Tema 2

Matrices, Sistemas y Determinantes.

2.1 Matrices.
2.1.1 Definiciones básicas.
Una matriz es una tabla rectangular de números, es decir, una distribución ordenada de
números. Los números de la tabla se conocen con el nombre de elementos de la matriz.
El tamaño de una matriz se describe especificando el número de filas y columnas que la for-
man. Si A es una matriz de m filas y n columnas, Am×n , se usará aij para denotar el elemento
de la fila i y la columna j y, en general, se representará por
 
a11 a12 · · · a1n
 
 a21 a22 · · · a2n 
A = (aij ) 1≤i≤m = (aij )m×n =
 .. .. . .

1≤j≤n  . . · · · .. 
am1 am2 · · · amn

Se dice que dos matrices son iguales si tienen el mismo tamaño y los elementos correspon-
dientes en ambas matrices son iguales.
Una matriz An×n (ó An ) se denomina matriz cuadrada de orden n y de los elementos de
la matriz a11 , a22 , ..., ann se dice que forman la diagonal principal. De una matriz A1×n se
dice que es una matriz fila y de una matriz Am×1 que es una matriz columna.

2.1.2 Operaciones con las matrices.

Suma: Si A y B son dos matrices del mismo tamaño, m × n, la suma A + B es otra matriz de
tamaño m × n donde el elemento ij de A + B se obtiene sumando el elemento ij de A con el
elmento ij de B . Es decir, si A = (aij )m×n y B = (bij )m×n , entonces A + B = (aij + bij )m×n .
El neutro de la suma es la matriz cero, 0, con todos sus elementos cero, y la matriz
opuesta de A, se designa por −A, y es −A = (−aij )m×n .
Producto por escalares: Si A es una matriz m × n y k ∈ IR un escalar, el producto kA es
otra matriz del mismo tamaño donde cada elemento de A aparece multiplicado por k . Es decir,
kA = (kaij )m×n .
Producto de matrices: Si Am×n y Bn×p el producto AB es otra matriz de tamaño m × p
tal que, el elemento ij de AB se obtiene sumando los productos de cada elemento de la fila i
de A por el elemento correspondiente de la columna j de B . Es decir,
 
b1j
³ ´
 b2j 
 Xn
cij = FiA × CjB = ai1 ai2 · · · ain 
 ..  = ai1 b1j + ai2 b2j + · · · + ain bnj =
 aik bkj
 .  k=1
bnj

(lo denotaremos por cij = FiA ×CjB cuando queramos significar la fila y columna que intervienen).

Preliminares. 16
 2.2 Lenguaje matricial de los sistemas de ecuaciones.

 
1 0 ··· 0

0 1 ··· 0 
La matriz cuadrada I = In = 
 .. .. .. .. 
 , formada por ceros excepto en la diagonal
 . . . .
0 0 ··· 1
principal que tiene unos, de llama matriz identidad y verifica que para toda Am×n se tiene
que Im Am×n = Am×n y Am×n In = Am×n . Es decir, es el neutro del producto de matrices.

Observación:
La definición dada de producto de matrices requiere que el número de columnas de la primera
matriz, A, sea igual que el número de filas de la segunda matriz, B , puesto que para el cálculo
de cij ha de haber tantos elementos en la fila i (número de columnas de A) como en la columna
j (número de filas de B ). En forma sinóptica con los tamaños (m × n) · (n × p) = (m × p).

Propiedades de las operaciones 2.1 –

a) A + B = B + A (conmutativa de la suma).
b) A + (B + C) = (A + B) + C (asociativa de la suma).
c) A(BC) = (AB)C (asociativa del producto).
d) A(B + C) = AB + AC (distributiva por la izquierda).
e) (A + B)C = AC + BC (distributiva por la derecha).
f) a(B + C) = aB + aC ; ∀a ∈ IR.
g) (a + b)C = aC + bC ; ∀a, b ∈ IR.
h) a(BC) = (aB)C = B(aC); ∀a ∈ IR.

• AB = BA
En general, NO es cierto que: • Si AB = AC necesariamente sea B = C
• Si AB = 0 necesariamente sea A = 0 ó B = 0
à ! à ! à !
0 1 3 7 −1 −1
Ejemplo 2.2 – Con A = , B = y C = obtenemos que AB =
0 2 0 0 0 0
à ! à !
0 0 0 17
6= BA = es decir AB 6= BA y AB = 0 con A 6= 0 y B 6= 0. Además
0 0 0 0
AC = 0 = AB y B 6= C . 4

2.2 Lenguaje matricial de los sistemas de ecuaciones.

Si consideramos un sistema de m ecuaciones lineales con n incógnitas

a11 x1 + a12 x2 + · · · + a1n xn = b1 



a21 x1 + a22 x2 + · · · + a2n xn = b2
............... 



am1 x1 + am2 x2 + · · · + amn xn = bm

éste puede escribirse como AX = B donde A = (aij )m×n , X = (xi )n×1 y B = (bj )m×1 .
La matriz A se denomina matriz de los coeficientes, la matriz columna B se denomina
matriz de los términos independientes y la matriz A|B , añadiendo a A la matriz columna
B , se denomina matriz ampliada del sistema.

Preliminares. 17
 2.2 Lenguaje matricial de los sistemas de ecuaciones.

2.2.1 Matrices elementales.

Definición 2.3 – Llamaremos operación elemental en las filas de las matrices, alguna de las
siguientes:
a) Intercambiar la posición de dos filas.
b) Multiplicar una fila por una constante distinta de cero.
c) Sumar a una fila un múltiplo de otra fila.

Definición 2.4 – Se dice que una matriz cuadrada En×n es una matriz elemental si se obtiene
de efectuar una sola operación elemental sobre la matriz identidad In×n .

Teorema 2.5 – Si la matriz elemental Em×m resulta de efectuar cierta operación elemental sobre
las filas de Im y si Am×n es otra matriz, el producto EA es la matriz m × n que resulta de
efectuar la misma operación elemental sobre las filas de A.

Ejemplo.- Son matrices elementales las matrices

     
0 1 0 1 0 0 1 0 0
     
E1 =  1 0 0  , E2 =  0 2 0  y E3 =  0 1 0  ,
0 0 1 0 0 1 3 0 1

que se obtienen de I3 , intercambiando la primera con la segunda fila (F1 ↔ F2 ), multiplicando la

segunda fila por 2 (2F2 ) y sumando a la tercera fila la primera fila multiplicada por 3 (F3 +3F1 ),
respectivamente. Y si A = (aij )3×4 , se tiene
   
a21 a22 a23 a24 a11 a12 a13 a14
   
E1 A =  a11 a12 a13 a14  , E2 A =  2a21 2a22 2a23 2a24  y
a31 a32 a33 a34 a31 a32 a33 a34
 
a11 a12 a13 a14
 
E3 A =  a21 a22 a23 a24 .
a31 +3a11 a32 +3a12 a33 +3a13 a34 +3a14

Observación 2.6 – Es claro, que una vez realizada una operación elemental puede deshacerse
mediante otra operación elemental: ası́, si intercambiamos la fila i con la fila j , la operación
elemental que lo deshace es intercambiar de nuevo la fila i con la fila j ; si multiplicamos la
fila i por k 6= 0 se deshace multiplicándola de nuevo por k1 y si sumamos a la fila i la fila j
multiplicada por k lo deshacemos restando a la fila i la fila j multiplicada por k (sumando la
fila j multiplicada por −k ).
Denotando por E1∗ , E2∗ y E1∗ a las matrices elementales que deshacen las operaciones ele-
mentales dadas por las matrices elementales E1 , E2 y E3 del ejemplo anterior, tenemos que
     
0 1 0 1 0 0 1 0 0
     
E1∗ =  1 0 0  = E1 , E2∗ =  0 12 0  y E3∗ =  0 1 0  .
0 0 1 0 0 1 −3 0 1

Teorema 2.7 – Si E es una matriz elemental, los sistemas AX = B y EAX = EB , tienen las
mismas soluciones.

