Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capítulo1.-Matrices y Determinantes PDF
Capítulo1.-Matrices y Determinantes PDF
Matrices y Determinantes
El álgebra lineal es uno de los pilares básicos de la matemática aplicada. Las matrices
y los sistemas de ecuaciones lineales es el corazón del álgebra lineal, especialmente en
dimensión finita. En este capítulo repasaremos nociones fundamentales (algunas definiciones,
operaciones, propiedades, etc.) sobre matrices y determinantes, así como el algoritmo básico
para resolver sistemas de ecuaciones lineales: el algoritmo de Gauss. Incluiremos también
nuevos conceptos como el de matrices equivalentes, factorización LU, núcleo e imagen de
una matriz, etc., no tan conocidos y que serán esenciales para el desarrollo posterior de la
asignatura.
Veremos a lo largo de este curso que las matrices pueden ser consideradas desde otros
muchos puntos de vista:
5
6 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
también como un único objeto, que es además un elemento de una estructura algebraica.
etc.
Definición 1.1 Se llama conjunto a una colección de objetos. Los objetos del
conjunto se denominan elementos del conjunto.
Para describir los elementos de un conjunto se suele utilizar las llaves {}.
Ejemplos
Rn [x] = p(x) = a0 + a1 x + a2 x2 + · · · + an xn : ai ∈ R .
El conjunto R se puede sustituir por cualquier otro conjunto de números como N, Z o Q, expresando
así que los coeficientes ai del polinomio p(x) están en ese conjunto numérico. Por ejemplo:
Zn [x] = p(x) = a0 + a1 x + a2 x2 + · · · + an xn : ai ∈ Z .
El conjunto R[x] indicará el conjunto de todos los polinomios de cualquier grado con coeficientes en R.
Matrices y Determinantes 7
A ∩ B = {x : x ∈ A y x ∈ B}.
A ∪ B = {x : x ∈ A o x ∈ B}.
Ejercicio Básico 1.1 En el conjunto de los números naturales consideramos los subcon-
juntos A = {−7, −3, 1, 2, 5} y B = {−3, −2, −1, 0, 1, 2, 3}. Calcular A ∩ B y A ∪ B.
Ejercicio Básico 1.2 Expresar de otra forma el subconjunto A de R3 [x] dado por:
A1 × · · · × An = {(a1 , . . . , an ) : ai ∈ Ai , 1 ≤ i ≤ n} .
Ejemplos Los vectores del plano se determinan mediante un elemento del producto cartesiano del conjunto
R consigo mismo:
Vectores del plano ≡ R2 = R × R = {(x, y) : x, y ∈ R}
Los vectores del espacio se identifican con un triple producto cartesiano de R consigo mismo:
Rn = R × · · · × R = {(x1 , . . . , xn ) : xi ∈ R} .
Una aplicación se determina dando dos conjuntos y asociando a cada elemento del primero
un único elemento del segundo. Este concepto de aplicación incluye mucho más que la idea
8 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
de ser un procedimiento en el cual dados ciertos números permite calcular otros. Dándole
al término el significado más amplio, una aplicación puede no estar definida por ninguna
expresión numérica o analítica. Además, puede asociar a elementos de un conjunto cualquiera,
no necesariamente de números, elementos de otro conjunto cualquiera. La consideración de
aplicaciones en este sentido, sin restricciones sobre los conjuntos ni sobre la forma de asociar
elementos del primer conjunto a elementos del segundo, se justifica por su utilidad en todas
las ramas de la matemática. Veamos cómo se puede dar una definición formal del concepto
de aplicación que hemos esbozado.
f −1 (b) = {x ∈ A : f (x) = b} .
f −1 (Y ) = {x ∈ A : f (x) ∈ Y } .
Ejemplos Si f : R → R es la aplicación tal que f (x) = x2 para todo x ∈ R, entonces la imagen inversa de 0
por f es {0}, la de 1 es {−1, 1} y la de −1 es el conjunto vacío.
Matrices y Determinantes 9
Definición 1.6
En la práctica, para probar que una aplicación es inyectiva se prueba que la condición
f (a) = f (a′ ) implica necesariamente que a = a′ .
Ejemplos
2. La función f : N → N dada por f (n) = 2n no es suprayectiva, pues la imagen f (N), está formada sólo
por los números pares. En cambio, es suprayectiva la aplicación g de N en el conjunto de los naturales
pares, dada por g (n) = 2n.
5. Sean A ⊆ B conjuntos cualquiera. La aplicación inclusión i : A → B, definida por i (a) = a para todo
a ∈ A, es inyectiva. Si A 6= B, i no es suprayectiva.
Ejercicio Básico 1.3 Analizar si las siguientes aplicaciones son inyectivas, suprayectivas,
biyectivas o no tienen ninguna de estas propiedades. Hallar también la imagen de cada una
de ellas.
(d) f : R[x] → R[x], tal que f (p(x)) = 2p(x), para todo p(x) ∈ R[x], (R[x] denota el conjunto de
todos los polinomios con coeficientes reales e indeterminada x);
(e) f : Z[x] → Z[x], tal que f (p(x)) = 2p(x), para todo p(x) ∈ Z[x], (Z[x] denota el conjunto de
todos los polinomios con coeficientes en Z e indeterminada x);
Entonces
∗ : A × A −→ A
(a, b) ∗(a, b) := a ∗ b
∗ : K × A −→ A
(λ, a) ∗(λ, a) := λ ∗ a
con a ∈ A y λ ∈ K.
Matrices y Determinantes 11
Ejemplos
2. Sea B = P(A) donde A es un conjunto, entonces la unión de conjuntos es una operacion binaria interna.
4. La suma y el producto de las matrices cuadradas en Rn×n son operaciones binarias internas.
(a) ∗ es conmutativa si
a ∗ b = b ∗ a,
(b) ∗ es asociativa si
(a ∗ b) ∗ c = a ∗ (b ∗ c),
e ∗ a = a ∗ e = a, ∀a ∈ A,
a ∗ a′ = a′ ∗ a = e.
En general indicaremos con mayúsculas las matrices, y con la letra minúscula corres-
pondiente, a sus entradas. Por ejemplo, la matriz A con entradas aij la indicaremos
por
i=1,...,m
A = (aij )j=1,...,n ,
o más brevemente A = (aij ) cuando las dimensiones estén claras. El primer índice i indica
la fila y el segundo j la columna a la que pertenece la entrada. A veces, para evitar
introducir nuevas letras, denotaremos la entrada aij por Aij .
Los vectores fila de dimensión n (esto es, los elementos que pertenecen al conjunto Rn )
se pueden identificar de manera natural con los vectores columna R n×1 . Esto quiere
a1
.
decir que para nosotros el vector fila (a1 , . . . , an ) y el vector columna .
. representa
an
el mismo .objeto"matemático. Las identificaciones de este estilo son muy frecuentes
en matemáticas y permiten enfocar de distintos puntos de vista un mismo problema
matemático. Así pues, de ahora en adelante, para nosotros vector fila y un vector
columna con las mismas entradas será lo mismo.
