Apuntes de Alg Lineal 2008

UNIVERSIDAD DIEGO PORTALES
Instituto de Ciencias Básicas
Álgebra Lineal
Isabel Arratia Zárate
Matrices y Sistemas de
ecuaciones lineales
__________________________________________________________________
Algebra Lineal - I. Arratia Z. 2
Matrices: definiciones y notaciones básicas
Una matriz A con componentes en un cuerpo κ es un
arreglo en filas y columnas de elementos de κ. Por ejemplo,
 4 23 
 3 0 − 5  
A =   y B =  15 − 3
1 
 2 − 1 3  − 7 9
 
son matrices con componentes en ℜ , el cuerpo de los

números reales. La matriz A tiene dos filas y tres columnas
mientras que la matriz B tiene tres filas y dos columnas.
Si una matriz tiene m filas y n columnas, se dice que ella
es de orden m x n (se lee m por n).
__________________________________________________________________
¿Cómo denotar una
matriz de orden m x n?
 a 11 a 12 ..... a 1n 
 
a a 22 ..... a 2n 
Se usan dos índices: A =  21
... ... ... ... 
 
a a m2 . . . . . a mn 
 m1
lo que abreviadamente se expresa,
A = (a i j ), i = 1, 2, . . . . , m ; j = 1, 2, . . . . , n
Ejercicio: Determine por extensión la matriz A, de orden

2x3 definida así, a i j = | 2i – j |.
__________________________________________________________________
El elemento a i j, es el que se ubica en la i-ésima fila j-ésima
columna de la matriz A; se llama componente i j de la matriz A.
Si la matriz A tiene el mismo número n de filas que de
columnas, se dice que ella es una matriz cuadrada de orden n.
Si A es una matriz de orden n, las componentes
a i i constituyen la diagonal de A; se anota:
diag(A) = (a11, a 22 , . . . . . . . , a nn )
La suma de los elementos de la diagonal de una matriz

cuadrada de orden n se llama traza de A, es decir,
n
tr ( A ) = ∑ aii
i =1
__________________________________________________________________
Una matriz cuadrada A = (a i j ) se dice matriz diagonal
si a i j = 0 cuando i ≠ j. Por ejemplo,
2 0 0
   -1 0
A = 0 −5 0 y B =   son matrices diagonales.
0 0 0 
 0 1 
Una matriz cuadrada A = (a i j ) se llama triangular

superior si a i j = 0 para i > j, y se llama triangular inferior
si a i j = 0 para i < j. Por ejemplo,
4 −1 5
  -3 0
C = 0 −6 0 y B =   son matrices triangulares.
0  2 7 
 0 8 
__________________________________________________________________
Ejemplo: Determine por extensión la matriz A = (a i j ), de orden
3 dada por  i si i = j

A =  2i − j si i < j
| i − 3 j | si i > j

¿Cuál es la diagonal y la traza de A ¿Cuál es el valor de la traza
de A si la matriz A fuese de orden 20? ¿y si fuese de orden n?
Solución: La matriz A es 1 0 − 1
 
A = 1 2 1 
0 3 3 

Su diagonal es diag(A) = (1, 2, 3) y tr(A) = 6. Si A es de
20 n(n +1)
orden 20, tr(A) = ∑ ai i = 210 y si es de orden n, tr(A) =
2
i=1
__________________________________________________________________
Resulta fácil comprender la utilidad que
prestan las matrices para ordenar datos.
La producción semanal, en cientos, de los artículos p1, p2, ….p60

que se fabrican en una industria se pueden expresar mediante
una matriz P de 60 filas - donde se escribirán los productos
elaborados - y 5 columnas que indicarán los días de la semana
de lunes a viernes:
Lu Ma Mi Ju Vi
 2 3,5 3 3, 2 3  p1
 
 6 6 , 5 6 , 3 6 , 2 6  p2
P =  .. .. .. .. ..  ..
 
 .. .. .. .. ..  ..
 4 3,8 3,5 4 3, 2  p
  60
__________________________________________________________________
El conjunto de todas las matrices de m filas y n
columnas con componentes en el cuerpo κ será
denotado por M mxn ( κ) y será M n ( κ) cuando
se trate de matrices cuadradas de orden n.
Dos matrices A = (a i j ) y B = ( bi j ) son iguales si tienen el

mismo orden y además a i j = bi j , ∀i j.
Si A = (a i j ) es una matriz de orden m x n, la transpuesta de A,

t
denotada por A , es la matriz de orden n x m que se obtiene al
intercambiar las filas por las columnas de A. En consecuencia,
A t = (a j i )
__________________________________________________________________
Ejercicio: ¿Cuál es la transpuesta de la matriz A = (a i j ) de
orden 3 x 2 definida por a i j = 3i − j2 ?
Sea A = (a i j ) matriz cuadrada. Se dice que A es una matriz

t
simétrica si A = A y se dice que A es antisimétrica si
At = −A , donde -A es la matriz − A = (−a i j ).
 6 −1 4
 
Por ejemplo, A =  − 1 7 2 es una matriz simétrica.
 4 2 − 3 

Construya usted una matriz antisimétrica de orden 3.
Ejercicio: Si A es una matriz de orden n antisimétrica,

demuestre que diag(A) = (0, . . . . , 0) y tr (A) = 0.
__________________________________________________________________
Ejercicios:
1) Determine por extensión la matriz = (orden
Ade a i j ) 4 definida
como sigue. Calcule la traza de A. ¿Es A una matriz
simétrica?
 i 2 − 7 si i= j

A = i − j + 3 si i = j −1
 0 en otros casos

2) Demuestre que toda matriz diagonal es simétrica.

3) Determine todos los valores reales de a y b de modo que
la matriz B dada sea simétrica.
 2 a+6 3 
 2 
B = a −5 b + 2
 3 − b3 − 1 

__________________________________________________________________
Operaciones con matrices
Se llama matriz nula (o matriz cero) de orden m x n a la matriz
de orden m x n que tiene todas sus componentes iguales a 0 ∈ κ.
La matriz nula se denotará por Omxn o simplemente O.
Suma de matrices
Si A = (ai j ), B = (bi j ) ∈ Mmxn(κ) , la suma de A y B es la
matriz A + B = (ci j) ∈Mmxn(κ) , donde ci j = a i j + bi j
 − 4 12  7 − 9  3 3
     
Por ejemplo, si A =  6 − 5 y B =  − 2 6 , A + B =  4 1
 1 3  − 8 − 4  − 7 −1
     
__________________________________________________________________
Observe que para sumar matrices, ellas deben ser del mismo
orden. Se tienen las siguientes propiedades:
1. (A+B)+C = A+(B+C), ∀A, B,C∈Mmxn(κ)
2. A+B = B+A , ∀A, B∈Mmxn(κ)
3. Existe Omxn , matriz nula, tal que A+O = A , ∀A∈Mmxn(κ)
4. Para cada matriz A∈Mmxn(κ,)existe − A∈Mmxn κ)
tal (que A+(-
A) = O , donde − A = (−a i j) cuando A=(a i j)
5. tr(A+B) = tr(A) + tr(B), ∀A, B∈Mn (κ)
6. (A + B) t = A t + B t, ∀A, B∈Mmxn(κ)
7. A, B diagonales ⇒ A+B diagonal
8. A, B simétricas ⇒ A+B simétrica
9. A, B antisimétricas ⇒ A+B antisimétricas
Ejercicio: Demuestre las propiedades enunciadas antes.
__________________________________________________________________
Multiplicación por escalar o ponderación
Si A = (a i j ) ∈ M mxn ( κ) y α∈κ , la multiplicación α veces

A es la matriz de orden m x n, αA=(α⋅a i j)
 − 3 15   −1 5
   
Por ejemplo, si A =  4 12  , entonces 1 A =  4 4
 − 6 20 
3  3 
− 2 20 
   3 
Se puede establecer que:
1. α(βA) = (αβ)A, ∀α, β ∈ κ, ∀A matriz
2. (α + β)A = αA + βA, ∀α, β ∈ κ, ∀A, B ∈ Mmxn (κ)
3. α(A + B) = αA + αB, ∀α ∈ κ, ∀A, B ∈ Mmxn (κ)
4. 1⋅ A = A, (-1)A = -A, 0 ⋅ A = O, ∀A matriz
__________________________________________________________________
Además 5. tr( α A) = α ⋅ tr(A), ∀ A ∈ M n ( κ )
6. ( α A) t = α ⋅ A t , ∀ A ∈ M mxn ( κ )
Ejercicio: Demuestre las propiedades 1. a 6. anteriores.

Las propiedades algebraicas de las
matrices nos permiten resolver ecuaciones
matriciales de manera eficiente.
Ejercicio: Resuelva la ecuación

5( X + A ) = A t − 1 ( B − 9 X t ) t
3
 2 1  − 3 6 t  0 2
si A = 
 − 5 0 , B =  4 2  y C =  
     −1 − 2 
__________________________________________________________________
Problema: Un fabricante produce tres modelos de
zapatillas de descanso A, B y C en tres tamaños: para
niños, damas y caballeros. La fabricación se realiza en
dos plantas, una ubicada en San Bernardo y la otra en
Maipú. La producción semanal, en pares de zapatillas, en
cada planta se entrega a través de las matrices:
San Bdo. Niños Damas Varones Maipú Niños Damas Varones
A 20 34 30 A 16 24 26
B 16 20 48 B 10 14 32
C 24 28 32 C 15 20 28
a) Determine la matriz que contiene los datos relativos a la

producción semanal total de cada modelo de zapatilla en ambas
plantas.
b) Si la producción en la planta de San Bernardo se incrementa en un
20% y la de Maipú en un 40%, escriba la matriz que representa la
nueva producción semanal total de cada tipo de zapatilla.
__________________________________________________________________
La multiplicación de matrices
Si A = (a i j) ∈ Mmxn(κ) y B = (b i j) ∈Mnxr(κ) , la multiplicación
de A y B es la matriz AB= (c i j) , de orden m x r, donde
n
c i j= ∑ a ikb k j
k =1
El elemento ubicado en la fila i columna j del producto AB es:
c i j= a i1b 1j + a i2b 2 j + . . . . . + a inb nj
Componentes Componentes
de la fila i de la columna j
__________________________________________________________________
 2 −1
 8 − 2 − 5  
Por ejemplo, si A =   y B =  − 2 4,
 3 −1 1  1 0
 
15 −16
entonces AB=  
 9 − 7
Observe que en este ejemplo, BA también se puede realizar
pero es una matriz de orden 3, con lo que concluimos que
La multiplicación de matrices no es conmutativa
Note también que para la matriz A del ejemplo anterior, el

producto A 2 = A ⋅ A no se puede efectuar.
__________________________________________________________________
¿Este producto
tiene otras
“curiosidades”?
Si, por ejemplo,
• Existen matrices cuadradas A, no nulas pero tales que A2 = O

• Más aún, existen matrices A y B, de orden n, no nulas,
distintas y AB = O, es decir, el producto de dos matrices puede
ser la matriz cero y ninguna de ellas ser cero.
Por lo tanto, AB= 0 ⇒

/ (A = 0 ∨ B = 0)
AB= AC ⇒/ B= C
__________________________________________________________________
Sin embargo, siempre que las operaciones se puedan realizar,
se puede demostrar que:
1. (A B) C = A (B C)
2. (A + B) C = A C + B C y C (A + B) = C A + CB
Surge la interrogante ¿Existe elemento identidad en

el conjunto M mxn ( κ)?
La matriz cuadrada In = (ai j ) de orden n definida así:

1 si i = j
ai j = 
0 si i ≠ j
se llama matriz identidad; ella es tal que
A ⋅ I n = A = I n ⋅ A , ∀A ∈ M n (κ)
__________________________________________________________________
En consecuencia, existe elemento identidad en M n ( κ).
Ejercicio: a) Muestre con ejemplos que, en general,

tr ( AB ) ≠ tr ( A ) tr (B) y que ( AB )t ≠ A t B t
b) Demuestre que tr(AB) = tr(BA)
c) Demuestre que, siempre que los productos se puedan
realizar, (A B)t = Bt At .
Ejercicio: Determine la matriz X de modo que la siguiente

igualdad resulte verdadera:
 3 2 - 3  5
   
0 1 - 1 X =  − 6 
 1 - 2 2  1
   
__________________________________________________________________
Dadas las matrices A y B,
¿qué necesitamos para
resolver la ecuación AX = B?
La ecuación ax = b, en el conjunto de los números

reales, se resuelve usando el inverso multiplicativo de a:
x = a −1b = b
a
Si A es una matriz no nula nos preguntamos ¿existe una matriz
B tal que AB = I n = BA? Que equivale a ¿existe el inverso
multiplicativo de A? Observe que esta pregunta tiene sentido
sólo si A es una matriz cuadrada. Sin embargo, aunque A sea
cuadrada, la respuesta a la interrogante es no siempre.
__________________________________________________________________
3 6
Por ejemplo para A =   investiguemos la existencia
 1 2
de tal matriz B.
a b
Supongamos que B =   es tal que AB = I 2; entonces
c d
 3 6  a b   1 0  3a + 6c 3b + 6d   1 0 
    =   que equivale a   =  
1 2  c d   0 1  a + 2c b + 2d   0 1 
y a resolver a + 2c = 1 y a + 2c = 0 .
3
Concluimos que no existen a y c; de manera análoga, no
existen b y d. Por lo tanto la matriz B no existe.
Surge entonces la siguiente definición:
__________________________________________________________________
Se dice que una matriz A ∈ M n ( κ) es invertible
o no singular si existe B ∈ M n ( κtal
) que AB
= In= BA. La matriz B, cuando existe, está
únicamente determinada por A, se llama inversa
−1
de A y se denota por A .
Por lo tanto, A ⋅ A−1 = In = A−1 ⋅ A

Ejercicio: Demuestre que,
a) (A−1)−1 = A , ∀A ∈ Mn (κ) invertible
t −1 −1 t
b) (A ) = (A ) , ∀A ∈ Mn (κ) invertible
−1 −1 −1
c) (A B) = B A ; ∀A, B ∈ Mn (κ) invertibles
__________________________________________________________________
¿Cuáles matrices
son invertibles?
En lo que sigue, trataremos de contestar esta

interrogante, es decir, caracterizaremos a las
matrices invertibles. Además mostraremos
maneras de calcular la inversa.
Una primera respuesta la obtendremos a través
de los determinantes que comenzaremos a
estudiar a continuación.
__________________________________________________________________
Determinantes
Asociado a cada matriz A ∈ M n ( κ) existe un elemento
de κ , su determinante, que lo denotaremos det(A) o | A | .
a b
Si A =   ∈ M 2 ( κ) , det(A) = ad – bc ; por ejemplo,
c d
4 −1
= 12 − 7 = 5
−7 3
Si A es una matriz cuadrada de orden mayor que 2, el
determinante de A se define en forma recursiva como sigue:
Sea A = (a i j ) matriz de orden n. Llamaremos menor de orden
ij de A, y anotaremos , alM
determinante
ij de orden n -1 que se
obtiene a partir de A, eliminándole la i-ésima fila y la j-ésima
columna.
__________________________________________________________________
El cofactor de orden ij de A, denotado C i j es el número
Ci j = (−1)i + j Mi j
 1 5 − 2
 
Por ejemplo, si A =  0 2 1 , M13 = 2, M32 = 1
 − 1 − 9 − 1
 
C13 = 2 y C32 = −1
El determinante de la matriz de orden n, A = (a i j ) es el número

 n n
 ∑
 i =1
i + j
∑
( − 1) a i jM i j = a i jC i j con 1 ≤ j ≤ n fijo
 i =1
det( A ) = 
 n n
 ∑
 j =1
i + j
∑
( − 1) a i jM i j = a i jC i j con 1 ≤ i ≤ n fijo
 j =1
__________________________________________________________________
 1 3 − 9
 
Por ejemplo, calculemos el determinante de = −
A  2 0 5
 2 4 − 7
 
Fijando i = 1 tenemos que:
3
det(A) = ∑ (−1)1+ j a1 jM1 j = M11 − 3M12 − 9M13 = −20 −12 + 72 = 40
j=1
• Observe que el fijar i = 1 significó que al
desarrollar la sumatoria intervinieron los elementos
y los correspondientes menores (o cofactores) de
la fila 1.
• El determinante det(A) = 40 se pudo haber
obtenido por seis caminos diferentes. ¿Cuál de
ellos es el que necesita menos cálculos?
__________________________________________________________________
De la definición dada para los determinantes
siguen las siguientes propiedades:
1. det(A) = det(At ). En consecuencia, las propiedades de los

determinantes demostradas para las filas, son también
válidas para las columnas. Y recíprocamente.
2. Si todos los elementos de una fila (o columna) de la matriz A
son cero, det(A) = 0.
3. det( I n ) = 1, ∀n ∈ IN . En efecto, es claro que det(I2 ) = 1.
Supongamos que det( I k) = 1, para k ∈ IN . Entonces,
n +1
det(Ik+1 ) = ∑ (−1)1+ j a1 jM1 j = (−1)2 ⋅1⋅ det(Ik ) = 1
j=1
__________________________________________________________________
Del mismo modo, usando un razonamiento inductivo,
podemos establecer que
4. Si A es una matriz diagonal o triangular, det(A) es igual al
producto de los elementos de la diagonal.
5. Si dos filas (o columnas) adyacentes de A son iguales,
entonces det(A) = 0.
Esta propiedad nos permite demostrar que:
6. Si dos filas adyacentes o columnas adyacentes de A se
intercambian, se produce un cambio de signo del
determinante.
Lo que nos permite ampliar la propiedad 5:
7. Si dos filas (o columnas) de A son iguales, entonces det(A)
es igual a 0.
__________________________________________________________________
¿Qué sucede con el
determinante de A+B?
En general, det( A + B ) ≠ det( A ) + det( B )
Sin embargo, existe una propiedad que la enunciaremos en

primer lugar para uno de los casos de orden 2.
a 1 + c1 b a1 b c1 b
= +
a 2 + c2 d a2 d c2 d
8. Si A ∈ M n ( κ) y A , 1 ≤ k ≤ n, denota la k-ésima columna

