Matr y Det 171002

Capı́tulo 5
Matrices y determinantes
Las matrices son objetos que aparecen con frecuencia en la modelación de

diversos problemas. Sobre ellas se han desarrollado teorı́as y técnicas de gran
importancia. Su manejo permite abordar y encontrar soluciones a numerosos
problemas, además de apoyar a la organización de la información.
5.1 Matrices
Antes de continuar, recordemos la definición de matriz vista en el capı́tulo
anterior: Una matriz A de m filas o renglones y n columnas es un arreglo
rectangular de la forma:
 
a11 a12 ... a1j ··· a1n

 a21 a22 ... a2j ··· a2n 

 .. .. .. .. .. .. 
 . . . . . . 
A= 
 ai1 ai2 . . .
 aij ··· ain 

 .. .. .. .. .. .. 
 . . . . . . 
am1 am2 . . . amj ··· amn
El término aij es llamada la entrada ij de A o el coeficiente ij de la
matriz A, lo denotamos también como aij = entij (A) o como entij cuando
no hay posibilidad de confusión. Este es el término que se encuentra en el
i−ésimo renglón y en la j−ésima columna de la matriz, para i = 1, 2, . . . , m
y j = 1, 2, . . . , n.
El número de filas o renglones y el número de columnas que tiene una
matriz determinan su tamaño u orden. La matriz A descrita arriba tiene
m renglones, n columnas y mn entradas. Decimos que la matriz A es de
1
2 CAPÍTULO 5. MATRICES Y DETERMINANTES
tamaño, o de orden, m × n (se lee “m por n”). Cuando m = n, decimos que

A es una matriz cuadrada de orden o tamaño n.
Con frecuencia utilizaremos letras mayúsculas para denotar a las matri-
ces: A, B. En ocasiones les pondremos subı́ndices para distinguirlas, como
C1 , C2 , por ejemplo. Utilizamos también la notación
A = [aij ]
donde, i = 1, . . . , m y j = 1, . . . , n.
Ejemplo 5.1.

1 2
1. A = es una matriz cuadrada de orden 2 y
3 5
ent12 (A) = 2, ent21 (A) = 3.

1 2 3
2. B = tiene orden 2 × 3 y
4 5 6
ent12 (B) = 2, ent23 (B) = 6.
Definición 5.1
Denotamos con Mm×n (R) al conjunto de todas las matrices de

orden m × n si para cada pareja de ı́ndices, la entrada aij ∈ R. Es
decir,
Mm×n (R) = {[aij ] ; aij ∈ R, i = 1, . . . m, j = 1, . . . m}
Cuando m = n diremos que A ∈ Mm×m (R) es una matriz cuadrada

de orden o tamaño m y denotaremos
Mm (R) := Mm×m (R)

5.1. MATRICES 3
Como ya el lector habrá observado, los vectores que hemos estudiado en

capı́tulos anteriores pueden interpretarse como matrices, por ejemplo:
En R2 , los vectores fila [1, 0], [0, 1] y [2, −1], son matrices de un renglón
por dos columnas, es decir son elementos de M1×2 (R)
En R3 , los vectores fila [1, 0, 0], [0, 1, 0] [0, 0, 1] y [2, −1, 3], son matrices
de un renglón por tres columnas, es decir elementos de M1×3 (R).
En general, un vector fila en Rn , representado x = [x1 , x2 , . . . , xn ], es
una matriz de orden 1 × n, es decir, es una matriz en M1×n (R).

2 1 0 −1
En forma análoga, en R , los vectores columna son
0 1 2
elementos de M2×1 (R).
       
1 0 0 −1
En R3 , los vectores  0  ,  1  ,  0  ,  2  , son elementos de
0 0 1 −2
M3×1 (R).
En general, un vector columna en Rn , representado como
 
y1
 y2 
y =  . ,
 
 .. 
yn
es una matriz de tamaño n × 1 es decir, es un elemento de Mn×1 (R).
5.1.1 Notación para matrices

Podemos expresar de maneras distintas una matriz A ∈ Mm×n (R) :
• mediante sus entradas: A = [aij ] cada entrada de A es un número real,

entij (A) = aij ∈ R;
• mediante sus renglones: cada renglón de A es una matriz fila. El

i−ésimo renglón, que denotaremos por Ri (A) ∈ M1×n (R) es igual a
Ri (A) = [ai1 ai2 . . . aij . . . ain ], i = 1, 2, · · · , n
contando los renglones de arriba hacia abajo;

• mediante sus columnas: cada columna de A es una matriz columna. La

j-ésima columna, que denotaremos por Colj (A) ∈ Mn×1 (R) es igual a
 
a1j

 a2j 

 .. 
 . 
 , j = 1, 2, · · · , m
Colj (A) = 
 aij 
 
 .. 
 . 
amj
contando las columnas de izquierda a derecha.
Cuando A ∈ Mm×n se escribe mediante sus m renglones

 
R1 (A)

 R2 (A) 

 .. 
 . 
A=
 Ri (A)


 
 .. 
 . 
Rm (A)
decimos que A está matriz particionada por sus renglones o filas.

La matriz A también puede escribirse mediante sus columnas

A= Col1 (A) Col2 (A) · · · Coln (A) .
y decimos que A está matriz particionada por sus columnas.
Observación 5.1.
Si A ∈ Mm×n (R) podemos ver a los renglones o filas de la matriz

como vectores renglón con n componentes, están en M1×n (R); mien-
tras que sus columnas tienen m componentes, son vectores columna en
Mm×1 (R).
Ejemplo 5.2.
5.1. MATRICES 5
Sea A dada por  

1 3 4
A= 1 0 2 
6 1 4
I Tenemos que
R1 (A) = [1, 3, 4], R2 (A) = [1, 0, 2], R3 (A) = [6, 1, 4].

Análogamente,
    
1 3 4
Col1 (A) =  1  , Col2 (A) =  0  , Col3 (A) =  2  .
6 1 4
Para  
1 1 4
 2 1 2 
A=
 −1

5 8 
0 3 1
tenemos que
R1 (A) = [−1, 1, 4]
R2 (A) = [2, 1, 2],
R3 (A) = [1, 5, 8],
R4 (A) = [0, 3, 1],
mientras que
     
1 1 4
 2   1   2 
Col1 (A) = 
 −1  ,
 Col2 (A) = 
 5 ,
 Col3 (A) = 
 8 .

0 3 1
J
5.1.2 Igualdad de matrices

Como se recordará, se dijo que los vectores ~v = [a, b] y w
~ = [c, d] son iguales
si y solamente si a = c y b = d, es decir, la primera entrada de cada uno de
ellos es igual y la segunda entrada también.
De manera análoga definimos la igualdad entre matrices:
Definición 5.2: Igualdad entre matrices
Sean A y B dos matrices de orden m × n. Decimos que A y B son

iguales y escribimos A = B, si para cada una de sus entradas se
cumple que
entij (A) = entij (B),
para cada i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 5.3.
Encontrar el valor de a que hace que A sea igual a B, cuando

1 2 1 2
A= ; B=
3 1 3 a−6
Solución I
Como se puede ver,
ent11 (A) = ent11 (B)

ent12 (A) = ent12 (B)
ent21 (A) = ent21 (B).
Por lo tanto tendremos que A = B siempre y cuando ent22 (A) = ent22 (B),
es decir cuando 1 = a − 6, por lo que a = 7. J
Ejemplo 5.4.
Encontrar el valor de a y b que hace que A = B:

1 2 a+1 1 2 3
A= ; B=
3 7 1 3 3b 1
Solución I En este ejemplo, tenemos que
ent11 (A) = ent11 (B)

ent12 (A) = ent12 (B)
ent21 (A) = ent21 (B)
ent23 (A) = ent23 (B)
Tendremos que A = B siempre y cuando se cumpla: ent13 (A) = ent13 (B)

y ent23 (A) = ent23 (B), es decir, a + 1 = 3 y 3b = 7, en forma equivalente,
a = 2 y b = 21. J
5.1. MATRICES 7
Ejemplo 5.5.
Resolver la ecuación:

x+z y−z 2 − 2z 1 + z
A= = =B
x − y z2 − 3 y − 7z z + 3
Solución I Tenemos un sistema de 4 ecuaciones con 4 incógnitas:
x+z = 2 − 2z
y−z = 1+z
x−y = y − 7z
z2 − 3 = z+3
Las tres primeras ecuaciones dan lugar a un sistema de 3 ecuaciones lineales

con 3 incógnitas:
x + 2y − 1 = y − z + 2
x − 2y + 7z = 0
y − 2z = 1
que es equivalente a
x+y+z = 3
x − 2y + 7z = 0
y − 2z = 1
y que podemos resolver usando el método de eliminación de Gauss:
   
1 1 1 3 1 1 1 3
 1 −2 7 0  −−− −−− −−→  0 −3 6 −3 
R2 → R2 − R1
0 1 −2 1 0 1 −2 1
   
1 1 1 3 1 1 1 3
 0 −3 6 −3  −−−−−−−−→  0 1 −2 1 
R2 → (−1/3)R2
0 1 −2 1 0 1 −2 1
Finalmente, el sistema original es equivalente al sistema con matriz aumen-
tada  
1 1 1 3
 0 1 −2 1 
0 0 0 0
del cual obtenemos,tomando z como parámetro
x = −3z + 2
y = 2z + 1.
La cuarta ecuación dice que

z 2 − 3 = z − 3, z 2 − z − 6 = 0.
Esta ecuación cuadrátrica tiene dos soluciones z = 3 y z = −2. Para cada
uno de estos valores obtenemos una solución de la ecuación A = B :
z = 3 z = −2
x = −9 + 2 = −7 y x = 6+2=8
y = 6+1=7 y = −4 + 1 = 3
Comprobemos la primera solución:

x+z y−z (−7) + 3 7−3 −4 4
A= = =
x − y z2 − 3 (−7) − 7 (3)2 − 3 −14 6
mientras que

2 − 2z 1 + z 2 − 2(3) 1 + 3 −4 4
B= = = .
y − 7z z + 3 7 − 7(3) 3 + 3 −14 6
El lector puede comprobar que A = B para la segunda solución. J
Observe que para considerar una igualdad entre dos matrices A y B, se
debe ver primero que tengan el mismo tamaño u orden. Posteriormente, se
debe verificar que las entradas correspondientes coincidan.
5.1.3 Algunas matrices especiales

Comenzamos con una matriz particular, que encontramos en los capı́tulos
anteriores:
Definición 5.3: Matriz nula
Se llama la matriz cero o matriz nula a una matriz de cualquier

tamaño en la que todas sus entradas son igual a cero.
La matriz 0m×n ∈ Mm×n (R), es tal que 0m×n = [entij (0] con
entij (0) = 0 para todos los valores i = 1, . . . , m, j = 1, . . . n.
Por ejemplo, la matriz cero de orden 4 × 4 es

 
0 0 0 0
 0 0 0 0 
04×4 =  0 0
.
0 0 
0 0 0 0
5.1. MATRICES 9
La matriz cero de orden 2 × 3 es

0 0 0
02×3 = .
0 0 0
En general, escribiremos la matriz 0m×n = 0 si, en el contexto en el que se
trabaja, está claro el tamaño que debe tener ésta.
En el capı́tulo anterior buscábamos transformar la matriz asociada a un
sistema en una matriz escalonada. Recordemos la definicón de este tipo de
matrices:
Definición 5.4: Matriz escalonada
Se dice que una matriz en Mm×n (R) es matriz escalonada si se satis-

facen las condiciones siguientes
• De haber reglones nulos, estos se encuentran en la parte inferior

de la matriz.
• Si el i-ésimo renglón de la matriz no es nulo y el primer ele-
mento no nulo de este renglón es el que se encuentra en la j-ésima
columna, entonces todos los reglones bajo este renglón tienen los
primeros j + 1 elementos nulos.
Los siguientes son ejemplos de matrices escalonadas

Ejemplo 5.6.
I
   
1 1 1 3 1 0 1 0 −7
 0 1 −2 1  ,  0 0 −2 1 0 
0 0 0 0 0 0 0 1 3
J
A continuación definiremos algunos tipos de matrices cuadradas:
Definición 5.5: Matriz identidad
Para n cualquier número natural, se llama matriz identidad de tamaño

n a la matriz cuadrada de tamaño n, que se denota por In , cuyas en-
tradas son:

1, s = r
entsr (In ) = s, r = 1, . . . , n.
6 r
0, s =
Son matrices identidad de tamaño uno, dos, tres y n, las siguientes:

 
1 0 0
1 0
I1 = [1], I2 = , I3 =  0 1 0  ,
0 1
0 0 1
 
1 0 0 ··· 0 0
 0 1 0 ··· 0 0 
 
 0 0 1 ··· 0 0 
In =  . . . ..  .
 
 .. .. .. . 
 
 0 0 0 ··· 1 0 
0 0 0 ··· 0 1
Otro tipo de matrices cuadradas son las matrices que se llaman matrices
diagonales, ejemplos de ellas son las que llamamos matrices identidad y las
siguientes:
   
3 0 0 2 0 0
4 0
A1 = , A2 =  0 4 0  , A3 =  0 3 0 
0 3
0 0 0 0 0 4
 √ 
2 0
√ 0 0
 0 − 3 0 0 
A4 = 
 0
.
0 0 0 
0 0 0 4
Definición 5.6: Diagonal de una matriz cuadrada y Matriz

diagonal
La diagonal o diagonal principal de una matriz cuadrada de tamaño

n, son los elementos entii (A), i = 1, . . . , n.
Decimos que D es una matriz diagonal de tamaño n si es cuadrada
5.1. MATRICES 11
de tamaño n y entij (D) = 0 para i 6= j.
Observación 5.2.
En una matriz diagonal todas las entradas entij con i 6= j deben ser
nulas. Algunos elementos de la diagonal también podrı́an ser nulos,
como 0n×n es una matriz diagonal.
Si una matriz diagonal de tamaño n tiene en su diagonal los números

λ1 , λ2 , . . . , λn , la escribimos como Dg[λ1 , λ2 , . . . , λn ] y su forma es
 
λ1 0 . . . 0
 0 λ2 . . . 0 
Dg[λ1 , λ2 , . . . , λn ] =  .
 
. .. .. .. 
 . . . . 
0 0 ... λn
Definición 5.7: Matriz triangular superior
Decimos que una matriz cuadrada T de tamaño n es una matriz trian-

gular superior si entij (T ) = 0 para i > j, i = 1, . . . n; j = 1, . . . n.
La siguiente matriz es triangular superior.

 
a11 a12 . . . a1n
 0 a22 . . . a2n 
 
 .. .. .. .. 
 . . . . 
0 0 0 ann
Las entradas en una matriz triangular superior que están por debajo de la
diagonal principal de la matriz son iguales a cero.
Los siguientes son algunos ejemplos de matrices triangulares superiores
 
  1 12 4 0 −1
1 12 4  0 6 5 1 0 
 
 0 6 5   0 0 0 1 0 
 
0 0 7  0 0 0 0 0 
0 0 0 0 0
Cuando en una matriz cuadrada, todas las entradas arriba de su diagonal

son iguales a cero, la llamamos matriz triangular inferior:
Definición 5.8: Matriz triangular inferior
Decimos que una matriz cuadrada T de tamaño n es una matriz tri-

angular inferior si entij (T ) = 0 para i > j, i = 1, . . . n; j = 1, . . . n.
La siguiente matriz es triangular inferior.

 
a11 0 . . . 0
 a21 a22 . . . 0 
 
 .. .. .. .. 
 . . . . 
an1 an2 . . . ann
Un ejemplo de matriz triangular inferior es,
 
1 0 0
 12 6 0 
4 5 7
En general las matrices triangulares inferiores de orden 3 son de la forma

 
∗ 0 0
 ∗ ∗ 0 
∗ ∗ ∗
donde, en el lugar de las ∗, se puede poner cualquier número, inclusive el 0.
5.1.4 Ejercicios
1. Para la matriz  
1 0 0 −1
 2 2 3 5 
A=
 −1

3 0 9 
0 1 0 −10
describa ent1,3 , ent2,4 , ent4,3 , R2 (A) y Col3 (A).
5.2. ÁLGEBRA DE MATRICES: OPERACIONES LINEALES 13
2. Construya las matrices diagonales Dg[1, 2, 3, 4, 5, 6] y Dg[0, 1, 0, −1, 0].

3. Muestre que si A, B ∈ Mn×m (R) y A = B, entonces para cada i =
1, 2, . . . , m, j = 1, 2, . . . n,
Ri (A) = Ri (B)
Colj (A) = Colj (B)
4. Resuelva la ecuación

x + 2y − 1 x − y + 1 y − z + 1 −x + z + 2
=
x+y−3 3x + 2y −y + z − 3 −4x + z
5. Construya un ejemplo de las siguientes matrices:
(a) Una matriz triangular superior de orden 5 que tenga ent4,5 = 5;

(b) Una matriz triangular inferior de orden 4 que tenga ent2,1 = 3;
(c) La matriz nula de orden uno;
(d) La matriz nula de orden 3 × 1.
5.2 Álgebra de matrices: Operaciones lineales

En esta sección estableceremos las operaciones lineales, que extienden la
suma de vectores y multiplicación de un vector por un escalar, que vimos
en los capı́tulos 2, 3 y 4, y estudiaremos sus propiedades.
5.2.1 Suma de matrices

La suma de matrices está definida cuando las matrices son del mismo tamaño
u orden. En los capı́tulos 2 y 3 trabajamos con vectores fila. En el primer
caso eran vectores en el plano que podemos identificar con los elementos de
M1×2 (R) y en el segundo de vectores en el espacio que podemos identificar
con elementos de M1×3 (R). Definimos la suma de dos vectores, sumando
coordenada a coordenada. Eso mismo hicimos con los vectores columna con
los que trabajamos en el capı́tulo 4. Definimos entonces
Definición 5.9: Suma de matrices
Para m, n ∈ N, sean A, B ∈ Mm×n (R) i = 1, . . . , m y j = 1, . . . n. La

suma de las matrices A y B es la matriz A + B ∈ Mm×n (R), tal que
entij (A + B) = entij A + entij B,
i = 1, . . . , m, j = 1, . . . n.
Explı́citamente, dadas A = [aij ], B = [bij ] ∈ Mm×n (R),
   
a11 a12 ... a1n b11 b12 ... b1n

 a21 a22 ... a2n 


 b21 b22 ... b2n 

 .. .. .. ..   .. .. .. .. 
 . . . .   . . . . 
A=
 ai1 ai2 . . .
 B= 
 ain 

 bi1 bi2 . . .
 bin 

 .. .. .. ..   .. .. .. .. 
 . . . .   . . . . 
am1 am2 . . . amn bm1 bm2 . . . bmn
 
a11 + b11 a12 + b12 ... a1n + b1n

 a21 + b21 a22 + b22 ... a2n + b2n 

 .. .. .. .. 
 . . . . 
A+B =
 ai1 + bi1

 ai2 + bi2 . . . ain + bin 

 .. .. .. .. 
 . . . . 
am1 + bm1 am2 + bm2 . . . amn + bmn
Ejemplo 5.7.
Sean A y B ∈ M2×2 .

