Apuntes de Matem atica Aplicada II

Tecnicatura en Redes y Telecomunicaciones - 2014

Nociones Matrices

a
11
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . a
nm

Profesor: Ing. Juan Carlos Choque

Indice General
1. Conceptos Generales 1
1.1. Introducci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Denici on de Matriz: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Operaciones con matrices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1. Igualdad de matrices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2. Suma de matrices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.3. M ultiplo escalar de una matriz: . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.4. Propiedades de la suma de matrices y de la multiplicaci on escalar: . . . . 3
1.3.5. Multiplicacion de matrices: . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.6. Propiedades: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Transpuesta de una matriz: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1. Propiedades de la transpuesta: . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5. Matrices especiales: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Sistemas de ecuaciones algebraicas lineales 9
2.1. Introducci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1. Solucion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.2. Resolucion de sistemas: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2. Matriz aumentada: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1. Operaciones elementales con las: . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2. Metodo de eliminaci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3. Sistemas Homogeneos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1. Existencia de soluciones no triviales: . . . . . . . . . . . . . . . . . . . . 20
2.4. Expresi on de un sistema lineal en forma matricial: . . . . . . . . . . . . . . . . . 20
2.4.1. Comentarios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5. Rango de una matriz: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.1. Rango de una matriz mediante reducci on de las: . . . . . . . . . . . . . 22
2.6. Consistencia de AX = B: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7. N umero de par ametros en una soluci on: . . . . . . . . . . . . . . . . . . . . . . . 23
3. Determinantes 25
3.1. Introducci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2. Denici on de det de 1 1: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3. Denici on de det de 2 2: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4. Denici on de det de 3 3: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5. Expansi on de un determinante empleando cofactores: . . . . . . . . . . . . . . . 28
3.6. Propiedades de los determinantes: . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.1. Determinante de una transpuesta: . . . . . . . . . . . . . . . . . . . . . . 28
3.6.2. Dos las identicas: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.3. Fila o columna con ceros: . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.4. Intercambio de las: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.5. Constante m utiples de una la: . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.6. Determinante de un producto de matrices: . . . . . . . . . . . . . . . . . 28
3.6.7. Determinante inalterado: . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.6.8. Determiante de una matriz triangular: . . . . . . . . . . . . . . . . . . . 29
3.7. Inversa de una matriz: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.7.1. Propiedades de la inversa: . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.8. Calculo de la matriz inversa: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.8.1. Denicion de matriz adjunta: . . . . . . . . . . . . . . . . . . . . . . . . 30
3.8.2. Determinacion de la inversa usando adjunta de la matriz: . . . . . . . . . 30
3.8.3. Determinacion de la inversa usando operaciones en las: . . . . . . . . . 31
3.9. Utilizaci on de la matriz inversa para resolver sistemas: . . . . . . . . . . . . . . 32
3.10. Regla de Cramer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Captulo 1 : Conceptos Generales
1.1 Introducci on:
En las matematicas, con frecuencia enfrentamos la tarea de manejar arreglos de n umeros
o funciones. A uno de dichos arreglos de le denomina matriz. La invenci on de la teora de
matrices se debe al eminente matematico ingles Arthur Cayley (1821 - 1895).
1.2 Denici on de Matriz:
Una matriz es una arreglo rectangular de n umeros o funciones:

a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
... a
mn

(1.1)
A los n umeros o funciones incluidos en el arreglo (1.1) se les llama entidades o elemen-
tos de la matriz. Si una matriz tiene m renglones (las) y n columnas decimos que su tama no
es de m por n (y se escribe m n). Una matriz de n n se denomina matriz cuadrada o
matriz de orden n. Una matriz de 1 1 es simplemente una constante o funcion.
Por ejemplo, A =

1 2 5
6 9 3

es una matriz de 2 3 mientras que:

B =

9 7 0 8
1
2
2 6 1
0 0 1 6
5

3 4

(1.2)
es una matriz cuadrada de 4 4 o una matriz de orden 4.
El elemento que aparece en la la i-esimo y en la columna j-esima de una matriz A de
1
mn se escribe como a
ij
. Por lo tanto, una matriz A de mn se abrevia como A = (a
ij
)
mn
.
En una matriz cuadrada de nn a los elementos a
11
, a
22
, . . . , a
nn
se les llama elementos de la
diagonal principal. Los elementos de la diagonal principal de la matriz B mostrada es (1.2)
son 9, 2, 1 y 4.
1.3 Operaciones con matrices:
1.3.1 Igualdad de matrices:
Dos matrices A y B de mn son iguales si a
ij
= b
ij
para cada i y j.
1.3.2 Suma de matrices:
Si A y B son dos matrices de mn, entonces su suma es
A + B = (a
ij
+ b
ij
)
mn
(1.3)
Para poder sumar o restar dos matrices deben tener el mismo orden, y el resultado es
de ese mismo orden.
Ejemplo N
o
1: suma de dos matrices.
a) La suma de A =

2 1 3
0 4 6
6 10 5

y B =

4 7 8
9 3 5
1 1 2

es:
A + B =

2 + 4 1 + 7 3 8
0 + 9 4 + 3 6 + 5
6 + 1 10 1 5 + 2

6 6 5
9 7 11
5 9 3

b) La suma de A =

1 2 3
4 5 6

y B =

1 0
1 0

no est a denida puesto que A y B tienen

tama no diferente.
1.3.3 M ultiplo escalar de una matriz:
Si k es un n umero real, entonces el m ultiplo escalar de una matriz A es:
2
kA =

ka
11
ka
12
. . . ka
1n
ka
21
ka
22
. . . ka
2n
.
.
.
.
.
.
.
.
.
.
.
.
ka
m1
ka
m2
. . . ka
mn

= (ka
ij
)
mn
En otras palabras, para calcular kA simplemente multiplicamos cada elemento de A por
k.
Ejemplo N
o
2: A partir de la denici on se tiene que 5

2 3
4 1

5 2 5 (3)
5 4 5 (1)

10 15
20 5

. Se observa de paso que, para cualquier matriz A, el m ultiplo escalar kA es lo

mismo que Ak.
1.3.4 Propiedades de la suma de matrices y de la multiplicacion escalar:
Suponga que A, B y C son matrices de mn y que k
1
y k
2
son escalares. Por lo tanto,
i) A + B = B + A Ley conmutativa de la suma.
ii) A + (B + C) = (A + B) + C Ley asociativa de la suma.
iii) (k
1
k
2
)A = k
1
(k
2
A)
iv) 1A = A
v) k
1
(A + B) = k
1
A + k
1
B Ley distributiva.
vi) (k
1
+ k
2
)A = k
1
A + k
2
A Ley distributiva.
1.3.5 Multiplicacion de matrices:
Sea A una matriz que tenga m las y p columnas, y sea B una matriz con p las y n
columnas. El producto AB es la matriz de mn:
AB =

a
11
a
12
. . . a
1p
a
21
a
22
. . . a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mp

b
11
b
12
. . . b
1n
b
21
b
22
. . . b
2n
.
.
.
.
.
.
.
.
.
.
.
.
b
p1
b
p2
. . . b
pn

