Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal
Algebra Lineal
TECNOLOGIA E INGENIERIA
CAMILO ARTURO ZIGA G. - UNIDADES 1 Y 2
JORGE ELIECER RONDON D. UNIDAD 3
MODULO
ALGEBRA LINEAL
COMIT DIRECTIVO
Gloria Herrera
Vicerrectora Acadmica
MDULO
CURSO LGEBRA LINEAL
PRIMERA EDICIN
Copyright
Universidad Nacional Abierta y a Distancia
ISBN
2010
Bogot, Colombia
-2-
AL ESTUDIANTE
El propsito del curso es que el estudiante apropie de manera significativa los elementos
tericos fundamentales de Algebra Lineal y desarrolle las competencias pertinentes para
contextualizarlos en su campo de formacin disciplinar.
El Algebra Lineal es un rea de las matemticas que en las ltimas dcadas ha tenido un
significativo desarrollo con el aporte de las ciencias computacionales. Su aplicabilidad en
diversos campos del saber ha generado la necesidad de articularla al proceso formativo
del profesional de hoy en da como herramienta de apoyo para resolver problemas en las
ms diversas disciplinas. En este sentido y por su carcter mismo, el curso hace aportes
significativos al desarrollo de las competencias y aptitud matemtica en el estudiante, en
tanto potencia habilidades de pensamiento de orden superior, como la abstraccin, el
anlisis, la sntesis, la induccin, la deduccin, etc.
El curso acadmico se estructura bsicamente en tres unidades didcticas. La primera
contempla los Vectores, Matrices y Determinantes, la segunda Sistemas de Ecuaciones
Lineales, Rectas, Planos y la tercera Espacios Vectoriales.
A travs del curso acadmico de Algebra Lineal se dinamizan procesos de resignificacin
cognitiva y fortalecimiento del desarrollo de operaciones meta cognitivas mediante la
articulacin de los fundamentos tericos a la identificacin de ncleos problmicos en los
diferentes campos de formacin disciplinar.
Es importante que desde ahora el estudiante se compenetre con la dinmica del uso de
los recursos informticos y telemticos como herramientas de apoyo a los procesos de
aprendizaje. En este sentido, el curso acadmico de Algebra Lineal articular a su
desarrollo actividades mediadas por estas tecnologas, como bsquedas de informacin
en la Web, interactividades sincrnicas o asincrnicas para orientar acciones de
acompaamiento individual o de pequeo grupo colaborativo y acceso a informacin
disponible en la plataforma virtual de la universidad.
La consulta permanente a diferentes fuentes documentales aportadas por el curso se
tomar como estrategia pedaggica que apunte al fortalecimiento del espritu
investigativo. En este sentido, se espera que el estudiante ample la gama de opciones
documentales que aportan a la resignificacin cognitiva. Estas fuentes documentales son
obviamente de diferentes orgenes, a las cuales se tendr acceso a travs de: material
impreso, bibliotecas virtuales, hemerotecas, sitios Web, etc.
-3-
TABLA DE CONTENIDO
Pag.
CAPITULO 2:
CAPITULO 3:
VECTORES EN R 2 Y R 3 ...8
Leccin 1.1.1 NOCION DE DISTANCIA .10
Leccin 2.1.1 DEFINICION ALGEBRAICA DE VECTOR..20
Leccin 3.1.1 ALGUNAS OPERACIONES CON VECTORES23
Leccin 4.1.1 VECTORES BASE..66
Leccin 5.1.1 PRODUCTO VECTORIAL..72
MATRICES...81
Leccin 1.2.1 OPERACIONES CON MATRICES..83
Leccin 2.2.1 SUMA DE MATRICES.84
Leccin 3.2.1 MULTIPLICACION DE MATRICES...88
Leccin 4.2.1 OPERACIONES SOBRE MATRICES.92
Leccin 5.2.1 MATRICES ELEMENTALES105
DETERMINANTES..131
Leccin 1.3.1 DETERMINANTES DE 3 X 3.131
Leccin 2.3.1 ALGUNAS PROPIEDADES DE LOS DETERMINANTES.138
Leccin 3.3.1 INVERSAS....140
Leccin 4.3.1 AREA DE UN PARALELOGRAMO...147
Leccin 5.3.1 VOLUMEN DE UN PARALELEPIPEDO..152
-4-
CAPITULO 2:
CAPITULO 3:
RECTAS EN R 3 .208
Leccin 1.2.2: CONCEPTUALIZACION..208
Leccin 2.2.2: ECUACION VECTORIAL DE LA RECTA..210
Leccin 3.2.2: ECUACION PARAMETRICA DE LA RECTA...213
Leccin 4.2.2: ECUACION SIMETRICA DE LA RECTA...214
Leccin 5.2.2: RECTAS EN R 3 PARALELAS Y ORTOGONALES.217
PLANOS.221
Leccin 1.3.2: CONCEPTUALIZACIN..201
Leccin 2.3.2: ECUACION DEL PLANO.222
Leccin 3.3.2: COMO GRAFICAR UN PLANO.223
Leccin 4.3.2: PLANOS PARALELOS..224
Leccin 5.3.2: ECUACION DE INTERSECCION DE DOS PLANOS
QUE NO SON PARALELOS...225
ESPACIOS VECTORIALES...241
Leccin 1.1.3: CONCEPTUALIZACIN...241
Leccin 2.1.3: ESPACIO VECTORIAL TRIVIAL....246
Leccin 3.1.3: COMBINACIONES LINEALES..247
Leccin 4.1.3: CONJUNTOS GENERADORES....251
Leccin 5.1.3: ESPACIOS GENERADORES.....254
CAPITULO 2:
DEPENDENCIA E INDEPENDENCIA LINEAL256
Leccin 1.2.3: GENERALIDADES..256
Leccin 2.2.3: BASE DE UN ESPACIO VECTORIAL....258
Leccin 3.2.3: DIMENSIN DE UN ESPACIO VECTORIAL....263
Leccin 4.2.3: ESPACIO FILA Y ESPACIO COLUMNA...264
Leccin 5.2.3: RANGO Y NULIDAD DE UNA MATRIZ...265
CAPITULO 3:
SUBESPACIOS.269
Leccin 1.3.3: GENERALIDADES.....269
Leccin 2.3.3: SUBESPACIO TRIVIAL Y SUBESPACIO PROPIOS.269
Leccin 3.3.3: PRUEBA DE SUBESPACIO...271
Leccin 4.3.3: INTERSECCIN ENTRE SUBESPACIOS....273
Leccin 5.3.3: DIMENSIN DE UN SUBESPACIO273
-5-
UNIDAD 1
-6-
OBJETIVO GENERAL
Que el estudiante comprenda el conjunto de conocimientos relacionados con los
fundamentos bsicos que constituyen el campo terico y aplicativo de los vectores,
matrices y determinantes a travs del estudio y anlisis de fuentes documentales y
situaciones particulares en diferentes campos del saber.
OBJETIVOS ESPECIFICOS
-7-
CAPITULO 1
VECTORES EN R 2 Y R 3
-8-
-9-
LECCION 1.1.1
NOCION DE DISTANCIA
Ahora abordemos el problema de dos puntos del plano. Nuestro inters es encontrar la distancia entre
ellos.
Para esto podemos recurrir a un teorema de la geometra elemental, llamado Teorema de Pitgoras, que
nos establece que:
- 10 -
a 2 62 82
a 2 100
a 100
Dado que a es una distancia, entonces consideramos nicamente los valores positivos, es decir,
a 10 unidades.
