• Ir al contenido principal
  • Ir a la barra lateral primaria
  • Ir al pie de página

Álgebra y Geometría Analítica

Contenidos de Álgebra para UTN-FRBA

  • Parte 1
    • Vectores, recta y plano
      • Introducción a vectores en R3
      • Producto escalar en R3
      • Producto vectorial y mixto
      • Ecuaciones del plano
      • Ángulos y distancias
      • Haz de planos
      • Recta en ({mathbb{R}^3})
      • Recta y plano: intersecciones y ángulos
      • Distancias y proyecciones
    • Matrices y determinantes
      • Matrices
      • Determinante de una matriz
      • Matrices y sistemas de ecuaciones lineales
    • Espacios vectoriales
      • Espacios y subespacios vectoriales
      • Conjunto generador. LI y LD. Base. Dimensión.
      • Operaciones con subespacios
    • Sistemas de ecuaciones
      • Rango y sistemas de ecuaciones lineales
      • Relaciones entre soluciones de AX=B y AX=0. Variables libres.
  • Parte 2
    • Transformaciones lineales
      • Definición y propiedades de las transformaciones lineales
      • Núcleo e imagen. Clasificación de las transformaciones lineales.
      • Teorema fundamental de las transformaciones lineales
      • Matriz asociada a una transformación lineal
      • Composición e inversa de transformaciones lineales
      • Matriz de cambio de base
    • Autovalores y autovectores
      • Autovalores y autovectores: definiciones y propiedades
      • Multiplicidades algebraica y geométrica de un autovalor
      • Matrices semejantes
      • Diagonalización de una matriz
      • Diagonalización ortogonal de matrices simétricas
      • Diagonalización de una transformación lineal
    • Cónicas, parametrización y superficies cuádricas
      • Introducción a cónicas
      • Circunferencia
      • Parábola
      • Elipse
      • Hipérbola
      • Ecuaciones paramétricas de las cónicas (circunferencia, elipse, parábola e hipérbola)
    • Aplicaciones de la diagonalización
      • Potencias de una matriz diagonalizable
      • Rototraslación de cónicas
    • Números complejos
      • Definición y operaciones de números complejos en forma binómica
      • Operaciones en forma trigonométrica y exponencial
      • Radicación de números complejos
      • Regiones del plano complejo
  • Exámenes
    • Parciales
      • Parcial 1
        • 24-05-2015
        • 12-02-2016
        • 22-04-2017
        • 09-09-2017
        • 05-05-2018
        • 13-09-2019
      • Parcial 2
        • 21-06-2019
        • 10-11-2018
        • 23-06-2018
        • 04-11-2017
        • 10-06-2017
        • 13-06-2015
        • 31-10-2015
    • Finales
  • Info 2021 (primer cuatrimestre)
  • Contactanos!
  • Reportá un error

Última vez actualizado 23 agosto, 2017 por Isabel Pustilnik y Federico Gómez 5 comentarios

Determinante de una matriz

Introducción

Vimos previamente que no todas las matrices son inversibles.

¿Cómo podemos saber si una matriz tiene inversa?

El determinante de una matriz proporciona información para responder a esta pregunta.

Cuando vimos producto vectorial y mixto, habíamos definido determinantes de orden 2 y de orden 3. Recordamos aquí las fórmulas presentadas:

A cada matriz cuadrada puede asignársele un número real que llamaremos su determinante y designaremos como \(det\left( A \right)\) o \(\left| A \right|\) .

Para matrices \(2×2\) y \(3×3\) el determinante se calcula como sigue:

\[A = \left( {\begin{array}{*{20}{c}}{{a_{11}}}&{{a_{12}}}\\{{a_{21}}}&{{a_{22}}}\end{array}} \right)\;\;\; \Rightarrow \;\;\;\left| A \right| = \left| {\begin{array}{*{20}{c}}{{a_{11}}}&{{a_{12}}}\\{{a_{21}}}&{{a_{22}}}\end{array}} \right| = {a_{11}}\;{a_{22}} – {a_{12}}\;{a_{21}}\] \[A = \left( {\begin{array}{*{20}{c}}{{a_{11}}}&{{a_{12}}}&{{a_{13}}}\\{{a_{21}}}&{{a_{22}}}&{{a_{23}}}\\{{a_{31}}}&{{a_{32}}}&{{a_{33}}}\end{array}} \right)\;\;\; \Rightarrow \;\;\;\left| A \right| = {a_{11}}\;\left| {\begin{array}{*{20}{c}}{{a_{22}}}&{{a_{23}}}\\{{a_{32}}}&{{a_{33}}}\end{array}} \right|\; – \;{a_{12}}\;\left| {\begin{array}{*{20}{c}}{{a_{21}}}&{{a_{23}}}\\{{a_{31}}}&{{a_{33}}}\end{array}} \right|\; + \;{a_{13}}\;\left| {\begin{array}{*{20}{c}}{{a_{21}}}&{{a_{22}}}\\{{a_{31}}}&{{a_{32}}}\end{array}} \right|\]

Observación: El determinante no está definido para matrices rectangulares.

Ejemplo

El determinante de \(A = \left( {\begin{array}{*{20}{c}}3&{ – 1}&{ – 1}\\2&1&0\\3&1&2\end{array}} \right)\) es: \[\det \left( A \right) = 3.\left| {\begin{array}{*{20}{c}}1&0\\1&2\end{array}} \right| – \left( { – 1} \right).\left| {\begin{array}{*{20}{c}}2&0\\3&2\end{array}} \right| + \left( { – 1} \right).\left| {\begin{array}{*{20}{c}}2&1\\3&1\end{array}} \right|\] \[\det \left( A \right) = 3.2 – \left( { – 1} \right).4 + \left( { – 1} \right).\left( { – 1} \right)\] \[\;\;\det \left( A \right) = 11\]

La regla de Sarrus es una forma práctica de calcular determinantes, sólo aplicable para matrices de \(3 \times 3\).

