(K)→ Mnxn(K) se define por:
Teorema 1.13.
⎧⎪A ij si i ≠ p
e(A)ij = ⎨ ;(c≠0) Sean e una operación elemental de filas y E∈Mnxn(K) la matriz elemental
⎪⎩A pj + cA sj si i = p E = e(In). Entonces ∀ A∈Mnxn(K) se cumple que EA=e(A)
2. Si e: Mnxn(K)→ Mnxn(K) se define por: 1. Consideremos la operación elemental de filas e: Mnxn(K)→ Mnxn(K)
definida por:
⎧⎪A ij si i ≠ p
e(A)ij = ⎨ (c≠0) ⎧⎪A ij si i ≠ p
⎪⎩cA pj si i = p e(A)ij = ⎨ ;(c≠0)
⎪⎩A pj + cA sj si i = p
29 30
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
31 32
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Luego,
33 34
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Del teorema anterior se desprenden las siguientes conclusiones: Sea A∈Mnxn(K). Si A es invertible entonces A es equivalente por filas a In.
Demostración ⎣⎢ 1 1 3⎦⎥
Si R es invertible entonces R tiene todas sus filas y columnas no nulas. Como Para determinar si A es no singular y en caso afirmativo hallar la matriz
R es una matriz cuadrada y es escalonada reducida por filas entonces inversa A-1 determinaremos la matriz R escalonada reducida por filas de A y
necesariamente R tiene la forma: simultáneamente aplicaremos las mismas operaciones elementales de filas para
obtener R a partir de A sobre la matriz I3 de modo de no perder el trabajo de
⎡1 0 L 0 L 0 ⎤ hallar A-1 de una vez en el caso en que resulte que R = I3, es decir, que A sea
⎢ ⎥ no singular.
⎢0 1 L 0 L 0 ⎥
⎢M M M M ⎥
R=⎢ ⎥ = In ⎡ 1 0 2 1 0 0⎤ ⎡1 0 2 1 0 0⎤
⎢0 0 L 1 L 0 ⎥ ⎢ ⎥ 2 →r2 + r1 ⎢ ⎥ r3 → r3 − r1
[A | I3] = ⎢− 1 2 1 0 1 0⎥ ⎯r⎯ ⎯⎯→ ⎢0 2 3 1 1 0⎥ ⎯⎯⎯⎯→
⎢M M ⎥
⎢
M M
⎥ ⎢ 1 1 3 0 0 1⎥ ⎢1 1 3 0 0 1⎥
⎣ ⎦ ⎣ ⎦
⎣⎢0 0 L 0 L 1 ⎦⎥
35 36
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ ⎤
⎢1 0 2 1 0 0⎥ Es decir, la traza de una matriz es la suma de los elementos de la diagonal
⎢0 1 3 1 1 0⎥ ⎯r⎯
3 → −2 r3
⎯ ⎯→ principal.
⎢ 2 2 2 ⎥
⎢0 0 − 1 2 − 3 2 − 1 2 1⎥ Ejemplo 1.28.
⎣ ⎦
⎡1 0 2 1 0 0⎤ ⎡1 0 0 − 5 − 2 4⎤ En el ejemplo 1.25. Traza(A) = 1 +2 +3 = 6.
⎢ ⎥ 1 →r1 − 2 r3 ⎢ ⎥
⎢0 1 0 − 4 −1 3⎥ ⎯r⎯ ⎯⎯→ ⎢ 0 1 0 − 4 − 1 3⎥
⎢0 0 1 3 1 − 2⎥⎦ ⎢0 0 1 3 1 − 2⎥⎦
Teorema 1.18.
⎣ ⎣
= [R | B] Sean A, B ∈Mnxn(K) y c∈K con c ≠ 0. Entonces se cumple que:
Demostración
Traza (cA) = ∑ (cA) = ∑ c(A
i =1
ii
i =1
ii )=c ∑A
i =1
ii = cTraza (A)
=
E*sE*s-1…E*1B = EtEt-1…E1In Traza(A) + Traza(B)
De lo anterior se puede deducir las 2 siguientes igualdades: 3. (A–B)ij = Aij – Bij. Por lo tanto,
E1-1E2-1…Et-1E*sE*s-1…E*1B = In n n n n
-1 -1
BE1 E2 …E E E -1 * * *
…E = In
Traza (A − B) = ∑ (A − B) = ∑ (A
i =1
ii
i =1
ii − Bii ) = ∑A − ∑B
i =1
ii
i =1
ii
t s s-1 1
=
Es decir, B es invertible y además B-1 = Et-1Et-1-1…E1-1E*sE*s-1…E*1. Traza(A) – Traza(B)
n n
4. (AB)ij = ∑A
r =1
ir B rj y (BA)ij = ∑B A
r =1
ir rj . Luego,
37 38
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
n n n Teorema 1.20.
Traza(AB) = ∑ (AB) = ∑∑ A
i =1
ii
i =1 r =1
ir B ri
Sean A, B∈Mnxn(K). Si A y B son matrices triangulares superiores entonces
n n n n n
AB es una matriz triangular superior.
