Tema 1

Álgebra lineal básica

1. E SPACIOS VECTORIALES REALES

Definición 1.1
Un espacio vectorial real o un R-espacio vectorial es una terna (V, +, ·), donde “ + ” es una ley
de composición interna de V
+: V ×V → V
(u, v) 7→ u + v
que cumple las siguientes propiedades:
+1) asociativa: (u + v) + w = u + (v + w) ∀ u, v, w ∈ V ,
+2) conmutativa: u + v = v + u ∀ u, v ∈ V ,
+3) elemento neutro o nulo: ∃ 0 ∈ V tal que u + 0 = u ∀ u ∈ V ,
+4) elemento simétrico u opuesto: ∀ u ∈ V ∃ − u ∈ V tal que u + (−u) = 0,
el cumplir estas cuatro propiedades es equivalente a decir que (V, +) es un grupo abeliano,
·: R×V → V
y es una ley de composición externa verificando:
(λ, v) 7→ λ · v
·1) λ · (u + v) = λ · u + λ · v,
·2) (λ + µ) · v = λ · v + µ · v,
·3) (λ · µ) · v = λ · (µ · v),
·4) 1 · v = v, ∀λ, µ ∈ R y u, v ∈ V .
A los elementos del R-espacio vectorial V les llamaremos vectores y a los de R escalares, a las
operaciones “ + ” suma y a “ · ” producto por escalares.

Ejemplos 1.2

(Rn , +, ·) es un espacio vectorial real donde Rn = {(a1 , . . . , an ) : ai ∈ R} con las

operaciones (a1 , . . . , an ) + (b1 , . . . , bn ) = (a1 + b1 , . . . , an + bn ) y
λ · (a1 , . . . , an ) = (λa1 , . . . , λan ).
Mn×m (R) (matrices reales de orden n × m) es un R-espacio vectorial con la suma de
matrices y el producto de un número real por una matriz.
Rn [x] = {a0 + a1 x + a2 x2 + . . . an xn : ai ∈ R}, el conjunto de todos los polinomios con
coeficientes reales de grado menor o igual que n, es un R-espacio vectorial con la suma
de polinomios y el producto de un número real por un polinomio. Al igual que R[x], el
conjunto de todos los polinomios con coeficientes reales.

A partir de hora, por simplificar, llamaremos a un R-espacio vectorial simplemente espacio vectorial.
1
2

Definición 1.3: Subespacios vectoriales

Sea (V, +, ·) un espacio vectorial y H un subconjunto no vacío de H (∅ = 6 H ⊆ V ), diremos que

H es un subespacio vectorial de V si (H, +, ·) es un espacio vectorial, donde “ + ” y “ · ” son las
restricciones de las operaciones sobre H.
+: H ×H → H ·: R×H → H
(u, v) 7→ u + v (λ, v) 7→ λ · v
Si H es un subespacio vectorial de V lo denotaremos como H ≤ V .

Proposición 1.4: Condiciones para ser subespacio

Sea ∅ =
6 H ⊆ V , donde V es un espacio vectorial, entonces H es un subespacio vectorial de V si
y sólo si verifica las siguientes propiedades:
(1) si h1 , h2 ∈ H ⇒ h1 + h2 ∈ H
(2) si λ ∈ R y h ∈ H ⇒ λ · h ∈ H

Ejemplos 1.5

Subespacios propios: V y {0} son el mayor y el menor subespacio de V .

Si H = {(x, y, z) ∈ R3 : x + y + z = 0} entonces H ≤ R3 . Vamos a demostrarlo viendo
que H cumple las dos condiciones para ser subespacio.
(1) Si h1 , h2 ∈ H, entonces son de la forma h1 = (a, b, c) y h2 = (a0 , b0 , c0 ) donde
a + b + c = 0 y a0 + b0 + c0 = 0. h1 + h2 = (a + a0 , b + b0 , c + c0 ) entonces
h1 + h2 ∈ H si (a + a0 ) + (b + b0 ) + (c + c0 ) = 0, pero (a + a0 ) + (b + b0 ) + (c + c0 ) =
= (a + b + c) + (a0 + b0 + c0 ) = 0 + 0 = 0, por tanto se cumple la primera condición.
(2) Si λ ∈ R y h = (a, b, c) ∈ H, entonces a + b + c = 0 y λ · h = (λa, λb, λc) por lo
cual λ · h ∈ H si λa + λb + λc = 0, pero λa + λb + λc = λ(a + b + c) =
= λ0 = 0, por tanto también se cumple la segunda condición.
Sea A ∈ Mn×m (R) y F = {v ∈ Rn : A · v = 0} entonces F ≤ Rn , demostrémoslo:
(1) Si u, v ∈ F , entonces A · u = A · v = 0, A · (u + v) = A · u + A · v = 0 + 0 = 0
por tanto u + v ∈ F y se cumple la primera condición.
(2) Si λ ∈ R y v ∈ F (A · v = 0), A · (λ · v) = λ · (A · v) = λ · 0 = 0 por lo λ · v ∈ F y
se cumple la segunda condición.
Sea G = {(x, y, z) ∈ R3 : x + y = 2}, en este caso G no es subespacio de R3 ya
que no cumple la primera condición, para verlo basta con encontrar un contraejemplo:
u = (1, 1, 1), v = (2, 0, 1) ∈ G, pero u + v = (3, 1, 2) ∈ / G ya que 3 + 1 6= 2.
Sea U = {(x, y, z) ∈ R3 : x < 0}, este subconjunto de R3 cumple la primera condición:
si u = (a, b, c) y v = (a0 , b0 , c0 ) ∈ U (a, a0 < 0),
u + v = (a + a0 , b + b0 , c + c0 ) y a + a0 < 0 + 0 = 0 por lo que u + v ∈ U . Pero
U no es un subespacio vectorial ya que no cumple la segunda: u = (−1, 2, 4) ∈ U ,
−2 · u = (2, −4, −8) ∈ / U ya que 2 > 0.
 3

