Capítulo1.-Matrices y Determinantes PDF

Capítulo 1
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.
La ubicación de la teoría de sistemas lineales en cualquier texto de álgebra lineal representa

uno de los quebraderos de cabeza del docente, debido al doble papel que desempeñan. Es el
problema del huevo y la gallina ya que, por una parte, es una herramienta a la que se recurre
continuamente para estudiar algunos conceptos de espacios vectoriales y aplicaciones lineales
pero, por otra, su comprensión en profundidad se subordina a éstos. Ante este dilema, lo
que se hará primero es presentar una primera aproximación metódica de los sistemas de
ecuaciones lineales, para más tarde ahondar en su estructura según dispongamos de las
herramientas necesarias.
Saber resolver sistemas de ecuaciones lineales es una tarea algorítmica relativamente

sencilla para un alumno que ha cursado Bachillerato, y es lo que vamos a revisar en este primer
capítulo, aunque omitiendo un análisis riguroso del conjunto de soluciones. Comprender en
su totalidad la naturaleza de las soluciones de un sistema de ecuaciones lineales requiere un
poco más de esfuerzo, y es uno de los objetivos de este curso. Para ésto último se necesitan
nociones tales como subespacio vectorial, dependencia lineal, base, dimensión, etc., que se
presentan en el Capítulo 2, aunque el objetivo final se alcazará en el Capítulo 3 relativo a
las aplicaciones lineales.
En primer lugar introducimos algunas definiciones básicas de la teoría de conjuntos con el

fín de formalizar, en la medida de lo posible, la notación. A continuación definimos las ma-
trices y los vectores. Mostraremos que con la matrices ganamos, para empezar, la economía
en la notación en los sistemas de ecuaciones lineales.
Veremos a lo largo de este curso que las matrices pueden ser consideradas desde otros
muchos puntos de vista:
en muchas situaciones son una forma ordenada de escribir la información disponible;
5
6 1o de Ingeniería Industrial. Ampliación de Matemáticas. Ángel Giménez
pueden ser consideradas como un conjunto ordenado de m × n números;
como un conjunto ordenado de n columnas;
como un conjunto ordenado de m filas;
también como un único objeto, que es además un elemento de una estructura algebraica.
pueden ser vistas como la definición de una aplicación de Rn en Rm .
etc.
1.1. Nociones preliminares sobre conjuntos
En este capítulo introducimos algunas definiciones y notaciones necesarias para el desa-

rrollo de la asignatura. No nos detendremos en un análisis profundo del significado de estos
conceptos y de sus propiedades, sino que partiremos de las definiciones básicas y estudiare-
mos sólo aquellos aspectos que sean de utilidad en el futuro. Partiremos definiendo la noción
básica de conjunto como una “colección de objetos".
Definición 1.1 Se llama conjunto a una colección de objetos. Los objetos del
conjunto se denominan elementos del conjunto.
Si a es un elemento de un conjunto A, se escribe a ∈ A.
Si B es un conjunto tal que todo elemento de B está en un conjunto A, se dice

que B es un subconjunto contenido en A, y se escribe B ⊆ A.
Para describir los elementos de un conjunto se suele utilizar las llaves {}.
Ejemplos
1. Los números naturales: N = {0, 1, 2, 3, ....}.
2. Los números enteros: Z = {..., −2, −1, 0, 1, 2, ...}.
3. Los números racionales: Q = m

n : m, n ∈ Z .

4. Los números reales R. La descripción de este conjunto es más difícil.
5. Los números complejos: C = a + bi : a, b ∈ R, i2 = −1 .

6. El conjunto de los polinomios de grado menor o igual a n con coeficientes reales:
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
7. El conjunto vacío: ∅ = {}.
8. Sean A y B dos conjuntos, entonces:
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:
A = {p(x) ∈ R3 [x] : p(0) = 1} .
Definición 1.2 Sean A y B conjuntos. El producto cartesiano de A y B es el

conjunto de los pares ordenados (a, b) donde a ∈ A y b ∈ B, y se representa por A × B.
Esto es,
A × B = {(a, b) : a ∈ A, b ∈ B} .
Si tenemos n conjuntos A1 , · · · , An , la definición anterior se extiende al producto

cartesiano de n conjuntos, entonces:
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:
Vectores del espacio ≡ R3 = R × R × R = {(x, y, z) : x, y, z ∈ R}
La idea se puede generalizar a vectores de dimensión n genérica:
Rn = R × · · · × R = {(x1 , . . . , xn ) : xi ∈ R} .
1.1.1. Aplicaciones entre conjuntos
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
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.
Definición 1.3 Sean A y B conjuntos. Una aplicación f de A en B es una corres-

pondencia de forma que a todo elemento de A le hace corresponder un elemento de
B perfectamente determinado, y se representa por f : A → B. A se llama el dominio
o conjunto inicial y B el codominio o conjunto final.
Definición 1.4 Se dice que un elemento b ∈ B es la imagen de a ∈ A por f si al

elemento a le corresponde b mediante f , y denotamos f (a) = b. Dado un subconjunto
del dominio, X ⊆ A, llamaremos imagen de X por f al subconjunto de B formado
por las imágenes de todos los elementos de X. La imagen de X se denotará f (X),
luego f (X) = {f (x) ; x ∈ X}. La imagen del dominio, f (A), se denomina simplemente
imagen de f y se denota por Im(f ); a veces también se la llama recorrido de f .
Definición 1.5 Sea f : A → B una aplicación. La imagen inversa f de un elemento

b ∈ B es el subconjunto de A formado por todos los elementos x que tienen imagen
b, y se denota por f −1 (b), esto es,
f −1 (b) = {x ∈ A : f (x) = b} .
La imagen inversa f −1 (Y ) de un subconjunto Y ⊂ B es la unión de todas las imágenes

inversas de todos los elementos y ∈ Y , esto es,
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.
Definición 1.6
Una aplicación f : A → B se dice suprayectiva si f (A) = B es decir, si para todo

b ∈ B existe por lo menos un a ∈ A tal que f (a) = b.
Una aplicación f : A → B se dice inyectiva si para todo b ∈ B hay al lo sumo

un a ∈ A tal que f (a) = b. Dicho de otra manera, f es inyectiva cuando a 6= a′
implica f (a) 6= f (a′ ).
Una aplicación se dice biyectiva o biunívoca si es suprayectiva e inyectiva.
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
1. La aplicación f : R × R → R definida por f (x, x′ ) = x es suprayectiva.
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.
3. La aplicación f : N → N dada por f (n) = n + 1 es inyectiva, pues si n 6= n′ entonces n + 1 6= n′ + 1.

