Matrices

Como se ha visto en la sección anterior, las matrices son de gran utilidad en el sentido de la repre-
sentación, se pudo evidenciar que todo SEL de tamaño m × n se puede representar por medio de una
matriz de m filas con n columnas en donde cada fila “codificaba” una ecuación en el SEL, utilizando los
coeficientes de las variables y el término independiente, por su parte, las columnas identificaban la
variable a la cual pertenecía cada coeficiente o en su caso, el término independiente de cada ecuación.
Ahora, nos enfocaremos en otras aplicaciones que utilizan a las matrices para representar o modelar
algún objeto, fenómeno o situación “casi” real (recuerde una vez más que en su mayoría, seguirán
siendo acotadas, en el sentido que se trabajarán con entradas relativamente “pequeñas” pero que más
adelante se pueden extrapolar).
Ejemplo 1: A una imagen digital en binario como la que se muestra a continuación:

se le podría asociar una matriz como la siguiente:

1 1 1 0 0 0 0 0 0 0 1 1 1
1 0 1 1 1 1 1 1 1 1 1 0 1
1 1 1 0 0 0 0 0 0 0 1 1 1
0 0 1 0 1 0 0 0 1 0 1 0 0
M= 0 1 0 0 0 0 0 0 0 0 0 1 0
0 1 0 0 0 1 1 1 0 0 0 1 0
0 1 0 0 0 1 1 1 0 0 0 1 0
0 0 1 0 0 0 0 0 0 0 1 0 0
0 0 0 1 1 1 1 1 1 1 0 0 0
Ejemplo 2: Una relación R definida sobre un conjunto cualquiera P se puede representar por medio de
una matriz. Piense por ejemplo en un conjunto de personas:
P = {Ana, Bernardo, Carolina, David, Esperanza, Fernanda},
que se relacionan mediante la relación “es amigo de” como en el caso de una famosa red social. A
continuación, se muestra un grafo que representa tal relación.
2 Matrices.nb

La matriz asociada a tal grafo recibe el nombre de Matriz de Adyacencia y está dada por:
1 1 0 0 0 0
1 1 1 0 1 0
0 1 1 0 1 0
M=
0 0 0 1 1 0
0 1 1 1 1 1
0 0 0 0 1 1
Ejemplo 3: Una transformación en el plano como la que se muestra a continuación:

que está compuesta por dos transformaciones; una contracción y una dilatación. Cada una de ellas se
podría representar respectivamente por las matrices:
1 0 2 0
C= 1 y D=
0 2
0 1

Ejemplo 4: Un psicólogo del comportamiento coloca todos los días una rata en una jaula con dos
puertas, A y B. La rata puede pasar por la puerta A, en cuyo caso recibirá un choque eléctrico, o por la
puerta B, con lo cual obtiene cierto alimento. Se registra la puerta por la que pasa la rata. Al inicio del
experimento, un lunes, la rata tiene la misma probabilidad de pasar por la puerta A que por la puerta B.
Después de pasar por la puerta A y recibir una descarga eléctrica, la probabilidad de volver a pasar por
la misma puerta al día siguiente es 0,3. Después de pasar por la puerta B y recibir alimento, la probabili-
dad de pasar por la misma puerta al día siguiente es 0,6. El anterior experimento se podría representar
por medio del grafo:
 Matrices.nb 3

que a su vez se le puede asociar la matriz:

0, 3 0, 4
M=
0, 7 0, 6

Ahora, definiremos provisionalmente qué es una matriz.

Definición: Una matriz M de tamaño m × n es un “arreglo” rectangular de m n escalares ordenados en

