UNIVERSIDAD DE BUENOS AIRES

Ciclo Básico Común

Álgebra - Cátedra Palacios - Puebla

Notas teóricas I: Sistemas de ecuaciones

lineales y matrices

1. Matrices
1.1. Definiciones
Definición 1.1. Una matriz es un arreglo rectangular de números en filas y columnas:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
 .. .. ... .. 
 . . . 
am1 am2 · · · amn

Una matriz con m filas y n columnas tiene tamaño u orden m × n. El conjunto

formado por todas las matrices de tamaño m × n se nota Rm×n .
Si la cantidad de filas de una matriz es igual a la cantidad de columnas, decimos
que la matriz es cuadrada. Una matriz cuadrada con n filas y columnas tiene orden n.
Los números aij se llaman coeficientes de la matriz. El ı́ndice ij indica que este
coeficiente se encuentra en la fila i y la columna j. Para indicar una matriz A de tamaño
m × n con coeficientes aij , 1 ≤ i ≤ m, 1 ≤ j ≤ n, se usa la notación A = (aij ). Para
indicar el coeficiente ij de una matriz también podemos utilizar la notación (A)ij o [A]ij .
 
1 3 −2
Ejemplo 1.1. La matriz A = tiene tamaño 2 × 3 ya que tiene 2 filas y 3
5 4 −1
columnas. El coeficiente (A)13 es −2 (es el coeficiente que se encuentra en la fila 1 y la
columna 3).
 
2 0 −1
La matriz B =  3 7 2  es una matriz cuadrada de orden 3 ya que tiene 3
−2 3 5
filas y 3 columnas.
Definición 1.2. Dos matrices A = (aij ) y B = (bij ) de tamaño m × n son iguales si y
sólo si aij = bij para todo 1 ≤ i ≤ m y todo 1 ≤ j ≤ n.
 
  1 0 3
1 0 3
Ejemplo 1.2. Las matrices A = y B = 2 1 1 no son iguales ya que no
2 1 1
0 0 0
tienen el mismo tamaño.
Definición 1.3. Dada una matriz cuadrada de orden n, A = (aij ), los elementos aii ,
1 ≤ i ≤ n, constituyen la diagonal principal de la matriz.

1
Definición 1.4. Una matriz cuadrada A = (aij ) ∈ Rn×n es diagonal si

(A)ij = 0 para todo i 6= j

 
  3 0 0
2 0
Ejemplo 1.3. Las matrices A = yB= 0  4 0 son matrices diagonales.
0 5
0 0 0
Definición 1.5. La matriz identidad de orden n es una matriz de tamaño n × n tal que
los coeficientes de la diagonal principal son iguales a 1 y los demás coeficientes son iguales
a 0, es decir, 
1 si i = j
aij =
0 si i 6= j
A estas matrices las notamos In , In×n o simplemente I. Por ejemplo, las matrices identidad
de orden 2, 3 y 4 son:
 
  1 0 0 0
  1 0 0
1 0 0 1 0 0
I2 = , I3 = 0 1 0 I4 = 
 
0 1 0 0 1 0
0 0 1
0 0 0 1

Definición 1.6. Una matriz de tamaño m × n cuyos coeficientes son todos iguales a 0 se
llama matriz cero o matriz nula de tamaño m × n y se nota 0m×n o simplemente 0 si no
hay confusión respecto a su tamaño.

1.2. Operaciones
Definición 1.7. Dadas dos matrices A, B ∈ Rm×n , la suma A + B es la matriz cuyos
coeficientes ij se obtienen al sumar los coeficientes ij de las matrices A y B. Ésto es,

[A + B]ij = [A]ij + [B]ij

   
2 −3 −4 5
Ejemplo 1.4. Dadas las matrices A = −5 7  y B = −1 3, tenemos que
1 3 2 5
 
−2 2
A + B = −6 10
3 8

Definición 1.8. Dada una matriz A ∈ Rm×n y α ∈ R, el producto por escalares

αA ∈ Rm×n es la matriz que se obtiene al multiplicar por α todos los coeficientes de
A. Ésto es,
[αA]ij = α[A]ij
 
3 −1 5
Ejemplo 1.5. Dada la matriz A = , tenemos que
−2 5 4
 
−9 3 −15
−3A =
6 −15 −12

2
Proposición 1.1. Sean A, B y C ∈ Rm×n y α, β ∈ R. Se verifican las siguientes propie-
dades de la suma y el producto por escalares:

1. A + B = B + A (la suma es conmutativa).

2. A + (B + C) = (A + B) + C (la suma es asociativa).

3. Existe una matriz “cero” tal que A + 0 = A.

4. α(A + B) = αA + αB.

5. (α + β)A = αA + βA.

6. (αβ)A = α(βA).

Definición 1.9. Dada una matriz A = (aij ) de tamaño m × n y una matriz B = (bij ) de
tamaño n × r, el producto de A por B, que notamos AB, es una matriz de tamaño m × r
cuyos coeficientes son
n
X
[AB]ij = ai1 b1j + ai2 b2j + · · · + ain bnj = aik bkj
k=1

 
3 −2  
2 −1 5
Ejemplo 1.6. Dadas las matrices A =  4 3yB= , tenemos que
−3 2 4
−1 5
   
3 · 2 + (−2)(−3) 3(−1) + (−2)2 3 · 5 + (−2)4 12 −7 7
AB =  4 · 2 + 3(−3) 4(−1) + 3 · 2 4 · 5 + 3 · 4  =  −1 2 32
(−1)2 + 5(−3) (−1)(−1) + 5 · 2 (−1)5 + 5 · 4 −17 11 15

Proposición 1.2. Propiedades del producto de matrices:

1. A(BC) = (AB)C para todas A ∈ Rm×n , B ∈ Rn×r y C ∈ Rr×s .

2. A(B + C) = AB + AC para todas A ∈ Rm×n , B, C ∈ Rn×r .

3. (A + B)C = AC + BC para todas A, B ∈ Rm×n , C ∈ Rn×r .

4. (αA)B = α(AB) = A(αB) para todas A ∈ Rm×n , B ∈ Rn×r y α ∈ R.

5. Im A = A, AIn = A para toda A ∈ Rm×n .

Ciertas propiedades del producto de números reales no se verifican para el producto

de matrices. Por ejemplo:

1. El producto de matrices no es conmutativo.

Puede pasar por

 ejemplo,
 que podamos calcular AB pero no BA como para las
1 0  
5 −1
matrices A = 2 1 y B = . Para estas matrices tenemos que
1 3
0 3

3
  
5 −1
AB = 11 1  pero BA no se puede calcular porque la cantidad de columnas
3 9
de B es distinta de la cantidad de filas de A.

En el caso que podamos calcular

 ABy BA no necesariamente tienen el mismo
1 0  
5 −1 2
tamaño. Por ejemplo, para A = 2 1 y B =
  , tenemos que
1 3 1
0 3
 
5 −1 2  
3 5
AB = 11 1 5
  y BA =
7 6
3 9 3

ası́ que AB 6= BA.

Aunque AB y BA tengan
 el
 mismo tamaño
 no necesariamente son matrices iguales.

