apítulo 1 1

Chapter

Matrices y Operaciones básicas

1.1 Descripción general de una matriz

Al operar con matrices estamos utilizando una forma compacta de hacer operaciones
con varios números simultáneamente. Vamos a definir operaciones matriciales análogas
a las operaciones con números reales o complejos y probar las propiedades que son
válidas para esas operaciones. Luego, el estudio involucrando operaciones con números
reales o complejos puede simplificarse haciendo operaciones con las matrices y usando
las propiedades que fueron demostradas para los números reales. Por ejemplo, veremos
que un sistema de varias ecuaciones lineales se puede escribir en términos de una única
ecuación matricial. Una matriz A, de orden m × n (m por n), es un arreglo de m · n
números dispuestos en m filas y n columnas, de la siguiente forma
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
A =  .. ..  ,
 . ··· . 
am1 am2 · · · amn
donde aij es el elemento de la matriz A, que se encuentra en la i − ésima fila y la
j − ésima columna respectivamente. Ası́, la i-ésima fila de A es
 
ai1 ai2 · · · ain , para i = 1, . . . , m
y la j − ésima columna de A es
 
a1j
 a2j 
 
 ..  , para j = 1, . . . , n.
 . 
amj
Usamos la notación A = (aij )m×n para representar a la matriz A de m filas y n
columnas. Si m = n, decimos que la matriz A es cuadrada de orden n × n y los
elementos a11 , a22 , . . . , ann forman la diagonal principal de la matriz A. Las matrices las
designaremos con las letras mayúsculas A, B, C, etc.
Ejemplo 1.1. Considere las matrices
   
  1 2 2
1 2    
A= 
, B= 4  
3 , C = 1 4 −6 7 , D = 4  , E = 2 .
3 4
5 6 6
 La matriz A es de orden 2 × 2, B es de orden 3 × 2, C es de orden 1 × 4, D es de
orden 3 × 1 y E es de orden 1 × 1. De acuerdo con la notación, ejemplos de elementos
de algunas de las matrices dadas son a12 = 2, c13 = −6, d21 = 4, [A]22 = 4, [D]21 = 4.

1.2 Tipos de Matrices

Matriz Identidad. Es la matriz cuadrada In = (Iij )n×n definida como

1, i = j
Iij = ,
6 j
0, i =

es decir  
1 0 ··· 0
 0 1 ··· 0 
 
In =  .. .. .
 . ··· . 
0 0 ··· 1
Matriz Nula. Es la matriz cuadrada N = (nij )n×n definida como nij = 0, ∀i, ∀j; 1 ≤
i, j ≤ n, es decir  
0 0 ··· 0
 0 0 ··· 0 
 
N =  .. ..  = 0.
 . ··· . 
0 0 ··· 0
Matriz Triangular inferior. Es la matriz cuadrada A = (aij )n×n definida como aij = 0,
si i < j, es decir  
a11 0 · · · 0
 a21 a22 · · · 0 
 
A =  .. ..  .
 . ··· . 
an1 an2 · · · ann
Matriz Triangular superior. Es la matriz cuadrada A = (aij )n×n definida como aij =
0, si i > j, es decir  
a11 a12 · · · a1n
 0 a22 · · · a2n 
 
A =  .. .. 
 . ··· . 
0 0 · · · ann
Matriz Diagonal. Es la matriz cuadrada D = (aij )n×n definida como

aij 6= 0, si i = j
aij = 0, si i =6 j

es decir  
a11 0 · · · 0
 0 a22 · · · 0 
 
D= .. .. .
 . ··· . 
0 0 ··· ann

2
Las notaciones usuales para esta matriz son

D {a11 , a22 , . . . , ann } = diag {a11 , a22 , . . . , ann }

= D {aii } = diag {aii } , para i = 1, 2, . . . , n.

Definición 1.2. Para la matriz cuadrada A = (aij )n×n definimos la traza de A como la
P
n
suma de los elementos de la diagonal (principal) de A, o sea, tr(A) = aii .
i=1

Teorema 1.3. Dadas las matrices A y B, se tiene

i.) tr(A + B) = tr(A) + tr(B),

ii.) tr(αA) = αtr(A),
iii.) tr(AB) = tr(BA).

Definición 1.4. La transpuesta de la matriz A = (aij )m×n es definida por la matriz

B = (bij )n×m obtenida intercambiando las filas con las columnas, esto es, bij = aji para
i = 1, . . . , n y j = 1, . . . , m. Escribimos B = At y [At ]ij = aji .
Teorema 1.5. Dadas las matrices A y B entonces

i.) (At )t = A.
ii.) (A + B)t = At + B t .
iii.) (AB)t = B t At , si m = n.
iv.) (αA)t = αAt .
v.) tr(At ) = tr(A).

Definición 1.6. Diremos que una matriz A, n × n, es simétrica si At = A y es

antisimétrica si At = −A.
Ejemplo 1.7. La matriz  
7 −1 3
A =  −1 2 5 
3 5 9
es simétrica y la matriz  
0 1 −2
B =  −1 0 3 
2 −3 0
es antisimétrica.
Ejemplo 1.8. Dadas las matrices
   
0 a + b −3 1 p q
A= 2 0 a  y B= 7 2 r 
b c 0 5 −3 −1

Si A es una matriz antisimétrica y B es una matriz triangular inferior, calcular B − At .

3
Ejemplo 1.9. Mostrar que si A es simétrica, entonces aij = aji , para i, j = 1, . . . , n
y que si A es anti-simétrica, entonces aij = −aji , para i; j = 1, . . . , n. Por tanto, los
elementos de la diagonal principal de una matriz anti-simétrica son iguales a cero.

Ejemplo 1.10. Probar que si A y B son simétricas, entonces A + B y αA, para todo
escalar α, son simétricas.

Ejemplo 1.11. Mostrar que si A y B son simétricas, entonces AB es simétrica si y

solamente si, AB = BA.

Definición 1.12. Una matriz cuadrada es idempotente si es igual a su cuadrado, es

decir,
A es idempotente ⇔ A2 = A, ∀ A matriz cuadrada.

Ejemplo 1.13. La matriz identidad es idempotente.

 
1/2 1/2
Ejemplo 1.14. La matriz A = es idempotente.
1/2 1/2

1.3 Operaciones con matrices

Definición 1.15. Dos matrices son iguales si ellas tienen el mismo tamaño y los
elementos correspondientes son iguales, esto es, A = (aij )m×n y B = (bij )p×q son iguales
si m = p, n = q y aij = bij para i = 1, . . . , m y j = 1, . . . , n.

Ejemplo 1.16. Hallar p, q, r y s para que las matrices

   
0 p+q r 0 6 r
A =  s log5 r −2  y B =  3 0 −2  .
−1 2 7 −1 p − q 7

sean iguales.

1.3.1 Suma de matrices

Definición 1.17. La suma de dos matrices del mismo tamaño A = (aij )m×n y B =
(bij )m×n se define como la matriz C = (cij )m×n que se obtiene sumando los elementos
correspondientes de A y B, es decir, cij = aij + bij , para i = 1, . . . , m y j = 1, . . . , n.
Entonces
A + B = (aij )m×n + (bij )m×n = (aij + bij )m×n .
Escribimos C = A + B.

Ejemplo 1.18. Considere las matrices

   
1 2 −2 1
A =  4 3  y B =  3 −1  .
5 6 2 3

Calcular A + B.

