Matrices y determinantes

Matrices
Una matriz de tamaño m × n es un arreglo rectangular de elementos con m renglones y n
columnas, donde no sólo es importante el valor de un elemento, sino también su posición en
el arreglo.
La notación de una matriz de tamaño m × n será una letra mayúscula, como A, para
designar la matriz y letras minúsculas con subı́ndices dobles, como aij , para indicar la entrada
en la intersección del i-ésimo renglón y la j-ésima columna, es decir,
 
a11 a12 ... a1n
 a21 a22 ... a2n 
A = (aij ) =  ..
 
.. ... .. 
 . . . 
am1 am2 ... amn

La matriz de tamaño 1 × n
A = [a11 a12 ... a1n ]
recibe el nombre de vector renglón y una matriz de tamaño n × 1
 
a11
 a21 
A =  .. 
 
 . 
an1

recibe el nombre de vector columna. Por lo regular, en los vectores se omiten los subı́ndices
innecesarios y en la notación se emplean letras minúsculas negritas. Por tanto,

y = [y1 y2 ... yn ]

denota un vector renglón, y  

x1
 x2 
x=
 
.. 
 . 
xn
denota un vector columna.
2

Dos matrices A = (aij ) y B = (bij ) son iguales si son del mismo tamaño y las componentes
correspondientes son iguales.
Sean A = (aij ) y B = (bij ) dos matrices de tamaño m × n. Entonces la suma de A y B
es la matriz de tamaño m × n, A + B dada por
 
a11 + b11 a12 + b12 ... a1n + b1n
 a21 + b21 a22 + b22 ... a2n + b2n 
A + B = (aij + bij ) = 
 
.. .. . . .. 
 . . . . 
am1 + bm1 am2 + bm2 ... amn + bmn

Es decir, A + B es la matriz de tamaño m × n que se obtiene al sumar las componentes

correspondientes de A y B.
La suma de dos matrices se define únicamente cuando las matrices son del mismo tamaño.
Si A = (aij ) es una matriz de tamaño m × n y si α es un escalar, entonces la matriz m × n,
αA, está dada por  
αa11 αa12 ... αa1n
 αa21 αa22 ... αa2n 
αA = (αaij ) =  ..
 
.. .. .. 
 . . . . 
αam1 αam2 ... αamn
Esto es αA = (αaij ) es la matriz obtenida al multiplicar cada componente de A por α.
Por ejemplo, si    
2 −1 7 4 2 −8
A= , B=
3 1 0 0 1 6
y α = −2. Entonces
   
2 −1 7 4 2 −8
A+B = +
3 1 0 0 1 6
 
2 + 4 −1 + 2 7 − 8
=
3+0 1+1 0+6
 
6 1 −1
=
3 2 6
y
 
2 −1 7
αA = −2
3 1 0
 
−2(2) −2(−1) −2(7)
=
−2(3) −2(1) −2(0)
 
−4 2 −14
=
−6 −2 0

Teorema (0.0.1). Sean A, B y C matrices de tamaño m×n y sean α y β escalares. Entonces:

1. A + B = B + A
 3

2. (A + B) + C = A + (B + C)
3. A + 0 = A
4. A + (−A) = 0
5. α(A + B) = αA + αB
6. (α + β)A = αA + βA
7. α(βA) = (αβ)A
8. 1A = A
Sean A una matriz de tamaño m × n y B una matriz n × p. El producto matricial de A y
B, denotado por AB, es una matriz C de tamaño n × p, cuyos elementos cij están dados por
n
X
cij = aik bkj = ai1 b1j + ai2 b2j + ... + ain bnj
k=1

para cada i = 1, 2, ..., m y para cada j = 1, 2, ..., p.

Podemos considerar el cálculo de cij como la multiplicación de elementos del i-ésimo
renglón de A con los elementos correspondientes de la j-ésima columna de B, seguida de la
suma, es decir,
 
b1j
 b2j 

 
cij = ai1 ai2 ... ain  .. 
 . 
bnj
= ai1 b1j + ai2 b2j + ... + ain bnj (0.0.2)
Xn
= aik bkj
k=1

