Temas 1-3

1 Vectores y matrices.
Operaciones
básicas.
1.1 Introducción.
Escalares, vectores y matrices.
Definiciones:
Los escalares que usaremos en el curso serán siempre números reales. A veces los
representaremos por letras griegas: α ∈ R, β ∈ R, λ ∈ R, . . .
Un vector v que pertenece al espacio vectorial Rn , v ∈ Rn , es una lista ordenada

de n números reales.
Decimos que la dimensión de v ∈ Rn es n o que tiene n componentes.
Una matriz M que pertenece al espacio vectorial Mm×n son m × n escalares orde-
nados en una tabla de m filas y n columnas.
Decimos que el orden o la dimensión de una matriz M ∈ Mm×n es m × n.
Ejemplo 1.1
Algunos escalares:
√ 2
−0.7, 1, π , 5, ,
3
Ejemplos de vectores:

2
(0, 0, 0), −0.5, ,
7
Ejemplos de matrices:
√
 
1
0.5 2 √ 
2 ,
1 −1 0
1
2 Sara Cuenda
Ejercicio 1.1 ¿Cuáles son las dimensiones de los vectores y matrices anteriores?
Observaciones:
Decimos que los vectores son listas ordenadas porque no es lo mismo el vector (1, 3)
que el (3, 1) (si no, serían conjuntos en lugar de vectores).
Una matriz también se puede entender como una lista ordenada de m vectores fila
de dimensión n, o como una lista ordenada de n vectores columna de dimensión m.
1.2 Vectores. Operaciones básicas con

vectores.
Vectores en R2 .
Definición: R2 es el conjunto de todos los posibles pares ordenados con componentes
reales.
R2 = {(x, y ) : x ∈ R, y ∈ R}.
Representación de vectores en R2 :
Los podemos representar en el plano.
Dados dos puntos en el plano R2 , P = (px , py ) y Q = (qx , qy ), el vector v = PQ que va

del punto P al punto Q se define como
v = PQ = OQ − OP = (qx − px , qy − py )
Álgebra Lineal (2016-17) 3
Propiedades de los vectores:
Las componentes de un vector definen una dirección, un sentido y una longitud.
La longitud, norma o módulo del vector v = (x, y) es

p
|v| = x2 + y2
• |v| ≥ 0 para cualquier v
• |v| = 0 sólo si v = 0
4 Sara Cuenda
Operaciones con vectores en R2 .

Producto escalar: El producto escalar de dos vectores u y v de R2 se define como:
u · v = u1 v1 + u2 v2 o u · v = |u||v| cos α,
p p
donde u = (u1 , u2 ), v = (v1 , v2 ), |u| = u12 + u22 , |v| = v12 + v22 y α es el ángulo que forman
u y v.
Ejercicio 1.2 Calcula el producto escalar de u = (1, −1) y v = (2, 3). Dibuja los vectores.
Ejercicio
√ 1.3 Calcula el producto escalar de dos vectores u, v de R2 con normas |u| = 1,
|v| = 2 y que forman un ángulo de 45◦ . Dibuja los vectores. ¿Cuántos vectores hay que
cumplan dichas condiciones?
Observaciones:
El producto escalar de dos vectores siempre es un escalar.
El producto escalar de un vector consigo mismo es su norma al cuadrado:

u · u = u12 + u22 = |u|2
√
Ejercicio 1.4 Calcula el ángulo formado por los vectores (1, 0) y (1, 3) usando las dos
fórmulas del producto escalar.
Ejercicio 1.5 Escribe vectores perpendiculares al vector (2, 3).
Ejercicio 1.6 Escribe vectores paralelos y antiparalelos al vector (2, 3).
Suma: Dados dos vectores de R2 , u = (u1 , u2 ) y v = (v1 , v2 ), su suma es otro vector de

w ∈ R2 con
w = u + v = (u1 + v1 , u2 + v2 )
Observaciones:
La suma se puede representar por un paralelogramo, cuyos lados adyacentes son

los vectores a sumar, y cuya suma es la diagonal.
El elemento neutro de la suma es el vector 0 = (0, 0), ya que v + 0 = v para cualquier

v = (v1 , v2 ) ∈ R2 .
6 Sara Cuenda
Producto por un escalar: Dado el vector v = (v1 , v2 ) ∈ R2 , el producto por el escalar λ es

otro vector de w ∈ R2 , con
w = λv = (λv1 , λv2 )
Ejercicio 1.7 Sea v = (2, 1) y λ ∈ R, calcula:
|v| =
|2v| =
|0.5v| =
| − v| =
| − 2v| =
|λv| =
Observaciones:
El producto por un escalar no cambia la dirección del vector (la recta que lo contiene).
Si λ < 0 entonces λv apunta en el sentido contrario a v.

