Álgebra de matrices

John H. Castillo

[Link]/site/jhcastillo
E-mail: jhcastillo@[Link]

Departamento de Matemáticas y Estadı́stica

Universidad de Nariño

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 1 / 22

Definición (Matrices).
Una matriz A de m × n es un arreglo rectangular de mn números
reales (o complejos) ordenados en m renglones horizontales y n
columnas verticales.
 
a11 a12 · · · a1j · · · a1n
 a21 a22 · · · a2j · · · a2n 
 
 .. .. .. .. 
 . . ··· . ··· . 
A=  ai1 ai2 · · · aij · · · ain  .

 
 .. .. .. .. 
 . . ··· . ··· . 
am1 am2 · · · amj · · · amn

Decimos que A es una matriz de (tamaño) m por n (que se escribe

m × n). Si m = n decimos que A es una matriz cuadrada de orden n.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 2 / 22

El i-ésimo renglón de A es
 
reni (A) = ai1 ai2 · · · ain (1 ≤ i ≤ m)

y la j-ésima columna de A es
 
a1j
 a2j 
 
colj (A) =  .  (1 ≤ j ≤ n)
 .. 
amj

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 3 / 22

Ejemplo 1.
Considere las siguientes matrices
   
  3 1 2 3 1
1 2 −3
A= , B =  2√ 4 , C = 3 −4 π  ,
4 0 −2
− 32 5 1 −1 −2
  2
 
3 3
  2 −3  
D= , E = 1 0 −3 , F = , G = −3
−1 −2 4 1
Al respecto podemos decir
A es una matriz de 2 × 3.
B es una matriz de 3 × 2.
C es una matriz de 3 × 3 o una matriz cuadrada de orden 3.
D y F son matrices de 2 × 2 o matrices cuadradas de orden 2.
E es una matriz de de 1 × 3.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 4 / 22

Ejemplo 1.
Considere las siguientes matrices
   
  3 1 2 3 1
1 2 −3
A= , B =  2√ 4 , C = 3 −4 π  ,
4 0 −2
− 32 5 1 −1 −2
  2
 
3 3
  2 −3  
D= , E = 1 0 −3 , F = , G = −3
−1 −2 4 1
Al respecto podemos decir
A es una matriz de 2 × 3.
B es una matriz de 3 × 2.
C es una matriz de 3 × 3 o una matriz cuadrada de orden 3.
D y F son matrices de 2 × 2 o matrices cuadradas de orden 2.
E es una matriz de de 1 × 3.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 4 / 22

Ejemplo 1.
Considere las siguientes matrices
   
  3 1 2 3 1
1 2 −3
A= , B =  2√ 4 , C = 3 −4 π  ,
4 0 −2
− 32 5 1 −1 −2
  2
 
3 3
  2 −3  
D= , E = 1 0 −3 , F = , G = −3
−1 −2 4 1
Al respecto podemos decir
A es una matriz de 2 × 3.
B es una matriz de 3 × 2.
C es una matriz de 3 × 3 o una matriz cuadrada de orden 3.
D y F son matrices de 2 × 2 o matrices cuadradas de orden 2.
E es una matriz de de 1 × 3.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 4 / 22

Ejemplo 1.
Considere las siguientes matrices
   
  3 1 2 3 1
1 2 −3
A= , B =  2√ 4 , C = 3 −4 π  ,
4 0 −2
− 32 5 1 −1 −2
  2
 
3 3
  2 −3  
D= , E = 1 0 −3 , F = , G = −3
−1 −2 4 1
Al respecto podemos decir
A es una matriz de 2 × 3.
B es una matriz de 3 × 2.
C es una matriz de 3 × 3 o una matriz cuadrada de orden 3.
D y F son matrices de 2 × 2 o matrices cuadradas de orden 2.
E es una matriz de de 1 × 3.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 4 / 22

Ejemplo 1.
Considere las siguientes matrices
   
  3 1 2 3 1
1 2 −3
A= , B =  2√ 4 , C = 3 −4 π  ,
4 0 −2
− 32 5 1 −1 −2
  2
 
3 3
  2 −3  
D= , E = 1 0 −3 , F = , G = −3
−1 −2 4 1
Al respecto podemos decir
A es una matriz de 2 × 3.
B es una matriz de 3 × 2.
C es una matriz de 3 × 3 o una matriz cuadrada de orden 3.
D y F son matrices de 2 × 2 o matrices cuadradas de orden 2.
E es una matriz de de 1 × 3.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 4 / 22

Definición.
Una matriz de 1 × n (o de n × 1) también se llama un n-vector fila (o
n-vector columna) y lo denotaremos mediante letras en negrita.

