Tema 3

Matrices

1. Introducción

Es esta sección tenemos dos K espacios vectoriales, V y W , y se supone fijada una base de V ,
BV = {v1 , . . . , vn }, y una base de W , BW = {w1 , . . . , wm }. Dada una aplicación lineal f : V ! W , se
hallan las imágenes de los elementos de BV y las expresamos como combinación lineal de los elementos
de la base BW :

f (v1 ) = a11 w1 + a21 w2 + · · · + am1 wm

f (v2 ) = a12 w1 + a22 w2 + · · · + am2 wm
.........
f (vn ) = a1n w1 + a2n w2 + · · · + amn wm

Puesto que la imagen de cualquier vector de V se puede obtener a partir de las imágenes de los de
la base de V , queda claro que “toda la información sobre f ”queda recogida en el “cuadro de números”

0 1
a11 a12 . . . a1n
B C
B a21 a22 . . . a2n C
B .. .. . . .. C.
B C
@ . . . . A
am1 am2 . . . amn

Esto nos hace pensar que es conveniente estudiar y aprender más sobre “cuadros de números”. Serán
útiles para manejar las aplicaciones lineales, a la vez que las aplicaciones lineales nos servirán para
conocer más sobre esos cuadros de números, que aparecen en muchas ramas de la ciencia.

37
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

2. Definiciones básicas

Definición 2.1 (Matriz).

Una matriz A de orden (o tamaño) m ⇥ n, sobre un cuerpo K, es una tabla de m ⇥ n elementos del
cuerpo dispuestos en m filas y n columnas:
0 1
a11 a12 . . . a1n
B C
B a21 a22 . . . a2n C
A=B B .. .. .. C
C.
@ . . . A
am1 am2 . . . amn

Notación: Podemos escribir simplemente A = (aij )m⇥n , indicando ası́ el tamaño de la matriz, y cómo
vamos a llamar a su elemento genérico.

Definición 2.2 .
Si m = 1, se dice que A es una matriz fila y si n = 1, que A es una matriz columna. Si n = m, se
dice que la matriz es cuadrada de orden n. En ese caso, los elementos a11 , a22 . . . , ann constituyen
la denominada diagonal principal de la matriz.

Definición 2.3 .
Una matriz cuadrada A = (aij )n⇥n se llama

(i) matriz diagonal si aij = 0 siempre que i 6= j.

(ii) triangular superior si aij = 0 siempre que i > j.

(iii) triangular inferior si aij = 0 siempre que i < j.

Definición 2.4 (Submatrices y bloques).

Dada una matriz A = (aij )m⇥n , si consideramos solamente los elementos correspondientes a unos
determinados ı́ndices fila y a unos determinados ı́ndices columna, obtenemos lo que se denomina
una submatriz de A. Si los ı́ndices fila elegidos son consecutivos y los ı́ndices columna también lo
son, la submatriz se denomina bloque o caja de A.

38 2. Definiciones básicas
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Ejemplo 2.1.
Dada A, matriz m ⇥ n sobre K, son bloques:

(i) Cada una de sus filas, que denotaremos A1 , . . . , Am . Se puede escribir la matriz A como
0 1
A1
B . C
A=B . C
@ . A.
Am

(ii) Cada una de sus columnas, que denotaremos A1 , . . . , An . Se puede escribir

A = (A1 | . . . |An ).

Definición 2.5 (Matriz traspuesta).

Dada una matriz A = (aij )m⇥n , llamamos traspuesta de A a la matriz n ⇥ m que tiene como filas
las columnas de A. La denotaremos
0 1
a11 a21 · · · am1
B C
B a12 a22 · · · am2 C
0 B
A =B . .. C
.. C.
@ .. . . A
a1n a2n · · · amn

Nota. Para cada 1  i  m y 1  j  m, el elemento que ocupa el lugar (i, j) en A0 es el que ocupaba
el lugar (j, i) en A.

Definición 2.6 (Matriz simétrica y antisimétrica).

Se dice que una matriz cuadrada, A, es simétrica cuando es igual a su traspuesta (A = A0 ).
Se dice que una matriz cuadrada, A, es antisimétrica cuando es igual a menos su traspuesta (A =
A0 ).

3. Operaciones con matrices

A la vista de lo dicho en la introducción, queda claro que, una vez fijada una base de V y una de W ,
cada aplicación lineal de V en W la podemos identificar con una matriz. En cierto modo “aplicación
lineal=matriz”. Puesto que sabemos hacer operaciones con aplicaciones lineales (suma, multiplicación
por un escalar, composición), vamos a definir operaciones con matrices que se correspondan con las
que tenemos con aplicaciones lineales.

3. Operaciones con matrices 39

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Definición 3.1 (Suma de matrices).

Operación interna en el conjunto de las matrices m ⇥ n sobre un cuerpo K, que se define mediante:
0 1 0 1 0 1
a11 · · · a1n b11 · · · b1n a11 + b11 · · · a1n + b1n
B . C B .. C B C
B .. ... C + B ... . C B .. .. C.
@ A @ A=@ . . A
am1 · · · amn bm1 · · · bmn am1 + bm1 · · · amn + bmn

Es decir, si A = (aij )m⇥n y B = (bij )m⇥n , entonces

A + B = (aij + bij )m⇥n .

Proposición 3.2 .
La suma en el conjunto de las matrices m ⇥ n sobre un cuerpo K verifica las siguientes propiedades,
en las que A, B, C son matrices m ⇥ n cualesquiera:

Conmutativa: A + B = B + A.

Asociativa: (A + B) + C = A + (B + C).
0 1
0 ··· 0
B . .. C
B
Existencia de elemento neutro: La matriz m ⇥ n nula, @ .. . C
A, que denotaremos por
0 ··· 0
0, verifica A + 0 = A = 0 + A para cualquier matriz A m ⇥ n.

Existencia
0 1 opuesto: Para cada matriz m ⇥ n, A, existe una matriz m ⇥ n,
de elemento
a11 · · · a1n
B .. .. C
B . . C, que denotamos por A, tal que A + ( A) = 0 y ( A) + A = 0.
@ A
am1 · · · amn

(A + B)0 = A0 + B 0 .

Definición 3.3 (Producto de una matriz por un escalar).

Operación externa que se define para cada matriz A = (aij )m⇥n y cada escalar t 2 K, de la siguiente
forma: 0 1 0 1
a11 · · · a1n ta11 · · · ta1n
B . .. C B . .. C
t·B@ .
. . C
A=@ .
B . . CA.
am1 · · · amn tam1 · · · tamn
Es decir,
tA = (taij )m⇥n .

40 3. Operaciones con matrices

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Proposición 3.4 .
Esta operación verifica las siguientes propiedades, en las que A y B son matrices cualesquiera m ⇥ n
y t y s son escalares del cuerpo K:

(t + s)A = tA + sA.

(ts)A = t(sA).

t(A + B) = tA + tB.

1A = A.

(tA)0 = t(A0 ).

Definición 3.5 (Producto de un vector fila por un vector columna).

Podemos multiplicar un vector fila (1 ⇥ n) por un vector columna (n ⇥ 1) de la siguiente forma:
0 1
y1
B . C
(x1 , . . . , xn ) · B
@ .
. C = x 1 y1 + · · · + x n y n .
A
yn

Definición 3.6 (Producto de matrices).

Para una matriz cualquiera A, m ⇥ n sobre K,
0 1
A1
B C
B A2 C
A=B
B
C
.. C ,
@ . A
Am

y una matriz cualquiera B, n ⇥ p sobre K,

0 1
B C
B C
B C
B=B 1 2
B B B ··· Bp C
C,
B C
@ A

se llama matriz producto de A por B a la matriz C de orden m ⇥ p sobre K, donde cada elemento
cij de dicha matriz es el producto definido anteriormente de la fila Ai por la columna B j . Se denota
A · B = C o simplemente AB = C.

