Vectores y matrices

Luis Ángel Zaldívar Cruz

Departamento de Ciencias Básicas

Instituto Tecnológico de Tehuacán

26 de marzo de 2017
Objetivos del tema
En este tema el estudiante. . .
I Se familiarizará con los vectores y matrices, así como con las
operaciones de suma y multiplicación por un escalar
I Estudiará la definición y las propiedades de la multiplicación entre
matrices y vectores
I Conocerá la relación entre matrices y vectores con sistemas de
ecuaciones, así como el concepto de soluciones a sistemas
homogéneos y no homogéneos de ecuaciones
I Aprenderá el concepto de inversa de una matriz y su relación con la
solución de sistemas de ecuaciones
I Entenderá la operación de transposición de una matriz, sus
propiedades y el caso de las matrices simétricas
I Profundizará en la forma matricial de las operaciones elementales
por renglón que pueden aplicarse a matrices en general
I Estudiará la factorización de matrices en términos de dos matrices
triangulares con características especiales
Definiciones generales
Definición Vector renglón de n componentes
Un vector renglón de n componentes se define como un conjunto
ordenado de n números escritos de la siguiente manera:

(x1 , x2 , . . . , xn ) (1)

Definición Vector columna de n componentes

Un vector columna de n componentes es un conjunto ordenado de n
números escritos de la siguiente manera:
 
x1
 x2 
 ..  (2)
 
 . 
xn

En (1) o (2), x1 se denomina la primera componente del vector, x2 es la

segunda componente, y así sucesivamente. En términos generales, xk se
denomina la k-ésima componente del vector.
Definiciones generales
I Con objeto de simplificar, con frecuencia se hará referencia a un vector
renglón de n componentes como un vector renglón o un vector de
dimensión n.
I Del mismo modo, se usará el término vector columna (o vector de
dimensión n) para denotar a un vector columna de n componentes.
I Cualquier vector cuyos elementos sean todos cero se denomina vector
cero.

Ejemplo Cuatro vectores

Los siguientes son vectores:
I (3, 6) es un vector renglón (o un vector de dimensión 2)
 
2
I  −1  es un vector columna (o un vector de dimensión 3)
5
I (2, −1, 0, 4) es un vector renglón (o un vector de dimensión 4)
 
0
0
 
I 0 es un vector columna y un vector cero
 
0
0
Definiciones generales
I A lo largo del curso se resaltarán los vectores con letras minúsculas
negritas como u, v, a, b, c, y así sucesivamente.
I Un vector cero se denota por 0.
I Más aún, como en términos generales resultará obvio cuando se
trate de un vector renglón o de un vector columna, se hará
referencia a ellos simplemente como “vectores”.
I Las componentes de todos los vectores en este curso son números
reales o complejos. Se denota al conjunto de todos los números
reales por el símbolo R y al conjunto de números complejos por el
símbolo C.

Definición Rn
Se usa el símbolo Rn para denotar al conjunto de todos los vectores de
dimensión n  
a1
 a2 
 .. 
 
.
an
donde cada ai es un número real.
Definiciones generales
Definición Cn
se usa el símbolo Cn para denotar al conjunto de todos los vectores de
dimensión n  
c1
 c2 
 . ,
 
 .. 
cn
donde cada ci es un número complejo.

Definición de matriz
Una matriz A de m × n es un arreglo rectangular de mn números dispuestos en
m renglones y n columnas

a11 a12 ··· a1j ··· a1n

 
 a21 a22 ··· a2j ··· a2n 
 .. .. .. .. 
 
 . . . . 
A=  (3)
 ai1
 ai2 ··· aij ··· ain 
 . .. .. .. 
 .. . . . 
am1 am2 ··· amj ··· amn
Definiciones generales
I Observe que los vectores son tipos especiales de matrices.
I El vector renglón (ai1 , ai2 , . . . , ain ) es el renglón i
 
a1j
 a2j 
I El vector columna  .  es la columna j
 
 .. 
amj
I La componente o elemento ij de A, denotado por aij , es el
número que aparece en el renglón i y la columna j de A.
I En ocasiones se escribirá la matriz A como A = (aij )
I Por lo general, las matrices se denotarán con letras mayúsculas
I Si A es una matriz m × n con m = n, entonces A se llama
matriz cuadrada
I Una matriz m × n con todos los elementos iguales a cero se
denomina matriz cero de m × n.
I Se dice que una matriz de m × n tiene tamaño m × n.
Definiciones generales
Ejemplo Cinco matrices
En seguida se presentan cinco matrices de diferentes tamaños:
 
1 3
I es una matriz de 2 × 2 (cuadrada).
4 2
 
−1 3
I  4 0  es una matriz de 3 × 2.
1 −2
 
−1 4 1
I es una matriz de 2 × 3.
3 0 2
 
1 6 −2
I 3 1 4 es una matriz de 3 × 3 (cuadrada).
2 −6 5
 
0 0 0 0
I es la matriz cero de 2 × 4.
0 0 0 0
Definiciones generales
Ejemplo Localización de las componentes de una matriz
Para la matriz  
1 6 4
A = 2 −3 5
7 4 0
encuentre las componentes a12 , a31 y a22 .

Solución
La componente (a12 ) es el número que se encuentra en el primer
renglón y la segunda columna; la componente (a12 ) es 6. La
componente (a31 ) es 7 y la componente (a22 ) es −3.

Definición Igualdad de matrices

Dos matrices A = (aij ) y B = (bij ) son iguales si
1. son del mismo tamaño y
2. las componentes correspondientes son iguales.
Definiciones generales
Ejemplo Matrices iguales y matrices distintas
¿Son iguales las siguientes matrices?
   
4 1 5 1+3 1 2+3
1. 2 −3 0 y 1 + 1 1 − 4 6−6
   
−2 0 0 −2
2. 1 3
y
1 3
   
1 0 1 0 0
3. 0 1 y 0 1 0

Solución
1. Sí; ambas matrices son de 2 × 3 y 1 + 3 = 4, 2 + 3 = 5, 1 + 1 = 2,
1 − 4 = −3 y 6 − 6 = 0.
2. No; −2 6= 0, por lo que las matrices son distintas ya que, por ejemplo, las
componentes (1, 1) son diferentes. Esto es cierto aun cuando las dos
matrices contienen los mismos números. Las componentes
correspondientes deben ser iguales. Esto significa que la componente (an )
en A debe ser igual a la componente (bn ) en B, etcétera.
3. No; la primera matriz es de 2 × 2 y la segunda es de 2 × 3, de manera
que no tienen el mismo tamaño.
Definiciones generales
Definición Suma de matrices
Sean A = (aij ) y B = (bij ) dos matrices m × n. Entonces la suma de A
y B es la matriz m × n, A + B dada por
 
a11 + b11 a12 + b12 · · · a1n + b1n
 a21 + b21 a22 + b22 · · · a2n + b2n 
A + B = (aij + bij ) =  .. .. ..
 

 . . . 
am1 + bm1 am2 + bm2 ··· amn + bmn
(4)
Es decir, A + B es la matriz m × n que se obtiene al sumar las
componentes correspondientes de A y B.

Ejemplo Suma de dos matrices

     
2 4 −6 7 0 1 6 −2 2 5 0 5
 1 3 2 1 + 2 3 4 3 = 3 6 6 4 
−4 3 −5 5 −2 1 4 4 −6 4 −1 9
Definiciones generales
Al manejar vectores se hace referencia a los números como
escalares (que pueden ser reales o complejos dependiendo de si los
vectores en cuestión son reales o complejos).
Definición Multiplicación de una matriz por un escalar
Si A = (aij ) es una matriz de m × n y si α es un escalar, entonces
la matriz m × n, αA, está dada por
 
αa11 αa12 · · · αa1n
 αa21 αa22 · · · αa2n 
αA = (αaij ) =  . .. ..  (5)
 
 . . . . 
αam1 αam2 · · · αamn

Esto es αA = (αaij ) es la matriz obtenida al multiplicar cada

componente de A por α. Si αA = B = (bij ), entonces bij = αaij
para i = 1, 2, . . . , m y j = 1, 2, . . . , n.
Definiciones generales

EjemploMúltiplos escalares
 de matrices 
1 −3 4 2 2 −6 8 4
Sea A =  3 1 4 6 . Entonces 2A =  6 2 8 12  ,
−2 3 5 7 −4 6 10 14
 1
− 43 − 23
  
−3 1 0 0 0 0
− 13 A =  −1 − 13 4
− 3 −2  y 0A =  0 0 0 0 
2
3
−1 − 53 − 73 0 0 0 0

EjemploSuma
 de múltiplos
  escalares de dos vectores
4 −2
 6   4 
 1  y b =  −3 . Calcule 2a − 3b.
Sean a =    

3 0

Solución          
4 −2 8 6 14
 6   4   12   −12   0 
2a − 3b = 2 
 1  + (−3)  −3  =  2  + 
      = 
9   11 
3 0 6 0 6
Definiciones generales
Teorema 1
Propiedades básicas sobre la suma de matrices y la multiplicación
por escalares
Sean A, B y C tres matrices de m × n y sean α y β dos escalares.
Entonces:
1. A + 0 = A
2. 0A = 0
3. A + B = B + A (Ley conmutativa para la adición de matrices)
4. (A + B) + C = A + (B + C) (Ley asociativa para la adición
de matrices)
5. α (A + B) = αA + αB (Ley distributiva para la multiplicación
por un escalar)
6. 1A = A
7. (α + β) A = αA + βA
Definiciones generales

Demostración de 3)
a11 a12 · · · a1n b11 b12 · · · b1n
   
 a21 a22 · · · a2n   b21 b22 · · · b2n 
Sea A =  . . . yB= . .. ..  .
   
 .. .. ..   .. . . 
am1 am2 · · · amn bm1 bm2 · · · bmn
Por definición de suma
a12 + b12 · · ·
 
a11 + b11 a1n + b1n
 a21 + b21 a22 + b22 · · · a2n + b2n 
A+B = .. .. ..
 

 . . . 
am1 + bm1 am2 + bm2 · · · amn + bmn
b12 + a12 · · ·
 
b11 + a11 b1n + a1n
 b21 + a21 b22 + a22 · · · b2n + a2n 
= .. .. .. =B+A
 
 . . . 
bm1 + am1 bm2 + am2 · · · bmn + amn
Definiciones generales
Ejemplo Ilustración de la ley asociativa para la suma de
matrices
Para ilustrar la ley asociativa se observa que
     
1 4 −2 2 −2 3 3 −1 2
+ +
3 −1 0 1 −1 5 0 1 4
     
3 2 1 3 −1 2 6 1 3
= + =
4 −2 5 0 1 4 4 −1 9

De la misma manera
     
1 4 −2 2 −2 3 3 −1 2
+ +
3 −1 0 1 −1 5 0 1 4
     
1 4 −2 5 −3 5 6 1 3
= + = .
3 −1 0 1 0 9 4 −1 9
Productos vectorial y matricial

Ejemplo Producto de un vector de demanda y un vector de

precios
Suponga que un fabricante produce cuatro artículos. Su demanda
está dada por el vector de demanda d = (30 20 40 10) (una matriz
de 1 × 4). El precio por unidad que recibe el fabricante por los
artículos está dado por el vector de precios
 
$20
$15
p= $18


$40

(una matriz de 4 × 1). Si se cumple la demanda, ¿cuánto dinero

recibirá el fabricante?
Productos vectorial y matricial
Solución
La demanda del primer artículo es 30, y el fabricante recibe $20 por
cada artículo vendido. Por consiguiente recibe (30)(20) = $600 de
las ventas del primer artículo. Si se sigue este razonamiento, se ve
que la cantidad total de dinero que recibe es

(30)(20)+(20)(15)+(40)(18)+(10)(40) = 600+300+720+400 = $2020

Este resultado se escribe como

 
20
15
(30 20 40 10) 
18 = 2020.


40

Es decir, se multiplicó un vector renglón de 4 componentes y un

vector columna de 4 componentes para obtener un escalar (un
número real). En términos generales se tiene la siguiente definición.
Productos vectorial y matricial

DefiniciónProducto
 escalar
 
a1 b1
 a2   b2 
Sean a =  .  y b =  .  dos vectores. Entonces el producto
   
. .  .. 
an bn
escalar de a y b denotado por a · b, está dado por

a · b = a1 b1 + a2 b2 + · · · + an bn (6)

Debido a la notación en (6), el producto escalar se llama con

frecuencia producto punto o producto interno de los vectores.
Observe que el producto escalar de dos vectores de dimensión n es
un escalar (es decir, es un número).
Productos vectorial y matricial
A menudo se tomará el producto escalar de un vector renglón y un vector
columna. En este caso se tiene
Producto escalar representado como vector renglón por vector
columna
 
b1
 b2 
(a1 , a2 , . . . , an )  .  = a1 b1 + a2 b2 + · · · + an bn (7)
 
 .. 
bn

Ejemplo 
Producto
 escalar
 de dos
 vectores
−4 3
Sean a =  −2  y b =  −2 . Calcule a · b.
3 −5

Solución
a · b = (−4)(3) + (−2)(−2) + (3)(−5) = −12 + 4 − 15 = −23.
Productos vectorial y matricial

Ejemplo Producto escalar de 

dos vectores

1
 0 
Sean a = (2, −5, 4, −6) y b = 
 −7 . Calcule a · b.


Solución
Aquí
a·b = (2)(1)+(−5)(0)+(4)(−7)+(−6)(3) = 2+0−28−18 = −44.

