1.

Matrices 21

1.1. Definiciones y propiedades básicas . . . . . . . . . . . . . . . . . . 21

1.1.1. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . 25

1.1.2. Clasificación de matrices cuadradas . . . . . . . . . . . . . 27

1.2. Matrices en bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

1.2.1. Submatrices o bloques . . . . . . . . . . . . . . . . . . . . . 29

1.2.2. Partición de matrices . . . . . . . . . . . . . . . . . . . . . . 30

1.3. Matrices escalonadas . . . . . . . . . . . . . . . . . . . . . . . . . . 33

1.4. Métodos para escalonar matrices . . . . . . . . . . . . . . . . . . . 35

1.4.1. Triangulación de matrices . . . . . . . . . . . . . . . . . . . 37

1.4.2. Procedimiento alternativo . . . . . . . . . . . . . . . . . . . . 40

1.5. Matrices invertibles . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

1.6. Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

1.6.1. Regla de Sarrus para matrices de orden 3 . . . . . . . . . . 47

1.6.2. Desarrollo por cofactores . . . . . . . . . . . . . . . . . . . . 50

1.6.3. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
1.6.4. Determinantes de matrices invertibles . . . . . . . . . . . . 53
 Capítulo 1

Matrices

1.1. Definiciones y propiedades básicas

En esta sección, introducimos el concepto de matriz y tipos especiales que

se obtienen a partir de una dada, junto con otros conceptos relacionados y
ejemplos. Además, definimos operaciones entre matrices y una clasificación
de matrices cuadradas.

D EFINICIÓN 1.1.1 Sean m, n ∈ N y {aij : i ∈ Im y j ∈ In } una familia de objetos

cualesquiera. Decimos que A es una matriz de orden m × n sii A es un orde-
namiento rectangular de m filas y n columnas, en el cual aij se ubica en la
i-ésima fila y j-ésima columna.

Esto es,  
a11 a12 ... a1n
 a21 a22 ... a2n 
A=
 
.. .. . . .. 
 . . . . 
am1 am2 ... amn m×n

En general, escribimos A = (aij )m×n .

Además, decimos que:

aij es un elemento de A, para cada i ∈ Im y j ∈ In .

El orden (o tamaño) de A es m × n. El símbolo “m × n” se lee “m por n”.

A es una matriz cuadrada de orden m (o n) cuando m = n.

21
22 Capítulo 1. Matrices

A es una matriz rectangular cuando m 6= n.

O BSERVACIÓN 1.1.2 En la literatura, las matrices también se presentan den-

tro de paréntesis. Por ejemplo,
 
1 2
A=
0 4

N OTACIÓN 1.1.3 A la familia de todas las matrices de orden m × n lo simbo-

lizamos por Mm×n , mientras que a la familia de todas las matrices cuadradas
de orden n, por lo general, la representamos por Mn . Eventualmente, escribi-
mos “Am×n ” en lugar de “A ∈ Mm×n ” y, también, “An×n ” en lugar de “A ∈ Mn ”.
Cuando los elementos de A pertenezcan a K, escribimos Mm×n (K) o Mn (K) .

D EFINICIÓN 1.1.4 Sean i ∈ In y j ∈ In . Llamamos delta de Kronecker a:

(
1 si i = j
δ ij :=
0 si i 6= j

E JEMPLOS 1.1.5

(a) Sea 0 ∈ K. Llamamos matriz nula de orden m × n a:

Om×n := (oij )m×n tal que ∀i ∈ Im ∀j ∈ In , oij = 0

 
0 0 ... 0
 0 0 ... 0 
o bien, Om×n = .
 
.... . . ..
 . . . . 
0 0 ... 0

(b) Sea 1 ∈ K. Llamamos matriz identidad de orden n a:

In×n := (δ ij )n×n
 
1 0 ... 0
 0 1 ... 0 
o bien, In×n = .. .. . . ..  .
 
 . . . . 
0 0 ... 1

D EFINICIÓN 1.1.6 Sean A = (aij )m×n y B = (bij )m×n . Decimos que A y B son
matrices iguales, y lo simbolizamos A = B, sii ∀i ∈ Im ∀j ∈ In , aij = bij .
Capítulo 1. Matrices 23

O BSERVACIÓN 1.1.7 Si A ∈ M1×1 (K) —esto es, A = (aij )1×1 — en la literatura

se suele utilizar la escritura “A = a11 ”. No obstante, cabe tener en cuenta que,
en esta notación, se está haciendo abuso de lenguaje. En efecto, tal expresión
dice “matriz igual a un número”, lo cual no puede ser, ya que se trata de
objetos matemáticos de distinta naturaleza.

D EFINICIÓN 1.1.8 Sea A = (aij )n×n . Llamamos:

Diagonal principal a los elementos a11 , a22 , ..., ann .

Diagonal secundaria a los elementos an1 , a(n−1)2 , ..., a1n .

D EFINICIÓN 1.1.9 Sea A ∈ Mn (K) tal que A = (aij )n×n y “+” la operación suma
definida en K. Llamamos traza de A a Traz(A):= a11 + a22 + ... + ann .
 
1 6 −5
E JEMPLO 1.1.10 La traza de R3×3 = 4 8 0  está dada por:
0 10 20

Traz (R) = 1 + 8 + 20 = 29

D EFINICIÓN 1.1.11 Sea A = (aij )m×n . Llamamos matriz traspuesta de A a la

matriz AT = (bkt )n×m sii ∀k ∈ In ∀t ∈ Im , bkt := atk .
 
4 8 0 1
E JEMPLO 1.1.12 La matriz traspuesta de S2×4 = es:
0 10 220 −4
 
4 0
8 10
 
T
S4×2 =
 
0 220

 
1 −4

P ROPOSICIÓN 1.1.13

(a) ITn×n = In×n .

(b) OTm×n = On×m .

T
(c) ∀A ∈ Mm×n , AT = A.


(d) ∀A ∈ Mn (K) , Traz AT = Traz (A) .
24 Capítulo 1. Matrices

D EMOSTRACIÓN .

T
(c) Sea A = (aij )m×n y consideremos AT = (bkt )n×m y AT = (cij )m×n .

Por Definición 1.1.11,

∀k ∈ In ∀t ∈ Im , bkt = atk (1.1)

∀i ∈ Im ∀j ∈ In , cij = bji (1.2)

T
dpq: AT = A k ∀i ∈ Im ∀j ∈ In , cij = aij

Sean i ∈ Im y j ∈ In

De (1.1) y (1.2), resulta:

cij = bji = aij

Hemos probado:
∀i ∈ Im ∀j ∈ In , cij = aij

Por Definición 1.1.6, obtenemos:

T
AT =A

(d) Sea A ∈ Mn (K) tal que A = (aij )n×n y consideremos AT = (bkt )n×n .

Por Definición 1.1.11,

∀k ∈ In ∀t ∈ Im , bkt = atk (1.3)

Luego,

Traz(A)= a11 + a22 + ... + ann [Def. 1.1.9]

= b11 + b22 + ... + bnn [(1.3)]

=Traz(AT ) [Def. 1.1.9]

D EFINICIÓN 1.1.14 Sea A ∈ Mm×n (C) tal que A = (aij )m×n . Llamamos matriz
conjugada de A a la matriz A = (bij )m×n sii ∀i ∈ Im ∀j ∈ In , bij := aij .
Capítulo 1. Matrices 25
 
−3 2 + i −5i
E JEMPLO 1.1.15 La matriz conjugada de M2×3 = es:
−i 6 − 5i 0
 
−3 2 − i 5i
M 2×3 =
i 6 + 5i 0

D EFINICIÓN 1.1.16 Sean A y B dos matrices. Decimos que A y B son compa-

tibles sii A ∈ Mm×n y B ∈ Mn×p .

