Tema 1. Espacios Vectoriales.

Sistemas de ecuaciones.

Algebra Lineal
Escuela Politecnica Superior
Universidad de Malaga
Emilio Mu noz-Velasco
(Basado en los apuntes de Jes us Medina e Inmaculada Fortes)
Quizas sea justo armar que las m ultiples formas que toma la geometra son apenas traducciones, lecturas y
relecturas de esa indescifrable belleza que oculta el algebra... Juan Mu noz. Escultor
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 1
1.1 Matrices y sistemas de ecuaciones
lineales.
Llamamos M
mn
(R) al conjunto de las matrices A = (a
ij
)
(i = 1, 2, . . . , m; j = 1, 2, . . . , n) donde los elementos a
ij
R.
Podemos denir las siguientes operaciones de matrices:
Suma: A, B M
mn
(R), entonces A+B = (a
ij
+b
ij
).
Producto de un n umero real por una matriz: Si a R y A
M
mn
(R), entonces a A = (a a
ij
).
Producto de Matrices: Si A M
mn
(R) y B M
np
(R)
entonces
AB =
_
n

k=1
a
ik
b
kj
_
M
mp
(R)
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 2
Propiedades de las
operaciones de matrices
1. A+(B+C) = (A+B)+C
2. A+ 0 = 0 +A = A
3. A+(A) = (A)+A = 0
4. A+B = B +A
5. a(A+B) = aA+aB
6. (a +b) A = a A+b A
7. a (b A) = (a b) A
8. 1 A = A
9. A(BC) = (AB)C
10. AI
n
= I
m
A = A
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 3
Tipos especiales
de matrices cuadradas
Una matriz cuadrada A de tama no n se llama inversible, si existe
otra matriz A
1
tal que AA
1
= A
1
A = I
n
. Las matrices
cuadradas que no tienen inversa se llaman singulares.
Matriz diagonal: a
ij
= 0 si i = j.
Matriz escalar: A = I
n
.
Matriz triangular inferior: a
ij
= 0 si i < j.
Matriz triangular superior: a
ij
= 0 si i > j.
Matriz simetrica: A = A
T
.
Matriz antisimetrica: A = A
T
.
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 4
Matrices escalonadas por las
_
_
_
_
_
_
_
_
0 . . . 0 1 . . . . . . . . . .
0 . . . 0 . . . 0 1 . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0 . . . 0 . . . . . . . . . 0 1 . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0 . . . 0 . . . . . . . . . 0 . . . . . . . 0
_
_
_
_
_
_
_
_
Diremos que una matriz es escalonada por las reducida si los
elementos que estan en la misma columna que el primer 1 de cada
la son todos ceros.
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 5
Ejemplos
Las siguientes matrices son escalonadas por las:
_
_
_
_
1 2 1 3
0 1 0 1
0 0 0 1
0 0 0 0
_
_
_
_
_
_
0 1 0 0 1 4
0 0 0 1 3 0
0 0 0 0 1 1
_
_
_
_
_
_
1 1 1
0 1 0
0 0 0
0 0 0
_
_
_
_
Ninguna es escalonada reducida por las.
Las siguientes matrices son escalonadas reducidas por las:
_
_
_
_
1 0 1 0
0 1 0 0
0 0 0 1
0 0 0 0
_
_
_
_
_
_
0 1 0 0 0 4
0 0 0 1 0 0
0 0 0 0 1 1
_
_
_
_
_
_
1 0 1
0 1 0
0 0 0
0 0 0
_
_
_
_
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 6
Transformaciones elementales
Tipo I: Cambiar dos las
Tipo II: Multiplicar una la por una constante c = 0 de K
Tipo III: Sumar a una la por otra la multiplicada por c K
Dos matrices A y B son equivalentes por las si una de ellas
se puede obtener a partir de la otra mediante transformaciones
elementales por las.
Ejemplo: Las matrices
A =
0
B
B
@
1 2 3
1 2 1
2 1 0
1 2 3
1
C
C
A
y B =
0
B
B
@
1 2 3
2 4 2
0 0 0
0 3 2
1
C
C
A
son equivalentes por las.
Que transformaciones elementales se han realizado en la matriz Apara obtener
la matriz B?
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 7
Independencia y dependencia lineal
Llamamos combinacion lineal de las (o columnas) f
