Captulo 1

Algebra
lineal
1.1.
1.1.1.

EL ESPACIO VECTORIAL Rn . SUBESPACIOS

Rn . Operaciones con vectores.

Fijado un n
umero natural n 1, el espacio real n-dimensional Rn es el conjunto cuyos elementos,
llamados puntos, son las n-tuplas ordenadas (x1 , . . . , xn ) de n
umeros reales, siendo xi la i-esima
coordenada o componente de (x1 , . . . , xn ). Dos n-tuplas son iguales si y solo si tienen las mismas
componentes.
Ejemplos. (i) (1, 2, 0, 1) R4 , (1, 0) R2 y no tiene sentido comparar por igualdad los vectores
anteriores. (ii) Si (2, 1) = (a, b) en R2 entonces a = 2 y b = 1. (iii) (2, 0, 4) 6= (2, 1, 4) 6= (4, 2, 8) en R3 .
Si concebimos cada punto (x1 , . . . , xn ) Rn como un segmento dirigido que empieza en el origen
(0, . . . , 0) y termina en dicho punto, entonces decimos que tenemos el vector
~x = (x1 , . . . , xn ).
Notaci
on: Existen diversas maneras de denotar a los vectores. En la anterior definicion hemos
utilizado la flechita ~x habitual en Fsica. En textos de matematicas es mas habitual encontrarse con x
o simplemente la negrita x. En lo que sigue nosotros utilizaremos la primera de ellas. Habitualmente
se emplean las letras ~u, ~v , w,
~ ~x, ~y , ~v1 , ~v2 , . . . ~vn para referirnos a vectores, x, y, z, x1 , x2 , . . . xn
para hacer referencia a componentes de vectores y t, s, t1 , . . . tn para denotar escalares (n
umeros
reales).
Se dice que son vectores libres porque se pueden aplicar en cualquier punto seg
un el esquema
punto + vector = punto
As, el vector ~x anterior aplicado en el punto (a1 , . . . , an ) da el punto (a1 + x1 , . . . , an + xn ).
Si n = 2: R2 = {(x, y) | x, y R} plano. Cada elemento de R2 puede interpretarse como un
punto-vector en el plano, o como un vector libre en el plano.
Y
Y

Hx,yL

X
x

Si n = 3: R3 = {(x, y, z) | x, y, z R} espacio. Cada elemento de R3 puede interpretarse como

un punto-vector en el espacio, o como un vector libre en el espacio.
1

Z
Z

Hx,y,zL

y
Y

Y
X

Con los vectores del espacio Rn se pueden realizar muchas operaciones (suma, producto por un
escalar, producto escalar, producto vectorial, producto mixto,. . . ) y cada una de ellas tiene sus aplicaciones. De momento consideraremos solo las dos primeras, la suma y el producto por un escalar,
que son las llamadas operaciones lineales.
Se dice que Rn es el espacio vectorial real n-dimensional cuando sus elementos son considerados
como vectores sometidos a las dos operaciones lineales:
Suma de vectores. La suma de dos vectores ~x, ~y Rn es el vector de Rn
~x + ~y = (x1 + y1 , . . . , xn + yn ).
Producto de un escalar por un vector. El producto de un escalar t R por un vector
~x Rn es el vector de Rn
t~x = (tx1 , . . . , txn ).
Ejemplo. (1, 3, 2, 0) + (2, 3, 4, 3) = (3, 6, 6, 3);

4(1, 0, 3) = (4, 0, 12).

Estas operaciones lineales tienen las siguientes propiedades, cuya comprobacion es inmediata:
Propiedades de la suma:
Asociativa: ~x + (~y + ~z) = (~x + ~y ) + ~z.
Conmutativa: ~x + ~y = ~y + ~x.
Vector nulo ~0 = (0, . . . , 0): ~x + ~0 = ~x.
Vector opuesto ~x = (1)~x: ~x + (~x) = ~0.
Propiedades del producto por un escalar:
Escalar unidad: 1~x = ~x.
Doble escalar: t(s~x) = (ts)~x.
Propiedades mixtas:
Distributiva del escalar: (t + s)~x = t~x + s~x.
Distrtibutiva del vector: t(~x + ~y ) = t~x + t~y .
Estas operaciones se pueden realizar sucesivamente un n
umero finito de veces.
Definici
on 1. Diremos que un vector ~v Rn es combinaci
on lineal de los vectores ~v1 , . . . , ~vr Rn si
existen escalares (n
umeros reales) t1 , . . . , tr , tales que
~v = t1~v1 + + tr ~vr .