2 1 5 −1
Por ejemplo, si A = yB= , tenemos que
3 2 1 3
   
11 1 7 3
AB = y BA =
17 3 11 7

2. AB = 0 no implica que A = 0 o B = 0.
     
3 −1 1 2 0 0
Por ejemplo, para A = yB= tenemos que AB = pero
   3 −1 3 6 0 0
0 0 0 0
A 6= y B 6= .
0 0 0 0
3. AB = AC no implica que B = C.
     
1 0 1 2 1 2
Por ejemplo, si A = ,B= yC= tenemos que
0 0 −1 3 5 4
 
1 2
AB = = AC
0 0

pero B 6= C.

1.3. Trasposición
Definición 1.10. Dada una matriz A ∈ Rm×n , la matriz traspuesta de A, que notamos
AT , es la matriz en Rn×m tal que
[AT ]ij = [A]ji
 
  1 2
1 −1 3
Por ejemplo, si A = , entonces AT = −1 1.
2 1 4
3 4
Proposición 1.3. Se verifican las siguientes propiedades:

4
 1. (AT )T = A para toda A ∈ Rm×n .

2. (A + B)T = AT + B T , para todas A, B ∈ Rm×n .

3. (αA)T = αAT , para todo α ∈ R y toda A ∈ Rm×n .

4. (AB)T = B T AT para todas A ∈ Rm×n y B ∈ Rn×r .

Demostración:

1. [(AT )T ]ij = [AT ]ji = [A]ij para todo i ∈ {1, · · · , m}, j ∈ {1, · · · , n}.
Luego (AT )T = A.

2. [(A + B)T ]ij = [A + B]ji = [A]ji + [B]ji = [AT ]ij + [B T ]ij = [AT + B T ]ij para todo
i ∈ {1, · · · , m}, j ∈ {1, · · · , n}.
Luego (A + B)T = AT + B T .

3. [(αA)T ]ij = [αA]ji = α[A]ji = α[AT ]ij = [αAT ]ij para todo i ∈ {1, · · · , m},
j ∈ {1, · · · , n}.
Luego (αA)T = αAT .
n n
4. [(AB)T ]ij = [AB]ji = [AT ]kj [B T ]ik = [B T AT ]ij para todo
P P
[A]jk [B]ki =
k=1 k=1

i ∈ {1, · · · , m}, j ∈ {1, · · · , r}.

Luego (AB)T = B T AT .

1.4. Matrices triangulares y escalonadas

Definición 1.11. Una matriz cuadrada A ∈ Rn×n es triangular superior si

(A)ij = 0 para todo i > j

y es triangular inferior si
(A)ij = 0 para todo i < j
 
2 −1 3
Ejemplo 1.7. La matriz A = 0 −4 1 es triangular superior y la matriz
  0 0 5
−1 0 0
B=  0 2 0 es triangular inferior.
3 2 5
Definición 1.12. Una matriz está en la forma escalonada reducida si verifica las siguientes
cuatro condiciones:

1. Si una matriz tiene una o más filas que constan exclusivamente de ceros, estas filas
se encuentran en la parte inferior de la matriz.

5
 2. Para dos filas consecutivas que no constan exclusivamente de ceros, el primer ele-
mento distinto de cero de la fila superior se encuentra a la izquierda del primer
elemento distinto de cero de la fila siguiente.

3. Para cada fila que no consta exclusivamente de ceros, el primer elemento distinto
de cero es 1 (se lo llama 1 principal).

4. Cada columna que contiene un primer elemento distinto de cero de una fila, tiene
ceros en las posiciones restantes.

En una matriz A una posición pivote es una ubicación en A que corresponde a un

1 principal en la forma escalonada reducida de A. Una columna pivotal o columna básica
es una columna de A que contiene una posición pivote.
Si una matriz verifica sólo las condiciones 1) y 2) decimos que está escalonada.

Ejemplo 1.8. Veamos algunos ejemplos:

Las siguientes matrices están en forma escalonada reducida:

 
    1 6 0
1 0 0 2 0 0 1 0 2 0 0
0 1 0 1 , 0 0 0 1 4 ,  1

0 0 0
0 0 1 4 0 0 0 0 0
0 0 0

Las siguientes matrices están en forma escalonada pero no escalonada reducida:

   
1 0 3 2 2 1 1 3
0 1 0 1 , 0 0 3 1 
0 0 1 4 0 0 0 −1

La primera matriz no cumple la condición 4 y la segunda no verifica las condiciones

3 y 4.

La siguiente matriz no está escalonada ya que no verifica la condición 2.

 
1 2 −1
0 0 1
0 0 10

2. Sistemas de ecuaciones lineales

2.1. Definición y conjunto solución
Un sistema de m ecuaciones lineales con n incógnitas x1 , x2 , · · · , xn es de la forma


 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · ·

+ a2n xn = b2
..


 .
 a x + a x + ··· + amn xn = bm ,
m1 1 m2 2

6
 donde aij , 1 ≤ i ≤ m, 1 ≤ j ≤ n, son números reales llamados coeficientes del
sistema y bi ∈ R, 1 ≤ i ≤ m.
En el caso que bi = 0 para todo 1 ≤ i ≤ m, diremos que el sistema es homogéneo. En
el caso en que alguno de los bi sea distinto de 0, diremos que el sistema es no homogéneo.
Una solución del sistema de ecuaciones lineales es un vector de la forma (s1 , s2 , · · · , sn )
tal que si reemplazamos xi = si se verifican simultáneamente todas las ecuaciones del sis-
tema.
Ejemplo 2.1. ¿Cuáles deben ser los coeficientes a, b, c ∈ R para que el sistema

 ax + by + cz = 5
bx − ay − 4z = −11
5x + y − cz = −4


tenga solución (−1, 2, 1)?

Para que (−1, 2, 1) sea solución del sistema se deben verificar las ecuaciones al
reemplazar x = −1, y = 2 y z = 1. Nos queda

 −a + 2b + c = 5
−b − 2a − 4 = −11
−5 + 2 − c = −4


De la tercera ecuación obtenemos

c=1

De la segunda ecuación despejamos

b = −2a + 7

Reemplazamos en la primera ecuación y nos queda

−a + 2(−2a + 7) + 1 = 5 ⇔ −a − 4a + 14 + 1 = 5 ⇔ −5a = −10

⇔ a=2
Entonces
a = 2, b = 3, c=1
Un sistema de ecuaciones lineales se puede clasificar de acuerdo a la cantidad de
soluciones que posea:
Si tiene una única solución diremos que es un Sistema Compatible Determinado
(SCD).
Si posee infinitas soluciones diremos que es un Sistema Compatible Indeterminado
(SCI).
Si no tiene solución diremos que es un Sistema Incompatible (SI).
Ejemplo 2.2. Veamos la interpretación geométrica de los sistemas de dos ecuaciones con
dos incógnitas. Cada ecuación es la ecuación de una recta y la solución del sistema es la
intersección entre estas dos rectas.

7
Dos rectas no paralelas se cortan en un punto. Corresponden a un sistema de ecua-
ciones compatible determinado. Por ejemplo

x + y = 1
2x − y = −4

cuya solución es (−1, 2).

Dos rectas paralelas no coincidentes no se cortan. Corresponden a un sistema de

ecuaciones incompatible. Por ejemplo

x + y = 1
x + y = 3

no tiene solución.