2 −1 1 0
A= ; B=
3 −6 3 2
La matriz suma tiene como entradas a la suma de las entradas corres-

pondientes:

2 −1 1 0 2 + 1 −1 + 0 3 −1
A+B = + = = .
3 −6 3 2 3 + 3 −6 + 2 6 −4
Ejemplo 5.8.
Sean A y B ∈ M3×3 .
   
1 2 3 −1 0 2
A =  4 5 6 ; B =  −4 3 2 
0 1 2 2 3 9
La matriz suma tiene como entradas a la suma de las entradas corres-
pondientes:
       
1 2 3 −1 0 2 1−1 2+0 3+2 0 2 5
A+B =  4 5 6 + −4 3 2  =  4 − 4 5 + 3 6 + 2  =  0 8 8  .
0 1 2 2 3 9 0+2 1+3 2+9 2 4 11
La siguiente proposición enuncia las propiedades elementales de la suma de

matrices en Mm×n (R) :
Proposición 5.1.
Sean A, B y C ∈ Mm×n (R). Entonces
• La suma de matrices es conmutativa: A + B = B + A.
• La suma de matrices es asociativa: A + (B + C) = (A + B) + C.
• La matriz 0 ∈ Mm×m (R) es elemento neutro para la suma de

matrices en Mm×n (R) : A + 0 = A = 0 + A.
Mostraremos la primera y la última de las afirmaciones anteriores.
• Para mostrar que A + B = B + A debemos probar que las entradas

correspondientes de ambas expresiones son iguales. Es decir que
entij (A + B) = entij (B + A).
Recordemos que definimos la suma de matrices mediante las igualdades
entij (A + B) = entij (A) + entij (B), i = 1, . . . n, j = 1, . . . m.
Como la suma de números reales es conmutativa
entij (A) + entij (B) = entij (B) + entij (A), i = 1, . . . n, j = 1, . . . m.

El lado derecho es, por la definición de la suma de matrices, igual a
entij (B + A), i = 1, . . . n, j = 1, . . . m.
Y, las correspondientes entradas de A + B y B + A coinciden, como

querı́amos probar.
• Veamos que A + 0 = A. Para i = 1, . . . , m y j = 1, . . . , n
entij (A + 0) = entij A + entij 0 = entij A + 0 = entij A.
5.2.2 Multiplicación por un escalar
De manera análoga como hicimos para multiplicar un vector por un escalar

definimos la multiplicación de una matriz en Mm×n (R) por un escalar y
obtenemos de nuevo una matriz en Mm×n (R).
Definición 5.10: Multiplicación de una matriz por un escalar
Sean m, n ∈ N, A ∈ Mm×n (R) y λ ∈ R cualquier escalar. El producto

del escalar λ por la matriz A, es la matriz λA ∈ Mm×n (R) donde
entij (λA) = λentij (A), i = 1, . . . , m, j = 1, . . . , n.
Explı́citamente, para λ ∈ R y A = [aij ] ∈ Mm×n (R), donde i = 1, . . . , m

y j = 1, . . . , n:
 
λa11 λa12 . . . λa1n
 λa21 λa22 . . . λa2n 
 
 .. .. .. .. 
 . . . . 
λA =  λai1 λai2 . . . λain  .

 
 .. .. .. .. 
 . . . . 
λam1 λam2 . . . λamn
Ejemplo 5.9.
Para λ ∈ R, A ∈ Mn×1 , (observe que A es un vector columna), el pro-
ducto λA es un vector múltiplo escalar del vector A, es decir λA es colineal
al vector A.
 
2
Consideremos λ = −5 y A ∈ M3×1 =  3 
4
     
2 −5 · 2 −10
−5A = −5  3  =  −5 · 3  =  −15 
4 −5 · 4 −20
Ejemplo 5.10.

−2 1
Sea A ∈ M2×2 (R), A = y λ = −3 Calcular λA.
3 6
Solución I

−2 1 (−3)(−2) (−3)(1)
λ(A) = −3A = −3 = =
3 6 (−3)( 3) (−3)(6)

6 −3
.
−9 −18
La matriz que resulta es aquella cuyas entradas, son las entradas de la
matriz multiplicadas por el número λ. J
Ejemplo 5.11.
 
−1 2 5
Sean A ∈ M3×3 (R), A =  0 7 8 , calcular la matriz 5A.
2 4 11
Solución I
   
−1 2 5 5(−1) 5(2) 5(5)
5A = 5  0 7 8  =  5( 0) 5(7) 5(8)  =
2 4 11 5( 2) 5(4) 5(11)
 
−5 10 25
 0 35 40  .
10 20 55
J
Ejemplo 5.12.

−2 1
Sea A ∈ M2×2 (R), A = . Calcular (−1)A y A + (−1)A.
3 6
Solución I

−2 1
(−1)A = (−1)
3 6

(−1)(−2) (−1)(1)
=
(−1)( 3) (−1)(6)

2 −1
=
−3 −6
Entonces
−2 1 2 −1
A + (−1)A = +
3 6 −3 −6

−2 + 2 1 + (−1)
=
3 + (−1) 6 + (−6)

0 0
=
0 0
= 02×2
J
La siguiente proposición enuncia las propiedades elementales del producto
de matrices en Mm×n (R) por un escalar
Proposición 5.2.
Sean A ∈ Mm×n (R) y α, β ∈ R. Entonces
• 1 · A = A;
• α · (β · A) = (αβ) · A.
A continuación mostraremos estas aserciones
• Dada A ∈ Mm×n (R) estudiemos las entradas de 1 · A :
entij (1 · A) = (1) · entij (A) = entij (A),
De las igualdades anteriores se deduce que
1 · A = A.
• Estudiemos ahora la segunda afirmación. Con este propósito estudia-

remos las entradas correspondientes de las matrices del enunciado.
entij (α · (β · A)) = α (entij (β · A))

= α (βentij (A))
= (α β) entij (A)
= entij ((αβ) · A)
Esta última igualdad se debe a que la multiplicación de números reales

es asociativa. Como las entradas correspondientes de α · (β · A) y de
(αβ) · A son iguales, las matrices lo son.
5.2.3 Propiedades que vinculan estas operaciones

Las siguientes propiedades de las operaciones lineales en Mm×n (R) deben
recordar al lector las que enunciamos y demostramos para vectores.
Proposición 5.3.
Sean A, B ∈ Mm×n (R) y α, β ∈ R. Entonces
• A + (−1)A = 0m×n ;
• α · (A + B) = α · A + α · B;
• (α + β) · A = α · A + β · B.
Haremos la demostración de la primera afirmación. Las otras dos se

dejan como ejercicio para el lector.
Primera manera de hacerlo: Para A ∈ Mm×n , verificar que A+(−1)A =

0m×n . Primero calculemos (−1)A :
   
a11 a12 ... a1n −a11 −a12 ... −a1n

 a21 a22 ... a2n  
  −a21 −a22 ... −a2n 

 .. .. .. ..   .. .. .. .. 
 . . . .   . . . . 
(−1)A = (−1)  =
  −ai1 −ai2 . . .
.
 ai1 ai2 . . .
 ain   −ain 

 .. .. .. ..   .. .. .. .. 
 . . . .   . . . . 
am1 am2 . . . amn −am1 −am2 . . . −amn
Por lo tanto
   
a11 a12 ... a1n −a11 −a12 ... −a1n

 a21 a22 ... a2n  
  −a21 −a22 ... −a2n 

 .. .. .. ..   .. .. .. .. 
 . . . .   . . . . 
A+(−1)A =  +
  −ai1 −ai2 . . .
=
 ai1 ai2 . . .
 ain   −ain 

 .. .. .. ..   .. .. .. .. 
 . . . .   . . . . 
am1 am2 . . . amn −am1 −am2 . . . −amn
 
a11 − a11 a12 − a12 ... a1n − a1n

 a21 − a21 a22 − a22 ... a2n − a2n 

 .. .. .. .. 
 . . . . 
=
 ai1 − ai1
 = 0m×n
 ai2 − ai2 . . . ain − ain 

 .. .. .. .. 
 . . . . 
am1 − am1 am2 − am2 . . . am2 − amn
J
Segunda manera de hacerlo: Estudiemos las entradas de A + (−1)A,
usando las propiedades de la suma de matrices y el producto de una matriz
por un escalar:
entij (A + (−1)A) = entij (A) + entij ((−1)A)

= entij (A) + (−1)entij (A)
= entij (A) − entij (A) = 0
Como las entradas de A + (−1)A son iguales a las de 0m×n , las matrices son
iguales. J
Notación para la matriz (−1)A
Dada A ∈ Mm×n (R), la matriz (−1)A es el inverso aditivo de la matriz

A, puesto que (−1)A es lo que se debe sumar a A para obtener como
resultado la matriz nula de tamaño m × n. Por esto se la denota por
(−1)A := −A
y se satisface que
A + (−1)A = (−1)A + A = 0m×n .

5.3. ÁLGEBRA DE MATRICES: PRODUCTO DE MATRICES 21
5.2.4 Ejercicios
1. Sea A ∈ Mm×n (R). Entonces (0)A = 0m×n .
2. Para las matrices A y B, siguientes, calcule 3A y 3B y 3(A + B).

−2 1 6 −3
A= B= .
3 −36 −9 −18
3. Resuelva la ecuación en M3×3 (R) :
3A + 2X = B
donde    
1 0 2 11 −5 7
A =  3 5 −4  y B =  −3 12 2 
0 7 5 23 −4 8
4. Muestre que, dadas A, B ∈ Mm×n (R) se tiene que, para i = 1, 2, . . . , m,

j = 1, 2, . . . n, Ri (A), Ri (B) ∈ M1×n (R) y Colj (A), Colj (B) ∈ Mn×1 (R),
que
Ri (A + B) = Ri (A) + Ri (B)
Colj (A + B) = Colj (A) + Colj (B)
y que , para cada α ∈ R,
Ri (αA) = αRi (A)
Colj (αA) = αColj (A)
5.3 Álgebra de matrices: Producto de matrices

Las operaciones lineales estudiadas en la sección anterior para matrices gen-
eralizan estas operaciones lineales entre vectores. De la misma manera el
producto de matrices generaliza el producto punto. El producto de matri-
ces permite, entre otras cosas, interpretar un sistema de ecuaciones lineales
como una ecuación entre matrices: AX = b.
Dado el sistema de ecuaciones lineales con tres incógnitas siguiente
x1 + 2x2 + 4x3 = 24
3x1 + 4x2 + 8x3 = 50
6x1 + 6x2 + 6x3 = 48
Denotemos con A a su matriz asociada, y con [A | b] a su matriz aumen-

tada,    
1 2 4 1 2 4 24
A =  3 4 8  , [A | b] =  3 4 8 50 
6 6 6 6 6 6 48
En esta manera de codificar el sistema lo que están faltando son las

incógnitas. Como los tres elementos del sistema son: la matriz del sistema,
las incógnitas y la columna de los términos independientes, los ponemos de
la manera siguiente
     
1 2 4 x1 24
 3 4 8   x2   50 
6 6 6 x3 48
y lo que queremos es tener
     
1 2 4 x1 24
 3 4 8  ·  x2  =  50 
6 6 6 x3 48
Hemos escrito el sistema como la ecuación A · X = b donde

 
x1
X =  x2  .
x3
Para obtener la primera ecuación del sistema realizamos el producto entre

dos vectores en R3 que son R1 (A) ∈ M1×3 con X ∈ M3×1 ,
R1 (A) · X = x1 + 2x2 + 4x3 = 24.

 
x1
Lo que hemos hecho es [1, 2, 4] ·  x2  = 24 es decir,
x3
 
x1
R1 (A) · X = [1, 2, 4] ·  x2  = 24.
x3
Notemos que estamos definiendo un producto entre dos matrices: R1 (A) ∈

M1×3 con X ∈ M3×1 , que es análogo a realizar el producto punto entre dos
vectores en R3 .
Análogamente, podemos ver a la segunda y a la tercera ecuación del

sistema como
 
x1
R2 (A) · X = [3, 4, 8] ·  x2  = 50.
x3
 
x1
R3 (A) · X = [6, 6, 6] ·  x2  = 48.
x3
Unificamos las tres expresiones obtenidas como
     
1 2 4 x1 24
 3 4 8  ·  x2  =  50 
6 6 6 x3 48
Podemos expresar el sistema como
A·X =b
donde b ∈ M3×1 (R) es el vector columna de los términos independientes.
5.3.1 Producto de una matriz por una matriz columna

Consideremos las matrices A = [aij ] ∈ Mm×n (R), i = 1, . . . , m, j = 1, . . . n
y C = [ci1 ] ∈ Mm×1 (R), i = 1, . . . , m que representan a un sistema de
ecuaciones lineales de m ecuaciones con n incógnitas:
a11 x1 + a12 x2 + . . . + a1n xn = c11

... ... ... ... ...
am1 x1 + am2 x2 + . . . + amn xn = cm1
Escribimos  
x1
 x2 
X=
 
.. 
 . 
xn
y definimos
Definición 5.11: Producto de un elemento de Mm×n (R) por un

elemento de Mn×1 (R)
El producto de un elemento A de Mm×n (R) por un elemento X de

Mn×1 (R) es el elemento de Mm×1 (R), denotado por A · X, cuyos ren-
glones están dados por
Ri (A · X) = enti1 (A)x1 + enti2 (A)x2 + . . . + entin (A)xn ,
i = 1, 2, . . . , m
En particular el producto de una matriz fila A = [a1j ] ∈ M1×n (R) por

una matriz columna B = [bi1 ] ∈ Mn×1 (R) es una matriz en M1×1 (R) que
identificamos con un elemento de R :
 
b11
 b21 
A · B = [a11 a12 · · · a1n ] · 
 
.. 
 . 
bn1
= a11 b11 + a12 b21 + · · · + a1n bn1
n
X
= a1i bi1
i=1
= [a11 , a12 , . . . , a1n ] • [b11 , b21 , . . . , bn1 ]
donde • representa el producto punto.

De manera explı́cita, la multiplicación de A ∈ Mm×n (R) por X ∈
Mn×1 (R), es
 
a11 a12 . . . a1n  
 .. .. ..  x1
 . . . 
   x2 
 ai1 ai2 . . . ain  ·  .. =

 
.

 .. .. ..   
 . . .  xn
am1 am2 . . . amn
 
a11 x1 + a21 x2 + . . . + a1n xn

 ... ... ... ... 

=
 ai1 x1 + ai2 x2 + . . . + ain xn 

 ... ... ... ... 
am1 x1 + am2 x2 + . . . + amn xn
 
R1 (A) · X
 R2 (A) · X 
=
 
.. 
 . 
Rm (A) · X
donde Ri (A) · X es un producto de la matrix renglón Ri (A) ∈ M1×n (R) con
la matriz columna X ∈ Mn×1 (R), cuyo resultado, como dijimos antes, es un
número real.
Recalquemos que, con esta definición, el sistema dado antes se escribe como
A · X = b.
Ejemplo 5.13.
Calcular A · B para

5
A= 1 −3 , B= .
8
Solución I
A es de orden 1 × 2 y B es de orden 2 × 1.

5
A·B = 1 −3 · = 1 · 5 + (−3 · 8) = −19 .
8
La matriz A · B es de orden 1 × 1. J
Ejemplo 5.14.

1 −3 5
A= , B= .
2 −3 8
Solución I

1 −3 5 1 · 5 + (−3 · 8) −19
A·B = · = = .
2 −3 8 2 · 5 + (−3 · 8) −14
La matriz la matriz A · B es de orden 2 × 1. J
Ejemplo 5.15.

1 −3
5
A= 2 1 , B= .
8
0 2
Solución I
     
1 −3 1 · 5 + (−3 · 8) −19
5
A · B =  2 −3  · =  2 · 5 + (−3 · 8)  =  −14  .
8
0 2 0·5+ 2·8 16
Ejemplo 5.16.
   
2 0 −3 −2
A= 1 2 1 , B =  −1  .
4 0 2 −4
Solución I
   
2 0 −3 −2
A= 1 2 1 , B =  −1  .
4 0 2 −4
Solución I
      
2 0 −3 −2 (2)(−2) + (0)(−1) + (−3)(−4) −16
A·B =  1 2 1 · −1  =  (1)(−2) + (2)(−1) + (1)(−4)  =  −8  .
4 0 2 −4 (4)(−2) + (0)(−1) + (2)(−4) −16
Observación 5.3.
En todos los casos hemos considerado que el número de columnas de

A es igual al número de renglones de B.
A continuación enunciamos algunas propiedades de este producto
Proposición 5.4.
Sean A, B ∈ Mm×n (R), X, Y ∈ Mn×1 (R) y α ∈ R. Entonces
• (A + B) · X = A · X + B · X;
• A · (X + Y ) = A · X + A · Y ;
• α(A · X) = (αA) · X = A · (αX).
Probaremos la primera aserción cuando A, B ∈ M1×n (R) es decir son ma-

trices renglón y C ∈ Mn×1 (R). Calculemos A + B
A + B = [a11 a12 . . . a1n ] + [b11 b12 . . . b1n ]

= [a11 + b11 a12 + b12 . . . a1n + b1n ]
Por lo tanto
(A + B) · C = (a11 + b11 )c11 + (a12 + b12 )c21 + . . . + (a1n + b1n )cn1
= (a11 c11 + b11 c11 (a12 c21 + b12 c21 ) + . . . + (a1n cn1 + b1n cn1 ).
Por otra parte
A · C + B · C = (a11 c11 + a12 c21 + . . . + a1n cn1 ) + (b11 c11 + b12 c21 + . . . + b1n cn1 ) .
La afirmación se deduce de las propiedades de las operaciones de números

reales.
5.3.2 Producto de matrices

Nos apoyaremos en la definición del producto de una matriz A ∈ Mm×n (R)
por una matriz columna en Mn×1 (R) para definir el producto de matrices.
Sean A ∈ Mm×n (R), B ∈ Mn×p (R). Consideremos a B particionada por

columnas. Sabemos calcular el producto de A por cada una de las columnas
de B. Vamos a definir el producto A · B como la matriz cuyas columnas son:
Colj (A · B) := A · Colj (B)
Por lo que vimos en la sección anterior, la partición por renglones de la

matriz A · Colj (B) ∈ Mn×1 (R) está dada por
 
R1 (A) · Colj (B)
 R2 (A) · Colj (B) 
Colj (A · B) = A · Colj (B) = 
 
.. 
 . 
Rm (A) · Colj (B)
de lo que se desprende la siguiente definición:
Definición 5.12: Producto de una matriz en Mm×n (R) por una

matriz en Mn×p (R)
El producto de una matriz A en Mm×n (R) por una matriz B en Mn×p (R)
es la matriz A · B ∈ Mm×p (R) cuyas columnas son
Colj (A · B) := A · Colj (B), j = 1, 2, . . . , p.
Por lo que las entradas de la matriz A · B están dadas por
entij (A · B) = Ri (A) · Colj (B)
i = 1, 2, . . . , m, j = 1, 2, . . . , p.
De manera explı́cita
 
b1j
 b2j 
entij (A · B) = [ai1 , ai2 , . . . , ain ] ·  ,
 
..
 . 
bnj
o bien
n
X
entij (A · B) = ai1 b1j + ai2 b2j + · · · + ain bnj = aik bkj .
k=1
También escribimos A · B en términos de sus entradas:
R1 (A) · Col1 (B) R1 (A) · Col2 (B) ··· R1 (A) · Colp (B)
 

 R2 (A) · Col1 (B) R2 (A) · Col2 (B) ··· R2 (A) · Colp (B) 

 ··· ··· ··· ··· 
  (5.1)

 Ri (A) · Col1 (B) Ri (A) · Col2 (B) ··· Ri (A) · Colp (B) 

 ··· ··· ··· ··· 
Rm (A) · Col1 (B) Rm (A) · Col2 (B) ··· Rm (A) · Colp (B)
Es importante notar que:
Observación 5.4.
• Para poder realizar el producto de la matriz A con la matriz B,

requerimos que el número de columnas de A sea igual al número
de renglones de B. Dicho de otra forma, debemos verificar que si
A es de orden m × n, para poder multiplicarla por la matriz B,
ésta debe ser de orden n × p. Para m y p no hay restricción.
• La matriz producto A · B resultante será una matriz de orden
m × p.
Ejemplo 5.17.
   
