Tema 2

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 15

U.N.Sa.

- Facultad de Ciencias Exactas


Asignatura: Algebra Lineal y Geometría Analítica
Carreras: LAS, PM, LF, LER, TEU, TUES, TUP
do
Año: 2 Cuatrimestre 2021
Docente Responsable del curso: Ing. Augusto A. Estrada V
TEMA 2
MATRICES
1.-INTRODUCCION: En el anterior tema introducimos el concepto de matriz al trabajar
con el algoritmo de Gauss para resolver un sistema de ecuaciones lineales. En este tema, vamos a
definir formalmente el concepto de matriz, definiremos también las operaciones de suma de
matrices, producto de un escalar por una matriz y el producto de dos matrices y estudiaremos sus
propiedades. Estudiaremos algunas matrices especiales y ciertas propiedades de ellas que luego
vamos a utilizar en alguno de los temas que siguen.
2.- MATRICES
2.1.-Definición: Llamamos matriz a todo ordenamiento rectangular de números - reales o
complejos-. Un ordenamiento rectangular es una tabla de doble entrada de filas y columnas. A
cada uno de esos números denominamos elementos de la matriz, los que quedarán identificados
en el ordenamiento indicando su posición en ese orden, definida, indicando la fila y la columna a
la que pertenece simultáneamente.
Si A es una matriz de m filas y n columnas diremos que A es de tamaño m  n y la
simbolizaremos por A  a ij  con i  1, 2, , m y j  1, 2, , n. a ij -o bien A ij - representa
cualquier elemento de A o el elemento genérico de A, e indica que es el elemento ubicado en la
fila i  ésima y en la columna j  ésima.
Expresaremos ese ordenamiento rectangular de números entre paréntesis. Es decir: A  a ij 
a 11 a 12 . . . . . . . . . . . . a 1j . . . . . . . . . . . . a 1n
a 21 a 22 . . . . . . . . . . . . a 2j . . . . . . . . . . . . a 2n
...........................................
..........................................
A  a ij   a i1 a i2 . . . . . . . . . . . . a ij . . . . . . . . . . . . . a in
.........................................
.........................................
.........................................
a m1 a m2 . . . . . . . . . . a mj . . . . . . . . . . . . a mn

Si m  n entonces decimos que A es una matriz cuadrada de orden n.


Si los elementos de A son todos números reales, decimos que A es una matriz real y si son
números complejos decimos que es una matriz compleja. En general, en nuestro curso vamos a
trabajar con matrices reales salvo que se diga lo contrario.
Si A  a ij  y a ij  0 i j entonces a A se la denomina matriz nula y se la simboliza por 
3.- IGUALDAD DE MATRICES
3.1.- Definición: Diremos que dos matrices son iguales si tienen el mismo tamaño y las
mismas componentes. En símbolos será:
Dadas las matrices A  a ij  y B  b ij  :
A  B  A mn , B mn  a ij  b ij i j
Ejemplo:
2 1 2 1
Las matrices A  yB  no son iguales ya que  i  1,  j  2 /
3 0 3 0
a 12  1  b 12  1
4.- SUMA DE MATRICES
4.1.-Definición: Dadas dos matrices A  a ij  y B  b ij  del mismo tamaño definimos la
suma de A y B como la matriz C  A  B tal que:
c ij  a ij  b ij i j o bien A  B ij  A ij  B ij i j
Es decir la matriz suma de otras dos, es la matriz que se obtiene sumando las respectivas
componentes de las matrices que se suman.
Si las matrices A y B son de tamaño m  n también la matriz suma A  B será de tamaño
m  n.
Si A 2x2 , B 2x2 tendremos
a 11 a 12 b 11 b 12 a 11  b 11 a 12  b 12
A B C  AB 
a 21 a 22 b 21 b 22 a 21  b 21 a 22  b 22

Para sumar dos matrices, lo primero que debemos verificar es que las matrices tengan el
mismo tamaño ya que la suma de matrices de distinto tamaño no esta definida -no se puede
realizar-.
4.2.-Propiedades: La suma de matrices cumple las siguientes propiedades:
P 1 : A  B  B  A Es conmutativa

P2 : A  B  C  A  B  C Es asociativa

P3 : A  /A, A  A   A   A  A Posee elemento neutro

P4 : A A  / A  A   A   A  A  Posee elemento inverso u opuesto.