4
1.3.2 Diferencia de matrices
Definición 1.19. La diferencia entre dos matrices del mismo tamaño A = (aij )m×n y
B = (bij )m×n se define como
A − B = A + (−B) = (aij )m×n − (bij )m×n = (aij )m×n + (−bij )m×n = (aij − bij )m×n .
o sea, es la suma de la matriz A con la simétrica (aditiva) de la matriz B.
Ejemplo 1.20. Consideremos las matrices del ejemplo anterior, es decir,
   
1 2 −2 1
A= 4 3  y B =  3 −1  .
5 6 2 3

1.3.3 Producto de un escalar por una matriz

Definición 1.21. La multiplicación de una matriz A = (aij )m×n por un escalar (número)
α se define por la matriz B = (bij )m×n obtenida multiplicando cada elemento de la matriz
por el escalar, esto es, bij = αaij para i = 1, . . . , m y j = 1, . . . , n. Escribimos B = αA
y [αA]ij = αaij . Se dice que la matriz B es un múltiplo escalar de la matriz A.
El producto de la matriz  
3 2
A= 1 8 
5 4
por el escalar 2 es dado por  
6 4
2A =  2 16  .
10 8

1.3.4 Producto de vectores

La matriz identidad de orden n se puede escribir como
X
n
In = ei eti
i=1

donde ei es la i-ésima columna de la matriz identidad In , es decir es un vector con uno

en su i-ésimo elemento y cero en otra parte; ei es llamado un vector elemental. Ası́ por
ejemplo
P2
I2 = ei eti = e1 e1t + e2 et2
 
i=1  
1   0  
= 1 0 + 0 1
 0   1  
1 0 0 0 1 0
= + = .
0 0 0 1 0 1

et1 = (1, 0) , et2 = (0, 1)

(a, b) = (a, 0) + (0, b) = a (1, 0) + b (0, 1)
= ae1 + be2

5
 Otro producto elemental de un vector elemental con otro, el cual da una matriz
 nula

1
excepto un elemento que es igual a la unidad; por ejemplo si tomamos e1 =  0  y
    0
0 0
e2 = 1 , e3 = 0  entonces obtenemos la matriz
  
0 1
 
1  
E12 = e1 e2 = 0 
t  0 1 0 1×3
0 3×1
 
0 1 0
=  0 0 0 .
0 0 0

Obsérvese que en general, Eij = ei etj es la matriz nula, excepto para el elemento (i, j)
P n
que es igual a uno. También In = Eii .
i=1

1.3.5 Producto de Matrices

Definición 1.22. El producto de dos matrices, tales que el número de columnas de la
primera matriz es igual al número de filas de la segunda, esto es, si A = (aij )m×p y
B = (bij )p×n entonces el producto es definido por la matriz C = (cij )m×n obtenida como
sigue
X
p
cij = ai1 b1j + ai2 b2j + · · · + aip bpj = aik bkj (1.1)
k=1

P
p
para i = 1, . . . , m y j = 1, . . . , n. Escribimos C = AB y [AB]ij = aik bkj .
k=1

La ecuación (1.1) dice que el elemento i, j del producto es igual a la suma de los
productos de los elementos de la i-ésima fila de A por los elementos correspondientes
de la j-ésima columna de B. Notemos que estamos usando la notación de sumatoria
P
p
para escribir la ecuación (1.1) en forma compacta. El sı́mbolo significa que estamos
k=1
haciendo una suma en que los ı́ndices k están variando desde k = 1 hasta k = p.
   
2 3 2 3 1
Ejemplo 1.23. Dadas las matrices A = y B = , calcular
4 1 2×2 1 0 7 2×3
C = AB

Observación 1.24. En el ejemplo anterior el produto BA no está definido (¿por qué?).

En tanto, si BA está definida , no siempre es igual a AB, o sea, el producto de matrices
no es conmutativo, como muestra el siguiente ejemplo.

6
    
1 3 2 −2
Ejemplo 1.25. Si A = yB= , entonces
2 −1 0 1
  
1 3 2 −2
AB =
2 −1 0 1
    
1×2+3×0 1 × (−2) + 3 × 1 2 + 0 −2 + 3 2 1
= =
2 × 2 + (−1) × 0 2 × (−2) + (−1) × 1 4 + 0 −4 − 1 4 −5
y       
2 −2 1 3 2−4 6+2 −2 8
BA = = =
0 1 2 −1 0+2 0−1 2 −1

Ejemplo 1.26. Verificar si para las matrices cuadradas A y B, vale la igualdad (A +

B)(A − B) = A2 − B 2 .

Definición 1.27. Sea A una matriz n × n y p un entero positivo. Definimos la potencia

p de A, por
Ap = Ap−1 · A, p ≥ 1,
para p = 0, definimos A0 = In (matriz identidad de orden n × n).
 
1 2
Ejemplo 1.28. Si A = , hallar Ak , k ∈ Z+ .
0 1

1.3.6 Matrices que tienen todos sus elementos iguales a uno

   
El vector 1t = 1 1 1 1 es el vector sumante de orden 4 y para xt = 3 6 9 −3
   
3 1
  6    1 
1t x = 1 1 1 1 

 = 3 + 6 + 9 − 3 = 15 = 3 6 9 −3   = xt 1.
  1 
9
−3 1

Cuando es necesario para evitar confusión, elorden de un vector sumante puede ser
denotado en la forma usual 1t4 = 1 1 1 1 . Por ejemplo
 
  2 −1  
1t3 x = 1 1 1  −5 −3  = 1 1 = 1t2 .
4 5

Producto interno de un vector sumante con si mismo es un escalar, por ejemplo si

tomamos el vector sumante de orden n entonces

1tn · 1n = n

y otros productos de diferente orden son matrices con todos sus elementos iguales a uno,
ası́    
1   1 1
13 · 1t2 =  1  1 1 =  1 1  = J 3×2 .
1 1 1

7
En general, podemos observar que

1r · 1ts = J r×s ,

es una matriz de orden r × s, teniendo todas sus entradas iguales a uno. Claramente
λJ r×s tiene todos sus elementos iguales a λ.
Teorema 1.29. La matriz 1 y J satisfacen respectivamente

i.) J r×s J s×t = sJ r×t ,

ii.) 1tr J r×s = r1ts ,

iii.) J r×s 1s = s1r .

Corolario 1.30. Se cumple

i.) J n = 1n 1tn con J 2n = nJ n , y

2
ii.) J n = n1 J n con J n = J n .

Ejemplo 1.31. Supogamos que un experimentado taxista tiene la certeza que cuando
está en la ciudad 1 tiene una probabilidad de 0.2 que el próximo destino será dentro de
la ciudad 1 y una probabilidad de 0.8 que ésta será en la ciudad 2. Pero cuando está
en la ciudad 2 sus probabilidades son de 0.4 de ir a la ciudad 1 y 0.6 de quedarse en la
ciudad 2. Estas probabilidades pueden ser juntadas en una matriz
 
0.2 0.8
P =
0.4 0.6

luego pij es la probabilidad cuando está en la ciudad 1 y que la próxima parada es la

ciudad j.
La matriz P es un ejemplo de una matriz de probabilidad de transición, esto es es
un arreglo de probabilidades de elaboración de transiciones desde lo que es llamado un
punto i a un punto j (los puntos en este ejemplo son las dos ciudades) ası́ pij es una
probabilidad de transición y de allı́ el nombre de matriz de probabilidad de transiciones.
En P la suma de los elementos de cada fila es 1 esto es ası́ porque en cualquier caso
el taxista está en la ciudad i su proxima parada puede ser la misma ciudad o a la otra
ciudad, esta es una caracterı́stica de todas las matrices de transición. Luego
   