2. C OMBINACIÓN Y DEPENDENCIA LINEAL

Definición 2.1: Combinación lineal

Sea V un espacio vectorial y u, v1 , . . . , vn ∈ V , diremos que u es combinación lineal (c. l.) de
v1 , . . . , vn si existen escalares λ1 , . . . , λn ∈ R tales que
u = λ1 v1 + . . . + λn vn .

Definición 2.2: Subespacio generado

Sea V un espacio vectorial y {u1 , . . . , un } un conjunto de vectores de V , llamaremos subespacio

generado por {u1 , . . . , un } a
< u1 , . . . , un >:= {v ∈ V : v es c. l. de u1 , . . . , un },
es decir, es el subespacio formado por todas las combinaciones lineales de los u1 , . . . , un . Este
subespacio es el menor subespacio de V que contiene a los ui , es decir si F ≤ V con u1 , . . . , un ∈
F entonces < u1 , . . . , un >≤ F .

Definición 2.3: Sistema generador

Sea V un espacio vectorial, diremos que un conjunto de vectores {u1 , . . . , un } es un sistema

generador de V si V =< u1 , . . . , un >.

Ejemplo 2.4

Sea V = {(x, y, z) ∈ R3 : x − y = 0}, vamos a ver que {(1, 1, 0), (0, 0, 1)} es un sistema
generador de V .
Según la definición de V , la condición que han de cumplir un vector de R3 para que esté en V es
que las dos primeras coordenadas sean iguales (x − y = 0), por tanto los vectores de V son todos
de la forma (a, a, b) para algún a y b de R.
(a, a, b) = a(1, 1, 0) + b(0, 0, 1), lo que demuestra que V =< (1, 1, 0), (0, 0, 1) >.

Definición 2.5: Dependencia lineal

Sea V un espacio vectorial, diremos que un conjunto de vectores {u1 , . . . , un } de V son lineal-
mente independientes (l. ind.) si cumplen la siguiente propiedad:
Si λ1 u1 + . . . + λn un = 0 ⇒ λi = 0 ∀ i = 1, . . . , n.
En caso contrario diremos que {u1 , . . . , un } son linealmente dependientes (l. d.).

Observaciones:
Si v 6= 0 entonces {v} es l. ind.
Cualquier conjunto no vacío de uno l. ind. es l. ind.
Si 0 ∈ {u1 , . . . , un } ⇒ {u1 , . . . , un } es l. d.
{u1 , . . . , un } es l. ind. si y sólo si ningún vector es c. l. de los demás.
{u1 , . . . , un } es l. d. si y sólo si algún vector es c. l. de los demás.
4

Ejemplos 2.6

{(1, −1, 0), (3, 2, 0)} ⊂ R3 son l. ind.

Para comprobar la afirmación anterior bastará demostrar que la ecuación x(1, −1, 0) +
y(3, 2, 0) = (0, 0, 0) tiene como solución única x = y = 0.
(
x + 3y = 0
x(1, −1, 0) + y(3, 2, 0) = (0, 0, 0) ⇔ ⇔x=y=0
−x + 2y = 0
{(1, −1, 2), (−1, 2, 1), (3, 0, 3)} ⊂ R3 son l. d.
(3, 0, 3) = 2 · (1, −1, 2) + (−1) · (−1, 2, 1)

3. BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL

Definición 3.1: Base de un espacio vectorial

Sea V un espacio vectorial y {u1 , . . . , un } un conjunto de vectores de V :

Se llama rango de {u1 , . . . , un } al número máximo de vectores l. ind. que hay.
rang({u1 , . . . , un }) = k ⇔< ui1 , . . . , uik >=< u1 , . . . , un > siendo k mínimo.
Se dice que B = {v1 , . . . , vn } es una base de V si:
(1) B es un sistema generador de V (V =< v1 , . . . , vn >).
(2) B está formada por vectores l. ind.
B = {v1 , . . . , vn } base de V ⇔ B es generador y l. ind. ⇔ V =< v1 , . . . , vn > y rang(B) = n.

