Algebra Lineal

Michael Felipe Cifuentes Molano

Marzo 2023
2
Índice general

1. Sistemas de Ecuaciones Lineales 5

1.1. Ecuación Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2. Gráfica de un Conjunto de Lineas Rectas . . . . . . . . . . . . . 7
1.3. Solución Gráfica de Sistemas de Ecuaciones . . . . . . . . . . . . 10
1.3.1. Rectas Perpendiculares y Paralelas . . . . . . . . . . . . . 14
1.4. Solución Analı́tica de Sistemas de Ecuaciones . . . . . . . . . . . 17
1.4.1. Reducción . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.2. Sustitución . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.3. Igualación . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.4. Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5. Sistema Homogéneo de Ecuaciones . . . . . . . . . . . . . . . . . 29
1.6. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.6.1. Eliminación Gaussiana . . . . . . . . . . . . . . . . . . . . 31
1.6.2. Eliminación Gauss- Jordan . . . . . . . . . . . . . . . . . 33
1.7. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . 37

2. Vectores y Matrices 41
2.1. Producto Matricial y Vectorial . . . . . . . . . . . . . . . . . . . 46
2.1.1. Producto Entre Dos Matrices . . . . . . . . . . . . . . . . 47
2.1.2. Multiplicación de Matrices como una Combinación Lineal 48
2.1.3. Sumatorios . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.1.4. Multiplicación de Matrices por Bloques . . . . . . . . . . 52
2.1.5. Matrices y Sistemas de Ecuaciones Lineales . . . . . . . . 53
2.2. Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . 55
2.2.1. Calculo de Matriz Inversa por Gauss-Jordan . . . . . . . . 56
2.2.2. Calculo de Matriz Inversa por el Adjunto - Cofactores . . 57
2.3. Matriz Traspuesta . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.3.1. Matriz Simétrica . . . . . . . . . . . . . . . . . . . . . . . 60
2.4. Descomposición de Cholesky . . . . . . . . . . . . . . . . . . . . . 61
2.5. Factorización o Descomposición LU . . . . . . . . . . . . . . . . . 61

3
4 ÍNDICE GENERAL

3. Determinantes 67
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2. Propiedades de los Determinantes . . . . . . . . . . . . . . . . . . 67
3.2.1. Determinantes por Gauss-Jordan . . . . . . . . . . . . . . 69
3.2.2. Determinantes por Laplace . . . . . . . . . . . . . . . . . 69
3.3. Cifrado de Hill . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4. Vectores en ℜ2 y ℜ3 75
4.1. Vectores en ℜ2 (Plano Cartesiano) . . . . . . . . . . . . . . . . . 75
4.1.1. Sistema cı́clico o circular (Radianes) . . . . . . . . . . . . 79
4.1.2. Suma de Vectores . . . . . . . . . . . . . . . . . . . . . . 80
4.1.3. Multiplicación de un Escalar por un Vector . . . . . . . . 81
4.2. Vectores Unitarios . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.3. Producto Cruz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Capı́tulo 1

Sistemas de Ecuaciones
Lineales

El álgebra es la rama de la matemática que estudia la combinación de ele-

mentos de estructuras abstractas acorde a ciertas reglas. Originalmente esos
elementos podı́an ser interpretados como números o cantidades, por lo que el
álgebra en cierto modo originalmente fue una generalización y extensión de la
aritmética. La álgebra lineal es una disciplina matemática que se dedica a ana-
lizar temas como vectores, matrices, espacios duales, sistemas de ecuaciones
lineales y su aplicación en general; su enfoque de manera más formal, se destina
a espacios vectoriales y sus transformaciones lineales. Los sistemas de ecuaciones
lineales sirven para resolver diversos problemas, desde los que se presentan en la
vida diaria hasta problemas que se presentan en ingenierı́a, fı́sica, matemáticas,
economı́a y otras ciencias. El deseo de hallar la respuesta a estos sistemas se
remonta a siglos atras. En la vida diaria, resolver una ecuación lineal, permite
estudiar costos, ofertas, demandas, gastos, consumos y otros. Por ejemplo, el
consumo y costo de la electricidad se puede medir con una ecuación lineal la
cual nos puede ayudar a predecir los pagos que se realizaran o cómo disminuir
los gastos por el consumo.
En matemáticas la palabra lineal tiene un significado mucho más amplio que
el usado comúnmente. Una gran parte de la teorı́a de álgebra lineal elemental
es, de hecho, una generalización de las propiedades de la lı́nea recta. A manera
de repaso se darán algunos hechos fundamentales sobre las lı́neas rectas.
El álgebra lineal es una rama de las matemáticas que se enfoca en el estudio
de los vectores, los sistemas de ecuaciones lineales y las transformaciones lineales.
Es una herramienta fundamental en muchos campos de la ciencia y la ingenierı́a,
como:

1. La fı́sica: el álgebra lineal se utiliza para modelar y describir fenómenos

fı́sicos, como el movimiento de los cuerpos, la mecánica cuántica y la teorı́a
de la relatividad.

5
6 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

2. La informática: el álgebra lineal es una herramienta esencial en el proce-

samiento de imágenes y en la programación de gráficos por computadora.
3. La estadı́stica: el álgebra lineal se utiliza para el análisis de datos multi-
variables y para la estimación de modelos estadı́sticos.
4. La economı́a: el álgebra lineal se aplica en la teorı́a de juegos, en la mo-
delización económica y en el análisis de carteras de inversión.
5. La ingenierı́a: el álgebra lineal se utiliza en el diseño y análisis de sistemas
de control, en la electrónica y en la ingenierı́a mecánica.
6. La ciencia de los materiales: el álgebra lineal se utiliza en la caracterización
de materiales y en el modelado de procesos de fabricación.
7. La biologı́a: el álgebra lineal se utiliza en la modelización de redes me-
tabólicas y en el análisis de datos genéticos.

1.1. Ecuación Lineal

La ecuación lineal es uno de los conceptos matemáticos fundamentales y
ampliamente utilizados en diversas aplicaciones prácticas. Desde la resolución
de problemas simples en el ámbito de las ciencias básicas hasta su uso en la
resolución de problemas complejos en campos como la ingenierı́a, la fı́sica y la
economı́a.
Este libro se enfocará en explorar las aplicaciones prácticas de la ecuación
lineal, desde conceptos básicos hasta avanzados. Comenzaremos con una in-
troducción a los conceptos fundamentales de la ecuación lineal, incluyendo las
ecuaciones lineales simples, los sistemas de ecuaciones lineales y las matrices.
A continuación, se discutirán las aplicaciones prácticas de la ecuación lineal en
áreas como la resolución de problemas en el ámbito de la ingenierı́a, la fı́sica y
la economı́a. Una de las primeras consideraciones en el trabajo con lineas rectas
es conocer de manera precisa la forma canónica, en la ecuación 1.1 se aprecia
su modelo.

y = mx + b (1.1)
Se sabe que el termino m es la pendiente de la recta o en términos mas
sencillos, es el grado de inclinación que esta posee con respecto al eje horizontal.
Posteriormente b se denomina el intercepto o punto de corte con el eje vertical.
Ambos términos se pueden calcular de manera sencilla para un conjunto de
puntos dados. La pendiente m se puede calcular como se ve en la ecuación 1.2,
teniendo dos puntos en ℜ2 .
y2 − y1
m= (1.2)
x2 − x1
Una de las consideraciones es que si se tiene que x2 − x1 = 0 y y2 ̸= y1
entonces la recta es vertical. El eje de ordenadas es el que conocemos como Y , y
1.2. GRÁFICA DE UN CONJUNTO DE LINEAS RECTAS 7

se posicionan verticalmente. El eje de abscisas es el que conocemos con la letra

X y se posiciona horizontalmente.

1.2. Gráfica de un Conjunto de Lineas Rectas

Cualquier recta (a excepción de aquella que tiene una pendiente vertical) se
puede escribir de la forma canónica vista en la ecuación 1.1. Dos rectas distintas
son paralelas si y sólo si tienen la misma pendiente, definido como se ve en la
ecuación 1.3.

m1 = m2 (1.3)
Si m1 es la pendiente de la recta L1, m2 es la pendiente de la recta L2,
m1 ̸= 0 y L1 y L2 son perpendiculares, entonces:

−1
m2 =
m1
m1 m2 = −1

Es importante tener en cuenta que la multiplicación de ambas pendientes

para el caso de que sean perpendiculares, debe dar como resultado menos uno.
Finalmente, las rectas paralelas al eje x tienen una pendiente cero. Las rectas
paralelas al eje y tienen una pendiente indefinida.

Ejemplo
La gráfica de una ecuación lineal Ax + By + C = 0, es una recta que
forman los puntos de su conjunto solución {(x, y)|Ax + By + C = 0}.
Los términos a, b y c son los coeficientes conocidos. Teniendo lo anterior
en cuenta, encontrar la gráfica de la ecuación 2x − 3y + 7 = 0.

Para obtener la gráfica, basta con conocer dos puntos de la recta, para lo
cual se sustituyen dos valores arbitrarios para x o y en la ecuación, y con esto se
obtienen los dos puntos que se requieren. De forma arbitraria se toma a x = −2,
entonces:

2x − 3y + 7 = 0
2(−2) − 3y + 7 = 0
−4 − 3y + 7 = 0
3 − 3y = 0
−3y = −3
−3
y=
−3
y=1
8 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Se tiene entonces el primer punto de la gráfica, ahora se puede tomar otro

punto arbitrario diferente de x = −2. Tomando a x = 1, se obtiene que:

2x − 3y + 7 = 0
2(1) − 3y + 7 = 0
2 − 3y + 7 = 0
9 − 3y = 0
−3y = −0
−9
y=
−3
y=3

Finalmente se obtiene dos puntos cualquiera de la linea recta, siendo entonces

(−2, 1) y (1, 3).

Figura 1.1: Gráfica de la ecuación lineal 2x − 3y + 7 = 0.

En la figura 1.1 se tiene la gráfica de la ecuación lineal a partir de dos

puntos, pero se puede obtener la gráfica de otra forma diferente, esto se hace
convirtiendo la ecuación lineal a la forma canónica de la recta (ecuación 1.1).

Ejemplo
Realizar la gráfica de la ecuación 3x−4y−12 = 0. Convirtiendo a la forma
canónica de la recta, además determinar el intercepto y la pendiente.
1.2. GRÁFICA DE UN CONJUNTO DE LINEAS RECTAS 9

3x − 4y − 12 = 0
−4y − 12 = −3x
−4y = −3x + 12
−3x + 12
y=
−4
3x
y= −3
4

De el resultado se pueden obtener los valores de la pendiente como m = 3/4

y el intercepto como b = −3. La pendiente se puede interpretar como:

∆y
m=
∆x
Donde ∆y es la variación en el eje y y ∆x es la variación en el eje x. En la
figura

Figura 1.2: Gráfica de la ecuación lineal 3x − 4y − 12 = 0.

Para realizar la gráfica de un conjunto de ecuaciones lineales en un plano

simplemente se debe aplicar alguno de los procesos antes vistos a cada una de
las ecuaciones independientemente y dibujarlas en un mismo plano cartesiano.
Ejercicio: Realizar la gráfica de:

4x + 3y − 12 = 0


3x − 2y + 6 = 0
10 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

1.3. Solución Gráfica de Sistemas de Ecuaciones

Considere el siguiente sistema de dos ecuaciones lineales con dos incógnitas
x y y:

a11 x + a12 y = b1
a21 x + a22 y = b2

Donde a11 , a12 , a21 , a22 , b1 y b2 son coeficientes, o en otras palabras, números
conocidos. Cada una de estas ecuaciones corresponde a una lı́nea recta. Una
solución al sistema de ecuaciones es un par de números, denotados por (x, y),
que satisface ambas ecuaciones y cumplen con el criterios de equivalencia entre
ambos lados de la igualdad.
Gráficamente la solución de un sistema de ecuaciones se puede notar como
la intersección de las rectas que componen dichos sistema. Existen tres formas
o tipos de gráficas para sistemas de ecuaciones:

1. Las rectas se interceptan en un punto.

2. Las rectas son paralelas y coincidentes.

3. Las rectas son paralelas y no coincidentes.

Ejemplo
Realizar la gráfica del sistema de ecuaciones visto en la ecuación 1.4, y
determinar la solución gráficamente:

x + 2y = 4

(1.4)
3x − y = 5

Las rectas sólo coinciden en un punto, por tanto, se dice que el sistema tiene
una solución. Se puede aplicar la forma canónica en la primera ecuación y se
obtiene que:

x + 2y = 4
2y = −x + 4
−x + 4
y=
2
1
y =− x+2
2
Se obtiene entonces que la pendiente es m1 = −1/2 y que el punto de cruce es
b1 = 2. Para la segunda ecuación se aplica exactamente el mismo procedimiento:
1.3. SOLUCIÓN GRÁFICA DE SISTEMAS DE ECUACIONES 11

3x − y = 5
−y = −3x + 5
y = 3x − 5

Se obtiene que la pendiente de la segunda ecuación es m2 = 3 y b2 = −5.

Finalmente se procede a realizar la gráfica de ambas ecuaciones en un mismo
plano cartesiano, como se ve en la figura 1.3.

Figura 1.3: Gráfica del primer tipo de sistema de ecuaciones.

Se puede observar de la figura 1.3 que la solución es (2, 1), esto se puede
comprobar además reemplazando cada uno de los términos x y y y verificando
el cumplimiento de la igualdad.

Ejemplo
Realizar la gráfica del sistema de ecuaciones visto en la ecuación 1.5, y
determinar la solución gráficamente:

x − 2y = 6

(1.5)
3x − 6y = 18

Dos ecuaciones representan rectas coincidentes si al multiplicar una de ellas

por un número real k, se obtiene la otra. En un sistema de rectas coincidentes el
conjunto solución es infinito, es decir, el conjunto solución son todos los puntos
de las rectas.
12 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

x − 2y = 6
−2y = −x + 6
−x + 6
y=
−2
−x 6
y= +
−2 −2
1
y = x−3
2

Para la primera ecuación se obtiene que la pendiente es m = 1/2 y que el

punto intercepto con el eje y es b = −3. Ahora se aplica el mismo procedimiento
para la segunda ecuación:

3x − 6y = 18
−6y = −3x + 18
−3x + 18
y=
−6
1
y = x−3
2
Se puede notar que m = 1/2 y que el punto intercepto es b = −3, los mismos
de la primera ecuación. Ahora en en la gráfica (ver figura 1.4) se puede observar
la solución.

Figura 1.4: Gráfica del segundo tipo de sistema de ecuaciones.

1.3. SOLUCIÓN GRÁFICA DE SISTEMAS DE ECUACIONES 13

Las rectas coinciden en todos sus puntos, por tanto, el sistema tiene un
conjunto infinito de soluciones, en otras palabras cualquier punto sobre las rectas
sirve como solución al sistema. Se observa que si multiplicamos la ecuación
x − 2y = 6, por 3, se obtiene la otra ecuación.