Demostración:
En efecto, si X0 es solución del sistema AX = B se cumple la igualdad AX0 = B , entonces
(EA)X0 = E(AX0 ) = E(B) = EB , luego X0 es también solución del segundo sistema.

Preliminares. 18
 2.2 Lenguaje matricial de los sistemas de ecuaciones.

Recı́procamente, si X0 es solución del sistema (EA)X0 = (EB) y E ∗ es la matriz elemental

que deshace la operación elemental realizada en E (ver la observación 2.6 previa), entonces, por
lo anterior, X0 es solución del sistema E ∗ (EA)X = E ∗ (EB). Como E ∗ deshace la operación
elemental, E ∗ EA = A y E ∗ EB = B , luego X0 es solución del sistema AX = B .

Nota: Con este resultado, multiplicando sucesivamente en la igualdad AX = B por matrices

elementales adecuadas
E1 AX = E1 B E2 E1 AX = E2 E1 B ... Ek · · · E2 E1 AX = Ek · · · E2 E1 B
se llega a un sistema equivalente RX = L (es decir, con las mismas soluciones), pero más sencillo
a la hora de encontrar las soluciones. Esto es lo que hace el metodo siguiente:

2.2.2 Método de Gauss.

Buscaremos una matriz escalonada, con ceros por debajo de la “escalera”, que permite una
resolución sencilla (como veremos luego). Esta matriz reducida debe cumplir:
a) Si una fila consta únicamente de ceros debe ir en la parte inferior de la matriz.
b) Si dos filas seguidas no constan solo de ceros, el primer elemento distinto de cero de la fila
inferior debe encontrarse más a la derecha que el primer elemento distinto de cero de la fila
superior.
La búsqueda de estas matrices se conoce con el nombre de método de Gauss.

Ejemplo 2.8 – 
5x3 + 10x4 + 15x6 = 5 



x1 + 3x2 − 2x3 + 2x5 = 0
2x1 + 6x2 − 5x3 − 2x4 + 4x5 − 3x6 = −1 



2x1 + 6x2 + 8x4 + 4x5 + 18x6 = 6
Apliquemos sobre este sistema el método de Gauss, es decir hagamos operaciones elementales,
sobre la matriz A de los coeficientes y, como vimos, también sobre B para que se mantenga la
igualdad. Por comodidad efectuamos las operaciones elementales sobre la matriz ampliada para
con ello realizar las operaciones sobre A y B de una sola vez.
 
0 0 5 10 0 15 5
 1 3 −2 0 2 0 0 
 
A|B =   Por la operación (a) cambiamos la fila 1
 2 6 −5 −2 4 −3 −1 
por la fila 2 (F1 ↔ F2 ).
2 6 0 8 4 18 6
 
1 3 −2 0 2 0 0
 0 0 5 10 0 15 5 
 
  Por (b) hacemos cero el 2 de F3 (F3 −2F1 )
 2 6 −5 −2 4 −3 −1 
y el de F4 (F4 − 2F1 ).
2 6 0 8 4 18 6
 
1 3 −2 0 2 0 0
 0 0 5 10 0 15 5 
 
  Hacemos 0 el −1 de F3 (F3 + 15 F2 ) y el 4
 0 0 −1 −2 0 −3 −1 
de F4 (F4 − 45 F2 ).
0 0 4 8 0 18 6

Preliminares. 19
 2.2 Lenguaje matricial de los sistemas de ecuaciones.

 
1 3 −2 0 2 0 0
 0 0 5 10 0 15 5 
 
  Cambiamos F3 por F4 (F3 ↔ F4 ).
 0 0 0 0 0 0 0 
0 0 0 0 0 6 2
 
1 3 −2 0 2 0 0
 0 0 5 10 0 15 5 
 
  Esta matriz es escalonada, y nos propor-
 0 0 0 0 0 6 2 
ciona el sistema
0 0 0 0 0 0 0

x1 + 3x2 − 2x3 + 2x5 = 0 

5x3 + 10x4 + 15x6 = 5 
6x6 = 2 

0=0 
cuyas soluciones se encuentran fácilmente sustituyendo de abajo hacia arriba, obteniéndose:
x6 = 31 , x3 = −2x4 , x1 = −3x2 − 4x4 − 2x5 , donde x2 , x4 y x5 pueden tomar cualquier valor.
Las soluciones son: (−3x2 − 4x4 − 2x5 , x2 , −2x4 , x4 , x5 , 31 ) para todo x2 , x4 y x5 . 4

El primer elemento distinto de cero de cada fila lo llamaremos elemento principal y las
incógnitas correspondientes a estos elementos incógnitas principales.
Si en alguna fila el elemento principal está en la columna ampliada, el sistema no tiene
solución –claramente una de las ecuaciones equivalentes será 0x1 + · · · + 0xn = k (con k 6= 0
por ser un elemento principal de la ampliada) y esta igualdad no puede cumplirse para ningún
valor que demos a las incógnitas–.

Si el sistema tiene solución, tenemos dos casos:

? Si el número de elementos principales es igual que el número de incógnitas
 el sistema tiene

1 −2 0 0
 
solución única. Supongamos que la matriz escalonada obtenida es  0 5 15 5  ,
 
0 0 6 2

 x1 = 2x2 
 x1 = 0
el sistema 5x2 = 5 − 15x3 y se obtiene x2 = 0 solución única.

 6x = 2 
 x = 1
3 3 2
? Si el número de elementos principales es menor que el número de incógnitas el sistema tiene
infinitas soluciones. Basta observar el ejemplo 2.8 anterior, tenemos una solución para cada
uno de los posibles valores de x2 , x4 y x5 .

2.2.2.1 Sistemas homogéneos.

Un sistema de ecuaciones lineales se dice que es homogéneo si tiene todos los términos inde-
pendientes cero; es decir, un sistema de la forma AX = 0.
Un sistema homogéneo siempre tiene solución pues X = 0 es una solución del sistema. A
esta solución suele llamarse la solución trivial y de cualquier otra solución distinta de ésta se
dice solución no trivial.

2.2.3 Método de Gauss-Jordan.

El método de Gauss-Jordan continúa el método de Gauss, haciendo operaciones elementales
para conseguir una matriz escalonada reducida que tiene unos por elementos principales y
en las columnas que contienen a dichos unos todos los demás elementos son cero.

Preliminares. 20
 2.3 Matriz transpuesta.

