UNIVERSIDAD NACIONAL DE SALTA

FACULTAD DE INGENIERÍA

Matrices

ÁLGEBRA LINEAL Y
GEOMETRÍA ANALÍTICA

Adriana Zamar

2009
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

Introducción

Los fundadores de la teoría de matrices fueron Lord Cayley y Sylvester, a este último
se le debe el acuñamiento del término matriz.
Una de las utilidades de este tema es, por ejemplo, el diseño asistido por computador
(CAD y CCM) adoptado por la Ford a principios de 1970 para la industria del
automóvil. Antes de construir un nuevo modelo de automóvil, se realiza una
construcción y un diseño matemático del mismo.
Se utiliza el modelo denominado de alambre donde se almacena en muchas matrices
de datos para cada componente principal del automóvil. Cada columna de una matriz
enumera las coordenadas de un punto sobre la superficie del componente (por
ejemplo los dobleces necesarios para producir la carrocería). Las demás columnas
describen cuáles puntos se deben conectar con curvas.
Las piezas individuales del interior del automóvil también se almacenan como matrices
de datos.
Ver más detenidamente, en página 97, “Álgebra Lineal y sus aplicaciones” de D. Lay.
Nuestra capacidad para resolver ecuaciones aumentará considerablemente cuando
podamos realizar operaciones algebraicas con matrices.

Definición:
Una matriz de tamaño (en algunos libros de dimensión o de orden) m x n (m, n ε ℜ) es
un cuadro (tabla o arreglo) de m. n números A ij (1 ≤ i ≤ m, 1 ≤ j ≤ n) dispuestos en m
filas y n columnas.
⎛ a11 a12 ... a1n ⎞
⎜ ⎟
⎜a a 22 ... a 2n ⎟
A = ⎜ 21 = ( A i j )m x n = ( A i j )
... ... ... ... ⎟
⎜ ⎟
⎜a ... a mn ⎟⎠
⎝ m1 a m2
Podemos definir una matriz ya sea por comprensión, es decir, se coloca una fórmula
como el elemento genérico indicando su tamaño; o bien definirla por extensión donde
pongo todos los elementos de la matriz.
Ejemplo:
9 Por comprensión:
B = (b i j ) = (2 i + j) 3 x 2
9 Por extensión:
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

⎛ b11 b12 ⎞ ⎛ 3 4 ⎞
⎜ ⎟ ⎜ ⎟
B = ⎜ b21 b22 ⎟ = ⎜ 5 6 ⎟
⎜b ⎟ ⎜ ⎟
⎝ 31 b32 ⎠ ⎝ 7 8 ⎠
La letra mayúscula indica que se trata de una matriz y la letra minúscula con doble
subíndice indica los elementos de la matriz, pero también puedo poner un solo
subíndice en los casos en que la matriz tiene una sola fila o una sola columna, y se
indica con subíndice en el caso de una fila y supraíndice en el de una columna.
∆
Vector fila = A i = (a i1 a i2 …a in)

⎛ a 1j ⎞
⎜ ⎟
( j) ⎜ a2 j ⎟
∆
Vector columna = A = ⎜
M ⎟
⎜ ⎟
⎜a m j ⎟
⎝ ⎠
Se pone (j), con paréntesis, para evitar confusión de que no se trata de una potencia.

ℜ m x n = {matrices reales de tamaño m x n}

Actividad 1: Encuentra por extensión la siguiente matriz dada por comprensión:

A = (2 i – 3 j) 3 x 2

Igualdad
Sean A, B ε ℜ m x n, pido que las dos matrices tengan el mismo tamaño.

∆
A=B ⇔ Ai j = B i j 1≤ i ≤ m ;1≤ j ≤ n

∆
Nota: El símbolo ⇔ significa equivale.