Ejemplo
Realizar la gráfica del sistema de ecuaciones visto en la ecuación 1.6, y
determinar la solución gráficamente:

2x − y = 4

(1.6)
4x − 2y = −12

En este caso, las rectas no tienen ningún punto en común, por tanto, el
sistema no tiene solución.

2x − y = 4
−y = −2x + 4
y = 2x − 4

Se obtiene que la pendiente es m1 = 2 y el punto de intercepto es b1 = −4.

En la segunda ecuación se aplica el mismo procedimiento:

4x − 2y = −12
−2y = −4x − 12
2y = 4x + 12
4x + 12
y=
2
y = 2x + 6

Se obtiene que la pendiente es m2 = 2 y el punto de intercepto es b2 = 6. La

figura 1.5 muestra la gráfica del sistema de ecuaciones.
14 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Figura 1.5: Gráfica del tercer tipo de sistema de ecuaciones.

Al realizar la gráfica de las rectas se observa que son paralelas, es decir, no

hay un punto común, por consiguiente no hay solución, entonces se dice que el
conjunto solución es vacı́o.

1.3.1. Rectas Perpendiculares y Paralelas

Las rectas perpendiculares son aquellas que al cruzarse forman cuatro ángu-
los iguales, siendo cada uno un ángulo recto, es decir, que mide 90º. Como ya
menciono la multiplicación de las pendientes de dos rectas que son perpendicu-
lares debe dar como resultado -1.

m1 ∗ m2 = −1

Ejemplo
Verificar si las dos rectas son perpendiculares:

y1 = 5x − 3
1
y2 = − x + 2
5

Entonces se toman las pendientes de las ecuaciones en las que se quiere

realizar la comprobación y se multiplican, siendo m1 = 5 y m2 = − 15 :
1.3. SOLUCIÓN GRÁFICA DE SISTEMAS DE ECUACIONES 15

m1 ∗ m2
1
5 ∗ − = −1
5
Se nota entonces que efectivamente las rectas son perpendiculares.

Ejemplo
Realizar la comprobación de perpendicularidad para las siguientes ecua-
ciones generales de la recta:

6x − 3y + 5 = 0
2x + 4y + 3 = 0

Cuando se tiene una recta escrita de la forma general (Ax + By + C = 0),

se deben sacar primero los coeficientes de la ecuación siendo A1 = 6, A2 = 2,
B1 = −3, B2 = 4, C1 = 5 y C2 = 3. Además se debe saber que:

−A
m=
B

Por lo que:

−6 6
m1 = = =2
−3 3
−2 1
m2 = =−
4 2
Ahora se puede realizar la comprobación:

m1 ∗ m2
1
2 ∗ − = −1
2

Se nota entonces que efectivamente las rectas son perpendiculares.

Ejemplo
Encuentre un recta perpendicular a la ecuación:

y = 6x − 5
16 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Se debe encontrar entonces la pendiente m2 , esto se puede hacer por inspec-

ción o aplicando la forma general:

m1 ∗ m2 = −1
6 ∗ m2 = −1
1
m2 = −
6
Luego se puede escribir la segunda ecuación como:

1
y2 = − + n
6
Donde el numero n no importa, ya que la pendiente es la que asegura la
perpendicularidad.

Ejemplo
Determinar la ecuación de la recta que pasa por el punto P (3, 5) y es
perpendicular a la recta 3x − y − 4 = 0.

Para la solución de este problema se debe tener en cuenta lo vistos en la

ecuación 1.7 y en la ecuación 1.8:

−A
m= (1.7)
B

y − y1 = m(x − x1 ) (1.8)
Ası́ que primero se puede determinar es la pendiente de la primera recta:

−A −3 3
m1 = = = =3
B −1 1
Ahora como se tiene la primera pendiente y se sabe que el producto entre
las pendientes de dos rectas perpendiculares es -1, se puede obtener la segunda
como:

m1 ∗ m2 = −1
3 ∗ m2 = −1
1
m2 = −
3
Ahora se pueden reemplazar los datos que se conocen para determinar la
segunda recta.
1.4. SOLUCIÓN ANALÍTICA DE SISTEMAS DE ECUACIONES 17

y − y1 = m(x − x1 )
1
y − 5 = − ∗ (x − 3)
3
1 3
y−5=− x+
3 3
1
y−5=− x+1
3
1
y−5+ x−1=0
3
1
x+y−6=0
3

1.4. Solución Analı́tica de Sistemas de Ecuacio-

nes
Hasta ahora se ha visto cómo resolver de forma gráfica un sistema de ecua-
ciones con dos variables, sin embargo, este método en algunas ocasiones puede
ser poco preciso, por lo que existen procedimientos algebraicos y que además de
ser prácticos resultan exactos.

1.4.1. Reducción
Este método consiste en multiplicar las ecuaciones dadas por algún número,
de tal forma que al sumar las ecuaciones equivalentes que resultan, una de las
variables se elimina para obtener una ecuación con una incógnita, y al resol-
verla se determina su valor, para posteriormente sustituirla en alguna de las
ecuaciones originales y ası́ obtener el valor de la otra incógnita.

Ejemplo
Resolver el sistema visto en la ecuación 1.9 por el método de reducción.

2x + 5y = 19

(1.9)
3x − 4y = −6

Se elige la variable a eliminar, en este ejemplo se toma x; para eliminarla

se necesita que los coeficientes de x de cada ecuación sean iguales y de distinto
signo. La primera ecuación se multiplica por -3 y la segunda se multiplica por
2, posteriormente se suman las ecuaciones y se resuelve la ecuación resultante.

(2x + 5y = 19) ∗ (−3)

(3x − 4y = −6) ∗ (2)
18 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Con los resultados de las ecuaciones multiplicadas se suman y se despeja la

variable y.

−6x − 15y = −57

6x − 8y = −12

−23y = −69
−69
y=
−23
y=3

Con el resultado de y = 3 se se sustituye en cualquiera de las ecuaciones,

para obtener el valor de x.

2x + 5y = 19
2x + 5(3) = 19
2x + 15 = 19
2x = 19 − 15
2x = 4
4
x=
2
x=2

Entonces se obtiene que el par ordenado que es solución en ambas ecuaciones

es (2, 3).Se puede comprobar el resultado al sustituir los valores obtenidos en la
otra ecuación.

3x − 4y = −6
3(2) − 4(3) = −6
6 − 12 = −6
−6 = −6

Ejercicio: Resolver el sistema visto en la ecuación 1.10 por el método de

reducción, y comprobar la solución encontrada en ambas ecuaciones.

5x − 3y = −7

(1.10)
3x + 5y = −11
1.4. SOLUCIÓN ANALÍTICA DE SISTEMAS DE ECUACIONES 19

Ejemplo
Resolver el sistema visto en la ecuación 1.11 por el método de reducción.

6x − 2y = 10

(1.11)
3x − y = 5

La primera ecuación se multiplica por 1 y la segunda por -2 y se suman las

ecuaciones equivalentes:

(6x − 2y = 10) ∗ (1)

(3x − y = 5) ∗ (−2)

6x − 2y = 10
−6x + 2y = −10

0x + 0y = 0

Se obtiene la ecuación 0x + 0y = 0, por tanto, hay un conjunto infinito de

soluciones; entonces, se trata de dos rectas coincidentes, y se dice que al conjunto
solución lo forman todos los pares ordenados que satisfacen cualquiera de las
ecuaciones.

Ejemplo
Resolver el sistema visto en la ecuación 1.12 por el método de reducción.

−x + 2y = 4

(1.12)
−3x + 6y = 5

La primera ecuación se multiplica por -3 y la segunda por 1 y se suman las

ecuaciones equivalentes.

(−x + 2y = 4) ∗ (−3)
(−3x + 6y = 5) ∗ (1)

3x − 6y = −12
−3x + 6y = 5

0x + 0y = −7
20 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Resulta la ecuación 0x + 0y = −7, por consiguiente, el conjunto solución es

el vacı́o. En otras palabras no hay solución.

Ejercicio: Resolver los siguientes sistemas por el método de reducción, y

comprobar la solución encontrada en ambas ecuaciones.

1.
12x − 18y = 13


−12x + 30y = 19

2.
5m + n = −1

3m + 2n = 5

3.
3x − 4y = 7

9x − 12y = 21

4.
6u + 4v = 5

9u − 8v = 4

1.4.2. Sustitución
Este método consiste en despejar una de las variables de cualquiera de las
dos ecuaciones y sustituir dicho despeje en la ecuación restante, ası́ resulta una
ecuación de primer grado, la cual se resuelve para obtener el valor de una de las
variables. Este primer valor se sustituye en el despeje para determinar el valor
de la variable que falta.

Ejemplo
Resolver el sistema visto en la ecuación 1.13 por el método de sustitución.

3x − 4y0 − 11

(1.13)
5x + 3y = 1

En este ejemplo se despeja x de la primera ecuación. Aunque puede ser

cualquiera de las variables de cualquiera de las ecuaciones.

3x − 4y = −11
3x = 4y − 11
4y − 11
x=
3
Se sustituye el despeje en la otra ecuación y se resuelve la ecuación de primer
grado.
1.4. SOLUCIÓN ANALÍTICA DE SISTEMAS DE ECUACIONES 21

5x + 3y = 1
4y − 11
5( ) + 3y = 1
3
20y − 55
+ 3y = 1
3
20y 55
− + 3y = 1
3 3
y=2

Se sustituye el valor de y = 2 en el despeje.

4y − 11 4(2) − 11 8 − 11 −3
x= = = = = −1
3 3 3 3
Por lo tanto los valores solución para el sistema dado son (−1, 2). Este par
ordenado se puede comprobar al sustituirse en las dos ecuaciones y verificando
la igualdad.

Ejercicio: Resolver los siguientes sistemas por el método de sustitución, y

comprobar la solución encontrada en ambas ecuaciones.

1.
−2x + y = −4


6x − 3y = 12

2.
3x − 4y = 7

6x − 8y = 3

1.4.3. Igualación
En este método se elige una variable, la cual se despeja de ambas ecuaciones,
los despejes se igualan y se resuelve la ecuación de primer grado que resulta. Por
último, el valor que se obtiene se sustituye en cualquiera de los despejes para
hallar el otro valor.

Ejemplo
Resolver el sistema visto en la ecuación 1.14 por el método de igualación.

2x − 3y = 9

(1.14)
5x + 6y = −45

Se despeja x de ambas ecuaciones.

22 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

2x − 3y = 9
2x = 3y + 9
3y + 9
x=
2

5x + 6y = −45
5x = −6y − 45
−6y − 45
x=
5
Se igualan los despejes y se resuelve la ecuación de primer grado.

x=x
3y + 9 −6y − 45
=
2 5
5(3y + 9) = 2(−6y − 45)
15y + 45 = −12y − 90
15y + 12y = −90 − 45
27y = −135
−135
y= = −5
27
El valor de y = −5 se sustituye en cualquiera de los despejes.

3y + 9
x=
2
3(−5) + 9
x=
2
−15 + 9
x=
2
−6
x= = −3
2

Por consiguiente, el punto de intersección es (−3, −5).

Ejercicio: Resolver los siguientes sistemas por el método de sustitución, y

comprobar la solución encontrada en ambas ecuaciones.
1.4. SOLUCIÓN ANALÍTICA DE SISTEMAS DE ECUACIONES 23

1.
6m − 7n = 4


2m − 14n = −1

2.
2x − y = 5

−8x + 4y = −20

Un sistema de ecuaciones lineales puede utilizarse para representar proble-

mas del mundo real. Cuando hay dos variables y dan dos datos acerca de cómo
se relacionan esas variables, se utiliza un sistema de ecuaciones.

Ejemplo
El largo de una parcela de tierra rectangular es de 255 metros más que
el ancho. Si el perı́metro es de 1206 metros, calcule las dimensiones del
rectángulo.

El perı́metro de un rectángulo se calcula con la fórmula P = 2l + 2w donde

P es el perı́metro, l es el largo y w es el ancho. Las cantidades son el largo y el
ancho del rectángulo. El largo es 255 yardas más que el ancho:

l = w + 255
El perı́metro es 1206 metros, ası́ que se plantea la segunda ecuación:

2l + 2w = 1206
Ahora puede resolverse el sistema de ecuaciones para determinar las dimen-
siones del rectángulo. En la primera ecuación el largo se expresa a partir del
ancho.

l = w + 255

2l + 2w = 1206
Se puede usar cualquiera de los métodos para resolución del problema, apli-
cando sustitución:

2(w + 255) + 2w = 1206

2w + 510 + 2w = 1206
510 + 4w = 1206
4w = 1206 − 510
4w = 696
696
w=
4
w = 174
24 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Ahora se pueden determinar las dimensiones del rectángulo:

l = 174 + 255
l = 429

Ejemplo
Una empresa de transportes gestiona una flota de 60 camiones de tres
modelos diferentes. Los mayores transportan una media diaria de 15000
kg. y recorren diariamente una media de 400 kilómetros. Los media-
nos transportan diariamente una media de 10000 kilogramos y recorren
300 kilómetros. Los pequeños transportan diariamente 5000 kilogramos
y recorren 100 km. de media. Diariamente los camiones de la empresa
transportan un total de 475 toneladas y recorren 12500 km. entre todos.
¿Cuántos camiones gestiona la empresa de cada modelo?

Se obtienen los datos del problema:

Grandes: 15000kg - 400km

Medianos: 10000kg - 300km

Pequeños: 5000kg - 100km

En total se transportan 475 toneladas que representan 475000 kilogramos

y todos los camiones recorren un total de 12500 kilómetros. x1 representa el
numero de camiones grandes, x2 el numero de camiones medianos y x3 el numero
de camiones pequeños.

 x1 + x2 + x3 = 60


15x1 + 10x2 + 5x3 = 475 (1.15)

400x1 + 300x2 + 100x3 = 12500


El objetivo de este ejercicio es poner en practica los métodos anteriores y

evidenciar que cuando el sistema aumenta el procedimiento también aumenta
el numero de pasos que se deben aplicar. Para resolver el problema se puede
aplicar reducción, sustitución o igualación; para esta guı́a se usara reducción.

(x1 + x2 + x3 = 60) ∗ (100)

(15x1 + 10x2 + 5x3 = 475) ∗ (20)
(400x1 + 300x2 + 100x3 = 12500) ∗ (−1)
1.4. SOLUCIÓN ANALÍTICA DE SISTEMAS DE ECUACIONES 25

100x1 + 100x2 + 100x3 = 6000

300x1 + 200x2 + 100x3 = 9500
−400x1 − 300x2 − 100x3 = −12500

0x1 + 0x2 + 100x3 = 3000

3000
x3 = = 30
100
Ahora el valor x3 se puede reemplazar para determinar los demás valores que
solucionan el sistema de ecuaciones. Se toma la primera ecuación del sistema
original y se dispone el valor encontrado en la reducción.

x1 + x2 + 30 = 60
x1 + x2 = 30

El valor de x3 ahora se reemplaza en la segunda ecuación del sistema original.

