Algebra Lineal

Álgebra lineal I
Matrices, determinantes y Sistemas Lineales

Santiago D. Quinga Socasi, Nury G. Ortiz Moya, Lucía E. Castro Gordón
Álgebra lineal I. Matrices, determinantes y sistemas lineales
Santiago David Quinga Socasi, Nury Gabriela Ortiz Moya y

Lucía Eudocia Castro Gordón
Primera edición electrónica: septiembre, 2024

ISBN: 978-9942-652-06-5
Revisión científica:
Miriam del Carmen Ángel Poma, Mgtr.
Sintya Esmeralda Serrano de la Torre, Mtr.
Universidad de las Fuerzas Armadas-ESPE

Crnl. de C.S.M. Víctor Villavicencio A., Ph. D.
Rector
Publicación autorizada por:

Comisión Editorial de la Universidad de las Fuerzas Armadas-ESPE
Cpfg. Joseph Alexander Guamán Seis, Mgtr. - Vicerrector de Investigación (E)
Presidente
Corrección de estilo y diseño

Mtr. Xavier Chinga
Imagen de cubierta: https://lc.cx/iUm61e
Derechos reservados. Se prohíbe la reproducción de esta obra por cualquier medio impreso, reprográfico
o electrónico. El contenido, uso de fotografía, gráficos, cuadros, tablas, y referencias es de exclusiva
responsabilidad de los autores.
Universidad de las Fuerzas Armadas-ESPE

Av. General Rumiñahui s/n, Sangolquí, Ecuador
www.espe.edu.ec
Los derechos de esta edición electrónica son de la Universidad de las Fuerzas Armadas-ESPE,
para consulta de profesores y estudiantes de la universidad e investigadores en
www.repositorio.espe.edu.ec.
Álgebra Lineal I
Matrices, Determinantes y Sistemas Lineales
Santiago David Quinga Socasi
Nury Gabriela Ortiz Moya
Lucía Eudocia Castro Gordón

Presentación
El álgebra lineal es una de las piedras angulares de las matemáticas, una

disciplina cuyos principios subyacen en una vasta gama de campos, desde la
ingeniería hasta la inteligencia artificial. A través de sus herramientas y con-
ceptos, somos capaces de comprender y analizar estructuras y fenómenos com-
plejos, desde el movimiento de los planetas hasta la compresión de imágenes
digitales.
Este libro es una invitación a adentrarse en el fascinante mundo del álgebra
lineal, desde sus fundamentos más básicos hasta sus aplicaciones más avan-
zadas y contemporáneas. A lo largo de estas páginas, exploraremos conceptos
clave como vectores, matrices, sistemas de ecuaciones lineales y transforma-
ciones lineales, y descubriremos cómo estas ideas se entrelazan para ofrecer
una visión unificada de la geometría, el álgebra y la teoría de sistemas.
Partiendo desde cimientos sólidos, nuestro viaje nos llevará a través de te-
mas esenciales como la diagonalización, los espacios vectoriales abstractos y
la descomposición de valores singulares. Sin embargo, este libro no solo se de-
tiene en la teoría pura; también examina aplicaciones prácticas en campos tan
diversos como la ingeniería de señales, la criptografía y el análisis de datos.
Ya sea que sea un estudiante que se adentra por primera vez en el álgebra
lineal o un profesional en busca de nuevas perspectivas, esperamos que este
libro sea una guía valiosa en su viaje hacia el dominio de una de las discipli-
nas matemáticas más poderosas y ampliamente aplicables que existen. ¡Bien-
venido a un mundo donde los números y las ecuaciones revelan patrones y
estructuras que subyacen en la complejidad del universo!
3
Álgebra Lineal
4
Dedicatoria
A Dios y a la Mater, fuente de sabiduría y fortaleza, cuya guía y bendicio-

nes han iluminado cada paso de este camino.
A todos los estudiantes que se embarcan en la fascinante aventura del co-

nocimiento matemático, con la esperanza de que este libro sirva como una
guía útil en su viaje académico.
A la familia y amigos, por su paciencia, amor y comprensión durante las

largas horas de trabajo que hicieron posible la realización de este libro.
A los compañeros del Departamento de Ciencias Exactas, por su apoyo y

colaboración que han enriquecido esta experiencia.
A los revisores y editores, por sus valiosos comentarios y sugerencias, que

han contribuido a mejorar la calidad de este trabajo.
Y, finalmente, a todos aquellos que creen en el poder transformador de la

educación y la importancia del aprendizaje continuo. Que este libro sea un
pequeño aporte a su incansable búsqueda del saber.
Los Autores.
5
Álgebra Lineal
6
Santiago David Quinga Socasi
[email protected]
Ingeniero en Electrónica y Control, Magister en Eficiencia Energética, Más-

ter en Ingeniería Matemática y Computación. Docente del Departamento de
Ciencias Exactas de la Universidad de la Fuerzas Armadas ESPE.
Nury Gabriela Ortiz Moya

[email protected]
Ingeniera en Mecatrónica, Máster en Ingeniería en Matemática y Compu-

tación. Docente del Departamento de Ciencias Exactas de la Universidad de la
Fuerzas Armadas ESPE.
Lucia Eudocia Castro Gordón

[email protected]
Magister en la Enseñanza de la Matemática, Doctora en Ciencias de la Edu-

cación, Licenciada en Matemática y Física, Diplomado en Educación STEAM.
Docente del Departamento de Ciencias Exactas de la Universidad de la Fuer-
zas Armadas ESPE.
Índice
Capítulo I - Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Estructuras algebraicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Operación binaria o ley de composición interna . . . . . . . . . 15
Grupo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Anillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Cuerpo o campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Idea intuitiva de matriz . . . . . . . . . . . . . . . . . . . . . . . . 18
Definiciones y propiedades . . . . . . . . . . . . . . . . . . . . . 20
Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . 26
Suma de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Producto de un escalar por una matriz . . . . . . . . . . . . . . . 28
Producto de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 30
Potencia de una matriz . . . . . . . . . . . . . . . . . . . . . . . . 33
Método de inducción para el cálculo de la potencia n-ésima de
una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Matrices periódicas, idempotentes, nilpotentes e involu-
tivas . . . . . . . . . . . . . . . . . . . . . . . . . 36
Potencia n-ésima de una matriz utilizando el binomio de
Newton . . . . . . . . . . . . . . . . . . . . . . . 39
Matriz transpuesta, simétrica y antisimétrica . . . . . . . . . . . 42
Matriz transpuesta . . . . . . . . . . . . . . . . . . . . . . 42
Matriz simétrica . . . . . . . . . . . . . . . . . . . . . . . . 44
Matriz antisimétrica . . . . . . . . . . . . . . . . . . . . . 45
Traza de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Operaciones elementales de fila . . . . . . . . . . . . . . . . . . . 47
Escalonamiento y rango de matrices . . . . . . . . . . . . . . . . 50
Matriz escalonada por filas . . . . . . . . . . . . . . . . . 50
Rango de una matriz . . . . . . . . . . . . . . . . . . . . . 50
9
Álgebra Lineal
Matriz escalonada reducida por filas . . . . . . . . . . . . 51

Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . 62
Capítulo II - Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Determinantes de segundo orden . . . . . . . . . . . . . . . . . . 70
Determinantes de tercer orden . . . . . . . . . . . . . . . . . . . 70
Propiedades de los determinantes . . . . . . . . . . . . . . . . . 72
Métodos para el desarrollo de un determinante de orden n . . . 81
Desarrollo por menores respecto a la fila i o columna j . 81
Método del pibote o regla de Chio . . . . . . . . . . . . . 83
Desarrollo Gaussiano . . . . . . . . . . . . . . . . . . . . 84
Rango y determinantes . . . . . . . . . . . . . . . . . . . . . . . . 86
Método para el cálculo del rango . . . . . . . . . . . . . . 86
Capítulo III - Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Matriz elemental . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Propiedades de la matriz inversa . . . . . . . . . . . . . . . . . . 107
Cálculo de la matriz inversa mediante operaciones elementales 109
Método para hallar la matriz inversa . . . . . . . . . . . . 110
Cálculo de la matriz inversa mediante determinantes . . . . . . 112
Capítulo IV - Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . 129
Definiciones y propiedades . . . . . . . . . . . . . . . . . . . . . 129
Resolución de sistemas de ecuaciones lineales . . . . . . . . . . . 135
Tipos de sistemas lineales . . . . . . . . . . . . . . . . . . 136
Método de Gauss . . . . . . . . . . . . . . . . . . . . . . . 139
Método de Gauss-Jordan . . . . . . . . . . . . . . . . . . 141
Método de Cramer . . . . . . . . . . . . . . . . . . . . . . 143
10
11
Álgebra Lineal
12
https://n9.cl/solar_21520477
CAPÍTULO I
Matrices
Introducción
El estudio de vectores y matrices es la médula del algebra lineal. El estudio
de vectores comenzó esencialmente con el trabajo del gran matemático irlan-
dés Sir William Hamilton (1805-1865). Su deseo de encontrar una forma de
representar un cierto tipo de objetos en el plano y el espacio lo llevo a descu-
brir lo que el llamó los cuaterniones. Esta noción condujo al desarrollo de lo
que ahora se conoce como vectores. A lo largo de toda su vida y del resto del
siglo XIX hubo un debate considerable sobre la utilidad de los cuaterniones
y de los vectores. Al final del siglo, el gran físico inglés Lord Kelvin escribió
que los cuaterniones, “aun cuando son bellamente ingeniosos, han sido un
mal peculiar para todos aquellos que los han manejado de alguna manera y
los vectores. . . nunca han sido de menor utilidad para ninguna criatura”. Pero
Kelvin estaba equivocado. En la actualidad casi todas las ramas de la física clá-
sica y moderna se representan mediante el lenguaje de vectores. Los vectores
también se usan, cada vez más, en las ciencias biológicas y sociales.
Los temas que trataremos en esta unidad son:
Estructuras algebraicas
Matrices, definición y propiedades
Tipos de matrices
Operaciones con matrices
Operaciones elementales entre filas
Escalonamiento y rango de una matriz
Estructuras algebraicas
A continuación, se van a estudiar estructuras algebraicas, permitiendo lle-
gar al concepto de cuerpo o campo, que será útil para comprender la definición
rigurosa de matriz.
Operación binaria o ley de composición interna

Definición I.1. Sea A un conjunto no vacío. Toda función de A × A en A
se llama operación en A.
15
Álgebra Lineal
Una operación en un conjunto A se le suele llamar también ley de compo-

sición interna; y en algunos textos se la denomina operación interna.
I.1. Ejemplo. Sea A = N el conjunto de los números naturales.
La operación adición “+” en N es una función de N × N en N qué a cada

par de números naturales m, n le asocia un único natural notado m + n. Esto
escribimos como:
+:N×N→N
(m, n) 7→ m + n.
El número m + n se llama suma de m con n.
I.2. Ejemplo. Sea A = Z el conjunto de los números enteros.
La operación producto “×” en Z es una función de Z × Z en Z qué a cada

par de números enteros m, n le asocia un único entero notado m × n. Esto
escribimos como:
×:Z×Z→Z
(m, n) 7→ m × n.
El número m × n se llama producto de m con n.
I.3. Ejemplo. Sea A = N
La resta de números naturales no es una operación en N, pues si m = 5 y

n = 10, se tiene: m − n = 5 − 10 ∈
/ N por lo que el par (5, 10) no le asocia ningún
elemento de N.
Definición I.2. Una operación ∗ en un conjunto no vacío G es una fun-

ción de en G × G en G, que ha cada elemento (x, y) de G × G le asocia un
único elemento x ∗ y de G, se escribe como:
∗:G×G→G
(x, y) 7→ x ∗ y.
El elemento x ∗ y se lee “x operación ∗ con y”.
En otras palabras, una operación esencialmente implica aplicar una acción

a un par de elementos de un conjunto para obtener un nuevo elemento dentro
de ese conjunto [2].
16
Grupo
Se dice que un conjunto no vacío G es un grupo si en él está definida una
operación ∗ que cumple con las propiedades siguientes:
i) Asociativa: ∀a, b, c ∈ G; (a ∗ b) ∗ c = a ∗ (b ∗ c)
ii) Existencia del elemento neutro: ∀a ∈ G, ∃e ∈ G/a ∗ e = e ∗ a = a
iii) Existencia de un elemento opuesto o inverso: ∀a ∈ G, ∃b ∈ G/a ∗ b =
b ∗ a = e.
Un grupo viene notado por (G, ∗), el símbolo ∗ significa cualquier opera-
ción algebraica como: suma, producto, potencia, composición entre funciones,
etc.
Un grupo (G, ∗) se dice abeliano o conmutativo si la operación ∗ en G ve-
rifica la propiedad conmutativa: ∀a, b ∈ G, a ∗ b = b ∗ a.
Anillo
La estructura de grupos conmutativos es la base para la construcción de
muchas otras estructuras algebraicas.
Se dice que un conjunto no vacío A es un anillo si en él se han definido
dos operaciones, siendo las mas habituales la adición “+” y producto “.”, que
satisfacen las siguientes propiedades:
i) (A, +) es un grupo conmutativo o abeliano.
ii) Asociativa para el producto: ∀a, b, c ∈ A, a · (b · c) = (a · b) · c
iii) Distributiva a izquierda y derecha: ∀a, b, c ∈ A
a · (b + c) = a · b + a · c
(b + c) · a = b · a + c · a
Sea A un anillo:
• Se dice que A es un anillo con unidad si existe un elemento 1 ∈ A tal que:
∀a ∈ A, ∃1 ∈ A/a · 1 = 1 · a = a.
• Se dice que A es conmutativo si en él se verifica la propiedad conmutativa

para el producto, esto es:
∀a, b ∈ A, a · b = b · a.
• Si A es un anillo con unidad, se dice que A es un anillo con división si:
∀a ∈ A, a ̸= 0, ∃b ∈ A/a · b = b · a = 1.
Tal elemento b se nota a−1 y se denomina opuesto multiplicativo de a.
17
Álgebra Lineal
Cuerpo o campo
Una de las estructuras de mucha importancia es la de cuerpo, particular-
mente el cuerpo de los números reales y el de los números complejos, estos
tienen un rol preponderante en la elaboración de otras estructuras, de mode-
los, de métodos de cálculo entre otros.
Se llama cuerpo o campo y que se denota como (K, +, ·) al conjunto no
vacío K en el que se han definido dos operaciones, siendo las más habituales
la adición y el producto:
+:K ×K →K
(x, y) 7→ x + y
·:K ×K →K
(x, y) 7→ x · y
Además, cumple con las propiedades: conmutativa, asociativa, existencia

del elemento neutro y la existencia del opuesto para la suma y el producto
y distributiva, además si el anillo es conmutativo se dice que el cuerpo K es
conmutativo.
Matrices
Idea intuitiva de matriz
Una matriz es un conjunto ordenado por filas y columnas donde las filas
son todos los elementos escritos de forma horizontal y las columnas son to-
dos los elementos escritos de forma vertical. A las matrices se las representa
únicamente entre corchetes o paréntesis, no entre llaves, esta última escritura
en matemáticas representa a conjuntos. Se lee primero las filas y segundo las
columnas.
Por ejemplo, sean las matrices:
   
1 2 3 a11 a12 a1n
A=3 4 5 ⇔ A= a21 a22 a2n .
   
6 7 8 am1 am2 amn
En toda matriz, todos los elementos horizontales se llaman filas y se repre-

sentan con la letra i y se leen de arriba hacia abajo, por lo tanto, se tienen 3
filas. La fila 3 de la matriz A está formada por:
18
a31 : el elemento de la fila 3 columna 1 es 6.
Todos los elementos verticales se llaman columnas, se representan con la

letra j y se leen de izquierda a derecha por lo tanto se tienen 3 columnas. La
columna 2 de la matriz A está formada por:
La dimensión u orden de una matriz corresponde al número máximo de

filas por el número máximo de columnas. Para este caso, la matriz A presenta-
da es de dimensión 3 filas por 3 columnas, se representa como: 3×3.
Al conjunto de todas las matrices las notaremos como: Mm×n (K) donde K
es el cuerpo o campo que tiene una matriz, es decir, es el tipo de elementos que
tiene la matriz y estos son números reales R o números complejos C.
El cuerpo o campo puede ser una forma numérica o alfanumérica, los sub-
índices m y n representan:
m: número máximo de filas
n: número máximo de columnas.
Se lee como: el conjunto de todas las matrices de m filas por n columnas defi-
nidas sobre un cuerpo o campo K.
Por ejemplo:
Si M4x6 (R): el conjunto de todas las matrices en el cuerpo o campo de los

números reales, de dimensión 4 filas por 6 columnas.
 
1 −3 4 5 −3
 
2 −1 8 7 1 

3 3 −6
 .
 9 1 

8 5 5 −2 5 4×6
19
Álgebra Lineal
Si M2x2 (C): el conjunto de todas las matrices en el cuerpo o campo de los

números complejos, de dimensión 2 filas por 2 columnas. Por ejemplo:
! !
7 + −2i 2x + 5i b11 b12
B= √ √
x
⇔B= .
x − 3 3x−2 − 4i b21 b22
A continuación, definiremos de forma rigurosa lo que es una matriz, cuyos
elementos deben tener una estructura de cuerpo conmutativo a los cuales se
los denotará por K.
Entre los principales cuerpos que se trabajarán en este texto son: el de los
números reales R y el de los números complejos C. Debemos tener presen-
te que los elementos del cuerpo se los denomina escalares y generalmente se
denotan por las letras griegas α, β, γ, etc.
Definiciones y propiedades
Definición I.3. Matriz: dado el cuerpo K y m, n ∈ N. Una matriz A sobre
un campo K, donde:
I : {1, 2, 3..., m} , J = {1, 2, ..., n},
es una función o aplicación definida por:
A:I ×J →K
(i, j) 7→ A(i, j) = aij ,
cada aij ∈ K se denomina elemento de la matriz A. Además A ∈ Mm×n

[8].
Como la función A tiene m × n elementos, la matriz A tiene m × n entradas,

las mismas que pueden ser dispuestas en un arreglo rectangular con m filas y
n columnas tal como se indica a continuación:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
A= .

.. ... .. .

 . . . . 
am1 am2 · · · amn
Donde aij es la entrada de la matriz A. Se dirá entonces que la matriz A es de
orden m por n. Además denotaremos por aij al elemento de la matriz situado
en la fila i, columna j.
20
Una matriz se denota por una letra mayúscula A o por su elemento genéri-
co es decir:
A = (aij )m×n .
El conjunto de las matrices de orden m × n con coeficientes en el cuerpo
K será denotado por Mm×n (K). Para el caso en que m = n es decir, tenemos
igual número de filas y de columnas, se escribirá simplemente Mn (K) en lugar
de Mn×n (K) ( a esta matriz se la conoce como matriz cuadrada). Por ejemplo
M2 (R) será el conjunto de todas las matrices cuadradas de orden 2 con co-
eficientes en el cuerpo de los números reales, mientras que M2×3 (C) se trata
del conjunto de todas las matrices con 2 filas y 3 columnas con coeficientes en
el cuerpo de los números complejos [8]. En el siguiente ejemplo, la matriz A
pertenece a M2 (R); mientras que la matriz B, pertenece a M2×3 (C).
! !
15 18 3 + 4i i −3 + 2i
A= , B= .
1 −5 i 5−i i−4
I.4. Ejemplo. Escribir
 los elemento de la matriz: A = (aij )3×3 , tal que:
(−1)i+j si i ⩾ j

A = (aij )3x3 /aij =
i + j si i < j

Solución: La matriz para este ejercicio es una matriz cuadrada de orden 3,

atendiendo a las condiciones, la matriz solicitada es:
 
1 3 4
A = 1 1 5,
 
1 1 6
Definición I.4. Una matriz V ∈ M1×n (K) se denomina matriz o vector

fila:

V = v1 v2 · · · vn
mientras que si V ∈ Mm×1 (K) se denomina matriz o vector columna:

 
v
 1
 v2 
 
V =  .. 

 . 
 
vm
21
Álgebra Lineal
A continuación, se coloca un ejemplo de matriz fila A y un ejemplo de ma-

triz columna B:
 
−1
A = 1 −2 3 5 ; B =  0 .
 
Definición I.5. (Fila y columna de una matriz) Dada la matriz A =

(aij )m×n , entonces:
 
a a12 · · · a1n
 11 
 a21 a22 · · · a2n 
 
A=
 .. .. .. .. ,

 . . . . 
 
en donde la i-ésima fila de la matriz A, es:

ai1 ai2 · · · ain ,
y la j-ésima columna de la matriz A es:

 
a
 1j 
 a2j 
 
 .. 
 
 . 
 
amj
Se puede analizar el siguiente ejemplo:

Se tiene una matriz C:
 
1 3 3
C = 1 −1 5.
 
1 1 6

La tercera fila de la matriz C es: 1 1 6 , y la segunda columna de la
 
3
matriz C es:−1.
 
22
Definición I.6. (Matriz cuadrada) Una matriz de orden m × n se deno-

mina cuadrada si m = n [4].
A continuación se presenta ejemplos de matrices cuadradas:

 
  1 0 4 −1
1 0 3  
−3 −5 5 7 
A = 90 −45 53, B =  .
 
1 2 6 8
81 19 62
 
1 −4 5 7
En una matriz cuadrada los elementos ai,j que cumplen con la condición de
i = j forman la diagonal principal [1]. Por ejemplo, en la matriz A del ejemplo
anterior, la diagonal principal está formada por los elementos {1, −45, 62}.
Definición I.7. (Matriz nula) Una matriz A ∈ Mm×n (K), se dice ma-
triz nula si y solo si aij = 0 para todo i ∈ {1, 2, ..., m} y para todo
j ∈ {1, 2, ..., n}, y se la denotará como 0m×n [8].
La matriz nula se caracteriza por tener todos sus elementos iguales a cero,
existe una matriz nula para cada orden de matrices, si el orden de la matriz se
sobreentiende, entonces la matriz nula simplemente será denotada por 0 [4].
Definición I.8. (Matriz Identidad) La matriz identidad In es una matriz

cuadrada en donde los elementos de la diagonal principal son 1 y todos
los demás elementos 0, es decir, (aij )n es una matriz identidad si y solo
si aij = 0 para todo i ̸= j y aij = 1 para todo i = j [4], [8]:
 
1 0 ··· 0
 
0 1 ··· 0
 
In = 
 .. .. . . ..  .

. . . .
 
0 0 ··· 1
A continuación, se colocan dos ejemplos de matriz identidad:

 
1 0 0 !
1 0
A = 0 1 0,B = .
 
0 1
0 0 1
23
Álgebra Lineal
Definición I.9. (Matriz diagonal) Una matriz A ∈ Mn (K) se llama matriz

diagonal si: aij = 0 cuando i ̸= j, ∀ i ∈ {1, 2, ..., n} y ∀ j ∈ {1, 2, ..., n} [6].
 
3 0 0 !
8 0
C = 0 4 0, D = .
 
0 9
0 0 1
En otras palabras, una matriz cuadrada se considera diagonal cuando to-

dos los elementos que no están en la diagonal principal son ceros. La matriz
identidad y la matriz nula son ejemplos de matrices diagonales [8].
Definición I.10. (Matriz escalar) Una matriz diagonal que tiene todos los
elementos de la diagonal principal iguales se denomina matriz escalar
[6].
La matriz identidad y la matriz nula son ejemplos de este tipo de matrices.

Otros ejemplos son:
 
15 0 0 !
23 0
A=0 15 0 , C = .
 