Dos matrices son iguales si tienen el mismo tamaño y las mismas entradas en las
mismas posiciones. Dicho de otro modo si A y B son dos matrices m × n entonces A = B
si, y sólo si,
aij = bij ∀i = 1, . . . , m, j = 1, . . . , n.
i=1,2
Ejemplo 1.2 La matriz (1/(2i + j))j=1,3 es igual a la matriz
!
1 1 1
3 4 5 .
1 1 1
5 6 7
Matrices y Determinantes 13
Si ! !
1 2 2 1
A= √ , B= √ ,
2 1 2 1
entonces A 6= B pues a11 = 1 6= 2 = b11 .
Aunque hemos definido una matriz A ∈ Rm×n como un conjunto de números ordenados
rectangularmente, también es conveniente (y mucho más apropiado para algunos fines)
considerarlas como conjuntos de m vectores fila o de n vectores columna. Esa es la razón
por la que introducimos la siguiente notación para los vectores fila y los vectores columna
de una matriz.
Notación 1.12 El vector columna A∗j representa el vector que forma la j-ésima columna
de A, esto es,
a1j
a2j
A∗j = .
, 1 ≤ j ≤ n.
..
amj
Diremos que A es una matriz cuadrada cuando tiene idéntico número de filas
que de columnas. Este número común n se denomina orden o dimensión de
la matriz.
Los elementos destacados a11 , a22 , a33 , . . . , ann constituyen la diagonal de la ma-
triz A.
entonces
1 1 1 1
1 2 0 0 2 −1 1+0 2 + 2 0−1
1 2 −1 + 2 2 0 = 1+2 2 + 2 −1 + 0
√ √
0 −1 2 1 −2 2 0 + 1 −1 − 2 2+2
1 1 −1
= 3 4 −1
√
1 −3 2+2
√ !
√ 2 1
Ejemplo 1.4 Sea λ = 2 y A = √ entonces
0 − 2
√ ! √ √ √ ! √ !
√ 2 1 2( 2) 2(1) 2 2
2· √ = √ √ √ =
0 − 2 2(0) 2(− 2) 0 −2
Resulta útil destacar algunas de las propiedades que tienen estas operaciones.
(S4) existencia de opuesto: Para cada A ∈ Rm×n existe B ∈ Rm×n tal que A + B = O
(Notación: B = −A).
A las operaciones de suma y multiplicación por escalares, en el caso de las matrices, vamos
a agregar un producto entre ellas. En un primer vistazo y por analogía con las operaciones
ya definidas, puede parecer razonable definir el producto de matrices como producto entrada
a entrada. Sin embargo no es ese el camino a seguir, nuestro producto será algo más
complicado pero, como mostraremos más adelante, extremadamente útil.
! !
2 −1 1 2
Ejemplo 1.5 Sea A = yB= calculemos su producto
0 2 −1 3
! ! !
2 −1 1 2 2·1 + (−1)(−1) 2(2) + (−1)3
= =
0 2 −1 3 0·1 + 2(−1) 0·2 + 2·3
!
3 1
=
−2 6
Es importante observar que las matrices no deben ser necesariamente del mismo tamaño
para poder multiplicarlas. De hecho si se mira con cuidado la definición se observa que para
poder hacerlo la cantidad de columnas de la primera debe coincidir con la cantidad de filas
de la segunda.
La siguiente observación nos proporciona otra visión del producto de matrices que puede
llegar a ser bastante útil tanto a nivel teórico como práctico.
Observación 1.19 Imaginemos que queremos multiplicar una matriz cualquiera por una
matriz columna, pongamos como ejemplo las matrices
1 2 1 x
A = 2 1 1 , X = y
1 1 2 z
observemos que el producto se puede plantear como una suma de productos de escalares
por vectores columnas, esto es:
1 2 1 x x + 2y + z 1 2 1
AX = 2 1 1 y = 2x + y + z = x 2 + y 1 + z 1 .
1 1 2 z x + y + 2z 1 1 2
De la misma forma podemos considerar el producto de las matrices
1 2 1
X= x y z , A= 2 1 1
1 1 2
como una suma de productos de vectores fila por escalares, esto es:
1 2 1
XA = x y z 2 1 1 = x + 2y + z 2x + y + z x + y + 2z
1 1 2
=x 1 2 1 +y 2 1 1 +z 1 1 2
x1
..
En general, si A ∈ Rm×n y X = . es un vector columna, podemos generalizar el ejemplo
xn
anterior utilizando notación matricial
Podemos combinar las ecuaciones (1.1) y (1.2) para hacer el producto de dos matrices
genéricas utilizando combinaciones de vectores filas y columnas. Sea A = (aij ) una matriz
m × n y B = (bjk ), si designamos C = A·B, entonces la k-ésima columna de C es C∗k = AB∗k y
la k-ésima fila de C es Ck∗ = Ak∗ B. Esquemáticamente:
A·B∗1 A·B∗2 . . . A·B∗n
A·B =
...
18 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
y
A1∗ ·B
A2∗ ·B
A·B = .. .. ..
. . .
Am∗ ·B
¿Por qué esta observación? Entre otras cosas, porque en muchos casos permite agilizar
la multiplicación de matrices, e incluso reduce el número de errores en la multiplicación,
especialmente cuando hay un número elevado de ceros en las matrices involucradas. El
siguiente ejemplo clarifica las fórmulas anteriores.
! 1 1
2 1 0
Ejemplo 1.7 Sea A = y B = 2 1 entonces
1 2 1
1 1
! 1 1 ! 1 ! 1
2 1 0 2 1 0 2 1 0
A·B = 2 1 = 2 | 1
1 2 1 1 2 1 1 2 1
1 1 1 1
1 1
2 1 0 2 1
!
1 1 4 3
= =
1 1 6 4
1 2 1 2 1
1 1
Naturalmente el contraejemplo solo indica que, en general, A·B 6= B·A lo cual no significa
que no existan matrices que conmuten.
Ejercicio Básico 1.5 Describe con palabras qué se obtiene al multiplicar una matriz
diagonal por una matriz cualquiera. ¿Y si multiplicamos una matriz cualquiera por una
matriz diagonal?
Ejercicio Básico 1.6 ¿Cuáles de las siguientes pares de matrices conmutan bajo la mul-
tiplicación de matrices?
Matrices y Determinantes 19
! !
1 2 2 3
(a) , .
−2 1 5 0
3 −1 !
4 2 −2
(b) 0 2 , .
5 2 4
1 4
3 0 −1 2 0 −1
(c) −2 −1 2 , 1 1 −1.
2 0 0 2 0 −1
(a) Si AB = 0, entonces A = 0 ó B = 0.
(b) A y A2 conmutan.
C · (A + B) = C·A + C·B.
(A + B) · C = A·C + B·C
Otra operación básica es el intercambio de filas y columnas. Cuando una matriz obedece
a ciertas propiedades de invarianza bajos estos intercambios, entonces verifican algunas
propiedades privilegiadas que facilitan su estudio. Además, esta clase de matrices son de
capital importancia tanto en Física como en la propia Matemática, y merecen un estudio
especial.
20 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
! 1 2
1 2 3
Ejemplo 1.8 Sea A = entonces AT = 2 1
2 1 1
3 1
! !
1 2 1 2
Sea B = entonces B T = , entonces B = B T y, por tanto, la matriz B es simétrica.
