Algebra Lineal

ALGEBRA
LINEAL
Ricardo Miguel Guzman Navarro
Universidad de Cordoba
Facultad de Ciencias Basicas e Ingenieras
Departamento de Matematicas
Indice general
Pr
ologo
III
1. Sistemas de ecuaciones lineales (S.E.L)

1
1.1. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . 1
1.2. Solucion de S.E.L . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2. Matrices
2.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Suma de matrices . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Producto por escalar . . . . . . . . . . . . . . . . . . . . . . .
2.4. Producto de matrices . . . . . . . . . . . . . . . . . . . . . . .
2.4.1. Producto de matrices . . . . . . . . . . . . . . . . . . .
2.4.2. Operaciones elementales de fila y producto de matrices
2.5. Traspuesta y traza de una matriz . . . . . . . . . . . . . . . .
2.5.1. Traspuesta de una matriz . . . . . . . . . . . . . . . .
2.5.2. Traza de una matriz . . . . . . . . . . . . . . . . . . .
2.6. Determinante de una matriz . . . . . . . . . . . . . . . . . . .
2.6.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . .
2.6.2. Determinante de una matriz . . . . . . . . . . . . . . .
2.7. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . .
2.8. Sistemas de ecuaciones lineales y matrices . . . . . . . . . . .
2.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
13
14
15
17
17
21
23
23
23
24
24
25
30
34
35
3. Espacios vectoriales
40
3.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3. Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . 44
ii
INDICE GENERAL
iii
3.4. Bases y dimension . . . . . . . . . . . . . . .

3.4.1. Bases y dimension . . . . . . . . . . .
3.4.2. Vectores de coordenadas . . . . . . . .
3.5. Espacios vectoriales y matrices . . . . . . . . .
3.5.1. Los cuatro subespacios fundamentales .
3.5.2. Rango de una matriz . . . . . . . . . .
3.6. Ejercicios . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
47
48
48
49
52
4. Transformaciones lineales
54
4.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 54
4.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5. Ortogonalidad
5.1. Espacios con productos
5.2. Espacios normados . .
5.3. Vectores ortogonales .
5.4. Ejercicios . . . . . . .
interiores
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6. Valores y Vectores Propios

6.1. Valores y Vectores Propios . . . . . . . . . . .
6.2. Subespacios Propios . . . . . . . . . . . . . .
6.3. Matrices Invertibles y Valores Propios . . . . .
6.4. Producto de matrices y Valores Propios . . . .
6.5. Localizacion de Valores Propios . . . . . . . .
6.6. Calculo de Valores Propios . . . . . . . . . . .
6.7. Calculo de Vectores Propios . . . . . . . . . .
6.8. Independencia lineal y vectores propios . . . .
6.9. Valores propios de algunas matrices especiales
6.10. Semejanza de Matrices . . . . . . . . . . . . .
6.11. Ejercicios . . . . . . . . . . . . . . . . . . . .
Bibliografa
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
62
62
63
67
69
.
.
.
.
.
.
.
.
.
.
.
72
72
74
75
76
76
77
80
83
83
85
87
90
Pr
ologo
El objetivo principal de este trabajo es el de proporcionar un modulo guia,
a partir del cual los estudiantes de Ingeniera de Sistemas de la Universidad
de Cordoba adquieran conocimientos basicos del Algebra

Lineal.
Lo especial de este modulo es que en el se realiza un estudio del Algebra

Lineal
con un enfasis en Teora de Matrices. Esto se hace porque las Matrices son
los entes matematicos mas u
tiles para los que se dedican al estudio de las
Ciencias Computacionales.
En este trabajo se realiza un estudio de los mas importantes temas que com
ponen normalmente un primer curso de Algebra
Lneal. Estos temas son:
Sistemas de Ecuaciones Lineales, Matrices, Espacios Vectoriales, Transformaciones Lineales, Ortogonalidad y Valores y vectores Propios.
Ricardo Miguel Guzman Navarro.
Mayo 22 de 2006.
iv
INDICE GENERAL
Captulo 1
Sistemas de ecuaciones lineales
(S.E.L)
El proposito de este captulo es dar al lector informacion basica acerca de los
sistemas de ecuaciones lineales y ense
narle el metodo habitual para resolverlos.
1.1.
Sistemas de ecuaciones lineales
En esta seccion presentaremos: los componentes esenciales, algunas clasificaciones y varios de los mas importantes resultados de los sistemas de ecuaciones lineales.
Notaci
on - Definiciones. El smbolo R de notara al conjunto de los n
umen
ros reales. Los elementos de R son llamados escalares. R representar
a al
conjunto

a
1
..
. : ai R para todo i = 1, ..., n .
n
El elemento

a1
..
.
an
1
CAPITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)
de Rn se puede denotar de manera compacta por [ai ] Rn

.
a1
..
El producto de un elemento a R por un elemento . de Rn se define
an
como

aa1
a1
.. ..
a . = . Rn ,
aan
an
donde aai , para i = 1, ..., n, es el producto usual en R. La suma de dos
elementos

b1
a1
..
..
. y .
an
bn
de Rn se define como

a1
b1
a1 + b1
.. .. ..
. + . = . ,
an
bn
an + bn
donde la suma ai + bi es la suma usual en R.

Definiciones. una ecuaci
on es una igualdad con una o mas incognitas.
Una ecuaci
on lineal en R con n variables tiene la forma
a1 x1 + a2 x2 + + an xn = b,
donde a1 , a2 , ..., an , b est
an en R. Se considera que las variables solo pueden
tomar valores en R. Una soluci
on de una ecuaci
on lineal
a1 x1 + a2 x2 + + an xn = b,
donde a1 , a2 , ..., an , b R, es una ntupla ordenada
c1
..
n
. R
cn
tal que a1 c1 + a2 c2 + + an cn = b.
1.1. SISTEMAS DE ECUACIONES LINEALES
Ejemplo. La ecuacion lineal

3x1 + 4x2 3x3 x4 = 1
(1.1)

2
1
un mas, todo elemento de R4 de la forma

tiene a
2 como una solucion. A
5
con t, s, w R es solucion de (1.1).
w
3t + 4s 3w + 1
Definici
on. Un sistema de ecuaciones lineales con m ecuaciones y n
incognitas, es una expresi
on de la forma
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2

(1.2)
..
a x + a x + + a x = b ,
m1 1
m2 2
mn n
m
donde aij , bi R para i = 1, ..., m y j = 1, ..., n. Los aij se denominan
coeficientes y los bj t
erminos independientes. Una soluci
on de (1.2)
c1

es un elemento c = ... Rn tal que
cn
a11 c1 + a12 c2 + + a1n cn = b1
a21 c1 + a22 c2 + + a2n cn = b2

..
a c + a c + + a c = b .
m1 1
m2 2
mn n
m
Es decir, c es solucion de cada ecuaci
on del sistema. El sistema (1.2) es
homog
eneo si b1 = = bm = 0.
Ejemplo. Una solucion del sistema de ecuaciones lineales
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 9
4x1 + 4x2 3x3 = 2

1
es 1, ya que
2
2(1) + 3(1) 2(2) = 1

3(1) + 2(1) + 2(2) = 9 .
4(1) + 4(1) 3(2) = 2

Definici
on. Un sistema de ecuaciones lineales es consistente si tiene al
menos una solucion.
Es necesario anotar que todo sistema homogeneo de ecuaciones lineales es
consistente, ya que este tipo de sistemas tiene siempre la soluci
on trivial,
es decr, la solucion

0
..
. .
0
Definici
on. Dos sistemas de ecuaciones lineales consistentes son equivalentes, si tienen exactamente las mismas soluciones.
Las propiedades de la igualdad permiten realizar algunas operaciones a las
ecuaciones de un sistema para obtener sistemas equivalentes.
Definici
on. Las operaciones elementales de las ecuaciones de un sistema de ecaciones lineales son de los siguientes tres tipos: (Ei representa
la iesima ecuaci
on del sistema.)
Tipo 1. Intercambio de dos ecuaciones del sistema: Ei Ej .
Tipo 2. Multiplicar una ecuaci
on por un escalar no cero: cEi Ei .
DE S.E.L
1.2. SOLUCION
Tipo 3. Adicionar a una ecuaci

on un m
ultipliplo de otra: Ei cEj + Ei .
Ejemplos.
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1
4x1 + 4x2 3x3 = 2
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1
4x1 + 4x2 3x3 = 2
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1
4x1 + 4x2 3x3 = 2
1.2.
E2
2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2 ,
E3
3x1 + 2x2 + 2x3 = 1
E1
6x1 + 9x2 6x3 = 3

3x1 + 2x2 + 2x3 = 1 ,
3E1
4x1 + 4x2 3x3 = 2
2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1 .
E3 2E1 + E3
2x2 + x3 = 0
Soluci
on de S.E.L
En esta seccion daremos ideas suficientes para resolver cualquier sistema de

ecuaciones lineales.
Teorema 1.1. Si un sistema de ecuaciones lineales se obtiene a partir de
otro por medio de un n
umero finito de operaciones elementales, entonces los
dos sistemas son equivalentes.
Demostraci
on. Ejercicio.
En lugar de resolver un sistema de ecuaciones lineales, podemos resolver
cualquier sistema equivalente; ninguna solucion se pierde y ninguna solucion
nueva aparece. Esta idea tan simple es la que permite resolver de manera sencilla sistemas de ecuaciones lineales. Dado un sistema de ecuaciones lineales
cuya solucion se busca, lo transformamos realizando operaciones elementales,
de manera inteligente, en un sistema equivalente mas simple que podamos
resolver con facilidad.
Ejemplo. Resolvamos el sistema
2x1 + x2 + x3 = 1
x1 + 3x2 3x3 = 2 .
x1 + 2x2 + 4x3 = 3
En efecto,
2x1 + x2 + x3 = 1
x1 + 3x2 3x3 = 2
x1 + 2x2 + 4x3 = 3
E1 E2
x1 + 3x2 3x3 = 2
2x1 + x2 + x3 = 1
x1 + 2x2 + 4x3 = 3
E2 2E1 + E2
E3 E1 + E3
2
x1 + 3x2 3x3 =
5x2 + 7x3 = 3
x2 + 7x3 =
1
E2 E3
2
x1 + 3x2 3x3 =
x2 + 7x3 =
1
5x2 + 7x3 = 3
E3 5E2 + E3
2
x1 + 3x2 3x3 =
x2 + 7x3 =
1 .
28x3 = 8
2
Entonces x3 = ,
7
2
x2 = 7x3 1 = 7( ) 1 = 1
7
2
1
x1 = 3x2 + 3x3 + 2 = 3(1) + 3( ) + 2 = .
7
7
As, la solucion del sistema es
1/7
1 .
2/7
DE S.E.L
1.2. SOLUCION
x1 +
2x1 +
2x1 +
3x1 +
x1
2x2
0x2
2x2
x2
x2
+
+
+
+
+
0x3
4x3
6x3
7x3
x3
=
=
=
=
=
0
0
0 .
0
0
En efecto,
x1
2x1
2x1
3x1
x1
E2
E3
E4
E5
+ 2x2
+ 0x2
+ 2x2
+ x2
x2
+
+
+
+
+
0x3
4x3
6x3
7x3
x3
=
=
=
=
=
0
0
0
0
0
2E1 + E2
2E1 + E3
3E1 + E4
E1 + E5
x1 + 2x2
4x2
6x2
7x2
x2
+
+
+
+
+
0x3
4x3
6x3
7x3
x3
=
=
=
=
=
0
0
0
0
0
E2 14 E2
x1 + 2x2
x2
6x2
7x2
x2
+ 0x3
+ x3
+ 6x3
+ 7x3
+ x3
=
=
=
=
=
0
0
0
0
0
x1 + 2x2 + 0x3
x2 + x3
=
=
=
=
=
0
0
0 .
0
0
E3 6E2 + E3
E4 7E2 + E4
E5 E2 + E5
Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . As, la solucion del sistema es

2x3
x3 : x3 R = x3 1 : x3 R .

x3
1
x1 + x2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1 .
x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

En efecto,
x1 + x 2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1
x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

E2 E1 + E2
E3 E1 + E2
x1 + x2 +
x1 + x2 +
E3 E2 + E3
x3 + x4 + x5 + x6 = 1
2x3 2x4 + x5 3x6 = 2
2x3 2x4 + 2x5 4x6 = 4
x 3 + x4 + x5 + x6 = 1
2x3 2x4 + x5 3x6 = 2 .
x5 x6 = 2
De donde, x6 = x6 , x5 = x6 + 2, x4 = x4 ,
x3 =
2x4 x5 + 3x6 + 2
2x4 (x6 + 2) + 3x6 + 2
=
= x4 + x6 ,
2
2
x2 = x2 y
x1 = x2 x3 x4 x5 x6 + 1
= x2 (x4 + x6 ) x4 (x6 + 2) x6 + 1
= x2 2x4 3x6 1.
Luego la solucion del sistema es
DE S.E.L
1.2. SOLUCION
x2 2x4 3x6 1
x2
x4 + x6
x4
x6 + 2
x6
: x2 , x 4 , x 6 R
1
3
2
1
0
0
0
1
0
1
1
0
.
:
x
,
x
,
x
R
+
+
x
+
x
=
x2
2
4
6
6
4
0 0
1
0
0
1 2
0
0
1
0
0
Para hallar una solucion particular del sistema tenemos que dar valores especficos a x2 , x4 y x6 . Por ejemplo, si x2 = 1, x4 = 1 y x6 = 2, tenemos
entonces que
1
1
0
0
0
0
2
0
1
1
0
0
+ 2
3
0
1
0
1
1
1
0
0
0
2
0
es una de las infinitas soluciones del sistema.

