Matrices

Version Enero de 2010

Pontificia Universidad Catolica de Chile

Indice
1. Transformaciones lineales de Rn en Rm
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Matriz can
onica de una transformaci
on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Operaciones matriciales
2.1. Suma de matrices . . . . . . . .
2.2. Ponderaci
on de matrices por un
2.3. Multiplicaci
on de matrices . . .
2.4. La matriz transpuesta . . . . .
2.5. La notaci
on A = (aij ) . . . . .

. . . . .
escalar
. . . . .
. . . . .
. . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

3. Transformaciones lineales inyectivas y sobreyectivas.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

1
1
1
4
7
7
8
9
13
14
16

4. Matrices inversas
20
4.1. Calculo de inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1.1. Inversas por la derecha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1.2. Inversas por la izquierda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5. Inversas de matrices cuadradas

24

1.
1.1.

Transformaciones lineales de Rn en Rm
Introducci
on

Hasta ahora, nuestro uso de matrices en sistemas de ecuaciones lineales nos ha permitido sistematizar nuestro
trabajo de resolucion y realizar un analisis, a traves de la definicion de rango gaussiano, del n
umero de soluciones
que tendremos. Pero esencialmente las matrices han actuado como una notaci
on abreviada para hacer mas eficiente
nuestro trabajo, ya que toda la teora desarrollada podra realizarse, ciertamente con un lenguaje mucho mas
complejo, de igual forma con la escritura completa de los sistemas de ecuaciones lineales.
A continuacion, estudiaremos las matrices desde un punto de vista distinto. El enfoque de este captulo se basa

en la definicion del producto de una matriz A por un vector

x , que entrega una vision vectorial (y geometrica) de
los sistemas de ecuaciones lineales.
Recordemos que toda matriz A de m n (es decir, A tiene m filas y n columnas) se puede multiplicar por

cualquier vector
x Rn y que la definicion del producto A
x se realiza describiendo la matriz por sus columnas:





A=
c1 
c2  
cn ,

donde los vectores columnas de A,

c1 ,
c2 , . . . ,
cn , pertenecen a Rm . Entonces:

x1
x2






cn
c2 + + xn
c1 + x2
cn . = x1
A
x =
c1 
c2  
..
xn

Por tanto, al multiplicarlo por A, a cada vector

x Rn le corresponde un u
nico vector
y Rm . Es decir, la
n
m
multiplicacion por A define una funci
on de R en R :
TA : Rn Rm

x 7 TA (
x ) = A
x
Esta nocion funcional de las matrices nos permitira estudiar nuevas propiedades de ellas, no relacionadas directamente con los sistemas de ecuaciones lineales.

1.2.

Transformaciones lineales

Definici
on: Una transformaci
on lineal (tl ) de Rn en Rm es una funci
on
T : Rn Rm
que cumple las siguientes propiedades:
+
) = T (
) + T (
)
(i) T (
x
x
x
x
1
2
1
2
) = T (
)
(ii) T (
x
x
1
1
,

n
donde R y
x
1 x2 R .

Ejemplos:
1. Consideremos varias funciones T : R R:
a) T (x) = x es tl, pues T (x1 + x2 ) = x1 + x2 = T (x1 ) + T (x2 ) y T (x1 ) = x = T (x).
b) T (x) = x2 no es tl, pues T (x1 +x2 ) = (x1 +x2 )2 , T (x1 )+T (x2 ) = x21 +x22 y, en general, x21 +x22 6= (x1 +x2 )2 .
c) T (x) = sen(x) tampoco es tl, pues sen(x + y) 6= sen(x) + sen(y).

d ) Pronto probaremos que las u

nicas transformaciones lineales de R en R son las rectas no verticales que
pasan por el origen:
T (x) = mx, para los distintos valores de m R.
De hecho, las rectas deben pasar por el origen, pues una propiedad general de las tl es la siguiente:
Si T : Rn Rm es una tl, entonces T (0) = 0.
Lo que es claro, pues T (0) = T (0 + 0) = T (0) + T (0) = T (0) = 0.
2. La funci
on T : R2 R3 , definida por
T (x, y) = (3x 2y, x, y)
es una tl, pues


T (a, b) + (c, d)

= T a + c, b + d

3(a + c) 2(b + d), (a + c), (b + d)




= 3a 2b, a, b + 3c 2d, c, d




= T a, b + T c, d

T (a, b)

T a, b

3a 2b, a, b


3a 2b, a, b


T a, b

=
=

3. Si consideramos una matriz fija A de mn, tenemos que la funci

on TA : Rn Rm definida por TA (
x ) = A
x
es una tl, pues
+
) = A(
+
) = A
+ A
= T (

TA (
x
x
x
x
x
x
1
2
1
2
1
2
A x1 ) + TA (x2 )
y

) = A(
) = A
= T (

TA (
x
x
x
1
1
1
A x1 )

por las propiedades del producto A

x.
M
as adelante, probaremos que todas las transformaciones lineales de Rn en Rm seran del tipo de la tl del ejemplo
3.
Por ahora, nos enfocaremos en la naturaleza funcional de las transformaciones lineales. Probaremos que las tl
se pueden sumar, ponderar y componer, manteniendo sus propiedades.
Teorema. Sean T1 : Rn Rm y T2 : Rn Rm dos transformaciones lineales. Entonces la funci
on suma
T1 + T2 tambien es una tl de Rn en Rm .
Demostraci
on. La funci
on suma T1 + T2 se define por

(T1 + T2 )(
x ) = T1 (
x ) + T2 (
x ).
Si u y v son dos vectores de Rn y R, entonces
(i)
(T1 + T2 )(u + v) =

T1 (u + v) + T2 (u + v)

(definicion de T1 + T2 )

=
=

T1 (u) + T1 (v) + T2 (u) + T2 (v)

(T1 (u) + T2 (u)) + (T1 (v) + T2 (v))

(T1 y T2 son tl)

(T1 + T2 )(u) + (T1 + T2 )(v)

(definicion de T1 + T2 )

(ii)
(T1 + T2 )(u)

= T1 (u) + T2 (u)

(definicion de T1 + T2 )

= T1 (u) + T2 (u)
= (T1 (u) + T2 (u))

(T1 y T2 son tl)

= (T1 + T2 )(u)

(definicion de T1 + T2 )

Luego, hemos probado que la funci

on T1 + T2 es una tl de Rn en Rm .
Teorema. Sea T : Rn Rm una transformaci
on lineal y una constante real. Entonces la funci
on ponderaci
on
T tambien es una tl de Rn en Rm .
Demostraci
on. La funci
on suma T se define por

(T )(
x ) = T (
x ).
Si u y v son dos vectores de Rn y R, entonces
(i)
(T )(u + v) =

T (u + v)

=
=

T (u) + T (v)
T (u) + T (v)

(T )(u) + (T )(v)

(definicion de T )
(T es tl)
(definicion de T )

(ii)
(T )(u)

= T (u)


= T (u)

= T (u)
= (T )(u)

(definicion de T )
(T es tl)
(definicion de T )

Con lo que hemos demostrado que la funci

on T es una tl de Rn en Rm .
Teorema. Sean T : Rn Rm y S : Rm Rp dos transformaciones lineales. Entonces la funci
on composici
on
S T es una tl de Rn en Rp .
Demostraci
on. La funci
on composicion S T se define por

(S T )(
x ) = S T (
x) .

Si u y v son dos vectores de Rn y R, entonces

(i)
(S T )(u + v) =
=
=
=

S T (u + v)

S T (u) + T (v)




S T (u)) + S T (v)
(S T )(u) + (S T )(v)

(definicion de S T )
(T es tl)
(S es tl)
(definicion de S T )

(ii)
(S T )(u) =
=
=
=

S T (u)


S T (u)


S T (u)
(S T )(u)

(definicion de S T )
(T es tl)
(S es tl)
(definicion de S T )

Y hemos probado que la funci

on S T es una tl de Rn en Rp .
Nota : La operaci
on de multiplicaci
on de funciones que se realiza en funciones reales, no tendra sentido en
general, pues para los vectores de Rm , con m 6= 1, no se ha definido ninguna multiplicacion. Esto no implica
ninguna perdida importante, pues si T1 : R R y T2 : R R son las tl T1 (x) = x y T2 (x) = 4x, entonces
la funci
on producto T1 T2 , que est
a definida por (T1 T2 )(x) = T1 (x) T2 (x) = 4x2 , no es tl de R en R, pues
(T1 T2 )(1 + 1) = (T1 T2 )(2) = 4 22 = 16 mientras que (T1 T2 )(1) + (T1 T2 )(1) = 2(T1 T2 )(1) = 2 4 12 = 8 6= 16.
Es decir, aunque tuvieramos definida la multiplicacion de vectores en Rm , aun as no podramos garantizar que el
producto de transformaciones lineales siguiera siendo una tl.

1.3.

Matriz can
onica de una transformaci
on lineal

Ya vimos que dada una matriz A de m n, podemos definir una tl TA : Rn Rm por

TA (x) = Ax.
Ahora, veremos que, ademas, para cada transformaci
on lineal T : Rn Rm podemos encontrar una matriz B
de m n tal que
x Rn T (x) = Bx.
Definici
on: Sea n N, fijo. Llamaremos vectores can
onicos de Rn a los vectores
e1

(1, 0, 0, . . . , 0, 0)

e2
e3

=
=
..
.