Ejemplo:
⎛1 0⎞
⎜⎜ ⎟ ≠ (1 2) → no son iguales por el tamaño
⎝12 ⎟⎠
⎛1 1 ⎞ ⎛ 1 1⎞
⎜⎜ ⎟≠⎜ ⎟ → no son iguales por el orden
⎝1 0 ⎟⎠ ⎜⎝ 0 1⎟⎠
⎛1 1 ⎞ ⎛1 1 ⎞
⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ → son iguales en tamaño, elemento y orden
⎝1 0 ⎠ ⎝1 0 ⎠
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

Operaciones
Adición de matrices:
Definición: Sean A, B ε ℜ m x n de define A + B ε ℜ m x n así:

∆
(A + B) ij
= Ai j +Bi j 1≤ i ≤ m ;1≤ j ≤ n

De la definición anterior podemos inferir que para sumar dos matrices A y B dadas
deben tener el mismo orden,

Ejemplo:
⎛a b ⎞ ⎛ e f ⎞ ⎛ a + e b + f ⎞
⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝c d ⎠ ⎝g h⎠ ⎝c + g d + h⎠
⎛ 1 − 3 4 ⎞ ⎛ − 3 1 5⎞
Actividad 2: calcula la siguiente suma de matrices: ⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟
⎝ − 2 0 − 1⎠ ⎝ 3 − 2 1 ⎠

Nota: si las matrices no tienen igual tamaño la operación no se puede realizar.

Propiedades: Salvo que se indique lo contrario siempre se cumple para toda matriz.
A1: Ley de Cierre: se cumple por la definición de matrices: A, B ε ℜ m x n , A + B ε ℜ m x n
La suma de dos matrices del mismo orden me da como resultado otra matriz del
mismo orden que las primeras.

A2: Ley Conmutativa: A + B = B + A

en ℜ
En efecto: ( A + B ) i j = A i j + B i j = B i j + A i j = (B + A) i j ⇒ A + B = B + A

Se prueba gracias a la igualdad de matrices, Se deben tener en cuenta el tamaño y el

orden. Los paquetes o bolsas A + B y B + A no sólo tienen el mismo tamaño sino que
tiene iguales elementos

A3: Ley Asociativa: (A + B) + C = A + (B + C) = A + B + C

en ℜ
(( A + B) + C) i j = ( A + B) i j + C i j = A i j + B i j + C i j = A i j + (B i j + C i j ) = A i j + (B + C) i j =
= ( A + (B + C)) i j ⇒ ( A + B) + C = A + (B + C)

A4: matriz Nula:

∃ Θ = (0) m x n tal que : A + Θ = Θ + A = A
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

La matriz nula tiene todos sus elementos ceros y toma el tamaño de la matriz, en este
caso de A.

A5: Matriz Opuesta

∀A = ( A i j ), ∃ − A = ( − A i j ) tal que : A + ( − A) = ( − A) + A = Θ

Si a una matriz le sumo su opuesta, es lo mismo que a su opuesta le sume la matriz,

en ambos casos me tiene que dar la matriz nula.
Observación. La matriz opuesta no es la matriz negativa, simplemente que a la matriz
original se le cambian los signos de todos los elementos.

Producto por escalar

Sea A ε ℜ m x n y k ε ℜ, la matriz k A se define así:

∆
(kA ) i j = k A i j 1 ≤ i ≤ m; 1≤ j ≤ n

El producto de un escalar por una matriz modifica el valor de cada uno de los
elementos de ella, es decir se realiza el producto de k por cada elemento a i j.
Ejemplo:
⎛ a a2 a3 ⎞ ⎛ ka1 ka 2 ka3 ⎞
kA = k ⎜⎜ 1 ⎟=⎜ ⎟
⎝ b1 b2 b3 ⎟⎠ ⎜⎝ kb1 kb2 kb3 ⎟⎠

Propiedades
M1: Ley de Cierre: A ε ℜ m x n y k ε ℜ, k A ε ℜ m x n
Se demuestra por la definición. Al multiplicar un escalar por una matriz A dada no se
altera el orden de la matriz resultante.

