[Link].

net
186 Capítulo 3 Matrices

O B 1
1BC 2 1 1BC 2 1B En los ejercicios 69-72, particione la matriz dada de modo que
65. c d c d pueda aplicar una de las fórmulas de los ejercicios 64-68, y
C I C1BC 2 1
I C1BC 2 1B
luego calcule la inversa usando dicha fórmula.
I B 1
1I BC2 1 1I BC 2 1B
66. c d c d 1 0 0 0
C I C1I BC2 1 I C 1I BC 2 1B
1 0 1 0 0
O B 69. ≥ ¥
67. c d 2 3 1 0
C D
1 2 0 1
1BD 1C 2 1 1BD 1C 2 1BD 1
c d 70. La matriz del ejercicio 58
D 1C1BD 1C 2 1
D 1
D 1C 1BD 1C 2 1BD 1
A B 1 P Q 0 0 1 1
68. c d c d , donde P (A BD 1C ) 1, 0 1 1
C D R S 0 0 1 0
71. ≥ ¥ 72. £ 1 3 1 §
Q PBD 1, R D 1CP, y S D 1 D 1CPBD 1 0 1 1 0
1 5 2
1 1 0 1

3.4 La factorización LU
Así como es natural (e ilustrador) factorizar un número natural en un producto de otros
números naturales (por ejemplo, 30 2 . 3 . 5), frecuentemente también es útil factori-
zar matrices como productos de otras matrices. Cualquier representación de una matriz
como producto de dos o más matrices se llama factorización de matrices. Por ejemplo,

3 1 1 0 3 1
c d c dc d
9 5 3 1 0 2

es una factorización de una matriz.

No es necesario decir que algunas factorizaciones son más útiles que otras. En esta
sección se presenta una factorización matricial que surge en la solución de sistemas de
ecuaciones lineales mediante eliminación gaussiana y es particularmente adecuada para
su implementación en computadora. En capítulos posteriores se encontrarán otras fac-
torizaciones matriciales igualmente útiles. De hecho, el tema es rico, y a él se han dedi-
cado libros y cursos enteros.
Considere un sistema de ecuaciones lineales de la forma Ax b, donde A es una ma-
triz de n n. La meta de este libro es demostrar que la eliminación gaussiana implícita-
mente factoriza A en un producto de matrices que permiten resolver fácilmente el sistema
dado (y cualquier otro sistema con la misma matriz de coeficientes).
El siguiente ejemplo ilustra la idea básica.

Sea
Ejemplo 3.33
2 1 3
A £ 4 1 3§
2 5 5
 [Link]
Sección 3.4 La factorización LU 187

La reducción por renglones de A se realiza del modo siguiente:

2 1 3 R2 2R1 2 1 3 R 3 2R2 2 1 3
R3 R1
A £ 4 1 3§ ¡ £0 3 3§ ¡ £0 3 3§ U (1)
2 5 5 0 6 8 0 0 2

Las tres matrices elementales E1, E2, E3 que logran esta reducción de A a la forma escalo-
nada U son (en orden):

1 0 0 1 0 0 1 0 0
E1 £ 2 1 0§, E2 £0 1 0§, E3 £0 1 0§
0 0 1 1 0 1 0 2 1
Por tanto,
E3E2E1A U
Al despejar para A, se obtiene
1 0 0 1 0 0 1 0 0
A E1 1E2 1E3 1U £2 1 0§ £ 0 1 0§ £0 1 0§U
0 0 1 1 0 1 0 2 1
1 0 0
£ 2 1 0§U LU
1 2 1
Por tanto, A puede factorizarse como
A LU
donde U es una matriz triangular superior (vea los ejercicios para la sección 3.2) y L es
triangular inferior unitaria. Esto es, L tiene la forma