2 0 −3 −2 0
A= 1 2 1 , B =  −1 1  .
4 0 2 −4 3
Solución I
A es de orden 3 × 3 y B es de orden 3 × 2. Para ayudarnos a desarrollar
el producto particionamos las matrices
   
2 0 −3 −2 0
A·B = 1 2 1  ·  −1 1 
4 0 2 −4 3
Hacemos los cálculos:
R1 (A) · Col1 (B) = (2)(−2) + (0)(−1) + (−3)(−4) = −16

R1 (A) · Col2 (B) = (2)(0) + (0)(1) + (−3)(3) = −9
R2 (A) · Col1 (B) = (1)(−2) + (2)(−1) + (1)(−4) = −8
R2 (A) · Col2 (B) = (1)(0) + (2)(1) + (1)(3) = 5
R3 (A) · Col1 (B) = (4)(−2) + (0)(−1) + (2)(−4) = −16
R3 (A) · Col2 (B) = (4)(0) + (0)(1) + (2)(3) = 6
Por lo tanto
   
(2)(−2) + (0)(−1) + (−3)(−4) (2)(0) + (0)(1) + (−3)(3) −16 −9
A·B =  (1)(−2) + (2)(−1) + (1)(−4) (1)(0) + (2)(1) + (1)(3)  =  −8 5 .
(4)(−2) + (0)(−1) + (2)(−4) (4)(0) + (0)(1) + (2)(3) −16 6
La matriz A · B es de orden 3 × 2.
J
Ejemplo 5.18.
   
1 0 −2 −1 0 1
A =  1 1 −1  , B= 1 0 1 .
3 1 2 −1 1 2
Solución I De nuevo particionamos las matrices:

   
1 0 −2 −1 0 1
A · B =  1 1 −1  ·  1 0 1 
3 1 2 −1 1 2
 
1(−1) + 0(1) + (−2)(−1) 1(0) + 0(0) + (−2)(1) 1(1) + 0(1) + (−2)(2)
=  1(−1) + 1(1) + (−1)(−1) 1(0) + 1(0) + (−1)(1) 1(1) + 1(1) + (−1)(2) 
3(−1) + 1(1) + 2(−1) 3(0) + 1(0) + 2(1) 3(1) + 1(1) + 2(2)
 
−3 2 5
=  1 −1 0  .
−4 2 8
J
Ejemplo 5.19.
 
−1 1 0 0
1 −2 2 1  0 1 1 1 
A= , B= .
1 −1 3 1  −1 1 2 3 
−1 1 2 4
Solución I
 
−1 1 0 0
1 −2 2 1  0 1 1 1 
A·B = ·
 −1
=
1 −1 3 1 1 2 3 
−1 1 2 4

R1 (A) · Col1 (B) R1 (A) · Col2 (B) R1 (A) · Col3 (B) R1 (A) · Col4 (B)
R2 (A) · Col1 (B) R2 (A) · Col2 (B) R2 (A) · Col3 (B) R2 (A) · Col4 (B)

−4 2 4 8
= .
−5 4 7 12
J
Ejemplo 5.20.
 
−2 1
Calcular los productos I3 · A y A · I2 cuando A =  0 −1  .
1 −1
Solución I
   
1 0 0 −2 1
I3 · A =  0 1 0  ·  0 −1  .
0 0 1 1 −1
Tenemos que para i = 1, 2, 3, se cumple Ri (I3 · A) = Ri (I3 ) · A.
De esta forma para i = 1,
 
−2 1
R1 (I3 · A) = R1 (I3 ) · A = 1 0 0 ·  0 −1  =
1 −1

1(−2) + 0(0) + 0(1) 1(1) + 0(−1) + 0(−1) =

−2 + 0 + 0 1 + 0 + 0 = −2 1 .
Para i = 2,
 
−2 1
R2 (I3 · A) = R2 (I3 ) · A = [ 0 1 0 ] ·  0 −1  = 0 −1 .
1 −1
Para i = 3,
 
−2 1
R3 (I3 · A) = R3 (I3 ) · A = [ 0 0 1 ] ·  0 −1  = 1 −1 .
1 −1
   
R1 (I3 · A) −2 1
I3 · A =  R2 (I3 · A)  =  0 −1  = A.
R3 (I3 · A) 1 −1
El lector puede verificar análogamente que A · I2 = A. J
Los siguientes ejemplos nos ilustran ciertos casos en los que debemos
poner atención al multiplicar matrices.
Ejemplo 5.21.
Calcular A · B y B · A cuando

2 −1 1 0
A= ; B=
3 −6 3 2
Solución I

−1 −2 2 −1
AB = , BA =
−15 −12 12 −15
En este caso tenemos que AB 6= BA.

J
Ejemplo 5.22.
Calcular A · B y B · A cuando
 
2 −1
−1 4 0
A= 0 −1  , B=
0 1 −1
1 4
Solución I
 
−2 7 1
−2 −3
AB =  0 −1 1 , BA =
−1 −5
−1 8 −1
En este caso también tenemos que AB 6= BA.

J
Ejemplo 5.23.
Calcular A · B cuando

 2 −1
 4 0 1
2 −1 4 0  0 1 −1 4 1 
A= 0 1 −1 4  , B = 
 1

2 3 4 5 
1 2 3 4
1 1 2 1 2
Solución I
Podemos calcular A · B ya que A tiene 4 columnas y B tiene 4 renglones y

AB ∈ M3×5 (R).
 
8 7 21 12 21
AB =  3 3 4 4 4 
9 11 19 24 26
En este ejemplo calculamos el producto AB, sin embargo no podemos
calcular el producto BA pues no está definido, debido a que B tiene 5
columnas y A tiene 4 renglones.
J
Ejemplo 5.24.
Resolver la ecuación en M2×2 (R)
AX = XA
cuando
0 −1
A= .
1 0
Solución I
La ecuación es la siguiente

0 −1 x11 x12 x11 x12 0 −1
· = · .
1 0 x21 x22 x21 x22 1 0
Calculemos los productos:

0 −1 x11 x12 −x21 −x22
· =
1 0 x21 x22 x11 x12
mientras que

x11 x12 0 −1 x12 −x11
· = .
x21 x22 1 0 x22 −x21
El ejercicio pide ver qué condiciones debe satisfacer la matriz X ∈ M2×2

para que
−x21 −x22 x12 −x11
= .
x11 x12 x22 −x21
Esto se tiene cuando se satisface el sistema de ecuaciones

−x21 = x12
−x22 = −x11
x11 = x22
x12 = −x21
el cual en realidad es un sistema homogéneo de dos ecuaciones lineales con
dos incógnitas:
x11 − x22 = 0
x12 − x21 = 0.
Si llamamos a = x11 y b = x12 , para que una matriz satisfaga la ecuación
debe tener la forma
x11 x12 a b
=
x21 x22 −b a
J
Observación 5.5.
• Es importante recordar que no siempre se puede realizar el pro-

ducto de dos matrices A y B;
• Aun cuando el producto de matrices A · B esté definido, el pro-
ducto BA puede no estarlo.
• Sean A y B matrices para las cuales los productos A · B y B · A
están definidos. En general, el producto de matrices no es
conmutativo, A · B 6= B · A.
5.3.3 Particiones de una matriz producto

De la expresión para A·B dada por la ecuación (5.1) obtenemos la expresión
para sus filas y para sus columnas. Veamos la partición de A · B en un caso
particular. Sean A y B dos matrices de 3 × 3:
   
a11 a12 a13 b11 b12 b13
A =  a21 a22 a23  , B =  b21 b22 b23 
a31 a32 a33 b31 b32 b33
De la definición, la matriz A · B particionada por sus columnas es

A · B = [Col1 (A · B) | Col2 (A · B) | Col3 (A · B)]
= [A · Col1 (B) | A · Col2 (A) | A · Col3 (B)].
Al particionar A · B por sus renglones

 
R1 (A · B)
A · B =  R2 (A · B)  .
R3 (A · B)
Tenemos que el primer renglón de A · B es
R1 (A · B) =
[ent11 (A · B) ent12 (A · B) ent13 (A · B)] =

a11 b11 + a12 b21 + a13 b31 a11 b12 + a12 b22 + a13 b32 a11 b13 + a12 b23 + a13 b33 =
 
b11 b12 b13
a11 a12 a13  b21 b22 b23  = R1 (A) · B.
b31 b32 b33
Análogamente podemos ver que:
R2 (A · B) = R2 (A) · B,
R3 (A · B) = R3 (A) · B.
Nos queda
 
R1 (A) · B
A · B =  R2 (A) · B  .
R3 (A) · B
Volviendo al caso general cuando
R1 (A) · Col1 (B) R1 (A) · Col2 (B) ··· R1 (A) · Colp (B)
 
 R2 (A) · Col1 (B) R2 (A) · Col2 (B) ··· R2 (A) · Colp (B) 
 
 ··· ··· ··· ··· 
A·B =  Ri (A) · Col1 (B) Ri (A) · Col2 (B)

 ··· Ri (A) · Colp (B) 

 ··· ··· ··· ··· 
Rm (A) · Col1 (B) Rm (A) · Col2 (B) ··· Rm (A) · Colp (B)
tenemos
Proposición 5.5.
Sean A ∈ Mm×n (R), B ∈ Mn×p (R). Entonces

• Para i = 1, 2, . . . , m,
Ri (A·B) = [Ri (A)·Col1 (B) | Ri (A)·Col2 (B) | · · · | Ri (A)·Colp (B)]
= Ri (A) · B.
y  
R1 (A) · B
 R2 (A) · B 
A·B = .
 
..
 . 
Rm (A) · B
• Para j = 1, 2, . . . , p,
R1 (A) · Colj (B)

 

 R2 (A) · Colj (B) 

 ... 
Colj (A · B) =  

 Ri (A) · Colj (B) 

 ... 
Rm (A) · Colj (B)
= A · Colj (B)
y
A · B = [A · Col1 (B) | A · Col2 (A) | · · · | A · Colp (B)]
5.3.4 Propiedades que vinculan las operaciones lineales entre

matrices y el producto
Dedicamos esta sección para enlistar las propiedades distributivas y de aso-
ciatividad que satisfacen las operaciones de producto, suma y multiplicación
por un escalar. Algunas de ellas se ilustran o se justifican en los ejemplos
que siguen. El lector encontrará las pruebas de las otras en el apéndice de
este capı́tulo.
Proposición 5.6. [Distributividades]
Sean A, B ∈ Mm×n (R), X, Y ∈ Mn×p (R) y α, β ∈ R. Entonces

• (A + B) · X = A · X + B · X;
• A · (X + Y ) = A · X + A · Y ;
• α(A + B) = αA + αB.
• (α + β)A = αA + βA.
Esta proposición la enunciamos y demostramos cuando X, Y ∈ Mn×1 (R), es

decir son matrices columna (ver proposición 5.4).
Proposición 5.7. [Asociatividades]
Sean A ∈ Mm×n (R), B ∈ Mn×p (R), C ∈ Mp×q (R), y λ ∈ R. Entonces
• λ(A · B) = A · (λB) = (λA) · B.
• (A · B) · C = A · (B · C)
A continuación demostramos la primera propiedad de asociatividad.

Para λ ∈ R, A ∈ M2×3 (R), y B ∈ M3×2 (R), verifiquemos que se cumple
λ(A · B) = (λA) · B = A · (λB).
Solución I Verificaremos que las entradas correspondientes coinciden:

Utilizando las entradas de la matriz producto, tenemos que:
entij (λ(A · B)) = λentij (A · B) = λ(Ri (A) · Colj (B))
= (λRi (A) · Colj (B)) = Ri (λA) · Colj (B)

= entij (λA) · B
Por lo que
λ(A · B) = (λA) · B.
La igualdad (λA) · B = A · (λB) se muestra en forma similar utilizando

las propiedades de los números reales. J
La demostración de que el producto de matrices es asociativo se encuentra
en el apéndice de este capı́tulo.
5.3.5 Ejercicios
 
3 2
1 3 −5
1. Calcule A · B para A = yB =  −1 4  .
2 2 3
2 4
   
1 0 0 3 0 0
2. Calcule A · B y B · A para A =  0 2 0  y B =  0 4 0 .
0 0 3 0 0 4
3. Calcule A · B y B · A, encuentre ent23 (A · B) y ent23 (B · A) cuando

   
2 −1 0 −1 −2 1 0 −1
 −1 2 −1 0  B =  3 −2 1 0 

A=  0 −1

2 1   −4 3 −2 1 
−1 0 −1 2 5 −4 3 −2
4. Para la matriz A · B que calculó en el ejercicio ??, describa R1 (A · B)

y R2 (A · B) en términos de un renglón de una de las matrices A o B.
5. Para la matriz A · B que calculó en el ejercicio ??, describa Col1 (A · B)

y Col2 (A · B) en términos de una columna de una de las matrices A o
B.
 
3 2
6. Calcule E · B cuando B =  −1 4  en cada uno de los casos sigu-
2 4
ientes
 
1 0 0
(a) E =  0 0 1  ;
0 1 0
 
1 0 0
(b) E =  0 4 0  ;
0 0 1
 
1 0 0
(c) E =  0 1 3  .
0 0 1
7. Sea A ∈ Mm×n Consideremos las matrices identidad de orden m y n
respectivamente, Im e In , Muestre que se cumple que:
Im · A = A, A · In = A.
8. En cada uno de los ejercicios siguientes calcule A · B y B · A :
(a)
−2 1 6 −3
A= B= .
3 −36 −9 −18
(b)    
1 2 3 2 −3 6
A =  4 5 6 , B =  5 −2 8  .
7 8 9 1 4 7
(c)    
a11 a12 a13 1 0 0
A =  a21 a22 a23  , B =  0 0 1 .
a31 a32 a33 0 1 0
9. Sean A = Dg[λ1 , λ2 , . . . , λn ] y B = Dg[µ1 , µ2 , . . . , µn ]. Verifique que
A · B = Dg[λ1 µ1 , λ2 µ2 , . . . , λn µn ]
10. Calcule A · B + A · C
   
1 −4 8 7 −2 −4 11 −5
A = −3
 2 5 −6 , B = −1
  2 −5 12  ,
−3 9 2 −1 −6 11 42 −3
 
1 0 0 4
C =  4 −4 9 −1  .
−12 2 −2 −6
11. Compruebe que el producto de las siguientes matrices es asociativo.

     
1 0 0 1 1 0 −5 0 2 1
 1 2 2 −1   0 3 0 4   3 3 
A= 3 2 3
B=
 1 0 −5 0  C =  1
  .
4  1 
1 0 0 4 1 3 −5 0 1 3
12. Resuelva la ecuación en M2×2 (R)
AX = XA,
cuando
2 0
A=
0 1
5.4. MATRIZ TRANSPUESTA 41
13. Describa, mediante un sistema de ecuaciones lineales el conjunto
W = {A ∈ M2×2 ∈ R) | AB = BA}
cuando
2 1
B= .
−1 3
¿Puede dar una descripción explı́cita del conjunto W ?
5.4 Matriz transpuesta

A partir de una matriz A podemos construir otra matriz que llamamos la
matriz transpuesta de A y la denotamos con At . Esta matriz se obtiene
haciendo que cada renglón de A se convierta en la correspondiente columna
de At . Ası́ cuando A ∈ Mm×n (R), At ∈ Mn×m (R).
Definición 5.13: Matriz transpuesta
Sea A ∈ Mm×n (R). La matriz transpuesta de A, denotada At , es la

matriz en Mn×m (R) cuyas entradas están dadas por
entji (At ) = entij (A), j = 1, . . . n, i = 1, . . . m.
Ejemplo 5.25.
I Comencemos por la situación más simple, una matriz renglón:
A = [a11 , a12 , . . . , a1n ].
En este caso, At es la matriz columna:

 
a11
 a12 
At =  . .
 
 .. 
a1n
Observemos que Col1 (At ) = (R1 (A))t y R1 (A) = (Col1 (At ))t .
En un ejemplo un poco más complejo, tomemos A ∈ M2×3 (R)

a11 a12 a13
A= ,
a21 a22 a23
entonces  
a11 a21
t
A = a12 a22
 .
a13 a23
Se tiene que At ∈ M3×2 (R). Observamos que sucede lo mismo que en el
ejemplo anterior es decir
Col1 (At ) = (R1 (A))t R1 (At ) = (Col1 (A))t

Col2 (At ) = (R2 (A))t R2 (At ) = (Col2 (A))t
R3 (At ) = (Col3 (A))t
Cada renglón de A se convierte en una columna de At , respetando el orden.

J
Ejemplo 5.26.
Para las matrices A y B siguientes, encontrar At y B t .

