Algebra Lineal

Indice general
1. Matrices, sistemas lineales y determinantes 2

1.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Orden de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2. Tipos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3. Igualdad de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.4. Multiplicaci on de un escalar por una matriz . . . . . . . . . . . . . . 5
1.1.5. Suma de matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.6. Producto de matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.7. Tipos especiales de matrices. . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.8. Matrices idempotentes e involutivas . . . . . . . . . . . . . . . . . . . 18
1.1.9. Matrices divididas por bloques . . . . . . . . . . . . . . . . . . . . . . 18
1.1.10. Matrices semejantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.1.11. Problemas. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.2. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.2.1. Sistemas equivalentes y m etodo de eliminaci on. . . . . . . . . . . . . 31
1.3. El m etodo de eliminaci on de Gauss- Jordan . . . . . . . . . . . . . . . . . . . 34
1.4. Rango de un sistema de ecuaciones lineales . . . . . . . . . . . . . . . . . . . 55
1.4.1. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
1.5. Sistemas homog eneas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
1.6. Matrices elementales y un m etodo para hallar A
1
. . . . . . . . . . . . . . 63
1.7. Resultados adicionales acerca de los sistemas de ecuaciones y la inversibilidad 67
1.8. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
1.9. Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
1.9.1. Propiedades de la funci on determinante . . . . . . . . . . . . . . . . . 72
1.9.2. Existencia de la determinante. . . . . . . . . . . . . . . . . . . . . . . 76
1.10.Determinante del producto de dos matrices . . . . . . . . . . . . . . . . . . . 78
1.11.Adjunta de una matriz cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.11.1. Propiedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.12.Inversi on de matrices no singulares . . . . . . . . . . . . . . . . . . . . . . . 81
1.13.Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
1.13.1. Determinantes como area o volumen . . . . . . . . . . . . . . . . . . . 85
1.14.Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
1
Cap tulo 1
Matrices, sistemas lineales y
determinantes
1.1. Matrices
Introducci on El t ermino matriz fue introducido por primera vez en el a no 1850 por
Sylvester, un a no despu es Cayley iniciaba un estudio matem atico de las mismas. Aunque
una matriz no es m as que un conjunto de n umeros reales dispuestos de forma ordenada
(formando las que son las lneas horizontales y las columnas son las lneas verticales)
esta sencilla idea se ha mostrado muy util. Es muy frecuente que los datos sobre las
actividades variadas se presenten en forma de tabla, tabla que no es sino una matriz.
Desde el punto de vista que nos concierne podramos decir que las matrices han inun-
dado el

Algebra Lineal, hasta el punto de que muchas veces se llama Teora de Matrices.
S olo cuando tratamos con dimensi on innita hemos de abandonarlas.
Cu al es el secreto? El secreto es que siendo tan poca cosa - un pu nado de n ume-
ros escritos ordenadamente - una matriz puede representar muchas cosas: un sistema
de ecuaciones lineales como los veremos, transformaciones lineales, productos escalares,
formas cuadr aticas, c onicas, etc. Es la forma de ver la matriz lo que le da sentido, y su
facilidad de manejo lo que les da versatilidad y potencia. Qu e m as se puede pedir a una
herramienta?
Denici on 1.1. Se llama matriz de tama no u orden mn, constituido por escalares de
un campo K (en particular, K = IR o K = I C), a cualquier tabla rectangular o arreglo
rectangular A formado por m.n escalares, dispuestos en m las (lneas horizontales) y n
columnas (lneas verticales).
Los elementos de la matriz se delimitan usualmente con corchetes o par entesis. En este
curso usaremos corchetes. Tambi en es usual denotar a las matrices por letras may usculas
y las componentes por letras min usculas.
Se llama elemento de lugar (i, j) o ij de A al escalar que est a ubicado en la intersecci on
de la la i- esima (para i = 1, 2, . . . , m) y la columna j- esima (para j = 1, 2, . . . , n); si a este
2
Algebra lineal. Matrices, sistemas lineales y determinantes 3
elemento se le llama a
ij
, la matriz A se denota escribiendo.
A =
_
_
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
a
31
a
32
a
33
. . . a
3n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
m3
. . . a
mn
_
_
Abreviadamente, tambi en se suele escribir A = [a
ij
]. Cuando se quiera se nalar expre-
samente que la matriz A tiene tama no mn, se le denotar a A
mn
Al conjunto de todas las matrices de tama no mn se le denota por M
mn
(K), donde
K es el campo de los escalares, o simplemente por M
mn
Ejemplo 1.1. En la matriz: A =
_
1 3 5
2 4 6
_
sus elementos son: a
11
= 1, a
12
= 2, a
13
=
3, a
21
= 4, a
22
= 5, a
23
= 6. Esta es una matriz de orden 2 3, es decir: A M
23
.
1.1.1. Orden de una matriz
El orden de una matriz es el producto indicado del n umero de las (lneas horizontales)
por el n umero de columnas (lneas verticales) de la matriz
Ejemplo 1.2. La matriz dada: A =
_
1 4 8
3 5 7
_
se tiene dos las y tres columnas, enton-
ces la matriz A es de orden 2 3.
Notaci on. A las matrices usualmente se denota por las letras may usculas A, B, C, etc. y
a sus elementos con letras min usculas: a
ij
, b
ij
, c
ij
, etc.
Ejemplo 1.3. Las siguientes matrices se escriben as:
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
M
33
, B =
_
b
11
b
12
b
13
b
21
b
22
b
23
_
M
23
, C =
_
_
c
11
c
12
c
21
c
22
c
31
c
32
_
_
M
32
1.1.2. Tipos de Matrices
Matriz Fila
A las matrices de orden 1n se les llama matriz la, es decir es de la forma siguiente:
A = [ a
11
a
12
a
1n
] M
1n
tambi en se le conoce con el nombre de vector la.
J. R. Ticona Parisaca
Matriz Columna
A las matrices de orden m 1 se les llama matriz columna, es decir es de la forma
siguiente:
A =
_
_
a
11
a
21
a
31
.
.
.
a
m1
_
_
M
m1
tambi en se le conoce con el nombre de vector columna.
Producto de una Matriz Fila con una Matriz Columna
Sean A M
1n
y B M
n1
, el producto de estas matrices es una matriz de orden 1 1
y esta dado, as:
A =
_
a
11
a
12
. . . a
1n
_
_
_
b
11
b
21
.
.
.
b
n1
_
_
= [a
11
b
11
+a
12
b
21
+ a
13
b
31
+ + a
1n
b
n1
]
Observaci on. Para que este producto de matrices existe debe cumplirse que el n umero de
columnas de la primera matriz coincida con el n umero de las de la segunda matriz.
Ejemplo 1.4. Sean las siguientes matrices A =
_
4 3 6 7
_
y B =
_
_
3
2
5
6
_
_
. Halle AB
Soluci on.
AB =
_
4 3 6 7
_
_
_
3
2
5
6
_
_
= [ 4(3) + 3(2) + 6(5) + 7(6) ] = [ 12 6 + 30 + 42 ] = [ 78 ]
Ejemplo 1.5. Sean las siguientes matrices A =
_
4 3 6 7 3
_
y B =
_
_
3
2
5
6
_
_
. Halle AB
Soluci on. En este caso no existe el producto de estas matrices, pues el n umero de columnas
de A es 5, mientras que el n umero de las de la matriz B es 4, como estos n umeros no son
iguales, entonces no existe el producto entre dichas matrices.
1.1.3. Igualdad de Matrices
Sean las matrices A, B M
mn
del mismo orden son iguales, si sus correspondientes
componentes son iguales. Es decir:
A = B a
ij
= b
ij
, i = 1, 2, . . . , m, j = 1, 2, . . . , n
Ejemplo 1.6. Si A =
_
a
11
a
12
a
21
a
22
_
, B =
_
b
11
b
12
b
21
b
22
_
M
22
, entonces
A = B a
11
= b
11
a
12
= b
12
a
21
= b
21
a
22
= b
22
Si A y B no son iguales, escribiremos as
A = B a
ij
= b
ij
, i = 1, 2, . . . , m, j = 1, 2, . . . , n
1.1.4. Multiplicaci on de un escalar por una matriz
Dada una matriz A M
mn
y un escalar K, el producto del escalar por la matriz se
dene por:
A =
_
_
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
a
31
a
32
a
33
. . . a
3n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
m3
. . . a
mn
_
_
=
_
_
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
a
31
a
32
a
33
. . . a
3n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
m3
. . . a
mn
_
_
como cada elemento de la matriz A es multiplica por , el producto A es por lo tanto
tambi en una matriz de orden mn, es decir A M
mn
.
Ejemplo 1.7. Si = 2 y A =
_
3 5 7
2 4 6
_
. Halle: A
Soluci on.
A = 2
_
3 5 7
2 4 6
_
=
_
6 10 14
4 8 12
_
, entonces A =
_
6 10 14
4 8 12
_
Propiedades del producto de un escalar por una matriz
Sean y dos escalares arbitrarios de K y A, B M
mn
, entonces:
(1) ()A = (A) (2) (A+ B) = A+B
(3) ( + )A = A+ A (4) 1.A = A
(5) 0.A = Matriz nula
1.1.5. Suma de matrices.
Denici on 1.2. Sean las siguientes matrices arbitrarias de orden mn, es decir, A, B
M
mn
, donde A = [a
ij
], B = [b
ij
], la suma de las matrices A y B es otra matriz C = [c
ij
]
M
mn
, en donde cada elemento de la matriz C es la suma de los elementos correspondientes
de A y B, es decir:
[c
ij
] = [a
ij
] + [b
ij
] = [a
ij
+ b
ij
], i = 1, 2, . . . , m, j = 1, 2, . . . , n
Ejemplo 1.8. Calcular A+ B s:
A =
_
_
4 5 3
2 1 0
3 1 6
_
_
, B =
_
_
2 6 1
4 0 7
5 3 8
_
_
Soluci on.
A+ B =
_
_
4 5 3
2 1 0
3 1 6
_
_
+
_
_
2 6 1
4 0 7
5 3 8
_
_
=
_
_
4 +2 5 + 6 3 + 1
2 +4 1 + 0 0 + 7
3 +5 1 + 3 6 + 8
_
_
=
_
_
6 11 4
6 1 7
8 2 14
_
_
Observaci on. La suma de matrices se dene solamente cuando las matrices tienen el
mismo n umero de las y mismo n umero de columnas, es decir ambas matrices tienen que
ser del mismo orden.
Propiedades de la suma de matrices.
Sean A, B, C M
mn
y IR, entonces:
a) A+ B = B + A, conmutativa
b) A+ (B + C) = (A+ B) + C, asociativa
c) (A+B) = A+ B
d) Existe una matriz nula M
mn
tal que: A : A+ = A
Resta de matrices.
Sean A, B M
mn
, entonces la diferencia de las matrices A y B se dene:
AB = A+ (1)B
Ejemplo 1.9. Calcular AB si: A =
_
_
1 3 7
2 4 5
4 6 8
_
_
, B =
_
_
7 5 1
4 6 9
2 3 8
_
_
Soluci on.
AB = A+ (1)B =
_
_
1 3 7
2 4 5
4 6 8
_
_
+ (1)
_
_
7 5 1
4 6 9
2 3 8
_
_
=
_
_
1 3 7
2 4 5
4 6 8
_
_
+
_
_
7 5 1
4 6 9
2 3 8
_
_
=
_
_
6 2 8
2 10 4
2 3 0
_
_
Ejemplo 1.10. Hallar la matriz X tal que:
_
2 1 3
0 1 2
_
+X =
_
1 1 0
1 2 1
_
Soluci on. Podemos proceder de dos formas diferentes:
M etodo 1 . Sea X = [x
ij
] una matriz de orden 2 3, por lo tanto
_
2 1 3
0 1 2
_
+
_
x
11
x
12
x
13
x
21
x
22
x
23
_
=
_
1 1 0
1 2 1
_
de donde se deduce que:
2 + x
11
= 1,
1 + x
12
= 2,
3 + x
13
= 0,
0 + x
21
= 1,
1 + x
22
= 2,
2 + x
23
= 1
y resolviendo estas ecuaciones se obtiene
X =
_
1 1 3
1 3 1
_
M etodo 2 . Utilizando las propiedades de la suma de matrices
_
2 1 3
0 1 2
_
+ X =
_
1 1 0
1 2 1
_
X =
_
1 1 0
1 2 1
_
_
2 1 3
0 1 2
_
entonces
X =
_
1 1 3
1 3 1
_

Ejemplo 1.11. Hallar X e Y sabiendo que:
X + Y =
_
3 1 4
7 1 5
_
2X 3Y =
_
4 3 2
6 2 5
_
Soluci on. Podemos multiplicar a la primera igualdad por 2 y sumar a la segunda igual-
dad, entonces
5Y =
_
10 5 10
20 0 15
_
de donde se deduce que:
Y =
1
5
_
10 5 10
20 0 15
_
=
_
2 1 2
4 0 3
_
Finalmente
X =
_
3 1 4
7 1 5
_
Y =
_
3 1 4
7 1 5
_
_
2 1 2
4 0 3
_
=
_
1 0 2
3 1 2
_
.
Otra propiedad importante en la que se recoge en el siguiente teorema
Teorema 1.1. (Productos nulos) Cualesquiera que sean las matrices A y el escalar t R,
se satisface:
1. 0 A = y t =
2. Si t A = entonces t = 0 A =
1.1.6. Producto de matrices.
Sean las matrices A M
mn
, B M
np
, el producto de A por B es otra matriz de
C M
mp
, donde c
ij
es el producto escalar de la i- esima la de A por la j- esima columna
de B, es decir:
c
ij
=
n
k=1
a
ik
b
kj
, i = 1, 2, . . . , m, j = 1, 2, . . . , p
Observaci on. El producto de dos matrices AB est a denido s olo cuando el n umero de
columnas de la matriz A es igual al n umero de las de la matriz B.
Ejemplo 1.12. Calcular AB si: A =
_
_
1 2 3
4 5 6
0 1 0
_
_
, B =
_
_
2 0
1 2
0 1
_
_
Soluci on.
AB =
_
_
1 2 3
4 5 6
0 1 0
_
_
_
_
2 0
1 2
0 1
_
_
=
_
_
_
1 2 3
_
_
_
_
2
1
0
_
_
_
_
1 2 3
_
_
_
_
0
2
1
_
_
_
_
4 5 6
_
_
_
_
2
1
0
_
_
_
_
4 5 6
_
_
_
_
0
2
1
_
_
_
_
0 1 0
_
_
_
_
2
1
0
_
_
_
_
0 1 0
_
_
_
_
0
2
1
_
_
_
_
_
=
_
_
2 + 2 + 0 0 + 4 +3
8 + 5 + 0 0 + 10 + 6
0 + 1 + 0 0 + 2 +0
_
_
=
_
_
4 7
13 16
1 2
_
_
Nota. Para este ejemplo, BA no est a denido de acuerdo a la observaci on. Pues el n umero
de columnas de B no coincide con el n umero de las de A.
Propiedades del producto de matrices.
1. AB = BA
2. (AB)C = A(BC)
3. A(B +C) = AB + AC
4. (B + C)A = BA+ CA
5. k(AB) = A(kB), k IR
Ejemplo 1.13. Simplicar las expresiones:
1. A(2B C) + (2AB)C + 2A(B 2C).
2. A(B C)D+ ABDA(2B + C)D+2ACD.
donde A, B, C y D son matrices cuadradas del mismo tama no
Soluci on.
1. Utilizando propiedades del producto se obtiene
A(2B C) + (2AB)C + 2A(B 2C) = 2AB AC +2AC BC + 2AB 4AC
= 4AB 5AC BC
2. Aplicando propiedades del producto se obtiene
A(B C)D+ ABDA(2B + C)D+2ACD = ABDACD+ ABD2ABDACD+2ACD
=
Ejemplo 1.14. Probar que dos matrices cuadradas A y B conmutan si, y s olo si
(A+B)(AB) = A
2
B
2
.
Soluci on. Si AB = BA, se tiene
(A+ B)(AB) = A(AB) + B(AB)
= A
2
AB + BAB
2
= A
2
AB + AB B
2
= A
2
B
2
.
Recprocamente, como
(A+ B)(AB) = A
2
AB + BAB
2
si (A+B)(AB) = A
2
B
2
, entonces
AB + BA = ,
de donde se deduce que AB = BA.
1.1.7. Tipos especiales de matrices.
1 Matriz cuadrada. Se dice que una matriz A es cuadrada cuando el n umero de
las es igual n umero de columnas. El conjunto de estas matrices lo denotaremos por
M
n
= M
nn
o IR
nn
Si A M
n
, la diagonal principal es la lnea formada por los elementos:
a
11
, a
22
, . . . , a
nn
La suma de los elementos de la diagonal de una matriz cuadrada se le llama
traza de la matriz, y se le denota:
Tr(A) = a
11
+ a
22
+ . . . +a
nn
Ejemplo 1.15. .
Si A =
_
a
11
a
12
a
21
a
22
_
M
2
, su traza es: Tr(A) = a
11
+a
22
Si A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
M
3
11
+a
22
+ a
33
Si A =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
M
n
11
+a
22
+ +a
nn
2 Matriz nula. Una matriz cuadrada que tenga todos sus elementos ceros se llama
matriz nula y lo denotaremos por:
=
_
_
0 0 0
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
_
_
Ejemplo 1.16. .
Si A M
2
A es una matriz nula donde A =
_
0 0
0 0
_
Si A M
3
A es una matriz nula donde A =
_
_
0 0 0
0 0 0
0 0 0
_
_
3 Matriz Identidad. Sea I M
n
cuyos elementos a
ij
= 0 para i = j y a
ij
= 1 para
i = j entonces se llama matriz identidad. Es decir:
Ejemplo 1.17. .
Si I M
2
I es una matriz identidad donde I =
_
1 0
0 1
_
Si I M
3
_
_
1 0 0
0 1 0
0 0 1
_
_
Si I M
n
_
_
1 0 0 . . . 0
0 1 0 . . . 0
0 0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1
_
_
4 Matriz triangular superior. Sea A IR
nn
cuyos elementos a
ij
= 0 para i > j,
entonces se llama matriz triangular superior. Es decir:
A =
_
_
a
11
a
12
a
13
a
1n
0 a
22
a
23
a
2n
0 0 a
33
a
3n
.
.
.
.
.
.
0 0 0 a
nn
_
_
es una matriz triangular superior
Ejemplo 1.18. Efectuemos el producto de las matrices triangulares A, B M
33
,
tales que:
a
ij
= 0 si i > j, a
ij
= i + j si i j
b
ij
= 0 si i > j, b
ij
= i 2j si i j
entonces
AB =
_
_
2 3 4
0 4 5
0 0 6
_
_
_
_
1 3 5
0 2 4
0 0 3
_
_
=
_
_
2 12 34
0 8 31
0 0 18
_
_
Observaci on. El producto de matrices matrices triangulares superiores es una ma-
triz triangular superior.
5 Matriz triangular inferior. Sea A IR
nn
cuyos elementos a
ij
= 0 para i < j,
entonces se llama matriz triangular inferior. Es decir:
A =
_
_
a
11
0 0 0
a
21
a
22
0 0
a
31
a
32
a
33
0
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nn
_
_
es una matriz triangular inferior
6 Matriz diagonal. Sea A M
n
cuyos elementos son a
ij
= 0 para i = j se llama
matriz diagonal, es decir que se expresa en la forma:
A =
_
_
a
11
0 0 0
0 a
22
0 0
0 0 a
33
0
.
.
.
.
.
.
0 0 0 a
nn
_
_
= diag(a
11
, a
22
, . . . , a
nn
)
7 Matriz escalar. Sea A M
n
una matriz diagonal en la que adem as se verica
a
11
= a
22
= = a
nn
= k,
es decir es de la forma:
A =
_
_
k 0 0 0
0 k 0 0
0 0 k 0
.
.
.
.
.
.
0 0 0 k
_
_
= k I
8 Matriz unitaria o Matriz Identidad. Sea I IR
nn
una matriz diagonal o la
matriz identidad en la que se verica
a
11
= a
22
= = a
nn
= 1,
es decir es de la forma:
I =
_
_
1 0 0 0
0 1 0 0
0 0 1 0
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
Tambi en se le llama matriz unitaria.
Ejemplo 1.19. .
A =
_
_
1 2 6
0 4 3
0 0 5
_
_
M
3
es una matriz triangular superior.
B =
_
_
1 0 0
2 4 0
6 7 5
_
_
M
3
es una matriz triangular inferior.
C =
_
_
10 0 0
0 4 0
0 0 5
_
_
M
3
es una matriz diagonal.
D =
_
_
5 0 0
0 5 0
0 0 5
_
_
M
3
es una matriz escalar.
E =
_
_
1 0 0
0 1 0
0 0 1
_
_
M
3
es una matriz unitaria.
9 Matriz transpuesta. La matriz transpuesta de una matriz A IR
mn
, es una
matriz que se obtiene de intercambiar las las en columnas, y esta matriz B IR
nm
,
se denota B = A
t
A =
_
_
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
a
31
a
32
a
33
. . . a
3n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
m3
. . . a
mn
_
_
IR
mn
B = A
t
=
_
_
a
11
a
21
a
31
. . . a
m1
a
12
a
22
a
32
. . . a
m2
a
13
a
23
a
33
. . . a
m3
.
.
.
.
.
.
.
.
.
.
.
.
a
1n
a
2n
a
3n
. . . a
mn
_
_
IR
nm
Ejemplo 1.20. .
Si A =
_
_
2 4 2
1 5 1
3 2 0
_
_
M
3
entonces A
t
=
_
_
2 1 3
4 5 2
2 1 0
_
_
M
3
Si A =
_
1 3 5
2 4 6
_
M
23
entonces A
t
=
_
_
1 2
3 4
5 6
_
_
M
32
Propiedades de la matriz transpuesta.
(1) I
t
= I (2) (A
t
)
t
= A
(3) (kA)
t
= kA
t
(4) (A+B)
t
= A
t
+B
t
(5) (AB)
t
= B
t
A
t
(6) Rang(A) = Rang(A
t
)
(7) Si A IR
nn
, entonces Traz(A) = Traz(A
t
), y |A| = |A
t
|
(8) Si A IR
nn
y es inversible, entonces (A
1
)
t
= (A
t
)
1
10 Matriz sim etrica. Sea A M
n
, se dice que es una matriz sim etrica si A = A
t
Ejemplo 1.21. .
Si A =
_
_
1 0 1
0 2 4
1 4 3
_
_
M
3
A
t
=
_
_
1 0 1
0 2 4
1 4 3
_
_
M
3
como A
t
= A, entonces la matriz A es sim etrica.
Si B =
_
_
2 1 3
4 3 2
1 4 3
_
_
M
3
B
t
=
_
_
2 4 1
1 3 4
3 2 3
_
_
M
3
,
como B
t
= B, entonces la matriz B no es sim etrica.
Observaci on. Para que una matriz cuadrada A sea sim etrica debe cumplir a
ij
= a
ji
para i = j
Ejemplo 1.22. Las siguientes matrices son sim etricas.
(a) A =
_
_
3 4 5
4 7 6
5 6 9
_
_
(b) A =
_
_
4 2 1
2 3 5
1 5 8
_
_
(c) A =
_
_
1 7 9
7 2 11
9 11 10
_
_
11 Matriz antisim etrica. Sea A M
n
, se dice que es una matriz antisim etrica si
A = A
t
Ejemplo 1.23. .
Si A =
_
0 1
1 0
_
A
t
=
_
0 1
1 0
_
=
_
0 1
1 0
_
= A
Como A = A
t
entonces A es una matriz antisim etrica.
Si A =
_
_
0 1 2
1 0 3
2 3 0
_
_
A
t
=
_
_
0 1 2
1 0 3
2 3 0
_
_
=
_
_
0 1 2
1 0 3
2 3 0
_
_
= A
Como A = A
t
entonces A es una matriz antisim etrica.
Observaci on. Para que una matriz cuadrada A sea antisim etrica debe cum-
plirse que a
ij
= a
ji
para i = j y los elementos de la diagonal principal deben
ser ceros, es decir a
ij
= 0 para i = j.
Ejemplo 1.24. Las siguientes matrices son antisim etricas.
(a) A =
_
_
0 4 1
4 0 2
1 2 0
_
_
(b) A =
_
_
0 3 7
3 0 6
7 6 0
_
_
(c) A =
_
_
0 1 1
1 0 1
1 1 0
_
_
Ejemplo 1.25. Demostremos las siguientes propiedades:
a) El producto de toda matriz por su transpuesta es una matriz sim etrica.
En efecto.
(AA
t
)
t
= (A
t
)
t
A
t
= AA
t
Luego, por ser igual a su transpuesta, as la matriz AA
t
es sim etrica.
b) La suma de toda matriz cuadrada y de su traspuesta es sim etrica.
En efecto. Sea A M
n
, entonces
(A+ A
t
)
t
= A
t
+ (A
t
)
t
= A
t
+ A = A+ A
t
es decir, A+ A
t
es una matriz sim etrica.
c) La diferencia de toda matriz matriz cuadrada con su transpuesta es una matriz
antisim etrica.
En efecto. Sea A M
n
, entonces, aplicando propiedades anteriores, se verica
(AA
t
)
t
= A
t
(A
t
)
t
= A
t
A = (AA
t
)
en consecuencia, AA
t
es una matriz antisim etrica.
d) Toda matriz cuadrada es la suma de una matriz sim etrica y de una matriz
antisim etrica.
En efecto. Sea A M
n
matriz arbitraria, sabemos que A + A
t
es una matriz
sim etrica y AA
t
es una matriz antisim etrica, entonces
A =
1
2
(A+ A
t
) +
1
2
(AA
t
)
es la suma de una matriz sim etrica y de una antisim etrica.
12 Potencia de una matriz. Sea A M
n
, la potencia de una matriz deniremos
como:
A
0
= I Identidad
A
1
= A
A
2
= AA
A
3
= AAA
.
.
.
A
n
= AA. . . A

