fsfsdfsd

fsfsdfsd
fsfsdfsd

fsfsdfsd
fsfsdfsd

ALGEBRA II
f Matrices

fsfsdfsd
fsfsdfsd
fsfsdfsd
fsfsdfsd
fsfsdfsd

f Material de Estudio para Primer Parcial

f FCYT-UMSS

La SanSi Centro de Enseñanza

1 MATRICES

ALGEBRA MATRICIAL
Por: Tito Omonte Cabrera

Estos apuntes en su primera parte, fueron elaborados exclusivamente para consulta del estudian-
te, con respecto a algunos conceptos preliminares y la notación básica propia de Algebra Lineal.
Un formulario bastante practico que contiene todas las herramientas necesarias para afrontar ejer-
cicios correspondientes al contenido de primer parcial esta adjunto al final de estos apuntes.
1. Matrices
En la actualidad, las matrices son herramientas de extensa y basta aplicación, principalmente
en el área de la ingenierı́a y economı́a.

Por ejemplo su uso es necesario para la programación lineal, en particular si hablamos de darle
solución a un sistema de m ecuaciones con n incognitas; este hecho sin duda requiere el uso de
matrices de grandes dimensiones. En economı́a por ejemplo, su uso es frecuente, no obstante la
manipulación de estos es computacional casi por completo debido a la cantidad de datos y variables
que se maneja.

Definición 1. Una matriz A de tamaño m × n es un tablero o arreglo rectangular de elementos

aij , de m filas y n columnas de la forma:

 
a11 a12 ... a1n

 a21 a22 ... a2n 

A= .. .. .. .. 
 . . . . 
am1 am2 . . . amn

Note que m × n es la dimensión, tamaño u orden de la matriz A. Los elementos1 aij en la matriz
se llaman componentes o entradas de A.
La matriz anterior se denota también por A = (aij ), donde: i = 1, . . . , m y j = 1, . . . , n.

Las m n-plas horizontales:

a11 a12 . . . a1n , a21 a22 . . . a2n , · · · , am1 am2 . . . amn
son las filas de la matriz. En ocaciones será util ver a estos elementos como vectores fila de Rn
Y las n m-plas verticales:
     
a11 a12 a1n
 a21   a22   a2n 
     
 ..  ,  ..  , . . . ,  .. 
 .   .   . 
am1 am2 amn
Son las columnas de la matriz A. En ocaciones nos referiremos como vectores columna de Rm

Las matrices se denotaran usualmente por letras mayusculas A, B, . . . , y sus componentes por letras
minúsculas a, b, . . .

1
Los elementos que componen una matriz pueden ser reales (R) o bien complejos (C). En adelante usaremos solo
números reales mientras no se diga lo contrario

La SanSi Centro de Enseñanza

1 MATRICES

Dos matrices son A y B son iguales si y solamente si sus componentes correspondientes lo son.
En sı́mbolos
A = B ⇐⇒ aij = bij ∀i, ∀j
Nota 1. Las matrices cuyo número de filas es igual al número de columnas se denomina matriz
cuadrada. En particular si A es una matriz cuadrada de dimensión n × n simplificará su notación
por An o A ∈ Mn y se dira que es una matriz de orden n.

1.1. Operaciones
1.1.1. Suma o adición de Matrices
Sean A, B ∈ Mm×n (R) (M es el conjunto de todas las matrices de dimensión m × n, cuyas entradas
pertenecen al campo2 R), en adelante denotaremos a este conjunto simplemente por M.

Se define la operación de suma o adición de matrices como una operación binaria:

+ : M × M −→ M

tal que al par (A, B) perteneciente a M × M se le asocia otra matriz de M, de la forma

C = A + B y donde cij = aij + bij en el que la operación de suma en la última expresión es la
operación binaria correspondiente pero en el campo R.

Por ejemplo, la entrada c12 es igual a la suma de los elementos a12 y b12 lo cual es a12 + b12 .