=
3

a
11
b
11
+ a
12
b
21
+ + a
1p
bp1 . . . a
11
b
1n
+ a
12
b
2n
+ + a
1p
bpn
a
21
b
11
+ a
22
b
21
+ + a
2p
bp1 . . . a
21
b
1n
+ a
22
b
2n
+ + a
2p
bpn
.
.
.
.
.
.
.
.
.
a
m1
b
11
+ a
m2
b
21
+ + a
mp
bp1 . . . a
m1
b
1n
+ a
m2
b
2n
+ + a
mp
bpn

k=1
a
ik
b
kj

mn
La denici on establece que el producto C = AB est a denido solamente cuando el
n umero de columnas de la matriz A es igual que el n umero de las de B. La matriz resultante
C = AB se forma utilizando la denicion del producto interno o punto de la la (vector) i-esimo
de A con cada una de las columnas (vectores) de B.
Ejemplo N
o
3: Dados A =

2 3 1
4 3 1

y B =

2 3 2
1 1 3
2 3 4

, calcular C = AB.
Solucion:
C = AB =

2 3 1
4 3 1

2 3 2
1 1 3
2 3 4

4 + 3 + 2 6 3 3 4 + 9 + 4
8 3 2 12 + 3 + 3 8 9 4

9 0 17
3 18 5

1.3.6 Propiedades:
Ley asociativa
Si A es una matriz de mp, B una matriz de p r y C una matriz de r n, entonces
el producto
A(BC) = (AB)C
Ley distributiva
Si tanto B como C son matrices de r n y A es una matriz de m r, entonces la ley
distributiva es
A(B + C) = AB + AC
4
Adem as, si el producto (B + C)A est a denido, entonces
(B + C)A = BA + CA
1.4 Transpuesta de una matriz:
La transpuesta de la matriz m n, A =

a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn

es la matriz A
T
de
n m dada por:
A
T
=

a
11
a
12
. . . a
1m
a
21
a
22
. . . a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nm

En otras palabras, las las de una matriz A se convierten en las columnas de su trans-
puesta A
T
.
Ejemplo N
o
4: Si A =

3 2 1
6 5 2
2 1 4

, entonces A
T
=

3 6 2
2 5 1
1 2 4

. Si B =

5 3

,
entonces B
T
=

5
3

.
1.4.1 Propiedades de la transpuesta:
Suponga que A y B son matrices y k es un escalar. Por lo tanto,
i) (A
T
)
T
= A Transpuesta de la transpuesta.
ii) (A + B)
T
= A
T
+ B
T
Transpuesta de una suma.
iii) (AB)
T
= B
T
A
T
Transpuesta de un producto.
iv) (kA)
T
= kA
T
Transpuesta de un m ultiplo escalar.
5
1.5 Matrices especiales:
En la teora de matrices existen muchos tipos de matrices que son importantes debido
a que poseen ciertas propiedades. A continuacion presentamos una lista de algunas de estas
matrices:
Una matriz formada s olo por elementos cero se denomina matriz cero y se denota
mediante un 0. Por ejemplo:
0 =

0
0

, 0 =

0 0
0 0

, 0 =

0 0
0 0
0 0

son matrices cero. Si A y 0 son matrices mn, entonces:

A + 0 = A, adem as
A + (A) = 0
Se dice que una matriz A de n n es triangular si todos sus elementos ubicados por
debajo de la diagonal principal son ceros o si todos sus elementos por arriba de la diagonal
principal son ceros. En otras palabras, la matriz cuadrada A es triangular si a
ij
= 0 para
i < j o a
ij
= 0 para i > j. Siendo mas especcos, en el primer caso la matriz se llama
triangular superior, y en el segundo caso tenemos una matriz triangular inferior.
Las matrices siguientes son triangulares:

1 2 3 4
0 5 6 7
0 0 8 9
0 0 0 1

2 0 0 0 0
1 6 0 0 0
8 9 3 0 0
1 1 1 2 0
15 2 3 4 1

matriz triangular superior matriz triangular inferior

Se dice una matriz A de n n es una matriz diagonal si todos sus elementos que no
6
se encuentran en la diagonal principal son ceros. Simb olicamente A = (a
ij
)
nn
, A es una
matriz diagonal si a
ij
= 0 para i = j. La siguiente es una matriz diagonal:

5 0 0
0 1 0
0 0 2

Cuando todos los elementos a

ij
de una matriz diagonal A son iguales, tenemos una matriz
escalar. Por ejemplo,

5 0
0 5

es una matriz escalar. Una matriz escalar de n n es

simplemente un m ultiplo escalar de una matriz diagonal en la que todos los elementos de
la diagonal principal son iguales a 1. Por ejemplo,

5 0
0 5

= 5

1 0
0 1

.
En general, la matriz de n n:

1 0 0 0
0 1 0 0
.
.
.
.
.
.
0 0 0 1

se representa con el smbolo I (o mediante I

n
cuando existe la necesidad de enfatizar
el orden de la matriz). Para cualquier matriz A de m n se comprueba facilmente que
I
m
A = AI
n
= A. Debido a que esta ultima propiedad es analoga a 1 a = a 1 = a, para
cualquier n umero real a, a la matriz I se le denomina matriz identidad.
Se dice que una matriz A de n n es simetrica si A
T
= A; esto es, A es simetrica si
a
ij
= a
ji
para todos i y j. Lo anterior signica que los elementos de una matriz simetrica
son simetricos con respecto a la diagonal principal de la matriz.
Por ejemplo la siguiente matriz: A =