nveces
Nota.
Las matrices A, B M
n
son conmutativas si, y s olo si AB = BA
Si las matrices son conmutativas, entonces cualquier potencia natural de los
mismos son conmutables y (AB)
n
= A
n
B
n
, n IN
13 Matriz ortogonal. Sea A M
n
, se llama matriz ortogonal, si se verica:
A.A
t
= A
t
.A = I
Ejemplo 1.26. Comprobar que la matriz dada es ortogonal.
A =
_
_
Cos Sen 0
Sen Cos 0
0 0 1
_
_
Observaci on.
Toda matriz ortogonal es inversible
Como (A
t
)
t
= A, entonces se deduce que la inversa de una matriz ortogonal es
una matriz ortogonal.
Teorema 1.2. El producto de dos matrices ortogonales es una matriz ortogonal.
En efecto. Sean A, B M
n
dos matrices ortogonales, entonces:
A
t
= A
1
, B
t
= B
1
de donde adem as (AB)
t
= B
t
A
t
Luego (AB)
t
= B
t
A
t
= B
1
A
1
= (AB)
1
An alogamente
(BA)
t
= A
t
B
t
= A
1
B
1
= (BA)
1
Por lo tanto AB es una matriz ortogonal.
14 Matriz inversa. Sea A M
n
se dice que es inversible, si existe una matriz
cuadrada B M
n
tal que:
AB = BA = I
entonces a la matriz B se llama matriz inversa de A y se denota por B = A
1
Ejemplo 1.27. Sea A M
2
una matriz inversible, hallar la matriz inversa.
Soluci on. Sea A =
_
a b
c d
_
y la matriz inversa A
1
=
_
x y
z w
_
, entonces se tiene:
AA
1
= I
_
a b
c d
__
x y
z w
_
=
_
1 0
0 1
_
_
ax +bz ay + bw
cx + dz cy +dw
_
=
_
1 0
0 1
_
igualando las componentes, tenemos el sistema lineal:
ax + bz = 1,
ay + bw = 0,
cx + dz = 0,
cy + dw = 1
x =
d
ad bc
,
y =
b
ad bc
,
z =
c
ad bc
,
w =
a
ad bc
Es decir, si la matriz A =
_
a b
c d
_
es inversible, entonces es de la forma:
A
1
=
1
ad bc
_
d b
c a
_
Nota. El n umero = adbc" es llamado la determinante de la matriz A =
_
a b
c d
_
.
Ejemplo 1.28. Halle la matriz inversa de la matriz A =
_
4 3
5 4
_
Soluci on. Vemos que, = 4(4) 5(3) = 16 15 = 1, entonces
A
1
=
1
_
4 3
5 4
_
=
_
4 3
5 4
_
Observaci on. Una matriz cuadrada A inversible, se llama matriz regular o ma-
triz no singular, en caso contrario la matriz A recibe el nombre de matriz singu-
lar.
Propiedades.
(1) I
1
= I (2)
_
A
1
_
1
= A
(3) (AB)
1
= B
1
A
1
(4)
_
A
t
_
1
=
_
A
1
_
t
14 Propiedades
Dadas las matrices A, B IR
nn
matrices triangulares superiores (inferiores) y IR,
entonces:
a) Las matrices A+ B y A son matrices triangulares superiores (inferiores).
b) La matriz AB es tambi en una matriz triangular superior (inferior).
c) Si A tiene inversa, entonces A
1
es una matriz triangular superior (inferior).
d) El rango de A es siempre mayor o igual al n umero de elementos de la diagonal
principal de A no nulos.
e) |A| =
n
i=1
a
ii
1.1.8. Matrices idempotentes e involutivas
Denici on 1.3. Matriz idempotente Una matriz cuadrada es idempotente si, y
s olo si es igual a su cuadrado, es decir:
A M
nn
es idempotente A
2
= A
Ejemplo 1.29. Sea la matriz A M
22
, donde
A =
_
1
2
1
2
1
2
1
2
_
verica A
2
= A, es decir, es una matriz idempotente.
Denici on 1.4. Matriz involutiva Una matriz cuadrada es involutiva si, y s olo si
cuadrado es la matriz identidad, es decir:
A M
nn
es involutiva A
2
= I
22
, donde
A =
_
1 0
0 1
_
es involutiva, pues A
2
=
_
1 0
0 1
_
= I
1.1.9. Matrices divididas por bloques
En muchas ocasiones se considera que una matriz est a formada por otras matrices
m as peque nas. Esto ocurre, por ejemplo, en aplicaciones en las que aparecen gran-
des matrices con un elevado n umero de ceros matrices vacas que adem as est an
agrupados, o incluso con estructuras que se repiten. Por lo general estas aplicacio-
nes quedan fuera del alcance de este trabajo. Tambi en es conveniente considerar que
una matriz est a formada por submatrices para establecer algunos resultados de tipo
te orico.
Ilustremos la situaci on con el siguiente ejemplo.
Ejemplo 1.31. Dadas las matrices
A =
_
_
1 0 2 1 3
0 1 5 1 0
0 0 1 2 1
0 0 2 3 5
_
_
y B =
_
_
2 3
4 5
1 1
2 1
1 1
_
_
calcular el producto AB
Soluci on. Antes de hacer el producto observemos que la matriz A tiene como subma-
trices a la matriz identidad de orden 2 2 y a la matriz nula del mismo orden, es
decir
A =
_
_
1 0 2 1 3
0 1 5 1 0
0 0 1 2 1
0 0 2 3 5
_
_
Llamando
P =
_
2 1 3
5 1 0
_
y Q =
_
1 2 1
2 3 5
_
,
Podemos considerar que la matriz A est a formada por cuatro submatrices
A =
_
I
2
P
2
Q
_
el producto de I
2
y
2
por otras matrices de tama no adecuado es muy sencillo. Pa-
ra realizar el producto de AB s olo que obtener en B las submatrices que debemos
multiplicar por I
2
,
2
y por P y Q. De hecho si consideramos
B =
_
_
2 3
4 5
1 1
2 1
1 1
_
_
siendo
R =
_
2 3
4 5
_
y S =
_
_
1 1
2 1
1 1
_
_
tendremos
AB =
_
I
2
P
2
Q
__
R
S
_
=
_
R + PS
QS
_
=
_
_
5 9
11 9
4 2
13 4
_
_
N otese que se realizan productos de matrices de tama no inferior al de las originales.
En general diremos que una matriz A de orden m n est a dividida en bloques si se
considera la matriz A formada por submatrices.
A =
_
_
A
11
A
12
. . . A
1s
A
21
A
22
. . . A
2s
.
.
.
.
.
.
.
.
.
A
r1
A
r2
. . . A
rs
_
_
siendo A
11
la submatriz de orden m
1
n
1
formada por los elementos de A que ocupan
las m
1
primeras las y las n
1
columnas, A
12
la submatriz de orden m
1
n
2
formada
por los elementos de Aque ocupan las m
1
primeras las y las columnas n
1
+1, , n
1
+
n
2
y as sucesivamente. en general A
ij
es la submatriz de orden m
i
n
j
formado por
los elementos de A que ocupan las las
m
1
+ + m
i1
+1, m
1
+ +m
i1
+2, . . . , m
1
+ + m
i1
+ m
i
y las columnas
n
1
+ + n
j1
+ 1, n
1
+ + n
j1
+ 2, . . . , n
1
+ + n
j1
+ n
j
.
Siendo m
i
n umeros naturales tales que
m
1
+ m
2
+ m
r
= m
y los n
j
n umeros naturales cuya suma es
n
1
+ n
2
+ n
s
= n.
Indicaremos la divisi on diciendo que A es de tama no
(m
1
+ m
2
+ m
r
) (n
1
+ n
2
+ n
s
)
Ejemplo 1.32. Sea la matriz
A =
_
_
1 5 7 0 1
2 3 5 4 1
0 2 3 7 5
4 1 2 3 5
0 2 3 5 2
_
_
Hallar las divisiones en bloques de A de tama nos
a) (2 + 3) (2 + 2 +1)
b) (1 + 2 + 2) (2 +3)
Soluci on. En el primer caso
A =
_
A
11
A
12
A
13
A
21
A
22
A
23
_
=
_
_
1 5 7 0 1
2 3 5 4 1
0 2 3 7 5
4 1 2 3 5
0 2 3 5 2
_
_
siendo
A
11
=
_
1 5
2 3
_
, A
12
=
_
7 0
5 4
_
, A
13
=
_
1
1
_
A
21
=
_
_
0 2
4 1
0 2
_
_
, A
22
=
_
_
3 7
2 3
3 5
_
_
, A
33
=
_
_
5
5
2
_
_
En el segundo caso,
A =
_
_
A
11
A
12
A
21
A
22
A
31
A
32
_
_
=
_
_
1 5 7 0 1
2 3 5 4 1
0 2 3 7 5
4 1 2 3 5
0 2 3 5 2
_
_
siendo
A
11
= [1 5], A
12
= [7 0 1]
A
11
=
_
2 3
0 2
_
, A
22
=
_
5 4 1
3 7 5
_
A
31
=
_
4 1
0 2
_
, A
32
=
_
2 3 5
3 5 2
_
,
Este ejemplo ilustra el hecho de que una matriz puede ser dividida en bloques de
formas distintas.
Las distintas operaciones entre matrices pueden realizarse con matrices divididas
en bloques, siempre y cuando las operaciones puedan realizarse entre los distintos
bloques.
a) Para la suma de dos matrices del mismo orden, sean A, B M
mn
ser a necesario
que las subdivisiones sean iguales, as A y B son de tama no (m
1
+m
2
+ m
r
)
(n
1
+ n
2
+ n
s
),
A+ B =
_
_
A
11
A
12
. . . A
1s
A
21
A
22
. . . A
2s
.
.
.
.
.
.
.
.
.
A
r1
A
r2
. . . A
rs
_
_
+
_
_
B
11
B
12
. . . B
1s
B
21
B
22
. . . B
2s
.
.
.
.
.
.
.
.
.
B
r1
B
r2
. . . B
rs
_
_
=
_
_
A
11
+ B
11
A
12
+ B
12
. . . A
1s
+ B
1s
A
21
+ B
21
A
22
+ B
22
. . . A
2s
+ B
22
.
.
.
.
.
.
.
.
.
A
r1
+ B
r1
A
r2
+ B
r2
. . . A
rs
+ B
rs
_
_
b) El producto por un escalar no tiene complicaci on ya que s olo aparece una matriz
t A = t
_
_
A
11
A
12
. . . A
1s
A
21
A
22
. . . A
2s
.
.
.
.
.
.
.
.
.
A
r1
A
r2
. . . A
rs
_
_
=
_
_
tA
11
tA
12
. . . tA
1s
tA
21
tA
22
. . . tA
2s
.
.
.
.
.
.
.
.
.
tA
r1
tA
r2
. . . tA
rs
_
_
c) En el producto de matrices divididas por bloques, queremos que los bloques ha-
gan el papel de elementos, es decir, que si A = [A
ij
y B = [B
jk
, entonces
AB =
_
s
j=1
A
ij
B
jk
_
para ello los bloques A
ij
y B
jk
deben multiplicarse, es decir A
ij
ha de tener el
mismo n umero de columnas que B
jk
de las. Por lo tanto, si (m
1
+m
2
+ m
r
)
(n
1
+ n
2
+ n
s
) es la divisi on de A, y la de B = (n
1
+ n
2
+ n
s
) (p
1
+ p
2
+
p
t
), es decir si la divisi on de las columnas de A coincide con las las de B,
puede realizarse el producto. En este caso se dice que las divisiones de A y B son
compatibles para el producto por bloques. Se tiene
1.1.10. Matrices semejantes
Denici on 1.5. Sean A, B M
n
, se dice que las matrices A y B son semejantes si
existe una matriz inversible P M
n
, tal que: B = P
1
AP
15 Halle la matriz semejante de la matriz A =
_
5 2
4 1
_
Soluci on. Resolver la ecuaci on: D(A I) = 0, entonces
1
= 3,
2
= 1, luego para
determinar la matriz P, determinamos los vectores columnas resolviendo los sistemas
lineales homog eneos y buscar soluciones no triviales:
(AI)X =
Si
1
= 3 v
1
= (1, 1)
Si
2
= 2 v
2
= (1, 2)
entonces la matriz P =
_
1 1
1 2
_
y la inversa de P, es P
1
=
_
2 1
1 1
_
. Luego multi-
plicar las matrices P
1
AP = B =
_
3 0
0 1
_
Ejemplo 1.33. Hallar la matriz semejante de A, donde A =
_
_
7 1 6
10 4 12
2 1 1
_
_
Soluci on. Resolviendo la ecuaci on p() = D(AI) = 0, tenemos que:
p() =
3
10
2
+ 31 30 = 0,
entonces
( 2)( 3)( 5) = 0
1
= 2,
2
= 3,
3
= 5
Luego hallemos los vectores columnas de la matriz P, entonces:
Si
1
= 2 v
1
= (1, 1, 1)
Si
2
= 3 v
2
= (1, 2, 1)
Si
3
= 5 v
3
= (3, 6, 2)
Luego escribimos la matriz P =
_
_
1 1 3
1 2 6
1 1 2
_
_
y la inversa de P es:
P
1
=
_
_
2 1 0
4 1 3
1 0 1
_
_
Finalmente tenemos la matriz semejante de A es:
B = P
1
AP =
_
_
2 0 0
0 3 0
0 0 5
_
_
1.1.11. Problemas. Matrices
1. Calcular la matriz
2
3
A2B, sabiendo que:
A =
_
6 0 3
1
2
3 1
_
y B =
_
2 1 0
1
4
0
3
2
_
2. Escribir explcitamente las siguientes matrices:
(a) A = [a
ij
]
43
, donde a
ij
= i + 3j (b) A = [a
ij
]
44
, donde a
ij
= 2
i
+3
j
(c) A = [a
ij
]
34
, donde a
ij
= m ax{i, j} (d) A = [a
ij
]
44
, donde a
ij
= 2
i
(1)
j
3. Sean las siguientes matrices iguales, determine las inc ognitas.
(a)
_
x
2
3y
2u (w+ 1)
2
_
=
_
4 16
1 9
_
(b)
_
x 2 0
1 y +1
_
=
_
4 w+2
1 z 0
_
4. Si A =
_
_
1 2 2
2 1 2
2 2 1
_
_
. Demuestre que: A
2
4A+ I =
5. Dadas las matrices:
A =
_
_
1 1 1
2 0 3
3 1 2
_
_
, B =
_
_
1 3
0 2
1 4
_
_
y C =
_
1 2 3 4
2 0 2 1
_
Demostrar que: (AB)C = A(BC)
6. Hallar x, y, z s:
_
_
1 2 0
0 1 5
1 0 1
_
_
_
_
x
y
z
_
_
=
_
_
1
5
2
_
_
7. Demostrar que:
_
1 1
0 1
_
n
=
_
1 n
0 1
_
8. Sabiendo que A =
_
_
1 1 1
0 1 1
0 0 1
_
_
, demostrar que: A
n
=
_
_
1 n
n(n + 1)
2
0 1 n
0 0 1
_
_
9. Si B =
_
Cosx Senx
Senx Cosx
_
. Demuestre que: B
n
=
_
Cos(nx) Sen(nx)
Sen(nx) Cos(nx)
_
10. Demostrar que:
_
a 1
0 a
_
n
=
_
a
n
na
n1
0 a
n
_
11. Determinar la matriz X, sabiendo que: X +
_
0 1
2 2
_
= I
12. Sean las matrices
A =
_
_
1 1 1
0 1 0
3 1 2
_
_
B =
_
_
1 1
0 0
2 2
_
_
C =
_
3
2
_
Obtener: A
2
, ABC y B
t
A
t
13. Desarrollar
a) (A+ I)(AI)
b) (A+ B)(AB)
Sabiendo A, B, I M
nn
14. Sabiendo que
A =
_
pq q
2
p
2
pq
_
Calcular: A
2
15. Obtener A
2
sabiendo que:
A =
_
_
1 1 1
0 1 0
0 0 1
_
_
16. Dada la matriz A =
_
1 1
1 0
_
, calcular: A
2
, A
3
, A
3
, . . ., etc. y vincular los elementos
resultantes con los t erminos de la sucesi on de Fibonacci: 1, 1, 2, 3, 5, 8, 13, . . . donde,
a partir del tercero, cada uno es igual a la suma de los dos anteriores.
17. Demostrar por inducci on matem atica que:
_
1 1
0 1
_
n
=
_
1 n
0 1
_
18. Demostrar por inducci on matem atica que:
_
_
1 1 1
0 1 1
0 0 1
_
_
=
_
_
1 n
n(n+1)
2
0 1 n
0 0 1
_
_
19. Determinar las matrices X M
22
tales que X
2
=
20. Sean A, B M
nn
matrices sim etricas. Hallar una condici on necesaria y suciente
para que su producto AB sea sim etrica.
21. Hallar A
n
, para n IN, donde:
A =
_
_
1 1 0
0 1 1
0 0 1
_
_
22. Hallar una matriz A tal que:
A
3
=
_
_
1 7 1
0 8 38
0 0 27
_
_
23. Hallar A
3
, siendo A la matriz
A =
_
_
0 Cos Sen
Cos 0 1
Sen 1 0
_
_
24. Hallar los n umeros x, y, z, u y v para los que se verica:
_
_
x 2
0 y
z 1
_
_
_
1 v
u 0
_
=
_
_
5 1
3 0
1 2
_
_
25. Sean A, S M
nn
: S es sim etrica. Analice si se verica que:
a) A
t
A es sim etrica.
b) A
t
SA es sim etrica.
c) A es antisim etrica, entonces A
2
es sim etrica
d) A es regular, entonces A
n
= (A
1
)
n
n IN
26. Encuentre la matriz C cuya inversa es C
1
=
_
4 5
6 7
_
27. Sea A =
_
_
0 0 0
1 0 0
1 1 0
_
_
. Demu estrese que A
3
= . Utilice algebra de matrices para
calcular el producto (I A)(I + A+A
2
)
28. Sea A M
nn
que satisface la ecuaci on A
2
2A+ I = . Demu estrese que:
A
3
= 3A2I
A
4
= 4A3I
1.2. Sistemas de ecuaciones lineales
Denici on 1.6. Se llama ecuaci on lineal en las variables o inc ognitas x
1
, x
2
, . . . , x
n
a
una ecuaci on de la forma
a
1
x
1
+ a
2
x
2
+ + a
n
x
n
= b (1.1)
en donde a
1
, a
2
, . . . , a
n
, b IR son n umeros reales dados.
Observaci on.
a) A los n umeros a
i
que multiplica a la incognita x
i
, (i = 1, 2, . . . , n) se le llama coe-
ciente de la inc ognita correspondiente
b) Al n umero b se le llama t ermino independiente de la ecuaci on.
c) Si b = 0, se dice que la ecuaci on (1.1) es homog enea. En caso contrario, se dice que
es no homog enea.
Ejemplo 1.34. Las siguientes ecuaciones son ecuaciones lineales:
a) x + 3y = 7
b) y =
1
2
+ 3x +1
c) x
1
2x
2
3x
3
+ x
4
= 7
d) x
1
+ x
2
+ + x
n
= 1
Los item a), b) son ecuaciones lineales en las variables x e y, mientras que el item c)
es una ecuaci on lineal en las variables x
1
, x
2
, x
3
y x
4
y el item d) es una ecuaci on lineal en
las variables x
1
, x
2
, . . . , x
n
Observaci on. Una ecuaci on lineal no comprende productos o races de variables. Todas
las variables se presentan unicamente a la primera potencia y no aparecen como argumen-
tos para funciones trigonom etricas, logartmicas o exponenciales. Las que siguen no son
ecuaciones lineales:
a) x + 3y
2
= 7
b) y Senx = 0
c) 3x +2y z +xy = 4
d)

