Matrices

Miguel Ángel Muñoz

Semana 1
2019
 1

Uno de los conceptos fundamentales del álgebra lineal, es el concepto de matriz. Este con-
cepto nos permitirá resolver una variedad de problemas teóricos y modelar un conjunto de
aplicaciones dentro de las cuales se destacan aquellos que se resuelven via sistemas de ecua-
ciones.
Definición 1.1
Una matriz es un arreglo bidimensional conformado por n-filas y m-columnas, es decir,
un arreglo del tipo:
 
a11 a12 ..... a1m
 a21 a22 ..... a2m 
 
 :
A = [aij ]n×m =  : : : 

 : : : : 
an1 an2 ..... anm

Donde:
? i : es el contador de filas.
? j : es el contador de columnas.
? aij : se denomina la entrada de la posición ij o coeficiente ij.
? n : indica el número de filas.
? m : indica el número de columnas.

Observación.

a Si A es una matriz conformada por n-filas y m-columnas, entonces se denotará como

A ∈ Mn×m .

b Si A es una matriz de n-filas y n-columnas se dirá que es una matriz cuadrada de orden
00 00
n y se denotará como A ∈ Mn .

Ejemplo. 1.0.1

Observe que:
   
1 2 1 0
a A= ∈ M2
2 0 b B =  2 0  ∈ M3×2
0 1
 2

Ejemplo. 1.0.2
   
1 2 1 2 1 3 1
Considere las matrices A =  2 0 −1  y B =  2 0 1 1 
4 1 3 1 4 2 −1
Entonces:

a M = a12 b14 + a31 b21 − b32 = (2)(1) + (4)(2) − (1) = 9.

b M = (a33 − b34 )2 + (a13 − b23 )2 = (3 − (−1))2 + (1 − 1)2 = 16

Definición 1.2
Sea A = [aij ] ∈ Mn×m . Se define la matriz traspuesta de A por:

At = [bij ]Mm×n
donde:

bij = aji
Observe que la matriz traspuesta de A, se obtiene al intercambiar filas por columnas.

Ejemplo. 1.0.3

Considere las Matrices:

 
 1  0
  1 2
1 2 1  2 0 
A= B= 2 0  C= 
2 0 −1  0 1 
−1 1
0 0

Observe que las traspuestas de A ,B y C están dadas por:

     
1 2 t 1 2 −1 1 2 0 0
b B = c Ct =
a At =  2 0  2 0 2 0 0 1 0
1 −1

Observación. A continuación, se definen formalmente un conjunto de matrices, las

cuales se denominan matrices especiales. Estas matrices son relevantes para la operatoria
entre matrices y cálculo de determinantes, conceptos que se desarrollarán más adelante.
 3

Definición 1.3

1 La matriz In = [δij ] ∈ Mn se denomina matriz identidad de orden n si δij =

0, ∀i 6= j y δii = 1, ∀i ∈ {1, ..., n}.
De la definición se deduce que la matriz identidad de orden 3 es:
 
1 0 0
I3 =  0 1 0 
0 0 1

2 La matriz 0n×m = [aij ] ∈ Mn×m se denomina matriz nula si aij = 0, ∀i ∈ {1, ..., n},
∀j ∈ {1, ..., m}.
De la definición se deduce que la matriz nula de orden 2 × 3 es:
 
0 0 0
02×3 =
0 0 0

3 La matriz A = [aij ] ∈ Mn se denomina matriz diagonal si aij = 0, ∀i 6= j.

De la definición se deduce que:
 
2 0 0
A= 0 0 0 
0 0 1

es una matriz diagonal.

4 La matriz A = [aij ] ∈ Mn se denomina matriz triangular superior si aij = 0, ∀i >

j.
De la definición se deduce que:
 
1 3 1
A= 0 0 2 
0 0 1

es una matriz triangular superior.