Dos matrices se pueden multiplicar únicamente si el número de columnas de la primera

matriz es igual al número de renglones de la segunda.
Por ejemplo, sean
   
2 1 −1 3 2
A= 3 1 2  , B =  −1 1 
0 −2 −3 6 4
 
  1 −1 1
2 1 0
C= , y D =  2 −1 2 
−1 3 2
3 0 3
Como A es una matriz de tamaño 3 × 3 y B de tamaño 3 × 2 el producto matricial AB
está definido, pues el número de columnas de A es igual al número de renglones de B, y
obtenemos una matriz G = AB de tamaño 3 × 2, las entradas de G las obtenemos con la
fórmula (0.0.2)
4
  
  3   2
G11 = 2 1 −1  −1  G12 = 2 1 −1  1 
6 4
= (2)(3) + (1)(−1) + (−1)(6) = (2)(2) + (1)(1) + (−1)(4)
= −1 =1

  
  3   2
G21 = 3 1 2  −1  G22 = 3 1 2  1 
6 4
= (3)(3) + (1)(−1) + (2)(6) = (3)(2) + (1)(1) + (2)(4)
= 20 = 15
  
 3   2
G31 = 0 −2 −3  −1  G32 = 0 −2 −3  1 
6 4
= (0)(3) + (−2)(−1) + (−3)(6) = (0)(2) + (−2)(1) + (−3)(4)
= −16 = −14

Entonces
  
2 1 −1 3 2
G = AB =  3 1 2   −1 1 
0 −2 −3 6 4
 
−1 1
=  20 15 
−16 −14

Como B es una matriz de tamaño 3 × 2 y A de tamaño 3 × 3 el producto matricial BA

no está definido, pues el número de columnas B (B tiene dos columnas) no coincide con el
número de renglones de A (A tiene tres renglones).
Puesto que el número de columnas de A no coincide con el número de renglones de C, el
producto matricial AC no está definido.
Ya que A y D son matrices de tamaño 3×3 el producto H = AD está definido y obtenemos
una matriz H = AD de tamaño 3 × 3, las entradas de H las obtenemos con la fórmula (0.0.2)
 5
   
  1   −1
H11 = 2 1 −1  2  H12 = 2 1 −1  −1 
3 0
= (2)(1) + (1)(2) + (−1)(3) = (2)(−1) + (1)(−1) + (−1)(0)
=1 = −3
 
  1
H13 = 2 1 −1  2 
3
= (2)(1) + (1)(2) + (−1)(3)
=1
  
  1   −1
H21 = 3 1 2  2  H22 = 3 1 2  −1 
3 0
= (3)(1) + (1)(2) + (2)(3) = (3)(−1) + (1)(−1) + (2)(0)
= 11 = −4
 
  1
H23 = 3 1 2  2 
3
= (3)(1) + (1)(2) + (2)(3)
= 11
   
  1   −1
H31 = 0 −2 −3  2  H32 = 0 −2 −3  −1 
3 0
= (0)(1) + (−2)(2) + (−3)(3) = (0)(−1) + (−2)(−1) + (−3)(0)
= −13 =2
 
  1
H33 = 0 −2 −3  2 
3
= (0)(1) + (−2)(2) + (−3)(3)
= −13
Entonces
 
2 1 −1 1 −1 1
H = AD =  3 1 2   2 −1 2 
0 −2 −3 3 0 3
 
1 −3 1
=  11 −4 11 
−13 2 −13
6

De manera análoga el producto DA está definido y obtenemos una matriz de tamaño

3 × 3, dada por
  
1 −1 1 2 1 −1
DA =  2 −1 2   3 1 2 
3 0 3 0 −2 −3
 
−1 −2 −6
=  1 −3 −10 
6 −3 −12
Además,
 
3 2  
2 1 0
BC = −1 1
 
−1 3 2
6 4
 
4 9 4
=  −3 2 2 
8 18 8
y

 3 2

2 1 0 
CB = −1 1 
−1 3 2
6 4
 
−1 1
=  20 15 
−16 −14
Observe que en el ejemplo anterior AD 6= DA, en términos generales, el producto de
matrices no es conmutativo. En ocasiones ocurre que AB = BA, pero se trata de una
excepción, no de una regla. Si AB = BA se dice que A y B conmutan. De hecho, puede
ocurrir que AB esté definida y BA no lo esté, como en el caso de las matrices A y B del
ejemplo anterior. Ası́, debe tenerse cuidado en el orden de la multiplicación de dos matrices.
Se ha visto que las matrices, en general, no conmutan. El siguiente teorema muestra que
la ley asociativa sı́ se cumple.
Teorema (0.0.3). Sean A una una matriz de tamaño m × n, B una matriz de tamaño n × p
y C una matriz de tamaño p × q. Entonces la ley asociativa
A(BC) = (AB)C
se cumple y el producto ABC, definido por cualesquiera de los lados de la ecuación anterior,
es una una matriz de tamaño m × q.
En adelante se escribirá el producto de tres matrices simplemente como ABC. Esto se
puede hacer porque A(BC) = (AB)C; entonces se obtiene la misma respuesta independien-
temente de cómo se lleve a cabo la multiplicación (siempre y cuando no se conmute ninguna
de las matrices).
 7

