Archivo de la etiqueta: determinantes

Álgebra Superior I: Cálculo de determinantes

Por Eduardo García Caballero

Introducción

En la entrada anterior introdujimos el concepto de determinante de matrices cuadradas. Dimos la definición para matrices de $2 \times 2$ . Aunque no dimos la definición en general (pues corresponde a un curso de Álgebra Lineal I), dijimos cómo se pueden calcular los determinantes de manera recursiva. Pero, ¿hay otras herramientas para hacer el cálculo de determinantes más sencillo?

En esta entrada hablaremos de más propiedades de los determinantes. Comenzaremos viendo que si en una matriz tenemos dos filas o columnas iguales, el determinante se hace igual a cero. Luego, veremos que los determinantes son lineales (por renglón o columna), que están muy contectados con las operaciones elementales y platicaremos de algunos determinantes especiales.

Linealidad por filas o columnas

El determinante «abre sumas y saca escalares», pero hay que ser muy cuidadosos, pues no lo hace para toda una matriz, sino sólo renglón a renglón, o columna a columna. Enunciemos esto en las siguientes proposiciones.

Proposición. El determinante saca escalares renglón por renglón o columna por columna. Por ejemplo, pensemos en sacar escalares por renglón. Si $k$ es un número real y tenemos una matriz de la forma
$(\begin{matrix} a_{11} & a_{12} & \dots & a_{1 n} \\ ⋮ & ⋮ & ⋮ \\ k a_{i 1} & k a_{i 2} & \dots & k a_{i n} \\ ⋮ & ⋮ & ⋮ \\ a_{n 1} & a_{n 2} & \dots & a_{n n} \end{matrix}),$
entonces
$\det (\begin{matrix} a_{11} & a_{12} & \dots & a_{1 n} \\ ⋮ & ⋮ & ⋮ \\ k a_{i 1} & k a_{i 2} & \dots & k a_{i n} \\ ⋮ & ⋮ & ⋮ \\ a_{n 1} & a_{n 2} & \dots & a_{n n} \end{matrix}) = k \det (\begin{matrix} a_{11} & a_{12} & \dots & a_{1 n} \\ ⋮ & ⋮ & ⋮ \\ a_{i 1} & a_{i 2} & \dots & a_{i n} \\ ⋮ & ⋮ & ⋮ \\ a_{n 1} & a_{n 2} & \dots & a_{n n} \end{matrix}) .$

No podemos dar la demostración muy formalmente, pues necesitamos de más herramientas. Pero puedes convencerte de que esta proposición es cierta pensando en lo que sucede cuando se calcula el determinante recursivamente en la fila $i$ . En la matriz de la izquierda, usamos los coeficientes $k a_{i 1}, \dots, k a_{i n}$ para acompañar a los determinantes de las matrices de $(n - 1) \times (n - 1)$ que van saliendo. Pero entonces en cada término aparece $k$ y se puede factorizar. Lo que queda es $k$ veces el desarrollo recursivo de la matriz sin las $k$ ’s en el renglón $i$ .

Ejemplo. Calculemos el determinante de la matriz $A = (\begin{matrix} 2 & 2 & - 1 \\ 0 & 2 & 3 \\ - 3 & 2 & 1 \end{matrix})$ . En la primera columna hay un $0$ , así que nos conviene usar esta columna para encontrar el determinante. Aplicando la regla recursiva, obtenemos que:

$\begin{aligned} det (A) = | \begin{array}{c} 2 & 2 & - 1 \\ 0 & 2 & 3 \\ - 3 & 2 & 1 \end{array} | & = (2) | \begin{array}{c} 2 & 3 \\ 2 & 1 \end{array} | - (0) | \begin{array}{c} 2 & - 1 \\ 2 & 1 \end{array} | + (- 3) | \begin{array}{c} 2 & - 1 \\ 2 & 3 \end{array} | \\ = 2 (2 \cdot 1 - 3 \cdot 2) - 0 (2 \cdot 1 - (- 1) \cdot 2) - 3 (2 \cdot 3 - (- 1) \cdot 2) \\ = 2 (- 4) - 0 (4) - 3 (8) \\ = - 32. \end{aligned}$

¿Qué sucedería si quisiéramos ahora el determinante de la matriz $B = (\begin{matrix} 2 & 1 & - 1 \\ 0 & 1 & 3 \\ - 3 & 1 & 1 \end{matrix})$ ? Podríamos hacer algo similar para desarrollar en la primera fila. Pero esta matriz está muy relacionada con la primera. La segunda columna de $B$ es $1 / 2$ veces la segunda columna de $A$ . Por la propiedad que dijimos arriba, tendríamos entonces que $det (B) = \frac{1}{2} det (A) = \frac{- 32}{2} = - 16.$

$△$

Ejemplo. Hay que tener mucho cuidado, pues el determinante no saca escalares con el producto escalar de matrices. Observa que si $A = (\begin{matrix} 2 & 1 \\ 1 & 1 \end{matrix})$ , entonces $| \begin{matrix} 2 & 1 \\ 1 & 1 \end{matrix} | = 2 \cdot 1 - 1 \cdot 1 = 1$ . Sin embargo, $det (2 A) = | \begin{matrix} 4 & 2 \\ 2 & 2 \end{matrix} | = 4 \cdot 2 - 2 \cdot 2 = 4 \neq 2 det (A) .$

En vez de salir dos veces el determinante, salió cuatro veces el determinante. Esto tiene sentido de acuerdo a la propiedad anterior: sale un factor $2$ pues la primera fila es el doble, y sale otro factor $2$ porque la segunda fila también es el doble.

Proposición. El determinante abre sumas renglón por renglón, o columa por columna. Por ejemplo, veamos el caso para columnas. Si tenemos una matriz de la forma
$(\begin{matrix} a_{11} & \dots & a_{1 i} + b_{1 i} & \dots & a_{1 n} \\ a_{21} & \dots & a_{2 i} + b_{2 i} & \dots & a_{2 n} \\ ⋮ & ⋮ & ⋮ \\ a_{n 1} & \dots & a_{n i} + b_{n i} & \dots & a_{n n} \end{matrix}),$
entonces este determinante es igual a
$\begin{array}{r} \det (\begin{array}{c} a_{11} & \dots & a_{1 i} & \dots & a_{1 n} \\ a_{21} & \dots & a_{2 i} & \dots & a_{2 n} \\ ⋮ & ⋮ & ⋮ \\ a_{n 1} & \dots & a_{n i} & \dots & a_{n n} \end{array}) + \det (\begin{array}{c} a_{11} & \dots & b_{1 i} & \dots & a_{1 n} \\ a_{21} & \dots & b_{2 i} & \dots & a_{2 n} \\ ⋮ & ⋮ & ⋮ \\ a_{n 1} & \dots & b_{n i} & \dots & a_{n n} \end{array}) . \end{array}$

Una vez más, no podemos dar una demostración muy formal a estas alturas. Pero como en el caso de sacar escalares, también podemos argumentar un poco informalmente qué sucede. Si realizamos el cálculo de determinantes en la columna $i$ , entonces cada término de la forma $a_{j i} + b_{j i}$ acompaña a un determinante $D_{j i}$ de una matriz de $(n - 1) \times (n - 1)$ que ya no incluye a esa columna. Por ley distributiva, cada sumando es entonces $(a_{j i} + b_{j i}) D_{j i} = a_{j i} D_{j i} + b_{j i} D_{j i}$ (acompañado por un $+$ o un $-$ ). Agrupando en un lado los sumandos con $a_{j i}$ ’s y por otro los sumandos con $b_{j i}$ ’s obtenemos la identidad deseada.

Ejemplo. Las matrices $(\begin{matrix} 5 & 2 \\ 2 & 1 \end{matrix})$ y $(\begin{matrix} 2 & 5 \\ 2 & 1 \end{matrix})$ tienen determinantes $1$ y $- 8$ respectivamente (verifícalo). De acuerdo a la propiedad anterior, el determinante de la matriz $(\begin{matrix} 5 + 2 & 2 + 5 \\ 2 & 1 \end{matrix}) = (\begin{matrix} 7 & 7 \\ 2 & 1 \end{matrix})$

debería ser $1 + (- 8) = - 7$ . Y sí, en efecto $7 \cdot 1 - 2 \times 7 = - 7$ .

$△$

Hay que tener mucho cuidado, pues en esta propiedad de la suma las dos matrices tienen que ser iguales en casi todas las filas (o columnas), excepto en una. En esa fila (o columna) es donde se da la suma. En general, no sucede que $det (A + B) = det (A) + det (B)$ .

Ejemplo. Puedes verificar que las matrices $A = (\begin{matrix} 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \end{matrix})$ y $B = (\begin{matrix} - 1 & 0 & 0 & 0 \\ 0 & - 1 & 0 & 0 \\ 0 & 0 & - 1 & 0 \\ 0 & 0 & 0 & - 1 \end{matrix})$ tienen ambas determinante $1$ . Sin embargo, su suma es la matriz de puros ceros, que tiene determinante $0$ . Así, $det (A) + det (B) = 2 \neq 0 = det (A + B) .$

$△$

El determinante y operaciones elementales

El siguiente resultado nos dice qué sucede al determinante de una matriz cuando le aplicamos operaciones elementales.

Teorema. Sea $A$ una matriz cuadrada.