15x1 + 10x2 + 5(30) = 475

15x1 + 10x2 + 150 = 475
15x1 + 10x1 = 325

Quedan dos ecuaciones con dos incógnitas lo que se puede resolver de nuevo
por alguno de los métodos vistos.

(x1 + x2 = 30) ∗ (−15)

(15x1 + 10x2 = 325) ∗ (1)

−15x1 − 15x2 = −450

15x1 + 10x2 = 325

−5x2 = −125

−125
x2 = = 25
−5
26 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Ahora teniendo los valores de x2 y x3 se pueden reemplazar en la primera

ecuación del sistema original.

x1 + 25 = 30
x1 = 30 − 25
x1 = 5
Aunque se encuentra la solución del sistema, no es tan sencillo encontrar
los valores por los cuales se debe multiplicar al sistema original para que dos
variables se eliminen al mismo tiempo. Entonces encontrar los valores se puede
plantear como un sistema 2 × 2.

x1 + 15x2 = 400


x1 + 10x2 = 300
Este sistema se plantea siguiendo la lógica que debe existir un numero (o
números) que al multiplicarlos por la primera y segunda y ecuación den como
resultado el coeficiente de la tercera. Por lo tanto el sistema se puede plantear:

(x1 + 15x2 = 400) ∗ (−1)

(x1 + 10x2 = 300) ∗ (1)
Ahora se procede a sumar ambos resultados, con el fin de eliminar una de
las variables, en este caso se elimina x1 .

−x1 − 15x2 = −400

x1 + 10x2 = 300

−5x2 = −100

Ahora se puede despejar el valor de x2 con el fin de determinar su valor

numérico.
−100
x2 = = 20
−5
Con este valor se toma alguna de las ecuaciones anteriores y se encuentra el
valor de x1 .

x1 + 15(20) = 400
x1 + 300 = 400
x1 = 400 − 100
x1 = 100
1.4. SOLUCIÓN ANALÍTICA DE SISTEMAS DE ECUACIONES 27

Se encuentra entonces los valores por los cuales se debe multiplicar el sistema
original visto en la ecuación 1.15, los cuales serán x1 = 100 y x2 = 20.

1.4.4. Cramer
Para la presentación del método de Cramer es necesario primero introducir
la noción de determinante. En matemáticas se define el determinante como una
forma multilineal alternada sobre un espacio vectorial (Concepto que se vera
posteriormente). Esta definición indica una serie de propiedades matemáticas
y generaliza el concepto de determinante de una matriz haciéndolo aplicable
en numerosos campos. Un determinante se construye de la la forma vista en la
ecuación 1.17 para el sistema visto en la ecuación 1.16.

a11 x1 + a12 x2 = b1

(1.16)
a21 x1 + a22 x2 = b2

Ahora el determinante puede recibir un nombre, para este caso se usara A

como variable que contiene el determinante, la ecuación 1.16 muestra el deter-
minante del sistema anterior.
 
a11 a12 
A=   (1.17)
a21 a22 

Los determinantes ayudan en la aplicación del método de Cramer. Se debe

establecer primero como se soluciona un determinante. Para el determinante
visto en la ecuación 1.17, el proceso es multiplicar la diagonal positiva y restar
la multiplicación de la diagonal negativa, de la siguiente forma:

det(A) = |A| = a11 ∗ a22 − a12 ∗ a21

Ejemplo
Encontrar el valor numérico del siguiente determinante:
2 −5
 
A=
3 −6
 

Se multiplican las diagonales y se restan los resultados.

|A| = (2)(−6) − (−5)(3)

|A| = (−12) − (−15)
|A| = −12 + 15
|A| = 3
28 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Ejemplo
Encontrar el valor numérico del siguiente determinante:

3
 1 
−
B= 4 2
− 5 6


La solución es:

1 4
|B| = (− )(6) − (3)(− )
2 5
12 −15 + 12
|B| = −3 + =
5 5
3
|B| = −
5

Ejemplo
Encontrar el valor numérico del siguiente determinante:

1 
 
 a
C =  2
a − b2 a − b

La solución es:

|C| = (a)(a − b) − (1)(a2 − b2 )

|C| = a2 − ab − a2 + b2
|C| = b2 − ab

Sabiendo el procedimiento básico de los determinantes se puede realizar la

comprobación para el método de Cramer. Se toma un sistema de la forma ori-
ginal y se aplica reducción para eliminar una de las variables.

a11 x + a12 y = b1
a21 x + a22 y = b2
Ahora aplicando reducción para eliminar una de las variables .

(a11 x + a12 y = b1 ) ∗ (a21 )

(a21 x + a22 y = b2 ) ∗ (−a11 )
Realizando la multiplicación queda el sistema:

(a11 a21 x + a21 a12 y = a21 b1 )

(−a11 a21 x − a11 a22 y = −a11 b2 )
1.5. SISTEMA HOMOGÉNEO DE ECUACIONES 29

Ahora se puede realizar la suma de las ecuaciones anteriores para eliminar

una de las variables:

(a11 a21 x + a21 a12 y = a21 b1 )

(−a11 a21 x − a11 a22 y = −a11 b2 )

a21 a12 y − a11 a22 y = a21 b1 − a11 b2

El resultado de las sumas se puede factorizar con el termino en común y.

(a21 a12 − a11 a22 )y = a21 b1 − a11 b2

Despejando la variable.
a21 b1 − a11 b2
y=
a21 a12 − a11 a22
Las formas vistas en numerador y denominador se parecen a la estructura
de solución de un determinante.
 
a21 a11 
 
 b2 b1 
y =  
a21 a11 

a22 a12 
El mismo procedimiento se sigue pero para eliminar la variable y y obtener
un modelo para determinar la variable x.

1.5. Sistema Homogéneo de Ecuaciones

Un sistema general de m × n ecuaciones lineales se llama homogéneo si todas
las constantes b1 , b2 , ..., bm , son cero. Es decir, el sistema general homogéneo
está dado por:

a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = 0

a21 x1 + a22 x2 + a23 x3 + ... + a2n xn = 0
a31 x1 + a32 x2 + a33 x3 + ... + a3n xn = 0
.. .. ..
. . .
am1 x1 + am2 x2 + am3 x3 + ... + amn xn = 0

Para dicho sistema lineal general existen tres posibilidades: que no tenga
soluciones, que tenga una solución o que tenga un número infinito de soluciones.
30 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Para el sistema general homogéneo la situación es más sencilla. Como x1 = x2 =

· · · = xn = 0 es siempre una solución (llamada solución trivial o solución
cero), sólo se tienen dos posibilidades: la solución trivial es la única solución o
existe un número infinito de soluciones además de ésta. Las soluciones distintas
a la solución cero se llaman soluciones no triviales.

1.6. Matrices
Una matriz es un arreglo rectangular de números. Una matriz con m ren-
glones y n columnas se llama una matriz de m × n. El sı́mbolo m × n se lee m
por n. Para ver un ejemplo mas claro, se toma el ejemplo anterior y se escribe
en forma de matriz.

Ejemplo
Escribir el sistema de ecuaciones en forma matricial:
 2x1 + 4x2 + 6x3 = 18


4x1 + 5x2 + 6x3 = 24

3x1 + x2 − 2x3 = 4


En 1.18 se muestra la forma matricial del sistema anterior, esta forma es

conveniente para el desarrollo de este tema y de los siguientes concernientes al
álgebra lineal.

2 4 6
 
4 5 6  (1.18)
3 1 −2
Otro concepto importante para este punto es conocer la matriz aumentada,
para el sistema de ecuaciones anterior se muestra en 1.19 la matriz aumentada.

2 4 6 | 18
 
4 5 6 | 24 (1.19)
3 1 −2 | 4
Ahora es posible introducir cierta terminologı́a. Se ha visto que multiplicar
(o dividir) los dos lados de una ecuación por un número diferente de cero da
por resultado una nueva ecuación equivalente. Más aún, si se suma un múltiplo
de una ecuación a otra del sistema se obtiene otra ecuación equivalente. Por
último, si se intercambian dos ecuaciones en un sistema de ecuaciones se obtiene
un sistema equivalente. Estas tres operaciones, cuando se aplican a los renglones
de la matriz aumentada que representa un sistema de ecuaciones, se denominan
operaciones elementales con renglones.

1. Multiplicar (o dividir) un renglón por un número diferente de cero.

2. Sumar un múltiplo de un renglón a otro renglón.

1.6. MATRICES 31

3. Intercambiar dos renglones.

1.6.1. Eliminación Gaussiana

Para realizar la eliminación Gaussiana se debe tener en cuenta que se deben
formar ceros por debajo de la diagonal de la matriz.

Ejemplo
Determinar la solución por el método de eliminación Gaussiana para la
matriz:

2 4 6 | 18
 
4 5 6 | 24 (1.20)
3 1 −2 | 4

Para iniciar con la eliminación Gaussiana se toman cada uno de los factores
que se deben eliminar en orden; para el caso de la ecuación del ejercicio 1.20
con el siguiente orden A21 , A31 , A32 :

Para A21 : f ila2 − f ila1 ∗ k1

Para el encontrar el factor de multiplicación k1 , se toma el cociente entre el

primer factor de la fila 2 sobre el primer factor de la fila 1. Por lo que k1 = 24 = 2.

4
(2x1 + 4x2 + 6x3 = 18) ∗ −
2
−4x1 − 8x2 − 12x3 = −36

−4x1 − 8x2 − 12x3 = −36

4x1 + 5x2 + 6x3 = 24

0x1 − 3x2 − 6x3 = −12

Ahora la ecuación resultante 0x1 − 3x2 − 6x3 = −12 es la nueva fila 2; por
lo que la matriz nueva queda:

2 4 6 | 18
 
0 −3 −6 | −12
3 1 −2 | 4

Para A31 : f ila3 − f ila1 ∗ k2

32 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Para el encontrar el factor de multiplicación k2 , se toma el cociente entre el

primer factor de la fila 3 sobre el primer factor de la fila 1. Por lo que k3 = 23 .

3
(2x1 + 4x2 + 6x3 = 18) ∗ −
2
−3x1 − 6x2 − 9x3 = −27

−3x1 − 6x2 − 9x3 = −27

3x1 + 1x2 − 2x3 = 4

0x1 − 5x2 − 11x3 = −23

Ahora la ecuación resultante 0x1 − 5x2 − 11x3 = −23 es la nueva fila 3; por
lo que la matriz nueva queda:

2 4 6 | 18
 
0 −3 −6 | −12
0 −5 −11 | −23

Para A32 : f ila3 − f ila2 ∗ k3

Para el encontrar el factor de multiplicación k2 , se toma el cociente entre el

primer factor de la fila 3 sobre el primer factor de la fila 1. Por lo que k3 = 35 .

5
(0x1 − 3x2 − 6x3 = −12) ∗ −
3
0x1 + 5x2 + 10x3 = 20

0x1 + 5x2 + 10x3 = 20

0x1 − 5x2 − 11x3 = −23

0x1 + 0x2 − 1x3 = −3

Finalmente se logra obtener la triangular inferior de la matriz igual a cero,

por lo que la matriz sera:
1.6. MATRICES 33

2 4 6 18
 
|
0 −3 −6 | −12
0 0 −1 | −3
Se puede escribir en forma de ecuaciones, obteniendo el resultado:

2x1 + 4x2 + 6x3 = 18

−3x2 − 6x3 = −12
−1x3 = −3

Se puede obtener el resultado de x3 fácilmente y remplazar en la segunda

ecuación:

x3 = 3
−3x2 − 6(3) = −12
−3x2 − 18 = −12
−3x2 = −12 + 18 − 3x2 = 6
6
x2 = = −2
−3

Estos valores de x2 y x3 se pueden reemplazar en la primera ecuación para

obtener el resultado numérico de x1 :

2x1 + 4x2 + 6x3 = 18

2x1 − 8 + 18 = 18
2x1 = 8
8
x1 = = 4
2

1.6.2. Eliminación Gauss- Jordan

Este método se convierte en una herramienta util cuando se tienen m ecuacio-
nes con n incógnitas. Se describe un método para encontrar todas las soluciones
(si es que existen) de un sistema de m ecuaciones lineales con n incógnitas. Al
hacerlo se verá que, igual que en el caso de 2 × 2, tales sistemas o bien no tienen
solución, tienen una solución o tienen un número infinito de soluciones. Antes
de llegar al método general se verán algunos ejemplos [Link] variables,
se usarán x1 , x2 , x3 , ...,xn en lugar de x, y, z, . . . porque la generalización es
más sencilla si se usa la notación con subı́ndices.
34 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Ejemplo
Resolver el sistema por eliminación Gauss-Jordan:

 2x1 + 4x2 + 6x3 = 18



4x1 + 5x2 + 6x3 = 24

3x1 + x2 − 2x3 = 4


En este caso se buscan tres números x1, x2, x3, tales que las tres ecuaciones
se satisfagan, en otras palabras tres números que sean solución común a cada una
de las ecuaciones. Se divide la primera ecuación entre 2, con el fin de convertir
el primer coeficiente en 1 para luego multiplicar esa ecuación por -4.

x1 + 2x2 + 3x3 = 9
4x1 + 5x2 + 6x3 = 24
3x1 + x2 − 2x3 = 4

Entonces se multiplica la primera ecuación por -4, para luego sumarla con
la segunda ecuación y ası́ eliminar un termino.