Es decir, A y B son compatibles sii la cantidad de columnas de A coincide con

la cantidad de filas de B.
 
  4 8 0 1
−3 2 + i −5i
E JEMPLO 1.1.17 M2×3 = y S3×4 =  0 10 220 −4  son
−i 6 − 5i 0
0 0 0 0
matrices compatibles.

1.1.1. Operaciones con matrices

En este apartado, consideramos matrices con elementos en K.

D EFINICIÓN 1.1.18

(a) Sean A = (aij )m×n y B = (bij )m×n . Llamamos suma de A y B a:

A + B = (cij )m×n sii ∀i ∈ Im ∀j ∈ In , cij := aij + bij

(b) Sean k ∈ K y A = (aij )m×n . Llamamos producto exterior matricial de k por

A a:
k · A = (bij )m×n sii ∀i ∈ Im ∀j ∈ In , bij := kaij

(c) Sean A = (aij )m×n y B = (bij )n×p . Llamamos producto de A y B a:

n
X
A · B = (cij )m×p sii ∀i ∈ Im ∀j ∈ Ip , cij := aik bkj
k=1

(d) Sean A ∈ Mn×n (K) y k ∈ N ∪ {0}. Llamamos potencia de k-ésima de A a:


 In×n si k = 0


k
A :=

 · ... · A} si k ≥ 1
A · A{z
 |
k veces
26 Capítulo 1. Matrices

O BSERVACIONES 1.1.19

(a) De acuerdo con la definición de producto de matrices, esta operación está

definida únicamente para matrices compatibles.

(b) Dadas F ∈ M1×n (K) y G ∈ Mn×1 (K) , según la definición de producto de

matrices tenemos:
F · G ∈ M1×1 (K)

Llamando F · G = (dij )1×1 y considerando la Observación 1.1.7, eventual-

mente, podemos escribir d11 = F · G, siempre que tengamos la precaución
de no confundir la naturaleza de los objetos matemáticos que aparecen en
esta igualdad.

(c) Dado λ ∈ K, eventualmente, escribimos “λ” en lugar de “λ · In×n ”.

P ROPOSICIÓN 1.1.20

(a) ∀A, B, C ∈ Mm×n (K) , (A + B) + C = A + (B + C)

Eventualmente, simbolizamos a ambas expresiones por A + B + C.

(b) ∀A ∈ Mm×n (K) , A + Om×n = Om×n + A = A

(c) ∀A, B ∈ Mm×n (K) , A + B = B + A

(d) ∀A ∈ Mm×n (K) ∀B ∈ Mn×p (K) ∀C ∈ Mp×q (K) , (A · B) · C = A · (B · C)

Eventualmente, simbolizamos a ambas expresiones por A · B · C.

(e) El producto de matrices no es conmutativo.

(f) ∀A ∈ Mm×n (K) ∀B ∈ Mn×p (K) ∀k ∈ K, (k · A) · B = k · (A · B) = A · (k · B)

(g) ∀A, B ∈ Mm×n (K) ∀C ∈ Mn×p (K) , (A + B) · C = A · C + B · C

(h) ∀A ∈ Mm×n (K) ∀B, C ∈ Mn×p (K) , A · (B + C) = A · B + A · C

(i) ∀A ∈ Mm×n (A · In×n = A ∧ Im×m · A = A)

(j) ∀A ∈ Mm×n (A · On×p = Om×p ∧ Oq×m · A = Oq×n )

(k) ¬ (∀A ∈ Mm×n (K) ∀B ∈ Mn×p (K) (A · B = Om×p ⇒ A = Om×n ∨ B = On×p ))

Capítulo 1. Matrices 27

(l) ∀A, B ∈ Mm×n (K) , (A + B)T = AT + B T

(m) ∀A ∈ Mm×n (K) ∀k ∈ K, (k · A)T = k · AT

(n) ∀A, B ∈ Mn (K) , (A · B)T = B T · AT

(ñ) ∀A, B ∈ Mn (K) , A · B = A · B

1.1.2. Clasificación de matrices cuadradas

En este apartado, continuamos considerando matrices con elementos en K.

D EFINICIÓN 1.1.21 Sea A = (aij )n×n . Decimos que:

(a) A es una matriz triangular superior de orden n sii se cumple:

∀i ∈ In ∀j ∈ In (i > j ⇒ aij = 0)
 
a11 a12 ... a1n
 0 a22 ... a2n 
Esto es: A = 
 
 ... ... . . . ...


0 0 ... ann n×n

(b) A es una matriz triangular inferior de orden n sii se cumple:

∀i ∈ In ∀j ∈ In (i < j ⇒ aij = 0)
 
a11 0 ... 0
 a21 a22 ... 0 
Esto es: A =  .
 
 ... ... . . . ... 
an1 an2 ... ann

(c) A es una matriz diagonal de orden n sii se cumple:

∀ {i, j} ⊆ In , aij = 0

 
a11 0 ... 0
 0 a22 ... 0 
Esto es: diag(a11 , a22 , ..., ann )n×n := A =  .
 
 ... ... . . . ... 
0 0 ... ann
28 Capítulo 1. Matrices

(d) A = (aij )n×n es una matriz escalar en k de orden n, siendo k ∈ K sii

(
k si i = j
∀i ∈ In ∀j ∈ In , aij =
0 si i 6= j
 
k 0 ... 0
 0 k ... 0 
Esto es, En×n (k):=  .
 
 ... ... . . . ... 
0 0 ... k

(e) A es una matriz simétrica sii A = AT .

(f) A es una matriz antisimétrica sii A = −AT .

 T
(g) A es una matriz hermitiana sii A = A .

 T
(h) A es una matriz antihermítica sii A = − A .

(i) A es una matriz ortogonal sii AT · A = In×n y A · AT = In×n .

 T  T
(j) A es una matriz unitaria sii A · A = In×n y A · A = In×n .

P ROPOSICIÓN 1.1.22

(a) La matriz identidad de orden n es matriz ortogonal y unitaria.

(b) Si A es ortogonal, entonces AT es ortogonal.

(c) Si A y B son matrices ortogonales de orden n, entonces A · B es ortogonal.

(d) Si A y B son matrices unitarias de orden n, entonces A · B es unitaria.

1.2. Matrices en bloques

En este espacio presentamos tres tipos de matrices que se pueden obtener a

partir de una matriz dada. Además, introducimos matrices por bloques, junto
con las propiedades relacionadas con las operaciones de matrices.
Capítulo 1. Matrices 29

1.2.1. Submatrices o bloques

D EFINICIÓN 1.2.1 Sean A una matriz de orden m × n y B una matriz de orden

p × q tales que 1 ≤ p ≤ m y 1 ≤ q ≤ n. Decimos que B es submatriz (o bloque) de
A sii B se obtiene eliminando m − p filas y n − q columnas de A.
 
1 6 −5 2
E JEMPLO 1.2.2 Sea M3×4 = 4 8 0 1 .
0 10 220 −4
Las siguientes matrices son algunas de submatrices de M.
 
1 6 −5 2 1×4
(se eliminaron la segunda y tercera fila de M )
 
−5
 0  (se eliminaron las dos primeras columnas y la última de M )
220 3×1
 
1 6 2
(se eliminaron tercera fila y tercera columna de M )
4 8 1 2×3

 
a11 a12 ... a1n
 a21 a22 ... a2n 
D EFINICIÓN 1.2.3 Sea Am×n =  .
 