La ley asociativa se puede extender a productos de más matrices. Por ejemplo, suponga
que los productos AB, BC y CD están definidas. Entonces
ABCD = A(B(CD)) = ((AB)CD) = A(BC)D = (AB)(CD)
Existen dos leyes distributivas para la multiplicación de matrices.
Teorema (0.0.4). Si todas las sumas y todos los productos siguientes están definidos, en-
tonces
A(B + C) = AB + BC
y
(A + B)C = AC + BC

Inversa de una matriz cuadrada

La matriz identidad de tamaño n × n es una matriz n × n cuyos elementos de la diagonal
principal son iguales a 1 y todos los demás son 0, es decir,

1 si i = j
In = bij , donde bij =
0 si i 6= j.
Por ejemplo:
1. La matriz identidad de tamaño 2 × 2, es
 
1 0
I2 = .
0 1

2. La matriz identidad de tamaño 3 × 3, es

 
1 0 0
I3 = 0 1 0 .
0 0 1

3. La matriz identidad de tamaño 5 × 5, es

 
1 0 0 0 0
0 1 0 0 0
 
0
I5 =  0 1 0 0.
0 0 0 1 0
0 0 0 0 1

Teorema (0.0.5). Sea A es una matriz de tamaño n × n, entonces

AIn = In A
Es decir, In , conmuta con toda matriz de tamaño n × n y la deja sin cambio después de la
multiplicación por la derecha o por la izquierda.
8

En adelante se escribirá la matriz identidad únicamente como I ya que si A es de tamaño

n × n los productos IA y AI están definidos sólo si I es también de tamaño n × n.
Sean A y B dos matrices de tamaño n × n, y supongamos que,

AB = BA = I,

a B se le llama la matriz inversa de A y se denota por A−1 . Entonces

AA−1 = A−1 A = I.

Si A tiene inversa, diremos que A es invertible. Una matriz cuadrada que no es invertible
se llama matriz singular y una matriz invertible se llama no singular. Por ejemplo, si:
3
− 12
   
2 1 −1 2
A= , su inversa es A = ,
4 3 −2 1

pues
 3
− 12
   
−1 2 1 2
1 0
AA = = .
4 3 −2 1 0 1
Si  5 16 6
  
1 2 0 −7 7 7
B = 0 1 3 , su inversa es B −1 =  6
7
− 87 − 37  ,
2 −1 −8 − 27 5
7
1
7
pues
  5 16 6
  
1 2 0 −7 7 7
1 0 0
BB −1 = 0
 1 3   6
7
− 87 − 37  = 0 1 0 .
2 −1 −8 − 27 5
7
1
7
0 0 1

Note que, si A es invertible, tenemos que (A−1 )−1 = A.

No toda matriz cuadrada tiene inversa. Por ejemplo, la matriz
 
2 4
C= ,
3 6

no es invertible.
Además,

Teorema (0.0.6).

1. Si una matriz cuadrada es invertible, su inversa es única.

2. Si A, B son matrices cuadradas invertibles, entonces AB es una matriz invertible y

(AB)−1 = B −1 A−1 .
 9

Operaciones elementales con renglones

Nuestro objetivo ahora, es encontrar un procedimiento que nos permita calcular la inversa
de una matriz cuadrada. El método está basado en las siguientes propiedades:
1. Multiplicar o dividir un renglón por un número diferente de cero.

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

3. Intercambiar cualesquiera dos renglones.

Estas operaciones, llamadas operaciones elementales, surgen cuando se estudian sistemas
de ecuaciones lineales, pues, si se multiplica o divide los lados de una ecuación por un número
diferente de cero obtenemos una ecuación equivalente, si se suma un múltiplo de una ecuación
a otra del sistema se obtiene otra equivalente, si se intercambian cualesquiera dos ecuaciones
del sistema obtenemos un sistema equivalente.
Utilizaremos la siguiente notación
1. Ri −→ cRi indica que se reemplaza el i-ésimo renglón multiplicado por c. (Para
multiplicar el i-ésimo renglón por c se multiplica cada número en el i-ésimo renglón por
c.)