Consideremos el siguiente esquema en el cual agregamos al final de una matriz de \(3 \times 3\) las filas 1 y 2. El determinante se calcula sumando los productos indicados por las flechas que que van de izquierda a derecha y restando los productos indicados por las flechas que van de derecha a izquierda:

determinante de una matriz de 3x3

Para la matriz considerada en el ejemplo anterior:

regla de sarrus

Desarrollo de un determinante por cofactores

Dada \(A \in {\mathbb{R}^{nxn}}\), se denomina menor \({M_{ij}}\) a la submatriz de \(\left( {n – 1} \right) \times \;\left( {n – 1} \right)\) que se obtiene a partir de \(A\) eliminando la fila \(i\) y la columna \(j\).

Se denomina cofactor \({C_{ij}}\) del elemento \({a_{ij}}\) al producto de \({\left( { – 1} \right)^{i + j}}\) por el determinante de la matriz menor \({M_{ij}}\;\):

\[{C_{ij}} = {\left( { – 1} \right)^{i + j}}\det \left( {{M_{ij}}} \right)\]

Por ejemplo para la matriz

\[A = \left( {\begin{array}{*{20}{c}}3&1&4\\{ – 1}&2&1\\3&2&1\end{array}} \right)\]

Las matrices menores y los cofactores de la primera fila son:

menor de una matriz y cofactor de una matriz

Observación: \[{\left( { – 1} \right)^{i + j}} = \left\{ {\begin{array}{*{20}{c}}{1\;\;\;\;si\;\;i + j\;\;\;es\;\;par}\\{ – 1\;\;\;\;si\;\;i + j\;\;\;es\;\;impar}\end{array}} \right.\] Con estas definiciones previas, estamos en condiciones de enunciar el desarrollo de un determinante de orden \(n\).

El determinante de una matriz puede calcularse utilizando los cofactores de cualquier fila o cualquier columna.

Desarrollo por fila \(i\):

\[\det \left( A \right) = {a_{i1}}{C_{i1}} + {a_{i2}}{C_{i2}} + \ldots + {a_{in}}{C_{in}} = \mathop \sum \limits_{j = 1}^n {a_{ij}}\;{C_{ij}}\] Este cálculo se puede hacer tomando cualquiera de las filas de \(A\), o sea: \(i = 1,\;2,\; \ldots ,\;n\)

Desarrollo por columna \(j\):

\[\det \left( A \right) = {a_{1j}}{C_{1j}} + {a_{2j}}{C_{2j}} + \ldots + {a_{nj}}{C_{nj}} = \mathop \sum \limits_{i = 1}^n {a_{ij}}\;{C_{ij}}\;\;\;,\;\;\;\;j = 1,\;2, \ldots ,n\]

Ejemplo

Retomemos la matriz del ejemplo anterior: \[A = \left( {\begin{array}{*{20}{c}}3&1&4\\{ – 1}&2&1\\3&2&1\end{array}} \right)\] El desarrollo del determinante por fila 1 es: \[\det \left( A \right) = {a_{11}}\;{C_{11}} + {a_{12}}\;{C_{12}} + {a_{13}}\;{C_{13}}\] Reemplazando los cofactores calculados previamente, resulta: \[\det \left( A \right) = 3.0 + 1.4 + 4.\left( { – 8} \right) = – 28\] Veamos que si desarrollamos el determinante por la columna 3 obtenemos el mismo resultado: \[\det \left( A \right) = {a_{13}}\;{C_{13}} + {a_{23}}\;{C_{23}} + {a_{33}}\;{C_{33}}\] \[{C_{13}} = {\left( { – 1} \right)^{1 + 3}}\left| {\begin{array}{*{20}{c}}{ – 1}&2\\3&2\end{array}} \right| = – 8\] \[{C_{23}} = {\left( { – 1} \right)^{2 + 3}}\;\left| {\begin{array}{*{20}{c}}3&1\\3&2\end{array}} \right| = – 3\] \[{C_{33}} = {\left( { – 1} \right)^{3 + 3}}\;\left| {\begin{array}{*{20}{c}}3&1\\{ – 1}&2\end{array}} \right| = 7\] \[\det \left( A \right) = 4.\left( { – 8} \right) + 1.\left( { – 3} \right) + 1.7 = – 28\] El lector puede comprobar que el determinante no varía si se desarrolla por otra fila o columna.

Ejemplo

Calculemos el determinante de la siguiente matriz: \[A = \left( {\begin{array}{*{20}{c}}2&1&0&{ – 1}\\0&{ – 1}&0&3\\{ – 2}&1&1&{ – 2}\\3&2&0&1\end{array}} \right)\]

Observemos que resulta económico desarrollar el determinante por la tercera columna:

determinante de una matriz

Calculemos el cofactor \({C_{33}}\): \[{C_{33}} = {\left( { – 1} \right)^{3 + 3}}\left| {\begin{array}{*{20}{c}}2&1&{ – 1}\\0&{ – 1}&3\\3&2&1\end{array}} \right|\] Para el cálculo del determinante de esta matriz de \(3 \times 3\) es conveniente usar la primera columna: \[{C_{33}} = 2.{\left( { – 1} \right)^{1 + 1}}\left| {\begin{array}{*{20}{c}}{ – 1}&3\\2&1\end{array}} \right| + 3.{\left( { – 1} \right)^{3 + 1}}\left| {\begin{array}{*{20}{c}}1&{ – 1}\\{ – 1}&3\end{array}} \right|\] \[{C_{33}} = – 14 + 6 = – 8\] Este ejemplo muestra que para simplificar los cálculos, en general es conveniente desarrollar el determinante por la fila o columna que tenga mayor cantidad de ceros.