- 11 -
- 12 -
- 13 -
- 14 -
- 15 -
- 16 -
- 17 -
- 18 -
- 19 -
LECCION 2.1.1
- 20 -
- 21 -
- 22 -
LECCION 3.1.1
- 23 -
- 24 -
- 25 -
- 26 -
- 27 -
- 28 -
- 29 -
- 30 -
- 31 -
- 32 -
- 33 -
- 34 -
- 35 -
- 36 -
- 37 -
- 38 -
- 39 -
- 40 -
- 41 -
- 42 -
- 43 -
- 44 -
- 45 -
- 46 -
- 47 -
- 48 -
- 49 -
- 50 -
- 51 -
- 52 -
- 53 -
- 54 -
- 55 -
- 56 -
- 57 -
- 58 -
- 59 -
- 60 -
- 61 -
- 62 -
- 63 -
- 64 -
- 65 -
LECCION 4.1.1
- 66 -
- 67 -
- 68 -
- 69 -
- 70 -
- 71 -
LECCION 5.1.1
- 72 -
- 73 -
- 74 -
- 75 -
- 76 -
- 77 -
- 78 -
- 79 -
- 80 -
CAPITULO 2
MATRICES
- 81 -
- 82 -
LECCION 1.2.1
- 83 -
LECCION 2.2.1
- 84 -
- 85 -
- 86 -
- 87 -
LECCION 3.2.1
- 88 -
- 89 -
- 90 -
- 91 -
LECCION 4.2.1
- 92 -
- 93 -
- 94 -
- 95 -
- 96 -
- 97 -
- 98 -
- 99 -
- 100 -
- 101 -
- 102 -
- 103 -
- 104 -
LECCION 5.2.1
- 105 -
- 106 -
- 107 -
- 108 -
- 109 -
- 110 -
- 111 -
- 112 -
- 113 -
- 114 -
1 0 0
1
1
E1 1 1 0 , por lo tanto E1 1
0 0 1
0
E2 0
0
1
0
0
1
0
1 0 0
1
0 , por lo tanto E2 0 6 0
0 0 1
1
0
1
6
0
1
E3 0
0
2
1
0
1 2 0
, por lo tanto E 1 0 1 0
3
0 0 1
1
1
E4 0
0
0
1
0
0
E5 0
E6 0
E7 0
0
1
0
0
1
0
0
1
0
0
0
1 0 0
, por lo tanto E 1 0 1 0
4
0 6 1
1
0
1 0 0
1
0 , por lo tanto E5 0 1 0
0 0 3
1
3
1
3
0
1
0
1
1
, por lo tanto E71 0
6
0
1
0
1
0
0
1
0
- 115 -
5
3
0
1
6
1
1
1
0
1
0
0
1
0
0
0
1 0 0 1 2 0 1 0 0 1 0 0
0 6 0 0 1 0 0 1 0 0 1 0
1 0 0 1 0 0 1 0 6 1 0 0 3
5
1
3
0 0
1 0
0
1
0
0
1
6
1
1
1
0
6
0
1
0 1 2 0 1 0 0 1 0 0
0 0 1 0 0 1 0 0 1 0 0
1 0 0 1 0 6 1 0 0 3
0
0
1
0
5
1
3
0 0
1 0
Seguimos
1
1
2
4
0
1
0 1 0 0 1 0 0
0 0 1 0 0 1 0 0
1 0 6 1 0 0 3
0
0
1
0
5
1
3
0 0
1 0
Seguimos
1
1
2
4
6
1
0 1 0 0
0 0 1 0 0
1 0 0 3
0
0
1
0
5
1
3
0 0
1 0
Seguimos
1
1
2
4
6
1
0
0 0
3
0
0
1
0
5
1
3
0 0
1 0
0
1
0
0
1
6
1
- 116 -
0
1
0
0
1
6
1
0
1
0
0
1
6
1
0
1
0
0
1
6
1
Seguimos
2
4
6
5
1
3
5
0
3
3 0
0
1
0
0
1
6
1
Finalmente
1
1
2
4
6
2
1
2
En conclusin, hemos visto que dada una matriz A, si esta es invertible, tanto A como su
inversa pueden ser escritas como el producto de matrices elementales (ya que, las
inversas de las matrices elementales son a su vez matrices elementales.
- 117 -
- 118 -
- 119 -
- 120 -
- 121 -
- 122 -
- 123 -
- 124 -
- 125 -
- 126 -
- 127 -
- 128 -
- 129 -
- 130 -
CAPITULO 3
DETERMINANTES
LECCION 1.3.1
DETERMINANTES DE 3 X 3
- 131 -
- 132 -
- 133 -
- 134 -
- 135 -
- 136 -
- 137 -
LECCION 2.3.1
- 138 -
- 139 -
LECCION 3.3.1
- 140 -
- 141 -
- 142 -
- 143 -
- 144 -
- 145 -
- 146 -
LECCION 4.3.1
AREA DE UN PARALELOGRAMO
- 147 -
- 148 -
- 149 -
- 150 -
- 151 -
LECCION 5.3.1
VOLUMEN DE UN PARALELEPIPEDO
- 152 -
- 153 -
- 154 -
- 155 -
- 156 -
- 157 -
- 158 -
- 159 -
- 160 -
UNIDAD 2
- 161 -
OBJETIVO GENERAL
Que el estudiante comprenda los fundamentos tericos que soportan la concepcin de
los sistemas lineales, rectas, planos y los principios de espacio vectorial, a travs del
complejo ejercicio mental de abstraccin, estudio, anlisis e interpretacin de fuentes
bibliogrficas referenciadas y casos especficos de aplicacin en diferentes reas del
conocimiento.
OBJETIVOS ESPECIFICOS
- 162 -
CAPITULO 1
SISTEMAS DE ECUACIONES LINEALES
- 163 -
- 164 -
- 165 -
- 166 -
- 167 -
- 168 -
- 169 -
- 170 -
- 171 -
- 172 -
- 173 -
- 174 -
- 175 -
- 176 -
- 177 -
- 178 -
- 179 -
- 180 -
- 181 -
- 182 -
- 183 -
- 184 -
- 185 -
LECCION 1.1.2
- 186 -
- 187 -
- 188 -
LECCION 2.1.2
- 189 -
- 190 -
- 191 -
- 192 -
- 193 -
- 194 -
LECCION 3.1.2
- 195 -
- 196 -
- 197 -
LECCION 4.1.2
- 198 -
- 199 -
- 200 -
- 201 -
- 202 -
LECCION 5.1.2
X A 1b
La ultima afirmacin, nos indica que se A es de n n e invertible, entonces la solucin
del sistema lineal AX b , la encontramos de la forma X A 1b .
Ejemplo
Dado el sistema lineal
2 x1 3x 2 10 x3 21
4 x1 x 2 x3 11
7 x1 5 x2 4 x3 17
Determine si el sistema tiene solucin nica o no. De tener solucin nica, encuentre su
inversa y sela para resolver el sistema.
Solucin
Para determinar si el sistema tiene solucin nica o no, debemos calcular su
determinante. Si este nos da diferente de cero (0), entonces el sistema tendr nica
solucin y adems la inversa de la matriz de coeficientes existir (y esta ser nica)
Encontremos el determinante:
2 3 10
DetA 4 1 1 225
7 5
- 203 -
1
f1
2
f 2 4 f1
1
f2
7
f 3 7 f1
f1
f3
f1
11
f2
2
3
f2
2
14
f3
225
13
f3
14
f2
19
f3
7
Por lo tanto, dado que la matriz A pudo ser reducida (por medio de operaciones
elementales) a la matriz identidad, se tiene que la matriz del lado derecho es la inversa
de A.
Es decir,
- 204 -
1
25
1
A 1
25
3
25
38
225
62
225
11
225
13
225
38
225
14
225
38
225
62
225
11
225
13
225 21
38
11
225
14 17
225
2
X 1
2
Es decir, la solucin es
x1 2; x 2 1; x3 2
- 205 -
- 206 -
- 207 -
CAPITULO 2
RECTAS EN R 3
LECCION 1.2.2
CONCEPTUALIZACIN
- 208 -
- 209 -
LECCION 2.2.2
ECUACION VECTORIAL DE LA RECTA
- 210 -
- 211 -
- 212 -
LECCION 3.2.2
ECUACION PARAMETRICA DE LA RECTA
- 213 -
LECCION 4.2.2
ECUACION SIMETRICA DE LA RECTA
- 214 -
- 215 -
- 216 -
LECCION 5.2.2
RECTAS EN R 3 PARALELAS Y ORTOGONALES
Para establecer si dos rectas en R 3 son paralelas u ortogonales basta con revisar sus
vectores de direccin.
- 217 -
- 218 -
- 219 -
- 220 -
CAPITULO 3
PLANOS
LECCION 1.3.2
CONCEPTUALIZACIN
- 221 -
despejando:
ax by cz ax0 by0 cz 0
LECCION 2.3.2
ECUACION DEL PLANO
- 222 -
LECCION 3.3.2
COMO GRAFICAR UN PLANO
- 223 -
- 224 -
LECCION 4.3.2
PLANOS PARALELOS
LECCION 5.3.2
ECUACION DE INTERSECCION DE DOS PLANOS QUE NO SON PARALELOS
- 225 -
- 226 -
- 227 -
- 228 -
- 229 -
- 230 -
- 231 -
- 232 -
- 233 -
- 234 -
- 235 -
- 236 -
- 237 -
- 238 -
UNIDAD 3
ESPACIOS VECTORIALES
- 239 -
OBJETIVO GENERAL
Contribuir a fortalecer en el estudiante la capacidad para apropiarse del conjunto de
conocimientos relacionados con los espacios vectoriales.
OBJETIVOS ESPECIFICOS
- 240 -
CAPITULO 1
ESPACIO VECTORIAL
Introduccin.
Los espacios vectoriales son una temtica propia del curso de
lgebra Lineal, donde se busca que el estudiante se apropie de la fundamentacin terica y este
en capacidad de analizar las particularidades de dichos principios.
LECCIN 1.1.3
CONCEPTUALIZACIN
Al estudiar los vectores, se identificaron las operaciones de suma vectorial y multiplicacin por
escalar y, algunas propiedades que cumplen dichas operaciones, como la clausurativa,
conmutativa y otras. Se dice que cuando un conjunto cumple dichas propiedades o axiomas se
le llama Espacio Vectorial.
