Matrices y sistemas

lineales

Velásquez, L. (2025). Matrices y sistemas lineales. [Apunte]. Universidad

Andrés Bello, Santiago.
 Matrices y
Sistemas Lineales. Página 2

Índice
1. Matrices. 3
1.1. Matrices Especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1. Matriz Nula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2. Matriz Diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3. Matriz triangular superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.4. Matriz triangular inferior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.5. Matriz Identidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.6. Matriz traspuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Operatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1. Adición de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2. Producto de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3. Matriz Involutiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.4. Matriz Idempotente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.5. Matriz Nilpotente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.6. Matriz Simétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.7. Matriz Antisimétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3. Operaciones elementales filas y sistemas lineales . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4. Sistema de ecuaciones lineales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.1. Tipos de soluciones de un sistema de ecuaciones lineales. . . . . . . . . . . . . . 18
 Matrices y
Sistemas Lineales. Página 3
1. Matrices.
Las matrices corresponde a uno de los conceptos fundamentales del álgebra lineal. El conocimiento
y uso de las matrices nos permitirá resolver una variedad de problemas teóricos y modelar un conjunto
de aplicaciones dentro de las cuales se destacan aquellos que se resuelven vı́a sistemas de ecuacio-
nes.

Definición 1. Una matriz es un arreglo bidimensional conformado por n-filas y m-columnas, es

decir un arreglo del tipo:
 
a11 a12 ..... a1m
 a21 a22 ..... a2m 
 
 :
A = [aij ]n×m =  : : : 
 : : : : 
an1 an2 ..... anm

Donde:
• i : Corresponde al contador de filas.
• j : Corresponde al contador de columnas.
• aij : Corresponde a la posición ij.
• n : Indica la cantidad filas.
• m : Indica el número de columnas.

Observación 1.
a) Toda matriz se denota por una letra mayúscula y sus elementos por la letra minúscula aso-
ciada.

b) Sea A una matriz formada por n-filas y m-columnas, entonces el orden de esta matrices se
denotará como A ∈ Mn x m .

c) Si A es una matriz formada por n-filas y n-columnas, entonces se dirá que la matriz es cua-
drada de orden ”n” y se denotará como A ∈ Mn .

Ejemplo 1. Sean Las matrices

 
1 4
A= ∈ M2 matriz de orden 2
0 −3
 
1 2
B =  −2 0  ∈ M3×2 matriz de orden (3x2)
4 1
 Matrices y
Sistemas Lineales. Página 4
   
1 2 1 2 1 3 1
Ejemplo 2. Considere las matrices A = 2 0 −1 y B = 2 0 1
   1 
4 1 3 1 4 2 −1
Entonces:

a12 b14 + a31 − b32 (a33 − b34 )2

a.) M = b.) N=
(a33 b11 − a31 ) a21 + b21
2·1 + 4 − 4
= (3 − (−1))2
(3 · 2 − 4) =
2+2
2 16
= =
2 4
= 1 = 4

1.1. Matrices Especiales

A continuación se definen formalmente un conjunto de matrices, las cuales se denominan matrices
especiales. Estas matrices son relevantes para la operatoria entre matrices y el cálculo de los determi-
nantes, conceptos que se desarrollarán más adelante.

1.1.1. Matriz Nula

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

1.1.2. Matriz Diagonal

La matriz A = [aij ] ∈ Mn se denomina matriz diagonal si aij = 0, ∀ i ̸= j. De la definición se

deduce que las matrices A y B, son matrices diagonales
   
2 0 0 2 0 0
A= 0 0 0
  B= 0  3 0 
0 0 0 0 0 −1

1.1.3. Matriz triangular superior

La matriz A = [aij ] ∈ Mn se denomina matriz triangular superior si aij = 0, ∀ i > j. De la

definición se deduce que:  
1 3 2
A= 0 4 5 
0 0 1
es una matriz triangular superior.
 Matrices y
Sistemas Lineales. Página 5
1.1.4. Matriz triangular inferior

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

se deduce que:  
1 0 0
A= 1 2 0 
0 3 1
es una matriz triangular inferior.

