Matrices - copia

Apuntes de Estudio: Teoría de Matrices y

Sistemas de Ecuaciones Lineales
Introducción y Motivación
Los sistemas de ecuaciones lineales son un pilar fundamental en diversas áreas de la
matemática, la ciencia y la ingeniería. Representan situaciones donde múltiples condiciones
(ecuaciones) deben satisfacerse simultáneamente por un conjunto de variables. Si bien
hemos explorado métodos como la sustitución o la igualación para sistemas pequeños,
estos se vuelven imprácticos a medida que aumenta el número de ecuaciones y variables.

Aquí es donde la teoría de matrices emerge como una herramienta extraordinariamente

poderosa y elegante. Las matrices nos permiten:

1. Representar sistemas de ecuaciones lineales de forma compacta y estructurada.

2. Manipular estos sistemas mediante operaciones algebraicas bien definidas.
3. Analizar propiedades fundamentales de los sistemas, como la existencia y unicidad de
soluciones.
4. Resolver sistemas de manera sistemática y eficiente, especialmente con la ayuda de
computadoras.

En este apartado, exploraremos los conceptos básicos de las matrices, sus operaciones
fundamentales (suma, producto por escalar, producto entre matrices), y conceptos cruciales
como la matriz inversa y el rango. Finalmente, veremos cómo toda esta teoría se aplica
directamente para entender y resolver sistemas de ecuaciones lineales de una manera más
profunda y general.

Aprenderemos:

Cómo sumar matrices y multiplicarlas por números reales.

Cómo multiplicar matrices entre sí e interpretar matricialmente los sistemas de
ecuaciones.
Cómo calcular la inversa de una matriz inversible y resolver sistemas utilizando la matriz
inversa.
El concepto de rango de una matriz y su relación con la inversibilidad y las soluciones
de sistemas.

1. ¿Qué es una Matriz?

🧠 Definición: Matriz
 o los datos de una tabla.

A =

⎜⎟
Motivación: Necesitamos una forma organizada de almacenar y manipular conjuntos
rectangulares de números, como los coeficientes de un sistema de ecuaciones lineales

Intuición: Una matriz es simplemente un arreglo rectangular de números (u otros

objetos matemáticos) dispuestos en filas y columnas.
Definición Formal Precisa: Una matriz A de n filas y m columnas (denotada como una
matriz de tamaño n × m) es un conjunto de n ⋅ m elementos a organizados de la
siguiente forma:

⎝
a 11

a 21

a n1
⋮
a 12

a 22

a n2
⋯

⋯
a 1m

a 2m

a nm
⎞

⎠
ij

Donde a es el elemento que se encuentra en la fila i (primer subíndice) y la columna j

ij

(segundo subíndice). A menudo se escribe A ∈ R

2. Operaciones Básicas con Matrices

para indicar que A es una matriz
n×m

con n filas y m columnas cuyos elementos son números reales.

Justificación de la Definición: La notación de doble subíndice (ij) es crucial porque
nos permite identificar unívocamente la posición de cada elemento dentro de la
estructura rectangular. Las dimensiones n (número de filas) y m (número de columnas)
definen el "tamaño" o "forma" de la matriz.

👁️ Idea Visual: Matriz como Cuadrícula

Imagina una hoja de cálculo o una tabla. Cada celda contiene un número, y la posición
de la celda está dada por su fila y su columna. Eso es una matriz. Por ejemplo, a es el
número en la segunda fila, tercera columna.

Así como los vectores en R se pueden sumar entre sí y multiplicar por escalares, las
n

matrices también admiten estas operaciones de una manera muy natural: "coordenada a
coordenada" o, más precisamente, "elemento a elemento".

2.1. Suma de Matrices

🧠 Definición: Suma de Matrices
Motivación: Si tenemos dos conjuntos de datos organizados de la misma manera
(mismo número de filas y columnas), podríamos querer combinarlos sumando los
valores correspondientes.
Intuición: Para sumar dos matrices, simplemente sumamos los elementos que ocupan
la misma posición en cada matriz.
Definición Formal Precisa: Sean A, B ∈ R
(mismas dimensiones n × m):
n×m
23

dos matrices del mismo tamaño

 cada elemento c se calcula como:

Es decir:
ij

Dadas las matrices A = (

Su suma A + B es:

A + B = (
A + B =

−5 0

⎜⎟
⎛

2 + (−1)

−5 + 0
8
A = (a ij ),

La suma de A y B, denotada como A + B, es una nueva matriz C

a 11 + b 11

a 21 + b 21

a n1 + b n1

) yB=(

3 + 3

0 + 1

2.2. Multiplicación de una Matriz por un Escalar

a 12 + b 12

a 22 + b 22

🧠 Definición: Multiplicación de una Matriz por un Escalar

⋮

a n2 + b n2

0
B = (b ij )

c ij = a ij + b ij

−1 + (−1)

8 + 4
1
⋱
⋯

) = (
1

−5
a 1m + b 1m

a 2m + b 2m

tamaño es fundamental. Si no fuera así, habría elementos en una matriz que no tendrían
un correspondiente en la otra para sumar. El resultado es una matriz del mismo tamaño
que las originales.

⚠️ Advertencia/Punto Sutil: Solo se pueden sumar matrices que tengan exactamente las
mismas dimensiones (mismo número de filas y mismo número de columnas).

💡 Ejemplo: Suma de Matrices

2 3 −1 −1 3 −1
⋮

a nm + b nm

Justificación de la Definición: La condición de que las matrices deben tener el mismo

= (c ij ) ∈ R

, ambas de tamaño 2 × 3.
)

Cada elemento de la matriz resultante es la suma de los elementos en las posiciones

correspondientes de A y B. Por ejemplo, el elemento en la primera fila y primera columna es
2 + (−1) = 1.

👁️ Idea Visual: Suma de Matrices

Visualiza dos cuadrículas del mismo tamaño. Para obtener la cuadrícula suma,
superpones las dos originales y sumas los números que caen en la misma celda.

Motivación: A veces queremos "escalar" todos los valores de un conjunto de datos por
un cierto factor.
Intuición: Para multiplicar una matriz por un número (escalar), multiplicamos cada
elemento de la matriz por ese número.
Definición Formal Precisa: Sea A = (a ij
) ∈ R
n×m
6

1
−2

12
)

una matriz y λ ∈ R un escalar (un

número real). La multiplicación de A por el escalar λ, denotada como λA, es una
n×m
donde
 Es decir:

El producto λA es:

⎜⎟
nueva matriz D = (d

⎝
−2
ij ) ∈ R

💡 Ejemplo: Multiplicación por un Escalar

Dada la matriz A =
⎛
−5
2

1
3

1
⎞

7A =
n×m

λA =

⎝
donde cada elemento d se calcula como:

7 ⋅ 2
λa 11

λa 21

7 ⋅ (−5)

7 ⋅ 1

7 ⋅ (−2)
⋮

λa n1
d ij = λ ⋅ a ij

λa 12

λa 22

7 ⋅ 3

7 ⋅ 8

7 ⋅ 3

7 ⋅ 1

Cada elemento de la matriz original A ha sido multiplicado por 7.

👁️ Idea Visual: Multiplicación por Escalar

⋮

λa n2

(tamaño 4 × 2) y el escalar λ = 7.

⎠
=
⋯

Justificación de la Definición: Esta operación es una generalización directa de la

⎝
−14
14

−35

Imagina una cuadrícula de números. Multiplicar por un escalar es como aplicar un

"zoom" a todos los números de la cuadrícula por el mismo factor.