- 241 -
DEFINICIN:
Sea V un conjunto no vaco de elementos llamados vectores, sobre los que estn
definidas las siguientes operaciones:
1. Suma Vectorial: Suma entre elementos de V
2. Multiplicacin por Escalar: Multiplicacin de un escalar (real o imaginario), por un
elemento de V.
Por otro lado, sea u, v, w, elementos que estn en V; adems, los escalares c, d,
e, Entonces V se le llama espacio vectorial, si cumple los siguientes axiomas.
Axiomas de la Suma:
1. Si u V y v V entonces: (u v ) V
2. u v v u
Ley Conmutativa
) (u v ) w
3. u (v w
Ley asociativa
8. (c d )u cu du
9. c (du ) (cd )u
Ley Asociativa
10. 1 * u u
De acuerdo a lo anterior se puede observar que los espacios vectoriales estn compuestos por 4
entes: Un conjunto de Vectores, un conjunto de escalares, la operacin suma y una operacin
producto por escalar. La definicin establece que los elementos del espacio
vectorial son
Vectores, pero eso es solo por definicin, ya que los elementos de un espacio vectorial pueden
ser vectores, matrices, funciones, etc.
Veamos unos ejemplos que nos ilustrar los espacios vectoriales.
- 242 -
los 10 axiomas, pero demostrando solo algunos, los otros se cumplen automticamente.
Demostremos el axioma 1 y 6.
Axioma 1: Como u y v pertenecen a V
Veamos: u = (x1, y1) y v = (x2, y2) entonces: (x1, y1) +(x2, y2) = (x1+ x2, y1 + y2), se observa
que tiene dos componentes, luego tambin pertenece a V.
Axioma 6: Sea c = 4 un escalar, entonces cu = 4(x1, x2) = (4x1, 4x2) que tambin esta en V.
Los dems axiomas se cumplen automticamente.
Ejemplo 2.
Sean el conjunto de n-adas ordenadas definidas en Rn
Como v1 V
cierto.
As
queda
mostrado el axioma 1.
Probemos el axioma 6.
Entonces:
cv1 c( x1 , x 2 ,..., x n ) 1 (cx1 , cx2 ,..., cxn ) 1 Vemos que tambin se cumple este axioma.
Los dems axiomas se cumplen automticamente.
Ejemplo 3:
Demuestre que el conjunto de puntos en R 2 que estn en una recta, la cual pasa por el origen de
coordenadas cartesianas es un espacio vectorial.
Solucin:
- 243 -
Axioma 1: v1 + v2 = (x1, y1) + (x2, y2) = (x1, mx1) + (x2, mx2) = (x1 + x2, mx1 + mx2)
Entonces: v1 v 2 V
Se cumple el axioma.
Axioma 5: Dada ( x, y) V Como y = mx. Definimos el inverso -(x. y) = (-x, m(-x)) Operando
(x, y) +(x, -y) = (x x, y y) = (0, 0). Entonces ( x, y ) V
Axioma 6: Sea c un escalar y si planteamos cv1 = c(x1, y1), donde cy1 = cmx1 que tambin esta
en V, entonces se cumple el axioma.
Los dems se cumplen automticamente.
Ejemplo 4:
Sea el conjunto de matrices rectangulares Mmxn de componentes reales. Demostrar que es un
espacio vectorial.
Solucin:
Axioma 1: Si tenemos las matrices Amxn
de
Ejemplo 5:
Sea Pn el conjunto de polinomios de grado menor o igual que n; incluido el polinomio cero.
Demostrar que Pn es un espacio vectorial.
Solucin:
Axioma 1: Sea Pn an xn an1xn1 ... a2 x2 ax a0 y Qn bn xn bn1 xn1 ... b2 x2 bx b0
- 244 -
Ser
un
Ejemplo 6:
Sea V = C[0, 1] el conjunto de funciones continuas definidas sobre los reales. Demostrar que V
es un espacio vectorial.
Solucin:
Axioma 1: Sean f(x) y g(x) funciones continuas definidas sobre los reales. Entonces f(x) + g(x)
ser una funcin continua, tambin sobre los reales.
Axioma 4: Dado la funcin 0(x) y la funcin f(x) entonces f(x) + 0(x) = f(x) Se cumple este
axioma.
Axioma 5: Definida la funcin f(x) y, dada la funcin (f)(x), entonces f(x) ser otra funcin
continua y adems f(x) + (-f(x)) = 0. Se verifica el inverso aditivo.
Axioma 6: Dada el escalar k, entonces: kf(x) ser una funcin continua sobre los reales.
Se puede demostrar que los dems axiomas se cumplen. Intente hacer dichas demostraciones
con el grupo colaborativo y luego corregirlo con el Tutor.
Para reforzar lo referente a espacios vectoriales hagamos un resumen de los espacios vectoriales
ms representativos:
1. El conjunto de todos los nmeros reales R
2. El conjunto de todos los pares ordenados R2
3. El conjunto de todas las n-adas ordenadas Rn
4. El conjunto de todas las funciones continuas definidas sobre el intervalo [a, b]
5. El conjunto de todos los polinomios de grado menor o igual a n.
6. El conjunto de todas las matrices rectangulares de tamao mxn
7. El conjunto de todas la matrices cuadradas de tamao nxn.
8. El conjunto V de R2 que es una recta que pasa por el origen de coordenadas.
- 245 -
LECCIN 2.1.3
ESPACIO VECTORIAL TRIVIAL.
Sea V = {0} el cual cumple todos los axiomas de un espacio vectorial, por consiguiente V se
define como un espacio vectorial, al cual se le llama espacio vectorial trivial.
Para comprender un poco ms sobre los espacios vectoriales, vamos a analizar algunos ejemplos
que NO son espacios vectoriales.
Ejemplo 7:
Demostrar que V {1} no es un espacio vectorial.
Solucin:
Ejemplo 8:
y 1 m 1 x 1 b1
y 2 m 2 x 2 b 2 Entonces:
y1 y 2 m1 x1 b1 m2 x2 b2 y1 y 2 (m1 m2 )( x1 x 2 ) b1 b2
Se observa que x1 x 2 , y1 y 2 V . Lo anterior significa que si tenemos dos puntos:
P1 ( x1 , y1 ) V y P2 ( x 2 , y 2 ) V la suma ( x1 , y1 ) ( x 2 , y 2 ) V
Probado que no se cumple la cerradura para la suma, el conjunto definido no es un espacio
vectorial
- 246 -
Ejemplo 9:
Demostrar que V ( x, y ), y 0 corresponde al conjunto de puntos de un semiplano, no es un
espacio vectorial.
Solucin:
Si y1 0 y y 2 0 entonces y1 y 2 0 Se cumple la cerradura sobre la suma.
Pero si tenemos y (1,1) este no tiene inverso en V. ya que
(1,1) V . No se cumple el
Ejemplo 10:
Demostrar que el conjunto de nmeros enteros NO es un espacio vectorial.
Solucin:
La suma de dos enteros es otro entero, se cumple la cerradura para la suma, pero no se cumple
la cerradura para la multiplicacin. Por ejemplo sea k = y dado un elemento de los enteros
por ejemplo 5, entonces (5 ) no es entero.
Ejemplo 11:
Demostrar que el conjunto V de todas las matrices singulares de 2x2 no es un espacio vectorial.
Solucin:
La suma de dos matrices sing ulares No siempre origina otra matriz singular.
LECCIN 3.1.3
COMBINACIONES LINEALES.
Por definicin los elementos de los espacios vectoriales son vectores, hay la posibilidad de que
un vector se puede escribir como combinacin lineal de otros vectores en un espacio vectorial
dado.
- 247 -
DEFINICIN:
Sean u1 , u2 ,..., un vectores en el espacio vectorial V; adems, sea el vector
w que esta en V, entonces si w se puede escribir de la forma
w a1u1 a 2 u 2 ... a n u n
Ejemplo 12:
2
1
0
2
1 0
Como 3 2 4 5 entonces: w 2u1 u 2 As se muestra que w es combinacin lineal
1
1 3
de u1 y u2.
Ejemplo 13:
1
1 1
es una combinacin lineal de las matrices: A
7
2 3
0 1
2 1
y B
Solucin:
1 1 1 0 1
3
2
7 2 3 2 1
combinacin lineal de A y B.
- 248 -
Entonces: M 3 A 2 B
As M es una
Ejemplo 14:
Muestre que todo polinomio de grado menor o igual a n: Pn se puede expresar como
combinacin lineal de los monomios xn, xn-1,, x2, x, 1
Solucin:
Es evidente que cualquier polinomio de grado menor o igual a n se puede escribir como
combinacin lineal de monomios.