1 0 p 0
1 p 0
L ≥ ¥
El gran matemático inglés o o ∞ o
Alan M. Turing (1912–1954) p 1
introdujo la factorización LU en
1948, en un ensayo titulado
“Rounding-off Errors en Matrix con ceros arriba y números 1 en la diagonal principal.
Processes” (Quarterly Journal of
Mechanics and Applied Mathematics, El ejemplo anterior motiva la siguiente definición.
1 (1948), pp. 287-308). Durante la
segunda guerra mundial, Turing fue
útil para descifrar el código
“Enigma” alemán. Sin embargo, es
mejor conocido por su trabajo en Definición Sea A una matriz cuadrada. Una factorización de A como A LU,
lógica matemática que tendió los donde L es triangular inferior unitaria y U es triangular superior, se llama factoriza-
cimientos teóricos para el desarrollo ción LU de A.
de las computadoras digitales y el
moderno campo de la inteligencia
artificial. La “prueba de Turing” que Comentarios
propuso en 1950 todavía se usa • Observe que la matriz A en el ejemplo 3.33 tiene una factorización LU porque en
como uno de los hitos para abordar la reducción por renglones de A no se necesitaron intercambios de renglón. Por tanto,
la cuestión de si una computadora todas las matrices elementales que surgieron fueron triangulares inferiores unitarias. En-
puede considerarse “inteligente”. tonces, se garantiza que L es triangular inferior unitaria porque los inversos y productos
 [Link]
188 Capítulo 3 Matrices

de matrices triangulares inferiores unitarias también son triangulares inferiores uni-

tarias. (Vea los ejercicios 29 y 30.)
Si apareciera un cero en una posición pivote en algún paso, habría tenido que inter-
cambiar renglones para obtener un pivote distinto de cero. Esto habría resultado en que
IIIII
IIIII
L ya no fuese triangular inferior unitaria. Más adelante se comentará más acerca de esta
observación. (¿Puede encontrar una matriz para la cual será necesario el intercambio de
renglones?)
• La noción de una factorización LU puede generalizarse a matrices no cuadradas
al simplemente requerir que U sea una matriz en forma escalonada por renglones. (Vea
los ejercicios 13 y 14.)
• Algunos libros definen una factorización LU de una matriz cuadrada A como
cualquier factorización A LU, donde L es triangular inferior y U es triangular superior.

El primer comentario anterior en esencia es una demostración del siguiente teorema.

Teorema 3.15 Si A es una matriz cuadrada que puede reducirse a forma escalonada sin usar inter-
cambios de renglón, entonces A tiene una factorización LU.

Para ver por qué es útil la factorización LU, considere un sistema lineal Ax b,
donde la matriz de coeficientes tiene una factorización LU, A LU. El sistema Ax b
puede reescribirse como LUx b o L(Ux) b. Si ahora se define y Ux, entonces es
posible resolver para x en dos etapas:
1. Resolver Ly b para y mediante sustitución hacia adelante (vea los ejercicios 25 y 26
en la sección 2.1).
2. Resolver Ux y para x mediante sustitución hacia atrás.
Cada uno de dichos sistemas lineales tiene solución directa porque las matrices coefi-
ciente L y U son ambas triangulares. El siguiente ejemplo ilustra el método.

Ejemplo 3.34 2 1 3
Use una factorización LU de A £ 4 1 3 § para resolver Ax b, donde
1 2 5 5
b £ 4§ .
9

Solución En el ejemplo 3.33, se encontró que

1 0 0 2 1 3
A £ 2 1 0§ £0 3 3§ LU
1 2 1 0 0 2

Como se destaca líneas arriba, para resolver Ax b (que es lo mismo que L(Ux) b),
y1
primero se resuelve Ly b para y £ y2 § . Este es justo el sistema lineal
y3
y1 1
2y1 y2 4
y1 2y2 y3 9
La sustitución hacia adelante (esto es, al trabajar de arriba abajo) produce
y1 1, y2 4 2y1 6, y3 9 y1 2y2 2
 [Link]
Sección 3.4 La factorización LU 189

1 x1
Por tanto, y £ 6 § y ahora se resuelve Ux y para x £ x2 §. Este sistema lineal es
2 x3
2x1 x2 3x3 1
3x2 3x3 6
2x3 2
y la sustitución hacia atrás produce rápidamente
x3 1,
3x2 6 3x3 9 de manera que x2 3, y
1
2x1 1 x2 3x3 1 de manera que x1 2

