Matriz (matemáticas)

Ir a la navegación

Ir a la búsqueda

En matemática, una matriz es un arreglo bidimensional de números. Dado que puede definirse
tanto la suma como el producto de matrices, en mayor generalidad se dice que son elementos de
un anillo. Una matriz se representa por medio de una letra mayúscula (A,B, …) y sus elementos con
la misma letra en minúscula (a,b, …), con un doble subíndice donde el primero indica la fila y el
segundo la columna a la que pertenece.

A = ( a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a m 1 a m 2 ⋯ a m n ) {\displaystyle \mathbf {A}

={\begin{pmatrix}a_{11}&a_{12}&\cdots &a_{1n}\\a_{21}&a_{22}&\cdots &a_{2n}\\\vdots
&\vdots &\ddots &\vdots \\a_{m1}&a_{m2}&\cdots &a_{mn}\\\end{pmatrix}}} {\displaystyle
\mathbf {A} ={\begin{pmatrix}a_{11}&a_{12}&\cdots &a_{1n}\\a_{21}&a_{22}&\cdots
&a_{2n}\\\vdots &\vdots &\ddots &\vdots \\a_{m1}&a_{m2}&\cdots &a_{mn}\\\end{pmatrix}}}

Los elementos individuales de una matriz m {\displaystyle m} m x n {\displaystyle n} n, se denotan

a menudo por a i j {\displaystyle a_{ij}} a_{ij}, donde el máximo valor de i {\displaystyle i} i es m
{\displaystyle m} m, y el máximo valor de j {\displaystyle j} j es n {\displaystyle n} n. Siempre que la
matriz tenga el mismo número de filas y de columnas que otra matriz, estas se pueden sumar o
restar elemento por elemento.

Las matrices se utilizan para múltiples aplicaciones y sirven, en particular, para representar los
coeficientes de los sistemas de ecuaciones lineales o para representar transformaciones lineales
dada una base. En este último caso, las matrices desempeñan el mismo papel que los datos de un
vector para las aplicaciones lineales.

Pueden sumarse, multiplicarse y descomponerse de varias formas, lo que también las hace un
concepto clave en el campo del álgebra lineal.

Índice

1 Historia

2 Introducción

2.1 Definición
 2.2 Ejemplo

2.3 Operaciones básicas entre matrices

2.3.1 Suma o adición

2.3.2 Producto por un escalar

2.3.3 Producto de matrices

3 Otros conceptos relacionados con matrices

3.1 Rango de una matriz

3.2 Matriz traspuesta

3.3 Matrices cuadradas y definiciones relacionadas

3.4 Matriz Lógica

3.4.1 Representación de una relación matricial

3.4.2 Ejemplo

3.4.3 Algunas Propiedades

4 Aplicaciones

4.1 Las matrices en la Computación

4.2 Ejemplo de brazo robótico

4.3 Teoría de matrices

4.4 Matrices relacionadas con otros temas

4.5 Matrices en teoría de grafos

4.6 Análisis y geometría

5 Algunos teoremas

6 Véase también

7 Referencias

7.1 Notas

8 Enlaces externos

Historia

Cronología1 Año Acontecimiento

200 a.C. En China los matemáticos usan series de números.

1848 J. J. Sylvester introduce el término «matriz».

1858 Cayley publica Memorias sobre la teoría de matrices.

1878 Frobenius demuestra resultados fundamentales en álgebra matricial.

1925 Heisenberg utiliza la teoría matricial en la mecánica cuántica

El origen de las matrices es muy antiguo. Los cuadrados latinos y los cuadrados mágicos se
estudiaron desde hace mucho tiempo. Un cuadrado mágico, 3 por 3, se registra en la literatura
china hacia el 650 a. C.2

Es larga la historia del uso de las matrices para resolver ecuaciones lineales. Un importante texto
matemático chino que proviene del año 300 a. C. a 200 a. C., Nueve capítulos sobre el Arte de las
matemáticas (Jiu Zhang Suan Shu), es el primer ejemplo conocido de uso del método de matrices
para resolver un sistema de ecuaciones simultáneas.3 En el capítulo séptimo, "Ni mucho ni poco",
el concepto de determinante apareció por primera vez, dos mil años antes de su publicación por el
matemático japonés Seki Kōwa en 1683 y el matemático alemán Gottfried Leibniz en 1693.

Los "cuadrados mágicos" eran conocidos por los matemáticos árabes, posiblemente desde
comienzos del siglo VII, quienes a su vez pudieron tomarlos de los matemáticos y astrónomos de la
India, junto con otros aspectos de las matemáticas combinatorias. Todo esto sugiere que la idea
provino de China. Los primeros "cuadrados mágicos" de orden 5 y 6 aparecieron en Bagdad en el
año 983, en la Enciclopedia de la Hermandad de Pureza (Rasa'il Ihkwan al-Safa).2

Después del desarrollo de la teoría de determinantes por Seki Kowa y Leibniz para facilitar la
resolución de ecuaciones lineales, a finales del siglo XVII, Cramer presentó en 1750 la ahora
denominada regla de Cramer. Carl Friedrich Gauss y Wilhelm Jordan desarrollaron la eliminación
de Gauss-Jordan en el siglo XIX.

Fue James Joseph Sylvester quien utilizó por primera vez el término «matriz» en 1848/1850.

En 1853, Hamilton hizo algunos aportes a la teoría de matrices. Cayley introdujo en 1858 la
notación matricial, como forma abreviada de escribir un sistema de m ecuaciones lineales con n
incógnitas.

Cayley, Hamilton, Hermann Grassmann, Frobenius, Olga Taussky-Todd y John von Neumann
cuentan entre los matemáticos famosos que trabajaron sobre la teoría de las matrices. En 1925,
Werner Heisenberg redescubre el cálculo matricial fundando una primera formulación de lo que
iba a pasar a ser la mecánica cuántica. Se le considera a este respecto como uno de los padres de
la mecánica cuántica.

Olga Taussky-Todd (1906-1995), durante la II Guerra Mundial, usó la teoría de matrices para
investigar el fenómeno de aeroelasticidad llamado fluttering.

Introducción

Definición

Una matriz es un arreglo p-dimensional de números (elementos de la matriz) ordenados en filas (o

renglones) y columnas, donde una fila es cada una de las líneas horizontales de la matriz y una
columna es cada una de las líneas verticales. A una matriz con m {\displaystyle m} m filas y n
{\displaystyle n} n columnas se le denomina «matriz m {\displaystyle m} m por n {\displaystyle n} n
» (escrito m × n {\displaystyle m\times n} {\displaystyle m\times n}) donde m , n ∈ N − { 0 }
{\displaystyle m,n\in \mathbb {N} -\{0\}} {\displaystyle m,n\in \mathbb {N} -\{0\}}. El conjunto de
las matrices de tamaño m × n {\displaystyle m\times n} {\displaystyle m\times n} se representa
como M m × n ( K ) {\displaystyle {\mathcal {M}}_{m\times n}(\mathbb {K} )} {\displaystyle
{\mathcal {M}}_{m\times n}(\mathbb {K} )}, donde K {\displaystyle \mathbb {K} } {\mathbb {K}} es
el cuerpo al cual pertenecen los elementos de la matriz. El tamaño de una matriz siempre se da
con el número de filas primero y el número de columnas después.

Se dice que dos matrices son iguales si tienen el mismo tamaño (dimensión u orden) y los mismos
elementos en las mismas posiciones. El elemento de una matriz que se encuentra en la fila i −
{\displaystyle i-\,\!} i-\,\!ésima y la columna j − {\displaystyle j-\,\!} j-\,\!ésima se le llama elemento
i , j {\displaystyle i,j\,\!} i,j\,\! o elemento ( i , j ) {\displaystyle (i,j)\,\!} (i,j)\,\!-ésimo de la matriz. En
estas expresiones también se consideran primero las filas y después las columnas.