Hay veces en que las matrices se encuentran divididas en bloques cuyos tamaños encajan a la hora
de hacer el producto. En ese caso, podemos utilizar el siguiente resultado para multiplicar matrices:

3. Operaciones con matrices 41

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Proposición 3.7 .
Supongamos que una matriz A, m ⇥ n, se puede dividir en r ⇥ s bloques,
0 1
C11 C12 · · · C1s
B C
A=B ... ... ... C ,
@ A
Cr1 Cr2 · · · Crs

de forma que, para cada j 2 {1, . . . , s}, los bloques C1j , . . . , Crj tengan nj columnas (n1 + · · · + ns =
n).
Por otro lado, supongamos que B, matriz n ⇥ p, puede ser dividida en s ⇥ t bloques,
0 1
D11 D12 · · · D1t
B .. .. .. C
B=B @ . . . C
A,
Ds1 Ds2 · · · Dst

de forma que, para cada i 2 {1, . . . , s}, los bloques Di1 , . . . , Dit tengan ni filas (n1 + · · · + ns = n).
Entonces 0 1
P11 P12 · · · P1t
B .. .. .. C
AB = B @ . . . C
A,
Pr1 Pr2 · · · Prt
donde cada bloque Pij = Ci1 D1j + Ci2 D2j + · · · + Cis Dsj .

Ejemplo 3.1.
Para hacer el producto de una matriz A, m ⇥ n, por una matriz B, n ⇥ p, podemos escribir B =
(B 1 | · · · |B p ), donde B 1 , · · · , B p son las columnas de B. Entonces

AB = A(B 1 | · · · |B p ) = (AB 1 | · · · |AB p ).

De la misma forma, podemos escribir

0 10 1 0 1
A1 A1 B
B . CB C B .. C
AB = B . C
@ . A@ B A=B
@ . A.
C
Am Am B

Otra manera de ver AB como producto de bloques es dividiendo A en bloques de tamaño 1 ⇥ 1:

0 10 1 0 1
a11 · · · a1n B1 a11 B1 + · · · + a1n Bn
B . .. C B . C B .. C
AB = B
@ .
. . C B .
A@ .
C=B
A @ . C.
A
am1 amn Bn am1 B1 + · · · + amn Bn

42 3. Operaciones con matrices

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Por último, si dividimos B en bloques de tamaño 1 ⇥ 1, obtenemos:

0 10 1
b11 ··· b1p
B CB .. .. C
AB = @ A1 · · · An A B
@ . . C
A
bn1 bnp
0 1
B C
= @ A1 b11 + · · · + An bn1 · · · · · · A1 b1p + · · · + An bnp A .

Nota. El producto definido entre matrices no es conmutativo. De hecho, incluso puede ocurrir que se
pueda hacer A · B y sin embargo B · A no tenga sentido.
Si A y B son matrices tales que AB = BA, decimos que A y B conmutan.

Proposición 3.8 (Propiedades del producto de matrices).

Si A, B, C, D y E son matrices sobre K de los tamaños adecuados para que las expresiones
siguientes tengan sentido y t 2 K, entonces:

(i) A(BC) = (AB)C.

(ii) A(B + D) = AB + AD.

(iii) (A + E)B = AB + EB.

(iv) t(AB) = (tA)B = A(tB).

(v) AIn = Im A, donde In denota la matriz n ⇥ n con valor 1 en todos los lugares de la diagonal
principal y 0 en el resto.

(vi) (AB)0 = B 0 A0 .

Nota.

(i) Las matrices de la forma tIn con t 2 K se comportan con respecto a este producto de la misma
forma que los escalares de K en la operación externa sobre matrices. Por ello se les llama matrices
escalares.

(ii) No es cierto, en general, que AB = BA. Por tanto, tampoco se verifica siempre que (A + B)2 =
A2 + 2AB + B 2 .

(iii) Tampoco es cierto, en general, que AB = AC implique B = C, ni siquiera cuando las matrices
son cuadradas.

Si existe una inversa de la matriz A, tal como se define a continuación, la cosa cambia.

3. Operaciones con matrices 43

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Definición 3.9 (Matriz regular).

Si A es una matriz cuadrada, diremos que A es regular o invertible si existe B, matriz n ⇥ n sobre
K, con AB = In y BA = In . Se escribe en ese caso B = A 1 .

Proposición 3.10 .
Se verifica que:

(i) Si A y B son matrices n ⇥ n sobre K regulares, entonces AB es también regular. Además,

1 1 1
(AB) =B A .

(ii) Si A es una matriz regular, entonces A 1 es también regular y la inversa de A 1 es A.

(iii) Si A es regular, entonces AB = AC =) B = C. En particular, AB = 0 =) B = 0.

4. Matriz coordenada de una aplicación lineal

Algunas propiedades de las que hemos mencionado en la sección anterior, como la asociativa del
producto de matrices, no son sencillas de demostrar. Sin embargo, cuando relacionemos los conceptos
de matriz y aplicación lineal (“son la mis cosa”), veremos que esas propiedades resultan evidentes.
Como ya hemos dicho en la introducción del tema, fijadas una base {v1 , . . . , vn } de V y una base
{w1 , . . . , wm } de W , una aplicación lineal, f : V ! W queda perfectamente determinada si conocemos
la matriz cuya columna j-ésima son las coordenadas de f (vj ) en la base {w1 , . . . , wm }.

Definición 4.1 (Matriz coordenada de una aplicación).

Dada una aplicación lineal f : V ! W , se llama matriz coordenada de f en las bases {v1 , . . . , vn }
de V y {w1 , . . . , wm } de W a la matriz A de tamaño m ⇥ n cuyas columnas son las coordenadas de
los f (vj ) en la base {w1 , . . . , wm }.

Usando notación matricial (también para matrices cuyos elementos no son números, sino vectores),
lo dicho al comienzo de la introducción se recoge en la expresión:

0 1
a11 a12 . . . a1n
B C
B a21 a22 . . . a2n C
(f (v1 ) f (v2 ) . . . f (vn )) = (w1 . . . wm ) B
B .. .. . . .. C.
C
@ . . . . A
am1 am2 . . . amn

Nota. Supongamos que (x1 , . . . , xn ) son las coordenadas de un vector v 2 V en la base de V (o sea,

44 4. Matriz coordenada de una aplicación lineal

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

v = x1 v1 + . . . + xn vn ), se tiene:
0 1
x1
B C
B x2 C
f (v) = x1 f (v1 ) + . . . + xn f (vn ) = (f (v1 ) f (v2 ) . . . f (vn )) B
B .. C
C
@ . A
xn
0 10 1
a11 a12 . . . a1n x1
B CB C
B a21 a22 . . . a2n CB x2 C
= (w1 . . . wm ) B
B .. .. . . .. CB
CB .. C.
C
@ . . . . A@ . A
am1 am2 . . . amn xn

Considerando las matrices columna

0 1 0 1
x1 y1
B . C B . C
B C B
X = @ .. A e Y = @ .. C,
A
xn ym

la relación entre las coordenadas X e Y puede escribirse ahora en forma matricial mediante Y = AX.
La ecuación anterior se llama ecuación coordenada de la aplicación lineal f en las bases {v1 , . . . , vn }
y {w1 , . . . , wm }.

Definición 4.2 (Suma y producto por un escalar).

Si f y g son aplicaciones lineales de V y W , se define la aplicación suma f + g como la aplicación
de V en W dada por
(f + g)(v) = f (v) + g(v) para todo v 2 V .

