UNIVERSIDAD DE SEVILLA

DEPARTAMENTO DE ECONOMIA APLICADA I

MATRICES Y DETERMINANTES.

PRIMER CURSO

Tema 0. Matrices y sistemas de ecuaciones

1

Matrices

1.1

Introducci
on

El estudio de los determinantes y las matrices se llevo a cabo inicialmente en el siglo XIX y
aunque consideradas u
nicamente como innovadoras del lenguaje matematico, ya que por s mismas
no dicen directamente algo que no este dicho ya por las ecuaciones y las transformaciones aunque
de manera mas amplia, hoy nadie discute su importancia como herramientas altamente u
tiles y se
contemplan como una parte fundamental del aparato matematico.
Historicamente los determinantes surgieron a partir de la b
usqueda de soluciones de sistemas de
ecuaciones lineales. Fue Gauss el primero en nombrar la palabra determinante, pero es a Cauchy a
quien se debe la disposicion de los elementos en cuadrado y la notacion de los subndices dobles, as
mismo proporciono el primer tratamiento sistematico y casi moderno de los determinantes.
Un determinante contiene un cuadro de n
umeros y por lo general interesa el valor del cuadro,
dado por la definicion de determinante, cuando el cuadro como tal se le proporciona una entidad
independiente de la de determinante. La palabra matriz fue usada por primera vez por Sylvester
(1850) cuando quera referirse a un cuadro rectangular de n
umeros y no poda usar la palabra determinante, pero Arthur Caley (1855) fue a quien se le ocurrio introducirlas como entidades diferentes
como una forma conveniente de expresar las ecuaciones
(

ax + by = x0
cx + dy = y 0

a b
y as introdujo la matriz
c d
Aunque historicamente el concepto de determinante precede al de matriz, hemos preferido introducir primero la idea de matriz como un tabla rectangular de n
umeros, indicar algunos tipos
especiales de matrices y presentar las operaciones que se pueden realizar con aquellas. En el siguiente captulo definimos el determinante como un n
umero que lleva asociado una matriz cuadrada,
vemos sus propiedades, para tratar por u
ltimo la matriz inversa y el rango de una matriz.

1.2
1.2.1

Algebra matricial
Matrices. Notaciones b
asicas

Una tabla ordenada de m n elementos del cuerpo < (i.e. n

umeros) escritos de la forma

A=

a11
a21
..
.

a12
a22
..
.

am1 am2
1

a1n
a2n
..
..
.
.
amn

la llamaremos matriz rectangular de orden m n.

A las m lneas horizontales de la tabla las llamamos filas de la matriz y a las n lneas verticales
las denominamos columnas de la matriz.
Utilizaremos para las matrices notaciones abreviadas en termino de sus elementos
o A = (aij ) 1 i m , 1 j n
A = (aij )m,n
i,j=1
donde aij representa el elemento situado en la fila i y en la columna j.
Ejemplo:

1
0 2

4
5
3

A=
es una matriz real de orden 4 3 ,es decir, 4 filas y 3 columnas, y por ejemplo
4
1
2

1
3
0
2
1
a31 = 4 y a42 = .
2
Diremos que dos matrices del mismo orden (m n) son iguales, cuando los elementos correspondientes a ambas son iguales. Dicho de otro modo:
m,n
A = (aij )m,n
i,j=1 y B = (bij )i,j=1 son iguales si aij = bij para 1 i m , 1 j n

Al conjunto de matrices de orden m n cuyos elementos son n

umeros reales la denotaremos por
Mmn (IR).
1.2.2

Tipos de matrices

Llamamos matriz cuadrada a una matriz con el mismo n

umero de filas que columnas (m=n).
Dicha matriz se llamara matriz cuadrada de orden n.

A=

(aij )ni,j=1

a11 a12
a21 a22
..
..
.
.
an1 an2

a1n
a2n

..
..
. .

ann

Los elementos a11 , a22 , , ann de A, los llamaremos diagonal principal de la matriz cuadrada.
Ejemplo:

A=

3 1 0

5
2

2
4
0 1

1
la diagonal principal sera 3, , 1.
2
1
Los elementos 0, , 4 le llamamos diagonal secundaria de la matriz A.
2
Llamamos matrices triangulares inferiores (respectivamente superiores) a las matrices cuadradas
cuyos elementos situados por encima (respectivamente por debajo) de la diagonal principal son todos

ceros. Si la matriz es triangular superior e inferior, tenemos una matriz diagonal.