p
La longitud de λv es |λv| = λ2 v12 + λ2 v22 = |λ| · |v|. Por tanto,
• si |λ| > 1 el vector “se estira”.
• si |λ| < 1 el vector “se encoge”.
• si |λ| = 1 el vector se queda del mismo tamaño (pero cambia el sentido si λ = −1).
Resta: La resta de u y v se calcula como la suma de u y −v:
w = u − v = u + (−1)v = (u1 − v1 , u2 − v2 ).
Vectores en Rn .
Definición: Rn es el conjunto de todas las posibles listas ordenadas formadas por n com-
ponentes reales,
Rn = {(x1 , x2 , ... , xn ) : x1 ∈ R, x2 ∈ R, ... , xn ∈ R}.
Operaciones: Sean u y v tales que
u = (u1 , u2 , ... , un ) ∈ Rn , v = (v1 , v2 , ... , vn ) ∈ Rn
entonces se define
Suma: u + v = (u1 + v1 , u2 + v2 , ... , un + vn ) ∈ Rn
Resta: u − v = (u1 − v1 , u2 − v2 , ... , un − vn ) ∈ Rn
Producto por escalar: λu = (λu1 , λu2 , ... , λun ) ∈ Rn

8 Sara Cuenda
Producto escalar: u · v = u1 v1 + u2 v2 + · · · + un vn ∈ R
√ p
Norma o módulo: |u| = u·u= u12 + u22 + · · · + un2 ∈ R+
Dependencia e independencia lineal de vectores.

Definición: Dados u1 , u2 , ... , um pertenecientes a Rn , se dice que v ∈ Rn es combinación
lineal de estos vectores si existen escalares α1 , α2 , ... , αm tales que
m
X
v = α1 u1 + α2 u2 + · · · + αm um = αi ui .
i=1
Ejercicio 1.8 Dados los vectores u = (1, 2), v = (−1, 1) y w = (0, 1, 1), calcula las siguien-
tes combinaciones lineales de vectores:
a) −2u + 3v =
b) 5u + v =
c) u − w =
Definición: Un conjunto de vectores se dice que es:
Linealmente dependiente cuando al menos uno de los vectores del conjunto se

puede escribir como combinación lineal de los demás.
Linealmente independiente cuando ninguno de los vectores se puede escribir como

combinación lineal de los demás.
Observaciones:
Si el vector de ceros 0 está en el conjunto entonces el conjunto es linealmente de-

pendiente.
Si el conjunto está formado por un único vector entonces el conjunto es linealmente

independiente, a menos que ese vector sea el vector de ceros 0.
Ejercicio 1.9 Razona si los siguientes conjuntos de vectores son linealmente dependien-
tes o no:
a) {(1, 1, 1), (2, 2, 2)}
b) {(1, 1), (0, 1)}
c) {(1, 1), (0, 1), (0, 0)}
Observaciones:
Los ejemplos anteriores son muy sencillitos.
El estudio de la dependencia lineal de un conjunto de vectores es sobre lo que gira

gran parte de esta asignatura.
Iremos viendo herramientas que nos permitan estudiar la dependencia lineal o inde-
pendencia lineal para casos más complejos.
Ejercicios con vectores.

Ejercicio 1.10 Los vectores u y v de R2 forman un ángulo de 60o y el módulo de u es 3.
Determinar el módulo de v para que v − u sea ortogonal a u.
10 Sara Cuenda
Ejercicio 1.11 Dado el paralelogramo OABC, dos de cuyos vértices están en los puntos
~ = (1, 2, 1), OC
OA ~ = (−1, 1, −1), calcule la posición del vértice OB.
~ ¿De qué tipo de
paralelogramo se trata?
1.3 Matrices. Operaciones básicas con

matrices.
Matrices.
Definición: Una matriz A ∈ Mm×n se define como un conjunto de m · n números reales
ordenados en una tabla de m filas y n columnas,
 
a11 a12 ... a1n
 a21 a22 ... a2n 
A =  .. ..  .
 
.. ..
 . . . . 
am1 am2 ... amn
Observaciones:
aij es el elemento de la i-ésima fila y la j-ésima columna, con 1 ≤ i ≤ m y 1 ≤ j ≤ n.

A veces también nos referiremos a él como (A)ij .
A se puede escribir como una lista de m vectores fila de dimensión n,

 
a1•
 a2• 
A =  ..  , ai • = (ai1 , ai2 , ... , ain ) ∈ Rn .
 
 . 
am •
A se puede escribir como una lista de n vectores columna de dimensión m,

 
a1j
 a2j 
A = (a•1 , a•2 , ... , a•n ), a•j =  ..  ∈ Rm
 
 . 
amj

Ejercicio 1.12 Dados los vectores u1 = (1, 1) y u2 = (1, −1), escribe la matriz A = u1 u2 .
¿Cuáles son sus dimensiones?
12 Sara Cuenda
1.13 Repite el ejercicio con los vectores v1 = (1, 1, 1) y v2 = (1, −1, 0), y la matriz
Ejercicio
v1
B= .
v2
Operaciones básicas con matrices.

Producto por un escalar: Dados A ∈ Mm×n , λ ∈ R, entonces λA es otra matriz de orden
m × n cuyos elementos son
(λA)ij = λaij .
Ejercicio 1.14 Completa los elementos que faltan de la siguiente operación:
   
1 2
2  0 −1 = 0 
0.5 0 1 0
Suma: Dadas dos matrices A y B del mismo orden Mm×n , los elementos de la matriz
suma, C = A + B, se definen como
cij = aij + bij .

