Semana 1

Estructuras Algebraicas I

Lectura
Álgebra lineal

Hernández - Álgebra lineal, Unidad 3

Material compilado con fines académicos, se prohíbe su

reproducción total o parcial sin la autorización de cada autor.
 68

UNIDAD 3

SISTEMAS DE ECUACIONES LINEALES

105

OBJETIVO:

El estudiante describirá las diferentes formas de soluciones de ecuaciones

lineales por los diversos métodos

105
http://webddelprofesor.ula.ve/ciencias/lico/algebralineal/determinante20.GIF
 69

TEMARIO

3.1. Definición de un sistema de ecuaciones lineales.

3.2. Solución de ecuaciones lineales por el método de Gauss.
3.3. Solución de ecuaciones lineales por el método de Gauss - Jordan.
3.4. Solución de ecuaciones lineales por el método de la inversa.
3.5. Solución de ecuaciones lineales por el método de Cramer.
 70

MAPA CONCEPTUAL

Sistemas de Ecuaciones lineales

Es un

Sistema con incógnitas

Resolviéndose por

Cramer Gauss Gauss Jordán

Inversa
 71

INTRODUCCIÓN

En esta unidad se tratarán los temas referentes a los sistemas de ecuaciones

lineales; se trabajarán con los métodos comunes matriciales para poder
encontrar incógnitas en un sistema de ecuaciones lineales.
Los métodos a revisar serán: el método de Gauss simple, el método de
Gauss – Jordan, el método de la matriz inversa y el método de la regla de
Cramer. Todos ellos sirven para despejar incógnitas en un sistema de
ecuaciones lineales.
 72

3.1.- DEFINICIÓN DE UN SISTEMA DE ECUACIONES LINEALES

En las matemáticas y el álgebra lineal, un sistema de ecuaciones lineales,

sistema lineal de ecuaciones o solamente sistema lineal, es un vínculo de
ecuaciones lineales sobre un cuerpo o un anillo conmutativo. Un ejemplo de
sistema lineal de ecuaciones sería el siguiente:

La complicación consiste en hallar los valores desconocidos de las variables x1,

x2 y x3 que satisfacen las tres ecuaciones.106
En general, un sistema con m ecuaciones lineales n incógnitas puede ser
escrito en forma ordinaria como:

Donde son las incógnitas y los números a11 hasta amn,son los
coeficientes del sistema sobre el cuerpo de las incógnitas. Es posible reescribir
el sistema separando con coeficientes con forma matricial:

Si representamos cada matriz con una única letra obtenemos:

106
Grossman Stanley I. Álgebra Lineal, p 1 – 5.
 73

Donde el término A es una matriz m por n,y es representado en el ejemplo de la

parte de arriba por los elementos a11 hasta el elemento amn, el elemento x es
un vector columna de longitud n , y es representado en el ejemplo de la parte de
arriba por los elementos x1 hasta el elemento xn, y el elemento b es otro vector
columna de longitud m, que se representa por los datos b1 hasta bm. . La
solución de los sistemas de ecuaciones lineales es muy fácil de encontrar
cuando los coeficientes( valor numérico que acompaña a las incógnitas) de las
ecuaciones son números reales o complejos.
Una característica muy importante que podemos encontrar en los sistemas
lineales de ecuaciones es que pueden utilizar la llamada forma matricial o mas
conocido como arreglo matricial. Esa forma permite representar el sistema
usando tres matrices, de la siguiente forma:

La primera es la matriz de coeficientes (valores numéricos que acompañan a

las incógnitas), donde los términos a11 al término axy representa al coeficiente
que acompaña a la j-ésima incógnita de la ecuación i-ésima. La segunda es la
matriz de incógnitas, donde cada término, x1 a xy, se corresponde con una de
las incógnitas que queremos encontrar. Y la tercera matriz es la de términos
independientes o resultados de las ecuaciones, donde el cada elemento, b1 a
bx, representa al término independiente de la ecuación i-ésima.
Este arreglo matricial facilita el uso de algunos métodos de resolución,
como el método de Gauss simple o el de Gauss Jordan, en el que, partiendo de
la matriz aumentada (matriz de coeficientes con los resultados de las
ecuaciones incluidos a ella), y aplicando transformaciones lineales sobre las
 74

ecuaciones, pretendemos llegar a una matriz de este tipo, donde la diagonal

principal de mi matriz esta compuesta de puros unos, y todos los demás
coeficientes son ceros; y a cada uno le corresponde un único valor de b que es
la solución de la incógnita que representa el uno:

ACTIVIDAD DE APRENDIZAJE

1. Mediante un resumen desarrollar un trabajo escrito referente a los

sistemas lineales explicados en clase.

3.2.- SOLUCIÓN DE ECUACIONES LINEALES POR EL MÉTODO DE GAUSS

El método de Gauss o eliminación simple de Gauss, es una de las técnicas

empleadas por matemáticos e ingenieros para la resolución de sistemas de
ecuaciones lineales. El método comprende dos fases:

 Eliminación de las incógnitas hacia adelante

 Sustitución hacia atrás

La primera fase tiene el objetivo de reducir el sistema original a una forma

triangular superior, en la cual la diagonal principal tendrá los valores de uno, y
los elementos que están debajo de la diagonal principal valdrán cero . Por
ejemplo, para un sistema lineal de n ecuaciones en n incógnitas que se
representa con la siguiente matriz aumentada:
 75

 a11 x1 a12 x2 a1n xn  b1 

 
 a21 x1 a22 x2 a2 n xn  b2 
  
 a x a x a1n xn

 bn 
 n1 1 n2 2

Se comienza eliminando la primera incógnita x1 de la segunda ecuación

hasta la n-ésima ecuación, es decir que todos los elementos que están por
debajo del dato a11 se deben de eliminar matemáticamente. De esta forma se
obtienen los resultados del arreglo matricial que se encuentra en la parte de
abajo.

 a11 x1 a12 x2 a1n xn  b1 

 
 a '22 x2 a '2 n xn  b'2 
  
 
 a 'n 2 x2 a '1n xn  b'n 

En esta primera parte de las operaciones realizadas para las ecuaciones

se dice que la primera ecuación del sistema con la cual trabajamos es la
ecuación pivote y al coeficiente a11 del sistema, se le conoce como coeficiente o
elemento pivote. Es común referirse al proceso de eliminar incógnitas hacia
delante con el nombre de normalización de un sistema de ecuaciones, el cual
consiste en que todos los elementos que están por debajo de la diagonal
principal se convierten algebraicamente en ceros.107
Cuando se ha eliminado del sistema de ecuaciones la primera incógnita x1
de la segunda ecuación hasta la n-ésima ecuación, se procede a eliminar la
segunda incógnita x2, de la tercera ecuación del sistema hasta la n-ésima, este
paso se repite hasta que se llega al siguiente arreglo matricial:

107
Grossman Stanley I. Álgebra Lineal, p. 7 – 15
 76

 a11 x1 a12 x2 a13 x3 a1n xn  b1 

 
 a '22 x2 a23 x3 a '2 n xn  b'2 
 a ''33 x3 a ''3n xn  b''3 
 
  
 ( n 1)
ann xn ( n 1) 
 bn 


Que como se puede ver , es una matriz triangular superior(en la cual todos
los elementos debajo de la diagonal principal valen ceros), en donde los
apóstrofos de prima ( ' ), bi-prima ( '' ),…, n-1 prima (n-1), indican el número de
operaciones de normalización que se realizaron a cada una de las ecuaciones
del sistema.
La segunda fase de la eliminación de Gauss simple, consiste en que, una
vez que se obtuvo la matriz triangular superior a través de operaciones de
normalización, realizar la sustitución hacia atrás. Este proceso comienza
despejando el valor de xn de la última ecuación del arreglo matricial.

bn( n 1)
xn  ( n 1)
ann

De esta forma se obtiene el valor de xn a su vez, este resultado se

sustituye hacia atrás en la ecuación que se encuentra arriba de la ecuación de
xn . Este mecanismo se repite para las todas las incógnitas x restantes, lo que
se representa mediante la fórmula general:

n
bi(i 1)  a
j  i 1
( i 1)
ij xj
xi  ( i 1)
a ii

El método de eliminación de Gauss, puede enfrentar las siguientes

dificultades:

 Error de redondeo. Principalmente porque pueden haber variaciones de

acuerdo al redondeo de cálculos que se hagan. División entre cero. El
ejemplo de abajo muestra una división entre ceros, cuando no existe el
elemento a11. a
 77

2 x2  3 x3 
0
4 x1  6 x2  7 x3 
3
2 x1  x2  6 x3 
5

 Sistemas mal condicionados. Esto sucede cuando pequeñas variaciones

en los coeficientes pueden generar grandes alteraciones en los
resultados finales.. Ejemplo de un sistema mal condicionado:

x1  2 x2 
10
1.05 x1  2 x2 
10.4

Solucionándolo, se tiene que x1 = 8 y x2 = 1. Modificando ligeramente el

valor de la segunda ecuación del sistema:

x1  2 x2 
10
1.1x1  2 x2 
10.4

Obtenemos que x1 = 4 y x2 = 3. Como se puede observar, un ligero

cambio en uno de los coeficientes del sistema, origina una fuerte
variación en la solución del mismo.

 Usar un mayor número de cifras significativas, de preferencia todos los

dígitos del cálculo.

 Pivoteo. Hay que saber pivotear bien, en caso de ser necesario se

pueden mover las ecuaciones para poder obtener un pivoteo mas fácil, si
se hace esto se deben de acomodar en el lugar que le corresponde a
cada coeficiente, se puede hacer este paso respetando el lugar de los
coeficientes en la ecuación, en caso contrario se afectará el resultado
final.. Al procedimiento en el que tanto enlas columnas como las filas se
busca el elemento de mayor valor absoluto y posteriormente se cambian
de posición se denomina pivoteo total.
 78

ACTIVIDAD DE APRENDIZAJE

1. Encontrar el valor de las incógnitas x, y, z. usando el método de Gauss.

x  4y  z  6 
1  2 x  5 y  7 z 9 
3 x  2 y  z  2 

x  y  z  6 

2  x  y  2z  5 
 x  y  3 z 10 

x  y  z  12 

3 2x  y  z  7 
 x  2 y  z 6 

x  y  z  2 

4 x  y  z  4 

 2 x  2 y  z 4 

 2 x  y  3z  1 

5  x  3y  2z  12 
3 x  2 y  z 5 

2x  3 y  z  1 

6 6 x  2 y  z  14 
3 x  y  z 1 

5 x  2 y  z  24 

7 2 x  5 y  2 z 14 
 x  4 y  3 z 
26 

 4 x  2 y  3z  8 

8 3 x  4 y  2 z  1
 2 x  y  5 z 3 

6 x  3 y  2 z  12 

9 9 x  y  4 z  37 
10 x  5 y  3 z  21

 2 x  4 y  3z  3 

10 10 x  8 y  9 z  0 
 4 x  4 y  3 z 
2 
 79

3.3.- SOLUCIÓN DE ECUACIONES LINEALES POR EL MÉTODO DE GAUSS –JORDAN

La eliminación de Gauss-Jordan, denominada de este modo en honor a Carl

Friedrich Gauss y Wilhelm Jordan, tiene que ver con movimientos matemáticos
relacionados con el álgebra lineal con el fin de determinar el valor de las
incógnitas dentro de un sistema de ecuaciones lineales.
Un sistema de ecuaciones se resuelve por el método de Gauss Jordan
de forma parecida a como se resuelven los sistemas de ecuaciones utilizando el
método de Gauss simple. Se trabaja de la misma forma en que se trabaja en el
método de Gauss, con la variación de que la diagonal principal vale uno y todos
los demás elementos por arriba y por debajo de la diagonal principal valen cero.
La matriz obtenida, al trabajar con tal método, se denomina forma escalonada.

Algoritmo de eliminación de Gauss-Jordan

1. Ir a la columna no cero que se encuentra en el extremo izquierdo.

2. Si el primer valor de la incógnita en la ecuación uno es cero hay que
intercambiar con la ecuación dos, de modo que el primer valor siempre
sea diferente de cero.
3. Después, conseguir ceros en todos los elementos debajo del dato que
quedo arriba, realizando las operaciones algebraicas necesarias para
conseguirlo. .
4. Repetir el proceso 3 con la matriz restante. Y repetir con todos los
renglones sobrantes (aquí la matriz está escalonada).

Una variante de la eliminación de Gauss simple, es la -eliminación Gauss-

Jordan, que consiste en ir obteniendo los valores de uno delanteros durante los
pasos uno al cuatro (forma directa), de este modo, la terminar éstos, se obtiene
la matriz en modalidad escalonada reducida.
Ejemplo:
Suponga que se requiere encontrar los valores de las incógnitas x, y, z, los
cuales satisfacen el siguiente sistema de ecuaciones lineales:
 80

“El objetivo es reducir el sistema a uno equivalente, que tenga el valor de

las soluciones. Las operaciones elementales son estas”:108

 “Multiplicar una ecuación por un escalar no nulo”.109

 “Intercambiar de posición dos ecuaciones”.110
 “Sumar a una ecuación un múltiplo de otra”.111

“Estas operaciones se representan con matrices elementales que se

utilizan en otros procedimientos como la factorización LU o la diagonalización
de una matriz simétrica”.112
“En el ejemplo, se elimina X de la ecuación dos sumando 2/3 veces la
ecuación uno a la dos y después sumamos la ecuación uno a la tres . El
resultado es”:113