Podemos tener dos ecuaciones de una misma recta. Corresponden a un sistema de

ecuaciones compatible indeterminado. Por ejemplo

x + y = 1
2x + 2y = 2

cuyas soluciones son los puntos de la recta.

8
 Observemos que los sistemas homogéneos siempre tienen al menos una solución
ya que (0, 0, · · · , 0) es solución del sistema (es la llamada solución trivial). Ası́ que los
sistemas homogéneos son compatibles determinados o compatibles indeterminados.
Para cada sistema de ecuaciones lineales podemos escribir dos matrices:

La matriz del sistema es

 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
A =  ..
 
.. ... .. 
 . . . 
am1 am2 · · · amn

Si agregamos los bi , obtenemos la matriz ampliada del sistema

 
a11 a12 · · · a1n | b1
 a21 a22 · · · a2n | b2 
(A|b) =  ..
 
.. . . .. .. 
 . . . . | . 
am1 am2 · · · amn | bm

Estas matrices serán de utilidad al resolver los sistemas y estudiar las caracterı́sticas
del conjunto solución.

Ejemplo 2.3. Para el sistema


x + y = 1
2x − y = −4

la matriz del sistema es  

1 1
A=
2 −1
y la matriz ampliada del sistema es
 
1 1 | 1
(A|b) =
2 −1 | −4

9
2.2. Métodos de eliminación de Gauss y de Gauss-Jordan
Decimos que dos sistemas de ecuaciones son equivalentes si tienen el mismo conjunto
solución.
En esta sección veremos los métodos de eliminación de Gauss y de Gauss-Jordan
que nos permitirán resolver sistemas de ecuaciones lineales. Estos métodos están basados
sobre el uso de ciertas operaciones elementales para obtener sistemas equivalentes que
sean más fáciles de resolver.
Al aplicar a un sistema lineal cualquiera de las siguientes operaciones elementales
obtenemos un sistema equivalente al original:

Multiplicar una ecuación por un número distinto de cero.

Intercambiar ecuaciones.

Sumar a una ecuación un múltiplo de otra.

Al aplicarlas sobre la matriz ampliada del sistema, las operaciones elementales se

transforman en operaciones elementales sobre las filas de la matriz. Estas operaciones
elementales son:

Multiplicar una fila por un número distinto de cero.

Intercambiar filas.

Sumar a una fila un múltiplo de otra.

Dada una matriz A, realizando operaciones elementales podemos llegar a una matriz
escalonada reducida. La matriz escalonada reducida que se obtiene a partir de A es única.

Ejemplo 2.4. Hallar la forma escalonada reducida de la matriz

 
1 2 3 3
A = 2 4 6 9
2 6 7 6

Vamos a utilizar las operaciones permitidas que enunciamos antes. Primero vamos
a conseguir ceros en la primera columna restando a las filas 2 y 3 dos veces la fila 1.
Obtenemos la matriz  
1 2 3 3
0 0 0 3
0 2 1 0
Ahora intercambiamos las filas 2 y 3 para obtener la matriz escalonada:
 
1 2 3 3
0 2 1 0
0 0 0 3

10
 1 1
Para obtener los 1 principales multiplicamos por a la fila 2 y por a la fila 3:
2 3
 
1 2 3 3
1 
0 1 0

2
0 0 0 1

Por último, necesitamos tener ceros en las columnas básicas (en las que se encuentran los
unos principales). Para ello, a la fila 1 le restamos 2 veces la fila 2 y 3 veces la fila 3.
Obtenemos la forma escalonada reducida de A:
 
1 0 2 0
1 
EA = 0 1 0

2
0 0 0 1

En este caso las columnas básicas son la 1, la 2 y la 4 y la columna no básica es la

3.
Observación 1. Observemos en el ejemplo anterior que la columna no básica se puede
escribir como una combinación de las columnas básicas a la izquierda de ésta:
 
2  
1
 
0
1 1 
 =2 0 +   1
2 2
0 0 0

Esta misma relación se tiene para las columnas de A:

     
3 1 2
6 = 2 2 + 1 4
2
7 2 6

En general tenemos el siguiente resultado. Si EA es la forma escalonada reducida

de A y E∗k es una columna no básica de EA , esta columna es una combinación de las
columnas básicas a la izquierda de E∗k . Esto es,
       
1 0 0 µ1
0 1 0 µ2 
. . .  . 
. . .  . 
. . .  . 
E∗k = µ1 E∗b1 + µ2 E∗b2 + · · · + µj E∗bj = µ1   + µ2   + · · · + µj   =   ,
0 0 1 µj 
. . .  . 
 ..   ..   ..   .. 
0 0 0 0

donde E∗b1 , · · · E∗bj son las columnas básicas de EA a la izquierda de E∗k y µ1 , · · · , µj son
los primeros j coeficientes de E∗k .
Las relaciones que se observan entre las columnas de A son las mismas que para las
columnas de EA . Esto es, si A∗k es una columna no básica de A, se verifica que

A∗k = µ1 A∗b1 + µ2 A∗b2 + · · · + µj A∗bj

11
donde A∗b1 , · · · A∗bj son las columnas básicas de A a la izquierda de A∗k y µ1 , · · · , µj son
los primeros j coeficientes de E∗k .
Utilizaremos las matrices escalonadas para resolver sistemas. El método de elimi-
nación gaussiana consiste en aplicar las operaciones elementales hasta lograr una matriz
escalonada que corresponde a un sistema equivalente al original más sencillo de resolver.
El método de Gauss-Jordan consiste en aplicar las operaciones elementales hasta lograr
la matriz escalonada reducida.

Ejemplo 2.5. Hallar las soluciones del sistema



 2x3 + 3x4 − x5 = 1
x1 − x2 + x4 = −1


 2x 1 − 2x 2 + x 3 − x4 + 3x5 = 2
−4x1 + 4x2 + x3 + 2x5 = 0


La matriz ampliada del sistema es

 
0 0 2 3 −1 | 1
 1 −1 0 1 0 | −1
(A|b) =  
 2 −2 1 −1 3 | 2 
−4 4 1 0 2 | 0

Primero vamos a resolverlo por el método de eliminación gaussiana. En el primer

paso debemos obtener ceros en la primera columna. Como en la primera fila tenemos un
cero, lo primero que hacemos es cambiar el orden de las filas. Por ejemplo, podemos poner
la fila 1 en el último lugar.
 
1 −1 0 1 0 | −1
 2 −2 1 −1 3 | 2 
 
−4 4 1 0 2 | 0
0 0 2 3 −1 | 1

Para hacer obtener ceros en la primera columna, a la fila 2 le restamos 2 veces la

fila 1 y a la fila 3 le sumamos 4 veces la fila 1. Obtenemos la siguiente matriz.
 
1 −1 0 1 0 | −1
0 0 1 −3 3 | 4 
 
0 0 1 4 2 | −4
0 0 2 3 −1 | 1

Observemos que ya nos quedaron ceros en la columna 2, ası́ que en el siguiente paso
obtendremos ceros en la columna 3. Para ello a la fila 3 le restamos la fila 2 y a la fila 4
le restamos 2 veces la fila 2.
 