El teorema que se presenta a continuación se deduce directamente

de la definición del producto escalar. Se demuestra la parte ii) y se
deja el resto como ejercicio.
Productos vectorial y matricial
Teorema 2
Sean a, b y c tres vectores de dimensión n y sea α un escalar.
Entonces

1. a · 0 = 0
2. a · b = b · a (Ley conmutativa del producto escalar)
3. a · (b + c) = a · b + a · c (ley distributiva del producto escalar)
4. (αa) · b = α(a · b)

Prueba de2)   
a1 b1
 a2   b2 
Sean a =  .  y b =  . . Entonces
   
 ..   .. 
an bn

a · b = a1 b1 + a2 b2 + · · · + an bn = b1 a1 + b2 a2 + · · · + bn an = b · a
Productos vectorial y matricial
Observe que no existe una ley asociativa para el producto escalar. La
expresión (a · b) · c = a · (b · c) no tiene sentido porque ninguno de los dos
lados de la ecuación está definido. Para el lado izquierdo, esto se concluye
a partir de que a · b es un escalar y el producto escalar del escalar a · b y
el vector c no está definido. Ahora se define el producto de dos matrices.
Definición Producto de dos matrices
Sea A = (aij ) una matriz m × n, y sea B = (bij ) una matriz n × p. el
producto de A y B es una matriz m × p, C = (cij ), en donde

cij = (renglón i de A) · (columna j de B) . (8)

Es decir, el elemento ij de AB es el producto punto del renglón i de A y

la columna j de B. Si esto se extiende, se obtiene

cij = ai1 b1j + ai2 b2j + · · · + ain bnj . (9)

Si el número de columnas de A es igual al número de renglones de B,

entonces se dice que A y B son compatibles bajo la multiplicación.
Productos vectorial y matricial
EjemploProducto de dos   2×2
matrices de
1 3 3 −2
Si A = yB= , calcule AB y BA.
−2 4 5 6
Solución
A es una matriz de 2 × 2 y B es una matriz de 2 × 2, entonces
C = AB = (2 × 2) × (2 × 2) también es una matriz de 2 × 2. Si
C = (cij ), ¿cuál es el valor de c11 ? Se sabe que

c11 = (renglón 1 de A) · (columna 1 de B)

Así  
3
c11 = (1 3) = 3 + 15 = 18.
5
De manera similar, para calcular c12 se tiene
 
−2
c12 = (1 3) = −2 + 18 = 16.
6
Productos vectorial y matricial
Siguiendo el procedimiento se encuentra que
 
3
c21 = (−2 4) = −6 + 20 = 14
5
y  
−2
c22 = (−2 4) = 4 + 24 = 28.
6
Entonces  
18 16
C = AB = .
14 28
De manera similar, sin escribir los pasos intermedios, se ve que
    
0 3 −2 1 3 3+4 9−8
C = BA = =
5 6 −2 4 5 − 12 15 + 24
 
7 1
= .
−7 39
Productos vectorial y matricial

Observación
El ejemplo anterior ilustra un hecho sumamente importante: en
términos generales, el producto de matrices no es conmutativo. Es
decir, AB 6= BA. En ocasiones ocurre que AB = BA, pero se
trata de una excepción, no de una regla. Si AB = BA se dice que
A y B conmutan. De hecho, como lo ilustra el siguiente ejemplo,
puede ocurrir que AB esté definida y BA no lo esté. Así, debe
tenerse cuidado en el orden de la multiplicación de dos matrices.
Ejemplo El producto de una matriz de 2 × 3 y una de 3 × 4
está definido pero el producto de una matriz 3 × 4 y una de
2 × 3 no lo está.  
  7 −1 4 7
2 0 −3
Sea A = yB= 2 5 0 −4 . Calcule
4 1 5
−3 1 2 3
AB.
Productos vectorial y matricial
Solución
Primero observe que A es una matriz de 2 × 3 y B es una matriz de
3 × 4. Por lo que el número de columnas de A es igual al número de
renglones de B. Por lo tanto, el producto AB está definido y es una
matriz de 2 × 4. Sea AB = C = (cij ). Entonces
   

7
−1
c11 = 2 0 −3  2  = 23 c12 = 2 0 −3  5  = −5
−3 1
  
4


7
c13 = 2 0 −3  0  = 2 c14 = 2 0 −3  −4  = 5
2 3
   

7
−1
c21 = 4 1 5  2  = 15 c22 = 4 1 5  5  = 6
−3 1
   

4
7
c23 = 4 1 5  0  = 26 c24 = 4 1 5  −4  = 39
2 3
Productos vectorial y matricial
 
23 −5 2 5
Así, AB = . Esto completa el problema.
15 6 26 39
Observe que el producto BA no está definido ya que el número de
columnas de B (cuatro) no es igual al número de renglones de A
(dos).
Ejemplo Contacto directo e indirecto con una enfermedad
contagiosa
En este ejemplo se muestra la forma en la cual se puede usar la
multiplicación de matrices para modelar la manera en que se
extiende una enfermedad contagiosa. Suponga que cuatro
individuos han contraído esta enfermedad. Este grupo entra en
contacto con seis personas de un segundo grupo. Estos contactos,
llamados contactos directos, se pueden representar por una matriz
de 4 × 6. En seguida se da un ejemplo de este tipo de matrices.
Productos vectorial y matricial

Matriz de contacto directo: primero y segundo grupos

 
0 1 0 0 1 0
1 0 0 1 0 1
A= 0 0 0

1 1 0
1 0 0 0 0 1

En este caso se hace aij = 1 si la i-ésima persona del primer grupo

entra en contacto con la j-ésima persona del segundo grupo. Por
ejemplo, el 1 en la posición (2, 4) significa que la segunda persona
del primer grupo (infectada) entró en contacto con la cuarta
persona del segundo grupo.
Productos vectorial y matricial

Ahora suponga que un tercer grupo de cinco personas tiene varios

contactos directos con individuos del segundo grupo. Esto también
se puede representar mediante una matriz.
Matriz de contacto directo: segundo y tercer grupos
 
0 0 1 0 1
0 0 0 1 0
 
0 1 0 0 0
B= 1 0 0 0 1

 
0 0 0 1 0
0 0 1 0 0

Observe que b64 = 0, lo que quiere decir que la sexta persona del
segundo grupo no tiene contacto con la cuarta persona del tercer
grupo.
Productos vectorial y matricial
Los contactos indirectos o de segundo orden entre individuos del primero y
tercer grupos se representan mediante la matriz de 4 × 5, C = AB. Para ver
esto, observe que una persona del grupo 3 puede quedar contagiada por alguien
del grupo 2, quien a su vez fue contagiada por alguien del grupo 1. Por
ejemplo, como a24 = 1 y b45 = 1 se ve que, indirectamente, la quinta persona
del grupo 3 tuvo contacto (a través de la cuarta persona del grupo 2) con la
segunda persona del grupo 1. El número total de contactos indirectos entre la
segunda persona del grupo 1 y la quinta persona del grupo 3 está dado por

c25 = a21 b15 + a22 b25 + a23 b35 + a24 b45 + a25 b55 + a26 b65
= 1 · 1 + 0 · 0 + 0 · 0 + 1 · 1 + 0 · 0 + 1 · 0 = 2.

Ahora se calcula la
Matriz de contacto indirecto: primero y tercer grupos
 
0 0 0 2 0
1 0 2 0 2
C = AB =  1

0 0 1 1
0 0 2 0 1

Observe que únicamente la segunda persona del grupo 3 no tiene contactos

indirectos con la enfermedad. La quinta persona de este grupo tiene
2 + 1 + 1 = 4 contactos indirectos.
Productos vectorial y matricial
En el producto vectorial se ha visto que las matrices, en general, no conmutan.
El siguiente teorema muestra que la ley asociativa sí se cumple.

Teorema 3
Ley asociativa de la multiplicación de matrices
Sea A = (aij ) una matriz de n × m, B = (bij ) una matriz de m × p y
C = (cij ) una matriz de p × q. Entonces la ley asociativa

A (BC) = (AB) C (10)

se cumple y ABC, definida por cualesquiera de los lados de la ecuación (10),

es una matriz de n × q.
De aquí en adelante se escribirá el producto de tres matrices simplemente como
ABC. Se puede hacer esto porque (AB)C = A(BC); entonces se obtiene la
misma respuesta independientemente de cómo se lleve a cabo la multiplicación
(siempre y cuando no se conmute ninguna de las matrices). La ley asociativa se
puede extender a productos de más matrices. Por ejemplo, suponga que AB,
BC y CD están definidas. Entonces

ABCD = A (B (CD)) = ((AB) C) D = A (BC) D = (AB) (CD) (11)

Productos vectorial y matricial
Existen dos leyes distributivas para la multiplicación de matrices.
Teorema 4
Leyes distributivas de la multiplicación de matrices
Si todas las sumas y todos los productos siguientes están definidos,
entonces
A (B + C) = AB + AC (12)
y
(A + B) C = AC + BC (13)

Multiplicación de matrices como una combinación lineal de las

columnas de A
Sea A una matriz de m × n y x un vector de n × 1. Considere el producto
    
a11 a12 · · · a1n x1 a11 x1 + a12 x2 + · · · + a1n xn
 a21 a22 · · · a2n   x2   a21 x1 + a22 x2 + · · · + a2n xn 
Ax =  . .. ..   ..  =  ..
    
 ..

. .  .   . 
am1 am2 ··· amn xn am1 x1 + am2 x2 + · · · + amn xn
Productos vectorial y matricial

o      
a11 a12 a1n
 a21   a22   a2n 
Ax = x1  .  + x2  .  + · · · + xn  .  . (14)
     
 ..   ..   .. 
am1 am2 amn
   
a11 a12
 a21   a22 
Observe que c1 =  .  es la primera columna de A, c2 =  .  es
   
 ..   .. 
am1 am2
la segunda columna de A y así sucesivamente. Entonces (14) se puede
escribir como
Ax = x1 c1 + x2 c2 + · · · + xn cn . (15)
El lado derecho de la expresión (15) se llama combinación lineal de los
vectores c1 , c2 , . . . , cn .
Productos vectorial y matricial
Suponga ahora que B es una matriz de n × p. Sean C = AB y c1
la primera columna de C. Entonces
   
c11 a11 b11 + a12 b21 + · · · + a1n bn1
 c21   a21 b11 + a22 b21 + · · · + a2n bn1 
c1 =  .  =  ..
   
 ..  

. 
cm1 am1 b11 + am2 b21 + · · · + amn bn1
     
a11 a12 a1n
 a21   a22   a2n 
= b11  .  + b21  .  + · · · + bn1  . 
     
 ..   ..   .. 
am1 am2 amn

es igual a la combinación lineal de las columnas de A. Lo mismo se

cumple para todas las columnas de C = AB, donde se ve que
Cada columna del producto AB es una combinación
lineal de las columnas de A.
Productos vectorial y matricial
Ejemplo Cómo escribir las columnas de AB como combinación
lineal de las
 columnas
 de A
1 −2  
1 −1
Sean A =  2 4 yB= .
2 7
3 5
 
−3 −15
Entonces AB =  10 26 . Ahora bien,
13 32
     
−3 1 −2
 10  = 1  2  + 2  4  = una combinación lineal de
13 3 5
las columnas de A
y     
−15 1 −2
 26  = −1  2  + 7  4  = una combinación lineal
32 3 5
de las columnas de A.
Productos vectorial y matricial

Multiplicación de matrices por bloques

En ciertas situaciones es prudente manejar las matrices como
bloques de matrices más pequeñas, llamadas submatrices, y
después multiplicar bloque por bloque en lugar de componente por
componente. La multiplicación en bloques es muy similar a la
multiplicación normal de matrices.

Ejemplo Multiplicación por bloques

Considere el producto
  
1 −1 2 4 1 4 3
 2 0 4 5   2 −1 0 
AB =   
 1 1 2 −3   −3 2 1 
−2 3 5 0 0 1 2
Productos vectorial y matricial

Ahora se realiza una partición de estas matrices mediante líneas continuas.

  
1 −1 2 4 1 4 3   
  2 −1 0  =
 2 0 4 5    C D G H
AB =  1 1 2 −3   −3 2 1  E F J K
−2 3 5 0 0 1 2
 
1 −1
Existen otras maneras de formar la partición. En este caso C = ,
2 0
 
1
K= , y así sucesivamente. Si suponemos que todos los productos y las
2
sumas de matrices están definidos, se puede multiplicar de manera normal para
obtener
    
C D G H CG + DJ CH + DK
AB = =
E F J K EG + F J EH + F K
Productos
Ahora
vectorial y matricial
         
1 −1 1 4 −1 5 2 4 −3 2 −6 8
CG = = , DJ = =
2 0 2 −1 2 8 4 5 0 1 −12 13

y  
−7 13
CG + DJ = .
−10 21

De manera similar

         
1 1 3 3 2 −3 2 −4
EH = = FK = =
−2 3 0 −6 5 0 1 5

y  
−1
EH + F K = .
−1

El lector debe verificar que

   
13 −3 4
CH + DK = y EG + F J =
20 −11 −1

de manera que

   
  −7 13 13 −7 13 13
 −10
CG + DJ CH + DK 21  =  −10
20  21 20 

AB = =  −3

EG + F J EH + F K  −3 4 −1  4 −1 
−11 −1 −1 −11 −1 −1

Ésta es la misma respuesta que se obtiene si se multiplica AB directamente.

Productos vectorial y matricial
Cuando se hace una partición de dos matrices, como en el ejemplo anterior, y todos
los productos de submatrices están definidos, se dice que la partición es conformante.

Ejemplo Dos matrices que son conmutativas

Suponga que las matrices
 A y B son cuadradas
 yque se hacen particiones
I A I B
conformantes de C = yD= . Muestre que C y D son
O I O I
conmutativas. Aquí O denota la matriz cero e I es una matriz cuadrada que tiene la
propiedad de que AI = IA = A siempre que estos productos estén definidos.

Solución
I 2 + AO
      
I A I B IB + AI I B+A
CD = = =
O I O I OI + IO OB + I 2 O I

en donde I 2 = I · I. Del mismo modo

    2   
I B I A I + BO IA + BI I A+B
DC = = =
O I O I OI + IO OA + I 2 O I

Como B + A = A + B, entonces CD = DC, es decir, las matrices son conmutativas.