x
1
+2x
2
+ x
3
= 1
Denici on 1.7. Una soluci on de una ecuaci on lineal a
1
x
1
+a
2
x
2
+ +a
n
x
n
= b es una
sucesi on de n n umeros s
1
, s
2
, . . . , s
n
, tales que la ecuaci on se satisface cuando se hace la
sustituci on x
1
= s
1
, x
2
= s
2
, . . . x
n
= s
n
. El conjunto de todas las soluciones de la ecuaci on
es su conjunto soluci on.
Ejemplo 1.35. Encu entrese el conjunto soluci on de cada una de las siguientes ecuaciones:
(I) 4x 2y = 1 (II) x
1
4x
2
+ 7x
3
= 5
a) A n de encontrar las soluciones de (I) se puede asignar un valor arbitrario a x y
despejar y, o bien, elegir un valor arbitrario para y y despejar x. Si se sigue el primer
procedimiento y se asigna a x un valor arbitrario t, se obtiene
x = t, y = 2t
1
2
Estas ecuaciones describen el conjunto soluci on en t erminos del par ametro arbitrario
t.
Es posible obtener soluciones num ericas particulares al sustituir t por valores es-
peccos.
Por ejemplo t = 3 proporciona la soluci on x = 3 e y =
11
2
.
y si t =
1
2
proporciona la soluci on x =
1
2
, y =
3
2
b) Si se sigue el segundo procedimiento y se asigna a y el valor arbitrario t, se obtiene
x =
1
2
t +
1
4
, y = t
A un cuando estas f ormulas son diferentes a las obtenidas con anterioridad, propor-
cionan el mismo conjunto soluci on cuando se hace variar t sobre todos los n umeros
reales posibles. Por ejemplo dieron la soluci on x = 3 e y =
11
2
cuando t = 3, mientras
que est as f ormulas conducen a esta soluci on cuando t
1
=
11
2
.
c) Para encontrar el conjunto soluci on de (II) se puede asignar valores arbitrarios a dos
variables cualesquiera y despejar la tercera variable. En particular, si se asignan los
valores arbitrarios s y t a x
2
y x
3
respectivamente, y luego se despeja x
1
se obtiene la
f ormula
x
1
= 5 +4s 7t, x
2
= s, x
3
= t
En esta secci on y en la siguiente, ser a de especial inter es considerar sistemas de ecuaciones
lineales.
Denici on 1.8. Al conjunto de m ecuaciones lineales
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
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
(1.2)
en donde a
ij
, b
i
, donde i = 1, 2, . . . , m, j = 1, 2, . . . , n son n umeros reales dados, se les
llama sistema de m ecuaciones lineales en las n inc ognitas x
1
, x
2
, . . . , x
n
.
Observaci on.
a) Si todos los t erminos independientes b
1
= b
2
= = b
m
= 0, se dice que el sistema
lineal (1.2) es homog eneo. En caso contrario se dice que no es homog eneo.
b) Una soluci on del sistema es una lista de n n umeros (s
1
, s
2
, . . . , s
n
) que da validez a
cada ecuaci on si se reemplazan los valores x
1
= s
1
, x
2
= s
2
, , x
n
= s
n
Por ejemplo, un sistema general de tres ecuaciones lineales en cuatro inc ognitas se escribe:
a
11
x
1
+ a
12
x
2
+a
13
x
3
+ a
14
x
4
= b
1
a
21
x
1
+ a
22
x
2
+a
23
x
3
+ a
24
x
4
= b
2
a
31
x
1
+ a
32
x
2
+a
33
x
3
+ a
34
x
4
= b
3
El subndice doble en los coecientes de las inc ognitas es una util idea que se emplea
para establecer la ubicaci on del coeciente del sistema. El primer subndice del coeciente
a
ij
indica la ecuaci on en la que se encuentra, y el segundo indica la inc ognita que mul-
tiplica. Por lo tanto, a
12
se encuentra en la primera ecuaci on y multiplica a la inc ognita
x
2
.
Si mentalmente se mantiene presente la ubicaci on de los signos +, las x y los signos
=, es posible abreviar un sistema de m ecuaciones lineales en n inc ognitas escribiendo
unicamente el arreglo rectangular o una matriz de n umeros:
_
_
a
11
a
12
. . . a
1n
b
1
a
21
a
22
. . . a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
b
m
_
_
Esto se conoce como matriz aumentada para el sistema lineal.
Ejemplo 1.36. Por ejemplo, el sistema lineal
{
3x + 2y = 7
x +y = 3
tiene por soluci on a x = 1, y = 2 (la soluci on es unica).
No todos los sistemas ecuaciones lineales tienen soluciones. Por ejemplo, si se multiplica
la segunda ecuaci on del sistema
{
x +y = 4
2x + 2y = 6
por
1
2
, es evidente que no hay soluci on alguna, ya que las dos ecuaciones del sistema resul-
tante
{
x + y = 4
x + y = 3
se contradicen entre s.
Cuando un sistema de ecuaciones lineales no tiene soluci on se dice que el sistema es
inconsistente o incompatible. Si existe al menos una soluci on, se le denomina consis-
tente o compatible.
A n de ilustrar las posibilidades que pueden presentarse al resolver sistemas de ecuacio-
nes lineales, consideremos un sistema general de dos ecuaciones lineales en las inc ognitas
x y y
{
a
1
x +b
1
y = c
1
, a
1
= 0 b
1
= 0
a
2
x +b
2
y = c
2
, a
2
= 0 b
2
= 0
Las gr acas de estas ecuaciones en el plano cartesiano son rectas; se har a referencia a ellas
como L
1
y L
2
. Puesto que un punto (x, y) est a sobre la recta si y s olo si los numeros x y y sa-
tisfacen las ecuaciones de la misma, las soluciones del sistema de ecuaciones corresponden
a puntos de intersecci on de L
1
y L
2
. Se tienen tres posibilidades. (Ver Figura)
a) Las rectas L
1
y L
2
pueden ser parale-
las, en cuyo caso no existe intersecci on
alguna y, como consecuencia, no hay
soluci on para el sistema.
Figura 1.1: Ninguna soluci on
b) Las rectas L
1
y L
2
pueden interceptarse
en s olo un punto, en cuyo caso el siste-
ma tiene exactamente una soluci on
Figura 1.2: Una soluci on
c) Las rectas L
1
y L
2
pueden coincidir, en
cuyo caso existe una innidad de pun-
tos de intersecci on y, por consiguiente
una innidad de soluciones para el sis-
tema.
Figura 1.3: Una innidad de soluciones
A un cuando s olo se han considerado dos ecuaciones con dos inc ognitas, posteriormente
se demuestra que se cumple este mismo resultado para sistemas arbitrarios. Podemos dar
una conclusi on.
Denici on 1.9. todo sistema de ecuaciones lineales tiene
tiene exactamente una soluci on
o, no tiene soluci on alguna,
o bien, una innidad de soluciones.
Denici on 1.10. Se dice que dos sistemas lineales son equivalentes si tienen el mismo
conjunto soluci on. Es decir, cada soluci on del primer sistema y tambi en es una soluci on del
segundo sistema, y cada soluci on del segundo sistema tambi en es una soluci on del primer
sistema.
Ejemplo 1.37. Si se observa el sistema
x
1
= 1
x
2
= 1
x
3
= 4
(1.3)
y nos preguntamos la soluci on del sistema lineal (1.3), se ve que no se tiene que hacer nada,
pues est a escrito la soluci on en el sistema.
Sin embargo, si se observa que el sistema
2x
1
+ 3x
2
5x
3
= 21
x
1
+ x
2
+ 3x
3
= 12
5x
1
+ 2x
2
+ 5x
3
= 23
(1.4)
No se puede, a simple vista, decir cu ales son las soluciones, pero reemplazando
x
1
= 1, x
2
= 1 y x
3
= 4
tambi en es soluci on del sistema (1.4). Entonces los sistemas de ecuaciones lineales (1.3) y
(1.4) son equivalentes.
1.2.1. Sistemas equivalentes y m etodo de eliminaci on.
Dado entonces un sistema de ecuaciones lineales para resolver, se deben realizar opera-
ciones algebraicas en las ecuaciones persiguiendo 2 nes:
1. Obtener un sistema m as simple que el dado, por ejemplo en el (1.3) es el m as simple
que (1.4)
2. Que el sistema as obtenido sea equivalente al original.
Esta es la losofa propiamente dicha del m etodo de eliminaci on para resolver sistemas
de ecuaciones.
De esta estrategia general surge una pregunta natural: Qu e tipo de operaciones se pue-
de realizar en las ecuaciones para producir sistemas equivalentes?
V ease que son 3 operaciones, llamadas operaciones elementales en una matriz, que
permiten obtener sistemas equivalentes.