2.3. Matriz Nula

🧠 Definición: Matriz Nula
Motivación: Así como existe el número cero en los reales o el vector nulo en los
espacios vectoriales, necesitamos un elemento neutro para la suma de matrices.
Intuición: Es una matriz donde todos sus elementos son cero.
Definición Formal Precisa: La matriz nula de tamaño n × m, denotada como 0 (o
0 n×m
ij

λa 1m

λa 2m

λa nm

multiplicación de un vector por un escalar. El resultado es una matriz del mismo tamaño
que la original.

si es necesario especificar el tamaño), es la matriz donde todos sus elementos son

iguales a 0.
⋮
⎞

21

56

21

7
⎞

⎠
Sean A, B, C ∈ R

resultado.
0 =

2. Conmutatividad de la suma: A + B = B + A

⎜⎟
⎛

⎝
0

0
0

A + 0 = A para cualquier matriz A del mismo tamaño.

matrices del mismo tamaño, y λ, λ

n×m

siguientes propiedades:
⋯

2.4. Propiedades de la Suma y Multiplicación por Escalar

📜 Teorema/Propiedades: Operaciones Básicas de Matrices

1. Asociatividad de la suma: A + (B + C) = (A + B) + C
0

0
⎞

Justificación de la Definición: Esta matriz actúa como el elemento neutro aditivo:

1, λ2 ∈ R escalares. Se cumplen las

Significado: El orden en que agrupamos la suma de tres o más matrices no afecta el

Significado: El orden en que sumamos dos matrices no afecta el resultado.

3. Elemento neutro de la suma (Matriz Nula): Existe una matriz nula 0 tal que A + 0 = A.
4. Elemento opuesto de la suma: Para cada matriz A, existe una matriz opuesta (−1)A,
denotada como −A, tal que A + (−A) = 0.
Significado: −A es la matriz obtenida multiplicando cada elemento de A por −1.
5. Distributividad del producto por escalar respecto a la suma de matrices:
λ(A + B) = λA + λB

Significado: Podemos distribuir el escalar antes o después de sumar las matrices.

6. Distributividad del producto por escalar respecto a la suma de escalares:
(λ 1 + λ 2 )A = λ 1 A + λ 2 A

Significado: Podemos sumar los escalares primero o distribuir la matriz.

7. Asociatividad mixta (compatibilidad de productos por escalar): (λ

Significado: Multiplicar por el escalar 1 no altera la matriz.

Justificación Esencial: Estas propiedades se heredan directamente de las

propiedades correspondientes de los números reales, ya que las operaciones
matriciales de suma y producto por escalar se definen elemento a elemento. Por
ejemplo, para la conmutatividad de la suma, (A + B) = a + b = b + a = (B + A) ,
ij ij ij ij

donde la igualdad central se debe a la conmutatividad de la suma de números reales.

🧩 Conexión: El conjunto de todas las matrices de un tamaño fijo

operaciones de suma y producto por escalar (R n×m
n × m
1 λ 2 )A

Significado: El orden en que se multiplican los escalares por la matriz no importa.

8. Elemento neutro para el producto por escalar: 1A = A

ij

con estas
) forma un espacio vectorial sobre R.
= λ 1 (λ 2 A)

ij
 Esto significa que las matrices se comportan, en muchos aspectos, de manera similar a los
vectores que ya conocemos.

3. Producto de Matrices
La multiplicación entre matrices es una operación más compleja y sutil que la suma o el
producto por escalar. No se define simplemente multiplicando los elementos
correspondientes. Su definición, aunque pueda parecer artificial al principio, es fundamental
para representar transformaciones lineales y, crucialmente para nosotros, para expresar
sistemas de ecuaciones lineales.

3.1. Condición para el Producto de Matrices

⚙️ Condición para el Producto de Matrices

Objetivo: Establecer cuándo es posible multiplicar dos matrices A y B.

Regla: Para poder calcular el producto A ⋅ B (en ese orden), el número de columnas
de la primera matriz (A) debe ser igual al número de filas de la segunda matriz (B).
Formalmente: Si A ∈ R n×m
( A tiene m columnas) y B ∈ R p×r
( B tiene p filas), el
producto A ⋅ B solo está definido si m = p.
Resultado: Si la condición se cumple (es decir, A ∈ R n×m
yB∈R ), la matriz
m×r

resultante C = A ⋅ B tendrá dimensiones n × r. Es decir, la matriz producto tendrá el

número de filas de la primera matriz y el número de columnas de la segunda.

n×m m×r n×r

A ⋅ B = C
–
–

Justificación de la Condición: Esta condición surge de la forma en que se define el

producto, que involucra combinar filas de la primera matriz con columnas de la segunda
(como veremos a continuación). Para que esta combinación sea posible, una fila de A
debe tener tantos elementos como una columna de B.

👁️ Idea Visual: Condición de Dimensiones

Escribe las dimensiones de las matrices una al lado de la otra: (n × m) ⋅ (p × r). Si los
números "interiores" (m y p) son iguales, el producto es posible. Las dimensiones de la
matriz resultante son los números "exteriores" (n × r).
Ejemplo: (2 × 3 ) ⋅ (3 × 4) → posible, resultado 2 × 4.
– –
Ejemplo: (2 × 3
–
) ⋅ (2 × 4) → NO posible, 3 ≠ 2.
–

3.2. Definición del Producto de Matrices

🧠 Definición: Producto de Matrices
Motivación: Una de las motivaciones principales para esta definición es la composición
de transformaciones lineales (un tema más avanzado de álgebra lineal). Para nuestros
 propósitos, es la definición que permite escribir sistemas de ecuaciones lineales de
forma compacta Ax → = →b.
Intuición: El elemento c de la matriz producto C = A ⋅ B (ubicado en la fila i y columna
ij

j de C ) se obtiene multiplicando la fila i de la matriz A por la columna j de la matriz B,

elemento a elemento, y luego sumando todos esos productos. Esto es formalmente un

producto escalar (o producto punto) del vector fila i de A con el vector columna j de B.
Definición Formal Precisa: Sean A = (a ) ∈ R ik
n×m
y B = (b ) ∈ R . La matriz
kj
m×r

producto C = A ⋅ B es una matriz C = (c ) ∈ R ij

n×r
donde cada elemento c se calcula ij

como:
m

c ij = ∑ a ik b kj = a i1 b 1j + a i2 b 2j + ⋯ + a im b mj

k=1

i representa la fila de A (y la fila del resultado C ), y va de 1 a n.

j representa la columna de B (y la columna del resultado C ), y va de 1 a r.
k es el índice de suma que recorre las columnas de A y las filas de B (de 1 a m).
Justificación de la Definición: Cada elemento c se forma combinando una fila ij

completa de A con una columna completa de B. La suma asegura que toda la

información de esa fila y esa columna contribuya al elemento resultante.

👁️ Idea Visual: Cálculo de un Elemento del Producto

Para calcular c : ij

1. Toma la fila i de A: (a i1 , a i2 , … , a im ) .
b 1j
⎛ ⎞

b 2j
2. Toma la columna j de B: .
⋮

⎝ ⎠
b mj

3. Multiplica los elementos correspondientes: a i1

b 1j ,a i2
b 2j , ..., a im
b mj .
4. Suma estos productos: c = a b + a b + ⋯ + a b .
ij i1 1j i2 2j im mj

Un diagrama útil es colocar A a la izquierda y B arriba, y la matriz resultante C se

forma en la intersección. Para obtener c , trazas una línea horizontal desde la fila i
ij

de A y una línea vertical desde la columna j de B.