Ejemplos. En R3 , el vector (5, 13, 2) es combinacion lineal de los vectores (2, 1, 2) y (1, 4, 0) pues
(5, 13, 2) = 1(2, 1, 2) + 3(1, 4, 0). En R3 , el vector (1, 1, 1) no es combinacion lineal de los vectores
(0, 1, 1) y (0, 2, 1).
En Rn , sea la familia de vectores {~e1 , . . . , ~en }, donde ~ei tiene todas las coordenadas nulas excepto
la que ocupa el lugar i, que vale 1; cada vector ~x Rn es combinacion lineal de la familia anterior,
siendo los escalares las propias componentes del vector:
~x = x1~e1 + + xn~en .
Definici
on 2. Diremos que los vectores ~v1 , . . . , ~vr de Rn son linealmente independientes (o que la
familia de vectores {~v1 , . . . , ~vr } es libre) si
t1~v1 + + tr ~vr = ~0 t1 = t2 = = tr = 0
En caso contrario se dice que la familia de vectores es linealmente dependiente o ligada. Es claro que
cualquier familia de vectores que contenga al vector nulo no es libre, que si una familia de vectores es
libre, ning
un vector de la misma puede ser combinacion lineal de los demas, y que cualquier subfamilia
(subconjunto) de una familia libre de vectores tambien es libre.
Ejemplos. (i) Los vectores (1, 2), (1, 3) de R2 son linealmente independientes, pues si t1 (1, 2)+t2 (1, 3) =
(0, 0) entonces (t1 + t2 , 2t1 + 3t2 ) = (0, 0), es decir, t1 + t2 = 0 = 2t1 + 3t2 ; por tanto t1 = t2 = 0.
(ii) Los vectores (1, 2) y (2, 4) son linealmente dependientes, pues 2(1, 2) + (1)(2, 4) = (0, 0).
(iii) En R4 , la familia de vectores {~x = (1, 2, 4, 5), ~y = (0, 2, 0, 0), ~z = (0, 0, 3, 1), ~u = (0, 0, 0, 4)} es
libre, luego tambien lo son sus subfamilias {~x, ~y , ~u} y {~z, ~u}.
(iv) En Rn , la familia de vectores {~e1 , . . . , ~en } es libre.
(v) Tambien lo es la siguiente familia triangular, con aii 6= 0:
{(a11 , a12 , . . . , a1n ), (0, a22 , . . . , a2n ), . . . , (0, 0, . . . , ann )}

1.1.2.

Rango de una familia finita de vectores

Definici
on 3. El rango de una familia finita de vectores de Rn es el maximo n
umero de vectores
linealmente independientes que existen en dicha familia. Notese que basta que una familia contenga
alg
un vector no nulo para que su rango sea al menos 1.
Teorema 1. (i) En Rn , el rango de cualquier familia de vectores es menor o igual que n.
(ii) Si una familia de n vectores de Rn tiene rango n entonces todo vector de Rn es combinaci
on
lineal de los vectores de la familia.
La condici
on (ii) del teorema anterior se expresa diciendo que n vectores de Rn linealmente independientes engendran todo el espacio vectorial, y tambien que forman una base de Rn .
Ejemplos. (i) El rango de la familia formada por los vectores (1, 2, 4, 5), (0, 2, 0, 0), (0, 0, 3, 1) y
(0, 0, 0, 4) es 4, pues son linealmente independientes.
(ii) El rango de la familia {(1, 2, 4), (0, 2, 0), (0, 0, 0)} es 2, pues los dos vectores primeros vectores
son linealmente independientes y el vector nulo es superfluo a los efectos de la independencia lineal.
El c
alculo del rango es particularmente simple en algunos casos, as cuando los vectores presentan
una disposici
on triangular como la del ejemplo antes mencionado. En general, para calcular rangos
se usa un procedimiento que consiste en efectuar cambios o transformaciones en los vectores de modo
que el rango de las familias sucesivas no vare y al final se alcanza la disposicion triangular. Los cambios
consisten en sucesiones finitas de los cambios elementales que se indican en la proposicion siguiente.
Teorema 2. El rango de un sistema de vectores no vara si se realiza uno cualquiera de los siguientes
cambios elementales:
(i) Intercambiar entre s dos vectores de la familia.
(ii) Multiplicar un vector por un escalar no nulo.
(iii) Sumarle a un vector un m
ultiplo escalar de otro.
As obtenemos que:
3

