APENDICE MATEMATICO * NOCIONES ELEMENTALES DE ALGEBRA MATRICIAL 1. PREMISA E] Algebra matricial es una rama de la matematica que ha sido desarrollada, sobre todo, para el andlisis de los sistemas de ecua- ciones lineales. Efectivamente, mientras que estos sistemas son de dos 0 tres ecuaciones es suficiente recurrir al algebra elemental y ——gus-soluciones-se-pueden-representar-graficamente-Pero-cuando-el. ntimero de ecuaciones es superior a tres, el uso de la matematica elemental es muy engorroso y las representaciones geométricas no sirven. Aparece, pues, indispensable elaborar instrumentos de andlisis mds poderosos, tarea a la que se dedica el esfuerzo de los estudiosos del Algebra matricial. 2. DEFINICIONES Comenzarémés con algunas definiciones. Se define coio mairiz una tabla ordenada de elementos dis- puestos en m filas y n columnas,’y se escribe: M1 42° 413 ++. Gn Qa, Ay .@: (A.2.1) 1 22 993 an 4my Anz Ama +++ Amn 1 ADVERTENCIA: Este Apéndice maiemdtico contiene una breve presentacién de las nociones mas elementales del Algebra matricial. Sélo presupone el conocimiento de los conceptos bésicos del Algebra elemental. Se advierte también que su objeto es solamente introducir los instrumentos indispensables para Ja comprensién del libro:-No puede; por tanto;-ser-considerado-como-un-texto-de-matemética~A-lo8- lectores que deseen aprender algebra matricial se les aconseja recurrir a un buen . manual sobre el tema. A este respecto queremos sefalar, por ejemplo: Cherubi- no [4], Hadley [8], Gantmacher [7], Bellman [3], Shilov [11], Faddeiev, «Linear Algebra», en Aleksandrov-Kolmogorov-Laurentiev [1]. 285FAX H, Onis simplemente matriz-m-x“n-Si-m-~-n;_la-matriz-se- I 286 LECCIONES DE TEOR[A DE LA PRODUCCION Como se puede apreciar, cada elemento tiene dos subindices; el primero de ellos indica la fila y el segundo la columna a las que el elemento pertenece. Por ello a, indica el elemento que esta en la fila *™* y en Ja columna j“*""*, De una forma més sintética se puede representar con una letra maytscula’A, -o también ‘con el simbolo |jaj|, 0 bien con [aj]; para i=1, 2, ..., m, j=1,2,...,2, 0, finalmente, con [dj]nxn- eZ Obsérvese que una matriz no es otra cosa que una expresién ordenada de elementos. Estos elementos pueden ser las cosas mas variadas, objetos, polinomios, nimeros complejos, nimeros rea- les..., etc. En la actual presentacién nos ocuparemos solamente de matrices cuyos elementos son-nimeros reales. Una matriz de m filas'y n columnas se denomina del tipo denomina rectangular. Si, por el contrario, m = n, la matriz es cuadrada de orden n, donde n es él naémero de filas o de columnas. En una matriz cuadrada los elementos que tienen el mismo indice de fila y columna constituyen la diagonal principal. En este contexto los niimeros del Algebra elemental se pueden interpretar como matrices cuadradas con una sola fila y columna. Este particular tipo de matriz cuadrada, con una sola fila y colum- na, se denomina escalar. Hay matrices cuadradas que tienen caracteristicas muy particu- lares. Una matriz cuadrada se denomina matriz triangular superior (0 matriz triangular inferior) si todos los elementos por debajo (0 por encima) de su diagonal principal son nulos. Por ejemplo, la matriz My Gy. 413 «++. Gin OQ aa2 G3 «++ Gan (A.2.2) 0.0 agg oo an 0 0°00 ++! dan es triangular superior.. = ———-——Jna-matriz-cuadrada-es-matriz-diagonal-si-todos-sus-elementos,—_ excepto los de Ja diagonal principal, son iguales a cero. Se puede indicar con A © (A23) D =p, “EEL sm288 LECCIONES DE TEOR[A DE LA PRODUCCION 3. 