1 −1 0 1 0 | −1
0 0 1 −3 3 | 4 
 
0 0 0 7 −1 | −8
0 0 0 9 −7 | −7

12
Para obtener una matriz escalonada sólo nos falta obtener un cero en la columna 4. Para
ello multiplicaremos la fila 4 por 7 y le restaremos 9 veces la fila 3. Nos queda
 
1 −1 0 1 0 | −1
0 0 1 −3 3 | 4 
 
0 0 0 7 −1 | −8
0 0 0 0 −40 | 23
Para resolver el sistema comenzamos por la última ecuación y vamos reemplazando
en las anteriores:
23
De la ecuación −40x5 = 23, obtenemos que x5 = − .
40
Reemplazamos el valor de x5 en la ecuación 7x4 − x5 = −8 y despejamos x4 .
23 343 343 49
7x4 = −8 + x5 = −8 − =− ⇒ x4 = − =−
40 40 7 · 40 40
Reemplazamos x4 y x5 en la ecuación x3 − 3x4 + 3x5 = 4 y despejamos x3
   
49 23 82 41
x3 = 4 + 3x4 − 3x5 = 4 + 3 − −3 − =− =−
40 40 40 20
De la ecuación x1 − x2 + x4 = −1 despejamos x1 . La incógnita x2 queda libre, es
decir, puede tomar cualquier valor real.
49 9
x1 = −1 + x2 − x4 = −1 + x2 + = x2 +
40 40
Las soluciones del sistema son
9 41 49 23
(x1 , x2 , x3 , x4 , x5 ) = (x2 + , x2 , − , − , − ), x2 ∈ R
40 20 40 40
En vez de detenernos al llegar a una matriz escalonada podrı́amos continuar hasta
obtener una matriz escalonada reducida (método de Gauss-Jordan). Para obtener los 1
principales deberı́amos dividir a la fila 3 por 7 y a la fila 4 por -40. Nos queda la matriz
 
1 −1 0 1 0 | −1
0 0 1 −3 3 | 4 
 
0 0 0 1 − 1 | − 8 
 
 7 7
 23 
0 0 0 0 1 | −
40
Además necesitamos que en cada columna básica (donde tenemos los 1 principales), los
restantes coeficientes sean ceros. En las columnas 1 y 3 ya los tenemos. Tendrı́amos que
conseguirlos en las columnas 4 y 5. Comenzaremos por la columna 5. Para ello, a la fila
1
2 le restaremos 3 veces la fila 4 y a la fila 3 le sumaremos de la fila 4.
7
 
1 −1 0 1 0 | −1
 229 
0 0 1 −3 0 | 
 40 
0 0 0 1 0 | − 49 
 
 40 
 23 
0 0 0 0 1 | −
40

13
 Nos falta obtener los ceros en la columna 4. Para ello a la fila 1 le restaremos la fila
3 y a la fila 2 le sumaremos 3 veces la fila 3.
 9 
1 −1 0 0 0 |
 40 
0 0 1 0 0 | 41 
 
 20 
0 0 0 1 0 | − 49 
 
40 
 
23

0 0 0 0 1 | −
40
Hemos obtenido la forma escalonada reducida de la matriz ampliada del sistema.
Prácticamente ya tenemos resuelto el sistema porque, traduciendo las ecuaciones, nos
queda:
9 9
x1 − x2 = , de donde obtenemos que x1 = x2 + .
40 40
41
x3 =
20
49
x4 = −
40
23
x5 = −
40
Obtuvimos las mismas soluciones que antes.
Notemos que las columnas 1, 3, 4 y 5 son las columnas básicas o pivotales (corres-
ponden a las incógntas que despejamos) y que la variable x2 queda libre (corresponde a
la columna no básica).
Ejemplo 2.6. Considerar los siguientes tres sistemas cuyos coeficientes son los mismos
para cada sistema pero los lados derechos son distintos:
 
 x1 + 3x2 − 2x3 = 1  x1 + 3x2 − 2x3 = 2
a) 2x1 + x2 + x3 = 1 c) 2x1 + x2 + x3 = −1
3x1 − x2 + 4x3 = 1 3x1 − x2 + 4x3 = −1
 

 x1 + 3x2 − 2x3 = 0
b) 2x1 + x2 + x3 = 0
3x1 − x2 + 4x3 = 0


Resolver los tres sistemas a la vez utilizando la eliminación gaussiana en una matriz
aumentada de la forma
[A | b1 | b2 | b3 ]
¿Qué relación se observa entre los conjuntos solución de los sistemas a) y b)?
Vamos a resolver simultáneamente estos tres sistemas escalonando la matriz aumen-
tada [A | b1 | b2 | b3 ]:
   
1 3 −2 | 1 | 0 | 2 1 3 −2 | 1 | 0 | 2
2 1 1 | −3 | 0 | −1 → 0 −5 −5 | −5 | 0 | −5
3 −1 4 | −7 | 0 | −1 0 −10 10 | −10 | 0 | −7

14
    
1 3 −2 | 1 | 0 | 2 1 0 1 | −2 | 0 | −1
→ 0 1 −1 | 1 | 0 | 1 → 0 1 −1 | 1 | 0 | 1 
0 0 0 | 0 | 0 | 3 0 0 0 | 0 | 0 | 3
Resolvemos ahora los sistemas:

Sistema a): la matriz escalonada queda

 
1 0 1 | −2
0 1 −1 | 1 
0 0 0 | 0

Despejamos
x1 = −x3 − 2, x2 = x3 + 1, x3 ∈ R
La solución es la recta

(x1 , x2 , x3 ) = (−x3 − 2, x3 + 1, x3 ) = x3 (−1, 1, 1) + (−2, 1, 0), x3 ∈ R

Sistema b): la matriz escalonada queda

 
1 0 1 | 0
0 1 −1 | 0
0 0 0 | 0

Despejamos
x1 = −x3 , x2 = x3 , x3 ∈ R
La solución es la recta

(x1 , x2 , x3 ) = (−x3 , x3 , x3 ) = x3 (−1, 1, 1), x3 ∈ R

Sistema c): la matriz escalonada queda

 
1 0 1 | −1
0 1 −1 | 1 
0 0 0 | 3

El sistema es incompatible.

Las soluciones del sistema a) son de la forma

X = x0 + xp

donde x0 es solución del sistema homogéneo asociado (el sistema b)) y xp es una solución
particular. Veremos más adelante la demostración de este hecho.

15
2.3. Rango
Sea A ∈ Rm×n una matriz cuya forma escalonada reducida es EA . Definimos el rango
de A, que notamos rg(A), como la cantidad de filas no nulas de la matriz EA o la cantidad
de columnas pivotales de A (estas cantidades son iguales).

Ejemplo 2.7. Dada la matriz

 
1 2 3 3
A = 2 4 6 9
2 6 7 6

vimos que su forma escalonada reducida es

 
1 0 2 0
1 
EA = 0 1 0

2
0 0 0 1

Ası́ que el rango de A es 3 (ya que A tiene 3 columnas pivotales y su forma escalonada
reducida tien 3 filas no nulas).

El siguiente teorema nos permite caracterizar el conjunto solución de un sistema de

ecuaciones lineales conociendo el rango de la matriz del sistema y el rango de la matriz
ampliada.