“Una vez que se elimina X, eliminamos Y de la ecuación uno sumando -2

veces la ecuación dos a la ecuación uno, y sumamos -4 veces la ecuación dos
a la ecuación tres para eliminar Y”.114

108
http://uinformatica.blogspot.es/
109
Ibidem.
110
Ibidem.
111
Ibidem.
112
Ibidem.
113
Ibidem.
114
Grossman Stanley I. Álgebra Lineal, p, 7 – 17. Y en http://uinformatica.blogspot.es/
 81

“Por último eliminamos z de la ecuación uno sumando -2 veces la t

ecuación tres a la ecuación uno, y sumando 1/2 veces la ecuación tres a la
ecuación dos para eliminar z”.115

“Despejando, podemos ver las soluciones”:116

“Para depurar los pasos, trabajamos con la matriz aumentada. Se pueden

ver los 3 pasos en su arreglo matricial”:117

Primero:

Después,

115
Ibidem.
116
Ibidem.
117
Ibidem.
 82

Por último.

“Dos formas especiales de matrices son la matriz escalonada y la matriz

escalonada reducida. Una matriz escalonada debe tener las siguientes
propiedades”:118

1. “Todas los renglones cero están en la parte inferior de la matriz”.119

2. “El elemento delantero de cada renglón diferente de cero, es llamado
"pivote"; están a la derecha del elemento delantero del renglón fila
anterior (esto supone que todos los elementos por debajo de un
elemento pivote son cero)”.120

“Si una matriz cumple con esta propiedad, se dice matriz escalonada.
Además, cumpliendo estas condiciones, decimos que la matriz se encuentra en
la forma reducida de renglón escalón o tan solo en forma escalonada
reducida”.121

1. “Todos los elementos delanteros ("pivotes") son iguales a 1”.122

2. Todos los elementos por encima de los pivotes son nulos.

“Cuando una matriz representa situaciones como tener una columna de

ceros parece imposible ya que correspondería a una variable que nunca habría
aparecido. Sin embargo esta situación puede presentarse (imaginemos la

118
Ibidem.
119
Ibidem.
120
Ibidem.
121
Ibidem.
122
Ibidem.
 83

ecuación de un plano en el espacio en la que no aparece alguna de las

componentes, por ejemplo y + z =0). Así la matriz”.123

“También es una matriz escalonada”.124

. ACTIVIDAD DE APRENDIZAJE

1. Resolver los siguientes ejercicios utilizando el método de Gauss –

Jordan.

123
Ibidem.
124
Ibidem.
 84

3 x  y  z  1 
1  x  2 y  z  1 

 x  y  2 z 17 

7 x  3 y  4 z 35 
2 3 x  2 y  5 z 38 
 x  y  6 z 27 

4 x  y  5z  6 

3 3 x  3 y  4 z  30 
 6 x  2 y  3 z 33

9 x  4 y  10 z  6 

4 6 x  8 y  5 z  1 

12 x  12 y  15 z  10 

5 x  3 y  z  11 
5 10 x  y  z  10 
15 x  2 y  z  7 

x  y  z  11 

6  x  y  3z  13 
 2 x  2 y  z 7 

x  y  z  6 

7 2 x  y  z  1 
 x  2 y  3 z 6 

2 x  3 y  4 z  3
8  2 x  6 y  8 z 5 
 4 x  9 y  4 z 
4 

6 x  3 y  2 z  12 
9 9 x  y  4 z  37 
10 x  5 y  3 z  21

 2 x  4 y  3z  3 

10 10 x  8 y  9 z  0 
 4 x  4 y  3 z 
2 
 85

3.4.- SOLUCIÓN DE ECUACIONES LINEALES POR EL MÉTODO DE LA INVERSA

“Es posible utilizar la eliminación gaussiana para encontrar matriz inversas de

matrices n × n. Para ello se aumenta la matriz dada, con una matriz identidad
escribiendo los renglones de la identidad a continuación de las de nuestra
matriz A, por ejemplo dada”:125

Se resolvería

“Y ahora se realizan las operaciones elementales sobre las filas de la matriz

aumentada que sean necesarias para obtener la forma escalonada reducida de
la matriz A; sumando tanto a la segunda como a la tercera fila la primera
obtenemos”.126

“Multiplicamos la segunda fila por -1 y la intercambiamos con la primera”127

125
http://uinformatica.blogspot.es/
126
Ibidem.
127
Ibidem.
 86

“Ya tenemos el pivote de la primera fila que usamos para hacer ceros
debajo”128

Ahora usamos el pivote de la segunda fila

“Y por último cambiamos de signo la tercera fila y usamos el pivote

correspondiente”129

“El proceso ha finalizado porque en la parte izquierda tenemos la forma

escalonada reducida de A y puesto que ésta es la matriz identidad, entonces A
tiene inversa y su inversa es la matriz que aparece a la derecha, en el lugar que

128
Ibidem.
129
Ibidem.
 87

al principio ocupaba la identidad. Cuando la forma escalonada reducida que

aparece no es la identidad es que la matriz de partida no tiene inversa”.130

ACTIVIDAD DE APRENDIZAJE

1. Resolver ejercicios y problemas ejemplificando el método de matriz

inversa.

130
Ibidem.
 88

x  4y  z  6 
1  2 x  5 y  7 z 9 
3 x  2 y  z  2 

x  y  z  6 
2  x  y  2 z  5 
 x  y  3 z 10 

x  y  z  12 

3 2x  y  z  7 
 x  2 y  z 6 

x  y  z  2 

4 x  y  z  4 

 2 x  2 y  z 4 

 2 x  y  3z  1 
5  x  3 y  2 z 12 
3 x  2 y  z 5 

2x  3 y  z  1 
6  6 x  2 y  z  14 
3 x  y  z  1 

5 x  2 y  z  24 

7 2 x  5 y  2 z 14 
 x  4 y  3 z 
26 

 4 x  2 y  3z  8 

8 3 x  4 y  2 z  1
 2 x  y  5 z 3 

6 x  3 y  2 z  12 
9 9 x  y  4 z  37 
10 x  5 y  3 z  21

 2 x  4 y  3z  3 
10 10 x  8 y  9 z  0 
 4 x  4 y  3 z 
2 

3.5.- SOLUCIÓN DE ECUACIONES LINEALES POR EL MÉTODO DE CRAMER

La regla de Cramer es una demostración en Álgebra Lineal, que da el resultado

de un sistema lineal de ecuaciones en términos de determinantes. Recibe este
 89

nombre en honor a Gabriel Cramer (1704 - 1752), quien publicó la regla de

Cramer en su libro Introduction à l'analyse des lignes courbes algébriques de
1750, aunque el matemático Colín Maclaurin también publicó el método de
Cramer en su libro Treatise of Geometry de 1748 (y probablemente conocía
del método desde 1729).
La regla de Cramer es de gran importancia teórica porque da un término
explícito para la solución de un sistema de ecuaciones.