Ejemplo 1. Sea A, B ∈ M3 (R)

       
3 3 2 −2 0 5 3−2 3+0 2+5 1 3 7
A + B = 1 0 −1 +  7 5 −2 = 1 + 7 0 + 5 −1 − 2 = 8 5 −3 = C
1 2 2 2 1 1 1+2 2+1 2+1 3 3 3

No necesariamente las matrices deben ser cuadradas; estas pueden ser rectangulares:
Ejemplo 2. Sean D, E ∈ M4×3 (R)

     
2 2 1 0 1 4 2 3 5
3 0 1 1 4 0 4 4 1
D+E =
2
+  =  =F
3 2 2 1 1 4 4 3
2 0 4 0 2 2 2 2 6
Dos matrices se pueden sumar solamente si ambas tienen el misma dimension o el mismo ta-
maño u orden. La diferencia de matrices está implı́cita en la suma de matrices y producto por escalar.
 
  2 2 1
3 3 2 3 0 1
Está claro que A + D = 1 0 −1 +  2 3 2 no está definido.

1 2 2
2 0 4
2
Se denomina campo o cuerpo a una estructura algebraica en el cual las operaciones de suma y producto cumplen
propiedades relativas a asociatividad, conmutatuvidad y distributividad

La SanSi Centro de Enseñanza

1 MATRICES

1.2. Propiedades
Sean A, B, C ∈ Mm×n , el campo asociado R entonces se cumplen las siguientes propiedades para
la operación binaria +.

* Asociatividad
(A + B) + C = A + (B + C)
* Conmutatividad
(A + B) = (B + A)
* Existencia del elemento neutro aditivo
Existe 0 ∈ Mm×n tal que
A+0 =0+A =A
* Existencia del inverso aditivo
Existe D ∈ Mm×n tal que
A+D =0
A la matriz D se le denota usualmente por −A.

1.3. Producto por un escalar

Sean A ∈ Mm×n y λ ∈ R. Se define la operación de producto por un escalar como una función:

(·) : R × M −→ Mm×n

tal que al par (λ, A) de R × M se le asocia una matriz B = λA y donde bij = λaij en donde el
producto es la operación binaria correspondiente pero en el campo R. Por ejemplo, la entrada b12
es igual al producto λa12 .

Veamos un ejemplo más explı́cito. Sea A ∈ M2×3 (R) y 2 ∈ R

     
1 8 −3 2(1) 2(8) 2(−3) 2 16 −6
λ·A=2· = = =B
4 −2 6 2(4) 2(−2) 2(6) 8 −4 12

También es inmediato observar que el producto por un escalar da como resultado una matriz del
mismo tamaño que la original. El producto por un escalar dependerá de la estructura algebraica en
la que las entradas están. En el caso de que estén en un campo serán dos distributividades (una
respecto de suma de matrices y otra respecto de suma en el campo), asociatividad y una propiedad
concerniente al producto por el elemento neutro multiplicativo del campo. A continuación se pre-
sentan las propiedades.

1.3.1. Propiedades
Sean A, B ∈ Mm×n (R) y λ, µ ∈ R, donde R es un campo, entonces se cumplen las siguientes
propiedades para la operación producto por un escalar.

* Asociatividad
(λµ)A = λ(µA)

* Distributividad respecto de la suma de matrices

λ(A + B) = λA + λB

La SanSi Centro de Enseñanza

1 MATRICES

* Distributividad respecto de la suma en el campo

(λ + µ)A = λA + µA

* Producto por el neutro multiplicativo del campo

1R · A = A

Por como se definió la operación de producto por escalares se dice que Mm×n (R) es cerrado bajo
producto por escalares. Con éstas propiedades y las de la adición se tiene que Mm×n (R) es un
espacio vectorial con las operaciones de suma y producto por escalares definidas antes.

Ahora, a partir de las propiedades básicas se puede demostrar inmediatamente que:

1. λ0 = 0.

2. 0R A = 0.

3. λA = 0 =⇒ λ = 0R o A = 0.

