Está en la página 1de 23

ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

“Universidad Nacional de Cajamarca”


“Norte de la Universidad Peruana”
Fundado por la ley 14015 del 13 de febrero de 1962
FACULTAD DE EDUCACIÓN
ESCUELA ACADEMICA DE EDUCACIÓN
ESPECIALIDAD DE MATEMATICA E INFORMÁTICA
DEPARTAMENTO ACADEMICO “MATEMÁTICA”

ASIGNATURA POR CONSEJERÍA:

Algebra Lineal

TEMA ENCARGADO:

Teoría de Matrices

DOCENTE:

M.Cs. Rodolfo Alvarado Padilla.

ESTUDIANTE:

Christian Andres Briones Quispe

Cajamarca, Setiembre del 2010

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

ÌNDICE:
INTRODUCCIÓN

MATRICES

LAS MATRICES ALMACENAN INFORMACIÓN

MATRICES EQUIDIMENSIONALES

MATRIZ OPUESTA

MATRIZ NULA

IGUALDAD DE MATRICES

SUMA DE MATRICES

PRODUCTO DE UN ESCALAR POR UNA MATRIZ

PRODUCTO DE MATRICES

MATRIZ TRASPUESTA

MATRIZ SIMÉTRICA

MATRIZ ANTISIMÉTRICA

OTROS TIPOS DE MATRICES CUADRADAS

 MATRIZ UNIDAD
 MATRIZ ESCALAR
 MATRIZ DIAGONAL
 MATRIZ TRIANGULAR:

TRANSFORMACIONES ELEMENTALES

DETERMINANTE

MENOR COMPLEMENTARIO, COFACTOR O ADJUNTO

DESARROLLO POR LOS ELEMENTOS DE UNA LÍNEA

MATRIZ REGULAR, MATRIZ SINGULAR

DETERMINANTE DE UN PRODUCTO DE MATRICES

RANGO DE UNA MATRIZ

CÁLCULO DEL RANGO DE UNA MATRIZ


 Cálculo del rango de una matriz por el método de Gauss
MATRIZ ELEMENTAL

MATRIZ ADJUNTA

MATRIZ INVERSA

SISTEMA DE m ECUACIONES LINEALES CON n INCÓNITAS


FORMA MATRICIAL DE UN SISTEMA DE ECUACIONES LINEALES
REGLA DE CRAMER

EJERCICIOS

BIBLIOGRAFÍA

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

DEDICATORIA

El presente trabajo está dedicado al profesor del curso que directo o indirectamente contribuye a la
realización del presente trabajo siendo por ende un impulso para mejorar nuestra labor académica
y pre- profesional y así apoyar, estimular y optimizar la capacidad cognitiva del estudiante, por lo
tanto La valoración del curso es importante para que el tema no sólo tenga más interés para los
estudiantes, sino también para que sea más aplicable en el mundo en que se
desenvuelven.Esperando que este trabajo satisfaga la confianza de laque he sido encomendado.

INTRODUCCIÓN

La teoría de matrices es una rama de las matemáticas que se centra en el estudio de matrices.
Las matrices ahora se utilizan para múltiples aplicaciones y sirven, en particular, para representar
los coeficientes de los sistemas de ecuaciones lineales o para representar las aplicaciones lineales
pero las matrices representan mucho más; en este último caso las matrices desempeñan el mismo
papel que los datos de un vector para las aplicaciones lineales. Es por ello que en el presente
trabajo sobre teoría de matrices daremos el concepto de matriz (caja llena de números ordenados
en filas y columnas) y aprender a trabajar con matrices (suma de matrices, multiplicación de una
matriz por un número, multiplicación de matrices, cálculo del determinante de una matriz
cuadrada, cálculo del rango de una matriz), para que cuando aprendamos a trabajar con matrices
trataremos de resolver sistemas de ecuaciones lineales.

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

MATRICES

TEORÍA Y EJERCICIOS

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

MATRICES
 Llamamos matriz de orden m × n a toda disposición rectangular de m x n números reales
ordenados en “m” filas y “n” columnas.
El conjunto que forman todas las matrices de orden m × n se denota 𝑀𝑚 𝑥 𝑛
 Las matrices suelen nombrarse con letras mayúsculas; así, siendo
5 4 8
2 5 7
𝐵=[ ] 𝜖 𝑀2 𝑥 3 ; 𝐶 = [7 6 3] 𝜖 𝑀3 𝑥 3
5 4 3
0 9 7

La matriz “B” es de orden 2x3 (¡ojo!, de orden 2 x 3, no de orden 6), y “C” es de orden 3x3 (¡ojo!,
de orden 3 x 3, no de orden 9).

 Para identificar los elementos que forman una matriz “A” usamos subíndices: al hablar del
elemento 𝑎𝑖𝑗 de “A” hablamos del elemento de “A” que está en la i- ésima fila de “A” y en la j-
ésima columna de “A”. Para referirnos genéricamente a los elementos de una matriz “A”
escribiremos A ={ 𝑎𝑖𝑗 }.
4 7 8
Por ejemplo, siendo A ={ 𝑎𝑖𝑗 } = [ 9 5 6 ] 𝜖 𝑀4 𝑥 3 , 𝑒𝑠:
1 3 2
10 0 𝜋
𝑎11 = 4; 𝑎12 = 7; 𝑎13 = 8; 𝑎21 = 9; 𝑎22 = 5; 𝑎23 = 6
𝑎31 = 1; 𝑎32 = 3; 𝑎33 = 2; 𝑎41 = 10; 𝑎42 = 0; 𝑎43 = 𝜋

 Se dice que una matriz es cuadrada de orden “n” si tiene “n” filas y “n” Columnas. En tal caso,
los elementos que tienen los dos subíndices iguales forman la diagonal principal de la matriz.
Por ejemplo, la siguiente matriz es cuadrada de orden 3:
3 4 8
𝐴 = [5 0 6] 𝜖 𝑀3 𝑥 3
8 8 7

Su diagonal principal la forman los elementos 𝑎11 = 3; 𝑎22 = 0; 𝑎33 = 7.