Ejemplo 2.9 – Continuando con el sistema del ejemplo 2.8 anterior

 
1 3 −2 0 2 0 0
 0 0 5 10 0 15 5 
 
  Hacemos 1 los elementos principales mul-
 0 0 0 0 0 6 2 
tiplicando 15 F2 y 16 F3
0 0 0 0 0 0 0
 
1 3 −2 0 2 0 0
 0 0 1 2 0 3 1 
 
  hay que hacer cero el 3 de F2 y C6 (a26 ):
 0 0 0 0 0 1 13 
F2 − 3F3
0 0 0 0 0 0 0
 
1 3 −2 0 2 0 0
 0 0 1 2 0 0 0 
 
  hay que hacer cero el −2 de F1 y C3 (a13 ):
 0 0 0 0 0 1 13 
F1 + 2F2
0 0 0 0 0 0 0
 
1 3 0 4 2 0 0 
 
 x1 = −3x2 − 4x4 − 2x5
 0 0 1 2 0 0 0 

 1  luego x = −2x4
3
 0 0 0 0 0 1  
 x = 1
3 6 3
0 0 0 0 0 0 0
obteniéndose, naturalmente, las mismas soluciones que antes. 4

2.3 Matriz transpuesta.

Definición 2.10 – Si A es una matriz m × n llamamos matriz transpuesta de A a la matriz
At de tamaño n × m que tiene por filas las columnas de A y por columnas las filas de A. Es
decir, el elemento ij de At coincide con el elemento ji de A.
Proposición 2.11 – Se verifican las siguientes propiedades:
a) (At )t = A.
b) (A + B)t = At + B t .
c) (kA)t = kAt .
d) (AB)t = B t At (y, en general, (A1 A2 · · · An )t = Atn · · · At2 At1 ).
Demostración:
Las tres primeras son claras. Veamos la cuarta: el elemento ij de B t At se obtiene como
t t
FiB × CjA = CiB × FjA = FjA × CiB = cji de AB . Luego B t At = (AB)t .

2.4 Matrices cuadradas.

Una matriz cuadrada A se dice triangular superior, si todos los elementos por debajo de la
diagonal principal son nulos, es decir: aij = 0, para cualquier i,j tal que i > j . Una matriz
cuadrada A se dice triangular inferior, si todos los elementos por encima de la diagonal
principal son nulos, es decir, aij = 0, para cualquier i,j tal que i < j .
Una matriz cuadrada A se dice que es diagonal, si es triangular superior e inferior, es decir,
si son cero todos los elementos que no están en la diagonal principal.
A la suma de los elementos de la diagonal principal de una matriz cuadrada A se le llama
traza de A, es decir, T raza(A) = a11 + a22 + · · · + ann .
Una matriz cuadrada A se dice simétrica si A = At , es decir, si aij = aji para todo i,j .
Se dice antisimétrica si A = −At , es decir si aij = −aji para todo i,j .

Preliminares. 21
 2.4 Matrices cuadradas.

2.4.1 Matrices inversibles.

Definición 2.12 – Si A es una matriz cuadrada de orden n, An×n , y existe Bn×n tal que
AB = BA = I se dice que A es inversible y que B es inversa de A.

Observación:
Es claro de la definición que también B es inversible y A una inversa de B .
Nota: Por la definición, para que una matriz sea inversible se ha de verificar AB = I y también
BA = I . Sin embargo es suficiente con que se verifique una de ellas para que la otra también se
verifique como veremos en la proposición 2.20.

Proposición 2.13 – Si una matriz cuadrada A tiene inversa, esta es única. Y la denotaremos
por A−1 .

Demostración:
Supongamos que B y C son inversas de A. Al ser B inversa de A es I = AB , multiplicando
a esta igualdad por C y teniendo en cuenta que C es inversa de A obtenemos que C = C(AB) =
(CA)B = IB = B .

Recordando los comentarios hechos en la observación 2.6, es claro el siguiente resultado para
matrices elementales.

Proposición 2.14 – Las matrices elementales son inversibles y sus inversas son también elemen-
tales:
? De intercambiar dos filas, intercambiarlas de nuevo.
? De multiplicar una fila por k 6= 0, multiplicar esa fila por 1/k .
? De sumar a una fila un múltiplo de otra, restar a esa fila el múltiplo sumado.

Teorema 2.15 – Si A y B son dos matrices inversibles, entonces AB es inversible y

(AB)−1 = B −1 A−1 .

En general, (A1 A2 · · · Ak )−1 = A−1 −1 −1

k · · · A2 A1 .

Demostración: (
(AB)(B −1 A−1 ) = A(BB −1 )A−1 = AA−1 = I
Basta con operar:
(B −1 A−1 )(AB) = B −1 (A−1 A)B = B −1 B = I.
La generalización es inmediata.

Propiedades 2.16 –
a) (A−1 )−1 = A.
b) (An )−1 = (A−1 )n .
c) (kA)−1 = k1 A−1 .

Definición 2.17 – Una matriz cuadrada, A, se dice ortogonal si A−1 = At .

Teorema 2.18 – Sea A una matriz cuadrada de orden n. Son equivalentes:

a) A es inversible.
b) El sistema AX = B tiene solución única para todo Bn×1 .
c) El sistema homogéneo AX = 0 tiene solución única.

Preliminares. 22
 2.4 Matrices cuadradas.

d) Por operaciones elementales en A puede llegarse a la identidad.

Demostración:
a)⇒b) A es inversible, luego existe A−1 . Si se multiplica por A−1 en la igualdad AX = B se
tiene que A−1 AX = A−1 B , luego X = A−1 B es solución del sistema y es la única.
b)⇒c) Es un caso particular.
c)⇒d) Como la solución del sistema AX = 0 es única, al aplicar el método de Gauss-Jordan a
la matriz A la escalonada reducida tiene que ser, necesariamente I .
d)⇒a) Existen matrices elementales de forma que Ek · · · E2 E1 A = I , luego multiplicando
sucesivamente en la igualdad por las inversas de las matrices elementales, se llega a que
A = E1−1 E2−1 · · · Ek−1 , es decir, A es producto de matrices inversibles y, por tanto, es
inversible.

Corolario 2.19 (Cálculo de A−1 por el método de Gauss) – Si A es inversible, hemos visto que
Ek · · · E2 E1 A = I , luego A−1 = Ek · · · E2 E1 . Puede fácilmente calcularse la inversa a partir
de las operaciones elementales, sin más que realizar sobre I las mismas operaciones elementales
que efectuemos sobre A para llegar a la identidad. Es decir,
(A|I) −→ (E1 A|E1 I) −→ (E2 E1 A|E2 E1 I) −→ · · · −→ (Ek · · · E1 A|Ek · · · E1 I) = (I|A−1 ).

Proposición 2.20 – Sea A una matriz cuadrada. Entonces

a) Si existe B tal que BA = I , entonces A es inversible y B = A−1 .
b) Si existe B tal que AB = I , entonces A es inversible y B = A−1 .

Demostración:
a) Consideremos el sistema AX = 0. Multiplicando por B en ambos lados se tiene que
BAX = B0 = 0, pero al ser BA = I , X = 0 es la única solución del sistema y, por tanto,
A es inversible. Multiplicando en I = BA por A−1 , obtenemos que A−1 = BAA−1 = B .
b) Analogo al anterior.

