Professional Documents
Culture Documents
ECUACIONES LINEALES
Por: SUÁREZ AZPUR, Fredy Rafael
12 de abril de 2018
1. Matriz.
Dado el conjunto de los números naturales N = {1, 2, 3, · · · }, denotaremos por In al conjunto de los n
primeros números naturales, es decir In = {1, 2, 3, · · · , n}, ası́ el producto cartesiano de Im con In será el
conjunto
Im × In = {(1, 1); (1, 2); · · · ; (1, n); (2, 1); (2, 2); · · · ; (2, n); · · · ; (m, 1); (m, 2); · · · ; (m, n)}
Definición 1.
Una matriz A de orden m × n es una función de In × Im en el conjunto K, donde K es el campo de
los números reales o complejos.
Dado que la función A : Im ×In −→ K es una matriz, la imagen de cada elemento de Im ×In via A lo denotamos
por A(i, j) = aij , entonces la imagen del conjunto Im × In será
A(Im × In ) = {a11 , a12 , · · · , a1n , a21 , a22 , · · · , a2n , · · · , am1 , am2 , · · · , amn },
En adelante a la representación rectangular A = [aij ] llamaremos matriz de orden m × n y los aij serán las
entradas de la matriz A, vemos que la matriz A consta de m filas y n columnas, ası́ la entrada aij eatá en la
i−ésima fila y j−ésima columna.
Si m = n la matriz A = [aij ] se denominará matriz cuadrada de orden n. Si A = [aij ] es una matriz cuadrada
de orden n, entonces
a11 a12 · · · a1n
a21 a22 · · · a2n
A = [aij ] = . .. ,
.. ..
.. . . .
an1 an2 ··· ann
las entradas a11 , a22 , · · · , ann forman la diagonal principal de la matriz A y a la suma a11 + a22 + · · · + ann
llamaremos traza de la matriz A y lo denotamos por traza (A), es decir,
n
X
traza (A) = aii = a11 + a22 + · · · + ann .
i=1
1
Matrices, determinantes y sistemas de ecuaciones lineales
Ejemplo 1.
Presentamos cuatro matrices y sus respectivas
transpuestas.
9 −3 −1
9 5 1 −1 5 6 9
Si A = −3 6 9 1 , entonces AT = 1
.
9 1
−1 9 1 7
−1 1 7
9 5 1 −1 9 −3 4 5
−3 6 9 1
, entonces B T = 5 6 1 2
Si B =
4 1 9
.
π 1 9 9 3
5 2 3 7 −1 1 π 7
T
−3 −3
T 6 x
Para matrices fila y columna: −3 6 9 1 =
9
y 9 = −3
x 9 z .
1 z
Ejemplo 2.
9 5 1 2 4 0 1 0 9+4 5+0 1+1 2+0 13 5 2 2
3 6 9 1 + 1 8 8 9 = 3+1 6+8 9+8 1 + 9 = 4 14 17 10
1 9 1 7 3 6 9 1 1+3 9+6 1+9 7+1 4 15 10 8
Ejemplo 3.
9 5 1 2
. Si A = 3 6 9 1 y r = 5, entonces
1 9 1 7
9 5 1 2 5(9) 5(5) 5(1) 5(2) 45 25 5 10
rA = 5 3 6 9 1 = 5(3) 5(6) 5(9) 5(1) = 15 30 45 5
1 9 1 7 5(1) 5(9) 5(1) 5(7) 5 45 5 35
Dada la matriz A = [aij ] ∈ Km×p y la matriz B = [bij ] ∈ Kp×n , las m filas de A, que lo denotaremos por
F1 , · · · , Fm y las n columnas de B, que lo denotaremos por C1 , · · · , Cn , son vectores de Rp . La entrada cij de
AB es el producto interno hFi , Cj i, es decir
p
X
cij = hFi , Cj i = ai1 b1j + ai2 b2j + · · · + aip bpj = aik bkj
k=1
En resumen:
c11 ··· c1j ··· c1n
···
a11 a12 a1p
··· ···
c21 ··· c1j ··· c2n
.. .. .. b11 b1j b1n
.. .. .. ..
.. ..
. . . . ··· ···
b21 b1j b2n . .
. . .
ai1
AB = ai2 ··· aip . .. .. .. .. = ··· ···
.. ci1 cij cin
. .
. .
. .. .. ..
..
. . . bp1 . .. .. .. ..
··· bpj ··· bpn ..
. . . .
am1 am2 ··· amp
cm1 ··· cmj ··· cmn
Observación: Para que el producto, AB, de las matrices A y B esté definida el número de columnas de A debe
ser igual al número de filas de B.
Ejemplo 4.