Traza(BA) = ∑ (BA) = ∑∑ B
i =1
ii
i =1 r =1
ir A ri = ∑∑ B
i =1 r =1
ri A ir
Demostración
n n
Si A y B son matrices triangulares superiores entonces A y B tienen la
= ∑∑ A
i =1 r =1
ir Bri = Traza (AB)
siguiente forma:
5. Traza(B-1AB) = Traza(ABB-1) = Traza(AIn) = Traza(A). ⎡A11 A12 L A1n ⎤ ⎡B11 B12 L B1n ⎤
⎢ ⎥ ⎢ ⎥
0 A L A 0 B22 L B2 n ⎥
6. (At)ij = Aji. Por lo tanto, A=⎢ 22 2n ⎥
y B=⎢
⎢ M M M ⎥ ⎢ M M M ⎥
n n
⎢ ⎥ ⎢ ⎥
(AAt)ij = ∑A
r =1
ir (A t ) rj = ∑A
r =1
ir A jr ⎣⎢ 0 0 L A ⎥
nn ⎦ ⎣⎢ 0 0 L B nn ⎥
⎦
Luego,
Luego,
⎡ 1 2 n
⎤
n n n n n n
∑
⎢ A1r B r1 ∑A 1r Br 2 L ∑A B rn ⎥
1r
⎢ r =1 ⎥
∑∑ A ∑∑ (A ∑∑ (A
r =1 r =1
Traza(AAt) = ir A ir = ir )2 = ij )2 ⎢ 2 n
⎥
i =1 r =1 i =1 r =1 i =1 j=1
AB = ⎢
0 ∑A 2r Br 2 L ∑ A 2 r B rn ⎥
⎢ r =2 r =2 ⎥
1.9. FACTORIZACIÓN LU. ⎢ M M M ⎥
⎢ n ⎥
⎢ 0 0 L ∑ A nr B rn ⎥
Teorema 1.19. ⎣⎢ r =n ⎦⎥
Sean A, B∈Mnxn(K). Si A y B son matrices triangulares inferiores con unos en Es decir, AB es una matriz triangular superior.
la diagonal principal entonces AB es una matriz triangular inferior con unos en
la diagonal principal. Teorema 1.21.
Demostración Sean A, U∈Mnxn(K). Si A es equivalente por filas a U solamente con
operaciones elementales de fila del tipo rp → rp + crs y U es triangular superior
Si A y B son matrices triangulares inferiores con unos en la diagonal principal
entonces existe una matriz triangular inferior L∈Mnxn(K) no singular con unos
entonces A y B tienen la siguiente forma:
en la diagonal principal tal que A = LU.
⎡ 1 0 L 0⎤ ⎡ 1 0 L 0⎤ Demostración
⎢ ⎥ ⎢ ⎥
A 1 L 0⎥ B 1 L 0⎥
A = ⎢ 21 y B = ⎢ 21 Si A es equivalente por filas a U solamente con operaciones elementales de fila
⎢ M M M ⎥ ⎢ M M M⎥
⎢ ⎥ ⎢ ⎥ del tipo rp → rp + crs entonces existen matrices elementales E1, E2,…, Et tales
⎣⎢A n1 An2 L 1⎦⎥ ⎣⎢B n1 Bn 2 L 1⎦⎥ que U = EtEt-1…E1A. En consecuencia, A = E1-1E2-1…Et-1U.
Luego,
Ahora bien, las matrices elementales E1, E2,…, Et son obtenidas aplicándole a
⎡ 1 0 L 0⎤ la matriz identidad In solamente operaciones elementales de fila de la forma
⎢ ⎥ rp → rp + crs y como estas matrices elementales se utilizan para reducir la
⎢ A 21 + B 21 1 L 0⎥ matriz A a la matriz triangular superior U entonces E1, E2,…, Et son matrices
AB = ⎢ M M ⎥ triangulares inferiores con unos en la diagonal principal. Luego, sus
⎢ n n ⎥ correspondientes matrices inversas son también triangulares inferiores con
⎢A n1 + A ir B rj ∑ An2 + ∑A ir Brj L 1⎥ unos en la diagonal principal.
⎣⎢ r =2 r =3 ⎦⎥
Sea L = E1-1E2-1…Et-1. Como E1-1, E2-1,…, Et-1 son matrices triangulares
Es decir, AB es una matriz triangular inferior con unos en la diagonal inferiores con unos en la diagonal principal entonces L es una matriz triangular
principal.
39 40
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
inferior con unos en la diagonal principal y además se cumple que L-1A = U, es Teorema 1.22.
decir, que A = LU.
Sea A∈Mnxn(K). Si A es invertible entonces existen matrices únicas
([A | In] → … → [U | L-1]) L∈Mnxn(K) triangular inferior con unos en la diagonal principal y U∈Mnxn(K)
triangular superior tales que A = LU.
Ejemplo 1.29.