m filas con n columnas.
a11 a12 a13 … a1 n
a21 a22 a23 … a2 n
M = a31 a32 a33 … a3 n donde amn ∈  (Un campo de escalares)
⋮ ⋮ ⋮ ⋱ ⋮
am1 am2 am3 … amn
En adelante, notaremos por mn , al conjunto de todas las matrices de tamaño m × n y notaremos
abreviadamente a la matriz M como M = (aij ). A los elementos aij los llamaremos componentes o
entradas de la matriz y sus subíndices denotarán respectivamente la fila y la columna en donde se
encuentran ubicados. Al conjunto D = {aij i = j } se le denomina la diagonal de la matriz.
Igualdad de Matrices: Dadas dos matrices A = (aij ) y B = (bij ) decimos que A = B si y sólo si A y B tienen
el mismo tamaño (A, B ∈ mn ) y además, aij = bij para todo ij, es decir, sus componentes correspondi-
entes son las mismas.
Ejemplo 5: Observe que las matrices A, B y C a pesar de tener las mismas componentes, son difer-
entes, dado que tienen diferente tamaño o sus componentes están ordenadas de otra manera.
1
1 0 π
2 1 -3 π
A= ≠B = ≠C = 2 -3 .
-3 2 1
2 0
2 1
π 0 2
1

Algunos tipos de matrices:

Matrices Cuadradas: Una matriz es cuadrada cuando tiene el mismo número de filas que de columnas.
Al conjunto de todas las matrices cuadradas lo notaremos en adelante por  n . Las siguientes matrices
son cuadradas.
-3 5 7 1
1 0 1 1
1 -3 9 -2 0 2
A= , B= 0 0 1 , C= 1 8 0 0
7 2 1 1 0
ⅇ
- 3 10 π 2

Matrices Triangulares: Una matriz T = (tij ) es triangular cuando tij = 0 para i < j o para i > j . Decimos
que es triangular superior cuando tij = 0 para i > j , triangular inferior en caso contrario y Diagonal
cuando es triangular superior e inferior a la vez, es decir, t ij = 0 para i ≠ j . A continuación se muestra
una matriz A triangular inferior, una matriz B triangular superior y una matriz D diagonal.
4 Matrices.nb

5 0 0 0 1 0 0
-2 3 7
-1 2 0 0
A= 0 1 5 , B = , D= 0 5 0
2 0 7 0
0 0 8 0 0 5
3 10 1 15
Matriz nula: Es la matriz que notaremos por 0 = (δij ) ∈ mn tal que δij = 0, es decir, todas sus compo-
nentes son iguales a cero.
0 0 0 0 0 0
0 0
0= , 0= 0 0 , 0= 0 0 0 0
0 0
0 0 0 0 0 0
Matriz simétrica: Es una matriz S = (δij ) tal que δij = δji , es decir, una matriz que tiene simetría con
respecto a su diagonal.
1 -2 3 9
-2 7 6 0
S=
3 6 8 -1
9 0 -1 10
Matriz estocástica: Es una matriz cuadrada tal que sus componentes son no negativas y la suma de las
componentes de cualquier fila es igual a 1 o la suma de las componentes de cualquier columna es igual
a 1.
1 3 0.2 0.3 0.5
3 4 1 0
M= , N= 0 0.5 0.5 , T =
2 1 0 1
3 4 0.8 0.1 0.1

Operaciones entre matrices:

Suma: Sean A, B ∈ mn , tales que A = (aij ) y B = (bij ). La suma de A y B notada por A + B es también
una matriz de tamaño m × n dada por A + B = (aij + bij ). Es decir, la matriz resultante se obtiene al sumar
componente a componente en las dos matrices como se muestra en el siguiente ejemplo:
1 2 -8 2 -7 4
Si A = -5 7 yB= 1 0 ⟹ A + B = -4 7
0 3 4 10 4 13
Producto por escalar: Sean A ∈ mn y α ∈ ℝ. El producto de α con A que notaremos por α A es una
matriz de tamaño m × n dada por α A = (α aij ), es decir, es la matriz que resulta al multiplicar a todas las
componentes de A por α, como se muestra a continuación:
2 8 -3 2 8 -3 -4 -16 6
Si α = -2 y A = ⟹ α A = (-2) =
1 0 7 1 0 7 -2 0 -14

Propiedades:
1. Cerradura o Clausurativa: Si A, B ∈ mn entonces A + B ∈ mn .

