AGA Virtual - Unidad 2

ÁLGEBRA Y
AGA Virtual Segundo cuatrimestre 2016 Unidad 1
GEOMETRÍA
OM
ANALÍTICA
.C
DD
LA
FI

Isabel Pustilnik
1
Federico Gómez
Este archivo fue descargado de https://filadd.com
ÍNDICE
Matrices ................................................................................................................................ 2
Conceptos básicos ......................................................................................................... 2
Definición de Matriz .......................................................................................................... 2
Matriz columna .................................................................................................................. 2
Matriz fila ............................................................................................................................. 2
Matriz nula........................................................................................................................... 3
Igualdad de matrices ....................................................................................................... 3
Operaciones con matrices ............................................................................................ 3
OM
Suma de matrices ............................................................................................................. 3
Producto de un escalar por una matriz ........................................................................ 3
Propiedades de la suma de matrices y del producto por un escalar ................... 4
Producto de matrices....................................................................................................... 5
Traspuesta de una matriz................................................................................................. 8
Matrices cuadradas ........................................................................................................ 9
.C
Matriz identidad................................................................................................................. 9
Matriz inversa ....................................................................................................................10
Potencias de una matriz cuadrada ............................................................................11
DD
Matrices cuadradas especiales ...................................................................................14
Determinantes .................................................................................................................... 17
Desarrollo de un determinante por cofactores ......................................................... 18
Determinante de una matiz triangular .......................................................................21
Propiedades de los determinantes ............................................................................. 21
Propiedad 1 ......................................................................................................................21
LA
Propiedad 2 ......................................................................................................................22
Propiedad 3 ......................................................................................................................22
Propiedad 4 ......................................................................................................................22
Propiedad 5 ......................................................................................................................22
FI
Propiedad 6 ......................................................................................................................23
Propiedad 7 ......................................................................................................................23
Propiedad 8 ......................................................................................................................23
Propiedad 9 ......................................................................................................................23
Propiedad 10 ....................................................................................................................23

Propiedad 11 ....................................................................................................................24
El determinante de la inversa ...................................................................................... 26
Matriz Adjunta ................................................................................................................ 27
Obtención de la inversa a través de la adjunta ....................................................... 28
Caso particular: inversa de una matriz de 2x2 ..........................................................29
Matrices y sistemas de ecuaciones lineales ................................................................. 30
Repaso de SCD, SCI Y SI ............................................................................................... 31
Sistemas de ecuaciones lineales y determinantes ................................................... 31
Resumen: Clasificación de un sistema 𝑛 × 𝑛 por determinantes. .........................34

Matrices
Conceptos básicos
Definición de Matriz
Una matriz 𝐴 de 𝑚 × 𝑛 es un ordenamiento rectangular de escalares dispuestos en
𝑚 filas y 𝑛 columnas. Para designar a cada uno de los 𝑚. 𝑛 elementos de la matriz
se utiliza un doble subíndice que indica el número de fila y número de columna
que le corresponde en el arreglo:
OM
𝑎11 𝑎12 𝑎13 ⋯ 𝑎1𝑛
𝑎 𝑎22 𝑎23 ⋯ 𝑎2𝑛
‫ ۇ‬21 ‫ۊ‬
𝐴 = ‫𝑎 ۈ‬31 𝑎32 𝑎33 ⋯ 𝑎3𝑛 ‫ۋ‬
⋮ ⋮ ⋮ ⋮ ⋮
‫ۉ‬ 𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 ⋯ 𝑎𝑚𝑛 ‫ی‬
.C
Así, 𝑎34 es el elemento ubicado en la fila tres y la columna cuatro y en general 𝑎𝑖𝑗
es el elemento de la matriz 𝐴 que está en la fila 𝑖 y en la columna 𝑗.
DD
Las matrices suelen designarse con letras mayúsculas: se anota 𝐴 ∈ ℝ𝑚𝑥𝑛 para
indicar que es una matriz con 𝑚 filas y 𝑛 columnas cuyos elementos son números
reales.
Se indican con paréntesis o con corchetes:

LA
Por ejemplo una matriz de dos filas y tres columnas se puede escribir así:
FI
3 2 0
𝐴=( ) , 𝐴 ∈ ℝ2×3
−2 4 1
En este caso, diremos que el tamaño u orden de A es 2x3.

Matriz columna
Podemos pensar los vectores como casos particulares de matrices:
2
𝐶 = (0) 𝑚𝑎𝑡𝑟𝑖𝑧 𝑜 𝑣𝑒𝑐𝑡𝑜𝑟 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 , 𝐶 ∈ ℝ3×1
1
Matriz fila
O también:
𝐹 = (2 0 1) 𝑚𝑎𝑡𝑟𝑖𝑧 𝑜 𝑣𝑒𝑐𝑡𝑜𝑟 𝑓𝑖𝑙𝑎 , 𝐹 ∈ ℝ1×3

Matriz nula
La matriz nula es aquélla cuyos elementos son todos ceros. La simbolizamos con 𝑂.
(En la guía de trabajos prácticos se la designa como 𝑁)
Igualdad de matrices
Dos matrices son iguales si son del mismo orden (tamaño) y sus elementos
respectivos son iguales.
𝐴, 𝐵 ∈ ℝ𝑚𝑥𝑛 𝐴 = 𝐵 ⇔ 𝑎𝑖𝑗 = 𝑏𝑖𝑗 ∀𝑖, 𝑗
OM
Operaciones con matrices
Suma de matrices
Sean 𝐴, 𝐵 ∈ ℝ𝑚×𝑛 entonces:
𝐴 + 𝐵 = 𝐶 ∈ ℝ𝑚×𝑛 | 𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 ∀𝑖, 𝑗
Ejemplo
Sean:
.C
DD
0 −1 1 1 0 −3
𝐴=( ) , 𝐵=( )
−2 3 2 3 −1 2
Entonces la suma es:
0 −1 1 1 0 −3 1 −1 −2
𝐴+𝐵 =( )+( )=( )
−2 3 2 3 −1 2 1 2 4
LA
Producto de un escalar por una matriz

Sean 𝐴 ∈ ℝ𝑚×𝑛 , 𝑘 ∈ ℝ, entonces:
𝑘𝐴 = 𝐵 ∈ ℝ𝑚×𝑛 | 𝑏𝑖𝑗 = 𝑘𝑎𝑖𝑗 ∀𝑖, 𝑗

FI
0 −1 1 0 −3 3
Por ejemplo, si 𝐴 = ( ) , entonces 3𝐴 = ( )
−2 3 2 −6 9 6
Cuando 𝑘 = −1, obtenemos la matriz opuesta de A:

0 1 −1
−𝐴 = (−1)𝐴 = ( )
2 −3 −2
Podemos así definir la diferencia (resta) entre dos matrices del mismo tamaño:
𝐴 − 𝐵 = 𝐴 + (−𝐵)
O sea:
𝐴 − 𝐵 = 𝐶 ∈ ℝ𝑚×𝑛 | 𝑐𝑖𝑗 = 𝑎𝑖𝑗 − 𝑏𝑖𝑗
Ejemplo
Sean las matrices:

3 2 0 2
𝐴 = (1 −1) , 𝐵 = (4 −1)
4 5 5 3
Entonces:
6 4 0 2 6 2
2𝐴 − 𝐵 = (2 −2) − (4 −1) = (−2 −1)
8 10 5 3 3 7
Ejemplo
Hallar 𝑋, 𝑌 ∈ ℝ2×2 tales que:
OM
1 0 [𝟏]
2𝑋 − 𝑌 = ( )
0 4
4 5 [𝟐]
3𝑋 + 𝑌 = ( )
0 1
Resolución
.C
Es un sistema de ecuaciones matricial. Las incógnitas son matrices.
Podríamos plantear el sistema escribiendo las matrices como

DD
𝑥1 𝑥2 𝑦1 𝑦2
𝑋 = (𝑥 𝑥4 ) , 𝑌 = (𝑦3 𝑦4 )
3
Pero quedarían 8 ecuaciones con 8 incógnitas.
Para facilitar la resolución, podemos recurrir a las herramientas que utilizamos para
LA
resolver sistemas de ecuaciones lineales. Si sumamos miembro a miembro las

ecuaciones queda:
1 0 4 5 5 5
5𝑋 = ( )+( )=( )
0 4 0 1 0 5
FI
1 1
⇒𝑋=( )
0 1
Reemplazando en [𝟏]

2 2 1 0 1 2
( )−𝑌 =( ) ⇒ 𝑌=( )
0 2 0 4 0 −2
Sugerimos al lector que verifique los resultados obtenidos reemplazando en [2].
Propiedades de la suma de matrices y del producto por

un escalar
Sean 𝐴, 𝐵, 𝐶 ∈ ℝ𝑚𝑥𝑛 𝑦 𝛼, 𝛽 ∈ ℝ.
Vimos que: 𝐴 + 𝐵 ∈ ℝ𝑚𝑥𝑛 y 𝛼𝐴 ∈ ℝ𝑚𝑥𝑛 . Estas operaciones verifican las siguientes

propiedades:
1. 𝐴 + 𝐵 = 𝐵 + 𝐴

2. (𝐴 + 𝐵) + 𝐶 = 𝐴 + (𝐵 + 𝐶)
3. 𝐴+𝑂 = 𝑂+𝐴 = 𝐴
4. 𝐴 + (−𝐴) = (−𝐴) + 𝐴 = 𝑂
5. 𝛼(𝐴 + 𝐵) = 𝛼𝐴 + 𝛼𝐵
6. (𝛼 + 𝛽)𝐴 = 𝛼𝐴 + 𝛽𝐴
7. 𝛼(𝛽𝐴) = (𝛼𝛽)𝐴
8. 1𝐴 = 𝐴
Puede observarse la analogía entre estas propiedades y las que habíamos

enunciado en la unidad anterior para vectores de ℝ3.
OM
Producto de matrices
Intuitivamente podría pensarse que el producto de matrices se obtiene
multiplicando los elementos correspondientes. Sin embargo, esta definición no
resulta útil para resolver problemas que involucren matrices. La experiencia
matemática vinculada sobre todo a los sistemas de ecuaciones lineales, ha
.C
motivado la siguiente definición de producto de matrices.
Definiremos primero el producto de una matriz fila por una matriz columna, y luego
generalizaremos.
DD
𝑏
‫ ۇ‬1‫ۊ‬
Si 𝐴 = (𝑎1 𝑎2 ⋯ 𝑎𝑛 ) ∈ ℝ1×𝑛 y 𝐵 = ‫𝑏ۈ‬2 ‫ ∈ ۋ‬ℝ𝑛𝑥1 , entonces:
⋮
‫ی 𝑛𝑏ۉ‬
LA
𝑏
‫ ۇ‬1‫ۊ‬
(𝑎 ) 𝑏
𝐴𝐵 = 1 𝑎2 ⋯ 𝑎𝑛 ‫ ۈ‬2 ‫𝑎 = ۋ‬1 𝑏1 + 𝑎2 𝑏2 + ⋯ + 𝑎𝑛 𝑏𝑛
⋮
‫ی 𝑛𝑏ۉ‬
FI
Observemos la similitud con el producto escalar de vectores.
Sean 𝐴 ∈ ℝ𝑚×𝑛 y 𝐵 ∈ ℝ𝑛×𝑝 , o sea se cumple que la cantidad de columnas de la

primera matriz es igual a la cantidad de filas de la segunda:

𝐴𝑚×𝑛 . 𝐵𝑛×𝑝 = 𝐶𝑚×𝑝
Deben ser iguales para que

pueda realizarse el producto de matrices
Entonces el producto es
𝐴𝐵 = 𝐶 ∈ ℝ𝑚×𝑝 | 𝑐𝑖𝑗 = 𝑓𝑖𝑙𝑎 𝑖 (𝐴) ⋅ 𝑐𝑜𝑙𝑢𝑚𝑎 𝑗 (𝐵)

Una forma alternativa de expresar el producto es:

𝑛
𝑚×𝑝
𝐴𝐵 = 𝐶 ∈ ℝ | 𝑐𝑖𝑗 = ∑ 𝑎𝑖𝑘 𝑏𝑘𝑗
𝑘=1
Ejemplo
Sean,
1 1 2
1 2 3
𝐴=( ) , 𝐵 = (1 −1 0) 𝐴 ∈ ℝ2×3 𝐵 ∈ ℝ3×3
4 1 0
2 0 3
OM
Es posible calcular 𝐴. 𝐵 porque 𝐴 tiene tres columnas y 𝐵 tiene tres filas. El resultado
del producto es una matriz de 2 × 3.
1 1 2
𝐵 = (1 −1 0)
.C 2 0 3
DD
1 2 3 9 −1 11
𝐴=( ) ( )
4 1 0 5 3 8
1.1 + 2.1 + 3.2 1.1 + 2. (−1) + 3.0 1.2 + 2.0 + 3.3 9 −1 11

LA
𝐴𝐵 = ( )=( )
4.1 + 1.1 + 0.2 4.1 + 1. (−1) + 0.0 4.2 + 1.0 + 0.3 5 3 8
No se puede calcular 𝐵𝐴 porque el número de columnas de 𝐵 no coincide con el

número de filas de 𝐴.
FI
Ejemplo
1 1
3 2 1
𝑃 = (2 1) , 𝑄 = ( )
1 3 −1
3 0

4 5 0
𝑃𝑄 ∈ ℝ3×3 , 𝑃𝑄 = (7 7 1)
9 6 3
10 5
𝑄𝑃 ∈ ℝ2×2 , 𝑄𝑃 = ( )
4 4
O sea que el producto de matrices no es conmutativo.
Propiedades del producto

En lo que sigue entendemos que las operaciones mencionadas pueden
efectuarse.
1) (𝐴𝐵)𝐶 = 𝐴(𝐵𝐶) 𝑎𝑠𝑜𝑐𝑖𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑

2) (𝐴 + 𝐵) 𝐶 = 𝐴𝐶 + 𝐵𝐶 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑎 𝑑𝑒𝑟𝑒𝑐ℎ𝑎
𝑃(𝑄 + 𝑅) = 𝑃𝑄 + 𝑃𝑅 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑎 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑎
3) (𝑘𝐴)𝐵 = 𝑘(𝐴𝐵) = 𝐴(𝑘𝐵) , 𝑘 ∈ ℝ
4) 𝑂𝐴 = 𝑂 𝑦 𝐴𝑂 = 𝑂 , siendo 𝑂 la matriz nula
EPL 1
Sean 𝐴 ∈ ℝ𝑚×𝑛 , 𝐵, 𝐶 ∈ ℝ𝑛×𝑝
Analizar la validez de cada una de las siguientes proposiciones:
OM
1) 𝐴𝐵 = 𝑂 ⟹ 𝐴 = 𝑂 ∨ 𝐵 = 𝑂
2) 𝐴𝐵 = 𝐴𝐶 ∧ 𝐴 ≠ 𝑂 ⟹ 𝐵 = 𝐶
EPL 2
.C
Un comercio que vende productos de electrónica, paga una comisión a los
vendedores y tiene un beneficio (ganancia) según cada producto. En una tabla
se registra el precio de venta, el beneficio para el comercio, la comisión para el
vendedor y el costo del producto. Además se tiene información sobre las unidades
DD
vendidas en diferentes sucursales. A continuación mostramos dos tablas que
resumen esa información para el mes de agosto 2013:
Precio de venta, beneficio, costo, comisión por producto [AGOSTO 2013]

LA
LED 32' BA455 LED BX567 Smartphone Tablet 10' Notebook
Costo $ 3.200,00 $ 4.500,00 $ 2.500,00 $ 4.800,00 $ 5.600,00
Comisión $ 200,00 $ 250,00 $ 30,00 $ 40,00 $ 120,00

FI
Beneficio $ 700,00 $ 900,00 $ 200,00 $ 340,00 $ 800,00
Precio de venta $ 4.100,00 $ 5.650,00 $ 2.730,00 $ 5.180,00 $ 6.520,00

Unidades vendidas de cada producto por sucursal [AGOSTO 2013]

Sucursal 1 Sucursal 2 Sucursal 3 Sucursal 4
LED 32' BA455 23 67 43 4
LED BX567 56 20 32 43
Smartphone 10 65 67 65
Tablet 10' 45 3 23 76
Notebook 67 65 43 80

Si 𝐴 y 𝐵 son las matrices correspondientes a estas tablas:
a) Calcular e interpretar el producto 𝐴𝐵. ¿Cuál es la sucursal que obtuvo la

máxima ganancia?
b) ¿Se puede calcular 𝐵𝐴? ¿Tiene interpretación práctica 𝐵𝐴?
Nota: hacer el producto de matrices de órdenes grandes puede implicar

demasiado trabajo de cálculo. En estos casos se puede utilizar la ayuda de
calculadoras o de un software. En el siguiente link hay un tutorial para hacer
cálculos entre matrices con wxMaxima.
OM
Tutorial de wxMaxima
Traspuesta de una matriz

La traspuesta de una matriz 𝐴 ∈ ℝ𝑚×𝑛 , que indicamos como 𝐴𝑡 , es la matriz de 𝑛 ×
.C
𝑚 que se obtiene a partir de 𝐴 cambiando las filas por las columnas.
Ejemplo
DD
1 4
1 2 3
Si 𝐴=( ) ∈ ℝ2𝑥3 , entonces su traspuesta es: 𝐴𝑡 = (2 5) ∈ ℝ3𝑥2
4 5 6
3 6
Propiedades de la trasposición
LA
1) (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵𝑡
2) (𝑘𝐴)𝑡 = 𝑘𝐴𝑡 , 𝑘 ∈ ℝ
3) (𝐴𝑡 )𝑡 = 𝐴
FI
4) (𝑨𝑩)𝒕 = 𝑩𝒕 𝑨𝒕
Ejemplo
1 1 0

1 2 3
Sean 𝐴=( ) , 𝐵 = (0 1 −1)
4 5 6
1 2 1
Calculemos:
a) (𝐴𝐵)𝑡
b) 𝐴𝑡 𝐵𝑡
c) 𝐵𝑡 𝐴𝑡
Resolución
a) Calculamos 𝐴𝐵 y luego trasponemos:

1 1 0
1 2 3 4 9 1
𝐴𝐵 = ( ) (0 1 −1) = ( )
⏟4 5 6 10 21 1
2×3
⏟1 2 1
3×3
4 10
(𝐴𝐵)𝑡 = (9 21)
1 1
b) Trasponemos y luego hacemos el producto:
1 4 1 0 1
𝐴𝑡 𝐵𝑡 = (2
OM
5) (1 1 2) 𝑛𝑜 𝑠𝑒 𝑝𝑢𝑒𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟
⏟3 6 ⏟0 −1 1
3×2 3×3
Como no coinciden el número de columnas de 𝐴𝑡 con el número de filas de 𝐵𝑡 , no

se puede hacer el producto.
c)
.C 1 0 1 1 4 4 10
𝐵𝑡 𝐴𝑡 = (1 1 2) (2 5) = (9 21)
0 −1 1 3 6 1 1
DD
En este ejemplo verificamos la propiedad enunciada: (𝐴𝐵)𝑡 = 𝐵𝑡 𝐴𝑡
Matrices cuadradas
Una matriz cuadrada es aquélla que tiene igual número de filas y de columnas.
Denominamos ℝ𝑛𝑥𝑛 al conjunto de matrices cuadradas de orden n (n filas y n
LA
columnas).
La diagonal principal de una matriz cuadrada está formada por los elementos 𝑎𝑖𝑖 .
Matriz identidad
FI
La matriz identidad, que simbolizamos con 𝐼, es una matriz cuadrada con unos en
la diagonal principal y ceros en todos los demás elementos.
1 0
𝐼2 = ( )
0 1

1 0 0
𝐼3 = (0 1 0)
0 0 1
1 0 0 ⋯ 0
‫ۇ‬0 1 0 ⋯ 0‫ۊ‬
𝐼𝑛 = ‫ۈ‬0 0 1 ⋯ 0‫ۋ‬
⋮ ⋮ ⋮ ⋱ ⋮
‫ۉ‬0 0 0 ⋯ 1‫ی‬
Propiedad: La matriz identidad es el elemento neutro para el producto de matrices

cuadradas. Se comporta como el 1 para los números reales.
Lo mostramos para matrices 2 × 2:

𝑎 𝑏 1 0 𝑎 𝑏
( )( )=( )
𝑐 𝑑 0 1 𝑐 𝑑
1 0 𝑎 𝑏 𝑎 𝑏
( )( )=( )
0 1 𝑐 𝑑 𝑐 𝑑
𝐴𝐼 =𝐼𝐴=𝐴
Matriz inversa
En el conjunto de los números reales existe el inverso multiplicativo para todo
número real distinto de cero. Dado un número real 𝑎 distinto de cero, 𝑏 es su
inverso multiplicativo si y solo si 𝑎. 𝑏 = 1.
OM
A continuación definiremos el inverso multiplicativo para matrices cuadradas.
Se dice que 𝐴 ∈ ℝ𝑛×𝑛 es inversible si y sólo si existe una matriz 𝐵 ∈ ℝ𝑛×𝑛 tal que:
𝐴𝐵 = 𝐵𝐴 = 𝐼
Ejemplo
.C
Analizar si las siguientes matrices son inversibles:
3 1
DD
𝐴=( )
−3 −1
3 1
𝑃=( )
2 1
¿∃𝐵 ∈ ℝ2×2 | 𝐴𝐵 = 𝐼?
LA
3𝑎 + 𝑐 = 1
3 1 𝑎 𝑏 1 0 3𝑏 + 𝑑 = 0
( )( )=( )⇒ {
−3 −1 𝑐 𝑑 0 1 −3𝑎 − 𝑐 = 0
−3𝑏 − 𝑑 = 1
FI
⇒ 1 = 0 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑖𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒
Como llegamos a una contradicción, la matriz 𝐴 no es inversible.
Observación: el único número real no inversible es el cero; pero en ℝ𝑛×𝑛 vemos

que existen matrices no nulas que no tienen inversa.
Con la matriz 𝑃:
¿∃ 𝑄 ∈ ℝ2×2 | 𝑃𝑄 = 𝐼?
3𝑎 + 𝑐 = 1
3 1 𝑎 𝑏 1 0 3𝑏 + 𝑑 = 0
( )( )=( ) ⇒ { ⇒ 𝑎 = 1 , 𝑏 = −1 , 𝑐 = −2 , 𝑑 = 3
2 1 𝑐 𝑑 0 1 2𝑎 + 𝑐 = 0
2𝑏 + 𝑑 = 1
10

1 −1
𝑄=( )
−2 3
Les proponemos verificar que 𝑄𝑃 = 𝐼.
Entonces 𝑃 es inversible, y 𝑄 se denomina inversa de 𝑃.
La notación es:
𝑄 = 𝑃−1
Entonces:
OM
𝑃𝑃−1 = 𝑃−1𝑃 = 𝐼
Más adelante analizaremos qué condición debe cumplir una matriz para ser
inversible.
Observación: Sean 𝐴, 𝐵 ∈ ℝ𝑛×𝑛 entonces:
.C 𝐴𝐵 = 𝐼 ⇔ 𝐵𝐴 = 𝐼 [1]
O sea: para matrices cuadradas, si encontramos 𝐵 tal que 𝐴𝐵 = 𝐼 , podemos

DD
afirmar que 𝐵 es la inversa de 𝐴.
Propiedades de la inversión de matrices

Sean 𝐴, 𝐵 ∈ ℝ𝑛𝑥𝑛 inversibles
Entonces:
LA
1) 𝐴𝐵 es inversible y su inversa es: (𝐴𝐵)−1 = 𝐵−1 𝐴−1
Esto significa que la inversa de 𝐴𝐵 es 𝐵−1 𝐴−1 .

FI
Para demostrar esta propiedad, veamos que: (𝐴𝐵)(𝐵−1 𝐴−1 ) = 𝐼
Como el producto de matrices es asociativo, resulta:
(𝐴𝐵)(𝐵−1 𝐴−1 ) = 𝐴 (𝐵𝐵−1 ) 𝐴−1 = 𝐴 𝐼 𝐴−1 = 𝐴 𝐴−1 = 𝐼

El lector puede comprobar que: (𝐵−1 𝐴−1 ) (𝐴𝐵) = 𝐼
Hemos demostrado que el producto de matrices inversibles es inversible. ¿Ocurre

lo mismo con la suma de matrices inversibles?
1
2) (𝑘𝐴)−1 = 𝐴−1 (𝑘 ≠ 0)
𝑘
3) (𝐴𝑡 )−1 = (𝐴−1 )𝑡
Dejamos las demostraciones a cargo del lector.
Potencias de una matriz cuadrada

Sea 𝐴 ∈ ℝ𝑛×𝑛 . Es posible definir potencias de 𝐴 como sigue:
11

𝐴2 = 𝐴 𝐴
𝐴3 = 𝐴 𝐴 𝐴
𝐴𝑘 = ⏟
𝐴𝐴 … 𝐴 , 𝑘 ∈ℕ
𝑘 𝑣𝑒𝑐𝑒𝑠
Ejemplo
1 2
𝐴=( )
3 4
1 2 1 2 7 10
𝐴2 = 𝐴 𝐴 = ( )( )=( )
3 4 3 4 15 22
OM
EPL1 3
En una ciudad hay tres empresas de telefonía celular (A, B y C) que controlan el
mercado.
Inicialmente cada empresa tiene una fracción de la clientela que denominaremos
.C
𝑎0 , 𝑏0 y 𝑐0 .
Entonces resulta: 𝑎0 + 𝑏0 + 𝑐0 = 1 (no hay otras empresas)

DD
𝐴
LA
15% 10%
10% 15%
FI
10%
𝐵 𝐶
5%

La figura resume el porcentaje de clientes que cambian de empresa durante un

período de seis meses.
Este modelo matemático se basa en los siguientes supuestos:
1 Adaptado de Kozak, Ana María y otros, Nociones de Geometría Analítica y Álgebra

Lineal, p. 356
12

- El porcentaje de cambio entre las empresas se mantiene constante con el

tiempo.
- Los clientes seguirán siendo consumidores de una de estas tres empresas.
- No se incorporan nuevos clientes al sistema.
𝑎0 𝑎1
Llamemos 𝑋0 = ( 0 ) al vector de estado inicial, y 𝑋1 = (𝑏1 ) al vector que
𝑏
𝑐0 𝑐1
OM
indica la fracción de la clientela que corresponde a cada empresa al cabo de un
semestre.
Veamos cómo puede obtenerse 𝑋1 a partir de 𝑋0 .
De acuerdo con la figura, podemos deducir que al cabo de un período (semestre)

la empresa A conservará 70% de su clientela propia.
.C
¿Qué porcentaje de su clientela conservarán las empresas B y C al cabo de un
semestre?
DD
Según los datos, finalizado el 1º semestre la fracción de la clientela que tiene A
puede obtenerse así:
0,70 𝑎0 + 0,10 𝑏0 + 0,10 𝑐0 = 𝑎1
¿Qué ecuaciones permiten obtener 𝑏1 y 𝑐1 ?

LA
Resulta entonces el siguiente sistema:
0,70𝑎0 + 0,10𝑏0 + 0,10𝑐0 = 𝑎1

{0,15𝑎0 + 0,85𝑏0 + 0,10𝑐0 = 𝑏1
FI
0,15𝑎0 + 0,05𝑏0 + 0,80𝑐0 = 𝑐1
El lector puede comprobar que este sistema puede expresarse mediante un

producto de matrices como sigue:

0,70 0,10 0,10 𝑎0 𝑎1

(0,15 0,85 0,10) ( 0 ) = (𝑏1 )
𝑏
0,15 0,05 0,80 𝑐0 𝑐1
O sea:
𝑀𝑋0 = 𝑋1 [1]
La matriz 𝑀 ∈ ℝ3𝑥3 , que caracteriza la evolución del sistema, se denomina matriz

de transición.
¿Qué características presenta esta matriz de transición?
1) Todos sus elementos son números reales comprendidos entre 0 y 1.
13

2) La suma de los elementos de cada columna es 1.
Las matrices cuadradas que cumplen estas dos condiciones se denominan

matrices estocásticas o matrices de probabilidad.
Como la matriz de transición se mantiene para el 2º período, la fracción de

clientes para el tiempo 𝑡 = 2 puede calcularse como:
𝑀𝑋1 = 𝑋2 [2]
De [1] y [2] se deduce que: 𝑋2 = 𝑀2 𝑋0
OM
Si los porcentajes de cambio de clientela no cambian en los períodos siguientes,
entonces 𝑀 no cambia cuando se pasa del estado (𝑛 − 1) al estado 𝑛.
Por lo tanto: 𝑀 𝑀 … 𝑀 𝑋0 = 𝑀𝑛 𝑋0
𝑋𝑛 = 𝑀𝑋𝑛−1 = ⏟
𝑛 𝑣𝑒𝑐𝑒𝑠
O sea, para obtener cómo se distribuyen los clientes luego de 𝑛 períodos,
.C
podemos proceder así:
𝑋𝑛 = 𝑀𝑛 𝑋0
DD
Suponiendo que inicialmente las tres empresas se reparten por partes iguales la
clientela, les pedimos que calculen (UTILIZANDO WXMAXIMA - LINK) cómo resulta la
distribución de clientes:
1. Al cabo de 3 años.
LA
2. Al cabo de 10 años
3. Al cabo de 15 años
Observen luego de hacer los cálculos que en la medida en que el tiempo pasa,
las cuotas de mercado de las empresas tienden a estabilizarse.
FI
4. Responder las mismas preguntas suponiendo que inicialmente las cuotas de

mercado de las empresas A, B y C son respectivamente: 0,5 , 0,35 y 0,15.
5. ¿Se produce el mismo fenómeno de estabilización en este caso?