Demostración
Sea A∈M3x3(ℜ) definida por:
Por el teorema anterior se sabe que existe una matriz triangular inferior
⎡1 2 2⎤ L∈Mnxn(K) no singular con unos en la diagonal principal tal que A = LU.
⎢ ⎥ Supongamos que existen matrices triangulares superiores U1, U2∈Mnxn(K) tales
A = ⎢2 1 3⎥
que A es equivalente por filas a U1 y también a U2. Luego por el teorema
⎢⎣1 4 2⎥⎦ anterior se cumple que existen matrices L1 y L2∈Mnxn(K) tales que:
Para factorizar A de la forma LU buscaremos una matriz U triangular superior A = L1U1 = L2U2
y equivalente por filas a A solamente con operaciones elementales de fila del
tipo rp → rp + crs. Dichas operaciones las aplicaremos simultáneamente sobre I3 Como A es equivalente por filas a U1 y U2 y A es invertible entonces U1 y U2
para obtener L-1. Veamos: son matrices invertibles. Por otra parte, como L1 y L2 se obtienen como
producto de matrices elementales entonces es obvio que L1 y L2 son matrices
invertibles. Luego,
⎡1 2 2 1 0 0⎤ r →r − 2 r ⎡1 2 2 1 0 0⎤
[A | I3 ] = ⎢⎢2 ⎥ ⎯⎯ ⎯ ⎯1 → ⎢ ⎥
2 2
1 3 0 1 0⎥ r → r − r ⎢ 0 − 3 − 1 − 2 1 0⎥ U1U2-1 = (L1-1L1)(U1U2-1)
⎢1 4 2 0 0 1⎥ ⎯⎯⎯⎯→ ⎢0
3 3 1
⎡1 2 2 1 0 0⎤ Ahora bien, U2-1 es triangular superior y L1-1 es triangular inferior. Por lo tanto
⎢ ⎥
[ ] se cumple que U1U2-1 es triangular superior y L1-1L2 es triangular inferior con
2
r3 → r3 + r2
⎯⎯⎯ ⎯
⎯→⎢0 − 3 − 1 − 2
3
1 0⎥ = U | L−1 unos en la diagonal principal. Por consiguiente la única forma de que U1U2-1
⎢ 2 7 2 ⎥
⎢⎣0 0 − 3 − 3 1 sea igual a L1-1L2 es que ambas sean iguales a In, es decir:
3 ⎥⎦
Luego, U1U2-1 = L1-1L2 = In
⇒ U1U2-1 = In y L1-1L2 = In
⎡ 1 0 0⎤ ⎡1 2 2 ⎤ ⇒ U1 = U2 y L1 = L2
⎢ ⎥ ⎢ ⎥
L−1 = ⎢ − 2 1 0 ⎥ y U = ⎢0 − 3 − 1 ⎥
⎢− 7 ⎥ ⎢ Luego las matrices L y U son únicas.
2 1⎥ 0 0 − 2 ⎥⎥
⎣⎢ 3 3 ⎦ ⎣⎢ 3⎦
Ejemplo 1.30.
Para determinar L se aplican en orden inverso las inversas de las operaciones
En el ejemplo 1.27. se puede verificar que A es no singular. Por consiguiente,
elementales utilizadas para hallar L-1 a partir de I3:
las matrices L y U obtenidas son únicas para factorizar A de la forma A = LU.
41 42
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡1 2 2 1 0 0⎤ r → r − 2 r ⎡1 2 2 1 0 0⎤ ⎡1 0 0⎤ ⎡1 2 2⎤
[B | I3 ] = ⎢⎢2 ⎥ ⎯⎯ ⎯ ⎯1 → ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
2 2
1 3 0 1 0 ⎥ r → r − 2 r ⎢0 − 3 − 1 − 2 1 0⎥ (1) L = ⎢2 1 − 1⎥ ; U = ⎢0 − 3 − 1 ⎥ y se cumple que B = LU.
⎢2 4 4 0 0 1⎥ ⎯⎯⎯⎯→ ⎢0
3 3 1
Definición 1.29.
⎡ 1 0 0⎤ ⎡1 2 2⎤
⎢ ⎥ ⎢ ⎥
L−1 = ⎢− 2 1 0⎥ y U = ⎢0 − 3 − 1⎥ Sea P∈Mnxn(K). Se dice que P es una matriz de permutación si P = E1E2…Et,
⎢⎣− 2 0 1⎥⎦ ⎢⎣0 0 0 ⎥⎦ siendo E1, E2,…Et matrices elementales obtenidas cada una de ellas con la
operación elemental de filas rp ↔ rs.
Para determinar L se aplican en orden inverso las inversas de las operaciones
elementales utilizadas para hallar L-1 a partir de I3: Ejemplo 1.31.