Estas son:
1. Intercambiar de posici on dos de las ecuaciones.
2. Multiplicar una de las ecuaciones por una constante diferente de cero.
3. Sumar a una ecuaci on un m ultiplo de otra.
Ejemplo 1.38. Observemos c omo funcionan estas ideas en nuestro ejemplo del sistema
(1.4). Se tratar a entonces de realizar operaciones elementales en las ecuaciones, cuyo obje-
tivo es crear un sistema equivalente que conduzcan a una simplicaci on y determinar la
soluci on es:
Por ejemplo dado el sistema lineal
2x
1
+ 3x
2
5x
3
= 21
x
1
+x
2
+ 3x
3
= 12
5x
1
+ 2x
2
+ 5x
3
= 23
Primero intercambiamos la primera con la segunda ecuaci on quedando as
x
1
+x
2
+ 3x
3
= 12
2x
1
+ 3x
2
5x
3
= 21
5x
1
+ 2x
2
+ 5x
3
= 23
Sustituya ahora la segunda ecuaci on por ella misma menos 2 veces la primera y la tercera
por ella menos 5 veces la primera, logrando eliminar la incognita x
1
de estas ecuaciones,
queda entonces
x
1
+ x
2
+ 3x
3
= 12
x
2
11x
3
= 45
3x
2
10x
3
= 37
Sustituya ahora la tercera ecuaci on por ella misma m as 3, veces la segunda, quedando
ahora
x
1
+x
2
+ 3x
3
= 12
x
2
11x
3
= 45
43x
3
= 172
Multiplique la tercera ecuaci on por
1
43
x
1
+ x
2
+ 3x
3
= 12
x
2
11x
3
= 45
x
3
= 4
Sustituya la primera ecuaci on por ella menos 3 veces la tercera, y la segunda por ella
misma m as 11 veces la tercera, obtenemos
x
1
+ x
2
= 0
x
2
= 1
x
3
= 4
Finalmente sustituya la primera ecuaci on por ella misma menos la segunda y obtenemos
x
1
= 1
x
2
= 1
x
3
= 4
y as se ha logrado el sistema (1.3), el cual se sabe que tiene las mismas soluciones que el
original (1.4). Por lo tanto, las soluciones de (1.4) son x
1
= 1, x
2
= 1 y x
3
= 4
Ejemplo 1.39. Resolver el sistema lineal
3x
1
2x
2
+ 2x
3
+ x
4
= 1 (E1)
x
1
x
2
+ x
3
3x
4
= 0 (E2)
2x
1
+ x
2
+ 2x
3
+4x
4
= 5 (E3)
4x
1
4x
2
+ x
3
+2x
4
= 4 (E4)
Para abreviar las operaciones elementales en ecuaciones se escribir a del modo compacto,
es decir:
1. (E
i
) (E
j
) para indicar que se est an intercambiando la posici on de las ecuaciones
(E
i
) y (E
j
).
2. (E
i
) k(E
i
) para indicar que se ha multiplicado por k = 0 la ecuaci on (E
i
)
3. y, (E
i
) (E
i
)+k(E
k
) para indicar que se ha sustituido la ecuaci on (E
i
) por ella misma
m as k veces la ecuaci on (E
j
)
Soluci on.
x
1
x
2
+ x
3
3x
4
= 0 (E1) (E2)
3x
1
2x
2
+ 2x
3
+ x
4
= 1
2x
1
+x
2
+ 2x
3
+ 4x
4
= 5
4x
1
4x
2
+ x
3
+ 2x
4
= 4
x
1
x
2
+x
3
3x
4
= 0
x
2
x
3
+ 10x
4
= 1 (E2) (E2) 3(E1)
3x
2
+ 10x
4
= 5 (E3) (E3) 2(E1)
3x
3
+ 14x
4
= 4 (E4) (E4) 4(E1)
x
1
+ +7x
4
= 1 (E1) (E2) + (E1)
x
2
x
3
+10x
4
= 1
3x
3
20x
4
= 2 (E3) (E3) 3(E2)
3x
3
+14x
4
= 4
x
1
+ +7x
4
= 1
x
2
x
3
+ 10x
4
= 1
3x
3
20x
4
= 2
6x
4
= 6 (E4) (E3) + (E4)
x
1
+ +7x
4
= 1
x
2
x
3
+10x
4
= 1
3x
3
20x
4
= 2
x
4
= 1 (E4)
1
6
(E4)
x
1
= 8 (E1) 7(E4) + (E1)
x
2
x
3
= 11 (E2) 10(E4) + (E2)
3x
3
= 18 (E3) 20(E4) + (E3)
x
4
= 1
x
1
= 8
x
2
x
3
= 11
x
3
= 6 (E3)
1
3
(E3)
x
4
= 1
x
1
= 8
x
2
= 5 (E2) (E3) + (E2)
x
3
= 6
x
4
= 1
La soluci on del sistema lineal es: x
1
= 8, x
2
= 5, x
3
= 6 y x
3
= 1.
1.3. El m etodo de eliminaci on de Gauss- Jordan
El objetivo de esta secci on es exponer el m etodo de eliminaci on de Gauss-Jordan para
resolver sistemas de ecuaciones lineales.
El m etodo no es m as que una optimizaci on y sistematizaci onde las ideas expuestas en
el ultimo ejemplo.
Notaci on matricial
La informaci on esencial de un sistema lineal puede registrarse de modo compacto en
un arreglo rectangular llamado matriz.
Por ejemplo dado el sistema lineal
x
1
2x
2
+ x
3
= 0
2x
2
8x
3
= 8
4x
1
+ 5x
2
+9x
3
= 9
(1.5)
con los coecientes de cada variable alineados en columnas, la matriz
A =
_
_
1 2 1
0 2 8
4 5 9
_
_
se llama matriz de coecientes del sistema (1.5), y
A =
_
_
1 2 1 0
0 2 8 8
4 5 9 9
_
_
(1.6)
se llama matriz aumentada o matriz ampliada del sistema. La matriz ampliada de
un sistema consiste en la matriz de coecientes con una columna adicional que contiene
los t erminos independientes de las ecuaciones.
El tama no u orden de una matriz indica su n umero de las y columnas. As por ejemplo
la matriz ampliada A tiene 3 las y 4 columnas, por lo que es una matriz de orden 3 4.
Si m y n son enteros positivos, entonces es una matriz de orden m n es un arreglo
rectangular de n umeros con m las y n columnas.
Dado el sistema de m ecuaciones con n inc ognitas
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
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
(1.7)
Se asocia a este la matriz A (de orden mn) de sus coecientes
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m1
a
mn
_
_
(1.8)
llamada matriz de coecientes (o matriz del sistema lineal), as como la matriz de orden
m(n +1)
_
_
a
11
a
12
a
1n
b
1
a
21
a
22
a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m1
a
mn
b
m
_
_
(1.9)
(La misma matriz A con una ultima columna a nadida, la de los t erminos independientes),
llamada matriz aumentada de coecientes o matriz ampliada.
Ejemplo 1.40. As pues, para el sistema de 2 ecuaciones con 4 inc ognitas
2x
1
x
2
+ 5x
3
3x
4
= 1
x
1
5x
2
+10x
2
2x
4
= 7
Se le asocia una matriz del sistema de orden 2 4
A =
_
2 1 5 3
1 5 10 2
_
y la matriz ampliada
A =
_
2 1 5 3 1
1 5 10 2 7
_
Antes de comenzar a describir la metodologa de la eliminaci on Gaussiana, se introdu-
cir a el concepto de matriz en forma escalonada.
Se dice que la matriz A est a en forma escalonada reducida si en ella se cumple las
siguientes 4 condiciones:
1. Si la matriz posee alguna o algunas las que conste exclusivamente de ceros, estas se
encuentran concentradas en la parte inferior de la matriz.
2. Para cada la de la matriz que no consta de ceros, el primer elemento distinto de cero
(leyendo estos en el orden natural de izquierda a derecha) de tal la es 1.
3. Para cada dos las consecutivas que no constan exclusivamente de ceros, el primer
elemento distinto de cero de la la superior se encuentra a la izquierda del primer
elemento distinto de cero de la lnea a la que precede.
4. Cada columna que contiene un primer elemento distinto de cero de alguna la, tiene
en las posiciones restantes de esta columna de ceros.
Ejemplo 1.41. Por ejemplo, las siguientes matrices se encuentran en la forma escalona-
da reducida:
(a) A =
_
_
1 0 0 2
0 1 0 1
0 0 1 4
_
_
(b) B =
_
_
0 0 1 0 2
0 0 0 1 4
0 0 0 0 0
_
_
(c) C =
_
_
1 6 0
0 0 1
0 0 0
0 0 0
_
_
(d) D =
_
_
1 0 0
0 1 0
0 0 1
_
_
(e) E =
_
0 0 0
0 0 0
_
mientras que las matrices
(a)
_
_
1 0 3 2
0 1 0 1
0 0 1 4
_
_
(b)
_
_
0 0 1 6 2
0 0 0 1 4
0 0 0 0 0
_
_
(c)
_
_
1 0 0
0 0 1
0 0 10
_
_
son matrices escalonadas.
Las propiedades m as importantes que posee una matriz en la forma escalonada redu-
cida es que esta representa la matriz aumentada de un sistema de ecuaciones lineales, las
soluciones de este pueden leerse muy f acilmente.
Ejemplo 1.42. Por ejemplo, suponga que la matriz
A =
_
_
1 0 0 0 4
0 1 0 0 2
0 0 1 0 1
0 0 0 1 4
_
_
representa la matriz ampliada de un sistema de ecuaciones lineales, de modo que atendien-
do a la correspondencia entre matrices y sistemas de ecuaciones establecida anteriormente,
se ve que el sistema correspondiente es:
1.x
1
+ 0.x
2
+ 0.x
3
+0.x
4
= 4
0.x
1
+ 1.x
2
+ 0.x
3
+0.x
4
= 2
0.x
1
+ 0.x
2
+ 1.x
3
+0.x
4
= 1
0.x
1
+ 0.x
2
+ 0.x
3
+1.x
4
= 4
o sea, x
1
= 4, x
2
= 2, x
3
= 1, x
4
= 4. Las soluciones del sistema est an dadas, pues, en la
matriz.
Por otra parte, si la matriz
A =
_
_
1 0 0 3
0 1 1 2
0 0 0 0
_
_
es la matriz ampliada de un sistema de ecuaciones, este sera entonces
x
1
= 3
x
2
+ x
3
= 2
Dando cualquier valor a x
3
, sea este x
3
= t, se obtiene el valor de x
2
= 2 t y entonces el
conjunto innito de soluciones del sistema est a dado por
x
1
= 3, x
2
= 2 t, x
3
= t, t IR
o equivalentemente
_
_
x
1
x
2
x
3
_
_
=
_
_
3
2 t
t
_
_
, t IR
Ejemplo 1.43. Si la matriz A en la forma escalonada reducida representa a un sistema
lineal, donde
A =
_
1 0 0
0 0 1
_
se ve que el sistema correspondiente
1.x
1
+ 0.x
2
= 0
0.x
1
+ 0.x
2
= 1
no tiene soluci on.
En conclusi on, la forma escalonada reducida de una matriz, cuando esta representa
la matriz ampliada de un sistema de ecuaciones, es muy conveniente para ella leer las
soluciones del sistema.
Ejemplo 1.44. Halle la matriz escalonada reducida de la siguiente matriz
Soluci on. La matriz equivalente dado en la forma escalonada reducida es:
A =
_
_
1 2 1 4
5 1 6 0
2 3 3 4
_
_

_
_
1 0 0 2
0 1 0 2
0 0 1 2
_
_
entonces la soluci on del sistema lineal asociado sera: x = 2, y = 2 y z = 2
Ejemplo 1.45. Considere el sistema lineal de ecuaciones
x + y + 2z = a
x +z = b
2x + y + 3z = c
Demuestre que para que el sistema sea consistente, a, b, c deben satisfacer c = a + b.
Soluci on. La representaci on matricial tenemos:
_
_
1 1 2 a
1 0 1 b
2 1 3 c
_
_

_
_
1 1 2 a
0 1 1 a + b
0 1 1 2a + c
_
_

_
_
1 0 1 b
0 1 1 a b
0 0 0 a b + c
_
_
1 1 0 a + 2b
0 1 1 a b
0 0 0 a b + c
_
_
De la ultima la vemos que el sistema lineal tiene soluci on si ab+c = 0 a+b = c,
mientras que dicho sistema lineal no tiene soluci on si a b + c = 0
Si las matrices aumentadas de dos sistemas lineales son equivalentes por las, entonces
los dos sistemas tienen el mismo conjunto soluci on.
La siguiente secci on mostrar a por qu e un conjunto soluci on de un sistema lineal puede
contener ninguna soluci on, o bien, tener una soluci on o un n umero innito de soluciones
Dos preguntas fundamentales acerca de un sistema lineal
1. El sistema es consistente, es decir, al menos existe una soluci on?
2. Si existe una soluci on, solo hay una, es decir, la soluci on es unica?
Estas dos preguntas se presentar an a lo largo del desarrollo.
Ejemplo 1.46. Determine si el siguiente sistema es consistente
x
1
2x
2
+ x
3
= 0
2x
2
8x
3
= 8
4x
1
+ 5x
2
+ 9x
3
= 9
La representaci on matricial es la siguiente matriz
_
_
1 2 1 0
0 2 8 8
4 5 9 9
_
_

_
_
1 0 0 29
0 1 0 16
0 0 1 3
_
_
As que x
1
= 29, x
2
= 16 y x
3
= 3, es decir el sistema lineal es consistente con soluci on
unica.
Ejemplo 1.47. Determine si el siguiente sistema es consistente.
x
2
4x
3
= 8
2x
1
3x
2
+ 2x
3
= 1
5x
1
8x
2
+ 7x
3
= 1
Soluci on. La matriz ampliada es:
_
_
0 1 4 8
2 3 2 1
5 8 7 1
_
_

_
_
1 0 5 0
0 1 4 0
0 0 0 1
_
_
Vemos de la tercera ecuaci on que 0x
1
+ 0x
2
+ 0x
3
= 1, no existen n umeros reales que satis-
facen esta ecuaci on, por lo tanto el sistema es inconsistente.
Ejemplo 1.48. Resolver el sistema lineal
x + y + z = 1
3x + 6y + 5z = 2
x + 4y + 3z = 0
Soluci on. Utilizando matrices y matrices equivalentes, tenemos:
_
_
1 1 1 1
3 6 5 2
1 4 3 0
_
_

_
_
1 0 1/3 4/3
0 1 2/3 1/3
0 0 0 0
_
_
de la matriz escalonada reducida vemos que, el sistema lineal tiene innitas soluciones:
x =
4
3

t
3
,
y =
1
3

2t
3
,
z = t,
t IR
Observemos que los sistemas lineales m as f aciles de resolver son los sistemas diagona-
les que tiene la forma
x
1
= b
1
,
x
2
= b
2
,
.
.
.
.
.
.
x
n
= b
n
(1.10)
cuya matriz ampliada es escalonada reducida.
En orden de dicultad creciente se encuentran los sistemas
x
1
+a
12
x
2
+ a
1n
x
n
= b
1
,
x
2
+ a
2n
x
n
= b
2
,
.
.
.
.
.
.
x
n
= b
n
(1.11)
que se conocen con el nombre de sistemas triangulares superiores, cuya matriz ampliada
es escalonada. Estos sistemas se resuelven por sustituci on regresiva.
El siguiente ejemplo ilustra el m etodo de sustituci on regresiva, cuyo algoritmo daremos
a continuaci on.
Ejemplo 1.49. Resolver el sistema de ecuaciones lineales:
x
1
+2x
2
x
3
= 5,
x
2
+ 3x
3
= 2,
x
3
= 1.
Soluci on. De la ultima ecuaci on obtenemos que x
3
= 1. Despejando de la segunda ecuaci on
x
2
y sustituyendo el valor de x
3
, obtenemos:
x
2
= 2 3x
3
x
2
= 2 3(1) = 5
Por ultimo, despejando de la primera ecuaci on x
1
y sustituyendo los valores de x
2
y x
3
,
tenemos:
x
1
= 5 2x
2
+ x
3
x
1
= 5 2(5) (1) = 14
Por lo tanto, la soluci on del sistema es la terna (x
1
, x
2
, x
3
) = (14, 5, 1)
Algoritmo 1 (Sustituci on regresiva)
1. Calcular x
n
de la ultima ecuaci on.
2. Para i = n 1, n 2, . . . , 1 calcular x
i
como:
x
i
= b
i

n
j=i+1
a
ij
x
j
.
Se puede comprobar que las operaciones que se efect uan en el algoritmo de sustituci on re-
gresiva son equivalentes a las que se realizan para obtener la matriz escalonada reducida
del sistema triangular a partir de la matriz escalonada. En consecuencia dado un sis-
tema lineal es conveniente reducirla a un sistema equivalente del tipo (1.11) y resolverlo
por sustituci on regresiva. Esto es, obtener la matriz escalonada y a partir de ella obtener
la matriz escalonada reducida.
Los siguientes algoritmos, mediante operaciones elementales, obtienen la matriz esca-
lonada, la matriz escalonada reducida y la soluci on de un sistema. En estos algoritmos se
entiende que una la est a pivotada cuando se ha hecho un uno principal y se han anu-
lado los elementos de la columna del uno principal, que est an por debajo de el. El n umero
por el que hay que dividir la la que se quiere pivotar, para obtener un uno principal, se
llama pivote.
Algoritmo 2. Este algoritmo calcula la forma escalonada de una matriz.
1. REPETIR los pasos a b hasta que todas las las hayan sido pivotadas o todos los
elementos de las las no pivotadas sean ceros.
a) ELECCI

ON DE LA FILA PIVOTE. De entre todas las las no pivotadas elegir
la primera que tenga un elemento no nulo m as a la izquierda. La la elegida es
la la pivote, su primer elemento no nulo es el pivote.
b) REORDENACI

ON DE LA MATRIZ. Si la la pivote no es la primera de las
todava no pivotadas, intercambiarlas (operaci on elemental de tipo I)
c) HACER UN UNO PRINCIPAL. Dividir la la pivote por el pivote. (operaci on
elemental del tipo II)
d) ANULAR LOS ELEMENTOS SITUADOS DEBAJO DEL PIVOTE. A cada una
de las las siguientes a la la pivote restarla esta multiplicada por el elemento
de la correspondiente la situado debajo del uno principal (operaci on elemental
del tipo III). Considerar la la pivote como ya pivotada.
Denici on 1.11. Se llama forma escalonada de una matriz a la matriz resultante de
aplicar el algoritmo 2.
Ejemplo 1.50. Calcular la forma escalonada de la matriz
A =
_
_
0 1 3 2
2 1 4 1
1 1 1 2
0 3 6 3
_
_
Soluci on. Vamos a calcular la forma escalonada de la matriz A detallando los pasos del
algoritmo 2.
1. La primera la que tiene un elemento no nulo m as a la izquierda es la segunda la.
Por lo tanto la la pivote es:
_
2 1 4 1
_
y el pivote es su primer elemento no nulo, es decir 2.
2. Como la la pivote no es la primera de las no pivotadas (no hay todava ninguna la
pivotada), la intercambiamos, realizando la operaci on elemental de tipo I siguiente
_
_
0 1 3 2
2 1 4 1
1 1 1 2
0 3 6 3
_
_
F2F1
_
2 1 4 1
0 1 3 2
1 1 1 2
0 3 6 3
_
_
3. Para conseguir un uno principal, tendremos que dividir la la pivote (que ahora
est a en la primera posici on) por el pivote, lo cual es equivalente a realizar la operaci on
elemental del tipo II siguiente:
_
_
2 1 4 1
0 1 3 2
1 1 1 2
0 3 6 3
_
_
F1
1
2
F1
_
1
1
2
2
1
2
0 1 3 2
1 1 1 2
0 3 6 3
_
_
4. Para anular los elementos que est an debajo del uno principal debemos realizar la
siguiente operaci on elemental
_
_
1
1
2
2
1
2
0 1 3 2
1 1 1 2
0 3 6 3
_
_
F3F1F3
_
1
1
2
2
1
2
0 1 3 2
0
3
2
3
3
2
0 3 6 3
_
_
Llegados a este punto, la la pivote la consideramos como la pivotada. Como todava
quedan las por pivotar, volvemos al paso primero.
1. En este caso la nueva la pivote es la segunda
_
0 1 3 2
_
, ya que es de las no
pivotadas la primera que tiene un elemento no nulo m as a la izquierda. El pivote es
1.
2. Como la la pivote es la primera de las no pivotadas, no necesitamos hacer ning un
intercambio.
3. Como el pivote es 1, ya tenemos el uno principal.
4. Vamos a anular los elementos situados por debajo del uno principal. Para ello reali-
zamos las siguientes operaciones
_
_
1
1
2
2
1
2
0 1 3 2
0
3
2
3
3
2
0 3 6 3
_
_
F3
3
2
F2F3
_
1
1
2
2
1
2
0 1 3 2
0 0
15
2

3
2
0 3 6 3
_
_
F43 F2F4
_
1
1
2
2
1
2
0 1 3 2
0 0
15
2

3
2
0 0 15 3
_
_
La la pivote ya est a pivotada. Como quedan las por pivotar volvemos de nuevo al paso
primero.
1. La la pivote es ahora la tercera la
_
0 0
15
2

3
2
_
, que es la primera de las no
pivotadas. EL pivote es
15
2
.
2. De nuevo, como la la pivote es la primera de las no pivotadas no necesitamos inter-
cambiar las.
3. Para conseguir un uno principal tenemos que dividir a la la pivote por
15
2
. Es
decir
_
_
1
1
2
2
1
2
0 1 3 2
0 0
15
2