.. .. ... ..
 . . . 
am1 am2 ... amn

A  
Para cada i ∈ Im , F i := ai1 ai2 ... ain 1×n
es la fila i de A.
 
a1j
A
 a2j 
Para cada j ∈ In , C j :=  es la columna j de A.
 
.. 
 . 
amj m×1

Considerando m = n, i ∈ In y j ∈ In , la matriz A
bij que se obtiene de
eliminar la fila i y la columna j de A es el menor ij de A.

O BSERVACIÓN 1.2.4

(a) Podemos omitir el nombre de la matriz en las notaciones de las filas o

columnas cuando no sea necesario indicarlo.
30 Capítulo 1. Matrices

(b) Dada una matriz A, algunos autores —por ejemplo, [4]— llaman “menor
ij” al determinante de A
bij (véase Sección 1.6). En este curso, adoptamos
la definición dada en [1, pág. 178].

 
−61 62
E JEMPLO 1.2.5 Sea  40 −18  .
0 10 3×2

A  
F2 = 40 −18 1×2
es la fila 2.

 
−61
A
C 1 =  40  es la columna 1.
0 3×1

 
−61 62 0
E JEMPLO 1.2.6 Sea G3×3 =  40 −18 1  .
0 10 1
 
62 0
La matriz G31 =
b es el menor 31 de G.
−18 1 2×2

1.2.2. Partición de matrices

D EFINICIÓN 1.2.7 Sean A ∈ Mm×n . Decimos que A es una matriz por bloques
sii A se encuentra particionada en submatrices (o bloques) que se obtienen
trazando líneas horizontales y/o verticales.

O BSERVACIÓN 1.2.8 Tomemos A ∈ Mm×n y una partición en bloques de A

dada por:
 
B11 B12 ··· B1q
 
 B21 B22 ··· B2q 
(1.4)
 
 . .. ... ..
 ..

 . . 

Bp1 Bp2 ··· Bpq

siendo p ≤ m, q ≤ n y {Bkt : 1 ≤ k ≤ p ∧ 1 ≤ t ≤ q} la familia de bloques de la

particion de Am×n .
Capítulo 1. Matrices 31

Observemos que la partición mostrada en (1.4) determina una matriz de orden

p × q, cuyos elementos son los bloques de ésta. Luego, Am×n puede “indentifi-
carse” con la matriz (1.4). Denotamos este hecho escribiendo:
 
B11 B12 ··· B1q
 
 B21 B22 ··· B2q 
Am×n ≡  .
 
 .. .. ... .. 
 . . 

Bp1 Bp2 · · · Bpq
p×q

En la literatura se hace abuso de lenguaje, pues se usa “=” en lugar de “≡”,

lo que puede prestarse a confusión en virtud de la Definición 1.1.6. No obs-
tante, en este curso, usaremos tanto “=” como “≡”, tomando las precauciones
pertinentes.
 
−61 62 0 0
40 −18 0 0
 
E JEMPLO 1.2.9 Sea H4×2 =  .
 
 0 10 1 0 
0 0 0 1
Podemos trazar una línea horizontal y otra vertical de tal modo que queden
determinadas las submatrices nulas e identidad como mostramos a continua-
ción:  
−61 62 0 0
 40 −18 0 0 
.
 
0 10 1 0
 
 
0 0 0 1
2×2

Luego,  
−61 62 0 0
 40 −18 0 0 
H4×2 ≡ (1.5)
 
0 10 1 0

 
0 0 0 1
2×2

Además, dado que en esta partición una de las submatrices es O2×2 y otra es
I2×2 , podemos simplificar la expresión (1.5), de la manera siguiente:
 
B11 O2×2
H4×2 ≡
B21 I2×2 2×2

   
−61 62 0 10
siendo B11 = y B21 = .
40 −18 2×2
0 0 2×2
32 Capítulo 1. Matrices

O BSERVACIÓN 1.2.10 De acuerdo con la Definición 1.2.7, resulta que la par-

tición en bloques de una matriz no es única. El criterio para trazar las líneas
horizontales y/o verticales dependerá del contexto; incluso, la división puede
no estar sujeta a ningún requisito.

P ROPOSICIÓN 1.2.11 Sean las matrices por bloques:

" #
Bn0 1 ×n4
 
Bn1 ×n1 Cn1 ×n2
A(n1 +n3 )×(n1 +n2 ) ≡ y A0(n1 +n2 )×n4 ≡
Dn3 ×n1 En3 ×n2 2×2 Dn0 2 ×n4
2×1
" #
B · B 0 + C · D0
Entonces, A · A0 ≡ .
D · B 0 + E · D0
2×1

O BSERVACIÓN 1.2.12

(a) La Proposición 1.2.11 puede extenderse a matrices particionadas con una

cantidad de bloques mayores a 2.

(b) En este texto, trabajaremos con matrices triangulares y diagonales cuyos

elementos son matrices, las cuales cumplen con las mismas proposicio-
nes usadas en la Definición 1.1.21, con la diferencia de que en lugar de “0”
debe colocarse la matriz nula, adaptando su orden a los requerimientos
de la partición.

P ROPOSICIÓN 1.2.13 Sean n1 , ..., nt ∈ N y las matrices A1 ∈ Mn1 (K) , ..., At ∈

k

Mnt (K) . Si k ∈ N∪{0} , entonces diag (A1 , ..., At )t×t = diag Ak1 , ..., Akt t×t , siendo
Xt
t= ni .
i=1
n A A
o n A A
o
D EFINICIÓN 1.2.14 Sean A ∈ Mm×n y F 1 , ..., F m y C 1 , ..., C n los conjun-
tos de sus filas y columnas, respectivamente. Decimos que:

(a) A está dividida en bloques de filas (o que “está en bloques de filas”) sii los
bloques de la partición de A son sus m filas. Esto es,
 A 
F1
 . 
Am×n ≡  . 
 . 
A
Fm
m×1
Capítulo 1. Matrices 33

(b) A está dividida en bloques de columnas (o que “está en bloques de co-

lumnas”) sii los bloques de la partición de A son sus n columnas. Esto
es,
h i
A A
Am×n ≡ C1 ... Cn .
1×n

P ROPOSICIÓN 1.2.15 Sean A ∈ Mm×n (K) y B ∈ Mm×n (K). Se satisfacen:

 A B

F1 + F1
..
h i
  A B A B
(a) A + B ≡  .  ≡ C 1 + C 1 ... C n + C n
  1×n
A B
Fm + Fm
m×1

A
 
λ · F1
..
h i
  A A
(b) ∀λ ∈ K, λ · A ≡  .  ≡ λ · C1 ... λ · C n
  1×n
A
λ · Fm
m×1
 
u1 n
 .  X A
(c) ∀u1 , ..., un ∈ K, Am×n ·  .  ≡ ui · C i
 . 
i=1
un
n×1
A B A B
(d) A = B sii ∀i ∈ Im , F i = F i sii ∀j ∈ In , C j = C j .

P ROPOSICIÓN 1.2.16 Si A ∈ Mm×n (K) y B ∈ Mn×p (K), entonces

h B B
i
A · B ≡ A · C 1 ... A · C p
1×p

1.3. Matrices escalonadas

Este tema es crucial en el desarrollo del presente texto.

A
D EFINICIÓN 1.3.1 Sean A ∈ Mm×n (K) e i ∈ Im . Llamamos pivote de F i al
A A
primer elemento no nulo de F i . Además, llamamos similaridad de F i al índice
de la columna en la que tiene el pivote. En caso de que la fila sea nula, decimos
que su similaridad es 0.
 
