Unidad N°1

ÁLGEBRA LINEAL - 2020
UNIDAD 1: MATRICES Y SISTEMAS DE ECUACIONES LINEALES
MATRICES
INTRODUCCIÓN
Las matrices son herramientas útiles para sistematizar cálculos, porque proporcionan una
forma compacta para almacenar información.
La utilización de matrices (arrays) constituye actualmente una parte esencial de los lenguajes
de programación, ya que la mayoría de los datos se introducen en los ordenadores como
tablas organizadas en filas y columnas: hojas de cálculo, bases de datos.
En matemática, una matriz es un arreglo bidimensional de números.
En Matemática Básica se estudiaron las matrices booleanas, ahora veremos matrices en

general.
Definición:
• Llamaremos matriz a todo cuadro ordenado de números (reales o complejos),

dispuestos en filas y columnas.
• Si la matriz tiene m filas y n columnas diremos es de orden m x n
Ejemplo:
2 3 5
A =   matriz de orden 2×3
6 7 0
Los números que componen la matriz se llaman "elementos" de la matriz.
En este curso consideraremos sólo matrices de elementos reales.
Notación:
✓ Las matrices se denotan con letras mayúsculas imprenta: A, B, C, P,... En caso de ser
necesario se utilizan subíndices: A1, A2 ,...B1 , B2 ,...
✓ Los elementos se denotan con letras minúsculas imprentas: a, b, c, d, r, ...
✓ Si A es una matriz de orden m×n, para indicar el orden escribiremos o(A) = m×n y la
matriz A la indicaremos A m×n.
Prof. Mg. Estela Torres 1

En general, una matriz A m×n puede escribirse indicando todos sus elementos del siguiente
modo:
 a11 a12 . . . . . . a1 j . . . . . . a1n 

 
 a 21 a 22 ...... a 2 j ...... a 2n 
 
 
 
A m×n =  
 ai1 ai 2 . . . . . . a i j . . . . . . a in 
 
 
 
 a m1 a m2 a mj a mn 

El primer subíndice indica la fila a la que pertenece un elemento, y el segundo subíndice in-
dica la columna. Así, un elemento genérico perteneciente a la fila i y a la columna j se indica:
a i j con i = 1,...,m , j = 1,...,n.
Si queremos mencionar los elementos de una matriz, sin indicar todos ellos, utilizamos la notación de
Cayley-Hamilton:
A = ( a i j ) m×n o A m×n = ( a i j )
Observaciones:
1.-Si el número de filas de una matriz es distinto al número de columnas, diremos que es una matriz
rectangular, en caso contrario, diremos que es una matriz cuadrada y diremos simplemente que es
una matriz de orden n, y la indicaremos A n.
 −1 0 1 
Ejemplos: A=   matriz rectangular de orden 2×3
 2 3 −1 
 1 0 
B =   matriz cuadrada de orden 2
2 1 
2.-Indicaremos con M m, n (R) al conjunto de todas las matrices rectangulares de orden m×n, de ele-
mentos reales, siendo m, n  , con m y n fijos. Indicaremos con M n (R) al conjunto de todas las
matrices cuadradas de orden n, de elementos reales, siendo n  , con n fijo.
3.-Dada cualquier matriz cuadrada A = ( a i j ) n los elementos a i i (es decir, los a i j tales que i = j )
forman la "diagonal principal" de la matriz.

4.- Se define la traza de una matriz cuadrada A = (a i j) n y se denota por trA a la suma de los ele-
mentos de su diagonal principal.
IGUALDAD DE MATRICES
Definición: Diremos que dos matrices A y B son iguales y escribiremos A=B si y sólo si verifican:
1) A y B son del mismo orden
2) Los elementos correspondientes en ambas matrices son iguales
En símbolos: A = (a i j) m×n y B = ( b i j ) p×q son iguales sii se verifican:
1) m = p y n = q
2) a i j = b i j para todo i = 1,....,m (ó i = 1,...,p)
para todo j = 1,....,n (ó j = 1,...,q)
MATRICES ESPECIALES
1) Matriz fila: es aquella matriz formada por una sola fila (cualquiera sea el número de columnas)
Ejemplo: A1×3 = (1 2 −3) matriz fila con 3 columnas
2) Matriz columna: es aquella matriz formada por una sola columna (cualquiera sea el número de fi-
las)
 0 
 
A4×1 =  
1
Ejemplo: matriz columna con 4 filas
 −4 
 
 2 
3) Matriz triangular superior: es aquella matriz cuadrada cuyos elementos ubicados por debajo de
la diagonal principal son todos nulos, es decir:
An = ( a ij) es triangular superior sii a i j = 0 para i > j
 1 −1 3 
Ejemplo: A3 =  0 2 0 
 
 0 0 −4 
4) Matriz triangular inferior: es aquella matriz cuadrada cuyos elementos ubicados por encima de
la diagonal principal son todos nulos, es decir:
An = ( a ij) es triangular inferior sii a i j = 0 para i < j