43 44
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Si además se tiene que ip = jp = p, p = 1, 2,… , t entonces B se dice que es una D11 = A i1 j1 = A11 = 1
sub-matriz principal líder. D12 = A i1 j2 = A12 = 0
La matriz D es entonces:
⎡1 0 2 3⎤
⎢ ⎥
A = ⎢3 2 1 1⎥
⎡1 0⎤
⎢⎣5 4 2 6⎥⎦ D=⎢ ⎥
⎣3 2⎦
B11 = A i1 j1 = A22 = 2 Sean A∈Mmxn(K) y {m1, m2,…, mp} y {n1, n2,…, nq} sub-conjuntos de ℵ* tales
p q
B12 = A i1 j2 = A24 = 1 que ∑m
r =1
r =m y ∑n
r =1
r = n . Si A i , j ∈ M m i xn j (K); i = 1, 2,…, p; j = 1, 2,…, q
B21 = A i 2 j1 = A32 = 4
entonces la matriz:
B22 = A i 2 j2 = A34 = 6
⎡ A1,1 A1, 2 L A1,q ⎤
La matriz B es entonces: ⎢ ⎥
A 2,1 A 2, 2 L A 2,q ⎥
A=⎢
⎢ M M M ⎥
⎡2 1⎤ ⎢ ⎥
B=⎢ ⎥ A
⎣⎢ p,1 A p, 2 L A ⎥
p ,q ⎦
⎣ 4 6⎦
Se dice que es una matriz particionada o una matriz por bloques pxq.
B es una sub-matriz de A. B no es sub-matriz principal ya que aunque es de
orden 2x2 e i1 = j1, i2 ≠ j2. Observación:
Una sub-matriz principal es la matriz C∈M2x2(ℜ) tal que i1 = 2; i2 = 3, j1 = 2, Toda matriz A∈Mmxn(K) se puede expresar como una matriz particionada o
j2 = 3. Luego, por bloques mx1 (particionada por filas) y como una matriz particionada o por
bloques 1xn (particionada por columnas). Las columnas de A son vectores
C11 = A i1 j1 = A22 = 2 columnas y se denotan por A1, A2, …, An y sus respectivas transpuestas
C12 = A i1 j2 = A23 = 1 conforman las filas de At. Las filas de A son vectores filas y en consecuencia
45 46
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡1 0⎤ ⎡2 3⎤
A1,1 = ⎢ ⎥; A1, 2 = ⎢ ⎥; A 2,1 = [5 4]; A 2,2 = [2 6]; 2. Por hipótesis:
⎣3 2 ⎦ ⎣1 1⎦
⎡ A1,1 A1, 2 L A1,s ⎤ ⎡ B1,1 B1, 2 L B1,s ⎤
Entonces A es una matriz particionada 2x2 ya que: ⎢ ⎥ ⎢ ⎥
A 2,1 A 2 , 2 L A 2 ,s ⎥ B2,1 B2, 2 L B2,s ⎥
A=⎢ y B=⎢
⎢ M M M ⎥ ⎢ M M M ⎥
⎡ A1,1 A1, 2 ⎤ ⎢ ⎥ ⎢ ⎥
A=⎢ ⎥ ⎢⎣A q ,1 A q , 2 L A q ,s ⎥⎦ ⎢⎣Bq ,1 Bq , 2 L Bq ,s ⎥⎦
⎢⎣A 2,1 A 2, 2 ⎥⎦
Luego,
Teorema 1.24.
47 48
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Observaciones: Como A1,1 y A2,2 son matrices no singulares entonces tienen como matrices
escalonadas reducidas por filas a I n1 e I n 2 , respectivamente. Por consiguiente
Nótese que:
la matriz R escalonada reducida por filas de A es:
1. Si A∈Mmxn(K) es una matriz particionada por filas mx1 entonces
At∈Mnxm(K) es una matriz particionada por columnas 1xm, es ⎡ In θ n1xn 2 ⎤
R=⎢ 1 ⎥=I
decir: ⎢⎣θ n 2 xn1 I n 2 ⎥⎦ n
⎡ (A1 ) t ⎤ ⎡ In θ n1xn 2 ⎤
⎢ 2 t⎥ AA −1 = A −1A = ⎢ 1 ⎥=I
(A ) ⎥ ⎣⎢θ n 2 xn1 I n 2 ⎦⎥ n
A = [ A1 A 2 L An ] y A = ⎢
⎢ M ⎥
⎢ n t⎥ En efecto,
⎣⎢(A ) ⎦⎥
⎡ A1,1 A1, 2 ⎤ ⎡ B1,1 B1, 2 ⎤ ⎡ I n1 θ n1xn 2 ⎤
Teorema 1.25. AA −1 = ⎢ ⎥⎢ ⎥=⎢ ⎥ (2) y
⎣⎢A 2,1 A 2, 2 ⎦⎥ ⎣⎢B2,1 B2, 2 ⎥⎦ ⎣⎢θ n 2 xn1 I n 2 ⎦⎥
Sean A∈Mnxn(K) una matriz particionada 2x2 con A i , j ∈ M n i xn j (K); i = 1, 2; ⎡ B1,1 B1, 2 ⎤ ⎡ A1,1 A1, 2 ⎤ ⎡ I n1 θ n1xn 2 ⎤
A −1A = ⎢ ⎥⎢ ⎥=⎢ ⎥ (3)
j = 1, 2, 0 < n1 < n, 0 < n2 < n, n1 + n2 = n. Si A1,1 y A2,2 son no singulares ⎣⎢B 2,1 B 2, 2 ⎥⎦ ⎣⎢A 2,1 A 2, 2 ⎦⎥ ⎣⎢θ n 2 xn1 I n 2 ⎦⎥