💡 Ejemplo: Producto de Matrices Detallado

−5 2
⎛ ⎞
1 3 −2
Sean A = ( ) (tamaño 2 × 3) y B = −1 7 (tamaño 3 × 2).
4 0 5
⎝ ⎠
2 1

El número de columnas de A (3) es igual al número de filas de B (3), por lo que el producto
C = A ⋅ B está definido. La matriz C será de tamaño 2 × 2.

c 11 c 12
C = ( )
c 21 c 22

Calculamos cada elemento:

 c 11

Columna 1 de B:

Columna 2 de B:

c 21

c 22

⎜⎟
(Fila 1 de A, Columna 1 de B):
Fila 1 de A: (1, 3, −2)
⎛

⎝
−5

2
⎛ ⎞

Fila 2 de A: (4, 0, 5)

Columna 1 de B:
⎛

Fila 2 de A: (4, 0, 5)

Columna 2 de B:
2
7

⎝ ⎠
1

⎛ ⎞

1
7

⎝ ⎠
⎞

−1

2
⎠

c 11 = (1)(−5) + (3)(−1) + (−2)(2) = −5 − 3 − 4 = −12

c 12 (Fila 1 de A, Columna 2 de B):

Fila 1 de A: (1, 3, −2)

c 12 = (1)(2) + (3)(7) + (−2)(1) = 2 + 21 − 2 = 21

(Fila 2 de A, Columna 1 de B):

−5
⎞
−1

c 21 = (4)(−5) + (0)(−1) + (5)(2) = −20 + 0 + 10 = −10

(Fila 2 de A, Columna 2 de B):

c 22 = (4)(2) + (0)(7) + (5)(1) = 8 + 0 + 5 = 13

Por lo tanto, la matriz producto es:

3.3. Propiedades del Producto de Matrices

1. Asociatividad: (A ⋅ B) ⋅ C
A ⋅ B = (

= A ⋅ (B ⋅ C)
−12

−10
.
.

21

13
)
.

El producto de matrices tiene propiedades importantes, pero también algunas diferencias

cruciales con el producto de números reales.

📜 Teorema/Propiedades: Producto de Matrices

Sean A, B, C matrices de tamaños compatibles para que las operaciones indicadas estén
definidas, y λ un escalar.

Significado: Si tenemos tres o más matrices para multiplicar, el orden en que

agrupamos las multiplicaciones (de dos en dos) no afecta el resultado final, siempre
que se mantenga el orden relativo de las matrices.
Importancia: Permite escribir A ⋅ B ⋅ C sin ambigüedad.
2. Distributividad (respecto a la suma):
A ⋅ (B + C) = A ⋅ B + A ⋅ C (Distributividad por la izquierda)
 (A + B) ⋅ C = A ⋅ C + B ⋅ C (Distributividad por la derecha)
Significado: El producto se distribuye sobre la suma de matrices.
⚠️ Advertencia: Es crucial mantener el orden del factor que se distribuye. Si A

multiplica por la izquierda al paréntesis, debe multiplicar por la izquierda a cada

término dentro del paréntesis después de distribuir.
3. Asociatividad con escalares: λ(A ⋅ B) = (λA) ⋅ B = A ⋅ (λB)
Significado: Un escalar puede agruparse con cualquiera de las matrices en el
producto, o multiplicarse después de realizar el producto matricial.

⚠️ Propiedad que NO se cumple en general: Conmutatividad

En general, para dos matrices A y B, A ⋅ B ≠ B ⋅ A. El producto de matrices NO es
conmutativo.
Hay varias razones por las que esto puede ocurrir:

Caso 1: Uno de los productos no está definido.

Si A es 2 × 3 y B es 3 × 4, entonces A ⋅ B está definido (resulta en 2 × 4).
Pero B ⋅ A (producto de 3 × 4 con 2 × 3) no está definido porque 4 ≠ 2.
Caso 2: Ambos productos están definidos pero resultan en matrices de diferente
tamaño.
Si A es 2 × 3 y B es 3 × 2.
A ⋅ B es 2 × 2.

B ⋅ A es 3 × 3.

Claramente, no pueden ser iguales.

Caso 3: Ambos productos están definidos, resultan en matrices del mismo
tamaño, pero aún así son diferentes.
💡 Ejemplo: Sean
1 2 0 1
A = ( ) yB=( ).
3 4 1 0

1 2 0 1 (1)(0) + (2)(1) (1)(1) + (2)(0) 2 1

A ⋅ B = ( )( ) = ( ) = ( )
3 4 1 0 (3)(0) + (4)(1) (3)(1) + (4)(0) 4 3

0 1 1 2 (0)(1) + (1)(3) (0)(2) + (1)(4) 3 4

B ⋅ A = ( )( ) = ( ) = ( )
1 0 3 4 (1)(1) + (0)(3) (1)(2) + (0)(4) 1 2

Como se puede ver, A ⋅ B ≠ B ⋅ A.

Importancia de la no conmutatividad: Este es uno de los aspectos más distintivos y
cruciales del álgebra de matrices. Significa que el orden de la multiplicación importa
enormemente. No podemos intercambiar matrices en un producto como lo haríamos
con números.

4. Matrices Cuadradas y Matriz Identidad

Las matrices cuadradas, aquellas con el mismo número de filas que de columnas, juegan un
papel especial en la teoría de matrices.

🧠 Definición: Matriz Cuadrada

 Intuición: Una matriz que tiene forma de cuadrado.
Definición Formal Precisa: Una matriz A ∈ R es cuadrada si n = m. En este caso,
n×m

se dice que es una matriz cuadrada de orden n (o de tamaño n).

Ventaja: Si A y B son matrices cuadradas del mismo orden n, entonces los productos
A ⋅ B y B ⋅ A están siempre definidos y también son matrices cuadradas de orden n.

(Aunque, como vimos, A ⋅ B no necesariamente es igual a B ⋅ A).

4.1. Matriz Identidad

Así como el número 1 es el elemento neutro para la multiplicación de números reales (
a ⋅ 1 = 1 ⋅ a = a), existe una matriz análoga para el producto de matrices cuadradas.

🧠 Definición: Matriz Identidad

Motivación: Buscamos una matriz que, al multiplicarla por otra matriz cuadrada A (del
mismo tamaño), no altere a A.
Intuición: Una matriz cuadrada con unos en su diagonal principal (desde la esquina
superior izquierda hasta la inferior derecha) y ceros en todas las demás posiciones.
Definición Formal Precisa: La matriz identidad de orden n, denotada como I (o n

simplemente I si el tamaño es claro por el contexto), es una matriz cuadrada n × n

cuyos elementos (I ) son:
n ij

1 si i = j (elementos de la diagonal principal)

(I n ) ij = {
0 si i ≠ j (elementos f uera de la diagonal principal)

Es decir:

1 0 ⋯ 0
⎛ ⎞
0 1 ⋯ 0

In =

⋮ ⋮ ⋱ ⋮

⎝ ⎠
0 0 ⋯ 1

Justificación de la Definición: Esta estructura particular asegura que cuando se

realiza el producto A ⋅ I o I ⋅ A, los elementos de A se "reproducen" en la matriz
resultante.

💡 Ejemplos: Matrices Identidad

I 1 = (1)

1 0
I2 = ( )
0 1

1 0 0
⎛ ⎞

I3 = 0 1 0

⎝ ⎠
0 0 1
 I4 =

⎜⎟
⎛

(A ⋅ I )
1

ij
0

0
0

0
0

1
⎞

📜 Teorema/Propiedad: Matriz Identidad como Elemento Neutro

Para cualquier matriz cuadrada A de orden n, se cumple:

A ⋅ In = A y

= a . Un razonamiento similar se aplica para I ⋅ A.

ij
In ⋅ A = A

Significado: La matriz identidad I es el elemento neutro multiplicativo en el conjunto

de matrices cuadradas de orden n.
n

Justificación Esencial: Consideremos A ⋅ I . El elemento (A ⋅ I ) = ∑ a (I ) . El

término (I ) solo es 1 cuando k = j y 0 en los demás casos. Por lo tanto, en la suma, el

kj

único término que sobrevive es cuando k = j, que es a (I ) = a ⋅ 1 = a . Así,

ij

Nota: La matriz identidad I conmuta con cualquier matriz cuadrada A de orden n.