1
, f
2
, . . . , f
k
a una expresion de la forma
a
1
f
1
+a
2
f
2
+. . . +a
k
f
k
donde los a
i
son elementos del cuerpo K.
Diremos que un conjunto de las (o columnas) de una matriz son
linealmente independientes si ninguna de ellas se puede expresar
como combinacion lineal de las restantes. En caso contrario se dice
que el conjunto de las (o columnas) es linealmente dependiente.
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 8
Rango de una matriz
Llamamos rango por las de una matriz al n umero maximo
de las linealmente independientes. Asimismo llamamos rango
por columnas al n umero maximo de columnas linealmente
independientes.
Teorema 1. El rango por las de cualquier matriz coincide
con su rango por columnas. A dicho n umero le llamamos
simplemente rango de la matriz.
Teorema 2. Las matrices equivalentes por las tienen el
mismo rango.
Teorema 3. El rango de una matriz escalonada por las es el
n umero de las distintas de cero.
Teorema 4. Toda matriz es equivalente por las a una matriz
escalonada por las.
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 9
Ejemplo 1. La matriz
_
_
_
_
0 2 3 4 1
0 0 2 3 4
2 2 5 2 4
2 0 6 9 7
_
_
_
_
tiene rango 3.
Calculo de la inversa de una matriz
Corolario 1. Una matriz cuadrada es inversible si y solo si
es equivalente por las (resp. por columnas) a la matriz
identidad.
Esto nos permite calcular la inversa de una matriz A.
E
k
E
k1
. . . E
1
A = I A
1
= E
k
E
k1
. . . E
1
Ejemplo 2. Calcular la inversa de la matriz
_
_
1 1 4
2 1 0
1 0 4
_
_
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 10
Sistemas de Ecuaciones Lineales.
Metodos de Gauss y de Gauss-Jordan
Teorema 5. Los sistemas Ax = b y Bx = c tienen las mismas
soluciones si y solo si sus matrices ampliadas son equivalentes
por las.
Los teoremas anteriores nos permiten concluir que, dado un sistema
Ax = b, existe un sistema Gx = g donde (G|g) es escalonada
por las y equivalente por las a la matriz (A|b). El algoritmo
para resolver un sistemas de ecuaciones basado en este hecho
lo denominaremos Metodo de Gauss. Modicando el metodo de
Gauss para que la matriz (G|g) sea escalonada por las reducida
se obtiene el metodo de Gauss-Jordan.
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 11
Teorema de Rouche-Frobenius
Dado un sistemas de ecuaciones Ax = b, donde A M
mn
(K)
y b K
m
, representaremos por (A|b) la matriz ampliada obtenida
a nadiendo a la matriz A la columna formada por los elementos
de b. Entonces, siendo n es el n umero de incognitas, se tiene que
Si rang A = rang(A|b), entonces el sistema es incompatible.
Si rang A = rang(A|b) y
rang A = n, el sistema es compatible determinado.
rang A < n, el sistema es compatible indeterminado.
Para el caso homogeneo, Ax = 0, siempre el vector x =

0 es
solucion. Por tanto, solo si rang A < n existen soluciones distintas
de la trivial.
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 12
Ejemplo
Ejemplo 3. Estudia la compatibilidad y resolver, cuando sea
posible los sistemas de ecuaciones siguientes utilizando los
metodos de Gauss y de Gauss-Jordan.
_
_
_
2x + 3y +z = 2
x +z = 2
4x + 4y +z = 2
_
_
_
2x + 3y +z = 1
x + 2y + 3z = 0
3x + 5y + 4z = 1
_
_
_
2x + 3y +z = 1
x + 2y + 3z = 0
3x + 5y + 4z = 6
Emilio Mu noz-Velasco 1.1 Matrices y S.E.L. 13
Ejemplo
Ejemplo 4. Resuelve el sistema AX = B, para X =
_
x
y
_
,
en los casos siguientes:
A =
_
0 0
3 0
_
; B =