−61 62 1 0 0
40 −18 1 0 0
 
E JEMPLO 1.3.2 En A4×5 =  ,
 
 0 0 1 −1 1 
0 0 0 0 0
34 Capítulo 1. Matrices

A A
El pivote de F 1 es −61 y la similaridad de F 1 es 1.
A A
El pivote de F 2 es 40 y la similaridad de F 2 es 1.
A A
El pivote de F 3 es 1 y la similaridad de F 3 es 3.
A A
F 4 no tiene pivote y la similaridad de F 4 es 0.

D EFINICIÓN 1.3.3 Sean A ∈ Mm×n (K) y {i, j} ⊆ Im tales que i 6= j. Decimos que
A A
F i y F j son filas similares de A sii i 6= j y tienen la misma similaridad.
A A
E JEMPLO 1.3.4 Considerando la matriz A del Ejemplo 1.3.2, F 1 y F 2 son filas
similares.

D EFINICIÓN 1.3.5 Sea A ∈ Mm×n (K). Decimos que A es una matriz escalonada
sii se cumplen las siguientes condiciones:

Todas sus filas no nulas tienen similaridad distinta (es decir, las filas no
nulas no son similares entre sí).

Sus filas están ordenadas en forma creciente según su similaridad.

E JEMPLOS 1.3.6 Las siguientes matrices son escalonadas.

       
3 1 0 0 3 1 0 0 3 1 0 0 3 1 0 0
 0 4 5 6 ; 0 0 5 6 ; 0 0 5 6 ; 0 0 0 0 ;
0 0 1 1 0 0 0 1 0 0 0 0 0 0 0 0
   
3 1 0 0 0 0 3 1 0 0 0 0
 0 4 5 6 7 8 ; 0 0 5 6 7 8 ;
0 0 1 1 2 2 0 0 0 1 2 2
   
3 1 0 30 0 40 3 1 0 5 12 20
 0 0 5 6 7 8 ; 0 0 0 0 0 0 ;
0 0 0 0 2 2 0 0 0 0 0 0
     
3 1 3 1 0 1
 0 4 ; 0 0 ; 0 0 
0 0 0 0 0 0
En cambio,  
3 1 0 30 0 40
 0 0 0 0 0 8 
0 0 0 0 0 2
no es matriz escalonada, pues la segunda y tercera fila son similares y no
nulas.
Capítulo 1. Matrices 35

1.4. Métodos para escalonar matrices

Los procesos para triangular o escalonar matrices son herramientas extrema-

damente útiles para resolver sistemas de ecuaciones lineales o calcular deter-
minantes. Existen varias formas de definirlos de acuerdo con el objetivo que
plantea el contexto. Los más populares consisten en realizar determinadas
operaciones entre las filas de una matriz para obtener una matriz escalonada.
Entre estos destaca el método de triangulación. Además, damos un método
alternativo que brinda practicidad bajo determinadas circunstancias.

D EFINICIÓN 1.4.1 Sean A ∈ Mm×n y B ∈ Mm×n . Decimos que B es una matriz

transformada de A (o que A se transforma en B) y, lo denotamos A → B, sii
para cada k ∈ Im , FkB cumple alguna de las condiciones siguientes:
B A
(O1) ∃β ∈ K\ {0} , F k := β · F k .
B A A
(O2) ∃γ ∈ K\ {0} ∃t ∈ Im \ {k} , F k := F k + γ · F t .
B A B A
(O3) ∃t ∈ Im \ {k} , F k := F t y F t := F k
B A A
(O4) ∃β, γ ∈ K\ {0} ∃t ∈ {1, ..., k − 1} , F k := β · F k − γ · F t .

O BSERVACIONES 1.4.2

(a) En la literatura, (O1), (O2) y (O3) se denominan operaciones elementales

por filas; están estrechamente vinculadas con el Método de Eliminación
de Gauss.

(b) La operación (O2) es un caso particular de (O4), tomando β = 1 y t ≤ k − 1.

B A
(c) Cuando se aplica (O1), usando β = 1, tenemos que F k := F k . Es decir, la
fila de A no sufre modificaciones en B.

N OTACIÓN 1.4.3 Asumiendo que A → B, consideramos las notaciones siguien-

tes:
B A B A
(a) “F k  F t ” indica que “F k es igual a F t y F t es igual a F k ”. Es decir, este
símbolo representa que se aplicó una única vez (O3) a las filas en cuestión
para obtener la matriz transformada.
36 Capítulo 1. Matrices

B A
(b) “F k → F t ” indica que “F k es igual a F t ”. Cuando k = t, significa que se
aplicó (O1) usando el escalar 1 y, por tanto, la fila no sufre modificaciones.
Caso contrario, la notación indica que la matriz transformada resulta de
permutar filas mediante la aplicación de (O3) a varias filas hasta lograr
A
que F t ocupe la k-ésima fila de B.
B A A
(c) “F k → β · F k − γ · F t ” indica que “F k es igual a β · F k − γ · F t ”, para algún
β, γ ∈ K\ {0} , t ∈ {1, ..., k − 1} por medio de (O4).

Cabe señalar que, en estas notaciones, no usamos el supraíndice de las ma-

trices para simplificar la escritura.
 
2 4 5
E JEMPLOS 1.4.4 Veamos algunas matrices trasformadas de A =  1 −2 7 
0 0 9
aplicando las operaciones de la Definición 1.4.1.
 
2 4 5
(a) A → B =  8 −16 56 
6 −12 51

En efecto,
  F1 → F1  
2 4 5 F 2 → 8F 2 2 4 5
 1 −2 7  F 3 → F 3 + 6F 1  8 −16 56 
−
−−−−−−−−−−−−− →
0 0 9 12 24 39
 
3 2 12
(b) A → C =  1 −2 7 
0 0 9

En efecto,
  F1 → F1 + F2  
2 4 5 F2 → F2 3 2 12
 1 −2 7  F3 → F3  1 −2 7 
−−−−−−−−−−−−−→
0 0 9 0 0 9
 
2 4 5
(c) A → D =  0 0 9 
1 −2 7
Capítulo 1. Matrices 37

En efecto,    
2 4 5 2 4 5
F2  F3
 1 −2 7  −−−−−−→  0 0 9 
0 0 9 1 −2 7
 
1 −2 7
(d) A → E =  0 0 9 
2 4 5

En efecto,
  F1 → F3  
2 4 5 F2 → F1 1 −2 7
 1 −2 7  F3 → F2  0 0 9 
−−−−−−−−→
0 0 9 2 4 5

D EFINICIÓN 1.4.5 Sean A ∈ Mm×n y AE ∈ Mm×n . Decimos AE es una forma

escalonada de A sii AE es una matriz escalonada y existe una sucesión finita
de matrices A(0) , A(1) , A(2) , ..., A(t) tales que:

A = A(0) → A(1) → A(2) → ... → A(t) = AE

P ROPOSICIÓN 1.4.6 Sea A ∈ Mm×n (K) . Si A es una matriz escalonada, enton-

ces AE = A.

P ROPOSICIÓN 1.4.7 Si m ∈ N y n ∈ N, entonces OE

m×n = Om×n .

1.4.1. Triangulación de matrices

D EFINICIÓN 1.4.8 El método de triangulación (o escalonamiento) consiste en

transformar una matriz A en una forma escalonada AE teniendo en cuenta los
siguientes ítems:

(a) Las operaciones de filas que intervienen en la construcción de la sucesión:

A = A(0) → A(1) → A(2) → ... → A(t) = AE

son las elementales: (O1), (O2) y/o (O3).

(b) Las filas no nulas de AE tienen pivote 1.

38 Capítulo 1. Matrices

E STRATEGIA 1.4.9 (para triangular matrices) Para construir la sucesión:

A = A(0) → A(1) → A(2) → ... → A(t) = AE

debemos usar, según las Definiciones 1.4.5 y 1.4.8, las operaciones elemen-
tales (O1), (O2) y/o (O3). A continuación, sugerimos una estrategia para apli-
carlas.