1.1.5. Matriz Identidad

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

δij = 0, ∀i ̸= j y δii = 1, ∀i ∈ {1, ..., n}

De la definición se deduce que, la matriz identidad de orden 3 es:
 
1 0 0
I3 =  0 1 0 
0 0 1

Observación 2. Por lo tanto, una matriz identidad posee solamente unos en su diagonal
principal y ceros en las otras posiciones de la matriz.

1.1.6. Matriz traspuesta

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

At = [bij ] ∈ Mm×n

Observación 3. Observe que la matriz traspuesta de A, se obtiene al intercambiar filas por

columnas y en conclusión se cumple que:

bij = aji

Ejemplo 3. Considere las Matrices:

 
1
  0
  1 2
1 2 1  2 0 
A= B= 2 0  C= 
2 0 −1  0 1 
−1 1
0 0
Observe que las traspuestas de A ,B y C (con sus ordenes invertidas) están dadas por:
 
1 2    
t t 1 2 −1 t 1 2 0 0
A = 2 0  B = C =
2 0 1 0 0 1 0
1 −1
 Matrices y
Sistemas Lineales. Página 6

Definición 2. Considere A = [aij ] ∈ Mn . Se define, la traza de A por:

n
X
tr(A) = aii = a11 + a22 + ... + ann
i=1

Notar que, la traza de la matriz A corresponde a la suma de los coeficientes (elementos) de su

diagonal principal.

Ejemplo 4. Considere las matrices:

 
  −3 2 −3 2
1 0 0  3 1 0 2 
A= 3 0 0  yB=
 −1 4 −4

2 
0 4 2
3 4 2 6
matrices de coeficientes reales. Entonces el valor de la traza de cada matriz es:

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

1.2. Operatoria
En esta sección se desarrollaran las propiedades asociadas a las diferentes operaciones que se
pueden realizar con las matrices. Se iniciará el estudio con la definición de las operaciones básicas
(producto por un escalar, adición y multiplicación), las cuales son fundamentales para definir operacio-
nes, más complejas y abordar diversos problemas de aplicación, además para corroborar los cálculos
realizados utilizaremos el software GeoGebra, para utilizarlo revisa los tutorial sobre uso de matrices.

Definición 3. Considere A = [aij ] ∈ Mn×m y β ∈ R. Se define el producto de un escalar β por

la matriz A, por:
β · A = β · [aij ]n×m = [β · aij ]n×m

Ejemplo 5. Considere las matrices:

   
1 2 1 −8 2
A= B=
2 3 −1 2 0

Entonces:
     
1 2 1 2·1 2·2 2·1 2 4 2
a) 2A = 2 = =
2 3 −1 2 · 2 2 · 3 2 · (−1) 4 6 −2

− 31 · −8 − 31 · 2
     
1 1 −8 2 8/3 −2/3
b) − B = − · = =
3 3 2 0 − 13 · 2 − 13 · 0 −2/3 0
 Matrices y
Sistemas Lineales. Página 7

En GeoGebra: Comprobamos los resultados.

En Vista: Trabajamos en Cálculo Simbólico (CAS)

1° Definimos la matriz:
◦1 A := {{1,2, 1}, {2, 3, −1}}

1 2 1
→ A :=
2 3 −1

2° Multiplicamos por el escalar:

◦2 2·A  
2 4 2
→ 2A :=
4 6 −2

Observación 4. Por lo tanto, al multiplicar por un escalar β a una matriz A cualquiera, se

deben multiplicar todos los coeficientes (elementos) de la matriz A por el escalar β.

1.2.1. Adición de Matrices

Considere las matrices A = [aij ], B = [bij ] ∈ Mn×m . Entonces la adición de matrices, se definen
como:
A + B = [aij ] + [bij ] = [aij + bij ] ∈ Mn×m

Observación 5.
Por lo tanto, para que dos o más matrices se puedan sumar deben tener igual orden y se
suman los coeficientes que poseen igual ubicación dentro de cada una de las matrices.

La diferencia de matrices se puede definir por medio de la adición y el producto escalar, es

decir:
A − B = A + (−1) · B

Ejemplo 6. Considere las matrices

   
1 2 1 1 1 3
A= y B=
2 0 −1 2 3 2

Entonces la suma entre ellas, es:

   
1 2 1 1 1 3
A+B = +
2 0 −1 2 3 2
   
1+1 2+1 1+3 2 3 4
= =
2 + 2 0 + 3 −1 + 2 4 3 1
 Matrices y
Sistemas Lineales. Página 8

En GeoGebra: Comprobamos los resultados.