5 La matriz A = [aij ] ∈ Mn se denomina matriz triangular inferior si aij = 0, ∀i < j.

De la definición se deduce que:
 
1 0 0
A= 1 2 0 
0 3 1

es una matriz triangular inferior.

 4

Ejemplo. 1.0.4

Clasifique las siguientes matrices en matriz nula, identidad, diagonal, triangular superior
e inferior y escalonada, según corresponda.
 
0 0
1 A = . A es una matriz: nula de orden 2, diagonal, triangular superior,
0 0
triangular inferior y escalonada

 
0 1 2
2 A =  0 3 −1 . A es una matriz: triangular superior y escalonada.
0 0 5
 
0 1 0 3
3 A =  0 3 −1 2 . A es una matriz escalonada.
0 0 0 1
 
1 0 0
4 A =  0 1 0 . A es una matriz: identidad de orden 3, escalonada, diagonal,
0 0 1 triangular inferior y triangular superior.

 
−1 0 0
5 A =  0 3 0 . A es una matriz: diagonal, escalonada, triangular superior
0 0 4 y triangular inferior.

 
1 0 0
6 A =  3 0 0 . A es una matriz triangular superior.
0 4 2

Observación. Otro de los conceptos relevantes en álgebra lineal y que es de utilidad en

la resolución de problemas teórico prácticos tiene relación con la traza de una matriz. Este
concepto se define formalmente por:
Definición 1.4
Considere A = [aij ] ∈ Mn . Se define, la traza de A por:
n
X
tr(A) = aii = a11 + a22 + ... + ann
i=1

Observe que, la traza de la matriz A corresponde a la suma de los coeficientes de su

diagonal.
 5

Ejemplo. 1.0.5
 
 −3  2 −3 2
1 0 0  3 1 0 2 
Considere A =  3 0 0  y B = 
 −1
, matrices de coeficientes
4 −4 2 
0 4 2
3 4 2 6
reales. Observe que:

tr(A) = 1 + 0 + 2 = 3 ∧ rr(B) = −3 + 1 + −4 + 6 = 0

1.1 Operatoria
En esta sección se desarrollaran las propiedades asociadas a las diferentes operaciones que se
pueden realizar con las matrices. Se iniciará el estudio con la definición de las operaciones
básicas (producto escalar, adición , multiplicación), las cuales son fundamentales para definir
operaciones, más complejas y abordar diversos problemas de aplicación.

Definición 1.5
Considere A = [aij ] ∈ Mn×m y β ∈ R. Se define el producto de un escalar β por la
matriz A, por:

β · A = β · [aij ]n×m = [β · aij ]n×m

Observación. Es decir, al multiplicar por un escalar β una matriz A, se deben multiplicar

todos los coeficientes de la matriz A por el escalar β.
Ejemplo. 1.1.1

Considere:
   
1 2 1 1 2
A= B=
2 0 −1 2 0
Entonces:
     
1 2 1 2·1 2·2 2·1 2 4 2
1 2A = 2 = = .
2 0 −1 2 · 2 2 · 0 2 · (−1) 4 0 −2

     
1 2 7·1 7·2 7 14
2 −7B = 7 · = =
2 0 7·2 7·0 14 0
 6

Definición 1.6
Adición de Matrices. Considere A = [aij ], B = [bij ] ∈ Mn×m . Se define:

A + B = [aij ] + [bij ]

= [aij + bij ] ∈ Mn×m

Observación. La diferencia de matrices se puede definir por medio de la adición y el producto

escalar. En efecto:

A − B = A + (−1) · B

Ejemplo. 1.1.2

Considere:
   
1 2 1 1 1 3
A= y B=
2 0 −1 2 3 2

Entonces:    
1 2 1 1 1 3
A+B = +
2 0 −1 2 3 2
 
1+1 2+1 1+3
=
2 + 2 0 + 3 −1 + 2
 
2 3 4
=
4 3 −1
 
2 3 4
Así, A + B =
4 3 −1

Definición 1.7
Producto de matrices Considere A = [aij ] ∈ Mq×p y B = [bij ] ∈ Mn×m . El producto
de las matrices A y B se puede realizar solo si el número de columnas de la matriz A es
igual al número de filas de la matriz B, es decir el producto AB se puede realizar solo
si p = n. Bajo este contexto se define el producto AB por:

A · B = [aij ] · [bij ] = [cij ] =∈ Mq×m

Donde cij = ai1 b1j + ai2 b2j + ai3 b3j + ... + aip bpj .
 7

Ejemplo. 1.1.3
 
  1 2
1 2 1
Considere las matrices A = y B =  2 0 . Entonces,
2 0 −1
−1 1
 
  1 2
1 2 1
A·B = · 2 0 
2 0 −1
−1 1
 
1·1+2·2−1·1 1·2+2·0+1·1
=
2 · 1 + 0 · 2 + −1 · (−1) 2·2+0·0−1·1
 
4 3
=
3 3

Observación. Considere A, B, C matrices con coeficientes reales, para las cuales se pueden
realizar las operaciones descritas en cada caso. Entonces:

1 (A + B) + C = A + (B + C), es decir, la adición de matrices es asociativa.

2 A + B = B + A es decir, la adición de matrices es conmutativa.

3 ∃! O tal que O + A = A + O = A. Existencia de neutro aditivo.

4 ∀A , ∃B, tal que A + B = B + A = O. B se denomina inverso aditivo de A y se denota

por B = −A.

5 (A + B)t = At + B t .

6 (A · B) · C = A · (B · C), es decir, el producto de matrices es asociativo.

7 A · B 6= B · A, es decir, el producto de matrices no es conmutativo.

8 A(B + C) = AB + AC, es decir, el producto de matrices distribuye por la derecha,

respecto de la adición.

9 (B + C)A = BA + CA, es decir, el producto de matrices distribuye por la izquierda,

respecto de la adición.
 8

10 (βA)t = βAt , ∀β ∈ R.

11 (AB)t = B t At .

12 ∀A ∈ Mn (R) , ∃ I ∈ Mn se tiene que A · I = I · A = A.

Definición 1.8
Considere A ∈ Mn , una matriz cuadrada, entonces A se denomina matriz:

1 Involutiva si y sólo si A2 = I.

2 Idempotente si y sólo si A2 = A.

3 Nilpotente de orden k ∈ N, si Ak−1 6= 0 pero Ak = 0.

4 Simétrica si y sólo si At = A.

5 Antisimétrica si y sólo si At = −A.

Ejemplo. 1.1.4
 
1 −1
1 Considere A = y observe que:
0 −1
     
2 1 −1 0 −1 1 0
A = · =
0 −1 0 −1 0 1

Luego A es una matriz involutiva.

 
1 2 1
2 Considere A = y observe que:
3 2 1
      
2 1 2 1 2 1 1 6 3 1 2 1
A = = = =A
9 2 1 2 1 9 6 3 3 2 1

Luego A es una matriz idempotente.

 9

Continuación.
 
6 −9
3 Considere A = y observe que:
4 −6
      
6 −9 6 −9 36 − 36 −54 + 54 0 0
A2 = = =
4 −6 4 −6 24 − 24 −36 + 36 0 0

Luego A es una matriz nilpotente.

   t  
1 3 t 1 3 1 3
4 Considere A = y observe que A = = = A. Luego A
3 0 3 0 3 0
es una matriz simétrica.
   t  
0 −9 t 0 −9 0 9
5 Considere A = y observe que A = = = −A.
9 0 9 0 −9 0
Entonces A es una matriz Antisimétrica.

