Professional Documents
Culture Documents
Indice
1. Transformaciones lineales de Rn en Rm
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Matriz can
onica de una transformaci
on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Operaciones matriciales
2.1. Suma de matrices . . . . . . . .
2.2. Ponderaci
on de matrices por un
2.3. Multiplicaci
on de matrices . . .
2.4. La matriz transpuesta . . . . .
2.5. La notaci
on A = (aij ) . . . . .
. . . . .
escalar
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
4
7
7
8
9
13
14
16
4. Matrices inversas
20
4.1. Calculo de inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1.1. Inversas por la derecha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1.2. Inversas por la izquierda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5. Inversas de matrices cuadradas
24
1.
1.1.
Transformaciones lineales de Rn en Rm
Introducci
on
Hasta ahora, nuestro uso de matrices en sistemas de ecuaciones lineales nos ha permitido sistematizar nuestro
trabajo de resolucion y realizar un analisis, a traves de la definicion de rango gaussiano, del n
umero de soluciones
que tendremos. Pero esencialmente las matrices han actuado como una notaci
on abreviada para hacer mas eficiente
nuestro trabajo, ya que toda la teora desarrollada podra realizarse, ciertamente con un lenguaje mucho mas
complejo, de igual forma con la escritura completa de los sistemas de ecuaciones lineales.
A continuacion, estudiaremos las matrices desde un punto de vista distinto. El enfoque de este captulo se basa
cualquier vector
x Rn y que la definicion del producto A
x se realiza describiendo la matriz por sus columnas:
A=
c1
c2
cn ,
cn
c2 + + xn
c1 + x2
cn . = x1
A
x =
c1
c2
..
xn
x 7 TA (
x ) = A
x
Esta nocion funcional de las matrices nos permitira estudiar nuevas propiedades de ellas, no relacionadas directamente con los sistemas de ecuaciones lineales.
1.2.
Transformaciones lineales
Definici
on: Una transformaci
on lineal (tl ) de Rn en Rm es una funci
on
T : Rn Rm
que cumple las siguientes propiedades:
+
) = T (
) + T (
)
(i) T (
x
x
x
x
1
2
1
2
) = T (
)
(ii) T (
x
x
1
1
,
n
donde R y
x
1 x2 R .
Ejemplos:
1. Consideremos varias funciones T : R R:
a) T (x) = x es tl, pues T (x1 + x2 ) = x1 + x2 = T (x1 ) + T (x2 ) y T (x1 ) = x = T (x).
b) T (x) = x2 no es tl, pues T (x1 +x2 ) = (x1 +x2 )2 , T (x1 )+T (x2 ) = x21 +x22 y, en general, x21 +x22 6= (x1 +x2 )2 .
c) T (x) = sen(x) tampoco es tl, pues sen(x + y) 6= sen(x) + sen(y).
= T a + c, b + d
3(a + c) 2(b + d), (a + c), (b + d)
= 3a 2b, a, b + 3c 2d, c, d
= T a, b + T c, d
T (a, b)
T a, b
3a 2b, a, b
3a 2b, a, b
T a, b
=
=
TA (
x
x
x
x
x
x
1
2
1
2
1
2
A x1 ) + TA (x2 )
y
) = A(
) = A
= T (
TA (
x
x
x
1
1
1
A x1 )
(T1 + T2 )(
x ) = T1 (
x ) + T2 (
x ).
Si u y v son dos vectores de Rn y R, entonces
(i)
(T1 + T2 )(u + v) =
T1 (u + v) + T2 (u + v)
(definicion de T1 + T2 )
=
=
(definicion de T1 + T2 )
(ii)
(T1 + T2 )(u)
= T1 (u) + T2 (u)
(definicion de T1 + T2 )
= T1 (u) + T2 (u)
= (T1 (u) + T2 (u))
= (T1 + T2 )(u)
(definicion de T1 + T2 )
(T )(
x ) = T (
x ).
Si u y v son dos vectores de Rn y R, entonces
(i)
(T )(u + v) =
T (u + v)
=
=
T (u) + T (v)
T (u) + T (v)
(T )(u) + (T )(v)
(definicion de T )
(T es tl)
(definicion de T )
(ii)
(T )(u)
= T (u)
= T (u)
= T (u)
= (T )(u)
(definicion de T )
(T es tl)
(definicion de T )
(S T )(
x ) = S T (
x) .
S T (u + v)
S T (u) + T (v)
S T (u)) + S T (v)
(S T )(u) + (S T )(v)
(definicion de S T )
(T es tl)
(S es tl)
(definicion de S T )
(ii)
(S T )(u) =
=
=
=
S T (u)
S T (u)
S T (u)
(S T )(u)
(definicion de S T )
(T es tl)
(S es tl)
(definicion de S T )
1.3.
Matriz can
onica de una transformaci
on lineal
(1, 0, 0, . . . , 0, 0)
e2
e3
=
=
..
.
(0, 1, 0, . . . , 0, 0)
(0, 0, 1, . . . , 0, 0)
en1
en
=
=
(0, 0, 0, . . . , 1, 0)
(0, 0, 0, . . . , 0, 1)
= T x1 e1 + x2 e2 + + xn en
T (en )
es la matriz can
onica de la transformaci
on lineal T .
Nota : Con esto, hemos probado que hay una relacion de correspondencia una a una entre las matrices y las
transformaciones lineales:
Dada una matriz A se define la transformaci
on lineal TA por TA (x) = Ax.
Dada una tl T podemos considerar su matriz canonica AT que cumple T (x) = AT x.
Ademas, se tiene que si partimos con una matriz A, obtenemos TA y calculamos la matriz canonica de TA , volvemos
a A. Analogamente, si partimos de una tl S, obtenemos su matriz canonica AS y calculamos la tl TAS , volvemos a
S.