Demostración de P 1
Sean A mn  a ij  y B mn  b ij  y C mn  A  B  c ij  y D mn  B  A  d ij 
Debemos probar que c ij  d ij i j
c ij  a ij  b ij i j por definición de suma de matrices
 c ij  b ij  a ij i j Por conmutativa de la suma en
 c ij  d ij i j por definición de suma de matrices
 AB  BA Definición de igualdad de matrices
Demostración de P 3
Sean A mn  a ij  y A mn  x ij 
A  A  A
 a ij  x ij  a ij i j
 a ij   a ij  x ij  a ij   a ij i j
 a ij  a ij   x ij  a ij  a ij  i j
 0  x ij  0 i j
 x ij  0 i j
 A  /A, A  A   A
Como A  A   A   A
  A  / A, A  A   A   A  A Siendo A   
5.-PRODUCTO DE UN ESCALAR POR UNA MATRIZ
5.1.-Definición: Dada una matriz A  a ij  y un escalar . Se define el producto del escalar
 por la matriz A, a la matriz que se obtiene al multiplicar todos y cada uno de los elementos de
A por . Es decir es una matriz B  b ij   A del mismo tamaño que A tal que b ij  a ij i j
a 11 a 12 a 11 a 12
Si A 2x2 , A  y  es B  A 
a 21 a 22 a 21 a 22

4 2
Ejemplo: A  Si   2 será
1 0

24 2  2 8 4
B  A  2A  
21 20 2 0
5.2.-Propiedades: El producto de un escalar por una matriz cumple las siguientes
propiedades:
Dadas A, B matrices del mismo tamaño y un escalar  
P 1 : A  B  A  B Es distrib. respecto a la suma de matrices

P2 :   A  A  A Es distrib. respecto a la suma de escalares

P3 : A  A  A Es asociativo

P4 :  1 / A, 1A  A Tiene elemento neutro


Demostración de P 1 : A  B  A  B
Sean: A mn  a ij  , B mn  b ij , C mn  A  B  c ij  , D mn  A  B  d ij 
E mn  A  e ij  y F mn  B  f ij , G  A  B  g ij 
Debemos probar que D  G. Esto es que d ij  g ij i j
d ij  c ij i j
 d ij  a ij  b ij  i j
 d ij  a ij  b ij i j
 d ij  e ij  f ij i j
 A  B  A  B
Si 0 es el neutro de la suma en el cuerpo de escalares - - y  el neutro de la suma de
matrices, se cumple las siguientes propiedades:
P1 A , 0A   P 2 A , 1A  A

P 3 ,    P 4 A,, A      0  A  
Demostración de P 1 : A , 0A  
Sea A mn  a ij  y B mn  0A  b ij 
0A  0  0A
b ij  0a ij i j
 0A  0A  0A
 b ij  0 i j otra forma  0A  0A  0A  0A  0A
 B
   0A  
 0A   A
   0A A
6.- PRODUCTO DE MATRICES
6.1.-Definición: Dadas dos matrices A  a ij  de tamaño m  n y B  b ij  de tamaño n  p
-es decir matrices tales que el número de columnas de la primera sea igual al número de filas de
la segunda- se llama producto AB o producto de A por B a la matriz C  c ij  de tamaño m  p tal
que:
n
c ij  a i1 b 1j  a i2 b 2j . . . . . a in b nj  a ik b kj
k1