Veamos: P3 se puede escribir como: P 3 = 2 + 2x2 + 2x3
Determinacin de Combinaciones Lineales:
En los ejemplos 13 y 14 se muestra que un vector es combinacin lineal de otros vectores en el
espacio vectorial V,
Ejemplo 15:
Dado el vector w = (-4, 8. 17) escribirlo como una combinacin lineal del conjunto de vectores
conformados como: S = [(-2, 0, 1), (1, 0, -1), (1, 2, 3)]
Solucin:
Sea v1 = (-2, 0, 1) v2 = (1, 0, -1) y v3 = (1, 2, 3)
Se deben buscar escalares k1, k2, k3. Tal que:
(4,8,17) k1 (2,0,1) k2 (1,0,1) k3 (1,2,3) (4,8,17) (2k1,0k1 ,1k1 ) (1k2 ,0k2 ,1k2 ) (1k3 ,2k3 ,3k3 )
Para resolver se debe plantear un sistema de 3 ecuaciones con 3 incgnitas.
2 k1 k 2 k 3 4
0 k1 0 k 2 2 k 3 8
k1 k 2 3k 3 17
Como podemos ver k3 = 4.
Resolviendo por eliminacin: k2 = -2 y k1 = 3
- 249 -
de los
Ejemplo 16:
Expresar el vector v = (2, 2, 2) si es posible como una combinacin lineal del conjunto de
vectores S = [(2, 4, 6), (0, 2, 4), (-2, 0, 2)]
Solucin:
Definimos los vectores: u1 = (2, 4, 6), u2 = (0, 2, 4), u3 = (-2, 0, 2)
Debemos hallar escalares k1, k2, k3. Tal que:
(2,2,2) k1 (2,4,6) k2 (0,2,4) k3 (2.0,2) (2,2,2) (2k1 ,4k1 ,6k1 ) (0k2 ,2k2 ,4k2 ) (2k3 .0k3 ,2k3 )
Planteando el sistema de ecuaciones:
2 k1 0 k 2 2 k 3 2
4 k1 2 k 2 0 k 3 2
6 k1 4 k 2 2 k 3 2
Usando el mtodo Gauss Jordn:
2 0 2 2 2 0 2 2 2 0 2 2
4 2 0 2 0 2 4 2 0 2 4 2
6 4 2 2 0 4 8 4 0 0
0 0
La ltima matriz nos muestra que el sistema tiene infinitas soluciones. Cada una de la forma:
k3 = t,
-2k2 = 2 + 4t entonces: k2 = -1 2t
2k1 = 2 + 2t entonces: k1 = 1 + t
Si damos un valor por ejemplo t = 4, entonces: k3 = 4, k2 = -9, k1 = 5 As:
v = 5u1 9u2 + 4u3
- 250 -
(3,2,1) k1 (2,4,6) k 2 (0,2,4) k3 (2.0,2) (3,2,1) (2k1 ,4k1 ,6k1 ) (0k 2 ,2k 2 ,4k2 ) (2k3 .0k3 ,2k3 )
Planteando el sistema de ecuaciones:
2 k1 0 k 2 2 k 3 3
4 k1 2 k 2 0 k 3 2
6 k1 4 k 2 2 k 3 1
Usando el mtodo Gauss Jordn:
2 0 2 3 2 0 2 3 2 0 2 4
4 2 0 2 0 2 4 4 0 2 4 4
6 4 2 1 0 4 8 10 0 0
0 2
Como se observa en la ltima matriz el sistema es inconsistente, por lo cual NO hay solucin.
Por consiguiente el vector v no se puede expresar como combinacin lineal de u1, u2, u3.
LECCIN 4.1.3
CONJUNTOS GENERADORES.
Si todo vector w en un espacio vectorial V puede expresarse como una combinacin lineal de
vectores u1, u2,, un de un conjunto S, se dice que S es un conjunto generador del espacio
vectorial V.
DEFINICIN:
Sea S = (u1, u2, u3, , un) un conjunto contenido en el espacio vectorial
V, entonces el conjunto S se le llama Conjunto Generador de V, si todo
vector de V se puede escribir como una combinacin lineal de vectores de
S.
Cuando esto ocurre se dice que S Genera a V.
- 251 -
Ejemplo 19:
Dado el conjunto S = {u1, u2, u3} Para u1 = (1, 0, 0), u2 = (0, 1, 0) y u3 = (0, 0 ,1)} Mostrar
que S genera a R 3.
Solucin:
que cualquier vector v = {v1, v2, v3} se puede escribir como: v = v1(1,0,0) + v2(0,1,0) +
v3(0,0,1)
Ejemplo 20:
Sea el conjunto S = {1, x, x2} Demuestre que S genera a P2.
Solucin:
Sea el polinomio p(x) = a + bx + cx2 Ahora escribamos p(x) como: p(x) = a(1) + b(x) + c(x2)
entonces: p(x) = a + bx + cx2. Por consiguiente S genera a P2.
Conjunto Generadores Normales:
Los ejemplos 18, 19 y 20 muestras conjuntos generadores llamados Conjuntos generadores
normales, ya que cualquier vector en dichos espacios se puede escribir como combinacin lineal
de stos.
El de R2, S = {(1,0), (0,1)}
El de R3, S = {(1, 0,0), (0, 1, 0), (0, 0 ,1)}
El de P2, S = {1, x, x2}
Veamos en seguida conjuntos generadores que no son normales.
- 252 -
k1 k 2 k 3 v1
k1 k 3 v 2
El sistema anterior tiene solucin, lo que nos indica que es consistente.
As queda demostrado
Ejemplo 22:
Demostrar que el conjunto S = {(0, 1, 2), (1, 2, 3), (-2, 0, 1)} genera R3.
Solucin:
Sea el conjunto v = (v1, v2, v3) cualquier vector en R3, se deben buscar escalares k1, k2, k3, tales
que: (v1, v2, v3) = k1(0, 1, 2) + k2(1, 2, 3) + k3(-2, 0, 1) = (k2 -2k3, k1+2k2, 2k1+3k2 + k3)
Esto origina el sistema:
k 2 2k 3 v1
k1 2 k 2 v 2
2k1 3k 2 k 3 v3
La matriz de coeficientes.
0 1 2
- 253 -
LECCIN 5.1.3
ESPACIOS GENERADORES
Vamos a analizar una forma de encontrar subespacios vectoriales, tema de la siguiente seccin,
partiendo de un conjunto de vectores. Si tenemos un conjunto S2 = {v1, v2, v3}, ste puede
generar un Subespacio de R3, lo cual ocurre si los vectores de S2 son coplanares. El subespacio
originado se le conoce como Espacio Lineal Generado por S 2.
DEFINICIN:
Sea G = {v1, v2, v3,, vk} un conjunto de vectores en un espacio
vectorial V, entonces el Espacio Generado por G, es el conjunto de
combinaciones lineales de los vectores en G.
Gen {v1, v2, v3,, vk} = {v/ v = a1v1, a2v2, a3v3,, akvk}
Para a1, a2, a3,, ak. Escalares cualesquiera.
Segn esta definicin Gen {v1, v2, v3,, vk} es el menor subespacio de V que contiene a G, lo
que conlleva a que cualquier otro subespacio de V que contenga a G, debe contener a Gen(G).
Ejemplo 23:
Sean los vectores v1 = (2, -1, 4) y v2 = (4, 1, 6), identificar el espacio generado por dichos
vectores.
Solucin:
Definimos el conjunto M = gen {v1, v2} As: v = k1 (2, -1, 4) + k2 (4, 1, 6) Por otro lado
definimos v = (x, y, z) M. Entonces:
x 2 k1 4 k 2
y k1 k 2
z 4 k1 6 k 2
Se obtiene un sistema el cual solucionamos de la siguiente manera:
2 4 x 1 2 x / 2 1 2 x / 2
1 1 y 1 1 y 0 3 x / 2 y
4 6 z 2 3 z / 2 0 1 x z / 2
De la primera a la segunda matriz se dividi la primera fila y la tercera fila por 2. De la segunda
matriz a la tercera, se plante:
- 254 -
1 2 x / 2 1 2
x/2
x/2 y
0 3 x / 2 y 0 3
0 1 x z / 2 0 0 5x / 2 y 3z / 2
Como el sistema tiene infinitas soluciones, segn la ltima matriz existe una solucin cuando:
-5x/2 + y + 3z/2 = 0, dividiendo por 2 se obtiene: -5x + 2y + 3z = 0, multiplicando por -1, se
obtiene finalmente. 5x 2y 3z = 0. Corresponde a una ecuacin de un plano en R3 que pasa
por el origen.
El ejemplo anterior nos lleva a la siguiente generalizacin.
Generalizacin:
El espacio generado por dos vectores diferentes de cero en R 3 que no son
paralelos, es un plano que pasa por el origen.
- 255 -
CAPITULO 2
DEPENDENCIA E INDEPENDENCIA LINEAL
Introduccin.