0.
A =
_
0 0
3 0
_
; B =
_
0
2
_
.
A =
_
0 0
3 0
_
; B =
_
1
2
_
.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 14
1.2 Espacios vectoriales.
Denicion 1. Llamamos espacio vectorial sobre un cuerpo K
a un conjunto V con dos operaciones suma (+) (interna) y
un producto () (externa) que verican:
1. + verica las siguientes operaciones:
(a) ( u +v) + w = u + (v + w)
(b) v +

0 =

0 +v = v
(c) v + (v) = (v) +v =

0
(d) u +v = v + u
2. verica:
(a) (v + w) = v + w para K y v, w V .
(b) ( +)v = v +v para , K y v V .
(c) ()v = (v) para , K y v V .
(d) 1 v = v para v V (siendo 1 la unidad en K).
Representaremos por (V, +, , K) al espacio vectorial y llamamos
vectores a los elementos de V y escalares a los elementos de K.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 15
Ejemplos:
(R
n
, +, , R) es el espacio vectorial real n-dimensional.
(K
n
, +, , K) es el espacio vectorial n-dimensional sobre K.
Si P es el conjunto de polinomios con coecientes reales,
entonces (P, +, , R) es un espacio vectorial.
Las matrices mn denidas sobre cualquier cuerpo K tambien
forman un espacio vectorial (sobre el mismo cuerpo K).
Teorema 6. En todo Espacio vectorial se tienen las siguientes
propiedades:
a) 0 v =

0
b)

0 =

0
c) Si v =

0, entonces = 0 y/o v =

0
d) (1)v = v
e) ()v = (v) = (v)
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 16
Dependencia e independencia lineal
Combinacion lineal. Sera todo vector de la forma

1
v
1
+
2
v
2
+... +
n
v
n
donde
i
K y v
i
V .
Observaciones:
Todo vector es combinacion lineal de s mismo.
El vector

0 es combinacion de cualquier conjunto de vectores.
Si S = {v
1
, v
2
, . . . , v
n
} es un conjunto nito de vectores (sistema
de vectores) de V , diremos que son linealmente dependientes (l.d.)
si existe una combinacion lineal
1
v
1
+
2
v
2
+... +
n
v
n
=

0 con
al menos un
i
= 0.
En caso de que toda la combinacion lineal igualada a

0 implique

1
=
2
= =
n
= 0, decimos que los vectores son
linealmente independientes (l.i.).
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 17
En los e.v. K
n
, si tenemos un sistema de vectores S =
{v
1
, v
2
. . . v
m
} podemos construir la matriz A formada por dichos
vectores puestos en la. Entonces el maximo n umero de vectores
linealmente independientes de S coincide con el rango de la
matriz A. As en R
4
el conjunto de vectores
{(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)}
es linealmente dependiente porque la matriz
A =
_
_
1 2 4 3
2 1 1 0
3 3 3 3
_
_
tiene rango 2.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 18
Teorema 7. Sea V un e.v., entonces:
1. Si v =

0, entonces {v} es l.i.

2. Todo sistema de vectores que contenga el

0 es l.d.
3. Si S es un sistema de vectores l.i. y S

S, entonces S

es l.i.
4. Si S es un sistema de vectores l.d. y S S

, entonces S

es l.d.
5. Si S es un sistema de vectores, no todos nulos, l.d.,
entonces al menos uno de los vectores se puede expresar
como combinacion de los restantes.
6. Si S es un sistema de vectores l.i. y S{v} es l.d., entonces
v es combinacion lineal de los vectores de S.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 19
Subespacios Vectoriales
Dado un e.v. V y W V , W = , diremos que es subespacio
vectorial (s.v) si verica:
a) para cada v, w W se tiene v + w W.
b) para cada v W y K se tiene v W.
O equivalentemente,
v + w W para cada , K y v, w W
Observese que {

0} es un subespacio vectorial (subespacio trivial).

