82RJGUJH3PTBUYT7SNH2

Matrices, vectores
y sistemas
de ecuaciones
lineales
Antonio Montes Lozano
1,5 créditos
P00/75004/00191
⎛ a 11 a 21 … a 1n ⎞
⎜ ⎟
A = ⎜ a 21 a 22 … a 2n ⎟
⎜ ⎟
⎝ am 1 am 2 … am n ⎠
© FUOC • P00/75004/00191 Matrices, vectores y sistemas de ecuaciones lineales
Índice
Introducción............................................................................................... 5
Objetivos ...................................................................................................... 6
1. Preliminares .......................................................................................... 7
2. Matrices .................................................................................................. 8
2.1. Producto de matrices ......................................................................... 9
2.2. Suma de matrices............................................................................... 10
2.3. Matrices cuadradas ............................................................................ 12
2.4. La transpuesta de una matriz ............................................................ 14
3. Espacios vectoriales ............................................................................. 16

3.1. Dependencia e independencia lineal ................................................ 17
3.2. Bases ................................................................................................... 19
3.3. Subespacios vectoriales y rango......................................................... 24
4. El método de Gauss .............................................................................. 26
5. Rango y teorema de Rouché-Fröbenius .......................................... 34
6. Sistemas homogéneos.......................................................................... 38
7. Determinantes y regla de Cramer.................................................... 41

7.1. Determinantes de segundo orden ..................................................... 41
7.2. Determinantes de tercer orden .......................................................... 43
7.3. Determinantes de orden n................................................................. 44
7.3.1. Propiedades de los determinantes.......................................... 45
7.3.2. Regla de Cramer para los sistemas n × n ................................ 49
8. Matriz inversa ....................................................................................... 55
Resumen....................................................................................................... 59
Ejercicios de autoevaluación .................................................................. 61
Solucionario................................................................................................ 64
Glosario ........................................................................................................ 76
Bibliografía................................................................................................. 77
© FUOC • P00/75004/00191 5 Matrices, vectores y sistemas de ecuaciones lineales
Introducción
Muchos problemas técnicos y científicos requieren la resolución de sistemas

de ecuaciones lineales . Es un tema fundamental para todas las disciplinas que
utilizan las matemáticas de una manera u otra. En muchos problemas existe
una dependencia entre las diferentes magnitudes o variables que intervienen
y a menudo la planteamos en forma de ecuación lineal. Otras veces representa
una buena aproximación al problema objeto de estudio.
En este módulo estudiaremos de forma sistemática los sistemas de ecuaciones

lineales. Pero para profundizar en su conocimiento, abordaremos previamente
el estudio de las matrices y los vectores como tablas de números. Este estudio
nos conducirá a introducir la estructura de espacio vectorial, que tiene valor
por sí misma y se aplica a muchos campos como, por ejemplo, los gráficos 3D.
Estudiaremos a continuación el método de Gauss para resolver efectivamente
Evariste Galois
los sistemas. (1811-1832)…
… empezó a interesarse por las

matemáticas a los 15 años, y
Provistos con las consecuencias de la noción de independencia lineal de vec- tres años después ya publicó
tores, podremos abordar la definición y el cálculo del rango, que nos permite un trabajo importante. Com-
prometido en contra de las in-
discutir los sistemas con ayuda del teorema de Rouché-Fröbenius . Finalmen- justicias políticas, los sucesos
de las revoluciones de 1830 lo
te, introduciremos el concepto de determinante , que permitirá dar fórmulas condujeron, indirectamente, a
cerradas para las soluciones de los sistemas y ayudar en la discusión de siste- una muerte prematura a los 21
años. A pesar de todo, dejó
mas con parámetros. una producción matemática
trascendental en el campo de
la teoría de las ecuaciones.
Objetivos
Se pretende que, estudiando los conceptos de este módulo y con los ejemplos
y actividades que se incluyen, se alcancen los objetivos siguientes:
1. Dominar el álgebra de matrices.
2. Entender los conceptos de espacio vectorial, independencia lineal y base,

así como aprender a expresar un vector en una base.
3. Saber resolver sistemas por el método de Gauss.
4. Aprender a determinar el rango de una matriz.
5. Conocer las propiedades de los determinantes y la regla de Cramer.
6. Dominar el teorema de Rouché-Fröbenius y saber discutir un sistema con

parámetros.
7. Saber plantear problemas lineales.

1. Preliminares
Empecemos por recordar algunas nociones básicas.
Consideremos los sistemas lineales de dos ecuaciones y dos incógnitas siguientes:
2x + 3y = 7 ⎫ 2x +3y = 4 ⎫ 2x + 3y = 6 ⎫
⎬ ⎬ ⎬
2x – 3y = 1 ⎭ 2x + 3y = 6 ⎭ 4x + 6y = 12 ⎭
Realizando las gráficas de cada uno de los sistemas de ecuaciones se obtiene:
a) Rectas secantes b) Rectas paralelas c) Rectas coincidentes
El primer sistema representa dos rectas que se cortan en el punto (2, 1) y tiene una
solución única. El segundo caso representa dos rectas paralelas y no tiene solu-
ción. El tercero corresponde a dos rectas coincidentes y tiene infinitas soluciones.
Tratándose de sistemas de dos ecuaciones y dos incógnitas no hay más casos.

En realidad, éstos son los casos emblemáticos para sistemas con más ecuacio-
nes e incógnitas.
Denominamos sistema compatible al sistema que admite soluciones,

es decir, si existen valores de x, y que satisfacen el sistema. En caso con-
trario recibe el nombre de incompatible . Decimos que un sistema es
compatible determinado si admite una única solución. En caso con-
trario recibe el nombre de compatible indeterminado .
En estos términos, los tres casos del ejemplo quedan clasificados de la forma
siguiente: el primero es compatible y determinado; el segundo es incompati-
ble y el tercero, compatible e indeterminado.
Ahora estudiaremos los sistemas de ecuaciones lineales en general y determi-

naremos cuántas soluciones tienen y cómo calcularlas. Pero antes conviene
introducir la notación matricial, que será muy útil.
2. Matrices
Introducimos ahora las definiciones y notaciones que utilizaremos.

La noción de matriz…
Un sistema de m ecuaciones lineales y n incógnitas x1 , x 2 , ..., x n o variables con- … fue introducida en 1857
por los matemáticos británicos
siste en un conjunto de m ecuaciones de la forma siguiente: W. Hamilton y A. Cayley. El pri-
mero que utilizó la palabra
matriz fue J. J Sylvester para
a 11 x 1 + a 12 x 2 + … + a 1 n x n = b 1 ⎫ indicar una ordenación deter-
⎪ minada de números.
a 21 x 1 + a 22 x 2 + … + a 2 n x n = b 2 ⎪
⎬, (1)
⎪
⎪
a m1 x 1 + a m2 x 2 + … + a mn x n = b m ⎭
donde las aij y las b i son escalares conocidos, y el rango de variación de los índices
es 1 ≤ i ≤ m, 1 ≤ j ≤ n. El coeficiente aij es el factor que multiplica x j en la i-ésima
ecuación, y el coeficiente b i es el término independiente de la i-ésima ecuación.
Arthur Cayley
Una matriz m × n es una tabla de números aij donde se tiene 1 ≤ i ≤ m, (1821 - 1895)
1 ≤ j ≤ n, que dispondremos en m filas y n columnas: Matemático inglés que desta-

có por sus contribuciones a la
teoría de matrices, determi-
⎛ a a … a 1n ⎞ nantes, geometría n-dimensio-
⎜ 11 21 ⎟ nal y, en colaboración con su
A = ⎜ a 21 a 22 … a 2n ⎟ (2) gran amigo Sylvester, por sus
⎜ ⎟ contribuciones a la llamada
⎝ a m1 a m 2 … a mn ⎠ teoría de los invariantes y las
álgebras de dimensión finita.
De este modo, los coeficientesa ij del sistema de ecuaciones (1) forman una ma-
Advertencia
triz m × n, que denotamos como A y que llamamos matriz del sistema .
Para no confundirnos denota-
mos las matrices con negrita,
Pongamos A = ( a ij)1 ≤ i ≤ m, 1 ≤ j ≤ n para indicar que A es la matriz m × n que tiene con el objetivo de distinguirlas
de los números o elementos.
por elementos los a ij . Cuando sean claros los rangos de variación de i y de j
escribimos simplemente A = (a ij).
Designemos por L(m, n ) el conjunto de las matrices m × n, (m filas y n colum-

nas).
Podemos agrupar también las x j en forma de matriz de una sola columna y n

filas, que llamamos vector columna y que denotamos como x. Los términos
independientes bj también pueden ser agrupados en forma de vector columna
de m filas y los llamamos b. De este modo, tenemos:
⎛ x 1⎞ ⎛ b 1⎞
⎜ ⎟ ⎜ ⎟
x b
x = ⎜ 2⎟ b = ⎜ 2⎟ .
⎜ ⎟ ⎜ ⎟
...
...
⎜ ⎟ ⎜ ⎟
⎝ x n⎠ ⎝ b m⎠
2.1. Producto de matrices
Definimos el producto de C, de m filas y k columnas, por una matriz D, de k

filas y n columnas, como la matriz E de m filas y n columnas siguiente:
⎛ e 11 … e 1n ⎞ ⎛ c 11 … c 1k ⎞ ⎛ d 11 … d 1n ⎞
⎜ ⎟ = ⎜ ⎟⋅ ⎜ ⎟,
...
...
...
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝e m 1 … e mn⎠ ⎝c m 1 … c m k⎠ ⎝ dk 1 … d k n⎠
donde el elemento eij de la i-ésima fila y j-ésima columna del producto E se ob-
tiene multiplicando los elementos de la i-ésima fila de C por los elementos de
la j-ésima columna de D y sumando:
En el producto
de matrices...
k
e ij = c i1 d 1 j + c i2 d 2j + … + c i kd k j = ∑ c il d lj . ... observamos que el número de
l=1 columnas de la matriz de la iz-
quierda y el de las filas de la ma-
triz de la derecha es el mismo ( k).
De forma abreviada escribimos:
E=C ·D
o bien omitiendo el punto, simplemente E = CD.
La operación de multiplicar matrices es una aplicación:
·: L (m ,k ) × L (k ,n ) → L ( m ,n ).
y, por lo tanto, para poder multiplicar dos matrices es necesario que la matriz
de la izquierda tenga el mismo número de columnas que el número de filas de
la matriz de la derecha.
Con estas notaciones, el sistema (1) se escribe de la forma:
A · x = b. (3)
Ejemplo 1
¿Cuándo es factible la multiplicación de dos matrices? Por ejemplo, hagamos la multiplica-

ción matricial indicada:
⎛2 –1⎞
⎛3 –1 0 4⎞ ⎜ ⎟
⎜–1 3 2⎟
⎜ 0 3 1⎟⎟ ⋅ ⎜⎜ .
0⎟⎟
⎜4
–
⎝2 5 –1 0⎠
⎝1 3⎠
Para poder multiplicar A y B es necesario que el número de columnas de A sea igual al de las
filas de B. En el ejemplo dado el número de columnas de A y de filas de B es el mismo, 4, y
el producto es posible. Cada elemento del producto tendrá 4 sumandos. El resultado es una
matriz de 3 filas (número de filas de A) y 2 columnas (número de columnas de B) que pre-
sentamos a continuación:
⎛ 7 7 ⎞
⎜–13 4 ⎟⎟ .
⎜
⎝ 23 8⎠
Además de la matriz del sistema (2), también utilizamos la matriz ampliada ,

obtenida a partir de la matriz del sistema añadiendo la columna de los térmi-
nos independientes:
⎛ ⎞
⎜ a 11 a 12 … a 1 n b 1 ⎟
⎜ a ⎟
⎜ 21 a 22 … a 2n b 2 ⎟ . (4)
⎜ ⎟
...
...
...
⎜ ⎟
⎜ a m 1 a m 2 … a mn b m⎟
⎝ ⎠
Ejemplo 2
Dado el sistema de ecuaciones siguiente:
2x + 3y – 6z = 7 ⎫
⎪
– 3 y + z = 1 ⎬,
⎪
– x + 4y – z = 4 ⎭
escribimos la matriz del sistema y la matriz ampliada. Escribimos el sistema de la forma que
expresa la ecuación (3).
Matriz del sistema:
⎛ 2 3 –6 ⎞
⎜ 0 –3 1 ⎟.
⎜ ⎟
⎝ –1 4 –1 ⎠
Matriz ampliada:
⎛2 3 –6 7⎞
⎜ ⎟
⎜0 –3 1 1⎟ .
⎝–1 4 –1 4⎠
Sistema:
⎛ 2 3 –6 ⎞ ⎛ x⎞ ⎛ 7⎞
⎜ 0 –3 1 ⎟⎟ ⋅ ⎜ y⎟ = ⎜ 1⎟ .
⎜ ⎜ ⎟ ⎜ ⎟
⎝–1 4 –1 ⎠ ⎝ z⎠ ⎝ 4⎠
2.2. Suma de matrices
La suma de dos matrices m × n es igual a la matriz m × n que se obtiene suman-

do los elementos correspondientes:
⎛ c 11 c 12 … c 1n ⎞ ⎛ d 11 d 12 … d 1n ⎞
⎜ ⎟ ⎜ ⎟
⎜ c 21 c 22 … c 2n ⎟ ⎜ d 21 d 22 … d 2n ⎟
⎜ ⎟+ ⎜ ⎟ =
...
...
...
...
...
...
⎜ ⎟ ⎜ ⎟
⎝c m 1 c m2 … cmn ⎠ ⎝ d m1 d m2 … d m n⎠
⎛ c 11 + d 11 c12 + d 12 … c 1n + d 1n ⎞
⎜ ⎟
c + d 21 c22 + d 22 … c 2n + d 2n ⎟
= ⎜ 21 = E,
⎜ ⎟
...
...
...
⎜ ⎟
⎝ c m1 + d m1 c m 2 + d m2 … c mn + d mn⎠
o, en términos de los elementos:
e ij = cij + d ij .
Ejemplo 3
Hagamos esta suma:
⎛ ⎞ ⎛ ⎞
⎜ 3 – 1 0 4 ⎟ ⎜ 8 1 0 4 –4 ⎟
⎜ –1 0 3 1 ⎟ + ⎜ 3 2 1 –3 ⎟ .
⎜ ⎟ ⎜ ⎟
⎝ 2 5 – 1 0 ⎠ ⎝ 5 –5 8 2 ⎠
Solución:
⎛ 1194 0⎞
⎜ ⎟
⎜ 2 2 4 –2 ⎟ .
⎜ ⎟
⎝ 7 0 7 2⎠
Es fácil comprobar que la suma de matrices es asociativa y que la matriz 0, que

tiene todos sus elementos iguales a 0, es el elemento neutro de la suma.
También podemos asociar a cada matriz A su opuesta, −A, que tiene por ele-
mentos los opuestos de los de A. La suma de A y de −A da la matriz 0. Final-
mente, la suma es conmutativa.
Resumiendo, la suma de matrices tiene las propiedades siguientes. Para

todo A, B, C:
1) (A + B) + C = A + ( B + C) asociativa
2) A + 0 = 0 + A = A elemento neutro (5)
3) A + (−A) = 0 elemento opuesto
4) A + B = B + A conmutativa
Las propiedades que acabamos de mencionar permiten definir la estructura de

grupo.
Todo conjunto en el que hay definida una operación que tiene las pro-
William Rowman
piedades (1), (2) y (3) recibe el nombre de grupo. Si, además, tiene la Hamilton (1805-1865)
propiedad conmutativa (4), decimos que es un grupo conmutativo.
Matemático nacido en Dublín,
fue un niño precoz que a los
cinco años, además de inglés,
leía latín, griego y hebreo; a los
Así, (L(m,n),+) es un grupo conmutativo. diez, francés, italiano, árabe y
sánscrito, y a los catorce persa.
Abandonó el estudio de las len-
guas para consagrarse a las ma-
Propiedades inmediatas temáticas. Son importantes sus
trabajos sobre números irracio-
nales (Algebra as the Science of
1) Dado un conjunto dotado con una operación interna (que denota- Pure Time , 1933-1835).
remos por “+”), si existe un elemento neutro 0 tal que para todo a se ve-
rifica que a + 0 = 0 + a = a, entonces este elemento es único.
2) Si en un conjunto como el anterior, además, la operación es asocia-

tiva y cada elemento a tiene un opuesto a’ tal que a + a’ = a’ + a = 0,
entonces este elemento es único.
3) En un grupo el elemento neutro es único, y el elemento inverso (el

opuesto en notación “+”) asociado a cada elemento del grupo también
es único.
4) En un grupo, −(−a) = a.
5) En un grupo siempre se puede simplificar. Es decir,
a+ c=b+c⇒ a = b.
Demostración
1) Supongamos que existe otro neutro 0’ con las mismas propiedades. Por el he-
cho de que el 0 es el elemento neutro, se tendrá 0 + 0’ = 0. Por el hecho de que 0´
también es neutro, se tendrá 0 + 0’ = 0’. Por lo tanto, 0 = 0’, y el neutro es único.
2) Supongamos que a tuviese otro opuesto a’’. Siendo la operación asociativa,

tendríamos:
a ′ = 0 + a ′ = ( a″ + a ) + a ′ = a ″ + ( a + a ′ ) = a ″ + 0 = a ″.
3) Resulta como corolario de los anteriores.
4) De a + (−a) = 0 se deduce que a es opuesto de (−a), y por la unicidad del

opuesto en un grupo, igual a −(−a).
5) Para probarlo sólo tenemos que añadir −c por la derecha a cada lado de la
ecuación y utilizar la propiedad asociativa.
2.3. Matrices cuadradas
Cuando las matrices tienen el mismo número n de filas y de columnas habla-

mos de matrices cuadradas. Si consideramos el conjunto de las matrices cua-
dradas, L(n, n), siempre las podemos sumar de dos en dos y multiplicar de dos
en dos. En este caso, además de la matriz 0 (el elemento neutro de la suma),
debemos introducir la matriz identidad I que está formada por unos en la dia-
gonal principal y ceros en todo el resto:
⎛0 0 … 0⎞
⎜ ⎟
0 0 … 0⎟
O = ⎜
⎜ ⎟
...
...
...
⎜ ⎟
⎝0 0 … 0⎠
⎛1 0 … 0⎞
⎜ ⎟
0 1 … 0⎟
I = ⎜⎜ ⎟.
...
...
...
⎜ ⎟
⎝0 0 … 1⎠
Sean A, B, C matrices cuadradas cualesquiera de L(n,n). Además de las

propiedades por la suma (5), el producto de matrices cuadradas cumpli-
rá también las siguientes propiedades:
1) (A · B)· C = A · (B · C) asociativa
2) A · I = I · A = A elemento neutro (6)
3) A · (B + C) = A · B + A · C
(A + B) · C = A · C + B · C distributiva
Conviene destacar que la multiplicación de matrices no es conmutativa, es decir:
En general: A · B ≠ B · A.
Ejemplo 4
1 3⎞ 1 1⎞
A = ⎛⎝ B = ⎛⎝ .
–2 1⎠ 3 2⎠
Comprobemos en este ejemplo que A · B ≠ B · A:
10 7⎞ –1 4⎞
AB = ⎛⎝ BA = ⎛⎝ .
1 0⎠ –1 11 ⎠
Un conjunto A dotado con dos operaciones: una suma, con las propie-
dades de grupo conmutativo, y un producto con las propiedades (5) y
(6), es un anillo con unidad. Si, además, el producto es conmutativo,
diremos que A es un anillo conmutativo con unidad .
Propiedades inmediatas
En un anillo conmutativo se cumplen las relaciones que presentamos a

continuación:
1) a ⋅ 0 = 0 .
2) a ⋅ ( –b ) = –( a ⋅ b ) = ( –a ) ⋅ b .
3) ( –a ) ⋅ ( –b ) = a ⋅ b.
Demostración
1) Utilizando las propiedades distributiva y elemento neutro de la suma, resulta:
a ⋅ 0= a ⋅ (0 + 0)= a ⋅ 0 + a ⋅ 0 .
Y, simplificando, resulta a · 0 = 0.
2) Utilizando la propiedad anterior, el opuesto de la suma y la propiedad dis-

tributiva, resulta:
–( a ⋅ b ) = – ( a ⋅ b ) + 0 = – ( a ⋅ b ) + a ⋅ 0 = – ( a ⋅ b ) + a ⋅ ( b + ( –b ) )=
= ( – ( a ⋅ b ) + a ⋅ b ) + a ⋅ ( –b ) = 0 + a ⋅ ( –b )= a ⋅ ( –b ).
3) Resulta de la anterior y de –(–a) = a.
2.4. La transpuesta de una matriz
Dada una matriz, en ocasiones interesa intercambiar sus filas y sus columnas. La
matriz resultante se llama matriz transpuesta, y la denotaremos como At.
Así pues, si A = (a ij ) y At = (a tij ) tendremos a tij = a ji.
Ejemplo 5
Escribamos una matriz 3 × 4 y su transpuesta.
⎛ 3 –1 0 4⎞
A = ⎜⎜ –1 0 3 1⎟⎟
⎝ 2 5 –1 0⎠
⎛ 3 –1 2⎞
⎜ ⎟
–1 0 5⎟
A = ⎜⎜
t
.
0 3 – 1⎟
⎜ ⎟
⎝ 4 1 0⎠
Es muy sencillo demostrar que:
(A + B)t = At + B t
(A ⋅ B)t = Bt ⋅ At
Diremos que una matriz cuadrada que sea igual a su transpuesta es simétrica .
Las matrices que son simétricas lo son respecto a la diagonal principal, y no
cambian al intercambiar filas por columnas.
Ejemplo 6
La matriz siguiente:
⎛ ⎞
⎜ 1 2 3 ⎟
A = ⎜ 2 –5 6 ⎟
⎜ ⎟
⎝ 3 6 7 ⎠
es simétrica: A = At, es decir: aij = a ji ∀i, j.