Observaciones:
Cualquier sistema generador puede convertirse en una base eliminando vectores l. d.
Cualquier conjunto de vectores que sean l. ind. pueden convertirse en una base añadiendo vecto-
res que sean l. ind. con los demás.
 5

Ejemplos 3.2

Los vectores {(1, 1, 0), (0, 1, 0), (1, 0, 1), (1, 1, 1)} son un conjunto generador de R3 pero
no forman base porque no son l. ind., basta observar que
(1, 1, 1) = 0 · (1, 1, 0) + 1 · (0, 1, 0) + 1 · (1, 0, 1), por lo que si eliminamos el vec-
tor (1, 1, 1) podríamos tener una base. Para comprobar esto último bastará con ver que
{(1, 1, 0), (0, 1, 0), (1, 0, 1)} son l. ind.

x + z = 0

x(1, 1, 0) + y(0, 1, 0) + z(1, 0, 1) = (0, 0, 0) ⇔ x + y = 0 ⇔ x = y = z = 0

z=0


En consecuencia {(1, 1, 0), (0, 1, 0), (1, 0, 1)} es una base de R3 , de hecho cualquier
vector (a, b, c) ∈ R3 se puede obtener como:
(a, b, c) = (c − a) · (1, 1, 0) + (b − c + a) · (0, 1, 0) + c · (1, 0, 1).
Los vectores {(1, 0, 1), (1, 0, 0)} ⊂ R3 son l. ind.
(
x+y =0
x(1, 0, 1) + y(1, 0, 0) = (0, 0, 0) ⇔ ⇔ x = y = 0,
x=0
pero no forman una base. Vamos a ver que si le añadimos el vector (0, 1, 0) formarían
una base, para lo cual tendremos que comprobar que {(1, 0, 1), (1, 0, 0), (0, 1, 0)} es un
sistema generador y de hecho cualquier vector (a, b, c) ∈ R3 se puede obtener como:
(a, b, c) = c · (1, 0, 1) + (a − c) · (1, 0, 0) + b · (0, 1, 0).

Proposición 3.3

Si {u1 , . . . , un } y {v1 , . . . , vk } son dos bases de un mismo espacio vectorial V entonces n = k,

es decir cualquier base de un espacio vectorial tiene el mismo número de vectores.

Definición 3.4: Dimensión de un espacio vectorial

Sea V un espacio vectorial, llamaremos dimensión de V al número de vectores que tiene cualquier
base de V .
Si {v1 , . . . , vn } base de V ⇒ dim V = n.

Observación: La dim V es el número máximo de vectores l. ind. que hay en cualquier conjunto de
vectores de V , al igual que el número mínimo de vectores necesarios para formar un sistema generador.
6

Ejemplos 3.5

dim Rn = n: {(1, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, . . . , 0, 1)} es una base de R que re-
cibe el nombre de base canónica.
(a1 , . . . , an ) = a1 · (1, 0, . . . , 0) + a2 · (0, 1, 0, . . . , 0) + · · · + an · (0, . . . , 0, 1)
dim Rn [x] = n+1: {1, x, x2 , . . . , xn } es una base de Rn [x] que recibe el nombre de base
canónica.
a0 + a1 x + a2 x2 + · · · + an xn = a0 · 1 + a1 · x + a2 · x2 + · · · + an · xn
Si U ≤ V ⇒ dim U ≤ dim V y si dim U = dim V ⇒ U = V .

Ejercicio 3.1. Encontrar una base del subespacio vectorial de R3 ,

V = {(x, y, z) ∈ R3 : x + y + z = 0}.
Si resolvemos la ecuación x+y+z = 0 obtenemos como solución paramétrica (x, y, z) = (λ, µ, −λ−
µ), por lo que los vectores de V son de la forma
(λ, µ, −λ − µ) = λ(1, 0, −1) + µ(0, 1, −1). En consecuencia {(1, 0, −1), (0, 1, −1)} es una base de V .

4. C OORDENADAS DE UN VECTOR RESPECTO A UNA BASE . M ATRIZ DEL CAMBIO DE BASE

Proposición 4.1

Sea V un espacio vectorial y {u1 , . . . , un } ⊂ V . Entonces {u1 , . . . , un } es base de V si y sólo si

cada vector de V se expresa de forma única como c. l. de los ui .

Definición 4.2: Coordenadas de un vector respecto a una base

Si B = {u1 , . . . , un } es una base de un espacio vectorial V y u ∈ V , sabemos que u = α1 u1 +

· · · + αn un con αi ∈ R ∀ i = 1, . . . , n y donde los αi son únicos. Los escalares α1 , . . . , αn
reciben el nombre de coordenadas del vector u en la base B, lo cual denotaremos como:
[u]B = (α1 , . . . , αn )

Ejemplo 4.3

Al expresar un vector de Rn , (a1 , . . . , an ), siempre lo solemos hacer a través de sus coordenadas

en la base canónica.
(a1 , a2 , . . . , an ) = a1 · (1, 0, . . . , 0) + a2 · (0, 1, 0, . . . , 0) + · · · + an · (0, . . . , 0, 1)

Ejercicio 4.1. Encontrar las coordenadas del vector u = (7, −2, −2) ∈ R3 en la base
B = {(1, 0, 1), (−1, 1, 1), (2, 1, −1)}.
Las coordenadas serán la solución de la ecuación:

x − y + 2z = 7

(7, −2, −2) = x(1, 0, 1) + y(−1, 1, 1) + z(2, 1, −1) ⇔ y + z = −2 ⇔ x = 2, y = −3, z = 1

x + y − z = −2


Por tanto [(7, −2, −2)]B = (2, −3, 1).