2.4.2 Determinante de una matriz cuadrada.

Definición 2.21 – Sea A una matriz cuadrada de orden n. Llamaremos producto elemental
en A al producto ordenado de un elemento de cada fila, cada uno de los cuales pertenece
a columnas distintas. Es decir, una expresión de la forma a1j1 a2j2 · · · anjn con todos los jk
distintos.

Definición 2.22 – Llamaremos producto elemental con signo al valor (−1)N a1j1 a2j2 · · · anjn
donde el número N , para cada producto elemental, es el número de “inversiones del orden” en
el conjunto de las columnas {j1 , j2 , . . . , jn }, es decir, el número de veces que cada elemento jk
es menor que alguno de los anteriores a él.

Ejemplo 2.23 – {2, 4, 1, 3}. Para calcular las inversiones tenemos que ver cuantas veces 4, 1
y 3 son menores que sus anteriores. Para el 4, hay inversión cuando 4 < 2, no. Para el 1,
cuando 1 < 2, si ; y cuando 1 < 4, si . Y para el 3, cuando 3 < 2, no; 3 < 4, si ; y 3 < 1, no.
El conjunto presenta entonces tres inversiones, N = 3.

Preliminares. 23
 2.4 Matrices cuadradas.

Definición 2.24 – Definimos la función determinante en el conjunto de las matrices de orden

n, como la función que asigna a cada matriz A el número real, que denotaremos por det(A) ó
det A ó |A|, y cuyo valor es la suma de todos los productos elementales con signo que se pueden
formar en A. Es decir:
X
det(A) = |A| = (−1)N a1j1 a2j2 · · · anjn .
(j1 ,j2 ,...,jn )

Dos resultados inmediatos:

Proposición 2.25 –
a) Si A es una matriz que tiene una fila o una columna de ceros, entonces |A| = 0.
b) Si A es una matriz triangular superior o triangular inferior, |A| es el producto de los
elementos de la diagonal principal, es decir, |A| = a11 a22 · · · ann . (En todos los demás
productos elementales aparece al menos un 0.)

2.4.2.1 Determinantes y operaciones elementales.

Teorema 2.26 – Sea An×n una matriz. Se tiene:
a) que si A0 es la matriz que resulta de multiplicar una fila de A por una constante k , entonces
det(A0 ) = k det(A).
b) que si A0 es la matriz que resulta de intercambiar dos filas de A, entonces det(A0 ) =
− det(A).
c) que si A0 es la matriz que resulta de sumar a una fila k un múltiplo de la fila i, entonces
det(A0 ) = det(A).

Demostración:
X
det(A0 ) = (−1)N a1j1 · · · kaiji · · · anjn
a) X
=k (−1)N a1j1 · · · aiji · · · anjn = k det(A).
b) Previamente necesitamos el siguiente resultado:
Lema 2.27 – Si en el conjunto {j1 , . . . , jn } intercambiamos dos elementos el número
de inversiones de signo cambia de paridad (de par a impar, o viceversa).
Demostración:
Si intercambiamos los elementos consecutivos ji y ji+1 cambia la paridad, pues si
antes era ji < ji+1 ahora es ji+1 > ji , produciéndose una inversión donde antes no la
habı́a, y si era ji > ji+1 ahora ji+1 < ji , con lo que se elimina una inversión que antes
habı́a. Como con el resto de los elementos no se producen modificaciones, si tenı́amos
N inversiones ahora tendremos N + 1 ó N − 1, luego se cambia de paridad.
Si intercambiamos los elementos ji y jk no consecutivos, podemos hacerlo repitiendo
el proceso comentado arriba, yendo paso a paso intercambiando términos consecutivos.
Hacemos por lo tanto k − i intercambios consecutivos para llevar el elemento ji a la
posición k y haremos k − i − 1 intercambios para llevar jk (que ahora está en la
posición k − 1) a la posición i. Luego hay 2(k − i) − 1, un número impar, de cambios
de paridad y, por tanto, cambia la paridad al intercambiar dos elementos cualesquiera.

Preliminares. 24
 2.4 Matrices cuadradas.

Con este resultado, para probar b) basta observar que los productos elementales que aparecen en
el det(A0 ) son los mismos que aparecen en el det(A), aunque intercambiadas las posiciones de los
elementos de las filas en cuestión, es decir, los productos elementales a1j1 · · · akjk · · · aiji · · · anjn
de A0 y a1j1 · · · aiji · · · akjk · · · anjn de A son iguales. Pero como los ı́ndices ji y jk aparecen
intercambiando las posiciones, en el desarrollo del los determinantes tendrán signos contrarios,
luego det(A0 ) = − det(A).
Corolario 2.28 – Una matriz con dos filas iguales tiene determinante cero.
Demostración:
Sea B una matriz cuadrada que tiene la fila i y la fila k iguales, entonces por la
parte b) anterior, si intercambiamos las filas i y k que son iguales se obtiene que
det(B) = − det(B) es decir que det(B) = 0.
X
c) det(A0 ) = (−1)N a1j1 · · · aiji · · · (akjk + kaijk ) · · · anjn
X X
= (−1)N a1j1 · · · aiji · · · akjk · · · anjn + (−1)N a1j1 · · · aiji · · · kaijk · · · anjn
X
= det(A) + k (−1)N a1j1 · · · aiji · · · aijk · · · anjn .
Como este último sumatorio, que es el determinante de una matriz que tiene la fila i y la fila k
iguales, vale 0, se tiene que det(A0 ) = det(A).

Corolario 2.29 –
a) Si E es la matriz elemental resulta de multiplicar una fila de I por una constante k ,
entonces det(E) = k .
b) Si E es la matriz elemental que resulta de intercambiar dos filas de I , entonces det(E) =
−1.
c) Si E es la matriz que resulta de sumar a una fila k un múltiplo de la fila i, de I , entonces
det(E) = 1.

Cálculo de determinantes por reducción a la forma escalonada.

El teorema anterior nos ofrece la posibilidad de calcular el determinante de una matriz usando
el método de Gauss. Si tenemos que Ek · · · E2 E1 A = R, donde R es la matriz escalonada que
se obtiene al aplicar el método de Gauss, se tiene que

det(R) = det(Ek Ek−1 Ek−2 · · · E1 A) = δk det(Ek−1 Ek−2 · · · E1 A)

= δk δk−1 det(Ek−2 · · · E1 A) = · · · = δk δk−1 δk−2 · · · δ1 det(A),

donde δi es k , −1 ó 1, según la operación elemental que represente Ei . Luego

1 1
det(A) = · · · det(R)
δ1 δk

y como R es una matriz cuadrada escalonada, es una matriz triangular superior (ver nota
siguiente), y det(R) = r11 r22 · · · rnn .
Nota: Es claro que si una matriz cuadrada la llevamos a una matriz escalonada, ésta ha de ser
triangular superior, pues el elemento principal de la fila 1 está en la posición 11 o más a la
derecha, el elemento principal de la fila 2 está en la posición 22 o más a la derecha, y en general
el elemento principal de la fila i está en la posición ii o más a la derecha. Luego para toda fila
i, los elementos aij con i > j son cero, que es la caracterización de matriz triangular superior.