Observemos que el elemento ij de la matriz producto de A por B se obtiene multiplicando los


elementos de la fila i  ésima de A por los respectivos elementos de la columna j  ésima de B y
luego sumando esos productos. Esta forma de multiplicación la vamos a llamar producto escalar
entre vectores cuando estudiemos el espacio vectorial n .
Ejemplo: Sean las matrices:
0 1
1 3 2 2
A B C 3 2
2 0 1 3
4 1
Calcular, de ser posible: AB; BA; AC
2
Sea AB  C  c ij   c ij  a ik b kj
k1
2
c 11  c ij  a 1k b k1  a 11 b 11  a 12 b 21  1  2  31  2  3  1
k1
2
c 12  a 1k b k2  a 11 b 12  a 12 b 22  12  3  3  2  9  7
k1
2
c 21  a 2k b k1  a 21 b 11  a 22 b 21  2  2  01  4  0  4
k1
2
c 22  a 2k b k2  a 21 b 12  a 22 b 22  22  0  3  4  0  4
k1
1 7
Entonces: AB  C 
4 4
Si BA  Q  q ij 
2
q 11  b 1k a k1  b 11 a 11  b 12 a 21  2  1  2. 2  2  4  2
k1
2
q 12  b 1k a k2  b 11 a 21  b 12 a 22  2  3  20  6  0  6
k1
2
q 21  b 2k a k1  b 21 a 11  b 22 a 21  11  3  2  1  6  5
k1
2
q 22  b 2k a k2  b 21 a 12  b 22 a 22  13  3  0  3  0  3
k1
2 6
Entonces: BA  Q 
5 3
Como podemos ver en el ejemplo dado, AB  BA. Esto nos permite afirmar que el producto
de matrices no es conmutativo.
No existe la matriz AC -no es posible realizar el producto de A por C- ya que no se cumple la
condición exigida en la definición, debido a que la cantidad de filas de C que son 3 no es igual a
la cantidad de columnas de A que son 2. Aquí tenemos un contraejemplo para refutar la
afirmación de que el producto de dos matrices siempre está definido.
Definición: Decimos que dos matrices A y B conmutan si y solo si AB y BA están definidas y
AB  BA
6.2.-Propiedades: El producto de matrices cumple las siguientes propiedades
P 1 : A mn , B np, C pq  ABC  ABC Asociativa

P2 : A mn , B np, C np  AB  C  AB  AC Distrib. a izquierda resp. a la suma

P3 : A mn , B mn , C np  A  BC  AC  BC Distrib. a derecha resp. a la suma

P4 : A mn ,  np  A  

Demostración de P 3 : A mn , B mn , C np , entonces A  BC  AC  BC


n
A  BC ij  A  B ik c kj
k1
n
 A  BC ij  A ik  B ik c kj
k1
n
 A  BC ij  A ik c kj  B ik c kj 
k1
n n
 A  BC ij   a ik c kj   b ik c kj
k1 k1

 A  BC ij  AC ij  BC ij


 A  BC ij  AC  BC ij i j
 A  BC  AC  BC
7.-MATRIZ TRANSPUESTA DE UNA MATRIZ
7.1.-Definición: Dada una matriz A  a ij , A mn , llamamos transpuesta de A y la
simbolizamos por A T a la matriz que se obtiene al cambiar las filas por las columnas en A. Es
decir:
A mn  a ij ,  A Tnm  a ji .
Ejemplo:
0 1
0 2 3
Si A 32  2 1  A T23 
1 1 0
3 0
7.2.- Propiedades: Suponiendo definidas todas las operaciones de suma y producto que
aparecen.
P1 : A , A T  T  A P2 : A, B; A  B T  A T  B T