Ejemplo 2.
Los siguientes son ejemplos de n-vectores.
 
u = 1 2 −1 0 es un 4-vector,

 
1
v = −1 es un 3-vector.
3

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 5 / 22

Definición (Igualdad de matrices).
Dos matrices de tamaño m × n, A = [aij ] y B = [bij ] son iguales si
aij = bij , ∀ 1 ≤ i ≤ m, ∀ 1 ≤ j ≤ n; es decir si los elementos
correspondientes son iguales. Coloquialmente se dice que dos matrices
son iguales si tienen el mismo tamaño y son iguales término a término.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 6 / 22

Definición (Tipos de Matrices).
Sea A = [aij ] una matriz de tamaño m × n. Entonces
1. Si aij = 0 para todo i, j entonces A se denomina la matriz nula de
orden m × n y se denota por 0m×n .
2. Si m = n se dice que A es una matriz cuadrada de orden n.
3. Una submatriz de A es aquella que se obtiene a partir de A
eliminando una o varias filas o columnas.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 7 / 22

Definición (Tipos especiales de matrices).
Sea A = [aij ] una matriz cuadrada de orden n
1. Las componentes a11 , . . . , ann forman la diagonal principal de A.
2. A es una matriz triangular superior si las componentes situadas
por debajo de la diagonal principal son cero. En decir si aij = 0
para todo j < i.
3. A es una matriz triangular inferior si las componentes situadas por
encima de la diagonal principal son cero. En decir si aij = 0 para
todo j > i.
4. A es una matriz triangular si A es triangular superior o triangular
inferior.
5. A es una matriz diagonal si A es simultáneamente triangular
superior y triangular inferior. Es decir si aij = 0 para todo i 6= j.
6. A es una matriz escalar si A es una matriz diagonal y
a11 = · · · = ann = k.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 8 / 22

7. A es la matriz idéntica de orden n si A es una matriz escalar con
a11 = · · · = ann = 1. La matriz identidad de orden n se denota por
In , esto es
 
1 0 ··· 0
0 1 · · · 0
 
In =  . . . .
 .. .. . . .. 
0 0 ··· 1

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 9 / 22

Definición (Suma de matrices).
Sean A = [aij ]m×n y B = [bij ]m×n matrices, entonces la suma de A y B
es la matriz C = [cij ]m×n , definida por

cij = aij + bij (1 ≤ i ≤ m, 1 ≤ j ≤ n).

Es decir, C se obtiene sumando los elementos correspondientes de A y

B.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 10 / 22

    
a11 a12 ··· a1n b11 b12 ··· b1n
 a21 a22 ··· a2n   b21
  b22 ··· b2n 
 
C =A+B = . .. ..  +  .. .. .. 
 .. . ··· .   . . ··· . 
am1 am2 · · · amn bm1 bm2 · · · bmn
 
a11 + b11 a12 + b12 ··· a1n + b1n
 a21 + b21 a22 + b22 ··· a2n + b2n 
 
= .. .. .. 
 . . ··· . 
am1 + bm1 am2 + bm2 · · · amn + bmn
 
c11 c12 · · · c1n
 c21 c22 · · · c2n 
 
= . .. ..  .
 .. . ··· . 
cm1 cm2 · · · cmn

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 11 / 22

Definición (Multiplicación por un escalar).
Sean A = [aij ] una matriz de m × n y λ un número real (escalar),
entonces la multiplicación escalar de λ por A, denotado con λA, es la
matriz λA = [λaij ] de tamaño m × n. Es decir, λA se obtiene
multiplicando cada elemento de A por λ.
 