Ejemplos:
1. Sea T : R4 R2 la tl definida por
T (x, y, z, t) = (3x + 8y t, 7y + z 2t)
Entonces:
T (e1 ) =
T (1, 0, 0, 0) = (3, 0)
T (e2 ) =
T (e3 ) =
T (0, 1, 0, 0) = (8, 7)
T (0, 0, 1, 0) = (0, 1)
T (e4 ) =
T (0, 0, 0, 1) = (1, 2)
Y la matriz can
onica de T es
A=
3
0
8 0
7 1
1
2
Comprobemos que T (
x ) = A
x para todo
x R4 :
x
3 8 0 1
y = x 3 + y 8 + z 0 + t 1
A
x =
0 7 1 2 z
0
7
1
2
t
3x + 8y t
=
= T (x, y, z, t)
7y + z 2t
5
2. Sea
a = (a1 , a2 , a3 , . . . , an ) Rn , fijo. Entonces la funci
on L : Rn R definida por L(
x) =
a
x es una
tl (Compruebelo). Su matriz can
onica tendra una fila y n columnas:
i
h
i h
B = L(e1 ) | L(e2 ) | | L(en ) = a1 | a2 | | an
a
x
a
S(
x)=
x 2
a
a
donde
a = (2, 1, 1).
31
2
A=
3
32
2
3
2
3
1
3
1
3
2
3
2
3
es la matriz can
onica de S, es decir, S(
x ) = A
x . Ahora, nuestras preguntas se reducen a resolver los sistemas
1
1
3 32 23
3 32 32
x
x
1
2
2
2
1
2
1
2
2
1
y
y
=
=
3
3
3
3
3
3
z
z
3
1
1
2
1
2
2
2
3
31
2
3
23
2
3
2
3
1
3
1
3
2
3
2
3
x
x
y = y
z
z
2
3 32 23 1
3 32
2
1
3
2
2
1
2
1
2 1 0
3
3
3
0
F2 2F1
2
3
1
3
2
3
2 2
3 6
2 1
3
2
0
0
F3 + 2F1
3
2
0 0
1
3
2 0
10
3
0 1
10
3
F1 F2
2
3
F3
1
2
F2
2 5
0 1 3
(3) F1
F3 + 12 F1
3
2
F1 + F3
2 1
0 3
F2 + F3
0
1 10
1
3
1
0 0
2
3
5
1 0
1
3
10
0 1 3
1
y el u
nico
x que cumple S(
x) =
a es
Luego, el u
nico
x que cumple S(
x ) = (1, 2, 3) es
x = 31 , 53 , 10
3
x = (2, 1, 1) = a .
Por u
ltimo, debemos resolver el sistema A
x =
x . Pero no podemos aplicar aqu, nuestro metodo usual
debido a que las variables del sistema se encuentran en ambos terminos de esta ecuaci
on. Debemos ordenar
nuestras ecuaciones:
4
1
1
3 x 23 y + 32 z
x
0
3 x 32 y + 23 z
3 32 23
x
x
2
2
2
1
1
1
2
1
2
y = y
3
3
3 x + 3 y + 3 z = y 3 x 3 y + 3 z = 0
3
z
z
2
2
1
2
1
2
1
1
2
z
0
3
3
3
3x + 3y + 3z
3x + 3y 3z
Ahora resolvemos el sistema homogeneo
4
4
2
3 23
3
3
2
1
1
3 0
3 3
1
2
0
31
3
3
resultante:
2
23
3
2
2
4
0
0
= 3 x 3 y + 3 z = 0 2x + y z = 0
0
0
a
x
a
x
a
=
x
2
a = 0,
S(
x)=
x
x 2
a a
a a
pero como
a = (2, 1, 1) 6= 0 la u
ltima igualdad se cumplir
a si y solo si
a
x = 0, es decir, si y solo si
2x + y z = 0.
2.
Operaciones matriciales
Es esta secci
on definiremos las cuatro operaciones b
asicas que pueden realizarse con matrices: suma, ponderaci
on
por escalar, multiplicaci
on y trasposicion. Veremos que su definicion nace naturalmente de la relacion de las matrices
con las transformaciones lineales.
2.1.
Suma de matrices
i
Ae1 + Be1 Ae2 + Be2 Aen + Ben
i
a1 + b 1 a2 + b 2 an + b n
Ejemplos:
1 2
0
1. Consideramos las matrices A = 3 4 y B = 8
5 6
1
1 2
0
A + B = 3 4 + 8
5 6
1
4
2. Entonces, la matriz suma es
2
4
1
0
2 = 3 + 8
2
5
1
2
4
1 6
4 + 2 = 11 6
6
2
6 8
As, tenemos que la matriz suma A + B se calcula sumando componente a componente los elementos correspondientes de A y de B (como lo hacemos con los vectores).
1 2 7 9 8
2 0 1 1 1
2. Si se sabe que C =
es la matriz canonica de la tl T +S y que D =
0 8 2 4 1
4 2 2 1 4
es la matriz can
onica de T , c
omo podemos determinar la matriz canonica de S?
La respuesta natural es: restando
natural cuando pensamos la suma
1 2
E =C D =
0 8
=
2 4 1
4 2 2 1 4
4 6 0 3 3
1 1 1
As, podemos pensar en inversos aditivos de matrices. Si A =
, entonces su inversa aditiva es
1 1 1
1 1 1
A =
, pues A + (A) = O, donde O es la matriz que solo contiene ceros.
1 1 1
2.2.
Ponderaci
on de matrices por un escalar
h
i
Sea T : Rn Rm una tl con matriz can
onica A = a1 a2 an y sea un n
umero real fijo.
n
m
Ya demostramos que la funci
on T tambien es una tl de R a R . Definiremos A para que sea la matriz
canonica de T . Y como tenemos que (T )(x) = (T (x)) = (Ax), entonces
h
i
A =
(T )(e1 ) (T )(e2 ) (T )(en )
=
i
(Ae1 ) (Ae2 ) (Aen )
i
a1 a2 an
Ejemplo:
3 2
Si A = 0 0
2 2
4 1
8 2 , entonces la matriz 3A es
3 1
9 6
3A = 0 0
6 6
12 3
24 6 .
9
3
Es decir, la ponderaci
on se
componente
a componente, multiplicando cada elemento de la matriz por 3.
realiza
31 32 23
2
2
1
un 13 en todos sus elementos. Entonces
Analogamente, la matriz
3
3 tiene un factor com
3
2
3
1
3
2
3
31
2
3
2
3
23
2
3
2
3
1
3
1
3
2
3
1
= 2
3
2
2 2
2
1
La ponderaci
on de una matriz por un escalar, satisface propiedades analogas a las de la ponderaci
on de vectores
de Rn .
Propiedades de la ponderaci
on escalar de matrices
Consideramos solo matrices de m n, y son escalares.
1. ( + )A = A + A.
2. (A + B) = A + B.
3. ()A = (A) = (A).
4. 1A = A, (1)A = A y 0A = O.
2.3.