P3 : A,  A T  A T P4 : A, B; AB T  B T A T


8.- MATRICES CUADRADAS
8.1. Definición: Una matriz A decimos que es una matriz cuadrada si y solo si tiene igual
cantidad de filas que de columnas.
Si A nn , diremos que A es una matriz de orden n.
8.2.- Matriz Identidad: Llamamos matriz identidad y la simbolizamos por I a toda matriz
cuadrada cuyas elementos son todas nulas a excepción de los ubicados en la diagonal principal
que son todas iguales a la unidad. En símbolos:
i ij  0 si i  j
I nn  i i,j  /
i ij  1 si i  j
Ejemplos:
1 0 0
1 0
I 22  , I 33  0 1 0
0 1
0 0 1
Propiedad: A nn , I nn  AI  IA  A
En otras palabras la matriz identidad es el elemento neutro para el producto de matrices
cuadradas.
8.2.- Matriz escalar: Llamamos matriz escalar, a toda matriz cuadrada que se obtiene del
producto de un escalar no nulo por la matriz identidad. es decir:
a ij  0 si i  j
Si A nn  a ij  y A  kI k  0  entonces A se denomina matriz
a ij  k si i  j
escalar
Ejemplo:
3 0 0 1 0 0
A 0 3 0 es una matriz escalar ya que A  3 0 1 0  3I
0 0 3 0 0 1
8.3.- Matriz triangular :
8.3.1.-Triangular superior: Llamamos matriz triangular superior, a toda matriz cuadrada
cuyos elementos por debajo de la diagonal principal son nulos. En símbolos:
A nn , A  a ij , A es triangular superior si y solo si a ij  0 i  j
Ejemplo:
1 2 1 2 1 0
A 0 5 4 yB  0 0 1 son triangulares superiores
0 0 2 0 0 0
8.3.2.-Triangular inferior: Llamamos matriz triangular inferior a toda matriz cuyas
elementos por arriba de la diagonal principal son nulos.
En simbolos:
A nn , A  a ij , A es triangular inferior si y solo si a ij  0 i  j
Ejemplo:
1 0 0 0 0 0
C 3 2 0 ,y D  1 0 0 son triangulares inferiores
1 4 1 3 0 0
8.4.- Matriz diagonal: llamamos matriz diagonal a toda matriz cuadrada cuyas elementos
por arriba y por abajo de la diagonal principal son nulas.
En simbolos:
A nn , A  a ij , A es diagonal si y solo sí a ij  0 i  j
Ejemplo:
1 0 0 0 0 0
A 0 3 0 , yB  0 0 0 son diagonales
0 0 5 0 0 0
8.5.- Matriz simétrica: Llamamos matriz simétrica a toda matriz cuadrada que es igual a su
transpuesta.
En símbolos:
A nn  a ij  , A es simétrica si y solo si A  A T -ó equivalentemente- a ij  a ji i j
Ejemplo:
1 3 0 1 3 0
T
A 3 3 1 es una matriz simétrica ya que A  3 3 1 A
0 1 5 0 1 5
8.6.- Matriz antisimétrica: Llamamos matriz antisimétrica a toda matriz cuadrada que es
igual a la opuesta de su transpuesta.
En símbolos:
A nn  a ij , A es antisimétrica si y solo sí A  A T -o equivalentemente- a ij  a ji i j
Ejemplo:
0 1 0 0 1 0
T
A 1 0 2 es una matriz antisimétrica ya que A  1 0 2 y
0 2 0 0 2 0
0 1 0
A T  1 0 2 A
0 2 0
Teorema 2.1: La suma de dos matrices simétricas es una matriz simétrica.
Teorema 2.2: Una matriz es simétrica y antisimétrica si y solo si es la matriz nula.
Teorema 2.3: Toda matriz cuadrada se puede expresar como la suma de una matriz simétrica
y otra antisimétrica.
Teorema 2.4: La suma de una matriz y su transpuesta es una matriz simétrica.
Teorema 2.5: El producto de una matriz y su transpuesta es una matriz simétrica.