Productos vectorial y matricial
Aplicación: cadena de Markov
Una cadena de Markov es un proceso estocástico que no tiene “memoria”,
en el sentido de que el estado futuro del proceso únicamente depende del
estado actual en que se encuentre, sin importar cómo es que llegó a él.
Bajo las suficientes hipótesis se puede representar el comportamiento de
una cadena de Markov invariante con el tiempo o estacionaria, como una
multiplicación de un vector que representa el estado de interés por una
matriz que representa la transición entre los estados, esto es
xk+1 = P xk , donde xk representa el estado en el tiempo actual, xk+1 es
el estado en el tiempo siguiente y P es la matriz de transición que tiene
la propiedad de que la suma de sus columnas es igual a 1.
Como ejemplo tenemos una empresa que realiza estudios de mercado y
está estudiando los patrones de compra para tres productos que son
competidores entre sí. La empresa ha determinado el porcentaje de
residentes de casas que cambiarían de un producto a otro después de un
mes (suponga que cada residente compra uno de los tres productos y que
los porcentajes no cambian de un mes a otro). Esta información se
presenta en forma de matriz:
Productos vectorial y matricial
 
0.8 0.2 0.05
P =  0.05 0.75 0.05 
0.15 0.05 0.9
donde el elemento pij es el porcentaje que cambia del producto j al
producto i. Por ejemplo, p12 = 0.2 significa que 20 % de los
residentes que compran el producto 2 cambia al producto 1 después
de un mes.
Observe que P n x representa cuántos residentes están utilizando
cada producto después de n meses. Si consideramos dos
condiciones iniciales tales que la suma de los residentes sean 60
000, por ejemplo
   
60000 2000
xa =  0  , xb =  40000 
0 18000

y calculamos P 25 xa , obtenemos
Productos vectorial y matricial
   
18013.05 18043.62
P 25 xa =  9998.6  , P 25 xb =  10004.02 
31988.29 31952.36
Si ahora repetimos el cálculo para P 50 xa , P 50 xb obtenemos
   
18000.01 18000.04
P 50 xa =  10000.00  , P 50 xb =  10000.00 
31999.99 31999.96

lo cual nos sugiere que para cualquier x tal que la suma de sus
elementos sean 60 000
 
18000
lı́m P n x =  10000 
n→∞
32000
Productos vectorial y matricial

Para probar los Teoremas «Ley asociativa de la multiplicación de

matrices» y «Leyes distributivas de la multiplicación de matrices»
y para estudiar muchas otras partes del material de este curso es
necesario utilizar la notación de sumatoria.
P
La notación con
Una suma se puede escribir de la siguiente manera, si N ≥ M .
N
X
aM + aM +1 + aM +2 + · · · + an = ak (16)
k=M

que se lee «la suma de los términos

P ak cuando el valor de k va de
M a N ». En este contexto, se llama signo de sumatoria y k se
conoce como índice de la suma.
Productos vectorial y matricial
Ejemplo Interpretación de la notación de sumatoria
5
X
Desarrolle la suma bk .
k=1

Solución
Comenzando con k = 1 y terminando con k = 5 se obtiene
5
X
bk = b1 + b2 + b3 + b4 + b5 .
k=1

Ejemplo Interpretación de la notación de sumatoria

6
X
Desarrolle la suma ck .
k=3

Solución
Comenzando con k = 3 y terminando con k = 6 se obtiene
6
X
ck = c3 + c4 + c5 + c6 .
k=3
Productos vectorial y matricial
Ejemplo Interpretación de la notación de sumatoria
3
X
Calcule k2 .
k=−2

Solución
En este caso ak = k2 y k va de −2 a 3.

3
X
k2 = (−2)2 + (−1)2 + 02 + 12 + 22 + 32
k=−2

= 4 + 1 + 0 + 1 + 4 + 9 = 19.

Ejemplo Cómo escribir una suma usando la notación de

sumatoria
Escriba la suma S8 = 1 − 2 + 3 − 4 + 5 − 6 + 7 − 8 usando el signo de sumatoria.

Solución
Como 1 = (−1)2 , −2 = (−1)3 2, 3 = (−1)4 3, . . ., se tiene

8
X
S8 = (−1)k+1 k.
k=1
Productos vectorial y matricial

Cómo escribir el producto escalar haciendo uso de la notación

de sumatoria

Solución n
X
a · b = a1 b1 + a2 b2 + · · · + an bn = ai bi
i=1
La fórmula (9) para la componente ij del producto AB se puede
escribir
n
X
cij = ai1 b1j + ai2 b2j + · · · + ain bnj = aik bkj (17)
k=1
Productos vectorial y matricial
Teorema 5
Propiedades de la sumatoria
Sean {an } y {bn } dos sucesiones reales y c un número real.
Entonces
N
X N
X
cak = c ak (18)
k=M k=M
N
X N
X N
X
(ak + bk ) = ak + bk (19)
k=M k=M k=M
N
X N
X N
X
(ak − bk ) = ak − bk (20)
k=M k=M k=M
N
X m
X N
X
ak = ak + ak si M < m < N (21)
k=M k=M k=m+1
Productos vectorial y matricial
Demostración de (18)

n
X
cak = caM + caM +1 + · · · + can
k=M
n
X
= c (aM + aM +1 + · · · + an ) = c ak .
k=M

Las demostraciones de las otras propiedades se dejan como ejercicios al lector.

Ahora se usará la notación de sumatoria para probar la ley asociativa y la ley

distributiva.
Demostración del teorema «Ley asociativa de la multiplicación
de matrices»
Como A es de n × m y B es de m × p, AB es de n × p. Como C es de p × q,
entonces (AB)C = (n × p) × (p × q) es una matriz de n × q. De manera
similar, BC es de m × q y A(BC) es de n × q de manera que (AB)C y
A(BC) son ambas del mismo tamaño. Debe demostrarse que la componente ij
de (AB)C es igual a la componente ij de A(BC).
Productos vectorial y matricial
Si se define D = (dij ) = AB, entonces, de (17)
m
X
dij = aik bkj
k=1

La componente ij de (AB)C = DC es
p p p
m
! m X
X X X X
dil clj = aik bkl clj = aik bkl clj
l=1 l=1 k=1 k=1 l=1

Ahora se define E = (eij ) = BC. Entonces

p
X
ekj = bkl clj
l=1

y la componente ij de A(BC) = AE es
m p
m X
X X
aik ekj = aik bkl clj
k=1 k=1 l=1

Así, la componente ij de (AB)C es igual a la componente ij de A(BC). Esto

demuestra la ley asociativa.
Productos vectorial y matricial

Demostración del teorema «Leyes distributivas de la

multiplicación de matrices»
Se demuestra la primera ley distributiva [ecuación (12)]. La
demostración de la segunda [ecuación (13)] es idéntica y, por lo
mismo, se omite. Sea A una matriz de n × m y sean B y C
matrices de m × p. La componente kj de B + C es bkj + ckj y la
componente ij de A(B + C) es
m
X m
X m
X
aik (bkj + ckj ) = aik bkj + aik ckj
k=1 k=1 k=1

lo que implica que la componente ij de A(B + C) es igual a la

componente ij de AB más la componente ij de AC y esto
demuestra la ecuación (12).
Matrices y sistemas de ecuaciones lineales
Ya se estudiaron los sistemas de m ecuaciones lineales con n incógnitas:
a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. .
. . . = .. (22)
am1 x1 + am2 x2 + · · · + amn xn = bm
Sean A la matriz de coeficientes
a11 a12 · · · a1n
 
 a21 a22 · · · a2n 
A= . .. ..  ,
 
 .. . . 
am1 am2 · · · amn
   
x1 b1
 x2   b2 
x =  .  y b =  .  . Como A es una matriz de m × n y x es una matriz
   
 ..   .. 
xn bm
de n × 1 el producto matricial Ax es una matriz de m × 1. No es difícil ver que
el sistema (22) se puede escribir como
Representación matricial de un sistema de ecuaciones lineales
Ax = b (23)
Matrices y sistemas de ecuaciones lineales

Ejemplo Cómo escribir un sistema mediante su representación

matricial
Considere el sistema

2x1 + 4x2 + 6x3 = 18

4x1 + 5x2 + 6x3 = 24 (24)
3x1 + x2 − 2x3 = 4

Esto se puede escribir como Ax = b con

     
2 4 6 x1 18
A= 4 5 6  , x =  x2  y b =  24  .
3 1 −2 x3 4
Matrices y sistemas de ecuaciones lineales

Es mucho más sencillo escribir el sistema (22) en la forma Ax = b.

Además existen otras ventajas. Posteriormente se observará la
rapidez con que se puede resolver un sistema cuadrado si se conoce
una matriz llamada la inversa de A. Aun sin ella, como ya se vio
anteriormente, es mucho más sencillo escribir los cálculos usando
una matriz
 aumentada.

0
 0 
Si b =  .  es el vector cero de m × 1, entonces el sistema (22)
 
 .. 
0
es homogéneo y se puede escribir como Ax = 0, que es la forma
matricial de un sistema de ecuaciones homogéneo.
Si alguno de los elementos del vector b es diferente de cero,
entonces decimos que el sistema es no homogéneo.
Matrices y sistemas de ecuaciones lineales

Relación fundamental entre los sistemas homogéneos y los no

homogéneos.
Sea A una matriz m × n
     
x1 b1 0
 x2   b2  0
x =  .  , b =  .  y 0 = . .
     
 ..   ..   .. 
xn bm 0

El sistema lineal no homogéneo general se puede escribir como

Ax = b (25)

Con A y x dados en (25) y b 6= 0, un sistema homogéneo asociado se define

como
Ax = 0 (26)
Matrices y sistemas de ecuaciones lineales
Teorema 6
Sean x1 y x2 soluciones al sistema no homogéneo (25). Entonces
su diferencia x1 − x2 es una solución al sistema homogéneo
asociado (26).

Demostración
A (x1 − x2 ) = Ax1 − Ax2 = b − b = 0.

Corolario 1
Sea x una solución particular al sistema no homogéneo (25) y sea
y otra solución a (25). Entonces existe una solución h al sistema
homogéneo (26) tal que

y =x+h (27)

Demostración
Si h está definida por h = y − x, entonces, por el teorema anterior,
h es una solución de (26) y y = x + h.
Matrices y sistemas de ecuaciones lineales
El teorema 6 y su corolario son muy útiles. Establecen que
Con objeto de encontrar todas las soluciones al sistema
no homogéneo (25), basta con encontrar una solución a
(25), que llamaremos solución particular (xp ), y todas las
soluciones al sistema homogéneo asociado (26), que
llamaremos solución homogénea (xh ).

Ejemplo Cómo escribir un número infinito de soluciones como

una solución particular a un sistema no homogéneo más las
soluciones al sistema homogéneo
Encuentre todas las soluciones al sistema no homogéneo

x1 + 2x2 − x3 = 2
2x1 + 3x2 + 5x3 = 6
−x1 − 3x2 + 8x3 = 0

usando el resultado anterior.

Matrices y sistemas de ecuaciones lineales
Solución
Primero, se encuentra una solución mediante la reducción por renglones:

   
1 2 −1 2 R2 →R2 −2R1 1 2 −1 2
R3 →R3 +R1
 2 3 5 6  −−−−−−−−−→  0 −1 7 2 
−1 −3 8 0 0 −1 7 2
 
R1 →R1 +2R2 1 0 13 6
R3 →R3 −R2
−−− −−−−−−→  0 −1 7 2 
0 0 0 0

Las ecuaciones correspondientes a los primeros dos renglones del último sistema
son
x1 = 6 − 13x3 y x2 = −2 + 7x3
con lo que las soluciones son

x = (x1 , x2 , x3 ) = (6 − 13x3 , −2 + 7x3 , x3 ) = xp + xh

donde xp = (6, −2, 0) es una solución particular y xh = x3 (−13, 7, 1), donde

x3 es un número real, es una solución al sistema homogéneo asociado. Por
ejemplo, x3 = 0 lleva a la solución (6, −2, 0) mientras que x3 = 2 da la
solución (−20, 12, 2).
Matrices y sistemas de ecuaciones lineales

Resumen

I Los sistemas de ecuaciones lineales se pueden escribir como

Ax = b, donde
   
  x1 b1
a11 a12 · · · am  x2   b2 
A =  ... .. .. ..  , x =   y b =  
 ..   .. 

. . .   .   . 
am1 am2 · · · amn
xn bm

I Toda solución del sistema de ecuaciones Ax = b se puede

escribir como x = xp + xh , donde xp es alguna solución
particular y xh es la solución homogénea.
Inversa de una matriz cuadrada
En esta sección se define una matriz que es fundamental en la
teoría de matrices: la matriz inversa de una matrizcuadrada.
2 5
Presentamos un ejemplo simple. Sean A = y
1 3
 
3 −5
B= . Un cálculo sencillo muestra que
−1 2
 
1 0
AB = BA = I2 , donde I2 = . La matriz I2 se llama
0 1
matriz identidad de 2 × 2. La matriz B se llama matriz inversa de
A y se denota por A−1 .
Definición Matriz identidad
La matriz identidad In de n × n es una matriz de n × n cuyos
elementos de la diagonal principal son iguales a 1 y todos los demás
son 0. Esto es,
(
1 si i = j
In = (bij ) donde bij = (28)
0 si i 6= j
Inversa de una matriz cuadrada

Ejemplo Dos matrices identidad

 
  1 0 0 0 0
1 0 0 0
 1 0 0 0

I3 =  0 1 0  0
y I5 =  0 1 0 0

0 0 1 0 0 0 1 0
0 0 0 0 1

Teorema 7
Sea A una matriz cuadrada de n × n. Entonces

AIn = In A = A

Es decir, In conmuta con toda matriz de n × n y la deja sin cambio

después de la multiplicación por la derecha o por la izquierda.
Inversa de una matriz cuadrada
Demostración
Sea cij el elemento ij de AIn . Entonces

cij = ai1 b1j + ai2 b2j + · · · + aij bjj + · · · + ain bnj .

Pero por (28), esta suma es igual a aij . Así AIn = A. De una manera similar
se puede demostrar que In A = A y esto demuestra el teorema.

Notación
De aquí en adelante se escribirá la matriz identidad únicamente como I, ya que
si A es de n × n los productos IA y AI están definidos sólo si I es también de
n × n.

Definición La inversa de una matriz

Sean A y B dos matrices de n × n. Suponga que

AB = BA = I.

