Tema 4

Matrices

1 Matrices
Definición 1.1 Sean I = {1, 2, . . . , m} y J = {1, 2, . . . , n} dos conjuntos finitos.
Una matriz de tamaño u orden m × n sobre un cuerpo K (o con coeficientes sobre
el cuerpo K, generalmente R o C) es una aplicación
A : I × J → K, (i, j) 7→ aij
Puesto que el conjunto de partida es invariable, se puede hablar de matriz como
la imagen de la aplicación A. Se denotará este conjunto de imagenes por
(aij )(i,j)∈I×J o bien (aij )
1≤i≤m
1≤j≤n
Se acostumbra a representar este conjunto de imágenes mediante una tabla rect-
angular constituida por m filas y n columnas, de tal modo que el elemento aij
estará situado en la fila i y en la columna j
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
 ... ... ... ... 
am1 am2 . . . amn
Con esta notación, el primer ı́ndice indica la posición de fila y el segundo la
posición de columna.
Se acostumbra a representar abreviadamente la matriz por A = (aij )m×n o
simplemente A = (aij ), si está claro cual es su tamaño.
Tomando i ∈ I fijo, la familia (aij )1≤j≤n = (ai1 ai2 . . . ain ) recibe el nombre de
fila i-ésima de la matriz A; si j ∈ J es fijo, la familia (aij )1≤i≤m = (a1j a2j . . . amj )
recibe el nombre de columna j-ésima de la matriz A.
Definición 1.2 Dos matrices A = (aij ), B = (bij ), del mismo tamaño m × n, se
dice que son iguales si aij = bij , 1 ≤ i ≤ m, 1 ≤ j ≤ n.
Definición 1.3 Se llama diagonal principal de una matriz A = (aij )m×n a la
familia (a11 a22 . . . app ), siendo p = min{m, n}; ésto es, es la colección formada
por los elementos de la matriz que igual ı́ndice de fila y de columna.
Definición 1.4 Dada una matriz A = (aij )m×n , sean i1 , i2 , . . . , ip ciertos ı́ndices
de fila y j1 , j2 , . . . , jq ciertos ı́ndices de columna. La matriz p × q obtenida a
partir de la matriz A suprimiendo las filas y columnas de ı́ndices distintos de los
considerados, se dice que es una submatriz de A.

1
Definición 1.5 Caja o bloque de una matriz es toda submatriz de ella para la
que los ı́ndices de fila son consecutivos y también lo son los ı́ndices de columna.

Ejemplo 1.6
 
1 0 1 2 3  
0 2 µ ¶
 4 2 3 1 
2  0 1 2
A= 2 6 ; submatriz =  
2 1 ; caja =
5 1 0  2 3 1
2 6
0 2 4 6 3

Definición 1.7 Se llama submatriz fila a aquella submatriz constituida por una
sola fila y por todas las columnas.
¡ ¢
Ai = ai1 ai2 . . . ain

Se llama submatriz columna a aquella constituida por una sola columna y todas
las filas.  
a1j
 a2j 
 
Aj =  .. 
 . 
amj

Asi una matriz de tamaño m × n

A1 A2 . . . An

↓ ↓ ... ↓
 
A1 → a11 a12 . . . a1n
A2 →  a21 a22 . . . a2n 
A= ..  
.  ... ... ... ... 
Am → am1 am2 . . . amn
está formada por m matrices fila A1 , A2 , . . . , Am y n matrices columna A1 , A2 , . . . , An .

Definición 1.8 Se llama matriz cuadrada a aquella que tiene igual número de
filas y de columnas.
Cuando una matriz no es cuadrada, se dice que es rectangular.
Se llama matriz transpuesta de la matriz A = (aij )m×n a la matriz At =
(aji )n×m resultante de cambiar las filas de A por sus columnas.
Una matriz A = (aij )m×n se dice que es triangular superior cuando son nulos
todos los elementos situados por debajo de la diagonal principal, es decir, aij = 0
siempre que i > j. Se llamará triangular inferior, si son nulos todos los elementos
situados por encima de la diagonal principal, ésto es, aij = 0 siempre que i < j.

2
Ejemplo 1.9
 
  1 0 0 0
1 2 3 4  2 3 0 0 
T.S. =  0 0 2 1 ; T.I. = 
 4

5 0 0 
0 0 2 0
2 1 0 2

Una matriz diagonal es aquella que tiene todos sus coeficientes nulos, salvo, quizá,
los situados en la diagonal principal, ésto es, aij = 0, siempre que i 6= j.
Una matriz diagonal que tiene todos los elementos de la diagonal principal
iguales se llama matriz escalar.
La matriz escalar con 1 en la diagonal principal se llama matriz identidad.