 1 0 0 
 
Ejemplo: A3 =  3 2 0 
 −3 0 −4 
 
5) Matriz diagonal: es aquella matriz cuadrada que es triangular superior e inferior simultáneamente
(los elementos ubicados por encima y por debajo de la diagonal principal son todos nulos).
 1 0 0 
 
Ejemplo: D3 =  0 2 0 
0 0 0 
 
6) Matriz identidad: es aquella matriz diagonal cuyos elementos de la diagonal principal son todos
unos. La matriz identidad de orden n se indicará I n
 1 0 0 
 
Ejemplo: I 3 =  0 1 0  es la matriz identidad de orden 3
0 0 1 
 
7) Matriz nula: es aquella matriz (cuadrada o rectangular) cuyos elementos son todos nulos, y la in-
dicaremos  es decir:
0 0 
 
Ejemplo:  =  0 0  es la matriz nula de orden 3×2
0 0 
 
8) Matriz escalonada: es aquella matriz (cuadrada o rectangular) que verifica las siguientes propie-
dades:
a. Si hay filas que constan exclusivamente de ceros, se encuentran agrupadas en la parte inferior de
la matriz.
b. El primer elemento no nulo de una fila, se encuentra a la izquierda del primer elemento no nulo
de la fila siguiente.
Ejemplos:
 1 2 −1 3 
 
A3×4 =  0 1 − 2 1  matriz escalonada de orden 3×4
0 0 0 0 

 1 2 −1 1 
 
B3×4 =  0 1 2 − 1  matriz escalonada de orden 3×4
0 0 1 
 3

 1 0 
 
C3 x 2 =  0 2  no es matriz escalonada
 0 −4 
 
9) Matriz Simétrica: Diremos que una matriz cuadrada es simétrica si y sólo si sus elementos simé-
tricos respecto de la diagonal principal son iguales, es decir:
An = ( a i j ) es simétrica sii a i j = a j i para i = 1,...,n , j = 1,...n
 1 0 3 
 
Ejemplo: A3 =  0 − 1 − 2  simétrica de orden 3
 3 −2 4 

Propiedad: Sea A  M n(R) entonces An es simétrica sii An = ATn
10) Matriz antisimétrica: Diremos que una matriz cuadrada es antisimétrica si y solo si sus ele-
mentos simétricos respecto de la diagonal principal son opuestos, es decir:
An = ( a i j ) es antisimétrica sii a i j = −a j i para i = 1,...,n , j = 1,...n
 0 0 3 
 
Ejemplo: A3 =  0 0 − 2  antisimétrica de orden 3
 −3 2 0 

11) Matriz Opuesta: Dada una matriz A, llamaremos "matriz opuesta de A" y la denotaremos −A,
a la matriz de igual orden que A, cuyos elementos son los opuestos de los elementos correspondientes
de la matriz A, es decir:
Si Am×n = ( a i j ) entonces su opuesta es −Am× n = (−a i j )
 1 2 −1 3   -1 − 2 1 − 3 
   
Ejemplo: Si A3×4 =  0 1 − 2 1  entonces - A3×4 =  0 − 1 2 − 1 
0 0 0 0   0 0 
  0 0
12) Matriz inversible: Una matriz cuadrada An se dice inversible, regular o no singular, si y sólo
si existe una matriz cuadrada Bn tal que:
An . Bn = Bn . An = I n
La matriz B es única para cada matriz A, se llama "matriz inversa de A" y se denota A−1.
Luego: An . An−1 = An−1 . An = I n
Una matriz cuadrada se dice no inversible o singular, si y sólo si no existe su matriz inversa.

13) Matriz Ortogonal: Una matriz cuadrada inversible se dice ortogonal si su traspuesta coincide
con su inversa, es decir, si AT = A−1 o bien A es ortogonal, A.AT = AT .A = In
 - 4/5 0 3 / 5 
 
Ejercicio: Se puede probar que la matriz A3 =  0 1 0  es ortogonal
 3/ 5 0 4 / 5 
 
OPERACIONES CON MATRICES
SUMA DE MATRICES
Definición: Dadas dos matrices A y B del mismo orden, llamaremos "suma de A más B" y la indi-
caremos A+B, a la matriz del mismo orden que A y B, cuyos elementos se obtienen sumando los
elementos correspondientes de A y B, es decir:
Si A = ( a i j )m×n y B = ( b i j )m×n entonces A + B = ( a i j + b i j )m×n
Ejemplo:
 1 2 −1 3   1 1 −1 0   2 3 −2 3 
Si A =  0 1 − 2 1  y B=  2 0 −2 1  entonces A+ B =  2 1 − 4 2 
     
3 4 0 1  34 3 3 2 1  34 6 7 2 2  34
Propiedades de la suma de matrices
Sean A, B y C matrices cualesquiera tales que las operaciones indicadas puedan realizarse:
1)  + A = A +  = A
2) A + B = B + A Propiedad Conmutativa
3) A + (B + C) = (A + B) + C Propiedad Asociativa
4) A + (–A) = (–A) + A =  para cada A
PRODUCTO DE UN ESCALAR POR UNA MATRIZ
Definición: Dados un escalar k  R y una matriz Am×n , llamaremos "producto del escalar k por la
matriz A" a la matriz k.A del mismo orden que A, cuyos elementos se obtienen multiplicando el
escalar k por cada elementos de la matriz A, es decir:
Si A = ( a i j )m×n y k  R entonces k.A = ( k.a i j )m×n
 1 2   −2 −4 
   