1
2
Por tanto, la solución al sistema dado Ax b es x £ 3§.
1

Una forma sencilla de encontrar factorizaciones LU

En el ejemplo 3.33 se calculó la matriz L como un producto de matrices elementales. Por
fortuna, L puede calcularse directamente a partir del proceso de reducción por renglo-
nes sin la necesidad de calcular matrices elementales. Recuerde que se supone que A
puede reducirse a forma escalonada por renglones sin usar intercambios de renglón. Si
este es el caso, entonces todo el proceso de reducción por renglones puede hacerse
usando solamente operaciones elementales con renglones de la forma Ri kRj. (¿Por
qué no es necesario usar la operación elemental con los renglones restantes, y multipli-
IIIII
IIIII
car un renglón por un escalar distinto de cero?) En la operación Ri kRj, el escalar k se
denominará el multiplicador.
En el ejemplo 3.33, las operaciones elementales con renglones que se usaron fueron,
en orden,

R2 2R1 (multiplicador 2)
R3 R1 R3 ( 1)R1 (multiplicador 1)
R3 2R2 R3 ( 2)R2 (multiplicador 2)

¡Los multiplicadores son precisamente las entradas de L que están bajo su diagonal! De
hecho,

1 0 0
L £ 2 1 0§
1 2 1
y L21 2, L31 1 y L32 2. Note que la operación elemental con renglones Ri kRj
tiene su multiplicador k en la entrada (i, j) de L.

Ejemplo 3.35 Encuentre una factorización LU de

3 1 3 4
6 4 8 10
A ≥ ¥
3 2 5 1
9 5 2 4
 [Link]
190 Capítulo 3 Matrices

Solución Al reducir A a forma escalonada por renglones se obtiene

3 1 3 4 R 2R 3 1 3 4
2 1
6 4 8 10 R3 R1 0 2 2 2
A ≥ ¥ R ( 3)R ≥ ¥
3 2 5 1 4¡ 1 0 1 2 3
9 5 2 4 0 8 7 16
3 1 3 4
R3 12R2
R4 4R2 ≥
0 2 2 2
¥
¡ 0 0 1 4
0 0 1 8
3 1 3 4
R4 0 1 12R3 2 2 2
¡ ≥ ¥ U
0 0 1 4
0 0 0 4

Los primeros tres multiplicadores son 2, 1 y 3, y van en las entradas subdiagonales de

la primera columna de L. De modo que, hasta el momento,

1 0 0 0
2 1 0 0
L ≥ ¥
1 1 0
3 1

Los siguientes dos multiplicadores son 12 y 4, así que se sigue llenando L:

1 0 0 0
2 1 0 0
L ≥ 1 ¥
1 2 1 0
3 4 1

El multiplicador final, 1, sustituye al último en L para producir

1 0 0 0
2 1 0 0
L ≥ 1 ¥
1 2 1 0
3 4 1 1

Por tanto, una factorización LU de A es

3 1 3 4 1 0 0 0 3 1 3 4
6 4 8 10 2 1 0 0 0 2 2 2
A ≥ ¥ ≥ 1 ¥≥ ¥ LU
3 2 5 1 1 2 1 0 0 0 1 4
9 5 2 4 3 4 1 1 0 0 0 4

como se comprueba fácilmente.