5. Matrices Inversibles
n
jj

En el conjunto de los números reales, todo número x ≠ 0 tiene un inverso multiplicativo x

(o 1/x) tal que x ⋅ x = 1. Nos preguntamos si existe un concepto análogo para matrices.
−1

⚠️ Advertencia: Solo las matrices cuadradas pueden tener una inversa en el sentido que
definiremos.

🧠 Definición: Matriz Inversible (o No Singular) y Matriz Inversa

Motivación: ¿Podemos "deshacer" el efecto de multiplicar por una matriz A? Si
A ⋅ X = B, ¿podemos encontrar X "dividiendo" por A? Esto nos lleva a la idea de una

matriz inversa.
Intuición: Una matriz A es la "inversa" de A si, al multiplicarlas (en cualquier orden),
−1

obtenemos la matriz identidad, que es el "1" del mundo de las matrices.

Definición Formal Precisa: Una matriz cuadrada A ∈ R se dice que es inversible
(o no singular, o regular) si existe otra matriz cuadrada B ∈ R

denotada como A . −1
A ⋅ B = In y
tal que:

B ⋅ A = In
n×n

Si tal matriz B existe, se demuestra que es única y se llama la matriz inversa de A,

Justificación de la Definición: Ambas condiciones (A ⋅ B = I y B ⋅ A = I ) son

necesarias. Para matrices cuadradas, si una se cumple, la otra también (un resultado no
trivial), pero la definición suele incluir ambas. La unicidad asegura que A está bien
definida.

🧩 Conexión: La existencia de una inversa para una matriz está íntimamente ligada a la
→ = →b.
posibilidad de resolver de forma única sistemas de ecuaciones lineales Ax
A
n×n

n
ij

ij
n

k=1

ij

−1
n
ik kj

−1
⚠️ No todas las matrices cuadradas (incluso no nulas) son inversibles.
💡 Ejemplo: Matriz No Inversible
1 0
Consideremos la matriz A = ( ) ∈ R
2×2
.
0 0

a b
Supongamos que existe una inversa B = ( ) tal que A ⋅ B = I . 2
c d

1 0 a b (1)a + (0)c (1)b + (0)d a b

A ⋅ B = ( )( ) = ( ) = ( )
0 0 c d (0)a + (0)c (0)b + (0)d 0 0

1 0
Para que A ⋅ B = I 2
= ( ) , necesitaríamos:
0 1

a b 1 0
( ) = ( )
0 0 0 1

Igualando los elementos correspondientes, de la segunda fila, obtenemos 0 = 0 (lo cual es

cierto) y 0 = 1 (lo cual es falso).
1 0
Como llegamos a una contradicción, no puede existir tal matriz B. Por lo tanto, A = ( )
0 0

no es inversible.

Intuición del fallo: La matriz A "aplasta" la segunda componente de cualquier vector al

que multiplica. Esta pérdida de información no se puede recuperar, por lo que no puede
tener una inversa. La segunda fila de A ⋅ B siempre será (0, 0), por lo que nunca podrá
ser igual a la segunda fila de I , que es (0, 1).
2

5.1. Cálculo de la Matriz Inversa (Método de Gauss-Jordan)

⚙️ Procedimiento: Cálculo de la Inversa mediante el Método de Gauss-Jordan
Objetivo: Dada una matriz cuadrada A, determinar si es inversible y, en caso afirmativo,
calcular A .
−1

Pasos Lógicos Secuenciales:

1. Formar la Matriz Ampliada: Construir una nueva matriz [A|I ], donde A es la matriz n

n × n cuya inversa queremos encontrar, y I es la matriz identidad de orden n. Esta

n

es una matriz de n filas y 2n columnas.

a 11 ⋯ a 1n 1 ⋯ 0
⎛ ⎞

[A|I n ] =
⋮ ⋱ ⋮ ⋮ ⋱ ⋮

⎝ ⎠
a n1 ⋯ a nn 0 ⋯ 1

2. Aplicar Operaciones Elementales de Fila: Utilizar operaciones elementales de fila

(intercambiar dos filas, multiplicar una fila por un escalar no nulo, sumar a una fila un
múltiplo de otra fila) sobre toda la matriz ampliada con el objetivo de transformar la
parte izquierda (que originalmente era A) en la matriz identidad I . n

3. Resultado:
 Si se logra transformar A en I : La matriz que aparece en la parte derecha
n

de la matriz ampliada (donde originalmente estaba I ) será la matriz inversa n

A
−1
.

Operaciones de Fila
−1
−
[A|I n ] → [I n |A ]

Si durante el proceso aparece una fila de ceros en la parte izquierda (la

que corresponde a A): Esto significa que la matriz A no es inversible. No se
puede continuar para obtener I a la izquierda. n

Justificación de Cada Paso y Funcionamiento Global:

Cada operación elemental de fila sobre A es equivalente a multiplicar A por la izquierda
por una "matriz elemental" (que es una matriz identidad con esa operación aplicada). Si
logramos una secuencia de operaciones elementales E , E , … , E tal que 1 2 k

E ⋯ E ⋅ E ⋅ A = I , entonces, por definición de inversa, A = E ⋯E ⋅ E .

−1
k 2 1 n k 2 1

Cuando aplicamos estas mismas operaciones a I en la matriz ampliada, estamos n

calculando E ⋯ E ⋅ E ⋅ I , que es precisamente A .

k 2 1 n
−1

En esencia, estamos resolviendo simultáneamente n sistemas de ecuaciones Ax → = e→ j j

→ es la j-ésima columna de A y e→ es la j-ésima columna de

para j = 1, … , n, donde x j
−1
j

In . El sistema completo es AX = In , donde X = A

−1
.

👁️ Idea Visual: Método de Gauss-Jordan para la Inversa

Imagina dos matrices, A e I , una al lado de la otra. Cualquier "masaje" (operación de
fila) que le hagas a A para convertirla en I , se lo haces idénticamente a I . Cuando A se
convierte en I , la I original se habrá transformado en A . −1

💡 Ejemplo: Cálculo de una Inversa 3 × 3

1 2 −1
⎛ ⎞

Encontrar la inversa de A = 1 1 −2 .
⎝ ⎠
2 0 2

1. Matriz Ampliada:

1 2 −1 1 0 0
⎛ ⎞
[A|I 3 ] = 1 1 −2 0 1 0

⎝ ⎠
2 0 2 0 0 1

2. Operaciones Elementales de Fila:

F2 ← F2 − F1

F 3 ← F 3 − 2F 1

1 2 −1 1 0 0
⎛ ⎞
0 −1 −1 −1 1 0

⎝ ⎠
0 −4 4 −2 0 1

F 3 ← F 3 − 4F 2
 ⎜⎟
F3 ←

⎝
0
8

F1 ← F1 + F3

F2 ← F2 + F3

F 2 ← −1F 2
F3

F 1 ← F 1 + 2F 2

⎛
1

0
0

−1
0

1
5/4 − 6/4

−3/4

1/4

⚠️ Chequeo (recomendado): Calcular

💡 Ejemplo: Detección de Matriz No Inversible

Consideremos B =

F2 ← F2 + F1

F 3 ← F 3 + 2F 1
⎛

⎝
−1

2
3

3
5

−4

−7
⎛

[B|I 3 ] =
⎛

0
1

−1/2 + 1

−1/2

.
0

−1

−1

1/2

⎝
−1
2

0
−1

2
2

3. Resultado: La parte izquierda es I . Por lo tanto, A es inversible y

A
−1
=
3

⎝
−1/4

3/4

1/4
−1

−1

1
−1

−1

−1/4

A ⋅ A

3
8

(Ahora la parte izquierda está triangulada superiormente. Procedemos a hacer ceros

arriba de la diagonal y luego unos en la diagonal).
1

1/8 + 2/8
5/4

−3/4

1/4

1/8

1/8

3/4

1/4
−1
1

1/4

1/2

−1/2

−1/2

−1

−4

−7
1

−1

−1/2

−1/2

(o A
⎞

1/2

0
0

−1/2

−1/2
0

−4

1/2

−1/2

3/8

−1/8

1/8

−1

0
⎛

−1/8

⋅ A

1
1

3/8

1/8
0

1/8

1/8

1/8

1/8

⎠
⎠

⎠
⎞

0
⎞

−1

⎠
0

1
−1/4

−3/4

1/4

) y verificar que da I .