No es suprayectiva, porque no existe ningún natural n que verifique f (n) = 0.
4. La aplicación f : Z → Z definida por f (n) = n + 1 es biyectiva.
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.
6. Dado un conjunto cualquiera A definimos la aplicación identidad en A, IdA , como la aplicación de A en

A tal que para todo a ∈ A, IdA (a) = a. Esta aplicación es biyectiva. A veces escribiremos simplemente
Id en vez de IdA .
7. La aplicación logaritmo definida de los reales positivos R+ \ {0} en R es biyectiva.
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.
(a) f : N → N tal que f (n) = n2 ;
(b) f : N → Z, tal que f (n) = −n ;
(c) f : N → Z, tal que f (n) = 15 − 3n;

(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);
(f ) f : R[x] → R, tal que f (p(x)) = p(1), para todo p(x) ∈ R[x];
(g) f : R → [−1, 1], tal que f (x) = cos x, para todo x ∈ R.
Definición 1.7 Dadas dos aplicaciones f : A → B y g : B → C, llamaremos compo-

sición de f y g a la aplicación h : A → C tal que para todo x ∈ A h (x) = g (f (x)). La
aplicación compuesta se denota por g ◦ f .
Ejemplo 1.1 Consideremos las aplicaciones f : R → R y g : R → R definidas por
f (x) = x2 , g(x) = sen(x).
Entonces
(f ◦ g)(x) = f (g(x)) = f (sen(x)) = sen2 (x),

(g ◦ f )(x) = g(f (x)) = g(x2 ) = sen(x2 ).
1.1.2. Operaciones binarias
En esta sección vamos a formalizar la idea de operaciones en un conjunto. En definitiva,

una operación consiste en asignar un elemento de un conjunto a otros dos dados.
Definición 1.8 Sean A y K conjuntos. Una operación binaria interna en A es

una aplicación ∗ de A × A en A, esto es,
∗ : A × A −→ A
(a, b) ∗(a, b) := a ∗ b
donde a, b ∈ A. Una operación binaria externa en A es una aplicación ∗ de K × A

en A, esto es,
∗ : K × A −→ A
(λ, a) ∗(λ, a) := λ ∗ a
con a ∈ A y λ ∈ K.
Ejemplos
1. La suma y el producto en R son operaciones binarias internas.
2. Sea B = P(A) donde A es un conjunto, entonces la unión de conjuntos es una operacion binaria interna.
3. K = R y A = Rn . Definimos λ ∗ (x1 , . . . , xn ) = (λx1 , . . . , λxn ). Entonces ∗ es una operación binaria

externa.
4. La suma y el producto de las matrices cuadradas en Rn×n son operaciones binarias internas.
Definición 1.9 Sea A un conjunto y ∗ una operación binaria interna en A. Entonces:
(a) ∗ es conmutativa si
a ∗ b = b ∗ a,
(b) ∗ es asociativa si
(a ∗ b) ∗ c = a ∗ (b ∗ c),
(c) ∗ tiene elemento neutro si existe e ∈ A tal que
e ∗ a = a ∗ e = a, ∀a ∈ A,
(d) un elemento a ∈ A se llama invertible o inversible si existe a′ ∈ A tal que
a ∗ a′ = a′ ∗ a = e.
Observación 1.10 Tenemos dos tipos de notaciones:
Notación aditiva: ∗ = +, entonces e = 0 y a′ = −a.
Notación multiplicativa: ∗ = ·, entonces e = 1 y a′ = a−1 .
1.2. Matrices: Definición y operaciones
En un sistema lineal de ecuaciones los coeficientes del mismo forman un “ordenamiento

rectangular de números” al que denominamos matriz. Las matrices no son otra cosa que una
nueva manera de representar los sistemas de ecuaciones, donde simplemente se omite escribir
las incógnitas, lo que resulta más cómodo y compacto. Sin embargo las matrices son objetos
matemáticos con “vida propia". Como veremos más adelante, las matrices comparten con
los números muchas de sus propiedades aunque, como es de suponer, su estructura resultará
más complicada. No olvidemos, además, que guardan más información que una simple lista
de números: son números ordenados en un damero.
Definición 1.11 Una matriz sobre R es un conjunto de elementos de R dispuestos

en una tabla rectangular por filas y columnas. Si denotamos por aij el elemento de
la i-ésima fila y j-ésima columna de una matriz A, siendo n el número de columnas
y m el número de filas, escribimos
 
a11 a12 a13 . . . a1j . . . a1n
 
 a21 a22 a23 . . . a2j . . . a2n 
 .. .. .. .. .. 
 
 . . . . . 
A= a

 i1 a i2 a i3 . . . a ij . . . a 
in 
 . .. .. .. .. 
 .. . . . . 
 
am1 am2 am3 . . . amj . . . amn
El conjunto de todas las matrices de m filas y n columnas sobre el cuerpo R se

denotará por Rm×n (también R(m,n) o Mm×n (R)).
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.
Dos matrices de distinto tamaño jamás pueden ser iguales.
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
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
De igual manera, denotamos por Ai∗ la i-ésima fila de la matriz A,
Ai∗ = (ai1 , ai2 , . . . , ain ), 1 ≤ i ≤ m.
Esta notación nos permite escribir la matriz A en las formas siguientes:

 
A1∗
  A2∗ 

A = A∗1 A∗2 · · · A∗n =  .  
.
 .. 
Am∗
1.3. Tipos de matrices. Operaciones con Matrices
Definición 1.13 Sea A ∈ Rm×n una matriz.
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.
Una matriz cuadrada cuyos elementos no diagonales son cero se denomina

matriz diagonal, esto es, si aij = 0 para i 6= j.
Una matriz cuadrada se denomina triangular superior si aij = 0 para i > j.
Una matriz cuadrada se denomina triangular inferior si aij = 0 para j > i.

Definición 1.14 Llamaremos matriz identidad de tamaño n a la matriz n × n

 
1 0 ... 0
 0 1 ... 0 
 
In = 
 .. .. . . .. 

 . . . . 
0 0 ... 1
(
0 si i 6= j
Esto es In = (δij ) con δij = .
1 si i = j
Es inmediato comprobar que In ·A = A·In = A, para todo A ∈ Rn×n .

 
x1
 x2 
 
Además, si X = 
 ..  es una matriz columna cualquiera entonces
 In ·X = X.
 . 
xn
Definición 1.15 (Suma de matrices) Sean A = (aij ) y B = (bij ) matrices de

dimensión m × n. Definimos la suma + : Rm×n × Rm×n → Rm×n de modo que A + B = C
siendo C = (cij ), donde cij = aij + bij ,
Ejemplo 1.3 Consideremos las matrices

1 1
   
1 2 0 0 2 −1
A= 1 2 −1  , B= 2 2 0 ,
   
√
0 −1 2 1 −2 2
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
Definición 1.16 (Producto de números por matrices) Sea λ ∈ R un número y

A ∈ Rm×n una matriz. Definimos el producto de λ por A como λ·A = B donde
B = (bij ) con bij = λaij
√ !
√ 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.
Proposición 1.17 (Propiedades)
(S1) conmutativa: A + B = B + A, ∀ A, B ∈ Rm×n .
(S2) asociativa: A + B + C = A + B + C , ∀ A, B, C ∈ Rm×n .

(S3) neutro de la suma: Existe 0 ∈ Rm×n tal que A + 0 = 0 + A = A, ∀ A ∈ Rm×n .
(S4) existencia de opuesto: Para cada A ∈ Rm×n existe B ∈ Rm×n tal que A + B = O
(Notación: B = −A).
(P1) asociativa del producto: αβ A = α(βA), ∀ α, β ∈ R y A ∈ Rm×n .

