Álgebra Lineal

Matrices y determinantes

M. en C. José Adrián López Méndez

25 de enero de 2019
Definición 1. Una matriz A de m × n es un arreglo rectangular de mn números dispuestos en m
renglones y n columnas
 
a11 a12 . . . a1j . . . a1n
 a21 a22 . . . a2j . . . a2n 
 . .. .. .. 
 .
 . . . . 

A=
 ai1 ai2 . . . aij . . . ain 

 . .. .. ... .. 
 .. . . . 
am1 am2 . . . amj . . . amn
El sı́mbolo m × n se lee “m por n”y también se le conoce como el orden o tamaño de la matriz.
! a1j
a2j
El vector renglón Ri = (ai1 , ai2 , . . . , ain ) se llama renglón i y el vector columna Cj = .. se
.
amj
llama columna j.
La componente o elemento ij de A denotado por aij , es el número que aparece en el renglón i y la
columna j de A.
En ocasiones se escribirá la matriz A como A = (aij ).
Cuando m = n, A se llama matriz cuadrada.
Una matriz m × n con todos los elementos iguales a cero se denomina matriz cero de m × n.
Definición 2. Dos matrices A = (aij ) y B = (bij ) son iguales si son del mismo tamaño y las componentes
correspondientes son iguales.
Definición 3. Sean A = (aij ) y B = (bij ) dos matrices m × n. Entonces la suma de A y B es la matriz
m × n, A + B dada por
 
a11 + b11 a12 + b12 . . . a1n + b1n
 a21 + b21 a22 + b22 . . . a2n + b2n 
A+B =
 
.. .. . . .. 
 . . . . 
am1 + bm1 am2 + bm2 . . . amn + bmn
Definición 4 (Multiplicación por un escalar). Si A = (aij ) es una matriz de m × n y si α es un
escalar (número real o complejo), entonces la matriz m × n, αA está dada por
 
αa11 αa12 . . . αa1n
 αa21 αa22 . . . αa2n 
αA = (αaij ) =  ..
 
.. . .. .
.. 
 . . 
αam1 αam2 . . . αamn
 
a1 ! b1
a2 b2
Definición 5 (Producto escalar). Sean ~a = .. y ~b =  ..  dos vectores (matrices de n × 1).
. .
an bn
Entonces el producto escalar de ~a y ~b denotado por ~a · ~b, está dado por ~a · ~b = a1 b1 + a2 b2 + . . . + an bn .
Debido a la notación, el producto escalar se llama con frecuencia producto punto o producto interno
de los vectores. Observe que el producto escalar es un escalar o número.
A menudo se tomará el producto escalar de un vector renglón y un vector columna:
 
b1

 b2 
a1 , a2 , . . . , an · = a1 b 1 + a2 b 2 + . . . + an b n
 
 .. 
| {z }  .  | {z }
vector renglón 1×n numero real (escalar)
bn
| {z }
vector columna n×1

1
Definición 6. Sean A = (aij ) una matriz m × n, y sea B = (bij ) una matriz n × p. Entonces el producto
de A y B es una matriz m × p, C = (cij ), en donde

cij = (renglón i de A) · (columna j de B)

= ai1 b1j + ai2 b2j + . . . + ain bnj

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

matriz es igual al número de renglones de la segunda.
Teorema 1. Sean A = (aij ) una matriz de n × m, B = (bij ) una matriz de m × p y C = (cij ) una matriz
de p × q. Entonces las leyes asociativa y distributiva para la multiplicación de matrices se cumplen, esto
es:

A(BC) = (AB)C; A(B + C) = AB + AC y (A + B)C = AC + BC

Definición 7. Se le llaman operaciones elementales con renglones a:

i) Multiplicar un renglón por un número diferente de cero.

ii) Sumar un múltiplo de un renglón a otro renglón

iii) Intercambiar dos renglones

Al proceso de aplicar las operaciones elementales con renglones para simplificar una matriz se llama
reducción por renglones.
Definición 8. Una matriz está en la forma escalonada por renglones si se cumplen las siguientes con-
diciones.
i) Todos los renglones (si los hay) cuyos elementos son todos ceros aparecen en la parte inferior de
la matriz.

ii) El primer número diferente de cero (comenzando por la izquierda) en cualquier renglón cuyos
elementos no todos son cero es 1.

iii) Si dos renglones sucesivos tienen elementos distintos de cero, entonces el primer 1 en el renglón
de abajo está más hacia la derecha que el primer 1 en el renglón de arriba.
Definición 9. Una matriz está en la forma escalonada reducida por renglones, si está en la forma es-
calonada por renglones y además, cualquier columna que contiene el primer 1 en un renglón tiene ceros
en el resto de sus elementos. El primer número diferente de cero en un renglón (si lo hay) se llama
pivote para ese renglón.
Definición 10. La matriz identidad In de n × n es una matriz de n × n cuyos elementos de la diagonal
principal son iguales a 1 y todos los demás son 0. Esto es

1 si i = j
In = (bij ), donde bij =
0 si i 6= j
Definición 11. Sean A y B dos matrices de n × n. Suponga que AB = BA = I. Entonces B se llama
la inversa de A y se denota por A−1 . Entonces se tiene AA−1 = A−1 A = I. Si A tiene inversa, entonces
se dice que A es invertible. Una matriz cuadrada que no es invertible se denomina singular y una matriz
invertible se llama no singular.
−1
Observación Si A es invertible (A−1 ) = A y note que la definición anterior no establece que toda
matriz cuadrada tiene inversa.