(1) Para obtener A(k) , con k ∈ {1, ..., t − 1} , debemos considerar dos casos para
cada similaridad s en la matriz A(k−1) :
(a) Si existe una única fila F p de similaridad s, empleamos:
1
Fp → Fp (1.6)
ap

siendo ap el pivote de F p . Si ap = 1, no escribimos la fórmula en el

proceso, puesto que la fila no sufre modificaciones.

(b) Si hay dos o más filas de similaridad s, entonces elegimos una de

ellas. El criterio para la elección de la fila es que tenga pivote 1; si
hay más de una con pivote 1 o ninguna, preferimos la línea que tenga
menor índice de fila.
Llamemos F p a la línea seleccionada.

A F p le aplicamos la fórmula (1.6) con los mismas condiciones

mencionadas en (1a).
Si F q es una línea similar a F p (según la Definición 1.3.3, p 6= q),
empleamos la fórmula:
bq
Fq → Fq − Fp (1.7)
ap

siendo ap y bq los pivotes de F p y F q , respectivamente.

(2) Cuando alguna matriz de la sucesión tiene todas las filas no nulas con
pivote 1 y con distinta similaridad, procedemos según las siguientes si-
tuaciones:
(a) Todas las líneas horizontales estén ordenadas de manera crecien-
te según sus similaridades. En este caso, damos por terminado el
proceso, siendo esta matriz la última de la sucesión.
Capítulo 1. Matrices 39

(b) Existen líneas horizontales que no están ordenadas de manera cre-

ciente según sus similaridades. Aquí, debemos construir una nueva
matriz en la que cambiamos de lugar las filas para ordenarlas en
forma creciente. Esta matriz es la última de la sucesión.

 
2 1 3 0

 0 0 1 0 

E JEMPLO 1.4.10 Triangulemos la matriz B = 0 0 6 1 .
 

5 −1

 2 0 
0 0 −9 2
  1
 
F1 → F1 1 3
2 1 3 0 2 1 2 2 0
  5  
 0 F4 → F4 − F1
 0 1 0 
 2
 0
 0 1 0 

  F 3 → F 3 − 6F 2  
 0 0 6 1  F 5 → F 5 − (−9) F 2
 0 0 0 1 
   
 5 −1 −−−−−−−−−−−−−−−−−→  0 − 7 − 11 0 
 2 0 
  2 2 
0 0 −9 2 0 0 0 2

   
1 3 1 3
1 2 2 0 1 2 2 0
2

 0 0
 F2 → F4 
11

F4 → − F4 1 0   0 1
7 0 
7   F3 → F2  
F 5 → F 5 − 2F 3
   
 0 0 0 1  F4 → F3  0 0 1 0 
−
−−−−−−−−−−−−− →   −−−−−−−−→  
 0 1 11
 7 0 

 0 0
 0 1 

0 0 0 0 0 0 0 0

O BSERVACIÓN 1.4.11

(a) En la literatura, el método de triangulación se define mediante las opera-

ciones elementales (Observación 1.4.2) y las fórmulas presentadas en la
descripción de la estrategia. No obstante, los pasos y/o criterios plantea-
dos en la Estrategia 1.4.9 pueden variar con respecto a los propuestos por
otros autores. De hecho, las versiones de éstos tienen diferencias entre
sí.

(b) Sea AE
m×n la forma escalonada de Am×n obtenida mediante el método de

triangulación de la Definición 1.4.8.

(i) AE
m×n también se denomina “forma escalonada por renglones o filas”.
40 Capítulo 1. Matrices

(ii) Si los elementos que aparecen en la misma columna que el pivote de

una fila de AE E
m×n son todos iguales a 0, entonces Am×n se denomina

“forma escalonada reducida por renglones o filas”. En ese caso, el

método de triangulación de la Definición 1.4.8 se llama “reducción
por renglones o filas”.
Por ejemplo,  
1 0 1 0
 
 0 1 1 0 
 
0 0 0 1
es una forma escalonada reducida por filas, al contrario de la matriz:
 
1 0 0 0 0
 
 0 1 −1 0 0 
 
0 0 1 0 0

pues la tercera fila tiene el pivote en la tercera columna y en esta

última aparece −1.

1.4.2. Procedimiento alternativo

La mayoría de los programas informáticos se basan en las operaciones ele-

mentales, puesto que ejecutan la menor cantidad de cuentas y/o pasos. Pero,
la situación se complica cuando no se trabaja con tales recursos, por el solo
hecho de que aparecen fracciones en las etapas de triangulación.

En esta ocasión describimos otro procedimiento para escalonar una matriz A

que, desde nuestro punto de vista, es más ágil de aplicar porque se puede
prescindir de fracciones.

D EFINICIÓN 1.4.12 Un procedimiento alternativo de triangulación (o escalona-

miento) consiste en transformar una matriz A en una forma escalonada AE
teniendo en cuenta que las operaciones de filas que intervienen en la cons-
trucción de la sucesión A = A(0) → A(1) → A(2) → ... → A(t) = AE son (O3) y/o
(O4).
Capítulo 1. Matrices 41

E STRATEGIA 1.4.13 (alternativa para triangular matrices) Para construir la

sucesión:
A = A(0) → A(1) → A(2) → ... → A(t) = AE
debemos usar, según las Definiciones 1.4.5 y 1.4.12, las operaciones elemen-
tales (O3) y/o (O4). A continuación, sugerimos una estrategia para aplicarlas.

(1) Para obtener A(k) , con k ∈ {1, ..., t − 1} , debemos considerar dos casos para
cada similaridad s en la matriz A(k−1) :
(a) Si existe una única fila F p de similaridad s, no modificamos la fila.
(b) Si hay dos o más filas de similaridad s, entonces elegimos entre ellas
la que tenga el menor índice. Llamemos F p a la línea seleccionada.
A F p no la modificamos.
Si F q es una línea similar a F p (según la Definición 1.3.3, p 6= q),
empleamos la fórmula:

F q → ap F q − b q F p

siendo ap y bq los pivotes de F p y F q , respectivamente.

(2) Cuando alguna matriz de la sucesión tiene todas las filas no nulas con
distinta similaridad, procedemos según las siguientes situaciones:
(a) Todas las líneas horizontales estén ordenadas de manera crecien-
te según sus similaridades. En este caso, damos por terminado el
proceso, siendo esta matriz la última de la sucesión.
(b) Existen líneas horizontales que no están ordenadas de manera cre-
ciente según sus similaridades. Aquí, debemos construir una nueva
matriz en la que cambiamos de lugar las filas para ordenarlas en
forma creciente. Esta matriz es la última de la sucesión.