M2: Leyes Distributivas

• k (A + B) = k A + k B
• (k + h) A = k A + h A

M3: Asociativa Mixta: h. (k A) = (h. k) A

Se llama asociativa porque a una matriz A la multiplico por un escalar, entonces vuelvo
a obtener otra matriz k A y puedo volver a multiplicarla por otro número. Es mixta
porque estoy mezclando productos, en el primer miembro, el producto es un escalar
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

por una matriz, en el segundo miembro, el producto es entre dos números y luego por
una matriz.
Se podría mezclar M2 con M3 y tener una Ley Distributiva Generalizada, es decir:
(h + k) (A + B) = h (A + B) + k (A + B) = h A + h B + k A + k B

M4: Existencia del elemento neutro: 1 A = A

Se multiplica a la matriz A por el número uno, no es la matriz unidad.

Luego ℜ m x n con las propiedades A1,…, A5, M1,…, M4 tiene estructura de Espacio
Vectorial y a sus elementos se los llama vectores.

Matriz Traspuesta
T
: ℜmxn → ℜmxn
A AT
Definida así: (A I j) T = A j i 1 ≤ i ≤ m; 1 ≤ j ≤ n

Ejemplo:
⎛a b ⎞
⎜ ⎟ ⎛a c e⎞
A = ⎜c d ⎟ AT = ⎜⎜ ⎟
⎜e f ⎟ ⎝b d f ⎟⎠
⎝ ⎠

Propiedades:
T1: (A + B) T = A T + B T
T2: (k A) T = k A T
De T1 y T2 se deduce: (k A + h B) T = k A T + h B T
Se llama propiedad lineal porque combino las dos operaciones (suma y producto)
entonces k A + h B es una Combinación Lineal (C. L.)
T
T3: AT =A
T4: (A. B) T = B T A T

Producto de Matrices
Si A ∈ ℜ mxn y B ∈ ℜ nxp entonces :
Ai B ( j ) = a i 1 b1 j + a i 2 b2 j + ... + a in bnj
y por definición
(A B )ij = 〈 Ai / B ( j ) con 1 ≤ i ≤ m 1≤ j ≤ p
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

n
O bien: ( A B ) ij = ∑a
k =1
ik bkj

Propiedades
P1: Asociativa: (A B) C = A (B C) = A B C
P2: Distributivas: (A + B) C = A C + B C
A (B + C) = A B + A C

P3: Asociativa Mixta: h ( k A) = (h k) A

De P2 y P3 se deduce que:
¾ (h A + k B) C = (h A) C + (k B) C = h A C + k B C lineal en el 1º factor
¾ A (a B + b C) = A (a B) + A (b C) = a A B + b A C lineal en el 2º factor

Luego el producto de matrices es bilineal

Así, el espacio vectorial ℜn x n(matrices cuadradas) tiene un producto A n x n B n x n ε ℜn x n
que es bilineal y por ello ℜn x n es un álgebra.

Matrices conmutables o Permutables

Dos matrices se dicen conmutables sí y sólo sí A B = B A.
Las matrices, en general, no cumplen la conmutatividad ya que podría pasar que:
A3 x 2 B2 x1 = C 3 x1
B2 x1 A3 x 2 imposible
O bien que se puedan realizar ambos productos pero llegar a un resultado con distinto
tamaño, por ejemplos: ( A 3x2 .B 2x3 ) 3x3 ≠ (B 2x3 .A 3x 2 ) 2x 2

Pero hay matrices que son conmutables

(A mxn .B qxp ) mxp = (B qxp .A mxn ) qxn

Para poder multiplicar el primer miembro: n = q, el tamaño del producto es de m x p

Para poder multiplicar el segundo miembro: p = m, el tamaño del producto es de q x n.

Entonces: m = q = n = p
Luego A . B = B . A exige que A y B sean cuadradas del mismo tamaño, es condición
necesaria pero no suficiente, ya que por ejemplo:
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

⎛1 1⎞ ⎛ 0 1 ⎞ ⎛1 1⎞
⎜⎜ ⎟⎜ ⎟=⎜ ⎟
⎝0 1⎟⎠ ⎜⎝ 1 0 ⎟⎠ ⎜⎝1 0 ⎟⎠
vemos que el resultado es diferente, con lo cual matrices
⎛0 1 ⎞ ⎛ 1 1⎞ ⎛ 0 1⎞
⎜⎜ ⎟⎜ ⎟=⎜ ⎟
⎝1 0 ⎟⎠ ⎜⎝ 0 1⎟⎠ ⎜⎝ 1 1⎟⎠

cuadradas y del mismo tamaño no tienen porque ser conmutables.