Determinante de una matiz triangular

Si \(A \in {\mathbb{R}^{3 \times 3}}\) es triangular: \[A = \left( {\begin{array}{*{20}{c}}{{a_{11}}}&{{a_{12}}}&{{a_{13}}}\\0&{{a_{22}}}&{{a_{23}}}\\0&0&{{a_{33}}}\end{array}} \right)\]

¿Cuál es la expresión de su determinante?

Podemos calcular el determinante de \(A\) por la primera columna:

\[\det \left( A \right) = {a_{11}}\left| {\begin{array}{*{20}{c}}{{a_{22}}}&{{a_{23}}}\\0&{{a_{33}}}\end{array}} \right| = {a_{11}}{a_{22}}{a_{33}}\]

Hemos llegado a la siguiente conclusión: si \(A \in {\mathbb{R}^{3 \times 3}}\) es triangular, su determinante es el producto de los elementos de la diagonal principal.

Esto se puede generalizar para matrices de cualquier orden: si \(A \in {\mathbb{R}^{n \times n}}\) es triangular, su determinante es el producto de los elementos de la diagonal principal.

\(A \in {\mathbb{R}^{n \times n}}\) triangular \( \Rightarrow \det \left( A \right) = {a_{11}}.{a_{22}} \ldots {a_{nn}}\)

Teniendo en cuenta que la matriz identidad es triangular, se deduce que:

\[det(I)=1\]

Propiedades de los determinantes

En general (es decir, a menos que la matriz sea triangular o tenga alguna otra cualidad especial), el cálculo de determinantes por medio del desarrollo por cofactores no es eficiente por el número de operaciones que implica cuando se trabaja con matrices grandes.

A continuación veremos una serie de propiedades que facilitan el cálculo de determinantes.

Sea \(A \in {\mathbb{R}^{n \times n}}\). En lo que sigue utilizaremos la notación:

\[A = \left( {{A_1}\;\;{A_2}\;\; \ldots \;\;\;{A_n}} \right)\]

donde \({A_j}\) representa la columna \(j\) de la matriz \(A\).

Propiedad 1

Como un determinante puede desarrollarse por cofactores tomando cualquier fila o columna de la matriz, se deduce que:

\[{\rm{\;\;det}}\left( A \right) = \det \left( {{A^t}} \right)\;\;\]

Por lo tanto, todas las propiedades que enunciemos para las columnas de una matriz son válidas para sus filas.

Propiedad 2

Si \(B\) es la matriz que se obtiene multiplicando una columna de A por un escalar \(k \in \mathbb{R}\), \(det\left( B \right)\; = \;k\;det\left( A \right)\). O sea:

\[{\rm{\;\;det}}\left( {{A_1}\;\;{A_2}\;\; \ldots \color{red}{k}{A_j} \ldots \;\;\;{A_n}} \right) = \color{red}{k}\det \left( {{A_1}\;\;{A_2}\;\; \ldots {A_j} \ldots \;\;\;{A_n}} \right)\;\;\]

Comprobemos la propiedad para una matriz de \(2 \times 2\): \[A = \left( {\begin{array}{*{20}{c}}a&b\\c&d\end{array}} \right)\;\;\;,\;\;\;\det \left( A \right) = ad – bc\] \[\det \left( {\begin{array}{*{20}{c}}a&{kb}\\c&{kd}\end{array}} \right) = akd – kbc = k\left( {ad – bc} \right) = k\det \left( A \right)\]

Propiedad 3

Si una columna de \(A\) puede expresarse como $$A_{j}=A_{j}^{‘}+A_{j}^{»}$$ entonces \(det\left( A \right)\) puede descomponerse así:

$${\rm{\;\;det}}\left( {{A_1}\;\;{A_2}\;\; \ldots \color{blue}{A_j^{‘}} + \color{fuchsia}{A_j^{»}} \ldots \;\;{A_n}} \right)$$

$$= \det \left( {{A_1}\;\;{A_2}\;\; \ldots \color{blue}{A_j^{‘}} \ldots \;\;{A_n}} \right) + \det \left( {{A_1}\;\;{A_2}\;\; \ldots \color{fuchsia}{A_j^{»}} \ldots \;\;{A_n}} \right)$$

Comprobemos para una matriz de \(2 \times 2\):

\[\det \left( {\begin{array}{*{20}{c}}a&{b’ + b»}\\c&{d’ + d»}\end{array}} \right) = a\left( {d’ + d»} \right) – c\left( {b’ + b»} \right)\]

\[ = ad’ + ad» – cb’ – cb» = \left( {ad’ – cb’} \right) + \left( {ad» – cb»} \right)\]

\[ = \det \left( {\begin{array}{*{20}{c}}a&{b’}\\c&{d’}\end{array}} \right) + \det \left( {\begin{array}{*{20}{c}}a&{b»}\\c&{d»}\end{array}} \right)\]

Propiedad 4

Si se permutan dos columnas de A, el determinante cambia de signo:

\[{\rm{\;\;det}}\left( {{A_1}\;\;{A_2} \ldots \;\;\color{red}{{A_i}} \ldots \color{fuchsia}{{A_j}} \ldots {A_n}} \right) = – \det \left( {{A_1}\;\;{A_2} \ldots \;\;\color{fuchsia}{{A_j}} \ldots \color{red}{{A_i}} \ldots {A_n}} \right)\;\;\]

Comprobemos para una matriz de \(2 \times 2\): \[\left| {\begin{array}{*{20}{c}}b&a\\d&c\end{array}} \right| = bc – ad = – \left( {ad – bc} \right) = – \left| {\begin{array}{*{20}{c}}a&b\\c&d\end{array}} \right|{\rm{\;}}\]

Propiedad 5

Si \(A\) tiene una columna \(0\) de ceros, entonces su determinante es cero:

\[{\rm{\;\;det}}\left( {{A_1}\; \ldots 0 \ldots \;\;{A_n}} \right) = 0\;\;\]

Esta propiedad puede deducirse aplicando la propiedad 2: \[\det \left( {{A_1}\; \ldots 0 \ldots \;\;{A_n}} \right) = \det \left( {{A_1}\; \ldots \;0{A_j}\; \ldots \;\;{A_n}} \right) = 0\det \left( {{A_1}\; \ldots \;{A_j}\; \ldots \;\;{A_n}} \right) = 0\]

Propiedad 6

Si A tiene dos columnas iguales, entonces su determinante es cero:

\[\;\;{A_i} = {A_j}\; \Rightarrow {\rm{\;det}}\left( A \right) = 0\]

Esta propiedad puede deducirse de la propiedad 4 cuando se permutan las columnas iguales.

