1

UNIVERSIDAD NACIONAL DE EDUCACIÓN

Enrique Guzmán y Valle
Alma Máter del Magisterio Nacional

FACULTAD DE CIENCIAS
Escuela Profesional de Matemática e Informática

Monografía

Examen de Suficiencia Profesional Res. N°0719-2019-D-FAC

Presentada por:
Liz Maribel Celis Magariño
Para optar al Título Profesional de Licenciado en Educación
Especialidad: Matemática e informática

Lima, Perú
2019
 2 ii

Monografía

Designación de Jurado Resolución N°0719-2019-D-FAC

___________________________________
Dra. Dora Escolástica MESÍAS BORJA
Presidente

__________________________________
Mg. Aurelio Julián GÁMEZ TORRES
Secretario

________________________________
Lic. Herminia HUARINGA FLORES
Vocal
Línea de investigación: Currículum y formación profesional en educación.
 3iii

Dedicatoria

El presente trabajo lo dedico principalmente a Dios, por ser mi inspirador y darme fuerzas para

continuar.

A mi madre, por demostrarme siempre su cariño y dedicación durante todos estos años.

En especial agradezco a mi esposo por ser el pilar más importante, por brindarme su amor y su

apoyo incondicional.

A mis hijos por ser mi motor, que me ayudo alcanzar mis objetivos.

A mis hermanos por brindarme su apoyo moral.

 4iv

Índice de contenido

Carátula………………………………………………………………………………………….i

Hoja de firmas de jurado……………………………………………………………………….ii

Dedicatoria…………………………………………………………………………………….iii

Índice de contenido…………………………………………………………………………….iv

Lista de figuras……………………………..…………………………………………………vii

Introducción………………………………………………………………………………….viii

Capítulo I: Aspectos preliminares..........................................................................................10

1.1 Breve referencia histórica ....................................................................................................10

1.2 Cuerpo .................................................................................................................................11

1.3 Espacio vectorial..................................................................................................................14

Capítulo II: Matrices ...............................................................................................................19

2.1. Matrices ..............................................................................................................................19

2.2. Orden de una matriz ...........................................................................................................20

2.3. Igualdad de matrices ...........................................................................................................22

2.4. Clases de matrices ..............................................................................................................23

2.5. Matriz transpuesta ..............................................................................................................28

2.5.1. Matriz simétrica ...............................................................................................................28

2.5.2. Matriz antisimétrica .........................................................................................................29

2.5.3. Matriz ortogonal ..............................................................................................................29

2.5.4. Matriz idempotente ..........................................................................................................30

2.5.5. Matriz involutiva .............................................................................................................30

 5v

2.6. Operaciones con matrices ...................................................................................................31

2.6.1. Adición de matrices .........................................................................................................31

2.6.2. Producto de un escalar por una matriz.............................................................................32

2.6.3. Producto de matrices .......................................................................................................33

2.7. Operaciones elementales fila ..............................................................................................36

2.8. Matriz escalonada ...............................................................................................................36

2.9. Matriz escalonada reducida…………………………......…………………………….….37

2.9.1. Matrices equivalentes ......................................................................................................38

2.9.2. Rango de una matriz ........................................................................................................38

2.10. Matriz inversa ...................................................................................................................40

2.10.1. Cálculo de la matriz inversa…………………………………………………………..42

2.11. Determinante de una matriz cuadrada ..............................................................................48

Capítulo III: Transformaciones lineales ...............................................................................56

3.1. Transformaciones lineales ..................................................................................................56

3.2. Núcleo e imagen de una transformación lineal ..................................................................58

3.3. Teorema fundamental de las transformaciones lineales .....................................................60

3.4. Clases de transformaciones lineales ...................................................................................60

3.5. Matriz asociada a una transformación lineal ......................................................................61

Capítulo IV: Sistemas de ecuaciones lineales ........................................................................62

4.1. Sistemas de ecuaciones lineales .........................................................................................62

4.1.1 Sistemas homogéneos .......................................................................................................63

4.2. Solución de sistemas de ecuaciones lineales ......................................................................64

4.2.1. Conjunto solución de un sistema de ecuaciones lineales ................................................64

4.2.2. Sistemas compatibles e incompatibles ............................................................................64

 6vi

4.2.3. Métodos algebraicos ........................................................................................................68

4.2.4. Sistemas equivalentes ......................................................................................................70

4.2.5. Métodos matriciales .........................................................................................................71

Síntesis .......................................................................................................................................76

Conclusiones y sugerencias .......................................................................................................78

Aplicación didáctica………………………………………………………………………..…80

Referencias ................................................................................................................................82

Apéndices. 83

A: Sesión aprendizaje. 83

B: Guía de práctica. 86
 vii
7

Lista de figuras

Figura 1. La cuaterna. 17

Figura 2. Verificación de axiomas propuestas. 18

Figura 3. Transformaciones lineales. 56

Figura 4. Sistema compatible determinado. 65

Figura 5. Sistema compatible indeterminado. 66

Figura 6. Sistema incompatible. 67

Figura 7. Sistema de ecuaciones lineales. 67

 8
viii

Introducción

La matemática es una disciplina fundamental en la vida de todos los seres humanos, por sus

diversas aplicaciones para solución de innumerables situaciones de la vida diaria; además

constituye el lenguaje universal de la ciencia.

El hombre a través de su existencia se vio rodeado de muchos problemas y que para

solucionarlos necesitó del uso de la matemática que le era comprensible.

El concepto de número y de las operaciones aritméticas facilitó la solución de diversos

problemas comerciales en la antigüedad; pero el hombre se encontró con un conjunto de

ecuaciones y que para solucionarlas tuvieron grandes dificultades porque las ecuaciones

lineales, cuadráticas, cúbicas, etc. no se escribían usando variables como lo hacemos ahora;

sino se escribían usando palabras y generaba mucha dificultad para resolverlos.

Una clase muy especial de ecuaciones creadas a partir se situaciones concretas son las

ecuaciones simultáneas o sistemas de ecuaciones de primer grado o segundo grado y cuya

solución no es sencilla para los estudiantes cuando son ecuaciones de tres o más incógnitas;

esto motivó a muchos matemáticos a crear objetos o herramientas para facilitar el proceso

solución; es así como Sylvester (1850) utiliza por primera vez el término “matriz”, Hamilton

(1853) realiza algunos otros aportes a esta teoría, aunque el trabajo de Cayley (1858) fue

fundamental al introducir la notación matricial para representar de manera abreviada un

sistema de 𝑚 ecuaciones lineales con 𝑛 incógnitas como ahora conocemos.

En matemática, una matriz es un arreglo bidimensional de números u objetos

dispuestos en filas y columnas, que generalmente usamos para representar sistemas de

ecuaciones lineales, sistemas de ecuaciones diferenciales, aplicaciones lineales, entre otros.

 ix
9

Asimismo, las matrices tienen diversas aplicaciones en diversos ámbitos del quehacer

humano, como en la economía (ventas, costos), en la ingeniería, en la biología, y muchas otras

áreas del conocimiento y del ámbito laboral.

En el desarrollo de la presente monografía se desarrolló en cuatro capítulos: el capítulo

I, se presenta los aspectos preliminares del tema; el capítulo II, desarrolla sobre matrices; el

capítulo III, explica sobre transformaciones lineales; el capítulo IV, trata sobre sistemas de

ecuaciones lineales.

Esperamos que la presente monografía sea de utilidad para los estudiantes en

formación como futuros docentes de matemática.

 10

Capítulo I: Aspectos preliminares

1.1. Breve referencia histórica

El origen de las matrices se encuentra ligado a los cuadrados mágicos, que fueron muy

famosos en las primeras civilizaciones; por ejemplo, en la cultura china hacia el año 650 a.C.

se conocían ya los cuadrados mágicos de 3x3. También hay evidencias que estas eran

reconocidas por los matemáticos árabes, quienes debieron aprender de los matemáticos y

astrónomos de la India, quienes a su vez pudieron haber tomado de los matemáticos chinos. Es

así como los primeros cuadrados mágicos de los que se tiene referencia son los de orden 5 y 6

que aparecen en Bagdad alrededor del año 983.

Por otro lado, también es larga la historia de su utilización en su resolución; así el

capítulo 7 del importante texto chino los “Nueve capítulos” que data de los años 300 a.C.,

refiere el uso del concepto de determinante en la solución de sistemas de ecuaciones lineales

con dos incógnitas; como se ve con una anterioridad de dos mil años que fuera publicado por

el matemático Kowa (1683) y por Leibniz (1693).

Luego de estos estudios realizados por Kowa y Leibniz, Cramer (1750) presenta la que

actualmente se conoce como la Regla de Cramer; luego Gauss y Jordan desarrollaron en el

siglo XIX, el método de eliminación que conocemos, que facilitaron en gran medida la

resolución de las ecuaciones lineales.

 11

En 1850, Sylvester introduce el término “matriz” para designar un arreglo rectangular

de números; en 1853, Hamilton utilizó las matrices, sin mencionarlas explícitamente, en su

artículo “Linear and vector functions”, como transformaciones lineales y analizó sus

propiedades.

En 1858, Cayley introdujo la notación matricial como una forma abreviada de escribir

𝒎 ecuaciones lineales con 𝒏 incógnitas, sentando las bases de la teoría de las matrices

mediante su exposición formal en el artículo “A memorie on the Theory of Matrices”, así

como el manejo de espacios de 𝑛 dimensiones.

También fueron importantes las contribuciones posteriores de Gibbs (1839-1903),

Peano (1858-1932), Hilbertn (1862-1943) y Banach (1892-1945), que permitieron pasar del

álgebra de las matrices al álgebra lineal. Grassmann, Frobenius y Neumann trabajaron

igualmente en la teoría de las matrices; Heisenberg (1925) aplica el cálculo matricial a la

mecánica cuántica, mientras que Olga Taussky-Todd (1906-1995) en el marco de la 2da guerra

mundial usa la teoría de las matrices para investigar el fenómeno de la aeroelasticidad llamado

fluttering.

Antes del desarrollo del tema central de la presente monografía, consideramos

necesario precisar los siguientes conceptos preliminares:

1.2. Cuerpo

Definición.-

Dado un conjunto 𝕂 ≠ ∅ provisto de dos leyes de composición interna " + " y " ⋅ ",

llamadas adición y multiplicación respectivamente; se dice que la terna (𝕂; +; ⋅) es un

cuerpo, si y solo si verifican los axiomas:

 12

A1. Asociativa: ∀ 𝑎, 𝑏, 𝑐 ∈ 𝕂: (𝑎 + 𝑏) + 𝑐 = 𝑎 + (𝑏 + 𝑐)

A2. Existe elemento neutro: ∃ 0 ∈ 𝕂 ; ∀𝑎 ∈ 𝕂/ 𝑎 + 0 = 0 + 𝑎 = 𝑎

A3. Existe elemento simétrico: ∀𝑎 ∈ 𝕂 , ∃ (−𝑎) ∈ 𝕂/ 𝑎 + (−𝑎) = (−𝑎) + 𝑎 = 0

A4. Conmutativa: ∀𝑎, 𝑏 ∈ 𝕂: 𝑎 + 𝑏 = 𝑏 + 𝑎

M1. Asociativa: ∀ 𝑎, 𝑏, 𝑐 ∈ 𝕂: (𝑎 ⋅ 𝑏) ⋅ 𝑐 = 𝑎 ⋅ (𝑏 ⋅ 𝑐)

M2. Existe elemento neutro: ∃ 1 ∈ 𝕂, ∀𝑎 ∈ 𝕂 / 𝑎 ⋅ 1 = 1 ⋅ 𝑎 = 𝑎

M3. Existe elemento simétrico: ∀𝑎 ∈ 𝕂∗ , ∃ 𝑎−1 ∈ 𝐾 ∗ / 𝑎. 𝑎 −1 = 𝑎−1 . 𝑎 = 1

Es decir, la terna (𝕂, +,  ) es un cuerpo si:

i. (𝕂, +) es un grupo conmutativo o grupo abeliano,

ii. (𝕂,  ) es un grupo.

iii. Además, la multiplicación es distributiva respecto a la adición:

∀ 𝑎, 𝑏, 𝑐 ∈ 𝐾: 𝑎(𝑏 + 𝑐) = 𝑎 ⋅ 𝑏 + 𝑎 ⋅ 𝑐

∀ 𝑎, 𝑏, 𝑐 ∈ 𝐾: (𝑎 + 𝑏) ⋅ 𝑐 = 𝑎 ⋅ 𝑐 + 𝑏 ⋅ 𝑐

Si además, 𝑎 ⋅ 𝑏 = 𝑏 ⋅ 𝑎 , ∀ 𝑎, 𝑏 ∈ 𝕂; (conmutatividad de (𝕂,  ) ); entonces, se dice que el

cuerpo (𝕂; +; ⋅) es conmutativo.

Ejemplos:

1. El conjunto de los números racionales provisto de leyes de adición y multiplicación

usuales, (ℚ, +, ⋅), es un cuerpo conmutativo con unidad.