2. Asociativa: Si A, B , C ∈ mn entonces (A + B ) + C = A + (B + C ).

3. Conmutativa: Si A, B ∈ mn entonces A + B = B + A.

4. Modulativa: Para toda matriz A ∈ mn se tiene que A + 0 = A.

 Matrices.nb 5

que

5. Invertiva: Para toda matriz A ∈ mn existe una única matriz -A = (-1) A tal que A + (-A) = 0.

6. Cerradura del producto por escalar: Si α ∈ ℝ y A ∈ mn entonces α A ∈ mn .

7. Asociativa del producto por escalar: Si α, β ∈ ℝ y A ∈  mn entonces (α β) A = α (β A).

8. Distributiva 1: Si α, β ∈ ℝ y A ∈ mn entonces (α + β) A = α A + β A.

9. Distributiva 2: Si α ∈ ℝ y A, B ∈ mn entonces α(A + B ) = α A + α B .

10. Para toda matriz A ∈ mn se tiene que 1 A = A.

Combinaciones Lineales:
Definición: Sean A1 , A2 , A3 , … , Ak “k” matrices de tamaño m × n. Una combinación lineal de las k
matrices es otra matriz X ∈ mn para la cual existen k escalares: α1 , α2 , α3 , … , αk tales que:
X = α 1 A1 + α 2 A2 + α 3 A3 + … + α k Ak
1 3 1 0 8 2 3 9
Ejemplo 6: Dadas las matrices A = , B= , C= y D= . Entonces una
5 -2 -2 7 3 1 1 1
posible combinación lineal de las cuatro matrices dadas es la matriz:

MatrixForm2  1 3  + 5  1 0  + 8  8 2  + - 3  3 9 
5 -2 -2 7 3 1 1 1
forma de matriz

Out[ ]//MatrixForm=

 62 7 
21 36

Otras posibles combinaciones lineales de las cuatro matrices son:

A+2B -C +4D
A+B +C +D
A-B
Observe que la matriz nula siempre será una combinación lineal de cualquier conjunto de matrices. En
el ejemplo anterior se tiene que 0 = 0 A + 0 B + 0 C + 0 D .
2 7
Ejemplo 7: Determine si la matriz M = es una combinación lineal de las matrices A, B , C y D
4 -3
del ejemplo anterior.
Para determinar si la matriz M es una combinación lineal de las matrices A, B , C y D se debe determi-
nar si existen escalares α1 , α2 , α3 y α4 tales que:
2 7 1 3 1 0 8 2 3 9
= α1 + α2 + α3 + α4 .
4 -3 5 -2 -2 7 3 1 1 1
Al multiplicar y sumar en la igualdad anterior se obtiene que:
2 7 α1 + α 2 + 8 α 3 + 3 α 4 3 α1 + 2 α3 + 9 α4
= ,
4 -3 5 α1 - 2 α2 + 3 α3 + α4 -2 α1 + 7 α2 + α3 + α4
6 Matrices.nb

y con esta igualdad entre matrices se llega al siguiente sistema de ecuaciones lineales:
α1 + α 2 + 8 α 3 + 3 α 4 = 2
3 α1 + 2 α3 + 9 α4 = 7
5 α1 - 2 α2 + 3 α3 + α4 = 4
-2 α1 + 7 α2 + α3 + α4 = -3
Resolviendo:
1 1 8 3 2
In[ ]:= MatrixFormRowReduce 3 0 2 9 7 
5 -2 3 1 4
forma de mat⋯ reduce filas
-2 7 1 1 -3

Out[ ]//MatrixForm=
936
1 0 0 0
1757
0 1 0 0 - 91
251
1
0 0 1 0
251
1053
0 0 0 1
1757

Luego, como el SEL tiene solución única se puede concluir que la matriz M es en efecto, una combi-
nación lineal de las matrices A, B , C y D . Note que si el SEL tuviera infinitas soluciones la respuesta
seguiría siendo la misma, con la diferencia que M tendría infinitas maneras de representarse en térmi-
nos de las matrices A, B , C y D . En el caso restante, es decir, si el SEL no tuviera solución la respuesta
sería que M no es una combinación lineal de tales matrices.