2 3 2 3
0 2 −1 0 −2 1
Sea C = −2 0 1 entonces C T = 2 0 −1 por lo tanto C T = −C y, por tanto, la
1 −1 0 −1 1 0
matriz C es antisimétrica.
1
−2
Sea D =
entonces D T = 1 −2 2 0 . Obsérvese que la traspuesta de una matriz columna
2
0
es una matriz fila.
2. (λA)T = λAT .
3. (A·B)T = B T ·AT .
4. (AT )T = A
Definición 1.23 Dada A = (aij ) una matriz cuadrada, la suma de los elementos de
su diagonal se denomina traza de A.
n
X
tr(A) = aii
i=1
2. tr(λA) = λ tr(A)
3. tr(AB) = tr(BA)
Definición 1.24 (Matriz invertible) Sea A una matriz n×n. Diremos que la matriz
A es invertible o regular si y solo si existe B matriz n × n tal que
A · B = In y B · A = In (1.3)
Cuando una matriz es regular, la matriz B que cumple (1.3) es única, en efecto: Sean
B1 y B2 matrices n × n que cumplen (1.3)
0 0 0 g h i
se cumple que
1 1 2 a b c a+d b+e c+f
A · B = 1 −1 −1 d e f = a − g b − h c − i 6=
0 0 0 g h i 0 0 0
1 0 0
6= 0 1 0 = I
0 0 1
(b) Si la matriz A tiene inversa, entonces la matriz A−1 también la tiene, siendo
(A−1 )−1 = A
b 0 1 −b 0 1
1 0 0
¿Cuál es la inversa de la matriz M = a 1 0?
b c 1
En esta sección recordamos los conceptos básicos de los sistemas de ecuaciones linea-
les y algunos problemas que conducen a su consideración. En esta primera aproximación
buscaremos enfatizar sobre la resolución sistemática y algorítmica de los sistemas. Para un
estudio completo de la estructura que tiene el conjunto de las soluciones de un sistema de
ecuaciones es necesario introducir algunas de las nociones básicas del Álgebra Lineal: espa-
cio y subespacio vectorial, conjuntos generadores, dependencia e indepedencia lineal, bases,
etcétera.
Un sistema de ecuaciones lineales puede tener solución (en este caso diremos que el
sistema es compatible) o no tenerla (sistemas incompatibles). Para trabajar de forma siste-
mática con un sistema lineal cualquiera necesitamos, para empezar, una notación adecuada.
Matrices y Determinantes 23
Emplearemos más de una a lo largo del curso, pero comenzamos por introducir la que sólo
consiste en sistematizar los nombres de las todas las variables en juego.
son un dato que supondremos conocido (son lo que llamaremos los coeficientes del sistema),
al igual que los números
bj , j = 1, . . . , m,
tales que se satisfagan las m ecuaciones en (1.4). Nos referiremos a un sistema de este
tamaño como a un sistema m × n, donde m hace referencia a la cantidad de ecuaciones, y n
a la de incógnitas.
El problema de hallar los valores xi de las n incógnitas puede pensarse como el problema
de hallar una única lista
X = (x1 , x2 , . . . , xn )
de n números. En una primera consideración no parece haber una gran ventaja en este
enfoque, pero estas listas de números pueden ser vistas como vectores, elementos de
una estructura algebraica y geométrica que nos ayudará muchísimo en la manipulación
y comprensión de los sistemas lineales.
A la luz de la observación precedente podemos afirmar que una solución del sistema
(1.4) es una lista de n números
(α1 , α2 , . . . , αn )
Ejemplo 1.11 Vamos a discutir en este ejemplo tres sencillos sistemas reales 2 × 2.
24 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
1. El sistema (
x + y = 1,
x − y = 1,
tiene una única solución x = 1, y = 0. Es evidente que este par de números es una solución del sistema.
Además, es la única, porque si sumamos las dos ecuaciones del sistema obtenemos 2x = 2, lo que
implica x = 1. Y al restar la segunda de la primera nos encontramos con 2y = 0, que sólo puede ser
satisfecha por y = 0.
3. Pero el sistema (
x + y = 1,
2x + 2y = 2,
admite infinitas soluciones. Todas las parejas (α, 1 − α), con α ∈ R, satisfacen ambas ecuaciones.
Ejercicio Básico 1.9 Determinar si las listas que se especifican son o no son soluciones
del sistema dado. Las ternas (1, −1, 1) y (2 − 3α, α, −1 + 2α), donde α es cualquier número real,
para el sistema
x+y+z =
1,
x − y + 2z = 0,
x − 3y + 3z = −1.
El Ejemplo 1.11 y el Ejercicio 1.9 muestran que un sistema lineal puede tener una única
solución, ninguna o muchas. Nuestra tarea al estudiarlos será encontrar y describir la solución
en el sentido de la siguiente definición.
Ejemplo 1.12 Los conjuntos solución de los sistemas del ejemplo 1.11 son {(1, 0)}, el conjunto vacío y el
conjunto
{(α, 1 − α); α ∈ R},
respectivamente.
Todas las operaciones que hagamos sobre los sistemas de ecuaciones estarán justificadas
por las propiedades que tienen las operaciones de suma y producto en un conjunto con
estructura de cuerpo. Sin ir más lejos, observemos que para que el problema que estamos
planteando tenga algún sentido tienen que estar definidas las operaciones de producto y
suma que aparecen en las ecuaciones. Esto implica que los resultados que aquí se presentan
sobre R se pueden extender a cualquier cuerpo K.
ax = b, (1.5)
donde a y b son dos números reales cualesquiera. En pocos renglones podemos discutir con total generalidad
cómo es el conjunto solución.
Si a 6= 0 entonces el sistema tiene una única solución, independientemente del valor de b. Sólo tenemos
que multiplicar ambos lados de la ecuación (1.5) por el inverso a−1 del número a, para concluir que si
x es una solución entonces x = a−1 b. Este número es la única solución de la ecuación.
Si a = 0 tendremos
ax = 0x = 0,
• si b 6= 0 entonces, para cualquier x tendremos 0x 6= b. Por lo tanto no hay solución del sistema;
Conviene introducir aquí una terminología más o menos corriente que emplearemos a lo
largo del curso.
1
Un cuerpo K es una estructura algebraica más general. En particular R y C son cuerpos
2
En realidad tienen tantas como elementos tenga el cuerpo K sobre el que estamos trabajando, porque
cualquier número en el cuerpo es solución. Si el cuerpo es infinito -este es el caso para, por ejemplo, Q, R o
C- entonces la ecuación tiene infinitas soluciones. Pero hay cuerpos con un número finito de elementos -por
ejemplo los Zp con p un número primo- donde la solución no es única, pero hay un número finito de ellas.
26 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
(a) compatible: si existe alguna solución. En este caso tenemos dos posibilidades:
z = 2.
2y + 2 = 8 ⇒ 2y = 6 ⇒ y = 3.
Finalmente con los valores de y y z hallados “subimos” a la primera ecuación y sustituyendo se tiene que
x + 3 + 2 × 2 = 8 ⇒ x = 1.
x = 1, y = 3, z = 2.