Un subespacio vectorial W V diremos que es subespacio propio
si W = {

0} y W = V .
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 20
Ejemplos
Si V = R
2
, W = {(x, y) | y = mx}, siendo m un n umero real,
es un subespacio vectorial.
Si V = R
3
, W = {(x, y, z) | ax +by +cz = 0}, siendo a, b, c
n umeros reales, es un subespacio vectorial.
Si V = R
2
, W = {(x, y) | x + y = 1} no es un subespacio
vectorial.
Si V = P es el espacio vectorial de los polinomios con
coecientes reales, entones W = P
n
el conjunto de polinomios
de grado menor o igual que n es un subespacio vectorial.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 21
Teorema 8. Dado un sistema de vectores S V , S = , el
conjunto L(S) formado por todas sus posibles combinaciones
lineales de los vectores de S forman un subespacio vectorial
de V .
Denicion 2. A este subespacio vectorial L(S) se le llamara
subespacio generado por el conjunto de vectores S. Si
{v
1
, v
2
, . . . , v
n
} es dicho conjunto se representa por L(S) =
v
1
, v
2
, . . . , v
n
.
Denicion 3. Si W es un subespacio vectorial de V y S es un
sistema de vectores tal que L(S) = W decimos entonces que
S es un sistema generador de W.
Ejemplo: Si V = R
4
y W = (1, 2, 0, 0), (0, 3, 1, 0), entonces
los vectores de W son de la forma:
(x, y, z, t) = (1, 2, 0, 0) +(0, 3, 1, 0)
donde y son n umeros reales cualesquiera.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 22
Base de un subespacio vectorial
Llamamos base de un subespacio vectorial V a un sistema de
vectores B linealmente independiente que es un sistema generador
de V , es decir L(B) = V .
Ejemplos:
1. En los e.v. K
n
, el sistema de n vectores
{(1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0) . . . (0, 0, . . . , 0, 1)}
es una base, a la que llamamos base canonica.
2. En el subespacio de R
4
siguiente
W = (1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)
una base de W estara formada por cualesquiera dos vectores
del sistema generador.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 23
Esp. Vec. de dimension nita
Teorema 9. Si un e.v. admite una base nita con n vectores
entonces todas las bases tienen exactamente n vectores.
Denicion 4. Si un e.v. tiene una base nita de n vectores
decimos que es de dimension nita. Al n umero natural n
lo llamamos dimension del espacio. Aceptamos que el e.v.
trivial {

0} es el unico espacio de dimension 0.

Teorema 10. Si B = {v
1
, v
2
, . . . , v
n
} es una base de un espacio
vectorial, cada vector v del espacio se puede expresar de
forma unica como combinacion lineal de los vectores de B
v =
1
v
1
+
2
v
2
+ +
n
v
n
y se dice que (
1
,
2
, . . . ,
n
) son las coordenadas de v
respecto de la base B.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 24
Ejemplo
Fija dos bases distintas para el e.v. generado por el sistema de
vectores
{(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)}
y determina, de entre los siguientes vectores, los que pertenecen
a dicho espacio y que coordenadas tienen respecto de cada una de
las bases.
a) (2, 1, 4, 3) b) (1, 2, 4, 3)
c) (5, 4, 2, 3) d) (3, 2, 1, 3)
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 25
Ecuaciones cartesianas
Son restricciones a las coordenadas de los vectores del espacio
para que pertenezcan al subespacio.
Ejemplo. Un subespacio W de R
4
esta denido por las siguientes
ecuaciones cartesianas:
x +y + 2t = z
z y = t
_
Resolviendo el sistema de ecuaciones obtenemos que:
W = {(, , , ) | , R}
de donde W = (1, 1, 0, 1), (0, 1, 1, 0).
Ademas {(1, 1, 0, 1), (0, 1, 1, 0)} es una base de W. Por
tanto, dimW = 2.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 26
Ecuaciones parametricas
Sirven para expresar las coordenadas de los vectores del subespacio
en funcion de parametros que pueden tomar cualquier valor de los
escalares,
Ejemplo. Las ecuaciones parametricas del subespacio U de R
3
son:
x = 2
y = 3 2
z =
_
_
_
Calcula una base, la dimension y las ecuaciones cartesianas de U.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 27
Interseccion de subespacios
Dados dos s.v. V
1
y V
2
de V , se dene
V
1
V
2
= {v V | v V
1
y v V
2
}
es tambien un subespacio vectorial de V .
Teorema 11. Si S es un sistema de vectores de V , entonces
L(S) es la interseccion de todos los subespacios vectoriales
que contienen a S.
L(S) es el menor subespacio vectorial que contiene a S.
Una forma de calcular las ecuaciones cartesianas de la interseccion
de dos subespacios es unir las ecuaciones cartesianas de cada uno
de ellos.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 28
Suma de subespacios
Dados dos s.v. V
1
y V
2
de V , se dene
V
1
+V
2
= {v
1
+v
2
| v
1
V
1
y v
2
V
2
}
que es un nuevo subespacio vectorial que contiene a V
1
V
2
.
Observese que la simple union de subespacios no es subespacio
vectorial.
Una forma de calcular un sistema generador del subespacio suma
es unir los sistemas generadores de cada uno de los subespacios.
Ejemplo. Dados V
1
= (1, 2, 1, 0), (2, 0, 0, 1) y V
2
=
(3, 2, 1, 1), (1, 0, 0, 1), determina las ecuaciones cartesianas
y parametricas del s.v. V
1
+V
2
de R
4
.
Denicion 5. Si V
1
V
2
= {