(P2) neutro del producto: 1 · A = A para todo A ∈ Rm×n
(P3) distributiva: (α + β)A = αA + βA y ∀ α, β ∈ R y A, B ∈ Rm×n .
(P4) distributiva: α(A + B) = αA + αB, ∀ α ∈ R y A, B ∈ Rm×n .
Observemos que la matriz 0 de la propiedad (S3) se denomina matriz nula y tiene

todas sus entradas cero.
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.
Definición 1.18 (Producto de matrices) Sea A ∈ Rm×n y B ∈ Rn×p definimos el

producto entre matrices como, · : Rm×n × Rn×p → Rm×p de modo que A·B = C donde
C = (cik ), con
n
X
cik = aij bjk
j=1
El siguiente esquema ayuda a recordar la forma de realizar la operación:

 
b11 . . . b1k . . . b1p
 b21 . . . b2k . . . b2p 
 
 . .. 
 .
 . ... . ... ... 

bn1 . . . bnk . . . bnp

   
a11 a12 ... a1n
 .. .. ..   
 . . ... . .. .. .. ..
  
 . .. .. . . . .
   
 ..
  ↓ 
. ... .  
.. ..

. .
   
 ai1 ai2

... ain
  −→ cik 
.. .. .. .. ..
  
 .. .. .. . . . . .
   
 . . ... .
  
.. .. .. .. ..
  
am1 am2 . . . amn . . . . .
! !
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
Ejemplo 1.6 Consideremos las matrices

 
! 1 2
 
2 1 −1 0  2 1 
A= B= .
2 1 2 −1 
 1 1 

1 0
El producto de A por B es:

 
! 1 2 !

2 1 −1 0 
 2 1 
= 3 4
2 1 2 −1 
 1 1 
 5 7
1 0
pues
3 = 2·1 + 1·2 + (−1)1 + 0·1

4 = 2·2 + 1·1 + (−1)1 + 0·0
5 = 2·1 + 1·2 + 2·1 + (−1)1
7 = 2·2 + 1·1 + 2·1 + (−1)0
Ejercicio Básico 1.4 ¿Verdadero o Falso?
(a) La suma de dos matrices diagonales es diagonal.
(b) El producto de dos matrices diagonales es diagonal.

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
AX = x1 A∗1 + x2 A∗2 + · · · + xn A∗n . (1.1)

De igual manera si X = x1 . . . xm , entonces:
XA = x1 A1∗ + x2 A2∗ + · · · + xm Am∗ . (1.2)
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 = 
 

 
...
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
Analicemos ahora las propiedades del producto de matrices. Comencemos observando

que no es conmutativo. De hecho, es posible que dos matrices puedan multiplicarse en un
orden y no en el otro. Pero el producto de matrices no es conmutativo ni siquiera cuando
las matrices a multiplicar son cuadradas.
! !
2 1 1 0
En efecto, sea A = y B= entonces
1 1 0 0
! ! !
2 1 1 0 2 0
A·B = = , pero
1 1 0 0 1 0
! ! !
1 0 2 1 2 1
B·A= =
0 0 1 1 0 0
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?
! !
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
Ejercicio Básico 1.7 ¿Verdadero o falso?
(a) Si AB = 0, entonces A = 0 ó B = 0.
(b) A y A2 conmutan.
Proposición 1.20 (Propiedades del producto de matrices) Se verifican las

siguientes propiedades:
1. Asociativa: Si A = (aij ) ∈ Rm×n , B = (bjk ) ∈ Rn×p y C = (ckl ) ∈ Rp×q son matrices,

entonces:

A·B · C = A · B·C .
2. Distributiva: Si A = (aij ) ∈ Rm×n y B = (bij ) ∈ Rm×n son matrices de igual

dimensión y C = (ckl ) es una matriz con dimensiones adecuadas entonces:
C · (A + B) = C·A + C·B.
(A + B) · C = A·C + B·C
Observación 1.21 Obsérvese que la no conmutatividad del producto de matrices obliga

a probar ambas identidades independientemente, pues en general C(A + B) 6= (A + 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.
Definición 1.22 Sea A = (aij ) una matriz m × n, definimos la matriz traspuesta

de A como la matriz n × m dada por AT = (aTij ), donde aTij = aji . Si A es una matriz
cuadrada, diremos que:
1. A es simétrica si A = AT (⇔ aij = aji ).
2. A es antisimétrica si A = −AT (⇔ aij = −aji ).
 
! 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.
Algunas propiedades de la transpuesta son las siguientes:

T
1. A + B = AT + B T .
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
Si A y B son matrices cuadradas de la misma dimensión, se verifican las siguientes propie-

dades:
1. tr(A + B) = tr(A) + tr(B)

2. tr(λA) = λ tr(A)
3. tr(AB) = tr(BA)
1.4. Inversa de una matriz cuadrada
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)
donde In es la matriz identidad n × n. En otro caso diremos que la matriz A es

singular.
Como consecuencia de la no conmutatividad del producto de matrices debemos, en la

definición anterior, exigir que A · B y B · A sean ambos iguales a la identidad. A priori
podría ocurrir que A · B = In 6= B · A. Se puede probar que esto realmente no es posible,
de hecho si existe B tal que A · B = In entonces B · A = In . Observemos además, que las
matrices invertibles son por definición matrices cuadradas.
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)
B1 = B1 I = B1 (AB2 ) = (B1 A)B2 = IB2 = B2 .

! !
2 1 1 −1
Ejemplo 1.9 La matriz A = es invertible, pues existe B = tal que A·B =
1 1 −1 2
I y B · A = I (verifíquelo)
   
1 1 0 a b c
Ejemplo 1.10 La matriz A =  1 0 −1  no es invertible, pues para cualquier matriz B =  d e f 
   
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
Mostraremos más adelante un argumento alternativo, mediante la función determinante

de una matriz, con el que se llega fácilmente a la misma conclusión.
Proposición 1.25 (Propiedades de la inversa)
(a) Si A y B son matrices cuadradas invertibles entonces A·B es invertible y (A·B)−1 =

B −1 ·A−1
(b) Si la matriz A tiene inversa, entonces la matriz A−1 también la tiene, siendo
(A−1 )−1 = A
(c) Si A es una matriz regular, y λ 6= 0, entonces λA es regular, y verifica:

1 −1
(λA)−1 = A
λ
(d) Si A es una matriz regular, entonces AT también lo es, y
(AT )−1 = (A−1 )T
Ejercicio Básico 1.8 Probar que la inversa de la matriz

   
1 0 0 1 0 0
L = a 1 0 es L−1 = −a 1 0 .
   
b 0 1 −b 0 1
 
1 0 0
¿Cuál es la inversa de la matriz M = a 1 0?
 
b c 1
1.5. Aplicación de las matrices: Sistemas de ecuaciones lineales
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.
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.
1.5.1. Solución y naturaleza de un sistema de ecuaciones lineales
Escribiremos un sistema lineal de m ecuaciones con n incógnitas x1 , x2 , . . . , xn , en la forma



 a11 x1 + a12 x2 + . . . + a1n xn = b1 ,

a21 x1 + a22 x2 + . . . + a2n xn = b2 ,


.. .. (1.4)


 . .

am1 x1 + am2 x2 + . . . + amn xn = bm ,

donde los números

aij ∈ R, i = 1, . . . , m, j = 1, . . . , n,
son un dato que supondremos conocido (son lo que llamaremos los coeficientes del sistema),
al igual que los números
bj , j = 1, . . . , m,
(los términos independientes). El problema consiste entonces en hallar las incógnitas,

números
xi , i = 1, . . . , n,
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 )
tales que si se sustituye

x1 = α1 , x2 = α2 , . . . , xn = αn
se verifican simultáneamente las m ecuaciones en (1.4).
Ejemplo 1.11 Vamos a discutir en este ejemplo tres sencillos sistemas reales 2 × 2.
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.
2. No puede haber ninguna solución del sistema de ecuaciones