     
1 2 0 −1 1 1
 0 −1 +  1 1 = 
0.5 0 0.5 −1 −1
Producto de matrices: Dadas dos matrices A ∈ Mm×p y B ∈ Mp×n , y sea C = AB ∈

Mm×n la matriz producto de ambas, entonces el elemento cij se define como el producto
escalar de la fila i de A y la columna j de B,
cij = ai • · b•j = ai1 b1j + ai2 b2j + · · · + aip bpj

   
1 2 −2 3 2
0 −1 0 −1 1 0
= −2 −1 −1
−1 2 1 1
1 0 0 −1 0
Ejercicio 1.17 Dadas las matrices

   
1 2 0 0 −1 1 0
A=  0 −1 3  , B = −1 2
 1 1 ,
−2 1 0 −3 1 −2 0
calcula:
(AB)12 =
(AB)31 =
(AB)43 =
Ejercicio 1.18 En el ejercicio anterior, ¿se puede calcular BA?
Observaciones:
El elemento neutro de la suma de matrices es la matriz nula, O ∈ Mm×n , cuyos

elementos son todos cero.
Dadas dos matrices A y B,
• El producto AB sólo existe si el número de columnas de A coincide con el número

de filas de B.
• Si existe, el tamaño de AB es (núm. filas de A)×(núm. columnas de B).
• En general, AB 6= BA, salvo excepciones.
Definición: El elemento neutro del producto de matrices es la matriz identidad, In ∈ Mn ,

una matriz cuadrada n × n que tiene la forma
 
1 0 0
1 0
I2 = , I3 = 0 1 0 ,
 ...
0 1
0 0 1
14 Sara Cuenda
Ejercicio 1.19 Calcula, si es posible:

 
1 2
0 −1 1 0
=
0 1
1 0

1 0 1 2 0
=
0 1 −1 1 0
Ejercicio 1.20 Dada la matriz

2 −4 1 3
A= ,
−2 5 1 0
Da una solución para las siguientes ecuaciones matriciales. ¿Es solución única?
a) X · A = A
b) A · X = A
Matriz traspuesta: Dada la matriz A ∈ Mm×n con

 
a11 a12 ... a1n
 a21 a22 ... a2n 
A =  ..
 
.. .. .. 
 . . . . 
am1 am2 ... amn
su matriz traspuesta AT ∈ Mn×m es la matriz que se obtiene de intercambiar las filas por
las columnas de A,  
a11 a21 ... am1
a12 a22 ... am2 
T
A =  ..
 
.. . . .. 
 . . . . 
a1n a2n ... amn
Es decir,
(AT )ij = (A)ji
Observaciones:
La traspuesta de la traspuesta es la matriz original, (AT )T = A.
Cuidado con la traspuesta del producto:
(AB)T = B T AT
Ejercicio 1.21 Calcula

 T
1 2
0 −1 =
1 0
 
1 1
Ejercicio 1.22 Dadas A = 1 2 3 y B = −1 0  calcula:

0 −1
AB =
BA =
B T AT =
16 Sara Cuenda
2 Traza y determinante de matrices.
2.1 Traza
Definición.
Sea la matriz cuadrada A ∈ Mn , se define su traza como la suma de sus elementos
diagonales,
tr(A) = a11 + a22 + ... + ann .
Ejercicio 2.1 Calcula:
 
−3 0 1
tr  1 1 −1 =
0 0 1
 
−2 1 0 −1
tr  0 1 1 0  =
0 0 1 1

−2 1
tr =
1 0

−2 1 1 1
tr =
1 0 1 1
Propiedades.
tr(A + B) = tr(A) + tr(B).
tr(αA) = αtr(A).
tr(AB) = tr(BA) si A y B son cuadradas.
En general, tr(AB) 6= tr(A)tr(B).
17
18 Sara Cuenda
2.2 Determinante.
Reglas de cálculo de determinantes.
Definición formal: Sea la matriz cuadrada A ∈ Mn , se define su determinante como la
expresión
n!
X
|A| = (−1)sk a1j1 a2j2 · · · anjn ,
k =1
donde
(j1 , j2 , ... , jn ) es una de las n! permutaciones de los elementos (1, 2, ... , n).
sk es la signatura de la permutación anterior, dada por el número de trasposiciones

necesarias para obtener la permutación a partir del conjunto original.
Observación:
El determinante de una matriz n × n tiene n! sumandos, donde
n! = n · (n − 1) · (n − 2) · · · 1
Propiedades a partir de la definición:
No cambia al intercambiar filas por columnas.
Es lineal en cada fila y cada columna.
Cambia de signo al intercambiar dos filas o dos columnas.
Regla para matrices 2 × 2: Dada la matriz 2 × 2

a11 a12
A=
a21 a22
su determinante es
|A| = a11 a22 − a12 a21 .
Ejercicio 2.2 Calcula el determinante de la matriz formada por los vectores columna u =
(1, 2) y v = (3, 4).
Ejercicio 2.3 Repite el ejercicio anterior:
suponiendo que u y v son vectores fila.
intercambiando u y v.
con los vectores 2u y v.
Regla de Sarrus (para matrices 3 × 3): Dada la matriz 3 × 3

 
a11 a12 a13
A = a21 a22 a23 
a31 a32 a33
su determinante es
|A| =a11 a22 a33 + a31 a12 a23 + a13 a21 a32
− a31 a22 a13 − a11 a32 a33 − a33 a21 a12 .
Ejercicio 2.4 Calcular:
−3 0 1
1 1 −1 =
0 0 1
1 0 0
−2 2 0 =
5 4 3
20 Sara Cuenda
Cálculo del determinante desarrollando por adjuntos.