Producto de Matrices: Sean A ∈ mn y B ∈ np tales que A = (aij ) y B = (bjk ). El producto de la matriz A
con la matriz B , que denotamos por A B , es una matriz (cik ) ∈ mp tal que la componente cik se obtiene
mediante el producto interno (producto punto) entre la fila i de A con la columna k de B . Esto es:
ci k = ai 1 b1 k + ai 2 b2 k + … + ai n bn k = ∑nj =1 ai j bj k

      b1 k     
      b2 k     
AB = =
ai 1 ai 2 … ai n   ⋮    cik 
      bn k     
1 2
1 5 8
Ejemplo 7: Dadas las matrices A = -3 1 y B= . El producto A B es una matriz de
-2 0 9 2×3
0 2 3×2
tamaño 3×3 que se calcula de la siguiente manera:

In[ ]:=  {{1,2},{-3,1},{0,2}}.{{1,5,8},{-2,0,9}}

Input:
1 2
1 5 8
-3 1 . 
-2 0 9
0 2
 Matrices.nb 7

Results: Hide steps

-3 5 26
-5 -15 -15
-4 0 18
Possible intermediate steps:
Multiply the following matrices:
1 2
1 5 8
-3 1 . 
-2 0 9
0 2

The dimensions of the first matrix are 3⨯2 and the dimensions of the second matrix are 2⨯3.
This means the dimensions of the product are 3⨯3:
1 2 _ _ _
1 5 8
-3 1 .  _ _ _
-2 0 9
0 2 _ _ _

Highlight the 1st row and the 1st column:

1 2 1 5 8
_ _ _
-3 1 .  _ _ _
-2 0 9
0 2 _ _ _

Multiply corresponding components and add: 1 ×1 + 2 (-2)  -3.

Place this number into the 1st row and 1st column of the product:
1 2 -3 _ _
1 5 8
-3 1 .  _ _ _
-2 0 9
0 2 _ _ _

Highlight the 1st row and the 2nd column:

1 2 1 5 8
-3 _ _
-3 1 . -2 0 9  _ _ _
0 2 _ _ _

Multiply corresponding components and add: 1 ×5 + 2×0  5.

Place this number into the 1st row and 2nd column of the product:
1 2 -3 5 _
1 5 8
-3 1 .  _ _ _
-2 0 9
0 2 _ _ _

Highlight the 1st row and the 3rd column:

1 2 -3 5 _
1 5 8
-3 1 . -2 0 9  _ _ _
0 2 _ _ _
8 Matrices.nb

Multiply corresponding components and add: 1 ×8 + 2×9  26.

Place this number into the 1st row and 3rd column of the product:
1 2 -3 5 26
1 5 8
-3 1 .  _ _ _
-2 0 9
0 2 _ _ _

Highlight the 2nd row and the 1st column:

1 2 -3 5 26
1 5 8
-3 1 .  _ _ _
-2 0 9
0 2 _ _ _

Multiply corresponding components and add: (-3) × 1 + 1 (-2)  -5.

Place this number into the 2nd row and 1st column of the product:
1 2 -3 5 26
1 5 8
-3 1 .   -5 _ _
-2 0 9
0 2 _ _ _

Highlight the 2nd row and the 2nd column:

1 2 -3 5 26
1 5 8
-3 1 .  -5 _ _
-2 0 9
0 2 _ _ _

Multiply corresponding components and add: (-3) × 5 + 1 ×0  -15.

Place this number into the 2nd row and 2nd column of the product:
1 2 -3 5 26
1 5 8
-3 1 .   -5 -15 _
-2 0 9
0 2 _ _ _

Highlight the 2nd row and the 3rd column:

1 2 -3 5 26
1 5 8
-3 1 .  -5 -15 _
-2 0 9
0 2 _ _ _

Multiply corresponding components and add: (-3) × 8 + 1 ×9  -15.

Place this number into the 2nd row and 3rd column of the product:
1 2 -3 5 26
1 5 8
-3 1 .   -5 -15 -15
-2 0 9
0 2 _ _ _

Highlight the 3rd row and the 1st column:

1 2 3 5 26
 Matrices.nb 9

1 2 -3 5 26
-3 1 1 5 8
.  -5 -15 -15
0 2 -2 0 9
_ _ _

Multiply corresponding components and add: 0 ×1 + 2 (-2)  -4.