 [Link]
Sección 3.4 La factorización LU 191

Comentarios
• Al aplicar este método es importante notar que las operaciones elementales con
renglones Ri kRj deben realizarse de arriba abajo dentro de cada columna (y usar la en-
trada diagonal como pivote) y columna por columna de izquierda a derecha. Para ilus-
trar lo que puede salir mal si no se obedecen estas reglas, considere la siguiente reducción
por renglones:
1 2 2 1 2 2 1 2 2
R3 2R2 R2 R1
A £1 1 1§ ¡ £1 1 1§ ¡ £0 1 1§ U
2 2 1 0 0 1 0 0 1
Esta vez el multiplicador se colocaría en L del modo siguiente: L32 2, L21 1. Se ob-
tendría
1 0 0
L £1 1 0§
0 2 1
IIIII
IIIII
pero A LU . (¡Compruebe esto! Encuentre una factorización LU correcta de A.)
• Una forma alternativa de construir L es observar que los multiplicadores pueden
obtenerse directamente de las matrices obtenidas en los pasos intermedios del proceso
de reducción por renglones. En el ejemplo 3.33, examine los pivotes y las correspon-
dientes columnas de las matrices que surgen en la reducción por renglones
2 1 3 2 1 3 2 1 3
A £ 4 1 3 § S A1 £0 3 3§ S £0 3 3§ U
2 5 5 0 6 8 0 0 2
El primer pivote es 2, que aparece en la primera columna de A. Al dividir por el pi-
vote las entradas de este vector columna que están en la diagonal o debajo de ella , se ob-
tiene
2 1
1
£ 4§ £ 2§
2
2 1
El siguiente pivote es 3, que aparece en la segunda columna de A1. Al dividir por el pi-
vote las entradas de este vector columna que están en la diagonal o debajo de ella, se ob-
tiene

1
£ 3§ £ 1§
1 32
6 2
El pivote final (que no es necesario usar) es 2, en la tercera columna de U. Al dividir por
el pivote las entradas de este vector columna que están en la diagonal o debajo de ella, se
obtiene

1
£ § £ §
2
2 1
Si los tres vectores columna resultantes se colocan lado a lado en una matriz, se tiene
1
£ 2 1 §
1 2 1
que es exactamente L una vez que las entradas sobre la diagonal se llenan con ceros.
 [Link]
192 Capítulo 3 Matrices

En el capítulo 2 se remarcó que la forma escalonada por renglones de una matriz no

es única. Sin embargo, si una matriz invertible A tiene una factorización LU, A LU, en-
tonces esta factorización es única.

Teorema 3.16 Si A es una matriz invertible que tiene una factorización LU, entonces L y U son úni-
cas.

Demostración Suponga A LU y A L1U1 son dos factorizaciones LU de A. Entonces

LU L1U1, donde L y L1 son triangulares inferiores unitarias y U y U1 son triangulares
superiores. De hecho, U y U1 son dos formas escalonadas por renglones (posiblemente
diferentes) de A.
Por el ejercicio 30, L1 es invertible. Dado que A es invertible, su forma escalonada re-
ducida por renglones es una matriz identidad I por el teorema fundamental de matrices
IIIII
IIIII
invertibles. Por tanto, U también se reduce por renglones a I (¿por qué?) y en conse-
cuencia U también es invertible. Por lo cual,
L1 1 1LU2U 1
L1 1 1L1U1 2U 1
así 1L 1 1L 2 1UU 1
2 1L 1 1L1 2 1U1U 1
2
En consecuencia,
1L1 1L 2I I1U1U 1
2 entonces L1 1L U1U 1

Pero L1 1L es triangular inferior unitaria por el ejercicio 29 y U1U 1 es triangular supe-

IIIII
IIIII rior. (¿Por qué?) Se tiene que L1 1L U1U 1 es tanto triangular inferior unitaria como
triangular superior. La única matriz de esta forma es la matriz identidad, de modo que
L1 1L I y U1U 1 I . Se tiene que L L1 y U U1, de modo que la factorización LU
de A es única.

La factorización P T LU
Ahora se explorará el problema de adaptar la factorización LU para manejar casos donde
son necesarios los intercambios de renglón durante la eliminación gaussiana. Considere
la matriz
1 2 1
A £ 3 6 2§
1 1 4
Una reducción por renglón directa produce
1 2 1
ASB £0 0 5§
0 3 3
que no es una matriz triangular superior. Sin embargo, esto se puede convertir fácilmente
en forma triangular superior al intercambiar los renglones 2 y 3 de B para obtener
1 2 1
U £0 3 3§
0 0 5
Alternativamente, primero puede intercambiar los renglones 2 y 3 de A. Para este fin, sea
P la matriz elemental
1 0 0
£0 0 1§
0 1 0
 [Link]
Sección 3.4 La factorización LU 193