2 3 1 −2 3
. Si A = y B= , entonces
1 2 2×2 4 1 2 2×3
2 3 1 −2 3 2(1) + 3(4) 2(−2) + 3(1) 2(3) + 3(2) 14 −1 12
AB = = =
1 2 4 1 2 1(1) + 2(4) 1(−2) + 2(1) 1(3) + 2(2) 9 0 7
3. Multiplicación
a) Asociativa: A(BC) = (AB)C, donde A de orden m × q, B es de orden q × p, C es de orden p × n,
b) Distributiva a la izquierda: A(B + C) = AB + AC, donde A de orden m × p, B y C son de orden p × n,
c) Distributiva a la derecha: (A + B)C = AC + BC, donde A y B son de orden m × p, C es de orden p × n.
d) AO = OA = O, donde A y O son matrices de orden n × n, O matriz nula.
e) Si A es una matriz de orden n × n y k ∈ N, definimos Ak = A
| · A{z· · · A}
k−veces
Ejemplo 5.
2 3 −2
9
Sean A = , y B= , entonces
1 1 −53
5 3 5 3
AB = y BA = .
1 4 1 4
Tal coincidencia indica que A y B conmutan.
Ejemplo 6.
2 1 0 1 0 2
Sean A = 1 0 1 , y B = 2 2 0 , entonces
1 0 2 3 1 1
4 2 4 4 1 4
AB = 4 1 3 y BA = 6 2 2 .
7 2 4 8 3 3
Lo cual indica que A y B no conmutan.
2. Matriz Identidad: Una matriz A = [aij ] de orden n × n es una matriz identidad si es una matriz diagonal
y todas sus entradas que están en la diagonal principal son iguales a 1. Las siguientes son matrices identidad.
1 0 0 0 0
1 0 0 0
1 0 0 0 1 0 0 0
1 0 0 1 0 0
, 0 1 0 , , 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 0 1 0
0 0 0 1
0 0 0 0 1
3. Matriz Escalar: Una matriz A = [aij ] de orden n × n es una matriz escalar si es igual al producto de un
numero por una matriz identidad de orden n × n. Las siguientes son matrices escalares.
π 0 0 0 0
−3 0 0 0
7 0 0 0 −3 0
0 π 0 0 0
2 0 0
, 0 7 0 , , 0 0 π 0 0
0 2 0 0 −3 0
0 0 7 0 0 0 π 0
0 0 0 −3
0 0 0 0 π
4. Matriz Nula: Una matriz A = [aij ] de orden n × n es una matriz nula si todas sus entradas son iguales a
0. Las siguientes son matrices nulas.
0 0 0 0 0
0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0
, 0 0 0 , 0 0 0 0 , 0 0
0 0 0
0 0
0 0 0 0 0 0 0 0
0 0 0 0
0 0 0 0 0
5. Matriz Triangular Inferior: Una matriz A = [aij ] de orden n × n es una matriz triangular inferior si para
cada i < j, aij = 0, es decir cuando todas sus entradas que están encima de la diagonal principal son iguales
a 0. En una matriz triangular inferior algunas de sus entradas que no están encima de la diagonal principal
pueden ser iguales a 0. Las siguientes son matrices triangular inferior.
π 0 0 0 0
6 0 0 0
4 0 0 2 7 0 0 0
5 0 0 4 0 0
, 2 9 0 ,
4 0 1 0 0
,
3 2 0 2 1 0
1 0 −2 1 8 8 9 0
1 0 0 9
0 2 5 6 3
6. Matriz Triangular Superior: Una matriz A = [aij ] de orden n × n es una matriz triangular superior si
para cada i > j, aij = 0, es decir cuando todas sus entradas que están debajo de la diagonal principal son
iguales a 0. En una matriz triangular superior algunas de sus entradas que no están debajo de la diagonal
principal pueden ser iguales a 0. Las siguientes son matrices triangular superior.
π 8 1 1 4
6 3 1 4
4 7 1 0 7 0 2 0
5 9 0 4 9 5
, 0 9 0 , , 0 0 1 0 2
0 2 0 0 1 7
0 0 −2 0 0 0 9 3
0 0 0 9
0 0 0 0 3
7. Matriz Fila: La matriz A = [aij ] es una matriz fila si A es de orden 1 × n. Las siguientes son matrices fila.
[8] , 5 9 , 4 7 1 , 6 3 1 4 , 0 8 1 1 4
8. Matriz Columna: La matriz A = [aij ] es una matriz columna si A es de orden n × 1. Las siguientes son
matrices columna.
