Tema 1: Matrices, determinantes y sistemas de ecuaciones lineales

1 Matrices
Una matriz con coecientes sobre un cuerpo K (normalmente K = R) consiste en una coleccin de nmeros (o
escalares) del cuerpo K ordenados por las y columnas. Si la matriz tiene m las y n columnas se dir que es de orden
m n.
Ejemplo 1.1 Las siguientes son matrices con coecientes sobre R:
A =

0 1 3
3 0.5 6
!
de orden 2 3 B =

3 7

de orden 1 2
C =

5 3 3
0 0 0
2 8 8
5 7 0

de orden 4 3 D =

0
2
8

de orden 3 1
E =

2 1
0 3
!
de orden 2 2 F =

3 0 0
5 4 0
1 8 0

de orden 3 3
Sea A una matriz. Para indicar la la y columna que ocupa cada elemento usaremos la notacin A = (a
ij
), donde
el ndice i indica la la y el ndice j la columna. De este modo estamos diciendo que el elemento a
ij
de la matriz A es
el que ocupa la la i y la columna j, considerando esto para todos los posibles i y j. As los elementos de la matriz
A = (a
ij
) del ejemplo anterior son:
a
11
= 0 a
12
= 1 a
13
= 3 a
21
= 3 a
22
= 0.5 a
23
= 6
Recordemos que R
n
est formado por todos los vectores de n coordenadas, todas ellas nmeros reales. Similarmente
ocurre con K
n
tomando esta vez escalares del cuerpo K en vez de nmeros de R.
Para una matriz A de orden m n denotaremos por F
i
la la i-sima de la matriz, la cual puede interpretarse
como un vector de K
n
al que llamaremos vector-la de A; igualmente denotaremos por C
j
a la columna j-sima de
la matriz, que puede interpretarse como un vector de K
m
al que llamaremos vector-columna de A.
Una submatriz de otra es una matriz que se obtiene a partir de la inicial cogiendo unas cuantas las y unas
cuantas columnas.
Se dice que una matriz es cuadrada si tiene el mismo nmero de las que de columnas (como la matriz E del
ejemplo anterior). En esta situacin si la matriz tiene n las y n columnas, podremos decir que es de orden n n
simplemente de orden n. Se llama diagonal principal de una matriz (generalmente cuadrada) a los elementos de la
forma a
ii
para todo i posible, es decir, los elementos que tienen el mismo ndice la que columna (la diagonal principal
de la matriz E del ejemplo anterior est formada por el a
11
= 2 y el a
22
= 0). Una matriz cuadrada se dice que
es triangular inferior (respectivamente triangular superior) cuando todo elemento que est situado por encima
(respectivamente por debajo) de la diagonal principal es nulo (la matriz E del ejemplo anterior es triangular superior,
mientras que la matriz F es triangular inferior). A una matriz cuadrada que es triangular tanto inferior como superior,
es decir, si cumple que los elementos que no estn en la diagonal principal son nulos, se le llama matriz diagonal.
La matriz diagonal de orden n que tiene todos los elementos de la diagonal principal iguales a 1 se llama matriz
identidad (o matriz unidad) de orden n, y la denotaremos por I
n
, o simplemente por I si est claro el tamao. La
matriz nula es la matriz que tiene todos sus coecientes son nulos. La matriz opuesta de una matriz A se denota
1
por A y consiste en cambiar de signo todos sus coecientes. Veamos algunos ejemplos:

5 3
3 5
5 7

es submatriz de

5 7 3
6 5 0
3 8 5
5 0 7

al coger las las 1, 3 y 4 y las columnas 1 y 3

3 0
0 4
!
es una matriz diagonal

1 0
0 1
!
es la matriz identidad de orden 2

0 0 0
0 0 0
!
es la matriz nula de orden 2 3
La opuesta de la matriz

0 4 3
1 2 0
!
es

0 4 3
1 2 0
!
1.1 Operaciones con matrices
Fijados m y n, al conjunto de las matrices de orden m n con coecientes sobre un cuerpo K lo denotaremos por
M
mn
(K).
1.1.1 Suma
Sean A = (a
ij
) y B = (b
ij
) dos matrices del mismo orden (m n). Se dene la suma de las dos matrices como la
matriz A + B = (c
ij
), tambin de orden m n, que cumple que
c
ij
= a
ij
+ b
ij
para cada par de ndices i, j. Esto se traduce en que sumamos A y B coeciente a coeciente. Observemos que esto
slo tiene sentido si las dos matrices son del mismo orden. Por ejemplo

0 1 3
1 5 6
!
+

2 0 3
2 0 4
!
=

2 1 0
1 5 10
!
Propiedades:
Propiedad asociativa: A, B, C M
mn
(K) se tiene que
(A + B) + C = A + (B + C)
(Propiedad conmutativa) A, B M
mn
(K) se tiene que
A + B = B + A
(Elemento neutro) La matriz nula 0 M
mn
(K), cumple que dada cualquier otra matriz B M
mn
(K) se
tiene que
B + 0 = B
(Elemento opuesto) Dada A M
mn
(K) se cumple que
A + (A) = 0
Entonces M
mn
(K) es un grupo abeliano con la suma +, por cumplir estas propiedades.
2
1.1.2 Producto de una matriz por un escalar
Sea A = (a
ij
) una matriz de orden m n y R. Se dene el producto del escalar por la matriz como la matriz
A = (d
ij
) (o simplemente A, omitiendo el smbolo de multiplicar) de orden m n, que cumple que
d
ij
= a
ij
para todo i, j posibles. Por ejemplo
3