Preliminares. 25
 2.4 Matrices cuadradas.

Ası́ pues, una matriz escalonada cuadrada, o tiene elemento principal en cada fila (y en
consecuencia están todos en la diagonal principal de la matriz) o tiene al menos una fila de
ceros.
En particular, si llevamos la matriz cuadrada a la forma de matriz escalonada reducida, esta
escalonada reducida o es la matriz identidad o tiene al menos una fila de ceros.

2.4.2.2 Otras propiedades del determinante.

Teorema 2.30 – Si A y B son matrices cuadradas de orden n, entonces

det(AB) = det(A) · det(B).

Demostración:
La demostración se hace en tres pasos. Primero el caso particular en que A sea una matriz
elemental y luego los casos generales, que A sea una matriz inversible o que no lo sea.
1. Si A es una matriz elemental, por el teorema 2.26 y corolario 2.29 anteriores, se tiene que:
a) det(AB) = k det(B) = det(A) det(B)
b) det(AB) = − det(B) = (−1) det(B) = det(A) det(B)
c) det(AB) = det(B) = 1 det(B) = det(A) det(B)
según el tipo de matriz elemental que sea A.
2. Si A es inversible es producto de matrices elementales (teorema 2.18) y por la parte 1,

det(AB) = det(Ek Ek−1 · · · E1 B) = det(Ek ) det(Ek−1 · · · E1 B) = · · ·

= det(Ek ) · · · det(E2 ) det(E1 ) det(B) = det(Ek ) · · · det(E2 E1 ) det(B) = · · ·
= det(Ek · · · E1 ) det(B) = det(A) det(B).

3. Si A no es inversible, la matriz escalonada reducida, R, obtenida de A no es la identi-

dad, luego tiene al menos una fila de ceros. Entonces, si Ek · · · E1 A = R se tiene que
A = E1−1 · · · Ek−1 R = E −1 R, donde E −1 = E1−1 · · · Ek−1 es inversible por ser producto de
inversibles. Por la parte 2, det(A) = det(E −1 ) det(R) = 0 ya que det(R) = 0 al tener una
fila de ceros. Luego det(A) det(B) = 0 det(B) = 0.
Con la notación anterior, AB = E −1 RB de donde det(AB) = det(E −1 ) det(RB). Ahora
bien, como R tiene al menos una fila de ceros, la matriz RB tiene al menos una fila de
ceros y, por tanto, det(RB) = 0. En consecuencia, det(AB) = 0 = det(A) det(B).

Teorema 2.31 – Sea An×n entonces, A es inversible ⇐⇒ det(A) 6= 0.

Demostración:
Si A es inversible I = AA−1 , luego det(I) = det(AA−1 ) = det(A) det(A−1 ), pero al ser
det(I) = 1 6= 0, necesariamente ha de ser det(A) 6= 0.
Como en la parte 3 de la demostración del teorema anterior ya hemos visto que si A no es
inversible entonces det(A) = 0, queda probado el teorema.

Teorema 2.32 – Si A es una matriz cuadrada, entonces det(At ) = det(A).

Demostración:
Es claro que los productos elementales que aparecen en ambos determinantes son los mismos,
luego basta probar que además tienen el mismo signo.

Preliminares. 26
 2.4 Matrices cuadradas.

Si en la matriz A hacemos cero todos los elementos excepto los que intervienen en un
producto elemental dado, obtenemos una matriz B cuyo determinante es precisamente ese pro-
ducto elemental con signo, es decir det(B) = (−1)N a1j1 · · · anjn ; si en At hacemos cero los
elementos que no intervienen en ese mismo producto elemental se obtiene precisamente B t , y
0
det(B t ) = (−1)N a1j1 · · · anjn . Entonces,
¯  ¯
¯ 0 0 a3j3 ··· 0 ¯
¯ ¯
¯   .. .. .. .. ¯¯

¯ 0 · · · 0 · · · a1j1 ··· 0  . . . ··· .
¯  ¯
¯ 0 · · · 0 · · · 0 ··· a2j2   ¯
¯  0 0 0 · · · anjn ¯
¯  ¯
|BB t | = ¯¯ a ··· 0 ··· 0 ··· 0   .. .. .. . ¯
 3j3  . . . · · · ..
¯ .. .. .. .. .. .. .. 
¯
¯
¯ . . . . . . .  a 0 0 ··· 0 ¯
¯  1j1 ¯
¯ 0 · · · anjn · · · 0 ··· 0  .. .. .. .. ¯
¯  . . . ··· . ¯
¯ ¯
¯ 0 a2j2 0 ··· 0 ¯
¯ 2 ¯
¯ a1j 0 0 · · · 0 ¯¯
¯ 1
¯ 0 a2 0 · · · 0 ¯¯
¯ 2j2
¯ ¯
= ¯¯ 0 0 a23j3 · · · 0 ¯ = a21j1 a22j2 a23j3 · · · a2njn ≥ 0,
¯
¯ .. .. .. . . .. ¯
¯ .
¯ . . . . ¯¯
¯ 0 0 0 ··· a 2 ¯
njn

y, por tanto, det(B) det(B t ) = det(BB t ) ≥ 0 y ambos factores tienen el mismo signo.

2.4.2.3 Desarrollo por cofactores.

Definición 2.33 – Sea A una matriz cuadrada, llamaremos menor del elemento aij y lo
denotaremos por Mij , al determinante de la submatriz que se forma al suprimir en A la fila
i y la columna j . Al número (−1)i+j Mij lo llamaremos cofactor del elemento aij y lo
denotaremos por Cij .

Teorema 2.34 – El determinante de una matriz A se puede calcular multiplicando los elementos
de una fila (o de una columna) por sus cofactores correspondientes y sumando todos los productos
resultantes; es decir, para cada 1 ≤ i ≤ n y para cada 1 ≤ j ≤ n:

det(A) = ai1 Ci1 + ai2 Ci2 + · · · + ain Cin y det(A) = a1j C1j + a2j C2j + · · · + anj Cnj

Demostración:
Sopongamos que desarrollamos por la fila 1. Si en det(A) agrupamos los términos que
involucran a cada a1k , tenemos que
X X
|A| = (−1)N a11 a2j2 · · · anjn + · · · + (−1)N a1n a2j2 · · · anjn
(1,j2 ,...,jn ) (n,j2 ,...,jn )
   
n
X X n
X X
=  (−1)N a1k a2j2 · · · anjn  = a1k  (−1)N a2j2 · · · anjn 
k=1 (k,j2 ,...,jn ) k=1 (k,j2 ,...,jn )
X
Por otra parte como C1k = (−1)1+k M1k = (−1)1+k (−1)Nk a2j2 · · · anjn , basta comprobar
(j2 ,...,jn )
ji 6=k
que este valor coincide con el que aparece entre paréntesis en el sumatorio anterior.
Para cada k , en el conjunto {k, j2 , . . . , jn } aparecen k−1 inversiones más que en {j2 , . . . , jn },
pues están todas aquellas que se producen entre los ji más las que se produzcan con el primer
elemento k . En efecto, como en el conjunto {j2 , . . . , jn } aparecen los valores 1, 2, . . . , k − 1,