⎠
1/2

1/2

−1/2

3
3/8

1/8

1/8
⎞

⎠
 F 3 ← F 3 − 3F 2

sucesivamente.
Definición Formal Precisa: Sea A = (a ) ∈ R
denotada como A (o A , A ), es una matriz A
T t ′
⎜⎟
⎛

⎝
⎛

−1

0
−1

0
3

ij
5

0
5

Justificación de la Definición: Si A es n × m, su transpuesta A será m × n.

💡 Ejemplos: Matriz Transpuesta

Si A =

Si B = (

Si C =
⎛

⎝
1

−1

5
2

6
3

⎠
−1

−2

2
⎞

−2

−4
⎠

)
, entonces A T
=
⎛

⎝
−1

(tamaño 2 × 3), entonces B

(tamaño 3 × 2), entonces C

1

T
−1
1

fila j y columna i de A es el elemento de la fila i y columna j de A. Es decir:

T

(A
T

−2

= (
1

2
0

−3

T
0

2
0

En este punto, la tercera fila de la parte izquierda (que corresponde a la matriz original
transformada) es una fila de ceros. Es imposible transformar esta parte izquierda en I
mediante más operaciones de fila (no podemos crear un '1' en la posición (3, 3) a partir
de un '0' sin alterar los ceros ya obtenidos).
Por lo tanto, la matriz B no es inversible.

5.2. Matriz Transpuesta

Antes de pasar al rango, definamos una operación matricial simple pero útil.

🧠 Definición: Matriz Transpuesta

Motivación: A veces es útil intercambiar el papel de las filas y las columnas de una
matriz.
Intuición: "Voltear" la matriz a lo largo de su diagonal principal. La primera fila se
convierte en la primera columna, la segunda fila en la segunda columna, y así

n×m

) ji = a ij

.
⎠

4
⎞

⎝
−2
⎞

. La matriz transpuesta de A,
T
= (a ) ∈ R
ji
donde el elemento en la

6
)
m×n

−1

−4
T

⎠
(tamaño 3 × 2).

(tamaño 2 × 3).
3
⚠️ Advertencia: No confundir la matriz transpuesta con la matriz inversa A . Son A
T −1

conceptos completamente diferentes. A siempre existe para cualquier matriz, mientras que
T

A
−1
solo existe para algunas matrices cuadradas.

6. Rango de una Matriz

El rango es un número fundamental asociado a una matriz que nos dice mucho sobre sus
propiedades, incluyendo si es inversible (en el caso de matrices cuadradas) y sobre la
naturaleza de las soluciones de los sistemas de ecuaciones lineales asociados.

6.1. Dependencia e Independencia Lineal de Vectores Fila (o

Columna)
Para entender el rango, primero necesitamos recordar (o introducir) la idea de
independencia lineal de vectores. Las filas de una matriz A ∈ R pueden considerarse n×m

como n vectores en R . Similarmente, sus m columnas pueden verse como m vectores en

m

R .
n

🧠 Definición: Combinación Lineal y Dependencia/Independencia Lineal

Una combinación lineal de los vectores (fila) v→ , v→ , … , v→ es cualquier vector de la
1 2 n

forma c v→ + c v→ + ⋯ + c v→ , donde c , … , c son escalares.

1 1 2 2 n n 1 n

Un conjunto de vectores (fila) {v→ →

es linealmente dependiente (LD) si existen
1, … , vn }

escalares c 1, … , cn 1
→ (el vector
, no todos cero, tales que c v→ + c v→ + ⋯ + c v→ = 0 1 2 2 n n

nulo).
Intuición: Al menos uno de los vectores puede expresarse como combinación lineal
de los otros. Hay "redundancia" en el conjunto.
Un conjunto de vectores (fila) {v→ 1
→
, … , vn } es linealmente independiente (LI) si la única
forma de obtener c v→ + c v→ + ⋯ + c
1 1 2 2 n
→ = →0 es con todos los escalares iguales a
v n

cero (c = c = ⋯ = c = 0).
1 2 n

Intuición: Ningún vector puede expresarse como combinación lineal de los otros.
Cada vector aporta "información nueva" o una "dirección nueva".

6.2. Definición de Rango

🧠 Definición: Rango de una Matriz
Motivación: Queremos cuantificar la "cantidad de información independiente" contenida
en una matriz. ¿Cuántas de sus filas (o columnas) son verdaderamente "esenciales" o
"distintas" en un sentido lineal?
Intuición: El rango es el número de filas (o, equivalentemente, columnas) que son
linealmente independientes.
Definición Formal Precisa: El rango de una matriz A ∈ R n×m
, denotado como rg(A) (o
rank(A) ), es el número máximo de filas linealmente independientes de A.
−
−
−
−1 3 4 → 2 5

⎜⎜⎟ ⎟
−1

⎝
−5
→
Propiedades:

0 11 7 →

4
0
Equivalentemente (un teorema fundamental del álgebra lineal), el rango de A es
también el número máximo de columnas linealmente independientes de A. Por
esto, a veces se habla de "rango fila" y "rango columna", pero siempre son iguales.

rg(A) = 0

Si triangulamos la matriz A:

⎛
2 5

11
−1

13

2
⎞

con las filas transformadas).

6.3. Cálculo del Rango

1
. El rango no puede ser mayor que el número de filas ni que
0 ≤ rg(A) ≤ min(n, m)

el número de columnas.
si y solo si A es la matriz nula.

💡 Ejemplo: Interpretación del Rango

Consideremos el sistema homogéneo:

⎧2x + 5y − z = 0

⎨−x + 3y + 4z = 0
⎩
−5x + 4y + 13z = 0

Llamemos a las filas v→ = (2, 5, −1), v→

F 1 ↔F 2
1

⎝
−1

−5
3

4
4

13
2

⎠
Matriz asociada: A =

= (−1, 3, 4) , v→ 3

La aparición de una fila de ceros significa que la tercera fila original (o la ecuación
correspondiente) era una combinación lineal de las otras dos. De hecho, se puede verificar
que v→ = 3v→ − v→ (usando las filas originales después de reordenar F y F o trabajando
3

La matriz escalonada tiene 2 filas no nulas. Esto indica que rg(A) = 2. Hay solo dos
"ecuaciones independientes" o dos "direcciones de información independientes" en las filas
de la matriz.

📜 Teorema/Propiedad: Operaciones Elementales de Fila y Rango

Las operaciones elementales de fila no cambian el rango de una matriz.