Multiplicaci
on de matrices
=
=
i
T S(e1 ) T S(e2 ) T S(en )
i
T (Be1 ) T (Be2 ) T (Ben )
i
T (b1 ) T (b2 ) T (bn )
9
i
Abn
Ejemplos:
1 4
1 3
1. Consideremos las matrices A =
,B=
8 2
2 0
2
2
1 4
yC=
1
0 6
9
8
6
1
1
.
0
5
Los productos posibles de realizar son: AB, CA y CB. Calculemos cada uno de ellos.
3
1
4
9 3 1 28
1 3 1 4
1
A
A
A
=
AB = A
= A
0
0
6
12 24 8 44
2 0 0 6
2
1
CA = C
8
4
1
4
= C
C
2
8
2
Notemos que para multiplicar C por cada columna de A, realizaremos el producto punto de cada fila de C
con la columna correspondiente de A. Es decir,
2 6
21+68
50
2 1 2 1 + 1 8 10
1
1
1 1
1 1 + 1 8
C
=
=
=9
8
8
9 0
9 1 + 0 8 9
8 5
81+58
48
Analogamente,
50
10
Entonces CA =
9
9
48
20
10
6
.
36
42
2
2
4
C
=
1
2
9
8
6
24+62
20
2 4 + 1 2 10
1
1
2 = 1 4 + 1 2 = 6
9 4 + 0 2 36
0
5
84+52
42
10
As, podemos notar que el elemento en el lugar (i, j) de la matriz CA es el producto punto de la fila i-esima de
C por la columna j-esima de A. Por ejemplo, el 6 que est
a en la posicion (3, 2) de la matriz CA es el producto
punto de la fila 3 de C por la columna 2 de A: (1, 1) (4, 2) = 6.
Multipliquemos, C por B usando este
2
2
CB =
1
9
8
enfoque.
6
14 6 2
4 6 2
1
1 3 1 4
1
2 0 0 6 = 3 3 1
9 27 9
0
5
18 24 8
1
1 2 3
2. Consideremos las matrices J =
y K = 3
4 5 6
5
44
14
10
36
62
2
4.
6
En este caso realizar tanto el producto KJ como el producto JK, pero claramente estos productos seran
distintos, pues:
J23 K32 = (JK)22
K32 J23 = (KJ)33
Calcule ambos productos.
2 4 0
2 1
3. Consideremos las matrices D = 1 1 1 y E = 9 0.
0 5 4
2 4
Existe una matriz X tal que DX = E?
Si existiera tal matriz X, debera tener 3 filas y 2 columnas (por que?). Describamos la matriz desconocida
X por columnas:
i
h
X = x1 x2 ,
Y comparando cada columna, tenemos que para encontrar la matriz X basta resolver los sistemas de ecuaciones
Dx1 = 9
Dx
=
0
1 1
2 4 0 2 1
1 1 1 9 0 2 4
0 5 4 2 4
0 5
1 1
0 1
0 5
1
9
1 8
2
4
1 9
0 2
4 2
1
0
1 0
4
0
1
0
1
2
4
0
0
11
1
1
9 0
2 2 16 1
2 4
5
4
9
1
1
1 1 8
1
2
3
2
42
Por tanto, s existe una matriz X tal que DX = E, pues ambos sistemas son compatibles. Como ambos
sistemas son determinados, sabemos que existe una u
nica matriz X que satisface esta ecuaci
on matricial. Para
determinarla, llevamos ambos sistemas a su forma escalonada reducida:
13
23
1 0 0
61
56
1 1 0
3
3
10
10
2
2
3 0 1 0 3
3
0 1 0 3
42
1
42
1
0 0 1
0 0 1
9
6
9
6
Luego,
23
3
10
X=
3
42
9
65
2
3
1
6
Nota : La multiplicaci
on de dos matrices A y B tiene tres formas de calcularse (y considerarse) seg
un las necesidades
de cada problema:
(i) Multiplicar la matriz A por cada columna de B, obteniendo las columnas de AB.
(ii) Hacer el producto punto de la fila i de A por la columna j de B, obteniendo el elemento (i, j) de AB.
(iii) Multiplicar la fila i de A por la matriz B, obteniendo la fila i de la matriz AB. Pero esto no quedara formalizado
hasta que revisemos el concepto de matrices transpuestas.
Definici
on: Sea n N. La matriz In de n n se conoce como la matriz identidad de orden n. Los elementos
de In son iguales a 1 en la diagonal principal de la matriz (los elementos de las posiciones (i, i)) y son iguales a 0
en el resto de la matriz. Es decir, la matriz In tiene como columnas a los vectores can
onicos de Rn :
h
i
In = e1 e2 en .
1
Ejemplos: I1 = (1), I2 =
0
1 0
0
, I3 = 0 1
1
0 0
0
0
1
Propiedades de la multiplicaci
on de matrices
Asuma en cada caso que todas las matrices presentes pueden ser operadas entre s.
1. A(BC) = (AB)C.
2. A(B + C) = AB + AC, (A + B)C = AC + BC.
3. (AB) = (A)B = A(B), donde R.
4. OA = AO = O.
5. AIn = A, Im A = A, donde A es de m n.
Advertencias sobre la multiplicaci
on de matrices
umeros (obvio!). Por tanto, la multiplicacion de matrices NO cumple propiedades b
asicas
Las matrices NO son n
de los n
umeros reales.
1. En general, AB 6= BA. La multiplicaci
on de matrices NO es conmutativa.
2. En las matrices NO hay leyes de cancelacion. Es decir, la igualdad AB = AC NO implica que B = C. De
igual manera, la igualdad AB = CB NO implica A = C.
3. En la multiplicaci
on de matrices hay divisores del cero. Es decir, la igualdad AB = O NO implica que A = O
o B = O.
12
2.4.
La matriz transpuesta
Definici
on: Sea A una matriz de m n. Se define la matriz transpuesta de A, que anotamos AT , como aquella
de n m que se obtiene de intercambiar las filas y las columnas de A.
Ejemplos:
1 4
1 2 3
Si A =
, entonces AT = 2 5.
4 5 6
3 6
4
T
transpuestos. As, si
v =
6, entonces v = 1 4 6 9 .
9
vT = 1 4 6 9
v =
6 = (1, 4, 6, 9) y
9
3
1 2 5 7 9
2 = (1 1 + 2 (3) + 5 2 + 7 2 + 9 1)
2
1
Propiedades de la transposici
on
Consideramos matrices que puedan ser operadas en cada caso.