(0, 1, 0, . . . , 0, 0)
(0, 0, 1, . . . , 0, 0)

en1
en

=
=

(0, 0, 0, . . . , 1, 0)
(0, 0, 0, . . . , 0, 1)

Es decir, los vectores can

onicos son los n vectores que apuntan en las direcciones de los ejes coordenados (tienen
todas sus coordenadas iguales a cero, excepto una que es un uno).
Claramente, los vectores can
onicos de Rn son unitarios (kei k = 1) y tomados de a pares son ortogonales (si i 6= j,
se tiene que ei ej = 0). Pero sus principales caractersticas son que {e1 , e2 , . . . , en } es un conjunto de vectores li
de Rn y que todo vector x = (x1 , x2 , x3 , . . . , xn ) Rn se escribe de manera u
nica (y obvia) como cl de los vectores
canonicos:
x = x1 e1 + x2 e2 + + xn en .
(Los coeficientes de la cl son las componentes de x).
Ahora, supongamos que conocemos la definicion de una tl T : Rn Rm . Queremos determinar una matriz B
tal que
T (x) = Bx

para todo vector x Rn . Para esto, notemos que

T (x)

= T x1 e1 + x2 e2 + + xn en

= x1 T (en ) + x2 T (e2 ) + + xn T (en )

x1
i x2
h

T (e1 ) T (e2 ) T (en ) .
=
..
xn

donde hemos obtenido la u

ltima igualdad directamente de la definicion de multiplicacion matrizvector. De esta
manera, si llamamos B a la matriz formada por columnas por los vectores de Rm : T (e1 ), T (e2 ), . . . , T (en ),
obtendremos que la propiedad T (x) = Bx.
Definici
on: Dada una tl T : Rn Rm , la matriz de m n
h
B = T (e1 ) T (e2 )

T (en )

es la matriz can
onica de la transformaci
on lineal T .

Nota : Con esto, hemos probado que hay una relacion de correspondencia una a una entre las matrices y las
transformaciones lineales:
Dada una matriz A se define la transformaci
on lineal TA por TA (x) = Ax.
Dada una tl T podemos considerar su matriz canonica AT que cumple T (x) = AT x.
Ademas, se tiene que si partimos con una matriz A, obtenemos TA y calculamos la matriz canonica de TA , volvemos
a A. Analogamente, si partimos de una tl S, obtenemos su matriz canonica AS y calculamos la tl TAS , volvemos a
S.

Ejemplos:
1. Sea T : R4 R2 la tl definida por
T (x, y, z, t) = (3x + 8y t, 7y + z 2t)
Entonces:
T (e1 ) =

T (1, 0, 0, 0) = (3, 0)

T (e2 ) =
T (e3 ) =

T (0, 1, 0, 0) = (8, 7)
T (0, 0, 1, 0) = (0, 1)

T (e4 ) =

T (0, 0, 0, 1) = (1, 2)

Y la matriz can
onica de T es
A=

3
0

8 0
7 1

1
2

Comprobemos que T (
x ) = A
x para todo
x R4 :


 
 x
 





3 8 0 1

y = x 3 + y 8 + z 0 + t 1
A
x =
0 7 1 2 z
0
7
1
2
t


3x + 8y t
=
= T (x, y, z, t)
7y + z 2t
5

2. Sea
a = (a1 , a2 , a3 , . . . , an ) Rn , fijo. Entonces la funci
on L : Rn R definida por L(
x) =
a
x es una
tl (Compruebelo). Su matriz can
onica tendra una fila y n columnas:
i
h
i h
B = L(e1 ) | L(e2 ) | | L(en ) = a1 | a2 | | an

3. Veamos una aplicacion de la matriz can

onica de una tl. Consideremos la funci
on S : R3 R3 definida por

a
x

a
S(
x)=
x 2

a
a

donde
a = (2, 1, 1).

Queremos determinar todos los vectores

x de R3 que cumplen S(
x ) = (1, 2, 3), todos los vectores
x R3

tales que S( x ) = a y todos los vectores x 6= 0 tales que S( x ) = x .

Pero de la definicion de S es bastante engorroso llegar a una respuesta para estas preguntas. En cambio,
es relativamente directo probar que S es una transformaci
on lineal (h
agalo!), por tanto, podemos determinar
su matriz can
onica:


2
1 2 2
(2, 1, 1) e1
(2, 1, 1) = (1, 0, 0) (2, 1, 1) = , ,
S(e1 ) = e1 2
(2, 1, 1) (2, 1, 1)
3
3 3 3


(2, 1, 1) e2
1
2 2 1
S(e2 ) = e2 2
(2, 1, 1) = (0, 1, 0) (2, 1, 1) = , ,
6
3
3 3 3


1
2 1 2
(2, 1, 1) e3
(2, 1, 1) = (0, 0, 1) + (2, 1, 1) =
, ,
S(e3 ) = e3 2
6
3
3 3 3
Luego,

31

2
A=
3

32

2
3

2
3

1
3

1
3

2
3

2
3

es la matriz can
onica de S, es decir, S(
x ) = A
x . Ahora, nuestras preguntas se reducen a resolver los sistemas
1

1


3 32 23
3 32 32
x
x
1
2
2

2
1
2
1

2
2
1
y
y
=
=
3
3
3
3
3
3
z
z
3
1
1
2
1
2
2
2
3

31

2

3

23

2
3

2
3

1
3

1
3

2
3

2
3

x
x
y = y

z
z

Los primeros dos sistemas se pueden resolver simult

aneamente:
1
1

2
3 32 23 1
3 32
2
1
3
2

2
1


2
1
2 1 0
3
3
3
0
F2 2F1
2
3

1
3

2
3

2 2

3 6

2 1

3
2

0
0

F3 + 2F1

3
2

0 0

1
3

2 0

10
3

0 1

10
3

F1 F2

2
3

F3

1
2

F2

2 5

0 1 3

(3) F1

F3 + 12 F1
3
2

F1 + F3

2 1
0 3
F2 + F3
0
1 10
1
3

1
0 0
2
3

5
1 0
1
3

10
0 1 3
1

y el u
nico
x que cumple S(
x) =
a es
Luego, el u
nico
x que cumple S(
x ) = (1, 2, 3) es
x = 31 , 53 , 10
3

x = (2, 1, 1) = a .

Por u
ltimo, debemos resolver el sistema A
x =
x . Pero no podemos aplicar aqu, nuestro metodo usual
debido a que las variables del sistema se encuentran en ambos terminos de esta ecuaci
on. Debemos ordenar
nuestras ecuaciones:
4

1
1

3 x 23 y + 32 z
x
0
3 x 32 y + 23 z
3 32 23
x
x

2
2
2
1
1
1
2
1
2



y = y
3
3
3 x + 3 y + 3 z = y 3 x 3 y + 3 z = 0
3
z
z
2
2
1
2
1
2
1
1
2
z
0
3
3
3
3x + 3y + 3z
3x + 3y 3z
Ahora resolvemos el sistema homogeneo
4
4
2
3 23
3
3
2

1
1

3 0
3 3
1
2
0
31
3
3

resultante:

2
23
3

2
2
4
0
0
= 3 x 3 y + 3 z = 0 2x + y z = 0
0
0

Luego, los vectores

x tales que S(
x) =
x forman el plano 2x + y z = 0. Para concluir el ejemplo, notemos
que la u
ltima pregunta es mas f
acil de responder directamente de la definicion de S, pues

a
x
a
x

a
=
x

2
a = 0,
S(
x)=
x
x 2

a a
a a

pero como
a = (2, 1, 1) 6= 0 la u
ltima igualdad se cumplir
a si y solo si
a
x = 0, es decir, si y solo si
2x + y z = 0.

2.

Operaciones matriciales

Es esta secci
on definiremos las cuatro operaciones b
asicas que pueden realizarse con matrices: suma, ponderaci
on
por escalar, multiplicaci
on y trasposicion. Veremos que su definicion nace naturalmente de la relacion de las matrices
con las transformaciones lineales.

2.1.

Suma de matrices

Sean T : Rn Rm una tl con matriz can

onica A y S : Rn Rm una tl con matriz canonica B y describamos
ambas matrices por columnas:






h
i
h
i






A = a1  a2   an
y B = b1  b2   bn .
Ya probamos que la funci
on T + S tambien es una transformaci
on lineal de Rn a Rm . Ademas, como T (x) = Ax
y S(x) = Bx, tendremos para todo x Rn que
(T + S)(x) = T (x) + S(x) = Ax + Bx.
Definiremos la matriz suma A + B como la matriz canonica de la tl T + S. Entonces:



h
i



A+B =
(T + S)(e1 )  (T + S)(e2 )   (T + S)(en )
=




i



Ae1 + Be1  Ae2 + Be2   Aen + Ben




i



a1 + b 1  a2 + b 2   an + b n

As, las columnas de A + B corresponden a las sumas de las correspondientes columnas de A y de B.

Nota : Para que dos funciones puedan sumarse deben compartir su dominio y codominio. Es nuestro caso, para
que dos matrices puedan sumarse debe tener el mismo n
umero de filas y el mismo n
umero de columnas.

Ejemplos:

1 2
0
1. Consideramos las matrices A = 3 4 y B = 8
5 6
1

1 2
0
A + B = 3 4 + 8
5 6
1

4
2. Entonces, la matriz suma es
2

4
1
0
2 = 3 + 8
2
5
1

2
4
1 6
4 + 2 = 11 6
6
2
6 8

As, tenemos que la matriz suma A + B se calcula sumando componente a componente los elementos correspondientes de A y de B (como lo hacemos con los vectores).




1 2 7 9 8
2 0 1 1 1
2. Si se sabe que C =
es la matriz canonica de la tl T +S y que D =
0 8 2 4 1
4 2 2 1 4
es la matriz can
onica de T , c
omo podemos determinar la matriz canonica de S?
La respuesta natural es: restando
natural cuando pensamos la suma

1 2
E =C D =
0 8

las matrices de T + S y T . Pero, c

omo definimos la resta? Tambien es
por componentes. As, la matriz canonica de S sera
 
 

7 9 8
2 0 1 1 1
3 2 6 8 7

=
2 4 1
4 2 2 1 4
4 6 0 3 3



1 1 1
As, podemos pensar en inversos aditivos de matrices. Si A =
, entonces su inversa aditiva es
1 1 1


1 1 1
A =
, pues A + (A) = O, donde O es la matriz que solo contiene ceros.
1 1 1

Propiedades de la suma de matrices

Consideraremos solo matrices de m n.
1. A + B = B + A (La suma es conmutativa).
2. A + (B + C) = (A + B) + C (La suma es asociativa).
3. La matriz compuesta solo por ceros, que anotaremos O, es el neutro aditivo de la suma de matrices. Es decir,
para cualquier matriz A se tiene que A + O = O + A = A.
4. Dada una matriz fija A, existe una matriz inversa aditiva (A), que contiene a los inversos aditivos de los
elementos de A y que cumple: A + (A) = (A) + A = O.