La dependencia lineal esta asociada a una combinacin lineal, cuando se cumplen ciertas
condiciones del conjunto de vectores que forman dicha combinacin. Dentro del estudio de un
espacio vectorial, el anlisis de dependencia o independencia permite conocer particularidades
del espacio analizado.
LECCIN 1.2.3
GENERALIDADES
El concepto de independencia lineal se puede ver con el siguiente caso: Sea el vector v1 = (2,
3) y el vector v2 = (6, 9). Se observa que v2 = 3v1 esto es igual a: 3v1 - v2 = 0. Lo anterior
nos indica que el vector cero se puede escribir como una combinacin lineal no trivial de dos
vectores v1 y v2. No trivial hace referencia a que los coeficientes de cada vector no son todos
cero.
DEFINICIN 1:
Dado un conjunto de vectores S = {v1, v2,, vk} en un espacio
vectorial V, se dice que S es linealmente independiente, si la
ecuacin:
c1v1 + c2v2 + + ckvk = 0
Tiene solamente la solucin trivial. Entonces: c1 = c2 = c3 = = ck = 0
DEFINICIN 2:
Dado un conjunto de vectores S = {v1, v2,, vk} en un espacio
vectorial V, se dice que S es linealmente dependiente, si la
ecuacin:
c1v1 + c2v2 + + ckvk = 0
Tiene solucin No trivial.
Entonces: c1, c2, c3,, ck no todos son cero.
- 256 -
TEOREMA:
Dos vectores en un espacio vectorial V son linealmente dependientes,
si y solo si, uno es mltiplo escalar del otro.
Demostracin:
Asumiendo que v2 = kv1 dado que k 0 entonces: kv1 - v2 = 0 lo que muestra que los dos
vectores son linealmente dependientes; segn la definicin 2.
Ahora si asumimos que v1 y v2 son linealmente dependientes, entonces deben existir escalares
k1 y k2 donde k1 0 k2 0, tal que:
Ejemplo 24:
Dado el conjunto M = {(2, 4), (2, 2)} demostrar que los vectores de M son linealmente
independientes.
Solucin:
Planteamos la ecuacin vectorial: c1v1 + c2v2 = 0 Debemos determinar que el sistema tenga
solamente solucin trivial. Entonces c1(2, 4) + c2(2, 2) = (0, 0)
Esto origina el sistema:
2c1 4c2 0
2c1 2c2 0
Al resolver por matrices, por el mtodo de Gauss Jordan:
2 2 0 R1 / 2 1 1 0
R1
1 0 0
4 2 0 R / 2 2 1 0 R : 2 R R 0 1 0
2
2
1
2
La ltima matriz corresponde a una escalonada reducida, la cual nos muestra que c1 = 0 y
c2 = 0. Esto nos lleva a concluir que los vectores del conjunto M son linealmente independiente,
ya que la nica solucin es la trivial.
- 257 -
c1 0c 2 c3 0
3c1 c 2 0c3 0
c1 2c2 5c3 0
Al resolver por matrices, por el mtodo de Gauss Jordan:
1 0 1 0
1 0 1 0
1 0 1 0
R1
R1
R2
0 1 3 0
3 1 0 0 R2 : 3R1 R2 0 1 3 0
1 2 5 0 R : R R
0 2 5 0 R : 2R R
0 0 1 0
3
2
3
3 1
3
LECCIN 2.2.3
BASE DE UN ESPACIO VECTORIAL.
En secciones anteriores se analiz lo referente a conjuntos generadores, siguiendo con dicha
lnea se estudiaran algunos conjuntos generadores que son linealmente independientes y que
generan todo el espacio vectorial.
DEFINICIN:
Sea el conjunto finito S conformado por los vectores {v1, v2,.., vk},
contenidos en el espacio vectorial V. Entonces se dice que S es
Una Base del espacio vectorial V, si se cumple:
1. S genera a V
2. S es linealmente independiente.
- 258 -
De la definicin se puede puntualizar que una base debe ser tal que contenga los suficientes
vectores para generar a V, pero no en exceso de modo que permita a uno de ellos ser
combinacin lineal de los dems. Por otro lado, todo espacio vectorial tiene al menos una base.
Un espacio vectorial que tiene una base cuya cantidad de vectores es finita, se dice que es un
espacio vectorial de dimensin finita. De igual manera para un espacio de dimensin infinita.
Ejemplo 26:
Muestre que S = {(1, 0), (0, 1)} es una base en R2.
Solucin:
Por ejemplos anteriores se sabe que S = {(1, 0), (0, 1)} genera a R 2; dems, los vectores
v1 = (1, 0) y v2 = (0, 1) son linealmente independientes. Por consiguiente por cumplir las dos
condiciones, S genera a V.
Ejemplo 27:
Identifique dos espacios vectoriales de dimensin infinita.
Solucin:
Sea el espacio vectorial P = {Todos los polinomios}
Sea el espacio vectorial M = {Todas las funciones continuas definidas sobre la recta real}
Base Cannica:
Las siguientes bases por su naturaleza se le conocen como bases cannicas o bases normales.
1. Sea S = {(1, 0), (0, 1)} es la base cannica de R2. Se sabe que S genera a R2; adems, los
vectores son linealmente independientes.
2. Sea S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es la base cannica de R3. Es sabido que todo vector
en R3 se puede escribir como k1(1, 0, 0) + k2(0, 1, 0) + k3(0, 0, 1) Donde la nica solucin es la
trivial; es decir, k1 = k2 = k3 = 0, lo que muestra que los vectores son linealmente
independientes. Por otro lado se ha demostrado que S genera a R 3.
3. Sea S = {e1, e2, e3,, en} es la base cannica de Rn.
Si e1 = (1, 0, 0,,0), e2 = (0, 1, 0, ,0),, en = (0, 0, 0,, 1). Entonces se sabe que los
vectores e1, e2, e3,, en son linealmente independientes y adems S generan a Rn.
4. S = {1, x, x2,..,xn } es la base cannica de Pn. Anteriormente se estudio que los vectores son
linealmente independientes y S generan a P n.
- 259 -
1 0 0 1 0 0 0 0
es la base cannica de M2x2.
0 0 0 0 1 0 0 1
5. Sea S
Ejemplo 28:
Dado el conjunto S = {v1, v2} Donde v1 = (2, 1) y v2 = (-1, 1). Demostrar que S es una base
de R2.
Solucin:
Para hace la demostracin se debe mostrar que S genera a R 2
y que S es linealmente
independiente.
a-) S genera a R2: Sea el vector x = (x1, y1) de R2. Luego: c1v1 + c2v2 = x Reemplazando:
c1(2, 1) + c2(-1, 1) = (x1, y1) Operando: (2c1, c1) + (-c2, c2) = (x1, y1). Esto genera el sistema:
2c1 c2 = x1 y c1 + c2 = y1.
2 1
Det(A) = 2 (-1) = 3. Como el determinante de la matriz de coeficientes es
A
1 1
diferente de cero, se puede afirmar que el sistema tiene solucin nica. Entonces se puede
concluir que S genera a R 2.
b-) S es linealmente independiente: Planteando el sistema: 2c1 c2 = 0 y c1 + c2 = 0.
2 1 0
R1
2 1 0
1 1 0 R2 : R1 2 R2 0 3 0
La ltima matriz nos muestra que el sistema es inconsistente, as la nica solucin es la trivial.
c1 = c2 = 0. Por consiguiente S es linealmente independiente.
Como se han demostrado las dos condiciones, entonces se puede concluir que el conjunto S es
una base de R2.
- 260 -
0
0 1
2
1 0
A
0 1 2
1 2 1
2 1 1 2 1 1 0 1 1 0
2
0
2
0
1
0
2
0
0
0
1
0
2
0
0
2 1 1 1 1 1 1 2 1 1 2 1
partir
del
planteamiento
del
sistema
homogneo,
se
obtiene
la
matriz
aumentada:
1
A
0
1 0
0 1
0 1
0 2
1
0
1
2
2
0
2
1
1
2 0
R1
2 1 0 R2 : R1 R2 0
0
2 0 0
R3
1
1 1 0
R4
1 0
R1
1 0
R2
2 0
0 1
0 0 R3 : R2 R3
0 0
0 0 R4 : 2R2 R4 0 0
0
1
1 0
R1
R2
0 2 0
0
2 00
R3
0
1 1 0 R4 : R1 R4 0
1 0
R1
1
R2
2 0
0
R3
20
0
4 0 R4 : R3 2R4 0
2
1
1
2
2
0
2
1
1 0
1
0 2 0
1 2 0 0
2
1 0 0
0 2
1 0
1 0
2 0
0 2 0 0
0 0 6 0
0
Como la ltima matriz nos muestra que el sistema es inconsistente, entonces la nica solucin es
la trivial. c1 = c2 = c3 = c4 = 0. Por consiguiente los elementos del conjunto S son linealmente
independientes.
As queda demostrado que S es una base no normal de R4.