'ELEMENTOS DE CALCULO VECTORIAL 3.1. A modo de introduccién, seré bueno detenerse brevemente 1 en algunas de las nociones referentes a los vectores. La nocion de vector fue introducida inicialmente por los fisicos; los cuales ‘se. encontraron frente a la necesidad de tratar magnitudes que no se podian representar con un tnico nimero. Por ejemplo, la nocién de fuerza viene caracterizada por unaicierta intensidad y por‘una determinada direccién. Para representarla hacen falta por lo me- nos dos mimeros. Tradicionalmente ha estado representada por una flecha, llamada vector precisamente, cuya longitud expresa la intensidad del fenémeno y cuya pendiente expresa su direccién (véase la fig. A.1); Fic. A.1. Suponiendo que el vector asf representado parta del origen de coordenadas cartesianas (x;, x2), cosa que haremos a lo largo de nuestra exposicién, podemos representarlo mediante las coordena- das de su extremo (a;, az), en base.a las que podemos individuali- zar, tanto su longitud, llamada médulo, como su direccién. Efecti- vamente, su longitud o médulo serd: (a? + a3)¥?; y la direccion: tga = aay. . : A partir de esta’representaci6n grafica puede constatarse facil- puntos de un espacio y los vectores. A cada punto de un espacio se puede asociar un vector, expresado mediante las coordenadas de aquel punto. Y a cada vector se le puede asociar un punto del ' correspondiente espacio. i: mente la existencia de_una “cotrespondencia_biunivoca_entrelos____"290 LECCIONES DE TEORIA DE LA PRODUCCION El vector suma, representado por I, es un vector en el que todas sus componentes son iguales a la unidad: (A.3.3) 1=[1, 4,0. 0 3.3. Entre los vectores se definen las siguientes operaciones y re- laciones: Igualdad. Dos vectores a y b son iguales si, y sdlo si, cada com- ponente del vector a es igual a su correspondiente componente del vector b, es decir, si (A3.4) Basta considerar los vectores de’dos componentes, que se pue- den representar grdficamente, para darse cuenta del significado de esta definicién. Por ejemplo, en la figura A.2 los vectores a y ¢ no son iguales, aunque tengan una coordenada comin. Se constata pronto que la relacién de igualdad entre vectores goza de las propiedades reflexiva, simétrica y transitiva, es decir, (A3.5) a=a (A.3.6) si a =b, también b = a; (A.3.7) sia=b y b=c,. también a=c. Fis. A.2. Multiplicacién de un escalar ‘por un vector, Dado un escalar i y un vector a, definimos su producto como otro vector ha, cuyos || 292 LECCIONES DE TEORIA DE LA “PRODUCCION En el caso de vectores con dos componentes, puede verificarse el significado de la operacién de suma en términos graficos (véase la fig. A.A). #2 arth, Fic. A.4. El vector suma es precisamente la diagonal-del paralelogramo que se obtiene superponiendo alternativamente cada vector al otro (regla que en fisica es eonocida como regla del paralelogramo). 