x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1 .
3x1 + 4x2 x3 = 1
6
1
1
1
4
2
10
En efecto,
x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1
3x1 + 4x2 x3 = 1
E2 2E1 + E2
E3 3E1 + E3
x1
x1
E3 (7/4)E2 + E3
x2 5x3 = 0
4x2 + 8x3 = 1
7x2 + 14x3 = 1
x2 5x3 =
0
4x2 + 8x3 =
1 .
0 = 3/4
La tercera igualdad anterior es contradictoria, esto implica que el sistema

que deseamos resolver no tiene solucion.
1.3.
Ejercicios
1. Resolver los siguientes sistemas de ecuaciones lineales:
3x1 + 2x2 2x3 + 5x4
2x1 4x2 3x3

2x1 + 6x2
4x1
x1 4x2 + 5x3 7x4
x2 + 2x3 + 3x4
3x3 3x4
5x4
2. Resolver los siguientes sistemas de ecuaciones
3x1 +
2x1 + x2 + x3 = 1
x1 +
x1 + 3x2 + x3 =
1 ,
2x1 +
2x1 + x2 + 5x3 =
3
0x1 +
=
=
=
=
=
=
=
=
1
0
.
3
8
7
2
.
4
2
lineales:
2x2
x2
3x2
3x2
+ x3
+ 3x3
+ x3
+ 0x3
+
+
4x4
2x4
0x4
2x4
=
1
= 1
.
=
2
= 2
1.3. EJERCICIOS
3. Resolver
x1
2x1 +
3x1
4x
1
5x1 +
11
los siguientes sistemas de ecuaciones lineales:

x2
2x2
3x2
3x2
0x2
= 1
= 6
= 6 ,
= 5
= 10
5x1 + 2x2 + 2x3 + x4 2x5 3x6 = 0

x1 + 3x2 + x3 + 0x4 x5 x6 = 0 .
x1 + 2x2 + 4x3 + x4 x5 4x6 = 0
4. Resolver los siguientes sistemas de ecuaciones lineales:
2x1 + x2 + 0x3 = 2
x1 + 2x2 x3 = 0
,
2x1 + 0x2 + 2x3 = 3
3x1 + 2x2 + x3 = 4
3x1 + x2 + 7x3 + 3x4 + 2x5 = 1

x1 + 4x2 5x3 10x4 3x5 = 2 .
2x1 + 2x2 + 2x3 2x4 + 0x5 = 5

5. Un sistema de n ecuaciones lineales y n incognitas
a11 x1 + a12 x2 + + a1n xn
a22 x2 + + a2n xn
ann xn
de la forma
= b1
= b2
,
..
.
= bn
donde no todos los aii son cero, es llamado triangular superior. Construya
un algoritmo que calcule la solucion u
nica de este tipo de sistemas.
6. Considere el sistema
2x1 x2 + 3x3 = a
3x1 + x2 5x3 = b .
5x1 5x2 + 21x3 = c

Encuentre condiciones sobre a, b y c para que el sistema sea consistente.
12
2x1 + 3x2 x3 = a
x1 x2 + 3x3 = b .
3x1 + 7x2 5x3 = c

Encuentre condiciones sobre a, b y c para que el sistema sea inconsistente.
2x1 3x2 + 5x3 = 0

x1 + 7x2 x3 = 0 .
4x1 11x2 + kx3 = 0

para que valor de k, el sistema tendra soluciones no triviales ?
Captulo 2
Matrices
El objetivo de este captulo es el de estudiar las propiedades basicas de las
principales operaciones algebraicas realizadas con matrices.
2.1.
Matrices
Las matrices son una herramienta fundamental para la sistematizacion de

algunos calculos laboriosos y almacenamiento de datos. Ademas, facilitan la
modelacion de fenomenos complicados existentes en matematicas y en otras
areas del conocimiento.
Definici
on. Una Matriz m n con componentes en R, es un arreglo rectangular ordenado de la forma
a11 a12 a1n

a21 a22 a2n
A = ..
(2.1)
..
.. ,
.
.
.
.
.
.
am1 am2 amn
donde aij R para i = 1, ..., m y j = 1, ...., n. La fila i de A es
Ai = [ai1 ain ]
y la columna j de A es
a1j
Aj = ... .
amj
13
CAPITULO 2. MATRICES
14
La componente i,j de A es el elemento de R que se encuentra en la intersecci

on de la fila i con la columna j de A. La componente i,j de A se
denotara por aij o por Aij . El tama
no de A es m n y el conjunto de
todas las matrices m n con componentes en R se denotara por Rmn . La
expresi
on (2.1) se puede compactar como A = [aij ] Rmn . Si A Rnn ,
se dice que A es una matriz cuadrada de orden n.
Ejemplo. Una matriz general 2 4 es
A=
Ejemplo. Si
a11 a12 a13 a14

a21 a22 a23 a24
1 1
2
0
5
6
A=
3
4 2
5 5
8
entonces, el tama
no de A es 4 3, la componente 2, 3 de A es A2
fila 3 de A es A3 = 3 4 2 y la columna 2 de A es
1
5
A2 =
4 .
5
= 6, la
Definici
on. Dos matrices A, B Rmn son iguales si Aij = Bij para toda
i = 1, ..., m y j = 1, ..., n.
2.2.
Suma de matrices
Definici
on. Si A, B Rmn , definimos la suma de A y B como la matriz
A + B Rmn tal que
(A + B)ij = Aij + Bij
para toda i = 1, ..., m y j = 1, ..., n.
2.3. PRODUCTO POR ESCALAR

Ejemplo.
15
1 4
1 3
2 1
0
4 + 5 4 = 5
8 .
2
3
1 6
3
9
Teorema 2.1. Sean A, B, C Rmn . Entonces

1. (A + B) + C = A + (B + C).
2. A + B = B + A.
3. Existe una u
nica matriz 0 Rmn tal que A+0 = A para toda A Rmn .
4. Para cada matriz A Rmn existe una u
nica matriz A Rmn tal que
A + (A) = 0.
Demostraci
on. Ejercicio.
2.3.
Producto por escalar
Definici
on. Si A Rmn y c R, definimos el producto de c por A como
la matriz cA Rmn tal que
(cA)ij = cAij
para toda i = 1, ..., m y j = 1, ..., n. Este producto se conoce como producto
por escalar.
Ejemplo.
0
3 2
0
9 6
5 6 = 3/2 15 18 .
3 1/2
6 3 8
18 9 24
Teorema 2.2. Sean A, B Rmn y a, b R. Entonces

1. (ab)A = a(bA).
16
2. a(A + B) = aA + aB.
3. (a + b)A = aA + bA.
4. 1A = A.
5. (1)A = A.
6. 0A = 0.
7. a0 = 0.
Demostraci
on. Ejercicio.
Ejemplo. Si
1 2
0 0
1 1
A = 1 0 , B = 1 1 , C = 1 1 R32 ,
3 1
2 2
1 1
entonces
3 6
0 0
1 1
3A + 2B C = 3 0 + 2 2 + 1 1
9 3
4 4
1 1
2 5
= 2 1 .
6 6
2.4. PRODUCTO DE MATRICES
17
2.4.
Producto de matrices
2.4.1.
Producto de matrices
Definici
on. Sean A = [aij ] Rmn y B = [bij ] Rnp . Se define el producto
de Ai y Bj como
a1j
Ai Bj = [ai1 ain ] ... = ai1 a1j + + ain anj R.

anj
Ejemplo. Si
A=
2 3 4
1
3 ,
yB= 5 1 0
7 5 2 2
1 2 3
4 5 6
entonces
A2 B4 =
4 5 6
1
3 = (4)(1) + (5)(3) + (6)(2) = 7.
2
Definici
on. Sean A = [aij ] Rmn y B = [bij ] Rnp . Se define el producto
de A y B como la matriz AB Rmp tal que
(AB)ij = Ai Bj = ai1 b1j + + ain bnj .
Ejemplo.
1 2
4 2 0 1
4 11
3
0
2 3 1
1
0 .
= 10
5
1
2 5 3
6
16
17
2
3
Notese que para que el producto AB tenga sentido se requiere que el n

umero
de columnas de A sea igual al n
umero de filas de B. En el evento en que esta
condicion no se de, el producto de A por B no se puede realizar.
18
Respecto a la conmutatividad del producto de matrices podemos decir un

par de cosas: primero, si AB esta definido y el n
umero de filas de A es igual
al n
umero de columnas de B, entonces BA tambien esta definido, pero si
el n
umero de filas de A es distinto del n
umero columnas de A se tiene que
AB y BA tienen tama
nos distintos y por tanto nunca podran ser iguales.
Segundo, si AB y BA estan definidos y son del mismo tama
no, esto no es
suficiente para concluir que AB = BA. Ejemplo,
1 7 12
2 3 1
7 4 8
1 2 1
1 1 3 2 0 3 = 3 0 5 = 8 4 5
2 3 5
2 0 1
1 1 1
5 7 3
2 3 1
1 2 1
= 2 0 3 1 1 3 .
1 1 1
2 0 1
Si A = [aij ] Rmn y B = [bij ] Rnp tenemos:
Ai B = ai1 B1 + + ain Bn ,
ABj = A1 b1j + + An bnj ,
AB = [AB1 ABp ] ,
A1 B
..
AB =
.
Am B
y
AB = A1 B1 + A2 B2 + + An Bn .
La demostracion y ejemplificacion de estas propiedades se deja como ejercicio.
Teorema 2.3. Sean A Rmn y B, C Rnp . Entonces
A(B + C) = AB + AC.
19
Demostraci
on.
(A(B + C))ij = Ai (B + C)j = Ai (Bj + Cj ) = Ai Bj + Ai Bj
= (AB)ij + (AC)ij = (AB + AC)ij .
Teorema 2.4. Sean A, B Rmn y C Rnp . Entonces
(A + B)C = AC + BC.
Demostraci
on. Ejercicio.
Teorema 2.5. Sean A Rmn , B Rnp y C Rpq . Entonces
A(BC) = (AB)C.
Demostraci
on.
(A(BC))ij = Ai (BC)j = Ai (C1j B1 + + Cnj Bn )
= C1j Ai B1 + + Cnj Ai Bn = C1j (AB)i1 + + Cnj (AB)in
= (AB)i Cj = ((AB)C)ij .
Definici
on. La matriz In de Rnn tal que
1 si i = j
0 si i = j
(In )ij =
es llamada matriz identidad. El smbolo ei se usara exclusivamente para

representar a la columna i de In .
Teorema 2.6. Sea A Rmn . Entonces
AIn = A
Demostraci
on. Ejercicio.
Im A = A.
20
Teorema 2.7. Sea A Rmn . Entonces

A(In )j = Aj
(Im )i A = Ai .
Demostraci
on. Ejercicio.
Para una matriz A Rnn se definen las potencias enteras no negativas de
A como:
A 0 = In
y para k entero positivo
Ak = AA A .
k veces
La ley asociativa garantiza que no hay diferencia en el resultado cuando
agrupamos de diferentes maneras por potencias en un producto de la forma
AA A. Por ejemplo,
A5 = AAAAA = AA4 = A4 A = A2 A3 = A3 A2 .
As, las leyes usuales de los exponentes son ciertas. Es decir, para enteros no
negativos r y s
Ar As = Ar+s
(Ar )s = Ars .
Teorema 2.8. El producto realizable, en cualquier orden, de una matriz por

una matriz nula es una matriz nula.
Demostraci
on. Ejercicio.
A diferencia de la multiplicacion en R, donde la multiplicacion de dos escalares no nulos da como resultado un escalar no nulo, en el contexto del
producto de matrices puede ocurrir que el producto de dos matrices no nulas
sea una matriz nula. Por ejemplo,
3 1
2
3
6 9
0 0 0
6
2 4 1
2 3 = 0 0 0 .
3
1 2
4 8 12
0 0 0
2.4.2.
21
Operaciones elementales de fila y producto de

matrices
Definici
on. Sean A Rmn y c R. Las operaciones elementales de
filas son:
Tipo 1. Intercambio de dos filas: Fi Fj .
Tipo 2. Multiplicar una fila por un n
umero no cero: Fi cFi .
Tipo 3. Sumar a una fila un multiplo de otra: Fi Fi + cFj .
Las operaciones elementales de columnas son:
Tipo 1. Intercambio de dos columnas: Ci Cj .
Tipo 2. Multiplicar una columna por un n
umero no cero: Ci c Ci .
Tipo 3. Sumar a una columna un multiplo de otra: Ci Ci + c Cj .
Ejemplo. Sea
Entonces
1 2 3
4
2 R34 .
A = 1 0 3
2 2 0 3
1 2 3
4
1 0 3
2 F1 F3
2 2 0 3
1 2 3
4
1 0 3
2 F2 3F2
2 2 0 3
2 2 0 3
1 0 3
2 ,
1 2 3
4
1 2 3
4
3 0 9
6 ,
2 2 0 3
1 2 3
4
1 2
3
4
1 0 3
2 F3 F3 + (2)F2 1 0
3
2 .
2 2 0 3
4 2 6 7
22
Definici
on. Una matriz elemental en Rnn es cualquier matriz que resulta
de realizar una sola operaci
on elemental de fila o una sola operaci
on elemental
de columna a In .
Ejemplo. La matriz
1 0 0
E = 0 1 0 R33
0 3 1
es elemental, ya que
I3 F3 F3 + 3F2 E.
Teorema 2.9. Sean A Rmn , c R {0} y E1 , E2 , E3 tales que
Im Fi Fj E1 ,
Im Fi cFi E2 ,
Im Fi Fi + cFj E3 .
Entonces
1. A Fi Fj E1 A.
2. A Fi cFi E2 A.
3. A Fi Fi + cFj E3 A.
Demostraci
on. Ejercicio.
Ejemplo. Si
1 2 2
A = 3 1 2 R33 ,
2 3 1
entonces
A F1 F1 + 2F2
7 4 6
1 2 0
3 1 2 = 0 1 0 A.
2 3 1
0 3 1
2.5. TRASPUESTA Y TRAZA DE UNA MATRIZ