1
3
7 4
9 4
[8] , , 9 , , 1
2 1
−2 0
0
6
9. Matriz Transpuesta: Dada una matriz A = [aij ] de orden m × n, su matriz transpuesta, denotada por
AT , es la matriz AT = [aji ] de orden n × m, para obtener la matriz transpuesta de A se debe convertir la
j−ésima columna de A en la j−ésima fila de A, para cada 1 ≤ j ≤ n.
a) (AT )T = A
b) (A + B)T = AT + B T , donde A y B son ambas de orden m × n.
c) (rA)T = rAT
d ) (AB)T = B T AT , donde A es de orden m × p y B es de orden p × n.
10. Matriz Simétrica: La matriz A = [aij ] de orden n × n es una matriz simétrica si AT = A. Las siguientes
son matrices simétricas.
π 8 1 1 4
6 3 1 4
4 7 1 8 7 0 2 0
5 9 3 4 9 5
, 7 9 0 , 1 9 1 7 , 1 0
1 0 2
9 2
1 0 −2 1 2 0 9 5
4 5 7 9
4 0 2 5 3
11. Matriz Antisimétrica: La matriz A = [aij ] de orden n × n es una matriz antisimétrica si AT = −A. Las
siguientes son matrices antisimétricas.
0 −8 −1 −1 −4
0 3 1 −4
0 7 1 8 0 0 −2 −1
0 −9 −3 0 −9 5
, −7 0 0 ,
, 1 0 0 0 −2
9 0 −1 9 0 7
−1 0 0 1 2 0 0 −5
4 −5 −7 0
4 1 2 5 0
De la definición, todas las entradas de la diagonal principal de una matriz antisimétrica son iguales a 0.
12. Matriz Idempotente: La matriz A = [aij ] de orden n × n es una matriz idempotente si A2 = A.
13. Matriz Nilpotente: La matriz A = [aij ] de orden n × n es una matriz nilpotente de orden k si Ak = O y
An 6= O para todo n < k, donde O es la matriz nula de orden n × n.
14. Matriz Involutiva: La matriz A = [aij ] de orden n × n es una matriz involutiva si A2 = I.
15. Matriz Periódica: La matriz A = [aij ] de orden n × n es una matriz periódica si existe un entero positivo
p tal que Ap+1 = A y p es el periodo de A.
Suponiendo que las m filas de A son F1 , F2 , · · · , Fm , entonces al aplicar las operaciones elementales de filas
obtenemos:
F1 F1 F1 F1
.. ..
F1
F1
.. ..
. . . .
Fr
Fs
.. ..
Fr
F
. .
r
a) ... frs −→ ... b)
Fr c fr −→ c Fr
.. .
..
c) .
. .
Fs Fr .. .. Fs Fs + d Fr
fs + d fr −→
. . . ..
.. .. Fm Fm .
. .
Fm Fm Fm Fm
1. Todas las filas nulas, si los hay, están en la parte inferior de la matriz.
2. Al leer de izquierda a derecha en cada fila, debajo de la primera entrada no nula que se encuentre,
deben aparecer solo ceros.
3. Al leer de izquierda a derecha las filas consecutivas i e i + 1, la primera entrada no nula de la fila
i + 1 debe estar a la derecha de la primera entrada no nula de la fila i.
Ejemplo 7.
Las siguientes matrices están en la forma escalonada
7 3 3 1 0 1
3 3 6 1 2 3 6 1 0 0 0 0 1 6 7 0 1
0 5 7 0 0 5 7 0 2 4 8 7 0 1 4
0
0 0 3 1 5
0 0 1 2 0 0 1 2 4 3 0 0 5 2 3 3
0 0 0 0 0 3
0 0 0 4 0 0
0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 2 1
2. Al leer de izquierda a derecha en cada fila, el primer elemento no nulo de cada fila no nula que es
1, debe ser el único elemento no nulo de la columna en que está ubicada.
Ejemplo 8.
Las siguientes matrices están en la forma reducida
0 1 0 0 0 4
0 1 0 0 0 1 0 0 2 4 0 0 0 1 9 0
1 0 0 1 1 0 0 1 0 0 0 0 0 1 0 0
0 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 3
0 0 0 0 0 0
1 0 0 0 0 1
0 0 1 2 0 0 1 2 4 3 0 1 6 0 0 0
0 0 0 0 1 4
Teorema 1.
Toda matriz A no nula de orden m × n es equivalente por filas a una única matriz B de orden m × n
que es escalonada y reducida por filas.
Ejemplo 9.
Las siguientes matrices están en la forma escalonada y reducida por filas.
