Teoria de Matrices

LIC. HORTENCIA DEL V.
LAGORIA TEMAS DE ÁLGEBRA LINEAL
PROLOGO
Este trabajo lo realicé pensando principalmente, en el Estudiante de la

Facultad de Ciencias Económicas y de Administración. No obstante los temas
tratados, de Algebra Lineal, son de singular importancia en diversas carreras de otras
Facultades, como por ejemplo, Ingeniería, Licenciatura y Profesorado de Matemática, y
Física, entre otras.
Teniendo en cuenta los objetivos del curso, presento al estudiante,
conceptos, propiedades y demostraciones de alguna de ellas, como también la
descripción de diferentes Métodos de Resolución de Determinantes, Sistemas de
Ecuaciones Lineales, algunas de los cuales me pertenecen.
Con el propósito de lograr una mayor comprensión de los temas, por
parte del estudiante, he realizado una selección gradual de ejemplos y ejercicios,
cuyos desarrollos incluyen la explicación del procedimiento seguido en cada uno de
ellos, tratando de que la exposición sea lo suficientemente clara y didáctica.
El Capítulo I está referido a Matrices, tipos, operaciones matriciales,
propiedades. El Capítulo II se aborda el tema de los Determinantes, sus propiedades y
Métodos de Resolución. El Capítulo III versa sobre la Inversión de Matrices, sus
propiedades y el Cálculo de la Matriz Inversa. Por último, el Capítulo IV trata sobre
Sistemas de Ecuaciones Lineales, Métodos de Resolución, el Teorema de Rouché-
Frobenius, Soluciones Básicas, y el Método de Gauss-Jordan para calcular la Inversa
de una Matriz.
La tarea de transcribir este trabajo a soporte magnético, estuvo a cargo
del Cr. Mauricio B. Hezze, a quien expreso mi profundo agradecimiento y
reconocimiento por su valiosa colaboración.
Por último, es mi sincero deseo, que tanto los temas desarrollados como
el contenido de esta pequeña obra, contribuyan útilmente al Estudiante, para una
mejor comprensión del Algebra Lineal y por lo tanto, de sus aplicaciones.
LIC. HORTENCIA DEL VALLE LAGORIA

PROFESORA TITULAR - CATEDRA MATEMATICA III
FACULTAD DE CIENCIAS ECONOMICAS Y DE ADM.
UNIVERSIDAD NACIONAL DE CATAMARCA
5
LIC. HORTENCIA DEL V. LAGORIA TEMAS DE ÁLGEBRA LINEAL
6
INDICE
CAPITULO I – TEORIA DE MATRICES .............................................................................................................. 9

1. INTRODUCCIÓN ..................................................................................................................................................... 9
2. DEFINICIÓN DE MATRIZ. NOTACIÓN ..................................................................................................................... 9
3. TIPOS DE MATRICES ............................................................................................................................................ 10
3-1. Matriz Fila ................................................................................................................................................. 10
3-2. Matriz Columna ......................................................................................................................................... 10
3-3. Matriz Rectangular .................................................................................................................................... 11
3-4. Matriz Cuadrada........................................................................................................................................ 11
3-5. Matriz Diagonal......................................................................................................................................... 11
3-6. Matriz Escalar ........................................................................................................................................... 12
3-7. Matriz Unidad o Matriz Identidad ............................................................................................................. 12
3-8. Matriz Nula ................................................................................................................................................ 12
3-9. Matriz Triangular ...................................................................................................................................... 13
4. IGUALDAD DE MATRICES .................................................................................................................................... 13
5. OPERACIONES CON MATRICES ............................................................................................................................ 14
5-1. Suma de Matrices....................................................................................................................................... 14
5-1-1. Propiedades.......................................................................................................................................................... 14
5-2. Diferencia de dos matrices ........................................................................................................................ 15
5-3. Producto de un número por una matriz ..................................................................................................... 16
5-4. Producto de Matrices................................................................................................................................. 16
5-4-1. Definición ............................................................................................................................................................. 16
5-4-2. Interpretación de la Definición de producto de dos matrices............................................................................... 17
5-4-3. Propiedades del Producto de Matrices................................................................................................................. 18
5-5. Potencia Enésima de una Matriz Cuadrada .............................................................................................. 23
5-5-1. Definición ............................................................................................................................................................. 23
6. MATRIZ TRASPUESTA ......................................................................................................................................... 24
6-1. Definición................................................................................................................................................... 24
6-2. Propiedades ............................................................................................................................................... 24
7. MATRICES SIMÉTRICAS Y ANTISIMÉTRICAS ........................................................................................................ 27
7-1. Definición de Matriz Simétrica .................................................................................................................. 27
7-2. Definición de Matriz Antisimétrica............................................................................................................ 27
7-3. Propiedades ............................................................................................................................................... 27
CAPITULO II – DETERMINANTES .................................................................................................................... 29
1. INTRODUCCIÓN ................................................................................................................................................... 29
2. CONCEPTO DE SUBMATRIZ .................................................................................................................................. 29
3. DETERMINANTE. ................................................................................................................................................. 29
DEFINICIÓN ............................................................................................................................................................. 30
4. TEOREMA DE LA EXPANSIÓN .............................................................................................................................. 32
5. PROPIEDADES DE LOS DETERMINANTES .............................................................................................................. 32
6. CÁLCULO DE UN DETERMINANTE POR REDUCCIÓN A OTRO DE ORDEN MENOR .................................................... 37
CAPITULO III – INVERSION DE MATRICES .................................................................................................. 43
1. ADJUNTA DE UNA MATRIZ CUADRADA. DEFINICIÓN. NOTACIÓN. ...................................................................... 43
2. TEOREMA ............................................................................................................................................................ 44
3. MATRIZ INVERSA DE UNA MATRIZ CUADRADA .................................................................................................. 45
3-1. Definición. Notación. ................................................................................................................................. 45
3-2. Condición Necesaria y Suficiente para la existencia de la matriz inversa ................................................ 46
3-3. Unicidad de la Inversa de una Matriz. Teorema........................................................................................ 47
4. PROPIEDADES ...................................................................................................................................................... 48
7
CAPITULO IV – SISTEMAS DE ECUACIONES LINEALES........................................................................... 51

1. INTRODUCCIÓN ................................................................................................................................................... 51
2. SISTEMA LINEAL DE ECUACIONES. RESOLUCIÓN. SISTEMAS COMPATIBLES E INCOMPATIBLES. ......................... 51
3. SISTEMAS EQUIVALENTES. OPERACIONES QUE TRANSFORMAN A UN SISTEMA S EN OTRO EQUIVALENTE S’. ..... 52
4. MÉTODO DE GAUSS PARA LA RESOLUCIÓN DE SISTEMAS LINEALES CUADRADOS .............................................. 54
5. MÉTODO DE LA MATRIZ INVERSA ....................................................................................................................... 61
6. REGLA DE CRAMER ............................................................................................................................................. 64
7. MÉTODO DE GAUSS – JORDAN ............................................................................................................................ 68
8. SISTEMAS RECTANGULARES ............................................................................................................................... 76
8-1. Matriz Escalonada por Filas. Definición................................................................................................... 76
8-2. Matriz Singular. Definición. ...................................................................................................................... 76
8-3. Rango de una Matriz. Definición. .............................................................................................................. 76
8-4. Trasformaciones u Operaciones Elementales ............................................................................................ 77
8-5. Matrices Equivalentes. Cálculo del Rango de una Matriz......................................................................... 77
8-6. Teorema de Rouché - Frobenius ................................................................................................................ 80
8-7. Método de Gauss para la Resolución de Sistemas Rectangulares ............................................................. 81
9. SOLUCIONES BÁSICAS ......................................................................................................................................... 84
9-1. Definición................................................................................................................................................... 84
10. INVERSIÓN DE MATRICES POR MÉTODO DE GAUSS – JORDAN........................................................................... 93
8
CAPITULO I – TEORIA DE LAS MATRICES
CAPITULO I – TEORIA DE MATRICES
1. Introducción
Las matrices constituyen una herramienta útil para distintos fines teóricos, como
prácticos. Las matrices pueden estar constituidas por elementos de cualquier naturaleza, si bien
centraremos nuestro estudio en las matrices numéricas.
2. Definición de Matriz. Notación

Matriz es un conjunto ordenado de elementos dispuestos en filas y columnas.
La notación simbólica utilizada es mediante letras mayúsculas de imprenta para
las matrices y letras minúsculas para los elementos; éstos encerrados entre paréntesis o corchetes
en el orden establecido.
2 -1 0 Cal Arena Cemento 1/2

A= B= D= 3/5
1 3 -2 Ripio Ladrillo Hierro 2
La matriz A tiene dos filas y tres columnas.

La matriz B tiene dos filas y tres columnas.
La matriz D tiene tres filas y una columna.
Diremos que la matriz A es de tipo 2 x 3; B de tipo 2 x 3 y D de tipo 3 x 1
En general una matriz de tipo m x n, se denotará de la siguiente forma:
a11 a12 a13 … a1n

a21 a22 a23 … a2n
A= a31 a32 a33 … a3n A = [a i j ]
… … … … … ó bien en forma compacta:
mxn
… … … … …
am1 am2 am3 … amn donde a i j es el llamado
elemento genérico.
El primer subíndice: “i” indica la fila a la que pertenece el elemento, y el segundo subíndice “j”
indica la columna. Así a23 es el elemento ubicado en la segunda fila y la tercera columna.
LIC. HORTENCIA DEL VALLE LAGORIA 9

Veamos un ejemplo.
Ejemplo: Escribir la matriz A con todos sus elementos. A=(i + 3j) 3 x 2
Solución:
Esta matriz tiene tres filas y dos columnas.
a 11 elemento de la primera fila y primera columna.
Entonces para i = 1, j = 1 Para i = 1, j = 2:
tenemos que: a11 = 1 + 3.1 a12 = 1 + 3.2

a11 = 4 a12 = 7
Para i = 2, j = 1: Para i = 2, j = 2:
a21 = 2 + 3.1 a22 = 2 + 3.2

a21 = 5 a22 = 8
En forma análoga se procede con los otros elementos. Luego la matriz A con todos sus
elementos es: 4 7
A= 5 8
6 9
3. Tipos de Matrices
3-1. Matriz Fila

Designamos con este nombre a toda matriz de la forma:
A = [a11 a12 a13 … a1n]

b11
3-2. Matriz Columna b21
B= b31
Es toda matriz de la forma: :
bn1
En ambos casos se puede usar un sólo subíndice.
10 LIC. HORTENCIA DEL VALLE LAGORIA

3-3. Matriz Rectangular

Es toda matriz en la que el número de filas es diferente del número de columnas.
Si el número de filas es igual al número de columnas, queda definida una: Matriz Cuadrada.
3-4. Matriz Cuadrada

Si la matriz tiene n filas y n columnas, diremos que la matriz es de orden n. En
general simbolizamos una matriz cuadrada de orden n, de la siguiente forma:
a11 a12 a13 … a 1n
a21 a22 a23 … a 2n
A= a31 a32 a33 … a 3n
… … … … …
… … … … …
a n1 a n2 a n3 … a nn
Ejemplos:
1/2 0 1/2 2 2/5
A = [5] ; B= ; C= 3 1/3 1/2
-3 1/4 -3 5/2 5
Son matrices cuadradas:
A de primer orden ; B de segundo orden y C de tercer orden
Las definiciones siguientes son aplicables sólo a matrices cuadradas.

Diagonal Principal: Es aquella que parte del ángulo superior izquierdo. La otra diagonal se
denomina “Diagonal Secundaria”
La diagonal principal de la matriz genérica A es:
a11 a22 a33 … a nn
3-5. Matriz Diagonal

Se da este nombre a toda matriz cuadrada A, cuyo elemento a i j = 0 para todo i≠j.
Ejemplo:
a11 0 0 … 0
0 a22 0 … 0
A= 0 0 a33 … 0 1 0 0 0
… … … … … A= 1 -3 0 0
… … … … … 1 0 1/4 0
0 0 0 … ann 1 0 0 2
Es decir que en una matriz diagonal, los elementos ubicados fuera de la diagonal principal son
todos nulos.

3-6. Matriz Escalar

Es una matriz diagonal, cuyos elementos de la diagonal principal son todos
iguales entre sí. Ejemplos:
2 0 -5 0 0
A= B= 0 -5 0
1 2 0 0 -5
3-7. Matriz Unidad o Matriz Identidad

Es toda matriz escalar que tiene todos los elementos de la diagonal principal
iguales a uno. Así una matriz identidad de orden n es:
Ejemplo: la matriz identidad de tercer orden:
1 0 0 … 0
0 1 0 … 0 1 0 0
In = 0 0 1 … 0 I3 = 0 1 0
… … … … … 0 0 1
… … … … …
0 0 0 … 1
n
Usamos la I para simbolizar a la matriz identidad. También se simboliza a la matriz identidad de

la siguiente forma:
1 ; i=j
In = [ δ ij] donde δij =
n 0 ; i≠j
El símbolo δ i j se llama “delta de Kronecker”
3-8. Matriz Nula

Es la matriz cuyos elementos son todos nulos. Una matriz nula no necesita ser
cuadrada.
0 0 0 0
Ejemplos: O = [0 0 0 ] O=
0 0 0 0
En general, la matriz nula es: O = [ aij] tal que ∀ i,j aij = 0

3-9. Matriz Triangular

Una matriz cuadrada se denomina triangular, si todos los elementos situados a un
lado de la diagonal principal son nulos. Ejemplos:
2 0 0 -1 1 2 3
A= 3 -1 0 B= 0 1 1 0
1 5 2 0 0 -2 1
0 0 0 0
Según la ubicación de los elementos nulos, se distinguen en: matriz triangular superior y matriz
triangular inferior.
Una matriz cuadrada A se denomina matriz triangular superior, sí y solo sí a i j = 0 ∀ i > j
Análogamente:
Una matriz cuadrada A se denomina matriz triangular inferior, sí y solo sí a i j = 0 ∀ i < j
En los ejemplos dados anteriormente, la matriz A es una matriz triangular inferior, y la B es una
matriz triangular superior.
4. Igualdad de Matrices
Definición:
Dos matrices son iguales, sí y sólo sí, son del mismo tipo y los elementos
correspondientes respectivamente iguales.
Elementos correspondientes son los elementos que tienen el mismo par de subíndices.
Así dos matrices A y B son iguales, si ambas son del mismo tipo y tal que:
∀ i,j aij = bij
Ejemplos:
2 -1 - 3 1+1 -4
A= B=
5 1 3+2 1

5. Operaciones con Matrices
5-1. Suma de Matrices

La suma de dos matrices de tipo m x n es otra matriz de tipo m x n, cuyos
elementos se obtienen sumando los elementos correspondientes de las matrices sumandos.
Es decir:
Si A = (a )
ij mxn ; B = ( b i j )m x n resulta A + B = C = ( ci j )m x n
Tal que: ci j = a i j + bi j ∀ i , j
O bien:
a 11 + b11 a 12 + b12 …………. a 1n + b1n

a 21 + b21 a 22 + b22 …………. a 2n + b2n
A + B = ….…..…. ….…..….. …………. ….…..…....
….…..…. ….…..….. …………. ….…..……
….…..…. ….…..….. …………. ….…..……
a m1 + b m1 a m2 + bm2 …………. a mn + b mn
Ejemplo:
2 -1 1 2 3 1
A= 3 5 ; B= -1 -3 A + B= 2 2
-2 4 2 -2 0 2
5-1-1. Propiedades
Entre las propiedades más importantes están:
(a) Propiedad Asociativa: (A + B) + C = A + (B + C).
(b) Propiedad Conmutativa: A + B = B + A.
OBSERVACION: Tengamos en cuenta que la suma de matrices no está definida entre dos
matrices cualesquiera, sino entre las matrices que tienen el mismo tipo.
Veamos la suma de una matriz B y la matriz nula:
B=(b )
ij mxn
B+O=(b )
ij mxn =B
O=(o )
ij mxn ; oij= 0 ∀ i , j

Por consiguiente la matriz nula es el neutro de la suma de matrices.
Ahora bien, en el álgebra numérica, cada número real tiene su opuesto, así en el álgebra
matricial, cada matriz tiene su matriz opuesta.
En efecto: si A = (a )
i j mxn entonces la matriz opuesta de A, es –A = (-a )
i j mxn
Ejemplo: 2 1 -2 -1
A= –A=
0 -3 0 3
Esta matriz sirve para definir la sustracción o diferencia de matrices.
5-2. Diferencia de dos matrices

La diferencia de dos matrices del mismo tipo es otra matriz del mismo tipo, que
se obtiene sumando a la matriz minuendo la matriz sustraendo cambiada de signo (o bien la
opuesta de la matriz sustraendo).
En símbolos:
Si A y B son matrices del mismo tipo, resulta que A – B = A + ( –B)
En símbolos:
-1/2 3 0 3/2 -1 2
A= B=
2 -1 3 1 -2 5
A –B
-1/2 3 0 -3/2 1 -2
A–B = A + ( –B) = +
2 -1 3 -1 2 -5
-2 4 -2
A–B =
1 1 -2

5-3. Producto de un número por una matriz

El producto de un número real k por una matriz A de tipo m x n, es otra matriz B
de tipo m x n, tal que ∀ i , j ; b i j.= k a i j
k a11 k a12 k a13 … k a1n

k a21 k a22 k a23 … k a2n
k A = k a31 k a32 k a33 … k a3n
… … … … …
… … … … …
k am1 k am2 k am3 … k amn
Entonces el producto se obtiene multiplicando cada uno de los elementos de la matriz A por el
número k.
2 1 0 -3
Ejemplo: Sea k = 3 ; β = 1/2 y
A=
-1 1 2 1
Calculamos:
6 3 0 -9 1 1/2 0 -3/2
kA = 3A = ; β A = 1/2 A =
-3 3 6 3 -1/2 1/2 1 1/2
5-4. Producto de Matrices

5-4-1. Definición
Dadas las matrices: A = (a i j )m x p y B = ( b i j )p x n ,llamamos matriz producto
A.B de dichas matrices y en ese orden, a otra matriz C = ( c i j )m x n , tal que:
p
∀ i;∀j ci j = ∑ a i k b k j
k=1
La definición establece que para efectuar el producto de dos matrices, el número de columnas de
la primera matriz, debe ser igual al número de filas de la segunda matriz.
mxp . pxn mxn
Cuando es posible el producto entre dos matrices, se dice que ambas matrices son
CONFORMABLES.