 
1 2 3 4
1 2 3  2 1 0 3 
A= , B= 
4 5 6  3 6 7 8 
0 1 0 1
Solución I  
  1 2 3 0
1 4  2 1 6 1 
At =  2 5  , Bt = 
 3
.
0 7 0 
3 6
4 3 8 1
J
Observación 5.6.
Notemos que definimos formalmente transpuesta por medio de sus en-

tradas, aun cuando la primera descripción fue hecha a partir de los
renglones de la matriz. Si A está particionada por sus renglones, en-
tonces At está particionada por sus columnas, y si A está particionada
por sus columnas, entonces At está particionada por sus renglones.
Esto se expresa también por la fórmula
Coli (At ) = (Ri (A))t
 
R1 (A)
... At = (R1 (A))t | · · · | (Ri (A))t | · · · | (Rm (A))t
 
 
A= Ri (A) 
= Col1 (At ) | · · · | Coli (At ) | · · · | Colm (At )
 
 ... 
Rm (A)
La siguiente proposición enuncia algunas propiedades sobre la transpuesta.
Proposición 5.8 (Propiedades de la transpuesta).
Sean A, B ∈ Mm×n (R) y α, β ∈ R. Entonces
• (At )t = A;
• (αA)t = α(At );
• (A + B)t = At + B t ;
• (αA + βB)t = α(At ) + β(B t ).
Si A ∈ Mm×n (R) y B ∈ Mn×p (R), entonces
• (A · B)t = B t · At .
Estas propiedades se ilustrarán y algunas se demostrarán en los ejemplos

siguientes.
Ejemplo 5.27.
t
Calculemos (At ) , cuando

1 2 3
A=
4 5 6
Solución I
Tenı́amos que:  
1 4
At =  2 5 
3 6
t
Si ahora describimos a (At ) ,

t t 1 2 3
(A ) = =A
4 5 6
J
Ejemplo 5.28.
Verificar que α(At ) = (αA)t cuando A ∈ Mm×n (R) y α ∈ R.

Solución I
Veamos que cada una de las entradas de las matrices coinciden, si A ∈
Mm×n (R) tenemos que At ∈ Mn×m (R), y αAt también. Como αA ∈
Mm×n (R), tenemos que (αA)t ∈ Mn×m (R). Ambas son matrices del mismo
orden.
Para i = 1, . . . , n y j = 1, . . . m
entij (αAt ) = α(entij At ) = α(entji A).

entij (αA)t = entji (αA) = α(entji A).
lo que verifica que cada una de las entradas de las matrices α(At ) y (αA)t
son iguales. J
Ejemplo 5.29.
Verificar que si A, B ∈ Mm×n (R), entonces (A + B)t = At + B t .

Solución I
Si A, B ∈ Mm×n (R), entonces At , B t ∈ Mn×m (R).
De la definición, para i = 1, . . . , n y j = 1, . . . m
entij (A+B)t = entji (A+B) = entji A+entji B = entij At +entij B t = entij (At +B t ).
El siguiente ejemplo ilustra otra propiedad de la tranposición de matri-

ces.
Ejemplo 5.30.
Compruebe para las matrices siguientes que (AB)t = B t At .

 
1 3
1 2 3
A= , B= 1 2 
4 5 6
3 −1
Solución I
Observe que A es de orden 2 × 3 y B es de orden 3 × 2, la matriz AB está
definida y es de orden 2 × 2 por lo que (AB)t tambiı́en es de orden 2 × 2.
 
1 4
1 1 3
Bt = , At =  2 5  ,
3 2 −1
3 6
Tenemos que B t es de orden 2 × 3 y At es de orden 3 × 2, la matriz B t At
está definida y es de orden 2 × 2.

1(1) + 2(1) + 3(3) 1(3) + 2(2) + 3(−1)
AB = =
4(1) + 5(1) + 6(3) 4(3) + 5(2) + 6(−1)

1+2+9 3+4−3 12 4
= =
4 + 5 + 18 12 + 10 − 6 26 16
Por lo que

t 12 26
(AB) =
4 16
Por otro lado:

1(1) + 1(2) + 3(3) 1(4) + 1(5) + 3(6)
B t At = =
3(1) + 2(2) + (−1)(3) 3(4) + 2(5) + (−1)(6)

1 + 2 + 9 4 + 4 + 18 12 26
= .
3 + 4 − 3 12 + 10 − 6 4 16
J
Ejemplo 5.31.
Verificar que si A ∈ Mm×n (R) y B ∈ Mn×p (R), entonces (A·B)t = B t ·At .
Solución I
Comencemos por el caso más simple que abrirá la puerta al resultado
general. Es decir cuando A ∈ M1×n (R) y B ∈ Mn×1 (R). El resultado de
este producto en una matriz cuadrada de orden 1, que podemos identificar

con un número real.
Tenemos que
 
ent11 (B)
A · B = [ent11 (A), . . . , ent1n (A)] · 
 .. 
. 
entn1 (B)
= ent11 (A)ent11 (B) + · · · + ent1n (A)entn1 (B),
mientras que
 
ent11 (A)
B t · At = [ent11 (B), . . . , entn1 (B)] · 
 .. 
. 
ent1n (A)
= ent11 (B)ent11 (A) + · · · + entn1 (B)ent1n (A).
Dado que la multiplicación de números reales es conmutativa, obtenemos lo
que afirmamos.
Abordemos ahora el caso general. Primero vamos a garantizar que las ma-
trices tienen el mismo orden. Como A ∈ Mm×n (R) y B ∈ Mn×p (R) entonces
At ∈ Mn×m (R) y B t ∈ Mp×n (R).
Por lo que A · B ∈ Mm×p (R) de donde, (A · B)t ∈ Mp×m (R).
Además, (B t ) · (At ) ∈ Mp×m (R).
Las matrices (A · B)t y (B t ) · (At ) tienen el mismo orden.
Veremos que cada una de las entradas de las matrices (A · B)t y B t · At
coinciden. Para i = 1, . . . , n y j = 1, . . . , m
entij (A · B)t = entji (A · B) = Rj (A) · Coli (B) = (Colj (At ))t · (Ri (B t ))t .
Por lo que vimos para matrices en el caso más simple, observamos que
Colj (At )t ∈ M1×n (R) y (Ri (B t ))t ∈ Mn×1 (R) por lo que
(Colj (At )t · (Ri (B t ))t = Ri (B t ) · Colj (At ) = entij (B t At ).
Como cada una de las entradas correspondientes son iguales, hemos ter-
minado.
J
Ya con la definición de matriz transpuesta, veamos:

Relación entre los espacios Rn , M1×n , y Mn×1
El lector recordará que hasta ahora hemos escrito a los vectores en Rn

sin hacer mayor distinción al expresarlos.
Si X ∈ Rn , al escribirlo en forma horizontal, X = [x1 , x2 , . . . , xn ],
con esta notación, formalmente X ∈ M1×n (R).
 
x1
 x2 
Si X ∈ Rn , al escribirlo forma vertical, X =  .  , con esta
 
.
 . 
xn
notación, formalmente X ∈ Mn×1 (R).
Tenemos que M1×n (R) 6= Mn×1 (R).

Son conjuntos de matrices diferentes.
Lo que vemos es que existe una correspondencia uno a uno entre

las expresiones:  
x1
 x2 
[x1 , x2 , . . . , xn ] ↔  .  .
 
.
 . 
xn
Con el concepto de matriz transpuesta que vimos, tenemos:
 
x1
 x2 
[x1 , x2 , . . . , xn ]t =  .
 
..
 . 
xn
Ası́ como:  t
x1
 x2 
 = [x1 , x2 , . . . , xn ].
 
 ..
 . 
xn
Teniendo siempre cuidado con la notación, podemos escribir Rn de

las dos formas siguientes.
Rn = {[x1 , x2 , . . . , xn ] | xi ∈ R; i = 1, . . . , n}.
  

 x1 

 x2 
 

n
R =  .  | xi ∈ R; i = 1, . . . , n .
 

  ..  

 
xn
 
5.4.1 Ejercicios
1. Sean A y B las matrices siguientes:
   
2 1 4 2 0 1 1 0
 3 −5 6 4   0 1 −5 1 
A=  1
, B =  .
1 0 0   7 2 1 8 
0 1 1 1 3 1 1 2
Calcule y verifique:
(a) (A + B)t = At + B t .
(b) (AB)t = B t At .
(c) (αA)t · (βB)t = (αβ)(BA)t , α, β ∈ R.
2. Se dice que una matriz es simétrica, si A = At . Muestre que

(a) si A es simétrica, entonces A es una matriz cuadrada;
(b) toda matriz diagonal es simétrica;
(c) si A y B son matrices cuadradas simétricas y α ∈ R, entonces
A + B y αA son matrices simétricas;

3 1
(d) la matriz A = es simétrica;
1 1
(e) para A ∈ Mm×n (R), tanto A · At como At · A son simétricas.
Además diga qué forma tienen las matrices simétricas de orden 2.
3. Verifique que A es una matriz simétrica cuando
 
3 1 2
A =  1 −5 1  .
2 1 8
5.5. MATRICES CUADRADAS 49
4. Verifique que A + At es una matriz simétrica cuando

 
0 1 3
A =  4 −1 2  .
2 2 0
5. Se dice que una matriz es antisimétrica, si A = −At .
(a) Construya un ejemplo de matriz antisimétrica de orden 4.

(b) Para A antisimétrica de orden 2, calcule A · At y At · A.
5.5 Matrices cuadradas

En esta sección trabajaremos con matrices cuadradas. Cuando trabajamos
en Mn (R) tenemos, además de la suma de matrices y la multiplicación por
un escalar de una matriz, que el producto de matrices cuadradas de orden n
es una matriz de orden n. En este caso podemos hablar de A · A, (A · A) · A
y podremos interpretar p(A) cuando p(x) es un polinomio.
Definición 5.14: Potencias de una matriz cuadrada
Sea A = [aij ] ∈ Mn×n (R) una matriz cuadrada. Definimos las poten-
cias de A como:
A0 = I n ,
A1 = A,
A2 = A · A,
A3 = A · A2
A4 = A · A3 , en general,
Si s es un número natural, se define la s-ésima potencia de A como:
As = A · As−1 .
Ejemplo 5.32.

−2 1
Sea A = , calcular A2 y A3 .
0 −1
Solución I

−2 1 −2 1 4 −3
A2 = A · A = · = .
0 −1 0 −1 0 1

3 2 −2 1 4 −3 −8 7
A =A·A = · = .
0 −1 0 1 0 −1
J
Ejemplo 5.33.

−2 0
Sea D = , calcular D2 y D3
0 −1
Solución I
(−2)2

2 −2 0 −2 0 4 0 0
D =D·D = · = = .
0 −1 0 −1 0 1 0 (−1)2
(−2)3

3 2 −2 0 4 0 −8 0 0
D = D·D = · = = .
0 −1 0 1 0 −1 0 (−1)3
Ejemplo 5.34.
 
1 0 0
Sea D =  0 −3 0  , calcular D2 y D3
0 0 2
Solución I
(1)2
      
1 0 0 1 0 0 1 0 0 0
D2 = D·D =  0 −3 0 · 0 −3 0  =  0 9 0  =  0 (−3)2 0 .
0 0 2 0 0 2 0 0 4 0 0 (2)2
(1)2 (1)3
    
1 0 0 0 0 0 0
D3 = D·D2 =  0 −3 0 · 0 (−3)2 0 = 0 (−3)3 0 .
2
0 0 2 0 0 (2) 0 0 (2)3
J
Observación 5.7.
Si D ∈ Mn×n (R) es una matriz diagonal, entonces:
La matriz Ds es la matriz diagonal cuyas entradas son las entradas

de D elevadas a su s-ésima potencia.
entii (Ds ) = (entii D)s ; i = 1, . . . , n.
En la sección 5.3.2 vimos una diferencia entre el producto de números y el

producto de matrices. El primero es conmutativo y el producto de matrices
en general no lo es. A continuación veremos otra diferencia: la única solución
en los números de la ecuación xs = 0, s ∈ N, es x = 0. Esto no sucede para
el producto de matrices cuadradas, como lo ilustran los ejemplos siguientes.
Ejemplo 5.35.

0 1
Para C = , calcular C 2 y C 3 .
0 0
Solución I

00 1 1 0 0
C2 = C · C = · = .
00 0 0 0 0

3 2 0 1 0 0 0 0
C =C ·C = · = .
0 0 0 0 0 0
J
Ejemplo 5.36.

0 0
Sea E = , calcular E 2 y E 3 .
1 0
Solución I

2 0 00 0 0 0
E =E·E = · = .
1 01 0 0 0

0 0 0 0 0 0
E3 = E · E2 = · = .
1 0 0 0 0 0
J
Ejemplo 5.37.
 
0 1 1
Sea E =  0 0 1  , calcular E 2 y E 3 .
0 0 0
Solución I
     
0 1 1 0 1 1 0 0 2
E2 = E · E =  0 0 1  ·  0 0 1  =  0 0 0  .
0 0 0 0 0 0 0 0 0
     
0 1 1 0 0 2 0 0 0
E3 = E · E2 =  0 0 1  ·  0 0 0  =  0 0 0  .
0 0 0 0 0 0 0 0 0
J
Los tres últimos ejemplos nos dicen que existen matrices cuadradas A, tales
que para algún s ∈ N, As es la matriz nula. Este tipo de matrices ameritan
un nombre
Definición 5.15: Matriz nilpotente
La matriz A ∈ Mn (R) se dice matriz nilpotente, si para alguna

s ∈ N, la matriz As = 0n×n .
5.5.1 Matrices invertibles

En Mn (R) son de especial atención las matrices A para las cuales la ecuación
A · X = X · A = In .
tiene solución.
Veremos más adelante la relación entre esta propiedad y el hecho de que
un sistema de ecuaciones lineales tenga solución única.
Definición 5.16: Matriz invertible
Se dice que A ∈ Mn (R) es invertible si para alguna B ∈ Mn (R) se tiene

que
A · B = B · A = In .
Asociada con la definición anterior tenemos la siguiente:
Definición 5.17: Matriz inversa
Sean A ∈ Mn (R) y B ∈ Mn (R) tal que AB = In = BA.
• Se dice que la matriz B es matriz inversa de A.
• Se dice que la matriz A es matriz inversa de B.
Observación 5.8.
Una matriz solo puede tener una matriz inversa. En efecto, si B y C

son matrices inversas de la matriz A ∈ Mn (R), es decir, se tiene que
B · A = In = A · B, y C · A = In = A · C.
Entonces,
B = In · B = (C · A) · B = C · (A · B) = C · In = C.
Cuando A es invertible denotamos a la matriz inversa de A por A−1 ,

ası́ se tiene que
A · A−1 = In = A−1 · A.
Veamos algunos ejemplos:
Ejemplo 5.38.
La matriz identidad In es invertible.

Solución I
Recordemos en ejercicios anteriores se pidió demostrar que si A ∈ Mn (R),
entonces
In · A = A = A · In .
Por lo tanto
In · In = In = In · In
y se tiene que
In−1 = In .
J
Ejemplo 5.39.
Verificar que si A = Dg[λ1 , λ2 , . . . , λn ] con λi 6= 0, i = 1, 2, . . . , n, en-

tonces A es invertible.
Además, A−1 = Dg[λ−1 −1 −1
1 , λ2 , . . . , λn ].
Solución I Por el ejercicio ?? de la sección 5.3.5 se tiene que
Dg[λ1 , λ2 , . . . , λn ] · Dg[λ−1 −1 −1
1 , λ2 , . . . , λn ] =
Dg[λ1 λ−1 −1 −1
1 , λ2 λ2 , . . . , λn λn ] = Dg[1, 1, . . . , 1] = In .
Ejemplo 5.40.

1 2
Veamos que la matriz A = es invertible.
−1 1
Solución I
a b
Deseamos mostrar que existe una matriz B = , con AB =
c d
BA = I2 :

a + 2c b + 2d 1 0
A·B = = = I2 .
−a + c −b + d 0 1
Por lo que
a + 2c = 1 b + 2d = 0
−a + c = 0 −b + d = 1
Al resolver ambos sistemas obtenemos que
1 2 1
a=c= ,b=− yd=− .
3 3 3
 1 2 
−
 3 3 
La matriz buscada es B =  .
1 1
 
3 3
1 2
 
− 
 3 3 

1 2
A·B = · =
−1 1  1 1 
3 3
1 1 2 1
 
1( ) + 2( ) 1(− ) + 2( ) 
 3 3 3 3 
=


 1 1 2 1 
(−1)( ) + 1( ) (−1)(− ) + 1( )
3 3 3 3
1 2 2 2
 
 3 + 3 −3 + 3 
1 0
= = I2 .
 
0 1
 
 1 1 2 1 
− + +
3 3 3 3
En forma análoga se comprueba que B · A = I2 .

J
Proposición 5.9.
Sean A, B ∈ Mn (R) matrices invertibles, entonces la matriz AB es

invertible y
(AB)−1 = B −1 A−1 .
Veremos que (A · B) · (B −1 A−1 ) = In , como la inversa de una matriz

invertible es única, se tendrá que (AB)−1 = B −1 A−1 . Ya que el producto
de matrices es asociativo, tenemos
(A · B) · (B −1 A−1 ) = A · (B · B −1 ) · A−1 = A · In · A−1 = A · A−1 = In .

Proposición 5.10.
Si A ∈ Mn (R) es una matriz invertible, la matriz At es invertible,

−1 t
además (At ) = (A−1 ) .
Veremos que At · (A−1 )t = In . Como sabemos que la matriz inversa es

única, tendremos que (At )−1 = (A−1 )t .
De las propiedades de la transpuesta de un producto de matrices y que
la matriz identidad es igual a su transpuesta, tenemos que
At (A−1 )t = (A−1 A)t = (In )t = In .
Ejemplo 5.41.
En el ejemplo 5.40 determinamos para una matriz A, su matriz inversa

A−1 . Determinemos la matriz inversa de la transpuesta de A.
Solución I Del ejemplo 5.40
 1 2 
−
 3 3 

1 2
A= , A−1 = 
−1 1 
1 1

3 3
De esta manera
 1 1 
3 3 

1 −1
At = (A−1 )t = 

, 
2 1 
2 1

−
3 3
Efectuando el producto At · (A−1 )t se comprueba que At · (A−1 )t = I2 .

J
5.5.2 Matriz inversa por Gauss Jordan

En esta sección utilizaremos los algoritmos desarrollados en el Capı́tulo 4
para encontrar, de existir, la inversa de una matriz cuadrada. El mismo
algoritmo nos permitirá decidir cuando la matriz es invertible.
Como notamos anteriormente, encontrar la inversa de A ∈ Mn (R) es

equivalente a resolver la ecuación en Mn (R)
A · X = In ,
donde X = [xij ] ∈ Mn (R).