3.4. En base a las relaciones que hemos presentado, es siempre posible considerar cualquier vector como la suma de otros vectores particulares. Por ejemplo, el vector de dos componentes a = [ay, a9] se puede también escribir como sigue: (A.3.12) a= [4y, a3] = [a1, 0] + (0, al. Ademés, haciendo uso-de-la operacién de, multiplicacién de un escalar por un vector, podemos descomponer el vector a como sigue: (A.3.13) a = a,[1, 0] + a{0, 1). En general, dado un vector a conn componentes, siempre pue- de ser escrito como la suma de 7 vectores unitarios, cada uno de los cuales est4 multiplicado por un escalar igual al correspondiente componente del vector a, como sigue:| | 294 LECCIONES DE TEORIA DE LA PRODUCCION dependientes si uno es miltiplo escalar del otro, es decir, si los do: vectores se mueven sobre la misma recta que pasa por el origen, Y, al revés, dos vectores que no se mueven a lo largo de una mis- ma recta que pasa por el origen es un par de vectores linealmente independientes. En tal espacio se demuestra facilmente que, dados |; dos vectores linealmente independientes, se puede obtener a parti de ellos cualquier otro mediante una combinacién lineal de aqué. llos. En particular, se ve facilmente que cualquier vector puede, considerarse combinacion lineal de Jos dos vectores unitarios | {1, 0], [0, 1]. Se desprende de lo anterior que en un espacio con, **: dos. dimensiones no puede haber més de dos vectores linealment independientes. ; ' i ' 3.5, —Hemos-ya-sefialado-que-en-un-espacio-bidimensional_(V2);, dados dos vectores linealmente independientes, todos los demas pueden ser obtenidos de ellos mediante combinaciones lineales.’ De la misma manera, en un espacio vectorial con mas dimensiones” ser siempre posible, a partir de ciertos vectores, obtener todos los: demas mediante combinaciones lineales de ellos. i Definimos conjunto generador de un espacio vectorial V" w | subconjunto de vectores de V” a partir .del cual; mediante combi- I naciones lineales, se pueden obtener todos los vectores del espa- | cio. Sera evidentemente interesante escoger aquellos conjuntos ge- | neradores que contienen el menor numero posible de vectores. Pa-: i | ! i ra obtenerlos ser necesario eliminar todos aquellos vectores que son linealmente dependientes de otros, de forma que queden s6lo los vectores linealmente independientes. Estos conjuntos genera* dores de V" que contienen el nimero minimo de vectores (entre sf linealmente independientes) se denominan bases’ de V”. 4 Definirenios, pues, base de V” como un subconjunto de vecto-"': res de V", linealmente. independientes, que pueden generar el es-’ pacio universal. Naturalmente, por cada espacio V" existe un nt*: mero infinito de bases. Se puede demostrar, ademas, que cada una. de estas bases contiene el mismo numero de vectores. En particu- | lar, se verifica rapidamente que los n vectores unitarios de V" for- man una base de V". Esta base se denomina «base natural» o «ba, * desprende de ello que" el ntmero-de-vecto- } | | res contenidos en cada base de un espacio V” viene dado por el ntimero n. Este ndmero representa igualmente el ndmero maximo de vectores linealmente independientes contenidos en V". Podemos, por tanto, definir dimensién de un espacio vectorial| 296 LECCIONES DE TEOR{A DE LA PRODUCCION Distancia de un vector (punto) a a otro vector (punto) b, que se escribe Ja — b] y se define como la raiz cuadrada del producto es- calar del vector (a — b) por si mismo: a V2, (A324) fa~bl= [@—b): @—d) TP = [a (a; ~ oy : Se puede constatar fécilmente que: (A.3.25) |a- b| > 0, salvo en el”caso en que a= (A.3.26) |a — bl = |b— al; / (A.3.27) |a — b| + |b — e| > la — ¢| :(desigualdad triangular). concepto de distancia (distancia al vector 0). 