Matriz Unidad
⎛1 0 0 K 0⎞
⎜ ⎟
⎜0 1 0 K 0⎟ ⎧1 si i = j
I n = I nxn =⎜ = (δ ij ) donde δ ij = ⎨
M M O M⎟ ⎩0 si i ≠ j
nxn
M
⎜ ⎟
⎜0 0 0 K 1 ⎟⎠
⎝
Propiedades
1) A mxn . I n =A
2) I n . A mxn = A
3) I n . A nxn = A nxn . I n =A

Así. ℜn x n = Mn (ℜ) es un álgebra con unidad I bilateral tal que: A. I = I A = A

Inversa en ℜn x n
Sea A nxn diremos que B nxn es inversa de A si: A B = B A = I
Unicidad de la inversa
Sean B y C inversas de A, o sea:
AB=BA=I (&)
AC=CA=I ($)
B = B I = B ( A C) = (B A) C = I C = C → B = C
Así, si existe inversa, ésta es única y la denotaremos como A-1.

Propiedades:
1: (A + B) – 1 = A – 1 + B – 1
2: (k A) – 1 = k A – 1
De T1 y T2 se deduce: (k A + h B) – 1 = k A – 1 + h B – 1
Se llama propiedad lineal porque combino las dos operaciones (suma y producto)
entonces k A + h B es una Combinación Lineal (C. L.)
−1
3: A −1 =A
4: (A . B) – 1= B– 1 A– 1
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

Ejemplo:
Vamos a calcular la inversa por definición:
⎛ 2 1⎞
Dada A = ⎜⎜ ⎟⎟ si es inversible, calcula A-1.
⎝ 1 1 ⎠
A. A-1 = A-1. A = I
⎛x y⎞
Como la inversa no la conocemos, entonces: A −1 = ⎜⎜ ⎟ como A. A-1 = I
⎝s t ⎟⎠

⎧2 x + s = 1
⎪x + s = 0
⎛ 2 1⎞ ⎛ x y ⎞ ⎛ 1 0⎞ ⎛ 2 x + s 2y + t ⎞ ⎛ 1 0 ⎞ ⎪
⎜⎜ ⎟⎟ ⎜⎜ ⎟=⎜ ⎟ ⇒ ⎜⎜ ⎟=⎜ ⎟ ⇒ ⎨
⎝ 1 1⎠ ⎝ s t ⎟⎠ ⎜⎝ 0 1 ⎟⎠ ⎝ x +s y + t ⎟⎠ ⎜⎝ 0 1 ⎟⎠ ⎪2y + t = 0
⎪⎩y + t = 1

Se llega a un sistema de 4 ecuaciones con 4 incógnitas, parece grande pero no, si

observamos, vemos que se pueden separar en dos subsistemas.
Poniéndolos en forma de matriz:
⎛2 1 M 1⎞
⎜⎜ ⎟
⎝1 1 M 0 ⎟⎠
⎛2 1 M 0⎞
⎜⎜ ⎟
⎝1 1 M 1 ⎟⎠

Observamos que en el primer bloque se repiten los coeficientes de ambos

subsistemas, a eso lo denominamos Matriz del Sistema, pero el segundo bloque
representa las incógnitas. Nos podemos desligar de las incógnitas y ponerles cualquier
cosa, entonces podríamos escribir eso como un cuadro, o sea podríamos tomar la
matriz ampliada:
⎛2 1 M 1 0⎞
⎜⎜ ⎟⎟ (&)
⎝ 1 1 M 0 1⎠
Donde el primer bloque representa la matriz de coeficientes y el segundo bloque la
matriz identidad.
Para poder operar necesito de ciertas operaciones que no cambien el sistema, para
ello veamos las operaciones elementales.