1 0 0 0 0 1
1 0 0 1 1 0 0 1 0 0 0 1 6 0 0 0
0 1 0 0 0 1 0 0 2 4 0 1 0 0 0 4
0 0 0 1 9 0
0 0 1 2 0 0 1 2 4 3 0 0 1 0 0 3
0
0 0 0 0 0 1
0 0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 4
Teorema 2.
Dado una matriz no nula A de orden m × n. Si B es una matriz de orden m × n que está en la forma
reducida por filas y es equivalente por filas a la matriz A, entonces ran (A) es igual al número de fila
no nulas de la matriz B.
Ejemplo 10.
Supongamos que:
7 3 3 1 0 1
3 3 6 1 2 3 6 1 0 0
0
0 8 7 0 1 4
5 7 0 0 5 7 0 2 4
A∼
0
B∼ C∼ 0 0 5 2 3 3 ,
0 1 2 0 0 1 2 4 3
0 0 0 4 0 0
0 0 0 3 0 0 0 0 0 0
0 0 0 0 2 1
Ejemplo 11.
Supongamos que:
0 1 0 0 0 4
0 1 0 0 0 1 0 0 2 4
1
0 0 0 1 0 0
0 0 1 1 0 0 1 0 0
A∼
0
B∼ C∼ 0 0 1 0 0 3 ,
0 0 0 0 0 0 0 0 0
1 0 0 0 0 1
0 0 1 2 0 0 1 2 4 3
0 0 0 0 1 4
Ejemplo 12.
Supongamos que:
1 0 0 0 0 1
1 0 0 1 1 0 0 1 0 0
0
0 1 0 0 0 4
1 0 0 0 1 0 0 2 4
A∼
0
B∼ C∼ 0 0 1 0 0 3 ,
0 1 2 0 0 1 2 4 3
0 0 0 1 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 4
La matriz B se denominará la inversa de la matriz A, Si la matriz B no existe, entonces A es una matriz singular
(no invertible)
Teorema 3.
Si A es una matriz no singular, entonces su matriz inversa es única.
Teorema 4.
.
a) Si A es una matriz no singular, entonces A−1 es no singular y
(A−1 )−1 = A
(AB)−1 = B −1 A−1
Teorema 5.
Sean A y B matrices de orden n × n, e I es la matriz identidad de orden n × n
a) Si AB = I, entonces BA = I.
b) Si AB = I, entonces B = A−1 .
Método de Gauss–Jordan: Sea A una matriz de orden n × n, entonces aplicamos los siguientes pasos para
determinar A−1 si es que existe.
Paso 1 Formar la matriz [A|I] de orden n × 2n, donde I es la matriz identidad de orden n × n.
Paso 2 Transformar la matriz obtenida en el paso 1 a su forma escalonada y reducida por filas.
Paso 3 Supongamos que la matriz obtenida en el paso 2 es [C|D].
Ejemplo 13.
Hallar la matriz
inversa, si es que existe, de la matriz A.
1 1 1 1 2 −3
a) A= 0 2 3 b) A = 1 −2 1
5 5 1 5 −2 −3
Solución
1 1 1 1 0 0
0 2 3 0 1 0 1 2 −3 1 0 0
5 5 1 0 0 1 1 −2 1 0 1 0
.. .. 5 −2 −3 0 0 1
. .
.. ..
.. .. . .
a) . . b) .. ..
13
. .
1 0 0 8 − 12 − 18 1 2 −3 1 0 0
0 1 0 − 15 1 3 0 −4 4 −1 1 0
8 2 8
0 0 0 −2 −3 1
5
0 0 1 4 0 − 14
13
− 12 − 81
8
1 1 1
Por lo tanto en a) Si A = 0 2 3 , entonces A−1 = − 15− 83 , 1
8 2
5 5 1
5 1
4 0 −4
pero en b) A−1 no existe esto se determinó sin necesidad de transformar la matriz [A|I] a la forma escalonada
y reducida por filas.
2. Determinante.
2.1. Preliminares
Sea el espacio vectorial n dimensional Rn , el subconjunto de vectores B = {e1 , e2 , · · · , en } de Rn se denomina
la base canónica de Rn , donde la i−ésima coordenada de ei es igual a 1 y el resto de sus coordenadas iguales a 0.
v1 , · · · , vr , u1 , · · · , ur ∈ Rn y α ∈ R, se tienen:
f (v1 , · · · , vi + ui , · · · , vr ) = f (v1 , · · · , vi , · · · , vr ) + f (v1 , · · · , ui , · · · , vr )
y
f (v1 , · · · , αvi , · · · , vr ) = αf (v1 , · · · , vi , · · · , vr ); para cada 1 ≤ i ≤ r
Definición 11.