A=

a11 0
0 a22
..
..
.
.
0
0

...

0
0
..
.

= diag(a11 , a22 , , ann )

ann

Si a11 = a22 = = ann = a, la matriz diagonal A la llamaremos matriz escalar:

A=

a
0
..
.

0
a
.. . .
.
.
0 0

0
0
..
.

= diag(a, a, , a)

En el caso en que a = 1, la matriz escalar es la matriz identidad de orden n:

A=

1
0
..
.

0
1
.. . .
.
.
0 0

0
0
..
.

En el caso en que a = 0, la matriz escalar es la matriz cero o matriz nula de orden n:

A=

0
0
..
.

0
0
.. . .
.
.
0 0

0
0
..
.

Las matrices columnas son las de orden m 1, usualmente le llamaremos vectores b =

b11
b21
..
.
bm1

Las matrices filas son las de orden 1 n.

Ejemplos

!
3 0
matriz cuadrada de orden 2
A=
1 2

3 0 0

A = 1 2 0 matriz triangular inferior de orden 3

3 4 1

2
1 3 4
0 1 2 3

A=

matriz triangular superior de orden 4

0
0 1 2
0
0 0
3

1 0 0

A= 0
matriz diagonal de orden 3
0

3
0 0 1
3

1
A=
0

0
A=
0
0

1.3

0
matriz identidad de orden 2
1

0 0
0 0
matriz nula de orden 3
0 0

Traspuesta de una matriz

Dada una matriz A = (aij )m,n

i,j=1 , llamaremos traspuesta de A a la matriz que resulta de intercambiar en A filas por columnas. La representaremos por At .

A=

a11
a21
..
.

a12
a22
..
.

am1 am2

a1n
a2n
..
..
.
.
amn

A =

a11 a21
a12 a22
..
..
.
.
a1n an2

am1
am2
..
..
.
.
amn

Se observa que si A es de orden m n, su traspuesta At es de orden n m. As una matriz fila

es la traspuesta de una matriz columna y viceversa.
Ejemplo:

A=

1 2 3
4 5 6

1 4

t
A = 2 5

3 6

Es evidente que (At )t = A.

Una matriz cuadrada se llama simetrica, si los elementos situados simetricamente respecto a la
diagonal principal son iguales, es decir, aij = aji con 1 i n , 1 j n
Ejemplo:

1
2 2

2 1 4

A=
2

0
5
1
2
0

4 1
1
0
5
2
Evidentemente si una matriz A es simetrica, A = At .
Una matriz cuadrada de elementos reales se llama antisimetrica si aij = aji con 1 i n , 1
j n.
De esta definicion se deduce que los elementos de la diagonal principal de una matriz antisimetrica
son nulos ya que aii = aii con 1 i n.
Ejemplo:

0 1
2

A=
1 0 3
2 3
0
Evidentemente si A es antisimetrica, At = A.

1.4

Operaciones con matrices

1.4.1

Suma de matrices

m,n
Dadas las matrices A = (aij )m,n
i,j=1 y B = (bij )i,j=1 del mismo orden, llamaremos suma a la matriz
m,n
del mismo orden A + B = (aij + bij )i,j=1 .
Ejemplo:

A=

1
2 0
3 1 2

A+B =

B=

1+0
2+1 0+4
3 + 2 1 + 3 2 2

0 1
4
2 3 2

1 3 4
5 2 0

Se puede comprobar facilmente las siguientes propiedades de suma de matrices del mismo orden
1. A + B = B + A (propiedad conmutativa de la suma)
2. A + (B + C) = (A + B) + C (propiedad asociativa de la suma)
3. Si es la matriz nula de orden m n, entonces A + = + A = A (elemento neutro para la
suma)
4. A se tiene que A + (A) = (A) + A = (elemento opuesto para la suma)
5. (A + B)t = At + B t
1.4.2