4. (−λ)A = λ(−A)

Este último resultado permite usar la notación −λA sin riesgo de ambigüedad.

1.4. Producto de Matrices

   
a11 · · · a1n b11 · · · b1p
 .. .. .. , B =  .. .. .. 
Sean: A =  . . .   . . . 
am1 · · · amn bn1 · · · bnp
Se
 define al producto
  de las matrices
 Ay B como sigue: 
a11 · · · a1n b11 · · · b1p a11 b11 + · · · + a1n bn1 · · · a11 b1p + · · · + a1n bnp
 .. . .. .   .
..   .. . .. .  
..  =  .. .. .. 
 . . . . 
am1 · · · amn bn1 · · · bnp am1 b11 + · · · + amn bn1 · · · am1 b1p + · · · + amn bnp
Es claro que el producto está definido solo si el número de columas de A es igual al número de filas
de B.

1.4.1. Propiedades
Sean A, B, C matrices, donde el producto esté bien definido.
* Clausura
A · B es también una matriz
Más aun, si A es de orden m×r, B una matriz de orden r×n, entonces A·B es de orden m×n

* Elemento neutro
Si A es una matriz cuadrada de tamaño m, entonces la matriz identidad Im es elemento neutro,
de manera que
Im · A = A · Im = A

*Propiedad asociativa
(AB)C = A(BC)

* Propiedad distributiva

Por la derecha: (A + B)C = AC + BC

La SanSi Centro de Enseñanza

1 MATRICES

Por la izquierda: C(A + B) = CA + CB

Nota 2. Debe resaltarse que en general no se cumple la conmutatividad de matrices.

Es decir AB 6= BA.
Ejemplo 3.  
  −2 0
3 3 2
Sean A = , B =  5 −2
1 0 2
2 1
Entonces:  
  −2 0    
3 3 2  (3)(−2) + (3)(5) + (2)(2) (3)(0) + (3)(−2) + (2)(1) 13 −4
AB = 5 −2 =  =
1 0 2 (1)(−2) + (0)(5) + (2)(2) (1)(0) + (0)(−2) + (2)(1) 2 2
2 1
Ejemplo 4.  
  2
1 3 2 −1  0
Sean C = ,D= 
2 1 0 2  1
−1
 
  2    
 0  = (1)(2) + (3)(0) + (2)(1) + (−1)(−1) = 5
1 3 2 −1  
⇒ CD =
2 1 0 2 1 (2)(2) + (1)(0) + (0)(1) + (2)(−1) 2
−1

Notese que:

2  
 0  1 3 2 −1
⇒ DC =  
  = No esta definida
1 2 1 0 2
−1
Concluyendo que CD 6= DC

Nota 3. En ocaciones es útil recurrir al producto interior o producto escalar entre vectores para
poder realizar el producto de matrices. Es decir si v1 = (a1 , a2 , · · · , an ) ∈ Rn y v2 = (b1 , b2 , · · · , bn ) ∈
Rn se define al producto interior entre v1 y v2 por:

v1 · v2 = a1 b1 + a2 b2 + · · · + an bn
Ejemplo 5. Sean v1 = (1, 2, −2, 0) ∈ R4 y v2 = (3, 2, 0, −3) ∈ R4

⇒ v1 · v2 = (1, 2, −2, 0) · (3, 2, 0, −3) = (1)(3) + (2)(2) + (−2)(0) + (0)(−3) = 7

 
2
3
por otro lado si (1, 3, 0) ∈ R , y −1 ∈ R3

1
 
2
el producto interior entre estos vectores será: (1, 3, 0) · −1 = (1)(2) + (3)(−1) + (0)(1) = −1
1
En consecuencia cuando multiplicamos matrices, en realidad hacemos producto interior entre
el vector fila de la primera matriz con el vector columna de la segunda matriz; esto hace que el
producto matricial sea más práctico y sencillo de entender.