Esta igualdad nos da la igualdad entre las columnas de la matriz A · X
con las columnas de la matriz In . Por lo que, Expresemos esta ecuación en
términos de columnas.
Coli (A · X) = Coli (In )

A · Coli (X) = Coli (In ).
Denotamos con Bi a Coli (In ), Bi es la matriz de Mn×1 (R) cuyas entradas

son
entj1 (Bi ) = 0 j 6= i
enti1 (Bi ) = 1 j 6= i
La igualdad entre las n columnas nos dan n sistemas de ecuaciones lineales
para los cuales la matriz A es la matriz asociada a cada uno de ellos.
Recordemos que el método de Gauss Jordan para resolver, en su caso,
sistemas de ecuaciones lineales, consiste en aplicar operaciones elementales
sucesivas a la matriz aumentada del sistema hasta que la matriz del sistema
equivalente que se obtiene sea una matriz reducida por filas.
Veremos que una matriz cuadrada de orden n será invertible si mediante
llevarla a una forma escalonada reducida por filas o renglones, es equivalente
a la matriz identidad In , de orden n.
Además, en este proceso se obtendrá, en forma simultánea, que la matriz
identidad es equivalente por filas o renglones a la matriz inversa A−1 y por
ende, se tendrá que para una matriz cuadrada invertible A, las tres matrices
A, In y A−1 son equivalentes por filas.
Primero veremos el proceso que se realiza para encontrar, dada una
matriz A, su matriz inversa A−1 cuando ésta existe.
Trabajemos en un ejemplo.
Ejemplo 5.42.
 
1 0 2
Encontrar la inversa de la matriz A =  0 1 3 .
1 −2 0
Solución I Queremos encontrar la matriz X tal que A · X = I3 . Esto

equivale a resolver los tres sistemas
     
1 0 0
A · Col1 (X) =  0  A · Col2 (X) =  1  A · Col3 (X) =  0 
0 0 1
Esto lo podemos hacer simultáneamente, puesto que, como los sistemas

tienen la misma matriz asociada, a saber la matriz A, las operaciones ele-
mentales que debemos hacer para resolverlos son las mismas.
Construyamos una matriz aumentada en donde se encuentren los tres
sistemas a resolver.
 
1 0 2 1 0 0
[A | I3 ] =  0 1 3 0 1 0 
1 −2 0 0 0 1
La matriz A tiene ya un pivote en la posición a11 = 1 correspondiente al

primer renglón y la primera columna. Se procede como siempre aplicando
las operaciones elementales en la primera columna para obtener ceros abajo
del pivote en ella.
 
1 0 2 1 0 0
−−−−−−−−−−→ 
[A | I3 ] 0 1 3 0 1 0 
R3 → R3 − R1
0 −2 −2 −1 0 1
Se continúa el proceso de escalonamiento en las dos matrices obtenidas.

Produciremos un cero en el tercer renglón debajo del pivote en la segunda
columna de la matriz de la izquierda:
 
1 0 2 1 0 0
−−−−−−−−−−→ 
0 1 3 0 1 0 
R3 → R3 + 2R2
0 0 4 −1 2 1
Se observa que la primera y segunda columnas de la matriz del lado

izquierdo ya están escalonadas y reducidas. El siguiente paso será obtener
el pivote en la tercera fila y la tercera columna y proceder utilizando el
pivote producido igual a 1 en el tercer renglón, para obtener ceros arriba de
él:
 
1 0 2 1 0 0
−−−−−−−−→ 
0 1 3 0 1 0 
R3 → 41 R3
0 0 1 − 14 1
2
1
4
 
1 0 2 1 0 0
−−−−−−−−−−→  3 1 3 
R2 → R2 − 3R3
0 1 0 4 −2 −4
1 1 1
0 0 1 −4 2 4
3
−1 − 12
 
1 0 0 2
−−−−−−−−−−→  3
0 1 0 4 − 21 − 34  = [I3 | B]
R1 → R1 − 2R3 1 1 1
0 0 1 −4 2 4
Observemos que ya A es equivalente a la matriz escalonada reducida por

filas I3 , y al mismo tiempo la matriz I3 es equivalente por filas a la matriz
que hemos llamado B.
La matriz B cumple que B = A−1 , la matriz inversa de A, lo que com-
probamos al calcular su producto:
  3
−1 − 21
 
1 0 2 2
AB =  0 1 3  ·  34 − 12 − 34  =
1 −2 0 − 14 1
2
1
4
3 3
+ 2 · − 41 1 · −1 + 0 · − 12 + 2 · 1
1 · − 21 + 0 · − 34 + 2 · 1
 
1· 2 +0· 4 2 4
 
3 3
− 41 − 12 1
− 21 − 34 1
 
 0· +1· +3· 0 · −1 + 1 · +3· 0· +1· +3· =
 2 4 2 4 
 
3 3
1· 2 −2· 4 + 0 · − 41 1 · −1 − 2 · − 12 + 0 · 12 1 · − 21 − 2 · − 34 + 0 · 1
4
 
1 0 0
 0 1 0  = I3 .
0 0 1
En forma análoga tenemos que B · A = I3 , ası́ B = A−1 . J

Recapitulemos, dada A ∈ Mn (R), para encontrar su inversa, si ésta
existe, colocamos a la matriz In a la derecha de la matriz A en la forma
[A | In ], procedemos llevando a A a una forma escalonada reducida por filas
aplicando exactamente las mismas operaciones elementales en cada pasoa
la matriz In , para llegar si es posible, a lo que escribimos como In | A−1 .

Observación 5.9.
Observe que en el método descrito las operaciones elementales que ha-
cen a la matriz A equivalente por filas a la matriz I3 son las mismas
que hacen a I3 equivalente por filas a la matriz A−1 .
Proposición 5.11.
• Una matriz cuadrada de orden n es invertible si y solamente si es

equivalente por filas a la matriz identidad de orden n.
• Una matriz cuadrada de orden n es invertible si y solamente si al

escalonarla tiene n pivotes.
• Una matriz cuadrada de orden n es invertible si y solamente si al

escalonarla, la matriz escalonada que se obtiene tiene rango igual
a n.
Observemos que, si al aplicar este algoritmo, no es posible establecer la
equivalencia por filas entre la matriz A y la matriz In , entonces podremos
concluir que A no tiene inversa.
5.5.3 Operaciones y matrices elementales

Ya se sabe que las operaciones elementales que se realizan en los renglones
de una matriz A ∈ Mn×m (R) son de tres tipos:
• Intercambiar el renglón i por el renglón j: Ri ↔ Rj (tipo 1).
• Multiplicar el i−ésimo renglón por un escalar s 6= 0; sRi (tipo 2).
• Sustituir el renglón j−ésimo por la suma del renglón Rj más s veces
el renglón Ri ; Rj + sRi (tipo 3).
A cada una de estas operaciones asociamos una matriz, lo que nos per-
mitirá ver las operaciones elementales como producto de ciertas matrices.
Definición 5.18: Matriz elemental
Una matriz elemental es aquella que se obtiene de aplicar a la matriz

identidad In una operación elemental a cualquiera de sus renglones.
Si la operación elemental que se hace a In es del tipo i para i =

1, 2, 3, llamamos a la matriz elemental obtenida matriz elemental del
tipo i.
Ejemplo 5.43.
Sea I = I3 la matriz identidad de orden 3.
 
1 0 0
I= 0 1 0 
0 0 1
Encontremos algunas matrices elementales de tamaño 3 × 3:
• A la matriz I se le aplica la operación elemental del tipo 1: intercam-

biar el tercer rengón por el primero: R1 ↔ R3 . A la matriz elemental
obtenida la llamamos E1 y es del tipo 1.
   
1 0 0 0 0 1
−−−−−−−−−−→ 
I= 0 1 0  0 1 0  = E1
R1 ↔ R3
0 0 1 1 0 0
• A la matriz I se le aplica la operación elemental del tipo 2: multi-

plicar por 21 el primer renglón, 12 R1 , a la matriz elemental obtenida la
llamamos E2 y es del tipo 2.
   1 
1 0 0 2 0 0
−−−−−−−→ 
I= 0 1 0  0 1 0  = E2
R1 → 21 R1
0 0 1 0 0 1
• A la matriz I se le aplica la operación elemental del tipo 3: remplazar

el primer renglón por su suma más −2 veces el tercer renglón, R1 →
R1 − 2R3 , a la matriz elemental obtenida la llamamos E3 y es del tipo
3.
   
1 0 0 0 0 −2
−−−−−−−→ 
I= 0 1 0  0 1 0  = E3
−2R3 + R1
0 0 1 0 0 1
Para las matrices elementales E1 , E2 y E3 obtenidas en el ejemplo an-

terior, veamos que cambio producimos en una matriz A ∈ M3×n (R) cuando
realizamos los productos E1 · A, E2 · A y E3 · A.
Ejemplo 5.44.
Solución I Sea A ∈ M3×5 (R),dada por

 
2 −1 4 0 1
A =  0 1 −1 4 1 
1 2 3 4 5
1. A la matriz A se le aplica la operación elemental del tipo 1: intercam-

biar el tercer rengón por el primero: R1 ↔ R3
   
2 −1 4 0 1 1 2 3 4 5
−−−−−−−→ 
A =  0 1 −1 4 1  0 1 −1 4 1 
R1 ↔ R3
1 2 3 4 5 2 −1 4 0 1
Ahora calculemos E1 · A :
    
0 0 1 2 −1 4 0 1 1 2 3 4 5
E1 ·A =  0 1 0 · 0 1 −1 4 1  =  0 1 −1 4 1  .
1 0 0 1 2 3 4 5 2 −1 4 0 1
E1 es el resultado de aplicar la operación elemental del tipo 1: inter-

cambiar el tercer rengón por el primero: R1 ↔ R3 a la matriz I3 .
El resultado de E1 A es intercambiar el tercer rengón de A por el
primero: R1 ↔ R3 .
2. A la matriz A se le aplica la operación elemental del tipo 2: multiplicar
por 21 el primer renglón, 21 R1
1 − 12 2 0 52
   
2 −1 4 0 1
−−−−−− −→
A =  0 1 −1 4 1   0 1 −1 4 1 
R1 → 21 R1
1 2 3 4 5 1 2 3 4 5
1
1 − 21 2 0 52
    
0 0
2 2 −1 4 0 1
E2 ·A =  0 1 0 · 0 1 −1 4 1  =  0 1 −1 4 1  .
0 0 1 1 2 3 4 5 1 2 3 4 5
E2 es el resultado de aplicar la operación elemental del tipo 2: multi-

plicar por 12 el primer renglón de I3 .
1
El resultado de E2 A es multiplicar por 2 el primer renglón de A.
3. A la matriz A se le aplica la operación elemental del tipo 3: remplazar
el primer renglón por −2 veces el tercer renglón. −2R3 + R1
   
2 −1 4 0 1 0 −5 −2 −8 −9
−−−−−−−→
A =  0 1 −1 4 1   0 1 −1 4 1 
R1 → R1 − 2R3
1 2 3 4 5 1 2 3 4 5
    
1 0 −2 2 −1 4 0 1 0 −5 −2 −8 −9
E3 ·A =  0 1 0 · 0 1 −1 4 1  =  0 1 −1 4 1 .
0 0 1 1 2 3 4 5 1 2 3 4 5
E3 es el resultado de aplicar la operación elemental del tipo 3: rem-
plazar el primer renglón de I por la suma del primero más −2 veces
el tercer renglón, R1 − 2R3 a I3 .
El resultado de E3 A es remplazar el primer renglón de A por la suma
del primero más −2 veces el tercer renglón, R1 − 2R3 .
J
Observación 5.10.
Hacer una operación elemental a una matriz A ∈ Mn×m (R), es lo mismo

que multiplicarla por la izquierda por la matriz elemental de tamaño
n × n obtenida al aplicarle a In la misma operación elemental.
Como las operaciones elementales son reversibles, es decir, tienen su

operación elemental inversa, veremos que las matrices elementales son in-
vertibles. Comencemos con algunos ejemplos.
Ejemplo 5.45.
Solución I
1. Sea E1 la matriz elemental resultado de aplicar la operación elemental
del tipo 1 a I3 : intercambiar el tercer rengón por el primero: R1 ↔ R3
a la matriz I3 .  
0 0 1
E1 =  0 1 0 
1 0 0
Calculemos E1 E1 .
    
0 0 1 0 0 1 1 0 0
E1 E1 =  0 1 0   0 1 0  =  0 1 0  = I3
1 0 0 1 0 0 0 0 1
Concluimos que E1 es invertible y la matriz E1−1 es ella misma.

2. Sea E2 el resultado de aplicar la operación elemental del tipo 2 a I3 :
multiplicar por α 6= 0 el segundo renglón de I3 .
 
1 0 0
E2 =  0 α 0 
0 0 1
Consideremos la matriz elemental:
 
1 0 0
B =  0 α1 0 
0 0 1
Calculemos E2 B.
    
1 0 0 1 0 0 1 0 0
1
E2 B = 0 α 0
   0 α 0  =  0 1 0  = I3
0 0 1 0 0 1 0 0 1
Concluimos que E2 es invertible y B = E2−1 es la matriz elemental del

mismo tipo. Obtenemos E2−1 al multiplicar el segundo rengón de I3 ,
por el recı́proco de α 6= 0, a saber, el número α1 .
3. Sea E3 el resultado de aplicar la operación elemental del tipo 3 a I3 :
remplazar el primer renglón de I por la suma del primero más −2
veces el tercer renglón, R1 − 2R3 a I.
 
1 0 −2
E3 =  0 1 0 
0 0 1
Consideremos la matriz elemental:
 
1 0 2
C= 0 1 0 
0 0 1
Calculemos E3 C.
    
1 0 −2 1 0 2 1 0 0
E3 C =  0 1 0   0 1 0  =  0 1 0  = I3
0 0 1 0 0 1 0 0 1
Concluimos que E3 es invertible y C = E3−1 es la matriz elemental del

mismo tipo. La obtenemos al remplazar el primer rengón de I3 por la
suma del primero más 2 veces el tercer renglón, R1 + 2R3 .
J
Generalizamos estos ejemplos para establecer la siguiente:
Proposición 5.12.
Para cualquier número natural n, las matrices elementales de orden
n, son invertibles.
1. Si E1 es la matriz elemental que se produce al intercambiar el renglón

Ri con el renglón Rj en In , Ri ←→ Rj entonces E1 es invertible y
su matriz inversa es ella misma. E1 = (E1 )−1 .
2. Si E2 es la matriz elemental que se produce al reemplazar el renglón
Rj por el renglón resultado de multiplicarlo por el número α 6= 0,
Rj → αRj , entonces E2 es invertible y su matriz inversa es la ma-
triz elemental obtenida por reemplazar el renglón Rj por el renglón
1
resultado de multiplicarlo por el número α1 6= 0, Rj → Rj .
α
La matriz (E2 )−1 queda determinada al aplicarle a In la operación
1
elemental Rj → Rj , es decir, se multiplica el j-ésimo renglón de
α
1
In por , el recı́proco de α.
α
3. Si E3 es la matriz elemental que se produce al reemplazar el renglón Rj
por la suma de él y α veces el renglón Ri , Rj → Rj + αRi , entonces
E3 es invertible y su matriz inversa es la matriz elemental obtenida
por reemplazar el renglón Rj por la suma de él y −α veces el renglón
Ri , Rj → Rj − αRi
La matriz (E3 )−1 queda determinada al aplicarle a In la operación
elemental Rj → Rj − αRi .
Posteriormente, identificaremos las operaciones elementales realizadas

en A para escalonarla con multiplicar por la izquierda a A por las matrices
elementales correspondientes que fueron utilizadas, de manera de esclarecer
lo que sucede en el proceso cuando la matriz A es invertible.
5.5.4 Matriz inversa como producto de elementales

Tengamos en cuenta que aplicar una operación elemental a una matriz es
lo mismo que multiplicarla por la izquierda por la matriz elemental que le
corresponde. Lo que haremos es mostrar mediante un ejemplo cómo una
matriz invertible A y su inversa A−1 se descomponen como producto de
matrices elementales. El método de Gauss Jordan para encontrar la matriz
inversa de una matriz invertible nos dice cómo hacerlo.
 
1 0 2
En el ejemplo 5.42 consideramos la matriz A =  0 1 3 .
1 −2 0
Vimos que
3
−1 − 21
 
2
 
−1 3
− 12 − 34
 
A =
 4
.

 
− 14 1
2
1
4
Para encontrar A−1 aplicamos cinco operaciones elementales para llevar

a [A | I3 ] a la forma [I3 | A−1 ], las operaciones elementales realizadas en el
orden en las que las hicimos fueron
R3 → R3 − R1
R3 → R3 + 2R2
R3 → 41 R3
R2 → R2 − 3R3
R1 → R1 − 2R3
Representemos a cada una de las operaciones elementales por las matri-

ces elementales Ei para i = 1, . . . , 5 que aparecen a continuación:

1 0 0
−−−−−−−−−−→ 
I3 0 1 0  = E1
R3 → R3 − R1
−1 0 1
 
1 0 0
−−−−−−−−−−→ 
I3 0 1 0  = E2
R3 → R3 + 2R2
0 2 1
 
1 0 0
−−−−−−−−−→ 
I3 0 1 0  = E3
R3 → 14 R3
0 0 14
 
1 0 0
−−−−−−−−−−→ 
I3 0 1 −3  = E4
R2 → R2 − 3R3
0 0 1
 
1 0 −2
−−−−−−−−−−→ 
I3 0 1 0  = E5
R1 → R1 − 2R3
0 0 1
Lo que hicimos en el método de Gauss-Jordan fue multiplicar en cada

paso por las matrices elementales correspondientes
−−−−→
[A | I3 ] E1 A|E1 I3 = E1
E1
−−−−→
E1 A|E1 I3 = E1 E2 E1 A|E2 E1
E2
−−−−→
E2 E1 A|E2 E1 E3 E2 E1 A|E3 E2 E1
E3
−−−−→
E3 E2 E1 A|E3 E2 E1 E4 E3 E2 E1 A|E4 E3 E2 E1
E4
−−−−→
E4 E3 E2 E1 A|E4 E3 E2 E1 E5 E4 E3 E2 E1 A|E5 E4 E3 E2 E1
E5
= [I3 | E5 E4 E3 E2 E1 ]
Es decir, para pasar
[A | I3 ] →→→→→ [I3 | A−1 ]
multiplicamos por la izquierda por cinco matrices elementales obteniendo
E5 E4 E3 E2 E1 A = I3 .
Como las matrices elementales son invertibles, multiplicamos por la izquierda

la igualdad anterior, primero por E5 −1 , luego por E4 −1 , ..., por último por
E1 −1 , obtenemos,
A = E1 −1 E2 −1 E3 −1 E4 −1 E5 −1 .
Hemos expresado A como producto de matrices elementales.
Llamemos B = E5 E4 E3 E2 E1 . Como el producto de matrices es asocia-
tivo, podemos ver fácilmente que
B · A = I3 , A · B = I3 .
Dado que la inversa de una matriz es única, B = A−1 y
A−1 = E5 E4 E3 E2 E1 .
Hemos expresado A−1 como producto de matrices elementales.