Podemos escribir esta solución como la lista de tres números reales (1, 3, 2). El conjunto de soluciones del
sistema es {(1, 3, 2)}. El procedimiento de despejar una incógnita en una ecuación y sustituirla en otra de
arriba se denomina sustitución hacia arriba, y es posible por la forma particular de este sistema.
3
Gauss fue uno de los grandes matemáticos de toda la historia. El nombre de escalonar tiene que ver con la
forma que adopta el sistema al cabo de un número finito de pasos, después de los que queda convertido en un
problema cuya solución es obvia, como el de nuestro próximo ejemplo.
Matrices y Determinantes 27
Definición 1.29 Diremos que un sistema como el del Ejemplo 1.14 , en el que
está escalonado, por la forma de “escalera” que adoptan sus ecuaciones al ser
escritas.
Para estos sistemas escalonados tenemos un método fácil de resolución: calcular las
incógnitas que aparecen en las últimas ecuaciones e ir sustituyendo de forma ascendente
o hacia arriba.
Naturalmente, toda la información que necesitamos sobre el sistema lineal está encerrada
en la matriz ampliada (A|B). Veremos más adelante que, en realidad, mucha de la información
relevante acerca del sistema sólo depende de la matriz A formada por sus coeficientes.
La definición anterior introduce una notación más compacta (matricial) para un sistema
de ecuaciones.
2 4 −3 2 4 −3 1
Esta notación más compacta simplificará la escritura e implementación del algoritmo de eliminación de
Gauss.
Antes de mostrar con un ejemplo la implementación del método de Gauss con la notación
matricial vale la pena hacer algunas observaciones.
Observación 1.32 Cada fila de la matriz del sistema corresponde a una de las ecuaciones
del sistema. Las operaciones del método de Gauss se traducirán entonces en operaciones
sobre las filas de la matriz. En particular, las transformaciones elementales serán, en este
contexto, las siguentes:
Cada incógnita del sistema queda en correspondencia con una de las columnas de la matriz
A del sistema. Una entrada aij igual a 0 en la matriz A es equivalente a que la incógnita xj
no aparezca en la i-ésima ecuación.
Ejemplo 1.16 (Método de Gauss en notación matricial) Vamos a reescribir los pasos del Ejemplo ?? en
notación matricial. Esto permite conseguir bastante economía en la notación. El sistema original queda
expresado en la forma:
1 1 2 8
1 2 1 0 .
2 1 1 4
Cada ecuación está ahora representada por una fila de coeficientes en la matriz ampliada del sistema.
Definición 1.33 Llamaremos pivote a la primera entrada no nula de cada fila de una
matriz.
Con esta terminología podemos describir la eliminación de Gauss como un procedimiento que busca, a
través de la aplicación reiterada de las transformaciones elementales, dejar un único pivote por columna. En
cada paso y una vez escogido un pivote, lo empleamos para eliminar todos los otros pivotes de la misma
columna.
30 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
Paso 1. Las operaciones que antes hacíamos con las ecuaciones deben hacerse ahora sobre filas de coeficientes.
Escogemos el pivote 1 en la primera fila, y restamos entonces esta primera fila de la segunda para hacer
aparecer un cero en el primer lugar de la segunda fila (esto es equivalente a hacer desaparecer la variable x
en la ecuación correspondiente). Luego multiplicamos la primera fila por 2 y la restamos de la tercera. El
resultado es
1 1 2 8
0 1 −1 −8 .
0 −1 −3 −12
0 0 −4 −20
cuya solución podemos calcular directamente. La tercera ecuación implica z = 5. Al sustituir en la segunda
podemos despejar y = −3. Finalmente, la primera implica x−3+2×5 = 8, por lo que x = 1. El procedimiento
de escalonar y resolver el sistema escalonado sustituyendo hacia arriba nos permite hallar el conjunto solución
del sistema original.
Definición 1.34 Llamaremos matriz escalonada a una matriz que cumpla las
siguientes condiciones:
1. todas las filas, salvo quizás la primera, comienzan con una sucesión de ceros;
2. cada fila tiene al principio por lo menos un cero más que la fila inmediata
superior.
Escalonar una matriz es llevarla a una forma escalonada por medio de transforma-
ciones elementales (ver la observación 1.32, en la página 29). Si A′ es una matriz
que se obtiene escalonando otra matriz A, entonces diremos que A′ es una forma
escalonada de A. Diremos que un sistema está escalonado si su matriz ampliada
lo está. Escalonar un sistema es encontrar otro sistema escalonado equivalente.
Naturalmente, escalonar un sistema es equivalente a escalonar la matriz ampliada
del sistema.
0 0 0 4 8 2 −2 ←− F5 − F1 .
Hemos anotado al margen de la matriz las transformaciones que en este primer paso fueron hechas a la matriz
ampliada del sistema. Creemos que la notación empleada se explica por sí sola.
En el ejemplo 1.16, se utilizaba la entrada a22 en el segundo paso del método para conseguir ceros en
la segunda columna. Aquí esto no es posible pues la segunda columna ya tiene todas sus entradas, salvo
la primera, nulas. En consecuencia, el segundo escalón deberá estar en la tercera columna, donde aparece
la entrada no nula a23 . Por debajo de a23 sólo hay ceros, así que continuamos nuestro algoritmo usando
el pivote 2 de la entrada a34 . He aquí la matriz que se obtiene, junto con la indicación de las operaciones
realizadas:
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 2 4 2 0
0 0 0 0 0 2 2
0 0 0 0 0 −2 −2 ←− F5 − 2F3
En el tercer paso operaremos sobre la sexta columna:
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 2 4 2 0
0 0 0 0 0 2 2
0 0 0 0 0 0 0 ←− F5 + F4 .
Ya tenemos la forma escalonada, con pivotes en las columnas primera, tercera, cuarta y sexta. El sistema
lineal, equivalente al sistema original en el sentido de que tiene exactamente las mismas soluciones, que
corresponde a esta matriz es
x1 + 2x2 + x3 + x5 + x6 = 1,
2x3 + x4 + x5 = 1,
2x4 + 4x5 + 2x6 = 0,
2x6 = 2.
32 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
Esto no permite determinar x4 ni x5 , pero podemos dejar expresada una incógnita en términos de la otra.
Expresemos x4 , una variable que corresponde a una columna con un pivote en la forma escalonada, en
términos de x5 , como
x4 = −1 − 2x5 .
Sustituyendo en la segunda ecuación obtenemos
x5
x3 = + 1.
2
Combinando toda esta información con la primera ecuación resulta
3x5
x1 + 2x2 + + 1 = 0. (1.8)
2
Nuevamente escogemos despejar la variable que corresponde al pivote para escribir
3x5
x1 = −2x2 − − 1.
2
Asignamos los parámetros α y β a las variables x2 y x5 , respectivamente. Concluimos entonces que las
soluciones son
3 1
x1 = −1 − 2α − β, x2 = α, x3 = 1 + β, x4 = −1 − 2β, x5 = β, x6 = 1. (1.9)
2 2
donde α y β son dos parámetros reales que podemos fijar a nuestro antojo. La solución no es única, pero
puede describirse completamente en términos de los parámetros α y β. Las ecuaciones (1.9) se denominan
ecuaciones paramétricas de la solución.