entonces A es no singular y además la matriz inversa de A se puede expresar
de las siguientes 2 formas:
Por el teorema 1.23., apartado 2 se tiene que las ecuaciones matriciales (2) y
(3) generan los sistemas de ecuaciones (4) y (5), respectivamente:
⎡ A11.2 − A1−,11A1, 2 (A 2, 2 − A 2,1A1−,11A1, 2 ) −1 ⎤
A −1 = ⎢ −1 −1 −1 ⎥
⎣⎢ − A A
2, 2 2,1 ( A1,1 − A A A
1, 2 2, 2 2,1 ) A 22.1 ⎦⎥ ⎧ A1,1B1,1 + A1, 2 B 2,1 = I n1
⎪
⎪A1,1B1, 2 + A1, 2 B 2, 2 = θ n1xn 2
⎨ (4)
⎡ A11.2 − (A1,1 − A1, 2 A −2,12 A 2,1 ) −1 A1, 2 A −2,12 ⎤ ⎪A 2,1B1,1 + A 2, 2 B 2,1 = θ n 2 xn1
=⎢ −1 −1 −1 ⎥ ; siendo: ⎪ A 2,1B1, 2 + A 2, 2 B2, 2 = I n
⎢⎣− (A 2, 2 − A 2,1A1,1A1, 2 ) A 2,1A1,1 A 22.1 ⎥⎦ ⎩ 2
49 50
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Sustituyendo (6) en la primera ecuación del sistema (4) se obtiene que: ⎡ B1,1 B1, 2 ⎤
A −1 = ⎢ ⎥
A1,1B1,1 + A1, 2 (−A 2−,12 A 2,1B1,1 ) = I n1 ⎣⎢B2,1 B2, 2 ⎥⎦
⎡ A11.2 − (A1,1 − A1, 2 A 2−,12 A 2,1 ) −1 A1, 2 A −2,12 ⎤
⇒ (A1,1 − A1, 2 A 2−,12 A 2,1 )B1,1 = I n1 =⎢ −1 −1 −1 ⎥
⎣⎢− (A 2, 2 − A 2,1A1,1A1, 2 ) A 2,1A1,1 A 22.1 ⎦⎥
−1
Lo cual implica que la matriz (A1,1 − A1, 2 A 22 A 2,1 ) es no singular por el
1.11. RANGO DE UNA MATRIZ.
teorema 1.11. y además se cumple que:
Definición 1.32.
B1,1 = (A1,1 − A1, 2 A −221A 2,1 ) −1 = A11.2 (7)
Sean A, R1 y R2∈Mmxn(K) tales que R1 es la matriz escalonada reducida por
Sustituyendo (7) en (6) se obtiene que: filas de A y R2 es la matriz escalonada reducida por columnas de A. Se define
como Rango de A y se denota por Rango(A) al número de filas no nulas de R1
o al número de columnas no nulas de R2.
B2,1 = − A −2,12 A 2,1 (A1,1 − A1, 2 A −221A 2,1 ) −1
De esta definición se desprende que el máximo valor que puede tomar el rango
Igualmente como A1,1 y A2,2 son no singulares entonces de la segunda ecuación de A es el mínimo entre m y n. Si Rango(A) = m entonces se dice que A es de
del sistema (4) se obtiene que: rango fila completo. Si Rango(A) = n se dice que A es de rango columna
completo. Si además m = n y Rango(A) = m = n se dice que A es de rango fila
A1,1B1, 2 = − A1, 2 B2, 2 columna completo.
Sustituyendo (8) en la cuarta ecuación del sistema (4) se obtiene que: Para toda matriz A∈Mmxn(K) se cumple que el número de filas no nulas de su
matriz escalonada reducida por filas es igual al número de columnas no nulas
−A 2,1A1−,11A1, 2 B2, 2 + A 2, 2 B2, 2 = I n 2 de su matriz escalonada reducida por columnas.
51 52
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Teorema 1.26. AF = R2Ft-1Ft-1-1…F1-1F. Esto indica que AF es equivalente por columnas a R2,
es decir, R2 es la matriz escalonada reducida por columnas de AF. Luego,
Sean A, B∈Mmxn(K). Si A es equivalente por filas a B entonces
Rango(A) = Rango(B). Rango(AF) = Rango(A).
Luego, Como P y Q son no singulares existen matrices elementales EP1, EP2,…, EPt y
FQ1, FQ2,…, FQt tales que:
B= EB1-1EB2-1…EBt-1RB
EPtEPt-1…EP1P = Im y QFQtFQt-1…FQ1 = In.