(
x + y = 1,
x + y = 2.
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.
Definición 1.26 Dado un sistema de ecuaciones llamaremos conjunto solución del

sistema al conjunto de todas las soluciones de S. Resolver un sistema es determinar
su conjunto solución. Dos sistemas de ecuaciones lineales que poseen el mismo
conjunto solución se denominan sistemas equivalentes.
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.
Observación 1.27 Es importante recordar que los coeficientes, y términos independientes

del sistema son números reales, pero en general debemos tener presente cuál es el conjunto
numérico sobre el que estamos trabajando. En este capítulo asumimos, salvo que haya
una mención expresa en otro sentido, que todos los coeficientes y términos independientes
son elementos de R. Durante este curso consideraremos fundamentalmente números reales,

aunque también presentaremos algunos ejemplos que nos lleven a trabajar sobre el conjunto
C de los números complejos. La misma discusión que aquí realizamos se extiende cuando
trabajamos sobre otro cuerpo1 K distinto de R o de C. También buscamos hallar valores de
las incógnitas dentro de ese mismo cuerpo K. Podemos estar considerando entonces números
racionales, reales, complejos, o alguna otra posibilidad.
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.
Ejemplo 1.13 El ejemplo más sencillo de un sistema lineal es el 1 × 1
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,
independientemente del valor de x. Debemos distinguir entonces dos casos:
• si b 6= 0 entonces, para cualquier x tendremos 0x 6= b. Por lo tanto no hay solución del sistema;
• si b = 0 entonces la igualdad en (1.5) siempre se satisface, y cualquier x es solución del sistema.

En este caso el sistema tiene muchas soluciones2 .
Naturalmente, este problema es extremadamente sencillo pero, como acontece muchas

veces, ya podemos apreciar en este simple ejemplo algunos comportamientos que reaparece-
rán en situaciones más generales: problemas de compatibilidad o incompatibilidad asociados
a la invertibilidad de los coeficientes del sistema; inexistencia o multiplicidad de soluciones
dependiendo de los coeficientes y términos independientes, etcétera.
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.
Definición 1.28 Diremos que el sistema es:
(a) compatible: si existe alguna solución. En este caso tenemos dos posibilidades:
compatible determinado: si tiene una única solución.

compatible indeterminado: si tiene más de una solución.
(b) incompatible: cuando no es compatible, o equivalentemente, cuando el conjun-

to solución sea el vacío.
El sistema se denomina homogéneo si los términos independientes son todos nulos.
1.5.2. El método de eliminación de Gauss
El objetivo de esta sección es presentar un método sistemático para la resolución de

sistemas lineales de cualquier tamaño. La idea del método es muy simple: ir reduciendo
en cada paso el problema a un problema que tiene una ecuación menos y una incógnita
menos. Este método es conocido como método de eliminación de Gauss (o método de
eliminación gaussiana). Estos nombres aluden a que en cada paso vamos eliminando una o
más incógnitas, y son un reconocimiento a quien introdujo el método: el matemático Carl
Friederich Gauss (1777-1855)3
Ejemplo 1.14 Busquemos tres números reales x, y y z que satisfagan


 x + y + 2z = 8,

2y + z = 8

z = 2.

Éste es un sistema 3 × 3 muy fácil de resolver. De la última ecuación se despeja
z = 2.
Con este valor de z sustituimos en al segunda ecuación y tenemos
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.
En consecuencia, el sistema tiene una única solución, que es
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.
Definición 1.29 Diremos que un sistema como el del Ejemplo 1.14 , en el que
1. las incógnitas que aparecen en cada ecuación también aparecen en la anterior;
2. en cada ecuación aparecen menos incógnitas que en la anterior,
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.
Desafortunadamente, no todos los sistemas son escalonados. El método de Gauss se

basa en que todo sistema se puede transformar en otro sistema escalonado equivalente
al primero, esto es, cuyo conjunto solución es exactamente el mismo.
Las transformaciones básicas que dejan invariante el conjunto de soluciones de un sistema

vienen enumeradas en la siguiente definición.
Definición 1.30 Llamaremos transformaciones elementales a estas operaciones.

Es decir, a las siguientes operaciones efectuadas a las ecuaciones de un sistema lineal:
1. Multiplicar una ecuación por un número distinto de cero.
2. Intercambiar de lugar dos ecuaciones.
3. Sumar a una ecuación un múltiplo de otra.
1.5.3. Notación matricial de los sistemas de ecuaciones lineales
Al trabajar con un sistema de ecuaciones la representación de las incógnitas (x, y, z, o

x1 , . . . , xn , etc.) no desempeña ningún papel importante y puede usarse cualquiera. De hecho,
para determinar las soluciones de un sistema es suficiente con conocer los coeficientes y el
término independiente del mismo. Naturalmente no alcanza con conocer los valores de estos
números, sino que es necesario saber el lugar que ocupan: a qué ecuación pertenecen y a
qué incógnita multiplican. Por esto resulta conveniente introducir la noción de matriz.
Definición 1.31 Dado un sistema lineal de ecuaciones



 a11 x1 + a12 x2 + . . . + a1n xn = b1 ,

 a21 x1 + a22 x2 + . . . + a2n xn = b2 ,

.. ..


 . .

am1 x1 + am2 x2 + . . . + amn xn = bm ,

llamaremos matriz del sistema a la matriz A, cuya dimensión m × n es igual al

tamaño del sistema, formada por sus coeficientes. Esto es:
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
A= .. .. .. .
.. 
 . . . . 
am1 am2 ... amn
Llamaremos, matriz ampliada del sistema a la matriz m × (n + 1)

 
a11 a12 ... a1n b1
a21 a22 ... a2n b2
 
 
.. .. .. .. ,
..

. . . . .
 
 
am1 am2 ... amn bm
que incorpora los términos independientes. Corrientemente escribiremos esta matriz

en la forma  
a11 a12 . . . a1n b1
 a21 a22 . . . a2n b2 
 
,
 . .. .. .. 
 . ..
 . . . . . 
am1 am2 . . . amn bm
para recordar que estamos considerando la matriz ampliada de un sistema, cuya
última columna tiene un significado diferente a las anteriores. También las represen-
taremos en la forma breve (A|B)
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.
Así pues, el sistema es:
compatible: si existe solución; es decir, si existe un vector columna X0 satisfaciendo

AX0 = B. En cuyo caso sabemos que tenemos dos posibilidades:
• compatible determinado: si tiene una solución.

• compatible indeterminado: si tiene más de una solución.
incompatible: cuando no es compatible.

El sistema es homogéneo si el vector de términos independientes es nulo; es decir, si es un

sistema del tipo AX = 0.
Ejemplo 1.15 Consideremos el sistema



 x + y + 2z = 9,
3x + 6y − 5z = 0,

2x + 4y − 3z = 1.

Entonces la matriz del sistema y la matriz ampliada son:

   
1 1 2 1 1 2 9
A =  3 6 −5  , (A|B) =  3 6 −5 0  .
   