0}, a la suma de subespacios la

llamamos suma directa de subespacios y se representa V
1
V
2
.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 29
Teorema 12.
1. Si V y W son subespacios tales que W V , entonces
dimW dimV
2. Si W
1
, W
2
son s.v. de V , de dimension nita, se tiene
dim(W
1
+W
2
) = dimW
1
+ dimW
2
dim(W
1
W
2
)
En particular dim(W
1
W
2
) = dimW
1
+ dimW
2
.
Ejemplo:
Dado el subespacio W
1
= (1, 2, 4, 3), (2, 2, 0, 1), (3, 4, 4, 2)
de R
4
, encuentra una base para el espacio complementario W
2
en
R
4
, es decir W
1
W
2
= R
4
.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 30
Cambio de base
Si B
1
= {v
1
, v
2
, . . . , v
n
} y B
2
= { w
1
, w
2
, . . . , w
n
} son bases de
un mismo e.v. V , un vector v tendra coordenas distintas respecto
de cada una de las bases, as
v =
1
v
1
+
2
v
2
+ +
n
v
n
()
v =
1
w
1
+
2
w
2
+ +
n
w
n
Ademas cada vector v
i
B
1
tiene unas coordenadas respecto de
B
2
, as
v
1
= a
11
w
1
+a
21
w
2
+ +a
n1
w
n
v
2
= a
12
w
1
+a
22
w
2
+ +a
n2
w
n
.
.
.
v
n
= a
1n
w
1
+a
2n
w
2
+ +a
nn
w
n
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 31
que sustituyendo en la ecuacion () y desarrollando se tiene

1
=
1
a
11
+
2
a
12
+ +
n
a
1n

2
=
1
a
21
+
2
a
22
+ +
n
a
2n
.
.
.

n
=
1
a
n1
+
2
a
n2
+ +
n
a
nn
que en forma matricial se expresa
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
n1
a
n2
. . . a
nn
_
_
_
_
_
_
_
_

2
.
.
.

n
_
_
_
_
=
_
_
_
_

2
.
.
.

n
_
_
_
_
donde la matriz A resultante se denomina matriz del cambio de
base de B
1
a B
2
.
Nota. Observese que A

= A
1
=

, de donde A
1
sera entonces la matriz del cambio de base de B
2
a B
1
.
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 32
Ejemplos
1. Si sabemos que un vector de R
4
tiene por coordenadas
(1, 1, 2, 0) respecto de la base
B = {(1, 1, 1, 1), (1, 1, 1, 2), (1, 1, 2, 3), (1, 2, 3, 4)}
calcula las coordenadas del mismo vector respecto de la base
B

= {(1, 0, 0, 0), (1, 1, 0, 0), (1, 1, 1, 0), (1, 1, 1, 1)}

2. Si un vector de R
2
tiene coordenadas (2, 3) respecto de la
base {(3, 1), (0, 3)}, encuentra una base en la que tenga por
coordenadas (1, 1).
Emilio Mu noz-Velasco 1.2 Espacios vectoriales. 33