1. rg{~v1 , . . . , ~vi , . . . , ~vk , . . . , ~vr } = rg{~v1 , . . . , ~vk , . . . , ~vi , . . . , ~vr }

rg{(1, 3, 4), (2, 4, 1), (1, 0, 1)} = rg{(1, 3, 4), (1, 0, 1), (2, 4, 1)}
2. rg{~v1 , . . . , ~vi , . . . , ~vr } = rg{~v1 , . . . , s ~vi , . . . , ~vr } s R, s 6= 0.
rg{(3, 1), (2, 3)} = rg{2 (3, 1), (2, 3)} = rg{(6, 2), (2, 3)}
3. rg{~v1 , . . . , ~vi , . . . , ~vk , . . . , ~vr } = rg{~v1 , . . . , ~vi , . . . , ~vk + t~vi , . . . , ~vr } t R
rg{(1, 2), (2, 3)} = rg{(1, 2), (2, 3) + (2) (1, 2)} = rg{(1, 2), (0, 1)}
Ejemplos. Calculemos el rango de las familias:
i) {(1, 2), (3, 1)} de R2
(1, 2)
(1, 2)

(3, 1)
(0, 5)
El rango de la segunda familia es 2, luego el de la primera tambien es 2.
ii) {(1, 1, 1), (3, 3, 3)} de R3
(1, 1, 1)
(1, 1, 1)

(3, 3, 3)
(0, 0, 0)
El rango de la segunda familia es 1, luego el de la primera tambien es 1.
iii) {(1, 0, 0, 4), (3, 3, 3, 0), (2, 0, 0, 8), (1, 1, 1, 1)} de R4
(1, 0, 0, 4)
(1, 0, 0, 4)
(1, 0, 0, 4)
(1, 0, 0, 4)
(0, 1, 1, 3)
(0, 1, 1, 3)
(0, 3, 3, 12)
(3, 3, 3, 0)

(0, 0, 0, 3)
(0, 3, 3, 12)
(0, 0, 0, 0)
(2, 0, 0, 8)
(0, 0, 0, 0)
(0, 0, 0, 0)
(0, 1, 1, 3)
(1, 1, 1, 1)
El rango de la cuarta familia es 3, pues los tres primeros vectores son linealmente independientes
(el u
ltimo no lo es pues es el vector nulo de R4 ), luego el de la primera tambien es 3.

1.1.3.

Subespacios vectoriales. Sistemas generadores y bases

Definici
on 4. Un subespacio vectorial del espacio vectorial Rn , es un subconjunto =
6 S Rn , que
cumple:
i)

~v , w
~ S

ii)

tR

~v + w
~ S
y ~v S

t~v S

Notas:
a)

Que S sea subespacio de Rn , se denota S Rn

b)

La definici
on anterior equivale a decir que cualquier combinacion lineal de vectores de S es otro
vector de S (se dice que S es cerrado por combinaciones lineales).

Ejemplos. 1)

Rn Rn ,

{~0} Rn .

2)

Todos los subespacios vectoriales de Rn contienen al ~0.