Ejemplo. 1.1.5
   
−4 2 0 2
Sean A = y B = . Determine, si existe, X ∈ M2 (R) tal que:
6 8 10 4
A2 − 3X t = 2I − B.
Solución. Observe que:

A2 − 3X t = 2I − B ⇔ −3X t = 2I − B − A2

1 
⇔ Xt = − 2I − B − A2
3
1 t
⇔X= − 2I − B − A2
3
Por otro lado:      
2 −4 2 −4 2 28 8
A = · =
6 8 6 8 24 76
Luego,       t
1 2 0 0 2 28 8
X = − − −
3 0 2 10 4 24 76
 t  
1 26 10 26 341
= =
3 34 82 10 783
 
1 26 34
Por lo tanto, la solución de la ecuación es X = 3 10 78
 10

Observación. Como se ha mencionado anteriormente, las matrices permiten modelar y re-

solver diversos problemas de aplicación. Para ilustrar lo expuesto, considere el un ejemplo.

Aplicación. En los últimos 3 años, cuatro cursos de enseñanza media 1o A, 1o B, 1o C y 1o D,

han tenido como misión recolectar fondos para su gira de estudio de tercero medio. Con este
objetivo, cada año compraron chocolates. Los adquirieron de tres tipos: blanco, amargo y
semi-amargo. Cada caja contiene 20 chocolates. Los venden por pieza y los dos últimos años
vendieron todos. A continuación, se resume la información para el primer año: En esta
tabla se muestra el número de cajas que cada uno compró.

Cajas de chocolate
Curso Blanco Amargo Semi-amargo
1o A 6 15 9
1o B 13 10 7
1o C 10 10 10
1o D 5 12 13
Por otro lado, el precio por caja y el precio al que vendieron cada tipo de chocolate se ilustra
en la siguiente tabla:

Tipo de Precio por Precio de

chocolate caja ($) venta por pieza ($)
Blanco 50 4
Amargo 30 3
Semi-amargo 40 3
Considerando la información anterior determine:
a ¿Qué curso obtuvo mayor ganancia el primer año?
b ¿Cuál de los cursos realizó la menor inversión?
Solución. Para resolver el problema planteado, utilizando el conceptos vistos hasta el mo-
mento, es necesario definir las siguientes matrices.
 
6 15 9
 10 10 10 
? C =
 13 10 7 , matriz que indica la cantidad de cajas compradas por cada curso.


5 12 13
 
50
? P =  30 , matriz que indica el valor precio de cada caja.
40
 
3
? V =  4 , matriz que indica el precio de venta por pieza de cada tipo de chocolate.
7
 11

Para calcular las ganancias de cada curso y determinar quien obtuvo la mayor utilidad, es
necesario primero calcular la inversión de cada uno. Lo cual se representa matricialmente por:
 
1110
 1200 
CP =  
 1230 
1130

Por otro lado, por cada caja con 20 chocolates de cada tipo se obtiene un ingreso de:
   
3 60
20V = 20  4  =  80 
7 140

Así, el ingreso total que obtuvo cada curso está dado por:
   
6 15 9   1920
 10 60
10 10  
  80  =  1200 
I = C(20V ) = 
 13

10 7   1230 
140
5 12 13 1130

Por lo tanto, las utilidades de cada curso son:

     
1920 1110 810
 2000   1200   800 
I − CP = 
 2060  −  1230
  = 
  830 
1900 1130 770

Así, de lo anterior es posible establecer que:

a El curso que obtuvo la mayor ganancia el primer año el 1o C, a quien le corresponde el

tercer renglón de la matriz de ingreso.

b La menor inversión la realizó el 1o A, que le corresponde a la primera fila de la matriz

de inversión CP.

1.2 Operaciones elementales filas y matrices invertibles.

Los conceptos de operaciones elementales fila y matrices invertibles, son relevante para la
resolución de sistemas de ecuaciones. Conceptos que se estudiarán posteriormente y que
permitirán modelar y resolver cierto tipo de problemas aplicados.
 12

Definición 1.9
Se denominarán operaciones filas realizadas a una matriz A ∈ Mn×m a cualquiera de
las siguientes transformaciones:

a Intercambio de filas, lo cual se denota por Fi ↔ Fj y que se interpreta como la

permuta la fila i−ésima con la fila j−ésima.

b Multiplicación de una fila por un escalar no nulo β, lo cual se denota por βFi y
que interpreta como el producto de todos los coeficientes de la fila i−ésima por
el escalar β.
c Sumar β veces la fila j−ésima a la fila i−ésima, lo cual se denota por Fi + βFj y
que se interpreta como la suma de la i−ésima fila con el producto por el escalar
β sobre la fila j − esima, registrando el resultado en la fila modificada.