Si $B$ es una matriz que se obtiene de $A$ al reescalar un renglón con el escalar $α$ , entonces $det (B) = α det (A)$ .
Si $B$ es una matriz que se obtiene de $A$ al intercambiar dos renglones, entonces $det (B) = - det (A)$ .
Si $B$ es una matriz que se obtiene de $A$ al hacer una transvección, entonces $det (B) = det (A)$ .

No nos enfocaremos mucho en demostrar estas propiedades, pues se demuestran con más generalidad en el curso de Álgebra Lineal I. Sin embargo, a partir de ellas podemos encontrar un método de cálculo de determinantes haciendo reducción gaussiana.

Teorema. Sea $A$ una matriz cuadrada. Supongamos que para llevar $A$ a su forma escalonada reducida $A_{r e d}$ se aplicaron algunas transvecciones, $m$ intercambios de renglones y $k$ reescalamientos por escalares no cero $α_{1}, \dots, α_{k}$ (en el orden apropiado). Entonces $det (A) = \frac{(- 1)^{m} det (A_{r e d})}{α_{1} α_{2} \dots α_{k}} .$ En particular:

Si $A_{r e d}$ no es la identidad, entonces $det (A_{r e d}) = 0$ y entonces $det (A) = 0$ .
Si $A_{r e d}$ es la identidad, entonces $det (A_{r e d}) = 1$ y entonces $det (A) = \frac{(- 1)^{m}}{α_{1} α_{2} \dots α_{k}} .$

Veamos un ejemplo.

Ejemplo. Calculemos el determinante de la matriz $A = (\begin{matrix} 2 & 2 & - 2 \\ 0 & 2 & 3 \\ - 3 & 2 & 1 \end{matrix})$ usando reducción gaussiana. Multiplicamos la primera fila por $α_{1} = 1 / 2$ y la sumamos tres veces a la última (transvección no cambia el determinante):

$(\begin{matrix} 1 & 1 & - 1 \\ 0 & 2 & 3 \\ 0 & 5 & - 2 \end{matrix})$

Multiplicamos por $α_{2} = 1 / 5$ la segunda fila y la intercambiamos con la tercera (va $m = 1$ ).

$(\begin{matrix} 1 & 1 & - 1 \\ 0 & 1 & - \frac{2}{5} \\ 0 & 2 & 3 \end{matrix}) .$

Restamos dos veces la segunda fila a la tercera (transvección no cambia el determinante)

$(\begin{matrix} 1 & 1 & - 1 \\ 0 & 1 & - \frac{2}{5} \\ 0 & 0 & \frac{19}{5} \end{matrix}),$

y multiplicamos la tercera fila por $α_{3} = 5 / 19$ :

$(\begin{matrix} 1 & 1 & - 1 \\ 0 & 1 & - \frac{2}{5} \\ 0 & 0 & 1 \end{matrix}) .$

Hacemos transvecciones para hacer cero las entradas arriba de la diagonal principal (transvecciones no cambian el determinante): $(\begin{matrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{matrix}) .$

Ya llegamos a la identidad. Los reescalamientos fueron por $1 / 2$ , $1 / 5$ y $5 / 19$ y usamos en total $1$ intercambio. Así, $det (A) = \frac{(- 1)^{1}}{(1 / 2) (1 / 5) (5 / 19)} = - 38.$

$△$

Es recomendable que calcules el determinante del ejemplo anterior con la regla recursiva de expansión por menores para que verifiques que da lo mismo.

Algunos determinantes especiales

A continuación enunciamos otras propiedades que cumplen los determinantes. Todas estas puedes demostrarlas suponiendo propiedades que ya hemos enunciado.

Proposición. Para cualquier entero positivo $n$ se cumple que la matriz identidad $I_{n}$ tiene como determinante $\det (I_{n}) = 1$ .

Este resultado es un caso particular de una proposición más general.

Proposición. El determinante de una matriz diagonal es igual al producto de los elementos de su diagonal; es decir,
$\det (\begin{matrix} a_{11} & 0 & \dots & 0 \\ 0 & a_{22} & \dots & 0 \\ ⋮ & ⋮ & ⋱ & ⋮ \\ 0 & 0 & \dots & a_{n n} \end{matrix}) = a_{11} a_{12} \dots a_{n n} .$

Para probar esta proposición, puedes usar la regla recursiva para hacer la expansión por la última fila (o columna) y usar inducción.

Proposición. $\det (A^{T}) = \det (A)$ .

Este resultado también sale inductivamente. Como los determinantes se pueden expandir por renglones o columnas, entonces puedes hacer una expansión en alguna fila de $A$ y será equivalente a hacer la expansión por columnas en $A^{T}$ .

Proposición. Si $A$ es una matriz invertible, entonces $\det (A^{- 1}) = \frac{1}{\det (A)}$ .

Para demostrar este resultado, se puede usar la proposición del determinante de la identidad, y lo que vimos la entrada pasada sobre que $det (A B) = det (A) det (B)$ .

Los argumentos que hemos dado son un poco informales, pero quedará en los ejercicios de esta entrada que pienses en cómo justificarlos con más formalidad.

Ejemplos interesantes de cálculo de determinantes

Las propiedades anteriores nos permiten hacer el cálculo de determinantes de varias maneras (no sólo expansión por menores). A continuación presentamos dos ejemplos que usan varias de las técnicas discutidas arriba.

Ejemplo. Calculemos el siguiente determinante:

$| \begin{matrix} 1 & 5 & 3 \\ 2 & 9 & 1 \\ 5 & 4 & 3 \end{matrix} | .$

Como aplicar transvecciones no cambia el determinante, podemos restar la primera fila a la segunda, y luego cinco veces la primera fila a la tercera y el determinante no cambia. Así, este determinante es el mismo que

$| \begin{matrix} 1 & 5 & 3 \\ 0 & - 1 & - 5 \\ 0 & - 21 & - 12 \end{matrix} | .$

Multiplicar la segunda fila por $- 1$ cambia el determinante en $- 1$ . Y luego multiplicar la tercera por $- 1$ lo vuelve a cambiar en $- 1$ . Entonces haciendo ambas operaciones el determinante no cambia y obtenemos que el determinante es igual a

$| \begin{matrix} 1 & 5 & 3 \\ 0 & 1 & 5 \\ 0 & 21 & 12 \end{matrix} | .$

En esta matriz podemos expandir por la primera columna en donde hay dos ceros. Por ello, el determinante es

$| \begin{matrix} 1 & 5 \\ 21 & 12 \end{matrix} | = (1 \cdot 12) - (5 \cdot 21) = - 93.$

$△$

Ejemplo. Calculemos el siguiente determinante:

$| \begin{matrix} 1 & 2 & 3 & 4 \\ 2 & 3 & 4 & 1 \\ 3 & 4 & 1 & 2 \\ 4 & 1 & 2 & 3 \end{matrix} | .$

Hacer transvecciones no cambia el determinante, entonces podemos sumar todas las filas a la última sin alterar el determinante. Como $1 + 2 + 3 + 4 = 10$ , obtenemos:

$| \begin{matrix} 1 & 2 & 3 & 4 \\ 2 & 3 & 4 & 1 \\ 3 & 4 & 1 & 2 \\ 10 & 10 & 10 & 10 \end{matrix} | .$

Ahora, la última fila tiene un factor $10$ que podemos factorizar:

$10 \cdot | \begin{matrix} 1 & 2 & 3 & 4 \\ 2 & 3 & 4 & 1 \\ 3 & 4 & 1 & 2 \\ 1 & 1 & 1 & 1 \end{matrix} | .$

Ahora, podemos restar la primera columna a todas las demás, sin cambiar el determinante:

$10 \cdot | \begin{matrix} 1 & 1 & 2 & 3 \\ 2 & 1 & 2 & - 1 \\ 3 & 1 & - 2 & 1 \\ 1 & 0 & 0 & 0 \end{matrix} | .$

Luego, podemos sumar la segunda fila a la tercera sin cambiar el determinante:

$10 \cdot | \begin{matrix} 1 & 1 & 2 & 3 \\ 2 & 1 & 2 & - 1 \\ 5 & 2 & 0 & 0 \\ 1 & 0 & 0 & 0 \end{matrix} | .$

Expandiendo por la última fila:

$- 10 \cdot | \begin{matrix} 1 & 2 & 3 \\ 1 & 2 & - 1 \\ 2 & 0 & 0 \end{matrix} | .$

Expandiendo nuevamente por la última fila:

$- 10 \cdot 2 \cdot | \begin{matrix} 2 & 3 \\ 2 & - 1 \end{matrix} | .$

El determinante de $2 \times 2$ que queda ya sale directo de la fórmula como $2 \cdot (- 1) - 3 \cdot 2 = - 8$ . Así, el determinante buscado es $(- 10) \cdot 2 \cdot (- 8) = 160$ .

$△$

Más adelante…

Los determinantes son una propiedad fundamental de las matrices. En estas entradas apenas comenzamos a platicar un poco de ellos. Por un lado, son muy importantes algebraicamente pues ayudan a decidir cuándo una matriz es invertible. Se pueden utilizar para resolver sistemas de $n$ ecuaciones lineales en $n$ incógnitas con algo conocido como la regla de Cramer. Por otro lado, los determinantes también tienen una interpretación geométrica que es sumamente importante en geometría analítica y en cálculo integral de varias variables. En cursos posteriores en tu formación matemática te los seguirás encontrando.