Demostración del Teorema 2.3


Dada P nn   A, B / A  A T  B  B T  P  A  B
P  A  B  P T  A  B T  A T  B T  P T  A  B
 P  A  B 1  P T  A  B 2
Sumando miembro a miembro 1 y 2
 P  P T  2A  A  1 P  P T 
2
Restanto miembro a miembro 1 y 2
P  P T  2B  B  1 P  P T 
2
A  1 P  P T   A T   1 P  P T  T
2 2
 A T  P  P T  T  P T  P T  T   1 P T  P  1 P  P T   A
1 1
2 2 2 2
T
 A  A  A es simétrica
B  1 P  P T   1 P  P T   B T   1 P  P T  T
2 2 2
 1 T T 1 T T T 1
B  P  P   P  P    P T  P T  T 
2 2 2
 1 T 1
B  P  P   P  P   B T T
2 2
T
 B  B  B es antisimétrica
A  B  1 P  P T   1 P  P T   1 P  P T  P  P T   1 2P  P
2 2 2 2
 P  AB
Demostración del Teorema 2.4: A nn  A  A T  es simétrica
A  A T  es simétrica  A  A T   A  A T  T
A  A T  T  A T  A T  T
 A  A T  T  A T  A
 A  A T  T  A  A T
 A  A T es simétrica
9.- INVERSA DE UNA MATRIZ
9.1.- Definición: Dada una matriz A nn  a ij . Decimos que A es inversible, si y solo sí,
existe una matriz B nn , B  b ij  tal que AB  BA  I.
En este caso decimos que B es la inversa de A y la simbolizamos por B  A -1 . Asimismo, si
B es la inversa de A también A es la inversa de B.
Veamos que significa, dada una matriz, hallar su inversa. Ello equivale a encontrar la matriz
A -1 que verifica AA -1  A -1 A  I. Se puede justificar que si A admite inversa si se cumple
AA -1  I también se cumple A -1 A  I , por lo que bastará para determinar la inversa de A
resolver una de las igualdades. Es decir bastará resolver el sistema de n ecuaciones lineales con n
incógnitas -elementos de la matriz inversa- asociado a esa ecuación matricial. Para asegurar la
existencia de la inversa bastará pedir que el sistema tenga solución. Pero vamos a ver mediante el
siguiente teorema que además requiere que tenga única solución.
Si A es una matriz inversible decimos que A es no singular, caso contrario -cuando A no es
inversible - decimos que es singular.
9.2.-Propiedades: A nn , B nn inversibles y k   k  0
P 1 : A -1  -1  A P 2 : AB es inversible y AB -1  B -1 A -1

P 3 : kA -1  k -1 A -1 P 4 : A -1  T  A T  -1
Demostración de P 2 : AB -1  B -1 A -1
AB -1  B -1 A -1  B -1 A -1 es la inversa de AB  ABB -1 A -1   B -1 A -1 AB  I
ABB -1 A -1   ABB -1 A -1
 ABB -1 A -1   AIA -1
 ABB -1 A -1   AA -1  I
B -1 A -1 AB  B -1 A -1 AB
 B -1 A -1 AB  B -1 IB
 B -1 A -1 AB  B -1 B  I
 AB -1  B -1 A -1
Teorema 2.6: La inversa de una matriz, si existe, es única.
Demostración
Sean B 1 , B 2 inversas de A tales que B 1  B 2
 AB 1  B 1 A  I 1  AB 2  B 2 A  I 2
AB 1  I  AB 2  I  AB 1  AB 2
 B 1 AB 1  B 1 AB 2  B 1 AB 1  B 1 AB 2
 IB 1  IB 2  B 1  B 2 Absurdo
Ejemplo:
1 2
Dada A  . Determinar si A admite inversa y en caso afirmativo encontrarla.
1 1

x y
Sea A -1  la posible inversa de A. Entonces debe ocurrir que AA -1  I
z t
x  2z  1
1 2 x y 1 0 x  z  0
  
1 1 z t 0 1 y  2t  0
y  t  1
Este sistema de 4 ecuaciones con 4 incógnitas puede separarse en dos sistemas de 2
ecuaciones con 2 incógnitas independientes entre ellos de manera que la solución de éstos
últimos permite encontrar la solución del anterior. Esto se debe a que las ecuaciones que se
separan para un sistema tienen variables distintas a las del otro sistema. Así tenemos para el
x  2z  1 y  2t  0
ejemplo, los sistemas 1 y 2 que si los resolvemos por Gauss
x  z  0 y  t  1
tendremos:
1 2 1 1 2 1 x  2z  1
1   que tiene solución única y que es:
1 1 0 0 3 1 3z  1

z  1 y x  1  2z  x  1  2 1   x  1
3 3 3
1 2 0 1 2 0 y  2t  0
2   que tiene solución única que es:
1 1 1 0 3 1 3t  1

t  1 y y  2t  y  2 1   y   2
3 3 3
Por lo tanto el sistema original también tiene solución única, y en consecuencia, podemos
decir que la matriz es inversible y que su inversa es:
1
x y 3
 23
A -1   1 1
z t 3 3

A los efectos de comprobar que hemos encontrado bien A -1 , verificamos que A -1 A  I