5-4-2. Interpretación de la Definición de producto de dos matrices

Vamos a interpretar la definición anterior, ayudados con un ejemplo:
a 11 a 12 a 13 b11 b12
Sea: A = a 21 a 22 a 23 B = b21 b22
b31 b32
¿Cómo calculamos el producto A . B = C ?

Como A es de tipo 2 x 3 y B de tipo 3 x 2, A es conformable con B, resultando según la
definición, que la matriz C es de tipo 2 x 2.
Es decir la matriz producto AB es de la forma:
c 11 c 12
C =
c 21 c 22
Ahora bien, según la definición:

p
∀ i;∀j ci j = ∑ a i k bk j
k=1
Calculemos c 11 ; o sea i = 1 ; j = 1
3
∴ c 11 = ∑a 1k b k1
k=1
k=1 k=2 k=3
Desarrollemos la suma: c 11 = a 11 b 11 + a 12 b 21 + a 13 b 31
Analizando esta expresión, vemos que c 11 se obtiene multiplicando ordenadamente los

elementos de la primera fila de A [1ª] por los elementos de la primera columna de B [1ª] y
efectuando la suma de dichos productos.
Además podemos ver que los subíndices del elemento calculado c 11 [subíndices 1 y 1]
coinciden respectivamente con el orden de la fila [1ª de A] y el orden de la columna [1ª de B]
que intervienen en esta operación.
Por lo tanto c 12 [subíndices 1 y 2 ] lo obtenemos multiplicando ordenadamente los
elementos de la 1ª fila de A por los elementos de la 2ª columna de B y sumando dichos
productos:

O sea: : c 12 = a 11 b 12 + a 12 b 22 + a 13 b 32
En general el elemento c i j de la matriz producto, se obtiene multiplicando ordenadamente los

elementos de la fila i de la primera matriz, por los elementos de la columna j de la segunda
matriz y sumando dichos productos.
Luego el producto de las matrices A y B es igual a:
a11 a12 a13 b11 b12 a11 b11 + a12 b21 + a13 b31 a11 b12 + a12 b22 + a13 b32
a21 a22 a23 =
b21 b22 a21 b11 + a22 b21 + a23 b31 a21 b12 + a22 b22 + a23 b32
b31 b32
A . B = C
Ejemplo:
2 3 2 1 2 2.2 + 3.1 2.1 + 3.3 2.2 + 3.4

A= B= ∴ A.B =
4 1 1 3 4 4.2 + 1.1 4.1 + 1.3 4.2 + 1.4
7 11 16
A.B =
9 7 12
5-4-3. Propiedades del Producto de Matrices

El producto de matrices no es conmutativo.
En efecto, si A es una matriz de tipo m x n y B una matriz de tipo n x p, esta
definido A.B, pero B.A puede no estar definido, ya que exige que p = m.
En el caso de que también se cumpliese esta condición, o sea que A fuere una
matriz de tipo m x n y B una matriz de tipo n x m, observemos que A.B es una matriz cuadrada
de orden m, mientras que B.A es una matriz cuadrada de orden n. Por último en el caso en que A
y B fuesen matrices cuadradas del mismo orden, lo que implica que A.B y B.A también lo son,
no obstante dichos productos en general son distintos.
Un ejemplo sencillo, fácil de encontrar:
2 -1 3 -1
A= B=
-1 1 ; 1 -2

Calculamos A.B:
2 -1 3 -1 5 0
A.B = ; A.B =
-1 1 1 -2 -2 -1
Calculamos B.A: A.B ≠ B.A
3 -1 2 -1 7 -4
B.A = ; B.A =
1 -2 -1 1 4 -3
Como en general A.B ≠ B.A, el producto de matrices NO GOZA de la Propiedad Conmutativa

Es por ello que es necesario aclarar en toda transformación que se realice en una ecuación
matricial, si se esta pre-multiplicando o post-multiplicando.
Qué significa premultiplicar y postmultiplicar?
En A.B:
La matriz A premultiplica a B.
La matriz B postmultiplica a A.
Cuando se cumple que A.B = B.A, se dice que A y B son CONMUTABLES o PERMUTABLES
Sea A una matriz cuadrada de orden n y la matriz In la matriz identidad del mismo orden,
entonces A e In son conmutables o permutables.
Propiedad Asociativa:
Si la matriz A es conformable con B y B es conformable con C, entonces se cumple la igualdad:
(A.B) C = A (B.C)
(H) A = (a i j) 2 x 3 B = (b i j) 3 x 4 C = (c i j) 4 x 3
(T) (AB) C = A (BC)
(D) Consideramos las matrices con determinados tipos, a los efectos de hacer más sencilla la
demostración, sin perder generalidad.
Desarrollamos las operaciones del primer miembro de la igualdad que queremos demostrar.

A.B = P = ( pi j ) 2x4
3 c por definición de producto de matrices.

Tal que ∀i j p ij = ∑ a i k bk j
k=1
Aplicando nuevamente esta definición calculamos:

(AB) C = P.C
(AB) C = T = ( ti j ) 2x3
4 d
∀ i;j ti j = ∑ pi h ch j
h=1
Ahora, debemos expresar a pih en función de los elementos de las matrices dadas (de la
hipótesis)
Si en cj toma el valor h, o sea : j = h, se obtiene
3
pi h = ∑ aik bkh
k=1
Reemplazando esta expresión en d, tenemos

4 3
tij = ∑ ( ∑ aik bkh) chj

h=1 k=1
Desarrollamos la suma de menor cantidad de términos:

4
t ij = ∑ { a i 1 b 1 h + a i 2 b 2 h + a i 3 b 3 h} c h j
h=1
Como esta sumatoria varía con h, los a ik son constantes y se pueden extraer de la misma.
4 4 4
∴ t ij = a i1∑ b 1 h c hj + a i 2 ∑ b 2 h c hj + ai 3 ∑ b 3 h c hj
h =1 h =1 h =1
Reemplazando esta expresión en d tenemos:

( AB ) C =  ai1∑ b1hchj + ai 2 ∑ b 2 hchj + ai 3∑ b 3 hchj 

4 4 4
I
 h =1 h =1 h =1 
2x3
En forma análoga desarrollamos el segundo miembro de la Tesis:

B C = M = (mi j)3 x 3 tal que:
4
mij = ∑ bihchj ; ∀ i;j c
h =1
Ahora calculamos:
A (BC) = AM = R
3
R = ( ri j ) 2 x 3 donde r ij = ∑a
k =1
ik m kj d
Expresamos a mk j en función de los elementos de las matrices de la hipótesis. Para ello en c
hacemos i = k
4
∴ m k j = ∑ bkh chj e
h =1
De d y e se deduce:
3 4
rij = ∑ aik ∑ bkhchj
k =1 h =1
Desarrollamos la sumatoria de variable k como en el primer miembro:

4 4 4
∴ ri j = ai1∑ b1h chj + ai 2∑ b 2 h chj + ai 3∑ b3h chj
h =1 h =1 h =1
Luego:
 4 4 4

A (BC) =  ai1∑ b1hchj + ai 2∑ b 2 hchj + ai 3∑ b3hchj  II
 h =1 h =1 h =1 
2x3
Comparando las igualdades I y II , vemos que los segundos miembros son iguales, por
lo tanto los primeros también lo son.
En consecuencia: (AB).C = A (B.C)

Que es lo que queríamos demostrar.

Propiedad Distributiva:
Si A es conformable con B y B y C son del mismo tipo, entonces se cumple que:
A (B+C) = A.B + A.C
(H) A = (a i j) m x q ; B = (bi j) q x r C = (ci j) q x r

(T) A (B+C) = A.B + A.C
Demostración:
Desarrollaremos las operaciones del primer miembro de la igualdad de la tesis.
Resolvemos primero la suma de B y C, aplicando definición:
B+ C = S
= (si j) q x r ; si j = bi j + ci j ∀i; j c
Premultiplicando ambos miembros de la primera igualdad por A, se tiene:
A.(B + C) = A.S
I A.(B + C) = P = (p i j) m x r
Donde:
q
d p ij = ∑
k =1
a i k s k j ∀i; j por definición de producto de matrices:
Debemos expresa a s k j en función de los elementos de las matrices dadas. Dando a i el valor k
en c se tiene:
s kj = bkj + c kj
Sustituyendo en d ac kj por la expresión anterior, resulta:

q
p i j = ∑ aik (bkj +ckj )

k =1
Reemplazando esta expresión en I obtenemos:

 q 
A.(B + C) =  ∑ aik (bkj +ckj )
 k =1 
mxr

Aplicando dentro de la sumatoria, la propiedad distributiva de la multiplicación de números

reales, obtenemos:
 q

A.(B + C) =  ∑ aikbkj + aikckj 
 k =1 
mxr
Aplicando la propiedad de la sumatoria nos queda:

 q   q 
A.(B + C) =  ∑ aik .bkj  +  ∑ aik .ckj 

 k =1   k =1 
mxr mxr
Aplicando definición de producto de matrices, tenemos:

A . (B + C) = A.B + A.C
Que es la igualdad que queríamos demostrar.
Se dice en este caso que el producto de matrices es distributivo a la izquierda respecto a la suma.
5-5. Potencia Enésima de una Matriz Cuadrada

5-5-1. Definición
Sea A una matriz cuadrada de orden p y n un número natural, se define:
A0 = I
An = An-1. A
Si A es una matriz cuadrada cualquiera, aplicando esta definición tenemos:
A1 = A0. A A2 = A.A
A1= I. A. A3 = A2.A = A.A . A
=A
Ejemplo:
 2 − 1 0  2 − 1 0  2 − 1 0
Sea: A = 1 − 3 1  A = 1 − 3 1  1 − 3 1 
2
0 1 2 0 1 2 0 1 2
 3 1 − 1
A2 = − 1 9 − 1
 1 − 1 5 

6. Matriz Traspuesta
6-1. Definición
La traspuesta de una matriz A que se simboliza con A' , es la matriz que se
obtiene de A cambiando ordenadamente filas por columnas.
Es decir si A = (a i j) m x n la traspuesta de A es A' = (a' i j) n x m
tal que ∀i; j a' i j = a j i
Ejemplo:
 2 −2 0
−1 −1 0 3 
 2 0 1 1 

A = − 2 0 1 2 − 1  A' =  0 1 1 
 
 0 3 1 0 − 1  1 2 0
 1 − 1 − 1
Si A es de tipo m x n, evidentemente A' es de tipo n x m.
También se utiliza el símbolo At para denotar o simbolizar a la matriz traspuesta de A.
6-2. Propiedades
Las propiedades más importantes son dos:
Si A y B son matrices del mismo tipo:

1) (A + B)' = A' + B' 2) Si A es conformable con B: (AB)' = B' A'
1. La traspuesta de la suma de dos matrices del mismo tipo, es igual a la suma de las traspuestas
de las matrices sumandos
(H) A = (a i j) m x r ; B = (bi j) m x r
(T) (A + B)' = A' + B'
Demostración:
Desarrollamos las operaciones del primer miembro de la tesis.
A + B = S = (s i j ) m x r ; c s i j = a i j+ b i j por definición de suma de matrices.
Luego

(A + B)' = S' =(s'ij) r x m ; d s' i j = s j i por definición de matriz traspuesta.
De cyd se deduce:
s' i j = a ji + bji
Luego:
(A + B)' = (a ji + b j i) r x m I
Resolvemos las operaciones del 2º miembro de la tesis:
Tenemos que encontrar las traspuestas de las matrices A y B.
Aplicando la definición de la traspuesta de una matriz, se obtiene:
A' = (a' i j) r x m ; ∀i; j a' ij= aji
B' = (b'i j) r x m ; ∀i; j b' ij = b ji
∴ A' + B' = T = ( t i j ) ) r x m ; tij = a' ij + b'i j por definición de suma de matrices.

Teniendo en cuenta las primeras igualdades; t i j = a j i + b j i
Luego:
A' + B' = (a j i + b j i ) r x m II
De c y d, si los segundos miembros son iguales, los primeros también lo son.

Por lo tanto: (A + B)' = A' + B' que es la tesis
2. La traspuesta del producto de dos matrices conformables, es igual al producto de las

traspuestas de las matrices factores pero en orden cambiado.
(H) A = (a i j) n x r ; B = (b i j) r x q
(T) (AB)' = B' . A'
Demostración:
Resolvemos las operaciones del 1º miembro de la igualdad de la tesis:
Aplicando definición de producto de matrices, tenemos:
A B = P = (p i j) n xq
c
r
Tal que: p ij = ∑
k =1
a ik b kj

Si dos matrices son iguales, sus traspuestas también lo son, entonces:

(AB)' = P' = (p' i j) q x n
Donde p' ij =p ji por definición de traspuesta de una matriz
Teniendo en cuenta esta igualdad y c se tiene:

r
p' ij = ∑a
k =1
jk bki
Luego
 r 
(AB)' =  ∑ ajk bki  I
 k =1 
qxn
Resolvemos ahora el 2º miembro, o sea B'A'

Aplicando definición de matriz traspuesta encontremos A' y B'
B' = (b' i j) q x r ; b'i j = b j i
c
A' = (a ' i j) r x n ; a'i j = a j i
Aplicando definición de producto de matrices, se tiene:

r
B' A' = S = (s i j)
qxn
; ∀ i;j s ij = ∑ b'
k =1
ik a' kj d
De c y d, se deduce que:
r r
sij = ∑b
k =1
ki ajk =∑ ajk bki
k =1
 r 
∴ B' A' =  ∑ ajk .bki  II
 k =1 
qxn
Comparando I y II , si los segundos miembros son iguales, los primeros también lo son.
Luego: (A B)' = B'A' que es la tesis.
Otras propiedades que no demostraremos son:
(a) (A')' = A (b) (k A)' = k.A' k: constante real.