También tienen interés las matrices con la propiedad de que su transpuesta es

igual a su opuesta. En este caso diremos que la matriz es antisimétrica . Las ma-
trices antisimétricas tienen necesariamente ceros en la diagonal principal.
Actividades
1. Sean las matrices siguientes:
⎛ ⎞ ⎛ ⎞
A = ⎜ 2 5⎟ B = ⎜ 3 –1 ⎟
⎝ –1 3 ⎠ ⎝ 4 8 ⎠
Comprobad que A · B ≠ B · A.
2 . El producto de una matriz por sí misma se denota en forma de potencia. De este modo,
pondremos A · A · A = A 3 , etc.
⎛ ⎞
Dada la matriz A = ⎜ 7 –2 ⎟ calculad:
⎝ –1 2 ⎠
a) 2 A3 – 5 A 2 + 4 A + 3 I .
t
b) A ⋅ A .
3 . Demostrad que (A · B)t = B t · A t.
4. Si A es una matriz 4 × 6:
a) ¿Es posible calcular A t · A y A · A t ?
b) Si es posible hacerlo, ¿cuántas filas y cuántas columnas tiene At · A?
c ) Ídem con A · A t .
d) ¿Tienen alguna otra característica especial las matrices anteriores?
5 . Dada la matriz:
⎛ ⎞
A= ⎜ a b ⎟
⎝ c d⎠
probad que si δ = ad – bc ≠ 0, entonces la matriz
1 ⎛ ⎞
At = --- ⋅ ⎜ d –b ⎟
δ ⎝ –c a ⎠
es inversa de A, es decir A · At = A t · A = I.
6 . Sean:
⎛ x⎞ ⎛ a a a ⎞
⎜ ⎟ ⎜ 11 12 1 ⎟
x = ⎜ y ⎟ A = ⎜ a 12 a 22 a 2 ⎟
⎜ ⎟ ⎜ ⎟
⎝ 1 ⎠ ⎝ a1 a2 a ⎠
Probad que:
x t ⋅ A ⋅ x = a 11 x 2 + 2 a 12 x y + a 22 y2 + 2 a 1 x + 2 a 2 y + a .
¿Qué tipo de matriz es A?
7. Dadas tres matrices cuadradas n × n A, B, C, probad la propiedad asociativa de la multipli-

cación, es decir, (A · B) · C = A · (B · C).
3. Espacios vectoriales
Las matrices admiten también otra operación, que es la multiplicación de un

número o escalar. Estre producto se hace multiplicando cada elemento de la
matriz por el número en cuestión.
Para representar
La multiplicación por escalares también tiene propiedades características
los escalares...
y fáciles de demostrar. Para todo A, B, λ, µ se verifican las propiedades que
... utilizamos las letras griegas λ
presentamos a continuación: (lambda) y µ (mu).
1) λ · (µA) = (λµ) · A asociativa
2) 1 · A = A elemento neutro (7)
3) (λ + µ) · A = ( λA) + (µA)
λ · (A+B) = (λA) + (λB) distributiva
Un conjunto dado de una operación interna (que llamaremos suma) con es-
tructura de grupo conmutativo (5) y una multiplicación por escalares (elemen-
tos de un cuerpo) con las propiedades (7) decimos que tiene estructura de
espacio vectorial (sobre el cuerpo de los escalares).
El conjunto de matrices de L(m,n) con la suma y la multiplicación por

escalares forman un espacio vectorial.
Nos interesa destacar esta estructura de espacio vectorial que tienen las matri-
ces y que también tienen otros muchos conjuntos matemáticos, como por
ejemplo los polinomios.
La estructura de espacio vectorial de las matrices nos permitirá profundizar en

el tratamiento de los sistemas de ecuaciones.
Propiedades inmediatas
En un espacio vectorial se verifican las relaciones siguientes:
1) 0 ⋅ a = 0 .
2) λ ⋅ 0 = 0
3) ( –1 ) ⋅ a = –a
Demostración
1) En efecto, 0 · a = (0 + 0) · a = 0 · a + 0 · a. Por lo tanto, añadiendo –0 · a a

los dos miembros y usando la asociatividad, resulta: 0 · a = 0.
2) La demostración es análoga a la anterior.
3) Utilizando las propiedades de espacio vectorial y la propiedad (1) resulta:
−a = −a + 0 · a = −a + (1 + (−1)) · a = −a + (1 · a + (−1) + (−1) · a) =

= (−a + a) + (−1) · a = 0 + (−1) · a = ( −1) · a
Ahora estudiaremos de forma detallada las características de los espacios vec-

toriales.
Para fijar ideas y por tratarse del espacio vectorial más natural, consideraremos el
conjunto de vectores-columna (o matrices de n filas y una sola columna).
Llamamos E n o espacio vectorial de n dimensiones sobre los números

reales al conjunto de vectores-columna de n componentes reales:
⎛ v1 ⎞
⎜ ⎟
v
v = ⎜⎜ 2 ⎟⎟ .
...
⎜ ⎟
⎝ vn ⎠
La suma y la multiplicación por escalares en E n están definidas, siguiendo el

apartado anterior, así:
⎛ v 1⎞ ⎛ w 1 ⎞ ⎛ v 1 + w 1⎞
⎜ ⎟ ⎜ ⎟
v + w = ⎜ ⎟ + ⎜ ⎟ = ⎜⎜ ⎟
...
...
...
⎟
⎝ v n⎠ ⎝ w n ⎠ ⎝ v n + w n⎠
⎛ v 1⎞ ⎛ λ v1⎞
λv = λ⎜ ⎟ = ⎜ ⎟
...
...
⎜ ⎟ ⎜ ⎟
⎝ v n⎠ ⎝ λ vn⎠
y cumplen las propiedades (5) y (7), que lo configuran como espacio vectorial.
3.1. Dependencia e independencia lineal
Dado un conjunto de vectores {v1 ,v2 ..., v k} de En, decimos que son li-
nealmente independientes si y sólo si la igualdad:
λ 1 v 1 + λ 2 v 2 + … + λ kv k = 0 (9)
se verifica únicamente para
λ1 = λ2 = … = λk = 0.
En el caso contrario decimos que son linealmente dependientes.
Por ejemplo, los vectores siguientes:
⎛ 1⎞ ⎛ 0⎞ ⎛ 0⎞
⎜ 0⎟ ⎜ 1⎟ ⎜ 0⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
u1 = ⎜ 0⎟ , u 2 = ⎜ 0⎟ , …, u n = ⎜ 0⎟ (10)
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 0⎠ ⎝ 0⎠ ⎝ 1⎠
son linealmente independientes, ya que de la ecuación:
⎛ λ 1⎞
⎜ ⎟
λ
λ 1 u 1 + λ 2 u 2 + … + λn u n = ⎜⎜ 2⎟⎟ = 0
...
⎜ ⎟
⎝ λ n⎠
se deriva: λ 1 = λ 2 = ... = λ n = 0 .
Además, los vectores de (10) verifican la propiedad de que todo vector de En

puede descomponerse de la forma:
⎛v 1⎞
v = ⎜⎜ ⎟⎟ = v 1 u 1 + … + vn un (11)
...
⎝v n⎠
que se expresa diciendo que v es combinación lineal de los vectores u1 , ..., un.
Ejemplo 7
Los vectores siguientes:
⎛ 1⎞ ⎛ –2⎞ ⎛ –5⎞
v1 = ⎜ –2⎟ v2 = ⎜ 3⎟ v3 = ⎜ 7 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 5⎠ ⎝ –1⎠ ⎝ 2⎠
son linealmente dependientes, ya que podemos comprobar que:
v 1 + 3 v 2 – v3 = 0 ,
es decir, hay una combinación lineal de ellos igual a 0 donde no todos los escalares son 0.
Observamos que cualquier conjunto de vectores que contiene el vector 0 es li-

nealmente dependiente, ya que λ · 0 = 0 para cualquier λ ≠ 0, y por lo tanto en
la combinación lineal habrá un escalar diferente de 0.
La definición de independencia lineal que hemos visto no tiene en cuenta el

orden en el que se dan los vectores (por la propiedad conmutativa de la suma
de vectores).
Es obvio también que cualquier subconjunto de un conjunto de vecto-

res linealmente independientes es linealmente independiente.
Supongamos que tenemos un conjunto de vectores v1 , ..., v k linealmente de-

pendiente, es decir, tal que hay constantes reales λi no todas nulas para las que
se verifica (9). Si, por ejemplo, se cumple λ i ≠ 0, entonces se puede aislar vi de
la forma siguiente:
λ1 λi – 1 λk
v i = – -----v – … – ----
------v – … – -----v .
λi 1 λi i –1 λi k
Decimos que vi es combinación lineal de los restantes vectores del conjunto

v1, ..., vk .
Recíprocamente, si v es combinación lineal de v1 , ..., vk , entonces los vectores

v, v1 , ..., v k son linealmente dependientes.
3.2. Bases
Decimos que un conjunto de vectores {e 1 , ..., e k} es una base de En si:
1) {e1 , ..., ek} son linealmente independientes,
2) todo vector de E n puede expresarse como combinación lineal de

{e 1 , ..., e k}.
Los vectores (10) son una base de E n, ya que verifican las dos condiciones an-
teriores, como ya hemos visto. Este conjunto de vectores recibe el nombre de
base canónica de En.
Proposición 1
La expresión de un vector en una base es única
Demostración
En efecto, sea {e1 , ..., ek } una base del espacio. Por la segunda condición de la
definición de base, cualquier vector v de En puede ser expresado en esta base,
es decir, existen v1 , ..., vk escalares tales que:
v = v 1e 1 + … + v k e k.
Si hubiese otra expresión de v en la base dada, por ejemplo la siguiente:
v = v′ 1 e 1 + … + v′ k e k
restando las dos ecuaciones obtendríamos:
0 = ( v1 – v′1 )e 1 + … + ( v k – v ′ k) e k
Como los ei son linealmente independientes (por la primera condición de la

definición de base), esta ecuación implica:
v1 − v’ 1 = v 2 − v’ 2 = ... = vk − v’k = 0 es decir, v1 = v’1 , ..., v k = v’k
y por lo tanto las dos expresiones de v son idénticas. Es decir, la expresión es

única, que es lo que queríamos demostrar.
Los coeficientes vi que multiplican los vectores ei de la base se llaman

componentes del vector v en la base {e1, ..., ek}.
Ahora analizaremos cómo son las bases de En.
Proposición 2
Sean v 1 , ..., v n los componentes del vector v en la base canónica (10)

{u 1 , ..., un }:
v = v 1u 1 + … + v nu n.
Entonces, si v 1 ≠ 0, los vectores {v, u2 , ..., un } forman una nueva base de E n.
Demostración
Debemos ver que {v, u2 , ..., un } cumplen las dos condiciones necesarias para
ser una base:
1) Probamos que son linealmente independientes:
De la ecuación:
λ 1 v + λ 2 u2 + … + λn u n = 0 (12)
se deriva:
λ 1 ( v 1 u 1 + … + v n u n) + λ 2 u 2 + … + λ n un = 0 ,
que implica:
λ 1 v 1 u 1 + ( λ 1 v2 + λ 2 )u 2 + … + ( λ 1 v n + λ n ) un = 0 ,
y por la independencia lineal de los vectores de la base canónica, resulta:
λ 1 v 1 = 0, λ 1 v 2 + λ 2 = 0, …, λ1v n + λn = 0 ,
Como por hipótesis se cumple v1 ≠ 0, la primera de las ecuaciones anteriores

implica λ1 = 0 y, sustituyendo esta solución en las otras, se obtiene: λ 2 = ... = λ n = 0.
Por lo tanto, queda probado que (12) implica que λ i = 0 para todo i = 1, ..., n
y los vectores son linealmente independientes.
2) Debemos ver que todo vector w de E n se puede expresar como combinación

lineal de {v, u2 , ..., un }.
A partir de la expresión (11) de v en la base canónica, teniendo en cuenta que

v1 ≠ 0, obtenemos:
1 v2 v
u1 = -----v 1 – -----u – … – ----n-u n . (13)
v1 v1 2 v1
Sea ahora w un vector cualquiera, que expresado en la base canónica es:
w = w 1 u 1 + … + wn u n .
Empleando (13) obtenemos:
1 v vn ⎞
w = w 1 ⎛ -----v – ----2-u2 – … – -----u + w2 u 2 + … + w n u n =
⎝v1 v1 v 1 n⎠
w w 1 v2 ⎞ w 1 v n⎞
= -----1-v + ⎛ w 2 – ------
------ u + … + ⎛ wn – ------
------ u
v1 ⎝ v1 ⎠ 2 ⎝ v1 ⎠ n
que prueba que cualquier vector de E n se puede escribir como combinación li-
neal de los vectores {v, u 2, ..., un }
Teorema 1: teorema de Steinitz
Si {e1 , ..., e k} son k vectores de E n linealmente independientes (con k ≤ n),

entonces podemos sustituir k vectores convenientemente elegidos de la
base canónica (10) {u1 ,.., un } para formar una nueva base de En.
Demostración:
Sean {e1 , ... e k} linealmente independientes. Por lo tanto, e 1 ≠ 0. Ponemos:
e 1 = a 11 u1 + … + a 1n un .
Algún componente a 1j será diferente de 0, ya que, si no, e 1 sería 0. Para fijar

ideas suponemos que es a 11 ≠ 0 .
Para la proposición 2 podemos formar la nueva base [e1 , u2 , ..., un ]. Si k > 1,

expresamos e2 en la nueva base:
e 2 = a 21 e 1 + a 22 u 2 + … + a 2n un .
Necesariamente, alguno de los a 22 , a 23 , ..., a2n debe ser diferente de cero, ya que
si no, la expresión anterior implicaría que {e 1 , e 2 } son linealmente depen-
dientes, contra la hipótesis. Supongamos también, para fijar ideas, que sea
a 2 2 ≠ 0. Aplicando nuevamente la proposición 2 pasaremos a la nueva base
{e 1,e 2,u 3 ..., u n }.
Continuando por el mismo procedimiento llegaremos a sustituir k vectores

convenientemente elegidos de la base canónica por los vectores {e 1 , ..., ek }, tal
como queríamos.
De aquí se deducen inmediatamente los teoremas siguientes.
Teorema 2
Todo conjunto {v 1 , ..., vk } de vectores de E n linealmente independientes

consta de k ≤ n vectores, y es una base si y sólo si k = n.
Teorema 3
El número de vectores de todas las bases de En es n, y decimos que n es

la dimensión de En .
Así, pues, el teorema 2 nos dice que no podemos tener una cantidad de vec-
tores mayor que la dimensión del espacio y que sean linealmente indepen-
dientes.
Ejemplo 8
Dados los dos vectores:
⎛ 0⎞ ⎛ 0⎞
e 1 = ⎜ 3⎟ e 2 = ⎜ –1⎟ .
⎜ ⎟ ⎜ ⎟
⎝ –2⎠ ⎝ 1⎠
a) Comprobemos que son linealmente independientes.
b) Formemos una base de E 3 completando {e1 , e2} con vectores de la base canónica.
Solución
a) La ecuación λ 1 e 1 + λ 2 e2 = 0 lleva al sistema 3 λ 1 – λ 2 = 0, –2λ 1 + λ 2 = 0, que implica

λ 1 = λ 2 = 0. Por lo tanto, son linealmente independientes.
b) Siguiendo la construcción del teorema de Steinitz y la proposición 2, empezamos por sus-

tituir e 1 por un vector conveniente de la base canónica. Como el primer componente de e1
en la base {u 1,u2,u 3} es 0, no podemos sustituir u 1 por e1. En cambio, e 1 sí que puede sustituir
u 2, ya que el segundo componente es diferente de 0. De este modo, tenemos la nueva base
{u 1,e1,u 3}.
Tenemos:
⎛ 0⎞
e 1 = ⎜ 3⎟ = 3 u 2 – 2 u 3 ,
⎜ ⎟
⎝ –2⎠
de donde resulta:
1 2
u 2 = ---e 1 + --u 3 .
3 3
Ahora tenemos que expresar e2 en la nueva base. Tendremos:
⎛ 0⎞
e 2 = ⎜ –1⎟ = – u 2 + u 3 = – ⎛ 1 --u ⎞ + u 3 = – 1
---e + 2 ---e 1 + 1
---u 3 .
⎜ ⎟ ⎝ 3 1 3 3⎠ 3 3
⎝ 1⎠
Como el componte según u 3 es diferente de 0, resulta que e2 puede sustituir a u3 . De este

modo, finalmente tenemos la base {u 1,e1,e 2}
Todavía podemos expresar u 2 y u 3 en la nueva base:
u 3 = e1 + 3 e2
1 2
u 2 = ---e 1 + -- ( e 1 + 3 e 2 ) = e 1 + 2 e 2 .
3 3
Ejemplo 9
Escribamos la base canónica para el espacio vectorial de las matrices n × m. ¿Qué dimensión
tiene?
La base canónica estará formada por cada una de las matrices que tienen un 1 en una posi-
ción diferente y todo el resto 0.
⎛1 0 … 0⎞ ⎛0 1 … 0⎞ ⎛0 0 … 1⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜0 0 … 0⎟ ⎜0 0 … 0⎟ ⎜0 0 … 0⎟
⎟, …,
⎜ ⎜ ⎟, ⎜ ⎟
...
...
...
...
...
...
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝0 0 … 0⎠ ⎝0 0 … 0⎠ ⎝0 0 … 0⎠
⎛0 0 … 0⎞ ⎛0 0 … 0⎞ ⎛0 0 … 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜1 0 … 0⎟ ⎜0 1 … 0⎟ ⎜0 0 … 1⎟
…,
⎜ ⎟, ⎜ ⎟, ⎜ ⎟
...
...
...
...
...
...
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝0 0 … 0⎠ ⎝0 0 … 0⎠ ⎝0 0 … 0⎠
...
...
...
⎛0 0 … 0⎞ ⎛0 0 … 0⎞ ⎛0 0 … 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜0 0 … 0⎟ ⎜0 0 … 0⎟ ⎜0 0 … 0⎟
, , …,
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
...
...
...
...
...
...
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝1 0 … 0⎠ ⎝0 1 … 0⎠ ⎝0 0 … 1⎠
Es inmediato comprobar que las matrices anteriores son linealmente independientes y que
toda matriz puede expresarse como combinación lineal de éstas. En consecuencia, forman
una base y la dimensión del espacio vectorial de las matrices n × m es n · m.
3.3. Subespacios vectoriales y rango
Consideremos un conjunto F de vectores de E n´ tales que si contiene los vecto-

res v y w también contiene su suma v + w, y con cada vector v contiene tam-
bién el producto para cualquier número λ, es decir, λv.
En un conjunto así, cada vector v contiene su opuesto −v = (−1)v. Por lo tanto,

con cada par de vectores v y w contiene su diferencia v − w y de este modo
contiene el cero. Esto hace que sea un subgrupo del grupo aditivo de los vec-
tores de En . Como además también contiene el producto de cada vector por
cualquier escalar, y las propiedades (5) y (7) continúan siendo válidas, el con-
junto F en cuestión tiene estructura de espacio vectorial, y decimos que es un
subespacio vectorial de En.
Decimos que un conjunto de vectores F ⊂ En es un subespacio vectorial

de En si, y sólo si:
1) Para cada dos vectores v y w que contiene, contiene también su

suma v + w.
2) Para cada vector v que contiene, contiene también su producto por

cualquier escalar λ, es decir, contiene λv.
Ejemplo 10
El conjunto de múltiplos de un vector v cualquiera es un subespacio vectorial, es decir, tene-

mos que:
F 1 = { λv λ ∈ R } .
En particular, siv es el vector 0 , el subespacio se reduce al vector 0, que por sí solo constituye
un subespacio vectorial trivial, que decimos que es de dimensión 0.
Si v ≠ 0 , entonces, el subespacio F1 tiene dimensión 1, ya que v es una base de F1 .
De forma análoga podemos definir los generadores de F.
Dados k vectores {v1 , ..., v k }, el conjunto siguiente:
F = { λ 1 v 1 + … + λk v k λ 1 ∈ R , …, λ k ∈ R }
es un subespacio vectorial de E n ’, que llamamos subespacio vecto-

rial generado por los vectores {v 1 , ..., v k }. Decimos que los vectores
{v 1 , ..., v k } son un conjunto de generadores de F.
Por el teorema 2, en En no puede haber más de n vectores linealmente inde-

pendientes. Por lo tanto, F no puede contener tampoco más de n vectores li-
nealmente independientes.
De este modo, la dimensión de un subespacio vectorial F de En es menor o

El rango...
igual que n, y es igual al número de vectores que contiene cualquier base de F.
... lo representamos con la letra
(Todas tienen el mismo número, según el análogo del teorema 3 para los sub- griega ρ (ro), correspondiente
espacios). a nuestra r.
En el próximo apartado de este

Llamaremos rango de un conjunto de k vectores {v1 , ..., v k } de E n a la mismo módulo didáctico
aprenderemos a determinar el rango de
un conjunto de vectores. Lo haremos por
dimensión del subespacio que generan. el método de Gausss.
En particular se tiene que el rango es menor o igual que k.
Actividades
8. Consideremos los vectores e1 = (2, 0, –3) y e2 = (–1, 3, 5):

a) Probad que son linealmente independientes.
b) ¿Es posible completar con u 3 para formar una base de E 3 ? ¿Por qué?
c) Expresad un vector cualquiera v = (v 1 , v2 , v3 ) en la nueva base.
d) Expresad u1 y u 2 en la nueva base.
9. Consideremos los mismos vectores { e1 ,e 2} de la actividad 8:

a) Encontrad una nueva base del subespacio generado por { e 1 ,e2 } que esté formada
por e 1 y otro vector e 2′ tal que su primer componente expresado en la base canónica
sea 0. ¿Es posible? ¿Por qué?
b) Expresad e 2 en la nueva base.
10. Decid si son subespacios vectoriales los subconjuntos de R 3 siguientes:

a) { ( x, y, z) ∈ R 3 : – 3 x + 2 y + z = 0 } .
b) { ( x, y, z) ∈ R 3 : 5 x + 2 y – 7 z = 3 } .
c) { ( x , y, z) ∈ R 3 : x ≥ 0 } .
11. Sea F(R,R) el conjunto de funciones reales de variable real. Decid si son subespacios
vectoriales los subconjuntos de F(R,R) siguientes:
a) { f ∈ F ( R , R ) : f ( 1 ) = k } .
b) { f ∈ F ( R, R ) : f ( 0 ) = 2 f ( 1) } .
c) { f ∈ F ( R , R ) : f ( –x ) = f 2 ( x ) }.
4. El método de Gauss
Comencemos ahora el estudio de los sistemas de ecuaciones lineales. Dado un

sistema de ecuaciones lineales (1), lo que nos interesa es saber si tiene solucio-
nes y cuáles son.
Por ello podemos transformarlo en otro equivalente, en el sentido de que, te-

niendo las mismas soluciones, sea más fácil de resolver. Hay sistemas que tie-
nen una solución inmediata.
Por ejemplo, el sistema:
Karl F. Gauss
3x + 2y + z = 1 ⎫ (1777-1855)...
⎪
y – 2z = 2 ⎬ ... llamado Princeps Mathemati-
⎪
2z = –1 ⎭ corum (príncipe de los matemá-
ticos), ha sido, tal vez, el mayor
matemático de la historia. Fue
también, como E. Galois, un
niño precoz: a los 3 años descu-
es inmediato de resolver por sustitución hacia atrás: aislamos la z en la tercera brió un error de cálculo en la
paga de los obreros que tenía su
ecuación, después la sustituimos en la segunda para aislar la y, y, finalmente, padre (no sabemos si a favor de
sustituimos la y y la z en la primera y aislamos la x. De este modo, tenemos: los obreros o de su padre).
z = –1
--- ⎫
2 ⎪
⎪
1 ⎪
y = 2 + 2z = 2 + 2 ⎛⎝ –---⎞⎠ = 1 ⎬.
2 ⎪
⎪
1 1⎛ 1⎞ 1 ⎪
x = ---( 1 – 2y – z ) = ---⎝ 1 – 2 + ---⎠ = –---
3 3 2 6 ⎭
Decimos que un sistema como el del ejemplo está en forma triangular, ya que
la matriz del sistema tiene ceros en la parte inferior izquierda de la diagonal
principal.
El método de Gauss consiste en ir transformando el sistema de partida

en otro equivalente, de tal modo que nos acerquemos, paso a paso, a un
sistema como el del ejemplo, con ceros en la parte inferior izquierda. Ya
discutiremos cuál es la forma final más simple que podemos obtener.
En el objetivo de reducir el sistema a otro con las mismas soluciones pero más
sencillo, el método de Gauss utiliza tres tipos de transformaciones que presen-
tamos a continuación.
Transformaciones empleadas por el método de Gauss:
a) Transformación 1: permutar dos filas entre sí.
b) Transformación 2: añadir a una fila una paralela previamente multi-

plicada por un número.
c) Transformación 3: multiplicar (o dividir) una fila por un número di-

ferente de cero.
Obviamente la primera y la tercera transformación no modifican las soluciones.