Preliminares. 27
 2.4 Matrices cuadradas.

y se tiene que k > 1, k > 2, . . . , k > k − 1, aparecen exactamente k − 1 inversiones más. Es

decir, (−1)N = (−1)k−1 (−1)Nk , luego
   
n
X X n
X X
|A| = a1k  (−1)N a2j2 · · · anjn  = a1k  (−1)k−1 (−1)Nk a2j2 · · · anjn 
k=1 (k,j2 ,...,jn ) k=1 (j2 ,...,jn )
 
n
X X n
X
= a1k (−1)k−1  (−1)Nk a2j2 · · · anjn  = a1k (−1)k−1 M1k
k=1 (j2 ,...,jn ) k=1
Xn Xn
= a1k (−1)k+1 M1k = a1k C1k
k=1 k=1

Para desarrollar por una fila k cualquiera, basta llevar ésta a la fila 1 y aplicar lo anterior.
En efecto, si vamos intercambiando la fila k con cada una de las anteriores, obtenemos una
matriz A0 que tiene por fila 1 la fila k de A, por fila 2 la fila 1 de A, . . . , por fila k la
fila k − 1 de A, y las demás igual. Luego hemos hecho k − 1 cambios de fila y, por tanto,
|A| = (−1)k−1 |A0 |. Si desarrollamos det(A0 ) por la primera fila, tenemos que
n
X n
X
k−1 0 k−1
|A| = (−1) |A | = (−1) a01j (−1)1+j M1j
0
= (−1) k−1
akj (−1)1+j Mkj
j=1 j=1
n
X n
X n
X
= akj (−1)k−1 (−1)1+j Mkj = akj (−1)k+j Mkj = akj Ckj .
j=1 j=1 j=1

Para el desarrollo por columnas basta recordar que |A| = |At |.

Corolario 2.35 – Si desarrollamos una fila de una matriz A por los cofactores de otra distinta,
el resultado es cero; es decir,
ai1 Cj1 + ai2 Cj2 + · · · + ain Cjn = 0, si i 6= j .
Idéntico resultado para las columnas.

Demostración:
Es claro, pues si en A hacemos la fila j igual a la fila i, la matriz obtenida A0 tiene
determinante cero y
0 = |A0 | = a0j1 Cj1
0
+ a0j2 Cj2
0
+ · · · + a0jn Cjn
0
= ai1 Cj1 + ai2 Cj2 + · · · + ain Cjn

Definición 2.36 – Dada una matriz A cuadrada de orden n, llamaremos matriz de cofactores
de A a la matriz que tiene por elementos los cofactores de A, C = (Cij ), y llamaremos matriz
adjunta de A a la matriz de cofactores traspuesta, Adj(A) = C t .
1
Teorema fundamental 2.37 – Si A es una matriz inversible, entonces A−1 = |A| Adj(A).

Demostración:
Si probamos que A Adj(A) = |A|I entonces, como |A| 6= 0, será A Adj(A) |A| = I y A−1 =
1
|A| Adj(A). En efecto, aplicando el teorema 2.34 y el corolario 2.35 anteriores,
  
a11 a12 · · · a1n C11 C21 · · · Cn1
  
 t
a21 a22 · · · a2n  C12 C22 · · · Cn2 
A · Adj(A) = A · C = 
 .. .. .. .. 
 .. .. .. ..  = |A| · I

 . . . .  . . . . 
an1 an2 · · · ann C1n C2n · · · Cnn

Preliminares. 28
 2.5 Rango de una matriz. Teorema de Rouché.

Regla de Cramer 2.38 – Sea AX = B , un sistema de n ecuaciones con n incógnitas, tal que
A es inversible, entonces el sistema tiene como única solución:
¯ ¯ ¯ ¯ ¯ ¯
¯ b1 a12 · · · a1n ¯ ¯ a b1 · · · a1n ¯ ¯ a a12 · · · b1 ¯¯
¯ ¯ ¯ 11 ¯ ¯ 11
¯ ¯ ¯ ¯ ¯
¯ b2 a22 · · · a2n ¯ ¯ a21 b2 · · · a2n ¯ ¯ a21 a22 · · · b2 ¯¯
¯ .. .. .. ¯ ¯ . .. . . .. ¯ ¯ . .. . ¯
¯ .. ¯ ¯ . ¯ ¯ . ..
¯ . . . . ¯ ¯ . . . . ¯ ¯ . . . .. ¯¯
¯ ¯ ¯ ¯ ¯ ¯
¯ bn an2 · · · ann ¯ ¯ an1 bn · · · ann ¯ ¯ an1 an2 · · · bn ¯
x1 = , x2 = , . . . , xn = .
|A| |A| |A|

Demostración:
Si A es inversible la solución única es X = A−1 B =
    
C11 C21 · · · Cn1 b1 b1 C11 + b2 C21 + · · · + bn Cn1
    
Adj(A) 1  C12 C22 · · · Cn2  b2 
B=  .. .. ..  .. = 1 

b1 C12 + b2 C22 + · · · + bn Cn2 

|A| |A|  ..   |A|  ············ 
 . . . .  . 
a1n a2n · · · ann bn b1 C1n + b2 C2n + · · · + bn Cnn

b1 C1j + b2 C2j + · · · + bn Cnj

luego cada xj = , como querı́amos probar.
|A|

2.5 Rango de una matriz. Teorema de Rouché.

Definición 2.39 – Se llama rango de una matriz Am×n , rang(A) ó rg(A), al máximo orden
que resulta de considerar todas las submatrices cuadradas que pueden formarse eliminando filas
y columnas completas de A y cuyo determinante sea distinto de cero.

Del determinante de una submatriz cuadrada de orden r de A, formada eliminando filas

y columnas completas, de suele decir que es un menor de orden r de A, por analogı́a a la
denominación dada en la definición 2.33 a los menores de un elemento.
Resultan evidentes, estos resultados:

- Si A es m × n, entonces: rg(A) ≤ min{m, n}.

- Si A es n × n, entonces: rg(A) = n ⇐⇒ det(A) 6= 0.

Dado que el rango de una matriz no varı́a realizando en ella operaciones elementales puede
definirse también
“el rango de una matriz es el número de filas distintas de cero que aparecen en alguna
de las formas escalonadas de la matriz”,
puesto que el menor formado con las filas y columnas que contienen a los elementos principales
de la matriz escalonada es distinto de 0, y cualquier menor de orden mayor es cero.

Proposición 2.40 – Sea A una matriz m × n, entonces

a) Si existe un menor de orden r distinto de cero el rg(A) ≥ r .
b) Si todos los menores de orden r son cero el rg(A) < r .

Demostración:
a) es claro, pues como r es el orden de un menor distinto de cero, el máximo de los órdenes
de los menores distintos de cero es al menos r .