Tarea moral

Calcula el siguiente determinante: $| \begin{matrix} 1 & 1 & 1 & 1 \\ 2 & 0 & 2 & 2 \\ 0 & 3 & 3 & 0 \\ 0 & 0 & 4 & 0 \end{matrix} | .$ Intenta hacerlo de varias formas, aprovechando todas las herramientas que hemos discutido en esta entrada.
También se pueden obtener determinantes en matrices en donde hay variables en vez de escalares. Encuentra el determinante de la matriz $(\begin{matrix} a & b & c \\ b & c & a \\ c & a & b \end{matrix}) .$
Encuentra todas las matrices $A$ de $2 \times 2$ que existen tales que $det (A + I_{2}) = det (A) + 1.$
Demuestra todas las propiedades de la sección de «Algunos determinantes especiales». Ahí mismo hay sugerencias de cómo puedes proceder.
Revisa las entradas Álgebra Lineal I: Técnicas básicas de cálculo de determinantes y Seminario de Resolución de Problemas: Cálculo de determinantes para conocer todavía más estrategias y ejemplos de cálculo de determinantes.

Entradas relacionadas

Ir a Álgebra Superior I
Entrada anterior del curso: Determinante de matrices y propiedades
Entrada siguiente del curso: Los espacios vectoriales $R^{2}$ y $R^{3}$

Cálculo Diferencial e Integral III: Divergencia, laplaciano y rotacional

Por Alejandro Antonio Estrada Franco

2 respuestas

Introducción

Después de algunas entradas muy técnicas, en las que hemos demostrado dos resultados sumamente importantes (el teorema de la función inversa y el teorema de la función implícita), pasaremos brevemente a una entrada un poco más ligera en términos de teoría, pero también relevante. En esta entrada nos volcaremos a una cara más práctica del cálculo diferencial e integral.

Recordemos que un campo vectorial es una función $F : S \subseteq R^{n} \to R^{m}$ . El nombre de campo vectorial está justificado con que a cada punto de un espacio base $R^{n}$ , estamos asignando otro vector, en $R^{m}$ . Si pegamos a cada vector del dominio el vector que le corresponde en a partir de $F$ , podemos tener otra intuición geométrica de lo que hacen estas funciones. En la figura 1 apreciamos un ejemplo de esto, donde tenemos un campo vectorial $F$ de $R^{3}$ en $R^{3}$ y entonces a cada vector de $R^{3}$ le estamos «pegando una flecha».

Esta manera de pensar a los campos vectoriales se presta mucho para entender propiedades físicas de los objetos: flujo eléctrico, flujo de calor, fuerza, trabajo, etc. Si pensamos en esto, otros conceptos que hemos estudiado también comienzan a tener significado. Por ejemplo, el gradiente de un campo escalar está íntimamente relacionado a otras propiedades físicas descritas por el campo escalar. Un ejemplo que hemos discutido es que el gradiente, por ejemplo, nos da la dirección de cambio máximo.

Un ejemplo más concreto sería el siguiente. Pensemos en $R^{3}$ en un sólido $S$ y un campo escalar $T : S \to R$ que da la temperatura de cada punto del sólido. Si consideramos la expresión $J = - k ▽ T$ , obtenemos lo que se conoce como el flujo de calor. Tiene sentido. Por lo que aprendemos en educación elemental, el calor va de los puntos de mayor temperatura a los de menor temperatura. El gradiente $▽ T$ da la dirección de máximo crecimiento. Pero entonces $- ▽ T$ da la dirección de máximo descenso (así como su magnitud). La $k$ que aparece tiene que ver con qué tan bien el material del que hablamos transmite el calor.

Notación tradicional de los campos vectoriales

En el ámbito de las aplicaciones generalmente se usa la notación con gorros. Veamos un ejemplo de cómo escribir con esta notación. En vez de escribir para $\bar{v} \in R^{3}$ la expresión $\bar{v} = (x, y, z)$ , escribimos $\bar{v} = x \hat{ı} + y \hat{ȷ} + z \hat{k},$ es decir, podemos pensar que $\hat{ı} = (1, 0, 0)$ , $\hat{ȷ} = (0, 1, 0)$ , $\hat{k} = (0, 0, 1)$ .

Si $F : R^{3} \to R^{3}$ es un campo vectorial, escribimos $F = P \hat{ı} + Q \hat{ȷ} + R \hat{k},$ donde $P$ , $Q$ y $R$ son los campos escalares componente, que cada uno de ellos va de $R^{3}$ a $R$ .

Generalmente escribimos también $F (x, y, z) = P (x, y, z) \hat{ı} + Q (x, y, z) \hat{ȷ} + R (x, y, z) \hat{k}$ tras evaluar.

Con esta notación también podemos escribir al gradiente y pensarlo como un «operador» que manda campos escalares a campos vectoriales. A este operador se le llama operador nabla. Lo escribimos de la siguiente manera:

$▽ = \frac{\partial}{\partial x} \hat{ı} + \frac{\partial}{\partial y} \hat{ȷ} + \frac{\partial}{\partial z} \hat{k} .$

Si tenemos un campo escalar $ϕ : R^{3} \to R$ , entonces el operador hace lo siguiente

$▽ ϕ (x, y, z) = \frac{\partial ϕ (x, y, z)}{\partial x} \hat{ı} + \frac{\partial ϕ (x, y, z)}{\partial y} \hat{ȷ} + \frac{\partial ϕ (x, y, z)}{\partial z} \hat{k} .$

Es decir, a partir de $ϕ$ obtenemos su gradiente.

Líneas de flujo

Ahora introducimos el concepto de línea de flujo el cual es muy usado para campos vectoriales en el modelado fenómenos físicos.

Definición. Si $F : R^{n} \to R^{n}$ es un campo vectorial, una línea de flujo para $F$ es una función $α : U \subseteq R \to R^{n}$ tal que $α^{'} (t) = F (α (t))$ para todo $t \in U$ .

Es decir una línea de flujo es una trayectoria sobre la cual $F$ asigna en cada punto de ella su correspondiente vector tangente. En la Figura 2 tenemos una ilustración de una línea de flujo en un campo vectorial.

Divergencia

Supongamos que tenemos en el plano (o el espacio) una región $S$ . Para cada punto $\bar{x}$ de $S$ sea $x (t)$ una línea de flujo que parte de $\bar{x}$ bajo el campo vectorial $F$ . El conjunto de líneas $x (t)$ describe cómo cambia el conjunto $S$ bajo la acción de $F$ a través del tiempo. Formalizando esto un poco, en el caso del plano tomemos $F : S \subseteq R^{2} \to R^{2}$ . Para cada $\bar{x} \in S$ podemos considerar $γ_{x} : I_{x} \subset R \to R^{2}$ , como la trayectoria $x (t)$ y que es línea de flujo bajo $F$ . Estas trayectorias van mostrando «cómo se va deformando $S$ a causa del campo vectorial $F$ ». También, consideremos al conjunto $S^{'} = {\bar{x} + F (\bar{x}) | \bar{x} \in S}$ , al cual pensaremos como el conjunto resultante de aplicar a $S$ el campo vectorial $F$ .

Estas nociones se pueden analizar a través de una herramienta llamada divergencia. La definimos a continuación, pero una demostración formal de que el operador divergencia mide la expansión del efecto de un campo vectorial es un tema que se estudia en un cuarto curso de cálculo diferencial e integral.

Figura 3. Aquí se ilustra el efecto de un campo vectorial sobre una sección $S$ del plano.

Damos la definición en $R^{3}$ , pero podrías dar una versión análoga para $R^{2}$ .

Definición. Si $F = P \hat{ı} + Q \hat{ȷ} + R \hat{k}$ es un campo vectorial definimos la divergencia de $F$ como:

$▽ \cdot F = \frac{\partial P}{\partial x} + \frac{\partial Q}{\partial y} + \frac{\partial R}{\partial z} .$

En dimensiones más altas, si $F = (F_{1}, \dots, F_{n})$ , entonces $▽ \cdot F = \sum_{i = 1}^{n} \frac{\partial F_{i}}{\partial x_{i}}$ .

Rotacional

Pensemos en un fluido que se mueve de acuerdo con el flujo marcado por el campo vectorial $F$ . Tenemos una forma de determinar la rotación que el fluido imprimiría sobre un sólido llevado por él. Imaginemos un remolino y una pequeña esfera solida llevada por el remolino. Lo que llamaremos el rotacional del vector nos proporcionará la información sobre las rotaciones sobre su eje que el fluido imprime a la pequeña esfera (Figura 4).

Definición. Sea $F (x, y, z) = F_{1} (x, y, z) \hat{ı} + F_{2} (x, y, z) \hat{ȷ} + F_{3} (x, y, z) \hat{k} .$ Entonces definimos al rotacional de $F$ como el siguiente campo vectorial:

$▽ \times F (x, y, z) = (\frac{\partial F_{3}}{\partial y} - \frac{\partial F_{2}}{\partial z}) \hat{ı} + (\frac{\partial F_{1}}{\partial z} - \frac{\partial F_{3}}{\partial x}) \hat{ȷ} + (\frac{\partial F_{2}}{\partial x} - \frac{\partial F_{1}}{\partial y}) \hat{k} .$

También suele representarse por el siguiente determinante:

$▽ \times F = | \begin{matrix} \hat{ı} & \hat{ȷ} & \hat{k} \\ \frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\ F_{1} & F_{2} & F_{3} \end{matrix} | .$

Una visión mas clara de por qué esta expresión calcula lo que queremos se puede aprender en un cuarto curso de cálculo diferencial e integral, o bien en algún curso de aplicaciones del cálculo a la física. Por ahora veremos en los ejemplos solamente la parte operativa.