2. Rj −→ Rj + cRi significa sustituye el j-ésimo renglón por la suma del renglón j más el
renglón i multiplicado por c.

3. Ri ←→ Rj denota intercambiar los renglones i y j.

El proceso de aplicar las operaciones elementales con renglones para simplificar una matriz
se llama reducción por renglones.
Decimos que una matriz se encuentra en la forma escalonada reducida por renglones si se
cumplen las siguientes condiciones:
i) Todos los renglones cuyos elementos son todos cero aparecen en la parte inferior de la
matriz.

ii) El primer número diferente de cero, comenzando por la izquierda, en cualquier renglón
cuyos elementos no todos son cero es uno.

iii) Si dos renglones sucesivos tienen elementos distintos de cero, entonces el primer uno en
el renglón de abajo se encuentra más hacia la derecha que el primer uno en el renglón
de abajo.

iv) Cualquier columna que contiene el primer uno en un renglón tiene ceros en el resto de
sus elementos. El primer número diferente de cero en un renglón (si lo hay) se llama
pivote para ese renglón.
Si sólo se satisfacen i), ii) y iii), decimos que la matriz está en la forma reducida por renglones.
Por ejemplo:
Las siguientes matrices están en la forma escalonada reducida por renglones
10
       
1 0 0 1 0 0 0 1 0 0 5 1 0 2 5
3.
1.  0 1 0  2.  0 1 0 0  0 0 1 2 4.  0 1 3 6 
0 0 1 0 0 0 1 0 0 0 0

Y las siguientes matrices se encuentran en la forma escalonada por renglones:

       
1 2 3 1 −1 6 4 1 0 2 5 1 3 2 5
3.
1.  0 1 5  2.  0 1 2 −8  0 0 1 2 4.  0 1 3 6 
0 0 1 0 0 0 1 0 0 0 1

Por lo general, la forma escalonada por renglones de una matriz no es única. Es decir,
una matriz puede ser equivalente, en sus renglones, a más de una matriz en forma escalonada
por renglones. Por ejemplo:
   
1 3 2 5 1 2 −1 −1
R →R −R2
A =  0 1 3 6  −−1−−−1−−→  0 1 3 6 =B
0 0 0 0 0 0 0 0

muestra que las dos matrices anteriores, ambas en forma escalonada por renglones, son equiv-
alentes por renglones. Ası́, cualquier matriz para la que A es una forma escalonada por
renglones, también tiene a B como forma escalonada por renglones.
La diferencia entre la forma escalonada reducida por renglones y reducida por renglones
es que en la forma escalonada por renglones, todos los números abajo del primer 1 en un
renglón son cero y en la forma escalonada reducida por renglones, todos los números abajo y
arriba del primer 1 de un renglón son cero. Ası́, la forma escalonada reducida por renglones es
más exclusiva. Esto es, toda matriz en forma escalonada reducida por renglones se encuentra
también la forma escalonada por renglones, pero el inverso no es cierto.
Siempre se puede reducir una matriz a la forma escalonada reducida por renglones o a la
forma escalonada por renglones realizando operaciones elementales con renglones.
Finalmente, para encontrar la inversa de una matriz cuadrada A, se procederá de la
siguiente manera:
1. Escriba el arreglo (A I).

2. Realice operaciones elementales por renglones, en ambos lados del arreglo, para llevar
a la matriz A a la forma escalonada reducida por renglones.

3. (a) Si la forma escalonada reducida por renglones de A es la matriz identidad I,

entonces A−1 es la matriz que se obtiene a la derecha de la barra vertical.
(b) Si la reducción de A conduce a un renglón de ceros a la izquierda de la barra
vertical, entonces A no es invertible.
Una matriz A de tamaño n × n es invertible si y sólo si su forma escalonada reducida por
renglones es 
la matriz identidad.