0 23
0 0 15
Definición I.11. (Matrices triangulares superior e inferior) Una matriz

A ∈ Mn (K) se llama:
1. Matriz triangular superior si aij = 0 cuando i > j
2. Matriz triangular inferior si aij = 0 cuando i < j [1].
En otras palabras, una matriz triangular superior se distingue porque to-

dos los elementos situados por debajo de su diagonal principal son cero, tal
como se observa en la siguiente matriz A . Por otro lado, una matriz triangular
inferior se caracteriza porque todos los elementos situados por encima de la
diagonal principal son cero [2], como la matriz B.
24
   
2 −3 5 0 0 0
A = 0 2 8, B =  3 7 0
   
0 0 5 −2 2 3
Definición I.12. (Igualdad de matrices) Dos matrices A ∈ Mm×n , B ∈

Mp×q son iguales si :
1. Son matrices del mismo orden , es decir m = p, n = q.
2. Tiene elementos correspondientes iguales, es decir: aij = bij , para

todo i ∈ {1, 2, ..., m} y j ∈ {1, 2, ..., n} [6].
I.5. Ejemplo. Dadas las matrices

   
x −3 1 7 −3 y
   
A =  w −5 7, B =  0 z 7 .
   
   
−2 8 5 −2 8 5
Si A = B, encuentre el valor de x + y + z + w.
Solución: Utilizando la definición de igualdad de matrices, es necesario que

las dos matrices tengan el mismo orden y además que sus elementos corres-
pondientes sean iguales; en nuestro ejemplo es evidente que las matrices A y
B tienen el mismo orden, ya que se trata de matrices cuadradas de orden 3,
entonces si igualamos términos obtenemos:
x = 7, 1 = y, w = 0 y −5 = z, entonces:
x + y + z + w = 7 + 1 + (−5) + 0 = 3.
I.6. Ejemplo. ¿Son iguales las siguientes matrices?

   
5 2 6
2+3 2 2∗3
a) A =  ;B = 
2 −3 0 1+1 2−5 2−2
   
2 −1 0 −2
b) C =  ;D= 
0 2 2 3
Solución: a) Para determinar si dos matrices son iguales, estas deben tener
el mismo orden, en este caso, el orden de las dos matrices es 2 × 3, entonces
25
Álgebra Lineal
cumple la primera condición. Después, se comprueba que los elementos de la

matriz A y la matriz B son iguales, 5 = 2 + 3, 6 = 2 ∗ 3, 2 = 1 + 1, −3 = 2 − 5 y
0 = 2 − 2. Por lo tanto, se puede concluir que las matrices A y B son iguales.
b) Ambas matrices tienen el mismo orden 2, pero los elementos de la pri-
mera fila no coinciden. Por lo tanto, las dos matrices no son iguales.
Operaciones con matrices

Las matrices son una herramienta fundamental en las matemáticas y tie-
nen aplicaciones extensas en diversas disciplinas, como la física, la ingeniería,
la economía y la informática. En este apartado, exploraremos las operaciones
básicas con matrices que nos permiten manipular y analizar los elementos de
las matrices.
Suma de matrices
Definición I.13. (Suma de matrices) Sean A, B ∈ Mm×n (K), m, n ∈ N
la suma de A y B da como resultado una matriz C ∈ Mm×n (K) tal que
cada elemento de la matriz C, se puede obtener de la siguiente forma :
cij = aij + bij
Para todo i ∈ {1, 2, ..., m} y j ∈ {1, 2, ..., n} [6].
Es decir, podemos sumar dos matrices del mismo orden, y la matriz suma
se obtiene sumando los elementos que están en la misma posición. La suma de
A y B que se denota A + B da como resultado una matriz que tiene el mismo
orden que las matrices A y B, cabe mencionar que en los análisis posteriores
se escribirá A + B entendiéndose que las matrices que intervienen en esta ope-
ración son del mismo orden.
Si las matrices no tienen el mismo orden se dice que la suma no esta defi-
nida.
I.7. Ejemplo. Encuentre una matriz C que es obtenida al sumar las matrices
A y B, donde:
   
2 3 0 15 5 −1
   
A =  0 −5 1  y B = −3 0 8 
   
   
−1 7 −5 7 1 4
26
Solución:
   
2 + 15 3+5
0 + (−1) 17 8 −1
C = A + B = 0 + (−3) −5 + 0 1 + 8  = −3 −5 9 .
   
−1 + 7 7+1 −5 + 4 6 8 −1
Teorema I.1. (Propiedades de la suma de matrices) Dadas las matrices

A, B, C ∈ Mm×n (K) cumple las siguientes propiedades:
1. Asociativa: (A + B) + C = A + (B + C).
2. Conmutativa: A + B = B + A.
3. Elemento neutro: Existe un elemento 0 ∈ Mm×n (K) tal que:

A + 0 = 0 + A = A;
4. Elemento opuesto o simétrico: Para todo A ∈ Mm×n (K); existe

−A ∈ Mm×n (K) tal que A + (−A) = (−A) + A = 0.
La matriz 0 se llama neutro aditivo o matriz cero o nula, y se caracteriza

por tener todos sus elementos iguales a cero. La matriz −A se llama inverso
aditivo o negativo de A y su existencia permite definir la resta de matrices
como: A − B = A + (−B).
Demostración: Sean A = (aij ), B = (bij ) y C = (cij )
1. Propiedad asociativa
(A + B) + C = ((aij ) + (bij )) + (cij )

= (aij + bij ) + (cij )
= ((aij + bij ) + cij )
= (aij + bij + cij )
= (aij + (bij + cij ))
= (aij ) + (bij + cij )
= (aij ) + ((bij ) + (cij ))
= A + (B + C)
27
Álgebra Lineal
2. Propiedad conmutativa
A + B = (aij ) + (bij )
= (aij + bij )
= (bij + aij )
= (bij ) + (aij )
=B+A
3. Elemento neutro, considerando la matriz 0 = (0)m×n ( la matriz nula), se

tiene:
B + 0 = (bij ) + (0)
= (bij + 0)
= (bij )
=B
4. Elemento opuesto o simétrico, considerando −A = (−aij ), se tiene:
A + (−A) = (aij ) + (−aij )

= (aij − aij )
= (0)
=0
Producto de un escalar por una matriz

Definición I.14. (Producto de un escalar por una matriz) Sean α ∈ K,
A ∈ Mm×n (K) y m, n ∈ N el producto de un escalar α por la matriz A, da
como resultado una matriz B ∈ Mm×n (K), en donde:
bij = αaij ,
Para todo i ∈ {1, 2, ..., m} y j ∈ {1, 2, ..., n} [8].

 
1−i 7 2i
 
I.8. Ejemplo. Dados: α = 3i y A =  −3 0 , encuentre αA.
 
i
 
5 3 3+i
28
Solución:
   
(3i)(1 − i) (3i)7 (3i)2i 3 + 3i 21i −6
α · A =  (3i)(−3) (3i)i (3i)0  =  −9i −3 0 .
   
(3i)5 (3i)3 3i(3 + i) 15i 9i −3 + 9i
Teorema I.2. (Propiedades del producto de un escalar por una matriz)

Dadas las matrices A, B ∈ Mm×n (K) y α, β ∈ K[4] :
1. Asociativa: (αβ)A = α(βA).
2. Distributiva con respecto a la suma de matrices:

α(A + B) = αA + αB.
3. Distributiva con respecto a la suma de escalares:

(α + β)A = αA + βA.
4. Ley de identidad: 1A = A.
Demostración: Sean A = (aij ), B = (bij ), entonces:

1. Propiedad asociativa
(αβ)A = (αβ)(aij )
= ((αβ)aij )
= (α(βaij ))
= α(βaij )
= α(β(aij ))
= α(βA)
2. Propiedad distributiva con respecto a la suma de matrices
α(A + B) = α((aij ) + (bij ))

= α(aij + bij )
= (α(aij + bij ))
= (αaij + αbij )
= (αaij ) + (αbij )
= αA + αB
29
Álgebra Lineal
3. Propiedad distributiva con respecto a la suma de escalares
(α + β)A = (α + β)(aij )
= ((α + β)aij )
= (αaij + βaij )
= (αaij ) + (βaij )
= α(aij ) + β(aij )
= αA + βA
4. Ley de identidad
1A = 1(aij )
= (1aij )
=A
Producto de matrices
Definición I.15. Dadas las matrices A ∈ Mm×n (K) y B ∈ Mn×p (K),
m, n, p ∈ (N) el producto de matrices AB es una matriz C ∈ Mm×p (K),
tal que
Pj
cij = k=1 aik bkj = ai1 b1j + ai2 b2j + · · · ain bnj
Para todo i ∈ {1, 2, ..., m} y j ∈ {1, 2, ..., n} [6].
El producto de matrices entre A y B no esta definido si el número de co-

lumnas de A es diferente al número de filas de B.
A partir de la definición puede concluir que para obtener el elemento cij
de la matriz producto AB se debe multiplicar cada uno de los elementos de
la i-ésima fila de la matriz A por el correspondiente elemento de la j-ésima
columna de la matriz B, y calcular la suma de todos esos productos [2].
I.9. Ejemplo. Dadas las matrices:

 
  0 1 1 2
2 3 1  
A= ∈ M2×3 (R), B = 3 5 0 1 ∈ M3×4 (R).
   
0 1 2  
0 1 2 3
30
Encuentre AB.
Solución: Es evidente que el numero de columnas de la matriz A es igual al

número de columnas de la matriz B, utilizando al definición de producto de
matrices, se obtiene:
 
  0 1 1 2
2 3 1  
AB =
 
  3 5 0 1
0 1 2  
0 1 2 3
 
2·0+3·3+1·0 2·1+3·5+1·1 2·1+3·0+1·2 2·2+3·1+1·3
= 
0·0+1·3+2·0 0·1+1·5+2·1 0·1+1·0+2·2 0·2+1·1+2·3
 
9 18 4 10
= .
3 7 4 7
Teorema I.3. (Propiedades de la multiplicación de matrices) Dadas las

matrices A, B, C, In , Im ∈ Mm×n (K) y α ∈ K y siempre que el producto
sea posibles, tenemos las siguientes propiedades:
1. Asociativa: (AB)C = A(BC).
2. Distributiva respecto a la suma por la izquierda:

A(B + C) = AB + AC.
3. Distributiva respecto a la suma por la derecha:

(A + B)C = AC + BC.
4. Distributiva respecto al producto por escalar:

(αA)B = A(αB) = α(AB).
5. Elemento neutro: Im A = A y AIn = A [1].
Demostración: A continuación, se realizarán las demostraciones de las pro-

piedades 1, 2 y 5, las otras demostraciones se deja como tarea para el lector.
31
Álgebra Lineal
1. Propiedad asociativa: Sean A = (aij )m×n , B = (bij )n×p y C = (cij )p×q
(AB)C = ((aij )m×n (bij )n×p )(cij )p×q

n
!
X
= aik bkj (cij )p×q
k=1 m×p
p n
! !
X X
= aik bkr crj
r=1 k=1 m×q
p
n
!
XX
= aik bkr crj
r=1 k=1 m×q
p
n X
!
X
= aik bkr crj
k=1 r=1 m×q
p
n
!!
X X
= aik bkr crj
k=1 r=1 m×q
p
!
X
= (aij )m×n bir crj
r=1 n×q
= (aij )m×n ((bij )n×p (cij )p×q )

= A(BC)
2. Propiedad distributiva respecto a la suma por la izquierda: Sean A =

(aij )m×n , B = (bij )n×p y C = (cij )n×p
A(B + C) = (aij )m×n ((bij )n×p + (cij )n×p )

= (aij )m×n (bij + cij )n×p
n
!
X
= aik (bkj + ckj )
k=1 m×p
n
!
X
= (aik bkj + aik ckj )
k=1 m×p
n n
!
X X
= aik bkj + aik ckj
k=1 k=1 m×p
= (aij )m×n (bij )n×p + (aij )m×n (cij )n×p

= AB + AC
32
5. Elemento neutro: Sean A = (aij )m×n , Im = (δij )m
Im A = (δij )m (aij )m×n

m
!
X
= δik akj
k=1 m×n
= (δi1 a1j + δi2 a2j + . . . + δii aij + · · · + δim amj )m×n

= (1aij )m×n
=A
Al trabajar con la propiedad del elemento neutro, si la matriz A es cuadra-

da, se tiene : In A = AIn = A.
El producto de matrices no es conmutativo. Aún en el caso de matrices
cuadradas, en el que siempre se pueden calcular AB y BA, en general se tiene
que AB ̸= BA [8].
El hecho que AB = 0 no implica que A = 0 o B = 0 [4].
Para el caso de matrices cuadradas de orden n no se cumple la propiedad
cancelativa, es decir: AB = BC no implica B = C.
Potencia de una matriz

Definición I.16. (Potencia de una matriz cuadrada) Sea A ∈ Mn (K) una
matriz cuadrada de orden n y p ∈ N incluido el cero. Las potencias de la
matriz A se definen de manera recursiva:
Ap+1 = Ap A.
con la condición inicial: A0 = In [3].
I.10. Ejemplo. Dada una matriz A cuadrada, calcular A4 .

Solución: Si utilizamos la definición, podemos calcular A4 , así:
A4 = A3 A = (A2 A)A = ((AA)A)A.
Ya que la multiplicación de matrices cumple con la propiedad asociativa,

tenemos:
A4 = AAAA.
33
Álgebra Lineal
I.11. Ejemplo. Calcular A3 .

 
1 −2
A= .
1 3
Solución: Utilizando los resultados del ejemplo anterior A3 = AAA = A2 A,

entonces:
      
1 −2 1 −2 1 − 2 −2 − 6 −1 −8
A2 = AA =   = = 
1 3 1 3 1 + 3 −2 + 9 4 7
      
−1 −8 1 −2 −1 − 8 2 − 24 −9 −22
A3 = A2 A =   = = .
4 7 1 3 4 + 7 −8 + 21 11 13
Al calcular la potencia de una matriz cuadrada siempre se cumple la pro-

piedad conmutativa, por ejemplo A3 = AAA = A2 A = AA2 .
Teorema I.4. (Propiedades de la potencia de una matriz) Sea A una ma-

triz cuadrada y r, s ∈ N incluido el cero [3],
1. Ar As = Ar+s .
2. (Ar )s = Ars .
Para las matrices no se cumple (en general) la fórmula (AB)n = An B n , esto

debido a que el producto de matrices no es conmutativo.
Definición I.17. (Potencia n-ésima de una matriz) Sea A una matriz cua-
drada y n ∈ N Se define la n-ésima potencia de A como el producto,
repetido n veces, de A por sí misma, y se simboliza por An . Es decir [3]:
An = AA...A
| {z }.
n veces
34
Método de inducción para el cálculo de la potencia n-ésima

de una matriz
Sea la matriz A cuadrada, para calcular An para todo n ∈ N se realizan
potencias de la matriz cuadrada hasta observar que estas potencias obedecen a
un patrón, esto permitirá lanzar una hipótesis para el valor de An que luego se
demostrará utilizado el método de inducción.Hay casos en los que para cierto
tipo de matrices el cálculo de la n-ésima potencia, se puede determinar según
las características de la matriz.
I.12. Ejemplo. Calcular An para todo n ∈ N.

 
3 0 3
A = 0 3 0 .
3 0 3
Solución: Primero se va a calcular las potencias sucesivas de la matriz cua-

drada A:
    
3 0 3 3 0 3 18 0 18
A2 =AA = 0 3 0 0 3 0 =  0 9 0 
3 0 3 3 0 3 18 0 18
    
18 0 18 3 0 3 108 0 108
A3 =A2 A =  0 9 0  0 3 0 =  0 27 0 
18 0 18 3 0 3 108 0 108
    
108 0 108 3 0 3 648 0 648
A4 =A3 A =  0 27 0  0 3 0 =  0 81 0  .
108 0 108 3 0 3 648 0 648
Entonces conjeturamos que:

 n
6n

6
2 0 2
An =  0 3n 0  (1), para todo n natural.
 
 6n 6n
0
2 2
Para asegurar que (1) es correcta, a continuación vamos a demostrar que
la fórmula obtenida es verdadera, utilizando el método de inducción sobre la
potencia de A,
1. Base de la inducción, probar que la expresión es verdadera para n = 1,

 1
61

6
2 0 2
 
3 0 3
A1 = A =  0 31 0  = 0 3 0
 
 61 61  3 0 3
0
2 2
35
Álgebra Lineal
como se puede ver (1) es verdadera para n = 1
2. Supongamos que la fórmula es verdadera para n = h, demostraremos

que también es verdadera para n = h+1, a partir de la hipótesis inductiva
se cumple Ah ,  h
6h

6
2 0 2
Ah =  0 3h 0 
 
 6h 6h 
0
2 2
h+1
Se debe demostrar la tesis inductiva A ,
 h+1
6h+1

6
 2 0
h+1 h+1
2 
A = 0 3 0 
 
 6h+1 6h+1 
0
2 2
Entonces:
6h 6h 
 h+1
6h+1
  
6
2 0 2 3 0 3 0

 2 2 
Ah+1 h
=A A=0 3 h
0 0 3 0 = 0 3h+1
0  = Ah+1 .
     
 6h 6h  3 0 3  6h+1 6h+1 
0 0
2 2 2 2
 
3 0 3
Por lo tanto, si A = 0 3 0, entonces se cumple (1).
3 0 3
MATRICES PERIÓDICAS, IDEMPOTENTES, NILPOTENTES E

INVOLUTIVAS
Definición I.18. (Matriz periódica) Es una matriz A ∈ Mn (K), que tiene

un p ∈ N que cumple: Ap+1 = A. Además si p es el menor número natural
que cumple la condición, se dice que la matriz A es periódica de período
p [5].
I.13. Ejemplo. Demuestre que la siguiente matriz es periódica y encuentre

su periodo:  
0 1
A= .
−1 0
36
Solución: Para demostrar si la matriz A es periódica se realizarán multipli-

caciones de la matriz por si misma hasta obtener la matriz A.
    
0 1 0 1 −1 0
A2 =AA =   =
−1 0 −1 0 0 −1
    
−1 0 0 1 0 −1
A3 =A2 A =   = 
0 −1 −1 0 1 0
    
0 −1 0 1 1 0
A4 =A3 A =   = 
1 0 −1 0 0 1
    
1 0 0 1 0 1
A5 =A4 A =   = .
0 1 −1 0 −1 0
Se observa que A5 = A es decir p + 1 = 5, de donde p = 4. Por lo tanto A es

una matriz periódica de periodo 4.
Definición I.19. (Matriz idempotente) Una matriz A ∈ Mn (K) periódica

de periodo 1 se denomina matriz idempotente, en otras palabras:
A2 = A.
Esto implica que: An = A, para todo n ∈ N [5].
Ejemplos de matrices idempotentes son: In y 0n .
I.14. Ejemplo. Dada la matriz:



1 0
A= .
a 0
Demuestre que es idempotente.

Solución: Se va a calcular AA:
 
  
1 0
1 0 1 0
A2 = AA =   =  = A.
a 0 a 0 a 0
37
Álgebra Lineal
Dado que A2 = A, A es idempotente.
Definición I.20. (Matriz nilpotente) Una matriz A ∈ Mn (K) se dice nil-

potente si existe p ∈ N tal que:
Ap = 0n ,
donde 0n es la matriz nula de orden n. Al menor número natural p que

cumple Ap = 0n se le llama índice de nilpotencia.

 
0 −8 1
 
A = 0 0 1  .
 
 
0 0 0
Demuestre que es nilpotente y encuentre el índice de nilpotencia

Solución: Para verificar que la matriz A es nilpotente se realizan multiplica-
ciones de la matriz A por si misma repetidamente hasta obtener la matriz nula
de orden 3 × 3:
Para n = 2
    
0 −8 1 0 −8 1 0 0 −8
    
2
A =AA = 0 0 1 0 0 1 = 0 0 0 
     
    
0 0 0 0 0 0 0 0 0
Para n = 3
    
0 0 −8 0 −8 1 0 0 0
    
3
A =AA = 0 0 0  0 0 1 = 0 0 0 = 03 .
     
    
0 0 0 0 0 0 0 0 0
Se puede observar que A3 = 03 , por lo tanto, la matriz A es nilpotente con

índice 3.
38
Definición I.21. (Matriz involutiva) Una matriz A ∈ Mn (K) se llama

involutiva o unipotente si
A2 = In .
Las matrices involutivas por su definición tienen las siguientes propie-

dades para todo m ∈ N [8];
Si A es involutiva y m es par:
Am = In
Si A es involutiva y m es impar:
Am = A

 
1 −1
A= .
0 −1
Demuestre que es involutiva.
Solución: Se va a calcular AA:
    
1 −1 1 −1 1 0
A2 = AA =   =  = I2 .
0 −1 0 −1 0 1
Por lo tanto, la matriz A es involutiva.
POTENCIA n-ÉSIMA DE UNA MATRIZ UTILIZANDO EL BINO-

MIO DE NEWTON
Para calcular la potencia de una matriz cuadrada A que puede ser escrita
en la forma A = k1 I + k2 B con k1 , k2 ∈ R y B una matriz periódica, idem-
potente, nilpotente o involutiva y como el producto de las matrices B e I es
39
Álgebra Lineal
conmutativo se puede utilizar la fórmula del binomio de Newton [8]:

n
n
X n
(k1 I + k2 B) = (k1 I)n−k (k2 B)k
k=0
k
siendo los casos mas sencillos cuando k1 = ±1 y k2 ± 1 y B nilpotente o idem-

potente.
I.17. Ejemplo. Sea la matriz:

 
3 −1 1
 
A = −2 4 −2 .
 
 
−4 4 −2
Calcular An para todo n ∈ N.
Solución: Primero se va a tratar de expresar la matriz A como A = B + I,

y además comprobar si la matriz B obtenida es periódica, idempotente, nilpo-
tente o involutiva.
Si A = B + I, entonces B = A − I, es decir:
   
3 −1
1 0 0 1
B = −2 4 −2 − 0 1 0
   
−4 4 −2 0 0 1
 
2 −1 1
B = −2 3 −2 .
 
−4 4 −3
A continuación se procederá a calcular las potencias de la matriz B, así:

    
2 −1 1 2 −1 1 2 −1 1
B 2 =BB = −2 3 −2 −2 3 −2 = −2 3 −2 = B.
    
−4 4 −3 −4 4 −3 −4 4 −3
Es decir la matriz B es idempotente, por lo tanto B n = B para todo n ∈ N.

Así el binomio de Newton para obtener An es An = (B + I)n ;
40
n
n
X n
(B + I) = B n−k I k
k=0
k
n−1
X
n k n−k n
= I B + B0
k=0
k n
n−1
X n k
= I B+I
k=0
k
n−1
X n
=I + B
k=0
k
n !
X n n
=I + B −
k=0
k n
n
!
X n k n−k
=I + B 1 1 −1
k=0
k
=I + B ((1 + 1)n − 1)
=I + (2n − 1) B
por lo tanto:
An = I + (2n − 1) B.
Si reemplazamos la matriz B, tenemos:

   
1 0 0 2 −1 1
An = 0 1 0 + (2n − 1) −2 3 −2
   
0 0 1 −4 4 −3
   n+1 
1 0 0 2 − 2 −2n + 1 2n − 1
= 0 1 0 + −2n+1 + 2 3 · 2n − 3 −2n+1 + 2 
   
0 0 1 −2n+2 + 4 2n+2 − 4 −3 · 2n + 3
 n+1 
2 − 1 −2n + 1 2n − 1
= −2n+1 + 2 3 · 2n − 2 −2n+1 + 2  .
 
−2n+2 + 4 2n+2 − 4 −3 · 2n + 4
41
Álgebra Lineal
Matriz transpuesta, simétrica y antisimétrica

MATRIZ TRANSPUESTA
Definición I.22. (Matriz transpuesta) Dada una matriz A = (aij )m×n ∈

Mm×n (K), se define su matriz transpuesta como una matriz denotada
A⊤ = (âij )n×m ∈ Mn×m (K), en donde:
âij = aji .
para todo i ∈ {1, 2, ..., m} y j ∈ {1, 2, ..., n} [1].
Se concluye entonces que, para obtener la matriz transpuesta de A se debe

intercambiar las filas de A por sus columnas. Note adicionalmente que no es
necesario que la matriz A sea cuadrada para poder encontrar su transpuesta.
I.18. Ejemplo. Hallar la matriz transpuesta de la matriz:

 
1 5
 
A =  3 7 .
 