Si A es n × n, con n ≥ 4, no existe una “regla”, ya que el número de sumandos es muy
grande. Hay que usar el desarrollo por adjuntos de una fila o una columna, que veremos
más adelante.
Ejercicio 2.5 Si el número de sumandos de un determinante n × n es n!, calcula el número
de sumandos para una matriz de tamaño:
4×4
5×5
10 × 10
Definiciones: Dada la matriz cuadrada A, se define
El menor complementario del elemento aij de la matriz, Mij , como el determinante

de la submatriz que se obtiene al elimiar la fila i y la columna j de la matriz A.
El adjunto o cofactor del elemento aij de la matriz, Aij , como
Aij = (−1)i+j Mij .
Ejercicio 2.6 Dada la matriz  

−3 0 1
A= 1 1 −1 ,
0 0 1
calcula los adjuntos o cofactores de los siguientes elementos:
a11
a12
a13
a21
Determinante por adjuntos de una fila o columna: Para cualquier matriz cuadrada A ∈
Mn su determinante se puede calcular como:
Pn
|A| = k =1 aik Aik para una fila i cualquiera.
Pn
|A| = k =1 akj Akj para una columna j cualquiera.
A esta forma de calcularlo se le denomina el desarrollo por los adjuntos de la fila i o de

la columna j, respectivamente.
Ejemplo 2.1 La expresión de |A| para una matriz genérica 3 × 3 (Regla de Sarrus) se
puede reescribir en términos de su desarrollo por los adjuntos de, por ejemplo, la primera
fila:
|A| =a11 (a22 a33 − a23 a32 )

− a12 (a21 a33 − a23 a31 )
+ a13 (a21 a32 − a22 a31 )
=a11 A11 + a12 A12 + a13 A13
22 Sara Cuenda
Ejercicio 2.7 Comprobar la expresión del desarrollo por los adjuntos de la primera fila
para la matriz del ejercicio anterior.
Ejercicio 2.8 ¿Se te ocurre otra fila o columna en la que hubieses tenido que calcular
menos adjuntos?
Observaciones:
Los determinantes al desarrollar por los adjuntos de una fila o columna en una matriz
n × n son de tamaño (n − 1) × (n − 1).
El desarrollo por adjuntos es más sencillo cuantos más ceros tengamos en la fila o
columna que utilicemos.
Lo ideal es encontrar una fila o una columna con un único elemento no nulo.
Cuando no encontramos ese caso podemos operar con la matriz hasta obtener una
matriz de esas características. Para ello usaremos las propiedades de los determi-
nantes.
Matrices triangulares: Son matrices cuadradas con todos los elementos iguales a cero
por debajo o por encima de la diagonal.
Triangular superior:  
a11 a12 a13
 0 a22 a23 
0 0 a33
Triangular inferior:  
a11 0 0
a21 a22 0 
a31 a32 a33
Ejercicio 2.9 Calcula desarrollando por los adjuntos de una fila o columna el determinante
de la matriz triangular  
a11 a12 a13 a14
 0 a22 a23 a24 
A=0

0 a33 a34 
0 0 0 a44
Ejercicio 2.10 Escribe la expresión genérica del determinante de una matriz triangular
n × n.
Propiedades de los determinantes.

Propiedades a partir de la definición:
1. El determinante se conserva al intercambiar filas por columnas:
|AT | = |A|
2. Lineal en la suma de una fila:
a11 a12 a13 a11 a12 a13 a11 a12 a13

b1 b2 b3 + c1 c2 c3 = b1 + c1 b2 + c2 b3 + c3
a31 a32 a33 a31 a32 a33 a31 a32 a33
3. Lineal en el producto por un escalar de una fila:
a11 a12 a13 a11 a12 a13

λa21 λa22 λa23 = λ a21 a22 a23
a31 a32 a33 a31 a32 a33
4. Cambio de signo al intercambiar dos filas
a11 a12 a13 a11 a12 a13

a21 a22 a23 = − a31 a32 a33
a31 a32 a33 a21 a22 a23
24 Sara Cuenda
5. Multiplicación de matrices: Si A y B son matrices cuadradas con las mismas dimen-

siones, entonces
|AB | = |A||B |
Más propiedades a partir de las anteriores.