que corresponde a intercambiar los renglones 2 y 3, y sea E el producto de las matrices

elementales que entonces reduce PA a U (de modo que E 1 L es triangular inferior
unitaria). Por tanto, EPA U, de modo que A (EP) 1U P 1E 1U P 1LU.
Ahora esto sólo maneja el caso de un solo intercambio de renglón. En general, P será
el producto P Pk p P2P1 de todas las matrices que intercambian renglón P1, P2, . . . , Pk
(donde P1 se realiza primero, etcétera). Tal matriz P se llama matriz permutación. Ob-
serve que una matriz permutación surge de permutar los renglones de una matriz iden-
tidad en cierto orden. Por ejemplo, las siguientes son todas matrices permutación:
0 1 0 0
0 0 1
0 1 0 0 0 1
c d, £1 0 0§, ≥ ¥
1 0 1 0 0 0
0 1 0
0 0 1 0
Por fortuna, el inverso de una matriz permutación es fácil de calcular; de hecho, ¡no se
necesita cálculo alguno!

Teorema 3.17 Si P es una matriz permutación, entonces P 1

PT .

Demostración Debe demostrar que PTP I. Pero el i-ésimo renglón de PT es igual que
la i-ésima columna de P, y ambos son iguales al mismo vector unitario estándar e, por-
que P es una matriz permutación. De este modo
1PTP 2 ii 1i-ésimo renglón de PT 2 1i-ésima columna de P2 eTe e#e 1
T
Esto muestra que las entradas diagonales de P P son todas 1. Por otra parte, si j i,
entonces la j-ésima columna de P es un vector unitario estándar diferente de e, por decir
e . Por tanto, una entrada típica fuera de la diagonal de PTP está dado por
1PTP 2 ij 1i-ésimo renglón de PT 2 1 j-ésima columna de P2 eTe¿ e # e¿ 0
T
En consecuencia, P P es una matriz identidad, como se quería demostrar.

Por tanto, en general, puede factorizar una matriz cuadrada A como A P 1LU
T
P LU.

Definición Sea A una matriz cuadrada. Una factorización de A como A PTLU,

donde P es una matriz permutación, L es triangular inferior unitaria y U es triangu-
lar superior, se llama factorización PT LU de A.

Ejemplo 3.36 0 0 6
Encuentre una factorización PT LU de A £1 2 3§.
2 1 4

Solución Primero reduzca A a forma escalonada por renglones. Claramente, es necesa-

rio al menos un intercambio de renglón.
0 0 6 R1 4R2 1 2 3 R3 2R1 1 2 3
A £1 2 3§ ¡ £0 0 6§ ¡ £0 0 6§
2 1 4 2 1 4 0 3 2
R2 4R3
1 2 3
¡ £0 3 2§
0 0 6
 [Link]
194 Capítulo 3 Matrices

Se usaron dos intercambios de renglón (R1 4 R2 y luego R2 4 R3), de modo que la ma-
triz permutación requerida es
1 0 0 0 1 0 0 1 0
P P2P1 £0 0 1§ £1 0 0§ £0 0 1§
0 1 0 0 0 1 1 0 0
Ahora se encuentra una factorización LU de PA.
0 1 0 0 0 6 1 2 3 R2 2R1 1 2 3
PA £0 0 1§ £1 2 3§ £2 1 4§ ¡ £0 3 2§ U
1 0 0 2 1 4 0 0 6 0 0 6
Por tanto, L21 2, y por tanto
0 0 1 1 0 0 1 2 3
A PTLU £1 0 0§ £2 1 0§ £0 3 2§
0 1 0 0 0 1 0 0 6

La discusión anterior justifica el siguiente teorema.

Teorema 3.18 Toda matriz cuadrada tiene una factorización PT LU.

Comentario Incluso para una matriz invertible, la factorización PT LU no es única.