3
2
0 0 15 3
_
2
15
F3F3
_
1
1
2
2
1
2
0 1 3 2
0 0 1
1
5
0 0 15 3
_
_
4. Para anular los elementos que est an por debajo del uno principal realizamos la si-
guiente operaci on elemental.
_
_
1
1
2
2
1
2
0 1 3 2
0 0 1
1
5
0 0 15 3
_
_
F4+15F3F4
_
1
1
2
2
1
2
0 1 3 2
0 0 1
1
5
0 0 0 0
_
_
La la pivote, ya est a pivotada. Como todos los elementos de las las no pivotadas son
nulos, se ha terminado, el proceso de reducci on.
La matriz obtenida es la forma escalonada reducida de una matriz A.
Algoritmo 3. Este algoritmo calcula la forma escalonada reducida de una matriz.
1. Aplicar el Algoritmo 2.
2. ANULAR LOS ELEMENTOS SITUADOS POR ENCIMA DE LOS UNOS PRINCI-
PALES. Del ultimo uno principal hasta el primero. A cada la situada por encima
de la la elegida con un uno principal, restarle esta, multiplicada por el elemento de
la la correspondiente y la columna del uno principal.
Es interesante comprobar que la segunda parte del algoritmo 3 coincide con el algoritmo 1
de sustituci on regresiva.
Denici on 1.12. Se llama forma escalonada reducida de una matriz resultante de
aplicarla el algoritmo 3.
En el siguiente ejemplo vamos a obtener la forma escalonada reducida de una matriz
siguiendo los pasos dados en el algoritmo 3.
Ejemplo 1.51. Calcular la forma escalonada reducida de la matriz
A =
_
_
0 1 3 2
2 1 4 1
1 4 1 2
0 3 6 3
_
_
Soluci on.
1. Aplicar el algoritmo 2 a la matriz A para obtener su forma escalonada. En el ejemplo
anterior, hemos obtenido que la forma escalonada de la matriz A es:
A =
_
_
0 1 3 2
2 1 4 1
1 4 1 2
0 3 6 3
_
_

_
_
1
1
2
2
1
2
0 1 3 2
0 0 1
1
5
0 0 0 0
_
_
= S
2. Anular los elementos por encima de los unos principales. El ultimo uno principal
est a en la tercera la y tercera columna, por tanto, para anular los elementos que
est an por encima de el debemos realizar las siguientes operaciones elementales del
tipo III:
_
_
1
1
2
2
1
2
0 1 3 2
0 0 1
1
5
0 0 0 0
_
_
F23F3F2
_
1
1
2
2
1
2
0 1 0
7
5
0 0 1
1
5
0 0 0 0
_
_
F12F3F1
_
1
1
2
0
1
10
0 1 0
7
5
0 0 1
1
5
0 0 0 0
_
_
Observaci on. Es conveniente observar que al anular los elementos que est an por en-
cima del uno principal, s olo varan en la matriz los elementos situados en las las que
est an por encima del uno principal y en las columnas situadas a la derecha de dicho
uno principal. Por lo tanto los unos principales de la forma escalonada se mantienen.
Para anular, ahora, los elementos situados por encima del siguiente uno principal de
la segunda la debemos realizar la siguiente operaci on elemental del tipo III,
_
_
1
1
2
0
1
10
0 1 0
7
5
0 0 1
1
5
0 0 0 0
_
_
F1+
1
2
F2F1
_
1 0 0
4
5
0 1 0
7
5
0 0 1
1
5
0 0 0 0
_
_
Como el siguiente uno principal ya es el primero, la matriz anterior es la forma escalonada
reducida de la matriz inicial A.
Ejemplo 1.52. Obtener la forma escalonada y escalonada reducida de la matriz
B =
_
_
1 1 1 2
1 2 3 5
2 1 0 3
_
_
Soluci on. De acuerdo con el algoritmo 2 las siguientes operaciones elementales producen
la matriz escalonada:
_
_
1 1 1 2
1 2 3 5
2 1 0 3
_
_
F2+F1F2
_
1 1 1 2
0 1 4 7
2 1 0 3
_
_
F32F1F3
_
1 1 1 2
0 1 4 7
0 3 2 1
_
_
F33F2F2
_
1 1 1 2
0 1 4 7
0 0 14 22
_
1
14
F3F3
_
1 1 1 2
0 1 4 7
0 0 1
11
7
_
_
que es la forma escalonada de la matriz inicial.
Aplicando el algoritmo 3 a la matriz escalonada obtenida mediante operaciones ele-
mentales.
_
_
1 1 1 2
0 1 4 7
0 0 1
11
7
_
_
F24F3F2
_
1 1 1 2
0 1 0
5
7
0 0 1
11
7
_
_
F1F3F1
_
1 1 0
3
7
0 1 0
5
7
0 0 1
11
7
_
_
F1+F2F1
_
1 0 0
8
7
0 1 0
5
7
0 0 1
11
7
_
_
se obtiene la forma escalonada reducida de la matriz original.
Para resolver un sistema lineal de ecuaciones lineales, seg un las reglas expuestas an-
teriormente, debemos hallar la forma escalonada reducida de la matriz de coecientes del
sistema, y hacer las mismas operaciones elementales con la mtupla de t erminos indepen-
dientes. Teniendo en cuenta que en cada paso obtendremos sistemas equivalentes, entonces
llegamos a obtener un sistema equivalente al original. El siguiente algoritmo explica el
proceso a seguir, es una variante del conocido algoritmo de Gauss.
Algoritmo 4 (Algoritmo de Gauss) Este algoritmo resuelve el sistema lineal de m ecua-
ciones y n inc ognitas, cuya matriz ampliada es [A b].
1. Aplicar el algoritmo 3 a la matriz [A b].
2. Si la matriz escalonada reducida resultante tiene un uno principal en la ultima
columna, ENTONCES el sistema es INCOMPATIBLE.
3. Si la matriz escalonada reducida resultante no tiene un uno principal en la ultima
columna, ENTONCES el sistema es COMPATIBLE, y su soluci on es en:
a) Si todas las columnas excepto la ultima columna tienen un uno principal, la
matriz resultante ser a de la forma:
_
_
1 0 . . . 0 s
1
0 1 . . . 0 s
2
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1 s
n
0 0 . . . 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 0 0
_
_
(1.12)
entonces el sistema es COMPATIBLE DETERMINADO y la soluci on es:
(s
1
, s
2
, . . . , s
n
)
b) Si alguna columna que no es la ultima no tiene uno principal, el sistema es
COMPATIBLE INDETERMINADO. La soluci on param etrica se obtiene de la
siguiente forma:
1) Formar la nupla siguiente. Si en la columna i hay un uno principal poner
como elemento i de la nupla el elemento de la matriz situada en la la del
uno principal y en la ultima columna
_
_
. . . . . . . . . . . . . . . . . .
0 . . . 0 1 . . . s
. . . . . . . . . . . . . . . . . .
_
_
_
_
.
.
.
s
.
.
.
_
_
fil i
col i
Si en la columna i no hay un uno principal poner un cero en la nupla
_
_
. . . . . . . . . . . . . . . . . .
0 . . . 0 . . . s
. . . . . . . . . . . . . . . . . .
_
_
_
_
.
.
.
0
.
.
.
_
_
fil i
col i
Esta nupla es una soluci on particular del sistema de ecuaciones linea-
les.
2) A cada columna j que no sea la ultima y no tenga un uno principal asig-
narle un par ametro (un par ametro diferente por cada columna). Para cada
par ametro sumar a la soluci on particular el producto del par ametro por la
siguiente nupla; si en la columna i hay un uno principal, poner en el ele-
mento i de la nupla el elemento situado en la columna del par ametro y en
la la del uno principal, cambiado de signo. En el lugar de la columna del
par ametro poner un uno. Completar los dem as elementos de la nupla con
ceros.
_
_
. . . . . . . . . . . . . . . . . . . . .
0 . . . 0 1 . . . d . . .
. . . . . . . . . . . . . . . . . . . . .
_
_
_
_
.
.
.
d
.
.
.
1
.
.
.
_
_
fil i
fil j

col i col j
Es importante observar que si las columnas j
1
, j
2
, . . . , j
nr
son las que no tienen un uno
principal, el elemento j
s
esima de la nupla correspondiente a la columna j
t
ser a un uno
si t = s o un cero si t = s, adem as los elementos que hay por debajo del elemento j
t
son
todos nulos, debido a la forma escalonada reducida de la matriz.
Ejemplo 1.53. Escribir la soluci on del sistema lineal cuya matriz ampliada es
_
_
1 2 0 3 0 1
0 0 1 1 0 2
0 0 0 0 1 4
0 0 0 0 0 0
_
_
Soluci on. Como el sistema es compatible indeterminado, ya que las columnas segunda y
cuarta no tienen un uno principal, y la ultima tampoco, vamos a obtener la soluci on apli-
cando los pasos correspondiente del algoritmo 4.
En primer lugar vamos a construir una 5upla, siguiendo el paso 3.b.1 de dicho algo-
ritmo. Como las columnas primero, tercero y quinta tienen un uno principal, los elementos
primero, tercero y quinto de dicha 5pla ser an situados en la ultima columna y en las las
primera, segunda y tercera, (son las las de los unos principales), respectivamente. Como
las columnas segunda y cuarta no tienen un uno principal los elementos segundo y cuarto
de la 5upla que estamos construyendo ser an nulos. Por lo tanto obtenemos
_
_
1
0
2
0
4
_
_
Se puede comprobar f acilmente que dicha 5upla es una soluci on particular del sistema
inicial planteado.
Como la segunda columna no tiene un principal, siguiendo los pasos 3.b.2 del algoritmo
4, le asignamos un par ametro y formamos la 5upla. En las columnas primera, tercero y
quinto ser an los situados en la segunda columna y en las las primera, segunda y tercera
(las de los unos principales) cambiados de signo. El segundo elemento ser a un uno, ya
que est a columna es la del par ametro. El cuarto ser a nulo ya que en dicha columna no hay
un uno principal. Por lo tanto obtenemos la 5upla siguiente
_
_
2
1
0
0
0
_
_
Observar que los elementos situados por debajo del uno principal correspondiente a la co-
lumna del par ametro son nulos. Esto es debido a que corresponden a columnas que no
tienen un uno principal, o a columnas que s tienen un uno principal pero est an a la dere-
cha de la columna del par ametro, y por la forma escalonada reducida de la matriz estos
son nulos.
La cuarta columna tampoco tiene un uno principal. Por lo tanto le asignamos un
par ametro y siguiendo los pasos anteriores construimos la siguiente 5upla
_
_
3
0
1
1
0
_
_
sumando a la soluci on, particular las 5uplas obtenidas a, multiplicadas por el par ametro
correspondiente, obtenemos la soluci on del sistema
_
_
x
1
x
2
x
3
x
4
x
5
_
_
=
_
_
1
0
2
0
4
_
_
s
_
_
2
1
0
0
0
_
_
+ s
_
_
3
0
1
1
0
_
_
Obs ervese que el n umero de par ametros, es 2, es igual al n umero de inc ognitas, 5, menos el
n umero de unos principales, 3. .
Ejemplo 1.54. Escribir la soluci on del sistema cuya matriz ampliada es
_
_
0 1 0 3 0 2 0 0 3
0 0 1 2 0 1 0 0 5
0 0 0 0 1 1 0 0 4
0 0 0 0 0 0 1 0 7
0 0 0 0 0 0 0 1 2
_
_
Igual que en el ejemplo.1.4.1, los par ametros corresponden a las columnas primera, cuar-
ta y sexta, ya que estas no tienen unos principales. As, de acuerdo con el paso 3.b del
algoritmo 4 la soluci on es:
_
_
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
_
_
=
_
_
0
3
5
0
4
0
7
2
_
_
+ s
1
_
_
1
0
0
0
0
0
0
0
_
_
+ s
2
_
_
0
3
2
1
0
0
0
0
_
_
+ s
3
_
_
0
2
1
0
1
1
0
0
_
_
El siguiente teorema establece la validez del algoritmo de Gauss
Teorema 1.3. Supongamos que se aplica el algoritmo de Gauss a la matriz ampliada de
un sistema de m ecuaciones lineales y n inc ognitas.
1. Si el algoritmo de Gauss acaba en el paso 2 el sistema original es incompatible.
2. Si el algoritmo de Gauss acaba en el paso 3 el sistema original es compatible, y la
nupla que se construye en el es el conjunto de todas las soluciones del sistema.
Teorema 1.4. (Teorema de Rouche - Frobenius) Un sistema de ecuaciones lineales es:
1. Incompatible si, y s olo si, la forma escalonada de la matriz ampliada del sistema
tiene un uno principal m as que la forma escalonada de la forma escalonada de la
matriz de coecientes.
2. Compatible si, y s olo si, las formas escalonadas de la matriz ampliada del sistema y
la de coecientes tienen el mismo n umero de unos principales. En este caso el sistema
es determinado si, y s olo si, el n umero de unos principales coincide con el n umero de
inc ognitas, y es indeterminado si es menor.
Demostraci on. Es consecuencia del algoritmo 4.
Ejemplo 1.55. Resolver el sistema
x
1
+x
2
x
3
+2x
4
= 1
2x
1
+3x
2
+ +x
3
= 2
x
2
+ x
3
+3x
4
= 4
x
1
2x
2
x
3
2x
4
= 1
Soluci on. Realizamos las siguientes operaciones elementales en la matriz ampliada
_
_
1 1 1 2 1
2 3 0 4 2
0 1 1 3 4
1 2 1 2 2
_
_
F22F1F2
_
1 1 1 2 1
0 1 2 0 0
0 1 1 3 4
1 2 1 2 2
_
_
F4+F1F4
_
1 1 1 2 1
0 1 2 0 0
0 1 1 3 4
0 1 2 0 0
_
_
F3F2F3
_
1 1 1 2 1
0 1 2 0 0
0 0 1 3 4
0 1 2 0 0
_
_
F4+F2F4
_
1 1 1 2 1
0 1 2 0 0
0 0 1 3 4
0 0 0 0 0
_
_
F3F3
_
1 1 1 2 1
0 1 2 0 0
0 0 1 3 4
0 0 0 0 0
_
_
La ultima matriz es la forma escalonada de la matriz ampliada del sistema. Como la
cuarta columna no tiene uno principal, y la ultima tampoco, el sistema es compatible
indeterminado, y tiene innitas soluciones. A continuaci on se obtiene la forma escalonada
reducida.
_
_
1 1 1 2 1
0 1 2 0 0
0 0 1 3 4
0 0 0 0 0
_
_
F22F3F2
_
1 1 1 2 1
0 1 0 6 8
0 0 1 3 4
0 0 0 0 0
_
_
F1+F3F1
_
1 1 0 1 5
0 1 0 6 8
0 0 1 3 4
0 0 0 0 0
_
_
F1F2F1
_
1 0 0 7 13
0 1 0 6 8
0 0 1 3 4
0 0 0 0 0
_
_
Luego las soluciones, en forma param etrica, del sistema lineal dado son, de acuerdo con el
algoritmo 4,
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
13
8
4
0
_
_
+ t
_
_
7
6
3
1
_
_
que, realizando las operaciones, puede escribirse como
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
7t + 13
6t 8
3t + 4
t
_
_
, t IR
Ejemplo 1.56. Encontrar los valores de b que hacen que el sistema
x
1
+ bx
2
2x
3
= 2
x
1
+ (b 2)x
2
+ 2x
3
= 2
2x
1
+ 2x
2
+ (b 4)x
3
= 3
tenga una soluci on, innitas soluciones, y ninguna soluci on.
Soluci on. Utilicemos el algoritmo de Gauss. Para ello realizamos operaciones elementales
en la matriz ampliada
_
_
1 b 2 2
1 b 2 2 2
2 2 b 4 3
_
_
F2+F1F2
_
1 b 2 2
0 2b 2 0 0
2 2 b 4 3
_
_
F32F1F3
_
1 b 2 2
0 2b 2 0 0
0 2 2b b 1
_
_
Seg un sea b podremos elegir el elemento (2, 2), es decir 2b 2, como pivote o no. Conside-
remos dos casos.
1. Supongamos que b = 1. Entonces, la matriz escalonada ser a
_
_
1 1 2 2
0 0 0 0
0 0 1 1
_
_
F2F3
_
1 1 2 2
0 0 1 1
0 0 0 0
_
_
Para obtener la matriz escalonada reducida hacemos la siguiente operaci on elemen-
tal
_
_
1 1 2 2
0 0 1 1
0 0 0 0
_
_
F1+2F2F1
_
1 1 0 0
0 0 1 1
0 0 0 0
_
_
que tiene como soluci on en forma param etrica la terna
_
_
x
1
x
2
x
3
_
_
=
_
_
t
t
1
_
_
=
_
_
0
0
1
_
_
+ t
_
_
1
1
0
_
_
, t IR
donde se ha tomado la variable x
2
como par ametro. N otese que el sistema es equiva-
lente a
{
x
1
+ x
2
= 0
x
3
= 1
Luego, si b = 1 el sistema lineal tiene innitas soluciones.
2. Supongamos que b = 1, es decir 2b 2 = 0. En este caso la matriz escalonada es
_
_
1 b 2 2
0 2b 2 0 0
0 2 2b b 1
_
_
1
2b2
F2F2
_
1 b 2 2
0 1 0 0
0 2 2b b 1
_
_
F3(22b) F2F3
_
1 b 2 2
0 1 0 0
0 0 b 1
_
_
Consideremos ahora dos casos seg un b sea distinto o igual a cero.
a) Si b = 0, en cuyo caso obtenemos
_
_
1 b 2 2
0 1 0 0
0 0 b 1
_
_
1
b
F3F3
_
1 b 2 2
0 1 0 0
0 0 1
1
b
_
_
la forma escalonada reducida es
_
_
1 b 2 2
0 1 0 0
0 0 1
1
b
_
_
F1+2F3F1
_
1 b 0 2
2
b
0 1 0 0
0 0 1
1
b
_
_
F1bF2F1
_
1 0 0 2
2
b
0 1 0 0
0 0 1
1
b
_
_
cuya soluci on es
_
_
2
2
b
0
1
b
_
_
Obs ervese que el sistema equivalente, al original, es el sistema diagonal
x
1
= 2
2
b
x
2
= 0
x
3
=
1
b
Luego si b = 1 y b = 0, entonces el sistema se compatible determinado.
b) Si b = 0. Ahora la matriz se reduce a
_
_
1 0 2 2
0 1 0 0
0 0 1 1
_
_
en la que podemos hacer un uno principal en la ultima columna, por lo tanto
el sistema es incompatible. N otese que en este caso el sistema es equivalente al
sistema triangular

x
1
2x
3
= 2
x
2
= 0
0 = 1
cuya ultima ecuaci on es un absurdo. As pues si b = 0 no hay soluciones.
x
1
x
2
+ x
3
2x
4
= 3
2x
1
+ x
2
+ x
3
+ x
4
= 2
x
1
+2x
2
+ 3x
4
= 5
de tres ecuaciones con cuatro inc ognitas.
Soluci on Apliquemos operaciones elementales a la matriz ampliada del sistema seg un el
algoritmo de Gauus
_
_
1 1 1 2 3
2 1 1 1 2
1 2 0 3 5
_
_
F22F1F2
_
1 1 1 2 3
0 3 1 5 8
1 2 0 3 5
_
_
F3F1F3
_
1 1 1 2 3
0 3 1 5 8
0 3 1 5 8
_
_
1
3
F2F2
_
1 1 1 2 3
0 1
1
3
5
3

8
3
0 3 1 5 8
_
_
F33F2F3
_
1 1 1 2 3
0 1
1
3
5
3

8
3
0 0 0 0 0
_
_
Esta es la matriz escalonada. Para obtener la matriz escalonada reducida hay que realizar
la operaci on elemental
_
_
1 1 1 2 3
0 1
1
3
5
3

8
3
0 0 0 0 0
_
_
F1+F2F1
_
1 0
2
3

1
3
1
3
0 1
1
3
5
3

8
3
0 0 0 0 0
_
_
El sistema equivalente asociado es
{
x
1
+
2
3
x
3

1
3
x
4
=
1
3
x
2

1
3
x
3
+
5
3
x
4
=
8
3
Considerando las variables x
3
y x
4
como par ametros obtenemos el conjunto de soluciones
_
_
1
3