Para probar que la segunda no modifica las soluciones del sistema, debemos
probar que toda solución de (1) es solución del sistema transformado siguiente:
a 11 x 1 + … + a 1n x n = b 1 ⎫
⎪
...
...
...
⎪
a i1 x 1 + … + a in x n = b i ⎪
⎪
...
...
...
⎪
⎪
a j – 1, 1 x 1 + … + a j – 1 , n x n = b j – 1 ⎬ (14)
⎪
( a j1 + λ a i1 )x 1 + … + ( a jn + λ a in )x n = b j + λ b i ⎪
⎪
a j + 1, 1 x 1 + … + a j + 1, n x n = b j + 1 ⎪
⎪
...
...
...
⎪
a m 1 x 1 + … + a mnx n = b m ⎭
y recíprocamente.
Pero esto es obvio: toda solución de (1) verifica (14), ya que la única ecuación
diferente, la j-ésima, es una combinación lineal de la i-ésima y j-ésima ecua-
ciones de (1), y recíprocamente, toda solución de (14) lo es de (1), ya que la
ecuación diferente, la j-ésima ecuación de (1), es igual a la j-ésima ecuación de
(14) menos λ por la ecuación i-ésima.
El método de Gauss empieza eligiendo como primera ecuación una de las

ecuaciones del sistema por la que el coeficiente de la x 1 sea diferente de cero
(transformación 1, si es necesario). El coeficiente de la x1 de la primera ecua-
ción mencionado será el primer pivote elegido. A partir de aquí dejamos fijada
la primera ecuación:
a ′11 x 1 + a′ 12 x 2 + … + a ′1n x n = b ′1 . ⎫
⎬
...
...
...
...
A continuación reducimos a cero los restantes coeficientes de x 1 en las otras

ecuaciones (transformación 2 para cada ecuación), utilizando el pivote elegi-
do. Para ello restamos a cada una de las demás ecuaciones la primera ecuación
multiplicada por el coeficiente de x 1 en la misma ecuación y dividida por el
pivote. De este modo sustituimos la fila i por la fila i menos la fila 1 multipli-
a
cada por ----i1
---. La nueva fila i será:
a 11
a i1 ⎞ a a
0 + ⎛⎝ a i2 – -----
--a 12 x 2 + ⎛⎝ a i3 – ----i1
---a 13⎞ x 3 + … + ⎛⎝ a in – ----i1
---a 1 n⎞⎠ x n =
a 11 ⎠ a 11 ⎠ a 11
a
= b i – ----i1
---b .
a 11 1
De este modo la ecuación resultante tendrá coeficiente de la x1 igual a cero.

Esto lo hacemos para las filas que van de la 2 hasta n.
A continuación seleccionamos, entre las ecuaciones transformadas, una que

tenga el coeficiente de la x 2 diferente de cero y la ponemos como segunda
ecuación. Si todas tuviesen coeficiente de la x2 nulo pasaríamos a la x 3 , etc. To-
mando como pivote el primer coeficiente no nulo de la que hemos elegido
como segunda ecuación, repetimos el proceso con el resto de las ecuaciones y
así sucesivamente.
Procediendo así, acabaremos reduciendo el sistema completamente a una for-

ma que tiene ceros en la parte inferior izquierda de forma escalonada.
Pongamos un ejemplo de ello.
Ejemplo 11
Resolvamos el sistema siguiente:
2x + 3 y + z = 6 ⎫
⎪
x – 2y – 5 z = 5 ⎬ .
⎪
3x + 5y + 3z = 8 ⎭
Fijamos la primera ecuación, ya que el coeficiente de la x es 2 y es diferente de cero.

Éste será el primer pivote. Para eliminar la x en la segunda ecuación multiplicamos la
primera por –1/2 y la sumamos a la segunda. Para eliminarla de la tercera, multiplica-
mos la primera por –3/2 y la sumamos a la tercera. con estas operaciones, el sistema
queda reducido a:
2x + 3y + z = 6 ⎫
⎪
–7 ⁄ 2 y − 1 1 ⁄ 2 z = 2 ⎬.
⎪
1 ⁄ 2 y + 3 ⁄ 2 z = –1 ⎭
A continuación tomamos como pivote el coeficiente de la y en la segunda ecuación, es decir,

–7/2. Por lo tanto, dejamos fijada también esta ecuación y eliminamos la y de la tercera. Para
hacer esto, debemos multiplicar la segunda ecuación por 1/7 y sumarla a la tercera. El sistema
será ahora:
2x + 3y + z = 6 ⎫⎪
–7 ⁄ 2 y − 1 1 ⁄ 2z = 2 ⎬.
⎪
5 ⁄ 7 z = –5 ⁄ 7 ⎭
Cuando hayamos llegado a este punto, el sistema habrá quedado triangular. Podemos aislar
la z de la última ecuación y tendremos:
z = –1.
Sustituyéndola en la segunda, podemos aislar la y:
--⎛ 2 + 11
y = –2 ------z⎞ = –2
---⎛2 – 11
------⎞ = 1 .
7⎝ 2 ⎠ 7⎝ 2 ⎠
Finalmente, sustituyendo z e y en la primera obtendremos:
1 1
x = ---( 6 – 3 y – z ) = ---( 6 – 3 + 1 ) = 2.
2 2
Una forma más clara de seguir el procedimiento es utilizar la notación matricial. La matriz
ampliada del sistema dado es:
⎛2 3 1 6⎞
⎜ ⎟
⎜1 –2 –5 5⎟ .
⎜ ⎟
⎝3 5 3 8⎠
En el primer paso hemos elegido como pivote el coeficiente a 11 = 2, y lo que hemos hecho
ha sido multiplicar la primera fila por –1/2 y sumar el resultado a la segunda, y multiplicar la
primera fila por –3/2 y sumar el resultado a la tercera. El resultado es ahora:
⎛ 2 3 1 6⎞
⎜ ⎟
⎜0 –7 ⁄ 2 –11 ⁄ 2 2 ⎟ .
⎝0 1 ⁄2 3 ⁄ 2 –1⎠
En el segundo paso, el pivote elegido es a 22 = –7/2. Repetimos la operación multiplicando la

segunda fila por 1/7 y sumando el resultado a la tercera. Con esto obtenemos la matriz trian-
gular:
⎛2 3 1 6 ⎞
⎜ ⎟
⎜0 –7 ⁄ 2 –11 ⁄ 2 2 ⎟. (15)
⎝0 0 5 ⁄ 7 –5 ⁄ 7⎠
No todos los sistemas tendrán siempre una única solución, como sucedía en
el ejemplo anterior. Veamos un caso de ello en el ejemplo siguiente:
Ejemplo 12
Resolvamos el sistema siguiente:
x + y –z = 0 ⎫
⎪
– 2x + 3z = 5 ⎬.
⎪
x + 5 y + z = 1 0⎭
La matriz del sistema es:
⎛ 1 1 –1 0 ⎞
⎜ ⎟.
⎜ –2 0 3 5 ⎟
⎝ 1 5 1 10⎠
Aplicándole el método de Gauss (segunda transformación tres veces) obtenemos la matriz si-
guiente:
⎛1 1 –1 0 ⎞ ⎛1 1 – 1 0⎞
⎜ ⎟ ⎜ ⎟
⎜0 2 1 5 ⎟→⎜ 0 2 1 5⎟ .
⎝0 4 2 10 ⎠ ⎝ 0 0 0 0⎠
La matriz final tiene una fila menos que incógnitas, y ahora resulta que tenemos un grado
de libertad para elegir la z, que puede tomar cualquier valor; esto se debe a que la tercera ecua-
ción, que es la que queda con esta variable, es 0 · z = 0, que se cumple para cualquier valor
real de z. Ponemos, entonces, z = t .
Sustituyendo esta expresión en y, y las dos en x, obtenemos que la solución general del siste-
ma depende de un parámetro arbitrario t, y es la siguiente:
z = t ⎫
⎪
y = 1 ⁄ 2 ⋅ (5 – z ) = 1 ⁄ 2 ⋅ ( 5 – t ) ⎬.
⎪
x = z – y = t – 1 ⁄ 2 ⋅ ( 5 – t ) = 1 ⁄ 2 ⋅ ( 3t – 5 ) ⎭
En la eliminación podemos encontrarnos en la situación de tener que permu-

tar filas (primera transformación), ya que el elemento diagonal que en princi-
pio tomaríamos como pivote se ha anulado.
No hay ningún inconveniente en permutar filas para obtener un pivote diferen-

te de cero y poder continuar así el proceso de eliminación en forma triangular,
pero también puede ocurrir que todos los elementos de la columna sean cero.
Ejemplo 13
Ponemos un ejemplo con cinco variables x1 , x2 , x3 , x4 , x5.
Resolvemos el sistema que tiene la matriz ampliada siguiente:
⎛ 1 –1 2 0 2 3⎞
⎜ ⎟
⎜ 1 –1 2 0 3 5⎟
⎜ 1 0 2 3 6 1 ⎟.
⎜ ⎟
⎜ –1 2 –2 4 4 –6⎟
⎜ ⎟
⎜ 2 –2 4 0 5 8⎟
⎝ 1 –1 2 0 1 1⎠
Tomamos como pivote el elemento de la primera fila y primera columna a11 , y reducimos a
cero los restantes de la primera columna. El resultado es:
⎛ 1 –1 2 0 2 3⎞
⎜ ⎟
⎜ 0 0 0 0 1 2⎟
⎜ 0 1 0 3 4 –2⎟ .
⎜ ⎟
⎜ 0 1 0 4 6 –3⎟
⎜ ⎟
⎜ 0 0 0 0 1 2⎟
⎝ ⎠
0 0 0 0 –1 –2
Ahora tomamos como pivote el elemento de la segunda columna y tercera fila, y permuta-
mos así la segunda fila y la tercera:
⎛ 1 –1 2 0 2 3⎞
⎜
⎜ 0 1 0 3 4 –2⎟⎟
⎜ 0 0 0 0 1 2⎟ .
⎜ ⎟
⎜ 0 0 0 1 2 –3⎟
⎜ ⎟
⎜ 0 0 0 0 1 2⎟
⎝ 0 0 0 0 1 –2⎠
De nuevo reducimos a cero los elementos restantes de la segunda columna:
⎛ 1 –1 2 0 2 3⎞
⎜
⎜ 0 1 0 3 4 –2⎟⎟
⎜ 0 0 0 0 1 2⎟
⎜ ⎟.
⎜ 0 0 0 1 2 –1⎟
⎜ ⎟
⎜ 0 0 0 0 1 2⎟
⎝ 0 0 0 0 –1 –2⎠
En este ejemplo ha resultado, además, que se han anulado también los restantes elementos
de la tercera columna.
Tomamos como pivote el elemento de la cuarta fila y cuarta columna. Así, permutamos las
filas tercera y cuarta:
⎛ 1 –1 2 0 2 3⎞
⎜ ⎟
⎜ 0 1 0 3 4 –2⎟
⎜ 0 0 0 1 2 –1⎟ .
⎜ ⎟
⎜ 0 0 0 0 1 2⎟
⎜ ⎟
⎜ 0 0 0 0 1 2⎟
⎝ ⎠
0 0 0 0 – 1 –2
Finalmente, tomamos como pivote el elemento de la cuarta fila y quinta columna y el siste-
ma queda reducido completamente:
⎛ 1 –1 2 0 2 3⎞
⎜ ⎟
⎜ 0 1 0 3 4 –2⎟
⎜ 0 0 0 1 2 –1⎟ .
⎜ ⎟ (16)
⎜ 0 0 0 0 1 2⎟
⎜ ⎟
⎜ 0 0 0 0 0 0⎟
⎝ ⎠
0 0 0 0 0 0
Podemos ahora expresar la solución general de esta forma:
x5 = 2
x 4 = – 1 – 2 x 5 = –5
x3 = t
x2 = – 2 – 3 x4 – 4 x5 = 5
x 1 = 3 + x 2 – 2 x3 – 2 x 5 = 4 – 2 t
que, como vemos, depende de un parámetro arbitrario t (si bien en este ejemplo algunas in-
cógnitas tienen valor fijo, independientemente de t).
En este ejemplo hemos visto que, al reducir a cero los elementos de una co-
lumna (la segunda), se nos han reducido “por azar” los elementos de la si-
guiente. Cuando esto sucede podemos hacer también una permutación de
columnas, con el objetivo de continuar colocando el nuevo pivote en la dia-
gonal principal de la matriz, siempre que permutemos también el orden de las
variables correspondientes. Cuando reducimos con este criterio hablamos de
pivotamiento total. Esto no aporta nada esencial a la solución del sistema,
aparte del motivo estético que supone que los pivotes estén en la diagonal
principal. Por esta razón generalmente no lo haremos.
Pero si queremos, podemos hacerlo. De este modo, partiendo del sistema en la

forma (16), podríamos permutar las columnas tercera y cuarta y obtendríamos:
⎛ x1 x2 x4 x3 x5 ⎞
⎜ ⎟
⎜ 1 –1 0 2 2 3⎟
⎜ –2⎟⎟
⎜ 0 1 3 0 4
⎜ 0 0 1 0 2 –1⎟ .
⎜ ⎟
⎜ 0 0 0 0 1 2⎟
⎜ ⎟
⎜ 0 0 0 0 0 0⎟
⎝ 0 0 0 0 0 0⎠
Hemos tenido suerte, porque la tercera columna ha quedado automáticamen-

te reducida sin necesidad de hacer nada más. Nuevamente debemos permutar
la columna cuarta y la quinta para llevar el pivote de la quinta columna a la

diagonal principal. El resultado es:
⎛ x1 x2 x4 x5 x3 ⎞
⎜ ⎟
⎜ 1 –1 0 2 2 3⎟
⎜ –2⎟⎟
⎜ 0 1 3 4 0
⎜ 0 0 1 2 0 –1⎟ .
⎜ ⎟
⎜ 0 0 0 1 0 2⎟
⎜ ⎟
⎜ 0 0 0 0 0 0⎟
⎝ 0 0 0 0 0 0⎠
La cuarta columna también ha quedado automáticamente reducida. Además, el

sistema está ya totalmente reducido. Las filas (o ecuaciones independientes) tie-
nen el pivote en la diagonal principal y las ecuaciones que no eran independien-
tes se han reducido a cero y podemos eliminarlas.
De donde obtenemos la solución:
x3 = t
x5 = 2
x 4 = – 1 – 2x 5 = –5
x 2 = – 2 – 3x 4 – 4x 5 = 5
x 1 = 3 + x 2 – 2x 3 = 4 – 2t
que, como vemos, coincide exactamente con la solución dada con pivota-
miento parcial.
Las soluciones del sistema pueden ponerse también en forma de vectores co-
lumna:
⎛ x 1⎞ ⎛4⎞
⎜ ⎟ ⎛ –2 ⎞
x
⎜ ⎟ 2 ⎜ 5 ⎟ ⎜0⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
x = ⎜ x 3⎟ = ⎜ 0 ⎟ + t ⎜ 1 ⎟ .
⎜ ⎟ ⎜ ⎟
⎜ x 4⎟ ⎜ –5 ⎟ ⎜0⎟
⎜ ⎟ ⎝ ⎠ ⎝0⎠
⎝ x 5⎠ 2
Veamos ahora otro ejemplo.
Ejemplo 14
Resolvamos el sistema que tiene por matriz ampliada:
⎛7 –3 –1 0⎞
⎜ ⎟
⎜4 2 8 5⎟ .
⎝3 –5 –9 7⎠
Procedemos a reducir la primera columna tomando como pivote el coeficiente a 11 = 7. El re-

sultado es:
⎛ 7 –3 –1 0⎞
⎜ ⎟
⎜ 0 26 ⁄ 7 60 ⁄ 7 5⎟ .
⎝0 –26 ⁄ 7 –6 0 ⁄ 7 7⎠
Tomamos como pivote el elemento de la segunda fila y segunda columna a22 = 26/7 y redu-
cimos la segunda columna:
⎛ 7 –3 –1 0⎞
⎜ ⎟
⎜ 0 26 ⁄ 7 60 ⁄ 7 5 ⎟ .
⎝0 0 0 12⎠
Ahora el resultado consiste en que la tercera ecuación es imposible y, por lo tanto, el sistema
no tiene ninguna solución. Es un sistema incompatible.
Actividades
Resolved los sistemas de ecuaciones siguientes:
12.
x + y + 5z = 0 ⎫
⎪
2 x – y + 3 z = 1 ⎬.
⎪
– 3x + 4y – z = 0 ⎭
13.
5x + 2y – z = 2 ⎫
⎪
x – y + 3 z = 8 ⎬.
– 2 x + 3 y + 2 z = –3 ⎪⎭
14.
x + z– t = 2
⎫
2x – y + z= 1 ⎪
⎪
x + 3y + 4z – 7t = 11⎬.
⎪
– 4x + 3y – z – 2t = 1 ⎪
– 2x + 2y – t = 2 ⎭
15.
4x – 2y – z = 2 ⎫
⎪
3x + 5y + 3z = 2 ⎬.
⎪
x – 7y – 4z = 2 ⎭
16.
2 x1 + 2 x2 + 2 x3 – 4 x4 – 4 x5 = 8 ⎫
⎪
2 x 4 + 4 x 5 = –2 ⎪
⎪
x 1 + 4 x 2 + 4 x 3 + 4 x 4 + 4 x 5 = 1 ⎬.
⎪
x 1 + 3 x 2 + 4x 3 x2 4 x3 = 3 ⎪
⎪
3 x1 + 3 x2 + 3 x3 + 4 x4 + 4 x5 = 1 ⎭
5. Rango y teorema de Rouché-Fröbenius
Hemos definido en el apartado 3 de este mismo módulo didáctico el rango de

un conjunto de vectores {v1 , ..., vk } como la dimensión del subespacio que ge-
neran. Sean los vectores:
⎛ v11⎞ ⎛ v21 ⎞ ⎛ vk 1⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
v12 v22 vk 2
v 1 = ⎜⎜ ⎟⎟ , v 2 = ⎜⎜ ⎟⎟ , … , v k = ⎜⎜ ⎟⎟ .
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ v 1n⎠ ⎝ v2n ⎠ ⎝ vk n⎠
El método de Gauss permite determinar su rango.
En efecto, ponemos los componentes de los vectores en forma de vectores-fila

y construimos la matriz correspondiente:
⎛ v 11 v 12 … v 1n⎞
⎜ ⎟
⎜ v 21 v 22 … v 2n⎟
. (17)
⎜ ⎟
...
...
...
⎜ ⎟
⎝ v k1 vk 2 … v kn⎠
Aplicamos el método de Gauss. Las transformaciones de Gauss convierten el

conjunto dado de vectores en otro conjunto que genera el mismo subespacio,
ya que la permutación de filas (primera transformación) no altera el conjunto,
y la segunda modifica el vector de la fila j utilizando el de la fila i en una trans-
formación reversible:
cambia {v i, vj} por { v′i , v′j } = {v i , vj + λvi }
y esta transformación se puede invertir:
{vi , v j}={ v′i , v′j − λ v ′i }.
Teniendo en cuenta que los restantes vectores no cambian con una segunda
transformación, los subespacios generados por {v1 , ..., vi , ... v j, ..., v k } y por
{v 1, ..., v′i , ... v ′j , ..., v k } son los mismos, ya que toda combinación lineal de
vectores del primer conjunto puede ponerse como combinación lineal de los
vectores del segundo conjunto y recíprocamente.
Por último, la tercera transformación obviamente tampoco altera el subespa-

cio generado.
En consecuencia, podemos utilizar el método de Gauss y reducir la matriz (17).