2.2.

Ponderaci
on de matrices por un escalar




h
i



Sea T : Rn Rm una tl con matriz can
onica A = a1  a2   an y sea un n
umero real fijo.
n
m
Ya demostramos que la funci
on T tambien es una tl de R a R . Definiremos A para que sea la matriz
canonica de T . Y como tenemos que (T )(x) = (T (x)) = (Ax), entonces



h
i



A =
(T )(e1 )  (T )(e2 )   (T )(en )
=




i



(Ae1 )  (Ae2 )   (Aen )




i



a1  a2   an

As, las columnas A se obtienen ponderando las correspondientes columnas de A por .

Ejemplo:

3 2
Si A = 0 0
2 2

4 1
8 2 , entonces la matriz 3A es
3 1

9 6
3A = 0 0
6 6

12 3
24 6 .
9
3

Es decir, la ponderaci
on se
componente
a componente, multiplicando cada elemento de la matriz por 3.
realiza
31 32 23

2
2
1
un 13 en todos sus elementos. Entonces
Analogamente, la matriz
3
3 tiene un factor com
3
2
3

1
3

2
3

31

2

3
2
3

23

2
3

2
3

1
3

1
3

2
3

1
= 2
3
2

2 2
2
1

La ponderaci
on de una matriz por un escalar, satisface propiedades analogas a las de la ponderaci
on de vectores
de Rn .
Propiedades de la ponderaci
on escalar de matrices
Consideramos solo matrices de m n, y son escalares.
1. ( + )A = A + A.
2. (A + B) = A + B.
3. ()A = (A) = (A).
4. 1A = A, (1)A = A y 0A = O.

2.3.

Multiplicaci
on de matrices

Lo primero que diremos es que la multiplicacion de matrices NO CORRESPONDE a la multiplicacion de

transformaciones lineales. Recordemos que la multiplicacion de funciones de Rn en Rm ni siquiera est
a definida.
Dicho esto, veremos que el producto de matrices s corresponde a la composicion de transformaciones lineales.



i
h



Sea T : Rm Rp una tl con matriz can
onica A = a1  a2   am y sea S : Rn Rm una tl con matriz



i
h



canonica B = b1  b2   bn .

Podemos calcular la funci

on compuesta (T S) y ya probamos que esta funci
on es una tl de Rn a Rp . Ademas,
notemos que para todo x Rn tendremos que y = Bx Rm y que




(T S)(x) = T S(x) = T Bx
Entonces definimos AB de modo que sea la matriz canonica de T S. As,



h
i



AB =
(T S)(e1 )  (T S)(e2 )   (T S)(en )
=

=
=







i

T S(e1 )  T S(e2 )   T S(en )




i



T (Be1 )  T (Be2 )   T (Ben )



i



T (b1 )  T (b2 )   T (bn )
9

Ahora, recordemos que b1 , b2 , . . . , bn son los vectores columnas de B.

T (b1 ) = Ab1 , T (b2 ) = Ab2 , . . . , T (bn ) = Abn .
As, la matriz producto queda definida por




i h
h




AB = A b1  b2   bn = Ab1  Ab2

Luego todos ellos pertenecen a Rm , as,



i


  Abn

y cada columna de AB es el producto de la matriz A por el vector columna correspondiente de B.

Nota : Para saber cuando dos matrices pueden multiplicarse, debemos preguntarnos cuando dos tl pueden componerse. Claramente, necesitaremos que el codominio de la primera tl coincida con el dominio de la segunda tl. Es
decir, para poder componer T con S : Rn Rm , necesitamos que el dominio de T sea Rm (su codominio es Rp
con cualquier valor natural de p). Entonces, T S : Rn Rp . En lenguaje de matrices, tenemos que la matriz
canonica de T es de p m, la matriz can
onica de S es de m n y la matriz canonica de T S es de p n:
Apm Bmn = (AB)pn
Luego, dos matrices podran multiplicarse si el n
umero de columnas del primer factor (A) coincide con el n
umero de
filas del segundo factor (B). Ademas, la matriz producto (AB) tiene el mismo n
umero de filas que el primer factor
y el mismo n
umero de columnas que el segundo factor.

Ejemplos:



1 4
1 3
1. Consideremos las matrices A =
,B=
8 2
2 0

2
2


1 4
yC=
1
0 6
9
8

6
1

1
.
0
5

Los productos posibles de realizar son: AB, CA y CB. Calculemos cada uno de ellos.
 
 
   


   
3
1
4
9 3 1 28
1 3 1 4
1
A
A
A
=
AB = A
= A
0
0
6
12 24 8 44
2 0 0 6
2

1
CA = C
8

   
  
4
1
4
= C
C
2
8
2

Notemos que para multiplicar C por cada columna de A, realizaremos el producto punto de cada fila de C
con la columna correspondiente de A. Es decir,

2 6
21+68
50
  2 1   2 1 + 1 8 10

1

1

1 1
1 1 + 1 8
C
=
=

=9
8
8
9 0
9 1 + 0 8 9
8 5
81+58
48
Analogamente,

50
10

Entonces CA =
9
9
48

20
10

6
.
36
42

2
  2

4
C
=
1
2
9
8

6
24+62
20
  2 4 + 1 2 10
1

1
2 = 1 4 + 1 2 = 6
9 4 + 0 2 36
0
5
84+52
42

10

As, podemos notar que el elemento en el lugar (i, j) de la matriz CA es el producto punto de la fila i-esima de
C por la columna j-esima de A. Por ejemplo, el 6 que est
a en la posicion (3, 2) de la matriz CA es el producto
punto de la fila 3 de C por la columna 2 de A: (1, 1) (4, 2) = 6.
Multipliquemos, C por B usando este

2
2

CB =
1
9
8

enfoque.

6
14 6 2

 4 6 2
1

1 3 1 4

1
2 0 0 6 = 3 3 1
9 27 9
0
5
18 24 8

Tenemos en azul que 14 = 2 1 + 6 2 = (2, 6) (1, 2); y



1
1 2 3
2. Consideremos las matrices J =
y K = 3
4 5 6
5

44
14

10

36
62

en rojo, que 36 = 9 4 + 0 6 = (9, 0) (4, 6).

2
4.
6

En este caso realizar tanto el producto KJ como el producto JK, pero claramente estos productos seran
distintos, pues:
J23 K32 = (JK)22
K32 J23 = (KJ)33
Calcule ambos productos.

Es claro, entonces, que la multiplicaci

on de matrices no es una operaci
on conmutativa. Pero esto no es tan
sorprendente si recordamos la relaci
on entre el producto de matrices y la composicion de funciones (otra
operaci
on no conmutativa).

2 4 0
2 1
3. Consideremos las matrices D = 1 1 1 y E = 9 0.
0 5 4
2 4
Existe una matriz X tal que DX = E?
Si existiera tal matriz X, debera tener 3 filas y 2 columnas (por que?). Describamos la matriz desconocida
X por columnas:

i
h

X = x1  x2 ,

donde cada vector x1 y x2 pertenece a R3 . Entonces podemos considerar nuestra ecuaci

on matricial de otra
forma:


i
h
i
h


DX = E D x1  x2 = E Dx1  Dx2 = E

Y comparando cada columna, tenemos que para encontrar la matriz X basta resolver los sistemas de ecuaciones

Dx1 = 9

Dx
=
0

Los resolveremos simult

aneamente:

1 1
2 4 0 2 1
1 1 1 9 0 2 4
0 5 4 2 4
0 5

1 1
0 1
0 5

1
9
1 8
2
4

1 9
0 2
4 2

1
0
1 0
4
0

1
0
1

2
4
0
0

11

1
1
9 0
2 2 16 1
2 4
5
4

9
1
1
1 1 8

1
2

3
2

42

Por tanto, s existe una matriz X tal que DX = E, pues ambos sistemas son compatibles. Como ambos
sistemas son determinados, sabemos que existe una u
nica matriz X que satisface esta ecuaci
on matricial. Para
determinarla, llevamos ambos sistemas a su forma escalonada reducida:

13
23
1 0 0
61
56
1 1 0
3
3

10
10
2
2

3 0 1 0 3
3
0 1 0 3
42
1
42
1
0 0 1
0 0 1
9
6
9
6
Luego,

23
3

10
X=
3
42
9

65
2
3
1
6

Nota : La multiplicaci
on de dos matrices A y B tiene tres formas de calcularse (y considerarse) seg
un las necesidades
de cada problema:
(i) Multiplicar la matriz A por cada columna de B, obteniendo las columnas de AB.
(ii) Hacer el producto punto de la fila i de A por la columna j de B, obteniendo el elemento (i, j) de AB.
(iii) Multiplicar la fila i de A por la matriz B, obteniendo la fila i de la matriz AB. Pero esto no quedara formalizado
hasta que revisemos el concepto de matrices transpuestas.
Definici
on: Sea n N. La matriz In de n n se conoce como la matriz identidad de orden n. Los elementos
de In son iguales a 1 en la diagonal principal de la matriz (los elementos de las posiciones (i, i)) y son iguales a 0
en el resto de la matriz. Es decir, la matriz In tiene como columnas a los vectores can
onicos de Rn :
h
i
In = e1 e2 en .