2
3
s +
1
3
t
8
3
+
1
3
s
5
3
t
s
t
_
_
=
_
_
1
3
8
3
0
0
_
_
+ s
_
2
3
1
3
1
0
_
_
+ t
_
_
1
3
5
3
0
1
_
_
, s, t IR
Obs ervese que en este caso las soluciones dependen de dos par ametros.
1.4. Rango de un sistema de ecuaciones lineales
Consideremos el sistema de ecuaciones lineales
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
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
(1.13)
donde:
A = [ a
ij
] es la matriz de los coecientes del sistema.1.13
X = [ x
j
] es la matriz de las inc ognitas
B = [ b
i
] es la matriz de los t erminos independientes
A =
_
A B
_
es la matriz ampliada.
Denici on 1.13. Sea A la matriz ampliada del sistema lineal.1.13 y sea E la matriz
escalonada reducida de A, el n umero de las no nulas la matriz E es el rango del sistema
lineal, es decir:
Rango(A) = n umero de las no nulas de E
1.4.1. Propiedades
Ahora consideraremos las siguientes propiedades:
1. Una condici on necesaria y suciente para que el sistema lineal.1.13 sea consisten-
te, es que el rango de la matriz de los coecientes sea igual al rango de la matriz
ampliada, es decir:
El sistema es consistente Rang(A) = Rango(A)
2. Si el sistema lineal.1.13 es consistente, se presentan los siguientes casos:
a) Que el sistema 1.13 tenga una soluci on (soluci on unica) esto ocurre cuando el
n umero de inc ognitas del sistema es igual al rango de la matriz ampliada, es
decir 1.13 tiene soluci on unica
Rang(A) = Rango(A) = n, n n umero de inc ognitas
b) Que el sistema 1.13 tenga m as de una soluci on (existen innitas soluciones) esto
ocurre cuando el n umero de inc ognitas del sistema 1.13 es mayor que el rango
de la matriz ampliada, es decir: El sistema 1.13 tendr a innitas soluciones si
Rang(A) = Rango(A) = k < n
Observaci on. Si k < n, entonces (n k) variables o inc ognitas del sistema 1.13
toman valores arbitrarios, estas variables o inc ognitas que toman valores arbitrarios
se conocen con el nombre de variables libres, variables independientes o par ametros.
3. Si el rango de la matriz de los coecientes es distinto del rango de la matriz amplia-
da, en este caso se dice que el sistema 1.13 es inconsistente, es decir:
Rang(A) = Rango(A)
entonces el sistema 1.13 es inconsistente (no existe soluci on)
Ahora veamos una representaci on gr aca.
Ejemplo 1.58. Halle el rango de la siguiente matriz
A =
_
_
5 1 1 0
1 2 3 14
4 3 2 16
_
_
Soluci on Determinemos la matriz escalonada
A =
_
_
5 1 1 0
1 2 3 14
4 3 2 16
_
_

_
_
1 2 3 14
5 1 1 0
4 3 2 16
_
_

_
_
1 2 3 14
0 11 16 70
0 5 10 40
_
_
1 2 3 14
0 11 16 70
0 1 2 8
_
_

_
_
1 2 3 14
0 1 2 8
0 11 16 70
_
_
1 0 1 2
0 1 2 8
0 0 6 8
_
_

_
_
1 0 0 1
0 1 0 2
0 0 1 3
_
_
= E
Vemos que la matriz E tiene 3 las no nulas entonces el rango(A) = 3 que coincide con
el n umero de inc ognitas, entonces el sistema lineal asociada a esta matriz tiene soluci on
unica.
Ejemplo 1.59. Resolver el sistema lineal de ecuaciones:
x + y + z + w = 0
x + y + z w = 4
x + y z + w = 4
x y + z + w = 2
Aplicando el m etodo de Gauss, se tiene:
A =
_
_
1 1 1 1 0
1 1 1 1 4
1 1 1 1 4
1 1 1 1 2
_
_

_
_
1 0 0 0 1
0 1 0 0 1
0 0 1 0 2
0 0 0 1 2
_
_
= E
entonces la soluci on del sistema es (x, y, z, w) = (1, 1, 2, 2) Veamos el desarrollo de las
operaciones elementales
Ejemplo 1.60. Resolver el sistema de ecuaciones lineales
2x y + w = 2
3x + z 2w = 4
x + y z + w = 2
2x y + 5z = 6
A =
_
_
2 1 0 1 2
3 0 1 2 4
1 1 1 1 2
2 1 5 0 6
_
_

_
_
1 0 0 3/5 8/5
0 1 0 1/5 6/5
0 0 1 1/5 4/5
0 0 0 0 0
_
_
= E
Como en la matriz E tiene la nula, entonces el sistema lineal tiene innitas soluciones y
estas son:
(x, y, z, w) =
_
8
5

3t
5
,
6
5

t
5
,
4
5
+
t
5
_
, t IR
x + 5y + 4z = 1
2x + 10y + 8z = 3
3x + 15y + 12z = 5
Soluci on. Aplicando el m etodo de Gauss, se tiene:
A =
_
_
1 5 4 1
2 10 8 3
3 15 12 5
_
_

_
_
1 5 4 0
0 0 0 1
0 0 0 0
_
_
= E
En este caso vemos que el rango(A) = 1 y mientras que el rango de la matriz ampliada
es 2, como estos n umeros son diferentes, el sistema lineal es incompatible, es decir no tiene
soluci on.
Ejemplo 1.62. Sea el sistema de ecuaciones lineales
x + y 3z + w = 1
2x 4y + 2w = 2
x 2z + 3w = 3
3x 4y 2z 0 = k
Hallar k para que el sistema lineal tenga soluci on unica o distinta del sistema. Soluci on.
_
_
1 1 3 1 1
2 4 0 2 2
1 0 2 3 3
3 4 2 0 k
_
_

_
_
1 1 3 1 1
0 6 6 0 0
0 1 1 2 2
0 7 7 3 k 3
_
_
1 1 3 1 1
0 1 1 0 0
0 1 1 2 2
0 7 7 3 k 3
_
_
1 1 3 1 1
0 1 1 0 0
0 0 0 2 2
0 0 0 3 k 3
_
_
1 1 3 1 1
0 1 1 0 0
0 0 0 1 1
0 0 0 3 k 3
_
_
1 1 3 0 0
0 1 1 0 0
0 0 0 1 1
0 0 0 0 k
_
_
1 0 2 0 0
0 1 1 0 0
0 0 0 1 1
0 0 0 0 k
_
_
En conclusi on, tenemos:
El sistema lineal es incompatible si k = 0
El sistema lineal es compatible si k = 0.
Entonces si k = 0, el sistema lineal tiene innitas soluciones, estas soluciones son:
Si z = t
x = 2t
y = t
z = t
w = 1
, t IR
1.5. Sistemas homog eneas
Un sistema de ecuaciones lineales se llama homog enea si los t erminos independientes
de todas las ecuaciones son nulos. El sistema tiene la forma
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= 0
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= 0
N otese que un sistema homog eneo siempre tiene soluci on. En efecto
x
1
= x
2
= = x
n
= 0
es soluci on del sistema homog eneo, y se llama soluci on trivial. Como esta soluci on carece
de inter es pr actico, siempre es interesante conocer si un sistema homog eneo tiene soluciones
no triviales.
Ejemplo 1.63. Resolver el sistema homog eneo
x
1
+ 4x
2
+ 2x
3
= 0
2x
1
+ 3x
2
+ 3x
3
= 0
x
1
x
2
+ x
3
= 0
Soluci on. Realizamos las siguientes operaciones elementales sobre la matriz ampliada
del sistema de acuerdo con el algoritmo de Gauss
_
_
1 4 2 0
2 3 3 0
1 1 1 0
_
_
F22F1F2
_
1 4 2 0
0 5 1 0
1 1 1 0
_
_
F3F1F3
_
1 4 2 0
0 5 1 0
0 5 1 0
_
1
5
F2F2
_
1 4 2 0
0 1
1
5
0
0 5 1 0
_
_
F3+5F2F3
_
1 4 2 0
0 1
1
5
0
0 0 0 0
_
_
F14F2F1
_
1 0
6
5
0
0 1
1
5
0
0 0 0 0
_
_
Por lo tanto, el sistema asociado es
{
x
1
+
6
5
x
3
= 0
x
2
+
1
5
x
3
= 0
que tiene como conjunto de soluciones, en forma param etrica, a las ternas
_
6
5
s
1
5
s
s
_
_
= s
_
6
5
1
5
1
_
_
, s IR
Obs ervese que en la matriz escalonada de un sistema homog eneo nunca puede aparecer
una la de ceros con el ultimo elemento no nulo, ya que este es el t ermino independiente.
En consecuencia un sistema homog eneo nunca es incompatible. As pues, se puede asegu-
rar que un sistema homog eneo tiene una soluci on (la trivial), o innitas soluciones que se
escriben en forma param etrica.
Se habr a observado tambi en que las soluciones se van escribiendo de dos formas: como
una serie de operaciones de nuplas introducidas previamente en la denici on3, y como
una nupla que es resultado de las mismas. Estas operaciones se denen a continuaci on.
Denici on 1.14. Se llama combinaci on lineal de las n
p
uplas u
1
, u
2
, . . . , u
p
, a la
nupla
k
1
u
1
+
2
u
2
+ + k
p
u
p
donde los n umeros k
1
, k
2
, . . . , k
p
son los coecientes de la combinaci on lineal.
Si dos o m as n
p
uplas son soluci on de un sistema lineal homog eneo, cualquier com-
binaci on lineal de ellas es tambi en soluci on del mismo, como se prueba en el siguiente
teorema.
Teorema 1.5. Cualquier combinaci on lineal de nuplas que son soluci on de su sistema
lineal homog eneo de ecuaciones lineales tambi en es soluci on del mismo.
Demostraci on. Si las nuplas
u =
_
_
u
1
u
2
.
.
.
u
n
_
_
y v =
_
_
v
1
v
2
.
.
.
v
n
_
_
son soluci on de un sistema homog eneo de n inc ognitas, vamos a demostrar que una combi-
naci on lineal de u y v es tambi en soluci on de dicho sistema. Probaremos el resultado para
una ecuaci on cualquiera del sistema homog eneo, por ejemplo, para la primera ecuaci on
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= 0.
Construimos la combinaci on lineal hu + kv. Entonces
a
11
(hu
1
+kv
1
) + a
12
(hu
2
+kv
2
) + + a
1n
(hu
n
+ kv
n
) =
h(a
11
u
1
+a
12
u
2
+ + a
1n
u
n
)
+ k(a
11
v
1
+ a
12
v
2
+ + a
1n
v
n
)
= h(0) + k(0)
= 0
ya que u y v son soluci on del sistema. Luego hu + kv satisface la ecuaci on.
El razonamiento es an alogo para las restantes ecuaciones.
Es obvio que el razonamiento puede hacerse igual para una combinaci on lineal de m as
de dos ecuaciones.
{
x
1
+ 2x
2
+ 3x
3
x
4
= 0
x
1
x
2
x
3
x
4
= 0
Soluci on. Utilizando el algoritmo de Gauss obtenemos
_
1 2 3 1 0
1 1 1 1 0
_
F2+F1F2
_
1 2 3 1 0
0 1 2 2 0
_
F12F2F1
_
1 0 1 3 0
0 1 2 2 0
_
Como las columnas tercera y cuarta no tienen unos principales el sistema tiene innitas
soluciones. El sistema equivalente es
{
x
1
x
3
+ 3x
4
= 0
x
2
+ 2x
3
2x
4
= 0
cuyas soluciones son
_
_
h 3k
2h + 2k
h
k
_
_
, h, k IR
La soluci on puede escribirse tambi en como
_
_
h 3k
2h + 2k
h
k
_
_
=
_
_
h
2h
h
0
_
_
+
_
_
3k
2k
0
k
_
_
= h
_
_
1
2
1
0
_
_
+ k
_
_
3
2
0
1
_
_
es decir es combinaci on lineal de dos 4uplas.
Denici on 1.15. Dadas las nuplas v
1
, v
2
, . . . , v
n
se dice que son linealmente indepen-
dientes si la ecuaci on
a
1
v
1
+a
2
v
2
+ + a
n
v
n
= 0
s olo se satisface con los coecientes a
1
= a
2
= a
3
= = a
n
= 0
Teorema 1.6. Supongamos que la matriz escalonada (reducida) de un sistema lineal ho-
mog eneo de n variables tiene r unos principales. Entonces
(i) La soluci on general tiene n r par ametros.
(ii) Cualquier nuplas soluci on del sistema es combinaci on lineal de n r nuplas
linealmente independientes.
En efecto.
(i) Si hay r unos principales se pueden despejar r variables en funci on de las restantes
n r que son, de acuerdo al algoritmo de Gauss, los par ametros de las soluciones.
(ii) Es obvio que al aplicar el algoritmo de Gauss obtenemos las soluciones como com-
binaci on lineal de (n r) nuplas, cada una de ellas soluci on del sistema inicial.
Para demostrar que estas nuplas son linealmente independientes, nos jamos ex-
clusivamente en las posiciones de las variables que se han tomado como par ametros.
La soluci on obtenida al aplicar el algoritmo de Gauss es
_
_
.
.
.
u
1
.
.
.
u
2
.
.
.
u
nr
.
.
.
_
_
= u
1
_
_
.
.
.
1
.
.
.
0
.
.
.
0
.
.
.
_
_
+ u
2
_
_
.
.
.
0
.
.
.
1
.
.
.
0
.
.
.
_
_
+ + u
nr
_
_
.
.
.
0
.
.
.
0
.
.
.
1
.
.
.
_
_
Para probar que son linealmente independientes, igualamos la siguiente combinaci on
de nuplas a la nupla nula, es decir
k
1
_
_
.
.
.
1
.
.
.
0
.
.
.
0
.
.
.
_
_
+k
2
_
_
.
.
.
0
.
.
.
1
.
.
.
0
.
.
.
_
_
+ +k
nr
_
_
.
.
.
0
.
.
.
0
.
.
.
1
.
.
.
_
_
=
_
_
.
.
.
0
.
.
.
0
.
.
.
0
.
.
.
_
_
Sumando los elementos correspondientes al uno de la primera nupla se deduce que
k
1
= 0. De la suma de los elementos de la posici on del uno de la segunda nupla se
obtiene que k
2
= 0. Razonando de este modo se deduce que
k
1
= k
2
= = k
nr
= 0
Luego las nuplas son linealmente independientes.
Corolario 1.65. Si un sistema homog eneo de ecuaciones lineales tiene m as inc ogni-
tas que ecuaciones, entonces tiene soluciones distintas de la trivial.
1.6. Matrices elementales y un m etodo para hallar A
1
En esta secci on se desarrolla o algoritmo sencillo para hallar la inversa de una matriz
inversible.
Denici on 1.16. Se dice que una matriz de orden n n es una matriz elemental si
se puede obtener a partir de la matriz identidad n n realizando una sola operaci on
elemental sobre las las.
Ejemplo 1.66. A continuaci on se listan cuatro matrices elementales y las operaciones
elementales que las producen
I)
_
1 0
0 1
_
3F2F2
_
1 0
0 3
_
II)
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
F2F4
_
1 0 0 0
0 0 0 1
0 0 1 0
0 1 0 0
_
_
III)
_
_
1 0 0
0 1 0
0 0 1
_
_
3F3+F1F1
_
1 0 3
0 1 0
0 0 1
_
_
IV)
_
_
1 0 0
0 1 0
0 0 1
_
_
1 F1F1
_
1 0 0
0 1 0
0 0 1
_
_
Cuando se multiplica por la izquierda una matriz A por una matriz elemental E, el efecto
es de realizar una operaci on elemental sobre las las de A. Este es el contenido de este
teorema que sigue, se enuncia sin demostraci on.
Teorema 1.7. Si la matriz elemental E resulta de efectuar cierta operaci on elemental so-
bre las las en I
m
y si A es una matriz de M
mn
, entonces el producto EA es la matriz que
resulta al efectuar la misma operaci on sobre las las en A
En el siguiente ejemplo se ilustra esta idea.
Ejemplo 1.67. Consid erese la siguiente matriz
A =
_
_
1 0 2 3
2 1 3 6
1 4 4 0
_
_
y consid erese la matriz elemental
E =
_
_
1 0 0
0 1 0
3 0 1
_
_
que resulta al sumar 3 veces la primera la, a la tercera la. El producto EA es
EA =
_
_
1 0 2 3
2 1 3 6
4 4 10 9
_
_
que es precisamente la matriz que resulta al sumar 3 veces el primer la de A a la tercera
la.
Observaci on. El teorema.1.7 es principalmente de inter es te orico y se aplicar a para desa-
rrollar algunos resultados acerca de las matrices y los sistemas de ecuaciones lineales.
Desde el punto de vista del c alculo, es preferible efectuar las operaciones sobre las direc-
tamente, en lugar de multiplicar por la izquierda por una matriz elemental.
Si se aplica una operaci on elemental sobre las las a una matriz identidad I para
producir una matriz elemental E, entonces existe una segunda operaci on sobre las las
que, al aplicarse a E, reproduce la matriz I. Por ejemplo, si se obtiene E al multiplicar
la i esimo la de I por una constante diferente de cero c, entonces es posible recobrar I
si se multiplica la i esima la de E por
1
c
. En la siguiente tabla se listan las diversas
posibilidades
Operaci on en las las sobre I que produce E Operaci on en las las sobre E que produce I
M ultipliquese la la i por c = 0 M ultipliquese la la i por i/c
Interc ambiese las las i y j Interc ambiese las las i y j
S umese c veces la la i a la la j S umese c veces la la i a la la j
Las operaciones que est an a la derecha en esta tabla se denominan operaciones in-
versas de las operaciones correspondientes que est an a la izquierda.
Teorema 1.8. Toda matriz elemental es inversible y la inversa tambi en es una matriz
elemental.
En efecto. Si E es una matriz elemental, entonces se llega a E llevando a cabo alguna
operaci on elemental sobre las las de la matriz I. Sea E
0
la matriz que se obtiene al realizar
la inversa de esta operaci on en I. Al aplicar el teorema.1.7 y teniendo en cuenta el hecho
de que las operaciones inversas sobre las las cancelan el efecto de cada una de las otras,
se deduce que
E
0
E = I y EE
0
= I
Por lo tanto, la matriz elemental E
0
es la inversa de E.
Si es posible obtener una matriz B a partir de una matriz A, efectuando una sucesi on
nita de operaciones elementales sobre las las, entonces, obviamente, se puede regresar
de B hacia A, llevando a cabo las operaciones elementales inversas, en orden inverso. Las
matrices que se pueden obtener una de la otra por medio de una sucesi on nita de opera-
ciones elementales sobre las las, se dice que son equivalentes respecto a las las.
El teorema que sigue establece algunas relaciones fundamentales, entre las matrices de
orden n n y los sistemas de n ecuaciones lineales en n inc ognitas. Estos resultados son
sumamente importantes y se aplican muchas veces en las secciones posteriores.
Teorema 1.9. Si A M
n
, entonces las siguientes proposiciones son equivalentes
a) A es inversible.
b) AX = tiene unicamente la soluci on trivial.
c) A es equivalente respecto a las las a la matriz I
n
Observaci on. Como la matriz identidad I
n
est a en la forma escalonada reducida y ya
qu e esta para una matriz A es unica, el inciso c) del teorema.1.9 es equivalente a armar
que I
n
es la forma escalonada en las las reducida de A.
Como primera aplicaci on de este teorema, se establecer a un m etodo para determinar la
inversa de una matriz inversible.
Ejemplo 1.68. H allese la inversa de la siguiente matriz
A =
_
_
1 2 3
2 5 3
1 0 8
_
_
Se desea reducir A hacia la matriz identidad por operaciones elementales sobre las las
y, simult aneamente, aplicar operaciones elementales a I para producir la matriz A
1
. Se
puede realizar esto, adjuntado la matriz identidad a la derecha de A y aplicando las ope-
raciones elementales sobre las las a ambos lados, hasta que el lado izquierdo se reduce
a I. Entonces la matriz nal tendr a la forma
_
I A
1
_
. Los c alculos se pueden realizar
como sigue:
_
_
1 2 3 1 0 0
2 5 3 0 1 0
1 0 8 0 0 1
_
_
2 F1+F2F2
_
1 2 3 1 0 0
0 1 3 2 1 0
1 0 8 0 0 1
_
_
1 F1+F3F3
_
1 2 3 1 0 0
0 1 3 2 1 0
0 2 5 1 0 1
_
_
2 F2+F3F3
_
1 2 3 1 0 0
0 1 3 2 1 0
0 0 1 5 2 1
_
_
(1) F3F3
_
1 2 3 1 0 0
0 1 3 2 1 0
0 0 1 5 2 1
_
_
(3) F3+F2F2
_
1 2 3 1 0 0
0 1 0 13 5 3
0 0 1 5 2 1
_
_
(3) F3+F1F1
_
1 2 0 14 6 3
0 1 0 13 5 3
0 0 1 5 2 1
_
_
(2) F2+F1F1
_
1 0 0 40 16 9
0 1 0 13 5 3
0 0 1 5 2 1
_
_
Por lo tanto, obtenemos
A
1
=
_
_
40 16 9
13 5 3
5 2 1
_
_