Observación. Dos matrices A y B se denominan equivalentes por filas, si una de ellas se

puede obtener a partir de la otra mediante un número finito de operaciones elementales fila.
Lo cual se denota por A ∼ B.

Ejemplo. 1.2.1
 
1 3
Considere la matriz A = . Entonces:
4 5
 
1 3
1 A∼B= , ya que:
0 −7
   
1 3 −−−−−→ 1 3
A= F2 − 4F1
4 5 0 −7
   
3 6 3 1 2 1
2 Dada la matriz A =  4 7 0  se tiene que A ∼ B =  0 −1 −4 , ya que:
3 6 3 0 0 0
       
3 6 3 1 2 1 1 2 1 1 2 1
A= 4 7 0   4 7 0   0 −1 −4   0 −1 −4 
3 6 3 3 6 3 3 6 3 0 0 0
 13

Definición 1.10
E ∈ Mm×n (R) se denomina matriz escalonada reducida por filas si y solamente si:

a El primer elemento no nulo de cada fila no nula es igual a 1 y la columna en que

aparece es columna de la matriz identidad Im, es decir, los demás elementos de
la columna son ceros.

b Las filas nulas si las hay están bajo las filas no nulas.
c Si los primeros elementos no nulos de cada fila no nula están en las columnas
c1 , c2 , . . . , cr entonces c1 < c2 < . . . < cr .

Ejemplo. 1.2.2

Observe que:
 
1 2 0
1 X= 0 0 1
  es escalonada reducida por filas.
0 0 0
 
0 1 0 0
2 Y = 0 0 1
 0  es escalonada reducida por filas.
0 0 0 0
 
0 1 0 0
3 Z= 0 0 1 1  no es escalonada reducida por filas.
0 0 0 −1

Observación. A continuación, se desarrolla el concepto de rango, el cual es fundamental

para el análisis de la naturaleza de la solución de un sistema de ecuaciones lineales.
Teorema 1.1
Si A ∈ Mm×n (R), entonces existe una única matriz escalonada reducida por filas E ∈
F
Mm×n (R) tal que A →
− E. Denotaremos E = E(A).

Definición 1.11
Sea A ∈ Mm×n (R), se define el rango de A como el número de filas no nulas de la matriz
escalonada reducida por filas asociada a la matriz A. El rango d ela matriz A se denota
por ρ(A).
 14

Ejemplo. 1.2.3
 
1 1 1
Considere la matrizA =  3 4 3 . Al realizar operaciones elementales se obtiene:
2 2 3
     
1 1 1 F2 −3F1 1 1 1 F1 −F2 1 0 0
A= 3 4
 3   0 1 0   0 1 0 
F2 −2F1 F1 −F3
2 2 3 0 0 1 0 0 1

Por lo tanto, E(A) = I3 y por ende el rango de A es ρ(A) = 3.

Ejemplo. 1.2.4
 
1 1 1 6
Considere A =  2 3 2 14 . Determine la matriz escalonada reducida por filas
1 1 2 8
asociada y calcule el rango de A.
Solución. Observe:  
1 1 1 6 F2 −2F1
A =  2 3 2 14 
F3 −F1
1 1 2 8
 
1 1 1 6
 0 1 0 2  F1 −F2

0 0 1 2
 
1 0 1 4 F1 −F3
 0 1 0 2 
0 0 1 2
 
1 0 0 2
 0 1 0 2 
0 0 1 2
De lo anterior, se deduce que la matriz reducida por filas asociada a la matriz A es:
 
