Capitulo 1. Teoría de Matrices. Álgebra Lineal para Estadísticos y Actuarios. William Noguera

ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
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:
⎡ A11 A12 L A1j L A1n ⎤

⎢ ⎥
⎢A 21 A 22 L A 2j L A 2n ⎥
1.1. INTRODUCCIÓN. ⎢ M M M M ⎥
A=⎢ ⎥
En este capítulo se presenta uno de los conceptos más utilizados tanto en la A
⎢ i1 A i2 L A ij L A in ⎥
Estadística como en las Ciencias Actuariales como lo es el concepto de Matriz. ⎢ M ⎥
⎢ M M M ⎥
Se exponen la mayoría de sus conceptos asociados como lo son: Álgebra de ⎢A m1 A m2 L A mj L A mn ⎥
Matrices, Tipos Especiales de Matrices, Matriz de Datos, Operaciones ⎣ ⎦
Elementales de Filas y Columnas, Matriz Inversa, Traza de una Matriz,
Factorización LU, Sub-matrices y Matrices Particionadas y Rango de una Las m líneas horizontales se denominan filas o renglones de la matriz A y las n
Matriz. Todo el desarrollo del capítulo presenta un enfoque especialmente líneas verticales se denominan columnas de dicha matriz.
estadístico, el cual es el objetivo principal de este texto.
Ejemplo 1.2.
1.2. DEFINICIONES Y EJEMPLOS.
Sea m = 3 y n = 2. En este caso J3 = {1, 2, 3} y J2 = {1, 2}. Luego,
Definición 1.1. J3xJ2 = {(1, 1), (1, 2), (2, 1), (2, 2), (3, 1), (3, 2)}. Sea A3x2: J3 x J2 → ℜ tal que
A3x2(1, 1) = 1, A3x2(1, 2) = 0, A3x2(2, 1) = -1, A3x2(2, 2) = 2, A3x2(3, 1) = 1 y
Se dice que un conjunto no vacío K es un Cuerpo si en dicho conjunto están A3x2(3, 2) = 1. Esta función así definida es una matriz de orden 3x2. Su
definidas las siguientes operaciones: representación mediante un arreglo rectangular es:
1. Suma (+): Si x, y ∈ K entonces (x + y) ∈ K ⎡ 1 0⎤

2. Producto (.): Si x, y ∈ K entonces (x . y) ∈ K ⎢ ⎥
A = ⎢− 1 2⎥
Estas operaciones tienen las siguientes propiedades ⎢⎣ 1 1 ⎥⎦
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
Ejemplo 1.3. ⎡ 0 103 152 337 655⎤

⎢ ⎥
Sean A∈M2x2(ℜ) y B∈M3x2(ℜ) definidas por: ⎢103 0 49 234 552⎥
B = ⎢152 49 0 185 503⎥
⎢ ⎥
⎡1 2⎤ ⎢337 234 185 0 318⎥
⎡1 2 ⎤ ⎢ ⎥ ⎢655 552 503 318 0 ⎥⎦
A=⎢ ⎥ ; B = ⎢1 0⎥ ⎣
⎣ 2 3 ⎦ ⎢⎣5 3⎥⎦
Definición 1.4.
A es una matriz cuadrada de orden 2 ya que tiene 2 filas y 2 columnas en tanto Sean A, B∈ Mmxn(K). Se dice que A y B son iguales si y sólo si
que B es una matriz rectangular ya que tiene 3 filas y 2 columnas. Los valores
∀ (i,j) ∈ Jm x Jn se cumple que Aij = Bij.
1 y 3 conforman la diagonal principal de A.
Ejemplo 1.4.
Ejemplo Aplicado 1.1.
Sean A, B∈ M2x2(ℜ) definidas por:
En un Reality Show donde participan 6 personas, se le pide a cada una de ellas
que señalen a 2 de sus compañeros para ser amenazados. Los 2 participantes
con mayores señalamientos serán los amenazados, uno de los cuales será ⎡1 −1⎤ ⎡1 b⎤
A= ⎢ ⎥ yB= ⎢ ⎥
salvado por el voto del público mientras que el otro tendrá que abandonar la ⎣0 a ⎦ ⎣c - 2 ⎦
competencia. Se define la matriz A de la siguiente forma:
A = B si y sólo si b = -1, c = 0 y a = -2.
⎧1 Si la i - ésima persona señala a la j - ésima persona
A ij = ⎨
⎩0 Si la i - ésima persona NO señala a la j - ésima persona 1.3. ÁLGEBRA DE MATRICES.
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:
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.
La matriz B es la siguiente: Demostración
1. (A + B)ij = Aij + Bij = Bij + Aij = (B + A)ij.

2. (A + (B + C))ij = Aij + (B + C)ij
= Aij + Bij + Cij
3 4
= (Aij + Bij) + Cij n
= (A + B)ij + Cij (AB)ij = ∑A

r =1
ir B rj ; 1 ≤ i ≤ n; 1 ≤ j ≤ n
= ((A + B) + C)ij
3. A + θ = A ⇒ (A + θ)ij = Aij
⇒ Aij + θij = Aij Observaciones:
⇒ θij = Aij - Aij = 0 ∀ (i,j) ∈ Jm x Jn
4. A + (-A) = θ ⇒ (A + (-A))ij = θij Sean A∈Mmxn(K) y B∈Mnxp(K). El producto AB esta definido. En el caso del
⇒ Aij + (-A)ij = 0 producto BA pueden ocurrir las situaciones siguientes:
1. Si p ≠ m entonces BA no está definida.
⇒ (-A)ij = 0 - Aij = -Aij
2. Si p = m entonces BA está definida y se cumple que BA∈Mnxn(K).
Definición 1.6. Si además m ≠ n no tiene sentido considerar la igualdad AB = BA
ya que AB∈Mmxm(K) y BA∈Mnxn(K) pero si m = n los productos
Sean A∈Mmxn(K) y c ∈ K. Se define como matriz múltiplo escalar de A por c y AB y BA están definidos con idéntico orden pero no
se denota por cA a la matriz (cA) ∈ Mmxn(K) definida como (cA)ij = cAij. necesariamente se cumple que AB = BA.
Ejemplo 1.6. Ejemplo 1.7.
⎡1 2 3⎤ Sean A∈M3x2(ℜ) y B∈M2x2(ℜ) definidas por:

Sea A∈M2x3(ℜ) definida por A = ⎢ ⎥ . Luego,
⎣ 4 − 2 1⎦
⎡1 −1 ⎤
⎢ ⎥ ⎡1 −1 ⎤
A = ⎢2 3⎥ y B = ⎢ ⎥
⎡1 2 3⎤ ⎡2 4 6⎤ ⎣3 2⎦
B = 2A = 2⎢ ⎥ = ⎢ ⎥ . Nótese que B∈M2x3(ℜ). ⎢⎣2 1⎥⎦
⎣ 4 − 2 1⎦ ⎣ 8 − 4 2⎦
Como el número de columnas de A coincide con el número de filas de B

Teorema 1.2.
entonces existe la matriz AB la cual es de orden 3x2 y se determina de la
siguiente manera:
Sean A, B∈ Mmxn(K). Entonces se cumple que:
2
1.
2.
1A = A.
∀ c ∈ K se cumple que c(A + B) = cA + cB.
(AB)11 = ∑A
r =1
1r B r1 = A11B11 + A12B21 = 1.1+(-1).3 = 1 – 3 = –2
3. ∀ c, d ∈ K se cumple que (c + d)A = cA + dA. 2

4. ∀ c, d ∈ K se cumple que (cd)A = c(dA). (AB)12 = ∑A
r =1
1r B r 2 = A11B12 + A12B22 = 1.(-1)+(-1).2 = –1 – 2 = –3
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
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
Como el número de columnas de B no coincide con el número de filas de A

= ∑B
r =1
ir (C rj + D rj )
entonces no existe la matriz BA. p
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
cumple que BC∈Mnxs(K). Asimismo A∈Mmxn(K) y por tanto el n n
producto A(BC) está definido y se cumple que A(BC) ∈ Mmxs(K). = ∑ (A

r =1
ir + E ir )B rj = ∑ (A
r =1
ir B rj + E ir B rj )
Luego:
n n
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
p 1.4. TIPOS ESPECIALES DE MATRICES.

= ∑C
h =1
hj (AB) ih
Definición 1.8.
p
= ∑ (AB)
h =1
ih C hj Sea A∈Mmxn(K). Se define como matriz transpuesta de A y se denota por At a
la matriz At ∈ Mnxm(K) definida como:
= ((AB)C)ij
(At)ij = Aji; 1 ≤ i ≤ n; 1 ≤ j ≤ m
7 8
Ejemplo 1.8. Definición 1.9.
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
Es decir, la matriz In tiene unos en la diagonal principal y ceros en las celdas

Luego, At∈M2x3(ℜ) y se cumple que: restantes. Tiene la siguiente estructura:
(At)11 = A11 = 1
(At)12 = A21 = -2 ⎡1 0 L 0 L 0 ⎤
⎢ ⎥
(At)13 = A31 = 3 ⎢0 1 L 0 L 0 ⎥
(At)21 = A12 = 2 ⎢M M M M ⎥
(At)22 = A22 = 2 In = ⎢ ⎥
(At)23 = A32 = 4 ⎢0 0 L 1 L 0 ⎥
⎢M M M M ⎥
⎢ ⎥
En consecuencia: ⎢⎣0 0 L 0 L 1 ⎥⎦
⎡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
Demostración = A i1 0 + ... + A ij1 + ... + A in 0 = A ij

t t t
1. (A )ij = Aji. Por tanto, (A ) = Aij
ij
2. Como A, B ∈ Mmxn(K) entonces A + B ∈ Mmxn(K). Luego: Por otro lado,
n
((A + B)t)ij = (A + B)ji
= Aji + Bji = (At)ij + (Bt)ij
(ImA)ij = ∑ (I
r =1
m ) ir A rj = (I m )i1 A1 j + ... + (I m )ii A ij + ... + (I m ) in A nj
3. Como A ∈ Mmxn(K) y C ∈ Mnxp(K) el producto AC está definido y
= 0A1 j + ... + 1A ij + ... + 0A nj = A ij
se cumple que (AC) ∈ Mmxp(K). Luego:
Luego se cumple que (AIn)ij = (ImA)ij = Aij
n
(AC)ij = ∑A
r =1
ir C rj Definición 1.10.
n n
Se define como matriz nula de orden mxn a la matriz θmxn∈Mmxn(K) definida
((AC)t)ij = (AC)ji = ∑A
r =1
jr C ri = ∑ (A )
r =1
t
rj (C t ) ir de la siguiente forma:
n
(θmxn)ij = 0 ∀ (i,j) ∈ Jm x Jn
= ∑ (C )
r =1
t
ir (A t ) rj
= (C A )ijt t Definición 1.11.
Sea A∈Mnxn(K). Se dice que la matriz A es:
9 10
1. Simétrica si At = A. Ejemplo 1.14.