 Si “A” es una matriz cuadrada, su traza es la suma de los elementos de su diagonal principal; se
denota Tr(A). por ejemplo, para al anterior matriz “A”, es Tr(A)=3 + 0 +7 = 10
 Si una matriz es de orden 1xn se dice que es una matriz fila; tal es el caso de: A=[2 5 8]𝜖 𝑀1 𝑥 3
 Si una matriz es de orden nx1 se dice que es una matriz Columna( o vector fila)
2
5
Tal es el caso de las siguientes: A= [3] 𝜖 𝑀3 𝑥 1 tal es el caso de B= [ ] 𝜖 𝑀2 𝑥 1
3
9

LAS MATRICES ALMACENAN “INFORMACIÓN”


Decimos que las matrices se han “inventado” porque son capaces de almacenar “Información” de
manera ordenada…… y es sabio que la información y el orden son fundamentales para la buena marcha
de todo.
La siguiente Historieta ilustra la idea

El tío Christian tiene una empresa de comercialización de abarrotes y para controlar mejor el negocio ha
decidido que se anoten los ingresos y los gastos trimestrales. A tal fin se usan matrices “filas” de orden
1x2, pues cada matriz de este tipo está formada por 2 números reales. Christian establece el criterio según
el cual el primer número expresa los ingresos y el segundo expresa los gastos, ambos en millones.

Así las cosas, al final de cada trimestre Christian pide a su gerente la misma información, siempre la misma
pregunta:¿cómo han ido las cosas este trimestre? El gerente consulta sus datos y por respuesta entrega a su
jefe la matriz de orden 1x2 que expresa los ingresos y los gastos del trimestre en cuestión. Así, cuando

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

ayer recibió la matriz = [7 4] correspondiente al último trimestre, Christian supo los ingresos que fueron
de 7 millones y los gastos 4 millones.

Naturalmente, como haría cualquiera en su caso, cada año Christian “agrupa” los resultados trimestrales y
“construye” una matriz de 4 filas y 2 columnas que expresa lo sucedido en los cuatro trimestres del año en
lo que se refiere a los ingresos y gastos de su empresa. Por ejemplo, si la matriz correspondiente al último
año es:
8 5
A = [7 3 ] 𝜖 𝑀4 𝑥 2
5 6
8 4
Entonces, el que 𝑎32 =6 indica que los gastos del tercer trimestre fueron de 6 millones, y el 𝑎41 =8 indica
que los ingresos de cuarto trimestre fueron de 8 millones.

Como vemos, las matrices sirven para almacenar “Información”

MATRICES EQUIDIMENSIONALES
Diremos dos matrices son equidimensionales si tienen el mismo, orden, es decir, si las dos tienen el mismo
número de filas y las dos tienen el mismo número de columnas. Por ejemplo, si.
2 1 1 0 2 5 7
𝐴=[ ] 𝜖 𝑀2 𝑥 2 𝐵 = [ ] 𝜖 𝑀2 𝑥 2 𝐶 = [ ] 𝜖 𝑀2 𝑥 3
3 5 5 8 5 4 3
Entonces “A “y”B” son equidimensionales; no así “A” Y “C” o “B” y “C”.

MATRIZ OPUESTA
La matriz opuesta de la matriz “A” se denota –A, y es la matriz obtenida al cambiar el signo de los
elementos de “A”.
2 4 6 −2 −4 −6
Por ejemplo, siendo 𝐴 = [ ] 𝜖 𝑀2 𝑥 3 , su matriz opuesta es: −𝐴 = [ ] 𝜖 𝑀2 𝑥 3 ,
5 7 3 −5 −7 −3
MATRIZ NULA
Se llama nula a toda matriz cuyos elementos san nulos; se denota “0” tenga el orden que tenga:
0 0 0 0 0
[ ] 𝜖 𝑀2 𝑥 2 𝐴 ; [ ] 𝜖 𝑀2 𝑥 3 ,
0 0 0 0 0
IGUALDAD DE MATRICES
Las matrices equidimensionales A ={ 𝑎𝑖𝑗 } y B ={ 𝑏𝑖𝑗 } son iguales si 𝑎𝑖𝑗 = 𝑏𝑖𝑗

SUMA DE MATRICES
Si A ={ 𝑎𝑖𝑗 } y B ={ 𝑏𝑖𝑗 } son matrices de orden m x n, su suma se denota A+B, y es la matriz de orden m x n
que definimos como A + B ={ 𝑎𝑖𝑗 + 𝑏𝑖𝑗 }. Por ejemplo:

2 3 1 7 5 6 2+7 3+5 1+6 9 8 7


[5 4 9] + [1 2 −4] = [5 + 1 4 + 2 9 − 4] = [ 6 6 5]
1 8 8 0 0 2 1+0 8+0 8+2 1 8 10
2 5 7 1 4 6 2+1 5+4 7+6 3 9 13
[ ]+[ ]=[ ]=[ ]
5 4 3 2 0 3 5+2 4+0 3+3 7 4 6
 Si “A” y ”B” son cuadradas de igual orden, es Tr(A+B) = Tr(A) + Tr(B)

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

PROPIEDADES

La suma de matrices definida en el conjunto 𝑀𝑚𝑥𝑛 tiene idénticas propiedades que la suma de números reales:
1) Es conmutativa: A +B = B+ A
2) Es asociativa A+(B+C)= (A+B)+C
3) Admite elemento neutro: A+0=0+A=A
4) Cada matriz tiene simétrica respecto de la suma: A +(-A) = (-A) + A =0

PRODUCTO DE ESCALAR POR MATRIZ


El producto del escalar “𝛼” (recodar: un “escalar” es un elemento de un cuerpo conmutativo) por
la matiz “A” se denota 𝛼●A, y es la matriz obtenida al multiplicar por “𝛼” todos los elementos de
“A”.
Por ejemplo:
2 5 7 6.2 6.5 6.7 12 35 42
6●[ ]=[ ] = [ ]
5 4 3 6.5 6.4 6.3 30 24 18
3● [2 5 8]=[3.2 3.5 3.8] = [6 15 24]

PROPIEDADES

1) Siendo “𝛼” un escalar y “A” y”B” matrices equidimensionales, es:


𝛼●(A + B) = 𝛼●A + 𝛼●B
2) Siendo “𝛼” y “B”escalares y “A” una matriz, es : (𝛼 + 𝛽) ●A = 𝛼●A + 𝛼●B.
3) Siendo “𝛼” y “B”escalares y “A” una matriz, es 𝛼●(𝛽●A) = (𝛼. 𝛽)●A.
4) Siendo “𝛼” un escalar y “A” una matriz cuadrada, es: Tr(𝛼●A)= 𝛼. 𝑇𝑟(𝐴)