Casos en los que el determinante da cero:
6. Una fila de ceros:

a11 a12 a13
0 0 0 =0
a31 a32 a33
7. Dos filas iguales:

a11 a12 a13
a21 a22 a23 = 0
a21 a22 a23
8. Dos filas proporcionales:

a11 a12 a13
a21 a22 a23 = 0
λa21 λa22 λa23
9. Fila combinación lineal de otras (*):

a11 a12 a13
a21 a22 a23 =0
αa11 + β a21 αa12 + β a22 αa13 + β a23
Casos en los que el determinante no varía:
10. Sumar a una otra fila:

a11 a12 a13 a11 a12 a13
a21 a22 a23 = a21 a22 a23
a31 a32 a33 a31 + a21 a32 + a22 a33 + a23
11. Sumar a una fila una combinación lineal de otras filas:

a11 a12 a13
a21 a22 a23 =
a31 + αa21 + β a11 a32 + αa22 + β a12 a33 + αa23 + β a13
a11 a12 a13

= a21 a22 a23
a31 a32 a33
Otras propiedades que se obtienen de las anteriores:
12. Si |A| = 0 entonces las filas de A son linealmente dependientes (*).
13. Multiplicar matriz por escalar: si A ∈ Mn , entonces |λA| = λn |A|.
14. Potencias: para k ∈ Z, |Ak | = |A|k .
Propiedades fundamentales.
Las propiedades más importantes son:
El determinante de una matriz no varía cuando a una fila (o columna) se le añade

una combinación lineal del resto de filas (o columnas).
El determinante de una matriz es cero si, y sólo si, sus vectores fila (o columna) son
linealmente dependientes entre sí.
Ejercicio 2.11 Dados los vectores u = (1, 1, 0), v = (1, 0, −1) y w = (0, 1, 1), calcula el
determinante de la matriz A = (u v w) formado por estos vectores en sus columnas.
¿Qué puedes deducir del resultado?
Ejercicio 2.12 Dados los vectores u = (1, 3, 5), v = (−1, 2, −1) y w = (0, 1, 1), di si son
linealmente independientes o no.
26 Sara Cuenda
Ejercicios.
Definición: Dada una matriz cuadrada A, se le llama (informalmente) hacer cero el ele-
mento o posición (i, j) al proceso que conduce a obtener un cero en la posición (i, j) me-
diante operaciones por filas o columnas que dejen invariante su determinante.
Ejercicio 2.13 Calcula el determinante de la siguiente matriz haciendo ceros y luego
desarrollando por los adjuntos de filas o columnas.
2 −1 2 0
0 0 1 1
=
0 1 2 1
1 0 −1 2

1 a b+c
1 b a+c =
1 c a+b

1 2 3 4 5
6 7 8 9 10
11 12 13 14 15 =
16 17 18 19 20
21 22 23 24 25

a+1 1 1
1 a+1 1 =
1 1 a+1
28 Sara Cuenda
3 Rango e inversa de una matriz.
Matrices especiales.
3.1 Rango de matrices.
Rango de una matriz.
Definición: El rango de una matriz es el número máximo de filas (o columnas) que se
pueden tomar de la matriz y que son linealmente independientes entre sí.
Si una matriz A tiene rg(A) = r significa que como mucho puedo tomar r vectores fila
(o columna) que son linealmente independientes entre sí.
Una matriz A ∈ Mm×n se dice que tiene rango completo o máximo si rg(A) =
mı́n(m, n).
Los métodos para calcular el rango de una matriz están basados en el determinante
de una matriz o en las operaciones por filas o columnas que dejan invariante el
determinante de una matriz.
Para cualquier matriz A, rg(A) = rg(AT ).
Cálculo del rango por el método de los menores.

Definición: Dada una matriz A ∈ Mm×n , se define un menor de orden p como el determi-
nante de una submatriz de tamaño p × p que se obtiene de tomar sólo p filas y p columnas
de A.
Ejemplo 3.1 Dada la matriz

 
3 −1 2 1
A = 2 2 4 −1 ,
2 −2 0 0
algunos menores son:
−1 2
2 4
29
30 Sara Cuenda
3 −1 2
2 2 4
2 −2 0
¿De qué orden son estos menores?
Teorema: El rango de una matriz es el mayor orden de sus menores no nulos.

Ejercicio 3.1 Calcula |A|, siendo
 
0 1 3
A = −1 −1 1
−1 0 4
¿Cuál es el rango de A?
Definición: Dado un menor de orden p de una matriz, se denomina orlar un menor a

calcular otro menor de orden p + 1 añadiendo una fila y una columna al menor anterior.
Ejercicio 3.2 Dada la matriz
 
3 −1 2 1
A = 2 2 4 0  ,
2 −2 0 1
−1 2
¿cuántos menores 3 × 3 se pueden obtener orlando el menor ?
2 4
Calcúlalos.
Teorema: Dada una matriz A de la que tenemos calculado un menor de orden p distinto de
cero, si todos los menores de orden p + 1 que se obtienen de orlar dicho menor son nulos
entonces sólo puede ser que rg(A) = p.
Ejercicio 3.3 Según este teorema, ¿cuál es el rango de la matriz anterior?
Ejercicio 3.4 Calcula el rango de las siguientes matrices por el método de los menores:
 
1 −1 0 1
A = 2 0 1 1

1 1 1 0
 
0 1 3
B = −1 −1 1
−2 3 5
Cálculo del rango por el método de Gauss.