Donde
23
I3 F1 F1 + 2F2
1 2 0
0 1 0 .
0 3 1
2.5.
Traspuesta y traza de una matriz
2.5.1.
Traspuesta de una matriz
Definici
on. Si A Rmn , se define la traspuesta de A como la matriz
AT Rnm , tal que
(AT )ij = Aji
para i = 1, ..., n y j = 1, ..., m.
Ejemplo. Si
1 2
A = 3 5 R32 , entonces AT =
7 9
1 3 7
2 5 9
R23 .
Teorema 2.10. Sean A, B Rmn y c R. Entonces

1. (AT )T = A.
2. (A + B)T = AT + BT .
3. (cA)T = cAT .
Demostraci
on. Ejercicio.
Definiciones. Una matriz A Rnn es sim
etrica si AT = A y A es
T
antisim
etrica si A = A .
2.5.2.
Traza de una matriz
Definici
on. Sea A Rmn . La diagonal principal de A es la diagonal de
A constituida por todos los elementos Aii .
24
Definici
on. Sea A Rnn . La traza de A se define como
tr(A) = A11 + + Ann .
Teorema 2.11. Sean A, B, P Rnn y c R. Entonces
1. tr(A + B) = tr(A) + tr(B).
2. tr(cA) = c tr(A).
3. tr(AB) = tr(BA).
4. tr(A) = tr(AT ).
5. tr(AT A) = a211 + + a21n + + a2n1 + + a2nn .
Demostraci
on. Ejercicico.
2.6.
Determinante de una matriz
En esta seccion presentaremos las principales propiedades del determinante

de una matriz y aplicaremos esas propiedades en su calculo.
En esta seccion el smbolo Jn representara siempre al conjunto {1, ..., n}.
2.6.1.
Permutaciones
Definici
on. Una permutaci
on de Jn es una biyecci
on de Jn en Jn .
Una permutacion de Jn se acostumbra a representar por
=
1
2
(1) (2)
n
(n)
2.6. DETERMINANTE DE UNA MATRIZ
25
o por la notacion mas compacta

=
(1) (2)
(n)
El conjunto de todas las permutaciones de Jn se denotara por Sn . No es difcil

probar que Sn tiene exactamente n! elementos, donde n! = n(n1) (2)(1).
Definici
on. Sea = ((1) (2) (n)) una permutaci
on de Jn . Se define
el signo de como + si el n
umero mnimo de intercambios de elementos
consecutivos que se le pueden realizar a la lista
(1) (2) (n)
para convertirla en
1 2 n
es un n
umero par. En caso distinto tiene signo . Denotaremos el signo
de por sgn().
Ejemplo. Hallemos el signo de cada permutacion en S3 .
Si 1 = (1 2 3), entonces sgn(1 ) = +
Si 2 = (1 3 2), entonces sgn(2 ) =
Si 3 = (2 1 3), entonces sgn(2 ) =
Si 4 = (2 3 1), entonces sgn(4 ) = +
Si 5 = (3 1 2), entonces sgn(5 ) = +
Si 6 = (3 2 1), entonces sgn(6 ) = .
2.6.2.
Determinante de una matriz
Definici
on. Sea A = [aij ] Rnn . Se define el determinante de A como
det(A) =
sgn() a1(1) a2(2) an(n) .

Sn
(2.2)
26
Ejemplo. Hallemos el determinante de A = [aij ] R33 .

Como signo de (1 2 3), (2 3 1) y (3 1 2) es + y signo de (1 3 2), (2 1 3) y
(3 2 1) es . Entonces
det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a11 a23 a32 a12 a21 a33 a13 a22 a31 .
En particular, si
1 2 3
A= 4 5 6
7 8 9
tenemos que
det(A) = (1)(5)(9) + (2)(6)(7) + (3)(4)(8) (1)(6)(8) (2)(4)(9)
(3)(5)(7) = 45 + 84 + 96 48 72 105 = 0.
Teorema 2.12. Sea A Rnn tal que A tiene una fila o una columna nula.
Entonces det(A) = 0.
Demostraci
on. Ejercicio.
Definici
on. Una matriz T = [tij ] Rmn es triangular superior si tij = 0
siempre que i > j y es triangular inferior si tij = 0 siempre que i < j.
T es triangular si es triangular superior o bien triangular inferior. T es
diagonal si es, al mismo tiempo, triangular superior e inferior. Una matriz
diagonal D = [dij ] Rmn se representar
a algunas veces por el smbolo
diag(d11 , ..., dtt ), donde t es el mnimo entre m y n.
Notese que si A = [aij ] Rnn y Sn , entonces en la lista a1(1) , ...,
an(n) hay exactamente un elemento de cada fila y cada columna de A. Este
hecho implica que el determinante de una matriz triangular n n sea facil
de calcular.
27
Teorema 2.13. Sea T Rnn triangular. Entonces

n
det(T) =
Tii .
i=1
Demostraci
on. Ejercicio.
Como un caso especial tenemos, que por ser In una matriz triangular,
det(In ) = 1 1 = 1.
Ejemplo. Por ser triangular superior, el determinante de la matriz
1 2 0
T= 0 2 1
0 0 4
es igual a
(T)11 (T)22 (T)33 = (1)(2)(4) = 8.
Teorema 2.14. Sea A Rnn . Entonces det(A) = det(AT ).
Demostraci
on. Ejercicio.
A continuacion dedicaremos un espacio a estudiar la relacion existente entre
el determinante de una matriz y las operaciones elementales de fila.
Teorema 2.15. Sean A, B Rnn tales que A Fi Fj B. Entonces
det(A) = det(B).
Demostraci
on. Ejercicio.
Teorema 2.16. Sean A, B Rnn tales que A Fi cFi B para cierto
c R. Entonces
det(B) = c det(A).
28
Demostraci
on. Ejercicio.
Teorema 2.17. Sean A Rnn , i, j {1, ..., n} con i = j, c R y A
Fi Fi + cFj B. Entonces det(A) = det(B).
Demostraci
on. Ejercicio.
Veamos otras propiedades importantes del determinante.
Teorema 2.18. Sea A Rnn tal que su fila i es igual a su fila j. Entonces
det(A) = 0.
Demostraci
on. Ejercicio.
Teorema 2.19. Sean A, B Rnn . Entonces
det(AB) = det(A) det(B).
Demostraci
on. Ejercicio.
Una combinacion de los Teoremas 2.13, 2.15, 2.16 y 2.17, nos permitira calcular el determinante de cualquier matriz de una manera bastante sencilla.
En el siguiente ejemplo damos una peque
na muestra de este hecho.
Ejemplo. Calcule el determinante de
2
A= 2
3
la matriz
2 6
2 4 .
4 6
Por Teorema 2.16
2 2 6
1 1 3
det 2 2 4 = 2 det 2 2 4 ,
3 4
6
3 4
6
por aplicacion reiterada
2
det
3
del Teorema 2.17
1 3
1 1 3
2 4 = det 0 0
2 ,
4 6
0 1
3
29
por Teorema 2.15
1 1 3
1 1 3
2 = det 0 1
3
det 0 0
0 1
3
0 0
2
y por Teorema 2.13
1 1 3
3 = (1)(1)(2).
det 0 1
0 0
2
Luego
det(A) = (2)(1)(1)(1)(2) = 4.
El resultado que presentaremos a continuacion nos muestra la linealidad del
determinante respecto a las filas de matrices.
Teorema 2.19. Sean A Rnn y x1 , x2 , ..., xk Rn tales que
Ai = xT1 + xT2 + + xTk .
Entonces
A1
A1
..
..
.
.
T
det(A) = det( x1 ) + det( xT2

.
.
..
..
An
An
A1
..
) + + det( xTk ).
..
An
Demostraci
on. Ejercicio.
Notese que si A = [aij ] Rnn tenemos
Ai = ai1 eT1 + ai2 eT2 + + ain eTn .
Entonces, por Teorema 2.19,
A1
A1
..
..
.
.
T
det(A) = ai1 det( e1 ) + ai1 det( eT2
.
.
..
..
An
An
) + + ain
A1
..
.
det( eTn ).
.
..
An
30
Si A Rnn , el smbolo A(i/j) representara la matriz n 1 n 1 que se

obtiene al eliminar de A la fila i y la columna j.
El teorema que presentamos a continuacion nos proporciona 2n formulas para
calcular el determinante de una matriz n n.
Teorema 2.20. Sea A = [aij ] Rnn . Entonces para i = 1, ..., n y j =
1, ..., n
det(A) = ai1 (1)i+1 det(A(i/1)) + + ain (1)i+n det(A(i/n)).
y
det(A) = a1j (1)1+j det(A(1/j)) + + anj (1)n+j det(A(n/j)).
Demostraci
on. Ejercicio.
2.7.
Inversa de una matriz
Esta seccion esta dedicada al estudio de las principales propiedades de las

matrices invertibles, a determinar cuando una matriz es invertible y al calculo
de la inversa de matrices invertibles.
Definici
on. Sea A Rmn una inversa a izquierda de A es una matriz
B Rnm tal que BA = In . una inversa a derecha de A es una matriz
C Rnm tal que AC = Im .
Teorema 2.21. Sea A Rmn con inversa a izquierda B e inversa a derecha
C. Entonces B = C.
Demostraci
on.
B = BIm = B(AC) = (BA)C = In C = C.
Definici
on. Una matriz A Rnn es invertible si existe una matriz B
Rnn tal que AB = In = BA. En tal caso B es una inversa de A.
2.7. INVERSA DE UNA MATRIZ
31
Teorema 2.22. Sea A Rnn invertible. Entonces A tiene a lo mas una

inversa.
Demostraci
on. Supongamos que B y C son inversas de A, entonces en
particular B es inversa a izquierda de A y C es inversa a derecha de A,
luego por Teorema 2.21 B = C.
Puesto que una matriz A Rnn puede tener a lo mas una inversa, es
conveniente tener un smbolo para representar la inversa de A cuando exista,
el smbolo que usaremos sera A1 .
Ejemplo.
2
A= 4
3
La matriz invertible
4
6
16
14 6
1
5
6 tiene como inversa a A1 = 26 22 12 .
6
1 2
11
10 6
Teorema 2.23. Si A, B Rnn son tales que AB = In . Entonces B = A1 .

Demostraci
on. Sea C = BA In + B. Entonces
AC = ABA AIn + AB = A A + In = In .
Luego, C es tambien una inversa a derecha de A. Por Teorema 2.21 B = C,
por tanto
BA = C + In B = B + In B = In
y as, B = A1 .
Teorema 2.24. Si A, B Rnn son matrices invertibles, entonces AB es
tambien invertible.
Demostraci
on.
AB(B1 A1 ) = A(BB1 )A1 = AIn A1 = AA1 = In .
Ademas,
(B1 A1 )AB = B1 (A1 A)B = B1 In B = B1 B = In .
32
Luego AB es invertible y (AB)1 = B1 A1 .

El teorema que sigue da una condicion suficiente y necesaria para que una
matriz sea invertible.
Teorema 2.25. Sea A Rnn . Entonces A es invertible si, y solo si,
det(A) = 0 (o equivalentemente, A es no invertible si, y solo si, det(A) = 0).
Demostraci
on. Ejercicio.
Teorema 2.26. Sea A Rnn invertible. Entonces
det(A1 ) = (det(A))1 .
Demostraci
on. Ejercicio.
Teorema 2.27. Toda matriz elemental es invertible. A
un mas, la inversa
de una matriz elemental es una matriz elemental del mismo tipo. Es decir,
si E es una matriz elemental de fila de tipo 1, entonces E1 es una matriz
elemental de fila de tipo 1, etc.
Demostraci
on. Ejercicio.
Teorema 2.28. Sea A Rnn tal que A tiene una columna nula. Entonces
A no es invertible.
Demostraci
on. Ejercicio.
Teorema 2.29. Sea A Rnn una matriz invertible. Entonces A se puede
expresar como producto de matrices elementales fila.
Demostraci
on. Ejercicio.
Teorema 2.30. Sea A Rnn una matriz no invertible. Entonces A se
puede expresar como producto de matrices elementales fila por una matriz
triangular.
2.7. INVERSA DE UNA MATRIZ
33
Demostraci
on. Ejercicio.
Ejemplo. La matriz invertible
1 2 1
A = 1 0 2
3 1 1
sedeja expresar como el producto E1 E2 E7 E8 de matrices
donde
1 0 0
1 0 0
1 0
E1 = 1 1 0 , E2 = 0 1 0 , E3 = 0 2
0 0 1
3 0 1
0 0
1 2 0
1
0 0
1 0 , E5 = 0 1 0 ,
E4 = 0
0 0 1
0 5 1
1
1 0 2
0
1
0
y E8 = 0
E7 =
0 0
1
0
E6
0
1
0
1 0
= 0 1
0 0
0
3
.
2
1
elementales,
0
0
1
0
0
11
2
El Teorema 2.32 nos garantiza que si A Rnn es invertible, entonces existen

matrices elementales fila E1 , ..., Ep tales que
A = E1 Ep .
Pero
A = E1 Ep
1
E1
p E1 A = In
1
A1 = E1
p E1
1
A1 = E1
p E 1 In
Concluimos de lo anterior que A1 se puede hallar realizando a In , de manera

ordenada, las mismas operaciones elementales de fila que se le realizan a A
para convertirla en In .
34
Ejemplo. Hallemos la inversa de la matriz invertible
1 0 0
A = 1 2 0 .
3 0 1
En efecto,
1 0 0 1 0 0
1 0 0 1 0 0
1 2 0 0 1 0 F2 F2 + F1 0 2 0 1 1 0
3 0 1 0 0 1
3 0 1 0 0 1
1 0 0
1 0 0
1 1 0
F3 F3 3F1 0 2 0
0 0 1 3 0 1
1 0 0
1 0 0
1
1
1
0 .
F2 F2 0 1 0
2
2
2
0 0 1 3 0 1
As,
A1
2.8.
1 0 0
= 21 12 0 .
3 0 1
Sistemas de ecuaciones lineales y matrices
Un sistema de ecuaciones lineales con coeficientes en R

a11 x1 + a12 x2 + + a1n x1
a21 x1 + a22 x2 + + a2n x1
= b1
= b2
..
.
am1 x1 + am2 x2 + + amn x1 = bm ,

se puede expresar de forma matricial como
Ax = b,
2.9. EJERCICIOS
donde
35
a11 a1n
.. Rmn , x =
..
A = ...
.
.
am1 amn
x1
.. Rn y x =
.
xn
b1
.. Rm .
.
bm
Teorema 2.31. Sea A Rnn . Entonces A es invertible (resp. no invertible)

si, y solo si, el sistema homogeneo de ecuaciones lineales Ax = 0 tiene solo
la solucion trivial (resp. soluciones no triviales).
Demostraci
on. Ejercicio.
Teorema 2.32. Sea A Rnn . Entonces A es invertible (resp. no invertible)
si, y solo si, para todo b Rn el sistema de ecuaciones lineales Ax = b tiene
u
nica solucion (resp. infinitas soluciones o no tiene solucion).
Demostraci
on. Ejercicio.
2.9.
Ejercicios
1. Calcule
1 2
3
2 3
1
4
5 6 + 0
3 2
7 8
9
5
2
6
2. Construya un algoritmo para la suma de matrices m n.