Entonces B se llama la inversa de A y se denota por A−1 . Entonces se tiene

AA−1 = A−1 A = I.

Si A tiene inversa, entonces se dice que A es invertible.

Inversa de una matriz cuadrada
I Una matriz cuadrada que no es invertible se le denomina
singular y una matriz invertible se llama no singular.
I En la definición de la inversa de una matriz se sugiere que la
inversa de una matriz es única. Y esta declaración es cierta,
como lo dice el siguiente teorema.

Teorema 8
Si una matriz A es invertible, entonces su inversa es única.

Demostración
Suponga que B y C son dos inversas de A. Se puede demostrar
que B = C. Por definición se tiene AB = BA = I y
AC = CA = I. Por la ley asociativa de la multiplicación de
matrices se tiene que B(AC) = (BA)C. Entonces

B = BI = B (AC) = (BA) C = IC = C.

Por lo tanto, B = C, y el teorema queda demostrado.

Inversa de una matriz cuadrada
A continuación se presenta otra propiedad importante sobre las
inversas.
Teorema 9
Sean A y B dos matrices invertibles de n × n. Entonces AB es
invertible y
(AB)−1 = B −1 A−1 .

Demostración
Para probar este resultado es necesaria la definición de la inversa de
una matriz. Es decir, B −1 A−1 = (AB)−1 si y sólo si
B −1 A−1 (AB) = (AB)(B −1 A−1 ) = I. Se trata, únicamente, de
una consecuencia ya que

B −1 A−1 (AB) = B −1 A−1 A B = B −1 IB = B −1 B = I

(AB) B −1 A−1 = A BB −1 A−1 = AIA−1 = AA−1 = I.

Inversa de una matriz cuadrada
Considere el sistema de n ecuaciones con n incógnitas

Ax = b

y suponga que A es invertible. Entonces

A−1 Ax = A−1 b
Ix = A−1 b
x = A−1 b.

Ésta es una solución al sistema porque

Ax = A A−1 b = AA−1 b = Ib = b

Si y es un vector tal que Ay = b, entonces los cálculos anteriores demuestran

que y = A−1 b. Es decir, y = x. Se ha demostrado lo siguiente:

Teorema 10
Solución de sistemas de ecuaciones lineales en términos de su
matriz inversa
Si A es invertible, el sistema
Ax = b (29)
−1
tiene una solución única x = A b.
Inversa de una matriz cuadrada
Ésta es una de las razones por la que se estudian las matrices
inversas. Ya que se ha definido la inversa de una matriz, surgen dos
preguntas básicas.
Pregunta 1 ¿Qué matrices tienen inversa?
Pregunta 2 Si una matriz tiene inversa ¿cómo se puede calcular?
Ejemplo   inversa de una matriz de 2 × 2
Cálculo de la
2 −3
Sea A = . Calcule A−1 si es que existe.
−4 5
Solución  
x y
Suponga que A−1 existe. Se escribe A−1 = y se usa el
z w
hecho de que AA−1 = I. Entonces
  
−1 2 −3 x y
AA =
−4 5 z w
   
2x − 3z 2y − 3w 1 0
= =
−4x + 5z −4y + 5w 0 1
Inversa de una matriz cuadrada
Las dos últimas matrices pueden ser iguales únicamente si cada una
de sus componentes correspondientes son iguales. Esto significa que

2x − 3z =1 (30)
2y − 3w = 0 (31)
−4x + 5z =0 (32)
−4y + 5w = 1 (33)

Éste es un sistema de cuatro ecuaciones con cuatro incógnitas.

Observe que hay dos ecuaciones que involucran únicamente a x y a
z [las ecuaciones (30) y (32)] y dos que incluyen sólo a y y w [las
ecuaciones (31) y (33)]. Se escriben estos dos sistemas en la forma
aumentada:  
2 −3 1
(34)
−4 5 0
 
2 −3 0
(35)
−4 5 1
Inversa de una matriz cuadrada

Se sabe que si el sistema (34) (con las variables x y z) tiene una

solución única, la eliminación de Gauss-Jordan en (34) dará como
resultado  
1 0 x
0 1 z
en donde (x, z) es el único par de números que satisface
2x − 3z = 1 y −4x + 5z = 0. De igual manera, la reducción por
renglones de (35) dará como resultado
 
1 0 y
0 1 w

donde (y, w) es el único par de números que satisface 2y − 3w = 0

y −4y + 5w = 1.
Inversa de una matriz cuadrada

Como las matrices de coeficientes en (34) y (35) son iguales se

puede realizar la reducción por renglones sobre las dos matrices
aumentadas al mismo tiempo, considerando la nueva matriz
aumentada.  
2 −3 1 0
(36)
−4 5 0 1
Si A es invertible, entonces el sistema definido por (30), (31), (32)
y (33) tiene una solución única y, por lo que acaba de decirse, la
reducción de renglones da
 
1 0 x y
.
0 1 z w
Inversa de una matriz cuadrada
Ahora se llevan a cabo los cálculos, observando que la matriz de la
izquierda en (36) es A y la matriz de la derecha es I:

1 − 23 12 0
   
2 −3 1 0 R1 → 21 R1
−−−−−−→
−4 5 0 1 −4 5 0 1
1 − 23 12 0
 
R2 →R2 +4R1
−−−−−−−−→
0 −1 2 1
1 − 32 1
 
R2 →−R2 2 0
−−−−−−→
0 1 −2 −1
1 0 − 52 − 32
 
R1 →R1 + 32 R2
−−−−−−−−→
0 1 −2 −1

5 3
Así, x = − , y = − , z = −2 y w = −1 y
2 2
  5
− 2 − 32
 
x y
= .
z w −2 −1
Inversa de una matriz cuadrada

Se calcula
− 52 − 23
    
2 −3 1 0
=
−4 5 −2 −1 0 1
y
− 25 − 32
    
2 −3 1 0
= .
−2 −1 −4 5 0 1
Entonces A es invertible y

− 25 − 32
 
−1
A = .
−2 −1
Inversa de una matriz cuadrada
Una matriz
 de 2 × 2 que no es invertible
1 2
Sea A = . Determine si A es invertible y si es así, calcule su
−2 −4
inversa.

Solución 
x y
Si A−1 = existe, entonces
z w
    
1 2 x y x + 2z y + 2w
AA−1 = =
−2 −4 z w −2x − 4z −2y − 4w
 
1 0
= .
0 1

Esto conduce al sistema

x + 2z =1
y + 2w = 0
−2x − 4z =0 (37)
−2y − 4w = 1
Inversa de una matriz cuadrada

Si se aplica la misma lógica que en el ejemplo anterior se puede

escribir este sistema en la forma de matriz aumentada (A|I) y
reducir por renglones:
   
1 2 1 0 R2 →R2 +2R1 1 2 1 0
−−−−−−−−→
−2 −4 0 1 0 0 2 1

Hasta aquí se puede llegar. El último renglón se lee 0 = 2 o 0 = 1,

dependiendo de cuál de los dos sistemas de ecuaciones (en x y z o
en y y w) se esté resolviendo. Entonces el sistema (37) es
inconsistente y A no es invertible.
Los últimos dos ejemplos ilustran un procedimiento que siempre
funciona cuando se quiere encontrar la inversa de una matriz.
Inversa de una matriz cuadrada

Procedimiento para encontrar la inversa de una matriz

cuadrada A
Paso 1 Se escribe la matriz aumentada (A|I).
Paso 2 Se utiliza la reducción por renglones para poner la
matriz A a su forma escalonada reducida por
renglones.
Paso 3 Se decide si A es invertible.
1. Si la forma escalonada reducida por renglones de
A es la matriz identidad I, entonces A−1 es la
matriz que se tiene a la derecha de la barra
vertical.
2. Si la reducción de A conduce a un renglón de
ceros a la izquierda de la barra vertical, entonces
A no es invertible.
Determinante de una matriz 2 × 2
 
a11 a12
Sea A = . Entonces se define
a21 a22

Determinante de A = a11 a22 − a12 a21 .

El determinante de A se denota por det A (o |A|).

Teorema 11
Sea A una matriz de 2 × 2. Entonces
1. A es invertible si y sólo si det A 6= 0.
2. Si det A 6= 0, entonces
 
−1 1 a22 −a12
A = . (38)
det A −a21 a11
Determinante de una matriz 2 × 2
Demostración  
1 a22 −a12
Primero, suponga que det A 6= 0 y sea B = .
det A −a21 a11
Entonces
  
1 a22 −a12 a11 a12
BA =
det A −a21 a11 a21 a22
   
1 a22 a11 − a12 a21 0 1 0
= = = I.
a11 a22 − a12 a21 0 −a21 a12 + a11 a22 0 1

De manera similar, AB = I, lo que muestra que A es invertible y que

B = A−1 . Todavía debe demostrarse que si A es invertible, entonces
det A 6= 0. Para esto, se considera el sistema

a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2 (39)

Se lleva a cabo de esta forma porque se sabe que si este sistema tiene una
solución única, entonces a11 a22 − a12 a21 6= 0. El sistema se puede escribir en la
forma
Ax = b (40)
Determinante de una matriz 2 × 2
Demostración
  (continuación)
 
x1 b1
con x = yb= . Entonces, como A es invertible, se ve del Teorema
x2 b2
10 que el sistema (40) tiene una solución única dada por

x = A−1 b.

Pero por el teorema Resumen del Tema Sistemas de ecs. lineales, el hecho de
que el sistema (39) tenga una solución única implica que
a11 a22 − a12 a21 = det A 6= 0. Esto completa la prueba.

EjemploCálculode la inversa de una matriz de 2 x 2

2 −4
Sea A = . Calcule A−1 si existe.
1 3

Solución
Se encuentra que det A = (2)(3) − (−4)(1) = 10; por lo tanto, A−1 existe. De
la Ec. (38) se tiene
3 4
   
1 3 4
A−1 = = 10
1
10
2 .
10 −1 2 − 10 10
Determinante de una matriz 2 × 2
Verificación

      
−1 1 3 4 2 −4 1 10 0 1 0
A A= = =
10 −1 2 1 3 10 0 10 0 1
y
3 4
    
−1 2 −4 10 10 1 0
AA = 1 2 = .
1 3 − 10 10 0 1

Ejemplo 
Una matriz de 2 x 2 que no es invertible
1 2
Sea A = . Calcule A−1 si existe.
−2 −4

Solución
Se encuentra que det A = (1)(−4) − (2)(−2) = 0, de manera que
A−1 no existe.
Inversa de una matriz n x n

El procedimiento descrito para encontrar la inversa (si existe) de

una matriz de 2 × 2 funciona para matrices de n × n donde n > 2.
Se ilustra con varios ejemplos.
Ejemplo 
Cálculo de la 
inversa de una matriz de 3 x 3
2 4 6
Sea A =  4 5 6 . Calcule A−1 si existe.
3 1 −2

Solución
Primero se pone A seguido de I en la forma de matriz aumentada
 
2 4 6 1 0 0
 4 5 6 0 1 0 
3 1 −2 0 0 1

y después se lleva a cabo la reducción por renglones.

Inversa de una matriz n x n
 1
 R →R −4R  1 
1 2 3 0 0 2 2 1 1 2 3 0 0
R1 → 1 R1 2 R3 →R3 −3R1 2
2
−
−−−−−−− → 4 5 6 0 1 0 −−−−−−−−−−−→ 0 −3 −6 −2 1 0 
3 1 −2 0 0 1 0 −5 −11 3
−2 0 1

   
1 2 3 1 0 0 R1 →R1 −2R2 1 0 −1 −5 2 0
R2 →− 1 R2 2  R3 →R3 +5R2  6 3
3 2
−−−−−−−−−→  0 1 2 −1 0 −−−−−−−−−−−→ 0 1 2 2 −1 0 
 
3 3 3 3
0 −5 −11 −3
2
0 1 0 0 −1 11
6
−5
3
1
   
1 0 −1 5
−6 2 0 R1 →R1 +R3 1 0 0 −8 7 −1
R3 →−R3  3  R2 →R2 −2R3  3 3
−
−−−−−−−
→ 0 1 2 2 −1 0 −−−−−−−−−−−→ 0 1 0 13 − 11 2 

3 3 3 3
0 0 1 − 11
6
5
3
−1 0 0 1 − 11
6
5
3
−1

Como A se redujo a I se tiene

 
8
−3 7 −1
 
3 1 −16 14 −6
−1 13
A = − 11 2 = 26 −22 12 
  
3 3
− 11 5 −1 6 −11 10 −6
6 3

Verificación
    
1 −16 14 −6 2 4 6 1 6 0 0
−1
A A=  26 −22 12   4 5 6 =  0 6 0  = I.
6 −11 10 −6 3 1 −2 6 0 0 6

También se puede verificar que AA−1 = I.

Inversa de una matriz n x n
Ejemplo 
Una matriz de3 x 3 que no es invertible
1 −3 4
Sea A =  2 −5 7 . Calcule A−1 si existe.
0 −1 1

Solución
De acuerdo con el procedimiento anterior se obtiene, sucesivamente,
   
1 −3 4 1 0 0 1 −3 4 1 0 0
R2 →R2 −2R1
 2 −5 7 0 1 0  − −−−−−−−→  0 1 −1 −2 1 0 
0 −1 1 0 0 1 0 −1 1 0 0 1
 
R1 →R1 +3R2 1 −3 1 −5 3 0
R →R3 +R2
−−3−−−− −−→  0 1 −1 −2 1 0  .
0 0 0 −2 1 1

Hasta aquí se puede llegar. La matriz A no puede reducirse a la

matriz identidad, por lo que se puede concluir que A no es
invertible.
Inversa de una matriz n x n
Definición Matrices equivalentes por renglones
Suponga que la matriz A se puede transformar en la matriz B
mediante operaciones con renglones. Entonces se dice que A y B
son equivalentes por renglones.