Puesto que se cumplen las siguientes propiedades:

 13

Para la adición de números racionales:

A1: ∀ 𝑎, 𝑏, 𝑐 ∈ ℚ: (𝑎 + 𝑏) + 𝑐 = 𝑎 + (𝑏 + 𝑐)

A2: ∃ 0 ∈ ℚ ; ∀𝑎 ∈ ℚ/ 𝑎 + 0 = 0 + 𝑎 = 𝑎

A3: ∀𝑎 ∈ ℚ , ∃ (−𝑎) ∈ ℚ/ 𝑎 + (−𝑎) = (−𝑎) + 𝑎 = 0

A4: ∀𝑎, 𝑏 ∈ ℚ, 𝑎 + 𝑏 = 𝑏 + 𝑎

Para la multiplicación de números racionales:

M1: ∀ 𝑎, 𝑏, 𝑐 ∈ ℚ: (𝑎 ⋅ 𝑏) ⋅ 𝑐 = 𝑎 ⋅ (𝑏 ⋅ 𝑐)

M2: ∃ 1 ∈ ℚ, ∀𝑎 ∈ ℚ / 𝑎 ⋅ 1 = 1 ⋅ 𝑎 = 𝑎

M3: ∀𝑎 ∈ (ℚ − {0}), ∃ 𝑎−1 ∈ (ℚ − {0}), /𝑎. 𝑎 −1 = 𝑎 −1 . 𝑎 = 1

D: ∀ 𝑎, 𝑏, 𝑐 ∈ ℚ: 𝑎(𝑏 + 𝑐) = 𝑎 ⋅ 𝑏 + 𝑎 ⋅ 𝑐

∀ 𝑎, 𝑏, 𝑐 ∈ ℚ: (𝑎 + 𝑏) ⋅ 𝑐 = 𝑎 ⋅ 𝑐 + 𝑏 ⋅ 𝑐

Como además la multiplicación de números reales es conmutativa, es decir:

𝑎 ⋅ 𝑏 = 𝑏 ⋅ 𝑎; ∀𝑎, 𝑏 ∈ ℚ

El conjunto de los números racionales con las operaciones de adición y

multiplicación usuales, (ℚ, +, ⋅) es un cuerpo conmutativo.

2. De igual manera, los números reales con las operaciones de adición y multiplicación

usuales, (ℝ, +, ⋅), es un cuerpo conmutativo con unidad, puesto que se cumplen las siguientes

propiedades:
 14

Para la adición de números reales:

A1: ∀ 𝑎, 𝑏, 𝑐 ∈ ℝ: (𝑎 + 𝑏) + 𝑐 = 𝑎 + (𝑏 + 𝑐)

A2: ∃ 0 ∈ ℝ ; ∀𝑎 ∈ ℝ/ 𝑎 + 0 = 0 + 𝑎 = 𝑎

A3: ∀𝑎 ∈ ℝ , ∃ (−𝑎) ∈ ℝ/ 𝑎 + (−𝑎) = (−𝑎) + 𝑎 = 0

A4: ∀𝑎, 𝑏 ∈ ℝ, 𝑎 + 𝑏 = 𝑏 + 𝑎

Para la multiplicación de números reales:

M1: ∀ 𝑎, 𝑏, 𝑐 ∈ ℝ: (𝑎 ⋅ 𝑏) ⋅ 𝑐 = 𝑎 ⋅ (𝑏 ⋅ 𝑐)

M2: ∃ 1 ∈ ℝ, ∀𝑎 ∈ ℚ / 𝑎 ⋅ 1 = 1 ⋅ 𝑎 = 𝑎

M3: ∀𝑎 ∈ (ℝ − {0}), ∃𝑎−1 ∈ (ℝ − {0}), /𝑎. 𝑎 −1 = 𝑎−1 . 𝑎 = 1

D: ∀ 𝑎, 𝑏, 𝑐 ∈ ℝ: 𝑎(𝑏 + 𝑐) = 𝑎 ⋅ 𝑏 + 𝑎 ⋅ 𝑐

∀ 𝑎, 𝑏, 𝑐 ∈ ℝ: (𝑎 + 𝑏) ⋅ 𝑐 = 𝑎 ⋅ 𝑐 + 𝑏 ⋅ 𝑐

Como además la multiplicación de números reales es conmutativa:

𝑎 ⋅ 𝑏 = 𝑏 ⋅ 𝑎 ; ∀𝑎, 𝑏 ∈ ℝ.

El conjunto de los números reales provisto de la adición y multiplicación usuales,

(ℝ, +, ⋅), es un cuerpo conmutativo.

1.3. Espacio vectorial

Definición.-

Sea 𝕍 un conjunto no vacío, 𝕂 un cuerpo, " + " una ley de composición interna

llamada “adición de vectores” y " ⋅ " una ley de composición externa llamada “producto por

escalar”.
 15

La cuaterna (𝕍; +; 𝕂; ⋅) es un espacio vectorial si se cumplen los siguientes axiomas:

Axiomas de la adición de vectores

+: 𝕍𝑥𝕍 ⟶ 𝕍
𝑥 ∈𝕍 ∧ 𝑦 ∈𝕍 ⟹ 𝑥+𝑦 ∈𝕍

Es decir, la suma de dos elementos arbitrarios de 𝕍, es otro elemento de 𝕍.

(𝑥 + 𝑦) + 𝑧 = 𝑥 + (𝑦 + 𝑧) ∈ 𝕍; ∀ 𝑥, 𝑦, 𝑧 ∈ 𝕍

El elemento neutro de la adición en 𝕍 se denota con 𝜃 y se denomina vector nulo.

∀ 𝑥 ∈ 𝕍, ∃ 𝜃 𝕍/ 𝑥 + 𝜃 = 𝜃 + 𝑥 = 𝑥

∀ 𝑥 ∈ 𝕍, ∃ − 𝑥 ∈ 𝕍/

𝑥 + (−𝑥) = (−𝑥) + 𝑥 = 𝜃

Ev5. La adición es conmutativa en 𝕍.

𝑥 + 𝑦 = 𝑦 + 𝑥; ∀ 𝑥, 𝑦 ∈ 𝕍
 16

Axiomas del producto por un escalar

∙: 𝕂𝑥𝕍 ⟶𝕍

Es decir, dados 𝛼 ∈ 𝕂 ∧ 𝑥 ∈ 𝕍 entonces, 𝛼 ∙ 𝑥 ∈ 𝕍, llamado producto escalar.

O sea: 𝛼 ∈ 𝕂 ∧ 𝑥 ∈ 𝕍 ⟹ 𝛼∙𝑥 ∈𝕍

Ev7. El producto por un escalar satisface la asociatividad mixta:

∀ 𝛼 ∈ 𝕂, ∀ 𝛽 ∈ 𝕂, ∀ 𝑥 ∈ 𝕍: 𝛼 ∙ (𝛽 ∙ 𝑥) = (𝛼 ∙ 𝛽) ∙ 𝑥

∀ 𝛼 ∈ 𝕂, ∀ 𝛽 ∈ 𝕂, ∀ 𝑥 ∈ 𝕍: (𝛼 + 𝛽) ∙ 𝑥 = 𝛼 ∙ 𝑥 + 𝛽 ∙ 𝑥

∀ 𝛼 ∈ 𝕂, ∀ 𝑥 ∈ 𝕍, ∀ 𝑦 ∈ 𝕍: 𝛼 ∙ (𝑥 + 𝑦) = 𝛼 ∙ 𝑥 + 𝛼 ∙ 𝑦

∀𝑥 ∈ 𝕍: 1 ⋅ 𝑥 = 𝑥

Observación:

Los axiomas Ev1, Ev2, Ev3, Ev4 y Ev5 caracterizan a (𝕍, +) como un grupo abeliano;

mientras que los axiomas Ev6, Ev7, Ev8, Ev9 y Ev10 corresponden a una ley de composición

externa.
 17

Definición.-

Dados 𝑥, 𝑦 ∈ 𝕍, llamamos diferencia de los vectores 𝑥 e 𝑦 a:

𝑥 − 𝑦 = 𝑥 + (−𝑦).

Ejemplos:

1. El conjunto ℝ2 con la adición y producto por un escalar definidos como:

𝑥 + 𝑦 = (𝑥1 ; 𝑥2 ) + (𝑦1 ; 𝑦2 ) = (𝑥1 + 𝑦1 ; 𝑥2 + 𝑦2 )

𝜆𝑥 = 𝜆(𝑥1 ; 𝑥2 ) = (𝜆𝑥1 , 𝜆𝑥2 )

Es un espacio vectorial definido sobre el conjunto de los números reales; donde

𝑥 = (𝑥1 ; 𝑥2 ) ∈ ℝ2 , 𝑦 = (𝑦1 ; 𝑦2 ) ∈ ℝ2 y 𝜆 ∈ ℝ, pues se verifican los axiomas propuestos.

Es decir, la cuaterna (ℝ2, +, ℝ, .) es un espacio vectorial.

(4;5)
5

(-3;2)
2

0
X
-3 4
(2;0)

Figura 1. La cuaterna.

2. El conjunto ℝ3 con la adición y producto por un escalar definidos como:

𝑥 + 𝑦 = (𝑥1 ; 𝑥2 ; 𝑥3 ) + (𝑦1 ; 𝑦2 ; 𝑦3 ) = (𝑥1 + 𝑦1 ; 𝑥2 + 𝑦2 ; 𝑥3 + 𝑦3 )

𝜆𝑥 = 𝜆(𝑥1 ; 𝑥2 ; 𝑥3 ) = (𝜆𝑥1 ; 𝜆𝑥2 ; 𝜆𝑥3 )

 18

Donde 𝑥 = (𝑥1 ; 𝑥2 ; 𝑥3 ) ∈ ℝ𝑛 , 𝑦 = (𝑦1 ; 𝑦2 ; 𝑦3 ) ∈ ℝ𝑛 y 𝜆 ∈ ℝ, es un espacio vectorial,

pues se verifican los axiomas propuestos.

(𝑥0 , 𝑦0 , 𝑧0 )

Figura 2. Verificación de axiomas propuestas.

3. En general, el conjunto ℝ𝑛 con la adición y producto por un escalar definidos a

continuación es un espacio vectorial sobre el conjunto de los números reales:

𝑥 + 𝑦 = (𝑥1 + 𝑦1 + 𝑥2 + 𝑦2 + 𝑥3 + 𝑦3 + ⋯ + 𝑥𝑛 + 𝑦𝑛 )

𝜆𝑥 = (𝜆𝑥1 , 𝜆𝑥2 , 𝜆𝑥3 , … , 𝜆𝑥𝑛 )

Donde 𝑥 = (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) ∈ ℝ𝑛 , 𝑦 = (𝑦1 , 𝑦2 , 𝑦3 , … , 𝑦𝑛 ) ∈ ℝ𝑛 y 𝜆 ∈ ℝ, pues se

verifican los axiomas propuestos.

4. Otros espacios vectoriales son el conjunto de los polinomios, el conjunto de partes de un

conjunto, el de funciones reales, entre otros.

5. El conjunto de las matrices de 𝑚 filas y 𝑛 columnas que denotamos como ℝ𝑚𝑥𝑛 , con

componentes reales, con las operaciones de adición y producto por escalares (números

reales) es un espacio vectorial.

 19

Capítulo II: Matrices

2.1. Matrices

Definición.-

Dado un cuerpo 𝕂 , llamamos matriz definida sobre el cuerpo 𝕂, a todo arreglo

rectangular (en filas y columnas) de elementos de 𝕂.

Es decir, una matriz definida sobre el cuerpo 𝕂, es de la forma:

𝑎11 𝑎12 ... 𝑎1n

𝑎21 𝑎22 ... 𝑎2n
… … ... . ..
M= 𝑎 𝑎i2 ... 𝑎i2
i1
. .. … ... . ..
[𝑎m1 𝑎m2 ... 𝑎mn ]

Donde cada uno de los elementos 𝑎ij ∈ 𝕂.

Ejemplos:

1 1⁄2
1. 𝐴=[ ] es una matriz definida sobre el cuerpo de los números racionales.
3⁄5 −3

0 −1
2. 𝐵 = (√2 1 ) es una matriz definida en el cuerpo de los números reales.
5 −2

1 1 𝑖
3. C = [ ] es una matriz definida en el cuerpo de los números complejos.
2 1 −3i
 20

Notación:

- Generalmente las matrices se representan con letras mayúsculas A, B, C, ..., mientras que

sus componentes se denotan con letras minúsculas como 𝑎ij , 𝑏ij , 𝑐ij ... encerrados entre

paréntesis o corchetes

- El primer subíndice de cada componente indica la fila en la que está ubicada el

componente y el segundo subíndice indica la columna correspondiente; así, el elemento

𝑎32 ocupa la tercera fila y la segunda columna.

- En forma general, el elemento 𝑎ij está ubicado en la i-ésima fila y la j-ésima columna.

Ejemplo:

1 3 5 8
Si A = (2 −1 4 −3)
6 0 7 9

- El componente 𝑎34 = 9 y está ubicado en la tercera fila y la cuarta columna.

- El elemento 𝑎12 = 3, corresponde al componente ubicado en la primera fila y segunda

columna

- Mientras que 𝑎23 = 4.

Notación:

Las matrices se denotan por: 𝐴mxn = [𝑎ij ] o 𝐴mxn = (𝑎ij )

𝑚𝑥𝑛

Donde i = 1, 2, …, m , j = 1,2,…,n.

2.2. Orden de una matriz

Llamamos orden de una matriz al producto indicado del número de filas por el número de

columnas de la matriz.
 21

Ejemplos:

1 1⁄2
1. La matriz 𝐴 = [ ] que tiene dos filas y dos columnas se dice que es de
3⁄5 −3

orden 2x2 o simplemente de orden 2.

0 −1
2. La matriz 𝐵 = (√2 1 ) tiene tres filas y dos columnas, por lo tanto se dice que es
5 −2

de orden 3x2.

1 1 𝑖
3. La matriz C = [ ] es de orden 2x3, pues tiene 2 filas y 3 columnas.
2 1 −3i
𝑎11 𝑎12 ... 𝑎1n
𝑎21 𝑎22 ... 𝑎2n
… … ... . ..
4. La matriz M = 𝑎 𝑎i2 ... 𝑎i2 tiene m filas y n columnas, por lo tanto es de
i1
. .. … ... . ..
[𝑎m1 𝑎m2 ... 𝑎mn ]

orden mxn (m por n).

Observación:

Ejemplo:

1 4 8
La matriz 𝐴 = [ ]es una matriz de orden 2x3 definida sobre el cuerpo de los
3 5 7

números reales; por lo que 𝐴 ∈ ℝ𝟐𝒙𝟑 .