3)

El conjunto de los vectores que son combinacion lineal de una familia de vectores {~v1 , ~v2 , . . . , ~vr }
de Rn , es subespacio vectorial de Rn y se denota como h~v1 , ~v2 , . . . , ~vr i . Es decir,
h~v1 , ~v2 , . . . , ~vr i = {~v Rn | ~v = t1~v1 + t2~v2 + . . . + tr ~vr , con ti R} Rn

Definici
on 5. Dado S Rn , si S = hv1 , v2 , . . . , vr i, se dice que la familia {v1 , v2 , . . . , vr } es un sistema
generador del subespacio vectorial S. El mismo subespacio vectorial S admite sistemas generadores
diferentes.
Ejemplos.
En Rn , la familia de vectores {~e1 , . . . , ~en } es un sistema generador del espacio
vectorial Rn .

Las familias {(1, 1, 2), (2, 1, 1), (3, 3, 4), (4, 5, 7)}, {(1, 1, 2), (2, 1, 1), (3, 3, 4)},
{(1, 1, 2), (2, 1, 1)} y {(1, 1, 2), (2, 1, 1), (4, 5, 7)} son sistemas generadores de un
mismo subespacio S R3 .
Definici
on 6. Se llama base de un subespacio vectorial a cualquier sistema generador de dicho subespacio, formado por una familia libre de vectores.
Teorema 3 (Estructura de los subespacios vectoriales). Todo subespacio vectorial S no nulo de Rn
admite una base. Dos bases del mismo subespacio vectorial constan del mismo n
umero de elementos.
Definici
on 7. Se llama dimensi
on de un (sub)espacio vectorial al n
umero de vectores que componen cualquier base de dicho (sub)espacio. Coincide con el rango de cualquier sistema generador del
(sub)espacio.
Ejemplos. 1) En Rn , la familia de vectores {~e1 , . . . , ~en } es base del espacio vectorial Rn , llamada
base can
onica y dim(Rn ) = n.
2)

Las familias {(1, 1, 2), (2, 1, 1)} y {(1, 2, 3), (3, 0, 1)} son base del subespacio vectorial
que generan, de dimensi
on 2.

3)

No son base del subespacio vectorial que generan, de dimension 2 las familias{(1, 1, 2), (2, 1, 1), (3, 3, 4)}
y {(1, 1, 2), (2, 1, 1), (4, 5, 7)}.
Propiedades:

i)

S T = dim(S) dim(T ).
En particular, S Rn = dim(S) n

ii)

S T y dim(S) = dim(T ) = S = T .
En particular, S Rn y dim(S) = n = S = Rn

iii)

Si {~v1 , ~v2 , . . . , ~vr } es una familia libre de vectores del (sub)espacio vectorial V y dim(V ) = k,
entonces r k.
En particular, {~v1 , ~v2 , . . . , ~vr } familia libre de vectores de Rn = r n

1.2.

MATRICES

Definici
on 8 (Matriz de n
umeros reales). Una matriz
n
umeros reales dispuestos en m filas y n columnas:

a11 a12
a21 a22

A = (aij ) = .
..
..
.
am1 am2

A de tipo m n sobre R es un cuadro de

...
...
..
.
...

a1n
a2n

..
.
amn

El conjunto de todas las matrices de tipo m n sobre R se denota M(m n). Una matriz con igual
n
umero n de filas y de columnas se llama cuadrada de tipo n, el conjunto de todas ellas se denota por
M(n). Se llama diagonal principal de la matriz A al conjunto ordenado formado por los elementos
a11 , a22 , . . . , ann .
La matriz se escribe en la forma abreviada A = (aij ) siendo aij al n
umero real que ocupa la
intersecci
on de la fila i-esima con la columna j-esima . Dos matrices A = (aij ) y B = (bij ) son iguales
si son del mismo tipo y sus elementos con ndices iguales coinciden: aij = bij para cada i, j.
Ejemplo. No son iguales las matrices A y B siguientes:




1 3 0
9 3
A=
M(2 3);
B=
M(2)
0 1 6
7 1
La diagonal principal de B est
a formada por los elementos 9, 1.
Algunos tipos de matrices que usaremos con frecuencia son los siguientes:
Una matriz cuadrada A = (aij ) se llama triangular superior si aij = 0 cuando i > j, es decir,
los elementos por debajo de la diagonal principal son cero.
Una matriz cuadrada A = (aij ) se llama triangular inferior si aij = 0 cuando i < j, es decir,
los elementos por encima de la diagonal principal son cero.
Una matriz cuadrada A = (aij ) se llama diagonal si todos los elementos que no estan en la
diagonal principal son nulos. Es decir, es triagular superior e inferior a la vez.
Un ejemplo muy particular de matriz diagonal es la matriz unidad o matriz identidad de tipo
n, denotada In cuyos elementos de la diagonal principal son todos iguales a 1. Otro ejemplo es
la matriz nula de orden n formada por todo ceros y se representa por 0n .
Una matriz fila es una matriz de orden 1 n.
Una matriz columna tiene orden m 1.