Dos matrices A , B ∈ M m × n ( K ) {\displaystyle A,B\in {\mathcal {M}}_{m\times n}(\mathbb {K} )}

{\displaystyle A,B\in {\mathcal {M}}_{m\times n}(\mathbb {K} )} son iguales si los elementos
correspondientes son iguales, es decir, a i j = b i j , 1 ≤ i ≤ m , 1 ≤ j ≤ n {\displaystyle
a_{ij}=b_{ij},1\leq i\leq m,1\leq j\leq n} {\displaystyle a_{ij}=b_{ij},1\leq i\leq m,1\leq j\leq n}.

Para definir el concepto de matriz, el término "arreglo bidimensional" es útil, aunque poco formal,
pero puede formalizarse usando el concepto de función. De este modo, una matriz de m filas y n
columnas con entradas en un cuerpo K {\displaystyle \mathbb {K} } {\mathbb {K}} es una función
cuyo dominio es el conjunto de los pares ordenados ( i , j ) {\displaystyle (i,j)\,\!} (i,j)\,\!, donde 1 ≤
i ≤ m {\displaystyle 1\leq i\leq m} {\displaystyle 1\leq i\leq m} y 1 ≤ j ≤ n {\displaystyle 1\leq j\leq
n} {\displaystyle 1\leq j\leq n}, y cuyo codominio es K {\displaystyle \mathbb {K} } {\mathbb {K}}.
Con esta definición, la entrada i , j {\displaystyle i,j\,\!} i,j\,\! es el valor de la función en el par
ordenado ( i , j ) {\displaystyle (i,j)\,\!} (i,j)\,\!.

Se denota a las matrices con letra mayúscula, mientras que se utiliza la correspondiente letra en
minúsculas para denotar a las entradas de las mismas, con subíndices que refieren al número de
fila y columna del elemento.4Por ejemplo, al elemento de una matriz A {\displaystyle A} A de
tamaño m × n {\displaystyle m\times n} {\displaystyle m\times n} que se encuentra en la fila i −
{\displaystyle i-\,\!} i-\,\!ésima y la columna j − {\displaystyle j-\,\!} j-\,\!ésima se le denota como a
i j {\displaystyle a_{ij}\,\!} a_{{ij}}\,\!, donde 1 ≤ i ≤ m {\displaystyle 1\leq i\leq m} {\displaystyle
1\leq i\leq m} y 1 ≤ j ≤ n {\displaystyle 1\leq j\leq n} {\displaystyle 1\leq j\leq n}.

Cuando se va a representar explícitamente una entrada la cual está indexada con un i

{\displaystyle i\,\!} i\,\! o un j {\displaystyle j\,\!} j\,\! con dos cifras se introduce una coma entre el
índice de filas y de columnas. Así por ejemplo, la entrada que está en la primera fila y la segunda
columna de la matriz A {\displaystyle A\,\!} A\,\! de tamaño 50 × 100 {\displaystyle 50\times 100}
50\times 100 se representa como a 1 , 2 {\displaystyle a_{1,2}\,\!} a_{{1,2}}\,\! mientras que la
entrada que está en la fila número 23 y la columna 100 se representa como a 23 , 100
{\displaystyle a_{23,100}\,\!} a_{{23,100}}\,\!.

Además de utilizar letras mayúsculas para representar matrices, numerosos autores representan a
las matrices con fuentes en negrita para distinguirlas de otros objetos matemáticos.[cita
requerida] Así A {\displaystyle \mathbf {A} } {\mathbf {A}} es una matriz, mientras que A
{\displaystyle A\,\!} A\,\! es un escalar en esa notación. Sin embargo esta notación generalmente
se deja para libros y publicaciones, donde es posible hacer esta distinción tipográfica con facilidad.
En otras notaciones se considera que el contexto es lo suficientemente claro como para no usar
negritas.

Otra notación, en sí un abuso de notación, representa a la matriz por sus entradas, i.e. A := ( a i j )
{\displaystyle A:=(a_{ij})\,\!} A:=(a_{{ij}})\,\! o incluso A := a i j {\displaystyle A:=a_{ij}\,\!}
A:=a_{{ij}}\,\!.

Como caso particular de matriz, se definen los vectores fila y los vectores columna. Un vector fila o
vector renglón es cualquier matriz de tamaño 1 × n {\displaystyle 1\times n} 1\times n mientras
que un vector columna es cualquier matriz de tamaño m × 1 {\displaystyle m\times 1} m\times 1.

A las matrices que tienen el mismo número de filas que de columnas, se les llama matrices
cuadradas y el conjunto se denota M n ( R ) {\displaystyle {\mathcal {M}}_{n}(\mathbb {R} )}
{\displaystyle {\mathcal {M}}_{n}(\mathbb {R} )}
Ejemplo

Dada la matriz A ∈ M 4 × 3 ( K ) {\displaystyle A\in {\mathcal {M}}_{4\times 3}(\mathbb {K} )}

{\displaystyle A\in {\mathcal {M}}_{4\times 3}(\mathbb {K} )}

A = [ 1 2 3 1 2 7 4 9 2 6 0 5 ] {\displaystyle
A={\begin{bmatrix}1&2&3\\1&2&7\\4&9&2\\6&0&5\\\end{bmatrix}}}
A={\begin{bmatrix}1&2&3\\1&2&7\\4&9&2\\6&0&5\\\end{bmatrix}}

es una matriz de tamaño 4 × 3 {\displaystyle 4\times 3} 4\times 3. La entrada a 23 {\displaystyle

a_{23}\,\!} a_{{23}}\,\! es 7.

La matriz R ∈ M 1 × 9 ( K ) {\displaystyle R\in {\mathcal {M}}_{1\times 9}(\mathbb {K} )}

{\displaystyle R\in {\mathcal {M}}_{1\times 9}(\mathbb {K} )}

R = [ 1 2 3 4 5 6 7 8 9 ] {\displaystyle R={\begin{bmatrix}1&2&3&4&5&6&7&8&9\end{bmatrix}}}
R={\begin{bmatrix}1&2&3&4&5&6&7&8&9\end{bmatrix}}

es una matriz de tamaño 1 × 9 {\displaystyle 1\times 9} 1\times 9: un vector fila con 9 entradas.

Operaciones básicas entre matrices

Las operaciones que se pueden hacer con matrices provienen de sus aplicaciones, sobre todo de
las aplicaciones en álgebra lineal. De ese modo las operaciones, o su forma muy particular de ser
implementadas, no son únicas.

Suma o adición

Sean A , B ∈ M n × m ( K ) {\displaystyle A,B\in {\mathcal {M}}_{n\times m}(\mathbb {K} )} A,B\in

{\mathcal {M}}_{{n\times m}}({\mathbb {K}})

[ 2 2 1 3 2 1 2 3 2 2 0 4 ] + [ 0 1 4 1 4 0 2 1 1 0 2 2 ] = [ 2 3 5 4 6 1 4 4 3 2 2 6 ] {\displaystyle
{\begin{bmatrix}2&2&1\\3&2&1\\2&3&2\\2&0&4\end{bmatrix}}\quad +\quad
{\begin{bmatrix}0&1&4\\1&4&0\\2&1&1\\0&2&2\end{bmatrix}}\quad =\quad
{\begin{bmatrix}2&3&5\\4&6&1\\4&4&3\\2&2&6\end{bmatrix}}}
{\begin{bmatrix}2&2&1\\3&2&1\\2&3&2\\2&0&4\end{bmatrix}}\quad +\quad
{\begin{bmatrix}0&1&4\\1&4&0\\2&1&1\\0&2&2\end{bmatrix}}\quad =\quad
{\begin{bmatrix}2&3&5\\4&6&1\\4&4&3\\2&2&6\end{bmatrix}}

. Se define la operación de suma o adición de matrices como una operación binaria + : M m × n

( K ) × M m × n ( K ) ⟶ M m × n ( K ) {\displaystyle +:{\mathcal {M}}_{m\times n}(\mathbb
{K} )\times {\mathcal {M}}_{m\times n}(\mathbb {K} )\longrightarrow {\mathcal {M}}_{m\times n}
(\mathbb {K} )} {\displaystyle +:{\mathcal {M}}_{m\times n}(\mathbb {K} )\times {\mathcal
{M}}_{m\times n}(\mathbb {K} )\longrightarrow {\mathcal {M}}_{m\times n}(\mathbb {K} )} tal que
( A , B ) ↦ C = A + B {\displaystyle (A,B)\mapsto C=A+B} (A,B)\mapsto C=A+B y donde c i j = a i j + b i
j {\displaystyle c_{ij}=a_{ij}+b_{ij}\,\!} c_{{ij}}=a_{{ij}}+b_{{ij}}\,\! en el que la operación de suma en
la última expresión es la operación binaria correspondiente pero en el cuerpo K {\displaystyle
\mathbb {K} } {\mathbb {K}}. Por ejemplo, la entrada c 12 {\displaystyle c_{12}\,\!} c_{{12}}\,\! es
igual a la suma de los elementos a 12 {\displaystyle a_{12}\,\!} a_{{12}}\,\! y b 12 {\displaystyle
b_{12}\,\!} b_{{12}}\,\! lo cual es a 12 + b 12 {\displaystyle a_{12}+b_{12}\,\!} a_{{12}}+b_{{12}}\,\!.