Propiedad 7

Si \(\;\;{A_j} = k\;{A_i}\;\;\left( {k \in \mathbb{R}} \right)\), entonces el determinante es cero:

\[{\rm{\;det}}\left( {{A_1}\;\;{A_2} \ldots {A_i} \ldots \;k{A_i}\; \ldots {A_n}} \right) = 0\]

Dejamos la demostración a cargo del lector.

Propiedad 8

Si a una columna se le suma un múltiplo de otra, el determinante no varía. La demostración se basa en algunas de las propiedades anteriores:

\[{\rm{\;\;det}}\left( {{A_1}\;\;{A_2} \ldots \;\;\color{red}{{A_i}}\; \ldots \;\;\;{A_j} + k\color{red}{{A_{i\;}}}\; \ldots \;{A_n}} \right) = \]

La demostración se basa en las propiedades 3 y 7 enunciadas previamente.

Propiedad 9

Si \(A \in {\mathbb{R}^{\color{red}{n}x\color{red}{n}}}\) y \(k \in \mathbb{R}\):

\[{\rm{\;\;det}}\left( {kA} \right) = {k^{\color{red}{n}}}\det \left( A \right)\;\;\]

Proponemos al lector que demuestre esta propiedad, teniendo en cuenta la propiedad 2.

Propiedad 10

El determinante de un producto de matrices cuadradas es igual al producto de sus determinantes. Si \(A,B \in {\mathbb{R}^{n \times n}}\) , entonces:

\[{\rm{\;\;det}}\left( {AB} \right) = \det \left( A \right)\det \left( B \right)\;\;\]

Observación importante: el determinante de la suma de matrices no es igual a la suma de sus determinantes.

Veamos un ejemplo: \[A = \left( {\begin{array}{*{20}{c}}1&2\\3&4\end{array}} \right)\;\;,\;\;\;B = \left( {\begin{array}{*{20}{c}}1&{ – 1}\\3&2\end{array}} \right)\] \[A + B = \left( {\begin{array}{*{20}{c}}2&1\\6&6\end{array}} \right)\] \(\det \left( {\rm{A}} \right) = – 2{\rm{\;\;\;\;}},{\rm{\;\;\;}}\det \left( {\rm{B}} \right) = 5\) pero \(\det \left( {A + B} \right) = 6\; \ne – 2 + 5\)

Entonces:

\(\det \left( {A + B} \right) \ne \det \left( A \right) + \det \left( B \right)\)

Propiedad 11

Si \(k \in \mathbb{N}\), teniendo en cuenta la propiedad anterior se deduce que:
propiedades determinante de una matriz

 \[{\rm{\;\;det}}\left( {{A^k}} \right) = {\left[ {\det \left( A \right)} \right]^k}\;\;,\;\;\;k \in \mathbb{N}\]
Ejemplo

Sea la matriz \[A = \left( {\begin{array}{*{20}{c}}1&2&3\\2&3&{ – 1}\\2&4&6\end{array}} \right)\] Calcular el determinante de \({A^{100}}\)

Resolución

Obtener \({A^{100}}\) resulta complicado por la cantidad de cálculos que implica.

Podemos usar la propiedad 11 para simplificar los cálculos:

\[\det \left( {{A^{100}}} \right) = {\left[ {\det \left( A \right)} \right]^{100}}\] Y como \({F_3} = 2{F_{1\;}}\), de la propiedad 7 se deduce que \(\det \left( A \right) = 0\) .

Luego: \[\det \left( {{A^{100}}} \right) = 0\]

Ejemplo

Calculemos el determinante de la matriz \[A = \left( {\begin{array}{*{20}{c}}{ – 3}&2&2&{ – 3}\\2&0&2&2\\1&{ – 1}&{ – 1}&1\\1&0&1&1\end{array}} \right)\] Como \({A_1} = {A_4}\) podemos afirmar que \(\det \left( A \right) = 0\)  (propiedad 6).

Ejemplo

Calculemos el determinante de la matriz

\[A = \left( {\begin{array}{*{20}{c}}1&{ – 2}&{ – 1}&{ – 1}\\2&3&{ – 2}&5\\0&1&{ – 3}&1\\1&1&0&2\end{array}} \right)\]

Si tenemos en cuenta que \({A_4} = {A_1} + {A_2}\;\), aplicando propiedades podemos afirmar que \(\det \left( A \right) = 0\) . ¿Por qué?

Ejemplo

Sea \(A \in {\mathbb{R}^{3 \times 3}}\) y \(\det \left( A \right) = 2\), calcular \(\det \left( {\frac{3}{2}\;{A^3}} \right)\)

Resolución

\[\det \left( {\frac{3}{2}\;{A^3}} \right) = {\left( {\frac{3}{2}} \right)^3}\det \left( {{A^3}} \right) = \frac{{27}}{8}\;{[\det \left( A \right)]^3} = \frac{{27}}{8}{.2^3} = 27\] Donde usamos las propiedades 9 y 11.