Preliminares. 29
 2.5 Rango de una matriz. Teorema de Rouché.

b) Si todos los menores de orden r son cero, como un menor de orden r + 1 –que es un
determinante– puede descomponerse como suma de menores de orden r por constantes,
todos los menores de orden r + 1 son cero y, por tanto, todos los menores de orden mayor
que r son cero. Luego rg(A) < r

En una matriz m × n, el número de menores de orden r que podemos formar puede ser muy
alto, de hecho es µ ¶µ ¶
m n m! n!
= ,
r r r!(m − r)! r!(n − r)!
¡ ¢
es decir, todas las posibles elecciones de r filas de entre las m, m
r , y para cada una de estas
¡n¢
elecciones todas las posibles elecciones de r columnas de entre la n, r . Por tanto, para ver
que una matriz tiene rango menor que r usando los menores, hemos de comprobar que cada
m! n!
uno de los r!(m−r)! r!(n−r)! menores son cero.
Es claro, por tanto, que cuanto mayor sea la matriz resulta menos “costoso” evaluar el rango
de una matriz llevandola a una forma escalonada que usar la definición. Sin embargo, el coste
de la evaluación por menores, puede reducirse usando el siguiente resultado:

Proposición 2.41 – Sea Am×n una matriz, y Mr×r una submatriz de A con determinante
distinto de cero. Entonces, si el determinante de todas las submatrices de orden r + 1 que
se pueden conseguir en A añadiendo una fila y una columna a M son cero, el rango de A es r .

Demostración:
Supongamos, por simplicidad en la notación, que M es el menor formado por las primeras
r filas y columnas. Consideremos la matriz
 
a11 · · · a1r a1r+1 a1r+2 · · · a1n
 .. .. .. .. .. .. .. 
 . . . . . . . 
 
 
 ar1 · · · arr arr+1 arr+2 · · · arn 
ar+11 · · · ar+1r ar+1r+1 ar+1r+2 · · · ar+1n

donde las lı́neas verticales significan respectivamente M y este menor ampliado a la fila r + 1 y
a cada una de las demás columnas de A.
Si hacemos operaciones elementales en las filas, obtenemos
 
a011 · · · a01r a01r+1 a01r+2 · · · a01n
 . .. . .. .. .. .. 
 .. . .. . . . . 
 
 
 0 · · · a0rr a0rr+1 a0rr+2 · · · a0rn 
0 · · · 0 a0r+1r+1 a0r+1r+2 · · · a0r+1n

y los menores que tenemos ahora son o no cero según lo fueran o no antes. Como M es distinto
de cero ha de ser a011 a022 · · · a0rr 6= 0 y como cada uno de los menores ampliados son cero han
de ser a011 a022 · · · a0rr a0r+1r+1 = 0, a011 a022 · · · a0rr a0r+1r+2 = 0, . . . , a011 a022 · · · a0rr a0r+1n = 0. Luego,
a0r+1r+1 = a0r+1r+2 = · · · = a0r+1n = 0 y la matriz escalonada queda
 
a011 · · · a01r a01r+1 a01r+2 · · · a01n
 . .. . .. .. .. .. 
 .. . .. . . . . 
 .
 
 0 · · · a0rr a0rr+1 a0rr+2 · · · a0rn 
0 ··· 0 0 0 ··· 0

Preliminares. 30
 2.5 Rango de una matriz. Teorema de Rouché.

Haciendo el mismo proceso para las filas r + 2 hasta m, tenemos que una forma escalonada de
A serı́a  0 
a11 · · · a01r a01r+1 a01r+2 · · · a01n
 . .. . .. .. .. .. 
 .. . .. . . . . 
 
 0 · · · a0 a0 a 0 · · · a0rn 
 rr rr+1 rr+2 
 
 0 ··· 0 0 0 ··· 0 
 
 .. .. .. .. .. .. .. 
 . . . . . . . 
0 ··· 0 0 0 ··· 0
y el rango de A es por tanto r .

Con este resultado podemos dar un método –que se conoce con el nombre de “orlado de
menores”– para encontrar el rango de una matriz usando los menores:
“Buscamos un menor de orden uno distinto de cero: si no existe rg(A) = 0; si existe
M1 6= 0 entonces rg(A) ≥ 1, y buscamos un menor de orden 2 distinto de cero de
entre los que “orlan” al anterior: si todos ellos son cero, por el resultado anterior, el
rg(A) = 1; si algún M2 6= 0 entonces rg(A) ≥ 2, y buscamos un menor de orden
3 distinto de cero de entre los que orlan a M2 : si no existe rg(A) = 2, y si existe
M3 6= 0 entonces rg(A) ≥ 3, y buscamos . . . .”

Teorema de Rouché 2.42 – Sea el sistema AX = B , sistema de m ecuaciones con n incógnitas.

Entonces AX = B tiene solución si, y sólo si, rg(A) = rg(A|B).
En caso de tener solución, si rg(A) = r , toda solución puede expresarse en la forma X =
V0 + t1 V1 + t2 V2 + · · · + tn−r Vn−r , siendo V0 una solución particular de AX = B y los V1 , . . . ,
Vn−r soluciones del sistema homogéneo asociado AX = 0.

Demostración:
Reduciendo la matriz ampliada del sistema por operaciones elementales según el método de
Gauss-Jordan, podemos llegar a un sistema equivalente cuya matriz ampliada sea:
 
1 0 ··· 0 a1r+1 · · · a1n b1 En forma más escueta indicando los
 0 1 ··· 0 a2r+1 · · · a2n b2  tamaños podemos escribirla ası́:
 
 .. .. . . .. .. .. 
 . . . . ··· . .  Ã !
  Ir×r Ar×n−r Br×1
 
 0 0 ··· 1 arr+1 · · · arn br 
  0m−r×r 0m−r×n−r Bm−r×1
 0 0 ··· 0 0 · · · 0 br+1 
 
 .. .. .. .. .. 
 . . ··· . ··· . . 
0 0 ··· 0 0 ··· 0 bm
Nota: Los coeficientes aij , bk de esta matriz no serán los iniciales sino los resultantes después
de hacer las operaciones elementales. Además, para conseguir que en la matriz aparezcan todos
los elemetos principales en las primeras r columnas puede hacer falta intercambiar columnas,
pero esto únicamente supone cambiar el orden de las incógnitas del sistema. Las soluciones son
las mismas pero en orden distinto.
Obviamente el rango de la matriz de los coeficientes es r y el sistema tendrá solución si y
sólo si br+1 = br+2 = · · · = bm = 0, es decir si el rango de la ampliada también es r .
En este caso la solución será (con posibles cambios en el orden de las incógnitas)

Preliminares. 31
 2.6 Ejercicios.



 x1 = b1 − t1 a1r+1 − t2 a1r+2 − · · · − tn−r a1n


 x2 = b2 − t1 a2r+1 − t2 a2r+2 − · · · − tn−r a2n que también podemos escribir en forma



 .. matricial teniendo en cuenta que

 .

rx = b − t1 arr+1 − t2 arr+2 − · · · − tn−r arn
r xr+i = 0 + t1 · 0 + · · · + ti · 1 + · · · + tn−r · 0



 xr+1 = t1





..