1 2 7
2 5 6
7 6 4

, es simetrica. Si calculamos la trans-

puesta observamos que:
7
A
T
=

1 2 7
2 5 6
7 6 4

= A
8
Captulo 2 : Sistemas de ecuaciones algebraicas lineales
2.1 Introducci on:
La forma general de un sistema de m ecuaciones lineales y n inc ognitas es:
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
.
.
.
.
.
. (2.1)
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
=b
m
En el sistema lineal mostrado, los coeciente de las inc ognitas pueden abreviarse como a
ij
,
donde i signica la la y j la columna en la que aparece el coeciente. Por ejemplo, a
23
es el
coeciente de la inc ognita localizada en la segunda la y la tercera columna (es decir, x
3
). Por
lo tanto, i = 1, 2, 3, . . . , m y j = 1, 2, 3, . . . , n. Los n umeros b
1
, b
2
, . . . , b
m
se llaman constantes
del sistema. Si todas las constantes son cero, se dice que el sistema es homogeneo, de otra
forma es no homogeneo.
2.1.1 Solucion:
Una solucion de un sistema lineal 2.1 es un conjunto de n n umeros x
1
, x
2
, . . . , x
n
que
satisface cada una de las ecuaciones del sistema. Por ejemplo, x
1
= 3, x
2
= 1 es una solucion
del sistema:
3x
1
+ 6x
2
=3
x
1
4x
2
=7
Para comprobar lo anterior, sustituimos x
1
por 3 y x
2
por 1 en cada ecuaci on:
3(3) + 6(1) = 9 6 = 3 y 3 4(1) = 3 + 4 = 7
9
Se dice que un sistema de ecuaciones lineales es consistente sis tiene al menos una
soluci on, y es inconsistente cuando no tiene soluciones. Si un sistema lineal es consistente
tiene ya sea
una solucion unica (es decir, exactamente una solucion), o
un n umero innito de soluciones.
Por lo tanto, un sistema de ecuaciones lineales no pueden tener, digamos, exactamente
tres soluciones. En un sistema lineal con dos ecuaciones y dos incognitas, las lneas se intersecan
en un punto, (solucion unica), son identicas, (un n umero innito de soluciones), o son paralelas,
(inconsistentes).
2.1.2 Resolucion de sistemas:
Podemos transformar un sistema de ecuaciones lineales en un sistema equivalente (es
decir, en uno que tenga las mismas soluciones) mediante las operaciones elementales si-
guientes:
i) La multiplicacion de una ecuaci on por una constante diferente de cero.
ii) El intercambio de posiciones de las ecuaciones presentes en el sistema.
iii) La suma de un m ultiplo diferente de cero de una ecuaci on con cualquiera de las dem as
ecuaciones.
Para ver como se usan estas operaciones veamos uno ejemplo:
Ejemplo N
o
1: Resuelva:
2x
1
+ 6x
2
+ x
3
=7
x
1
+ 2x
2
x
3
=1
5x
1
+ 7x
2
4x
3
=9
Solucion: Comenzamos intercambiando las las primera y segunda:
10
x
1
+ 2x
2
x
3
=1
2x
1
+ 6x
2
+ x
3
=7
5x
1
+ 7x
2
4x
3
=9
Nuestro objetivo es eliminar x
1
de las ecuaciones segunda y tercera. Si sumamos a la segunda
ecuaci on 2 veces la primera, obtenemos el sistema equivalente:
x
1
+ 2x
2
x
3
=1
2x
2
+ 3x
3
=9
5x
1
+ 7x
2
4x
3
=9
Sum andole a la tercera ecuaci on 5 veces la primera, obtenemos un nuevo sistema equivalente:
x
1
+ 2x
2
x
3
=1
2x
2
+ 3x
3
=9
3x
2
+ x
3
=14
Ahora vamos a utilizar la segunda ecuacion para eliminar la variable x
2
a partir de las ecua-
ciones primera y tercera. Para hacer m as sencillo el procedimiento, multiplicaremos la segunda
ecuaci on por
1
2
:
x
1
+ 2x
2
x
3
=1
x
2
+
3
2
x
3
=
9
2
3x
2
+ x
3
=14
Sumamos a la primera ecuaci on 2 veces la segunda y obtenemos:
11
x
1
+ 4x
3
=10
x
2
+
3
2
x
3
=
9
2
3x
2
+ x
3
=14
A continuaci on, sumamos 3 veces la segunda ecuaci on a la tercera obtenemos:
x
1
+ 4x
3
=10
x
2
+
3
2
x
3
=
9
2
11
2
x
3
=
55
2
Utilizaremos la ultima ecuaci on para eliminar la variable x
3
de las ecuaciones primera y segunda.
Para tal n, multiplicamos la tercera ecuacion por
2
11
:
x
1
+ 4x
3
=10
x
2
+
3
2
x
3
=
9
2
x
3
=5
En este punto podramos utilizar la sustitucion hacia atras; esto es, sustituir el valor x
3
= 5
en las ecuaciones restantes para determinar x
1
y x
2
. Sin embargo, continuando con nuestra
eliminaci on sistem atica, sumamos a la segunda ecuacion
3
2
veces la tercera:
x
1
+ 4x
3
=10
x
2
=3
x
3
=5
Por ultimo, sumando a la primera ecuaci on 4 veces la tercera, obtenemos:
12
x
1
=10
x
2
=3
x
3
=5
Es evidente que x
1
= 10, x
2
= 3, x
3
= 5 es la soluci on al sistema original.
2.2 Matriz aumentada:
En la solucion de un sistema de ecuaciones lineales, son los coecientes de las variables
y las constantes los que determinan la solucion del sistema. De hecho, podemos resolver un
sistema de la forma 2.1 eliminando completamente las variables y realizando las operaciones de
las las de la matriz de coecientes y constantes:

a
11
a
12
. . . a
1n
| b
1
a
21
a
22
. . . a
2n
| b
2
.
.
.
.
.
. |
.
.
.
a
m1
a
m2
. . . a
mn
| b
m

(2.2)
A este arreglo se le denomina matriz aumentada del sistema o simplemente matriz
del sistema 2.1.
Ejemplo N
o
2: Matrices aumentadas.
a) La matriz aumentada

1 3 5 | 2
4 7 1 | 8

, representa el sistema lineal:

x
1
3x
2
+ 5x
3
= 2
4x
1
+ 7x
2
x
3
= 8
13
b) El sistema lineal
x
1
5x
3
= 1 x
1
+ 0x
2
5x
3
= 1
2x
1
+ 8x
2
= 7 es lo mismo que 2x
1
+ 8x
2
+ 0x
3
= 7
x
2
+ 9x
3
= 1 0x
1
+ x
2
+ 9x
3
= 1
Por lo tanto, la matriz del sistema es:

1 0 5 | 1
2 8 0 | 7
0 1 9 | 1

2.2.1 Operaciones elementales con las:

Puesto que las las de una matriz aumentada representan las ecuaciones de un sistema
lineal, las tres operaciones elementales de un sistema lineal listado previamente son equivalentes
a las siguientes operaciones elementales con las:
i) Multiplicacion de una la por una constante diferente de cero.
ii) Intercambio de cualquier par de las.
iii) Suma de un m ultiplo constante diferente de cero de una la a cualquier otra la.
Desde luego, cuando sumamos un m ultiplo de una la a otro, sumamos los elementos
correspondiente en las las. Se puede decir que dos matrices son equivalentes por las si
puede obtenerse una la a partir de otra mediante una secuencia de operaciones elementales
con las. Al procedimiento de llevar a cabo operaciones elementales con las en una matriz
para obtener una matriz con las equivalentes se le llama reducci on de las.
2.2.2 Metodo de eliminacion:
Para resolver un sistema como el expresado en 2.1 utilizando una matriz aumentada,
podemos aplicar tanto el metodo de eliminaci on gaussiana como el de eliminaci on de
Gauss-Jordan. En el primero, se reduce a las la matriz aumentada del sistema hasta llegar a
una matriz aumentada equivalente en las, la cual se presenta en la llamada forma escalonada:
14
i) El primer elemento diferente de cero en una la diferente de cero es un 1.
ii) En las las consecutivas diferentes de cero, el primer elemento 1 situado en la la mas
bajo aparece a la derecha del 1 localizado en la la m as alto.
iii) Las las cuyos elementos son todos iguales a cero se encuentran en la parte inferior de la
matriz.
En el metodo de Gauss-jordan, contin uan realizandose las operaciones de las hasta
obtener una matriz aumentada que encuentre en su forma escalonada reducida. Una matriz
escalonada reducida tiene las tres propiedades que se listaron anteriormente, adem as de la
siguientes:
iv) Una columna que contenga como primer elemento un 1, tendr a ceros en cualquier otro
lugar.
Ejemplo N
o
3: Formas escalonadas:
a) Las matrices aumentadas

1 5 0 | 2
0 1 0 | 1
0 0 0 | 0

0 0 1 6 2 | 2
0 0 0 0 1 | 4

se encuentran en forma escalonada.

b) Las matrices aumentadas

1 0 0 | 7
0 1 0 | 1
0 0 0 | 0

0 0 1 6 0 | 6
0 0 0 0 1 | 4

se encuentra en forma escalonada reducida.

Se debe observar que en la eliminaci on gaussiana nos detuvimos cuando se obtuvo una
matriz aumentada en forma escalonada. En otras palabras, utilizando diferentes secuencias de
operaciones de las, es posible obtener diferentes formas escalonadas reducidas. Este metodo
requiere entonces el uso de la sustituci on hacia atr as. En la eliminaci on de Gauss-Jordan nos
15
detuvimos cuando se obtuvo la matriz aumentada en la forma escalonada reducida. Cualquier
secuencia de operaciones con las nos llevar a a la misma matriz aumentada en forma esca-
lonada reducida. Este metodo no requiere la sustitucion hacia atr as; la solucion del sistema
ser a evidente al inspeccionar la matriz nal.
En terminos de las ecuaciones del sistema original, nuestro objetivo en ambos metodos
es simplemente hacer que el coeciente de x
1
en la primera ecuaci on se a igual a uno y despues
utilizar m ultiplos de esta ecuacion para elimina x
1
de las dem as ecuaciones. El proceso se repite
para las variables restantes.
Para mantener un registro de las operaciones con las que se realicen en una matriz
aumentada, se utiliza la siguiente notaci on:
Smbolo Signicado
R
ij
Intercambie las las i y j
cR
i
Multiplique la i-esima la por la constante c diferente de cero
cR
i
+ R
j
Multiplique la i-esima la por c y s umelo a la la j-esima
Ejemplo N
o
4: Resuelva el sistema lineal:
2x
1
+ 6x
2
+ x
3
= 7
x
1
+ 2x
2
x
3
= 1
5x
1
+ 7x
2
4x
3
= 9
a) usando eliminacion gaussiana, b) usando eliminaci on de Gauss-Jordan.
Solucion:
a) Al utilizar las operaciones de las en la matriz aumentada del sistema obtenemos:

2 6 1 | 7
1 2 1 | 1
5 7 4 | 9

F
12

1 2 1 | 1
2 6 1 | 7
5 7 4 | 9

2F
1
+ F
2

1 2 1 | 1
0 2 3 | 9
5 7 4 | 9

5F
1
+ F
3

1 2 1 | 1
0 2 3 | 9
0 3 1 | 14

1
2
F
2

1 2 1 | 1
0 1
3
2
|
9
2
0 3 1 | 14

3F
2
+ F
3

1 2 1 | 1
0 1
3
2
|
9
2
0 0
11
2
|
55
2

16
2
11
F
3

1 2 1 | 1
0 1
3
2
|
9
2
0 0 1 | 5

La ultima matriz esta en la forma escalonada y representa el sistema

x
1
+ 2x
2
x
3
= 1
x
2
+
3
2
x
3
=
9
2
x
3
= 5
Sustituir x
3
= 5 en la segunda ecuacion nos da x
2
= 3. Al reemplazar ambos valores
en la primera ecuaci on obtenemos nalmente x
1
= 10.
b) Comenzamos con la ultima matriz escrita anteriormente. Puesto que los primeros
elementos localizados en la segunda y tercera columna son unos, debemos hacer, a su vez, que
los elementos restantes de la segunda y tercera columnas sean ceros:

1 2 1 | 1
0 1
3
2
|
9
2
0 0 1 | 5

2F
2
+ F
1

1 0 4 | 10
0 1
3
2
|
9
2
0 0 1 | 5

4F
3
+ F
1

1 0 0 | 10
0 1
3
2
|
9
2
0 0 1 | 5

3
2
F
3
+ F
2

1 0 0 | 10
0 1 0 | 3
0 0 1 | 5

La ultima matriz esta en la forma escalonada reducida. Tomando en cuenta lo que

signica la matriz en terminos de ecuaciones, podemos observar que la soluci on del sistema es
x
1
= 10, x
2
= 3, x
3
= 5.
Ejemplo N
o
5: Utilice el metodo de Gauss-Jordan para resolver:
x
1
+ 3x
2
2x
3
= 7
4x
1
+ x
2
+ 3x
3
= 5
2x
1
5x
2
+ 7x
3
= 19
17
Solucion:

1 3 2 | 7
4 1 3 | 5
2 5 7 | 19

4F
1
+ F
2

1 3 2 | 7
0 11 11 | 33
2 5 7 | 19

2F
1
+ F
3

1 3 2 | 7
0 11 11 | 33
0 11 11 | 33

1
11
F
2

1
11
F
3

1 3 2 | 7
0 1 1 | 3
0 1 1 | 3

3F
2
+ F
1

1 0 1 | 2
0 1 1 | 3
0 1 1 | 3

F
2
+ F
3

1 0 1 | 2
0 1 1 | 3
0 0 0 | 0

En este caso, la ultima matriz en forma escalonada reducida implica que el sistema
original de tres ecuaciones con tres incognitas equivale realmente a dos ecuaciones en cuanto a las
inc ognitas. Puesto que solamente x
3
es com un a ambas ecuaciones (las las diferentes de cero),
podemos asignar sus valores de forma arbitraria. Si x
3
= t, donde t represente cualquier n umero
real, entonces se puede observar que el sistema tiene un innito n umero de soluciones: x
1
= 2t,
x
2
= 3 + t, x
3
= t. Geometricamente, estas ecuaciones son las ecuaciones parametricas de la
lnea de intersecci on de los planos x
1
+ 0x
2
+ x
3
= 2 y 0x
1
+ x
2
x
3
= 3.
Ejemplo N
o
6: Sistemas inconsistentes. Resuelva:
x
1
+ x
2
= 1
4x
1
x
2
= 6
2x
1
3x
2
= 8
Solucion.
En el proceso de aplicar el metodo de eliminacion de Gauss-Jordan a la matriz del
sistema, obtenemos.
18