 
−1 4
Solución: Utilizando la definición de la matriz transpuesta:

 
1 3 −1
A⊤ =  .
5 7 4
I.19. Ejemplo. Hallar la matriz transpuesta de la matriz:

 
−1 −2 4
 
B =  0 −5 3  .
 
 
−9 7 −2
42
Solución: Utilizando la definición de matriz transpuesta se obtiene:

 
−1
−9 0
B ⊤ = −2 −5 7  .
 
4 3 −2
Teorema I.5. (Propiedades de la transposición de matrices) Para todo

A, B ∈ Mm×n (K), C ∈ Mp×n (K) y α ∈ K. La transposición de matrices
verifica las siguientes propiedades:
1. (A⊤ )⊤ = A.
2. (A + B)⊤ = A⊤ + B ⊤ .
3. (AC)⊤ = C ⊤ A⊤ .
4. (αA)⊤ = αA⊤ .
Demostración: A continuación, se procederá a demostrar las propiedades

2 y 3, las otras propiedades de deja como tarea para el lector.
Sean: A = (aij )m×n y B = (bij )m×n , entonces
2.
(A + B)⊤ =((aij )m×n + (bij )m×n )⊤

=(aij + bij )⊤
=(aji + bji )
=(aji )n×m + (bji )n×m
=(âij )n×m + (b̂ij )n×m
=A⊤ + B ⊤
3.
B ⊤ A⊤ =(b̂ij )p×n (âij )n×m

n
!
X
= b̂ik âkj
k=1 p×m
n
!
X
= bki ajk
k=1 p×m
43
Álgebra Lineal
n
!
X
B ⊤ A⊤ = ajk bki
k=1 p×m
 ! ⊤
n
X
= aik bkj 
k=1 m×p
=(AB)⊤
MATRIZ SIMÉTRICA
Definición I.23. (Matriz simétrica) Una matriz cuadrada A ∈ Mn (K) se

dice simétrica si se cumple que:
A⊤ = A,
es decir aij = aji , para todo i ∈ {1, 2, ..., n} y j ∈ {1, 2, ..., n} [6].
I.20. Ejemplo. Determine si es simétrica la matriz:

 
15 23 35
 
A = 23 2 −90 .
 
 
35 −90 0
Solución: Primero se calcula la matriz transpuesta de A, así:

 
15 23 35
 
A⊤ = 23 2 −90 = A.
 
 
35 −90 0
Por lo tanto se cumple que A⊤ = A, entonces A es una matriz simétrica.
44
MATRIZ ANTISIMÉTRICA
Definición I.24. (Matriz antisimétrica) Una matriz A ∈ Mn (K) se dice

antisimétrica si:
A⊤ = −A,
es decir aij = −aji , para todo i ∈ {1, 2, ..., n} y j ∈ {1, 2, ..., n} [6].
El inverso aditivo de la matriz A es −A que se obtiene al hacer la transpues-

ta de una matriz antisimétrica.
En el caso en que i = j se obtiene que aii = −aii , entonces necesariamente
aii = 0, lo que significa que la diagonal principal de una matriz antisimétrica
tiene solamente elementos iguales a cero.
I.21. Ejemplo. Determine si es antisimétrica la matriz:

 
0 1 −3
 
A = −1 0 −5 .
 
 
3 5 0
Solución: Primero se calcula la matriz transpuesta de A,

 
0 −1 3
 
A⊤ =  1 0 5 ,
 
 
−3 −5 0
y,  
0 −1 3
 
−A =  1 0 5 ,
 
 
−3 −5 0
Por lo que A⊤ = −A, y A es una matriz antisimétrica.
45
Álgebra Lineal
Traza de una matriz

Definición I.25. (Traza de una matriz) Sea una matriz A ∈ Mn (K). Se
llama traza de la matriz A notada por tr(A) al escalar;
n
X
tr(A) = aii .
i=1
Es decir, la traza de una matriz cuadrada es la suma de los elementos

que se encuentran en su diagonal principal [8].
I.22. Ejemplo. Calcular la traza de la matriz:

 
1 2 5 
  1 + 2i 2i
A = −5 −7 8  , B =  .
 
  −5 2 − 3i
3 0 15
Solución: Utilizando la definición de traza de una matriz, obtenemos,

tr(A) = 1 + (−7) + 15 = 9.
Para hallar la traza de la matriz B es necesario recordar las operaciones con

números complejos; tr(A) = 1 + 2i + 2 − 3i = 3 − i.
Teorema I.6. (Propiedades de la traza de una matriz) Sean A, B ∈

Mn (K), D ∈ Mm×n (K), C ∈ Mn×m) (K) y α ∈ K [1];
1. tr(A⊤ ) = tr(A).
2. tr(A + B) = tr(A) + tr(B).
3. tr(αA) = αtr(A).
4. tr(DC) = tr(CD).
Demostración: A continuación, se procederá a demostrar las propiedades

1, 2 y 4, las otras propiedades se deja como tarea para el lector.
46
1. Sea A = (aij )n , entonces:
tr(A⊤ ) = tr(âij )
Xn
= âii
i=1
n
X
= aii
i=1
= tr(A)
2. Sea A = (aij )n , B = (bij )n entonces:
tr(A + B) = tr((aij ) + (bij ))

= tr(aij + bij )
Xn
= (aii + bii )
i=1
n
X n
X
= aii + bii
i=1 i=1
= tr(A) + tr(B)
4. Sea D = (dij )m×n , C = (cij )n×m entonces;
tr(DC) = tr((dij )m×n (cij )n×m )

n
! !
X
= tr dik ckj
k=1 m×m
m
XXn
= dik cki
i=1 k=1
n X
X m
= cki dik
k=1 i=1
= tr(CD)
Operaciones elementales de fila
Las transformaciones entre las filas de una matriz A ∈ Mm×n (K) se conocen
como operaciones elementales de fila.
47
Álgebra Lineal
Definición I.26. (Operaciones elementales de fila) Sea una matriz A ∈

Mm×n (K) y el escalar α ∈ K. Se denomina operación elemental de fila
sobre la matriz A a cada una de las tres siguientes operaciones [8]:
1. Multiplicación de la r-ésima fila de la matriz A por un escalar

α ∈ K no nulo. Es decir reemplazar Ar por αAr , y se representa
por:
αAr → Ar
2. Suma una s-ésima fila multiplicada por un escalar α ∈ K a otra

r-ésima fila. Es decir reemplazar Ar por αAs + Ar , y se representa
por:
Ar + αAs → Ar
3. Intercambio de filas distintas de A. Es decir reemplazar Ar por As ,

y se representa por:
As ↔ Ar
Las operaciones elementales de fila también se las denota dependiendo el

orden en que fueran definidas como transformaciones elementales de fila del
tipo 1, 2 y 3 respectivamente.
Se indica además que, según la operación de tipo 1, cuando se multiplique
un escalar por una fila Ar , el resultado se colocará en el fila Ar , además cuando
una fila Ar se le sume o se le reste otra fila As multiplicada por un escalar, el
resultado se colocará en la fila Ar
Definición I.27. (Matrices equivalentes por fila) La matriz B ∈

Mm×n (K) se dice equivalente por filas a la matriz A ∈ Mm×n (K), no-
tado por
A ∼ B,
si B es obtenida de A por medio de una aplicación sucesiva de un núme-

ro finito de operaciones elementales de fila[8].
48
I.23. Ejemplo. Sea la matriz,

 
1 3 3 1
 
A = 0 1 5 1 .
 
 
1 2 1 3
Encuentre una matriz B tal que A ∼ B.
Solución: Sobre A vamos a realizar una secuencia de operaciones elemen-

tales por fila:
     
1 3 3 1 1 3 3 1 1 3 3 1
     
A = 0 ∼ 0 1 ∼ 0 1 5 1
     
1 5 1 5 1
     
1 2 1 3 0 −1 −2 2 0 0 3 3 1
F3 −F1 F3 +2F2 F
3 3
 
1 3 3 1
 
∼ 0 1 = B.
 
1 5
 
0 0 1 1
Ya que la matriz B se obtuvo por la aplicación sucesiva finita de operacio-

nes elementales de fila, entonces: A ∼ B.
Teorema I.7. Para cualquier matriz A, B, C ∈ Mm×n (K), se verifica [8]:
1. Reflexiva: A ∼ A
2. Simétrica: A ∼ B ⇔ B ∼ A
3. Transitiva: Si A ∼ B y B ∼ C, entonces A ∼ C
49
Álgebra Lineal
Escalonamiento y rango de matrices

MATRIZ ESCALONADA POR FILAS
Definición I.28. (Matrices escalonada por filas) Sea la matriz A ∈

Mm×n (K), además llamaremos pivote de una fila de A al primer ele-
mento no nulo de dicha fila, si es que hay alguno. Entonces la matriz A
se dice escalonada por filas si cumple las condiciones:
1. A tiene filas nulas, es decir, compuestas por ceros, estas se encuen-

tran en la parte inferior de la matriz.
2. El pivote de cada fila no nula está a la derecha de la fila anterior.
3. Los elementos que aparecen en la misma columna que el pivote de

una fila y debajo de el son todos ceros [1].
I.24. Ejemplo. Determinar si las siguientes matrices son escalonadas:

     
21 53 95 1 61 20 55 1 62 0 51
     
A =  0 0 0  , B = 0 1 21 −2 , C = 0 2 −2 −22 .
     
     
0 12 77 0 −1 −41 23 0 0 −1 32
Solución: La matriz A no es escalonada por filas ya que su segunda fila es

nula. B no es escalonada por filas ya que el pivote de la segunda y tercera fila
no están uno a la derecha del otro. La matriz C es escalonada por filas, ya que
cumple con todas las condiciones de la definición.
RANGO DE UNA MATRIZ
Definición I.29. (Rango de una matriz) Sea la matriz A ∈ Mm×n (K), se

denomina rango de A y lo notaremos por ran(A) al número de filas no
nulas de una matriz escalonada por filas equivalente a la matriz A [8].
50
I.25. Ejemplo. Calcular el rango de la siguiente matriz:

 
1 0 −2 2
 
−3 2 3 1
 
A=
 .
−2 2 1 3

 
−1 2 −1 5
Solución: Empezamos encontrando una matriz escalonada por filas equivalen-

te a la matriz A utilizando para ello operaciones elementales por fila, así:
     
1 0 −2 2 1 0 −2 2 1 0 −2 2
     
−3 2 −3 7 0 2 −3 7
     
2 3 1 0
A=  ∼  ∼  = R.
−2 2 −3 7
     
2 1 3 0   0 0 0 0
     
−1 2 −1 5 F2 +3F1 0 2 −3 7 F3 −F2 0 0 0 0
F3 +2F 1 F4 −F 2
F4 +F1
La matriz R es escalonada por filas y es equivalente a la matriz A es decir:

R ∼ A, el numero de filas no nulas de la matriz R es 2, por lo tanto Ran(A) = 2.
MATRIZ ESCALONADA REDUCIDA POR FILAS
Definición I.30. (Matrices escalonada reducida por filas) Sea la matriz

A ∈ Mm×n (K), se dice escalonada reducida por filas si:
1. Si A es escalonada por filas con pivote de cada fila igual a 1.
2. Los elementos que aparecen en la misma columna que el pivote de

una fila son cero [1].
I.26. Ejemplo. Determinar si las siguientes matrices son escalonadas redu-

cidas:
     
1 12 15 1 −6 2 −5 1 −3 −1 0
     
A = 0 0 0  , B = 0 1 −2 −2 , C = 0 1 −2 0  .
     
     
0 1 17 0 0 −4 2 0 0 1 32
51
Álgebra Lineal
Solución: La matriz A no es escalonada reducida por filas ya que su se-

gunda fila es nula. B no es escalonada reducida por filas ya que el pivote de
la tercera fila no es uno. La matriz C es escalonada reducida por filas, ya que
cumple con todas las condiciones de la definición.
Teorema I.8. Toda matrices A ∈ Mm×n (K) es equivalente por filas a una
única matriz escalonada reducida por filas [8].
52
Ejercicios resueltos
1. Dadas las matrices A y B ∈ M3×2 (R) en donde para todo i ∈ {1, 2, 3} y
j ∈ {1, 2} se cumple:
aij = i + 2j
bij = (−i)j+1
Encuentre A + 3B
Solución: Se va escribir en forma explícita cada uno de los elementos de la
matrices, por ejemplo para el elemento a11 = 1 + 2(1) = 3 y el elemento b11 =
(−1)1+1 = 1; calculando de igual modo todos los elementos de las matrices se
obtiene:
   
3 5 1 −1
A = 4 6  , B = 4 −8  ,
   
5 7 9 −27
entonces:
       
3 5 1 −1 3 5 3 −3
A + 3B = 4 6 + 3 4 −8  = 4 6 + 12 −24
       
5 7 9 −27 5 7 27 −81
    .
3+3 5−3 6 2
= 4 + 12 6 − 24 = 16 −18 .
   
5 + 27 7 − 81 32 74
2. Dadas x, y, z, w ∈ R:
! ! !
x y −x 6 4 x−y
= + .
z w −1 2w −z − w 3
Encuentre el valor de x + y + z + w.
Solución: Empezamos reduciendo la ecuación matricial proporcionada:
! ! !
x y −x 6 4 x−y
= +
z w −1 2w −z − w 3
! !
x y −x + 4 6+x−y
= .
z w −1 − z − w 2w + 3
Utilizando la definición de igualdad de matrices, se procede igualando los
53
Álgebra Lineal
elementos correspondientes de cada matriz, obteniéndose:
x=−x+4
y =6 + x − y
z =−1−z−w
w =2w + 3.
Y resolviendo el sistema anterior, se tiene que:
x =2
y =4
z =1
w = − 3.
Por lo tanto: x + y + z + w = 2 + 4 + 1 + (−3) = 4.
3. Si  
1 2 2
A = 2 1 2
 
2 2 1
Demuestre que: A2 − 4A − 5I = 0.
Demostración:
A2 − 4A − 5I =AA − 4A − 5I
      
1 2 2 1 2 2 1 2 2 1 0 0
= 2 1 2 2 1 2 − 4 2 1 2 − 5 0 1 0
      
2 2 1 2 2 1 2 2 1 0 0 1
     
9 8 8 4 8 8 5 0 0
= 8 9 8 − 8 4 8 − 0 5 0
     
8 8 9 8 8 4 0 0 5
 
9 + (−4) + (−5) 8 + (−8) + 0 8 + (−8) + 0
=  8 + (−8) + 0 9 + (−4) + (−5) 8 + (−8) + 0 
 
8 + (−8) + 0 8 + (−8) + 0 9 + (−4) + (−5)

 
0 0 0
= 0 0 0 .
 
0 0 0
54
4. Dada la matriz !
a 1
A=
0 a
Demostrar que para todo n ∈ N se cumple que:

!
n n−1
a na
An = (1)
0 an
Demostración: Utilizando el método de inducción:

1. Base inductiva, si n = 1,
! !
a1 1a1−1 a 1
A1 = = = A.
0 a1 0 a
Así como se puede apreciar, para n = 1 la expresión (1) es verdadera.

2. Planteando la hipótesis inductiva para n = h se obtiene,
!
h h−1
a ha
Ah =
0 ah
Se va a demostrar que (1) es verdadera para n = h + 1;

!
ah+1 (h + 1)ah
Ah+1 =
0 ah+1
Entonces se obtiene;
! ! !
ah hah−1 a 1 ah+1 ah (h + 1)
Ah+1 = Ah A = h
= h+1
= Ah+1 .
0 a 0 a 0 a
! !
a 1 an nan−1
Por lo tanto, si A = , entonces: An = para todo n ∈ N.
0 a 0 an
5. Dadas las matrices:

! !
1 −3 4 −1
A= yB= .
2 5 2 6
Hallar la matriz X en: (A − B)⊤ + X = 2(B ⊤ + A) .

Solución: Utilizando la ecuación matricial proporcionada, y aplicando las
55
Álgebra Lineal
propiedades de la adición de matrices y la matriz transpuesta:
(A − B)⊤ + X = 2(B ⊤ + A)
At + (−B)⊤ + X = 2B ⊤ + 2A
X = 3B ⊤ + 2A − A⊤ .
Reemplazando las matrices A y B definidas se tiene que,
X =3B ⊤ + 2A − A⊤
!⊤ ! !⊤
4 −1 1 −3 1 −3
=3 +2 −
2 6 2 5 2 5
! ! !
4 2 2 −6 1 2
=3 + −
−1 6 4 10 −3 5
!
12 + 2 − 1 6 + (−6) − 2
=
−3 + 4 − (−3) 18 + 10 − 5
!
13 −2
= .
4 23
Por lo que X buscada es la matriz

!
13 −2
.
4 23
6. Escribir una matriz simétrica A ∈ M3 (K), A = (aij ) tal que,
(i + 1)(j + 1)
aij =
i+j
Si i ≥ j, dado i, j ∈ {1, 2, 3}.

Solución: Debido a la condición propuesta para el cálculo de cada elemento
aij de la matriz, es posible solo obtener los elementos de la diagonal principal
y los que se ubican por debajo de ella, así:
 
2 a12 a13
A = 2 9/4 a23  .
 
2 12/5 8/3
56
Ya que la matriz A es simétrica, es decir aij = aji , entonces se puede calcular

los elementos faltantes
 
2 2 2
A = 2 12/5 .
9/4
 
2 12/5 8/3
7. Dada la matriz  
a 1 2
A =  2 a − 1 3 .
 
5 3/5 5
Calcular el valor de a si se cumple, tr(I − 2 · A) = 0.

Solución: Primeramente se va a calcular I − 2A
   
1 0 0 a 1 2
I − 2A = 0 1 0 − 2 2 a − 1 3
   
0 0 1 5 3/5 5
 
1 − 2a −2 −4
=  −4 −2a + 3 −6 .
 
−10 −6/5 −9
Como tr(I − 2A) = 0,
1 − 2a − 2a + 3 − 9 =0
−4a =5
a = − 5/4.
8. Demostrar que toda toda matriz A ∈ Mn (K) se puede descomponer

como una suma de una matriz simétrica y otra antisimétrica.
Demostración: Dada una matriz A ∈ Mn (K), se va a demostrar que A =
S + T , donde S es una matriz simétrica y T es una matriz antisimétrica.
1. S = 21 (A + A⊤ ) es simétrica si (A + A⊤ )⊤ = A + A⊤ , entonces:
(A + A⊤ )⊤ = A⊤ + (A⊤ )⊤ = A⊤ + A = A + A⊤
2. T = 21 (A − A⊤ ) es antisimétrica si (A − A⊤ )⊤ = −(A − A⊤ ), entonces:
(A − A⊤ )⊤ = A⊤ + (−A⊤ )⊤ = A⊤ − A = −A + A⊤ = −(A − A⊤ ).
57
Álgebra Lineal
Si se suman las dos matrices anteriores:

1 1 A A⊤ A A⊤
S + T = (A + A⊤ ) + (A − A⊤ ) = + + − = A.
2 2 2 2 2 2
Por lo tanto A = S + T donde:
1
S = (A + A⊤ ) matriz simétrica
2
1
T = (A − A⊤ ) matriz antisimétrica.
2
9. Si A y B son matrices involutivas, hallar la traza de la matriz C = (A +

2
B) ,
 
−5 −8 0
AB = BA =  3 5 0
 
1 2 −1
Solución: Si A y B son matrices involutivas, se cumple que:
A2 = In ,
y
B 2 = In .
Por otro lado A y B conmutan por hipótesis, entonces se puede emplear la

fórmula del binomio para obtener:
C =(A + B)2 = A2 + 2AB + B 2

=In + 2AB + In
=2In + 2AB
   
1 0 0 −5 −8 0
=2 0 1 0 + 2  3 5 0
   
0 0 1 1 2 −1
 
−8 −16 0
= 6 12 0 ,
 
2 4 0
Por lo tanto,
tr(C) = −8 + 12 + 0 = 4.
10. Demostrar que si A, B ∈ Mn (K) son triangulares superiores, entonces
58
AB es triangular superior.
Demostración: Sean :
A = (aij )n /aij = 0 ∀i > j y B = (bij )n /bij = 0 ∀i > j.
entonces,
AB = (cij )n ,
donde,
n
X i
X n
X
cij = aik bkj = aik bkj + aik bkj .
k=1 k=1 k=i+1
Tomando la condición i > j, entonces;

Si k < i, entonces se tiene que i > k, entonces aik = 0 ya que A es una
matriz triangular superior, entonces:
i
X
aik bkj = 0.
k=1
Si k > i, entonces se tiene que k > j, entonces bkj = 0 ya que B es una

matriz triangular superior, entonces:
n
X
aik bkj = 0.
k=i+1
Por lo tanto si i > j, tenemos que:

n
X i
X n
X
cij = aik bkj = aik bkj + aik bkj = 0 + 0 = 0.
k=1 k=1 k=i+1
Es decir AB es una matriz triangular superior.
11. Hallar todas las matrices B ∈ M2 (R) que conmutan con la matriz,
!
1 2
A= .
2 1
Solución: Primero se plantea una matriz B con elementos desconocidos,

!
a b
B= .
c d
El objetivo ahora es encontrar los elementos de la matriz, que cumple que
59
Álgebra Lineal
AB = BA, entonces, se va a calcular estos productos, así:

! ! !
1 2 a b a + 2c b + 2d
AB = =
2 1 c d 2a + c 2b + d
! ! !
a b 1 2 a + 2b 2a + b
BA = = .
c d 2 1 c + 2d 2c + d
Como AB = BA, entonces:
! !
a + 2c b + 2d a + 2b 2a + b
= .
2a + c 2b + d c + 2d 2c + d
Utilizando la definición de matrices iguales:




 a + 2c = a + 2b


b + 2d = 2a + b



 2a + c = c + 2d



2b + d = 2c + d.
Resolviendo el sistema, se tiene:




 c= b


d =

a


 a= d



b = c.
Por lo tanto se obtiene la matriz B:

!
a b
B= ; ∀ a, b ∈ R.
b a
12. Hallar la potencia n-ésima de

 
2 1 3
A = 0 2 1 .
 
0 0 2
Solución: Para resolver el ejercicio se va a utilizar el binomio de Newton

de esta forma se va a escribir la matriz A en la forma: A = k1 I +k2 B, en nuestro
60
caso tenemos que: A = 2I + B con

 
0 1 3
B = 0 0 1 .
 
0 0 0
Además tenemos que,

    
0 1 3 0 1 3 0 0 1
2
B = 0 0 1 0 0 1 = 0 0 0
    
0 0 0 0 0 0 0 0 0
    
0 0 1 0 1 3 0 0 0
3
B = 0 0 0 0 0 1 = 0 0 0
    
0 0 0 0 0 0 0 0 0
Es decir, la matriz B es nilpotente de índice 3, además se puede notar que

para n > 3, B n = 03 . Aplicando el binomio de Newton tenemos:
n
n
X n
(2I + B) = (2I)n−k B k
k=0
k

n n n−1 n n−2 2 n n−3 3
=2 I + 2 B+ 2 B + 2 B + 0 + ··· + 0
1 2 3
n(n − 1) n−2 2
=2n I + n2n−1 B + 2 B
2
n(n − 1) n−2 2
An = 2n I + n2n−1 B + 2 B .
2
Reemplazando la matriz B y B 2 :
     
1 0 0 0 1 3 0 0 1
 n(n − 1) n−2 
An =2n 0 1 0 + n2n−1 0 0 1 + 2 0 0 0
   
2
0 0 1 0 0 0 0 0 0
2 n2n−1 n2n−1 3 + n(n−1)
 n 
2
2n−2
= 0 2n n2n−1 .
 
0 0 2n
61
Álgebra Lineal
Ejercicios propuestos
   
1 4 −4 7
A = −2 −2 , B =  0 1 .
   