Matrices cuadradas especiales

Matriz simétrica
𝑨 ∈ ℝ𝒏×𝒏 es simétrica si y sólo si 𝑨 = 𝑨𝒕
O sea:
𝑎𝑖𝑗 = 𝑎𝑗𝑖
Las condiciones para que una matriz de orden tres sea simétrica son:
𝑎21 = 𝑎12
{ 31 = 𝑎13
𝑎
𝑎32 = 𝑎23
14

Entonces la forma de una matriz simétrica de orden tres es:
𝑎 𝑏 𝑐
𝐴 = (𝑏 𝑑 𝑒)
𝑐 𝑒 𝑓
Por ejemplo
2 3 1
𝐴 = (3 0 5) = 𝐴𝑡
1 5 1
Matrices antisimétricas
OM
𝑨 ∈ ℝ𝒏×𝒏 es antisimétrica si y sólo si 𝑨 = −𝑨𝒕
O sea:
𝑎𝑖𝑗 = −𝑎𝑗𝑖
.C
Veamos qué pasa con los elementos de la diagonal principal.
Si 𝑖 = 𝑗 debería ser 𝑎𝑖𝑖 = −𝑎𝑖𝑖 , pero el único número que es el opuesto de sí mismo
DD
es el cero. Por lo tanto, la diagonal principal está formada por ceros.
Las condiciones para que una matriz de orden tres sea antisimétrica son:
𝑎11 = 𝑎22 = 𝑎33 = 0

𝑎21 = −𝑎12
LA
{
𝑎31 = −𝑎13
𝑎32 = −𝑎23
Entonces la forma de una matriz antisimétrica de orden tres es:
𝟎 𝑎 𝑏
FI
𝐴 = (−𝑎 𝟎 𝑐)
−𝑏 −𝑐 𝟎
0 −3 4
Por ejemplo 𝐴=( 3 0 0) = −𝐴𝑡

−4 0 0
EPL 4
Sea 𝐴 ∈ ℝ𝑛×𝑛
1. Probar que 𝐴 + 𝐴𝑡 es simétrica

2. Probar que 𝐴 − 𝐴𝑡 es antisimétrica
Observemos que:
1 1
𝐴 = (𝐴 + 𝐴𝑡 ) + (𝐴 − 𝐴𝑡 )
⏟
2 ⏟
2
𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎 𝑎𝑛𝑡𝑖𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎
15

Entonces: toda matriz cuadrada puede expresarse como la suma de una simétrica
y una antisimétrica.
3 −4
¿Cómo se expresa 𝐴 = ( ) como suma de una matriz simétrica y una
8 2
antisimétrica?
Matrices triangulares
𝐴 ∈ ℝ𝑛×𝑛 es una matriz triangular superior cuando los elementos debajo de la
diagonal principal son ceros:
𝑎 𝑏 𝑐
OM
𝐴 = (0 𝑑 𝑒)
0 0 𝑓
Si 𝑖 > 𝑗 ⇒ 𝑎𝑖𝑗 = 0
𝐵 ∈ ℝ𝑛×𝑛 es una matriz triangular inferior cuando los elementos por encima de la
diagonal principal son ceros:
.C 𝑎
𝐵 = (𝑏
𝑑
0 0
𝑐 0)
𝑒 𝑓
DD
Si 𝑖 < 𝑗 ⇒ 𝑎𝑖𝑗 = 0
Matrices diagonales
Una matriz 𝐷 es diagonal si es triangular superior e inferior:
LA
𝐷 ∈ ℝ𝑛×𝑛 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 ⇔ 𝑎𝑖𝑗 = 0 ∀𝑖 ≠ 𝑗
La forma de una matriz diagonal de orden tres es:
𝑎 0 0
FI
𝐷 = (0 𝑏 0)
0 0 𝑐
Veamos qué característica especial presentan las potencias de una matriz

diagonal:

𝑎 0 0 𝑎 0 0 𝑎2 0 0
2
𝐷 = 𝐷. 𝐷 = (0 𝑏 0) . ( 0 𝑏 0) = ( 0 𝑏2 0)
0 0 𝑐 0 0 𝑐 0 0 𝑐2
𝑎2 0 0 𝑎 0 0 𝑎3 0 0
3
𝐷 = 𝐷. 𝐷. 𝐷 = ( 0 𝑏2 0 ) . (0 𝑏 0) = ( 0 𝑏3 0)
0 0 𝑐2 0 0 𝑐 0 0 𝑐3
En general:
𝑎𝑘 0 0
𝑘
𝐷 =(0 𝑏𝑘 0) , 𝑘∈ℕ
0 0 𝑐𝑘
16

Matrices escalares
Una matriz escalar es una matriz diagonal en la cual todos los elementos de la
diagonal principal son iguales.
Las matrices escalares de orden 3 tienen esta forma:
𝑘 0 0
𝐸 = (0 𝑘 0) , 𝑘 ∈ ℝ
0 0 𝑘
𝐸 ∈ ℝ𝑛×𝑛 𝑒𝑠 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 ⇔ 𝐸 = 𝑘𝐼 , 𝑘 ∈ ℝ
OM
Matrices ortogonales
Una matriz cuadrada es ortogonal cuando su traspuesta coincide con su inversa:
𝐴 ∈ ℝ𝑛×𝑛 𝑒𝑠 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 ⇔ 𝐴𝑡 = 𝐴−1 ⇔ 𝐴𝐴𝑡 = 𝐼 ∧ 𝐴𝑡 𝐴 = 𝐼
Por ejemplo las siguientes matrices son ortogonales:
.C 𝐴=‫ۈ‬
1
‫√ۇ‬2
1
−
1
√2‫ۊ‬
1 ‫ۋ‬
1
‫√ۇ‬10
, 𝐵=‫ۈ‬
3
−
√10 ‫ۊ‬
1 ‫ۋ‬
3
DD
‫√ۉ‬2 √2 ‫ی‬ ‫√ۉ‬10 √10‫ی‬
Dejamos a cargo del lector verificar que las matrices cumplen la definición.
LA
Observemos que las columnas de 𝐴 y de 𝐵 son vectores ortogonales y de módulo

1. Ésta es la característica que distingue a las matrices ortogonales.
Determinantes
FI
Vimos previamente que no todas las matrices son inversibles.
¿Cómo podemos saber si una matriz tiene inversa?
El determinante de una matriz proporciona información para responder a esta

pregunta.
En la unidad 1, cuando vimos producto vectorial y mixto, habíamos definido

determinantes de orden 2 y de orden 3. Recordamos aquí las fórmulas
presentadas:
A cada matriz cuadrada puede asignársele un número real que llamaremos su

determinante y designaremos como 𝑑𝑒𝑡(𝐴) o |𝐴| . Para matrices 2𝑥2 y 3𝑥3 el
determinante se calcula como sigue:
𝑎11 𝑎12 𝑎11 𝑎12
𝐴 = (𝑎
21 𝑎22 ) ⇒ |𝐴| = |𝑎21 𝑎22 | = 𝑎11 𝑎22 − 𝑎12 𝑎21
17

𝑎11 𝑎12 𝑎13

𝑎 𝑎23 𝑎21 𝑎23 𝑎21 𝑎22
𝐴 = (𝑎21 𝑎22 𝑎23 ) ⇒ |𝐴| = 𝑎11 | 22
𝑎32 𝑎33 | − 𝑎12 |𝑎31 𝑎33 | + 𝑎13 |𝑎31 𝑎32 |
𝑎31 𝑎32 𝑎33
Observación: El determinante no está definido para matrices rectangulares.
Ejemplo
3 −1 −1
El determinante de 𝐴 = (2 1 0 ) es:
3 1 2
OM
1 0 2 0 2 1
det(𝐴) = 3. | | − (−1). | | + (−1). | |
1 2 3 2 3 1
det(𝐴) = 3.2 − (−1). 4 + (−1). (−1)
det(𝐴) = 11
.C
La regla de Sarrus es una forma práctica de calcular determinantes, sólo aplicable
para matrices de 3 × 3.
Consideremos el siguiente esquema en el cual agregamos al final de una matriz

DD
de 3 × 3 las filas 1 y 2. El determinante se calcula sumando los productos indicados
por las flechas que que van de izquierda a derecha y restando los productos
indicados por las flechas que van de derecha a izquierda:
𝑎11 𝑎12 𝑎13

LA
𝑎21 𝑎22 𝑎23

|𝐴| = 𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
= 𝑎11 𝑎22 𝑎33 + 𝑎21 𝑎32 𝑎13 + 𝑎31 𝑎12 𝑎23 − 𝑎13 𝑎22 𝑎31 − 𝑎23 𝑎32 𝑎11 − 𝑎33 𝑎12 𝑎21
FI
Para la matriz considerada en el ejemplo anterior:
3 −1 −1
2 1 0
|𝐴| = 3 1 2 = 3.1.2 + 2.1. (−1) + 3. (−1). 0 − (−1). 1.3 − 0.1.3 − 2. (−1). 2 = 11

3 −1 −1
2 1 0
Desarrollo de un determinante por

cofactores
Dada 𝐴 ∈ ℝ𝑛𝑥𝑛 , se denomina menor 𝑀𝑖𝑗 a la submatriz de (𝑛 − 1) × (𝑛 − 1) que se
obtiene a partir de 𝐴 eliminando la fila 𝑖 y la columna 𝑗.
Se denomina cofactor 𝐶𝑖𝑗 del elemento 𝑎𝑖𝑗 al producto de (−1)𝑖+𝑗 por el

determinante de la matriz menor 𝑀𝑖𝑗 :
18

𝐶𝑖𝑗 = (−1)𝑖+𝑗 det(𝑀𝑖𝑗 )
Por ejemplo para la matriz
3 1 4
𝐴 = (−1 2 1)
3 2 1
Las matrices menores y los cofactores de la primera fila son:
2 1 2 1
𝑀11 = ( ) ⟹ 𝐶11 = (−1)1+1 | |=0
2 1 2 1
OM
−1 1 −1 1
𝑀12 = ( ) ⟹ 𝐶12 = (−1)1+2 | | = −1. (−4) = 4
3 1 3 1
−1 2 −1 2
𝑀13 = ( ) ⟹ 𝐶13 = (−1)1+3 | | = 1. (−8) = −8
3 2 3 2
Observación:
.C (−1)𝑖+𝑗 = {
1 𝑠𝑖 𝑖 + 𝑗 𝑒𝑠 𝑝𝑎𝑟
−1 𝑠𝑖 𝑖 + 𝑗 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟
Con estas definiciones previas, estamos en condiciones de enunciar el desarrollo

DD
de un determinante de orden 𝑛.
El determinante de una matriz puede calcularse utilizando los cofactores de

cualquier fila o cualquier columna.
Desarrollo por fila 𝒊:

LA
det(𝐴) = 𝑎𝑖1 𝐶𝑖1 + 𝑎𝑖2 𝐶𝑖2 + ⋯ + 𝑎𝑖𝑛 𝐶𝑖𝑛 = ∑ 𝑎𝑖𝑗 𝐶𝑖𝑗

𝑗=1
FI
Este cálculo se puede hacer tomando cualquiera de las filas de 𝐴, o sea: 𝑖 =

1, 2, … , 𝑛
Desarrollo por columna 𝒋:

det(𝐴) = 𝑎1𝑗 𝐶1𝑗 + 𝑎2𝑗 𝐶2𝑗 + ⋯ + 𝑎𝑛𝑗 𝐶𝑛𝑗 = ∑ 𝑎𝑖𝑗 𝐶𝑖𝑗 , 𝑗 = 1, 2, … , 𝑛

𝑖=1
Ejemplo
Retomemos la matriz del ejemplo anterior:
3 1 4
𝐴 = (−1 2 1)
3 2 1
El desarrollo del determinante por fila 1 es:
det(𝐴) = 𝑎11 𝐶11 + 𝑎12 𝐶12 + 𝑎13 𝐶13
19