0 1 3
1 5 6
!
=

0 3 9
3 15 18
!
4

2 1 3
9 0 8
!
=

8 4 12
36 10 32
!
Propiedades
Pseudodistributivas:
1. A, B M
mn
(K), K se tiene que
(A + B) = A +B
2. A M
mn
(K), , K se tiene que
( +)A = A +A
Pseudoasociativa: A M
mn
(K), , K se tiene que
( )A = (A)
Pseudoelemento neutro: A M
mn
(K) se tiene que
1 A = A
(donde 1 es el neutro para la multiplicacin en el cuerpo K).
Observacin 1.2 Como veremos en el Tema 2 el conjunto M
mn
(K) est dotado, con la suma y el producto por
escalares que aqu se han detallado, de estructura de espacio vectorial.
1.1.3 Producto de matrices
Dadas dos matrices A = (a
ij
) y B = (b
ij
) de orden m n y n p, respectivamente, se dene el producto de ambas
matrices como la matriz A B = (c
ij
) (en adelante AB, sin punto) de orden m p que cumple que
c
ij
=
n
P
k=1
a
ik
b
kj
= a
i1
b
1j
+ a
i2
b
2j
+ ... + a
in
b
nj
para todo i, j posibles. Recordando que el producto escalar (eucldeo) de dos vectores (a
1
, a
2
, ..., a
n
), (b
1
, b
2
, ..., b
n
) de
R
n
est dado por
(a
1
, a
2
, ..., a
n
) (b
1
, b
2
, ..., b
n
) =
n
P
k=1
a
k
b
k
= a
1
b
1
+ a
2
b
2
+ ... + a
n
b
n
el producto matricial puede interpretarse del siguiente modo: para obtener el elemento del producto AB que
est situado en la la i, columna j, hay que hacer el producto escalar del vector-la F
i
de A por el vector-
columna C
j
de B (esto vale tambin para matrices consideradas sobre un cuerpo arbitrario K, no necesariamente
R).
Notemos que si m 6= p no tiene sentido hacer el producto BA. Incluso aunque m = p, y entonces tenga sentido
el producto en orden inverso, la matriz AB tendra orden m m y la matriz BA sera de orden n n, luego ambas
no podran ser iguales, ya que tendran distinto orden, si m 6= n. Es ms, an ponindonos en la situacin en que
n = m = p (as A, B, AB y BA son cuadradas de orden n) el producto no tiene por qu ser conmutativo, es
decir, es posible que AB 6= BA.
Dada una matriz cuadrada A se dene la potencia n-sima de A como la matriz
A
n
=
n veces A
z }| {
A A ... A
es decir, el producto de n veces A. As A
1
= A, A
2
= A A, A
3
= A A A, etc.
3
Ejemplo 1.3 1. Dadas
A =

1 2
0 3
!
B =

3 1 0
4 2 1
!
la matriz producto es
AB =

1 2
0 3
!
3 1 0
4 2 1
!
=

5 3 2
12 6 3
!
2. Para la matriz A anterior se tiene que
A
4
= A A A A =

1 2
0 3
!
1 2
0 3
!
1 2
0 3
!
1 2
0 3
!
=

1 4
0 9
!
1 4
0 9
!
=

1 40
0 81
!
Propiedades
1. Asociativa: Dadas matrices A de orden m n, B de orden n p y C de orden p q se tiene
(AB)C = A(BC)
y entonces podremos escribir simplemente ABC.
2. Relacin con el producto por escalares: Dadas matrices A de orden m n y B de orden n p y dado
cualquier escalar se tiene
(AB) = (A)B = A(B)
y entonces lo escribiremos de cualquiera de las formas siguientes AB = AB = AB.
3. Distributivas:
Dadas matrices A, B de orden m n, C de orden n p y D de orden q m se tiene
(A + B)C = AC + BC y D(A + B) = DA + DB
4. Se tiene que
A 0 = 0 y 0 A = 0
para cualquier matriz A, tomando la matriz nula del tamao correspondiente en cada caso.
5. Elemento neutro: Para cualquier matriz A se cumple que
IA = A y AI = A
tomando I la matriz identidad del tamao adecuado en cada caso.
6. No conmutativa: En general se tiene AB 6= BA, para matrices A y B de rdenes mn y nm, respectivamente.
1.1.4 Trasposicin de matrices
Dada una matriz A = (a
ij
) de orden m n se llama matriz traspuesta de A, a la matriz A
t
= (b
ij
) de orden n m
cuyos elementos son
b
ij
= a
ji
para cada i, j. Observemos que cualquier matriz tiene traspuesta, no necesita ser cuadrada. En la prctica para calcular
la traspuesta de una matriz hay que tener en cuenta que las las de A son las columnas de A
t
, o equivalentemente,
las columnas de A las las de A
t
.
A =

2 0 3
2 0 4
!
A
t
=

2 2
0 0
3 4

Una matriz cuadrada A se dice que es simtrica si

A = A
t
Por ejemplo, es simtrica la matriz

1 3 0
3 0 4
0 4 2

4
1.2 Sistemas escalonados. Mtodo de Gauss
En toda la parte de lgebra Lineal nos van a aparecer con frecuencia (en matrices, sistemas de ecuaciones, sistemas de
vectores de algunos de los espacios R
n
, espacios vectoriales....) sistemas escalonados. Estos sistemas se caracterizan
porque se puede elegir una ordenacin en la que cada la (ecuacin o vector) tiene ms ceros iniciales que
la/el anterior, exceptuando las las (ecuaciones o vectores) nulas que pudieran aparecer al nal.

1 3 0 3 7
0 0 4 5 0
0 0 0 1 4
0 0 0 0 0

matriz escalonada
Ejemplo 1.4 El sistema de ecuaciones lineales

x
1
+ 2x
2
= 3
2x
2
= 4
x
3
= 0
est escalonado, pues si representamos los coecientes de modo matricial vemos que la matriz

1 2 0 3
0 2 0 4
0 0 1 0

est escalonada.
Resolver un sistema de ecuaciones escalonado es bien sencillo. Para ste en concreto obtenemos en la ltima
ecuacin x
3
= 0, de la segunda x
2
= 2, y sustituyendo esto en la primera que x
1
= 1.
Nota: Un sistema de ecuaciones lineales se caracteriza porque las incgnitas del sistema (en este caso x
1
, x
2
y x
3
)
aparecen en cada una de las ecuaciones del sistema sumando, restando o multiplicadas por un nmero (no aparecen
ni multiplicando ni dividiendo ni realizando otro tipo de operaciones diferentes de la suma, resta o multiplicacin por
nmeros).
Ejemplo 1.5 El sistema de vectores de R
6
v
1
= (0, 0, 3, 4, 5, 4) v
2
= (0, 2, 3, 4, 5, 3) v
3
= (0, 0, 0, 0, 1, 6) v
4
= (0, 0, 0, 0, 0, 2)
es escalonado si se elige el orden v
2
, v
1
, v
3
, v
4
. Observemos la representacin matricial con esta ordenacin de los
vectores:

0 2 3 4 5 3
0 0 3 4 5 4
0 0 0 0 1 6
0 0 0 0 0 2

El mtodo de triangulacin o escalonacin de Gauss, que utilizaremos en estos temas, se utiliza para pasar
de un estado inicial (sea en forma de matriz, de sistema de ecuaciones lineales, o de sistema de vectores) a otro estado
que se denomina la escalonacin del sistema inicial. Se hace uso de 3 tipos de transformaciones (denominadas
transformaciones elementales) para la escalonacin. stas son:
1. Cambiar el orden de las las, ecuaciones o vectores.
2. Aadirle a una la, ecuacin o vector mltiplos de otras/os.
3. Multiplicar una la, ecuacin o vector por algn escalar no nulo.
Observacin 1.6 Podemos utilizar las siguientes notaciones cuando realicemos alguna trasformacin elemental (usa-
remos preferentemente notacin para matrices):
1. Si intercambiamos las las F
i
y F
j
pondremos
F
i
F
j
5
2. Si le aadimos a la la F
j
veces la la F
i
pondremos
F
j
+F
i
3. Si multiplicamos la la F
i
por pondremos
F
i
Observacin 1.7 Estas transformaciones tambin pueden hacerse sobre las columnas, al menos para el caso de ma-
trices, sobreentendiendo las notaciones correspondientes (cambiando la F de la por la C de columna).
Ejemplo 1.8 Escalonemos (por las) la matriz