Una funcional r−lineal es alternada, si
f (v1 , · · · , vi , · · · , vj , · · · , vr ) = −f (v1 , · · · , vj , · · · , vi , · · · , vr ).
Teorema 6.
.
1. Para toda funcional r−lineal alternada f : Rn × · · · × Rn −→ R, se tiene
f (v1 , · · · , v, · · · , v, · · · , vr ) = 0.
f (v1 , · · · , 0, · · · , vr ) = 0
Teorema 7.
Existe una única funcional n−lineal alternada tal que f (e1 , e2 , · · · , en ) = 1.
Dada una matriz A = [aij ] de orden n × n, a cada fila (o columna) de A lo consideramos como un vector
de Rn , a las n filas y n columnas de A lo denotaremos por F1 , · · · , Fn y C1 , · · · , Cn respectivamente, ası́ toda
matriz A de orden n × n es un elemento del espacio Rn × · · · × Rn
| {z }
n–veces
Definición 12.
La determinante de una matriz A = [aij ] de orden n × n es la funcional
det : Rn × · · · × Rn −→ R
| {z }
n–veces
Ejemplo 14.
a11 a12 a a12
Si A = , entonces det(A) = |A| = 11 = a11 a22 − a21 a12 .
a21 a22 a21 a22
det(B) = − det(A).
det(B) = k det(A)
det(B) = det(A)
8) Si A = [aij ] es una matriz triangular inferior (o superior), entonces det(A) = a11 a22 · · · ann
9) det(I) = 1
Para que queden claras las propiedades de las determinantes de matrices cuadradas, mencionamos las anteriores
aplicadas a matrices de orden 3 × 3, a excepción de las propiedades 6, 8 y 10.
a b c a x m
1) x y z = b y n
m n p c z p
a b c x y z a b c b a c
2) x y z = − a b c , x y z = − y x z
m n p m n p m n p n m p
a b c a a c
3) a b c = 0 , x x z =0
m n p m m p
a b c a 0 c
4) 0 0 0 = 0 , x
0 z =0
m n p m 0 p
a b c a b c a kb c a b c
5) kx ky kz = k x
y z , x
ky z = k x
y z
m n p m n p m kn p m n p
Definición 13.
El cofactor de aij , denotado por Aij , es
Teorema 8.
Sea A = [aij ] una matriz de orden n × n, entonces:
n
X
Para cada 1 ≤ i ≤ n, det(A) = ai1 Ai1 + ai2 Ai2 + · · · + ain Ain = aik Aik y
k=1
Xn
Para cada 1 ≤ j ≤ n, det(A) = a1j A1j + a2j A2j + · · · + anj Anj = akj Akj
k=1
El siguiente esquema muestra como elegir el signo de cada cofactor de la matriz A, sin necesidad de calcular
(−1)i+j
+ − + − ···
− + − + ···
+
− + − ··· ,
− + − + ···
.. .. ..
..
. . . .
pero ello indica que el signo final del cofactor va de acuerdo al esquema, solo es válido para calcular (−1)i+j
Ac = [Aij ]
Teorema 9.
Si A = [aij ] una matriz de orden n × n, entonces:
Teorema 10.
Sea A es una matriz de orden n × n. A es no singular, si y solo si det(A) 6= 0
Teorema 11.
1
Si det(A) 6= 0, entonces A−1 = adj (A)
det(A)
Ejemplo 16.
1 0 1
Sea A = 0 1 3 , Hallemos det(A), Ac , adj (A) y A−1
1 1 0
1. Para hallar det(A) empleamos el teorema 8, una sugerencia para que la suma no tenga tantos términos es
buscar una fila o columna con la mayor cantidad de ceros, por ello lo desarrollaremos con respecto de la
tercera columna de A.
0 1 1 0 1 0
det(A) = 1(+) + 3(−)
+ 0(+)
= 1(−1) + 3(−1) + 0(1) = −4
1 1 1 1 0 1
c
2. Para hallar
A , primero
hallemos los
cofactores
de todas las entradas
de A
1 3 0 3 0 1
A11 = + = −3, A12 = − = −1
1 0 = +3, A13 = +
1 0 1 1
0 1 1 1 1 0
A21 = −
= +1, A22 = + 1 0 = −1,
A23 = − = −1
1 0 1 1
0 1
= −1, A32 = − 1 1 = −3,
1 0
A31 = + A33 = + = +1
1 3 0 3 0 1
−3 3 −1
∴ Ac = 1 −1 −1
−1 −3 1
3. Por definición T
−3 3 −1 −3 1 −1
adj (A) = (Ac )T = 1 −1 −1 = 3 −1 −3
−1 −3 1 −1 −1 1
3
− 14 1
4 4
−3 1 −1
1 1
4. Por el teorema 11 A−1 = adj (A) = 3 −1 −3 = − 43 1 3
det(A) −4 4 4
−1 −1 1
1 1
4 4 − 14
a1 x1 + a2 x2 + · · · + an xn = b, (1)
donde los ai son los coeficientes, xi son las incógnitas y b es el término independiente. Si b = 0 la ecuación 1 se
dirá que es una ecuación lineal homogénea
Definición 16.
y1
y2
Cierto vector Y = es un vector solución, o simplemente una solución, del sistema lineal (2)
..