1 0 0 2
E(A) =  0 1 0 2 
0 0 1 2
y, por ende, el rango de A es ρ(A) = 3.
 15

Ejemplo. 1.2.5
 
1 1 1 2 2
 3 4 3 2 5 
Determine el rango de A = 
 7

8 8 11 24 
2 2 3 5 14
Solución. Observe  
1 1 1 2 2
 3 4 3 2 5 
[A : b] = 
 7

8 8 11 24 
2 2 3 5 14
 
1 1 1 2 2
 0
 1 0 −4 −1 

 0 1 1 −3 10 
0 0 1 1 10
 
1 1 1 2 2
 0
 1 0 −4 −1 

 0 0 1 1 11 
0 0 1 1 10
 
1 1 1 2 2
 0
 1 0 −4 −1 

 0 0 1 1 10 
0 0 0 0 −1
Observe que esta última matriz no es escalonada reducida por filas, sin embargo, está
escalonada y permite calcular el rango de la matriz.
Por lo tanto, el rango de A es ρ(A) = 4

Definición 1.12
Considere A ∈ Mn (R), una matriz cuadrada. A se denomina, matriz invertible si existe
B ∈ Mn (R) tal que:
AB = BA = In
Bajo este contexto, B se denomina matriz inversa de A y se denota por

A−1
 16

Ejemplo. 1.2.6
 
1 2 3
Considere A =  2 3 1 . Observe que:
2 4 5
     
1 2 3 11 2 −7 11 2 −7 1 2 3
 2 3 1   −8 −1 5  =  −8 −1 5  2 3 1 
2 4 5 2 0 −1 2 0 −1 2 4 5
 
1 0 0
= 0 1 0 
0 0 1

Así, de lo anterior se deduce que A es una matriz invertible. Además, se tiene que:
 
11 2 −7
A−1 =  −8 −1 5 
2 0 −1

Observación. Considere A, B ∈ Mn (R) matrices invertibles, entonces:

a (A−1 )−1 = A.

b (AB)−1 = B −1 A−1 .

c (At )−1 = (A−1 )t .

 
a b
d Si A ∈ M2 (R) tal que A = , entonces es posible comprobar que A es invertible
c d
si y solamente si ad − bc 6= 0, además se tiene que:

 
−1 1 d −b
A = .
ad − bc −c a
 17

Ejemplo. 1.2.7
 
 −1 3  
2 3 1 −1 3
Considere las matrices A = ,B= 2 0 yC = . Deter-
1 −2 5 2 1
1 1
1
mine X ∈ M2 (R), si existe, tal que 3I − ABX t = C 2
2
Solución. Observe que:
1
3I − ABX t = C 2 ⇔ 2(3I − C 2 ) = ABX t
2
⇔ (AB)−1 · 2(3I − C 2 ) = X t

Por otro lado: 

 −1 3  
2 3 1 5 7
AB = ·  2 0 = 
1 −2 5 0 8
1 1
 
5 7
De lo anterior, se deduce que | AB |=   = 40, luego:
0 8
 
−1 1 8 −7
(AB) =
40 0 5
Por otro lado,      
2 −1 3 −1 3 7 0
C = · =
2 1 2 1 0 7
Así:      
2 3 0 7 0 −4 0
3I − C = − =
0 3 0 7 0 −4
De lo anterior, se deduce:

X t = (AB)−1 · 2(3I − C 2 )
   
1 8 −7 −4 0
= ·2
40 0 5 0 −4
 
1 −32 28
=
20 0 −20
 
1 −32 0
Por lo tanto, X = 28 −20
20
 18

Ejemplo. 1.2.8
    
2 1 −1 0 −1 2
Considere las matrices A = ,B = ,C = . Determine si
3 2 2 1 −1 3
existe X ∈ M2 (R) tal que AX + 3B = C T .
Solución. Observe que

AX = C T − 3B ⇔ [A−1 A] X = A−1 C T − 3B
 

⇔ X = A−1 C T − 3B
 

Por otro lado,

       
−1 2 −1 T −1 −1 −3 0 2 −1
A = , C − 3B = − = ,
−3 2 2 3 6 3 −4 0

de lo anterior, se deduce que:

    
−1
 T
 2 −1 2 −1 8 −2
X=A C − 3B = =
−3 2 −4 0 −14 3

Ejemplo. 1.2.9

Considere A, B ∈ Mn (R), tal que A es invertible. Determine si:

(A + B)A−1 (A − B) = (A − B)A−1 (A + B).