0.2 + 0.8 1
=
0.4 + 0.6 1

como hemos observado, la suma de cada una de las filas es igual a uno. También
    
0.2 0.8 1 1
P· 1 = = =1
0.4 0.6 1 1

y P 2 1 = P (P · 1) = P · 1 = 1, y extendiendo

P n 1 = 1,

8
demostrando que la suma de filas de una potencia de una matriz de probabilidad de
transición son también unitarios. En general, una matriz de probabilidad de transición
es de la forma
 
p11 p12 · · · p1j · · · p1m
 p21 p22 · · · p2j · · · p2m 
 . .. 
 . .. ... .. ... 
 . . . . 
P =  = (pij )m×m , i, j = 1, 2, · · · , m,
 pi1 pi2 · · · pij · · · pim 
 . .. .. .. 
 .. .
..
. .
..
. . 
pm1 pm2 · · · pmj · · · pmm

donde
X
m
pij = pi1 + pi2 + · · · + pim = 1,
j=1

correspondiendo a m diferentes estados, la suma de probabilidades de ir de un estado i

a cualquier otro fijo m (incluyendo el estado i) es igual a 1.

Definición 1.32. Definimos la matriz centralizadora Cn como

1
Cn = I − J n = I − J n.
n
Esta matriz es especialmente usada en estadı́stica.

Teorema 1.33. La matriz centralizadora satisface

i.) Cn es una matriz simétrica e idempotente.

ii.) Cn 1 = 0.

iii.) Cn J = J Cn = 0.

Aplicación. La media y suma de cuadrados alrededor de la media para datos

x1 , x2, · · · , xn pueden ser expresados en terminos de 1- vectores y J - matrices. Definimos
xt = x1 x2 · · · xn . Entonces la media de los n datos es

X
n
1 t 1
x = (x1 + x2 + · · · + xn ) /n = xi /n = x .1 = 1t .x
i=1
n n

y usando Cn con sus propiedades, tenemos

 
1 1
x .Cn = x I − J n = xt − xt 1.1t = xt − x1t = {xi − x}
t t
n n

es el vector dato con cada observación expresada como una desviación de x. Post
multiplicando xt Cn por x se tiene



xt Cn x = xt − x1t x = xt x − x 1t .x = xt x − nx2 .

9
De aquı́, usando un resultado estándar en estadı́stica, conseguimos
X
n X
n
(xi − x)2 = x2i − nx2 = xt x − nx2 = xt Cn x.
i=1 i=1

1 t
Ası́ tenemos que xt es un vector dato, x .1 es la media, xt Cn es el vector de desviaciones
n
de la media, y xt Cn x es la suma de cuadrados alrededor de la media. La expresión xt Cn x
es un caso especial de la forma xt Ax, conocida como una forma cuadrática posteriormente
estudiada.

1.4 Propiedades del Algebra Matricial

A continuación, mostraremos las propiedades que son válidas para el álgebra matricial.
Varias propiedades son semejantes aquellas que son válidas para los números reales, pero
se debe tener cuidado con las diferencias. Una propiedad importante que es válida para
los números reales, pero que no lo es para las matrices es la conmutatividad del producto,
como hemos visto en un ejemplo anterior. Por ser compacta, usaremos la notación de
sumatoria para la demostración de varias propiedades para las operaciones matriciales.

i.) (Conmutatividad de la suma) A + B = B + A.

ii.) (Asociatividad de la suma) A + (B + C) = (A + B) + C.

iii.) (Elemento neutro de la suma) Existe una única matriz N = (0ij ), m × n, tal que
A + N = A, para toda matriz A , m × n. La matriz N = (aij ) = (0) se llama
matriz nula m × n.

iv.) (elemento simétrico) Para cada matriz A, existe una única matriz B, tal que A +
B = N . Representamos B por −A.

v.) (Asociatividad) α (βA) = (αβ)A.

vi.) (Distributividad) (α + β)A = αA + βA.

vii.) (Distributividad) α(A + B) = αA + αB.

viii.) (Asociatividad del produto) A(BC) = (AB)C.

ix.) (Distributividad) A(B + C) = AB + AC y (B + C)A = BA + CA.

x.) α(AB) = (αA)B = A(αB).

1.4.1 Inversa de una Matriz

Todo número real a 6= 0 posee un inverso (multiplicativo), es decir, existe un número
b, tal que ab = ba = 1. Este número es único y lo denotamos por a−1 . A pesar que el
álgebra matricial es semejante al álgebra de los números reales, no todas las matrices A
no nulas poseen inversa, o sea, no siempre existe una matriz B tal que AB = BA = In .
De esto, para que los productos AB y BA estén definidos y sean iguales es preciso que

10
las matrices A y B sean cuadradas. Por tanto, solamente las matrices cuadradas pueden
tener inversa, lo que las diferencia con el caso de los números reales, donde todo número
no nulo tiene inverso. Sucede lo mismo entre matrices cuadradas, muchas no poseen
inversa. Antes de ver la siguiente definición, notemos que la matriz identidad In de
orden n × n satisface la siguiente relación

AIn = A = In A, para toda matriz A = (aij )n×n

Am×n In×n = Am×n

   
a11 a12 a13   a11 a12 a13
 a21 1 0 0
a22 a23   a21 a22 a23 
A4×3 I3 = 
 a31
 0 1 0  =  
a32 a33   a31 a32 a33 
0 0 1
a41 a42 a43 a41 a42 a43
y
In B = B, para toda matriz B = (bij )n×m .
ası́, podemos dar la siguiente definición.

Definición 1.34. La matriz A = (aij )n×n es inversible o regular o no singular, si existe

una matriz B tal que
AB = BA = In .
A la inversa de la matriz A, si existe, se le denota por A−1 y es igual a la matriz B.

Teorema 1.35. Dadas las matrices A = (aij )n×n y B = (bij )n×n entonces

1. In−1 = In .
−1
2. (A−1 ) = A.

3. A · A−1 = In .

4. (AB)−1 = B −1 A−1 .

Definición 1.36. Una matriz cuadrada no singular es ortogonal si y sólo si su inversa

es igual a su transpuesta. Esto es

A es ortogonal ⇔ A−1 = At
 
1 2 −1
Ejemplo 1.37. La matriz A = √ es ortogonal.:
5 1 2
Teorema 1.38. Dadas las matrices A = (aij )n×n y B = (bij )n×n entonces

1. A es ortogonal, si y sólo si, AAt = At A = In

2. Si las matrices A y B son ortogonales entonces AB es ortogonal.

11
1.5 Operaciones elementales sobre las filas de una
matriz
Una operación elemental sobre las filas de una matriz es una de las siguientes
operaciones.

1. Intercambiar la posición de dos filas de la matriz.

2. Multiplicar todos los elementos de una fila de la matriz por un escalar dife-rente
de cero.

3. Sumar a una fila de la matriz un múltiplo escalar de otra fila.

Definición 1.39. Una matriz A = (aij )m×n está en la forma escalonada reducida por
filas cuando satisface las siguientes condiciones.

a.) Todas las filas nulas (formadas enteramente por ceros) deben encontrarse debajo
de las filas no nulas;

b.) El primer elemento no nulo de cada fila no nula, llamado pivot, es igual a 1;

c.) El pivot de la fila (i + 1) se encuentra a la derecha del pivot de la fila i, para

i = 1, . . . , m − 1;

d.) Si una columna contiene un pivot, entonces todos los otros elementos son iguales
a cero.

Si una matriz satisface las propiedades a.) y c.), pero no necesariamente b.) y d.),
diremos que ella está en la forma escalonada.
   