7. Matrices Simétricas y Antisimétricas
7-1. Definición de Matriz Simétrica

Matriz Simétrica es una matriz cuadrada cuyos elementos ubicados
simétricamente respecto a la diagonal principal son iguales.
Ejemplo:
1 0 3
A = 0 2 − 1
 es una matriz simétrica.
3 − 1 2 
También podemos decir: Una matriz cuadrada es simétrica si y sólo si es igual a su traspuesta.
A matriz cuadrada es simétrica ⇔ A' = A

O sea a'ij = a ji ∀i; j
7-2. Definición de Matriz Antisimétrica

Una Matriz cuadrada se dice Antisimétrica, si los elementos ubicados
simétricamente respecto a la diagonal principal son iguales en valor absoluto pero de signo
contrario.
Es decir, La matriz cuadrada A es antisimétrica si:
∀i; j aij = - aji ∴ aii = - aii ⇒ aii = 0 ∀i
O sea que los elementos de la diagonal principal de una matriz antisimétrica son todos nulos.
Ejemplo:
0 1 5
0 − 2
A=   ; B =  − 1 0 − 3
2 0  − 5 3 0 
También podemos decir: Una matriz cuadrada es antisimétrica, sí y sólo sí es igual a la opuesta
de su traspuesta.
A es antisimétrica ⇔ A' = -A
7-3. Propiedades
Toda matriz cuadrada puede expresarse como suma de una matriz simétrica y de
otra antisimétrica.
En efecto: Sea A una matriz cuadrada cualquiera.
1 1
Podemos escribir: A= A+ A
2 2

1
Sumamos y restamos A'
2
1 1 1 1
∴A= A + A + A '- A '
2 2 2 2
1
A= ( A + A ') + 1 ( A − A ')
2 2
1
Designemos con S a la matriz ( A + A ')
2
1
y con T a la matriz ( A − A ')
2
Demostraremos que S es una matriz simétrica y T es una matriz antisimétrica.
S es simétrica ⇔ S' = S
Veamos:
1 '
S'=  ( A + A')
2 
Aplicando propiedades de la matriz traspuesta tenemos:

1
S'= [A'+( A')']
2
1
= [A' + A]
2
=S
Como S' = S, entonces S es una matriz simétrica.
T es antisimétrica ⇔ T' = -T
1 '
T'=  ( A − A')
2 
Aplicando propiedades de la matriz traspuesta tenemos:

1
T' = ( A − A') '
2
1
= ( A'-( A' )')
2
1
= ( A'- A)
2
=-T
Como T'= - T, entonces T es una matriz antisimétrica que es lo que queríamos demostrar.

CAPITULO II – DETERMINANTES
1. Introducción
Teniendo en cuenta los objetivos de este curso, presentamos conceptos,
propiedades y demostraciones de algunas de ellas, evitando abordar los temas con demasiado
rigor científico. Daré en primer lugar el concepto de submatriz.
2. Concepto de Submatriz
Dada una matriz cualquiera A, llamamos submatriz de A, a toda matriz que se
obtiene de A suprimiendo filas o columnas, o ambas líneas.
Ejemplo:
− 1 2 0 1
Sea A =  2 3 −1 1 
 1 0 2 1 
2 3 −1 1
Suprimiendo la primera fila se obtiene la submatriz 
1 0 2 1 
− 1 2 1
Suprimiendo segunda fila y tercera columna obtenemos otra submatriz: 
1 0 1 
3. Determinante.
El Determinante es una función escalar que hace corresponde a cada matriz
numérica cuadrada, un número real.
Al igual que las matrices, el determinante se simboliza mediante un conjunto de números reales
dispuestos en filas y columnas; pero encerrados entre barras para diferenciar de las matrices.
Si A es una matriz numérica cuadrada, su determinante se simboliza así: det A o bien A y se
lee: “determinante de la matriz A”.

Ejemplo:
 2 −3 0  2 −3 0
A = − 1 5 2  det A = − 1 5 2
 2 1 − 3 2 1 −3

Definición
Vamos a definir determinante de una matriz, procediendo inductivamente respecto
a su orden n:
1) Si A es una matriz numérica cuadrada de orden n = 1 y A = [a]; a Є |R
definimos: det A = a
2) Si A es una matriz cuadrada de orden n > 1 y A = [ai j]; ai j Є |R

definimos:
a11 a12 L a1n
a 21 a 22 L a 2 n n
∑ (−1)
i+n
det A =
M M M M = . ai n . Mi n I
i =1
an1 an 2 L ann
Siendo Mi n el determinante de la submatriz de A, de orden (n - 1) que se obtiene

suprimiendo su iésima fila y enésima columna.
El determinante M i n recibe el nombre de Menor complementario, o simplemente
Menor del elemento a i n

Desarrollemos la sumatoria:
1+n
det A = (-1) a1n M1 n + (-1)2+n a2 n M2 n + (-1)3+n a 3n M3 n +…+ (-1)n+n a n n Mn n
Es decir, para calcular el determinante de la matriz A, se suman los productos que
se obtiene multiplicando cada uno de los elementos de la enésima columna por sus
respectivos menores, asignándoles a cada uno de estos productos el signo positivo
o negativo de acuerdo al lugar que ocupa cada elemento.
Apliquemos esta definición para una matriz cuadrada de orden n = 2.

 a11 a12  a11 a12
A=  A=
a 21 a 22  a 21 a 22
Según la definición de determinante, se tiene:
|A| = (-1)1+2 a1 2 M1 2 + (-1)2+2 a2 2 M2 2
∴ |A| = - a1 2 a2 1 + a1 1 a2 2 ó bien:
|A| = + a1 1 a2 2 - a1 2 a2 1
Por lo tanto el determinante de una matriz cuadrada de segundo orden es igual al producto de los
elementos de la diagonal principal menos el producto de los elementos de la diagonal secundaria.

Si n = 3 resulta:
a11 a12 a13
det A = a 21 a 22 a 23
a 31 a 32 a 33
3
Luego: det A = ∑ (−1) i+3
i =1
. ai 3 . M i 3
a 21 a 22 a11 a12 a11 a12

det A = (-1)
1+3
a13 + (-1)2+3 a 23 + (-1)3+3 a 33
a 31 a 32 a 31 a 32 a 21 a 22
∴ det A = a 13 [a 21a 32 − a 31a 22] − a 23[a11a32 − a31a12] + a 33[a11a 22 − a 21a12]
det A = a13 a 21a 32 − a13a 31a 22 − a 23a11a 32 + a 23a 31a12 + a 33a11a 22 − a 33a 21a12
Ejemplo:
5 1 −3
2 1 5 1
∆= 2 1 0 =-3 +1
−2 3 2 1
−2 3 1
=-3.8+3 ∴ ∆ = - 21
Con el objeto de hacer más sencilla la expresión I asociamos el factor (-1)1+n (o sea el signo)
con el menor Mi n y definimos el llamado Cofactor del elemento ai n de la matriz A; lo denotamos
“Ai n”
∴ Ai n = (-1)i +n Mi n
Luego la expresión I puede escribirse:

n
det A = ∑a
i =1
in. Ain
O sea el determinante de una matriz cuadrada A de orden n, se obtiene sumando los productos de
los elementos de la enésima columna por sus correspondientes cofactores.
En general el cofactor de un elemento cualquiera de una matriz cuadrada A de orden n > 1 esta
dado por la relación:
A i j = (-1)i +j M i j ∀ i,j
Siendo M i j el Menor complementario del elemento a i j y A i j el cofactor del elemento a i j .

Realicemos ahora la suma de los productos de los elementos de la primera fila del determinante
∆, por sus correspondientes cofactores:
1 0 2 0 2 1
O sea: 5 −1 −3
3 1 −2 1 −2 3
5 - 2 - 24
= - 21
Observamos que también se obtiene el valor del determinante. Efectivamente esto es válido
cualquiera sea la fila o columna que se tome. Esto es lo que establece el siguiente teorema:
4. Teorema de la Expansión
Este teorema conocido también como Regla de Laplace, establece que si A es una matriz
cuadrada de orden n ≥ 2, entonces se cumple:
n
(a) det A = ∑ak =1
kj . Akj j fijo ^ 1 ≤ j ≤ n
n
(b) det A = ∑ak =1
ik . Aik i fijo ^ 1 ≤ i ≤ n
La expresión (a) corresponde al desarrollo del determinante por los elementos de la columna j.
La expresión (b) corresponde al desarrollo del determinante por los elementos de la fila i.
5. Propiedades de los determinantes

Resulta muy extenso el procedimiento de evaluación de determinantes de orden
superior mediante el desarrollo según sus filas o columnas. Estudiaremos ahora una serie de
propiedades importantes de los determinantes que permiten encontrar un método de evaluación
más rápido y sencillo. Demostraremos sólo alguna de las propiedades más importantes.
5.1. Si todos los elementos de una fila (o columna) de una matriz cuadrada A son nulos,
entonces det A = 0.
Su demostración es demasiado sencilla, dado que (aplicando el Teorema de la Expansión) si
se desarrolla el determinante por la fila (o columna) de elementos nulos, se anula la suma,
dado que en cada término habrá un factor cero.
5.2.Si la matriz B se obtiene de la matriz cuadrada A, multiplicando todos los elementos de una
fila (o columna) por una constante K, entonces det B = K det A.

Demostración:
Sea A una matriz cuadrada de orden n
 a11 a12 a13 L a1 n 

 a 21 a 22 a 23 L a 2 n 

A =  a 31 a 32 a 33 L a3n 
 
 M M M M M 
 an1 an 2 an 3 L ann 
Sea B una matriz que se obtiene de A multiplicando los elementos de la primera fila por la
constante real k.
 ka11 ka12 ka13 L ka1n 

 a 21 a 22 a 23 L a 2 n 

B =  a 31 a 32 a 33 L a3n 
 
 M M M M M 
 an1 an 2 an 3 L ann 
Queremos demostrar que det B = K det A.
Para ello desarrollamos det B por los elementos de la primera fila:

det B = ka11 B11 + ka12 B12 + ka13 B13 + … + ka1n B1n
Sacamos k, factor común:

det B = k [a11 B11 + a12 B12 + a13 B13 + … + a1n B1n ] I
Pero:
a 22 a 23 L a 2 n
a 32 a 33 L a 3 n
B11 = = A11
M M M M
an 2 an 3 L ann
En forma análoga es: B12 = A12 ; B13 = A13 ; … ; B1n = A1n
Reemplazando estas igualdades en I , se obtiene:

det B = K [a11 A11 + a12 A12 + a13 A13 + … + a1n A1n]
Por Teorema de Expansión, la expresión del corchete es el valor del det A.

∴ det B = K det A Que es lo que nos propusimos demostrar.
5.3.Si cada elemento akj de la fila k de una matriz cuadrada A, es igual a a'kj + a''kj , entonces se
cumple la igualdad: det A = det A' + det A'', donde A' y A'' son matrices que se obtienen a
partir de A, reemplazando akj por a'kj y a''kj respectivamente. (válido también para
columnas
5.4.Si A es una matriz cuadrada, entonces det A = det A' .
5.5.Si la matriz B se obtiene de la matriz cuadrada A, intercambiando dos filas (o columnas)

entre sí, entonces se cumple que:
det B = - det A
Esta propiedad podemos enunciarla así:
Si en un determinante se permutan dos filas (o dos columnas) el determinante cambia de
signo.
5.6.Si un determinante tiene dos filas (o dos columnas) iguales, el determinante es nulo.
Vamos a demostrar esta propiedad considerando para mayor facilidad un determinante de 3º
orden. En forma análoga se procede con un determinante de orden n.
a a' d
∆ = b b' e siendo: a = a' ; b = b' ; c = c'
c c' f
Demostraremos que ∆ = 0
Aplicando al determinante ∆ la propiedad 5, cambiamos la primera columna con la segunda,

con lo que el determinante cambia de signo:
Luego:
a a' d a' a d
∆ = b b' e = − b' b e = −∆
c c' f c' c f
Como ∆ = - ∆ ⇒ ∆=0
5.7.Si un determinante tiene dos filas (o dos columnas) proporcionales, entonces el determinante
es nulo.

Demostraremos con un determinante de cuarto orden:

a ka m s
b kb p t
∆ =
c kc q u
d kd r v
Queremos demostrar que ∆ = 0.
Aplicamos propiedad 2 que podemos expresarla de la siguiente manera: Si todos los
elementos de una fila (o columna) de un determinante contienen a k como factor, entonces
dicha constante se puede extraer como factor del determinante.
Luego: 0
a ka m s a a m s
b kb p t b b p t
∆ = = k. = k .0 = 0
c kc q u c c q u
d kd r v d d r v
∴ ∆ = 0.
El segundo determinante es nulo por propiedad 6ta.
5.8.Si a una fila (o columna) de un determinante se le suma una combinación lineal de filas (o
columnas) el determinante no varía.
Enunciaré y demostraré un caso particular de esta propiedad, porque probablemente sea la
más importante por la aplicación que tiene en el cálculo de determinantes de orden superior.
Si a los elementos de una fila (o columna) de un determinante se le suman los elementos de

otra fila (o columna) previamente multiplicados por una constante real arbitraria, el
determinante no varía.
Demostraremos para determinantes de tercer orden, en forma análoga se demuestra para

determinantes de orden n.
Consideramos un determinante genérico de tercer orden ∆.
a b c
∆ = d e f
g h i

Demostraré que:
a b c a b c
∆ = d e f = d e f
g + ka h + kb i + kc g h i
En efecto, aplicando la propiedad 3 al primer determinante, podemos escribir:

0
a b c a b c a b c
d e f = d e f + d c f
g + ka h + kb i + kc g h i ka kb kc
El segundo sumando es un determinante nulo por propiedad 7, por tener la primera y tercera
filas proporcionales.
Luego nos queda:
a b c a b c
d e f = d e f
g + ka h + kb i + kc g h i
5.9.Si a los elementos de una fila (o columna) de un determinante se los multiplica por los
cofactores de los elementos de otra fila (o columna) y se realiza la suma de dichos
productos, el resultado es cero.
5.10. Si A y B son matrices cuadradas del mismo orden, entonces el determinante de la matriz
producto es igual al producto de los determinantes de las matrices factores.
Es decir: det (AB) = det A . det B

6. Cálculo de un determinante por reducción a otro de orden menor

El método conocido bajo el nombre de Regla de Chío, consiste en transformar el
determinante de orden n a calcular, en otro equivalente que tenga en una fila o columna un
sólo elemento no nulo, preferentemente uno, al que llamamos pivote.
Este determinante desarrollado por los elementos de dicha fila o columna, resulta igual al
producto del elemento pivote multiplicado por su correspondiente cofactor, que es un
determinante de orden (n-1).
Es decir, a un determinante de orden n, lo podemos reducir a otro de orden (n-1), lo que
facilita enormemente el cálculo. Se reitera el procedimiento, hasta obtener un determinante
de segundo orden, cuya resolución es sencilla.
Veamos la aplicación del método, en el siguiente ejemplo:

Ejemplo Nº 1:
2 −1 3 0
0 2 −1 3
∆ =
−3 1 −3 2
2 −3 7 2
Nos preguntamos: ¿Qué línea vamos a elegir con el propósito de ahorrar tiempo y trabajo?
Conviene elegir aquella línea que contenga la mayor cantidad de elementos nulos. En efecto,
un elemento nulo en una línea nos ahorra el cálculo de un determinante. En este caso,
tenemos varias líneas con un elemento nulo, de ellas elijo la primera fila, dado que además
contiene un elemento unitario, al que elegimos como pivote, por que con él se agiliza el
procedimiento a la vez que se hace más sencillo.
Marcaremos con un cuadrado al elemento elegido como pivote, y con círculos a todos los
elementos que tenemos que reducir a cero. Teniendo en cuenta, que si se quiere reducir a
cero los elementos de una fila, se deben realizar combinaciones lineales de columnas y
recíprocamente, si se quiere reducir a cero los elementos de una columna, hay que realizar
combinaciones lineales de filas.
Por lo tanto, en este caso, realizaremos combinaciones lineales con la segunda columna, dado
que es la columna que contiene al pivote elegido.
Entonces realizamos las siguientes operaciones:
- A la segunda columna la multiplico por 2 y le sumo la primera columna.

- A la segunda columna la multiplico por 3 y le suma la tercera columna.