Ejemplo: Sea k = −2 y sea A =  0 1  entonces k.A = (–2). A = =  0 − 2 
3 4   −6 −8 
  3 2   3 2

Propiedades del producto de un escalar por una matriz
Sean k1 y k2 números reales y A, B matrices cualesquiera tales que las operaciones indicadas puedan
realizarse:
1) k1 . (A+ B) = k1 . A + k1 . B Propiedad distributiva respecto de la suma de matrices
2) (k1 + k2) A = k1 . A + k2 . A Propiedad distributiva respecto de la suma de escalares
3) (k1 . k2) A = k1 ( k2 . A ) Asociatividad mixta
4) 1. A = A cualquiera sea A
PRODUCTO DE MATRICES
Definición: Dadas dos matrices A = (a i j )m×n y B = ( b i j )n×p (el número de columnas de A igual al
número de filas de B), llamaremos "producto de A por B" a la matriz C = A . B = (c i j ) m×p (su nú-
mero de filas es igual al número de filas de A y su número de columnas es igual al número de colum-
nas de B), tal que un elemento arbitrario c i j es la suma de los productos de los elementos de la fila i
de A por los elementos correspondientes de la columna j de B.
n
Es decir: c i j = ai 1 . b1 j + ai 2 . b2 j + ... + ai n . bn j =  ai k  b k j para i = 1,...,m
k=1
 1 −1 1   −1 −1 
Ejemplo: Sean A =   y B =   , realizar A.B o B.A de ser posible
0 1 2  23  2 0 2
En este caso A2×3 . B2 no se puede realizar, porque el número de columnas de A es distinto que el
número de filas de B.
B2 . A2×3 = C2×3 sí se puede realizar
Regla práctica
 1 −1 1
 =A
 0 1 2 
 −1 −1   −1 0 −3 
B =     = C = BA
 2 0  2 −2 2 

MATRIZ TRASPUESTA
Definición: Dada una matriz Am×n = ( a i j ), una matriz Bn×m = ( b i j ) es la "matriz tras-
puesta de A" y la denotaremos B = AT si y sólo si B se obtiene permutando las filas por
las columnas de la matriz A. Es decir:
B = AT sii b i j = a j i para todo i , para todo j
En otras palabras, las filas de AT son las columnas de A y viceversa.
 1 0 
   1 3 −3 
Ejemplo: Si A3×2 =  3 2  entonces AT 2×3 =  
 −3 −4   0 2 −4 
 
MATRICES EQUIVALENTES
Operaciones elementales entre filas de una matriz
Dada una matriz A (cuadrada o rectangular), llamaremos "operación elemental entre filas de A" a
cualquiera de las siguientes operaciones:
1) Intercambio de dos filas cualesquiera de A.
2) Multiplicación de una fila de A, por un escalar no nulo.
3) Reemplazo de una fila cualquiera de A por la suma de ella más un múltiplo de otra fila.
Definición: Diremos que dos matrices son equivalentes si y sólo si una de ellas puede obtenerse rea-
lizando un número finito de operaciones elementales entre filas de la otra y escribiremos A
~B
 1 −1 0   2 3 1 
Ejemplo: La matriz A =   es equivalente a B =   , ya que
 2 3 1   0 − 5 −1 
 1 −1 0   2 3 1   2 3 1   2 3 1 
       
 2 3 1  ~
 1 −1 0  ~  2 −2 0  ~  0 − 5 −1 
F1  F2 F2' = 2F2 F2'' = F2+(−1)F1'
DETERMINANTE DE UNA MATRIZ CUADRADA
El determinante de una matriz cuadrada A es un número real que se simboliza A y que para ma-
trices de orden 2 y 3 se calcula mediante la Regla de Sarrus, como se indica a continuación:

a) Regla de Sarrus para matrices de orden 2
 a11 a12  a11 a12

Sea A2 =   entonces A2 = = a11 . a22 − a12 . a21
 a 21 a 22  a 21 a 22
1 1 1 1
Ejemplo: Si A2 =   entonces A2 = = 1.(− 2) − 1.3= −5
3 − 2 3 −2
b) Regla de Sarrus para matrices de orden 3
 a11 a12 a13 

 
Sea A3 =  a 21 a 22 a 23 
 a 
 31 a 32 a 33 
Para calcular el determinante en este caso, se agregan debajo las dos primeras filas. Se suman los
productos de los elementos de la diagonal principal con los productos de los elementos de las parale-
las a ésta. Al resultado se le restan los productos de los elementos de la otra diagonal y los productos
de los elementos de las paralelas a ésta.
Es decir:
a 11 a 12 a 13
a 21 a 22 a 23
A3 = a 31 a 32 a 33 =
a11.a22.a33 + a21.a32.a13 + a31.a12. a23
a 11 a 12 a 13 − a13.a22.a31 − a23.a32.a11 − a33.a12.a21
a 21 a 22 a 23
Ejemplo:
 0 1 −1 
 