Producto de un escalar por una matriz

Dada la matriz A = (aij )m,n

i,j=1 y un escalar que es un elemento de IR , definimos el producto del
escalar por la matriz A como:
A = ( aij )m,n
i,j=1
Ejemplo:
=

1
2

1
5

A = 0 1

2
3

1
5

1
1

A = 0 1 =
0

2
2
3

3
1
2
Se pueden comprobar las siguientes propiedades de esta operacion:
1

1. ( + ) A = A + A
2. (A + B) = A + B
3. ( A) = () A
5

4. 1 A = A
5. A =
6. (A)t = At
1.4.3

Multiplicaci
on de matrices

Dados dos vectores a y b del mismo orden, definimos su producto escalar como:

a b = (a1 , a2 , , an )

b1
b2
..
.

= a1 b1 + a2 b2 + + an bn

bn
Ejemplo:

1
0

Sea a = 2 , b = 1

3
2

t
a b = (1, 2, 3) 1 = 1 0 + 2 (1) + 3 2 = 4
2
Utilizaremos esta idea para definir el producto de dos matrices.
n,p
Dada la matriz A = (aik )m,n
i,k=1 y la matriz B = (bkj )k,j=1 . El producto A B es una matriz de
orden m p cuyo elemento cij es el producto escalar del vector fila i de A por el vector columna
j de B,
cij = ati bj = (

n
X

aik bkj )m,p

i,j=1

1 i m ; 1 j p.

k=1

Ejemplo:

2 3 1
1 2 0

B = 0 1 1
Sean A =
.
1 3 1
5 0
1
La matriz A B es de orden 2 3

AB =

c11 c12 c13

c21 c22 c23

(1, 2, 0), at2= (1, 3,1) sonlos vectores formados por las filas de A, y
dondeat1 =

2
3
1

b1 = 0 , b2 = 1 y b3 = 1 los vectores formados por las columnas de B.

5
0
1
Los elementos de la matriz producto seran:

c11

1
3
2

= at1 b1 = (1, 2, 0) 0 = 2 c12 = at1 b2 = (1, 2, 0) 1 = 5 c13 = at1 b3 = (1, 2, 0) 1 = 3

1
0
5
6

c21

2
3
1

t
t
t
= a2 b1 = (1, 3, 1) 0 = 3 c22 = a2 b2 = (1, 3, 1) 1 = 0 c23 = a2 b3 = (1, 3, 1) 1 = 1
5
0
1

luego:

2 5 3
3 0 1

AB =

Es necesario destacar que de la definicion se deduce que para que un producto de matrices A B
sea posible y en ese orden de multiplicacion, el n
umero de columnas de la matriz A ha de ser igual que
el n
umero de filas de la matriz B y la matriz producto tiene tantas filas como A y tantas columnas
como B.
Es evidente por tanto que la multiplicacion de matrices no posee la propiedad conmutativa con
caracter general. As por ejemplo, consideremos el caso particular
de la matriz fila de orden 1 n,

b11

b21

A = (a11 , a12 , , a1n ) y la matriz columna de orden n 1, B = ..

.
.
bn1
Cual sera el orden de las matrices A B y B A?.

A B = (a11 , a12 , , a1n )

b11
b21
..
.

= a11 b11 + a12 b21 + a1n bn1

bn1
Es decir, A B es un escalar, es decir su orden es 1 1.

BA=

b11
b21
..
.
bn1

b11 a11 b11 a12 b11 a1n

b21 a11 b21 a12 b21 a1n

(a11 , a12 , , a1n ) =
...

bn1 a11 bn1 a12 bn1 a1n

Es decir, B A es de orden n n.
Se pueden comprobar las siguientes propiedades para el producto de ordenes apropiados:
1. A I = I A = A donde I es la matriz identidad
2. A (B + C) = A B + A C
3. A (B C) = (A B) C
4. (A B)t = B t At
Conviene destacar que el producto de dos matrices puede ser nulo, no siendo ninguna de ellas la
matriz nula:
Ejemplo:

!
1 0
0 0
A=
, A 6= B =
, B 6=
2 0
2 3

AB =

1 0
2 0

0 0
2 3

=
7

0 0
0 0

= A B =

Dada una matriz cuadrada A definimos An como el producto de A por s mismo n veces, es decir:
An = A A nveces A