1
3
 23 1 2 1 0
1 1

3 3
1 1 0 1

10.- POTENCIA DE MATRICES


10.1.- Definición
Si n   A n AA. . . . . . A
n
Sea A nn 

Si n  0  A 0  I nn
10.2 Propiedades: A nn , I nn
P1 : In  I P2 : A m A n  A mn

P3 : A n  m  A mn P4 : kA n  k n A n
11- MATRICES Y SISTEMA DE ECUACIONES LINEALES
Al estudiar sistema de ecuaciones lineales y el algoritmo de Gauss para resolverlos hicimos
uso de las matrices, indicando que luego volveríamos sobre ello cuando hayamos estudiado las
matrices y definido ciertas operaciones con ellas. Recordemos que un sistema de m ecuaciones
lineales con n incógnitas:
a 11 x 1  a 12 x 2    a 1n x n  b 1
a 21 x 1  a 22 x 2   a 2n x n  b2
    
I
a i1 x 1  a i2 x 2  a in x n  bi
    
a m1 x 1  a m2 x 2   a mn x n  bm
Podíamos expresarlo en forma matricial como la ecuación matricial:
a 11 a 12 . . . . . . . . . . . . a 1j . . . . . . . . . . . . a 1n x1 b1
a 21 a 22 . . . . . . . . . . . . a 2j . . . . . . . . . . . . a 2n x2 b2
........................................... . .
.......................................... . .

a i1 a i2 . . . . . . . . . . . . a ij . . . . . . . . . . . . . a in xi bi
......................................... . .
......................................... . .
a m1 a m2 . . . . . . . . . . a mj . . . . . . . . . . . . a mn xn bm
Si llamamos A mn a la matriz de coeficientes, X n1 a la matriz de las incógnitas y B m1 a la
matriz de los términos independientes podemos escribir esta ecuación en forma simbólica como:
AX  B que es la expresión del sistema de ecuaciones lineales en forma matricial, es decir, como
una ecuación matricial.
Teorema 2.7 : Un sistema de n ecuaciones lineales con n incógnitas AX  B tiene solución
única solo si la matriz A es inversible.
Demostración:
 A -1 / AA -1  A -1 A  I
 A -1 AX  A -1 B
 IX  A -1 B
 X  A -1 B
Como A -1 es única y B es único para un dado AX  B
 A -1 B es único  X es unico
 AX  B tiene única solución
Teorema 2.8: Si X 1 y X 2 son soluciones del sistema AX   entonces:
i X 1  X 2  también es solución de AX  
ii , X 1 también es solución de AX  
iii ,   X 1  X 2  también es solución de AX  