Veamos un ejemplo más explícito. Sea A , B ∈ M 3 ( R ) {\displaystyle A,B\in {\mathcal {M}}_{3}

(\mathbb {R} )} A,B\in {\mathcal {M}}_{{3}}({\mathbb {R}})

[132100122]+[105750211]=[1+13+02+51+70+50+01+22+12+1]=
[ 2 3 7 8 5 0 3 3 3 ] {\displaystyle {\begin{bmatrix}1&3&2\\1&0&0\\1&2&2\end{bmatrix}}+
{\begin{bmatrix}1&0&5\\7&5&0\\2&1&1\end{bmatrix}}={\begin{bmatrix}1+1&3+0&2+5\\1+7&0+
5&0+0\\1+2&2+1&2+1\end{bmatrix}}={\begin{bmatrix}2&3&7\\8&5&0\\3&3&3\end{bmatrix}}}
{\begin{bmatrix}1&3&2\\1&0&0\\1&2&2\end{bmatrix}}+
{\begin{bmatrix}1&0&5\\7&5&0\\2&1&1\end{bmatrix}}={\begin{bmatrix}1+1&3+0&2+5\\1+7&0+
5&0+0\\1+2&2+1&2+1\end{bmatrix}}={\begin{bmatrix}2&3&7\\8&5&0\\3&3&3\end{bmatrix}}

No es necesario que las matrices sean cuadradas:

A la luz de estos ejemplos es inmediato ver que dos matrices se pueden sumar solamente si ambas
tienen el mismo tamaño. La suma de matrices, en el caso de que las entradas estén en un cuerpo,
poseen las propiedades de asociatividad, conmutatividad, existencia de elemento neutro aditivo y
existencia de inverso aditivo. Esto es así ya que estas son propiedades de los cuerpos en los que
están las entradas de la matriz.

Propiedades de la suma de matrices

Sean A , B , C ∈ M n × m ( K ) {\displaystyle A,B,C\in {\mathcal {M}}_{n\times m}(\mathbb {K} )}
A,B,C\in {\mathcal {M}}_{{n\times m}}({\mathbb {K}}), donde K {\displaystyle \mathbb {K} }
{\mathbb {K}} es un cuerpo entonces se cumplen las siguientes propiedades para la operación
binaria + {\displaystyle +} +

Asociatividad

( A + B ) + C = A + ( B + C ) {\displaystyle (A+B)+C=A+(B+C)\,\!} (A+B)+C=A+(B+C)\,\!

Demostración

Conmutatividad

( A + B ) = ( B + A ) {\displaystyle (A+B)=(B+A)\,\!} (A+B)=(B+A)\,\!

Demostración

Existencia del elemento neutro aditivo

Existe 0 ∈ M n × m ( K ) {\displaystyle 0\in {\mathcal {M}}_{n\times m}(\mathbb {K} )} 0\in

{\mathcal {M}}_{{n\times m}}({\mathbb {K}}) tal que

A + 0 = 0 + A = A {\displaystyle A+0=0+A=A\,\!} A+0=0+A=A\,\!

Demostración

Existencia del inverso aditivo

Existe D ∈ M n × m ( K ) {\displaystyle D\in {\mathcal {M}}_{n\times m}(\mathbb {K} )} D\in

{\mathcal {M}}_{{n\times m}}({\mathbb {K}}) tal que
 A + D = 0 {\displaystyle A+D=0\,\!} A+D=0\,\!

a esta matriz D {\displaystyle D\,\!} D\,\! se le denota por − A {\displaystyle -A\,\!} -A\,\!.

Demostración

En efecto, estas propiedades dependen del conjunto en el que estén las entradas, como se ha
dicho antes, aunque en las aplicaciones generalmente los cuerpos usados son R {\displaystyle
\mathbb {R} } \mathbb{R} (los números reales) y C {\displaystyle \mathbb {C} } \mathbb{C} (los
números complejos).

Por como se definió la operación binaria adición se dice que esta operación es una operación
interna por lo que se cumple intrínsecamente la propiedad de que M n × m ( K ) {\displaystyle
{\mathcal {M}}_{n\times m}(\mathbb {K} )} {\mathcal {M}}_{{n\times m}}({\mathbb {K}}) es
cerrado bajo adición. Con éstas propiedades se tiene que ( M n × m ( K ) , + ) {\displaystyle
({\mathcal {M}}_{n\times m}(\mathbb {K} ),+)} ({\mathcal {M}}_{{n\times m}}({\mathbb {K}}),+) es
un grupo abeliano.

En el caso en que el conjunto al que pertenecen las entradas de la matriz sea un anillo ( A , + A , ⋅ A
) {\displaystyle (A,+_{A},\cdot _{A})} (A,+_{{A}},\cdot _{{A}}), la operación de adición de matrices
continúa dotando de estructura de grupo abeliano a ( M n × m ( A ) , + ) {\displaystyle ({\mathcal
{M}}_{n\times m}(A),+)} ({\mathcal {M}}_{{n\times m}}(A),+), ya que bajo un anillo ( A , + A , ⋅ A )
{\displaystyle (A,+_{A},\cdot _{A})} (A,+_{{A}},\cdot _{{A}}) se tiene que ( A , + A ) {\displaystyle (A,
+_{A})\,\!} (A,+_{{A}})\,\! es un grupo abeliano. En el caso de que las entradas estén en un grupo
( G , + G ) {\displaystyle (G,+_{G})\,\!} (G,+_{{G}})\,\!, este necesita ser un grupo abeliano para que
la adición de matrices siga dotando de estructura de grupo abeliano a ( M n × m ( G ) , + )
{\displaystyle ({\mathcal {M}}_{n\times m}(G),+)} ({\mathcal {M}}_{{n\times m}}(G),+).

Producto por un escalar

Sean A ∈ M n × m ( K ) {\displaystyle A\in {\mathcal {M}}_{n\times m}(\mathbb {K} )} A\in

{\mathcal {M}}_{{n\times m}}({\mathbb {K}}) y λ ∈ K {\displaystyle \lambda \in \mathbb {K} }
\lambda \in {\mathbb {K}}. Se define la operación de producto por un escalar como una función K
× M n × m ( K ) ⟶ M n × m ( K ) {\displaystyle \mathbb {K} \times {\mathcal {M}}_{n\times m}
(\mathbb {K} )\longrightarrow {\mathcal {M}}_{n\times m}(\mathbb {K} )} {\mathbb {K}}\times
{\mathcal {M}}_{{n\times m}}({\mathbb {K}})\longrightarrow {\mathcal {M}}_{{n\times m}}
({\mathbb {K}}) tal que ( λ , A ) ↦ B = λ A {\displaystyle (\lambda ,A)\mapsto B=\lambda A}
(\lambda ,A)\mapsto B=\lambda A y donde b i j = λ a i j {\displaystyle b_{ij}=\lambda a_{ij}\,\!}
b_{{ij}}=\lambda a_{{ij}}\,\! en donde el producto es la operación binaria correspondiente pero en
el cuerpo K {\displaystyle \mathbb {K} } {\mathbb {K}}. Por ejemplo, la entrada b 12 {\displaystyle
b_{12}\,\!} b_{{12}}\,\! es igual al producto λ a 12 {\displaystyle \lambda a_{12}\,\!} \lambda
a_{{12}}\,\!.