Luego podemos escribir: 2 3
2 −1 3 0 0 −1 0 0
0 2 −1 3 4 2 5 3
∆= =
−3 1 −3 2 −1 1 0 2
2 −3 7 2 −4 −3 −2 2
Las operaciones descriptas las visualizamos sobre el determinante, ayudados por una flecha
que sale de la línea que contiene al pivote y llega a la línea que se suma. El segundo
determinante desarrollado por los elementos de la primera fila, resulta igual al producto del
elemento pivote por su correspondiente cofactor.
0 −1 0 0
4 5 3
4 2 5 3
O sea: = − ( − 1) − 1 0 2
−1 1 0 2
−4 −2 2
−4 −3 −2 2
De esta manera, podemos apreciar como un determinante de 4to. orden, lo reducimos a otro
equivalente de 3er. orden.
En general un determinante de orden n se lo puede reducir a uno de orden (n-1), y reiterar el
procedimiento hasta obtener un determinante de segundo orden, cuya resolución es
inmediata.
Siguiendo con la resolución del determinante de 3er. orden, elegimos ahora la segunda fila
pues contiene un cero y un elemento unitario: (-1), al que elegimos como pivote.
Con un círculo ubicamos al único elemento de la segunda fila que debemos reducir a cero.
Como queremos reducir a 0, elementos de una fila, realizamos combinaciones lineales con
columnas; siempre con la columna que contiene al pivote, la que permanece invariable.
Multiplicamos a la primera columna por 2 y le sumamos la tercera obteniendo:
2
4 5 3 4 5 11
5 11
−1 0 2 = −1 0 0 = − ( − 1)
−2 −6
−4 −2 2 −4 −2 −6
∴ ∆ = - 30 + 22 ⇒ ∆ = - 8

Vemos que en este ejemplo hemos encontrado siempre un pivote unitario. Si bien, NO es
imprescindible, es muy importante trabajar con dicho pivote. No obstante, si el determinante
no tiene elementos unitarios, se puede lograr la existencia de los mismos, mediante las
combinaciones lineales descriptas, y como último recurso, mediante la introducción al
determinante, de números fraccionarios.
Ahora voy a proponer el cálculo de otro determinante numérico, con el objeto de describir
otra faceta importante en la aplicación de este método.
Ejemplo Nº 2:
2 3 −4 1 4
0 5 −7 6 3
∆= 4 7 −9 4 9
2 −2 3 −1 1
0 2 −3 5 2
Para resolver este determinante, elijo la primera columna; si bien en ella no existe un
elemento unitario, podemos obtenerlo mediante la extracción del factor 2 de dicha columna
(por propiedad de determinantes). Sin embargo esta operación no es necesaria; es mas,
conviene elegir a 2 como pivote y mediante combinaciones lineales con la primera fila (que
es la que contiene al pivote), reducir a 0 los restantes elementos no nulos de la primera
columna. Es decir:
2 3 −4 1 4 2 3 −4 1 4
0 5 −7 6 3 0 5 −7 6 3
(-2)
∆= 4 7 −9 4 9 (-1) = 0 1 −1 2 1
2 −2 3 −1 1 0 −5 7 −2 −3
0 2 −3 5 2 0 2 −3 5 2
Si el factor fuese un número grande, entonces si conviene su extracción del determinante. Si

desarrollamos el segundo determinante de 5to. orden, por los elementos de la primera
columna, resulta igual al producto del pivote 2, por su correspondiente cofactor, que es el
determinante de 4to. orden que se obtiene suprimiendo fila y columna a la que pertenece el
pivote. [1ra. Fila y 1ra. Columna].
Luego:

5 −7 6 3
1 −1 2 1
∆ = 2.
−5 7 −2 −3
2 −3 5 2
Logramos así, reducir el determinante de 5to. orden, a otro equivalente de 4to. orden, lo que
simplifica enormemente los cálculos.
Ahora debemos resolver este determinante de 4to. orden. Al no existir elementos nulos, elijo
una de las líneas que tiene un elemento unitario.
Si analizamos las diferentes posibilidades, veremos que una de las más sencillas es la
siguiente:
Mediante combinaciones lineales con la primera columna, reducir a 0 (cero) todos los
elementos de la segunda fila, marcados con círculos.
Con lo que se obtiene:
+ (-2) (-1)
5 −7 6 3 5 −2 −4 −2
1 −1 2 1 1 0 0 0
2. = 2.
−5 7 −2 −3 −5 2 8 2
2 −3 5 2 2 −1 1 0
Este determinante desarrollado por los elementos de la segunda fila, es igual:

− 2 − 4 − 2 − 2 − 6 − 2
− 2. 2 8 2 = −2. 2 10 2 = − 2 ( − 12 + 20 )( − 1 ) = + 2 . 8
−1 1 0 −1 0 0
+
∴ ∆ = + 16
Al primer determinante de tercer orden, lo podemos resolver así:
Extrayendo un factor 2 de la primera fila y un factor 2 de la segunda fila nos queda:

− 2 − 4 − 2 −1 − 2 −1
− 2. 2 8 2 = − 2 .2 .2 . 1 4 1
−1 1 0 −1 1 0
+
−1 − 3 −1
= −8. 1 5 1 = ( − 8 )( − 1 )[ − 3 + 5 ]
−1 0 0
= + 16
Ahora bien, la extracción de un factor en un determinante tiene mayor importancia, cuando el

factor a extraer es un número grande o un número fraccionario.


CAPITULO III – INVERSION DE MATRICES

Comenzaré esta unidad, definiendo matriz adjunta de una matriz cuadrada, y
demostrando una importante propiedad de la misma.
1. Adjunta de una Matriz Cuadrada. Definición. Notación.

Sea A una matriz cuadrada de orden n, se denomina Matriz Adjunta de A, a la
matriz cuadrada de orden n que se obtiene trasponiendo la matriz formada por los cofactores de
los elementos de la matriz A.
Denotaremos a la matriz adjunta de A, mediante el símbolo: Adj A o bien mediante el símbolo:

A*.
Luego: si A es la matriz cuadrada de orden n:
 a11 a12 a13 L a1 n 

 a 21 a 22 a 23 L a 2 n 
A=
 M M M L M 
 
 an1 an 2 an 3 L ann 
Se tiene que: '

 A11 A12 A13 L A1n 
 A21 A22 A23 L A2 n 
Adj . A = 
 M M M L M 
 
 An1 An 2 An 3 L Ann 
Luego Adj A queda expresada por:

 A11 A21 A31 L An1 
 A12 A22 A32 L An 2 
Adj . A = 
 M M M L M 
 
 A1n A2 n A3n L Ann 
También podemos decir:

Dada una matriz cuadrada A de orden n, se llama Matriz Adjunta A a la matriz cuadrada de
orden n, A* = (aij*)n cuyo elemento genérico aij* es el cofactor Aji del elemento aji de la
matriz A.
Es decir: a*ij = Aji ∀i;∀j
Debemos tener en cuenta que se obtiene igual resultado, si se parte de la matriz dada A, se
encuentra la traspuesta de A y por último se construye la matriz de los Adjuntos o de los
cofactores de los elementos de la traspuesta de A.
Ejemplo 1: '
1 2 − 1 − 5 3 2
Sea A = 0 − 2 3  ; 
Adj A = − 7 5 3 
1 − 1 4   4 − 3 − 2
− 5 − 7 4 
Adj A =  3 5 − 3
 2 3 − 2
2. Teorema
Cualquiera sea la matriz cuadrada A, se verifica que:
A . A* = A* . A = det A. I
Demostraremos esta propiedad para matrices de 3º orden, en forma análoga se procede para
matrices de orden n.
Calculamos el producto: A . A*
'
 a11 a12 a13   A11 A12 A13 
A. A* = a 21 a 22 a 23 .  A21 A22 A23
a 31 a 32 a 33   A31 A32 A33
Si denotamos con cij los elementos de la matriz producto, se tiene:

 a11 a12 a13   A11 A21 A31 c11 c12 c13 

a 21 a 22 a 23  A12 A22 A32  = c 21 c 22 c 23
    
a 31 a 32 a 33   A13 A23 A33 c 31 c 32 c 33 
c11 = a11 A11 + a12 A12 + a13 A13 = det A por Teorema de la expansión.
c12 = a11 A21 + a12 A22 + a13 A23 = 0 por Propiedad 9 de determinantes.
c13 = a11 A31 + a12 A32 + a13 A33 = 0 por Propiedad 9 de determinantes.
c22 = a21 A21 + a22 A22 + a23 A23 = det A por Teorema de la expansión.
En forma análoga se demuestra que:
cij = det A ∀i=j ^ cij = 0 ∀i≠j
Luego:
det A 0 0 

A. A* =  0 det A 0 
 0 0 det A
1 0 0
∴ A. A* = det A.0 1 0 o sea: A.A* = det A.I que es lo que queríamos demostrar.
0 0 1
En forma análoga se prueba que: A*.A = det A . I
3. Matriz Inversa de una Matriz Cuadrada
3-1. Definición. Notación.

Si A y B son matrices cuadradas del mismo orden tal que A.B = B.A = I, entonces
se dice que A es matriz inversa de B y recíprocamente que B es matriz inversa de A.
Notación: Simbolizamos a la matriz inversa de A con A-1.

Este símbolo se lee: “matriz inversa de A” o simplemente “Inversa de A”.

3-2. Condición Necesaria y Suficiente para la existencia de la matriz inversa
Teorema: Una matriz es inversible sí y sólo sí su determinante es distinto de cero.

Vamos a demostrar:
1. A es inversible ⇒ det A ≠ 0
Por hipótesis A es una matriz inversible. Luego por definición de matriz inversa, existe una
matriz B tal que:
A.B=B.A=I
Luego:
det (AB) = det (BA) = det I
Aplicando propiedades de determinante y teniendo en cuenta que: det I = 1, podemos

escribir:
det A . det B = det B . det A = 1
Por lo tanto resulta det A ≠ 0, pues en caso contrario su producto por det B sería 0 y no 1.
2. det A ≠ 0 ⇒ A es inversible.
Sabemos por propiedad de la matriz adjunta que:
A. A* = A* . A = det A . I
Por hipótesis det A ≠ 0, por lo que podemos dividir la igualdad anterior en det A, obteniendo:
B B
1 1
A. A* = A * .A = I
det A det A
Hemos demostrado que: A . B = B . A = I
Luego por definición existe A-1 (B) ∴ A es inversible que es lo que queríamos demostrar.
De la relación anterior se tiene que:

1
A-1 = A*
det A
Se obtiene de este modo, un método para calcular la inversa de una matriz de determinante
no nulo.

Ejemplo 2:
Tomemos la matriz A del ejemplo anterior. Calculemos su determinante:
1 2 −1 1 2 −1
det A = 0 − 2 3 -1 = 0 −2 3
1 −1 4 0 −3 5
det A = -10 + 9 ∴ det A = - 1
Encontramos la matriz adjunta de A:

− 5 − 7 4 
Adj A =  3 5 − 3
 2 3 − 2
1
Aplicando la relación: A-1 = A*
det A
Se obtiene:
− 5 − 7 4  5 7 − 4
1 
-1
A = . 3 5 − 3 ∴ A =  − 3 − 5 3 
-1
−1
 2 3 − 2 − 2 − 3 2 
Verificación: A. A-1 = A-1.A = I

En efecto:
1 2 − 1  5 7 − 4

A. A = 0 − 2 3   − 3 − 5 3 
-1  
1 − 1 4  − 2 − 3 2 
1 0 0 
= 0 1 0 En forma análoga se demuestra el producto: A-1.A = I
0 0 1
3-3. Unicidad de la Inversa de una Matriz. Teorema.

La inversa de una matriz inversible es única.
Demostración:
Por hipótesis, A es una matriz inversible.
Luego por definición de inversa de una matriz, existe una matriz B, tal que:
A.B = B.A = I 1

Lo que nos proponemos demostrar es que B es única.

En efecto, supongamos que existe otra matriz C inversa de A. Entonces por definición de
matriz inversa se cumple que:
A.C = I
Multiplicando por B ambos miembros de la igualdad, se tiene:

B . (AC) = B . I
Aplicando propiedad asociativa en el 1º miembro y como I es el elemento neutro del

producto de matrices, podemos escribir:
(BA) C = B y por 1 BA = I
∴ IC=B ⇒ C=B
Con lo que demostramos que la inversa de A es única.
4. Propiedades
4-1. Si A y B son matrices inversibles del mismo orden, su producto también lo es, y se
cumple que: la inversa del producto es igual al producto de las inversas de las matrices
factores, pero en orden cambiado.
H A y B matrices inversibles de orden n.
A-1 inversa de A ; B-1 inversa de B
T (A B)-1 = B-1 A-1
Demostración:
Queremos demostrar que la inversa del producto AB es el producto B-1 A-1.
Es decir debemos demostrar que (AB) y (B-1 A-1) son matrices inversas. Por lo tanto, por
definición de matrices inversas se debe cumplir que:
(AB) (B-1 A-1) = (B-1 A-1) (AB) = I
En efecto:
(AB) (B-1 A-1) = A (B B-1) A-1 por propiedad asociativa del producto.
Además: por hipótesis y por definición de inversa de una matriz es:
B B-1 = A A-1 = I
Luego:

(AB) (B-1 A-1) = A I A-1 = A A-1 = I

∴ (AB) (B-1 A-1) = I
En forma análoga:
(B-1 A-1) (AB) = B-1 (A-1A) B = B-1 I B = B-1 B = I
Por consiguiente, por definición, (AB) y (B-1 A-1) son matrices inversas.
Es decir: (AB)-1 = B-1 A-1
4-2. Si A es una matriz inversible, At también lo es, y se cumple que:

( At )-1 = ( A-1 ) t
Demostración:
Por hipótesis A es inversible y A-1 su matriz inversa.
Luego por definición de inversa de una matriz se cumple que:
A-1 A = I
Si dos matrices son iguales, sus traspuestas también lo son.
Luego:
( A-1 A )t = I t
Aplicando propiedad de las traspuestas, se tiene:
At (A-1) t = I 1
En forma análoga se demuestra que:
(A-1) t At = I 2
De 1 y 2 aplicando definición de inversa de una matriz, se deduce que:
(A-1) t es la inversa de At
Es decir: (At)-1 = (A-1) t o bien: (A-1) t = (At) -1
4-3. Si A, B, y C son matrices inversibles del mismo orden, entonces se cumple la igualdad:
(A B C) -1 = C-1 B-1 A-1
En efecto, apliquemos propiedad asociativa al producto A.B.C
Entonces:
(A B C)-1 = [ (AB) C]-1
Y por propiedad de la inversa del producto de dos matrices resulta:
= C-1 (A B)-1

Aplicando la misma propiedad al producto AB:

Se tiene que:
(A B C)-1 = C-1 B-1 A-1
4-4. La inversa de una matriz simétrica inversible es también una matriz simétrica.
En efecto:
Como A es una matriz simétrica, por definición se cumple:
A' = A
Si dos matrices son iguales, sus inversas también lo son.
∴ (A') -1 = A-1
Aplicando propiedad 2. en el primer miembro, nos queda:
(A -1)' = A-1
Luego por definición de matriz simétrica se tiene que:
A-1 es una matriz simétrica
4-5. Si A es una matriz diagonal inversible, entonces su inversa A-1 también es una matriz
diagonal, tal que los elementos de la diagonal principal de esta, son los inversos
multiplicativos de los elementos de la diagonal principal de la matriz dada A.
Sea A una matriz diagonal inversible de orden n:
1 
 a11 0 0 L 0 
 a11 0 0 L 0  1 
0 a 22 0 L 0  0 0 L 0 
  a 22 
 1
A= 0 0 a 33 L 0
entonces: A-1 =  0 0 L 0 
  a 33
 M M M M M   
 0  M M M M M 
0 0 0 ann   
0 1 
0 0 0
 ann 
4-6. Si k ≠ 0 es un número real y A una matriz inversible, entonces la inversa del producto
del escalar k por A es igual al inverso multiplicativos de k por la inversa de A.
O sea:
1 -1
(k A) -1 = A
k

CAPITULO IV – SISTEMAS DE ECUACIONES LINEALES
1. Introducción
Comenzaremos esta unidad, recordando el concepto de ecuación.
Ecuación: es toda igualdad de operaciones, en las que intervienen constantes y
variables (o incógnitas) y que sólo se verifica para determinados valores de las incógnitas.
Dichos valores se denominan raíces de la ecuación.
Ejemplos:
(a) 3x – 2 = 0 (b) x2 – 2x = 1 (c) 2x – 3y = z – 2
Existen diferentes tipos de ecuaciones, nosotros estudiaremos las ecuaciones lineales. Una
ecuación lineal con n incógnitas es una expresión de la forma:
a1 x1 + a2 x2 + a3 x3 + … + a n xn = b
donde los ai son constantes reales llamadas coeficientes y xi son las variables o incógnitas y b
constante real llamada término independiente.
Un conjunto de dos o más ecuaciones lineales con las mismas incógnitas, constituye un sistema
lineal de ecuaciones.
2. Sistema Lineal de Ecuaciones. Resolución. Sistemas Compatibles e

Incompatibles.
Un sistema lineal de m ecuaciones con n incógnitas es de la forma:
a11 x1 + a12 x2 + a13 x3 + … + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + … + a2n xn = b2
…………………………………………….
…………………………………………….
…………………………………………….
am1 x1 + am2 x2 + am3 x3 + … + amn xn = bm
Las constantes aij se denominan coeficientes de las incógnitas; los bi son los llamados términos
independientes del sistema.