4. OPERACIONES CON MATRICES 4.1, Podemos ahora pasar a ocuparnos de las nociones mas gene- rales referentes a las matrices. Observaremos’ répidamente que cualquier matriz del tipo m x n puede considerarse.como la yuxta- posicién de m vectores fila.o bien de n vectores columna. También para las matrices se definen ciertas relaciones’y operaciones, que pasamos a examinar. 4.2. Igualdad. Dos matrices A y B son iguales (A = B) si, ademas de tener el mismo numero de filas y columnas, todo elemento de A es igual a su correspondiente elemento de B, es decir, si aj = by, para todo i, j. La igualdad entre matrices posée las propiedades reflexiva, simétrica y transitiva, es decir: (A412) A=A; (A.4.2) si A= B, se desprende que B = A; (A.4.3) si A= B y B=C, se desprende que A = C. Set ——4,.3.__Suma._Dos.matrices_A_y_B,ambas_con.el_mismo.nimero_de____ filas y columnas, sometidas a la operacién de suma, dan como re- sultado una tercera matriz C = A + B, cuyos elementos son la su- ma de los correspondientes elementos de°A y B, es decir, cy = ay + by, para todo i, j. Se desprende de la definicién presen-| : 298 LECCIONES DE TEORIA DE LA PRODUCCION Cualquier matriz A que tenga la propiedad de ser igual a su traspuesta, es decir, tal que (A411) A=A',” y, por lo tanto, A- A’ =O, . se denomina matriz simétrica, Una matriz simétrica es necesaria~ mente una matriz cuadrada en la que las filas son iguales a las columnas. Toda matriz B que tenga la propiedad de ser igual a la propia traspuesta con el signo cambiado, es decir, tal que (A.4,12) B=-B’, y, por tanto, B + B' =O, se denomina matriz hemisimétrica. Una matriz hemisimétrica es ne- cesariamente una matriz cuadrada en la que las filas son iguales a las columnas multiplicada por — 1. Se desprenide de Jo dicho que todos los elementos de la diagonal principal de una matriz hemisi- métrica son siempre necesariamente iguales a cero. 4.6. Multiplicacién de matrices. Dada una, matriz A de tipo m X ny una matriz B de tipo n x q, se define producto de A por B una tercera matriz C de tipo m'x q en Ja que cada elemento cy es el producto escalar de la i" fila por la /*"* columna de las matrices A y B, respectivamente, es decir, i (A,4.13) cy = 2 Aix Daj La operacién de multiplicaci6n de matrices esta solamente defi- nida si el nimero de columnas de la primera matriz es igual al numero de filas de la ségunda matriz, es decir, si las dos matrices : son, como suele decirse, conformables para la multiplicaci6n. Obsérvese que la matriz producto C tiene necesariamente el mismo nimero de filas que la primera mairiz, A, y el mismo néme- ro de columnas que la segunda, B. fe El hecho que A puede ser posmultiplicada por B, es decir,.que ; Ta mal tipli¢: ‘FAB esté definida; no significa necesariamente-que—— A’se pueda premultiplicar por B, es decir, que la multiplicaci6n BA esté definida. . . Ademas, aunque tanto el producto AB como el BA estén defi-300 LECCIONES DE TEORIA DE LA PRODUCCION Si una matriz A es posmultiplicada por una matriz diagonal D, la matriz producto es una matriz cuyas columnas son iguales a las de.A multiplicadas por los correspondientes escalares de la diago- nal principal de D. Si una matriz A viene premultiplicada por una matriz diagonal D, la matriz producto:es una matriz cuyas filas son- iguales a las de A multiplicadas por los correspondientes escalares de la diagonal principal de D. Si hacemos A’ = [a,j] y D = [8,4], queda: (A.4.23) AD = [)ay], (A.4.24) DA = [Xai]. La traspuesta del producto de dos matrices A y B es el producto de las dos traspuestas