2 4 6
Sea A =  4 5 6 . Calcule la inversa de A si existe.
3 1 −2
 11

Primero escribimos el arreglo (A I),

 
2 4 6 1 0 0
 4 5 6 0 1 0 
3 1 −2 0 0 1

y después realizamos operaciones elementales por renglones, en ambos lados del arreglo, para
llevar a la matriz A a la forma escalonada reducida por renglones,
1 1
     
2 4 6 1 0 0 1
R1 → R1
1 2 3 2
0 0 R2 →R2 −4R1 1 2 3 2
0 0
R3 →R3 −3R1
 4 5 6 0 1 0  −−−−2−→  4 5 6 0 1 0  −− −−−−−→  0 −3 −6 −2 1 0 
3 1 −2 0 0 1 3 1 −2 0 0 1 0 −5 −11 − 32 0 1
1 5 2
   
1
R2 →− R3
1 2 3 2
0 0 R1 →R1 −2R2 1 0 −1 − 6 3
0
3 R3 →R3 +5R2 R →−R3
−−−−−3−→  0 1 2 2
− 13 0  −− −−−−−→  0 1 2 2
3
− 13 0  −−3−−−→
0 −5 −11 − 23 0 1 0 0 −1 11 6
− 53 1
1 0 −1 − 56 2
1 0 0 − 83 7
   
3
0 R1 →R1 +R3
3
−1
2 R2 →R2 −2R3
 0 1 2 3
− 13 0  −− −−−−−→  0 1 0 13
3
− 11
3
2 
11 5 11 5
0 0 1 −6 3
−1 0 0 1 −6 3
−1

Como la forma escalonada reducida por renglones de A es la matriz identidad, entonces

− 83 7
   
−1 −16 14 −6
3 1
A−1 =  13 3
− 11
3
2  =  26 −22 12 
11 5 6
−6 3
−1 −11 10 −6

Cuando se calcula A−1 es fácil cometer errores numéricos. Por ello es importante verificar
los cálculos viendo que AA−1 = I.

AA−1 = A−1 A
  
−16 14 −6 2 4 6
1
= 26 −22 12   4 5 6 
6
−11 10 −6 3 1 −2
 
6 0 0
1
= 0 6 0 
6
0 0 6
=I
 
1 2 −1
Encuentre la inversa de la matriz A =  2 2 4 , si existe.
1 3 −3
Primero escribimos el arreglo (A I),
 
1 2 −1 1 0 0
 2 2 4 0 1 0 
1 3 −3 0 0 1
12

después realizamos operaciones elementales por renglones, en ambos lados del arreglo, para
llevar a la matriz A a la forma escalonada reducida por renglones,
   
1 2 −1 1 0 0 R2 →R2 −2R1 1 2 −1 1 0 0
R →R −R1
 2 2 4 0 1 0  −−3−−−3−−→  0 −2 6 −2 1 0 
1 3 −3 0 0 1 0 1 −2 −1 0 1
   
1
R2 →− R2
1 2 −1 1 0 0 R1 →R1 −2R2 1 0 5 −1 1 0
R →R −R2
−−−−−2−→  0 1 −3 1 − 12 0  −−3−−−3−−→  0 1 −3 1 − 12 0 
1
0 1 −2 −1 0 1 0 0 1 −2 2
1
3
 
R1 →R1 −5R3 1 0 0 9 − 2 −5
R2 →R2 +3R3
−−−−−−−→ 0 1 0 −5
 1 3 
1
0 0 1 −2 2
1

Como la forma escalonada reducida por renglones de A es la matriz identidad, entonces

9 − 32 −5
   
18 −3 −10
1
A−1 =  −5 1 3  =  −10 2 6 
1 2
−2 2
1 −4 1 2
 
1 −3 4
Determine si la matriz B =  2 −5 7  es invertible, en caso de serlo calcule su inversa.
0 −1 1
Escribimos el arreglo [B|I]
 
1 −3 4 1 0 0
 2 −5 7 0 1 0 
0 −1 1 0 0 1

Realizamos operaciones elementales por renglones, en ambos lados del arreglo, para llevar a
la matriz B a la forma escalonada reducida por renglones, y tenemos
     
1 −3 4 1 0 0 1 −3 4 1 0 0 R1 →R1 +3R2 1 0 1 −5 3 0
R2 →R2 −2R1 R →R +R2
 2 −5 7 0 1 0  − −−−−−−→  0 1 −1 −2 1 0  −−3−−−3−−→  0 1 −1 −2 1 0 
0 −1 1 0 0 1 0 −1 1 0 0 1 0 0 0 −2 1 1

como la matriz B no puede reducirse a la matriz identidad, entonces B no es invertible.