 22

2.3. Igualdad de matrices

Ejemplos:

1. Las siguientes matrices 𝐴 y 𝐵 de orden 3x3 son iguales.

−3 4 2 −3 4 2
𝐴=[ 6 −7 8], 𝐵 = [ 6 −7 8]
5 1 0 5 1 0

Pues:

𝑎11 = 𝑏11 = −3 𝑎12 = 𝑏12 = 4 𝑎13 = 𝑏13 = 2

𝑎21 = 𝑏21 = 6 𝑎22 = 𝑏22 = −7 𝑎23 = 𝑏23 = 8

𝑎31 = 𝑏31 = 5 𝑎32 = 𝑏32 = 1 𝑎33 = 𝑏33 = 0

2. Si las matrices A y B son iguales hallar los valores de 𝑥 e 𝑦.

1 𝑥+1 1 −3
𝐴=[ ]; 𝐵=[ ]
2𝑦 5 4 5

𝑥 + 1 = −3 ⟹ 𝑥 = −4

2𝑦 = 4 ⟹ 𝑦 = 2
 23

2.4. Clases de matrices

a. Matriz fila

b. Matriz columna

c. Matriz rectangular

La matriz de orden 𝑚𝑥𝑛, con 𝑚 ≠ 𝑛 se denomina matriz rectangular. Es decir, una matriz

rectangular, es de la forma:

𝑎11 𝑎12 ... 𝑎1n

𝑎21 𝑎22 ... 𝑎2n
… … ... . ..
A= 𝑎 𝑎i2 ... 𝑎i2
i1
. .. … ... . ..
[𝑎m1 𝑎m2 ... 𝑎mn ]

Ejemplo:

1 1 5
La matriz 𝐴 = [ ] es una matriz rectangular de orden 2x3.
2 6 9

d. Matriz cuadrada

La matriz 𝐴 se llama cuadrada, si tiene el mismo número de filas que columnas. Es decir,

una matriz cuadrada es de la forma:

 24

𝑎11 𝑎12 ... 𝑎1n

𝑎21 𝑎22 ... 𝑎2n
… … ... . ..
A= 𝑎 𝑎i2 ... 𝑎i2
i1
. .. … ... . ..
[𝑎n1 𝑎n2 ... 𝑎nn ]

La matriz tiene n filas y n columnas; en este caso en lugar de decir que la matriz es de

orden 𝑛𝑥𝑛, se pude decir simplemente que la matriz es de orden 𝑛.

Ejemplos:

1 −1 2
1 0
Las matrices 𝐴 = ( ) y 𝐵=( 0 3 4) son cuadradas.
−2 3 2𝑥2
−2 1 0 3𝑥3

Observación:

Ejemplo:

1 0
1. La traza de la matriz 𝐴 = ( ) es Tr(A)=1+3=4
−2 3 2𝑥2

2 −1 2
2. La traza de la matriz 𝐵 = ( 0 3 4) es Tr(B) = 2 + 3 + (-4) = 1
−2 1 −4 3𝑥3
 25

Observación:

Al conjunto de las matrices de orden 2𝑥2 representamos por 𝑀2 , al conjunto de las

matrices de orden 3𝑥3 representamos por 𝑀3 , y en general, al conjunto de matrices de orden

𝑛𝑥𝑛 representamos por 𝑀n .

Ejemplo:
𝑎11 𝑎12
Si 𝐴 ∈ 𝑀2 ⇒ A= [𝑎 𝑎22 ]
21

𝑎11 𝑎12 𝑎13

Si 𝐴 𝑀3 ⇒ A= [𝑎21 𝑎22 𝑎23 ]
𝑎31 𝑎32 𝑎33

𝑎11 𝑎12 ... 𝑎1n

𝑎21 𝑎22 ... 𝑎2n
. . ... .
Si 𝐴 𝑀𝑛 ⇒ A= . . ... .
. . ... .
[𝑎n1 𝑎n2 ... 𝑎nn ]

e. Matriz nula

Decimos que una matriz es nula si todos sus componentes son ceros; es decir es de la

forma:

0 0 ... 0
0 0 ... 0
. . ... .
A=
. . ... .
. . ... .
[0 0 ... 0]

Ejemplos:

0 0
1. 𝐴 = [ ] es una matriz de orden 2𝑥2.
0 0

0 0 0
2. 𝐵 = ( ) es una matriz nula de orden 2𝑥3.
0 0 0
 26

f. Matriz diagonal

Una matriz cuadrada cuyos componentes son 𝑎ij = 0; para 𝑖 ≠ 𝑗 se llama matriz

diagonal; es decir, una matriz diagonal es de la forma:

𝑎11 0 0 0 … 0 0
0 𝑎22 0 0 … 0 0
0 0 𝑎33 0 … 0 0
A= 0 0 … … … 0 0 = diagonal(𝑎11, 𝑎22, ..., 𝑎nn )
… 0 … … … 0 …
… … … … … … 0
[0 0 0 0 … 0 𝑎nn ]

Ejemplos:

2 0 0 0
0 0 0 0
1. En M4 , 𝐴4 = [ ] es una matriz diagonal.
0 0 −1 0
0 0 0 5

8 0 0 0 0
0 1 0 0 0
2. En M5 , 𝐴5 = 0 0 2 0 0 es una matriz diagonal.
0 0 0 5 0
[0 0 0 0 3]

g. Matriz identidad

Conocida también como matriz unitaria que se representa como 𝐼𝑛 , es una matriz diagonal

en la que 𝑎ij = 0 para todo 𝑖 ≠ 𝑗 , y, 𝑎ii = 1 para todo 𝑖.

1 0 0 … … … 0
0 1 0 … … … 0
0 0 1 … … … 0
𝐼𝑛 = … … … 1 … … …
… … … … 1 … …
… … … … … … …
[0 0 0 … … … 1]

Ejemplos:

Así tenemos las matrices unitarias de orden 2, 3 y 4.

 27

1 0 0 0
1 0 0
1 0 0 1 0 0
𝐼2 = [ ] 𝐼3 = [0 1 0] 𝐼4 = [ ]
0 1 0 0 1 0
0 0 1
0 0 0 1

h. Matriz escalar

Si E es una matriz diagonal donde 𝑎11 = 𝑎22 = ... = 𝑎nn = 𝑘, entonces se dice que E es

una matriz escalar. Es decir, una matriz escalar es una matriz cuadrada de la forma E =

𝑘𝐼𝑛 , para cualquier constante 𝑘.

Ejemplo:

2 0 0 0
0 2 0 0
La matriz 𝐸 = [ ] en la que 𝐸 = 2𝐼, es una matriz escalar.
0 0 2 0
0 0 0 2

i. Matriz triangular

a) Una matriz cuadrada 𝐴𝑛 , cuyos elementos 𝑎ij = 0, para 𝑖 > 𝑗, se denomina matriz

triangular superior.

𝑎11 𝑎12 𝑎13 𝑎14

0 𝑎22 𝑎23 𝑎24
𝐴4 = [ 0 0 𝑎33 𝑎34 ]
0 0 0 𝑎44

b) Una matriz cuadrada 𝐴𝑛 cuyos elementos 𝑎ij = 0 para 𝑖 < 𝑗, se denomina matriz

triangular inferior.

𝑎11 0 0 0
𝑎 𝑎22 0 0
𝐴4 = [ 21 ]
𝑎31 𝑎32 𝑎33 0
𝑎41 𝑎 𝑎43 𝑎44
 28

2.5. Matriz transpuesta

Ejemplos:

3 1
3 −2 4
1. La transpuesta de la matriz A = [−2 0 ] es 𝐴𝑡 = [ ]
1 0 −5 2𝑥3
4 −5 3𝑥2

𝑎11 𝑎12 ... 𝑎1𝑛 𝑎11 𝑎21 ... 𝑎𝑚1

𝑎21 𝑎22 ... 𝑎2𝑛 𝑎12 𝑎22 ... 𝑎𝑚2
… … ... … … … ... …
2. En general, si A = … … ... … ⇒ 𝐴𝑡 = … … ... …
… … ... … … … ... …
[𝑎𝑚1 𝑎𝑚2 ... 𝑎mn ] [𝑎1𝑛 𝑎2𝑛 ... 𝑎mn ]

Propiedades de la matriz transpuesta:

T.1 : 𝐼 𝑡 =I

T.2: (𝐴𝑡 )𝑡 = 𝐴

T.3: (𝑘𝐴)𝑡 =kA𝑡 , k es un escalar

T.4: (A+B)𝑡 =A𝑡 +B𝑡

T.5: (AB)𝑡 = 𝐵 𝑡 𝐴𝑡

2.5.1 Matriz simétrica

Una matriz cuadrada A, se denomina matriz simétrica si es igual a su transpuesta. Es

decir, A es simétrica, si y solo si: A=A𝑡 .

Ejemplo:
 29

1 0 1 1 0 1
Si, A= [0 2 4] 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐴𝑡 = [0 2 4] = 𝐴
1 4 3 1 4 3

Como 𝐴𝑡 =A entonces la matriz 𝐴 es simétrica.

2.5.2 Matriz antisimétrica

Una matriz cuadrada 𝐴 decimos que es una matriz antisimétrica, sii: 𝐴 = −𝐴𝑡

Ejemplo:

0 −1 0 1 0 −1
Si 𝐴 = [ ] ⇒ 𝐴𝑡 = [ ] = −[ ] = −𝐴
1 0 −1 0 1 0

Puesto que 𝐴 = −𝐴𝑡 , entonces 𝐴 es una matriz antisimétrica.

Observación:

Para que una matriz 𝐴 sea antisimétrica se debe cumplir que: 𝑎ij = −𝑎ji para 𝑖 ≠ 𝑗

además los componentes de la diagonal principal deben ser ceros, es decir 𝑎ij = 0 para 𝑖 = 𝑗.

2.5.3 Matriz ortogonal

Una matriz cuadrada 𝐴 se llama ortogonal, si: 𝐴.𝐴𝑡 = 𝐴𝑡 .𝐴 = 𝐼

Ejemplo:
sen𝛼 −cos𝛼
La matriz 𝐴 = ( ) es ortogonal.
cos𝛼 sen𝛼
sen𝛼 cos𝛼
Pues: 𝐴𝑡 = ( )
−cos𝛼 sen𝛼
sen𝛼 −cos𝛼 sen𝛼 cos𝛼
Y se verifica que: 𝐴.𝐴𝑡 = ( ).( )
cos𝛼 sen𝛼 −cos𝛼 sen𝛼

1 0
𝐴.𝐴𝑡 = ( ) = 𝐼2
0 1
 30

2.5.4 Matriz idempotente

Ejemplo:

1 1

La matriz 𝐴 = [21 2
1] es idempotente.
2 2

1 1 1 1 1 1 1 1 1 1
+4 +4 2
En efecto: A  A. A  [2
2 2 2 2 4 4 2
1 1].[1 1]= [1 1 1 1]=[1 1]=𝐴
+4 +
2 2 2 2 4 4 4 2 2

Como 𝐴2 = 𝐴 ⇒ A es una matriz idempotente.

2.5.5 Matriz involutiva

La matriz cuadrada de orden 𝑛𝑥𝑛 se denomina involutiva si y solo si, su cuadrado es la

matriz identidad 𝐼𝑛 ; es decir:

𝐴𝑛 involutiva ⇔ 𝐴2 = 𝐼𝑛

Ejemplo:

−1 0
𝐴=[ ] es una matriz involutiva, puesto que:
0 1

−1 0 −1 0 1+0 0+0 1 0
𝐴2 = [ ].[ ]= [ ]=[ ]= 𝐼
0 1 0 1 0+0 0+1 0 1 2
 31

2.6. Operaciones con matrices

2.6.1 Adición de matrices

Definición.-

Dadas las matrices 𝑨 = [𝑎ij ] y 𝐵 = [𝑏ij ] , llamamos suma de las matrices 𝑨 y

𝑚𝑥𝑛 𝑚𝑥𝑛

𝐵, a la matriz C=[𝑐ij ] ; si cada componente de la matriz 𝑪 es la suma de los componentes

mxn

respectivos de 𝐴 y 𝐵, es decir:

𝑐ij =aij +bij ,∀ij

Por lo tanto:

A+B= [𝑎ij ] + [𝑏ij ] = [𝑎ij +bij ] =[𝑐ij ] =𝐶

𝑚𝑥𝑛 𝑚𝑥𝑛 mxn mxn

Ejemplo:

1 3 2 1 0 5
Dadas las matrices: 𝐴 = [1 0 0] y 𝐵 = [7 5 0]
1 2 2 3𝑥3 2 1 1 3𝑥3

Calcular A+ B

1 3 2 1 0 5
A  B  [1 0 0] + [7 5 0]
1 2 2 2 1 1

1+1 3+0 2+5 2 3 7

A+B= [1 + 7 0 + 5 0 + 0] = [8 5 0]
1+2 2+1 2+1 3 3 3 3𝑥3

Observación:

La suma de las matrices 𝐴 y 𝐵 existe, si éstas son del mismo orden.

 32

Propiedades:

Dadas las matrices 𝐴, 𝐵, 𝐶 ∈ 𝑀𝑚𝑥𝑛 , se cumple que:

1) 𝐴 + 𝐵 ∈ 𝑀𝑚𝑥𝑛

Es decir, la adición de matrices de orden 𝑚𝑥𝑛 es una ley de composición interna,

en otras palabras, la suma de dos matrices de orden 𝑚𝑥𝑛 es otra matriz de orden

𝑚𝑥𝑛.

2) A + (B + C) = (A + B) + C; es decir, la suma de matrices es asociativa.

3) ∀𝐴 ∈ 𝑀𝑚𝑥𝑛 ∃ 𝜃 ∈ 𝑀𝑚𝑥𝑛 𝐴 + 𝜃 = 𝜃 + 𝐴 = 𝐴, existencia del elemento neutro.