1 1 | 1
4 1 | 6
2 3 | 8

4F
1
+ F
2

1 1 | 1
0 5 | 10
2 3 | 8

2F
1
+ F
3

1 1 | 1
0 5 | 10
0 5 | 6

1
5
F
2

1 1 | 1
0 1 | 2
0 5 | 6

5F
2
+ F
3

1 1 | 1
0 1 | 2
0 0 | 16

F
2
+ F
1

1 0 | 1
0 1 | 2
0 0 | 16

La tercera la de la ultima matriz signica 0x

1
+ 0x
2
= 16 (o 0 = 16). Puesto que
ning un valor de x
1
y x
2
puede satisfacer esta ecuacion, es posible concluir que el sistema no
tiene solucion.
Los sistemas inconsistentes de m ecuaciones lineales con n inc ognitas siempres generar an
la situaci on que se ilustra en el ejemplo N
o
6; esto es, en la forma escalonada reducida de la
matriz aumentada habr a una la en el que los primeros n elementos son cero y el elemento
(n + 1) es diferente de cero.
2.3 Sistemas Homogeneos:
Todos los sistemas de los ejemplos vistos son no homogeneos. Como hemos observado,
un sistema no homogeneo puede ser consistente o inconsistente. Por el contrario, un sistema
homogeneo de ecuaciones lineales
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
.
.
.
.
.
. (2.3)
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
=0
siempre es consistente, puesto que x
1
= 0, x
2
= 0, . . . , x
n
= 0 satisfacen cada una de las
ecuaciones del sistema. Una solucion donde todos los valores son iguales a cero se llama solucion
trivial. Sin embargo, es natural que estemos interesados en conocer si un sistema de la forma
2.3 tiene cualesquiera soluciones para las que algunas de las x
i
, i = 1, 2, . . . , n, son diferentes
19
de cero. Una soluci on de este tipo se denomina solucion no trivial. Un sistema homogeneo
tiene ya sea solamente la soluci on trivial o la solucion trivial junto con un n umero innito de
soluciones no triviales. El teorema siguiente, enunciado sin demostracion, nos proporciona una
condici on que es suciente para justicar la existencia de la soluci on no triviales.
2.3.1 Existencia de soluciones no triviales:
Un sistema homogeneo de la forma 2.3 tiene soluciones no triviales si el n umero m de
ecuaciones es menor que el n umero n de incognitas (m < n).
Ejemplo N
o
7: Resoluci on de un sistema homogeneo. Resuelva:
2x
1
4x
2
+ 3x
3
= 0
x
1
+ x
2
2x
3
= 0
solucion: Puesto que le n umero de ecuaciones es menor que el de incognitas sabemos,
a partir del teorema anterior que el sistema dado tiene soluciones no triviales. Utilizando el
metodo de eliminaci on de Gauss-Jordan encontramos que:

2 4 3 | 0
1 1 2 | 0

F
12

1 1 2 | 0
2 4 3 | 0

2F
1
+ F
2

1 1 2 | 0
0 6 7 | 0

1
6
F
2

1 1 2 | 0
0 1
7
6
| 0

F
2
+ F
1

1 0
5
6
| 0
0 1
7
6
| 0

Como en el ejemplo N
o
5, si x
3
= t, entonces la soluci on del sistema es x
1
=
5
6
t, x
2
=
7
6
t,
x
3
= t. Observe que al seleccionar t = 0 obtenemos la soluci on trivial x
1
= 0, x
2
= 0, x
3
= 0
para este sistema. Para t = 0 se obtienen soluciones no triviales.
2.4 Expresi on de un sistema lineal en forma matricial:
En vista de la multiplicaci on de matrices y de la igualdad de matrices, observe que el
sistema lineal 2.1 puede escribirse de manera compacta como una ecuaci on matricial AX = B,
20
donde
A =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
a
m1
a
m2
a
mn

; X =

x
1
x
2
.
.
.
x
n

; B =

b
1
b
2
.
.
.
b
m

(2.4)
Como es natural, la matriz A se denomina matriz de coecientes. La matriz aumentada de un
sistema AX = B a menudo se denota como (A|B).
Un sistema lineal consistente no homogeneo AX = B, B = 0, comparte una propiedad
con las ecuaciones diferenciales, (ecuaciones que incluyen derivadas), lineales no homogeneas.
Si X
h
es una solucion del sistema homogeneo asociado AX = 0, y X
p
es una solucion particular
del sistema no homogeneo AX = B, entonces la superposicion X
h
+X
p
es tambien una solucion
del sistema no homogeneo. Esto es facil de comprobar: A(X
h
+X
p
) = AX
h
+AX
p
= 0+B = B.
Adem as, de modo an alogo a la nocion de una soluci on general de una ecuacion diferencial lineal,
cada solucion del sistema no homogeneo puede obtenerse a partir de X
h
+ X
p
.
2.4.1 Comentarios:
Un sistema de ecuaciones lineales con mas ecuaciones que inc ognitas se dice que est a so-
bredeterminado, mientras que un sistema con un menor n umero de ecuaciones que de inc ogni-
tas se llama subdeterminado. Como regla, un sistema sobredeterminado es generalmente (no
siempre) inconsistente. Y un sistema subdeterminado es usualmente (no siempre) consistente.
Debe observarse la imposibilidad de que un sistema subdeterminado consistente tenga una so-
luci on unica. Para comprender esto, suponga que se tiene m ecuaciones y n inc ognitas donde
m < n. Si se utiliza la eliminacion gaussiana para resolver dicho sistema, entonces la forma
escalonada para la matriz del sistema contendr a r m las diferentes de cero. Por lo tanto,
podemos despejar r de las variables en terminos de nr > 0 variables. Si el sistema subdetermi-
nado es consistente, entonces las nr variables restantes pueden seleccionarse arbitrariamente,
por lo que el sistema tiene un n umero innito de soluciones.
2.5 Rango de una matriz:
Denimos el rango de una matriz A de m n, representado mediante rango(A), al
n umero m aximo de las linealmente independientes de A.
21
Aunque existen varias formas mec anicas de encontrar rango(A), examinamos una forma
que utiliza las operaciones elementales con las presentada en secciones anteriores. Especica-
mente, el rango de A puede encontrarse escribiendo la matriz A como una matriz escalonada
reducida B.
Para comprender esto, recuerde primero que una matriz B de m x es equivalente en
las a una matriz A de mn si las las de B se obtuvieron a partir de las las de A mediante
la aplicacion de las operaciones elementales en las las.
2.5.1 Rango de una matriz mediante reducci on de las:
Si una matriz A es equivalente a una matriz escalonada B, entonces
i) el espacio de las de A = el espacio de las de B,
ii) las las de B diferentes de cero forman una base para el espacio de las de A, y
iii) rango(A) = al n umero de las de B diferentes de cero.
Ejemplo N
o
8: Determinar el rango de la matriz A =