1. (AT )T = A.
2. (A + B)T = AT + B T .
3. (A)T = AT , donde R.
4. (AB)T = B T AT
13
2.5.
La notaci
on A = (aij )
.
.
.
am1 am2 am3 amn
Abreviaremos a
un mas esta notaci
on y comenzaremos a anotar
,
A = aij
mn
donde i = 1, 2, 3, . . . , m y j = 1, 2, 3, . . . , n.
As, el elemento aij estar
a en la posicion (i, j), es decir, aij est
a en la fila i-esima y en la columna j-esima de A.
De esta manera, por ejemplo, la matriz identidad de orden 5 se anota
I5 = ij
55
donde ij =
si i = j
si i 6= j
i si i < j
2i + j si i > j
bij =
3 si i = j
Tendremos que
3
5
B=
9
11
13
15
1
3
8
10
12
14
16
1
2
3
20
1 1 1
2 2 2
3 3 3
11 3 4
13 14 3
15 16 17
17 18 19
donde hemos marcado en azul todos los elementos bij para los que se cumple que i < j, en verde todos los elementos
en que i > j y en rojo los elementos de la diagonal principal, es decir, aquellos en que i = j.
Queremos establecer f
ormulas para las distintas operaciones matriciales, usando esta notaci
on.
Suma de matrices
Si A = (aij )mn y B = (bij )mn , entonces
A + B = aij + bij
mn
A = aij
14
mn
n
X
aik bkj .
k=1
aij
mn
yB=
bij
np
(AB)T = BT AT .
n: El elemento cij de la matriz C = AB = (cij )mp es
Solucio
cij =
n
X
aik bkj .
k=1
n
X
ajk bki .
k=1
T
Ahora consideramos la matriz D = Bpn
ATnm = (dij )mp . El elemento dij de esta matriz es:
dij =
n
X
k=1
ebik e
akj =
n
X
bki ajk =
k=1
n
X
k=1
As, los elementos correspondientes de las matrices C T y D son iguales, es decir, C T = D, por tanto,
(AB)T = B T AT .
15
2. Sean p1 , p2 , . . . , pn y q1 , q2 , . . . , qn n
umeros reales fijos (2n n
umeros). Se define la matriz
C = cij
nn
k=1
k=1
n
X
k=1
k=1
n
umeros fijos), entonces tendremos que
zij = cij
lo que significa que
C 2 = (zij )nn = ( cij )nn = (cij )nn = C.
3.
Definici
on: Sea T : Rn Rm una tl. Se definen los conjuntos:
(i) El N
ucleo de T o Kernel de T como el subconjunto de Rn dado por
Ker(T ) = {
x Rn : T (
x)= 0}
(ii) La imagen de T como el subconjunto de Rm definido por
Im(T ) = Rec(T ) = {
y Rm :
x Rn T (
x)=
y}
16
As,
y Im(T ) x0 Rn T (x0 ) = y
x0 Rn Ax0 = y
El sistema Ax = y es compatible
y es combinaci
on lineal de las columnas de A
Por tanto, Im(T ) es el conjunto generado por las columnas de A.
Ejemplo: Sea T : R4 R3 la tl definida por
T (x, y, z, t) = (4x 2y + t, x + y z + 2t, x y + z + t).
Determinemos un conjunto de vectores li que genere Ker(T ) y otro conjunto de vectores li que genere Im(T ).
Para determinar Ker(T ) e Im(T ), obtengamos la matriz canonica de T :
A=
4
= 1
1
2
0 1
1 1 2
1
1 1
Pero las cuatro columnas de A son vectores de R3 y, por tanto, no pueden ser li (recordemos que en Rn los conjuntos
con vectores li pueden tener a lo mas n elementos). Para saber que columnas de A son li, debemos pivotear A.
Entonces:
4 2
0 1
1 1
1 1
1
1 1 2 F1 F3 1
1 1 2 F2 F1
1 1
1 1
4 2
0 1
F3 4F1
1 1
1
1
1 1
1
1
0
2 2
1
0
2 2
1
0
2 4 3
F3 F2
0
0 2 4
As, tenemos que las primeras 3 columnas de A son li, mientras que la cuarta columna depende linealmente de las
dem
as (debido a que queda sin pivote en la forma escalonada).
Luego, {(4, 1, 1), (2, 1, 1), (0, 1, 1)} es un conjunto de vectores li que genera Im(T ).
Ademas, con la escalinada podemos resolver el sistema Ax = 0, que nos queda
x y + 2z + t = 0
13
t
2y 3z + t = 0
= z = 4t = 2y + 12t + t = 0 = y =
2
z 4t = 0
13
t
t 8t + 8 = 0 = x =
2
2
13
1 13
t
,
t, 4t, t = t
, , 4, 1 y
As, (x, y, z, t) =
2
2
2
2
1 13
, , 4, 1
Ker(T ) =
2
2
1 13
es un conjunto de vectores li (un u
nico vector distinto de cero) que genera
, , 4, 1
Claramente,
2
2
Ker(T ).
Entonces, x +
17
Definici
on: Sea T : Rn Rm una tl y A su matriz can
onica asociada.
1. T (y su matriz A) ser
a 1-1(se lee uno a uno) o inyectiva si y s
olo si x Rn y Rn
T (x) = T (y) = x = y.
2. T (y su matriz A) ser
a sobre o sobreyectiva si y s
olo si Rec(T ) = Rm .
Las definiciones de inyectiva y sobreyectiva para la funci
on T son las usuales. La novedad se relaciona con la
definicion de matrices 1-1 y sobre. Los siguientes teoremas cada uno de estos tipos de matrices (y de transformaciones
lineales).
Teorema. Sea T : Rn Rm una tl con matriz can
onica A. Entonces las siguientes afirmaciones son equivalentes:
(1 ) T (y su matriz A) es 1-1.
(2 ) Ker(T ) = {0}.
(3 ) Ax = 0 tiene soluci
on u
nica.
(4 ) Las columnas de A son li.
(5 ) Si b Im(T ), entonces Ax = b tiene soluci
on u
nica.
(6 ) r(A) = n.
Demostraci
on. Probaremos una a una las equivalencias, partiendo por las mas obvias.
(2 ) (3 ) Esta equivalencia es directa, pues Ker(T ) contiene las soluciones del sistema Ax = 0.