1 4 −1 1 −3 2 0
Ejemplo 1.40. Las matrices A =  0 1 7  y B =  0 1 1 −8  son matrices
0 0 0 0 0 5 6
escalonadas.

1.5.1 Matrices Equivalentes por Filas

Definición 1.41. Una matriz A = (aij )m×n es equivalente por filas a una matriz
B = (bij )m×n , si B puede ser obtenida de A aplicando un número finito de operaciones
elementales sobre sus filas, y escribimos A ∼ B.

Nota. La relación es equivalente por filas es de equivalencia si satisface las siguientes

propiedades.

1. Toda matriz es equivalente por filas a ella misma (reflexividad);

2. Si A es equivalente por filas a B, entonces B es equivalente por filas a A (simetrı́a);

3. Si A es equivalente por filas a B y B es equivalente por filas a C, entonces A es

equivalente por filas a C (transitividad).

12
 En general, cualquier matriz es equivalente por filas a una matriz escalonada reducida.
La forma escalonada reducida de una matriz es única, pues si existiesen dos, por las
propiedades de equivalencia por filas, las dos serı́an equivalentes por fila; esto es, se
puede obtener una de la otra aplicando operaciones elementales. Pero, si aplicaramos
cualquier operación elemental, que modifique una matriz escalonada reducida, la matriz
obtenida no será escalonada reducida. Por tanto, la forma escalonada reducida es única.

Definición 1.42. El rango de la matriz A = (aij )m×n , denotado por ran (A), es el
número de filas no nulas no paralelas.

Ejemplo 1.43. Hallar el rango de las siguientes matrices

 
2 −3 4
1. A =  0 1 0 .
−4 6 −8
 
0 a b
2. A =  −a 0 c , a, b y c constantes reales no nulas.
−b −c 0

1.6 Determinantes
Definición 1.44. Sea A una matriz cuadrada, entonces

1. Si A = [a] es una matriz cuadrada de orden 1, entonces det(A) = |A| = a

 
a11 a12
2. Si A = entonces su determinante, denotado por |A| o det (A), es el
a21 a22
número real definido por

a11 a12
|A| = = a11 a22 − a12 a21 .
a21 a22
 
a11 a12 a13
3. Si A = a21 a22 a23 , entonces tenemos que el determinante de A se calcula
a31 a32 a33
mediante
a11 a12 a13
|A| = a21 a22 a23
a31 a32 a33
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31 + a11 a23 a32 + a12 a21 a33

Esta definición sólo es aplicable a matrices cuadradas de orden 3.

Tambien, podemos definir el determinante de una matriz usando menores comple-
mentarios, para eso damos primero la siguiente

13
Definición 1.45. Dada una matriz de orden n×n. Se denomina menor complementario
del elemento aij de A para cada i, j = 1, 2, · · · , n al determinante de la matriz Mij de
orden (n − 1) × (n − 1) que resulta de A al eliminar la fila i-ésima y la columna j-ésima,
es decir,
a11 · · · a1j−1 a1,j+1 · · · a1,n
.. .. .. ..
. . . .
ai−11 · · · ai−1j−1 ai−1,j+1 · · · ai−1n
|Mij | = .
ai+11 · · · ai+1j−1 ai+1,j+1 · · · ai+1n
.. .. .. ..
. . . .
an1 ··· anj−1 anj+1 · · · ann
 
a11 a12 a13
Definición 1.46. Si A = a21 a22 a23 , entonces el determinante de A es
a31 a32 a33

a22 a23 a21 a23 a21 a22

|A| = (−1)1+1 a11 + (−1)1+2 a12 + (−1)1+2 a13
a32 a33 a31 a33 a31 a32
= (−1)1+1 a11 |M11 | + (−1)1+2 a12 |M12 | + (−1)1+2 a13 |M13 | .

donde:
M11 es la matriz obtenida a partir de A eliminando la primera fila y la primera
columna.
M12 es la matriz obtenida a partir de A eliminando la primera fila y la segunda
columna.
M13 es la matriz obtenida a partir de A eliminando la primera fila y la tercera
columna.
análogamente

a12 a13 a11 a13 a11 a12

|A| = (−1)2+1 a21 + (−1)2+2 a22 + (−1)2+3 a23
a32 a33 a31 a33 a31 a32
= (−1)2+1 a21 |M21 | + (−1)2+2 a22 |M22 | + (−1)2+3 a23 |M23 | .

donde:
M21 es la matriz obtenida a partir de A eliminando la segunda fila y la primera
columna.
M22 es la matriz obtenida a partir de A eliminando la segunda fila y la segunda
columna.
M23 es la matriz obtenida a partir de A eliminando la segunda fila y la tercera
columna, y

a12 a13 a11 a13 a11 a12

|A| = (−1)3+1 a31 + (−1)3+2 a32 + (−1)3+3 a33
a22 a23 a21 a23 a21 a22
= (−1)3+1 a31 |M31 | + (−1)3+2 a32 |M32 | + (−1)3+3 a33 |M33 | .

donde:
M31 es la matriz obtenida a partir de A eliminando la tercera fila y la primera
columna.

14
 M32 es la matriz obtenida a partir de A eliminando la tercera fila y la segunda
columna.
M33 es la matriz obtenida a partir de A eliminando la tercera fila y la tercera columna.
En general, para A = (aij )n×n

|·| = det (·) : M (n) → R

A 7→ det (A)

donde M (n) es el conjunto de matrices cuadradas de orden n × n, y

X
n
|A| = (−1)i+j aij |Mij | , para algún i.
j=1

Nota: Para calcular el determinante de la matriz A = (aij )n×n , tambien se pueden usar
las columnas de A, de la siguiente manera
X
n
|A| = (−1)i+j aij |Mij | , para algún j.
i=1
 
1 −3 2
Ejemplo 1.47. Calcular el determinante de la matriz A = −1 2 5 .
0 3 7
 
2 −1 4
Ejemplo 1.48. Hallar |A|, si A =  3 5 0
−2 8 −4

Para calcular el determinante de una matriz cuadrada A = (aij )n×n , n > 3 se emplean
por lo general propiedades, las cuales se enuncian a continuación

Propiedades de los determinantes Sea A = (aij )n×n una matriz cuadrada, entonces
tenemos

i) El determinante de la matriz A y de su transpuesta At son iguales, es decir, |A| =

|At | .

ii) Si todos los elementos de una fila o columna de A son nulos, entonces |A| = 0.

iii) Si una fila de A es múltiplo de otra, entonces |A| = 0. El mismo resultado se tiene
para las columnas

iv) Si A es triangular superior (o inferior), entonces |A| = a11 · a22 · · · · · ann = producto
de los elementos de su diagonal principal.

v) El determinante de la matriz identidad es igual a 1, es decir, |I| = 1.

vi) |AB| = |A| |B| .

1
vii) |A−1 | = , si |A| 6= 0, donde A−1 es la inversa de la matriz A, a definir despues.
|A|

15
viii) Si se multiplica sólo una fila (o columna) de una matriz A por un escalar α,
entonces el valor del determinante es αA.

ix) |αA| = (αaij )n×n = αn |A| , α es un escalar real o complejo.

x) Si se multiplica una fila de una matriz por un número real no nulo y este resultado
se le suma a otra fila entonces el determinante de la matriz resultante es igual al
de la matriz original.

xi) Si en un determinante se permutan dos filas cualesquiera el determinante cambia

de signo pero no de valor absoluto.
 