Laplaciano

Hay un operador más que surge naturalmente en las ecuaciones que involucran al gradiente y a la divergencia.

Definición. Sea $f : R^{3} \to R$ un campo escalar. El operador laplaciano se establece de la siguiente manera:

$▽^{2} f = \frac{\partial^{2} f}{\partial x^{2}} \hat{ı} + \frac{\partial^{2} f}{\partial y^{2}} \hat{ȷ} + \frac{\partial^{2} f}{\partial z^{2}} \hat{k} .$

Es decir, el laplaciano consiste en aplicar el operador divergencia al gradiente de un campo escalar.

Ejemplos de problemas de los conceptos anteriores

Revisemos algunos problemas que tienen que ver con estos operadores. Esto nos permitirá ampliar nuestra visión en cuanto a la practicidad de esta herramienta matemática.

Consideremos el siguiente campo vectorial en el plano $F (x, y) = x \hat{ı}$ . Pensaremos el signo de la divergencia de $F$ como la razón del cambio de áreas bajo este campo. Interpretaremos a $F$ como aquel que asigna a cada punto del plano un vector velocidad de un fluido en el plano.

Para $x > 0$ el campo apunta hacia la derecha con vectores paralelos al eje $x$ con tamaño $| x |$ , para $x < 0$ los vectores apuntan a la izquierda paralelamente al eje $x$ con tamaño $| x |$ (Figura 5). Por ello las longitudes de las flechas de $F$ son mas cortas en torno al origen; así cuando el fluido se mueve, se expande. Y esto coincide con el hecho de que $▽ \cdot F = 1$ .

En el siguiente ejemplo consideremos el campo vectorial $F (x, y) = - y \hat{ı} + x \hat{ȷ}$ . Las líneas de flujo de $F$ siguen circunferencias concéntricas centradas al origen en dirección contrarias a las manecillas del reloj. Al calcular la divergencia tenemos lo siguiente:

$▽ \cdot F = \frac{\partial}{\partial x} (- y) + \frac{\partial}{\partial y} (x) = 0.$

En la figura 6 tenemos la ilustración de cómo se ve el campo de este ejemplo. Suena razonable. En este caso el fluido no se está expandiendo, sino que más bien está rotando.

En el laplaciano aplicamos la divergencia a un gradiente. Pero, ¿qué pasa cuando aplicamos el rotacional a un gradiente? Consideremos una función $f$ con derivadas parciales diferenciables continuas es decir, de clase $C^{2}$ . Para una función así tenemos

$▽ f (x, y, z) = (\partial f / \partial x, \partial f / \partial y, \partial f / \partial z) .$

De acuerdo con la definición de rotacional, tenemos:

$\begin{aligned} ▽ \times (▽ f) & = | \begin{array}{c} \hat{ı} & \hat{ȷ} & \hat{k} \\ \frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\ \frac{\partial f}{\partial x} & \frac{\partial f}{\partial y} & \frac{\partial f}{\partial z} \end{array} | \\ = (\frac{\partial^{2} f}{\partial y \partial z} - \frac{\partial^{2} f}{\partial z \partial y}) \hat{ı} + (\frac{\partial^{2} f}{\partial z \partial x} - \frac{\partial^{2} f}{\partial x \partial z}) \hat{ȷ} + (\frac{\partial^{2} f}{\partial x \partial y} - \frac{\partial^{2} f}{\partial y \partial x}) \hat{k} \\ = \bar{0} \end{aligned}$

por la igualdad de las parciales mixtas. Es decir; si $f$ es un campo escalar cuyas derivadas parciales son diferenciables con derivada continua tenemos $▽ \times ▽ f = 0$ .

Esto nos puede ayudar a saber si una cierta función puede obtenerse como gradiente de otra. Tomemos $G (x, y, z) = y \hat{ı} - x \hat{ȷ}$ . Notemos que las funciones en $\hat{ı}$ y en $\hat{ȷ}$ son diferenciables con derivada continua. Entonces nos preguntaremos ¿ $G$ es gradiente de un campo escalar? Para ello calculemos $▽ \times G$ cuyo resultado en caso afirmativo debería ser igual a cero. Sin embargo,

$▽ \times G = | \begin{matrix} \hat{ı} & \hat{ȷ} & \hat{k} \\ \frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\ y & - x & 0 \end{matrix} | = - 2 \hat{k} \neq 0,$

por lo tanto $G$ no es un gradiente.

También tenemos que la divergencia de un rotacional es igual a cero, es decir si $F$ es un campo vectorial $▽ \cdot (▽ \times F) = 0$ . Queda como tarea moral demostrar este hecho.

Mas adelante…

Con esta entrada terminamos nuestro estudio de conceptos relacionados con campos vectoriales. Sin embargo, aún no los descartaremos por completo. Retomaremos a los campos vectoriales en la última unidad del curso. En ella, retomaremos varias partes de la teoría para establecer resultados de optimización de campos escalares, y de funciones bajo restricciones.

Tarea moral

Para los siguientes campos vectoriales, halla su divergencia
- $F (x, y) = x^{3} \hat{ı} + x s e n (x y) \hat{ȷ}$
- $G (x, y, z) = e^{x y} \hat{ı} + e^{x y} \hat{ȷ} + e^{y z} \hat{k}$ .
Obtén el rotacional de los siguientes campos vectoriales:
- $F (x, y, z) = (x^{2} + y^{2} + z^{2}) (3 \hat{ı} + 4 \hat{ȷ} + 5 \hat{k})$
- $G (x, y, z) = y z \hat{ı} + x z \hat{ȷ} + x y \hat{k}$ .
Dibuja algunas líneas de flujo del campo $F (x, y) = - 3 x \hat{ı} - y \hat{ȷ}$ . Calcula $▽ \cdot F$ y explica el significado del resultado de la divergencia en su relación con las líneas de flujo.
Demuestra que $▽ \cdot (▽ \times F) = 0$
Sean $f$ y $g$ dos campos escalares diferenciables, y $F$ , y $G$ dos campos vectoriales diferenciables. Demuestra las siguientes identidades (solo usa la parte operativa, piensa que todos los campos tanto los vectoriales como los escalares tienen el mismo dominio):
1. $▽ \cdot g G = g (▽ \cdot G) + G \cdot (▽ g)$
2. $▽ (f g) = f (▽ g) + g (▽ f)$
3. $▽ \cdot (F \times G) = G \cdot (▽ \times F) - F \cdot (▽ \times G)$

Entradas relacionadas

Ir a Cálculo Diferencial e Integral III
Entrada anterior del curso: Ejemplos e intuición del teorema de la función implícita
Entrada siguiente del curso: Puntos críticos de campos escalares

Cálculo Diferencial e Integral III: Determinantes

Por Alejandro Antonio Estrada Franco

Deja un comentario

Introducción

El determinante de una matriz cuadrada es un número asociado a esta. Como veremos, los determinantes nos proporcionarán información de interés para varios problemas que se pueden poner en términos de matrices.

Recuerda que los temas de esta unidad son tratados a manera de repaso, por lo cual no nos detenemos en detallar las demostraciones, ni en extender las exposiciones de las definiciones. Para mayor detalle, te remitimos al curso de Álgebra Lineal I, específicamente comenzando con la entrada Transformaciones multilineales. Aún así, es recomendable que revises estas notas en el curso de Cálculo Diferencial e Integral III, pues sintetizamos los temas de tal manera que recuperamos los conceptos relevantes para el cálculo de varias variables. Así mismo, en ocasiones, abordamos las definiciones y resultados de manera un poco distinta, y es muy instructivo seguir los mismos conceptos abordados con un sabor ligeramente distinto.

Permutaciones

Recordemos que en la entrada anterior definimos para cada $n \in N$ el conjunto $[n] = {1, 2, \dots, n}$ .

Definición. Una permutación del conjunto $[n]$ es una función biyectiva $σ : [n] \to [n]$ . Una forma de escribir a $σ$ de manera más explícita es la siguiente:
$σ = (\begin{matrix} 1 & 2 & \dots & n \\ σ (1) & σ (2) & \dots & σ (n) \end{matrix})$

Podemos pensar también a una permutación como un reacomodo de los números $1, 2, \dots, n$ . Pensado de esta manera, escribimos $σ = σ (1) σ (2) \dots σ (n)$ .

El conjunto de todas las permutaciones del conjunto $[n]$ se denota como $S_{n}$ . Una observación interesante es que $S_{n}$ tiene $n!$ elementos.

Definición. Para $σ \in S_{n}$ , una inversión en $σ$ consiste en un par $(i, k) \in [n] \times [n]$ tal que $i > k$ pero $i$ precede a $k$ en $σ$ cuando se considera $σ$ como una lista. Diremos que $σ$ es permutación par o impar según tenga un número par o impar de inversiones.