Place this number into the 3rd row and 1st column of the product:
1 2 -3 5 26
1 5 8
-3 1 .   -5 -15 -15
-2 0 9
0 2 -4 _ _

Highlight the 3rd row and the 2nd column:

1 2 -3 5 26
-3 1 . 1 5 8  -5 -15 -15
0 2 -2 0 9
-4 _ _

Multiply corresponding components and add: 0 ×5 + 2×0  0.

Place this number into the 3rd row and 2nd column of the product:
1 2 -3 5 26
1 5 8
-3 1 .   -5 -15 -15
-2 0 9
0 2 -4 0 _

Highlight the 3rd row and the 3rd column:

1 2 -3 5 26
-3 1 . 1 5 8  -5 -15 -15
0 2 -2 0 9
-4 0 _

Multiply corresponding components and add: 0 ×8 + 2×9  18.

Place this number into the 3rd row and 3rd column of the product:

Answer:

1 2 -3 5 26
1 5 8
-3 1 .   -5 -15 -15
-2 0 9
0 2 -4 0 18

Dimensions:

3 (rows) × 3 (columns)

Matrix plot:
1 2 3
1 1
2 2
3 3
10 Matrices.nb

1 2 3

Trace: Step-by-step solution

Determinant: Step-by-step solution

Matrix rank: Step-by-step solution

Nullity: Step-by-step solution

Diagonalization: Approximate forms

-1
M  S.J.S
where
-3 5 26
M  -5 -15 -15
-4 0 18
1 1
9 4
18 + 5 6 4
18 - 5 6
S  -5 - 5 8 + 3 6 5
-8 + 3 6
4 4
2 1 1
0 0 0
J  0 -5 6 0
0 0 5 6
1 1 7
5 15
- 30
1 1 1
S-1  15
-3 + 6  - 15 30
22 - 9 6
1 1 1
15
-3 - 6  - 15 30
22 + 9 6

Condition number:

Observe que si calculamos B A, lo cual en este caso es posible, podemos concluir que: A B ≠ B A. Es
decir, el producto de matrices no siempre es conmutativo y en ciertos casos ni siquiera es posible
 Matrices.nb 11

producto siempre y siquiera posible

realizar el producto en el orden opuesto. A continuación algunas propiedades básicas del producto de
matrices.

Propiedades del producto de matrices:

1. Propiedad anulativa: Para toda matriz A ∈ mn se tiene que A 0 = 0.

2. Propiedad modulativa: Existe una matriz cuadrada que notaremos por I n y que llamaremos la matriz
1, i = j
identidad, definida como: In = (δij ), donde δij =  , es decir, es un matriz cuadrada de orden n
0, i ≠ j
que tiene unos en la diagonal y ceros en el resto de sus componentes y cumple que para toda matriz
A ∈ Mmn , A In = A.

3. Propiedades asociativas: Si A ∈ mn , B ∈ np , C ∈ nq ⟹(A B ) C = A (B C )

Si A ∈ mn , B ∈ np y α ∈ ℝ ⟹α(A B ) = (α A) B = A(α B )

4. Propiedades distributivas: Si A ∈ mn , B ∈ mn , C ∈ np ⟹(A + B ) C = A C + B C

Si A ∈ mn , B ∈ np , C ∈ np ⟹A (B + C ) = A B + A C
Potencias de Matrices: Si A ∈ Mn definimos las potencias de A de manera recursiva como:
A0 = I n
Ak = A Ak-1
Luego, si se quiere determinar A1 entonces aplicamos la definición recursiva: A1 = A A0 = A In = A. Para
determinar A2 entonces se procede de la siguiente manera A2 = A A1 = A A. Para determinar A3 se hace
lo siguiente A3 = A A2 = A (A A) = A2 A = A A A y observe que hemos encontrado que las potencias se
pueden asociar en matrices que conmutan, por lo tanto, podemos concluir que:
Ak = A A A … A (k veces)
1 2
Ejemplo 8: Si A = calcule A3 . Para determinar tal potencia se calcula el producto de A por sí
3 -1
misma tres veces, es decir A3 = A A A (con el producto entre matrices que se acaba de definir). El resul-
tado se muestra a continuación.