Solución. Observe que:

(A + B)A−1 (A − B) = (I + BA−1 )(A − B)

= A − B + B − BA−1 B

= A − BA−1 B

Por otro lado, se tiene que:

(A − B)A−1 (A + B) = (I − BA−1 )(A + B)

= A − B + B − BA−1 B

= A − BA−1 B

Así, de lo anterior es posible establecer que la igualdad es válida.

Observación. Uno de los métodos que se estudiarán para determinar si una matriz es
invertible, tiene relación con el concepto de operaciones elementales filas.
 19

Definición 1.13
Se denominarán operaciones filas realizadas a una matriz A ∈ Mn×m a cualquiera de
las siguientes transformaciones:

1 Intercambio de filas, lo cual se denota por Fi ↔ Fj .

2 Multiplicación de una fila por un escalar no nulo β, lo cual se denota por βFi .

3 Sumar β veces la fila j−ésima a la fila i−ésima, lo cual se denota por Fi + βFj .

Definición 1.14
Método de Gauss. Para determinar si A ∈ Mn es una matriz invertible, y de paso
calcular su matriz inversa, es posible utilizar el método de Gauss. Este método se basa
en la utilización de las operaciones elementales fila. Los pasos a seguir son:

1 Se construye la matriz [A : In ], la cual se obtiene agregando la matriz identidad

a la matriz A. Esta matriz se denomina matriz ampliada.

2 Se realizan operaciones elementales fila a la matriz ampliada, con el propósito de

obtener una matriz equivalente, de la forma [In : B]

De ser posible realizar los pasos anteriores, se tiene que A es una matriz invertible con
inversa A−1 = B

Ejemplo. 1.2.10
 
1 3
Considere A = . Entonces
2 8
   
1 3 : 1 0 1 3 : 1 0
(A : I) =
2 8 : 0 1 0 2 : −2 1
 
" # 3
1 3 : 01  1 0 : 4 − 
1 2 
0 1 : −1
 1
2 0 1 : −1
2
 
3
 4 −2  1
 
8 −3
Por lo tanto A−1 = 1  = 2 −2 .
−1 1
2
 20

Ejemplo. 1.2.11
 
1 1 1 1
 3 4 3 4 
Considere A = 
 2
. Entonces:
2 3 2 
1 1 1 2
 
1 1 1 1 1 0 0 0
 3 4 3 4 0 1 0 0 
(A : I) = 
 2

2 3 2 0 0 1 0 
1 1 1 2 0 0 0 1
 
1 1 1 1 1 0 0 0
 0
 1 0 1 −3 1 0 0 

 0 0 1 0 −2 0 1 0 
0 0 0 1 −1 0 0 1
 
1 0 1 0 4 −1 0 0

 0 1 0 1 −3 1 0 0 

 0 0 1 0 −2 0 1 0 
 0 0 0 1 −1 0 0 1 
1 0 0 0 6 −1 −1 0

 0 1 0 1 −3 1 0 0 
 0 0 1 0 −2 0 1 0 
0 0 0 1 −1 0 0 1
 
1 0 0 0 6 −1 −1 0
 0
 1 0 0 −2 1 0 −1 

 0 0 1 0 −2 0 1 0 
0 0 0 1 −1 0 0 1
 
6 −1 −1 0
 −2 1 0 −1 
Así, de lo anterior se tiene que A−1 =
 −2

0 1 0 
−1 0 0 1