Reemplazando los cofactores calculados previamente, resulta:
det(𝐴) = 3.0 + 1.4 + 4. (−8) = −28
Veamos que si desarrollamos el determinante por la columna 3 obtenemos el

mismo resultado:
det(𝐴) = 𝑎13 𝐶13 + 𝑎23 𝐶23 + 𝑎33 𝐶33
−1 2
𝐶13 = (−1)1+3 | | = −8
3 2
3 1
OM
𝐶23 = (−1)2+3 | | = −3
3 2
3 1
𝐶33 = (−1)3+3 | |=7
−1 2
det(𝐴) = 4. (−8) + 1. (−3) + 1.7 = −28
.C
El lector puede comprobar que el determinante no varía si se desarrolla por otra
fila o columna.
Ejemplo
DD
Calculemos el determinante de la siguiente matriz:
2 1 0 −1
0 −1 0 3
𝐴=( )
−2 1 1 −2
3 2 0 1
LA
Observemos que resulta económico desarrollar el determinante por la tercera

columna:
⏟ 𝐶13 + 0.
det(𝐴) = 0. ⏟ 𝐶23 + 1. 𝐶33 + ⏟
0. 𝐶43 = 𝐶33
FI
0 0 0
Calculemos el cofactor 𝐶33:
2 1 −1
𝐶33 = (−1)3+3 |0 −1 3 |

3 2 1
Para el cálculo del determinante de esta matriz de 3 × 3 es conveniente usar la

primera columna:
−1 3 1 −1
𝐶33 = 2. (−1)1+1 | | + 3. (−1)3+1 | |
2 1 −1 3
𝐶33 = −14 + 6 = −8
Este ejemplo muestra que para simplificar los cálculos, en general es conveniente
desarrollar el determinante por la fila o columna que tenga mayor cantidad de
ceros.
20

Determinante de una matiz triangular

Si 𝐴 ∈ ℝ3×3 es triangular:
𝑎11 𝑎12 𝑎13

𝐴=( 0 𝑎22 𝑎23 )
0 0 𝑎33
¿Cuál es la expresión de su determinante?
Podemos calcular el determinante de 𝐴 por la primera columna:
𝑎22 𝑎23
det(𝐴) = 𝑎11 | 0 𝑎33 | = 𝑎11 𝑎22 𝑎33
OM
Hemos llegado a la siguiente conclusión: si 𝐴 ∈ ℝ3×3 es triangular, su determinante
es el producto de los elementos de la diagonal principal.
Esto se puede generalizar para matrices de cualquier orden: si 𝐴 ∈ ℝ𝑛×𝑛 es

triangular, su determinante es el producto de los elementos de la diagonal
principal.
.C 𝐴 ∈ ℝ𝑛×𝑛 𝑡𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 ⇒ det(𝐴) = 𝑎11 . 𝑎22 … . 𝑎𝑛𝑛

DD
Teniendo en cuenta que la matriz identidad es triangular, se deduce que:
det(𝐼) = 1
Propiedades de los determinantes

LA
En general (es decir, a menos que la matriz sea triangular o tenga alguna otra
cualidad especial), el cálculo de determinantes por medio del desarrollo por
cofactores no es eficiente por el número de operaciones que implica cuando se
trabaja con matrices grandes.
FI
A continuación veremos una serie de propiedades que facilitan el cálculo de

determinantes.
Sea 𝐴 ∈ ℝ𝑛×𝑛 . En lo que sigue utilizaremos la notación:

𝐴 = (𝐴1 𝐴2 … 𝐴𝑛 )
donde 𝐴𝑗 representa la columna 𝑗 de la matriz 𝐴.
Propiedad 1
Como un determinante puede desarrollarse por cofactores tomando cualquier fila
o columna de la matriz, se deduce que:
det(𝐴) = det(𝐴𝑡 )
Por lo tanto, todas las propiedades que enunciemos para las columnas de una
matriz son válidas para sus filas.
21

Propiedad 2
Si 𝐵 es la matriz que se obtiene multiplicando una columna de A por un escalar
𝑘 ∈ ℝ, 𝑑𝑒𝑡(𝐵) = 𝑘 𝑑𝑒𝑡(𝐴). O sea:
det(𝐴1 𝐴2 … 𝑘𝐴𝑗 … 𝐴𝑛 ) = 𝑘 det(𝐴1 𝐴2 … 𝐴𝑗 … 𝐴𝑛 )
Comprobemos la propiedad para una matriz de 2 × 2:
𝑎 𝑏
𝐴=( ) , det(𝐴) = 𝑎𝑑 − 𝑏𝑐
𝑐 𝑑
OM
𝑎 𝑘𝑏
det ( ) = 𝑎𝑘𝑑 − 𝑘𝑏𝑐 = 𝑘(𝑎𝑑 − 𝑏𝑐) = 𝑘 det(𝐴)
𝑐 𝑘𝑑
Propiedad 3
Si una columna de 𝐴 puede expresarse como 𝐴𝑗 = 𝐴′𝑗 + 𝐴𝑗′′ , entonces 𝑑𝑒𝑡(𝐴)
.C
puede descomponerse así:
det(𝐴1 𝐴2 … 𝐴𝑗′ + 𝐴𝑗′′ … 𝐴𝑛 ) = det(𝐴1 𝐴2 … 𝐴𝑗′ … 𝐴𝑛 ) + det(𝐴1 𝐴2 … 𝐴𝑗′′ … 𝐴𝑛 )

DD
Comprobemos para una matriz de 2 × 2:
𝑎 𝑏´ + 𝑏´´
det ( ) = 𝑎 (𝑑 ′ + 𝑑 ′′ ) − 𝑐 (𝑏´ + 𝑏´´)
𝑐 𝑑´ + 𝑑´´
𝑎 𝑏´ 𝑎 𝑏′′
LA
= 𝑎𝑑 ′ + 𝑎𝑑 ′′ − 𝑐𝑏 ′ − 𝑐𝑏′′ = (𝑎𝑑 ′ − 𝑐𝑏´) + (𝑎𝑑 ′′ − 𝑐𝑏′′ ) = det ( ) + det ( )

𝑐 𝑑´ 𝑐 𝑑 ′′
Propiedad 4
Si se permutan dos columnas de A, el determinante cambia de signo:
FI
det(𝐴1 𝐴2 … 𝐴𝑖 … 𝐴𝑗 … 𝐴𝑛 ) = − det(𝐴1 𝐴2 … 𝐴𝑗 … 𝐴𝑖 … 𝐴𝑛 )
Comprobemos para una matriz de 2 × 2:
𝑏 𝑎 𝑎 𝑏

| | = 𝑏𝑐 − 𝑎𝑑 = −(𝑎𝑑 − 𝑏𝑐) = − | |
𝑑 𝑐 𝑐 𝑑
Propiedad 5
Si 𝐴 tiene una columna 𝟎 de ceros, entonces su determinante es cero:
det(𝐴1 … 𝟎 … 𝐴𝑛 ) = 0
Esta propiedad puede deducirse aplicando la propiedad 2:
det(𝐴1 … 𝟎 … 𝐴𝑛 ) = det(𝐴1 … 0𝐴𝑗 … 𝐴𝑛 ) = 0 det(𝐴1 … 𝐴𝑗 … 𝐴𝑛 ) = 0
22

Propiedad 6
Si A tiene dos columnas iguales, entonces su determinante es cero:
𝐴𝑖 = 𝐴𝑗 ⇒ det(𝐴) = 0
Esta propiedad puede deducirse de la propiedad 4 cuando se permutan las

columnas iguales.
Propiedad 7
Si 𝐴𝑗 = 𝑘 𝐴𝑖 (𝑘 ∈ ℝ), entonces el determinante es cero:
OM
det(𝐴1 𝐴2 … 𝐴𝑖 … 𝑘𝐴𝑖 … 𝐴𝑛 ) = 0
Dejamos la demostración a cargo del lector.
Propiedad 8
.C
Si a una columna se le suma un múltiplo de otra, el determinante no varía.
La demostración se basa en algunas de las propiedades anteriores:

DD
det(𝐴1 𝐴2 … 𝐴𝑖 … 𝑨𝒋 + 𝒌𝑨𝒊 … 𝐴𝑛 ) =
= det(𝐴1 𝐴2 … 𝐴𝑖 … 𝐀 𝐣 … 𝐴𝑛 ) + det(𝐴
⏟ 1 𝐴2 … 𝐴𝑖 … 𝒌𝑨𝒊 … 𝐴𝑛 ) = det(𝐴)
=0
La demostración se basa en las propiedades 3 y 7 enunciadas previamente.

LA
Propiedad 9
Si 𝐴 ∈ ℝ𝑛𝑥𝑛 y 𝑘 ∈ ℝ:
det(𝑘𝐴) = 𝑘 𝒏 det(𝐴)
FI
Proponemos al lector que demuestre esta propiedad, teniendo en cuenta la

propiedad 2.
Propiedad 10

El determinante de un producto de matrices cuadradas es igual al producto de

sus determinantes. Si 𝐴, 𝐵 ∈ ℝ𝑛×𝑛 , entonces:
det(𝐴𝐵) = det(𝐴) det(𝐵)
Observación importante: el determinante de la suma de matrices no es igual a la

suma de sus determinantes. Veamos un ejemplo:
1 2 1 −1
𝐴=( ) , 𝐵=( )
3 4 3 2
2 1
𝐴+𝐵 =( )
6 6
23

det(A) = −2 , det(B) = 5 pero det(𝐴 + 𝐵) = 6 ≠ −2 + 5
Entonces:
det(𝐴 + 𝐵) ≠ det(𝐴) + det(𝐵)
Propiedad 11
Si 𝑘 ∈ ℕ, teniendo en cuenta la propiedad anterior se deduce que:
det(𝐴𝑘 ) = det (𝐴
⏟𝐴 … 𝐴) = [det(𝐴)]𝑘
𝑘 𝑣𝑒𝑐𝑒𝑠
OM
det(𝐴𝑘 ) = [det(𝐴)]𝑘 , 𝑘 ∈ ℕ
Ejemplo
Sea la matriz
1 2 3
𝐴 = (2 3 −1)
.C
Calcular el determinante de 𝐴100
2 4 6
DD
Resolución
Obtener 𝐴100 resulta complicado por la cantidad de cálculos que implica.