12 5 −3 1
0 0 0 0
Ejemplo 1.49. Si A =  
 2 −1 3 6  entonces |A| = 0, por la propiedad ii.).
3 −4 8 12
 
0 1 −2 4
7 6 3 −1
Ejemplo 1.50. Si B =  
0 −2 4 −8 entonces |B| = 0, pues la primera fila
3 5 8 9
es proporcional (paralela) a la tercera fila, entonces por la propiedad viii) se sigue el
resultado.
 
a b c a b c
Ejemplo 1.51. Si A =  2d 2e 2f , entonces por la propiedad viii) |A| = 2 d e f
p q r p q r
.

Ejemplo 1.52. Por la propiedad xi) se cumple

a b c p q r p q r
d e f =− d e f = a b c
p q r a b c d e f
 
1 0 −2 4
−1 1 3 −1
Ejemplo 1.53. Si C =  
 0 −2 −1 −3, calcular |C|.
3 5 −7 8
Ejemplo 1.54. Calcule el determinante de una matriz antisimétrica de orden n impar.
Sol Tenemos que si A es una matriz, A es antisimétrica⇔ At = −A, sabemos que
|At | = |−A| ⇔ |−A| = (−1)n |A|. Si n es impar, entonces (−1)n = −1. Luego |A| =
− |A| ⇔ 2 |A| = [Link] consecuencia |A| = 0.
 
1 −2 −3 7 9
 12 5 −3 1 5 
 
Ejemplo 1.55. Si A =   0 0 0 0 0  entonces |A| = 0, por la propiedad

 2 −1 3 6 1 
3 −4 8 12 −3
ii.).

16
1.7 Matriz Adjunta
Si A es una matriz cuadrada de orden n, se consideran

Definición 1.56. Se llama menor complementario o simplemente menor del elemento

aij de la matriz A o del determinante |A| al determinante Mij de orden n − 1 que resulta
al suprimir en A la fila i y la columna j.

Definición 1.57. El cofactor αij del elemento aij es el número real

αij = (−1)i+j Mij .

La matriz cuadrada Ac de orden n formada por todos los cofactores de A se denomina
matriz de los cofactores. Es decir
 
α11 α12 . . . α1n
 α21 α22 . . . α2n 
 
Ac =  .. .. .. 
 . . . 
αn1 αn2 . αnn

Definición 1.58 (Matriz adjunta). La adjunta de una matriz o matriz de los adjuntos,
denotada por Adj (A) es la transpuesta de la matriz de los cofactores. Es decir:

 
α11 α21 . . . αn1
 α12 α22 . . . αn2 
 
Adj(A) =  .. .. .. 
 . . . 
α1n α2n . . . αnn
 
2 −1 3
Ejemplo 1.59. Dada la matriz A =  1 4 5  . Encontrar Adj(A).
−1 −2 2

Proposición 1.60. A · Adj(A) = Adj(A) · A = |A| I.(procedimiento similar al ejemplo

previo)

Proposición 1.61. Si |A| 6= 0, entonces A es inversible y se cumple:

Adj(A)
A−1 = .
|A|

Justificación El resultado anterior se puede escribir en la forma

Adj(A) Adj(A)
A·( )=( )·A=I
|A| |A|
para lo cual basta dividir entre |A| 6= 0.
De donde se concluye que
Adj(A)
A−1 = .
|A|

17
Observación 1.62. Este resultado proporciona el primer método para hallar la inversa
de una matriz, esto es, haciendo uso de la matriz adjunta.
 
0 1 5
Ejemplo 1.63. Usando la matriz adjunta, halle(si existe) A−1 si A =  1 2 4 
3 6 6
Existe un método para calcular determinantes de orden n, el cual considera algunos
elementos de la matriz adjunta.
Propiedad (Desarrollo de un determinante por filas o columnas)
Si A = [aij ] es una matriz cuadrada de orden n y αij son los cofactores correspondientes
a los elementos aij , entonces
(i)|A| = ai1 αi1 + ai2 αi2 + ... + ain αin , para cada i = 1, 2, ..., n (desarrollo por la fila i)
(ii)|A| = a1j α1j + a2j α2j + ... + anj αnj , para cada j = 1, 2, ..., n (desarrollo por la
columna j)
 
1 4 3
Ejemplo 1.64. Calcule el determinante de la matriz A =  2 0 4 
4 1 5
En general, el mejor camino para calcular determinantes de matrices grandes consiste
en realizar primeramente todas las operaciones por filas y columnas que se puedan
efectuar para introducir en la matriz elementos iguales a cero. Luego se procede al
desarrollo con respecto a la fila o columna que tenga la mayor cantidad de ceros.
4 3 2 2
1 2 0 3
Ejemplo 1.65. Calcule |A| =
1 4 −1 6
8 1 1 −5
Para el trabajo con matrices adjuntas pueden ser útiles las siguientes propiedades

1. Adj(AB) = Adj(B).Adj(A)

2. Adj(kA) = k n−1 Adj(A), k escalar.

3. (Adj(A))t = Adj(At )

4. (Adj(A))−1 = Adj(A−1 )

5. |Adj(A)| = |A|n−1

1.8 Matrices particionadas

Consideremos la matriz
 
1 6 8 9 1 −4
 2 0 −1 0 4 5 
 
A=
 4 5 3 2 6 9 .
 9 −2 1 −3 7 2 
6 0 7 6 8 1

18
Supongamos que podemos trazar lı́neas entre ciertas filas y columnas como en
 .. 
1 6 8 9 . 1 −4
 .. 
 2 0 −1 0 . 4 5 
 
 .. 
 4 5 3 2 . 6 9 
A= 
 ··· ··· ··· ··· ··· ··· ··· 
 
 .. 
 9 −2 1 −3 . 7 2 
..
6 0 7 6 . 8 1
Cada uno de los arreglos de números en las 4 secciones de A producidas por el trazo de
lı́neas es una matriz
   
1 6 8 9 1 −4
A11 =  2 0 −1 0  , A12 =  4 5 ,
 4 5 3 2  6 9 
9 −2 1 −3 7 2
A21 = y A22 = .
6 0 7 6 8 1
De esta manera, la matriz A puede ser escrita como una matriz de matrices
 
A11 A12
A= (1.2)
A21 A22
Esta especificación de A es llamada una partición de A, y las matrices A11 , A12 , A21
y A22 se dicen que son submatrices de A; además A de (1.2) es llamada una matriz
particionada.
Observaciones.

1. A11 y A21 tienen el mismo número de columnas, como A12 y A22 . De igual modo
A11 y A12 tienen el mismo número de filas, como A21 y A22 .
2. La partición no es restringida a dividir una matriz justo en 4 submatrices, puede
ser dividida en numerosas filas y columnas de matrices, por ejemplo
 .. 
1 6 8 9 . 1 −4
 .. 
 2 0 −1 0 . 4 5 
 
 ··· ··· ··· ··· ··· ··· ···   
  A01 A02
 ..  
A= 4 5 3 2 . 6 9  = A03 A04  ,
 
 ··· ··· ··· ··· ··· ··· ···  A21 A22
 
 . 
 9 −2 1 −3 .. 7 2 
..
6 0 7 6 . 8 1
donde A21 y A22 es como en el caso anterior, y
   
1 6 8 9 1 −4
A01 = , A02 = ,
 2 0 −1 0  4 5
A03 = 4 5 3 2 , A04 = 6 9 .
Luego no existe una forma única de particionar una matriz.

19
 3. Una partición de una matriz A no puede ser de la forma
 .. 
. ··· ··· ···
 .. 
 . ··· ··· ··· 
 
 .. .. 
A= . . 
 