Veamos un ejemplo más explícito. Sea A ∈ M 2 × 3 ( R ) {\displaystyle A\in {\mathcal {M}}_{2\times

3}(\mathbb {R} )} A\in {\mathcal {M}}_{{2\times 3}}({\mathbb {R}}) y 2 ∈ R {\displaystyle 2\in
\mathbb {R} } 2\in {\mathbb {R}}

2 [ 1 8 − 3 4 − 2 6 ] = [ 2 ( 1 ) 2 ( 8 ) 2 ( − 3 ) 2 ( 4 ) 2 ( − 2 ) 2 ( 6 ) ] = [ 2 16 − 6 8 − 4 12 ]
{\displaystyle 2{\begin{bmatrix}1&\,\,\ \,8&-3\\4&-
2&\,\,\,6\end{bmatrix}}={\begin{bmatrix}2(1)&\,\,\,\,2(8)&2(-3)\\2(4)&2(-
2)&\,\,\,\,2(6)\end{bmatrix}}={\begin{bmatrix}2&\,16&-6\\8&-4&\,12\end{bmatrix}}}
{\displaystyle 2{\begin{bmatrix}1&\,\,\ \,8&-3\\4&-
2&\,\,\,6\end{bmatrix}}={\begin{bmatrix}2(1)&\,\,\,\,2(8)&2(-3)\\2(4)&2(-
2)&\,\,\,\,2(6)\end{bmatrix}}={\begin{bmatrix}2&\,16&-6\\8&-4&\,12\end{bmatrix}}}

También es inmediato observar que el producto por un escalar da como resultado una matriz del
mismo tamaño que la original. También el producto por un escalar dependerá de la estructura
algebraica en la que las entradas están. En el caso de que estén en un cuerpo serán dos
distributividades (una respecto de suma de matrices y otra respecto de suma en el cuerpo),
asociatividad y una propiedad concerniente al producto por el elemento neutro multiplicativo del
cuerpo. A continuación se presentan las propiedades.

Propiedades del producto por un escalar

Sean A , B ∈ M n × m ( K ) {\displaystyle A,B\in {\mathcal {M}}_{n\times m}(\mathbb {K} )} A,B\in

{\mathcal {M}}_{{n\times m}}({\mathbb {K}}) y λ , μ ∈ K {\displaystyle \lambda ,\mu \in \mathbb
{K} } \lambda ,\mu \in {\mathbb {K}}, donde K {\displaystyle \mathbb {K} } {\mathbb {K}} es un
cuerpo, entonces se cumplen las siguientes propiedades para la operación producto por un escalar

Asociatividad

( λ μ ) A = λ ( μ A ) {\displaystyle (\lambda \mu )A=\lambda (\mu A)\,\!} (\lambda \mu )

A=\lambda (\mu A)\,\!

Demostración
 Distributividad respecto de la suma de matrices

λ ( A + B ) = λ A + λ B {\displaystyle \lambda (A+B)=\lambda A+\lambda B\,\!} \lambda

(A+B)=\lambda A+\lambda B\,\!

Demostración

Distributividad respecto de la suma en el cuerpo

( λ + μ ) A = λ A + μ A {\displaystyle (\lambda +\mu )A=\lambda A+\mu A\,\!} (\lambda +\mu )

A=\lambda A+\mu A\,\!

Demostración

Producto por el neutro multiplicativo del cuerpo

1 K A = A {\displaystyle 1_{\mathbb {K} }A=A\,\!} 1_{{{\mathbb {K}}}}A=A\,\!

Demostración

Por como se definió la operación de producto por escalares se dice que M n × m ( K ) {\displaystyle
{\mathcal {M}}_{n\times m}(\mathbb {K} )} {\mathcal {M}}_{{n\times m}}({\mathbb {K}}) es
cerrado bajo producto por escalares. Con éstas propiedades y las de la adición se tiene que M n ×
m ( K ) {\displaystyle {\mathcal {M}}_{n\times m}(\mathbb {K} )} {\mathcal {M}}_{{n\times m}}
({\mathbb {K}}) es un espacio vectorial con las operaciones de suma y producto por escalares
definidas antes.

En el caso de que las entradas y los escalares no estén en un cuerpo sino en un anillo entonces no
necesariamente existe el neutro multiplicativo. En caso de que exista, con lo cual el anillo es un
anillo con uno, se dice que M n × m ( A ) {\displaystyle {\mathcal {M}}_{n\times m}(A)} {\mathcal
{M}}_{{n\times m}}(A) es un módulo sobre A {\displaystyle A\,\!} A\,\!.
Ahora, a partir de las propiedades básicas se puede demostrar inmediatamente que:

λ 0 = 0 {\displaystyle \lambda 0=0\,\!} \lambda 0=0\,\!

Demostración

0 K A = 0 {\displaystyle 0_{\mathbb {K} }A=0} 0_{{{\mathbb {K}}}}A=0

Demostración

λ A = 0 ⟶ λ = 0 K o A = 0 {\displaystyle \lambda A=0\longrightarrow \lambda =0_{\mathbb {K} }

{\text{ o }}A=0} \lambda A=0\longrightarrow \lambda =0_{{{\mathbb {K}}}}{\text{ o }}A=0

Demostración

( − λ ) A = λ ( − A ) {\displaystyle (-\lambda )A=\lambda (-A)\,\!} (-\lambda )A=\lambda (-A)\,\!

Demostración

Este último resultado permite usar la notación − λ A {\displaystyle -\lambda A\,\!} -\lambda A\,\!
sin riesgo de ambigüedad.

Producto de matrices

Diagrama esquemático que ilustra el producto de dos matrices A {\displaystyle A\,\!} A\,\! y B
{\displaystyle B\,\!} B\,\! dando como resultado la matriz A B {\displaystyle AB\,\!} AB\,\!.

Artículo principal: Multiplicación de matrices

Artículo principal: Aplicación lineal

El producto de matrices se define de una manera muy peculiar y hasta caprichosa cuando no se
conoce su origen. El origen proviene del papel de las matrices como representaciones de
aplicaciones lineales. Así el producto de matrices, como se define, proviene de la composición de
aplicaciones lineales. En este contexto, el tamaño de la matriz corresponde con las dimensiones de
los espacios vectoriales entre los cuales se establece la aplicación lineal. De ese modo el producto
de matrices, representa la composición de aplicaciones lineales.

En efecto, en ciertas bases tenemos que f : V ⟶ W {\displaystyle f:V\longrightarrow W}

f:V\longrightarrow W se puede representar como f ( x ) = A x {\displaystyle f(x)=Ax\,\!} f(x)=Ax\,\!
donde x {\displaystyle x\,\!} x\,\! es la representación de un vector de V {\displaystyle V\,\!} V\,\!
en la base que se ha elegido para V {\displaystyle V\,\!} V\,\! en forma de vector columna. Si
tenemos dos aplicaciones lineales f : V ⟶ W {\displaystyle f:V\longrightarrow W}
f:V\longrightarrow W y g : W ⟶ U {\displaystyle g:W\longrightarrow U} g:W\longrightarrow U
entonces f ( x ) = B x {\displaystyle f(x)=Bx\,\!} f(x)=Bx\,\! y g ( x ) = A x {\displaystyle g(x)=Ax\,\!}
g(x)=Ax\,\!, luego la aplicación g ∘ f : V ⟶ U {\displaystyle g\circ f:V\longrightarrow U} g\circ
f:V\longrightarrow U se representará como g ∘ f ( x ) = g ( f ( x ) ) = g ( B x ) = A B x {\displaystyle
g\circ f(x)=g(f(x))=g(Bx)=ABx} g\circ f(x)=g(f(x))=g(Bx)=ABx donde A B {\displaystyle AB\,\!} AB\,\!
es el producto de las representaciones matriciales de f , g {\displaystyle f,g\,\!} f,g\,\!. Nótese que
la composición no se puede dar entre cualquier aplicación sino entre aplicaciones que vayan de V
→ W → U {\displaystyle V\rightarrow W\rightarrow U\,\!} V\rightarrow W\rightarrow U\,\!, en
particular debe de haber una relación entre las dimensiones de los espacios vectoriales. Una vez
dicho esto podemos definir el producto de la siguiente manera.