La SanSi Centro de Enseñanza

2 TRANSPUESTA DE UNA MATRIZ

Ejemplo 6. Realicemos mentalmente el producto interior entre los vectores fila de la matriz A
con los vectores columna de la matriz B para el producto de matrices.
   
1 0 −2 1 1
Sean: A = 2 1 1 , B = −1 0
2 1 1 1 2
    
1 0 −2 1 1 −1 −3
⇒ AB = 2 1 1  −1 0 =  2 4
0 1 1 1 2 0 2

2. Transpuesta de una Matriz

Sea A una matriz de orden m × n definida por:
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
A= . .. .. 
 .. . ··· . 
am1 am2 . . . amn

La matriz transpuesta de A denotada por At , está dada por:

 
a11 a21 . . . am1
 a12 a22 . . . am2 
At =  .
 
.. .. 
 .. . ··· . 
a1n a2n . . . amn

Ejemplo 1. Sea A una matriz de orden 3 × 2, dada por:

 
2 −1
A = 4 3 
1 0
entonces At es una matriz de orden 2 × 3, la cual resulta de cambiar filas por columnas o viceversa:
 
t 2 4 1
A =
−1 3 0

2.1. Propiedades
1. Para toda matriz A:
(At )t = A

2. Sean A y B matrices del mismo orden de manera que la sumade matrices esté definido:

(A + B)t = At + B t

La SanSi Centro de Enseñanza

3 MATRICES CUADRADAS

3. Sea A una matriz, y k un escalar perteneciente a los reales:

(c A)t = c At

4. Si el producto de las matrices A y B está definido:

(AB)t = B t At

3. Matrices Cuadradas
Dada la matriz cuadrada de orden n definida por:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
A= . .. .. .. 
 .. . . . 
an1 an2 · · · ann

La traza de A, se define como:

tr(A) = a11 + a22 + · · · + ann

Propiedades de la traza de una matriz.

1. La traza es un operador lineal:

tr (A + B) = tr (A) + tr (B)
tr (k · A) = k [tr (A)], siendo A y B matrices cuadradas, y k un escalar.

2. La diagonal principal no se ve afectada al transponer la matriz

tr At = tr (A)

3. Si A, es una matriz n × m y B, una matriz m × n, entonces:

tr (AB) = tr (BA)

Ejemplo 2. Sea A una matriz 3 × 3 definida por:

 
2 −3 0
A = 5 3 −2
7 −3 3

Se tiene que: tr(A) = 2 + 3 + 3 = 8

Ademas  
2 5 7
At = −3 3 −3
0 −2 3

Luego tr(At ) = 2 + 3 + 3 = 8, por tanto tr(A) = tr(At )

La SanSi Centro de Enseñanza

3 MATRICES CUADRADAS

3.1. Matrices Especiales

Una matriz cuadrada de orden n se dice que es diagonal si es de la forma:
 
d11 0 0 ··· 0
 0 d22 0 · · · 0 
 
D= 0 0 d33 · · · 0 


 .. .. .. .. 
 . . . ··· . 
0 0 0 ··· dnn

Usualmente se denota a la matriz anterior, como D = diag(d11 , d22 , · · · , dnn ).

Ejemplo 3. Dada una matriz diagonal D de orden 4, definida por:
 
1 0 0 0
0 3 0 0
D= 0 0

2 0
0 0 0 5

Es posible denotar la matriz anterior como: D = diag(1, 3, 2, 5)

En particular se define una matriz muy importante para este curso, el cual tiene la siguiente
forma:  
1 0 0 ··· 0
0 1 0 · · · 0
 
In =  0 0 1 · · · 0 
 
 .. .. .. .. 
. . . · · · .
0 0 0 ··· 1
esta matriz es una matriz diagonal, el cual está compuesto solamente por unos en la diagonal.
Esta
matriz tiene el nombre de matriz identidad de orden n o tamaño n × n.