A menudo no se sabr a con anterioridad si una matriz dada es inversible. Si se intenta
el procedimiento aplicado en este ejemplo sobre una matriz que no inversible, entonces, por
el inciso c) del teorema.1.9, ser a imposible reducir el lado izquierdo hacia la matriz I por
operaciones elementales sobre las las. en alg un paso del c alculo, se presentar a una la de
ceros en el lado izquierdo; entonces se puede concluir que la matriz dada no es inversible y
obtener los c alculos.
Ejemplo 1.69. Consid erese la matriz
A =
_
_
1 6 4
2 4 1
1 2 5
_
_
Soluci on. Al aplicar el mismo procedimiento del ejemplo.1.68 da
_
_
1 6 4 1 0 0
2 4 1 0 1 0
1 2 5 0 0 1
_
_

_
_
1 6 4 1 0 0
0 8 9 2 1 0
0 8 9 1 0 1
_
_
1 6 4 1 0 0
0 8 9 2 1 0
0 0 0 1 1 1
_
_
Puesto que se ha obtenido una la de ceros en el lado izquierdo, A no es inversible.
Ejemplo 1.70. En el ejemplo.1.68 se demostr o que la matriz
A =
_
_
1 2 3
2 5 3
1 0 8
_
_
es una matriz inversible. Con base al teorema.1.9 se puede concluir que el sistema de ecua-
ciones lineales homog eneo
x + 2y + 3z = 0
2x + 5y + 3z = 0
x + 8z = 0
tiene unicamente la soluci on trivial, es decir x = y = z = 0.
1.7. Resultados adicionales acerca de los sistemas de
ecuaciones y la inversibilidad
En esta secci on se establecen m as resultados acerca de los sistemas de ecuaciones li-
neales y la inversibilidad de los sistemas de ecuaciones lineales y la inversibilidad de las
matrices. Lo que se vea conducir a a un m etodo para resolver n ecuaciones con n inc ognitas,
que es m as ecaz que el m etodo de eliminaci on gaussiana, para ciertos tipos de problemas.
Teorema 1.10. Si A M
n
es una matriz inversible, entonces para cada B M
n1
, el
sistema de ecuaciones AX = B tiene exactamente una soluci on, y esta es, X = A
1
B
Ejemplo 1.71. Considere el sistema de ecuaciones lineales
x + 2y + 3z = 8
2x + 5y + 3z = 3
x + 8z = 17
En la forma matricial, este sistema se puede escribir como AX = B, en donde
A =
_
_
1 2 3
2 5 3
1 0 8
_
_
, X =
_
_
x
y
z
_
_
, B =
_
_
5
3
17
_
_
En el ejemplo.1.68 se demostr o que A es inversible y que
A
1
=
_
_
40 16 9
13 5 3
5 2 1
_
_
Por el teorema.1.10, la soluci on del sistema es
X
=
A
1
B =
_
_
40 16 9
13 5 3
5 2 1
_
_
_
_
5
3
17
_
_
=
_
_
1
1
2
_
_
es decir, x = 1, y = 1 y z = 2
1.8. Problemas
1. La matriz ampliada de un sistema lineal se transform o, mediante operaciones ele-
mentales de la, en la forma que se indica a continuaci on. Determine si el sistema
lineal es consistente.
_
_
1 5 2 6
0 4 7 2
0 0 5 0
_
_
2. (3, 4, 2) es una soluci on para el siguiente sistema lineal?
5x
1
x
2
+ 2x
3
= 7
2x
1
+ 6x
2
+ 9x
3
= 0
7x
1
+ 5x
2
3x
3
= 7
3. Para qu e valores de h y k es consistente el siguiente sistema?
2x
1
x
2
= h
6x
1
+ 3x
2
= k
4. Resolver los sistemas de ecuaciones
a)
x 2y + z = 5
2x y 2z = 1
x + 3y + z = 0
b)
x + 2y + 2z = 0
3x + y + 3z = 3
2x + y 2z = 1
2x + y + z = 2
5. Resolver, en el caso de ser compatibles, los sistemas de ecuaciones
a)
3x 4y + 6z = 7
5x + 2y 4z = 5
x + 3y 5z = 3
b)
x + y z = 3
2x y + 4z = 3
3x + 2y z = 8
6. Hallar los valores del par ametro que hacen compatibles a los siguientes sistemas.
Para dichos valores de , resolver estos:
a)
x + 3y + z = 0
2x + y 3z = 5
x + 7y + 9z =
b)
x + y + z = 1
2x y + 3z = 5
3x + 4y 2z = 2
x + 3y 2z =
7. Discutir, en funci on del par ametro , el sistema de ecuaciones y resolverlo cuando sea
compatible:

x + y z = 1
3x + y + z = 5
4x + y = 5
8. Si el sistema tiene innitas soluciones, hallar m y n
{
mx + (3 n)y = 4
(m2)x (8 n)y = 6
9. Hallar los valores de k, para que el sistema tenga soluciones no triviales
k
2
x + 3y + 2z = 0
kx y + z = 0
8x + y + 4z = 0
10. Determinar los valores de k para que los sistemas de ecuaciones lineales
a)
x + y z = 1
2x + 3y + kz = 3
x + ky + 3z = 2
b)
kx y + 2z = k
x + ky z = 1
3x + y + z = k
tenga:
a) Soluci on unica.
b) Innitas soluciones.
c) Ninguna soluci on.
11. Determine si el sistema lineal tiene soluci on, en caso de tener soluci on, determine la
soluci on
x
1
+ 2x
2
+ 6x
3
4x
4
= 4
2x
1
+ 7x
2
4x
3
+9x
4
= 9
x
1
+ 3x
2
+ x
3
6x
4
= 3
6x
1
4x
2
+ 4x
3
10x
4
= 6
12. Un zool ogico tiene aves (bpedos) y bestias (cuadr upedos). Si el zool ogico tiene 60
cabezas y 200 patas.Cuantas aves y cu antas bestias viven all?
13. Cu ales de las que siguen son matrices elementales?
a)
_
2 0
0 1
_
b)
_
1 0
3 1
_
c)
_
2 0
0 2
_
d)
_
_
0 1 0
1 0 0
0 0 1
_
_
e)
_
_
0 1 0
0 0 1
0 0 1
_
_
f)
_
_
1 0 0
0 1 3
0 0 1
_
_
g)
_
_
1 0 0 0
0 1 0 0
0 1 1 0
0 0 0 1
_
_
14. Determine la operaci on elemental sobre las las que llevar a la matriz elemental dada
hacia una matriz identidad.
a)
_
1 0
5 1
_
b)
_
_
0 0 1
0 1 0
1 0 0
_
_
c)
_
_
1 0 0 0
0 8 0 0
0 0 1 0
0 0 0 1
_
_
15. Aplique el m etodo de operaciones elementales a n de encontrar la inversa de la
matriz dada, si la matriz es inversible
a)
_
1 2
3 5
_
b)
_
2 3
3 5
_
c)
_
8 6
4 3
_
16. Aplique el m etodo de operaciones elementales a n de encontrar la inversa de la
matriz dada, si la matriz es inversible
a)
_
_
3 4 1
1 0 3
2 5 4
_
_
b)
_
_
3 1 5
2 4 1
4 2 9
_
_
c)
_
_
1 0 1
0 1 1
1 1 0
_
_
17. Demuestre que la matriz
A =
_
_
Cos Sen 0
Sen Cos 0
0 0 1
_
_
es inversible para todos los valores de y encuentre A
1
1.9. Determinantes
En esta secci on se dene axiom aticamente la funci on determinante de orden n n y se
demuestran las propiedades que se derivan de tales axiomas. Se encara despu es el proble-
ma de la existencia del determinante y se llega al desarrollo por los elementos de una la.
En lo que sigue, supondremos que IR es el campo de los n umeros reales y A M
nn
,
escribiremos la matriz A = (A
1
, A
2
, . . . , A
n
) donde A
i
, i = 1, 2, . . . , n denota la columna i
de la matriz cuadrada.
33
, donde:
A =
_
_
1 2 3
4 7 5
9 8 6
_
_
entonces las columnas de la matriz A son:
A
1
=
_
_
1
4
9
_
_
, A
2
=
_
_
2
7
8
_
_
, A
3
=
_
_
3
5
6
_
_
Denici on 1.17. Determinante de orden n es toda funci on:
D : M
nn
IR
que verica los siguientes cuatro axiomas:
1 D(A
1
, . . . , A
j
+ A
j
, . . . , A
n
) = D(A
1
, . . . , A
j
, . . . , A
n
) + D(A
1
, . . . , A
j
, . . . , A
n
)
cualquiera que sea j = 1, 2, . . . , n.
2 D(A
1
, . . . , A
j
, . . . , A
n
) = D(A
1
, . . . , A
j
, . . . , A
n
)
para todo j = 1, 2, . . . , n.
3 Si A
j
= A
j+1
D(A
1
, . . . , A
j
, A
j+1
, . . . , A
n
) = 0
4 Si I = matriz identidad, entonces D(I) = 1.
Haremos algunas aclaraciones acerca de la notaci on usada y de los axiomas propuestos
en la denici on.
La funci on D asigna a cada matriz cuadrada un n umero real
Los axiomas (1) y (2), caracterizan a D como una funci on lineal respecto de cada
columna de la matriz.
El axioma (3), establece que si dos columnas consecutivas de una matriz son id enticas
entonces su determinante es cero.
El axioma (4), expresa que el determinante de la matriz identidad vale 1.
Si
A =
_
_
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
a
31
a
32
a
33
. . . a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
. . . a
nn
_
_
denotaremos la determinante de esta matriz entre barras.
D(A) =
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
a
31
a
32
a
33
. . . a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
. . . a
nn
Ejemplo 1.73. La funci on D : M

22
IR es denida por:
D(A) =
a b
c d
= ad bc
es un determinante.
En efecto.
1.
a (b +b
)
c (d +d
= a(d + d
) (b + b
)c = (ad bc) + ad
c =
a b
c d
a b
c d
2.
(k a) b
(k c) d
= (ka)d b(kc) = k(ad bc) = k
a b
c d
3.
a a
c c
= ac ac = 0
4. D(I) =
1 0
0 1
= 1(1) 0(0) = 1
An alogamente lo es la funci on D : M
11
IR denida por
D(A) = |a| = a
1.9.1. Propiedades de la funci on determinante
Teorema 1.11. Si se permutan dos columnas de una matriz, entonces las correspondientes
determinantes son opuestas.
En efecto.
i) Sean las columnas que se permutan, estas sean consecutivas.
Sea A = (A
1
, . . . , A
j
, A
j+1
, . . . , A
n
), luego por 3),
D(A
1
, . . . , A
j
+ A
j+1
, A
j
+A
j+1
, . . . , A
n
) = 0
Aplicando 2), se tiene:
D(A
1
, . . . , A
j
, A
j+1
, . . . , A
n
) + D(A
1
, . . . , A
j
, A
j
, . . . , A
n
) +
+D(A
1
, . . . , A
j+1
, A
j+1
, . . . , A
n
) + D(A
1
, . . . , A
j+1
, A
j
, . . . , A
n
) = 0
los dos t erminos centrales son nulos, luego por 3)
D(A
1
, . . . , A
j
, A
j+1
, . . . , A
n
) = D(A
1
, . . . , A
j+1
, A
j
, . . . , A
n
)
ii) Supongamos que ahora las columnas no sean consecutivas, ahora razonaremos in-
ductivamente. Supongamos que es v alido para h j = k y la demostraremos para
h j = k + 1
D(A
1
, . . . , A
j
, A
j+1
, . . . , A
h
, . . . , A
n
) = D(A
1
, . . . , A
j+1
, A
j
, . . . , A
h
, . . . , A
n
) Por i)
= D(A
1
, . . . , A
j+1
, A
h
, . . . , A
j
, . . . , A
n
) Por hip otesis
= D(A
1
, . . . , A
h
, A
j+1
, . . . , A
j
, . . . , A
n
)
Teorema 1.12. El determinante de toda matriz cuadrada que tenga dos columnas id enti-
cas es cero, es decir:
Si i = j A
i
= A
j
D(A
1
, . . . , A
i
, . . . , A
j
, . . . , A
n
) = 0
En efecto. Permutando tales columnas id enticas y por el teorema.1.11 es:
D(A
1
, . . . , A
i
, . . . , A
j
, . . . , A
n
) = D(A
1
, . . . , A
j
, . . . , A
i
, . . . , A
n
)
Pero como A
i
= A
j
, entonces
D(A
1
, . . . , A
i
, . . . , A
i
, . . . , A
n
) = D(A
1
, . . . , A
i
, . . . , A
i
, . . . , A
n
)
D(A) = D(A)
2D(A) = 0
D(A) = 0
Teorema 1.13. Si una columna de una matriz cuadrada es el vector cero, entonces su de-
terminante es nulo.
En efecto. Sea A M
nn
y A
j
= (Columna nula), entonces
D(A) = D(A
1
, . . . , , . . . , A
n
)
= D(A
1
, . . . , 0 A
j
, . . . , A
n
)
= 0 D(A
1
, . . . , A
j
, . . . , A
n
) = 0
Teorema 1.14. La determinante de una matriz no vara, si a una columna se le suma una
combinaci on de otras, es decir:
i = j D(A
1
, . . . , A
i
, . . . , A
j
, . . . , A
n
) = D(A
1
, . . . , A
i
, . . . , [A
j
+ k A
i
], . . . , A
n
)
En efecto. Aplicando los axiomas 1 y 2, y el teorema.1.12
D(A
1
, . . . , A
i
, . . . , [A
k
+ A
i
], . . . , A
n
) =
= D(A
1
, . . . , A
i
, . . . , A
k
, . . . , A
n
) + D(A
1
, . . . , A
i
, . . . , A
i
, . . . , A
n
)
= D(A
1
, . . . , A
i
, . . . , A
k
, . . . , A
n
) + D(A
1
, . . . , A
i
, . . . , A
i
, . . . , A
n
)
= D(A
1
, . . . , A
i
, . . . , A
j
, . . . , A
n
) + 0
= D(A
1
, . . . , A
i
, . . . , A
j
, . . . , A
n
)
Ejemplo 1.74. Sea A =
_
_
1 0 1
1 1 0
2 1 1
_
_
M
33
. Calcular su determinante.
Soluci on.
D(A) =
1 0 1
1 1 0
2 1 1
1 0 0
1 1 1
2 1 3
C3 + (1)C1
=
1 0 0
0 1 1
3 1 3
C1 + C2
=
1 0 0
0 1 0
3 1 4
C3 + (1)C2
= (4)
1 0 0
0 1 0
3 1 1
Factorizando (4) de C3
= (4)
1 0 0
0 1 0
0 1 1
C1 + (3)C3
= (4)
1 0 0
0 1 0
0 0 1
C2 + (1)C3
= (4). 1 = 4
Ejemplo 1.75. Si k IR y A M
nn
, entonces
D(kA) = k
n
D(A)
En efecto.
D(k A) = D[k(A
1
, . . . , A
i
, . . . , A
n
)]
= D(kA
1
, . . . , kA
i
, . . . , kA
n
)]
= k
n
D(A)
Ejemplo 1.76. Si (A
1
, A
2
, . . . , A
n
) son los vectores columnas de la matriz A M
nn
tales
que D(A) = D(A
1
, A
2
, . . . , A
n
) = 0 y B M
n1
y es combinaci on lineal de los vectores
columnas de A, es decir:
B =
n
i=1
x
i
A
i
= x
1
A
1
+x
2
A
2
+ +x
n
A
n
, x
i
IR
entonces
x
j
=
D(A
1
, . . . , B
j
, . . . , A
n
)
D(A
1
, A
2
, . . . , A
n
)
En efecto.
D(A
1
, . . . , B
j
, . . . , A
n
) = D(A
1
, . . . ,
n
j=1
x
j
A
j
, . . . , A
n
)
= x
1
D(A
1
, . . . , A
1
, . . . , A
n
) + x
2
D(A
1
, . . . , A
2
, . . . , A
n
) + . . .
x
j
D(A
1
, . . . , A
j
, . . . , A
n
) + . . . +x
n
D(A
1
, . . . , A
n
, . . . , A
n
)
= x
j
D(A
1
, . . . , A
j
, . . . , A
n
) = x
j
D(A)
x
j
=
D(A
1
, . . . , B
j
, . . . , A
n
)
D(A)