1 1 1 3
2 2 6 8
3 5 7 8

mediante
reducci on de las.
Solucion: Reducimos una matriz A a una matriz escalonada B exactamente de la misma
forma que reducimos en las la matriz aumentada de un sistema de ecuaciones lineales a
una forma escalonada al usar el metodo de eliminaci on gaussuana. Utilizando las operaciones
elementales de las obtenemos:
A =

1 1 1 3
2 2 6 8
3 5 7 8

2F
1
+ F
2

1 1 1 3
0 4 8 2
3 5 7 8

3F
1
+ F
3

1 1 1 3
0 4 8 2
0 2 4 1

1
4
F
2

1 1 1 3
0 1 2
1
2
0 2 4 1

2F
2
+ F
3

1 1 1 3
0 1 2
1
2
0 0 0 0

Puesto que la ultima matriz est a en la forma escalonada, y debido a que la ultima matriz tiene
dos las diferentes de cero, entonces por iii) podemos concluir que rango(A) = 2.
22
Ejemplo N
o
9: Independencia y dependencia lineales. Determine sis el conjunto de vec-
tores u
1
= (2, 1, 1), u
2
= (0, 3, 0), u
3
= (3, 1, 2), en R
3
es linealmente dependiente o linealmente
independiente.
Solucion: Para poder determinar la independencia lineal de estos vectores aplicando
matriz, suponemos que estos vectores forman las las de una matriz A, de manera que tenemos:
A =

2 1 1
0 3 0
3 1 2

si reducimos por las la matriz A, obtenemos:

A =

2 1 1
0 3 0
3 1 2

1
2
F
1

1
1
2
1
2
0 3 0
3 1 2

3F
1
+ F
3

1
1
2
1
2
0 3 0
0
1
2
1
2

1
3
F
2

1
1
2
1
2
0 1 0
0
1
2
1
2

1
2
F
2
+ F
3

1
1
2
1
2
0 1 0
0 0
1
2

2F
3

1
1
2
1
2
0 1 0
0 0 1

Como la matriz reducida por las tiene 3 nal distintas de cero, el rango(A) = 3. Igual al
n umero de vectores del conjunto de vectores que estamos analizando. Entonces el conjunto de
vectores es linealmente independientes. Si rango(A) < 3, entonces el conjunto de vectores es
linealmente dependiente.
2.6 Consistencia de AX = B:
Un sistema lineal de ecuaciones AX = B es consistente si, y s olo si, el rango de la matriz
de coecientes A es el mismo que el de la matriz aumentada del sistema (A|B).
2.7 N umero de parametros en una soluci on:
Suponga que un sistema lineal AX = B con m ecuaciones y n inc ognitas es consistente.
Si la matriz de coecientes A es de rango r, entonces la solucion del sistema contiene n r
23
par ametros, (la inc ognita de la que dependen la demas inc ognitas).
24
Captulo 3 : Determinantes
3.1 Introducci on:
Suponga que A es una matriz de nn. Relacionado con A existe un n umero llamado el
determinante de A, y se expresa como det A. De manera simb olica, una matriz A se distingue
del determinante de A mediante el reemplazo de los parentesis por barras verticales:
A =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
a
n1
a
n2
a
nn

y det A =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
a
n1
a
n2
a
nn

Se dice que el determinante de una matriz de n n es un determinante de orden n. Comenza-

remos deniendo los determinantes de matrices de 1 1, 2 2 y 3 3.
3.2 Denici on de det de 1 1:
Para una matriz A = (a) de 1 1, tenemos que det A = |a| = a. Ejemplo, si A = (5),
entonces det A = | 5| = 5. En este caso, las barras verticales colocadas a ambos lados del
n umero no signican el valor absoluto del n umero.
3.3 Denici on de det de 2 2:
El determinante de
A =

a
11
a
12
a
21
a
22

es detA =

a
11
a
12
a
21
a
22

= a
11
a
22
a
12
a
21
(3.1)
es decir en igual al producto de los elementos de la diagonal principal menos el producto de los
elementos de la otra diagonal.
25
Ejemplo el determinante de la matriz A =

6 3
5 9

, entonces det A =

6 3
5 9

=
6(9) (3)5 = 69
3.4 Denici on de det de 3 3:
El determinante de
A =

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

es;
det A =

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

=a
11
a
22
a
33
+ a
12
a
23
a
31
+ a
13
a
21
a
32

a
13
a
22
a
31
a
11
a
23
a
32
a
12
a
21
a
33
(3.2)
La expresion mostrada en 3.2 puede escribirse en una forma m as manejable. Mediante
factorizaci on tenemos:
det A = a
11
(a
22
a
33
a23a
32
+ a
12
(a
21
a
33
+ a
23
a
31
) + a
13
(a
21
a
32
a
22
a
31
) (3.3)
Sin embargo, considerando 3.1, cada termino entre parentesis se reconoce como el deter-
minante de una matriz de 2 2:
det A = a
11

a
22
a
23
a
32
a
33

+ a
12

a
21
a
23
a
31
a
33

+ a
13

a
21
a
22
a
31
a
32

(3.4)
Observe que cada determinante mostrado en 3.4 es un determinante de una submatriz
de la matriz A y corresponde a su coeciente de la forma siguiente: a
11
es le coeciente del
determinante de una submatriz obtenida mediante la eliminaci on de la primera la y la primera
columna de A; a
12
es le coeciente del negativo del determinante de la submatriz obtenida
26
eliminando la primera la y la segunda columna de A; y por ultimo, a
13
es el coeciente del
determinante de la submatriz que se obtuvo eliminando la primera la y la tercera columna de
A. En otras palabras los coecientes de 3.4 son simplemente los elementos de la primera la de
A. Decimos que det A ha sido expandido por cofactores con respecto a la primera la,
siendo los cofactores dea
11
, a
12
y a
13
los determinantes
C
11
=