En el ejemplo 3.36, un solo intercambio de renglón R1 4 R3 también habría funcio-
nado, lo que conduciría a una P diferente. Sin embargo, una vez determinada P, L y U
son únicas.

Consideraciones de cálculo
Si A es de n n, entonces el número total de operaciones (multiplicaciones y divisiones)
requeridas para resolver un sistema lineal Ax b usando una factorización LU de A, es
T 1n2 n3>3, el mismo que se requiere para la eliminación gaussiana. (Vea la Explora-
ción “Operaciones de conteo”, en el capítulo 2.) Esto difícilmente es sorprendente, pues
la fase de eliminación hacia adelante produce la factorización LU en n3>3 pasos,
mientras que las sustituciones hacia adelante y hacia atrás requieren n >2 pasos. Por
2

tanto, para valores grandes de n, el término n3>3 es dominante. Desde este punto de
vista, entonces, la eliminación gaussiana y la factorización LU son equivalentes.
Sin embargo, la factorización LU tiene otras ventajas:

• Desde un punto de vista de almacenamiento, la factorización LU es muy com-

pacta, porque puede sobreescribir las entradas de A con las entradas de L y U conforme se
calculan. En el ejemplo 3.33 se encontró que
2 1 3 1 0 0 2 1 3
A £ 4 1 3§ £ 2 1 0§ £0 3 3§ LU
2 5 5 1 2 1 0 0 2
Esto puede almacenarse como

2 1 3
£ 2 3 3§
1 2 2
 [Link]
Sección 3.4 La factorización LU 195

con las entradas colocadas en el oren (1, 1), (1, 2), (1, 3), (2, 1), (3, 1), (2, 2), (2, 3), (3, 2),
(3, 3). En otras palabras, las entradas subdiagonales de A se sustituyen con los multipli-
cadores correspondientes. (¡Compruebe que esto funciona!)
• Una vez calculada la factorización A de LU, puede usarse para resolver tantos sis-
temas lineales de la forma Ax b como se quiera. Sólo necesita aplicar el método del
ejemplo 3.34 y variar el vector b cada vez.
• Para matrices con ciertas formas especiales, sobre todo aquellas con un gran
número de ceros (las llamadas matrices “dispersas”) concentrados fuera de la diagonal,
existen métodos que simplificarán el cálculo de una factorización LU. En estos casos, este
método es más rápido que la eliminación gaussiana para resolver Ax b.
• Para una matriz invertible A, puede usarse una factorización LU de A para en-
contrar A 1, si es necesario. Más aún, esto puede hacerse en tal forma que simultánea-
mente produzca una factorización de A 1. (Vea los ejercicios 15-18.)

Comentario Si tiene un CAS (como MATLAB) que tenga incluida la factorización

LU, puede notar algunas diferencias entre sus cálculos a mano y el resultado de la compu-
tadora. Esto se debe a que la mayoría de los CAS automáticamente tratarán de realizar pi-
voteo parcial para reducir errores de redondeo. (Vea la exploración “Pivoteo parcial” en el
capítulo 2.) El ensayo de Turing es una discusión extensa de tales errores en el contexto de
las factorizaciones de matrices.

Esta sección sirvió para presentar una de las factorizaciones matriciales más útiles.
En capítulos posteriores se encontrarán otras igualmente útiles.