1
Ejemplos: I1 = (1), I2 =
0


1 0
0
, I3 = 0 1
1
0 0

0
0
1

Propiedades de la multiplicaci
on de matrices
Asuma en cada caso que todas las matrices presentes pueden ser operadas entre s.
1. A(BC) = (AB)C.
2. A(B + C) = AB + AC, (A + B)C = AC + BC.
3. (AB) = (A)B = A(B), donde R.
4. OA = AO = O.
5. AIn = A, Im A = A, donde A es de m n.
Advertencias sobre la multiplicaci
on de matrices
umeros (obvio!). Por tanto, la multiplicacion de matrices NO cumple propiedades b
asicas
Las matrices NO son n
de los n
umeros reales.
1. En general, AB 6= BA. La multiplicaci
on de matrices NO es conmutativa.
2. En las matrices NO hay leyes de cancelacion. Es decir, la igualdad AB = AC NO implica que B = C. De
igual manera, la igualdad AB = CB NO implica A = C.
3. En la multiplicaci
on de matrices hay divisores del cero. Es decir, la igualdad AB = O NO implica que A = O
o B = O.
12

2.4.

La matriz transpuesta

Definici
on: Sea A una matriz de m n. Se define la matriz transpuesta de A, que anotamos AT , como aquella
de n m que se obtiene de intercambiar las filas y las columnas de A.

Ejemplos:



1 4
1 2 3
Si A =
, entonces AT = 2 5.
4 5 6
3 6

Comenzaremos a considerarlosvectores de Rn como matrices de n 1. Entonces, podremos tener tambien vectores

1

4
T

transpuestos. As, si
v =
6, entonces v = 1 4 6 9 .
9

Hasta ahora, tambien hemos anotado el vector

v hacia el lado, separando sus elementos por comas:
v = (1, 4, 6, 9).
Pero esta es una notaci
on para ahorrar espacio al escribir. As,

1
4

vT = 1 4 6 9
v =
6 = (1, 4, 6, 9) y
9

Nota 1: Si A es la matriz can

onica de una tl T : Rn Rm , entonces AT es la matriz canonica de T : Rm Rn
que cumple la siguiente propiedad:
x Rn y Rm T (x) y = x T (y),
donde el primer producto punto se realiza entre vectores de Rm y el segundo producto punto se realiza entre vectores
en Rn (ambos dan el mismo n
umero real).
Nota 2: Observemos que el producto punto de dos vectores de Rn equivale a la multplicaci
om de primer vector

transpuesto por el segundo vector. As, si

u = (1, 2, 5, 7, 9) y
v = (1, 3, 2, 2, 1), entonces


 3

1 2 5 7 9
2 = (1 1 + 2 (3) + 5 2 + 7 2 + 9 1)
2
1
Propiedades de la transposici
on
Consideramos matrices que puedan ser operadas en cada caso.
1. (AT )T = A.
2. (A + B)T = AT + B T .
3. (A)T = AT , donde R.
4. (AB)T = B T AT

13

2.5.

La notaci
on A = (aij )

A continuacion estudiaremos una nueva notaci

on abreviada que nos permitira movernos con mayor generalidad
dentro de una matriz.
Si tenemos una matriz A de m n, ya la hemos escrito como

a11 a12 a13 a1n

a21 a22 a23 a2n

A = a31 a32 a33 a3n

..
..
..
.
.
..
..

.
.
.
am1 am2 am3 amn

Abreviaremos a
un mas esta notaci
on y comenzaremos a anotar
 
,
A = aij
mn

donde i = 1, 2, 3, . . . , m y j = 1, 2, 3, . . . , n.
As, el elemento aij estar
a en la posicion (i, j), es decir, aij est
a en la fila i-esima y en la columna j-esima de A.
De esta manera, por ejemplo, la matriz identidad de orden 5 se anota
 
I5 = ij
55

donde ij =

si i = j

si i 6= j

Otro ejemplo, si consideramos la matriz B = (bij )76 , donde

i si i < j

2i + j si i > j
bij =

3 si i = j
Tendremos que

3
5

B=
9
11

13
15

1
3
8
10
12
14
16

1
2

3
20

1 1 1
2 2 2
3 3 3
11 3 4
13 14 3
15 16 17
17 18 19

donde hemos marcado en azul todos los elementos bij para los que se cumple que i < j, en verde todos los elementos
en que i > j y en rojo los elementos de la diagonal principal, es decir, aquellos en que i = j.
Queremos establecer f
ormulas para las distintas operaciones matriciales, usando esta notaci
on.
Suma de matrices
Si A = (aij )mn y B = (bij )mn , entonces


A + B = aij + bij

mn

Coincidiendo con nuestra apreciaci

on de que la suma de matrices se hace componente a componente.
Ponderaci
on escalar de matrices
Si A = (aij )mn y R, entonces



A = aij
14

mn

Nuevamente, corfirmamos con esta f

ormula que la ponderaci
on escalar se hace componente a componente.
Multiplicaci
on de matrices
Si A = (aij )mn y B = (bij )np , entonces
AB = (cij )mp ,
donde cij =

n
X

aik bkj .

k=1

Esta definicion es un poco mas compleja, pero obedece a nuestra observaci

on de que el elemento del producto
que est
a en la posicion (i, j) (en este caso, cij ) es el producto punto de la fila i-esima de A (en este caso, es el vector
(ai1 , ai2 , . . . , ain )) por la columna j-esima de B (en este caso, es el vector (b1j , b2j , . . . , bnj )). De donde se obtiene
la suma de n terminos.
Transposici
on de matrices
Si A = (aij )mn , entonces
AT = (e
aij )nm ,
donde e
aij = aji .

Lo que obedece al fenomeno de intercambiar filas por columnas al transponer.

Veamos a traves de un par de ejercicios resueltos, c

omo podemos utilizar esta notaci
on. Es recomendable que
trate de resolver ambos ejercicios por un metodo alternativo.
Ejercicios:
1. Considere las matrices A =
Demuestre que

aij

mn

yB=

bij

np

(AB)T = BT AT .
n: El elemento cij de la matriz C = AB = (cij )mp es
Solucio
cij =

n
X

aik bkj .

k=1

Luego, el elemento que est

a en la fila i y en la columna j de la matriz C T = (AB)T = (zij )pm es zij = cji
(es decir, en la definicion de cij los papeles de i y de j se deben intercambiar):
zij =

n
X

ajk bki .

k=1

T
Ahora consideramos la matriz D = Bpn
ATnm = (dij )mp . El elemento dij de esta matriz es:

dij =

n
X

k=1

ebik e
akj =

n
X

bki ajk =

k=1

n
X

ajk bki = cji = zij

k=1

As, los elementos correspondientes de las matrices C T y D son iguales, es decir, C T = D, por tanto,
(AB)T = B T AT .

15

2. Sean p1 , p2 , . . . , pn y q1 , q2 , . . . , qn n
umeros reales fijos (2n n
umeros). Se define la matriz
 
C = cij
nn

donde cij = pi qj para todo i {1, 2, . . . , n} y todo j {1, 2, . . . , n}.

Demuestre que existe una constante real tal que
C2 = C.

n: Considerando la matriz C = (cij )nn = (pi qj )nn , calculamos C 2 = C C = (zij ), donde

Solucio
!
n
n
n
n
X
X
X
X
zij =
cik ckj =
(pi qk ) (pk qj ) = pi qj
pk qk = cij
pk qk
k=1

k=1

Es decir, si llamamos a la constante real

k=1

n
X

k=1

pk qk (que es fija pues los n

umeros p1 , . . . , pn y q1 , . . . , qn son

k=1

n
umeros fijos), entonces tendremos que

zij = cij
lo que significa que
C 2 = (zij )nn = ( cij )nn = (cij )nn = C.

3.

Transformaciones lineales inyectivas y sobreyectivas.

Comenzaremos definiendo dos conjuntos asociados a toda tl.

Definici
on: Sea T : Rn Rm una tl. Se definen los conjuntos:
(i) El N
ucleo de T o Kernel de T como el subconjunto de Rn dado por

Ker(T ) = {
x Rn : T (
x)= 0}
(ii) La imagen de T como el subconjunto de Rm definido por

Im(T ) = Rec(T ) = {
y Rm :
x Rn T (
x)=
y}

Si conocemos la matriz can

onica de la tl T , tendremos descripciones muy precisas de los conjuntos Ker(T ) e
Im(T ).
Teorema. Sea T : Rn Rm una tl con matriz can
onica A. Entonces:
(i) Ker(T ) coincide con las soluciones del sistema homogeneo Ax = 0.
(ii) Im(T ) es el conjunto generado por las columnas de A.
Demostraci
on. Si S0 es el conjunto de todas las soluciones de Ax = 0, entonces como T (x) = Ax para todo
x Rn , tendremos que
Ker(T ) = {x Rn : T (x) = 0} = {x Rn : Ax = 0} = S0
Lo que prueba (i). Ahora, para probar (ii), recordemos que un sistema Ax = b es compatible si y solo si el vector
de resultados b es combinaci
on lineal de las columnas de A.

16

As,
y Im(T ) x0 Rn T (x0 ) = y
x0 Rn Ax0 = y
El sistema Ax = y es compatible
y es combinaci
on lineal de las columnas de A
Por tanto, Im(T ) es el conjunto generado por las columnas de A.
Ejemplo: Sea T : R4 R3 la tl definida por
T (x, y, z, t) = (4x 2y + t, x + y z + 2t, x y + z + t).
Determinemos un conjunto de vectores li que genere Ker(T ) y otro conjunto de vectores li que genere Im(T ).
Para determinar Ker(T ) e Im(T ), obtengamos la matriz canonica de T :

A=

T (e1 ) T (e2 ) T (e3 ) T (e4 )

4
= 1
1

2
0 1
1 1 2
1
1 1

Para determinar Ker(T ), debemos resolver Ax = 0, es decir, pivoteamos A.