Se define la aplicación producto por un escalar tf , por

tf (v) = f (tv) para todo v 2 V y t 2 K.

La composición de aplicaciones lineales se define como cualquier composición de aplicaciones.

Proposición 4.3 .
Dadas las aplicaciones lineales, f1 : V ! W , f2 : V ! W y g : W ! U , fijamos las bases
{v1 , . . . , vn } de V , {w1 , . . . , wm } de W y {u1 , . . . , up } de U . Supongamos que, en las bases dadas, la
matriz coordenada de f1 es A1 , la de f2 es A2 y la de g es B. Entonces se verifica:

(i) La matriz coordenada de f1 + f2 es A1 + A2 .

(ii) La matriz coordenada de tf1 es tA1 .

(iii) La matriz coordenada de g f : V ! U es BA.

Nota. Todas las propiedades sobre las operaciones con matrices (en particular la asociatividad del
producto) se demuestran de manera sencilla como consecuencia de la proposición anterior.

4. Matriz coordenada de una aplicación lineal 45

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

4.1. Escalonamiento de matrices

Definición 4.4 (Matriz escalonada).

Se dice que una matriz está escalonada si el número de ceros iniciales en cada fila no nula es
estrictamente mayor que el de la fila anterior. Por tanto, si hay filas totalmente nulas, éstas deben
ocupar las últimas posiciones.

Nuestro objetivo será transformar, mediante “operaciones elementales”por filas, cualquier matriz
m ⇥ n sobre K en una matriz escalonada.
Recordemos que si realizamos “operaciones elementales.en una familia de vectores, su clausura lineal
no cambia. Cuando tenemos una matriz A de tamaño m⇥n, sus filas forman una familia {A1 , . . . , Am }
de vectores de Kn ; y sus columnas una familia {A1 , . . . , An } de vectores de Km . De esta manera,
Las operaciones elementales por filas que podemos realizar sobre las filas de A son las siguientes:

(i) Intercambiar Ai y Aj , con i 6= j.

(ii) Sustituir Ai por Ai + tAj para algunos i 6= j y t 2 K.

(iii) Sustituir Ai por tAi para algún t 2 K con t 6= 0.

Operaciones análogas se pueden realizar en la familia de las columnas de A.

Teorema 4.5 .
Dada una matriz A, m ⇥ n, es posible obtener mediante sucesivas operaciones elementales sobre sus
filas, una matriz escalonada.

Proposición 4.6 (Método de escalonamiento de Gauss).

Si todos los elementos de A son nulos, o bien, m = 1, la matriz ya está escalonada. En otro caso,
realizamos sobre A los pasos siguientes:

Buscamos la primera columna de A que no sea totalmente nula. Vamos a llamarle j-ésima.
Si el elemento (1, j) es no nulo, saltamos al paso 2). Si es igual a cero, buscamos en la misma
columna el primer elemento no nulo e intercambiamos la fila en la que se encuentre con la
primera.

Llamamos pivote al elemento p que ahora ocupa el lugar (1, j). Ahora, para i = 2, . . . , m,
elto. (i, j)
sustituimos la fila i-ésima por ella menos p veces la primera fila.

Después, repetimos el proceso anterior sobre la submatriz que resulta de suprimir la primera
fila de la matriz anterior y sus j primeras columnas.

El proceso termina cuando, o bien la submatriz sobre la que hay que reiterar el proceso es nula, o
bien cuando tiene una sola fila. Se obtiene ası́ una matriz escalonada.

46 4. Matriz coordenada de una aplicación lineal

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Nota. La matriz E que aparece en el teorema anterior no es única para cada A. Es decir, a partir de
una matriz A, pueden obtenerse mediante operaciones elementales sobre sus filas, distintas matrices
escalonadas.

Aunque se haya llegado ya, a partir de una matriz A, a una matriz escalonada E, todavı́a se pueden
seguir realizando operaciones elementales sobre las filas de E hasta obtener una matriz del siguiente
tipo.

Definición 4.7 (Matriz de Hermite).

Se llama matriz escalonada reducida ó matriz de Hermite a toda matriz H que verifique las siguientes
condiciones:

(i) H es escalonada.

(ii) En cada fila no nula de H, el primer elemento no nulo es igual a 1 y la columna a la que
pertenece es del tipo 0 1
0
B . C
B .. C
B C
B C
B 0 C
B C
i) B C
B 1 C.
B C
B 0 C
B . C
B . C
@ . A
0

Proposición 4.8 .
Dada una matriz escalonada E, es posible obtener una matriz escalonada reducida mediante opera-
ciones elementales sobre sus filas.

Nota. Si multiplicamos cada fila no nula de E por el inverso de su primer elemento no nulo, obtenemos
un 1 en la primera posición no nula de cada una de estas filas. Ahora, utilizando cada 1 de éstos como
pivote (empezando por el de más abajo), hacemos ceros por encima de él con operaciones elementales
del tipo II hasta obtener una matriz escalonada reducida, H.

Teorema 4.9 .
Dada una matriz A, m ⇥ n, la matriz de Hermite a la que se puede llegar mediante operaciones
elementales sobre las filas de A es única.

Definición 4.10 (Forma normal de Hermite).

La única matriz de Hermite a la que se llega realizando operaciones elementales sobre las filas de A
se denomina forma normal de Hermite de A.

4. Matriz coordenada de una aplicación lineal 47

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Definición 4.11 (Rango de una matriz).

Llamamos rango de una matriz A al número de filas no nulas que tiene su matriz normal de Hermite.
Se denota rangA.

Nota. Observemos que el rango de A es el rango de la familia formada por sus lilas (que son vectores
de Kn ). Además puede conocerse en el momento en que tenemos una matriz escalonada obtenida a
partir de A mediante operaciones elementales por filas: es el número de filas no nulas de la escalonada.

4.2. Matrices elementales

Veamos ahora que cada operación elemental realizada sobre las filas de A puede interpretarse como
el producto de A por una cierta matriz regular a su izquierda.

Definición 4.12 (Matrices elementales).

Se llaman matrices elementales m ⇥ m a las que responden a alguno de los siguientes tipos:

(i) Pij , con i 6= j, es la matriz que resulta al intercambiar las filas i-ésima y j-ésima de la matriz
Im .

(ii) Sij (t), con i 6= j y t 2 K, es la matriz que resulta al sumar a la fila i-ésima de la matriz Im , t
veces la fila j-ésima.

(iii) Mi (t), con 0 6= t 2 K, es la matriz que se obtiene al multiplicar la fila i-ésima de la matriz Im
por t.

Proposición 4.13 .
Sea A matriz m ⇥ n sobre K y Pij , Sij (t) y Mi (t) como en la definición anterior. Entonces,

(i) Pij A es la matriz que se obtiene al intercambiar en la matriz A las filas i-ésima y j-ésima.

(ii) Sij (t)A es la matriz que se obtiene al sumar a la fila i-ésima de la matriz A, t veces la fila
j-ésima.

(iii) Mi (t)A es la matriz que se obtiene al multiplicar la fila i-ésima de la matriz A por t.

Proposición 4.14 .
Las matrices elementales son regulares. Además, la inversa de una matriz elemental vuelve a ser
elemental. Concretamente:
1
(i) Pij = Pij .

(ii) Sij (t) 1 = Sij ( t).

(iii) Mi (t) 1 = Mi (t 1) (t 6= 0).

48 4. Matriz coordenada de una aplicación lineal

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

El hecho conocido de que toda matriz m⇥n sobre K puede transformarse en una matriz escalonada
(ó escalonada reducida),realizando solamente operaciones elementales sobre sus filas, tiene ahora una
nueva interpretación:

Teorema 4.15 .
Dada A, matriz m ⇥ n sobre K, se tiene:

(i) Existen matrices elementales de orden m, L1 , L2 ,..., Ls , tales que

Ls Ls 1 . . . L1 A = E, matriz escalonada.