LA “PROPORCIONALIDAD” ENTRE MATRICES

Al definir la operación” producto de un escalar por una matriz” estamos introduciendo


la noción de “proporcionalidad” entre matrices, pues si la matriz C ={ 𝑐𝑖𝑗 } se obtiene al
multiplicar la matriz A ={𝑎𝑖𝑗 } por el escalar “𝛼” (o sea, C= 𝛼●A), cabe decir que la matriz
“C” es “proporcional” a la matriz “A”, pues cada elemento de “C” se obtiene multiplicando
por “𝛼” su correspondiente elemento de “A” (recordar que 𝑐𝑖𝑗 = 𝛼. 𝑎𝑖𝑗 )

También cabe decir que la matriz “A” es “proporcional” a la matriz “C”, pues cada elemento
de “A” se obtiene multiplicando por “1/ 𝛼”su correspondiente elemento de “C”:
1 1
𝑐𝑖𝑗 = 𝛼. 𝑎𝑖𝑗 𝑎𝑖𝑗 =𝛼. 𝑐𝑖𝑗 A= 𝛼 ●C

CONBINACION LINEAL DE MATRICES

Al jugar a la vez con las operaciones llamadas “suma de matricez” y “producto de un escalar por una
matriz” resulta lo siguiente: siendo 𝛼1 , 𝛼2 ,…, 𝛼𝑛 , escalares ( números reales) y 𝐴1 , 𝐴2 , … , 𝐴𝑛 . Matrices
equidimensionales, si la matiz “W” es tal que W=𝛼1 ●𝐴1 + 𝛼2 ●𝐴2 + ⋯ + 𝛼𝑛 ●𝐴𝑛 entonces “W” es suma
de una matriz 𝛼1 ●𝐴1 proporcional a 𝐴1 , y de una matriz 𝛼2 ●𝐴2 proporcional a 𝐴2 …y de una matriz
𝛼𝑛 ●𝐴𝑛 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖𝑜𝑛𝑎𝑙 𝑎 𝐴𝑛 ; por ello podemos decir que la matriz “W” es suma de matrices proporcionales
a 𝐴1 , 𝐴2 , … , 𝐴𝑛 .

En el lenguaje del álgebra de “lo lineal”, para decir de modo rápido quela matriz “W” es suma de matrices
proporcionales a 𝐴1 , 𝐴2 , … , 𝐴𝑛 , se dice que “W” es combinación lineal de 𝐴1 , 𝐴2 , … , 𝐴𝑛 ;tanbien se podría
decir que “W” es “combinación proporcional” de 𝐴1 , 𝐴2 , … , 𝐴𝑛 .

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

PRODUCTO DE MATRICES
Siendo A ={ 𝑎𝑖𝑗 } una matriz de orden mxn y B ={ 𝑏𝑖𝑗 } una matriz de orden nxp, el producto de la matriz
“A” por la matriz “B” se denota 𝐴●B, y es la matriz C={ 𝑐𝑖𝑗 } de orden mxp tal que 𝑐𝑖𝑗 es la suma de los
productos obtenidos al multiplicar cada elemento de la i-ésima fila de “A” por su correspondiente de la j-
ésima columna de “B”; es decir:

𝑐𝑖𝑗 = 𝑎𝑖1 . 𝑏1𝑗 + 𝑎𝑖2 . 𝑏2𝑗 + ⋯ + 𝑎𝑖𝑛 𝑏𝑛𝑗

A.B ={ 𝒄𝒊𝒋 } donde: 𝒄𝒊𝒋 = ∑𝒏𝒌=𝟏 𝒂𝒊𝒌 . 𝒃𝒌𝒋 = 𝒂𝒊𝟏 . 𝒃𝟏𝒋 + 𝒂𝒊𝟐 . 𝒃𝟐𝒋 + ⋯ + 𝒂𝒊𝒏 𝒃𝒏𝒋

OBSERVACIÓN: El producto está definido si el número de columnas de A es igual al número


de filas de B. Si el producto AB está definido se dice que A es conformable con B para la
multiplicación. No significa esto que B sea necesariamente conformable con A respecto de la
multiplicación, toda vez de BA puede o no estar definido.

Ejemplos de productos de matrices


1 2 5 6 1.5 + 2.7 1.6 + 2.8 19 22
[ ]●[ ]=[ ]=[ ]
3 4 7 8 3.5 + 4.7 3.6 + 4.8 36 50
1 2 3 0 2 5 1.0 + 2.8 + 3.4 1.2 + 2.6 + 3.7 1.5 + 2.3 + 3.1
[4 5 6] ● [ 8 6 3] = [4.0 + 5.8 + 6.4 4.2 + 5.6 + 6.7 4.5 + 5.3 + 6.1]
7 8 9 4 7 1 7.0 + 8.8 + 9.4 7.2 + 8.6 + 9.7 7.5 + 8.3 + 9.1
2 5 2.1 + 5.8 2.4 + 5.9 2.6 + 5.2 42 53 22
1 4 6
[7 3] ● [ ] = [7.1 + 3.8 7.4 + 3.9 7.6 + 3.2] = [31 55 48]
8 9 2
5 0 5.1 + 0.8 5.4 + 0.9 5.6 + 0.2 5 20 30
5 5 6
[ ]●[ ] = 𝑐𝑎𝑟𝑒𝑐𝑒 𝑑𝑒 𝑠𝑒𝑛𝑡𝑖𝑑𝑜; [6 2 3.]●[3 6] = 𝑐𝑎𝑟𝑒𝑐𝑒 𝑑𝑒 𝑠𝑒𝑛𝑡𝑖𝑑𝑜, no está definido
3 7 8
Propiedades

1) Asociativa: A●(B●C) = (A●B)●C


2) Distributiva respecto a la suma: A●(B + C) = (A●B) + (A●C)
3) l producto de matrices no es conmutativo.
No obstante, puede suceder que A●B = B●A; en tal caso se dice que las matrices “A” y “B”
conmutan
1 0 2 0 2 0 1 0 2 0
[ ]●[ ]=[ ]●[ ]=[ ]
1 1 5 2 5 2 1 1 7 2
4) Si los productos A ●B y B●A tienen sentido, es Tr(A ●B)=Tr(B●A)

TRASPUESTA DE UNA MATRIZ

Si en una matriz “A” permutamos filas por columnas conservando el orden de ellas, resulta otra
matriz que se llama traspuesta de “A”(se denota𝐴𝑡 ). Por ejemplo, siendo:
1 7 8 5 1 2 3
8 7 6
𝐴 = [7 3 2 0] 𝜖 𝑀3 𝑥 4 ; 𝐵 = [ ] 𝜖 𝑀2 𝑥 3 ; 𝐶 = [4 5 6] 𝜖 𝑀3 𝑥 3
5 4 3
9 9 2 4 7 8 9
Sus respectivas matrices traspuestas son:
1 7 9
8 5 1 4 7
𝐴𝑡 = [7
8
3
2
9] 𝜖 𝑀
2 4𝑥3 ; 𝐵 𝑡
= [ 7 4] 𝜖 𝑀3 𝑥 2 ; 𝐶 𝑡 = [2 5 8] 𝜖 𝑀3 𝑥 3
6 3 3 6 9
5 0 4

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

Propiedades

1) (𝐴𝑡 )𝑡 =A
2) (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵 𝑡 Traspuesta de una suma
3) (𝑐𝐴)𝑡 = 𝑐(𝐴𝑡 ) Traspuesta de un escalar múltiple
4) (𝐴𝐵)𝑡 = 𝐵 𝑡 𝐴𝑡 Traspuesta de un producto

Matriz simétrica: Una matriz cuadrada A es simétrica si A = At, es decir, si aij = aji ∀ i, j.