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:
1. Multiplicar una fila por un número α 6= 0.
2. Intercambiar de lugar dos filas.
3. Sumar a una fila el resultado de multiplicar otra por un número cualquiera.
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.
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
Sólo un pivote, el 1 de la primera fila, aparece en la primera columna.
Paso 2. Sumamos la segunda fila a la tercera y llegamos a la matriz escalonada

 
1 1 2 8
 0 1 −1 −8  . (1.6)
 
0 0 −4 −20
Observemos que con la representación matricial hemos aligerado bastante la notación.
La nueva matriz ampliada (1.6) es una representación del sistema de ecuaciones


 x + y + 2z = 8,

y − z = −8,

−4z = −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.
Pondremos en práctica la técnica con un nuevo ejemplo.

Ejemplo 1.17 Resolver en R el sistema:



 x1 + 2x2 + x3 + x5 + x6 = 1

−x1 − 2x2 + x3 + x4 − x6 = 0




x1 + 2x2 + x3 + 2x4 + 5x5 + 3x6 = 1

x1 + 2x2 + x3 + x5 + 3x6 = 3





x1 + 2x2 + x3 + 4x4 + 9x5 + 3x6 = −1

La matriz ampliada del sistema es:

 
1 2 1 0 1 1 1
−1 −2 1 1 0 −1 0
 
 
 
 1 2 1 2 5 3 1 .
 
1 2 1 0 1 3 3
 
 
1 2 1 4 9 3 −1
El proceso comienza fijando la entrada no nula de primera fila como pivote y utilizándola para lograr ceros
en el resto de la primera columna. El resultado es la matriz
 
1 2 1 0 1 1 1
 0 0 2 1 1 0 1  ←− F2 + F1
 
 
 0 0 0 2 4 2 0 
  ←− F3 − F1
 0 0 0 0 0 2 2  ←− F4 − F1
 
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.
De la última ecuación resulta x6 = 1. Con esta información vamos a la tercera y concluimos
x4 + 2x5 = −1. (1.7)
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
entonces podemos despejar x3 = −2x4 , o x4 = −x3 /2 de la última ecuación. En la primera

podemos despejar x1 = −x3 , pero es imposible expresar x2 en términos de las restantes
variables.
Definición 1.36 Se denominan variables o incógnitas libres aquellas incógnitas que

corresponden a columnas sin pivotes.
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.
(No de incógnitas)=(No de parámetros)+(No de Pivotes) (1.10)
Ejercicio Básico 1.10 Resolver los siguientes sistemas de ecuacines lineales:

 
 
 3x − 7y + 2z = 1 
 2y − z = 1
5x + 2x − 3x = 4 
 

1 2 3
(a) (b) x + y − 5z = 15 (c) −x + 2y − z = 0
x − x + 2x = −1  
1 2 3  
−x + 2y − 3z = 0
 x − 4y + z = 2

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
Ejercicio Básico 1.11 Considérese el sistema de ecuaciones cuya matriz ampliada es

 
1 −1 2 1
2 0 2 1
 
1 −3 4 2
¿Es compatible dicho sistema? Si es así, calcular todas sus soluciones.
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
Existe una alternativa al procedimiento de calcular la última variable y luego comenzar a

sustituir hacia arriba: consiste en utilizar las últimas ecuaciones para ir eliminando variables
de las anteriores. El procedimiento es el mismo que el de escalonar, pero se van eliminando
variables “hacia arriba”. Veamos un ejemplo.
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
de multiplicar la última fila por 2 y restarla de la primera. Obtenemos

 
1 1 0 −2
 0 1 0 −3  .
 
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,

cuya resolución es inmediata.
Consideraremos ahora un caso un poco más complicado.
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
A partir de esta nueva matriz operamos con el pivote de la cuarta columna:

 
1 2 1 0 1 0 0
 0 0 2 0 −1 0 2  ←− F2 − F3 ,
 
 
 0 0 0 1 2 0 −1 
 
 0 0 0 0 0 1 1 
 
0 0 0 0 0 0 0
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,
que da lugar a la solución

(−1, 0, 1, −1, 0, 1).
Para α = 1 y β = 0 se obtiene esta otra solución
(−3, 1, 1, −1, 0, 1).
Si x2 = 0 y x5 = 1 se tiene la solución
(−5/2, 0, 3/2, −3, 1, 1) .
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
1. todos los pivotes son iguales a 1;

2. las columnas correspondientes a los pivotes tienen todas las entradas nulas, salvo
el pivote.
Definición 1.37 (Forma de Hermite) Llamaremos forma de Hermite o ma-

triz escalonada reducida a una matriz escalonada que cumple además estas dos
condiciones.
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
2(1, 1, 2, 8) = (2, 2, 4, 16).
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:
Suma de dos listas:
(x1 , x2 , x3 , x4 ) + (y1 , y2 , y3 , y4 ) = (x1 + y1 , x2 + y2 , x3 + y3 , x4 + y4 ).
Producto de una lista por un número:
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.
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.
1.6. Matrices elementales
En esta sección mostramos que el proceso de escalonar puede representarse median-

te el producto por ciertas matrices especiales llamadas matrices elementales. Hasta ahora,
hemos trabajado con transformaciones elementales por filas, pero para este epígrafe tam-
bién consideraremos las transformaciones elementales por columnas. Todos los resultados
que obtengamos por filas en esta sección se podrán enunciar, equivalentemente, para las
columnas.
Sea e una de las transformaciones elementales de la Observación 1.32, esto es,
1. multiplicar una fila (o columna) por una constante no nula.
2. intercambiar dos filas (o columnas),
3. sumarle a una fila (o a una columna) un múltiplo de otra,
Definición 1.41 La matriz elemental E asociada con la transformación e es

la que se obtiene al aplicar la transformación e a la matriz identidad n × n.
Ejemplo 1.20 La matriz

  ..
1 0 ··· 0 0 0 ··· 0 .

0 1 ··· 0 0 0 ··· 0 
 ..
 .
 .. .. .. . .. .. . . .. 

. .. . ..

 . . . . . 
.
.. ..
 
..
 
 . . ··· 1 0 0 ··· 0  .
E1 =  (1.13)
 
.. .. 

 . . ··· 0 α 0 ··· 0   ←− Fila i
 .. ..  .
..

 . . ··· 0 0 1 ··· 0  
 .. .. .. .. .. .. . . . 
 ..
. . . . . . . ..  .


0 0 ··· 0 0 0 ··· 1 ..
.
está asociada a la transformación elemental e1 “multiplicar la fila i por la constante α 6= 0”, pues E1 se
obtiene de la matriz identidad I aplicando dicha transformación
transf.elemental e1
I −→ E1
Ejemplo 1.21 La matriz

..
 
1 ··· ··· ··· ··· ··· ··· ··· ···
 . .
 .. .. .. . .. .. .. 
. · · · ..

. . . ··· .  ..
 .
 .  
 ··· ··· 0 ··· ··· · · · 1 · · · ..  ←− Fila j

 . .. .. .. .. .. . . ..  ..
 .
1 .

 . . . . . . .  .
 .. .. .. ..  ..
 
. (1.14)
E2 =  .
 . . · · · .. ··· ··· ··· .   .
 . .. .. ..  ..
 .. . . ··· ··· 1 ··· ··· .  .
 