Por tanto,
Por consiguiente,
A = EtEt-1…E1EB1-1EB2-1…EBt-1RB
P = EP1-1EP2-1…EPt-1 y Q = FQ1-1FQ2-1…FQt-1
Es decir, A es equivalente por filas a RB y como la matriz escalonada reducida
por filas de una matriz es única entonces RA = RB. Luego,
Sea R1 la matriz escalonada reducida por filas de la matriz A. En ese caso, Rango(AQ) = Rango(AQ = AFQ1-1FQ2-1…FQt-1)
existen matrices elementales E1, E2,…, Et tales que R1 = EtEt-1…E1A. Luego, = Rango(AQ = AFQ1-1FQ2-1…FQt-1-1) = … = Rango(A)
Sea R2 la matriz escalonada reducida por columnas de la matriz A. En ese Sea A∈Mnxn(K). A es no singular si y sólo si Rango(A) = n.
caso, existen matrices elementales F1, F2,…, Ft tales que R2 = AF1F2…Ft.
Luego, Demostración
53 54
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
55 56
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ 1 0 0 0⎤ ⎧⎪A ij si i ≠ p
⎢1 0 0 −4 0 2 −1 ⎥ e(A)ij = ⎨ ; ( c ≠ 0 ), 1 ≤ p ≤ r
⎪⎩cA pj si i = p
⎢ 19 − 1 −2 5 0 1 0 0⎥ c 4 →c 4 + 4c1
⎯⎯⎯ ⎯ ⎯→
⎢0 1 0
4 4 4 0 0 1 0⎥
⎢0 0 1 7 1 −1 1 ⎥
⎢ 2 2 2 0 0 0 1⎥ Luego,
⎣ ⎦
⎡ 1 0 0 4⎤
⎢1 0 0 0 0 2 −1 ⎥ ⎡ Ir B rx ( n − r ) ⎤
0⎥ c 4 →c 4 − 194 c 2 EP*AQ = E ⎢ ⎥
⎢
1 0 19 − 1 −2 5 0 1 0 ⎯⎯⎯ ⎯⎯→ ⎢⎣θ ( m − r ) xr θ ( m − r ) x ( n − r ) ⎥⎦
⎢0 4 4 4 0 0 1 0⎥
⎢0 0 1 7 1 −1 1 ⎥
⎢ 2 2 2 0 0 0 1⎥
⎣ ⎦ ⎡ Dr θ rx ( n − r ) ⎤
⇒ PAQ = ⎢ ⎥ = Δ(A)
⎡ 4 ⎤
⎢1 0 0 0 0 2 −1
1 0 0
⎥ ⎣⎢θ ( m − r ) xr θ ( m − r ) x ( n − r ) ⎦⎥
⎢ 0 1 0 − 19 ⎥ c 4 →c 4 − 7 c3
1 5 4 ⎯⎯ ⎯⎯
⎢0 1 0 0 − 4 − 2 ⎯→
2
4 0 0 1 0 ⎥ con P = EP* y Dr∈Mrxr(K) una matriz diagonal y no singular, ya que c ≠ 0 .
⎢0 0 1 7 1 −1 1 ⎥
⎢ 2 2 2 0 0 0 1 ⎥
⎣ ⎦ Luego, como P* es no singular y E es elemental entonces P = EP* es también
⎡ 1 0 0 4 ⎤ una matriz no singular. Por consiguiente, existen matrices no singulares
⎢1 0 0 0 0 2 −1 ⎥
⎢ 0 1 0 − 19 ⎥ P∈Mmxm(K) y Q∈Mnxn(K) tales que PAQ = Δ(A) .
1 5 4 = [R (A) | P | Q]
⎢0 1 0 0 − 4
−2
4 0 0 1 −7 ⎥
⎢0 0 1 0 1 −1 1 2⎥ Ahora bien, sea E* = e*(In) la matriz elemental definida a partir de la operación
⎢ 2 2 0 0 0 1 ⎥
⎣ ⎦ elemental de filas e*: Mmxm(K)→ Mmxm(K) definida por:
Luego, ⎧⎪A ij si i ≠ t
e*(A)ij = ⎨ ; ( d ≠ 0 ), 1 ≤ t ≤ r, t ≠ p .
⎪⎩dA tj si i = t
⎡ 0 ⎡1 0 0 4 ⎤
⎡1 0 0 0⎤ 2 −1 ⎤ ⎢ ⎥
⎢ ⎥; ⎢ ⎥ 0 1 0 − 19 ⎥
R ( A ) = ⎢0 1 0 0 ⎥ P = ⎢ − 1 −2 5 ⎥ ; Q=⎢ 4 Luego,
⎢ 4 4⎥ ⎢0 0 1 −7 ⎥
⎢⎣0 0 1 0⎥⎦ ⎢ 2⎥
⎢⎣ 1 2 − 1 1 ⎥
2⎦ ⎢⎣0 0 0 1 ⎥⎦ ⎡ Dr θ rx ( n − r ) ⎤ ⎡ D* r θ rx ( n − r ) ⎤ *
E*PAQ = E* ⎢ ⎥ = ⎢ ⎥ = Δ (A)
⎢⎣θ ( m − r ) xr θ ( m − r ) x ( n − r ) ⎥⎦ ⎢⎣θ ( m − r ) xr θ ( m − r ) x ( n − r ) ⎥⎦
Además, se cumple que PAQ = R(A).