En Vista: Trabajamos en Cálculo Simbólico (CAS)

1° Definimos las matrices:

◦1 A := {{1,
2, 1}, {2, 0, −1}}

1 2 1
→ A :=
2 0 −1
◦2 B := {{1,
1, 3}, {2, 3, 
2}}
1 1 3
→ B :=
2 3 2

2° Sumamos las matrices:

◦3 A+B  
2 3 4
→ A + B :=
4 3 1

1.2.2. Producto de Matrices

Considere las matrices A = [aij ] ∈ Mq×p y B = [bij ] ∈ Mn×m . El producto de las matrices A y B
se puede realizar solo si, el número de columnas de la primera matriz A es igual al número de filas de
la segunda matriz B, es decir el producto A · B se puede realizar solo si p = n, en tal caso, la matriz
resultante C, tendrá la cantidad de filas de la primera matriz A y la cantidad de columnas de la segunda
matriz B, es decir:

Bajo este contexto se define el producto A · B como:

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

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

Ejemplo 7. Considere las matrices

 
  1 2
1 2 1
A(2×3) = ; B(3×2) = 2 0 
2 0 −1
−1 1

Notar que:

El producto entre las matrices existe, ya que la cantidad de columnas de la primera matriz A es 3 y
la cantidad de filas de la segunda matriz B, también es 3, ahora la matriz resultante poseerá un orden
de (2x2), donde las filas las aporta la primera matriz A y las columnas la segunda matriz B, es decir:
 Matrices y
Sistemas Lineales. Página 9
 
  1 2
1 2 1
A·B = · 2 0 
2 0 −1
−1 1
 
1·1+2·2−1·1 1·2+2·0+1·1
=
2 · 1 + 0 · 2 + −1 · (−1) 2·2+0·0−1·1
 
4 3
=
3 3

En GeoGebra: Comprobamos los resultados.

En Vista: Trabajamos en Cálculo Simbólico (CAS)

1° Definimos las matrices:

◦1 A := {{1,
2, 1}, {2, 0, −1}}

1 2 1
→ A :=
2 0 −1
◦2 B := {{1,
2}, {2, 0}, 
{−1, 1}}
1 2
→ B :=  2 0 
−1 1

2° Multiplicamos las matrices:

◦3 A·B  
4 3
→ A · B :=
3 3

Ejemplo 8. Considere las matrices


  1
1 2 1
C(2×3) = ; D(3×1) = 2 
2 3 −1
5

En este caso, la matriz resultante tendrá un orden de (2x1), es decir, las filas la aporta la primera
matriz C y las columna la aporta la segunda matriz D, es decir:
 
  1
1 2 1
C ·D = · 2 

2 3 −1
5
   
1·1+2·2+1·5 10
= =
2 · 1 + 3 · 2 + (−1) · 5 3
 Matrices y
Sistemas Lineales. Página 10
Sean las matrices A, B y C con coeficientes reales, para las cuales se pueden realizar las siguientes
operaciones:

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

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

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

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

B = −A.

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

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

g) A · B ̸= B · A, es decir, el producto de matrices no es conmutativo.

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

de la adición.

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

de la adición.

j) (βA)t = βAt , ∀β ∈ R.

k) (AB)t = B t At .

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

En las matrices cuadradas podemos definir algunos tipos de matrices que cumplen con una carac-
terı́sticas propia, estas son:

1.2.3. Matriz Involutiva

Una matriz A ∈ Mn , se dice involutiva, si y solo si A2 = I

 Matrices y
Sistemas Lineales. Página 11
 
1 −1
Ejemplo 9. Considere A = y observe que:
0 −1
     
2 1 −1 1 −1 1 0
A = · =
0 −1 0 −1 0 1

Luego A es una matriz involutiva.