Teorema 12
Sea A una matriz de n × n.
1. A es invertible si y sólo si A es equivalente por renglones a la
matriz identidad In ; esto es, si la forma escalonada reducida
por renglones de A es In .
2. A es invertible si y sólo si el sistema Ax = b tiene una
solución única para cada vector de dimensión n b.
3. Si A es invertible, entonces la solución única de Ax = b está
dada por x = A−1 b.
4. A es invertible si y sólo si su forma escalonada reducida por
renglones tiene n pivotes.
Inversa de una matriz n x n
Ejemplo Uso de la inversa de una matriz para resolver un
sistema de ecuaciones
Resuelva el sistema

2x1 + 4x2 + 3x3 = 6

x2 − x3 = −4
3x1 + 5x2 + 7x3 = 7

Solución
Este sistema se puede escribir como Ax = b, donde
   
2 4 3 6
A= 0 1 −1  y b =  −4  .
3 5 7 7
Inversa de una matriz n x n
Solución (continuación)
Llevando a cabo la reducción por renglones

3 1
   
2 4 3 1 0 0 R1 → 1 R1 1 2 2 2
0 0 R3 →R3 −3R1
2
 0 1 −1 0 1 0 −−−−−−−− → 0 1 −1 0 1 0 −−−−−−−−−−−→
3 5 7 0 0 1 3 5 7 0 0 1

 3 1  R →R −2R  7 1 
1 2 0 0 1 1 2 1 0 −2 0
2 2 R3 →R3 +R2 2 2
 0 1 −1 0 1 0 −−−−−−−−−−−→ 0 1 −1 0 1 0 
0 −1 5 3
−2 0 1 0 0 3 −3 1 1
2 2 2

 R1 →R1 − 7 R3  
7 1 1 0 0 4 − 13 −7

1 0 −2 0 2
R3 → 2 R3 2 2 R →R2 +R3 3 3
3
−
−−−−−−−
→ 0 1 −1 0 1 0  −−−2−−−−−−−−→  0 1 0 −1 5 2
.
 
3 3
0 0 1 −1 2 2 2 2
3 3 0 0 1 −1 3 3

Por lo que la inversa es  

4 − 13
3
−7
3
−1 5 2
A =  −1 .
 
3 3
−1 2 2
3 3

Así, la solución única está dada por

 
4 − 13 −7
    
x1 3 3 6 25
−1 5 2
x =  x2  = A b =  −1 −4  =  −8 
 
3 3 
x3 −1 2 2 7 −4
3 3
Inversa de una matriz n x n
Ejemplo La tecnología y las matrices de Leontief: modelo de la
economía estadounidense en 1958
En el modelo de insumo-producto de Leontief, descrito antes, se obtuvo
el sistema

a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn + e1 = x1

a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn + e2 = x2
.. .. .. .. .. .
. . . . . = .. (41)
an1 x1 + an2 x2 + an3 x3 + · · · + ann xn + en = xn

que se puede escribir como

Ax + e = Ix

o
(I − A) x = e (42)
La matriz A de demandas internas se llama matriz de tecnología, y la
matriz I − A se llama matriz de Leontief. Si la matriz de Leontief es
invertible, entonces los sistemas (41) y (42) tienen soluciones únicas.
Inversa de una matriz n x n
Leontief utilizó su modelo para analizar la economía de Estados
Unidos en 1958. Dividió la economía en 81 sectores y los agrupó en
seis familias de sectores relacionados. Con objeto de simplificar se
tratará cada familia de sectores como un solo sector, de manera
que se pueda ver la economía estadounidense como una economía
con seis industrias. Estas industrias se enumeran en la tabla 1.

Sector Ejemplos
No metales terminados (NMT) Muebles, alimentos procesados
Metales terminados (MT) Electrodomésticos, vehículos automotores
Metales básicos (MB) Herramientas (producción intermitente), minería
No metales básicos (NMB) Agricultura, imprenta
Energía (E) Petróleo, carbón
Servicio (S) Diversiones, bienes raíces

Cuadro 1: Clasificación de la economía por vectores

Inversa de una matriz n x n
La tabla de insumo-producto (tabla 2) presenta las demandas
internas durante 1958 sobre la base de las cifras de Leontief. Las
unidades en la tabla están expresadas en millones de dólares. Así,
por ejemplo, el número 0.173 en la posición 6,5 significa que para
producir energía equivalente a $1 millón, es necesario proporcionar
$0.173 millones ($173 000) en servicios. De forma similar, 0.037 en
la posición 4,2 significa que con el fin de producir artículos
metálicos terminados, es necesario gastar $0.037 millones ($37 000)
en productos no metálicos básicos.
NMT MT MB NMB E S
NMT 0.170 0.004 0 0.029 0 0.008
MT 0.003 0.295 0.018 0.002 0.004 0.016
MB 0.025 0.173 0.460 0.007 0.011 0.007
NMB 0.348 0.037 0.021 0.403 0.011 0.048
E 0.007 0.001 0.029 0.025 0.358 0.025
S 0.120 0.074 0.104 0.123 0.173 0.234
Cuadro 2: Demandas internas en 1958 en la economía de Estados Unidos
Inversa de una matriz n x n

Por último, las demandas externas estimadas por Leontief sobre la

economía de Estados Unidos en 1958 (en millones de dólares) se
presentan en la tabla 3.

NMT 99 640
MT 75 548
MB 14 444
NMB 33 501
E 23 527
S 263 985
Cuadro 3: Demandas externas sobre la economía de Estados Unidos en
1958 (en millones de dólares)
Inversa de una matriz n x n

Con el fin de administrar la economía de Estados Unidos en 1958

para satisfacer todas las demandas externas, ¿cuántas unidades
deben producirse en cada uno de los seis sectores?
Solución
La matriz tecnológica y el vector de demandas externas están dadas
por
   
0.170 0.004 0 0.029 0 0.008 99640
0.003 0.295 0.018 0.002 0.004 0.016  75548 
   
0.025 0.173 0.460 0.007 0.011 0.007 y e =  14444
 
A=
0.348

 0.037 0.021 0.403 0.011 0.048
 33501



0.007 0.001 0.039 0.025 0.358 0.025  23527 
0.120 0.074 0.104 0.123 0.173 0.234 263985
Inversa de una matriz n x n
Para obtener la matriz de Leontief, se resta A de I
   
1 0 0 0 0 0 0.170 0.004 0 0.029 0 0.008
0 1 0 0 0 0 0.003 0.295 0.018 0.002 0.004 0.016
   
0 0 1 0 0 0−0.025 0.173 0.460 0.007 0.011 0.007

I−A = 
0

 0 0 1 0 0 0.348
 0.037 0.021 0.403 0.011 0.048

0 0 0 0 1 0 0.007 0.001 0.039 0.025 0.358 0.025
0 0 0 0 0 1 0.120 0.074 0.104 0.123 0.173 0.234

El cálculo de la inversa de una matriz de 6 × 6 es una actividad

laboriosa. Los siguientes resultados (redondeados a tres cifras
decimales) se obtuvieron usando Octave:
 
1.234 0.014 0.007 0.064 0.006 0.017
0.017 1.436 0.056 0.014 0.019 0.032
 
0.078 0.467 1.878 0.036 0.044 0.031
(I − A)−1 ≈
0.752

 0.133 0.101 1.741 0.065 0.123
0.061 0.045 0.130 0.083 1.578 0.059
0.340 0.236 0.307 0.315 0.376 1.349
Inversa de una matriz n x n
Por lo tanto el vector de la salida “ideal” está dado por
 
131033.21
 120458.90 
 
−1
 80680.56 
x = (I − A) e ≈   
 178732.04 

 66929.26 
431562.04

Esto significa que se requería aproximadamente de 131 033

unidades (equivalentes a $131 033 millones) de productos no
metálicos terminados, 120 459 unidades de productos metálicos
terminados, 80 681 unidades de productos metálicos básicos, 178
732 unidades de productos no metálicos básicos, 66 929 unidades
de energía y 431 562 unidades de servicios, para administrar la
economía de Estados Unidos y cumplir con las demandas externas
en 1958.
Inversa de una matriz n x n
El siguiente teorema establece que varias afirmaciones sobre la inversa, la
unicidad de las soluciones, la equivalencia por renglones y los determinantes
son equivalentes.

Teorema 13
Teorema de resumen (versión 2)
Sea A una matriz de n × n, por lo que las seis afirmaciones siguientes son
equivalentes. Es decir, cada una de ellas implica a las otras cinco (de manera
que si se cumple una, todas se cumplen, y si una es falsa, todas son falsas).

1. A es invertible.
2. La única solución al sistema homogéneo Ax = 0 es la solución trivial
(x = 0).
3. El sistema Ax = b tiene una solución única para cada vector b de
dimensión n.
4. A es equivalente por renglones a la matriz identidad In , de n × n; es
decir, la forma escalonada reducida por renglones de A es In .
5. La forma escalonada por renglones de A tiene n pivotes.
6. det A 6= 0 (hasta ahora sólo se ha definido det A si A es una matriz de
2 × 2).
Inversa de una matriz n x n
Demostración.
Ya se ha visto que las afirmaciones 1), 3), 4) y 6) son equivalentes
[teorema 12]. Se demostrará que 2) y 4) son equivalentes. Además se
demostrará que 2) y 5) son equivalentes. Suponga que 2) se cumple.
Entonces la forma escalonada reducida por renglones de A tiene n
pivotes; de otra manera al menos una columna de esta forma no tendría
pivote y entonces el sistema Ax = 0 tendría un número infinito de
soluciones porque se podría dar un valor arbitrario a la variable
correspondiente a esa columna (los coeficientes en la columna son cero).
Pero si la forma escalonada reducida por renglones de A tiene n pivotes,
entonces se trata de In .
Inversamente, suponga que 4) se cumple; esto es, suponga que A es
equivalente por renglones a In . Entonces por el teorema 12, inciso 1), A
es invertible y, por el teorema 12, inciso 3), la solución única de Ax = 0
es x = A−1 0 = 0. Así, 2) y 4) son equivalentes. En el teorema 1.1.1 se
demostró que 1) y 6) son equivalentes en el caso de 2 × 2. Se probará la
equivalencia de 1) y 6) en la sección 3.3. Para mostrar que 5) implica 2),
si la forma escalonada por renglones de A tiene n pivotes, es decir, tiene
la forma:
Inversa de una matriz n x n

 
1 r12 r13 ··· r1n
0 1 r23
 ··· r2n 

R = 0 0
 1 ··· r3n 
 (43)
 .. .. .. .. .. 
. . . . . 
0 0 0 ··· 1
Es decir, R es una matriz con unos en la diagonal y ceros debajo de
ella, entonces la única solución de Ax = 0 es la solución trivial, lo
que significa que utilizando operaciones elementales por renglones
se puede llevar a la matriz A a su forma escalonada. Para tener
solución única en un sistema de ecuaciones homogéneo se deben
tener todos los pivotes, lo que muestra que 2) implica 5).
Inversa de una matriz−1 n x n
Para verificar que B = A se debe comprobar que AB = BA = I. Resulta
que sólo se tiene que hacer la mitad de este trabajo.
Teorema 14
Sean A y B matrices de n × n. Entonces A es invertible y B = A−1 ya sea si i)
BA = I o si ii) AB = I.

Demostración.
i) Se supone que BA = I. Considere el sistema homogéneo Ax = 0. Si se
multiplican por la izquierda ambos lados de esta ecuación por B, se obtiene

BAx = B0 (44)

Pero BA = I y B0 = 0, de manera que (44) se convierte en Ix = 0 o x = 0.

Esto muestra que x = 0 es la única solución a Ax = 0 y por el teorema 13,
incisos 1) y 2), esto quiere decir que A es invertible. Todavía debe demostrarse
que B = A−1 . Sea A−1 = C. Entonces, AC = I. Así

BAC = B (AC) = BI = B y BAC = (BA) C = IC = C

Por lo tanto, B = C, y el inciso i) queda demostrado.

ii) Sea AB = I. Entonces del inciso i), A = B −1 . De la definición de la inversa
de una matriz esto significa que AB = BA = I, lo que prueba que A es
invertible y que B = A−1 . Esto completa la demostración.
Inversa de una matriz n x n
Definición 1
Una matriz cuadrada A = (aij ) se llama diagonal si todos sus elementos fuera de la
diagonal principal son cero. Esto es, aij = 0 si i 6= j.

Teorema 15
Una matriz diagonal es invertible si y sólo si cada uno de los elementos de la diagonal
es diferente de cero.

Demostración.
Sea
a11 0 ··· 0
 
 0 a22 ··· 0 
A= .. .. ..
 
.. 
 . . . . 
0 0 ··· ann

con aij = 0 si i 6= j y aii 6= 0 ∀i. Entonces podemos formar la matriz

a−1
 
11 0 ··· 0
 0 a−1
22 ··· 0 
A−1
 
= .. .. .. .. 
.
 
 . . . 
0 0 ··· a−1
nn

tal que AA−1 = A−1 A = I.

Transpuesta de una matriz

Definición 2
Transpuesta
Sea A = (aij ) una matriz de m × n. Entonces la transpuesta de A,
que se escribe AT , es la matriz de n × m que se obtiene al
intercambiar los renglones por las columnas de A. De manera
breve, se puede escribir AT (aji ). En otras palabras,
a11 a12 ··· a1n a11 a21 ··· am1
   
 a21 a22 ··· a2n   a12 a22 ··· am2 
T
Si A =  . .. ..  , entonces A =  .. .. .. 
   
 .. .. ..
. . .   . . . . 
am1 am2 ··· amn a1n a2n ··· anm
(45)
Simplemente se coloca el renglón i de A como la columna i de AT
y la columna j de A como el renglón j de AT .
Transpuesta de una matriz
Ejemplos 1 (Obtención de las transpuestas de tres matrices)
Encuentre las transpuestas de las matrices
 
    1 2 −6
2 3 2 3 1  2 −3 4 
A= B= C= 
1 4 −1 4 6  0 1 2 
2 −1 5

Solución
Al intercambiar los renglones y las columnas de cada matriz se
obtiene

   
  2 −1 1 2 0 2
2 1
AT = BT =  3 4  C T =  2 −3 1 −1 
3 4
1 6 −6 4 2 5
Transpuesta de una matriz
Teorema 16
Suponga que A = (aij ) es una matriz de n × m y B(bij ) es una matriz de m × p. Entonces

1.
 T
AT =A

2. (AB)T = B T AT

3. Si A y B son de n × m, entonces (A + B)T = AT + B T

−1
4.
  T
Si A es invertible, entonces AT es invertible y AT = A−1

Demostración.
1. Esto es consecuencia directa de la definición de la transpuesta.