Teorema 2.1. Teorema de Rouché-Frobenius Sea A la matriz de coeficientes de

un sistema con m ecuaciones y n incógnitas y (A|b) la matriz ampliada del sistema. Se
verifica que:

1. Si el rango de A es igual al rango de (A|b) y a la cantidad de incógnitas del sistema,

o sea, rg(A) = rg(A|b) = n, entonces el sistema resulta compatible determinado
(SCD).

2. Si el rango de A es igual al rango de (A|b), pero es menor estricto a la cantidad

de incógnitas del sistema, o sea, rg(A) = rg(A|b) < n, entonces el sistema resulta
compatible indeterminado (SCI).
En este caso, la cantidad de variables libres es n − rg(A).

3. Si el rango de A es menor estricto al rango de rg(A|b), o sea, rg(A) < rg(A|b),

entonces el sistema resulta incompatible (SI).

Ejemplo 2.8. Dado el sistema


 x1 − x2 + 2x3 = 1
x1 + 2x2 + x3 = 2
3x1 + 3x2 + 4x3 = a


con a ∈ R, analizar si el sistema es compatible determinado, compatible indeterminado o

incompatible según los distintos valores de a. Resolver el sistema cuando sea compatible.

16
 Escalonamos la matriz del sistema
     
1 −1 2 | 1 1 −1 2 | 1 1 −1 2 | 1
1 2 1 | 2 → 0 3 −1 | 1  → 0 3 −1 | 1 
3 3 4 | a 0 6 −2 | a − 3 0 0 0 | a−5

Ya podemos ver que el rango de la matriz del sistema es 2 y el rango de la matriz ampliada
depende del valor de a. Si a = 5, el rango de la matriz ampliada es 2. Si a 6= 5, el rango
de la matriz ampliada es 3. Por lo tanto,

si a = 5, el sistema es compatible indeterminado.

si a 6= 5, el sistema es incompatible.

para ningún valor de a el sistema es compatible determinado.

Resolvamos el sistema para a = 5. Terminamos de escalonar:

0 53 | 43
   
1 −1 2 | 1 1
0 1 − 1 | 1  → 0 1 − 31 | 13 
3 3
0 0 0 | 0 0 0 0 | 0

Nos queda
5 4 1 1
x1 = − x3 + , x2 = x3 + , x3 ∈ R
3 3 3 3
El conjunto solución es la recta
     
5 4 1 1 5 1 4 1
(x1 , x2 , x3 ) = − x3 + , x3 + , x3 = x3 − , , 1 + , , 0 , x3 ∈ R
3 3 3 3 3 3 3 3

Observemos que la cantidad de variables libres es 1 (cantidad de incógnitas - rango de la

matriz). Además, notemos que la dirección de la recta es solución del sistema homogéneo
asociado.

3. Aplicaciones
Ejemplo 3.1. A partir de la resolución de un sistema de 3 ecuaciones y 3 incógnitas
hallar los coeficientes de la parábola y = ax2 + bx + c que pasa por los puntos (−1, 3),
(1, 5) y (2, 0).
Planteamos que la parábola pasa los puntos dados y nos queda el siguiente sistema:

 a − b + c = 3
a + b + c = 5
4a + 2b + c = 0


Resolvemos el sistema:
     
1 −1 1 | 3 1 −1 1 | 3 1 −1 1 | 3
1 1 1 | 5 → 0 2 0 | 2  → 0 1 0 | 1 
4 2 1 | 0 0 6 −3 | −12 0 0 −3 | −18

17
    
1 0 1 | 4 1 0 0 | −2
→ 0 1 0 | 1 → 0 1 0 | 1 
0 0 1 | 6 0 0 1 | 6
Entonces
a = −2, b=1 y c=6
y la parábola es
y = −2x2 + x + 6

Ejemplo 3.2. Los sistemas de ecuaciones lineales surgen de manera natural cuando
cientı́ficos, ingenieros o economistas estudian el flujo de algunas cantidades a través de
una red. Por ejemplo, los planeadores urbanos e ingenieros de tráfico monitorean el patrón
de flujo del tráfico en una cuadrı́cula formada por las calles de una ciudad. Los ingenie-
ros eléctricos calculan el flujo de corriente que transportan los circuitos eléctricos. Para
muchas redes, los sistemas de ecuaciones involucran cientos e incluso miles de variables y
ecuaciones.
Una red consiste en un conjunto de puntos llamados uniones o nodos, con lı́neas o
arcos denominados ramas que conectan a algunos o todos los nodos. La dirección del flujo
se indica en cada arco y la cantidad (o tasa) de flujo se muestra o se denota por medio
de una variable.
El supuesto básico del flujo de redes es que el flujo que entra a la red es el mismo
que sale de la red, y que el flujo entrante en un nodo es igual al flujo saliente del nodo.
Por ejemplo, en la figura 1 se muestran 30 unidades que fluyen hacia un nodo a través
de un arco, con x1 y x2 denotando los flujos que salen del nodo por otros arcos. Como el
flujo se “conserva” en cada nodo, debe ser cierto que x1 + x2 = 30.

De manera similar, el flujo en cada nodo se describe por medio de una ecuación
lineal. El problema del análisis de redes consiste en determinar el flujo presente en cada
arco cuando se conoce cierta información parcial (como las entradas a la red).

a) Encontrar el patrón de flujo general para la red que se muestra en la figura.

b) Si el flujo debe ir en la dirección indicada, ¿cuáles son los flujos mı́nimos en los arcos
denotados por x1 , x2 , x3 , x5 y x6 ?

18
a) Las ecuaciones que describen el flujo se obtienen igualando el flujo entrante con el flujo
saliente en cada intersección. Estas ecuaciones son:


 x1 = x2 + 100
 x3 = x2 + 50



x3 = x4 + 120


 x5 = x4 + 150
x = x6 + 80

 5



x1 = x6 + 100

Reescribiendo estas ecuaciones nos queda el sisguiente sistema:


 x1 − x2
 = 100
− x2 + x3 = 50




x3 − x4 = 120


 − x 4 + x 5 = 150
x5 − x6 = 80




x1 − x6 = 100


Triangulamos para resolver el sistema:

   
1 −1 0 0 0 0 | 100 1 −1 0 0 0 0 | 100
0 −1 1 0 0 0 | 50  0 −1 1 0 0 0 | 50 
   
0 0 1 −1 0 0 | 120
 → 0 0 1 −1 0 0 | 120
 

0 0 0 −1 1 0 | 150 0 0 0 −1 1 0 | 150
   
0 0 0 0 1 −1 | 80  0 0 0 0 1 −1 | 80 
1 0 0 0 0 −1 | 100 0 1 0 0 0 −1 | 0
   
1 −1 0 0 0 0 | 100 1 −1 0 0 0 0 | 100
0 −1 1 0 0 0 | 50  0 −1 1 0 0 0 | 50 
   
0 0 1 −1 0 0 | 120 0 0 1 −1 0 0 | 120 
→0 0 0 −1 1 0 | 150 → 0 0 0 −1 1 0 | 150 
  
   
0 0 0 0 1 −1 | 80  0 0 0 0 1 −1 | 80 
0 0 1 0 0 −1 | 50 0 0 0 1 0 −1 | −70
   
1 −1 0 0 0 0 | 100 1 −1 0 0 0 0 | 100
0 −1 1 0 0 0 | 50  0 −1 1 0 0 0 | 50 
   
0 0 1 −1 0 0 | 120 0 0 1 −1 0 0 | 120
→ 0 0 0 −1 1 0 | 150 → 0 0 0 −1 1 0 | 150
  
   
0 0 0 0 1 −1 | 80  0 0 0 0 1 −1 | 80 
0 0 0 0 1 −1 | 80 0 0 0 0 0 0 | 0
Despejamos para obtener el flujo general para la red

x5 = 80 + x6 .
x4 = x5 − 150 = x6 − 70
x3 = 120 + x4 = 50 + x6
x2 = x3 − 50 = x6
x1 = 100 + x2 = 100 + x6