E JEMPLO 1.4.14 El procedimiento de escalonamiento alternativo aplicado a

la matriz B, queda como sigue:
   
2 1 3 0 F 4 → 2F 4 − 5F 1
2 1 3 0

 0 0 1 0  F → 1F − 6F
 3 3 2

 0 0 1 0 

B=
 0 0 6 1  F 5 → 1F 5 − (−9) F 2 
 −−−−−−−−−−−−−−−−−−→  0 0 0 1 

 5 −1 2 0   0 −7 −11 0 
0 0 −9 2 0 0 0 2
42 Capítulo 1. Matrices
   
2 1 3 0 F2 → F4
2 1 3 0
 0 0 1 0  F →F 
 3 2 
0 −7 −11 0 
F 5 → 1F 5 − 2F 3   E
−−−−−−−−−−−−→  0 0 0 1 0 0 =B
1 0 
 F4 → F3 
  −−−−−−−−→ 
 0 −7 −11 0   0 0 0 1 
0 0 0 0 0 0 0 0

E JEMPLO 1.4.15 El procedimiento de escalonamiento alternativo aplicado a

la matriz C, queda como sigue:
 

0 1 0
 0 1 0
 
C =  2 −1 −1  F−−3−→ 2F 3 − 5F 2  2 −1 −1 
−−−−−−−−−→  
5 0 3 0 5 11
   
0 1 0 2 −1 −1
E
F 3 → 1F 3 − 5F 1  2 −1 −1  F 1  F 2  0 1 0 =C
   
−−−−−−−−−−−−→ −−−−−−→
0 0 11 0 0 11

O BSERVACIÓN 1.4.16

(a) Teniendo en cuenta los escalonamientos de los Ejemplos 1.4.10 y 1.4.14,

la forma escalonada de una matriz no tiene la propiedad de unicidad. En
primera instancia, esto se debe a que las fórmulas que se usan en cada
método de triangulación descripto no son las mismas. Pero, también, la
elección de la fila F p es causante de tal hecho.

(b) En la aplicación del método de triangulación de la Definición 1.4.12, las

cuentas pueden simplicarse cuando se trabaja con filas similares. Si F p y
F q son dos filas similares con pivotes ap y bq , respectivamente, tales que
bq = k ap , para algún k ∈ K\ {0} , entonces podemos usar la fórmula:

F q → F q − kF p

en lugar de “F q → ap F q − bq F p ”. O bien, si ap = k 0 bq , podemos usar la

fórmula F q → k 0 F q − F p .

1.5. Matrices invertibles

En este tema, trabajamos con matrices cuadradas, cuyos elementos pertene-

cen a K.
Capítulo 1. Matrices 43

D EFINICIÓN 1.5.1 Sea A ∈ Mn (K) . Decimos que A es una matriz invertible sii
∃B ∈ Mn (K) , (B · A = In×n ∧ A · B = In×n ) .

Además, dada H ∈ Mn (K), decimos que H es la matriz inversa de A sii H · A =

In×n y A · H = In×n .

Simbolizamos a la matriz inversa de A por A−1 .

N OTACIÓN 1.5.2 Representamos a la familia de matrices invertibles de orden

n con elementos en el cuerpo K por GL (n, K).

P ROPOSICIÓN 1.5.3 Si A ∈ GL (n, K), entonces A−1 ∈ Mn (K), A−1 · A = In×n y

A · A−1 = In×n .

T EOREMA 1.5.4 Sea A ∈ GL (n, K). Si C ∈ Mn (K) tal que A · C = In×n , entonces
C = A−1 .

D EMOSTRACIÓN . Sea A ∈ GL (n, K) . De acuerdo con la Notación 1.5.2, A ∈

Mn (K) y A es invertible. Según la Proposición 1.5.3,

A−1 · A = In×n y A · A−1 = In×n (1.8)

Tomemos C ∈ Mn (K) tal que:

A · C = In×n (1.9)

Se satisfacen las igualdades siguientes:

C = In×n · C [Prop. 1.1.20-i]

= (A−1 · A) · C [(1.8)]

= A−1 · (A · C) [Prop. 1.1.20-d]

= A−1 · In×n [(1.9)]

= A−1 [Prop. 1.1.20-i]

E JEMPLO 1.5.5 In×n ∈ GL (n, K) y, además, I−1

n×n = In×n .
44 Capítulo 1. Matrices

P ROPOSICIÓN 1.5.6 Se satisfacen:

(a) Si la matriz inversa de A existe, entonces es única.

(b) Si A, B ∈ GL (n, K), entonces A · B ∈ GL (n, K) y (A · B)−1 = B −1 · A−1 .

−1
(c) Si A ∈ GL (n, K), entonces A−1 ∈ GL (n, K) y (A−1 ) = A.

−1 T
(d) Si A ∈ GL (n, K), entonces AT ∈ GL (n, K) y AT = (A−1 ) .
 −1
(e) Si A ∈ GL (n, K), entonces A ∈ GL (n, K) y A = A−1 .

k
(f) Si H ∈ Mn (K) y C ∈ GL(n, K), entonces (C · H · C −1 ) = C · H k · C −1 .

(g) A es ortogonal sii A−1 = AT .

(h) Si A es ortogonal, entonces A−1 es ortogonal.

 T
(i) A es una matriz unitaria sii A−1 = A .

(j) Si A es matriz unitaria, entonces A−1 es unitaria.

O BSERVACIÓN 1.5.7

(a) El par (GL (n, K) , ·) es un grupo no conmutativo, siendo “·” el producto de

matrices. En la literatura, se lo denomina grupo lineal general.

(b) El par (Mn (O) , ·) es un grupo no conmutativo, siendo Mn (O) la familia

de matrices ortogonales de orden n y “·” el producto de matrices.

(c) El par (Mn (U) , ·) es un grupo no conmutativo, siendo Mn (U) la familia

de matrices unitarias de orden n y “·” el producto de matrices.

1.6. Determinantes

En esta sección introducimos una herramienta que permitirá determinar si

una matriz con elementos en K es invertible e intervendrá en una formulación
para calcular la inversa; incluso, aportará para hallar la solución de ciertos
sistemas de ecuaciones lineales.
Capítulo 1. Matrices 45

Precisamente, la teoría de determinantes tuvo su origen en tratar de propor-

cionar un algoritmo que concentrase simbólicamente la enorme cantidad de
cuentas necesarias para resolver un sistema de n ecuaciones lineales con n
incógnitas mediante el método de sustitución(1) , del cual daremos una versión
en la Sección 2.4.3.

Las demostraciones de los resultados presentados en este espacio pueden con-

sultarse en [3, pág. 107-127].

D EFINICIÓN 1.6.1 Sea f : Mn (K) → K una función. Decimos que f es una

función multilineal alternada por columnas sii verifica:

(a) ∀A ∈ Mn (K) ∀S ∈ Mn×1 (K) ∀k ∈ In ,

h A A A
i h A A A
i h A A
i
f C 1 ... C k + S ... C n =f C 1 ... C k ... C n +f C 1 ... S ... C n

(b) ∀A ∈ Mn (K) ∀λ ∈ K ∀k ∈ In ,
h A A A
i h A A A
i
f C 1 ... λC k ... C n = λf C 1 ... C k ... C n

h A A A A
i
(c) ∀A ∈ Mn (K) ∀k ∈ In , f C 1 ... C k ... C k ... C n = 0.

T EOREMA 1.6.2 Existe una única función multilineal alternada por columnas
f tal que f (In×n ) = 1.

El Teorema 1.6.2 permite introducir el siguiente concepto.

D EFINICIÓN 1.6.3 Llamamos función determinante de orden n, y la denotamos

por det, a la función multilineal alternada por columnas f del Teorema 1.6.2.

Esto es, det (B) = f (B) , para todo B ∈ Mn (K) , verificando:

(a) ∀A ∈ Mn (K) ∀S ∈ Mn×1 (K) ∀k ∈ In ,

h A A A
i h A A A
i h A A
i
det C 1 ... C k + S ... C n = det C 1 ... C k ... C n + det C 1 ... S ... C n

(1)
Para mayores detalles, véase[5, pág. 172-173]
46 Capítulo 1. Matrices

(b) ∀A ∈ Mn (K) ∀λ ∈ K ∀k ∈ In ,
h A A A
i h A A A
i
det C1 ... λC k ... Cn = λ det C1 ... Ck ... Cn

h A A A A
i
(c) ∀A ∈ Mn (K) ∀k ∈ In , det C1 ... Ck ... Ck ... Cn = 0.