2. Antisimétrica si At = -A
3. Triangular Superior si Aij = 0 ∀ i > j. ⎡5 0 0 ⎤
4. Triangular Inferior si Aij = 0 ∀ i < j. ⎢ ⎥
Sea A∈M3x3(ℜ) definida por A = ⎢0 5 0⎥ . A es escalar ya que se puede
5. Diagonal si Aij = 0 ∀ i ≠ j .
⎢⎣0 0 5⎥⎦
6. Escalar si existe c ∈ K tal que A = cIn.
7. Ortogonal si AtA = AAt = In. expresar como:
8. Idempotente si A2 = A. ⎡5 0 0 ⎤ ⎡1 0 0⎤
9. Involutiva si A2 = In. ⎢ ⎥ ⎢ ⎥
A = ⎢0 5 0 ⎥ = 5 ⎢0 1 0 ⎥ = 5I 3
10. Nilpotente si existe p ∈ ℵ* tal que Ap = θnxn.
⎢⎣0 0 5⎥⎦ ⎢⎣0 0 1⎥⎦
Ejemplo 1.9.
Ejemplo 1.15.
⎡1 3⎤
Sea A∈M2x2(ℜ) definida por A=⎢ ⎥ . A es simétrica ya que
⎣3 2⎦ ⎡ 2 ⎤
⎢ − 2
Sea A∈M2x2(ℜ) definida por A = ⎢ 2 2 ⎥ . A es ortogonal ya que
⎡1 3⎤ ⎥
At = ⎢ ⎥=A . ⎢ 22 2 ⎥
⎣3 2⎦ ⎣ 2 ⎦
⎡1 0⎤
Ejemplo 1.10. AtA = AAt = ⎢ ⎥ = I2.
⎣0 1 ⎦
⎡0 −3 ⎤
Sea A∈M2x2(ℜ) definida por A = ⎢ ⎥ . A es antisimétrica ya que Ejemplo 1.16.
⎣3 0⎦
⎡ 0 3⎤ ⎡0 −3 ⎤ ⎡ 1 −1 ⎤
At = ⎢ ⎥ = −⎢ ⎥ = −A . Sea A∈M2x2(ℜ) definida por A = ⎢ 2 2 ⎥ . A es idempotente ya que
⎣ − 3 0⎦ ⎣3 0⎦ ⎢− 1 1 ⎥
⎣ 2 2 ⎦
A2 = A.
Ejemplo 1.11.
Ejemplo 1.17.
⎡1 2 3 ⎤
⎢ ⎥
Sea A∈M3x3(ℜ) definida por A = ⎢0 1 2⎥ . A es triangular superior ya que ⎡1 0⎤
Sea A∈M2x2(ℜ) definida por A = ⎢ 2
⎥ . A es involutiva ya que A = I2.
⎢⎣0 0 3⎥⎦ − 1⎦
⎣0
A21 = A31 = A32 = 0.
Ejemplo 1.18.
Ejemplo 1.12.
⎡0 1 ⎤
Sea A∈M2x2(ℜ) definida por A = ⎢ ⎥ . A es nilpotente ya que A = θ2.
2
⎡1 0 0⎤ ⎣0 0 ⎦
⎢ ⎥
Sea A∈M3x3(ℜ) definida por A = ⎢2 1 0⎥ . A es triangular inferior ya que
⎢⎣3 2 3⎥⎦ Definición 1.12.
A12 = A13 = A23 = 0.
Sea B∈Msxs(K). Se dice que B es una matriz Grammian si y sólo si es de la
forma B = AtA o B = AAt, para cualquier matriz A∈Mnxp(K); s = p, n.
Ejemplo 1.13.
Observaciones:
⎡1 0 0⎤
⎢ ⎥
Sea A∈M3x3(ℜ) definida por A = ⎢0 2 0⎥ . A es diagonal ya que 1. Las matrices Grammian son simétricas.
⎢⎣0 0 3⎥⎦ 2. El elemento genérico de una matriz Grammian de la forma AtA es
de la siguiente forma:
A12 = A13 = A23 = A21 = A31 = A32 = 0.
11 12
n n 1.5. MATRIZ DE DATOS

Bij = (AtA)ij = ∑ (A )
r =1
t
ir A rj = ∑A
r =1
ri A rj
Definición 1.13.
t
3. El elemento genérico de una matriz Grammian de la forma AA es Sea X∈Mnxp(ℜ). Se dice que X es una matriz de datos si se obtiene de medir p
de la siguiente forma: variables sobre n elementos, es decir, Xij = Valor de la j-ésima variable medida
sobre el i-ésimo elemento. Si p = 1 entonces se dice que X es un vector de
p n
datos.
Bij = (AAt)ij = ∑A
r =1
ir ( A
t
) rj = ∑A
r =1
ir A jr

4. Una matriz Grammian de la forma AtA se puede descomponer
como una suma de matrices de la siguiente forma: Se extrae del control de notas de un curso de Algebra Lineal las calificaciones
de los alumnos A, B, C, D, E, F y G en los 3 exámenes parciales que
⎡ n 2 n n
⎤ contempla el curso. El resultado se resume en la siguiente matriz de datos:
⎢ ∑ A r1 ∑A r1 Ar2 L ∑A A rp ⎥
r1
⎢ r =1 r =1 r =1 ⎥
⎢ n n n
⎥ ⎡12 11 10 ⎤
∑ A A
B = AtA = ⎢ r =1 r 2 r1 ∑A 2
r2 L ∑ A r 2 A rp ⎥ ⎢
⎢10 12 09⎥
⎥
⎢ r =1 r =1 ⎥
⎢ M M M ⎥ ⎢08 14 12 ⎥
⎢ n n n ⎥ ⎢ ⎥
∑
⎢ A rp A r1 ∑A rp Ar2 L ∑ A 2rp ⎥ X = ⎢17
⎢15
19 18 ⎥
⎣⎢ r =1 r =1 r =1 ⎦⎥ 13 11⎥
⎢ ⎥
⎡ n 2 n n
⎤ ⎢12 10 08⎥
⎢ ∑ A r1 ∑A r1 Ar2 L ∑A A rp ⎥
r1 ⎢
⎣13
⎥
09 13 ⎦
⎢ r =1 r =1 r =1 ⎥
⎢ n n n
⎥
∑ A A
= ⎢ r =1 r1 r 2 ∑A 2
r2 L ∑ A r 2 A rp ⎥
Definición 1.14.
⎢ r =1 r =1 ⎥
⎢ M M M ⎥
⎢ n n n ⎥ Se define como Vector Generador de Medias al vector U∈M1xn(ℜ) tal que
∑
⎢ A r1A rp ∑A r2 A rp L ∑ 2
A rp ⎥ 1
(1n ) t , siendo 1n el vector 1n ∈Mnx1(ℜ) definido por (1n )i = 1, ∀
⎣⎢ r =1 r =1 r =1 ⎦⎥ U =
n
⎡ A 2r1 A r1A r 2 L A r1A rp ⎤ i∈Jn.
⎢ ⎥
n
⎢A r1A r 2 A 2r 2 L A r 2 A rp ⎥
= ∑ ⎢ M M M ⎥
Definición 1.15.
r =1
⎢ ⎥
⎣⎢ A r1A rp A r 2 A rp L A 2rp ⎦⎥ Se define como Matriz Generadora de Medias a la matriz A∈Mnxn(ℜ) tal que
⎡ A r1 ⎤ 1
A = (1n )(1n ) t .
⎢ ⎥ n
⎢A r 2 ⎥ A [ ]
n
= ∑
r =1
⎢ M ⎥ r1
A r 2 L A rp
⎢ ⎥ Definición 1.16.
⎢⎣ A rp ⎥⎦
n Se define como Matriz de Centraje a la matriz P∈Mnxn(ℜ) tal que P = In – A, es
= ∑
r =1
A r (A r ) t ; donde: 1
decir, P = In – (1n )(1n ) t .
n
⎡ 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
la j-ésima variable. Si p = 1 entonces se dice que X̂ es el vector de datos Demostración

centrado asociado al vector de datos X.
n n n
1 1
Definición 1.18.
1. (UX)ij = ∑U
r =1
ir X rj = ∑ ( n (1 ) )
r =1
n
t
ir X rj =
n
∑ (1 )
r =1
n ri X rj =
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
elemento genérico (X̂ E ) ij =

X ij − X j
, siendo X j y Sj la media aritmética y la
2. ((1n)(1n)t)ij = ∑ (1 )
r =1
n ir ((1n ) t ) jr = ∑ (1 ) (1 )
r =1
n ir n jr = ∑1.1 = 1.
r =1
Sj
n n
1
desviación estándar de las n mediciones de la j-ésima variable, (AX)ij = ∑A
r =1
ir X rj = ∑
r =1
( (1n )(1n ) t )ir X rj =
n
respectivamente. Si p = 1 entonces se dice que X̂ E es el vector de datos
n n n
1 1 1
estandarizado asociado al vector de datos X. =
n
∑ ((1 )(1 ) )
r =1
n n
t
ir X rj =
n
∑1.X
r =1
rj =
n
∑X
r =1
rj = Xj
Definición 1.19.
Por lo tanto,
Sea X∈Mnxp(ℜ) una matriz de datos. Se define como Matriz de Varianzas y
Covarianzas asociada a X a la matriz V∈Mpxp(ℜ) cuyo elemento genérico es PX = (In – A)X = X – AX. Luego,
Vij = Sij, es decir, Vij se corresponde con la covarianza entre las variables
(PX)ij = (X – AX)ij = Xij – (AX)ij = Xij – X j = X̂ ij
i-ésima y j-ésima.
⇒ PX = X̂
Observación:
1 t 1 t 1 n
Notemos que Vii = Sii = Si2.
3. ( X̂ X̂ ) ij = (X̂ X̂ ) ij =
n n n r =1
(X̂ t ) ir X̂ rj ∑
n
1
Definición 1.20. =
n
∑ X̂
r =1
ri X̂ rj
Sea X∈Mnxp(ℜ) una matriz de datos. Se define como Matriz de Correlaciones 1 n
asociada a X a la matriz R∈Mpxp(ℜ) cuyo elemento genérico es Rij = rij, es =

n
∑ (X
r =1
ri − X i )(X rj − X j ) = Sij = Vij.
decir, Rij se corresponde con el coeficiente de correlación lineal de Pearson
entre las variables i-ésima y j-ésima. 1 t
⇒ X̂ X̂ = V
n
Observación: n
1 1 1
Nótese que Rii = rii = 1.
4. ( (X̂ E ) t X̂ E ) ij = ((X̂ E ) t X̂ E )ij =
n n n
∑ (X̂
r =1
E ri ) (X̂ E ) rj
1 n
X ri − X i X rj − X j
Teorema 1.6. =
n
∑(
r =1 Si
)(
Sj
)
Sea X∈Mnxp(ℜ) una matriz de datos. Entonces se cumple que: 1 1 n