In[ ]:= MatrixFormMatrixPower 1 2 , 3

3 -1
forma de mat⋯ potencia matricial

Out[ ]//MatrixForm=

 7 14 
21 - 7

Ahora, si se quisiera calcular una potencia como A1000 aplicar la definción recursiva no sería tal vez el
mejor camino, dado que A1000 = A A A … A (1000 veces) lo cual implica el cálculo de 999 productos.
Existe un algoritmo conocido como el algoritmo de exponenciación rápida o binaria el cual realiza el
mismo cálculo, en este caso, mediante el cálculo de 14 productos. En primer lugar, descompone el
exponente en base binaria para poder expresarlo como:
9 +28 +27 +26 +25 +23
A1000 = A(1 111 101 000)2 = A2 = A512+256+128+64+32+8 = A512 A256 A128 A64 A32 A8
Observe que hasta este punto se tendría que calcular 5 productos, el producto de las últimas potencias.
12 Matrices.nb

que punto que productos, producto potencias.

Sin embargo, haría falta calcular cada uno de esos factores, lo cual se hace por medio de 9 productos
de la siguiente manera:
A2 = A A una vez calculado A2 entonces se calcula A4
A4 = A2 A2 una vez calculado A4 entonces se calcula A8
A8 = A4 A4 una vez calculado A8 entonces se calcula A16
A16 = A8 A8 una vez calculado A16 entonces se calcula A32
A32 = A16 A16 una vez calculado A32 entonces se calcula A64
A64 = A32 A32 una vez calculado A64 entonces se calcula A128
A128 = A64 A64 una vez calculado A128 entonces se calcula A256
A256 = A128 A128 una vez calculado A256 entonces se calcula finalmente A512
A512 = A256 A256
para un total de 14 productos. El algoritmo es sin duda un excelente ejemplo de eficiencia sin utilizar
recursos físicos, solo matemática. En la actualidad, existen recientes algoritmos que van sustituyendo a
los convencionales, computacionalmente hablando, por supuesto, dependen del contexto en el cual se
utilizan dado que para calcular potencias relativamente pequeñas el algoritmo de exponenciación rápida
puede no ser la mejor opción, tal es el caso también de los algoritmos para calcular productos de
matrices, por ejemplo, el algoritmo de Strassen es más eficiente que el algoritmo de multiplicación de
matrices que se ha acabado de introducir (fila por columna), sin embargo, lo es para cuando se consid-
eran matrices de orden relativamente grande (por ejemplo en áreas como el Big Data) puesto que
implementar tales algoritmos para realizar cálculos insignificantes es totalmente innecesario e
ineficiente.

Aplicaciones de las operaciones entre matrices

A continuación daremos a conocer algunos ejemplos de aplicaciones de las operaciones entre matrices,
nuevamente se considerarán algunos casos acotados que como se ha dicho anteriormente más ade-
lante se pueden extrapolar a una situación real.
1. Aplicaciones a sistemas de ecuaciones lineales.
Observe que si tenemos el siguiente SEL de tamaño m × n:
a11 x1 + a12 x2 + a13 x3 + ... + a1 n xn = b1
a21 x1 + a22 x2 + a23 x3 + ... + a2 n xn = b2
a31 x1 + a32 x2 + a33 x3 + ... + a3 n xn = b3
⋮ ⋮ ⋮ ⋮ ⋮
am1 x1 + am2 x2 + am3 x3 + ... + amn xn = bm
Podemos identificar las siguientes matrices:
a11 a12 a13 … a1 n
a21 a22 a23 … a2 n
A = a31 a32 a33 … a3 n la matriz de coeficientes,
⋮ ⋮ ⋮ ⋱ ⋮
am1 am2 am3 … amn
 Matrices.nb 13