El resultado será una matriz escalonada, es decir, con la forma siguiente:
⎛ z0 ... z
0z0 ... z
0z0 ... z
0z0 ... z
0⎞
⎜ ⎟
⎜ 0 0 ... z0 ... zz
0 0 ... zz
0 0 ... z
0⎟
⎜ 0 0 ... 0 0 ... z0 ... z
0z 0⎟
0 ... z
⎜ ⎟
⎜ 0 0 ... 0 0 ... 0 0 ... z ... z⎟
(18)
⎜ ⎟
⎜ 0 0 ... 0 0 ... 0 0 ... 0 0 ... 0 ⎟
⎜ ⎟
...
...
...
...
...
...
...
...
⎜ ... ⎟
⎝ 0 0 ... 0 0 ... 0 0 ... 0 0 ... 0⎠
donde los son los pivotes que son estrictamente diferentes de cero y z son
números que pueden ser diferentes de cero o no. Los restantes elementos ha-
brán quedado reducidos forzosamente a cero.
Los vectores de la fila que han quedado son, por construcción, un conjunto
de generadores del subespacio que genera {v1 , ..., vk}.
Pero además son linealmente independientes, ya que en toda combinación li-

neal nula de los vectores que se obtienen, el primer vector-fila debe estar mul-
tiplicado por cero para que el primer componente de la combinación sea
siempre nulo, y de este modo sucesivamente para todo el resto de vectores-fila.
En consecuencia, los vectores resultantes forman un base del subespacio gene-

rado.
El rango de {v 1 , ..., vk} será, entonces, igual al número de vectores-fila

diferentes de cero que hayan quedado después de la reducción comple-
ta por Gauss.
Además, los vectores-fila que quedan forman una base del subespacio genera-
do.
Ejemplo 15
Para encontrar el rango de los vectores siguientes:
⎛ 1⎞ ⎛1 ⎞ ⎛ 1⎞ ⎛ –1⎞ ⎛ 2⎞ ⎛1⎞
⎜ –1 ⎟ ⎜–1 ⎟ ⎜ 0⎟ ⎜ 2⎟ ⎜ –2 ⎟ ⎜–1⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 2⎟ ⎜2 ⎟ ⎜ 2⎟ ⎜ –2⎟ ⎜ 4⎟ ⎜2⎟
v1 = ⎜ ⎟, v2 = ⎜ ⎟, v3 = ⎜ ⎟ , v4 = ⎜ ⎟ , v5 = ⎜ ⎟, v6 = ⎜ ⎟
⎜ 0⎟ ⎜0 ⎟ ⎜ 3⎟ ⎜ 4⎟ ⎜ 0⎟ ⎜0⎟
⎜ 2⎟ ⎜3 ⎟ ⎜ 6⎟ ⎜ 4⎟ ⎜ 5⎟ ⎜1⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 3⎠ ⎝5 ⎠ ⎝ 1⎠ ⎝ –6⎠ ⎝ 8⎠ ⎝1⎠
consideramos la matriz correspondiente de los vectores-fila:
⎛ 1 –1 2 0 2 3 ⎞
⎜ 1 –1 2 0 3 5 ⎟
⎜ ⎟
⎜ 1 0 2 3 6 1 ⎟
⎜ ⎟
⎜ –1 2 –2 4 4 –6 ⎟
⎜ ⎟
⎜ 2 –2 4 0 5 8 ⎟
⎝ 1 –1 2 0 1 1⎠
y aplicamos el método de Gauss. Esta matriz es la misma del ejemplo 13, donde hemos visto
que el resultado era:
⎛1 –1 2 0 2 3 ⎞
⎜0 1 0 3 4 –2 ⎟⎟
⎜
⎜0 0 0 1 2 –1 ⎟
⎜ ⎟
⎜0 0 0 0 1 2 ⎟
⎜ ⎟
⎜0 0 0 0 0 0 ⎟
⎝0 0 0 0 0 0 ⎠
Por lo tanto, el rango de {v1 , ...,v6 } es 4 y, además, la reducción gaussiana nos permite deter-
minar una base del subespacio que generan:
⎛ 1⎞ ⎛ 0⎞ ⎛ 0⎞ ⎛ 0⎞
⎜ –1⎟ ⎜ 1⎟ ⎜ 0⎟ ⎜ 0⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 2⎟ ⎜ 0⎟ ⎜ 0⎟ ⎜ 0⎟
v 1′ = ⎜ ⎟ , v 2 ′ = ⎜ ⎟ , v 3 ′ = ⎜ ⎟ , v 4 ′ = ⎜ ⎟ .
⎜ 0⎟ ⎜ 3⎟ ⎜ 1⎟ ⎜ 0⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟2 ⎜ ⎟4 ⎜ ⎟2 ⎜ 1⎟
⎝ 3⎠ ⎝ –2⎠ ⎝ –1⎠ ⎝ 2⎠
Consideremos ahora el método de Gauss aplicado a sistemas desde la óptica

anterior. A partir de la matriz ampliada (4) llegaremos, por reducción gaussia-
na, a una matriz de la forma:
z ... z z... z z ... z z ... z z

⎛ 0 0 ... z... z z ... z z ... z z⎞
⎜ ⎟
⎜ 0 0 ... 0 0... z ... z z ... z z⎟
⎜ ⎟
⎜ 0 0 ... 0 0... 0 0 ... z ... z z⎟
⎜
⎜ 0 0 ... 0 0... 0 0 ... 0 0 ... 0 z ⎟⎟
⎜ ⎟
...
...
...
...
...
...
...
...
...
...
⎜ ⎟
⎝ 0 0 ... 0 0... 0 0 ... 0 0 ... 0 0⎠
donde hemos destacado la columna de los términos independientes. Si en la

ecuación final, de la forma 0 = z, resulta que el segundo miembro es estricta-
mente diferente de cero, el sistema resultante será incompatible, ya que con-
tendrá una ecuación imposible. En caso contrario, el sistema será compatible.
Podemos definir ahora el rango de una matriz.
Recordemos que...
El rango de una matriz es el máximo número de filas linealmente in-
... para determinar el rango de
dependientes que contiene, y es igual, a la dimensión del subespacio ge- una matriz podemos emplear
nerado por las filas consideradas como vectores-fila. el método de eliminación de
Gauss.
Con esta definición ahora podemos continuar la discusión sobre el número de

soluciones del sistema y llegaremos a las conclusiones siguientes:
1) Cuando el rango de la matriz ampliada sea igual al de la matriz del sistema,

no puede aparecer ninguna ecuación incompatible del tipo 0 = .
2) El rango de la matriz ampliada puede, sin embargo, superar el de la matriz

del sistema en una unidad. En este caso, necesariamente quedará la última
ecuación de la forma 0 = y el sistema será incompatible.
3) En lo que respecta al número de parámetros libres que tiene la solución de

un sistema compatible, observemos que las variables a las que no haya queda-
do asociado ningún pivote pueden ser elegidas arbitrariamente, de forma que
las otras quedarán determinadas en función de éstas. Teniendo en cuenta que
queda una ecuación para cada pivote, el número de grados de libertad de la
solución será igual al de incógnitas menos el rango del sistema. Podemos
enunciar ya el teorema de Rouché-Fröbenius.
Teorema 4: teorema de Rouché-Fröbenius
Un sistema de ecuaciones lineales es compatible si el rango de la matriz

del sistema es igual al rango de la matriz ampliada, y es incompatible en
caso contrario.
El número de grados de libertad de un sistema compatible, o número de

parámetros del que depende la solución del sistema, es igual al número
de incógnitas menos el rango de la matriz del sistema.
Actividad
17. Comentad las actividades 10, 11, 12 , 13 y 14 desde el punto de vista del teorema de
Rouché-Fröbenius.
6. Sistemas homogéneos
Un sistema homogéneo es aquel en el que el término independiente de

todas las ecuaciones es cero. Un sistema homogéneo de m ecuaciones y
n incógnitas será de la forma:
a 11 x 1 + a 12 x 2 + … + a 1n x n = 0 ⎫
⎪
a 21 x 1 + a 22 x 2 + … + a 2n x n = 0 ⎪
⎬ (19)
⎪
.. .
.. .
.. . ⎪
a m 1 x 1 + a m2 x 2 + … + a mn x n = 0 ⎭
Matricialmente se expresa del siguiente modo:
A · x = 0.
Es evidente que todo el sistema homogéneo admite la solución trivial:
⎛x 1⎞ ⎛0 ⎞
⎜ ⎟ ⎜ ⎟
x
⎜ ⎟ = ⎜0 ⎟
2
⎜ ⎟ ⎜ ⎟
...
...
⎜ ⎟ ⎜ ⎟
⎝x n⎠ ⎝0 ⎠
o, brevemente, x = 0.
Se dice, por abuso de lenguaje, que un sistema homogéneo que única-

mente tenga la solución trivial no tiene soluciones propias.
Para los sistemas homogéneos, la matriz ampliada contiene sólo una columna
de ceros más que la matriz del sistema, de forma que el rango de la matriz am-
pliada será igual al rango de la matriz del sistema. La primera parte del teorema
de Rouché, aplicado ahora, nos dice que siempre tendrá solución, algo eviden-
te ya que x = 0 es una solución trivial. Pero en el caso de los sistemas homo-
géneos, las soluciones que interesan son precisamente las que no son triviales.
Para un sistema homogéneo, si hay una solución particular x1 o, detalladamente,
⎛ x 1⎞ ⎛ x 11 ⎞
⎜ ⎟ ⎜ ⎟
x x
x = ⎜ 2⎟ = ⎜ 12 ⎟
⎜ ⎟ ⎜ ⎟
...
...
⎜ ⎟ ⎜ ⎟
⎝ x n⎠ ⎝ x 1n⎠
entonces, si t es un parámetro arbitrario, x = t x 1 también es solución. Es decir,

también es una solución para todo t.
⎛ x 1⎞ ⎛ x 11 ⎞
⎜ ⎟ ⎜ ⎟
⎜ x 2⎟ = t ⎜ x 12 ⎟ .
⎜ ⎟ ⎜ ⎟
...
...
⎜ ⎟ ⎜ ⎟
⎝ x n⎠ ⎝ x 1n⎠
Si un sistema homogéneo admite un conjunto de soluciones particulares x i ,

para 1 ≤ i ≤ s, toda combinación lineal de la forma
x = t1 x 1 + t 2 x 2 + … + t s x s
será también solución. Si ponemos las solución en forma matricial, será:
⎛ x 1⎞ ⎛ x 11⎞ ⎛ x 21 ⎞ ⎛ x s1 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 2⎟ = t ⎜ 12⎟ + t ⎜ 22 ⎟ + … + t ⎜ x s2 ⎟ .
x x x
(20)
⎜ ⎟ 1 ⎜ ⎟ 2 ⎜ ⎟ s ⎜ ⎟
...
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ x n⎠ ⎝ x 1n⎠ ⎝ x 2n⎠ ⎝ x sn ⎠
Estas proposiciones son consecuencia inmediata de las propiedades de las ope-

raciones con las matrices dadas en el apartado 2.
Ejemplo 16
Resolvamos el sistema
5x + 2y – 2w = 0 ⎫
z+
⎪
x – y + 3 z – 7w = 0 ⎬
⎪
2 x + 5 y – 1 0z + 23 w = 0 ⎭
y pongamos la solución en la forma de la fórmula (20).
Partimos de la matriz del sistema:
⎛ 5 2 –1 2 0⎞
⎜ ⎟
⎜1 –1 3 –7 0 ⎟ .
⎝ 2 5 –10 23 0 ⎠
Resulta más cómodo tomar el primer pivote de la segunda ecuación y permutar las filas una
y dos:
⎛1 –1 3 –7 0⎞
⎜ ⎟
⎜5 2 –1 2 0⎟ .
⎝2 5 –10 23 0⎠
Reducimos a cero la primera columna. El resultado es:
⎛1 –1 3 –7 0⎞
⎜ ⎟
⎜0 7 –16 37 0⎟ .
⎝0 7 –16 37 0⎠
Ahora reducimos la segunda columna y el resultado es:
⎛ 1 –1 3 –7 0⎞
⎜ ⎟
⎜ 0 7 –16 37 0⎟ .
⎝ 0 0 0 0 0⎠
El sistema tiene rango dos y dos grados de libertad. La solución es:
w = t1 ⎫
⎪
z = t2 ⎪
⎬.
y = 16 ⁄ 7 ⋅ z – 37 ⁄ 7 ⋅ w = 16 ⁄ 7 ⋅ t 2 – 37 ⁄ 7 ⋅ t 1 ⎪
⎪
x = y – 3 z + 7 w = –5 ⁄ 7 ⋅ t 2 + 12 ⁄ 7 ⋅ t 1 ⎭
Finalmente, puesto en forma vectorial:
⎛x⎞ ⎛ 12 ⁄ 7 ⎞ ⎛ –5 ⁄ 7⎞ ⎛ 12 ⎞ ⎛ –5 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
y
⎜ ⎟ = t ⎜ – 37 ⁄ 7 ⎟+t ⎜ 16 ⁄ 7 ⎟ = t ′⎜ –37 ⎟ + t ′ ⎜ 16⎟ .
⎜z⎟ 1⎜
0 ⎟ 2⎜
1 ⎟ 1 ⎜
0 ⎟ 2 ⎜
7⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ w⎠ ⎝ 1 ⎠ ⎝ 0 ⎠ ⎝ 7 ⎠ ⎝ 0⎠
Actividades
18. Resolved el sistema de ecuaciones siguiente:
2x – y + 3z = 0 ⎫
⎪
– x + 3y + 7z = 0 ⎬.
⎪
– x + 8 y + 24 z = 0 ⎭
1 9. Resolved el sistema de ecuaciones siguiente:
x + y + 5z = 0 ⎫
⎪
2 x + 2 y + 10 z = 0 ⎬ .
⎪
– 3 x – 3 y – 15 z = 0 ⎭
x + y + 5z = 0 ⎫
⎪
4x + 7y – 3z = 0 ⎬.
⎪
– x – 3y + 2z = 0 ⎭
x + y + 5z – 3t = 0 ⎫
⎪
2x – 3y + z + 2t = 0 ⎪
⎬.
4 x – y + 11 z – 4 t = 0 ⎪
x – 4 y – 4 z – t = 0 ⎪⎭
2 2. Dado un sistema lineal homogéneo de la forma A · x = 2 demostrad, utilizando las pro-

piedades de las operaciones con matrices y vectores dadas en el apartado 2 de este mismo mó-
dulo didáctico que, si x 1, x 2, ..., x s son soluciones particulares del sistema, entonces
t1 x 1 + t2 x 2 + … + ts x s
también es solución del sistema para todo conjunto de valores t 1, t 2, ..., t s reales.
7. Determinantes y regla de Cramer
Entre los sistemas de ecuaciones lineales adquieren especial importancia los

que tienen igual número de ecuaciones que de incógnitas, y particularmente
los que son determinados, ya que son los más habituales en muchas aplicacio-
nes científicas y técnicas.
Hemos visto en el apartado anterior cómo se resuelve en la práctica cualquier

sistema de una forma efectiva y con pocas operaciones; pero si lo que desea-
mos es dar una fórmula directa que exprese la solución, entonces aparecen los
determinantes. Este problema interesó a Leibnitz hacia 1678.
Gotfried Wilhelm Leibnitz

(1646-1716)...
7.1. Determinantes de segundo orden
... hijo de un profesor de filoso-
fía de familia acomodada,
Empezamos por un sistema de dos ecuaciones y dos incógnitas: pronto se interesó por la histo-
ria y el derecho. A los 8 años
comenzó a estudiar latín y
poco tiempo después, griego.
a 11x 1 + a 12 x 2 = b 1 ⎫ Fue bachiller en 1663, y estu-
⎬. dió geometría euclidiana y ál-
a 21x 1 + a 22 x 2 = b 2 ⎭ gebra con el físico Erhard
Weigel, y en 1666 defendió su
tesis, De arte combinatoria , con
la que obtuvo el título de doc-
Multiplicando la primera ecuación por a 22 , la segunda por a 12 y restando para tor en filosofía. Interesado por
las máquinas y por los inge-
eliminar x 2, obtenemos: nios, en 1671 escribió su pri-
mera obra sobre la mecánica,
Hypothesis physica nova, e in-
ventó una máquina de calcular
( a 11 a 22 – a 21 a 12 ) ⋅ x 1 = b 1 a 22 – b 2 a 12 . para aligerar el cálculo a los as-
trónomos. Por sus trabajos de
diplomático (sugirió a Luis XIV
que conquistase Egipto y que
Esta fórmula nos sugiere definir el determinante de una matriz 2 × 2 del atacase las colonias holandesas
de Asia) viajó a Londres y a Pa-
modo siguiente: rís, donde Christian Huygens lo
inició seriamente en las mate-
máticas, algo que lo llevó al
descubrimiento del cálculo di-
c 11 c 12 ⎞ c ferencial e integral.
c 12
det C = det ⎛⎝ = 11 = c 11 c 22 – c 12 c 21 .
c 21 c 22 ⎠ c21 c 22
Con esta definición la ecuación anterior se puede escribir:
b1 a 12⎞
x 1 det A = det ⎛⎝ .
b2 a ⎠
22
Hacemos la misma operación por x 2 y resulta:
a 11 b 1⎞
x 2 det A = det ⎛⎝ .
a 21 b⎠ 2
Ahora, si:
a 11 a 12
det A = ≠ 0, (21)
a 21 a 22
podemos aislar x 1 y x 2 y obtenemos:
b1 a 12 a 11 b1
b2 a 22 a 21 b2
x 1 = -------
---------------------
----- x 2 = -------
-----------------------
---.
a 11 a 12 a 11 a 12
a 21 a 22 a 21 a 22
Las fórmulas anteriores reciben el nombre de regla de Cramer . La condición

La notación...
(21) permite decidir si el sistema es compatible y determinado o no.
... de determinante fue intro-
ducida por A. Cayley en el año
Podemos ilustrar así la regla para calcular un determinante de segundo orden: 1839.
Ejemplo 17
Dado el sistema siguiente, utilizemos la regla de Cramer para decidir si es o no es compatible

y determinado, y obtened en este caso la solución:
2x + 5y = 7 ⎫
⎬.
3x – 4y = 4 ⎭
El determinante del sistema es:
∆ = 2 5 = –23 ≠ 0.
3 –4
Por lo tanto el sistema es compatible y determinado, y las soluciones son: El uso matemático de DD
7 5 2 7 Es muy habitual designar el de-

4 –4 48 3 4 13 terminante del sistema con la le-
x = -------------------------- = ------ y = ------------------------ = ------. tra griega delta mayúscula (∆).
∆ 23 ∆ 23
Ejemplo 18
Dado el sistema:
3 kx + 8 y = 2 ⎫
⎬
4 x + 7 y = –5 ⎭
discutid para qué valores del parámetro k el sistema es compatible y determinado, y en este
caso dad la solución.
El determinantes del sistema es:
3k 8
∆ = = 21 k – 32.
4 7
Por lo tanto, si:
32
k ≠ ------
21
el determinante es diferente de cero y el sistema es compatible y determinado. En este caso,

la solución es:
2 8 3k 2
– 1 5k – 8
---5
--------------------7 54 4 5
x = --– –
--- = ----------
------------- y = ---------------------------- = ------------------------.
∆ 2 1k – 32 ∆ 2 1k – 3 2
7.2. Determinantes de tercer orden
En este subapartado consideramos sistemas de tres ecuaciones y tres incógnitas.
La búsqueda de combinaciones adecuadas de las ecuaciones que eliminen una

variable, para encontrarnos en un caso que ya sabemos resolver, lleva a definir
el determinante de orden tres.
Dada una matriz:
⎛ c 11 c 12 c 13⎞
C = ⎜⎜ c 21 c 22 c 23⎟⎟ ,
⎝ c 31 c 32 c 33⎠
llamamos menor complementario γij de un elemento cij al determinan-

te de segundo orden que se forma con los elementos de C que se obtienen
suprimiendo la fila y la columna correspondientes al elemento dado.
Entonces, definimos el determinante de C de la forma siguiente:
c11 c 12 c 13
det C = c21 c 22 c 23 = c11 γ 11 – c 21 γ21 + c 31 γ31 =
c31 c 32 c 33
c 22 c 23 c12 c 13 c12 c 13
= c11 – c 21 + c 31 . (22)
c 32 c 33 c32 c 33 c22 c 23
De la definición anterior, sustituyendo los determinantes de segundo orden,

resulta:
det C = c11 c 22 c 23 + c12 c 23 c 31 + c 13 c 21 c 32 –
– c 11 c23 c 32 – c 12 c 21 c33 – c 12 c 21 c33 – c 13 c 22 c 31, (23)

lo cual muestra la simetría de la definición respecto a las permutaciones de ín-

dices, y respecto a filas y columnas, por contraposición a (22), donde destaca
especialmente una columna.
La definición (22) o (23), aunque parezca arbitraria, es de hecho consecuencia Ved los apartados 7.1 y 7.3 de este
mismo módulo didáctico.
de generalizar, al caso 3 × 3, las fórmulas para aislar las incógnitas que hemos
visto para sistemas 2 × 2.
La regla (23) para calcular un determinante de tercer orden recibe el nombre

de regla de Sarrus y puede ser ilustrada así:
Ejemplo 19
Calculemos el determinante siguiente:
1 4 –3
∆ = 3 –2 1.
4 –1 5
Solución
∆ = 1 ( –2 ) 5 + 3 ( –1 ) ( –3 ) + 1 ⋅ 4 ⋅ 4– 4( – 2) ( –3 ) – 1 ( –1 ) ⋅ 1 –3 ⋅ 4 ⋅ 5 = –68.
7.3. Determinantes de orden n
Podemos generalizar los determinantes para un orden n cualquiera. Dada una

matriz n × n:
⎛ a 11 a 12 … a 1n ⎞
⎜ ⎟
⎜ a 21 a 22 … a 2n ⎟
⎜ ⎟.
⎜ ⎟
⎝ an 1 a n2 … a nm⎠
Definiremos el det A por la fórmula siguiente:
σ
det A = ∑ ( –1 ) a 1i 1 a 2i 2 … a ni n (24)
σ
donde la suma se extiende a todas las permutaciones (i 1 ,i 2 ..., i n ) de los índices