Sea A3 =  2 1 3  entonces
 −1 1 3 

0 1 −1
2 1 3
0.1.3 + 2.1.(−1) + (−1).1.3 − (−1).1.(− 1) − 3.1.0 − 3.1.2 = −12
A 3 = −1 1 3 =
0 1 −1
2 1 3

Para matrices de orden superior a 3, el determinante se calcula utilizando el Método de Triangulariza-

ción, que se basa en las propiedades que enunciamos a continuación.
Propiedades de los determinantes
1) El intercambio de filas por columnas no altera el valor del determinante, es decir: A = AT
 0 1 −1 
 
Ejemplo: Sea A =  2 1 3  , cuyo determinante es A = −12
 −1 1 3 

Si intercambiamos las filas por las columnas obtenemos:
 0 2 −1 
 
T
A =  1 1 1  cuyo determinante es A T = −12 = A (Verificarlo)
 −1 3 
 3
2) El intercambio de dos líneas paralelas (filas o columnas) altera el signo del determinante, pero no
su valor absoluto.
3) Si se multiplican todos los elementos de una línea (fila o columna) por un mismo número no nulo,
el valor del determinante queda multiplicado por dicho número.
4) Si una matriz tiene dos líneas paralelas (filas o columnas) proporcionales, su determinante es nulo.
Decimos que dos líneas paralelas (filas o columnas) son proporcionales si una de ellas es múltiplo
de la otra, es decir, si todos los elementos de una de ellas pueden obtenerse multiplicando los ele-
mentos de la otra por un mismo número
5) El valor de un determinante no varía si se reemplaza una línea cualquiera (fila o columna) por la
suma de ella más un múltiplo de otra línea paralela.
6) El valor del determinante de una matriz triangular (superior o inferior) es el producto de los ele-
mentos de la diagonal principal.
7) Si una matriz tiene una línea (fila o columna) formada exclusivamente por ceros, su determinante
es nulo.
CÁLCULO DE DETERMINANTE POR EL MÉTODO DE TRIANGULARIZACIÓN
Este método consiste en transformar la matriz dada en una matriz triangular superior, mediante las
operaciones con filas o columnas que fuesen necesarias.
En nuestro curso trabajaremos preferentemente con las filas.

Ejemplo:
2 0 1 0 2 1 3 −1 1 4 −2 2
1 2 4 −1 0 2 1 3 0 2 1 3
A4 = = = - =
3 1 −2 −2 1 4 −2 2 2 1 3 −1
Fi  C i F1  F3
−1 3 2 1 0 −1 −2 1 0 −1 −2 1
1 4 −2 2 1 4 −2 2
0 2 1 3 0 −1 −2 1
=- =
0 −7 7 −5 0 −7 7 −5
F3 ' = F3 + ( −2) F1 F2  F4
0 −1 −2 1 0 2 1 3
1 4 −2 2 1 4 −2 2
0 −1 −2 1 0 -1 -2 1 23
= = = 1 . (-1) . 21 . = - 69
F3 ' = F3 + ( −7) F2 0 0 21 −12 1 0 0 21 − 12 7
F4 ' = F4 + ( )F3
F4 ' = F4 + 2 F2 0 0 −3 5 7 0 0 0 23 7
RANGO DE UNA MATRIZ
Definición: Llamaremos rango de una matriz Am×n y lo indicaremos rg(A), al orden del mayor de-
terminante no nulo que se puede extraer de la matriz.
De acuerdo con la definición, determinar el rango de una matriz a veces puede resultar largo y tedio-
so.
Para calcular el rango de matriz aplicaremos la siguiente propiedad del rango
El rango de una matriz escalonada es el número de filas no nulas de dicha matriz.
Notas:
1) Las matrices equivalentes tienen el mismo rango.
2) El rango es un número natural comprendido entre 0 (cuando sea la matriz nula) y el mínimo entre
nº columnas y nº filas.
MÉTODO PARA CALCULAR EL RANGO ESCALONANDO LA MATRIZ
Este método consiste en encontrar una matriz escalonada equivalente a la matriz dada. El rango de la
escalonada hallada es el número de filas no nulas y éste será el rango de la matriz dada, por ser equi-
valente a la escalonada.
 1 −1 4 0 
 