x1
x2
X = x3 la matriz de incógnitas (variables), y:
⋮
xn
b1
b2
B = b3 , la matriz de términos independientes.
⋮
bm
De tal manera que el SEL es posible escribirlo como la ecuación matricial:
AX =B
Lo cual nos permitirá mostrar y/o aplicar propiedades o resultados referentes a los SEL de una forma
más versátil. Por ejemplo, para demostrar las siguientes afirmaciones.
Proposición: Si A X = 0 es un SEL homogéneo y x1 , x2 , … , xn son soluciones distintas de A X = 0
entonces toda combinación lineal de tales soluciones es también una solución de A X = 0.
Demostración: Sea α1 x1 + α2 x2 + … + αn xn una combinación lineal de las n soluciones entonces tal
combinación es otra solución de A X = 0. En efecto:
A X = A(α1 x1 + α2 x2 + … + αn xn )
= A (α1 x1 ) + A (α2 x2 ) + … + A (αn xn )
= α1 (A x1 ) + α2 (A x2 ) + … + αn (A xn )
= α1 (0) + α2 (0) + … + αn (0)
= 0.
Con lo anterior, hemos demostrado que todo SEL homogéneo no puede tener un número finito de
soluciones, puesto que eso implicaría un número infinito de soluciones.
Proposición: Si A X = B es un SEL y x1 y x2 son soluciones distintas de A X = B entonces la diferencia de
x1 y x2 : x1 - x2 es una solución de A X = 0 (El sistema homogéneo asociado a A X = B ).
Demostración: En efecto, sustituyendo x1 - x2 en la ecuación A X = 0 se tiene que:
A X = A(x1 - x2 )
= A x1 - A x2
=0-0
= 0.
Teorema: Si A X = B es un SEL entonces A X = B ó tiene solución única ó tiene infinitas soluciones ó no
tiene solución.
Demostración: Hasta el momento, como parte de la demostración se han dado a conocer ejemplos de
SEL que tienen infinitas soluciones, que no tienen solución o que tienen solución única, hace falta
mostrar que no es posible que un SEL tenga un número finito n de soluciones (n > 1). Para hacerlo,
supondremos que existe un SEL A X = B que tiene únicamente un par de soluciones distintas: x 1 y x2
(se puede suponer cualquier otro número m, m > 2 de soluciones dado que basta con tomar dos de
esas m soluciones y aplicar el argumento dado a continuación). Como x 1 y x2 son soluciones de A X = B
entonces A x1 = B y A x2 = B . Ahora, observe que la combinación lineal: x1 + α (x1 - x2 ) es también una
solución de A X = B y lo es para todo α ∈ ℝ. Esto es:
14 Matrices.nb

A X = A(x1 + α (x1 - x2 ))
= A x1 + A (α (x1 - x2 ))
= B + α A (x1 - x2 )
=B +0
=B
Finalmente, mostraremos que en efecto, la combinación lineal: x 1 + α (x1 - x2 ) genera infinitas solu-
ciones para A X = B , un distinta por cada α ∈ ℝ. Suponga entonces que existen un par de números
reales α1 y α2 (α1 ≠ α2 ) tales que:
x1 + α1 (x1 - x2 ) = x1 + α2 (x1 - x2 )
lo cual implica que:
α1 (x1 - x2 ) = α2 (x1 - x2 )
y así:
α1 (x1 - x2 ) - α2 (x1 - x2 ) = 0⟹(α1 - α2 ) (x1 - x2 ) = 0⟹α1 - α2 = 0 o x1 - x2 = 0 ⟹α1 = α2 o x1 = x2 .
que finalmente implica una contradicción en los dos casos, dado que se había supuesto que α 1 ≠ α2 y
x1 ≠ x 2 .