(1, 2, ..., n), y el signo corresponde a la paridad de la permutación.
No pretendemos que entendáis con toda claridad la definición anterior, ya

que todavía no hemos estudiado las permutaciones. No insistiremos, de este
modo, sobre esta fórmula. Únicamente la aplicaremos al caso n = 3 para ver

cómo actúa.
Las permutaciones de (1, 2, 3) son:
( 1, 2 , 3 )+ , ( 1, 3 , 2 )– , ( 2, 1 , 3 ) – , ( 2, 3 , 1) + , (3 , 1 , 2 ) + , ( 3, 2, 1 )–
donde hemos puesto la paridad como subíndice. La paridad de una permuta-

ción es positiva cuando el número de transposiciones o permutaciones de 2
índices que es necesario hacer para llegar a la permutación (1, 2, 3) es par, y
negativa si es impar. De este modo, la fórmula (24) aplicada a los determinan-
tes de orden 3 dará:
det A = a 11a 22 a 23 – a 11 a 23 a 32 – a 12 a 21 a 33 +
+ a 12 a 23 a 31 – a 13 a 21 a 32 – a 13 a 22 a 31 ,
que es idéntica a la fórmula (23) dada por la regla de Sarrus.
Las propiedades que ahora daremos de los determinantes son válidas para los
determinantes de cualquier orden. Las demostraciones de estas propiedades,
hechas a partir de la definición (24), son un poco técnicas y no las ponemos
en el texto para no alargarlo innecesariamente. Podéis consultarlas en la bi-
bliografía.
7.3.1. Propiedades de los determinantes
1) Desarrollo por una fila (o columna): adjunto. El valor de un determinan-

te es igual a la suma algebraica de los productos de los elementos de una fila
(o columna) cualquiera, por los menores complementarios correspondientes
afectados de un signo que depende de la posición que ocupe el elemento, se-
gún la regla de signos siguiente:
+ – + …
– + – ….
+ – + …
...
...
...
El signo correspondiente a la posición (i, j) es (–1)i+j. La expresión resultante

equivale a “desarrollar el determinante por los elementos de la fila (o colum-
na) correspondiente”. De este modo, (22) no es más que la expresión del de-
terminante de orden 3 desarrollado por la primera columna.
Llamamos adjunto C ij de un elemento c ij a su menor complementario dota-

do del signo que le corresponde en el anterior esquema de signos. Para cual-
quier índice de fila (o columna) i, tenemos:
det C = c i1 C i1 + c i2 C i2 + … + c in C in = c1 i C 1i + c2 i C 2i + … + c ni C ni .
Esta propiedad es muy útil para calcular efectivamente los determinantes, ya

que permite reducir el cálculo de un determinante de orden n al cálculo de de-
terminantes de orden n–1.
2) Transponer. El valor del determinante de una matriz es igual a la de su

transpuesta, es decir, no se altera al intercambiar filas y columnas:
c11 c 12 … c 1n c 11 c21 … c n1
c21 c 22 … c 2n c 12 c22 … c n2
= .
...
...
...
...
...
...
c n1 c n2 … c nn c 1n c2 n … cn n
3) Permutar filas o columnas. Al intercambiar entre sí dos filas o bien dos co-
lumnas el valor de un determinante cambia de signo.
Por ejemplo, si intercambiamos la columna i por la j obtenemos:
c11 … c1 i … c 1j … c 1n
c21 … c2 i … c 2j … c 2n
=
...
...
...
...
c n1 … c ni … c nj … c nn
c11 … c1 j … c 1i … c 1n
c21 … c2 j … c 2i … c 2n
= – .
...
...
...
...
c n1 … cn j … c ni … c nn
4) Filas o columnas iguales. Un determinante que tenga dos filas (o colum-

nas) iguales vale 0:
c 11 … c 1i … c 1i … c 1n
c 21 … c 2i … c 2i … c 2n
= 0.
...
...
...
...
cn 1 … c ni … c ni … c nn
5) Suma de determinantes parecidos. La suma de dos determinantes que ten-

gan las filas (o las columnas) comunes excepto una es igual al determinante que
se obtiene con las filas (o columnas) comunes y la fila (o columna) no común

formada por la suma de los elementos correspondientes de los determinantes
que sumamos:
a 11 a 12 … a1 n ′
a 11 ′
a 12 … a 1′ n
c 21 c 22 … c 2n c 21 c 22 … c 2n
+ =
...
...
...
...
...
...
c n1 c n2 … cn n c n1 c n2 … cn n
a 11 + a′11 a 12 + a′12 … a 1 n + a′1n

c 21 c 22 … c2 n
= .
...
...
...
cn 1 c n2 … c nn
6) Multiplicación de una fila o columna por un escalar. Si multiplicamos

todos los elementos de una fila o columna por un escalar, el determinante
queda multiplicado por el mismo número:
λc 11 λ c12 … λ c 1n c 11 c12 … c1 n
c 21 c22 … c2 n c 21 c22 … c2 n
= λ .
...
...
...
...
...
...
c n1 cn 2 … c nn c n1 cn 2 … c nn
No debemos confundir la operación de multiplicar una fila de la matriz por un

escalar con la operación de multiplicar la matriz por un escalar introducida en
el apartado 4 de este módulo didáctico. Allí todos los elementos de la matriz
quedaban multiplicados por el escalar.
Teniendo en cuenta esto (utilizando esta propiedad para cada una de las n filas
o bien n columnas de A) resultará:
det ( λ A ) = λn ⋅ d e tA .
7) Añadir una fila (o una columna) multiplicada por un escalar a una pa-
ralela. Un determinante no varía si añadimos a una fila (o una columna) los
elementos de una paralela multiplicados por una misma constante:
c 11 c12 … c1 n + λc 1j c 11 c 12 … c 1n
c 21 c22 … c2 n + λc 2j c 21 c 22 … c 2n
= si j ≠ n.
...
...
...
...
...
...
c n1 cn 2 … c nn + λ c nj c n1 c n2 … c nn
8) Elementos de una fila (o columna) por los adjuntos de una paralela. La

suma de los elementos de una fila (o una columna) por los adjuntos de una
paralela vale 0:
a i1 A j1 + a i2 A j2 + … + a in A jn = 0 si i ≠ j.
9) Determinante de un producto de matrices cuadradas. El determinante

de un producto de matrices es igual al producto de los determinantes de cada
matriz:
det ( A ⋅ B ) = det A ⋅ det B
Las propiedades 1, 2, 3, 4, 5, 6, 7, 8 y 9 que acabamos de enunciar permiten

calcular determinantes sin necesidad de desarrollarlos por la fórmula (24).
Para calcular un determinante podemos ir reduciendo a ceros los elementos de

una fila, como hacíamos en el método de Gauss, ya que la propiedad 7 nos au-
toriza a hacerlo, y después utilizar 1 para desarrollar por aquella fila.
Ejemplo 20
Ved cómo calcular el determinante siguiente:
1 –2 4
∆ = 3 –5 1.
2 7 2
Para reducir a cero los elementos de la primera columna:
– Multiplicamos la primera fila por 3 y la restamos de la segunda.
– Multiplicamos la primera fila por 2 y la restamos de la tercera.
El resultado es:
1 –2 4
∆ = 0 1 –11 .
0 11 –6
Ahora, desarrollándolo por la primera columna, resulta:
∆ = 1 –1 1 = – 6 + 121 = 115.
11 –6
Este método es mucho más eficiente para calcular determinantes que (23). La
utilidad de las fórmulas (24) o (23) es más teórica que práctica. Sirve para de-
mostrar resultados u obtener expresiones compactas, pero se utiliza poco para
calcular efectivamente determinantes.
Las propiedades mencionadas también nos permiten asegurar que cierto de-
terminante es cero sin necesidad de desarrollarlo.
Ejemplo 21
Probemos que:
1 –2 –1
∆ = 3 –5 –2 = 0 .
2 7 9
Solución: en efecto, teniendo en cuenta que la tercera columna es la suma de las dos prime-
ras, y utilizando primero la propiedad (7) y después la (5) obtenemos que el resultado es 0,
porque se trata de la suma de dos determinantes nulos (es decir, que valen 0).
7.3.2. Regla de Cramer para los sistemas n × n
Consideremos ahora un sistema de n ecuaciones con n incógnitas:
a 11 x 1 + a 12 x 2 + … + a 1n x n = b 1 ⎫
⎪
a 21 x 1 + a 22 x 2 + … + a 2n x n = b 2 ⎪
⎬.
...
...
⎪
...
...
a n 1 x 1 + a n 2 x 2 + … + a nn x n = b n ⎪⎭
Multiplicando la ecuación i por el adjunto Ai1 y sumando por todo i resulta:
( a 11 A 11 + a 21 A 21 + … + a n1 A n 1 )x 1 +
+ ( a 12 A 11 + a 22 A 21 + … + a n2 A n1 )x 2 + … +
+ ( a 1n A 11 + a 2 n A 21 + … + a nn A n1 )x n =
= b 1 A 11 + b 2 A 21 + … + b n A n1 .
Para la propiedad 1 el primer paréntesis vale det A, mientras que para la 8,

los restantes paréntesis valen 0. Por lo tanto, la expresión anterior queda
reducida a:
b1 a 12 … a1 n
b2 a 22 … a2 n
x 1 det A = .
...
...
...
bn a n2 … a nn
Podemos repetir el cálculo anterior con los adjuntos de las columnas segunda,
tercera, ..., i-ésima, respectivamente, y si:
det A ≠ 0 (25)
obtenemos las fórmulas de Cramer, también, para las demás variables:
∆
x i = ----i (26)
∆
donde:
a 11 … a 1, i – 1 b1 a 1, i + 1 … a 1n
a 21 … a 2, i – 1 b2 a 2, i + 1 … a 2n
∆i =
...
...
...
...
...
a n1 … a n, i – 1 bn a n, i + 1 … a nn
a 11 a 12 … a1 n
a 21 a 22 … a2 n
∆ = (27)
...
...
...
a n1 a n2 … a nn
Observad que:
a) El determinante ∆i se obtiene cambiando la columna i de ∆ por la columna

de términos independientes.
b) La condición para que el sistema sea compatible y determinado se expresa

en (25).
Veamos un ejemplo de sistema 3 × 3.
Ejemplo 22
Utilicemos la regla de Cramer para discutir y resolver el sistema siguiente:
x + 2y – z = 1 ⎫
⎪
– 5x + 4y + 3z = 5 ⎬.
⎪
2x + y + 2z = 6 ⎭
1 2 –1
∆ = –5 4 3 = 1 ⋅ 4 ⋅ 2 + ( –5 ) ⋅ 1 ⋅ ( –1 ) + 2 ⋅ 3 ⋅ 2 – 2 ⋅ 4 ⋅ ( –1 ) –
2 1 2
–2 ⋅ ( –5 ) ⋅ 2 –1 ⋅ 3 ⋅ 1 = 50 ≠ 0
y, en consecuencia, el sistema es compatible y determinado. Para calcular las variables ten-

dremos:
1 2 –1
x = --1 40
---- 5 4 ----- = 4
3 = - ---
50 50 5
6 1 2
1 1 –1
1 48 24
y = ------ –5 5 3 = -
----- = ------
50 50 25
2 6 2
1 2 1
1 86 43
z = ------ –5 4 ----- = ------.
5 = -
50 50 25
2 1 6
Veamos un ejemplo 4 × 4:
Ejemplo 23
Resolvamos por Cramer el sistema siguiente 4 × 4:
x + y + 3z – 2t = 3 ⎫
⎪
2x – 4 y + 7 z + 2 t = –1 ⎪
⎬.
3x – 2y + 9z – t = 6 ⎪
x + 3 y – z – t = 0 ⎪⎭
1 1 3 –2
2 –4 7 2
∆ = .
3 –2 9 –1
1 3 –1 –1
Empleando como pivote el elemento de la primera fila y la primera columna, reducimos a

cero la primera columna:
1 1 3 –2
–6 1 6
∆ = 0 –6 1 6 =
–5 0 5.
0 –5 0 5
2 –4 1
0 2 –4 1
Ahora podemos añadir la tercera columna a la primera, utilizando nuevamente la séptima

propiedad de los determinantes.
Obtenemos:
0 1 6
∆ = 0 0 5 = 3 ⋅ 5 = 15 ≠ 0.
3 –4 1
El sistema es de Cramer, y podemos calcular los determinantes ∆ 1, ∆2 , ∆3 y ∆4 , que nos deter-

minarán x, y, z, t. De este modo:
3 1 3 –2 0 –1 1 24 4
∆ 1 = –1 –4 7 2 = –1 –4 7 2 =
6 –2 9 –1 0 –26 51 11
0 3 –1 –1 0 3 –1 –1
–11 24 4 61 24 –20
= –2 6 51 11 = 127 51 –40 =
3 –1 –1 0 –1 0
61 –20 = 100,
=
127 –4 0
lo cual permite obtener x:
100 20
x = ---------- = ------.
15 3
Procediendo de forma similar, obtenemos:
∆ 2 = –80, ∆ 3 = –51 y ∆4 = –89.
Finalmente,
16 17 89
y = –------, z = –------, t = –------.
3 5 15
Como puede comprobarse, habría resultado mucho más corto hacer los cálculos con el mé-
todo de Gauss.
Hemos visto que la teoría de los determinantes permite una formulación com-
pacta para resolver los sistemas n × n. Pero el precio que se paga por este mé-
todo es bastante elevado, ya que para resolver efectivamente un sistema es
mucho menos eficiente que el método de Gauss.
Podemos afirmar que los determinantes tienen un papel teórico y permiten

sistematizar los resultados, mientras que en el momento de resolver sistemas
concretos, el método eficiente y recomendado con carácter general es el mé-
todo de Gauss.
Incluso cuando debemos calcular un determinante, lo hacemos reduciendo a

cero filas o columnas por el método de añadir a una fila (o columna) otra fila
u otra columna multiplicada por una constante (propiedad 7), y repitiendo la
operación tantas veces como sea necesario, sin utilizar directamente las defi-
niciones. En definitiva, el procedimiento de cálculo regresa nuevamente al
método de Gauss.
Los determinantes permiten también obtener una definición alternativa a la

que ya hemos visto del rango de una matriz.
Llamamos determinante menor de orden s de una matriz a todo de-

terminante formado por s filas y s columnas extraídas de la matriz dada.
Si la matriz tiene m filas y n columnas, el menor de orden máximo que
podemos formar será de orden igual al menor de los dos números m, n.
Con la definición de menor podemos enunciar el teorema siguiente.
Teorema 5
El rango de una matriz es igual al orden del menor de orden máximo

diferente de cero.
Para utilizar este teorema debemos encontrar un menor no nulo de orden tan
grande como seamos capaces, algo que nos indicará que los vectores de la fila
implicados son linealmente independientes. A continuación, vamos amplián-
dolo con una fila y una columna, de modo que el nuevo determinante menor
continúe siendo diferente de cero. Cuando todos los menores orlados del dado
sean nulos, habremos determinado el rango.
Dada la simetría entre filas y columnas en un determinante, se deduce

fácilmente que en una matriz n × m, el número de filas y el de columnas
linealmente independientes es el mismo.
Veamos, de este modo, la utilidad teórica de los determinantes ante la poten-

cia práctica del método de Gauss. Los determinantes son un complemento ne-
cesario para discutir y sistematizar el estudio de los sistemas de ecuaciones,
pero para calcular las soluciones utilizaremos el método de Gauss.
Actividades
23. Utilizando determinantes, ved qué podemos decir a propósito de un sistema homo-
géneo de n ecuaciones y n incógnitas:
a 11 x 1 + a 12 x 2 + … + a 1n x n = 0 ⎫
⎪
a 21 x 1 + a 22 x 2 + … + a 2n x n = 0 ⎪
⎬. (28)
⎪
...
...
...
a n1 x 1 + a n2 x 2 + … + a nn x n = 0 ⎪⎭
a) ¿Cuál es la condición para que el sistema tenga soluciones no triviales?
b) En el caso de que tenga, y que ésta tenga a su vez 1 grado de libertad, ¿qué expresión
podemos dar para la solución?
24. ¿Para qué valores de λ el sistema homogéneo siguiente tiene soluciones no triviales?
En estos casos, encontradlas.
( – 2 0 – λ) x + 9y – 5z = 0 ⎫
⎪
– 51 x + ( 2 3 – λ )y – 12 z = 0 ⎬.
⎪
3x – y + ( 2 – λ )z = 0 ⎭
25. Determinad λ para que el sistema siguiente sea compatible:
2 x – 3y – z = 2 ⎫
⎪
x + 2y – 3 z = 4 ⎪
⎬.
x + 2y – z = 3 ⎪
λ x – 2 y + 2 z = 1 ⎪⎭
26. Discutid las soluciones del sistema siguiente, según los valores del parámetro λ:
λx + y + z = 1 ⎫
⎪
x + λy + z = λ ⎬.
⎪
x + y + λz = λ2⎭
27. Determinad λ para que el sistema tenga soluciones no triviales, y dad las soluciones
correspondientes en forma de vectores-columna.
λx + y + z = 0 ⎫
⎪
3 x + λ y – 2 z = 0 ⎬.
⎪
2x + 4 y + z = 0 ⎭
28.
a) Demostrad que:
1 x x2
1 y y
2 = ( x – y ) ( y – z ) ( z – x ).
2
1 z z Determinante
de Vandermonde
b) Generalizando el método anterior, calculad el determinante siguiente, conocido
como determinante de Vandermonde: Determinante que tiene unos
en la primera fila, mientras que
la segunda fila es arbitraria y las
2 n –1
1 x1 x1 … x1 siguientes están formadas por
2 n –1 las potencias sucesivas de los
1 x2 x2 … x2 . elementos de la segunda fila.
Lo mismo se puede aplicar en
...
...
...
...
2 n –1 lo que respecta a las columnas.

1 xn xn … xn
29. Calculad este determinante:
a 11 a 12 a 13 … a1 n
0 a 22 a 23 … a2 n
0 0 a 33 … a 3n .
...
...
...
...
0 0 0 … an n
8. Matriz inversa
Diremos que la matriz cuadrada A tiene inversa si hay una matriz, que
denotaremos como A –1, la cual verifica:
A ⋅ A–1 = A –1 ⋅ A = I.
Teniendo en cuenta que el determinante de un producto de matrices es igual Recordad la novena propiedad de
los determinantes
al producto de los determinantes y que el determinante de I es 1, para que A
tenga inversa es necesario que:
det A ≠ 0. (29)
Esta condición es también suficiente a partir de la primera y la octava propie-

dad de los determinantes. Si se cumple (29), la matriz siguiente:
⎛ A 11 A 21 … A n1 ⎞
⎜ ⎟
1 A 12 A 22 … A n2 ⎟
= ---------------⎜⎜
–1
A ⎟ (30)
det A
...
...
...
⎜ ⎟
⎝ A 1n A 2n … A nn ⎠
formada por los adjuntos de los elementos (transpuestos) divididos por el de-
terminante es inversa de A .
En efecto, si multiplicamos esta matriz por A, los elementos diagonales de la

matriz del producto corresponderán a la suma de productos de los elementos
de una fila por los adjuntos de la misma fila y divididos por det A que, por la
propiedad 1 de los determinantes, es 1.
En cambio, los elementos no diagonales corresponderán a la suma de produc-

tos de los elementos de una fila por los adjuntos de una paralela que, por la
propiedad 8 de los determinantes, es cero. Así pues, la condición necesaria y
suficiente para que A tenga inversa es (29).
La fórmula (39) de la matriz inversa tiene, como siempre, más utilidad teórica
que práctica, ya que resulta muy costoso hacer el cálculo de la inversa a partir
de ésta. Podemos emplear también el método de Gauss.
El método de Gauss nos permite resolver simultáneamente diferentes sistemas

considerando la matriz ampliada con una columna para cada segundo miem-
bro. Aplicamos el método de Gauss tomando como segundos miembros los

vectores columna:
⎛ 1⎞ ⎛ 0⎞ ⎛0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 0⎟ , ⎜ ⎟ , …, ⎜ 0 ⎟
1
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 0⎠ ⎝ 0⎠ ⎝1 ⎠
los cuales, puestos como columnas de la matriz ampliada, forman la matriz

identidad. El sistema será ahora:
⎛ a 11 … a 1n ⎞ ⎛ x 11 … x 1n ⎞ ⎛1 … 0⎞
⎜ ⎟ ⋅⎜ ⎟ = ⎜ ⎟
...
...
...
...
...
...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ a n1 … a nn ⎠ ⎝ x n1 … x nn⎠ ⎝0 … 1⎠
o, en forma de matrices:
A ⋅X =I (31)
y la solución será precisamente X = A − 1.
La matriz ampliada del sistema será:
⎛ a 11 … a 1n 1 … 0⎞
⎜ ⎟.
...
...
...
⎜ ⎟
...
⎝a … a nn 0 … 1⎠
n1
Primero, la reducimos por el método de Gauss a forma triangular. A continua-