Ejemplo 1.10
 
1 0 0 0    
 0 2 0 0 1 0 0
2 0 0 
Diag = 
 0
; Escalar =  0 2 0  ; I= 0 1 0 
0 0 0 
0 0 2 0 0 1
0 0 0 −1

Definición 1.11 Una matriz A = (aij ) se dice que es simétrica cuando A = At .

Una matriz A = (aij ) se dice que es antisimétrica cuando A = −At .
Matriz fila es la matriz que solo tiene una fila.
Matriz columna es la matriz que solo tiene una columna.
Una matriz cuadrada A = (aij ) se dice que es ortogonal si At .A = I = A.At
(⇔ At = A−1 ).

Ejercicios 1.12 Probar que toda matriz simétrica (respectivamente, antisimétrica)

es necesariamente cuadrada.

2 Espacio vectorial de las matrices

El conjunto de las matrices de tamaño m × n sobre un cuerpo K se denota por
Mm×n (K). Generalemnte K = R, pero si está claro quién es el cuerpo K, se
escribirá Mm×n de forma abreviada.
Sobre el conjunto Mm×n se pueden definir las siguientes operaciones:

+ : Mm×n × Mm×n → Mm×n

(A = (aij ), B = (bij )) 7→ A + B = (aij + bij )

Se verifica que (Mm×n , +) es un grupo abeliano, es decir, la operación suma

satisface las siguientes propiedades:

3
 i) Asociativa: A + (B + C) = (A + B) + C
ii) Conmutativa: A + B = B + A
iii) Elemento Neutro: 0 = (0)
iv) Elemento Simétrico: La matriz opuesta de A = (aij ) es la matriz −A =
(−aij ).

Comentario:
Si tenemos en cuenta el isomorfismo L(Kn , Km ) ∼
= Mm×n , la operación suma
de matrices se coresponde con la suma de aplicaciones lineales
Φ : L(Kn , Km ) → Mm×n Φ(f + g) = Φ(f ) + Φ(g)
f 7→ A ↓ ↓ ↓
A+B A B

· : K × Mm×n → Mm×n
(λ, A = (aij )) 7→ λ · A = (λ · aij )
Comentario:
Si tenemos en cuenta el isomorfismo L(Kn , Km ) ∼
= Mm×n , la operación pro-
ducto de un escalar por una matriz se corresponde con el producto del escalar
por la aplicación lineal
Φ : L(Kn , Km ) → Mm×n Φ(λ · f ) = λ · Φ(f )
f 7→ A ↓ ↓ ↓
λ·A λ· A

Se verifica que (Mm×n , +, ·K) es un K-espacio vectorial

i) λ · (A + B) = λ · A + λ · B
ii) (λ + µ) · A = λ · A + µ · A
iii) λ · (µ · A) = (λ · µ) · A
iv) 1 · A = A.
Sea Iij la matriz de tamaño m×n que tiene todos sus elementos nulos, excepto
el que ocupa la fila i y la columna j, que es 1. Es evidente que cualquier matriz
A = (aij ) ∈ Mm×n puede expresarse como
i=m,j=n
X
A = (aij ) = aij Iij
i,j=1

por lo que el sistema de m · n marices {Iij , 1 ≤ i ≤ m, 1 ≤ j ≤ n} es un sistema

generador del espacio vectorial Mm×n .

4
 Por otra parte, es fácil comprobar que este sistema de vectores es linealmente
independiente
i=m,j=n
X
λij Iij = 0 ⇒ (λij ) = (0) ⇒ λij = 0, ∀i, j
i,j=1

En consecuencia, el sistema anterior constituye una base del espacio vectorial

Mm×n , por lo que dim Mm×n = m · n

Ejercicios 2.1 Escribir el sistema de vectores {Iij , 1 ≤ i ≤ 2, 1 ≤ j ≤ 3}.

Comprobar que se trata de una base del espacio vectorial M2×3 , determinando su
dimensión.