 .. 
 ··· ··· ··· ··· . ··· 
..
.

4. Si A = (aij )m×n entonces una partición de A es dada por

 
Kp×q Lp×(n−q)
A=
M(m−p)×q N(m−p)×(n−q)
donde K, L, M y N son las submatrices con sus ordenes mostrados como subı́[Link]
podemos decir que la matriz A = (aij )m×n puede ser particionada en p filas y q
columnas de submatrices como
 
A11 A12 · · · A1q
 A21 A22 · · · A2q 
 
A =  .. .. . .. 
 . . . . . 
A1p A2p · · · Apq
donde Aij es la submatriz en la i−ésima fila y la j−ésima columna de submatrices.
Si la la i−ésima fila de submatrices tiene mi filas de elementos y la j−ésima
columna de submatrices tiene nj columnas, entonces Aij tiene orden mi ×nj , donde
X
p
X
p
mi = m y nj = n.
i=1 j=1

1.8.1 Transpuesta de una matriz particionada

La traspuesta de una matriz particionada es la matriz transpuesta de la transpuesta
de las submatrices. Ası́ tenemos que
 t 
t
 t A11
A = A11 A12 =
At12
y  t 
 t B11 B21 t
B11 B12 B13
Bt = =  B12
t t 
B22 .
B21 B22 B23 t t
B13 B23
 
  3 2
3 7 5
Por ejemplo, si A = entonces At =  7 0 . Por otro lado, si particionamos
2 0 6
5 6    
h i 3 7 5
.
la matriz A de la forma A = A11 .. A12 , con A11 = y A12 = tenemos
2 0 6
que  
" # 3 2
it  At   · · · · · · 
t
.
3 .. 7 5 h
t
A = ..
.
.
= A11 . A12 = 11
t = 7
.

2 . 0 6 A 12 0
5 6

20
1.8.2 Suma de matrices particionadas
Sean A, B matrices de orden m × n, si por ejemplo, las particionamos en la forma
   
A11 A12 B11 B12
A= y B= ,
A21 A22 B21 B22

de manera que para cada i, j = 1, 2, Aij y Bij tienen el mismo orden. Entonces la matriz
suma C = A + B es  
C11 C12
C= ,
C21 C22
con Cij = Aij + Bij para i, j = 1, 2.

1.8.3 Producto de matrices particionadas

Las matrices particionadas pueden ser multiplicadas por la regla usual de multiplicación
de matrices (fila por columna), como si el bloque de entradas fueran escalares, tal que
el producto AB exista.
 
.
2 −3 1 .. 0 −4
   
 1 −2
..
−1  A A
Ejemplo 1.66. Sean A =  5 . 3  11
 · · · · · · · · · · · · · · · · · ·  = A21 A22
12

 
..
0 −4 −2 . 7 −1
 
6 4
 −2 1 
   
 −3 7  B
yB= 
 · · · · · ·  = B2 .
1

 
 −1 3 
5 2
Las cinco columnas de A son particionadas en un conjunto de 3 y 2 columnas
respectivamente. Las 5 filas de B son particionadas en la misma forma, en un conjunto
de 3 y 2 filas respectivamente. Decimos que las particiones de A y B están conformadas
por bloques tal que exista la multiplicación. Podemos mostrar que el producto ordinario
AB puede ser escrito como
 
  6 4  
2 −3 1  −2 1  = 15 12
A11 B1 =
1 5 −2 2 −5
−3 7
    
0 −4 −1 3 −20 −8
A12 B2 = =
3 −1 5 2 −8 7
     
15 12 −20 −8 −5 4
A11 B1 + A12 B2 = + =
2 −5 −8 7 −6 2

21
     
A11 A12 B1 A11 B1 + A12 B2
AB = =
A21 A22 B2 A21 B1 + A22 B2
 
  6 4  
A21 B1 = 0 −4 −2  −2 1  = 14 −18
−3 7
 
  −1 3  
A22 B2 = 7 −1 = −12 19
5 2
 
−5 4
 −6 2 
=  
 ··· ··· 
2 1
:  
  6 4
2 −3 1 0 −4   −2 1 

 1 5 −2 3 −1    −3 7 

0 −4 −2 7 −1  −1 3 
5 2
es importante que cada producto por bloques Aij Bi , i, j = 1, 2 sea escrito en ese orden,
ya que la multiplicación de matrices no es conmutativa.
Ejemplo 1.67. Dadas las matrices
 
  1 4 3 5
3 2 1 −1  1 5 −1 0 
A= 4 1 2 1  y B=
 0

0 2 1 
3 3 3 0
0 0 −7 −3
particionar adecuadamente A y B, según sea el caso, para calcular por bloques AB.

1.8.4 Inversa de una matriz particionada

Los próximos lemas ilustran el cálculo entre matrices inversas y particionadas.
 
A11 0
Lema 1.68. Sea A = (aij ) de orden n con ran (A) = n. Si A = donde
0 A22
A11 y A22 son matrices
 2 cuadradas
 de orden n1 yn2 respectivamentetal que n1 + 
n2 = n,
r −1
A11 0 A11 0 A11 0
entonces A2 = , Ar = , r ∈ N, y A−1 = .
0 A222 0 Ar22 0 A−1 22
 
A11 A12
Lema 1.69. Si A = donde A11 y A22 son matrices cuadradas de orden n1
0 A22
y n2 respectivamente tal que n1 + n2 = n, entonces
 −1 
−1 A11 −A−1 −1
11 A12 A22
A = .
0 A−122

Ejemplo 1.70. Calcule B −1 , particionando adecuadamente la matriz B, si

 
1 4 3 5
 1 5 −1 0 
B=  0 0

2 1 
0 0 −7 3

22
Ejemplo 1.71. Calcule la inversa de
 
3 2 0 0 0 0
 7 5 0 0 0 0 
 
 0 0 1 2 1 5 
A=  0
.

 0 3 7 2 1 
 0 0 0 0 1 3 
0 0 0 0 1 4

Lema
 1.72. Sea la matriz A = (aij ) de orden n, particionada en la forma A =
A11 012
donde A11 y A22 son matrices cuadradas de orden n1 y n2 respectivamente
A21 A22
tal que n1 + n2 = n. entonces
 
−1 A−1
11 0
A = .
−A−1 −1
22 A21 A11 A−1
22

Ejemplo 1.73. Calcule la inversa de

 
5 3 0 0 0
 3 2 0 0 0 
 
A=
 1 1 1 0 10 

 1 0 0 3 6 
0 1 0 0 5
 
A11 A12
Lema 1.74. Sea A = (aij )n×n = , con ran (A) = n, donde A11 y A22 son
A21 A22
matrices cuadradas no singulares de orden n1 y n2 respectivamente tal que n1 + n2 = n.
Entonces la inversa de A en forma particionada es
 
−1 B11 B12
A = ,
B21 B22

donde
−1
B11 = A11 − A12 A−1
22 A21
−1
B12 = −A−1 −1
11 A12 A22 − A21 A11 A12

−1
B21 = −A−1 −1
22 A21 A11 − A
12 A22 A21
−1
B22 = A22 − A21 A−1
11 A12 ,
cuando esté asegurada la existencia de

−1
−1
A11 − A12 A−1
22 A21 y A22 − A21 A−1
11 A12 .