Definición: Dadas dos matrices A y B de tamaño m × n, decimos que son equivalentes,
y lo representamos por
A ∼ B,
si podemos pasar de A a B mediante operaciones por filas que no hagan cero sus menores
no nulos.
Estas operaciones son:
Intercambiar filas.
Multiplicar una fila por un escalar distinto de cero.
Sumarle a una fila una combinación lineal de las demás.
Teorema: El rango de dos matrices equivalentes es el mismo.

Objetivo: A partir de cualquier matriz, generar matrices equivalentes escalonadas, de las
que se puede calcular fácilmente su rango.
32 Sara Cuenda
Ejemplo 3.2 Ejemplos de matrices escalonadas:
 
1 2 3 4  
0 5 1 3 −2
1 2 3

A=
0 , B = 0 0 −1 1 
0 1 2
0 0 0 3
0 0 0 0
Ejemplos de matrices no escalonadas:
   
1 2 3 4 −3 5 3 4
C = 0 5 6 7 , D =  0 0 1 −2
8 0 9 0 0 0 −1 2
Ejercicio 3.5 Calcula el rango de las matrices A y B del ejemplo anterior por el método de
los menores.
rg(A) =
rg(B) =
Corolario: Dada una matriz escalonada, su rango es el número de filas con elementos no
nulos.
Ejemplo 3.3 Calcula por el método de Gauss el rango de la matriz

 
3 −1 1 2
 12 −8 6 10 
A=
 3 −13

9 3 
−6 4 1 −15
1. Tomamos la primera fila como pivote, y hacemos ceros en la primera columna, debajo
de la primera fila:
2. Si me resulta más cómodo, divido la segunda fila resultante entre dos antes de to-
marla como pivote:
3. Utilizo la segunda fila para hacer ceros en la segunda columna, debajo de la segunda
fila:
4. Utilizo la tercera fila como pivote, igual que antes:
5. rg(A) =
34 Sara Cuenda
3.2 Inversa de una matriz

Matriz invertible.
Definición: Dada una matriz cuadrada A ∈ Mn , se dice que es invertible si existe otra
matriz A−1 ∈ Mn tal que AA−1 = A−1 A = In .
La matriz A es invertible si y sólo si |A| =

6 0.
La matriz A es invertible si y sólo si rg(A) = n.
Si A es invertible, A−1 existe y es única.
Si A es invertible, se verifica que (A−1 )−1 = A.
Si AB es invertible, entonces (AB)−1 = B −1 A−1 .
Si B es invertible y BA = In o AB = In , entonces B = A−1 .
Si A es no invertible se dice que es singular.
Cálculo de la inversa por la matriz adjunta.

Definición: Dada la matriz A ∈ Mn , se llama matriz adjunta de A, Adj(A), a la matriz
cuyos elementos están formados por los adjuntos o cofactores de los elementos de A:
 
A11 A12 ... A1n
A21 A22 ... A2n 
Adj(A) =  ..
 
.. . . .. 
 . . . . 
An1 An2 ... Ann
donde Aij es el adjunto o cofactor del elemento aij de la matriz A.

Teorema: Si A es invertible, su matriz inversa es
(Adj(A))T
A−1 = .
|A|
Ejemplo 3.4 Cálculo de la inversa de una matriz 2 × 2,

a b
A= .
c d
El determinante de A es:
|A| =
Los adjuntos de A son:
Por tanto,
A−1 =
Ejercicio 3.6 Calcula la inversa de la matriz

1 1
A=
2 −1
Ejercicio 3.7 Calcula la inversa de la matriz

 
1 1 1
B = 2 −1 0
0 1 0
36 Sara Cuenda
Observación:
Para una matriz n × n tenemos que calcular n2 menores de orden n − 1, además del
determinante.
Para matrices de orden 4 empieza a ser inviable.
Ejemplo 3.5 Calcula la inversa de la matriz

 
1 1 1 0
1 1 1 1
C=
1

0 0 0
1 1 0 0
1 1 1 1 1 1 1 1 1
A11 = 0 0 0 = 0, A12 = − 1 0 0 = 0, A13 = 1 0 0 = 1,
1 0 0 1 0 0 1 1 0
1 1 1 1 1 0 1 1 0
A14 = − 1 0 0 = −1, A21 = − 0 0 0 = 0, A22 = 1 0 0 = 0,
1 1 0 1 0 0 1 0 0
1 1 0 1 1 1 1 1 0
A23 = − 1 0 0 = 0, A24 = 1 0 0 = 1, A31 = 1 1 1 = 1,
1 1 0 1 1 0 1 0 0
1 1 0 1 1 0 1 1 1
A32 = − 1 1 1 = −1, A33 = 1 1 1 = 0, A34 = − 1 1 1 = 0,
1 0 0 1 1 0 1 1 0
1 1 0 1 1 0 1 1 0
A41 = − 1 1 1 = 0, A42 = 1 1 1 = 1, A43 = − 1 1 1 = −1,
0 0 0 1 0 0 1 0 0
1 1 1
A44 = 1 1 1 = 0, |C | = 1 · A24 = 1
1 0 0
Así que, finalmente:

 T  
0 0 1 −1 0 0 1 0
0 0 0 1  0 0 −1 1 
C −1
 
=
1 −1 0 = 
0  1 0 0 −1
0 1 −1 0 −1 1 0 0
Cálculo de la inversa por el método de Gauss-Jordan.