Sean A ∈ M n × m ( K ) {\displaystyle A\in {\mathcal {M}}_{n\times m}(\mathbb {K} )} A\in

{\mathcal {M}}_{{n\times m}}({\mathbb {K}}) y B ∈ M m × p ( K ) {\displaystyle B\in {\mathcal
{M}}_{m\times p}(\mathbb {K} )} B\in {\mathcal {M}}_{{m\times p}}({\mathbb {K}}). Se define el
producto de matrices como una función M n × m ( K ) × M m × p ( K ) ⟶ M n × p ( K ) {\displaystyle
{\mathcal {M}}_{n\times m}(\mathbb {K} )\times {\mathcal {M}}_{m\times p}(\mathbb
{K} )\longrightarrow {\mathcal {M}}_{n\times p}(\mathbb {K} )} {\mathcal {M}}_{{n\times m}}
({\mathbb {K}})\times {\mathcal {M}}_{{m\times p}}({\mathbb {K}})\longrightarrow {\mathcal
{M}}_{{n\times p}}({\mathbb {K}}) tal que ( A , B ) ↦ C = A B {\displaystyle (A,B)\mapsto C=AB}
(A,B)\mapsto C=AB y donde c i j = ∑ k = 1 m a i k b k j {\displaystyle c_{ij}=\sum
_{k=1}^{m}a_{ik}b_{kj}} c_{{ij}}=\sum _{{k=1}}^{{m}}a_{{ik}}b_{{kj}} para toda i , j {\displaystyle
i,j\,\!} i,j\,\!, es decir c i j = a i 1 b 1 j + a i 2 b 2 j + a i 3 b 3 j + ⋯ + a i m b m j {\displaystyle
c_{ij}=a_{i1}b_{1j}+a_{i2}b_{2j}+a_{i3}b_{3j}+\dots +a_{im}b_{mj}\,\!} c_{{ij}}=a_{{i1}}b_{{1j}}
+a_{{i2}}b_{{2j}}+a_{{i3}}b_{{3j}}+\dots +a_{{im}}b_{{mj}}\,\!. Por ejemplo, la entrada c 12 = a 11 b
12 + a 12 b 22 + a 13 b 32 + ⋯ + a 1 m b m 2 {\displaystyle
c_{12}=a_{11}b_{12}+a_{12}b_{22}+a_{13}b_{32}+\dots +a_{1m}b_{m2}} c_{{12}}=a_{{11}}b_{{12}}
+a_{{12}}b_{{22}}+a_{{13}}b_{{32}}+\dots +a_{{1m}}b_{{m2}}.

Veamos un ejemplo más explícito. Sean A ∈ M 2 × 3 ( R ) {\displaystyle A\in {\mathcal

{M}}_{2\times 3}(\mathbb {R} )} A\in {\mathcal {M}}_{{2\times 3}}({\mathbb {R}}) y B ∈ M 3 × 2
( R ) {\displaystyle B\in {\mathcal {M}}_{3\times 2}(\mathbb {R} )} B\in {\mathcal {M}}_{{3\times
2}}({\mathbb {R}})
 [ 102−131][312110]=[1(3)+0(2)+2(1)1(1)+0(1)+2(0)−1(3)+3(2)+1
( 1 ) − 1 ( 1 ) + 3 ( 1 ) + 1 ( 0 ) ] = [ 5 1 4 2 ] {\displaystyle {\begin{bmatrix}\,\,\ \,1&0&2\\-
1&3&1\end{bmatrix}}
{\begin{bmatrix}3&1\\2&1\\1&0\end{bmatrix}}={\begin{bmatrix}\,\,\,\,1(3)+0(2)+2(1)&\,\,\,\,1(1)
+0(1)+2(0)\\-1(3)+3(2)+1(1)&-
1(1)+3(1)+1(0)\\\end{bmatrix}}={\begin{bmatrix}5&1\\4&2\\\end{bmatrix}}} {\displaystyle
{\begin{bmatrix}\,\,\ \,1&0&2\\-1&3&1\end{bmatrix}}
{\begin{bmatrix}3&1\\2&1\\1&0\end{bmatrix}}={\begin{bmatrix}\,\,\,\,1(3)+0(2)+2(1)&\,\,\,\,1(1)
+0(1)+2(0)\\-1(3)+3(2)+1(1)&-
1(1)+3(1)+1(0)\\\end{bmatrix}}={\begin{bmatrix}5&1\\4&2\\\end{bmatrix}}}

dónde la matriz producto es como habíamos establecido en la definición: una matriz C ∈ M 2 × 2

( R ) {\displaystyle C\in {\mathcal {M}}_{2\times 2}(\mathbb {R} )} C\in {\mathcal {M}}_{{2\times
2}}({\mathbb {R}}).

Sin tomar en cuenta la motivación que viene desde las aplicaciones lineales, es evidente ver que si
ignoramos la definición de la función de producto de matrices y solo se toma en cuenta la
definición de las entradas, el producto no estará bien definido, ya que si A {\displaystyle A\,\!}
A\,\! no tiene el mismo número de columnas que B {\displaystyle B\,\!} B\,\! de filas entonces no
podremos establecer en donde acaba la suma: si la acabamos en el mayor de éstos números habrá
sumandos que no están definidos ya que una de las matrices no tendrá más entradas, mientras
que si tomamos el menor habrá entradas de alguna de las matrices que no se tomen en cuenta.
Así es necesario que A {\displaystyle A\,\!} A\,\! tenga el mismo número de columnas que B
{\displaystyle B\,\!} B\,\! de filas para que A B {\displaystyle AB\,\!} AB\,\! esté definida.

Como se puede suponer también, las propiedades de esta operación serán más limitadas en la
generalidad ya que además de las limitaciones impuestas por la naturaleza de las entradas está
esta limitación respecto a tamaño. Es claro, además, que el producto de matrices no siempre es
una operación interna.

El producto de las matrices A x B también puede realizarse sumando el producto de cada columna
de A por la correspondiente fila de B y expresarse utilizando el convenio de suma de Einstein. La
enésima columna del producto de las matrices A x B es combinación lineal de las columnas de A
siendo cada escalar en dicha combinación el elemento correspondiente de la enésima columna de
B. La enésima fila del producto de las matrices A x B es combinación lineal de las filas de B siendo
cada escalar en dicha combinación el elemento correspondiente de la enésima fila de A.
Propiedades del producto de matrices

Sean A , B , C {\displaystyle A,B,C\,\!} A,B,C\,\! matrices con entradas en K {\displaystyle \mathbb

{K} } {\mathbb {K}}, donde K {\displaystyle \mathbb {K} } {\mathbb {K}} es un cuerpo, entonces se
cumplen las siguientes propiedades para el producto de matrices (considerando que los productos
existan)

Asociatividad

A ( B C ) = ( A B ) C {\displaystyle A(BC)=(AB)C\,\!} A(BC)=(AB)C\,\!

Demostración

Distributividad respecto de la suma de matrices por la derecha

( A + B ) C = A C + B C {\displaystyle (A+B)C=AC+BC\,\!} (A+B)C=AC+BC\,\!

Demostración

Distributividad respecto de la suma de matrices por la izquierda

A ( B + C ) = A B + A C {\displaystyle A(B+C)=AB+AC\,\!} A(B+C)=AB+AC\,\!