5 3 8 6 5 3 8 6
Ejemplo: A= [3 1 9 7] 𝐴𝑡 =[3 1 9 7]
8 9 2 1 8 9 2 1
6 7 1 5 6 7 1 5
Matriz antisimétrica: Una matriz cuadrada es antisimétrica si A = –At, es decir, si aij = –aji ∀ i, j.

1 −4 7 −1 4 −7
𝐴=[2 5 −8] −𝐴𝑡 =[−2 −5 8]
−3 6 0 3 −6 0

OTRAS MATRICES CUADRADAS

MATRIZ UNIDAD: matriz cuadrada en la que los elementos de la diagonal principal son iguales a 1 y los
restantes elementos de la matriz son nulos; se denota “I”

Por ejemplo, la matriz unidad de orden 3 es:

1 0 0
𝐼 = [0 1 0]
0 0 1
MATRIZ ESCALAR: matriz cuadrada en la que los elementos de la diagonal principal son todos iguales,
siendo nulos los restantes elementos de la matriz. Por ejemplo:

5 0 0 9 0 0
𝐴 = [0 5 0] ; 𝐼 = [0 9 0]
0 0 5 0 0 9

MATRIZ DIAGONAL: matriz cuadrada que tiene nulos todos los elementos no situados en la diagonal
principal. Por ejemplo:

5 0 0 0 0 0
𝐴 = [0 7 0] ; 𝐵 = [ 0 9 0]
0 0 9 0 0 0

MATRIZ TRIANGULAR: matriz cuadrada en la que todos los elementos a un lado de la diagonal
principal son nulos. Por ejemplo:

5 4 7 0 0 0
𝐴 = [0 7 2 ] ; 𝐵 = [ 1 9 0]
0 0 9 2 0 9

De “A” se dice que es triangular inferior (son nulos los elementos situados debajo de la diagonal
principal)

De “B” se dice que es triangular superior (son nulos los elementos situados encima de la diagonal
principal)

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

TRANSFORMACIONES ELEMENTALES

Se llaman transformaciones elementales a las siguientes:

 Trasposición de una matriz.


 Cambio entre sí de dos filas o columnas de una matriz
 Multiplicación de todos los elementos de una línea (fila o columna) de una matriz un mismo
números k >0.
 Adición a los elementos de una fila (columna) de una matriz de los elementos correspondientes de
otra fila (columna) multiplicados por un mismo número

DETERMINANTE DE UNA MATRIZ

A cada matriz cuadrada “A”, por el simple hecho de ser cuadrado, le asociamos un número que
llamamos determinante de “A” y denotamos ‫׀‬A‫׀‬

CALCULO DE DETERMINANTES

a 11 a 12
A  a 11a 22  a 12a 21
a 21 a 22

Ejemplo: la matriz A 
 2  1
 tiene de determinante A
2 1
 2  5  ( 1)  7  10  7  17
7 5  7 5

Para calcular determinantes de matrices de orden mayor que 3 debemos definir antes los conceptos
de “menor complementario” y de “cofactor” de un elemento de una matriz cuadrada

MENOR COMPLEMENTARIO. COFACTOR

Dada una matriz cuadrada, se llama menor complementario del elemento aij al determinante que resulta de
suprimir en la matriz la fila "i" y la columna "j" en las que está el elemento en cuestión.
Se designa aij o por ij. Por ejemplo, siendo
1 2 3
𝐴 = [ 8 4 5]
0 6 8

El menor complementario de a32 del elemento 32=6 es el determinante de la matriz que resulta al
suprimir la tercera fila y la segunda columna de “A”; o sea;

1 3
𝛼32 = [ ] = 1 ∗ 5 − 3 ∗ 8 = −19
8 5

El cofactor o adjunto del elemento 𝛼32 es (−1)𝑖+𝑗 . 𝛼𝑖𝑗 , y se denota 𝐴𝑖𝑗 ; así, en nuestro ejemplo, es
𝐴32 = (−1)3+2 . 𝛼32 = (-1).(-19) = 19.

Observar: el valor de (−1)𝑖+𝑗 es 1 o -1 según el número “i + j” sea par o impar; por tanto, la secuencia de
los signos de los adjuntos respecto de los menores complementarios es:

+ − + − + −
− + − + − +
+ − + − + −
− + − + − +
[+ − + − + −]

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

DESARROLLO DE UN DETERMINANTE POR LOS ELEMENTOS DE UNA LÍNEA

El determinante de una matriz cuadrada es la suma de los productos obtenidos al multiplicar cada elemento
de una cualquiera de las líneas de la matriz por su cofactor o adjunto. Por ejemplo, siendo:
1 2 3
𝐴 = [8 4 5]
0 6 8

‫׀‬A‫𝑎 =׀‬11 ∗ 𝐴11 + 𝑎12 ∗ 𝐴22 + 𝑎13 ∗ 𝐴33

1+1 4 5 8 5 8 4
=1. (−1) .| | + 2. (−1)1+2 . | | + 3. (−1)1+3 . | |=18
6 8 0 8 0 6
EJEMPLO 2

2 3 1 6
A= [3 1 2 4]
3 8 2 1
6 7 1 5

‫׀‬A‫𝑎 =׀‬11 ∗ 𝐴11 + 𝑎12 ∗ 𝐴22 + 𝑎13 ∗ 𝐴33 + 𝑎14 ∗ 𝐴44

1 2 4 3 2 4 3 1 4 3 1 2
2. (−1)1+1 . [8 2 1] + 3. (−1)1+2 . [3 2 1] + 1. (−1)1+3 . [3 8 1]+6. (−1)1+4 . [3 8 2]
7 1 5 6 1 5 6 7 5 6 7 1
MATRIZ REGULAR. MATRIZ SINGULAR
Se llama regular a toda matriz cuadrada cuyo determinante no sea nulo; si el determinante es nulo la
matriz se llama singular.