=
SiS j n
∑ (X ri − X i )(X rj − X j )
1. UX es el vector de medias aritméticas asociado a la matriz de datos r =1
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
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:
2. La matriz generadora de medias es:

X̂ = PX =
⎡1 1 1 1 1 1 1 ⎤
⎡1 1 1 1 1 1 1⎤ ⎢ 7 7 7 7 7 7 7⎥
⎡
⎢ ⎥ ⎢1 1 1 1 1 1 1 ⎥ 6 −1 −1 −1 −1 − 1 −1 ⎤
⎢1 1 1 1 1 1 1⎥ ⎢ 7 7 7 7 7 7 7⎥ ⎢ 7 7 7 7 7 7 7⎥ ⎡12 11 10 ⎤
⎢1 1 1 1 1 1 1⎥ ⎢ 1 7 1 1 1 1 1 1 ⎥ ⎢− 1 6 −1 −1 −1 − 1 −1 ⎥ ⎢ ⎥
A =
1 ⎢ ⎥ ⎢
1⎥ = ⎢ 1 7 1
7
1
7
1
7
1
7
1
7 7
1 ⎥ ⎢ 7 7 7 7 7 7 7⎥ ⎢10 12 09⎥
⎢1
7 ⎢
1 1 1 1 1 7 7 7 7 7 7⎥ ⎢− 1 −1 6 −1 −1 − 1 −1 ⎥ ⎢08 14 12 ⎥
1⎥ ⎢ 1 1 ⎥ 7 7 7 7 7 7 7 ⎢ ⎥
⎢
1 1 1 1 1 1
⎥ ⎢ 7
1 1 1 1 1
7⎥ ⎢ 1 6 ⎥
⎢1 1 1 1 1 1 1⎥ ⎢ 1
7 7 7 7 7
1 ⎥ ⎢− −1 −1 − 1 − 1 −1 ⎥ ⎢17 19 18 ⎥
1 1 1 1 1 7 7 7 7 7 7 7
⎢ ⎥
1 ⎦ ⎢⎢ 1
7 7 7 7 7 7 7⎥ ⎢ 1 6 ⎥ ⎢15 13 11⎥
⎣1 1 1 1 1 1 1 1 1 1 1 1 ⎥ ⎢− −1 −1 −1 − 1 −1 ⎥ ⎢ ⎥
⎣ 7 7 7 7 7 7 7⎦ 7 7 7 7 7 7 7
⎢− 1 −1 −1 −1 − 1 6 −1 ⎥ ⎢12 10 08⎥
3. La matriz de centraje es: ⎢ 7 7 7 7 7 7 7⎥ ⎢ ⎥
⎢− 1 −1 −1 −1 −1 − 1 6 ⎥ ⎣13 09 13 ⎦
P = I7 – A = ⎣ 7 7 7 7 7 7 7⎦
⎡1 1 1 1 1 1 1 ⎤ ⎡ −0,43 −1,57 −1,57 ⎤
⎡1 0 0 0 0 0 0⎤ ⎢ 7 7 7 7 7 7 7⎥ ⎢ ⎥
⎢ ⎥ ⎢1 1 1 1 1 1 1 ⎥ ⎢ − 2,43 − 0,57 − 2,57 ⎥
⎢0 1 0 0 0 0 0⎥ ⎢ 7 7 7 7 7 7 7⎥ ⎢ − 4,43 1,43 0,43⎥
⎢0 0 1 0 0 0 0⎥ ⎢ 1 7 1
7
1
7
1
7
1
7
1
7
1 ⎥
7
⎢
= ⎢ 4,57 6,43 6,43⎥
⎥
⎢ ⎥ ⎢ 1 ⎥
⎢0 0 0 1 0 0 0⎥ − ⎢ 1 7 1
7
1
7
1
7
1
7
1
7 7⎥ ⎢ 2,57 0,43 − 0,57 ⎥
⎢0 0 0 0 1 0 0⎥ ⎢ 1 1 1 1 1 1 1 ⎥ ⎢ ⎥
⎢ ⎥ ⎢ 7 7 7 7 7 7 7⎥ ⎢ − 0,43 − 2,57 − 3,57 ⎥
⎢0 0 0 0 0 1 0⎥ ⎢ 1 1 1 1 1 1 1 ⎥ ⎢ ⎥
⎣ 0,57 − 3,57 1,43 ⎦
⎢ ⎥ 7 7 7 7 7 7 7⎥
⎣0 0 0 0 0 0 1⎦ ⎢⎢ 1 1 1 1 1 1 1 ⎥
⎣ 7 7 7 7 7 7 7⎦ 6. La matriz de varianzas y covarianzas es:
⎡ 6 −1 −1 −1 −1 −1 −1 ⎤
⎢ 7 7 7 7 7 7 7⎥
1 6 1
⎢− −1 −1 −1 −1 −1 ⎥ V= (X̂) t X̂
⎢ 7 7 7 7 7 7 7⎥ 7
⎢− 1 −1 6 −1 −1 −1 −1 ⎥
7 7 7 7 7 7 7 ⎡ −0,43 −1,57 −1,57 ⎤
⎢ 1 6 ⎥ ⎢ ⎥
= ⎢− −1 −1 −1 −1 −1 ⎥ ⎢ − 2,43 − 0,57 − 2,57 ⎥
7 7 7 7 7 7 7 ⎡−0,43 −2,43 −4,43 4,57 2,57 −0,43 0,57⎤
⎢ 1 6 ⎥ 1 ⎢ − 4,43 1,43 0,43⎥
⎢− −1 −1 −1 −1 −1 ⎥ = ⎢ ⎥ ⎢ ⎥
7 7 7 7 7 7 7 7 ⎢−1,57 − 0,57 1,43 6,43 0,43 − 2,57 − 3,57⎥
⎢ 4,57 6,43 6,43⎥
⎢− 1 −1 −1 −1 −1 6 −1 ⎥
⎢ 7 7 7 7 7 7 7⎥ ⎣⎢−1,57 − 2,57 0,43 6,43 − 0,57 − 3,57 1,43⎦⎥ ⎢ 2,57 0,43 − 0,57 ⎥
⎢ ⎥
⎢− 1 −1 −1 −1 −1 −1 6 ⎥ ⎢ − 0,43 − 2,57 − 3,57 ⎥
⎣ 7 7 7 7 7 7 7⎦ ⎢ ⎥
⎣ 0,57 − 3,57 1,43 ⎦
4. El vector de medias aritméticas asociado a X es: ⎡7,67 3,61 5,04⎤
⎢ ⎥
= ⎢ 3,61 9,39 7,10 ⎥
⎢⎣5,04 7,10 9,39⎥⎦
17 18
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:
1. Substituir la p-ésima fila de A por dicha fila más c veces la s-ésima ⎡1 2⎤

⎢ ⎥
fila de A, donde c∈K, c ≠ 0 ( p ≠ s ). Se denota por rp → rp + crs. A = ⎢0 1 ⎥
2. Multiplicar la p-ésima fila de A por un escalar c∈K, c ≠ 0 . Se ⎢⎣3 2⎥⎦
denota por rp → crp.
3. Intercambiar las filas p-ésima y s-ésima de A. Se denota por Sean e1, e2, e3, f1, f2, f3 las operaciones elementales definidas por:
rp ↔ rs.
e1: r1→r1+2r2
Igualmente una operación elemental de columnas sobre A es cualquiera de las e2: r1→2r1
siguientes operaciones: e3: r2 ↔ r3
f1: c2→c2 – c1
19 20
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⎥⎦
= ⎨ = Aij
⎪⎩ A pj si i = p
21 22
⎧⎪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
=⎨ De forma análoga ocurre para el caso de las columnas.
⎪⎩A pj + cA sj − cA sj si i = p
⎧⎪A ij si i ≠ p Teorema 1.9.

= ⎨ = Aij
⎪⎩A pj si i = p
Sea e: Mmxn(K)→ Mmxn(K) la operación elemental de filas definida por:
De forma análoga ocurre para el caso de las columnas. ⎧A ij si i ≠ p e i ≠ s

⎪
Teorema 1.8. e(A)ij = ⎨A sj si i = p
⎪A si i = s
⎩ pj
Sea e: Mmxn(K)→ Mmxn(K) la operación elemental de filas definida por:
⎧⎪A ij si i ≠ p mismo tipo que e tal que e(e1(A)) = e1(e(A)) = A, ∀ A∈ Mmxn(K).
e(A)ij = ⎨ ;(c≠0)
⎪⎩cA pj si i = p
Demostración
Sea e1: Mmxn(K)→ Mmxn(K) una operación elemental de filas definida de la
mismo tipo que e tal que e(e1(A)) = e1(e(A)) = A, ∀ A∈ Mmxn(K).
siguiente forma:
Demostración
Sea e1: Mmxn(K)→ Mmxn(K) una operación elemental de filas definida de la ⎪
e1(A)ij = ⎨A sj si i = p
siguiente forma: ⎪A
⎩ pj si i = s
⎧A ij si i ≠ p
⎪ Luego,
e1(A)ij = ⎨ 1 ;(c≠0)
⎪⎩ c A pj si i = p
⎪
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
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
1.7. MATRIZ INVERSA. Teorema 1.12.
Definición 1.26. Sean A, B, C ∈Mnxn(K).
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
⎡ 0 0 L 0 ⎤ ⎡ D11 D12 L D1n ⎤ Entonces e(In) = Mp(c)