−4x1 − 8x2 − 12x3 = −36

Se suman las primeras dos ecuaciones:

−4x1 − 8x2 − 12x3 = −36

4x1 + 5x2 + 6x3 = 24

−3x2 − 6x3 = −12

La ecuación −3x2 − 6x3 = −12 es la nueva segunda ecuación y el sistema

ahora es:

x1 + 2x2 + 3x3 = 9
−3x2 − 6x3 = −12
3x1 + x2 − 2x3 = 4

Como se puede ver por el desarrollo anterior, se ha sustituido la ecuación

4x1 + 5x2 + 6x3 = 24 por la ecuación −3x2 − 6x3 = −12. En este ejemplo y otros
posteriores se sustituirán ecuaciones con otras más sencillas hasta obtener un
1.6. MATRICES 35

sistema cuya solución se pueda identificar de inmediato. Entonces, la primera

ecuación se multiplica por -3 y se suma a la tercera con el fin de eliminar el
termino x1 de la tercera ecuación, lo que da por resultado:

x1 + 2x2 + 3x3 = 9
−3x2 − 6x3 = −12
−5x2 − 11x3 = −23

Se observa que en el sistema se ha eliminado la variable x1 de la segunda

y tercera ecuaciones. Después se divide la segunda ecuación por -3. El fin es
eliminar x2 y x3 de la primera, eliminar x1 y x3 de la segunda y eliminar x1 y
x2 de la tercera. Entonces:

x1 + 2x2 + 3x3 = 9
x2 + 2x3 = 4
−5x2 − 11x3 = −23

Se multiplica la segunda ecuación por -2 y se suma a la primera; después se

multiplica la segunda ecuación por 5 y se suma a la tercera:

x1 − x3 = 1
x2 + 2x3 = 4
−x3 = −3

Ahora se multiplica la tercera ecuación por -1:

x1 − x3 = 1
x2 + 2x3 = 4
x3 = 3

Por último, se suma la tercera ecuación a la primera y después se multiplica

la tercera ecuación por -2 y se suma a la segunda para obtener el siguiente
sistema:

x1 = 1
x2 = −2
x3 = 3
36 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Ésta es la solución única para el sistema. Se escribe en la forma (4, −2, 3).
El método que se usó se conoce como eliminación de Gauss-Jordan. Antes de
resolver otros sistemas de ecuaciones es conveniente introducir una notación que
simplifica la escritura de cada paso del procedimiento mediante el concepto de
matriz. El sistema visto también se puede escribir de forma matricial.

Ejemplo
Resolver el sistema por eliminación Gauss-Jordan escribiendo en forma
matricial:
 2x1 + 4x2 + 6x3 = 18


4x1 + 5x2 + 6x3 = 24

3x1 + x2 − 2x3 = 4


Queda entonces la matriz:

2 4 6
 
4 5 6
3 1 −2
Para la solución por Gauss-Jordan se debe tener la matriz del sistema de
forma aumentada:

2 4 6 | 18
 

A = 4 5 6 | 24
3 1 −2 | 4
Se debe operar siempre empezando por la diagonal inferior. Entonces lo
elementos o celdas a operar son en orden A21 , A31 , A32 , A13 , A23 , A12 .

Ejercicio: Resolver el siguiente sistema usando Gauss-Jordan:

 0x1 + 2x2 + 3x3 = 4



2x1 − 6x2 + 7x3 = 15

x1 − 2x2 + 5x3 = 10


Se puede evidenciar que 0 ̸= −1. Ası́, el sistema no tiene solución. En este

caso se dice que el sistema es inconsistente. Se dice que un sistema de ecua-
ciones lineales es inconsistente si no tiene solución. Se dice que un sistema que
tiene al menos una solución es consistente. Se puede representar un sistema de
dos ecuaciones con dos incógnitas mediante dos lı́neas rectas. Si las rectas tienen
un solo punto de intersección el sistema tiene una solución única; si coinciden,
existe un número infinito de soluciones; si son paralelas, no existe una solución
y el sistema es inconsistente.

Ejercicio: Resolver el siguiente sistema usando Gauss-Jordan:

 2x1 + 4x2 + 6x3 = 0



4x1 + 5x2 + 6x3 = 0

3x1 + x2 − 2x3 = 0

1.7. EJERCICIOS PROPUESTOS 37

Ejercicio: Resolver el siguiente sistema usando Gauss-Jordan:

 x1 + 2x2 − x3 = 0


3x1 − 3x2 + 2x3 = 0

−x1 − 11x2 + 6x3 = 0


Ejercicio: Resolver el siguiente sistema usando Gauss-Jordan:

x1 + x2 − x3 = 0

4x1 − 2x2 + 7x3 = 0
Hay un número infinito de soluciones. Esto puede no sorprender porque
el sistema contiene tres incógnitas y únicamente dos ecuaciones. En términos
generales, si hay más incógnitas que ecuaciones, el sistema homogéneo siempre
tendrá un número infinito de soluciones.

1.7. Ejercicios Propuestos

1. Un agricultor tiene un campo de 20 hectáreas en el que cultiva trigo y
maı́z. El rendimiento del trigo es de 2 toneladas por hectárea, y el del
maı́z es de 3 toneladas por hectárea. Si el agricultor obtiene un total de
50 toneladas de cosecha y quiere obtener al menos 10 toneladas de trigo,
¿cuántas hectáreas debe dedicar a cada cultivo?

2. Una empresa fabrica dos tipos de productos: A y B. El producto A requiere

3 horas de trabajo para ser fabricado, mientras que el producto B requiere
5 horas. La empresa dispone de un total de 50 horas de trabajo por semana.
Si desea fabricar al menos 5 unidades de cada producto, ¿cuántas unidades
de cada producto debe fabricar?

3. Una tienda de ropa vende camisas, pantalones y chaquetas. El precio de

una camisa es de $30, el de un pantalón es de $50 y el de una chaqueta es
de $100. En un dı́a, la tienda vendió un total de 50 prendas y obtuvo una
ganancia total de $3,500. Si vendió 10 chaquetas más que pantalones y el
doble de camisas que chaquetas, ¿cuántas prendas de cada tipo vendió la
tienda?

4. Un fabricante de muebles produce tres tipos de sillas: A, B y C. Para

producir una silla tipo A se requieren 2 horas de trabajo, para una silla
tipo B se necesitan 3 horas y para una silla tipo C se necesitan 5 horas.
La empresa dispone de un total de 120 horas de trabajo por semana. Si
desea producir al menos 10 sillas de cada tipo, ¿cuántas sillas de cada tipo
debe producir?

5. Un restaurante vende hamburguesas y papas fritas. Cada hamburguesa

cuesta $5 y cada porción de papas fritas cuesta $3. En un dı́a, el restaurante
vendió un total de 100 unidades y obtuvo una ganancia total de $350. Si
38 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

vendió 10 unidades más de hamburguesas que de papas fritas, ¿cuántas

unidades de cada tipo vendió el restaurante?
6. Un corredor recorre una distancia de 10 kilómetros en 45 minutos co-
rriendo a una velocidad constante y otra distancia de 5 kilómetros en 30
minutos corriendo a la misma velocidad constante. Si se sabe que la velo-
cidad constante del corredor es la misma en ambas distancias, ¿cuál es su
velocidad constante?
7. Un padre quiere repartir un total de $800 entre sus dos hijos. Si uno de
ellos recibe el doble de lo que recibe el otro, ¿cuánto dinero recibe cada
uno?
8. En una biblioteca se prestan libros y revistas. Cada libro tiene un costo de
$10 y cada revista tiene un costo de $5. En un dı́a, la biblioteca prestó un
total de 80 publicaciones y obtuvo una ganancia total de $450. Si prestó
10 publicaciones más de libros que de revistas, ¿cuántas publicaciones de
cada tipo prestó la biblioteca?
9. Una persona tiene $120 para gastar en comprar camisetas y pantalones.
Cada camiseta cuesta $15 y cada pantalón cuesta $30. Si quiere comprar
al menos 3 pantalones, ¿cuántas camisetas y pantalones puede comprar
como máximo?
10. Una empresa fabrica tres tipos de productos: A, B y C. El producto A
requiere 2 horas de trabajo para ser fabricado, el producto B requiere 4
horas y el producto C requiere 6 horas. La empresa dispone de un total
de 60 horas de trabajo por dı́a. Si desea fabricar al menos 10 unidades de
cada producto, ¿cuántas unidades de cada producto debe fabricar?
11. Una tienda de juguetes vende peluches, muñecas y juegos de mesa. El
precio de un peluche es de $20, el de una muñeca es de $30 y el de un juego
de mesa es de $40. En un dı́a, la tienda vendió un total de 80 productos y
obtuvo una ganancia total de $2,600. Si vendió 10 juegos de mesa más que
muñecas y el doble de peluches que juegos de mesa, ¿cuántos productos
de cada tipo vendió la tienda?
12. Un fabricante de computadoras produce tres tipos de computadoras: A,
B y C. El costo de producción de una computadora tipo A es de $500, el
de una tipo B es de $800 y el de una tipo C es de $1,200. En un mes, la
empresa produjo un total de 200 computadoras y tuvo un costo total de
producción de $140,000. Si produjo 40 computadoras más de tipo A que
de tipo B y el doble de tipo C que de tipo A, ¿cuántas computadoras de
cada tipo produjo la empresa?
13. Un carpintero quiere construir tres tipos de mesas: A, B y C. La mesa tipo
A requiere 3 metros de madera y 2 horas de trabajo para ser construida, la
mesa tipo B requiere 4 metros de madera y 3 horas de trabajo, y la mesa
tipo C requiere 6 metros de madera y 4 horas de trabajo. El carpintero
1.7. EJERCICIOS PROPUESTOS 39

dispone de un total de 120 metros de madera y 80 horas de trabajo. Si

quiere construir al menos 5 mesas de cada tipo, ¿cuántas mesas de cada
tipo debe construir?
14. Una tienda vende tres tipos de joyas: anillos, collares y pulseras. El precio
de un anillo es de $50, el de un collar es de $100 y el de una pulsera es
de $75. En un dı́a, la tienda vendió un total de 120 joyas y obtuvo una
ganancia total de $8,750. Si vendió 20 anillos más que collares y el doble
de pulseras que collares, ¿cuántas joyas de cada tipo vendió la tienda?
40 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES
Capı́tulo 2

Vectores y Matrices

El estudio de vectores y matrices es la médula del álgebra lineal. El estudio

de vectores comenzó esencialmente con el trabajo del gran matemático irlandés
Sir William Hamilton. Su deseo de encontrar una forma de representar un cierto
tipo de objetos en el plano y el espacio lo llevó a descubrir lo que él llamó los
cuaterniones. Esta noción condujo al desarrollo de lo que ahora se conoce como
vectores. En la actualidad casi todas las ramas de la fı́sica clásica y moderna
se representan mediante el lenguaje de vectores. Los vectores también se usan,
cada vez más, en las ciencias biológicas y sociales.
Un vector de n componentes se define como un conjunto ordenado de n
números escritos de la siguiente manera:
 
x1 x2 x3 ... xn

Un vector columna de n componentes es un conjunto ordenado de n números

escritos de la siguiente manera:
 
x1
 x2 
 
 x3 
 .. 
 
 . 
xn
En los vectores anteriores x1 se denomina la primera componente del vector,
x2 es la segunda componente, y ası́ sucesivamente. En términos generales, xk
se denomina la k − esima componente del vector. Con el objeto de simplificar,
con frecuencia se hará referencia a un vector renglón de n componentes como
un vector renglón o un n − vector. Del mismo modo, se usará el término vector
columna (o n − vector) para denotar a un vector columna de n componentes.
Cualquier vector cuyos elementos sean todos cero se denomina un vector cero

1 2 4
 

41
42 CAPÍTULO 2. VECTORES Y MATRICES

5 10 9 3 2
 
−3

8
 
3
3
 

0
 
0
0
 

0
La palabra “ordenado” contenida en la definición de un vector es de fun-
damental importancia. Dos vectores con las mismas componentes escritas en
diferente orden no son iguales. De esta forma, por ejemplo:

1 2 ̸= 2 1
   

Se resaltarán los vectores con letras minúsculas negritas como u, v, a, b, c,

y ası́ sucesivamente. Un vector cero se denota por 0. Más aún, como en términos
generales resultará obvio cuando se trate de un vector renglón o de un vector
columna, se hará referencia a ellos simplemente como vectores.
Los vectores surgen de diversas maneras. Suponga que el jefe de compras
de una fábrica debe ordenar cantidades diferentes de acero, aluminio, aceite y
papel. Él puede mantener el control de las unidades a ordenar con un solo vector:

10
 
30
15
 

60
El vector anterior indica que ordenará 10 unidades de acero, 30 unidades de
aluminio, etcétera. Se puede observar aquı́ por qué el orden en que se escriben
las componentes de un vector es sumamente importante.
Se usa el sı́mbolo ℜn para denotar a los n − vectores.
 
a1
 a2 
 
 a3 
 .. 
 
.
an
Del vector anterior se observa que cada termino (ai ) corresponde a un numero
en los Reales. De igual manera se pueden tener elementos organizados en forma
vectorial para números en los Complejos, teniendo este números denotados
como ci .
 43

En términos reales los vectores son tipos especiales de matrices. Por lo tanto,
en lugar de estudiar las propiedades de los vectores se analizarán las propiedades
de las matrices. Una matriz A de m×n es un arreglo rectangular de mn números
dispuestos en m renglones y n columnas.
 
a11 a12 a13 ... a1n
 a21 a22 a23 ... a2n 
 
A =  a31 a32 a33 ... a3n 

 .. .. .. .. .. 

 . . . . . 
am1 am2 am3 ... amn

El sı́mbolo m × n se lee m por n. A menos que se establezca lo contrario,

se supondrá siempre que los números en una matriz o vector son reales. En
algunos libros las matrices se presentan dentro de paréntesis cuadrados en lugar
de paréntesis redondos. Para hacer referencia a cualquier elemento de una matriz
se usa ai j donde i representa la i−esima fila y j representa la j−esima columna.

Ejemplo
Para la siguiente matriz encontrar los componentes (1,2), (3,2) y (1,3).

2 3 3 6 1
 
9 1 5 7 8
A= 4 5 7 9 1
 

9 4 3 2 2
2 1 6 5 3

Para encontrar el elemento (1,2) se busca la fila 1 y columna 2, entonces

a12 = 3, luego el componente (3,2) corresponde a la fila 3 con columna 2, lo que
significa que a32 = 5, finalmente el componente (1,3) corresponde al elementos
a13 = 3.
Dos matrices A y B son iguales si son del mismo tamaño y las componentes
correspondientes son iguales.

Ejemplo
Determine si la matriz A y la matriz B son iguales.

4 1 5 1+3 1 2+3
   
A= B=
2 −3 0 1+1 1−4 6−6

Sı́; ambas matrices son de 2 × 3 y 1 + 3 = 4, 2 + 3 = 5, 1 + 1 = 2, 1 − 4 = −3

y 6 − 6 = 0.
Los vectores son matrices de un renglón o de una columna; cada vector es un
tipo especial de matriz. Ası́, por ejemplo, el vector renglón de n componentes
(a1 , a2 , a3 , . . . , an ) es una matriz de 1 × n.
44 CAPÍTULO 2. VECTORES Y MATRICES

Las matrices, al igual que los vectores, surgen en un gran número de situa-
ciones prácticas. Suponga que se tienen cinco plantas diferentes y en cada una
de ellas se disponen 4 tipos diferentes de productos, entonces la matriz de 4 × 5
podrı́a representar las órdenes de los cuatro productos en cada una de las cinco
plantas.

10 20 15 16 25
 
30 10 20 25 22
Q=
15 22 18 20 13


60 40 50 35 45

Se puede apreciar en la matriz Q, a manera de ejemplo, que la planta 4

ordena 25 unidades del segundo producto mientras que la planta 2 ordena 40
unidades del cuarto producto. Las matrices se pueden sumar y multiplicar por
números reales.
La suma de matrices es sencilla, ya que se suma el elemento de la misma
posición de la otra matriz, ası́:

a11 + b11 a12 + b12 a1n + b1n

 
...
 a21 + b21 a22 + b22 ... a1n + b1n 
A+B = .. .. .. ..
 