Sea A∈Mmxn(K). Si Rango(A) = r entonces existen matrices no singulares con P** = E*P y D*r∈Mrxr(K) una matriz diagonal y no singular, ya que d ≠ 0 .
P∈Mmxm(K) y Q∈Mnxn(K) tales que PAQ = Δ(A) , siendo:
Luego, como P es no singular y E* es elemental entonces P** = E*P es también
⎡ Dr θrx ( n − r ) ⎤ una matriz no singular. Por consiguiente, existen matrices no singulares
Δ(A) = ⎢ ⎥ ; con Dr∈Mrxr(K) una matriz diagonal y no P**∈Mmxm(K) y Q∈Mnxn(K) tales que P**AQ = Δ* (A ) .
⎣⎢θ( m− r ) xr θ( m− r ) x ( n − r ) ⎦⎥
singular.
En general, se pueden definir infinitas matrices elementales con la operación
elemental del tipo anterior, bien sea de filas o de columnas para obtener
Demostración
matrices no singulares P∈Mmxm(K) y Q∈Mnxn(K) tales que PAQ = Δ(A) .
Por el teorema anterior se sabe que existen matrices no singulares P*∈Mmxm(K)
y Q∈Mnxn(K) tales que P*AQ = R(A). Sea E = e(Im) una matriz elemental Ejemplo 1.38.
definida por la operación elemental de filas e: Mmxm(K)→ Mmxm(K) definida
por: En el ejemplo 1.35., partiendo de [A | I3 | I4] se llegó a [R(A) | P | Q] aplicando
operaciones elementales de filas. Veamos que ocurre si estas operaciones se
siguen aplicando:
57 58
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ 1 0 0 4 ⎤ EJERCICIOS PROPUESTOS.
⎢1 0 0 0 0 2 −1 ⎥
0 1 0 − 19 ⎥ r →3r
[R (A) | P | Q] = ⎢⎢0 1 0 0 − 1
4
−2 5
4 0 0 1 −7 ⎥
4 ⎯⎯1
⎯1 → 1. Sean A, B, C∈M2x2(ℜ) las siguientes matrices:
⎢0 0 1 0 1 −1 1 2 ⎥
⎢ 2 2 0 0 0 1 ⎥ ⎡a b ⎤ ⎡ 4 −2 ⎤ ⎡1 4⎤ ⎡−1 2⎤
⎣ ⎦ A=⎢ ⎥ B=⎢ ⎥ C=⎢ ⎥ D=⎢ ⎥
⎣ c d ⎦ ⎣ 1 3 ⎦ ⎣ 2 − 2 ⎦ ⎣ 2 3⎦
⎡ 1 0 0 4 ⎤
⎢3 0 0 0 0 6 −3 ⎥
[ ]
⎢ 0 1 0 − 19
1 5 4 ⎥ = Δ ( A) P * Q Determine los valores de a, b, c y d para que:
⎢0 1 0 0 − 4
−2
4 0 0 1 −7 ⎥
⎢0 0 1 0 1 −1 1 2⎥
⎢ 2 2 0 0 0 1 ⎥ 1.1. A + B = I2.
⎣ ⎦ 1.2. CA = I2.
1.3. (AD)t = I2.
Se obtienen entonces matrices P* y Q tales que P*AQ = Δ(A). Si continuamos
aplicando mas operaciones elementales de filas se obtendrán tantos infinitos 2. Sean A, B∈M3x3(ℜ) las siguientes matrices:
pares de matrices P y Q como matrices Δ(A) obtenidas a partir de A.
⎡1 a b ⎤ ⎡1 −a −b ⎤
Teorema 1.32. ⎢ ⎥ ⎢ ⎥
A = ⎢0 1 0 ⎥ B = ⎢0 1 0⎥
⎢⎣0 0 1 ⎥⎦ ⎢⎣0 0 1⎥⎦
Sean A∈Mmxn(K) y B∈Mnxp(K). Entonces se cumple que:
n
5.3. XtAX = ∑ (X
i =1
i − X) 2 .
t
∑ (X
i =1
i − X) 2
5.4. X AX = .
n
6. Para la siguiente matriz de datos definida por las variables X1: Peso
(kg.), X2: Estatura (cm.) y X3: Edad (años cumplidos) determine e
59 60
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
interprete las matrices de datos centrada, de datos estandarizada, de 14. Sea A∈Mnxn(K). Demuestre que si A es simétrica e idempotente y tiene
varianzas y covarianzas y de correlaciones: algún elemento nulo en la diagonal principal entonces la fila y la
columna de dicho elemento son nulas.