Observación 1.35 (Variables libres) La razón para despejar las variables de las columnas
con pivotes (x4 de la ecuación (1.7), x1 de (1.8)) es que siempre es posible despejar la
variable que está multiplicada por el pivote en términos de las otras porque su coeficiente,
el pivote, es no nulo. Despejar las otras variables podría ser imposible. He aquí un ejemplo:
si la forma escalonada de una matriz ampliada es
!
1 0 1 0 0
0 0 1 2 0
Enfaticemos que siempre es posible expresar las soluciones del sistema en términos de
las variables libres4 . A cada una de estas variables le asociaremos un parámetro, que se
corresponde con un grado de libertad dentro del conjunto solución del sistema. Las variables
x2 y x5 son las variables libres en el Ejemplo 1.17, y representan los parámetros de las
ecuaciones paramétricas. Existe una relación obvia, pero de mucha utilidad, que relaciona
el número de parámetros (o de variables libres), el número de incógnitas y el número de
pivotes en un sistema escalonado:
4
Lo que no excluye la posibilidad de que las soluciones puedan expresarse en términos de otras variables, que
incluyan a algunas de las que corresponden a columnas con pivotes.
Matrices y Determinantes 33
Solución.-
x =2+ 8α
1 7 35
(a) x2 = 79 + 137 α
(b) x = 4; y = 1; z = −2
x3 = α
(c) x = 1; y = −1; z = −3
1 −3 4 2
Solución.- x = −α + 12 ; y = α − 12 ; z = α.
Ejercicio Básico 1.12 Hallar todas las soluciones del sistema cuya matriz ampliada es
2 −3 −7 5 2 −2
1 −2 −4 3 1 −2
2 0 −4 2 1 3
1 −5 −7 6 2 −7
Solución.- x1 = 2α − β + 1; x2 = −α + β + 2; x3 = α; x4 = β; x5 = 1
Ejemplo 1.18 Volvamos al problema del ejemplo 1.16. Después de escalonar el sistema habíamos obtenido
la matriz
1 1 2 8
0 1 −1 −8 . (1.11)
0 0 −4 −20
Busquemos ahora eliminar las entradas que corresponden a la variable z en la primera y segunda ecuación.
Dividiremos la última ecuación entre −4. Luego la sumaremos a la segunda. También haremos la operación
34 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
0 0 1 5
Por último, hacemos aparecer un 0 en el segundo lugar de la primera fila, restando la segunda ecuación a la
primera. El resultado final es
1 0 0 1
0 1 0 −3 .
0 0 1 5
El sistema asociado a esta matriz es, naturalmente,
x = 1,
y = −3,
z = 5,
Ejemplo 1.19 Retomamos el sistema del Ejemplo 1.17 en el punto en que habíamos escalonado la matriz
del sistema. Teníamos que
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 2 4 2 0
0 0 0 0 0 2 2
0 0 0 0 0 0 0
era la matriz asociada al sistema escalonado. Usaremos ahora los pivotes para hacer aparecer ceros por
encima de ellos. Como paso previo dividimos las filas tercera y cuarta por sus pivotes,
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 1 2 1 0 .
0 0 0 0 0 1 1
0 0 0 0 0 0 0
Luego comenzamos por hacer aparecer ceros sobre el pivote de la última columna, y obtenemos
1 2 1 0 1 0 0 ←− F1 − F4 ,
0 0 2 1 1 0 1
0 0 0 1 2 0 −1
←− F3 − F4 .
0 0 0 0 0 1 1
0 0 0 0 0 0 0
0 0 0 0 0 0 0
Matrices y Determinantes 35
Ahora lo hacemos con el de la segunda columna, y dividimos la segunda fila entre 2 para que su pivote quede
igual a 1. El resultado final es
3
←− F1 − 12 F2 ,
1 2 0 0 2 0 −1
0 0 1 0 − 12 0 1 ←− 21 F2 ,
0 0 0 1
2 0 −1 (1.12)
0 0 0 0 0 1 1
0 0 0 0 0 0 0
donde hemos enfatizado además la “forma escalonada” que tiene la matriz. El sistema de ecuaciones asociado
con esta matriz es
x1 + 2x2 + 32 x5 + = −1,
1
x3 − 2 x5 = 1,
x4 + 2x5 = −1,
x6 = 1,
y ahora es completamente directo despejar x1 , x3 y x4 en términos de las variables x2 = α y x5 = β para
reencontrar el conjunto de soluciones en forma paramétrica
3 1
−1 − 2α − β, α, 1 + β, −1 − 2β, β, 1 ; α, β ∈ R .
2 2
Insistamos en que los parámetros no pueden determinarse completamente. Por ello hemos elegido expresar
todo en términos de α = x2 y β = x5 , de tal modo, que cada pareja de valores reales asignados a α y β
determina una solución del sistema. Por ejemplo, la elección más sencilla de todas es
α = β = 0,
Si x2 = 0 y x5 = 1 se tiene la solución
El sistema es compatible e indeterminado, porque tiene más de una solución. Además sabemos como cons-
truirlas todas. El proceso de escalonar selecciona a las variables x2 y x5 como variables libres, y en términos
de x2 y x5 , cuyos valores pueden ser fijados arbitrariamente, hemos escrito todas las soluciones. El sistema
tiene entonces dos grados de libertad. No nos extendemos mucho más sobre esto, porque será el objeto de
estudio posteriormente, pero dejamos planteado un ejercicio para el lector.
Ejercicio 1.13 Mostrar que todas las soluciones del sistema de este ejemplo también
pueden escribirse en términos de las variables x1 y x4 , pero que es imposible expresarlas en
función de x1 y x2 .
Vemos en nuestros últimos dos ejemplos que escalonar “hacia arriba" a partir de la
forma escalonada de la matriz, nos permite llegar a una nueva matriz, escalonada,
equivalente a la forma escalonada que ya habíamos obtenido y a la original, tal que
2. las columnas correspondientes a los pivotes tienen todas las entradas nulas, salvo
el pivote.
Notemos que siempre que tengamos una matriz escalonada reducida es posible, si
el sistema es compatible, despejar directamente las variables de las columnas de los
pivotes, y expresarlas en función de las entradas en la última columna de la matriz
ampliada y de las variables libres (parámetros).
Observación 1.38 A lo largo de esta sección hemos introducido, casi sin darnos cuenta,
algunas operaciones algebraicas con las filas de las matrices asociadas a los sistemas lineales.
Por ejemplo en el primer paso del Ejemplo 1.16 nos referimos al resultado de multiplicar
por dos cada uno de los números en la fila (1, 1, 2, 8) para obtener la fila (2, 2, 4, 16) como la
operación de multiplicar por 2 la fila (1, 1, 2, 8). Es decir, interpretamos que
También nos hemos referido al resultado de sumar entrada a entrada las dos filas (0, 1, −1, −8)
y (0, −1, −3, −12) como a la operación de sumar ambas filas. En otras palabras
(0, 1, −1, −8) + (0, −1, −3, −12) = (0, 0, −4, −20).
En general, observemos que todo esto es equivalente a definir las siguientes operaciones
para filas (listas) de cuatro números:
α(x1 , x2 , x3 , x4 ) = (α x1 , α x2 , α x3 , α x4 ).