3 Producto de matrices
Sean las matrices A = (aih )m×p y B = (bkj )q×n . Atendiendo al isomorfismo Φ, el
producto de matrices se corresponde con la composición de aplicaciones lineales
asociadas fA y fB
Φ Φ
A = (aih )m×p ↔ fA : Kp → Km ; B = (bkj )q×n ↔ fB : Kn → Kq
f f
La composición Kn → B
Kq Kp → A
Km tendrá por matriz asociada via Φ la matriz
que definiremos como el producto A.B.
Para que sea posible la composición, es necesario que K q = K p , por lo que
q = p y, de aquı́, la siguiente:

Definición 3.1 Dos matrices A = (aih )m×p y B = (bkj )q×n son multiplicables,
en el orden A.B, si el número de columnas de la primera matriz A coincide con
el número de filas de la segunda matriz B, ésto es, p = q.

En el caso de que sean multiplicables, es decir, que se pueda efectuar la com-

posición, entonces la resultante es una aplicación fA ◦ fB : K n → K m , por lo que
se obtiene la siguiente:
Conclusión: El producto Am×p .Bp×n resulta ser una matriz de m filas y de n
columnas, ésto es, la matriz producto tiene el mismo número de filas que la
primera matriz e igual número de columnas que la segunda.
De lo anterior, se deduce inmediatamente la importante conclusión de que el
producto de matrices no es conmutativo, puesto que aunque exista el producto
A.B, si realizamos el producto cambiando el orden

Bp×n .Am×p

5
ni tan siquiera tienen por que ser multiplicables en ese orden. Para que lo fuesen,
serı́a necesario que n = m. Pero aún en ese caso:

Am×p .Bp×n = (A.B)m×m

Bp×n .Am×p = (B.A)p×p

ni los órdenes de las matrices producto coinciden.
Aún en la situación m = p, no siempre es igual el resultado.
Ejemplo 3.2
µ ¶ µ ¶ µ ¶ µ ¶
1 0 2 4 2 4 10 4
A= ;B = ; A.B = ; B.A =
2 1 1 2 5 10 5 2

Definición 3.3 Sean A = (aik )m×p y B = (bkj )p×n . La matriz producto

C = A.B = (cij )m×n

tiene por elementos cij los obtenidos mediante la suma de los productos de los
elementos de la fila i de A por los elementos de la columna j de B
 
b1j
 b2j 
 
cij = (ai1 ai2 . . . aip )  ..  = ai1 .b1j + ai2 .b2j + · · · + aip .bpj
 . 
bpj

Ejemplo 3.4 
µ ¶ 4 2
2 3 5
A= ;B =  3 6 
6 0 1
1 3
 
µ ¶ 4 2 µ ¶
2 3 5   22 37
A.B = . 3 6 =
6 0 1 25 15
1 3

Propiedades:
i) Asociativa: (A.B).C = A.(B.C)
A.(B + C) = A.B + A.C
ii) Distributiva:
(B + C).A = B.A + C.A
iii) Hay matrices no nulas, cuyo producto es la matriz nula, por ejemplo:
 
µ ¶ 0 2 1 0 µ ¶
1 0 1   0 0 0 0
. 1 3 0 −1 =
0 0 0 0 0 0 0
0 −2 −1 0

6
 iv) Se llama matriz unidad o identidad de orden n, denotada por In , a la matriz
escalar cuadrada de orden n con 1 en la diagonal principal.
 
1 0 0 ... 0
 0 1 0 ... 
 
In = 
 0 0 1 ... 0  
 ... ... ... ... ... 
0 0 0 ... 1
Se verifica que
Im .Am×n = Am×n
Am×n .In = Am×n

El nombre de matriz unidad viene por ser el elemento neutro para el producto,
aunque In ∈/ Mm×n , al verificar la propiedad anterior, recibe el nombre de unidad.
El conjunto Mn de las matrices cuadradas de orden n, como se ha visto, tiene
estructura de espacio vectorial con respecto a la suma y al producto por escalares.
Además se sabe que dim Mn = n2 .
Sin embargo, al contrario de lo que sucede con Mm×n , el producto de matrices
es una operación interna para Mn

. : Mn × Mn → Mn

(A, B) 7→ A.B
Es inmediato verificar que (Mn , +, .) tiene estructura de anillo, es decir, se veri-
fican las siguientes propiedades:
i) (Mn , +) es un grupo abeliano
ii) . es asociativo
iii) . es distributivo
Además este anillo es unitario. Su elemento unidad es In , ya que

A.In = In .A = A

Pero es un anillo no conmutativo, pues el producto no es conmutativo.