λa11 λa12 · · · λa1n
 λa21 λa22 · · · λa2n 
 
λA =  . .. ..  .
 .. . ··· . 
λam1 λam2 · · · λamn

Si A y B son matrices de tamaño m × n, escribimos A + (−1)B como

A − B y lo llamamos la diferencia de A y B.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 12 / 22

Definición (La transpuesta de una matriz).
h i
Si A = [aij ] es una matriz de m × n, entonces la matriz AT = aTij de
n × m, donde

aTij = aji (1 ≤ i ≤ n, 1 ≤ j ≤ m),

es la matriz transpuesta de A. Ası́ la transpuesta de A se obtiene

intercambiando los renglones y las columnas de A.

Ejemplo 3.
 
   −1
4 −2 3 1 2
Sean A = ,B= y C = 2 . Entonces

0 5 −2 2 1
0
 
4 0  
T T 1 2  
A = −2 5 , B =
  y C T = −1 2 0 .
2 1
−3 2

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 13 / 22

Definición (Producto punto o producto interior).
El producto punto o producto interior
 de los n-vectores
b1
   b2 
 
a = a1 a2 · · · an y b =  .  está dado por
 .. 
bn
n
X
a · b = a 1 b1 + a 2 b2 + · · · + a n bn = a i bi . (1)
i=1

Ejemplo 4.
 
2
   0 
El producto punto de u = 1 −2 3 0 y v =  √ 
 3 es
7
√ √ √
u · v = 1 × 2 + (−2) × 0 + 3 × 3 + 0 × 7 = 2 + 0 + 3 3 + 0 = 2 + 3 3.
JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 14 / 22
Definición (Producto punto o producto interior).
El producto punto o producto interior
 de los n-vectores
b1
   b2 
 
a = a1 a2 · · · an y b =  .  está dado por
 .. 
bn
n
X
a · b = a 1 b1 + a 2 b2 + · · · + a n bn = a i bi . (1)
i=1

Ejemplo 4.
 
2
   0 
El producto punto de u = 1 −2 3 0 y v =  √ 
 3 es
7
√ √ √
u · v = 1 × 2 + (−2) × 0 + 3 × 3 + 0 × 7 = 2 + 0 + 3 3 + 0 = 2 + 3 3.
JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 14 / 22
Definición (Vector fila por una matriz).
Si A = [a1 , a2 , . . . , am ] es un m-vector y B = [bij ] es una matriz de
tamaño m × n, entonces el producto de A y B que se denota por AB es
el n-vector fila C = [c1 , c2 , . . . , cn ] con

cj = A · colj (B) (2)

para 1 ≤ j ≤ n.

Definición (Matriz por un vector columna).

 
b1
 .. 
Si A = [aij ] es una matriz de tamaño m × n y B =  .  es un n-vector
bn
columna
  entonces el producto de A con B es un m-vector columna
c1
 .. 
C =  .  con ci = reni (A) · B, para 1 ≤ i ≤ m.
cm
JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 15 / 22
Definición (Vector fila por una matriz).
Si A = [a1 , a2 , . . . , am ] es un m-vector y B = [bij ] es una matriz de
tamaño m × n, entonces el producto de A y B que se denota por AB es
el n-vector fila C = [c1 , c2 , . . . , cn ] con

cj = A · colj (B) (2)

para 1 ≤ j ≤ n.

Definición (Matriz por un vector columna).

 
b1
 .. 
Si A = [aij ] es una matriz de tamaño m × n y B =  .  es un n-vector
bn
columna
  entonces el producto de A con B es un m-vector columna
c1
 .. 
C =  .  con ci = reni (A) · B, para 1 ≤ i ≤ m.
cm
JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 15 / 22
Definición (Producto de dos matrices).
Si A = [aij ] es una matriz de m × p y B = [bij ] es una matriz de p × n,
entonces el producto de A y B que se denota AB, es la matriz C = [cij ]
de m × n, definida como
p
X
cij = reni (A) · colj (B) = ai1 b1j + ai2 b2j + · · · + aip bpj = aik bkj , (3)
k=1

donde 1 ≤ i ≤ m y 1 ≤ j ≤ n.