Ejemplo

Queremos calcular el determinante de la siguiente matriz de \(4 \times 4\):

\[A = \left( {\begin{array}{*{20}{c}}1&2&3&4\\1&1&0&1\\2&1&3&{ – 1}\\3&1&3&0\end{array}} \right)\]

Aplicamos la propiedad 8 para obtener ceros en la primera columna:

propiedades determinantes ejemplo

Donde hemos realizado: \[\left( 1 \right):\;\;\;{F_2} \to {F_2} – {F_1}\] \[\left( 2 \right):\;\;\;{F_3} \to {F_3} – 2{F_1}\] \[\left( 3 \right):\;{F_4} \to {F_4} – 3{F_1}\] Ahora podemos desarrollar el determinante por la primera columna:

propiedades determinante de una matriz ejemplo

\[\left( 4 \right):Propiedad\;9\;de\;determinantes\;\] \[\left( 5 \right):{F_2} \to {F_2} – 3{F_1}\;\;{\rm{y}}\;\;{F_3} \to {F_3} – 5{F_1}\;\] Observemos que la aplicación de la propiedad 8 nos permitió reducir el cálculo de un determinante de \(4 \times 4\) a uno de \(3 \times 3\).

Ejercicio para el lector 5

Sea \(\;A \in {\mathbb{R}^{3 \times 3}}\), \(A\; = \;\left( {{A_1}\;\;{A_2}\;\;{A_3}} \right)\)

Demostrar la siguiente propiedad:

Si \(\;\;{A_3} = {\alpha _1}{A_1} + {\alpha _2}{A_2}\;\;\;,\;\;\;{\alpha _1},{\alpha _2} \in \mathbb{R}\) entonces el determinante de \(A\) es cero.

El determinante de la inversa

Recordemos que una matriz \(A \in {\mathbb{R}^{nxn}}\) es inversible si existe \(B \in {\mathbb{R}^{nxn}}\) tal que \(AB = I\) . Si \(A\) es inversible, su inversa se indica como \({A^{ – 1}}\) y se verifica que: \[A\;{A^{ – 1}} = I\] Aplicando determinantes, resulta: \[\det \left( {A\;{A^{ – 1}}} \right) = \det \left( I \right) = 1\] Como el determinante es distributivo respecto del producto: \[\det \left( A \right)\;\det \left( {{A^{ – 1}}} \right) = 1\]
Entonces:

\[{\rm{\;\;det}}\left( {{A^{ – 1}}} \right) = \frac{1}{{\det \left( A \right)}}\;\;\;,\;\;\;\;\left( {\;{\rm{det}}\left( A \right) \ne 0\;} \right)\]

Para que esta fórmula sea válida, el determinante de A debe ser distinto de cero. Por lo tanto, el determinante permite decidir si una matriz tiene inversa:

\[A \in {\mathbb{R}^{n \times n}}\;\;es\;inversible \Leftrightarrow \;\det \left( A \right) \ne 0\]

Por ejemplo \(M = \left( {\begin{array}{*{20}{c}}3&1\\0&1\end{array}} \right)\) es inversible porque \(\det \left( M \right) \ne 0\) .

En cambio \(\;A = \left( {\begin{array}{*{20}{c}}3&1\\{ – 3}&{ – 1}\end{array}} \right)\) no es inversible porque \(\det \left( A \right) = 0\) .

Observación:

Las matrices inversibles también se llaman regulares.

Las matrices no inversibles también se denominan singulares.

Ejemplo

Sea \(A = \left( {{A_1}\;\;\;{A_2}\;\;{A_3}} \right) \in {\mathbb{R}^{3 \times 3}}\) , \(\det \left( A \right) = k \ne 0\)

ejemplo determinante de un matriz 3

Mostrar que \(B\) es inversible y calcular \(\det \left( { – 2{A^t}{B^{ – 1}}} \right)\)

Resolución

\[\;B\;es\;inversible \Leftrightarrow \det \left( B \right) \ne 0\] \[\det \left( {\rm{B}} \right) = \det \left( {{A_2}\;\;\;\;\;{A_1} + 3{A_3}\;\;\;\;{A_1} – {A_2}} \right)\] Usando la propiedad 3:

ejemplo determinante matriz

Luego utilizando propiedades 2 y 4:

\(\det \left( {\rm{B}} \right) = \det \left( {{A_2}\;\;3{A_3}\;\;{A_1}} \right)\)

\( = 3.\det \left( {{A_2}\;\;{A_3}\;\;{A_1}} \right)\)

\( = 3.\left( {–1} \right).\det \left( {{A_1}\;\;{A_3}\;\;{A_2}} \right)\)

\( = 3.{\left( {–1} \right)^2}.\det \left( {{A_1}\;\;{A_2}\;\;{A_3}} \right)\)

\( = 3k\)

Cómo \(k \ne 0\), \(B\) es inversible y el determinante de su inversa es:

\[\det \left( {{B^{ – 1}}} \right) = \frac{1}{{{\rm{det}}\left( B \right)}} = \frac{1}{{3k}}\]

Luego:

\[det\left( {–2{A^t}{B^{–1}}} \right) = {\left( {–2} \right)^3}det\left( {{A^t}} \right)det\left( {{B^{–1}}} \right) = –8.k.\frac{1}{{3k}} = –\frac{8}{3}\]

Ejercicio para el lector 6

Utilizar wxMaxima para calcular el determinante, en función de \(k\), de la siguiente matriz: \[A = \left( {\begin{array}{*{20}{c}}1&3&1&3\\2&3&4&5\\3&2&k&2\\4&k&6&5\end{array}} \right)\] Determinar los valores de \(k\) para los cuales la matriz es inversible.

Sugerencia: para resolver este ejercicio pueden ser útiles los comandos para calcular el determinante, simplificar una expresión algebraica y hallar las raíces de un polinomio que se explican en el tutorial de wxMaxima.