2
 Teorema 2. Si una matriz A es invertible, entonces su inversa es única.

Teorema 3. Si A y B son dos matrices invertibles de n×n. Entonces AB es invertible y (AB)−1 = B −1 A−1

Para calcular la inversa de una matriz cuadrada A

Paso 1. Se escribe la matriz aumentada (A|I).

Paso 2. Se utiliza la reducción por renglones para poner la matriz A a su forma escalonada reducida por
renglones.

Paso 3. Se decide si A es invertible.

a) Si la forma escalonada reducida por renglones de A es la matriz identidad I, entonces A−1

es la matriz que se tiene a la derecha de la barra vertical.
b) Si la reducción de A conduce a un renglón de ceros a la izquierda de la barra vertical, entonces
A no es invertible.

Definición 12. Sea A = (aij ) una matriz de m × n. Entonces la transpuesta de A, que se escribe
At , es la matriz de n × m que se obtiene al intercambiar los renglones por las columnas de A, esto es
At = (aji ).

Teorema 4. Suponga que A = (aij ) es una matriz de n × m y B = (bij ) es una matriz de m × p.

Entonces:
t
i) (At ) = A

ii) (AB)t = B t At

iii) Si A y C son de m × n, entonces (A + C)t = At + C t

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

Definición 13. La matriz A de n × m se denomina simétrica si At = A. Es decir, las columnas de A

son también los renglones de A.

Definición 14. Una matriz cuadrada se denomina triangular superior (inferior), si todas sus compo-
nentes abajo (arriba) de la diagonal principal son cero. Y diagonal si la matriz es simultáneamente
triangular superior e inferior.

Determinantes
Definición 15. Sea A = ( aa21 11 a12
a22 ) una matriz de 2 × 2. Se define el determinante de A por
det (A) = a11 a22 − a12 a21 , con frecuencia se denotará det (A) por |A| ó | aa11 a12
21 a22 |.

El determinante de una matriz de n × n se definirá de manera inductiva. En otras palabras, se usará

lo que se sabe sobre un determinante de 2 × 2 para definir un determinante de 3 × 3, que a su vez se
usará para definir un determinante de 4 × 4, y ası́ sucesivamente.
 a11 a12 a13 
Definición 16. Sea A = aa31 21 a22 a23
a32 a33
. Entonces
     
a22 a23  a21 a23  a21 a22 
det(A) = |A| = a11 
  − a12 
  + a13 
 
a32 a33  a31 a33  a31 a32 

3
Definición 17. Sea A una matriz de n × n y sea Mij la matriz de (n − 1) × (n − 1) que se obtiene de
A eliminando el renglón i y la columna j. Mij se llama el menor ij de A.
El cofactor ij de A, denotada por Aij , está dado por A = (−1)i+j |Mij | .
Luego el det(A) se puede ahora escribir como det(A) = |A| = a11 A12 + a12 A12 + . . . + a1n A1n y se
denomina expansión por cofactores en el primer renglón de A.

Teorema 5. Sea A = (aij ) una matriz de n × n triangular superior o inferior. Entonces:

det(A) = a11 a22 a33 . . . ann . Esto es, el determinante de una matriz triangular es igual al producto
de sus componentes en la diagonal principal.

Propiedades de las determinantes

Teorema 6. Sean A y B dos matrices de n × n. Entonces

det(AB) = det(A)det(B)
Es decir, el determinante del producto es el producto de los determinantes.

Observación El producto de la izquierda es un producto de matrices mientras que el producto de

la derecha es de escalares.

Teorema 7. Sea A = (aij ) una matriz de n × n. Entonces

det(A) = ai1 Ai1 + ai2 Ai2 + . . . + ain Ain

para i = 1, 2, . . . , n. Es decir, se puede calcular det(A) expandiendo por cofactores en cualquier renglón
de A. Más aún, también se puede calcular expandiendo por cofactores en cualquier columna de A.

Propiedades: Considere A de n × n
1.- Si cualquier renglón o columna de A es un vector cero, entonces det(A) = 0.

2.- Si el renglón i o columna j de A se multiplica por un escalar c, entonces det(A) se multiplica por
c. Por lo Tanto det(cA) = cn det(A) .

3.- Suponga que A, B y C son idénticas excepto por la columna j y que la columna j de C es la
suma de las j-ésimas columnas de A y B. Entonces

det(C) = det(A) + det(B)

La misma afirmación es cierta para renglones.

4.- El intercambio de cualesquiera dos renglones (o columnas) distintos de A tiene el efecto de mul-
tiplicar por −1.

5.- Si A tiene dos renglones o columnas iguales, entonces det(A) = 0.

6.- Si un renglón (columna) de A es un múltiplo escalar de otro renglón (columna), entonces det(A) = 0.

7.- Si se suma un múltiplo escalar de un renglón (columna) de A a otro renglón (columna) de A,

entonces el determinante no cambia.

4
Teorema 8. Si A es invertible, entonces det(A) 6= 0 y

1
det(A−1 ) =
det(A)

Definición 18. Sea A una matriz de n × n y sea B = (Aij ) la matriz de cofactores. Entonces la adjunta
de A, escrito adj(A), es la transpuesta de la matriz B de n × n, es decir

adj(A) = B t = (Aji )

Teorema 9. Sea A una matriz de n × n. Entonces A es invertible si y sólo si det(A) 6= 0. Si det(A) 6= 0,

entonces

1
A−1 = adj(A)
det(A)