 −2 3 2 1 
Ejemplo: Calcular el rango de la matriz: A4 =  
2 3 1 0
 
 −4 
 6 4 2 

 1 −1 4 0   1 −1 4 0   1 −1 4 0 
     
 −2 3 2 1   0 1 10 1   0 1 10 1 
 2

3 1 0 

~  0

5 −7 0 

~  0

0 − 57 −5 

 −4   0   0 
 6 4 2   2 20 2   0 0 0 
F2' = F2 + 2 F1 F3' = F3 + (−5) F2
F3' = F3 + (-2) F1 F4' = F4 + (−2) F2
F4' = F4 + 4 F1
por lo tanto rg(A) = 3
SISTEMAS DE ECUACIONES LINEALES
Resolver un sistema de ecuaciones lineales es uno de los problemas más antiguos de la matemática
y tiene aplicaciones en el procesamiento digital de señales, en programación lineal, en la aproxima-
ción de problemas no lineales de análisis numérico. Existen varios métodos para resolver sistemas
de ecuaciones lineales, nosotros desarrollaremos el método de eliminación de Gauss.
Definición: Un sistema de m ecuaciones lineales con n incógnitas, es un conjunto finito de ecua-

ciones lineales con las mismas incógnitas. Un sistema tal se indica:
 a 11 x1 + a 12 x 2 +    + a 1n x n = b1


 a 21 x1 + a 22 x 2 +    + a 2n x n = b 2

(I) 
 ................................



 a m1 x1 + a m2 x 2 +    + a mn x n = b m
donde: a i j  R para i = 1 , ... , m ; j = 1 , ... , n son los coeficientes del sistema.
x j para j = 1 , ... , n son las incógnitas.
bi para i = 1 , ... , m son los términos independientes.
Ejemplo: El siguiente es un sistema de 3 ecuaciones lineales con dos incógnitas, es decir, en este
caso, m = 3 , n = 2:
 2 x1 − x 2 = 0

 3 x1 + x 2 = − 1
 − x1 = 2

Definición: Se llama solución del sistema ( I ) a toda n-upla ( s1 , s2 , ... , sn ) de números reales
que satisface las ecuaciones del sistema. El conjunto formado por todas las soluciones se llama
"conjunto solución" del sistema.

Es claro que si el sistema no tiene solución entonces S = 
Resolver un sistema lineal es encontrar su conjunto solución.
SISTEMAS EQUIVALENTES
Definición: Dos sistemas de ecuaciones lineales con las mismas incógnitas (cualquiera sea el nú-
mero de ecuaciones) se dicen equivalentes, si y sólo si tienen el mismo conjunto solución.
Dado el sistema ( I ), consideremos las siguientes matrices:
 x1   b1 
 a11 a12 . . . . . . a1n     
  
 a 21 a 22 . . . . . . a 2n  x2   b2 
Am×n =    Bmx1 =  
     ; Xnx1 =  .. 
;
 ... 
  
.
  
 
 a m1 a m2 . . . . . . a mn   x n   bm 
  
Notacion:
Es claro entonces que el sistema ( I ) puede escribirse:
A. X= B Notación Matricial de ( I )
Donde
• La matriz A es llamada "matriz asociada al sistema" o "matriz de los coeficientes del sis-
tema".
• La matriz X es llamada "matriz de las incógnitas"
• La matriz B "matriz de los términos independientes".
 a11 a12 . . . . . . a1n b1 

 
 a 21 a 22 . . . . . . a 2n b2 
• La matriz   es llamada "matriz orlada o ampliada" de
    
 
 
 a m1 a m2 . . . . . . a mn bm 
dicho sistema y la denotamos Amo x ( n+1)
Lema: Si dos sistemas lineales con la misma cantidad de incógnitas tienen matrices orladas equi-
valentes, entonces dichos sistemas son equivalentes.
(S/D)
En esta propiedad se basa el "Método de eliminación de Gauss" para resolver sistemas lineales, que
veremos más adelante.

CLASIFICACIÓN DE LOS SISTEMAS DE ECUACIONES LINEALES
Definición:
✓ Un sistema lineal se dice "compatible" si y sólo si admite alguna solución.
• Un sistema compatible se dice "compatible determinado" sii tiene solución única.
• Un sistema compatible se dice "compatible indeterminado" sii tiene infinitas soluciones.
✓ Un sistema lineal se dice "incompatible" sii no admite solución.
Es decir:
Determinados: solución única

Compatibles
(Si tienen solución)
Indeterminados: infinitas soluciones
SISTEMAS
LINEALES
Incompatibles
(No tienen solución)
Veamos ahora un resultado que nos permite clasificar los sistemas
Teorema de Rouché-Frobenius: La condición necesaria y suficiente para que un sistema lineal de

m ecuaciones con n incógnitas A . X = B admita solución, es que la matriz A de los coeficientes y
la matriz orlada Aº tengan igual rango, es decir:
a) A . X = B es compatible sii rg(A) = rg(Aº)
b) A . X = B es incompatible sii rg(A)  rg(Aº)
Además:
a1 ) Si el sistema A . X = B es compatible y rg(A) = n = nº de incógnitas, entonces dicho sistema es

compatible determinado.
a2 ) Si el sistema A . X = B es compatible y rg(A) = h < n , entonces dicho sistema es compatible