Demostración

El producto de matrices no es conmutativo, si lo fuera la composición de funciones lineales sería

conmutativa y eso en general no sucede. Obviamente, existen casos particulares de algunos tipos
de matrices en los que sí hay conmutatividad. En el caso en que tengamos M n ( K ) {\displaystyle
{\mathcal {M}}_{n}(\mathbb {K} )} {\mathcal {M}}_{{n}}({\mathbb {K}}) tendremos que el producto
entre matrices en M n ( K ) {\displaystyle {\mathcal {M}}_{n}(\mathbb {K} )} {\mathcal {M}}_{{n}}
({\mathbb {K}}) también está en M n ( K ) {\displaystyle {\mathcal {M}}_{n}(\mathbb {K} )}
{\mathcal {M}}_{{n}}({\mathbb {K}}). En ese caso M n ( K ) {\displaystyle {\mathcal {M}}_{n}
(\mathbb {K} )} {\mathcal {M}}_{{n}}({\mathbb {K}}) además de espacio vectorial es un álgebra
sobre un cuerpo. En el caso de que el conjunto al que pertenecen las entradas sea un anillo
conmutativo con uno entonces M n ( A ) {\displaystyle {\mathcal {M}}_{n}(A)} {\mathcal {M}}_{{n}}
(A) además de módulo es un álgebra sobre un anillo. Más aún ( M n ( K ) , + , ⋅ ) {\displaystyle
({\mathcal {M}}_{n}(\mathbb {K} ),+,\cdot )} ({\mathcal {M}}_{{n}}({\mathbb {K}}),+,\cdot ) con ⋅
{\displaystyle \cdot } \cdot el producto de matrices es un anillo.

Otros conceptos relacionados con matrices

Rango de una matriz

Artículo principal: Rango de una matriz

El rango de una matriz A {\displaystyle A\,\!} A\,\! es la dimensión de la imagen de la aplicación

lineal representada por A {\displaystyle A\,\!} A\,\!, que coincide con la dimensión de los espacios
vectoriales generados por las filas o columnas de A {\displaystyle A\,\!} A\,\!.

Matriz traspuesta

Artículo principal: Matriz traspuesta

La traspuesta de una matriz A ∈ M n × m ( X ) {\displaystyle A\in {\mathcal {M}}_{n\times m}

(X)\,\!} A\in {\mathcal {M}}_{{n\times m}}(X)\,\!, donde X {\displaystyle X\,\!} X\,\! no es
necesariamente un cuerpo, es una matriz B ∈ M m × n ( X ) {\displaystyle B\in {\mathcal
{M}}_{m\times n}(X)\,\!} B\in {\mathcal {M}}_{{m\times n}}(X)\,\! tal que b i j = a j i {\displaystyle
b_{ij}=a_{ji}\,\!} b_{{ij}}=a_{{ji}}\,\!. Por ejemplo la entrada b 12 = a 21 {\displaystyle
b_{12}=a_{21}\,\!} b_{{12}}=a_{{21}}\,\!.

Veamos un ejemplo más explícito. Sea A ∈ M 2 × 3 ( R ) {\displaystyle A\in {\mathcal {M}}_{2\times

3}(\mathbb {R} )} A\in {\mathcal {M}}_{{2\times 3}}({\mathbb {R}})

[ 1 8 − 3 4 − 2 6 ] {\displaystyle {\begin{bmatrix}1&\,\,\ \,8&-3\\4&-2&\,\,\ 6\end{bmatrix}}}

{\displaystyle {\begin{bmatrix}1&\,\,\ \,8&-3\\4&-2&\,\,\ 6\end{bmatrix}}}

entonces su traspuesta es

[ 1 4 8 − 2 − 3 6 ] {\displaystyle {\begin{bmatrix}\,\,\ \,1&\,\,\ \,4\\\,\,\ \,8&-2\\-

3&\,\,\,\,6\end{bmatrix}}} {\displaystyle {\begin{bmatrix}\,\,\ \,1&\,\,\ \,4\\\,\,\ \,8&-2\\-
3&\,\,\,\,6\end{bmatrix}}}
Así, informalmente podríamos decir que la traspuesta es aquella matriz que se obtiene de la
original cambiando filas por columnas. Las notaciones usuales para denotar la traspuesta de una
matriz son A T , A t {\displaystyle A^{T},A^{t}\,\!} A^{{T}},A^{{t}}\,\!.

La trasposición de matrices tiene las siguientes propiedades (donde ahora sí el conjunto de

entradas debe ser al menos un anillo conmutativo):

( A T ) T = A , ( A + B ) T = A T + B T , ( A B ) T = B T A T , {\displaystyle
{\begin{aligned}&(A^{T})^{T}=A,\\&(A+B)^{T}=A^{T}
+B^{T},\\&(AB)^{T}=B^{T}A^{T},\\\end{aligned}}}
{\begin{aligned}&(A^{{T}})^{{T}}=A,\\&(A+B)^{{T}}=A^{{T}}
+B^{{T}},\\&(AB)^{{T}}=B^{{T}}A^{{T}},\\\end{aligned}}

Si A ∈ M n × m ( X ) {\displaystyle A\in {\mathcal {M}}_{n\times m}(X)\,\!} A\in {\mathcal

{M}}_{{n\times m}}(X)\,\! representa una aplicación lineal, entonces la matriz A T {\displaystyle
A^{T}\,\!} A^{{T}}\,\! describe la traspuesta de la aplicación lineal.

Matrices cuadradas y definiciones relacionadas

Una matriz cuadrada es una matriz que tiene el mismo número de filas que de columnas. El
conjunto de todas las matrices cuadradas n-por-n junto a la suma y la multiplicación de matrices,
es un anillo que generalmente no es conmutativo.

M(n,R), el anillo de las matrices cuadradas reales, es un álgebra asociativa real unitaria. M(n,C), el
anillo de las matrices cuadradas complejas, es un álgebra asociativa compleja.

La matriz identidad In de orden n es la matriz n por n en la cual todos los elementos de la diagonal
principal son iguales a 1 y todos los demás elementos son iguales a 0. La matriz identidad se
denomina así porque satisface las ecuaciones MIn = M y InN = N para cualquier matriz M m por n y
N n por k. Por ejemplo, si n = 3:

I 3 = [ 1 0 0 0 1 0 0 0 1 ] . {\displaystyle \mathbf {I}

_{3}={\begin{bmatrix}1&0&0\\0&1&0\\0&0&1\end{bmatrix}}.} {\mathbf
{I}}_{3}={\begin{bmatrix}1&0&0\\0&1&0\\0&0&1\end{bmatrix}}.
La matriz identidad es el elemento unitario en el anillo de matrices cuadradas.

Los elementos invertibles de este anillo se llaman matrices invertibles, regulares o no singulares.
Una matriz A n por n es invertible si y sólo si existe una matriz B tal que AB = I

(left)

En este caso, B es la matriz inversa de A, identificada por A-1 . El conjunto de todas las matrices
invertibles n por n forma un grupo (concretamente un grupo de Lie) bajo la multiplicación de
matrices, el grupo lineal general.

Si λ es un número y v es un vector no nulo tal que Av = λv, entonces se dice que v es un vector
propio de A y que λ es su valor propio asociado. El número λ es un valor propio de A si y sólo si
A−λIn no es invertible, lo que sucede si y sólo si pA(λ) = 0, donde pA(x) es el polinomio
característico de A. pA(x) es un polinomio de grado n y por lo tanto, tiene n raíces complejas
múltiples raíces si se cuentan de acuerdo a su multiplicidad. Cada matriz cuadrada tiene
exactamente n valores propios complejos.

El determinante de una matriz cuadrada A es el producto de sus n valores propios, pero también
puede ser definida por la fórmula de Leibniz. Las matrices invertibles son precisamente las
matrices cuyo determinante es distinto de cero.

El algoritmo de eliminación gaussiana puede ser usado para calcular el determinante, el rango y la
inversa de una matriz y para resolver sistemas de ecuaciones lineales.

La traza de una matriz cuadrada es la suma de los elementos de la diagonal, lo que equivale a la
suma de sus n valores propios.

Una matriz de Vandermonde es una matriz cuadrada cuyas filas son las potencias de un número.
Su determinante es fácil de calcular.

Matriz Lógica

Artículo principal: Matriz booleana

Una matriz lógica, matriz binaria, matriz de relación, matriz booleana o matriz (0,1) es una matriz
con entradas del dominio booleano B = { 0 , 1 } {\displaystyle B=\{0,1\}} {\displaystyle B=\{0,1\}}.
Tal matriz puede ser usada para representar una relación binaria entre un par de conjuntos finitos.