ción, dividimos las filas por los elementos diagonales que han quedado, a fin
de convertirlos en unos. Finalmente, reducimos a cero también los elementos
del triángulo superior empleando el método de Gauss de abajo a arriba y to-
mando como pivotes los unos de la diagonal principal. El resultado será:
⎛1 … 0 x 11 … x 1 n⎞
⎜ ⎟,
...
...
...
...
⎜ ⎟
⎝0 … 1 x n1 … x nn⎠
lo cual nos dará la matriz inversa X.
Ejemplo 24
Queremos encontrar la matriz inversa de A, donde:
⎛1 1 1⎞
A = ⎜5 4 5 ⎟⎟ .
⎜
⎝2 –1 1⎠
Para encontrarla, escribimos la matriz ampliada siguiente:
⎛ 1 1 1 1 0 0⎞
⎜ 0 ⎟⎟ .
⎜ 5 4 5 0 1
⎝ 2 –1 1 0 0 1⎠
la cual reducimos por el método de Gauss. En la primera triangulación obtenemos:
⎛ 1 1 1 1 0 0⎞
⎜ –5 1 0⎟⎟ .
⎜ 0 –1 0
⎝ 0 0 –1 13 –3 1⎠
Podemos continuar su reducción multiplicando la tercera fila por –1 y la segunda también

por –1 para llenar de unos la diagonal principal. Finalmente, reduciremos a cero la parte su-
perior de la matriz del sistema. El resultado será:
⎛1 0 0 9 –2 1⎞
⎜ 5 –1 0⎟⎟ .
⎜0 1 0
⎝0 0 1 –13 3 –1⎠
La matriz inversa es, por lo tanto:
⎛ 9 –2 1⎞
⎜ 5 –1 0⎟⎟ .
⎜
⎝ –13 3 –1⎠
Vemos así que el coste de encontrar la inversa de una matriz n × n por el mé-
todo de Gauss es resolver simultáneamente n sistemas por Gauss con la propia
matriz del sistema, que es muy inferior a n veces el coste de resolver un siste-
ma; esto se debe a que, para cada sistema, únicamente debemos añadir los cál-
culos relativos a la columna correspondiente de la matriz ampliada.
Si hemos calculado la matriz inversa de A, tenemos automáticamente la solu-

ción de cualquier sistema de la forma
A·x=b
ya que multiplicando esta ecuación por A−1 por la izquierda obtenemos lo si-
guiente:
x = A−1 · b
Actividades
30. Calculad, si la hay, la inversa de la matriz siguiente por el método de Gauss:
⎛ 1 –2 4⎞
⎜ 2 5 –3 ⎟⎟ .
⎜
⎝ –3 1 4⎠
31.
a) Calculad la matriz inversa de:
⎛ cos α –s e n α⎞
.
⎝ senα cos α ⎠
b) Comprobad que A · A t = A t · A = I.
c ) Las matrices que verifican la propiedad anterior reciben el nombre de ortogonales. ¿Es
posible conseguir que la matriz siguiente sea ortogonal eligiendo a, b y c de forma adecuada?
⎛3 ⁄ 5 –4 ⁄ 13 a⎞
⎜4 ⁄ 5 3 ⁄ 13 b ⎟⎟ .
⎜
⎝ 0 12 ⁄ 13 c⎠
Resumen
Hemos visto que, para resolver efectivamente sistemas de ecuaciones lineales,

el método de eliminación de Gauss es el más adecuado. Permite transformar-
los en forma escalonada con un mínimo de operaciones.
Por otro lado, la teoría de los determinantes permite una formulación teórica más
directa, pero los cálculos son mucho más complicados. Para un sistema n × n de-
terminado, las fórmulas de Cramer nos dan una expresión directa de las solucio-
nes. A pesar de ello, en el momento de calcular determinantes también utilizamos
el método de Gauss.
Los sistemas de ecuaciones nos llevan, de forma natural, a introducir el con-

cepto de matriz y sus operaciones, reconociendo en ellas las estructuras de ani-
llo y de espacio vectorial.
El estudio de los espacios vectoriales aplicado a los sistemas de ecuaciones nos

permite introducir el concepto de rango de una matriz, y a partir de esto el teo-
rema de Rouché-Fröbenius da la clave para saber si un sistema es compatible
o no, y si lo es, cuántos grados de libertad tiene la solución general.
Los determinantes resultan también útiles para saber si una matriz tiene inver-
sa, y hemos llegado a la conclusión de que, para ello, es necesario únicamente
que su determinante sea diferente de cero.
Ejercicios de autoevaluación
1 . Resolved los sistemas de ecuaciones siguientes:
3x + y + 2z = 19 ⎫
⎪
x + 2 y + 3 z = 27 ⎬ .
⎪
4 x + 2 y + 5z = 42 ⎭
3x + y + 2z = 19 ⎫
⎪
x + 2 y + 3 z = 27 ⎬ .
⎪
4 x + 3 y + 5z = 42 ⎭
3 x + y + 2z = 19 ⎫
⎪
x + 2 y + 3 z = 27 ⎬ .
⎪
4 x + 3 y + 5z = 46 ⎭
3x + y + 2z = 0 ⎫
⎪
x + 2y + 3z = 0 ⎬.
⎪
4 x + 2 y + 5z = 0 ⎭
3x + y + 2z = 0 ⎫
⎪
x + 2y + 3z = 0 ⎬.
⎪
4 x + 3 y + 5z = 0 ⎭
2 . Discutid el sistema siguiente según el valor del parámetro m. Resolvedlo por los valores de
m que hacen que sea compatible:
–x + mz = m ⎫
⎪
x + y + 3 z = 5 ⎬.
⎪
2x + my + = 0 ⎭
3 . Discutid este sistema según los valores de a y b:
a x + by + z = 1 ⎫
⎪
x + aby + z = b ⎬.
x + b y + a z = 1 ⎪⎭
4. Consideremos los vectores v1 = (1, 2, 0, –1), v2 = (2, –1, 1, 3), v3 = (–1, 3, –2, 2) y v4 = (4, 3, 0, 7).
a) ¿Son linealmente independientes? Escribid esta condición en términos de determinantes.

b) Determinad el rango de { v1 , v2 , v3 , v4 } y dad una base del subespacio que generan.
c) Sustituid los vectores convenientes de la base canónica {u 1 , u2 , u3 , u 4} por los vectores
encontrados en el apartado anterior para formar una nueva base de E 4 .
d) Expresad los vectores {v1 , v 2 , v3 , v 4 } en la nueva base, y determinad sus componentes
en esta nueva base.
5 . Encontrad la inversa de la matriz siguiente:
⎛ 9 –2 –4 ⎞
A = 1
---⎜ 1 2 –1 ⎟
5⎜ ⎟
⎝ –12 1 7 ⎠
6 . Dada la matriz
2 –1 ⎞
A = ⎛⎝
4 –2 ⎠
encontrad matrices B y C que cumplan A · B = C · A = 0 . ¿Hay alguna matriz D diferente de

0 tal que A · D = D · A = 0 ?
7 . Lo mismo que en el ejercicio anterior, suponiendo que ahora A es tal que det( A)≠0 .
8 . Una empresa tiene dos centros de producción, uno en Lérida y otro en Mataró. En cada
uno de los centros se han hecho las compras siguientes:
• En Lérida se han comprado 1 tonelada de tinta, 2 toneladas de papel, 3 toneladas de
disolvente y 5 toneladas de madera.
• En Mataró se han comprado 2 toneladas de tinta, 6 toneladas de papel, 4 toneladas de di-
solvente y 3 toneladas de madera. Sabiendo que los precios para cada artículo son: tinta 3
u.m. (unidades monetarias), papel 2 u.m., disolvente 5 u.m. y madera 2 u.m.
a)Disponed esta información en dos matrices A y B de forma que A · B nos dé la cantidad

total que han gastado cada uno de los centros de producción.
b) Encontrad otra matriz C, tal que operando convenientemente las tres matrices obtenga-
mos el total gastado entre los dos centros
c)Encontrad una matriz H que, operada convenientemente, nos dé la cantidad total de
cada producto que han comprado entre los dos centros (es decir: 3 toneladas de tinta, 8
toneladas de papel...).
d) Al cabo de unos cuantos días, una vez agotado todo el material, deciden volver a hacer
la misma compra (los mismos productos y las mismas cantidades), pero el vector de pre-
cios es ahora (4, 2, 6, 7). Disponed esta información en dos matrices D y E de forma que
D · E nos dé por columnas las cantidades totales que han gastado los centros en cada una
de las compras que han hecho.
e)¿Cómo podemos encontrar la cantidad gastada entre los dos en cada una de las compras?
f)¿Cómo encontramos la cantidad total gastada entre los dos?
9 . Disponemos de tres aleaciones A, B y C, cuya composición aparece en la tabla siguiente:
A B C
Plata 5% 10% 15%
Cobre 15% 25% 40%
Oro 80% 65% 45%
Mezclando las tres aleaciones podemos obtener diferentes productos con varias proporcio-
nes de plata, cobre y oro.
a) Encontrad una matriz tal que, multiplicándola por los kilogramos de A, de B y de C que
mezclemos, nos proporcione los kilogramos de plata, cobre y oro que hay en la mezcla fi-
nal. ¿Cuál es la suma de cada una de sus columnas?
b) Mezclando 50 kilogramos de A, 20 de B y 20 de C, cuántos kilogramos de plata, cobre y oro
habrá en la mezcla resultante? ¿Cuál será la proporción de plata, cobre y oro en la mezcla final?
c) Mezclando 0,5 kilogramos de A, 0,2 de B y 0,3 de C, ¿cuántos kilogramos de plata, cobre y
oro habrá en la mezcla resultante? ¿Cuál será la proporción de plata, cobre y oro en la mezcla
final?
d) ¿Podemos obtener una mezcla con el 20% de plata y el 80% de oro? ¿Qué interpretación
de la solución podemos dar cuando alguna incógnita toma valor negativo?
e) ¿Podemos obtener una mezcla con el 11,5% de plata, el 30,5% de cobre y el 58% de oro?
10. Supongamos que las composiciones de las aleaciones del ejercicio anterior son:
A B C
Plata 5% 10% 15%
Cobre 15% 25% 35%
Oro 80% 65% 50%
a) ¿Podemos obtener una mezcla con el 20% de plata y el 80% de oro?

b) ¿Podemos obtener una mezcla con el 11% de plata, el 27% de cobre y un 62% de oro?
Si hay diferentes posibilidades, de las que tienen valores positivos para las tres variables,
¿cuál tiene una proporción menor de plata? ¿Cuál tiene una proporción mayor?
11. Se mezclan tres aleaciones A, B, C de las características siguientes:
A B C
Plata 5% 10% 15%
Cobre 15% 25% m%
Oro 80% 65% 85 − m%
para obtener una mezcla que tenga el 12% de plata, n% de cobre y el resto de oro. Plantead
el sistema correspondiente y discutidlo según el valor de los parámetros m y n. Resolvedlo
cuando sea posible.
Solucionario
Actividades
1 . Tenemos que:
2 5 ⎞ ⎛ 3 –1 ⎞ 26 38 ⎞
A ⋅ B = ⎛⎝ = ⎛⎝ .
–1 3 ⎠ ⎝ 4 8 ⎠ 9 25 ⎠
3 –1 ⎞ ⎛ 2 5 ⎞ 7 12 ⎞
B ⋅ A = ⎛⎝ = ⎛⎝ .
4 8 ⎠ ⎝ –1 3 ⎠ 0 44 ⎠
Así pues, efectivamente, A · B ≠ B · A.
2.
526 –194 ⎞
2 A – 5 A + 4 A + 3 I = ⎛⎝
3 2
–97 41 ⎠
7 –1 ⎞ ⎛ 7 –2 ⎞ 50 –1 6 ⎞
A A = ⎛⎝ = ⎛⎝
t
.
–2 2 ⎠ ⎝ –1 2 ⎠ –16 8 ⎠
3 . Como es habitual, escribiremos (A) ij = aij y ( B) j k = b jk donde 1 ≤ i ≤ m, 1 ≤ j ≤ n y 1 ≤ k ≤ m´.

También tendremos, por definición de la matriz transpuesta, que (A t) ij = a ji y (Bt) ij = b ji.
∑a
n
Si consideramos ahora la matriz (A · B) t, tenemos que ((A · B )t) ij = (A · B) ji = jk b k i.
k= 1
Sin embargo:
∑ (B ) ∑b ∑a
t t n t t n n
( B A ) ij = ik ( A )k j = ki a jk = jk b k i.
k = 1 k = 1 k= 1
con lo cual ((A · B )t) ij = (Bt · A t)ij y las matrices (A·B ) t y Bt·A t son iguales.
4 . Tenemos:
t t t
A · A = B1 y A · A = B2
6×4 4× 6 6× 6 4× 6 6×4 4×4
Por lo tanto, los dos productos se pueden calcular. Observemos que, por las propiedades
de la matriz transpuesta:
t t t t t t t
B 1 = ( A A) = A (( A) ) = A A = B 1
y, por lo tanto, B 1 es simétrica. Comprobad que B2 también es simétrica.
5.
⎛ a b ⎞ ⎛ -----------
1------------⎛ d –b ⎞⎞ -----------1
------------⎛
a b ⎞ ⎛ d –b ⎞
⎝ c d ⎠ ⎝ ( a d – b c ) ⎝–c a ⎠⎠ = ( ad – bc ) ⎝ c d ⎠ ⎝ –c a ⎠ =
1------------⎛ a d – b c 0 ⎞ 1 0⎞
= ----------- = ⎛ .
( a d – bc ) ⎝ 0 a d – b c⎠ ⎝0 1 ⎠
6.
⎛ a 11 a 12 a 1⎞ ⎛ x⎞
( x y 1 ) ⎜⎜ a 12 a 22 a 2⎟⎟ ⎜⎜ y⎟⎟ =
⎝ a 1 a 2 a ⎠ ⎝ 1⎠
⎛ a 11 x + a 12 y + a 1⎞
= ( x y 1 )⎜ a 12 x + a 22 y + a 2⎟ =
⎜ ⎟
⎝ a1 x + a2y + a ⎠
2 2
= a 11 x + 2 a 12 xy + a 22 y + 2 a 1 x + 2a 2 y + a .
Así, pues, la matriz A es simétrica.
7 . Recordemos que ((AB )C)ij se obtiene haciendo el producto de la fila i de la matriz (AB ) por
la columna j de C y, por lo tanto, podemos escribir:
∑ ( A B)
n
( ( A B )C) ij = ( A B ) i1 C 1j + ... + ( A B ) in C nj = im C m j.
m = 1
Pero cada uno de los elementos de A · B se obtiene haciendo:
∑a
n
( A B ) im = a i1 b 1m + a i2 b 2m + ... + a im b n m = ik bk m ;
k= 1
sustituyendo los (A B)im por sus valores tenemos:
⎛ ⎞
( ( A B )C ) ij = ∑ (A B )
n
m = 1
im Cmj = ∑ ⎜⎝ ∑ a
n
m= 1 k = 1
n
ik b km ⎟ c m j .
⎠
Haciendo los productos y reorganizando los sumatorios (lo cual puede hacerse por la pro-
piedad distributiva del producto respecto a la suma), obtenemos:
⎛ ⎞ ⎛ ⎞
( ( A B )C ) ij = ∑ ⎜⎝ ∑ a
n
m = 1 k= 1
n
ik b km c m j⎟ =
⎠
∑ a ⎜⎝ ∑ b
n
k= 1
ik
n
m = 1
km c m ⎟j =
⎠
∑a
n
= ik ( B C) k j = ( A (B C ) ) ij.
k = 1
8.
a) La ecuación λ 1 e1 + λ 1 e1 = 0 se escribe:
λ 1 ( 2 , 0 , –3 ) + λ 2 ( –1 , 3 , 5 ) = 0
que, en componentes, lleva al sistema:
2 λ1 + λ2 = 0
3 λ2 = 0
– 3 λ1 + 5 λ2 = 0
La única solución de este sistema es λ 1 = λ 2 = 0. En consecuencia, e1 y e2 son linealmente

independientes.
b) Siguiendo el método de la proposición 2 y el teorema de Steinitz, a partir de la base ca-

nónica { u 1 ,u 2 ,u 3 } empezamos por sustituir u1 por e 1 . Esto es factible, ya que el componen-
te de e 1 según u 1 en la base canónica es 2 ≠ 0. Tenemos:
e 1 = 2 u1 – 3 u 3
y así:
u1 = 1
---e 1 + 3
---u 3 .
2 2
Por lo tanto, { e1,u 2 , u 3} forman una base de E3 .

Un vector arbitrario v = (v1, v2 , v3) se expresará así en la nueva base:
1 3
v = v1 u 1 + v 2 u 2 + v 3 u 3 = v 1 ⎛⎝ ---e 1 + --u 3 ⎞⎠ + v 2 u 2 + v 3 u 3 =
2 2
1 3
= ---v1 e 1 + v 2 u 2 + ⎛⎝ ---v1 + v3 ⎞⎠ u 3 .
2 2
Podemos continuar la sustitución de vectores de la base canónica. Expresamos e 2 en la

base anterior { e 1,u 2,u 3 }. Tendremos:
1 3 1 7
e 2 = ---( –1 )e 1 + 3u 2 + ⎛ ---( –1 ) + 5⎞ u 3 = –---e1 + 3 u 2 + ---u 3 .
2 ⎝2 ⎠ 2 2
El componente según u 2 es 3 ≠ 0, y de este modo puede sustituir a u 2:
1 1 7
u 2 = ---e 1 + ---e 2 – ---u 3 .
6 3 6
Ahora podemos expresar v en la nueva base { e 1,e 2,u 3}:
1--v e + v u + ⎛ 3
v= - --v + v 3⎞⎠ u 3 =
2
1 1 2 2 ⎝-2 1
= 1
---v 1 e 1 + v 2 ⎛ 1
---e + 1
--e – 7
---u ⎞ + ⎛ 3
---v + v 3⎞ u 3 =
2 ⎝ 6 1 3 2 6 3⎠ ⎝ 2 1 ⎠
1 1 1 ⎛3 7
= ⎛⎝ ---v 1 + ---v 2 ⎞⎠ e 1 + ---v2 e 2 + --v – --v + v 3 ⎞⎠ u 3 .
2 6 3 ⎝-
2 1 6 2
c) Es la fórmula obtenida en el apartado anterior.

d) Utilizando la expresión anterior y aplicándola a u 1 = (1,0,0) y a u 2 = (0,1,0), resulta:
u1 = 1
---e 1 + 3
---u 3
2 2
1 1 1
u 2 = ---e 1 + ---e 2 – ---u 3 .
6 3 7
9.
a) El segundo vector debe pertenecer al subespacio generado por { e1,e 2}. Por lo tanto, debe
ser combinación lineal:
e′2 = λ e 1 + µ e 2 = λ ( 2, 0, –3) + µ ( –1, 3, 5 ).
Si el primer componente de e′2 debe ser 0, resulta 2 λ − µ = 0, que, sustituyendo en la ex-

presión anterior de e′2 , da:
e ′2 = λ ( 2, 0, –3 ) + 2 λ ( –1 , 3, 5 ) = λ ( 0, 6, 7 )
y si queremos podemos elegir λ = 1, obteniendo e′2 = (0, 6, 7)
b)
1 1 1
e 2 = ---( e ′2 –λe 1 ) = – ---e 1 + ---e ′2 .
µ 2 2
10.
a) Se toman dos elementos del conjunto A = {(x, y, z) ∈ R 3 : –3x + 2 y + z = 0}:(u 1,u2 ,u3) y
(v1,v2 ,v3).
• Debemos comprobar si se verifica que (u 1,u2 ,u3) + (v1 ,v2,v3) = (u 1 + v1, u2 + v′2 u 3+v3) ∈ A.
Para ello, es necesario que veamos que: –3 ( u 1 + v1 ) + 2( u 2 + v 2) + u 3 + v3 = 0 .
Efectivamente:
– 3 u 1 + 2 u 2 + u 3 – 3 v 1 + 2 v 2 + v3 = 0 porque –3 u 1 + 2 u 2 + u 3 = 0 y –3 v 1 + 2 v2 + v 3 = 0
• Debemos comprobar si k (u 1, u2, u 3) ∈ A. Para ello es necesario ver que –3 ku1 + 2ku2 + ku3 = 0.
Efectivamente:
– 3 k u1 + 2 k u 2 + k u3 = k ( – 3 u 1 + 2u 2 + u 3 ) = 0 .
b) Se toman dos elementos del conjunto B = {(x, y, z) ∈ R 3 : 5x + 2y – 7z = 3}: (u 1, u 2, u 3) y

(v1, v2 , v3).
• Debemos comprobar si se verifica que (u 1 + v1, u2 + v2, u3 + v 3) ∈ B. Para ello, es necesario
ver que:
5 ( u 1 + v1 ) + 2 ( u 2 + v 2 ) – 7 ( u 3 + v 3 ) = 3 .
Pero tenemos que:
5 u 1 + 2 u 2 – 7 u 3 + 5 v 1 + 2 v2 – 7 v3 = 3 + 3 = 6;
por lo tanto, el conjunto B no es un subespacio vectorial de R 3 .
c) Se toman dos elementos del conjunto C = {( x, y, z) ∈ R 3 : x ≥ 0}: (u 1 , u2, u3) y (v1 , v2, v3).
• Debemos comprobar si se verifica que ( u1 + v 1, u2 + v 2u 3 + v3) ∈ C. Para ello, es necesario
ver que:
( u1 + v 1 ) ≥ 0 .
Efectivamente, si u 1 ≥ 0 y v1 ≥ 0 entonces (u 1+v1) ≥ 0.
• Debemos comprobar si k(u 1,u2 ,u3) ∈ C.
Siendo u 1 ≥ 0, no necesariamente tenemos que k u1 ≥ 0 por cualquier valor de k.
11.
a) Se toman dos elementos del conjunto A = {f ∈ F(R,R) : f(1) = k}:f1 y f2.
• Queremos ver si f1 + f 2 ∈ A. Para ello es necesario que se verifique que (f1 + f 2)(1) = k.
Tenemos
( f 1 + f 2 ) ( 1 ) = f 1 ( 1 ) + f 2 ( 1) = k + k = 2k .
Así pues, sólo se verifica en el caso k = 0. Por lo tanto, en general, A no es subespacio vec-
torial de F(R,R).
b) Se toman dos elementos del conjunto B = {f ∈ F(R,R) : f(0) = 2f(1)}: f1 y f 2.