La ecuación (3) dice que el i, j-ésimo elemento de la matriz C es el

producto punto entre el i-ésimo renglón de A (reni (A)) y la j-ésima
columna de B (colj (B)); es decir

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 16 / 22

Definición (Producto de dos matrices).
Si A = [aij ] es una matriz de m × p y B = [bij ] es una matriz de p × n,
entonces el producto de A y B que se denota AB, es la matriz C = [cij ]
de m × n, definida como
p
X
cij = reni (A) · colj (B) = ai1 b1j + ai2 b2j + · · · + aip bpj = aik bkj , (3)
k=1

donde 1 ≤ i ≤ m y 1 ≤ j ≤ n.

La ecuación (3) dice que el i, j-ésimo elemento de la matriz C es el

producto punto entre el i-ésimo renglón de A (reni (A)) y la j-ésima
columna de B (colj (B)); es decir

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 16 / 22

 
a11 a12 ··· a1p  
 
 a21 a22
 ··· a2p  b11 b12 · · · b1j · · · b1n c11 c12 ··· c1n
 .. .. ..    c21 c22 ··· c2n 
 . . ··· .  b21 b22 · · · b2j · · · b2n 
 
  =  ..

  .. .. . . .. .. 
· · · .. · · · ..
 ai1 ai2 ··· aip   . . cij . 
  . . 
 .. .. .. 
 . . ··· .  bp1 bp2 · · · bpj · · · bpn cm1 cm2 ··· cmn
am1 am2 ··· amp

De esta manera,
p
X
cij = reni (A) · colj (B) = aik bkj .
k=1

Atención
El producto de A y B solo está definido cuando el número de columnas
de A es igual al número de renglones de B.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 17 / 22

Teorema 1 (Propiedades de la suma de matrices).
Sean A, B, C y D matrices. Entonces se satisfacen las siguientes
propiedades
(a) A + B = B + A.
(b) A + (B + C) = (A + B) + C.
(c) Existe una matriz única O tal que A + O = A. La matriz O se
llama la matriz nula.
(d) Para cada matriz A, existe una única matriz D tal que A + D = O.
La matriz D se denota por −A y se denomina el inverso aditivo de
A.
La matriz nula O tiene todas sus entradas iguales a 0.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 18 / 22

Teorema 2 (Propiedades de la multiplicación por escalar).
Si r y s son número reales y A y B son matrices, entonces
(a) r(sA) = (rs)A.
(b) (r + s)A = rA + sA.
(c) r(A + B) = rA + rB.
(d) A(rB) = r(AB) = (rA)B.

Teorema 3 (Propiedades por multiplicación de matrices).

Sean A, B y C matrices. Entonces
(a) A(BC) = (AB)C.
(b) A(B + C) = AB + AC.

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 19 / 22

Teorema 4 (Propiedades por multiplicación de matrices).
Sean A, B y C matrices. Entonces
(a) A(BC) = (AB)C.
(b) A(B + C) = AB + AC.

La matriz escalar de n × n
 
1 0 ... 0
0 1 . . . 0
 
In =  . . . ..  ,
.
. .. . . .
0 0 ... 1
tal que las entradas en la diagonal principal son iguales a 1, se
denomina la matriz identidad de orden n.
Si A es una matriz de m × n; es fácil verificar que
Im A = AIn = A.
También es fácil verificar que toda matriz escalar de n × n se puede
escribir como cIn para un escalar c.
JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 20 / 22
Supongamos que A es una matriz cuadrada de orden n. Si k es un
entero positivo, entonces se define

Ak = AA · · · A} .
| {z
k−veces

Por definición se asume que A0 = In .

Teorema 5 (Propiedades de las potencias de matrices).

Sean A una matriz cuadrada de orden n y k, l enteros no negativos.
Entonces
(a) Ak Al = Ak+l .
(b) (Ak )l = Akl .

Observaciones:
La multiplicación de matrices no es conmutativa.
Es posible encontrar matrices no nulas A y B tales que AB = O.
En general (AB)k 6= Ak B k .
JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 21 / 22
Teorema 6 (Propiedades de la transpuesta).
Si r es un escalar, A y B son matrices, entonces
(b) (AT )T = A.
(b) (A + B)T = AT + B T .
(b) (AB)T = B T AT .
(b) (rA)T = rAT .

JOHN H. CASTILLO jhcastillo@[Link] Álgebra Lineal 22 / 22