1.2.1.

Las matrices como vectores. El espacio vectorial M(m n)

Las matrices de M(m n) se suman y se multiplican por escalares como los vectores, componente
a componente, y tienen las mismas propiedades; se tratan como si fuera un vector de Rmn escrito en
una disposici
on particular (de hecho M(m n) es un espacio vectorial de dimension mn).
Ejemplo.








3 5 0
0 2 10
3 7 10
21 35 0
, 7A =
A=
,B=
, A+B =
5 1 2
4 3
1
9 4
1
35
7
14
Los vectores suelen escribirse como matrices fila, pero en algunos momentos conviene considerarlos
como matrices columna. Una matriz puede ser considerada como una familia de vectores fila o bien
como una familia de vectores columna.
Definici
on 9. La matriz traspuesta de una matriz A = (aij ) de tipo m n es la matriz At = (aji )
de tipo n m. Notemos que las filas de At son las columnas de A y viceversa.



5 0
5 1
1
A=
, At = 1 2 .
0 2 10
1 10
Una matriz cuadrada A es simetrica si y solo si A = At y es antisimetrica si y solo si A = At .
6

Las principales propiedades de la trasposicion son las siguientes:

(At )t = A,

1.2.2.

(A + B)t = At + B t ,

(sA)t = s(At ).

Rango de una matriz

Dada una matriz A de tipo mn, podemos considerar sus filas como vectores de Rn o sus columnas
como vectores de Rm .
Definici
on 10. El rango de la matriz A M(m n), denotado por rgA, es el maximo n
umero de
filas de A que son linealmente independientes (es decir, la dimension del subespacio vectorial de Rn
engendrado por los vectores fila)
Es posible definir el rango por columnas en lugar de filas pero, afortunadamente, se demuestra que
el rango de una matriz resulta ser el mismo ya sea calculado por filas o por columnas. Usaremos, en
general, el c
alculo del rango de la familia finita de vectores de Rn formada por las filas de A.
M
etodo de Gauss. Este metodo consiste en transformar la matriz manteniendo invariante el
rango, pero introduciendo ceros hasta llegar a una matriz triangular, cuyo rango es evidente. Las
transformaciones elementales a efectuar son (ver Teorema 2):
1. Cambiar el orden de las filas de la matriz.
2. Multiplicar una fila por un n
umero distinto de cero.
3. Sumar a una fila otra u otras multiplicadas por algunos n
umeros.
Denotaremos con el smbolo el paso de una matriz a otra mediante transformaciones elementales.
Se dice que ambas matrices son equivalentes.
Ejemplos. 1. Calculo del rango de la matriz:

1
3

A=
2
1

0
3
0
1

0
3
0
1

1 0
4

0
0 3
8 0 0
0 1
1

0
3
0
1

1
4

12
0
0 0
0
3

0
1
3
0

0
1
3
0

1
4

3
0
12 0
0
0

0
1
0
0

0
1
0
0

4
3

3
0

El primer paso es hacer ceros las primeras componentes de las filas 2, 3 y 4. Para ello restamos a cada
una de ellas un m
ultiplo adecuado de la primera fila. Intercambiando el orden de las filas llegamos a
otra matriz equivalente y el u
ltimo paso es hacer cero la segunda componente de la tercera fila. Para
ello, le restamos tres veces la segunda fila, llegando a una matriz escalonada con tres filas linealmente
independientes. En consecuencia podemos asegurar que el rango de esta matriz es tres.
2. El rango de la matriz B es 3:

1
1
B=
2
0

1 1
2 3
1 0
4 4

3. La matriz C

1
0

C=
1
1

1
1
0
4

5 0
10
0

1
1
3
4

1
2
2
4

1
1
0
3

7 0
10
0

tiene rango 4 (el m

aximo posible):