 7

4.0.1. Matriz del cambio de base. En esta sección realizaremos una serie de cálculos que nos llevarán
a la obtención de una matriz (matriz del cambio de base), la cual nos servirá para calcular las coordena-
das de un vector respecto de una base, sin necesidad de resolver un sistema de ecuaciones como en el
ejercicio 4.1.
Sea V un espacio vectorial con bases B = {u1 , . . . , un } y B 0 = {v1 , . . . , vn }, u ∈ V con coordenadas
[u]B = (x1 , . . . , xn ) y [u]B0 = (y1 , . . . , yn ).
Vamos a ver la relación existente entre (x1 , . . . , xn ) e (y1 , . . . , yn ):

n
X n
X
[u]B = (x1 , . . . , xn ) ⇒ u = xj · uj [u] B0 = (y1 , . . . , yn ) ⇒ u = yi · vi
j=1 i=1

n
P
Pongamos que [uj ]B0 = (a1j , . . . , anj ) ⇒ uj = aij · vi ∀ j = 1, . . . , n, por tanto nos queda:
i=1

 
n n n n n
!
X X X X X
u= xj · uj = xj aij · vi =  xj aij  · vi
j=1 j=1 i=1 i=1 j=1

Pn
Entonces tenemos expresado a u con dos c. l. de los vi , u = yi · vi y
! i=1
n n
xj aij · vi , y como la c. l. ha de ser única por ser B 0 una base, se ha de cumplir que
P P
u =
i=1 j=1
Pn
yi = xj aij ∀ i = 1, . . . , n, igualdad que en forma matricial queda:
j=1

     
y1 a11 a12 ··· a1n x1
 ..   .. .. .. ..  ·  .. 
 . = . . . .   . 
yn an1 an2 ··· ann xn

A la matriz anterior, de orden n×n, se le denomina matriz de paso de la base B a B 0 la cual denotamos
0
por PBB . Esta matriz tiene como columnas las coordenadas de cada uno de los vectores de B en la base
B0 .
0
En conclusión [u]B0 = PBB · [u]B

0 0
Observación: La matriz PBB es regular (invertible) y se cumple que PBB0 = (PBB )−1

Proposición 4.4

Sea V un espacio vectorial, B, C y D tres bases de V , entonces:

PBD = PCD · PBC
8

Ejemplo 4.5

Sea C la base canónica de Rn y B = {u1 , . . . , un } otra base cualquiera, supongamos que uj =

(u1j , . . . , unj ) ∀ j = 1, . . . , n, entonces:
 
u11 · · · u1n
 u21 · · · u2n 
PBC =  ..
 
. . .. 
 . . . 
un1 · · · unn
Es decir las columnas de PBC son los vectores de B, además PCB = (PBC )−1 .

Ejercicio 4.2. Sean B = {(−1, 1, 0), (1, −1, 1), (−1, 0, 0)} y B 0 = {(1, 0, 1), (0, 1, 1), (1, 1, 0)} dos
0
bases de R3 . Calcular PBB y las coordenadas de u ∈ R3 en la base B 0 sabiendo que [u]B = (2, −6, 4).
0
Para calcular la matriz PBB tendríamos que calcular las coordenadas de los vectores de B en la base B 0
para lo cual deberíamos resolver tres sistemas de ecuaciones. Pero hay otra forma más sencilla: teniendo
en cuenta el resultado de la
0 0
proposición 4.0.1, PBB = PCB · PBC = (PBC0 )−1 · PBC (C base canónica), y según el ejemplo 4.0.1 estas
0
matrices son aquellas cuyas columnas son los vectores de las dos bases. Por tanto para calcular PBB
bastará con calcular la matriz inversa, de aquella cuyas columnas son los vectores de B 0 , y multiplicarla
por la matriz que tiene como columnas los vectores de B.
−1    1 −1 1  
−1 23 −1
   
1 0 1 −1 1 −1 2 2 2 −1 1 −1 2
0
PBB = 0 1 1 · 1 −1 0  =  −1 2
1
2
1 
2 · 1 −1 0  =  1 −1 2
1 
2
1 1 0 0 1 0 1 1 −1 0 1 0 −1 −1
2 2 2 0 2 2

−1 32 −1
   
2 2
B 0
−1 1
[u]B0 = PB · [u]B =  1 2 2
 · −6 = (−13, 7, 1)

−1 −1 4
0 2 2

5. E CUACIONES DE UN SUBESPACIO VECTORIAL

Dado un espacio vectorial V y un subespacio U ≤ V , llamaremos ecuación de U a cualquier expresión

algebraica a partir de la cual podamos determinar todos los vectores de U . Vamos a estudiar dos tipos de
ecuaciones: las ecuaciones implícitas y la paramétricas.
5.0.1. Ecuación general o implícita. Se trata de una ecuación o sistema homogéneo de ecuaciones
lineales en donde todas las ecuaciones son independientes, es decir no hay una ecuación que sea combi-
nación lineal de las demás. Por ejemplo:
(
4 x−t=0
U = {(x, y, z, t) ∈ R : }
x + 2y + 3z − t = 0
Si tenemos la ecuación implícita de un subespacio, su dimensión es igual al número de incógnitas me-
nos el de ecuaciones, y la base del subespacio la podemos obtener resolviendo el sistema de ecuaciones
como se hace el el ejercicio 3.1.