indeterminado.
En este caso el conjunto solución S será llamado "solución general" y se indica expresando h in-
cógnitas llamadas "variables dependientes o incógnitas auxiliares" en función de las n − h incógni-
tas restantes, llamadas "variables independientes o incógnitas principales". Dando valores arbitra-
rios a las incógnitas principales, determinamos los valores correspondientes de las incógnitas auxi-
liares, obteniendo así las llamadas "soluciones particulares" del sistema.
SISTEMAS LINEALES HOMOGÉNEOS
Definición: Un sistema lineal se denomina "homogéneo" si y sólo si todos los términos indepen-
dientes del sistema son nulos.
Luego, un sistema lineal homogéneo de m ecuaciones con n incógnitas es de la forma:
 a11 x1 + a12 x 2 +    + a1n x n = 0



 a 21 x1 + a 22 x 2 +    + a 2n x n = 0

(II) 




 a m1 x1 + a m2 x 2 +    + a mn x n = 0
En notación matricial, el sistema lineal homogéneo (II) puede escribirse: A . X = 
COMPATIBILIDAD DE UN SISTEMA LINEAL HOMOGÉNEO
Aplicando el Teorema de Rouché-Frobenius, podemos ver que todo sistema lineal homogéneo es
compatible, pues siempre rg(A) = rg(Aº) y siempre admite al menos la solución (0 , 0 , ... , 0), lla-
mada "solución trivial".
Además:
a1) Si rg(A) = n = nº de incógnitas, entonces es compatible determinado, es decir, tiene solución

única y es la trivial (0 , 0 , ... , 0).
a2) Si rg(A) < n entonces es compatible indeterminado, es decir, tiene infinitas soluciones (entre
las cuales está incluida la trivial).
MÉTODO DE ELIMINACIÓN DE GAUSS
El método básico para resolver sistemas de ecuaciones lineales consiste en reemplazar el sistema
dado por un nuevo sistema equivalente, que sea más fácil de resolver. Sabemos que dos sistemas
son equivalentes si y sólo si sus matrices orladas son equivalentes. Por otra parte, un sistema lineal
cuya matriz orlada sea escalonada, es mucho más fácil de resolver, como veremos enseguida.

El Método de Eliminación de Gauss consiste entonces en transformar la matriz orlada del sistema
dado, en una matriz equivalente escalonada, que será la matriz orlada de un sistema equivalente al
dado.
Es decir, dado un sistema A . X = B debemos llegar a un sistema C . X = H equivalente, tal que C

sea escalonada.
Este método se utiliza en general para cualquier sistema (completo u homogéneo) y cualquiera sea
el número de ecuaciones o de incógnitas.
Si inicialmente tenemos un sistema de m ecuaciones lineales con n incógnitas:
 a11 x 1 + a 12 x 2 +    + a1n x n = b1


 a 21 x 1 + a 22 x 2 +    + a 2n x n = b 2


 ................................


 a m1 x 1 + a m2 x 2 +    + a mn x n = b m

debemos obtener un sistema como el siguiente:
 c11 x1 + c12 x 2 + ...... + c1n x n = h1




 c 22 x 2 + c 23 x3 +    + c 2n x n = h 2



 c 33 x 3 +    + a 3n x n = h 3
.....................
Los valores de las incógnitas, en el nuevo sistema obtenido, se calculan resolviendo la ecuación
más simple (generalmente la última) y realizando luego sustituciones regresivas. Como los siste-
mas son equivalentes, el conjunto solución del sistema escalonado es el conjunto solución del sis-
tema dado.
Observaciones:
1) Al resolver un sistema A . X = B por el Método de Gauss, simultáneamente se analiza la com-

patibilidad o no, calculando el rango de la matriz de los coeficientes y de la matriz ampliada.
2) Si el sistema es homogéneo, podemos trabajar solamente con la matriz de los coeficientes.
Ejemplos:
 2 x − y + z − 3 t =1
1) 
 −x+y−z+2t=0
 3 x − y + z − 4 t = −1


Adoptaremos la siguiente disposición práctica.
2 −1 1 −3 1
−1 1 −1 2 0
3 −1 1 −4 −1
−1 1 −1 2 0
F2  F1 2 −1 1 −3 1
3 −1 1 −4 −1
−1 1 −1 2 0
F2' = F2 + 2 F1 0 1 −1 1 1
F3' = F3 + 3 F1 0 2 −2 2 −1
−1 1 −1 2 0
0 1 −1 1 1
F3' = F2 + (−2) F2 0 0 0 0 −3
Luego rg(A) = 2  3 = rg(Aº) y por lo tanto el sistema dado es incompatible y S = 
2)  2 x − y + z =1

 −x+y−z=0
 y + z = −1

2 −1 1 1
−1 1 −1 0
0 1 1 −1
−1 1 −1 0
F2  F1 2 −1 1 1
0 1 1 −1
−1 1 −1 0
F2' = F2 + 2 F1 0 1 −1 1
0 1 1 −1

−1 1 −1 0
0 1 −1 1
F3' = F2 + (−1) F2 0 0 2 −2
Luego rg(A) = 3 = rg(Aº) y por lo tanto el sistema dado es compatible.
Como rg(A) = 3 = nº de incógnitas, entonces el sistema es compatible determinado (tiene solución