a
22
a
23
a
32
a
33

C
12
=

a
21
a
23
a
31
a
33

C
13
=

a
21
a
22
a
31
a
32

Por lo tanto, 3.4 es:

det A = a
11
C
11
+ a
12
C
12
+ a
13
C
13
(3.5)
En general, el cofactor de a
ij
es el determinante:
C
ij
= (1)
i+j
M
ij
(3.6)
donde M
ij
es el determinante de la submatriz que se obtiene al eliminar el i-esima la y la
j-esima columna de A. El determinante M
ij
se llama menor. Un cofactor es una menor con
signo; esto es, C
ij
= M
ij
cuando i + j es par y C
ij
= M
ij
cuando i + j es impar.
Una matriz de 3 3 tiene nueve cofactores:
C
11
= M
11
C
12
= M
12
C
13
= M
13
C
21
= M
21
C
22
= M
22
C
23
= M
23
C
31
= M
31
C
32
= M
32
C
33
= M
33
Ahora observe que 3.2 puede agruparse y factorizarse de nuevo como
det A =a
12
(a
21
a
33
a23a
31
+ a
22
(a
11
a
33
a
13
a
31
) a
23
(a
11
a
23
a
13
a
21
)
=a
12

a
21
a
23
a
31
a
33

+ a
22

a
11
a
13
a
31
a
33

+ a
13

a
11
a
13
a
21
a
23

(3.7)
=a
12
C
12
+ a
22
C
22
+ a
32
C
32
(3.8)
lo cual es la expansion por cofactores de det A a lo largo de la segunda columna.
En general decimos que: el determinante de una matriz de 3 3 puede evaluarse expan-
27
diendo por cofactores det A a lo largo de cualquier la o columna.
3.5 Expansi on de un determinante empleando cofactores:
Sea A = (a
ij
)
nn
una matriz de n n. Para cada 1 i n, la expansi on por
cofactores de det A a l largo de la i-esima la es
det A = a
i1
C
i1
+ a
i2
C
i2
+ + a
in
C
in
Para cada 1 j n, la expansion por cofactores de det A a lo largo de la j-esima
columna es
det A = a
1j
C
1j
+ a
2j
C
2j
+ + a
nj
C
nj
3.6 Propiedades de los determinantes:
3.6.1 Determinante de una transpuesta:
Si A
T
es la transpuesta de la matriz A de n n, entonces det A
T
= det A.
3.6.2 Dos las identicas:
Si cualesquiera dos las (columnas) de una matriz A de n n son iguales, entonces det
A = 0.
3.6.3 Fila o columna con ceros:
Si todos los elementos presentes en una la (columna) de una matriz A de n n son
cero, entonces det A = 0.
3.6.4 Intercambio de las:
Si B es la matriz que se obtiene al intercambiar cualquier par de las (columnas) de una
matriz A de n n, entonces det B = det A.
3.6.5 Constante m utiples de una la:
Si B es la matriz que se obtiene a partir de una matriz A de n n multiplicando una
la (columna) por un n umero k real diferente de cero, entonces det B = k det A.
3.6.6 Determinante de un producto de matrices:
Si tanto A como B son matrices de n n, entonces det AB = det A det B
28
3.6.7 Determinante inalterado:
Suponga que B es la matriz obtenida a partir de una matriz A de n n multiplicando
los elementos de una la (columna) por un n umero k diferente de cero, y sumando luego el
resultado a los elementos correspondientes de otra la (columna). Entonces det B = det A.
Ejemplo, Supongamos que A =

5 1 2
3 0 7
4 1 4

y que la matriz B est a denida como la matriz

que se obtiene a partir de A mediante la operacion elemental de las:
A =

5 1 2
3 0 7
4 1 4

3F
1
+ F
3

5 1 2
3 0 7
11 4 2

= B
Al expandir por cofactores a lo largo de, digamos la segunda columna, encontramos que det A =
45 y det B = 45.
3.6.8 Determiante de una matriz triangular:
Suponga que A es una matriz triangular de n n (superior o inferior). Entonces
det A = a
11
a
22
a
nn
donde a
11
, a
22
, . . . , a
nn
son los elementos de la diagonal principal de A.
3.7 Inversa de una matriz:
Sea A una matriz de n n. Si existe una matriz B de n n tal que:
AB = BA = I (3.9)
donde I es la matriz identidad de n n, entonces se dice que la matriz A es no singular o
inversible. Se arma qie la matriz B es la inversa de A, lo denotamos como B = A
1
.
3.7.1 Propiedades de la inversa:
i) (A
1
)
1
= A
29
ii) (AB)
1
= B
1
A
1
iii) (A
T
)
1
= (A
1
)
T
3.8 Calculo de la matriz inversa:
3.8.1 Denicion de matriz adjunta:
Sea A una matriz de n n. La matriz que representa a la transpuesta de la matriz de
cofactores correspondientes a los elementos de A:

C
11
C
12
C
1n
C
21
C
22
C
2n
.
.
.
.
.
.
C
n1
C
n2
C
nn

T
=

C
11
C
21
C
n1
C
12
C
22
C
n2
.
.
.
.
.
.
C
1n
C
2n
C
nn

se conoce como la adjunta de A y se representa como adj A.

3.8.2 Determinacion de la inversa usando adjunta de la matriz:
Sea A una matriz de n n. Si el det A = 0, entonces:
A
1
=

1
det A

adj A (3.10)
Ejemplo, encontra la inversa de A =

1 4
2 10

.
Puesto que el det A = 10 8 = 2, se tiene que:
A
1
=
1
2

10 4
2 1

5 2
1
1
2

Otro ejemplo, invertir la matriz A =

2 2 0
2 1 1
3 0 1

.
Puesto que det A = 12, podemos calcular A
1
. Los cofactores correspondientes a los
elementos en A son:
30
C
11
=

1 1
0 1

= 1 C
12
=

2 1
3 1

= 5 C
13
=

2 1
3 0

= 3
C
21
=

2 0
0 1

= 2 C
22
=

2 0
3 1

= 2 C
23
=

2 2
3 0

= 6
C
31
=

2 0
1 1

= 2 C
32
=

2 0
2 1

= 2 C
33
=

2 2
2 1

= 6
Entonces: adjA =

1 5 3
2 2 6
2 2 6

T
=

1 2 2
5 2 2
3 6 6

, y como A
1
=
1
det A
adj A,
tenemos:
A
1
=
1
12

1 2 2
5 2 2
3 6 6

1
12

1
6
1
6
5
12
1
6

1
6

1
4
1
2
1
2

Una matriz A de n n es no singular si, y solo si, det A = 0.