2. Primero, se observa que AB es una matriz de tamaño n × p, de manera que (AB)T es de

tamaño p × n. También B T es de p × m y AT es de tamaño m × n, de manera que B T AT es
de tamaño p × n. De esta forma, ambas matrices en la ecuación del inciso (2) tienen el mismo
Xm
tamaño. Ahora, el elemento ij de AB es aik bkj , y éste es el elemento ji de (AB)T . Sean
k=1
C = B T y D = AT . Entonces el elemento ij, cij , de C es bji y el elemento ij, dij , de D es
aji . Así, el elemento ji de CD es igual al elemento ji de
m m m
B T AT =
X X X
cjk dki = bkj aik = aik bkj igual al elemento ji de (AB)T . Lo dicho
k=1 k=1 k=1
completa la demostración de la parte 2).

3. Se deja como ejercicio.

Transpuesta de una matriz
Demostración.
(Continuación)
4. Sea A−1 = B. Entonces AB = BA = I de manera que, del
inciso 2), (AB)T = B T AT = I T = I y (BA)T = AT B T = I. Por
lo tanto, AT es invertible y B T es el inverso de AT , es decir,

−1
T
AT = B T = A−1 .
La siguiente definición es fundamental en la teoría de matrices.
Definición 3
La matriz cuadrada A de n × n se denomina simétrica si AT = A.
Es decir, las columnas de A son también los renglones de A.
Ejemplos 2
Las siguientes cuatro matrices son simétricas:
 
  −1 2 4 6
  1 −4 2
1 2  2 7 3 5 
I A= B =  −4 7 5  C= 
2 1  4 3 8 0 
2 5 0
6 5 0 −4
Transpuesta de una matriz
Otra forma de escribir el producto escalar
a1 b1
   
 a2   b2 
   
Sean a =  .  y b =  . 
  
 dos vectores columna con n componentes. Entonces, el producto
 ..   .. 
an bn
escalar está dado por la ecuación

a · b = a1 b1 + a2 b2 + · · · + an bn .

Ahora bien, a es una matriz de n × 1 de manera que aT es una matriz de 1 × n y

T
a = (a1 a2 · · · an ) .

Entonces aT b es una matriz de 1 × 1 (o escalar), y por la definición de la multiplicación de matrices

b1
 
 b2 
T  
a b = (a1 a2 · · · an ) 
 ..  = a1 b1 + a2 b2 + · · · + an bn .

 . 
bn

De ese modo, si a y b son vectores columna de n componentes, entonces

T
a · b = a b. (46)
Matrices elementales y matrices inversas
Considere que A es una matriz de m × n. Entonces, como se muestra a
continuación, se pueden realizar operaciones elementales con renglones
en A multiplicando A por la izquierda por una matriz adecuada.
Recordando que las operaciones elementales con renglones son:
1. Multiplicar el renglón i por un número c diferente de cero: Ri → cRi
2. Sumar un múltiplo del renglón i al renglón j: Rj → Rj + cRi
3. Permutar (intercambiar) los renglones i y j: Ri
Rj

Definición 4
Una matriz (cuadrada) E de n × n se denomina una matriz elemental si
se puede obtener a partir de la matriz identidad, In , de n × n mediante
una sola operación elemental con renglones.

Notación
Una matriz elemental se denota por E, o por cRi , Rj + cRi , o por Pij
de acuerdo con la forma en que se obtuvo de I. En este caso, Pij (la
matriz de permutación) es la matriz obtenida a partir del intercambio de
los renglones i y j de I.
Matrices elementales y matrices inversas
Ejemplos 3
Obtenga tres matrices elementales de 3 × 3.
1. Matriz obtenida multiplicando el segundo renglón de I por 5
   
1 0 0 1 0 0
R2 →5R2
0 1 0  − −−−−→ 0 5 0 = 5R2
0 0 1 0 0 1
2. Matriz obtenida multiplicando el primer renglón de I por −3 y
sumándolo al tercer renglón
   
1 0 0 1 0 0
R3 →R3 −3R1
0 1 0 − −−−−−−−→  0 1 0 = R3 − 3R1
0 0 1 −3 0 1
3. Matriz obtenida permutando el segundo y tercer renglones de I
   
1 0 0 1 0 0
R2
R3
0 1 0  − −−−−→ 0 0 1 = P23
0 0 1 0 1 0
Matrices elementales y matrices inversas

Teorema 17
Para realizar una operación elemental por renglón en una matriz A
se multiplica A por la izquierda por la matriz elemental adecuada.
Ejemplo Operaciones elementales mediante la multiplicación
por matrices
 elementales 
1 3 2 1
Sea A =  4 2 3 −5  . Realice las siguientes operaciones
3 1 −2 4
elementales con los renglones de A multiplicando A por la izquierda
por una matriz elemental adecuada.
1. Multiplique el segundo renglón por 5.
2. Multiplique el primer renglón por −3 y súmelo al tercer
renglón.
3. Permute el segundo y tercer renglones.
Matrices elementales y matrices inversas
Solución
Como A es una matriz de 3 × 4, cada matriz elemental E debe ser de 3 × 3, ya que E
debe ser cuadrada y multiplica a A por la izquierda. Se usan aquí los resultados del
ejemplo anterior.
    
1 0 0 3 1 2 1 1 3 2 1
1. (5R2 ) A = 0 5 0  4
2 3 −5  =  20 10 15 −25 
0 0 1 1 3−2 4 3 1 −2 4
    
1 0 0 1 3 2 1 1 3 2 1
2. (R3 − 3R1 ) A =  0 1 0  4 2 3 −5 = 4 2 3 −5 
−3 0 1 3 1 −2 4 0 −8 −8 1
    
1 0 0 1 3 2 1 1 3 2 1
3. (P23 ) A = 0 0 1  4 2 3 −5  =  3 1 −2 4 
0 1 0 3 1 −2 4 4 2 3 −5

Considere los siguientes tres productos, con c 6= 0.

    
1 0 0 1 0 0 1 0 0
0 c 0  0 1 0 = 0 1 0 (47)
c
0 0 1 0 0 1 0 0 1

    
1 0 0 1 0 0 1 0 0
0 1 0  0 1 0 = 0 1 0 (48)
c 0 1 −c 0 1 0 0 1
    
1 0 0 1 0 0 1 0 0
0 0 1  0 0 1 = 0 1 0 (49)
0 1 0 0 1 0 0 0 1
Matrices elementales y matrices inversas
I Las ecuaciones (47), (48) y (49) indican que toda matriz
elemental es invertible y que su inversa es del mismo tipo (ver
tabla 4).
I Es obvio que si se realizan las operaciones Rj → Rj + cRi
seguida de Rj → Rj − cRi sobre la matriz A, la matriz A no
cambia.
I También Ri → cRi seguida de Ri → 1c Ri , y la permutación de
los mismos dos renglones dos veces deja la matriz A sin
cambio.
Se tiene
1
(cRi )−1 = Ri (50)
c
(Rj + cRi )−1 = Rj − cRi (51)
(Pij )−1 = Pij (52)
La ecuación (52) indica que
Toda matriz de permutación elemental es su propia
inversa.
Matrices elementales y matrices inversas
Resumiendo los resultados:

Matriz Efecto de Representación Al multiplicar Representación

elemental multiplicar A simbólica de por la izquierda, simbólica de

−1
tipo E por la izquierda las operaciones E hace lo la operación

por E elementales siguiente inversa

Multiplica el Multiplica el

Multiplicación renglón i de A cRi renglón i de A 1R

c i
1
por c 6= 0 por
c
Multiplica el Multiplica el

Suma renglón i de A Rj + cRi renglón i de A por Rj − cRi

por c y lo suma al −c y lo suma al

renglón j renglón j

Permuta los Permuta los

Permutación renglones i y j Pij renglones i y j Pij

de A de A

Cuadro 4: Matrices elementales y sus inversas

Matrices elementales y matrices inversas
Teorema 18
Toda matriz elemental es invertible. La inversa de una matriz elemental es una
matriz del mismo tipo.

Teorema 19
Una matriz cuadrada es invertible si y sólo si es el producto de matrices
elementales.

Demostración.
Sea A = E1 E2 · · · Em donde cada Ei es una matriz elemental. Por el teorema
18, cada Ei es invertible. Más aún, por el teorema 9, A es invertible y

A−1 = Em
−1 −1
Em−1 · · · E2−1 E1−1 .

Suponga que A es invertible. De acuerdo con el teorema 13 (teorema de

resumen), A es equivalente por renglones a la matriz identidad, lo que significa
que A se puede reducir a I mediante un número finito de operaciones
elementales. Para el teorema 17 cada operación de este tipo se logra
multiplicando A por la izquierda por una matriz elemental y, por consiguiente,
existen matrices elementales E1 , E2 , ..., Em tales que

Em Em−1 · · · E2 E1 A = I
Matrices elementales y matrices inversas

Demostración.
(Continuación) Así que del teorema 14,

Em Em−1 · · · E2 E1 = A−1

y como cada Ei , es invertible por el teorema 18,

−1
A = A−1 = (Em Em−1 · · · E2 E1 )−1 = E1−1 E2−1 · · · Em−1
−1 −1
Em (53)

Como la inversa de una matriz elemental es una matriz elemental, se ha escrito

A como el producto de matrices elementales y esto completa la prueba.

Ejemplo Cómo escribir una matriz invertible como el producto

de matrices elementales  
2 4 6
Demuestre que la matriz A =  4 5 6  es invertible y
3 1 −2
escríbala como un producto de matrices elementales.
Matrices elementales y matrices inversas

Solución
Para resolver el problema se reduce A a I y se registran las operaciones elementales con renglones. En el
ejemplo que se vio en las diapositivas 79 y 80 se redujo A a I haciendo uso de las siguientes operaciones:
1R R2 − 4R1 R3 − 3R1 −1 R
2 1 3 2

R1 − 2R2 R3 + 5R2 −R3 R1 + R3

R2 − 2R3
A−1 se obtuvo comenzando con I y aplicando estas nueve operaciones elementales. De este modo,
A−1 es el producto de nueve matrices elementales:

1 1
   
−1
A = (R2 − 2R3 ) (R1 + R3 ) (−R3 ) (R3 + 5R2 ) (R1 − 2R2 ) − R2 (R3 − 3R1 ) (R2 − 4R1 ) R1
3 2

     
1 0 0 1 0 1 1 0 0 1 0 0 1 −2 0
−1
A = 0 1 −2   0 1 0  0 1 0  0 1 0  0 1 0 
0 0 1 0 0 1 0 0 −1 0 5 1 0 0 1
1
    
1 0 0 1 0 0 1 0 0 0 0
1 2
× 0 −3 0  0 1 0   −4 1 0  0 1 0 
0 0 1 −3 0 1 0 0 1 0 0 1
Matrices elementales y matrices inversas

Por lo que A = (A−1 )−1 es el producto de las inversas de las nueve

matrices elementales en orden opuesto:
A = (2R1 ) (R2 + 4R1 ) (R3 + 3R1 ) (−3R2 ) (R1 + 2R2 ) (R3 − 5R2 ) (−R3 ) (R1 − R3 ) (R2 + 2R3 )

     
2 4 6 2 0 0 1 0 0 1 0 0
 4 5 6 = 0 1 0  4 1 0  0 1 0 
3 1 −2 0 0 1 0 0 1 3 0 1
   
1 0 0 1 2 0 1 0 0
× 0 −3 0  0 1 0  0 1 0 
0 0 1 0 0 1 0 −5 1
   
1 0 0 1 0 −1 1 0 0
× 0 1 0  0 1 0  0 1 2 
0 0 −1 0 0 1 0 0 1
Matrices elementales y matrices inversas
Se puede hacer uso del teorema 19 para extender el teorema de
resumen, cuya última versión se presentó en la diapositiva 92.
Teorema 20
Teorema Resumen (versión 3)
Sea A una matriz de n × n. Entonces las seis afirmaciones siguientes son
equivalentes. Es decir, cada una de ellas implica a las otras seis (de manera que
si se cumple una, todas se cumplen, y si una es falsa, todas son falsas).
1. A es invertible.
2. La única solución al sistema homogéneo Ax = 0 es la solución trivial
(x = 0).
3. El sistema Ax = b tiene una solución única para cada vector b de
dimensión n.
4. A es equivalente por renglones a la matriz identidad In , de n × n; es
decir, la forma escalonada reducida por renglones de A es In .
5. A se puede escribir como el producto de matrices elementales.
6. La forma escalonada por renglones de A tiene n pivotes.
7. det A 6= 0 (hasta ahora sólo se ha definido det A si A es una matriz de
2 × 2).
Matrices elementales y matrices inversas

Definición 5
Una matriz cuadrada se llama triangular superior (inferior) si todos
sus elementos abajo (arriba) de la diagonal principal son cero .

Teorema 21
Una matriz triangular superior o triangular inferior es invertible si y
sólo si cada uno de los elementos de la diagonal es diferente de cero.

Demostración.
Si se tiene una matriz triangular superior (triangular inferior) que es
invertible, mediante una sucesión de operaciones con renglones se
puede obtener una matriz diagonal equivalente por renglones cuyos
elementos de la diagonal son distintos de cero. Por el Teorema 15,
el teorema queda demostrado.
Matrices elementales y matrices inversas

Ejemplo Dos matrices triangulares superiores y dos matrices

triangulares inferiores
Las matrices U y V son triangulares superiores mientras que las
matrices L y M son triangulares inferiores:
 
2 −3 5  
1 5
U = 0 1 6 , V =
0 −2
0 0 2
 
  2 0 0 0
0 0  −5 4 0 0 
L= , M = 
5 1  6 1 2 0 
3 0 1 5
Matrices elementales y matrices inversas
Teorema 22
Sea A una matriz cuadrada. Entonces A se puede escribir como un producto de
matrices elementales y una matriz triangular superior U . En el producto, las
matrices elementales se encuentran a la izquierda y la matriz triangular superior
a la derecha.