en orden inverso, és decir: (A.4.25) (AB)' = B’A’. Efectivamente, dado C’ = (AB)’,‘todo: elemento de C = AB puede expresarse como: ¢jj = ¢y = i diy =D aluidiye = Li Dinas de donde se sigue que.C’ = B’A’. El producto de una matriz A por su traspuesta A’ esta siempre definido. Efectivamente, si A es una matriz de tipo m x n, A’ sera del tipo n X m. Ademés, y en general; (A.4.26) AA’ # AA, aunque el producto AA’, como el A’A, siempre esté definido. Ademis, los productos AA’ y A’A son siempre matrices simétricas. Efectivamente, si (A.4.27) B= AA’, tendremos por la (A.4.25): (A.4.28) B’ = (AA’)’ =, AA’, de donde se desprende que B = B’. Se define traza de una matriz cuadrada B, escrito ¢r (B), la su- ma de los elementos de la diagonal principal.de B. Se demuestra facilmente que 2| 302 LECCIONES DE TEOR{A DE LA PRODUCCION iii) La inversa de la traspuesta es igual a la traspuesta de la inversa, es decir, (A’)~’ = (A~“)’. Efectivamente, por definicién; (A.4.31) AAT=I= AA, Tomando ahora la traspuesta de la a 4, 31) segtin Ja (A.4.25) y teniendo en cuenta que I’ = I, (Ayal eV sts aaty. Por tanto, (A~!)’ es la inversa de A’, es decir: (ay = any. iv) La inversa del producto de dos matrices no singulares A y B es igual al Producto de las dos invérsas en distinto orden, es decir: (AB)~! = B-1A7}, En efecto: (B-'A™}) (AB) = B~A7? AB = BIB =BB=1, (AB) (B~1A7?) = ABB~! AW = AAT = L de donde se desprende que B~'A~ satisface la definicién de inver- sa de AB. v) Si AB = Oy Aes una matriz no singular, se deduce fécil- mente que B = O. De igual forma, si BA = O y A es una matriz no Singular, obtenemos B = O. En efecto, sea A no singular y AB = O. Tendremos: A7‘AB.= A~10 =.0, IB=0, B=0. Idéntica demostracién puede realizarse en el caso de premulti- plicacién. 4.10. Hay casos en.que el célculo de la matriz inversa es ime diato. —————Por ejemplo, le inversa de la matriz unidad (0 idénticay es ella misma, es decir: (A.4.32) I-! = J; efectivamente: LI = I.| 304 LECCIONES DE TEOR[A DE.LA-PRODUCCION Este método de clculo de la matriz inversa es bastante largo y laborioso, dado que comporta un sistema de ecuaciones en el que aparecen tantas de éstas como elementos tiene la matriz considera- da. Mas adelante (apartado 6.7) haremos referencia a un método mas general y mucho menos costoso. : 4.12. Potencia de matrices. Consideremos una matriz cuadrada no-singular A. El producto AA puede anotarse A; el producto AAA con A®, y, en general, el producto AA*1 (0, lo que es lo mismo, A*1A) con A‘, De forma andloga, el producto A~1A~! se puede anotar con A”, y, en general, el producto A~'A=**1 (0 bien A-™1A-2) con A”. Por tiltimo, si convencionalmente y. por analogia con los nti- meros definimos (A.4.34) Ao=I, tendremos que el producto. de potencias de matrices obedece a la regla de la suma de los exponentes. Es decir: (A.4.35) AM Am = arte ATA = AO = Asi, por ejemplo, tenemos: ASA = AAAA™! AW! A“! = AAA™} A! = AAW} = 1 = A®, Tenemos también que en caso en que AB = BA, la potencia de la suma de matrices (A + B)" obedece a la regla de la expansién binomial: ; (A436) (A+B) =a" (i) Amt 3) An? B+ +( . ) ant ow n-1 5. —-MATRICES-COMPUESTAS $$} 5.1, Dada una matriz A del tipo m x n, puede ser titi] descompo- nerla en submatrices, con la finalidad de poner en evidencia deter-306 LECCIONES DE TEORIA DE LA PRODUCCION Au Ap... Aw ; Ant Ago ... Ax eee eee : > Ast Ay 2.. Agy estd descompuesta en s X tbloques Aug, a = 1,2, 