2 1 1 6
1 2 1

3 2 1 0
0 3 2
2 3 4 5 0 0 4
1 1 1 1
0 3 2

1 2
0 3

0 0
0 0

1
2
4
0

1 6
1 0
.
3 1
4 4
7

1
1
0
0

1
2
4
4

1
1 1
0 1
3

2 0 0
2
0 0

1 6
1 2

1 0
0 3
3 1 0 0
2 5
0 0

1
2
4
0

1
3
.
2
0

1 1 6
2 1 0

4 3 1
4 1 5

1.2.3.

El determinante de una matriz cuadrada

A cada matriz cuadrada A de tipo n se le asocia un n

umero real mediante sumas de productos
de elementos de la matriz, teniendo en cuenta su disposicion rectangular en filas y columnas. Este
n
umero se llama el determinante de A, se representa como |A| o bien det(A). Si la matriz se indica
como A = (aij ), el determinante se se
nala con barras verticales: det(A) = |A| = |aij |.
En los casos de tipo peque
no el determinante se define as:
Si n = 1 es A = (a) y |A| = a.
Si n = 2,


a11 a12 


a21 a22  = a11 a22 a12 a21 .
Si n = 3


a11

a21

a31

=

a12
a22
a32


a13 
a23 
a33 

(a11 a22 a33 + a13 a21 a32 + a12 a23 a31 )

(a13 a22 a31 + a12 a21 a33 + a11 a23 a32 )

Estos casos sencillos responden a la siguiente definicion general:

Definici
on 11. El determinante de una matriz cuadrada de tipo n es la suma de todos los productos
de n elementos
a1j1 a2j2 anjn
tomados cada uno de fila y columna distinta (hay n! productos de este tipo), afectado cada producto
de un signo seg
un el orden de la permutacion j1 , . . . , jn .
Caso particular: el determinante de una matriz triangular es el producto de los elementos de la
diagonal principal.
El c
alculo de un determinante puede hacerse reduciendolo a determinantes de tama
no decreciente.
Sea A una matriz cuadrada de orden n. Llamaremos menor complementario del elemento aij , al
determinante Mij , de la matriz que resulta de suprimir en A la fila i y la columna j, que es una matriz
cuadrada de orden n 1. Se llama adjunto del elemento aij al n
umero Aij = (1)i+j Mij .
Teorema 4. El determinante de una matriz cuadrada es la suma de los productos de los elementos
de una fila (o columna) por sus adjuntos respectivos,
|A| =

n
X

aij Aij = ai1 Ai1 + + ain Ain ,

j=1

|A| =

n
X

aij Aij = a1j A1j + + anj Anj

i=1

Este metodo tiene valor te

orico pero no es demasiado eficaz, aunque su eficacia aumenta si se
combina con propiedades que permiten hacer ceros en la matriz hasta llegar incluso a una matriz
triangular.
Las propiedades principales de los determinantes son:
1. |A| = |At |.
2. Si en un determinante intercambiamos dos filas (columnas) el determinante cambia de signo. En
particular, el determinante vale 0 si la matriz tiene dos filas (columnas) iguales.
3. Si se multiplica una fila (columna) de una matriz A por un n
umero t, el determinante de la
nueva matriz es el determinante de A multiplicado por t. Como consecuencia, si A es de tipo n,
|tA| = tn |A|.
4. Si en un determinante se suma a una fila (columna) un m
ultiplo escalar de otra, el determinante
no se altera.

5. Si una fila (columna) es combinaci

on lineal de las demas, el determinante vale 0 (y recprocamente).
En particular, el determinante vale 0 si la matriz tiene una fila (columna) de ceros.
Determinantes y rango de una matriz. El calculo del rango de una matriz puede hacerse
utilizando determinantes, aunque es poco practico si la matriz no es muy sencilla: El rango de una
matriz A de tipo m n coincide con el orden del mayor menor no nulo de A posible. Un menor de A
es el determinante de cualquier matriz cuadrada obtenida de A suprimiendo filas y columnas.

1.2.4.