.
yn
si
a11 y1 + a12 y2 + ··· + a1n yn = b1
+ ···
a21 y1 + a22 y2 + a2n yn = b2
.. .. .. ..
. . . .
+ ···
am1 y1 + am2 y2 + amn yn = bm
Observación: Dado un sistema lineal, no eatá garantizado la existencia de soluciones, el sistema puede tener
una única solución, o infinitas soluciones o no tener solución alguna.
Ejemplo 17.
El sistema
2x1 + 3x2 = 12
x1 + x2 = 5
tiene como único vector solución a x = (x1 , x2 ) = (3, 2); es decir las soluciones son x1 = 3 y x2 = 2
Ejemplo 18.
El sistema
2x1 + 3x2 = 12
4x1 + 6x2 = 24
tiene infinitos vectores solución algunos de ellos son x = (x1 , x2 ) = (3, 2); y = (y1 , y2 ) = (0, 4);
z = (z1 , z2 ) = (6, 0); w = (w1 , w2 ) = (2, 38 )
Ejemplo 19.
El sistema
2x1 + 3x2 = 12
2x1 + 3x2 = 10
no posee solución.
Definición 17.
El sistema lineal (2) es compatible, si posee como mı́nimo un vector solución.
Definición 18.
El sistema lineal (2) es compatible y determinado, si posee un único vector solución.
Definición 19.
El sistema lineal (2) es compatible e indeterminado, si posee más de un vector solución.
Definición 20.
El sistema lineal (2) es incompatible, si no posee vector solución.
Del sistema lineal (2) al juntar las matrices de sus coeficientes y de sus términos independientes, obtenemos
la matriz de orden m × (n + 1), denominada matriz ampliada asociada al sistema lineal (2), y lo denotaremos
por
a11 a12 · · · a1n b1
21 a22 · · · a2n b2
a
[A|b] =
.. .. .. .. ..
. . . . .
am1 am2 ··· amn bm
Teorema 12.
Sean AX = b y CX = d dos sistemas lineales compatibles, ambos con m ecuaciones y n incógnitas. Si
las matrices ampliadas [A|b] y [C|d] son equivalentes por filas, entonces los sistemas lineales AX = b
y CX = d tienen exactamente las mismas soluciones, y los sistemas lineales dados son equivalentes.
Teorema 13.
Si A es equivalente por filas a B, entonces los sistemas lineales homogéneos AX = 0 y BX = 0
tienen exactamente las mismas soluciones.
Consideremos los siguientes pasos para determinar sus soluciones, si es que las posee.
Paso 2 Transformar la matriz obtenida en el paso 1 mediante operaciones elementales de filas a la forma
escalonada y reducida por filas.
Paso 3 Las matrices obtenidas en el paso 1 y al final del paso 2 son equivalentes por filas y los sistemas lineales
asociados a estas matrices tienen exactamente las mismas soluciones. Para cada fila no nula de la matriz
obtenida al final del paso 2 se despeja la incógnita correspondiente a la entrada principal de cada fila. Las
filas nulas, si es que las hay, se deben ignorar pues las ecuaciones correspondientes serán satisfechas para
cualesquiera de los valores de las incógnitas.
Es posible que al diseñar el sistema lineal asociado a la matriz obtenida al final del paso 2 una de las
ecuaciones lineales no tenga soluciones, veamos algunos ejemplos para ilustrar algunas situaciones en la
que uno se puede encontrar al resolver sistemas lineales.
Ejemplo 20.
Resolvamos el sistema lineal
x +2y +3z = 9
2x −y +z = 8 (4)
3x −z = 3
mediante la reducción de Gauss–Jordan
Paso 2 Transformamos la matriz obtenida en el paso 1 mediante operaciones elementales de filas a la forma
escalonada y reducida por filas.