Si es un sistema de ecuaciones lineales. el valor de A es la matriz de

coeficientes del sistema, los valores de es el vector columna

de las incógnitas y el valor de es el vector columna de los términos
independientes. Entonces la solución al sistema se representa mediante la
fórmula:

Donde el valor Aj representa la matriz resultante de cambiar la j-ésima

columna de A por el vector columna b. nótese que para que el sistema sea
compatible determinado, el determinante de la matriz A no ha de ser nulo.
Para la solución de un sistema de dos ecuaciones con dos incógnitas, de
la forma. Dado el sistema de ecuaciones:

Se representa en forma de matrices:

 90

Entonces, X e Y pueden ser halladas con la regla de Cramer, con una

división de determinantes, de la siguiente manera:

La regla para un sistema de tres ecuaciones con tres incógnitas es similar,

con una división de determinantes:

Que representadas en forma de matriz es:

X, y, z pueden ser encontradas como sigue:

 91

Sean:

Usando las propiedades de la multiplicación matricial

Entonces:

Sean:
 92

Por lo tanto:

Aparte, recordándose la definición de determinante, el valor de la

sumatoria definida acumula el producto del elemento adjunto o cofactor del
lugar ij, con el elemento i-ésimo del vector B (que es precisamente el elemento
i-èsimo de la columna j, en la matriz Aj.131

ACTIVIDAD DE APRENDIZAJE

1. Demostrar la regla de Cramer en sistemas de ecuaciones con tres

incógnitas.

131
Baldor Aurelio, Álgebra, p. 346 – 347.
 93

AUTOEVALUACIÓN

Resolver los siguientes sistemas de ecuaciones lineales por el método de

Gauss, Gauss – Jordan, Matriz inversa y por el método de la regla de Cramer.

2 x  y  3z  1 
 
1)  x  3 y  2 z 
12 
3 x  2 y  z 5 
 

2 x  4 y  3z  3 
 
2) 10 x  8 y  9 z 0
4 x  4 y  3z  2 
 

4 x  y  5 z  6 
 
3) 3 x  3 y  4 z 30 
6 x  2 y  3 z 33
 

RESPUESTAS AUTOEVALUACIÓN
 94

1 
1)  3 
 2 

1
2
 
1
2)  
4
1
 
 3 

3
3)  3 
 3
Semana 1
Estructuras Algebraicas I

Lectura
Algebra Matrices

UOC-Algebra_Matrices

Material compilado con fines académicos, se prohíbe su

reproducción total o parcial sin la autorización de cada autor.
 Álgebra de matrices

ÁLGEBRA DE MATRICES
Autores: Cristina Steegmann Pascual (csteegmann@uoc.edu), Juan Alberto Rodríguez Velázquez
(jrodriguezvel@uoc.edu), Ángel Alejandro Juan Pérez (ajuanp@uoc.edu).

ESQUEMA DE CONTENIDOS ________________________

Definición Tipos de
de matriz matrices

Álgebra de
Matrices

Algunas
Aplicaciones
Operaciones con
matrices

Matrices Input
Modelo Output
metalúrgico
Suma, producto Cálculo con
y producto por Mathcad
un escalar
Matriz de
adyacencia

INTRODUCCIÓN ___________________

El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de

datos como en el cálculo numérico y simbólico que se deriva de los modelos matemáticos
utilizados para resolver problemas en diferentes disciplinas como, por ejemplo, las ciencias
sociales, las ingenierías, economía, física, estadística y las diferentes ramas de las matemáticas
entre las que destacamos las ecuaciones diferenciales, el cálculo numérico y, por supuesto, el
álgebra. Para obtener información sobre la historia del álgebra de matrices recomendamos [W5].

En este math-block presentamos algunos tipos de matrices, analizamos las principales operaciones
con matrices y damos algunas aplicaciones del álgebra de matrices. Además, mostramos las
posibilidades que nos brinda el programa Mathcad para el cálculo matricial. Para completar el estudio
sobre este tema, recomendamos la lectura de los math-blocks sobre determinantes, matriz inversa y
sistemas de ecuaciones lineales.

Proyecto e-Math 1
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

OBJETIVOS ________________________

• Conocer algunos tipos de matrices.

• Conocer las principales operaciones con matrices.
• Conocer algunas aplicaciones del cálculo matricial.
• Conocer las facilidades del cálculo matricial usando el programa Mathcad.

CONOCIMIENTOS PREVIOS ___________________________________

Es recomendable haber leído, previamente, los math-blocks introductorios a Mathcad.

CONCEPTOS FUNDAMENTALES ______________________________

‰ Definición de matriz

Los arreglos rectangulares de números como el siguiente

 8 −1 0 
 
 5 0.5 3 
reciben el nombre de matrices. Más formalmente, dado un conjunto X, se denomina matriz de
n filas y m columnas a un conjunto de n×m elementos de X, dispuestos en un arreglo rectangular
de n filas y m columnas. Las características de los elementos del conjunto X dependerán, en
cada caso, de la naturaleza del problema que se esté estudiando. X puede ser un conjunto de
funciones, de palabras de un alfabeto, de números, etc. De aquí en adelante, salvo que se
especifique lo contrario, los elementos del conjunto X serán números reales y denotaremos el
conjunto de todas las matrices de orden n×m (n filas y m columnas) por M n×m .

En general, para representar una matriz A de orden n×m se escribe

 a11 a12  a1m 

 
 a 21 a 22  a2m 
A= 
    
 
a an2  a nm 
 n1

También se escribe A=( a ij ) ( i = 1,..., n y j = 1,..., m) para indicar que A es la matriz de orden
n×m que tiene elementos aij . Las matrices se denotan con letras mayúsculas y sus elementos
con la misma letra minúscula acompañada de dos subíndices que indican su posición en la
matriz; el primer subíndice indica la fila y el segundo la columna. Es decir, el elemento a ij es
aquel que se encuentra en la fila i y la columna j de la matriz A. Por ejemplo, si denotamos por
M la matriz inicial, entonces el orden de M es 2×3 (2 filas y 3 columnas) y sus elementos
son: m11 = 8, m12 = −1, , m13 = 0, m 21 = 5, m 22 = 0.5 y m 23 = 3.

Proyecto e-Math 2
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

Dos matrices A=( a ij ) y B=( bij ), de orden n×m, son iguales si aij = bij para todo i = 1,..., n y
j = 1,..., m. Es decir, dos matrices son iguales si los elementos que ocupan la misma posición
en ambas matrices coinciden.

‰ Algunos tipos de matrices

Matriz Cuadrada: Es aquella que tiene igual número n de filas que de columnas (n=m). En ese
caso se dice que la matriz es de orden n. Por ejemplo, la matriz
 1 3 − 2
 
A = 0 − 3 3 
 4 0.2 1 
 
es cuadrada de orden 3.