Producto de matrices. Matriz inversa

Definici
on 12. Si A = (aij ) M(m n) y B = (bij ) M(n p) llamaremos producto de A por B
a la matriz AB = (cij ) M(m p) dada por
cij = ai1 b1j + ai2 b2j + + ain bnj =

n
X

aik bkj

k=1

Cuando los productos indicados son posibles, se tienen las siguientes propiedades:
Asociativa A(BC) = (AB)C
Elemento neutro: Si A M(m n) se verifica Im A = AIn = A
Distributiva del producto con respecto de la suma: A(B+C) = AB+AC y (B+C)A = BA+CA.
El determinante de un producto de matrices cuadradas es el producto de sus determinantes:
|AB| = |A||B|.
En general, el producto de matrices no es conmutativo. Si A M(m n) y B M(n m) tienen
sentido las multiplicaciones AB M(m m) y BA M(n n). Para que AB y BA sean iguales es
necesario que m = n, pero incluso en ese caso pueden ser diferentes.
Definici
on 13. Si A es una matriz cuadrada en M(n) diremos que A es una matriz inversible si
existe una matriz cuadrada A0 del mismo tipo que verifica A0 A = AA0 = In . Si existe, esta matriz es
u
nica, la llamaremos matriz inversa de A y la denotaremos por A1 , las ecuaciones que la definen son
A1 A = AA1 = In .
Si A es inversible, entonces:
Su inversa tambien lo es y se tiene (A1 )1 = A.
Su traspuesta tambien lo es y se tiene (At )1 = (A1 )t .
Si dos matrices cuadradas del mismo tipo son inversibles, su producto tambien lo es y se verifica
(AB)1 = B 1 A1 .
Interesa saber cu
ando una matriz cuadrada tiene inversa y calcular esta cuando sea posible. Para
ello, se llama matriz adjunta de A a la matriz A = (Aij ) que tiene por elementos los adjuntos de cada
uno de los elementos de A, de modo que, seg
un el Teorema 4, se verifica A(A )t = |A|In , formula que
permite calcular la inversa de A si su determinante es distinto de cero.
Teorema 5. Una matriz cuadrada A tiene inversa si y solo si |A| =
6 0 y en tal caso la inversa es
A1 =

1
(A )t
|A|

Una alternativa para calcular la inversa de una matriz es el metodo de Gauss-Jordan siguiente: a
partir de la matriz A construimos la matriz (A|In ) y mediante operaciones elementales con las filas de
la matriz, hay que obtener una matriz de la forma (In |B). Si A tiene rango n este proceso se realiza
normalmente y la matriz B es la inversa de A, B = A1 . Si el rango de A es menor que n, como
la matrices que vamos obteniendo en el proceso son equivalentes, en alguno de los pasos intermedios
obtendremos una fila que ser
a cero y nunca podremos obtener la matriz (In |B) a partir de (A|In ).
Ilustremos con dos ejemplos este procedimiento.

Ejemplos. Calcular la inversa de las siguientes matrices en caso de que existan

1
A= 2
1

0
1
0

3
4 ,
1

1
B= 2
1

4
6 ,
2

3
8
5

Aplicamos el metodo de Gauss-Jordan para el calculo de la inversa de la

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

1 0
0 1
0 0

3
2
1

1
0
0
1 0 0
2 1
0 0 1 0
1/4 0 1/4
0 0 1

entonces

A1

1
0
0

3
2
0

4
2
0

0 3/4
1 1/2
0 1/4

0 3/4
1 1/2
0 1/4

1/4
= 3/2
1/4

Tratemos ahora de hacer lo mismo con la matriz B

1
1 3 4 1 0 0
2 8 6 0 1 0 0
1 5 2 0 0 1
0

1/4
3/2
1/4

matriz A

0
0
1

1
2
1

3
2
2

4
2
2
0
1
1

1
2
1

0 0
1 0
0 1

0
0
1

Podemos observar que a partir de aqu es imposible obtener la matriz identidad en la parte de la
izquierda, pues una de las filas correspondientes a la matriz B es cero; esto nos dice que el rango de
B es 2 y, por tanto, no tiene inversa.

10