2 1 1 0
1 0 3 1
1 1 2 1

En primer lugar cambiamos de orden las dos primeras las:

F
1
F
2

1 0 3 1
2 1 1 0
1 1 2 1

Despus le aadimos la primera la a la segunda y a la tercera (a la segunda multiplicada por 2 y la tercera por 1)
y obtenemos
F
2
2F
1
F
3
+ F
1

1 0 3 1
0 1 5 2
0 1 5 2

Ahora nos jamos nicamente en las dos ltimas las y le sumamos a la tercera la segunda. Nos da
F
3
+ F
2

1 0 3 1
0 1 5 2
0 0 0 0

Ya tenemos escalonada la matriz inicial.

Ejemplo 1.9 Escalonar el siguiente sistema de ecuaciones lineales

x
1
+ 2x
2
+ 5x
3
= 3
3x
1
+ 6x
2
+ 15x
3
= 9
2x
2
+ x
3
= 6
Matricialmente se tiene

1 2 5 3
3 6 15 9
0 2 1 6

Le aadimos la primera la multiplicada por 3 a la segunda y obtenemos

F
2
3F
1

1 2 5 3
0 0 0 0
0 2 1 6

Cambiando las dos ltimas llegamos a la matriz

F
3
F
2

1 2 5 3
0 2 1 6
0 0 0 0

que representa al sistema

x
1
+ 2x
2
+ 5x
3
= 3
2x
2
+ x
3
= 6
0 = 0
el cual est ya escalonado.
6
Ejemplo 1.10 Escalonemos el sistema de vectores
{(1, 0, 1, 1), (1, 0, 3, 2), (2, 1, 1, 0)}
Para ello hagamos operaciones sobre la matriz cuyas las son estos vectores:

1 0 1 1
1 0 3 2
2 1 1 0

En primer lugar le aadimos la primera la a la segunda (multiplicada por 1) y a la tercera (multiplicada por 2),
F
2
+ F
1
F
3
+ 2F
1

1 0 1 1
0 0 4 3
0 1 1 2

Despus cambiamos de orden la segunda y tercera las y obtenemos la escalonacin

F
2
F
3

1 0 1 1
0 1 1 2
0 0 4 3

Entonces el sistema de vectores escalonado obtenido es

{(1, 0, 1, 1), (0, 1, 1, 2), (0, 0, 4, 3)}
Una variante del mtodo de Gauss es el de Gauss-Jordan, que consigue, adems de ceros por debajo de la diagonal
como lo hace el mtodo de Gauss, tambin ceros por encima y unos en la misma diagonal.
Ejemplo 1.11 Escalonar el siguiente sistema de ecuaciones lineales mediante el mtodo de Gauss-Jordan:

x
1
+ 2x
2
+ 5x
3
= 3
3x
1
+ 6x
2
+ 14x
3
= 9
2x
2
+ x
3
= 4
Le aadimos a la segunda 3 veces la primera y obtenemos
F
2
3F
1

x
1
+ 2x
2
+ 5x
3
= 3
x
3
= 0
2x
2
+ x
3
= 4
Cambiando de orden las dos ltimas las tenemos
F
2
F
3

x
1
+ 2x
2
+ 5x
3
= 3
2x
2
+ x
3
= 4
x
3
= 0
sistema que ya est escalonado. Ahora le aadimos la tercera la a la segunda y primera multiplicada por 1 y 5,
respectivamente y tenemos
F
2
+ F
3
F
1
+ F
5

x
1
+ 2x
2
= 3
2x
2
= 4
x
3
= 0
Finalmente le sumamos la segunda ecuacin a la primera y tenemos
F
1
+ F
2

x
1
= 1
2x
2
= 4
x
3
= 0
Finalmente se multiplica la segunda ecuacin por
1
2
y la tercera por 1 para quedar as:

1
2
F
2
F
3

x
1
= 1
x
2
= 2
x
3
= 0
7
1.3 Rango
El rango de una matriz A es un nmero que ser denotado por r(A) R(A). Esto podemos calcularlo, aplicando el
mtodo de Gauss para escalonar las las (o columnas) de A, teniendo en cuenta que r(A) es el nmero de las (o
columnas) no nulas que resultan despus de escalonar la matriz. Esto se debe a que las transformaciones
elementales que se realizan a las las o columnas de una matriz no varan su rango.
Denicin 1.12 Se dice que un vector v es combinacin lineal (en adelante CL) de otros vectores {v
1
, v
2
, ..., v
n
}
si
v =
n
P
i=1

i
v
i
es decir v =
1
v
1
+
2
v
2
+ ... +
n
v
n
para ciertos nmeros
1
,
2
, ...,
n
.
Ejemplo 1.13 En la situacin de una matriz A con cuatro las si:
1. F
2
=
1
F
1
+
3
F
3
+
4
F
4
se dira que F
2
es CL de F
1
, F
3
y F
4
.
2. F
1
= 3F
2
2F
3
+ F
4
se dira que F
1
es combinacin lineal (CL) de F
2
, F
3
y F
4
.
3. F
3
= F
2
7F
4
(observemos que
1
= 0) se dira que F
3
es combinacin lineal (CL) de F
1
, F
2
y F
4
.
Denicin 1.14 Se dice los vectores {v
1
, v
2
, ..., v
n
} son linealmente dependientes (en adelante LD), o que hay una
relacin de dependencia lineal entre ellos, si alguno de los vectores del sistema es CL de los dems. Esto signica
que para uno de ellos, por ejemplo v
i
, sucede que
v
i
=
P
j6=i

j
v
j
para ciertos nmeros {
j
: j 6= i}.
En caso contrario se dir que son linealmente independientes (LI).
En el proceso del clculo del rango de una matriz mediante el mtodo de escalonacin de Gauss podemos, o bien
dejar las las nulas que nos vayan apareciendo al nal (tal y como est concebido inicialmente el mtodo de Gauss) o
bien ir eliminando estas las (pues luego stas no cuentan para el rango). Lo mismo podemos hacer con las las entre
las que haya alguna relacin de dependencia lineal, eliminando alguna que sea combinacin lineal de las dems
Ejemplo 1.15 Vamos a hallar el rango de la matriz

2 2 3 2 0
1 1 2 0 1
1 1 2 0 1
2 2 2 1 0

En primer lugar cambiamos de orden la primera y segunda las, para as operar mejor con el 1 que tiene la segunda
la como primer coeciente. Tendramos entonces
F
1
F
2