Denotaremos el conjunto de todas las matrices cuadradas de orden n por M n. Así, en el

ejemplo anterior, A ∈ M 3.

Los elementos de la diagonal principal de una matriz cuadrada son aquellos que están situados
en la diagonal que va desde la esquina superior izquierda hasta la inferior derecha. En otras
palabras, la diagonal principal de una matriz A=( a ij ) está compuesta por los elementos
a11 , a 22 ,..., a nn . En el ejemplo anterior la diagonal principal está compuesta por los elementos:
a11 = 1 , a 22 = −3 , a 33 = 1 .

Matriz Nula: Una matriz es nula si todos sus elementos son iguales a cero. En el siguiente
ejemplo se muestra la matriz nula de orden 3×2.

 0 0
 
O =  0 0
 0 0
 

Más adelante veremos que la matriz nula, respecto a la adición y multiplicación de matrices,
juega un papel similar al número cero respecto a la adición y multiplicación de números reales.

Matriz Diagonal: Una matriz cuadrada, A=( a ij ), es diagonal si a ij =0, para i ≠ j . Es decir, si
todos los elementos situados fuera de la diagonal principal son cero. Por ejemplo, la siguiente
matriz es diagonal:
0 0 0 
 
D = 0 6 0 
 0 0 − 3
 

Matriz Unidad: Es una matriz diagonal cuyos elementos de la diagonal son todos 1. A
continuación mostramos la matriz unidad de orden 2.

1 0
I =  
0 1

Proyecto e-Math 3
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

Más adelante veremos que la matriz unidad, respecto a la multiplicación de matrices, juega un
papel similar al número 1 respecto a la multiplicación de números reales.

Matriz triangular: Es una matriz cuadrada en la que todos los elementos situados por debajo (o
por encima) de la diagonal principal son cero. Por ejemplo, la siguiente matriz es triangular:

 2 − 1 13 
 
T =  0 6 4
0 0 1
 

Este tipo de matrices también se conoce como matriz escalonada. En algunos casos se hace la
distinción entre las matrices triangulares superiores o inferiores en dependencia de los
elementos nulos de la matriz; los que están por debajo o por encima de la diagonal principal.

Según se puede ver en el Math-block sobre sistemas de ecuaciones lineales, el concepto de

matriz triangular (o escalonada) es de vital importancia en el estudio de los sistemas de
ecuaciones lineales.

Más adelante, después de estudiar las operaciones con matrices, veremos algunos tipos
importantes de matrices como es el caso de las simétricas y las ortogonales.

‰ Adición de matrices
Sean A, B ∈ M n×m . La matriz C = (cij ) ∈ M n×m es la suma de las matrices A = (a ij ) y
B = (bij ) , y se denota C = A + B, si sus elementos cumplen:
cij = aij + bij (i = 1, 2, ..., n, j = 1, 2, ..., m)

Ejemplo

Consideremos las siguientes matrices:

 2 4  4 4  −1 3 4
     
A =  −1 3 B =  2 4 M = 2 0 2
 0 2  −1 0  −1 − 3 5
     

Las matrices A y B son de orden 3×2, mientras la matriz M es cuadrada de orden 3. Por tanto, no
podemos calcular la suma de A y M y tampoco la suma de B y M, en cambio, sí podemos sumar
A y B ya que tienen el mismo orden. Esto es,

 2 4  4 4  2 + 4 4 + 4  6 8
       
A + B =  − 1 3  +  2 4  =  (−1) + 2 3 + 4  =  1 7 
 0 2   − 1 0   0 + (−1) 2 + 0   − 1 2 
       

Es fácil deducir las siguientes propiedades de la adición de matrices de orden n×m:

• Conmutativa: A + B = B + A, ∀A, B ∈ M n×m 1

• Asociativa: A + ( B + C ) = ( A + B ) + C , ∀A, B, C ∈ M n×m

1
∀ : Cuantificador universal. Se lee “Para todo”. ∃ : Cuantificador existencial. Se lee “Existe”

Proyecto e-Math 4
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

• Elemento neutro (la matriz nula): ∃O ∈ M n×m ∀A ∈ M n×m : A + O = O + A = A

• Elemento opuesto: ∀A ∈ M n×m ∃(− A) ∈ M n×m : A + (− A) = (− A) + A = O

En virtud de las propiedades anteriores de la adición de matrices, “+”, (ley interna) resulta que
(M n×m ,+ ) tiene estructura de grupo conmutativo. (Ver [8] para profundizar en la estructura de
grupo)

‰ Multiplicación de una matriz por un número

Se denomina producto de una matriz
2
A = (aij ) ∈ M n×m por un número λ a una matriz
B = (bij ) ∈ M n×m cuyos elementos son de la forma
bij = λaij (i = 1,...,n; j = 1,...,m)
Es decir, la matriz producto, B, es la que se obtiene multiplicando el número λ por cada uno de
los elementos de A. De aquí en adelante consideraremos que λ es un número real.

Ejemplo
 2 0 − 1
 
Consideremos la matriz A =  − 2 0 4  y el número λ = −5. Entonces, el producto de A
 5 7 0
 
por λ es:

 2 0 − 1  − 10 0 5 
   
λ ·A = (− 5)· − 2 0 4  =  10 0 − 20 
 5 7 0   − 25 − 35 0 
  

El producto de una matriz por un número es una ley de composición externa que cumple las
siguientes propiedades (Ver [8] para profundizar en leyes de composición):

• Distributiva mixta del producto respecto a la suma de matrices

λ ( A + B ) = λ A + λB ∀λ ∈ R, ∀A, B ∈ M n×m

• Distributiva mixta del producto respecto a la suma de números reales

(λ + δ ) A = λA + δA ∀λ , δ ∈ R, ∀A ∈ M n×m

• Asociativa mixta

(λ ·δ ) A = λ (δA) ∀λ , δ ∈ R, ∀A ∈ M n×m

• Elemento neutro para la ley externa

2
En esta definición damos por supuesto que se cumple la propiedad conmutativa de la multiplicación
del número λ por los elementos de A.

Proyecto e-Math 5
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

1· A = A ∀A ∈ M n×m y 1 ∈ R

En virtud de estas propiedades y de las anteriores de la suma de matrices, resulta que el conjunto
M n×m de las matrices de orden n×m, respecto a la ley de composición interna, “+”, y a la ley de
composición externa, producto de una matriz por un número, tiene estructura de espacio vectorial
sobre el cuerpo de los números reales (Ver [W7] y [2] para profundizar en la estructura de espacio
vectorial).