(ii) Existe una matriz regular de orden m, R = Ls Ls 1 . . . L1 , tal que RA = E, matriz escalonada.

(iii) Existen matrices elementales de orden m, Ls+1 , ..., Lt , tales que

Lt . . . Ls+1 Ls . . . L1 A = H, forma normal de Hermite de A.

(iv) Existe una matriz regular de orden m, Q = Lt . . . Ls+1 Ls . . . L1 , tal que QA = H, forma
normal de Hermite de A.

4.3. Escalonamiento de matrices cuadradas

Dada una matriz cuadrada A, n ⇥ n sobre K, consideramos la matriz n ⇥ 2n (A|In ) y realizamos

operaciones elementales sobre sus filas hasta obtener una matriz (H|Q), donde H es la forma normal
de Hermite de A, y Q es una matriz regular que verifica QA = H. Nos encontramos entonces en una
de las dos situaciones siguientes:
Caso regular: Las n filas de la matriz H son no nulas. En este caso:

rang A = n.

H es la matriz identidad.

QA = In . Por tanto, A es invertible y Q es la inversa de A.

Caso singular: H tiene alguna fila totalmente nula. En ese caso:

rang A < n.

A no es invertible.

Los dos casos se recogen en el siguiente teorema:

Teorema 4.16 .
Dada una matriz cuadrada A, n ⇥ n sobre K, entonces:
A es regular () rang A = n.

4. Matriz coordenada de una aplicación lineal 49

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Proposición 4.17 .
Toda matriz cuadrada A, regular, se puede escribir como producto de matrices elementales.

5. Equivalencia de matrices
Hemos visto que una matriz A, m ⇥ n, sobre K puede transformarse, mediante operaciones ele-
mentales sobre sus filas, en una matriz normal de Hermite con un número r de filas no nulas. Es fácil
ver que, si aplicamos operaciones elementales a sus vectores columna, podemos obtener una matriz
del tipo !
Ir 0
.
0 0
En efecto. Realizamos en primer lugar las permutaciones de columnas que sean necesarias para
que los 10 s iniciales de las filas no nulas ocupen las primeras columnas. Llegamos ası́ a una matriz del
tipo !
Ir M
.
0 0
Ahora, basta utilizar el 1 inicial de cada fila no nula como pivote para hacer ceros a su derecha,
en toda su fila, para obtener una matriz del tipo deseado. Además, sigue siendo r =rangA.
Veamos que realizar una operación elemental sobre las columnas de una matriz equivale a multi-
plicarla a derecha por una matriz elemental:

Proposición 5.1 .
Dada A, matriz m ⇥ n sobre K y Pij , Sij (t) y Mi (t) como en la definición de matrices elementales.
Entonces,

(i) APij es la matriz que se obtiene al intercambiar en la matriz A las columnas i-ésima y j-ésima.

(ii) ASij (t) es la matriz que se obtiene al sustituir en la matriz A la columa j-ésima, Aj , por
Aj + tAi .

(iii) AMi (t) es la matriz que se obtiene al sustituir en la matriz A la columna i-ésima, Ai , por
tAi .

Definición 5.2 (Subespacio de filas y columnas de una matriz).

Dada una matriz A, m ⇥ n, sobre el cuerpo K, definimos Fil(A) = K < A1 , . . . , Am >, el subespacio
de Kn generado por las filas de A; y Col(A) = K < A1 , . . . , An >, el subespacio de Km generado
por las columnas de A.

Proposición 5.3 .
Para cada matriz A se verifica: dimFil(A) =rangA =dimCol(A).

50 5. Equivalencia de matrices
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Definición 5.4 (Matrices equivalentes).

Diremos que dos matrices, A y B, del mismo tamaño, son equivalentes si existen matrices regulares
Q yP tales que QAP = B.

Proposición 5.5 .
En el conjunto Mat(m⇥n, K), la relación “ser equivalente a.es una relación de equivalencia (reflexi-
va, simétrica y transitiva). En consecuencia, se tiene una clasificación en el conjunto Mat(m⇥n, K).

Proposición 5.6 .
Una matriz P de tamaño n ⇥ n sobre K es regular si y solo si las columnas de P forman una base
de Kn . Este resultado es equivalente a decir que P es regular si y solo si es matriz de un cambio de
base.

Proposición 5.7 .
Sean A y B 2Mat(m ⇥ n, K). Las tres afirmaciones siguientes son equivalentes:

(i) A y B son equivalentes.

(ii) Existe una aplicación lineal f : Kn ! Km para la que tanto A como B son matrices coorde-
nadas (en distintas bases).

(iii) rangA =rangB.

Como consecuencia de la proposición anterior se tiene que:

Proposición 5.8 .
Dada una aplicación lineal f : V ! W , se puede elegir una base de V y una de W respecto de las
cuales la matriz coordenada de f es (Ir , 0), siendo r =rangf .
.

5. Equivalencia de matrices 51
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

6. Sistemas de ecuaciones lineales

Definición 6.1 (Sistema de ecuaciones lineales).

Un sistema de ecuaciones lineales definido sobre un cuerpo K es una colección de m ecuaciones en
n variables, x1 , . . . , xn , de la forma siguiente:
9
a11 x1 + . . . + a1n xn = b1 >
>
>
>
a21 x1 + . . . + a2n xn = b2 =
(⇤),
.................. > >
>
>
am1 x1 + . . . + amn xn = bm ;

donde los aij son elementos del cuerpo K, que se denominan coeficientes del sistema, y los bi son
también elementos de K, denominados términos independientes del sistema.

Definición 6.2 .
Si escribimos un sistema de ecuaciones lineales en forma matricial,
0 10 1 0 1
a11 . . . a1n x1 b1
B CBB .. C
C
B .
B
C
C,
@ . . . . . . . . . A @ . A = @ .. A
am1 . . . amn xn bm

entonces la matriz A = (aij )m⇥n se denomina matriz de coeficientes del sistema y la matriz
0 1
a11 . . . a1n b1
B C
(A|B) = @ . . . . . . . . . . . . A
am1 . . . amn bm

matriz ampliada del sistema.

Notación: Escribiremos también el sistema en forma abreviada, AX = B, donde

0 1 0 1
x1 b1
B . C B . C
X=B . C B . C
@ . A y B = @ . A.
xn bm

Definición 6.3 (Soluciones de un sistema).

0 1
x01
B . C
Una solución del sistema es una columna concreta X 0 = B . C
@ . A, con todos los valores en K, que
x0n
hace cierta la igualdad AX 0 = B.
Se dice que un sistema de ecuaciones es compatible determinado si tiene una única solución, com-
patible indeterminado si posee más de una solución e incompatible si no tiene ninguna solución.

52 6. Sistemas de ecuaciones lineales

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Nota. Observemos que las soluciones de un sistema lineal sobre K no son números, sino n-tuplas.

Definición 6.4 (Sistema homegéneo).

Un sistema de ecuaciones del tipo AX = 0 se denomina sistema homogéneo.

Proposición 6.5 .
1 0
0
B . C
Un sistema de ecuaciones homogéneo siempre es compatible ya que la columna nula, X 0 = B . C
@ . A
0
siempre es solución del mismo. Obviamente, puede ser determinado, si solo tiene la solución nula,
o indeterminado, en el caso en que tenga más soluciones que la nula.