0 −8 8 −3
Encuentre una matriz D tal que 2A + B − D es la matriz nula de orden

2 × 3.
2. Dados: ! !
1 −1 −1 0
A= ,B = ,
2 3 2 3
resuelva la siguiente ecuación matricial para X:
3(2A + B + X) = 5(X − A + B).

   
1 −3 6 −2 5 −9
A = 4 1 −6 , B =  3 −4 1  .
   
7 9 2 −1 −4 −6
Encuentre una matriz H tal que:

 
1 0 0
3A − 2B + 4H = 0 −2 0 .
 
0 0 1
4. Sea A = (aij )4×3 , donde aij = 2i − (−1)j , determinar una matriz B tal que,
A + 2B = 0.

   
−3 −5
2 −1 3 5
A = −1 4 5  , B =  1 −3 −5 .
   
1 −3 −4 −1 3 5
Demostrar que: AB = BA = 0
6. Hallar todas las matrices nilpotentes de orden 2 e índice 2.
62
7. Encuentre todas las matrices que conmutan con la matriz:

 
3 1 0
A = 0 3 1 .
 
0 0 3
8. Demuestre que la suma y el producto de dos matrices diagonales es una

matriz diagonal.
9. Demostrar que la matriz A es involutiva

 
−1 −2 −2
A= 1 2 1 .
 
−1 −1 0
10. Demostrar que la matriz A es idempotente

 
−1 3 5
A= 1 −3 −5 .
 
−1 3 5
11. Si A es una matriz idempotente, demostrar que B = I − A también lo es.
12. Sea A una matriz idempotente. Si B = 2A − In , demostrar que B 2 es igual

a In .
13. Dada la matriz A ∈ M2 (R):

!
4 −1
A= .
8 −2
Hallar b y c ∈ R tales que A2 + bA + cI2 = 0.
14. Demuestre porque (A + B)2 ̸= A2 + 2AB + B 2 .
15. Determina An , para todo n ∈ N, donde:

 
1 1 1
A = 0 1 1 .
 
0 0 1
63
Álgebra Lineal
16. Determina An , para todo n ∈ N, donde:

!
cosθ −senθ
A= .
senθ cosθ
17. Sabiendo que
 
1 1 1
A = 0 1 1 .
 
0 0 1
Demuestre que
n(n+1)
 
1 n 2
A n = 0 1 n .
 
0 0 1
18. Sea: !
5 0
A= .
2 a
Determinar el valor de a para el cual A es una raíz del polinomio p(x) =

x2 − 25.
19. Dadas las matrices:  

−2 −2
4
A = −2 4 −2
 
−2 −2 4
B = (bij )n /bij = 2 ∀i, j.
Determinar:
a) AB y BA
b) An + B n
20. Sea A ∈ Mn (K), cuyos elementos son:


a si i = j
aij =
b si i ̸= j.
Hallar a y b para que la matriz A sea involutiva.
21. Sean A, B ∈ Mn (K) antisimétricas y sea: D = A(AB+BA)−(AB+BA)A.

Demostrar que D es simétrica.
64
22. Encuentre la matriz B que satisfaga la ecuación:
A(B ⊤ + C) = D.
Con:      
1 −1 0 1 2 1 1
A = 0 1 0  , C = 3 4  , D = 3 0  .
     
0 0 3 0 5 1 3

   
1 3 −1 1 2 3 !
1 3 0
A = −4 5 0  , B =  9 0 1  , C = .
   
−1 5 2
0 5 3 −5 5 −2
De ser posible, realice las siguientes operaciones:

a) ((2A − B)C ⊤ )⊤
b) A⊤ + C ⊤ B
c) (A − B)2
d) A − 2B + C ⊤ C
e) CAB − C

   
3 4 x
A = −1 −2 , B =  y  .
   
2 1 −4
Hallar x + y, tal que B ⊤ A = 0.
25. Si la matriz:  
a − b −1
1
A= 2 3 b ,
 
b−x a−x 4
es simétrica. Hallar A2 .
26. Exprese la matriz A como una suma de una matriz simétrica y una anti-
simétrica  
1 2 −4
A = 2 3 2  .
 
0 5 3
65
Álgebra Lineal
27. Dada una matriz A ∈ Mn (K), demostrar que A + A⊤ es una matriz simé-
trica.
28. Dadas A, B ∈ Mn (K) simétricas, demostrar que A + B es una matriz

simétrica.
29. Sea A una matriz cuadrada. Demostrar que AA⊤ y A⊤ A son siempre si-
métricas.
30. Encuentre tr(A), si A ∈ M3 (N) es simétrica

 
x − 1 x2 − 2 2
A =  −1 x2 y − 1 .
 
2 2 y

   
1 2 x 1 3
!    
1 x 3 1 3 1  −2 1 
A= ,B = 
0 1 0  , C =  x 0  .
  
x 1 2    
1 3 −1 1 x
Encontrar el valor de x tal que tr(AB ⊤ C) = 0.
32. Demuestre que no existe matrices A, B, C ∈ Mn (K) que verifican la

igualdad:
ABC − CAB + In = 0n .
33. Calcule el rango de la matriz:

 
2 2 3
A = 1 5−1 .
 
2 10 −2
34. Determinar en función del parámetro real α el rango de las siguientes

matrices:
 
2 α − 1 −1 −2
  
1 α 1 4
 2 −2 −4 

A = 1 1 α , B = −5 −2 3 2 .
   
 
2 1 2  1 α − 3 −2 α + 6
 
8 3 −2 α − 1
66
CAPÍTULO II
Determinantes
Determinantes
Los determinantes aparecieron por primera vez en la investigación para la
obtención de la solución de sistemas de ecuaciones lineales. A continuación, se
definirá el determinante de una matriz mediante una forma inductiva.
Definición
Definición II.1. (Determinante) Sea la matriz A ∈ Mn (K), se llama de-
terminante de A, denotado por det(A) o A , a una función
det : Mn → K
A → det(A),
entonces:
1. Si n = 1, A = (a11 ) entonces det(A) = a11 .
2. El valor del determinante de cada matriz de orden n − 1, se define:
n
X
det(A) = a1j (−1)1+j det(A1j ),
j=1
siendo A1j la matriz cuadrada de orden n−1 resultante de eliminar

la primera fila y la j-ésima columna de A [8].
Al desarrollar el sumatorio de la definición, obtenemos:

n
X
a1j (−1)1+j det(A1j ) = a11 det(A11 ) − a12 det(A12 ) + · · · + (−1)1+n a1n det(A1n ).
j=1
Usualmente se utiliza la siguiente notación para denotar el determinante de la

matriz A:
a11 a12 · · · a1n
a21 a22 · · · a2n
det(A) = .. .. ... .. .
. . .
an1 an2 · · · ann
69
Álgebra Lineal
Determinantes de segundo orden

La fórmula que permita calcular el determinante de una matriz de orden 2
se encuentra en el ejemplo a continuación.
II.1. Ejemplo. Dada una matriz A:

 
a11 a12
A= .
a21 a22
Hallar det(A).
Solución: Utilizando la definición y sabiendo que el orden de la matriz

n=2,
2
X
det(A) = a1j (−1)1+j det(A1j ) = a11 det(A11 ) − a12 det(A12 )
j=1
= a11 a22 − a12 a21 .
En donde: det(A) = A = a11 a22 − a12 a21 .
II.2. Ejemplo. Encuentre el determinante de la matriz A

 
cos(x) sen(x)
A= .
−sen(x) cos(x)
Solución: Utilizando el resultado del ejemplo anterior:
cos(x) sen(x)
= cos(x)cos(x) + sen(x)sen(x) = cos2 (x) + sen2 (x) = 1.
−sen(x) cos(x)
Determinantes de tercer orden

Se obtendrá la fórmula para el cálculo del determinante de una matriz cua-
drada de tercer orden en el siguiente ejemplo.
70
II.3. Ejemplo. Dada la matriz A, hallar su determinante:

 
a a a
 11 12 13 
A = a21 a22 a23  .
 
 
a31 a32 a33
Solución: Sabiendo que el orden de la matriz es n = 3 y se utiliza la defini-

ción para obtener que:
3
X
det(A) = a1j (−1)1+j det(A1j ) = a11 det(A11 ) − a12 det(A12 ) + a13 det(A13 )
j=1
a22 a23 a21 a23 a21 a22

= a11 − a12 + a13
a32 a33 a31 a33 a31 a32
= a11 (a22 a33 − a23 a32 ) − a12 (a21 a33 − a23 a31 ) + a13 (a21 a32 − a22 a31 )
= a11 a22 a33 − a11 a23 a32 − a12 a21 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 ) − (a13 a22 a31 + a11 a23 a32 + a12 a21 a33 ).
Es decir:
det(A) = (a11 a22 a33 +a12 a23 a31 +a13 a21 a32 )−(a13 a22 a31 +a11 a23 a32 +a12 a21 a33 ).
Esta relación también es conocida como la regla de Sarrus que describe en

forma gráfica los sumandos positivos y negativos [1].
Para calcular el determinante de una matriz de orden 3, es necesario hallar tres

determinantes de matrices de orden 2. Esto demuestra que la definición de
cálculo de un determinante es recursiva, ya que el determinante de una matriz
de orden n se calcula a partir de determinantes de matrices de orden n − 1. Por
ejemplo, para encontrar el determinante de una matriz de orden 5, primero hay
que calcular 5 determinantes de matrices de orden 4. Luego, cada uno de estos
determinantes de orden 4 se obtienen mediante el cálculo de cuatro determi-
nantes de matrices de orden 3. A su vez, para cada uno de estos determinantes
71
Álgebra Lineal
de matrices de orden 3, se debe calcular 3 determinantes de matrices de orden

2, y finalmente, para obtener cada uno de estos determinantes de orden 2, es
necesario calcular 2 determinantes de matrices de orden 1.
II.4. Ejemplo. Calcular el siguiente determinante:
5 −3 2
1 0 2 .
2 −1 3
Solución: Utilizando la regla de Sarrus se obtiene:
5 −3 2
1 0 2 = [5(0)(3) + 2(−3)(2) + 1(−1)(2)] − [2(0)(2) + 1(−3)(3) + 5(−1)(2)]
2 −1 3
= −14 + 19
= 5.
Propiedades de los determinantes

Definición II.2. (Menor) Sean la matriz A ∈ Mn (K); i, j ∈ {1, 2, . . . , n}.
Se llama menor a la submatriz de orden n − 1 que se obtiene al eliminar
la fila i y la columna j de la matriz A, y cuya notación puede ser Aij [2].
En otros textos, también se suele usar la definición de menor como (Aij ).

En lugar de la matriz Aij , como se lo esta haciendo en este libro.
Definición II.3. (Cofactor) Sea la matriz A ∈ Mn (K); i, j ∈ {1, 2, . . . , n}.

El cofactor ij de A, denota por Cij , está dado por;
Cij = (−1)i+j det(Aij ),
donde Aij es el menor ij de A [6].
Utilizando la notación de cofactor, la definición de determinante será,

Pn
det(A) = j=1 a1j C1j .
72
Con frecuencia, a esta definición se le conoce como expansión por cofacto-

res a lo largo de la primera fila.
Teorema II.1. (Teorema de expansión de Laplace) Sea la matriz A ∈

Mn (K) [7].
1. Expansión por cofactores a lo largo de la i-ésima fila.
n
X n
X
i+j
det(A) = (−1) aij det(Aij ) = aij Cij = ai1 Ci1 + · · · + ain Cin .
j=1 j=1
2. Expansión por cofactores a lo largo de la j-ésima columna.
n
X n
X
i+j
det(A) = (−1) aij det(Aij ) = aij Cij = a1j C1j + · · · + anj Cnj .
i=1 i=1
Esto quiere decir que se puede evaluar el determinante de una matriz A,

usando para el dasarrollo cualquier fila o columna. La expansión por cofacto-
res a lo largo de la i-ésima fila también toma el nombre de desarrollo del de-
terminante por menores según los elementos de la i-ésima fila de A mientras
que la expansión por cofactores a lo largo de la j-ésima columna también es co-
nocida como desarrollo del determinante por menores según los elementos
de la j-ésima columna de A.
Teorema II.2. Dada la matriz A ∈ Mn (K), si tiene una fila o columna

completa de ceros, entonces det(A) = 0 [1].
Demostración: Supongamos que la fila r-ésima de la matriz A es nula. Si

para calcular det(A), utilizamos el teorema de expansión de Laplace sobre la
r-ésima fila, tenemos que:
n
X
det(A) = arj Cij = ar1 Ci1 + ar2 Ci2 + · · · + arn Cin .
j=1
Recordando además que arj = 0 para todo j ∈ {1, 2 . . . , n}, entonces:
det(A) = 0.
73
Álgebra Lineal
Note que si se hubiera utilizado el teorema de expansión de Laplace sobre

la columna s-ésima, la demostración se debía realizar por inducción, esta de-
mostración puede ser realizada por el lector como ejercicio de aplicación.
Teorema II.3. Si la matriz A ∈ Mn (K) es triangular superior o inferior,

entonces [8]:
n
Y
det(A) = a11 a22 · · · ann = aii .
i=1
A partir del teorema II.3 se concluye que el determinante de una matriz

triangular es el producto de los elementos de su diagonal principal. [8]
Demostración: Cuando A es una matriz triangular superior se realiza in-
ducción sobre el orden n de la matriz. .
1. Base inductiva, si n = 1, entonces det(A) = a11 .
2. Al suponer válido el teorema para cualquier matriz triangular superior

de orden k, se va probar para una matriz de orden k + 1, así, utilizan-
do el teorema de expansión de Laplace a lo largo de la k + 1-ésima fila,
obtenemos:
k+1
X
det(A) = aij Cij = ak+1,1 Ck+1,1 + · · · + ak+1,k Ck+1,k + ak+1,k+1 Ck+1,k+1 .
j=1
Recordando que A es una matriz triangular superior, por definición sa-

bemos que: akj = 0 para todo k > j, entonces:
det(A) = ak+1,k+1 Ck+1,k+1 ,
además, se puede calcular el cofactor k + 1k + 1 de A, así:
Ck+1,k+1 = (−1)2k+2 det(Ak+1,k+1 ) = det(Ak+1,k+1 ),
donde Ak+1k+1 es el menor de la k + 1-ésima fila y k + 1-ésima columna,

debido a que esta matriz es de orden k, se puede aplicar la hipótesis de
inducción para escribir:
det(A) = ak+1,k+1 det(Ak+1,k+1 ) = ak+1,k+1 (a11 a22 , · · · akk ) = a11 · · · ak+1,k+1 .
74
Por lo tanto, queda demostrado.

La demostración si A es triangular inferior es semejante, se deja como tarea
para el lector.
1 2 −5
0 8 −7 .
0 0 2
Solución: La matriz del ejemplo es triangular superior, utilizando el teore-

ma anterior, entonces:
2 −1 −3
0 8 5 = 1(8)(2) = 16.
0 0 1
Teorema II.4. Dada la matriz A ∈ Mn (K), entonces [1]:
det(A⊤ ) = det(A).
Esto quiere decir que el determinante de una matriz cuadrada A y de su

transpuesta son iguales.
Demostración: Para demostrar el teorema hacemos inducción sobre el or-
den n de la matriz.
1. Base inductiva, si n = 1, no tiene mucha importancia, así que se empezará

haciendo para n = 2, entonces:
a11 a21
det(A⊤ ) =
a12 a22
= a11 a22 − a21 a12
= a11 a22 − a12 a21
= det(A).
2. Al suponer valido el teorema para cualquier matriz de orden k, se va

a probar que si A es una matriz de orden k + 1, también se verifica el
75
Álgebra Lineal
teorema det(A⊤ ) = det(A). Para ello utilizamos el teorema de expansión

de Laplace a lo largo de la primera fila de A⊤ :
n
X
det(A⊤ ) = â1j C1j
j=1
n
X
= aj1 C1j .
j=1
El cofactor 1j de la matriz A⊤ , se calcula con la siguiente fórmula:
C1j = (−1)1+j det((A1j )⊤ ),
donde (A1j )⊤ es el menor 1j de la matriz A⊤ y que es de orden k. Enton-

ces, por la hipótesis de inducción tenemos que: (A1j )⊤ = Aj1 , entonces
obtenemos,
n
X
⊤
det(A ) = aj1 (−1)1+j det(Aj1 ).
j=1
Es decir:
Pn
j=1 aj1 (−1)1+j det(Aj1 ) = det(A).
Por lo tanto queda demostrado que det(A⊤ ) = det(A).
Teorema II.5. Sean A, B ∈ Mn (K) y α ∈ K. Si la matriz B se obtiene

multiplicando una fila o columna de A por un escalar α, entonces [1],
det(B) = αdet(A).
Demostración: Si la r-ésima fila de A es multiplicada por α, es decir αarj =

brj y desarrollando por menores según la fila r el determinante de A, entonces:
76
n
X
det(B) = (−1)r+j brj det(Brj )
j=1
Xn
= (−1)r+j (αarj )det(Arj )
j=1
Xn
=α (−1)r+j arj det(Arj )
j=1
= αdet(A).
El teorema anterior nos indica que si en alguna fila o columna de una matriz
existe un múltiplo, este se puede sacar afuera del determinante.
Teorema II.6. Sean A ∈ Mn (K) y α ∈ K. Entonces [7]:
det(αA) = αn det(A).
Demostración: Para la demostración vamos a utilizar inducción matemá-

tica sobre el orden n de la matriz.
1. Base inductiva, si n = 1, entonces A = (a11 ). Por lo tanto, αA = (αA11 ),

luego calculando el determinante usando la definición:
det(αA) = αa11 = αdet(A).
2. Ahora al suponer valido el teorema para cualquier matriz de orden k, se

va a demostrar que también cumple si el orden de A es k + 1. Para el
cálculo del determinante se emplea el desarrollo por menores respecto a
la primera fila, así:
k+1
X
det(αA) = αa1j (−1)1+j det(αA1j ).
j=1
Usando la hipótesis de inducción sobre las submatrices A1j de orden k

tenemos que: det(αA1j ) = αk det(A1j ). Por lo tanto:
77
Álgebra Lineal
k+1
X
det(αA) = α a1j (−1)1+j αk det(A1j )
j=1
k+1
X
k+1
=α a1j (−1)1+j det(A1j )
j=1
= αk+1 det(A).
Queda demostrado.
Teorema II.7. Sean A, B ∈ Mn (K). Si la matriz B se obtiene intercam-

biando dos filas o columnas cualquiera de A, entonces el determinante
cambia de signo, es decir [7];
det(B) = −det(A)
Demostración: Para demostrar el teorema nuevamente se realiza el método

de inducción sobre el orden n de la matriz.
1. Base inductiva, si n = 1 no permite sacar conclusiones, se procederá para

n=2:
a11 a12
A= = a11 a22 − a12 a21
a21 a22
a21 a22
B= = a21 a12 − a22 a11 = −(a22 a11 − a21 a12 )
a11 a12
det(B) = −det(A).
2. Al suponer válido el teorema para cualquier matriz de orden k, se va

aprobar que también cumple cuando el orden es k + 1, empezamos pro-
bando la validez si intercambiamos dos filas consecutivas las filas i + 1
e i, entonces desarrollamos el determinante B por menores según la fila
i + 1:
n
X
det(B) = (−1)(i+1)+j bi+1,j det(Bi+1,j ).
j=1
Usando la hipótesis de inducción en cada submatriz Bi+1,j , ya que son

matrices de orden n − 1 obtenidas al intercambiar dos filas consecutivas,
78
además recordando que la fila i + 1 de B es igual a la fila i de A, tene-

mos entonces que: det( Bi+1,j ) = −det(Ai,j ) y bi+1,j = aij , de ese modo la
ecuación anterior nos queda:
n
X
det(B) = (−1)(i+1)+j bi+1,j det(Bi+1,j )
j=1
Xn
= (−1)(i+1)+j ai,j det(Ai,j )
j=1
Xn
= (−1)(i+j (−1)ai,j det(Ai,j )
j=1
n
X
= (−1) (−1)(i+j ai,j det(Ai,j )
j=1
= −det(A).
Para probar el caso general, es decir, cuando intercambiamos dos filas no

necesariamente consecutivas, es suficiente observar que el intercambio
de la fila i con la fila j equivale a realizar 2k − 1 cambios consecutivos,
donde k = i − j . Por tanto, el signo se altera 2k − 1 veces, que al ser un
número impar, supone un cambio de signo en el valor del determinante.
Teorema II.8. Sea A ∈ Mn (K). Si dos filas o columnas de A son iguales,

entonces [6]:
det(A) = 0.
Demostración: La demostración es una consecuencia del teorema anterior,

ya que si intercambiamos dos filas iguales, el determinante de la matriz debe
cambiar de signo, por lo tanto:
det(A) = −det(A)
det(A) + det(A) = 0
2det(A) = 0
det(A) = 0.
79
Álgebra Lineal
Teorema II.9. Sea A ∈ Mn (K), si una fila ( o columna) de un determi-

nante es múltiplo de otra fila ( o columna), entonces su determinante es
igual a cero [1].
Teorema II.10. Sea A, B, C ∈ Mn (K) tales que A, B, C difieren única-

mente en la r-ésima fila. Si la r-ésima fila de C es el resultado de sumar
las dos r-ésimas filas de A y B, entonces [7]:
det(C) = det(A) + det(B).
Demostración: Para calcular el determinante de C utilizamos el desarrollo

por menores según la r-ésima fila:
n
X
det(C) = (−1)r+j crj det(Crj ).
j=1
De la definición, sabemos que: crj = arj + brj , por lo tanto:
n
X n
X
r+j
det(C) = (−1) arj det(Crj ) + (−1)r+j brj det(Crj ).
j=1 j=1
Note que los menores Arj , Brj y Crj son idénticos, debido a que la única
diferencia entre las matrices de donde provienen es la r-ésima fila, misma que
es eliminada para la obtención de dichos menores. Entonces:
n
X n
X
r+j
det(C) = (−1) arj det(Arj ) + (−1)r+j brj det(Brj )
j=1 j=1
= det(A) + det(B).
80
Teorema II.11. Sean A, B ∈ Mn (K) y α ∈ K. Si a una fila (o columna)

de A es le suma otra fila (o columna) multiplicada por une escalar α, es
decir al aplicar una transformación elemental por fila (o columna) del
tipo 2, el determinante no cambia, esto es [6]:
det(B) = det(A).
Demostración: Sean la matriz A de orden n y B la matriz cuya fila r-ésima

es el resultado de sumar la fila r-ésima de A con el producto de un escalar α
por la fila s−ésima de A donde r ̸= s.
Entonces, si C es la matriz obtenida a partir de A al multiplicar la fila
s−ésima por α, tenemos que det(C) = 0 por el teorema II.9.
Por otro lado, la matriz B es idéntica a las matrices A y C salvo la r−ésima
fila, la cual es la suma de las correspondientes filas r−ésimas de A y C. Por lo
tanto, por el teorema II.10, tenemos que:
det(B) = det(A) + det(C) = det(A) + 0 = det(A).
Teorema II.12. (Otros teoremas) [8]:

1. Sean A, B ∈ Mn (K) entonces, det(AB) = det(A)det(B).
2. Sean A ∈ Mn (K) y m ∈ N entonces, det(Am ) = detm (A).
3. det(In ) = 1.
Métodos para el desarrollo de un determinante de orden n

A continuación, se van a presentar varios métodos utilizados para el cálculo
del determinante de una matriz de orden n, que se fundamentan en la defini-
ción y en las propiedades estudiadas en la sección anterior.
DESARROLLO POR MENORES RESPECTO A LA FILA i O CO-