Ejemplo. Consideremos $σ = 12354$ permutación en $[5]$ . Tenemos que $(5, 4)$ es una inversión en $σ$ pues $5 > 4$ pero en la permutación $5$ precede a $4$ . Al tener $σ$ una sola inversión, es una permutación impar.

$△$

Definición. El signo de $σ$ , denotado $sign (σ)$ se define como:
$sign (σ) = {\begin{cases} 1 & si σ es par \\ - 1 & si σ es impar. \end{cases}$

Sea $A \in M_{n} (R)$ . Pensemos en un producto de $n$ entradas de $A$ tomadas de tal manera que se eligió una y sólo una de cada fila y columna. Podemos reordenar los números para poner en orden la fila de la que tomamos cada uno, y escribir el producto como
$\begin{matrix} (1) & a_{1 j_{1}} a_{2 j_{2}} \dots a_{n j_{n}} . \end{matrix}$

Así, $a_{k j_{k}}$ nos dice que en la fila $k$ tomamos la entrada de la columna $j$ . Como se eligió una y sólo una entrada por columna, tenemos que $j_{1}, \dots, j_{n}$ es una permutación de $[n]$ . Y viceversa, cada permutación $σ = j_{1} \dots j_{n} \in S_{n}$ determina un producto como en $(1)$ . Por ello la matriz $A$ nos entrega $n!$ productos con esta característica.

Determinantes en términos de permutaciones

A partir de las permutaciones podemos definir a los determinantes.

Definición. El determinante de la matriz $A$ , denotado por $det (A)$ , se define como:
$det (A) = \sum_{σ \in S_{n}} (sign (σ) \prod_{i = 1}^{n} a_{i σ (i)})$
donde
$σ = (\begin{matrix} 1 & 2 & \dots & n \\ σ (1) & σ (2) & \dots & σ (n) \end{matrix})$

Ejemplo. Para la matriz $A = (\begin{matrix} 0 & 2 & 1 \\ 1 & 2 & 0 \\ 3 & 0 & 1 \end{matrix})$ tomemos en cuenta las permutaciones del conjunto $[3]$ las cuales son: $(\begin{matrix} 1 & 2 & 3 \\ 1 & 2 & 3 \end{matrix}), (\begin{matrix} 1 & 2 & 3 \\ 1 & 3 & 2 \end{matrix}), (\begin{matrix} 1 & 2 & 3 \\ 2 & 1 & 3 \end{matrix}), (\begin{matrix} 1 & 2 & 3 \\ 2 & 3 & 1 \end{matrix}), (\begin{matrix} 1 & 2 & 3 \\ 3 & 1 & 2 \end{matrix}), (\begin{matrix} 1 & 2 & 3 \\ 3 & 2 & 1 \end{matrix})$

De acuerdo con la definición de determinante, tenemos:

$\begin{aligned} det (A) = & (1) a_{11} a_{22} a_{33} + (- 1) a_{11} a_{23} a_{32} + (- 1) a_{12} a_{21} a_{33} + \\ (1) a_{12} a_{23} a_{31} + (1) a_{13} a_{22} a_{31} + (- 1) a_{13} a_{21} a_{32} \\ = & 0 \cdot 2 \cdot 1 + (- 1) 0 \cdot 0 \cdot 0 + (- 1) 2 \cdot 1 \cdot 1 + \\ (1) 2 \cdot 0 \cdot 3 + (1) 1 \cdot 2 \cdot 3 + (- 1) 1 \cdot 1 \cdot 0 \\ = & 4. \end{aligned}$

$△$

Propiedades de los determinantes

Veamos algunas de las propiedades que tienen los determinantes. Aprovecharemos para introducir algunas matrices especiales.

Definición. La matriz identidad $I \in M_{n} (R)$ es aquella que cumple que en las entradas de la forma $(i, i)$ son iguales a 1 y el resto de las entradas son iguales a 0.

Definición. Diremos que una matriz $A \in M_{n} (R)$ es una matriz triangular superior si cumple $a_{i j} = 0$ para $i > j$ . La llamaremos triangular inferior si cumple $a_{i j} = 0$ para $i < j$ . Finalmente, diremos que es diagonal si cumple $a_{i j} = 0$ para $i \neq j$ (en otras palabras, si simultáneamente es triangular superior e inferior).

Definición. Sea $A \in M_{m, n} (R)$ . La transpuesta de la matriz $A$ , denotada por $A^{t}$ , es la matriz en $M_{n, m} (R)$ cuyas entradas están definidas como $(a^{t})_{i j} = a_{j i}$ .

El siguiente resultado enuncia algunas propiedades que cumplen los determinantes de la matriz identidad, de matrices transpuestas, y de matrices triangulares superiores, triangulares inferiores y diagonales.

Proposición. Sea $A \in M_{n} (R)$ . Se cumple todo lo siguiente.

$det (A) = det (A^{t})$ .
Si $A$ tiene dos filas iguales $det (A) = 0$ .
Si $A$ tiene dos columnas iguales $det (A) = 0$ .
Si $A$ es triangular superior, triangular inferior, o diagonal, $det (A) = \prod_{i = 1}^{n} a_{i i}$ .
$det (I_{n}) = 1$ .

Demostración.

Notemos que (tarea moral) $sign (σ) = sign (σ^{- 1})$ , así tenemos que
$\begin{aligned} det (A^{t}) & = \sum_{σ \in S_{n}} sign (σ) a_{σ (1) 1} \dots a_{σ (n) n} \\ = \sum_{σ \in S_{n}} sign (σ^{- 1}) a_{1 σ (1)} \dots a_{n σ (n)} \\ = \sum_{σ \in S_{n}} sign (σ) a_{1 σ (1)} \dots a_{n σ (n)} \\ = det (A) . \end{aligned}$
Si tenemos dos filas iguales, en cada producto $a_{1 σ (1)} \dots a_{n σ (n)}$ tenemos dos factores de la misma fila, por tanto para cada producto tenemos otro igual en la suma solo que con signo contrario (signo de la permutación correspondiente); al hacer la suma estos sumandos se anularán por pares resultando en cero.
Mismo argumento que en el inciso anterior.
Si tenemos una matriz triangular, ya sea superior, o inferior $\prod_{i = 1}^{n} a_{i σ (i)} \neq 0$ sólo cuando $σ (i) = i$ ya que en otro caso este producto siempre tendrá algún factor cero.
Es un corolario de la propiedad anterior, pues la matriz identidad es una matriz diagonal con unos en la diagonal.

Otra propiedad muy importante del determinante es que es multiplicativo. A continuación enunciamos el resultado, y referimos al lector a la entrada Propiedades de determinantes para una demostración.

Teorema. Sean $A$ y $B$ matrices en $M_{n} (R)$ . Se tiene que $det (A B) = det (A) det (B) .$

Mas adelante…

En la siguiente entrada revisaremos la teoría de sistemas de ecuaciones lineales. Comenzaremos definiéndolos, y entendiéndolos a partir de las operaciones elementales que definimos en la entrada anterior. Hablaremos un poco de cómo saber cuántas soluciones tiene un sistema de ecuaciones. Así mismo veremos que en ciertos sistemas de ecuaciones lineales, podemos asociar una matriz cuyo determinante proporciona información relevante para su solución.

Un poco más adelante también hablaremos de diagonalizar matrices. A grandes rasgos, esto consiste en encontrar representaciones más sencillas para una matriz, pero que sigan compartiendo muchas propiedades con la matriz original. El determinante jugará de nuevo un papel muy importante en esta tarea.

Tarea moral

Sea $σ \in S_{n}$ . Muestra que su inversa, $σ^{- 1}$ también es una permutación. Después, muestra que
$sign (σ) = sign (σ^{- 1}) .$
Sugerencia: no es difícil hacerlo por inducción sobre el número de inversiones.
Encuentra explícitamente cuántas inversiones tiene la permutación $σ$ en $S_{n}$ dada por $S (j) = n - j + 1$ .
Escribe con más detalle la demostración de que una matriz y su transpuesta tienen el mismo determinante. Puedes pensarlo como sigue. Toma $det (A) = \sum_{σ \in S_{n}} sign (σ) a_{1 σ (1)} \cdot \dots \cdot a_{n σ (n)} .$ Supón que las filas $s$ y $t$ son iguales; para cada factor argumenta por qué $a_{1 σ (1)} \dots a_{s σ (s)} \dots a_{t σ (t)} \dots a_{n σ (n)}$ el factor $a_{1 σ (1)} \dots a_{t σ (t)} \dots a_{s σ (s)} \dots a_{n σ (n)}$ donde permutamos el $t$ -ésimo factor con el $s$ -ésimo también está en la suma, y por qué ambos son de signos contrarios.
Demuestra que el producto de una matriz triangular superior con otra matriz triangular superior también es una matriz triangular superior. Enuncia y demuestra lo análogo para matrices triangulares inferiores, y para matrices diagonales.
Argumenta con más detalle por qué el determinante de una matriz triangular superior es el produto de las entradas en su diagonal. Específicamente, detalla el argumento de las notas que dice que «en otro caso, este producto siempre tendrá algún factor cero».