6.1. Resolución de sistemas

En esta sección, tratamos de resolver un sistema AX = B de m ecuaciones con n incógnitas, es

decir, de encontrar sus soluciones, o bien decidir que no existen.
Para ello, tomamos su matriz ampliada (A|B) y realizamos operaciones elementales sobre sus filas

Ls . . . L1 (A|B) = (Ls . . . L1 A|Ls . . . L1 B)

hasta obtener una matriz escalonada, que denominamos (E|D), donde E es también una matriz
escalonada m ⇥ n y D es la última columna. Por último, resolvemos el sistema EX = D. Tenemos
que asegurarnos de que las soluciones de este último sistema son las mismas que las del sistema de
partida.

Proposición 6.6 .
Si L es una matriz regular m ⇥ m, entonces el sistema LAX = LB tiene exactamente las mismas
soluciones que el sistema de partida, AX = B.

Teorema 6.7 .
Las soluciones del sistema cuya matriz ampliada es (E|D) son las mismas que las del sistema de
partida AX = B.

Para hallarlas consideramos las ecuaciones del sistema escalonado EX = D, de abajo arriba.
Dejamos libres las variables que no aparezcan en primer lugar en ninguna de las filas. Despejamos las
demás en función de las que hemos dejado libres.

Nota. Por el teorema anterior, sabemos que, si el sistema EX = D es incompatible, también lo será
el sistema original AX = B.

6. Sistemas de ecuaciones lineales 53

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

6.2. Teorema de Rouché-Frobënius

Teorema 6.8 .
Dado un sistema de ecuaciones AX = B, con A matriz m ⇥ n sobre K, entonces

(i) Si rang A < rang (A|B), el sistema AX = B es incompatible.

(ii) Si rang A = rang (A|B)=r, entonces

Si r = n, el sistema AX = B es compatible determinado.

Si r < n, el sistema es compatible indeterminado.

7. Inversa generalizada de una matriz

Sabemos que no toda matriz tiene inversa, ni siquiera toda matriz cuadrada la tiene. Vamos a
introducir un concepto algo menos exigente que el de inversa que conocemos.

Definición 7.1 (Inversa generalizada de una matriz).

Dada A, matriz m ⇥ n sobre K, llamamos inversa generalizada de A a cualquier matriz G, n ⇥ m
sobre K, que verifique AGA = A.

Nota.

(i) Para una matriz dada A, es posible que existan varias inversas generalizadas distintas.

(ii) Si A es una matriz cuadrada, regular, la única inversa generalizada que posee es su inversa A 1.

(iii) Cualquier matriz A tiene, al menos, una inversa generalizada, como se ve en la proposición
siguiente.

Proposición 7.2 .
Dada A, matriz m ⇥ n sobre K, supongamos que Q y P son matrices regulares tales que
!
Ir 0
QAP = .
0 0

Entonces, la matriz !
Ir 0
G=P Q.
0 0
es una inversa generalizada de A.

Nota. Observemos que con el método anterior podemos obtener más de una inversa generalizada de

54 7. Inversa generalizada de una matriz

 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

A, puesto que las matrices Q y P que hacen

!
Ir 0
QAP = .
0 0

no son uńicas.
Para ver la utilidad de la inversa generalizada de una matriz, comparemos el siguiente resultado,
sobre la solución de un sistema en el que la matriz A de los coeficientes es cuadrada y regular, con el
que se tiene a continuación para una matriz A cualquiera (aunque no sea cuadrada).

Proposición 7.3 .
Dada A una matriz regular, entonces cualquier sistema AX = B es compatible determinado y,
además, la columna X = A 1 B es su única solución.

Teorema 7.4 .
Dadas A una matriz m⇥n y G una inversa generalizada de A. Si el sistema AX = B es compatible,
entonces la columna X = GB es una de sus soluciones.
Recı́procamente, una vez fijada A, si para cualquier sistema compatible AX = B se cumple que GB
es solución, entonces G es una inversa generalizada de A.

Nota. Si, después de hallar la columna X = GB, comprobamos que no sirve como solución del sistema,
habremos demostrado que el sistema dado es incompatible puesto que, en caso de que fuera compatible,
la columna X = GB deberı́a ser solución.

8. Determinantes

Definición 8.1 (Determinante de una matriz cuadrada).

Para cada n 2 N, definimos una aplicación det del conjunto de todas las matrices n ⇥ n sobre K en
el cuerpo K, es decir, una aplicación que asigna a cada matriz n ⇥ n un escalar. Lo hacemos de la
siguiente forma:

(i) Si A = (a), matriz 1 ⇥ 1 sobre K, definimos det (a) = a.

(ii) Si A es una matriz n ⇥ n sobre K, llamamos matriz adjunta del elemento que ocupa el lugar
(i, j) de A a la matriz (n 1) ⇥ (n 1) que se obtiene al eliminar la fila i-ésima y la columna
j-ésima de A. Se denota por Aij . Definimos el determinante de A a partir de los determinantes
de sus matrices adjuntas, de la forma siguiente:

det(A) = a11 ( 1)1+1 det(A11 ) +

a21 ( 1)2+1 det(A21 ) + · · · + an1 ( 1)n+1 det(An1 ).

La expresión anterior se denomina desarrollo del determinante de A por su primera columna.

8. Determinantes 55
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Notación: Denotaremos det(A) por |A|.

Damos sin demostrar las siguientes propiedades de la función determinante:

Proposición 8.2 (Propiedades de los determinantes).

Dada una matriz A, n ⇥ n sobre K, se tiene:

(i) Si una fila de A, Ai 2 Kn , puede escribirse como suma de dos vectores B, C 2 Kn , pongamos
Ai = B + C, entonces
0 1 0 1 0 1
A1 A1 A1
B . C B . C B . C
B . C B . C B . C
B . C B . C B . C
B C B C B C
det B Ai C = det B B C + det B
B C B C
B C C.
C
B . C B . C B . C
B .. C B .. C B .. C
@ A @ A @ A
An An An

(ii) Si una fila de A, Ai 2 Kn , puede escribirse como Ai = tB, con t 2 K y B 2 Kn , entonces

0 1 0 1
A1 A1
B . C B . C
B . C B . C
B . C B . C
B C B C
det B Ai C = tdet B
B C C
B B C ó lo que es lo mismo, |Mi (t) · A| = t|A|.
B . C B . C
B .. C B .. C
@ A @ A
An An

(iii) Si A tiene dos filas iguales, entonces det A = 0.

(iv) det In = 1 para cualquier n 2 N.

(v) Si A tiene una fila nula, entonces det A = 0.

(vi) Si intercambiamos dos filas de A entre sı́, el determinante cambia de signo, es decir
0 1 0 1
.. ..
B . C B . C
B A C B A C
B i C B j C
B . C B . C
det B .
B . C
C = det B .. C ó lo que es lo mismo, |Pij · A| = |A|.
B C
B C B C
B Aj C B Ai C
@ A @ A
.. ..
. .

(vii) Si realizamos sobre las filas de A una operación elemental de tipo II, el determinante de A no
cambia: |Sij (t) · A| = |A|.

Nota.

(i) En general, no es cierto que det(A + B) = det A + det B.

(ii) Tampoco se verifica, en general, que det(tA) = tdetA.

56 8. Determinantes
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Proposición 8.3 .
Los determinantes de las matrices elementales cumplen:

(i) |Pij | = |In | = 1.

(ii) |Sij (t)| = |In | = 1.

(iii) |Mi (t)| = t|In | = t, con t 6= 0.

Es fácil demostrar ahora el siguiente resultado:

Proposición 8.4 .
Si L es una matriz elemental n⇥n, entonces, para cualquier matriz A, n⇥n, det (LA) = det L·detA.

Teorema 8.5 .
A es regular si y sólo si det A 6= 0.