Demostración de ii

AX 1   hipótesis
 , AX 1     Multiplicando ambos miembros por 
 , AX 1    Asoc. del prod. por un escalar y prop.   
 X 1 es solición de AX   Definición de solución
Teorema 2.9: Si el sistema AX  B admite infinitas soluciones y X G es la solución general
de AX   y X P es una solución particular de AX  B entonces X G  X P  es la solución general
de AX  B
Recordemos también que para resolver un sistema de ecuaciones lineales aplicabamos el
algoritmo de Gauss el que consiste en realizar operaciones elementales en las filas de la matriz
ampliada del sistema para llevarla a su forma escalonada y obtener de esa manera un sistema
escalonado equivalente al original. Recordemos que cuando expusimos el método de Gauss
definimos las siguientes matrices
11.1.- Matrices equivalentes por filas
Decimos que B es equivalente por filas a A (o que A y B son equivalentes por fila) si B se
puede obtener de A mediante operaciones elementales en las filas de A.
Así cada una de las matrices que se van obteniendo en cada paso del proceso de Gauss para
resolver un sistema de ecuaciones lineales, son equivalentes por filas a la matriz ampliada del
sistema original.
Ejemplo
Las siguientes matrices A, B son equivalentes por filas.
0 2 4 1 1 1
A yB 
1 1 1 0 1 2
ya que B se obtiene de A aplicando dos operaciones elementales
0 2 4 Interrcambio F 1 con F 2 1 1 1 multiplicando la F 2 por 1
1 1 1
A   2
B
1 1 1 0 2 4 0 1 2
11.2.-Matriz escalonada
Decimos que una matriz A esta en su forma escalonada o que es una matriz escalonada si
cumple:
1 Las filas nulas -si las hay- se ubican al final
2 En cada fila el primer elemento distinto de cero -denominado entrada principal de la fila ó
cabeza de escalón ó pivot- se ubica en una columna a la izquierda de cualquier entrada principal
debajo de ella
Ejemplo 1
La matriz B del anterior ejemplo es una matriz esacalonada ya que cumple la definición
11.3.- Matriz escalonada reducida por filas
Decimos que una matriz A está en la forma escalonada reducida por filas si cumple:
1 Es una matriz escalonada
2 Los pivots o entrada principal o cabeza de escalón en cada fila son todos iguales a 1.
3 Las columnas que contienen al pivot, o entrada principal o cabeza de escalón de cada fila,
tienen los demás elementos nulos.
Ejemplo
1 0 0 1 1 1 0 1
A 0 1 0 0 B 0 1 0 0
0 0 1 2 0 0 1 2
A es una matriz escalonada reducida por filas ya que cumple la definición
B no es una matriz escalonada reducida por filas ya que no cumple la definición. En efecto,
no cumple la condición 2, el tercer cabeza de escalon no es 1 sino 1, tampoco cumple con la
3, el elemento cabeza de escalon en la segunda fila no es el único elemento no nulo de la
respectiva columna a la que pertenece.
12.-APLICACIONES DE LAS MATRICES
Hay muchas aplicaciones de las matrices en las diversas áreas de las ciencias, si bien muchas
de ellas requieren conocimientos previos de esas áreas. Veamos algunas de ellas a modo de
ejemplos ilustrativos.
Definición: Un grafo dirigido es un conjunto finito de puntos P 1 , P 2 , . . . . P n llamados
vértices o nodos que están unidos por un conjunto finito de flechas llamadas aristas o lados, cada
uno de los cuales une un par de vértices distintos pero considerándolos como un par ordenado. Es
decir P i  P j  P j  P i . Además, ninguno de los vértices puede estar unido a él mismo por
medio de una sola flecha pero si mediante otros vértices, tampoco puede unirse dos vértices por
múltiples flechas ( P i  P j es única). Un grafo dirigido tiene asociada una matriz cuadrada
A  a ij  tal que a ij  1 si existe P i  P j y a ij  0 en caso contrario. Los grafos permiten
formular modelos de muchos problemas de diversas áreas de la ciencia.
Ejemplo 1: Considera un grupo de 6 equipos de futbol que disputan un torneo corto en el que
no se permite empate. Considera que E i  E j significa que el equipo E i ganó al equipo E j .
Después de disputarse tres fechas se muestra la información mediante el siguiente grafo dirigido:
a Escribe la matriz asociada al grafo
b Indica cual es el equipo que va primero
hasta esa fecha (considera que el equipo
ganador obtiene 2 puntos por partido)
c ¿Cómo calcularías el puntaje obtenido
por cada equipo desde la matriz?

a Si llamamos A a la matriz asociada al grafo será:


