Adquiriendo señal…
Adquiriendo señal…
Lección 7 de 12· Matemáticas
0 de 12 lecciones · 0 %
Si una matriz es una función (lección 4), su inversa es la función que la deshace. existe cuando es cuadrada y su transformación no pierde información: cuando no aplasta ninguna dirección.
Esa exigencia se puede enunciar de muchas formas equivalentes, y saber que todas dicen lo mismo ahorra mucho trabajo. Para una matriz cuadrada de tamaño :
| Enunciado | Lección donde aparece |
|---|---|
| es invertible | 7 |
| 5 | |
| Las columnas son linealmente independientes | 2 |
| Las columnas generan | 2 |
| El rango es : hay pivotes | 6 |
| solo tiene la solución trivial | 8 |
| tiene solución única para todo | 6 |
| Ningún autovalor es cero | 10 |
| Ningún valor singular es cero | 12 |
Este cuadro es, en la práctica, el resumen del curso: nueve formulaciones distintas de una misma propiedad, cada una útil en un contexto diferente.
El método es el de la lección 6 aplicado a términos independientes a la vez. Se escribe la matriz ampliada y se elimina hasta que la parte izquierda sea la identidad; lo que queda a la derecha es .
Funciona porque cada operación elemental de fila equivale a multiplicar por la izquierda por una matriz elemental . Si la cadena , entonces , que es precisamente lo que la mitad derecha va acumulando.
Para hay fórmula cerrada, y conviene memorizarla:
Fíjate en el denominador: si la fórmula explota, que es justo lo que debe ocurrir.
Es tentador resolver calculando y multiplicando. En la práctica es un error por tres razones acumulativas:
La regla, sin excepciones prácticas: factoriza, no inviertas. La inversa es un objeto teórico excelente y un algoritmo mediocre.
La eliminación de Gauss no tira información: los multiplicadores que se usan para hacer ceros son exactamente las entradas de una matriz triangular inferior. Si no hacen falta intercambios de fila:
La razón es que deshacer una eliminación es sumar el mismo múltiplo que se restó: la inversa de cada matriz elemental es trivial, y al componerlas todas se obtiene directamente, sin ningún cálculo extra. Por eso la implementación estándar guarda los multiplicadores en el hueco que dejan los ceros de , sin memoria adicional. Es lo que muestra el «tablero» del laboratorio.
Cuando un pivote sale nulo —o simplemente muy pequeño— hay que intercambiar filas, y el registro de esos intercambios es una matriz de permutación:
Esta es la factorización que devuelve LAPACK (dgetrf) y la que está detrás de cualquier solve de cualquier biblioteca numérica.
Con la factorización hecha, se convierte en dos sistemas triangulares que se resuelven por sustitución directa, sin eliminar nada:
Cada sustitución cuesta . La cuenta que justifica todo el método: para sistemas con la misma matriz,
Con y , el ahorro es de casi un factor 9; con , de más de 30. En simulación —donde se resuelve la misma matriz de rigidez en cada paso de tiempo— esa diferencia decide si el cálculo es viable.
Sea (sin pivoteo, para ver los multiplicadores limpios). Con y :
Y con : deja . Por tanto
El determinante sale gratis: es el producto de los pivotes, con el signo de las permutaciones. Comprobar multiplicando es un ejercicio de dos minutos que conviene hacer una vez en la vida.
Tienes que resolver 50 sistemas que comparten la misma matriz de tamaño y difieren solo en . ¿Cuál es la estrategia correcta?
Que una matriz sea invertible sobre el papel no garantiza que resolver con ella sea fiable. El número de condición
mide cuánto puede amplificar un error relativo en los datos. Como regla de bolsillo: si , se pueden perder hasta cifras significativas. Con doble precisión (unas 16 cifras), un deja apenas 4 cifras de confianza.
El ejemplo clásico es la matriz de Hilbert, : para su condición ronda . Es invertible, su determinante no es cero, y aun así resolver con ella en doble precisión da resultados sin sentido. Es la razón de que el determinante no sirva como diagnóstico, y la motivación del rango numérico y de la SVD de la lección 12.
Existen factorizaciones mejores para casos especiales, y usarlas no es un lujo: si es simétrica y definida positiva (lección 11) la descomposición de Cholesky cuesta la mitad y no necesita pivotar; si es rectangular, LU no aplica y hay que ir a QR (lección 9) o a la SVD (lección 12). El pivoteo parcial que usamos aquí es estable en la práctica pero no en el peor caso teórico; existen matrices patológicas donde falla, y para ellas está el pivoteo completo, más caro y casi nunca necesario.
En la lección 8 dejamos los algoritmos y volvemos a la estructura: los cuatro subespacios que toda matriz lleva consigo y que responden, de una sola vez, a todas las preguntas sobre existencia y unicidad.
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Álgebra Lineal: la geometría detrás de las matrices».