 . . .. 
· · · 0 · · · .  ←− Fila i
 . ..
 . 1 ··· ···

 . .. .. . .. .. . . ..  ..
 .
 . . . · · · .. . . . . 
 .
..
··· ··· ··· ··· ··· ··· ··· ··· 1 .
está asociada a la transformación elemental e2 “intercambiar la fila i por la fila j”, pues E2 se obtiene de la
matriz identidad I aplicando dicha transformación.
transf.elemental e2
I −→ E2
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
Proposición 1.42 Sea A′ la matriz (de tamaño m × n) que se obtiene a partir de

la matriz A (de tamaño m × m) realizando la transformación elemental e con las filas
de A
transf.elemental e
A −→ A′ ;
y E la matriz elemental (de tamaño m × m ) asociada con la transformación e
transf.elemental e
I −→ E
Entonces se cumple que A′ = EA.
Demostración. Si E1 es la matriz (1.13) asociada a la transformación elemental “multi-

plicar la fila i por la constante α 6= 0”, es inmediato verificar que
  
1 ··· 0 ··· 0 a11 a12 ··· a1n
 .
 .. · · · ... ..   . .. .. 
··· .   .
  . . ··· . 
E1 A =  0 · · · α · · · 0   ai1 ai2 · · · ain  =
  
 . . . 
..  . .. .. .. 

 .
 . · · · .. . ..   .. . . . 

0 ··· 0 ··· 1 am1 am2 · · · amn

 
a11 a12 · · · a1n
 . .. .. 
 .. . ··· . 
 
=  αai1 αai2 · · · αain  = A′
 
 . .. .. 
 . ..
 . . . . 

am1 am2 · · · amn
Análogamente se prueba la propiedad para las dos restantes operaciones elementales.
Ejemplo 1.22 Consideremos la matriz

   
1 0 2 1 1 0 0
A =  2 −1 3 6  , y la matriz elemental E =  0 1 0 
   
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
Observación 1.43 El último resultado es también cierto si intercambiamos transformacio-

nes elementales en filas por transformaciones elementales en columnas. La única diferencia
es que los productos por la izquierda de las matrices elementales pasan a productos por la
derecha, y se cumpliría la relación A′ = AE, donde E ∈ Rm×m .
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′ .
Si representamos estas operaciones elementales por sus respectivas matrices elementales

asociadas, se puede enunciar el siguiente resultado.
Proposición 1.44 Toda matriz A puede reducirse a su forma escalonada A′ me-

diante el producto a izquierda de una sucesión de matrices elementales E1 , E2 , . . . , Ek ,
esto es:
Ek . . . E2 E1 A = A′ .
La matriz P = Ek . . . E2 E1 se denomina matriz de paso. La matriz P de paso se obtiene

directamente realizando a la matriz identidad In todas las transformaciones elementales por
filas que realizamos a la matriz A para obtener la matriz A′ .
Ejercicio Básico 1.14 Se considera la matriz

 
2 1 2 1
 
1 1 2 1
A= 0 1 −2

 2
3 2 2 0
Utilizando únicamente transformaciones elementales por filas a la matriz A, calcular una

matriz A′ triangular y hallar la matriz de paso P tal que A′ = P A.
1.7. Rango y equivalencia de matrices
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.
Definición 1.45 Se define el rango de una matriz como el número de pivotes

de su forma escalonada. Dos matrices del mismo tamaño se dicen equivalentes si
tienen el mismo rango.
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.
De la propia definición, el algoritmo de eliminación de Gauss es esencial a la hora de

discutir el rango de una matriz. Existen otras técnicas que involucran el determinante y que
son más eficaces en algunas situaciones particulares, pero que, por lo general y a nuestro
modo de ver, suele ser más efectivo utilizar Gauss o combinar ambos métodos. Estudiemos
otra interpretación teórica del rango mediante la dependencia lineal.
Definición 1.46 Los vectores columna X1 , X2 , . . . , Xp en Rn×1 (o vectores fila en

Rn ) son linealmente dependientes si existen números reales λ1 , λ2 , . . . , λp no todos
nulos tales que
λ1 X1 + λ2 X2 + · · · + λp Xp = 0.
Los vectores se dicen linealmente independientes si no son linealmente depen-

dientes.
La dependencia e independencia lineal es una noción clave cuando estudiemos espacios

vectoriales en un contexto general y su comprensión en profundidad requiere un mayor
esfuerzo. De momento nos conformaremos con conocer la relación del rango de una matriz
con la dependencia e independencia lineal de los vectores fila (columna) de una matriz real.
Proposición 1.47 Sea A una matriz de dimensión m × n. Son equivalentes:
(i) El rango de A es r.
(ii) El número máximo de vectores columna de A linealmente independientes es r.
(iii) El número máximo de vectores filas de A linealmente independientes es r.
En la práctica, muchos problemas de álgebra lineal en dimensión finita se traducen, de

una u otra manera, en la discusión del rango de una cierta matriz que suele depender de
algún parámetro real. Hemos de subrayar que la habilidad en el cálculo del rango de una
matriz en función de parámetros es fundamental para la resolución práctica de problemas
y ejercicios a lo largo de todo el curso. A tenor de la experiencia y la estadística, no es

exagerado afirmar que el éxito en la resolución directa o indirecta de más de un cincuenta
por ciento de los ejercicios de este curso va a depender de este hecho. Así pues, aconsejamos
enérgicamente que se realice mucha práctica para afianzar su cálculo y discusión.
Ejercicio Básico 1.15 Hallar los rangos de las siguientes matrices:
   
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.-
(a) r=3 (b) r=2 (c) r=3 (d) r=4
1.7.1. Teorema de Rouché-Frobenius
El Teorema de Rouché-Frobenius nos proporciona un sencillo criterio para saber la natu-

raleza de un sistema de ecuaciones lineales.
Teorema 1.48 (Rouché-Frobenius) Dado un sistema con m ecuaciones y n in-

cógnitas, AX = B, denotemos por Ā = (A|B) la matriz ampliada del sistema, cuyos
bloques son la matriz A y el vector B. Se tiene que:
(a) El sistema es compatible ⇐⇒ rg(A) = rg(Ā)
El sistema es compatible determinado ⇐⇒ rg(A) = rg(Ā) = n

Es compatible indeterminado ⇐⇒ rg(A) = rg(Ā) < n
(b) El sistema es incompatible ⇐⇒ rg(A) 6= rg(Ā)

Proposición 1.49 Si AX = B es un sistema compatible, entonces toda solución

es de la forma X0 + X1 , donde X0 es una solución cualquiera del sistema y X1 es
solución del sistema homogéneo AX = 0. Además, las soluciones del sistema AX = 0
forma un subespacio vectorial de dimensión n − rg(A).
1.7.2. Forma canónica equivalente
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 .
(3) Realizamos transformaciones elementales por columnas a la matriz A′ obtenida en el

primer paso hasta obtener la forma canónica equivalente (el Teorema 1.50 asegura que
esto siempre se puede hacer).
(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.
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
P1 AQ1 = P2 BQ2 = F CE.
Podemos despejar B de la ecuación anterior y obtenemos
B = P2−1 P1 AQ1 Q−1

2 ,
de donde se desprende el corolario siguiente.
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
1.7.3. Cálculo de la inversa de una matriz por el método de Gauss
Supongamos que A es una matriz cuadrada regular. En particular, podemos aplicar el