Generalizamos lo anterior.
Proposición 5.13.
Sea A ∈ Mn (R) invertible. Sabemos que podemos llevar a la matriz [A |

In ] a la forma [In | A−1 ] por el método de Gauss-Jordan. Supongamos
que este proceso se realiza multiplicando a la izquierda por k matrices
elementales E1 , . . . Ek−1 , Ek . Es decir,
[A | In ] → [E1 · A | E1 · In ] = [E1 · A | E1 ] →→ · · ·
→ [Ek · Ek−1 · · · E1 · A | Ek Ek−1 · · · E1 ] = [In | Ek Ek−1 · · · E1 ]
= [In | A−1 ].
Se tiene que
A−1 = Ek Ek−1 · · · E2 E1
A = E1−1 E2−1 · · · Ek−1

−1
Ek−1 .
Observación 5.11.
Para expresar a la matriz A−1 o a la matriz A como producto de ma-

trices elementales, el lector debe tener cuidado del orden en el que las
multiplica ya que la multiplicación de matrices no es conmutativa.
Ejemplo 5.46.
Veamos qué sucede con el método de Gauss-Jordan cuando se aplica a

una matriz que no es invertible.

4 −8
Sea A = .
−3 6

4 −8 1 0 −−−−−−−→ 4 −8 1 0
[A|I2 ] = = [B|C] .
−3 6 0 1 R2 + 34 R1 0 0 34 1
La matriz B tiene un solo pivote y una fila nula y, por consiguiente,

ninguna operación elemental que hagamos a B la hace equivalente a I2 .
Veamos qué significa haber obtenido el renglón nulo al escalonar. Lo que

obtuvimos es
3 3
R2 (A) + R1 (A) = −3 6 + 4 −8
4 4
= 0 0 . (5.2)
De R2 (A) + 34 R1 (A) = 0 0 obtenemos R2 (A) = − 43 R1 (A). Es decir,

el segundo renglón de la matriz A es múltiplo escalar del primer renglón de

A.
En general, si A ∈ Mn (R) no es invertible, al escalonar se producen

renglones nulos y, como vimos en 5.2, esto significa que el vector nulo se
expresa como combinación lineal de los vectores renglón de A.
5.5.5 Ejercicios
   
1 0 0 1 1 0 −5 0
 1 2 2 −1 
 y B =  0 3 0 4 .
 
1. Calcule A2 , A·B y B·A para A = 
 3 2 3 4   1 0 −5 0 
1 0 0 4 1 3 −5 0
2. Calcule A·D para A la matriz del ejercicio anterior y D = Dg[−1, −2, −3, 0].
3. Calcule A123 cuando

0 −1
A= .
1 0
4. Muestre que
A2 − 5A + 7I2 = 02×2 .
cuando
2 1
A= .
−1 3
5. Calcule A2 − 2A, A2 − 4A + 5I2 y (I2 + A)(I2 − A) cuando

1 −1
A=
2 3
 
1 0 0
6. Calcule A · B y B · A para A =  0 2 0  y B = [bij ] ∈ M3×4 (R)
0 0 3
7. Suponga que A y B son matrices cuadradas de orden n con B inverti-

ble. Calcule, usando las propiedades del producto de matrices
(BAB −1 )2
8. Calcule B −1 AB cuando A y B están dadas por

   
2 1 1 1 −1 −1
A= 2 3 2  B= 2 1 0 
1 1 2 1 0 1
9. Determine si cada una de las siguientes matrices son invertibles y si es

el caso, encuentre su inversa.
(a)  
4 2 −1 0
 0
 4 −1 2 

 0 1 4 2 
0 0 −2 4
(b)  
1 2 3 4
 0
 3 −1 1 

 0 1 4 2 
1 −1 0 1
(c)  
1 2 3
 0 3 −1 
1 5 2
10. Determine para cuáles valores de k la siguiente matriz es invertible

 
1 0 1
 0 k −1  .
3 2 2
   
2 −1 0 1 1 0
11. Dadas las matrices A =  −1 2 −1  y B =  1 −1 −1 
0 −1 2 1 −1 0
¿Son A y B matrices invertibles? En su caso, determine la inversa de
(AB)t .
12. Exprese a la matriz A y a la matriz A−1 como producto de matrices

elementales para cada una de las matrices siguientes:
 
1 3 3
(a) A =  1 3 4 
1 4 3
 
2 4 3 2
 3 6 5 2 
(b) A = 
 2 5 2 −3 

4 5 14 14
13. Calcule mediante el método de Gauss-Jordan la inversa de cada una

de las matrices siguientes:
 
1 3 3
(a) A =  1 3 4 
1 4 3
 
2 4 3 2
 3 6 5 2 
(b) A = 
 2 5 2 −3


4 5 14 14
14. Encuentre las matrices elementales que resultan de aplicar cada una
de las operaciones elementales a la matriz identidad I5 .
(a) R4 ←→ R2 .
2
(b) R3 −→ − R3 .
5
4
(c) R5 −→ R5 + R3 .
3
15. Para la matriz A siguiente
 
1 2 3
A =  6 5 4 .
8 7 9
Encuentre en cada caso, la matriz elemental E que lleva a A a la matriz

B. Compruebe su resultado haciendo el producto EA.
(a)
 
1 2 3
B =  4 1 −2  .
8 7 9
(b)
 
6 5 4
B =  8 7 9 .
1 2 3
(c)
 
1 2 3
B= 6 5 4 .
−16 −14 −18
5.6. LOS SISTEMAS Y LAS OPERACIONES DE MATRICES 73
16. Suponga que ad − bc 6= 0 y calcule la inversa de la matriz

a b
c d
17. De ser posible, encuentre la inversa de la matriz

 
1 a b
 0 1 c 
0 0 1
5.6 Los sistemas y las operaciones de matrices

Ver a un sistema de ecuaciones lineales utilizando la operación
producto
En la sección 5.2.1 vimos que un sistema de ecuaciones lineales se expresa
como una ecuación que involucra un producto de matrices.
En efecto, dado el sistema
a11 x1 + a12 x2 + ... + a1n xn = b1

.. .. .. ..
. . . .
am1 x1 + am2 x2 + . . . + amn xn = bm
siendo A = [aij ]; i = 1, · · · , m, j = 1, · · · n, la matriz asociada del sistema,

X = [xj ] la matriz columna de las incógnitas y b = [bi ], la matriz columna
de los términos independentes, entoces el sistema es AX = b.
Un sistema de m ecuaciones lineales con n incógnitas se representa

como AX = b, donde A ∈ Mm×n (R), es la matriz asociada del sistema,
X ∈ Mn×1 (R) es la matriz determinada por las incógnitas del sistema y
b ∈ Mn×1 (R) es la matriz determinada por los términos independientes
del sistema.
Resolver el sistema AX = b, significa dar X en términos de A y de b.
Conjunto solución si la matriz asociada es invertible o no

1. Veamos el caso cuando m = n, es decir A es una matriz cuadrada y A
es invertible.
De AX = b, multiplicando por A−1 a la izquierda obtenemos A−1 AX =

A−1 b, por lo que el sistema tiene única solución, que es, X = A−1 b.
Supongamos ahora que el sistema AX = b tiene solución única. Recorde-
mos que esto significa que A es equivalente por filas a In . De donde,
A es invertible.
Teorema 5.1.
(a) Un sistema de n ecuaciones lineales con n incógnitas repre-

sentado por AX = b tiene solución única si y solamente si,
la matriz asociada al sistema A es invertible.
(b) Una matriz A ∈ Mn (R) es invertible si y solamente si la
ecuación AX = 0 tiene como única solución X = 0.
2. Estudiemos el caso general.

Utilizando el método de Gauss Jordan, interpretando cada operación
elemental como multiplicar a la izquierda por una matriz elemental,
encontramos que hay una matriz invertible B, tal que que BA es una
matriz reducida por filas. (La matriz B es el producto de todas las
matrices elementales necesarias para reducir a A por filas, como lo
vimos en la sección 5.5.3).
Si el sistema es consistente la solución b debe satisfacer, como en el

ejemplo 4.33, lo que se llamó las condiciones de consistencia.
Veamos el sistema cuya matriz es la del ejemlo 5.46 en donde la matriz

no es invertible.
4x1 −8x2 = b1
.
−3x1 +6x2 = b2
La matriz B al la que nos hemos referido antes es

 
1
 4 0 
B=  3
,

1
4
y tenemos que

1 −2
BA = .
0 0
Por lo que
BAX = B · b,
que equivale a
1
x1 − 2x2 = b1
4
3
0 = b1 + b2
4
3
La condición de consitencia en este caso es: 0 = b1 + b2 .
4
Nótese que no se puede despejar X en términos de A y de b, aún

cuando la condición de consistencia se satisfaciera. Y en un caso como
éste hay infinidad de soluciones.
Conjunto solución del sistema homogéneo
Recordemos que en el capı́tulo 4, al resolver un sistema homogéneo AX = 0

el conjunto solución satisface las propiedades establecidas en la sección 4.6.1.
Estas propiedades las podemos ver también en términos de las operaciones
de matrices.
Si X1 y X2 son dos soluciones y λ ∈ R, entonces X1 + X2 y λX1 también
lo son:
A(X1 + X2 ) = AX1 + AX2 = 0 + 0 = 0.
A(λX1 ) = λ(AX1 ) = λ · 0 = 0.
Recuerde que 0 siempre es solución del sistema AX = 0, es decir,
A · 0 = 0.
Más adelante llamaremos al conjunto solución del sistema homogéneo
Espacio Nulo de la matriz A.
Cuando una matriz columna es combinación lineal de otras matri-

ces columna
Veamos un ejemplo.
Para las siguientes matrices en Mm×1 (R) siguientes:
       
b1 a11 a12 a1n
 b2   a21   a22   a2n 
b= , , ,...,
       
..  ..  .. .. 
 .   .   .   . 
bm am1 am2 amn
preguntémonos cuando la matriz b es combinación de las n matrices dadas,

es decir, cuándo se cumple que
       
a11 a12 a1n b1
 a21   a22   a2n   b2 
x1   + x2   + · · · + xn  = (5.3)
       
.. .. .. .. 
 .   .   .   . 
am1 am2 amn bm
utilizando las operaciones multiplicar una matriz por un escalar y la suma

de matrices, obtenemos,
   
x1 a11 + x2 a12 + · · · + xn a1n b1
 x1 a21 + x2 a22 + · · · + xn a2n   b2 
= .
   
 .. ..
 .   . 
x1 am1 + x2 am2 + · · · + xn amn bm
Si A es la matriz cuyas columnas son:
     
a11 a12 a1n
 a21   a22   a2n 
Col1 (A) =  .  , Col2 (A) =  .  , . . . , Coln (A) = 
     
. ..
 ..

 .    . 
am1 am2 amn
 
x1
 x2 
y si X = 
 
.. 
 . 
xn
la combinación lineal 5.3 es el sistema de ecuaciones lineales AX = b expre-

sado como
x1 · Col1 (A) + x2 · Col2 (A) + · · · + xn Coln (A) = b.
Un sistema de m ecuaciones lineales con n incógnitas escrito en la

forma anterior, nos pregunta si el vector b se puede expresar como
combinación lineal de los vectores columnas de la matriz A, donde A
es la matriz asociada al sistema.
Cuando el sistema es consistente, hay solución.
Esto nos dice que b es combinación lineal de las matrices columna
de A.
Dada una matriz A ∈ Mm×n (R), el conjunto
{b ∈ Mm×1 (R) | b = x1 Col1 (A) + · · · + xn Coln (A); x1 , . . . xn ∈ R},
recibe un nombre: se llama Rango de A o Imagen de A o Espacio

Columna A y se denota R(A).
Los elementos de R(A) son las matrices columna para las cuales el
sistema AX = b es consistente.
Si vemos a las matrices en R(A) como vectores en Rm , R(A) es el espacio
generado por los vectores (matrices columna) de la matriz A.
En R(A) tenemos las mismas operaciones lineales que se tienen en Mm×1 (R)
y éstas satisfacen las propiedades siguientes:
• Si b1 y b2 ∈ R(A), entonces b1 + b2 ∈ R(A).
En efecto, cuando b1 y b2 ∈ R(A), los sistemas AX = b1 y AX = b2 son
consistentes y existen X1 y X2 ∈ Mn×1 (R) tales que AX1 = b1 y AX2 = b2 ,
por lo que, A(X1 + X2 ) = AX1 + AX2 = b1 + b2 . El sistema AX = b1 + b2
es consistente.
• Si λ ∈ R y b1 ∈ R(A), entonces λb1 ∈ R(A).
El argumento es análogo al anterior, si b1 ∈ R(A), el sistema AX = b1 es
consistente, existe X1 ∈ Mn×1 (R) tal que AX1 = b1 , por lo que, A(λX1 ) =
λ(AX1 ) = λb1 . El sistema AX = λb1 es consistente.
• La matriz columna 0m×1 ∈ R(A).

El sistema AX = 0 siempre es consistente y 0n×1 es solución del sistema
pues A · 0n×1 = 0m×1 .
Las propiedades que satisfacen las operaciones lineales que definimos en los
esapcios Mm×n vimos que también se cumplen para el espacio nulo de una
matriz y su espacio columna. Recuerde que estas mismas propiedades son
satisfechas para las operaciones de los vectores en el plano y en el espacio.
5.6.1 Ejercicios
1. Para el sistema siguiente
x1 − x3 = 0
2x2 − 2x3 − x4 = 0
4x1 −2x4 = 0
(a) Encuentre A, X y b, tal que esté en la forma AX = b.

(b) Descrı́balo como combinación lineal de las columnas de su matriz
asociada.
2. Para la matriz
 
2 0 4 2 2
 0 −5 6 4 3 
A=
 1
.
1 1 0 0 
0 1 4 1 1
Describa a la matriz columna 0 como una combinación lineal de las
columnas A.
3. Para la matriz A del ejercicio anterior, resuleva el sistema homogéneo
cuya matriz asociada es A. Compare el resultado con el obtenido en
el ejercicio anterior.
4. Para el sistema de ecuaciones
3x1 + 5x2 + 2x3 = 1
4x1 + 7x2 + 5x3 = 1
x1 + x2 − 4x3 = 1
2x1 + 9x2 + 6x3 = 1
Sea A la matriz del sistema.
5.7. DETERMINANTES 79
(a) Encuentre los valores de x1 , x2 y x3 que permiten escribir al vector

[1, 1, 1, 1]t como combinación lineal de las columnas de A.
(b) ¿Cuál es el conjunto solución del sistema AX = 0?
5. Resuelva la ecuación vectorial
0 = x1 [4, −5, 2, 6] + x2 [2, −2, 1, 3] + x3 [6, −3, 3, 9] + x4 [4, −1, 5, 6].
Muestre que puede expresar el vector [6, −3, 3, 9] en términos de los
otros tres. ¿Es esta expresión única?
6. Encuentre la solución del sistema siguiente utilizando la inversa de la
matriz asociada al sistema.
x1 + 3x2 + 3x3 = 1
x1 + 3x2 + 4x3 = 1
x1 + 4x2 + 3x3 = 1
7. Halle la inversa de
 
1 0 −1 1
 0 1 0 −1 
A=
 3

0 0 1 
0 0 1 1
Muestre directamente que AA−1 = A−1 A = I4 . Use A−1 para resolver
los sistemas de ecuaciones
x1 − x3 + x4 = 1
x2 − x4 = 0
3x1 + x4 = −1
x3 + x4 = 1
y
x1 − x3 + x4 = b1
x2 − x4 = b2
3x1 + x4 = b3
x3 + x4 = b4
5.7 Determinantes
−−→
Recordemos que en el capı́tulo 2, vimos que dos vectores OP = [p1 , p2 ] y
−−→
OQ = [q1 , q2 ] son colineales si y solamente si
p1 q2 − p2 q1 = 0.
La expresión p1 q2 − p2 q1 , que aparece en el cálculo del seno del ángulo

formado por los dos vectores, la denotamos

p1 p2

p 1 q2
De manera análoga en el capı́tulo 3, definimos el triple producto escalar

−−→ −−→ −−→
de los vectores OP = [p1 , p2 , p3 ], OQ = [q1 , q2 , q3 ] y OR = [r1 , r2 , r3 ], cuya
expresión es

−−→ −−→ −−→ p2 p3 p1 p3 p1 p2
OR · OP × OQ = r1 − r2
+ r3

q2 q3 q1 q3 p 1 q2
−−→
Cuando el triple producto escalar es nulo, sabemos que el vector OR está
−−→ −−→
en el plano generado por los vectores OP y OQ.
Las expresiones anteriores y sus generalizaciones son las que estudiaremos
en esta sección.
****** Ver qué se dice allı́ con respecto a generadores e inddependencia
lineal.
Sección anterior
Ax = b
tiene solución única si y solamente si A es invertible.
*******
5.7.1 Definición de Determinante

El Determinante de una matriz cuadrada A ∈ Mn (R) es un núnero que
va a determinar cuándo A es invertible y, en consecuencia, determina
cuándo el sistema de ecuaciones lineales AX = b es consistente para toda
b ∈ Mn×1 (R) y su solución es única.
Definiremos en primera instancia el determinante de una matriz cuadrada
A mediante sus propiedades. Se denota por det (A) al determinante de A.
Las siguientes propiedades lo caracterizan.
PROPIEDADES DEL DETERMINANTE
1. Sea A ∈ Mn (R). Si B es la matriz que se obtiene de A intercam-

biando dos filas de sus filas, entonces
det(B) = −det(A);
2. Sea A ∈ Mn (R). Si B es la matriz que se obtiene de A multipli-

cando una de sus filas por un número c, entonces
det(B) = c det(A);
3. Si R1 , . . . , Ri , Ri0 . . . , Rn ∈ M1×n (R), entonces

     
R1 R1 R1
 ..   ..   .. 
 .   .   . 
0
     0 
det 
 Ri + Ri  = det 

 R i
 + det

 R 
 i 
 ..   ..   .. 
 .   .   . 
Rn Rn Rn
4. det(In ) = 1.
Observación 5.12.
Es importante hacer notar que en la propiedad 3 de ninguna manera

se está diciendo que el determinante de una suma de matrices es la
suma de los determinantes.
Más adelante mostraremos que estas propiedades dan una manera de cal-
cular un determinante de una matriz. Por ahora, veamos algunas de las
consecuencias de estas propiedades.
Proposición 5.14.
• Si la matriz A tiene un renglón nulo, su determinante es nulo.

• Si la matriz A tiene dos renglones iguales, su determinate es nulo.
En efecto, si el i-ésimo renglón de A es nulos, esdecir, Ri (A) = [0 0 . . . 0]

entonces podemos escribir
Ri (A) = 0(Ri (A))
y por la propiedad (2) det(A) = 0 det(A) = 0.