Determinantes

2.1

Definici
on de determinante

En este apartado nos proponemos asociar un escalar a toda matriz cuadrada, que llamaremos
determinante de la matriz.
Dada una matriz de orden 2 2

!
a11 a12
A=
a21 a22
se define el determinante de la matriz A como:
det(A) = |A| = a11 a22 a12 a21 .
Es decir, el producto de los elementos de la diagonal principal menos el producto de los elementos
de la diagonal secundaria.
El determinante de una matriz A de orden 3 3 esta definido por:

a
11

det(A) = a21
a31

a12 a13
a22 a23
a32 a33

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

Es decir se aplica la siguiente regla (regla de Sarrus):

Sumamos los productos marcados

a
11

a21

a31

a12 a13
a22 a23
a32 a33

Restamos los productos marcados

a
11

a21

a31

a12 a13
a22 a23
a32 a33

Para matrices de orden superior la definicion es poco operativa1 y no se utiliza en la practica,

para su calculo nos basaremos en las propiedades de los determinantes que veremos a continuacion.
1

Sea A una matriz cuadrada de orden n n. Se define el determinante de A como:

X
det(A) =
(1)(j) a1j1 a2j2 anjn
j

donde (j) es el n
umero de inversiones de la permutacion j = (j1 , j2 , , jn ) y j recorre las n! permutaciones de
(1, 2, , n).

2.2

Propiedades de los determinantes

Las propiedades que vamos a ver nos sugeriran metodos generales para calcular el determinante
de una matriz cuadrada, A, de orden n n.
umero, el determi1. Si en una matriz cuadrada se multiplica una fila (o una columna) por un n
nante de la matriz queda multiplicado por ese n
umero.

a11

a21
.
.
.

an1

a12 a1n
a22 a2n
..
..
...
.
.
an2 ann

a11

a21
= .

an1

a12 a1n
a22 a2n
.. . .
..
.
.
.
an2 ann

2. Si en una matriz cuadrada una fila (o una columna) se descompone en dos, el determinante de
la matriz es suma de los determinantes de las matrices resultantes.

a11

0
00
a21 + a21

..

an1

a12

a1n
0
00
0
a22 + a22 a2n + a002n
..
..
...
.
.
an2

ann

a11

a
= .21

an1

a12 a1n
a022 a02n
.. . .
.. +
.
.
.
an2 ann

a11 a12
a0021 a0022
..
..
.
.
an1 an2

a1n
a002n
. . . ..
.
ann

3. El determinante de una matriz cuadrada es igual a el de su traspuesta, i.e. |A| = |At |.

4. Si la matriz B se obtiene de A por intercambio de dos filas (o columnas), entonces |B| = |A|.
5. Si la matriz cuadrada A tiene dos filas (o columnas) iguales, entonces |A| = 0.
6. Si una fila (o columna) de A es un m
ultiplo de otra fila (o columna) de A, entonces |A| = 0.
7. Sea B la matriz obtenida de A sumando a los elementos de una fila (o columna) los correspondientes de otra fila (o columna) multiplicados por un escalar , entonces |B| = |A|.
Utilizando estas propiedades transformaremos la matriz A en una matriz triangular, B, con el
mismo determinante. Su determinante sera el producto de los elementos de la diagonal de la matriz
B.

2.3

Desarrollo de un determinante por adjuntos

Un determinante se puede desarrollar basandose en su reduccion a determinantes de matrices de

orden menor. Es esta idea la que desarrollaremos en este apartado.
Definici
on: Sea A una matriz cuadrada de orden n n.
Llamamos menor complementario de aij , al determinante de la submatriz de orden n 1 que
resulta de suprimir en A la fila i y la columna j, y lo denotaremos por Mij 1 i, j n.
Llamamos adjunto de aij y lo denotaremos por Aij a Aij = (1)i+j Mij .
Teorema. Sea A una matriz cuadrada de orden n, para i, j con 1 i, j n se verifica:
det(A) = ai1 Ai1 + ai2 Ai2 + + ain Ain
9

o equivalentemente:
det(A) = a1j A1j + a2j A2j + + anj Anj
Es decir, multiplicamos los elementos de una fila (o columna) por los adjuntos correspondientes.
Ejemplo:

Dada la matriz A =
lo desarrollaremos por

3 12

1
0

0
3

0
4

1
5
0
1

3 12 1 0
1 0
5 6
0 3
0 0
0 4 1 2
la tercera fila:

, desarrollemos det(A) por la primera fila y posteriormente

0
6
0
2

1 0 6
1
0

5 6
5 6

0 0 1 0 3 0
0 0 12 0
= 3 3

0 4 2
0 1 2

4 1 2

0
6
0
2

= 3 1

1 0

0 0 3

0 4

5
0
1

= 138

por otro lado:

3 12

1
0

0
3

0
4

1
5
0
1

1 0
5 6 = 138.

1 2

Observemos que el desarrollo se simplifica tanto mas cuantos mas ceros haya en una fila o columna.

2.4

Matrices adjuntas e inversas

Definici
on: Dada una matriz A de orden n n, la matriz adjunta de A, que escribimos adj(A), se
define como la matriz de los adjuntos de los elementos de A, es decir: adj(A) = (Aij )ni,j=1 .
Ejemplo:

2
1 1
0
2
0
Sea A =

1 1
3

A11 = +

A21 =

A31 = +

2 0
=6
1 3

1 1
= 2 ;
1
3

1 1
=2
2
0

A12 =

A22 = +

A32 =

0 0
=0
1 3

2 1
=7 ;
1
3

2 1
=0 ;
0
0

A13 = +

A23 =

A33 = +

6 0 2

3
luego adj(A) = 2 7

2 0
4
Definici
on: Sea A una matriz de orden n n.
La matriz B de orden n n es la matriz inversa de A si AB = BA = I.
10

= 2

1
=3
1

1
=4
2

0
2
1 1
2
1
2
0

Cuando esto ocurra, escribiremos B = A1 y diremos que A es invertible.

Teorema: A es invertible siempre y cuando A sea no singular (det(A) 6= 0). En este caso
A1 =
Ejemplo:

1
adj(A)t
det(A)

2
1 1

2
0
Sea A = 0

1 1
3

det(A) = 14, adj(A)t =

6 2 2
6 2 2
1

1
0
7 0 A =
7 0
0

14
2
3 4
2
3 4

1
7

3
1

7
7

1
0
0

1
3 2

7 14 7
Son facilmente comprobables las siguientes propiedades:

1
luego A =

1. Si existe A1 entonces (A1 )t = (At )1 .

2. Si A, B son invertibles, entonces (AB)1 = B 1 A1 .
3. Si det(A) 6= 0 entonces det(A1 ) =

2.5

1
.
det(A)

Rango de una matriz

Definici
on: Sea A = (aij )m,n
i,j=1 .
Llamamos menor de orden h de esta, al determinante de la matriz cuadrada de orden h que
resulta de suprimir m h filas de A y n h columnas de A.
Definici
on: Dados dos menores M y N de la matriz A de ordenes respectivos h y h + 1.
Diremos que N se ha obtenido de orlar M con la fila p y la columna q si en N figuran las h filas
de M y la fila p de A, y las h columnas de M y la columna q de A.
Ejemplo:

Dada la matriz A =

1
0
4
0

2
1
1
0

3
0
3
1

0
2
1
0

1 2
Un menor de orden 2 es por ejemplo M =
0 1

1 2 3

Un menor N orlado con la fila 3 y la columna 3 es N = 0 1 0

4 1 3

11


1 2 3

Un menor N orlado con la fila 4 y la columna 3 es N = 0 1 0

0 0 1

Teorema. Si un menor de orden h de la matriz A es distinto de 0 y todos los menores de orden

h + 1 que pueden formarse orlando este con la fila p y cada una de las columnas que no figuran en
el menor son nulos, entonces la fila p es combinaci
on lineal de las filas de A que forman el menor.
Definici
on: Diremos que una matriz A tiene de rango h, si tiene alg
un menor de orden h distinto
de 0 y todos los menores de orden superior a h son nulos. Lo indicaremos escribiendo rag(A) = h.
Si rag(A) = h, entonces a un menor de orden h no nulo, se le llama menor principal.
Ejemplo:

2 1 3 4

Sea A = 1 1 2 3
3 2 5 7

2 1

6= 0 y podemos comprobar que todos los menores de orden 3 son iguales a 0, por tanto

1 1
rag(A) = 2.