Justificación Esencial (Idea del Experimento 28):

1. Intercambiar dos filas no cambia el conjunto de filas, solo su orden, por lo que no
afecta la dependencia lineal.
2. Multiplicar una fila por un escalar no nulo λ ≠ 0: Si ∑ c v→ = →
⎝

0, entonces reemplazar

→ por λv→ (con λ ≠ 0) no cambia la esencia de la dependencia lineal. Si las filas eran
v j j

LI, seguirán siéndolo.

j k

filas es LI, el nuevo conjunto también lo es. Si era LD, la relación de dependencia
puede cambiar, pero el número de filas LI (el rango) se mantiene. Esencialmente,
j

estas operaciones preservan el espacio vectorial generado por las filas de la matriz,
y el rango es la dimensión de dicho espacio.
⎛

= (−5, 4, 13)

F 2 ←F 2 +2F 1 ,F 3 ←F 3 −5F 1
⎛
−1

3. Sumar a una fila v→ un múltiplo de otra fila v→ (i.e., v→ ← v→ + λv→ ): Si un conjunto de

2

−1

−5

j
.

−11
5

k
−1

13

−7
⎞

⎠
⎠

2
F 3 ←F 3 +F 2
⎛

⎝
−1

0
3

0
⚙️ Procedimiento: Cálculo del Rango usando Forma Escalonada
Objetivo: Encontrar el rango de una matriz A.
Pasos Lógicos Secuenciales:
1. Llevar a Forma Escalonada (o Escalonada Reducida): Usar operaciones
elementales de fila para transformar la matriz A en una matriz escalonada U
(también conocida como forma triangular superior si es cuadrada, o simplemente
con ceros debajo de los pivotes).
2. Contar Filas No Nulas: El rango de A es igual al número de filas no nulas en la
matriz escalonada U . (Una fila no nula es una fila que tiene al menos un elemento
distinto de cero).
Justificación del Funcionamiento: Las filas no nulas de una matriz escalonada son
linealmente independientes. Como las operaciones elementales de fila no cambian el
rango, el número de filas no nulas en la forma escalonada U es el mismo que el número
de filas linealmente independientes en la matriz original A.

💡 Ejemplos 54: Cálculo de Rango

1 2
1. A = ( )
2 0

1 2
F 2 ← F 2 − 2F 1 ⇒ ( ) .
0 −4

Hay 2 filas no nulas. Entonces, rg(A) = 2.

1 0 −1
⎛ ⎞

1 −1 0

2. B = 0 1 −1

0 1 1

⎝ ⎠
1 0 1

F2 ← F2 − F1 ,F 5 ← F5 − F1 :

1 0 −1
⎛ ⎞
0 −1 1

0 1 −1

0 1 1

⎝ ⎠
0 0 2

F3 ← F3 + F2 ,F 4
← F4 + F2 :

1 0 −1
⎛ ⎞

0 −1 1

0 0 0

0 0 2

⎝ ⎠
0 0 2

Intercambiar F y F (o F ), luego F
3 5 4 4 ← F4 − F3 (usando la nueva F 3 ),
= (0, 0, 2)

F5 ← F5 − F3 :
 ⎜⎟
⎛

⎝
1

(después de reordenar y eliminar filas duplicadas de ceros)

Hay 3 filas no nulas. Entonces, rg(B) = 3.

6.4. Rango y Matrices Cuadradas: La Conexión con la

Inversibilidad
El rango es especialmente revelador para matrices cuadradas.

📜 Teorema: Rango e Inversibilidad

Una matriz cuadrada A ∈ R
rg(A) = n).
0

−1

0
−1

0
⎞

es inversible si y solo si su rango es n (es decir,

n×n

Si rg(A) < n, la matriz A no es inversible (es singular).

Significado e Importancia: Este teorema proporciona un criterio fundamental para

determinar si una matriz cuadrada tiene inversa sin necesidad de intentar calcularla
directamente. Un rango "completo" (igual al orden de la matriz) significa que las filas (y
columnas) son todas linealmente independientes, no hay redundancia, y la
transformación que representa la matriz no "colapsa" el espacio a una dimensión menor.
Esta "no degeneración" es lo que permite la existencia de una inversa.
Justificación Esencial:
Si A es inversible ⇒ rg(A) = n: Si A es inversible, existe A tal que A ⋅ A = I .
−1

El método de Gauss-Jordan nos permite transformar [A|I ] en [I |A ]. Para que la

el proceso de escalonamiento de A. Esto significa que la forma escalonada de A

tiene n pivotes (y por tanto n filas no nulas), lo que implica rg(A) = n.
Si rg(A) = n ⇒ A es inversible: Si rg(A) = n, al llevar A a su forma escalonada
reducida por filas (mediante operaciones elementales), obtendremos n pivotes.
Como A es n × n, la única forma de tener n pivotes es que la forma escalonada
reducida sea la matriz identidad I . Esto significa que podemos transformar A en
In

encontrar A . Por lo tanto, A es inversible.

La matriz A = (

La matriz B =
⎛

⎝
0
−1

💡 Ejemplos: Rango e Inversibilidad

1

−1

0
2

−4
)

0
n
−1

parte izquierda se convierta en I , no puede aparecer ninguna fila de ceros durante

n

usando operaciones de fila, lo cual es la base del método de Gauss-Jordan para

tiene rg(A) = 2. Como es 2 × 2 y su rango es 2, es inversible.

5

0
⎞

⎠
−1
n

(del ejemplo de no inversibilidad) es 3 × 3 y tiene rg(B) = 2

(dos filas no nulas). Como rg(B) < 3, B no es inversible.

 Una matriz como C

Si A ∈ R
n×m

n×m

A ⋅ B = (

Lineales
1

0
yB∈R
yC∈R

1
)(
1

0
=

m×m

n×n

⎜⎟
⎛

⎝
1

) = (
0
1

7. Forma Matricial de un Sistema de Ecuaciones

Componentes de la Forma Matricial:

⎩
1

0
)
⎞

⎠
tiene rg(C) = 1 (la segunda y tercera filas son

idénticas a la primera). Como es 3 × 3 y rg(C) < 3, no es inversible.

📜 Propiedad: Rango y Producto por Matriz Inversible

Si A ∈ R es una matriz cuadrada inversible, entonces rg(A ⋅ B) = rg(A).
es una matriz cuadrada inversible, entonces rg(C ⋅ A) = rg(A).

Significado: Multiplicar una matriz (por la derecha o por la izquierda) por una matriz
inversible no altera su rango.
Justificación Esencial: Una matriz inversible representa una transformación lineal que
no cambia la dimensión del espacio imagen (es un isomorfismo). Por lo tanto, no
introduce ni elimina dependencias lineales entre las filas o columnas de la otra matriz.
⚠️ Advertencia: Esto no es cierto si la matriz por la que se multiplica no es inversible.
Por ejemplo, si A = I 2

1
= (

1
1

0
0

1
) (rg(A) = 2) y B = (
1

. Aquí rg(A ⋅ B) = 1 ≠ rg(A).

1

0
)

Ahora conectamos toda la teoría de matrices directamente con los sistemas de ecuaciones
lineales.

⚙️ Técnica: Representación Matricial de un Sistema Lineal (

Objetivo: Escribir un sistema de n ecuaciones lineales con m incógnitas de una forma
compacta usando matrices.
Consideremos un sistema general:

⎧a 11 x 1 + a 12 x 2 + ⋯ + a 1m x m = b 1

⎨
a 21 x 1 + a 22 x 2 + ⋯ + a 2m x m = b 2

a n1 x 1 + a n2 x 2 + ⋯ + a nm x m = b n

1. Matriz de Coeficientes (A): Es la matriz n × m formada por los coeficientes de las

incógnitas.

A =
⎛

⎝
a 11

a 21

a n1
a 12

a 22

a n2
⋯

⋯
a 1m

a 2m

a nm
⎞

⎠
∈ R
(rg(B) = 1, no inversible).

→
Ax = b

n×m
→)
A = (
1

2
incógnitas.

con los términos a la derecha del igual.