2. Cadenas de Markov
1
Problema: Considere dos compañías de comida rápida, M y N. Cada año, la compañía M conserva 3
de
2 1
sus clientes, mientras que 3
de sus consumidores cambian a N. Cada año, N conserva 2
de sus
1
clientes, mientras que 2
cambia a M. Suponga que la distribución inicial del mercado está dada por:
1
3
x0 = 2
3
1 2
En donde 3
es el parte de la población que son clientes de la compañía M y 3
la parte de la población
que son clientes de la compañía N. La siguiente tabla representa la situación que se está presentando
cada año.
Compañía M N
1 1
M 3 2
2 1
N 3 2

1 1
3 2
Por lo tanto, la matriz A = 2 1
modela el fenómeno que se está presentando en el mercado cada
3 2
año.
Ahora, suponga que se desea calcular la distribución del mercado al cabo de un año, la cual notaremos
por x1 . Observe que basta con realizar el siguiente cálculo:
1 1 1 4
3 2 3 9
x1 = A x 0 = 2 1 2
= 5
3 2 3 9

Si se desea calcular la distribución del mercado al cabo de dos años x 2 :

 Matrices.nb 15

1 1 4 23
3 2 9 54
x2 = A x 1 = 2 1 5
= 31
3 2 9 54

Sucesivamente para el año n se tendría que:

xn = A xn-1
Es decir, para saber la distribución al cabo de n años es necesario, en principio, determinar la distribu-
ción anterior. Sin embargo, inductivamente se tiene que:
x1 = A x 0
x2 = A x1 = A(A x0 ) = A2 x0
x3 = A x2 = AA2 x0  = A3 x0
x4 = A x3 = AA3 x0  = A4 x0
⋮
xn = A n x0
Por lo tanto, para determinar la distribución del mercado al cabo de n años basta con calcular An y
multiplicarla por la distribución inicial. Pero, el comportamiento a largo plazo no depende de la distribu-
ción inicial del mercado sino de la matriz que representa a la Cadena de Markov ya que se puede
demostrar que An x tiende a un vector xs cuando n tiende a infinito para todo x si la matriz de la
Cadena de Markov es una matriz regular (una matriz estocástica que en alguna potencia todas sus
entradas se hacen positivas). A continuación verificamos con tres ejemplos la afirmación que se acaba
de formular.
1 1 1
3 2 3
In[2]:= MatrixFormNMatrixPower 2 1
, 100. 2

forma de mat⋯ ⋯ potencia matricial 3 2 3

Out[2]//MatrixForm=

 0.428571 
0.571429

1 1 1
3 2 2
In[3]:= MatrixFormNMatrixPower 2 1
, 100. 1

forma de mat⋯ ⋯ potencia matricial 3 2 2

Out[3]//MatrixForm=

 0.428571 
0.571429

1 1

In[4]:= MatrixFormNMatrixPower 3 2
, 100.  1 
2 1 0
forma de mat⋯ ⋯ potencia matricial 3 2

Out[4]//MatrixForm=

 0.428571 
0.571429
1
3
El primer ejemplo ilustra la distribución a largo plazo (100 años) si la distribución inicial es 2
, el
3
16 Matrices.nb

1
2
segundo ejemplo ilustra la distribución a largo plazo (100 años) si la distribución inicial es 1
mien-
2

tras que el tercer ejemplo ilustra la distribución a largo plazo (100 años) si la distribución inicial es
1
. Como se había formulado la distribución tiende a un vector x s al que llamaremos la distribución
0
estable o equilibrio y es un vector que además verifica que: A x s = xs . De esta última ecuación junto con
la ecuación que resulta de suponer que la suma de las componentes de las distribuciones es siempre
igual a 1, se puede calcular xs simplemente resolviendo un SEL y así, no es necesario iterar las poten-
cias para encontrar dicho límite. De lo anterior se tiene que:
1 1
x x x
xs = tal que 3 2
  =   y x +y =1
y 2 1 y y
3 2

De donde se obtiene el SEL:

2 1
-3 x + 2
y =0
x +y =1
Resolviendo este último:
-2 1
0
In[5]:= MatrixFormRowReduce 3 2 
forma de mat⋯ reduce filas 1 1 1

Out[5]//MatrixForm=
3
1 0
7
4
0 1
7

3
7
Por lo tanto, a largo plazo la tendencia es que la distribución sea x s = 4
, la cual se conoce como
7
distribución estable y en este problema se podría interpretar como la estabilidad del mercado entre las
compañías M y N .

Autor: Sergio Andrés Montoya Torres

Bibliografía: Kolman B. - Hill D. Álgebra Lineal. Octava Edición. Pearson. 2006.