Proposición 8.6 .
Dadas A y B, matrices cuadradas del mismo orden, det(AB) = det(A)det(B). En particular, si A
es regular, det A 1 = 1/det A.

Nota. Si L es una matriz elemental n ⇥ n, entonces det(L0 ) = det(L) ya que las de los tipos I y III
son simétricas y la del tipo II verifica que (Sij (t))0 = Sji (t)

Proposición 8.7 .
Para cualquier matriz cuadrada, A, se verifica que det A0 = det A.

Por la proposición anterior, cualquier propiedad sobre determinantes que pueda expresarse en
términos de las filas de la matriz, también se verifica si cambiamos fila por columna en su redacción:

Teorema 8.8 .
Podemos calcular el valor del determinante de una matriz desarrollándolo por cualquiera de sus
columnas, 1  j  n,

|A| = a1j ( 1)1+j |A1j | + a2j ( 1)2+j |A2j | + · · · + anj ( 1)n+j |Anj |,

o bien, desarrollándolo por una cualquiera de sus filas, 1  i  n,

|A| = ai1 ( 1)i+1 |Ai1 | + ai2 ( 1)i+2 |Ai2 | + · · · + ain ( 1)i+n |Ain |.

8. Determinantes 57
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Proposición 8.9 .
Si T = (tij )n⇥n es una matriz triangular, superior o inferior, entonces

det T = t11 t22 . . . tnn .

58 8. Determinantes
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Ejercicios
⇤
⇥3.1. Escribe una matriz no nula, A = (aij )3⇥3 que responda a cada uno de los siguientes tipos:

(a) Matriz diagonal (aij = 0 si i 6= j).

(b) Matriz simétrica (aij = aji ).

(c) Matriz triangular superior (aij = 0 si i > j).

(d) Matriz antisimétrica (aij = aji )

⇤
⇥3.2. Dadas las matrices 0 1
2 1 1 0 1
B C 1
B 1 2 2 C
A=B C, B = B C
@ 0 A,
B 0 1 3 C
@ A
3
2 0 1
0 1
B C
(a) escribe el producto de A por B utilizando que A = @ A1 A2 A3 A y B está formado por tres

bloques unipuntuales. Observa que AB es una combinación lineal de las columnas de A.

0 1
A1
B C
B A2 C
(b) Escribe el producto de A por B utilizando que A = BB A
C y tomando B como un solo
C
@ 3 A
A4
bloque.

⇤
⇥3.3. Para cualquier matriz cuadrada A de orden 3 calcula:
0 1 0 1 0 1
1 0 0
B C B C B C
(a) A @ 0 A, A @ 1 A y A @ 0 A.
0 0 1

(b) (1 0 0)A , (0 1 0)A y (0 0 1)A.

⇤
⇥3.4. Dadas las matrices
0 1
⇣ ⌘ 1 2 2
B C
A= 1 2 1 , y B=@ 0 1 3 A
2 0 1
0 1
B1
B C
(a) Halla el producto de A por B escribiendo B = @ B2 A. Observa que AB es una combinación
B3
lineal de las filas de B.

Ejercicios 59
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

0 1
B C
(b) Halla el producto de A por B escribiendo B = @ B 1 B 2 B 3 A y tomando A como un único

bloque.

⇤
⇥3.5. Estudia si cada una de las siguientes afirmaciones es verdadera o falsa. Escribe un contraejemplo
en caso de falsedad:

(a) Si las columnas primera y tercera de B coinciden, también coinciden las columnas primera y
tercera de AB.

(b) Si las filas primera y tercera de B coinciden, también coinciden las filas primera y tercera de AB.

(c) Si las filas primera y tercera de A coinciden, también coinciden las filas primera y tercera de AB.

(d) (AB)2 = A2 B 2 .

⇤
! !

⇥3.6. Multiplica las matrices A =

1 2 2 1
yB= expresando A como una matriz
3 1 1 0
de 1 ⇥ 2 bloques (sus columnas) y B como una matriz de 2 ⇥ 1 bloques (sus filas).

⇤
⇥3.7. Escribe las matrices A = (aij )2⇥2 y B = (bij )2⇥2 , con aij = i + j y bij = ( 1) . Estudia si A
i+j

y B conmutan.

⇤
⇥3.8. Halla matrices A y B, 2 ⇥ 2, que verifiquen cada una de las siguientes afirmaciones:

(a) A2 = I2 .

(b) A2 = 0, con A 6= 0.

(c) AB = 0 con A 6= 0 y B 6= 0.

⇤
⇥3.9. Supongamos que A es una matriz 2 ⇥ 2 que conmuta con toda matriz B, también de orden
2 ⇥ 2. Prueba que A es una matriz escalar.! !
1 0 0 1
Pista: Utiliza que A conmuta con y con .
0 0 0 0

⇤
⇥3.10. ¿Cuáles de las siguientes matrices son iguales a (A + B)2 ? (a) A2 + 2AB + B 2 (a) A(A +
B) + B(A + B) (c) (A + B)(B + A).

⇤
⇥3.11. Halla los siguientes productos de matrices.
0 1 0 1
1 ⇣ 1 !
⌘ ⇣ ⌘ 0 ⇣ ⌘
B C B C
@ 2 A 1 4 2 , 2 0 1 @ 1 A, 2 1
1
3 0

60 Ejercicios
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

⇤
⇥3.12. Halla el valor de t 2 R para que las matrices
! !
0 1 1 1
A= yB =
t 1 0 2

conmuten.

⇤
⇥3.13. Halla la inversa de las matrices:
! ! !
Im B Im 0 A 0
, , ,
0 In C In C D

donde A es un bloque regular m ⇥ m, B un bloque cualquiera m ⇥ n, C un bloque n ⇥ m y D un

bloque regular n ⇥ n.

⇤
⇥3.14. Supongamos que la matriz A, n⇥n, tiene una inversa a izquierda (una matriz B con BA = In )
y también una inversa a derecha (una matriz C con AC = In ). Demuestra que B = C.

⇤
⇥3.15. Supongamos que A y B son matrices n ⇥ n y que AB es regular. Demuestra que A es regular
y expresa su inversa en función de la inversa de AB. Lo mismo para B.

⇤
⇥3.16. Una matriz A, n ⇥ n, se dice idempotente cuando A = A. Demuestra que, si A es idempotente
2

y regular, entonces A = In .

⇤
⇥3.17. Se dice que
2
! una matriz A, n ⇥ n, es involutiva si verifica que A = In . Demuestra que la matriz
In 0
A= , en la que B es un bloque n ⇥ n, es involutiva. ¿Tiene inversa?
B In

⇤
⇥3.18. ¿Cuáles de las siguientes matrices son matrices elementales?
0 1 0 1 0 1 0 1
1 0 0 0 1 0 1 0 0 0 0 1 1 0 0 0
B C B C B C B C
B 0 1 0 0 C B 0 1 0 0 C B 0 1 0 0 C B 0 1 0 3 C
B C,B C,B C,B C
B 0 0 2 0 C B 1 0 1 0 C B 0 0 1 0 C B 0 0 1 0 C
@ A @ A @ A @ A
0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 1

Escribe las que lo sean en notación abreviada (como Pij , etc.). Halla sus productos a izquierda y
derecha por las restantes matrices de la lista.

⇤
⇥3.19. Halla las traspuestas de las matrices elementales. ¿Cuáles de ellas son simétricas?

⇤
⇥3.20. Sea A una matriz regular n ⇥ n. Estudia cómo cambia A cuando A se multiplica a izquierda
1

por una matriz elemental (de tipo I, II ó III).