19
 Todos los flujos deben ser positivos ası́ que x6 ≥ 70.
b) Para hallar los flujos mı́nimos en los arcos denotados por x1 , x2 , x3 , x5 y x6 nos conviene
despejarlos en función de x4 . Nos queda la siguiente descripción del patrón del flujo
general para la red: 

 x1 = x4 + 170
 x2 = x4 + 70


x3 = x4 + 120
x5 = x4 + 150




x6 = x4 + 70


donde x4 ≥ 0.
Los flujos mı́nimos se obtienen cuando x4 = 0 y son
x1 = 170, x2 = 70, x3 = 120, x5 = 150 y x6 = 70

4. Lenguaje matricial y matrices elementales

4.1. Lenguaje matricial
Dado un sistema de ecuaciones lineales


 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · ·

+ a2n xn = b2
..


 .
 a x + a x + ··· + amn xn = bm ,
m1 1 m2 2

podemos escribirlo utilizando el producto de matrices en la siguiente forma, que llamamos

notación matricial,     
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
  ..  =  .. 
    

 . . .  .   . 
am1 am2 · · · amn xn bm
De forma concisa lo escribiremos

Ax = b
    
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
donde A =  , x =  ..  y b =  .. .
     
. .
 .  .  . 
am1 am2 · · · amn xn bm
Vamos a realizar algunas observaciones sobre el producto matricial:
Si las columnas de una matriz A ∈ Rm×n son C1 , C2 , · · · , Cn , tenemos que
     
1 0 0
0 1 0
C1 = A  ..  , C2 = A  ..  , · · · , Cn = A  .. 
     
. . .
0 0 1

20
       
x1 1 0 0
 x2  0 1 0
Entonces, para x =  ..  = x1  ..  + x2  ..  + · · · + xn  .. , el producto Ax
       
. . . .
xn 0 0 1
resulta         
x1 1 0 0
 x2   0 1 0
Ax = A  ..  = A x1  ..  + x2  ..  + · · · + xn  .. 
        
.  . .  . 
xn 0 0 1
Ax = x1 C1 + x2 C2 + · · · + xn Cn

Si las filas de una matriz A ∈ Rm×n son F1 , F2 , · · · , Fm , tenemos que

F1 = (1 0 · · · 0)A F2 = (0 1 · · · 0)A, ··· , Fm = (0 0 · · · 1)A

Entonces, para y = (y1 y2 · · · ym ) = y1 (1 0 · · · 0) + · · · + ym (0 0 · · · 1), el producto

yA resulta:

yA = (y1 (1 0 · · · 0) + y2 (0 1 · · · 0) + · · · + ym (0 0 · · · 1))A

yA = y1 (1 0 · · · 0)A + y2 (0 1 · · · 0)A + · · · + ym (0 0 · · · 1)A

yA = y1 F1 + y2 F2 + · · · + ym Fm

Si A ∈ Rm×n y B ∈ Rn×r son dos matrices y Las columnas de B son C1 , C2 , · · · , Cr ,

entonces
AB = (AC1 AC2 · · · ACr )
O sea, las columna i de AB es ACi , para 1 ≤ i ≤ r.

4.2. Matrices elementales

Se dice que una matriz E de orden n es una matriz elemental si se obtiene a partir
de la matriz identidad aplicando una operación elemental. Tenemos entonces tres tipos
de matrices elementales:

1. Matrices elementales de tipo I: Son matrices Eij que se obtienen a partir de la matriz
identidad intercambiando las filas i y j.
 
1 0 0
Por ejemplo, la matriz elemental E23 de orden 3 es E23 = 0 0 1.
0 1 0
Dada una matriz A ∈ Rm×n y una matriz elemental Eij de orden m, el producto
Eij A es la matriz que se obtiene intercambiando las filas i y j de A.
Dada una matriz A ∈ Rm×n y una matriz elemental Eij de orden n, el producto
AEij es la matriz que se obtiene intercambiando las columnas i y j de A.

21
 2. Matrices elementales de tipo II: Son matrices Ei (α) que se obtienen a partir de la
matriz identidad multiplicando la fila i por α, con α 6= 0.
 
α 0 0
Por ejemplo, la matriz elemental E1 (α) de orden 3 es E1 (α) =  0 1 0 .
0 0 1
Dada una matriz A ∈ Rm×n y una matriz elemental Ei (α) de orden m, el producto
Ei (α)A es la matriz que se obtiene multiplicando la fila i de A por α.
Dada una matriz A ∈ Rm×n y una matriz elemental Ei (α) de orden n, el producto
AEi (α) es la matriz que se obtiene multiplicando la columna i de A por α.

3. Matrices elementales de tipo III: Son matrices Eij (α) que se obtienen a partir de la
matriz identidad sumándole α veces la fila j a la fila i.
 
1 0 0
Por ejemplo, la matriz elemental E31 (α) de orden 3 es E31 (α) = 0 1 0 .
α 0 1
Dada una matriz A ∈ Rm×n y una matriz elemental Eij (α) de orden m, el producto
Eij (α)A es la matriz que se obtiene al sumar α veces la fila j a la fila i de A.
Dada una matriz A ∈ Rm×n y una matriz elemental Eij (α) de orden n, el producto
AEij (α) es la matriz que se obtiene al sumar α veces la columna i a la columna j
de A.
Notemos que realizar operaciones elementales sobre las filas (o columnas) de una
matriz es equivalente a multiplicar a la matriz por la matriz elemental correspondiente.
 