 .

xn = tn−r
       
x1 b1 −a1r+1 −a1n y llamando Vi a las matrices
 .   .   ..   . 
 ..   ..   .   ..  columna, podemos escribir
       
 x  b   −a   −a 
 r   r  rr+1   rn 
 = +t1  +· · ·+tn−r   X = V0 + t1 V1 + · · ·+ tn−r Vn−r
 xr+1   0   1   0 
       
 ..   ..   ..   .. 
 .   .   .   .  como enunciábamos.
xn 0 0 1
Fijándonos en las soluciones se observa que haciendo t1 = · · · = tn−r = 0, V0 es una solución
de AX = B .
Si consideramos el sistema homogéneo asociado AX = 0, ha de ser V0 = 0 y como solución
genérica obtendremos X = t1 V1 + · · · + tn−r Vn−r . Luego haciendo ti = 1 y tk = 0, para k 6= i,
vemos que X = Vi es solución del sistema homogéneo AX = 0.
Resumiendo:
Si rg(A) = r , entonces:
(
r = n → Solución única.
? rg(A) = rg(A|B) =⇒ Sist. Compatible (con sol.)
r < n → Infinitas soluciones.
? rg(A) 6= rg(A|B) =⇒ Sist. Incompatible (no tiene solución).

2.6 Ejercicios.
2.1 Sean las matrices
 
3 0 Ã ! Ã !
  4 −1 1 4 2
A =  −1 2  B= C=
0 2 3 1 5
1 1
   
1 5 2 6 1 3
   
D =  −1 0 1  E =  −1 1 2 
3 2 4 4 1 3
a) Calcular cuando se pueda: 3C − D , (AB)C , A(BC), ED , DE , (4B)C + CA y
CA + B 2 .
b) Calcular, haciendo el menor número de operaciones posible, la fila 1 de CA, la columna
2 de CD y los elementos 23 y 12 de la matriz CDE .
2.2 Sean A y B dos matrices de tamaño m × n. Probar que si AX = BX para todas las
matrices Xn×1 , entonces A = B .
Indicación: usar las matrices Xi = (0, . . . , 1, . . . , 0)t , todo ceros y un 1 en la fila i.

Preliminares. 32
 2.6 Ejercicios.

 
1 2 3
 
2.3 Encontrar las matrices elementales que llevan la matriz A =  0 1 2  a una matriz
1 0 3
escalonada.
2.4 Demostrar que si la ecuación lineal x+b1 y = c1 tiene las mismas soluciones que la ecuación
x + b2 y = c2 , las dos ecuaciones son idénticas. ¿Ocurre lo mismo si las ecuaciones son
a1 x + b1 y = c1 y a2 x + b2 y = c2 ?
2.5 Hallar una matriz P tal que AP B = C donde
   
1 4 Ã ! 8 6 −6
  2 0 0  
A =  −2 3  B= C =  6 −1 1  .
0 1 −1
1 −2 −4 0 0

2.6 Estudiar cada uno de los siguientes sistemas:


  x + y + z=3
 x + 2y − z = 2 

  2x + 3z = 4
a) 2x + y + z = −1 b)

  3x − 3y + 4z = 7

3x + 3y + 2z = −1 

5x + y + 7z = 9

2.7 Estudiar cada uno de los sistemas siguientes, según los valores de los parámentros
 

 x + 2y + 4z = 1 
 x + y + z=b − 3
a) x + 2y + 2az = 2 b) bx + y = 0

 
 bx + y + bz = 0
ax + 4y + 4az = 4a

2.8 Sean A y B dos matrices cuadradas de orden n, demostrar que T raza(A+B) = T raza(A)+
T raza(B) y que T raza(AB) = T raza(BA). ¿Es posible encontrar matrices A y B tales
que AB − BA = I ?
2.9 Probar que si A es una matriz cuadrada, A+At es simétrica y que A−At es antisimétrica.
Demostrar que toda matriz cuadrada se puede escribir de forma única como suma de una
matriz simétrica y una antisimétrica.
2.10 Probar que en una matriz cuadrada antisimétrica la diagonal principal está formada únicamente
por ceros.
2.11 Encontrar las matrices elementales que llevan la matriz A del ejercicio 2.3 a una matriz
escalonada reducida. ¿Puede escribirse A como producto de matrices elementales?
2.12 Sea A una matriz idempotente (A2 = A). Probar que la matriz B = I − A es idempotente
y que AB = BA = 0. ¿Qué puede decirse de A si es inversible?
2.13 Sean A y B matrices cuadradas tales que AB = 0. Demostrar que A no puede ser
inversible a menos que B sea la matriz nula.
2.14 Demostrar que (At )n = (An )t , y también que (At )−1 = (A−1 )t .
 
a b c
 
2.15 Suponiendo que det(A) = 5, siendo A =  d e f  , calcular
g h i
¯ ¯ ¯ ¯ ¯ ¯
¯ d e f ¯ ¯ −a −b −c ¯ ¯ a+d b+e c+f ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
(a) ¯ g h i ¯ (b) ¯ 2d 2e 2f ¯ (c) ¯ d e f ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ a b c ¯ ¯ −g −h −i ¯ ¯ g h i ¯

Preliminares. 33
 2.6 Ejercicios.

¯ ¯ ¯ ¯ ¯ ¯
¯ a b c ¯ ¯ a g h ¯ ¯ 2a − d d g ¯¯
¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
(d) ¯ d − 3a e − 3b f − 3c ¯ (e) ¯ b h e ¯ (f) ¯ 2b − e e h ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 2g 2h 2i ¯ ¯ c i f ¯ ¯ 2c − f f i ¯
(g) det(3A) (h) det(2A−1 ) (i) det((2A)−1 )

2.16 Sea A una matriz cuadrada de orden n tal que la suma de los elementos de cada fila es
cero. Demostrar que A no es inversible.
2.17 Sean A y B matrices de orden n tales que A 6= 0, B 6= 0 y AB = 0. Demostrar que
det(A) = det(B) = 0.
2.18 Calcular los posibles valores del determinante de una matriz ortogonal.
2.19 Sea A una matriz antisimétrica de orden n impar. Demostrar que det(A) = 0.
2.20 Si A es una matriz de orden n probar que | Adj(A)| = |A|n−1 .


 ax + by + cz = u
2.21 Demostrar que el sistema y + gz = v posee solución única para todo

 −y + kz = w
u, v, w ∈ IR si, y sólo si, a(k + g) 6= 0.
Si a(k + g) = 0 y v = w = 0, ¿en qué condiciones el sistema es compatible?
2.22 Estudiar, según los valores de los parámetros, los rangos de las matrices asociadas a cada
uno de los sistemas siguientes:

   x + y + z=3
 x + 2y − z = a  x + ay + a z = 1 2 

2x − ay + 3z = 4
a) 2x + y + z = 1−a b) x + ay + abz = a d)
  
 3x − 3y + 4z = 7
3x + (1+a)y + az = 1−a bx + a2 y + a2 bz = ba2 
5x − (a+b)y + 7z = 8+b

Indicar en qué casos tienen solución los sistemas y expresarla en la forma descrita en el
teorema de Rouché 2.42.
2.23 Dada la matriz A de orden n ≥ 2, calcular el rango de A según los valores de a y b.
Siendo  
a a a a ··· a a
 b 0 0 0 ··· 0 a 
 
 0 b 0 0 ··· 0 a 
 
 
 0 0 b 0 ··· 0 a 
A= 
 .. .. .. . . .. .. ..
 . . . . . . .
 
 .. 
 0 0 0 0 . 0 a 
0 0 0 0 ··· b a

Preliminares. 34