1 2 3 9 1 2 3 9 1 2 3 9
2 −1 1 8 ∼ 0 −5 −5 −10 f2 − 2f1 ∼ 0 1 1 2 − 15 f2
3 0 −1 3 0 −6 −10 −24 f3 − 3f1 0 −6 −10 −24
1 2 3 9 1 2 3 9 1 0 1 5 ← f1 − 2f2
0 1 1 2 ∼ 0 1 1 2 ∼ 0 1 1 2
0 0 −4 −12 f3 + 6f2 0 0 1 3 − 41 f3 0 0 1 3
1 0 0 2 f1 − f3
0 1 0 −1 f2 − f3 Esta matriz está en la forma escalonada y reducida por filas
0 0 1 3
Paso 3 El sistema lineal asociado a la matriz ampliada obtenida al final del paso 2 es
x +0y +0z = 2
0x +y +0z = −1 (5)
0x +0y +z = 3
cuya única solución es x = 2, y = −1, z = 3.
De acuerdo al teorema (12) los sistemas lineales (4) y (5) poseen las mismas soluciones, por lo tanto la
única solución del sistema lineal (4) es x = 2, y = −1, z = 3.
Ejemplo 21.
Resolvamos el sistema lineal
x +y +2z −5w = 3
2x +5y −z −9w = −3
(6)
2x +y −z +3w = −11
x −3y +2z +7w = −5
Paso 2 La matriz escalonada y reducida por filas equivalente por filas a la matriz del paso 1 es:
1 0 0 2 −5
0 1 0 −3 2
0 0 1 −2 3
0 0 0 0 0
Paso 3 El sistema lineal asociado a la matriz ampliada obtenida al final del paso 2 es
1x +0y +0z +2w = −5
0x +1y +0z −3w = 2
(7)
0x +0y +1z −2w = 3
0x +0y +0z +0w = 0
Al despejar en cada ecuación la incógnita correspondiente a la entrada principal de cada fila e ignorando
la fila nula, obtenemos
x = −5 − 2w
y = 2 + 3w
z = 3 + 2w
De acuerdo al teorema (12) los sistemas lineales (6) y (7) poseen las mismas soluciones. Ası́ una solución
del sistema lineal (6) viene dado por
x = −5 − 2r
y = 2 + 3r
,
z = 3 + 2r
w = r
donde r es cualquier número real, como r puede asumir cualquier valor real, el sistema lineal (6) tiene
infinitas soluciones y para obtener algunas de ellas solo debe asignarse un valor al parámetro r
Ejemplo 22.
Resolvamos el sistema lineal
x1 +2x2 −3x4 +x5 = 2
x1 +2x2 +x3 −3x4 +x5 +2x6 = 3
(8)
x1 +2x2 +x3 −3x4 +2x5 +x6 = 4
3x1 +6x2 −9x4 +4x5 +3x6 = 9
Paso 2 La matriz escalonada y reducida por filas equivalente por filas a la matriz del paso 1 es:
1 2 0 −3 0 −1 0
0 0 1 0 0 2 1
0 0 0 0 1 1 2
0 0 0 0 0 0 0
Paso 3 El sistema lineal asociado a la matriz ampliada obtenida al final del paso 2 es
x1 +2x2 −3x4 −x6 = 0
x3 +2x6 = 1 (9)
x5 +x6 = 2
Al despejar en cada ecuación la incógnita correspondiente a la entrada principal de cada fila e ignorando
la fila nula, obtenemos
x1 = x6 + 3x4 − 2x2
x3 = 1 − 2x6
x5 = 2 − x6
Las soluciones de (9) quedan descritas por
x1 = r + 3s − 2t
x2 = t
x3 = 1 − 2r
(10)
x4 = s
x5 = 2−r
x6 = r
donde r, s y t son números reales cualesquiera, de acuerdo al teorema (12) las soluciones descritas en (10)
también serán las soluciones de (8). Por lo tanto el sistema lineal (8) tiene infinitas soluciones.
Ejemplo 23.
Resolvamos el sistema lineal
x +2y +3z +4w = 5
x +3y +5z +7w = 11 (11)
x −z −2w = −6
mediante la reducción de Gauss–Jordan
Paso 2 La matriz escalonada y reducida por filas equivalente por filas a la matriz del paso 1 es:
1 0 −1 −2 0
0 1 2 3 0
0 0 0 0 1
Teorema 14.
Sea el sistem lineal de “m” ecuaciones con “n” incógnitas
a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn
= b2
(Sist. lin. α)
.. .. .. ..
. . . .
+ ···
am1 x1 + am2 x2 + amn xn = bm
denotemos por A = [aij ]m×n a la matriz de sus coeficientes, por b = [bi ]m×1 a la matriz de sus térmi-
nos independientes y por [A|b]m×(n+1) a su matriz ampliada asociada. Supongamos que [C|d]m×(n+1)
es la matriz escalonada y reducida por filas que es equivalente por filas a la matriz [A|b]m×(n+1) ,
entonces tenemos los siguientes casos
1. Si las matrices C = [cij ]m×n y [C|d]m×(n+1) tienen el mismo rango, entonces el sistema lineal
(Sist. lin. α) es compatible.