⇤
⇥3.21. Escalona las siguientes matrices. Da el rango y la forma normal de Hermite de cada una de

Ejercicios 61
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

ellas.
0 1
1
B C
0 1 B 2 C
! ! 2 1 ! B C
2 1 1 2 3 1 1 B 3 C
B C B C
, , @ 1 0 A, , B C,
1 2 0 1 1 1 1 B 4 C
0 2 B C
B 5 C
@ A
6
0 1 0 1
1 1 1 ! 1 0 2 1
⇣ ⌘ a 1
B C B C
@ 1 1 1 A, 1 1 0 , , @ 1 1 1 3 A,
0 a
1 1 1 0 1 3 2
0 1
0 1 2 1 2
1 0 1 1 2 B C 0 1
B C B 0 1 1 C 0 0 2 1 2
B 0 1 0 1 1 C B C B C
B C, B 0 0 3 C, @ 0 0 0 1 1 A,
B 0 0 0 2 1 C B C
@ A B C
@ 0 0 0 A 0 0 0 0 0
0 0 0 0 0
0 0 0
0 1 0 1
2 3 1 0 1 5 1 5 7 6 3
B C B C
B 0 0 2 4 6 2 C B 0 0 0 1 3 C
B C, B C.
B 0 0 1 2 3 1 C B 0 0 0 1 4 C
@ A @ A
0 0 0 0 0 0 0 0 0 0 0

⇤
⇥3.22. Si A es cualquiera de las matrices siguientes
0 1
! ! ! 1 0 1
1 1 1 2 1 1 2 1 B C
, , ,@ 0 1 1 A,
1 1 2 4 2 2 4 1
0 0 1

(a) Encuentra matrices elementales, L1 , . . . , Lt tales que la matriz Lt . . . L1 A sea escalonada reducida
(ó matriz de Hermite).

(b) Para los casos en que sea posible, expresa la matriz A como producto de matrices elementales.

(c) En esos mismos casos, observa que existe A 1 y exprésala también como producto de matrices
elementales.

⇤
⇥3.23. Llamemos A a cada una de las siguientes matrices. Estudia si A es o no una matriz de Hermite.
0 1 0 1 0 1 0 1
0 1 1 2 0 1 0 2 1 0 2 0 0 0
B C B C B C B C
@ 0 0 0 0 1 A, @ 0 1 1 A, @ 0 1 1 A, @ 0 1 0 A.
0 0 0 0 0 0 0 0 0 0 1 0 0 1

Para los casos en que A no sea de Hermite, se pide

(a) Halla su forma normal de Hermite, H, y una matriz regular Q con QA = H.

(b) Expresa los vectores fila de H como combinación lineal de los vectores fila de A.

(c) Expresa los vectores fila de A como combinación lineal de los vectores fila de H.

62 Ejercicios
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

⇤
⇥3.24. Calcula, en función de los valores del parámetro a, el rango y la forma normal de Hermite de
cada una de las matrices siguientes. Cuando sea posible, halla también su inversa.
0 1 0 1
1 0 a a 0 1
B C B C
A = @ 1 1 2 A, B = @ 0 1 1 A,
0 1 a a 1 a
0 1 0 1
0 1 1 1 1 1
B C B C
C = @ a 1 1 A, D = @ 1 a 1 A.
1 0 1 a 0 1

⇤
⇥3.25. Estudia si cada una de las siguientes afirmaciones es verdadera o falsa. Demuestra las verda-
deras y da un contraejemplo de cada una de las falsas. Dadas A, B, matrices n ⇥ n sobre K:

(a) Si A es regular, A · B = 0 =) B = 0.

(b) Si A es simétrica y regular, entonces A 1 es también simétrica.

(c) AB = In =) B = A 1 yA=B 1.

(d) Si A y B tienen la misma forma de Hermite, entonces existe una matriz P , regular, con P A = B.

(e) Si A y B tienen el mismo rango, entonces la forma normal de Hermite de A coincide con la de B.

(f) Si P es una matriz regular n ⇥ n, entonces rang(P A) = rang A.

⇤
⇥3.26. (a) Encuentra dos matrices A, B regulares tales que A + B sea singular.

(b) Pon un ejemplo de matrices A, B singulares tales que A + B sea regular.

⇤
⇥3.27. Sea A una cualquiera de las siguientes matrices y r = rang A:
0 1 0 1
! 1 1 1 2 2
1 1 2 B C B C
,@ 2 A,@
2 3 4 2 A,
2 2 3
3 1 2 2 4
0 1
0 1 0 0 0 1
1 0 1 1 B C
B C B 1 0 1 2 C
@ 2 1 0 2 A,B
B 1 1
C.
C
@ 1 1 A
1 1 1 1
1 1 1 5

Encuentra matrices invertibles Q y P tales que

!
Ir 0
QAP = .
0 0

⇤
⇥3.28. Dadas las matrices
! !
1 0 1 1 2 3
A= ,yB= .
1 1 2 3 2 1

Ejercicios 63
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

(a) Demuestra que tienen el mismo rango r.

(b) Estudia si tienen la misma forma normal de Hermite.

!
Ir 0
(c) Encuentra matrices invertibles P1 y Q1 tales que Q1 AP1 = . Del mismo modo, halla
0 0
matrices invertibles P2 y Q2 tales que
!
Ir 0
Q2 BP2 = .
0 0

(d) Con todo ello, encuentra matrices invertibles P y Q tales que QAP = B.

⇤
⇥3.29. ¿Para qué valores del parámetro a las matrices
0 1 0 1
1 1 1 1 0 1
B C B C
A=@ 2 1 0 AyB=@ 1 1 3 A
3 0 1 0 1 a+2

tienen el mismo rango? Determina, en ese caso, matrices invertibles P y Q tales que QAP = B.

⇤
⇥3.30. Dada la matriz 3 ⇥ 3 sobre R,
0 1
a+1 0 a
B C
Ca = @ 2a + 2 a 1 + 2a A ,
0 a+1 a+1

se pide:

(a) Halla la forma de Hermite de Ca , distinguiendo los posibles casos que aparezcan.

(b) Si denotamos A = C1 y B = C( 1) , determina, si es posible, matrices regulares P y Q, 3 ⇥ 3 sobre

R, tales que QAP = B.

⇤
⇥3.31. Escribe los siguientes sistemas en forma matricial. Indica la correspondiente matriz de coefi-
cientes y la matriz ampliada. Resuélvelos cuando sea posible.
9 9 9
x y+z =3 = > x + 2y + 2z + t = 3 >
= 2x + y + z = 0 > =
5x + 2y 5z = 5 x + 3z = 1 x + 2y + z = 1
>
; >
; >
;
3x 4y + 3z = 1 3x + y + 8z + t = 7 x + y + 2z = 1
9 9
x+y+z+t=0 > >
> x + y + z + t = 0 >
>
>
>
= >
x+y+z t=4 x y z+t=0 =
x+y z+t= 4 > >
> x y+z+t=0 > >
>
>
; >
x y+z+t=2 x 3y + 5z + 9t = 0 ;

⇤
⇥3.32. Estudia y resuelve, cuando sea posible, los siguientes sistemas dependientes de un parámetro
a.