única)
El sistema escalonado equivalente C . X = H es:
 −x+y−z=0 (1)

 y − z =1 (2) sustitución regresiva
 2 z = − 2 (3)

De (3) se obtiene z = −1 (4)
Reemplazando (4) en (2) se obtiene: y − (−1) = 1 de donde resulta y = 0 (5)
Reemplazando (4) y (5) en (1) se obtiene: − x + 0 − (−1) = 0 de donde resulta x = 1
Luego, la única solución del sistema es (1, 0 , −1) y el conjunto solución del sistema es
S =  (1, 0 , − 1) 
 2 x − y + z − 3 t =1

3)  −x+y−z+2t=0
 3x−y+z−4t =2

2 −1 1 −3 1
−1 1 −1 2 0
3 −1 1 −4 2
−1 1 −1 2 0
F2  F1 2 −1 1 −3 1
3 −1 1 −4 2

−1 1 −1 2 0
F2' = F2 + 2 F1 0 1 −1 1 1
F3' = F2 + 3 F2 0 2 −2 2 2
−1 1 −1 2 0
0 1 −1 1 1
F3' = F2 + (−2) F2 0 0 0 0 0
Luego rg(A) = 2 = rg(Aº) y por lo tanto el sistema dado es compatible.
Como rg(A) = 2 < 3 = nº de incógnitas, entonces el sistema es compatible indeterminado (tiene in-
finitas soluciones)
 −x+y−z+2t=0 (1)
El sistema escalonado equivalente C . X = H es: 
 y − z + t =1 (2)
Tenemos n − h = 4 − 2 = 2 incógnitas principales (variables independientes).
De (2) "despejamos" una de las incógnitas en función de las otras dos, por ejemplo:
y=1+z−t (3) donde z , t son las incógnitas principales
Reemplazando (3) en (1) se obtiene − x + t + 1 = 0
Despejamos de esta última ecuación la incógnita restante (x) en función de las incógnitas principa-
les z , t y obtenemos x = t + 1 (4)
De (3) y (4) el conjunto solución o "solución general" es:
S=  (x, y, z , t)  R 4
/ x = 1 + t , y = 1 + z − t con z , t  R 
Hallamos una "solución particular", dando valores a las incógnitas principales.
Si z = 1 , t= 0 entonces x = 1, y = 2 . Luego, una solución particular es: (1 , 2 , 1 , 0)
SISTEMAS SIMULTÁNEOS
Definición: Dos sistemas lineales de m ecuaciones con n incógnitas se llaman "simultáneos" si y

sólo si tienen la misma matriz de coeficientes y sólo difieren en los términos independientes.
Ejemplo: Los siguientes sistemas son simultáneos:
 3 x − 3 y + 2 z =1  3x − 3y+2z=4
 
 −2x − 2y − z=3  −2x − 2y − z=−2
 = −1 
 x +3y  x +3y =0

Estos sistemas se pueden resolver por el Método de Gauss, escalonando "simultáneamente" sus ma-
trices orladas.
CÁLCULO DE LA MATRIZ INVERSA DE UNA MATRIZ REGULAR MEDIANTE LA

RESOLUCIÓN DE SISTEMAS SIMULTÁNEOS
Recordemos que: “para cada matriz A, se llama "matriz inversa de A" y se denota A−1 a la matriz
que verifica:
An . An−1 = An−1 . An = I n
Se puede probar que:
Lema: Dada una matriz cuadrada An , las siguientes condiciones son equivalentes:
a) A es inversible b) A  0 c) rg(A) = n
(S/D)
Explicaremos el método mediante un ejemplo.
Ejemplo: Hallar si existe la inversa de la matriz:
 1 1 2
 
A3 =  0 − 1 − 1 
 1 −2 0 
 
Se calcula sin dificultad que el A = −1  0. Luego A es regular, es decir, existe A−1.
Por otra parte, A−1 es tal que A . A−1 = I 3
Luego, encontrar A−1 significa resolver 3 sistemas de ecuaciones, cuya matriz de los coeficientes es
la matriz dada y los términos independientes son las columnas de la matriz I3
La solución de cada sistema será una columna de la matriz inversa buscada.
Aplicamos el Método de Gauss para los tres sistemas en forma simultánea, como sigue
x1j x2j³ bi x3j ³ bij ´ b'³j bi b''

´´ j ³
1 1 2 1 0 0
0 -1 -1 0 1 0
1 -2 0 0 0 1

1 1 2 1 0 0
0 −1 -1 0 1 0
F3' = F2 + (-1) F1 0 -3 −2 -1 0 1
1 1 2 1 0 0
0 −1 -1 0 1 0
F3'' = F2' + (-3) F2 0 0 1 −1 -3 1
Obtenemos así los siguientes sistemas lineales equivalentes respectivamente a cada uno de los sis-
temas originales (I), (II), (III):
(I') (II ') (III ')
 x11 + x 21 + 2 x 31 = 1  x12 + x 22 + 2 x 32 = 0  x13 + x 23 + 2 x 33 = 0