−3
)
→
Ax =

→=(
,x

La forma matricial es:

Otro ejemplo:
⎛

y
a 11

a n1
⋮

Al igualar esto al vector →b =

)
⋯

, →b = (
−1
⎛

5
)
bn

Aquí, n = 2 ecuaciones, m = 2 incógnitas (x

a 1m

a nm

b1

⎠
⋮

(
1

2
⎞

.
⎞⎛

⎠⎝
xm

−3
→
x =

→b =

x
→:
Justificación: Si realizamos el producto de matrices A ⋅ x

x1

)( ) = (
y
5

−1
⎜⎟
→): Es un vector columna m × 1 con las
2. Vector (Columna) de Incógnitas (x

⎞
xm

)
⎠
x1

x2

bn
⋮
⎞

3. Vector (Columna) de Términos Independientes (→b): Es un vector columna n × 1

⎝
b1

b2

⎠
⎞

⎝
∈ R

∈ R

Ecuación Matricial: El sistema se puede escribir como una única ecuación matricial:

=
→
A ⋅ x = b

⎛
→
m×1

n×1

a 11 x 1 + a 12 x 2 + ⋯ + a 1m x m

a 21 x 1 + a 22 x 2 + ⋯ + a 2m x m

a n1 x 1 + a n2 x 2 + ⋯ + a nm x m

, y recordando que dos matrices (o vectores columna)

son iguales si sus elementos correspondientes son iguales, recuperamos exactamente

el sistema de ecuaciones original.

💡 Ejemplo: Conversión a Forma Matricial

Dado el sistema:

{
x + 2y = 5

2x − 3y = −1

1 = x, x 2 = y ).
⎞

⎠
A =

⎪⎜⎟
Aquí, n = 4 ecuaciones, m = 3 incógnitas (x
⎛

⎝
−1

1
0

Forma matricial:
2

1
⎞

⎠
→=
,x
⎛

⎝
x

z
⎞

Si un sistema de ecuaciones lineales Ax

, →b =

⎝
−1

1
0
⎛ ⎞
0

⎝ ⎠
0

7.1. Resolución de Sistemas Cuadrados usando la Matriz

Inversa
⎧−x + 2z = 0

⎩
2x + 2y + 3z = 0

2y = 0

x + y + z = 0

3. Usando la asociatividad del producto de matrices:

4. Por definición de inversa, A

→=x
5. Como I x →:
n
−1
A = In
A
2

(A
⎞

⎠
1

−1

−1
= x, x 2 = y, x 3 = z

(sistema homogéneo).

⎝
x
⎛ ⎞
y

(Ax) = A

→
→
In x = A

x = A

Resultado y Significado: Si A es cuadrada e inversible, el sistema Ax

→ = A →b.
solución única dada por x −1
→
A)x = A
⎠
=

→ = →b tiene una matriz de coeficientes A que es

cuadrada (n × n) e inversible, podemos resolver el sistema de una manera muy elegante.

⚙️ Técnica: Resolución mediante Matriz Inversa

inversible.
Procedimiento:

la izquierda por A : −1
→ = →b.
1. Dada la ecuación matricial Ax
→ = →b cuando A es cuadrada e
→ del sistema Ax
Objetivo: Encontrar la solución x

2. Como A es inversible, existe A . Multiplicamos ambos lados de la ecuación por

−1

(la matriz identidad):

−1
−1

→b

→ = →b tiene una
0
⎛ ⎞

⎝ ⎠
0

−1

−1

→b
0

→b

→b
).
−
−
A =

−
−→ 0
1 1

−2
−2

0 →
→
A =

0
2 −2

−2 0

⎜⎟
⎛

2 →
1

0 −4
Esto significa que para encontrar la solución, "simplemente" necesitamos calcular
la inversa de A y luego multiplicarla por el vector de términos independientes →b.
Esto también nos dice que si A es cuadrada e inversible, el sistema es compatible
determinado.
⚠️ Importancia del Orden: Es crucial multiplicar por

−2

6
1

0
→ porque x
ayuda a aislar x

→ = →b:
Forma matricial Ax
2

−2

−4

⎝
⎠
2

2
→A

💡 Ejemplo 55: Resolución usando Inversa

Consideren el sistema:

0
→=
,x

−4
⎝
x
⎛ ⎞

F 2 ↔F 3
y

1. Verificar Inversibilidad y Calcular A :

produce el resultado final del ejemplo) es:

→ = A →b:
2. Calcular la Solución x

→
x =
⎠

⎝
⎛

⎝
−1

, →b =

F 1 ↔F 2

−1

z
⎞
1

⎠
A
por la izquierda en ambos
→A = →bA , lo cual no nos
lados. Si multiplicáramos por la derecha, obtendríamos Ax

2
⎛ ⎞

⎝ ⎠
1

−4

= A
1
2

−1
0

=
.

Primero, calculamos el rango de A o intentamos encontrar su inversa.

2 −2
⎛

⎝
1

−2

−1
⎞
−1

⎝
1

→b =
⎠

1/3

1/6

⎝
−2

−4
⎞

F 3 ←F 3 −2F 2

La matriz escalonada tiene 3 filas no nulas, así que rg(A) = 3. Como A es 3 × 3, es

inversible.
La inversa de A (tomada del ejemplo del material fuente, página 154, aunque allí el
cálculo de A B da un resultado que implica una A ligeramente diferente a la que se
−1

podría deducir de la triangulación de A en la misma página; usaremos la A

1/3

1/6
0
2/3

1/3
1

2/3

1/3
−1

−1/6

−1/2

−1/3
A

no está definido en general o no simplifica A.

⎧2x − 2y + 2z = 2

⎨x + y − 2z = 0
⎩
2x − 4z = 1

⎝
1

0
−1

−1/6

−1/2

−1/3
2
⎞⎛ ⎞

⎠⎝ ⎠
1
1

0
−1

F 2 ←F 2 −2F 1 ,F 3 ←F 3 −2F 1

−2

0
6
−1

⎠
1

0
1

−2

−1
−2

que
⎞

⎠
 →
x =

⎜⎟⎜
⎛

⎝
(1/3)(2) + (2/3)(0) + (−1/6)(1)

(0)(2) + (1)(0) + (−1/2)(1)

(1/6)(2) + (1/3)(0) + (−1/3)(1)

⎞

⎠
=
⎛

⎝
2/3 − 1/6

(asociatividad, conmutatividad de la suma, distributividad).

−1/2

2/6 − 1/3
⎞

Por lo tanto, la solución única del sistema es x = 1/2, y = −1/2, z = 0.

8. Resumen del Apartado: La Teoría de Matrices

=
⎛

⎝
4/6 − 1/6

−1/2

1/3 − 1/3

En este apartado hemos explorado los fundamentos de la teoría de matrices, enfocándonos

⚙️ Producto de Matrices: Introdujimos una operación de multiplicación más compleja

entre matrices, donde el elemento (i, j) del producto A ⋅ B se obtiene del producto
⎞

en su utilidad para el álgebra lineal y la resolución de sistemas de ecuaciones. Los puntos

clave son:

🧠 Matrices y Operaciones Básicas: Definimos qué es una matriz y cómo realizar

operaciones elemento a elemento: la suma de matrices (solo para matrices del mismo
tamaño) y la multiplicación de una matriz por un escalar. Estas operaciones
comparten muchas propiedades con las de los números reales y los vectores

escalar de la fila i de A con la columna j de B. Este producto requiere que el número de

columnas de A sea igual al número de filas de B. Es asociativo y distributivo respecto a
la suma, pero crucialmente, no es conmutativo.
🧠 Matrices Cuadradas e Identidad: Las matrices cuadradas (mismo número de filas y
columnas) son especiales. Entre ellas destaca la matriz identidad I , que actúa como
elemento neutro para el producto de matrices (A ⋅ I = I ⋅ A = A).
🧠 Matriz Inversa: Una matriz cuadrada
A ⋅ A
−1
= A
−1

n
⋅ A = In
A

inversible (si aparece una fila de ceros en la parte de A).