Teorema 1.50 y deducimos la existencia de matrices regulares P y Q tales que P AQ = I.
Multiplicando a izquierda por P −1 y por P a derecha en esta ecuación, obtenemos que AQP =
I. En consecuencia QP es la inversa de A. Además las matrices P y Q se pueden obtener
mediante transformaciones elementales por filas y columnas a la identidad. En este caso,
observemos además, que la forma de Hermite de una matriz regular es la matriz identidad, lo
que implica que no es necesario hacer transformaciones elementales por columnas, pudiendo
llegar a la identidad realizando transformaciones elementales únicamente por filas. En ese

caso la matriz inversa es la matriz P obtenida en el paso (1).
Ejercicio Básico 1.18 Calcular la inversa mediante el método de Gauss de la matriz
 
1 1 −1
A = 1 2 1
 
0 −1 1
1.8. Factorización LU y LDU de una matriz cuadrada
Definición 1.52 (Factorización LU ) La factorización LU de una matriz A ∈ Rn×n

consiste en encontrar una matriz L ∈ Rn×n triangular inferior y con 1’s en la diagonal,
y una matriz U ∈ Rn×n triangular superior verificando:
A = LU.
Mostremos el procedimiento para calcular L y U mediante un ejemplo.
 
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:
No se permite intercambiar dos filas.
La fila en la que estamos realizando la transformación elemental sólo se involucra en ella sumándola a
las demás.
   
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.
Definición 1.53 (Factorización LDU ) La factorización LDU de una matriz A ∈

Rn×n consiste en encontrar una matriz L ∈ Rn×n triangular inferior y con 1’s en la
diagonal, una matriz D diagonal y una matriz U ∈ Rn×n triangular superior y con 1’s
en la diagonal verificando:
A = LDU
Una vez obtenida la factorización LU es muy sencillo obtener la factorización LDU si

observamos que:
    
u11 u12 u13 · · · u1n u11 0 0 ··· 0 1 uu11
12 u13
u11 · · · uu1n
11
 0 1 uu23 · · · uu2n 
    
 0 u22 u23 · · · u2n   0 u22 0 · · · 0
    22 22 
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.
1.9. Subespacios fundamentales de una matriz
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.
Definición 1.54 Sea A una matriz real de dimensión m × n. Entonces:
(a) El núcleo de la matriz A es el subconjunto de Rn×1 dado por

Ker(A) = X ∈ Rn×1 : AX = 0 .
(b) La imagen de la matriz A es el subconjunto de Rm×1 dado por
Im(A) = Y ∈ Rm×1 : existe X ∈ Rn×1 verificando AX = Y .

El cálculo de estos subespacios se basa en la resolución de sistemas de ecuaciones linea-

les y, para una mejor comprensión, resolveremos un ejemplo concreto que será fácilmente
extrapolable a cualquier matriz.
Ejemplo 1.24 Calculemos el núcleo y la imagen de la matriz

 
1 −3 −7 9
A = 0 1 5 −3 .
 
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.
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
x1 − 3x2 − 7x3 + 9x4 = 0,

x2 + 5x3 − 3x4 = 0.
De estas ecuaciones podemos despejar las variable x2 y x1 en función de las variables x3 = α y x4 = β, y

obtenemos las ecuaciones parámetricas de las soluciones:
x1 = −8α, x2 = −5α + 3β, x3 = α, x4 = β
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
 
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

(b) Ker(B) : x1 = −α; x2 = 2α; x3 = 0; x4 = 0; Im(B) = R3×1


 
 y1 = α
x = α
 

 1 

 y = −2α

2
(c) Ker(C) : x2 = 2α Im(C) :

 
 y3 = β
 x3 = 0
 


y4 = 3β.

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.
1.10.1. Definición y propiedades
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
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.
La definición de determinante de una matriz cuadrada será dada, por simplicidad, de

manera inductiva en el número de filas (o de columnas). O sea, introducimos la definición
de determinante de una matriz n × n a partir del conocimiento de los determinantes de
matrices (n − 1) × (n − 1). La definición inductiva nos sirve para nuestros propósitos, pero se
debe añadir que no es la más aconsejable si se quiere probar con rigurosidad las propiedades
del determinante.
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.
Definición 1.55 Sea A = (aij ) una matriz n × n, se define la submatriz adjunta

del elemento aij como la submatriz Aij de la matriz A que se obtiene eliminado la
fila i y la columna j de A.
Ejemplo 1.25 Consideramos la matriz A = (aij ) dada por

 
3 −4 −3
 −1 2 7 ,
 
−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) .
Definición 1.57 (Inductiva del determinante) El determinante de una matriz de

tamaño 1 × 1 es el propio número. El determinante de una matriz de tamaño 2 × 2
dada por !
a b
A=
c d
def
es el número |A| = ad − bc.
El determinante de una matriz cuadrada A de dimensión n × n se define como el
número
def
|A| = (−1)1+1 a11 |A11 | + . . . + (−1)i+1 ai1 |Ai1 | + . . . + (−1)n+1 an1 |An1 |
Ejemplo 1.26
!
3 2
(a) Calculemos el determinante de la matriz A =
7 2
|A| = (3) (2) − (7) (2) = −8
(b) Calculemos el determinante de la matriz

 
3 −4 −3
A =  −1 2 7 
 
−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
(c) Calculemos el determinante de la matriz

 
2 0 1 1
 
 2 2 −4 −1 
A= 

 −3 1 1 1 

2 −2 0 0
|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
|A| = 2 (6) − 3 (−6) − 2 (3) = 24
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.
adjunto de aij como el escalar αij = (−1)(i+j) det(Aij ).
El siguiente resultado proporciona un nuevo método de cálculo de un determinante de

forma inductiva. En realidad, la definición inductiva del determinante que hemos presentado
(que no es la formal) se corresponde con el desarrollo de un determinante por la primera
columna. Se puede generalizar el cálculo de un determinate por el desarrollo por cualquiera

de sus filas o columnas.
Proposición 1.59 Sea A una matriz cuadrada de tamaño n × n, entonces para

cualquiera que sea el índice i ∈ {1, . . . , n} se verifica:
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).
El número de operaciones a realizar cuando se resuelve un determinante aumenta espec-

tacularmente al aumentar la dimensión de la matriz. Pero obsérvese que cuando la matriz es
triangular, entonces el determinante es el producto de los elementos de la diagonal. A con-
tinuación presentamos algunas propiedades de los determinantes que nos permiten aligerar
su cálculo.
Teorema 1.60 (Propiedades del determinante) Se dan las siguientes propieda-

des:
(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.
(c) El determinante de una matriz no varía si los elementos de su i-ésima fila (o

columna) se multiplican por un escalar λ y el resultado es añadido a la h-ésima
fila (o columna), con h 6= i.
(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 )
(g) det(AB) = det(A) det(B)
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.
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
1.10.2. Aplicaciones de los determinantes
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.
Cálculo de la inversa de una matriz
Antes de calcular la inversa de una matriz debemos averiguar si es o no invertible, el

mejor criterio práctico para esta tarea es el que sigue.
Teorema 1.61 Sea A una matriz cuadrada de orden n × n.
A es invertible ⇔ |A| =
6 0
Teorema 1.62 (Cálculo de la inversa) Si A es una matriz cuadrada de orden n

cuyo determinante es distinto de cero, entonces su inversa viene dada por
 T
α11 · · · α1n
1   ... .. .. 
A−1 = . . 
det(A)  
αn1 · · · αnn
donde αij representa el adjunto del elemento aij .
A la matriz de los adjuntos (αij ) se le denomina matriz adjunta de A y la representaremos

por Ad(A). Con esta notación podemos escribir:
1
A−1 = (Ad(A))T .
det(A)