558 =1,2, ++, t, de dimensiones hy, X ks. 5.2, Como se puede observar, la matriz A, escrita en la forma (A.5.1), es una matriz cuyos elementos son a su vez matrices. Con las matrices compuestas de elementos que, a su vez, son matrices es posible realizar las operaciones:de suma y multiplicacién de —acuerdo-con-las-reglas-ya-enunciadas-para-las-matrices-cuyos-ele= mentos son escalares, siempre que sean observadas determinadas condiciones en la descomposicién en submatrices. Es posible sumar dos matrices.del mismo tipo, A y B, que hayan sido descompuestas en submatrices, sumando las correspon- dientes submatrices, siempre que éstas sean del mismo tipo. Ello significa que para llevar a efecto la operacién de la suma las matri- ces A y B deben ser descompuestas de la misma forma. Por ejemplo: Indicamos con: ano [3 i} aa=[2 i} An =[7 1, A= (9 4," Bu = F i; na-[8 a Bu =[3 I, B2=[0 4]. ~Por tanto, a) Ant Bu A+ By | avn=[Anths Ao + Baa| 308 LECCIONES DE TEORIA DE LA PRODUCCION obteniendo: 04 13 pea | Bu Be} | -—-- By. By 21 450 3.2 74 Como puede comprobarse, las columnas de A han sido descom- ° puestas de la misma forma que las filas de B, Podremos, por tanto,” realizar la multiplicacién siguiendo la regla (A.5.3) y tendremos: 11. 31 Cy = Ay Bu + Av Ba = [ é 2) Cia = Aus Br + Ara Bar = [3] Coy = Agi Buy + Are Bor = [8 13], Cop = Aa1 Biz + Aza Boo = 14, nu 31 ! 30 c-[ Cue] _ | 6 32 129 Cor Cx ---l-- 813 | 14 Es facil constatar que los mismos resultados se pueden obtener multiplicando las matrices A y B sin descomponer. Obsérvese que las filas de la matriz producto C estén descompuestas de la misma manera que las filas de la matriz A y las columnas de la matriz producto C de la misma forma que las columnas de B. 5.3. Dada una matriz cuadrada compuesta (A.5.3.) A=[Ag], donde a, @=1,2, ...,.8 (0 bien a. <8), Agg =O. Una matriz que sea simulténeamente cuasi triangular superior y cuasi triangu-F | 7 310 LECCIONES DE TEOR[A DE LA PRODUCCION donde Xj; y X22 son submatrices cuadradas de orden k y (n — k), respectivamente, y Xj2 y Xz; submatrices de orden k x (n — kK) y +t (n — k) x k, respectivamente. | De la misma definicién de matriz inversa tenemos: | Au Ai | "| Xu Xi] ~] ln 0 | O Ag | | Xo Xx 0 Ia'|" Aplicando ahora la regla de la multiplicacién (A.5.2) para ma- trices descompuestas, tenemos: (A.5.4) Au Xn — Ay Xa = Tu, (A.5.5) Au X12 — Ar Xx = 7 ——(A.5.6) — Az2-Xo1, | (4.5.7) Aa2 Xoo Dado que Aj existe, de las expresiones (A.5. 6) y (A.5.7) se obtiene: Xa = Azz O= 0, Xo = Azz, y, por tiltimo, sustituyendo en las (A.5.4) y (A.5.5), se obtiene: Xu X12 Ai, — Ait An Bn. Podemos, por tanto, escribir: xa [Ai ATP Ag 458] Oo Ae que expresa la matriz inversa X en términos de las inversas de las submatrices de A. Obsérvese que tanto A como su inversa X son * matrices cuasi diagonales del mismo tipo. 6. NOCIONES SOBRE DETERMINANTES Y SUS APLICACIONES 6.1. A cada matriz cuadrada se puede asociar un ntimero 0 esca- lar que denominaremos determinante de la matriz. ! t t| 312 LECCIONES DE TEOR[A DE LA PRODUCCION ner otras (m — 2) permutaciones cambiando de lugar el 3. Y asf sucesivamente, por lo que finalmente tendremos: (A.6.2) n-(n- 1): (9-2): permutaciones. 