LUMNA j
Este método se fundamenta en el teorema de expansión de Laplace.
II.6. Ejemplo. Encontrar el valor del siguiente determinante:
81
Álgebra Lineal
1 3 5
−1 2 1 .
3 3 1
Solución: Para evaluar el determinante, se va a realizar el desarrollo por

menores respecto a la columna 3, así:
1 3 5
1+3
−1 2 1 3 1 3
−1 2 1 = (−1) 5 + (−1)2+3 1 + (−1)3+3 1
3 3 3 3 −1 2
3 3 1
= 5(−3 − 6) − (3 − 9) + (2 + 3)
= −45 + 6 + 5 = −34.
II.7. Ejemplo. Encontrar el valor del siguiente determinante:
1 2 1 −2
−1 3 2 1
.
2 −5 3 8
2 1 5 3
Solución: Para calcular el determinante, se va a realizar el desarrollo por

menores respecto a la fila 2, así:
1 2 1 −2
2 1 −2 1 1 −2
−1 3 2 1
= (−1)2+1 (−1) −5 3 2+2
8 + (−1) 3 2 3 8
2 −5 3 8
1 5 3 2 5 3
2 1 5 3
82
1 2 −2 1 2 1
2+3 2+4
+ (−1) 2 2 −5 8 + (−1) 1 2 −5 3
2 1 3 2 1 5
= (18 + 50 + 8 + 6 − 80 + 15) + 3(9 − 20 + 16 + 12 − 40 − 6)
− 2(−15 − 4 + 32 − 20 − 12 − 8) + (−25 + 2 + 12 + 10 − 20 − 3)
= +17 − 87 + 54 − 24 = −40.
MÉTODO DEL PIBOTE O REGLA DE CHIO
Este método consiste en aplicar las propiedades de los determinantes, para

obtener un determinante que contenga una fila o columna con un solo elemen-
to diferente de cero, para luego aplicar el desarrollo por menores respecto a
esta fila o columna. Reduciendo el cálculo del determinante a otro cuyo orden
es inferior en una unidad.
1 3 5 1
2 −3 2 0
.
5 −1 2 2
3 1 5 6
Solución: En el ejemplo, la columna 4 contiene un elemento igual a cero,

así que se utilizará esta columna para hacer cero al segundo y tercer elemento
de dicha columna:
1 3 5 1 1 3 5 1
2 −3 2 0 2 −3 2 0
= .
5 −1 2 2 3 −7 −8 0
3 1 5 6 F3 −2F1 −3 −17 −25 0
F4 −6F1
Ahora desarrollando por menores según la columna 4, tenemos:
83
Álgebra Lineal
1 3 5 1
2 −3 2 2 −3 2
2 −3 2 0
= (−1)1+4 1 3 −7 −8 = − 3 −7 −8
3 −7 −8 0
−3 −17 −25 −3 −17 −25
−3 −17 −25 0
Para resolver el determinante de orden 3, se va a trabajar con la primera fila,

haciendo cero al segundo y tercer elemento de dicha fila, así:
2 −3 2 2 0 0
− 3 −7 −8 =− 3 −5/2 −11
−3 −17 −25 C2 +3/2C1 −3 −43/2 −22
C3 −C1
Finalmente desarrollando por menores según la primera fila:
2 0 0
1+1
− 3 −5/2 −11 = −(−1) 2(55 − 473/2) = 363.
−3 −43/2 −22
DESARROLLO GAUSSIANO
El desarrollo Gaussiano busca conseguir una matriz triangular superior o

inferior utilizando las propiedades de los determinantes. Para luego aplicar el
teorema II.3, que establece que el determinante de una matriz triangular es el
producto de los elementos de su diagonal principal [6].
1 3 5 1
2 −3 2 0
.
5 −1 2 2
3 1 5 6
84
Solución: Vamos a transformar la matriz proporcionada en una matriz

triangular superior, como el primer elemento de la primera fila es uno, es más
fácil utilizar esta fila para empezar a hacer cero a todos los elementos de la
primera columna por debajo de este uno. Note que siempre será más conve-
niente tener el primer elemento de la primera fila igual a uno, si este no fuera
uno, siempre se podrá utilizar operaciones elementales por fila o columna para
conseguirlo.
1 3 5 1 1 3 5 1
2 −3 2 0 0 −9 −8 −2
= .
5 −1 2 2 0 −16 −23 −3
3 1 5 6 F2 −2F1 0 −8 −10 3
F3 −5F1
F4 −3F1
Ahora vamos a hacer uno al segundo elemento de la segunda fila, para ello
esta fila tiene −9 como múltiplo, utilizando las propiedades:
1 3 5 1 1 3 5 1
0 −9 −8 −2 0 1 8/9 2/9
= −9
0 −16 −23 −3 0 −16 −23 −3
0 −8 −10 3 0 −8 −10 3
−1/9F2
Ahora vamos a hacer cero los elementos que están en la segunda columna
y por debajo del uno que está en la segunda fila y segunda columna.
1 3 5 1 1 3 5 1
0 1 8/9 2/9 0 1 8/9 2/9
−9 = −9
0 −16 −23 −3 0 0 −79/9 5/9
0 −8 −10 3 F3 +16F2 0 0 −26/9 43/9
F4 +8F2
Para hacer cero el elemento de la cuarta fila y tercera columna:
85
Álgebra Lineal
1 3 5 1 1 3 5 1
0 1 8/9 2/9 0 1 8/9 2/9
−9 = −9
0 0 −79/9 5/9 0 0 −79/9 5/9
0 0 −26/9 43/9 0 0 0 363/79
F4 −26/79F3
Finalmente, se calcula el determinante de una matriz triangular:
1 3 5 1
0 1 8/9 2/9
−9 = −9(1)(1)(−79/9)(363/79) = 363.
0 0 −79/9 5/9
0 0 0 363/79
Rango y determinantes
Definición II.4. (Rango) Sea la matriz A ∈ Mn (K), entonces el rango de
A que se denota ran(A), coincide con el mayor orden de los menores no
nulos que de la matriz A cuyo determinante es no nulo [1].
A partir de la definición anterior, se concluye que el rango no puede ser ma-

yor al número de filas o de columnas. Además, se define el rango de una matriz
como el número máximo de filas (o columnas) linealmente independientes.
MÉTODO PARA EL CÁLCULO DEL RANGO
A continuación, se sugiere un método para el cálculo del rango teniendo en

cuenta si la matriz depende de un parámetro o no:
1. Si la matriz no depende de un parámetro, el determinante se obtiene es-

calonando la matriz y contando las filas no nulas obtenidas de la matriz
reducida[4].
2. Si la matriz depende de parámetros, no es aconsejable utilizar el esca-

lonamiento de la matriz A, salvo el caso en que esta no sea cuadrada.
Si la matriz A es cuadrada se recomienda calcular el det(A), pues para
aquellos valores de los parámetros para los que det(A) ̸= 0 el rango es
86
máximo y coincide con el orden de la matriz cuadrada A. Para los valores

de los parámetros para los cuales det(A) = 0 procedemos de acuerdo a lo
expuesto en el punto 1 [9].
II.10. Ejemplo. Utilizando determinantes, analice el rango de la siguiente

matriz cuadrada:
 
m + 2 2m + 4 0 2m
 
−1 0 −m − 1
 
 0
A=
 
 −2 −m − 3 m 1 − m 

 
0 m + 1 0 2m + 1
Solución: Debido a que la matriz cuadrada depende de un parámetro m,

procedemos calculando primero el determinante, utilizando el desarrollo por
menores respecto a la columna 3 tenemos:
m + 2 2m + 4 0 2m
m + 2 2m + 4 2m
0 −1 0 −m − 1
=m 0 −1 −m − 1
−2 −m − 3 m 1−m
0 m+1 2m + 1
0 m+1 0 2m + 1
Para resolver el determinante de orden 3 utilizamos desarrollo por menores

según la columna 1, así:
m + 2 2m + 4 2m
−1 −m − 1
m 0 −1 −m − 1 = m(m + 2)
m + 1 2m + 1
0 m+1 2m + 1
= m(m + 2)(−2m − 1 + m2 + 2m + 1)
= m(m + 2)(m2 )
= m3 (m + 2).
A continuación, analizamos los valores del determinante:

Caso 1. Si det(A) ̸= 0, entonces el rango es máximo, es decir 4, en nuestro
87
Álgebra Lineal
ejemplo:
det(A) = m3 (m + 2) ̸= 0.
Si m3 (m + 2) ̸= 0, entonces m ̸= 0 y m ̸= −2, por lo tanto: ran(A) = 4 si

m ∈ R − {−2, 0}.
Caso 2. Si det(A) = 0 entonces m3 (m + 2) = 0, entonces m = 0 o m = −2,

reemplazando los valores de m en la matriz A, se calcula el rango escalonando
la matriz:
Si m = 0, entonces:
   
2 4 0 0 1 2 0 0
   
 0 −1 0 −1 −1 0 −1
   
0
A=
  ∼  
−2 −3 0 1  −2 −3 0 1 
  
   
0 1 0 1 0 1 0 1
1/2F1 F3 +2F1
   
1 2 0 0 1 2 0 0
   
0 −1 0 −1
   
0 1 0 1
∼


 ∼ 


0 1 0 1  0 1 0 1
   
0 1 0 1 0 1 0 1 F3 −F2
−1F2
F4 −F2
 
1 2 0 0
 
 
0 1 0 1
∼

.

0 0 0 0
 
0 0 0 0
Por lo tanto, si m = 0, entonces ran(A) = 2
Si m=-2, entonces:
88
   
0 −4
0 0 −2 −1 −2 3
   
 0 −1 0 −1 0
   
1 0 1
A=
  ∼ 
−2 −1 −2 3  0 −4
  
0 0
   
0 −1 0 −3 0 −1 0 −3
F ⇌F (−1)F2
  1 3  
−2 −1 −2 3 −2 −1 −2 3
   
0 −1 0 −1
   
0 1 0 1
∼  ∼ 
0 −4 0 −4
   
0 0 0 0
   
0 −1 0 −3 0 0 0 −4
F4 −F3
 F4 +F2
−2 −1 −2 3
 
0 −1
 
0 1
∼ .
0 −4
 
0 0
 
0 0 0 0
Por lo tanto, si m = −2, entonces ran(A) = 3.
89
Álgebra Lineal
1. Encuentre los valores de x, que hacen que el determinante sea igual a
cero.
x+1 0 0
4 x 3 .
2 8 x+5
Solución: Se procede a desarrollar el determinante, utilizando para ello la
regla de Sarrus, así:
x+1 0 0
4 x 3 = (x + 1)x(x + 5) − (x + 1)(8)(3)
2 8 x+5
= (x + 1)(x2 + 5x − 24)
= (x + 1)(x + 8)(x − 3).
Utilizando la condición del problema, queremos encontrar los valores de x

que hacen cero el determinante, entonces:
(x + 1)(x + 8)(x − 3) = 0,
de donde se obtiene que: x ∈ {−8, −1, 3}.
2. Si
a1 a2 a3
det(A) = b1 b2 b3 = 3,
c1 c2 c3
calcule el determinante de la siguiente matriz:
 
a1 3a2 a3
B =  b1 3b2 b3  .
 
c1 3c2 c3
Solución: El determinante solicitado es el siguiente:
a1 3a2 a3
b1 3b2 b3 .
c1 3c2 c3
Como se puede observar todos lo elementos de la segunda columna se encuen-

tran multiplicados por 3 entonces, utilizando las propiedades de los determi-
90
nantes:
a1 3a2 a3 a1 a2 a3
b1 3b2 b3 = 3 b1 b2 b3 .
c1 3c2 c3 c1 c2 c3
Utilizando la condición del det(A) = 3, concluimos que:
a1 3a2 a3
det(B) = b1 3b2 b3 = 3(3) = 9
c1 3c2 c3
3. Una matriz A ∈ Mn (K) se llama ortogonal si A⊤ A = In , demostrar que

det(A) = ±1.
Demostración: Partiendo de la hipótesis proporcionada:
A⊤ A = In
det(A⊤ A) = det(In ),
utilizando propiedades del determinante de un producto y del determinante

de la identidad, tenemos:
A⊤ A = In
det(A⊤ )det(A) = 1
det(A)det(A) = 1
det2 (A) = 1
det(A) = ±1.
4. Sea A ∈ Mn (K) una matriz antisimétrica y n impar, demostrar que

det(A) = 0.
Demostración:
Si A es antisimétrica, tenemos que: A⊤ = −A, aplicando el determinante,
tenemos que:
det(A⊤ ) = det(−A).
Además, se sabe que det(A⊤ ) = det(A) y se puede expresar det(−A) =

(−1)n det(A), entonces:
91
Álgebra Lineal
det(A) = (−1)n det(A),
por otro lado si n es impar (−1)n = −1, entonces:
det(A) = −1det(A).
Esto significa que det(A) = 0.
5. Demostrar utilizando solo propiedades de determinantes que:
a a a a
a b b b
= a(a − b)(c − b)(c − d).
a b c c
a b c d
Demostración: Vamos a proceder a desarrollar el determinante mediante

la utilización de propiedades, para ello, como la primera columna tiene un
múltiplo a, entonces obtenemos:
a a a a 1 a a a
a b b b 1 b b b
=a ,
a b c c 1 b c c
a b c d 1 b c d
A continuación, trataremos que la columna 1 tenga la mayor cantidad de

ceros entres su elementos:
1 a a a 1 a a a
1 b b b 0 b−a b−a b−a
a =a ,
1 b c c 0 b−a c−a c−a
1 b c d F2 −F1 0 b−a c−a d−a
F3 −F1
F4 −F1
ahora trabajaremos con la segunda columna, para ello haremos cero al tercer y
cuarto elemento de la misma, así:
1 a a a 1 a a a
0 b−a b−a b−a 0 b−a b−a b−a
a =a ,
0 b−a c−a c−a 0 0 c−b c−b
0 b−a c−a d−a F3 −F2 0 0 c−b d−b
F4 −F2
92
finalmente obtenemos:
1 a a a 1 a a a
0 b−a b−a b−a 0 b−a b−a b−a
a =a .
0 0 c−b c−b 0 0 c−b c−b
0 0 c−b d−b F4 −F 3
0 0 0 d−c
Al tener una matriz triangular superior, se calcula el determinante como

producto de los elementos de su diagonal principal, así:
1 a a a
0 b−a b−a b−a
a = a(b − a)(c − b)(d − c) = a(a − b)(c − b)(c − d).
0 0 c−b c−b
0 0 0 d−c
Con lo que queda demostrado.
6. Evaluar el siguiente determinante, de la matriz de orden n:
a 2a 3a ··· na
−a 0 3a ··· na
−a −2a 0 ··· na
.. .. .. ... ..
. . . .
−a −2a −3a · · · 0
Solución: Para evaluar el determinante, se va utilizar el desarrollo Gaus-

siano, intentado de este modo obtener una matriz triangular superior, así:
a 2a 3a ··· na a 2a 3a · · · na
−a 0 3a ··· na 0 2a 6a · · · 2na
−a −2a 0 ··· na = 0 0 3a · · · 3na .
.. .. .. ... .. .. .. .. . . ..
. . . . . . . . .
F2 +F1
−a −2a −3a · · · 0 F3 +F1 0 0 0 ··· na
..
.
Fn +F1
A continuación, se multiplican los elementos de la diagonal principal por-

que se tiene un matriz triangular:
93
Álgebra Lineal
a 2a 3a · · · na
0 2a 6a · · · 2na
0 0 3a · · · 3na = a(2a)(3a) · · · na = 1(2)(3) · · · nan .
.. .. .. . . ..
. . . . .
0 0 0 ··· na
Utilizando el símbolo de factorial, entonces tenemos:
1(2)(3) · · · nan = an n!.
7. Evaluar el siguiente determinante, de la matriz de orden n:
x + a1 a2 a3 ··· an
a1 x + a2 a3 ··· an
a1 a2 x + a3 · · · an .
.. .. .. ... ..
. . . .
a1 a2 a3 ··· x + an
Solución: Para evaluar el determinante se va a utilizar el desarrollo Gaus-

siano, así:
x + a1 a2 a3 ··· an
a1 x + a2 a3 ··· an
a1 a2 x + a3 · · · an
.. .. .. ... ..
. . . .
a1 a2 a3 ··· x + an C1 +C2 +···+Cn
x + a1 + a2 + · · · + an a2 a3 ··· an
x + a1 + a2 + · · · + an x + a2 a3 ··· an
= x + a1 + a2 + · · · + an a2 x + a3 · · · an
.. .. .. .. ..
. . . . .
x + a1 + a2 + · · · + an a2 a3 ··· x + an
94
Pn
x+ ai a2 a3 ··· an
Pi=1
n
x+ ai x + a2 a3 ··· an
Pi=1
n
= x+ i=1 ai a2 x + a3 · · · an
.. .. .. ... ..
. . . .
Pn
x+ i=1 ai a2 a3 ··· x + an
1 a2 a3 ··· an
n
! 1 x + a2 a3 ··· an
X
= x+ ai 1 a2 x + a3 · · · an
i=1 .. .. .. .. ..
. . . . .
F2 −F1
1 a2 a3 ··· x + an F3 −F1
..
.
Fn −F1
1 a2 a3 · · · an
n
! 0 x 0 ··· 0
X
= x+ ai 0 0 x ··· 0
i=1 .. .. .. .. ..
. . . . .
0 0 ··· x
n
!
X
= x+ ai 1xx · · · x}
| {z
i=1 n−1veces
n
!
X
= x+ ai xn−1
i=1
95
Álgebra Lineal
1. Dadas las matrices: !
−1 2
A=
3 7
 
−1 −4 5
B= 1 2 8
 
0 6 2
 
5 −3 −8
C = 2 2 1 .
 
9 1 3
Calcular si es que existe:
det(A) − det(B ⊤ )
.
det(C)
2. Dada la matriz !
2 2
A= .
2 0
Calcular:
2−λ 2
a) p(λ) =
2 −λ
b) p(A).
3. Dada la matriz
!
1 2
A= .
3 5
Calcular: A2 − tr(A)A + det(A)I2

4. Resuelva la ecuación:
2 1 −1
4 x+1 −2 = 0.
−5 −2 x+2
5. Si A ∈ Mn (K) es nilpotente, demostrar que det(A) = 0 6. Sea:

 
1 1 1
A =  cos(a) cos(b) cos(c)  ; a, b, c ∈]0, 2π[.
 
sen(a) sen(b) sen(c)
96
Hallar det(A), en función de a, b y c.
7. La matriz A se llama idempotente si A2 = A. ¿Cuáles son los valores

posibles para det(A), si A es idempotente?.
8. Obtener det(B 5 ), donde:

 
1 0 1
B = 1 1 2 .
 
1 2 1
9. El determinante de Vandermonde de orden 3 esta dado por:
1 1 1
a1 a2 a3 .
a21 a22 a23
Demuestre que:
1 1 1
a1 a2 a3 = (a2 − a1 )(a3 − a1 )(a3 − a2 ).
a21 a22 a23
10. Demostrar que si a, b, c ∈ R, se tiene que:
−b − c + a 2a 2a
2b b−a−c 2b = (a + b + c)3 .
2c 2c c−b−a
11. Hallar el valor de x :
x a b c
a x c b
= 0.
b c x a
c b a x
12. Aplicando las propiedades de los determinantes, demostrar:
1 1 1 1
1 1+a 1 1
a) = abc.
1 1 1+b 1
1 1 1 c+1
97
Álgebra Lineal
a −b −c −d
b a −d c
b) = (a2 + b2 + c2 )2 .
c d a −b
d −c b a
bc a2 a2 cb ab ac
c) b 2 2 = ab ca bc
ca b
c2 c2 ab ca bc ab
13. Sea a ∈ R, calcular det(A) utilizando para ello el producto AA⊤ .
 
a 1 −1 1
 
−1 a −1 −1
A=  1 1 a −1 .

 
−1 1 1 a
14. Demostrar el siguiente determinante de orden n:
a b b ··· b
b a b ··· b
b b a ··· b = (a − b)n [a + (n − 1)b].
.. .. .. . . ..
. . . . .
b b b ··· a
15. Calcular el siguiente determinante:
x a b c d
a x b c d
a b x c d .
a b c x d
a b c d x
16. Calcular el siguiente determinante de orden n:
1 n n ··· n
n 2 n ··· n
n n 3 ··· n .
.. .. .. . . ..
. . . . .
n n n ··· n
17. Analizar el rango de la siguiente matriz:
98
a+1 1 1 1
1 a+1 1 1
.
1 1 a+1 1
1 1 1 a+1
18. Calcular el siguiente determinante de orden n:
n 1 1 ··· 1
n 2 1 ··· 1
n 1 3 ··· 1 .
.. .. .. . . ..
. . . . .
n 1 1 ··· n
99
Álgebra Lineal
100
CAPÍTULO III
Matriz inversa
Inversa de una matriz

Matriz elemental
Definición III.1. (Matriz elemental ) Una matriz E ∈ Mn (K) se denomi-
na matriz elemental si se obtiene a partir la matriz In ∈ Mn (K) (matriz
identidad) mediante una única operación elemental de fila[8].
La notación para matriz elemental será E y tendremos tres tipos de matrices

elementales, correspondientes a los tres tipos de operaciones elementales de
fila. A continuación, se presentan tres ejemplos de matrices elementales:
     
1 0 0 1 0 0 0 0 1
E1 = 0 1 0, E2 = −2 1 0, E3 = 0 1 0
     
0 0 5 0 0 1 1 0 0
A partir de la matriz identidad I3 al realizar la operación de tipo 1 (5F3 ) se

obtiene la matriz elemental E1 ; al realizar la operación de tipo 2 (F2 − 2F1 ) se
obtiene la matriz elemental E2 ; al realizar la operación de tipo 3 (F1 ↔ F3 ) se
obtiene E3
Teorema III.1. Sea e una operación elemental de fila y sea E ∈ Mm la

matriz elemental tal que e(Im ) = E. Entonces, para toda matriz A ∈
Mm×n [8].
e(A) = EA.
Entonces, el producto EA es la matriz que se obtiene de A cuando apli-

camos a sus filas la misma transformación que aplicamos a la identidad para
obtener E [2].
Demostración: Se debe realizar la demostración para todas las operaciones
elementales de fila, a continuación, solo se va a comprobar que el resultado es
cierto para la matriz elemental de tipo 2, es decir, para la matriz que se obtiene
de la matriz identidad al suma a la fila j, la fila i previamente multiplicada por
un escalar α. Si denotamos por ekl los coeficientes de la matriz E, entonces:
103
Álgebra Lineal



 1 si k = l

ekl = α si k = j y l = i, 1 ≤ k, l ≤ m



0 en el resto.
Sea k ∈ Im y p ∈ In , el producto de las matrices EA, tiene como elementos:

m
X
(EA)kp = ekl alp
l=1
Si k ̸= j, el único elemento ekl con l ∈ Im no nulo es ekk ( es decir, el único

elemento de la fila k no nulo es el de la diagonal), luego tenemos que (EA)kp =
akp . Esto es, todas las filas (salvo la j-ésima) de la matriz producto son iguales
a A.
En la fila j, sólo hay dos elementos no nulos, ej i = α y ejj = 1, si p ∈ In ,
entonces
(EA)jp = αaip + ajp .
Luego la fila j-ésima del producto EA corresponde a la suma de los ele-

mentos de la fila i de A multiplicado por α, mas los elementos de la fila j. Con
esto queda demostrado [2].
Teorema III.2. Sean A, B ∈ Mm×n (K). La matriz B es equivalente por

filas a la matriz A si y solo si:
B = P A,
donde P es una matriz producto de matrices elementales de orden n [7].
Esto quiere decir que B se obtiene a partir de A por medio de una secuencia
de operaciones elementales. Existen matrices elementales E1 , . . . , Eq , tales que
(E1 · · · Eq )A = B
Demostración: B ∼ A quiere decir que existen una sucesión finita de ope-
104
raciones elementales de fila tales que:
B = eq eq−1 · · · e2 e1 (A)
Utilizando el teorema III.1, sabemos que e1 (A) = E1 A, es decir:
B = eq eq−1 · · · e2 (E1 A).
Utilizando nuevamente el teorema III.1, sabemos que e2 (E1 A) = E2 E1 A, es

decir:
B = eq eq−1 · · · (E2 E1 A).
Procediendo de igual forma hasta llegar a eq se garantiza que existen q ma-

trices elementales, tales que:
B = (Eq · · · E2 E1 )A.
Sea P = Eq · · · E2 E1 , entonces:
B = P A.
Con esto queda demostrado.