‰ Multiplicación de matrices

Se denomina matriz producto de la matriz A = (aij ) ∈ M n×m por la matriz B = (b jk ) ∈ M m× p a

una matriz C = (cik ) ∈ M n× p cuyos elementos son de la forma
m
cik = ai1b1k + ai 2 b2 k +  + aim bmk = ∑ aij b jk
j =1

Es decir, los elementos que ocupan la posición ik , en la matriz producto, se obtienen sumando
los productos que resultan de multiplicar los elementos de la fila i en la primera matriz por los
elementos de la columna k de la segunda matriz. Observemos en detalle como se obtiene el
elemento c 23 en el siguiente ejemplo:

1 3   − 7 2 14 
   − 1 2 5  
A·B =  2 − 1·  =  0 4 7  = C
 0 4   − 2 0 3   − 8 0 12 
   

fila 2 por columna 3 = elemento que ocupa la posición 23

2
c 23 = ∑ a 2 j b j 3 = a 21b13 + a 22 b23 = 2·5 + (−1)·3 = 10 − 3 = 7
j =1

Dos matrices se pueden multiplicar sólo cuando el número de columna de la primera matriz sea
igual al número de filas de la segunda. En ese caso se dice que las matrices son enlazadas.

En el siguiente ejemplo podemos ver además cuál es el orden de la matriz producto.

2 2
 2 3 4 4  
  1 1
A = 1 2 2 1 B=
0 1 0 6 0 2
  3×4  
3 2  4×2


2 2
 2 3 4 4   19 23 
  1 1  
A·B =  1 2 2 1  0  =  7 10 
0 1 0 6 2 19 13 
  3×4  
3
 2  4×2 
  3×2
4=4

Proyecto e-Math 6
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

Nótese, además, que no podemos calcular B·A.

2 2
   2 3 4 4
1 1  
B· A =   1 2 2 1
0 2
   0 1 0 6 
3
 2  4×2  3×4

Hay casos, como veremos en el siguiente ejemplo, en los que se pueden calcular ambos
productos aunque se obtienen resultados diferentes.

Consideremos las siguientes matrices:

 0 2
 4 3 2  
A =   y B =  1 3 
 1 2 3  3 0
 
Entonces, por un lado,
0 2
 4 3 2    9 17 
A·B =   1 3  =  
 1 2 3  3 0  11 8 
 
y por otro lado,

0 2  2 4 6
  4 3 2   
B·A =  1 3   =  7 9 11
 3 0  1 2 3  12 9 6 
   

Según se pudo comprobar a través de los ejemplos anteriores, para la multiplicación de matrices
no se cumple la propiedad conmutativa. Veamos algunas propiedades de esta operación:

• Asociativa
A( B·C ) = ( A·B)C , ∀A, B, C : A ∈ M n×m , B ∈ M m×k , C ∈ M k × p

• Elemento neutro (Es la matriz unidad)

∃I ∈ M n ∀A ∈ M n : A·I = I · A = A

• Distributiva (mixta)
A( B + C ) = A·B + A·C , ∀A,B,C : A ∈ M n×m B, C ∈ M m×k

En virtud de estas propiedades y de las anteriores de la suma de matrices, resulta que el

conjunto (M n ,+,·) de las matrices cuadradas de orden n, respecto a las dos leyes de
composición interna, “+” y “·”, tiene estructura de anillo unitario no conmutativo (Ver [8] para
profundizar en la estructura de anillo).

Otras observaciones importantes:

Proyecto e-Math 7
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

• Existen divisores de cero: En general, A·B = 0 no implica que A = 0 o B = 0. Por

ejemplo,

 1 0  0 0   0 0 
   =   .
 2 0  8 1   0 0 

• No se cumple la propiedad cancelativa: En general, A·B = A·C no implica B = C. Por

ejemplo,

 1 0  1 0   1 0  1 0 
   =   
 2 0  8 1   2 0  5 3 

• No se cumple la fórmula del binomio: En general, ( A + B) 2 ≠ A 2 + 2 AB + B 2 ya que el

producto no es conmutativo.

‰ Matriz invertible

Una matriz cuadrada A es invertible si existe una matriz, que denotaremos por A −1 , que cumple
A· A −1 = A −1 · A = I ,
−1
donde I es la matriz unidad. En ese caso se dice que A es la inversa de A .

Por ejemplo, la matriz

 2 4 3
 
A =  −1 3 4
 3 0 1
 
es invertible y su inversa es
 3 4 7 
 31 − 31 31 
A −1 =  13 − 7 − 11 
 31 31 31 
− 9 12 10 
 31 31 31 
ya que

 3 4 7 
 2 4 3  31 − 31 31   1 0 0 
   
A· A −1 =  − 1 3 4  13 − 7 − 11  =  0 1 0  = I .
 31 31 31 
 3 0 1  9 12 10   0 0 1 
  −  
 31 31 31 

Para un estudio detallado sobre matriz inversa recomendamos el math-block titulado “Matriz
Inversa”.

‰ Matriz traspuesta

La traspuesta de una matriz A = (aij ) ∈ M n×m , es la matriz AT = (a ji ) ∈ M m×n , que se obtiene

a partir de la matriz A al intercambiar las filas por las columnas (o viceversa).

Proyecto e-Math 8
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

4 1
 4 3 2 T
 
La traspuesta de la matriz A =   es A =  3 2  .
 1 2 3  2 3
 

Propiedades:

• Dada una matriz, siempre existe la traspuesta y además es única

• (A )
T T
=A
• (A + B )T = AT + B T
• (λA)T = λAT , con λ ∈ R
• (A·B )T = B T · AT
• (A ) = (A )
−1 T T −1

‰ Otros tipos de matrices

Matriz simétrica: Es una matriz igual a su traspuesta:

A es simétrica ⇔ AT = A
Un ejemplo de matriz simétrica es el siguiente:

1 9 3
 
A =  9 2 − 1 = AT .
3 −1 5 
 

Las matrices simétricas tienen ese nombre debido a que presentan simetría respecto a la
diagonal principal. En otras palabras, una matriz A = ( aij ) ∈ M n es simétrica si cumple
a ij = a ji para i = 1,..., n, y j = 1,..., n.

Matriz antisimétrica: Es una matriz igual a la opuesta de su traspuesta. En otras palabras,

A es antisimétrica ⇔ AT = − A.
La siguiente matriz es antisimétrica:

 1 − 9 3
 
A= 9 2 1
 − 3 − 1 5
 

Matriz ortogonal: Es aquella cuya traspuesta es igual a su inversa. Es decir, es aquella que
multiplicada por su traspuesta da como resultado la matriz unidad. Esto es,

A es ortogonal ⇔ A· AT = I ⇔ AT = A −1
La siguiente matriz de funciones es ortogonal:

Proyecto e-Math 9
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

 senx − cos x 
 
 cos x senx 
Para comprobarlo es suficiente con aplicar la definición y tener en cuenta que
sen 2 x + cos 2 x = 1.
Las matrices ortogonales de orden 2 son de la forma:

 a b a b 
A =   o A =  ,
− b a b − a

donde a y b son números reales tales que a 2 + b 2 = 1.