3 1
2

Sea B =
5 4 3 , det(B)6= 0, luego rag(B) = 3.
2 5 2
Debido a los conocimientos que poseemos hasta este momento, para calcular el rango de una matriz,
tendramos que calcular todos los posibles menores de dicha matriz. Para evitar la gran cantidad de
calculos que esto conlleva enunciamos los siguientes resultados.
Teorema. Sea A = (aij )m,n
i,j=1 tal que rag(A) = h, y sea M un menor principal de la matriz.
Cualquier fila (columna) de A que no este en M es combinaci
on lineal de las filas (columnas) que
figuran en el menor M .
Teorema. El rango de una matriz no cambia, si se le agrega o suprime una fila (columna) que sea
combinaci
on lineal de las demas filas (columnas).
Por lo tanto para calcular el rango de una matriz, se procedera del siguiente modo:
Sea M un menor de orden h, distinto de 0, M se orla con una fila de A que no este en M y cada
una de las restantes columnas de A (que no esten en M ).
Si todos los menores orlados son 0, la fila es combinacion lineal de las que forman el menor
M y se puede suprimir sin que varie el rango. Tomamos en este caso la siguiente fila de
la matriz.
Si alg
un menor orlado es distinto de 0, el rango sera al menos h + 1 y tenemos un menor de
orden h + 1 con el que se repite el procedimiento desde el principio.
Ejemplo:

A=

1 0

0 1

6= 0,

1
0
2
3

0
1
1
2

1 0 1

0 1 1

2 1 3

1
1
3
5

1 3
0 2
1 7
2 12

= 0,

12

1 0 1

0 1 0

2 1 1

6= 0

Encontramos un menor de orden 3 distinto de cero, seguimos orlando dicho menor con la fila cuarta.

1
0
2
3

0
1
1
2

1
0
1
2

1
1
3
5

= 0,

1
0
2
3

0
1
1
2

1 3
0 2
1 7
2 12

=0

Por tanto aplicando los teoremas anteriores, la fila cuarta

sera combinaci
on lineal de las del menor y

1 0 1

la podramos suprimir sin que el rango variara, luego 0 1 0 es un menor principal de la matriz,

2 1 1
y el rango sera 3.
Si la matriz es cuadrada, podemos empezar calculando el determinante de A.

Sea A = 1
4

Sea A = 1
4
Hay casos

1
0
0
1
0
1
mas

2
3
, det(A)=10, luego rag(A) = 3.
2

2
3
, det(A)=0, con lo que rag(A) < 3 pero
5
evidentes:

1
2 1
1
2 1

A=

1 2
1
2
4 2

3 1

=
6 0, luego rag(A) = 2.

1 0

las columnas son proporcionales, luego rag(A) = 1.

3
3.1

Sistemas de Ecuaciones Lineales

Regla de Cramer

Dado el sistema de m ecuaciones lineales con n incognitas:

a11 x1 + a12 x2 + + a1n xn
a21 x1 + a22 x2 + + a2n xn
..
.
am1 x1 + am2 x2 + + amn xn

A la matriz A =

A la matriz A =

a11
a21
..
.

a12
a22
..
.

a1n
a2n
..
..
.
.
amn
a1n
a2n
..
..
.
.

= b1

= b2
.. ..
. .

= bm

se le llama matriz de coeficientes.

am1 am2
a11 a12
b1
a21 a22
b2
..
..
..
.
.
.
am1 am2 amn bm

se le llama matriz ampliada.

13

Si designamos X =

x1
x2
..
.

yb=

xn

a11
a21
..
.

a12
a22
..
.

am1 am2

b1
b2
..
.

, entonces el sistema se puede escribir como:

bm
a1n
a2n
..
..
.
.
amn

x1
x2
..
.

xn

b1
b2
..
.

o abreviadamente A X = b

bm

que es lo que llamamos expresion matricial del sistema de ecuaciones.