Una matriz cuadrada de orden n se dice que es Triangular Superior si es de la forma:

 
u11 u12 u13 · · · u1n
 0 u22 u23 · · · u2n 
 
U = 0 0 u33 · · · u3n 


 .. .. .. .. 
 . . . ··· . 
0 0 0 ··· unn

Análogamente, una matriz de la forma:

 
l11 0 0 ··· 0
 l21 l22 0 ··· 0 
 
L =  l31 l32 l33 ··· 0
 

 .. .. .. .. 
 . . . ··· . 
ln1 ln2 ln3 ··· lnn
se dice que es una matriz Triangular Inferior.
Ejemplo 4. Sean U , L matrices de orden 3.
 
1 4 2
U = 0 3 4
0 0 1

La SanSi Centro de Enseñanza

3 MATRICES CUADRADAS

U es una matriz triangular superior.

 
1 0 0
L = 2 8 0
4 9 7
L es una matriz triangular inferior.

3.2. Matriz Ortogonal

Sea A una matriz cuadrada de orden n, con entradas reales. Se dice que la matriz es ortogonal si:

A · At = At · A = I
Lo cual conduce a la siguiente conclusión:

At = A−1

Es decir que la traspuesta de la matriz A es igual a la inversa de la misma.

3.3. Matriz Simétrica

Una matriz cuadrada A es simétrica si coincide con su transpuesta, esto es si

A = At
Es antisimétrica si coincide con su negativa.

A = −At
Si los elementos de la matriz A son números complejos y su transpuesta coincide con su conjugada,
se dice que la matriz es hermı́tica.

At = Ā, A = Āt
y antihermı́tica si

At = −Ā, A = −Āt
Nota. Sea z = a + bi ∈ C (conjunto de numeros complejos), se define a la conjugada de z como
z = a − bi, el cual tambien pertenece a C

3.3.1. Descomposición de una matriz en una Simétrica y una Antisimétrica

Sea A una matriz cuadrada, A puede descomponerse como la suma de una matriz simétrica B y
una matriz antisimétrica C de la siguiente forma:

A=B+C

en donde B cumple B = B t , y C cumple C = −C t .

1 1
Realizando operaciones algebraicas entre matrices se obtiene: B = 2 A + At , C = 2 A − At

En consecuencia:
   
1 t

1 t


A= A+A + A−A
2 2

La SanSi Centro de Enseñanza

3 MATRICES CUADRADAS

3.4. Matriz Idempotente

Una matriz idempotente es una matriz la cual es igual a su cuadrado, es decir:

A es idempotente si A · A = A.
Si representamos el producto A · A por A2 , entonces A, es idempotente sólo si: A2 = A.

3.5. Matriz Nilpotente

Una matriz cuadrada N se dice que es nilpotente si existe k ∈ N tal que N k = 0 .

Nota. Si A es una matriz nilpotente entonces su determinante es cero.

3.6. Matriz Involutiva

Una matriz involutiva es una matriz cuadrada tal que su cuadrado es igual a la matriz unidad, es
decir:

A es involutiva si A · A = I

3.7. Matrices Invertibles

Una matriz cuadrada A de orden n se dice que es invertible, no singular, no degenerada o regular,
si existe otra matriz cuadrada de orden n, llamada matriz inversa de A y representada como A−1 ,
tal que:

AA−1 = A−1 A = In
donde In es la matriz identidad de orden n y el producto utilizado es el producto de matrices usual.

Una matriz no invertible se dice que es singular o degenerada. Una matriz es singular si y solo
si su determinante es cero.

Reciprocamente dada la matriz A de orden n. Si |A| = 0, se dice que A no es invertible o que A no

tiene inversa.