(k )
de A, entonces
det(A (1) , . . . , A1( k ) + A (2k ) , . . . , A (n) ) =
det(A (1) , . . . , A1( k ) , . . . , A (n) ) + det(A (1) , . . . , A (2k ) , . . . , A (n) )
__________________________________________________________________
Respecto a la ponderación, en general,
det(αA) ≠ α ⋅ det(A)
Pero, utilizando la notación de la propiedad 8, se tiene que
(1) (k )
9. det(A , . . . , αA , . . . , A(n) ) = α det(A(1) , . . . , A(k ) , . . . , A(n) )
Y como consecuencia, det(αA) = αn ⋅ det(A)
10. Si A y B son matrices de orden n, se puede demostrar que
det (A B) = det(A) det(B)
11. Finalmente una propiedad que será de mucha utilidad:
Si las componentes de una fila (o columna) de A se
multiplican por un número α ∈ κ y los resultados se suman a
los elementos correspondientes de otra fila (o columna), el
valor del determinante no se altera. Es decir,
det(A(1) , . . . , A(k ) , . . . , A(j) + αA(k ) , . . . , A(n) ) = det(A)
__________________________________________________________________
¿Cómo utilizar la
propiedad 11
anterior?
Si la fila i multiplicada por el número α la sumamos a

la fila j, anotaremos αFi + Fj .
Para calcular el siguiente determinante usaremos la operación

− 2F1 + F2 ; a continuación la operación − 4F1 + F3 y luego
desarrollaremos el determinante a través de la primera columna:
1 −5 −2 1 −5 −2
3 1
2 −7 −3 = 0 3 1= = 19
8 9
4 − 12 1 0 8 9
__________________________________________________________________
Ejercicio: Calcule los siguientes determinantes:
−2 3 5 1 a+b b x+3 −1 1 1 a a2
4 −1 1, 1 a+c c , 7 x−5 1 , 1 b b2
−1 −4 −7 1 a+d d 6 −6 x+2 1 c c2
Ejercicio: Clasifique las siguientes

afirmaciones como verdaderas o falsas:
1. det( A 2 − B 2 ) = det( A + B) ⋅ det( A − B) , ∀A, B ∈ M n ( κ )

2. det( A + I 2 ) = det( A ) + det( I 2 ) ⇔ tr(A) = 0
3. det(-A) = - det(A), ∀A ∈ M n ( κ )
__________________________________________________________________
Definición: La matriz adjunta de A = (a i j) ∈ Mn (κ) , es la
transpuesta de la matriz de los cofactores de A , es decir,
adj( A ) = (( −1) i + j M i j ) t = (C i j ) t = (C j i )
 a b  d - b
Por ejemplo, si A =   ∈ M2(ℜ) , adj(A)=  
 c d - c a 
 2 −1 0
 
¿Cuál es la matriz adjunta de A =  − 3 5 6 ? La matriz de los
 1 0 1
 
 5 9 − 5  5 1 − 6
   
cofactores de A es  1 2 −1 ; luego adj( A ) =  9 2 − 12 
 − 6 −12 6  − 5 −1 6 
 
__________________________________________________________________
a b
Observe que si A =   ∈ M 2 (ℜ) ,
c d
 a b   d - b   ad - bc 0 
A ⋅ adj(A) =     =  
 c d  - c a   0 ad - bc 
 d - b   a b   ad - bc 0 
y adj(A) ⋅ A =     =  
- c a  c d  0 ad - bc 
Y si el determinante de A es distinto de cero tenemos que,

 1   1 
A ⋅  adj(A)  = I 2 =  adj(A)  ⋅ A
 det(A)   det(A) 
__________________________________________________________________
Este resultado es más general; se puede demostrar que si
A ∈ M n ( κ) y det(A) es distinto de cero, entonces
A ⋅  1 adj(A)  = I n =  1 adj(A)  ⋅ A
 det( A )   det( A ) 
 1 
es decir, A es invertible y se tiene que A -1 =  adj(A) 
 det(A) 
Recíprocamente, si A es invertible, entonces
1 = det(I n ) = det(A ⋅ A −1 ) = det(A) ⋅ det(A −1 )
y por lo tanto, det(A) ≠ 0.
Por lo tanto, podemos enunciar el siguiente teorema que
caracteriza a las matrices invertibles:
__________________________________________________________________
Teorema: Sea A ∈ Mn (κ) ; entonces
A invertible ⇔ det( A ) ≠ 0
Y en este caso se tiene que A =  det(1 A ) adj(A) 
-1
 
a b
Por ejemplo, si A =   ∈ M2 (ℜ) , y ad - bc ≠ 0, entonces
c d
-1 1  d - b
A =  
ad − bc  - c a 
Ejercicio: Calcule la inversa de las siguientes matrices:
 2 −1 4  −1 5 1
 5 9    
A =   , B =  3 −1 6 , C =  2 1 − 3
 − 2 − 3  1 2 1  3 − 2 − 4
   
__________________________________________________________________
Ejercicio: Es verdadero o falso que para
matrices A, B invertibles de orden n se tiene que:
1
1. det( A − 1 ) =
det( A )
2. ( A + B ) −1 = A −1 + B −1
3. (AB) -1 = B − 1 A − 1
4. (A -1 ) − 1 = A
Ejercicio: Determine todos los valores reales de k de modo

que las siguientes matrices sean invertibles:
k 0 0 1
k 1 1   
 k 1+ k    1 k 1 1
A =   , B =  2 0 − 2k  , C=
1 − k − k  3 1 k − 2 1 1 k 1
   
1 0 0 k 

__________________________________________________________________
Operaciones elementales – Matrices escalonadas
Para una matriz A ∈ Mmxn (κ) consideraremos las siguientes
“operaciones elementales con las filas de A”:
• Permutar dos filas: Si se permuta la fila i con la fila j anotamos
Fij
• Multiplicar una fila por un número real: Si se multiplica la fila i
por el número α ≠ 0, esta operación se anota
αFi
• Sumar dos filas: Si la fila i se suma a la fila j, anotamos
Fi + Fj
• Finalmente, podemos combinar las dos últimas operaciones y
obtener αFi + Fj
__________________________________________________________________
Ejercicio: Verifique que si se realizan las operaciones
elementales indicadas con las filas de la matriz A, se obtiene
la matriz E.
 2 6  1 4
   
A =  1 4  , F12 , - 2F1 + F2 , F1 + F3 , F2 3 , 2F2 + F3 , E =  0 1 
 − 1 − 3 0 0
   
Si A, B ∈ Mmxn (κ)y si B se obtiene realizándole a la matriz A un

número finito de operaciones elementales, entonces se dice que A
es equivalente a B y se anota ≈ Bejemplo, las matrices
.APor
A y E del ejercicio anterior son equivalentes.
La matriz E del ejercicio anterior tiene una forma muy particular, es
una matriz del tipo escalonada. A continuación damos una
definición de matriz escalonada:
__________________________________________________________________
Una matriz A ∈ Mmxn (κ) se llama matriz escalonada si
satisface las siguientes condiciones:
• Las filas que tengan todas sus componentes iguales a cero deben
estar ubicadas debajo de aquellas que tengan componentes no
nulas.
• La primera componente no nula de cada fila no nula es 1, vista de
izquierda a derecha. Esta componente se llama “uno distinguido o
uno capital”.
• El número de ceros al comienzo de una fila aumenta a medida
que se desciende en la matriz.
Si además A satisface lo siguiente:
• Todas las componentes de la columna donde aparece un 1
distinguido son ceros,
la matriz A se llama escalonada reducida por filas.
__________________________________________________________________
Ejercicio: Decida si las siguientes matrices son
o no son escalonadas. ¿Son escalonadas
reducidas por filas?
 1 − 1  2 − 1 0 1 5 0 0
     
A = 0 2  , B = 0 1 0 , C =  0 0 1 − 4
0 0   0 0 1  0 1 − 1 2
     
Teorema: Toda matriz A ∈ Mmxn (κ) es equivalente a una

matriz E ∈ Mmxn (κ) del tipo escalonada reducida por filas.
Si A ∈ Mmxn (κ) , entonces A ≈ E , con E matriz escalonada

reducida por filas. Se define el rango de A como el número de
filas no nulas de E, que equivale al número de “unos distinguidos”
de E. El rango de A lo denotaremos por r(A).
__________________________________________________________________
El rango de la matriz nula es cero: r(O) = 0.
El rango de la matriz identidad de orden n es n: r(I n ) = n
 4 − 6 2 − 4
 
El rango de la matriz A =  1 1 0 5  es 2. ¿Por qué?
3 − 2 1 3 

Ejercicio: Determine todos los valores reales de a de modo

que el rango de la matriz M sea 3 si 1 2 a 
 
M = 2 3 1 
3 4 a 2 

Ejercicio: Estudie el rango de la matriz A, dependiendo de

los valores reales de k si 1 − 1 0 1 
 
A = 1 k + 1 1 0 
1 − 4 3 − 2 
 
__________________________________________________________________
Un teorema que caracteriza a las matrices invertibles es:

A invertible ⇔ r (A ) = n ⇔ A≈In
Y si una sucesión de operaciones elementales fila reducen A a la

matriz identidad I n , entonces esa misma sucesión de operaciones
−1
elementales fila cuando se aplican a I n proporcionan A .
Ejercicio: Aplique la última parte del teorema para calcular

la inversa de cada una de las siguientes matrices:
 1 3 1 2 3 3
 5 12     
A =   , B =  2 4 1 , C = 3 1 1
 − 1 − 3  − 3 − 1 2  k − 1 − 2
   
__________________________________________________________________
Las operaciones elementales también se pueden
realizar con las columnas de la matriz.
Sin embargo, para los objetivos de este curso,
usaremos sólo operaciones elementales con las
filas de la matriz.
Ejercicio: Determine el rango de la siguiente matriz

compleja:
 1 i 3i 3 
 
A =  2+i 1 1 + 2i 4 + i 
 −1 + i 1 + i 1 + i −1 + i 
 
__________________________________________________________________
Matrices elementales
Una matriz elemental es aquella que se obtiene al realizar una
operación elemental a la matriz identidad I n .
Usaremos las siguientes notaciones para las matrices
elementales:
Ei j : se obtiene al realizar Fi j a I n
Ei (α) : se obtiene al realizar αFi a I n
Ei j (α) : se obtiene al realizar αFi + Fj a I n
Por ejemplo, para orden 3,
 1 0 0  1 0 0
   
E2 3 =  0 0 1 , E1 3 (4) =  0 1 0 
0 1 0  4 0 1
   
__________________________________________________________________
Observaciones
(1) Existe una equivalencia entre realizar a la matriz A una
operación elemental fila y multiplicar, por la izquierda, la matriz A
por una matriz elemental. A saber,
Ei j ⋅ A corresponde a realizar a A la operación elemental Fi j
Ei (α) ⋅ A “ “ “ “ α Fi
E i j (α ) ⋅ A “ “ “ “ αFi + Fj
(2) Las matrices elementales son invertibles; en efecto,
Ei j ⋅ Ei j = I n
Ei (α) ⋅ Ei ( α1 ) = I n
Ei j (α) ⋅ Ei (−α) = I n
__________________________________________________________________
(3) La inversa de una matriz elemental es también una matriz
elemental.
Ahora estamos en condiciones de demostrar el
teorema enunciado antes y que caracteriza a las
matrices invertibles.
A invertible ⇔ A≈In
i) Supongamos que A es invertible y que A ≈ E , con E matriz
escalonada reducida por filas, E ≠ I n . Entonces E tiene por lo
menos una fila de ceros y por tanto det( E) = 0.
Pero si A ≈ E , el determinante de A difiere del determinante de
E en el signo o en un factor numérico. En cualquier caso
concluimos que det(A) = 0, lo que es una contradicción. Por lo
tanto se debe tener A ≈ I n .
__________________________________________________________________
i) Supongamos que A ≈ I n ; entonces I n se obtiene realizando
una sucesión de operaciones elementales fila a la matriz A. Esto
quiere decir que Ek Ek-1 . . . . E2 E1 A = In , con E1, . . . Ek
matrices elementales. Como las matrices elementales son
invertibles podemos expresar
A = E 1− 1 ⋅ E 2− 1 ⋅ . . . . ⋅ E -1
k
-1 -1
⇒ det(A) = det(E 1 ) ⋅ . . . . ⋅ det(E k )
⇒ det(A) ≠ 0
⇒ A invertible
Del teorema siguen los siguientes corolarios:
(1) A ∈ Mn (κ) A invertible ⇔ r ( A ) = n
__________________________________________________________________
(2) A ∈ Mn (κ) , A invertible ⇔ A es producto de
matrices elementales.
Esto último sugiere otro método para calcular la inversa de A:
E k ⋅ . . . . . ⋅ E 2 ⋅ E1 ⋅ A = I n ⇒ A -1 = E k ⋅ . . . . . ⋅ E 2 ⋅ E1
Además, prueba el enunciado hecho antes: Si una sucesión de

operaciones elementales fila reducen A a la matriz identidad I n,
entonces esa misma sucesión de operaciones elementales fila
cuando se aplican a I n proporcionan A −1.
 2 − 8
Ejercicio: Exprese la inversa de la matriz A =  
 1 − 3
como producto de matrices elementales.
__________________________________________________________________
Factorización LU
Sea A ∈ Mn (κ) . Si al escalonar A no es necesario realizar
permutación de filas, entonces A puede factorizarse como el
producto LU donde:
• L es una matriz triangular inferior con todos los elementos de
su diagonal iguales a 1.
• U es una matriz triangular superior con los elementos pivotes
en la diagonal.
No toda matriz admite
factorización LU
__________________________________________________________________
0 1
Por ejemplo, A =   no admite factorización LU. En
efecto, 1 0
a 0 x y  0 1   ax ay 
A =     ⇒   =  
c d 0 z  1 0   cx cy + dz 
⇒ ax = 0
⇒ (a = 0 ∨ x = 0)
⇒ L o U no invertible
⇒ A no invertible
Lo que es una contradicción pues det(A) = -1.
Este ejemplo muestra que,
A invertible ⇒
/ A admite factorización LU
__________________________________________________________________
Ejemplo: Encontremos la factorización LU de la matriz
1 1 1
 
A = 0 1 1
1 2 0 

 1 1 1  − F1 + F3  1 1 1  − F2 + F3 1 1 1 
     
A = 0 1 1 ≈  0 1 1  ≈  0 1 1  =U
1 2 0  0 1 − 1 0 0 − 2
     
Lo anterior se expresa con matrices elementales así:
E2 3 (−1) ⋅ E1 3 (−1) ⋅ A = U
⇒ A = (E2 3 (−1))−1 ⋅ (E1 3 (−1))−1 ⋅ U
⇒ A = E1 3 (1) ⋅ E2 3 (1) ⋅ U
A = L U
__________________________________________________________________
Efectivamente, 1 1 1 1 0 0 1 1 1 
    
A = 0 1 1 = 0 1 0 0 1 1 
1 2 0   1 1 1   0 0 − 2 

De lo realizado se puede concluir que la factorización LU

de una matriz A no es única.
Ejercicio: Encuentre una descomposición LU para las

matrices A y B siguientes.
 1 1 0 3
 −1 2 1  
   2 1 − 1 1 
A= 3 0 2 B=
 −1 2 3 −1 −1 2
 0  
 −1

 2 3 − 1
__________________________________________________________________
Sistemas de m ecuaciones lineales
con n incógnitas
Un sistema de m ecuaciones lineales con n incógnitas se expresa
 a11 x 1 + a12 x 2 + . . . . . + a1n x n = b1
 a x + a x + ..... + a x = b2

(*)  21 1 22 2 2n n
 ........ ...
a m1x 1 + a m 2 x 2 + . . . . . + a mn x n = bm
donde A = ( a i j ) ∈ M mn ( ℜ ) es la matriz de los coeficientes del

 x1   b1 
   
 x2  b  son las (matrices) columnas
sistema y X= , B= 2
....  .... 
   
x  b 
 n  m 
de incógnitas y de términos constantes respectivamente.
__________________________________________________________________
 x1 
 
Los números reales ( x 1, x 2 , . . . . . , x n ) , formalmente  x 2 
 .... 
 
x 
 n
que satisfacen cada una de las ecuaciones de (*) forman una
solución del sistema (*).
El sistema (*) se dice compatible si posee al menos una
solución y se dice incompatible cuando no tiene solución.
Observe que el sistema (*) equivale a la

ecuación matricial AX = B, con A la
matriz de orden m x n formada con los
coeficientes del sistema, X la matriz
columna de incógnitas y B la matriz
columna de términos constantes.
__________________________________________________________________
Ejercicio: Escriba la ecuación matricial AX = B que
representa a los sistemas:
 2 x1 − x 2 + 7 x 3 = −1
  x1 − x 2 − 2 x 3 + 2 x 4 = 0
 x1 + 4 x 2 − 3 x 3 = 0 
5 x − 2 x + 3 x = 6 3x 1 + x 2 + 4 x 3 + 9 x 4 = 0
 1 2 3
Ejercicio: Escriba el sistema de ecuaciones lineales