De la demostración, se puede concluir que la secuencia de operaciones ele-
mentales de fila e1 , e2 , · · · , eq que nos conducen de la matriz A a la matriz B,
conducen también la matriz identidad Im a la matriz P . Es decir, si represen-
taos por (A|Im ) a la matriz aumentada de A ∈ Mm×n (K) con la matriz identi-
dad Im , se tiene que [8]:
(A|Im ) ∼ (B|P ).
Matriz inversa
Definición III.2. (Inversa de una matriz) Una matriz A ∈ Mn (K) se lla-
ma invertible, si existe una matriz B ∈ Mn (K), tal que:
AB = BA = In .
La matriz B es denominada inversa de A y se denota por A−1 . Si no existe

tal matriz, se dice que la matriz A es no invertible [1].
Una matriz invertible también se llama no singular o regular, y una matriz
105
Álgebra Lineal
no invertible es conocida también como singular.
III.1. Ejemplo. Sean las matrices:

   
5 2 −1 2
A= ,B =  .
3 1 3 −5
Entonces:
    
5 2 −1 2 1 0
AB =   =  = I2 ,
3 1 3 −5 0 1
y     
−1 2 5 2 1 0
BA =   =  = I2 .
3 −5 3 1 0 1
Como se puede apreciar AB = BA = In . Por lo tanto B es una inversa de A
Teorema III.3. (Unicidad de la inversa) Si una matriz tiene inversa, la

inversa es única [8].
Demostración: Si AB = BA = In y AC = CA = In , entonces:
B = In B
= (CA)B
= C(AB)
= CIn
= C.
Esto quiere decir que A solo puede tener una inversa, además, la matriz
inversas se suele denotar por A−1 [1], con ello la definición puede ser escrita
como:
AA−1 = A−1 A = In .
106
Propiedades de la matriz inversa
Teorema III.4. (Propiedades de la inversa) Sean A, B ∈ Mn (K),entonces:
1. Si A es una matriz no singular, entonces A−1 es no singular y [8]
(A−1 )−1 = A.
2. Si A y B son matrices no singulares, entonces AB es no singular y

[8]
(AB)−1 = B −1 A−1 .
3. Si A es una matriz no singular, entonces A⊤ es no singular y [1]
(A⊤ )−1 = (A−1 )⊤ .
4. Si A es una matriz no singular y α es un escalar distinto de cero,

entonces αA es una matriz no singular y [5]
1 −1
(αA)−1 = A .
α
5. Si A es no singular, entonces An es no singular para todo n no ne-

gativo y
(An )−1 = (A−1 )n .
6. Si A es no singular, entonces det(A) ̸= 0 y [1]
1
det(A−1 ) =
det(A)
Demostración: Para demostrar el teorema anterior se utiliza dos matrices

de orden n A y B.
107
Álgebra Lineal
1. Si la matriz A es no singular, se tiene que:
AA−1 = A−1 A = In
Aplicando la propiedad simétrica:
A−1 A = AA−1 = In
Entonces se concluye que A−1 es no singular y que su inversa es A, por

lo tanto;
(A−1 )−1 = A
2. Como A y B son no singulares, entonces existen A−1 y B −1 . Se tiene que:
(AB)(B −1 A−1 ) = A(BB −1 )A−1 = AIn A−1 = AA−1 = In ,
y
(B −1 A−1 )(AB) = B −1 (A−1 A)B = B −1 In B = B −1 B = In ,
entonces AB es no singular y tiene como inversa a B −1 A−1 , es decir:
(AB)−1 = B −1 A−1 .
3. Si A es no singular entonces existe A−1 . Se tiene que:
A⊤ (A−1 )⊤ = (A−1 A)⊤ = (In )⊤ = In ,
y
(A−1 )⊤ A⊤ = (AA−1 )⊤ = (In )⊤ = In ,
de modo que A⊤ es no singular y su inversa es (A−1 )⊤ , entonces se cum-

ple que,
(A⊤ )−1 = (A−1 )⊤ .
4. En esta demostración se debe utilizar el producto de una escalar por una

matriz y el procedimiento es parecido a los anteriores.
5. Se puede demostrar por inducción, dicha demostración queda como ta-

rea para el lector.
6. Si la matriz A es no singular, entonces existe A−1 , y A−1 A = In , aplicando
108
el determinante a esta ecuación, tenemos:
det(A−1 A) = det(In ).
Utilizando las propiedades de los determinantes, sabemos: det(A−1 A) =

det(A−1 )det(A) y det(In ) = 1, por lo tanto tenemos:
det(A−1 )det(A) = 1.
Analizando la ecuación obtenida se demuestra que det(A−1 ) ̸= 0 y

det(A) ̸= 0 y:
1
det(A−1 ) =
det(A)
Esta propiedad es muy útil cuando se desee saber si una matriz es no
singular, regular o invertible, ya que para ello basta con calcular su de-
terminante, el mismo que debe ser diferente de cero.
Cálculo de la matriz inversa mediante operaciones elementales
Teorema III.5. (Propiedades de la inversa) Sean A, B ∈ Mn (K),entonces

toda matriz elemental es invertible [8].
Demostración: Dadas unas matriz elemental E y una operación elemental

e, tal que E = e(I), se va demostrar que E es invertible.
Consideremos ahora que, las operaciones elementales tienen inversas ya

que para ello basta observar que para llegar a la identidad desde una matriz
elemental debemos realizar la operación elemental inversa.
Sea F = e−1 (I), quiere decir que F es una matriz elemental, vamos a probar
que F es una matriz inversa de E. Para ello es suficiente con demostrar que
EF = In . Utilizando el teoremaIII.1, sabemos que : EF = e(F ). Por lo tanto:
EF = e(F ) = e(e−1 (I)) = In
Con lo que queda demostrado.
109
Álgebra Lineal
Teorema III.6. Dada la matriz A ∈ Mn (K). Se cumple que [8]:
a) La matriz A es invertible.
b) La matriz A es equivalente por filas a la matriz identidad In
c) La matriz A es el producto de matrices elementales de orden n
Demostración: La estrategia de prueba consiste en lo siguiente: a → b →

c→a
a → b: existen una matriz R escalonada reducida por filas equivalente a la
matriz A y E1 , E2 , · · · , Ep matrices elementales, tales que:
R = (E1 E2 · · · Ep )A
Luego R es invertible y por lo tanto no tiene filas nulas, así R = In y A es

equivalente a In .
b → c: A es equivalente a In , entonces existen E1 , E2 , · · · , Ep matrices ele-
mentales tales que:
In = (E1 E2 · · · Ep )A.
Se concluye que A = Ep−1 · · · E1−1 .

c → a : cada matriz elemental es invertible, luego A lo es.
Entonces, este teorema nos proporciona las condiciones necesarias y sufi-
cientes para que una matriz A sea invertible o no singular [8].
MÉTODO PARA HALLAR LA MATRIZ INVERSA
Teorema III.7. Sea A ∈ Mn (K) una matriz no singular. Si una serie finita
de operaciones elementales de fila transforma la matriz A en la matriz
identidad, entonces aplicar esa misma serie de operaciones elementales
de fila a la matriz identidad resulta en la matriz inversa de A, denotada
como A−1 [8].
Mediante este teorema se puede calcular la matriz inversa de una matriz

no singular, utilizando para ello operaciones elementales de fila.
1. Escribimos la matriz ampliada o aumentada (A|In ).
110
2. Realizamos operaciones elementales de fila para obtener la matriz esca-

lonada reducida por filas de la matriz aumentada, reduciendo de esta
forma la matriz A a la identidad In , y obteniendo de este modo la matriz
A−1 [8]:
(A|In ) ∼ · · · ∼ (In |A−1 ).
III.2. Ejemplo. Dada la matriz invertible:

 
1 1 1
 
A = 1 0 1 .
 
 
1 1 0
Hallar A−1 .
Solución: Si A es invertible, entonces tiene matriz inversa, utilizando el mé-

todo propuesto, empezamos escribiendo la matriz aumentada (A|I3 ):
 
1 1 1 | 1 0 0
 
(A|I3 ) = 1 0 1 | 0 1 0 .
 
 
1 1 0 | 0 0 1
A continuación, vamos a utilizar operaciones elementales de fila de tal mo-

do de reducir la matriz A hasta obtener identidad I3 :
   
1 1 1 | 1 0 0 1 1 1 | 1 0 0
   
(A|I3 ) = 1 0 1 | 0 1 0 ∼ 0 −1 0 | −1 1 0
   
   
1 1 0 | 0 0 1 F2 −F1 0 0 −1 | −1 0 1 −F2
F3 −F1 −F3
   
1 1 1 | 1 0 0 1 1 0 | 0 0 1
   
∼ 0 1 0 | 1 −1 0  ∼ 0 1 0 | 1 −1 0 
   
   
0 0 1 | 1 0 −1 0 0 1 | 1 0 −1
F1 −F3 F1 −F2
 
1 0 0 | −1 1 1
 
−1
∼ 0 1 0 | 1 −1 0  = (I3 |A ).
 
 
0 0 1 | 1 0 −1
111
Álgebra Lineal
Por lo tanto, hemos hallado la matriz inversa:

 
−1 1 1
 
A−1 =  1 −1 0 
 
 
1 0 −1
Teorema III.8. Sean A, B ∈ Mm×n (K). La matriz B es equivalente por

filas a la matriz A, si y solo si B = P A, donde P es una matriz invertible
de orden m [8].
Demostración: Si B ∼ A, quiere decir que existen matrices elementales de

tal forma que: B = E1 E2 · · · Ep A. Por otro lado como P es invertible, entonces
es el producto de matrices elementales, así: P = E1 E2 · · · Ep [8].
De lo analizado anteriormente nos lleva a la conclusión de que las mismas
operaciones elementales de fila que aplicamos a A para obtener B, al ser apli-
cadas a Im producen P . Es decir:
(A|Im ) ∼ · · · ∼ (B|P ).
Cálculo de la matriz inversa mediante determinantes

A continuación, vamos a ver como utilizar los determinante en el cálculo
de la matriz inversa, se va a empezar demostrando que A es invertible si y solo
si det(A) ̸= 0 [1]:
Demostración: Supongamos que A ∈ Mn (K) es invertible, entonces exis-
te una matriz B tal que AB = In , aplicando el determinante a esta relación,
tenemos:
det(AB) = det(In ).
Luego utilizando propiedades:
det(A)det(B) = 1,
de donde se deduce que det(A) ̸= 0.
112
Definición III.3. (Matriz de cofactores ) Sea A ∈ Mn (K) se llama matriz

de cofactores de A, y se denota de la forma cof (A), a la matriz de orden
n que está formada por los cofactores de A [4], es decir,
 
C C12 · · · C1n
 11 
 C21 C22 · · · C2n 
 
cof (A) = (Cij ) = 
 .. .. .. .. 

 . . . . 
 
Cn1 Cn2 · · · Cnn
La definición de cofactor se estudió en la sección de determinantes.
Definición III.4. (Matriz adjunta ) Sea A ∈ Mn (K) se llama matriz ad-

junta de A, denotada por adj(A), a la matriz transpuesta de la matriz de
cofactores de A [8], es decir :
adj(A) = (cof (A))⊤ .
III.3. Ejemplo. Sea  

3 1 1
 
A =  2 5 −2 .
 
 
−1 3 3
Calcular adj(A).
Solución: Recordemos como se calculan los cofactores, por ejemplo, vamos
a calcular C12
2 −2
C12 = (−1)1+2 det(A12 ) = − = −(6 − 2) = −4,
−1 3
continuando con este proceso, obtenemos la siguiente matriz de cofactores de
113
Álgebra Lineal
A:
 
5 −2 2 −2 2 5
+ − + 
 3 3 −1 3 −1 3
   




  21 −4 11
 1 1 3 1 3 1   
cof (A) =  − + −  =  0 10 −10
.
−1 3 −1 3
  
 3 3  



 −7 8 13
 1 1 3 1 3 1 
+ − + 
5 −2 2 −2 2 5
Transponiendo la matriz de cofactores, obtenemos la matriz adjunta

 
21 0 −7
 
adj(A) = −4 10 8 .
 
 
11 −10 13
Teorema III.9. Sean A ∈ Mn (K). Entonces [7],
Aadj(A) = adj(A)A = det(A)In
Demostración: Sea A = (aij ) y adj(A) = (Cij )t = Cji , tenemos que:

n
X
Aadj(A) = aik (Cjk )
k=1
Si i = j, obtenemos:
n
X
Aadj(A) = aik (Cik ) = det(A).
k=1
Ya que la sumatoria resulta ser el desarrollo del det(A) según la i-ésima fila de
A.
Si i ̸= j, entonces la suma vale cero, para demostrar esto, consideremos la
matriz B en la que la fila r de A se ha sustituido por la fila s de A, y el resto
de sus filas son iguales a las correspondientes de A. Entonces la matriz B tiene
114
dos filas iguales, y por lo tanto det(B)=0.

Por otro lado utilizando el desarrollo por menores respecto a la fila s de B,
se puede expresar el det(B) en la siguiente forma:
n
X
det(B) = (−1)s+j bsj det(Bsj ),
j=1
Como Bs = Ar tenemos que:

n
X
det(B) = (−1)r+j arj det(Arj ),
j=1
dicha ecuación representa el determinante de A desarrollo por menores res-

pecto a la fila r de la matriz A, entonces:
n
X
(−1)r+j arj det(Arj ) = det(A) = 0.
j=1
Por lo tanto:
 
det(A) 0 ··· 0
0 det(A) · · · 0
 
 
AadjA =  .. .. ... ..
 = det(A)In .
. . .
 
 
0 0 ··· det(A)
Teorema III.10. Sean A ∈ Mn (K). Si det(A) ̸= 0, entonces A es invertible

y [4]
1
A−1 = adj(A).
det(A)
Demostración: Si la matriz A es invertible, entonces det(A) ̸= 0, además

utilizando el teorema III.9, tenemos que
Aadj(A) = det(A)In ,
de donde:
1
A adj(A) = In ,
det(A)
115
Álgebra Lineal
1
por lo tanto, A es invertible y su inversa es det(A)
adj(A), es decir:
1
A−1 = adj(A).
det(A)
Esto quiere decir que si una matriz es invertible se puede calcular su matriz
inversa mediante el producto del inverso multiplicativo del determinante de
la matriz por su matriz adjunta[8]. Teniendo de esta forma un método mas
para el calculo de la matriz inversa. Note que será conveniente primero para
calcular el determinante de la matriz para saber si esta es invertible, ya que si
el det(A) = 0, la matriz inversa no existe.
III.4. Ejemplo. Calcular la inversa de la siguiente matriz:

 
1 2 −3
 
A = −4 −5 2  .
 
 
1 1 −7
Solución: Para obtener la matriz inversa de la matriz A, se va a utilizar el

teorema III.10, primero calculamos el determinante de la matriz,
1 2 −3
det(A) = −4 −5 2 = 1(35 − 2) − 2(28 − 2) − 3(−4 + 5) = −22.
1 1 −7
Por lo tanto, la matriz es invertible. Ahora, para calcular la matriz adjunta,

se necesita conocer previamente la matriz de cofactores de A, entonces:
 
−5 2 −4 2 −4 −5
+ − + 
1 −7 1 −7 1 1  
  

  33 −26 1
2 −3 1 −3
 
 1 2   
−
cof (A) =  + − = 11 −4 1 .
  
 1 −7 1 −7 1 1   
  −11 10 3
−3 −3
 
 2 1 1 2 
+ − + 
−5 2 −4 2 −4 −5
116
Entonces la matriz adjunta será:

 
33 11 −11
 
adj(A) = −26 −4 10  ,
 
 
1 1 3
aplicando el teorema, tenemos:

   
33 11 −11 −33/22 −11/22 11/22
1 1    
A−1 = adj(A) = −26 −4 10  =  26/22 4/22 −10/22 .
   
det(A) −22    
1 1 3 −1/22 −1/22 −3/22
Entonces:  
−3/2 −1/2 1/2
 
A−1 =  13/11 2/11 −5/11 .
 
 
−1/22 −1/22 −3/22
117
Álgebra Lineal
1. Demuestre que una matriz triangular superior o triangular inferior es
invertible si cada uno de los elementos de la diagonal es diferente de cero.
Demostración: Una matriz A de orden n, triangular superior o inferior es
invertible entonces det(A) ̸= 0, recordando que el determinante de una matriz
triangular superior o inferior es:
n
Y
det(A) = a11 a22 · · · ann = aii .
i=1
Entonces, para que A sea invertible se cumple que:
det(A) = a11 a22 · · · ann ̸= 0.
Para que este producto sea diferente de cero, esto implica que :
a11 ̸= 0, a22 ̸= 0, · · · , ann ̸= 0.
Es decir, det(A) ̸= 0 si y solo si aii ̸= 0, ∀i ∈ {1, 2, · · · , n}.

Es decir una matriz triangular es invertible si y solo si aii ̸= 0, ∀i ∈
{1, 2, · · · , n}, que son los elementos de la diagonal principal de la matriz.
2. Sea A ∈ Mn (K) una matriz regular tal que AB = 0, donde 0 es la matriz

cero de orden n × p y B ∈ Mn×p (K). Demostrar que B = 0.
Demostración: Partiendo de la hipótesis proporcionada:
AB = 0.
Si A es regular entonces existe su matriz inversa, si multiplicamos toda la

ecuación por A−1 :
A−1 AB = A−1 0
IB = A−1 0
B = A−1 0,
se puede comprobar fácilmente que el producto de cualquier matriz con la

matriz cero es la matriz cero, entonces B = 0.
3. Una matriz A ∈ Mn (K) se dice nilpotente si existe k ∈ N tal que Ak = 0n .
118
Demostrar que si A es nilpotente, entonces I − A es invertible y su inversa es
(I − A)−1 = I + A + A2 + · + Ak−1 .
Demostración: Vamos a partir de la siguiente afirmación:
I k − Ak = (I − A)(I k−1 + I k−2 A + I k−3 A2 + · · · + Ak−1 ).
Como la matriz A es nilpotente Ak = 0n , tenemos que:
I = (I − A)(I + A + A2 + · · · + Ak−1 ).
de donde (I − A) es invertible y su inversa es I + A + A2 + · · · + Ak−1 , es decir:
(I − A)−1 = I + A + A2 + · · · + Ak−1
4. Calcular los valores de a ∈ R, para los cuales la matriz

 
1 −2 a
A = −1 a 1 ,
 
0 1 a
es invertible, además halle la matriz inversa para dichos valores.

Solución: La matriz A es invertible si det(A) ̸= 0, vamos a hallar el determi-
nante de la matriz:
1 −2 a
det(A) = −1 a 1 = (a2 − 1) + 2(−a) + a(−1) = a2 − 3a − 1.
0 1 a
Ahora vamos a encontrar los valores, para los cuales el determinante es

cero:
a2 − 3a − 1 = 0
p
3±
9 − 4(−1))
a=
√−2
3 ± 13
a=− .
2
n √ √ o
Entonces, si a ∈ R − − 3+2 13 , − 3−2 13 la matriz A es invertible.
n √ √ o
Ahora, se procede a calcular la matriz inversa de A para a ∈ R− − 3+2 13 , − 3−2 13 ,
usando operaciones elementales de fila.
119
Álgebra Lineal
   
1 −2 a | 1 0 0 1 −2 a | 1 0 0
(A|I3 ) = −1 a 1 | 0 1 0 ∼ 0 a − 2 1 + a | 1 1 0
   
0 1 a | 0 0 1 F +F 0 1 a | 0 0 1 F ⇌F
2 1 2 3
 
1 −2 a | 1 0 0
∼ 0 1 a | 0 0 1
 
0 a−2 1+a | 1 1 0 F3 −(a−2)F2

 
1 −2 a | 1 0 0
∼ 0 1 a | 0 0 1
 

0 0 −a2 + 3a + 1 | 1 1 −(a − 2) F3
−a2 +3a+1
 
1 −2 a | 1 0 0
∼ 0 1 a | 0 0 1
 

1 1 −(a−2)
0 0 1 | −a2 +3a+1 −a2 +3a+1 −a2 +3a+1 F2 −aF3
F1 −aF3
−a2 +2a+1 −a a(a−2)
 
1 −2 0 | −a2 +3a+1 −a2 +3a+1 −a2 +3a+1
−a −a a+1
∼ 0 1 0 |
 
−a2 +3a+1 −a2 +3a+1 −a2 +3a+1 
1 1 −(a−2)
0 0 1 | −a2 +3a+1 −a2 +3a+1 −a2 +3a+1 F1 +2F2
−a2 +1 −3a a2 +2
 
1 0 0 | −a2 +3a+1 −a2 +3a+1 −a2 +3a+1
∼ 0 1 0 | −a −a a+1
= (I3 |A−1 ).
 
−a2 +3a+1 −a2 +3a+1 −a2 +3a+1 
1 1 −(a−2)
0 0 1 | −a2 +3a+1 −a2 +3a+1 −a2 +3a+1
Entonces:
−a2 +1 −3a a2 +2
 
−a2 +3a+1 −a2 +3a+1 −a2 +3a+1
A−1 =
 −a −a a+1 
 −a2 +3a+1 −a2 +3a+1 −a2 +3a+1 
1 1 −(a−2)
−a2 +3a+1 −a2 +3a+1 −a2 +3a+1
.
5. Dada la matriz !
cosx senx
A= .
−senx cosx
Demuestre que es no singular y calcular su inversa.
Demostración: La matriz A es no singular si y solo si det(A) ̸= 0, vamos a
hallar el determinante de la matriz:
cosx senx
det(A) = = cos2 x + sen2 x = 1.
−senx cosx
Entonces det(A) ̸= 0, por lo tanto la matriz A es no singular o invertible. A
120
continuación vamos a calcular la matriz inversa utilizando el teorema III.10

!
cosx senx
cof (A) =
−senx cosx
!
cosx −senx
adj(A) = .
senx cosx
Entonces:
1
A−1 = adj(A)
det(A)
!
cosx −senx
=
senx cosx
6. Dada la matriz
 
1−1 1
adj(A) = −10 k 2  y |A| = 2.
 
7 −3 −1
Hallar el valor de k y la matriz A.

Solución: Vamos utilizar el teorema III.10 para obtener el valor de k.
1
A−1 = adj(A),
det(A)
si aplicamos el determinante a los dos miembros de la ecuación:

−1 1
det(A ) = det adj(A) ,
det(A)
aplicando las propiedades se obtiene:
1 1
= det(adj(A)),
det(A) det3 (A)
de donde obtenemos que:
det2 (A) = det(adj(A)),
ahora calculamos el determinante de la matriz adjunta de A:
1 1 −1
det(adj(A)) = −10 k 2 = 1(−k + 6) − (10 − 14) − (30 − 7k) = 6k − 20,
7 −3 −1
121
Álgebra Lineal
utilizando: det2 (A) = det(adj(A)) entonces:
22 = 6k − 20
k=4
 
1 −1 1
adj(A) = −10 4 2 .
 