Teorema: Dada la matriz cuadrada A ∈ Mn , construímos la matriz B = (A|In ), siendo
In ∈ Mn la matriz identidad.
Si mediante operaciones por filas podemos encontrar una matriz equivalente a B, C,

tal que C = (In |D), entonces A es invertible y además A−1 = D.
En caso contrario, la matriz A no es invertible.
Ejemplo 3.6 Calcula la inversa de la siguiente matriz por el método de Gauss-Jordan:

 
1 1 1 0
1 1 1 1
A=
1

0 0 0
1 1 0 0
1. Escribimos la matriz (A|I):
2. Cambiamos de orden las filas, para que sea más sencillo:
3. Usamos el elemento a11 para hacer ceros en la primera columna:

38 Sara Cuenda
4. Usamos el elemento a22 para hacer ceros en la segunda columna:
5. Usamos el elemento a33 para hacer ceros en la tercera columna:
6. Por tanto, la inversa es

 
0 0 1 0
0 0 −1 1 
A−1 = 
1 0 0 −1
−1 1 0 0
3.3 Matrices “especiales”.

Matrices triangulares.
Son matrices cuadradas con todos los elementos iguales a cero por debajo o por encima
de la diagonal.
Triangular superior:
 
a11 a12 a13
 0 a22 a23 
0 0 a33
Triangular inferior:
 
a11 0 0
a21 a22 0 
a31 a32 a33
Sean A y B matrices triangulares superiores de orden n × n,
|A| = a11 a22 · · · ann .
AB también es triangular superior.
Si A es invertible, entonces A−1 también es triangular superior.
Igual para las matrices triangulares inferiores.

Matrices diagonales.
Es un caso particular de matrices triangulares: son triangulares superiores e inferiores a la
vez.  
d1 0 0
D =  0 d2 0 
0 0 d3
La inversa también es una matriz diagonal,

 
1
 d1 0 0
 1 
D −1 =  0 0
 
 d2 
 1
0 0
d3
Matrices simétricas y antisimétricas.

Son matrices que se comportan de forma especial al hacer su traspuesta:
A es simétrica si y solo si AT = A.
 
a11 b c
 b a22 d 
c d a33
A es antisimétrica si y solo si AT = −A.

 
0 b c
−b 0 d 
−c −d 0
40 Sara Cuenda
Sea A una matriz simétrica de orden n × n,
Si A es invertible, entonces A−1 también es simétrica.
Sea B una matriz que conmuta con A (AB = BA), entonces
• Si B es antisimétrica entonces AB es antisimétrica.
• Si B es simétrica entonces AB es simétrica.
Para cualquier matriz cuadrada C ∈ Mn , la matriz C + C T es simétrica.
Para cualquier matriz C ∈ Mm×n , las matrices C T C y CC T son simétricas.
Sea A una matriz antisimétrica de orden n × n,
Si A es invertible, entonces A−1 también es antisimétrica.
Para n impar, |A| = 0 (ya que |A| = (−1)n |A| en estas matrices).
Todos los elementos de la diagonal son cero, aii = 0 para 1 ≤ i ≤ n.
Sea B una matriz que conmuta con A (AB = BA), entonces
• Si B es antisimétrica entonces AB es simétrica.
• Si B es simétrica entonces AB es antisimétrica.
Para cualquier matriz cuadrada C ∈ Mn , la matriz C − C T es antisimétrica.
Definición: Dada A una matriz cuadrada, se define su parte simétrica, SA , como
A + AT
SA = ,
2
y su parte antisimétrica, AA , como
A − AT
AA = .
2
Cualquier matriz cuadrada se puede descomponer en la suma de su parte simétrica y su

parte antisimétrica:
A + AT A − AT
A= +
2 2
Ejercicio 3.8 Calcula la parte simétrica de la matriz

 
1 2 3
B = −3 −1 0 .

−1 2 2
Matrices ortogonales.
Se dice que la matriz A ∈ Mn es ortogonal cuando su matriz traspuesta coincide con su
matriz inversa, AT = A−1 .
Sea A una matriz ortogonal de orden n × n,
|A| = 1 o |A| = −1.
A−1 también es ortogonal.
Si B es ortogonal de orden n × n, entonces AB y BA también son ortogonales.
Matrices idempotentes, unipotentes y nilpotentes.

Sea A ∈ Mn , se dice que
A es idempotente si A2 = A.
A es unipotente si A2 = In .
A es nilpotente si A2 = On .
Sea A una matriz idempotente de orden n × n,
|A| = 0 o |A| = 1. Si |A| = 1, entonces A = In .
rg(A) = tr(A).
In − A también es idempotente, pero no A − In .