Matriz involutiva: Es una matriz que coincide con su inversa. Esto es,

A es involutiva ⇔ A 2 = I
La siguiente matriz es involutiva:

 −1 0  − 1 0  − 1 0   1 0 
A =   , A 2 =    =  
 0 1  0 1  0 1   0 1 
Es evidente que esta matriz también es ortogonal.

Matriz idempotente: Es una matriz igual a su cuadrado. Es decir,

A es idempotente ⇔ A 2 = A .
La siguiente matriz es idempotente:

 1 0
A =  
 −1 0

Matriz nilpotente: SiA es una matriz cuadrada y A k = 0 para algún número natural k , se dice
k −1
que A es nilpotente. Si k es tal que A ≠ 0 y A k = 0, se dice que A es nilpotente de orden
k . A continuación mostramos una matriz nilpotente de orden 2.

 0 − 8 0 0 0 0
  
2

A =  0 0 0 , A = 0 0 0
 0 5 0 0 0 0
   

Naturalmente, la matriz A es un divisor de cero.

Proyecto e-Math 10
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

CASOS PRÁCTICOS CON SOFTWARE___________________________________

‰ Operaciones con matrices usando Mathcad

¿Cómo editar matrices?

Para editar matrices utilizando Mathcad se siguen los siguientes pasos usando la barra de
herramientas Math:

Se introduce el número de filas y de columnas y luego se introducen los elementos de la

matriz

¿Cómo asignar una matriz a una variable?

Para asignar una matriz a una variable se escribe la variable y luego dos puntos, “:”. Después
se introduce la matriz por el procedimiento de antes.

¿Cómo calcular?

Una vez asignada la matriz a una variable, la suma, producto, producto por un número y
potencias, se hacen como si se tratase de números. En el caso de la traspuesta y otras
operaciones exclusivas de las matrices se utiliza la barra de herramientas Matrix.

Por ejemplo, introducimos las siguientes matrices:

 2 4 3 0 2
A :=  −1 3 4 4 3 2 B :=  1 3
 M :=  
 3 0 1 1 2 3 3 0

Luego calculamos:

Proyecto e-Math 11
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

Además de la barra de herramientas Matrix, como mostramos a través del siguiente ejemplo,
podemos usar la barra de herramientas Symbolic:

3 3 T 3 2 2  15 12 
M :=  M →  M → 
2 1 3 1 8 7

‰ Matrices input-output

Las matrices input-output (entrada-salida) se aplican al considerar un modelo simplificado de la

economía de un país en el que la actividad de cualquier empresa puede considerarse en algunos
de los sectores básicos: la industria (I), la agricultura (A), el turismo (T) y los servicios (S). Las
empresas compran (inputs), transforman los productos y luego venden (outputs).

Para tener una idea del modelo, supongamos que los datos de la economía de un país ficticio son
los de la tabla siguiente, donde las cantidades se dan en algún tipo de unidad monetaria.

En cada fila se indica el valor de las

I A T S Demanda Output
ventas efectuadas por cada sector a
I 50 23 4 6 200 283 cada uno de los sectores restantes
así como las ventas internas, la
A 12 70 15 9 70 176 demanda, que representa el valor de
las ventas efectuadas a los
T 1 1 50 15 350 417 consumidores y a otros países, y el
output total del sector que se obtiene
S 80 90 85 87 43 385 sumando todas las ventas de ese
sector. Por ejemplo, en el caso de la

Proyecto e-Math 12
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

industria, el valor de las ventas internas fue de 50, el valor de las ventas al sector agrario fue de
23, en el caso del turismo fue de 4, y en los servicios de 6. El valor de las ventas efectuadas a los
consumidores y a otros países (demanda) fue de 200. Entonces el output total fue de 283.

A partir de la tabla anterior se definen las siguientes matrices:

Matriz de transacciones Matriz demanda final Matriz de outputs

 50 23 4 6   200   283 
12 70 15 9 70 176
M :=  D :=  O := 
1 1 50 15  350  417
 80  43  385
 90 85 87     

Y a partir de los elementos de las matrices M y O se puede construir una matriz tecnológica, T ,
que representa la proporción de las transacciones intersectoriales respecto al output total de cada
sector.

 50 23 4 6 
283 176 417 385
 
 12 70 15 9 
 283 176 417 385 
T :=  
1 1 50 15
 
 283 176 417 385 
 80 90 85 87 
 
 283 176 417 385 

Toda la información de la tabla se puede expresar en forma matricial a través de la siguiente

relación: O = T·O + D, es decir,

Esta fórmula permite hacer estudios destinados a planificar la economía.

‰ Modelo metalúrgico
Supongamos que una empresa fabrica tres modelos de máquinas herramientas, M1, M2 y M3,
y como materia prima fundamental utiliza tres tipos de metales, Hierro (H), Níquel (N) y Cobalto
(C). La cantidad de materia prima que necesita para fabricar cada máquina, expresada en
toneladas, se muestra en la siguiente tabla a la cual le hacemos corresponder la matriz A.

Proyecto e-Math 13
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

H N C

M1 5 0.4 0.2

M2 4 0.3 0.1

M3 3.5 0.5 0.2

Las mejores ofertas de la materia prima corresponden a los proveedores P1, P2 y P3. Los
precios por tonelada (expresados en cierta unidad monetaria) impuestos por cada uno de los
proveedores a cada uno de los metales aparecen en la siguiente tabla:

P1 P2 P3  160 155 150 


B := 6000 6250 7200
H 160 155 150 
 3000 3010 2995 
N 6000 6250 7200

C 3000 3010 2995

Queremos hacer una tabla de doble entrada que muestre el gasto en materia prima por modelo
de máquina y proveedor. Dicha tabla se obtiene a través del siguiente producto matricial:

La tabla obtenida es:

P1 P2 P3 Para interpretar los datos de esta tabla tomaremos

como ejemplo el modelo M3 con el proveedor P1: Si
M1 3800 3877 4229 compramos la materia prima al proveedor P1, los
gastos por cada máquina del modelo M3 serán de
M2 2740 2796 3059.5 4160 unidades monetarias. Analizando la tabla
podemos concluir que resulta más económico
M3 4160 4269.5 4724 comprar la materia prima al proveedor P1.

‰ Matriz de adyacencia de un grafo

Un grafo G=(V, E) es un par ordenado formado por un conjunto V (finito no vacío) de objetos
llamados vértices y un conjunto E de pares no ordenados de vértices diferentes denominados
aristas. Una arista formada por los vértices vi , v j se denota por vi v j y se dice que los vértices
vi y v j son adyacentes.