Determinantes
Si A = [a11 ] es una matriz de tamaño 1 × 1, definimos el determinante de A, denotado por
det A o |A|, como
det A = |A| = a11
Sea A una matriz de tamaño n × n y sea Mij la matriz que se obtiene de A eliminando
el renglón i y la columna j. A Mij se le llama el menor ij de A.
 13

Si A es una matriz cuadrada. Definimos el cofactor ij de A, denotado por Aij , como

Aij = (−1)i+j det(Mij ).
Sea A una matriz de tamaño n × n. Definimos el determinante de A, denotado por det A
o |A|, como
det A = |A| = a11 A11 + a12 A12 + ... + a1n A1n
Xn
= a1k A1k .
k=1

Con frecuencia, a la definición anterior se le conoce como expansión por cofactores a lo largo
del primer renglón.
Por ejemplo,
 
a11 a12
1. Si n = 2 y A = ,
a21 a22
como
M11 = [a22 ], M12 = [a21 ],
y
A11 = (−1)1+1 det M11 A12 = (−1)1+2 det M12
= det[a22 ] , = − det[a21 ] ,
= a22 . = −a21 .
entonces
det A = a11 A11 + a12 A12
= a11 a22 − a12 a21 .
 
a11 a12 a13
2. Si n = 3 y A =  a21 a22 a23 , como
a31 a32 a33
     
a22 a23 a21 a23 a21 a22
M11 = , M12 = , M13 = ,
a32 a33 a31 a33 a31 a32
y
A11 = (−1)1+1 det M11 A12 = (−1)1+2 det M12
, ,
= a22 a33 − a23 a32 . = −(a21 a33 − a23 a31 )
A13 = (−1)1+3 det M12
= a21 a32 − a22 a31 .
Entonces
det A = a11 A11 + a12 A12 + a13 A13
= a11 (a22 a33 − a23 a32 ) − a12 (a21 a33 − a23 a31 ) + a13 (a21 a32 − a22 a31 ).
14
 
1 2 −1
Por ejemplo, si A =  2 2 4 , entonces
1 3 −3

1 2 −1
det A = 2 2 4
1 3 −3
= a11 A11 + a12 A12 + a13 A13
2 4 2 4 2 2
= (1) + (−2) + (−1)
3 −3 1 −3 1 3
= [(2)(−3) − (4)(3)] − 2[(2)(−3) − (4)(1)] − [(2)(3) − (2)(1)]
= (−6 − 12) − 2(−6 − 4) − (6 − 2)
= −2

 
3 5 2
Si B =  4 2 3 , entonces
−1 2 4

3 5 2
det B = 4 2 3
−1 2 4
= b11 B11 + b12 B12 + b13 B13
2 3 4 3 4 2
=3 + (−5) +2
2 4 −1 4 −1 2
= 3[(2)(4) − (3)(2)] − 5[(4)(4) − (3)(−1)] + 2[(4)(2) − (2)(−1)]
= 3(2) − 5(19) + 2(10)
= −69

En general, el cálculo del determinantes puede ser laborioso. Para calcular un determi-
nante de 4 × 4 deben calcularse cuatro determinantes de 3 × 3. Para calcular un determinante
de 5 × 5 deben calcularse cinco determinantes de 4 × 4, lo que equivale a calcular veinte deter-
minantes de 3 × 3. Por fortuna existen técnicas que simplifican estos cálculos. Sin embargo,
existen algunas matrices para las cuales es muy sencillo calcular los determinantes.
Decimos que una matriz A = (aij ) de tamaño n × n, es:
1. triangular superior si aij = 0 para i > j,
2. triangular inferior si aij = 0 para i < j,
3. diagonal si aij = 0 para i 6= j.
Por ejemplo, las matrices:
 15
 
  10 −2 7 −2
1 2 3  0 0 9 4 
1. A =  0 4 8 yB=  0
 son triangulares superiores.
0 10 20 
0 0 10
0 0 0 −1
 
10 0 0 0  
−1 0 0
 1 6 0 0  y D =  −6
2. C =  4 0  son triangulares inferiores.
 2 8 10 0 
10 −4 8
4 −4 0 −1
 
10 0 0 0  
−1 0 0
 0 6 0 0 

3. E =  y F =  0 4 0  son diagonales.
 0 0 9 0 
0 0 8
0 0 0 −1

Si A es una matriz triangular superior, inferior o diagonal. Entonces

det A = (a11 )(a22 )(a33 ) · · · (ann ).