Ademas, ya sabemos que
D
E
Im(T ) = (4, 1, 1), (2, 1, 1), (0, 1, 2), (1, 2, 1)

Pero las cuatro columnas de A son vectores de R3 y, por tanto, no pueden ser li (recordemos que en Rn los conjuntos
con vectores li pueden tener a lo mas n elementos). Para saber que columnas de A son li, debemos pivotear A.
Entonces:

4 2
0 1
1 1
1 1
1
1 1 2 F1 F3 1
1 1 2 F2 F1
1 1
1 1
4 2
0 1
F3 4F1

1 1
1
1
1 1
1
1
0
2 2
1
0
2 2
1
0
2 4 3
F3 F2
0
0 2 4
As, tenemos que las primeras 3 columnas de A son li, mientras que la cuarta columna depende linealmente de las
dem
as (debido a que queda sin pivote en la forma escalonada).
Luego, {(4, 1, 1), (2, 1, 1), (0, 1, 1)} es un conjunto de vectores li que genera Im(T ).
Ademas, con la escalinada podemos resolver el sistema Ax = 0, que nos queda

x y + 2z + t = 0
13
t
2y 3z + t = 0
= z = 4t = 2y + 12t + t = 0 = y =

2
z 4t = 0

13
t
t 8t + 8 = 0 = x =
2
2




13
1 13
t
,
t, 4t, t = t
, , 4, 1 y
As, (x, y, z, t) =
2
2
2
2


1 13
, , 4, 1
Ker(T ) =
2
2


1 13
es un conjunto de vectores li (un u
nico vector distinto de cero) que genera
, , 4, 1
Claramente,
2
2
Ker(T ).
Entonces, x +

17

Definici
on: Sea T : Rn Rm una tl y A su matriz can
onica asociada.
1. T (y su matriz A) ser
a 1-1(se lee uno a uno) o inyectiva si y s
olo si x Rn y Rn
T (x) = T (y) = x = y.
2. T (y su matriz A) ser
a sobre o sobreyectiva si y s
olo si Rec(T ) = Rm .
Las definiciones de inyectiva y sobreyectiva para la funci
on T son las usuales. La novedad se relaciona con la
definicion de matrices 1-1 y sobre. Los siguientes teoremas cada uno de estos tipos de matrices (y de transformaciones
lineales).
Teorema. Sea T : Rn Rm una tl con matriz can
onica A. Entonces las siguientes afirmaciones son equivalentes:
(1 ) T (y su matriz A) es 1-1.
(2 ) Ker(T ) = {0}.
(3 ) Ax = 0 tiene soluci
on u
nica.
(4 ) Las columnas de A son li.
(5 ) Si b Im(T ), entonces Ax = b tiene soluci
on u
nica.
(6 ) r(A) = n.
Demostraci
on. Probaremos una a una las equivalencias, partiendo por las mas obvias.
(2 ) (3 ) Esta equivalencia es directa, pues Ker(T ) contiene las soluciones del sistema Ax = 0.
(3 ) (4 ) Las soluciones del sistema Ax = 0 entregan todas las posibles formas de escribir el vector 0 como
combinaci
on lineal de las columnas de A. Por tanto, el hecho de que Ax = 0 tenga solucion u
nica
equivale a que 0 se escribe de una u
nica manera como cl de las columnas de A (la forma trivial, con
todos los coeficientes iguales a cero) lo que a su vez equivale a que las columnas de A sean li.
(4 ) (6 ) Recordemos que r(A) corresponde al n
umero de pivotes que tiene F E(A) y que las columnas de A que
son li son justo aquellas que quedan con pivote al escalonar A. Resulta obvio, entonces, que
r(A) = n Las n columnas de A son li.
(3 ) (5 ) Supongamos que el sistema Ax = 0 tiene solucion u
nica (que debe ser la solucion trivial x = 0). Entonces,
S0 = {0}. Ademas sabemos que si tenemos una solucion particular xp de un sistema Ax = b, entonces
el conjunto de soluciones de este sistema es
S = xp + S0 = xp + {0} = {xp }.
As, si el sistema Ax = b es compatible, entonces tiene solucion u
nica. Pero recordemos que Ax = b
es compatible si y solo si b Im(T ). Con esto hemos probado que (3 ) (5 ). La otra implicacion es
directa, pues siempre tenemos que 0 Im(T ) (recordemos que T (0) = 0), por tanto, si suponemos que
(5 ) es cierta, entonces Ax = 0 tiene solucion u
nica. Es decir, (5 ) (3 ).
(1 ) (2 ) Supongamos que T es 1-1. Entonces x, y Rn T (x) = T (y) = x = y. En particular, si x Ker(T ),
tenemos que T (x) = 0 = T (0). Luego, T (x) = T (0) = x = 0. Es decir, el u
nico elemento del n
ucleo de
T es el vector cero. Y hemos probado (1 ) (2 ).
Para probar la otra implicacion, supongamos que Ker(T ) = {0} y que T (x) = T (y). Debemos concluir
que x = y. Pero
T (x) = T (y) = T (x) T (y) = 0 = T (x y) = 0 = x y Ker(T ) = {0} = x y = 0

18

Es decir, x = y.
Con esto concluimos la demostracion del teorema.
Teorema. Sea T : Rn Rm una tl con matriz can
onica A. Entonces las siguientes afirmaciones son equivalentes:
(1 ) T (y su matriz A) es sobre.
(2 ) Im(T ) = Rm .
(3 ) Ax = b es compatible para todo b Rm .
(4 ) Los sistemas Ax = e1 , Ax = e2 , . . . , Ax = em son compatibles.
(5 ) Las filas de A son li.
(6 ) r(A) = m.
Demostraci
on. Probaremos una a una las equivalencias, partiendo por las mas obvias.
(1 ) (2 ) Como la imagen de T coincide con su recorrido, esta equivalencia es directa de la definicion de sobreyectividad.
(2 ) (3 ) Como Ax = b es compatible si y solo si b Im(T ), esta equivalencia es directa.
(5 ) (6 ) Las filas de A son ld si y solo si existe una cl no trivial de ellas 1 f1 + 2 f2 + + m fm = 0 y podemos
asumir que m 6= 0 (si es otro el coeficiente distinto de cero, hacemos una operaci
on de permutacion).
Haciendo la operaci
on m Fm y luego la operaci
on Fm 1 F1 , luego, Fm 2 F2 , luego Fm 3 F3 ,
etc., la u
ltima fila de la matriz resultante sera nula (solo contiene ceros). Hemos probado que
Las filas de A son ld r(A) < m

(contrarrecproco de (5) (6))

(3 ) (4 ) Si tenemos que Ax = b es compatible para todo b Rm , entonces, en particular cuando tomamos b = ei

con i = 1, 2, . . . , m, los vectores canonicos de Rm , tendremos que Ax = e1 , Ax = e2 , . . . , Ax = em son
compatibles. Y hemos probado (3 ) (4 ).
Para la otra implicacion, supongamos que xi Rn es una solucion de Ax = ei , i = 1, 2, . . . , m. Sea
b un vector de Rm . Debemos mostrar que el sistema Ax = b tiene al menos una solucion. Para esto,
escribamos b como cl de los vectores canonicos de Rm :
b = b1 e1 + b2 e2 + + bm em
Si tomamos el vector
tendremos que

x
e = b1 x1 + b2 x2 + + bm xm Rn ,

Ae
x = A(b1 x1 + b2 x2 + + bm xm ) = b1 Ax1 + b2 Ax2 + + bm Axm = b1 e1 + b2 e2 + + bm em = b,
en otras palabras, x
e es una solucion de Ax = b. Con esto probamos (4 ) (3 ).

(4 ) (5 ) Sean x1 , x2 , . . . , xm soluciones de los sistemas Ax = e1 , Ax = e2 , . . . , Ax = em respectivamente.

Notemos que, para cada j = 1, 2, . . . , m, la identidad Axj = ej puede verse de la siguiente manera

19

As, tenemos que

Axj = ej

f1
f2
..
.
fj
..
.
fm

..

xj =

..

fi xj = ij =

f1 xj
f2 xj
..
.
fj xj
..
.
fm xj

0
0

..
.
=
1

.
..
0

1 si i = j
0 si i 6= j

Queremos demostrar que las filas de A son li. Para esto, consideremos el vector cero escrito como cl de
ellas:
1 f1 + 2 f2 + + m fm = 0
Hacemos el producto punto de cada termino por xj (para j = 1, 2, . . . , m):
(1 f1 + 2 f2 + + m fm ) xj = 0 xj
= 1 f1 xj + + j fj xj + + m fm xj = 0
| {z }
| {z }
| {z }
0

= j = 0

Con esto hemos probado que la u

nica forma de escribir el vector cero como cl de las filas de A es la
trivial (con todos los coeficientes nulos). Es decir, las filas de A son li.
(6 ) (3 ) Supongamos que r(A) = m. Queremos probar que todo sistema Ax = b es compatible. Pero esto es
directo, pues
m = r(A) r(A|b) n
umero de filas de A = m
Por tanto, r(A|b) = m = r(A) y el sistema Ax = b es compatible para cualquier vector b Rm .
Con esto concluimos la demostracion del teorema.

4.

Matrices inversas

Definici
on: Sea A una matriz de m n. Diremos que:
1. A tiene inversa por la derecha si existe una matriz X de n m tal que
AX = Im .
2. A tiene inversa por la izquierda si existe una matriz Y de n m tal que
Y A = In .

Nota 1: Toda matriz X que cumpla AX = I se llama inversa por la derecha de A. Toda matriz Y que cumpla
Y A = I se llama inversa por la izquierda de A. Las inversas por derecha o por izquierda de A, si existen, no son
u
nicas.
Nota 2: En terminos de transformaciones lineales, tambien podemos hablar de inversas por la derecha y por la
izquierda. Si T : Rn Rm es una tl con matriz canonica A, entonces:
Cuando A tiene una inversa por la derecha X, existe una tl S : Rm Rn (la tl asociada a X) tal que
T S : Rm Rm es la funci
on identidad en Rm , es decir, x Rm
(T S)(x) = x.
20

Cuando A tiene una inversa por la izquierda Y , existe una tl R : Rm Rn (la tl asociada a Y ) tal que
R T : Rn Rn es la funci
on identidad en Rn , es decir, y Rn
(R T )(y) = y.