Matriz Adjunta

Dada una matriz \(A \in {\mathbb{R}^{nxn}}\), se denomina matriz de cofactores de \(A\) a la matriz que se obtiene reemplazando cada elemento de \(A\) por su respectivo cofactor.

Por ejemplo para una matriz de \(3 \times 3\), su matriz de cofactores es: \[Cof\left( A \right) = \left( {\begin{array}{*{20}{c}}{{C_{11}}}&{{C_{12}}}&{{C_{13}}}\\{{C_{21}}}&{{C_{22}}}&{{C_{23}}}\\{{C_{31}}}&{{C_{32}}}&{{C_{33}}}\end{array}} \right)\] La traspuesta de la matriz de cofactores se denomina adjunta de \(A\) y se indica como \(Adj\left( A \right)\): \[Adj\left( A \right) = {\left( {Cof\left( A \right)} \right)^t} = \left( {\begin{array}{*{20}{c}}{{C_{11}}}&{{C_{21}}}&{{C_{31}}}\\{{C_{12}}}&{{C_{22}}}&{{C_{32}}}\\{{C_{13}}}&{{C_{23}}}&{{C_{33}}}\end{array}} \right)\]

Ejemplo

Dada \(A = \left( {\begin{array}{*{20}{c}}1&2&3\\4&5&6\\7&8&0\end{array}} \right){\rm{\;}}\), calculemos sus cofactores para obtener la matriz adjunta: \[\;{C_{11}} = {\left( { – 1} \right)^{1 + 1}}\left| {\begin{array}{*{20}{c}}5&6\\8&0\end{array}} \right| = – 48\;\;\;\;\;\;\;\;\;\;{C_{12}} = {\left( { – 1} \right)^{1 + 2}}\left| {\begin{array}{*{20}{c}}4&6\\7&0\end{array}} \right| = 42\;\;\;\;\;\;\;\;{C_{13}} = {\left( { – 1} \right)^{1 + 3}}\left| {\begin{array}{*{20}{c}}4&5\\7&8\end{array}} \right| = – 3\] \[{C_{21}} = {\left( { – 1} \right)^{2 + 1}}\left| {\begin{array}{*{20}{c}}2&3\\8&0\end{array}} \right| = 24\;\;\;\;\;\;\;{C_{22}} = {\left( { – 1} \right)^{2 + 2}}\left| {\begin{array}{*{20}{c}}1&3\\7&0\end{array}} \right| = – 21\;\;\;\;\;\;\;{C_{23}} = {\left( { – 1} \right)^{2 + 3}}\left| {\begin{array}{*{20}{c}}1&2\\7&8\end{array}} \right| = 6\] \[{C_{31}} = {\left( { – 1} \right)^{3 + 1}}\left| {\begin{array}{*{20}{c}}2&3\\5&6\end{array}} \right| = – 3\;\;\;\;\;\;{C_{32}} = {\left( { – 1} \right)^{3 + 2}}\left| {\begin{array}{*{20}{c}}1&3\\4&6\end{array}} \right| = 6\;\;\;\;\;{C_{33}} = {\left( { – 1} \right)^{3 + 3}}\left| {\begin{array}{*{20}{c}}1&2\\4&5\end{array}} \right| = – 3\] Observación: Recordemos que \({\left( { – 1} \right)^{i + j}} = \left\{ {\begin{array}{*{20}{c}}{1\;\;\;\;si\;\;i + j\;\;\;es\;\;par}\\{ – 1\;\;\;\;si\;\;i + j\;\;\;es\;\;impar}\end{array}} \right.\)

Esto facilita el cálculo de los cofactores, ya que \({\left( { – 1} \right)^{i + j}}\) indica un signo \( + \) o \( – \) de acuerdo con la posición de cada elemento \({a_{ij}}\).

Entonces la matriz de los cofactores es:

\[Cof\left( A \right) = \left( {\begin{array}{*{20}{c}}{ – 48}&{42}&{ – 3}\\{24}&{ – 21}&6\\{ – 3}&6&{ – 3}\end{array}} \right)\]

Trasponemos para obtener la adjunta:

\[Adj\left( A \right) = \left( {\begin{array}{*{20}{c}}{ – 48}&{24}&{ – 3}\\{42}&{ – 21}&6\\{ – 3}&6&{ – 3}\end{array}} \right)\]

Si \(A\) es inversible, veremos que su adjunta proporciona un método para obtener la inversa.

Obtención de la inversa a través de la adjunta

Habíamos visto que el determinante permite decidir si una matriz es inversible.

El lector puede comprobar para la matriz del ejemplo anterior que:

\(\det \left( A \right) = 27 \Rightarrow A\) es inversible

Calculemos el producto de la matriz \(A\) con su adjunta:

\[A\;Adj\left( A \right) = \left( {\begin{array}{*{20}{c}}1&2&3\\4&5&6\\7&8&0\end{array}} \right)\left( {\begin{array}{*{20}{c}}{ – 48}&{24}&{ – 3}\\{42}&{ – 21}&6\\{ – 3}&6&{ – 3}\end{array}} \right) = \left( {\begin{array}{*{20}{c}}{27}&0&0\\0&{27}&0\\0&0&{27}\end{array}} \right)\]

¿Y si lo calculamos invirtiendo el orden? En general el producto de matrices no es conmutativo, pero en este caso:

\[Adj\left( A \right)\;A = \left( {\begin{array}{*{20}{c}}{ – 48}&{24}&{ – 3}\\{42}&{ – 21}&6\\{ – 3}&6&{ – 3}\end{array}} \right).\left( {\begin{array}{*{20}{c}}1&2&3\\4&5&6\\7&8&0\end{array}} \right) = \left( {\begin{array}{*{20}{c}}{27}&0&0\\0&{27}&0\\0&0&{27}\end{array}} \right)\]

Se cumple que el producto de la matriz por su adjunta (en cualquier orden) da por resultado una matriz escalar que tiene en su diagonal al determinante de la matriz \(A\). Esto no es casual sino que se cumple para toda matriz cuadrada.