(d) det (In×n ) = 1.

P ROPOSICIÓN 1.6.4 Si A = (aij )n×n , entonces


 a11 si n = 1


n 
det (A) = X 1+j
 


 a 1j (−1) det A
b1j si n > 1
j=1

E JEMPLO 1.6.5 Si On×n es la matriz nula, entonces det (On×n ) = 0.

La Proposición 1.6.4 puede resultar engorrosa para calcular el determinante

de una matriz de órdenes mayores a dos. Esto nos motiva a buscar propieda-
des y reglas que lo faciliten.
 
Sk×k Ck×t
P ROPOSICIÓN 1.6.6 Si A ∈ Mk+t (K) tal que A ≡ , entonces
Ot×k Bt×t 2×2
det (A) = det (S) det (B) .

P ROPOSICIÓN 1.6.7 Se satisfacen las propiedades siguientes:

(a) ∀A ∈ Mn (K) , det (A) = det AT .
n
Y
(b) Si A = (aij )n×n es una matriz triangular, entonces det (A) = aii .
i=1

P ROPOSICIÓN 1.6.8 Si A = (aij )2×2 , entonces det (A) = a11 a22 − a12 a21 .

D EMOSTRACIÓN .
2
X  
det (A) = a1j (−1)1+j det A
b1j [Prop. 1.6.4]
j=1
   
= a11 (−1)1+1 det A
b11 + a12 (−1)1+2 det A
b12



= a11 det [a22 ]1×1 − a12 det [a21 ]1×1 [Def. 1.2.3]
Capítulo 1. Matrices 47

= a11 a22 − a12 a21 [Prop. 1.6.4]


 
3 5
E JEMPLO 1.6.9 Según Proposición 1.6.8, det = 3 · 4 − 5 · 11 = −43.
11 4

Ahora, veamos un ejemplo para calcular un determinante mediante la Propo-

sición 1.6.4.
 
0 −3 0 0
4 5 0 12 
 
E JEMPLO 1.6.10 Sea T = (tij )4×4 = .

 0 2 1 21 
0 3 0 1

Se satisfacen las igualdades siguientes:

4
X  
det (T ) = t1j (−1)1+j det Tb1j [Prop. 1.6.4]
j=1
     
= t11 (−1)1+1 det Tb11 + t12 (−1)1+2 det Tb12 + t13 (−1)1+3 det Tb13
 
1+4
+t14 (−1) det Tb14
     
= 0 (−1)1+1 det Tb11 + (−3) (−1)1+2 det Tb12 + 0 (−1)1+3 det Tb13
 
+0 (−1)1+4 det Tb14
 
= 3 det Tb12
 
4 0 12
= 3 det   0 1 21 
0 0 1
= 3 (4 · 1 · 1) [Prop. 1.6.7-b]

= 12

1.6.1. Regla de Sarrus para matrices de orden 3

Obviamente, la matriz del Ejemplo 1.6.10 tiene caracterísiticas especiales pa-

ra que el determinante pueda hallarse sin tener que aplicar nuevamente la
48 Capítulo 1. Matrices

Proposición 1.6.4. Una de estas razones se debe a que la matriz que aparece
en el desarrollo es triangular. Sin embargo, no siempre nos encontramos bajo
estas circunstancias.

En este apartado, trabajamos con un procedimiento, denominado Regla de Sa-

rrus, que nos ayudará a calcular determinantes de cualquier matriz de orden
3 de manera rápida. No obstante, necesitamos una propiedad previa que nos
permita validarla.

P ROPOSICIÓN 1.6.11 Si A = (aij )3×3 , entonces

det (A) = a11 a22 a33 − a11 a23 a32 − a12 a21 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31

D EMOSTRACIÓN .
3
X  
1+j
det (A) = a1j (−1) det A
b1j [Prop. 1.6.4]
j=1
    
1+1 1+2 1+3
= a11 (−1) det A11 + a12 (−1) det A12 + a13 (−1) det A
b b b13
     
a22 a23 a21 a23 a21 a22
= a11 det − a12 det + a13 det
a32 a33 a31 a33 a31 a32
[Def. 1.2.3]

= a11 (a22 a33 − a23 a32 ) − a12 (a21 a33 − a31 a23 ) + a13 (a21 a32 − a22 a31 )

[Prop. 1.6.8]

= a11 a22 a33 − a11 a23 a32 − a12 a21 a33 + a12 a31 a23 + a21 a13 a32 − a13 a22 a31

La Regla de Sarrus es una técnica mnemotécnica para calcular el determinan-

te de matrices de orden 3. Básicamente, consiste en la memorización de un
procedimiento que aprovecha la capacidad del cerebro para recordar imáge-
nes.

Hay dos versiones de esta regla, a las que denominamos RS1 y RS2.
Capítulo 1. Matrices 49

Sea la matriz  
a11 a12 a13
A =  a21 a22 a23 
a31 a32 a33

A A
RS1. Esta versión consiste en escribir las filas de A, junto con F 1 y F 2 por
A
debajo de F 3 :

A
F1 a11 a12 a13
A
F2 a21 a22 a23
A
F3 a31 a32 a33
A
F1 a11 a12 a13
A
F2 a21 a22 a23

Luego, se multiplican los elementos de todas las líneas diagonales crecientes

y decrecientes formadas exactamente por tres elementos:

A A
F1 a11 a12 a13 F1 a11 a12 a13
A A
F2 a21 a22 a23 F2 a21 a22 a23
A A
F3 a31 a32 a33 F3 a31 a32 a33
A A
F1 a11 a12 a13 F1 a11 a12 a13
A A
F2 a21 a22 a23 F2 a21 a22 a23

Líneas diagonales decrecientes Líneas diagonales crecientes

Según la regla de Sarrus, el determinante está dado por la diferencia entre la

suma de los productos de las líneas decrecientes y la suma de los productos
de las líneas crecientes, lo cual se fundamenta en la Proposición 1.6.11.

det (A) = (a11 a22 a33 + a21 a32 a13 + a31 a12 a23 ) − (a11 a23 a32 + a12 a21 a33 + a13 a22 a31 )
| {z } | {z }
suma de líneas decrecientes suma de líneas crecientes
50 Capítulo 1. Matrices

RS2. Esta versión consiste en escribir las columnas de A y, a continuación,

A A
C1 y C2 :
A A A A A
C1 C2 C3 C1 C2

a11 a12 a13 a11 a12

a21 a22 a23 a21 a22

a31 a32 a33 a31 a32

Luego, se multiplican los elementos de todas las líneas diagonales crecientes

y decrecientes formadas exactamente por tres elementos:

A A A A A A A A A A
C1 C2 C3 C1 C2 C1 C2 C3 C1 C2

a11 a12 a13 a11 a12 a11 a12 a13 a11 a12

a21 a22 a23 a21 a22 a21 a22 a23 a21 a22

a31 a32 a33 a31 a32 a31 a32 a33 a31 a32

Líneas diagonales decrecientes Líneas diagonales crecientes

Según la regla de Sarrus, el determinante está dado por la diferencia entre la

suma de los productos de las líneas decrecientes y la suma de los productos
de las líneas crecientes, lo cual se fundamenta en la Proposición 1.6.11.

det (A) = (a11 a22 a33 + a21 a32 a13 + a31 a12 a23 ) − (a11 a23 a32 + a12 a21 a33 + a13 a22 a31 )
| {z } | {z }
suma de líneas decrecientes suma de líneas crecientes

1.6.2. Desarrollo por cofactores

El Ejemplo 1.6.10 muestra una matriz que tiene en su primera columna todos
sus elementos iguales a 0, salvo uno. Esta característica facilitó el cálculo del
determinante; sin embargo, tal situación no se hubiese dado si los 0 estuvie-
sen en una línea distinta, lo cual complicaría notablemente el desarrollo. En
este apartado, presentamos fórmulas que dan solución para estos casos.
Capítulo 1. Matrices 51

D EFINICIÓN 1.6.12 Sean A = (aij )n×n y los subíndices i y j de In . Llamamos

cofactor ij y, lo denotamos por e
aij , a:
 
aij := (−1)i+j det A
e bij

n
X
P ROPOSICIÓN 1.6.13 Si A = (aij )n×n y r ∈ In , entonces det (A) = air . En
air e
i=1
este caso, decimos que el determinante se calcula mediante la expansión por
A
cofactores en la columna C r .
n
X
P ROPOSICIÓN 1.6.14 Si A = (aij )n×n y s ∈ In , entonces det (A) = asj . En
asj e
j=1
este caso, decimos que el determinante se calcula mediante la expansión por
A
cofactores en la fila F s .