4) ∀𝐴 ∈ 𝑀𝑚𝑥𝑛 ∃(−𝐴) ∈ 𝑀𝑚𝑥𝑛 /(−𝐴) + (−𝐴) = (−𝐴) + 𝐴 = 𝜃.

Existencia del opuesto aditivo.

5) A + B = B + A. La adición de matrices de orden mxn es conmutativa:

Por lo que (𝑀𝑚𝑥𝑛 ; +) es un grupo abeliano.

2.6.2 Producto de un escalar por una matriz

Definición.-

Dada la matriz 𝐴 ∈ 𝑀𝑚𝑥𝑛 :

𝑎11 ⋯ 𝑎1𝑛
𝐴=( ⋮ ⋱ ⋮ ) = (𝑎𝑖𝑗 )
𝑚𝑥𝑛
𝑎𝑚1 ⋯ 𝑎𝑚𝑛

El producto de la matriz A por un escalar k, que se denota k·A, k×A o simplemente kA

se define como:

𝑘𝑎11 ⋯ 𝑘𝑎1𝑛
𝑘. 𝐴 = ( ⋮ ⋱ ⋮ ) = (𝑘. 𝑎𝑖𝑗 )
𝑚𝑥𝑛
𝑘𝑎𝑚1 ⋯ 𝑘𝑎𝑚𝑛
 33

Ejemplo:

2 0 1
Dado la matriz A= (3 0 0) y el escalar k = 2; hallar el producto kA
5 1 1

En efecto,

2 0 1 4 0 2
2A=2 (3 0 0) = ( 6 0 0)
5 1 1 10 2 2

Propiedades:

Dadas las matrices 𝐴, 𝐵 ∈ 𝑀𝑚𝑥𝑛 , y los escalares 𝛼, 𝛽 ∈ ℝ; entonces:

1) 𝛼 · (𝛽 · A) = (𝛼 · 𝛽) · A

2) 𝛼 · (A + B) = 𝛼 · A + 𝛼 · B

3) (𝛼 + 𝛽) · A = 𝛼 · A + 𝛽 · A

4) 1 · A = A

5) 0.A= 𝜃

2.6.3 Producto de matrices

Definición.-

El producto de las matrices 𝐴 por 𝐵, que se denota 𝐴𝑥𝐵 o simplemente 𝐴𝐵, es la

matriz 𝐶 de orden 𝑚𝑥𝑝; es decir:

𝐶 = 𝐴 𝐵 = (𝑐𝑖𝑗 )𝑚𝑥𝑝

Donde cada elemento 𝑐𝑖𝑗 está definido por:

 34

𝑐𝑖𝑗 = ∑𝑛𝑟=1 𝑎𝑖𝑟 𝑏𝑟𝑗 ; 𝑖 = 1, 2, … , 𝑚; ; 𝑗 = 1, 2, … , 𝑝

𝑎11 … 𝑎1n 𝑏11 … 𝑏1p

Es decir: C = A.B = ( ⋮ ⋱ ⋮ ). ( ⋮ ⋱ ⋮ )=
𝑎m1 ⋯ 𝑎mn 𝑏mn ⋯ 𝑏np

Ejemplo:

2 0 1 1 0 1
Dadas las matrices A=(3 0 0) y B = (1 2 1)
5 1 1 1 1 0

Hallar el producto de A y B.

Solución:

2 0 1 1 0 1 2+0+1 0+0+1 2+0+0

A x B = (3 0 0).(1 2 1) = (3 + 0 + 0 0 + 0 + 0 3 + 0 + 0)
5 1 1 1 1 0 5+1+1 0+2+1 5+1+0

3 1 2
A x B = (3 0 3)
7 3 6

Propiedades

Dadas las matrices 𝐴, 𝐵 ∈ 𝑀𝑚𝑥𝑛 , se cumplen las siguientes propiedades:

1. Asociativa: 𝐴𝑥 (𝐵𝑥𝐶) = (𝐴𝑥𝐵)𝑥𝐶

2. Elemento neutro: 𝐴𝑥𝐼 = 𝐴; donde 𝐼 es la matriz identidad de orden 𝑚𝑥𝑛.

 35

3. Distributiva del producto respecto a la adición:

A x (B + C) = A x B + A x C

(B + C)xA = BA + CA

4. k(A.B) = (kA)B= A(kB), donde k es un escalar.

Observaciones:

1. El producto de matrices no es conmutativo; es decir: AB ≠ BA.

Ejemplo:

1 1 1 0 2 1
𝐴𝑥𝐵 = ( )𝑥( )=( )
0 1 1 1 1 1

1 0 1 1 1 1
𝐵𝑥𝐴 = ( )𝑥( )=( )
1 1 0 1 1 2

Por lo tanto, se cumple: AB ≠ BA

2. No existe la división entre matrices lo que se define como 𝐴/𝐵 es el producto de la matriz

𝐴 por la matriz inversa de la matriz 𝐵; es decir, 𝐴𝐵 = 𝐴𝐵 −1 .

3. Cuando una matriz se divide por un escalar, cada componente de la matriz queda dividido

por dicho escalar; es decir:

𝐴 𝑎𝑖𝑗
=
𝑘 𝑘

Ejemplo:

𝟖 𝟔
Se la matriz 𝑨 = ( ) y 𝒌 = 𝟐;
𝟑 −𝟒
𝑨 𝑨 𝟒 𝟑
= = (𝟑 −𝟐)
𝒌 𝟐 𝟐
 36

2.7. Operaciones elementales fila

Dada una matriz 𝐴𝑚𝑥𝑛 , se denomina operación elemental fila a algún de las siguientes

operaciones:

1. Intercambio de dos filas cualesquiera de 𝐴.

2. Producto de una fila 𝒊 de la matriz 𝐴 por un escalar diferente de cero ( λ ≠ 0).

3. Suma del producto de la fila 𝒊 de la matriz de 𝐴 por un escalar diferente de cero (λ ≠ 0), y

el producto de la fila 𝒋 de la matriz 𝐴 por otro escalar diferente de cero (δ ≠ 0).

Ejemplo:

1 2 3
Dada la matriz 𝐴 = [ ], se pueden realizar las siguientes operaciones elementales
4 5 6

fila:

1. Intercambio de la primera y segunda fila, 𝐹12 ;

4 5 6
Obteniendo la matriz: [ ]
1 2 3

2. A la fila 2 lo multiplicamos por (3) ⇒ 𝐹2 (5) se obtiene

1 2 3
𝐹2 (−10) = [ ]
20 25 30

3. Multiplicamos por 3 la primera fila, y luego sumamos la segunda fila:

1 2 3
𝐹12 (3) = [ ]
7 11 15

2.8. Matriz escalonada

Una matriz 𝐴𝑚𝑥𝑛 , se dice que está en forma escalonada, si:

1. El primer componente no nulo de cada una de las 𝒓 filas no nulas es 1.

2. Si existen 𝒔 filas cuyos elementos son ceros, éstas están en la parte inferior de la matriz.

3. En cada una de las 𝒓 filas no nulas, el número de ceros que anteceden a la unidad crece
 37

de una fila a otra.

Es decir, una matriz escalonada es de la forma:

1 𝑎 𝑏 𝑐 𝑑 . . . 𝑥
0 0 1 𝑒 𝑓 . . . 𝑦 r filas no nulas
0 0 0 0 1 . . . 𝑧
0 0 0 0 0 . . . 0
𝐴=
. . . . . . . . .
. . . . . . . . . s filas nulas
. . . . . . . . .
[0 0 0 0 0 . . . 0]

Ejemplos:

Son matrices escalonadas:

1 3 1 2 1 4 0 0 0 −1 5 0
(0 1 5 7) , [0 1 0] , [0 0 0 4 0]
0 0 1 5 0 0 0 0 0 0 0 1

2.9. Matriz escalonada reducida

Una matriz escalonada se denomina reducida si todas las columnas que tienen el

primer componente diferente de cero, de alguna fila, tienen ceros en todas las demás

posiciones.

Ejemplos:

Las siguientes matrices son escalonadas reducidas:

1 0 0 2 1 0 0
[0 1 0 −3] , [0 1 0]
0 0 1 −2 0 0 1
 38

2.9.1 Matrices equivalentes

Se dice que dos matrices A y B son equivalentes si una de ellas se genera de la otra por

medio de una sucesión finita de operaciones elementales fila o columna.

Ejemplo:

Reducir la matriz A a la forma escalonada:

2 5 3
1 2 2
𝐴=[ ]
3 4 1
2 3 2

Solución:

2 5 3 1 2 2 1 2 2 1 2 2
1 2 2 2 5 3 0 1 −1 0 1 −1
[ ] 𝐹12 [ ] 𝐹 2 (−2) [ ] 𝐹13 (−3) [ ]
3 4 1 3 4 1 1 3 4 1 0 −2 −5
2 3 2 2 3 2 2 3 2 2 3 2

1 2 2 1 2 2 1 2 2
0 1 −1 0 1 −1 0 1 −1
𝐹14 (−2) [ ] 𝐹24 (1) [ ] 𝐹23 (2) [ ]
0 −2 −5 0 −2 −5 0 0 −7
0 −1 −2 0 0 −3 0 0 −3

1 2 2 1 2 2
0 1 −1 0 1 −1
𝐹3 (− 1⁄7) [ ] 𝐹34 (3) [ ]=𝐵
0 0 1 0 0 1
0 0 −3 0 0 0

2.9.2 Rango de una matriz

Definición.-

El rango de una matriz A, es el número de filas o columnas de A que son linealmente

independientes; y se representa como 𝑟𝑎𝑛𝑔(𝐴).

Observaciones:
 39

1. Una fila (o columna) es linealmente dependiente cuando se puede expresar como una

combinación lineal de otras filas (o columnas).

2. Una fila (o columna) es linealmente independiente si no es posible expresarla como

combinación lineal de otras filas y/o columnas.

Ejemplo:

Hallar el rango de la matriz A:

0 2 −4
1 4 −5
𝑨= 3 1 7
0 1 −2
[2 3 0]

Solución:

Realizando sucesivamente las transformaciones elementales tenemos:

1 4 −5 1 4 −5 1 4 −5
0 2 −4 0 2 −4 0 2 −4
A: 𝐹12 3 1 7 𝐹13 (−3) 0 −11 22 𝐹15 (−2) 0 −11 22
0 1 −2 0 1 −2 0 1 −2
[2 3 0] [2 3 0] [0 −5 10 ]

1 4 −5 1 4 −5 1 4 −5
0 1 −2 0 1 −2 0 1 −2
𝐹2 (1⁄2) 0 −11 22 𝐹25 (5) 0 0 0 𝐹14 (−1) 0 0 0 =𝐵
0 1 −2 0 1 −2 0 0 0
[0 −5 10 ] [0 0 0] [0 0 0]

Como la última matriz 𝐵 tiene dos filas no nulas:

𝑅𝑎𝑛𝑔(𝐵) = 𝑅𝑎𝑛𝑔(𝐴) = 2

Ejemplo:

1 2 0
Calcular el rango de la matriz. 𝐴 = ( )
3 6 0 2𝑥3
 40

Solución:

2.10. Matriz inversa

Definición.-

Una matriz cuadrada A de dimensión n x n se llama inversible, no singular o regular si

existe una matriz cuadrada B de dimensión n x n tal que AB = BA = 𝐼𝑛 .

𝐼𝑛 es la matriz identidad de orden n y B se llama inversa de A y se denota por B = 𝐴−1.

Teorema:

La inversa de la matriz A es única.

Prueba:

Supongamos que la matriz 𝐴 tiene dos inversas: 𝐵 y 𝐶.

Entonces:

Multiplicando por 𝐶 estas ecuaciones se tiene:

(𝐴𝐵)𝐶 = 𝐼𝐶 = 𝐶

(𝐵𝐴)𝐶 = 𝐵(𝐴𝐶) = 𝐵𝐼 = 𝐵

De esta manera se tiene que 𝐵 = 𝐶.

Lo que prueba que la inversa de una matriz es única.

 41

Observaciones:

1. La inversa de la matriz 𝐴 se denota por 𝐴−1 y verifica la siguiente igualdad:

𝐴 ∙ 𝐴−1 = 𝐴−1 ∙ 𝐴 = 𝐼

2. Las matrices que tienen inversa se denominan matrices regulares y las que no tienen se

llaman matrices singulares.

3. Una matriz cuadrada de orden 𝑛 es regular, si y solo si su rango es 𝑛.

Propiedades de la matriz inversa:

Sean 𝐴 y 𝐵 dos matrices inversibles de orden 𝑛, entonces se verifican las siguientes

propiedades:

1. Si existe, 𝐴−1 es única.

2. 𝐴.𝐴−1 = 𝐴−1 𝐴 = 𝐼

3. (𝐴−1 )−1 = 𝐴

4. Si AB=BA = I ⇒B= 𝐴−1

5. (AB)−1 = 𝐵 −1 𝐴−1

6. (𝐴𝑡 )−1 = (𝐴−1 )𝑡

7. El determinante de la matriz A es la inversa del determinante de su matriz

inversa:

1
|A| =
|A−1 |
 42

2.10.1 Cálculo de la matriz inversa

El cálculo de la matriz inversa de una matriz regular se puede realizar de diferentes

maneras, entre ellas tenemos:

a. A través de la solución de un sistema de ecuaciones lineales

3 −1
Calcular la matriz inversa de la matriz A = [ ]
2 4

Solución:

𝑎 𝑏
Sea 𝐴−1 = [ ] la matriz inversa por calcular.
𝑐 𝑑

Entonces se tiene A.𝐴−1= I ,

De donde

3 −1 𝑎 𝑏 1 0
𝐴 ∙ 𝐴−1=[ ][ ]=[ ]
2 4 𝑐 𝑑 0 1

3𝑎 − 𝑐 3𝑏 − 𝑑 1 0
Efectuando operaciones, se tiene: [ ]=[ ]
2𝑎 + 4𝑐 2𝑏 + 4𝑑 0 1

Entonces:

3𝑎 − 𝑐 = 1 ,

3𝑏 − 𝑑 = 0

2𝑎 + 4𝑐 = 0

2𝑏 + 4𝑑 = 1
2 1 1 3
Al resolver el sistema se tiene: 𝑎 = 7 , 𝑏 = 14 , 𝑐 = − 7 , 𝑑 = 14

2 1
7 14
Luego, 𝐴−1 = [ 1 3]
−7 14
 43

b. Cálculo de la inversa de una matriz por el método de las operaciones

elementales

Conocido también como el método de Gauss-Jordan.