  
 − x 21 - x 31 = 0  − x 22 - x 32 = 1  − x 23 - x 33 = 0
 x 31 = − 1  
  x 32 = - 3  x 33 = 1
Cuyas soluciones son respectivamente:
x11 = 2 ; x 21 = 1 ; x 31 = − 1
x12 = 4 ; x 22 = 2 ; x 32 = − 3
x13 = − 1 ; x 23 = - 1 ; x 33 = 1
Por lo tanto:
 2 4 −1 
−1
 
A = 1 2 −1 
 −1 −3 1 

Ejercicio: Resta probar que efectivamente la matriz encontrada es la inversa de A , es decir verifi-
car que A . A−1 = A−1 . A = I3

Unidad N°1

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

Unidad N°1

Cargado por

Copyright:

Formatos disponibles

ÁLGEBRA LINEAL - 2020

UNIDAD 1: MATRICES Y SISTEMAS DE ECUACIONES LINEALES

En matemática, una matriz es un arreglo bidimensional de números.

En Matemática Básica se estudiaron las matrices booleanas, ahora veremos matrices en

• Llamaremos matriz a todo cuadro ordenado de números (reales o complejos),

• Si la matriz tiene m filas y n columnas diremos es de orden m x n

Los números que componen la matriz se llaman "elementos" de la matriz.

En este curso consideraremos sólo matrices de elementos reales.

✓ Los elementos se denotan con letras minúsculas imprentas: a, b, c, d, r, ...

Prof. Mg. Estela Torres 1

 a11 a12 . . . . . . a1 j . . . . . . a1n 

a i j con i = 1,...,m , j = 1,...,n.

Prof. Mg. Estela Torres 2

1) A y B son del mismo orden

2) Los elementos correspondientes en ambas matrices son iguales

En símbolos: A = (a i j) m×n y B = ( b i j ) p×q son iguales sii se verifican:

Ejemplo: A1×3 = (1 2 −3) matriz fila con 3 columnas

An = ( a ij) es triangular superior sii a i j = 0 para i > j

An = ( a ij) es triangular inferior sii a i j = 0 para i < j

Prof. Mg. Estela Torres 3

Prof. Mg. Estela Torres 4

An = ( a i j ) es simétrica sii a i j = a j i para i = 1,...,n , j = 1,...n

Propiedad: Sea A  M n(R) entonces An es simétrica sii An = ATn

An = ( a i j ) es antisimétrica sii a i j = −a j i para i = 1,...,n , j = 1,...n

Si Am×n = ( a i j ) entonces su opuesta es −Am× n = (−a i j )

Luego: An . An−1 = An−1 . An = I n

Prof. Mg. Estela Torres 5

OPERACIONES CON MATRICES

Si A = ( a i j )m×n y B = ( b i j )m×n entonces A + B = ( a i j + b i j )m×n

Propiedades de la suma de matrices

4) A + (–A) = (–A) + A =  para cada A

PRODUCTO DE UN ESCALAR POR UNA MATRIZ

Si A = ( a i j )m×n y k  R entonces k.A = ( k.a i j )m×n

Prof. Mg. Estela Torres 6

Propiedades del producto de un escalar por una matriz

1) k1 . (A+ B) = k1 . A + k1 . B Propiedad distributiva respecto de la suma de matrices

2) (k1 + k2) A = k1 . A + k2 . A Propiedad distributiva respecto de la suma de escalares

3) (k1 . k2) A = k1 ( k2 . A ) Asociatividad mixta

B2 . A2×3 = C2×3 sí se puede realizar

Prof. Mg. Estela Torres 7

B = AT sii b i j = a j i para todo i , para todo j

En otras palabras, las filas de AT son las columnas de A y viceversa.

Operaciones elementales entre filas de una matriz

1) Intercambio de dos filas cualesquiera de A.

2) Multiplicación de una fila de A, por un escalar no nulo.

DETERMINANTE DE UNA MATRIZ CUADRADA

trices de orden 2 y 3 se calcula mediante la Regla de Sarrus, como se indica a continuación:

Prof. Mg. Estela Torres 8

a) Regla de Sarrus para matrices de orden 2

 a11 a12  a11 a12

b) Regla de Sarrus para matrices de orden 3

 a11 a12 a13 

Prof. Mg. Estela Torres 9

Para matrices de orden superior a 3, el determinante se calcula utilizando el Método de Triangulariza-

Propiedades de los determinantes

1) El intercambio de filas por columnas no altera el valor del determinante, es decir: A = AT

Si intercambiamos las filas por las columnas obtenemos:

CÁLCULO DE DETERMINANTE POR EL MÉTODO DE TRIANGULARIZACIÓN

En nuestro curso trabajaremos preferentemente con las filas.

Prof. Mg. Estela Torres 10

RANGO DE UNA MATRIZ

Para calcular el rango de matriz aplicaremos la siguiente propiedad del rango

El rango de una matriz escalonada es el número de filas no nulas de dicha matriz.

1) Las matrices equivalentes tienen el mismo rango.