64 Ejercicios
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

9 9
2x ay + 4z = 0 > = ax + y + z = 1 >
=
x + y + 7z = 0 x + ay + z = a
>
; >
;
ax y + 13z = 0 x + y + az = a2
9
2x + y 4z = a + 1 > >
>
9
> x + ay = 0 >
x + 5y 5z = a 12 = =
ax + y + z = 0
x + 6y 5z = a + 12 > >
>
>
;
> 2x + az = 0
2x 4y + 5z = a ;
9
9 ax + y + z + t = a >
>
2x + (2 a)y = 0 > >
>
= x + ay + z + t = a =
(2a + 2)x + ay + 2z = 2a 2
>
; x + y + az + t = a >
>
(a + 1)x + (a + 1)z = a 1 >
>
x + y + z + at = a ;

⇤
⇥3.33. Estudia y resuelve, cuando sea posible, los siguientes sistemas, dependientes de los parámetros
a y b: 9 9
>
ax + by + 2z = 1 = ) >
ax + y + bz = 0 =
by + 2z = 1
ax + (2b 1)y + 3z = 1 x+y+z =0
>
; x 2y + 2z = 1 >
;
ax + by + (b + 3)z = 1 y + az = 0

⇤
⇥3.34. Calcula una inversa generalizada de cada una de las matrices
0 1 0 1
1 0 1 ! 2 1
B C 1 1 3 1 2 B C
@ 2 1 0 A, , @ 3 2 A.
2 2 6 3 1
1 1 1 2 3
Usando dichas inversas generalizadas determina, en caso de que exista, una solución de cada uno de
los sistemas:
9 9
x+z =1 > ) 2x y = 1 >
= x1 x2 + 3x3 + x4 + 2x5 = 2 =
2x + y = 3 , , 3x + 2y = 5 .
>
; 2x1 2x2 + 6x3 + 3x4 + x5 = 5 >
;
x+y z =1 2x + 3y = 5

⇤
⇥3.35. Estudia para qué valores de a, b, c y d es regular una matriz
!
a b
A= .
c d
¿Tiene esto algo que ver con el valor de su determinante?

⇤
⇥3.36. Sabemos que
1 0
= 1,
0 1
pero vamos a calcularlo utilizando propiedades de los determinantes. Sustituimos la primera fila por
ella más la segunda y la segunda fila por ella más la primera. Se tiene entonces
1 0 1 1
= = 0.
0 1 1 1

Ejercicios 65
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

¿Puedes explicar qué ocurre? ¿Qué consecuencia práctica se deriva?

⇤
⇥3.37. Halla los determinantes de las siguientes matrices:
0 1 0 1 0 1
1 1 1 1 1 1 1 1 1
B C B C B C
@ 1 2 3 A, @ a b c A,@ a b c A,
1 4 9 a 2 b2 c 2 a 3 b3 c 3
0 1 0 1 0 1
0 2 1 2 2 3 2 4 1 1 1 1
B C B C B C
B 2 3 C B
2 4 C B 3 2 1 C B
2 C B a b c d C
B C.
B 2 2 1 3 C, B 3 2 0 1 C
,B 2
b2 c 2 d 2 C
@ A @ A @ a A
0 1 4 3 2 1 0 1 a3 b3 c 3 d 3

⇤
⇥3.38. Halla la expresión de las siguientes aplicaciones lineales de R en R . Halla también el conjunto
2 2

imagen en cada caso:

(a) Reducción de cada vector a la mitad, conservando dirección y sentido.

(b) Giro de ángulo ↵ con respecto al punto (0, 0).

(c) Reflexión con respecto a la recta de ecuación y = 2x.

(d) Proyección ortogonal sobre el eje OX.

(Pista: Busca vectores que formen base de R2 cuyos transformados sean sencillos de conocer)

⇤
⇥3.39. Halla la expresión de las siguientes aplicaciones lineales de R en R en cada caso:
3 3

(a) Reflexión con respecto al plano x y + 2z = 0.

(b) Proyección ortogonal sobre el plano 2x + y z = 0.

(Pista: Busca vectores que formen base de R3 cuyos transformados sean sencillos de conocer)

⇤
⇥3.40. Encuentra dos aplicaciones lineales distintas de R en R tales que
3 2

(1, 1, 0) 7! ( 1, 1), (1, 0, 1) 7! (1, 0), (0, 1, 1) 7! (2, 1).

⇤
⇥3.41. Razona si es posible encontrar o no cada una de las aplicaciones lineales f, g, h : R3 ! R3 ,
de forma que:

f (1, 0, 1) = ( 1, 1, 1), f ( 1, 1, 0) = (2, 1, 1), f (1, 1, 2) = (1, 3, 1),

g(1, 0, 1) = ( 1, 1, 1), g( 1, 1, 0) = (2, 1, 1), g(1, 1, 2) = (0, 3, 1)
h(1, 0, 1) = ( 1, 1, 1), h( 1, 1, 0) = (2, 1, 1), h(1, 1, 3) = (1, 3, 1).

⇤
⇥3.42. Consideremos la aplicación lineal f : R ! R dada por
2 3

f (x, y) = (2x + y, x y, y).

66 Ejercicios
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

Halla la matriz coordenada A de f respecto de las bases canónicas y la matriz coordenada B de f en

las bases
[(1, 1), (0, 1)], [(1, 1, 1), (0, 1, 1), (0, 0, 1)]

de R2 y R3 . Determina matrices inversibles P y Q tales que QAP = B.

⇤
⇥3.43. Consideramos la aplicación lineal f : Q ! Q dada por f (x, y, z) = (x + y, 2x + y, x + z).
3 3

(a) Halla la matriz coordenada A de f respecto de las bases

[(1, 0, 1), (0, 1, 0), (0, 0, 1)], [(0, 0, 1), (0, 1, 1), (1, 1, 1)].

(b) Escribe la matriz coordenada B de f en las bases

[(0, 0, 1), (0, 1, 1), (1, 1, 1)], [( 1, 1, 1), (0, 1, 1), (0, 0, 1)]

de R3 .

(c) Determina matrices inversibles P y Q tales que QAP = B.

(d) Halla f 1 (2, 3, 2) de dos formas distintas: utilizando, por un lado, la matriz A y, por otro, la matriz
B.

(e) Obtén la matriz C coordenada de la aplicación f 2 respecto de las bases

[(1, 0, 1), (0, 1, 0), (0, 0, 1)], [( 1, 1, 1), (0, 1, 1), (0, 0, 1)].

⇤
⇥3.44. Se considera la aplicación lineal f : R3 [x] ! R3 [x] dada por f (p) = p , p 2 R3 [x].
0

(a) Halla la matriz coordenada A de f respecto de la base natural de R3 [x] y la matriz coordenada C
de f 2 en dicha base.

(b) Determina B, matriz coordenada de f respecto de la base

[x(x 1), (x 1)(x + 1), x(x + 1), x3 ],

también en este caso tanto para el espacio de partida como para el de llegada.

(c) Calcula de dos formas distintas la antiimagen del vector 1 + 2x x2 por f .

⇤
⇥3.45. Sea f : R 7! M2⇥2 (R) una aplicación lineal tal que
3

! ! !
3 1 1 1 2 2
f (e1 ) = , f (e2 ) = y f (e3 ) = .
2 4 5 5 1 4

(a) Determina la matriz coordenada a f en las bases canónicas de R3 y M2⇥2 (R).

(b) Calcula los subespacios Ker f e Im f . Razona si la aplicación f es biyectiva o no.

!
2 2
(c) Dado T = Rh i, halla f 1 (T ) y su dimensión.
2 5

Ejercicios 67
 Grado en Ingenierı́a Informática.
Matemáticas I. Curso 2017-18
Tema 3. Matrices

⇤
⇥3.46. Sea f : R3 [x] ! R3 [x] la aplicación lineal definida por

f (a + bx + cx2 + dx3 ) = d + (a + c + 2d)x + ( a + b c + d)x2 + (a + b + c + 5d)x3 .

(a) Escribe la matriz A coordenada a f en la base canónica de R3 [x].

!
Ir 0
(b) Calcula matrices P y Q tales que QAP = .
0 0
!
Ir 0
(c) Determina bases de R3 [x] respecto de las cuales la matriz coordenada a f sea .
0 0

68 Ejercicios