6.3. Volviendo a la definicién de determinante, se constata pron- to que para obtener Ja suma (A.6.1) puede escribirse como primer sumando (con el signo +) el producto de todos los elementos de la diagonal principal de A, es decir, 41 22 G33 +++ Anns y después, afiadiendo los dem4s sumandos, de forma que cada uno de ellos corresponda a una.de las posibles permutaciones de los segundos subindices con el signo que le corresponda de acuerdo con el niimero de inversiones. El nimero de sumandos resultara ser, por tanto, ! Cada uno de los sumandos contendré un-elemento (y sélo uno) de cada fila y uno (y sélo uno) de cada columna de A. Ello signifi- ca que un modo alternativo para obtener el determinante de la matriz A es mantener fijos los segundos subindices (en lugar de jos primeros) y efectuar todas las posibles permutaciones a partir de los primeros (0 {indices de fila). Por ejemplo: 41 Az 413 si A= 421 Ax x3 |, 431 G32 33 (A.6.3) JA] = ayy ag 933 — 12 ay 433 + + diz daz G31 — 3 Aap As + + ays) Gay 432 — G11 M23 A323 F ay & F . si-Be_| i 2 |B) = ayy aon = diay sas, A Ina donde se constata que |A| resulta de la suma de 3!.= 6 sumandos y |B] de la suma de 2! = 2 sumandos. Si se contempla una matriz del tipo 1. x 1, es decir, un escalar,| . 314 LECCIONES DE TEORIA DE LA PRODUCCION adjunto de un elemento de una matriz es su menor complementa- tio multiplicado por (— 1). Por ejemplo: 012 7 siA= |3 2°01; Aji | | ae 212 14 4o= 1? [2 9), Ascot |? 4, ete El desarrollo de un determinante segtin una fila cualquiera (0 una columna) de-A, constituye un método para calcular a su vez dicho determinante. Por tanto, una matriz cuadrada A de orden n 7 (A.6.5) lAl= 2B ay Ay, Fl donde i es una fila cualquiera, o bien (A.6.6) lA] = 2 ay Ags donde j es una columna cualquiera. 6.5. Propiedades de los determinantes i) Si A es una matriz cuadrada, su determinante y el de su traspuesta coinciden, es decir: (A.6.7) Jal = |A’|. La demostracién de la proposicién anterior se desprende de forma inmediata de la misma definicién de determinante, Ademas, - > todas las propiedades de un determinante que se refieren a una de Sus fils Sitvent igualmente para la columna correspondiente desu traspuesta, y viceversa. ii) Dada una matriz cuadrada A, el intercambio de dos de sus filas (0 dos de sus columnas) deja el valor absoluto de su determi- nante inalterado, aunque cambiado de signo. Es decir, lamando AI ' 316 LECCIONES DE TEORI{A DE LA PRODUCCION Demostracidn (para el caso n = 3): Teniendo en cuenta la defi- nicién de determinante y las propiedades: (iii) y (iv), tenemos: M1 2 Quai + Poaia) yy py (hide + Rona) f= 31 M32 (Aya, + Ape32) ay 42 May M1 M12 Notre = | a1 Gan dar | + | Gay Gon Dotan | = 431 32431 43, G32 dasa M1 32 Ay a1 42 412 =Ar_| 41 Goa. Gay | 22 | Gai a Goo | = 431 432 431 431 32 432 0 + 220 = La demostracion anterior se puede facilmente extender al caso en que n es un nimero entero positivo cualquiera: vi) El determinante de una matriz en la que se ha sumado a una fila (o a una columna) una combinacion lineal de otras, perma- nece invariado. La demostracién es andloga a la realizada. precedentemente. Obsérvese que, como consecuencia ‘de‘lo expuesto, en general: (A.6.10) |A + Bl # JA] + [BI. vii) Se puede demostrar, en cambio (aunque la demostracién no se incluye aqui) ?, que el determinante del producto de dos \ matrices cuadradas es igual al producto de los determinantes de las matrices. Es decir: : ; (A.6.11) [AB] = JA] [BI. Se sigue que: 7 t= Tale viii) Dada una matriz cuadrada A, si una fila (0 una columna) ? Véase, por ejemplo, Hadley [8] (p. 99).318 LECCIONES DE TEORIA DE LA PRODUCCION Esta expresin representa precisamente el método general para el cdlculo de la matriz inversa. Aplicacién numérica: Tomemos de nuevo el ejemplo del apar- tado 4.11, es decir, la matriz HEE eer) fat [i 1 } Para calcular la matriz inversa segtin la (A.6.15) calculamos, en primer lugar, su adjunta y luego la dividimos por el determinante de A: At fe a ie |Al = i= 0.18'= 0.82, 1 0.82 Se _ [1.2198 ‘0.7317 “Tay Tf 03 1 0.3658 1.2195.