Si A, B, C, D, E y F , son las matrices del ejemplo anterior, entonces

1. det A = (1)(4)(10) = 40. 4. det D = (−1)(4)(8) = −32.

2. det B = (10)(0)(10)(−1) = 0. 5. det E = (10)(6)(9)(−1) = −540.

3. det C = (10)(6)(10)(−1) = −600. 6. det F = (−1)(4)(8) = −32.

Sea A una matriz de tamaño m × n, definimos la matriz transpuesta de A, denotada por

At , como la matriz que se obtiene al intercambiar los renglones por las columnas de A. Si A
es de tamaño m × n, entonces At es de tamaño n × m. Por ejemplo, si
 
1 2 3
1. A = , entonces
0 4 8
 
1 0
At = 2 4 .
3 8
 
1 2 3 10 4
2. B =  0 4 15 3 −1 , entonces
3 8 10 −4 −1
 
1 0 3
2 4 8
t
 
B =  3 15 10 

.
10 3 −4
4 −1 −1
16
 
1 2 3
3. C =  2 4 5 , entonces
3 5 10  
1 2 3
C t = 2 4 5  .
3 5 10
Note que, C = C t

Decimos que una matriz A es simétrica si At = A. Y antisimétrica si At = −A. Por

ejemplo,
 la matriz
 C del ejemplo anterior es simétrica, pues C t = C, y la matriz G =
0 −2 7
 2 0 0 , es antisimétrica, pues
−7 0 0
   
0 2 −7 0 −2 7
Gt =  −2 0 0  = − 2 0 0  = −G.
7 0 0 −7 0 0

Si A, B, son matrices, la transpuesta satisface las siguientes propiedades:

1. (At )t = A.

2. (AB)t = B t At .

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

4. Si A es invertible, entonces At es invertible y (At )−1 = (A−1 )t .

Concluimos esta sección presentando los resultados más importantes relacionados con
determinantes:

1. Si A es una matriz cuadrada, entonces

det A = det At .

2. Si A es una matriz cuadrada, entonces

det A = a11 A11 + a12 A12 + ... + a1n A1n

= ai1 Ai1 + ai2 Ai2 + ... + ain Ain
= a1j A1j + a2j A2j + ... + anj Anj .

Es decir, el determinante de A se puede calcular expandiendo por cofactores en cualquier

renglón o columna de A.

3. Si A y B son matrices cuadradas, entonces

det(AB) = (det A)(det B).

 17

Propiedades de los determinantes

En la práctica, el cálculo de determinantes puede resultar una tarea muy laboriosa, las
propiedades que presentamos a continuación se pueden utilizar para reducir el trabajo nece-
sario en el cálculo de éstos.

i) Si A tiene algún renglón o columna de ceros, entonces det A = 0.

ii) Si un renglón i o columna j de A se multiplica por un escalar c, entonces det A se

multiplica por c.
   
a11 a12 a13 ... a1n a11 a12 a13 . . . a1n
 .. .. .. ... ..   .. .. .. ..
.
.. 
 . . . .   . . . . 
det cai1 cai2 cai3 . . . cain  = c det  ai1 ai2 ai3 . . . ain 
   
 . .. .. .. ..   . .. .. .. .. 
 .. . . . .   .. . . . . 
an1 an2 an3 . . . ann an1 an2 an3 . . . ann

iii) Sean
   
a11 a12 . . . a1j . . . a1n a11 a12 . . . b1j . . . a1n
 a21 a22 . . . a2j . . . a2n   a21 a22 . . . b2j . . . a2n 
A =  .. , B =  ..
   
.. .. . .. .. .. .. . .. ..
. .. . ..

 . . . .   . . . . 
an1 an2 . . . anj . . . ann an1 an2 . . . bnj . . . ann
y  
a11 a12 . . . a1j + b1j . . . a1n
 a21 a22 . . . a2j + b2j . . . a2n 
C =  ..
 
.. ... .. ... .. 
 . . . . 
an1 an2 . . . anj + bnj . . . ann
Entonces
det C = det A + det B.