Dada una matriz cuadrada 𝐴 de orden 𝑛 ; para hallar su matriz inversa seguimos los

siguientes pasos:

Paso 1: Construimos la matriz ampliada 𝑀 = (𝐴|𝐼)

Paso 2: Utilizando el método de Gauss se transforma la matriz 𝐴 (de la izquierda)

en la matriz identidad 𝐼, y la matriz que quede en el lado derecho es la

matriz inversa 𝐴−1 .

[𝐴|𝐼] → [𝐼|𝐴−1 ]

𝐴.𝐴−1 = 𝐼 = 𝐴−1 .𝐴

Ejemplo:

Sea la matriz 𝐴3𝑥3

3 4 5
𝐴 = (2 3 1 )
3 5 −1

Entonces, la matriz ampliada con una matriz identidad de orden 3 es:

3 4 5 | 1 0 0
(2 3 1 | 0 1 0)
3 5 −1 | 0 0 1

Luego, a través de las operaciones elementales fila que están indicadas (método de

Gauss) transformamos la matriz 𝐴 que está a la izquierda en la matriz identidad, que

inicialmente se encuentra en el lado derecho. La matriz que resulte en el lado derecho será la

matriz inversa 𝐴−1.

 44

3 4 5 | 1 0 0 1 1 4 | 1 −1 0
(2 3 1 | 0 1 0) 𝐹1 𝐹2 (2 3 1 | 0 1 0) 𝐹2 -2𝐹1
3 5 −1 | 0 0 1 3 5 −1 | 0 0 1

𝐹3 -3𝐹1

1 1 4 | 1 −1 0 1 1 4 | 1 −1 0
(0 1 −7 | −2 3 0) 𝐹3 -2𝐹2 (0 1 −7 | −2 3 0)
0 2 −13 | −3 3 1 0 0 1 | 1 −3 1

1 1 0 | −3 11 −4 1 0 0 | −8 29 −11
𝐹1 - 4 𝐹3 (0 1 0 | 5 −18 7 ) 𝐹1 -𝐹2 (0 1 0 | 5 −18 7 )
0 0 1 | 1 −3 1 0 0 1 | 1 −3 1

𝐹2 +7𝐹3

−8 29 −11
−1
Luego, la matriz inversa de 𝐴 es: 𝐴 = ( 5 −18 7 )
1 −3 1

c. Cálculo de la inversa de una matriz aplicando la matriz adjunta

Definición.-

El menor complementario (𝑀ij ) de un elemento de una matriz A de tercer orden, es

el determinante de una matriz cuadrada de segundo orden, que se obtiene

eliminando la fila 𝒊 y la columna 𝒋.

Al menor complementario de 𝒂ij se denota por 𝑀ij .

Ejemplo.-
𝑎11 𝑎12 𝑎13
Sea 𝐴 = [𝑎ij ] =[𝑎21 𝑎22 𝑎23 ]
3𝑥3
𝑎31 𝑎32 𝑎33

𝑎22 𝑎23
Al menor complementario de 𝑎11 es 𝑀11 = |𝑎 𝑎33 |
32
 45

𝑎21 𝑎23
El menor complementario de 𝑎12 es 𝑀12 = |𝑎 𝑎33 |
31

𝑎21 𝑎22
El número complementario de 𝑎13 es 𝑀13 = |𝑎 𝑎32 |
31

Definición.-

El cofactor del elemento 𝑎ij de una matriz A se denota por 𝐴ij y está definida por:

𝐴ij = (−1)𝑖+𝑗 𝑀IJ

Ejemplos:

1) Obtener los cofactores A13 y A21 del determinante D dado:

2 −1 3
𝐷 = |4 5 2|
6 −3 7

A13 está dado por:

De la misma forma

𝑎11 𝑎12 𝑎13

2) Consideremos la matriz A de tercer orden. 𝐴 = [𝑎21 𝑎22 𝑎23 ]
𝑎31 𝑎32 𝑎33

El cofactor de 𝑎11 es 𝐴11 = (−1)1+1 𝑀11= 𝑀11

El cofactor de 𝑎12 es 𝐴12 = (−1)1+2 𝑀12= -𝑀12

El cofactor de 𝑎13 es 𝐴13 = (−1)1+3 𝑀13 = 𝑀13

 46

Definición.-

Dada la matriz 𝑨, se llama matriz adjunta de 𝑨 a la transpuesta de la de la matriz de

cofactores.

𝐴11 𝐴12 𝐴13

Es decir, si C(A) = (𝐴21 𝐴22 𝐴23 ) es la matriz de cofactores, entonces la matriz
𝐴31 𝐴32 𝐴33

adjunta de 𝑨 queda expresada como:

𝐴11 𝐴21 𝐴31

adj(A) = (𝐶𝐴)𝑡 = 𝑎𝑑𝑗(𝐴) = (𝐶𝐴)𝑡 = (𝐴12 𝐴22 𝐴32 )
𝐴13 𝐴23 𝐴33

Donde: 𝐴ij = (−1)𝑖+𝑗 𝑀ij , y el signo es (+) si 𝑖 + 𝑗 es par, y es (−) si 𝑖 + 𝑗 es

impar.

Ejemplo:

1 2 −1
Dada la matriz 𝐴 = (0 −3 2 ), hallar la matriz de cofactores y su matriz
2 1 5

adjunta.

Solución:

Los cofactores de los elementos de la matriz A son:

 47

−17 4 6
La matriz de cofactores es: 𝐶𝐴 = (−11 7 3)
1 −2 −3

Luego, a partir de la transpuesta de la matriz de los cofactores se tiene la adjunta

de la matriz 𝐴:

−17 −11 1
𝑎𝑑𝑗(𝐴) = ( 4 7 −2)
6 3 −3

Consideremos una matriz cuadrada A, si |𝐴| ≠ 0, la inversa de la matriz A, se define

como:

1 1
𝐴−1 = adj(𝐴) = (CA)𝑡
|𝐴| |𝐴|

Ejemplo:

Consideremos la matriz del ejemplo anterior

1 2 −1 −17 −11 1
𝐴 = (0 −3 2 ) , 𝑎𝑑𝑗(𝐴) = ( 4 7 −2)
2 1 5 6 3 −3

y el determinante de A:

1 2 −1
|𝐴| = |0 −3 2 | = −15 + 8 + 0 − 6 − 0 − 2 = −15 ≠ 0
2 1 5

Por lo tanto |𝐴|= -15

1
Así, en base a la propiedad: 𝐴−1 = |𝐴| adj(𝐴)

Tenemos:

−17 −11 1
1
𝐴−1 = − 15 ( 4 7 −2)
6 3 −3
 48

17 11 1
− 15
15 15
4 7 2
𝐴−1 = − 15 − 15 15
6 3 3
− 15 − 15
( 15 )

2.11. Determinante de una matriz cuadrada

Definición.-

El determinante de una matriz 𝐴 de orden 𝑛𝑥𝑛, es una función de ℝnxn en ℝ, que se

denota como |𝐴| , det(𝐴) o 𝐷(𝐴). Es decir, el determinante de una matriz es un número real

y su cálculo depende del orden de la matriz cuadrada en particular.

a. Cálculo del determinante de una matriz cuadrada de orden 2

Ejemplo:

2 4 2 4
Si 𝐴 = [ ] ⇒ det (A) =|𝐴|= | |= 10 -12 = -2
3 5 3 5

b. Cálculo del determinante de una matriz de orden 3

El siguiente método, conocido como la regla de Sarrus, es una forma práctica de calcular

el determinante de una matriz cuadrada de orden 3.

 49

Dada la matriz 𝑀 de orden 3𝑥3:

𝑎11 𝑎12 𝑎13

𝑀 = (𝑎21 𝑎22 𝑎23 )
𝑎31 𝑎32 𝑎33

Seguimos los siguientes pasos:

1º Se vuelven a escribir las dos primeras columnas de la matriz a la derecha de la misma, de

tal modo que queden cinco columnas.

2º El determinante se calcula sumando los productos de las diagonales descendentes

(diagonales de izquierda a derecha) de los que restamos los productos de las diagonales

ascendentes (diagonales de derecha a izquierda).

𝑎11 𝑎12 𝑎13

𝑎
|𝐴| = | 21 𝑎22 𝑎23 |
𝑎31 𝑎32 𝑎33

- - - + + +

= 𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 − 𝑎31 𝑎22 𝑎13 − 𝑎32 𝑎23 𝑎11 − 𝑎33 𝑎21 𝑎12

Ejemplo:

2 4 5
Calcular el determinante de la matriz 𝐴 = (−3 2 −1)
1 1 2

Solución:
 50

2 4 5 2 4
|𝐴| = |−3 2 −1| −3 2
1 1 2 1 1

= 8 + (−4) + (−15) − 10 − (−2) − (−24)

|𝐴| = 5

c. Cálculo de determinantes de cualquier orden

Método del pibote

Se aplica para hallar el determinante de una matriz de orden mayor que 3; y consiste en

obtener otro determinante a partir del determinante de la matriz 𝐴 (|𝐴|) aplicando de manera

repetitiva la propiedad de los determinantes que goce de la propiedad de que todos los

elementos de alguna o alguna columna son ceros (0) excepto uno, es decir:

|𝐴| = (−1)𝑖+𝑗 𝑎ij 𝑀ij

Donde 𝑀ij es el menor complementario de 𝑎ij y el elemento 𝑎ij es el llamado elemento

pibote.

Ejemplos:

1. Hallar por el método del pibote el determinante de la matriz 𝐴:

4 1 3 2
−1 2 −3 4
𝐴=( ).
−2 1 3 5
1 4 −3 6
 51

Solución:

4 1 3 2 0 1 0 0
−1 2 −3 4 −9 2 −9 0
|𝐴| = | |=| |
−2 1 3 5 −6 1 0 3
1 4 −3 6 −15 4 −15 −2

𝑐1 − 4𝑐2 𝑐3 − 3𝑐2 𝑐4 − 2𝑐2

0 1 0 0
−9 −9 0 0 −9 0
−9 2 −9 0 1+2
| |= (−1) = −1| −6 0 3 |=− |−6 0 3|
−6 1 0 3
−15 −15 −2 0 −15 −2
−15 4 −15 −2

𝑐1 − 𝑐2

0 −9 0
−6 3
= − |−6 0 3 | = −(−1)1+2 (−9) | | = - 9(12 - 0) = -108
0 −2
0 −15 −2

2. Calculemos el determinante de la siguiente matriz triangular:

Desarrollando por cofactores de la primera columna,

 52

Así que, el determinante de una matriz triangular es el producto de sus elementos

de la diagonal principal.

Propiedades de los determinantes

1. |𝐼𝑛 | = 1

2. |𝐴𝑡 |= |𝐴|

3. |AB| = |𝐴||𝐵|

1
4. |𝐴−1 | =
|𝐴|

5. Si se intercambian 2 filas o 2 columnas el determinante cambia de signo.

6. Si una fila o columna se multiplica por una constante entonces el determinante

queda multiplicado por dicha constante.

|𝛼𝐴| = 𝛼|𝐴|

7. Si multiplicamos a una fila (columna) cualquiera por una constante y le sumamos

otra fila (o columna) el determinante no cambia.

8. Si a una fila o columna de la matriz tiene todos sus elementos nulos, el determinante

es cero.

9. Si dos filas o columnas son proporcionales, el determinante es cero.

10. Si 𝐴 = [𝑎ij ] es triangular, entonces el determinante es:

𝑛

|𝐴| = 𝑎11 𝑎22 𝑎33 ...𝑎nn

Un determinante triangular es igual al producto de los elementos de la diagonal

principal así lo vemos en el siguiente ejemplo.

2 0 0
|𝐴| = |1 2 0| = 2(2)(6) = 24
3 5 6
 53

d. Aplicación de las propiedades fundamentales del determinante de una matriz

1) Si todos los elementos de una fila (o una columna) de una matriz 𝐴 son ceros,

entonces el determinante de 𝐴 es cero.

−2 3 −1
|𝐴| = | 1 2 3 |=0
0 0 0

2) Si una matriz tiene dos filas o dos columnas iguales, su determinante es 0 (cero).

1 5 4
|𝐴| = |3 2 3| = 0
1 5 4

3) El valor de un determinante no varía si este se traspone, es decir, si se cambia cada

una de sus filas por la columna del mismo número.

2 3 0 2 3 0
|𝐴| = |3 2 7| = −2 y |𝐴𝑡 | = |3 2 1| = −2
2 1 6 0 7 6

Luego, |𝐴| = |𝐴𝑡 |

4) Dadas dos matrices cuadradas 𝐴 y 𝐵 de orden 𝑛:

- Si 𝐵 es la matriz que resulta de multiplicar una fila (o columna) de 𝐴 por un

escalar 𝑘, entonces:

[𝐵] = 𝑘[𝐴]

Ejemplo:

Sean las matrices:

2 4 1 4 8 2 2 4 1
𝐴=[0 3 4] y 𝐵 = [ 0 3 4] = 2 [ 0 3 4]
−1 7 8 −1 7 8 −1 7 8

Entonces: |𝐵| = 2|𝐴|

- Si B es la matriz que resulta de intercambiar dos filas o columnas de A,

 54

entonces |𝐵| = −|𝐴|

1 −2 3
𝐴 = [5 2 0 ] ⇒ |𝐴|= -4+15+ 0 –24 – 0 - 20 - 0 = -33
4 1 −2

Intercambiando: 𝐹1 ⇔ 𝐹3 en A se obtiene una nueva matriz B

4 1 −2
𝐵 = [5 2 0 ] ⇒ |𝐵|= 24+20 +0 +4 +0 -15 = 33
1 −2 3

- Si una fila o columna de un determinante es la suma de filas multiplicadas por

escalares (es decir, es combinación lineal de otras dos), el determinante es cero.