DETERMINANTE DE UN PRODUCTO DE MATRICES

Siendo “A” y “B” matrices cuadras del mismo orden, ‫●𝐴׀‬B‫׀ = ׀‬A‫ ׀‬. ‫׀‬B‫׀‬

RANGO DE UNA MATRIZ

Se llama “menor” de orden p de una matriz al determinante que resulta de eliminar ciertas filas y columnas
hasta quedar una matriz cuadrada de orden p. Es decir, al determinante de cualquier submatriz cuadrada de
A (submatriz obtenida suprimiendo alguna fila o columna de la matriz A).

En una matriz cualquiera A m×n puede haber varios menores de un cierto orden p dado.

Definición:

El RANGO (o característica) de una matriz es el orden del mayor de los menores distintos de cero. El rango
o característica de una matriz A se representa por rg(A).

Consecuencia

Por tanto, el rango no puede ser mayor al número de filas o de columnas

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

Vectores fila de una matriz:

Las filas de una matriz pueden ser consideradas como vectores. Es posible que sean linealmente
Independientes (L.I.) y es posible que unos dependan linealmente de otros. Por ejemplo:

2 3 2 5
𝐴=[ ] Sus dos filas son linealmente independientes
1 3 4 2
1 3
𝐵 = [2 1] Las dos primeras líneas son L.I., las otras dos dependen linealmente de las primeras
0 5
3 4
F3 =2.F1- F2 F4=F1+F2

1 5 3
𝐶 = [9 0 2] Las dos primeras filas son L.I. la tercera depende linealmente de las dos primeras
8 5 1

F4= F2-F1
Se llama rango de una matriz al número de filas Linealmente Independientes

Vectores columna de una matriz:

También las columnas de una matriz pueden ser consideradas como vectores. Podríamos definir
rango de la matriz como el número de columnas linealmente independientes, pero aparece la duda
de si esa definición puede contradecir en algún caso la anterior.
Es decir: ¿Es posible que en una matriz el número de filas linealmente independientes sea distinto
del número de columnas linealmente independiente?. El siguiente teorema nos asegura que no.

Teorema
En una matriz el número de filas L.I. coincide con el número de columnas L.I.
Por esto podemos dar una nueva definición de Rango:

Rango de una matriz es el número de filas, o columnas, linealmente independientes.


Rango de una matriz
El rango de una matriz lo podemos calcular por dos métodos diferentes:
 Por el método de Gauss
 Usando Determinantes

Cálculo del rango de una matriz por el método de Gauss


Transformaciones elementales:

Son las transformaciones que podemos realizarle a una matriz sin que su rango varíe.
Las transformaciones elementales son las siguientes:
Permutar 2 filas ó 2 columnas.

 Multiplicar o dividir una línea por un número no nulo.


 Sumar o restar a una línea otra paralela multiplicada por un número no nulo.
CURSO POR CONSEJERÍA – ALGEBRA LINEAL
ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

 Suprimir las filas o columnas que sean nulas,


 Suprimir las filas o columnas que sean proporcionales a otras

El método de Gauss consiste en aplicar transformaciones elementales a una matriz con objeto de conseguir
que los elementos que están por debajo de la diagonal principal se anulen (aij = 0,para i > j).

Para conseguir "triangular" la matriz debemos dejar en la diagonal principal elementos no nulos, salvo que
la fila sea nula.

Una vez aplicado este proceso de triangulación, el rango de la matriz es el número de filas no nulas de la
matriz obtenida. Esto es fácil probarlo usando las propiedades de los determinantes.

Ejemplo.- Calcular el rango de las siguientes matrices

MATRIZ ELEMENTAL

Una matriz cuadrada A de orden nxn se denomina matriz elemental si puede ser obtenida a partir
de la matriz identidad de orden nxn, 𝐼𝑛 por una sola operación elemental de fila o columna a las
matrices elementales de denotan por E.

Ejemplo.- Obtener matrices elementales.


1 0 0 𝐻2 (5) 1 0 0 1 0 0 𝐾13 (−3) 1 0 0
[ 0 1 0] → [0 5 0] = 𝐻; [0 1 0] → [ 0 1 0] = 𝐾
0 0 1 0 0 1 0 0 1 −3 0 1

MATRIZ ADJUNTA

Si “A” es una matriz cuadrada de orden “n”, llamamos “adjunta” de “A”, y la representamos por Adj.(A), a
la matriz cuadrada de orden “n” que resulta al sustituir cada elemento de “A” porsu adjunto (o cofactor)

Por ejemplo si,

1 2 3
2 8 5 −9
𝐴=| |; 𝐵 = | | ; 𝐶 = [4 5 6]
7 6 2 −3
7 8 9

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

Al sustituir cada elemento de ellas por su adjunto, resulta:

6 −7 −3 −2
Adj.(A)= | | ; Adj. (B) = | |
−8 2 9 5
5 6 4 6 4 5
| | −| | | |
8 9 7 9 7 8 −3 6 −3
2 3 1 3 1 2
Adj. (C) = − | | | | −| | =[ 6 −12 6 ]
8 9 7 9 7 8
2 3 1 3 1 2 −3 6 −3
[ |5 | −| | | |]
6 4 6 4 5

Propiedades:

 𝐴●Adj. (𝐴𝑡 ) = (Adj. (𝐴𝑡 ))●A = ‫׀‬A‫●׀‬I , siendo “I” la matriz del mismo orden que “A”
 Si “A” y“B” son matrices cuadradas del mismo orden, entonces:
𝐴𝑑𝑗(𝐴●B)=((Adj.(A)) ●((Adj.(B))
 Si “A” es cuadrada de orden “n”, es ‫׀‬A‫ ׀‬. ‫׀‬Adj. (A)‫׀( = ׀‬A‫ ; 𝑛)׀‬así:

‫׀‬Adj. (A)‫׀( = ׀‬A‫𝑛)׀‬−1

 Si "A" es singular, Adj.(A) tambien lo es, y rg(Adj.(A))≤1; además, es:

A●Adj. (A) = (Adj(A))●A=0

MATRIZ INVERSA

Si “A” ed una matriz cuadrada de orden “n” e “I” es la matriz identidad del mismo orden que “A”,
se llama “Inversa” de “A”, y se denota como 𝐴−1 , a la matriz cuadrada “n” que verifica que:
1
A●𝐴−1 = 𝐴−1 ●A = I; se demuestra que: 𝐴−1 = ‫׀‬A‫● ׀‬Adj. (𝐴𝑡 )

¡ OJO!, como en matemáticas está prohibido dividir por cero, la expresión anterior no tiene
sentido si ‫׀‬A‫ = ׀‬0 (las matrices “singulares” carecen de matriz inversa).