Ejercicios 3.5 Verificar las propiedades de anillo descritas anteriormente para

(M2 , +, .)

Definición 3.6 Una matriz cuadrada de orden n se dice que es regular si es

un elemento inversible del anillo (Mn , +, .), es decir, A es regular si existe otra
matriz cuadrada de orden n, denotada por A−1 , tal que

A.A−1 = A−1 .A = In

7
 Las matrices cuadradas no regulares se llaman matrices singulares, por lo
tanto son las matrices no inversibles.
Las matrices regulares de (Mn , +, .) possen todas las propiedades de los ele-
mentos inversibles de un anillo unitario. Cabe destacar:
Propiedad: Si A y B son matrices regulares, también lo es A.B. Además

(A.B)−1 = B −1 .A−1
Nota: Atendiendo al isomorfismo Φ : L(Kn , Kn ) → Mn×n , se tiene que la matriz
inversa está asociada al homomorfismo inverso, ésto es, si f : Kn → Kn es tal que
Φ(f ) = A, entonces f −1 : Kn → Kn tiene asociada la matriz A−1 .

4 Trasposición de matrices
La operación de trasponer matrices se puede considerar como una aplicación
(−)t : Mm×n → Mn×m
A 7→ At
Evidentemente, esta aplicación es biyectiva y además satisface las siguientes
propiedades:
i) (At )t = A
¾
(A + B)t = At + B t
ii) ⇒ (−)t es una aplicación lineal, luego es un iso-
(λ.A)t = λ.At
morfismo de espacios verctoriales
iii) (A.B)t = B t .At
iv) (A−1 )t = (At )−1
Ejercicios 4.1
1. Demostrar la propiedad iv) anterior.
2. Comprobar las cuatro propiedades anteriores tomando dos matrices cuadradas
A y B cualesquiera.

5 Rango de una matriz

Definición 5.1 Se llama rango de una aplicación lineal f : V → W , siendo V
un espacio vectorial de dimensión finita, a la dimensión del subespacio vectorial
imagen, es decir,
rangf = dim Imf = rang{f (− →e ), f (−
1
→
e ), . . . , f (→
2 n
−
e )}
siendo {→
−
e1 , −
→
e2 , . . . , →
−
en } una base para V .

8
Hay que recordar que {f (−→
e1 ), f (−
→
e2 ), . . . , f (−
→
en )} son los vectores columnas de la
matriz asociada a f en las bases citadas.

Definición 5.2 Sea A ∈ Mm×n . Se llama rango de filas de A al rango del

sistema de vectores fila de A. Es, por lo tanto, el mayor número de vectores fila
linealmente independientes

rangF (A) = rang{A1 , A2 , . . . , Am }

Se llama rango de columnas de A al rango del sistema de vectores columna

de A. Es, por lo tanto, el mayor número de vectores columna linealmente inde-
pendientes
rangC (A) = rang{A1 , A2 , . . . , An }

Propiedades:
1. Si A ∈ Mm×n , entonces rangF (A) ≤ m, n; rangC (A) ≤ m, n.
2. Las matrices nulas, y sólo ellas, tienen sus rangos de fila y columna nulos.
3. rangF (A) = rangC (At ); rangC (A) = rangF (At ).

Teorema 5.3 Para cualquier matriz A ∈ Mm×n , se verifica que

rangF (A) = rangC (A)

Definición 5.4 Se llama rango de una matriz A ∈ Mm×n a su rango de filas o

a su rango de columnas

rang(A) = rangF (A) = rangC (A)

Corolario 5.5
rang(A) = rang(At )

6 Cálculo del rango y de la matriz inversa por

medio de operaciones elementales
Se denominan operaciones elementales entre un sistema de vectores {− →
v1 , →
−
v2 , . . . , −
→
vn }
a las consistentes en realizar las siguientes manipulaciones:
a) Permutar entre sı́ los vectores de un sistema.
b) Sustituir un vector −→
vi por −→
vi + λ.−
→
vj .
c) Multiplicar −
→
vi por λ 6= 0.
Es evidente que al aplicar estas operaciones a un sistema de vectores se obtiene
un sistema equivalente al dado. Análogamente, si se realizan todas ellas, se
efectúan reiteradamente, o si se aplican combinaciones lineales de ellas, también
se obtiene un sistema equivalente al dado y, por lo tanto, ambos tienen el mismo
rango: el sistema inicial y el manipulado.