Consideremos el grafo representado en el siguiente diagrama:

Proyecto e-Math 14
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

v1 v2

v4 v3

En este caso el conjunto de vértices es V = {v1 , v 2 , v3 , v 4 } y el conjunto de aristas es

E = {v1v 2 , v1v 4 , v 2 v3 , v 2 v 4 , v3 v 4 }.

Un recorrido de longitud l , del vértice u al vértice v es una secuencia finita de vértices,

u = v 0 , v1 ,..., vl = v, tal que vi −1 es adyacente a vi para 1 ≤ i ≤ l.

La matriz de adyacencia de un grafo G de n vértices, denotada por A(G ) , es una matriz

cuadrada de orden n que tiene un 1 en la posición ij si los vértices vi y v j son adyacentes y un
0 en caso contrario. Es decir la matriz de adyacencia de un grafo se define como A(G ) = (a ij ),
donde

1 si vi v j ∈ E
a ij = 
0 si vi v j ∉ E
La matriz de adyacencia es simétrica y sus elementos de la diagonal principal son todos cero.

La matriz de adyacencia del grafo de antes es:

0 1 0 1

1 0 1 1
A ( G) := 
0 1 0 1
1
 1 1 0

Un resultado conocido y muy utilizado en teoría algebraica de grafos es el siguiente:

El número de recorridos de longitud l en un grafo G, del vértice vi al vértice v j , es el elemento
que está en la posición ij de la matriz A l .

Para ilustrar el resultado anterior vamos a calcular el número de recorridos entre los vértices v1 y
v3 del grafo anterior para 0 ≤ l ≤ 5. Las potencias de la matriz de adyacencia son:

Proyecto e-Math 15
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

 1 0 0 0
  0 1 0 1
  2 1 2 1

0 1 0 0 1 0 1 1 1 3 1 2
A ( G) =  A ( G) =  A ( G) = 
0 1 2
0 0 1 0 0 1 0 1 2 1 2 1
0  1  1 
 0 0 1  1 1 0  2 1 3

2 5 2 5  10 9 10 9   18 29 18 29 
     
3 5 4 5 5 4  9 15 9 14  5  29 32 29 33 
A ( G) = A ( G) = A ( G) =
2 5 2 5  10 9 10 9   18 29 18 29 
5  9   29 
 5 5 4  14 9 15   33 29 32 

Entonces, como podemos comprobar en el dibujo del grafo, el número de recorridos de longitud l
( 0 ≤ l ≤ 5 ) entre v1 y v3 está dado por el elemento a (l )13 de la matriz A l (G ). Así, a ( 0 ) 13 = 0,
a (1)13 = 0, a ( 2 )13 = 2, a (3)13 = 2, a ( 4 )13 = 10 y a ( 5) 13 = 18. (Ver [7] para profundizar en teoría
algebraica de grafos)

Proyecto e-Math 16
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

BIBLIOGRAFÍA ___________________________________

[1] Carl D. Meyer´s (2000): "Matrix analysis and applied linear algebra", Philadelpia SIAM, 461, 468-
470

[2] Montes Lozano, A (1998): "Álgebra", Ediciones UOC, Módulo 3: "Matrices, vectores y sistemas
de ecuaciones lineales", 45-48, 41-43, 43-45

[3] G. J. Porter, D. R. Hill (1996): “Interactive Linear Algebra. A laboratory course using Mathcad”,
Springer-Verlag New York, Inc., Section 3.1, 3.2, 3.3

[4] H. Benker (1999): "Practical use of Mathcad. Solving mathematical problems with a computer
algebra system", Springer-Verlag New York, Inc., 178-180

[5] J. A. Moreno, D. Ser (1999): "Mathcad 8. Manual de usuario y guía de referencia de Mathcad 8",
ediciones Anaya Multimedia, S.A., 155, 296.

[6] H. Anton, C. Rorres (2000): "Elementary Linear Algebra: Applications Version", John
Wiley&Sons.

[7] N. Biggs (1974, 1993): "Algebraic graph theory", Cambridge University Press.

[8] F. Cedó (1997): “Àlgebra bàsica” Universitat Autònoma de Barcelona

ENLACES ___________________________________

[W1] http://www.planetmath.org/encyclopedia/LinearAlgebra.html

Página web de la enciclopedia de PlanetMath.org sobre álgebra lineal. En inglés.

[W2] http://thales.cica.es/rd/Recursos/rd99/ed99-0289-02/ed99-0289-02.html

Página web de la "Sociedad Andaluza de Educación Matemática THALES" donde se explica,

con gran cantidad de ejemplos aclaratorios, diferentes conceptos todos ellos relacionados con
las matrices y otros temas de álgebra lineal. En español.

[W3] http://www.lafacu.com/apuntes/matematica/matrices/default.htm

El sitio de los estudiantes y docentes universitarios. Recopilación de apuntes, con ejemplos,

sobre matrices. En español.

[W4] http://rinconprog.metropoliglobal.com/CursosProg/ProgGraf/MatGraf/index.php?cap=2

Página web de "El Rincón del Programador". En la sección de "Programación Gráfica"

aparecen los "Fundamentos matemáticos de la Informática Gráfica" donde se explican

Proyecto e-Math 17
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)
 Álgebra de matrices

diversos conceptos relacionados con el álgebra de matrices y otros temas de álgebra lineal.
En español.

[W5] http://www-gap.dcs.st-and.ac.uk/~history/Indexes/Algebra.html

Página web de la School of Mathematics and Statistics, University of St Andrews, Scotland.

Trata sobre la historia del álgebra. En inglés.

[W6] http://www.richland.cc.il.us/james/lecture/m116/matrices/applications.html
Página web con aplicaciones de matrices y determinantes. En inglés.

[W7] http://www.math.unl.edu/~tshores/linalgtext.html
Página web del Departamento de Matemáticas y Estadística de la Universidad de Nebraska-
Lincoln. Libro on-line sobre álgebra lineal y sus aplicaciones. En inglés.

[W8] http://www.numbertheory.org/book/
Página web sobre teoría de números. Libro on-line sobre álgebra lineal. En inglés.

[W9] http://archives.math.utk.edu/topics/linearAlgebra.html
Página web de enlaces relacionados con álgebra lineal y teoría de matrices. En inglés.

[W10] http://www.tu-chemnitz.de/iic/ela/
Página web de la publicación "The Electronic Journal of Linear Algebra" publicada por "The
International Linear Algebra Society". En inglés.

[W11] http://www.netlib.org/utk/people/JackDongarra/la-sw.html
Página en la que está recogida la información relacionada con el software disponible
gratuitamente en la red para la solución de problemas de álgebra lineal. En inglés.

[W12] http://ceee.rice.edu/Books/LA/linearbook.pdf
Página web del "Center for Excellence and Equity in Education" de la Universidad de Rice.
Libro sobre álgebra lineal. En inglés.

Proyecto e-Math 18
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)