Podemos usar la propiedad 11 para simplificar los cálculos:
det(𝐴100 ) = [det(𝐴)]100
LA
Y como 𝐹3 = 2𝐹1 , de la propiedad 7 se deduce que det(𝐴) = 0 .
Luego:
det(𝐴100 ) = 0
FI
Ejemplo
Calculemos el determinante de la matriz

−3 2 2 −3
2 0 2 2
𝐴=( )
1 −1 −1 1
1 0 1 1
Como 𝐴1 = 𝐴4 podemos afirmar que det(𝐴) = 0 (propiedad 6).
Ejemplo
1 −2 −1 −1
2 3 −2 5
Calculemos el determinante de la matriz 𝐴=( )
0 1 −3 1
1 1 0 2
Si tenemos en cuenta que 𝐴4 = 𝐴1 + 𝐴2 , aplicando propiedades podemos afirmar

que det(𝐴) = 0 . ¿Por qué?
24

Ejemplo
3
Sea 𝐴 ∈ ℝ3×3 y det(𝐴) = 2, calcular det ( 𝐴3 )
2
Resolución
3 3 3 𝟑 27 27 3
det ( 𝐴 ) = ( ) det(𝐴3 ) = [det(𝐴)]3 = . 2 = 27
2 2 8 8
Donde usamos las propiedades 9 y 11.
Ejemplo
OM
Queremos calcular el determinante de la siguiente matriz de 4 × 4:
1 2 3 4
1 1 0 1
𝐴=( )
2 1 3 −1
3 1 3 0
.C
Aplicamos la propiedad 8 para obtener ceros en la primera columna:
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 1 0 1 0 −1 −3 −3 0 −1 −3 −3 0 −1 −3 −3
| |=⏟| |=
⏟| |=
⏟ | |
2 1 3 −1 (1) 2 1 3 −1 (2) 0 −3 −3 −9 (3) 0 −3 −3 −9
DD
3 1 3 0 3 1 3 0 3 1 3 0 0 −5 −6 −12
Donde hemos realizado:
(1): 𝐹2 → 𝐹2 − 𝐹1
LA
(2): 𝐹3 → 𝐹3 − 2𝐹1
(3): 𝐹4 → 𝐹4 − 3𝐹1
Ahora podemos desarrollar el determinante por la primera columna:

FI
−1 −3 −3 1 3 3 1 3 3
⏟ (−1)3 |3 3 9 | =
det(𝐴) = |−3 −3 −9 | = ⏟ − |0 −6 0 | = −18
−5 −6 −12 (4) 5 6 12 (5) 0 −9 −3

(4): 𝑃𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑 9 𝑑𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒𝑠
(5): 𝐹2 → 𝐹2 − 3𝐹1 y 𝐹3 → 𝐹3 − 5𝐹1
Observemos que la aplicación de la propiedad 8 nos permitió reducir el cálculo

de un determinante de 4 × 4 a uno de 3 × 3.
EPL 5
Sea 𝐴 ∈ ℝ3×3, 𝐴 = (𝐴1 𝐴2 𝐴3)
Demostrar la siguiente propiedad:
Si 𝐴3 = 𝛼1 𝐴1 + 𝛼2 𝐴2 , 𝛼1 , 𝛼2 ∈ ℝ entonces el determinante de 𝐴 es cero.
25

El determinante de la inversa
Recordemos que una matriz 𝐴 ∈ ℝ𝑛𝑥𝑛 es inversible si existe 𝐵 ∈ ℝ𝑛𝑥𝑛 tal que 𝐴𝐵 = 𝐼 .
Si 𝐴 es inversible, su inversa se indica como 𝐴−1 y se verifica que:
𝐴 𝐴−1 = 𝐼
Aplicando determinantes, resulta:
det(𝐴 𝐴−1 ) = det(𝐼) = 1
OM
Como el determinante es distributivo respecto del producto:
det(𝐴) det(𝐴−1 ) = 1
Entonces:
1
det(𝐴−1) = ( det(𝐴) ≠ 0 )
.C
det(𝐴)
Para que esta fórmula sea válida, el determinante de A debe ser distinto de cero.
Por lo tanto, el determinante permite decidir si una matriz tiene inversa:
DD
𝑨 ∈ ℝ𝒏𝒙𝒏 𝒆𝒔 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆 ⟺ 𝐝𝐞𝐭(𝑨) ≠ 𝟎
3 1
Por ejemplo 𝑀 = ( ) es inversible porque det(𝑀) ≠ 0 .
0 1
LA
3 1
En cambio 𝐴=( ) no es inversible porque det(𝐴) = 0 .
−3 −1
Observación:
Las matrices inversibles también se llaman regulares.

FI
Las matrices no inversibles también se denominan singulares.
Ejemplo
Sea 𝐴 = (𝐴1 𝐴2 𝐴3 ) ∈ ℝ3×3 , det(𝐴) = 𝑘 ≠ 0

𝐵 = (𝐴
⏟2 𝐴1 + 3𝐴3
⏟ 𝐴
⏟1 − 𝐴2 )
𝐵1 𝐵2 𝐵3
Mostrar que 𝐵 es inversible y calcular det(−2𝐴𝑡 𝐵−1)
Resolución
𝐵 𝑒𝑠 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑏𝑙𝑒 ⇔ det(𝐵) ≠ 0
det(B) = det(𝐴2 𝐴1 + 3𝐴3 𝐴1 − 𝐴2 )
Usando la propiedad 3:
26

det(𝐴2 𝐴1 𝐴1 ) + det(𝐴2 3𝐴3 𝐴1 ) + det(𝐴

=⏟ ⏟ 2 𝐴1 − 𝐴2 ) + det(𝐴
⏟ 2 3𝐴3 − 𝐴2 )
=0 𝑝𝑜𝑟 𝑝𝑟𝑜𝑝.6 =0 𝑝𝑜𝑟 𝑝𝑟𝑜𝑝.7 =0 𝑝𝑜𝑟 𝑝𝑟𝑜𝑝.7
Luego utilizando propiedades 2 y 4:
det(B) = det(𝐴2 3𝐴3 𝐴1 ) = 3. det(𝐴2 𝐴3 𝐴1 ) = 3. (−1). det(𝐴1 𝐴3 𝐴2 )

= 3. (−1)2 . det(𝐴1 𝐴2 𝐴3 ) = 3𝑘
Cómo 𝑘 ≠ 0, 𝐵 es inversible y su determinante es:
1 1
det(𝐵−1) = =
det(𝐵) 3𝑘
OM
Luego:
1
det(−2𝐴𝑡 𝐵−1 ) = (−2)3 det(𝐴𝑡 ) det(𝐵−1 ) = −8.3𝑘. = −8
3𝑘
EPL 6
.C
Utilizar wxMaxima para calcular el determinante, en función de 𝑘, de la siguiente
matriz:
DD
1 3 1 3
2 3 4 5
𝐴=( )
3 2 𝑘 2
4 𝑘 6 5
LA
Determinar los valores de 𝑘 para los cuales la matriz es inversible.
Sugerencia: para resolver este ejercicio pueden ser útiles los comandos para
calcular el determinante, simplificar una expresión algebraica y hallar las raíces de
un polinomio que se explican en el tutorial de wxMaxima.
FI
Matriz Adjunta
Dada una matriz 𝐴 ∈ ℝ𝑛𝑥𝑛 , se denomina matriz de cofactores de 𝐴 a la matriz que
se obtiene reemplazando cada elemento de 𝐴 por su respectivo cofactor.

Por ejemplo para una matriz de 3 × 3, su matriz de cofactores es:
𝐶11 𝐶12 𝐶13

𝐶𝑜𝑓(𝐴) = (𝐶21 𝐶22 𝐶23 )
𝐶31 𝐶32 𝐶33
La traspuesta de la matriz de cofactores se denomina adjunta de 𝑨 y se indica

como 𝑨𝒅𝒋(𝑨):
𝐶11 𝐶21 𝐶31

𝑡
𝐴𝑑𝑗(𝐴) = (𝐶𝑜𝑓(𝐴)) = (𝐶12 𝐶22 𝐶32 )
𝐶13 𝐶23 𝐶33
27

Ejemplo
1 2 3
Dada 𝐴 = (4 5 6) , calculemos sus cofactores para obtener la matriz adjunta:
7 8 0
5 6 4 6 4 5
𝐶11 = (−1)1+1 | | = −48 𝐶12 = (−1)1+2 | | = 42 𝐶13 = (−1)1+3 | | = −3
8 0 7 0 7 8
2 3 1 3 1 2
𝐶21 = (−1)2+1 | | = 24 𝐶22 = (−1)2+2 | | = −21 𝐶23 = (−1)2+3 | |=6
8 0 7 0 7 8
2 3 1 3 1 2
𝐶31 = (−1)3+1 | | = −3 𝐶32 = (−1)3+2 | |=6 𝐶33 = (−1)3+3 | | = −3
5 6 4 6 4 5
OM
1 𝑠𝑖 𝑖 + 𝑗 𝑒𝑠 𝑝𝑎𝑟
Observación: Recordemos que (−1)𝑖+𝑗 = {
−1 𝑠𝑖 𝑖 + 𝑗 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟
Esto facilita el cálculo de los cofactores, ya que (−1)𝑖+𝑗 indica un signo + o − de
.C
acuerdo con la posición de cada elemento 𝑎𝑖𝑗 .
Entonces la matriz de los cofactores es:

DD
−48 42 −3
𝐶𝑜𝑓(𝐴) = ( 24 −21 6 )
−3 6 −3
Trasponemos para obtener la adjunta:
−48 24 −3
LA
𝐴𝑑𝑗(𝐴) = ( 42 −21 6 )
−3 6 −3
Si 𝐴 es inversible, veremos que su adjunta proporciona un método para obtener la

inversa.
FI
Obtención de la inversa a través de la

adjunta

Habíamos visto que el determinante permite decidir si una matriz es inversible.
El lector puede comprobar para la matriz del ejemplo anterior que:
det(𝐴) = 27 ⟹ 𝐴 𝑒𝑠 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑏𝑙𝑒
Calculemos el producto de la matriz 𝐴 con su adjunta:
1 2 3 −48 24 −3 27 0 0
𝐴 𝐴𝑑𝑗(𝐴) = (4 5 6) ( 42 −21 6 ) = ( 0 27 0 )
7 8 0 −3 6 −3 0 0 27
¿Y si lo calculamos invirtiendo el orden? En general el producto de matrices no es

conmutativo, pero en este caso:
28

−48 24 −3 1 2 3 27 0 0
𝐴𝑑𝑗(𝐴) 𝐴 = ( 42 −21 6 ) . (4 5 6) = ( 0 27 0 )
−3 6 −3 7 8 0 0 0 27
Se cumple que el producto de la matriz por su adjunta (en cualquier orden) da por
resultado una matriz escalar que tiene en su diagonal al determinante de la matriz
𝐴. Esto no es casual sino que se cumple para toda matriz cuadrada.
Si 𝐴 ∈ ℝ𝑛𝑥𝑛 , puede demostrarse que:
𝐴 𝐴𝑑𝑗(𝐴) = det(𝐴) 𝐼 ∧ 𝐴𝑑𝑗(𝐴) 𝐴 = det(𝐴) 𝐼
OM
De esta propiedad puede deducirse que:
1 1
𝐴( 𝐴𝑑𝑗(𝐴)) = 𝐼 ∧ ( 𝐴𝑑𝑗(𝐴)) 𝐴 = 𝐼
det(𝐴) det(𝐴)
Por lo tanto podemos afirmar que 𝒔𝒊 𝐝𝐞𝐭(𝑨) ≠ 𝟎 , la inversa de A es:
.C
Retomando el ejemplo anterior,
𝐴−1 =
1
det(𝐴)
𝐴𝑑𝑗(𝐴)
DD
16 8 1
−−
1 −48 24 −3 ‫ ۇ‬9 9 9‫ۊ‬
14 7 2
𝐴−1 = ( 42 −21 6 ) = ‫ۈ‬ − ‫ۋ‬
27 ‫ ۈ‬9 9 9 ‫ۋ‬
−3 6 −3
1 2 1
LA
‫ ۉ‬−9 9
− ‫ی‬
9
Caso particular: inversa de una matriz de 2x2

FI
𝑎 𝑏
Sea 𝐴 = ( )
𝑐 𝑑
Si 𝐝𝐞𝐭(𝑨) = 𝒂𝒅 − 𝒃𝒄 ≠ 𝟎 , podemos afirmar que A es inversible y calcular su inversa

mediante la matriz adjunta.

Dejamos a cargo del lector comprobar que la matriz adjunta es:
𝑑 −𝑏
𝐴𝑑𝑗(𝐴) = ( )
−𝑐 𝑎
Y por lo tanto, resulta:
1 𝑑 −𝑏
𝐴−1 = ( )
𝑎𝑑 − 𝑏𝑐 −𝑐 𝑎
1 2 1 4 −2 −2 1
Por ejemplo, para 𝐴 = ( ) , 𝑙𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑒𝑠 𝐴−1 = − ( ) = ( )
3 4 2 −3 1 3/2 −1/2
29

Matrices y sistemas de
ecuaciones lineales
En la primera unidad habíamos visto que una recta en ℝ3 puede definirse a través
de un sistema de 2 ecuaciones lineales con 3 incógnitas. Por ejemplo:
𝑥+𝑧 =1
𝑟: {
𝑥−𝑦−𝑧 =3
Este sistema puede expresarse de un modo sencillo como un producto de
OM
matrices, como sigue:
𝑥
1 0 1 1
( ) (𝑦) = ( )
1 −1 −1 𝑧 3
1 0 1
Donde 𝐴 = ( ) ∈ ℝ2×3 es la matriz de coeficientes del sistema.
1 −1 −1
.C
Generalizando, dado un sistema de 𝑚 ecuaciones lineales con 𝑛 incógnitas:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
DD
…
…
…
{𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
dicho sistema puede ser expresado mediante un producto de matrices:

LA
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 𝑏2
( ⋮ ⋮ ⋱ ⋮ ) ( ⋮ )=( ⋮ )
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚
FI
𝑎11 𝑎12 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑛 mxn
siendo 𝐴 = ( ⋮ ⋮ ⋱ ⋮ )∈ℝ la matriz de coeficientes del sistema,

𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛
𝑥1 𝑏1
𝑥2 nx1 𝑏2
𝑋=( ⋮ )∈ℝ la matriz columna de las incógnitas, y 𝐵 = ( ) ∈ ℝmx1 la
⋮
𝑥𝑛 𝑏𝑚
columna de los términos independientes.
Por lo tanto, la expresión matricial de un sistema de ecuaciones lineales es:
𝐴𝑋 = 𝐵
Si 𝐵 = 𝑂 , el sistema se llama homogéneo.
30

Repaso de SCD, SCI Y SI

Como habían estudiado en el Seminario de Ingreso, los sistemas de ecuaciones
lineales pueden tener una única solución (sistema compatible determinado),
infinitas soluciones (sistema compatible indeterminado), o bien pueden no admitir
solución (sistema incompatible).
Los sistemas homogéneos siempre son compatibles porque admiten al menos la

solución trivial 𝑋 = 𝑂 .
Sistemas de ecuaciones lineales y
OM
determinantes
Consideremos el caso particular de los “sistemas cuadrados” (𝑛 ecuaciones con 𝑛
incógnitas), cuya matriz de coeficientes es de 𝑛𝑥𝑛. Su expresión matricial es:
𝐴
⏟ . 𝑋
⏟ = 𝐵
⏟
.C 𝑛×𝑛 𝑛×1 𝑛×1
Si det(𝐴) ≠ 0, 𝐴 es inversible. Multiplicando ambos miembros por 𝐴−1 se obtiene:

DD
𝐴−1 𝐴 𝑋 = 𝐴−1 𝐵
⇒ 𝑋 = 𝐴−1 𝐵
Como la inversa de una matriz es única, entonces el sistema tiene una única
solución 𝑋 = 𝐴−1𝐵.
LA
En conclusión, dado un sistema de ecuaciones lineales 𝐴𝑋 = 𝐵, con 𝐴 ∈ ℝ𝑛×𝑛 :
det(𝐴) ≠ 0 ⟹ 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜
Ejemplo
FI
Exprese el siguiente sistema de ecuaciones lineales como una ecuación matricial

de la forma 𝐴𝑋 = 𝐵:
−𝑥1 + 2𝑥3 = 1

{ 𝑥1 − 𝑥2 = −2
𝑥2 + 𝑥3 = −1
Resolución
El sistema lo podemos expresar como:
−1 0 2 𝑥1 1
( 1 −1 0) (𝑥2 ) = (−2)
0 1 1 𝑥3 −1
Calculemos el determinante de 𝐴 por la fila 3:
0 2 −1 2 −1 0
det(𝐴) = 0. (−1)3+1 | | + 1. (−1)3+2 | | + 1. (−1)3+3 | |= 2+1 = 3
−1 0 1 0 1 −1
31

Como el determinante de 𝐴 es distinto de 0, podemos hallar 𝐴−1:
1 2 2
−
1 −1 −1 1 𝑇 1 −1 2 2 ‫ ۇ‬3 3 3‫ۊ‬
1 1 2
𝐴−1 = ( 2 −1 1) = (−1 −1 2) = ‫ۈ‬− − ‫ۋ‬
det(𝐴) 3 ‫ ۈ‬3 3 3‫ۋ‬
2 2 1 1 1 1
1 1 1
‫ ۉ‬3 3 3‫ی‬
Como vimos previamente, la solución será:
𝑋 = 𝐴−1 𝐵
OM
1 2 2 7
− −
‫ ۇ‬3 3 3‫ ۊ‬1 ‫ ۇ‬3‫ۊ‬
1 1 2 1
𝑋 = ‫ۈ‬− − ‫( ۋ‬−2) = ‫ۈ‬− ‫ۋ‬
‫ ۈ‬3 3 3‫ۋ‬ ‫ ۈ‬3‫ۋ‬
1 1 1 −1 2
‫ ۉ‬3 ‫ی‬ ‫ۉ‬ − ‫ی‬
3 3 3
Ejemplo
.C
Consideremos el siguiente sistema:
DD
𝑥 + 2𝑦 − 𝑧 = 1
{−𝑥 + 𝑦 + 2𝑧 = 3
𝑥 + 5𝑦 = 5
¿Qué representa geométricamente cada ecuación? Un plano.

LA
¿Qué representa geométricamente la solución del sistema de ecuaciones? La

intersección entre tres planos.
¿Cómo puede ser la intersección entre dos planos? Y entonces, ¿cómo es

esperable que sea la intersección entre tres planos?
FI
1 2 −1 𝑥 1
(−1 1 2 ) (𝑦) = (3)
1 5 0 𝑧 5
Como det(𝐴) = 0 , no podemos resolver el sistema mediante la matriz inversa. El

sistema no es compatible determinado. Pero…. ¿podemos afirmar que no tiene

solución?
Podría ocurrir que el sistema tuviera infinitas soluciones o que fuera incompatible.
Para analizar esas alternativas utilizaremos el método de eliminación de Gauss.
Recordemos que las operaciones elementales entre filas son:
 Multiplicar una fila por un número diferente de cero

 Permutar filas
 Sumarle a una fila un múltiplo de otra
32

Estas operaciones transforman un sistema en otro equivalente que tiene el mismo

conjunto solución:
1 2 −1 𝟏 1 2 −1 𝟏
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
(−1 1 2 𝟑) 𝐹 3 → 𝐹3 − 𝐹1 (−1 1 2 𝟑)
1 5 0 𝟓 0 3 1 𝟒
1 2 −1 𝟏 1 2 −1 𝟏
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝐹 2 → 𝐹 2 + 𝐹 1 (0 3 1 𝟒 ) ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝐹 3 → 𝐹 3 − 𝐹 (
2 0 3 1 𝟒)
0 3 1 𝟒 0 0 0 𝟎
Entonces un sistema de ecuaciones equivalente (tiene el mismo conjunto solución)
OM
y simplificado es:
𝑥 + 2𝑦 − 𝑧 = 1 𝑥 = 1 + 𝑧 − 2𝑦 𝑥 = 1 + 4 − 3𝑦 − 2𝑦 = 5 − 5𝑦
{ ⇒{ ⇒{
3𝑦 + 𝑧 = 4 𝑧 = 4 − 3𝑦 𝑧 = 4 − 3𝑦
𝑥 = 5 − 5𝑦
⇒{
𝑧 = 4 − 3𝑦
.C
Entonces la solución es:
𝑆 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 | 𝑥 = 5 − 5𝑦 , 𝑧 = 4 − 3𝑦} = {(5 − 5𝑦, 𝑦, 4 − 3𝑦) ∈ ℝ3 | 𝑦 ∈ ℝ}