(Esta propiedad se cumple gracias a las dos propiedades anteriores).

- Si los elementos de una fila de un determinante son iguales a la suma de 𝒑

términos, el determinante se puede expresar como la suma de 𝒑 determinantes:

2 1 2 2 1 2 2 1 2
|𝑎 + 𝑏 𝑎+𝑐 𝑎 + 𝑑 | = |𝑎 𝑎 𝑎 | + |𝑏 𝑐 𝑑|
3 5 6 3 5 6 3 5 6

e. Cálculo del rango de una matriz por determinantes

El rango de la matriz es igual al orden de la mayor submatriz cuadrada no nula.

1ro. Procedemos a suprimir la tercera columna ya que es una combinación lineal de las

dos primeras columnas; es decir: eras: 𝑐3 = 𝑐1 + 𝑐2

 55

2do. Verificamos si su rango es 1. Para tal efecto se debe cumplir que por lo menos un

elemento de la matriz no sea 0 (cero), por lo tanto, su determinante no sea nulo.

|𝐴| = 2 ≠ 0

3ro.Su rango será 2, si existe alguna submatriz cuadrada de orden 2, tal que su

determinante no sea nulo.

2 1
| |=1≠0
3 2

4to. Su rango será 3, si existe alguna submatriz cuadrada de orden 3, tal que su

determinante no sea nulo.

2 1 2 2 1 2 2 1 2
|3 2 1 |=0 , |3 2 1 | = 0 , |3 2 1 |=0
−1 1 −7 3 −2 17 0 1 −1

Las submatrices son nulos, rango no es 3; luego, el 𝑅𝑎𝑛𝑔(𝐵) = 2.

5to. Si tuviera rango 3 y existiera alguna submatriz de orden 4 cuyo determinante no sea

nulo, tendría rango 4.

Observaciones:

Se puede eliminar una fila en los siguientes casos:

- Si todos sus coeficientes son ceros.

- Si hay dos filas o columnas iguales.

- Si una fila o columna es múltiplo de otra.

- Si una fila o columna es una combinación lineal de otras.

 56

Capítulo III: Transformaciones lineales

3.1. Transformaciones lineales

Definición.-

Sean (𝕍, +, 𝕂, ⋅) y (𝕎, +, 𝕂, ⋅) dos espacios vectoriales sobre el cuerpo 𝕂.

Una transformación lineal 𝑇 de 𝕍 en 𝕎 es una función que asigna a cada vector 𝑥 ∈

𝕍 un único vector 𝑇(𝑥) ∈ 𝕎 tal que; para cada 𝑥, 𝑦 ∈ 𝕍 y cada 𝛼 ∈ 𝕂:

i) 𝑇(𝑥 + 𝑦) = 𝑇(𝑥) + 𝑇(𝑦) … 1

ii) 𝑇(𝛼𝑥) = 𝛼𝑇(𝑥) … . 2

𝑥⋅ ⋅ 𝑇(𝑥)
𝑦⋅
⋅ 𝑇(𝑦)
𝑥+𝑦⋅ 𝑇(𝑥 + 𝑦) = 𝑇(𝑥) + 𝑇(𝑦)

𝑥−𝑦⋅
𝑇(𝛼𝑦) = 𝛼𝑇(𝑥)

Figura 3. Transformaciones lineales.

 57

De manera equivalente:

𝑇: 𝕍 → 𝕎 es una transformación lineal, si y solo si:

𝑇(𝛼𝑥 + 𝛽𝑦) = 𝛼𝑇(𝑥) + 𝛽𝑇(𝑦)

Para todo 𝛼, 𝛽 ∈ 𝕂, y 𝑥 , 𝑦 ∈ 𝕍.

Ejemplo:

Dados los espacios vectoriales ℝ3 ,+, ℝ, .) y (ℝ2 ,+, ℝ, .); la función 𝑇: ℝ3 → ℝ2

definida por 𝑇(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ), es una transformación lineal, pues:

i) 𝑇[(𝑥1 , 𝑥2 , 𝑥3 ) + (𝑦1 , 𝑦2 , 𝑦3 )] = 𝑇(𝑥1 + 𝑦1 , 𝑥2 + 𝑦2; 𝑥3 + 𝑦3 )

= (𝑥1 + 𝑦1 − 𝑥3 − 𝑦3 ; 𝑥2 + 𝑦2 − 𝑥3 − 𝑦3 )

Por otro lado, teniendo en cuenta la definición de 𝑇 y la suma en ℝ2 :

𝑇(𝑥1 , 𝑥2 , 𝑥3 ) + 𝑇(𝑦1 , 𝑦2 , 𝑦3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) + (𝑦1 − 𝑦3 , 𝑦2 − 𝑦3 )

= (𝑥1 − 𝑥3 + 𝑦1 − 𝑦3; 𝑥2 − 𝑥3 + 𝑦2 − 𝑦3 )

Por lo tanto, la imagen de la suma es igual a la suma de las imágenes.

ii) 𝑇[𝛼(𝑥1 , 𝑥2 , 𝑥3 )] = 𝑇(𝛼𝑥1 , 𝛼𝑥2 , 𝛼𝑥3 ) = (𝛼𝑥1 − 𝛼𝑥3 , 𝛼𝑥2 − 𝛼𝑥3 )

= 𝛼(𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) = 𝛼(𝑥1 , 𝑥2 , 𝑥3 )

Por i) y ii), 𝑻 es una transformación lineal de ℝ𝟑 en ℝ𝟐 .

Propiedades:

Sea la transformación lineal 𝑇: 𝕍 → 𝕎. Entonces, para todos los vectores

𝑣1 , 𝑣2 , … , 𝑣𝑛 ∈ 𝕍 y para todos los escalares 𝛼1 , 𝛼2 , . . . , 𝛼𝑛 ∈ 𝕂:

 58

i) 𝑇(0) = 0

ii) 𝑇(𝑣1 − 𝑣2 ) = 𝑇(𝑣1 ) − 𝑇(𝑣2 )

iii) 𝑇(𝛼1 𝑣1 + 𝛼2 𝑣2 + 𝛼𝑛 𝑣𝑛 ) = 𝛼1 𝑇(𝑣1 ) + 𝛼2 𝑇(𝑣2 ) + ⋯ + 𝛼𝑛 𝑇(𝑣𝑛 )

Probamos la propiedad ii):

𝑇(𝑣1 − 𝑣2 ) = 𝑇[𝑣1 + (−1)𝑣2 ]

= 𝑇(𝑣1 ) + 𝑇[(−1)𝑣2 ]

= 𝑇(𝑣1 ) + (−1)𝑇(𝑣2 )

= 𝑇(𝑣1 ) − 𝑇(𝑣2 )

3.2. Núcleo e imagen de una transformación lineal

Definición.-

1) El núcleo de 𝑇 denotado por ker(𝑇) está definido por:

𝑘𝑒𝑟(𝑇) = {𝑣 ∈ 𝕍 / 𝑇(𝑣) = 0𝕎 }

Es decir, el núcleo de una transformación lineal es el conjunto de vectores del dominio

cuya imagen es el vector nulo del codominio.

2) La imagen de 𝑇, denotado por 𝐼𝑚(𝑇), está dado por:

𝐼𝑚(𝑇) = {𝑤 ∈ 𝕎, ∃𝑣 ∈ 𝕍 / 𝑇(𝑣) = 𝑤}

Es decir, la imagen de una transformación lineal es el conjunto de todos los vectores

del codominio que son imágenes de algún vector del dominio.

 59

Observación:

𝑘𝑒𝑟(𝑇) ≠ 𝜙, pues como 𝑇(0) = 0, entonces, 0 ∈ 𝑘𝑒𝑟(𝑇),

Teorema.-

Si 𝑇: 𝕍 → 𝕎 es una transformación línea; entonces:

i) 𝑘𝑒𝑟(𝑇) es un subespacio de 𝕍.

ii) 𝐼𝑚(𝑇) es un subespacio de 𝕎.

Demostración:

i) 𝑘𝑒𝑟(𝑇) es un subespacio de 𝕍.

Es decir, el núcleo de toda transformación lineal es un subespacio vectorial del dominio:

En efecto:

1. 0𝕍 ∈ 𝑘𝑒𝑟(𝑇) dado que 𝑇(0𝕍 ) = 0𝕎

2. Dados 𝑢, 𝑣 ∈ ker(𝑇) : 𝑇(𝑢 + 𝑣) = 𝑇(𝑢) + 𝑇(𝑣) = 0𝕎 + 0𝕎

⇒ 𝑢 + 𝑣 ∈ ker(𝑇)

3. Dados

𝑢 ∈ ker(𝑇) ∧ 𝑘 ∈ ℝ: 𝑇(𝑘𝑢) = 𝑘𝑇(𝑢) ∧ 𝑇(𝑘𝑢) = 𝑘0𝕎 = 0𝕎

⇒ 𝑘𝑢 ∈ ker(𝑇)

ii) 𝐼𝑚(𝑇) es un subespacio de 𝕎.

Es decir, la imagen de toda transformación lineal es un subespacio del codominio.

Sean 𝑤, 𝑥 ∈ 𝐼𝑚(𝑇).

Entonces, 𝑤 = 𝑇(𝑢) y 𝑥 = 𝑇(𝑣) para dos vectores 𝑢 y 𝑣 en 𝕍.

Esto significa que:

 60

𝑇(𝑢 + 𝑣) = 𝑇(𝑢) + 𝑇(𝑣) = 𝑤 + 𝑥 y

𝑇(𝛼𝑢) = 𝛼𝑇(𝑢) = 𝛼𝑤

Por lo tanto, (𝑤 + 𝑥) ∈ 𝐼𝑚(𝑇) y 𝛼𝑤 ∈ 𝐼𝑚(𝑇).

Observación:

El rango de una transformación lineal es la dimensión de la imagen.

𝑅𝑎𝑛𝑔(𝑇) = dim(𝐼𝑚(𝑇))

3.3. Teorema fundamental de las transformaciones lineales

Sea B = {𝑣1 , 𝑣2 , 𝑣3 ,..., 𝑣𝑛 base de 𝕍 y C = {𝑤1 , 𝑤2 , 𝑤3 ,..., 𝑤𝑛 un conjunto de 𝑛

vectores de 𝕎 no necesariamente distintos, entonces existe una única transformación , lineal

𝑇: 𝕍 → 𝕎, tal que:

𝑇(𝑣1 ) = 𝑤𝑖 ; ∀ 1 ≤ 𝑖 ≤ 𝑛

3.4. Clases de transformaciones lineales

a. Monomorfismo

Si 𝑇: 𝕍 → 𝕎 es inyectiva, es decir, si el único elemento del núcleo es el vector

nulo; o, ker(𝑇) = 0𝕍

b. Epimorfismo

Si 𝑇: 𝕍 → 𝕎 es suryectiva (o sobreyectiva).

c. Isomorfismo

Si 𝑇: 𝕍 → 𝕎 es biyectiva (inyectiva y suryectiva).

 61

3.5. Matriz asociada a una transformación lineal

Sea 𝑇: ℝ𝒏 → ℝ𝒎 una transformación lineal; existe una matriz única 𝐴𝑇 de orden 𝑚𝑥𝑛 tal

que:

𝑇(𝑥) = 𝐴𝑇 (𝑥), para todo 𝒙 ∈ ℝ𝒏

Demostración:

Sea 𝑤1 = 𝑇(𝑒1 ), 𝑤2 = 𝑇(𝑒2 ), … , 𝑤𝑛 = 𝑇(𝑒𝑛 )

Sea 𝐴𝑇 la matriz cuyas columnas son 𝑤1 ; 𝑤2 ; … ; 𝑤𝑛 ;

Y hagamos que 𝐴𝑇 denote también a la transformación de ℝ𝒏 → ℝ𝒎 que multiplica un

vector en ℝ𝒏 por 𝐴𝑇 .

𝑎1𝑖
𝑎2𝑖
Si 𝑤𝑖 = .. para 𝑖 = 1, 2, … , 𝑛
.
(𝑎𝑚𝑖 )

0
𝑎11 𝑎12 ... 𝑎1n 0 𝑎1𝑖
𝑎21 𝑎22 ... 𝑎2n .. 𝑎2𝑖
… … ... . .. ..
Entonces: 𝐴𝑇 𝑒𝑖 = = 𝑎 𝑎i2 ... 𝑎i2 1 = = 𝑤𝑖
i1
. .. … ... . .. 0 .
(𝑎m1 𝑎m2 ... 𝑎mn ) … (𝑎𝑚𝑖 )
(𝑎𝑚𝑖 )

De esta forma, 𝐴𝑇 𝑒𝑖 = 𝑤𝑖 , para 𝑖 = 1, 2, … , 𝑛.

La matriz 𝐴𝑇 se denomina matriz de transformación correspondiente a 𝑇 o

representación matricial de 𝑇.
 62

Capítulo IV: Sistemas de ecuaciones lineales

4.1. Sistemas de ecuaciones lineales

Definición.-

𝑎11 𝑥1 + 𝑎12 𝑥2 + ... +𝑎1n 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ... +𝑎2n 𝑥𝑛 = 𝑏2
… … ... . ..
𝑎i1 𝑥1 + 𝑎i2 𝑥2 + ... +𝑎i2 𝑥𝑛 = 𝑏𝑖
. .. … ... . ..
{𝑎n1 𝑥1 +𝑎n2 𝑥2 + ... +𝑎nn 𝑥𝑛 = 𝑏𝑛

Donde 𝑥1 ; 𝑥2 ; … ; 𝑥𝑛 son las incógnitas, 𝑎1 ; 𝑎2 ; … ; 𝑎𝑛 , se llaman los coeficientes de

las incógnitas; y, 𝑏1 ; 𝑏2 ; … ; 𝑏𝑛 se denominan los términos independientes.