3. Calcule
3
2 3
4
1
0 5
4. Construya un algoritmo para la multiplicacion de un escalar por una matriz

m n.
5. Calcule
2 3 3
8 1 5
1
5 0
2
3 7 6 1 .
6
0 2 4
36
6. Construya un algoritmo para la multiplicacion de una matriz m n por

una matriz n p.
7. Halle el signo de todas las permutaciones en S4 .
8. Construya un algoritmo para calcular el determinantes de una matriz nn.
9. Utilice la formula (2.2) para hallar el determinante de A = [aij ] R44 .
10. Halle el determinante de la matriz
1
2 1
3
2 1
0
4
3
2
3 1
2
0
1
5
utilizando la formula obtenida en el Ejercicio 9 y despues utilizando solo los

Teoremas 2.13, 2.15, 2.16 y 2.17.
11. Calcule el determinante de las

1 1 3
2
5 0 ,
2
4 3
1
2
2
3
matrices

1 2 3
1 3 7
4 5 6 , 4 4 5
7 8 9
3 7 2
2
3 5
3
5 7
.
4 2 0
4
1 0
12. Sean A Rnn y c R. Demuestre que det(cA) = cn det(A).

13. Una matriz A Rnn es una matriz de bloques si tiene la forma
A1
...
A=
At
2.9. EJERCICIOS
37
con t > 1, Ai Rni ni para i = 1, ..., n, n1 + n2 + + nt = n, las diagonales

principales de las Ai estan sobre la diagonal principal de A y las componentes
de A que no estan en ninguna Ai son cero. Cada Ai se dice un bloque de
A. Demuestre que
t
det(A) =
det(Ai ).
i=1
14. Si
verifique que A1
3 6 7
A = 0 2 0 ,
1 1 2
2
5/2
7
1/2
0 .
= 0
1 3/2 3
15. Halle la inversa de las
1 2
3
1 1
0
A=
2 3 1
0 2
0
matrices
4
0
y
2
3
3
2
B=
0
1
4 2 1
3
5 1
.
4
7 0
4
2 2
16. Demuestre que si A Rnn es tal que tiene una fila nula, entonces A es
no invertible.
17. Demuestre que si A Rnn es invertible, entonces A1 es invertible y
que (A1 )1 .
18. Sean c R {0} y A Rnn invertible. Demuestre que cA es invertible
y que (cA)1 = c1 A1 .
19. Halle A y B matrices invertibles en R33 tales que A+B no sea invertible.
20. Sean A Rnn invertible y m un entero positivo. Demuestre que Am es
invertible y que (Am )1 = (A1 )m .
38
21. Sea A Rnn invertible. Demuestre que AT es invertible y que

(AT )1 = (A1 )T .
22. Demuestre que la inversa de una matriz triangular superior (respectivamente, triangular inferior o diagonal) n n invertible, es una matriz del
mismo tipo.
23. Sean A, B Rnn matrices simetricas. Demuestre que A + B es tambien
simetrica.
24. Sean A, B Rnn matrices simetricas. Demuestre que AB es simetrica
si, y solo si AB = BA.
25. Sea A Rnn . Demuestre que si A es antisimetrica, entonces Aii = 0
para toda i.
26. Sea A Rnn . Demuestre que A + AT es simetrica y que A AT es
antisimetrica. Demuestre ademas que A puede escribirse de manera u
nica
como la suma de una matriz simetrica y una matriz antisimetrica.
27. Escriba la matriz
2 3 4
2 1 0
3 2 1
como la suma de una matriz simetrica y una matriz antisimetrica.

28. Sea A Rnn . Demuestre que si A es antihermitiana, entonces Aii es
un n
umero imaginario puro para toda i.
29. Demuestre que no existen matrices A, B Rnn tales que
AB BA = In .
Ayuda: piense en las trazas.
2.9. EJERCICIOS
39
30. Halle la traza de la matriz
1
2 1
2 .
A = 2 3
1
0
5
31. Sean A Rnn y P Rnn invertible. Demuestre que
tr(P1 AP) = tr(A).
32. Una matriz A Rnn es ortogonal si A es invertible y
AT = A1 .
Demuestre que las matrices
3/5
4/5 0 0
0
0
1
1
2 2
4/5 3/5 0 0
1
y 0 1 0
2 2 2 ,
0
0 1 0
3
1
0 0
2
1
2
0
0 0 1
son ortogonales.
33. Sea A Rnn . Demuestre que A es ortogonal si, y solo si, AT es ortogonal.
Captulo 3
Espacios vectoriales
En este captulo se definiran y analizaran los espacios vectoriales y algunos
de los principales objetos matematicos relacionados con estos.
3.1.
Espacios vectoriales
Definici
on Un espacio vectorial sobre R consta de lo siguiente:
1. Un conjunto no vaco V de objetos llamados vectores.
2. Una operaci
on llamada suma, que asigna a cada par de vectores x, y de
V un vector x + y de V , llamado la suma de x y y tal que:
(a) x + y = y + x x, y V .
(b) x + (y + z) = (x + y) + z x, y, z V .
(c) Existe un u
nico vector 0 de V , llamado vector nulo, tal que x + 0 =
x para todo x V .
(d) Para cada x V , existe un u
nico vector x V , tal que x + (x) = 0.
3. Una operaci
on, llamada multiplicaci
on por escalar, que asocia a cada
escalar c R y cada vector x V un vector cx V , tal que:
(e) 1x = x para todo x V .
(f ) (c1 c2 )x = c1 (c2 x) para todo c1 , c2 R y todo x V .
(g) c(x + y) = cx + cy para toda c R y todas las x, y V .
(h) (c1 + c2 )x = c1 x + c2 y para todas las c1 , c2 R y toda x V .
40
3.1. ESPACIOS VECTORIALES
41
Notaci
on. Si V es un espacio vectorial sobre R, algunas veces denotaremos
este hecho por R V .
Ejemplo. Rn con las operaciones
+ :
n
n
n
R R R
x1
y1
x1 + y 1
..
( ... , ... )
.
xn
yn
xn + y n
y
:
R Rn Rn
x1
cx1
..
..
(c, . ) .
xn
cxn
es un espacio vectorial sobre R.

Ejemplo. Rmn con las operaciones
+ : Rmn Rmn Rmn
(A, B)
A + B
y
: R Rmn Rmn
(c, A)
cA
es un espacio vectorial.
Ejemplo. El conjunto, Pn , de todos los polinomios en la variable x, con
coeficientes en R y grado menor o igual a n, es un espacio vectorial sobre
R con las operaciones: suma ordinaria de polinomios y producto por escalar
definido como
c(a0 + a1 x + + an xn ) = ca0 + ca1 x + + can xn
para toda c R y todo a0 + a1 x + + an xn Pn .
CAPITULO 3. ESPACIOS VECTORIALES
42
Ejemplo. Sea S un subconjuto no vaco de R. Si V es el conjunto formado

por todas las funciones de S en R, entonces:
Si f, g V se define f + g como
f + g : S
R
.
s f (s) + g(s)
Si f V y c R se define cf como
cf : S
R
.
s cf (s)
Entonces V junto las operaciones
+ : V V
(f, g)
V
f + g
y
: RV
(c, f )
V
,
cf
es un espacio vectorial.
3.2.
Subespacios
Definici
on. Sea W un subconjunto no vaco de un espacio vectorial V sobre
R. Si W es tambien un espacio vectorial sobre R con la suma de vectores y
multiplicaci
on por escalar definidas en V y restringidas a W , entonces W
es llamado un subespacio de V .
Teorema 3.1. Un subconjunto no vaco W de un espacio vectorial R V es un
subespacio de R V si, y solo si, para todo x, y W y todo c R
cx + y W .
Demostraci
on. Ejercicio.
V y {0} son subespacios de V . Estos subespacios son llamados los subespacios triviales de V .
3.2. SUBESPACIOS
43
Definici
on. Sean R V un espacio vectorial y S un subconjunto no vaco de
V . Una combinaci
on lineal de los vectores de S es cualquier vector x V
que se deja expresar en la forma
x = c1 x1 + + cr xr ,
donde los ci R, los xi S y r es un entero positivo. El conjunto de todas
las combinaciones lineales de elementos de S se denotara por gen(S).
Teorema 3.2. Sean R V un espacio vectorial y S un subconjunto no vaco de
V . Entonces gen(S) es un subespacio de V .
Demostraci
on. Ejercicio.
gen(S) es llamado el subespacio generado por S.
Definici
on. Sean U, W subespacios de un espacio vectorial R V . La suma de
los subespacios U y W es el conjunto
U + W = {x + y : x U y y W } .
Teorema 3.3. Sean U, W subespacios de un espacio vectorial R V . Entonces
U +W
es un subespacio de V .
Demostraci
on. Ejercicio.
La union de subespacios no es siempre un subespacio.
Teorema 3.4. Sean X = {x1 , ..., xr } y Y = {y1 , ..., yt } subconjuntos de un
espacio vectorial R V . Entonces
gen(X Y ) = gen(X) + gen(Y ).
Demostraci
on. Ejercicio.
44
3.3.
Independencia lineal
Definici
on. Un conjunto de vectores S = {x1 , ..., xr } de un espacio vectorial R V es linealmente independiente cuando la u
nica solucion para los
escalares ai en la ecuaci
on homogenea
a1 x1 + + ar xr = 0
es la solucion trivial a1 = = ar = 0. Si S no es linealmente independiente
se dira linealmente dependiente.
Ejemplo. El conjunto

1
0
1
1 , 0 , 0 R3
1
0
1
es linealmente independiente.
Ejemplo. El conjunto

1
5
1
2 , 0 , 6 R3
1
2
7
es linealmente dependiente.
Teorema 3.5. Sea S = {x1 , ..., xr } un conjunto linealmente independiente
en un espacio vectorial R V . Entonces todo subconjunto no vaco de S es
tambien linealmente independiente.
Demostraci
on. Ejercicio.
Teorema 3.6. Sea S = {x1 , ..., xr } un conjunto de un espacio vectorial R V .
Si S contiene un subconjunto linealmente dependiente, entonces S es tambien
linealmente dependiente.
Demostraci
on. Ejercicio.