1 −1 1
Ejemplo 4.1. Obtener la forma escalonada reducida de la matriz A = 2 1 −1
4 5 −5
mediante el producto de matrices elementales a izquierda.
Veamos como escribimos como producto cada una de las operaciones por filas que
usamos para escalonar:
A la fila 2 le restamos 2 veces la fila 1. Nos queda
 
1 −1 1
A1 = 0 3 −3
4 5 −5

Esta matriz se obtiene al multiplicar la matriz E21 (−2) por A:

    
1 0 0 1 −1 1 1 −1 1
A1 = E21 (−2)A = −2 1
 0 2 1 −1 = 0 3 −3
0 0 1 4 5 −5 4 5 −5

A la fila 3 le restamos 4 veces la fila 1 y nos queda:

 
1 −1 1
A2 = 0 3 −3
0 9 −9

22
 Esta matriz se obtiene al multiplicar la matriz E31 (−4) por A1 :
    
1 0 0 1 −1 1 1 −1 1
A2 = E31 (−4)A1 =  0 1 0 0 3 −3 = 0 3 −3
−4 0 1 4 5 −5 0 9 −9
A2 = E31 (−4)E21 (−2)A

A la fila 3 le restamos 3 veces la fila 2 y nos queda:

 
1 −1 1
A3 = 0 3 −3
0 0 0
Esta matriz se obtiene al multiplicar la matriz E32 (−3) por A2 :
    
1 0 0 1 −1 1 1 −1 1
A3 = E32 (−3)A2 = 0 1
 0 0 3 −3 = 0 3 −3
0 −3 1 0 9 −9 0 0 0
A3 = E32 (−3)E31 (−4)E21 (−2)A
1
A la fila 2 la multiplicamos por y nos queda
3
 
1 −1 1
A4 = 0 1 −1
0 0 0
Esta matriz se obtiene al multiplicar la matriz E( 13 ) por A3 :
    
1 0 0 1 −1 1 1 −1 1
1
A4 = E( )A3 = 0 31 0 0 3 −3 = 0 1 −1
3
0 0 1 0 0 0 0 0 0
1
A4 = E( )E32 (−3)E31 (−4)E21 (−2)A
3
Por último a la fila 1 le sumamos la fila 2 y nos queda la forma escalonada reducida
de A:  
1 0 0
EA = 0 1 −1
0 0 0
Esta matriz se obtiene al multiplicar la matriz E12 (1) por A4 :
    
1 1 0 1 −1 1 1 0 0
EA = E12 (1)A4 = 0 1 0 0 1 −1 = 0 1 −1
0 0 1 0 0 0 0 0 0

Concluimos que la forma escalonada reducida de A puede obtenerse multiplicando matri-

ces elementales a izquierda en el siguiente modo:
1
EA = E12 (1)E( )E32 (−3)E31 (−4)E21 (−2)A
3

23
4.3. Matriz inversa
Definición 4.1. Decimos que una matriz A ∈ Rn×n es inversible si existe una matriz
B ∈ Rn×n tal que
AB = BA = I.
Esta matriz B, en caso de existir, es única. Se llama la inversa de A y se nota A−1 .

Si existe B tal que AB = I, entonces A es inversible y B = A−1 . También, si existe

B tal que BA = I, entonces A es inversible y B = A−1 .

Proposición 4.1. Se verifica lo siguiente:

1. Si A ∈ Rn×n es una matriz inversible, entonces A−1 es inversible y (A−1 )−1 = A.

2. Si A, B ∈ Rn×n son dos matrices inversibles, entonces AB es inversible y

(AB)−1 = B −1 A−1

3. Si A ∈ Rn×n es una matriz inversible y k ∈ R, k 6= 0, entonces kA es una matriz

inversible y
(kA)−1 = k −1 A−1

4. Si A ∈ Rn×n es una matriz inversible, entonces AT es inversible y (AT )−1 = (A−1 )T .

Las demostraciones son inmediatas a partir de la definición.

 
1 2
Ejemplo 4.2. Vamos a hallar la inversa de la matriz A = .
3 5
 
b11 b12
La matriz inversa de A, si existe, es una matriz B = tal que AB = I.
b21 b22
Esto es,
        
1 2 b11 b12 1 0 b11 + 2b21 b12 + 2b22 1 0
AB = I ⇔ = ⇔ =
3 5 b21 b22 0 1 3b11 + 5b21 3b12 + 5b22 0 1


 b11 + 2b21 = 1
3b11 + 5b21 = 0

⇔

 b12 + 2b22 = 0
3b12 + 5b22 = 1


Observemos que para hallar las soluciones de este sistema podemos resolver dos sistemas:
 
b11 + 2b21 = 1 b12 + 2b22 = 0
y
3b11 + 5b21 = 0 3b12 + 5b22 = 1

cuyas matrices ampliadas son

   
1 2 | 1 1 2 | 0
y
3 5 | 0 3 5 | 1

24
Estos sistemas se pueden resolver simultáneamente
     
1 2 | 1 | 0 1 2 | 1 | 0 1 2 | 1 | 0
→ →
3 5 | 0 | 1 0 −1 | −3 | 1 0 1 | 3 | −1
 
1 0 | −5 | 2
→
0 1 | 3 | −1
Obtenemos
b11 = −5, b12 = 2, b21 = 3 y b22 = −1
O sea,  
−1 −5 2
A =B=
3 −1
Para hallar la inversa de A utilizamos el siguiente método. Ampliamos la matriz A
con la matriz identidad I: (A|I) y la triangulamos. Si podemos obtener la matriz identidad
del lado izquierdo, del lado derecho nos queda A−1 .
 
1 2 3
Ejemplo 4.3. Calcular, si existe, las matriz inversa de A = 1
 1 2
3 5 9
Veamos si existe la inversa de A utilizando el método antes enunciado:

   
1 2 3 | 1 0 0 −→ 1 2 3 | 1 0 0
1 1 2 | 0 1 0 F20 = F2 − F1 0 −1 −1 | −1 1 0
3 5 9 | 0 0 1 F30 = F3 − 3F1 0 −1 0 | −3 0 1

   
−→ 1 2 3 | 1 0 0 −→ 1 2 0 | 7 3 −3
F20 = −F2 0 1 1 | 1 −1 0 F10 = F1 − 3F3 0 1 0 | 3 0 −1
0 0
F3 = F3 − F2 0 0 1 | −2 −1 1 F2 = F2 − F1 0 0 1 | −2 −1 1
 
1 0 0 | 1 3 −1
−→ 0 1 0 | 3
0 0 −1
F1 = F1 − 2F2
0 0 1 | −2 −1 1
Como del lado izquierdo obtuvimos la matriz identidad identidad, nos quedó que
 
1 3 −1
A−1 =  3 0 −1
−2 −1 1
 
1 3 5
Ejemplo 4.4. Calcular, si existe, las matriz inversa de B = 2 4 8
1 −1 1
Veamos si existe la inversa de B:
   
1 3 5 | 1 0 0 −→ 1 3 5 | 1 0 0
2 4 8 | 0 1 0 F20 = F2 − 2F1 0 −2 −2 | −2 1 0
1 −1 1 | 0 0 1 F30 = F3 − F1 0 −4 −4 | −1 0 1

25
  
1 3 5 | 1 0 0
−→ 0 −2 −2 | −2 1 0
0
F3 = F3 − 2F2
0 0 0 | 3 −2 1
En este caso no es posible obtener la matriz identidad del lado izquierdo (observemos
que el rango de B es 2), ası́ que no existe la inversa de B.
 
a b
Ejemplo 4.5. Calculemos la matriz inversa de A = en los casos que exista.
c d
Veremos el caso a 6= 0. Para a = 0 la deducción es similar.
   
a b | 1 0 −→ a b | 1 0
c d | 0 1 F20 = aF2 − cF1 0 ad − bc | −c a
Si ad − bc = 0, entonces no existe la inversa de A. Supongamos que ad − bc 6= 0

−→
!
a b | 1 0
1 c a
F20 = F2 0 1 | −
ad − bc ad − bc ad − bc
 
ad ab
−→ a 0 | ad − bc − ad − bc 
F10 = F1 − bF2
 c a 
0 1 | −
ad − bc ad − bc
 
d b
−→ a 0 | ad − bc − ad − bc 
0 1 c a
F1 = F1
 
a 0 1 | −
ad − bc ad − bc
(este último paso es válido porque estamos suponiendo que a 6= 0).
Concluimos que  
−1 1 d −b
A =
ad − bc −c a

Teorema 4.1. Si E es una matriz elemental, entonces E es inversible. Su inversa también

es una matriz elemental.