Si \(A \in {\mathbb{R}^{nxn}}\) , puede demostrarse que:

\[A.Adj\left( A \right) = \det \left( A \right).I\;\;\;\; \wedge \;\;\;Adj\left( A \right).A = \det \left( A \right).I\]

De esta propiedad puede deducirse que:

\[A\left( {\;\frac{1}{{{\rm{det}}\left( A \right)}}\;Adj\left( A \right)} \right) = I\;\;\;\;\;\; \wedge \;\;\;\;\;\;\;\;\;\left( {\;\frac{1}{{{\rm{det}}\left( A \right)}}\;Adj\left( A \right)} \right)A = I\;\]

Por lo tanto podemos afirmar que \(si\;\;{\bf{det}}\left( A \right) \ne 0\) , la inversa de \(A\) es:

\[{A^{ – 1}} = \frac{1}{{\det \left( A \right)}}.Adj\left( A \right)\]

Retomando el ejemplo anterior, \[{A^{ – 1}} = \frac{1}{{27}}\;\left( {\begin{array}{*{20}{c}}{ – 48}&{24}&{ – 3}\\{42}&{ – 21}&6\\{ – 3}&6&{ – 3}\end{array}} \right) = \left( {\begin{array}{*{20}{c}}{ – \frac{{16}}{9}}&{\frac{8}{9}}&{ – \frac{1}{9}}\\{\frac{{14}}{9}}&{ – \frac{7}{9}}&{\frac{2}{9}}\\{ – \frac{1}{9}}&{\frac{2}{9}}&{ – \frac{1}{9}}\end{array}} \right)\]

Caso particular: inversa de una matriz de 2×2

Sea \(A = \left( {\begin{array}{*{20}{c}}a&b\\c&d\end{array}} \right)\)

Si \(\det \left( A \right) = ad – bc \ne 0\) , podemos afirmar que A es inversible y calcular su inversa mediante la matriz adjunta.

Dejamos a cargo del lector comprobar que la matriz adjunta es: \[Adj\left( A \right) = \left( {\begin{array}{*{20}{c}}d&{ – b}\\{ – c}&a\end{array}} \right)\]
Y por lo tanto, resulta:

\[{A^{ – 1}} = \frac{1}{{ad – bc}}\left( {\begin{array}{*{20}{c}}d&{ – b}\\{ – c}&a\end{array}} \right)\]

Por ejemplo, para

\(A = \left( {\begin{array}{*{20}{c}}1&2\\3&4\end{array}} \right)\;\;,\;\;la\;inversa\;es\;\;\;\;\;{A^{ – 1}} = – \frac{1}{2}\;\left( {\begin{array}{*{20}{c}}4&{ – 2}\\{ – 3}&1\end{array}} \right)\; = \;\left( {\begin{array}{*{20}{c}}{ – 2}&1\\{3/2}&{ – 1/2}\end{array}} \right)\)

Artículos relacionados:

  • Información sobre el curso de verano 2021
  • Información sobre el curso segundo cuatrimesre 2020
  • Información sobre el curso primer cuatrimesre 2021

Archivado en:Matrices y determinantes, Parte 1

Interacciones con los lectores

Comentarios

  1. L dice

    10 mayo, 2018 en 2:22 pm

    Muchas gracias. Muy util.

  2. Lucas Figueroa dice

    4 junio, 2018 en 6:36 pm

    Ndeeeeaaaahhhhh alto post. Re sape, re sirvio. +10

  3. Thomas dice

    27 julio, 2019 en 4:23 pm

    muy bueno che, pero me gustaría saber el origen de la ecuación de cofactores de la matriz menor … ===> [ Cij=(–1)^i+j*det(Mij) ] mas que nada para saber lo que estoy haciendo

  4. José Ponce dice

    14 abril, 2020 en 11:14 am

    Muy útil, gracias!!!!

  5. Claudio Aquiles Greco dice

    10 julio, 2020 en 11:03 am

    Muy bueno, bien explicado

Deja una respuesta Cancelar la respuesta

Lo siento, debes estar conectado para publicar un comentario.

Barra lateral primaria

Actualizaciones recientes

  • Primer Parcial Resuelto de AGA [13-09-2019]
  • Segundo Parcial Resuelto de AGA [21-06-2019]
  • Segundo Parcial Resuelto de AGA [10-11-2018]
  • Segundo Parcial Resuelto de AGA [23-06-2018]
  • Primer Parcial Resuelto de AGA [05-05-2018]

Comentarios recientes

  • FEDERICO en Introducción a vectores en R3
  • Julián Oter en Diagonalización ortogonal de matrices simétricas
  • Alan en Producto escalar en R3
  • RONY en Hipérbola
  • YANIS YULEISI PENATA BENITEZ en Espacios y subespacios vectoriales

Archivos

  • septiembre 2019
  • junio 2019
  • noviembre 2018
  • julio 2018
  • mayo 2018
  • noviembre 2017
  • septiembre 2017
  • junio 2017
  • abril 2017
  • diciembre 2016
  • noviembre 2016
  • octubre 2016
  • septiembre 2016
  • agosto 2016

Categorías

  • Aplicaciones de la diagonalización
  • Autovalores y autovectores
  • Cónicas, parametrización y superficies cuádricas
  • Espacios vectoriales
  • Matrices y determinantes
  • Números complejos
  • Parte 1
  • Parte 2
  • Primer parcial resuelto
  • Segundo parcial resuelto
  • Sin categoría
  • Sistemas de ecuaciones
  • Transformaciones lineales
  • Vectores, recta y plano.