AX = B que corresponde a las matrices:
 2 0 − 3  2
   
A =  1 − 5 − 1 , B = - 4
− 6 1 1  3
  
 1
 4 5 2  
A =   , B = - 6
−1 0 7  10 
 
__________________________________________________________________
Problema: Haga el planteamiento matemático del
siguiente problema: Un empresario tiene tres máquinas
que son empleadas en la fabricación de cuatro productos
diferentes. Para utilizar plenamente las máquinas, estas
estarán en operación 8 horas diarias. El número de horas
que cada máquina es usada en la producción de una unidad
de cada uno de los cuatro productos está dado en la tabla.
Prod 1 Prod 2 Prod 3 Prod 4

Máq 1 1 2 1 2
Máq 2 2 0 1 1
Máq 3 1 2 3 0
¿Cuántas unidades de cada producto se deben

producir en un día, con el fin de usar
plenamente las máquinas?
__________________________________________________________________
Sistemas de ecuaciones lineales
homogéneos
Un sistema de ecuaciones lineales se dice homogéneo cuando
la columna de términos constantes está formada sólo por ceros.
Sea AX = O, con A ∈ M mn ( ℜ ) un sistema homogéneo;
entonces:
1. AX = O es siempre compatible pues X = O es solución de él.
2. Si E ∈ M mn ( ℜ ) es tal que A ≈ E , entonces los sistemas
(equivalentes) AX = O y EX = O tienen las mismas soluciones.
3. Si el rango de A, r(A) = n, entonces X = O es la única solución
de AX = O.
4. Si el rango de A, r(A) < n, entonces existen infinitas soluciones
para AX = O. Estas se pueden expresar en términos de uno o
más parámetros.
__________________________________________________________________
Resolución de sistemas homogéneos
Ejemplo 1 x1 + x 2 − x3 = 0 La matriz de este sistema es:
2x1 − 2x 2 + 3x3 = 0 1 1 − 1
 
3x1 + 7x 2 − x3 = 0 A =  2 − 2 3
3 7 − 1

Con A, realizamos operaciones elementales fila hasta obtener E
1 1 − 1  1 1 - 1  1 0 − 3 2   1 0 0 
       
A = 2 − 2 3 ≈ 0 - 4 5  ≈ 0 1 1
2  ≈  0 1 0 =E
3  
 7 − 1  0 4 2   0 0 7   0 0 1 
Como r(A) = 3 = N° columnas de A = N° de incógnitas, el sistema

tiene solución única y ésta es la misma que tiene EX = O, es decir,
0
 
S =  0  , que nos permitimos escribir S = (0, 0, 0)
0
 
__________________________________________________________________
Ejemplo 2: x1 + x2 − 3x3 = 0
2x1 − 4x2 + 6x3 = 0
En este caso:
− 1x1 − 7x2 + 15x3 = 0
 1 1 − 3 1 1 - 3 1 0 − 1
     
A = 2 −4 6 ≈ 0 -6 12  ≈  0 1 − 2 = E
−1 −7 15   0 -6 12   0 0 0 

Como r(A) = 2 < N° columnas de A (N° de incógnitas), el sistema

tiene infinitas soluciones. Estas las buscamos en el sistema EX = O:
x1 − x 3 = 0 x1 = x 3
⇔
x 2 − 2x 3 = 0 x 2 = 2x 3
Asignamos a x 3 el parámetro λ con el fin de expresar las infinitas
soluciones así:
 λ   1
   
S =  2λ  =  2  λ ; λ ∈ ℜ. O también, S = (1, 2, 1) λ , λ ∈ ℜ
 λ   1
   
__________________________________________________________________
Ejemplo 3: Resolvamos el sistema de 4 incógnitas:
x − y + 4 z + 5u = 0
2x + 3y − 7z = 0
 1 −1 4 5  1 −1 4 5  1 0 1 3
A =   ≈   ≈  =E
2 3 − 7 0 0 5 − 15 − 10   0 1 − 3 − 2 
En este caso, r(A) = 2 < N° columnas de A (N° de incógnitas) y el

sistema tiene infinitas soluciones. El sistema equivalente EX = O
es: x + z + 3u = 0 x = - z - 3u
⇔
y − 3 z − 2u = 0 y = 3z + 2u
Asignamos dos parámetros: z = λ , u = µ . Las infinitas soluciones
se expresan:  − 1 - 3
   
3
   2
S =   λ +   µ ; λ , µ ∈ ℜ.
1 0
   
 0  1
   
O también, S = ( − 1, 3, 1, 0) λ + ( − 3, 2, 0, 1) µ ; λ , µ ∈ ℜ
__________________________________________________________________
Ejemplo 4: Determinemos todos los valores de k de modo
que el siguiente sistema tenga soluciones distintas de X=O,
es decir, soluciones no triviales.
5x1 − x2 + 3x3 = 0
− 2x1 + 4x2 + 6x3 = 0
x2 + (k − 1)x3 = 0
El sistema tendrá soluciones no triviales si y sólo si r(A) < 3 = N°

columnas de A (N° de incógnitas del sistema).
 5 −1 3  1 -2 -3  1 0 1 
     
A = − 2 4 6  ≈ 0 9 18  ≈  0 1 2 =E
 0 1 k − 1  0 1 k - 1  0 0 k − 3 

Por lo tanto el valor de k buscado es k = 3, en cuyo caso las múltiples

soluciones del sistema se pueden expresar:
( − 1, - 2, 1) λ ; λ ∈ ℜ
__________________________________________________________________
Ejercicio: Determine todos los valores reales de k de
modo que el siguiente sistema tenga soluciones no triviales:
x1 + x 2 − x 3 = 0
2 x1 − 4 x 2 + kx 3 = 0
3 x1 + 7 x 2 − x 3 = 0
Ejercicio: ¿Para qué valores del número

real a, el sistema AX = O tiene solución
única? Aquí A es la matriz:
 1 1 − 1
 
A = 3 a a
 4 a 0
 
__________________________________________________________________
Sistemas de ecuaciones lineales no homogéneos
Consideremos el sistema no homogéneo AX
= B, de m ecuaciones lineales con n
incógnitas, donde A = ( a i j ) ∈ M mn ( ℜ ) y
B = ( b1, b 2 , . . . . . , b m ) t ∈ M mx1 ( ℜ )
Llamaremos matriz ampliada (o matriz aumentada) del

sistema AX = B a:
 a 11 a 12 .... a 1n b1 
 
 a 21 a 22 .... a 2n b2 
A =
.... .... .... .... .... 
 
a am 2 .... a mn b m 
 m1
__________________________________________________________________
Se tiene que:
El sistema AX = B es compatible si y sólo si r(A) = r(A; B)
O equivalente,
El sistema AX = B es incompatible si y sólo si r(A) ≠ r(A; B).
Supongamos que AX = B, sistema de m ecuaciones lineales

con n incógnitas, es compatible.
1. Si r(A) = r(A; B) = n, entonces AX = B tiene solución única.
2. Si r(A) = r(A; B) < n, entonces AX = B tiene infinitas
soluciones que se pueden expresar en términos de uno o
más parámetros.
__________________________________________________________________
Si el sistema AX = B tiene n ecuaciones y n
incógnitas, A es una matriz cuadrada de
orden n. Y si el rango de A, r(A) = n,
entonces r(A; B) también es n, A es invertible
y la única solución del sistema la podemos
encontrar a través de la inversa de A:
X = A − 1B
Ejercicio: En las condiciones anteriores, ¿por qué
X = BA − 1no es solución del sistema?
Ejercicio: Usando la inversa de la matriz del sistema,
resuelva x1 + x 2 + 2x 3 = 9
3x1 + 6x 2 − 5x 3 = 0
2x1 + 4x 2 − 4x 3 = − 2
__________________________________________________________________
Resolución de sistemas no homogéneos
Ejemplo 1: x + 4y − 3z = −3
3x + 6y − z = 1
 1 4 − 3 − 3   1 4 − 3 − 3   1 0 7 3 113 
( A; B) =   ≈   ≈
3 6 −1 1  0 − 6 8 10  0 1 −4 3 −5 3 
En este caso, r(A) = 2 = r(A; B) y el sistema es compatible. Como
n = N° de incógnitas = 3, el sistema tiene infinitas soluciones; las
buscamos en: 7
x + 3z 11
= 3
y − 43 z = −5
3
Soluciones: ( −7 , 4 , 1) λ + (11, -5 , 0) ; λ ∈ ℜ
3 3 3 3
__________________________________________________________________
Ejemplo 2: Estudiemos la compatibilidad del sistema
x1 − 2 x 2 + x 3 = a
2 x1 + x 2 + x 3 = b
5x2 − x3 = c
1 −2 1 a 1 − 2 1 a  1 − 2 1 a 
     
( A ; B) =  2 1 1 b ≈ 0 5 − 1 b − 2a  ≈  0 5 −1 b − 2a 
0 5 − 1 c   0 5 −1 c   0 0 0 2a − b + c 

Por lo tanto, el rango de A es 2.

El sistema será compatible si y sólo si
r(A; B) = 2,
lo que equivale a que a, b, c deben cumplir,
2a – b + c = 0
__________________________________________________________________
Ejemplo 3: Determinemos los valores reales de m de
manera que el sistema: x + 2 x + 2 x
1 2 3 = 1
mx 2 + x 3 = 2
x1 + x 2 + mx 3 = − 1
i) Tenga solución única

ii) Posea múltiples soluciones
iii) Sea incompatible
1 2 2 1  1 2 2 1 
   
( A ; B) =  0 m 1 2 ≈ 0 m 1 2 ≈
1 1 m − 1  0 − 1 m − 2 − 2 

1 0 2m − 2 −3 
 
≈ 0 1 2−m 2 
0 0 ( m − 1) 2
2 (1 − m ) 

__________________________________________________________________
i) Para cualquier número real m, m ≠ 1, r(A) = 3 = r(A; B) y el
sistema tiene solución única. En este caso,
 1 0 2 ( m − 1) − 3 1 0 0 1 
  
( A ; B) ≈  0 1 2−m 2 ≈ 0 1 0 2 
 0 0 ( m − 1) 2  m −1 
 2 (1 − m )  0 0 1 −2 
 m −1 
Y la solución es: S = 1, ( 2
m -1
, -2
m -1
), m ≠ 1
1 0 0 − 3
 
ii) Si m = 1, ( A ; B) ≈  0 1 1 2  , r(A) = 2 = r(A; B) y el
0 0 0 0 

sistema tiene múltiples soluciones que se expresan:
( 0, - 1, 1) λ + (-3, 2, 0) ; λ ∈ ℜ
iii) Para ningún número real m, el sistema es incompatible.
__________________________________________________________________
Ejercicio: Analice las soluciones del sistema
x1 + x 2 + ax 3 + x 4 = 1
x1 + ax 2 + x 3 + x 4 = 2
ax 1 + x 2 + x 3 + x 4 = 1
dependiendo de los valores que tome el número
real a.
Ejercicio: Resuelva el sistema 2 x1 + x 2 + x 3 = 1

x 1 + kx 2 + kx 3 = 2k
x 1 + kx 2 − kx 3 = k
Para todos los valores reales de k para los cuales existen
múltiples soluciones.
¿Para algún valor de k, el sistema resulta ser incompatible?
__________________________________________________________________
Problema: Una persona invierte
US$20.000 en tres diferentes negocios
que proporcionan utilidades del 5%, 6%
y 8% respectivamente.
La ganancia anual total de las tres
inversiones es US$1.266.
Determine la cantidad depositada en
cada negocio si se sabe que la utilidad
del negocio al 8% es igual a dos veces la
ganancia que deja el negocio al 5%.
Determine la cantidad depositada en cada negocio si se
sabe que la utilidad del negocio al 8% es igual a dos veces la
ganancia que deja el negocio al 5%.
__________________________________________________________________
La Regla de Cramer
La Regla de Cramer nos proporciona un método para
resolver ciertos sistemas de n ecuaciones lineales con n
incógnitas.
Sea A matriz de orden n y consideremos el sistema de
ecuaciones lineales AX = B. Si det (A) ≠ 0, entonces A es
invertible y la única solución del sistema es X = A − 1B .
La Regla de Cramer nos entrega otra manera de hallar esta
única solución de AX = B a través de los determinantes;
asegura que,
∆i
xi = , i = 1, 2, . . . . . , n
∆
donde ∆ = det( A ) y ∆ i es el determinante de la matriz que
se obtiene al sustituir la i-ésima columna de A por la columna
B de términos constantes.
__________________________________________________________________
Ejemplo: Resolvamos el sistema x1 + 2x2 + 2x3 = 1
mx 2 + x 3 = 2
x1 + x2 + mx 3 = −1
para todos los valores de m que hacen que este sistema

tenga solución única.
1 2 2
En este caso ∆ = 0 m 1 = (m − 1)2
1 1 m
Luego ∀ m ∈ ℜ − {1} , ∆ = det(A) ≠ 0 y el sistema tiene
solución única. Calculemos la solución:
__________________________________________________________________
1 2 2
2 m 1
∆ −1 1 m ( m − 1) 2
x1 = 1 = = = 1
∆ 2 2
( m − 1) ( m − 1)
1 1 2
0 2 1
∆2 1 −1 m 2 ( m − 1) 2
x2 = = = =
∆ ( m − 1) 2 ( m − 1) 2 m −1
1 2 1
0 m 2
∆3 1 1 −1 − 2 ( m − 1) − 2
x3 = = = =
∆ ( m − 1) 2 ( m − 1) 2 m −1
Solución: S = 1, ( 2 ,
m -1
-2
m -1
, ) m ≠ 1
__________________________________________________________________
Problema: Suponga que dos productos A y B compiten y
que las demandas Q A y Q B de estos productos están
relacionadas con sus precios p A y p B por las ecuaciones
de demanda: Q A = 17 - 2p A + 1 p B ,
2
Q B = 207 - 3p A + 1 p B
2
Las ecuaciones de la oferta son:
pA = 2 + Q A + 1 QB ,
3
pB = 2 + 1 Q A + 1 Q B
2 4
que indican los precios a los cuales las cantidades
estarán disponibles en el mercado. En el punto de equilibrio
del mercado las cuatro ecuaciones deben satisfacerse.
Calcule los valores de equilibrio de Q A , QB , p A y pB .
__________________________________________________________________
Sistemas lineales y factorización LU
Consideremos el sistema AX = B, donde A es una matriz de
orden n que admite una descomposición LU. Si AX = B tiene
solución única, ésta se puede obtener de la manera que se indica
a continuación:
AX = B ⇔ LU X = B ⇔ LY = B, con Y = UX
Ejemplo: Resolvamos el sistema

x1 + 2x 2 − x 3 + x 4 = −2
− x1 − x 2 + 2x 3 − x 4 = 4
3 x1 + 4 x 2 − x 3 = −1
2x1 + 4 x 2 + 2x 3 + x 4 = 7
__________________________________________________________________
La matriz A del sistema admite una factorización LU así:
 1 2 − 1 1  1 0 0 0  1 2 −1 1
     
 − 1 − 1 2 − 1  − 1 1 0 0 0 1 1 0
A= = ×
3 4 − 1 0  3 − 2 1 0 0 0 4 − 3
     
 2 4 2 1  2 0 1 1  0 0 0 2 

L U
Resolvemos LY = B,
y1 = −2  - 2
 
− y1 + y 2 = 4  2
⇒ Y= 
3 y1 − 2y 2 + y 3 = −1 9
 
2y1 + y 3 + y 4 = 7  2
 
__________________________________________________________________
Finalmente, resolvemos U X = Y,
x1 + 2x 2 − x 3 + x 4 = −2  2
 
x 2 + x3 = 2  - 1
⇒ X= 
4x3 − 3x 4 = 9 3
 
 1
2x 4 = 2  
Solución del sistema
__________________________________________________________________
Espacios vectoriales
__________________________________________________________________
En el estudio de las matrices y, en
particular, de los sistemas de ecuaciones
lineales realizamos sumas y multiplicación por
escalares con un tipo especial de matrices, las
de orden nx1.
Abusando del lenguaje y la notación establecimos la
correspondencia:
 x1 
 
 x2 
 .  (x 1, x 2 , . . . . , x n )
 .. 
 . 
 
 xn 
__________________________________________________________________
n
Es decir, aceptamos que Mnx 1( ℜ ) ≅ ℜ , con el fin de
aprovechar la familiaridad que se tiene con los espacios
ℜ2 y ℜ3 .
En este capítulo estudiaremos conjuntos que
n
poseen propiedades algebraicas similares a ℜ .
A dichos conjuntos se les dará el nombre de
espacios vectoriales y a sus elementos el
nombre de vectores.
En lo que sigue κ designará al cuerpo ℜ de los números

reales o al cuerpo C de los números complejos.
__________________________________________________________________
Espacios y subespacios vectoriales
Un espacio vectorial sobre el cuerpo κ es un conjunto
de objetos V con dos operaciones:
(1) + : V x V V ; (u, v) u+v
que es asociativa, conmutativa, posee elemento neutro
(cero) y cada elemento posee un inverso.
(2) p: κxV V ; (α , v) α⋅ v
que satisface lo siguiente:
i) α (β v ) = ( αβ )v ; ∀ α, β ∈ κ; ∀ v ∈ V
ii) ( α + β )v = α v + β v; ∀ α, β ∈ κ; ∀ v ∈ V
iii) α (u + v ) = α u + α v; ∀ α ∈ κ; ∀ u, v ∈ V
iv ) 1 ⋅ v = v; ∀ v ∈ V, con 1 elemento unidad de κ
__________________________________________________________________
La operación (1) es interna en V; se llama suma
o adición. La operación (2) es externa y se llama
multiplicación por escalar o ponderación.
Los elementos de V se llaman vectores y los de κ
escalares. Si κ = ℜ , se dice que V es un espacio
vectorial real. Si κ = C , el espacio vectorial V se dice
complejo.
En cualquier espacio vectorial V sobre κ se tiene que:
a) 0 ⋅ v = 0 , ∀v ∈ V
b) α ⋅ 0 = 0, ∀α ∈ κ
c) α ⋅ v = 0 ⇒ (α = 0 ∨ v = 0)
d) (-1) ⋅ v = − v, ∀v ∈ V
__________________________________________________________________
Ejemplos de espacios vectoriales
(1) Para n número natural, sea ℜn = ℜ × . . . . × ℜ