Si todos los términos independientes son nulos, el sistema se dice Homogéneo, en caso contrario
se dice No Homogéneo.
Ejemplo:
2 x1 – x3 = 0 2x–y+z=2
(a) (b) – x – 2 z = -1
3 x1 – x2 + 2 x3 = 0 x + 3y – z = 0
(a) Sistema Homogéneo (b) Sistema No Homogéneo.
Nos preguntamos ¿Qué es resolver un sistema de ecuaciones?
Resolver: Un sistema de ecuaciones es encontrar todos los conjuntos de valores de las incógnitas
que satisfagan simultáneamente todas las ecuaciones del sistema. Cualquier conjunto que cumpla
tales condiciones, se denomina solución del sistema.
Ahora bien, los sistemas lineales de ecuaciones se clasifican en:

Compatible, si el sistema tiene solución e Incompatible, si el sistema no tiene solución.
Además se dice que un sistema lineal es determinado si tiene una única solución, e
indeterminado si el sistema tiene infinitas soluciones.
Luego: Determinado: Solución Única.
Compatible
(Tiene solución) Indeterminado: Infinitas Soluciones.
Sistema Lineal
de Ecuaciones
Incompatible: No tiene solución.
3. Sistemas Equivalentes. Operaciones que transforman a un Sistema

S en otro equivalente S’.
Dos sistemas de ecuaciones lineales son equivalentes, si toda solución de uno
cualquiera de ellos, es también solución del otro.
Estudiaremos ahora las operaciones que, aplicadas a las ecuaciones de un sistema S, lo
transforman en un equivalente S'.
Dichas operaciones son:

(a) Multiplicar una o más ecuaciones por un escalar ≠ 0.

(b) Intercambiar o permutar ecuaciones entre sí.
(c) Sumar a una ecuación una combinación lineal de ecuaciones.
Los métodos de resolución de sistemas lineales de ecuaciones, consisten
fundamentalmente en transformar el sistema dado en otro equivalente, pero que presente una
estructura más simplificada que facilite su resolución.
Antes de describir los métodos de resolución de los sistemas de ecuaciones

lineales, realizaremos las siguientes consideraciones:
Dado un sistema lineal de m ecuaciones con n incógnitas o variables; expresado en forma

escalar:
a11 x1 + a12 x2 + a13 x3 + … + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + … + a2n xn = b2
…………………………………………….
…………………………………………….
…………………………………………….
am1 x1 + am2 x2 + am3 x3 + …+ amn xn = bm
Designamos con A a la llamada matriz de lo coeficientes del sistema. O sea:
 a11 a12 a13 L a1 n 

 a 21 a 22 a 23 L a 2 n 

A =  a 31 a 32 a 33 L a3n 
 
 M M M M M 
 am1 am 2 am 3 L amn 
Con X al vector de las incógnitas, y con B al vector de los términos independientes, o sea:
 x1   b1 
 x2  b2 
   
X =  x3  ; B =  b3 
   
M M
 xn  bm 

El sistema lineal se puede expresar en notación matricial de la siguiente forma: A.X = B

O sea:
 a11 a12 a13 L a1 n   x1   b1 

 a 21 a 22  x2   b2 
 a 23 L a 2 n     
 a 31 a 32 a 33 L a3n   x3   b3 
    =  
 M M M M M  M M
 am1 am 2 am 3 L amn   xn bm
También definimos la matriz ampliada, como la matriz que se obtiene agregando a la matriz
de los coeficientes como última columna, el vector de los términos independientes. Esta matriz la
simbolizamos con Å.
Luego la matriz ampliada es:
 a11 a12 a13 L a1 n b1 

 a 21 a 22 a 23 L a2n b 2 

 a 31 a 32 a 33 L a3n b3 
Å=  
 M M M M M M 
 am1 am1 a m1 L amn bm 
Una solución del sistema A.X = B, es un vector denotado por X* de n componentes, tal que
verifica la ecuación matricial.
Es decir: A. X* = B
Estudiaremos primero el Método de Gauss, uno de los más importantes del álgebra lineal para
la resolución de sistemas de ecuaciones lineales.
4. Método de Gauss para la resolución de Sistemas Lineales

Cuadrados
El Método de Gauss es aplicable a todo sistema lineal de ecuaciones, cuadrado o
rectangular, homogéneo o no homogéneo.

Este método consiste en encontrar un sistema equivalente al dado, pero de

resolución más sencilla.
Para ello se aplican a la matriz ampliada del sistema dado, las llamadas
operaciones elementales para triangularizar la matriz de los coeficientes. Vamos a proceder de la
siguiente manera:
Escribimos la matriz ampliada del sistema a resolver, agregando como última

columna la denominada Columna de Control, cuyos elementos se obtienen sumando todos los
elementos de cada una de las filas de la matriz ampliada.
Elegimos luego en la primera columna de esta matriz, un elemento no nulo

cualquiera, preferentemente “1” al que llamaremos pivote. Sabemos que el pivote unitario
facilita los cálculos.
La fila que contiene al pivote elegido se la escribe en primer lugar (es decir como
primera fila), y mediante operaciones elementales de filas, se reducen a cero los restantes
elementos de la primera columna; o sea todos los elementos ubicados debajo del pivote. Con la
primera fila no se opera más, o sea permanece invariable hasta finalizar el procedimiento.
Ahora bien, se entiende que a los elementos de la columna de control, se les

aplican las mismas operaciones que a los demás elementos de cada una de las filas, debiendo
verificar siempre, su igualdad con la suma de los elementos de la fila correspondiente. Si esto no
ocurre, indica que se cometieron errores en el procedimiento.
Se procede en forma análoga, eligiendo ahora un pivote en la segunda columna, y

a partir de la segunda fila inclusive. A la fila que contiene el nuevo pivote se la escribe como
segunda fila, y se reducen a cero todos los elementos de la segunda columna, ubicados debajo
del pivote. Con la segunda fila no se opera más y permanece sin modificaciones hasta finalizar el
procedimiento. Se continúa con éste mecanismo, hasta conseguir transformar a la matriz de los
coeficientes en una matriz equivalente que sea triangular o escalonada.
Se resuelve entonces, este sistema, equivalente al original, realizando sucesivas

sustituciones partiendo de la última ecuación hasta llegar a la primera.
Nos quedan por hacer, algunas consideraciones respecto al pivote.

Dijimos que el pivote es un elemento no nulo preferentemente 1 ¿Cómo

procedemos si no existen elementos unitarios?
Podemos obtener dichos elementos aplicando la operación elemental 3º,

análogamente a la obtención de ceros, o también multiplicando toda la fila por el inverso
multiplicativo del elemento que queremos reducir a 1, pero de este modo aparecen en general
números fraccionarios, y el procedimiento se hace más complicado.
Por último, en ciertas oportunidades es conveniente trabajar con un pivote no

unitario.
Resolveremos primero sistemas lineales cuadrados.

Veamos ahora la aplicación de este método a un ejemplo sencillo.
Ejemplo 1:
Dado el sistema lineal
2 x1 + x2 – 3 x3 = -5
- x1 + 2 x3 = 3
3 x1 + x2 - x3 = 0
Escribimos la matriz ampliada, agregando como última columna la columna de control c, cuyos
elementos se obtienen sumando todos los elementos de la fila correspondiente.
Así a (-5), primer elemento de la columna c lo obtenemos sumando todos los elementos de la
primera fila; 4 es la suma de los elementos de la segunda fila y 3 la suma de los elementos de la
tercera fila.
Elegimos en la primera columna a (-1) como pivote y lo visualizamos con un recuadro.

x1 x2 x3 bi c
2 1 -3 -5 -5
-1 0 2 3 4
3 1 -1 0 3
Como la segunda fila contiene al pivote elegido, la escribimos como primera fila y debemos
reducir a 0 todos los elementos ubicados debajo del pivote, visualizando con círculos. Para ello

debemos realizar combinaciones lineales con la primera fila, indicando las operaciones sobre la
matriz ayudados con una flecha.
-1 0 2 3 4
2 2 1 -3 -5 -5
3 3 1 -1 0 3
Multiplicamos la primera fila por 2 y le sumamos la segunda fila.
Multiplicamos la primera fila por 3 y le sumamos la tercera fila.
Obtenemos así la siguiente matriz:
-1 0 2 3 4
0 1 1 1 3
0 1 5 9 15 (-1)
Comprobamos que: 3 es la suma de los elementos de la segunda fila.

Comprobamos que: 15 es la suma de los elementos de la tercera fila.
Por lo tanto, tenemos la seguridad que no cometimos errores.
Como tenemos un elemento unitario en lugar 2;2, lo elegimos de pivote, luego resta anular al
único elemento ubicado debajo del pivote mediante la combinación lineal indicada por la flecha.
Obtenemos así:
x1 x2 x3 bi c
-1 0 2 3 4
0 1 1 1 3
0 0 4 8 12
Hemos logrado triangularizar la matriz de los coeficientes, obteniendo así, un sistema

equivalente al dado, pero de resolución mucho más sencilla. Para hacer más corto el
procedimiento, podemos realizar algunas modificaciones, que describiré mas adelante.
Partiendo de la última ecuación, se tiene:

4 x3 = 8 ⇒ x3 = 2
La segunda ecuación es:

x2 + x3 = 1 ∴ x2 = 1 – x3
Reemplazando a x3 por el valor calculado obtenemos:

x2 = 1 – 2 ⇒ x2 = - 1
De la primera ecuación obtenemos:

-x 1 = 3 – 2 x 3 x1= - 3 + 2 x3 ∴ x1 = -3 + 2.2 ⇒ x1 = 1
 x1 1
x2  
Luego la solución del sistema dado es:   = −1
x3  2 
Veamos la aplicación del Método de Gauss a otro ejemplo

Ejemplo 2:
2x+3y+z-w=2
x-2y+2z=1
3x+2y+z+w=2
4x–2y+z+2w=-2
Escribimos la matriz ampliada, agregando la columna de control c, cuyos elementos se obtienen

sumando los elementos de cada fila de la matriz ampliada:
x y z w bi c
(-2) 2 3 1 -1 2 7
1 -2 2 0 1 2
(-3)
3 2 1 1 2 9
(-4)
4 -2 1 2 -2 3
Elegimos en la primera columna a 1 como pivote, que visualizamos con el recuadro, y con
círculos los demás elementos de la primera columna que debemos reducir a cero. En este paso
realizamos combinaciones lineales con la segunda fila, que es la que contiene al pivote. Dichas
operaciones están indicadas en la matriz. Además la segunda fila la escribimos en primer lugar y

permanece invariable hasta finalizar el mecanismo. Vemos que podemos hacer pequeñas
modificaciones en el ordenamiento de las operaciones elementales aplicadas.
Nos queda entonces:
x y z w bi c
1 -2 2 0 1 2
0 7 -3 -1 0 3
(-1) 0 8 -5 1 -1 3
0 6 -7 2 -6 -5
Vemos que los elementos de la columna c, que se obtuvieron con las combinaciones lineales
antes indicadas, resultan iguales a la suma de los elementos de las correspondientes filas; con lo
que nos aseguramos de no cometer errores, en cada uno de los pasos realizados.
Ahora debemos trabajar en forma análoga en la segunda columna y a partir de la segunda fila
inclusive. Vemos que no existe un elemento unitario. Podemos obtenerlo, multiplicando la
1
segundo fila por , pero de este modo aparecerán los números fraccionarios y el procedimiento
7
se complica.
Resulta mucho más sencillo multiplicar la segunda fila por (-1) y sumar a la tercera. El resultado
de esta combinación lineal la escribimos como segunda fila, logrando ubicar al pivote unitario en
el lugar 2.2.
x y z w bi c
1 -2 2 0 1 2
0 1 -2 2 -1 0
(-7)
0 7 -3 -1 0 3
(-6)
0 6 -7 2 -6 -5
Mediante las dos combinaciones lineales indicadas sobre la matriz, reducimos a 0 a los dos
elementos ubicados debajo del pivote. La segunda fila permanece invariable hasta finalizar el
procedimiento. Obtenemos así la matriz:

x y z w bi c
1 -2 2 0 1 2
0 1 -2 2 -1 0
0 0 +11 -15 7 3
(-2)
0 0 5 -10 0 -5
Como la primera y segunda fila no se modifican, únicamente debemos comprobar que los dos
últimos elementos de la columna c resultan iguales a la suma de los elementos de la fila a la cual
pertenecen.
Si esto no ocurre, indica que existen errores. Vemos que:
11 + 7 – 15 = 3 ^ 5 – 10 = -5
Para lograr un pivote unitario en el lugar 3.3, multiplicamos por (-2) la cuarta fila y sumamos la
tercera fila.
Obtenemos así, la matriz:
x y z w bi c
1 -2 2 0 1 2
0 1 -2 2 -1 0
0 0 1 5 7 13
0 0 5 -10 0 -5 (-5)
Las tres primeras filas no se modifican, reduciendo a 0 al único elemento ubicado debajo del
pivote, mediante la combinación lineal representada sobre la matriz.
x y z w bi c
1 -2 2 0 1 -2
0 1 -2 2 -1 0
0 0 1 5 7 13
0 0 0 -35 -35 -70
Triangularizada la matriz de los coeficientes, resolvemos este sistema equivalente al dado, pero
de estructura más sencilla.
No debemos considerar la columna c.

Partimos de la última fila:

-35w = -35 ∴ w=1
De la tercera fila es: 1
z = 7 – 5w ∴ z=2
De la segunda fila: 2 1
y = – 1 + 2z – 2w ∴ y=1
De la primera: 1 2
x = 1 + 2y – 2z ∴ x=1
Por lo tanto la solución del sistema es única:

x − 1
 y  
  =  1  Conviene verificar la solución encontrada.
z 2
   
 w 1
Al finalizar con el Método de Gauss – Jordan, daré otro ejemplo sencillo de aplicación del
Método de Gauss.
5. Método de la Matriz Inversa
Consideramos un sistema de n ecuaciones con n incógnitas tal que la matriz A de los

coeficientes admita inversa. El sistema lineal es de la forma:
a11 x1 + a12 x2 + a13 x3 + … + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + … + a2n xn = b2
…………………………………………….
…………………………………………….
…………………………………………….
an1 x1 + an2 x2 + an3 x3 + … + ann xn = bn
Expresado en forma matricial es: A.X = B

Como A es inversible, premultiplicamos ambos miembros de la ecuación matricial por la matriz

inversa de A [A-1].
Luego: A-1(AX) = A-1.B
Aplicamos propiedad asociativa del producto de matrices:

(A-1A) X = A-1.B
Como A-1 A = I por definición de inversa de una matriz.
La igualdad anterior se expresa:
I . X = A-1.B ∴ X = A-1.B
Como la inversa de una matriz es única, el sistema admite una única solución, la que se obtiene
multiplicando la inversa de la matriz de los coeficientes por el vector de los términos
independientes.
Apliquemos este método al siguiente ejemplo:
Ejemplo Nº 3:
2 x1 - x2 + x3 = -2
- 3 x2 + x3 = - 16
3 x1 + x2 + x3 = +10
En notación matricial el sistema se escribe:
2 − 1 1  x1  -2
0 − 3 1  x 2  = - 16 c
     
3 1 1  x 3   10 
La matriz A de los coeficientes es:

2 − 1 1
A = 0 − 3 1 Calculamos det A y vemos si la matriz A es o no inversible.
3 1 1
2 −1 1 2 2 1
det A = 0 −3 1 det A = 0 0 1 = -2
3 1 1 3 4 1
3
Como det A ≠ 0, A admite inversa:

− 4 3 9 ' − 4 2 2
 2 − 1 − 5
Adj A =   ∴ Adj A =  3 − 1 − 2

 2 − 2 − 6  9 − 5 − 6
Luego la matriz inversa es:

− 4 2 2
− 1  3 − 1 − 2
A-1 =
2  
 9 − 5 − 6
La única solución del sistema se obtiene por:

X = A-1. B
Es decir:
− 4 2 2  −2
−1 
X=  3 − 1 − 2 − 16
2
 9 − 5 − 6  10 
1
Efectuamos el producto del escalar (- ) por la segunda matriz:
2
− 4 2 2 1 2
X =  3 − 1 − 2  8  ∴ X =  5 
 9 − 5 − 6 − 5 - 1
Verifiquemos la única solución del sistema.
Reemplazando en c, al vector de las incógnitas por el vector calculado X, se tiene:

2 − 1 1 2 -2
0 − 3 1  5  = - 16
     
3 1 1 − 1  10 
 − 2 -2
 16  = - 16
   
 10   10 
Debemos tener presente que este método es aplicable a sistemas cuadrados, donde la matriz de
los coeficientes sea una matriz inversible.