Operaciones Elementales:
O. E. 1: Intercambio de dos filas distintas entre sí.
O. E. 2: Multiplicación de una fila por un escalar no nulo.
O. E. 3: Sumar a una fila un múltiplo de otra.
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

De esa manera, con estas operaciones llegaremos, a través de Gauss – Jordan, a

obtener en el primer bloque la matriz identidad y en el segundo las incógnitas, de esta
manera aparece automáticamente la inversa de la matriz A del sistema.
Ejemplo:

⎧a1 x + a 2 y = p
⎨
⎩b1 x + b2 y = q

Ponemos el sistema en forma matricial y vemos como se aplican las operaciones

elementales.

⎛ a1 a 2 p⎞ ⎛ b b2 q⎞
⎜⎜ ⎟⎟ b ⎯⎯ ⎯→⎜⎜ 1
O.E .1
⎯ ⎟
⎝ b1 b2 q⎠ ⎝ a1 a 2 p ⎟⎠
xk
⎛ a1 a2 p⎞ ⎛ ka ka 2 kp ⎞
⎜⎜ ⎟ ⎯⎯ ⎯→⎜⎜ 1
O.E .2
⎟
⎝ b1 b2 q ⎟⎠ ⎝ b1 b2 q ⎟⎠
⎛ a1 a2 p⎞ ⎛ a1 a2 p ⎞
⎜⎜ ⎟⎟ ↓ h ⎯⎯ ⎯→⎜⎜
O.E .3
⎟
⎝ b1 b2 q⎠ ⎝ b1 + ha1 b2 + ha 2 q + hp ⎟⎠

Volviendo a (&)
⎛2 1 M 1 0⎞
⎜⎜ ⎟⎟ le sumo a la segunda fila la primera multiplicada por – ½ (O. E.3)
⎝ 1 1 M 0 1⎠

⎛2 1 M 1 0⎞
⎜ 1 1 ⎟ a la segunda fila la multiplico por 2 (O. E.2)
⎜0 M − 1⎟
⎝ 2 2 ⎠

⎛2 1 M 1 0⎞ ⎛ 2 0 M 2 − 2⎞
⎜⎜ ⎟⎟ A la primera fila le resto la segunda ⎜⎜ ⎟⎟
⎝ 0 1 M − 1 2⎠ ⎝0 1 M − 1 2 ⎠
Como necesito tener todas las variables despejadas, es decir que el primer bloque se
convierta en la matriz unidad, entonces multiplico a la primera fila por ½.
⎛ 1 0 M 1 − 1⎞
⎜⎜ ⎟⎟
⎝0 1 M − 1 2 ⎠
Obtuvimos en el primer bloque la matriz I, entonces el segundo bloque es la inversa,
vamos a verificar:
⎛ 1 − 1⎞ ⎛ 2 1⎞ ⎛ 1 0 ⎞
A −1 A = ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = I
⎝ − 1 2 ⎠ ⎝ 1 1⎠ ⎝ 0 1 ⎠
Esto nos muestra que hemos trabajado bien ya que efectivamente encontramos la
inversa de A, y además es única, usando el esquema: [A M I ] O.E .
⎯⎯⎯→ [I M A]
¿Cómo nos damos cuenta de que no hay inversa?
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

⎛ 1 1⎞ ⎛1 1 M 1 0 ⎞
Supongamos A = ⎜⎜ ⎟⎟ si ponemos la matriz ampliada: ⎜⎜ ⎟⎟ a la segunda
⎝ 1 1⎠ ⎝1 1 M 0 1 ⎠
⎛ 1 1 M 1 0⎞
fila le restamos la primera fila, entonces: ⎜⎜ ⎟⎟
⎝ 0 0 M − 1 1⎠
Podemos ver que la última ecuación, viendo el primer subsistema, es: 0 x + 0 s = –1,
es decir, 0 = – 1 lo que es imposible. Lo mismo ocurre si es el segundo subsistema:
0 y + 0 t = 1; con lo cual el sistema no tiene solución.