1 0 1 1 3 2
Por ejemplo, si 𝐶 = [3 1 5], es ‫׀‬A‫ = ׀‬-1 y 𝐴𝑡 = [0 1 0] ; así, al sustituir en la matriz 𝐴𝑡 cada
2 0 1 1 5 1
elemento por su adjunto, resulta:

1 0 0 0 0 1
| | −| | | |
5 1 1 1 1 5
1 0 −1
3 2 1 2 1 3
Adj. (𝐴𝑡 ) = − | | | | −| | = [−7 1 2 ]
5 1 1 1 1 5
3 2 1 2 1 3 2 0 −1
[ |1 0
| −|
0 0
| |
0 1
|]

1 0 −1
−1 1
Por lo tanto, la matriz inversa de “A” es: 𝐴 = ‫׀‬A‫● ׀‬Adj. (𝐴𝑡 ) = [−7 1 2]
2 0 −1

Propiedades

 Es (𝐴−1 )−1= A, y (𝐴𝑡 )−1 = (𝐴−1 )𝑡


 Si “A” es simétrica, entonces (𝐴−1 ) también es simétrica (si existe 𝐴−1 )

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

 Si ‫׀‬A‫≠ ׀‬0 es válida la ley de simplificación; o sea, si “B” y “C” son matrices cuadradas del mismo
orden tales que “A” y A●B = B●C, entonces B= C
 La inversa de un producto de matrices regulares del mismo orden es el producto de las
inversas en orden contrario; así, por ejemplo; si “A” y “B”, “C” y “D” son matrices
regulares del mismo orden, entonces:

(A●B●C●D) −1= 𝐷−1 ●𝐶 −1 ●𝐵−1 ●𝐴−1


1
 Si “A” tiene inversa, entonces ‫𝐴׀‬−1‫= ׀‬ ‫׀‬A‫׀‬
; en efecto:

𝟏
𝐀●𝑨−𝟏 = 𝑰 ‫𝑨●𝐀׀‬−𝟏‫𝟏 = ׀𝐈׀ = ׀‬ ‫׀𝐀׀‬. ‫𝑨׀‬−𝟏 ‫=׀‬1 ‫𝑨׀‬−𝟏 ‫= ׀‬
‫׀𝐀׀‬

Métodos de cálculo de la matriz inversa

a) Método de adjuntos: A 1 
 Aad t
A

b) Método de Gauss: veamos un ejemplo

1 1 0
Ejemplo: Calcular la inversa de 
A 1 2 1

 
0 1 2 

Lo haremos primero por el método clásico, el que viene indicado por la definición: la traspuesta de
la adjunta dividida por el determinante.
Primero, calculamos el determinante; si el determinante es nulo, no existe matriz inversa; si no es
nulo, seguimos:
1 1 0
A  1 2 1  4  0  0  0 1 2  1 ;
0 1 2

Calculamos ahora la matriz adjunta, sustituyendo cada elemento por su adjunto; calculamos
primero los adjuntos:
2 1 1 1 1 2 1 0
A11   4  1  3 A12    (2  0)  2 A13   1  0  1 A21    (2  0)  2
1 2 0 2 0 1 1 2
1 0 1 1 1 0 1 0
A22   20  2 A23    (1  0)  1 A31   1  0  1 A32    (1  0)  1 luego
0 2 0 1 2 1 0 1
1 1
A33   2 1  1
1 2
 3 2 1 
formamos la matriz adjunta: A   2 2  1 y finalmente hacemos la inversa, trasponiendo la matriz
ad  
 1 1 1 
1 1  3  2 1   3  2 1 
   2 2  1   2 2  1
A
adjunta y dividida por el determinante:
1    
 1 1 1   1 1 1 

Ahora lo hacemos por el método de Gauss:

Es conveniente, se haga por el método que se haga, comprobar la inversa (multiplicada por la directa tiene
que dar la identidad).

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

 3  2 1  1 1 0 1 0 0
  2 2  1   1 2 1    0 1 0 
     
 1 1 1  0 1 2 0 0 1

SISTEMA DE m ECUACIONES LINEALES CON n INCÓNITAS

En este tema emplearemos mucho la notación matricial y las propiedades de las matrices.

FORMA MATRICIAL DE UN SISTEMA DE ECUACIONES LINEALES

Consideremos un sistema de m ecuaciones lineales con n incógnitas, es decir:

a11 𝑥1 + a12 𝑥2 + ⋯ + a1𝑛 𝑥𝑛 = b1


a21 𝑥1 + a22 𝑥2 + ⋯ + a2𝑛 𝑥𝑛 = b2 (t)
. . . .
. . . . (1)
. . . .
a𝑛1 𝑥1 + a𝑛2 𝑥2 + ⋯ + a𝑛𝑛 𝑥𝑛 = b𝑛

De acuerdo al producto de matrices y de la igualdad de matrices se puede escribir en la forma:

a11 a12 . . . a1𝑛 𝑥 1. 𝑏 1.


.. .
a21 a21 . . . a2𝑛 ..
. ..
. . . ..
. . .
..
..
+ .
.. ..
. . . .. .
(a𝑛1 a𝑛2 . . . a𝑛𝑛 ) (𝑥𝑛(𝑡) ) ( 𝑏𝑛 )
Y es de la forma A.X = B
a11 a12 . . . a1𝑛
a21 a21 . . . a2𝑛
. . .
Donde: A= . . .
. . .
(a𝑛1 a𝑛2 . . . a𝑛𝑛 )

Se llama matriz de los coeficientes, también se llama matriz asociado al sistema (1)
𝑥 1. 𝑏 1.
.
.. .
..
..
.. ..
X= ..
Se llama matriz de las incógnitas. B= . Se llama matriz de los términos independientes.
.. ..
.. .
(𝑥𝑛(𝑡) ) ( 𝑏𝑛 )

 Si 𝑏𝑖 =0, ∀ i, el sistema (1) se llama homogéneo.


 Si 𝑏𝑖 ≠ 0, para algún i, el sistema (1) se llama no homogéneo.