Observaci
on: En el caso en que A sea una matriz cuadrada e invertible, entonces X = A1 b es una
solucion del sistema A X = b.
Definici
on. Se dice que un sistema de ecuaciones es un sistema de Cramer, si el n
umero de ecuaciones es igual al n
umero de incognitas y el determinante de la matriz de coeficientes es distinto de
cero.
Teorema. Si el sistema:

a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2

..
.. ..
.
. .
an1 x1 + an2 x2 + + ann xn = bn

es de Cramer, es decir |A| =

6 0, entonces el sistema tiene una u
nica solucion que viene dada por:

x1 =

b1 a12 a1n
b2 a22 a2n
..
.. . .
.
. ..
.
.

bn an2 ann
, x2 =
|A|

Ejemplo:
3x 2y + z
2x + y z
x 3y + z

3 2

1
|A| = 2

1 3

x=

a11

a21
.
.
.

an1

b1 a1n
b2 a2n
.. . .
.
. ..
.

bn ann
, , xn =
|A|

a11

a21
.
.
.

an1

a12 b1
a22 b2
.. . .
.
. ..
.

an2 bn
|A|

= 1

=
2

=
0

1
1 = 7 6= 0 por lo que se trata de un sistema de Cramer y por tanto:

2
1
1 1

3
1
= 0, y =
|A|

3 1
1

2 1
2

1
0
1

|A|

14

= 1, z =

3 2 1

1
2
2

1 3
0

|A|

= 3

3.2

Teorema de Rouch
e-Frobenius

Dado el sistema de m ecuaciones lineales con n incognitas:

a11 x1 + a12 x2 + + a1n xn

a21 x1 + a22 x2 + + a2n xn
..
.

= b1

= b2
.. ..
. .

= bm

am1 x1 + am2 x2 + + amn xn

El sistema se dice compatible si tiene solucion e incompatible (S.I) si no la tiene.

Si tiene solucion u
nica se denomina compatible determinado (S.C.D) y si tiene mas de una solucion,
compatible indeterminado (S.C.I).

Teorema. Dado el sistema A X = b, entonces el sistema es compatible rag(A) = rag(A)

En concreto:
= n (n
Si rag(A) = rag(A)
umero de incognitas) entonces el sistema es compatible determinado.
= r < n entonces el sistema es compatible indeterminado y su solucion
Si rag(A) = rag(A)
depender
a de n r parametros.
entonces el sistema es incompatible.
Si rag(A) 6= rag(A)
Ejemplos:

2x y =
1
2 1

3
1. x + 3y = 2
A= 1

5x 4y =
7
5 4

ya que rag(A) 6= rag(A).

2 1
1

3 2
A= 1

5 4
7

x + 3y = 3
1 3
1 3 3

2. 3x + 5y = 7 A = 3 5 A = 3 5 7
2x + 4y = 5
2 4
2 4 5

ya que rag(A) = rag(A) = n

umero de incognitas.

rag(A) = 2
=3
rag(A)

rag(A) = 2
=2
rag(A)

S.I.

S.C.D.

)
3x 2y + z = 2
3 2
1
3 2
1 2

rag(A)
=
2

1 1 A = 2
1 1 2
3. 2x + y z = 2 A = 2
= 2 S.C.I.

rag(A)

x 3y + 2z = 0
1 3
2
1 3
2 0
6= n
ya que rag(A) = rag(A)
umero de incognitas y su solucion depender
a de n r = 3 2 = 1
par
ametro.

3.3

Sistemas Homog
eneos

Un sistema de ecuaciones se dice homogeneo, si el termino independiente es cero. Por tanto en el

sistema:

a11 x1 + a12 x2 + + a1n xn = 0

a21 x1 + a22 x2 + + a2n xn = 0

..
.. ..
.
. .

am1 x1 + am2 x2 + + amn xn = 0

es siempre compatible, ahora bien:
como rag(A) = rag(A)
15

 Si rag(A) = n (n
umero de incognitas) entonces el sistema es compatible determinado y la u
nica
soluci
on es x1 = 0, x2 = 0, , xn = 0 (soluci
on trivial).
Si rag(A) < n (n
umero de incognitas) entonces el sistema es compatible indeterminado y
existen soluciones distinta de la trivial que depender
an de n r par
ametros..