3.4. BASES Y DIMENSION
45
Teorema 3.7. Sean S = {x1 , ..., xr } un conjunto linealmente independiente

en un espacio vectorial R V y x V gen(S). Entonces S {x} es un
conjunto linealmente independiente de V .
Demostraci
on. Ejercicio.
Teorema 3.8. Sean S = {x1 , ..., xr } un subconjunto de un espacio vectorial
olo si, cada vector de gen(S) se
R V . S es linealmente independiente si, y s
deja escribir de manera u
nica, salvo orden, como una conbinaci
on lineal de
vactores de S.
Demostraci
on. Ejercicio.
Teorema 3.9. Sea S = {x1 , ..., xr } un subconjunto de un espacio vectorial
olo si, alg
un vector de S
R V . Entonces S es linealmente dependiente si, y s
es combinaci
on lineal del resto de vectores de S.
Demostraci
on. Ejercicio.
3.4.
Bases y dimensi
on
3.4.1.
Bases y dimensi
on
Definici
on. Un subconjunto de un espacio vectorial R V es una base para
V si gen() = V y es linealmente independiente.
Teorema 3.10. Sea = {x1 , ..., xn } una base de un espacio vectorial R V .
Entonces cualquier conjunto con mas de n vectores es linealmente dependiente.
Demostraci
on. Ejercicio.
Teorema 3.11. Sea = {x1 , ..., xn } una base de un espacio vectorial
Entonces cualquier conjunto con menos de n vectores no genera a V .
R V.
46
Demostraci
on. Ejercicio.
Teorema 3.12. Si un espacio vectorial R V tiene una base con n vectores,
entonces toda base de V tiene esa misma cantidad de vectores.
Demostraci
on. Ejercicio.
Definiciones. Un espacio vectorial R V se dice de dimensi
on finita si tiene
una base constituida por un n
umero finito de vectores. La dimensi
on de
V , denotada por dim(V ), es el n
umero de vectores de una base de V . La
dimension del espacio vectorial {0}, se define como cero. Un espacio vectorial
que no tiene una base finita se dice que es de dimensi
on infinita.
Teorema 3.13. Sea R V un espacio vectorial con dim(V ) = n. Entonces:
1. Cualquier conjunto linealmente independiente en V tiene a lo mas n vectores.
2. Cual quier subconjunto de V que genere a V tiene al menos n elementos.
3. Cualquier subconjunto linealmente independiente de V con n elementos es
una base de V .
4. Cualquier subconjunto de V que tenga n elementos y genere a V es una
base de V .
5. Cualquier subconjunto linealmente independiente de V puede ser extendido
a una base de V .
6. Cualquier subconjunto de V que genere a V puede ser reducido a una base
de V .
Demostraci
on. Ejercicio.
Teorema 3.14. Sean R V un espacio vectorian de dimension n y W un
subespacio de V . Entonces dim(W ) dim(V ) y dim(W ) = dim(V ) si, y

3.4. BASES Y DIMENSION
47
solo si, W = V .
Demostraci
on. Ejercicio.
3.4.2.
Vectores de coordenadas
Definici
on. Sean = {x1 , ..., xn } una base ordenada de un espacio vectorial
V
y
x
V . Los coeficientes ai en la expresi

on
R
x = a1 x1 + + an xn
son llamados coordenadas de x respecto a . Adem
as, el vector
a1
[x] = ... Rn
an
es llamado el vector de coordenadas de x respecto a .
Teorema 3.15. Sean = {x1 , ..., xn } una base ordenada de un espacio
vectorial R V , x, y V y c R. Entonces
[cx + y] = c [x] + [y] .
Demostraci
on Ejercicio.
Teorema 3.16. Sean = {x1 , ..., xn } una base ordenada de un espacio vectorial R V y y1 , ..., yt vectores de V . Entonces {y1 , ..., yt } es linealmente
independiente en V si, y solo si, [y1 ] , ..., [yt ] es linealmente independiente en Rn .
Demostraci
on. Ejercicio.
Teorema 3.17. Sean 1 = {x1 , ..., xn } y 2 = {y1 , ..., yn } bases de un espacio
vectorial R V . Entonces la matriz invertible
P = [x1 ]2 [xn ]2 Rnn
48
es la u
nica matriz que tiene la propiedad
P [x]1 = [x]2
x V .
Adem
as, P1 es la u
nica matriz con la propiedad
P1 [x]2 = [x]1
x V .
Demostraci
on. Ejercicio.
Definici
on. La matriz P en el Teorema 3.17 se conoce como la matriz de
cambio de la base 1 a la base 2 .
Teorema 3.18. Sean 1 = {x1 , ..., xn }, 2 = {y1 , ..., yn } y 3 = {z1 , ..., zn }
bases para un espacio vectorial R V . Si P es la matriz de cambio de base de
1 a 2 y Q es la matriz de cambio de base de 2 a 3 , entonces QP es la
matriz de cambio de base de 1 a 3 .
Demostraci
on. Ejercicio.
3.5.
Espacios vectoriales y matrices
En esta seccion presentaremos algunos resultados fundamentales que relacionan las matrices con los espacios vectoriales.
3.5.1.
Los cuatro subespacios fundamentales
Teorema - definici
on 3.19. Sea A Rmn . Entonces
R(A) = {Ax : x Rn }
es un subespacio de Rm . Este subespacio se denomina el espacio columna
de A. El espacio fila de A es el espacio columna de AT . Naturalmente, el
espacio fila de A se denotara por R(AT ).
Demostraci
on Ejercicio.
3.5. ESPACIOS VECTORIALES Y MATRICES
49
Teorema 3.20. Sean A, B Rmn . Entonces:

1. R(A) = R(B) si, y solo si, B se puede obtener al realizar un n
umero
finito de operaciones elementales de columna a A.
2. R(AT ) = R(BT ) si, y solo si, B se puede obtener al realizar un n
umero
finito de operaciones elementales de fila a A.
Demostraci
on Ejercicio.
Teorema - Definici
on 3.21. Sea A Rmn . Entonces
N (A) = {x Rn : Ax = 0}
es un subespacio de Rn . Este subespacio se conoce como el espacio nulo de
A y N (AT ) es llamado el espacio nulo izquierdo de A. La nulidad de
A es la dimension del espacio nulo de A.
Demostraci
on. Ejercicio.
Teorema 3.22. Sean A, B Rmn . Entonces:
1. N (A) = N (B) si, y solo si, B se puede obtener al realizar un n
umero
finito de operaciones elementales de fila a A.
2. N (AT ) = N (BT ) si, y solo si, B se puede obtener al realizar un n
umero
finito de operaciones elementales de columna a A.
Demostraci
on Ejercicio.
3.5.2.
Rango de una matriz
Definici
on. Sea A Rmn . El rango de A se define como
rk(A) = dim(gen {A1 , ..., An }) = dim(R(A)).
50
Ejemplo.
1 3 2 1
rk( 2 0 1 5 ) = 2.
1 1 1 2
Teorema 3.23. Sea A Rnn . Entonces A es invertible si, y solo si,

rk(A) = n.
Demostraci
on. Ejercicio.
Teorema 3.24. Sea A Rmn . Entonces rk(A) = rk(AT )
Demostraci
on. Ejercicio.
Del Teorema anterior y de la definicion de rango de una matriz podemos
concluir que: si A Rmn , entonces
rk(A) = dim(gen {A1 , ..., An }) = dim(gen AT1 , ..., ATm ).
Notese que los subespacios en cuestion tienen la misma dimension, pero el
primero es subespacio de Rm y el segundo de Rn .
Teorema 3.25. Sea A Rmn . Entonces rk(A) min{m, n}.
Demostraci
on. Ejercicio.
Teorema 3.26. Sean A Rmn , B Rnp . Entonces
rk(AB) rk(A).
Demostraci
on. Ejercicio.
Teorema 3.27. Sean A Rmn y P Rnn invertible. Entonces
rk(A) = rk(PA).
3.5. ESPACIOS VECTORIALES Y MATRICES
51
Demostraci
on. Ejercicio.
Teorema 3.28. Sean A Rmn y P Rmm invertible. Entonces
rk(A) = rk(AP).
Demostraci
on. Ejercicio.
Teorema 3.29. Sean A Rmn , P Rmm invertible y Q Rnn invertible. Entonces
rk(A) = rk(PAQ).
Demostraci
on. Ejercicio.
Teorema 3.30. Sean A Rmn con rk(A) = r > 0. Entonces existen
matrices B Rmr y L Rrn ambas de rango r tales que
A = BL
Demostraci
on. Supongamos que las columnas i1 , ..., ir de A forman un
conjunto linealmente independiente, entonces una matriz E Rnn que se
obtiene al reordenar las filas de In de tal manera que tenga como primeras
filas a (In )i1 , ..., (In )ir es tal que AE tiene las mismas columnas de A, con
la seguridad de que las primeras r columnas de AE forman un conjunto
linealmente independiente. Sea
B = [Ai1 Air ] Rmr ,
entonces las columnas r + 1, ..., n de AE son combinaciones lineales de las
columnas de B, por esto existen ar+1 , ..., an en Rr tales que
(AE)r+1 = Bar+1 , ..., (AE)n = Ban .
Luego
AE = [Be1 Ber Bar+1 Ban ] = B [e1 er ar+1 an ]
y por tanto A = BL, donde L = [e1 er ar+1 an ] E1 Rrn . Notese
que rk(B) = rk(L) = r.
52
3.6.
Ejercicios
1. Demuestre que

1
1
1
1
gen 2 , 0 , 2 , 4 = R3 .
1
1
1
3
2. Determine si R3 esta generado por los vectores

0
3
1
1
1 , 0 , 1 , 2 .
2
5
3
2
3. Determine cuales de los vectores

3
1
1 0

15 , 1
6
0
estan en
1
1
,
1
0
1
2
1
1 8
3

gen
5 , 0 , 5 .
2
1
3
4. Exprese el vector general
x
y
z
como combinacion lineal de los vectores

1
1
1
2 , 0 , 2 .
1
1
1
3.6. EJERCICIOS
53
5. Demuestre que el espacio de los polinomios de grado menor que 3 en la

variable x y coeficientes en R esta generado por
2, 3 + x, 2 x2
y tambien por
1, 2 + 2x, 1 x + x2 , 2 x2 ,
pero no por
1 + x, x + x2 .
6. Demuestre que si el conjunto {x1 , x2 , x3 } es linealmente independiente en
un espacio vectorial R V . Entonces {x1 + x2 , x2 + x3 , x1 + x3 } es tambien un
conjunto linealmente independiente.
7. Demuestre que el conjunto

1
1
1
1
2 , 0 , 2 , 4
1
1
1
3
es linealmente dependiente en R3 .
8. Demuestre que el conjuto
S = 1, 2 + 2x, 1 x + x2 , 2 x2
es linealmente dependiente y determine los subconjuntos de S con 3 elementos
que sean linealmente independientes.
9. Determine cuales de las siguientes matrices no pueden escribirse como
combinacion lineal de las demas.
1 1
1
2
1 2
3 1
2 3
3
2
1 1
1 6
10. Sea A Rnn . Demuestre que A es invertible si, y solo si, las columnas
de A forman un conjunto linealmente independiente.
11. Sean P Rnn invertible y {x1 , ..., xt } un conjunto linealmente independiente en Rn . Demuestre que {Px1 , ..., Pxt } es linealmente independiente en
Rn .
Captulo 4
Transformaciones lineales
En este captulo introduciremos las transformaciones lineales, que es un tipo especial de funciones entre espacios vectoriales. Mediante estas funciones
podemos decidir si dos espacios vectoriales comparten ciertas propiedades
algebraicas.
4.1.
Transformaciones lineales
Definici
on. Sean V y W espacios vectoriales sobre R. Una transformaci
on
lineal de V en W es una funcion de V en W tal que
T (cx + y) = cT (x) + T (y)
para todos los vectores de y todo escalar de R.
Ejemplos. Sean V y W espacios vectoriales sobre R. Entonces las siguientes
son transformaciones lineales
T : V V
,
x x
T : V W
.
x 0
Estas transformaciones son llamadas transformaci
on identidad y transformaci
on cero, respectivamente.
54
4.1. TRANSFORMACIONES LINEALES
55
Ejemplos. Sea A Rmn . Entonces

T : Rn Rm
x Ax
es una transformacion lineal.
Teorema 4.1. Sean V, W espacios vectoriales sobre R y T de V en W una
transformaci
on lineal. Entonces:
1. T (0) = 0.
2. T (x) = T (x).
Demostraci
on. Ejercicio.
Definici
on. Si T : U V y S : V W son transformaciones lineales,
entonces la composici
on de S con T es la funcion S T : U W definida
por
(S T )(x) = S(T (x)) x U .
Teorema 4.2. Sean U, V, W espacios vectoriales sobre R y T : U V y
S : V W transformaciones lineales. Entonces S T : U W es una
transformaci
on lineal.
Demostraci
on. Ejercicio.
Teorema 4.3. Sean V, W espacios vectoriales sobre R y T de V en W una
transformaci
on lineal. Entonces:
1. Im(T ) es un subespacio de W . La dimension de Im(T ) se acostumbra a
llamar rango de T (rango (T )).
2. {x V : T (x) = 0} es un subespacio de V . Este subespacio es llamado
el espacio nulo de T y su dimension se conoce como la nulidad de T
(nulidad (T )).
56
CAPITULO 4. TRANSFORMACIONES LINEALES
Demostraci
on. Ejercicio.
Teorema 4.4. Sean V un espacio vectorial de dimension finita sobre R, W
un espacio vectorial sobre R, {x1 , ..., xn } una base de V y y1 , ..., yn vectores
de W . Entonces existe una u
nica transformaci
on lineal T de V en W tal que
T (xi ) = yi para toda i.
Demostraci
on. Ejercicio.
Ejemplo. La u
nica transformacion lineal T de R3 en R2 tal que