(n veces), es decir,
ℜn = { ( x1, . . . . . , x n ) / x i ∈ ℜ, ∀i = 1, . . . . , n }
n con las operaciones siguientes:
ℜ
( x1, . . . . , x n ) + (a1, . . . . , a n ) = ( x1 + a1, . . . . , x n + a n )
α ( x1, . . . . , x n ) = ( α x1, . . . . , α x n ) , α ∈ ℜ
es un espacio vectorial real.
En consecuencia, ℜ es un espacio vectorial

sobre sí mismo.
__________________________________________________________________
El espacio vectorial real ℜ2
__________________________________________________________________
El espacio vectorial real ℜ3
__________________________________________________________________
Suma en ℜ3
Ponderación en ℜ3
__________________________________________________________________
(2) No sólo ℜ es un espacio vectorial sobre ℜ . Si IK es
un cuerpo, IK es un espacio vectorial sobre si mismo. En
este caso, la ponderación coincide con la multiplicación
del cuerpo IK. En consecuencia, C (números complejos)
es un espacio vectorial complejo. Pero C también es un
espacio vectorial real si se considera la ponderación:
α ( a + bi ) = α a + α bi , α ∈ ℜ
(3) Para m , n ∈ IN , el conjunto M mxn ( ℜ ) de las matrices
reales de orden mxn, con las operaciones suma y
multiplicación habituales de las matrices, es un espacio
vectorial real.
(4) El conjunto ℜ [ x ] de los polinomios en x con coeficientes
reales, con las operaciones suma y ponderación usuales,
es un espacio vectorial sobre ℜ .
__________________________________________________________________
(5) Para n número natural, denotemos por
Pn [ x] = { p( x ) ∈ ℜ[x] / p(x) de grado ≤ n }
Pn [ x], con las operaciones suma y multiplicación por
escalares reales, es un espacio vectorial real.
(6) Si A ⊆ ℜ, el conjunto F( A, ℜ) = { f : A → ℜ / función },
con la suma y ponderación usuales de las funciones, es
un espacio vectorial sobre ℜ .
¿Cuál es el elemento cero de los

siguientes espacios vectoriales reales?
ℜ n , M mxn ( ℜ ) , Pn [ x] y F( A, ℜ)
__________________________________________________________________
Los siguientes conjuntos, con las operaciones
suma y ponderación habituales de los respectivos
espacios, no son espacios vectoriales reales.
A = { ( x , y) ∈ ℜ 2 / y = 2x − 3 }
B = { a + 5x 2 ∈ P2 [x] / a ∈ ℜ }
C = { A ∈ M n ( ℜ ) / det(A) ≠ 0 }
D = { f ∈ F ( ℜ , ℜ ) / f creciente en ℜ }
Ejercicio: Demuestre que los conjuntos A, B, C y

D mencionados anteriormente, no son espacios
vectoriales reales.
__________________________________________________________________
Cuando un subconjunto W de un espacio
vectorial V sobre el cuerpo κ , con las
operaciones de V restringidas a sus
elementos, resulta ser un espacio vectorial
sobre κ , entonces se dice que W es un
subespacio vectorial (o subespacio lineal o
simplemente subespacio) de V.
Por lo tanto,
W es un subespacio de V ⇒ 0V ∈ W
O equivalentemente,
0V ∉ W ⇒ W no es subespacio de V
__________________________________________________________________
El siguiente teorema caracteriza a los subespacios de V.
Teorema: Sea V un espacio vectorial sobre y W κ

un subconjunto no vacío de V. W es un subespacio de V
si y sólo si
i) ∀ u, v ∈ W ⇒ u + v ∈ W
ii) ∀ α ∈ κ, ∀ u ∈ W ⇒ α u ∈ W
Del teorema anterior sigue que, si V es un espacio

vectorial sobre κ, entonces V y { 0 } son subespacios
vectoriales de V.
__________________________________________________________________
Ejemplo: El conjunto D = { ( x, y) ∈ ℜ 2 / y = x 2 } no es
un subespacio de ℜ2 pues, por ejemplo, u = (2, 4) ∈ D,
v = (3, 9) ∈ D y u + v = (5, 13) ∉ D.
Ejemplo: El conjunto W = { ( x, y, z) ∈ ℜ3 / 2x - z = 0 } es
un subespacio de ℜ3 ; en efecto,
W = { ( x, y, 2x) / x , y ∈ℜ }
y se tiene que,
i) 0 = (0, 0, 0) ∈ W y W≠ ∅
ii) (x, y, 2x) + (a, b, 2a) = (x + a, y + b, 2(x + a)) ∈ W
iii) α ( x, y, 2 x ) = ( α x, α y, 2 α x ) ∈ W
En virtud del teorema enunciado anteriormente, W es
un subespacio de ℜ3 .
__________________________________________________________________
Ejemplo: El conjunto U = { A ∈ M n ( ℜ ) / A es simétrica}
es un subespacio de M n ( ℜ ) ; efectivamente,
i) O n ∈ U ; puesto que la matriz nula es simétrica.

Luego U ≠ ∅
i) A, B ∈ U ⇒ (A t = A ∧ Bt = B)
⇒ (A + B) t = A t + B t = A + B
⇒ A +B∈U
ii) ( α ∈ ℜ ∧ A ∈ U) ⇒ ( α A) t = α A t = α A
⇒ αA ∈ U
Por lo tanto, W es un subespacio de M n ( ℜ ).
__________________________________________________________________
Ejercicio: Muestre 3 ejemplos de
conjuntos que sean subespacios de
ℜ3 y 3 conjuntos que no sean
subespacios de ℜ3 .
Ejercicio: Demuestre que los siguientes conjuntos

son subespacios del respectivo espacio.
S 1 = { ( x, y) ∈ ℜ 2 / y = 4x }
S 2 = { a + bx + c x 2 ∈ P2 [x] / a + 2c = 0 }
S 3 = { (x, y, z, t) ∈ ℜ 4 / x + 3y + 4 t = 0 ∧ y - z + 2t = 0 }
 a b 
S 4 =    ∈ M 2 ( ℜ ) / 3a + b - d = 0 ∧ 2c - b = 0 
 c d 
__________________________________________________________________
Teorema: Sea V un espacio vectorial sobre κ y sean
U y W subespacios de V. Entonces U∩ W es un
subespacio de V.
Efectivamente, como 0V pertenece a U y también a W,
0 V ∈ U ∩ W. Además si u, v son vectores de U∩ W ,
u∈U ∧ u∈ V ∧ v∈U ∧ v∈ W
⇒ u+ v∈U ∧ u+ v∈ W
⇒ u + v ∈U ∩ W
Finalmente, si u ∈ U ∩ W y α ∈ κ,
u∈U ∧ u∈ W
⇒ αu ∈ U ∧ αu ∈ W
⇒ αu ∈ U ∩ W
__________________________________________________________________
Es posible demostrar que la intersección de
cualquier colección de subespacios de un
espacio vectorial V es un subespacio de V.
También es fácil mostrar que la unión de dos subespacios

de un espacio vectorial V no es un subespacio de V.
2
Por ejemplo, considere los subespacios de ℜ :
U = { (x, y) / y = 2x }
W = { (x, y) / y = 3x }
2
Entonces U U W no es un subespacio de ℜ .
¿Por qué?
__________________________________________________________________
Combinaciones lineales - generadores
Sea V es un espacio vectorial sobre κ y
S = { v1, . . . . . , vn } un conjunto de vectores
de V. Una combinación lineal de vectores
de S (o de v1, . . . . . , v n ) es un vector de la
forma v = α1 v1 + . . . . . . + αnvn, donde
α 1, . . . . , α n ∈ κ .
Por ejemplo, el vector v = (-1, -2, 7) del espacio ℜ 3 es

combinación lineal de los vectores s = ( 1, -4, 3) y
t = (-2, 5, -1) puesto que v = 3 s + 2 t.
__________________________________________________________________
El conjunto de todas las combinaciones lineales
de vectores de S resulta ser un subespacio
vectorial de V; se llama espacio generado por
S (o espacio generado por v1, . . . . . , v n ) y se
denota <S> o < { v1, . . . . . , v n }>.
Ejemplo: Determinemos el subespacio generado por los

3
vectores v1 = (1, 0, 2) y v2 = (0, - 1, 1) de ℜ :
< { v1, v 2 } > = { α v1 + β v 2 / α, β ∈ ℜ }
= { α(1, 0, 2) + β(0, - 1, 1) / α, β ∈ ℜ }
= { ( α, - β, 2α + β ) / α, β ∈ ℜ }
= { (x, y, z) ∈ ℜ 3 / z = 2x - y }
__________________________________________________________________
Ejemplo: Sea S = { 2 - 5x + x 2 , 1 - 3x + 2x 2 } ⊂ P2 [x]
¿El vector p(x) = 2 - 4x − 5 x 2 pertenece a < S > ?
La pregunta equivale a ¿existen α, β ∈ ℜ tales que
α(2 - 5x + x 2 ) + β(1- 3x + 2x 2 ) = 2 - 4x - 5x 2 ?
Esta igualdad nos conduce a 2α + β = 2
− 5 α − 3β = − 4
α + 2β = − 5
Sistema que resulta incompatible y, en consecuencia,

p ∉<S >
__________________________________________________________________
VoF Ejercicio: Determine si las
siguientes afirmaciones, relativas a
un espacio vectorial V, son
verdaderas o falsas:
A) 0 ∈ < S >, ∀ S ⊆ V
B) ∀ k = 1, . . . . , n, v k ∈ < {v 1, . . . . . , v n } >
C) S⊆T ⇒ <S> ⊆ <T>
D) <S>=<T> ⇒ S=T
Si V es un espacio vectorial y S es un subconjunto de

V, puede ocurrir que < S > = V; en este caso se dice
que S genera a V o que V está generado por S.
__________________________________________________________________
3
Ejemplo: Consideremos los vectores de ℜ , e 1 = ( 1, 0, 0),
e 2 = ( 0 , 1, 0) y e 3 = ( 0 , 0, 1). Entonces { e1, e 2 , e 3 }
3
genera al espacio ℜ ; en efecto,
< { e1, e2, e3 } > = {a(1, 0, 0) + b(0, 1, 0) + c(0, 0, 1) / a, b, c ∈ ℜ}
= {(a, b, c) / a, b, c ∈ ℜ}
= ℜ3
Puntos en el espacio ℜ3
__________________________________________________________________
ℜ está generado por e 1 = 1
0 1
1
2 está generado por
ℜ
e 1 = (1, 0), e 2 = ( 0 , 1) 1
P2[x] está generado por {1, x, x2 } puesto que

a + bx + cx2 = a ⋅ 1+ b ⋅ x + c ⋅ x2
¿Cuáles son los generadores “naturales” de M2( ℜ )?
__________________________________________________________________
Dependencia lineal
4
En ℜ , consideremos los vectores u = (1, 0, -1, 0),
v = (0, 1, 0, -1) y w = (1, -1, -1, 1). Entonces,
< {u, v, w} > = {( α + γ , β − γ , - α − γ , - β + γ ) / α , β, γ ∈ ℜ }
= {(a, b, c, d) / a + c = 0 y b + d = 0 }
Por otra parte,
< {u, v} > = {( α , β, - α , - β ) / α , β ∈ ℜ }
= {(a, b, c, d) / a + c = 0 y b + d = 0]
Es decir, < {u, v, w} > = < {u, v} >. Este hecho no es

casual, se deriva de la “dependencia lineal” que existe
entre u, v, w que, en este caso, significa w = u – v.
__________________________________________________________________
Sea V espacio vectorial sobre κ y
S = { v1, . . . . . , v n } un conjunto de vectores de V.
Se dice que S es linealmente dependiente
(l.d.) si existen escalares α1, . . . . . , αn no todos
nulos tales que α1 v1 + . . . . . . + αnvn = 0
Si S no es l.d., se dice que S es linealmente

independiente (l.i.). Por lo tanto S es l. i. si
α1 v1 + . . . . . . + αnvn = 0 ⇒ αi = 0, ∀i = 1, . . . . , n
Por ejemplo, los vectores e1, e2, e3 de ℜ3 son l. i.

¡demuéstrelo!
__________________________________________________________________
Sea ei el vector de ℜn que tiene todas sus componentes
iguales a cero, excepto la i-ésima que es uno. Entonces
el conjunto de vectores {e1, . . . ,en}, además de generar
a ℜn , es un conjunto l. i.
El conjunto {1, x, x2 } de generadores de

P2[x] es un conjunto l. i.
 1 0  0 1  0 0  0 0
Los vectores E1 =  , E2 =  , E3 =  , E4 =  
 0 0  0 0  1 0  0 1
generan al espacio M2( ℜ ) y son l. i.
Ejercicio: Demuestre las afirmaciones hechas antes.
__________________________________________________________________
Ejercicio: Determine si los siguientes conjuntos
son l. i.
S 1 = { (1, 1, 1), (1, 1, 0), (1, 0, 0) } ⊂ ℜ 3
S 2 = { (1, 1, - 2), (-1, 0, 1), (-1, 3, 2) } ⊂ ℜ 3
S 3 = { 1 + 2x - 2x 2 , 3x + x 2 , 1 - 2x 2 } ⊂ P2 [ x ]
 1 − 2   3 0   - 1 − 4 
S 4 =  
 
,  ,    ⊂ M 2 ( ℜ )
 1 1  2 − 2   0 4 
Ejercicio: Sean V espacio vectorial sobre κ, u y v

vectores de V.
a) ¿Bajo que condiciones { v } es l. i.?
b) ¿Bajo que condiciones { u, v } es l.d.?
__________________________________________________________________
Ejercicio: Sea V espacio vectorial sobre κ.
Demuestre que:
a) 0 ∈ S ⇒ S l. d
b) (S ⊂ T ∧ T l.i. ) ⇒ S l.i.
c) (S ⊂ T ∧ S l.d. ) ⇒ T l.d.
Ejercicio: Suponga que { v1, v2, v3 } es un conjunto

linealmente independiente de vectores de un espacio
vectorial V.
Demuestre que {v1 + v2 – 2v3, 2v2 + v3, v1 – 2v3 } es
también un conjunto linealmente independiente de V.
__________________________________________________________________
Base - dimensión
Sea V un espacio vectorial sobre el cuerpo κ .
Una base de V es un conjunto B de vectores
de V que es linealmente independiente y
generador de V.
Por ejemplo, para cada n ∈ IN el conjunto B = { e1, . . . . , en}

n n
de vectores de ℜ , es una base de ℜ ; se llama base
n
canónica (o usual) de ℜ .
Los conjuntos B = { 1, x, x 2 }
 1 0   0 1 0 0 0 0 
B =  ,  ,  ,  
 0 0  0 0   1 1  0 1 
son las bases canónicas de P2[x] y M2(ℜ) respectivamente.
__________________________________________________________________
¿Todo espacio vectorial
tiene una base?
Si un espacio vectorial posee un conjunto finito de

generadores S, S ≠ {0}, entonces S contiene a
una base de V.
Para demostrar este hecho consideremos S = {v1, . . . , vm}.
(*) Si S es l.i., entonces S es base de V. Si S no es l.i.,
alguno de los vectores de S, llamemos vi depende
linealmente de los demás y el conjunto S(1) = S – {vi} sigue
generando a V. Y volvemos a (*) pero ahora con S(1).
Repitiendo este proceso llegamos a obtener una base de V
que, al menos, tendrá un solo vector no nulo.
__________________________________________________________________
¿Cada espacio vectorial
tiene una única base?
No, por ejemplo, sea B el conjunto de vectores de ℜ3