. . . .

 
am1 + bm1 am2 + bm2 ... amn + bmn

Es evidente que las matrices deben tener el mismo tamaño para realizar la
operación de suma; de la misma manera se procede con la resta. Las siguientes
matrices no se pueden sumar, ya que no tienen el mismo tamaño:

2
 
−1
1 2 3 3 8
 
A= B=
4 5 6 2 6
 

5 9

Un termino importante en el manejo de vectores es el escalar. Se hace

referencia a los números como escalares (que pueden ser reales o complejos
dependiendo de si los vectores en cuestión son reales o complejos). Este termino
cobra importancia cuando se quiere multiplicar un escalar por un matriz.
 
αa11 αa12 αa13 ... αa1n
 αa21 αa22 αa23 ... αa2n 
αA =  . .. .. .. ..  (2.1)
 
 .. . . . . 
αam1 αam2 αam3 ... αamn

Donde α es el termino escalar, luego cada elemento de la matriz se multiplica

por este escalar como se muestra en la ecuación 2.1.
 45

Ejemplo
Encontrar 2A para la siguiente matriz:

1 −3 4 2
 

A= 3 1 4 6
−2 3 5 7

El producto de un escalar por la matriz es:

2 −6 8 4
 

A= 6 2 8 12
−4 6 10 14

Ejercicio: Encontrar los siguientes productos con la matriz del ejemplo an-
terior:
1. − 13 A
2. 0A
3. 3A

Ejercicio: Teniendo los siguientes vectores, encuentre el resultado de la

operación 2a − 3b.

4
   
−2
6 4
a=  b= 
1
  
−3
3 0
El teorema que se presenta a continuación proporciona los hechos básicos
sobre la suma de matrices y la multiplicación por escalares.
1. A + 0 = A
2. 0A = 0
3. A + B = B + A (Ley conmutativa para matrices)
4. (A + B) + C = A + (B + C) (Ley asociativa para matrices)
5. α(A + B) = α A + α B (Ley distributiva para la multiplicación)
6. 1A = A
7. (α + β)A = αA + α B
Es importante aclarar que El cero en la parte el primer item del teorema es
la matriz cero de m × n. En el segundo item el cero a la izquierda es un escalar
mientras que el cero a la derecha es la matriz cero de m × n.

Ejercicio: Realizar la comprobación de los teoremas anteriores.

46 CAPÍTULO 2. VECTORES Y MATRICES

2.1. Producto Matricial y Vectorial

En esta sección se analizará la forma en la cual se pueden multiplicar dos
matrices. Es obvio que se puede definir el producto de dos matrices de m × n
como el producto entre cada uno de sus componentes, similar a como se realiza
con la suma, pero este proceso no sigue esta misma lógica para el producto entre
matrices.

Ejemplo
Suponga que un fabricante produce cuatro artı́culos. Su demanda está
dada por el vector de demanda d. El precio por unidad que recibe el
fabricante por los artı́culos está dado por el vector de precios p. Si se
cumple la demanda, ¿cuánto dinero recibirá el fabricante?

$20
 
$25
d = 30 20 40 10 p=
 
$18


$40

La demanda del primer artı́culo es 30, y el fabricante recibe $20 por cada
artı́culo vendido. Por consiguiente recibe (30)(20) = $600 de las ventas del pri-
mer artı́culo. Si se sigue este razonamiento, se ve que la cantidad total de dinero
que recibe es:

(30)(20) + (20)(15) + (40)(18) + (10)(40) = 600 + 300 + 720 + 400 = $2020

Entonces Este resultado se escribe como:

20
 
 25
30 20 40 10  18 = $2020



40
Es decir, se multiplicó un vector renglón de 4 componentes y un vector co-
lumna de 4 componentes para obtener un escalar (un número real). En términos
generales se tiene la siguiente definición; siendo a y b vectores, entonces:
 
b1
 b2 
 
 b3 
a = a1 a2 a3 . . . an
 
 .. 
 
.
bn
Entonces el producto escalar de a y b denotado por a · b, está dado por:

a · b = a1 b1 + a2 b2 + a3 b3 + · · · + an bn (2.2)
2.1. PRODUCTO MATRICIAL Y VECTORIAL 47

Debido a la notación en la ecuación 2.2 el producto escalar se llama con

frecuencia producto punto o producto interno de los vectores. Se observa
que el producto escalar de dos n−vectores es un escalar (es decir, es un número).
Al tomar el producto escalar de a y b es necesario que a y b tengan el mismo
número de componentes. El producto punto se puede realizar con vectores fila
o columna o la combinación de ellos.
Sean dos vectores a y b con las mismas dimensiones, encontrar su producto
escalar.
   
a1 b1
 a2   b2 
   
a =  a3  b =  b3 
   
 ..   .. 
. .
an bn
Se puede aplicar la ecuación 2.2, por lo que el resultado es un escalar.

a · b = a1 b1 + a2 b2 + a3 b3 + · · · + an bn
Los teoremas se presentan a continuación:

1. a · 0 = 0
2. a · b = b · a (Ley conmutativa para matrices)
3. a · (b · c) = a · b + a · c (Ley distributiva para matrices)
4. (αa) · b = α(a · b)

Ejercicio: Sean dos vectores a y b, realizar el producto punto entre ambos.

1 3
   

a=  −2  b=  −4 
3 1

Ejercicio: Sean dos vectores a y b, realizar el producto punto entre ambos.

1
 
2
a = 2 −3 4 −6 b=
 
0


2.1.1. Producto Entre Dos Matrices

Para la multiplicación de matrices, se debe seguir que cada fila de la primera
matriz se multiplica por la columna de la segunda matriz, ası́ sucesivamente.
Dos matrices se pueden multiplicar únicamente si el número de co-
lumnas de la primera matriz es igual al número de filas de la segunda.
48 CAPÍTULO 2. VECTORES Y MATRICES

De otra modo, los vectores que forman el renglón en A y la columna de B no

tendrán el mismo número de componentes y el producto punto no estará defini-
do para este caso. Dicho de otro modo, las matrices A y B serán incompatibles
bajo la multiplicación.

Ejemplo
Realizar la multiplicación de la matriz A con la matriz B.

1 3 3 −2
   
A= B=
−2 4 5 6

A es una matriz de 2 × 2 y B es una matriz de 2 × 2, entonces C = AB =

(2 × 2) × (2 × 2) también es una matriz de 2 × 2. Para el primer elemento de la
matriz.

 3
 
c11 = 1 3 = 3 + 15 = 18

5

De igual manera para el resto de los elementos empezando con los superiores.
 
 −2
= 1 3 = −2 + 18 = 16

c12
18

 3
 
c21 = −2 4 = −6 + 20 = 14

5
 
 −2
= −2 4 = 4 + 24 = 24

c22
6

Entonces, se obtiene la respuesta de las multiplicación en forma matricial:

18 16
 
C = AB =
14 28

Ejercicio: Realice el producto entre la matriz A y la matriz B.

 7 4 7
 
−1
2 0

−3 
A= 2 5 0 −4
4 1 5
−3 1 2 3

2.1.2. Multiplicación de Matrices como una Combinación

Lineal
El producto de la matriz A de m×n y el vector columna x es una combinación
lineal de las columnas de A.
2.1. PRODUCTO MATRICIAL Y VECTORIAL 49

a11 x1 + a12 x2 + · · · + a1n xn

    
a11 a12 ... a1n x1
  x2   a21 x1 + a22 x2 + · · · + a2n xn 
 a21 a22 ... a2n     
a3n   x3  =  a31 x1 + a32 x2 + · · · + a3n xn 

Ax =  a31 a32 ...
    
 .. .. .. ..   ..   .. ..

 . . . .  .   . .


am1 am2 ... amn xn am1 x1 + am2 x2 + · · · + amn xn

Se define entonces el producto como :

     
a11 a12 a1n
 a21   a22   a2n 
     
 a31   a32 
Ax = x1   + x2   · · · + xn  a3n 
 
 ..   ..   .. 
 .   .   . 
am1 am2 amn
Ahora teniendo esto en cuenta el producto de una matriz A (m × n) por
una matriz B (n × p), se puede escribir como una combinación lineal. Para la
primera componente del resultad de la multiplicación entre A y B.

a11 b11 + a12 b21 + · · · + a1n bn1

   
c11
 c21   a21 b11 + a22 b21 + · · · + a2n bn1 
c1 =  .  =  .. ..
   
 ..   . .


cm1 am1 b11 + am2 b21 + · · · + amn bn1
Se puede expresar el producto como una combinación matricial.
     
a11 a12 a1n
 a21   a22   a2n 
c1 = b11  .  + b21  .  + · · · + bn1  . 
     
 ..   ..   .. 
am1 am2 amn

Ejemplo
Multiplicar las siguientes matrices en forma de combinación lineal:

1 −2
 
1 −1
 
A= 2 4 B=
2 7
 
3 5

La matriz A tiene dimensiones (3 × 2) y la matriz B tiene dimensiones (2 ×

2), entonces la primera tiene 2 columnas y la segunda tiene 2 filas, se puede
encontrar el producto, quedando una matriz C de (3 × 2).

1
     
−2 −3
c1 = 1 2 + 2  4  =  10 
3 5 13
50 CAPÍTULO 2. VECTORES Y MATRICES

Para el segundo elemento de la matriz de respuesta C:

1
     
−2 −15
c2 = −1 2 + 7  4  =  26 
3 5 32

Ejercicio: Realizar la multiplicación de matrices como una combinación

lineal.

1.
1 1 0 2 3 5
   

A = 2 −1 2 B = 1 3 5
4 3 0 6 4 0

2.
3 0 0 1 0 0
   

A = 0 2 0 B = 0 −1 0
0 0 1 0 0 7

3.
1 2
 
2 0 1
 
A = −1 0 B=
−5 2 3
−3 −1

4. 2
1 2


A = −1 0
−3 −1

2.1.3. Sumatorios
Una suma se puede escribir de la siguiente manera:
n
X
aM + ai+1 + ai+2 + · · · + an = ai (2.3)
i=M

En la ecuación 2.3 se lee suma de los términos ai cuando el valor de i va de

M a n. a Sigma se le llama signo de sumatorio e i se conoce como ı́ndice de la
suma.

Ejemplo
Extienda el sumatorio:
5
X
bi
i=1
2.1. PRODUCTO MATRICIAL Y VECTORIAL 51

El coeficiente b permanece y el ı́ndice de sumatorio varia desde i = 1 hasta

i = 5.
5
X
bi = b1 + b2 + b3 + b4 + b5
i=1

Ejemplo
Encuentre el valor del sumatorio:
3
X
i2
i=−2

El ı́ndice de sumatorio varia desde i = −2 hasta i = 3.

3
X
i2 = (−2)2 + (−1)2 + (0)2 + (1)2 + (2)2 + (3)2 = 19
i=−2

Ejemplo
Escriba la siguiente suma en forma de sumatorio:
1+2+3+4+5+6

El termino que esta variando es el ı́ndice de sumatorio:

6
X
1+2+3+4+5+6= i
i=1

Ejemplo
Escriba la siguiente suma en forma de sumatorio: 1 - 2 + 3 - 4 + 5 - 6
+7-8

Como:

1 = (−1)2 ∗ 1
−2 = (−1)3 ∗ 2
3 = (−1)4 ∗ 3
.. ..
. .
−8 = (−1)9 ∗ 8

Entonces el sumatorio se puede escribir:

52 CAPÍTULO 2. VECTORES Y MATRICES

8
X
1−2+3−4+5−6+7−8= (−1)i+1 ∗ i
i=1

La ecuación 2.2 para el producto escalar se puede escribir de manera com-

pacta usando la notación de sumatorio:
n
X
a · b = a1 b1 + a2 b2 + a3 b3 + · · · + an bn = ai bi
i=1

2.1.4. Multiplicación de Matrices por Bloques

En ciertas situaciones es prudente manejar las matrices como bloques de
matrices más pequeñas, llamadas submatrices, y después multiplicar bloque por
bloque en lugar de componente por componente. La multiplicación en bloques
es muy similar a la multiplicación normal de matrices. Considerando el sistema:

1 −1 2 4 1 4 3
  
2 0 4 5
AB =    2 −1 0
 
1 1 2 −3 −3 2 1
−2 3 5 0 0 1 2
Primero se debe verificar que el producto se pueda realizar; como el numero
de columnas de la primera matriz es igual al numero de filas de la segunda
entonces, se procede con la operación de multiplicación, separando las matrices
en bloques o submatrices mas pequeñas que sean fácilmente operables.

1 2 4 1 4 3
  
−1 | |
 2 0 4 5 
|  2 −1 | 0 

AB = −− −−
 
 −− −− −− −−
  −−
 1 1 2 2 1 

| −3   −3 |
−2 3 | 5 0 0 1 | 2
Si se supone que todos los productos y las sumas de matrices están definidos,
se puede multiplicar de manera normal para obtener:

CG + DJ | CH + DK
 
  
C D G H
AB = = − − − − −− − − − − −−
E F J K
EG + F J | EH + F K
Entonces realizando los productos ya definidos:

1 −1 1 4 −1 5
    
CG = =
2 0 2 −1 2 8

2 4 −3 2 −6 8
    
DJ = =
4 5 0 1 −12 13
Ahora se pueden sumar los productos indicados en las operaciones anteriores.
2.1. PRODUCTO MATRICIAL Y VECTORIAL 53

5 −6 8 −7 13
    
−1
CG + DJ = =
2 8 −12 13 −10 21
Los demas productos se dejan como ejercicio; ahora se construye la matriz
resultado:

13 13
 
−7 |
CG + DJ | CH + DK −10 21 20 
 
|
AB = − − − − −− − − − − −− = 
 
 −− −− −−
EG + F J | EH + F K 4

 −3 | −1 
−11 −1 | −1

−7 13 13
 
−10 21 20 
AB = 
4 −1

 −3
−11 −1 −1

2.1.5. Matrices y Sistemas de Ecuaciones Lineales

Se ha estudiado hasta el momento sistemas lineales de tamaño 3 × 3, pero
este no es el tamaño máximo; se pueden tener m ecuaciones con n ecuaciones.

a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + · · · + a3n xn = b3
.. ..
. .
am1 x1 + am2 x2 + am3 x3 + · · · + amn xn = bn

Esta forma se puede escribir en una matriz:

 
a11 a12 a13 ... a1n
 a21 a22 a23 ... a2n 
 
A =  a31 a32 a33 ... a3n 

 .. .. .. .. .. 