1.2.4. Matriz Idempotente

Una matriz A ∈ Mn , se dice idempotente, si y solo si A2 = A

 
1 2 1
Ejemplo 10. Considere A = y observe que:
3 2 1
         
2 1 2 1 1 2 1 1 6 3 1 2 1 1 2 1
A = · = = ·3 = =A
3 2 1 3 2 1 9 6 3 9 2 1 3 2 1

Luego A es una matriz idempotente.

1.2.5. Matriz Nilpotente

Una matriz A ∈ Mn , se dice nilpotente, si y solo si Ak = 0, con k ∈ N y k > 1.

 
6 −9
Ejemplo 11. Considere A = y observe que:
4 −6
       
6 −9 6 −9 36 − 36 −54 + 54 0 0
A2 = · = =
4 −6 4 −6 24 − 24 −36 + 36 0 0

Luego A es una matriz nilpotente.

Observación 6. En términos generales, cualquier matriz triangular con ceros a lo largo de la

diagonal principal es nilpotente.

1.2.6. Matriz Simétrica

Una matriz A ∈ Mn , se dice simétrica, si y solo si At = A

 
1 3
Ejemplo 12. Considere A = y observe que:
3 0
 t  
1 3 1 3
At = = =A
3 0 3 0

Luego A es una matriz simétrica.

 Matrices y
Sistemas Lineales. Página 12
1.2.7. Matriz Antisimétrica

Una matriz A ∈ Mn , se dice simétrica, si y solo si At = −A

 
0 −2 4
Ejemplo 13. Considere A =  2 0 2  y observe que:
−4 −2 0
 
0 2 −4
At =  −2 0 −2  = −A
4 2 0

Luego A es una matriz Antisimétrica.

Se pueden desarrollar ejercicios combinados, en los cuales se aplican las propiedades ya analiza-
das para su desarrollo, estos pueden ser:

Ejemplo 14. Sean las matrices:

   
−4 2 0 2
A= y B=
6 8 10 4

Determine, si existe, el valor de la matriz X (con X ∈ M2 (R), sabiendo que:

A2 − 3X t = 2I − B

Solución: Observe que se debe despejar el valor de X, es decir:

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

1
⇔ X t = − [ 2I − B − A2 ]
3
1 t
⇔ X = − [ 2I − B − A2 ]
3
Por otro lado:
     
−4 2 −4 2 28 8
A2 = · =
6 8 6 8 24 76

   
1 0 2 0
2I = 2 · =
0 1 0 2

Entonces al reemplazar estos valores, obtenemos:

 Matrices y
Sistemas Lineales. Página 13

      t
1 2 0 0 2 28 8
X = − − −
3 0 2 10 4 24 76
 t
1 −26 −10
=−
3 −34 −78
 
1 −26 −34
=−
3 −10 −78
   
1 −26 −34 26/3 34/3
Por lo tanto la solución de la ecuación es X = − =
3 −10 −78 10/3 26

En GeoGebra: Comprobamos los resultados.

En Vista: Trabajamos en Cálculo Simbólico (CAS)

1° Definimos las matrices:

◦1 A := {{−4,
 2}, {6, 8}}

−4 2
→ A :=
6 8
◦2 B := {{0,2}, {10, 4}}

0 2
→ B :=
10 4
◦3 I := {{1,
0}, {0, 1}}

1 0
→ I :=
0 1

2° Aplicamos la operatoria, determinando X:

1
◦4 − · T raspone[2 · I − B − A2 ]
3 
26/3 34/3
→ 10/3 26

1.3. Operaciones elementales filas y sistemas lineales

Existen variados métodos para resolver un sistema de ecuaciones, algunos de los mas conocidos
son: Reducción, Sustitución, igualación, entre otros.

En este curso se estudiara y profundizará el método de operaciones elementales el cual se encuen-

tra relacionado con el método de reducción para el desarrollo de sistemas de ecuaciones.
 Matrices y
Sistemas Lineales. Página 14

Definición 4. Las operaciones elementales filas realizadas sobre una matriz A ∈ Mnxm , son
las que se describen a continuación:

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

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

b) Multiplicación de una fila por un escalar no nulo β, lo cual se denota por βFi y que se inter-
preta como el producto de todos los coeficientes de la fila i−ésima por el escalar β.

c) Sumar β veces la fila j−ésima a la fila i−ésima, lo cual se denota por Fi + βFj y que se
interpreta como la suma de la i−ésima fila con el producto por el escalar β sobre la fila
j − esima, registrando el resultado en la fila modificada o i−ésima.