DD
(5 − 5𝑦, 𝑦, 4 − 3𝑦) = (5,0,4) + (−5𝑦, 𝑦, −3𝑦) = (5,0,4) + 𝑦(−5,1, −3)
Si llamamos 𝑦 = 𝜆 , resulta:
(𝑥, 𝑦, 𝑧) = (−5,0,4 ) + 𝜆(−5,1, −3) , 𝜆 ∈ ℝ

LA
Como el conjunto solución es una recta, podemos concluir que los tres planos
pasan por la misma recta, o sea pertenecen al mismo haz de planos.
Ejemplo
FI
Dado un sistema tal que det(𝐴) = 0 , ¿podemos afirmar que admite infinitas
soluciones?
Veamos el siguiente ejemplo en el cual la matriz de los coeficientes es la misma

que en el ejemplo anterior:
𝑥 + 2𝑦 − 𝑧 = 1
{−𝑥 + 𝑦 + 2𝑧 = 3
𝑥 + 5𝑦 = 0
Resolvamos con el método de Gauss:
1 2 −1 𝟏 1 2 −1 𝟏
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
(−1 1 2 𝟑) 𝐹 3 → 𝐹 3 − 𝐹 1 (−1 1 2 𝟑)
1 5 0 𝟎 0 3 1 −𝟏
1 2 −1 𝟏 1 2 −1 𝟏
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝐹2 → 𝐹2 + 𝐹1 (0 3 1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝟒)𝐹 3 → 𝐹3 − 𝐹2 (0 3 1 𝟒)
0 3 1 −𝟏 0 0 0 −𝟓
33

La lectura de la tercera fila implica que 0 = −5. Este absurdo significa que el
sistema de ecuaciones no tiene solución.
En los ejemplos anteriores observamos que si el determinante de la matriz de

coeficientes es igual a cero, el sistema puede ser compatible indeterminado o
incompatible.
Caso particular: Sistemas cuadrados homogéneos

Recordemos que todo sistema homogéneo es compatible porque admite al
menos la solución trivial 𝑋 = 𝑂 . En este caso, el determinante permite clasificar el
OM
sistema.
Dado un sistema homogéneo 𝐴𝑋 = 𝑂 , 𝑐𝑜𝑛 𝐴 ∈ ℝ𝑛𝑥𝑛, puede afirmarse que:
det(𝐴) ≠ 0 ⇒ 𝑆𝐶𝐷
det(𝐴) = 0 ⇒ 𝑆𝐶𝐼
.C
Resumen: Clasificación de un sistema 𝑛 × 𝑛 por
determinantes.
Dado un sistema de ecuaciones lineales 𝐴𝑋 = 𝐵 , con 𝐴 ∈ ℝ𝑛×𝑛 :
DD
det(𝐴) ≠ 0 𝑆𝐶𝐷
LA
𝐵≠0 𝑆𝐶𝐼
det(𝐴) = 0
FI
𝑆𝐼

Si el sistema de ecuaciones lineales es homogéneo:
det(𝐴) ≠ 0 𝑆𝐶𝐷
𝐵=0
det(𝐴) = 0 𝑆𝐶𝐼
34

Ejemplo
1 1 0 2
Dadas 𝐴 = (0 2 3𝑘 ) 𝑦 𝐵 = (2) , hallar todos los valores de k para los cuales:
3 𝑘 −3 4
a) el sistema 𝐴𝑋 = 𝑂 admite infinitas soluciones;
b) el sistema 𝐴𝑋 = 𝐵 admite infinitas soluciones.
OM
Resolución
a) Como el sistema es homogéneo, det(𝐴) = 0 ⟹ 𝑆𝐶𝐼
det(𝐴) = −3𝑘 2 + 9𝑘 − 6 = 0 ⟺ 𝑘 = 1 ∨ 𝑘 = 2
Por lo tanto, el sistema admite infinitas soluciones para 𝑘 = 1 ∨ 𝑘 = 2.
.C
b) En este caso el sistema no es homogéneo, por lo tanto el determinante no
permite decidir si el sistema es compatible indeterminado. Les proponemos que
DD
resuelvan el sistema y respondan la pregunta.
EPL 7
2𝑦 + 3𝑘𝑧 − 2 = 0
Sean el plano 𝜋: 𝑥 + 𝑦 − 2 = 0 y la recta 𝑟 ∶ {
3𝑥 + 𝑘𝑦 − 3𝑧 − 4 = 0
LA
Obtener los valores de k para los cuales:
a) la recta corta al plano en un único punto;
b) la recta no interseca al plano;

FI
c) la recta está incluida en el plano.
Sugerencia: Este ejercicio puede responderse sin hacer cálculos, teniendo en

cuenta los resultados del ejemplo anterior

35

AGA Virtual - Unidad 2

Cargado por

Copyright:

Formatos disponibles

AGA Virtual - Unidad 2

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

AGA Virtual - Unidad 2

Cargado por

Copyright:

Formatos disponibles

ÁLGEBRA Y

AGA Virtual Segundo cuatrimestre 2016 Unidad 1

Este archivo fue descargado de https://filadd.com

Se indican con paréntesis o con corchetes:

En este caso, diremos que el tamaño u orden de A es 2x3.

𝐹 = (2 0 1) 𝑚𝑎𝑡𝑟𝑖𝑧 𝑜 𝑣𝑒𝑐𝑡𝑜𝑟 𝑓𝑖𝑙𝑎 , 𝐹 ∈ ℝ1×3

Este archivo fue descargado de https://filadd.com

𝐴, 𝐵 ∈ ℝ𝑚𝑥𝑛 𝐴 = 𝐵 ⇔ 𝑎𝑖𝑗 = 𝑏𝑖𝑗 ∀𝑖, 𝑗

𝐴 + 𝐵 = 𝐶 ∈ ℝ𝑚×𝑛 | 𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 ∀𝑖, 𝑗

Entonces la suma es:

Producto de un escalar por una matriz

𝑘𝐴 = 𝐵 ∈ ℝ𝑚×𝑛 | 𝑏𝑖𝑗 = 𝑘𝑎𝑖𝑗 ∀𝑖, 𝑗

Cuando 𝑘 = −1, obtenemos la matriz opuesta de A:

Este archivo fue descargado de https://filadd.com

Podríamos plantear el sistema escribiendo las matrices como

Pero quedarían 8 ecuaciones con 8 incógnitas.

resolver sistemas de ecuaciones lineales. Si sumamos miembro a miembro las

Sugerimos al lector que verifique los resultados obtenidos reemplazando en [2].

Propiedades de la suma de matrices y del producto por

Vimos que: 𝐴 + 𝐵 ∈ ℝ𝑚𝑥𝑛 y 𝛼𝐴 ∈ ℝ𝑚𝑥𝑛 . Estas operaciones verifican las siguientes

Este archivo fue descargado de https://filadd.com

Puede observarse la analogía entre estas propiedades y las que habíamos

Observemos la similitud con el producto escalar de vectores.

Sean 𝐴 ∈ ℝ𝑚×𝑛 y 𝐵 ∈ ℝ𝑛×𝑝 , o sea se cumple que la cantidad de columnas de la

𝐴𝑚×𝑛 . 𝐵𝑛×𝑝 = 𝐶𝑚×𝑝

Deben ser iguales para que

𝐴𝐵 = 𝐶 ∈ ℝ𝑚×𝑝 | 𝑐𝑖𝑗 = 𝑓𝑖𝑙𝑎 𝑖 (𝐴) ⋅ 𝑐𝑜𝑙𝑢𝑚𝑎 𝑗 (𝐵)

Este archivo fue descargado de https://filadd.com

Una forma alternativa de expresar el producto es:

1.1 + 2.1 + 3.2 1.1 + 2. (−1) + 3.0 1.2 + 2.0 + 3.3 9 −1 11

No se puede calcular 𝐵𝐴 porque el número de columnas de 𝐵 no coincide con el

O sea que el producto de matrices no es conmutativo.

Propiedades del producto

1) (𝐴𝐵)𝐶 = 𝐴(𝐵𝐶) 𝑎𝑠𝑜𝑐𝑖𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑

Este archivo fue descargado de https://filadd.com

𝑃(𝑄 + 𝑅) = 𝑃𝑄 + 𝑃𝑅 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑎 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑎

3) (𝑘𝐴)𝐵 = 𝑘(𝐴𝐵) = 𝐴(𝑘𝐵) , 𝑘 ∈ ℝ

4) 𝑂𝐴 = 𝑂 𝑦 𝐴𝑂 = 𝑂 , siendo 𝑂 la matriz nula

Analizar la validez de cada una de las siguientes proposiciones:

Precio de venta, beneficio, costo, comisión por producto [AGOSTO 2013]

LED 32' BA455 LED BX567 Smartphone Tablet 10' Notebook

Costo $ 3.200,00 $ 4.500,00 $ 2.500,00 $ 4.800,00 $ 5.600,00

Comisión $ 200,00 $ 250,00 $ 30,00 $ 40,00 $ 120,00

Beneficio $ 700,00 $ 900,00 $ 200,00 $ 340,00 $ 800,00

Precio de venta $ 4.100,00 $ 5.650,00 $ 2.730,00 $ 5.180,00 $ 6.520,00

Unidades vendidas de cada producto por sucursal [AGOSTO 2013]

Este archivo fue descargado de https://filadd.com

Si 𝐴 y 𝐵 son las matrices correspondientes a estas tablas:

a) Calcular e interpretar el producto 𝐴𝐵. ¿Cuál es la sucursal que obtuvo la

b) ¿Se puede calcular 𝐵𝐴? ¿Tiene interpretación práctica 𝐵𝐴?

Nota: hacer el producto de matrices de órdenes grandes puede implicar

Traspuesta de una matriz

a) Calculamos 𝐴𝐵 y luego trasponemos:

Este archivo fue descargado de https://filadd.com

b) Trasponemos y luego hacemos el producto:

Como no coinciden el número de columnas de 𝐴𝑡 con el número de filas de 𝐵𝑡 , no

Propiedad: La matriz identidad es el elemento neutro para el producto de matrices

Lo mostramos para matrices 2 × 2:

Este archivo fue descargado de https://filadd.com

Como llegamos a una contradicción, la matriz 𝐴 no es inversible.