Supongamos ahora que A tiene dos renglones iguales, Ri (A) = Rj (A), i 6= j.
Intercambiar estos dos renglones no altera la matriz. Sin embargo, por la
propiedad (1), se tiene que
det(A) = −det(A),
y por lo tanto, det(A) = 0.
Las propiedades del determinante permiten calcular el determinante de una

matriz elemental de orden n. En efecto,
• Si E es una matriz elemental de tipo 1,
det(E) = −1
Como E se obtiene de In intercambiando dos renglones, por las propiedades

(2) y (4) tenemos que
det(E) = −det(In ) = −1;
• si E es una matriz elemental de tipo 2, es decir E se obtiene a partir de

In multiplicando uno de los renglones por un real c 6= 0, entonces por las
propiedades (2) y (4)
det(E) = c det(In ) = c;
• si E es una matriz elemental de tipo 3, entonces E tendrá la forma (i 6= j)

 
R1 (In )
 .. 

 . 

E=  Ri (In ) + λRj (In )  .

 .. 
 . 
Rn (In )
Por lo tanto, por la propiedad (3)

     
R1 (In ) R1 (In ) R1 (In )
 ..   ..   .. 

 . 


 . 


 . 

det(E) = det  R (I
 i n  )  +det 
 λR j (In )
 = det (In )+det  λRj (In )  .
  
 ..   ..   .. 
 .   .   . 
Rn (In ) Rn (In ) Rn (In )
donde λRj (In ) es el i-ésimo renglón de la matriz del segundo sumando. Por
lo tanto  
R1 (In )
 .. 

 . 

det(E) = 1 + λ det  Rj (In ) 

 = 1 + (λ)0 = 1
 .. 
 . 
Rn (A)
ya que como la matriz  
R1 (In )
 .. 

 . 

 Rj (In ) 
 
 .. 
 . 
Rn (A)
tiene dos renglones iguales, su determinante se anula, por la segunda parte
de la proposición 5.7.1.
Notemos que hemos probado que si E es la matriz que se obtiene de In
al aplicarle una operación elemental de tipo 3, entonces
det (E) = det (In ).
Observe que el mismo argumento aplica cuando cambiamos In por A y

B es la matriz que se obtiene al aplicarle a A una operación del tipo 3.
Proposición 5.15.
Si B es la matriz que se obtiene de A al aplicarle una operación ele-

mental de tipo 3, entonces
det (B) = det (A).
Ejemplo 5.47.
Calculemos, utilizando las propiedades del determinante, det (A) cuando

1 3
A=
−1 2
Solución I El procediemiento consiste en llevar A a una matriz reducidad

por filas y aplicaremos en cada paso las propiedades enlistadas. Pasamos de
AaB

1 3
A −−−−−−−−−→ B=
0 5
R2 → R2 + R1
por la proposición 5.7.1 tenemos
det(A) = det(B).
Ahora pasamos de B a C

1 3
B −−−−−−−−−→ C=
0 1
R2 → (1/5)R2
por la propiedad (2) tenemos
1
det(C) = det(B), o, lo que es lo mismo, det(B) = 5det(C).
5
Finalmente pasamos de C a D

1 0
C −−−−−−−−−→ D=
0 1
R1 → R1 − 3R2
de nuevo, por la proposición 5.7.1,
det(C) = det(D).
Notemos que D = I2 y por la propiedad (4) det(D) = 1. Obtenemos el

determinante de A :
det(A) = det(B) = 5det(C) = 5det(D) = 5.
J
Ejemplo 5.48.
El determinante de una matriz diagonal de orden 3 Dg[λ1 , λ2 , λ3 ] es igual
al producto de los elementos en la diagonal.
Solución I
Notemos que
   
λ1 0 0 λ1 R1 (In )
A = Dg[λ1 , λ2 , λ3 ] =  0 λ2 0  =  λ2 R2 (In )  .
0 0 λ3 λ3 R3 (In )
Por lo tanto, usando en tres ocasiones la propiedad (2),

 
R1 (In )
det(A) = λ1 det  λ2 R2 (In ) 
λ3 R3 (In )
 
R1 (In )
= λ1 λ2 det  R2 (In ) 
λ3 R3 (In )
 
R1 (In )
= λ1 λ2 λ3 det  R2 (In ) 
R3 (In )
= λ1 λ2 λ3 det(In ) = λ1 λ2 λ3 .
J
Teniendo en cuenta el cálculo del determinante de las matrices elementales y
la manera como éstas actúan sobre una matriz cuadrada A, podemos escribir
de manera equivalente las propiedades del determinante: Si E es una matriz
elemental de orden n y A ∈ Mn (R) entonces
det(E · A) = det(E) det(A) (5.4)
Consecuencia de esta fórmula es que, si E y E 0 son matrices elementales

entonces
det(E · E 0 ) = det(E 0 · E) (5.5)

puesto que ambos miembros de la igualdad anterior son iguales a
det(E) det(E 0 ).
Con estos resultados a mano podemos demostrar
Proposición 5.16.
Sean A, B ∈ Mn (R), A invertible. Entonces
det(A · B) = det(B · A).

En efecto, como A es invertible, A se puede expresar mediante un producto

de matrices elementales:
A = E1 · · · · Ek−1 · Ek
donde E1 , E2 , . . . Ek son matrices elementales. Por la proposición 5.1, y por

la asociatividad del producto de matrices, tenemos que
det(A · B) = det((E1 · E2 · · · · Ek−1 · Ek ) · B)

= det((E1 · E2 · · · Ek−1 )(Ek · B))
= det(Ek · B)det(E1 · E2 · · · Ek−1 )
= det(Ek )det(B)det(E1 · E2 · · · Ek−1 )
= det(B)det(Ek )det(E1 )det(E2 )det(Ek−1 )
= det(B)det(A).
A continuación veremos que A es invertible si y solamente si det(A) 6= 0.
Teorema 5.2.
Sean A ∈ Mn (R). Entonces A es invertible si y solamente si det(A) 6= 0.
Sabemos que A es invertible si y solamente si A es producto de matrices

elementales. Por lo tanto, si A es invertible, det(A) 6= 0 por ser producto de
números no nulos.
Supongamos ahora que det(A) 6= 0. Sabemos que existen matrices elemen-
tales E1 , E2 , . . . Ek tales que
Ek · · · · E2 · E1 · A = A0
donde A0 es una matriz reducida por filas. Como det(A) 6= 0 entonces

det(A0 ) 6= 0, lo que equivale al ser A0 una matriz reducida por filas, A0 = In
y, en consecuencia, A es invertible.
Proposición 5.17.
Sean A, B ∈ Mn (R) tales que det(B) = 0 entonces
det(A · B) = det(B · A) = 0.
Si A es invertible, sabemos que
det(A · B) = det(A) det(B) = 0.
Si A tampoco fuese invertible, es decir si det(A) = 0, entonces, por el Teo-

rema 1, las ecuaciones en Mn×1 (R)
AX = 0n×1 , y BX = 0n×1
tienen soluciones no triviales. Es decir, existen C1 , C2 ∈ Mn×1 (R) que no

son iguales a 0n×1 tales que
AC1 = 0n×1 , y BC2 = 0n×1 .
Tenemos entonces que
(B · A)C1 = B · (AC1 ) = B0n×1 = 0n×1

(A · B)C2 = A · (BC2 ) = A0n×1 = 0n×1 .
por lo que los sistemas
(B · A)X = 0n×1 , y (A · B)X = 0n×1
tienen soluciones no triviales y por lo tanto (B·A) y (A·B) no son invertibles.

De lo que se deduce
det(A · B) = 0 = det(B · A).
Por lo tanto:
Proposición 5.18.
Sean A, B ∈ Mn (R). Entonces
det(A · B) = det(B · A).
Ejemplo 5.49.
Calcular el determinante de la matriz

 
5 0 0
A =  3 −1 6 
4 2 −3
Solución I
Por la propiedad (2), factorizamos 5 de la primera fila
 
1 0 0
detA = 5  3 −1 6 
4 2 −3
Pasamos de A a B como venimos haciendo desde el capı́tulo 4:
 
1 0 0
−−−−−−−−−→
A B =  0 −1 6 
R2 → R2 − 3R1
0 2 −3
R3 → R3 − 4R1
Denotemos por
−1 6
C= .
2 −3
Veamos que detB = detC. Pasemos de B a su forma reducida:
   
1 0 0 1 0 0
B =  0 −1 6  −−−−−−−→ B 0 =  0 1 −6 
0 2 −3 R2 → −R2 0 2 −3
Tenemos que detB = −detB 0 . A continuación :

   
1 0 0 1 0 0
B 0 =  0 1 −6  −−−−−−−→ B” =  0 1 −6 
0 2 −3 R3 → R3 − 2R2 0 0 9
Esta operación no cambia el determinante. Finalmente, la operación para

pasar de B” a una matriz diagonal es R2 → R2 + (2/3)R3 que no cambia el
determinante. Por lo tanto
detA = detB = −detB 0 = −9.
Notemos que para pasar de C a una matriz diagonal haremos las mismas
operaciones, pero esta vez tendremos dos filas y dos columnas:
R1 → −R1 , R2 → R2 − 2R1 R1 → R1 + (2/3)R2 .
Ası́ detC = −9, y

detA = 5 detC = −45
J
Lo que pasa en este ejemplo proviene de una situación más general:
 
a11 0 ... 0  
 a21 a22 . . . a2n
 a22 . . . a2n 
 .. .. .. 
 .. .. .. ..   . . . 
 . . . .   
det 
 ai1 = a 11 det a
 i2
 . . . ain 
 ai2 . . . ain   .. .. .. 

 .. .. .. ..   . . . 
 . . . . 
an2 . . . ann
an1 an2 . . . ann
Como consecuencia de esto tenemos la siguiente
Proposición 5.19.
Si A ∈ Mn (R) es una matriz triangular inferior,
detA = a11 a22 · · · aii · · · ann . (5.6)
5.7.2 Determinante de una matriz y el de su transpuesta
En esta sección daremos la relación entre el determinante de A y el de

At . Comencemos por analizar qué sucede para las matrices elementales. Si
E se obtiene intercambiando dos filas a In , entonces E = E t de donde
detE = detE t . Lo mismo sucede si E se obtiene al multiplicar una fila por
un escalar no nulo.
Veamos qué sucede si E se obtiene de In al remplazar una fila por sumarle
un múltiplo escalar de otra fila. Sabemos que en este caso detE = 1. Ten-
emos que detE t = 1 ya que se vió que aplicarle una operación elemen-
tal de este tipo no cambia el determinante. Si E se obtiene de In por
Ri → Ri + λRj , entonces E t se obtiene de In por Rj → Rj + λRi .
En cualquiera de los casos tenemos que si E es elemental
det(E) = det(E t ).
Para abordar el caso general, supongamos primero que A es invertible.

Cuando esto sucede, podemos afirmar que A es producto de matrices ele-
mentales:
A = E1 · E2 · · · Ek
y
det(A) = det(E1 ) det(E2 ) · · · det(Ek ).
Por lo tanto,
At = Ekt · · · E2t · E1t
y
det(At ) = det(Ekt ) · · · det(E2t ) det(E1t )
= det(Ek ) · · · det(E2 ) det(E1 )
= det(A).
Supongamos ahora que A no es invertible. En este caso At tampoco lo es y
por consiguiente
det(A) = 0 = det(At )
Proposición 5.20.
Sean A ∈ Mn (R). Entonces
det(A) = det(At ).
Esta proposición implica que el determinante satisface las propiedades de

fila expresadas anteriormente para las columnas. Precisamente,
Propiedades del determinante por columna
Sea A ∈ Mn (R), entonces
1. si B se obtiene de A intercambiando dos columnas de A, entonces
det(B) = −det(A);
2. si B se obtiene de A multiplicando una de las columnas de A por

un número c, entonces
det(B) = c det(A);
3. Si C1 , . . . Ci , Ci0 , . . . , Cn ∈ Mn×1 (R), entonces
det C1 · · · Ci + Ci0 · · · Cn =

Ci0 · · ·

det C1 · · · Ci · · · Cn + det C1 · · · Cn .
5.7.3 Fórmula de Laplace para el cálculo de determinates

Hasta este momento hemos calculado determinantes valiéndonos de la propie-
dades elementales de los determinates y de las operaciones y las matrices
elementales. A continuación daremos una manera de calcular determinantes
de orden n cuando sabemos calcular determinantes de orden menor que n.
Observemos que una matriz cuadrada de orden 1 es un escalar y su
determinante es el escalar, es decir, si A = [a], entonces detA = a.
Comencemos con determinates de orden 2 :

a11 a12 a11 + 0 0 + a12
det = det
a21 a22 a21 a22

a11 0 0 a12
= det + det
a21 a22 a21 a22

a11 0 a12 0
= det − det
a21 a22 a22 a21
En cada paso hemos usado las propiedades de los determinantes. Para la
primera igualdad, la propiedad (3) tomando [a11 a12 ] = [a11 0] + [0 a12 ]
a continuación intercambiamos columnas. Las dos matrices que aparecen en
el segundo miembro de la igualdad son triangulares inferiores y, por lo tanto
su determinate es el producto de las entradas en la diagonal. Entonces:

a11 a12
det = a11 a22 − a12 a22 .
a21 a22
Hagamos lo mismo para matrices cuadradas de orden 3. Procedemos como

antes:  
a11 a12 a13
A =  a21 a22 a23 
a31 a32 a33
Consideramos
[a11 a12 a13 ] = [a11 0 0] + [0 a12 0] + [0 0 a13 ]

y aplicamos la propiedad (3) dos veces:
det(A) =
     
a11 0 0 0 a12 0 0 0 a13
det  a21 a22 a23  + det  a21 a22 a23  + det  a21 a22 a23 
a31 a32 a33 a31 a32 a33 a31 a32 a33
Ahora, para el segundo sumando intercambiamos las columnas primera y

segunda de la matriz, para el tercer sumando intercambiamos primero la
segunda con la tercer columna y después la primara con la segunda, ası́
obtenemos
det(A) =
     
a11 0 0 a12 0 0 a13 0 0
det  a21 a22 a23  − det  a22 a21 a23  + det  a23 a21 a22 
a31 a32 a33 a32 a31 a33 a33 a31 a32
De nuevo haciendo uso del cálculo del determinante cuando en la primera

fila solo hay un elemento no nulo, obtenemos

a22 a23 a21 a23 a21 a22
det(A) = a11 det − a12 det + a13 det
a32 a33 a31 a22 a31 a32
Esta expresión ya la habı́amos encontrado en el capı́tulo 3 cuando calcu-

lamos el volumen de un paralelepı́pedo generado por 3 vectores en el espacio.
En aquel momento, el hecho de que este determinante no es nulo garantiza
que los tres vectores en cuestión no son coplanares.
Definimos las matrices A11 , A12 , A13 como

a22 a23 a21 a23 a21 a22
A11 = , A12 = , A13 =
a32 a33 a31 a22 a31 a32
Aij es la matriz cuadrada de orden 2 que se obtiene de eliminar de A la fila

i y la columna j. Ya sabemos calcular el determinante de cada una de ellas:
det (A) = a11 detA11 − a12 detA12 + a13 detA13 .
Observemos que el signo que acompaña al coeficiente a1j proviene de cúantos

cambios hicimos para llevar la columna j a la posición de primera columna,
notemos que hicimos j − 1 intercambios.
Ejemplo 5.50.
Calcular usando la fórmula de Laplace el determinante de la matriz

 
1 2 3
A= 4 5 6 
7 8 9
Solución I Tenemos que

5 6 4 6 4 5
det (A) = (1)det − (2) + (3)
8 9 7 9 7 8
= (1)((5)(9) − (8)(6)) − (2)((4)(9) − (7)(6)) + (3)((4)(8) − (7)(5))
= (45 − 48) − 2(36 − 42) + 3(32 − 35)
= 0
J
Ejemplo 5.51.
Calcular usando la fórmula de Laplace el determinante de la matriz
a2
 
1 a
A= 1 b
 b2 
1 c c2
Solución I
b b2 1 b2

1 b
det (A) = (1)det − (a) + (a2 )
c c2 1 c2 1 c
= (1)((b)(c2 ) − (c)(b2 )) − (a)((1)(c2 ) − (b2 )(1)) + (a2 )((1)(c) − (b)(1))
= bc2 − cb2 − ac2 + ab2 + a2 c − a2 b
= bc(c − b) − a(c − b)(c + b) + a2 (c − b) = (c − b)(bc − a(c + b) + a2 )
= (c − b)(c − a)(b − a).
J
Este procedimiento podemos hacerlo para matrices cuadradas de orden n y
se llama desarrollo del determinante por la primera fila. Usando las
propiedades del determinante éste se puede calcular haciendo desarrollo por
cualquier fila o por cualquier columna.
Ejemplo 5.52.
Calcular el determinante de la matriz usando desarrollo por la tercera fila
 
2 −5 7
A =  −3 4 6 
1 0 −1
Solución I Llevamos la tercera fila a la posición de primera fila mediante
dos intercambios de fila:
 
1 0 −1
det (A) = (−)(−)det  2 −5 7 
−3 4 6

−5 7 2 7 2 −5
= (1)det − (0) + (−1)
4 6 −3 6 −3 4
= (−30 − 28) + (−1)(8 − 14)
= −52.
J
Los ejemplos vistos se generalizan para matrices de orden n.
Proposición 5.21 (Cálculo del determinante por la fórmula de Laplace).
Si A ∈ Mn (R), sean Aij ∈ Mn−1 (R) las matrices obtenidas a partir de

A al eliminar la fila i y la columna j.
El determinante de A por la fórmula de Laplace utilizando el de-
sarrollo por la primera fila es
detA = a11 detA11 + · · · + (−1)1+j a1j detA1j + · · · + (−1)1+n a1n detAin .
Si se desea calcular el determinante de A por fila i, realizamos los i − 1

intercambios de fila y obtenemos la fórmula de Laplace en general.
n
X
detA = (−1)i+j aij detAij .
j=1
Como sabemos que el determinante de la transpuesta de una matriz

es igual al determinante de la matriz, el desarrollo del determinante
por la j-ésima fila de At , es el desarrollo del determinante de A por la

j-ésima columna. En este caso la fórmula queda
n
X
detA = (−1)i+j aij detAij .
i=1
5.7.4 Matriz adjunta y matriz inversa