⎡62 158 25⎤
⎢ ⎥ 15. Sean A, B∈Mnxn(K), tales que A es triangular inferior y B es triangular
⎢77 172 29⎥
superior. Demuestre que:
⎢85 185 22⎥
⎢ ⎥
X = ⎢45 155 19 ⎥ 15.1. ABt es triangular inferior.
⎢68 162 32⎥ 15.2. AB no es triangular.
⎢ ⎥
⎢73 168 33⎥
⎢ ⎥ 16. Sea A∈Mnxn(K). Demuestre que si A es idempotente entonces In – A es
⎣79 180 30⎦ idempotente.
7. Dadas las siguientes matrices: 17. Sea A∈Mnxn(K). Demuestre que si A es triangular y simétrica entonces
A es diagonal.
⎡ 1 2 0⎤ ⎡1 2 3⎤ ⎡1 2 3⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ 18. Sean A, B∈Mnxn(K), tales que A y B son no singulares. Demuestre que:
A = ⎢ 1 1 0⎥ , B = ⎢1 1 − 1⎥ y C = ⎢1 1 − 1⎥
⎢⎣− 1 4 0⎥⎦ ⎢⎣2 2 2⎥⎦ ⎢⎣1 1 1⎥⎦ (A −1 + B−1 ) −1 = B(A + B) −1 A
Demuestre que AB = AC. 19. Sea A∈M2x2(ℜ) tal que A es no singular y la inversa de 4A es:
61 62
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
24.1. AAt y (A + At) son simétricas. 29. Determine si las siguientes matrices son no singulares y en caso
24.2. (A – At) es antisimétrica. afirmativo halle la correspondiente matriz inversa:
25. Sea A∈M2x2(K) tal que A es no singular. Deduzca una fórmula para la ⎡1 0 1⎤
matriz inversa de A. ⎢ ⎥
29.1. A = ⎢2 − 1 3⎥
⎢⎣1 1 2⎥⎦
26. Se dice que una matriz A∈Mmxn(K) es una matriz estocástica, aleatoria o
de probabilidad si y sólo si ∀ (i,j)∈JmxJn 0 ≤ Aij ≤ 1 y ∀ i=1, 2, …, m se ⎡2 6 −4 ⎤
n ⎢ ⎥
cumple que ∑ A ij = 1 . Sean A, B∈Mmxn(K). Demuestre que: 29.2. B = ⎢2
⎢⎣1
−1 1⎥
j=1 3 − 2⎥⎦
26.1. 2
Si m = n y A es estocástica entonces A es estocástica. ⎡5 0 1⎤
⎢ ⎥
26.2. Si m = n y A y B son estocásticas entonces AB es estocástica. 29.3. C = ⎢ 3 − 2 0⎥
⎢⎣2 0 3⎥⎦
27. Se define como matriz conjugada de una matriz A∈Mmxn(K) y se denota
⎡ 1 0 2 −1 ⎤
por A a la matriz A ∈Mmxn(K) definida por A ij = A ij , siendo A ij la ⎢ ⎥
2 1 1 3⎥
conjugada del término Aij. Sean A∈Mmxn(K), B∈Mnxp(K) y c∈K. 29.4. D=⎢
⎢ −1 2 −1 0⎥
Demuestre que: ⎢ ⎥
⎣⎢ 3 0 1 − 1⎦⎥
27.1. AB = A B
30. Sean A∈Mmxn(K) una matriz particionada por columnas y X∈Kn un
27.2. cA = c A n
63 64
CAPÍTULO 1: TEORÍA DE MATRICES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ 2 4 1⎤
⎡1 0 ⎤ ⎢ ⎥
E=⎢ 36.2. B = ⎢− 4 − 8 3⎥
34.1. ⎥
⎣4 1⎦ ⎣⎢ 5 8 2⎦⎥
⎡2 0⎤
34.2. E=⎢ ⎥
⎣0 − 2 ⎦ 37. Para la siguiente matriz A determine una matriz U triangular superior
para que AU sea una matriz ortogonal:
⎡0 1 0 ⎤
⎢ ⎥
34.3. E = ⎢1 0 0 ⎥ ⎡1 1 1⎤
⎢⎣0 0 1⎥⎦ ⎢ ⎥
A = ⎢1 1 0⎥
⎡0 1 0 ⎤ ⎢⎣1 0 0⎥⎦
⎢ ⎥
34.4. E = ⎢0 0 1 ⎥
⎢⎣1 0 0⎥⎦
⎡1 0 0⎤
⎢ ⎥
34.5. E = ⎢0 1 − 3 ⎥
⎢⎣0 0 1⎥⎦
35. Determine para las siguientes matrices rango y matriz normal o reducida
así como también matrices P y Q tales que PAQ = R(A):
⎡2 0 −1 ⎤
⎢ ⎥
35.1. A = ⎢1 1 2⎥
⎢⎣3 1 0⎥⎦
65 66