Entradas relacionadas

Ir a Cálculo Diferencial e Integral III
Entrada anterior del curso: Matrices
Entrada siguiente del curso: Sistemas de ecuaciones lineales

Seminario de Resolución de Problemas: Rango de matrices y el teorema de factorización PJQ

Por Leonardo Ignacio Martínez Sandoval

2 respuestas

Introducción

El algunas ocasiones es suficiente saber si una matriz es invertible o no. Sin embargo, esta es una distinción muy poco fina. Hay algunos otros problemas en los que se necesita decir más acerca de la matriz. Podemos pensar que una matriz invertible, como transformación lineal, «guarda toda la información» al pasar de un espacio vectorial a otro. Cuando esto no sucede, nos gustaría entender «qué tanta información se guarda». El rango de matrices es una forma de medir esto. Si la matriz es de $m \times n$ , el rango es un número entero que va de cero a $n$ . Mientras mayor sea, «más información guarda».

Por definición, el rango de una matriz $A$ de $m \times n$ es igual a la dimensión del subespacio vectorial de $R^{m}$ generado por los vectores columna de $A$ . Una matriz de $n \times n$ tiene rango $n$ si y sólo si es invertible.

Si pensamos a $A$ como la transformación lineal de $R^{n}$ a $R^{m}$ tal que $X \mapsto A X$ , entonces el rango es precisamente la dimensión de la imagen de $A$ . Esto permite extender la definición de rango a transformaciones lineales arbitrarias, y se estudia con generalidad en un curso de álgebra lineal.

En las siguientes secciones enunciaremos sin demostración algunas propiedades del rango de matrices y las usaremos para resolver problemas.

Propiedades del rango de matrices

Comenzamos enunciando algunas propiedades del rango de matrices

Teorema. Sean $m$ , $n$ y $p$ enteros. Sea $B$ una matriz de $n \times p$ , y $A$ , $A^{'}$ matrices de $m \times n$ . Sean además $P$ una matriz de $n \times p$ cuya transformación lineal asociada es suprayectiva y $Q$ una matriz de $r \times m$ cuya transformación lineal asociada es inyectiva. Entonces:

$rank (A) \leq min (m, n)$
$rank (A B) \leq min (rank (A), rank (B))$
$rank (A + A^{'}) \leq rank (A) + rank (A^{'})$
$rank (Q A) = rank (A)$
$rank (A P) = rank (A)$

Consideremos el siguiente problema, tomado del libro Essential Linear Algebra de Titu Andreescu.

Problema. Las matrices $A$ y $B$ tienen entradas reales. La matriz $A$ es de $3 \times 3$ , la matriz $B$ es de $2 \times 3$ y además $A B = (\begin{matrix} 0 & - 1 & - 1 \\ - 1 & 0 & - 1 \\ 1 & 1 & 2 \end{matrix}) .$ Determina el valor del producto $B A$ .

Sugerencia pre-solución. Un paso intermedio clave es mostrar que el producto $B A$ es invertible.

Solución. Para empezar, afirmamos que $(A B)^{2} = A B$ . Esto se puede verificar directamente haciendo el producto de matrices.

Luego, afirmamos que el rango de $A B$ es $2$ . En efecto, eso se puede hacer fácilmente por definición. Por un lado, la suma de las primeras dos columnas es igual a la tercera, así que el espacio vectorial que generan las tres es de dimensión a lo más dos. Pero es al menos dos, pues las primeras dos columnas son linealmente independientes. Esto muestra la afirmación.

Ahora, usando la propiedad (2) del teorema dos veces, tenemos que
$\begin{aligned} rank (B A) & \geq rank (A (B A)) \\ \geq rank (A (B A) B) \\ = rank ((A B)^{2}) \\ = rank (A B) \\ = 2. \end{aligned}$

Así, $B A$ es una matriz de $2 \times 2$ de rango $2$ y por lo tanto es invertible.

Consideremos ahora el producto $(B A)^{3}$ . Desarrollando y usando que $(A B)^{2} = A B$ , tenemos que

$\begin{aligned} (B A)^{3} & = B A B A B A \\ = B (A B)^{2} A \\ = B A B A \\ = (B A)^{2} . \end{aligned}$

Como $B A$ es invertible, entonces $(B A)^{2}$ tiene inversa. Si multiplicamos la igualdad $(B A)^{3} = (B A)^{2}$ por esa inversa, obtenemos que $B A = I_{2} .$

El teorema anterior nos permite acotar por arriba el rango del producto de dos matrices. También hay una desigualdad que nos permite acotar por abajo el rango de dicho producto, cuando las matrices son cuadradas.

Teorema (desigualdad de Sylvester). Para matrices $A$ y $B$ de $n \times n$ , se tiene que $rank (A B) \geq rank (A) + rank (B) - n .$

Problema. La matriz $A$ es de $2020 \times 2020$ . Muestra que:

Si $A$ tiene rango $2017$ , entonces la matriz $A^{673}$ no puede ser la matriz de $2020 \times 2020$ de puros ceros, es decir, $O_{2020}$ .
Si $A$ tiene rango $2016$ , entonces la matriz $A^{673}$ puede ser la matriz $O_{2020}$ .

Sugerencia pre-solución. Enuncia una afirmación más general relacionada con el rango que puedas probar por inducción utilizando la desigualdad de Sylvester.

Solución. Para la primer parte, probaremos primero algo más general. Afirmamos que si $M$ es una matriz de $n \times n$ de rango $n - s$ y $k$ es un entero positivo, entonces el rango de la matriz $M^{k}$ es por lo menos $n - k s$ . Procedemos por inducción sobre $k$ . Si $k = 1$ , el resultado es cierto pues $M$ tiene rango $n - s = n - 1 \cdot s$ .

Supongamos el resultado para cierto entero $k$ . Usando la desigualdad de Sylverster y la hipótesis inductiva, tenemos que
$\begin{aligned} rank (A^{k + 1}) & \geq rank (A^{k}) + rank (A) - n \\ \geq (n - k s) + (n - s) - n \\ = n - (k + 1) s . \end{aligned}$

Esto muestra la afirmación general.

Si regresamos a la primer parte del problema original y aplicamos el resultado anterior, tenemos que $A^{673}$ es una matriz de rango por lo menos $2020 - 673 \cdot 3 = 2020 - 2019 = 1.$ De esta forma, $A^{673}$ no puede ser la matriz $0$ .

Hagamos ahora la segunda parte del problema. Para ello, debemos construir una matriz $A$ de $2020 \times 2020$ de rango $2016$ tal que $A^{673}$ sea la matriz $0$ . Para ello, consideremos la matriz $A$ tal que sus primeras $4$ columnas sean iguales al vector $0$ , y que sus columnas de la $5$ a la $2020$ sean los vectores canónicos $e_{1}, \dots, e_{2016}$ .

Esta matriz claramente es de rango $2016$ , pues el espacio generado por sus columnas es el espacio generado por $e_{1}, \dots, e_{2016}$ , que es de dimensión $2016$ . Por otro lado, se puede mostrar inductivamente que para $k = 1, \dots, 505$ , se tiene que $A^{k}$ es una matriz en donde sus columnas de $1$ a $4 k$ son todas el vector $0$ , y sus columnas de $4 k + 1$ a $2020$ son $e_{1}, \dots, e_{2020 - 4 k}$ . En particular, $A^{505} = O_{2020}$ , y entonces $A^{673}$ también es la matriz de puros ceros.

Equivalencias de rango de matrices

Hay muchas formas alternativas para calcular el rango de una matriz. El siguiente teorema resume las equivalencias más usadas en resolución de problemas.

Teorema. Sea $A$ una matriz de $m \times n$ con entradas reales. Los siguientes números son todos iguales:

El rango de $A$ , es decir, la dimensión del espacio vectorial generado por los vectores columna de $A$ .
La dimensión del espacio vectorial generado por los vectores fila de $A$ . Observa que esto es, por definición, el rango de la transpuesta de $A$ .
La cantidad de filas no cero que tiene la forma escalonada reducida de $A$ .
(Teorema de rango-nulidad) $n - \dim \ker (A)$ , donde $\ker (A)$ es el espacio vectorial de soluciones a $A X = 0$ .
El tamaño más grande de una submatriz cuadrada de $A$ que sea invertible.
La cantidad de eigenvalores complejos distintos de cero contando multiplicidades algebraicas.

Problema. Determina todos los posibles rangos que pueden tener las matrices con entradas reales de la forma $(\begin{matrix} a & b & c & d \\ b & a & d & c \\ c & d & a & b \\ d & c & b & a \end{matrix}) .$

Sugerencia pre-solución. Comienza haciendo casos pequeños. Para dar los ejemplos y mostrar que tienen el rango deseado, usa el teorema de equivalencia de rango para simplificar algunos argumentos.

Solución. El rango de una matriz de $4 \times 4$ es un entero de $0$ a $4$ . Debemos ver cuáles de estos valores se pueden alcanzar con matrices de la forma dada.

Tomando $a = b = c = d = 0$ , obtenemos la matriz $O_{4}$ , que tiene rango $0$ . Si $a = b = c = d = 1$ , obtenemos la matriz de puros unos, que tiene rango $1$ . Además, si $a = 1$ y $b = c = d = 0$ , obtenemos la matriz identidad, que tiene rango $4$ .