1.1 Si ran (C) = ran [C|d] = n, entonces el sistema lineal (Sist. lin. α) tiene una única solución,
es decir, es compatible determinado.
1.2 Si ran (C) = ran [C|d] < n, entonces el sistema lineal (Sist. lin. α) tiene infinitas soluciones,
es decir, es compatible indeterminado.
2. Si las matrices C = [cij ]m×n y [C|d]m×(n+1) tienen rangos diferentes, entonces el sistema lineal
(Sist. lin. α) es incompatible.
Ejemplo 24.
Sea el sistema lineal de cuatro ecuaciones con tres incógnitas ( m = 4 y n = 3 )
3x +6y +z = 2
+y +8z = −6
(12)
2x +4y +z = 1
5x +10y +2z = 3
Resulta que ran (C) = ran [C|d] = 3, por lo tanto entonces el sistema lineal tiene una única solución, hallemos
a dicha solución, para ello pasemos a sistema lineal la ultima matriz ampliada.
1x +0y +0z = −3
0x +1y +0z = 2
0x +0y +1z = −1
0x +0y +0z = 0
−3
de donde resulta x = −3, y = 2, z = −1, ası́ la única solución de (12) es X = 2 .
−1
Ejemplo 25.
Sea el sistema lineal de cuatro ecuaciones con tres incógnitas ( m = 4 y n = 3 )
3x +6y +z = 2
+y +8z = −6
(13)
3x +8y +17z = −10
3x +7y +9z = −4
Resulta que ran (C) = ran [C|d] = 2 < 3, por lo tanto entonces el sistema lineal tiene infinitas soluciones, ellas
dependerán de un parámetro, hallemos a dichas soluciones, para ello pasemos a sistema lineal la ultima matriz
ampliada.
1x +0y − 47 3 z =
38
3
0x +1y +8z = 2
0x +0y +0z = 0
0x +0y +0z = 0
47 38
de donde resulta x = 3 z+ 3 , y = 2 − 8z, vemos que x e y dependen de z, las infinitas soluciones de (13) se
describen por
47 38
x= r+ , y = 2 − 8r , z = r , donde r ∈ R.
3 3
Para obtener una solución de (13) asignamos
una valor al parámetro r, por ejemplo:
38 85
3 3
Si r = 0, una solución de (13) es X = 2 . Si r = 1, una solución de (13) es X = −6 .
0 1
Ejemplo 26.
En el ejemplo (23) resultó ran (C) = 2 y ran [C|d] = 3, ese es precisamente el motivo para que tal
sistema lineal sea incompatible.
Observaciones
1. Al sistema lineal homogéneo (14) matricialmente lo representamos por AX = 0, donde A es la matriz de sus
coeficientes, X la matriz se sus incógnitas y 0 la matriz nula de orden m × 1.
0
2. El vector X = ... es una solución del sistema lineal homogéneo (14), que será llamada la solución trivial
0
de dicho sistema.
3. Es posible que el sistema lineal homogéneo (14) posea otras soluciones a parte de su solución trivial (véase
el siguiente teorema).
Teorema 16.
Sea el sistema lineal homogéneo (14) cuya matriz de coeficientes es A = [aij ]m×n
1. El sistema lineal homogéneo (14) tendrá solo la solución trivial si ran (A) = n.
2. El sistema lineal homogéneo (14) tendrá infinitas soluciones si ran (A) < n.
Teorema 17.
Sean A una matriz de orden n × n, el sistema lineal homogéneo AX = 0 y la matriz identidad I de
orden n × n, entonces las siguientes proposiciones son equivalentes.
1. A es no singular (invertible)
2. AX = 0 tiene solo la solución trivial.
3. A es equivalente por filas a I.
4. El sistema lineal AX = b tiene una única solución para cada matriz b de orden n × 1.
5. det(A) 6= 0.
6. ran (A) = n
Teorema 18.
Sean A una matriz de orden n × n, el sistema lineal AX = b tiene una única solución para cada
matriz b de orden n × 1 si, y solo si A es invertible, dicha solución es X = A−1 b.
Índice
1. Matriz. 1
1.1. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Adición de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2. Multiplicación de un escalar por una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3. Multiplicación de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.4. Propiedades de las operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Matrices especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Operaciones elementales de filas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. La inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1. Método de Gauss–Jordan para determinar la inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . 10
2. Determinante. 11
2.1. Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1. Propiedades de las determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Desarrollo por cofactores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13