⎢ ⎥ ⎢ ⎥
C C L C 2 n ⎥ ⎢ D 21 D 22 L D 2 n ⎥
CD = ⎢ 21 22 3. Si e: Mnxn(K)→ Mnxn(K) se define por:
⎢ M M M ⎥ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎢⎣C n1 C n 2 L C nn ⎥⎦ ⎢⎣ D n1 D n 2 L D nn ⎥⎦ ⎧A ij si i ≠ p e i ≠ s
⎪
⎡ 0 0 L 0 ⎤ e(A)ij = ⎨A sj si i = p
⎢ n n n
⎥ ⎪A
⎢ ∑ C 2 r D r1 ∑ C 2r D r 2 L ∑ C 2r D r 2 ⎥ ⎩ pj si i = s
= ⎢ r =1 M r =1 r =1 ⎥
⎢ M M ⎥
⎢ n n n ⎥ Entonces e(In) = Hps
∑
⎢ C nr D r1 ∑C nr D r 2 L ∑ C nr D rn ⎥
⎣⎢ r =1 r =1 r =1 ⎦⎥ En el caso de operaciones elementales de columnas las matrices se denotan por
Aps(c), Mp(c) y Hps, respectivamente.
Es decir:
Ejemplo 1.26.
⎡ 0 0 L 0 ⎤
⎢ n n n
⎥ Sean E1, E2, E3, E4∈M2x2(ℜ) definidas por:
∑
⎢ C 2 r D r1 ∑C 2r D r 2 L ∑ C 2 r D rn ⎥
In = ⎢ r =1 M r =1 r =1 ⎥ ⎡1 0 ⎤ ⎡1 −3⎤ ⎡1 −1⎤ ⎡ 3 0⎤
⎢ M M ⎥ E1 = ⎢ ⎥ ; E2 = ⎢ ⎥ ; E3 = ⎢ ⎥ ; E4 = ⎢ ⎥
⎢ n n n ⎥ ⎣ 0 2 ⎦ ⎣ 0 1⎦ ⎣ 0 1⎦ ⎣ − 1 1⎦
∑
⎢ C nr D r1 ∑C nr D r 2 L ∑ C nr D rn ⎥
⎣⎢ r =1 r =1 r =1 ⎦⎥
Las matrices E1, E2 y E3 son matrices elementales ya que:
Lo cual es una contradicción. Por consiguiente C no es invertible.
⎡1 0⎤ r2 → 2 r2 ⎡1 0⎤
I2 = ⎢ ⎥ ⎯⎯⎯ ⎯→ ⎢ ⎥ = E1 , es decir, E1 = M2(2).
Observación: ⎣0 1⎦ ⎣0 2 ⎦
⎡1 0⎤ r1 →r1 −3r2 ⎡1 −3⎤
Nótese que si se aplica la equivalencia contrarecíproca en el apartado 2 se I2 = ⎢ ⎥ ⎯⎯ ⎯⎯→⎢ ⎥ = E 2 , es decir, E2 = A12(-3).
concluye que si C es invertible entonces C tiene todas sus filas y columnas no ⎣0 1⎦ ⎣0 1 ⎦
nulas. ⎡1 0⎤ c2 →c2 −c1 ⎡1 −1⎤
I2 = ⎢ ⎥ ⎯⎯⎯⎯→⎢ ⎥ = E 3 , es decir, E3 = A (-1).
21
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.
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)
Entonces e(In) = Aps(c) Demostración
2. Si e: Mnxn(K)→ Mnxn(K) se define por: 1. Consideremos la operación elemental de filas e: Mnxn(K)→ Mnxn(K)
definida por:
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
Sea A: ⎡ A11 A12 L A1n ⎤

⎡ A11 A12 L A1n ⎤ ⎢ ⎥
⎢ M M M ⎥
⎢ ⎥
⎢ M M M ⎥ ⎢ A s1 As2 L A sn ⎥
⎢ A s1 As2 L A sn ⎥ ⎢ ⎥
⎢ ⎥ =⎢ M M M ⎥ = e(A)
A=⎢ M M M ⎥ ⎢A + cA A + cA L A + cA ⎥
⎢A ⎢ p1 s1 p2 s2 pn sn
⎥
Ap2 L A pn ⎥ ⎢ M M M ⎥
⎢ p1 ⎥
⎢ M M M ⎥ ⎢ ⎥
⎣ A A A ⎦
⎢ ⎥ n1 n2 nn
⎣ A n1 An2 A nn ⎦
Luego, 2. Consideremos la operación elemental de filas e: Mnxn(K)→ Mnxn(K)
definida por:
⎡ A11 A12 L A1n ⎤
⎢ ⎥ ⎧⎪A ij si i ≠ p
⎢ M M M ⎥ e(A)ij = ⎨ ;(c≠0)
⎢ A s1 As2 L A sn ⎥ ⎪⎩cA pj si i = p
⎢ ⎥
e( A ) = ⎢ M M M ⎥
⎢A + cA A p 2 + cA s 2 L A pn + cA sn ⎥
⎢ p1 s1
⎥ Sea A:
⎢ M M M ⎥
⎢ ⎥
⎣ A n1 A n2 A nn ⎦ ⎡ A11 A12 L A1n ⎤
⎢ ⎥
⎡1 L 0 L 0 L 0⎤ ⎢ M M M ⎥
⎢ ⎥ ⎢ A s1 A s 2 L A sn ⎥
⎢M M M M⎥
⎢ ⎥
⎢0 L 1 L 0 L 0⎥ A=⎢ M M M ⎥
⎢ ⎥ ⎢A
In = ⎢ M M M M⎥ A p 2 L A pn ⎥
⎢ p1 ⎥
⎢0 L 0 L 1 L 0⎥ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎢M M M M⎥ ⎣ A n1 A n 2 A nn ⎦
⎢ ⎥
⎣0 L 0 L 0 L 1⎦
Luego,
⎡1 L 0 L 0 L 0⎤
⎢ ⎥ ⎡ A11 A12 L A1n ⎤
⎢M M M M⎥ ⎢ ⎥
⎢0 L 1 L 0 L 0⎥ ⎢ M M M ⎥
⎢ ⎥ ⎢ A s1 A s 2 L A sn ⎥
E = e( I n ) = ⎢ M M M M⎥ ⎢ ⎥
⎢0 e( A ) = ⎢ M
L c L 1 L 0⎥ M M ⎥
⎢ ⎥ ⎢cA cA p 2 L cA pn ⎥
⎢M M M M⎥ ⎢ p1 ⎥
⎢ ⎥ ⎢ M M M ⎥
⎣0 L 0 L 0 L 1⎦ ⎢ ⎥
⎣ A n1 A n 2 A nn ⎦
⎡1 L 0 L 0 L 0⎤ ⎡ A11 A12 L A1n ⎤ ⎡1 L 0 L 0 L 0⎤

⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢M M M M⎥ ⎢ M M M ⎥ ⎢M M M M⎥
⎢0 L 1 L 0 L 0⎥ ⎢ A s1 A s 2 L A sn ⎥ ⎢0 L 1 L 0 L 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
EA = ⎢ M M M M⎥ ⎢ M M M ⎥ In = ⎢ M M M M⎥
⎢0 L c L 1 L 0⎥ ⎢A A p 2 L A pn ⎥ ⎢0 L 0 L 1 L 0⎥
⎢ ⎥ ⎢ p1 ⎥ ⎢ ⎥
⎢M M M M⎥ ⎢ M M M ⎥ ⎢M M M M⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 L 0 L 0 L 1⎦ ⎣ A n1 An2 A nn ⎦ ⎣0 L 0 L 0 L 1⎦
31 32
⎡1 L 0 L 0 L 0⎤ ⎡ A11 A12 L A1n ⎤

⎢ ⎥ ⎢ ⎥
⎢M M M M⎥
⎢ M M M ⎥
⎢0 L 1 L 0 L 0⎥ ⎢A p1 A p 2 L A pn ⎥
⎢ ⎥ ⎢ ⎥
E = e( I n ) = ⎢ M M M M⎥ e( A ) = ⎢ M M M ⎥
⎢0 L 0 L c L 0⎥ ⎢A A s 2 L A sn ⎥
⎢ ⎥ ⎢ s1 ⎥
⎢M M M M⎥ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎣0 L 0 L 0 L 1⎦ ⎣A n1 A n 2 A nn ⎦
⎡1 L 0 L 0 L 0⎤
⎡1 L 0 L 0 L 0⎤ ⎡ A11 A12 L A1n ⎤ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢M M M M⎥
⎢M M M M⎥ ⎢ M M M ⎥ ⎢0 L 1 L 0 L 0⎥
⎢0 L 1 L 0 L 0⎥ ⎢ A s1 A s 2 L A sn ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ In = ⎢ M M M M⎥
EA = ⎢ M M M M⎥ ⎢ M M M ⎥ ⎢0 L 0 L 1 L 0⎥
⎢0 L 0 L c L 0⎥ ⎢A A p 2 L A pn ⎥ ⎢ ⎥
⎢ ⎥ ⎢ p1 ⎥ ⎢M M M M⎥
⎢M M M M⎥ ⎢ M M M ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎣0 L 0 L 0 L 1⎦
⎣0 L 0 L 0 L 1⎦ ⎣ A n1 An2 A nn ⎦
⎡ A11 A12 L A1n ⎤ ⎡1 L 0 L 0 L 0⎤

⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎢M M M M⎥
⎢ A s1 A s 2 L A sn ⎥ ⎢0 L 0 L 1 L 0⎥
⎢ ⎥ ⎢ ⎥
= ⎢ M M M ⎥ = e(A) E = e( I n ) = ⎢ M M M M⎥
⎢cA cA p 2 L cA pn ⎥ ⎢0 L 1 L 0 L 0⎥
⎢ p1 ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎢M M M M⎥
⎢ ⎥ ⎢ ⎥
⎣ A n1 A n 2 A nn ⎦ ⎣0 L 0 L 0 L 1⎦
3. Consideremos la operación elemental de filas e: Mnxn(K)→ Mnxn(K) ⎡1 L 0 L 0 L 0⎤ ⎡ A11 A12 L A1n ⎤

definida por: ⎢ ⎥ ⎢ ⎥
⎢M M M M⎥ ⎢ M M M ⎥
⎢0 L 0 L 1 L 0⎥ ⎢ A s1 A s 2 L A sn ⎥
⎧A ij si i ≠ p e i ≠ s ⎢ ⎥ ⎢ ⎥
⎪ EA = ⎢ M M M M⎥ ⎢ M M M ⎥
e(A)ij = ⎨ A sj si i = p ⎢A
⎢0 L 1 L 0 L 0⎥ A p 2 L A pn ⎥
⎪A si i = s ⎢ ⎥ ⎢ p1 ⎥
⎩ pj ⎢M M M M⎥ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎣0 L 0 L 0 L 1⎦ ⎣ A n1 An2 A nn ⎦
Sea A:
⎡ A11 A12 L A1n ⎤
⎢ ⎥
⎡ A11 A12 L A1n ⎤ ⎢ M M M ⎥
⎢ ⎥ ⎢ A p1
⎢ M M M ⎥ A p 2 L A pn ⎥
⎢ ⎥
⎢ A s1 A s 2 L A sn ⎥ = ⎢ M M M ⎥ = e(A)
⎢ ⎥ ⎢A
A=⎢ M M M ⎥ A s 2 L A sn ⎥
⎢ s1 ⎥
⎢A A p 2 L A pn ⎥ ⎢ M M M ⎥
⎢ p1 ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎣ A n1 An2 A nn ⎦
⎢ ⎥
⎣ A n1 A n 2 A nn ⎦
Luego,
33 34
Observaciones: Teorema 1.16.
Del teorema anterior se desprenden las siguientes conclusiones: Sea A∈Mnxn(K). Si A es invertible entonces A es equivalente por filas a In.
1. Sean f una operación elemental de columnas y F∈Mnxn(K) la matriz Demostración