3.8.3 Determinacion de la inversa usando operaciones en las:
Si una matriz A de nn puede transformarse en una matriz identidad I de nn mediante
una secuencia de operaciones elementales en las, entonces A es no singular. La misma secuencia
de operaciones que transforma a la matriz A en la matriz identidad I transformar a I en A
1
.
Es conveniente llevar a cabo estas operaciones en las en las matrices A e I de manera
simult anea mediante una matriz de n2n obtenida aumentando A con la identidad I, tal como
se ilustra enseguida:
(A|I) =

a
11
a
12
a
1n
| 1 0 0
a
21
a
22
a
2n
| 0 1 0
.
.
.
.
.
. |
.
.
.
.
.
.
a
n1
a
n2
a
nn
| 0 0 1

Veamos un ejemplo para entender como se usa. Vamos a calcular la matriz inversa de,
31
A =

2 2 0
2 1 1
3 0 1

, que es la matriz del ejemplo anterior que sabemos que es no singular.

Empezamos planteando la matriz aumentada (A|I), y luego realizamos las transformaciones
mediante operaciones elementales en las.

2 2 0 | 1 0 0
2 1 1 | 0 1 0
3 0 1 | 0 0 1

1
2
F
1

1 1 0 |
1
2
0 0
2 1 1 | 0 1 0
3 0 1 | 0 0 1

(2F
1
+ F
2
) y (3F
1
+ F
3
)

1 1 0 |
1
2
0 0
0 3 1 | 1 1 0
0 3 1 |
3
2
0 1

(
1
3
F
2
) y (F
2
+ F
3
)

1 1 0 |
1
2
0 0
0 1
1
3
|
1
3
1
3
0
0 0 2 |
1
2
1 1

(F
2
+ F
1
) y (
1
2
F
3
)

1 0
1
3
|
1
6

1
3
0
0 1
1
3
|
1
3
1
3
0
0 0 1 |
1
4
1
2
1
2

(
1
3
F
3
+ F
1
) y (
1
3
F
3
+ F
2
)

1 0 0 |
1
12

1
6
1
6
0 1 0 |
5
12
1
6

1
6
0 0 1 |
1
4
1
2
1
2

Entonces: A
1
=

1
12

1
6
1
6
5
12
1
6

1
6

1
4
1
2
1
2

, y como era de esperar llegamos al mismo resultado

que en el ejemplo anterior.
3.9 Utilizaci on de la matriz inversa para resolver sistemas:
Un sistema de m ecuaciones lineales con n inc ognitas x
1
, x
2
, . . . , x
n
.
32
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
puede escribirse de manera breve como una ecuaci on matricial AX = B, donde:
Un caso especial es cuando m = n, de tal forma que la matriz de coecientes A es de nn.
En particular, si A es no singular, entonces el sistema AX = B puede resolverse multiplicando
ambas ecuaciones por A
1
. A partir de A
1
(AX) = A
1
B, obtenemos (A
1
A)X = A
1
B.
Debido a que A
1
A = I e IX = X, tenemos:
X = A
1
B (3.11)
Ejemplo, resolver el siguiente sistema de ecuaciones:
2x
1
+ x
3
=2
5x
1
+ 5x
2
+ 6x
3
=1
2x
1
+ 3x
2
+ 4x
3
=4
Si calculamos la inversa de A =

2 0 1
2 3 4
5 5 6

, obtenemos: A
1
=

2 5 3
8 17 10
5 10 6

.
Entonces:

x
1
x
2
x
3

2 5 3
8 17 10
5 10 6

2
4
1

19
62
36

Como consecuencia, x
1
= 19, x
2
= 62 y x
3
= 36.
Unicidad: Cuando det A = 0 la solucion del sistema es unica.
33
Sistemas homogeneos: Un sistema homogeneo de n ecuaciones lineales con n inc ogni-
tas AX = 0 tiene solamente la soluci on trivial si, y solo si, A es no singular.
Un sistema homogeneo de n ecuaciones lineales con n inc ognitas AX = 0 tiene una
soluci on no trivial si, y s olo s, A es singular.
Podemos concluir que un sistema homogeneo de n ecuaciones lineales con n inc ognitas
AX = 0 tiene
solamente la solucion trivial si, y s olo si, det A = 0, y
una solucion no trivial si, y solo si, det A = 0.
3.10 Regla de Cramer:
En un sistema de n ecuaciones lineales 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
(3.12)
.
.
.
.
.
.
a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n
=b
n
Es conveniente denir una matriz especial:
A
k
=

a
11
a
12
a
1k1
b
1
a
1k+1
a
1n
a
21
a
22
a
2k1
b
2
a
2k+1
a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nk1
b
n
a
nk+1
a
nn

(3.13)
En otras palabras, A
k
es la misma matriz A excepto que la columna kesima de A se ha
reemplazado por elementos de la matriz columna
B =

b
1
b
2
.
.
.
b
n

34
Regla de Cramer, dice: Sea A la matriz de coecientes del sistema (3.12). Si det A = 0,
entonces la solucion de (3.12) esta dado por
x
1
=
det A
1
det A
, x
2
=
det A
2
det A
, . . . , x
n
=
det A
n
det A
, (3.14)
A
k
, k = 1, 2, . . . , n est a denida en (3.13).
Ejemplo, resolver el sistema de ecuaciones utilizando la regla de Cramer.
3x
1
+ 2x
2
+ x
3
= 7
x
1
x
2
+ 3x
3
= 3
5x
1
+ 4x
2
2x
3
= 1
La solucion es, si llamamos A =

3 2 1
1 1 3
5 4 2

, entonces:
det A =

3 2 1
1 1 3
5 4 2

= 13 det A
1
=

7 2 1
3 1 3
1 4 2

= 39
det A
2
=

3 7 1
1 3 3
5 1 2

= 78 det A
3
=

3 2 7
1 1 3
5 4 1

= 52
Por lo tanto:
x
1
=
det A
1
det A
= 3, x
2
=
det A
2
det A
= 6, x
3
=
det A
3
det A
= 4
Hay m as temas para ver sobre matrices, algunas de las bibliografa que pueden consultar
son:
Matematicas Avanzadas para Ingeniera, Vol. 1 Ecuaciones Diferenciales. Dennis
G. Zill, Michael R. Cullen, (2006). Tercera Edici on. Editorial McGraw-Hill. (Usado para realizar
este apunte).
Metodos Operativos de Calculo Vectorial. Ortiz FaustoCervantes, (2010). Primera
35
Edici on. Universidad Aut onoma de la Ciudad de Mexico.
Algebra Lineal. Grossman Stanley I., (1988). Segunda Edici on. Editorial Grupo Ibe-
roamerica.
36