Representación de una relación matricial

Si R {\displaystyle R} R es una relación binaria entre los finitos conjuntos ordenados X {\displaystyle
X} X e Y {\displaystyle Y} Y (tales que R ⊆ X ⋅ Y {\displaystyle R\subseteq X\cdot Y} {\displaystyle
R\subseteq X\cdot Y}), entonces R {\displaystyle R} R puede representarse por la matriz lógica M
{\displaystyle M} M cuyos índices de fila y columna ordenan los elementos de X {\displaystyle X} X
e Y {\displaystyle Y} Y, respectivamente, tales que las entradas de M {\displaystyle M} M se definen
por:

M i , j = { 1 ( x i , y j ) ∈ R 0 ( x i , y j ) ∉ R {\displaystyle M_{i,j}={\begin{cases}1&(x_{i},y_{j})\in
R\\0&(x_{i},y_{j})\not \in R\end{cases}}} {\displaystyle M_{i,j}={\begin{cases}1&(x_{i},y_{j})\in
R\\0&(x_{i},y_{j})\not \in R\end{cases}}}

Con el fin de designar los números de cada fila y columna de la matriz, los conjuntos X e Y están
ordenados con números enteros positivos: i va desde 1 hasta la cardinalidad (tamaño) de X y j
oscila entre 1 y la cardinalidad de Y.

Ejemplo

La relación binaria R en el conjunto {1, 2, 3, 4} se define de manera que aRb se lleva a cabo si y sólo
si a divide b uniformemente, sin resto. Por ejemplo, 2R4 satisface la relación porque 2 divide 4 sin
dejar un resto, pero 3R4 no porque cuando 3 divide 4 hay un resto de 1. El conjunto siguiente es el
conjunto de pares para los que se mantiene la relación R.

{(1, 1), (1, 2), (1, 3), (1, 4), (2, 2), (2, 4), (3, 3), (4, 4)}.

La representación correspondiente como matriz booleana es:

( 1 1 1 1 0 1 0 1 0 0 1 0 0 0 0 1 ) . {\displaystyle
{\begin{pmatrix}1&1&1&1\\0&1&0&1\\0&0&1&0\\0&0&0&1\end{pmatrix}}.} {\displaystyle
{\begin{pmatrix}1&1&1&1\\0&1&0&1\\0&0&1&0\\0&0&0&1\end{pmatrix}}.}
Algunas Propiedades

La representación matricial de la relación de igualdad en un conjunto finito es la matriz de

identidad, es decir, una matriz cuya diagonal principal es todo unos (1), mientras que el resto de
elementos son ceros(0). Si el dominio booleano es visto como un semianillo, donde la suma
corresponde al OR lógico y la multiplicación al AND lógico, la representación matricial de la
composición de dos relaciones es igual al producto de la matriz de las representaciones matriciales
de esta relación. Este producto se puede calcular en el tiempo esperado O(n2).

Frecuentemente, las operaciones en matrices binarias están definidas en términos de la aritmética

modular mod 2, es decir, los elementos se tratan como elementos del campo de Galois GF(2) = ℤ2.
Surgen una variedad de representaciones y tienen un número de formas especiales más
restringidas. Se aplican por ejemplo en XOR-satisfacible (Inglés).

El número de matrices binarias mxn distintas es igual a 2mn, y es, por consiguiente, finito.

Aplicaciones

Las matrices en la Computación

Las matrices son utilizadas ampliamente en la computación, por su facilidad y liviandad para
manipular información. En este contexto, son una buena forma para representar grafos, y son muy
utilizadas en el cálculo numérico. En la computación gráfica, las matrices son ampliamente usadas
para lograr animaciones de objetos y formas.

Ejemplo de brazo robótico

El mundo de las matrices es muy amplio aunque parezca tan simple, programas como Matlab
pueden crear sistemas de matrices tan complejos que incluso al programa le es difícil resolverlos.
Aunque no lo parezca las matrices también se pueden aplicar al mundo de la computación y
programación.

Un ejemplo sencillo sería el campo aplicado a la programación en lo que viene relacionado con la
robótica ya que se utiliza en este caso el programa matlab para poder programar robots como
puede ser un brazo biónico. Un ejemplo sería el Lynx6.

El Lynx6 se considera un manipulador de 5 ejes de rotación (base, hombro, codo, movimiento y

rotación de la muñeca); este brazo mecánico entrega movimientos rápidos, exactos y repetitivos,
gracias a los servomotores que lleva incorporados. Como paso previo se debe desarrollar una
aplicación que obtiene el modelo directo FK e inverso IK del brazo robótico.

Brazo Robótico

-El modelo FK consiste en encontrar una matriz de transformación homogénea T que relacione la
posición cartesiana (Px, Py, PZ) y los ángulos de Euler (φ,ψ,θ) Escogiendo adecuadamente el
sistema de coordenadas ligado a cada segmento es posible ir de un sistema referencial al siguiente
por medio de 4 transformaciones básicas.

-Matriz de transformación (1) Donde es la matriz resultante que relaciona el sistema de referencia
del segmento i-1 con el sistema de referencia del segmento ièsimo, Rotz(ϴ1) es la rotación
alrededor del eje Z i-1 con un valor de ϴ1, T (0,0, di) es una traslación de una distancia di, a lo largo
del eje Zi-1 , T (a1, 0,0) es una traslación de una distancia a1, a lo largo del eje Xi . Y finalmente
Rotx(αi) es la rotación alrededor del eje de Xi, con un valor de αi

Los resultados van a depender exclusivamente de las características geométricas del brazo
manipulador. En nuestro caso los parámetros físicos dependen de los valores de las articulaciones
y longitud conocidos en cada sistema de coordenadas, deben expresarse y asignarse en términos
de la convención D-H. Multiplicando las matrices individuales de la ecuación (1) en el orden
correcto, la matriz de transformación, que resuelve los valores de posición y orientación en cada
sistema de coordenadas es la ecuación (2 ) Los términos individuales de las tres primeras columnas
de la matriz (n, o, a) representan la orientación del eje principal en el sistema de coordenadas. La
última columna P indica la posición (x, y, z) del origen. Cada uno de los términos de la matriz
pueden calcularse a partir de las ecuaciones siguientes :

La relación entre las matrices de transformación, forma la cadena cinemática de las articulaciones
y segmentos consecutivos del brazo robótico. Donde T es la matriz de transformación homogénea
buscada . Sustituyendo los parámetros de la tabla 2 en las matrices de transformación se obtienen
estas ecuaciones. Calculando la multiplicación no conmutativa de la ecuación (17, se obtiene la
matriz de transformación homogénea: Donde (n, o, a) es una terna ortogonal que representa la
orientación y P es un vector (Px, Py, Pz) que representa la posición del efector extremo del brazo.
La solución obtenida para una posición en reposo del brazo con Θ1= 0º , θ2= 90º , θ3 =0º , θ4=
-90º y θ5=0º

Teoría de matrices

La teoría de matrices es una rama de las matemáticas que se centra en el estudio de matrices.
Inicialmente una rama secundaria del álgebra lineal, ha venido cubriendo también los temas
relacionados con la teoría de grafos, el álgebra, la combinatoria y la estadística.
Matrices relacionadas con otros temas

Una matriz puede identificarse a una aplicación lineal entre dos espacios vectoriales de dimensión
finita. Así la teoría de las matrices habitualmente se considera como una rama del álgebra lineal.
Las matrices cuadradas desempeñan un papel particular, porque el conjunto de matrices de orden
n (n entero natural no nulo dado) posee propiedades de « estabilidad » de operaciones.

Los conceptos de matriz estocástica y matriz doblemente estocástica son herramientas

importantes para estudiar los procesos estocásticos, en probabilidad y en estadística.

Las matrices definidas positivas aparecen en la búsqueda de máximos y mínimos de funciones a

valores reales, y a varias variables.