3.4

Resoluci
on de sistemas

Para resolver un sistema, tanto S.C.D. como S.C.I., se puede utilizar un metodo general:
1. Se determina el menor principal de la matriz de coeficientes.
2. Se suprimen todas las ecuaciones (filas) que quedan fuera del menor principal.
(a) Si el sistema era un S.C.D. tenemos tantas incognitas como ecuaciones, es decir, hemos
obtenido un sistema de Cramer que sabemos resolver.
(b) Si el sistema era un S.C.I. tenemos mas incognitas que ecuaciones, las n r incognitas
que quedan fuera del menor principal las transformamos en par
ametros y nos queda un
sistema de Cramer (dependiente de n r par
ametros) que sabemos resolver.
Ejemplos:

x + 3y = 3

= 2=n
1. El sistema 3x + 5y = 7 vimos que era un S.C.D. con rag(A) = rag(A)
umero de

2x + 4y = 5
inc
ognitas.

1 3

Un menor principal es
3 5

Suprimiendo la u
ltima fila (ya que queda
fuera del menor principal) queda el sistema de Cramer
3

x =
x + 3y = 3
2
cuya solucion es:
1
3x + 5y = 7

y =
2

3x 2y + z = 2

= 2 6= n
2. El sistema 2x + y z = 2 vimos que era un S.C.I. con rag(A) = rag(A)
umero

x 3y + 2z = 0
de incognitas y que su solucion dependa de n r = 3 2 = 1 par
ametro.

Un menor principal es
2

2
.
1
Suprimimos la u
ltima fila (ya que queda fuera del menor principal) y la incognita z la transformamos en un par
ametro que pasamos al segundo miembro de la igualdad (tomamos z pues queda
fuera del menor principal) obteniendo el sistema
de Cramer

6+

x =

7
3x 2y = 2
2 + 5
cuya solucion es:
y =

2x + y = 2 +

z =

16

Problemas Propuestos
1. Calcular lasmatrices A y B !que verifican:
!
1 8 9
2 3 0
3A 2B =
, 5A + 7B =
6 8
7
4
1 3
2. Calcular los siguientes determinantes:

2 7 3

(a) 3 9 4

1 5 3

3 1 2

0 3 , (c)
, (b) 1

0 2

1
1
1
1
1 1
1
1
1
1 1
1
1
1
1 1

a a a a

a b b b

, (d)
.

a b c c

a b c d

3. Calcular la inversa de las siguientes matrices:

!
1 1 1

1
0

1 2 , (b)
(a) 2
, (c)

2 1
0
0 1

4. Discutir

1
0

(a)
1
1

seg
un los
k
2
1 1k
0
1
0
0

1 1
0 1
0
2 1 1
1 2
1 1
1
0
1 3

diferentes
valores de k el rango de las matrices

0 1
1

1 1

, (b)
.

2 k 2k 1
0 0
0

2a b 1

un los diferentes valores de a y b el rango de la matriz: 2 ab 1

5. Discutir seg

2 b a
6. Resolver por la regla de Cramer:

x 3y + 4z
= 13
4x 3y + 3z = 0

= 3 , (b) 6x + y 9z = 9 .
(a) 3x y + 2z

3x + 5y z =
9
2x 5y 6z = 5
7. Estudiar y resolver las siguientes sistemas seg
un los diferentes valores de los par
ametros:
2y z
3x 2z
(a)
y+z
2x + y z

= a

(m + 1)x + y + z = 3

= 11
ax
= y
= 4 , (c)
, (b) x + 2y + mz

= 6
2x 2y = 0

x + my + 2z
= 2

= 9

= 0

= 0

3x + y + kz
x + y 2t
6x + 18y 2mz
xyz
= 0 , (e) 7x 2y 4z
= 0 , (f )
(d) x y z

mx + y + z
2x + ay z 2t = 0
4x + 10y 6z
= 0
x + my z

17

=
=
=
=

0
0
0
0