(3 ) (4 ) Las soluciones del sistema Ax = 0 entregan todas las posibles formas de escribir el vector 0 como
combinaci
on lineal de las columnas de A. Por tanto, el hecho de que Ax = 0 tenga solucion u
nica
equivale a que 0 se escribe de una u
nica manera como cl de las columnas de A (la forma trivial, con
todos los coeficientes iguales a cero) lo que a su vez equivale a que las columnas de A sean li.
(4 ) (6 ) Recordemos que r(A) corresponde al n
umero de pivotes que tiene F E(A) y que las columnas de A que
son li son justo aquellas que quedan con pivote al escalonar A. Resulta obvio, entonces, que
r(A) = n Las n columnas de A son li.
(3 ) (5 ) Supongamos que el sistema Ax = 0 tiene solucion u
nica (que debe ser la solucion trivial x = 0). Entonces,
S0 = {0}. Ademas sabemos que si tenemos una solucion particular xp de un sistema Ax = b, entonces
el conjunto de soluciones de este sistema es
S = xp + S0 = xp + {0} = {xp }.
As, si el sistema Ax = b es compatible, entonces tiene solucion u
nica. Pero recordemos que Ax = b
es compatible si y solo si b Im(T ). Con esto hemos probado que (3 ) (5 ). La otra implicacion es
directa, pues siempre tenemos que 0 Im(T ) (recordemos que T (0) = 0), por tanto, si suponemos que
(5 ) es cierta, entonces Ax = 0 tiene solucion u
nica. Es decir, (5 ) (3 ).
(1 ) (2 ) Supongamos que T es 1-1. Entonces x, y Rn T (x) = T (y) = x = y. En particular, si x Ker(T ),
tenemos que T (x) = 0 = T (0). Luego, T (x) = T (0) = x = 0. Es decir, el u
nico elemento del n
ucleo de
T es el vector cero. Y hemos probado (1 ) (2 ).
Para probar la otra implicacion, supongamos que Ker(T ) = {0} y que T (x) = T (y). Debemos concluir
que x = y. Pero
T (x) = T (y) = T (x) T (y) = 0 = T (x y) = 0 = x y Ker(T ) = {0} = x y = 0
18
Es decir, x = y.
Con esto concluimos la demostracion del teorema.
Teorema. Sea T : Rn Rm una tl con matriz can
onica A. Entonces las siguientes afirmaciones son equivalentes:
(1 ) T (y su matriz A) es sobre.
(2 ) Im(T ) = Rm .
(3 ) Ax = b es compatible para todo b Rm .
(4 ) Los sistemas Ax = e1 , Ax = e2 , . . . , Ax = em son compatibles.
(5 ) Las filas de A son li.
(6 ) r(A) = m.
Demostraci
on. Probaremos una a una las equivalencias, partiendo por las mas obvias.
(1 ) (2 ) Como la imagen de T coincide con su recorrido, esta equivalencia es directa de la definicion de sobreyectividad.
(2 ) (3 ) Como Ax = b es compatible si y solo si b Im(T ), esta equivalencia es directa.
(5 ) (6 ) Las filas de A son ld si y solo si existe una cl no trivial de ellas 1 f1 + 2 f2 + + m fm = 0 y podemos
asumir que m 6= 0 (si es otro el coeficiente distinto de cero, hacemos una operaci
on de permutacion).
Haciendo la operaci
on m Fm y luego la operaci
on Fm 1 F1 , luego, Fm 2 F2 , luego Fm 3 F3 ,
etc., la u
ltima fila de la matriz resultante sera nula (solo contiene ceros). Hemos probado que
Las filas de A son ld r(A) < m
x
e = b1 x1 + b2 x2 + + bm xm Rn ,
Ae
x = A(b1 x1 + b2 x2 + + bm xm ) = b1 Ax1 + b2 Ax2 + + bm Axm = b1 e1 + b2 e2 + + bm em = b,
en otras palabras, x
e es una solucion de Ax = b. Con esto probamos (4 ) (3 ).
19
Axj = ej
f1
f2
..
.
fj
..
.
fm
..
xj =
..
fi xj = ij =
f1 xj
f2 xj
..
.
fj xj
..
.
fm xj
0
0
..
.
=
1
.
..
0
1 si i = j
0 si i 6= j
Queremos demostrar que las filas de A son li. Para esto, consideremos el vector cero escrito como cl de
ellas:
1 f1 + 2 f2 + + m fm = 0
Hacemos el producto punto de cada termino por xj (para j = 1, 2, . . . , m):
(1 f1 + 2 f2 + + m fm ) xj = 0 xj
= 1 f1 xj + + j fj xj + + m fm xj = 0
| {z }
| {z }
| {z }
0
= j = 0
4.
Matrices inversas
Definici
on: Sea A una matriz de m n. Diremos que:
1. A tiene inversa por la derecha si existe una matriz X de n m tal que
AX = Im .
2. A tiene inversa por la izquierda si existe una matriz Y de n m tal que
Y A = In .
Nota 1: Toda matriz X que cumpla AX = I se llama inversa por la derecha de A. Toda matriz Y que cumpla
Y A = I se llama inversa por la izquierda de A. Las inversas por derecha o por izquierda de A, si existen, no son
u
nicas.
Nota 2: En terminos de transformaciones lineales, tambien podemos hablar de inversas por la derecha y por la
izquierda. Si T : Rn Rm es una tl con matriz canonica A, entonces:
Cuando A tiene una inversa por la derecha X, existe una tl S : Rm Rn (la tl asociada a X) tal que
T S : Rm Rm es la funci
on identidad en Rm , es decir, x Rm
(T S)(x) = x.
20
Cuando A tiene una inversa por la izquierda Y , existe una tl R : Rm Rn (la tl asociada a Y ) tal que
R T : Rn Rn es la funci
on identidad en Rn , es decir, y Rn
(R T )(y) = y.
A continuacion caracterizaremos las matrices que tienen inversas por derecha y aquellas que tienen inversas por
izquierda.
Teorema. Sea A una matriz de m n. Entonces
A tiene inversa por la derecha A es sobre
Demostraci
on.
A tiene inversa por la derecha
AT es sobre.