 . . . . . 
am1 am2 am3 ... amn
La matriz de coeficientes es el vector x:
 
x1
 x2 
 
x =  x3 
 
 .. 
 . 
xn
54 CAPÍTULO 2. VECTORES Y MATRICES

Y los términos independientes b también se disponen en forma de matriz:

 
b1
 b2 
 
b =  b3 
 
 .. 
.
bn
Entonces el sistema en forma matricial se escribe:

Ax = b (2.4)

Ejemplo
Escribir el siguiente sistema de ecuaciones en forma matricial:

2x1 + 4x2 + 6x3 = 18

4x1 + 5x2 + 6x3 = 24
3x1 + x2 − 2x3 = 4

Las matrices entonces quedan de la forma:

2 4 6
 

A = 4 5 6
3 1 −2
 
x1
x = x2 
x3
Y finalmente el vector b queda:

18
 

b = 24
4
Es mucho mas sencillo escribir el sistema de esta forma, además en secciones
posteriores se introduce la noción de matriz inversa que ayuda a resolver el
sistema de forma sencilla. Por ultimo si el vector b es:

0
 
0
b = 0
 
 
 .. 
.
0
2.2. INVERSA DE UNA MATRIZ 55

Se trata de un sistema de ecuaciones homogéneo que tiene solución trivial

o solución no trivial.

2.2. Inversa de una Matriz

Para introducir el concepto de matriz inversa se recurre a un ejemplo numéri-
co, sea la matriz A y la matriz B.

2 5 3 −5
   
A= B=
1 3 −1 2
Se realiza la el producto matricial de A por B.

2 5 3 −5 1 0
    
AB = =
1 3 −1 2 0 1
Al resultado visto en la operación de A por B se le conoce como matriz
identidad, también se debe reconocer que la matriz B es la inversa de la matriz
A, ya que su producto da como resultado la matriz identidad.
La matriz identidad I de n × n es una matriz de n × n cuyos elementos
de la diagonal principal son iguales a 1 y todos los demás son 0. Además es
importante mencionar que:

AI = IA = A
Es decir, I conmuta con toda matriz de n×n y la deja sin cambio después de
la multiplicación por la derecha o por la izquierda. I funciona para las matrices
de n × n de la misma manera que el número 1 funciona para los números reales
(1 ∗ a = a ∗ 1 = 1, siendo a un numero real).
Para la inversa de una matriz, se tiene una matriz A y una matriz B, si su
producto da como resultado una matriz I entonces se dice que B es la inversa
de A. Si B cumple con la condición de ser la inversa de A se denota como A−1 ,
que se lee como A inversa, o matriz inversa de A.

AA−1 = A−1 A = I
Si A tiene inversa, se dice que A es invertible. Una matriz cuadrada que
no es invertible se le denomina singular y una matriz invertible se llama no
singular. Si se calcula la matriz inversa de una matriz inversa, se obtiene como
resultado la matriz original como se ve en la ecuación 2.5.

(A−1 )−1 = A (2.5)

Esta definición no establece que toda matriz cuadrada tiene inversa. De
hecho, existen muchas matrices cuadradas que no tienen inversa. Si una matriz
A es invertible, entonces su inversa es única. Sean A y B dos matrices invertibles
de n × n. Entonces AB es invertible.

(AB)−1 = A−1 B −1
56 CAPÍTULO 2. VECTORES Y MATRICES

2.2.1. Calculo de Matriz Inversa por Gauss-Jordan

Se conoce el método de Gauss-Jordan como herramienta para encontrar la
solución a un sistema de ecuaciones, pero también es de utilidad en el calculo de
la matriz inversa de cualquier matriz. Teniendo la matriz A, calcular su inversa:

1 2
 
A=
3 4
Ahora para iniciar con el método de Gauss-Jordan se debe escribir la matriz
de forma aumentada, pero, se le debe aumentar o añadir un matriz identidad,
ası́:

1 2 | 1 0
 
A=
3 4 | 0 1
La idea fundamental es convertir la matriz del lado izquierdo en una matriz
identidad siguiendo el proceso visto en la sección de eliminación por Gauss-
Jordan. Como la matriz es cuadrada entonces el proceso debe iniciar por el
elemento a21 y finaliza con el elemento a12 .

Para a21 : f ila2 − f ila1 ∗ k1

Ahora para encontrar el factor k1 se toma el segundo elemento de la primera

columna (ya que ahı́ se ubica el elemento que se quiere cambiar) y se divide entre
el primer elemento de la misma columna. Entonces k1 = −3/1, se multiplica por
la fila 1 y se suma con la fila 2; quedando:

1 2 | 1 0
 
0 −2 | −3 1

Para a21 : f ila2 − f ila1 ∗ k1

Finalmente como se deben cambiar solo dos elementos entonces se debe

encontrar el k2 , esto se hace tomando el segundo elemento de la fila 2 y se divide
entre el primer elemento de la segunda columna,;obteniendo que k2 = 22 = 1. Se
multiplica por la fila 1 y se resta con la fila 2. Se tiene entonces que la matriz
A:

1 0 | −2 1
 
0 −2 | −3 1
Como se debe obtener una matriz identidad en el lado izquierdo, se debe
dividir cada fila para obtener 1 en la diagonal. Como la primera columna ya
cuenta con 1 en la primera posición entonces se deja tal como esta, la segunda
columna se debe dividir entre -2, quedando:

1 0 | −2 1
 

0 1 | 32 − 12
2.2. INVERSA DE UNA MATRIZ 57

Por lo tanto la matriz del lado derecho es la matriz inversa (A−1 ) de la

matriz A:

1
 
−2
A−1 = 3
2 − 12
Este proceso se puede aplicar para cualquier matriz que tenga inversa, esto
se puede determinar observador que det(A) ̸= 0 (el determinante de A debe ser
diferente de cero).

2.2.2. Calculo de Matriz Inversa por el Adjunto - Cofac-

tores
La forma general por el método del adjunto es el que se muestra en la
ecuación 2.6.

Adj(At )
A−1 = (2.6)
det(A)
El primer paso para encontrar si una matriz tiene inversa es determinar si
el det(A) ̸= 0. Para este procedimiento se plantea una matriz de dimensiones
3 × 3.

2 −2 2
 

A = 2 1 0
3 −2 2
Entonces el determinante de la matriz se plantea como:

det(A) = ((4) + (−8) + (0)) − ((6) − (0) − (8))

det(A) = −4 + 2
det(A) = −2

Como se obtuvo que el determinante de la matriz es igual a -2 entonces si

existe la matriz. El siguiente paso es determinar At o la denominada matriz
traspuesta, este tipo de matriz es sencilla ya que simplemente es cambiar filas
por columnas, ası́:

2 2 3
 

At = −2 1 −2
2 0 2
Con la matriz traspuesta se encuentra ahora la matriz adjunta de esta ulti-
ma. La matriz adjunta de la traspuesta de una matriz se denomina matriz de
cofactores. Para una matriz de tamaño 3 × 3 la matriz de cofactores es:
58 CAPÍTULO 2. VECTORES Y MATRICES

      
a22 a23  a a23  a a22 
+ a32 −  21 +  21

 a33  a31 a33  a31 a32  
 
      
 a12 a13  a a13  a a12 
Adj(A ) = Cof (A) = 
t
+  11 −  11

− a32
 
 a33  a31 a33  a31 a32  
 
      
 a12 a13  a a13  a a12 
+  −  11 +  11

a22 a23  a21 a23  a21 a22 

Siguiendo este procedimiento para la matriz dada en el ejercicio entonces se

tiene que la matriz de cofactores es:

2 0
 
−2
Cof (A) −4 −2 4
−7 −2 6
Se puede entonces realizar el calculo de la matriz inversa como se ve en la
ecuación 2.6, esta se puede descomponer como:

Adj(At ) 1
A−1 = = Cof (A)
det(A) det(A)
Quedando entonces, el calculo de la inversa como:

2 0 0 1
   
−2 −1
1
A−1 = − −4 −2 4 = 2 1 −2
2
−7 −2 6 7
2 1 −3
De esta manera se obtiene el calculo de la matriz inversa de la matriz original
A. Para matrices con tamaño de n × n, el costo computacional del cálculo de
adjuntos es grande, por lo que si el objetivo es calcular la inversa de una matriz,
se recurre a otros algoritmos de cálculo que no impliquen calcular primero la
matriz de adjuntos.

Ejercicio: Calcular la matriz inversa para los siguientes casos:

2 4 6
 

1. A = 4 5 6
3 1 −2

1 2
 
2. B =
−2 −4

1 −3 4
 

3. C = 2 −5 7
0 −1 1
2.3. MATRIZ TRASPUESTA 59

Ahora, es preciso recordar que un sistema de ecuaciones lineales se puede

escribir de forma matricial:

Ax = b

Si se despeja el vector x, la ecuación queda:

x = A−1 b

Ahora se puede calcular los valores solución para el sistema, calculando la

matriz inversa de A.

Ejemplo
Resolver el siguiente sistema haciendo uso de la matriz inversa para cal-
cular los valores que son solución.

 2x1 + 4x2 + 3x3 = 6



x2 − x3 = −4
3x1 + 5x2 + 7x3 = 7


Se escribe el sistema en forma matricial Ax = b.

2 4 3 6
    
x1
0 1 −1 x2  = −4
3 5 7 x3 7
Se calcula la matriz inversa de A, quedando:

4 − 13 − 37
 
3
 
−1
=
 5 2

A −1

3 3 
 
2 2
−1 3 3

Ahora se plantea la solución.

4 − 13 − 37 6 25
      
x1 3
x = x2  = A−1 b = −1 5
3
2
3
 −4 = −8
x3 −1 2
3
2
3
7 −4

2.3. Matriz Traspuesta

Sea A = (aij ) una matriz de m × n. Entonces la transpuesta de A, que se
escribe At o A’, es la matriz de n×m que se obtiene al intercambiar los renglones
(filas) por las columnas de A. De manera breve, se puede escribir At = (aji ). Si
existe una matriz A, tal que:
60 CAPÍTULO 2. VECTORES Y MATRICES

 
a11 a12 ... a1n
 a21 a22 ... a2n 
A= . .. .. .. 
 
 .. . . . 
am1 am2 ... anm
Existe otra matriz A denominada matriz traspuesta, de forma:
t

 
a11 a21 . . . am1
 a12 a22 . . . am2 
At =  . .. . .. 
 
 .. . . . . 
a1n a2n ... anm
Algunos teoremas importantes son:
1. (At )t = A.
2. (AB)t = At B t .
3. Si A y B son de (n × m), entonces (A1B)t = At + B t .
4. Si A es invertible, entonces At es invertible y (At )−1 = (A−1 )t .

Ejercicio: Calcular la matriz traspuesta de las siguientes matrices:

1 2 −6
 

2 3 2 3 1 2 −3 4 
   
1. A = 2. B = 3. C = 
1 4 −1 4 6 0 1 2


2 −1 5

2 4 6
 
−1
1 2
 
−4
1 2 2 7 3 5
 
4. D = 5. E = −4 7 5 6. E = 
2 3 4 3 8 0

2 5 0
6 5 0 −4

2.3.1. Matriz Simétrica

Una matriz simétrica tiene la propiedad de ser A = At , lo que en otras
palabras es, la traspuesta de la matriz A es ella misma. Una aplicación práctica
de las matrices simétricas es en la resolución de sistemas de ecuaciones lineales.
En particular, si el sistema de ecuaciones lineales tiene una matriz de coeficientes
simétrica, entonces se puede utilizar el método de descomposición de Cholesky
para resolver el sistema de manera más eficiente que con otros métodos, como
la eliminación gaussiana. Además, las matrices simétricas tienen propiedades
interesantes. Por ejemplo, todas sus eigenvalores son reales, y sus eigenvectores
son ortogonales entre sı́. También se utilizan en la fı́sica y la mecánica para
representar matrices de momentos de inercia, que son importantes en el estudio
del movimiento rotacional de objetos fı́sicos.
2.4. DESCOMPOSICIÓN DE CHOLESKY 61

2.4. Descomposición de Cholesky

La descomposición de Cholesky es un método para factorizar una matriz
simétrica y definida positiva en un producto de una matriz triangular inferior
y su transpuesta conjugada. Este método puede ser utilizado para resolver sis-
temas de ecuaciones lineales de manera más eficiente que con otros métodos,
como la eliminación gaussiana. La descomposición de Cholesky de una matriz
simétrica y definida positiva A se escribe como A = LLT , donde L es una matriz
triangular inferior con entradas reales positivas en la diagonal.
El proceso para encontrar la descomposición de Cholesky se puede describir
en los siguientes pasos:

1. Empezar con una matriz simétrica y definida positiva A.

2. Calcular la entrada en la primera fila y primera columna de L como la raı́z

cuadrada de la entrada correspondiente en A: L11 = sqrt(A11).

3. Calcular la primera columna de L dividiendo la primera columna de A por

L11.

4. Calcular el resto de las entradas de L utilizando la fórmula Lij

5. Repetir los pasos 2 a 4 para obtener el resto de las columnas de L.

2.5. Factorización o Descomposición LU

En esta sección se muestra la forma en la cual se escribe una matriz cuadrada
como un producto de matrices triangulares. Esta factorización resulta útil para
resolver sistemas lineales con una computadora y se puede utilizar para probar
resultados importantes sobre matrices. La descomposición LU es una técnica
matemática utilizada para resolver sistemas de ecuaciones lineales mediante la
factorización de una matriz en dos matrices, una matriz triangular superior (L)
y una matriz triangular inferior (U). Esta técnica es ampliamente utilizada en
diversas aplicaciones prácticas debido a su capacidad para resolver sistemas de
ecuaciones lineales de manera eficiente y precisa.
Una de las principales aplicaciones de la descomposición LU es en la reso-
lución de sistemas de ecuaciones lineales. Al utilizar la descomposición LU, es
posible resolver sistemas de ecuaciones lineales de manera más rápida y precisa
que con otros métodos, como el método de eliminación gaussiana. Esto hace
que la descomposición LU sea particularmente útil en áreas como la ingenierı́a,
la fı́sica y la economı́a, donde se utilizan sistemas de ecuaciones lineales para
modelar y resolver problemas complejos.
Además, la descomposición LU también es utilizada en áreas como la compu-
tación cientı́fica y la inteligencia artificial, donde se utilizan matrices para re-
presentar y procesar grandes conjuntos de datos. Por ejemplo, en la inteligencia
62 CAPÍTULO 2. VECTORES Y MATRICES

artificial, la descomposición LU se utiliza para entrenar y aplicar redes neurona-

les, que son una forma de aprendizaje automático que se basa en la resolución
de sistemas de ecuaciones lineales.
En la simulación numérica también se utiliza la descomposición LU para
resolver sistemas de ecuaciones diferenciales en tiempo continuo, esto se ha-
ce mediante la discretización del tiempo y la aproximación de las ecuaciones
diferenciales mediante ecuaciones lineales.
La descomposición LU es una técnica matemática esencial en diversas apli-
caciones prácticas, desde la resolución de sistemas de ecuaciones lineales hasta
el entrenamiento de redes neuronales en inteligencia artificial, pasando por el
cálculo de inversas de matrices y la simulación numérica. Su capacidad para
resolver sistemas de ecuaciones lineales de manera eficiente y precisa, ası́ como
su capacidad para ser utilizada en conjunto con otros métodos matemáticos,
hacen de la descomposición LU una herramienta valiosa en una amplia variedad
de campos.
En el campo de la computación, la descomposición LU se utiliza en algorit-
mos de factorización para la resolución de sistemas de ecuaciones lineales y en
la solución de problemas de optimización. También se utiliza en la resolución de
sistemas de ecuaciones diferenciales ordinarias mediante la técnica de diferencias
finitas.
En el campo de la economı́a, la descomposición LU se utiliza en el análi-
sis económico, para resolver sistemas de ecuaciones simultáneas y analizar la
relación entre variables económicas.
En la ingenierı́a, la descomposición LU se utiliza en el diseño y análisis
de estructuras, en el control de procesos, para la resolución de sistemas de
ecuaciones dinámicas en tiempo continuo y para el análisis modal de sistemas
vibratorios.
En resumen, la descomposición LU es una técnica matemática valiosa y am-
pliamente utilizada en una variedad de campos, debido a su capacidad para
resolver sistemas de ecuaciones lineales de manera eficiente y precisa. Su capaci-
dad para ser utilizada en conjunto con otros métodos matemáticos, hace que sea
una herramienta valiosa para resolver problemas complejos en diversas áreas.