elemental F = f(In). Entonces ∀ A∈Mnxn(K) se cumple que
AF = f(A). Sea R∈Mnxn(K) la matriz escalonada por filas equivalente por filas a A.
2. Sean A, B∈Mnxn(K). Entonces B es equivalente por filas a A si y Entonces existen matrices elementales E1, E2,…, Et ∈Mnxn(K) tales que
sólo si existen matrices elementales E1, E2, …, Et∈Mnxn(K) tales R = EtEt-1…E1A y por lo tanto A = E1-1E2-1…Et-1R.
que B = EtEt-1…E1A.
3. Sea A∈Mnxn(K). Si R∈Mnxn(K) es la matriz escalonada reducida Luego si A es invertible entonces E1-1E2-1…Et-1R es invertible, lo cual significa
por filas equivalente por filas a A entonces existen matrices que R es invertible y por consiguiente R = In. Por lo tanto, A = E1-1E2-1…Et-1In
elementales E1, E2, …, Et ∈Mnxn(K) tales que R = EtEt-1…E1A. lo que significa que A es equivalente por filas a In.
Teorema 1.14. Observaciones:
Sea E∈Mnxn(K). Si E es una matriz elemental entonces E es invertible. Sea A∈Mnxn(K).
Demostración 1. Si A es equivalente por filas a In entonces A es un producto de

matrices elementales, ya que A = E1-1E2-1…Et-1In = E1-1E2-1…Et-1. En
Supongamos que E se define por la operación elemental de fila e. Luego, ese caso, EtEt-1…E1A = In, es decir, (EtEt-1…E1In)A = In.
E = e(In). Sea e1 la operación elemental de filas inversa de e. Queda definida de 2. Para determinar si A es Invertible se determina su matriz
esta forma la matriz elemental E1 = e1(In). Por consiguiente, escalonada reducida por filas R. Entonces se tiene que:
2.1. Si R tiene por lo menos una fila nula entonces A no es
EE1 = e(E1) = e(e1(In)) = In y E1E = e1(E) = e1(e(In)) = In. invertible.
2.2. Si R = In entonces A es invertible y su matriz inversa A-1 se
Esto significa que E es invertible y además que E-1 = E1. obtiene aplicándole a In las mismas operaciones elementales
de fila que permiten obtener In de A, es decir,
Observación: A-1 = EtEt-1…E1In.
1. (Aps(c))-1 = Aps(-c), c ≠ 0 . ([A | In] → … → [In | A-1])

2. (Mp(c))-1 = Mp(c-1), c ≠ 0 .
Ejemplo 1.27.
3. Hps-1 = Hps.
Sea A∈M3x3(ℜ) definida por:
Teorema 1.15.
Sea R∈Mnxn(K) una matriz escalonada reducida por filas. Si R es invertible ⎡ 1 0 2⎤

⎢ ⎥
entonces R = In. A = ⎢− 1 2 1⎥
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
⎡1 0 2 1 0 0 ⎤ 1.8. TRAZA DE UNA MATRIZ.

1
⎢ ⎥ r2 → 2 r2
⎢0 2 3 1 1 0⎥ ⎯⎯ ⎯ ⎯→ Definición 1.28.
⎢0 1 1 − 1 0 1 ⎥
⎣ ⎦
Sea A∈Mnxn(K). Se define como traza de A y se denota por Traza(A) a:
⎡1 0 2 1 0 0⎤
⎢ 3 1 1 ⎥ 3 →r3 − r2
⎢0 1 0 ⎯r⎯ ⎯⎯→ n
2 2 2 ⎥ Traza (A) = ∑A
⎢0 1 1 − 1 0 1⎥⎦
ii
⎣ i =1
⎡ ⎤
⎢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:
Como R = I3 entonces A es no singular y la matriz inversa de A es B, es decir, 1. Traza(cA) = cTraza(A).

2. Traza(A+B) = Traza(A)+Traza(B).
⎡ −5 −2 4⎤ 3. Traza(A–B) = Traza(A) – Traza(B).
⎢ ⎥ 4. Traza(AB) = Traza(BA).
A-1 = ⎢− 4 − 1 3⎥
5. Si B es no singular entonces Traza(B-1AB) = Traza(A).
⎢⎣ 3 1 − 2⎥⎦ n n
6. Traza(AAt) = ∑∑ (A
i =1 j=1
ij )2
Teorema 1.17.
Demostración
Sean A, B∈Mnxn(K). Si A es invertible y A es equivalente por filas a B
1. (cA)ij = c(Aij). Por lo tanto,
entonces B es invertible.
n n n
Demostración
Traza (cA) = ∑ (cA) = ∑ c(A
i =1
ii
i =1
ii )=c ∑A
i =1
ii = cTraza (A)
2. (A+B)ij = Aij + Bij. Por lo tanto,

Como A es invertible entonces A es equivalente por filas a In, es decir, existen
matrices elementales E1, E2,…, Et tales que A = EtEt-1…E1In. Por otra parte n n n n
como A es equivalente por filas a B entonces existen matrices elementales
E*1, E*2,…, E*s tales que A = E*sE*s-1…E*1B. Luego se cumple que:
Traza (A + B) = ∑ (A + B) = ∑ (A
i =1
ii
i =1
ii + Bii ) = ∑A + ∑B
i =1
ii
i =1
ii
=
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
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
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
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
⎣ ⎦ ⎣ 2 0 − 1 0 1⎥⎦ = L1-1(L1U1)U2-1 = L1-1(L2U2)U2-1 = (L1-1L2)(U2U2-1) = L1-1L2
⎡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.
⎡1 0 0 ⎤ ⎡1 0 0⎤ r → r + r ⎡1 0 0⎤ Consideremos ahora la matriz B∈M3x3(ℜ) definida por:

⎥ r3 →r3 − 3 r2 ⎢ ⎥ ⎯⎯ ⎯→ ⎢ ⎥
2
⎢ 3
⎯3 1
I 3 = ⎢0 1 0⎥ ⎯⎯⎯ ⎯ ⎯→ ⎢0 1 0⎥ r → r + 2 r ⎢2 1 0⎥ = L
⎢0 − 2 ⎯⎯ ⎯ ⎯ →
1⎥⎥ ⎢1 − 2 1⎥⎥
2 2 1
⎢⎣0 0 1⎥⎦ ⎡1 2 2 ⎤
⎢⎣ 3 ⎦ ⎢⎣ 3 ⎦ ⎢ ⎥
B = ⎢ 2 1 3⎥
De esta forma se obtiene que: ⎢⎣2 4 4⎥⎦
⎡1 0 0⎤ ⎡1 2 2 ⎤ Se puede verificar fácilmente que la matriz B es singular. Veamos ahora que

⎢ ⎥ ⎢ ⎥ no existen únicas matrices L y U tales que B=LU:
L = ⎢2 1 0⎥ ; U = ⎢0 − 3 − 1 ⎥ y se cumple que A = LU.
⎢1 − 2 ⎥
1⎥ ⎢ 0 0 − 2 ⎥⎥
⎣⎢ 3 ⎦ ⎣⎢ 3⎦
41 42
⎡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
⎣ ⎦ ⎣ 0 0 − 2 0 1⎥⎦ ⎢⎣2 0 1⎥⎦ ⎢⎣0 0 0⎥⎦
Luego, Luego, no existen matrices únicas L y U tales que B = LU.
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.
Sea P∈M3x3(ℜ) definida por:

⎡1 0 0⎤ r →r + 2 r ⎡1 0 0⎤
⎢ ⎥ ⎯⎯
3
⎯3
⎯1 → ⎢ ⎥
I 3 = ⎢0 1 0 ⎥ r → r + 2 r ⎢ 2 1 0 ⎥ = L ⎡0 0 1 ⎤
⎢⎣0 0 1⎥⎦ ⎯⎯ ⎯⎯→ ⎢⎣2 0 1⎥⎦
2 2 1
⎢ ⎥
P = ⎢1 0 0⎥
⎢⎣0 1 0⎥⎦
De esta forma se obtiene que:
P es una matriz de permutación ya que:
⎡1 0 0⎤ ⎡1 2 2⎤
⎢ ⎥ ⎢ ⎥
L = ⎢2 1 0⎥ ; U = ⎢0 − 3 − 1⎥ y se cumple que B = LU. ⎡1 0 0⎤ ⎡1 0 0⎤ ⎡0 0 1 ⎤
⎢⎣2 0 1⎥⎦ ⎢⎣0 0 0 ⎥⎦ ⎢ ⎥ 2 ↔ r3 ⎢ ⎥ 1 ↔ r2 ⎢ ⎥
I 3 = ⎢0 1 0⎥ ⎯r⎯ ⎯→ ⎢0 0 1⎥ ⎯r⎯ ⎯→ ⎢1 0 0⎥ = P
⎢⎣0 0 1⎥⎦ ⎢⎣0 1 0⎥⎦ ⎢⎣0 1 0⎥⎦
Pero si en (1) hacemos lo siguiente:
Teorema 1.23.
⎡1 2 2 1 0 0⎤
2 → r2 + r3
⎢ ⎥
⎯r⎯ ⎯⎯→⎢0 − 3 − 1 − 4 1 1⎥ Sea A∈Mnxn(K). Si A invertible entonces existe una matriz de permutación
⎢0 0 0 − 2 0 1⎥⎦ P∈Mnxn(K) tal que PA = LU, siendo L∈Mnxn(K) una matriz triangular inferior
⎣ con unos en la diagonal principal y U∈Mnxn(K) una matriz triangular superior.
Obtenemos que, Demostración
⎡ 1 0 0⎤ ⎡1 2 2⎤ Como P es una matriz de permutación entonces P es un producto de matrices