O BSERVACIONES 1.6.15

(a) La demostración de la Proposición 1.6.14, se puede consultar en [1, pág.

224. Léase la observación en la pág. 195].

(b) Las fórmulas de las Proposiciones 1.6.13 y 1.6.14, también se conocen

como “desarrollos del determinante por una fila o una columna” o “desa-
rrollos de Laplace” o “reglas de Laplace” o “desarrollo por menores y cofac-
tores”.

1.6.3. Propiedades

Como venimos expresando hasta el momento, las fórmulas de determinan-

tes pueden conllevar una gran cantidad de cálculos cuando las matrices son
de órdenes grandes. Incluso, puede darse que todos los cómputos sean im-
posibles de ejecutar, aun utilizando herramientas informáticas(2) . Por ello, se
recurre a propiedades con el propósito de tratar de simplicarlos.

P ROPOSICIÓN 1.6.16 ♣ Sean A y B dos matrices de orden n, {λ, β} ⊆ K y

{k, t} ⊆ In . Se satisfacen las propiedades siguientes:
(2)
Para más información, consúltese [1, pág. 192].
52 Capítulo 1. Matrices

F k → λF k
(a) Si A −−−−−−−→ B, entonces det (B) = λ det (A) .

(b) det (λ · A) = λn det (A) .

Fk  Ft
(c) Si A −−−−−−→ B, entonces det (B) = − det (A)).
h A A A A
i h A A A A
i
(d) det C 1 ... C k ... C t ... C n = − det C 1 ... C t ... C k ... C n .

Fk → λ · Fk + β · Ft 1
(e) Si λ 6= 0 y A −−−−−−−−−−−−−−−→ B, entonces det (A) = det (B).
λ
(f) Si A tiene alguna columna (o fila) nula, entonces det (A) = 0.

(g) Si A tiene una columna (fila) que es igual al producto de λ por otra co-
lumna (fila) de A, entonces det (A) = 0.

(h) det (A · B) = det (A) · det (B) .

A continuación, mostramos una aplicación del procedimiento de escalona-

miento para calcular el determinante de una matriz.

E JEMPLO 1.6.17 Resumiendo las operaciones del procedimiento de escalona-

miento desarrollado en el Ejemplo 1.4.15, tenemos:

2 7
F 3 → 2F 3 − 5F 2
7
7
6 7
  6  F 1 F 2 7
0 1 0 6
6 2 −1 −1
6 F 3 → 1F 3 − 5F 2
5

B =  2 −1 −1  − − − − − − − →  0 1 0  = B E
   

5 0 3 0 0 11

Luego,
1 1 1
· det B E = − · (2 · 1 · 11) = −11


det (B) = · (−1) ·
2 | {z } 1 2 | {z }
P.1.6.16-c P. 1.6.7-b
|{z} |{z}
P.1.6.16-e P.1.6.16-e

 
3 2 1 0
 −6 −5 −5 1 
E JEMPLO 1.6.18 Calculemos el determinante de A = 
 −12

−7 −3 −2 
−12 −8 −4 3
usando la Estrategia 1.4.13.
Capítulo 1. Matrices 53
     
3 2 1 0 3 2 1 0 3 2 1 0
F 2 → 3F 2 + 6F 1
−6 −5 −5 1 0 −3 −9 3 0 −3 −9 3  = AE
A= −12 −7 −3 −2
 F 3 → 3F 3 + 12F 1 
0 3 3 −6
 F 3 → −3F 3 − 3F 2 
−−−−−−−−−−−−−−→ 0 0 18 9
−12 −8 −4 3 F 4 → 3F 4 + 12F 1 0 0 0 9 0 0 0 9
−−−−−−−−−−−−−−−→

Luego,
2 7
F 2 → 3F 2 + 6F 1 7
7
6 7
6 F 3 → 3F 3 + 12F 1 7
6 7
6 F 4 → 3F 4 + 12F 1
6 7
5
6
6 F 3 → −3F 3 − 3F 2
A − − − − − − − → AE

1 1 1
det AE = − det AE



∴ det (A) = = − · (−1458) = 18
P.1.6.16-e 3 · 3 · 3 · (−3) 81 P. 1.6.7-b 81

O BSERVACIÓN 1.6.19 El cálculo de determinante mediante triangulación o es-

calonamiento, puede aplicarse únicamente cuando hay intercambios de filas
de manera clara (o sea, cuando aparece “”), o bien, cuando el orden original
de las filas no se modifica en ninguna etapa del proceso.

D EFINICIÓN 1.6.20 Sea σ : In → In una función. Decimos que σ es una permu-

tación de In sii σ es biyectiva.

Además, llamamos signo de la permutación σ a:


In×n

F σ(1)
 . 
sg (σ) := det   . 
 . 
In×n
F σ(n)

X
P ROPOSICIÓN 1.6.21 Si A ∈ Mn (K) , entonces det (A) = sg (σ) a1σ(1) ... anσ(n) ,
σ∈Sn
siendo Sn el conjunto de permutaciones de In . En este caso, decimos que el
determinante se calcula mediante permutaciones.

1.6.4. Determinantes de matrices invertibles

T EOREMA 1.6.22 Si A ∈ GL (n, K), entonces det (A) det (A−1 ) = 1.

54 Capítulo 1. Matrices

D EMOSTRACIÓN . Sea A ∈ GL (n, K). Se satisfacen las igualdades siguientes:

1 = det (In×n ) [Def. 1.6.3-d]

= det (A · A−1 ) [Prop. 1.5.3]

= det (A) det (A−1 ) [Prop. 1.6.16-h]

T EOREMA 1.6.23 Sea A ∈ Mn (K) , entonces A ∈ GL (n, K) sii det (A) 6= 0.

D EMOSTRACIÓN . La condición necesaria es inmediata del Teorema 1.6.22; la

condición sufieciente puede consultarse en [1, pág. 227]. 

C OROLARIO 1.6.24 Sea AE una forma escalonada de A ∈ Mn (K). Son equiva-

lentes:

(a) no de filas no nulas de AE = n.

(b) A ∈ GL (n, K).

D EFINICIÓN 1.6.25 Sea A ∈ Mn (K) . Llamamos matriz de cofactores de A a la

 
i+j bij , para cada i ∈ In y j ∈ In .
matriz Ac := (e
aij )
n×n , siendo e
aij = (−1) det A

D EFINICIÓN 1.6.26 Sea A ∈ Mn (K) . Llamamos matriz adjunta de A a adj(A):=

(Ac )T .
1
T EOREMA 1.6.27 ♣ Si A ∈ GL (n, K), entonces A−1 = · adj (A) .
det (A)