Demostración.
La eliminación gaussiana para resolver el sistema Ax = b da como resultado
una matriz triangular superior. Para que esto sea evidente, observe que la
eliminación gaussiana terminará cuando la matriz esté en la forma escalonada
por renglones y la forma escalonada por renglones de una matriz cuadrada sea
triangular superior. Se denota mediante U a la forma escalonada por renglones
de A. Entonces A se reduce a U a través de una serie de operaciones
elementales por renglón, cada una de las cuales se puede obtener multiplicando
por una matriz elemental. Así,

U = Em Em−1 · · · E2 E1 A

y
A = E1−1 E2−1 · · · Em−1
−1 −1
Em U.
Como la inversa de una matriz elemental es una matriz elemental se ha escrito
A como el producto de matrices elementales y U .
Matrices elementales y matrices inversas
Ejemplo Cómo escribir una matriz como el producto de
matrices elementales y una matriz triangular superior
Escriba la matriz  
3 6 9
A = 2 5 1 
1 1 8
como el producto de matrices elementales y una matriz triangular
superior.

Solución
Se reduce A por renglones para obtener la forma escalonada por
renglones:
   
3 6 9 R1 → 31 R1
1 2 3
 2 5 1  −−−−−−→  2 5 1 
1 1 8 1 1 8
Matrices elementales y matrices inversas
   
R2 →R2 −2R1 1 2 3 1 2 3
R3 →R3 −R1 R3 →R3 +R2
−−−−−−−−→  0 1 −5  −−−−−−−→  0 1 −5  = U
0 −1 5 0 0 0

Después, al trabajar hacia atrás, se ve que

    
1 2 3 1 0 0 1 0 0
U=  0 1 −5  =  0 1 0  0 1 0 
0 0 0 0 1 1 −1 0 1
(R3 + R2 ) (R3 → R3 − R1 )
1
   
1 0 0 3 0 0 3 6 9
×  −2 1 0   0 1 0   2 5 1 
0 0 1 1 0 1 1 1 8
 
1
(R2 → R2 − 2R1 ) R1 → R1 A
3
Matrices elementales y matrices inversas

y tomando las inversas de las cuatro matrices elementales se obtiene

    
3 6 9 3 0 0 1 0 0
A = 2 5 1 =  0 1 0   2 1 0 
1 1 8 0 0 1 0 0 1
(R1 → 3R1 ) (R2 → R2 + 2R1 )
   
1 0 0 1 0 0 1 2 3
×  0 1 0  0 1 0   0 1 −5 
1 0 1 0 −1 1 0 0 0
(R3 → R3 + R1 ) (R3 → R3 − R2 ) U
Factorización LU de una matriz

I En esta sección se muestra la forma en la cual se escribe una

matriz cuadrada como un producto de una matriz triangular
inferior (con diagonal principal de unos) por una matriz
triangular superior. Esta factorización resulta útil para resolver
sistemas lineales con una computadora y se puede utilizar para
probar resultados importantes sobre matrices.
I Ya se estudió la eliminación gaussiana. En ese proceso se
puede reducir una matriz a la forma escalonada por renglones.
Recuerde que la forma escalonada por renglones de una matriz
cuadrada es una matriz triangular superior con unos y ceros en
la diagonal principal. A manera de ejemplo, la forma
escalonada por renglones de una matriz de 3 × 3 se ve como
sigue:
Factorización LU de una matriz

       
1 x x 1 x x 1 x x 1 x x
0 1 x o 0 1 x o 0 0 1  0 0 0  o
0 0 1 0 0 0 0 0 0 0 0 0
     
0 1 x 0 0 1 0 0 0
0 0 1  o 0 0 0 o 0 0 0
0 0 0 0 0 0 0 0 0

I Para los propósitos de esta sección se pretende reducir por

renglones una matriz a la forma triangular superior donde los
números diferentes de cero en la diagonal principal no son
necesariamente unos. Esto se logra no insistiendo en que cada
pivote sea igual a 1.
Factorización LU de una matriz
Ejemplo Encuentre una factorización
 LU de una matriz A
2 3 2 4
 4 10 −4 0 
Reduzca por renglones la matriz A =   −3 −2 −5 −2  a


−2 4 4 −7
una matriz triangular superior y después escriba A como un
producto de una matriz triangular inferior y una matriz triangular
superior.

Solución
Se procede como antes; sólo que esta vez no se dividen los
elementos de la diagonal (pivotes) por sí mismos:
  R2 →R2 −2R1  
2 3 2 4 R3 →R3 + 32 R1
2 3 2 4
 4 10 −4 0  R4 →R4 +R 1
 0 4 −8 −8 
 −3 −2 −5 −2  −−−−−−−−→ 
   5

0 2 −2 4 
−2 4 4 −7 0 7 6 −3
Factorización LU de una matriz

   
2 3
R3 →R3 − 58 R2 2 4 2 3 2 4
R4 →R4 − 74 R2
 0 4 −8 −8  R4 →R4 − 20
3 R3 
 0 4 −8 −8 
−−−−−−−−−→ 
 0 0
−− − −−−− − −→ =U
3 9   0 0 3 9 
0 0 20 11 0 0 0 −49

Usando las matrices elementales, se puede escribir

   
1 0 0 0 1 0 0 0 1 0 0 0
 0 1 0 0  0 1 0 0  0 1 0 0 
 
U =  
 0 0 1 0   0 0 1 0   0 − 85 1 0 
20 7
0 0 −3 1 0 −4 0 1 0 0 0 1
   
1 0 0 0 1 0 0 0 1 0 0 0
 0 1 0 0   0 1 0 0   −2 1 0 0 
× 
 0 0 1 0  3 0 1 0  0
 A
2 0 1 0 
1 0 0 1 0 0 0 1 0 0 0 1
Factorización LU de una matriz
o
   
1 0 0 0 1 0 0 0 1 0 0 0
 2 1 0 0   0 1 0 0   0 1 0 0 
A=   
 0 0 1 0   − 32 0 1 0  0 0 1 0 
0 0 0 1 0 0 0 1 −1 0 0 1
   
1 0 0 0 1 0 0 0 1 0 0 0
 0 1 0 0 
 0 1 0 0  0 1 0 0 
 
×
 0 5
 U.
8
1 0  0 0 1 0  0 0 1 0 
0 0 0 1 0 74 0 1 0 0 20
3
1

Se ha escrito A como un producto de seis matrices elementales y una matriz

triangular superior.Sea L el producto de
 las matrices elementales. Debe
1 0 0 0
 2 1 0 0 
verificar que L = 
 −3 5
, que se trata de una matriz triangular
2 8
1 0 
−1 74 20 3
1
inferior con unos en la diagonal principal.
Después se puede escribir A = LU , donde L es triangular inferior y U es
triangular superior. Los elementos de la diagonal de L son todos iguales a 1 y
los elementos de la diagonal de U son los pivotes. Esta factorización se llama
factorización LU de A.
Factorización LU de una matriz
El procedimiento utilizado en el ejemplo anterior se puede llevar a cabo
mientras no se requieran permutaciones para poder reducir A a la forma
triangular. Esto no siempre es factible. Por ejemplo, el primer paso en la
reducción por renglones de
 
0 2 3
 2 −4 7 
1 −2 5

es permutar (intercambiar) los renglones 1 y 2 o los renglones 1 y 3.

Suponga que por el momento dicha permutación no es necesaria.
Entonces, al igual que en el ejemplo anterior, se puede escribir
A = E1 , E2 , . . . En U , donde U es una matriz triangular superior y cada
matriz elemental es una matriz triangular inferior con unos en la
diagonal. Esto se deduce del hecho de que E es de la forma Rj + cRi (no
hay permutaciones ni multiplicaciones de renglones por constantes). Más
aún, los números que se hacen cero en la reducción por renglones están
siempre abajo de la diagonal de manera que en Rj + cRi siempre se
cumple que j > i. De este modo, las c aparecen abajo de la diagonal.
Factorización LU de una matriz

Teorema 23
Propiedades de multiplicación de matrices triangulares
El producto de las matrices triangulares inferiores con unos en la
diagonal es una matriz triangular inferior con unos en la diagonal.
Más aún, el producto de dos matrices triangulares superiores es una
matriz triangular superior.

Teorema 24
Teorema de la factorización LU
Sea A una matriz cuadrada (n × n) y suponga que A se puede
reducir por renglones a una matriz triangular U sin hacer alguna
permutación entre sus renglones. Entonces existe una matriz
triangular inferior L invertible con unos en la diagonal tal que
A = LU . Si, además, U tiene n pivotes (es decir, A es invertible),
entonces esta factorización es única.
Factorización LU de una matriz
Demostración.
U y L se obtienen como en el último ejemplo. Sólo es necesario
probar la unicidad en el caso de que A sea invertible. Como U tiene
n pivotes, su forma escalonada por renglones también tiene n
pivotes (para verificar esto divida cada renglón de U por el pivote
en ese renglón). Entonces, de acuerdo con el teorema de resumen
(versión 3), U es invertible.
Para demostrar que L es invertible, considere la ecuación Lx = 0.
    
1 0 ··· 0 x1 0
 a21 1 · · · 0  x2  0
 .. .. .. ..   ..  =  ..  .
    
 . . . .  .  .
an1 an2 · · · 1 xn 0

Se deduce que x1 = 0, a21 x1 + x2 = 0, etc, lo que demuestra que

x1 = x2 = · · · = xn = 0 y L es invertible por el teorema de
resumen.
Factorización LU de una matriz
Demostración.
(Continuación) Para demostrar la unicidad, suponga que
A = L1 U1 = L2 U2 . Entonces

U1 U2−1 = L−1 U1 U2−1 = L−1 −1 −1 −1

1 L1 1 (L1 U1 ) U2 = L1 (L2 U2 ) U2
= L−1 U2 U2−1 = L−1



1 L2 1 L2 .

Por el Teorema 21 en la diapositiva 113, U2−1 es triangular superior

y L−1
1 es triangular inferior. Todavía más, según el teorema 23,
L−1
1 L2 es una matriz triangular inferior con unos en la diagonal
mientras que U1 U2−1 es triangular superior. La única forma en que
una matriz triangular superior y una inferior pueden ser iguales es si
ambas son diagonales. Como L−1 1 L2 tiene unos en la diagonal se ve
que
U1 U2−1 = L−1
1 L2 = I

de lo que se deduce que U1 = U2 y L1 = L2 .

Factorización LU de una matriz
Uso de la factorización LU para resolver un sistema de ecuaciones
Suponga que se quiere resolver el sistema Ax = b, donde A es
invertible. Si A satisface la hipótesis del teorema 24 se puede
escribir
LU x = b
Como L es invertible, existe un vector único y tal que Ly = b.
Como U también es invertible, existe un vector único x tal que
U x = y. Entonces Ax = L(U x) = Ly = b y nuestro sistema está
resuelto. Observe que Ly = b se puede resolver directamente
mediante la sustitución hacia adelante, mientras que el sistema
U x = y se puede resolver por sustitución hacia atrás.
Ejemplo Uso de la factorización LU para resolver un sistema
Resuelva el sistema Ax = b, donde
  
2 3 2 4 4
 4 10 −4 0   −8 
A=  −3 −2 −5 −2 
 y b=
 −4  .


−2 4 4 −7 −1
Factorización LU de una matriz
Solución
Del ejemplo anterior se puede escribir A = LU , donde
   
1 0 0 0 2 3 2 4
 y U =  0 4 −8 −8 
 2 1 0 0   
L=  −3 5
2 8 1 0   0 0 3 9 
7 20
−1 4 3 1 0 0 0 −49

El sistema Ly = b conduce a las ecuaciones

y1 = 4
2y1 + y2 = −8
3 5
− y1 + y2 + y3 = −4
2 8
7 20
−y1 + y2 + y3 + y4 = −1
4 3
Factorización LU de una matriz
Solución (Continuación
o

y1 = 4
y2 = −8 − 2y1 = −16
3 5
y3 = −4 + y1 + y2 = 12
2 8
7 20
y4 = −1 + y1 − y2 − y3 = −49
4 3
Se acaba de realizar la sustitución hacia delante. Ahora, de U x = y
se obtiene

2x1 + 3x2 + 2x3 + 4x4 = 4

4x2 − 8x3 − 8x4 = −16
3x3 + 9x4 = 12
49x4 = −49
Factorización LU de una matriz

x4 = 1
3x3 = 12 − 9x4 = 3, =⇒ x3 = 1
4x2 = −16 + 8x3 + 8x4 , =⇒ x2 = 0
2x1 = 4 − 3x2 − 2x3 − 4x4 , =⇒ x1 = −1

La solución es  
−1
 0 
x=
 1 


1
La factorización P A = LU
I Suponga que con el propósito de reducir A a una matriz
triangular se requiere alguna permutación. Una matriz de
permutación elemental es una matriz elemental asociada con
la operación de intercambio con renglones Ri
Rj .
I Suponga que, de momento, se sabe por anticipado cuáles
permutaciones deben realizarse. Cada permutación se lleva a
cabo multiplicando A por la izquierda por una matriz de
permutación elemental denotada por Pi .
I Suponga que en la reducción por renglones se realizan n
permutaciones. Sea

P = Pn Pn−1 · · · P2 P1

el producto de las matrices de permutaciones elementales se

llama matriz de permutación. De forma alternativa, una matriz
de permutación es una matriz n × n cuyos renglones son los
renglones de In , pero no necesariamente en el mismo orden.
La factorización P A = LU
Ahora, hacer las n permutaciones de antemano es equivalente a
multiplicar A por la izquierda por P . Es decir,
P A es una matriz que debe ser reducida por renglones a una
matriz triangular superior sin realizar permutaciones
adicionales.

Ejemplo Una factorización P A = LU

Factorice  
0 2 3
A= 2 −4 7  .
1 −2 5
Para reducir A por renglones a la forma triangular superior, primero se
intercambian los renglones 1 y 3 y después se continúa como se muestra
a continuación.
     