En otros términos, suponga que las matrices A, B y C son iguales excepto por la
columna j y que la columna j de C se obtiene sumando las columnas j-ésimas de A y
B. Entonces, det C = det A + det B.

iv) El intercambio de cualesquiera dos renglones (columnas) distintos de A tiene el efecto

de multiplicar det A por −1.

v) Si A tiene dos renglones o columnas iguales, entonces det A = 0.

vi) Si un renglón (columna) de A es un múltiplo escalar de otro renglón (columna), entonces

det A = 0.

vii) Si se suma un múltiplo escalar de un renglón (columna) de A a otro renglón (columna)

de A, el determinante no cambia.
18

Culminamos esta sección analizando la forma en que se pueden calcular las inversas de
las matrices haciendo uso de los determinantes.
Si A es invertible, entonces det A 6= 0 y

1
det A−1 =
det A

Sea A una matriz de tamaño n×n, definimos la matriz de cofactores de A, como B = (Aij ),
es decir  
A11 A12 ... A1n
 A21 A22 ... A2n 
B =  ..
 
.. . . .. 
 . . . . 
An1 An2 ... Ann

Definimos también la matriz adjunta de A, denotada por adj A, como

adj A = B t
 
A11 A21 ... An1
 A12 A22 ... An2 
=
 
.. .. ... .. 
 . . . 
A1n A2n ... Ann

Entonces
1
A−1 = adj A
det A
 
2 1 3
Encuentre la inversa de la matriz A =  1 −1 1 .
1 4 −2
Sol:
Primero calculamos el determinante de A,

2 1 3
det A = 1 −1 1
1 4 −2

Sumando la segunda columna a la primera columna y tercera columna, y expandiendo por

cofactores por el segundo renglón, tenemos

2 1 3 3 1 4
3 4
det A = 1 −1 1 = 0 −1 0 = (−1) = 14.
5 2
1 4 −2 5 4 2

Como det A = 14 6= 0, entonces A es invertible.

 19

Los cofactores de A son

−1 1 1 1 1 −1
A11 = (−1)1+1 = −2, A12 = (−1)1+2 =3 A13 = (−1)1+3 =5
4 2 1 −2 1 4
1 3 2 3 2 1
A21 = (−1)2+1 = 14, A22 = (−1)2+2 = −7, A23 = (−1)2+3 = −7
4 −2 1 −2 1 4
1 3 2 3 2 1
A31 = (−1)3+1 = 4, A32 = (−1)3+2 = 1, A33 = (−1)3+3 = −3
−1 1 1 1 1 −1

La matriz adjunta de A es la transpuesta de la matriz de cofactores, entonces

 t  
−2 3 5 −2 14 4
adj A =  14 −7 −7  =  3 −7 1 
4 1 −3 5 −7 −3

Por tanto
1
A−1 = adj A
detA 
−2 14 4
1 
= 3 −7 1 
14
5 −7 −3
 
1 2 −1
Determine si la matriz A =  2 2 4  es invertible. En caso de serlo calcule su
1 3 −3
inversa.
Sol:
Primero calculamos el determinante de A,

1 2 −1
det A = 2 2 4
1 3 −3

Sumamos la tercera columna a la primera columna,

1 2 −1 0 2 −1
det A = 2 2 4 = 6 2 4
1 3 −3 −2 3 −3

Multiplicamos la tercera columna por 2 y sumamos a la segunda columna, y tenemos

1 2 −1 0 2 −1 0 0 −1
det A = 2 2 4 = 6 2 4 = 6 10 4
1 3 −3 −2 3 −3 −2 −3 −3
20

expandiendo por cofactores por el segundo renglón, tenemos

1 2 −1 0 2 −1 0 0 −1
det A = 2 2 4 = 6 2 4 = 6 10 4
1 3 −3 −2 3 −3 −2 −3 −3
6 10
=− = −2
−2 −3

Como det A = −2 6= 0, entonces A es invertible.

Los cofactores de A son
2 4 2 4 2 2
A11 = (−1)1+1 = −18, A12 = (−1)1+2 = 10 A13 = (−1)1+3 =4
3 −3 1 −3 1 3
2 −1 1 −1 1 2
A21 = (−1)2+1 = 3, A22 = (−1)2+2 = −2, A23 = (−1)2+3 = −1
3 −3 1 −3 1 3
2 −1 1 −1 1 2
A31 = (−1)3+1 = 10, A32 = (−1)3+2 = −6, A33 = (−1)3+3 = −2
2 4 2 4 2 2

La matriz adjunta de A es la transpuesta de la matriz de cofactores, entonces

 t  
−18 10 4 −18 3 10
adj A =  3 −2 −1  =  10 −2 −2 
10 −6 −2 4 −1 −2

Por tanto
1
A−1 = adj A
det A
 
−18 3 10
1
= −  10 −2 −2 
2
4 −1 −2