Ejemplo
Resolver el siguiente sistema haciendo uso de la descomposición LU.

 x1 + 4x2 − 2x3 = 3


3x1 − 2x2 + 5x3 = 14

2x1 + 3x2 + x3 = 11


El primer paso es escribir el sistema en forma matricial, quedando la matriz

A con los coeficientes del sistema.
2.5. FACTORIZACIÓN O DESCOMPOSICIÓN LU 63

1 4
 
−2
A = 3 −2 5
2 3 1
La idea para la descomposición LU es forma una matriz triangular superior
de la original (A). El proceso se debe realizar con las operaciones elementales.
Sigue una estructura similar a la eliminación gaussiana. El primer elemento que
se debe convertir en cero es el que esta ubicado en la posición a21 . Se debe
realizar entonces f ila2 − f ila1 ∗ k1 , donde el k1 = −3, quedando la matriz
entonces:

1 4
 
−2
A = 0 −14 11 
2 3 1
El siguiente elemento a convertir es el que esta en la posición a31 , se debe
realizar f ila3 − f ila1 ∗ k2 , donde k2 = −2. Quedando en esta iteración la matriz
como se muestra a continuación:

1 4
 
−2
A = 0 −14 11 
0 −5 5
Finalmente para convertir la triangular inferior en ceros se toma el elemento
a32 , para esto se hace la operación f ila3−f ila2∗k3 , donde el termino k3 = − 14
5
.
Entonces la matriz queda:

1 4
 
−2
A = 0 −14 11 
0 0 15
14
Queda entonces la triangular inferior en ceros, esta matriz se denomina la
matriz U . Para encontrar la otra matriz L, se dispone una matriz identidad, don-
de su triangular inferior esta compuesta por los términos ki que se determinaron
en cada una de las operaciones, ası́:

1 0 0 1 0 0
   

L = k1 1 0 = 3 1 0
k2 k3 1 3 14 5
1
Hay que notar que en la matriz L se cambia el signo de termino ki . Ahora
con los coeficientes de la matriz L se plantea el siguiente sistema de ecuaciones:

 a + 0b + 0c = 3


3a + b + 0c = 14
3a + 14
5
b + c = 11


Este sistema de ecuaciones es mucho mas sencillo de resolver, por lo que se

puede plantear el termino a = 3, que se determinar de forma directa. Ahora
para el termino b.
64 CAPÍTULO 2. VECTORES Y MATRICES

3a + b + 0c = 14
3(3) + b + 0c = 14
9 + b = 14
b = 14 − 9
b=5

Finalmente los valores de a y b se reemplazan en a tercera ecuación para

determinar el valor de c, ası́:

5
3a + b + c = 11
14
(5)(5)
3(3) + + c = 11
11
25
9+ + c = 11
11
25
c = 11 − 9 −
11
45
c=
14
Con los términos calculados para a, b y c, se procede a utilizar la matriz U
previamente calculada. El sistema original:

 x1 + 4x2 − 2x3 = 3  x1 + 4x2 − 2x3 = 3

 

3x1 − 2x2 + 5x3 = 14 → 0x1 − 14x2 + 11x3 = 5

2x1 + 3x2 + x3 = 11 0x1 + 0x2 + 14
15
x3 = 45
 
14

Es importante notar que los resultados de las ecuaciones también cambian y

no solo sus coeficientes, las ecuaciones dan como resultado los valores obtenidos
en a, b y c. La primera variable que se puede calcular es x3 :

15 45
x3 =
14 14
45
15x3 = ∗ (14)
14
15x3 = 45
45
x3 =
15
x3 = 3

Se puede encontrar después a x2 reemplazando el valor de x3 en la segunda

ecuación:
2.5. FACTORIZACIÓN O DESCOMPOSICIÓN LU 65

−14x2 + 11x3 = 5
−14x2 + 11(3) = 5
−14x2 + 33 = 5
−14x2 = 5 − 33
−28
x2 =
−14
x2 = 2

Finalmente el valor de x1 se puede encontrar como:

x1 + 4x2 − 2x3 = 3
x1 + 4(2) − 2(3) = 3
x1 + 8 − 6 = 3
x1 = 3 + 6 − 8
x1 = 1

Se tiene entonces que los valores que solucionan el sistema son x1 = 1, x2 = 2

y x3 = 3.

Ejercicio: Calcular la matriz traspuesta de las siguientes matrices:

 3x1 + 2x2 + x3 = 1  5x1 − 3x2 − x3 = 1  2x1 − x2 + 2x3 = 6

  

1. 5x1 + 3x2 + 4x3 = 2 2. x1 + 4x2 − 6x3 = −1 3. 3x1 + 2x2 − x3 = 4

x1 + x2 − x3 = 1 2x1 + 3x2 + 4x3 = 9 4x1 + 3x2 − 3x3 = 1
  
66 CAPÍTULO 2. VECTORES Y MATRICES
Capı́tulo 3

Determinantes

3.1. Introducción
El determinante de una matriz siempre es un número real y únicamente se
podrá calcular para matrices cuadradas. El determinante de una matriz indica
si se tiene un sistema singular o no singular de ecuaciones lineales. Por ello, si el
resultado del determinante es cero (nulo), la matriz es singular, y si el resultado
es distinto de cero, la matriz es no singular. Se puede estudiar el determinante
para:

Permiten estudiar la posición relativa de rectas y planos (sabemos que la

posición relativa que ocupan rectas y planos se puede calcular a través
de sistemas de ecuaciones lineales, que son resueltas por determinantes de
matrices).
Se puede obtener la ecuación implı́cita de un plano (a través de un deter-
minante nulo).
Son un instrumento para calcular áreas de figuras en el plano.
Ayudan a calcular el rango de una matriz con parámetros (sin usar el
concepto de determinante).
Son útiles para calcular el volumen de los paralelepı́pedos.

3.2. Propiedades de los Determinantes

Existen algunos problemas en matemáticas que, en estricta teorı́a, son senci-
llos pero que en la práctica son imposibles. Considerando una matriz de tamaño
(50 × 50) aunque el método se conoce, computacionalmente es imposible rea-
lizar el calculo de forma directa por expansión de cofactores. Una matriz de
(50 × 50) no es tan rara. Por ejemplo, en 50 tiendas en las que se ofrecen 50
productos diferentes. De hecho, las matrices de (n × n) con (n > 100) surgen

67
68 CAPÍTULO 3. DETERMINANTES

con frecuencia en la práctica. Uno de los teoremas mas importantes sobre de-
terminantes establece que el determinante de un producto es igual al producto
de los determinantes. Sean dos matrices A y B de (n × n). Entonces:

det(AB) = det(A) ∗ det(B) (3.1)

De la ecuación 3.1 se puede observar que el determinante del producto,
es el producto de los determinantes. De igual forma es importante saber que
el producto de la izquierda es un producto de matrices mientras que el de la
derecha es de escalares.
Recordando la forma de encontrar el determinante para una matriz 2 × 2, se
sabe que:
 
a a12
A = 11
a21 a22
Entonces el determinante de la matriz A es:

det(A) = a11 a22 − a12 a21

Si se expande la matriz A hasta un tamaño de 3 × 3:
 
a11 a12 a13
A = a21 a22 a23 
a31 a32 a33
El determinante se puede calcular añadiendo términos de la misma matriz
para completar las diagonales, ası́:
 
a11 a12 a13  a11 a12
|A| = a21 a22 a23  a21 a22
 
a31 a32 a33  a31 a32
Se debe notar que se añaden las mismas columnas al lado derecho del de-
terminante. También se pueden añadir términos debajo de los coeficientes para
realizar las operaciones de forma vertical, como se muestra a continuación:

 
a11 a12 a13 
|A| = a21

a22 a23 
a31 a32 a33 
a11 a12 a13
a21 a22 a23

Ahora, con las diagonales completas para caso se deben operar positivas las
diagonales que van de izquierda a derecha y negativas las que van de derecha a
izquierda, ası́:

|A| = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a31 a22 a13 − a32 a23 a11 − a33 a21 a12
3.2. PROPIEDADES DE LOS DETERMINANTES 69

Aunque también se puede obtener el determinante de una matriz 3× con los

determinantes 2 × 2 que posee, de la siguiente forma:
     
a22 a23  a21 a23  a21 a22 
|A| = a11 
  − a12 
  + a13 
 
a32 a33  a31 a33  a31 a32 
Los métodos no funcionan para determinantes de n × n si n > 3. Si se
intenta algo similar para determinantes de 4 × 4 o de orden mayor, el calculo
estará equivocado. Para encontrar el valor de determinantes para matrices con
tamaño mayor a 4, se usan otras técnicas.

3.2.1. Determinantes por Gauss-Jordan

El método de Gauss consiste en convertir la matriz determinada en una
triangular, ası́ el determinante será igual al producto de los elementos de la
diagonal principal. De forma similar al cálculo del rango con Gauss, se van
haciendo ceros por debajo de la diagonal (o por encima, es indiferente).

Ejemplo
Encontrar el determinante de la matriz B.

4 9 −6 3
 
1 2 −2 2
B= 1 6 3 1


2 −1 1 −1

Se debe obtener una matriz con la triangular inferior (o superior) igual a

ceros, este proceso se realiza con el método de Gauss-Jordan que ya se conoce,
por lo que se obvia esta parte. Una vez operada la matriz B con Gauss-Jordan,
queda:

1 2 −2 2
 
0 1 2 −5
B= 0 0 −3 19 


0 0 0 65
El procedimiento que sigue es tomar todos los elementos de la diagonal y
multiplicarlos entre si para obtener el determinante.

|B| = (1)(1)(−3)(65) = 195

Por lo que el determinante de la matriz B es igual a 195.

3.2.2. Determinantes por Laplace

La regla o desarrollo de Laplace permite calcular el determinante de matrices
cuadradas de cualquier dimensión, pero normalmente se utiliza para dimensión
mayor que 3. La regla de Laplace establece:
70 CAPÍTULO 3. DETERMINANTES

n
X
|A| = aij (−1)i+j |Aij | (3.2)
j=1

De le ecuación 3.2 se notan varios elementos, aij son los elementos de la fila
i y Aij el determinante que se obtiene al eliminar la fila i y la columna j de la
matriz original |A|.

Ejemplo
Para la matriz C aplicar la regla de Laplace para encontrar el determi-
nante.
1 2 3
 

C = −5 5 0
−2 −3 −1

Se debe escoger una de las filas para realizar el proceso, para este caso se
toma la primera fila, por lo que i = 1. Se sabe además que n = 3, queda entonces
la ecuación del determinante ası́:

3
X
|C| = a1j (−1)1+j |A1j |
j=1

Desarrollando la expresión queda:

|C| = a11 (−1)2 |A11 | + a12 (−1)3 |A12 | + a13 (−1)4 |A13 |
Los términos Aij se denominan los adjuntos de la matriz, y se obtienen
eliminando la fila y la columna indicada. Por lo que la expresión sera:

5 0  −5 0 
 + 3 −5 5 
     
|C| = 1  2
 
− 
−3 −1   −2 −1  −2 −3
Realizando las operaciones de los determinantes 2 × 2, se obtiene:

|C| = 1(−5) − 2(5) + 3(15 + 10)

|C| = −5 − 10 + 75 = 60
El determinante de la matriz C es por lo tanto 60.

Ejercicio: Verifique el teorema visto en la ecuación 3.1 para las siguientes

matrices:

1 −1 2 1 −2 3
   

A = 3 1 4 B = 0 −1 4 
0 −2 5 2 0 −2
3.3. CIFRADO DE HILL 71

Ahora, el determinante de la suma no siempre es igual a la suma de los

determinantes. Es decir, para la mayorı́a de los pares de matrices, A y B:

det(A + B) ̸= det(A) + det(B)

Ejercicio: Teniendo en cuenta que el determinan de la suma de dos matrices

no es igual a la suma de los determinantes individuales de cada matriz, verifique
esta propiedad para las siguientes matrices:

1 2 3 0
   
A= B=
3 4 −2 2
Otra propiedad que se puede verificar es:

det(A) = det(LU ) = det(L)det(U )

3.3. Cifrado de Hill

El cifrado de Hill es un método criptográfico que utiliza la teorı́a del álgebra
lineal para cifrar y descifrar mensajes. Fue inventado por Lester S. Hill en 1929
y es considerado uno de los primeros métodos de cifrado de clave pública.
El cifrado de Hill utiliza una matriz cuadrada invertible A de tamaño n
x n, donde n es el tamaño del alfabeto utilizado (por ejemplo, n=26 para el
alfabeto inglés). Para cifrar un mensaje M, se divide en bloques de n letras (se
pueden añadir letras al final si el número total de letras no es múltiplo de n)
y se representa cada bloque como un vector columna x de tamaño n, donde
cada entrada corresponde a la posición de la letra en el alfabeto. El mensaje
cifrado C se obtiene mediante la multiplicación de la matriz A por cada vector
columna x, módulo n. Es decir, C = Ax mod n. El mensaje cifrado C también
se divide en bloques de n letras para su transmisión. Para descifrar el mensaje
cifrado C, se utiliza la matriz inversa A−1 de A. El mensaje original M se obtiene
multiplicando la matriz inversa A−1 por cada vector columna de C, módulo n.
Es decir, M = A−1 C mod n.
La seguridad del cifrado de Hill depende en gran medida de la elección de la
matriz A. Si la matriz no es invertible, no se puede descifrar el mensaje. Si la
matriz es conocida por el atacante, puede descifrar fácilmente el mensaje cifrado
mediante la multiplicación por la matriz inversa. Por lo tanto, es importante
elegir una matriz aleatoria y secreta para cada mensaje cifrado.
Luego se debe establecer el mensaje que se requiere encriptar, se tomara la
palabra Matriz como mensaje de ejemplo. El mensaje se debe separar en partes
iguales; quedando entonces:

M1 = M
 
A T

M2 = R
 
I Z
72 CAPÍTULO 3. DETERMINANTES

A B C D E F G H I
1 2 3 4 5 6 7 8 9
J K L M N Ñ O P Q
10 11 12 13 14 15 16 17 18
R S T U V W X Y Z
19 20 21 22 23 24 25 26 27

Cuadro 3.1: Correspondencia entre letras y números para el cifrado de Hill.