0 2 3 1 −2 5 1 −2 5
R1
R3 R →R −2R1
 2 −4 7  − −−−−→  2 −4 7  −−2−−−2−−−→  0 0 −3 
1 −2 5 0 2 3 0 2 3
La factorización P A = LU
Ahora se intercambian los renglones 2 y 3 obteniéndose
   
1 −2 5 1 −2 5
R
R3
 0 0 −3  −−2−−−→  0 2 3 
0 2 3 0 0 −3

Ya se tiene la forma escalonada de la matriz en la que se

necesitaron dos permutaciones. Por tanto
   
0 0 1 1 0 0
P1 =  0 1 0  y P2 =  0 0 1 
1 0 0 0 1 0

y la matriz de permutación es
    
1 0 0 0 0 1 0 0 1
P = P2 P1 =  0 0 1   0 1 0  =  1 0 0  .
0 1 0 1 0 0 0 1 0
La factorización P A = LU

Se calcula el producto
    
0 0 1 0 2 3 1 −2 5
PA =  1 0 0  2 −4 7 = 0 2 3 
0 1 0 1 −2 5 2 −4 7

Esta matriz ya se puede reducir a una forma triangular superior sin

permutaciones y entonces determinar la factorización LU.
Al generalizar este resultado, se obtiene el siguiente teorema.

Teorema 25
Factorización LUP
Sea A una matriz invertible de n × n. Entonces existe una matriz de
permutación P tal que
P A = LU
donde L es una matriz triangular inferior con unos en la diagonal y U es
triangular superior. Para cada P (puede haber más de una), las matrices L y U
son únicas.
La factorización P A = LU
Solución de un sistema usando la factorización P A = LU
Considere el sistema Ax = b y suponga que P A = LU . Entonces

P Ax = P b
LU x = P b

y se puede resolver este sistema de la misma manera que en el

ejemplo de la diapositiva 128.
Ejemplo Solución de un sistema usando la factorización
P A = LU
Resuelva el sistema

2x2 + 3x3 = 7
2x1 − 4x2 + 7x3 = 9
x1 − 2x2 + 5x3 = −6
La factorización P A = LU
Solución
Se puede escribir este sistema como Ax = b, donde
   
0 2 3 7
A =  2 −4 7  y b =  9  .
1 −2 5 −6

Entonces, del ejemplo de la diapositiva 133

    
0 0 1 7 −6
LU x = P Ax = P b =  1 0 0   9  =  7 
0 1 0 −6 9
 
−6
Se busca una y tal que Ly =  7 . Es decir
9
    
1 0 0 y1 −6
 0 1 0   y2  =  7 
2 0 1 y3 9
La factorización P A = LU

Entonces y1 = −6, y2 = 7 y 2y1 + y3 = 9, por lo que y3 = 21 y

 
−6
y =  7 .
21
 
−6
Ahora buscamos una x tal que U x =  7 ; es decir,
21
    
1 −2 5 x1 −6
 0 2 3   x2  =  7 
0 0 −3 x3 21

por lo que

x1 − 2x2 + 5x3 = −6
2x2 + 3x3 = 7
−3x3 = 21
La factorización P A = LU

Por último,

x3 = −7
2x2 + 3(−7) = 7, =⇒ x2 = 14
x1 − 2(14) + 5(−7) = −6, =⇒ x1 = 57.

La solución es  
57
x =  14  .
−7
La factorización P A = LU
En este momento podemos reformular el teorema del resumen,
incluyendo la factorización LU P de la matriz.
Teorema 26
Teorema Resumen (versión 4)
Sea A una matriz de n × n. Entonces las seis afirmaciones siguientes son equivalentes.
Es decir, cada una de ellas implica a las otras seis (de manera que si se cumple una,
todas se cumplen, y si una es falsa, todas son falsas).
1. A es invertible.
2. La única solución al sistema homogéneo Ax = 0 es la solución trivial (x = 0).
3. El sistema Ax = b tiene una solución única para cada vector b de dimensión n.
4. A es equivalente por renglones a la matriz identidad In , de n × n; es decir, la
forma escalonada reducida por renglones de A es In .
5. A se puede escribir como el producto de matrices elementales.
6. La forma escalonada por renglones de A tiene n pivotes.
7. det A 6= 0 (hasta ahora sólo se ha definido det A si A es una matriz de 2 × 2).
8. Existen una matriz de permutación P , una matriz triangular inferior L con unos
en la diagonal principal y una matriz triangular superior invertible U , tales que
P A = LU .
Una forma sencilla para encontrar la factorización LU de una
matriz
I Suponga que A es una matriz cuadrada que se puede reducir a
una matriz triangular superior sin llevar a cabo permutaciones.
I Existe un procedimiento más sencillo para encontrar la
factorización LU de A sin hacer uso de la reducción por
renglones. Este método se ilustrará en el siguiente ejemplo.

Ejemplo Un método más sencillo para obtener la factorización

LU
Encuentre la factorización LU de
 
2 3 2 4
 4 10 −4 0 
A=  −3 −2 −5 −2


−2 4 4 −7
Una forma sencilla para encontrar la factorización LU de una
matriz
I Este problema se resolvió en el ejemplo de la diapositiva 121.
Ahora se hará uso de un método más sencillo. Si A = LU , se
sabe que A se puede factorizar como:
    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0 
= a
 1 0 0 
 0
 u v w 
A=
 −3
 = LU.
−2 −5 −2   b c 1 0  0 0 x y 
−2 4 4 −7 d e f 1 0 0 0 z

I Observe que el primer renglón de U es el mismo que el primer

renglón de A porque al reducir A a la forma triangular, no
hace falta modificar los elementos del primer renglón.
I Se pueden obtener todos los coeficientes faltantes con tan sólo
multiplicar las matrices. La componente 2, 1 de A es 4. De
este modo, el producto escalar del segundo renglón de L y la
primera columna de U es igual a 4: 4 = 2a o a = 2.
Una forma sencilla para encontrar la factorización LU de una
matriz
Así,
    
2 3 2 4 1 0 0 0 2 3 2 4
 4
 10 −4 0 
= 2
 1 0 0 
 0
 u v w 

 −3 −2 −5 −2   b c 1 0  0 0 x y 
−2 4 4 −7 d e f 1 0 0 0 z

Después se tiene, que el componente 2,2 de A: 10 = 6 + u =⇒ u = 4, por lo que

    
2 3 2 4 1 0 0 0 2 3 2 4
 4
 10 −4 0  
= 2 1 0 0 
 0
 4 v w 

 −3 −2 −5 −2   b c 1 0  0 0 x y 
−2 4 4 −7 d e f 1 0 0 0 z

De aquí en adelante se pueden insertar los valores que se encuentran en L y U . El

componente 2,3 de A: −4 = 4 + v =⇒ v = −8, por lo que
    
2 3 2 4 1 0 0 0 2 3 2 4
 4
 10 −4 0 
= 2
 1 0 0 
 0
 4 −8 w 

 −3 −2 −5 −2   b c 1 0  0 0 x y 
−2 4 4 −7 d e f 1 0 0 0 z
Una forma sencilla para encontrar la factorización LU de una
matriz
El componente 2, 4 de A: 0 = 8 + w =⇒ w = −8, por lo que
    
2 3 2 4 1 0 0 0 2 3 2 4
 4
 10 −4 0 
= 2
 1 0 0 
 0
 4 −8 −8 

 −3 −2 −5 −2   b c 1 0  0 0 x y 
−2 4 4 −7 d e f 1 0 0 0 z

El componente 3,1 de A: −3 = 2b =⇒ b = −3/2, por lo que

    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0  
= 2 1 0 0 
 0
 4 −8 −8 
−2   − 32
 
 −3 −2 −5 c 1 0  0 0 x y 
−2 4 4 −7 d e f 1 0 0 0 z

El componente 3,2 de A: −2 = − 92 + 4c =⇒ c = 5/8, por lo que

    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0  
= 2 1 0 0 
 0
 4 −8 −8 
−2   − 23 5
 
 −3 −2 −5 1 0  0 0 x y 
8
−2 4 4 −7 d e f 1 0 0 0 z
Una forma sencilla para encontrar la factorización LU de una
matriz
El componente 3,3 de A: −5 = −3 − 5 + x =⇒ x = 3, por lo que
    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0  
= 2 1 0 0 
 0
 4 −8 −8 
−2   − 32 5
 
 −3 −2 −5 1 0  0 0 3 y 
8
−2 4 4 −7 d e f 1 0 0 0 z

El componente 3,4 de A: −2 = −6 − 5 + y =⇒ y = 9, por lo que

    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0  
= 2 1 0 0 
 0
 4 −8 −8 
−2   − 32 5
 
 −3 −2 −5 1 0  0 0 3 9 
8
−2 4 4 −7 d e f 1 0 0 0 z

El componente 4,1 de A: −2 = 2d =⇒ d = −1, por lo que

    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0  
= 2 1 0 0   0 4 −8 −8 
−2   − 32 5
  
 −3 −2 −5 1 0  0 0 3 9 
8
−2 4 4 −7 −1 e f 1 0 0 0 z
Una forma sencilla para encontrar la factorización LU de una
matriz
El componente 4,2 de A: 4 = −3 + 4e =⇒ e = 7/4, por lo que
    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0  
= 2 1 0 0 
 0
 4 −8 −8 
−2   − 23 5
 
 −3 −2 −5 1 0  0 0 3 9 
8
−2 4 4 −7 7 0 0 0 z
−1 4
f 1

El componente 4,3 de A: 4 = −2 − 14 + 3f =⇒ f = 20/3, por lo que

    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0  
= 2 1 0 0 
 0
 4 −8 −8 
−2   − 23 5
 
 −3 −2 −5 1 0  0 0 3 9 
8
−2 4 4 −7 7 20 0 0 0 z
−1 4 3
1

El componente 4,4 de A: −7 = −4 − 14 + 60 + z =⇒ f = −49, por lo que

    
2 3 2 4 1 0 0 0 2 3 2 4
 4 10 −4 0  
= 2 1 0 0 
 0
 4 −8 −8 
−2   − 32 5
 
 −3 −2 −5 1 0  0 0 3 9 
8
−2 4 4 −7 7 20 0 0 0 −49
−1 4 3
1

La factorización se obtuvo con un esfuerzo de cálculo considerablemente menor.

Factorización LU para matrices singulares
Si A es una matriz cuadrada singular (no invertible), la forma escalonada por
renglones de A tendrá al menos un renglón de ceros, al igual que la forma
triangular de A. Es posible que todavía se pueda escribir A = LU o P A = LU ,
pero en este caso U no será invertible y L y U pueden no ser únicas.
Ejemplo Cuando A no es invertible, la factorización LU puede
no ser única
Haciendo uso de la técnica del ejemplo anterior se obtiene la factorización
    
1 2 3 1 0 0 1 2 3
A =  −1 −2 −3  =  −1 1 0   0 0 0  = LU.
2 4 6 2 0 1 0 0 0

Sin embargo, si se hace

 
1 0 0
L1 =  −1 1 0 
2 x 1

entonces, A = L1 U para cualquier número real x. En este caso, A tiene una

factorización LU pero no es única. Debe verificarse que A no es invertible.
Factorización LU para matrices singulares
Por otro lado,
    
1 2 3 1 0 0 1 2 3
B =  2 −1 4  =  2 1 0   0 −5 −2  = L0 U 0
3 1 7 3 1 1 0 0 0

y esta factorización es única, aunque B no sea invertible. El

estudiante debe verificar estos datos.
Factorización LU para matrices no cuadradas
En ocasiones es posible encontrar factorizaciones LU para matrices
que no son cuadradas.

Teorema 27
Factorización LU para matrices no cuadradas
Sea A una matriz de m × n. Suponga que A se puede reducir a su
forma escalonada por renglones sin realizar permutaciones.
Entonces existen una matriz L triangular inferior de m × m con
unos en la diagonal y una matriz U de m × n con uij = 0 si i > j
tales que A = LU .
Factorización LU para matrices no cuadradas
Observación
La condición uij = 0 si i > j significa que U es triangular superior
en el sentido de que todos los elementos que se encuentran por
debajo de la diagonal principal son 0. Por ejemplo, una matriz U de
3 × 5 que satisface esta condición tiene la forma
 
d1 u12 u13 u14 u15
U =  0 d2 u23 u24 u25 
0 0 d3 u34 u35

mientras que una matriz U de 5 × 3 que satisface esta condición

tiene la forma  
d1 u12 u13
 0 d2 u23 
 
U = 0 0 d3 

0 0 0 
0 0 0
Factorización LU para matrices no cuadradas
No haremos la prueba de este teorema; en su lugar se muestran dos
ejemplos.
Ejemplo Factorización LU de una matriz 4 × 3
Encuentre la factorización LU de
 
1 2 3
 −1 −4 5 
A=  6 −3

2 
4 1 −12

Solución
Procediendo como en el ejemplo de la diapositiva 141 se establece
    
1 2 3 1 0 0 0 1 2 3
 −1 −4 5  a 1 0 0  0 u v  = LU
 
 =
 6 −3 2  b c 1 0   0 0 w
4 1 −12 d e e f 0 0 0
Factorización LU para matrices no cuadradas

Debe verificar que esto lleva de inmediato a

 
1 0 0 0  
 −1 1 0 0  1 2 3
L=  y U =  0 −2 8 
 6 15 1 0 
2 0 0 0
4 72 13 19 1

Ejemplo Factorización LU de una matriz 3 × 4

Encuentre la factorización LU de
 
3 −1 4 2
A= 1 2 −3 5 
2 4 1 5
Factorización LU para matrices no cuadradas

Solución
Se escribe
    
3 −1 4 2 1 0 0 3 −1 4 2
 1 2 −3 5  =  a 1 0   0 u v w 
2 4 1 5 b c 0 0 0 x y

Al despejar las variables como en el ejemplo de la diapositiva 141 se

obtiene
    
3 −1 4 2 1 0 0 3 −1 4 2
 1 2 −3 5  =  31 1 0  0 7 13
3 − 3
13 
3 .
2
2 4 1 5 3 2 0 0 0 7 −5