Sea A ∈ M3 (R) dada por
 
a11 a12 a13
A =  a21 a22 a23 
a31 a32 a33
Ahora, sea  
a b c
M =  a21 a22 a23 
a31 a32 a33
Entonces det (M ) :
det (M ) = a detA11 − b detA12 + c detA13 .
Cuando a = a11 , b = a12 y c = a13 se tiene que
 
a31 a32 a33
a11 detA11 − a12 detA12 + a13 detA13 = det  a21 a22 a23  = detA.
a31 a32 a33
Otra manera de escribir lo anterior es:
 
detA 11
a11 a12 a13 ·  −detA12  = detA.
detA13
Cuando a = a21 , b = a22 y c = a23 se tiene que
 
a21 a22 a23
a21 detA11 − a22 detA12 + a23 detA13 = det  a21 a22 a23  = 0,
a31 a32 a33
puesto que esta matriz tiene dos filas iguales. Otra manera de escribir la
igualdad anterior:
 
detA11
a21 a22 a23 ·  −detA12  = 0.
detA13
Lo mismo pasa cuando a = a31 , b = a32 y c = a33

 
a31 a32 a33
a31 detA11 − a32 detA12 + a33 detA13 = det  a21 a22 a23  = 0.
a31 a32 a33
Otra manera de escribir lo anterior es:
 
detA 11
a31 a32 a33 ·  −detA12  = 0.
detA13
Poniendo las tres igualdades juntas tenemos que
     
a11 a12 a13 det A11 det (A)
 a21 a22 a23  ·  −det A12  =  0  (5.7)
a31 a32 a33 det A13 0
Desarrollemos ahora el determinante de A por la segunda fila. Para ello
intercambiamos la primera y la segunda fila:
 
a21 a22 a23
det (A) = −det  a11 a12 a13 
a31 a32 a33

a12 a13 a11 a13 a11 a12
= − a21 det − a22 det + a23 det
a32 a33 a31 a33 a31 a32
= −a21 A21 + a22 A22 − a23 A23 .
Si repetimos el argumento que hicimos para el desarrollo por la primera fila,
tenemos que
 
a11 a12 a13
−a det A21 + b det A22 − c det A23 = det  a b c .
a31 a32 a33
Por lo tanto si tomamos a = a11 , b = a12 y c = a13
 
a11 a12 a13
−a11 det A21 + a12 det A22 − a13 det A23 = det  a11 a12 a13  = 0.
a31 a32 a33
Cuando a = a21 , b = a22 y c = a23
 
a11 a12 a13
−a21 detA21 + a22 detA22 − a23 detA23 = det  a21 a22 a23  = detA
a31 a32 a33
Cuando a = a31 , b = a32 , c = a33

 
a11 a12 a13
−a31 A21 + a32 A22 − a33 A23 = det  a31 a32 a33  = 0
a31 a32 a33
En este caso, la ecuación 5.7 queda

     
a11 a12 a13 −detA21 0
 a21 a22 a23  ·  detA22  =  det (A)  (5.8)
a31 a32 a33 −detA23 0
Lo que va a suceder con la tercera fila es de esperarse. Desarrollamos el

determinante de A por la tercera fila. Para ello intercambiamos primero la
tercera y la segunda filas y, una vez hecho esto, intercambiamos la segunda
y la primera. Entonces,
 
a31 a32 a33
det (A) = det  a11 a12 a13 
a21 a22 a23

a12 a13 a11 a13 a11 a12
= a31 det − a32 det + a33 det
a22 a23 a21 a23 a21 a22
= a31 det A31 − a32 det A32 + a33 det A23 .
Repetimos el proceso anterior. Como antes

 
a11 a12 a13
a det A31 − b det A32 + c det A23 = det  a21 a22 a23  .
a b c
Consideramos los tres casos. [a b c] = [a11 a12 a13 ], [a b c] = [a21 a22 a23 ],
[a b c] = [a31 a32 a33 ]. Obtenemos
     
a11 a12 a13 detA31 0
 a21 a22 a23  ·  −detA32  =  0  (5.9)
a31 a32 a33 detA33 det (A)
Ponemos juntas las fórmulas 5.7, 5.8 y 5.9 para obtener

    
a11 a12 a13 detA11 −detA21 detA31 det (A) 0 0
 a21 a22 a23 · −detA12 detA22 −detA32  =  0 det (A) 0 .
a31 a32 a33 detA13 −detA23 detA33 0 0 det (A)
La matriz  
detA11 −detA21 detA31
 −detA12 detA22 −detA32 
detA13 −detA23 detA33
se llama la matriz adjunta de A y se denota por adj A. Tenemos que
 
det (A) 0 0
A · adj A =  0 det (A) 0  = (det A)I3 .
0 0 det (A)
Cuando A es invertible, la expresión anterior nos da otra manera de calcular

la matriz inversa de A. En efecto, cuando A es invertible, es decir det (A) 6=
0, se tiene que
1
A−1 = adj A.
det A
Ejemplo 5.53.
Construir la matriz adjunta de

a b
A=
c d
Solución I En este caso tenemos una matriz cuadrada de orden 2. La

matriz adjunta es

detA11 −detA21
adjA =
−detA21 detA22
donde Aij es la matriz que se obtiene al quitarle a A la primera fila y la

primera columna. Como A es de orden 2, Aij es de orden 1, es decir, un
número.
• Cuando quitamos la primera fila y la primera columna de A lo que nos

queda es detA11 = d,
• cuando quitamos la primera fila y la segunda columna columna de A

lo que nos queda es detA12 = c,
• cuando quitamos la segunda fila y la primera columna de A lo que nos

queda es detA21 = b,
• cuando quitamos la segunda fila y la segunda columna de A lo que nos

queda es detA22 = a.
Por lo tanto
d −b
adjA =
−c a
Hagamos el producto adjA · A :

d −b a b da − bc db − db
· =
−c a c d −ca + ac −cb + ad

det (A) 0
=
0 det (A)
= det (A)I2
J
Como det (A) = det (At ) también podemos desarrollar el determinante por
columnas. Veamos lo que pasa para matrices cuadradas de orden 3 :
   
a11 a12 a13 a11 a21 a31
det  a21 a22 a23  = det  a12 a22 a32 
a31 a32 a33 a13 a23 a33

a22 a23 a12 a32 a12 a22
= a11 − a21 + a31
a32 a33 a13 a33 a13 a23
Observe que para definir adjA usamos el desarrollo por filas para obtener
A · adjA = detA I3 . Para hacer el producto adjA · A usamos el desarrollo del
determinante por columnas.
Generalizamos lo anterior
adjA = [Cij ]
donde
Cij = (−1)i+j detAji .
5.7.5 Regla de Cramer.

Sabemos que si A es una matriz cuadrada de orden n invertible, entonces el
sistema de ecuaciones lineales donde X, b ∈ Mn×1 (R),
AX = b, (5.10)
se resuelve utilizando la matriz inversa de A :
X = A−1 b.
En la sección anterior encontramos una manera de calcular la matriz inversa

mediante la matriz adjunta. Obtenemos que la solución de la ecuación 5.10
es
1
X= adj(A)b.
det (A)
Recordemos qué sucede cuando n = 2. Sea A ∈ Mn (R) con determinante
no nulo. Entonces la solución de

a b x1 b1
=
c d x2 b2
es
x1 1 d −b b1
=
x2 ad − bc −c a b2
o bien
b1 b
det
b1 d − b2 b b2 d
x1 = =
ad − bc a b
det
c d
y
a b1
det
b2 a − b1 c c b2
x2 = = .
ad − bc a b
det
c d
Esta manera de expresar las soluciones del sistema se llama Regla de
Cramer
Veamos el caso general:
Sea A ∈ Mn (R) una matriz invertible, X, b ∈ Mn×1 (R). Veremos la
Regla de Cramer en esta situación.
Recordemos que
X = A−1 b.
Entonces
xi = Ri (A−1 ) b.
Por consiguiente
1
xi = Ri (adjA) b
det A
Como Cij = (−1)i+j detAji , nos queda que
n
1 X
xi = (−1)i+j detAji bj
det A
j=1
5.8. APÉNDICE AL CAPÍTULO 5 101
Observamos que si Ci es la matriz obtenida de A remplazando la columna

i-ésima por b, se tiene que
n
X
det Ci = (−1)i+j detAji bj .
j=1
Por lo que
det Ci
xi = .
det A
Ejemplo 5.54.
Resuelva el sistema AX = b para
5.8 Apéndice al Capı́tulo 5

5.8.1 Distributividad del producto de matrices con respecto
a la suma
Sean A, B ∈ Mm×n (R), X, Y ∈ Mn×p (R) y α ∈ R. Entonces
• (A + B) · X = A · X + B · X;
• A · (X + Y ) = A · X + A · Y ;
Probamos en la sección 5.3.1 la primera afirmación cuando A, B ∈ M1×n

es decir son matrices renglón y C ∈ Mn×1 (R). Nos basaremos en este resul-
tado para hacer la prueba en general. Para ello veremos que tienen renglones
correspondientes iguales.
Veamos que entij ((A + B) · C) = entij (A · C + B · C), es decir que
Ri (A + B) · Colj (C) = Ri (A · C) · Colj (C) + Ri (A · C) · Colj (C)
Por la manera como definimos la multiplicación de matrices por una

matriz columna,
Ri ((A + B) · C) = (Ri (A) + Ri (B)) · C.
Por lo que acabamos de ver
(Ri (A) + Ri (B)) · C = Ri (A) · C + Ri (B) · C = Ri (A · C + B · C).
5.8.2 Asociatividad del producto de matrices

Cuando está definido, el producto de matrices es asociativo.

Para A ∈ Mm×n (R), B ∈ Mn×p (R) y C ∈ Mp×q (R), se cumple que:
A(BC) = (AB)C.
     
a11 a12 ··· a1n b11 b12 ··· b1p c11 c12 ··· c1q

 a21 a22 ··· a2n 


 b21 b22 ··· b2p 


 c21 c22 ··· c2q 

 .. .. ..   .. .. ..   .. .. .. 
 . . .   . . .   . . . 
A=
 ai1 ai2 · · ·
; B= ; C= 
 ain 


 bj1 bj2 ··· bjp 


 cl1 cl2 ··· clq 

 .. .. ..   .. .. ..   .. .. .. 
 . . .   . . .   . . . 
am1 am2 · · · amn bn1 bn2 · · · bmp cp1 cn2 · · · cpq
i = 1, . . . , m; j = 1, . . . n, l = 1 . . . , p.
Veamos que tanto los productos A(BC) = (AB)C pueden llevarse a cabo y
que su resultado son matrices que coindiden en tamaño:
Como A ∈ Mm×n (R), B ∈ Mn×p (R) y C ∈ Mp×q (R) :
(BC) ∈ Mn×q (R), de esta forma, A(BC) ∈ Mm×q (R), escribimos
A(BC) = D.
AB ∈ Mm×p (R), de esta forma, (AB)C ∈ Mm×q (R), escribimos
(AB)C = E.
Para verificar la propiedad asociativa del producto de matrices debemos
ver que cada una de las entradas correspondientes en las matrices D y E
coinciden, es decir, para i = 1, . . . m y k = 1, . . . , q, se cumple que dik = eik .
Sabemos que cada una de estas entradas se componen de la siguiente

manera
dik = Ri A · Colk (BC), eik = Ri (AB) · Colk C

Calculemos dik
dik = Ri A · Colk (BC) = Ri A · (B · Colk C)

ya que sabemos que Colk (BC) = B · Colk C.

Si Ri (A) = ai1 ai2 . . . ain ,
  
b11 b12 ··· b1p
b21 b22 ··· b2p  
 c1k 


.. .. ..
  c2k 
  
 . . . 
dik = ai1 ai2 . . . ain ·  . 
 . 


 bj1 bj2 ··· bjp  . 

.. .. ..
 cpk 
  
 . . .
bn1 bn2 · · · bmp
 
b11 c1k + b12 c2k + · · · + b1p cpk

 b21 c1k + b22 c2k + · · · + b2p cpk 

 .. 
 . 
dik = ai1 ai2 . . . ain ·
 bj1 c1k + bj2 c2k + · · · + bjp cpk


 
 .. 
 . 
bn1 c1k + bn2 c2k + · · · + bmp cpk
dik = ai1 (b11 c1k + b12 c2k + · · · + b1p cpk )

+ ai2 (b21 c1k + b22 c2k + · · · + b2p cpk )
···
+ ain (bn1 c1k + bn2 c2k + · · · + bnn cnk ).
y
dik = ai1 b11 c1k + ai1 b12 c2k + · · · + ai1 b1p cpk
+ ai2 b21 c1k + ai2 b22 c2k + · · · + ai2 b2p cpk
···
+ ain bn1 c1k + ain bn2 c2k + · · · + ain bnp cpk .
Calculemos ahora la entrada eik de la matriz (AB)C = E, tenemos que:

eik = Ri (AB) · Colk C
Como Ri (AB) = Ri A · B, sustituyendo, eik = (Ri A · B) · Colk C

  
b11 b12 ··· b1p
b21 b22 ··· b2p   
c1k
 
  
  .. .. ..  
c2k
. . .
    
 · 
eik  ai1 ai2 . . .
= ain


bj1 bj2 ··· bjp .. 
.
   
  
  .. .. .. 
cpk
  . . . 
bn1 bn2 · · · bmp
 
c1k
 c2k 
eik = ai1 b11 + ai2 b21 + · · · + ain bn1 . . . ai1 b1p + ai2 b2p + + · · · + ain bnp · 
 ... 
cpk
eik = (ai1 b11 + ai2 b21 + · · · + ain bn1 )c1k

+(ai1 b12 + ai2 b22 + · · · + ain bn2 )c2k
···
+(ai1 b1p + ai2 b2p + · · · + ain bnp )cpk .
Tenemos entonces que
ei k = ai1 b11 c1k + ai2 b21 c1k + · · · + ain bn1 c1k

+ ai1 b12 c2k + ai2 b22 c2k + · · · + ain bn2 c2k
···
+ ai1 b1p cpk + ai2 b2p cpk + · · · + ain bnp cpk .
Ahora comparemos las dos expresiones que hemos obtenido para cada
una de las entradas dik y eik y observamos que:
La entrada dik consta de p × n sumandos y la entrada eik consta de n × p
sumandos. En ambos, los sumandos aparecen en un arreglo rectangular.
Los p sumandos en el primer renglón del arreglo para dik coinciden con
los p sumandos que aparecen en la primera columna del arreglo para eik ,
los p sumandos en el segundo renglón del arreglo para dik coinciden con los
p sumandos que aparecen en la primera columna del arreglo para eik y lo
mismo para cada uno de los renglones y columnas subsecuentes.
dik = ai1 b11 c1k + ai1 b12 c2k + · · · + ai1 b1p cpk
+ ai2 b21 c1k + ai2 b22 c2k + · · · + ai2 b2p cpk
···
+ ain bn1 c1k + ain bn2 c2k + · · · + ain bnp cpk .
ei k = ai1 b11 c1k + ai2 b21 c1k + · · · + ain bn1 c1k

+ ai1 b12 c2k + ai2 b22 c2k + · · · + ain bn2 c2k
···
+ ai1 b1p cpk + ai2 b2p cpk + · · · + ain bnp cpk .
Podemos concluir que
dik = eik , i = 1, . . . , m; k = 1, . . . , q.
Como cada una de sus entradas de las matrices (D) y E son iguales,
tenemos que D = E, que es lo mismo que (AB)C = A(BC), lo que se
deseaba mostrar.

Matr y Det 171002

Cargado por

Copyright:

Formatos disponibles

Matr y Det 171002

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Matr y Det 171002

Cargado por

Copyright:

Formatos disponibles

Capı́tulo 5

Las matrices son objetos que aparecen con frecuencia en la modelación de

tamaño, o de orden, m × n (se lee “m por n”). Cuando m = n, decimos que

ent12 (A) = 2, ent21 (A) = 3.

ent12 (B) = 2, ent23 (B) = 6.

Denotamos con Mm×n (R) al conjunto de todas las matrices de

Mm×n (R) = {[aij ] ; aij ∈ R, i = 1, . . . m, j = 1, . . . m}

Cuando m = n diremos que A ∈ Mm×m (R) es una matriz cuadrada

Mm (R) := Mm×m (R)

Como ya el lector habrá observado, los vectores que hemos estudiado en

es una matriz de tamaño n × 1 es decir, es un elemento de Mn×1 (R).

5.1.1 Notación para matrices

• mediante sus entradas: A = [aij ] cada entrada de A es un número real,

• mediante sus renglones: cada renglón de A es una matriz fila. El

Ri (A) = [ai1 ai2 . . . aij . . . ain ], i = 1, 2, · · · , n

contando los renglones de arriba hacia abajo;

• mediante sus columnas: cada columna de A es una matriz columna. La

contando las columnas de izquierda a derecha.

Cuando A ∈ Mm×n se escribe mediante sus m renglones

decimos que A está matriz particionada por sus renglones o filas.

y decimos que A está matriz particionada por sus columnas.

Si A ∈ Mm×n (R) podemos ver a los renglones o filas de la matriz

Sea A dada por  

R1 (A) = [1, 3, 4], R2 (A) = [1, 0, 2], R3 (A) = [6, 1, 4].

5.1.2 Igualdad de matrices

Definición 5.2: Igualdad entre matrices

Sean A y B dos matrices de orden m × n. Decimos que A y B son

ent11 (A) = ent11 (B)

Solución I En este ejemplo, tenemos que

ent11 (A) = ent11 (B)

Tendremos que A = B siempre y cuando se cumpla: ent13 (A) = ent13 (B)

Solución I Tenemos un sistema de 4 ecuaciones con 4 incógnitas:

Las tres primeras ecuaciones dan lugar a un sistema de 3 ecuaciones lineales

La cuarta ecuación dice que

Comprobemos la primera solución:

5.1.3 Algunas matrices especiales

Definición 5.3: Matriz nula

Se llama la matriz cero o matriz nula a una matriz de cualquier

Por ejemplo, la matriz cero de orden 4 × 4 es

La matriz cero de orden 2 × 3 es

Definición 5.4: Matriz escalonada

Se dice que una matriz en Mm×n (R) es matriz escalonada si se satis-

• De haber reglones nulos, estos se encuentran en la parte inferior

Los siguientes son ejemplos de matrices escalonadas

Definición 5.5: Matriz identidad

Para n cualquier número natural, se llama matriz identidad de tamaño

Son matrices identidad de tamaño uno, dos, tres y n, las siguientes:

Definición 5.6: Diagonal de una matriz cuadrada y Matriz

La diagonal o diagonal principal de una matriz cuadrada de tamaño

de tamaño n y entij (D) = 0 para i 6= j.

Si una matriz diagonal de tamaño n tiene en su diagonal los números

Definición 5.7: Matriz triangular superior

Decimos que una matriz cuadrada T de tamaño n es una matriz trian-

La siguiente matriz es triangular superior.

Cuando en una matriz cuadrada, todas las entradas arriba de su diagonal

Definición 5.8: Matriz triangular inferior

Decimos que una matriz cuadrada T de tamaño n es una matriz tri-

La siguiente matriz es triangular inferior.

Un ejemplo de matriz triangular inferior es,