Debes tener en cuenta que; dos matrices A y B se denominan equivalentes por filas, si una de
ellas se puede obtener a partir de la otra mediante un número finito de operaciones elementales
filas, su notación será A ∼ B.

Ejemplo 15. A continuación se presentan ejemplos concretos de cada una de las operaciones ele-
mentales fila que podemos desarrollar, estas son:

I) Intercambio de filas : En este caso podemos intercambiar la posición de una fila con otra dentro
de la matriz, es decir:    
2 0 2 f1 ↔f2 1 −2 4
 1 −2 4  ⇝  2 0 2 
4 −2 3 4 −2 3

II ) Multiplicación de una fila por un escalar (No nulo) : Se podrá multiplicar por una valor β ∈
R − {0}, una fila especifica de una matriz, es decir:
   
1 −2 4 − 21 f1 −1/2 1 −2
 2 0 2  ⇝  2 0 2 
4 −2 3 4 −2 3

III ) Sumar β veces una fila a otra : Podemos sumar un valor numérico especifico a otra fila, para ello
multiplicamos una fila y el resultado de esta operación la sumamos a otra, es decir:
   
1 −2 4 f2 −2f1 1 −2 4
 2 0 2  ⇝  0 4 −6 
4 −2 3 4 −2 3
 Matrices y
Sistemas Lineales. Página 15

Definición 5. Una matriz Mnxm, se denomina escalonada por filas, si y solo si:
a) El primer elemento no nulo de cada fila no nula es igual a 1 y la columna en que aparece es
columna de la matriz identidad In , es decir los demás elementos de la columna son ceros.

b) Las filas nulas si las hay, se encuentran bajo las filas no nulas en la matriz.

c) Si los primeros elementos no nulos de cada fila no nula están en las columnas c1 , c2 , . . . , cr
entonces c1 < c2 < . . . < cr .

Ejemplo 16. Algunas matrices escalonadas reducidas por filas son:

   
1 0 0 1 0 4  
1 0 0 5
A =  0 0 1  ; B =  0 1 −2  ; C =
0 0 1 2
0 0 0 0 0 0

Observación 7. El concepto de una matriz escalonada, es importante para poder caracterizar

el tipo de solución de un sistema de ecuaciones, para ello, se desarrollará el concepto de rango
de una matriz.

1.3.1. Rango de una matriz

Definición 6. Sea A ∈ Mn×m (R), se define el rango de la matriz A como el número de filas no
nulas de la matriz escalonada reducida por filas asociada a esta matriz A. El rango de la matriz
A se denota por ρ(A).

Observación 8. Si A ∈ Mnxm , entonces existe una única matriz reducida por fila asociada a
esta matriz A, la cual denotaremos por E(A) = E

 
1 1 1
Ejemplo 17. Considere la matriz A =  3 4 3 . Al realizar operaciones elementales fila se obtiene:
2 3 2
       
1 1 1 F2 −3F1 1 1 1 1 1 1 1 0 1
F3 −F2 F1 −F2
A= 3 4 3  ⇝  0 1 0   0 1 0   0 1 0 
F3 −2F1 ⇝ ⇝
2 3 2 0 1 0 0 0 0 0 0 0
Por lo tanto, el rango de la matriz A es ρ(A) = 2, ya que son dos las filas no nulas, después de
reducir la matriz.
 Matrices y
Sistemas Lineales. Página 16

En GeoGebra: Comprobamos los resultados.

En Vista: Trabajamos en Cálculo Simbólico (CAS)

1° Definimos la matriz:
◦1 A := {{1,1, 1}, {3, 4, 3},
 {2, 3, 2}}
1 1 1
→ A :=  3 4 3 
2 3 2

2° Se reduce la matriz
◦2 Escalonada
 Reducida
 (A)
1 0 1
→ 0 1 0 
0 0 0

Ejemplo 18. Sea la matriz  

1 1 1 6
A =  2 3 2 14 
1 1 2 8
Determine la matriz escalonada reducida por filas asociada y calcule el rango de la matriz A.