REGLA DE CRAMER.-

Consideremos un sistema de n ecuaciones con n incógnitas, es decir:

a11 𝑥1 + a12 𝑥2 + ⋯ + a1𝑛 𝑥𝑛 = b1


a21 𝑥1 + a22 𝑥2 + ⋯ + a2𝑛 𝑥𝑛 = b2 (t)
. . . .
. . . . (𝛼)
. . . .
a𝑛1 𝑥1 + a𝑛2 𝑥2 + ⋯ + a𝑛𝑛 𝑥𝑛 = b𝑛
CURSO POR CONSEJERÍA – ALGEBRA LINEAL
ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

El sistema (𝛼) tiene solución única si y sólo si ‫׀‬A‫ ≠ ׀‬0es decir que el determinante de la matriz asociada al
‫׀‬A𝑖 ‫׀‬
sistema (𝛼) es diferente de cero y esta solución está dado por 𝑥1 = ‫׀‬A‫׀‬
, donde i= 1,2, …,n y además
A𝑖 es la matriz obtenida a partir de A, reemplazando la columna i de A por la matriz columna de b, es
decir:
‫׀‬A1 ‫׀‬ ‫׀‬A2 ‫׀‬ ‫׀‬A3 ‫׀‬
𝑥1 = , 𝑥2 = , … , 𝑥3 = , donde
‫׀‬A‫׀‬ ‫׀‬A‫׀‬ ‫׀‬A‫׀‬

b1 a12 … a1𝑛
a11 b1 … a1𝑛
b2 a22 … a2𝑛
| | a b1 … a2𝑛
. | 21 |
𝐴1 = , 𝐴2 = , etc.
. | |
| |
.
a𝑛1 b1 … a𝑛𝑛
b𝑛 a𝑛2 … a𝑛𝑛

Si det(A) = ‫׀‬A‫= ׀‬0, entonces el sistema (𝛼) es:

a) Incompatible sí ‫𝐴׀‬1 ‫ ≠ ׀‬0, ‫𝐴׀‬2 ‫ ≠ ׀‬0,…, ‫ ≠ ׀ 𝑛𝐴׀‬0.


b) Indeterminado se ‫𝐴׀‬1 ‫ = ׀‬0, ‫𝐴׀‬2 ‫ = ׀‬0,…, ‫ = ׀ 𝑛𝐴׀‬0

Ejemplo.

Mediante regla de CRAMER, resolver el sistema de ecuaciones lineales.

5x-y-z=0
X+2y+3z=14
4x+3y+2z=16
Solución

El sistema tiene solución si el determinante de los coeficientes es diferente de cero ‫׀‬A‫ ≠ ׀‬0

5 −1 −1
‫׀‬A‫[ = ׀‬1 2 3 ] = −30 ≠ 0
4 3 −2
0 −1 −1 5 0 −1 5 −1 0
𝐴𝑥 = [14 2 3 ]=-30 , 𝐴𝑦 = [1 14 3 ] = 60, 𝐴𝑧 = [1 2 14] = −90
16 3 −2 4 16 −2 4 3 16

‫׀‬A𝑥 ‫׀‬ −30 ‫׀‬A𝑦 ‫׀‬ 60 ‫׀‬A𝑧 ‫׀‬ −90


𝒙= = = 1, 𝒚 = = = −2 , 𝒛= = =3
‫׀‬A‫׀‬ −30 ‫׀‬A‫׀‬ −30 ‫׀‬A‫׀‬ −30

Luego la solución es: x=1, y=-2, z=3

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

Ejemplo2: Mediante regla de CRAMER resolver el sistema de ecuaciones lineales.

Y – 3z + 4w = -5
X -2z + 3w = -4
3x + 2y -5w=12
4x + 3y -5z = 5

Solución

El sistema tiene solución si el determinante de los coeficientes es diferente de cero.

0 1 −3 4
‫׀‬A‫ [ = ׀‬1 0 −2 3 ] = −30 ≠ 0
3 2 0 −5
4 3 −5 0
−5 1 −3 4 0 −5 −3 4
𝐴𝑥 = [ −4 0 −2 3 ] = -24 , 𝐴𝑦 = [ 1 −4 −2 3 ] = −48,
12 2 0 −5 3 12 0 −5
5 3 −5 0 4 5 −5 0
0 1 −5 4 0 1 −3 −5
𝐴𝑧 = [ 1 0 −4 3 ] = −24, 𝐴𝑤 = [ 1 0 −2 −4 ] = 24
3 2 12 −5 3 2 0 12
4 3 5 0 4 3 −5 5
𝐴𝑥 −24 𝐴𝑦 −48 𝐴𝑧 −24
𝒙= = = 1, 𝒚 = = =2, 𝒛= = = 1,
‫׀‬A‫׀‬ −24 ‫׀‬A‫ ׀‬−24 ‫׀‬A‫׀‬ −24
𝐴𝑤 24
𝒘= = = −1
‫׀‬A‫ ׀‬−24

La solución del sistema es: x=1, y=2, z= 1, w=-1.

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

EJERCICIOS RESUELTOS
1 2 3  1 
    2 1 0
1. Calcula los productos posibles entre las matrices A   1 1 1 , B   2  y C   
 0 1  1 1  3 4 5
   

SOLUCIÓN
1 2 3  1 8
    
A 3x 3·B 3x1  1 1 1  2  4  B3x1·A3x3. No es posible. A3x3·C2x3. No es posible.
0 1  1 1 1 

1 2 3  1 
 2 1 0    3 5 7  2 1 0    4 
C2 x 3·A 3x 3 
 
 1 1 1    7 15 8  B3x1·C2x3 No es posible. C2x 3·B3x1    2    
 3 4 5  0 1  1    3 4 5  1  16
   

 2 3 0 1   2
1  1 2   0 3 4    
2. Para las matrices A   , B    , C    5 1 4  2  y D   1  , realiza las
 4 0  3   1  2 3  1 0 0  3  3
   

siguientes operaciones:

a) A + B b) 3ª - 4B c) AB d) AD e) BC

f) CD g) AtC h) DtAt i) BtA j) DtD k) DDt

SOLUCIÓN

1 1 2   0 3 4  1 2 6 
a) A  B         
 4 0  3   1  2 3   3  2 0 

1 1 2  0 3 4   3  3 6   0 12 16  3  15  10
b) 3A  4B  3   4    
 4 0  3    1  2 3  12 0  9    4  8 12 16 8 21 

 2
 1  1 2    7 
c) A2x3·B2x3. No es posible. d) A2x 3·D3x1    1    
4 0  3     1
 3