6. Regla de Cramer
Otro de los métodos de resolución de sistemas de ecuaciones, es el conocido con
el nombre de Regla de Cramer, aplicable a Sistemas Cuadrados, tales que el determinante de la
matriz de los coeficientes, sea distinto de cero. Dichos sistemas se conocen con el nombre de
Sistemas Cramerianos.
La regla de Cramer establece que la única solución que admiten estos sistemas, esta dada por:
xj = ∆ xj j = 1, 2, 3, …, n
∆ n: número de incógnitas
Siendo ∆ el determinante de la matriz de los coeficientes, y ∆ xj el determinante que se obtiene a

partir de ∆, cambiando su j-ésima columna, por la columna de los términos independientes.
Para mayor facilidad, demostraré la Regla de Cramer, con un sistema lineal de 3 ecuaciones con
3 incógnitas; en forma análoga se procede con un sistema de n ecuaciones con n incógnitas.
Sea entonces el sistema:

a11 x1 + a12 x2 + a13 x3 = b1
a11 a12 a13
a21 x1 + a22 x2 + a23 x3 = b2 con ∆ = a 21 a 22 a 23 ≠ 0
a 31 a 32 a 33
a31 x1 + a32 x2 + a33 x3 = b3
La regla establece que:
b1 a12 a13 a11 b1 a13 a11 a12 b1

b 2 a 22 a 23 a 21 b 2 a 23 a 21 a 22 b 2
b 3 a 32 a 33 a 31 b 3 a 33 a 31 a 32 b 3
x1 = ; x2 = ; x3 =
∆ ∆ ∆
Demostración:
Como ∆ ≠ 0, la matriz de los coeficientes A es inversible. Luego por el método de la matriz
inversa, dicho sistema admite una única solución dada por:
X = A-1. B

Luego: X A-1 B
 x1   A11 A21 A31  b1 

 x 2  = 1  A12 A22 A32  b 2 
  ∆  
 x 3   A13 A23 A33  b3 
Resolviendo las operaciones en el segundo miembro, se obtiene:
 b1 A11 + b 2 A21 + b3 A31 

 x1   ∆ 
 x 2  =  b1 A12 + b 2 A22 + b3 A32 
   ∆ 
 x 3   b1 A13 + b 2 A23 + b 3 A33

 ∆ 
Por igualdad de matrices, resulta:

b 1 A 11 + b 2 A 21 + b 3 A 31
x1 =
∆
b 1 A 12 + b 2 A 22 + b 3 A 32
x2 =
∆
b 1 A 13 + b 2 A 23 + b 3 A 33
x3 =
∆
Interpretando los numeradores de x1, x2, x3, se tiene:
b1 a12 a13
b 1 A 11 + b 2 A 21 + b 3 A 31 = b 2 a 22 a 23 = ∆ x1
b 3 a 32 a 33
a11 b1 a13
b 1 A 12 + b 2 A 22 + b 3 A 32 = a 21 b 2 a 23 = ∆ x 2
a 31 b 3 a 33
a11 a12 b1
b 1 A 13 + b 2 A 23 + b 3 A 33 = a 21 a 22 b 2 = ∆ x 3
a 31 a 32 b 3

En consecuencia, es:
∆ x1 ∆ x2 ∆ x3
x1 = ; x2 = ; x3 =
∆ ∆ ∆
O sea:
b1 a12 a13
b 2 a 22 a 23
b 3 a 32 a 33
x1 = En forma análoga se expresa x2 y x3.
∆
Cuando el número de incógnitas es grande, no es conveniente usar o aplicar este método, debido
a la cantidad de determinantes que hay que calcular.
Ejemplo Nº 4:
2 x1 -3 x2 + x3 = - 3
x1 + x2 - 2 x3 = - 4
-2 x1 + 2 x2 - x3 = 2
Solución:
Calculamos primero, el determinante de la matriz de los coeficientes ∆.
Si ∆ = 0, no se puede resolver por Regla de Cramer.
-2
2 −3 1 0 −5 5
∆ = 1 1 −2 = 1 1 −2 = - (25 - 20) ∴ ∆ = -5
−2 2 −1 0 4 −5
2
Como ∆ ≠ 0 podemos aplicar la Regla de Cramer:

−3 −3 1
∆x 1 1
x = ; x1 = − −4 1 − 2 -2
1
1
∆ 5
2 2 −1
−1 −1 0
1 1
x1 = − −8 −3 0 ∴ x1 = − (3 − 8) x1 = −1
5 5
2 2 −1

Calculamos ∆x2:
2 −3 1 2 −3 1
∆ x2 = 1 −4 −2 = 1 −4 −2 ∆ x 2 = ( − 4 − 1)
−2 2 −1 0 −1 0
∆ x2
Luego: ∆ x 2 = −5 como x 2 =
∆
−5
Es x 2 = ∴ x2 = 1
−5
-2
2 −3 −3 0 −5 5
∆ x3 = 1 1 −4 = 1 1 −4 = − ( 30 − 20 )
−2 2 2 0 4 −6
2
∆ x 3 = − 10
∆ x3
x3 =
∆
− 10
x3 = ∴ x3 = 2
−5
Luego, la solución del sistema es:
 x1  - 1
 x2 =  1 
   
 x 3   2 

7. Método de Gauss – Jordan
Este Método al igual que los anteriores es aplicable a sistemas cuadrados, y su mecanismo es
similar al Método de Gauss.
El Método de Gauss – Jordan, consiste en transformar, mediante la aplicación ordenada de las
operaciones elementales, a la matriz de los coeficientes en la matriz identidad. Entonces en el
lugar en el que figuraban los términos independientes, aparece el vector solución del sistema, si
este es determinado. En caso contrario, no se puede transformar a la matriz de los coeficientes,
en la matriz identidad.
Podemos proceder de la siguiente manera:
Se escribe la matriz ampliada del sistema a resolver, agregando al último, la columna c de

control, cuyos elementos se obtienen sumando los elementos de cada fila de la matriz ampliada.
El primer paso consiste en transformar la primera columna en el primer vector unitario. Elegimos
entonces en la primera columna, un pivote preferentemente 1 y se reducen a 0, los restantes
elementos de dicha columna. Sabemos como obtener el pivote unitario cuando este no existe. A
la fila que contiene al pivote se la escribe como primera fila, la que permanece fija hasta finalizar
el procedimiento. No obstante a diferencia del Método de Gauss, se puede sumar a la primera
fila, otra fila previamente multiplicada por una constante no nula.
No olvidemos que a la columna de control c le aplicamos las mismas operaciones elementales

que a las restantes, comprobando en cada una de las matrices que se obtienen, que los elementos
de dicha columna c resultan ser la suma de los elementos de la fila correspondiente. Si esto no
ocurre, indica que se cometieron errores.
Procediendo en forma análoga se transforma la segunda columna de la matriz ampliada en el
segundo vector unitario, es decir que en el lugar 2.2 aparezca un 1 y que los restantes elementos
de la columna 2º sean ceros. Para ello se elige un elemento pivote en la segunda columna, y a
partir de la segunda fila inclusive y mediante combinaciones lineales con la fila que contiene al
pivote, se reducen a 0 los restantes elementos de la segunda columna, a dicha fila se la escribe
como segunda fila, permaneciendo fija hasta finalizar el procedimiento. Al igual que con la
primera fila, a la segunda fila se le puede sumar otra fila previamente multiplicada por una
constante (no nula).

En forma análoga se procede con las otras columnas hasta lograr obtener la matriz identidad.
Aparece entonces a la derecha de esta matriz, el vector solución del sistema, si éste es
determinado.
También podemos decir que el procedimiento finaliza cuando no pueden obtenerse nuevos
pivotes unitarios, y por lo tanto, no se puede formar la matriz identidad. Ello indica que no se
puede aplicar este Método.
Ejemplo Nº 5:
2 x -3 y + z = - 3
x + y - 2z = - 4
-2 x + 2 y - z = 2
Resolución:
Escribimos la matriz ampliada y la última columna, la denominada Columna de Control c, cuyos
elementos se obtienen sumando los elementos de cada fila:
x y z bi c Así:
2 -3 1 -3 -3 -2 2–3+1–3=–3
1 1 -2 -4 -4 1+1–2–4=–4
-2 2 -1 2 1 2 –2+2–1+2=1
Elegimos a uno de la primera columna como pivote, y mediante combinaciones lineales con la
segunda fila, que es la que contiene al pivote, reducimos a cero los restantes elementos de la
primera columna. A las combinaciones lineales las hemos indicado sobre la matriz. A la segunda
fila la escribimos como primera y nos queda:
x y z bi c
1 1 -2 -4 -4
0 -5 5 5 5
0 4 -5 -6 -7 +
Controlamos las dos últimas filas que son las que se modifican:
– 5 + 5 + 5 = 5 : Segundo elemento de la columna c.
4 – 5 – 6 = – 7 : Tercer elemento de la columna de control.

Como los elementos de la columna de control c resultan ser la suma de los elementos de las filas
correspondientes, aseguramos que no existen errores en el procedimiento.
En esta primera etapa hemos transformado a la primera columna, en el primer vector unitario.
Ahora debemos transformar la segunda columna en el segundo vector unitario. Buscamos
entonces el pivote unidad en la segunda columna y a partir de la segunda fila, como no existe,
sumamos a la segunda fila, la tercera, y conseguimos así el pivote buscado en el lugar 2.2.
x y z bi c
+
1 1 -2 -4 -4
0 -1 0 -1 -2
4 – 1+ 0 – 1=– 2: segundo elemento
0 4 -5 -6 -7
de la columna de control.
Realizamos las combinaciones lineales indicadas en la matriz para conseguir los dos ceros que
necesitamos y multiplicamos por (-1) la segunda fila; obtenemos así:
x y z bi c Controlamos:
1 0 -2 -5 -6 1 – 2 - 5 = -6
0 1 0 1 2 1+1=2
x (-1/5) 0 0 -5 -10 -15 – 5 – 10 =– 15
Luego no hemos cometido errores.

Multiplicamos por (- 1/5) la tercera fila y logramos el pívot unitario en el lugar 3.3
Luego:
x y z bi c
1 0 -2 -5 -6
0 1 0 1 2 . 2
0 0 1 2 3
Multiplicamos por 2 la segunda fila y sumamos a la primera para obtener el cero que nos falta
para transformar la tercera columna en el 3º vector unitario y finalizar así el mecanismo.

Luego:
x y z bi c Controlamos:
1 0 0 -1 0 1–1=0
0 1 0 1 2 1+1=2
0 0 1 2 3 1+2=3
Luego no existen errores.
Por consiguiente el vector ubicado a la derecha de la matriz identidad es la solución del sistema.
En efecto, del último esquema, tenemos que:
1x + 0 y + 0 z = - 1 ∴ x = -1
0 x + 1 y + 0z = 1 ∴ y=1
0x+0y+1z = 2 ∴ z=2
Por consiguiente la única solución de sistema es:
 x - 1
 y =  1 
   
 z   2 
Vamos a aplicar el Método de Gauss – Jordan a otro sistema.
Ejemplo Nº 6:
x1 + x2 - x3 = 1
x1 - x2 + 3 x3 = - 3
x1 + x3 = 1
Resolvamos aplicando Método de Gauss-Jordan.

x1 x2 x3 bi c
1 1 -1 1 2
(-1)
1 -1 3 -3 0
(-1) 1 0 1 1 3
1 1 -1 1 2
0 -2 4 -4 -2 x (-1/2)
0 -1 2 0 1
1 1 -1 1 2 -1
0 1 -2 2 1
+
0 -1 2 0 1
Realizando las combinaciones lineales indicadas, nos queda:
x1 x2 x3 bi c
1 0 1 -1 1
0 1 -2 2 1
0 0 0 2 2
El procedimiento finaliza allí, dado que debemos elegir un pivote unitario en la tercera columna
y a partir de la tercera fila inclusive, y sólo tenemos una posibilidad, elegir el elemento del lugar
3.3, pero dicho elemento es nulo.
De la última fila, deducimos que el sistema es incompatible, dado que la ecuación

correspondiente no tiene solución:
0 x1 + 0 x2 + 0 x3 = 2
No existe ninguna terna de valores [x1 ; x2 ; x3] que multiplicada por ceros nos dé por resultado 2.
Para finalizar con los sistemas lineales cuadrados, daré un ejemplo para aplicar el Método de
Gauss.
x1 + x2 - x3 = 1
x1 - 3 x2 + 4 x3 = 0
2 x1 - 2 x2 + 3 x3 = 1

Resolución:
Debemos escribir la matriz ampliada y la última columna, la de control.
Luego
x1 x2 x3 bi c
(-1) 1 1 -1 1 2
1 -3 4 0 2
(-2) 2 -2 3 1 4
Apliquemos las operaciones indicadas sobre la matriz anterior, obteniendo la matriz:

x1 x2 x3 bi c
1 1 -1 1 2
0 -4 5 -1 0
(-1) 0 -4 5 -1 0
Vemos que en este caso conviene trabajar con (-4) como pivote y no reducirlo a la unidad.
Aplicamos la operación representada sobre la matriz anterior y conseguimos un cero debajo del
pivote: Luego nos queda.
x1 x2 x3 bi c
1 1 -1 1 2
0 -4 5 -1 0
0 0 0 0 0
Hemos triangularizado la matriz de los coeficientes. En los sistemas cuadrados, si obtenemos una
o más filas con elementos todos nulos, el sistema admite infinitas soluciones.
Luego, el sistema equivalente al dado es:

x1 + x2 - x3 = 1
- 4 x2 + 5 x3 = -1
0 x1 + 0 x2 + 0 x3 = 0
La última ecuación se satisface para toda terna de valores (x1 ; x2 ; x3 ) y por lo tanto podemos
suprimirla.

Despejando x2 en la segunda ecuación, nos queda:
5 x3 + 1
x2 =
4
x3 puede asumir cualquier valor real que representamos con a

o sea: x3 = a a: constante real arbitraria.
1 + 5a
Luego x2 =
4
De la primera ecuación obtenemos:

x1 = 1 - x2 + x3
Reemplazando a x2 y x3 por sus equivalentes, nos queda:
1 + 5a
x1 = 1 − +a
4
Sumando términos semejantes, nos queda:

3−a
x1 =
4
Verifiquemos la solución entrada: Para ello debemos reemplazar en el sistema dado, a x1, x2, y
x3 por los valores encontrados, verificando todas las ecuaciones del mismo.
Luego:
1º ecuación: x1 + x2 - x3 = 1
3 − a 1 + 5a
+ − a =1
4 4
Multiplicando ambos miembros por 4 nos queda:

3–a+1+5a–4a=4
4=4

2º ecuación: x1 - 3 x2 + 4 x3 = 0
3−a 1 + 5a
−3 + 4a = 0
4 4
Multiplicando ambos miembros por 4 nos queda:

3 – a - 3 - 15 a + 16 a = 0
0=0
3º ecuación: 2 x1 - 2 x2 + 3 x3 = 1
3−a 1 + 5a
2. −2 + 3a = 1
4 4
Multiplicamos nuevamente por 4, nos queda:

6 – 2 a - 2 - 10 a + 12 a = 4
4=4
Como se verifican todas las ecuaciones del sistema dado, el conjunto solución o también llamada
solución general del sistema dado es:
 3-a 
 x1   4 
   
   
 x 2 = 1 + 5 a 
   4 
 x3  
   
   a 
 
Dando a a valores reales encontramos soluciones particulares del sistema.
Ejemplo:
 x1  3   1   5 
   4   2   4 
     
       
 x 2  1   3   9
  = ; ; −
 4   2   4
 x 3      
       
   0   1  − 2
     

8. Sistemas Rectangulares
Los sistemas rectangulares son aquellos sistemas en los cuales el número de
ecuaciones es distinto del número de incógnitas.
El Método de Gauss, como dijimos, es aplicable a estos sistemas también.
Procediendo en forma análoga a lo visto en sistemas cuadrados, con la diferencia de que en estos
sistemas triagularizamos la matriz de los coeficientes y en los sistemas rectangulares diremos
escalonar dicha matriz.
Introduciremos entonces el concepto de matriz escalonada por filas o por
columnas.
8-1. Matriz Escalonada por Filas. Definición.

Se denomina matriz escalonada por filas a toda matriz tal que la cantidad de
ceros que preceden al primer elemento no nulo en cada fila, es mayor que la cantidad existente
en la fila anterior.
Ejemplo:
 2 0 −1 1 0 1  En la 4º fila existen 5 ceros antes del primer
 0 −3 1 0 2 2 
  elemento no nulo; en la 3º fila, 3 ceros,
 0 0 0 −1 1 2  en la 2º fila 1 cero, y en la 1º fila, ningún cero.
 
 0 0 0 0 0 3 
En forma análoga se define matriz escalonada por columnas.
8-2. Matriz Singular. Definición.

Definición: Una matriz cuadrada se denomina No singular, si su determinante es distinto de
cero. En caso contrario, la matriz se dice singular.
8-3. Rango de una Matriz. Definición.