1
1
2
3
4
2
, T ( 2 ) =
y T ( 1 ) =
T ( 0 ) =
1
4
2
0
2
0
es
T : R3
x
y
z
R2
x+y+z
x y + 2z
Teorema 4.5. Sean V un espacio vectorial de dimension finita sobre R, W

un espacio vectorial sobre R y T una transformaci
on lineal de V en W .
Entonces
rango (T ) + nulidad (T ) = dim(V ).
Demostraci
on. Ejercicio.
Teorema 4.6. Sean V, W un espacios vectoriales sobre R y T una transformacion lineal de V en W . Entonces T es sobreyectiva si, y solo si, existe
una base de W contenida en Im(T ).
Demostraci
on. Ejercicio.
57
Teorema 4.7. Sean V, W espacios vectoriales sobre R y T una transformacion lineal de V en W . Entonces T es inyectiva si, y solo si, el espacio nulo
de T es {0}.
Demostraci
on. Ejercicio.
Definici
on. Sean V, W espacios vectoriales sobre R y T de V en W una
transformaci
on lineal. Entonces T es un isomorfismo si T es biyectiva. En
tal caso se dice que V es isomorfo a W o que V y W son isomorfos.
Teorema 4.8. Sean V, W espacios vectoriales de dimension finita sobre R y
T un isomorfismo de V en W . Entomces:
1. Si {x1 , ..., xn } es un conjunto linealmente independiente de V , entonces
{T (x1 ), ..., T (xn )} es un conjunto linealmente independiente de W .
2. Si {x1 , ..., xn } genera a V , entonces {T (x1 ), ..., T (xn )} genera a W .
3. Si {x1 , ..., xn } es una base de V , entonces {T (x1 ), ..., T (xn )} es una base
de W .
Demostraci
on. Ejercicio.
Teorema 4.9. Todo espacio vectorial V sobre R de dimension n es isomorfo
a Rn .
Demostraci
on. Ejercicio.
Teorema 4.10. Sean V un espacio vectorial de dimension n sobre R, W un
espacio vectorial de dimension m sobre R, = {x1 , ..., xn } una base ordenada
de V , una base ordenada de W y T una transformaci
on lineal de V en
W . Entonces
A = [T (x1 )] [T (xn )]
es la u
nica matriz de Rmn tal que
A [x] = [T (x)] para todo x V .
58
Esta matriz se llama la matriz que representa a T respecto a las bases

ordendas y .
Demostraci
on. Ejercicio.
Algunas veces, la matriz que representa a una trasformacion lineal T respecto
a las base y se denota por [T ] . Con esta notacion, la expresion
A [x] = [T (x)] se convierte en
[T ] [x] = [T (x)] .
Ejemplo. Consideremos las bases
1 = 1, 1 x, 1 x2 , 1 x3
de P3 ,
2 =
1 1 1
1 1 1
1 1 1
0 0 0
,
,
1 1 1
1 1 0
1 1 0
0 0 0
1 1 1
1 0 0
1 0 0
0 0 0
de R23 y hallemos la matriz que representa a la transformacion lineal

T :
P3
R23
a0 0 a1
a2 0 a3
a0 + a1 x + a2 x2 + a3 x3
respecto de las bases 1 y 2 . En efecto,
T (1) =
1 0 0
0 0 0
= [T (1)]2 =
0 0 0 0 0 1
T (1 x) =
1 0 1
0 0
0
= [T (1 x)]2 =
T (1 x2 ) =
1 0 0
1 0 0
= T (1 x2 )
0 0 0 1 1 1
0 0 1 1 0 1

T (1 x3 ) =
1 0
0
0 0 1
= T (1 x3 )
59
1 1 0 0 0 1
Luego, la matriz que representa a T respecto de las bases 1 y 2 es
A=
0
0
0 1
0
0
0
1
0
0 1
0
.
0 1
1
0
0
1
0
0
1
1
1
1
Notese que si p(x) = a0 + a1 x + a2 x2 + a3 x3 , entonces
A [p(x)]1
0
0
0 1
0
0
0
1
a0 + + a3
0
0 1
0
a1
0 1
1
0
a2
0
1
0
0
a3
1
1
1
1
a3
a3
a2
a1 a2
a1
a0
= [T (P (x))] .
2
Teorema 4.11. Sean U, V y W espacios vectoriales de dimension finita sobre

R con base , y , respectivamente. Sean T : U V y S : V W
transformaciones lineales. Entonces
[S T ]
= [S]
[T ] .
Demostraci
on. Ejercicio.
Teorema 4.12. Sea V un espacio vectorial de dimension finita sobre R con
bases y y sea T : V V una transformaci
on lineal. Entonces
[T ] = P1 [T ] P,
donde P es la matriz de cambio de la base a la base .
Demostraci
on. Ejercicio.
60
4.2.
Ejercicios
1. Determine si
T : R3
R3
x
1+x+y
y 3x + 2z
z
5 2y z
es una transformacion lineal.
2. Halle una transformacion lineal de R4 a R3 que tenga como espacio nulo a

1
1
3
2

gen
1 , 0 .
4
2
3. Encuentre una transformacion lineal de R3 en R3 que tenga como imagen
a

1
2
gen 1 , 1 .
1
0
4. Sean
A=
1 3
2
0 2 1
y
T : R3 R2
.
x Ax
Halle el espacio nulo, nulidad, imagen y rango de T .
5. Halle un isomorfismo de R22 en R4 y otro de R4 en R22 .
6. Sean R V un espacio vectorial de dimension n y una base de R V . Demuestre que
T : V Rn
x [x]
4.2. EJERCICIOS
61
es un isomorfismo. Esto demuestra el Teorema 4.9.

7. Sea A Rnn . Demuestre que A es invertible si, y solo si la transformacion
lineal
T : Rn Rn
x Ax
es biyectiva.
8. Sean V un espacio vectorial sobre R de dimension finita, una base de
V , W un espacio vectorial sobre R y T una transformacion lineal de V en
W . Demuestre que T es la transformacion cero si, y solo si, T (x) = 0 para
todo x de .
Captulo 5
Ortogonalidad
El principal objetivo de este captulo es el estudio de los espacios vectoriales
reales en los que tiene sentido hablar de longitud de un vector y angulo entre
vectores. Se hara esto mediante el estudio de ciertas funciones conocidas como
productos interiores.
5.1.
Espacios con productos interiores
Definici
on. Un producto interior en un espacio vectorial V sobre R es
una funcion que asigna a cada par de vectores x, y de V un escalar x, y R
de tal modo que para cualesquier x, y, z de V y todos los escalares c R se
tiene que:
1. x, x 0 y x, x = 0 si, y solo si, x = 0.
2. x, cy = c x, y .
3. x, y + z = x, y + x, z .
4. x, y = y, x .
Debe observarse que las condiciones 2, 3 y 4 implican que
cx + y, z = c x, z + y, z .
62
5.2. ESPACIOS NORMADOS
63
Definici
on. Un espacio con producto interior es un espacio vectorial
sobre R junto con un producto interior definido en ese espacio.
Un espacio vectorial real con producto interior y dimension finita es un espacio euclidiano.
Ejemplo. En Rn existe un producto interior llamado producto interior
can
onico o producto punto. Esta definido para
x1
y1
x = ... , y = ... en Rn
yn
xn
como
x, y
= x1 y1 + + xn yn .
Ejemplo. Si A Rnn es invertible, entonces

x, y = xT AT Ay
es un producto interior en Rn . Este es llamado el Aproducto interior.
Ejemplo.
A, B = tr(AT B)
es un producto interior en Rmn y Rmn . Este es el producto interior
can
onico de matrices. Notese que se reducen al productor interior canonico
en Rm cuando n = 1.
5.2.
Espacios normados
Definici
on. Una norma en un espacio vectorial V sobre R es una funcion
de V en R que satisface las siguientes condiciones para todo x, y V y
todo c R :
1. x 0 y x = 0 si, y solo si, x = 0.
2. cx = |c| x .
CAPITULO 5. ORTOGONALIDAD
64
3. x + y x + y .
Definici
on. Un espacio normado es un espacio vectorial sobre R junto
con una norma definida en ese espacio.
Ejemplo. Si para cada x = [xi ] Rn definimos
x
Entonces
= x21 + + x2n
1
2
xT x.
es una norma en Rn .
Mas a
un, tenemos el siguiente resultado, en forma de ejemplo, que es una
fuente rica que nos ilustra acerca de la gran variedad de normas que se pueden
definir en Rn
Ejemplo. Sea p 1. Si para cada x = [xi ] Rn definimos
x
Entonces
Rn .
= (|x1 |p + + |xn |p ) p .
es una norma en Rn . Esta norma es llamada la p-norma de
Ejemplo. Si para cada x = [xi ] Rn definimos

x
Entonces
= max |xi | .
i
es una norma en Rn .
Definiciones. Sean V un espacio vectorial normado y x, y V . La longitud de x es x 2 y la distancia entre x e y es

d(x, y) = x y
Ejemplo. Hallemos la longitud de x y la distancia entre x y y, donde
1
3
x = 2 y y = 1 .
4
5
5.2. ESPACIOS NORMADOS
65
Por definicion de longitud y distancia tenemos:
x 2 = 2 = (1)2 + (2)2 + (4)2 = 21,

4
2
y

3
1
2 1
5
4
d(x, y) =
4
= 1
9
(4)2 + (1)2 + (9)2 = 7 2.
Teorema 5.1. (Desigualdad de Cauchy-Bunyakovskii-Schwarz). Sea

V un espacio vectorial sobre R con producto interior , . Entonces
| x, y |
x, x
y, y
para todo x, y V .
Demostraci
on. Ejercicio.
Teorema 5.2. (Desigualdad triangular). Sea V un espacio vectorial sobre
R con producto interior , . Entonces
x+y , x+y
x, x +
x, x
para todo x, y V .
Demostraci
on. Ejercicio.
Teorema 5.3. Sean V sobre R un espacio con producto interior , . Entonces
: V
R
x, x
x
es una norma en V . Esta norma es la norma en V inducida por el
producto interior , .
Demostraci
on. Ejercicio.
66
Definici
on. Sean x, y vectores no nulos de un espacio vectorial V sobre R
con producto interior , . El
angulo entre los vectores x e y se definde
como
x, y
= cos1
,
x y
donde es la norma en inducida por , .
Cuando hablemos de angulo entre vectores de Rn solo consideraremos el
producto interior , 2 y la norma 2 .
Al realizar los calculos para hallar el angulo entre dos vectores, aseg
urese de
que su calculadora este en modo radianes.
Ejemplo. Hallemos el angulo entre los vectores
2
3
7
1
En efecto,
= cos1
= cos1
x, y 2
x 2 y
11

13 52
= cos1
3
32
2 5 4 7 5
,
1
3
2
3 2
3
2 5 4 7 5
1 2
3 2
2
4
2
4
cos1 (0,431455497)
2,0169 radianes 115,6 grados.

Teorema 5.4. (Identidad del paralelogramo). Para una norma en
un espacio vectorial V sobre R, existe un pruducto interior , en V tal
que x 2 = x, x para todo x V si, y solo si, la identidad del paralelogramo
x+y 2+ xy 2 =2 x 2+ y 2
se cumple para todo x, y V .
5.3. VECTORES ORTOGONALES
67
Demostraci
on. Ejercicio.
Teorema 5.5. Sean U Rnn ortogonal y u una columna de U. Entonces
u
= 1.
Demostraci
on.
UT U = In = uT u = 1
=
2
2
= 1 =
u, u
u
=1
= 1.
Teorema 5.6. Sean U Rnn ortogonal y x Rn . Entonces Ux
= x 2.
Demostraci
on.
Ux
Luego Ux
5.3.
2
2
= Ux , Ux
= (Ux)T Ux = xT UT Ux = xT x = x
2
2
= x 2.
Vectores ortogonales
Definiciones. Sean x y y vectores de un espacio vectorial V con producto

interior , . Entonces x es ortogonal a y si x, y = 0; como esto implica
que y es ortogonal a x, a menudo solo diremos que x y y son ortogonales.
Si S es un conjunto de vectores de V , se dice que S es un conjunto ortogonal siempre que todos los pares de vectores distintos de S sean ortogonales.
Un conjunto ortonormal es un conjunto ortogonal S con la propiedad
adicional de que x = 1 para todo x S.
Teorema 5.7. Todo conjunto ortogonal de vectores no nulos es linealmente
independiente.
Demostraci
on. Ejercicio.
68
Teorema 5.8. Si un vector x es combinaci

on lineal de un conjuto ortogonal
de vectores no nulos {x1 , ..., xn }, entonces x es igual a la combinaci
on lineal
particular
x, x1
x, xn
x=
xn .
2 x1 + +
x1
xn 2
Demostraci
on. Ejercicio.
Teorema 5.9. (Proceso de ortogonalizaci
on Gram-Schmidt) Sean V
un espacio con producto interior , y = {x1 , ..., xn } una base de V . Si
es la norma en V inducida por , . Entonces = {y1 , ..., yn } es una
base de ortogonal de V , donde
y1 = x1 y yj = xj (
xj , y1
xj , yj1
y1 + +
yj1 ) para j = 2, ..., n.
y1 , y1
yj1 , yj1
Demostraci
on. Ejercicio.
Teorema 5.10. Todo espacio con producto interior de dimension finita tiene
una base ortonormal.
Demostraci
on. Ejercicio.
Definici
on. Sean W un subespacio de un espacio vectorial con producto
interior V y x V . Una mejor aproximaci
on a x por vectores de W es
un vector y W tal que
xy xw
para todo w W .
Teorema 5.11. Sean W un subespacio de un espacio con producto interior
V y x V . Entonces:
1. Un vector y W es una mejor aproximaci
on a x, por vectores de W si,
y solo si, x y es ortogonal a todo vector de W .
5.4. EJERCICIOS
69
2. Si existe una mejor aproximaci

on a x por vectores de W es u
nica.
3. Si W es de dimension finita y {x1 , ..., xn } es cualquier base ortogonal de
W , entonces el vector
y=
x, x1
x, xn
xn .
2 x1 + +
x1
xn 2
es la u
nica mejor aproximaci
on a x por vectores de W .
Demostraci
on. Ejercicio.
Definici
on. Siempre que exista el vector y del que se habla en el Teorema
5.11 se le llamara la proyecci
on ortogonal de x sobre W .
Definici
on. Sean V un espacio con producto interior y S un subconjunto no
vaco de V . El complemento ortogonal de S es el conjunto S de todos
los vectores de V ortogonales a todo vector de S. Si W y U son subespacios
de V , y cada vector de W es ortogonal a cada vector de U , entonces W y
U son subespacios ortogonales. Si W y U son subespacios ortogonales,
denotaremos tal hecho por W U .
Teorema 5.12. Sea W un subespacio de un espacio vectorial dimension
finita con producto interior V . Entonces
V = W W .
La expresi
on W W significa que cada vector de V se deja escribir de
manera u
nica, salvo conmutatividad, como la suma de un vector en W con
otro de W y que W W es igual a vaco.
Demostraci
on. Ejercicio.
5.4.
Ejercicios
1. Calcule x, y
si