B = {(-2, 1, 0), (1, 3, 2), (1, 1, 1)}
i) Demostremos que B es linealmente independiente.
Sean α, β, γ ∈ ℜ tales que
α( −2, 1, 0) + β(1, 3, 2) + γ(1, 1, 1) = (0, 0, 0)
− 2α + β + γ = 0
Sistema que tiene solución
⇒ α + 3β + γ = 0
única α = 0, β = 0, γ = 0
2β + γ = 0
Luego B es l. i.
__________________________________________________________________
3
ii) Demostremos que B genera a ℜ .
3
Sea ( a, b, c) ∈ ℜ y α, β, γ ∈ ℜ tales que
α ( − 2, 1, 0) + β(1, 3, 2) + γ (1, 1, 1) = (a, b, c)
− 2α + β + γ = a
⇒ α + 3β + γ = b
2β + γ = c
Sistema que tiene solución única α = − a − b + 2c
β = a + 2b - 3c
γ = − 2a - 4b + 7c
En consecuencia,
(-a-b+2c)(-2, 1, 0) + (a+2b-3c)(1, 3, 2) + (-2a-4b+7c)(1, 1, 1) = (a, b, c)
3
Luego B genera a ℜ y B es una base de ℜ3 .
__________________________________________________________________
Ejercicio: Determine si los conjuntos S1, S2 son
base del espacio P2[x].
S1 = { 2 + 3x + x2, 3 + x, -1 + 2x + x2 }
S2 = {1 + x2, -1 + x, 2 + 2x }
Ejercicio: Suponga que { v1, v2, v3 } es

una base de un espacio vectorial V.
Demuestre que {v1 + 2v2 – v3, v2 + 3v3,
v1 + 4v2 + 6v3 } también es una base de V.
__________________________________________________________________
Un espacio vectorial V sobre κ puede tener múltiples
bases, pero se puede demostrar que todas ellas, cuando
son finitas, tienen el mismo número de elementos (la
misma cardinalidad). Este hecho nos permite entregar el
siguiente concepto:
Si V es un espacio vectorial sobre κ

que tiene una base B con n vectores,
entonces se dice que V es un espacio de
dimensión finita y el número entero n se
llama dimensión de V.
Si V tiene dimensión n, anotaremos dimKV = n o

dim V = n, si no hay lugar a confusión.
__________________________________________________________________
En consecuencia,
dim ℜ = 1, dim ℜ n = n
dim P2 [ x ] = 3, dim Pn [ x ] = n + 1
dim M 2 ( ℜ ) = 4, dim M mn ( ℜ ) = mn
¿Cuál es la dimensión
del espacio {0}
El espacio V = {0} no posee base, sin

embargo se le asigna la dimensión cero:
dim {0} = 0
__________________________________________________________________
Ejemplo: Determinemos la dimensión del subespacio
de P2[x] , W = { a + bx + cx2 / 2a – b + 4c = 0}
Se tiene que W = {a + bx + cx 2 / b = 2a + 4c }
= { a + (2a + 4c)x + cx 2 / a, c ∈ ℜ }
= { a(1 + 2x) + c (4x + x 2 ) / a, c ∈ ℜ }
= < { 1 + 2x, 4x + x 2 } >
Siendo B = { 1 + 2x, 4x + x2 } un conjunto generador de
W y linealmente independiente, puesto que B tiene dos
vectores y uno no es “múltiplo escalar” del otro, B es una
base de W; luego dim W = 2.
__________________________________________________________________
Observaciones:
1) La dimensión del espacio vectorial real C de los
números complejos es 2. Pero si consideramos a
C como espacio vectorial sobre si mismo,
entonces C es un espacio de dimensión 1.
Justifique esta afirmación.
2) Existen espacios vectoriales que no poseen una
base finita. Dichos espacios se dicen de
dimensión infinita; por ejemplo, el espacio
vectorial real C([a, b]; ℜ ), de todas las funciones
reales continuas en [a, b] tiene dimensión infinita.
Muestre otro ejemplo de un espacio vectorial de
dimensión infinita.
__________________________________________________________________
Sea V un espacio vectorial sobre κ de
dimensión finita n. La demostración de los
siguientes teoremas queda de ejercicio.
1. Si S = {v1, . . . . , vm} ⊂ V, con m > n, entonces S es l.d.

2. Si B = {v1, . . . . , vn} ⊂ V es l. i., entonces B es base de V.
3. Si B = {v1, . . . . , vn} ⊂ V es generador de V, entonces B
es base de V.
4. Si W es un subespacio de V, entonces dim W ≤ n
5. Si W es un subespacio de V tal que dim W = n, entonces
V = W.
__________________________________________________________________
En un espacio vectorial V de dimensión finita,
un conjunto linealmente independiente de
vectores de V puede completarse hasta
formar una base de V.
Teorema (Completación de base)

Sea V espacio vectorial sobre κ de dimensión finita n.
Si { v1, . . . . . , v k } ⊂ V, con k < n, es un conjunto lineal-
mente independiente, entonces existen vectores
v k +1, . . . . . , v n ∈ V tales que { v1, . . . . , v k , v k +1, . . . , v n }
es base de V.
Ejercicio: Demuestre el teorema precedente.

__________________________________________________________________
Ejercicio: Considere el subespacio de M2(R),
 a b  

W =  
 / a - 2b + c - 4d = 0 ∧ a + b - 3d = 0
 c d  
a) Determine una base S para W.
b) Encuentre una base B de M2(R) que contenga a la
base S de W.
Ejercicio: Determine todos los valores del número k

de modo que el conjunto
B = { (1, 1, -1), (3, k, k), (4, k, 0)}
sea una base de R3.
__________________________________________________________________
El siguiente teorema nos proporciona otra
caracterización para las bases de un espacio
vectorial de dimensión finita.
Teorema: Sea V espacio vectorial sobre κ y sea

B = {v1, . . . . , vn} conjunto de vectores de V.
B es base de V ⇔ todo vector v de V se escribe
de una única manera como
combinación lineal de los
vectores de B.
__________________________________________________________________
El teorema precedente asegura que para cada v ∈ V
existen únicos escalares α1, . . . . . , αn ∈ κ tales que
v = α1 v1 + . . . . . + α n v n
Estos escalares reciben el nombre de

coordenadas del vector v con respecto
a la base (ordenada) B y se denotan
[ v ]B = ( α 1, . . . . . , α n )
n
Observe que [ v ]B es un vector de κ . Por esta razón,
muchas veces es llamado vector coordenado.
__________________________________________________________________
2
Ejemplo: Las coordenadas del vector v = (6, -5) ∈ ℜ con
2
respecto a la base canónica E = {(1, 0), (0, 1)} de ℜ son
[ v ]E = ( 6 , - 5 )
¿Cuáles son las coordenadas de v = (6, -5) con respecto
a la base ordenada B = {(5, - 3), (2, -1)} ?
Debemos resolver para α, β ∈ ℜ la ecuación
α(5, - 3) + β(2, - 1) = (6, - 5)
es decir, 5α + 2β = 6
- 3α − β = - 5
De aquí, [ v ]B = ( 4, - 7)
__________________________________________________________________
Ejemplo: Sea v ∈ ℜ3 tal que [ v ]B = (1, - 1, 2) , donde B es
la base ordenada B = {(1, -1, 3), (1, 0, -2), (3, 1, -1)}.
¿Cuál es el vector v? Determinemos [ v ]C , donde C es
la base C = {(1, 0, 1), (1, 1, 2), (1, 1, 4)}.
El vector es v = 1(1, -1, 3) - 1(1, 0, -2) + 2(3, 1, -1) = (6, 1, 3)
Determinemos α, β, γ ∈ ℜ tales que
α(1, 0, 1) + β(1, 1, 2) + γ(1, 1, 4) = (6, 1, 3)
Esto requiere resolver el sistema compatible
α+β+ γ = 6
β+ γ =1
α + 2β + 4 γ = 3
Obtenemos [ v ]C = (5, 3, -2)
__________________________________________________________________
Ejemplo: Consideremos la base ordenada de P2[x]
B = {1 + x 2 , 1 + x, 2 + 3x 2 }
Determinemos las coordenadas del vector
p ( x ) = 4 + 5 x - 3x 2 con respecto a la base B, esto es,
encontremos α, β, γ ∈ ℜ tales que
α(1 + x 2 ) + β(1 + x) + γ(2 + 3x 2 ) = 4 + 5x − 3x 2
Reordenando e igualando polinomios obtenemos el
sistema: α + β + 2γ = 4
⇒ β=5
α + 3γ = -3
cuya solución nos conduce a

[p( x )]B = (3, 5, - 2)
__________________________________________________________________
Sea V espacio vectorial sobre κ y B una base
ordenada de V. Entonces,
( 1) [v + u] B = [v] B + [ u ] B , ∀ v, u ∈ V
(2) [ α v] B = α [v] B , ∀ v ∈ V, ∀ α ∈ κ
Ejercicio: Sea B = { v1, v2, v3 } una base ordenada

de R3. Determine los vectores de B si se sabe que
(-1, 1, 1), (1, -1, 2) y (3, -1, 1) son las respectivas
coordenadas, según la base B, de los vectores e1, e2,
e3 de la base canónica de R3 .
__________________________________________________________________
Suma y Suma directa
Sea V un espacio vectorial sobre κ y sean U, W dos
subespacios de V.
Ya mencionamos que la unión de U y W no es,
necesariamente, un subespacio de V. Definiremos U + W,
la suma de U y W; esta resultará ser un subespacio de V
que contendrá a ambos subespacios.
La suma de U y W es:
U + W = { v ∈ V / v = u + w, u ∈U, w ∈ W }
__________________________________________________________________
Se tiene que:
i) 0V = 0 + 0, con 0 ∈ U y 0 ∈ W
ii) Si v1= u1 + w1 y v2 = u2 + w2 son vectores de U + W,
entonces v1 + v2 = (u1 + u2) + (w1 + w2) ∈ U + W.
iii) Si α ∈ κ , entonces α v1 = α u1 + α w 1 ∈ U + W
Por lo tanto U + W es un subespacio de V. Además se

puede establecer que:
(1) U ⊆ U + W y W ⊆ U+ W
(2) Si U = S y W = T , entonces U + W = S ∪ T
(3) dim (U + W) = dim U + dim W - dim(U ∩ W)
__________________________________________________________________
Puede suceder que dim(U + W) = dim V,
es decir, V = U + W. Por ejemplo, ℜ2 = U + W
donde U = {(1, 0), (0, 1)} y W = {(3, 1)}
En efecto, es claro que U + W ⊆ ℜ2

Por otra parte, si ( x, y) ∈ ℜ2 , entonces
( x, y) = (0, y - x ) + (x, x ) ∈ U + W
3 3
Si V = U + W, los vectores de V no necesariamente se

escriben de manera única como una suma de un vector
de U y un vector de W. En el ejemplo anterior,
(3, 3) = 2(0, 1) + (3, 1)
(3, 3) = -6(1, 0) + 3(3, 1)
__________________________________________________________________
Observe que:
V = U + W ⇔ ∀ v ∈ V, ∃ u ∈U, ∃ w ∈ W : v = u + w
Sea V un espacio vectorial sobre κ y

sean U, W dos subespacios de V. Se dice
que V es la suma directa de U y W, en cuyo
caso se anota V = U ⊕ W si
∀ v ∈ V, ∃!u ∈U, ∃! w ∈ W : v = u + w
Ejercicio: Sean U = < {(0, 1)} > y W = < {(3, 1)} >
subespacios de R2 . Demuestre que R2 es suma
directa de U y W.
__________________________________________________________________
Una caracterización útil de la suma directa la entrega el
siguiente teorema:
Teorema: Sea V un espacio vectorial sobre κy sean

U, W dos subespacios de V.
V = U ⊕ W ⇔ (V = U + W ∧ U ∩ W = {0})

Consecuencia del teorema anterior es la siguiente:
Si V es un espacio vectorial de dimensión finita y
V = U ⊕ W , entonces dim V = dim U + dim W.
__________________________________________________________________
Ejercicio: Considere los subespacios de R3
U1 = { (x, y, z) : x + y + z = 0 }
U2 = < { (1, 1, 1) } >
Demuestre que R3 es suma directa de U1 y U2.
Ejercicio: Sean S1 y S2 los subespacios de M2( R)

S1 = { A ∈ M2 (ℜ) / A diagonal }
 a b  

S2 =  
 ∈ M2 (ℜ) / d = 0 
 c d  
¿Es M2(R) suma directa de S1 y S2?
__________________________________________________________________
Dado un subespacio U de V, ¿existe un
”suplementario” de U? Es decir, existe un
subespacio W de V tal que V = U ⊕ W .
Teorema: Sea V un espacio vectorial sobre de κ

dimensión finita n y sea U subespacio de V.
Entonces existe W subespacio de V tal que V = U ⊕ W .
En efecto, si U = V, basta tomar W = {0}. Supongamos

que dim U = k < n y sea { v1, . . . , vk} una base de U.
Por el teorema completación de base, existen vk+1, . . . ,
vn vectores de V tales que { v1, . . . . , vn } es base de V.
Sea W = { vk+1, . . . , vn} ; entonces V = U ⊕ W .
__________________________________________________________________
El suplementario de un subespacio U no es
2
único. En ℜ cualquier par de rectas no
colineales que pasen por el origen, están
asociadas a subespacios suplementarios.
Ejercicio: Considere el subespacio de ℜ4 ,

U = {(x, y, z, t) : x - 2y + z – 4 t = 0 y x + y + 2z = 0}
4 4
Determine W subespacio de ℜ tal que ℜ = U ⊕ W .
__________________________________________________________________
Espacios con producto interior
__________________________________________________________________
En esta unidad, todos los
espacios vectoriales serán reales
Sea V un espacio vectorial sobre ℜ . Un producto interior
(p.i.) en V es una función < , > : V x V ℜ
(u, v) < u, v >
que satisface lo siguiente:
i) < u1 + u 2 , v > = < u1, v > + < u 2 , v > ; ∀ u1, u 2 , v ∈ V
ii ) < α u, v > = α < u, v >; ∀ α ∈ ℜ; ∀ u, v ∈ V
iii ) < u, v > = < v, u >; ∀ u, v ∈ V
iv ) v ≠ 0 ⇒ < v, v > es positivo
< u, v > se lee producto interior (o producto escalar) entre
los vectores u y v.
__________________________________________________________________
Un espacio con producto interior es
un espacio vectorial V con un p.i.
definido en él.
Observaciones:
(1) Cuando el espacio V es complejo, las condiciones
exigidas para que una función sea p.i. son diferentes. A
saber, < u, v > = < v, u >; ∀ u, v ∈ V .
(2) Si (V, <, >) es un espacio con p.i., entonces
i) < u, v 1 + v 2 > = < u, v 1 > + < u, v 2 > ; ∀ u, v 1, v 2 ∈ V
ii) < u, α v > = α < u, v >; ∀ α ∈ ℜ; ∀ u, v ∈ V
__________________________________________________________________
Más aún,
< u, α1v1 + . . . . + α n v n > = α1 < u, v1 > +. . . . + α n < u, v n > ;
∀u, v1,. . ., v n ∈ V, ∀α1,. . . , α n ∈ ℜ
(3) Si (V, < , >) es un espacio con p.i., entonces
< v, v > = 0 ⇔ v = 0
(4) En un espacio vectorial V pueden estar definidos varios

p.i. Por ejemplo, las siguientes funciones constituyen
2
p.i. en ℜ
f( (x, y), (a, b) ) = xa + yb
g( (x, y), (a, b) ) = xa – ya – xb + 4yb
__________________________________________________________________
Ejemplos de espacios con p.i.
Para n número natural, los espacios ℜ n, M n ( ℜ ) y

Pn [ x] son espacios con p.i., si se considera:
n
< ( x1, . . . . , x n ), ( y1, . . . . , y n ) > = ∑ xi yi
i =1
< A, B > = tr(B t A )
1
< p(x), q(x) > =
∫0 p(x) q(x) dx
respectivamente.
Ejercicio: Demuestre que efectivamente las
funciones < , > definidas antes son p.i. en los
respectivos espacios.
__________________________________________________________________
En lo que sigue, siempre que no se diga algo en
n
contrario, los espacios ℜ , Mn ( ℜ ) y Pn [ x ] se
considerarán con los productos interiores definidos
antes que son llamados p.i. canónicos o usuales.
Ejercicio: Calcule
a) < (3, -5, 1, -2) , (7, 4, -2, 3 >
 2 0 7 − 8
b) <   ,   >
- 5 9  1 − 1
c) < x2 + 5 , 2x + 1 >
__________________________________________________________________
Definiciones: Sea V un espacio con p.i. < , >.
1) La norma o longitud del vector v de V es el número real
|| v || = < v, v >
2) La distancia entre los vectores u y v de V es
d(u, v) = || u - v ||
3) El vector v de V se dice unitario si || v || = 1.
Si el vector v de V, v ≠ 0 , no es unitario,
v
entonces || v || lo es. Por ejemplo, el vector
v = (3, 0, 4) no es unitario puesto que || v || = 5,
pero v 3 4
=  , 0,  lo es.
|| v ||  5 5
__________________________________________________________________
Ejercicio: Calcule la norma de u y la distancia entre
u – 2v y 3u + v si u = (-3, 0, 4, 0) y v = (1, -5, 2, 6)
4
son vectores de ℜ .
 4 − 2  7 − 1
Ejercicio: Si A =  
 − 1 5, B =   ∈ M2 (ℜ),
   1 3
calcule la longitud de A y de A – B.
Ejercicio: Muestre ejemplos de vectores unitarios

u1, u2, u3 de los espacios ℜ 3 , M2 (ℜ ) y P1[ x ] que no
sean los de la base canónica de esos espacios.
__________________________________________________________________
Observaciones:
• Si x ∈ ℜ , || x || = < x, x > = x2 = |x |
• Si v = ( x , y ) ∈ ℜ 2 , || v || = < v, v > = x2 + y2
Coincide con lo
aprendido: distancia
entre dos puntos del v = (x, y)
plano y
|| v ||
__________________________________________________________________
Si v = ( x, y, z ) ∈ ℜ 3 , || v || = < v, v > = x2 + y2 + z2
v = (x, y, z)
|| v ||
__________________________________________________________________
• Si (V, < , >) es un espacio con p.i., se puede
demostrar que:
i) || v || ≥ 0 ; ∀ v ∈ V
ii ) || v || = 0 ⇔ v = 0
iii ) || α v || = α || v ||; ∀ α ∈ ℜ , ∀ v ∈ V
iv ) || v + u || ≤ || v || + || u || ; ∀ v, u ∈ V
(Desigualdad triangular)
No es difícil demostrar i), ii) y iii) anteriores. La
demostración de iv) es consecuencia de otro teorema
conocido como la Desigualdad de Cauchy-Schwartz:
| < v, u > | ≤ || v || || u || ; ∀ v, u ∈ V
dándose la igualdad si y sólo si v y u son linealmente
dependientes.
__________________________________________________________________
• Si (V, < , >) es un espacio con p.i., las propiedades
enunciadas para la norma || || permiten demostrar lo
siguiente para la distancia entre vectores:
d(v, w) = || v – w ||
i) d ( v , u) ≥ 0 ; ∀ v, u ∈ V
ii ) d( v , u) = 0 ⇔ v = u
iii ) d( v , u) = d(u, v); ∀ v , u ∈ V
iv ) d(v, u) ≤ d(v, w) + d(w, u) ; ∀ v, u, w ∈ V
(Desigualdad triangular)
__________________________________________________________________
La Desigualdad de Cauchy-Schwartz le da sentido a la
siguiente definición:
Definición: Sea V un espacio con p.i. < , >. El ángulo