1.8.5 Determinante de una matriz particionada

Lema 1.75. Dadas las matrices cuadradas P , Q y R del mismo orden n, entonces

P 0
= |P | |R| . (1.3)
Q R

23
Ejemplo 1.76. Calcule el determinante de la matriz
 
3 8 7 0 0 0
 1 2 4 0 0 0 
 
 −1 3 2 0 0 0 
A=  a
.

 b c 1 2 3 
 m n l 4 5 4 
p q r 3 2 1
Nota: Recordemos que matrices semejantes tienen el mismo determinante.
Lema 1.77. Para las matrices cuadradas R y S, y del mismo orden, entonces
0 R
= |R| , (1.4)
−I S
donde I es la matriz identidad. Análogamente
A11 A12
= |A12 | .
−I 0
Ejemplo 1.78. Calcule el determinante de la matriz
 
12 11 −9 1 1 1
 −17 5 4 1 2 0 
 
 6 8 1 1 0 1 
A=  −1


 0 0 0 0 0 
 0 −1 0 0 0 0 
0 0 −1 0 0 0

1.9 Factorización de una matriz

1.9.1 La factorización LU
Una matriz A = (aij )m×n admite una ”factorización LU ” si ella puede ser escrita en
la forma A = LU , donde L es una matriz triangular inferior de orden m × m con unos
en la diagonal, y U es triangular superior. Ası́ por ejemplo, una factorización de A se
puede escribir de la forma
  
1 0 0 0 ∗ ∗ ∗ ∗
 ∗ 1 0 0  0 ∗ ∗ ∗ 
A= 
 ∗ ∗ 1 0   0 0 ∗ ∗  = LU.


∗ ∗ ∗ 1 0 0 0 ∗
Proposición 1.79. Si A es una matriz cuadrada de orden n tal que sus menores
principales 1 Di , i = 1, 2, . . . , n − 1 son diferentes de cero, entonces se verifica que
A = LU
1
Se denomina menor principal Di , i = 1, 2, · · · , n − 1 de una matriz A = (aij ), i, j = 1, 2, · · · , n − 1,
a
a11 a12 ··· a1i
a21 a22 ··· a2i
Di = .. .. .. .. .
. . . .
ai1 ai2 ··· aii

24
donde L es una matriz triangular inferior cuyos elementos de la diagonal principal son
todos igual a 1 y U es una matriz triangular superior.

Corolario 1.80. Si A es una matriz cuadrada de orden n con todos sus menores
principales Di , i = 1, 2, . . . , n − 1 diferentes de cero, entonces la factorización LU de la
matriz A es única.
 
1 2 0
Ejemplo 1.81. Obtener la factorización de la matriz A =  −1 3 1 .
0 5 1
 
1 1 1 3
 1 2 0 −1 
Ejemplo 1.82. Obtener la factorización de la matriz A =   1
.
0 1 1 
3 −1 1 5
Observaciones.
- Nótese que L es una matriz triangular inferior con unos en la diagonal. Esto es
posible gracias a que no se realizan permutaciones de filas ni multiplicación de filas por
constantes.
- La factorización LU no siempre es posible, por ejemplo la matriz
 
0 2 3
A= 2 1 4 
3 1 1

no es factorizable, ya que D1 = 0.
- La factorización del ejemplo 1.36 (del mismo modo el ejemplo 1.37) se puede resolver
planteando y resolviendo la siguiente igualdad
    
1 2 0 1 0 0 1 2 0
A = LU ⇔  −1 3 1  =  a 1 0   0 x y  .
0 5 1 b c 1 0 0 z

- Cuando la matriz A no es cuadrada, entonces para encontrar L hallamos el rango

columna de A y para determinar U , calculamos el rango fila de A.

Ejemplo 1.83. Obtener la factorización LU de la matriz

 
2 −1 3 1
 3 2 2 0 
A=  −1
.
2 1 1 
4 2 −2 −1

Ejemplo 1.84. Encontrar una factorización de

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

25
 
1 0 −1 1
Ejemplo 1.85. Obtener la factorización de la matriz A =  0 2 2 2 .
−1 4 5 3

La razón para considerar una factorización A = LU , es que podemos resolver de

manera rápida el sistema de ecuaciones lineales Ax = B, siempre que L y U son
conocidas. Si escribimos Ax = B como LU x = B y si denotamos U x por y, entonces
podemos escribir x resolviendo el par de ecuaciones

Ly = B
.
Ux = y

Primero resolvemos Ly = B para y, y entonces resolvemos U x = y para x. Cada

ecuación es fácil de resolver porque L y U son matrices triangulares.
Ejemplo 1.86. Podemos verificar que
    
3 −7 −2 2 1 0 0 0 3 −7 −2 2
 −3 5 1  
0   −1 1 0  
0   0 −2 −1 2 
A= 6 −4 =  = LU
0 −5   2 −5 1 0  0 0 −1 1 
−9 5 −5 12 −3 8 3 1 0 0 0 −1
 t
Use esta factorización LU de A para resolver Ax = B, con B = −9 5 7 11 .

1.9.2 Un algoritmo de factorización LU

Supongamos que A puede ser escalonada U usando sólo operaciones fila, en la cual
un múltiplo de una fila es adicionada a otra fila debajo. En este caso existen matrices
elementales triangulares inferiores E1 , E2 , . . . , Ep tal que

(Ep · · · E2 E1 ) A = U (1.5)

entonces podemos escribir

A = (Ep · · · E2 E1 )−1 U = LU

donde
L = (Ep · · · E2 E1 )−1 . (1.6)
Podemos mostrar que productos e inversas de matrices triangulares inferiores es también
triangular inferior. De esta manera L es triangular inferior. De ahı́, U es triangular
superior porque ella está en la forma escalonada. Observe que las operaciones fila en
(1.5), las que reducen a la matriz A en U , también reduce L en (1.6) a I porque

(Ep · · · E2 E1 ) L = (Ep · · · E2 E1 ) (Ep · · · E2 E1 )−1 = I.

Esta observación es la clave para encontrar L.

Estrategia para una factorización LU

1. Reducir A a una forma escalonada U por una sucesión de operaciones elementales

fila, si es posible.

26
 2. Ubicar las entradas en L tal que la misma sucesión de operaciones fila reduce L a I.
El paso 1 no siempre es posible, pero si ella existe, el argumento de arriba muestra
la existencia de una factorización LU . En el ejemplo siguiente mostraremos como
implementar el paso 2, por construcción, L satisfará
(Ep · · · E2 E1 ) L = I
usando las mismas E1 , E2 , · · · , Ep . Ası́ L es debe ser inversible, por el teorema de
la matriz inversible, con (Ep · · · E2 E1 ) = L−1 . De A = LU , L−1 A = U . Ası́ el paso
2 produce una L aceptable.
 
1 2 3
Ejemplo 1.87. Obtener la factorización LU de la matriz A =  4 2 1 .
3 1 −1

1.10 Inversas Generalizadas

1.10.1 La inversa de Moore-Penrose
Dada una matriz A, entonces existe una única matriz M tal que satisface las siguientes
condiciones
1. AM A = A
2. M AM = M
3. AM es simétrica
4. M A es simétrica. Una forma de escribir M es basada en la factorización de
A = (aij )p×q como LU , donde L y U tienen rango columna y fila completa
respectivamente, igual al rango de A. Entonces

−1 t
M = U t Lt AU t L.
Es fácil verificar que A y M satisface las cuatro ecuaciones. La matriz M es
conocida como la inversa de Moore-Penrose de A.
 