Ahora se debe tener una matriz “llave” que sirve para desencriptar el mensa-
je, la caracterı́stica principal de esta matriz es que debe tener un determinante
diferente de cero ya que se requiere que sea invertible. Se usara la matriz A.

2 1 1
 

A = 3 2 0
1 6 1
El determinante de la matriz A es 17 por lo que no tiene problemas en
ser utilizada como la matriz “llave”. Se debe entonces multiplicar A (matriz
“llave”) por los vectores que contienen el mensaje, reemplazando cada letra por
su numero correspondiente como se ve en el cuadro 3.1, donde los vectores que
contienen el mensaje se deben trasponer.

2 1 1 13 48
    

A ∗ M1 = 3 2 0  1  = 41
1 6 1 21 40

2 1 1 19 74
    

A ∗ M2 = 3 2 0  9  =  75 
1 6 1 27 100
Ahora se tiene la matriz que se envı́a con el mensaje encriptado; si se hace
la matriz transpuesta de los vectores encriptados, queda que el mensaje es:

48 74
 
41 75 
40 100
Para realiza el proceso de desencriptado se debe conocer la matriz “llave”
con que se realizo el proceso y obtener su matriz inversa, para el caso del ejemplo
dicha matriz es:
 2 5 2

17 17 − 17
 
A = − 17
−1
 3 1 3 


17 17 
 
16 11 1
17 − 17 17
3.3. CIFRADO DE HILL 73

Si se realiza la multiplica por cada una de las filas del mensaje encriptado
se obtienen los valores originales.
74 CAPÍTULO 3. DETERMINANTES
Capı́tulo 4

Vectores en ℜ2 y ℜ3

Se definió que ℜ2 es el conjunto de vectores que tienen con componentes x1

y x2 (números reales), ası́ mismo ℜ3 es el conjunto de vectores con componentes
x1 , x2 y x3 ; generalizando estas expresiones ℜn es el conjunto de vectores con
n componentes. Como cualquier punto en el plano se puede escribir en la forma
(x, y) es evidente que se puede pensar que cualquier punto en el plano es un
vector en ℜ2 y viceversa. a. De este modo,los términos en el plano y ℜ2 con
frecuencia son intercambiables. Sin embargo, para muchas aplicaciones fı́sicas
(incluyendo las nociones de fuerza, velocidad, aceleración y momento) es impor-
tante pensar en un vector no como un punto sino como una entidad que tiene
longitud, sentido y dirección.

4.1. Vectores en ℜ2 (Plano Cartesiano)

Si se tienen dos puntos cualquiera en el plano cartesiano, por ejemplo P y Q,
−−→
el segmento de recta que une a los puntos se denota P Q, además es importante
notar que el sentido del vector va de P a Q, ya que el sentido del segmento de
recta que une los puntos cambia se se escribe de Q a P (observe la figura 4.1).

Figura 4.1: Ejemplo de segmentos de recta dirigidos (vectores).

75
76 CAPÍTULO 4. VECTORES EN ℜ2 Y ℜ3

−−→
El punto P en el segmento de recta dirigido P Q se denomina punto inicial
del segmento y el punto Q se denomina punto terminal. Las dos propiedades
más importantes de un segmento de recta dirigido son su magnitud (longitud)
−−→ −→
y su dirección. Si dos segmentos de recta dirigidos P Q y RS tienen la misma
magnitud y dirección, se dice que son equivalentes sin importar en dónde se
localizan respecto al origen. El conjunto de todos los segmentos de recta dirigidos
equivalentes a un segmento de recta dirigido dado se llama vector. Cualquier
segmento de recta en ese conjunto se denomina una representación del vector.
De manera general en textos se utiliza una letra minúscula en negrilla para
darle nombre a los vectores, por ejemplo, v, aunque se puede encontrar una
letra minúscula con un vector sobre ella, ⃗v ; ambas formas sirven para denotar
−−→
un vector. Un vector dado ⃗v se puede representar de múltiples formas. Sea P Q
una representación de ⃗v . Entonces, sin cambiar magnitud ni dirección, se puede
−−→
mover P Q en forma paralela de manera que su punto inicial se traslada al origen.
−→
Después se obtiene el segmento de recta dirigido 0R, que es otra representación
del vector ⃗v . Ahora suponga que la R tiene las coordenadas cartesianas (a, b).
−
→
Entonces se puede describir el segmento de recta dirigido 0R por las coordenadas
−→
(a, b). Es decir, 0R es el segmento de recta dirigido con punto inicial (0, 0) y
punto terminal (a, b). Puesto que una representación de un vector es tan buena
como cualquier otra, se puede escribir el vector ⃗v como (a, b).

−−→
Figura 4.2: Movimiento del vector P Q al origen.

−−→
Se puede observar que en la figura 4.2 Se puede mover P Q para obtener un
segmento de recta dirigido equivalente con su punto inicial en el origen. Observe
−→ −−→
que 0R y P Q son paralelos y tienen la misma longitud. De forma algebraica un
vector ⃗v en el plano xy es un par ordenado de números reales (a, b). Los números
a y b se denominan elementos o componentes del vector ⃗v . El vector cero es el
vector (0, 0). Es importante notar que:

Con esta definición es posible pensar en un punto en el plano xy con

coordenadas (a, b) como un vector que comienza del origen y termina en
(a, b).
El vector cero tiene magnitud cero. Por lo tanto, puesto que los puntos
4.1. VECTORES EN ℜ2 (PLANO CARTESIANO) 77

inicial y terminal coinciden, se dice que el vector cero no tiene dirección.

Se hace hincapié en que las definiciones geométrica y algebraica descri-
ben, precisamente, los mismos objetos. Cada punto de vista (geométrico
o algebraico) tiene sus ventajas.
Puesto que en realidad un vector es un conjunto de segmentos de recta
equivalentes, se define la magnitud o longitud de un vector como la longitud de
cualquiera de sus representaciones y su dirección como la dirección de cualquiera
−
→
de sus representaciones. Haciendo uso de la representación 0R y escribiendo el
vector v = (a, b) se encuentra que la magnitud del vector ⃗v , es:
p
|v| = a2 + b2 (4.1)
Esto se deduce del teorema de Pitágoras. Se ha usado la notación |v| para
denotar a la magnitud de ⃗v . Observe que |v| es un escalar.

Figura 4.3: Magnitud del vector ⃗v .

La √
magnitud de un vector con coordenada x igual a a y coordenada y igual
a b es a2 + b2 .

Ejemplo
Ahora, se procede a calcular las magnitudes para los siguientes vectores
con coordenadas:
1. v = (2, 2)
√
2. v = (2, 2 3)
√
3. v = (−2 3, 2)

4. v = (−3, −3)
5. v = (6, −6)
6. v = (0, 3)
78 CAPÍTULO 4. VECTORES EN ℜ2 Y ℜ3

La solución para cada uno de los ejercicios anteriores es:

√ √ √
1. |v| = 22 + 22 = 8 = 2 2
q √
2. |v| = 22 + (2 3)2 = 4
q √
3. |v| = (−2 3)2 + 22 = 4
√ √
4. |v| = (−3)2 + (−3)2 = 18 = 3 2
p

√ √
5. |v| = 62 + (−6)2 = 72 = 6 2
p

√ √
6. |v| = 02 + 32 = 9 = 3
Se define la dirección del vector v = (a, b) como el ángulo θ, medido en
radianes, que forma el vector con el lado positivo del eje x. Por convención, se
escoge θ tal que 0 ≤ θ < 2π. De la figura 4.3 se deduce que si a ̸= 0, entonces:
b
tanθ = (4.2)
a
Para los siguientes vectores en el plano cartesiano se calcula la dirección
haciendo uso de la ecuación 4.2.

Se nota que cada dirección esta expresada en radianes; un radian es una

unidad de la amplitud de ángulos. El radián mide el ángulo presentado como
central a una circunferencia y su medida es igual a la razón entre la longitud
del arco que comprende de dicha circunferencia y la longitud del radio, es decir,
mide la cantidad de veces que la longitud del radio traza ese determinado arco
en la circunferencia.
4.1. VECTORES EN ℜ2 (PLANO CARTESIANO) 79

4.1.1. Sistema cı́clico o circular (Radianes)

Este sistema utiliza como unidad fundamental al radián. El radián es el
ángulo central subtendido por un arco igual a la longitud del radio del cı́rculo.
Se llama valor natural o valor circular de un ángulo.

Figura 4.4: Definición Geométrica del Radian.

Un radián (1 rad) equivale a 57,29o y πrad equivalen a 180o .

Conversión de grados a radianes y de radianes a grados

Sea S un ángulo en sistema sexagesimal (grados) y R en el sistema cı́clico
(radianes), entonces para convertir, grados a radianes se multiplica el número
de grados por el factor π/180o y se simplifica; si se requiere el proceso contrario,
pasar de radianes a grados, se multiplica el número de radianes por el factor
180o /π.
 
pi
R=S (4.3)
180o

180o
 
S=R (4.4)
π

Ejemplo
Realizar la conversión entre sistemas de medición angular para los si-
guientes ángulos:
1. Convertir 150o a radianes.
7
2. Convertir π a grados.
4

Para el primer ejercicio se utiliza la ecuación 4.3.

80 CAPÍTULO 4. VECTORES EN ℜ2 Y ℜ3

150o π 5
 
pi
R = 150 o
= = π
180o 180o 6
5
Entonces 150o equivale a π .Luego para el segundo ejercicio se usa la ecua-
6
ción 4.4.

7 180o (7)(180o )π (7)(180o )

 
S= π = = = 315o
4 π 4π 4
7
Finalmente se obtiene que π radianes equivalen a 315o .
4

4.1.2. Suma de Vectores

El método del paralelogramo se puede aplicar para obtener la resultante
de dos vectores separados un ángulo cualesquiera e indica que la resultante al
cuadrado de dos vectores es igual a al suma de los dos vectores al cuadrado mas
el doble producto de ambos vectores por el coseno del ángulo que separa los
mismos.

Figura 4.5: Método del Paralelogramo para Suma de Vectores.

Se suman dos vectores, u = (a1 , b1 ) y v = (a2 , b2 ) como en la figura 4.5. De

la figura se puede apreciar que el vector u + v = (a1 + a2 , b1 + b2 ) se puede
obtener trasladando la representación del vector v de manera que su punto
inicial coincida el punto terminal (a1, b1) del vector u. Por lo tanto, se puede
obtener el vector u + v dibujando un paralelogramo con un vértice en el origen
y lados u y v. Entonces u + v es el vector que va del origen a lo largo de la
diagonal del paralelogramo. Es importante notar que:

|u + v| ≤ |u| + |v|
4.1. VECTORES EN ℜ2 (PLANO CARTESIANO) 81

También se puede utilizar la figura 4.5 para obtener una representación

geométrica del vector u − v. Como u = u − v + v, el vector u − v es el vec-
tor que se debe sumar a v para obtener u. Este hecho se ilustra en la figura
4.6.

Figura 4.6: Resta de dos vectores v y u.

4.1.3. Multiplicación de un Escalar por un Vector

En capı́tulos anteriores se definió la suma de vectores y la multiplicación
por un escalar de forma algebraica. ¿Qué significan en términos geométricos
estos conceptos? Se comienza con la multiplicación por un escalar. Si v = (a, b),
entonces αv = (αa, αb). Se encuentra que:
p p
|αv| = α2 a2 + α2 b2 = |α| a2 + b2 = |α||v|

Es decir, multiplicar un vector por un escalar diferente de cero tiene el efecto

de multiplicar la longitud del vector por el valor absoluto de ese escalar. Más
aún, si α > 0, entonces αv está en el mismo cuadrante que v y, por lo tanto,
la dirección de αv es la misma que la dirección de v ya que tan−l (αb/αa) =
tan−l (b/a). Si α < 0, entonces αv tiene dirección opuesta a la de v.

Figura 4.7: Multiplicación de un escalar por un vector.

En la figura 4.7 de izquierda a derecha se tiene el vector original sin modi-

ficaciones con coordenadas (1, 1), luego en la segunda imagen se multiplica por
82 CAPÍTULO 4. VECTORES EN ℜ2 Y ℜ3

2, quedando con coordenadas (2, 2), en la ultima figura (derecha), se multipli-

ca el vector original por -2, esto hace que cambie de cuadrante, quedando con
coordenadas (−2, −2).

4.2. Vectores Unitarios

Existen dos vectores especiales en ℜ2 que permiten representar otros vectores
en el plano de una forma conveniente. Se denota el vector con coordenadas
(1, 0) por el sı́mbolo i y el vector con coordenadas (0, 1) por el sı́mbolo j (vea
la figura 3.9). Si v = (a, b) es cualquier vector en el plano, entonces como
(a, b) = a(1, 0) + b(0, 1), se puede escribir:

v = (a, b) = ai + bj (4.5)
Con esta representación se dice que v está expresado en sus componentes
horizontal y vertical. Los vectores i y j tienen dos propiedades:
1. Son linealmente independientes.
2. Cualquier vector ⃗v se puede escribir en términos de i y j como en la
ecuación 4.5.

Figura 4.8: Vectores Unitarios en ℜ2 .

Un vector unitario es un vector con longitud 1.

4.3. Producto Cruz

Hasta el momento el único producto de vectores que se ha considerado ha sido
el producto escalar o también denominado producto punto. Ahora se define un
nuevo producto, llamado producto cruz (o producto vectorial), que está definido
sólo en ℜ3 . Sean u = a1 i + b1 j + c1 k y v = a2 i + b2 j + c2 k. Entonces el producto
cruz (cruz vectorial) de u y v, denotado por u × v, es un nuevo vector definido
por:

u × v = (b1 c2 − c1 b2 )i + (c1 a2 − a1 c2 )j + (a1 b2 − b1 a2 )k

Hay que notar que el resultado del producto cruz es un vector, mientras que
el resultado del producto escalar es un escalar.