Dem: Observemos que sucede para cada tipo de matriz elemental:

Si E = Eij , tenemos que (Eij )2 = I ya que la matriz Eij se obtiene intercambiando

las filas i y j de la matriz identidad y al multiplicar a izquierda por esta misma
matriz volvemos a intercambiar las filas i y j obteniendo la matriz identidad.
Luego, (Eij )−1 = Eij .

Si E = Ei (α), tenemos que (Ei (α))−1 = Ei (α−1 ).

Recordemos que Ei (α) es la matriz que se obtiene multiplicando por α la fila i de la
matriz identidad. Al realizar el producto Ei (α−1 )Ei (α), se multiplica a la fila i de
Ei (α) por α−1 , obteniendo Ei (α−1 )Ei (α) = I.

26
 Si E = Eij (α), tenemos que (Eij (α))−1 = Eij (−α).
Recordemos que la matriz Eij (α) es la matriz que se obtiene sumando α veces la fila
j a la fila i de la matriz identidad. Al multiplicar Eij (−α)Eij (α) se suma α veces la
fila j de Eij (α) a la fila i de esta matriz obteniendo Eij (−α)Eij (α) = I.

Teorema 4.2. Dada una matriz A ∈ Rn×n . Son equivalentes:

1. El rango de A es n.

2. A es el producto de matrices elementales.

3. A es inversible.

Dem: Veamos que 1) ⇒ 2) ⇒ 3) ⇒ 1).

1) ⇒ 2): Si el rango de A es n, la matriz escalonada reducida de A es la matriz

identidad. Entonces existen matrices elementales F1 , · · · , Fr tales que F1 · · · Fr A = I
y
A = (Fr )−1 · · · (F1 )−1
Vimos que (Fr )−1 , · · · , (F1 )−1 son matrices elementales, luego A es producto de
matrices elementales.

2) ⇒ 3): Sea A un producto de matrices elementales. Como las matrices elementales

son inversibles y el producto de matrices inversibles es una matriz inversible, tenemos
que A es inversible.

3) ⇒ 1): Supongamos que A es inversible. Entonces el sistema AX = 0 tiene única

solución x1 = 0, · · · , xn = 0, ya que

AX = 0 ⇒ A−1 AX = A−1 0 ⇒ X=0

O sea, al escalonar la matriz A obtenemos la matriz identidad y por lo tanto, el

rango de la matriz A es n.

Este resultado nos da una justificación teórica del método presentado anteriormente
ya que, si A es inversible, A es el producto de matrices elementales y por lo tanto, al realizar
operaciones elementales a la matriz A obtenemos la matriz identidad I y al realizar las
mismas operaciones elementales sobre la matriz I, obtendremos la matriz inversa A−1 .
Consideremos ahora el sistema Ax = b con A ∈ Rn×n y x, b ∈ Rn .

Teorema 4.3. El sistema Ax = b tiene única solución para todo b ∈ Rn si y sólo si la

matriz A es inversible.
En caso que la matriz A sea inversible, la única solución del sistema Ax = b es

x = A−1 b

27
 Dem: Si el sistema Ax = b tiene solución para todo b ∈ Rn , sean X1 , · · · , Xn las
soluciones de Ax = ei , para i = 1, · · · , n. Entonces la matriz con columnas X1 , · · · , Xn es
la inversa de A.
Si A es una matriz inversible,
Ax = b ⇒ A−1 Ax = A−1 b ⇒ x = A−1 b
Entonces el sistema Ax = b tiene única solución y esta solución es x = A−1 b.
     
3 1 1 0 1 2
Ejemplo 4.6. Dadas las matrices A = ,B= yC= , hallar
2 1 1 −1 0 −1
todas las soluciones de A2 XC = C −1 B.
Observemos que A y C son matrices inversibles y
   
−1 1 −1 −1 1 2
A = y C =
−2 3 0 −1
La solución de la ecuación se puede obtener de la siguiente manera:
A2 XC = C −1 B ⇒ (A2 )−1 A2 XC = (A2 )−1 C −1 B ⇒ XC = (A−1 )2 C −1 B
⇒ XCC −1 = (A−1 )2 C −1 BC −1 ⇒ X = (A−1 )2 C −1 BC −1
Esta solución es
 2      
1 −1 1 2 1 0 1 2 13 36
X= =
−2 3 0 −1 1 −1 0 −1 −35 −97

4.4. Estructura de las soluciones de un sistema de ecuaciones

lineales
Consideremos el sistema Ax = b con A ∈ Rm×n , x ∈ Rn×1 y b ∈ Rm×1 , b 6= 0. En
general, realizaremos un abuso de notación y escribiremos Rn = Rn×1 .
En el siguiente teorema enunciaremos propiedades de las soluciones de un sistema
de ecuaciones y el sistema homogéneo asociado:
Teorema 4.4. Consideremos los conjuntos
S0 = {x ∈ Rn / Ax = 0} y Sb = {x ∈ Rn / Ax = b}, b ∈ Rm
Tenemos que:
1. Si u ∈ S0 y v ∈ S0 , entonces u + v ∈ S0 .
2. Si u ∈ S0 y α ∈ R, entonces αu ∈ S0 .
3. Si u ∈ Sb y v ∈ Sb , entonces u − v ∈ S0 .
4. Todas las soluciones del sistema no homogéneneo Ax = b son de la forma
x = xp + x0 , xp ∈ Sb , x0 ∈ S0
A la solución xp la llamamos solución particular. El vector x0 es una solución del
sistema homogéneo asociado Ax = 0.

28
 Demostración:

1. Suponemos que u ∈ S0 y v ∈ S0 , ésto es, Au = 0 y Av = 0.

Queremos demostrar que u + v ∈ S0 , para ello necesitamos probar que A(u + v) = 0
pero ésto se verifica ya que:

A(u + v) = Au + Av = 0 + 0 = 0

2. Suponemos que u ∈ S0 , ésto es, Au = 0.

Queremos demostrar que αu ∈ S0 , para ello necesitamos probar que A(αu) = 0 pero
ésto se verifica ya que:
A(αu) = α(Au) = α0 = 0

3. Suponemos que u ∈ Sb y v ∈ Sb , ésto es, Au = b y Av = b.

Queremos demostrar que u − v ∈ S0 , para ello necesitamos probar que A(u − v) = 0
pero ésto se verifica ya que:

A(u − v) = Au − Av = b − b = 0

4. Veamos que los vectores de la forma x = xp + x0 , xp ∈ Sb , y x0 ∈ S0 , son soluciones

de la ecuación Ax = b. Tenemos que

Ax = A(xp + x0 ) = Axp + Ax0 = b + 0 = b

Además, si x̂ es una solución de Ax = b, tomando x0 = x̂ − xp ∈ S0 , tenemos que

x̂ = xp + x0 .

29