42 Sara Cuenda
Si B es una matriz idempotente tal que AB = BA, entonces AB también es idempo-

tente.
Si A es simétrica, entonces existe un C ∈ Mn×r con r = rg(A) tal que CC T = A y

C T C = Ir .
Para cualquier matriz cuadrada C tal que C 0 C = C, entonces C es simétrica e idem-

potente.
Sea A una matriz unipotente de orden n × n,
|A| = 1 o |A| = −1.
A−1 = A.
Sea A una matriz nilpotente de orden n × n,
|A| = 0, por lo que no es invertible.
In ± A es invertible, y su inversa es (In ± A)−1 = In ∓ A.

Temas 1-3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Temas 1-3

Cargado por

Copyright:

Formatos disponibles

1 Vectores y matrices.

Un vector v que pertenece al espacio vectorial Rn , v ∈ Rn , es una lista ordenada

Decimos que la dimensión de v ∈ Rn es n o que tiene n componentes.

Decimos que el orden o la dimensión de una matriz M ∈ Mm×n es m × n.

1.2 Vectores. Operaciones básicas con

Los podemos representar en el plano.

Dados dos puntos en el plano R2 , P = (px , py ) y Q = (qx , qy ), el vector v = PQ que va

Propiedades de los vectores:

Las componentes de un vector definen una dirección, un sentido y una longitud.

La longitud, norma o módulo del vector v = (x, y) es

• |v| ≥ 0 para cualquier v

Operaciones con vectores en R2 .

El producto escalar de dos vectores siempre es un escalar.

El producto escalar de un vector consigo mismo es su norma al cuadrado:

Ejercicio 1.5 Escribe vectores perpendiculares al vector (2, 3).

Ejercicio 1.6 Escribe vectores paralelos y antiparalelos al vector (2, 3).

Suma: Dados dos vectores de R2 , u = (u1 , u2 ) y v = (v1 , v2 ), su suma es otro vector de

La suma se puede representar por un paralelogramo, cuyos lados adyacentes son

El elemento neutro de la suma es el vector 0 = (0, 0), ya que v + 0 = v para cualquier

Producto por un escalar: Dado el vector v = (v1 , v2 ) ∈ R2 , el producto por el escalar λ es

Ejercicio 1.7 Sea v = (2, 1) y λ ∈ R, calcula:

Si λ < 0 entonces λv apunta en el sentido contrario a v.

• si |λ| > 1 el vector “se estira”.

• si |λ| < 1 el vector “se encoge”.

Resta: La resta de u y v se calcula como la suma de u y −v:

Rn = {(x1 , x2 , ... , xn ) : x1 ∈ R, x2 ∈ R, ... , xn ∈ R}.

Operaciones: Sean u y v tales que

u = (u1 , u2 , ... , un ) ∈ Rn , v = (v1 , v2 , ... , vn ) ∈ Rn

Suma: u + v = (u1 + v1 , u2 + v2 , ... , un + vn ) ∈ Rn

Resta: u − v = (u1 − v1 , u2 − v2 , ... , un − vn ) ∈ Rn

Producto por escalar: λu = (λu1 , λu2 , ... , λun ) ∈ Rn

Dependencia e independencia lineal de vectores.

Definición: Un conjunto de vectores se dice que es:

Linealmente dependiente cuando al menos uno de los vectores del conjunto se

Linealmente independiente cuando ninguno de los vectores se puede escribir como

Si el vector de ceros 0 está en el conjunto entonces el conjunto es linealmente de-

Si el conjunto está formado por un único vector entonces el conjunto es linealmente

a) {(1, 1, 1), (2, 2, 2)}

b) {(1, 1), (0, 1)}

c) {(1, 1), (0, 1), (0, 0)}

Los ejemplos anteriores son muy sencillitos.

El estudio de la dependencia lineal de un conjunto de vectores es sobre lo que gira

Ejercicios con vectores.

1.3 Matrices. Operaciones básicas con

aij es el elemento de la i-ésima fila y la j-ésima columna, con 1 ≤ i ≤ m y 1 ≤ j ≤ n.

A se puede escribir como una lista de m vectores fila de dimensión n,

A se puede escribir como una lista de n vectores columna de dimensión m,

Operaciones básicas con matrices.

Ejercicio 1.15 Completa los elementos que faltan de la siguiente operación:

Producto de matrices: Dadas dos matrices A ∈ Mm×p y B ∈ Mp×n , y sea C = AB ∈

cij = ai • · b•j = ai1 b1j + ai2 b2j + · · · + aip bpj

Ejercicio 1.16 Completa los elementos que faltan de la siguiente operación:

Ejercicio 1.17 Dadas las matrices

Ejercicio 1.18 En el ejercicio anterior, ¿se puede calcular BA?

El elemento neutro de la suma de matrices es la matriz nula, O ∈ Mm×n , cuyos

Dadas dos matrices A y B,

• El producto AB sólo existe si el número de columnas de A coincide con el número

• Si existe, el tamaño de AB es (núm. filas de A)×(núm. columnas de B).

• En general, AB 6= BA, salvo excepciones.

Definición: El elemento neutro del producto de matrices es la matriz identidad, In ∈ Mn ,

Ejercicio 1.19 Calcula, si es posible:

Ejercicio 1.20 Dada la matriz

Matriz traspuesta: Dada la matriz A ∈ Mm×n con