A continuacion caracterizaremos las matrices que tienen inversas por derecha y aquellas que tienen inversas por
izquierda.
Teorema. Sea A una matriz de m n. Entonces
A tiene inversa por la derecha A es sobre
Demostraci
on.
A tiene inversa por la derecha

Existe una matriz X tal que AX = Im

Existen vectores x1 , x2 , . . . , xm Rn tales que

 


A x1 x2 xm = e1 e2 em

Existen vectores x1 , x2 , . . . , xm Rn tales que


 

Ax1 Ax2 Axm = e1 e2 em

Los sistemas Ax = e1 , . . . , Ax = em son compatibles

A es sobre.
Teorema. Sea A una matriz de m n. Entonces
A tiene inversa por la izquierda A es 1 1
Demostraci
on.
A tiene inversa por la izquierda

Existe una matriz Y tal que Y A = In

Existe una matriz Y tal que (Y A)T = (In )T

Existe una matriz Y tal que AT Y T = In

La matriz AT tiene inversa por la derecha

AT es sobre.

Las filas de AT son li

Las columnas de A son li

A es 1-1

Con todos estos resultados, sabemos que calculando el rango gaussiano de la matriz A podemos determinar de
forma inmediata si A tiene inversa por derecha o por izquierda: si todas las filas de F E(A) tienen pivote, entonces
A tiene inversa por la derecha y si todas las columnas de F E(A) tienen pivote, entonces A tiene inversa por la
izquierda. Esto nos permite concluir lo siguiente:
Corolario. Sea A una matriz de m n. Entonces:
Si A tiene inversa por la derecha, entonces m n.
Si A tiene inversa por la izquierda, entonces n m.
Si A tiene inversa por la derecha y por la izquierda, entonces m = n.
Demostraci
on. Las primeras dos afirmaciones se concluyen facilmente, pues en Rp los conjuntos de vectores li
tienen, a lo mas, p elementos. La u
ltima afirmaci
on es una consecuencia de las otras dos.

21

Nota de Alerta: No estamos diciendo que toda matriz con mas columnas que filas tiene inversa por la derecha.
Pues esto es falso. Por ejemplo, la matriz

1 2 0 0 5
0 3 1 0 1
0
0 0 0 0

cumple que m n (pues m = 3 y n = 5), pero su rango no es igual a m, por tanto, la matriz no tiene inversa por
la derecha.

S podemos concluir del corolario, por contrarrecproco, que las matrices anchas (con mas columnas que filas)
nunca tienen inversas por la izquierda y que las matrices largas (con mas filas que columnas) nunca tienen inversas
por la derecha. El estudio de las matrices cuadradas y sus inversas se har
a en la siguiente secci
on.

4.1.
4.1.1.

C
alculo de inversas
Inversas por la derecha

1 2 3 4
Determinemos si la matriz A = 1 1 2 1 tiene inversa por la derecha (sabemos que como tiene mas
1 0 0 1
columnas que filas, no tiene inversa por la izquierda), pivote
andola:

1 2 3 4
1 2
3
4
1 2
3
4
A = 1 1 2 1 0 1 1 3 0 1 1 3 = r(A) = 3 = m
1 0 0 1
0 2 3 3
0 0 1 3
A tiene inversa por la derecha.
Para determinar una matriz X de 4 3 tal que AX = I3 , describamosla por columnas:
i
h
X = x1 x2 x3

Entonces:

h
AX = I3 A x1

x2

x3

e1

e2

e3

Ax1

Ax2

Ax3

e1

e2

e3

y para encontrar las columnas de X debemos resolver m = 3 sistemas de ecuaciones: Ax = e1 , Ax = e2 y Ax = e3 .

Lo haremos simult
aneamente, pues comparten la matriz de coeficientes, es decir, escalonamos la matriz ampliada
(A|e1 |e2 |e3 ) = (A|I3 ):

1 2 3 4 1 0 0
1
2
3
4
1 0 0
1 1 2 1 0 1 0 0 1 1 3 1 1 0
1 0 0 1 0 0 1
0 2 3 3 1 0 1

1
0 0
1
0
0
1 2 3
4
1
2
3
4
1 0 0 1 1
3
1 1
0
0 1 1 3 1
1 2 1
2 1
0
0 1
3
0 0 1 3 1

1 2 0 13
1 0 0
1
4 6
3
4 8
5
0
1 1 0 1 0
0
1 1
6
6
0 1 0
0 0 1 3 1
2 1
0 0 1 3 1
2 1

Entonces, cada uno de los sistemas tiene infinitas soluciones con una variable libre. Tenemos, entonces, infinitas
matrices X. Determinemos cada una de sus columnas:

a1
4 d1
1
4
b1
6

6d1

0
x1 =
c1 = 1 + 3d1 = 1 + d1 3
d1
1
d1
0
22

Luego,

donde las constantes d1 , d2

As,

0
24
X1 =
11
4

a2
8 d2
b2 1 6d2

x2 = =
c2
2 + 3d2
d2
d2

5 d3
a3
b3 1 6d3

x3 =
c3 = 1 + 3d3
d3
d3

4 d1
6d1
X =
1 + 3d1
d1

8
1
1
6
=

2 + d2 3
0
1

1
5
6
1

=
1 + d3 3
1
0

5 d3
1 6d3

1 + 3d3
d3

8 d2
1 6d2
2 + 3d2
d2

y d3 pueden tomar cualquier valor en R cada una.

7
3
7 13

1
5
1
2

son algunas inversas por derecha de A.

4
0
X2 =
1
0

8 5
1 1

2 1
0
0

1
10
4
18 11 19

X3 =
8
8
2
3
2
1

El metodo general para encontrar todas las inversas por la derecha de una matriz A de m n con r(A) = m
consiste en resolver simult
aneamente los m sistemas: Ax = e1 , Ax = e2 , . . . , Ax = em , es decir, se debe encontrar
F ER(A|Im ).
4.1.2.

Inversas por la izquierda

1 2
Determinemos si la matriz A = 2 3 tiene inversa por la izquierda:
1 1

1 2
1 2
1 2
A = 2 3 0 1 0 1 = r(A) = 2 = n
1 1
0 1
0 0

A tiene inversa por la izquierda.

Para determinar las inversas por la izquierda de A, buscamos una matriz Y de 23 tal que Y A = I2 . Vamos a usar
el metodo visto para inversas por la derecha. Para esto, transpondremos la ecuaci
on, obteniendo que (Y A)T = (I2 )T
y, por tanto, debemos resolver
AT Y T = I2
Describimos Y T por sus columnas:
YT =

y1

y2

y resolvemos los sistemas AT y = e1 y AT y = e2 , para lo cual debemos escalonar la matriz ampliada (AT |I2 ):

 
 
 

1 2 1 1 0
1 0
0
2
1
2
1
1 2 1 1
1 0 1 3

2 3 1 0 1
0 1 1 2 1
0 1 1 2 1
0 1
1
2 1
Luego,

a
3 + c
3
1
y1 = b = 2 c = 2 + c 1
c
c
0
1
0

a
2 + c0
2
1
y2 = b0 = 1 c0 = 1 + c0 1
c0
c0
0
1
23

Por tanto,
Y

3 + c
= 2c
c


2 + c0
3 + c
0
1 c
= Y =
2 + c0
c0

2c
1 c0

c
c0

En general, el metodo para determinar las inversas por la izquierda de una matriz A de m n con r(A) = n
consiste en calcular las inversas por la derecha de AT y luego, transponerlas. En este caso, se debe pivotear la matriz
ampliada (AT |In ).

5.

Inversas de matrices cuadradas

Ya sabemos que si una matriz A tiene inversas por la derecha y por la izquierda, entonces es una matriz cuadrada
(mismo n
umero de filas que de columnas). Pero no todas las matrices cuadradas tienen inversas. Por ejemplo, la
matriz

1 1 1 1 1
2 2 2 2 2

3 3 3 3 3

4 4 4 4 4
5 5 5 5 5

no tiene inversa por la derecha, pues sus filas son ld y como las tres columnas son iguales (tambien son ld), tampoco
tendra inversa por la izquierda.

Con todo lo que ya sabemos de la existencia de matrices inversas para matrices de cualquier tipo (no necesariamente cuadradas), podemos probar f
acilmente las siguientes propiedades de las matrices cuadradas. Sea A una
matriz de n n. Entonces:
1. A tiene inversa por la derecha si y solo si A tiene inversa por la izquierda.
A tiene inversa por la derecha

r(A) = n = n
umero de filas
r(A) = n = n
umero de columnas
A tiene inversa por la izquierda

2. Si X es una inversa por la derecha de A y si Y es una inversa por la izquierda de A, entonces X = Y .

Sabemos que AX = In y que Y A = In y que la multiplicacion de matrices es asociativa, entonces:




Y = Y In = Y AX = Y A X = In X = X
Por esta raz
on, comenzaremos a hablar de inversas de A (sin distinguir si son inversas por la derecha o por
la izquierda). Ademas, tenemos que si AX = In , entonces tambien tenemos que XA = In .
3. Si A tiene inversa, entonces esta es u
nica.
Supongamos que existen dos matrices X1 y X2 tales que AX1 = In = X1 A y AX2 = In = X2 A. Entonces:




X1 = X1 In = X1 AX2 = X1 A X2 = In X2 = X2 .
As, de ahora en adelante hablaremos de la inversa de A.