A es 1-1
Con todos estos resultados, sabemos que calculando el rango gaussiano de la matriz A podemos determinar de
forma inmediata si A tiene inversa por derecha o por izquierda: si todas las filas de F E(A) tienen pivote, entonces
A tiene inversa por la derecha y si todas las columnas de F E(A) tienen pivote, entonces A tiene inversa por la
izquierda. Esto nos permite concluir lo siguiente:
Corolario. Sea A una matriz de m n. Entonces:
Si A tiene inversa por la derecha, entonces m n.
Si A tiene inversa por la izquierda, entonces n m.
Si A tiene inversa por la derecha y por la izquierda, entonces m = n.
Demostraci
on. Las primeras dos afirmaciones se concluyen facilmente, pues en Rp los conjuntos de vectores li
tienen, a lo mas, p elementos. La u
ltima afirmaci
on es una consecuencia de las otras dos.
21
Nota de Alerta: No estamos diciendo que toda matriz con mas columnas que filas tiene inversa por la derecha.
Pues esto es falso. Por ejemplo, la matriz
1 2 0 0 5
0 3 1 0 1
0
0 0 0 0
cumple que m n (pues m = 3 y n = 5), pero su rango no es igual a m, por tanto, la matriz no tiene inversa por
la derecha.
S podemos concluir del corolario, por contrarrecproco, que las matrices anchas (con mas columnas que filas)
nunca tienen inversas por la izquierda y que las matrices largas (con mas filas que columnas) nunca tienen inversas
por la derecha. El estudio de las matrices cuadradas y sus inversas se har
a en la siguiente secci
on.
4.1.
4.1.1.
C
alculo de inversas
Inversas por la derecha
1 2 3 4
Determinemos si la matriz A = 1 1 2 1 tiene inversa por la derecha (sabemos que como tiene mas
1 0 0 1
columnas que filas, no tiene inversa por la izquierda), pivote
andola:
1 2 3 4
1 2
3
4
1 2
3
4
A = 1 1 2 1 0 1 1 3 0 1 1 3 = r(A) = 3 = m
1 0 0 1
0 2 3 3
0 0 1 3
A tiene inversa por la derecha.
Para determinar una matriz X de 4 3 tal que AX = I3 , describamosla por columnas:
i
h
X = x1 x2 x3
Entonces:
h
AX = I3 A x1
x2
x3
e1
e2
e3
Ax1
Ax2
Ax3
e1
e2
e3
1 2 3 4 1 0 0
1
2
3
4
1 0 0
1 1 2 1 0 1 0 0 1 1 3 1 1 0
1 0 0 1 0 0 1
0 2 3 3 1 0 1
1
0 0
1
0
0
1 2 3
4
1
2
3
4
1 0 0 1 1
3
1 1
0
0 1 1 3 1
1 2 1
2 1
0
0 1
3
0 0 1 3 1
1 2 0 13
1 0 0
1
4 6
3
4 8
5
0
1 1 0 1 0
0
1 1
6
6
0 1 0
0 0 1 3 1
2 1
0 0 1 3 1
2 1
Entonces, cada uno de los sistemas tiene infinitas soluciones con una variable libre. Tenemos, entonces, infinitas
matrices X. Determinemos cada una de sus columnas:
a1
4 d1
1
4
b1
6
6d1
0
x1 =
c1 = 1 + 3d1 = 1 + d1 3
d1
1
d1
0
22
Luego,
0
24
X1 =
11
4
a2
8 d2
b2 1 6d2
x2 = =
c2
2 + 3d2
d2
d2
5 d3
a3
b3 1 6d3
x3 =
c3 = 1 + 3d3
d3
d3
4 d1
6d1
X =
1 + 3d1
d1
8
1
1
6
=
2 + d2 3
0
1
1
5
6
1
=
1 + d3 3
1
0
5 d3
1 6d3
1 + 3d3
d3
8 d2
1 6d2
2 + 3d2
d2
7
3
7 13
1
5
1
2
4
0
X2 =
1
0
8 5
1 1
2 1
0
0
1
10
4
18 11 19
X3 =
8
8
2
3
2
1
El metodo general para encontrar todas las inversas por la derecha de una matriz A de m n con r(A) = m
consiste en resolver simult
aneamente los m sistemas: Ax = e1 , Ax = e2 , . . . , Ax = em , es decir, se debe encontrar
F ER(A|Im ).
4.1.2.
1 2
Determinemos si la matriz A = 2 3 tiene inversa por la izquierda:
1 1
1 2
1 2
1 2
A = 2 3 0 1 0 1 = r(A) = 2 = n
1 1
0 1
0 0
y1
y2
y resolvemos los sistemas AT y = e1 y AT y = e2 , para lo cual debemos escalonar la matriz ampliada (AT |I2 ):
1 2 1 1 0
1 0
0
2
1
2
1
1 2 1 1
1 0 1 3
2 3 1 0 1
0 1 1 2 1
0 1 1 2 1
0 1
1
2 1
Luego,
a
3 + c
3
1
y1 = b = 2 c = 2 + c 1
c
c
0
1
0
a
2 + c0
2
1
y2 = b0 = 1 c0 = 1 + c0 1
c0
c0
0
1
23
Por tanto,
Y
3 + c
= 2c
c
2 + c0
3 + c
0
1 c
= Y =
2 + c0
c0
2c
1 c0
c
c0
En general, el metodo para determinar las inversas por la izquierda de una matriz A de m n con r(A) = n
consiste en calcular las inversas por la derecha de AT y luego, transponerlas. En este caso, se debe pivotear la matriz
ampliada (AT |In ).
5.
Ya sabemos que si una matriz A tiene inversas por la derecha y por la izquierda, entonces es una matriz cuadrada
(mismo n
umero de filas que de columnas). Pero no todas las matrices cuadradas tienen inversas. Por ejemplo, la
matriz
1 1 1 1 1
2 2 2 2 2
3 3 3 3 3
4 4 4 4 4
5 5 5 5 5
no tiene inversa por la derecha, pues sus filas son ld y como las tres columnas son iguales (tambien son ld), tampoco
tendra inversa por la izquierda.
Con todo lo que ya sabemos de la existencia de matrices inversas para matrices de cualquier tipo (no necesariamente cuadradas), podemos probar f
acilmente las siguientes propiedades de las matrices cuadradas. Sea A una
matriz de n n. Entonces:
1. A tiene inversa por la derecha si y solo si A tiene inversa por la izquierda.
A tiene inversa por la derecha
r(A) = n = n
umero de filas
r(A) = n = n
umero de columnas
A tiene inversa por la izquierda
Definici
on: Sea A una matriz cuadrada de orden n (es decir, de n n) con r(A) = n. Entonces la u
nica matriz
inversa por la derecha de A se llama simplemente la inversa de A y se anota A1 . Entonces A1 es la u
nica
matriz que cumple
AA1 = A1 A = In
Las matrices cuadradas que tienen inversa se dicen invertibles.