Estas operaciones entre filas, o listas, de números son bastante naturales, y, por supuesto,
su definición puede extenderse a listas de longitud cualquiera, tanto filas (listas escritas en
forma “horizontal") como columnas (escritas en “vertical"). La existencia de estas operacio-
nes dota al conjunto Rn formado por listas de n números en el cuerpo R de una estructura
algebraica. Por eso nos referiremos a este conjunto como el espacio, o espacio vectorial, Rn .
Desarrollaremos más estas ideas en el Capítulo 2 de “Espacios Vectoriales” y siguientes,
pero vale la pena ir introduciendo la idea de llamar espacio vectorial a un conjunto (en este
caso el conjunto Rn ) que está dotado del tipo de estructura algebraica descrita anteriormen-
te. Esta estructura nos será útil para describir las soluciones de los sistemas de ecuaciones
lineales.
Matrices y Determinantes 37
Hasta este momento hemos usado el algoritmo de Gauss, y resuelto unos cuantos sistemas
de ecuaciones con él. El lector podría preguntarse si cualquier matriz puede ser llevada a
una forma escalonada. La respuesta es que sí. Y la demostración no pasa de ser un análisis
cuidadoso del método. Todo esto está contenido en el siguiente resultado teórico.
Proposición 1.39 Toda matriz puede ser transformada en una matriz escalonada
mediante una cantidad finita de transformaciones elementales. En consecuencia,
todo sistema lineal es equivalente a uno escalonado.
Observación 1.40 Notemos que para llegar a la forma escalonada no es necesario usar
la transformación elemental que consiste en multiplicar una fila de la matriz o una ecuación
de un sistema por un número distinto de cero. Usaremos esta observación en la sección
dedicada al cálculo de determinates.
La matriz
..
1 ··· ··· ··· ··· ··· ··· ··· ···
. .
.. .. .. . .. .. ..
. · · · ..
. . . ··· . ..
.
..
··· ··· 1 ··· ··· · · · · · · · · · . ←− Fila j
.. .. .. .. .. .. . . .. ..
. . . 1 . . . . . .
.. .. .. .. ..
. (1.15)
E3 = .
. . · · · .. ··· ··· ··· . .
. .. .. .. ..
.. . . ··· ··· 1 ··· ··· . .
. . ..
. .. ←− Fila i
. α ··· ··· ··· 1 ··· .
. .. .. . .. .. . . .. ..
.
. . . · · · .. . . . .
.
..
··· ··· ··· ··· ··· ··· ··· ··· 1 .
está asociada a la transformación elemental e3 “sumarle a fila i un múltiplo de la fila j”, pues E3 se obtiene
de la matriz identidad I aplicando dicha transformación
transf.elemental e3
I −→ E3
Matrices y Determinantes 39
transf.elemental e
I −→ E
1 4 4 0 3 0 1
asociada a la transformación elemental e de sumarle a la tercera fila 3 veces la primer fila. Sea A′ la matriz
que se obtiene de A si se le aplica la transformación elemental considerada
1 0 2 1 transf.elemental e 1 0 2 1
′
A = 2 −1 3 6 −→ 2 −1 3 6 = A
1 4 4 0 4 4 10 3
1 0 2 1
y operando se verifica que A′ = EA = 2 −1 3 6
4 4 10 3
40 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
Sea A una matriz cualquiera, en virtud de la Proposición 1.39 (Método de Gauss) A puede
escalonarse mediante una cantidad finita, e1 , e2 . . . , ek de transformaciones elementales. Sea
A′ una forma escalonada de A, esquematizamos como sigue el proceso de escalonar:
transf.elemental e1 transf.elemental ek
A −→ ······ −→ A′ .
La Proposición 1.44 garantiza que toda matriz puede ser escalonada y, además, en un
número finito de pasos. Este hecho nos permite una definición coherente de rango de una
matriz. No obstante el rango de una matriz se puede introducir de muchas otras formas
equivalentes entre sí.
Matrices y Determinantes 41
Cuando calculamos la forma escalonada de una matriz solemos trabajar por filas. Pero
podríamos trabajar análogamente con columnas (¡nunca en el caso de que el fín sea resolver
un sistema de ecuaciones lineales!) y definir el rango (por columnas) de la misma manera.
Se puede probar que el rango tal y como lo hemos definido aquí y el rango por columnas es
exactamente el mismo, lo que nos permite hablar de rango sin distinción de filas o columnas.
(i) El rango de A es r.
4 3 7 −2 4 3 2 −1 −2
(c) 7
2 1 3 −1 5 4 −2 1
(a)
2
0 0 3 2 1 2 −1 8
2 0 2 −1
2 3 −1 1 1
1 0 2 −1 1 0 2 2 2
(d)
(b) 3 1 1 0 1 1 0 1 1
−1 1 −6 2 1 0 −1 −1 0
Solución.-
De la propia definición, el tamaño y el rango de una matriz son invariantes por transfor-
maciones elementales de la matriz. Dada una matriz A de un cierto rango, nos preguntamos
cuál es la matriz más “sencilla" del mismo rango que A que podemos obtener realizando
transformaciones elementales por filas y columnas. La respuesta la da el siguiente resulta-
do, cuya demostración se basa, esencialmente, en realizar las transformaciones elementales
adecuadas por columnas a la forma de Hermite (matriz escalonada reducida) de la matriz
A.
Teorema 1.50 (Forma canónica equivalente) Sea A ∈ Rm×n una matriz de rango
r = rg(A). Entonces existen matrices cuadradas regulares P ∈ Rm×m y Q ∈ Rn×n tales
que !
Ir 0r×(n−r)
P AQ =
0(m−r)×r 0(m−r)×(n−r)
donde Ir es la matriz identidad de orden r y los demás bloques denotan las ma-
trices nulas de órdenes respectivos. La matriz P AQ se denomina forma canónica
equivalente.
Los pasos para obtener las matrices P y Q del Teorema 1.50 son los siguientes:
(1) Realizamos transformaciones elementales por filas a la matriz A hasta obtener una forma
escalonada por filas A′ .
(2) Realizamos las mismas transformaciones por filas que en el paso anterior a la matriz
identidad Im de orden m; la matriz resultante será P .
(4) Realizamos las mismas transformaciones por columnas que en el paso anterior a la matriz
identidad In de orden n; la matriz resultante es Q.
44 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
Advirtamos que las matrices P y Q no son únicas. Además, en el paso (1) no es necesario
llegar hasta la forma de Hermite, bastaría con escalonar la matriz A.
Consideremos dos matrices A y B en Rm×n del mismo rango. Según el Teorema 1.50
existen matrices P1 , P2 ∈ Rm×m y Q1 , Q2 ∈ Rn×n tales que
Corolario 1.51 Las matrices A, B en Rm×n son equivalentes si, y sólo si, existen
matrices regulares P ∈ Rm×m y Q ∈ Rn×n tales que
B = P AQ.
Como consecuencia del corolario anterior dos matrices A y B en Rm×n son equivalentes si,
y solo si, pueden transformarse una en la otra mediante una sucesión de transformaciones
elementales.
Ejercicio Básico 1.16 Hallar la forma canónica equivalente y las matrices regulares de
paso P y Q de las matrices del Ejercicio 1.15.