9
Ejemplo 6.1

F2 + F1
   
1 −3 2 1 5 F3 − 2F1 1 −3 2 1 5 F3 − 4F2
 −1 5 1 2 −3  F + 4F  0 2 3 3 2  F + 3F
A=  4→ 1   4→ 2
 2 2 −3 4 −6   0 8 −7 2 −16 
−4 6 2 −3 −2 0 −6 10 1 18
   
1 −3 2 1 5 1 −3 2 1 5
 0 2 3 3 2  F +F  0 2 3 3 2 
  4→ 3  
 0 0 −19 −10 −24   0 0 −19 −10 −24 
0 0 19 10 24 0 0 0 0 0
El rango de la matriz es el número de vectores fila no nulos. En este ejemplo
rang(A) = 3.

Ejemplo 6.2 También se puede utilizar el mismo método para calcular

 la matriz

1 1 0
inversa. Por ejemplo, para hallar la matriz inversa de A =  2 0 3  se
1 1 3
aplican las operaciones elementales de la forma siguiente:

  F2 − 2F1  
1 1 0 | 1 0 0 F −F 1 1 0 | 1 0 0
 2 0 3 | 0 1 0  3 → 1  0 −2 3 | −2 1 0  →
F3 /3

1 1 3 | 0 0 1 0 0 3 | −1 0 1
   
1 1 0 | 1 0 0 1 1 0 | 1 0 0
F2 /(−2)
 0 −2 3 | −2 1 0  F2→ −3F3
 0 −2 0 | −1 1 −1  →
0 0 1 | −1/3 0 1/3 0 0 1 | −1/3 0 1/3
   
1 1 0 | 1 0 0 1 0 0 | 1/2 1/2 −1/2
 0 1 0 | 1/2 −1/2 1/2  F1→ −F2
 0 1 0 | 1/2 −1/2 1/2 
0 0 1 | −1/3 0 1/3 0 0 1 | −1/3 0 1/3
 
1/2 1/2 −1/2
−1
Ası́ A =  1/2 −1/2 1/2 .
−1/3 0 1/3

10
 Ejercicios
 
2 −1 −3 5
 3 2 −1 1 
1. Calcular el rango de la matriz A =   −2 2
.
4 −3 
1 4 1 −2
µ 2. De las ¶ siguientes opciones, elı́janse las correctas, si existen: La inversa de
x −2
coincide con su opuesta
13 −x
a) cuando x = ±5.
b) cuando x = 0.
c) para ningún valor de x.
3. Sea A una matriz regular tal que A3 = 0. De entre las siguientes opciones,
elı́janse las verdaderas, si existen:
a) (I − A)−1 = I + A + A2 y (I − A)−2 = I + 2A + 3A2 .
b) (I − A)−1 = I + A2 y (I − A)−2 = I + 2A2 .
c) (I − A)−1 = I +µA y (I ¶ − A)−2 = I + 2A + A2 .
a b
4. La matriz A = es ortogonal. ¿Qué afirmación es correcta?:
c d
a) a2 + b2 = 1.
b) a2 + b2 + c2 + d2 = 1.
c) a.c + b.d = 1  
µ ¶ 1 1
2 0 1
5. Siendo A = yB= 0 1 , ¿Cuál es correcta?:
1 2 1
−1 −2
a) A.B = I.
b) B es la inversa de A.
c) A no tiene inversa.    
µ ¶ −3 1 5 −1 0 1
−1 2 3
6. Sea A = , B =  4 1 0  y C =  3 0 2 .
1 2 5
0 0 1 −1 1 5
Determinar:
t t t t
a) A.B.C; b) A.(B.C);
 c) A.(B
 + C ); d) B.C.A ; e) (B − C).A ; f) (7A − 6C).A .
0 1 0
7. Sea A =  0 0 1 . Determinar A2 , A3 , An , n ≥ 4.
0 0 0 
−1 2 0
8. Sea B =  1 0 1 . Calcular: a) B 2 ; b) B 3 ; c) B 3 − 7B 2 + 5B + 4I.
 0 1 1
0 x y
9. Sea A =  0 0 z . Determinar A2 , A3 y A3 − A.At .
0 0 0

11
  
0 0 1
10. Sea C =  0 1 0 . Determinar C n , n ≥ 2.
µ1 0 ¶ 0 µ ¶
1 0 2 −1
11. Sean A = yB= . Calcular (A + B)2 y A2 + 2AB +
1 1 1 −1
B 2 . ¿Por qué no dan el mismo resultado?.

12