5.0.2. Ecuación paramétrica. Como su nombre indica, es una ecuación dada de forma explícita a través
de un número de parámetros, es decir nos define las coordenadas de los vectores a través de parámetros.
En este caso los coeficientes que acompañan a los parámetros han de formar vectores l. ind. y estos
 9

vectores formarán una base del subespacio, la dimensión es el número de parámetros que aparecen. Por
ejemplo: 

 x=λ−µ

y = 2λ − 3µ
W = {(x, y, z, t) ∈ R4 : , λ, µ ∈ R}
z = λ + 2µ


t = −λ + µ


En este caso, dim W = 2 y una base es {(1, 2, 1, −1), (−1, −3, 2, 1)}.

6. M ATRICES

Representaremos por Mn×m (R) el conjunto de todas las matrices reales de orden n × m (n filas y m
columnas). El caso de las matrices cuadradas (mismo número de filas que de columnas) de orden n lo
denotaremos por Mn (R).
Definición 6.1

Dada una matriz A ∈ Mn×m (R) el elemento aij es el elemento de la fila i que ocupa la
columna j.
Dada una matriz A = (aij )i,j ∈ Mn×m (R), llamaremos diagonal principal de A a los
elementos de la forma akk .
Llamaremos matriz identidad de orden n, In , a aquella matriz cuadrada de orden n donde
todos los elementos de la diagonal principal son 1 y los demás son nulos.
Llamaremos matriz nula, 0, a aquella matriz que tiene todos sus elementos nulos.
Dada una matriz A ∈ Mn×m (R), llamaremos matriz traspuesta de A,
AT ∈ Mm×n (R), a aquella matriz obtenida al intercambiar las filas por columnas en A.
Dada una matriz A ∈ Mn (R), diremos que es simétrica si A = AT .
Diremos que una matriz A es triangular inferior (superior) si todos los elementos situados
por debajo (arriba) de la diagonal principal son todos nulos.
Dada una matriz cuadrada A ∈ Mn (R), diremos que es regular si tiene inversa, es decir,
si ∃ A−1 ∈ Mn (R) tal que A · A−1 = A−1 · A = In .

6.1. Operaciones con matrices.

6.1.1. Suma de matrices. (Mn×m (R), +) es un grupo abeliano por cumplir las siguientes propiedades:
Asociativa: A + (B + C) = (A + B) + C
Conmutativa: A + B = B + A
Elemento neutro o nulo: ∃ 0 ∈ Mn×m (R) tal que A + 0 = A
Elemento simétrico u opuesto: A + (−A) = 0
6.1.2. Producto de matrices. No todo par de matrices se pueden multiplicar, para realizar el producto
A · B es preciso que el número de columnas de A sea igual al de filas de B, es decir, si A ∈ Mn×m (R)
entonces B ∈ Mm×h (R).
Además el producto de matrices no es conmutativo es decir que A · B 6= B · A, a parte de que si
podemos realizar el producto A · B no se tiene por que poder realizar B · A.
(Mn (R), +, ·) es un anillo unitario no conmutativo por cumplir además las propiedades:
Asociativa: A · (B · C) = (A · B) · C
Elemento neutro: ∃ In ∈ Mn (R) tal que A · In = In · A = A
Propiedad distributiva del producto con respecto a la suma:
A · (B + C) = A · B + A · C
10

6.2. Transformaciones elementales. Dada una matriz A ∈ Mn×m (R), llamaremos transformaciones
elementales de filas (columnas) de A a cada una de las siguientes transformaciones:
Intercambiar la posición de dos filas (columnas).
Multiplicar todos los elementos de una fila (columna) por un escalar no nulo.
Sumar a un a fila (columna) dada, otra multiplicada por un escalar.
Definición 6.2: Matrices semejantes

Diremos que dos matrices A, B ∈ Mn×m (R) son equivalentes, A ∼e B, si una se obtiene a partir
de la otra por medio de transformaciones elementales.

Proposición 6.3

Dos matrices A, B ∈ Mn×m (R) son equivalentes si y sólo si existen matrices regulares P ∈
Mn (R) y Q ∈ Mm (R) tales que A = P · B · Q.

Observación: Si dos matrices A, B ∈ Mn×m (R) son equivalentes y A se obtiene de B sólo a partir
de transformaciones por filas (columnas) entonces existe una matriz regular P ∈ Mn (R) (Q ∈ Mm (R))
tal que A = P · B (A = B · Q).
Definición 6.4: Rango

Sea A ∈ Mn×m (R), el rango de A (rang(A)) es el número máximo de vectores fila o columna l.
ind. de A. (rang(A) ≤ mı́n{m, n})
Por definición se deduce que rang(A) = rang(AT ).

Proposición 6.5

Dos matrices son equivalentes si y sólo si tienen el mismo rango.