3.7.1. Propiedades de la matriz inversa

1. La inversa de una matriz, si existe, es única.

2. La inversa del producto de dos matrices es el producto de las inversas cambiando el orden:

(A · B)−1 = B −1 · A−1

3. Si la matriz es invertible, también lo es su transpuesta, y el inverso de su transpuesta es la

transpuesta de su inversa, es decir:

−1
t
At = A−1

4. La inversa de la inversa de una matriz A, es igual a A:

−1
A−1 =A

La SanSi Centro de Enseñanza

3 MATRICES CUADRADAS

5. Una matriz es invertible si y sólo si el determinante de A es distinto de cero. Además la inversa

satisface la igualdad:
1
A−1 =   Adj(At )
A
 
donde A es el determinante de A y Adj (A) es la matriz adjunta de A.
Nota. Si denotamos por Cof (A) a la matriz de cofactores de A, se tiene que Adj(A) =
Cof (A)t .

3.8. Escalonamiento de una matriz

Escalonar una matriz es una técnica muy util, no solo para poder encontrar la inversa de una matriz,
sino tambien sera util para resolver un sistema de ecuaciones lineales.
Es por este hecho que introduciremos el proceso de escalonamiento (reducción por filas) con 2
ejemplos.

Ejemplo 5. .
 
1 1 1 0
Escalonar la matriz A =  2 3 4 1 
−1 0 1 −1
En
 efecto:   
1 1 1 0   1 1 1 0
 2 3 4 1  F2 ←− −2F1 + F2 1 1 1 0 F3 ←− −F2 + F3 0 1 2 1 
0 1 2 1  .
−1 0 1 −1 F3 ←− 1F1 + F3 0 0 0 −2
| {z } 0 1 2 −1 | {z }
A U
.

 
1 2 1 2
−1 2 1 2
Ejemplo 6. Escalonar la matriz B = 
3

4 5 1
1 0 1 2
En efecto:
   
1 2 1 2   1 2 1 2
−1 2 1 1 2 1 2 F2 ←→ F4
2 F2 ←− F1 + F2 0 4
0 −2 0 0 

3 4 5 2 4 .  
1 F3 ←− −3F1 + F3  0 −2
 0 −2 2 −5
2 −5 .
1 0 1 2 F4 ←− −F1 + F4 0 4 2 4
| {z } 0 −2 0 0 | {z }
 B   C 
1 2 1 2   1 2 1 2
0 −2 0 1 2 1 2
0  F4 ←− −1F3 + F4 0 −2 0 0 
 F ←− −1F2 + F3 0 −2 0
 0  
0 −2 2 −5 3  . 0 0 2 −5
F4 ←− 2F2 + F4 0 0 2 −5
0 4 2 4 0 0 0 9
| {z } 0 0 2 4 | {z }
C U

3.9. Matriz Singular

Sea A una matriz cuadrada de orden n, se dirá que A es singular si su determinante es igual a
cero. Decir que A es una matriz singular es lo mismo que decir, A no tiene inversa.

La SanSi Centro de Enseñanza

4 SISTEMA DE ECUACIONES

 
a11 a12 a13
Ejemplo 7. Dada la matriz A = a21 a22 a23  de orden 3, es decir cuadrada de tamaño 3 × 3.
a31 a32 a33
 
a11 a12 a13 
 
Si a21 a22 a23  = 0, entonces se dirá que A es una Matriz Singular.
a31 a32 a33 

Otra definición equivalente es la siguiente:

Si A es una matriz cuadrada de orden n y al escalonar A por filas, se obtiene que rango(A) < n,
entonces A es singular, pues una o más filas serı́an combinación lineal de las otras y al escalonar se
reducirán a filas compuestas por elementos ceros.

4. Sistema de Ecuaciones
De manera general un sistema de ecuaciones lineales es de la forma:


 a11 x1 + a12 x2 + · · · + a1n xn = b1

 a21 x1 + a22 x2 + · · · + a2n xn = b2
.