Definici
on: Sea A una matriz cuadrada de orden n (es decir, de n n) con r(A) = n. Entonces la u
nica matriz
inversa por la derecha de A se llama simplemente la inversa de A y se anota A1 . Entonces A1 es la u
nica
matriz que cumple
AA1 = A1 A = In
Las matrices cuadradas que tienen inversa se dicen invertibles.

24

Propiedades de las matrices invertibles

Supongamos que A y B son dos matrices de orden n.

1
1. Si A es invertible, A1
= A.

1
2. Si A es invertible y 6= 0, entonces A tambien es invertible y A
=

A1 .

3. Si A y B son invertibles, entonces AB tambien lo es y (AB)1 = B 1 A1 .

4. A es invertible si y solo si AT es invertible. Si ambas lo son, se tiene que (AT )1 = (A1 )T .

Reuniremos en un teorema todas las formas de reconocer una matriz invertible. La demostracion no es necesaria,
pues ya lo hemos probado todo para matrices inversas por la derecha o por la izquierda.
Teorema. Sea A una matriz cuadrada de orden n asociada a la tl T : Rn Rn . Entonces las siguientes
afirmaciones son equivalentes:
1. A es invertible.
2. A tiene inversa por la derecha.
3. A tiene inversa por la izquierda.
4. T es una biyecci
on.
5. T es inyectiva.
6. T es sobreyectiva.
7. Las filas de A son li.
8. Las columnas de A son li.
9. El sistema Ax = 0 tiene soluci
on u
nica.
10. El sistema Ax = b tiene soluci
on u
nica para todo b Rn .
11. La forma escalonada reducida de A es In .
12. r(A) = n.
Nota : Si A es invertible y est
a asociada a la transformaci
on lineal T : Rn Rn , entonces, claramente, la matriz
1
n
n
A estar
a asociada a una tl S : R R que cumple
x Rn (S T )(x) = x = (T S)(x)
Es decir, S es la funci
on inversa T 1 .
Con esto hemos probado que si T (x) = Ax y A es invertible, entonces T 1 (x) = A1 x y tenemos tambien que
1
T
es una tl.
La u
ltima pregunta pertinente es:
C
omo se calcula la inversa de una matriz A cuadrada invertible?
Bueno, la respuesta es muy simple. S
olo debe encontrarse su inversa por la derecha o por la izquierda con los
metodos usuales. En general, uno siempre prefiere encontrar la inversa por la derecha. De esta manera, debemos
escalonar la matriz ampliada (A|In ) y como A es invertible, tenemos que F ER(A) = In . As, tendremos que llegando
a la escalona reducida da la ampliada habremos encontrado explcitamente nuestra matriz inversa:
(A|In ) (In |A1 )
25

Ejemplo: Consideremos la transformaci

on lineal T : R4 R4 definida por

x
2
0
0
y
0 1
0
3

1

T (x, y, z, t) =
0 1 1 2 1 z
t
2
0

donde es un n
umero
real. Queremos saber
2
0
0
0 1
0
3
1
Si ponemos A =
0 1 1 2 1
2
0

transformaci
on lineal.

1
para
que valores de existe la tl T .

, tenemos que T (x) = Ax, es decir, A es la matriz asociada a la

Por teorema, T es biyeccion (es decir, existe T 1 ) si y solo si

2
0
0
0 1
0
3 1

A=
0 1 1 2 1
F4 F1
2
0

2
0
0
0 1
0
3
1

0 0 1

0 0
0

A es invertible. Pero,

2
0
0
0 1
0
3
1

0 1 1 2 1
0 0
0

F3 F2

Entonces, como A es invertible si y solo si r(A) = 4, necesitamos que todos los elementos de la diagonal principal
de A sean pivotes (o sea, n
umeros distintos de cero). Para esto, requerimos que 6= 0 y que 1 6= 0. Entonces
T 1 existe si y solo si 6= 0 y 6= 1.
Ahora, tomemos = 1 y encontremos T 1 (a, b, c, d). Para esto, basta calcular A1 , pues

a

1
1 b
T (a, b, c, d) = A
c
d

Reemplazando = 1 en la matriz A, usamos la siguiente matriz amplada para encontrar A1 .

1 2
0
0 1 0 0 0
0
1
0 4 0 1 0 0

(A|I4 ) =
0
1 2 3 0 0 1 0
F4 F1
1 2
0 1 0 0 0 1

1 2
0
0
1 0 0 0
0
0 1 0 0
1
0
4

0
1 2 3
0 0 1 0 F3 F2
0
0
0 1 1 0 0 1

1
0 0 0
1 2
0
0
0
1
0 4
0
1 0 0
F2 4F4

0
0 2
1
0 1 1 0 F3 + F4
0
0
0 1 1
0 0 1

F1 + 2F2
1
0 0
0
1 2
0
0

0
4
1
0
4
1
0
0

0
0 2
0 1 1 1
1
0
0
0 1 1
0 0
1
26

Entonces A1

1 0
0
0
9
2
0 1
0
0
4
1

0 0 2
0 1 1
0
0 0
0 1 1

0
1 0 0 0 9 2
0 1 0 0
4
1
0

1
1
0 0 1 0
21
2
2
1
0
0
0 0 0 1

9 2
0
4
1
0
=
1
1
12
2
2
1
0
0

8
4
y
12
1

9 2
0
4
1
0
1
T (a, b, c, d) =
1
1
21
2
2
1
0
0

27

F1 (1)
0 8
0 4

1
1 F3 21
F4 (1)
0
1

8
4
= (I4 |A1 )
12
1

a
8
b
4
.
21 c
1
d


MAT1203 Algebra
Lineal
Gua N 3 Transformaciones lineales y matrices

1. Escriba cada matriz caracterizada a continuacion.

i2 j 2
.
i
ij
b) B = (bij )25 , donde bij =
.
j+i
 

si i j

j
c) C = (cij )37 , donde cij =
   

j
i

+
si i < j
2
2
y [x] es la parte entera de x (es decir, es el mayor entero menor o igual a x).

1 si i j + 3 = 0
1 si i = j
d ) D = (dij )nn , donde dij =

0 en cualquier otro caso.

a) A = (aij )44 , donde aij =

2. Encuentre una descripci

on del termino general

1
3

B= 5
..
.

de la matriz

2
4
6
..
.

2n 1 2n

3
5
7
..
.

..
.

2n + 1

n
n+2

n+4

..
.

3n 2

nn

3. Decida si cada una de las siguientes funciones es una transformaci

on lineal (t.l.)
a) Sean a, b Rn fijos y T : Rn R2 dada por T (x) = (x a, x b).
b) T : Rn R est
a definida por T (x) = kxk.
c) Sean a Rm fijo, A una matriz de n n y T : Rn Rm dada por T (x) = xT Ax a.
d ) T : R4 R3 est
a definida por T (a, b, c, d) = (a + b, c + d, a 2b + c 1).
e) T : R3 R3 est
a definida por T (x) = x a, donde a es un vector fijo de R3 .
4. Sea T : Rm Rn la t.l. definida por T (x) = xT A, donde A es una matriz de orden m n. Determine la
matriz asociada a T .
5. Sea T : R4 R3 una t.l. tal que T (e1 ) = (1, 2, 3), T (e2 ) = (0, 1, 2), T (e3 ) = (1, 3, 5) y T (e4 ) = (0, 0, 0),
donde {e1 , e2 , e3 , e4 } son los vectores canonicos de R4 . Determine T (x, y, z, t) y la matriz A asociada a T .
6. Sea T : R2 R2 una t.l. tal que T (1, 0) = (3, 6) y T (0, 1) = ( 16 , 1).
a) Mostrar que la imagen bajo T de la recta 3x + 2y = 0 es la recta 18x 13y = 0.
b) Existe una recta L que pasa por el origen y que queda fija bajo T (es decir, T (L) = L, aunque no
necesariamente T (u) = u, para todo u L). Cual es la recta?
7. Existe una t. l. T : R3 R3 tal que: T (1, 2, 0) = (1, 2, 3), T (2, 1, 1) = (1, 0, 1), T (7, 8, 2) = (0, 3, 2)?
   
   
3
1
1
1
8. Sea A una matriz de 2 2 tal que A
=
yA
=
:
1
2
0
1
a) Determine la matriz A y la t.l. T asociada a A.
b) Describa la imagen bajo T del triangulo cuyos vertices son (3, 0), (26, 6) y (12, 3).

28

9. Determine la relaci
on que deben tener los n
umeros reales p y q para que las matrices A =


1 1
B=
conmuten.
1 2


p
q


q
y
2p

10. Determine todas las matrices A de orden 2 2 que satisfacen la ecuaci

on matricial A2 + I2 = O.
11. Suponga que
la matriz
M de 3 3es tal que sus elementos por filas, por columnas y por diagonales suman 15.

1
1 1 1
1 T
Sean u = 1 y B = 1 1 1. Determine los siguientes productos: M u, uT M , BM M B y
u M u.
45
1
1 1 1

12. Determine una matriz A 6= O, tal que A2 = O y pruebe que si B T B = O, entonces B = O.

13. Sea A = (aij )nn . Se define la traza de A por
tr(A) = a11 + a22 + + ann =

n
X

aii .

i=1

Si A y B son dos matrices de orden n n, demuestre que:

a) tr(A + B) = tr(A) + tr(B).
b) tr(A) = tr(A).
c) tr(AB) = tr(BA).
d ) Si A 6= O, tr(AAt ) > 0.
14. Sea A = (aij )nn . Se dice que A es una matriz de Markov si:
n
X
aij = 1 para i = 1, 2, . . . , n.
ii)
i) 0 aij 1,
j=1

Demuestre que el producto de dos matrices de Markov es una matriz de Markov.