1 1 2 0 1
2 2 3 2 0
1 1 2 0 1
2 2 2 1 0

donde aadimos la primera la a las restantes, multiplicndola por nmeros adecuados (a la segunda y cuarta se la
aadimos multiplicada por 2 y a la tercera por 1). Entonces tenemos
F
2
2F
1
F
3
F
1
F
4
2F
1

1 1 2 0 1
0 0 1 2 2
0 0 0 0 0
0 0 2 1 2

8
Ahora procederamos igual con las tres ltimas las. En ellas es nulo el primer coeciente (porque lo hemos eliminado
antes) y casualmente el segundo. Empezamos pues por el tercero. Esta vez no hace falta cambiarlas de orden y lo
nico que tenemos que hacer es aadir un mltiplo de la segunda la a las dems para hacer ceros. En este caso basta
aadirle a la cuarta la 2 veces la segunda para obtener
F
4
2F
2

1 1 2 0 1
0 0 1 2 2
0 0 0 0 0
0 0 0 3 2

Ahora procedemos con la tercera y cuarta las, donde nos interesa cambiarlas de orden:
F
3
F
4

1 1 2 0 1
0 0 1 2 2
0 0 0 3 2
0 0 0 0 0

As, tenemos la escalonacin nal de la matriz, de donde obtenemos que el rango de nuestra matriz es 3.
1.4 Inversa
Una matriz cuadrada A de orden n se dice que es invertible cuando existe otra matriz cuadrada del mismo orden B
de modo que
AB = BA = I
n
En esta situacin la matriz B es nica cumpliendo lo anterior, y se llamar la matriz inversa de A y escribiremos
B = A
1
Observacin 1.16 Puede comprobarse que B es la inversa de A si y slo si AB = I
n
si y slo si BA = I
n
, es decir,
es suciente con que uno de los dos productos resulte la matriz identidad.
Propiedad: Una matriz cuadrada de orden n es invertible si y slo si tiene rango n.
La inversa de una matriz invertible A puede calcularse de varias formas. Una de ellas es directamente, planteando
un sistema de ecuaciones (que se puede resolver escalonndolo por Gauss), obtenido a partir de la suposicin de que
los coecientes de A
1
son indeterminados, y hacer el producto AA
1
= I
n
( A
1
A = I
n
). Este mtodo no es muy
adecuado, pues hay que resolver n sistemas de n ecuaciones con n incgnitas. Es mejor el mtodo de Gauss-Jordan
que se explica a continuacin.
1.4.1 Mtodo de Gauss-Jordan para el clculo de la inversa
Este mtodo para el clculo de la inversa de una matriz es en general bastante eciente. Supongamos que tenemos una
matriz A, cuadrada de orden n, que se sabe que es invertible. Pongamos la matriz A y a continuacin, a la derecha,
la matriz identidad de orden n. Usualmente se ponen ambas formando una matriz de orden n 2n y se separan por
una lnea vertical, quedando en la forma (A|I
n
). Aplicamos a la matriz A el mtodo de Gauss-Jordan (variante
del mtodo de Gauss), consistente en hacer operaciones por la hasta obtener la matriz identidad. El resultado de
aplicarle a la matriz identidad que hay a la derecha de A esas mismas operaciones nos proporciona precisamente A
1
.
Observacin 1.17 Si le aplicamos el mtodo de Gauss-Jordan a una matriz no invertible observaremos que es impo-
sible obtener la matriz identidad en la parte izquierda.
Ejemplo 1.18 Hallar la inversa de la matriz
A =

1 1 0
2 1 2
3 0 1

9
Pondramos entonces

1 1 0
2 1 2
3 0 1

1 0 0
0 1 0
0 0 1

y aplicamos transformaciones, por ejemplo por la. Aadimos a la segunda la 2 veces la primera y a la tercera la
3 veces, y obtenemos
F
2
2F
1
F
3
3F
1

1 1 0
0 3 2
0 3 1

1 0 0
2 1 0
3 0 1

Ahora le aadimos a la tercera la 1 por la segunda:

F
3
F
2

1 1 0
0 3 2
0 0 1

1 0 0
2 1 0
1 1 1

Una vez que estamos con una matriz triangular superior, se hacen operaciones para hacerla diagonal. Primero aadi-
mos a la segunda la 2 veces la tercera:
F
2
+ 2F
3

1 1 0
0 3 0
0 0 1

1 0 0
4 1 2
1 1 1

Multiplicando la segunda la por

1
3
sale:

1
3
F
2

1 1 0
0 1 0
0 0 1

1 0 0
4
3
1
3

2
3
1 1 1

nalmente aadimos a la primera la 1 por la segunda:

F
1
F
2

1 0 0
0 1 0
0 0 1

1
3

1
3
2
3
4
3
1
3

2
3
1 1 1

Entonces la matriz inversa de A es

A
1
=

1
3

1
3
2
3
4
3
1
3

2
3
1 1 1

Ejemplo 1.19 Hallar la inversa de la matriz

B =

1 0 1
2 1 0
3 2 6

Pondramos entonces

1 0 1
2 1 0
3 2 6

1 0 0
0 1 0
0 0 1

y aplicamos transformaciones, por ejemplo por la. Aadimos a la segunda la 2 veces la primera y a la tercera la
3 veces y obtenemos
F
2
2F
1
F
3
3F
1

1 0 1
0 1 2
0 2 3

1 0 0
2 1 0
3 0 1

10
Aadimos a la tercera la 2 veces la segunda y llegamos a
F
3
+ 2F
2

1 0 1
0 1 2
0 0 1

1 0 0
2 1 0
7 2 1

Una vez que estamos con una matriz triangular superior se hacen operaciones para hacerla diagonal. Primero cam-
biamos el signo de las dos ltimas las, por lo que tenemos
F
2
F
3