}° 0 0. 6.8. “Las expresiones (A.6.14) y (A.6.15), como ya se ha dicho, i s6lo se pueden definir si |A| 4 0. Por tanto, en los casos en que |A| = 0 ninguna puede calcularse y, por tanto, A~? no existe. Esta- mos ya en condiciones de precisar los requisitos que tiene que cumplir una matriz cuadrada para que exista su inversa. Diremos que una matriz cuadrada A es no singular si su determinante es q distinto de cero y, por tanto, existe su inversa. Por el contrario, diremos que una matriz cuadrada A es singular si su determinante es igual a cero y, por tanto, su inversa no existe. 7. RANGO DE UNA MATRIZ 7.1, Es interesante analizar con un cierto detalle las matrices con —--—-—-determinante-cero--Por-las-propiedades-(iii)-y-(v)-del-apartado-6:S ——-] podemos afirmar que, en general, una matriz cuadrada tiene su determinante nulo cuando: i) una de sus columnas puede expresar- se como combinaci6n lineal de otras, o bien cuando ii) una de sus filas puede expresarse como combinacién lineal de las otras; es320 LECCIONES DE TEORIA DE LA PRODUCCION es decir, e] rango de una matriz no puede ser superior al menor de los nimeros m y n, mimero de filas y de columnas, respectivamen- te. En efecto, supongamos que sea m > n; ello significa que A contiene m vectores fila, cada uno con 7 elementos, es decir, perte- necientes a un espacio .de n dimensiones. Pero un espacio de n dimensiones no- puede contener mas de’ vectores linealmente in- dependientes. El mismo razonamiento se puede hacer en el caso de que n>m. Como corolario de Ja correspondencia biunivoca entre las no- ciones de independencia lineal y matriz con determinante no nulo, el rango de una matriz puede también definirse como el orden maximo de los determinantes no nulos que se pueden encontrar entre sus menores complementarios. Un modo de calcular el rango de una matriz es, por tanto, calcular todos sus menores comple- mentarios y ver cual és el orden maximo entre aquellos que no sé anulan. 7.3. Hay dos interesantes teoremas relativos al rango de una ma- triz que se desprenden de la multiplicacién de matrices. Teorema i: Si A y B son dos matrices que se pueden multiplicar, (A.7.2) (AB) © min [r(A), r(B)]. En otros términos: una transformacion lineal.no puede aumen- tar el rango de una matriz. Demostracién: Supongamos que A es de tipo m x ny B de tipo n X q. La matriz resultante AB éstaré compuesta de g columnas con melementos, es decir, sera una matriz m X q, y cada columna de AB ser4 una combinacién lineal de n vectores. El rango de (AB) no podra ser, por tanto, mayor que el minimo de los tres ntimeros Mm, q, nN. . Teorema ii: Dada una matriz A y dadas dos matrices B y C no singulares que pueden pre y posmultiplicar a A respectivamente, r(AB) = r(CA) = r(A). En otros"términos: la pre 0 posmultiplica- cién por una matriz no singular no cambia el rango. de una matriz. Demostracién: Sea r(A) = k y r(AB) = A. Por el teorema (i), k > h. Pero A = ABB~'y, por tanto, r(A) = r(ABB~*) = k. Pero por el mismo teorema (i) también tenemos que r(AB) = h->