 2 3 0 1 
 0 3 4     11 3 12  18
e) B2x 3·C3x 4     5 1 4  2     f) C3x4·D3x1. No es posible.
  1  2  3  1 0 0  3   5  5  8 14 
 

1 4
g) A = 1t
0 At3x2·C3x4. No es posible.
2 3

1 4  t
  7
h) D1t x 3·A 3t x 2  2 1 3  1 0   (7,1) También: Dt ·A t  (A·D)t     (7,1)
 2  3   1
 

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

0  1  4 0 3  2
  1  1 2     
i) B3t x 2·A2x 3   3  2      5  3 12  j) D1t x3·D3x1  2 1 3 1   14
4 4 0  3
 3    16  4  1
 
 3
 

 2  4 2 6
   
k) D3x1·D1t x 3   1 2 1 3   2 1 3 
 3  6 3 9
   

3. Calcula el rango de las siguientes matrices:

2  1 1 1
0 2 1     2 1 5 1 8 
1 0 1    0 0 1 0  
a)   b)  1 0  1 c) 2 1 d)  1 2 3 4 5 
2 1 0 0 4 2   1 1   1 3 10 11 13
  0 0 0 1   

SOLUCIÓN

1 0 1  1 0 1
a) rg    rg   rgA  2
2 1 0  0  1 2 2F F2

0 2 1   1 0  1  1 0  1
     
b) rg  1 0 - 1  rg  0 2 1   rg  0 2 1  rg  2
0 4 2  0 4 2  0 0 0 
     2F2 F3

2 1 1 1 2 1 1 1 2 1 1 1
     
0 0 1 0 0 0 1 0 0  2 0 0
c) rg   rg  rg rg  3
2 1 1 1  0  2 0
 0  0 0 1 0
 
0 0 0 1  0 0 0 1  0 0 0 1
   

 2 1 5 -1 8   1 3 10 11 13  1 3 10 11 13  1 3 10 11 13


       
d) rg  - 1 2 3 4 5   rg  - 1 2 3 4 5   rg  0 5 13 15 18  rg  0 5 13 15 18 rg  3
 1 3 10 11 13  2 1 5 1 8   0 5 15 23 18 0 0  2  8 0 
       

4. Calcula las matrices inversas, si existen, de las siguientes matrices:

  1 1 2  2 1 0 2 3 4
0 1 1 2   1 2      
a)   b)   c)   d)  1 0 3 e)  3 1 2  f)  5 6 7 
2 0 3 4  4 8  4 1 1 4 0 1  8 9 10 
     

SOLUCIÓN

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

0 1
A   
2 0 
0 1
A   2  0  A 1
2 0
( Aad) t
A 1 
a) A
 0 - 2  0  1
A11  0 A12  2 Aad     ( Aad) t   
1 0   2 0 
A 21  1 A22  0
1  0 - 1   0 1/2
A 1       
2 - 2 0  1 0 

Comprobación:

 0 1   0 1 / 2 1 0
A · A 1     
 2 0 1 0   0 1 

1 2 
A    A  2
3 4
 4  3  4  2 1  4  2   2 1 
b) Aad    ; (Aad)t    A-1       
 2 1    3 1  2   3 1   3 / 2  1 / 2 
1 2   1  4  2  1   2 0  1 0
A · A-1         -   
3 4   2   3 1  2  0  2   0 1 

 1 2
c) A    A  0  A 1
 4 8

2  1 0 2 1 0 5 0 2
  5 2
A  3 1 2 A  3 1 2  3 1 2   5  8  3
4 4 1
 0 1  4 0 1 4 0 1
1 2 3 2 3 1
A11  1 A12    (3  8)  5 A13   4
0 1 4 1 4 0
1 0 2 0 2 1
A 21   1 A22  2 A23    4
0 1 4 1 4 0
d) 1 0 2 0 2 1
A 31   2 A32    4 A33  5
1 2 3 2 3 1
 1 5  4  1 1  2
   
Aad   1 2  4 (Aad)t   5 2  4
 2  4 5   4  4 5 
   
1 1  2  1 / 3 1 / 3 2 / 3 
1   
A -1    5 2  4   5 / 3  2 / 3 4 / 3 
3  
- 4  4 5   4 / 3 4 / 3  5 / 3 

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

5. Resuelve la ecuación AX – B + C = 0, siendo:

 4 1  1 2 0 - 1 0  1 2 1
A   , B    y C   
  1 0   - 2 - 1 1 0  1 0  3 0

SOLUCIÓN

 4 1
A   
AX – B + C = 0   1 0
 1 2 0  1
B   
AX = B – C   2  1 1 0 
A1 · A · X = A-1 (B – C)
0  1 2 1
C   
IX = A-1 (B – C) 1 0  3 0
X = A-1 (B – C)

Cálculo de A-1

4 1
A   0  (1)  1  0  A 1
1 0
( Aad) t
A 1 
A
A11  0 A12  1
 0 1  0  1
 Aad     ( Aad) t   
  1 4  1 4 
A 22  1 A22  4
 0  1
 
1 4   0  1 
A 1     
1 1 4 
 0  1   1 2 0  1  0  1 2 1   0  1  1 3  2  2  3 1  4 0 
X              
 1 4    2  1 1 0   1 0  3 0   1 4    3  1 4 0  11  1 14  2 

 3  2  1
 
10. Resuelve la ecuación matricial B(2A+ 1) = AXA + B, siendo A    4 1  1 y
 2 0 1 

 1  1 2
 
B    1 0 1 .
 0  1 1
 

CURSO POR CONSEJERÍA – ALGEBRA LINEAL


ESPECIALIDA DE MATEMÁTICA E INFORMÁTICA

BIBLIOGRAFÍA UTILIZADA:

 Ron Larson, Bruce H. Edwards, David C. Falvo. “Álgebra lineal”, Edit. Pirámide- 5ta
Edición. Madrid 2004.
 Eduardo, Espinosa Ramos, “Vectores y Matrices”, Edit. Servicios Gráficos J.J-2da edición.
Lima 2004
 Zill y Dewar .Álgebra I, Editorial McGrawHill. Capítulos 9 y 10
 Lowel J. Paige y J. Dean Swift. "Álgebra lineal y teoría de matrices". Ed. Reverté.

 George Mostow y Joseph Sampson. "Algebra Lineal". Ed. McGraw-Hill.

REFERENCIAS ELECTRÓNICAS

 http://www.matematicasbachiller.com/temario/algebra/index.html, visto 02 de noviembre el 2010.

CURSO POR CONSEJERÍA – ALGEBRA LINEAL