 
1 −1 2
A =  4 2 4 ,
 
5 0 1
que es invertible, pues |A| = −34; calculemos los adjuntos de A:

 
× × × !
2 4 2 4
 × 2 4  ⇒ A11 = ⇒ |A11 | = = 2 ⇒ α11 = 2
 
0 1 0 1
× 0 1
y trabajando de la misma manera se obtienen:

−1 2 −1 2
|A21 | = = −1 ⇒ α21 = 1; |A31 | = = −8 ⇒ α31 = −8;

0 1 2 4

4 4 1 2
|A12 | = = −16 ⇒ α12 = 16; |A22 | = = −9 ⇒ α22 = −9;

5 1 5 1

1 2 4 2
|A32 | = = −4 ⇒ α32 = 4; |A13 | = = −10 ⇒ α13 = −10;

4 4 5 0

1 −1 1 −1
|A23 | = =⇒ α23 = −5; |A33 | = = 6 ⇒ α33 = 6,

5 0 4 2
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
Cálculo del rango de una matriz
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.
Teorema 1.63 Sea A una matriz de tamaño m × n. Son equivalentes:
(i) El rango de A es r.
(ii) El tamaño de la mayor submatriz regular de A es r.
1.10.3. Regla de Cramer
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.
Teorema 1.64 Consideremos AX = B un sistema de ecuaciones compatible de-

terminado con A ∈ Rn×n . Entonces las soluciones de AX = B son
|Ai |
xi = , 1 ≤ i ≤ n,
|A|
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.
Solución.-
(a) x = −1/9, y = 7/9, z = 8/9 (b) x = 0, y = 4, z = 7

Capítulo1.-Matrices y Determinantes PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capítulo1.-Matrices y Determinantes PDF

Cargado por

Copyright:

Formatos disponibles

Capítulo 1

La ubicación de la teoría de sistemas lineales en cualquier texto de álgebra lineal representa

Saber resolver sistemas de ecuaciones lineales es una tarea algorítmica relativamente

En primer lugar introducimos algunas definiciones básicas de la teoría de conjuntos con el

en muchas situaciones son una forma ordenada de escribir la información disponible;

pueden ser consideradas como un conjunto ordenado de m × n números;

como un conjunto ordenado de n columnas;

como un conjunto ordenado de m filas;

pueden ser vistas como la definición de una aplicación de Rn en Rm .

1.1. Nociones preliminares sobre conjuntos

En este capítulo introducimos algunas definiciones y notaciones necesarias para el desa-

Si a es un elemento de un conjunto A, se escribe a ∈ A.

Si B es un conjunto tal que todo elemento de B está en un conjunto A, se dice

1. Los números naturales: N = {0, 1, 2, 3, ....}.

2. Los números enteros: Z = {..., −2, −1, 0, 1, 2, ...}.

3. Los números racionales: Q = m

4. Los números reales R. La descripción de este conjunto es más difícil.

5. Los números complejos: C = a + bi : a, b ∈ R, i2 = −1 .

6. El conjunto de los polinomios de grado menor o igual a n con coeficientes reales:

7. El conjunto vacío: ∅ = {}.

8. Sean A y B dos conjuntos, entonces:

A = {p(x) ∈ R3 [x] : p(0) = 1} .

Definición 1.2 Sean A y B conjuntos. El producto cartesiano de A y B es el

Si tenemos n conjuntos A1 , · · · , An , la definición anterior se extiende al producto

Vectores del espacio ≡ R3 = R × R × R = {(x, y, z) : x, y, z ∈ R}

La idea se puede generalizar a vectores de dimensión n genérica:

1.1.1. Aplicaciones entre conjuntos

Definición 1.3 Sean A y B conjuntos. Una aplicación f de A en B es una corres-

Definición 1.4 Se dice que un elemento b ∈ B es la imagen de a ∈ A por f si al

Definición 1.5 Sea f : A → B una aplicación. La imagen inversa f de un elemento

La imagen inversa f −1 (Y ) de un subconjunto Y ⊂ B es la unión de todas las imágenes

Una aplicación f : A → B se dice suprayectiva si f (A) = B es decir, si para todo

Una aplicación f : A → B se dice inyectiva si para todo b ∈ B hay al lo sumo

Una aplicación se dice biyectiva o biunívoca si es suprayectiva e inyectiva.

1. La aplicación f : R × R → R definida por f (x, x′ ) = x es suprayectiva.

3. La aplicación f : N → N dada por f (n) = n + 1 es inyectiva, pues si n 6= n′ entonces n + 1 6= n′ + 1.

4. La aplicación f : Z → Z definida por f (n) = n + 1 es biyectiva.

6. Dado un conjunto cualquiera A definimos la aplicación identidad en A, IdA , como la aplicación de A en

7. La aplicación logaritmo definida de los reales positivos R+ \ {0} en R es biyectiva.

(a) f : N → N tal que f (n) = n2 ;

(b) f : N → Z, tal que f (n) = −n ;

(c) f : N → Z, tal que f (n) = 15 − 3n;

(f ) f : R[x] → R, tal que f (p(x)) = p(1), para todo p(x) ∈ R[x];

(g) f : R → [−1, 1], tal que f (x) = cos x, para todo x ∈ R.

Definición 1.7 Dadas dos aplicaciones f : A → B y g : B → C, llamaremos compo-

Ejemplo 1.1 Consideremos las aplicaciones f : R → R y g : R → R definidas por

f (x) = x2 , g(x) = sen(x).

(f ◦ g)(x) = f (g(x)) = f (sen(x)) = sen2 (x),

1.1.2. Operaciones binarias

En esta sección vamos a formalizar la idea de operaciones en un conjunto. En definitiva,

Definición 1.8 Sean A y K conjuntos. Una operación binaria interna en A es

donde a, b ∈ A. Una operación binaria externa en A es una aplicación ∗ de K × A

1. La suma y el producto en R son operaciones binarias internas.

3. K = R y A = Rn . Definimos λ ∗ (x1 , . . . , xn ) = (λx1 , . . . , λxn ). Entonces ∗ es una operación binaria

Definición 1.9 Sea A un conjunto y ∗ una operación binaria interna en A. Entonces:

(c) ∗ tiene elemento neutro si existe e ∈ A tal que

(d) un elemento a ∈ A se llama invertible o inversible si existe a′ ∈ A tal que

Observación 1.10 Tenemos dos tipos de notaciones:

Notación aditiva: ∗ = +, entonces e = 0 y a′ = −a.

Notación multiplicativa: ∗ = ·, entonces e = 1 y a′ = a−1 .

1.2. Matrices: Definición y operaciones

En un sistema lineal de ecuaciones los coeficientes del mismo forman un “ordenamiento

Definición 1.11 Una matriz sobre R es un conjunto de elementos de R dispuestos