Usando la notación matricial, un sistema de 𝑚 ecuaciones lineales con 𝑛 incógnitas

puede ser expresado de la forma:

𝐴𝑋 = 𝐵
 63

Donde:

𝐴 es la matriz de coeficientes.

𝑋 es el vector de las incógnitas; y,

𝐵 es el vector de los términos independientes.

La matriz 𝐴 es de orden 𝑚𝑥𝑛; mientras que 𝑋 y 𝐵 son matrices columna de orden 𝑛𝑥1.

Observación:

La matriz de orden 𝑚𝑥(𝑛 + 1) se denomina matriz ampliada o aumentada del sistema.

𝑎11 𝑎12 𝑎13 . . . 𝑎1𝑛 | 𝑏1

𝑎21 𝑎22 𝑎23 . . . 𝑎2𝑛 | 𝑏2
𝑎31 𝑎32 𝑎33 . . . 𝑎3𝑛 | 𝑏3
. . . . . . . | .
[𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 . . . 𝑎mn | 𝑏𝑚 ]

4.1.1 Sistemas homogéneos

Definición.-

Dado un sistema de ecuaciones lineales, decimos que es homogéneo si todos los

términos independientes son 0 (ceros).

𝑎11 𝑥1 + 𝑎12 𝑥2 + ... +𝑎1n 𝑥𝑛 = 0

𝑎21 𝑥1 + 𝑎22 𝑥2 + ... +𝑎2n 𝑥𝑛 = 0
… … ... . ..
𝑎i1 𝑥1 + 𝑎i2 𝑥2 + ... +𝑎i2 𝑥𝑛 = 0
. .. … ... . ..
{𝑎n1 𝑥1 +𝑎n2 𝑥2 + ... +𝑎nn 𝑥𝑛 = 0

Ejemplos:

2𝑥 + 𝑦 = 0
1. { es un sistema homogéneo con dos incógnitas.
𝑥−𝑦 =0
 64

𝑥+𝑦−𝑧=0
2. {−2𝑥 − 𝑦 + 𝑧 = 0 es un sistema homogéneo con tres incógnitas.
𝑥 + 2𝑦 + 3𝑧 = 0

4.2. Solución de sistemas de ecuaciones lineales

4.2.1 Conjunto solución de un sistema de ecuaciones lineales

Dado un sistema de ecuaciones lineales:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ... +𝑎1n 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ... +𝑎2n 𝑥𝑛 = 𝑏2
… … ... . ..
𝑎i1 𝑥1 + 𝑎i2 𝑥2 + ... +𝑎i2 𝑥𝑛 = 𝑏𝑖
. .. … ... . ..
{𝑎n1 𝑥1 +𝑎n2 𝑥2 + ... +𝑎nn 𝑥𝑛 = 𝑏𝑛

Llamamos conjunto solución del sistema, a la 𝑛 − 𝑎𝑑𝑎 de valores (𝑎1 ; 𝑎2 ; … ; 𝑎𝑛 ) que

verifican las 𝑛 ecuaciones del sistema.

4.2.2 Sistemas compatibles e incompatibles

Definición.-

Un sistema de ecuaciones lineales es compatible, si el sistema tiene solución; en caso

contrario decimos que el sistema es incompatible.

Observación:

Un sistema de ecuaciones lineales compatible, puede tener una única solución, en tal

caso decimos que el sistema es determinado; o puede tener infinitas soluciones, en ese caso se

dice que el sistema es indeterminado.

Ejemplos:
 65

A continuación tenemos los tres casos para un sistema de dos ecuaciones con dos

𝑎 𝑥 + 𝑎12 𝑥2 = 𝑏1
incógnitas del tipo: { 11 1
𝑎21 𝑥1 + 𝑎2 𝑥2 = 𝑏2

Caso 1: Sistema compatible determinado.

2𝑥 + 𝑦 = 5
Dado el sistema: {
𝑥 + 2𝑦 = 6

2x + y = 5
6

x + 2y = 6
4

3
P
2

X
0
1 2 3 4 5 6 7
-1
-4 -3 -2 -1

-2

Figura 4. Sistema compatible determinado.

4 7
El conjunto solución del sistema es: 𝑆 = {(3 ; 3)}

Gráficamente, las ecuaciones representan dos rectas secantes, cuyo punto de

intersección es la solución del sistema de ecuaciones.

 66

Caso 2: Sistema compatible indeterminado.

𝑥−𝑦 =2
Dado el sistema: {
3𝑥 − 3𝑦 = 6
5

2 (3;1)

0
X
(2;0)
(0;2)

Figura 5. Sistema compatible indeterminado.

El conjunto solución del sistema es 𝑆 = {(𝑥; 𝑦) ∈ ℝ2 ; 𝑥 − 𝑦 = 2 }

Gráficamente, las ecuaciones representan dos rectas coincidentes, es decir, el conjunto

solución son todos los puntos de las rectas (infinitos puntos).

Caso 3: Sistema incompatible

3𝑥 + 2𝑦 = 3
{
3𝑥 + 2𝑦 = −1
 67

0
X
(2;0)

(0;2)

Figura 6. Sistema incompatible.

El sistema no tiene solución, es decir: 𝑆 = ∅

Gráficamente, las ecuaciones representan dos rectas paralelas, es decir no tienen

puntos de intersección. A partir de los tres casos, podemos afirmar que:

SISTEMAS DE
ECUACIONES
LINEALES

Compatible Incompatible

No tiene
Determinado Indeterminado
solución

Infinitas Rectas
Solución única
soluciones paralelas

Rectas
Rectas secantes
coincidentes

Figura 7. Sistema de ecuaciones lineales.

 68

4.2.3 Métodos algebraicos

Estos métodos permiten determinar los valores de las incógnitas operando

directamente sobre las ecuaciones del sistema. Como ejemplo, mostramos cada uno de ellos

en la solución de un sistema de ecuaciones con dos incógnitas.

a. Por igualación

Dado un sistema de ecuaciones lineales con dos incógnitas, se despeja una de

ambas ecuaciones y se igualan los segundos miembros.

Ejemplo:

2𝑥 − 3𝑦 = 5
Resolver el sistema {
𝑥−𝑦 =2

Solución:

Despejamos 𝑥 en la primera ecuación:

3𝑦 + 5
𝑥=
2

Despejamos 𝑥 en la segunda ecuación:

𝑥 =𝑦+2

Igualando los “valores” 𝑥 se tiene:

3𝑦 + 5
=𝑦+2
2

𝑦 = −1

Sustituyendo el valor de 𝑦 en cualquiera de las ecuaciones, tenemos:

𝑥=1

Luego, el conjunto solución es:

𝑆 = {(1; −1)}
 69

b. Por sustitución

Este método consiste en despejar una de las incógnitas de una de las ecuaciones, y luego

reemplazar en la otra ecuación.

Ejemplo:

2𝑥 − 3𝑦 = 5
Resolver el sistema {
𝑥−𝑦 =2

Solución:

Despejamos 𝑥 de la segunda ecuación:

𝑥 =𝑦+2

Reemplazamos este valor en la primera ecuación:

2(𝑦 + 2) − 3𝑦 = 5

Resolviendo esta ecuación obtenemos:

𝑦 = −1

Sustituyendo este valor en cualquiera de las ecuaciones se obtiene:

𝑥=1

Luego, el conjunto solución es:

𝑆 = {(1; −1)}

c. Por reducción

Se eligen dos factores diferentes de cero para multiplicar a cada una de las ecuaciones,

de tal manera que los coeficientes de una de las incógnitas sean opuestos para que al sumar las

ecuaciones se elimine dicha incógnita.

Ejemplo:

2𝑥 − 3𝑦 = 5
Resolver el sistema {
𝑥−𝑦 =2
 70

Solución:

Multiplicamos la segunda ecuación por (-2):

2𝑥 − 3𝑦 = 5
{
−2𝑥 + 2𝑦 = −4

Luego, al sumar las dos ecuaciones se elimina la incógnita 𝑥, y obtenemos:

𝑦=1

Reemplazando este valor en cualquiera de las ecuaciones, tenemos:

𝑦=1

Por lo tanto, el conjunto solución es:

𝑆 = {(1; −1)}

4.2.4 Sistemas equivalentes

Se dice que dos sistemas de ecuaciones lineales son equivalentes si tienen el mismo

conjunto solución.

Observación:

Se obtienen sistemas de ecuaciones equivalentes por eliminación de ecuaciones

dependientes, si:

- Todos los coeficientes son ceros.

- Dos filas son iguales.

- Una fila es múltiplo de otra.

- Una fila es combinación lineal de otras.

Los siguientes criterios nos permiten obtener sistemas de ecuaciones lineales equivalentes:

1. Si a ambos miembros de una ecuación de un sistema se les suma una misma expresión.
 71

2. Si multiplicamos o dividimos ambos miembros de las ecuaciones de un sistema por un

número distinto de cero.

3. Si sumamos a una ecuación de un sistema otra ecuación del mismo sistema.

4. Si en un sistema se cambia el orden de las ecuaciones o el orden de las incógnitas.

4.2.5 Métodos matriciales

Los métodos matriciales permiten determinar todas las incógnitas a la vez, lo que

constituye una ventaja sobre los procedimientos algebraicos.

a. Regla de Cramer

La regla de Cramer permite hallar el valor de cada incógnita (𝑥𝑖 ) como el cociente de

dos determinantes; en que el denominador es el determinante de la matriz de coeficientes y el

numerador es el determinante que se obtiene al cambiar la columna 𝑖 por los términos

independientes de la ecuación.

Es decir, si tenemos el sistema de ecuaciones:

𝑎𝑥 + 𝑏𝑦 = 𝑒
{
𝑐𝑥 + 𝑑𝑦 = 𝑓

Aplicando la regla de Cramer, los valores de las incógnitas 𝑥 e 𝑦 son:

b. Método de Gauss

“El método de eliminación de Gauss o simplemente el método de Gauss consiste en

convertir un sistema lineal de n ecuaciones con n incógnitas, en una matriz escalonada, en el

 72

que la primera ecuación tiene n incógnitas, la segunda ecuación tiene n - 1 incógnitas, ..., hasta

la última ecuación, que tiene una incógnita”. De esta forma, es fácil partir de la última

ecuación e ir subiendo para calcular el valor de las demás incógnitas. Es decir, el método de

Gauss consiste en triangular la matriz de coeficientes.

c. Método de eliminación de Gauss-Jordan

Una variante del método de Gauss, es el denominado método de eliminación de Gauss-

Jordan, que consiste en triangular la matriz ampliada del sistema mediante trasformaciones

elementales, hasta obtener ecuaciones de una sola incógnita, cuyo valor es igual al coeficiente

ubicado en la misma fila matriz. De esta manera ya que no es necesario despejar las variables

ya que la solución se obtiene directamente; se trata pues de diagonalizar la matriz de

coeficientes.

Observación:

Se denomina matriz aumentada de un sistema a la matriz que se forma con los coeficientes

a la que se le añade como última columna los términos independientes de las ecuaciones.

Ejemplo:

Resolver el siguiente sistema de ecuaciones por el método de eliminación de Gauss-

Jordan.

2𝑥 − 5𝑦 + 3𝑧 = 4
{ 𝑥 − 2𝑦 + 𝑧 = 3
5𝑥 + 𝑦 + 7𝑧 = 11

Solución:

2 −5 3 | 4 1 0 0 | 𝑎 𝑥=𝑎
[1 −2 1 | 3] ⟹ [0 1 0 | 𝑏 ] ⟹ {𝑦 = 𝑏
5 1 7 | 11 0 0 1 | 𝑐 𝑧=𝑐
 73

Matriz ampliada

𝑓2 − 2𝑓1

2 −5 3 | 4 1 −2 1 | 3
intercambiamos
[1 −2 1 | 3] 𝑓1 y f2 [2 −5 3 | 4] 𝑓3 − 5𝑓1
5 1 7 | 11 5 1 7 | 11

1 −2 1 | 3 1 −2 1 | 3
[0 −1 1 | −2] 𝑓3 + 11𝑓2 [0 −1 1 | −2 ] −𝑓2
0 11 2 | −4 0 0 13 | −26

1 −2 1 | 3
[0 1 −1 | 2 ] 𝑓1 + 𝑓3
0 0 13 | −26

1 −2 1 | 3 1 0 −1 | 7
𝑓3
[0 1 −1 | 2 ] 𝑓1 + 2𝑓2 [0 1 −1 | 2 ] 𝑓2 + 𝑓3
13
0 0 1 | −2 0 0 1 | −2

1 0 0 | 5 𝑥=5
[0 1 0 | 0] ⟹ {𝑦=0
0 0 1 | −2 𝑧 = −2

d. Por la matriz inversa

Este método es aplicable si el sistema tiene el mismo número de ecuaciones que

incógnitas y el determinante de la matriz de coeficientes es distinto de cero. Es decir, sirve

para resolver sistemas compatibles determinados (no – homogéneos).