⎢ ⎥ ⎢ ⎥ elementales. Luego es obvio que P es una matriz invertible. Como A es
L−1 = ⎢− 4 1 1⎥ y U = ⎢0 − 3 − 1⎥
invertible entonces PA es también invertible. Si se aplica el teorema anterior
⎢⎣− 2 0 1⎥⎦ ⎢⎣0 0 0 ⎥⎦ sobre la matriz PA se obtiene que existen matrices únicas matrices L∈Mnxn(K)
triangular inferior con unos en la diagonal principal y U∈Mnxn(K) triangular
Para determinar L se aplican en orden inverso las inversas de las operaciones superior tales que PA = LU.
elementales utilizadas para hallar L-1 a partir de I3:
Ejemplo 1.32.
⎡1 0 0 ⎤ ⎡1 0 0 ⎤ r → r + 2 r ⎡1 0 0⎤
⎢ ⎥ 2 →r2 − r3 ⎢ ⎥ ⎯⎯
3
⎯ 3
⎯1 → ⎢ ⎥ Sea C∈M3x3(ℜ) definida por:
I 3 = ⎢0 1 0⎥ ⎯r⎯ ⎯⎯→ ⎢0 1 − 1 ⎥ r → r + 2 r ⎢2 1 − 1⎥ = L
⎢⎣0 0 1⎥⎦ ⎢⎣0 ⎯⎯ ⎯⎯1 → ⎢
2 2
0 1⎥⎦ ⎣2 0 1⎥⎦
⎡ 2 1 3⎤
⎢ ⎥
C = ⎢1 4 2 ⎥
⎢⎣1 2 2⎥⎦
43 44
Si tomamos la matriz de permutación P del ejemplo 1.29. y la C21 = A i 2 j1 = A32 = 4

premultiplicamos por C obtenemos que PC = A, siendo A la matriz del
ejemplo 1.27., la cual es no singular y se descompone de la forma LU. Luego C22 = A i 2 j2 = A33 = 2
existe entonces una matriz de permutación P tal que PC = LU.
La matriz C es entonces:
1.10. SUB-MATRIZ Y MATRIZ PARTICIONADA.
⎡2 1 ⎤
Definición 1.30. C=⎢ ⎥
⎣ 4 2⎦
Sean A∈Mmxn(K), i1, i2,…, it, j1, j2,…, js∈ℵ* tales que 1 ≤ i1 < i2 <… < it ≤ m y
1 ≤ j1 < j2 <… < js ≤ n. La matriz B∈Mtxs(K) definida como Bpq = A i p jq ; Sin embargo, C no es una sub-matriz principal líder ya que i1 = j1 ≠ 1. Nótese
que C se obtiene al eliminar de A la fila 1 y las columnas 1 y 4.
p = 1, 2,…, t; q = 1, 2,…, s, se dice que es una sub-matriz de A.
Una sub-matriz principal líder es la matriz D∈M2x2(ℜ) tal que i1 = 1; i2 = 2,
Si t = s e ip = jp; p = 1, 2,…, t entonces B se dice que es una sub-matriz j1 = 1, j2 = 2. Luego,
principal.
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
Ejemplo 1.33. D21 = A i 2 j1 = A21 = 3

D22 = A i 2 j2 = A22 = 2
La matriz D es entonces:
⎡1 0 2 3⎤
⎢ ⎥
A = ⎢3 2 1 1⎥
⎡1 0⎤
⎢⎣5 4 2 6⎥⎦ D=⎢ ⎥
⎣3 2⎦
Sea B∈M2x2(ℜ) tal que i1 = 2; i2 = 3, j1 = 2, j2 = 4. Luego, Definición 1.31.
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
se denotan por (A1)t, (A2)t, …, (Am)t, ya que sus respectivas transpuestas q
conforman las columnas de At. (AB)i,j = ∑A

r =1
i,r Br , j
La matriz particionada por filas es:

Demostración
⎡ (A1 ) ⎤t
⎢ ⎥ 1. Por definición de matriz transpuesta: (At)ij = Aji

(A ) t
A= ⎢ 2 ⎥
⎢ M ⎥ Es decir, las filas (respectivamente las columnas) de At son las
⎢ t
⎥ columnas (respectivamente las filas) de A. En este caso A es una
⎣⎢(A m ) ⎦⎥ matriz particionada, es decir, sus elementos son matrices. Por lo
tanto si A es definida de la forma:
La matriz particionada por columnas es:
⎡ A1,1 A1, 2 L A1,q ⎤
A = [ A1 A2 L An ] ⎢ ⎥
A 2,1 A 2, 2 L A 2,q ⎥
A=⎢
⎢ M M M ⎥
Ejemplo 1.34. ⎢ ⎥
⎣⎢A p,1 A p, 2 L A p,q ⎦⎥
Consideremos la matriz A del ejemplo 1.33.
Entonces su matriz transpuesta está definida de la forma:
⎡1 0 2 3⎤
⎢ ⎥
A = ⎢3 2 1 1⎥ ⎡ (A1,1 ) t (A 2,1 ) t L (A p,1 ) t ⎤
⎢⎣5 4 2 6⎥⎦ ⎢ ⎥
(A ) t ( A 2, 2 ) t L ( A p , 2 ) t ⎥
A t = ⎢⎢ 1, 2
M M M ⎥
⎢ ⎥
Si definimos las matrices A1,1, A1,2∈M2x2(ℜ) y A2,1, A2,2∈M1x2(ℜ) de la forma: ⎢⎣(A1,q )
t
(A 2,q ) L (A p ,q ) t ⎥⎦
t
⎡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.
Sean A∈Mmxn(K) una matriz particionada pxq con A i, j ∈ M mi xn j (K); i = 1, ⎡ q q q

⎤
∑
⎢ A1, r B r ,1
⎢ r =1
∑A
r =1
1, r B r , 2 L ∑A
r =1
1, r B r ,s⎥
⎥
2,…, p; j = 1, 2,…, q y B∈Mnxt(K) una matriz particionada qxs
⎢ q q q
⎥
con Bi , j ∈ M n i xt j (K); i = 1, 2,…, q; j = 1, 2,…, t. Entonces se cumple que:
AB = ⎢ ∑
⎢ r =1
A 2, r B r ,1 ∑A
r =1
2,r B r , 2 L ∑
r =1
A 2 , r B r ,s ⎥
⎥
⎢ M M M ⎥
⎡ (A1,1 ) t ⎢ q q q ⎥
(A 2,1 ) t L (A p,1 ) t ⎤
⎢ ⎥ ∑
⎢ A p , r B r ,1 ∑A p,r Br ,2 L ∑ A p , r B r ,s ⎥
(A ) t
( A 2, 2 ) t L ( A p , 2 ) t ⎥ ⎣⎢ r =1 ⎦⎥
A t = ⎢⎢ 1, 2
r =1 r =1
1.
M M M ⎥
⎢ t
⎥ q
(A 2,q ) L (A p ,q ) t ⎥⎦
⎢⎣(A1,q )
t
Por tanto, (AB)i,j = ∑A i ,r Br , j
2. AB es una matriz particionada pxs definida de la siguiente forma: r =1
47 48
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 ⎤ Luego, A es no singular.

⎢ ⎥
(A ) t
A = ⎢ 2 ⎥ y At = [A1 A 2 L A m ] Determinemos ahora la forma que tiene la matriz inversa de A. Sea:
⎢ M ⎥
⎢ t
⎥
⎢⎣(A m ) ⎥⎦
⎡ B1,1 B1, 2 ⎤
A −1 = ⎢ ⎥
2. Si A∈Mmxn(K) es una matriz particionada por columnas 1xn ⎣⎢B2,1 B2, 2 ⎥⎦
entonces At∈Mnxm(K) es una matriz particionada por filas nx1, es
decir: Luego debe verificar que AA-1 = A-1A = In, es decir:
⎡ (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
⎧ B1,1A1,1 + B1, 2 A 2,1 = I n1

⎪
A11.2 = (A1,1 − A1, 2 A 2−,12 A 2,1 ) −1 y A 22.1 = (A 2, 2 − A 2,1A1−,11A1, 2 ) −1 ⎪B1,1A1, 2 + B1, 2 A 2, 2 = θ n1xn 2
⎨ (5)
⎪B 2,1A1,1 + B2, 2 A 2,1 = θ n 2 xn1
Demostración ⎪ B 2,1A1, 2 + B 2, 2 A 2, 2 = I n
⎩ 2
Por hipótesis la matriz A tiene la forma:

Como A1,1 y A2,2 son no singulares entonces de la tercera ecuación del sistema
(4) se obtiene que:
⎡ A1,1 A1, 2 ⎤
A=⎢ ⎥
⎣⎢A 2,1 A 2, 2 ⎦⎥ A 2, 2 B2,1 = − A 2,1B1,1
⇒ B2,1 = −A −2,12 A 2,1B1,1 (6)
49 50
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.
⇒ B1, 2 = −A1−,11A1, 2 B2, 2 (8) Observación:
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.
⇒ (A 2, 2 − A 2,1A1−,11A1, 2 )B2, 2 = I n 2 Ejemplo 1.35.
Determinemos el Rango de la matriz A del ejemplo 1.33. Para ello

Lo cual implica que la matriz (A 2, 2 − A 2,1A1−,11A1, 2 ) es no singular por el determinemos su matriz escalonada reducida por filas:
teorema 1.11. y además se cumple que:
⎡1 0 2 3⎤ r →r −3r ⎡1 0 2 3⎤ 1
B2, 2 = (A 2, 2 − A 2,1A1−,11A1, 2 ) −1 = A 22.1 (9) ⎢ ⎥ ⎯⎯
2
⎯
2
⎯1 → ⎢ ⎥ r2 → 2 r2
A = ⎢3 2 1 1⎥ r →r −5r ⎢0 2 − 5 − 8⎥ ⎯⎯ ⎯ ⎯→
⎢⎣5 4 2 6⎥⎦ ⎯⎯⎯⎯→ ⎢⎣0 4 − 8 − 9⎥⎦
3 3 1
Sustituyendo (9) en (8) se obtiene que:

⎡1 0 2 3⎤ ⎡1 0 2 3⎤
⎢ 5 ⎥ r3 →r3 −4 r2 ⎢ 5 ⎥
B1, 2 = −A1−,11A1, 2 (A 2, 2 − A 2,1A1−,11A1, 2 ) −1 ⎢ 0 1 − − 4 ⎥ ⎯⎯ ⎯ ⎯ → ⎢ 0 1 − − 4 ⎥
2 2
⎢⎣0 4 − 8 − 9⎥⎦ ⎢⎣0 0 2 7 ⎥⎦
Por consiguiente,
⎡1 0 2 3 ⎤ r1→r1−2 r3 ⎡1 0 0 − 4 ⎤
1
r3 → r3 ⎢ ⎥ ⎯⎯⎯⎯→ ⎢ ⎥
⎡ B1,1 B1, 2 ⎤ ⎯⎯⎯ 2 → ⎢0 1 −5 − 4 ⎥ r2 →r2 + 5 r3 ⎢0 1 0 19 ⎥ = R
A −1 = ⎢ ⎢ 2 ⎥ ⎢ 4 ⎥
⎥ 7 ⎥ ⎯⎯⎯⎯→
2
⎢⎣B2,1 B2, 2 ⎥⎦ ⎢⎣0 0 1 0 0 1 7 ⎥
2⎦ ⎣⎢ 2⎦
⎡ A11.2 − A1−,11A1, 2 (A 2, 2 − A 2,1A1−,11A1, 2 ) −1 ⎤
=⎢ −1 −1 −1 ⎥ Luego, la matriz escalonada reducida por filas R de A tiene 3 filas no nulas. En
⎣⎢ − A A ( A − A A A ) A 22.1 ⎦⎥
2, 2 2 ,1 1,1 1, 2 2, 2 2 ,1 consecuencia, Rango(A) = 3. Nótese que A es de rango fila completo.
Procediendo de forma análoga con el sistema (5) se demuestra que:
51 52
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).
Demostración Por consiguiente, Rango(EA) = Rango(AF) = Rango(A)
Si A es equivalente por filas a B entonces existen matrices elementales Teorema 1.28.