 ··· + ··· + .. + = ···

am1 x1 + am2 x2 + · · · + amn xn = bm

El sistema anterior es equivalente a la representación matricial:

AX = b
  x   b 
a11 a12 · · · a1n 1 1
 a21 a22 · · · a2n   x 2
  b
 2

  . = . 
··· ··· ··· ···   ..   .. 
am1 am2 · · · amn xn bm
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
Donde A es la matriz asociada al sitema lineal, A = ··· ··· ··· ··· 


am1 am2 · · · amn

   
x1 b1
 x2   b2 
   
X es el vector de variables, X =  .  y b es el vector de entradas independientes, b =  . 
 ..   .. 
xn bm

Ejemplo 8. El siguiente sistema de ecuaciones lineales:


 2x + y − 2z = 1
−3x − y + 5z = 4

−2x + y + 3z = 6
Es equivalente a:     
2 1 −2 x 1
−3 −1 5  y  = 4
−2 1 3 z 6
 
2 1 −2
Donde: −3 −1 5  es la matriz asociada al sistema de ecuaciones lineales.
−2 1 3

La SanSi Centro de Enseñanza

5 FORMAS CUADRATICAS

5. Formas cuadraticas
Se dice que una matriz B es congruente a otra matriz A si existe una matriz no singular (invertible)
talque: B = P t AP .

Teorema 1. Sea A una Matriz real Simétrica. Entonces existe una matriz no singular P tal que
B = P t AP es diagonal.

Matriz definida Positiva

Se dice que una matriz real simétrica A es definida positiva si:

X t AX > 0

para todo vector no nulo X .

5.1. Representación Matricial de una Forma Cuadratica

Sea

Q(x1 , x2 , · · · , xn ) = a1 x21 + b1 x1 x2 + · · · + a2 x22 + · · · + an−1 x2n−1 + · · · b2 xn−1 xn + an x2n

una forma cuadratica.

Su representacion matricial está dada por:
 b1 bn   
a1 2 ··· 2 x1
 b1 b2   
t 2 a2 ··· 2   x2 
q(x1 , x2 , · · · , xn ) = X AX = (x1 , x2 , · · · , xn )  . .. ..   .. 
 .. . ··· .  . 
bn b2 xn
2 2 ··· an
 b1 bn  
a1 2 ··· 2 x1
 b1 a2 ··· b2   x2 
2 2   
Donde A es la matriz simétrica:  . .. ..  y X es el vector de variables:  .. 
 .. . ··· .   . 
bn b2 xn
2 2 ··· an
Se dice que A es la matriz asociada a la forma cuadratica Q.

Ejemplo 9. Se tiene la forma cuadrática: 4x2 + 2xy + 3y 2 = −2

Su forma matricial será:   

4 1 x
x y = −2
| {z } 1 3 y
XT
| {z } | {z }
A X

Ejemplo 10. Se tiene la forma cuadrática: x2 + 2xy + 3y 2 + yz + 5z 2 − 6xz = 6

Su forma matricial será:
  

1 1 −3 x
x y z 1 3 1/2 y  = 6
| {z } −3 1/2 5 z
XT | {z } | {z }
A X

La SanSi Centro de Enseñanza

6 DETERMINANTES

6. Determinantes
De orden 1.
|a11 | = a11
De orden 2.
 
 a a 
|A| =  11 12  = a11 a22 − a21 a12
a21 a22 

De orden 3.
 
 a11 a12 a13 
 
|A| =  a21 a22 a23 

 a31 a32 a33 

Hay varios métodos para calcular el determinante de una matriz. En particular para una de
orden 3 se tiene la regla de sarrus el cual se calcula por la siguiente regla:
 
 a11 a12 a13 
 
 a21 a22 a23 
 
|A| =:  a31 a32 a33  = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a31 a22 a13 − a11 a32 a23 − a21 a12 a33
 a11 a12 a13 
 
 a21 a22 a23 

Nota Sea A una matriz de orden n. Si realizamos operaciones elementales entre filas (columnas)3
sobre A y obtenemos una matriz B es claro que tambien de orden n, es decir A ∼ B, entonces
|A| = |B|.

Teorema 2. Supongamos que la matriz B se ha obtenido de la matriz A mediante operaciones

elementales entre filas (columnas).