Descarga de PDFs

  • PDF Unidad 1
  • PDF Unidad 1
  • PDF Unidad 2
  • PDF Unidad 2
  • PDF Unidad 3
  • PDF Unidad 3
  • PDF Unidad 4
  • PDF Unidad 4
  • PDF Unidad 5
  • PDF Unidad 5
  • PDF Unidad 6
  • PDF Unidad 6
  • PDF Unidad 7
  • PDF Unidad 7
  • PDF Unidad 8
  • PDF Unidad 8
  • PDF Unidad 9
  • PDF Unidad 9

Unidad 3

Espacios vectoriales

En las unidades anteriores vimos que el álgebra de vectores y el álgebra de matrices presentan similitudes. Pudimos observar que las propiedades de la suma (de vectores o de matrices) y del producto por un escalar son idénticas en ambos conjuntos.

En esta unidad, generalizaremos el concepto de vector a partir de estas propiedades en común que hemos señalado para vectores geométricos y matrices.

Las siguientes preguntas nos ayudarán a focalizar el eje de esta unidad:

¿En qué se parecen los vectores geométricos, las matrices y los polinomios? ¿Qué propiedades comunes pueden detectarse en estos objetos de diferente naturaleza y variadas aplicaciones?

De esto se trata nuestra tercera unidad, donde se desarrollan conceptos centrales del álgebra lineal: espacios vectoriales, base, dimensión y coordenadas, entre otros.

Empezar Unidad 3

Footer

Buscá en el sitio

Comentarios recientes

  • FEDERICO en Introducción a vectores en R3
  • Julián Oter en Diagonalización ortogonal de matrices simétricas
  • Alan en Producto escalar en R3
  • RONY en Hipérbola
  • YANIS YULEISI PENATA BENITEZ en Espacios y subespacios vectoriales

Realizado en UTN FRBA

UDB Matemática – Ciencias Básicas – Secretaría Académica

Licencia Creative Commons

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución – No Comercial – Sin Obra Derivada 4.0 Internacional.

Los gifs

Los GIFs del material teórico

Archivos

  • septiembre 2019
  • junio 2019
  • noviembre 2018
  • julio 2018
  • mayo 2018
  • noviembre 2017
  • septiembre 2017
  • junio 2017
  • abril 2017
  • diciembre 2016
  • noviembre 2016
  • octubre 2016
  • septiembre 2016
  • agosto 2016

Descargas en PDF

  • PDF Unidad 1
  • PDF Unidad 1
  • PDF Unidad 2
  • PDF Unidad 2
  • PDF Unidad 3
  • PDF Unidad 3
  • PDF Unidad 4
  • PDF Unidad 4
  • PDF Unidad 5
  • PDF Unidad 5
  • PDF Unidad 6
  • PDF Unidad 6
  • PDF Unidad 7
  • PDF Unidad 7
  • PDF Unidad 8
  • PDF Unidad 8
  • PDF Unidad 9
  • PDF Unidad 9

Webs relacionadas

Proba Fácil con contenidos de probabilidad y estadística

  • Parte 1
    • Vectores, recta y plano
      • Introducción a vectores en R3
      • Producto escalar en R3
      • Producto vectorial y mixto
      • Ecuaciones del plano
      • Ángulos y distancias
      • Haz de planos
      • Recta en ({mathbb{R}^3})
      • Recta y plano: intersecciones y ángulos
      • Distancias y proyecciones
    • Matrices y determinantes
      • Matrices
      • Determinante de una matriz
      • Matrices y sistemas de ecuaciones lineales
    • Espacios vectoriales
      • Espacios y subespacios vectoriales
      • Conjunto generador. LI y LD. Base. Dimensión.
      • Operaciones con subespacios
    • Sistemas de ecuaciones
      • Rango y sistemas de ecuaciones lineales
      • Relaciones entre soluciones de AX=B y AX=0. Variables libres.
  • Parte 2
    • Transformaciones lineales
      • Definición y propiedades de las transformaciones lineales
      • Núcleo e imagen. Clasificación de las transformaciones lineales.
      • Teorema fundamental de las transformaciones lineales
      • Matriz asociada a una transformación lineal
      • Composición e inversa de transformaciones lineales
      • Matriz de cambio de base
    • Autovalores y autovectores
      • Autovalores y autovectores: definiciones y propiedades
      • Multiplicidades algebraica y geométrica de un autovalor
      • Matrices semejantes
      • Diagonalización de una matriz
      • Diagonalización ortogonal de matrices simétricas
      • Diagonalización de una transformación lineal
    • Cónicas, parametrización y superficies cuádricas
      • Introducción a cónicas
      • Circunferencia
      • Parábola
      • Elipse
      • Hipérbola
      • Ecuaciones paramétricas de las cónicas (circunferencia, elipse, parábola e hipérbola)
    • Aplicaciones de la diagonalización
      • Potencias de una matriz diagonalizable
      • Rototraslación de cónicas
    • Números complejos
      • Definición y operaciones de números complejos en forma binómica
      • Operaciones en forma trigonométrica y exponencial
      • Radicación de números complejos
      • Regiones del plano complejo
  • Exámenes
    • Parciales
      • Parcial 1
        • 24-05-2015
        • 12-02-2016
        • 22-04-2017
        • 09-09-2017
        • 05-05-2018
        • 13-09-2019
      • Parcial 2
        • 21-06-2019
        • 10-11-2018
        • 23-06-2018
        • 04-11-2017
        • 10-06-2017
        • 13-06-2015
        • 31-10-2015
    • Finales
  • Info 2021 (primer cuatrimestre)
  • Contactanos!
  • Reportá un error

Copyright © 2023 · Digital Pro On Genesis Framework · WordPress · Iniciar sesión

  • Parte 1
  • Parte 2
  • Exámenes
  • Info 2021 (primer cuatrimestre)
  • Contactanos!
  • Reportá un error