Solución: Se realizan las operaciones fila:

 
1 1 1 6 F2 −2F1
A =  2 3 2 14  ⇝
F3 −F1
1 1 2 8
 
1 1 1 6
 0 1 0 2  F1 −F2
⇝
0 0 1 2
   
1 0 1 4 F1 −F3 1 0 0 2
 0 1 0 2   0 1 0 2 
⇝
0 0 1 2 0 0 1 2

Por lo tanto, la matriz reducida por filas asociada a la matriz A es:

 
1 0 0 2
E(A) =  0 1 0 2 
0 0 1 2
Además por tener 3 filas no nulas el rango es de ρ(A) = 3
 Matrices y
Sistemas Lineales. Página 17
1.4. Sistema de ecuaciones lineales.

Definición 7. Todo sistema de la forma:

a11 x1 + a12 x2 + ......... + a1m xm = b1
a21 x1 + a22 x2 + ......... + a2m xm = b2
.. ..
. .
an1 x1 + an2 x2 + ......... + anm xm = bn

Se denomina sistema lineal con m-variables y n-ecuaciones.

Observación 9. Todo sistema lineal, puede ser expresado de forma matricial, con la siguiente
estructura:
A·X =b
donde:

A ∈ M(nxm), corresponde a la matriz de los coeficientes de sistema lineal.

X, corresponde a la matriz columna de las variables de estudio.

b, corresponde a la matriz columna de los resultados de cada ecuación del sistema lineal.

Es decir:     
a11 a12 .... .... a1m x1 b1
 a21 a22 .... .... a2m   x2   b2 
 · = 
 : : :   :   : 
an1 an2 .... .... anm xm bn

Observación 10. algunas caracterı́sticas que se presentan en los sistemas lineales son:
a) Un sistema AX = b se denomina homogéneo si y solo si b = 0

b) Un sistema AX = b se denomina no homogéneo si y solo si b ̸= 0

c) Dos sistemas de ecuaciones A1 X = b1 y A2 X = b2 , se denominan equivalentes si y solo si

admiten la misma solución.

d) A se denomina matriz asociada al sistema.

e) (A|b) se de nomina matriz ampliada asociada al sistema y se construye agregando la matriz

columna b a la matriz A.
 Matrices y
Sistemas Lineales. Página 18
Ejemplo 19. Considere el sistema lineal no homogéneo:
2x + 3y + z = 12
x + 2y + 2z = 6
3x + 4y + z = 17
Entonces, de este sistema se desprende que:
a) La matriz asociada al sistema o de coeficientes, es:
 
2 3 1
A= 1 2 2 
3 4 1

b) El sistema expresado de forma matricial (A · X = b), es:

    
2 3 1 x 12
 1 2 2  y  =  6 
3 4 1 z 17

c) La matriz ampliada, de la forma A/b, es:

 
2 3 1 12
(A/b) =  1 2 2 6 
3 4 1 17

1.4.1. Tipos de soluciones de un sistema de ecuaciones lineales.

Definición 8. Dado un sistema lineal de ecuaciones, el cual podrá ser expresado de la forma
matricial (A · X = b), donde A ∈ Mnxm , X ∈ Mnx1 y b ∈ Mnx1 , entonces podremos aplicar
el Método de Eliminación Gaussiana, para saber el tipo de solución del sistema y cuales son
estas, para ello seguiremos los siguientes pasos:

a) Se realizan operaciones filas a la matriz ampliada asociada al sistema hasta obtener una
matriz escalonada.

b) Se estudian los rangos de matrices A y (A/b) por separado, teniendo presente que:

I) El sistema admite solución única, si:

ρ(A) = ρ(A/b) = n

donde, n: corresponde al número de variables estudiadas.

II ) El sistema admite infinitas soluciones, si:

ρ(A) = ρ(A/b) < n

III ) El sistema no admite soluciones, y por lo tanto es inconsistente, si:

ρ(A) ̸= ρ(A/b)
 Matrices y
Sistemas Lineales. Página 19
Ejemplo 20. Determine el tipo de solución que se espera obtener del sistema lineal
x + y + 2z = 20
3x + 4y + z = 80
2x + 3y + z = 100

Solución:
I) Planteamos el sistema lineal como una matriz ampliada:
 
1 1 2 20
(A/b) =  3 4 1 80 
2 3 1 100

II ) Aplicamos operaciones filas, escalonando la matriz ampliada.