ϑ entre los vectores u y v de V es tal que
< u, v >
cos ϑ =
|| u || || v ||
 < u, v > 
ϑ = cos −1 
ϑ  || u || || v || 
__________________________________________________________________
Ejemplo: Calculemos el valor del número real k para
que el ángulo formado por los vectores u = (1, k, 1) y
v = (1, 1, 0) sea π 3 radianes.
−1
 1+ k  1+ k 1
ϑ = cos = π ⇔ =
  3 2
 k2 + 2 2 2k 2 + 4
⇔ k =0
Ejercicio: Calcule el ángulo entre los vectores

a) u1 = (1, -4, 2) y u2 = (-5, 1, -1)
b) v1 = (1, -1, 1, -1) y v2 = (2, 0, 3, 5)
__________________________________________________________________
Definición: Sea V un espacio con p.i. < , >. Se dice que:
1) Los vectores u, v de V son ortogonales o
perpendiculares si < u, v > = 0.
2) El conjunto S de vectores de V es un conjunto
ortogonal si todos sus elementos son ortogonales entre
sí.
3) El conjunto S es ortonormal si es ortogonal y todos sus
elementos son unitarios.
u ⊥ v ⇔ < u, v > = o
__________________________________________________________________
2
Por ejemplo, en ℜ los vectores u = (a, b)
y v = (-b, a) son ortogonales puesto que
< u, v > = 0.
Sea B = {e1, . . . . , en} la base canónica de ℜ n. Los

vectores de B tienen la siguiente característica:
 1 si i = j
< e i, e j > = 
 0 si i ≠ j
En consecuencia, B es un conjunto ortogonal. Más aún,
B es un conjunto ortonormal puesto que
|| e i || = < e i, e i > = 1 = 1, ∀ i
__________________________________________________________________
Observaciones: Sea V espacio con p.i. < , >
1. El vector 0 es ortogonal a todos los vectores de V.
En efecto, si v es cualquier vector de V, podemos
escribir
< v , 0 > = < v, 0 + 0 >
⇒ < v , 0 > = < v, 0 > + < v, 0 >
⇒ < v, 0 > = 0
2. Si S es un conjunto ortogonal de vectores de V,
 v 
So =  / v ∈ S  es un conjunto ortonormal
 || v || 
pues < v , u > = 1 1
< v, u > = 0
|| v || || u || || v || || u ||
__________________________________________________________________
Ejemplo: Determinemos todos los valores reales de k
de modo que los vectores u = (k2, 2, k) y w = (k, 3, -7)
sean ortogonales.
< u, w > = 0 ⇔ k3 + 6 – 7k = 0
⇔ (k – 1)(k – 2)(k + 3) = 0
⇔ k=1 o k=2 o k=-3
Ejercicio: Para qué valores del número real k los

siguientes vectores son ortogonales (p.i. usuales):
a) u1 = (k, 1, 2, k) y u2 = (4, 3k, k + 10, k)
b) p(x) = x y q(x) = x – k
k2 − 4  1 − 1
c) A = y B =  
 2 k  k 2 

__________________________________________________________________
Teorema de Pitágoras:
Sea V un espacio con p.i. < , > y sean u, v vectores de
V tales que u ⊥ v . Entonces
|| u + v ||2 = || u ||2 + || v ||2
Ejercicio: Sea V espacio con p.i. < , >. Demuestre

que para todo u, v vectores de V se tiene que:
|| u + v ||2 + || u – v ||2 = 2 ( || u ||2 + || v ||2 )
(Ley del Paralelógramo)
__________________________________________________________________
Complemento ortogonal
Resolvamos el siguiente problema:
3
Sea S = { (1, -2, 3), (-2, 5, -1) } ⊂ ℜ . Encontrar dos
vectores unitarios y ortogonales a los vectores de S.
a) Queremos (x, y, z) tales que <(x, y, z), (1, -2, 3)> = 0 y
<(x, y, z), (-2, 5, -1)> = 0. Por lo tanto debemos resolver
x − 2y + 3z = 0
− 2x + 5y − z = 0
Obtenemos infinitas soluciones para este sistema:

( − 13 , - 5, 1) λ ; λ ∈ ℜ
__________________________________________________________________
b) Escojamos dos de estas soluciones: v1 = (-13, -5, 1)
y v2 = (13, 5, -1); entonces v1 y v2 son ortogonales a
los vectores de S.
c) Pero v1 y v2 no son unitarios puesto que
|| v1 || = 195 = || v2 ||.
d) Entonces los vectores

u1 = 1 v1 y u2 = 1 v 2
195 195
satisfacen lo pedido.
__________________________________________________________________
Definición: Sea V un espacio con p.i. < , > y S ⊆ V .
El complemento ortogonal de S es el conjunto,
S⊥ = {v ∈ V / v ⊥ x , ∀x ∈ S}
= {v ∈ V / < v, x > = 0 , ∀x ∈ S}
3
Ejemplo: Si S = {(1, -2, 3), (-2, 5, -1)} ⊂ ℜ (problema
precedente), entonces el complemento ortogonal de S es
S ⊥ = {( x, y, z ) ∈ ℜ 3 / < (x, y, z), (1, - 2, 3) > = 0 ∧

< (x, y, z), (-2, 5, - 1) > = 0 }
= {(x, y, z) ∈ ℜ 3 / x - 2y + 3z = 0 ∧ - 2x + 5y - z = 0 }
= < { (-13, - 5, 1) } >
__________________________________________________________________
Si V es un espacio con p.i. con elemento cero 0V,
entonces { 0 V }⊥ = V y V⊥ = { 0 V }.
Teorema: Sea V un espacio con p.i.
< , > y S ⊆ V, S ≠ Φ . Entonces S⊥ es
un subespacio vectorial de V.
Efectivamente, como 0 es ortogonal a todos los vectores

de V, en particular 0 es ortogonal a todos los vectores de
S; luego 0 ∈ S⊥. Además
u, v ∈ S⊥ ⇒ < u, x >= 0 ∧ < v, x >= 0, ∀x ∈ S
⇒ < u + v, x > = < u, x > + < v, x > = 0, ∀x ∈ S
⇒ u + v ∈ S⊥
__________________________________________________________________
Finalmente,
α ∈ ℜ y u ∈ S⊥ ⇒ α ∈ ℜ y < u, x >= 0 , ∀x ∈ S
⇒ < α u, x > = α < u, x > = α ⋅ 0 = 0, ∀x ∈ S
⇒ α u ∈ S⊥
Ejercicio: Considere el espacio M2(R) con p.i. usual.

Determine el complemento ortogonal del conjunto
 1 − 1  0 4   2 - 3 
T =   ,   ,  
 3 5   - 2 1   1 - 1
¿Cuál es el complemento ortogonal de T si se
considera el p.i. < A, B> = tr ( At B)?
__________________________________________________________________
Observaciones:
1. Sea V espacio con p.i. < , > y W un subespacio
de V tal que W = < {w1, . . . . , wk} >. Entonces,
W ⊥ = { w1, . . . . . , wk } ⊥
Efectivamente, v ∈ W ⊥ ⇒ v ⊥ w, ∀w ∈ W
⇒ v ⊥ wi , ∀i = 1, . . . . , k
⇒ v ∈ {w1, . . . . , wk } ⊥
Por otra parte, sea v ∈ {w1, . . . , wk } ⊥ y w ∈ W, entonces
w = α1w1 + . . . . + αk wk , con α1, . . . , αk ∈ ℜ y
< v, w > = α1 < v, w1 > + . . . . + αk < v, wk > = 0
⊥
es decir, v ∈ W
__________________________________________________________________
2. Sea V espacio con p.i. < , > de dimensión finita
y W un subespacio de V. Entonces,
dim W + dim W ⊥ = dim V y V = W ⊕ W⊥
Ejercicio: Sea W el subespacio de ℜ3 ,

W = < {(1, 2, 1), (-1, 0, 1), (-1, 4, 5)}>.
Determine la dimensión del complemento
ortogonal de W.
Ejercicio: Encuentre una base para el complemento

4
ortogonal del subespacio de ℜ ,
U = {(x, y, z, u) / x + y + 3z – u = 0 y x – z + 2u = 0}
__________________________________________________________________
Bases ortogonales - ortonormales
Teorema: Sea V un espacio con p.i. < , >. Todo
conjunto S ortogonal de vectores no nulos de V es
linealmente independiente.
En efecto, sea S = {v1, . .. ., vk} ortogonal y tal que vi ≠ 0, ∀i .

Sean α1, . . . , αk ∈ ℜ tales que α1v1 + . . . . + αk vk = 0 ; entonces
∀i = 1, 2, ...., k, < vi, α1v1 + ..... + αk vk > = 0
⇒ α1 < vi, v1 > +..... + αk < vi, vk > = 0
⇒ αi < vi, vi > = 0
⇒ αi || vi ||2 = 0
⇒ αi = 0 Luego S es l.i.
__________________________________________________________________
Consecuencia del Teorema anterior es:
Si S es un conjunto ortogonal de
vectores no nulos de V, entonces
card(S) ≤ dim(V)
Sea V un espacio con p.i. < , > de dimensión finita.

Sabemos que V posee bases pero éstas no son
necesariamente ortogonales (ortonormales).
La construcción de una base ortogonal (ortonormal) a
partir de una base del espacio V es un resultado
importante conocido como “Proceso de ortogonalización
de Gram-Schmidt”.
__________________________________________________________________
Proceso de ortogonalización de Gram-Schmidt
Sea B = {v1, . . . , vn} base de V, espacio con producto
interior < , >. Proceda a considerar los vectores:
w1 = v1
< v 2 , w1 >
w2 = v2 − w1
2
|| w1 ||
< v3, w 2 > < v 3 , w1 >
w3 = v3 − w2 − w1
2 2
|| w 2 || || w1 ||
........
< v n, w n-1 > < v n , w1 >
wn = vn − w n-1 − . . . . . . − w1
2 2
|| w n-1 || || w1 ||
Entonces BO = {w1, . . . , wn} es una base ortogonal de V.
__________________________________________________________________
Además, Bo = { w1
||w1||
} w
, . . . . . , n es una base ortonormal de V.
||wn ||
¿Cómo funciona
este Proceso?
Para comprender el proceso, definamos la

“proyección del vector v en el vector u” como
pr u ( v ) = < v , u2> u v
|| u ||
u
pru(v)
__________________________________________________________________
Entonces los vectores w1 y w2 de la base BO son:
v2
w2
v1
w1
prw1 (v2 )
w1 = v1
< v 2 , w1 >
w2 = v2 − w1 = v 2 − prw1 ( v 2 )
2
|| w1 ||
__________________________________________________________________
Ejemplo: Sea B la base de ℜ3, B = {(1, -1, 1), (1, 0, 1),
(1, 1, 2)}. A partir de la base B construyamos una base
ortonormal para ℜ3 .
w1 = (1, - 1, 1)
< (1, 0, 1), (1, - 1, 1) > 2
w 2 = (1, 0, 1) − (1, - 1, 1) = (1, 0, 1) - (1, - 1, 1)
|| (1, - 1, 1) ||2 3
1 2 1
=( , , )
3 3 3
< (1, 1, 2), ( 1 , 2 , 1 ) > 1 2 1 < (1,1, 2), (1, - 1, 1)
w3 = (1, 1, 2) − 3 3 3 ( , , )- (1, - 1, 1)
1 2 1 2 3 3 3 2
|| ( , , ) || || (1, - 1, 1) ||
3 3 3
5 1 2 1 2 1 1
= (1,1, 2) - ( , , ) - (1, - 1, 1) = (- , 0, )
2 3 3 3 3 2 2
__________________________________________________________________
{ 1 2 1 1 1
Entonces, Bo = (1, - 1, 1), ( 3 , 3 , 3 ), (- 2 , 0, 2 ) } es una
base ortogonal de ℜ3.
6
Como || w1 || = 3, || w 2 || = , || w1 || = 1 ,
3 2
 1 1 
Bo =  1 (1, - 1, 1) , (1, 2, 1), (−1, 0, 1)
 3 6 2 
3
es una base ortonormal de ℜ .
Ejercicio: Encuentre una base ortogonal para ℜ3 a

partir de la base B = {(1, 1, 1), (0, 1, 1), ( 0, 0 , 1)}.
__________________________________________________________________
Ejercicio: Aplique el Proceso de ortogonalización de
3
Gram-Schmidt a las siguientes bases de ℜ :
a) B = {(2, 1, 0), (-1, 1, 1), ( 1, 0 , 3)}
b) B = {(1, 1, 0), (1, 0, 1), ( 0, 1 , 1)}
Ejercicio: Encuentre una base ortogonal para los

4
siguientes subespacios de ℜ y M2(R):
U = {(x, y, z, u) / x + y = 0 y z + u = 0}
 a b  
W =   ∈ M2 (ℜ) / a = 0 ∧ c = 0
 c d 
__________________________________________________________________
Observación:
Si V es un espacio con p.i. < , > de dimensión finita y
Bo = {w1, . . . ., wn} es una base ortogonal de V, las
coordenadas del vector v de V con respecto a la base
n
< v, w i >
Bo son α i =
|| w i || 2
. En efecto, como v = ∑ αi w i ,
i=1
para cada i = 1, . . . , n,
< v , w i > = < α 1w 1 + . . . . + α n w n , w i >

= α 1 < w 1, w i > + . . . . + α n < w n , w i >
= α i < w i, w i >
= α i || w i || 2
__________________________________________________________________
Proyección ortogonal
Sea V un espacio con p.i. < , > y W un subespacio de V
con base ortogonal {w1, .……. , wk}. La proyección
ortogonal del vector v de V en el subespacio W es el
vector k
v = pr W ( v ) = ∑ < v, w i >
|| w i || 2
wi
i =1
•v
•prW(v)
W
__________________________________________________________________
La aplicación p : V W ; definida
por p(v) = v , se llama proyección
ortogonal de V en W.
Ejemplo: En ℜ3 consideremos el subespacio W

generado por S = {(1, -2, 3), (5, -1, 0)} y determinemos la
proyección ortogonal del vector v = (4, -1, 6) en W.
i) S es una base de W pero S no es ortogonal.
ii) Aplicamos a S el Proceso de Gram-Schmidt y
obtenemos S0 = {(1, -2, 3), (3, 0, -1)} base ortogonal de W.
iii) La proyección ortogonal de v en W es:
v = 12 ( 1, - 2, 3) + 3 ( 3 , 0, - 1)
7 5
__________________________________________________________________
Ejercicio: Encuentre la proyección
ortogonal del vector v = (1, 1, -1) de ℜ3 en
el subespacio U = {(x, y,z) / x – y – 2z = 0}
Ejercicio: Sea W = <{(1,0,1,0), (1,0,3,0), (2,1,4,1)}>.