Definición: El rango o característica de una matriz de tipo (m x n) es r, sí y sólo sí existe una
submatriz de tipo (r x r) no singular y toda submatriz de orden (r + 1) es singular.

También podemos decir que el rango de una matriz es el orden del determinante no nulo de
mayor orden que se pueda extraer de dicha matriz.
Ejemplo:
1 2 3
1 2 
La matriz A = 2 3 4 es de rango 2 pues la submatriz  es no singular dado que
 2 3
3 5 7 
1 2
= -1 ≠ 0 y el único determinante de 3º orden que se puede extraer de A es nulo.
2 3
En efecto:
1 2 3 1 2 3
-2
det A = 2 3 4 (-3) = 0 −1 − 2 = 0 Las dos últimas filas son iguales.
3 5 7 0 −1 − 2
8-4. Trasformaciones u Operaciones Elementales

Operaciones Elementales son las operaciones que aplicadas sobre las líneas de
una matriz (filas o columnas), no modifican ni su tipo ni su rango.
Las más importantes son:

1. Permutación de filas (o columnas) entre sí.
2. Producto de todos los elementos de una fila (o columna) por una constante no nula.
3. Sumar a los elementos de una fila (o columna) los correspondientes elementos de otra fila
(o columna), previamente multiplicados por una constante.
Esta operación recibe el nombre de combinación lineal de filas (o columnas)
Las operaciones enunciadas se las llama también transformaciones elementales de líneas y al

realizarse sobre líneas de un determinante, no precisan demostración.
8-5. Matrices Equivalentes. Cálculo del Rango de una Matriz.

Dos matrices A y B se dicen equivalentes, si una de ellas se obtiene de la otra
mediante transformaciones elementales de líneas.
En símbolos: A ~ B se lee matriz A equivalente a la matriz B.

Como las operaciones elementales no modifican el valor del determinante de las

submatrices cuadradas, no cambia el rango de las matrices a las cuales se aplican dichas
operaciones.
En consecuencia las matrices equivalentes tienen el mismo tipo e igual rango.
Esta importante conclusión es la que empleamos para determinar el rango de una matriz, pues
resulta mucho más sencillo y corto que mediante el cálculo de determinantes.
Este procedimiento consiste en obtener a partir de una matriz A, otra matriz
equivalente B escalonada, cuya característica o rango se deduce a simple vista.
1 2 −1 4
Ejemplo 1: determinar el rango de la matriz A: 
A=  2 4 3 5 
 − 1 − 2 6 − 7 
Resolución:
Aplicando sucesivamente las transformaciones elementales, obtendremos a partir de A, una
matriz escalonada equivalente a la dada.
Así:
1 2 −1 4 1 2 −1 4 1 2 −1 4
A= (-2)  2 4 3 5  ~  − 3 ~ 0 − 3 = B
(-1) 0 0 5 0 5
+
  
 − 1 − 2 6 − 7   0 0 5 − 3  0 0 0 0 
Hemos escalonado por filas.
La matriz B que se obtiene es de rango dos. Ello se deduce a simple vista, pues toda submatriz de
3º orden tiene determinante cero, al tener una fila con todos sus elementos nulos y además existe
al menos una submatriz de 2º orden de determinante distinto de cero.
2 − 1
Ejemplo: 0 5  cuyo determinante es 10.
 
Como la matriz A es equivalente a la B (A ~ B), tienen el mismo rango. Luego el rango de A es
2. En símbolos r (A) = 2.
Sintetizando, en la práctica lo que haremos, es obtener mediante las operaciones elementales,

una matriz escalonada por filas (o por columnas) equivalente a la dada. Entonces, el rango de la

matriz escalonada por filas (o por columnas) es igual al número de filas (o columnas) que tienen
al menos un elemento no nulo. Por lo tanto la matriz dada tiene el mismo rango.
1 1 2
2 3 5 
Ejemplo 2: Determinar el rango de A = 
4 2 6
 
4 6 10
Resolución:
Partimos de A, aplicando sucesivamente las operaciones elementales indicadas, para obtener otra
matriz escalonada equivalente a la dada. Trabajaremos sin colocar los corchetes
(-1) (-2)
1 1 2 1 0 0 1 0 0
2 3 5 2 1 1 2 1 0
~ ~
4 2 6 4 -2 -2 4 -2 0
4 6 10 4 2 2 4 2 0
Hemos operado con columnas y hemos obtenido una matriz escalonada por columnas,
equivalente a la matriz A, dada. El rango de la matriz escalonada por columnas, lo obtenemos,
contando las columnas que tengan al menos un elemento no nulo.
El rango de la matriz escalonada es dos. Y como la matriz A es equivalente a ésta, tiene también
rango 2. O sea r (A) = 2.
Recordemos que también podemos trabajar con la columna de control.

8-6. Teorema de Rouché - Frobenius

Consideramos un sistema lineal de m ecuaciones con n incógnitas.
a11 x1 + a12 x2 + a13 x3 + … + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + … + a2n xn = b2
…………………………………………….
…………………………………………….
…………………………………………….
am1 x1 + am2 x2 + am3 x3 + … + amn xn = bm
Escrito en forma matricial es: A X = B
Siendo A, la matriz de los coeficientes y Å simboliza la matriz ampliada con los términos
independientes.
Simbolizaremos con r1 al rango de la matriz A y con r2 al rango de Å.
El Teorema de Rouché-Frobenius establece:

Sea A X = B un sistema lineal de m ecuaciones con n incógnitas. Entonces si:
(a) r1 = r2 el sistema es compatible.
(b) r1 ≠ r2 el sistema es incompatible.
Además, si:
r1 = r2 = n, el sistema tiene solución única.
r1 = r2 < n, el sistema tiene infinitas soluciones.
Podemos hacer para el teorema el esquema siguiente:
r1 = r2 = n, existe solución única.

r1 = r2 ⇒ Sistema Compatible
r1 = r2 < n, existen infinitas soluciones.
r1 ≠ r2 ⇒ Sistema es incompatible.

8-7. Método de Gauss para la Resolución de Sistemas Rectangulares

Dijimos que el Método de Gauss estudiado en sistemas cuadrados, tiene el mismo
mecanismo para resolver sistemas rectangulares, sólo que en estos sistemas debemos escalonar la
matriz ampliada. Veremos la aplicación del Método de Gauss y del Teorema de Roche-
Frobenius.
2 x +3 y + 4 z = - 4
x - 2 y + 2z = 5
3 x - 2 y - 4 z = -3
4x-2y+z =1
Dijimos que debemos escribir la matriz ampliada y como última columna, la de control.
x y z bi c Como la segunda ecuación del sistema, tiene el primer
1 -2 2 5 6 coeficiente unitario, la escribimos como primera fila.

(-2) 2 3 4 -4 5 Tomamos dicho coeficiente como pivote y realizando las
(-3) 3 -2 -4 -3 -6 combinaciones lineales indicadas, reducimos a cero
(-4) 4 -2 1 1 4 todos los elementos situados debajo del pivote. La
primera fila no se modifica hasta finalizar el
procedimiento.
1 -2 2 5 6
0 7 0 -14 -7 En esta matriz, multiplicamos la tercera fila por (-2) y le
(-2)
0 4 -10 -18 -24 sumamos la segunda fila, logrando un pivote unitario en
0 6 -7 -19 -20 el lugar 2.2. A la tercera fila la multiplicamos por ½, y la

escribimos como tercera fila. No olvidemos que todas
las operaciones se aplican también a la columna c de
1 -2 2 5 6 control, tal que verifiquemos en todas las filas que se
0 20 22 41 modifican, que la suma de sus elementos, resulta igual al

-1
elemento correspondiente de la última columna (c). En
(+2) 0 2 -5 -9 -12
este paso controlamos sólo la segunda y tercera fila.
(+6) 0 6 -7 -19 -20

Realizando las combinaciones lineales representadas en la tercera matriz, reducimos a cero los
dos elementos ubicados debajo del pivote en 2.2.
Obtenemos así, la matriz:
x y z bi c La segunda fila al igual que la primera, permanecen sin
1 -2 2 5 6 modificaciones hasta finalizar el mecanismo.
0 -1 20 22 41
0 0 35 35 70 x 1
35
0 0 113 113 226

x 1
113
1 -2 2 5 6
0 -1 20 22 41
(-1)
0 0 1 1 2
0 0 1 1 2
1 -2 2 5 6
En este paso, conseguimos escalonar la matriz ampliada. Con
0 -1 20 22 41
ello logramos obtener un sistema equivalente al dado, de
0 0 1 1 2
resolución más sencilla. Descartamos la columna c para
0 0 0 0 0
resolver el sistema.
x y z bi c
Debemos tener cuidado, que si bien obtuvimos una fila con todos los elementos nulos, al NO ser
un sistema cuadrado, ello no significa que existan infinitas soluciones.
En esta última matriz, podemos determinar a simple vista, el rango de la matriz de los
coeficientes r1 y el rango de la matriz ampliada r2.
En efecto: r1 = r2 = 3 como n = 3 (número de incógnitas) por Teorema de Rouché-

Frobenius, el sistema equivalente al dado tiene solución única.
x - 2 y + 2z = 5 Escribo este sistema, para lograr mayor claridad
- y + 20 z = 22 en la explicación; no es obligación que se lo haga.
z =1
Esta ecuación se la suprime dado que se verifica para
0x + 0y + 0 z = 0 todo conjunto de valores de x, y, z.

Veamos la resolución del sistema.
La última ecuación nos da directamente el valor de z.

z = 1
Reemplazamos este valor en la ecuación anterior:
- y + 20. 1 = 22 ⇒ y=2
Sustituimos estos valores en la primera ecuación, y encontramos x :
x - 2 y + 2z = 5
x – 2 (-2) + 2.1 = 5 ⇒ x = 5 - 6 ∴ x = - 1
En consecuencia la única solución del sistema, es:
 x  - 1
 y  = - 2 
   
 z   1 
Verifiquemos que este vector es solución del sistema dado:
1) 2 x +3 y + 4 z = – 4 2) x – 2 y + 2z = 5
2 (–1) + 3 (–2) + 4.1 = – 4 – 1 – 2 (–2) + 2.1 = 5
–2 – 6 + 4 = –4 –1 + 4 +2 = 5
–4 = –4 5 = 5
3) 3 x – 2 y – 4 z = –3 4) 4x –2y + z = 1
3 (–1) – 2 (–2) – 4.1 = –3 4 (–1) – 2 (–2) + 1 = 1
–3 + 4 – 4 = –3 – 4 + 4 +1= 1
Ahora bien, como un sistema homogéneo, tiene todos los términos independientes nulos, la
matriz de los coeficientes y la matriz ampliada tienen el mismo rango. O sea, en todo sistema
homogéneo: r1 = r2 .

En consecuencia por Teorema de Rouché – Frobenius, todo sistema homogéneo es compatible.

Esta importante conclusión, la escribimos en el siguiente cuadro:
Solución Única: la solución trivial.

SISTEMA HOMOGÉNEO
Siempre Compatible Infinitas Soluciones: Además de la trivial.
9. Soluciones Básicas
Las soluciones básicas son ciertas soluciones de sistemas lineales indeterminados
que cumplen con algunas condiciones que daremos a continuación.
Iniciaremos este tema, dando la definición de soluciones básicas.
9-1. Definición
Sea A X = B un sistema lineal de m ecuaciones con n incógnitas con m < n y tal
que el rango de A sea igual a m. Si se extrae de A cualquier submatriz no singular de orden m, y
a todas las (n - m) variables no asociadas a las columnas de ésta submatriz se les asigna el valor
cero, la solución del sistema que así se obtiene, recibe el nombre de SOLUCIÓN BÁSICA.
Se llega a estos sistemas, eliminando todas aquellas ecuaciones que son

linealmente dependientes, es decir que son generadas por combinación lineal de las restantes.
Las ecuaciones que de esta forma se eliminan del sistema, son ecuaciones que no expresan
ningún aspecto nuevo del problema que se trata de resolver, por lo tanto su eliminación no afecta
las soluciones del mismo.
Ahora bien, ¿Qué entendemos por combinación lineal de ecuaciones? La suma de
productos de constantes reales por ecuaciones, da como resultado otra ecuación que recibe el
nombre de combinación lineal.
Un sistema lineal que cumpla las condiciones establecidas en la definición, tendrá tantas
soluciones básicas como submatrices no singulares de orden m se puedan extraer de A.
n
El número máximo de soluciones básicas es: N = Cm

n!
∴ N=
m!(n − m)!
Decimos número máximo de soluciones básicas, dado que puede ocurrir que algunas de ellas no
existan.
Este tema es de gran aplicación en la formulación y resolución de problemas de Investigación
Operativa.
Desarrollaré un ejemplo sencillo de manera que se aclaren todos los conceptos dados.
Ejemplo Nº 01:
Encontrar todas las soluciones básicas del sistema.
x1 - x2 + x3 = 1
x1 - x2 + 2 x3 = - 1
Resolución:
Es un sistema lineal de m = 2 ecuaciones con n = 3 incógnitas ∴ m es menor que n.
El rango de A es 2, dado que el determinante de 2º orden formado por los coeficientes de x1 y x2

es distinto de cero.
−1 1
= -1 ≠ 0
−1 2
Como se cumplen las condiciones establecidas por la definición, el sistema dado tiene soluciones
básicas. El número máximo es:
3 3! 3.2!
N = C2 = N= N =3
2!(3 − 2)! 2!
Existen no más de 3 soluciones básicas.
Veamos:
Escribimos la matriz A.
1 −1 1
1 −1 2 Ordenamos las columnas y extraemos las submatrices de 2º orden de A.
1 2 3

Lo hacemos mediante las combinaciones: cd ; ce ; de

c d
1 − 1
1 − 1 Como el determinante de esta submatriz es cero, no existe solución básica.
 
Es por ello que N representa el máximo número de soluciones básicas; en este caso N = 3 y sólo
existen dos, dado que las submatrices formadas por las columnas c y e ; d y e son no
singulares.
Encontremos dichas soluciones básicas aplicando la definición y la Regla de Cramer.
Extraemos la submatriz que tiene por elementos, los coeficientes de x1 y x3 y a la variable no
asociada a las columnas de dicha submatriz x2 le asigno el valor cero. O sea x2 = 0. Obtenemos
así el siguiente sistema crameriano:
c e x2 = 0
1 1   x1  1 
1 =
 2   x 3   − 1
1 1
∆= ∴ ∆ =1
1 2
1 1
∆ x1 = =3 ; ∆x1 = 3 x1 = 3
−1 2
1 1
∆x 3 = = −2 ; ∆x 3 = −2 x 3 = −2
1 −1
 x1  3
   
Una solución básica del sistema dado es:  x 2  =  0 
 x 3  - 2
Las variables x1 y x3 asociadas a las columnas de la submatriz elegida, se denominan variables

básicas.

Extraemos de A la otra submatriz no singular:

d e
− 1 1   x 2  1 
− 1 = Variable no asociada a las columnas de la submatriz x1 = 0
 2   x 3   − 1
Resolvemos el sistema aplicando Regla de Cramer:

−1 1
∆= ∴ ∆ = −1
−1 2
1 1
−1 2 3
x2 = = ; x 2 = −3
−1 −1
−1 1
−1 −1 2
x3 = = ; x 3 = −2
−1 −1
 x1  0
 x 2  =  - 3
La otra solución básica es:    
 x 3  - 2
Las variables básicas son x2 y x3 .
Soluciones Básicas Degeneradas

Una solución básica de un sistema lineal indeterminado se dice degenerada, si una
o más de las variables básicas se anula. En el ejemplo dado las soluciones básicas son no
degeneradas, puesto que todas las variables básicas son no nulas.
Este método no es aconsejable en la resolución de sistemas lineales, con un

número grande de ecuaciones e incógnitas. Sin embargo es de gran utilidad en la interpretación
de la definición de soluciones básicas.
En la práctica procederemos de la siguiente manera. Resolveremos el sistema
lineal mediante la aplicación del Método de Gauss.
Una vez encontrada la solución general del sistema, podemos encontrar las
soluciones básicas y las no básicas también.