- 261 -
x
Sea: y
z
x
x
Haciendo x = 0 y z = 0, tenemos:
0 x
2 x 6z 6 z 2 x
z 0
z
0 1
z 6 x 2
1 0
Por consiguiente: S = {(0, 6, 1), (1, -2, 0)} Es una base del espacio vectorial .
Unicidad de la Base:
Dentro de los usos de la base de un espacio vectorial, esta el de representar cualquier vector
representacin es nica.
TEOREMA:
Sea el conjunto S = {u1, u2, , un}, donde S es una base del espacio
vectorial V, entonces Todo Vector en V puede escribirse como una y solo
una combinacin lineal de vectores de S.
Demostracin:
Definimos el vector v en V, entonces se puede escribir el vector v como una combinacin lineal
v = a1u1 + a2u2 + + anun Donde u1, u2,, un estn en V. Lo cual es evidente ya que u1,
u2,, un son la base del espacio vectorial V y cualquier vector en V se puede escribir como
combinacin lineal de vectores de S.
La unicidad se puede demostrar asumiendo que v tiene dos formas de
primera es la definida anteriormente v1 = a1u1 + a2u2 + + anun
representacin: La
y la otra de la siguiente
- 262 -
LECCIN 3.2.3
DIMENSIN DE UN ESPACIO VECTORIAL.
Se ha analizado lo referente a conjuntos generadores, independencia lineal y bases de un
espacio vectorial, se sabe que si un espacio vectorial V tiene una base de n vectores, entonces
cualquier otra base tendr el mismo nmero de vectores; es decir, n. Dicho de otra manera, un
espacio vectorial tiene muchas bases, pero se ha demostrado que stas tiene el mismo nmero
de vectores.
DEFINICIN:
Sea un espacio vectorial V no nulo, el cual tiene una base que consta de
n vectores, entonces la dimensin de V ser n, denotndolo como dim
(V) = n.
La definicin nos muestra que la dimensin de un espacio vectorial, son los elementos que
contiene una base de dicho espacio.
Ejemplo 31:
Determinar la dimensin de los espacios vectoriales definidos por R n, Pn, Mm,n con sus
operaciones normales.
Solucin:
- La dimensin de Rn es n.
- La dimensin de Pn es n + a.
- La dimensin de Mm,n es mn.
Es pertinente aclarar que la dimensin de un espacio vectorial puede ser finita o infinita, el
ejemplo anterior presenta espacios vectoriales de dimensin finita.
El espacio vectorial P
conformado por todos los polinomios y el espacio vectorial C(-, ) conformado por todas las
funciones continuas en los reales, son ejemplos de espacios vectoriales de dimensin infinita.
As todos los espacios vectoriales de dimensin finita e igual, presentan las mismas propiedades
algebraicas; solo difieren en la naturaleza de sus elementos.
- 263 -
LECCIN 4.2.3
ESPACIO FILA Y ESPACIO COLUMNA.
Para una matriz A de tamao mxn, las filas de A se pueden ver como un conjunto de m vectores,
de igual manera para las columnas.
DEFINICIN:
Sea A una matriz de tamao m x n, entonces:
1. El Espacio Fila de A esta dado por el subespacio Rn generado por
los vectores fila de A.
2. El Espacio Columna de A, esta dado por el subespacio Rm
generado por los vectores columna de A.
Los concepto espacio fila y espacio columna son fundamentales para el anlisis del rango de una
matriz.
TEOREMA:
Si dos matrices son equivalentes por filas, entonces tiene el mismo
espacio fila.
Especficamente: Sea la matriz A de tamao m x n y, sea la matriz B
de tamao m x n. Si A es equivalente a B por filas, entonces el espacio
fila de A es igual al espacio fila de B.
- 264 -
LECCIN 5.2.3
RANGO Y NULIDAD DE UNA MATRIZ
RANGO DE UNA MATRIZ: Anteriormente se estudio el espacio fila y espacio columna de una
matriz; adems, lo referente a dimensin de un espacio vectorial, todo esto nos permite analizar
el concepto de rango de una matriz.
DEFINICIN:
La dimensin del espacio generado por las filas de una matriz A se le
denomina Rango por Fila de A. La dimensin del espacio generado
por las columnas de la matriz A se le denomina Rango por Columna
Esta demostrado que los rangos de fila y columna son iguales para una matriz A, entonces al
nombrar el rango de una matriz, se sabe que estamos refirindonos a stos.
DEFINICIN:
Dada la matriz A de tamao mxn, el Rango de A, denotado por ran(A)
es el nmero de filas no nulas de la matriz escalonada. Dicho de otra
manera, el nmero de pivotes.
Para una matriz A de tamao mxn, esta demostrado que ran(A) min{m, n}
Para determinar el rango de una matriz, solo debemos llevarla a la forma escalonada y observar
las filas diferentes de cero (no nulas) que se obtengan, el nmero de filas diferentes de cero
ser el rango de la matriz.
- 265 -
Ejemplo 33:
2 3 4 5
Solucin:
R1
R1
2 3 4 5
2 3 4 5
2 3 4 5
R2
0 3 0 7
1 0 2 1 R2 R1 2 R2 0 3 0 7
3 2 0 4 R 3R 2 R 0 5 0 7 R 5 R 3R 0 0 0 14
1
3
2
3
Como la matriz escalonada tiene tres filas diferentes de cero, entones el ran(A) = 3.
NULIDAD DE UNA MATRIZ: La nulidad v(A) de una matriz esta relacionada con la dimensin
del espacio nulo NA de dicha matriz; es decir, la dimensin del espacio solucin del sistema Ax =
0. Si A es transformada por medio de operaciones elementales por fila a una matriz escalonada
reducida por fila digamos H con t filas no nulas, entonces la dimensin del espacio solucin de
Ax = 0 es n t. como t es rango de A, entonces hay una relacin entre el rango y la nulidad de
la matriz A.
TEOREMA:
Sea A una matriz de tamao mxn, entonces: n = Rango(A) +
Nulidad (A)
Siendo n el nmero de variables del sistema asociado a la matriz A
Es pertinente aclarar entre lo que es el Espacio Nulo y la Nulidad. El espacio nulo NA son los
vectores de la solucin del sistema Ax = 0. Mientras que la Nulidad es la dimensin de NA.
Ejemplo 34:
0
Dada la matriz A
0
2 0 1 3
5 4 2 1
Determinar el espacio solucin.
0 2 4 1
0 0 0 0
- 266 -
Solucin:
Como se observan 5 variables (n), ya que hay 5 columnas y el rango es 3 (t), entonces:
Dimensin del espacio solucin (N) ser: 5 3 = 2. (n t = N)
Ejemplo 35:
6
R1
6 3 9
6 3 9 1/ 3 2 1 3
4 2 6 R2 2 R1 3R2 0 0 0 0 0 0 0
2 1 3 R R 3R
0 0 0 0
0 0 0
1
3
Esto nos origina una solucin nica de la forma: 2x y + 3z = 0 que corresponde a un plano
que pasa por el origen, por consiguiente corresponde a un espacio vectorial. (Recordemos la
definicin de espacio vectorial). As: = (x, y, z). Si x y z son valores arbitrarios, entonces y =
2x + 3z. Los vectores de se pueden escribir de la forma.
x x 0
2 x 3z 2 x 3z
z 0 z
1 0
x 2 z 3 Esto nos indica que v1 = (1, 2, 0) y
0 1
v2 = (0, 3, 1)
TEOREMA:
Sea A una matriz de dimensin n x n, entonces A es invertible, si y
solo si, la nulidad es cero: v(A) = 0
- 267 -
- 268 -
CAPITULO 3
SUBESPACIOS VECTORIALES
Introduccin.
Dentro de la teora de espacios vectoriales, estn los
subespacios,
los
cuales
se
comportan
como
espacios
LECCIN 1.3.3
GENERALIDADES.
Todos los
espacios vectoriales tienen subconjuntos que tambin son espacios vectoriales en si,
haciendo una analoga, los subespacios son Espacios Vectoriales Hijos y el Espacio Vectorial de
donde se obtuvieron son el Espacio Vectorial Padre.
caractersticas del padre, as los subespacios heredan las operaciones del espacio que los origino.
DEFINICIN:
Sea el subconjunto U no vaco contenido en un espacio vectorial V,
asumiendo que U es espacio vectorial en si (cumple los 10 axiomas)
Entonces se dice que U es un subespacio de V. Donde U V
Segn la definicin anterior, se puede inferir que para que un subconjunto sea subespacio de un
espacio vectorial, se debe cumplir las operaciones de cerradura de suma y producto por escalar,
de igual manera como se defini los espacios vectoriales.
LECCIN 2.3.3
SUBESPACIO TRIVIAL Y SUBESPACIO PROPIOS.
- El Subespacio Trivial: El subconjunto U = {0} correspondiente al vector cero, se considera
un subespacio de cualquier espacio vectorial V, ya que se cumple la cerradura para suma y
producto por escalar. 0 + 0 = 0 y
k0 = 0.