Determine la proyección ortogonal de v = (1,1,1,-1) en W.
Ejercicio: Encuentre la proyección

 1 1
ortogonal de A =   en el subespacio de
 − 1 0
M2(R) generado por  1 1 y  0 0  .
 0 0  3 1
__________________________________________________________________
Transformaciones lineales
__________________________________________________________________
Sean V y W espacios vectoriales sobre
el cuerpo κ de los números reales. Una
transformación lineal o aplicación lineal de V
en W es una función T : V W que
satisface:
i) T(u + v ) = T ( u ) + T ( v ); ∀ u , v ∈ V
ii ) T( α v ) = α T ( v); ∀ α ∈ κ; ∀ v ∈ V
Si T es una transformación lineal de V en W, entonces
T( v1 + . . . . . + v n ) = T ( v1 ) + . . . . . + T ( v n )
Más aún, T(α1v1 + . . . . . + αn vn ) = α1T(v1) + . . . . . + αnT(vn ),

∀ v1, . . . . , vn ∈ V, ∀α1, . . . . , αn ∈ κ.
__________________________________________________________________
Si T es una transformación lineal de V en W, entonces
T(0) = 0. Esto se enuncia de manera equivalente así,
T (0 ) ≠ 0 ⇒ T no es aplicación lineal
Ejemplos de aplicaciones lineales
1) Consideremos f : ℜ → ℜ la función f(x) = 4x.
Entonces,
f(x + a) = 4(x + a) = 4x + 4a = f(x) + f(a)
f ( α x ) = 3( α x ) = α ( 3 x ) = α f ( x )
Por lo tanto, f es una aplicación lineal. Pero si definimos
g(x) = x + 4, g no es una aplicación lineal puesto que
g ( 0 ) ≠ 0 . Observe que la función g tampoco cumple las
condiciones i) y ii) exigidas para ser transformación lineal.
__________________________________________________________________
Las siguientes funciones de ℜ en ℜ no son lineales:
f(x) = x2 f(x) = x f(x) = 1
x
f(x) = e x f(x) = ln x f(x) = cos x
¿Cuáles son las funciones

lineales de ℜ en ℜ ?
2) Sea T : ℜ 3 → ℜ 2 la función definida así,

T(x, y, z) = (2x – y + z, y + 3z).
Entonces T es una aplicación lineal. ¡Demuéstrelo!
__________________________________________________________________
Ejercicio: Muestre un ejemplo de una aplicación de
ℜ 3 en ℜ 2 que sea lineal y otro que no sea lineal.
3) Consideremos F : Mmxn ( ℜ ) → Mnxm ( ℜ ); F(A) = A t

Entonces, F ( A + B ) = ( A + B ) t = A t + B t = F ( A ) + F ( B )
F(α A ) = (α A )t = α A t = α F( A )
Por lo tanto F es una transformación lineal.
4) La función T : P3 [x] → P2 [ x]; T(p) = p' = dp es lineal; en

dx
efecto,
T(p + q) = (p + q)’ = p’ + q’ = T(p) + T(q)
T (a p) = (a p)’ = a p’ = a T(p) , a ∈ ℜ
__________________________________________________________________
Destacamos los
siguientes dos
ejemplos
5) Si V y W son espacios vectoriales sobre κ,

To : V → W; To (v) = 0 W
es una aplicación lineal
6) Si V es un espacio vectorial sobre κ , la función

I : V → V; I(u) = u
es lineal; se llama aplicación identidad de V.
__________________________________________________________________
El siguiente teorema nos enseña a extender a
todo el espacio dominio, una aplicación lineal que
se conoce sólo en una base de dicho espacio.
Teorema: Sean V un espacio vectorial sobre κ con

base B = {v1, . . . . . , v n } y W un espacio vectorial sobre κ .
Si w1, . . . . . , w n ∈ W entonces existe una única aplicación
lineal T de V en W tal que T( v i ) = w i , ∀i = 1, . . . . , n .
En efecto, si v∈ V, existen únicos α1, . . . . . , αn ∈ κ tales que

v = α1v1 + . . . . . + α n v n
La aplicación T de V en W definida por:
T(v) = α1w1 + . . . . . + αn w n
satisface lo requerido en el teorema.
__________________________________________________________________
Ejemplo: ¿Cuál es la aplicación lineal T de ℜ2 en ℜ2 tal
que T(1, 0) = (-3, 1) y T(0, 1) = (5, -4)?
Sea (a, b) ∈ ℜ2 , entonces (a, b) = a (1, 0) + b (0, 1).
La aplicación T que satisface lo requerido es:
T : ℜ2 ℜ2 ; T(a, b) = a(-3, 1) +b(5, -4),
o más precisamente, T(a, b) = (-3a + 5b, a - 4b).
¿Cuál es la aplicación lineal T si se quiere que T(4,-3) =(-3, 1)

y T(-3, 2) = (5, -4)? En este caso debemos escribir,
(a, b) = (-2a – 3b) (4, -3) + (-3a - 4b) (-3, 2)
Y la aplicación lineal es,
__________________________________________________________________
T(a, b) = (-2a – 3b)(-3, 1) + (-3a - 4b)(5, -4),
es decir, T(a, b) = (-9a - 11b, 10a + 13b).
Ejercicio: ¿Cuál es la aplicación lineal T de

ℜ3 en ℜ2 tal que T(1, 0, 0) = (2, -3), T(0, 1, 0) =
(1, 1) y T(0, 0, 1) = (6, 5)?
Ejercicio: Determine la aplicación lineal T de ℜ3 en

P2 [ x ] tal que T(1, 1, 1) = 2 + x, T(1, 1, 0) = x – x2 y
T(1, 0, 0) = 1 + 3x + 2x2.
__________________________________________________________________
Ejercicio: Determine cuál (es) de las siguientes
aplicaciones son lineales.
1) T : ℜ → ℜ3 ; T(x) = ( x, 0, 3x)
2) T : ℜ2 → ℜ3; T(a, b) = (5a − b, a + b, 1)
3) T : ℜ2 → P2 [ x]; T(a, b) = a + 5ax + (2a + 4b)x 2
4) T : P1[ x] → ℜ3 ; T(a + bx) = (a, 2b - a, a + b)
 2a − c a 
5) T : ℜ3 → M2 (ℜ); T(a, b, c) =  
 a − c 3
6) T : Mn (ℜ) → ℜ; T(A) = det(A)
__________________________________________________________________
Núcleo e imagen
Sean V y W espacios vectoriales sobre κ y
T: V W una transformación lineal. El
núcleo o kernel de T es el conjunto
Ker T = { v ∈ V / T(v) = 0 }
La imagen de T es el conjunto
Im T = { w ∈ W / ∃v ∈ V talque T(v) = w }
Ejemplo: Determinemos el núcleo y la imagen de la

aplicación lineal T : ℜ3 → ℜ2 ; T(x, y, z) = (x - 2y, 3y + z).
Ker T = {(x, y, z) / T(x, y, z) = (0, 0)}

= {(x, y, z) / x – 2y = 0 y 3y + z = 0 }
__________________________________________________________________
Resolviendo el sistema de ecuaciones lineales obtenemos
Ker T = {(x, y, z) / x = 2y ∧ z = -3y }
= {(2y, y, -3y) / y ∈ ℜ }
= < { (2, 1, -3) } >
Es decir, el núcleo de T resultó ser un subespacio de
dimensión uno del espacio ℜ3 .
3
Im T = { T(x, y, z) / (x, y, z) ∈ ℜ }
= { (x – 2y, 3y + z) / x, y, z ∈ ℜ }
= < { (1, 0), (-2, 3), (0, 1) } >
= < { (1, 0), (0, 1) } >
2
= ℜ
__________________________________________________________________
¿Cuál es el kernel y la imagen de las aplicaciones
To : V → W; To (v) = 0 W
IV : V → V; I(u) = u ?
Ker To = V, Im To = {0}, Ker I V = {0} e Im I V = V.
El núcleo y la imagen de una transformación lineal no son

simples conjuntos como se aprecia en el siguiente
teorema, cuya demostración se deja de ejercicio.
Teorema: Si T de V en W es una aplicación lineal,

entonces el núcleo de T es un subespacio de V y la
imagen de T es un subespacio de W.
__________________________________________________________________
La dimensión del núcleo de T se llama
nulidad de T y la dimensión de la imagen de
T es el rango de T.
La nulidad de T y el rango de T serán denotados así,
η( T ) = dim (Ker T) ρ(T) = dim (Im T)
Y se demuestra el siguiente teorema que relaciona estos
números mediante la igualdad
η(T) + ρ(T) = dim V
En consecuencia,
__________________________________________________________________
η(T ) = dim V - ρ(T) ρ(T) = dim V - η(T)
Ejemplo: Consideremos la aplicación lineal

T : P2 [ x] → ℜ2; T(a + bx + cx2 ) = (a − b, 2a + c)
Entonces,
KerT = {a + bx + cx2 ∈ P2[x] / (a − b, 2a + c) = (0,0)}
= {a + bx + cx2 ∈ P2[x] / a = b ∧ c = -2a}
= { a + ax - 2a x2 / a ∈ℜ}
= {a(1+ x - 2x2 ) / a ∈ℜ}
= < {1+ x - 2x2} >
__________________________________________________________________
Como B = {1 + x − 2x 2 } es un conjunto generador de Ker T
y es linealmente independiente, puesto que tiene sólo un
vector no nulo, B es una base de Ker T; luego η( T ) = 1 .
Así, el rango de T es
ρ(T) = dim V - η(T) = 3 -1 = 2.
Si la dimensión de la imagen de T es 2, debe tenerse que,
Im (T) = ℜ 2
El siguiente teorema caracteriza a

las aplicaciones lineales inyectivas,
epiyectivas y por lo tanto biyectivas.
__________________________________________________________________
Teorema: Sea T : V W aplicación lineal.
(1) T inyectiva ⇔ Ker T = {0} ⇔ η( T ) = 0
(2) T epiyectiva ⇔ Im T = W ⇔ ρ( T ) = dim W
Por ejemplo, si V ≠ {0} , la aplicación lineal T0 (ejemplo 5)

no es inyectiva. Pero la aplicación identidad I V (ejemplo 6)
es inyectiva y epiyectiva, es decir, I V es biyectiva.
Ejercicio: Determine si la transformación lineal F

definida a continuación es o no es biyectiva.
 a b   2a − b + 3c a + 2b − c + d 
F : M 2 (ℜ) → M 2 (ℜ) , F  =  
 c d   − b + c + d 3b − 3c − 2d 
__________________________________________________________________
Isomorfismos
−1
Recordemos que una función f posee función inversa f
−1
si y sólo si f es biyectiva. La función f también resulta
−1
ser biyectiva y tal que (f o f )(x) = x y (f o f -1)(x) = x .
Definición: Un isomorfismo es una

aplicación que es lineal y biyectiva.
Ejemplo: La aplicación lineal T : ℜ3 → ℜ3 definida por

T(x, y, z) = (x – y, 2y + z, x + y + z)
no es un isomorfismo puesto que Ker T = < {(1, 1, -2)}>
y, en consecuencia, no es inyectiva.
__________________________________________________________________
Ejercicio: Muestre que la siguiente aplicación de ℜ3
3
en ℜ es un isomorfismo,
T(x, y, z) = (x - y, 2y + z, x + 2y + z)
Si T es una aplicación lineal de V en W, entonces,

• T isomorfismo ⇔ T invertible
• T isomorfismo ⇔ T −1 lineal
−1
• T isomorfismo ⇔ T isomorfismo
Y si dimV = dimW, entonces

T biyectiva ⇔ T inyectiva ⇔ T epiyectiva
__________________________________________________________________
Ejercicio: Determine cuál o cuáles de las siguientes
funciones T son invertibles?
1) T : ℜ3 → ℜ3; T(x, y, z) = (x, 2x - y, x + 4y - z)
2) T : ℜ3 → P2[x]; T(a, b, c) = (a − c) + (2a + b + c)x + (3a + b + c)x2
4  a b
3) T : M2 (ℜ) → ℜ ; T  = (a + d, 2c, a + c, c - d)
 c d
Si T: V W es un isomorfismo,
entonces se dice que los espacios V y W
son isomorfos, en cuyo caso se anota
V≅ W
__________________________________________________________________
Ejemplo: Los espacios ℜ3 y P2[x] son isomorfos; el
isomorfismo “natural” entre ellos es
T(a, b, c) = a + bx + cx2
a b
El isomorfismo T  = (a, b, c, d) establece que los
c d
espacios M2 (ℜ) y ℜ4 son isomorfos.
La relación “ser isomorfo a” es una relación de

equivalencia entre espacios vectoriales, es decir,
i) V ≅ V
ii) V ≅ W ⇒ W ≅ V
iii) (V ≅ W ∧ W ≅ U ) ⇒ V ≅ U
__________________________________________________________________
Teorema: Todo espacio vectorial real de
n
dimensión finita n es isomorfo a ℜ .
En efecto, sea V espacio vectorial real de dimensión n y
sea B = {v1, . . . . , vn} una base de V.
Definamos T : V ℜn por T(v) = [ v ]B; entonces,
• T es aplicación lineal.
• Ker T = { v ∈ V / [ v ]B = (0, . . . , 0) } = { 0 }; luego T es
inyectiva.
• Como la nulidad de T es cero, el rango de T es n, es
n
decir, la imagen de T es un subespacio de ℜ de
dimensión n; entonces Im T = ℜn y T es epiyectiva.
• Así T es un isomorfismo y V ≅ ℜn .
__________________________________________________________________
El teorema precedente es más general; se puede enunciar
lo siguiente:
Teorema: Sea V espacio vectorial sobre el cuerpo

κ de dimensión finita n. Entonces V es
n
isomorfo a κ .
Ejercicio: Demuestre
1) El teorema precedente.
2) Que el espacio de las matrices reales diagonales de
orden 3 es isomorfo a ℜ3 .
3) Que el espacio de las matrices reales antisimétricas
de orden 3 es isomorfo a ℜ3 .
__________________________________________________________________
El espacio de las transformaciones lineales
Sean V y W espacios vectoriales sobre κ y denotemos
por L(V, W) = { T : V → W / T lineal}. Se puede
demostrar que:
1) T, S∈L(V, W) ⇒ T + S∈L(V, W)
2) α ∈ κ y T ∈ L(V, W) ⇒ α T ∈ L(V, W)
3) To ∈ L(V, W)
Las aplicaciones T + S y α T están dadas por:

(T+S)(v) = T(v) + S(v)
(α T)(v) = α T(v)
__________________________________________________________________
Por lo tanto, L(V, W) es un espacio vectorial sobre κ ;
el espacio de las transformaciones lineales de V en W.
¿Qué sucede con

el producto?
Si T, S∈L(V, W) , el producto (TS)(v) = T(v) S(v)

puede no estar definido.
Pero aún existiendo TS, este no es lineal. Por ejemplo,
sean T, S las transformaciones lineales de ℜ en ℜ
dadas por T(x) = 3x, S(x) = 2x. Entonces (TS)(x) = 6x2,
que no es lineal.
__________________________________________________________________
Sean T ∈L(V, W) y S∈L(W,U) ; entonces la composición
de T y S, (S oT)(v) = S(T(v)), es una transformación lineal.
En efecto, si u, v∈V y α, β∈κ , entonces
(S o T)( α u + β v) = S(T( α u + β v)
= S( α T(u) + β T(v))
= α S(T(u)) + β S(T(v))
= α (S o T)(u) + β (S o T)(v)
Recuerde que la composición de funciones es asociativa y
distributiva con la suma:
So (T o R) = (So T)o R y So (T+ R) = (So T)+ (So R)
Además, T o IV = T y IW o T = T
__________________________________________________________________
Por estas razones, la composición de
funciones es considerada como producto en
el espacio de las transformaciones lineales.
En lo que sigue, y siempre que T S exista, se entenderá que
(T S)(v) = T (S(v))
Observe que este producto no es conmutativo y además no
todas las transformaciones lineales poseen inversa.
Ejercicio: Sean T ∈L(V, W) y S∈L(W,U) aplicaciones

lineales invertibles. Demuestre que el producto de T y
S es invertible y se tiene que (S T) -1 = T -1 S -1.
__________________________________________________________________
Aplicación lineal asociada a una matriz
Sea A ∈ Mmxn(ℜ) y consideremos la aplicación,
TA : ℜn → ℜm definida por TA (X) = A X
Para X, Y ∈ ℜn y α ∈ ℜ se tiene que,

i) TA (X + Y) = A (X + Y) = A X + A Y = TA (X) + TA (Y)
ii) TA (α X) = A (α X) = α (A X) = α TA (X)
Es decir, TA es una transformación lineal.
La transformación lineal TA se llama aplicación lineal
asociada a la matriz A.
__________________________________________________________________
 1 5
 
Ejemplo: Sea A =  3 −1 y determinemos la aplicación
 2 − 4
  lineal asociada a A.
TA : ℜ2 → ℜ3 ; TA (x, y) = ??
 1 5  x + 5y 
  x  
 3 −1   =  3x − y 
 2 − 4   y   2x − 4y 
   
TA : ℜ2 → ℜ3 ; TA (x, y) = (x + 5y, 3x - y, 2x − 4y)
Ejercicio: Encuentre la aplicación lineal asociada a

las matrices A =  9 − 3 1  0 0 0
− 2 5 0  0 =   e I3
   0 0 0
__________________________________________________________________
Aplicaciones lineales y matrices
¿Parecidos?
Apreciamos cierto parecido, desde un
punto de vista algebraico, entre el
espacio de las aplicaciones
lineales y cierto espacio de matrices.
Más precisamente, pretendemos establecer que el
espacio L(ℜn , ℜm ) es isomorfo a Mmxn(ℜ) . Para ello
debemos mostrar una función, entre estos espacios, que
sea un isomorfismo. Consideremos,
F : Mmxn (ℜ) → L(ℜm , ℜn ) definida por F(A) = TA
__________________________________________________________________
Se tiene que:
9 F es una función bien definida y además es lineal, puesto
que TA + B = TA + TB y TαA = αTA , α ∈ ℜ
Ejercicio: Demuestre estas igualdades.
9 F es inyectiva pues Ker F = { A / TA = To } = { 0 mn }
9 F es epiyectiva ya que para cada transformación lineal

n m
T de ℜ en ℜ , existe una matriz A ∈ Mmxn(ℜ) tal que
F(A) = TA = T . Esta matriz A es única, se llama matriz
asociada a la transformación lineal T, se denota [ T ] y
se determina así:
__________________________________________________________________
Sean {e1, ..... , en} y {e1, ..... , em} las bases canónicas
de ℜn y ℜm respectivamente. Entonces,
T (e1 ) = a11e1 + a 21e 2 + . . . . . + a m1e m
T (e 2 ) = a12 e1 + a 22 e 2 + . . . . . + a m2 e m
...... ......
T (e n ) = a1n e1 + a 2 n e 2 + . . . . . + a mn e m
y la matriz, t
 a 11 a 21 .... a m1 
 
 a 12 a 22 . . . . a m2 
A = [T ] = 
.... .... .... .... 
 
a a 2n . . . . a mn 
 1n
__________________________________________________________________
 a 11 a 12 .... a 1m 
 
 a 21 a 22 . . . . a 2m 
es decir, la matriz A = [ T ] =   ,
.... .... .... ....
 