Es también importante disponer de una teoría de matrices a coeficientes en un anillo. En

particular, las matrices a coeficientes en el anillo de polinomios se utilizan en teoría de mandos.

En matemáticas puras, los anillos de matrices pueden proporcionar un rico campo de

contraejemplos para conjeturas matemáticas.

Matrices en teoría de grafos

En teoría de los grafos, a todo grafo etiquetado corresponde la matriz de adyacencia. Una matriz
de permutación es una matriz que representa una permutación; matriz cuadrada cuyos
coeficientes son 0 o 1, con un solo 1 en cada línea y cada columna. Estas matrices se utilizan en
combinatorio.

También existe otro tipo de matriz además de la matriz de adyacencia que es la conocida como
matriz de incidencia en la cual el grafo se muestra en una matriz de A (serían las aristas) por V
(serían los vértices), donde contiene la información de la arista (1 si está conectado y 0 no
conectado).

Si nos dan un grafo G = ( X , U ) {\displaystyle G=(X,U)} {\displaystyle G=(X,U)}, de orden n

{\displaystyle n} n, podemos llegar a representar una relación de adyacencia, mediante una matriz
A = [ a i j ] {\displaystyle A=[a_{ij}]} {\displaystyle A=[a_{ij}]} nxn, también llamada matriz de
adyacencia de G.
Se deben de tener en cuenta una serie de observaciones sobre esto:

La matriz de adyacencia es una matriz booleana, como se ha dicho antes es una matriz que solo
puede contener 0 y 1.

Σi xij = semigrado exterior de xi

Σj xij = semigrado interior de xj

En la teoría de grafos, se llama matriz de un grafo a la matriz que indica en la línea i y la columna j
el número de aristas que enlazan el vértice i al vértice j. En un grafo no orientado, la matriz es
simétrica. La suma de los elementos de una columna permite determinar el grado de un vértice. La
matriz M n {\displaystyle M^{n}} M^{n} indica en la línea i y la columna j el número de caminos a n
aristas que adjuntan el vértice i al vértice j.

Grafo sobre el que se realiza el estudio.

A continuación mostraremos un ejemplo de un grafo y su matriz de adyacencia:

La matriz de adyacencia de este grafo vendría dada de la forma:

/ V1 V2 V3 V4 V5

V1 0 1 0 0 0

V2 1 0 1 1 0

V3 1 1 0 1 0

V4 0 1 1 1 0

V5 0 0 1 0 0

La matriz de adyacencia se basa en las conexiones que se realizan entre los vértices del grafo
apareciendo así un 1 en los casos en los que dos vértices están conectados y un 0 en los casos en
los que no.

En algunos casos como el de la posición V3/V5 se observa un 0 debido a que la conexión entre
ellos muestra un sentido permitiendo el paso de flujo de V5 a V3 pero no al contrario, motivo por
el cual V5/V3 si presenta un 1.
Cabe decir que si se toma otra ordenación de los vértices la matriz de adyacencia será diferente,
pero todas las matrices de adyacencia resultantes de un mismo grafo están unidas por una matriz
de permutación P tal que P-1 C P = A (Siendo C y A dos matrices de adyacencia distintas pero
provenientes de un mismo grafo).

Análisis y geometría

La Matriz de Hessian de una función diferencial ƒ: Rn → R consiste en la segunda derivada de f con

respecto a las varias direcciones de coordenadas, esto es,

H ( f ) = [ ∂ 2 f ∂ x i ∂ x j ] . {\displaystyle H(f)=\left[{\frac {\partial ^{2}f}{\partial x_{i}\,\partial

x_{j}}}\right].} {\displaystyle H(f)=\left[{\frac {\partial ^{2}f}{\partial x_{i}\,\partial x_{j}}}\right].}

En el punto de silla de montar (x = 0, y = 0) (rojo) de la función f(x,−y) = x2 − y2, la Matriz de

Hessians [ 2 0 0 − 2 ] {\displaystyle {\begin{bmatrix}2&0\\0&-2\end{bmatrix}}} {\displaystyle
{\begin{bmatrix}2&0\\0&-2\end{bmatrix}}} es indefinida.

Codifica información sobre el comportamiento creciente de la función: dando un punto crítico x =

(x1, ..., xn), esto es, un punto donde la primera derivada parcial ∂ f / ∂ x i {\displaystyle \partial
f/\partial x_{i}} {\displaystyle \partial f/\partial x_{i}} de ƒ desaparece, la función tiene un mínimo
local si la matriz de Hessian es definida positiva para todos sus valores. La programación cuadrática
puede usarse para encontrar mínimos y máximos globales de una función cuadrática
estrechamente relacionadas con las asociadas a matrices.

Otra matriz frecuentemente utilizada en situaciones geométricas el la Matriz Jacobi de un mapa

diferenciable f: Rn → Rm. Si f1, ..., fm indica los componentes de f, entonces la matriz Jacobi es
definada como

J ( f ) = [ ∂ f i ∂ x j ] 1 ≤ i ≤ m , 1 ≤ j ≤ n . {\displaystyle J(f)=\left[{\frac {\partial f_{i}}{\partial

x_{j}}}\right]_{1\leq i\leq m,1\leq j\leq n}.} {\displaystyle J(f)=\left[{\frac {\partial f_{i}}{\partial
x_{j}}}\right]_{1\leq i\leq m,1\leq j\leq n}.}

Si n > m, y si el rango de la matriz Jacobi alcanza su valor máximo m, f es localmente invertible en

ese punto, por el teorema de la función implícita. Las ecuaciones diferenciales parciales pueden
clasificarse considerando la matriz de coeficientes de los operadores diferenciales de orden más
alto de la ecuación. Para las ecuaciones diferenciales elípticas parciales esta matriz es positiva para
todos sus valores, los cuales tienen una influencia decisiva en el grupo de soluciones posibles de la
ecuación en cuestión.

El método de elementos finitos es un importante método numérico para resolver ecuaciones

diferenciales parciales, extensamente aplicado en simulaciones de sistemas físicos complejos.
Intenta aproximar la solución a alguna ecuación de funciones lineales pieza a pieza, donde las
piezas son elegidas con respecto a una rejilla suficientemente fina, que a su vez puede ser
refundida como una ecuación matricial.

Algunos teoremas

Teorema de Cayley-Hamilton

Teorema de Gerschgorin

Véase también

Descomposición de Schur

Descomposición en valores singulares

Descomposición QR

Determinante (matemática)

Eliminación de Gauss-Jordan

Factorización LU

Forma canónica de Jordan

Lema de Schur

Matlab

Matriz triangular

Referencias

Beezer, Rob, Un primer curso en álgebra lineal, licencia bajo GFDL. (En inglés)

Jim Hefferon: Álgebra lineal (Libros de texto en línea) (En inglés)

Notas

Tony Crilly (2011). 50 cosas que hay que saber sobre matemáticas. Ed. Ariel. ISBN 978-987-1496-
09-9.

Swaney, Mark. History of Magic Squares.

Shen Kangshen et al. (ed.) (1999). Nine Chapters of the Mathematical Art, Companion and
Commentary. Oxford University Press. cited byOtto Bretscher (2005). Linear Algebra with
Applications (3rd ed. edición). Prentice-Hall. pp. 1.

De Burgos, Juan (2006). «Sistemas de ecuaciones lineales». Álgebra lineal y geometría

cartesiana. p. 6. ISBN 9788448149000.

Enlaces externos

Determinante de una matriz

Una breve historia del álgebra lineal y de la teoría de matrices lineal (en inglés)

Matemáticas/Matrices(En Wikilibros)

Esta obra contiene una traducción parcial derivada de «Matrix (mathematics)» de la Wikipedia
en inglés, concretamente de esta versión, publicada por sus editores bajo la Licencia de
documentación libre de GNU y la Licencia Creative Commons Atribución-CompartirIgual 3.0
Unported.

Esta obra contiene una traducción parcial derivada de «Logical Matrix» de la Wikipedia en
inglés, concretamente de esta versión, publicada por sus editores bajo la Licencia de
documentación libre de GNU y la Licencia Creative Commons Atribución-CompartirIgual 3.0
Unported.