1 0 1
0 1 2
0 0 1

1 0 0
2 1 0
7 2 1

Ahora aadimos a la segunda la 2 veces la tercera y se obtiene que

F
2
2F
3

1 0 1
0 1 0
0 0 1

1 0 0
12 3 2
7 2 1

Finalmente a la primera la le restamos la tercera y nos sale

F
1
F
3

1 0 0
0 1 0
0 0 1

6 2 1
12 3 2
7 2 1

Entonces la matriz inversa de B es

B
1
=

6 2 1
12 3 2
7 2 1

Recordemos los pasos que se siguen para transformar una matriz A en la matriz identidad:
1. Transformar A en una matriz triangular inferior.
2. Convertir los elementos de la diagonal en 1.
3. Transformar la matriz resultante en una matriz diagonal.
Nota: Los dos ltimos pasos pueden entremezclarse.
2 Determinantes
La denicin rigurosa del concepto de determinante requiere una serie de herramientas matemticas que no creemos
necesario tratar. El determinante est englobado dentro de lo que se denominan las aplicaciones multilineales.
El determinante de una matriz cuadrada A de orden n con coecientes sobre un cuerpo K es un escalar del cuerpo.
Lo vamos a denotar por |A| (reemplazando los parntesis usados para delimitar la matriz por lneas verticales),
por det(A) o tambin por det(F
1
, F
2
, ...., F
n
), donde se supone que F
1
, F
2
, ..., F
n
K
n
son los vectores-la de A
(igualmente se podra usar la notacin det(C
1
, C
2
, ..., C
2
) a partir de los vectores-columna C
1
, C
2
, ..., C
n
K
n
).
Diremos indistintamente que es el determinante de la matriz o de los vectores que estn en las las o columnas.
La denicin exacta de determinante es un tanto tcnica y no se va a incluir aqu (aunque puede verse en buena
parte de los textos de lgebra). Vamos a dar las frmulas para el clculo de los determinantes de orden 1, 2 y
3, y a continuacin enunciaremos algunas propiedades de los determinantes que nos permiten calcular tambin los
determinantes de orden superior.
Orden 1 |a| = a
Orden 2

a b
c d

= ad bc
11
Orden 3

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

=
= a
11
a
22
a
33
+ a
21
a
32
a
13
+ a
31
a
12
a
23
a
13
a
22
a
31
a
23
a
32
a
11
a
33
a
12
a
21
Esta frmula se hace ms sencilla de recordar si tenemos en cuenta que aparecen 6 sumandos, 3 de los cuales resultan
de multiplicar los elementos que aparecen en la diagonal principal y los de cada una de las 2 diagonales paralelas a
sta, y los otros tres resultan de multiplicar los elementos que aparecen en cada una de las 3 diagonales opuestas.
Esto se conoce como Regla de Sarrus.
Ejemplo 2.1

2 3 0
1 1 4
2 3 5

=
= 2 (1) 5 + 1 3 0 + (2) (3) 4 0 (1) (2) 4 3 2 5 (3) 1 =
= 10 + 0 + 24 0 24 + 15 = 5
2.1 Propiedades de los determinantes
Sea A una matriz cuadrada de orden n, y supongamos que sus las son F
1
, F
2
, ..., F
n
K
n
. Entonces se cumplen las
siguientes propiedades:
1. Si F
i
= F
0
i
+ F
00
i
, para ciertas las F
0
i
, F
00
i
K
n
, entonces
det(F
1
, ..., F
i
, ..., F
n
) = det(F
1
, ..., F
0
i
, ..., F
n
) + det(F
1
, ..., F
00
i
, ..., F
n
)
2. Para todo K se tiene que
det(F
1
, ..., F
i
, ..., F
n
) = det(F
1
, ..., F
i
, ..., F
n
)
3. Para todo i, j {1, 2, ..., n} (i 6= j) se tiene que
det(F
1
, ..., F
j
, ..., F
i
, ..., F
n
) = det(F
1
, ..., F
i
, ..., F
j
, ..., F
n
)
4. Para todo i, j {1, 2, ..., n} (i 6= j) se tiene que
det(F
1
, ..., F
i
+F
j
, ..., F
n
) = det(F
1
, ..., F
i
, ..., F
n
)
para todo i, j {1, 2, ..., n} (i 6= j) y todo K.
5. det(F
1
, ..., F
n
) = 0 si y slo si los vectores F
1
, F
2
, ..., F
n
son LD. De esto se deduce que:
6. A es invertible si y slo si det A 6= 0. Adems en esta situacin
det(A
1
) =
1
det A
7. Si A es una matriz triangular superior o inferior (en particular si es una matriz diagonal) entonces det A es el
producto de los elementos de la diagonal.
8. det A = det(A
t
)
9. det(A B) = det A det B para toda matriz cuadrada B de orden n.
Observacin 2.2 Las 5 primeras propiedades pueden enunciarse tambin en trminos de las columnas de la matriz.
12
Ejemplo 2.3 Vamos a calcular el siguiente determinante

1 0 2 3
2 3 2 5
0 2 2 3
1 1 2 4

Vamos a hacer ceros usando el elemento a

11
= 1. As tenemos
F
2
2F
1
F
4
F
1

1 0 2 3
0 3 2 1
0 2 2 3
0 1 0 1

(habindole aadido a la segunda, tercera y cuarta las la primera multiplicada por 2, 0 y 1). Ahora cambiamos
la segunda y cuarta las para simplicar la eliminacin, y queda
F
2
F
4

1 0 2 3
0 1 0 1
0 2 2 3
0 3 2 1

Le aadimos ahora la segunda la a la tercera y cuarta, multiplicada por 2 y 3 respectivamente, y llegamos a

F
3
2F
2
F
4
+ 3F
2

1 0 2 3
0 1 0 1
0 0 2 5
0 0 2 2

Finalmente le sumamos la tercera la a la cuarta y tenemos

F
4
+ F
3

1 0 1 3
0 1 0 1
0 0 2 5
0 0 0 3

con lo que el valor del determinante es [1 1 2 (3)] = 6.

En la siguiente seccin veremos que no es necesario escalonar la matriz para obtener el determinante.
2.2 Menor, menor complementario, adjunto
Se llama menor de una matriz A (no necesariamente cuadrada) al determinante de cualquier submatriz cuadrada
suya.
En una matriz cuadrada A de orden n se llama menor complementario del elemento a
ij
al determinante de
orden n 1 de la submatriz resultante de eliminar en A la la i y la columna j, que son en las que est situado el
elemento. Finalmente se llama adjunto del elemento a
ij
a su menor complementario multiplicado por (1)
i+j
, es
decir, se multiplica por 1 o por 1, dependiendo de que la suma de los ndices la y columna del elemento sea par
o impar. Al adjunto del elemento a
ij
en la matriz A lo denotaremos por A
ij
. En el ejemplo anterior el adjunto de
a
31
= 3 es A
31
=