Ejercicios 3.4

En los ejercicios 1-6, resuelva el sistema Ax b usando la fac- 2 1 0 0 1 0 0 0

torización LU dada de A. 6 4 5 3 3 1 0 0
5. A ≥ ¥ ≥ ¥
2 1 1 0 2 1 5 8 4 1 0 4 0 1 0
1. A c d c dc d, b c d 4 1 0 7 2 1 5 1
2 5 1 1 0 6 1
2 1 0 0 1
4 2 1 0 4 2 0
2. A c d c1 dc d, b c d 0 1 5 3 2
2 3 2 1 0 4 8 ≥ ¥, b ≥ ¥
0 0 1 0 2
2 1 2 1 0 0 0 0 0 4 1
3. A £ 2 3 4§ £ 1 1 0§ 1 4 3 0 1 0 0 0
5
4 3 0 2 4 1 2 5 1 2 2 1 0 0
6. A ≥ ¥ ≥ ¥
2 1 2 3 3 6 3 4 3 2 1 0
£0 4 6§, b £ 1§ 5 8 9 9 5 4 2 1
0 0 7
0 1 4 3 0 1
2
0 3 5 2 3
2 4 0 1 0 0 ≥ ¥, b ≥ ¥
3
0 0 2 0 1
4. A £ 3 1 4§ £ 2 1 0§
1
0 0 0 1 0
1 2 2 2 0 1
En los ejercicios 7-12, encuentre una factorización LU de la
2 4 0 2 matriz dada.
£0 5 4§, b £ 0§ 1 2 2 4
7. c d 8. c d
0 0 2 5 3 1 3 1
 [Link]
196 Capítulo 3 Matrices

1 2 3 2 2 1 En los ejercicios 19-22, escriba la matriz permutación dada

9. £ 4 5 6§ 10. £ 4 0 4§ como un producto de matrices elementales (intercambio de
renglón).
8 7 9 3 4 4
0 0 0 1
1 2 3 1 0 0 1
0 0 1 0
2 6 3 0 19. £ 1 0 0 § 20. ≥ ¥
11. ≥ ¥ 0 1 0 0
0 6 6 7 0 1 0
1 0 0 0
1 2 9 0
0 0 1 0 0
0 1 0 0
2 2 2 1 1 0 0 0 0
0 0 0 1
2 4 1 2 21. ≥ ¥ 22. ≥0 0 0 1 0¥
12. ≥ ¥ 1 0 0 0
4 4 7 3 0 0 0 0 1
0 0 1 0
6 9 5 8 0 1 0 0 0

Generalice la definición de factorización LU a matrices no

cuadradas al simplemente requerir que U sea una matriz en En los ejercicios 23-25, encuentre una factorización PT LU de la
forma escalonada por renglones. Con esta modificación, en- matriz A dada.
cuentre una factorización LU de las matrices en los ejercicios 0 0 1 2
13 y 14. 0 1 4
1 1 3 2
23. A £ 1 2 1§ 24. A ≥ ¥
1 0 1 2 0 2 1 1
1 3 3
13. £ 0 3 3 1§ 1 1 1 0
0 0 0 5 0 1 1 3
1 2 0 1 1 1 1 1 2
25. A ≥ ¥
2 7 3 8 2 0 1 1 1
14. ≥ ¥ 0 0 1 1
1 1 3 5 2
0 3 3 6 0 26. Demuestre que existen exactamente n! matrices permu-
tación de n n.

Para una matriz invertible con una factorización LU, A LU,

L y U serán invertibles y A 1 U 1L 1. En los ejercicios 15 y
16, encuentre L 1, U 1 y A 1 para la matriz dada. En los ejercicios 27-28, resuelva el sistema Ax b usando la
15. A en el ejercicio 1 16. A en el ejercicio 4 factorización dada A PT LU. Puesto que PPT I, PTLUx
b puede reescribirse como LUx Pb. Entonces este sistema
puede resolverse con el método del ejemplo 3.34.
El inverso de una matriz también se puede calcular al resolver 0 1 1 0 1 0 1 0 0
varios sistemas de ecuaciones usando el método del ejemplo 27. A £2 3 2§ £1 0 0§ £0 1 0§
3.34. Para una matriz A de n n, para encontrar su inverso
1 1 1 0 0 1 12 1
2 1
es necesario resolver AX In para la matriz X de n n. Al
escribir esta ecuación como A3 x1 x 2 p x n 4 3e1 e2 p e, n 4 , 2 3 2 1
y usar la forma matriz-columna de AX, se ve que es necesario £0 1 1§ PTLU, b £1§
resolver n sistemas de ecuaciones lineales. Ax1 e1, Ax2 0 0 5
5
2
e2, . . . , Axn en . Más aún, puede usar la factorización
A LU para resolver cada uno de dichos sistemas. 8 3 5 0 1 0 1 0 0
28. A £4 1 2§ £0 0 1§ £1 1 0§
4 0 3 1 0 0 2 1 1
En los ejercicios 17 y 18, use el enfoque recién destacado para
encontrar A 1 para la matriz dada. Compare con el método 4 1 2 16
de los ejercicios 15 y 16. £0 1 1§ T
P LU, b £ 4§
17. A en el ejercicio 1 18. A en el ejercicio 4 0 0 2 4
 [Link]
Sección 3.5 Subespacios, bases, dimensión y rank 197