0 0 0 0 0 1
0 0 1 0 0 0
0 0 0 0 0 1
A
1 1 0 0 0 0
1 0 1 1 0 0
0 1 0 0 0 0
b Como en la matriz los 1 en la posición ij, significa que el equipo i le gano al equipo j
entonces la fila con mayor cantidad de 1 indicará el equipo que más triunfos obtuvo hasta la
fecha considerada. En el ejemplo es la fila 5 por lo que el equipo 5 es el que va primero hasta la
3er fecha.
c La cantidad de 1 en cada fila multiplicada por la cantidad de puntos que se obtiene por
triunfo será el puntaje obtenido por cada equipo.
Cadenas de Markov: Consideremos un sistema que está, en cualquier momento dado, en
uno y solo un estado entre una cantidad finita de ellos. Por ejemplo el clima en cierta área puede
ser lluvioso o despejado, una persona puede fumar o no, etc. Al pasar el tiempo el sistema puede
pasar de un estado a otro, y supondremos que el estado del sistema se observa a periodos fijos
(una hora, día, mes, etc.). En muchas aplicaciones conocemos el estado actual del sistema y
queremos predecir el que tendrá en el siguiente periodo de observación, o en cualquier otro. Con
frecuencia podemos predecir, a partir de datos históricos, la probabilidad de que el sistema esté
en cierto estado particular en determinado periodo de observación. La aplicación que
proponemos a continuación es de este tipo.
Definición: Una cadena de Markov o proceso de Markov, es aquel en el que la
probabilidad de que el sistema esté en un estado particular en un determinado periodo de
observación , depende solo de su estado en el periodo de observación anterior. Supongamos que
el sistema tiene n estados posibles. Para cada i  1, 2,  , n y cada j  1, 2,  , n sea t ij la
probabilidad de que si el sistema se encuentra en el estado j en cierto periodo de observación,
estará en el estado i en el siguiente; t ij recibe el nombre de probabilidad de transición. Además, t ij
se aplica a cada periodo; es decir, no cambia con el tiempo.
Como t ij es una probabilidad, debemos tener que: 0  t ij  1; 1  i, j  n
Asimismo si el sistema está en el estado j en cierto periodo de observación, entonces debe
estar en alguno de los n estados (ya que también podría permanecer en el estado j. Por lo tanto
tenemos que: t 1j  t 2j    t nj  1
Es conveniente disponer las probabilidades de transición como una matriz T  t ij  de n  n
llamada la matriz de transición de la cadena de Markov o matriz de Markov o matriz estocástica
o matriz de probabilidades. Las componentes de cada columna de esta matriz son no negativas y
su suma es 1.
Si llamamos p k
j a la probabilidad de que el sistema se encuentre en el estado j en el periodo
de observación k, y al vector columna X k , k  0 vector de estado será:
p k
1

p k
2
Xk  .
.
p k
n

en el caso k  0 se denomina vector de estado inicial. Además X k1  TX k siendoT la


matriz de transición.
Si X k  TX k para algún k, decimos que el proceso de Markov ha alcanzado el equilibrio y
que el vector X k es fijo. En este caso se lo llama vector estacionario.
Ejemplo 2: Una empresa dedicada a la investigación de mercados está analizando un gran
grupo de consumidores de café, que compran una lata de café por semana. Se ha determinado
que el 50% de las personas que actualmente utilizan la marca A, la comprarán de nuevo la
próxima semana, el 25% cambiará a la marca B y 25% preferirá alguna otra. De las personas que
ahora consumen la marca B, 30 % la comprará otra vez la próxima semana, 60% optará por la
marca A y 10% cambiará a otra. De los consumidores que actualmente compran otra marca, 30%
adquirirá de nuevo otra marca la próxima semana, 40% elegirá la marca A y 30% cambiará a la
B. Los estados A,B y C representan la marca A, la marca B y otra marca, respectivamente. La
probabilidad de que una persona que consume la marca B la siga comprando es 0.3 y así
sucesivamente.
a Escribe la matriz de probabilidad o matriz de transición de esta cadena de Markov
b Suponiendo que al comenzar el estudio vemos que la marca A tiene 20% del mercado, la
marca B tiene 20% del mismo y las otras marcas tienen el 60% restante. Escribe el vector de
estado inicial y calcula el vector de estado al cabo de un mes.
c Escribe el vector de estado al cabo de h semanas. Determina, si existe, el valor de h para el
cual el proceso de Markov alcanza el equilibrio
a
A B C
A 0. 5 0. 6 0. 4 0. 5 0. 6 0. 4
B 0. 25 0. 3 0. 3 T 0. 25 0. 3 0. 3
C 0. 25 0. 1 0. 3 0. 25 0. 1 0. 3
b El vector de estado inicial será:
p 0
1 0. 2
X 0  p 0
2  0. 2
p 0
3 0. 6

c Como el intervalo de tiempo en el cual se observa es una semana, al cabo de un mes (4


semanas) tendremos que:
X 4  T 4 X 0
Queda como ejercicio, realizar los cálculos y obtener el resultado.

Ing Augusto A. Estrada V.

También podría gustarte