🧠 Rango de una Matriz: El rango
n n

−1

es el número máximo de filas (o columnas)

rg(A)

linealmente independientes de A. Se calcula llevando la matriz a su forma escalonada y

contando las filas no nulas. Las operaciones elementales de fila no alteran el rango.
📜 Rango e Inversibilidad: Una matriz cuadrada
si rg(A) = n.
A
n

es inversible si existe A tal que

. No todas las matrices cuadradas son inversibles.
⚙️ Cálculo de la Inversa: Aprendimos el método de Gauss-Jordan (usando la matriz
ampliada [A|I ] y operaciones de fila) para encontrar A o determinar que A no es
−1
=
⎛

⎝
3/6

−1/2

de orden n es inversible si y solo

🧩 Forma Matricial de Sistemas Lineales: Un sistema de ecuaciones lineales puede

→
Ax = b
→ = →b.
escribirse de forma compacta como Ax
⚙️ Resolución de Sistemas con la Inversa: Si
→ tiene una solución única x
→ = A →b. −1
A es cuadrada e inversible, el sistema

Esta teoría nos proporciona un lenguaje y herramientas poderosas para analizar y resolver
problemas que involucran múltiples relaciones lineales simultáneamente.
⎞

⎠
=
⎛

⎝
1/2

−1/

0
 📊 Resumen Visual (Descripción para Mapa Conceptual)
Nodo Central: "Teoría de Matrices"
Nodos Principales (conectados al central):
"Definición de Matriz (A n×m , elemento a )"
ij

"Operaciones con Matrices"

"Matrices Cuadradas"
"Rango de una Matriz (rg(A))"
→ = →b)"
"Sistemas de Ecuaciones Lineales (Ax
Desde "Operaciones con Matrices":
"Suma de Matrices (A + B)"
Relación: "requiere" → "Mismo Tamaño"
Relación: "propiedades" → "Asociativa, Conmutativa, Elem. Neutro (Matriz
Nula 0), Elem. Opuesto (−A)"
"Producto por Escalar (λA)"
Relación: "propiedades" → "Distributivas, Asociativa Mixta, 1A = A"
"Producto de Matrices (A ⋅ B)"
→
–
–
Relación: "requiere"
A n×m ⋅ B m×r = C n×r "Columnas de A = Filas de B ( )"
Relación: "cálculo de c " → "Producto Escalar (Fila i de A ⋅ Columna j de B)"
ij

Relación: "propiedades" → "Asociativo, Distributivo"

Relación: "propiedad importante" → "⚠️ NO Conmutativo (A ⋅ B ≠ B ⋅ A)"
Desde "Matrices Cuadradas (n × n)":
"Matriz Identidad (I )"
n

Relación: "es el" → "Elemento Neutro Multiplicativo (AI )"

= IA = A

"Matriz Inversible (A )" −1

Relación: "definida si" → "AA −1

= A
−1
A = In "
Relación: "se calcula con" → "Método de Gauss-Jordan ([A|I ] → [I |A −1
)"
]

Relación: "no existe si" → "Fila de ceros en A durante Gauss-Jordan"

Desde "Rango de una Matriz (rg(A))":
Relación: "se define como" → "Nº Filas (o Columnas) Linealmente Independientes"
Relación: "se calcula con" → "Forma Escalonada (Nº filas no nulas)"
Relación: "propiedad" → "Operaciones de Fila no alteran el Rango"
Relación: "conecta con" → "Matriz Inversible" (ver abajo)
Conexiones entre Nodos Principales:
"Matriz Inversible" ⇔ (doble flecha, relación "si y solo si") "Rango de A = n (para
A n×n )"
→ = →b)" ← (usa) "Definición de Matriz",
"Sistemas de Ecuaciones Lineales (Ax
"Producto de Matrices"
"Sistemas de Ecuaciones Lineales (Ax → = →b)" → (resolución si A es cuadrada e
→ = A →b" (que usa "Matriz Inversa")
inversible) "x −1
 Nodo Adicional (conectado a "Definición de Matriz"):
"Matriz Transpuesta (A )" T

Relación: "se define como" → "Intercambio Filas por Columnas ((A T

) ji = a ij )"

📖 Glosario
Matriz: Arreglo rectangular de números (elementos) dispuestos en filas y columnas.
Elemento de una Matriz (a ): Número ubicado en la fila i y la columna j de una matriz.
ij

Dimensiones de una Matriz (n × m): Indica que la matriz tiene n filas y m columnas.
Suma de Matrices (A + B): Operación entre dos matrices del mismo tamaño, donde la
matriz resultante tiene por elementos la suma de los elementos correspondientes de las
matrices originales.
Producto de una Matriz por un Escalar (λA): Operación que multiplica cada elemento
de la matriz A por el escalar λ.
Matriz Nula (0): Matriz donde todos sus elementos son cero. Es el elemento neutro para
la suma de matrices.
Producto de Matrices (A ⋅ B): Operación entre dos matrices A yB , resultando
n×m m×r

en una matriz C . El elemento c se calcula como el producto escalar de la fila i de A

n×r ij

con la columna j de B.
Matriz Cuadrada: Matriz con el mismo número de filas que de columnas (orden n).
Diagonal Principal: En una matriz cuadrada, los elementos a (desde la esquina
ii

superior izquierda a la inferior derecha).

Matriz Identidad (I ): Matriz cuadrada de orden n con unos en la diagonal principal y
n

ceros en el resto. Es el elemento neutro para el producto de matrices.

Matriz Inversible (o No Singular): Matriz cuadrada A para la cual existe una matriz
inversa A tal que AA = A A = I .
−1 −1 −1
n

Matriz Singular: Matriz cuadrada que no es inversible.

Matriz Inversa (A ): Matriz que, multiplicada por A, da la matriz identidad.
−1

Método de Gauss-Jordan (para inversas): Algoritmo que utiliza operaciones

elementales de fila sobre la matriz ampliada [A|I ] para transformarla en [I |A ].
−1

Operaciones Elementales de Fila: Tres tipos de operaciones: intercambiar dos filas,

multiplicar una fila por un escalar no nulo, y sumar a una fila un múltiplo de otra fila.
Matriz Transpuesta (A ): Matriz obtenida al intercambiar las filas por las columnas de
T

la matriz original A.
Combinación Lineal (de vectores): Suma de vectores multiplicados por escalares.
Vectores Linealmente Independientes (LI): Conjunto de vectores donde ninguno
puede expresarse como combinación lineal de los otros; la única combinación lineal que
da el vector nulo es la trivial (todos los escalares cero).
Vectores Linealmente Dependientes (LD): Conjunto de vectores donde al menos uno
puede expresarse como combinación lineal de los otros; existe una combinación lineal
no trivial que da el vector nulo.
Rango de una Matriz (rg(A)): Número máximo de filas (o columnas) linealmente
independientes de la matriz. También es el número de pivotes (o filas no nulas) en su
forma escalonada.
Forma Escalonada (de una matriz): Matriz obtenida por operaciones de fila donde los
primeros elementos no nulos de cada fila (pivotes) están a la derecha de los pivotes de
filas anteriores, y las filas de ceros están al final.
Sistema de Ecuaciones Lineales: Conjunto de una o más ecuaciones lineales con un
conjunto de variables.
→ = →b): Representación de un sistema lineal donde A
Forma Matricial de un Sistema (Ax
→ el vector de incógnitas y →b el vector de términos
es la matriz de coeficientes, x
independientes.
Sistema Compatible Determinado: Sistema lineal que tiene una única solución.
Sistema Compatible Indeterminado: Sistema lineal que tiene infinitas soluciones.
Sistema Incompatible: Sistema lineal que no tiene solución.