Observación: El rango de una matriz triangular es el número de filas no nulas que tiene.
Ejemplo 6.6
 
1 −1 5 3
Calcular el rango de la matriz A = 2 0 1 −1.
4 2 −7 −9
Para calcular el rango de de A vamos a realizar transformaciones elementales por filas hasta
obtener una matriz triangular, cuyo rango será el mismo que de A ya que serían semejantes. El
primer paso es conseguir ceros en las entradas a21 y a31 utilizando como pivote el elemento a11 ,
para ello vamos a sumar la primera fila multiplicada
 por −2 a la segunda
 y la primera multiplicada
1 −1 5 3
por −4 a la tercera. Así obtenemos la matriz 0 2 −9 −7 . Para finalizar, en la nueva
0 6 −27 −21
matriz, tenemos que conseguir un cero en a32 utilizando como pivote el a22 , por tanto vamos
 a
1 −1 5 3
sumar la segunda fila multiplicada por −3 a la tercera y obtenemos 0 2 −9 −7. Esta
0 0 0 0
última matriz es triangular con sólo dos filas no nulas por tanto su rango y el de A es 2.
 11

Proposición 6.7: Método de Gauss-Jordan

Sea A ∈ Mn (R) regular, entonces es posible llegar, a partir de A, a la matriz identidad In me-
diante transformaciones elementales sólo por filas (columnas).

Observación: Si A ∈ Mn (R) es regular entonces A ∼e In y además la matriz identidad In se

puede obtener de A mediante transformaciones por filas (columnas) por lo que existe P ∈ Mn (R)
(Q ∈ Mn (R)) regular tal que In = P · A (In = A · Q), por tanto P = A−1 (Q = A−1 ).

Ejemplo 6.8
 
1 −1 1
Calcular la matriz inversa de A =  1 0 2 .
−2 1 0
Para calcular la matriz inversa vamos a utilizar el método de Gauss-Jordan, el cual consiste en
aplicar a la matriz identidad las mismas transformaciones elementales por filas, que se le aplican
a la matriz A para convertirla en la identidad. La matriz resultante de aplicarle a la identidad
dichas transformaciones es la inversa de A.
Para realizar el proceso, utilizamos una nueva matriz obtenida ampliando las filas de la matriz
A con la identidad y vamos realizando transformaciones hasta que la parte correspondiente de la
matriz
 A se convierta en la identidad,
 la correspondiente a la identidad será la inversa de A.
1 −1 1 | 1 0 0
1 0 2 | 0 1 0, el primer paso es hacer ceros en a21 y a31 utilizando como pivote
−2 1 0 | 0 0 1
a a11 , para ello vamos a sumar la primera fila multiplicada  por −1 a la segunda y laprimera
1 −1 1 | 1 0 0
multiplicada por 2 a la tercera. Así obtenemos la matriz 0 1 1 | −1 1 0, ahora

0 −1 2 | 2 0 1
tenemos que conseguir un cero en a32utilizando como pivote el a 22 , por tanto vamos a sumar la
1 −1 1 | 1 0 0
segunda fila a la tercera y obtenemos 0 1 1 | −1 1 0.
0 0 3 | 1 1 1
Lo siguiente es conseguir ceros en a13 y a23 utilizando
 como pivote a2a33 ,−1 sumamos  la tercera fila
−1
1 −1 0 | 3 3 3
multiplicada por −1 3 a la primera y a la segunda
0 1 0 | −4 2 −1 . El siguiente
3 3 3
0 0 3 | 1 1 1
paso es conseguir un cero en a12 utilizando como pivote a a22 , sumamos la segunda fila a la
1 0 0 | −2 1 −2

3 3 3
primera 0 1 0 | −4 3
2
3
−1 
3
. Por último es conseguir que en la diagonal principal sólo
0 0 3 | 1 1 1
hayan unos, que en nuestro caso sólo tenemos que multiplicar la tercera fila por 13 y finalizamos
1 0 0 | −2 1 −2
 
3 3 3
obteniendo 0 1 0 | −4 3
2
3
−1 
3 .
0 0 1 | 3 3 13 1 1
 −2 1 −2 
3 3 3
Por tanto la matriz inversa de A es A−1 =  −4
3
2
3
−1 
3 .
1 1 1
3 3 3
12

6.3. Determinante de una matriz cuadrada. Sea A ∈ Mn (R), vamos a definir el determinante de A
(det A, |A|), por inducción en n:

Si n = 1 → A = (a11 ) → |A| = a11

Si n > 1 → supongamos que sabemos calcular el determinante de matrices de orden n − 1,
definimos el determinante de A como:
Sea Aij la matriz que se obtiene de A quitándole la fila i-ésima y la columna j-ésima.

a11 a12 ··· a1j−1 a1j+1 ··· a1n

 
 a21 a22 ··· a2j−1 a2j+1 ··· a2n 
 .. .. .. .. .. .. .. 

 . . . . . . .


Aij = ai−11 ai−12 · · · ai−1j−1 ai−1j+1 · · · ai−1n 
 
ai+11 ai+12 · · · ai+1j−1 ai+1j+1 · · · ai+1n 
 
 . .. .. .. .. .. .. 
 .. . . . . . . 
an1 an2 · · · anj−1 anj+1 · · · ann

Llamamos ij-ésimo menor adjunto de A al valor αij = (−1)i+j |Aij |. Entonces fijando una
columna j0 (o fila i0 ) se define el determinante de A como:

det(A) = a1j0 α1j0 + a2j0 α2j0 + · · · + anj0 αnj0 1

(det(A) = ai0 1 αi0 1 + ai0 2 αi0 2 + · · · + ai0 n αi0 n ) 2

Por ejemplo si calculamos el determinante desarrollándolo por la primera columna quedaría:

det(A) = a11 α11 + a21 α21 + · · · + an1 αn1

Observación: Tal y como se ha definido el determinante, al dar igual desarrollarlo por una fila o una
columna, se deduce que det(A) = det(AT ).