7 −3 −1
A continuación, vamos a calcular la matriz A, utilizando el mismo teorema,

si multiplicamos ambos lados de la ecuación por la matriz A:
1
AA−1 = A adj(A).
det(A)
Como a matriz A es invertible debido a que su determinante es diferente

de cero:
1
I=A adj(A).
det(A)
Ahora multiplicamos ambos lados de la ecuación por la matriz inversa de

la adjunta que denotaremos (adj(A))−1 , obtenemos:
Idet(A)(adj(A))−1 = Aadj(A)(adj(A))−1 .
De donde se obtiene:
det(A)(adj(A))−1 = A.
Entonces, debemos calcular la matriz inversa de la matriz adjunta propor-

cionada, vamos a utilizar el teorema III.10, para ello se necesita la matriz ad-
junta de la matriz adjunta, así como el determinante de la matriz adjunta, que
ya lo calculamos antes en función de k, entonces:
det(adj(A)) = 6k − 20 = 6(4) − 20 = 4
 
2 4 2
cof (adj(A)) = 4 6 10
 
6 8 14
 
2 4 6
adj(adj(A)) = 4 6 8 
 
2 10 14
122
 
2 4 6
1
(adj(A))−1 = 4 6 8  .

4
2 10 14
Utilizando A = det(A)(adj(A))−1 , entonces obtenemos la matriz A:

   
2 4
1 2 3 6
1
A = 2 4 6 8  = 2 3 4 .
  
4
2 10 14 1 5 7
7. Sean la matrices:
 
 
1 −1 2 1 −1 2
A= 2 0 1 y B =  3 1 1 
   
−1 −1 0 −1 1 1
Si A es una matriz no singular, utilice su matriz inversa para calcular la
matriz X, en la ecuación:
AX = B.
Solución: Como la matriz A es no singular su matriz inversa existe y es

A−1 , entonces:
AX = B
A−1 AX = A−1 B
IX = A−1 B
X = A−1 B.
Entonces, para hallar la matriz X previamente es necesario calcular la ma-

triz inversa de A, si utilizamos el teorema III.10, tenemos:
 
−0,5 1 0,5
A−1 =  0,5 −1 −1,5 .
 
1 −1 −1
Entonces:
    
−0,5 1 0,5 2 1 −1 1,5 1 2
X = A−1 B =  0,5 −1 −1,5  3 1 1  = −0,5 −2 −3 .
    
1 −1 −1 −1 1 1 0 −1 −3
123
Álgebra Lineal
1. Sea A ∈ Mn (K) una matriz nilpotente de índice k entonces I − A es

invertible y su inversa es
(I − A)−1 = I + A + A2 + · + Ak−1 .
Utilizando este resultado encuentre la matriz inversa de :

 
1 1 3
B = 0 1 5
 
0 0 1
2. Demuestre que si A, B, C ∈ Mn (K) son matrices no singulares, entonces

ABC es invertible y (ABC)−1 = C −1 B −1 A−1 .
3. Demuestre que una matriz diagonal es invertible si y solo si cada uno de
los elementos de la diagonal es diferente de cero.
4. Demostrar que si A ∈ Mn (K) es simétrica, entonces A−1 es simétrica.
5. Demuestre que AB es invertible sabiendo que A, B ∈ Mn (K) son matri-
ces no singulares, .
6. Sea A, B ∈ Mn (K) matrices no singulares, demuestre que:
|AB − λI| = |BA − λI|
7. Muestre que la matriz
!
3 4
A= ,
−2 −3
es su propia inversa.
8. Si A ∈ Mn (K) es una matriz ortogonal,es decir At = A−1 ,calcular det(A).
9. Hallar una matriz escalonada reducida por filas R; que sea equivalente a
la matriz A y una matriz invertible P tal que: R = P A.
 
1 2 −1 1
A = −1 0 1 2
 
0 2 1 −1
10. Utilizando operaciones elementales de fila, calcule si es que existe la
124
matriz inversa de :  
1 2 1
1 3 2
 
1 0 1
 
3 1 2
2 1 2
 
1 2 2
 
1 2 −3 1
 
−1 3 −3 −2
 
2 0 1 5 
 
3 1 −2 5
11. Utilizando el teorema III.10, calcule si es que existe la matriz inversa de:
!
3 2
−3 4
 
2 0 −1
3 7 2 
 
1 1 0
 
0 1 3 2
 
 2 −1 3 4
 
−2 1 5 2
 
0 1 0 2
12. Encuentre la matriz inversa de:
 
1 a a2
A = 1 b b2 
 
1 c c2
13. Sea A ∈ Mn (K) una matriz singular, demuestre que Aadj(A) es la matriz
cero.
14. Para que valores de x la matriz
 
−x x−1 x+1
 1 2 3 ,
 
2−x x+3 x+7
no tiene inversa.
125
Álgebra Lineal
15. Demuestre que la matriz

 
senθ −cosθ 0
A =  cosθ senθ 0 ,
 
0 0 1
es invertible para todo número real θ y encuentre su inversa.

16. Calcular los valores de a ∈ R,para los cuales la matriz
 
2 a 3
A = −1 1 a ,
 
1 2 −5
es invertible, además halle la matriz inversa para dichos valores.

17. Dada la matriz adjunta de A:
 
1 3 3
1
adj(A) = 1 4 3 .

4
1 3 4
Determinar la matriz A, si es que existe.

18. Calcular det(A−1 ) + det(A), si:
 
2 1 −1 0
 
0 2 0 1
adj(A) = 
0 6

 1 5
0 −2 0 1
126
CAPÍTULO IV
Sistemas de
ecuaciones lineales
Sistemas de ecuaciones lineales

En esta sección vamos a dar a conocer algunos conceptos importantes de
sistemas de ecuaciones lineales, así como también sus métodos de solución
Definiciones y propiedades
Definición IV.1. (Ecuación lineal en n incógnitas ) Sea K un cuerpo, una
ecuación lineal en n incógnitas con coeficientes en K es una expresión de
la forma:
a1 x1 + a2 x2 + · · · + an xn = b,
donde a1 , a2 , . . . , an ∈ K son elementos conocidos y se llaman coefi-

cientes; el término b ∈ K recibe el nombre de término independiente,
y x1 , x2 , . . . , xn se llaman incógnitas[8].
Por simplicidad en esta sección se va a trabajar con el cuerpo de los reales,

es decir que a1 , a2 , . . . , an ∈ R y b ∈ R. En una ecuación lineal las incógnitas solo
pueden estar elevadas a la potencia 1, las incógnitas tampoco pueden aparecer
multiplicándose o en funciones exponenciales, logarítmicas o trigonométricas.
En una ecuación lineal, por lo general los coeficientes son representados por
las primeras letras del abecedario, mientras que las incógnitas por las últimas.
IV.1. Ejemplo. Los siguientes son ejemplos de ecuaciones lineales:
2x − sen(30)y + 5z = 2
2x − 5y + z = π
IV.2. Ejemplo. Las siguientes ecuaciones no son lineales:
2sen(x) − 5y + 5z = 2
3x2 − y + z = sen(1)
x−1 + 5x − 3y + w = −8
xy − 3w + z = 5
129
Álgebra Lineal
Definición IV.2. (Solución de la ecuación lineal) La solución de una

ecuación lineal con n incógnitas, es un conjunto de valores ordenados
de las incógnitas, digamos x1 = s1 , x2 = s2 , . . . , xn = sn o simplemente
una n−upla s = (s1 , s2 , . . . , sn ) ∈ Kn de constantes, con la propiedad de
que es cierta la siguiente expresión:
a1 s1 + a2 s2 + · · · + an sn = b,
se dice entonces que este conjunto de valores satisface la ecuación[2][8].
El conjunto de todas las soluciones es conocido como conjunto solución,

solución general o simplemente, la solución de la ecuación y contiene valores
que al ser reemplazados en las incógnitas, reducen la ecuación a una identidad.
El conjunto de valores ordenados n−upla s = (s1 , s2 , . . . , sn ) ∈ Kn también
se le conoce como vector, es por ello que en la bibliografía, se suele llamar al
conjunto solución también como vector Solución:
IV.3. Ejemplo. En la ecuación:
2x1 − 3x2 + 5x3 − x4 = 8.
Si s = (1, 2, 3, 1), entonces:
2s1 − 3s2 + 5s3 − s4 = 2(1) − 3(2) + 5(3) − (1)
= 10
10 ̸= 8,
por lo tanto, s no es una solución de la ecuación lineal.

Si s = (−2, 1, 0, 5), entonces:
2s1 − 3s2 + 5s3 − s4 = 2(−2) − 3(1) + 5(0) − (5)
= −12
−12 ̸= 8,
130
por lo tanto, s no es una solución de la ecuación lineal.

Si s = (1, 2, 3, 3), entonces:
2s1 − 3s2 + 5s3 − s4 = 2(1) − 3(2) + 5(3) − (3)
8 = 8.
por lo tanto, s si es una solución de la ecuación lineal.

Si s = (5, −1, 1, 10), entonces:
2s1 − 3s2 + 5s3 − s4 = 2(5) − 3(−1) + 5(1) − (10)
8 = 8.
por lo tanto, s es otra solución de la ecuación lineal.
Definición IV.3. (Sistema de ecuaciones lineales) Un sistema de ecua-

ciones lineales es un conjunto de m ecuaciones lineales en n incógnitas
x1 , x2 , . . . , xn , cuya expresión tiene la forma:
a11 x1 + a12 x2 + · · · + a1n xn = b1 ,
a21 x1 + a22 x2 + · · · + a2n xn = b2 ,

..
.
am1 x1 + am2 x2 + · · · + amn xn = bm .
En donde los coeficientes aij ∈ R, para todo i ∈ {1, 2, ..., m} y para

todo j ∈ {1, 2, ..., n} y los términos independientes bi ∈ R para todo
i ∈ {1, 2, ..., m} son constantes[2].
IV.4. Ejemplo. A continuación se presenta un sistema de 3 ecuaciones en 4

incógnitas
2x1 − 5x2 + 3x3 − x4 = 2
12x2 − 2x3 + 5x4 = 10
−1x1 + 3x2 + 2x3 + 2x4 = 5
131
Álgebra Lineal
Definición IV.4. (Expresión matricial de un sistema de ecuaciones linea-

les) Dado un sistema de m ecuaciones lineales en n incógnitas como el de
la definición IV.3. Si formamos con los coeficientes del sistema la matriz:
 
a a12 · · · a1n
 11 
 a21 a22 · · · a2n 
 
A=
 .. .. .. ..  ;

 . . . . 
 
que la denominaremos matriz de coeficientes del sistema y las matrices

columna:    
b x
 1  1
 b2   x2 
   
B =  . ,X = 
 
 ..  ,

.
 .  .
   
bm xn
a los que se los conoce como vector de términos independientes y vec-

tor de incógnitas respectivamente, el producto de matrices nos permite
escribir el sistema de forma simple como [1]:
AX = B.
Utilizando la multiplicación de matrices así como la igualdad de matrices

se puede observar que la forma matricial del sistema AX = B es equivalente
al sistema de ecuaciones lineales de la definición IV.3
132
AX = B
    
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
    
 .. .. ... ..   ..  =  .. 
    
 . . .  .   . 
am1 am2 · · · amn xn bm
   
a11 x1 + a12 x2 + · · · + a1n xn b1
 a21 x1 + a22 x2 + · · · + a2n xn   b2 
   
 =  ,
..   .. 

.   . 


am1 x1 + am2 x2 + · · · + amn xn bm
igualando las matrices obtenemos:
a11 x1 + a12 x2 + · · · + a1n xn = b1 ,

a21 x1 + a22 x2 + · · · + a2n xn = b2 ,
..
.
am1 x1 + am2 x2 + · · · + amn xn = bm .
Definición IV.5. (Matriz ampliada o aumentada) Sean A ∈ Mm×n (K) y

B ∈ Km , dado el sistema de ecuaciones lineales: AX = B, se dice que
(A|B),
es la matriz ampliada del sistema[2].
IV.5. Ejemplo. Dado un sistema de ecuaciones, encuentre la forma matri-

cial del sistema y la matriz ampliada.:
2x1 + 3x2 − 5x3 + x4 = −1,
−x1 − 2x2 + 3x3 − 7x4 = 10,
3x1 − 6x2 − 5x3 − 2x4 = 0,
+3x2 + 2x3 − x4 = 5.
133
Álgebra Lineal
Solución: Para escribir la forma matricial del sistema AX = B, es necesario

conocer la matriz de coeficientes y el vector de términos independientes del
sistema, así:    
2 3 −5
−1 1
   
−1 −2 3 −7
 , B =  10  .
 
A=
 3 −6 −5 −2 0
   
0 3 2 −1 5
Entonces tenemos la forma matricial AX = B del sistema:
    
2 3 −5
x1 −1
1
    
−1 −2 3 −7 x2   10 
 3 −6 −5 −2 x  =  0  .
    
   3  
0 3 2 −1 x4 5
La matriz aumentada del sistema será:

 
2 3 −5 1 | −1
 
−1 −2 3 −7 | 10 
(A|B) = 
 3 −6 −5 −2 | 0  .

 
0 3 2 −1 | 5
Definición IV.6. (Solución de un sistema lineal) Se denomina solución

de un sistema de ecuaciones lineales AX = B, a toda n−upla s =
(s1 , s2 , . . . , sn ) ∈ Rn o en su forma matricial
⊤
S = s1 s2 · · · sn ,
tal que AS = B [8].
Es decir, una solución del sistema expuesto en la definición IV.3, es un con-

junto ordenado de n valores s1 , s2 . . . , sn , tales que al ser sustituidos por cada
incógnita en la forma x1 = s1 , x2 = s2 , . . . , xn = sn en todas las ecuaciones,
satisfacen las mismas, es decir convierte a cada una en una identidad.
134
Resolución de sistemas de ecuaciones lineales
Teorema IV.1. Sean A, C ∈ Mm×n (K) y B, D ∈ Km , dados los sistemas

de ecuaciones lineales:
AX = B y CX = D
se dice que tienen las mismas soluciones si y solo si:
(A|B) ∼ (C|D),
es decir, si las matrices aumentadas de ambos sistemas son equivalentes

por filas[8].
Demostración: Si las matrices aumentadas del sistema de ecuaciones son

equivalentes por filas, entonces existe una matriz invertible P ∈ Mm×n (K) tal
que:
C = P A y D = P B,
además:
A = P −1 C y B = P −1 D.
Sea S una solución del sistema AX = B, se tiene:
CS = P AS = P B = D,
y por tanto, también es solución del sistema CX = D. Recíprocamente dada S

una solución del sistema CX = D, tenemos que:
AS = P −1 CS = P −1 D = B.
Entonces S también es solución del sistema CX = D. Por lo tanto queda

demostrado que los dos sistemas tienen las mismas soluciones.
135
Álgebra Lineal
TIPOS DE SISTEMAS LINEALES
Definición IV.7. (Sistemas lineales consistentes e inconsistentes) Sean

A ∈ Mm×n (K) y B ∈ Km , dado el sistema de ecuaciones lineales
AX = B, se dice que:
El sistema es consistente o compatible si tiene Solución:
El sistema es inconsistente o incompatible si no tiene solución[2].
Definición IV.8. Sean A ∈ Mm×n (K) y B ∈ Km , dado el sistema de

ecuaciones lineales AX = B, se cumple uno de los siguientes casos:
El sistema inconsistente[4].
El sistema es consistente y tiene una única solución (compatible

determinado) [1].
El sistema es consistente y tiene infinitas soluciones (compatible

indeterminado) [1].
Definición IV.9. (Sistemas lineales homogéneos y no homogéneos) Sean

A ∈ Mm×n (K) y B ∈ Km , dado el sistema de ecuaciones lineales AX = B
, se denomina:
Homogéneo si B = 0.
No homogéneo si B ̸= 0 [8].
Es decir, un sistema de ecuaciones se llama homogéneo si todos sus térmi-

nos independientes son cero.
IV.6. Ejemplo. El siguiente es un sistema de ecuaciones lineales homogé-
136
neo.
2x1 + 3x2 − 5x3 + x4 = 0,
1x1 − 5x2 + 2x3 − 8x4 = 0,
−2x2 + 7x3 + 2x4 = 0,
−1x1 + 2x2 − 3x3 − 5x4 = 0.
Definición IV.10. (Solución trivial y no trivial) Sean A ∈ Mm×n (K) y

dado el sistema homogéneo AX = 0, se denomina:
Solución trivial si X = 0.
Solución no trivial si X ̸= 0 [4].
Teorema IV.2. (Teorema de Rouché-Frobenius) Sean A ∈ Mm×n (K) y

B ∈ Km , dados el sistema de ecuaciones lineales AX = B, se dice que :
Si ran(A) < ran(A|B), el sistema es inconsistente[4].
Si ran(A) = ran(A|B) = r el sistema es consistente:
• Si, además r = n, la solución es única.
• Si, además r < n, el sistema tiene infinitas soluciones con n − r

parámetros[5].
Para la demostración de este teorema, es necesario definir el rango de una

matriz mediante el uso de la definición de combinación lineal, dicho tema
aparecerá en secciones posteriores.
Note que como en un sistema lineal homogéneos la matriz B = 0, entonces

ran(A) = ran(A|B) por lo tanto dicho sistema siempre tiene Solución:
137
Álgebra Lineal
Teorema IV.3. Un sistema de ecuaciones homogéneo de m ecuaciones en

n incógnitas, tiene un número infinito de soluciones si m < n, es decir,
hay más ecuaciones incógnitas[4].
Demostración: La demostración es directa del teorema IV.2.

En un sistema de ecuaciones lineales homogéneo, la matriz B es nula, esto
implica que el ran(A) = ran(A|B), si llamamos ran(A) = r.
Por definición sabemos que el rango es número de filas no nulas de una
matriz escalonada por filas equivalente a la matriz A, entonces:
ran(A) = ran(A|B) = r ≤ m < n,
entonces se cumple que:

r < n,
por lo tanto el sistema tiene infinitas soluciones.
Teorema IV.4. (Soluciones de un sistema lineal cuadrado) Sean A ∈

Mn (K) y B ∈ Kn , dado el sistema de ecuaciones lineales AX = B, si:
det(A) = 0, el sistema o no tiene solución (incompatible) o tiene

infinitas soluciones (compatible indeterminada)[8].
det(A) ̸= 0, el sistema tiene solución única [8].
Demostración 1. Si det(A) = 0, entonces existe un sistema equivalente

CX = D, en donde C tiene una de sus filas con todos sus elementos iguales a
cero, si denotando por di a dicha fila existen dos casos de estudio:
Si di = 0, nos encontramos con un sistema que tiene menos ecuaciones

que incógnitas en donde ran(A) = ran(A|B) < n y por lo tanto, el siste-
ma tiene un número infinito de soluciones.
Si di ̸= 0 entonces ran(A) < ran(A|B), por lo tanto el sistema no tiene

Solución:
2. Si det(A) ̸= 0, entonces la matriz A es no singular, y existe su matriz
138
inversa A−1 , entonces:

X = A−1 B,
Esto implica que el sistema tiene solución y además es única debido al teorema
de unicidad de la matriz inversa.
Note además que, utilizando este teorema para un sistema de ecuaciones

homogéneo, entonces si det(A) = 0 el sistema tienen infinitas soluciones, esto
significa que el sistema tiene por lo menos una solución no trivial aparte de la
trivial; mientras que si det(A) ̸= 0 entonces el sistema tiene única solución: la
trivial.
La última demostración realizada proporciona un método para resolver un
sistema de n ecuaciones lineales con n incógnitas, haciendo previamente el
cálculo de la matriz inversa de A, y luego multiplicando por el vector de tér-
minos independientes B.
MÉTODO DE GAUSS
El método de Gauss o método de triangulación tiene el objetivo de trans-

formar la matriz ampliada (A|B) del sistema lineal AX = B, en una matriz
escalonada por filas. Este método transforma la matriz de coeficientes A en
una matriz triangular superior mediante el uso de operaciones elementales de
fila.
IV.7. Ejemplo. Resolver el siguiente sistema utilizando el método de Gauss:
1x1 + 2x2 + 3x3 + 4x4 = 5,
2x1 + x2 + 2x3 + 3x4 = 1,
3x1 + x2 + x3 + 2x4 = 1,
4x1 + 3x2 + 2x3 + x4 = −5.
Solución: Partiendo de la matriz ampliada (A|B) del sistema AX = B,

mediante el uso de operaciones elementales de fila se procederá a encontrar la
matriz escalonada (C|D) equivalente por filas a la original, en donde el nuevo
sistema CX = D tendrá la misma solución que el sistema original, así:
139
Álgebra Lineal
   
1 2 3 4 | 5 1 2 3 4 | 5
   
1 2 3 | 1 0 −3 −4 −5 | −9 
   
2
(A|B) =   ∼
 
1 1 2 | 1 0 −5 −8 −10 | −14
  
3
   
4 3 2 1 | −5 2 1
F −2F 0 −5 −10 −15 | −25
F3 −3F1 −1/3F2
F4 −4F1
   
1 2 3 4 | 5 1 2 3 4 | 5
   
5/3 | | 3 
   
0 1 4/3 3  0 1 4/3 5/3
∼  ∼ 
−5 −8 −10 | −14 0 0 −4/3 −5/3 | 1 
   
0
   
0 −5 −10 −15 | −25 F3 +5F2 0 0 −10/3 −20/3 | −10
−3/4F3
F4 +5F2
   
1 2 3 4 | 5 1 2 3 4 | 5
   
| |
   
0 1 4/3 5/3 3  0 1 4/3 5/3 3 
∼  ∼ 
| −3/4 | −3/4 
   
0 0 1 5/4 0 0 1 5/4
   
0 0 −10/3 −20/3 | −10 10
0 0 0 −5/2 | −25/2
F4 + 3
F3
= (C|D).
El sistema que hemos obtenido CX = D es equivalente al sistema AX = B,

por lo tanto tienen las mismas soluciones, pero nuestro nuevo sistema es mas
fácil de resolver que el original:
CX = D
    
1 2 3 4 x 5
   1  
    
0 1 4/3 5/3  x2   3 
   =  
−3/4 
    
0 0 1 5/4 x
  3 
   
 
0 0 0 −5/2 x4 −25/2
x1 + 2x2 + 3x3 + 4x4 = 5,

4 5
x2 + x3 + x4 = 3,
3 3
5 3
x3 + x4 = − ,
4 4
140
5 25
− x4 = − .
2 2
Para encontrar el valor de las incógnitas, haremos sustitución regresiva:
x4 = 5,
3 5
x3 = − − (5) = −7,
4 4
4 5
x2 = 3 − (−7) − (5) = 4,
3 3
x1 = 5 − 2(4) − 3(−7) − 4(5) = −2.
⊤
Por lo tanto, la solución del sistema CX = D es S = −2 4 −7 5 .
Ya que los dos sistemas son equivalentes tienen la misma solución, por lo
tanto queda resuelto el sistema de ecuaciones AX = B. Demostración :
    
1 2 3 4 −2 5
    
    
2 1 2 3  4   1 
AS =     =   = B.
2 −7  1 
    
3 1 1
    
4 3 2 1 5 −5
MÉTODO DE GAUSS-JORDAN
En este método busca encontrar la matriz escalonada reducida por filas de

la matriz ampliada del sistema, de esta forma lo que se hace es diagonalizar
la matriz de coeficientes A del sistema, obteniéndose un sistema equivalente,
en el cual es sencillo hallar el valor de las incógnitas, pues a diferencia del
método de Gauss, en este no es necesario despejar las incógnitas, ya que son
halladas directamente. Si se está trabajando con un sistema de n ecuaciones en
n incógnitas, la forma escalonada reducida por filas de la matriz de coeficientes
a la que se trata de llegar es la matriz identidad.
IV.8. Ejemplo. Resolver el siguiente sistema utilizando el método de Gauss-
141
Álgebra Lineal
Jordan :
1x1 + 2x2 + 3x3 + 4x4 = 5,
2x1 + x2 + 2x3 + 3x4 = 1,
3x1 + x2 + x3 + 2x4 = 1,
4x1 + 3x2 + 2x3 + x4 = −5.
Solución: Partiendo de la matriz ampliada del sistema vamos a encontrar

la matriz escalonada reducida por filas, como este ejemplo es el mismo que se
resolvió utilizando el método de Gauss, utilizamos la matriz escalonada del
ejemplo anterior y continuamos:
   