15. Sean k y d dos n

umeros reales y sea B la matriz de n n tal que todos sus elementos son 1 excepto los de
su diagonal principal, que son 0. Encuentre los valores que deben tomar k y d para que AAT = In , donde
A = kIn + dB.
16. Calcule An con n N, para:


1 1
a) A =
.
1 1

0
b) A = 0 0 ( R).
0

1 0 0
17. Calcule A100 si A = 1 0 1.
0 1 0
(
18. Sea A = (aij )nn , donde aij =

d ) A = 0
0
c) A =

1
0

( R).

( R).
0

si i + 1 = j
. Pruebe que An = O y An1 6= O.
si i + 1 6= j

19. Una matriz A sera sim

etrica si AT = A y sera antisim
etrica si AT = A. Demuestre:
a) Si B = (bij )nn es una matriz antisimetrica, entonces bii = 0 para todo i.
b) Si A es una matriz antisimetrica, entonces A2 es simetrica.
c) Dada una matriz B cuadrada de orden n, entonces 21 (B + B T ) es simetrica y 12 (B B T ) es antisimetrica.
d ) Si A y B son matrices simetricas, entonces AB sera una matriz simetrica si y solo si AB = BA.
e) Si A y B son matrices antisimetricas tales que AB = BA, entonces AB es una matriz simetrica.
29

1
0

20. Sean A =
0
0
0

1
1
0
0
0

1
1
1
0
0

1
1
1
1
0

1
2 1
1 2
1

1
y B = 0 1

0 0
1
1
0 0

0
1
2
1
0

0
0
1
2
1

0
0

0
. Determine una matriz X tal que AX = B.
1
2

21. Para cada una de las siguientes matrices, determine si tiene inversa por la derecha y/o inversa por la izquierda.

1 0 1 1 1
0
4
5
4
3
3
1 1 1 1 3
0 12 15
9
13 13

a) A =
d) A =
1 1 1 3 0
0
8
10
8
0
0
0 20 25 19
7
7
1 2 1 3 4

1 2
1
2
1 1 1 1 1

1 7
3
2
1 2 2 2 2

3
1
9
6
e) A =
1 2 3 3 3

5 0 19 10
b) A = 1 2 3 4 4

5 0 19 10
.. .. .. .. . .
.
. . . .
. ..

1
0
0
0 0 0 0 0 0 0
1 2 3 4 n nn
1
0
0 0 0 0 0 0 0
2

2
1
0 0 0 0 0 0 0
3

1
0
0
0
3
2
1 0 0 0 0 0 0
4

1
0

0
5
4
3
2
1
0
0
0
0
0

f
)
A
=

5
4
3 2 1 0 0 0 0
6
a
1
0
c) A = a

15
13
11
9
7
5
3
1
0
0

..

..
..
..
..

.
7
6
5 4 3 2 1 0 0
8
.
.
.

9
8
7
6 5 4 3 2 1 0
an an1 an2 1 nn
10
9
8
7 6 5 4 3 2 1
(a R).
22. Demuestre que si X es una inversa por derecha de A, entonces el sistema Ax = b es compatible y una solucion
particular de el es xp = Xb.

23. Demuestre que si Y es una inversa por izquierda de A y el sistema Ax = b es compatible, entonces su solucion
es u
nica y est
a dada por xp = Y b. Pruebe, mediante un ejemplo, que es posible que una matriz A tenga una
inversa por izquierda y que, al mismo tiempo, exista un b tal que Ax = b es incompatible.

1 2
3 0
0 2. Determine los valores del par
24. Sea A = 1 1
ametro real p para que:
1 1 6 p
a) A tenga inversa por derecha.

b) A tenga inversa por

1 1 0
1
k
25. Sea A = k
1 1 k
todos aquellos valores de

izquierda.

k
1, donde k es un par
ametro real. Encuentre una inversa por derecha de A para
0
k para los cuales esto sea posible.

26. Demuestre que si una matriz cuadrada tiene una fila de ceros o una columna de ceros, entonces no es invertible.
27.

a) Si A es una matriz de n n tal que A4 A3 A2 + A + I = O, demuestre que A es invertible y encuentre

A1 en funci
on de A.
b) Sea B una matriz de n n invertible tal que B 5 B = O. Encuentre B 1 en funci
on de B. Si no se
supiera que B es una matriz invertible, puede concluirse del hecho que B 5 B = O?

28.

a) Sea A = (1)nn . Encuentre k R tal que (I A)1 = I + kA.

b) Sean A y B dos matrices de n n, invertibles, tales que A + B tambien es invertible. Demuestre que
A1 + B 1 es invertible y que (A1 + B 1 )1 = A(A + B)1 B.
c) Si existe un n
umero natural p para el cual la matriz cuadrada de orden n A cumple que Ap = O,
demuestre que (A I) es invertible y encuentre su matriz inversa.

30

d ) Sean A, B, C tres matrices de orden n n, tales que A, B son simetricas y A es invertible. Demuestre
que la matriz C T (A1 + B)C es simetrica.
29. Sea A una matriz no nula de orden n n. Se definen B = kA + I y C = A2 A + I. Encuentre k R tal que
B 1 = C cuando
a) A2 = 3A

b) A2 = O

30. Si A y B son matrices de n 1 y AT B 6= 1, demuestre que

(I AB T )1 = I +

AB T
1 AT B

31. Sea A, B, C, D y E matrices de n n tales que A y C D son matrices invertibles. Encuentre matrices X e
Y tales que

AX + AY = B
XC + Y D = E

1 0
k
32. Para cada k R, se define Ak = k 1 21 k .
0 0
1
a) Demuestre que para todo par de reales p, q se tiene que Ap Aq = Ap+q .

b) Determine el o los valores de k, si existen, para los cuales Ak es simetrica o antisimetrica.

c) Demuestre que para todo k R, Ak es invertible y calcule A1
k (Note que A0 = I).
33. Sea A una matriz tal que

Calcule A1 .

1
2

3
1

2
3
1 1
1
0
5
3
1
3

0
8
2 2
A = 0
0
1 1 1
2
1 3 3 1
0

1 1
0
1
0
0
0
1
0
0 1 1
0
3 3

0
0

2
1

34. Considere las matrices A = (aij )nn y B = (bij )nn , donde

1 i=j
1 i = j + 1
aij =
y bij = i

0 en otro caso

Sin calcular las inversas, decida si las matrices A, B y BA son invertibles.

35. En cada caso,

k
a) A = 0
1

k
b) A = 0
k

determine los valores de k R para los cuales la matriz A es invertible.

0 1
3
k
2
k 0
c) A = 5 k + 5 5
0 k
1
3
1k

1 0
k
0
k
1 k
d ) A = 2k k k
0 1
1 k 1

31

Respuestas:

1. A =

D=

3
0

8
25

8
3

5
3

15
4

7
4

3
2

1
0
0
0

..
.

0
1
0
0
..
.

0
0
1
0
..
.

15
6

, B =

73
0

1
0
0
1
..
.

0
1
0
0
..
.

0
0
1
0
..
.

0
0
0
1
..
.

2. B = (2i + j 2)nn .


,C=
3

13

21

53

23

1
3

15

31

0
0
0
0
..
.

1
2
3

1
1
1

1
2
1

2
3
3

2
3
3

3
4
4

3
4
4

.

..
.

3. a. Es t.l. b. No es t.l. c. No es t.l. d. No es t.l. e. Es t.l.

4. La matriz asociada a T es AT .
1
2
3

5. T (x, y, z, t) = (x + z, 2x + y + 3z, 3x + 2y + 5z) y A =

0
1
2

1
3
5

0
0
0

6. b. L : 6x y = 0
7. No
8. a. A =

4
5

1
1

(24, 27).

y T (x, y) = A

 


x
x + 4y
=
b. Un triangulo cuyos vertices son (3, 3), (2, 4) y
y
x + 5y

9. p = q.
10. No existen.

15
11. M u = 15, uT M = (15 15 15), M B =
15

15
15
15

15
15
15

15
15
15

, BM M B = O y

1 T
45 u M u

= 1.

2
15. Los posibles valores de k y d son: (k, d) = (1, 0), (k, d) = (1, 0), (k, d) = 2n
n , n y (k, d) =
!

 n1 n1 
 n
2n1 n
0
2n1 n
2
2

n n1
n
n
n
0

0
16. a. A = 2n1 2n1 b. A =
c. An = 0
n

2n1 n

d. An =
100

17. A

1
50
50

n n

n
X

i n

i=1

n
0

0
0
0
1
0

0
0
1

n n
n

2
n2
n , n

.

2n1 n

1 1 1 0
0
1 1 1 1 0

1 1 1
20. X =
0 1

0 0
1
1 1
0 0
0
1
2

21. a), d), e) No tienen inversas por laderecha ni por la izquierda b), c), f ) Tienen inversas por la derecha y
por la izquierda.
24. a. A tendra inversa por derecha cuando p 6= 6. b. A no tiene inversa por izquierda pues tiene menos filas que
columnas.
32

25. Si k = 0, A no tiene inversa por derecha. Si k = 1, la matriz

2
1+k

1k

A. Si k 6= 0 y k 6= 1, entonces la matriz 1+k

k1
0

1
1+k

1
1+k

1
1+k

1
1+k

0
0

27. a. A1 = A3 + A2 + A I. b. B 1 = B 3 . No.
28. a. k =

1
0
1
2

1
0
1
1

29. a. k = 72 b. k = 1.
31. X = A1 B (A1 BC E)(C D)1 , Y = (A1 BC E)(C D)1 .
32. b. Ak es simetrica cuando k = 0 y nunca es antisimetrica. c. Ak1 = Ak .

2 7 2 0 4
2 5 3 1 3

1
33. A = 1 0 8 2 2.
8 3

7
3
2
7 7

10
2
0 0 1
7
7

35. a. k 6= 0, 1, 1 b. k 6= 0, 1 c. k 6= 2, 5 d. k 6= 0

33

es una inversa por derecha de

es una inversa por derecha de A.

k1

1
1n .

34. A es invertible, B y BA no son invertibles.

1
0
0
1