1
3
2 , y = 2 .
x=
1
2
70
2.Calcule x, y
3.Calcule x
si
1
1
x = 2 , y = 1 .
2
2
, x
y x
para
1
x = 2 .
3
4.Calcule x
para
2
x = 2 .
3
5. Sean x, y Rn . Demuestre que

x+y
2
2
+ xy
6. Halle una base ortonormal

3

0 ,
1
para R4

1
3
,
0
1
2
2
= 2( x
a partir

1
0
,
2
1
2
2
+ y 22 ).
de la base

0
1
.
0
7. Halle la proyeccion ortogonal de
1
x = 1
2
sobre

0
1
1 ,
1 .
W = gen
2
3
5.4. EJERCICIOS
8. Halle W si
71

1
W = gen
3 ,
0
.
1
9. Sean U Rnn ortogonal y x, y Rn . Demuestre que

x,y
=0
Ux , Uy
= 0.
10. Demuestre que A Rnn satisface AT A = AAT si, y solo si,

Ax
= AT x
para todo x Rn .
11. Sea U Rnn tal que para todo x Rn
Ux
Demuestre que U es ortogonal.
= x
Captulo 6
Valores y Vectores Propios
En este captulo presentaremos los conceptos basicos de valor propio, vector propio, espacio propio y espectro de una matriz. Ademas, presentaremos
algunos de los resultados mas relevantes relacionados con tales conceptos.
Debido a que en un estudio de los valores y vectores propios es imposible no
hablar de n
umeros complejos, debemos hacer algunas observaciones respecto
a la terminologa que utilizaremos en este captulo. La palabra escalar se
utilizara para referirnos a un n
umero que puede ser real o complejo. Un
vector n 1 sera una matriz n 1 cuyas componentes pueden ser n
umeros
reales o complejos.
6.1.
Valores y Vectores Propios
Definici
on. Sea A Rnn . Un escalar es un valor propio de A si existe
un vector n 1 x = 0 tal que Ax = x. Ahora, si Ax = x con x = 0,
entonces x es un vector propio de A asociado al valor propio .
Ejemplo. 2 es un valor propio de la matriz
2
0
1
2 ,
A = 5 1
3 2 5/4
72
6.1. VALORES Y VECTORES PROPIOS
73
ya que
2
0
1
1
2
1
5 1
2 3 = 6 = 2 3 .
3 2 5/4
4
8
4
1
Ademas, 3 es un vector propio de A asociado al valor propio 2.
4
Teorema 6.1. Sea A Rnn . Entonces ning
un vector propio de A puede
estar asociado a valores propios distintos de A.
Demostraci
on. Si suponemos que x es un vector propio de A asociado a
valores propios distintos i , j de A, entonces (i j ) = 0 y
(i j )x = i x j x = Ax Ax = 0.
Luego
(i j )1 (i j )x = (i j )1 0 = x = 0,
lo cual es absurdo. Por tanto, ning
un vector propio de A puede estar asociado
a valores propios distintos de A.
Definici
on. Sea A Rnn , el espectro de A es
(A) = { escalar : es un valor propio de A} .
El smbolo R [x] denotara al conjunto de los polinomios en la variable x y
coeficientes en R. La evaluacion de un polinomio p(x) = a0 + a1 x + + at xt
de R [x] en una matriz A Rnn es la matriz
p(A) = a0 In + a1 A + + at At ,
donde Ai para todo i = 2, ..., t es el producto usual de matrices de A con
sigo misma i veces.
Ejemplo. Sean
A=
1 1
1
2
CAPITULO 6. VALORES Y VECTORES PROPIOS
74
y p(x) = 1 3x + 2x2 . Entonces

p(A) = 1
1 0
0 1
1 0
0 1
1 1
1
2
3
3
3 6
+2
1 1
1
2
0 6
6
6
1 1
1
2
=
2 3
3
1
Teorema 6.2. Sean A Rnn , p(x) R [x], (A) y x un vector propio

de A asociado a . Entonces p() (p(A)) y x es un vector propio de
p(A) asociado a p().
Demostraci
on. Supongamos que p(x) = a0 + a1 x + + at xt , entonces
p(A)x = a0 x + a1 Ax + + at At x,
pero
Aj x = Aj1 Ax = Aj1 x = Aj1 x = = j x
para todo j = 1,...,t. Luego
p(A)x = a0 x + a1 x + + at t x
= (a0 + a1 + + at t )x = p()x.
6.2.
Subespacios Propios
Teorema 6.3. Sean A Rnn y un valor propio de A. Entonces

EA () = {x vectores n 1 : Ax = x}
es un subespacio del espacio de los vectores n1 sobre los n
umeros complejos.
Demostraci
on. Claramente A0 = 0, por tanto 0 EA (). Ahora, si x,
y EA () y c escalar, entonces
A(c x + y) = c Ax + Ay = c x + y = (c x + y),
por tanto (c x + y) EA (). Luego EA () es un subespacio de los vectores
n 1 sobre los n
umeros complejos.
6.3. MATRICES INVERTIBLES Y VALORES PROPIOS
75
Notese que EA () es igual a {0} unido con el conjunto formado por todos
los vectores propios de A asociados al valor propio . Ademas, por Teorema
6.1 se tiene que si i , j son valores propios distintos de A, entonces
EA (i ) EA (j ) = {0} .
Definici
on. El subespacio EA () se denomina subespacio propio de A
asociado al valor propio . Adem
as, la dimension de EA (), dim(EA ()), se
llama la multiplicidad geom
etrica del valor propio de A.
De la definicion de vector propio, es claro que EA () tiene al menos un vector
no nulo, por tanto
dim(Rn ) = n dim(EA ()) 1.
6.3.
Matrices Invertibles y Valores Propios
Teorema 6.4. Sea A Rnn . Entonces = 0 es un valor propio de A si, y

solo si, A es no invertible.
Demostraci
on. Ejercicio.
Teorema 6.5. Sea A Rnn . Entonces A es invertible si, y solo si, ning
un
valor propio de A es cero.
Demostraci
on. Este resultado es equivalente al Teorema 6.4.
Teorema 6.6. Sea A Rnn una matriz invertible. Entonces es un valor
propio de A si, y solo si, 1 es un valor propio de A1 . A
un mas, x es un
vector propio de A asociado a si, y solo si, x es un vector propio de A1
asociado a 1 .
Demostraci
on. Puesto que A es invertible, ninguno de sus valores propios
es cero. Luego, un escalar es un valor propio de A y x es un vector propio
76
de A asociado a
Ax = x
A1 Ax = A1 x
A1 x = 1 x
si, y solo si, 1 es un valor propio de A1 y x es un vector propio de A1

asociado a 1 .
6.4.
Producto de matrices y Valores Propios
Teorema 6.7. Sean A, B Rnn . Entonces

(AB) = (BA).
Demostraci
on. Ejercicio.
6.5.
Localizaci
on de Valores Propios
Existen muchos teoremas que dan informacion acerca de la localizacion en el

plano complejo de los valores propios de una matriz. El mas famoso de ellos
es el Teorema de Gershgorin, el cual constituye el centro de esta peque
na
seccion.
Definici
on. Sea A Rnn . El radio espectral de A es el n
umero real no
negativo
rad(A) = max {|| : (A)} .
|| significa modulo de si es complejo o valor absoluto de si es real.
El radio espectral de una matriz A Rnn es justamente el radio del disco
cerrado mas peque
no centrado en el origen del plano complejo que contiene
a todos los valores propios de A.
Definici
on. Sea A Rnn . Los n discos de Gershgorin de A son:
Dp = {z escalar : |z app | Rp (A)}
p = 1, ..., n.

6.6. CALCULO
DE VALORES PROPIOS
77
Donde
Rp (A) = |ap1 | + + ap(p1) + ap(p+1) + + |apn | .
La region del plano complejo formada por la union de esos n discos sera llamada regi
on de Gershgorin y denotada por G(A).
Teorema 6.8. (De Gershgorin). Sea A Rnn . Entonces (A) esta contenido en G(A).
Demostraci
on. Ejercicio.
6.6.
C
alculo de Valores Propios
Teorema 6.9. Sea A Rnn . Entonces es un valor propio de A si, y solo

si, det(In A) = 0.
Demostraci
on.
valor propio de A
x = 0 : A x = x
x = 0 : (In A)x = 0
(In A) es no invertible
det(In A) = 0.
Definici
on. Sea A Rnn . El polinomio caracterstico de A es el polinomio de R [x] dado por
PA (x) = det(xIn A).
La expresi
on PA (x) = 0 se llama ecuaci
on caracterstica de A.
Seg
un Teorema 6.9, es un valor propio de A Rnn si, y solo si, es
solucion de la ecuacion caracterstica de A. Esto u
ltimo equivale a que es
una raz de PA (x).
78
Ejemplo. Hallemos el polinomio caracterstico y los valores propios de
1 2 3
A = 4 5 6 .
7 8 9
En efecto,
x 1 2
3
PA (x) = det(xI3 A) = det 4 x 5 6
7
7 x 9
= x3 15x2 18x.
Una simple inspeccion visual muestra que 1 = 0 es una raz de PA (x). Con
esa informacion es facil probar (con ayuda de la F
atica)
ormula General
Cuadr
15
3
3
15
que las otras races de PA (x) son 2 = 2 2 33 y 3 = 2 33 + 2 . As,
(A) = 0, 15
32 33, 23 33 + 15
.
2
2
Por lo general, es difcil o imposible hallar las races de PA (x). Sin embargo, si
PA (x) tiene coeficientes enteros, algunas veces es u

til un resultado de Algebra
elemental que dice: si p(x) es un polinomio con coeficientes enteros, entonces
toda raz entera de p(x) divide al termino independiente de este.
Ejemplo. Hallemos los valores propios de una matriz A que tiene como
polinomio caracterstico a
PA (x) = x3 + 2x2 3x 6.
Si PA (x) tiene una raz entera, esa raz debe ser un divisor del termino
constante. Los divisores de 6 son: 1, 2, 3, 6. Si sustituimos x = 2 en
PA (x) se obtiene cero. De tal hecho podemos deducir que 2 es una raz de
PA (x) y que x + 2 divide exactamente a PA (x). Con ayuda de la Formula
General Cuadratica encontramos que
PA (x) = (x + 2)(x 3)(x + 3).
Luego los valores propios de A son 2, 3 y 3.

6.6. CALCULO
DE VALORES PROPIOS
79
Definici
on. Sea es un valor propio de A Rnn . El n
umero de veces que
se repita como raz de PA (x) es la multiplicidad algebraica del valor
propio de A.
Ejemplo. La matriz
A=
1
0
0 0 0
0 2
0 0 0
1
0 5 6 0
1
0 3 4 0
0
0
0 0 2
cuyo polinomio caracterstico es

PA (x) = x5 7x3 + 2x2 + 12x 8
= (x + 2)2 (x 1)2 (x 2),
tiene como valores propios 1 = 2 con multiplicidad algebraica 2, 2 = 1
con multiplicidad algebraica 2 y 3 = 2 con multiplicidad algebraica 1.
Teorema 6.10. Sea A Rnn . Entonces PA (x) es un polinomio de grado
n. Adem
as, si
PA (x) = an xn + an1 xn1 + an2 xn2 + + a1 x + a0 ,
entonces an = 1, an1 = tr(A) y a0 = (1)n det(A).
Demostraci
on. Ejercicio.
Teorema 6.11. Sean A Rnn y 1 , ..., n los valores propios de A. Entonces
det(A) = 1 n
y
tr(A) = 1 + + n .
Demostraci
on. Ejercicio.
Teorema 6.12. Sea A Rnn . Entonces A y AT tienen los mismos valores
propios con las mismas multiplicidades algebraicas correspondientes.
80
Demostraci
on. Bastara probar que PA (x) = PAT (x). En efecto,
PA (x) = det(xIn A) = det((xIn A)T )
= det(xIn AT ) = PAT (x).
6.7.
C
alculo de Vectores Propios
Teorema 6.13. Sean A Rnn y un valor propio de A. Entonces x es

un vector propio de A asociado a si, y solo si, x es una solucion no trivial
del sistema homogeneo de ecuaciones lineales (In A)y = 0.
Demostraci
on. x es solucion no trivial del sistema (In A)y = 0, si, y
solo si, x = 0 y (In A)x = 0 si, y solo si, x = 0 y Ax = x.
Presentamos a continuacion algunos ejemplos que ilustran la forma como se
pueden hallar valores propios y vectores propios.
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
A=
2 12
1 5
Soluci
on. La ecuacion caracterstica de A es
det(xIn A) = det
x 2 12
1 x + 5
= x2 + 3x + 2 = (x + 1)(x + 2) = 0,
de donde se obtiene que 1 = 1 y 2 = 2 son los valores propios de

A. Para determinar los vectores propios correspondientes se resuelven los
sistemas homogeneos (1 I2 A)x = 0 y (2 I2 A)x = 0: para 1 = 1, la
matriz de coeficientes es
(1)I2 A =
1 2
12
1
1 + 5
que se reduce por filas a

1 4
0 0
3 12
1 4

6.7. CALCULO
DE VECTORES PROPIOS
81
Por consiguiente, x1 4x2 = 0. Se concluye que todo vector propio de A

asociado a 1 = 1 es de la forma
x=
x1
x2
Luego EA (1 ) = gen
4
1
(2)I2 A =
4x2
x2
= x2
4
1
, x2 = 0.
. Para 2 = 2, la matriz de coeficientes es