Si $a = b = 1$ y $c = d = 0$ , obtenemos la matriz $A = (\begin{matrix} 1 & 1 & 0 & 0 \\ 1 & 1 & 0 & 0 \\ 0 & 0 & 1 & 1 \\ 0 & 0 & 1 & 1 \end{matrix}) .$ Esta matriz tiene sólo dos columnas diferentes, así que su rango es a lo más dos. Pero tiene como submatriz a la matriz $I_{2} = (\begin{matrix} 1 & 0 \\ 0 & 1 \end{matrix}),$ que tiene rango $2$ , entonces el rango de $A$ es al menos $2$ . De esta forma, el rango de $A$ es $2$ .

Veamos ahora que el rango puede ser $3$ . Para ello, damos un argumento de determinantes. Llamemos $s = a + b + c + d$ . Sumando las tres últimas filas a la primera y factorizando $s$ , tenemos que
$\begin{aligned} | \begin{array}{c} a & b & c & d \\ b & a & d & c \\ c & d & a & b \\ d & c & b & a \end{array} | & = | \begin{array}{c} s & s & s & s \\ b & a & d & c \\ c & d & a & b \\ d & c & b & a \end{array} | \\ = s | \begin{array}{c} 1 & 1 & 1 & 1 \\ b & a & d & c \\ c & d & a & b \\ d & c & b & a \end{array} | . \end{aligned}$

Así, si tomamos $a = b = c = 1$ y $d = - 3$ , entonces $s = 0$ y por lo tanto la matriz $B$ que obtenemos no es invertible, así que su rango es a lo más tres. Pero además es de rango al menos tres pues $B$ tiene como submatriz a $(\begin{matrix} 1 & 1 & - 3 \\ 1 & - 3 & 1 \\ - 3 & 1 & 1 \end{matrix}),$ que es invertible pues su determinante es $- 3 - 3 - 3 - 1 - 1 + 27 = 16 \neq 0.$

Concluimos que los posibles rangos que pueden tener las matrices de esa forma son $0, 1, 2, 3, 4$ .

El teorema de factorización $P J Q$

Existen diversos teoremas que nos permiten factorizar matrices en formas especiales. De acuerdo a lo que pida un problema, es posible que se requiera usar uno u otro resultado. El teorema de factorización más útil para cuando se están resolviendo problemas de rango es el siguiente.

Teorema (factorización $P J Q$ ). Sea $A$ una matriz de $m \times n$ y $r$ un entero en ${0, \dots, min (m, n)}$ . El rango de $A$ es igual a $r$ si y sólo si existen matrices invertibles $P$ de $m \times m$ y $Q$ de $n \times n$ tales que $A = P J_{r} Q$ , en donde $J_{r}$ es la matriz de $m \times n$ cuyas primeras $r$ entradas de su diagonal principal son $1$ y todas las demás entradas son cero, es decir, en términos de matrices de bloque, $J_{r} = (\begin{matrix} I_{r} & O_{r, n - r} \\ O_{m - r, r} & O_{m - r, n - r} \end{matrix}) .$

Como evidencia de la utilidad de este teorema, sugerimos que intentes mostrar que el rango por columnas de una matriz es igual al rango por filas, usando únicamente la definición. Esto es relativamente difícil. Sin embargo, con el teorema $P J Q$ es inmediato. Si $A$ es de $m \times n$ y tiene rango $r$ , entonces su factorización $P J Q$ es de la forma $A = P J_{r} Q .$ Entonces al transponer obtenemos
$\begin{aligned} ^{t} A & =^{t} Q^{t} J_{r}^{t} P . \end{aligned}$

Esto es de nuevo un factorización $P J Q$ , con $^{t} J_{r}$ la matriz de $n \times m$ que indica que $^{t} A$ es de rango $r$ .

Veamos ahora un problema clásico en el que se puede usar la factorización $P J Q$ .

Problema. Sea $A$ una matriz de $m \times n$ y rango $r$ . Muestra que:

$A$ puede ser escrita como la suma de $r$ matrices de rango $1$ .
$A$ no puede ser escrita como la suma de $r - 1$ o menos matrices de rango $1$ .

Sugerencia pre-solución. Para la primer parte, usa el teorema $P J Q$ . Para la segunda parte, usa desigualdades del rango.

Solución. Tomemos $A = P J_{r} Q$ una factorización $P J Q$ de $A$ .

Hagamos la primer parte. Para ello, para cada $i = 1, \dots, r$ , consideremos la matriz $L_{i}$ de $m \times n$ tal que su $i$ -ésima entrada en la diagonal principal es $1$ y el resto de sus entradas son iguales a $0$ .

Por un lado, $L_{i}$ es de rango $1$ , pues tiene sólo una columna distinta de cero. De este modo, $rank (P L_{i} Q) \leq rank (P L_{i}) \leq rank (L_{i}) = 1,$ y como $P$ y $Q$ son invertibles, $rank (P L_{i} Q) \geq rank (L_{i}) \geq 1.$ Así, para cada $i = 1, \dots, r$ , se tiene que $L_{i}$ es de rango $1$ .

Por otro lado, $J_{r} = L_{1} + L_{2} + \dots + L_{r},$ así que
$\begin{aligned} A & = P J_{r} Q \\ = P (L_{1} + L_{2} + \dots + L_{r}) Q \\ = P L_{1} Q + P L_{2} Q + \dots + P L_{r} Q . \end{aligned}$

Esto expresa a $A$ como suma de $r$ matrices de rango $1$ .

Para la segunda parte del problema, usamos repetidamente que el rango es subaditivo. Si tenemos matrices $B_{1}, \dots, B_{s}$ matrices de $m \times n$ , entonces
$\begin{aligned} rank (B_{1} & + B_{2} + \dots + B_{s}) \\ \leq rank (B_{1}) + rank (B_{2} + \dots + B_{s}) \\ \leq rank (B_{1}) + rank (B_{2}) + rank (B_{3} + \dots + B_{s}) \\ v d o t s \\ \leq rank (B_{1}) + rank (B_{2}) + \dots + rank (B_{s}) . \end{aligned}$

Si cada $B_{i}$ es de rango $1$ , entonces su suma tiene rango a lo más $s$ .

Así, la suma de $r - 1$ o menos matrices de rango $1$ tiene rango a lo más $r - 1$ , y por lo tanto no puede ser igual a $A$ .

Más problemas

Puedes encontrar más problemas de rango de una matriz en la Sección 5.4 del libro Essential Linear Algebra de Titu Andreescu. El teorema $P J Q$ , así como muchos problemas ejemplo, los puedes encontrar en el Capítulo 5 del libro Mathematical Bridges de Andreescu, Mortici y Tetiva.

Seminario de Resolución de Problemas: Cálculo de determinantes

Por Leonardo Ignacio Martínez Sandoval

1 respuesta

Introducción

Una de las habilidades fundamentales que hay que desarrollar para resolver problemas de álgebra lineal es el cálculo de determinantes. Como vimos en la entrada anterior, conocer el determinante de una matriz nos permite saber si es invertible. Así mismo, los determinantes permiten encontrar soluciones a sistemas de ecuaciones lineales, y más adelante veremos que están relacionados con el rango. Además, los determinantes juegan un papel muy importante en otras áreas de las matemáticas, como cálculo y teoría de gráficas.

Todo parte de la siguiente definición:

Definición. Para una matriz $A$ de $n \times n$ con entradas reales $A = [a_{i j}]$ , el determinante de $A$ es $det A = \sum_{σ \in S_{n}} sign (σ) a_{1 σ (1)} \cdot \dots \cdot a_{n σ (n)},$ donde la suma se hace sobre todas las permutaciones (funciones biyectivas) $σ$ de ${1, \dots, n}$ a sí mismo y $sign (σ)$ es el signo de la permutación.

A $det A$ también lo escribimos a veces en notación de «matriz con barras verticales» como sigue:

$\begin{array}{r} det A = | \begin{array}{c} a_{11} & a_{12} & \dots & a_{1 n} \\ a_{21} & a_{22} & \dots & a_{2 n} \\ ⋮ & ⋱ & ⋮ \\ a_{n 1} & a_{n 2} & \dots & a_{n n} . \end{array} | . \end{array}$

La definición permite mostrar de maneras muy elegantes las propiedades que cumplen los determinantes, pero no es nada práctica para cuando se quieren hacer las cuentas. Como la suma se hace sobre todas las permutaciones $σ$ de un conjunto de $n$ elementos, si quisiéramos calcular determinantes por definición se tendrían que hacer $n!$ productos, y luego sumar todos estos resultados.

Por esta razón, es muy importante encontrar otras formas de evaluar determinantes. Para empezar, esta entrada hará referencia a dos enlaces del blog en los que se discuten las propiedades básicas de determinantes. Luego, se hablará de dos tipos especiales de determinantes: los de Vandermonde y los de matrices circulantes.

Técnicas básicas de cálculo de determinantes

Lo primero y más importante es que conozcas las teoría básica para cálculo de determinantes. Aquí en el blog hay una entrada que sirve justo para conocer las propiedades y técnicas principales para encontrar determinantes.

Técnicas básicas de cálculo de determinantes

Además, es también muy importante que sepas calcular determinantes usando la expansión de Laplace. En la siguiente entrada puedes ver el enunciado de la técnica, y cómo se usa en varios ejemplos:

Problemas de cálculo de determinantes

Para fines de este curso, es importante que revises esas entradas. Puedes saltarte las demostraciones de los resultados principales, pero presta atención a cómo se usan en cada uno de los problemas.