Ejemplo:

Resolver el sistema de ecuaciones

2𝑥 − 𝑦 + 3𝑧 = −3
{ 𝑥+𝑦+𝑧 =2
3𝑥 + 2𝑦 − 𝑧 = 8
 74

Solución:

2 −1 3 𝑥 −3
𝐴 = [1 1 1] , 𝑋 = [𝑦] , B=[ 2 ]
3 2 −1 𝑧 8

Con estas matrices vamos a usar el método de la matriz inversa:

𝐴𝑋 = 𝐵 ⟹ 𝐴−1 (𝐴𝑋) = 𝐴−1 𝐵 ⟹ (𝐴−1 𝐴)𝑋 = 𝐴−1 𝐵 ⟹ 𝐼𝑛 𝑋 = 𝐴−1 𝐵

⟹ 𝑋 = 𝐴−1 𝐵

Ahora hallaremos la matriz inversa, ya que tenemos la matriz de valores

1 1
Recordemos: 𝐴−1 = |𝐴| AdjA = |𝐴| (CA)𝑇

Se sabe CA𝑇 es la transpuesta de la matriz de cofactores.

−3 4 −1 −3 5 −4
CA = ( 5 −11 −7) ; (CA)𝑇 = ( 4 −11 1)
−4 1 3 −1 −7 3

2 −1 3
Aplicando el método de Sarrus en 𝐴 = [1 1 1 ] ; |𝐴| = −13
3 2 −1

−3 5 −4
1
𝐴−1 = ( 4 −11 1)
−13
−1 −7 3

Reemplazando en la definición:

X= 𝐴−1 . B

−3 5 −4 −3
1
X = −13 ( 4 −11 1 ). [ 2 ]
−1 −7 3 8
 75

−13
1
X= −13 [−26]
13

𝑥 1
[𝑦]= [−2] ⟹ x = 1; y = 2 ; z = -1
𝑧 −1
 76

Síntesis

Se llama matriz a un arreglo rectangular de números reales dispuestos en filas y columnas, los

que determinan el orden de la matriz que está dado por el producto indicado del número de

filas por el número de columnas. Los elementos de la matriz son elementos de un cuerpo

conmutativo 𝕂, que puede ser el conjunto de los números racionales (ℚ), reales (ℝ), o el

conjunto de los números complejos (ℂ).

El conjunto de las matrices de orden 𝑚𝑥𝑛 definida sobre el cuerpo 𝕂, (𝕂mxn ) provisto

de una ley de composición interna (la adición de matrices) y una ley de composición externa

(multiplicación por un escalar) es un espacio vectorial que se denota por (𝕂mxn , +, 𝕂,.).

Es importante tener en cuenta que para sumar matrices es necesario que éstas sean del

mismo orden; mientras que para multiplicar matrices se necesita que el número de columnas

de la primera matriz sea igual al número de filas de la segunda matriz.

Las matrices se clasifican de acuerdo a su forma en matriz fila, matriz columna, matriz

rectangular, matriz cuadrada, matriz transpuesta, matriz simétrica, antisimétrica y de acuerdo a

sus elementos en matriz nula, matriz diagonal, matriz identidad, escalar, matriz triangular y

matrices especiales como la matriz ortogonal, involutiva, entre otros.

Las transformaciones de matrices que se realizan a través de las operaciones

elementales fila o columna, no cambia el orden de la matriz y permite reducirla hasta obtener

la matriz escalonada, la matriz escalonada reducida, que al ser equivalentes permiten resolver

sistemas de ecuaciones lineales, y, hallar su rango, que se define como el número de filas o

columnas linealmente independientes.

Asimismo, aplicando las operaciones elementales se puede encontrar la inversa de una

 77

matriz cuadrada, que es única en caso exista. También se puede hallar la inversa de una matriz

por medio de la matriz adjunta.

Se definen las transformaciones lineales entre dos espacios vectoriales sobre un mismo

cuerpo, las propiedades generales y los tipos especiales de transformaciones lineales.

Todo sistema de ecuaciones puede ser expresado usando matrices. Sobre la solución de

los sistemas de ecuaciones lineales podemos encontrar sistemas compatibles, con única o

infinitas soluciones; o sistemas incompatibles, que son las que no tienen solución. Para

resolver dichos sistemas se pueden usar los determinantes o las operaciones elementales, las

que complementan los conocidos métodos algebraicos (sustitución, igualación y reducción).

 78

Conclusiones y sugerencias

La realización del presente estudio nos permite establecer las siguientes conclusiones:

1. El estudio de las matrices es muy importante en la actualidad porque es una

herramienta que permite organizar, sistematizar y procesar información donde

intervienen muchas variables y que presentan diversas restricciones.

2. Los ámbitos de aplicación de las matrices son amplios; por ejemplo, son muy usados

en las diversas áreas de las ingenierías, las ciencias de la salud y las ciencias sociales;

así como en la industria y los procesos de producción.

3. En el campo específico de la matemática las matrices son importantes en la resolución

de sistemas de ecuaciones lineales, diferenciales y de las derivadas parciales, así como

en la solución de problemas de programación lineal.

4. Por lo tanto, debemos promover su estudio en los estudiantes de la secundaria, puesto

que al tener un tratamiento más aritmético constituye una buena alternativa que

permite dar solución a este tipo de ejercicios matemáticos.

5. Por consiguiente, es muy importante que se afiance su estudio en la formación de

docentes, cuidando el aspecto teórico, pero también sin descuidar sus aplicaciones.

6. Es importante asimismo incorporar el uso de las herramientas informáticas para

facilitar los cálculos cuando la información que se tiene es abundante; entre estas

herramientas tenemos el MATLAB.

7. Es necesario mejorar la enseñanza de los sistemas de ecuaciones lineales en la

educación básica, planteando problemas de diversos contextos inclusive lúdicos;

apoyar el aprendizaje con material concreto (como la balanza) y tomar en cuenta los
 79

aportes que nos ofrece la historia de la matemática.

8. Del mismo modo se debe desarrollar la programación lineal desde situaciones

contextualizadas, ajustando en primer lugar solo a inecuaciones con dos variables que,

al permitir contrastar la solución gráfica y algebraica, sirve de base para resolver luego

problemas con tres o más variables.

 80

Aplicación didáctica

Las situaciones de contexto real son complejas, tienen una gran diversidad de causas y están

sujetas a diferentes condiciones, por lo que las matrices como arreglos rectangulares sirven

para organizar dichas variables y condiciones en filas y columnas para su interpretación y

solución. Así es útil en la economía, la administración, las ingenierías y otros campos

profesionales; como también es usada en los procesos de producción en las industrias y los

asuntos de gobierno.

Como se ha visto en la presente monografía, las matrices son útiles para resolver

sistemas de ecuaciones lineales, no solo con dos o tres incógnitas sino con cualquier número

de incógnitas y de cualquier número de ecuaciones; del mismo modo facilitan enormemente la

solución de sistemas de inecuaciones lineales y sus aplicaciones en la solución de problemas

de programación lineal. Por estas razones es conveniente que su inclusión en los planes de

estudio de formación docente además de considerar el aspecto teórico, considere también su

aplicación en la solución de los citados problemas, haciendo uso de algunas herramientas

informáticas para facilitar el proceso de solución si el número de ecuaciones y variables

dificulte su solución.

En educación básica es importante que se resuelvan los sistemas de ecuaciones lineales

con dos o tres variables, comparando la pertinencia de los procedimientos algebraicos, el

cálculo de determinantes y las operaciones elementales, además de la representación gráfica

que ayuden a la comprensión de las diversas soluciones que se pueden presentar.

Si bien es cierto en la educación secundaria no se encuentran las matrices como un

contenido específico, si se considera el desarrollo de los sistemas de ecuaciones lineales en

 81

tercero, cuarto y quinto grado de educación secundaria; y los sistemas de inecuaciones lineales

en el 5° grado; de esta manera el estándar de aprendizaje que corresponde al VII ciclo dice:

Según Minedu (2016) mencionó al respecto:

Resuelve problemas referidos a analizar cambios continuos o periódicos, o

regularidades entre magnitudes, valores o expresiones, traduciéndolas a
expresiones algebraicas que pueden contener la regla general de progresiones
geométricas, sistema de ecuaciones lineales, ecuaciones y funciones cuadráticas
y exponenciales. Evalúa si la expresión algebraica reproduce las condiciones
del problema.
Expresa su comprensión de la regla de formación de sucesiones y

progresiones geométricas; la solución o conjunto solución de sistemas de

ecuaciones lineales e inecuaciones; la diferencia entre una función lineal y una

función cuadrática y exponencial y sus parámetros; las usa para interpretar

enunciados o textos o fuentes de información usando lenguaje matemático y

gráficos. Selecciona, combina y adapta variados recursos, estrategias y

procedimientos matemáticas para determinar términos desconocidos en

progresiones geométricas, solucionar ecuaciones lineales o cuadráticas,

simplificar expresiones usando identidades algebraicas; evalúa y adopta por

aquellos más idóneos según las condiciones del problema. Plantea afirmaciones

sobre enunciados opuestos o casos especiales que se cumplen entre expresiones

algebraicas; así como predecir el comportamiento de variables; comprueba o

descarta la validez de la afirmación mediante contratiempos y propiedades

matemáticas (p.148).
 82

Referencias

Ayres, F. (1969). Teoría y problemas de matrices. Bogotá: McGraw-Hill

Chávez, J. (1998). Matrices, determinantes y sistemas de ecuaciones lineales. Lima:

Universidad de Lima.

Espinoza, E. (2002). Vectores y Matrices. 2ª edición. Lima.

Figueroa, R. (2009). Vectores y Matrices con números complejos. Lima: América.

Grossman, S. & Flores, J. (2012). Álgebra lineal. 7ª edición. México: McGraw-Hill

Interamericana Editores, S.A.

Howard, A. & Rorres, C. (2011). Introducción al Álgebra Lineal. 5ª edición México: Limusa.

Kleiman, A. (1980). Matrices, aplicaciones matemáticas en economía y administración. 3ª

edición. México: Limusa.

Minedu (2016). Currículo Nacional de Educación Básica. Lima.

Minedu (2016). Programa Curricular de Educación Secundaria. Lima.

Perry, W. (1990). Álgebra lineal con aplicaciones. México: McGraw-Hill Interamericana

Editores, S.A.

Rojo, A. (1995). Álgebra II. 13ª edición. Buenos Aires: El Ateneo.

 83

Apéndices

A: Sesión de aprendizaje

Título: Matrices y sistemas de ecuaciones lineales

I. Información general
1.1 Área : Matemática
1.2 Duración : 45 min (01 hora pedagógica)
1.3 Docente : Bach. Liz Maribel Celis Magariño.
1.4 Lugar : Sala de Grados de la Facultad de Ciencias
1.5 Fecha : 25/06/2019

II. Propósitos y evidencias de aprendizaje

Valores y actitudes

Enfoque búsqueda de la excelencia

 Asume con responsabilidad el trabajo asignado buscando su superación profesional y la de los
estudiantes.
 Muestra iniciativa para afrontar las dificultades que se presenten en la realización de la monografía.
 Muestra perseverancia en el logro de los propósitos.
 Muestra disposición favorable a las recomendaciones o sugerencias.
 84

III. Secuencia didáctica

Desarrollo de actividades y/o estrategias metodológicas Recursos Tiempo

Inicio
Presentación, propósito
 El bachiller saluda con cordialidad a los miembros del jurado, indica el
tema asignado y explica el propósito de la clase magistral.

Revisión de conceptos previos y problematización Equipo multimedia. 5 min

 Explica la importancia del estudio de las matrices en la solución de Pizarra, plumones,
situaciones diarias (epistemología). mota.
 Presenta un concepto intuitivo acerca de una matriz.

Desarrollo (construcción y formalización de conocimientos)

 Define una matriz y presenta algunas matrices llamadas especiales. 15 min

 Define y calcula la suma y el producto de matrices.
 Define y resuelve sistemas de ecuaciones usando matrices.

Cierre (aplicación y evaluación)

 Resuelve la Guía de Práctica. Guía práctica. 5 min
 Asume el compromiso de continuar investigando para ampliar su Equipo multimedia.
conocimiento acerca de las matrices, estableciendo analogía con otros Fuentes de
objetos matemáticos y buscar estrategias metodológicas y recursos información: textos,
didácticos para favorecer su aprendizaje en la educación secundaria. páginas web

IV. Evaluación
 85

V. Referencias bibliográficas

Minedu (2016). Programa Curricular de Educación Secundaria. Lima.

 86

B: Guía de práctica

1. Dadas las matrices:

−1 2 −2
𝐴=( ) y 𝐵=( )
3 4 6

Calcular la matriz 𝑋, si 𝐴𝑋 = 𝐵.

2. Al tratar de resolver el sistema

3𝑥 − 2𝑦 = 1
{
6𝑥 − 4𝑦 = 2

por el método de reducción se eliminan ambas incógnitas para cualquier factor que se

elija; pero al final se tiene una igualdad. ¿Con cuál de los siguientes sistemas

sucede lo mismo?

𝑦 = 5𝑥 + 1 𝑥 − 5𝑦 = 3
(a) { (b) {
𝑦 = 5𝑥 + 4 4𝑥 = 20𝑦 + 12

¿Cómo son sus gráficas?

a) Rectas paralelas b) Rectas secantes

c) Rectas coincidentes d) Rectas perpendiculares.

3. Si tenemos el sistema

𝑥+𝑦 =3
{
2𝑥 + 𝑛𝑦 = 6

¿Para qué valores de “n” el sistema es compatible?

 87

4. En un ómnibus viajaron 80 personas, de los cuales 15 no pagaron pasaje. Sabiendo que el

pasaje adulto cuesta S/. 5, el medio pasaje cuesta S./ 2,50 y que en total se recaudó S/.275,

¿cuántos pagaron pasaje adulto y cuántos medio pasaje?

a) 40 y 25 b) 45 y 20 c) 45 y 35 d) 20 y 55

5. Resuelve el siguiente sistema de ecuaciones usando determinantes, el método de eliminación

de Gauss-Jordan y algún método algebraico. Compara las ventajas de cada uno.

𝑥 − 𝑦 − 2𝑧 = 1
{5𝑥 + 4𝑦 + 3𝑧 = −3
𝑥 + 𝑦 + 𝑧 = −1