E1, E2,…, Et tales que A = EtEt-1…E1B. Sean RA y RB las matrices escalonadas
reducidas por filas de A y B, respectivamente. Luego se cumple que existen Sean A∈Mmxn(K), P∈Mmxm(K) y Q∈Mnxn(K). Si P y Q son no singulares
matrices elementales EA1, EA2,… , EAt, EB1, EB2,… , EBt tales que entonces Rango(PA) = Rango(AQ) = Rango(PAQ) = Rango(A).
RA = EAtEAt-1…EA1A y RB = EBtEBt-1…EB1B Demostración
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,
Por tanto, Rango(A) = Rango(B). PA = EP1-1EP2-1…EPt-1A
Teorema 1.27. AQ = AFQ1-1FQ2-1…FQt-1
Sean A∈Mmxn(K), E∈Mmxm(K) y F∈Mnxn(K). Si E y F son matrices PAQ = EP1-1EP2-1…EPt-1AFQ1-1FQ2-1…FQt-1

elementales por filas y columnas, respectivamente entonces:
Por el teorema anterior se obtiene que:
Rango(EA) = Rango (AF) = Rango(A)
Rango(PA) = Rango(EP1-1EP2-1…EPt-1A)
Demostración = Rango(EP2-1…EPt-1A) = … = Rango(A)
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)
A = E1-1E2-1…Et-1R1 Rango(PAQ) = Rango(EP1-1EP2-1…EPt-1AFQ1-1FQ2-1…FQt-1)

= Rango(EP2-1…EPt-1AFQ1-1FQ2-1…FQt-1) = … = Rango(A)
Por lo tanto,
EA = EE1-1E2-1…Et-1R1. Esto indica que EA es equivalente por filas a R1, es
decir, R1 es la matriz escalonada reducida por filas de EA. Luego, Rango(PA) = Rango(AQ) = Rango(PAQ)
Rango(EA) = Rango(A). Teorema 1.29.
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
A = R2Ft-1Ft-1-1…F1-1 CN (⇒): Si A es no singular entonces Rango(A) = n.

Por lo tanto,
53 54
Si A es no singular entonces se cumple que A-1A = In. Luego, ⎡ Ir θ rx ( n − r ) ⎤

EtEt-1…E1AF1F2…Fs = ⎢ ⎥ = R(A)
-1
Rango(A A) = Rango (In) ⎣⎢θ ( m − r ) xr θ ( m − r ) x ( n − r ) ⎦⎥
⇒ Rango(A) = n
Por lo tanto, como E1, E2,…, Et, F1, F2,…, Fs son matrices elementales
CS (⇐): Si Rango(A) = n entonces A es no singular. entonces existen matrices no singulares P∈Mmxm(K) y Q∈Mnxn(K) con
P = EtEt-1…E1 y Q = F1F2…Fs tales que PAQ = R(A).
Sea R∈Mnxn(K) la matriz escalonada reducida por filas de A. Si Rango(A) = n
entonces R tiene exactamente n filas y n columnas no nulas. Por lo tanto R = Observación:
In. Luego, A es no singular.
Las matrices P y Q no son únicas para obtener la matriz R(A) a partir de A.
Observación:
Ejemplo 1.37.
Sea A∈Mnxn(K). Aplicando la equivalencia contrarecíproca en el teorema
anterior se obtiene que A es singular si y sólo si Rango(A) < n. Para la matriz A del ejemplo 1.33., determinaremos matrices no singulares P y
Q tales que PAQ = R(A). Como A∈M3x4(ℜ) entonces P∈M3x3(ℜ) y
Definición 1.33. Q∈M4x4(ℜ). Para ello partiremos inicialmente de la matriz particionada [A | I3 |
I4] y aplicaremos operaciones elementales de filas sobre A e I3 y operaciones
Sea A∈Mmxn(K) tal que Rango(A) = r. Se define como Matriz Normal o Matriz elementales de columnas sobre A e I4 hasta obtener la matriz particionada
Reducida de A y se denota por R(A) a la matriz particionada R(A)∈Mmxn(K) [R(A) | P | Q]:
definida de la siguiente forma:
⎡ 1 0 0 0⎤
⎡ Ir θ rx ( n − r ) ⎤ ⎢1 0 2 3 1 0 0 ⎥
R (A) = ⎢
⎣⎢θ( m − r ) xr
⎥
θ( m − r ) x ( n − r ) ⎦⎥ [ ] ⎢
A I 3 I 4 = ⎢3 2 1 1 0 1 0
0 1 0 0⎥ ⎯r⎯
0 0 1 0⎥ ⎯r⎯
2 → r2 − 3 r1
⎯⎯→
3 → r3 − 5 r1
⎯⎯→
⎢5 4 2 6 0 0 1 ⎥
⎢ 0 0 0 1⎥
Ejemplo 1.36. ⎣ ⎦
⎡ 1 0 0 0⎤
En el ejemplo 1.35., A∈M3x4(ℜ) y Rango(A) = 3. Luego, la matriz normal o ⎢1 0 2 3 1 0 0 ⎥
⎢ 0 1 0 0⎥ r2 → 12 r2
matriz reducida de A es: ⎢ 0 2 − 5 − 8 − 3 1 0 ⎯⎯ ⎯ ⎯→
0 0 1 0⎥
⎢0 4 − 8 − 9 − 5 0 1 ⎥
⎢ 0 0 0 1⎥
⎡1 0 0 0⎤ ⎣ ⎦
⎢ ⎥ ⎡
R ( A ) = ⎢0 1 0 0 ⎥ 1 0 0 0⎤
⎢1 0 2 3 1 0 0 ⎥
⎢⎣0 0 1 0⎥⎦ ⎢ 0 1 0 0⎥ r3 →r3 −4 r2
0 1 − 5 − 4 − 3 1 0 ⎯⎯⎯⎯→
⎢ 2 2 2 0 0 1 0⎥
⎢0 4 − 8 − 9 − 5 0 1 ⎥
Teorema 1.30. ⎢ 0 0 0 1⎥
⎣ ⎦
Sea A∈Mmxn(K). Si Rango(A) = r entonces existen matrices no singulares ⎡ 1 0 0 0⎤
⎢1 0 2 3 1 0 0 ⎥
P∈Mmxm(K) y Q∈Mnxn(K) tales que PAQ = R(A). ⎢ 0 1 0 0⎥ r3 → 12 r3
0 1 − 5 − 4 − 3 1 0 ⎯⎯⎯→
⎢ 2 2 2 0 0 1 0⎥
Demostración ⎢0 0 2 7 1 −2 1 ⎥
⎢ 0 0 0 1⎥
⎣ ⎦
Sea R la matriz escalonada reducida por filas de A. Como Rango(A) = r ⎡ 1 0 0 0⎤
entonces existen matrices elementales E1, E2,…, Et tales que: ⎢1 0 2 3 1 0 0 ⎥ r1 →r1 − 2 r3
⎢ 5 3 1 0 1 0 0⎥ ⎯⎯ ⎯⎯→
⎢ 0 1 − − 4 − 0 ⎥
5
r2 → r2 + r3
2 2 2 0 0 1 0 ⎯⎯ ⎯⎯
⎡ Ir B rx ( n − r ) ⎤ ⎢0 0 7 1 ⎥
2
⎯→
EtEt-1…E1A = R = ⎢ ⎥ ; con Brx(n-r) ≠ θrx(n-r) 1 −1 1
⎢ 2 2 2 0 0 0 1⎥
⎣⎢θ ( m − r ) xr θ ( m − r ) x ( n − r ) ⎦⎥ ⎣ ⎦
Luego, existen matrices elementales F1, F2,…, Fs tales que:
55 56
⎡ 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).
Teorema 1.31. ⇒ P**AQ = Δ* (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
⎡ 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:
Rango(AB) ≤ mínimo{Rango(A), Rango(B)} Demuestre que AB = I3.
Demostración 3. Sean A, B, C∈Mnxn(K) tales que AC = CA = In. Despejar C en función de

A, B e In de las siguientes ecuaciones:
Supongamos que mínimo{Rango(A), Rango(B)} = Rango(A) = r. En tal caso,
existen matrices no singulares P∈Mmxm(K) y Q∈Mnxn(K) tales que PAQ = 3.1. 6C + 5A = B.
R(A). 3.2. 3C2 – 4C = 5A.
3.3. (A – C)2 – C2 = 3C – 7B.
Luego, A = P-1R(A)Q-1. Por consiguiente AB = P-1R(A)Q-1B. 3.4. BAC – 2C2 = A.
Por lo tanto, 4. Sean A∈Mmxn(K) y B∈Mnxp(K). Demuestre que:

-1 -1 -1
Rango(AB) = Rango(P R(A)Q B) = Rango(R(A)Q B) 4.1. Si A tiene una fila nula entonces AB tiene una fila nula.
4.2. Si B tiene una columna nula entonces AB tiene una columna
Ahora bien, las últimas m-r filas de R(A) son nulas. En consecuencia las nula.
últimas m–r filas de R(A)Q-1B son nulas y se obtiene que:
5. Sea X∈Kn. Determine matrices A∈Mnxn(K) tales que:
Rango(AB) ≤ Rango(A) ≤ Rango(B)
Análogamente si mínimo{Rango(A), Rango(B)} = Rango(B) = r entonces se 5.1. () 2

XtAX = X ; siendo X la media aritmética de los valores X1,
obtiene que Rango(AB) ≤ Rango(B) ≤ Rango(A). Por lo tanto, X2,…, Xn.
Rango(AB) ≤ mínimo{Rango(A), Rango(B)}

5.2. ()
XtAX = n X .
2
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
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:
8. Sean A, B∈Mnxn(K). ¿Qué condición deben cumplir las matrices A y B ⎡4 5⎤

para que se cumpla que (A+B)(A-B) = A2 − B2? (4A)-1 = ⎢ ⎥
⎣3 −1⎦
9. Sean A, D∈Mnxn(K), tales que D es una matriz diagonal. Demuestre que:
Determine la matriz A.
9.1. AD es una matriz particionada 1xn definida por:
20. Sean A, B∈M2x2(ℜ) tales que A = cI2 + dB, con c, d∈ℜ y B tiene la
AD = [ D11A1 D 22 A 2 L D nn A n ] siguiente forma:
DA es una matriz particionada nx1 definida por: ⎡1 0⎤

9.2. B=⎢ ⎥
⎣0 0 ⎦
⎡ D11 (A1 ) t ⎤
⎢ ⎥ Deduzca una fórmula para An, n∈ℵ*.
D (A ) t
DA = ⎢ 22 2 ⎥
⎢ M ⎥
⎢ ⎥ 21. Sea A∈Mnxn(K). Demuestre que si A es idempotente entonces (2A – In)
t
⎣⎢ nn n ⎦⎥
D ( A ) es involutiva. Demuestre además que (2A – In) es no singular y
determine además su matriz inversa.
10. Sean A, B∈Mnxn(K). Demuestre que si A y B son matrices diagonales
entonces AB = BA. 22. Sea A∈Mnxn(K). Demuestre que si A es antisimétrica y (A + In) es no
singular entonces:
11. Sean A, B∈Mnxn(K). Demuestre que si A y B son idempotentes y
AB = BA entonces AB es idempotente. 22.1. In – A es no singular.
22.2. (In + A)(In – A) = (In – A)(In + A).
12. Sean A∈Mnxn(K) y c, d∈K, tales que A2 = cA. Determine la matriz B de 22.3. (In + A)-1(In – A) y (In – A)-1(In + A) son matrices ortogonales.
la forma B = dA tal que es idempotente.
23. Sea X∈Mnxp(K), tal que la matriz XtX es no singular. Demuestre que:
*
13. Sean A, B∈Mnxn(K), tales que AB = BA y m, n∈ℵ . Demuestre que si
AB = BA entonces AmBn = BnAm. 23.1. La matriz H = X(XtX)-1Xt es simétrica e idempotente.
23.2. HX = X.
23.3. La matriz Q = In – H es simétrica e idempotente.
61 62
23.4. QX = θnxp. 28.1. Halle la matriz T.