Matrices Especiales
Sea A ε ℜ n x n definimos:
A es idempotente ≡ A2 = A
A es involutiva ≡ A = I
Nota: la matriz A coincide con su inversa, es decir: A−1 = A
A es nilpotente ≡ A k = 0 para algún k ε Ν, donde k = índice de nilpotencia.
A es ortogonal ≡ A T A = A A T = I (A−1 = AT)
A es simétrica ≡ A T = A
a j i = a i j (los elementos con respecto a la diagonal principal deben ser iguales)
⎛ a11 b c K α ⎞
⎜ ⎟
⎜ b a 22 K K β ⎟
⎜ c K K K ⎟
⎜ ⎟
⎜ M O L ⎟
⎜ ⎟
⎝ α β K O a nm ⎠

A es antisimétrica ≡ A T = – A
a ji = – a ij ⇒ aii= – a ii ⇒ aII= 0

⎛ 0 b c⎞
⎜ ⎟
Por ejemplo si A es de 3 x 3: ⎜ − b 0 d ⎟
⎜ − c − d 0⎟
⎝ ⎠
A es Triangular superior ⇔ i > j ⇒ a I j = 0 (debajo de la diagonal principal hay ceros).
A es Triangular inferior ⇔ i < j ⇒ a I j = 0 (arriba de la diagonal principal hay ceros).

Definiciones:
Dada A ε ℜ m x n, podemos expresar la matriz de la siguiente manera:

⎛ A1 ⎞
⎜ ⎟
⎜ A2 ⎟
A=⎜
M ⎟
= ⎡ A (1) A ( 2 ) K A (n )
⎢⎣
]
⎜ ⎟
⎜A ⎟
⎝ m⎠
Facultad de ingeniería - UNSa
Cátedra: Álgebra Lineal y Geometría Analítica
MSc. Adriana Zamar

Espacio fila de A = E f (A) = <A1, A2,…, A m> ⊆ ℜ n

dim E f (A) = rf (A) = rango fila de A
Espacio columna de A = E c (A) = <A(1), A (2),…, A (n)> ⊆ ℜ m
dim E c (A) = rc (A) = rango columna de A

Teorema: (sin demostración)

rf (A) = = rc (A)

Definición: rf (A) = = rc (A) = r (A) = rango de A

⎛1 2 0 ⎞ ⎛1 2 0 ⎞ ⎛1 2 0 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
Ejemplo: ⎜ 2 0 − 1⎟ ⎜ 0 − 4 − 1⎟ ⎜ 0 − 4 − 1 ⎟ ⇒ rf = 3 y rc = 3
⎜ 1 − 2 3 ⎟ ⎜ 0 − 4 3 ⎟ ⎜ 0 0 − 16 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠

Teorema de Rouché – Frobenius:

El sistema A X = b es compatibles sí, y sólo sí, r (A) = r (A ⎢b)

Donde (A ⎢b) es la matriz ampliada del sistema.

Si es compatible la dimensión de la Variedad Solución es n – r (A) donde A ε ℜ m x n.
Si tiene solución única entonces: r(A) = n

Bibliografía:

9 Apostol, Tom. Calculus. Ed. Reverte.

9 Ayres, Frank Jr. (1969). Matrices. Serie de compendios Schaum. México.
9 Barbolla R.- Sanz Paloma.(1998)Álgebra Lineal y Teoría de Matrices. Prentice Hall.
Madrid. España:
9 Burgos Roman, Juan de (1996) Álgebra Lineal. Mc Graw-Hill. Madrid.
9 Burgos Roman, Juan de. (1977).Curso de Álgebra y Geometría. Alambra. Madrid.
9 Grosman, Stanley. Álgebra Lineal. Grupo Ed. Latinoamericano
9 Hoffman,K.; Kunze,R.(1973).Álgebra Lineal. Editorial Prentice Hall
9 Howard Antón. (1994) Introducción al Álgebra Lineal. LIMUSA. Méjico
9 Lipschutz, Seymour. Álgebra Lineal. Serie Schaum.
9 Nakos,G. Joyner,D.(2002). Álgebra Lineal con aplicaciones. Thomson. Méjico.