0 3
5 0

= 15 y el adjunto de
Algunos menores de la matriz A =

2 0 3 4
0 6 2 1
5 6 0 7

son

2 0 4
0 6 1
5 6 7

= 48 y

2 4
5 7

= 6
13
En la matriz

1 0 3
1 5 0
3 3 2

el menor complementario de a
31
= 3 es

0 3
5 0

= 15 y su adjunto vale A
31
=

0 3
5 0

= 15
Y el menor complementario de a
21
= 1 es

0 3
3 2

= 9 su adjunto vale A
21
=

0 3
3 2

= 9
2.2.1 Clculo del determinante desarrollando por adjuntos
Sea A una matriz cuadrada de orden n. Entonces se tiene
det A =
n
P
j=1
a
lj
A
lj
= a
l1
A
l1
+ a
l2
A
l2
+ ... + a
ln
A
ln
=
n
P
i=1
a
ik
A
ik
= a
1k
A
1k
+ a
2k
A
2k
+ ... + a
nk
A
nk
Lo anterior lo que nos dice es que mediante la F
l
o la columna C
k
podemos calcular el determinante de la matriz
sumando los productos de los elementos de esa la o columna por sus respectivos adjuntos. Por ejemplo si tenemos
una matriz A = (a
ij
) de orden 3 tendramos (jndonos por ejemplo en la primera la o la segunda columna)
det A = a
11
A
11
+ a
12
A
12
+ a
13
A
13
= a
12
A
12
+ a
22
A
22
+ a
32
A
32
Es muy til esta regla a la hora de calcular determinantes grandes, sobre todo si aparece alguna la o columna
con muchos elementos nulos (si es posible todos los elementos excepto uno). Por ejemplo si queremos calcular el
determinante
|A| =

3 0 4
2 0 1
5 2 4

vamos a desarrollar por los adjuntos de la segunda columna y tendremos

|A| = a
12
A
12
+ a
22
A
22
+ a
32
A
32
= 0A
12
+ 0A
22
+ (2)A
32
= 2A
32
= 2 (

3 4
2 1

) = 2(3 8) = 10
Por supuesto no siempre estaremos en esta situacin de tener bastantes ceros, pero aplicando las propiedades de los
determinantes podremos llegar a una matriz con muchos ceros. Por ejemplo si queremos calcular ahora el determinante
|A| =

4 2 4
1 3 4
2 0 6

le aadimos a la ltima columna 3 veces la primera y nos queda

4 2 16
1 3 1
2 0 0

determinante que puede calcularse ahora fcilmente desarrollando por los adjuntos de la tercera la, para obtener
|A| = a
31
A
31
+ a
32
A
32
+ a
33
A
33
= 2

2 16
3 1

+ 0A
32
+ 0A
33
= 2(2 + 48) = 100
2.2.2 Rango de una matriz utilizando menores
En el apndice estar explicado con ms detalle la relacin entre los menores de una matriz y su rango. Lo que nos
interesa fundamentalmente es la siguiente propiedad:
Proposicin 2.4 Sea A un matriz de orden m n (no necesariamente cuadrada). El rango de A es el mayor
orden para el que existen menores no nulos de ese orden dentro de A. En particular se tiene que si encontramos
un menor de orden r no nulo, entonces r(A) r.
14
2.3 Clculo de la inversa de una matriz mediante adjuntos
Vamos a dar otro mtodo para calcular la inversa de una matriz. Supongamos que A = (a
ij
) es una matriz cuadrada
invertible. Sabemos que |A| 6= 0. Calculamos ahora lo que vamos a llamar matriz adjunta de A, y que la vamos a
denotar por
Adj(A) = (b
ij
)
cuyos coecientes son los adjuntos respectivos de los elementos de A, es decir, b
ij
= A
ij
para todo i, j posible. Entonces
se cumple que
A
1
=
1
|A|
(Adj(A))
t
De este modo la matriz inversa de A resulta de hallar la traspuesta de la adjunta y dividir por el determinante. Da lo
mismo tomar la traspuesta de la adjunta que la adjunta de la traspuesta, as que tambin tendremos
A
1
=
1
|A|
(Adj(A
t
))
Ejemplo 2.5 Hallar la inversa de la matriz
A =

1 1 3
1 2 1
0 1 1

Como |A| = 5 y
Adj(A) =

A
11
A
12
A
13
A
21
A
22
A
23
A
31
A
32
A
33

2 1
1 1

1 1
0 1

1 2
0 1

1 3
1 1

1 3
0 1

1 1
0 1

1 3
2 1

1 3
1 1

1 1
1 2

3 1 1
2 1 1
7 4 1

tenemos que
A
1
=
1
|A|
Adj(A)
t
=
1
5

3 2 7
1 1 4
1 1 1

3
5
2
5

7
5

1
5
1
5
4
5
1
5

1
5
1
5

3 Sistemas de ecuaciones lineales

Un sistema de ecuaciones de la forma
()

a
11
x
1
+ a
12
x
2
+ .... + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ .... + a
2n
x
n
= b
2
......
a
m1
x
1
+ a
m2
x
2
+ .... + a
mn
x
n
= b
m
donde los a
ij
y los b
i
son escalares del cuerpo K y los x
j
representan las incgnitas del sistema (tambin escalares
del cuerpo K, en este caso, indeterminados), se llamar sistema de ecuaciones lineales o sistema lineal sobre el
cuerpo K. Se dir que el sistema tiene m ecuaciones y n incgnitas. A los a
ij
se les llama coecientes del sistema,
15
a los b
i
trminos independientes. Agrupando los elementos anteriores tenemos
A = (a
ij
) matriz de coecientes, de orden m n
B =