23.5. QH = θnxn. 28.2. Verifique que las matrices T2 y T3 indican el número de
formas en que se puede transmitir un mensaje de la i-ésima
24. Sea A∈Mnxn(K). Demuestre que: estación a la j-ésima estación en 2 y 3 pasos, respectivamente.
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
28. Suponga que en una red de comunicaciones de 5 estaciones, la

vector columna. Demuestre que AX = ∑X A
j=1
j
j
.
información puede enviarse solamente en las direcciones que se

muestran en el siguiente diagrama: 31. Mediante una partición adecuada efectuar los siguientes productos de
matrices:
• e2
⎡1 2 0 0 ⎤ ⎡0 0 0 1⎤
e1 • ⎢ ⎥⎢ ⎥
31.1. ⎢0 1 0 0 ⎥ ⎢0 0 2 0⎥
⎢0 0 0 1⎥ ⎢1 0 0 0⎥
⎢ ⎥⎢ ⎥
e5 • • e3 ⎣⎢0 0 2 2⎦⎥ ⎣⎢0 1 0 0⎦⎥
⎡0 0 1 0⎤
⎢ ⎥
⎢0 0 0 1 ⎥ ⎡ B⎤
31.2.
⎢1 ⎢ ⎥ , siendo B, C∈M2x4(K).
0 0 0 ⎥ ⎣C ⎦
e4 ⎢ ⎥
⎢⎣0 1 0 0⎥⎦
Sea T la matriz definida por: ⎡1 4⎤
⎡2 3 1 5⎤ ⎢ ⎥
⎧1 Si puede enviarseun mensajede la i - ésima estación a la j - ésima estación ⎢ ⎥ ⎢− 1 0⎥
Tij = ⎨
31.3. ⎢0 1 − 4 2⎥ ⎢ 2 3⎥
⎩0 Si no puede enviarseun mensajede la i - ésima estación a la j - ésima estación ⎢⎣3 1 6 4⎥⎦ ⎢ ⎥
⎣⎢ 1 5⎦⎥
63 64
32. Sean A∈Mnxn(K) una matriz particionada 2x2 con A i, j ∈ M n i xn j (K); ⎡ −3 2 1⎤

⎢ ⎥
i = 1, 2; j = 1, 2, 0 < n1 < n, 0 < n2 < n, n1 + n2 = n, definida por: 35.2. B=⎢ 0 1 1⎥
⎢⎣ 6 − 4 − 2⎥⎦
⎡ In B⎤
A=⎢ 1 ⎥ ; con B∈ M n1xn 2 (K ) ⎡ −2 4 2 −2 ⎤
⎢⎣θ n 2 xn1 I n 2 ⎥⎦
35.3.
⎢
C = ⎢−1 −1 1 0⎥
⎥
⎢⎣− 2 1 2 − 1⎥⎦
Determine la matriz inversa de A.
⎡1 1 −3 −1 ⎤
Sean A∈Mnxn(K) una matriz particionada 2x2 con A i, j ∈ M n i xn j (K); ⎢ ⎥
33. 2 1 −2 1⎥
35.4. D=⎢
i = 1, 2; j = 1, 2, 0 < n1 < n, 0 < n2 < n, n1 + n2 = n, definida por: ⎢1 1 1 3⎥
⎢ ⎥
⎢⎣1 2 −3 1⎥⎦
⎡ A1,1 θ n1xn 2 ⎤
A=⎢ ⎥
⎣⎢A 2,1 A 2, 2 ⎦⎥ 36. Determinar una descomposición LU de las siguientes matrices y luego
mediante esta descomposición calcular la tercera columna de A-1:
Determine la matriz inversa de A.
⎡3 −1 2⎤
Determine si las siguientes matrices son elementales. En caso afirmativo ⎢ ⎥
34. 36.1. A = ⎢9 − 3 4⎥
determinar la operación elemental de filas o columnas correspondiente y
su matriz inversa: ⎣⎢5 1 0⎦⎥
⎡ 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

Capitulo 1. Teoría de Matrices. Álgebra Lineal para Estadísticos y Actuarios. William Noguera

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Capitulo 1. Teoría de Matrices. Álgebra Lineal para Estadísticos y Actuarios. William Noguera

Încărcat de

Drepturi de autor:

Formate disponibile

ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ A11 A12 L A1j L A1n ⎤

1. Suma (+): Si x, y ∈ K entonces (x + y) ∈ K ⎡ 1 0⎤

Ejemplo 1.3. ⎡ 0 103 152 337 655⎤

La matriz B es la siguiente: Demostración

1. (A + B)ij = Aij + Bij = Bij + Aij = (B + A)ij.

= (Aij + Bij) + Cij n

= (A + B)ij + Cij (AB)ij = ∑A

Ejemplo 1.6. Ejemplo 1.7.

⎡1 2 3⎤ Sean A∈M3x2(ℜ) y B∈M2x2(ℜ) definidas por:

Como el número de columnas de A coincide con el número de filas de B

3. ∀ c, d ∈ K se cumple que (c + d)A = cA + dA. 2

Como el número de columnas de B no coincide con el número de filas de A

cumple que BC∈Mnxs(K). Asimismo A∈Mmxn(K) y por tanto el n n

producto A(BC) está definido y se cumple que A(BC) ∈ Mmxs(K). = ∑ (A

p 1.4. TIPOS ESPECIALES DE MATRICES.

Ejemplo 1.8. Definición 1.9.

Es decir, la matriz In tiene unos en la diagonal principal y ceros en las celdas

Demostración = A i1 0 + ... + A ij1 + ... + A in 0 = A ij

= (C A )ijt t Definición 1.11.

Sea A∈Mnxn(K). Se dice que la matriz A es:

1. Simétrica si At = A. Ejemplo 1.14.

n n 1.5. MATRIZ DE DATOS

Ejemplo Aplicado 1.3.

la j-ésima variable. Si p = 1 entonces se dice que X̂ es el vector de datos Demostración

elemento genérico (X̂ E ) ij =

Sea X∈Mnxp(ℜ) una matriz de datos. Se define como Matriz de Correlaciones 1 n

asociada a X a la matriz R∈Mpxp(ℜ) cuyo elemento genérico es Rij = rij, es =

Sea X∈Mnxp(ℜ) una matriz de datos. Entonces se cumple que: 1 1 n

2. La matriz generadora de medias es:

1. Substituir la p-ésima fila de A por dicha fila más c veces la s-ésima ⎡1 2⎤

⎧⎪A ij si i ≠ p Teorema 1.9.

De forma análoga ocurre para el caso de las columnas. ⎧A ij si i ≠ p e i ≠ s

1.7. MATRIZ INVERSA. Teorema 1.12.

Definición 1.26. Sean A, B, C ∈Mnxn(K).

⎡ 0 0 L 0 ⎤ ⎡ D11 D12 L D1n ⎤ Entonces e(In) = Mp(c)

Entonces e(In) = Aps(c) Demostración

Sea A: ⎡ A11 A12 L A1n ⎤

⎡1 L 0 L 0 L 0⎤ ⎡ A11 A12 L A1n ⎤ ⎡1 L 0 L 0 L 0⎤

⎡1 L 0 L 0 L 0⎤ ⎡ A11 A12 L A1n ⎤

⎡ A11 A12 L A1n ⎤ ⎡1 L 0 L 0 L 0⎤

3. Consideremos la operación elemental de filas e: Mnxn(K)→ Mnxn(K) ⎡1 L 0 L 0 L 0⎤ ⎡ A11 A12 L A1n ⎤

Observaciones: Teorema 1.16.

1. Sean f una operación elemental de columnas y F∈Mnxn(K) la matriz Demostración

Teorema 1.14. Observaciones:

Sea E∈Mnxn(K). Si E es una matriz elemental entonces E es invertible. Sea A∈Mnxn(K).

Demostración 1. Si A es equivalente por filas a In entonces A es un producto de

1. (Aps(c))-1 = Aps(-c), c ≠ 0 . ([A | In] → … → [In | A-1])

Sea R∈Mnxn(K) una matriz escalonada reducida por filas. Si R es invertible ⎡ 1 0 2⎤

⎡1 0 2 1 0 0 ⎤ 1.8. TRAZA DE UNA MATRIZ.

Como R = I3 entonces A es no singular y la matriz inversa de A es B, es decir, 1. Traza(cA) = cTraza(A).

2. (A+B)ij = Aij + Bij. Por lo tanto,

⎣ ⎦ ⎣ 2 0 − 1 0 1⎥⎦ = L1-1(L1U1)U2-1 = L1-1(L2U2)U2-1 = (L1-1L2)(U2U2-1) = L1-1L2

⎡1 0 0 ⎤ ⎡1 0 0⎤ r → r + r ⎡1 0 0⎤ Consideremos ahora la matriz B∈M3x3(ℜ) definida por:

⎡1 0 0⎤ ⎡1 2 2 ⎤ Se puede verificar fácilmente que la matriz B es singular. Veamos ahora que

⎣ ⎦ ⎣ 0 0 − 2 0 1⎥⎦ ⎢⎣2 0 1⎥⎦ ⎢⎣0 0 0⎥⎦

Luego, Luego, no existen matrices únicas L y U tales que B = LU.

Sea P∈M3x3(ℜ) definida por:

⎡ 1 0 0⎤ ⎡1 2 2⎤ Como P es una matriz de permutación entonces P es un producto de matrices

Si tomamos la matriz de permutación P del ejemplo 1.29. y la C21 = A i 2 j1 = A32 = 4

Ejemplo 1.33. D21 = A i 2 j1 = A21 = 3

Sea B∈M2x2(ℜ) tal que i1 = 2; i2 = 3, j1 = 2, j2 = 4. Luego, Definición 1.31.

se denotan por (A1)t, (A2)t, …, (Am)t, ya que sus respectivas transpuestas q

conforman las columnas de At. (AB)i,j = ∑A