2 2
12
1
2 + 5
4 12
1 3
que se reduce por filas a

1 3
0 0
Por consiguiente, x1 3x2 = 0. Luego todo vector propio de A asociado a

1 = 2 es de la forma
x=
x1
x2
Luego EA (2 ) = gen
3
1
3x2
x2
= x2
3
1
, x2 = 0.
Ejemplo. Hallemos los valores propios y
2 1
A= 0 2
0 0
los espacios propios de la matriz
0
0 .
2
Soluci
x 2 1
0
x2
0 = (x 2)3 = 0.
det(xIn A) = det 0
0
0
x2
Por tanto, 1 = 2 es el u
nico valor propio de A. Ahora,
0 1 0
2I3 A = 0 0 0
0 0 0
82
mplica que en la solucion del sistema homogeneo (2I3 A)x = 0 tiene que
x2 = 0 y las variables x1 , x3 estan libres. Luego todo vector propio de A
asociado a 1 = 2 es de la forma

0
1
x1
x1
x = x2 = 0 = x1 0 + x3 0 .
1
0
x3
x3

0
1
Luego EA (1 ) = gen 0 , 0 .
0
1
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
1 0 0
0
0 1 5 10
.
A=
1 0 2
0
1 0 0
3
Soluci
x1
0
0
0
0
x 1 5
10
det(xIn A) = det
1
0
x2
0
1
0
0
x3
= (x 1)2 (x 2)(x 3) = 0.
As los valores propios de A son 1 = 1, 2 = 2 y 3 = 3. Una base para el
espacio propio de 1 = 1 se encuentra como sigue:
0 0
0
0
0 0 5 10
(1)I3 A =
1 0 1
0
1 0
0 2
y se reduce a la matriz
1
0
0
0
0
0
0
0
0
2
1 2
.
0
0
0
0
6.8. INDEPENDENCIA LINEAL Y VECTORES PROPIOS
83
Lo cual implica que x1 + 2x4 = 0, x3 2x4 = 0 y x2 esta libre. As, todo

vector propio de A asociado a 1 = 1 es de la forma

2
x1
2x4
0
x2

x2
=
= x2 1 + x4 0 .
x=
2
x3 2x4
0
1
0
x4
x4

0
2
1
0

Luego EA (1 ) = gen
0 , 2 .
0
1
Para 2 = 2 y 3 = 3, se sigue el mismo patron para obtener

0
0
5
5
EA (2 ) = gen
1 y que EA (3 ) = gen 0 .
1
0
6.8.
Independencia lineal y vectores propios
Teorema 6.14. Sean 1 , ..., r valores propios distintos de A Rnn . Si para

cada i {1, ..., r} Si es un conjunto linealmente independiente de vectores
propios de A asociados a i , entonces S = S1 Sr es todava un conjunto
linealmente independiente.
Demostraci
on. Ejercicio.
Teorema 6.15. Sea A Rnn y i un valor propio de A. Entonces
multiplicidad geometrica de i multiplicidad algebraica de i .
Demostraci
on. Ejercicio.
6.9.
Valores propios de algunas matrices especiales
84
Teorema 6.16. Los valores propios de una matriz simetrica son reales.
Demostraci
on. Ejercicio.
Teorema 6.17. Sean U Rnn ortogonal y es un valor propio de U.
Entonces || = 1.
Demostraci
on. Sea x un vector propio de U asociado al valor propio ,
entonces
x 2 = Ux 2 = x 2 = || x 2 .
Luego || = 1.
Teorema 6.18. Sea U Rnn ortogonal. Entonces
|det(U)| = 1.
Demostraci
on. Si 1 , ..., n son los valores propios de U (algunos i pueden
ser iguales), entonces por Teorema 6.11, det(U) = 1 n y como |i | = 1
para i = 1, ..., n, entonces
|det(U)| = |1 n | = |1 | |n | = 1 1 = 1.
Teorema 6.19. Sea A Rnn es tal que AAT = AT A, entonces para todo
valor propio de A, se tiene que
EA () = EAT ().
Demostraci
on. Ejercicio.
Teorema 6.20. Sean A Rnn es tal que AAT = AT A y i , j valores
propios distintos de A. Entonces EA (i ) EA (j ).
Demostraci
on. Ejercicio.
6.10. SEMEJANZA DE MATRICES
6.10.
85
Semejanza de Matrices
Definici
on. Sean A, B Rnn . Decimos que A es semejante a B, si
existe P Rnn invertible tal que
A = P1 BP.
Demostraci
on. Ejercicio.
Teorema 6.21. (Lema de Schur). Toda matriz A Rnn es semejante a
una matriz triangular superior.
Demostraci
on. Ejercicio.
Teorema 6.22. Sean A, B Rnn . Si A y B son semejantes, entonces
A y B tienen el mismo polinomio caracterstico, y por consiguiente los mismos valores propios con las mismas multiplicicades algebraicas respectivas, el
mismo determinante y la misma traza.
Demostraci
on. Como A y B son semejantes, existe P Rnn invertible
tal que A = P1 BP, luego
PA (x) = det(xIn A) = det(xIn P1 BP)
= det(P1 xIn P P1 BP) = det(P1 (xIn B)P)
= det(P1 ) det(xIn B) det(P) = det(xIn B) = PB (x).
Teorema 6.23. Sean A, B Rnn semejantes con A = P1 BP. Entonces
para todo (A) se tiene que
EB () = {Px : x EA ()} .
Demostraci
on. Ejercicio.
86
Teorema 6.24. Sean A, B Rnn semejantes, entonces para todo (A)

se tiene que dim(EA ()) = dim(EB ()).
Demostraci
on. Ejercicio.
Definici
on. Una matriz A Rnn es diagonalizable si es semejante a
una matriz diagonal.
Ejemplo. La matriz
3 1 0
A = 1 2 1
0 1 3
es diagonalizable, ya que la matriz
1
1 1
0 1
P= 2
1 1 1
es invertible y
1
1
1
3 1
0
1/6
2/6
1/6
0 1
2 1 2
0/6 3/6 1
P1 AP = 3/6
1 1
1
0 1
3
2/6 2/6
2/6
= diag(1, 3, 4).
Teorema 6.25. Sea A Rnn tal que A tiene n valores propios distintos,
entonces A es diagonalizable.
Demostraci
on. Ejercicio.
Teorema 6.26. Sean A Rnn y 1 , ..., k los valores propios distintos de
A, entonces las siguientes afirmaciones son equivalentes:
1. A es diagonalizable.
6.11. EJERCICIOS
87
2. Existe una base para los vectores n 1 formada por vectores propios de
A.
3. para i = 1, ..., k dim(EA (i )) es igual a la multiplicidad algebraica, mi , de
i como valor propio de A.
Demostraci
on. Ejercicio.
6.11.
Ejercicios
1. Halle el espectro de una matriz diagonal de Rnn .

2. Sean A,B Rnn (n 2). Demuestre que:
(a) (A) y (B) no implica + (A + B).
(b) (A) y (B) no implica (AB).
3. Sean A Rnn y s {1, ..., n} un n
umero fijo. Demuestre que si ais = 0
para i = 1, ..., s 1, s + 1, ..., n, entonces ass es valor propio de A.
4. Sea A Rnn . Demuestre que si (A), entonces k (Ak ) para
todo k entero positivo.
5. Sea A Rnn tal que la suma de los elementos de cada fila de A es c.
Pruebe que c (A).
6. Una matriz A Rnn es idempotente si A2 = A. Demuestre que
(A) {0, 1} .
7. Una matriz A Rnn es unipotente si A2 = In . Demuestre que
(A) {1, 1} .
8. Una matriz A Rnn es nilpotente si Ak = 0 para alg

un entero positivo
k. Demuestre que (A) = {0}.
88
9. Halle los discos de Gershgorin para
1
A = 1/4
1
la matriz
0 1/4
1 1/4 .
1 3
10. Demuestre, sin calcularlos, que los valores propios de la matriz
6
2 1
1 5 0
2
1 4
satisfacen la desigualdad 1 || 9.
11. Demuestre que las partes imaginarias de los valores propios de la matriz
3 1/3 2/3
1 4 0
1/2 1/2 1
estan situadas en el intervalo [1 , 1].
12. Verifique que p(x) = x4 2x3 11x2 + 24 es el polinomio caracterstico
de la matriz
1 1 3 2
0 1 4 0
0
1 1 1
2
1 3 1
13. Halle todos los valores propios y bases para los espacios propios de la
matriz
3
2
2
1 1 .
A= 1
0 2
3
Ayuda: x =
1 1 1
es un vector propio de A.
6.11. EJERCICIOS
89
14. Halle todos los valores propios y bases para los espacios propios de la
matriz
1
2
0
0 2 .
A= 4
0 2 1
Ayuda: 3 es un valor propio de A.
15. Demuestre que el polinomio caracterstico de la matriz nula [resp. identidad] de Rnn es xn [resp. (x 1)n ], y por tanto su u
nico valor propio es
= 0 [resp. = 1] con multiplicidad algebraica n.
16. Demuestre que los valores propios de una matriz triangular son los elementos de su diagonal principal.
17. Si
18
2 12
9 6 ,
A = 4
3 2
3
compruebe que PA (x) = x3 30x2 + 275x 750 y (A) = {5, 10, 15}.
18.Demuestre que si A Rnn y (A) = {1 , ..., n }, entonces para todo
c R (cA) = {c1 , ..., cn }.
19. Sean A Rnn y c R. Demuestre que
EA () = EcA (c) (A).
20. Demuestre que existen matrices no nulas en Rnn cuyo polinomio caracterstico es xn .
21. Sean A Rnn , (A) y r R+ . Demuestre que existe x EA ()
tal que x 2 = r.
22. Si A, B Rnn , n > 1 y PA (x) = PB (x). Demuestre que A y B no son
necesariamente semejantes.
90
23. Sean D1 , D2 Rnn matrices diagonales. Demuestre que son semejantes

si, y solo si, tienen los mismos polinomios caractersticos.
24. Demuestre que matrices semejantes tienen igual rango.
Bibliografa
Lineal, Editorial Limusa S.A.

[1] Anton, H. (1996), Introduccion al Algebra
Grupo Noriega Editores, Mexico.
[2] Asmar, A. J. (1995), T
opicos en Teora de Matrices, Universidad Nacional
de Colombia, Sede Medelln.
[3] Harville, D. (1997), Matrix Algebra From a Statisticians Perspective,
Springer - verlag, New York.
[4] Hoffman, K. y Kunze, R. (1983), Algebra

Lineal, Prentice - Hall Hispanoamericana, S.A., Mexico.
[5] Horn, R. y. J. C. (1985), Matrix Analisys, Cambridge University Press,
U.S.A.
[6] Kincaid, D. y Cheney, W. (1991), Numerical Analysis, Brooks Cole Publishing company. Pacific Grove, California.
[7] Meyer, C. (2000), Analysis and Applied Linear Algebra, Siam, Philadelphia.
[8] Noble, B. y Daniel, J. W. (1989), Algebra

Lineal Aplicada, Prentice - Hall
Hispanoamericana, S.A., Mexico.
[9] Searle, S. (1986), Matrix Algebra Useful for Statistics, John Wiley and
Sons, U.S.A.
91

Algebra Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

ALGEBRA

1. Sistemas de ecuaciones lineales (S.E.L)

3.4. Bases y dimension . . . . . . . . . . . . . . .

6. Valores y Vectores Propios

de Cordoba adquieran conocimientos basicos del Algebra

Lo especial de este modulo es que en el se realiza un estudio del Algebra

Ricardo Miguel Guzman Navarro.

Sistemas de ecuaciones lineales

CAPITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

de Rn se puede denotar de manera compacta por [ai ] Rn

donde la suma ai + bi es la suma usual en R.

1.1. SISTEMAS DE ECUACIONES LINEALES

Ejemplo. La ecuacion lineal

un mas, todo elemento de R4 de la forma

con t, s, w R es solucion de (1.1).

a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2

a11 c1 + a12 c2 + + a1n cn = b1

a21 c1 + a22 c2 + + a2n cn = b2

CAPITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

Ejemplo. Una solucion del sistema de ecuaciones lineales

2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2

2(1) + 3(1) 2(2) = 1

4(1) + 4(1) 3(2) = 2

Tipo 3. Adicionar a una ecuaci

2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2

2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2

2x1 + 3x2 2x3 = 1

4x1 + 4x2 3x3 = 2

2x1 + 3x2 2x3 = 1

3x1 + 2x2 + 2x3 = 1

6x1 + 9x2 6x3 = 3

4x1 + 4x2 3x3 = 2

2x1 + 3x2 2x3 = 1

En esta seccion daremos ideas suficientes para resolver cualquier sistema de

CAPITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

Ejemplo. Resolvamos el sistema

Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . As, la solucion del sistema es

CAPITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

Ejemplo. Resolvamos el sistema

x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

es una de las infinitas soluciones del sistema.

CAPITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

La tercera igualdad anterior es contradictoria, esto implica que el sistema

1. Resolver los siguientes sistemas de ecuaciones lineales:

3x1 + 2x2 2x3 + 5x4

2x1 4x2 3x3

x1 4x2 + 5x3 7x4

los siguientes sistemas de ecuaciones lineales:

5x1 + 2x2 + 2x3 + x4 2x5 3x6 = 0

x1 + 2x2 + 4x3 + x4 x5 4x6 = 0

4. Resolver los siguientes sistemas de ecuaciones lineales:

3x1 + x2 + 7x3 + 3x4 + 2x5 = 1

2x1 + 2x2 + 2x3 2x4 + 0x5 = 5

a11 x1 + a12 x2 + + a1n xn

5x1 5x2 + 21x3 = c

CAPITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

3x1 + 7x2 5x3 = c

2x1 3x2 + 5x3 = 0

4x1 11x2 + kx3 = 0