29. Demuestre que un producto de matrices triangulares diagonal). En los ejercicios 31 y 32, encuentre una factoriza-
inferiores unitarias es triangular inferior unitaria. ción LDU de A.
30. Demuestre que toda matriz triangular inferior unitaria 31. A en el ejercicio 1 32. A en el ejercicio 4
es invertible y que su inversa también es triangular infe- 33. Si A es simétrica e invertible y tiene una factorización
rior unitaria. LDU, demuestre que U LT.
34. Si A es simétrica e invertible, y A LDLT (con L trian-
Una factorización LDU de una matriz cuadrada A es una gular inferior unitaria y D diagonal), demuestre que esta
factorización A LDU, donde L es una matriz triangular in- factorización es única. Esto es: demuestre que, si tam-
ferior unitaria, D es una matriz diagonal y U es una matriz bién se tiene A L1D1LT1 (con L1 triangular inferior
triangular superior unitaria (triangular superior con 1 en su unitaria y D1 diagonal), entonces L L1 y D D1.

3.5 Subespacios, bases, dimensión y rank

Esta sección presenta tal vez las ideas más importantes de todo el libro. Ya se vio que
existe una interacción entre geometría y álgebra: con frecuencia es posible usar intuición
geométrica y razonar para obtener resultados algebraicos, y la potencia del álgebra con
frecuencia permitirá extender los hallazgos más allá de los escenarios geométricos en los
que surgieron por primera vez.
En el estudio de los vectores ya encontró informalmente todos los conceptos en esta
sección. Aquí, comenzará a volverse más formal al proporcionar definiciones para las
ideas clave. Como verá, la noción de subespacio es simplemente una generalización alge-
braica de los ejemplos geométricos de rectas y planos que pasan por el origen. El con-
cepto fundamental de base para un subespacio se deriva entonces de la idea de vectores
directores para tales rectas y planos. El concepto de base le permitirá dar una definición
precisa de dimensión que concuerde con una idea geométrica intuitiva del término, aun-
que es suficientemente flexible para permitir la generalización a otros escenarios.
También comenzará a ver que dichas ideas arrojan más luz a lo que ya sabe acerca de
las matrices y la solución de sistemas de ecuaciones lineales. En el capítulo 6 encontrará
nuevamente todas estas ideas fundamentales con más detalle. Considere esta sección
como una sesión de “familiarización”.
Un plano que pasa por el origen en 3 “parece” una copia de 2. Intuitivamente, esta-
ría de acuerdo en que ambos son “bidimensionales”. Si presiona un poco, también puede
z decir que cualquier cálculo que pueda hacerse con vectores en 2 también puede reali-
zarse en un plano que pasa por el origen. En particular, puede sumar y tomar múltiplos
escalares (y, más generalmente, formar combinaciones lineales) de vectores en tal plano,
y los resultados son otros vectores en el mismo plano. Se dice que, como 2, un plano que
2u v pasa por el origen es cerrado con respecto a las operaciones de suma y multiplicación es-
v
calar. (Vea la figura 3.2.)
u 2u Pero los vectores en este plano, ¿son objetos bidimensionales o tridimensionales?
Puede argumentar que son tridimensionales porque existen en 3 y por tanto tienen tres
x componentes. Por otra parte, pueden describirse como una combinación lineal de sólo
dos vectores, vectores dirección para el plano, y por tanto son objetos bidimensionales
y que existen en un plano bidimensional. La noción de subespacio es la clave para resolver
Figura 3.2 este rompecabezas.