Definición 6.9: Matriz adjunta

Sea A ∈ Mn (R), a la matriz Aadj = (αij )i,j ∈ Mn (R) formada por los menores adjuntos de A
recibe el nombre de matriz adjunta de A.

1Determinante de A desarrollado por la columna j -ésima

0
2Determinante de A desarrollado por la fila i -ésima
0
 13

Ejemplos 6.10

Si A = (a11 ) → |A|
 = a11
a11 a12
Si A = → |A| = a11 (−1)1+1 a22 + a21 (−1)2+1 a12 = a11 a22 − a21 a12
a21 a22
 
a11 a12 a13
Si A = a21 a22 a23 
a31 a32 a33
a a a a a a
|A| = a11 (−1)1+1 22 23 + a21 (−1)2+1 12 13 + a31 (−1)3+1 12 13 =
a32 a33 a32 a33 a22 a23
= a11 (a22 a33 − a32 a23 ) − a21 (a12 a33 − a32 a13 ) + a31 (a12 a23 − a22 a13 ) =
= a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a11 a32 a23 − a21 a12 a33 − a31 a22 a13 .
Resultado que coincide con la conocida regla de Sarrus para calcular determinantes de
orden 3.
El determinante de una matriz triangular es el producto de los elementos de su diagonal
principal.

6.3.1. Propiedades de los determinantes. Sean A, B, C ∈ Mn R:

Si A, B y C sólo se diferencian en la columna j0 -ésima (fila i0 -ésima), siendo colj0 (A) =
λ · colj0 (B) + µ · colj0 (C) (f ilj0 (A) = λ · f ili0 (B) + µ · f ili0 (C)), entonces det(A) =
λ · det(B) + µ · det(C).

a1 λb1 + µc1 a b a c
=λ· 1 1 +µ· 1 1
a2 λb2 + µc2 a2 b2 a2 c2

Si una fila o columna de A se multiplica por un escalar, el determinante queda multiplicado por
el escalar.
det(λ · A) = λn · det(A)
Si una matriz tiene una fila o columna nula su determinante es nulo.
Si alguna fila o columna es c. l. de las demás, el determinante es nulo.
Si en una matriz se intercambian dos filas o columnas, el determinante cambia de signo. En
general, si se realiza un número par de cambios el determinante no varía, pero si es impar cambia
de signo.
Si en una matriz a una fila o columna se le suma una c. l. de las demás el determinante no varía.
det(A · B) = det(A) · det(B), det(Ak ) = det(A)k .
Si A es regular det(A−1 ) = det(A)−1 .

Proposición 6.11

Una matriz A ∈ Mn (R) es invertible si y sólo si det(A) 6= 0, además se tiene que:

1
A−1 = (Aadj )T
det(A)
14

Definición 6.12
Sea A ∈ Mn×m (R) y sea r ≤ n, m, se llama menor de orden r al determinante de cualquier
submatriz cuadrada de A de orden r.
Si A = (ai,j )n,m
i,j=1 , una submatriz cuadrada de orden r es Ar = (ai,j ) i = i1 , . . . , ir con 1 ≤ i1 <
j = j1 , . . . , jr
. . . < ir ≤ n y 1 ≤ j1 < . . . < jr ≤ n, y un menor  r es det(Ar ).
 de orden
r,r
Se le llama menor principal de orden r al det (ai,j )i,j=1 .

Proposición 6.13

Sea A ∈ Mn×m (R), el rango de A es r si y sólo si existe en A un menor de orden r no nulo y

todo menor de orden r + 1 es nulo.

Observaciones: Podemos calcular el rango de una matriz utilizando menores:

Si A ∈ Mn (R) y su determinante es no nulo, entonces su rango es n.
Si A ∈ Mn×m (R), buscamos, por ejemplo, un menor de orden 2 no nulo (si no lo hay su rango
será menor que 2) y este mismo menor lo vamos ampliando de orden hasta que todos los de un
cierto orden k > 2 que lo contengan sean nulos, entonces rang(A) = k − 1.
 
1 −1 5 3
Calcular el rango de la matriz A = 2 0 1 −1.
4 2 −7 −9
1 −1
Si cogemos el menor = 2 6= 0, por tanto el rango es mayor igual que 2, ahora orlamos
2 0
(ampliamos) el menor no nulo encontrado.
1 −1 5 1 −1 3
2 0 1 = 0, 2 0 −1 = 0.
4 2 −7 4 2 −9
Las dos únicas ampliaciones posibles son nulas por lo que el rango es dos.

7.S ISTEMAS DE ECUACIONES LINEALES


a11 x1 + a12 x2 + · · · + a1m xm = b1


a21 x1 + a22 x2 + · · · + a2m xm = b2

Dado el sistema de n ecuaciones con m incógnitas .. .. .. .. , llama-


 . . . .

an1 x1 + an2 x2 + · · · + anm xm = bn

 
a11 a12 . . . a1m
 a21 a22 . . . a2m 
remos matriz de coeficientes a la matriz A =  .. .. , matriz de términos independien-
 
.. ..
 . . . . 
a a . . . anm
   n1  n2
b1 x1
 b2   x2 
tes a B =  .. , matriz incógnita a X =  ..  y matriz ampliada del sistema (A|B) a la matriz que
   
.  . 
bn xm
se obtiene al añadirle a A la columna que forman los elementos de B.
Con estos datos podemos expresar el sistema de forma matricial como A · X = B.
 15

Definición 7.1

 elsistema de ecuaciones lineales A · X = B.