Ejercicio 1.17 Probar que las matrices A y B son equivalentes y hallar matrices regulares
P y Q tales que B = P AQ.
1 1 0 3 2 1 0 2
A = 1 2 2 1 , B = 4 1 2 6 .
3 5 4 5 3 1 1 4
1 1 −1
A = 1 2 1
0 −1 1
A = LU.
6 −2 2 4
12 −8 6 10
A=
.
3 −13 9 3
−6 4 1 −18
Para obtener la matriz U realizamos transformaciones elementales por filas en la matriz A hasta obtener una
matriz escalonada, pero debemos atender a las siguientes dos reglas cuando realizamos tales transformaciones
elementales:
La fila en la que estamos realizando la transformación elemental sólo se involucra en ella sumándola a
las demás.
46 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
6 −2 2 4 6 −2 2 4
12 −8 6 10 −2F 1 + F 2 0 −4 2 2
3 −13
−→ −→
9 3 − 2 F 1 + F 3 0 −12
1 8 1
−3F 2 + F 3
1
−6 4 1 −18 F1 + F4 0 2 3 −14 2
F2 + F4
6 −2 2 4 6 −2 2 4
0 −4 2 2 0 −4 2 2
0 0 2 −→ = U.
−5 −2F 3 + F 4
0 0 2 −5
0 0 4 −13 0 0 0 −3
Para obtener la matriz L debemos poner ceros por encima de la diagonal, 1’s en la diagonal, y dividir por el
pivote (el número recuadrado en cada paso anterior) las entradas situadas por debajo de éste, obteniendo
de esta forma las entradas de L que están debajo de la diagonal. Así pues,
1 0 0 0
2 1 0 0
L= .
1/2 3 1 0
−1 −1/2 2 1
Ejercicio Básico 1.19 Obtener una factorización de tipo LU para las siguientes matrices,
utilizando, si es necesario, una matriz de permutación de filas P .
1 2 0 1 −2 3 −4 2 1
(a) −1 3 1 (b) 2 −5 12 (c) −1 −2 −13
0 5 1 0 2 −10 3 −1 2
Solución.-
1 0 0 1 2 0 1 0 0 1 −2 3
(a) L = −1 1 0 , U = 0 5 1 (b) L = 2 1 0 , U = 0 −1 6
0 1 1 0 0 0 0 −2 1 0 0 2
1 0 0 −4 2 1
1
(c) L = 4 1 0 , U = 0 − 52 − 53
4
3
− 4 − 51 1 0 0 1
10
Hemos de remarcar que no toda matriz admite una factorización LU , puesto que no
siempre se puede escalonar sin realizar permutaciones de filas.
U = 0
0 u33 · · · u3n = 0
0 u33 · · · 0 0 0
1 · · · uu3n 33
. .. .. . . .. . .. .. . . .. . .. .. . . ..
.. . . . . .
. . . . . .
. . . . .
0 0 0 · · · unn 0 0 0 · · · unn 0 0 0 ··· 1
Ejercicio Básico 1.20 Obtener la factorización LDU de las matrices del ejercicio anterior.
En este epígrafe aprenderemos a hallar los dos subespacios5 fundamentales de una matriz
de dimensión m × n. El cálculo de estos subespacios será reiterado durante todo el curso
en distintos escenarios y forma parte de los conocimientos básicos, por lo que se le insta al
alumno a fortalecer su aprendizaje mediante la realización de ejercicios.
1 −2 −2 6
5
El concepto formal de subespacio vectorial se definirá en el Capítulo 2. De momento, no supone ninguna
limitación entederlos como simples subconjuntos.
48 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
Para calcular el núcleo debemos resolver el sistema de ecuaciones homogéneo AX = 0, que explícitamente
se escribe
x1
1 −3 −7 9 0
x2
0 1 5 −3 = 0 .
x3
1 −2 −2 6 0
x4
Para resolver el sistema utilizaremos el metodo de eliminación gaussiana escalonando la matriz A del sistema
mediante transformaciones elementales por filas,
1 −3 −7 9 1 −3 −7 9 1 −3 −7 9
A = 0 1 5 −3 0 1 5 −3 0 1 5 −3 .
-F1+F3 -F2+F3
1 −2 −2 6 0 1 5 −3 0 0 0 0
Entonces el sistema de ecuaciones es equivalente a
y, por tanto,
−8α
−5α + 3β
Ker(A) = X =
: α, β ∈ R .
α
β
Para hallar la imagen de la matriz A debemos encontrar los vectores columna Y ∈ R3×1 verificando que
existe un X ∈ R4×1 tal que AX = Y , o sea, debemos hallar las condiciones que debe satisfacer y1 , y2 e y3
para que el sistema
x1
1 −3 −7 9 y
x 2 1
0 1 5 −3 x = y2
3
1 −2 −2 6 y3
x4
sea compatible. Resolvamos el sistema anterior por el método de Gauss, realizando para ello las mismas
transformaciones elementales por filas anteriores pero, en este caso, a la matriz ampliada:
1 −3 −7 9 y1 1 −3 −7 9 y1
mismas transf. element.
0 1 5 −3 y2 −→ 0 1 5 −3 y2 .
1 −2 −2 6 y3 0 0 0 0 −y1 − y2 + y3
El sistema anterior tiene solución si, y solo si, se verifica la ecuación
y3 − y1 − y2 = 0,
de donde podemos despejar la variable y3 (o cualquiera de ellas) a partir de los dos restantes. Asignando los
parámetros y1 = α e y2 = β obtenemos las ecuaciones parámetricas
α
Im(A) = Y = β : α, β ∈ R .
α+β
Matrices y Determinantes 49
Ejercicio Básico 1.21 Hallar las ecuaciones paramétricas del núcleo y la imagen de las
siguientes matrices:
1 0 1
(a) A = 2 1 1 ,
−1 1 −2
2 1 0 5
(b) B = 4 2 −1 8 ,
−2 −1 3 −4
2 −1 3
−4 2 −6
(c) C =
2
.
−1 1
6 −3 3
Solución.-
x1 = −α y 1 = α
(a) Ker(A) : x2 = α Im(A) : y2 = β
x3 = α
y3 = −3α + β
1.10. Determinantes
El uso del determinante de una matriz cuadrada para resolver ciertos problemas de álge-
bra lineal está bastante extendido, y su conocimiento es necesario, puesto que algunas veces
es insustituible y, en otras, facilita la labor; pensemos, por ejemplo, a la hora de calcular el
polinomio característico y los valores propios de una matriz. Además su uso se extiende a
la geometría, puesto que se puede interpretar como el área de un paralelogramo (o general-
mente, el volumen de un paralelepípedo), y juega también un papel muy importante en el
cambio de coordenadas en una integral de varias variables, etc.
El determinante de una matriz cuadrada es un único número que se asocia a dicha matriz;
es por tanto una función del conjunto de las matrices cuadradas en el conjunto numérico al
50 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
que pertenecen los elementos de las matrices. En nuestro caso estos números son reales o
complejos, pero se puede definir sobre conjuntos “numéricos” más generales.
El determinante de una matriz A se representa con el símbolo |A| o con det(A). Comen-
zaremos con una definición preliminar con el fín de facilitar la presentación de la definición
inductiva de determinante.