Un
Espacio
Vectorial,
es
Subespacio en si Mismo.
subespacio de V
- 269 -
un
V
V, se consideran
subespacios propios, a estos es que se les dan la mayor atencin en el estudio de los espacios
vectoriales.
Ejemplo 36:
Demostrar que el subconjunto U = {(x, y, 0)} Donde x, y son nmeros reales, es un subespacio
de R3.
Solucin:
Sean los vectores: u1 = (x1, y1, 0) y u2 = (x2, y2, 0) pertenecientes a U, entonces: u1 + u2
pertenecen a U, veamos: u1 + u2 =
Ejemplo 37:
Demostrar que toda Mmxn matriz triangular superior es un
subespacio de V mxn
matriz
rectangular.
Solucin:
La suma de dos matrices triangules superiores, es otra matriz triangular superior. As se cumple
la cerradura de la suma.
El producto de un escalar diferente de cero por una matriz triangular superior, origina otra matriz
triangular superior. Tambin cumple la cerradura de producto por escalar.
Como se ha venido demostrando los dems axiomas se cumplen de inmediato.
Ejercicio de razonamiento:
En el grupo colaborativo demostrar que los siguientes conjuntos son subespacios de un espacio
vectorial dado V.
a-) Matrices triangulares inferiores
b-) Matrices diagonales
c-) Matrices simtricas.
- 270 -
LECCIN 3.3.3
PRUEBA DE SUBESPACIO.
Cuando un subconjunto U es subespacio del espacio vectorial V, se dijo anteriormente que U
heredaba las propiedades de V,
Esto se soporta en el
TEOREMA:
Sea U un subconjunto no vaco de un espacio vectorial V, entonces U
se considera un subespacio de V si, y solo si, se cumplen las
siguientes propiedades de cerradura.
1. Si u y v son vectores que estn en U, entonces u + v estar en
V.
2. Si u es vector en U y k un escalar, entonces ku estar en U.
Demostracin:
Si U es un subespacio de V, entonces U es un espacio vectorial por consiguiente cumple la
cerradura de la suma y multiplicacin por escalar.
contrario, asumiendo que U es cerrada bajos la suma y producto por escalar. Si u, v, w estn
en U, automticamente estn en V.
NOTA: Si U es subespacio del espacio vectorial V, entonces tanto U como V deben tener el
vector cero M = {0}
Ejemplo 38:
Sea U5 el espacio vectorial de todas las funciones definidas sobre [0, 1]. Sean U1, U2, U3, U4
conjuntos definidos de la siguiente manera.
U1: Conjunto de todas las funciones polinomicas.
U2: Conjunto de todas las funciones diferenciables en [0, 1]
U3: Conjunto de todas las funciones continas en [0, 1]
U4: Conjunto de todas las funciones integrables en [0, 1].
Demostrar que U 1 U 2 U 3 U 4 U 5
- 271 -
------
-------------------------
------
-------------------------
Ejemplo 39:
Sea = {(x, y, z): ax + by + cz = 0} Para a, b, c nmeros reales. Demostrar que es un
subespacio propio en R 3.
Solucin:
Primero debemos mostrar que es un espacio vectorial y luego por la definicin anterior se
puede mostrar que es subespacio vectorial.
Sabemos que = ax + by + cz = 0 es un plano que pasa por el origen, ahora: Sea (x 1, y1, z1) y
(x2, y2, z2) puntos en R3 y sea a, b, c escalares, planteamos la siguiente operacin:
(x1, y1, z1) + (x2, y2, z2) = (x1 + x2, y1 + y2, z1 +z2 ) Pertenecen a V.
Ahora: a(x1 + x2) + b(y1 + y2) + c(z1 +z2 ) = (ax1 +by1 + cz1) + (ax2 + by2 + cz2 ) los cuales
tambin pertenece a V. As se cumple el axioma 1, los dems se pueden verificar fcilmente. De
esta manera se puede afirmar que es un subespacio de R 3.
- 272 -
LECCIN 4.3.3
INTERSECCIN ENTRE SUBESPACIOS.
En un espacio vectorial puede haber gran cantidad de subespacios propios. La situacin es
determinar que sucede cuando dos o ms subespacios se interceptan en dicho espacio. El
siguiente teorema nos ayuda a salir de la inquietud.
TEOREMA:
Sean V1 y V2 dos subespacios del espacio vectorial V, entonces la
interseccin V1 V2 pertenecen tambin a V.
Demostracin:
Los conjuntos V1 y V2 son subespacios de V, como es sabido los dos tienen el vector cero {0}
entonces V1 V2 es no vaco. Ahora es relativamente fcil demostrar que V1 V2 es cerrado
para suma y para la multiplicacin por escalar.
Como consecuencia de este teorema es que la interseccin de dos subespacios, es en s otro
subespacio. Por otro lado, la unin de dos subespacios, por lo general NO es subespacio.
LECCIN 5.3.3
DIMENSIN DE UN SUBESPACIO.
Si W es un subespacio del espacio vectorial V; cuya dimensin es n. esta demostrado que la
dimensin de W es finita y adems es menor o igual a n. dim(W) dim(V)
Ejemplo 40:
Encontrar la dimensin del subespacio W en R 4 generado por S, donde: S = {v1, v2, v3}
v1 = (-5, 4, 9, 2), v2 = (-1, 2, 5, 0), v3 = (3, 0, 1, -2)
Solucin:
Por la definicin del problema W es generado por S, ahora debemos determinar si S es una base
de W, lo cual se demuestra si el conjunto de vectores de S son linealmente independientes.
R1
R1
5 1 3
5 1 3 R1
5 1 3
5 1
4
2
0
R
4
R
5
R
0
6
12
R
/
6
0
1
2
R
1
0
1
2
2
5
1 R3 9 R1 5R3
0 16 32 R3 / 16
0
1
2 R3 R2 R3
0
0
0 2 R4 2 R1 5R4 0 2 4 R4 / 2 0 1 2 R4 R 2 R3 0
0
- 273 -
2
0
Despus de todo este anlisis se puede decir que dim(W) = 2. Una forma sencilla de identificar
la dimensin es contar las filas de la matriz escalonada que sean diferentes de cero, para el caso
que estamos analizando se observa que hay dos filas diferentes de cero (no nulas).
RESUMEN:
Para sintetizar los conceptos que hemos analizado, vamos a exponer las siguientes afirmaciones
que son vlidas para una matriz A de tamao nxn.
a-) A es una matriz no singular
b-) det(A) 0
c-) El sistema Ax = 0 Solo tiene la solucin trivial
d-) El sistema lineal Ax = b, tiene solucin nica, para cada matriz b de tamao nx1
e-) La matriz A tiene rango igual a n. ran(A) = n.
f-) La matriz A tiene como nulidad cero. v(A) = 0
g-) Las filas de la matriz A forman un conjunto linealmente independiente de n vectores en R n
h-) Igual que el caso anterior, pero para las columnas.
- 274 -
Sea el conjunto V = R2 para V = {u1, u2} u1 = (2, 3) y u2 = (6, 9). Determinar una
14. Dado el conjunto de elementos {(1, 2, 1), (1, 1, ,1), (1, 0, 1)} que genera algn espacio
vectorial V en R 3, calcular la dimensin del espacio dado.
15. Sea el conjunto S = {v1, v2, v3} en el cual S genera algn espacio vectorial V. Donde
- 275 -
2
16. Dada la matriz A 0
0
0
2 1 2 1
0 1 1 3
0 1 2 4 Determinar el rango de dicha matriz.
0 0
0 0
0 0
0 0
2 1 0
- 276 -
u1 V
donde y1 = 4x
donde y2 = 3x.
Dado que
u1 + u2 = (x1, y1) + (x2, y2) = (x1+ x2 , y1 + y2) = (x1 + x2, 4x1 + 4x2) lo cual pertenece a V.
A5: Dado (x, y) V, como y = 4x, su inverso es (x, y) = (-x, -4x) operando:
(x, y) (x, y) = (x - x, 4x 4x) = (0, 0)
A6: Sea k un escalar diferente de cero, luego ku = k(x, 4x) = (kx, 4cx) que pertenece a V.
Los dems teoremas se cumplen automticamente.
2. La ecuacin propuesta corresponde a un plano que pasa por le origen de coordenadas,
sabemos que cuando esto ocurre estamos hablando de un espacio vectorial en R 3. Veamos:
A1: Sea u1 = 3x 2y 10z y u2 = 2x + 4y z. Debemos mostrar que u1 + u2 pertenecen a V.
u1 + u2 = (3x 2y 10z) + (2x + 4y z) = (3x 2x, -2y + 4y, -10z z) = (x, 2y, -11z)
Tambin pertenece a V.