• Queremos ver si f 1 + f 2 ∈ B. Para ello es necesario que (f1 + f2 )(0) = 2(f 1 + f 2)(1). Efectiva-
mente:
( f1 + f 2 ) ( 0 ) = f 1 ( 0 ) + f 2 ( 0 ) = 2 f 1 ( 1 ) + 2 f 2 ( 1) = 2 ( f 1 + f 2 ) ( 1 ).
• Queremos comprobar si kf 1 ∈ B. Para ello es necesario ver si (kf1)(0) = 2(kf 1)(1). Efecti-
vamente:
( k f 1 ) ( 0 ) = kf 1 ( 0 ) = k2 f 1 ( 1) = 2 ( kf 1 ) ( 1 ).
c) Se toman dos elementos del conjunto C = {f ∈ F(R,R) : f(–x) = f 2 (x)}:f 1 y f 2.

• Queremos ver si f1 +f2 ∈C. Por ello es necesario que (f 1+f 2)(–x) = (f 1+f 2) 2 (x).
Tenemos
2 2 2
( f 1 + f 2 ) ( –x ) = f1 ( –x ) + f 2 ( –x ) = f 1 ( x ) + f 2 ( x ) ≠ ( f 1 + f 2 ) ( x ).
Por lo tanto, C no es subespacio vectorial de F(R, R).
12.
⎛ 1 1 5 0⎞
⎛1 1 5 0⎞ ⎛ 1 1 5 0⎞
⎜ 2 –1 3 1 ⎟ → ⎜ 0 –3 –7 1 ⎟ → ⎜⎜ 0 –3 –7 1⎟⎟
⎜ ⎟ ⎜ ⎟
⎝ –3 4 –1 0 ⎠ ⎝ 0 7 1 4 0⎠ ⎜ 7 7⎟
⎝ 0 0 –-3-- -3-⎠
y, por lo tanto, el sistema tiene como solución única x = 3; y = 2; z = –1. Podemos compro-
bar que el resultado es correcto sustituyendo los valores encontrados por las incógnitas en
cada una de las ecuaciones, con lo que obtenemos:
x + y + 5 z = 3 + 2 + 5 ⋅ ( –1) = 0 (correcto),
2 x – y + 3 z = 2 ⋅ 3 – 2 + 3 ⋅ ( –1 ) = 1 (correcto),
– 3 x + 4 y – z = ( –3 ) ⋅ 3 + 4 ⋅ 2 –( –1) = 0 (correcto).
13. Observad las permutaciones entre las filas y cómo facilitan los cálculos:
⎛ 5 2 –1 2⎞ ⎛ 1 –1 3 8⎞ ⎛ 1 –1 3 8⎞
⎜ 1 –1 3 8⎟ → ⎜ 5 2 –1 2⎟ → ⎜ 0 7 –16 –38⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ –2 3 2 –3⎠ ⎝ –2 3 2 – 3⎠ ⎝ 0 1 8 13⎠
⎛ 1 –1 8 ⎞⎟ ⎛ 1 –1 3 8 ⎞
⎜ 3 ⎜ ⎟
→⎜ 0 1 8 13 ⎟ → ⎜ 0 1 8 13 ⎟
⎜ ⎟ ⎜ ⎟
⎝ 0 7 – 1 6 – 38 ⎠ ⎝ 0 0 – 7 2 –129 ⎠
con lo que obtenemos:
31 4 43
x = ------, y = –---, z = ------.
24 3 24
14.
⎛ 1 0 1 1 2⎞ ⎛1 0 1 –1 2⎞
⎜ 2 –1 1 0 1⎟ ⎜0 – 1–1 2 –3 ⎟
⎜ ⎟ ⎜ ⎟
⎜ 1 3 4 –7 11⎟ → ⎜ 0 3 3 –6 9 ⎟ →
⎜ ⎟ ⎜ ⎟
⎜ –4 3 –1 –2 1 ⎟ ⎜0 3 3 –6 9 ⎟
⎝ –2 2 0 –1 2 ⎠ ⎝0 2 2 –3 6 ⎠
⎛ 1 0 1 – 1 2⎞ ⎛ 1 0 1 0 2⎞
⎜ 0 –1 –1 2 –3⎟ ⎜ 0 1 1 0 3⎟
⎜ ⎟ ⎜ ⎟
→ ⎜ 0 0 0 0 0 ⎟ → ⎜0 0 0 1 0 ⎟
⎜ ⎟ ⎜ ⎟
⎜0 0 0 0 0 ⎟ ⎜0 0 0 0 0 ⎟
⎝0 0 0 1 0 ⎠ ⎝0 0 0 0 0 ⎠
x = 2 – z ; y = 3 – z ; t = 0;
15.
⎛ 4 –2 –1 2⎞ ⎛ 1 –7 –4 2 ⎞
⎜ 3 5 3 2⎟ → ⎜ 3 5 3 2⎟ →
⎜ ⎟ ⎜ ⎟
⎝ 1 –7 –4 2⎠ ⎝ 4 –2 –1 2 ⎠
⎛1 –7 –4 2⎞ ⎛1 –7 –4 2⎞
→ ⎜⎜ 0 26 15 –4⎟⎟ → ⎜⎜ 0 26 15 –4⎟⎟
⎝0 26 15 –6 ⎠ ⎝0 0 0 –2⎠
que es un sistema incompatible, ya que la última ecuación se ha transformado en

0 · x + 0 · y + 0 · z = –2, y esta ecuación no tiene ninguna solución.
16.
⎛2 2 2 –1 –1 8⎞ ⎛1 1 1 1 1 1⎞
⎜0 0 0 –2 ⎟1 ⎜0 0 1 0 1 1 –2 ⎟
⎜ ⎟ ⎜ ⎟
⎜1 1 1 1 1 1⎟ → ⎜2 2 2 –1 –1 8⎟ →
⎜ ⎟ ⎜ ⎟
⎜1 1 1 0 0 3⎟ ⎜1 1 1 0 0 3⎟
⎝3 3 3 4 4 1⎠ ⎝3 3 3 4 4 1⎠
⎛1 1 1 1 1 1⎞ 1 1 1 1 1 1
⎛ ⎞
⎜0 0 0 1 1 –2 ⎟ ⎜ 0 0 0 1 1 –2⎟
⎜ ⎟ ⎜ ⎟
⎜0 0 0 –3 –3 6 ⎟ → ⎜0 0 0 0 0 0⎟ →
⎜ ⎟ ⎜ ⎟
⎜0 0 0 –1 –1 2⎟ ⎜0 0 0 0 0 0⎟
⎝0 0 0 1 1 –2 ⎠ ⎝0 0 0 0 0 0⎠
⎛1 1 1 0 0 3⎞
⎜0 0 0 1 1 –2⎟
⎜ ⎟
⎜0 0 0 0 0 0⎟
⎜ ⎟
⎜0 0 0 0 0 0⎟
⎝0 0 0 0 0 0⎠
de donde podemos aislar x 1 y x 4 en función de las demás incógnitas, obteniendo

x 1 = 3 – x2 – x 3, x 4 = –2 – x 5 (¡comprobadlo!). Observad que todas las soluciones de este
sistema se pueden expresar así:
( x 1 , x 2 , x 3, x 4, x 5 ) = ( 3 – x 2 – x 3, x 2, x 3 , –2 – x 5 , x 5 ) =
·
= ( 3, 0, 0, 0, –2, 0 ) + x 2 ( –1, 1, 0, 0, 0 ) + x 3 ( –1 , 0, 1, 0, 0 ) + x 5 ( 0, 0, 0, –1, 1 ) .
17.
Número Rango Rango matriz Grados

Ejercicio Tipo solución
de variables sistema ampliada libertad
10 3 3 3 Determinada 0
11 3 3 3 Determinada 0
12 4 3 3 Indeterminada 1
13 3 2 3 Incompatible -
14 5 2 2 Indeterminada 3
18.
⎛ 2 –1 3 0 ⎞ ⎛ –1 3 7 0 ⎞
⎜ –1 3 7 0 ⎟⎟ → ⎜⎜ 2 –1 3 0 ⎟⎟ →
⎜
⎝ –1 8 24 0 ⎠ ⎝ –1 8 24 0 ⎠
⎛ –1 3 7 0 ⎞ ⎛ –1 3 7 0 ⎞
⎜ 0 5 17 0 ⎟⎟ → ⎜⎜ 0 5 17 0 ⎟⎟
⎜
⎝ 0 5 17 0 ⎠ ⎝ 0 0 0 0 ⎠
⎛ x⎞ ⎛ –16 ⎞
⎜ y⎟ = ⎜ –17 ⎟ t .
⎜ ⎟ ⎜ ⎟
⎝ z⎠ ⎝ 5⎠
19. Teniendo en cuenta que todas las ecuaciones son múltiples de la primera, el sistema se
reduce a (1 1 5 | 0), y la solución es x = – y –5 z.
20.
⎛1 1 5 0 ⎞
⎛ 1 1 5 0⎞ ⎛1 1 5 0⎞
⎜ ⎟
⎜ 4 7 –3 0 ⎟⎟ → ⎜⎜ 0 ⎟ 23
⎜ 3 –23 0 ⎟ → ⎜0 3 – 0 ⎟.
⎝ –1 –3 ⎜ 25 ⎟
2 0⎠ ⎝ 0 –2 7 0⎠ ⎝ 0 0 –--3---- 0 ⎠
Obtenemos x = 0; y = 0; z = 0. Teniendo en cuenta que la única solución de este sistema

homogéneo es lva trivial, diremos que el sistema homogéneo no tiene solución propia.
21.
⎛1 1 5 –3 0 ⎞ ⎛1 1 5 –3 0⎞
⎜ ⎟ ⎜ ⎟
⎜2 –3 1 2 0 ⎟
→ ⎜⎜
0 –5 –9 8 0⎟
→
⎜4 –1 11 –4 ⎟
0 ⎟ 0 ⎟⎟
⎜0 –5 –9 8
⎜
⎝1 –4 –4 –1 0 ⎠ ⎝0 –5 –9 2 0⎠
⎛1 1 5 –3 0 ⎞ ⎛ x⎞ ⎛ –16⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
0 –5 –9 8 0 ⎟ y –9⎟
→⎜ →⎜ ⎟ =⎜ s.
⎜0 0 0 0 0 ⎟ ⎜ z ⎟ ⎜ 5⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝0 0 0 –6 0 ⎠ ⎝ t⎠ ⎝ 0⎠
22. Si x 1, ..., xn son soluciones del sistema A · x = 0, querrá decir que A · x 1 = 0, ..., A · xn = 0
y, por lo tanto:
A ( t 1 x 1 + t 2 x 2 + ... + t n x n ) = A t 1 x 1 + A t 2 x 2 + ... + At n x n =
= t 1 A x 1 + t 2 Ax 2 + ... + t n Ax n = t 1 0 + t 2 0 + ... + t n 0 = 0 .
23.
a) En primer lugar, es necesario que el determinante del sistema sea nulo (det A = 0), ya
que, si es diferente de cero, sería determinado y sólo tendría la solución trivial nula.
En segundo lugar, si det A = 0, entonces una solución es:
x 1 = A 11 t , x 2 = A 12 t , x n = A 1n t
donde A1 j es el adjunto del elemento a 1j, ya que en la primera ecuación, al sustituir las x,
tendremos:
a 11 A 11 t + a 12 A 12 t + ... + a 1n A 1n t = t det A = 0
y para las otras aparecerá la suma de productos de los elementos de una fila por los adjun-
tos de una paralela que, por la propiedad 8 de los determinantes, es cero.
Puede suceder, sin embargo, que todos estos adjuntos sean 0, lo cual nos indicaría que:
• el rango es inferior a n – 1 y hay más de una indeterminada.

• o bien lo debemos probar con los adjuntos de otra fila que no tenga todos los adjuntos
nulos.
24. Para que el sistema tenga soluciones no triviales es necesario que el determinante del sis-
tema sea cero, a fin de que el rango sea inferior a 3. La condición es, de este modo:
( – 20 – λ ) 9 –5
3 2
–51 23 – λ –12 = – λ + 5 λ – 8 λ + 4 = 0.
3 –1 2 –λ
Buscamos soluciones enteras de la ecuación polinómica y obtenemos λ 1 = 1, λ 2 = 2 y λ 3 = 2,

que serán los únicos valores que darán lugar a soluciones no triviales.
• Busquemos las soluciones para λ = 1. El sistema es:
– 21 x + 9 y – 5 z = 0 ⎫
⎪
– 51 x + 22 y – 12 z = 0 ⎬ .
⎪
3x – y + z = 0⎭
Según la actividad anterior, la solución será:
22 –12 –51 –12 –51 22

x1 = t = 10 t, x 2 = – t = 15 t , x3 = t = –15 t
–1 1 3 1 3 1
o bien:
⎛ x⎞ ⎛ 2⎞
⎜ y⎟ = ⎜ 3 ⎟ t .
⎜ ⎟ ⎜ ⎟
⎝ z⎠ ⎝ –3⎠
Para λ = 2, el sistema es:
– 22 x + 9 y – 5 z = 0 ⎫
⎪
– 51 x + 2 1y – 12 z = 0 ⎬.
⎪
3x – y = 0⎭
De forma análoga, la solución es:
21 – 12 –5 1 –12 –51 21
x = t = –12 t , y = – t = –36 t, z = t = –12 t
–1 0 3 0 3 –1
o bien:
⎛ x⎞ ⎛ 1⎞
⎜ y⎟ = ⎜ 3 ⎟ t .
⎜ ⎟ ⎜ ⎟
⎝ z⎠ ⎝ 1⎠
25. El determinante de la matriz ampliada del sistema es:
2 –3 –1 2
1 2 –3 4
= – 13 λ – 26,
1 –2 –1 3
λ –2 2 1
por lo tanto, este determinante se anula sólo en el caso de que λ = –2. Podemos observar
que el rango de A es 3, independientemente del valor del número real λ.
Observemos que si λ ≠ –2, el rango de la matriz ampliada será 4 y el rango de la matriz del
sistema será, como máximo, 3 (ya que la matriz del sistema sólo tiene tres columnas). Ten-
dremos, de este modo, un sistema incompatible.
Para el caso λ = –2, sustituimos este valor en el sistema y lo resolvemos siempre (es un sis-
tema “normal”: no hay parámetros, ni lambdas, ni nada). Os daréis cuenta de que es un
sistema compatible indeterminado.
26. El determinante de la matriz del sistema es:
λ 1 1
3 2
1 λ 1 = λ – 3 λ + 2 = (λ – 1 ) (λ + 2 ) .
1 1 λ
• Por lo tanto, si λ ≠ 1 y λ ≠ –2, el rango de la matriz del sistema es 3 y el sistema será

compatible y determinado (el rango de la matriz ampliada no puede ser 4; por lo tanto,
tendrá que ser 3 y coincidirá con el rango de la matriz del sistema y con el número de
incógnitas).
• Para λ = 1 el sistema consta de una única ecuación x + y + z = 1, que es, evidentemente,
un sistema compatible indeterminado.
• Para λ = –2, aplicándole Gauss obtenemos:
⎛ –2 1 1 1⎞ ⎛1 –2 1 –2⎞
⎜ 1
⎜ –2 1 –2⎟⎟ → ... → ⎜⎜ 0 –3 3 –3⎟⎟ ,
⎝ 1 1 –2 4⎠ ⎝0 0 0 4⎠
que nos dice que el sistema es incompatible.
27. El determinante de la matriz del sistema es λ 2 + 6λ + 5, cuyas raíces son λ = –1 y λ = –5.

Por lo tanto:
⎛ x⎞ ⎛ 1⁄ 2⎞
• Para λ = –1 (resolviéndolo por Gauss) obtenemos ⎜ y⎟ = ⎜ –1 ⁄ 2⎟⎟ t.
⎜ ⎟ ⎜
⎝ z⎠ ⎝ 1⎠
⎛ x⎞ ⎛ –3 ⁄ 7⎞
• Para λ = –5 (resolviéndolo por Gauss) obtenemos ⎜⎜ y⎟⎟ = ⎜⎜ 1⎟⎟ t.
⎝ z⎠ ⎝ –22 ⁄ 7⎠
• Para λ diferente de estos valores el sistema (¡es homogéneo!) tiene únicamente la solu-
ción trivial.
28.
a) Observad que:
• restando a la segunda columna la primera multiplicada por x,
• restando a la tercera columna la segunda multiplicada por x,
• desarrollando el determinante por la primera columna,
• aplicando la propiedad 6 de los determinantes, para extraer del determinante los esca-
lares que multiplican todos los elementos de las filas segunda y tercera,
• calculando el determinante de orden 2 que nos queda y arreglando los signos,
obtenemos:
2
1 x x 1 0 0
y –x y2 – x y
1 y y 2 = 1 y–x y2 – xy = 2 =
2 z –x z –xz
1 z z 2 1 z–x z – xz
y –x y (y – x ) 1 y
= = (y – x ) (z – x ) =
z –x z (z – x ) 1 z
= ( y – x )(z – x ) (z – y ) = (x – y ) (z – x )( y – z ) .
b) Para el caso general, los mismos pasos que hemos seguido cuando hay tres columnas
nos proporcionan determinantes cada vez menores hasta llegar al valor del determinante
grande, que es:
( x 2 – x 1 ) ( x 3 – x 1 ) ... ( x n – x 1 ) ( x 3 – x 2 )... ( x n – x 2 ) ... ( x n – x n – 1 )

⎧
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎪
⎩
⎧
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎩
⎧
⎪
⎨
⎪
⎩
29. El resultado es a 11 · a 22 · ... · a n n, es decir, el producto de los elementos de la diagonal.
30.
⎛ 1 –2 4 1 0 0⎞ ⎛1 –2 4 1 0 0⎞
⎜ 2
⎜ 5 –3 0 1 0⎟⎟ → ⎜⎜ 0 9 –11 –2 1 0⎟⎟ →
⎝–3 1 1 0 0 1⎠ ⎝0 –5 16 3 0 1⎠
⎛1 –2 4 1 0 0⎞ ⎛1 –2 4 1 0 0 ⎞
→ ⎜⎜ 0 9 –11 –2 1 0⎟⎟ → ⎜⎜ 0 1 –11 ⁄ 9 2 ⁄9 1⁄9 0 ⎟ →
⎟
⎝0 0 89 ⁄ 9 17 ⁄ 9 5⁄9 1⎠ ⎝0 0 1 17 ⁄ 89 5 ⁄ 89 9 ⁄ 89 ⎠
⎛1 –2 0 21 ⁄ 89 –20 ⁄ 89 –36 ⁄ 89⎞ ⎛1 0 0 23 ⁄ 89 12 ⁄ 89 –1 4 ⁄ 89⎞

→ ⎜⎜ 0 1 0 1 ⁄ 89 16 ⁄ 89 11 ⁄ 89⎟⎟ → ⎜⎜ 0 1 0 1 ⁄ 89 16 ⁄ 89 1 1 ⁄ 89⎟⎟
⎝0 0 1 17 ⁄ 89 5 ⁄ 89 9 ⁄ 89⎠ ⎝0 0 1 17 ⁄ 89 5 ⁄ 89 9 ⁄ 89 ⎠
y, por lo tanto, la inversa que nos piden es:
⎛ 2 3 1 2 –14⎞
--1
----⎜ 1 1 6 11⎟ .
89 ⎜ ⎟
⎝17 5 9⎠
31.
a)
⎛ cos ( α ) – sin ( α )⎞ – 1
= ⎛⎝
cos ( α ) sin ( α )⎞
.
⎝ sin ( α ) cos( α )⎠ – sin ( α ) cos ( α )⎠
(recordad que sin 2 (α) + cos 2 (α) = 1.)