     
1 1 2 20 F2 −3F1 1 1 2 20 1 1 2 20
 3 4 1 80  ⇝  0 1 −5 20  F3 −F2  0 1 −5 20  12 F3
F3 −2F1 ⇝ ⇝
2 3 1 100 0 1 −3 60 0 0 2 40
     
1 1 2 20 F2 +5F3 1 1 0 −20 1 0 0 −140
 0 1 −5 20   0 1 0 120  F1 −F2  0 1 0 120 
⇝
F1 −2F3 ⇝
0 0 1 20 0 0 1 20 0 0 1 20

Por lo tanto, podemos apreciar que: ρ(A) = ρ(A/b) = 3, entonces el sistema admite solución
única y estas soluciones son x = −140, y = 120 y z = 20.

En GeoGebra: Comprobamos los resultados.

En Vista: Trabajamos en Cálculo Simbólico (CAS)

1° Definimos el sistema de ecuaciones, como matriz:

◦1 A := {{1,
1, 2, 20}, {3, 4, 1, 80},
 {2, 3, 1, 100}}
1 1 2 20
→ A :=  3 4 1 80 
2 3 1 100

2° Se reduce la matriz, aplicando Gauss-Jordan

◦2 Escalonada
 Reducida(A)
1 0 0 −140
→ 0 1 0 120 
0 0 1 20
 Matrices y
Sistemas Lineales. Página 20
Ejemplo 21. Sea el sistema lineal:
x + y + βz = 0
3x + 4y + 2z = 2β
3x + 5y + β2 z = 3β + 1

Determine el o los valores de β ∈ R, tal que:

a) El sistema admita solución única.

b) El sistema admita infinitas soluciones.

c) El sistema no admita soluciones.

Solución:
I) Planteamos el sistema lineal como una matriz ampliada:
 
1 1 β 0
(A/b) =  3 4 2 2β 
2
3 5 β (3β + 1)

II ) Aplicamos operaciones filas, escalonando la matriz ampliada.

 
1 1 β 0 F2 −3F1
 3 4 2 2β  ⇝
F3 −3F1
3 5 β 2 (3β + 1)
 
1 1 β 0
 0 1 (2 − 3β) F3 −2F2
2β 
2 ⇝
0 2 (β − 3β) (3β + 1)
 
1 1 β 0
 0 1 (2 − 3β) 2β 
2
0 0 (β + 3β − 4) (1 − β)

Ahora podemos analizar las expresiones que nos quedan en la fila 3, dando como res-
puesta lo siguiente:

β 2 + 3β − 4 = 0 1−β =0
(β + 4) (β − 1) = 0 β=1
β = −4 y β = 1

Finalmente, podemos concluir que:

Si β ∈ R − {−4, 1}, entonces se cumpliria que ρ(A) = ρ(A/b) = n = 3, por lo tanto,
la solución serı́a única.
 Matrices y
Sistemas Lineales. Página 21
Si β = −4, entonces ρ(A) ̸= ρ(A/b), por lo tanto no admitirı́a solución, es decir el
sistema serı́a inconsistente.

Si β = 1, se anularia la tercera fila y en este caso se cumplirı́a que ρ(A) = 2 =

ρ(A/b) < 3, por lo tanto, existirı́an infinitas soluciones.

Ejemplo de aplicación 1. Un dueña de casa adquirió en el mercado ciertas cantidades de

papas, manzanas y naranjas a un precio de 100, 120 y 150 pesos /kg, respectivamente. El
valor total de la compra fue de 1.160 pesos. El peso total de la misma 9 kg. Además, compró
1 kg. más de naranjas que de manzanas.
Solución:
I) Definimos las variables de trabajo. Considere que x, y, z corresponden a la cantidad de
Kg. comprados de papas, manzanas y naranjas respectivamente, entonces:
II ) Plateamos las ecuaciones con la información entregada en el enunciado:

Peso total (1) ⇒ x + y + z = 9

Relación (2) ⇒ y + 1 = z
Precio total (3) ⇒ 100x + 120y + 150z = 1160

Notar que:
La ecuación (3), es divisible por 10, por lo tanto la podemos simplificar.
La ecuación (2) debe ordenarse.
Es decir, el sistema lineal nos queda de la forma:

x + y + z = 9
y − z = −1
10x + 12y + 15z = 116

III ) Llevamos el sistema lineal a la matriz ampliada y aplicamos las operaciones elementales
fila para determinar los valores solicitados, es decir:
     
1 1 1 9 1 1 1 9 1 1 9 9
 0 1 −1 −1  F3 −10F1  0 1 −1 −1  F3 −2F2  0 1 −1 −1  17 F3
⇝ ⇝ ⇝
10 12 15 116 0 2 5 26 0 0 7 28
     
1 1 1 9 F2 +F3 1 1 0 5 1 0 0 2
 0 1 −1 −1  ⇝  0 1 0 3  F1 −F2  0 1 0 3 
⇝
0 0 1 4 F1 −F3 0 0 1 4 0 0 1 4
Del cálculo desarrollado, se deduce que:
La cantidad comprada de papas es : 2 Kg.
La cantidad comprada de manzanas es : 3 Kg.
La cantidad comprada de naranjas es : 4 Kg.
 Matrices y
Sistemas Lineales. Página 22
Ejemplo de aplicación 2. Un cliente de un supermercado ha pagado un total de 156 [um] por
24 litros de leche, 6 kg de jamón serrano y 12 litros de aceite de oliva. Calcular el precio de
cada artı́culo, sabiendo que 1 litro de aceite cuesta el triple que 1 litro de leche y que 1 kg de
jamón cuesta igual que 4 litros de aceite más 4 litros de leche.
Solución:
I) Definimos las variables de trabajo. Considere que x, y, z corresponden al precio del litro
de leche, el Kg. de jamón serrano y del litro de aceite de oliva, respectivamente, entonces:
II ) Plateamos las ecuaciones con la información entregada en el enunciado:

Ecu. costo ⇒ 24x + 6y + 12z = 156 (1)

Ecu. relación 1 ⇒ z = 3x (2)
Ecu. relación 2 ⇒ y = 4z + 4x (3)

Notar que:
La ecuación (1), es divisible por 6, por lo tanto la podemos simplificar.
Las ecuaciones (2) y (3), deben ordenarse.
Es decir, el sistema lineal nos queda de la forma:

4x + y + 2z = 26
−3x + z = 0
−4x + y − 4z = 0

III ) Llevamos el sistema lineal a matriz ampliada y aplicamos las operaciones elementales
fila para determinar los valores solicitados, es decir:
     
4 1 2 26 1 1 3 26 F2 +3F1 1 1 3 26 1
 −3 0 1 0  F1 +F2  −3 0 1 0  ⇝  0 3 10 78  3 F2
⇝ F3 +4F1 ⇝
−4 1 −4 0 −4 1 −4 0 0 5 8 104

     
1 1 3 26 1 1 3 26 3
1 1 3 26 F1 −3F3
F3 −5F2 − 26 F3
 0 1 10/3 26   0 1 10/3 26   0 1 10/3 26  ⇝
⇝ ⇝ F2 − 10 F
0 5 8 104 0 0 − /3 −26
26 0 0 1 3 3 3

   
1 1 0 17 1 0 0 1
 0 1 0 16  F1 −F2  0 1 0 16 
⇝
0 0 1 3 0 0 1 3
Del cálculo desarrollado, se deduce que:
El precio del litro de leche es : 1 [um]
El precio del Kg de jamón Serrano es : 16 [um]
El precio del litro de aceite de oliva es : 3 [um]
 Matrices y
Sistemas Lineales. Página 23

Para profundizar los contenidos tratados durante esta semana, te invitamos a desarro-
llar los ejercicios propuestos en la guı́a de estudio. Recuerda consultar tus dudas a tu
docente..

...........................................................................................

Referencias bibliográficas

I. Larson, R., (2019). Álgebra Lineal (2a ed.). México: Cengage Learning.
II . Grossman, S. (2012). Álgebra Lineal (7a ed.). México: McGrawhill.