24
1
2. Si A es invertible y 6= 0, entonces A tambien es invertible y A
=
A1 .
Reuniremos en un teorema todas las formas de reconocer una matriz invertible. La demostracion no es necesaria,
pues ya lo hemos probado todo para matrices inversas por la derecha o por la izquierda.
Teorema. Sea A una matriz cuadrada de orden n asociada a la tl T : Rn Rn . Entonces las siguientes
afirmaciones son equivalentes:
1. A es invertible.
2. A tiene inversa por la derecha.
3. A tiene inversa por la izquierda.
4. T es una biyecci
on.
5. T es inyectiva.
6. T es sobreyectiva.
7. Las filas de A son li.
8. Las columnas de A son li.
9. El sistema Ax = 0 tiene soluci
on u
nica.
10. El sistema Ax = b tiene soluci
on u
nica para todo b Rn .
11. La forma escalonada reducida de A es In .
12. r(A) = n.
Nota : Si A es invertible y est
a asociada a la transformaci
on lineal T : Rn Rn , entonces, claramente, la matriz
1
n
n
A estar
a asociada a una tl S : R R que cumple
x Rn (S T )(x) = x = (T S)(x)
Es decir, S es la funci
on inversa T 1 .
Con esto hemos probado que si T (x) = Ax y A es invertible, entonces T 1 (x) = A1 x y tenemos tambien que
1
T
es una tl.
La u
ltima pregunta pertinente es:
C
omo se calcula la inversa de una matriz A cuadrada invertible?
Bueno, la respuesta es muy simple. S
olo debe encontrarse su inversa por la derecha o por la izquierda con los
metodos usuales. En general, uno siempre prefiere encontrar la inversa por la derecha. De esta manera, debemos
escalonar la matriz ampliada (A|In ) y como A es invertible, tenemos que F ER(A) = In . As, tendremos que llegando
a la escalona reducida da la ampliada habremos encontrado explcitamente nuestra matriz inversa:
(A|In ) (In |A1 )
25
x
2
0
0
y
0 1
0
3
1
T (x, y, z, t) =
0 1 1 2 1 z
t
2
0
donde es un n
umero
real. Queremos saber
2
0
0
0 1
0
3
1
Si ponemos A =
0 1 1 2 1
2
0
transformaci
on lineal.
1
para
que valores de existe la tl T .
2
0
0
0 1
0
3 1
A=
0 1 1 2 1
F4 F1
2
0
2
0
0
0 1
0
3
1
0 0 1
0 0
0
A es invertible. Pero,
2
0
0
0 1
0
3
1
0 1 1 2 1
0 0
0
F3 F2
Entonces, como A es invertible si y solo si r(A) = 4, necesitamos que todos los elementos de la diagonal principal
de A sean pivotes (o sea, n
umeros distintos de cero). Para esto, requerimos que 6= 0 y que 1 6= 0. Entonces
T 1 existe si y solo si 6= 0 y 6= 1.
Ahora, tomemos = 1 y encontremos T 1 (a, b, c, d). Para esto, basta calcular A1 , pues
a
1
1 b
T (a, b, c, d) = A
c
d
1 2
0
0 1 0 0 0
0
1
0 4 0 1 0 0
(A|I4 ) =
0
1 2 3 0 0 1 0
F4 F1
1 2
0 1 0 0 0 1
1 2
0
0
1 0 0 0
0
0 1 0 0
1
0
4
0
1 2 3
0 0 1 0 F3 F2
0
0
0 1 1 0 0 1
1
0 0 0
1 2
0
0
0
1
0 4
0
1 0 0
F2 4F4
0
0 2
1
0 1 1 0 F3 + F4
0
0
0 1 1
0 0 1
F1 + 2F2
1
0 0
0
1 2
0
0
0
4
1
0
4
1
0
0
0
0 2
0 1 1 1
1
0
0
0 1 1
0 0
1
26
Entonces A1
1 0
0
0
9
2
0 1
0
0
4
1
0 0 2
0 1 1
0
0 0
0 1 1
0
1 0 0 0 9 2
0 1 0 0
4
1
0
1
1
0 0 1 0
21
2
2
1
0
0
0 0 0 1
9 2
0
4
1
0
=
1
1
12
2
2
1
0
0
8
4
y
12
1
9 2
0
4
1
0
1
T (a, b, c, d) =
1
1
21
2
2
1
0
0
27
F1 (1)
0 8
0 4
1
1 F3 21
F4 (1)
0
1
8
4
= (I4 |A1 )
12
1
a
8
b
4
.
21 c
1
d
MAT1203 Algebra
Lineal
Gua N 3 Transformaciones lineales y matrices
si i j
j
c) C = (cij )37 , donde cij =
j
i
+
si i < j
2
2
y [x] es la parte entera de x (es decir, es el mayor entero menor o igual a x).
1 si i j + 3 = 0
1 si i = j
d ) D = (dij )nn , donde dij =
1
3
B= 5
..
.
de la matriz
2
4
6
..
.
2n 1 2n
3
5
7
..
.
..
.
2n + 1
n
n+2
n+4
..
.
3n 2
nn
28
9. Determine la relaci
on que deben tener los n
umeros reales p y q para que las matrices A =
1 1
B=
conmuten.
1 2
p
q
q
y
2p
n
X
aii .
i=1
0
b) A = 0 0 ( R).
0
1 0 0
17. Calcule A100 si A = 1 0 1.
0 1 0
(
18. Sea A = (aij )nn , donde aij =
d ) A = 0
0
c) A =
1
0
( R).
( R).
0
si i + 1 = j
. Pruebe que An = O y An1 6= O.
si i + 1 6= j
1
0
20. Sean A =
0
0
0
1
1
0
0
0
1
1
1
0
0
1
1
1
1
0
1
2 1
1 2
1
1
y B = 0 1
0 0
1
1
0 0
0
1
2
1
0
0
0
1
2
1
0
0
0
. Determine una matriz X tal que AX = B.