Las siguientes secciones presentan técnicas avanzadas que a veces resultan útiles. Sin embargo, tómalas como temas optativos, dando prioridad a primero dominar los básicos.

Determinantes de Vandermonde

Teorema (determinante de Vandermonde). Sean $a_{1}, \dots, a_{n}$ números reales. El determinante de la matriz de Vandermonde $\begin{array}{r} (\begin{array}{c} 1 & a_{1} & a_{1}^{2} & \dots & a_{1}^{n - 1} \\ 1 & a_{2} & a_{2}^{2} & \dots & a_{2}^{n - 1} \\ 1 & a_{3} & a_{3}^{2} & \dots & a_{3}^{n - 1} \\ ⋮ & ⋱ & ⋮ \\ 1 & a_{n} & a_{n}^{2} & \dots & a_{n}^{n - 1} \end{array}) \end{array}$ es igual a $\prod_{1 \leq i < j \leq n} (a_{j} - a_{i}) .$

Ejemplo. La matriz $(\begin{matrix} 1 & a & a^{2} \\ 1 & b & b^{2} \\ 1 & c & c^{2} \end{matrix})$ es una matriz de Vandermonde, así que su determinante es $(b - a) (c - a) (c - b) .$

Veamos un problema en el que aparece una matriz de Vandermonde.

Problema. Sean $a$ , $b$ y $c$ reales distintos de $0$ . Muestra que el determinante de $| \begin{matrix} a^{2} & b^{2} & c^{2} \\ c^{2} & a^{2} & b^{2} \\ c a & a b & b c \end{matrix} |$ es $(a^{2} - b c) (b^{2} - c a) (c^{2} - a b) .$

Sugerencia pre-solución. Formula un problema equivalente usando propiedades de determinantes para que quede un determinante del tipo de Vandermonde. Aprovecha la simetría para ahorrar algunas cuentas.

Solución. Como el determinante es homogéneo en cada columna, podemos factorizar $a^{2}$ de la primera, $b^{2}$ de la segunda y $c^{2}$ de la tercera para obtener que
$\begin{aligned} | \begin{array}{c} a^{2} & b^{2} & c^{2} \\ c^{2} & a^{2} & b^{2} \\ c a & a b & b c \end{array} | & = (a b c)^{2} | \begin{array}{c} 1 & 1 & 1 \\ \frac{c^{2}}{a^{2}} & \frac{a^{2}}{b^{2}} & \frac{b^{2}}{c^{2}} \\ \frac{c}{a} & \frac{a}{b} & \frac{b}{c} \end{array} | \\ = - (a b c)^{2} | \begin{array}{c} 1 & 1 & 1 \\ \frac{c}{a} & \frac{a}{b} & \frac{b}{c} \\ \frac{c^{2}}{a^{2}} & \frac{a^{2}}{b^{2}} & \frac{b^{2}}{c^{2}} \end{array} | . \end{aligned}$

Aquí también usamos que al intercambiar dos filas (o columnas), el determinante de una matriz cambia de signo.

Una matriz tiene el mismo determinante que su transpuesta, y la transpuesta de esta última matriz es de Vandermonde, de modo que $- (a b c)^{2} | \begin{matrix} 1 & 1 & 1 \\ \frac{c}{a} & \frac{a}{b} & \frac{b}{c} \\ \frac{c^{2}}{a^{2}} & \frac{a^{2}}{b^{2}} & \frac{b^{2}}{c^{2}} \end{matrix} | = - (a b c)^{2} (\frac{a}{b} - \frac{c}{a}) (\frac{b}{c} - \frac{c}{a}) (\frac{b}{c} - \frac{a}{b}) .$

Vamos a partir esta última expresión en factores simétricos. Tenemos que $a b (\frac{a}{b} - \frac{c}{a}) = a^{2} - b c .$ De manera similar, tenemos también $- c a (\frac{b}{c} - \frac{c}{a}) = c^{2} - a b$ y $b c (\frac{b}{c} - \frac{a}{b}) = b^{2} - a c .$

Así, concluimos que $| \begin{matrix} a^{2} & b^{2} & c^{2} \\ c^{2} & a^{2} & b^{2} \\ c a & a b & b c \end{matrix} | = (a^{2} - b c) (b^{2} - c a) (c^{2} - a b) .$

Determinantes de matrices circulantes

Teorema (determinantes circulantes) Sean $a_{1}, \dots, a_{n}$ números reales. El determinante de la matriz circulante
$\begin{array}{r} (\begin{array}{c} a_{1} & a_{n} & a_{n - 1} & \dots & a_{2} \\ a_{2} & a_{1} & a_{n} & \dots & a_{3} \\ a_{3} & a_{2} & a_{1} & \dots & a_{4} \\ ⋮ & ⋱ & ⋮ \\ a_{n} & a_{n - 1} & a_{n - 2} & \dots & a_{1} . \end{array}) \end{array}$

es $\prod_{j = 0}^{n - 1} (a_{1} + a_{n} ω_{j} + a_{n - 1} ω_{j}^{2} + \dots + a_{2} ω_{j}^{n - 1}),$ en donde $ω_{j}$ es la $n$ -ésima raíz de la unidad dada por $ω_{j} := e^{j \cdot \frac{2 π i}{n}}$ .

Ejemplo. La matriz $(\begin{matrix} a & b & c \\ c & a & b \\ b & c & a \end{matrix})$ es una matriz circulante, así que su determinante es $(a + b + c) (a + ω b + ω^{2} c) (a + ω^{2} b + ω c),$ donde $ω$ es la raíz cúbica de la unidad de argumento positivo mínimo.

El siguiente problema apareció en la tercera edición de la Olimpiada Iberoamericana de Matemática Universitaria. El enunciado en esa ocasión fue un poco distinto, pero lo adaptamos a la notación de esta entrada.

Problema. Sea $n \geq 3$ un entero Muestra que el determinante de la matriz circulante en donde $a_{1} = a_{n} = a_{n - 1} = 1$ y $a_{2} = \dots = a_{n - 1} = 0$ es $3$ si $n$ no es un múltiplo de $3$ y es $0$ si $n$ es un múltiplo de $3$ .

Sugerencia pre-solución. Para empezar, aplica el teorema de determinantes de matrices circulantes. Luego, necesitarás además un argumento de polinomios y de números complejos.

Solución. Para empezar, llamemos $A_{n}$ a la matriz del problema. Como $A_{n}$ es una matriz circulante, su determinante es $det (A_{n}) = \prod_{j = 0}^{n - 1} (1 + ω_{j} + ω_{j}^{2}) .$

El polinomio $1 + x + x^{2}$ se factoriza como $(η - x) (η^{2} - x)$ , donde $η$ es la raíz cúbica de la unidad de argumento positivo mínimo. De esta forma, podemos reescribir al determinante de $A_{n}$ como $det (A_{n}) = \prod_{j = 0}^{n - 1} (η - ω_{j}) (η^{2} - ω_{j}) .$

El polinomio $h (x) = x^{n} - 1$ se factoriza como $h (x) = (x - ω_{0}) (x - ω_{1}) \dots (x - ω_{n - 1}),$ así que $det (A_{n})$ es precisamente el producto de $h (η)$ con $h (η^{2})$ . En otras palabras,
$\begin{aligned} det (A_{n}) & = (η^{n} - 1) (η^{2 n} - 1) \\ = η^{3 n} + 1 - (η^{n} + η^{2 n}) \\ = 2 - (η^{n} + η^{2 n}) \end{aligned}$

Finalmente, hacemos un análisis de casos:

Si $n$ es múltiplo de $3$ , entonces $η^{n} = η^{2 n} = 1$ y entonces $det (A_{n}) = 0$ .
Si $n$ no es múltiplo de $3$ , entonces $n$ y $2 n$ no son congruentes módulo $3$ , y entonces $η^{n}$ y $η^{2 n}$ son $η$ y $η^{2}$ en algún orden. Así, $(η^{n} + η^{2 n}) = η + η^{2} = - 1,$ y por lo tanto $det (A_{n}) = 3$ .

Más problemas

Puedes encontrar más problemas de cálculo de determinantes en la Sección 7.4 y la Sección 7.5 del libro Essential Linear Algebra de Titu Andreescu.

Introducción

Linealidad por filas o columnas

El determinante y operaciones elementales

Algunos determinantes especiales

Ejemplos interesantes de cálculo de determinantes

Más adelante…

Tarea moral

Entradas relacionadas

Introducción

Notación tradicional de los campos vectoriales

Líneas de flujo

Divergencia

Rotacional

Laplaciano

Ejemplos de problemas de los conceptos anteriores

Mas adelante…

Tarea moral

Entradas relacionadas

Introducción

Permutaciones

Determinantes en términos de permutaciones

Propiedades de los determinantes

Mas adelante…

Tarea moral

Entradas relacionadas

Introducción

Propiedades del rango de matrices

Equivalencias de rango de matrices

El teorema de factorización PJQ

Más problemas

Introducción

Técnicas básicas de cálculo de determinantes

Determinantes de Vandermonde

Determinantes de matrices circulantes

Más problemas

El teorema de factorización $P J Q$