Teorema 1.15. Si los vectores columnas de A son linealmente dependientes, entonces
D(A
1
, A
2
, . . . , A
n
) = 0
En efecto. Siendo por hip otesis {A
1
, A
2
, . . . , A
n
} un conjunto linealmente dependiente, o
sea alguna columna se expresa como combinaci on lineal de las dem as, y sea esta columna
A
j
=
j1
j=1
x
j1
A
j1
+
n
j=j+1
x
j+1
A
j+1
en consecuencia resulta
D(A) = D(A
1
, A
2
, . . . , A
j
. . . , A
n
) = D(A
1
, A
2
, . . . ,
j1
j=1
x
j1
A
j1
+
n
j=j+1
x
j+1
A
j+1
. . . , A
n
) = 0
Observaci on. El teorema contrarecproco expresa:
D(A) = 0 {A
1
, A
2
, . . . , A
n
} son linealmente independientes
Por consiguiente
D(A) = 0 {A
1
, A
2
, . . . , A
n
} es una base del espacio IR
n
1.9.2. Existencia de la determinante.
Deniremos los determinantes por inducci on sobre n. Sea A IR
nn
.
1. Para cada (i, j) I
n
I
n
consideremos la matriz A(i | j) del tipo (n1) (n1) que
se deduce de la matriz A al suprimir la la i y la columna j
_
_
a
11
a
12
. . . . . . a
1n
a
21
a
22
. . . . . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . . . . a
nn
_
_
2. Denotaremos con A
ij
al producto de (1)
i+j
por la determinante de A(i | j) de la
matriz A, o sea
A
ij
= (1)
i+j
DA(i | j)
El determinante A
ij
recibe el nombre de cofactor del elemento de (i, j) de la matriz
A.
Por ejemplo. Si A =
_
_
1 2 3
1 0 2
2 1 3
_
_
entonces los cofactores de los nueve elementos
de A, son:
A
11
= (1)
2
0 2
1 3
= 2, A
12
= (1)
3
1 2
2 3
= 1, A
13
= (1)
4
1 0
2 1
= 1, etc.
Probaremos la existencia de la determinante D procediendo por inducci on.
i) Sea n = 1 y A = [a] IR
11
, deniendo:
D : IR
11
IR, D(A) = a
esta funci on satisface los axiomas de la denici on.1.17
ii) Supongamos que hemos denido la funci on determinante para matrices de orden
(n 1) (n 1), es decir:
D : IR
(n1)(n1)
IR
Esto signica que satisface los axiomas de la denici on.1.17.
iii) Daremos ahora una expresi on para la funci on determinante de orden n a expensas
de la determinante de orden n 1. Para ellos denimos para cada la i = 1, 2, . . . , n
D : IR
nn
IR
mediante la asignaci on
D(A) =
n
j=1
a
ij
A
ij
(1.14)
donde A
ij
= (1)
i+j
DA(i | j)
O sea
D(A) = a
i1
A
i1
+a
i2
A
i2
+ +a
in
A
in
, i I
n
Teorema 1.16. Sea A IR
nn
, B = A
t
, entonces D(B) = D(A)
Observaci on. Este ultimo teorema dice que las propiedades aplicados a las columnas
de A, tambi en se puede aplicar las mismas propiedades a las las de la matriz A.
Ejemplo 1.77. Sea la matriz A =
_
_
3 2 5
3 2 5
4 0 2
_
_
. Calcular la determinante de la ma-
triz.
_
_
1 3 5
3 5 1
5 1 3
_
_
. Calcular la determinante de la matriz.
Soluci on. A la primera la le sumamos la segunda y tercera la y luego extraemos el
factor 9
D(A) =
1 3 5
3 5 1
5 1 3
9 9 9
3 5 1
5 1 3
= 9
1 1 1
3 5 1
5 1 3
A la segunda y tercera columna les restamos la primera

A = 9
1 0 0
3 2 2
5 4 2
Finalmente, desarrollamos por la primera la, entonces

D(A) = 9(1)
2 2
4 2
= 9(4 8) = 108
_
_
1 1 1 1
a b c d
a
2
b
2
c
2
d
2
a
3
b
3
c
3
d
3
_
_
. Calcular la determinante de la ma-
triz.
Soluci on. Desarrollaremos por los elementos de la primera columna.
D(A) =
1 1 1 1
a b c d
a
2
b
2
c
2
d
2
a
3
b
3
c
3
d
3
Antes de efectuar el desarrollo pedido a 0 los tres elementos de la primera columna, para
lo cual restaremos a cada la anterior multiplicada por a
D(A) =
1 1 1 1
0 b a c a d a
0 b
2
ab c
2
ac d
2
ad
0 b
3
ab
2
c
3
ac
2
d
3
ad
2
Desarrollando por la primera columna y factorizando

D(A) =
b a c a d a
b(b a) c(c a) d(d a)
b
2
(b a) c
2
(c a) d
2
(d a)
Extrayendo factores en cada columna

D(A) = (b a)(c a)(d a)
1 1 1
b c d
b
2
c
2
d
2
El determinante de orden 3 que resulta es del mismo tipo que el primero. Ahora restamos
a cada la anterior por b
D(A) = (b a)(c a)(d a)
1 1 1
0 c b d b
0 c
2
bc d
2
bd
Desarrollando por la primera columna y extrayendo factores se obtiene

D(A) = (b a)(c a)(d a)(c b)(d b)
1 1
c d
O sea
D(A) = (b a)(c a)(d a)(c b)(d b)(d c)
El determinante propuesto recibe el nombre de Vandermonde, y considerando la la de
elementos a, b, c y d, su desarrollo es igual al producto de los binomios que se obtienen
restando cada elemento de la misma de todos los que le siguen.
1.10. Determinante del producto de dos matrices
Teorema 1.17. Sean A, B M
nn
entonces D(AB) = D(A)D(B)
1.11. Adjunta de una matriz cuadrada
Denici on 1.18. Adjunta de una matriz A M
nn
es la transpuesta de la matriz que
resulta de sustituir cada elemento por su cofactor, es decir:
Si
A =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
entonces la matriz adjunta de A se denota mediante el smbolo Adj(A), y es Si
Adj(A) =
_
_
A
11
A
21
A
n1
A
12
A
22
A
n2
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
A
n2
A
nn
_
_
Por ejemplo, la matriz adjunta de
A =
_
_
1 0 2
2 1 3
1 2 3
_
_
es
Adj(A) =
_
_
3 9 5
4 1 2
2 7 1
_
_
t
=
_
_
3 4 2
9 1 7
5 2 1
_
_
1.11.1. Propiedad
La suma de los productos de los elementos de una la de una matriz cuadrada por los
cofactores de los elementos correspondientes de otra la es cero.
Sea
A =
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
h1
a
h2
a
hn
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
donde h = i
Sumando a la la h la la i, el determinante de esta matriz no vara, es decir
D(A) =
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
h1
+ a
i1
a
h2
+a
i2
a
hn
+ a
in
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
Desarrollando el segundo miembro por los elementos de la la h, se tiene

D(A) =
n
j=1
(a
hj
+a
ij
)A
hj
entonces
D(A) =
n
j=1
a
hj
A
hj
+
n
j=1
a
ij
A
hj
La primera sumatoria es D(A), entonces
D(A) = D(A) +
n
j=1
a
ij
A
hj
j=1
a
ij
A
hj
= 0
Esta propiedad tambi en es v alido para columnas. A continuaci on demostraremos que el
producto de toda matriz cuadrada a izquierda y a derecha por su adjunta es igual al
determinante de dicha matriz por la matriz identidad.
Teorema 1.18. Sea A IR
nn
entonces
A.Adj(A) = Adj(A).A = D(A).I
En efecto.
A.Adj(A) =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
.
_
_
A
11
A
21
A
n1
A
11
A
22
A
n2
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
A
n2
A
nn
_
_
A.Adj(A) =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
.
_
_
A
11
A
21
A
n1
A
11
A
22
A
n2
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
A
n2
A
nn
_
_
=
_
n
j=1
a
1j
A
1j
n
j=1
a
1j
A
2j

n
j=1
a
1j
A
nj
n
j=1
a
2j
A
1j
n
j=1
a
2j
A
2j

n
j=1
a
2j
A
nj
.
.
.
.
.
.
.
.
.
.
.
.
n
j=1
a
nj
A
1j
n
j=1
a
nj
A
2j

n
j=1
a
nj
A
nj
_
_
=
_
_
D(A) 0 0
0 D(A) 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 D(A)
_
_
= D(A)
_
_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1
_
_
= D(A).I
1.12. Inversi on de matrices no singulares
Demostremos que una matriz cuadrada es inversible si y s olo si su determinante es
distinto de cero.
Sea A IR
nn
1 Supongamos que A GL(IR
n
), entonces existe B IR
nn
tal que
AB = BA = I
Luego
D(A.B) = D(B.A) = D(I)
Por el determinante del producto y de la identidad es
D(A)D(B) = D(B)D(A) = D(I) = 1 D(A) = 0
2 Por el teorema.1.18, sabemos que el producto de toda matriz cuadrada por su adjunta
es igual al determinante de dicha matriz por la identidad, o sea
A.Adj(A) = Adj(A).A = D(A).I
Despejando D(A), tenemos:
A.
Adj(A)
D(A)
=
Adj(A)
D(A)
.A = D(A).I
entonces, por denici on, existe A
1
y es
A
1
=
Adj(A)
D(A)
Se obtuvo de este modo otro m etodo para el c alculo de la inversa de una matriz no singular.
Ejemplo 1.80. Hallar la inversa de la matriz A =
_
_
1 3 5
3 5 1
5 1 3
_
_
Soluci on. Como D(A) = 108, entonces existe A
1
.
Primero calculamos la adjunta de A
Adj(A) =
_
_
14 4 22
4 22 14
22 14 4
_
_
t
=
_
_
14 4 22
4 22 14
22 14 4
_
_
Luego
A
1
=
1
108
_
_
14 4 22
4 22 14
22 14 4
_
_
=
_
7
54
2
54
11
54
2
54
11
54

7
54
11
54

7
54
2
54
_
_
Ejemplo 1.81. Demostrar que los determinantes de dos matrices inversas son escalares
recprocos.
En efecto. Sea A IR
nn
, tal que A GL(IR
nn
), entonces se tiene
A.A
1
= I
y
D[A.A
1
] = D(I)
Por determinante del producto y de la matriz indentidad es
D(A)D(A
1
) = 1
o sea
D(A
1
) = [D(A)]
1
Ejemplo 1.82. Sean A, B IR
nn
matrices semejantes entonces D(A) = D(B)
En efecto. Si A es semejante a B, entonces existe una matriz P GL(IR
nn
), tal que
B = P
1
AP
Entonces
D(B) = D(P
1
AP)
= D(P
1
)D(A)D(P)
= D(A)D(P
1
)D(P)
= D(A)D(P
1
P) = D(A)D(I) = D(A)
Corolario 1.83. Si A es una matriz no inversible, entonces D(A) = 0
Corolario 1.84. La matriz A de orden n es inversible si y s olo si D(A) = 0
Corolario 1.85. Si A es una matriz inversible
D[A
1
] = [D(A)]
1
=
1
D(A)
En efecto
A.A
1
= I
D(A.A
1
) = D(I)
D(A)D(A
1
) = 1 D(A
1
) =
1
D(A)
Ejemplo 1.86. Calcular la determinante de la siguiente matriz
A =
_
_
1 1 2 1
1 3 2 2
3 3 1 1
4 2 1 0
_
_
Soluci on.
A =
1 1 2 1
1 3 2 2
3 3 1 1
4 2 1 0
L
4
L
4
4L
1
, L
2
L
1
, L
3
3L
1
=
1 1 2 1
0 2 4 1
0 6 7 4
0 6 7 4
L
4
L
4
+L
3
=
1 1 2 1
0 2 4 1
0 6 7 4
0 0 0 0
= 0
Ejemplo 1.87. Calcular la determinante de la siguiente matriz
B =
_
_
1 2 4 5
3 1 2 5
4 5 2 2
1 4 1 4
_
_
Soluci on.
|B| =
1 2 4 5
3 1 2 5
4 5 2 2
1 4 1 4
1 2 4 5
0 5 10 10
0 3 18 18
0 6 5 9
= (5)
1 2 4 5
0 1 2 2
0 3 18 18
0 6 5 9
= (5)
1 2 4 5
0 1 2 2
0 0 12 12
0 0 7 3
= (5)(12)
1 2 4 5
0 1 2 2
0 0 1 1
0 0 7 3
= (5)(12)
1 2 4 5
0 1 2 2
0 0 1 1
0 0 0 4
|B| = (5)(12)(1)(1)(1)(4) = 240

1.13. Regla de Cramer
La regla de Cramer es necesaria en una variedad de c alculos te oricos. Por ejemplo, se
puede utilizar para estudiar c omo resulta afectada la soluci on del sistema lineal AX = B.
Para cualquier matriz A IR
nn
y para B IR
n1
, sea A
i
(B) la matriz obtenida a partir
de A al reemplazar la columna i por el vector B.
Teorema 1.19. (Regla de Cramer) Sea A IR
nn
una matriz inversible. Para cualquier
B IR
n1
, la unica soluci on X de AX = B tiene entradas dadas por
x
i
=
D[A
i
(B)]
D(A)
, i = 1, 2, . . . , n
En efecto. Como A es una matriz inversible, entonces
AX = B A
1
AX = A
1
B IX = A
1
B X = A
1
B
Como D(A) = 0, las n columnas de la matriz A son linealmente independientes y constitu-
yen una base de IR
n1
. Por lo tanto, cualquiera que sea B IR
n1
, entonces existen escalares
x
1
, x
2
, . . . , x
n
unicos, tales que:
B =
n
i=1
x
i
A
i
Ver ejemplo.1.76, resulta que:
x
i
=
D(A
1
, . . . , A
i1
, B, A
i+1
, . . . , A
n
D(A)
, i = 1, 2, . . . , n
Ejemplo 1.88. Resolver el siguiente sistema lineal mediante la regla de Cramer.
x
1
x
3
= 1
x
1
+ 2x
2
2x
3
= 1
2x
1
x
2
+ x
3
= 3
Soluci on. La matriz de coecientes es:
A =
_
_
1 0 1
1 2 2
2 1 1
_
_
y su matriz inversa es:
A
1
=
_
_
0
1
5
2
5
1
3
5
1
5
1
1
5
2
5
_
_
Como la soluci on del sistema es X = A
1
B, entonces se tiene:
X =
_
_
0
1
5
2
5
1
3
5
1
5
1
1
5
2
5
_
_
_
_
1
1
3
_
_
=
_
_
1
1
0
_
_
1.13.1. Determinantes como area o volumen
En la siguiente aplicaci on se comprueba la interpretaci on geom etrica de determinantes.
S olo necesitamos los conceptos euclidianos usuales de longitud, area y volumen para los
espacios IR
2
y IR
3
.
Teorema 1.20. .
1. Si A IR
22
, el area del paralelogramo denido por las columnas de A es D(A)
2. Si A IR
33
, el volumen del paraleleppedo denido por las columnas de A es D(A)
Ejemplo 1.89. Calcule el area del paralelogramo denido por los puntos
A(2, 2), B(0, 3), C(4, 1) y D(6, 4)
Soluci on Denimos el vector
a =

AB = BA = (2, 5) y el vector
b =

AC = CA = (6, 1),
luego formamos la matriz con las coordenadas de estos vectores escrito en columnas
A = (
a |
b ) =
_
2 6
5 1
_
Como D(A) = 28, entonces el area del paralelogramo es 28u
2
1.14. Problemas
1. Calcular los siguientes determinantes por denici on
(a) D(A) =
2 1 2
0 3 1
4 1 1
(b) D(B) =
2 4 3
1 3 1
4 1 2
(c) D(C) =
1 1 2 4
0 1 1 3
2 1 1 0
3 4 2 1
(d) D(E) =
1 1 2 1
0 3 2 1
1 4 2 1
3 1 3 2
2. Demostrar que el determinante de toda matriz triangular es igual al producto de los

elementos de su diagonal.
3. Resolver las siguientes ecuaciones:
(a)
1 0 2
0 0
2 0 4
= 0 (b)
2 x 3 6
4 1 +x 2
2 1 2 +x
= 0
4. Si A es una matriz ortogonal, entonces demostrar que D(A) = 1
5. Demostrar que:
1 1 1
x
1
x
2
x
n
x
2
1
x
2
2
x
2
n
.
.
.
.
.
.
.
.
.
x
n1
1
x
n1
2
x
n1
n
=
i<j
(x
j
x
i
)
6. Vericar las siguientes identidades en los n umeros reales:
i)
1 1 1
x y z
yz xz xy
= (x y)(y z)(z x)
ii)
1 x y z + t
1 y z x + t
1 z t x + y
1 t x y + z
= 0
iii)
x y z 2x 2x
2y y x z 2y
2z 2z z x y
= (x +y + z)
2
7. Determinar para que valores de x son inversibles las matrices:
(a) A =
_
_
x 1 2
2 x 2
1 x 1
_
_
(b) B =
_
_
x 0 1 1
1 2 0 2
0 3 2 0
1 x 3 x
_
_
8. Calcular, si existe, la matriz inversa de las siguientes matrices:
(a) A
1
=
_
3 2
1 2
_
(b) A
2
=
_
_
1 2 0
1 2 4
0 1 1
_
_
(c) A
3
=
_
_
1 2 3
1 1 2
0 1 2
_
_
9. Demuestre la validez de las siguientes expresiones (Las matrices involucradas son
matrices de orden n)
(a)
2 1 0 0 . . . 0 0
1 2 1 0 . . . 0 0
0 1 2 1 . . . 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 . . . 1 2
= n + 1 (b)
1 1 1 1 . . . 1 1
1 1 1 1 . . . 1 1
0 1 1 1 . . . 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 . . . 1 1
= 2
n1
10. Encuentre el area del paralelogramo cuyos puntos son:
(a) (0, 0), (5, 2), (6, 4), (11, 6) (b) (0, 0), (1, 3), (4, 5), (3, 2)
(c) (1, 0), (0, 5), (1, 4), (2, 1) (d) (0, 2), (6, 1), (3, 1), (3, 2)
11. Encuentre el volumen del paraleleppedo con un v ertice en el origen y v ertices adya-
centes en los puntos (1, 0, 2), (1, 2, 4) y (7, 1, 0)
12. Sea R el tri angulo con v ertices en los puntos (x
1
, y
1
), (x
2
, y
2
) y (x
3
, y
3
). Demuestre
que:
A(R) =
1
2
x
1
y
1
1
x
2
y
2
1
x
3
y
3
1
13. Demuestre que la ecuaci on de la recta en IR

2
que pasa por los puntos distintos (x
1
, y
1
)
y (x
2
, y
2
) se puede escribir como:
L :
1 x y
1 x
1
y
1
1 x
2
y
2
= 0
14. Encuentre una ecuaci on de determinantes 3 3, similar al ejercicio anterior, que
describa la ecuaci on la ecuaci on de la recta con pendiente m y que pasa por el punto
(x
1
, y
1
).
15. Determine la matriz semejante a las siguientes matrices:
(a) A =
_
5 2
4 1
_
(b) B =
_
5 1
3 1
_
(c) C =
_
6 1
3 2
_
(d) D =
_
3 1
4 3
_
16. Aplique la regla de Cramer para despejar x
y y
en t erminos de x y y
x = x
Cos y
Sen
y = x
Sen y
Cos

Algebra Lineal

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Algebra Lineal

Diunggah oleh

Hak Cipta:

Format Tersedia

Indice general

1. Matrices, sistemas lineales y determinantes 2

Ejemplo 1.57. Resolver el sistema

Ejemplo 1.73. La funci on D : M

= (ka)d b(kc) = k(ad bc) = k

A la segunda y tercera columna les restamos la primera

Finalmente, desarrollamos por la primera la, entonces

Desarrollando por la primera columna y factorizando

Extrayendo factores en cada columna

Desarrollando por la primera columna y extrayendo factores se obtiene

Desarrollando el segundo miembro por los elementos de la la h, se tiene

|B| = (5)(12)(1)(1)(1)(4) = 240

2. Demostrar que el determinante de toda matriz triangular es igual al producto de los

13. Demuestre que la ecuaci on de la recta en IR

Anda mungkin juga menyukai