1. Si se ha intercambiado dos filas (columnas) de la matriz A, |B| = −(1)|A|.

2. Si se ha multiplicado una fila (columna) de A por un escalar k, |B| = k|A|

3. Si se ha sumado un multiplo de una fila (columna) a otra. |B| = |A|

Algunos ejemplos en matrices de orden 3

 
a b+k c
Sea A = d e + k
 f  se tiene que :
g h+k i
     
 a b+k c   a b c   a k c 
     
|A| =  d e + k f  =  d e f  +  d k f 
 g h+k i   g h i   g k i 
 
a b c
Tambien, que si A = d e f  , entonces:
g h i
     
 a b c   a+b+c b c   a b a+b+c 
     
|A| =  d e f  =  d + e + f e f  =  d e d + e + f 

 g h i   g+h+i h i   g h g+h+i 
3
Es decir si A se reduce mediante operaciones fundamentales a una matriz B entonces Det(A) = Det(B)

La SanSi Centro de Enseñanza

6 DETERMINANTES


1 −1 1
Ejemplo 11. Calcular la determinante de A = 1 2 1
3 3 1
Metodo 1. Escalonamiento de Gauss
Solución:
1. Operaciones fundamentales por filas
     
 1 −1 1   1 −1 1   1 −1 1 
   
|A| =  1 2 1  =  0 3 0  =  0 3 0  = (1)(3)(−2) = −6

 3 3 1   0 6 −2   0 0 −2 

2. Operaciones fundamentales por columnas

     
 1 −1 1   1 0 1   1 0 0 
     
|A| =  1 2 1  =  1 3 1  =  1 3 0  = (1)(3)(−2) = −6

 3 3 1   3 6 1   3 6 −2 

Metodo 2. Reducción de orden.

Solución:   
 1 −1 1   1 −1 1     
 = (1)1+1 (1)  3 0
       3 0 
|A| =  1 2 1  =  0 3 0   6 −2
=
  6 −2
 = (−6 − 0) = −6

 3 3 1   0 6 −2 

Metodo 3. Cofactores.
Solución: Aplicaremos cofactores
 sobre la tercera fila de la matriz A
 1 −1 1       
 = (−1)3+1 3  −1 1  + (−1)3+2 3  1 1  + (−1)3+3 1  1 −1 
       
|A| =  1 2 1   2 1   1 1   1 2 
 3 3 1 
= 3(−1 − 2) − 3(1 − 1) + 1(2 + 1) = 3(−3) − 3(0) + 2 = −6

Metodo 4. Sarrus (solo para matrices de orden 3.)

Solución: 
 1 −1 1 
 
|A| =  1 2 1 
 3 3 1 
Para éste método debemos ampliar nuestra matriz ya sea en filas o columnas. En este caso lo haremos
en filas; es decir las dos primeras filas se repetirán en la cuarta y quinta fila, luego hacemos producto
cruzado,
 la diagonal
 usual con signo positivo y la antidiagonal con signo negativo como sigue:
 1 −1 1 
 
 1 2 1 
 
 3 3 1  = [(1)(2)(1) + (1)(3)(1) + (3)(−1)(1)] − [(3)(2)(1) + (1)(3)(1) + (1)(−1)(1)]
 
 1 −1 1 
 
 1 2 1 
= (2 + 3 − 3) − (6 + 3 − 1) = 2 − 8 = −6 ⇒ |A| = −6
Notese tambien, que podemos separar la determinate de A como sigue:
     
 1 −1 1   0 −1 1   1 −1 1 
     
|A| =  1 2 1  =  0 2 1  +  1 2 1 
 3 3 1   1 3 1   2 3 1 

Por otro lado: podemos sumar todas las columas(filas) sobre una de las columnas(filas)
       
 1 −1 1   1 −1 1   1 1 1   1 −1 1 

|A| =  1 2 1  =  4 2 1  =  1 4 1  =  1 2 4 
 3 3 1   7 3 1   3 7 1   3 3 7 

La SanSi Centro de Enseñanza