Voy a resolver entonces por Método de Gauss, el sistema del ejemplo anterior. Encontraremos
todas las soluciones básicas y algunas no básicas.
Escribimos entonces la matriz ampliada y escalonamos:
x1 x2 x3 bi x1 x2 x3 bi
1 -1 1 1 1 -1 1 1
(-1) 1 -1 2 -1 0 0 1 -2
(-2)
∴ x3 = -2 x1 = 1 + x2 - x3
∴ x1 = 3 + x2 ; x2 = a ∴ x1 = 3 + a
 x1  3 + a 
 x2 =  
La solución general del sistema es:    a  a : constante arbitraria.
 x 3   − 2 
Tengamos presente que las soluciones básicas son soluciones de un sistema indeterminado, o sea
con infinitas soluciones. Las otras soluciones las llamamos soluciones no básicas.
Todas las soluciones que encontremos, incluso la solución general la vamos a disponer en un
cuadro. En el lugar de las soluciones básicas, anotaremos las columnas de las submatrices que se
extraen [por el procedimiento anterior], y a las (n -m) variables no asociadas a dichas columnas,
le asignaremos el valor cero; en este caso a una sola variable.
Soluciones Básicas
Incóg. Solución Gral. Soluciones No Básicas
c d c e d e
x1 3+a
∃ 3 0 2 6 1
x2 a 0 -3 -1 3 -2
x3 -2 0 -2 -2 -2 -2 -2
Como el diseño de este cuadro me pertenece y los textos o apuntes de Algebra Lineal encuentran
las soluciones básicas por el procedimiento anterior, es que debo dar otras explicaciones al
respecto.

La primera solución, que es la que genera la submatriz formada con los coeficientes de la 1º y 2º
incógnita [x1 y x2] no existe, dado que por definición debemos asignar a la única variable no
básica x3, el valor cero. Y a su vez la solución general del sistema nos dá para x3 un valor
constante [-2]. Cómo ambas consideraciones son incompatibles, es que se concluye que dicha
solución básica no existe. Así se determinó por el procedimiento anterior, dado que la
mencionada submatriz es singular.
Se sombrea o se rayan los casilleros, para visualizar o destacar los ceros asignados a las variables
no básicas.
Las soluciones básicas son no degeneradas.
Por último, hemos encontrado sólo 3 (tres) de las infinitas soluciones no básicas.
Como podemos apreciar, este procedimiento es más fácil y más corto que el anterior.
Ejemplo Nº 02:
Encontrar las siguientes soluciones básicas del sistema dado: 124; 123; 234; 145; 235; y dos
soluciones no básicas:
–3x3 + x4 + 2x5 = – 3
–2x1 + 4x3 – 3x4 = 3
7x1 + x2 – 9x3 + 7x4= – 7
Resolución:
Dijimos que resolvemos el sistema aplicando Método de Gauss. Para ello escribimos la matriz
ampliada del sistema y como última columna, la columna de control. Escalonamos la matriz
ampliada y así encontramos la solución general del sistema, para luego encontrar las soluciones
particulares pedidas:
x1 x2 x3 x4 x5 bi c
0 0 -3 1 2 -3 -3
-2 0 4 -3 0 3 2
3 7 1 -9 7 0 -7 -1

x1 x2 x3 x4 x5 bi c El resultado de la combinación lineal
1 1 3 -2 0 2 5 indicada en la primera matriz, la escribimos

2 -2 0 4 -3 0 3 2 como primera fila y la primera fila se
0 0 -3 1 2 -3 -3 escribe como 3º fila.
1 1 3 -2 0 2 5
0 2 10 -7 0 7 12 Escalonada la matriz ampliada, resolvemos
0 0 -3 1 2 -3 -3 este sistema.
La última ecuación es: –3x3 + x4 + 2x5 = – 3.
Como x4 tiene coeficiente 1 (uno), conviene despejar dicha incógnita:
∴ x4 = –3 + 3x3 – 2x5
Si: x3 = a y x5 = b
Resulta: x4 = –3 + 3a – 2b
La ecuación anterior es: 2x2 + 10x3 – 7x4 = 7

1
∴ x2 = (7 – 10x3 + 7x4)
2
Expresando a x3 y x4 en función de a y b, resulta:

1
x2 = [ 7 − 10 a − 21 + 21 a − 14 b ]
2
11
∴ x2 = – 7 + a – 7b
2

La primera ecuación es: x1 + x2 + 3x3 – 2x4 = 2
∴ x1 = 2 – x2 – 3x3 – 2x4
Expresando a x2 , x3 y x4 en función de a y b, se obtiene:

11
x1 = 2 + 7 – a + 7 b – 3a – 6 + 6a – 4 b
2
5
Luego: x1 = 3 – a + 3b
2
Verificación:
1) –3x3 + x4 + 2x5 = – 3
–3a – 3 + 3a – 2b + 2b = – 3
2) –2x1 + 4x3 – 3x4 = 3

–6 + 5a – 6b + 4a + 9 – 9a + 6b = 3
3) 7x1 + x2 – 9x3 + 7x4 = – 7

35 11
21 – a + 21b – 7 + a – 7b – 9a – 21 + 21a – 14b = –7
2 2
Escribimos la solución general del sistema en el cuadro y procedemos a calcular las soluciones
básicas y no básicas:
Soluciones Básicas Soluciones No
Incóg. Solución General
cd4 cd3 d34 c45 d35 Básicas
5
x1 3− a + 3b 3 1/2 0 0 0 6 –2
2
11
x2 −7+ a − 7b –7 –3/2 –2/5 0 –1/4 –14 4
2
x3 a 0 1 6/5 0 3/4 0 2
x4 − 3 + 3a − 2b –3 0 3/5 –1 0 –5 3
x5 b 0 0 0 –1 –3/8 1 0

Cálculo auxiliar de la solución d35:
5
− a + 3b = − 3 x2 − 5a + 6b = −6
2
⇒
3a − 2b = 3 x3 9 a − 6b = 9
3
Sumando miembro a miembro la igualdad, se obtiene: 4a = 3 ⇒ a =
4
Reemplazando en la 2da. Ecuación:
3
∴ 3 .  − 2 b = 3
4
9 3 3
− 2b = 3− ; − 2b = ⇒ b = −
4 4 8
11  3   3
x2 = - 7 + .  - 7.  − 
2 4  8
- 56 + 33 + 21 1
x2 = x2 = -
8 4
Vemos que la 4ta. Solución Básica es degenerada, porque tiene más de dos ceros.

10. Inversión de Matrices por Método de Gauss – Jordan

Otra de las aplicaciones importantísimas del Método de Gauss-Jordan, es la
determinación de la inversa de una matriz no singular. Importancia que se aprecia en las matrices
de orden superior.
Sea A una matriz no singular de orden n cuya inversa queremos encontrar. Para ello se escribe la
matriz dada A y a su derecha la matriz identidad del mismo orden n. En forma esquemática:
A I
Aplicando a esta nueva matriz de tipo (n x 2n) el Método de Gauss-Jordan, se debe transformar a
la matriz A en la matriz identidad. Entonces la matriz que se obtiene a la derecha es la inversa de
la matriz A. (A-1).
Es decir:
A I
I A-1
Tengamos en cuenta que sólo se deben aplicar operaciones elementales de filas.

Como en general no se sabe (a priori) si A es una matriz inversible, lo mismo el método se puede
aplicar. En caso de que A no tenga inversa, no será posible transformar en la matriz identidad.
Es decir que con el Método de Gauss-Jordan se determina la existencia o no de la matriz inversa
y en caso afirmativo, se la encuentra.
Por último, recordemos que también podemos trabajar con la columna de control, que como
sabemos es la última columna y se la obtiene, sumando todos los elementos de cada fila.
Veamos la aplicación del Método a una matriz de cuarto orden.
Ejemplo: Sea la matriz cuadrada A, encontrar la matriz inversa de A, si existe, mediante el

Método de Gauss-Jordan:
− 1 2 1 1
 3 − 6 − 2 0
A= 
1 0 − 1 2
 
 0 − 1 0 1

Solución:
Debemos escribir la matriz A, cuya inversa queremos calcular y a su derecha la matriz identidad
del mismo orden. La última columna es la de control:
A I C
-1 2 1 1 1 0 0 0 4 (-1)
3 3 -6 -2 0 0 1 0 0 -4
+ 1 0 -1 2 0 0 1 0 3
0 -1 0 1 0 0 0 1 1
Realizando siempre operaciones elementales de filas transformaremos a la matriz A en la matriz

identidad, en tanto que la matriz identidad se trasformará en la matriz inversa de la dada.
Con (-1) como pivote y las combinaciones lineales de filas indicadas en la tabla, reducimos a
ceros, todos los elementos (no nulos) ubicados debajo del pivote. Obtenemos así, en la primera
columna el primer vector unitario.
(-2) +1 -2 -1 -1 -1 0 0 0 -4
0 0 1 3 3 1 0 0 8
2 0 2 0 3 1 0 1 0 7
0 -1 0 1 0 0 0 1 1
No olvidemos de controlar las filas que se modifican.

Ahora debemos buscar el pivote en la segunda columna y a partir de la segunda fila inclusive.
Como en el lugar 4.2 existe un elemento unitario, lo elegimos de pivote y reducimos a ceros los
restantes elementos de la segunda columna, con las combinaciones lineales de filas indicadas.
Cambiamos de signo todos los elementos de la última fila y la escribimos como segunda fila.
Obtenemos así la siguiente matriz:

1 0 -1 -3 -1 0 0 -2 -6
+ 0 1 0 -1 0 0 0 -1 -1
0 0 1 3 3 1 0 0 8
0 0 0 5 1 0 1 2 9
Hemos logrado transformar la segunda columna en el 2º vector unitario.

Vamos a controlar: la única fila que no se modifica es la tercera.
Sumemos los elementos de c/u de las otras filas y debemos obtener el correspondiente elemento
de la columna ©:
(1) 1 – 1 – 3 – 1 – 2 = – 6 (2) 1 – 1 – 1 = – 1 (4) 5 + 1 + 1 + 2 = 9
Con ello nos aseguramos de no haber cometido errores.
Continuando con el mecanismo debemos lograr el 3º vector unitario.
Lo único que hacemos es sumar a la primera fila la tercera:
1 0 0 0 2 1 0 -2 2
0 1 0 -1 0 0 0 -1 -1
0 0 1 3 3 1 0 0 8
1
0 0 0 5 1 0 1 2 9 x
5
Controlamos la primera fila: 1 + 2 + 1 – 2 = 2 . Luego no hay errores.
Como en el lugar 4.4 necesitamos un pivote unitario, multiplicamos la cuarta fila por 1 y
x
5
reducimos a ceros los elementos restantes de la cuarta columna:

1 0 0 0 2 1 0 -2 2
+ 0 1 0 -1 0 0 0 -1 -1
(-3) 0 0 1 3 3 1 0 0 8
0 0 0 1 1/5 0 1/5 2/5 9/5
1 1 2 9
Controlamos la última fila: 1 + + + =
5 5 5 5
Realizando las operaciones elementales de filas indicadas, nos queda:
I A-1 C
1 0 0 0 2 1 0 -2 2
0 1 0 0 1/5 0 1/5 -3/5 4/5
0 0 1 0 12/5 1 -3/5 -6/5 13/5
0 0 0 1 1/5 0 1/5 2/5 9/5
Como se modifican la segunda y tercera fila, efectuamos la suma de sus elementos:
1 1 3 4 12 3 6 13
1+ + − = y 1+ +1− − =
5 5 5 5 5 5 5 5
Por lo tanto no cometimos errores. Luego hemos finalizado con el mecanismo.
Luego la inversa de la matriz dada es:
 2 1 0 −2 
 1/ 5 0 1 / 5 − 3 / 5
A = 
-1
 12 / 5 1 − 3 / 5 − 6 / 5
 
 1/ 5 0 1/ 5 2/5 

Verificación:
Vamos a verificar uno de los dos productos A-1 A.

Extraemos el factor 1 de la matriz A-1, para evitar operar con números fraccionarios y así
5
hacemos más fácil el procedimiento.
Luego:
 10 5 0 − 10  −1 2 1 1 
 1 0 1 − 3   3 −6 −2 0 
-1 1   
A .A = .
5  12 5 −3 −6  1 0 −1 2 
   
 1 0 1 2   0 −1 0 1 
Resolvamos el producto de matrices:
1º F. 1º C. = 10.(-1) + 5.3 + 0.1 + (-10).0 = 5

1º F. 2º C. = 10.(2) + 5.(-6) + 0.0 + (-10).(-1) = 0
1º F. 3º C. = 10.(1) + 5.(-2) + 0.(-1) + (-10).0 = 0
1º F. 4º C. = 10.(1) + 5.(0) + 0.2 + (-10).1 = 0
En forma análoga procedemos con la segunda fila de la primera matriz, y así sucesivamente
hasta finalizar el producto y obtenemos la matriz I4. Análogamente se verifica: A. A-1.
Luego:
5 0 0 0 1 0 0 0
 0  0 0 
1 0 5 0 1 0
-1
A .A = . = 
5 0 0 5 0 0 0 1 0
   
0 0 0 5 0 0 0 1


Teoria de Matrices

Cargado por

Información del documento

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

Teoria de Matrices

Cargado por

Copyright:

Formatos disponibles

LIC. HORTENCIA DEL V.

LAGORIA TEMAS DE ÁLGEBRA LINEAL

Este trabajo lo realicé pensando principalmente, en el Estudiante de la

LIC. HORTENCIA DEL VALLE LAGORIA

CAPITULO I – TEORIA DE MATRICES .............................................................................................................. 9

CAPITULO IV – SISTEMAS DE ECUACIONES LINEALES........................................................................... 51

CAPITULO I – TEORIA DE MATRICES

2. Definición de Matriz. Notación

2 -1 0 Cal Arena Cemento 1/2

La matriz A tiene dos filas y tres columnas.

Diremos que la matriz A es de tipo 2 x 3; B de tipo 2 x 3 y D de tipo 3 x 1

En general una matriz de tipo m x n, se denotará de la siguiente forma:

a11 a12 a13 … a1n

LIC. HORTENCIA DEL VALLE LAGORIA 9

Ejemplo: Escribir la matriz A con todos sus elementos. A=(i + 3j) 3 x 2

tenemos que: a11 = 1 + 3.1 a12 = 1 + 3.2

a21 = 2 + 3.1 a22 = 2 + 3.2

3-1. Matriz Fila

A = [a11 a12 a13 … a1n]

10 LIC. HORTENCIA DEL VALLE LAGORIA

3-3. Matriz Rectangular

3-4. Matriz Cuadrada

Las definiciones siguientes son aplicables sólo a matrices cuadradas.

3-5. Matriz Diagonal

LIC. HORTENCIA DEL VALLE LAGORIA 11

3-6. Matriz Escalar

3-7. Matriz Unidad o Matriz Identidad

Usamos la I para simbolizar a la matriz identidad. También se simboliza a la matriz identidad de

El símbolo δ i j se llama “delta de Kronecker”

3-8. Matriz Nula

En general, la matriz nula es: O = [ aij] tal que ∀ i,j aij = 0

12 LIC. HORTENCIA DEL VALLE LAGORIA

3-9. Matriz Triangular

LIC. HORTENCIA DEL VALLE LAGORIA 13

5. Operaciones con Matrices

5-1. Suma de Matrices

a 11 + b11 a 12 + b12 …………. a 1n + b1n

14 LIC. HORTENCIA DEL VALLE LAGORIA

Por consiguiente la matriz nula es el neutro de la suma de matrices.

Esta matriz sirve para definir la sustracción o diferencia de matrices.

5-2. Diferencia de dos matrices

Si A y B son matrices del mismo tipo, resulta que A – B = A + ( –B)

LIC. HORTENCIA DEL VALLE LAGORIA 15

5-3. Producto de un número por una matriz

k a11 k a12 k a13 … k a1n

5-4. Producto de Matrices

A.B de dichas matrices y en ese orden, a otra matriz C = ( c i j )m x n , tal que:

16 LIC. HORTENCIA DEL VALLE LAGORIA

5-4-2. Interpretación de la Definición de producto de dos matrices

¿Cómo calculamos el producto A . B = C ?

Ahora bien, según la definición:

k=1 k=2 k=3

Analizando esta expresión, vemos que c 11 se obtiene multiplicando ordenadamente los

LIC. HORTENCIA DEL VALLE LAGORIA 17

En general el elemento c i j de la matriz producto, se obtiene multiplicando ordenadamente los

2 3 2 1 2 2.2 + 3.1 2.1 + 3.3 2.2 + 3.4

5-4-3. Propiedades del Producto de Matrices

18 LIC. HORTENCIA DEL VALLE LAGORIA

Calculamos B.A: A.B ≠ B.A

Como en general A.B ≠ B.A, el producto de matrices NO GOZA de la Propiedad Conmutativa

LIC. HORTENCIA DEL VALLE LAGORIA 19

3 c por definición de producto de matrices.

Aplicando nuevamente esta definición calculamos:

Si en cj toma el valor h, o sea : j = h, se obtiene