1
2
21. Para cada una de las siguientes matrices, determine si tiene inversa por la derecha y/o inversa por la izquierda.
1 0 1 1 1
0
4
5
4
3
3
1 1 1 1 3
0 12 15
9
13 13
a) A =
d) A =
1 1 1 3 0
0
8
10
8
0
0
0 20 25 19
7
7
1 2 1 3 4
1 2
1
2
1 1 1 1 1
1 7
3
2
1 2 2 2 2
3
1
9
6
e) A =
1 2 3 3 3
5 0 19 10
b) A = 1 2 3 4 4
5 0 19 10
.. .. .. .. . .
.
. . . .
. ..
1
0
0
0 0 0 0 0 0 0
1 2 3 4 n nn
1
0
0 0 0 0 0 0 0
2
2
1
0 0 0 0 0 0 0
3
1
0
0
0
3
2
1 0 0 0 0 0 0
4
1
0
0
5
4
3
2
1
0
0
0
0
0
f
)
A
=
5
4
3 2 1 0 0 0 0
6
a
1
0
c) A = a
15
13
11
9
7
5
3
1
0
0
..
..
..
..
..
.
7
6
5 4 3 2 1 0 0
8
.
.
.
9
8
7
6 5 4 3 2 1 0
an an1 an2 1 nn
10
9
8
7 6 5 4 3 2 1
(a R).
22. Demuestre que si X es una inversa por derecha de A, entonces el sistema Ax = b es compatible y una solucion
particular de el es xp = Xb.
23. Demuestre que si Y es una inversa por izquierda de A y el sistema Ax = b es compatible, entonces su solucion
es u
nica y est
a dada por xp = Y b. Pruebe, mediante un ejemplo, que es posible que una matriz A tenga una
inversa por izquierda y que, al mismo tiempo, exista un b tal que Ax = b es incompatible.
1 2
3 0
0 2. Determine los valores del par
24. Sea A = 1 1
ametro real p para que:
1 1 6 p
a) A tenga inversa por derecha.
1 1 0
1
k
25. Sea A = k
1 1 k
todos aquellos valores de
izquierda.
k
1, donde k es un par
ametro real. Encuentre una inversa por derecha de A para
0
k para los cuales esto sea posible.
26. Demuestre que si una matriz cuadrada tiene una fila de ceros o una columna de ceros, entonces no es invertible.
27.
28.
30
d ) Sean A, B, C tres matrices de orden n n, tales que A, B son simetricas y A es invertible. Demuestre
que la matriz C T (A1 + B)C es simetrica.
29. Sea A una matriz no nula de orden n n. Se definen B = kA + I y C = A2 A + I. Encuentre k R tal que
B 1 = C cuando
a) A2 = 3A
b) A2 = O
AB T
1 AT B
31. Sea A, B, C, D y E matrices de n n tales que A y C D son matrices invertibles. Encuentre matrices X e
Y tales que
AX + AY = B
XC + Y D = E
1 0
k
32. Para cada k R, se define Ak = k 1 21 k .
0 0
1
a) Demuestre que para todo par de reales p, q se tiene que Ap Aq = Ap+q .
Calcule A1 .
1
2
3
1
2
3
1 1
1
0
5
3
1
3
0
8
2 2
A = 0
0
1 1 1
2
1 3 3 1
0
1 1
0
1
0
0
0
1
0
0 1 1
0
3 3
0
0
2
1
1 i=j
1 i = j + 1
aij =
y bij = i
0 en otro caso
k
a) A = 0
1
k
b) A = 0
k
0 1
3
k
2
k 0
c) A = 5 k + 5 5
0 k
1
3
1k
1 0
k
0
k
1 k
d ) A = 2k k k
0 1
1 k 1
31
Respuestas:
1. A =
D=
3
0
8
25
8
3
5
3
15
4
7
4
3
2
1
0
0
0
..
.
0
1
0
0
..
.
0
0
1
0
..
.
15
6
, B =
73
0
1
0
0
1
..
.
0
1
0
0
..
.
0
0
1
0
..
.
0
0
0
1
..
.
2. B = (2i + j 2)nn .
,C=
3
13
21
53
23
1
3
15
31
0
0
0
0
..
.
1
2
3
1
1
1
1
2
1
2
3
3
2
3
3
3
4
4
3
4
4
.
..
.
0
1
2
1
3
5
0
0
0
6. b. L : 6x y = 0
7. No
8. a. A =
4
5
1
1
(24, 27).
y T (x, y) = A
x
x + 4y
=
b. Un triangulo cuyos vertices son (3, 3), (2, 4) y
y
x + 5y
9. p = q.
10. No existen.
15
11. M u = 15, uT M = (15 15 15), M B =
15
15
15
15
15
15
15
15
15
15
, BM M B = O y
1 T
45 u M u
= 1.
2
15. Los posibles valores de k y d son: (k, d) = (1, 0), (k, d) = (1, 0), (k, d) = 2n
n , n y (k, d) =
!
n1 n1
n
2n1 n
0
2n1 n
2
2
n n1
n
n
n
0
0
16. a. A = 2n1 2n1 b. A =
c. An = 0
n
2n1 n
d. An =
100
17. A
1
50
50
n n
n
X
i n
i=1
n
0
0
0
0
1
0
0
0
1
n n
n
2
n2
n , n
.
2n1 n
1 1 1 0
0
1 1 1 1 0
1 1 1
20. X =
0 1
0 0
1
1 1
0 0
0
1
2
21. a), d), e) No tienen inversas por laderecha ni por la izquierda b), c), f ) Tienen inversas por la derecha y
por la izquierda.
24. a. A tendra inversa por derecha cuando p 6= 6. b. A no tiene inversa por izquierda pues tiene menos filas que
columnas.
32
2
1+k
1k
1
1+k
1
1+k
1
1+k
1
1+k
0
0
27. a. A1 = A3 + A2 + A I. b. B 1 = B 3 . No.
28. a. k =
1
0
1
2
1
0
1
1
29. a. k = 72 b. k = 1.
31. X = A1 B (A1 BC E)(C D)1 , Y = (A1 BC E)(C D)1 .
32. b. Ak es simetrica cuando k = 0 y nunca es antisimetrica. c. Ak1 = Ak .
2 7 2 0 4
2 5 3 1 3
1
33. A = 1 0 8 2 2.
8 3
7
3
2
7 7
10
2
0 0 1
7
7
35. a. k 6= 0, 1, 1 b. k 6= 0, 1 c. k 6= 2, 5 d. k 6= 0
33
1
1n .
1
0
0
1