−2 4 0
entonces matriz adjunta del elemento a21 = −1, se obtiene eliminando la fila 2 y la columna 1 de A
× −4 −3 !
−4 −3
× × × −→ A21 =
4 0
× 4 0
Observación 1.56 Si la matriz cuadrada A es de tamaño n, las matrices adjuntas Aij son
de tamaño (n − 1) × (n − 1) .
Ejemplo 1.26
!
3 2
(a) Calculemos el determinante de la matriz A =
7 2
−2 4 0
|A| = (−1)1+1 a11 |A11 | + (−1)2+1 a21 |A21 | + (−1)3+1 a31 |A31 |
2 7 −4 −3 −4 −3
= 3 − (−1) + (−2)
4 0 4 0 2 7
= 3 (−28) + (+12) + (−2) (−22) = −28
|A| = (−1)1+1 a11 |A11 | + (−1)2+1 a21 |A21 | + (−1)3+1 a31 |A31 | + (−1)4+1 a41 |A41 |
2 −4 −1 0 1 1 0 1 1 0 1 1
= 2 1 1 1 − 2 1 1 1 + (−3) 2 −4 −1 − 2 2 −4 −1
−2 0 0 −2 0 0 −2 0 0 1 1 1
Ahora bien, los determinantes de tamaño 3×3 se calculan del mismo modo que en (b). Los determinantes
tres por tres dan como resultado 6, 0, −6 y 3, respectivamente, luego
Definición 1.58 Sea A una matriz cuadrada de tamaño n × n. Para cada entrada
aij se conviene en llamar:
menor de aij como el escalar mij = det(Aij ), donde Aij es la submatriz adjunta
de A.
det(A) = ai1 αi1 + · · · + ain αin (desarrollo por elementos de la i-ésima fila).
det(A) = a1i α1i + · · · + ani αni (desarrollo por elementos de la i-ésima columna).
(a) Si dos filas (o columnas) de una matriz son intercambiadas, entonces el deter-
minante de la matriz cambia de signo.
(b) Si todos los elementos de una fila (o columna) de una matriz A se multiplican por
una constante λ, entonces el determinante resultante es el inicial multiplicado
por λ.
(d) Si todos los elementos de una fila (o columna) de A son nulos, entonces det(A) = 0
(e) Si una matriz A tiene dos filas idénticas (o dos columnas), entonces det(A) = 0
(f ) det(A) = det(AT )
El uso reiterado de las propiedades (a), (b) y (c) representa el método de eliminación
gaussiana y es muy valioso para el cálculo de determinantes. El objetivo es hacer ceros
por debajo de la diagonal principal mediante transformaciones que dejen invariante el de-
terminante. Si somos capaces de triangularizar la matriz, el determinante será el resultado
de multiplicar todos los elementos de la diagonal, en otro caso conseguiremos simplificar
significativamente los cálculos.
Matrices y Determinantes 53
Ejemplo 1.27
1 5 0 −1 4 −1 8
1 5 0 4 −1 8
3 10 2 −2 9 0 16
3 10 2 9 0 16
−3 −15 −2 4 −12 5 −20
−3 −15 −2 −12 5 −20
0 0 −1 1 −2 5 1 = 2
0 0 −1 −2 5 1
0 0 0 1 3 −1 0
0 0 0 3 −1 0
1 0 2 0 1 0 0
1 0 2 1 0 0
0 0 0 −2 0 0 0
1 5 0 1 −1 8
1 5 0 1 8
3 10 2 9 0 16
3 10 2 9 16
3C5 + C4 −3 −15 −2 3 5 −20
= 2 = 2(−1) −3 −15 −2 3 −20
0 0 −1 13 5 1
0 0 −1 13 1
0 0 0 0 −1 0
1 0 2 1 0
1 0 2 1 0 0
1 5 −2 0 8
5 −2 0 8 5 −2 0 8
−2C1 + C3
3 10 −4 6 16
−C1 + C4 10 −4 6 16 0 0 6 0
= −2 −3 −15 4 6 −20 = −2 = −2
−15 4 6 −20 0 −2 6 4
0 0 −1 13 1
0 −1 13 1 0 −1 13 1
1 0 0 0 0
0 6 0
−2 4
= −2 · 5 −2 6 4 = −10 · (−6) = 120.
−1 1
−1 13 1
Ejercicio Básico 1.22 Resolver los siguientes determinantes haciendo uso del método de
eliminación gaussiana.
! 0 1 −2 1 2 3 0 1 −1
2 −1
(a) (b) −1 0 3 (c) 2 5 8 (d) −2 1 3
−4 3
2 −3 0 3 8 10 2 7 −8
1 −2 1 4 −5
1 −2 1 4
1 1 −2 3 −3
2 −4 0 0
(e)
(f )
2 −1 −1 2 2
3 −4 2 5
5 −1 0 5 5
0 2 −4 −9
2 2 0 4 −1
Solución.-
(a) d=2 (b) d=0 (c) d=-3 (d) d=6 (e) d=40
(f) d=60
54 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
En este epígrafe presentamos dos aplicaciones muy extendidas del uso del determinante.
La primera sirve para calcular la inversa de una matriz y la segunda para calcular las soluciones
de un sistema compatible determinado.
A es invertible ⇔ |A| =
6 0
5 0 1
por lo tanto,
2 16 −10
Ad(A) = 1 −9 −5 ,
−8 4 6
de donde concluimos:
1 1 4
2 1 −8 − 17 − 34 17
1 1
A−1 = [Ad(A)]T = 8
16 −9 4 = − 17 9 2
− 17 .
|A| −34 34
5 5 3
−10 −5 6 17 34 − 17
El siguiente resultado proporciona un método para calcular el rango de una matriz uti-
lizando determinantes. En algunos casos este método puede resultar de gran utilidad pero,
por lo general, es más eficiente el método de Gauss.
(i) El rango de A es r.
La regla de Cramer es un método práctico que utiliza los determinantes para obtener la
solución de un sistema que, a priori, se sabe que es compatible determinado.
56 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
donde |A| = det(A) y Ai son las matrices que se obtienen al sustituir, en la matriz A,
la columna i por la columna B de los términos independientes. Esto es,
Ai = A∗1 | · · · |A∗i−1 |B|A∗i+1 | · · · |A∗n .
x + 2y − z = 7
Ejemplo 1.29 Vamos a resolver el sistema 2x + y + z = 6 usando la regla de Cramer. En este caso
x − y + 3z = −1
1 2 −1 7
A= 2 1 1 yB= 6
1 −1 3 −1
Como |A| = −3 6= 0 el sistema es compatible y determinado y sus soluciones son
7 2 −1
6 1 1
|A1 | −1 −1 3 5
x= = = ,
|A| −3 3
1 7 −1 1 2 7
2 6 1 2 1 6
|A2 | 1 −1 3 8 |A3 | 1 −1 −1
y= = = , z= = =0
|A| −3 3 |A| −3
Ejercicio Básico 1.23 Utilizar la regla de Cramer para resolver los siguientes sistemas:
(a)
x + 4y = 3,
4x + 2y + z = 2,
−x + y − z = 0.
(b)
3x + 2y − z = 1,
x − 3y + 2z = 2,
2x − y + z = 3.
Matrices y Determinantes 57
Solución.-