1 0 −1 1
Ejemplo 1.88. Halle la inversa de A =  0 2 2 2 .
−1 4 5 3
Ejemplo 1.89. Halle la inversa de Moore-Penrose, de la matriz
 
1 2 5 2
A =  3 7 12 4 .
0 1 −3 −2
 
1 2 4 3
Ejemplo 1.90. Dada la matriz A =  3 −1 2 −2 .
5 −4 0 −7
1. Obtener la factorización de la matriz A, es decir, A = LU .
2. Halle la inversa de Moore-Penrose de A.

27
1.11 Ejercicios
1. Determinar el valor de verdad de las siguientes afirmaciones, justificando debidamente
su respuesta.

(a) ¿Es det (αA) = α det (A) para toda matriz A = (aij )n×n ?
(b) Sean A = (aij )n×n y B = (bij )n×n . Entonces det (A · B) = det (A) · det (B).

2. Determinar la matriz A, triangular superior que satisface

 
t 1/4 3/2
A BA = Bt
3/2 13

siendo B una matriz simétrica, inversible tal que AB = BA.

 
1 3 3
3. Dada la matriz A =  −2 −5 −3 . Halle |A|, Adj (A) y A−1 .
0 −2 5
4. Determinar el valor de verdad de las siguientes afirmaciones, justificando debidamente
su respuesta

(a) Si AB = I = CA entonces B = C
(b) Sean A = (aij )n×n y B = (bij )n×n . Entonces det (A + B) = det (A) + det (B).

 4 − (i + j) , i < j
5. Si A = (aij ) donde aij = i, j = 1, 2, 3 . Hallar tr (A − I).

j − i − 1, i ≥ j
 
a p q
6. Si A =  r a s , es una matriz diagonal, calcular Ak , para k ∈ Z+ .
u v a
 
1 1 −1

7. Dada la matriz A = 2 1 3 
3 3 1

(a) Halle la inversa de A, usando la matriz adjunta

(b) Usando el punto anterior, resuelva el sistema

 x+y−z =0
2x + y + 3z = 9

3x + 3y + z = 6

8. Probar que si A y B son antisimétricas, entonces A + B y αA son antisimétricas,

para todo escalar α.

9. Probar que para toda matriz A, n×n, A+At es simétrica y A−At es antisimétrica.

28
10. Probar que toda matriz cuadrada A puede ser escrita como la suma de uma matriz
simétrica y uma antisimétrica. (Sugerencia. Observe el resultado de la suma de
A + At con A − At .)

11. Ya vimos que el producto de matrices no es conmutativo. Sin embargo, ciertos

conjuntos de matrices son conmutativos. Probar que

(a) Si D1 y D2 son matrices diagonales n × n, entonces D1 D2 = D2 D1 .

(b) Si A es una matriz n × n y B = a0 In + a1 A + a2 A2 + · · · + ak Ak ; donde
a0 , . . . , ak son escalares, entonces AB = BA.

12. (a) Probar que si A es una matriz m × n tal que AX = 0, para toda matriz X,
n × 1, entonces A = 0. (b) Sean B y C matrices m × n, tales que BX = CX, para
todo X, n × 1. Probar que B = C. (Sugerencia: Use el item anterior.)

13. Probar que la matriz identidad In es la única matriz tal que AIn = In A = A para
cualquier matriz A, n×n. (Sugerencia: Sea Jn una matriz tal que AJn = Jn A = A.
Mostrar que Jn = In .)

14. Si AB = BA y p es un entero positivo, probar que (AB)p = Ap B p .

15. Sean A, B y C matrices n × n.

(a) (A + B)2 = A2 + 2AB + B 2 se cumple si AB = BA? Justifique.

(b) (AB)C = C(AB) si AC = CA y BC = CB. Justifique.

16. Si A y B son dos matrices tales que AB = 0, entonces A = 0 o B = 0 . Justifique.

17. Si AB = 0, entonces BA = 0. Justifique.

18. Si A es una matriz tal que A2 = 0, entonces A = 0. Justifique.

19. Para I y J de orden n, y para p, q, r, s ∈ R con p 6= 0 y p + qn 6= 0 :

(a) Escribir pI + qJ de orden 4.

(b) |aI2 + bJ2 | = a (a + 2b) .
(c) Mostrar que (pI + qJ) (rI + sJ) = prI + (ps + qr + nqs) J.
 
1 q
(d) Simplificar (pI + qJ) 1− J .
p p + qn
(e) Explicar porqué JXJ = xJ.
(f) Probar que I − J n es idempotente, pero I − J no.
(g) Para at de orden n mostrar que |λI + 1at | = λn−1 (λ + at 1).
(h) Probar |aIn + bJn | = an−1 (a + bn) .

20. Probar que P 2 es una matriz de probabilidad de transición, si P es una matriz de

probabilidad de transición.

21. Probar las siguientes proposiciones.

29
 (a) |J n | = 0.
(b) J 2n = nJ n .
P
n
(c) La matriz centralizante Cn satisface X t Cn X = (xi − x)2 .
i=1

22. Resolver por el método de Gaus Jordan, los siguientes sistemas

 

 x + y + 2z + 3w = 1 
 3y + 3z + 3w = 0
 
−2x − y − 4z − 2w = 0 x+y−z−w =2
a.) b.)

 3x + 3y + 7z + 10w = 6 
 2x + 3y + z + w = 5
 
x + 2y + 3z + 8w = 6 3x − 5y − z − w = −1
 

 −x + y − z = 5 
 x + y + 2z + 3w = 1
 
y − z + 3w = 10 −2x − y − 4z − 2w = 0
c.) d.)

 x − z − w = 5 
 3x + 3y + 7z + 10w = 6
 
x + 3w = 5 x + 2y + 3z + 8w = 6
 

 3y + 3z + 3w = 0 
 −x + y − z = 5
 
x+y−z−w =2 y − z + 3w = 10
e.) f.)

 2x + 3y + z + w = 5 
 x−z−w =5
 
3x − 5y − z − w = −1 x + 3w = 5

23. Demuestre que el sistema de ecuaciones lineales


 3x1 + 2x2 − 4x3 = a
−4x1 + x2 − x3 = b

7x1 + 12x2 − 22x3 = c

tiene infinitas soluciones si c = 5a + 2b.

24. Halle la relación entre las constantes a, b, c y d para que el siguiente sistema de
ecuaciones lineales sea compatible


 x+z =a

y+z =b
.

 x+w =c

y+w =d

25. Dadas las matrices

   
1 2 0 0 1 2 0 0 1 −2 4 9
 −1 3 4 1 −2 5   1 1 5 −1 0 −5 
A=  3 1
, B= 
6 4 1 0   2 3 7 3 0 4 
 −1 0 −10 2 3 3 0 0 4 −3 1 6
1 1 1 1
 2 1 0 −1 
C=  3 1


0 1
0 0 1 2

(a) Particionar A y B en cuatro bloques y calcular A + B.

30
 (b) Particionar A y B en seis bloques y calcular A − 2B.
(c) Particionar de forma adecuada A y C para calcular CA.
(d) Efectuar una partición diferente de la realizada en c) para calcular CB.

26. Hallar el valor de A−1 y |A|, si existe, particionando las siguientes matrices.
 
1 2 0 0
 3 −2 0 0 
(a) A =  0
.
0 1 −5 
0 0 7 2
 
3 1 0 0 0 0
 −1 5 0 0 0 0 
 
 0 0 1 2 0 0 
(b) A =   .
0 0 4 3 0 0 
 
 0 0 −2 1 1 3 
0 0 3 2 1 −2

27. Resolver el sistema de ecuaciones


 x + 2y + 3z = 20
4x + 2y + z = −15 ,

3x + y − z = 5

usando la factorización LU.

31