A6. Se a k un escalar diferente de cero, entonces ku = k(3x, -2y, -10z) = (3kx, -2ky, -10kz)
que tambin pertenece a V.
Los dems axiomas se pueden verificar fcilmente.
3. Planteamos la combinacin lineal c1u1 + c2u2 = 0 para c1 y c2 escalares, entonces:
c1(2, 3) + c2(6, 9) = (0, 0) entonces 3(2, 3) 1(6, 9) = (0, 0). As c1 = 3 y c2 = 1. Por
consiguiente: -3u1 + u2 = 0 Ser la combinacin lineal entre los vectores dados.
Haciendo el procedimiento algebraico:
c1 (2, 3) + c2 (6, 9) = (0, 0) entonces: (2c1, 3c2) + (6c1, 9c2) = (0,0)
Luego: (2c1+ 6c2, 3c1 + 9c2) = (0,0). Se obtiene el sistema:
2 6 0
R1
2 6 0
3 9 0 R 3R 2 R 0 0 0
1
2
Como la ltima matriz tiene la ltima fila cero, indica que hay infinitas soluciones. Luego
2c1 + 6c2 = 0. Asumiendo c2 = 1, entonces c1 = -3 As a partir de c1u1 + c2u2 = 0, se puede
escribir una combinacin: de la forma: -3u1 + u2 = 0
4. Por definicin: k1w1 + k2w2 = 0
Operando:
(2k1, -k1, 4k1) + (4k2, -2k2, 8k2) = (0, 0, 0). Se obtiene el sistema:
- 277 -
2
2 4 0
4 0
R1
1 2 0 R2 R1 2 R2 0 0 0
4
8 0 R3 2 R1 R3 0 0 0
Segn la ltima matriz hay infinitas soluciones, a partir de la ltima matriz: 2k1+ 4k2 = 0
a-) Asumiendo k2 = 1, entonces k1 = -2, la combinacin obtenida ser: -2w1 + w2 = 0
b-) Asumiendo k2 = 3, entonces k1 = -6, la combinacin obtenida ser -6w1 + 3w2 = 0
5. Deben existir k1 y k2 escalares tal que: k1(1, 1) + k2(-1, 1) Lo que genera la matriz:
1 1
Donde Det(A) = 2. Como el determinante es diferente de cero, el sistema tiene
A
1 1
solucin nica. Por consiguiente S genera a R2
6. Busquemos escalares c1, c2, c3 tal que: c1(1, 2, 3) + c2(-1, 2, 3) + c3(5, 2, 3) = (c1, 2c1, 3c1)
+ (-c2, 2c2, 3c2) + (5c3, 2c3, 3c3) Que genera la matriz.
R1
R1
1 1 5
1 1 5
1 1 5
A 2 2 2 R2 2 R1 R2 0 4 8
R2
0 4 8
3 3 3 R 3R R
0 6 12 R 3R 2 R 0 0 0
1
3
2
3
Como la ltima matriz muestra que el sistema tiene infinitas soluciones, entonces S no puede
generar a R3. Adems, lo confirma que Det(A) = 0
7. Deben existir escalares c1, c2, c3, tales que c1v1 + c2v2 + c3v3 = 0 Esto genera el sistema:
1
1
0
1
2
2
R1
2 0
1 0
1 0
0 0 R2 : R1 2 R2 0 2 1 0
1 0 R3 : R1 2 R3 0 4 1 0
1 0 R4 : R1 R4 0 2 0 0
La ltima matriz nos muestra que el sistema es inconsistente, por lo cual la nica solucin es la
trivial, por lo cual el conjunto de vectores de V son linealmente independientes.
8. Definidos los escalares k1, k2, k3, tal que: k1u1 + k2u2 + k3u3 = 0 Lo cual genera el sistema:
4 2 1 0
R1
2 6 2 0 R2 : R1 2R2
1 5 3 0 R : R 4R
3
3 1
4 2
4 2 1 0
4 2 1 0
1 0 R1
R1
0 10 5 0 R2 0 10 5 0
R2
0 10 5 0 La
0 22 110 R /11 0 2 1 0 R : R 5R 0 0 0 0
3
3 2
ltima matriz nos muestra que el sistema tiene infinitas soluciones. As los vectores de V son
linealmente dependientes.
Ahora identifiquemos una combinacin lineal. Para esto planteamos a partir de la ltima matriz;
especficamente la primera y segunda fila: 4k1 + 2k2 + k3 = 0 y -2k2 + k3 = 0 (Esto se obtuvo
al dividir toda la fila R2 por 5).
- 278 -
As una
1
1
0
1
2
2
R1
2 0
1 0
1 0
0 0 R2 : R1 2 R2 0 2 1 0
1 0 R3 : R1 2 R3 0 4 1 0
1 0 R4 : R1 R4 0 2 0 0
La ltima matriz nos muestra que el sistema es inconsistente, por lo cual la nica solucin es la
trivial, por lo cual el conjunto de vectores de V son linealmente independientes.
10. Definidos los escalares k1, k2, k3, tal que: k1u1 + k2u2 + k3u3 = 0 Lo cual genera el
sistema:
4 2 1 0
R1
2 6 2 0 R2 : R1 2R2
1 5 3 0 R : R 4R
3
3 1
4 2
4 2 1 0
4 2 1 0
1 0 R1
R1
0 10 5 0 R2 0 10 5 0
R2
0 10 5 0 La
0 22 110 R /11 0 2 1 0 R : R 5R 0 0 0 0
3
3 2
ltima matriz nos muestra que el sistema tiene infinitas soluciones. As los vectores de V son
linealmente dependientes.
Ahora identifiquemos una combinacin lineal. Para esto planteamos a partir de la ltima matriz;
especficamente la primera y segunda fila: 4k1 + 2k2 + k3 = 0 y -2k2 + k3 = 0 (Esto se obtuvo
al dividir toda la fila R2 por 5).
Definimos k1 = 1, entonces: 2k2 + k3 = -4. Como tenemos tambin la ecuacin -2k2 + k3 = 0.
Tenemos dos ecuaciones con dos incgnitas, al resolver el sistema: k2 = -1 y k3 = -2.
As una
(0, 0, 0, 0, 1)
b-)
La
1 0 0
0 0 0
0 1 0
0 0 0
base
0 0 1
0 0 0
normal
0 0 0
1 0 0
0 0 0
0 1 0
para
M2x3
es:
0 0 0
0 0 1
Debemos escribir p(x) como combinacin lineal de S. Entonces p(x) = a2(1 x2) + a1(x) + a0(0)
lo que equivale a: p(x) = a2 a2 x2 + a1x. Se observa que p(x) NO se puede escribir como
combinacin lineal, por consiguiente S no genera a V. S no es una base de p 2.
- 279 -
R1
1 1 1
1 1 1
S 2 1 0 R2 : 2 R1 R2 0 1 2
1 1 1 R : R R
0 0 0
2
3 1
Esto nos indica que el sistema tiene infinitas soluciones. Por otro lado, como la matriz solo tiene
dos pivotes; es decir, dos filas diferentes de cero, entonces hay dos vectores linealmente
independientes. La base ser de dos elementos. Luego dim(V) = 2.
15. Los vectores originan un sistema cuya matriz es de la forma:
R1
R1
2 0 2
2 0 2
2 0 2
1 1 R2 : R1 2 R2 0
2 4
R2
0 2 4
1
2 1 0 R : R R
0 1 2 R : R 2R 0 0 8
3
3
3 1
3 2
linealmente independientes, ya que se tiene tres pivotes (-2, 2, 8). Entonces dim(V) = 3.
16. Como la matriz A esta en forma escalonada, se pueden observar los pivotes, entonces se
puede afirmar que ran(A) = 3,
independientes.
17. Para identificar el rango de la matriz A, debemos llevarla a la forma escalonada y observar
las filas no nulas que se obtengan. Veamos:
R1
0
2 1 0
2 1
1 1 3 R2 : R1 2 R2 0 1 6
2 1 3 R : R R
0 0 3
3
3 1
- 280 -
- 281 -
- 282 -
- 283 -
- 284 -
FUENTES DOCUMENTALES
DOCUMENTOS ESCRITOS:
POOLE, David. (2004). Algebra Lineal una introduccin moderna. Editorial Thomson. Primera
Edicin.
http://www.matematicas.unal.edu.co/cursos/algebra/
http://docentes.uacj.mx/gtapia/ALgebra/
http://thales.cica.es/rd/Recursos/rd99/ed99-0289-02/ed99-0289-02.html
http://fresno.pntic.mec.es/~jvaamond/
http://mit.ocw.universia.net/18.06/f02/related-resources/matlab.pdf
http://cnx.org/content/m12862/latest/
http://ma1.eii.us.es/miembros/silva/AL/2005-06/Apuntes.pdf
http://www.matematicasbachiller.com/temario/algebra/index.html
http://www.elprisma.com/apuntes/curso.asp?id=9538
- 285 -
- 286 -
- 287 -