1 2 3 4 | 5 1 2 3 4 | 5
   
| 1 |
   
2 1 2 3 0 1 4/3 5/3 3 
(A|B) =   ∼ ··· 
| 1 | −3/4 
   
3 1 1 2 0 0 1 5/4
   
4 3 2 1 | −5 0 0 0 −5/2 | −25/2
−2/5F4
   
1 2 3 4 | 5 1 2 3 0 | −15
   
5/3 | 4/3 0 | −16/3
   
0 1 4/3 3  0 1
∼  ∼  
5/4 | −3/4 1 0 | −7 
   
0 0 1  0 0
   
0 0 0 1 | 5 F3 −5/4F4 0 0 0 1 | 5 F2 −4/3F3
F2 −5/3F4
F1 −3F3
F1 −4F4
   
1 2 0 0 | 6 1 0 0 0 | −2
   
1 0 0 | 4 1 0 0 |
   
0 0 4
∼  ∼  = (E|F )
0 1 0 | −7 0 1 0 | −7
   
0 0
   
0 0 0 1 | 5 0 0 0 1 | 5
F1 −2F2
El sistema que hemos obtenido EX = F es equivalente al sistema AX = B,

por lo tanto, tienen las mismas soluciones, pero nuestro nuevo sistema es más
142
fácil de resolver que el original:
EX = F
    
1 0 0 0 x −2
   1  
    
0 1 0 0 x2   4 
   =  
0 x3  −7
    
0 0 1
    
0 0 0 1 x4 5
x1 = −2,
x2 = 4,
x3 = −7,
x4 = 5.
⊤
Por lo tanto, la solución del sistema EX = F es S = −2 4 −7 5 .
Y debido a que los dos sistemas son equivalentes tienen la misma solución,
por lo tanto queda resuelto el sistema de ecuaciones AX = B.
MÉTODO DE CRAMER
En este método utiliza determinantes, es por ello que el sistema debe tener
n ecuaciones en n incógnitas, también conocido como sistema cuadrado. Ade-
más, dicho sistema debe ser compatible determinado, es decir, el det(A) ̸= 0.
Teorema IV.5. (Regla de Cramer) Sean A ∈ Mn (K) y B ∈ Kn , y dado

el sistema de ecuaciones lineales AX = B, si det(A) ̸= 0, el sistema es
compatible determinado, y las soluciones vienen dadas por:
det(Ai )
xi = ,
det(A)
para todo i ∈ {1, 2, . . . n} y en donde Ai es la matriz que se obtiene al sus-

tituir la i−ésima columna de A por el vector de términos independientes
[1].
143
Álgebra Lineal
Demostración: Como det(A) ̸= 0, entonces existe la matriz inversa de A:
AX = B
X = A−1 B,
por otro lado, sabemos que
1
A−1 = adj(A),
det(A)
adj(A)B
X=
det(A)
sea i = 1, 2, . . . , n, además recordando que adj(A) = (cof (A))t = (Cji ), enton-
ces:
n
1 X
xi = ((Cji )B)i1 = Cji Bj
det(A) j=1
Donde la sumatoria justamente es el desarrollo del determinante por me-

nores respecto a la i−ésima columna de la matriz que se obtiene al sustituir la
i−ésima columna de A por el vector columna de términos independientes B.
Entonces:
det(Ai )
xi = ,
det(A)
para i = 1, 2, . . . n y donde Ai es la matriz que se obtiene al sustituir la i−ésima
columna de A por el vector de términos independientes.
IV.9. Ejemplo. Resuelva el siguiente sistema utilizando la regla de Cramer.
x1 + 3x2 − x3 = 0,
3x1 − 4x2 + x3 = 2,
2x1 + 2x2 + x3 = 13.
Solución: Primero se encuentra el determinante de la matriz de coeficien-

tes:
1 3 −1
det(A) = 3 −4 1 = (−4 − 2) − 3(3 − 2) − 1(6 + 8) = −23,
2 2 1
Como el determinante es diferente de cero, entonces el sistema es compati-
144
ble determinado, ahora vamos a hallar los siguientes determinantes:
0 3 −1
det(A1 ) = 2 −4 1 = −3(2 − 13) − 1(4 + 52) = −23,
13 2 1
1 0 −1
det(A2 ) = 3 2 1 = 1(2 − 13) − 1(39 − 4) = −46,
2 13 1
1 3 0
det(A3 ) = 3 −4 2 = (−52 − 4) − 3(39 − 4) = −161.
2 2 13
Entonces:
det(A1 ) −23
x1 = = = 1,
det(A) −23
det(A2 ) −46
x2 = = = 2,
det(A) −23
det(A3 ) −161
x3 = = = 7.
det(A) −23
145
Álgebra Lineal
1. Encuentre el conjunto solución del sistema:
x1 + x2 − x3 = 3,
2x1 − x2 + 4x3 = 3,
3x1 + 2x2 − x3 = 8.
Solución: Para resolver el problema se va a utilizar el método de Gauss-

Jordan, para ello empezamos escribiendo la expresión matricial del sistema
AX = B, así:
AX = B
    
1 1 −1 x1 3
2 −1 4  x2  = 3 .
    
3 2 −1 x3 8
A continuación partiendo de la matriz ampliada (A|B) vamos a encontrar

la matriz escalonada reducida por filas.
   
1 1 −1 | 3 1 1 −1 | 3
(A|B) = 2 −1 4 | 3 ∼ 0 −3 6 | −3
   
3 2 −1 | 8 F2 −2F1 0 −1 2 | −1 −1/3F
F3 −3F1 2
   
1 1 −1 | 3 1 1 −1 | 3
∼ 0 1 −2 | 1  ∼ 0 1 −2 | 1
   
0 −1 2 | −1 F +F 0 0 0 | 0 F −F
3 2 1 2
 
1 0 1 | 2
∼ 0 1 −2 | 1 = (C|D),
 
0 0 0 | 0
De donde hemos obtenido la matriz escalonada reducida por filas (C|D),

además al ser equivalente por filas a la matriz aumentada original, obtenemos
que ran(A) = 2 y ran(A|B) = 2 entonces:
ran(A) = ran(A|B) = 2 < n,
Donde n = 3 que es el número de incógnitas, entonces se concluye que el

sistema tiene infinitas soluciones.
146
Escribiendo la expresión matricial del sistema equivalente CX = D,

    
1 0 1 x1 2
0 1 −2 x2  = 1 ,
    
0 0 0 x3 0
que tiene la misma solución que el sistema original AX = B, obtenemos el

sistema:
x1 + x3 = 2,
x2 − 2x3 = 1,
0x1 + 0x2 + 0x3 = 0.
Como se puede observar, la tercera ecuación 0x1 +0x2 +0x3 = 0 del sistema,
es satisfecha para cualquier conjunto de valores de las incógnitas, es decir el
sistema tiene infinitas soluciones tal como lo habíamos concluido al analizar
los rangos de la matriz A y de la ampliada (A|B). Sea x3 = a ∈ R, entonces:
x1 = 2 − a,
x2 = 1 + 2a.
Es decir, el conjunto solución del sistema es:
{2 − a, 1 + 2a, a : a ∈ R} ,
o en forma de vector solución columna:

 
2−a
S = 1 + 2a , a ∈ R
 
2. Demuestre que, si x1 y x2 son soluciones del sistema lineal Ax = b, enton-

ces x1 − x2 es solución del sistema homogéneo Ax = 0.
Demostración. Como x1 y x2 son soluciones del sistema Ax = b, entonces

se cumple que:
Ax1 = b y Ax2 = b,
147
Álgebra Lineal
Vamos a demostrar que x1 − x2 es solución, si A(x1 − x2 ) = 0, entonces:
A(x1 − x2 ) = Ax1 − Ax2

=b−b
= 0,
por lo tanto x1 − x2 es solución del sistema homogéneo Ax = b.

3. Resolver, en caso de ser compatible, el sistema de ecuaciones:
x1 + x2 − 3x3 = −1,
2x1 + x2 − 2x3 = 1,
x1 + x2 + x3 = 3,
x1 + 2x2 − 3x3 = 1.
Solución: Para resolver el problema se va a utilizar el método de Gaus, para

ello empezamos escribiendo la expresión matricial del sistema AX = B, así:
AX = B
   
1 1 −3   −1
  x1  
2 1 −2    1 .


1
 x 2  =
1 1 3
x3
   
1 2 −3 1
A continuación, partiendo de la matriz ampliada (A|B) vamos a encontrar

la matriz escalonada por filas.
   
1 1 −3 | −1 1 1 −3 | −1
   
2 1 −2 | 1  0 −1 4 | 3 
(A|B) = 1 1 1 | 3 
 ∼ 
 
0 0
 4 | 4 

1 2 −3 | 1 F2 −2F1 0 1 0 | 2 −1F
F3 −F1 2
F4 −F1
   
1 1 −3 | −1 1 1 −3 | −1
   
0 1 −4 | −3 0 1 −4 | −3
∼
  ∼
 
0 0 4 | 4  0 0 4 | 4 
 
0 1 0 | 2 F 0 0 4 | 5 1/4F
4 −F2 3
148
   
1 1 −3 | −1 1 1 −3 | −1
   
0 1 −4 | −3 0 1 −4 | −3
∼
  ∼
  = (C|D).
 0 0 1 | 1 
  0 0 1 | 1 

0 0 4 | 5 F 0 0 0 | 1
4 −4F2
Obtenemos que ran(A) = 3 y ran(A|B) = 4, entonces:
ran(A) < ran(A|B),
por lo tanto, el sistema es incompatible, es decir, no tiene Solución.

Si escribimos la expresión matricial del sistema equivalente CX = D,
   
1 1 −3   −1
  x1  
0 1 −4    1 
 0 0 1   x2  =  3 
   
x3
   
0 0 0 1
que tiene la misma solución que el sistema original AX = B, obtenemos el

sistema:
x1 + x2 − 3x3 = −1,
x2 − 4x3 = 1,
x3 = 3,
0x1 + 0x2 + 0x3 = 1.
Como se puede observar, la cuarta ecuación 0x1 + 0x2 + 0x3 = 1 del sistema
no es satisfecha para ningún conjunto de valores de las incógnitas, como esta
ecuación no tiene solución, entonces el sistema AX = B no tiene solución,
tal como lo habíamos concluido al analizar los rangos de la matriz A y de la
ampliada (A|B).
4. Hallar los valores de a, b ∈ R para que el sistema de ecuaciones lineales:
3x − 2y + z = b,
5x − 8y + 9z = 3,
2z + y + az = −1.
a) Tenga solución única.

b) Tenga infinitas soluciones.
c) No tenga Solución:
149
Álgebra Lineal
Solución: a) Para resolver el problema se va a utilizar el método de Gauss,

para ello empezamos escribiendo la expresión matricial del sistema AX = B,
así:
AX = B
    
3 −2 1 x b
5 −8 9 y  =  3  .
    
2 1 a z −1

   
3 −2 1 | b 1 −3 1 − a | b + 1
(A|B) = 5 −8 9 | 3 ∼ 5 −8 9 | 3 
   
2 1 a | −1 F 2 1 a | −1 F2 −5F1
1 −F3 F3 −2F1
   
1 −3 1 − a | b + 1 1 −3 1−a | b+1
4+5a −2−5b
∼ 0 7 4 + 5a | −2 − 5b ∼ 0 1 |
   
7 7 
0 7 3a − 2 | −3 − 2b 1
F
0 7 3a − 2 | −3 − 2b F3 −7F2
7 2
 
1 −3 1 − a | b + 1
∼ 0 1 4+5a
| −2−5b  = (C|D).
 
7 7
0 0 −2a − 6 | 3b − 1
El sistema matricial CX = D que hemos obtenido, es equivalente al sistema

original AX = B, de esa forma ambos sistemas tienen la misma Solución: Si
ran(A) = ran(A|B) = 3, entonces el sistema tiene única solución, para que esto
se cumpla:
−2a − 6 ̸= 0 ∧ 3b − 1 ̸= 0,
Entonces si a ̸= −3 ∧ b ̸= 1/3, el sistema tiene única Solución:
b) Si ran(A) = ran(A|B), además este rango debe ser menor al número de

incógnitas n = 3, entonces el sistema tiene infinitas soluciones, entonces , para
que esto se cumpla:
−2a − 6 = 0 ∧ 3b − 1 = 0,
Entonces si a = −3 ∧ b = 1/3, el sistema tiene única Solución:
c) Si ran(A) < ran(A|B), entonces el sistema no tiene solución, para que
150
esto se cumpla:
−2a − 6 = 0 ∧ 3b − 1 ̸= 0,
entonces si a = −3 ∧ b ̸= 1/3, el sistema no tiene Solución:
5. Hallar los valores de a ∈ R que hace compatible el siguiente sistema de

ecuaciones lineales, además para dichos valores de a exprese la Solución:
x + 3y + z = 0,
2x + y − 3z = 5,
−x + 7y + 9z = a.
Solución: Para resolver el problema se va a utilizar el método de Gauss,

para ello empezamos escribiendo la expresión matricial del sistema AX = B,
así:
AX = B
    
1 3 1 x 0
 2 1 −3 y  = 5 .
    
−1 7 9 z a

   
1 3 1 | 0 1 3 1 | 0
(A|B) =  2 1 −3 | 5 ∼ 0 −5 −5 | 5
   
−1 7 9 | a F2 −2F1 0 10 10 | a −1/5F
F3 +F1 2
   
1 3 1 | 0 1 3 1 | 0
∼ 0 1 1 | −1 ∼ 0 1 1 | −1 
   
0 10 10 | a F −10F 0 0 0 | a + 10 F −3F
3 2 1 2
 
1 0 −2 | 3
∼ 0 1 1 | −1  = (C|D).
 
0 0 0 | a + 10
Si ran(A) = ran(A|B), entonces el sistema es compatible, en nuestro ejem-

plo esto se cumple si:
a + 10 = 0
a = −10.
151
Álgebra Lineal
Además, el rango es menor que le número de incógnitas, por lo tanto si

a = −10, el sistema es compatible indeterminado, es decir, tiene infinitas solu-
ciones. Note que en el ejemplo no es posible encontrar valores de a que hagan
que el rango sea igual al numero de incógnitas, es decir, que el sistema sea
compatible determinado.
Para hallar la solución del sistema cuando a = −10 vamos a utilizar el
sistema equivalente CX = D, ya que este tiene las mismas soluciones que el
sistema original, entonces:
    
1 0 −2 x 3
0 1 1  y  = −1
    
0 0 0 z 0
De donde obtenemos el siguiente sistema:
x − 2z = 3,
y + z = −1.
Sea z = t ∈ R, entonces:
x = 3 + 2t,
y = −1 − t,
z = t.
Es decir, el conjunto solución es:
{3 + 2t, −1 − t, t : t ∈ R} .
152
1. Dado el sistema de ecuaciones en forma matricial:
! !
1 2 x1
=B
2 4 x2
Determinar
! si el sistema
! tiene solución
! en los siguientes caso:
1 1 3
a. b = b. b = c. b =
3 2 6
Además, en el caso que exista solución, comente sobre el número de las
mismas.
2. Resuelva si es posible los siguientes sistemas de ecuaciones lineales uti-
lizando el método de Gauss-Jordan.
3x1 + 6x2 − 6x3 = 9,

2x1 − 5x2 + 4x3 = 6,
5x1 + 28x2 − 26x3 = −8.
x1 − x2 + x3 = 6,
3x1 − 3x2 + 3x3 = 18.
x1 + 2x2 + 2x3 = −2,

3x1 + x2 + 3x3 = 6,
2x1 + x2 − 2x3 = −1,
2x1 + x2 + x3 = 2.
x1 + 2x2 − 2x3 − x4 = 1,
−3x1 + 4x2 + x3 − 2x4 = 4,
−3x1 + 14x2 + 4x3 − 7x4 = 3,
6x1 + 12x2 − 12x3 − 6x4 = 5.
x1 + x2 + 2x3 + 3x4 = 13,

x1 − 2x2 + x3 + x4 = 8,
3x1 + x2 + x3 − x4 = 1.
153
Álgebra Lineal
x1 + x2 + x3 = 1,
x1 + x2 − 2x3 = 3,
2x1 + x2 + x3 = 2.
2x1 + x2 + x3 − 2x4 = 1,
3x1 − 2x2 + x3 − 6x4 = −2,
x1 + x2 − x3 − x4 = −1,
6x1 + x2 + x3 − 9x4 = −2,
5x1 − x2 + 2x3 − 8x4 = 3.
3. Resuelva el siguiente sistema de ecuaciones lineales:
x1 + 5x2 − 4x3 = 0,
x1 − 2x2 + x3 = 0,
3x1 + x2 − 2x3 = 0.
4. Demuestre que el sistema
2x1 − x2 + 3x3 = a,
3x1 + x2 − 5x3 = b,
−5x1 − 5x2 + 21x3 = c.
Es incompatible si c ̸= 2a − 3b
5. Dado el sistema de ecuaciones homogéneo
2x1 − 3x2 + 5x3 = 0,

−x1 + 7x2 − x3 = 0,
4x1 − 11x2 + kx3 = 0.
Para que valores de k se obtiene soluciones no triviales.
6. Sean x1 y x2 soluciones del sistema homogéneo Ax = 0. Demuestre que

x1 + x2 y x1 − x2 también son soluciones del sistema homogéneo.
154
7. Utilizando la regla de Cramer resuelva los siguientes sistemas de ecua-

ciones:
x + 2y + z − w = −2,
3x − y − z + w = 3,
2x − y + 2z − 4w = 1,
4x − 3y − 2z + w = 3.
2x1 − x2 − x3 = 4,
3x1 + 4x2 − 2x3 = 11,
3x1 − 2x2 + 4x3 = 11.
x2 − 3x3 + 4x4 = −5,

x1 − 2x3 + 3x4 = −4,
3x1 + 2x2 − 5x4 = 12,
4x1 + 3x2 − 5x3 = 5.
−x + y − z = a − b + 2,
(b + 1)x + y + z = 2a + 2,
x + z = a,
(b + 1)x − y + z = b − 2.

c) No tenga solución.
9. Determinar los valores de a ∈ R, tales que el sistema:
ax1 + x2 − x3 = 0,
x1 + 3x2 + x3 = 0,
3x1 + 10x2 + 4x3 = 0.
Tenga una única solución.
155
Álgebra Lineal
10. Determinar los valores de a ∈ R para los cuales el sistema:
ax1 + x2 = 0,
x1 + ax2 = 0,
a3 x1 + x2 + a3 x3 + ax4 = 0,
x1 + a2 x2 + ax3 + ax4 = 0.
Tiene alguna solución no trivial, y para esos valores de a resolverlo.

11. Puede existir una parábola que pase por los puntos (0; 1), (1; 3), (2; 15) y
(3; 37).
ax + ay = b,
bx + ay = a,
abx + aby = 1.

c) No tenga solución.
156
Referencias
[1] Merino, L.; Santos, E. Álgebra lineal con métodos elementales. Paraninfo S.A.,
2006.
[2] E. Aranda. Álgebra lineal con aplicaciones y Phyton. Lulu.com, 2013.
[3] Espinoza, R. Vectores y Matrices.
[4] Grossman, S.; Flores, J. Álgebra lineal. McGraw-Hill, 2012.
[5] Garcia, Joe. Algebra Lineal con Matlab. ESPE, 2008.
[6] Kolman, B.; Hill, D. Álgebra lineal con aplicaciones y Matlab. 6. Pearson Edu-
cation, 2006.
[7] Núñez, Juan; Sandoval, Iván. Algebra Lineal. EPN, 2015.
[8] Cueva, R.; Navas, F.; Toro, J. Álgebra lineal. E.P.N., 2009.
[9] Universidad del País Vasco. https://acortar.link/bFaIUH, 23 de

Julio de 2024.
157
Álgebra lineal I
Matrices, determinantes
y sistemas lineales
El texto “Álgebra Lineal I: Matrices, Determinantes y Sistemas

Lineales” tiene como objetivo proporcionar a los estudiantes de
primer nivel de Ingeniería una comprensión profunda sobre la
importancia del estudio de las matrices, los tipos de matrices, sus
operaciones y propiedades, manteniendo un enfoque riguroso
y detallado.
Se abordan temas de gran relevancia, como los determinantes
de orden n, sus propiedades y los diversos métodos de cálculo.
Estos conceptos son fundamentales para el cálculo de matrices
inversas y la resolución de sistemas de ecuaciones, tratados
exhaustivamente en este libro.
Esperamos que esta obra sea un valioso recurso de apoyo para
los jóvenes de nuestro país.
Los autores

Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal

Cargado por

Información del documento

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

Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

Álgebra lineal I

Matrices, determinantes y Sistemas Lineales

Santiago David Quinga Socasi, Nury Gabriela Ortiz Moya y

Primera edición electrónica: septiembre, 2024

Universidad de las Fuerzas Armadas-ESPE

Publicación autorizada por:

Corrección de estilo y diseño

Imagen de cubierta: https://lc.cx/iUm61e

Universidad de las Fuerzas Armadas-ESPE

Santiago David Quinga Socasi

Nury Gabriela Ortiz Moya

Lucía Eudocia Castro Gordón

El álgebra lineal es una de las piedras angulares de las matemáticas, una

A Dios y a la Mater, fuente de sabiduría y fortaleza, cuya guía y bendicio-

A todos los estudiantes que se embarcan en la fascinante aventura del co-

A la familia y amigos, por su paciencia, amor y comprensión durante las

A los compañeros del Departamento de Ciencias Exactas, por su apoyo y

A los revisores y editores, por sus valiosos comentarios y sugerencias, que

Y, finalmente, a todos aquellos que creen en el poder transformador de la

Ingeniero en Electrónica y Control, Magister en Eficiencia Energética, Más-

Nury Gabriela Ortiz Moya

Ingeniera en Mecatrónica, Máster en Ingeniería en Matemática y Compu-

Lucia Eudocia Castro Gordón

Magister en la Enseñanza de la Matemática, Doctora en Ciencias de la Edu-

Matriz escalonada reducida por filas . . . . . . . . . . . . 51

Capítulo III - Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

Capítulo IV - Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . 153

Matrices, definición y propiedades

Operaciones con matrices

Operaciones elementales entre filas

Escalonamiento y rango de una matriz

Operación binaria o ley de composición interna

Una operación en un conjunto A se le suele llamar también ley de compo-

I.1. Ejemplo. Sea A = N el conjunto de los números naturales.

La operación adición “+” en N es una función de N × N en N qué a cada

El número m + n se llama suma de m con n.

I.2. Ejemplo. Sea A = Z el conjunto de los números enteros.

La operación producto “×” en Z es una función de Z × Z en Z qué a cada

El número m × n se llama producto de m con n.

I.3. Ejemplo. Sea A = N

La resta de números naturales no es una operación en N, pues si m = 5 y

Definición I.2. Una operación ∗ en un conjunto no vacío G es una fun-

El elemento x ∗ y se lee “x operación ∗ con y”.

En otras palabras, una operación esencialmente implica aplicar una acción

• Se dice que A es conmutativo si en él se verifica la propiedad conmutativa

• Si A es un anillo con unidad, se dice que A es un anillo con división si:

Tal elemento b se nota a−1 y se denomina opuesto multiplicativo de a.

Además, cumple con las propiedades: conmutativa, asociativa, existencia

6 7 8 am1 am2 amn

En toda matriz, todos los elementos horizontales se llaman filas y se repre-

a31 : el elemento de la fila 3 columna 1 es 6.

a32 : el elemento de la fila 3 columna 2 es 7.

a33 : el elemento de la fila 3 columna 3 es 8.

Todos los elementos verticales se llaman columnas, se representan con la

a12 : el elemento de la fila 1 columna 2 es 2.

a22 : el elemento de la fila 2 columna 2 es 4.

a32 : el elemento de la fila 3 columna 2 es 7.

La dimensión u orden de una matriz corresponde al número máximo de

m: número máximo de filas