b
1
b
2
...
b
m

vector de trminos independientes, de orden m 1

X =

x
1
x
2
...
x
n

vector de las incgnitas, de orden n 1

Denimos la matriz ampliada (A|B), de orden m (n + 1), como la que se forma aadiendo la columna B a la
matriz A. Si ponemos el vector de trminos independientes y el de las incgnitas en forma de columna obtenemos la
forma matricial del sistema AX = B.
Una solucin del sistema de ecuaciones lineales (*) es un vector S = (s
1
, s
2
, ..., s
n
) K
n
tal que al sustituir cada
incgnita x
j
por el correspondiente s
j
se verican todas las ecuaciones, o equivalentemente, si se cumple la relacin
matricial AS
t
= B (S
t
denota el traspuesto del vector-la S, es decir, lo hemos puesto en forma de vector-columna).
Segn el nmero de soluciones los sistemas pueden ser compatibles (SC), si tienen alguna solucin, o incompa-
tibles (SI), si no tienen ninguna solucin. Un sistema compatible puede tener solucin nica, en cuyo caso se dice
que es compatible determinado (SCD), o tener ms de una solucin, en cuyo caso se dice que es compatible
indeterminado (SCI). De hecho cuando el cuerpo es innito (como ocurre con el caso K = R) los SCI no slo tienen
ms de una solucin sino que tienen innitas.
En los SCI al conjunto de todas las soluciones se le llama solucin general y sta quedar en funcin de una serie
de parmetros. Al menor nmero de parmetros que se necesitan para expresar la solucin general lo llamaremos
grado de indeterminacin o grados de libertad del sistema.
Diremos que un sistema AX = B es homogneo si B es el vector nulo, es decir, si todos los trminos independientes
son nulos. stos siempre sern SC pues el vector nulo es siempre una solucin (la solucin que se obtiene al coger
todas las incgnitas con valor 0). Entonces un sistema homogneo es SCI si y slo si tiene alguna solucin no nula.
Al conjunto de las soluciones de un sistema homogneo AX = 0 lo denotaremos por ker A y lo llamaremos ncleo
de la matriz A.
3.1 Sistemas equivalentes. Mtodo de Gauss para resolver sistemas lineales
Llamaremos discutir un sistema a determinar si es SI, SCD o SCI. Por discutir y resolver se entender que hay adems
que dar la solucin o soluciones, si es SC. Para ello lo que podemos hacer es utilizar el mtodo de Gauss que consiste
en aplicar transformaciones elementales hasta escalonar el sistema. Recordemos las transformaciones elementales que
utilizbamos sobre matrices, sistemas o vectores:
1. Cambiar de orden las ecuaciones.
2. Multiplicar una ecuacin por un escalar no nulo.
3. Sumar a una ecuacin un mltiplo de otra.
Adems, aqu es posible tambin:
4. Cambiar de orden las incgnitas.
Estas transformaciones convierten el sistema lineal inicial en otro equivalente, es decir, con las mismas soluciones.
Una vez escalonado el sistema se resuelve de forma sencilla, pues:
Si al nal (o en algn momento previo) nos sale un absurdo, es decir, una ecuacin que no es posible que se
cumpla (como 0 = 1, o algo similar) entonces estamos con un SI.
16
Si no estamos en la situacin anterior (podremos escalonar hasta el nal), estaremos con un SC y puede ocurrir
que:
Todas las incgnitas sean pivotes (se llaman pivotes a las incgnitas que quedan en primer lugar
de cada ecuacin, una vez escalonado el sistema. De modo matricial sus coecientes se caracterizan
porque se pueden poner en la diagonal principal de la matriz, o de otro modo, porque cada uno de ellos
es el primer coeciente no nulo de su la). En denitiva lo que ocurrir es que, despus de escalonar
y eliminar las ecuaciones (o las) nulas, tendremos igual nmero de ecuaciones que de incgnitas. En
tal caso tenemos un SCD en el que la solucin del sistema se puede hallar despejando el valor de las
incgnitas, de abajo hacia arriba.
Haya alguna incgnita del espacio que no sea un pivote. En este caso tenemos un SCI, y las
incgnitas que no sean pivotes van a ser los parmetros del sistema. El nmero de parmetros (que por
el mtodo de Gauss son ya el nmero mnimo necesario para expresar la solucin general del sistema)
sern los grados de libertad del sistema.
Durante este proceso tambin pueden ir eliminndose ecuaciones triviales de la forma 0 = 0 (porque estas
ecuaciones siempre se cumplen y no aportan nada nuevo) o bien ecuaciones que sean CL de otras.
Veamos los siguientes ejemplos:
Ejemplo 3.1 1. Discutir y resolver (en su caso) el siguiente sistema lineal

x y + 3z
3
= 1
5x 3y + 10z = 2
2y 5z = 3
Aadindole a la segunda la la primera multiplicada por 5 obtenemos
F
2
5F
1

x y + 3z
3
= 1
2y 5z = 7
2y 5z = 3
Si ahora le restamos a la tercera la segunda se tiene
F
3
F
2

x y + 3z
3
= 1
2y 5z = 7
0 = 4
En este caso hemos obtenido una ecuacin contradictoria (un absurdo) 0 = 4, con lo que deducimos que es un
SI.
2. Discutir y resolver (en su caso) el siguiente sistema lineal

x z = 1
2x + y + z = 5
4x y 3z = 3
Obtenemos que la matriz ampliada del sistema es

1 0 1 1
2 1 1 5
4 1 3 3

Le aadimos a la segunda la la primera multiplicada por 2, y a la tercera multiplicada por 4 y obtenemos

F
2
+ 2F
1
F
3
4F
3

1 0 1 1
0 1 1 7
0 1 1 7

17
Eliminando entonces la tercera ecuacin (es proporcional a la segunda) llegamos a la matriz

1 0 1 1
0 1 1 7
!
que representa al sistema
(
x z = 1
y z = 7
que es equivalente al sistema inicial. Como ya est escalonado y no nos ha aparecido ninguna ecuacin contra-
dictoria estamos con un SC. Adems slo hay 2 pivotes (x en la primera ecuacion e y en la segunda), con lo
que sobra un incgnita, z, que ser el nico parmetro en este caso, de manera que tenemos un SCI (ya que hay
algn parmetro). As, poniendo z = y despejando en las ecuaciones obtenemos que y = 7 + z = 7 +. Y en
la primera ecuacin tenemos que x = z 1 = 1. As la solucin general de este SCI es

x = 1
y = 7 +
z =
con R.
3. Discutir y resolver (en su caso) el siguiente sistema lineal

x
1
+ 2x
2
+ 5x
3
= 3
3x
1
+ 6x
2
+ 14x
3
= 9
2x
2
+ x
3
= 4
De nuevo le aadimos a la segunda y tercera las un mltiplo adecuado de la primera y obtenemos
F
2
3F
1

x
1
+ 2x
2
+ 5x
3
= 3
x
3
= 0
2x
2
+ x
3
= 4
Cambiando de orden las dos ltimas las tenemos
F
2
F
3

x
1
+ 2x
2
+ 5x
3
= 3
2x
2
+ x
3
= 4
x
3
= 0
sistema que ya est escalonado. Como no hemos obtenido ninguna ecuacin absurda estamos con un SC. Y como
los pivotes son las tres variables (x
1
en la primera ecuacion, x
2
en la segunda y x
3
en la tercera), no va a haber
ningn parmetro, de modo que tenemos un SCD. El valor de las incgnitas se halla despejando de abajo a arriba
las variables, o, si empleamos Gauss-Jordan transformando previamente la matriz en una matriz diagonal.
As, le aadimos la tercera la a la segunda y primera multiplicada por 1 y 5, respectivamente y tenemos
F
2
+ F
3
F
1
+ 5F
3

x
1
+ 2x
2
= 3
2x
2
= 4
x
3
= 0
Finalmente le sumamos la segunda ecuacin a la primera y tenemos
F
1
+ F
2