Con la notación anterior, dado
c1
 c2 
Diremos que C =  ..  es solución del sistema si A · C = B.
 
 . 
cm
Diremos que dos sistemas son equivalentes si tienen las mismas soluciones.
Diremos que el sistema es compatible determinado (S.C.D.) si tiene una única solución,
compatible indeterminado (S.C.I.) si tiene infinitas soluciones e incompatible (S.I.) si
no tiene solución.

Proposición 7.2

Dados dos sistemas de ecuaciones A1 · X = B1 y A2 · X = B2 , si (A1 |B1 ) y (A2 |B2 ) son

equivalentes por filas entonces ambos sistemas son equivalentes.

Demostración. Si (A1 |B1 ) y (A2 |B2 ) son equivalentes por filas entonces existe una matriz P tal que
P · (A1 |B1 ) = (A2 |B2 ) ⇔ P · A1 = A2 y P · B1 = B2 .
C solución de A1 · X = B1 ⇔ A1 · C = B1 ⇔ P · A1 · C = P · B1 ⇔
⇔ A2 · C = B2 ⇔ C solución de A2 · X = B2 . 

7.1. Método de Gauss. Dado el sistema de ecuaciones A · X = B, el método de Gauss consiste en

realizar transformaciones elementales por filas a la matriz (A|B) para obtener una matriz triangular infe-
rior (A0 |B 0 ), de forma que el sistema de ecuaciones A0 · X = B 0 es sencillo de resolver y es equivalente
al original.

Ejemplo 7.3

x − 4y + z = 8

Resolver el sistema 3x − 12y + 5z = 26 .

2x − 9y − z = 14

 
1 −4 1 | 8
La matriz del sistema es 3 −12 5 | 26, para convertirla en triangular primero tenemos
2 −9 −1 | 14
que hacer ceros en a21 y a31 utilizando como pivote a a11 , para ello vamos a sumar la primera fila
multiplicada
 por −3 a la segunda
 y la primera multiplicada por −2 a la tercera. Así obtenemos la
1 −4 1 | 8
matriz 0 0 2 | 2  en la cual si intercambiamos las filas segunda y tercera obtene-
0 −1 −3 | −2
 
1 −4 1 | 8
mos la matriz triangular 0 −1 −3 | −2, por lo que obtenemos el sistema equivalente
0 0 2 | 2

x − 4y + z = 8

−y − 3z = −2 cuya solución es z = 1, y = −1 y x = 3.

2z = 2

16

7.2. Teorema de Rouche-Frobenius. Dado el sistema de ecuaciones A · X = B, entonces:

(1) Si el rang(A) = rang(A|B) el sistema es compatible:

a) si rang(A) = rang(A|B) igual al número de incógnitas, el sistema es compatible determi-
nado.
b) si rang(A) = rang(A|B) menor que el número de incógnitas, el sistema es compatible
indeterminado.
(2) Si el rang(A) < rang(A|B) el sistema es incompatible.

Ejemplo 7.4

x + y + z = 3

Discutir el sistema 2x + ay + z = 2 según el valor del parámetro a.

x + ay − z = 3

Para discutir el sistema vamos a aplicar el teorema de Rouche-Frobenius, por lo cual calcularemos
los rangos de la matriz de coeficientes
 A y la ampliada (A|B) según el valor que tome a.
1 1 1 | 3
(A|B) = 2 a 1 | 2, el det(A) = −a + 3 por tanto si a 6= 3 su determinante no es
1 a −1 | 3
nulo por lo que su rango será 3 igual al de la ampliada y al número de incógnitas lo que nos da un
sistema compatible determinado.
Ahora vamos  a estudiar el casoa = 3.
1 1 1 | 3
1 1
(A|B) = 2 3 1 | 2, el rang(A) = 2 ya que el menor = 1 6= 0 y el
2 3
1 3 −1 | 3
1 1 3
rang(A|B) = 3 ya que 2 3 2 = 8 6= 0, por tanto en este caso el sistema es incompati-
1 3 3
ble. (
Si a 6= 3 S.C.D.
Resumiendo:
Si a = 3 S.I.

7.3. Regla de Crammer. Dado el sistema de ecuaciones A · X = B con A ∈ Mn (R) y det(A) 6= 0.

Definimos Aj como la matriz obtenida de A al cambiar su columna j-ésima por la columna B, entonces
la solución del sistema es:

det(Ai )
xi = ∀ i = 1, . . . , n
det(A)
 17

Ejemplo 7.5

x + y + z = 2

Resolver, utilizando la regla de Crammer, el sistema x − z = 1 .

y+z =0

 
1 1 1 | 2
(A|B) = 1 0 −1 | 1, det(A) = 1
0 1 1 | 0
2 1 1 1 2 1 1 1 2
1 0 −1 1 1 −1 1 0 1
0 1 1 0 0 1 0 1 0
x= = 2, y= = −1, x= =1
1 1 1