b) Es una comprobación inmediata.
c) Planteamos la ecuación A · A t = I y del sistema que queda aislamos a, después b y, final-
mente, c, resultando dos posibilidades:
a = 48
------ b = –36
------ c = --5
---- o bien a = –48
------ b = 36
------ c = –--5
----.
65 65 13 65 65 13
Ejercicios de autoevaluación
1.
⎛ 1⎞
a) ⎜ 4⎟ .
⎜ ⎟
⎝ 6⎠
b) Incompatible.
⎛ 11 ⁄ 5⎞ ⎛ –1 ⁄ 5 ⎞
c) ⎜ 65 ⁄ 5⎟ + t ⎜⎜ –7 ⁄ 5 ⎟⎟ .
⎜ ⎟
⎝ 0⎠ ⎝ 1⎠
⎛ 0⎞
d) ⎜⎜ 0⎟⎟ .
⎝ 0⎠
⎛ –1 ⁄ 5⎞
e) t ⎜⎜ –7 ⁄ 5⎟⎟ .
⎝ 1⎠
2.
• Si m ≠ 0 y m ≠ –1, el sistema es compatible y determinado con soluciones:
( x, y , z ) = ⎛ ---2
----m –---4
------, m 3--⎞ .
+-----
-------, ----- -------
⎝m + 1 m + 1 m + 1⎠
• Si m = 0 el sistema es compatible e indeterminado con soluciones:
( x, y , z ) = ( 0,5,0 ) + t ( 0 , –3 , 1) .
• Si m = –1 el sistema es incompatible.
3.
• Si b ≠ 0, a ≠ 1 y a ≠ –2, el determinante de la matriz del sistema es diferente de cero y,
por lo tanto, el sistema es compatible y determinado.
• Si b = 0, el sistema es incompatible independientemente del valor de a.
• Si a = 1 y b ≠ 1, el sistema es incompatible.
• Si a = 1 y b = 1, el sistema es compatible e indeterminado.
• Si a = –2 y b ≠ –2, el sistema es incompatible.
• Si a = –2 y b = –2, el sistema es compatible e indeterminado.
4.
a) Para que la condición λ 1 v1 + λ 2 v 2 + λ 3 v3 + λ 4 v 4 = 0 implique λ 1 = λ 2 = λ3 = λ 4 = 0, el
sistema homogéneo:
λ 1 + 2 λ2 – λ 3 + 4 λ4 = 0 ⎫
⎪
2 λ1 – λ 2 + 3 λ3 + 3 λ4 = 0 ⎪
⎬
λ2 – 2 λ3 = 0⎪
– λ 1 + 3 λ 2 + 2 λ 3 + 7 λ 4 = 0 ⎪⎭
debería tener como única solución la trivial λ1 = λ 2 = λ 3 = λ 4 = 0. Esto implicaría que el

sistema fuese determinado con solución única (0, 0, 0, 0). La matriz del sistema es:
⎛ 1 2 –1 4⎞
⎜ ⎟
⎜ 2 –1 3 3⎟
⎜ 0 1 –2 0⎟⎟
⎜
⎝ –1 3 2 7⎠
por lo tanto, los vectores dados serán linealmente independientes si det A ≠ 0 y linealmen-
te dependientes si det A = 0. En los apartados siguientes veremos que estamos en la segun-
da opción y, por lo tanto, los vectores dados son linealmente dependientes.
b) Para determinar el rango y obtener una base del subespacio generado por { v1 ,v2,v 3,v4 },
aplicamos el método de Gauss:
⎛ 1 2 0 –1⎞ ⎛1 2 0 –1⎞
⎜ ⎟ ⎜ ⎟
⎜ 2 –1 1 3⎟
→ ⎜0 –5 1 5⎟
→
⎜ –1 3 –2 2⎟⎟ ⎜0 5 –2 1⎟⎟
⎜ ⎜
⎝ 4 3 0 7⎠ ⎝0 –5 0 11⎠
⎛1 2 0 –1⎞ ⎛1 2 0 –1⎞
⎜ ⎟ ⎜ ⎟
0 –5 1 5⎟ ⎜0 –5 1 5⎟
→ ⎜⎜ → .
0 0 –1 6⎟ ⎜0 0 –1 6⎟
⎜ ⎟ ⎜ ⎟
⎝0 0 –1 6⎠ ⎝0 0 0 0⎠
En consecuencia, el rango es 3, y una base del subespacio generado es:
e 1 = ( 1, 2, 0, –1 ) e 2 = ( 0 , –5 , 1 , 5) e 3 = ( 0, 0, –1, 6) .
c) Sea ahora la base canónica { u1 ,u 2,u 3,u 4}. Podemos sustituir u 1 por e1, ya que su compo-
nente según u 1 es 1 ≠ 0. Tenemos:
e 1 = u 1 + 2· u 2 – u 4, es decir: u1 = e1 – 2u 2 + u 4
y por lo tanto, un vector cualquiera:
w = w1 u1 + w2 u2 + w 3u 3 + w4 u4
se expresará así en la nueva base:
w = w 1 ( e 1 – 2 ⋅ u 2 + u 4 ) + w 2 u 2 + w 3 u 3 +w 4 u 4 =
= w 1 e 1 + ( –2 w 1 + w 2 ) u 2 + w 3 u 3 + ( w 1 + w 4 ) u 4 .
Ahora podemos sustituir u 2 por e2 , ya que e2 expresado en la nueva base es:
e 2 = 0 ⋅ e 1 + ( –2 ⋅ 0 – 5) ⋅ u 2 + 1 ⋅ u 3 + ( 0 + 5 ) ⋅ u 4 = – 5 u 2 + u 3 + 5 u 4
y el componente según u 2 es –5 ≠ 0. Tenemos:
1 1
u 2 = –--e 2 + ---u 3 + u 4 .
5 5
Expresemos ahora w en la nueva base { e 1,e 2,u 3,u 4}:
1
w = w 1 e 1 + ( –2 w 1 + w 2 ) ⎛⎝ –1
---e 2 + ---u 3 + u 4⎞⎠ + w 3 u 3 + ( w 1 + w 4 )u 4 =
5 5
2 1 2 1
= w 1 e 1 + ⎛⎝ ---w 1 – ---w 2 ⎞⎠ e 2 + ⎛⎝ –---w 1 + ---w 2 + w 3⎞⎠ u 3 + ( –w 1 + w 2 + w 4 )u 4.
5 5 5 5
A partir de aquí tendremos que e 3, expresado en la base { e 1,e2 ,u 3,u 4} es:
e 3 = –u 3 + 6 u 4
y el componente según u 3 es –1 ≠ 0. Por lo tanto, puede sustituir u 3 , y tenemos:
u 3 = –e 3 + 6 u 4 .
De este modo w expresado en la base { e1 ,e2 ,u 3,u 4}, será:
2 1 1
w = w 1 e 1 + ⎛⎝ ---w 1 –---w 2 ⎞⎠ e 2 + ⎛⎝ –2
---w 1 + ---w 2 + w 3⎞⎠ ( – e 3 + 6 u 4 ) + ( – w 1 + w 2 + w 4 ) u 4 =
5 5 5 5
2 1 2 17 11
= w 1 e 1 + ⎛⎝ -- w 1 –-- w 2⎞⎠ e 2 + ⎛⎝ --w 1 –1
---w 2 –w 3 ⎞⎠ e 3 + ⎛⎝ – ------w 1 + ------w 2 + 6 w 3 + w 4⎞⎠ u 4.
5 5 5 5 5 5
d) Aplicando la fórmula anterior podemos expresar los vectores v1,v 2,v3 ,v4 en la base
{e1,e 2,u 3,u 4 }:
2 2 2 2 17 22
v1 = ( 1, 2, 0, 1) = e 1 + ⎛⎝ --- – ---⎞⎠ e 2 + ⎛⎝ --- – -- – 0⎞⎠ e 3 + ⎛⎝ –------ + ------ + 0 – 1⎞⎠ u 4 = e 1
5 5 5 5 5 5
4 1 4 1 34 11
v2 = ( 2, –1, 1, 3 ) = 2 e1 + ⎛⎝ --- + ---⎞⎠ e2 + ⎛⎝ --- + --- – 1⎞⎠ e 3 + ⎛⎝ –------ – ------+ 6 + 3⎞⎠ u 4 = 2 e 1 + e 2 .
5 5 5 5 5 5
2 3 2 3 17 33
v 3 = ( –1, 3, –2 , 2 ) = –e 1 + ⎛⎝ – --- – ---⎞⎠ e 2 + ⎛⎝ – -- – --- + 2⎞⎠ e 3 + ⎛⎝ ------ + ------ – 12 + 2⎞⎠ u 4 = –e1 – e 2 + e 3.
5 5 5 5 5 5
v 4 = ( 4, 3, 0, 7) = 4 e 1 + ⎛ 8 ---⎞ e + ⎛ 8
--- – 3 -- + 0⎞ e 3 + ⎛ –68
--- – 3 ------+ 7⎞ u 4 = 4 e 1 + e 2 + e 3 .
------+ 33
⎝ 5 5⎠ 2 ⎝ 5 5 ⎠ ⎝ 5 5 ⎠
5.
⎛3 2 2⎞
= ⎜⎜ 1 1⎟⎟ .
–1
A 3
⎝5 3 4⎠
6.
a b⎞ –2 c c⎞ –2 b b⎞
B = ⎛⎝ C = ⎛⎝ D = ⎛⎝
2a 2 b⎠ –2 d d⎠ –4 b 2b⎠
donde a, b, c y d son números cualesquiera.
7 . Teniendo en cuenta que det( A) ≠ 0, A tiene inversa y, por lo tanto, B = A −1 · 0 = 0. Lo mis-

mo para C y D.
8.
⎛3 ⎞
⎜2 ⎟
1 2 3 5⎞
a) A = ⎛ y B = ⎜ ⎟
⎝2 6 4 3⎠ ⎜5 ⎟
⎜ ⎟
⎝2 ⎠
donde en la primera fila de A se encuentran las compras del centro de Lérida y en la se-
gunda, las del centro de Mataró, y la matriz B consta de los precios de cada uno de los pro-
ductos. Si multiplicamos:
⎛3 ⎞
1 2 3 5⎞ ⎜⎜2 ⎟⎟ 32
A ⋅ B = ⎛⎝ ⋅ = ⎛⎝ ⎞⎠
2 6 4 3 ⎠ ⎜5 ⎟ 44
⎜ ⎟
⎝2 ⎠
obtenemos que el centro de Lérida ha gastado 32 u.m. y el de Mataró 44 u.m.
b) Si C = (1 1),
32
C ⋅ (A ⋅ B ) = ( 1 1) ⋅ ⎛⎝ ⎞⎠ = ( 76 ) .
44
c) Nos piden que sumemos por columnas la matriz A. Observemos que:
1 2 3 5⎞
H = C ⋅ A = ( 1 1) ⋅ ⎛⎝ = (3 8 7 8 ) .
2 6 4 3⎠
¿Podríais interpretar ahora las operaciones C · (A · B) y (C · A) · B?
d) En este segundo caso D = A, ya que hacen exactamente la misma compra y
⎛3 4⎞
⎜ ⎟
2 2⎟
E = ⎜ tiene los precios de cada mes en una columna.
⎜5 6⎟
⎜ ⎟
⎝2 7⎠
32 61⎞
A ⋅ E = ⎛⎝ nos da el gasto de cada centro en cada compra.
44 65⎠
e) (1 1) · (D · E ) = (76 126) es lo que han gastado entre los dos centros cada una de las
compras.
1
( ( 1 1 ) ⋅ ( D · E ) ) ⋅ ⎛ ⎞ = 7 6 + 126
⎝ 1⎠
es el gasto total.
9 . ¡Quizá sería mejor que avisásemos a un químico!
a) El sistema será:
⎛ 5% 10% 15% ⎞ ⎛ Kg. A ⎞ ⎛ Kg. plata ⎞

⎜ 15% 25% 40% ⎟⎟ ⋅ ⎜⎜ Kg. B ⎟⎟ = ⎜⎜ Kg. cobre ⎟⎟
⎜
⎝ 80% 65% 45% ⎠ ⎝ Kg. C⎠ ⎝ Kg. oro ⎠
b) 7,5 kilogramos de plata, 20,5 kilogramos de cobre y 62 kilogramos de oro. Las propor-
ciones correspondientes son, aproximadamente, 8,33%, 22,78% y 68,89%.
c) 9%, 24,5%, 66,5%
d) Si resolvemos el sistema:
⎛ 5% 10% 15% ⎞ ⎛ x⎞ ⎛ 0,2⎞

⎜ 15% 25% 40% ⎟⎟ ⋅ ⎜ y⎟ = ⎜ 0 ⎟
⎜ ⎜ ⎟ ⎜ ⎟
⎝ 80% 65% 45% ⎠ ⎝ z⎠ ⎝ 0,8⎠
obtenemos x = –11, y = 21, z = –9. Directamente no tiene sentido considerar –11 kilos de
A, pero sí que podemos considerar que la solución consiste en tomar 21 kilos de B, extraer
11 kilos de A y 9 kilos de C. Podéis comprobar que lo que queda tiene el 20% de plata y el
80% de oro. Observad que estamos suponiendo que disponemos de un procedimiento
para extraer de una mezcla cualquiera de plata, cobre y oro ciertas cantidades de las alea-
ciones A, B y C, y esto (¡los químicos lo saben muy bien!, por cierto, ¿aún no ha llegado
el que habíamos avisado?) no siempre es posible.
e) ( 0,2; 0,3; 0,5 ).
10. Observad que en este caso la matriz del sistema tiene determinante nulo.
a) El sistema es incompatible; por lo tanto, no hay forma de obtener una mezcla con las
características pedidas.
b) El sistema es compatible e indeterminado y, por lo tanto, tiene muchas soluciones que
se pueden expresar de esta forma:
x=5 t---– 1
--, y = 6 1
----- ----- -----– ----0t
----- ----, z = t
5 5
Observemos que, en la solución, t expresa la proporción de C que habrá en la mezcla final,

y en consecuencia, la proporción mínima de C es 0 y la máxima, 3/5, ya que, si t > 3/5, el
valor correspondiente a la cantidad de B (que es la y) sería negativo.
11. Si m ≠ 35, el sistema es compatible y determinado, es decir, para cada m ≠ 35 y cualquier

valor de n el sistema tiene solución única, que es:
(--- ----) , y = -----------------------------------------, z = ------------------.

2----
m 5----
+----- 15 –----n 7 m + 5 (9 – 2 n ) n – 29
x=- ------- --------
5 (3 5 – m ) 5 ( m – 35 ) m – 35
Por ejemplo, si n fuese 40 y m fuese 55, la solución sería (0,15; 0,3; 0,55).
• Si m = 35 y n ≠ 29 el sistema es incompatible.
• Si m = 35 y n = 29 el sistema es compatible e indeterminado con la solución siguiente:
( x, y , z) = ⎛ 0, 3
---, 2
---⎞ + t ( 1, –2 , 1 ).
⎝ 5 5⎠
Glosario
adjunto del elemento a ij de una matriz cuadrada

Determinante menor complementario del elemento a ij con el signo (–1) i+j donde i, j son los
índices de la fila y la columna que ocupa el elemento.
base de un espacio (o un subespacio) vectorial

Conjunto de vectores linealmente independientes, tales que todo vector del espacio (o el
subespacio) es combinación lineal de estos.
Cramer, regla de
Fórmulas cerradas, en forma de cociente de determinantes, que dan el valor de las incógnitas
en un sistema de n ecuaciones y n incógnitas compatible y determinado.
determinante
Dada una matriz cuadrada, el determinante es un número que se calcula a partir de sus ele-
mentos y que proporciona información sobre la independencia lineal de sus filas (y de sus
columnas)
dimensión de un espacio (o un subespacio) vectorial:

Número máximo de vectores linealmente independientes que contiene este espacio y que es
igual al número de vectores de cualquier base del espacio o subespacio).
espacio vectorial sobre un cuerpo

Conjunto dotado de una operación interna que recibe el nombre de suma con propiedades
de grupo conmutativo y una multiplicación por escalares del cuerpo con ciertas propiedades
específicas.
espacio vectorial numérico n-dimensional

Espacio vectorial de los vectores-columna (o fila) de n componentes reales.
generadores de un espacio (o subespacio) vectorial

Todo conjunto de vectores tales que todo vector del espacio (o subespacio) se puede poner
como combinación lineal del conjunto de generadores.
Gauss, método de
Método de eliminación de incógnitas que permite reducir un sistema lineal de forma escalonada.
independencia lineal de vectores

Dado un conjunto {v 1, ..., vk} de vectores, es linealmente independiente si la ecuación
λ 1v 1 + ... + λ kv k = 0 implica λ 1 = ... = λk = 0. En caso contrario decimos que son linealmente de-
pendientes.
matriz
Tabla de números en forma de n filas y m columnas. Esto será una matriz n × m.
matriz de un sistema
Matriz formada por los coeficientes de las variables x 1, ..., x n en cada una de las ecuaciones
del sistema. Cada fila de la matriz corresponde a una ecuación.
matriz ampliada de un sistema

Matriz de un sistema de ecuaciones lineales formada mediante la ampliación de la matriz del
sistema con la columna de los términos independientes.
matriz inversa
Aquella que presentan las matrices cuadradas que tienen determinante diferente de cero. Su
producto, tanto por la izquierda como por la derecha, con la matriz dada es la matriz identidad.
menor
Dada una matriz, se llama menor o determinante menor a cualquier determinante de la matriz
cuadrada que se forme con los elementos de la matriz correspondientes a k filas y k columnas,
suprimiendo las restantes. Las filas y columnas no deben coincidir necesariamente.
menor complementario
Dada una matriz cuadrada, llamamos menor complementario de un elementoa ij, al determi-
nante menor que se forma suprimiendo la fila i y la columna j.
pivote
Elemento diferente de cero que se elige para reducir a cero los restantes coeficientes en una
etapa dada del método de Gauss.
rango de un conjunto de vectores

Número máximo de vectores linealmente independientes que contiene.
Rouché-Fröbenius, teorema de
Teorema que permite saber si un sistema lineal es compatible o no lo es. En el caso de que
sea compatible, permite saber si es determinado o indeterminado, y en el último caso, cuán-
tos grados de libertad tiene la solución general.
sistema lineal
Conjunto de ecuaciones de primer grado en m variables.
sistema compatible
Sistema de ecuaciones que tiene alguna solución. Si no tiene ninguna decimos que es incom-
patible. Por abuso de lenguaje, en el caso de un sistema homogéneo, cuando únicamente tie-
ne la solución trivial 0, decimos que es incompatible.
sistema determinado
Sistema que tiene una única solución. Si tiene más de una, decimos que es indeterminado.
sistema homogéneo
Sistema de ecuaciones sin términos independientes o, lo que es equivalente, con términos
independientes nulos.
subespacio vectorial
Subconjunto de un espacio vectorial que tiene estructura de espacio vectorial.
subespacio vectorial generado

Dado un conjunto de vectores {v 1 , ..., vk}, el subespacio que genera es el conjunto de todos
los vectores que son combinación lineal de los vectores del conjunto.
vector
Llamamos vectores a los elementos de un espacio vectorial. Los vectores del espacio vectorial
numérico n -dimensional están formados por una matriz de una sola columna (o una sola fi-
la) de n elementos.
Bibliografía
Anton, H. (1991). Introducción al álgebra lineal . (3.a edición). México: Ed. Limusa.
Hace un tratamiento elemental del álgebra lineal para estudiantes de primeros cursos de li-
cenciatura no específica. No requiere conocimientos de cálculo, si bien incluye ejercicios
para aquellos estudiantes que sí los tienen. No contiene todas las demostraciones, pero sí las
que considera pedagógicas y elementales; en una parte optativa incluye otras demostraciones
no tan elementales. Es un texto bastante básico.
Birkhoff, G.; Mac Lane, S. (1985). Álgebra moderna. (3.a edición). Barcelona: Ed. Vicens-
Vives.
Es el libro de referencia general para todo el curso. Abarca todo el temario del curso y otros
temas relacionados. Se trata de un libro clásico (1941), traducido al castellano y del que se
han hecho muchas ediciones. Es un texto muy bien hecho que está a un nivel asequible para
los estudiantes que seguís este curso; contiene también muchos ejercicios propuestos.
Grossman, S.I. (1988). Álgebra lineal. (2.a edición). México: Grupo Editorial Iberoamericano.
Es un texto parecido al de Anton, pero tiene un cariz más específicamente científico. Hay
ejercicios, que están señalados, que requieren conocimientos de cálculo (análisis). Además,
contiene métodos numéricos para álgebra lineal.

82RJGUJH3PTBUYT7SNH2

Cargado por

Copyright:

Formatos disponibles

82RJGUJH3PTBUYT7SNH2

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

82RJGUJH3PTBUYT7SNH2

Cargado por

Copyright:

Formatos disponibles

Matrices, vectores

3. Espacios vectoriales ............................................................................. 16

4. El método de Gauss .............................................................................. 26

5. Rango y teorema de Rouché-Fröbenius .......................................... 34

7. Determinantes y regla de Cramer.................................................... 41

8. Matriz inversa ....................................................................................... 55

Ejercicios de autoevaluación .................................................................. 61

Muchos problemas técnicos y científicos requieren la resolución de sistemas

En este módulo estudiaremos de forma sistemática los sistemas de ecuaciones

… empezó a interesarse por las

1. Dominar el álgebra de matrices.

2. Entender los conceptos de espacio vectorial, independencia lineal y base,

3. Saber resolver sistemas por el método de Gauss.

4. Aprender a determinar el rango de una matriz.

5. Conocer las propiedades de los determinantes y la regla de Cramer.

6. Dominar el teorema de Rouché-Fröbenius y saber discutir un sistema con

7. Saber plantear problemas lineales.

Empecemos por recordar algunas nociones básicas.

Consideremos los sistemas lineales de dos ecuaciones y dos incógnitas siguientes:

Realizando las gráficas de cada uno de los sistemas de ecuaciones se obtiene:

a) Rectas secantes b) Rectas paralelas c) Rectas coincidentes

Tratándose de sistemas de dos ecuaciones y dos incógnitas no hay más casos.

Denominamos sistema compatible al sistema que admite soluciones,

Ahora estudiaremos los sistemas de ecuaciones lineales en general y determi-

Introducimos ahora las definiciones y notaciones que utilizaremos.

1 ≤ j ≤ n, que dispondremos en m filas y n columnas: Matemático inglés que desta-

Designemos por L(m, n ) el conjunto de las matrices m × n, (m filas y n colum-

Podemos agrupar también las x j en forma de matriz de una sola columna y n

2.1. Producto de matrices

Definimos el producto de C, de m filas y k columnas, por una matriz D, de k

o bien omitiendo el punto, simplemente E = CD.

La operación de multiplicar matrices es una aplicación:

Con estas notaciones, el sistema (1) se escribe de la forma:

¿Cuándo es factible la multiplicación de dos matrices? Por ejemplo, hagamos la multiplica-

Además de la matriz del sistema (2), también utilizamos la matriz ampliada ,

Dado el sistema de ecuaciones siguiente:

Matriz del sistema:

2.2. Suma de matrices

La suma de dos matrices m × n es igual a la matriz m × n que se obtiene suman-

o, en términos de los elementos:

Hagamos esta suma:

Es fácil comprobar que la suma de matrices es asociativa y que la matriz 0, que

Resumiendo, la suma de matrices tiene las propiedades siguientes. Para

Las propiedades que acabamos de mencionar permiten definir la estructura de

2) Si en un conjunto como el anterior, además, la operación es asocia-

3) En un grupo el elemento neutro es único, y el elemento inverso (el

5) En un grupo siempre se puede simplificar. Es decir,

2) Supongamos que a tuviese otro opuesto a’’. Siendo la operación asociativa,

3) Resulta como corolario de los anteriores.

4) De a + (−a) = 0 se deduce que a es opuesto de (−a), y por la unicidad del

2.3. Matrices cuadradas

Cuando las matrices tienen el mismo número n de filas y de columnas habla-

Sean A, B, C matrices cuadradas cualesquiera de L(n,n). Además de las

2) A · I = I · A = A elemento neutro (6)

Conviene destacar que la multiplicación de matrices no es conmutativa, es decir:

Comprobemos en este ejemplo que A · B ≠ B · A:

En un anillo conmutativo se cumplen las relaciones que presentamos a

1) Utilizando las propiedades distributiva y elemento neutro de la suma, resulta:

2) Utilizando la propiedad anterior, el opuesto de la suma y la propiedad dis-

3) Resulta de la anterior y de –(–a) = a.