x
1
= 1
2x
2
= 4
x
3
= 0
de donde obtenemos que x
1
= 1, x
2
= 2 y x
3
= 0.
18
3.2 Teorema de Rouch-Frbenius
Teorema 3.2 Un sistema de ecuaciones lineales es compatible si y slo si el rango de la matriz de coecientes coincide
con el de la matriz ampliada. En este caso, el sistema es compatible determinado si este rango coincide con el nmero
de incgnitas del espacio. Cuando el sistema es compatible indeterminado los grados de libertad se calculan como la
diferencia entre el nmero de incgnitas y el rango.
Como consecuencia del Teorema de Rouch-Frbenius obtenemos que un sistema homogneo AX = 0 tiene solucin
no nula (es decir, ker A 6= 0) si y slo si r(A) < n.
3.3 Mtodo de Cramer
Teorema 3.3 Supongamos que tenemos un sistema de ecuaciones lineales AX = B con matriz de coecientes A
cuadrada de orden n, y del que se sabe que es SCD. Entonces la solucin del sistema (x
1
, x
2
, ..., x
n
) cumple que
x
i
=
|Mi|
|A|
para todo i, donde M
i
es la matriz obtenida a partir de A sustituyendo la columna i-sima por la columna
de trminos independientes B.
El mtodo de Cramer tambin puede utilizarse para resolver un SCI del siguiente modo:
Supongamos que r(A) = r(A|B) = k < n y elegimos un menor no nulo de A de orden k. Se dejan a la izquierda
las incgnitas que forman parte del menor; el resto de incgnitas se pasarn a la derecha y sern los parmetros.
Las ecuaciones que no forman parte del menor pueden eliminarse pues son CL de las restantes. La solucin general
del sistema puede obtenerse por Cramer, imaginando que tenemos el SCD en el que se consideran como incgnitas
nicamente las que estn a la izquierda, es decir, los pivotes (la matriz de coecientes de este sistema ser de orden
k k pues no formarn parte de ella los coecientes de las incgnitas que van a ser ahora parmetros, ni tampoco los
de las ecuaciones que hemos eliminado).
El mtodo de Cramer es en general poco til en la prctica, pues cuando el orden del sistema es relativamente
grande hay que hacer demasiadas operaciones para resolverlo (ya cuando estamos con 3 ecuaciones y 3 incgnitas es
ms recomendable el de Gauss).
Ejemplo 3.4 Discutir y resolver (en su caso) los siguientes sistemas lineales utilizando el mtodo de Cramer:
1.

x
1
+ x
2
x
3
= 2
3x
1
x
2
+ 2x
3
= 2
x
1
x
2
3x
3
= 2
Como

1 1 1
3 1 2
1 1 3

= 16 6= 0
se tiene que el rango tanto de la matriz de coecientes como el de la matriz ampliada valen 3. Por ello estamos
con un SCD. Entonces la solucin es
x
1
=
1
16

2 1 1
2 1 2
2 1 3

=
16
16
= 1
x
2
=
1
16

1 2 1
3 2 2
1 2 3

=
16
16
= 1
x
3
=
1
16

1 1 2
3 1 2
1 1 2

=
0
16
= 0
19
2.

x
1
x
2
+ 3x
3
= 1
2x
1
+ x
2
x
3
= 2
3x
1
+ 2x
3
= 1
Es fcil comprobar que el rango tanto de la matriz de coecientes como de la matriz ampliada es 2. Por ello
estamos con un SCI. Como las dos primeras las de la matriz ampliada son LI la ltima es necesariamente CL
de ellas dos. De este modo podemos eliminar la ltima y quedarnos con el sistema
(
x
1
x
2
+ 3x
3
= 1
2x
1
+ x
2
x
3
= 2
que es equivalente al primero. Podemos quedarnos con un menor de orden dos no nulo (por ejemplo el que
corresponde a las dos primeras las y columnas) y poniendo el sistema en la forma
(
x
1
x
2
= 1 3x
3
2x
1
+ x
2
= 2 + x
3
para el que imaginamos que tiene slo dos ecuaciones y dos incgnitas, y cuyas soluciones podemos hallarlas en
funcin de x
3
por Cramer:
x
1
=

1 3x
3
1
2 + x
3
1

1 1
2 1

=
1 2x
3
3
x
2
=

1 1 3x
3
2 2 + x
3

1 1
2 1

=
4 + 7x
3
3
Ejemplo 3.5 Discutir y resolver (en su caso) el siguiente sistema de ecuaciones lineales en funcin del parmetro a

x
1
+ 2x
2
+ 5x
3
= 3
x
1
+ 3x
2
+ 8x
3
= 5
2x
2
+ ax
3
= 4
Aadindole la primera la a las dems obtenemos

x
1
+ 2x
2
+ 5x
3
= 3
x
2
+ 3x
3
= 2
2x
2
+ ax
3
= 4
Le aadimos ahora la segunda la a la tercera y tenemos

x
1
+ 2x
2
+ 5x
3
= 3
x
2
+ 3x
3
= 2
(a + 6)x
3
= 8
Entonces la discusin se hace teniendo en cuenta que el parmetro aparece en alguno de los pivotes una vez que el
sistema est escalonado. x
1
y x
2
son pivotes. El coeciente a + 6 puede ser nulo (si a = 6) con lo que en ese caso
la variable x
3
no sera un pivote, es ms tendramos una ecuacin de la forma 0 = 8. As que en ese caso (a = 6)
tenemos un SI. Y cuando a 6= 6 tendremos que la variable x
3
s que es un pivote (pues su coeciente a + 6 es no
nulo) y estamos con un SC. Adems al no sobrar ninguna variable, ya que todas son pivotes, tendramos un SCD,
cuya solucin (dependiente de a) se hallara despejando como hacemos habitualmente: x
3
=
8
a+6
, x
2
= 2 3
8
a+6
y
x
1
= 3 2(2 3
8
a+6
) 5
8
a+6
.
20
Otro modo de discutir este sistema es utilizando el Teorema de Rouch-Froebenius, calculando los rangos de las
matrices asociadas. Para esto puede ser til el determinante (que en este caso tiene sentido pues la matriz de coe-
cientes es cuadrada; en el caso de que sea cuadrada la matriz ampliada tambin se puede utilizar; pero en cualquier
otro caso no), hallando el de la matriz de coecientes
|A| =

1 2 5
1 3 8
0 2 a

1 2 5
0 1 3
0 2 a

= 1

1 3
2 a

= a + 6
Cuando |A| 6= 0 (para a 6= 6) el rango de la matriz A es 3, y como el rango de la matriz ampliada no puede ser mayor
(al tener 3 las) tendramos r(A) = r(A|B) = 3 =nmero de incgnitas. Entonces tenemos que si |A| 6= 0 (a 6= 6)
el rango de la matriz A es 3, y como el rango de la matriz ampliada no puede ser mayor (al tener 3 las) tendramos
r(A) = r(A|B) = 3 =nmero de incgnitas. En este caso tendramos un SCD, cuya nica solucin, dependiente de
cada valor a 6= 6, se podr hallar por el mtodo anterior o utilizando la frmula de Cramer (ste es uno de los pocos
casos en los que puede resultar til este mtodo). Y en el caso en que |A| = 0 (a = 6) tenemos que hacerlo de forma
directa. Pero se ve fcilmente que r(A) = 2 y r(A|B) = 3, con lo que tendramos un SI.
El resultado de la discusin ha sido entonces: Si a 6= 6 SCD y si a = 6 SI.
21