a a m2 . . . . a mn 
 m1
es tal que, F([T]) = F(A) = TA = T.
Por lo tanto, F es un isomorfismo y

queda establecido que
L(ℜn , ℜm ) ≅ Mmxn(ℜ)
__________________________________________________________________
Ejemplo: Consideremos la aplicación lineal,
T : ℜ 2 → ℜ 3 ; T ( x , y ) = (4x - 2y, x + 3y, 2x + 5y)
y determinemos la matriz asociada a T.
Procedemos a evaluar T en los vectores de la base canónica
2
de ℜ y luego, a escribir estas imágenes como combinación
3
lineal de los vectores de la base canónica de ℜ .
T (1, 0 ) = ( 4 , 1, 2) = 4(1, 0, 0) + 1(0, 1, 0) + 2 (0, 0, 1)
T ( 0 , 1) = ( − 2 , 3, 5) = − 2 (1, 0, 0) + 3(0, 1, 0) + 5(0, 0, 1)
Entonces la matriz asociada a T es:
t 4 − 2
 4 1 2  
[ T ] =   =  1 3
− 2 3 5 2 5 

__________________________________________________________________
Ejercicio: Determine la matriz asociada a las
siguientes transformaciones lineales.
T : ℜ 3 → ℜ 2 ; T ( x , y, z ) = (-x + 3 y - 7z, 2x - y + z)
T : ℜ 3 → ℜ 3 ; T ( x , y, z ) = (7y - z, x + 6 z, 5x − y + 2 z)
Consecuencia del isomorfismo

L (ℜ n , ℜ m ) ≅ M mxn (ℜ )
que se ha establecido tenemos que:
[T + S] = [T] + [S]
[a T] = a [T] , a número real
Además, [T o S] = [T] [S] y si T es invertible, [T -1 ] = [T] -1
__________________________________________________________________
Matriz asociada - Caso general
Consideremos ahora V y W espacios vectoriales de
dimensión n y m respectivamente y sea T: V W
una aplicación lineal. Repetimos el procedimiento realizado
para obtener la matriz asociada a T pero considerando las
bases B = {v1, ….., vn} y E = {w1, ….. ,wm} de V y W
respectivamente. Evaluamos T en los vectores de B y luego
expresamos estas imágenes como combinación lineal de los
vectores de E.
T ( v1 ) = a11w1 + a 21w 2 + . . . . . + a m1w m
T(v 2 ) = a12 w1 + a 22 w 2 + . . . . . + a m2 w m
...... ......
T ( v n ) = a1n w1 + a 2 n w 2 + . . . . . + a mn w m
__________________________________________________________________
La matriz,
t
 a11 a 21 . . . . a m1   a11 a12 . . . . a1m 
   
 a12 a 22 . . . . a m2   a 21 a 22 . . . . a 2m 
 ....  =
.... .... .... .... .... .... .... 
   
a a 2n . . . . a mn   a m1 a m2 . . . . a mn 
 1n
E
se denota [T] B y es la matriz asociada a la
transformación lineal T o matriz de representación
de T, cuando se consideran las bases B de V y E de W.
E
Cuando n = m y B = E , la matriz [T] B se denota [T]B .
__________________________________________________________________
E
La matriz [T] B está caracterizada así:
Si las coordenadas de v∈ V con respecto a la

base B son [v]B = X = (x1, . . . . , x n ) , entonces
[T]EB ⋅ X son las coordenadas de la imagen
T(v) con respecto a la base E.
La matriz de representación de T establece un isomorfismo

entre el espacio L(V, W) y el espacio Mmxn(κ) .
Consecuencia de este isomorfismo es lo siguiente:
Si T y S son transformaciones lineales de V en W, B y E
son bases de V y W respectivamente, entonces:
__________________________________________________________________
[T + S] E
B = [T] E
B + [S] E
B
[α T] E
B = α [T] E
B , α∈κ
Además, si T: V W y S: W U son
transformaciones lineales y B, E, C son bases de V, W
y U respectivamente, entonces
[So T] C
B = [S]C
E ⋅ [T] E
B
Si T: V W es una aplicación lineal invertible y
B, E son bases de V y W respectivamente, entonces
[T]E
B ⋅ [T -1 B
] E = [T o T -1 E
] E = [ I ] E
W E = In
__________________________________________________________________
y [T -1] B
E ⋅ [T]E
B = [T -1
o T] B
B = [ I ] B
V B = In
Por lo tanto, [T]E

B es invertible y se tiene que:
( [T]E
B )-1
= [T -1 B
]E
Finalmente, el rango de T es
ρ(T) = dim(Im T) = ρ([T] E

B)
Ejemplo: Consideremos la aplicación lineal,

T : ℜ 3 → ℜ 2 ; T ( x , y, z ) = (x + 2 y - z, 3x + z)
__________________________________________________________________
E
y determinemos la matriz [T] B donde B = { (1,1,1), (1,1, 0),
(1, 0, 0)} base de ℜ3 y E = {(2, 3), (-3, -5)} base de ℜ2 .
Tenemos que calcular las coordenadas αi , βi , γi originadas

así:
T (1, 1, 1) = ( 2 , 4) = α 1 (2, 3) + α 2 (-3, - 5)
T (1, 1, 0 ) = ( 3, 3) = β1 (2, 3) + β 2 (-3, - 5)
T (1, 0, 0 ) = (1, 3) = γ1 (2, 3) + γ 2 (-3, - 5)
De este modo obtenemos la matriz:

t
 − 2 − 2
E    − 2 6 − 4
[T ] B =  6 3  =  
 − 4 − 3  − 2 3 − 3
 
__________________________________________________________________
E
Ejemplo: Determinemos la matriz [T] B asociada a la
transformación lineal T de P3[x] en P2[x] definida por
T(p(x) = p’(x) si B = {1, x, x2, x3} y E = {1, x, x2}.
En este caso, T(1) = 0 = 0 + 0x + 0x2
T(x) = 1 = 1 + 0x + 0x2
T(x2) = 2x = 0 + 2x + 0x2
T(x3) = 3x2 = 0 + 0x + 3x2 ¿Esta matriz
deriva
 0 1 0 0 polinomios?
E  
Por lo tanto, [T]B =  0 0 2 0 
 0 0 0 3
 
__________________________________________________________________
Ejemplo: Determinemos la matriz asociada a la
E
aplicación identidad de ℜ2 en los siguientes casos [ I ]E
[ I ]E
B , [ I ] B
E y [ I ] B
B donde E = {e1, e2} es la base
canónica de ℜ2 y B = {v1 =(1, -2), v2 = (3, -4)}.
Puesto que, e1 = 1e1 + 0e2 , e2 = 0e1 + 1e2

y v1 = 1v1 + 0v2, v2 = 0v1 + 0v2
obtenemos [ I ]E
E = I 2 = [ I ] B
B
Verifique que en los otros casos,
E  1 3  - 2 - 3 
[ I ]B =   y [ I ]B =
E   2
1 1 
- 2 - 4  2
__________________________________________________________________
Matriz de cambio de base
Si V es un espacio vectorial de dimensión n y B es
cualquier base de V, entonces la matriz de la aplicación
identidad es [IV ]B
B = [ IV ]B = In. Pero si E es otra base
de V, entonces [ IV ] E
B ≠ In . Observe lo siguiente:
[IV] E ⋅ [I
B V E ] B
= [I o I
V V E] E
= [ I ] E
V E = In
[IV] B ⋅ [I
E V B ] E
= [I o I
V V B] B
= [ I ] B
V B = In
E
Es decir, la matriz [ IV ]B es invertible y su
B
inversa es [ IV ]E.
__________________________________________________________________
Las matrices [IV] E
B y [I ] B
V E son llamadas matrices
de cambio de base, nombre que se deriva de lo
siguiente:
Si V es un espacio vectorial de dimensión finita n, B y E

son bases de V y T: V W es una aplicación lineal,
entonces:
[ IV ] B
E ⋅ [T]E
E = [T]B
E
¿Cambia
base? [T] E ⋅ [I
E V B ] E
= [T]E
B
[ IV ] B
E ⋅ [T]E
E ⋅ [ I ]
V B
E
= [T]B
B
__________________________________________________________________
Ejercicio: Considere la transformación lineal F de ℜ3
en P2[x] definida por F(a, b, c) = a + (2b+c) x + (b-a) x2.
Determine:
(1) La matriz [F] asociada a F.
(2) La matriz [F -1] asociada a F -1.
(3) La expresión algebraica F -1(a + bx + cx2).
E
(4) La matriz [F] B de representación de F cuando se
3
consideran la base B = {e1, e2, e3} canónica de ℜ y
E = {1 + x – x2, 2 + x, x2 – x} base de P2[x].
__________________________________________________________________
Ejercicio: Considere F: ℜ3 P2[x] la aplicación
lineal tal que F(1,0,2) = 2x – 3, F(0,1,2) = 1 + x2 y
F(0,0,1) = 2x – x2. Sea G: P2[X] ℜ2 lineal cuya
matriz de representación en las bases B = {1, 1+x, 1+x+x2}
1 −1 0
y C = {(1,0), (0,3)} es [ G ]CB =  . Determine la
0 1 2
matriz [2G o F] (bases canónicas).
Ejercicio: Sea V un espacio vectorial real de dimensión 2

con base B = {u, v} y T una aplicación lineal de V en V tal
que T(2u + v) = -4u - v y T(u) - 2T(v) = -7u + 2v. Exprese
T(u) y T(v) como combinación lineal de los vectores de la
base B y a partir de esto encuentre la matriz [T]B.
__________________________________________________________________
Diagonalización de matrices reales
__________________________________________________________________
Valores y vectores propios
Sea V espacio vectorial real. En lo que sigue, T será
una transformación lineal de V en V; por lo tanto
cualquier matriz asociada a T es una matriz cuadrada.
Un escalar λ ∈ ℜ se llama valor propio de T

(o valor característico) si existe v ∈ V, v ≠ 0 tal
que T(v) = λ v.
Si λ ∈ ℜ es un valor propio de T, cualquier v ∈ V, v ≠ 0

tal que T(v) = λ v se llama vector propio de T (o vector
característico de T) asociado al valor propio λ .
__________________________________________________________________
Ejemplo: λ = 2 es un valor propio de la aplicación lineal
T : ℜ 2 → ℜ 2 ; T ( x , y ) = (27x − 10 y, 75x - 28y)
puesto que T(2, 5) = (4, 10) = 2 (2, 5). En este caso,
v = (2,5) es un vector propio de T asociado al valor propio 2.
Si λ es un valor propio de T y denotamos

por Vλ al conjunto de todos los vectores
propio de T asociados al valor propio λ ,
entonces es fácil mostrar que Vλ resulta ser
un subespacio de V. El subespacio Vλ se
llama espacio propio de T asociado a λ .
Vλ = { v∈V / T(v)= λ v}
__________________________________________________________________
¿Cómo determinamos los
valores propios de T?
λ es un valor propio de T ⇔
∃ v ∈ V, v ≠ 0 tal que T ( v) = λ v ⇔
∃ v ∈ V, v ≠ 0 tal que T ( v) − λ v = 0 ⇔
∃ v ∈ V, v ≠ 0 tal que (T − λ I n )( v) = 0 ⇔
∃ v ∈ V, v ≠ 0, v ∈ Ker (T - λ I n ) ⇔
T − λ I n no invertible ⇔
det [T − λ I n ] = 0
__________________________________________________________________
Observe que p(λ ) = det [T − λ I n ] es un polinomio en λ de
grado n y los valores propios de T son las raíces reales
de dicho polinomio o de la ecuación p (λ ) = 0 . Note que
p (λ ) = 0 ⇔ det(T - λI) = 0 ⇔ det( λI - T) = 0
Por otra parte, Vλ = { v ∈ ℜ n / T(v) = λ v }
= { v ∈ ℜ n / T(v) - λ v = 0}
= { v ∈ ℜ n / (T - λ I n )(v) = 0}
= Ker (T - λ I n )
Es decir, los vectores propios de T asociados a λ son los

vectores del kernel de la transformación lineal [T − λ I n ] .
__________________________________________________________________
Ejemplo: Sea T la transformación lineal
T : ℜ2 → ℜ2 ; T(x, y) = (−y, x)
 0 −1
La matriz asociada a T es A =  .
1 0 
Como la “ecuación característica” de T,
λ 1
p(λ) = 0 ⇔ det[λ I - T] = 0 ⇔ = 0 ⇔ λ2 +1 = 0,
−1 λ
no tiene raíces reales, T no tiene valores propios.
Ejercicio: Muestre que los valores propios de la

siguiente transformación lineal T son 1 y 2.
T : ℜ3 → ℜ3 ; T(x, y, z) = (3x + y - z, 2x + 2y - z, 2x + 2y)
__________________________________________________________________
Ejemplo: Los vectores propios de la transformación lineal
T : ℜ3 → ℜ3 ; T(x, y, z) = (3x + y - z, 2x + 2y - z, 2x + 2y)
se encuentran en Ker[T − I3 ] y en Ker[T - 2I 3 ] , es decir,
3 2x + y - z = 0
Ker[ T − I 3 ] = { (x, y, z) ∈ ℜ / }
2x + 2y - z = 0
= < { (1, 0, 2) } >
x+y+z = 0
Ker[ T − 2 I 3 ] = { (x, y, z) ∈ ℜ 3 / 2x - z = 0 }
2x + 2y - 2z = 0
= < { (1, 1, 2) } >
__________________________________________________________________
Diagonalización
Se dice que una base B de V diagonaliza a la
transformación lineal T si la matriz [T]B asociada a T es
una matriz diagonal. Cuando tal base B existe, se dice
que T es diagonalizable.
Una matriz A ∈ Mn (ℜ) es diagonalizable si la aplicación
lineal asociada a A lo es.
¿Cuándo T es
diagonalizable?
Teorema: T diagonalizable si y sólo si existe

B base de V formada por vectores propios de T.
__________________________________________________________________
En efecto, sea B = {v1, ….., vn} base de V con v1, ….., vn
vectores propios de T. Entonces,
T ( v1 ) = λ 1 v1 = λ 1 v1 + 0 v 2 + . . . . . + 0 v n
T(v 2 ) = λ 2v 2 = 0 v1 + λ 2 v 2 + . . . . . + 0v n
...... ......
T(v n ) = λ n vn = 0 v1 + 0 v 2 + . . . . . + λ n v n
donde λi son valores propios de T no necesariamente
distintos. La matriz de representación de T en la base B es:
 λ1 0 .... 0 
 
 0 λ2 .... 0 
[T ] B = 
.... .... .... . . . .
 
 0 0 .... λ n 

__________________________________________________________________
Ejemplo: La transformación lineal T : ℜ3 → ℜ3 ;
T(x, y, z) = (-9x− 8y + 4z, 8x + 7y - 4z, - 8x − 8y + 3z)
tiene dos valores propios: 3 y -1. Los espacios propios
asociados son,
Ker[T - 3I 3 ] = < { (1, - 1, 1) } >
Ker[T + I3 ] = < { (1, 0, 2), (0, 1, 2) } >
Y B = {(1, -1, 1), (1, 0, 2), (0, 1, 2)} es una base de ℜ3 que
diagonaliza a T; en este caso,
3 0 0
 
[ T ]B =  0 −1 0
0 0 − 1 

__________________________________________________________________
Ejemplo: La transformación lineal T : ℜ3 → ℜ3 ;
T(x, y, z) = (3x+ y - z, 2x + 2y − z, 2x + 2y)
tiene dos valores propios: 1 y 2. Sin embargo, T no es
diagonalizable. Los espacios propios asociados son,
Ker[T - I3 ] = < { (1, 0, 2) } >
Ker[T - 2I 3 ] = < { (1, 1, 2) } >

Y es imposible encontrar una base de ℜ3 formada por
vectores propios de T.
__________________________________________________________________
Otros criterios de diagonalización
Teorema: T diagonalizable si y sólo si el
polinomio característico de T tiene la forma
p(λ ) = (λ - λ1 ) d1 (λ - λ 2 ) d 2 ⋅ . . . . . . ⋅ (λ - λ k ) d k
con d i = dim Vλ y Vλ espacio propio
i i
de T asociado al valor propio λ i .
Por ejemplo, el polinomio característico de la transformación

lineal T(x, y, z) = (-9x− 8y + 4z, 8x + 7y - 4z, - 8x − 8y + 3z) es
p(λ ) = (λ - 3)(λ + 1) 2
Y dim Vλ = 3 = 1, dim Vλ = -1 = 2 ; luego T diagonalizable.
__________________________________________________________________
Teorema: T diagonalizable si y sólo si
dim V = dim Vλ1 + dim Vλ 2 + ...... + dim Vλ k
donde λ1, ..... , λ k son los valores propios
de T y Vλ i es el espacio propio de T
asociado al valor propio λ i .
Por ejemplo, en el caso de la transformación lineal

diagonalizable del ejemplo anterior
T(x, y, z) = (-9x− 8y + 4z, 8x + 7y - 4z, - 8x − 8y + 3z)
se tiene que dim Vλ = 3 + dim Vλ = -1 = 1 + 2 = dim ℜ 3
__________________________________________________________________
Ejercicio: Determine si la siguiente transformación
lineal T es o no es diagonalizable.
T : ℜ3 → ℜ3 ; T(x, y, z) = (3x- y + z, 7x − 5y+ z, - 6x + 6y - 2z)
El hecho que T sea diagonalizable significa

que la matriz [T] asociada a T, es “similar” a la
matriz diagonal [T]B en el sentido siguiente:
Existe P matriz invertible tal que [T]B = P −1[T] P
Ejercicio: Demuestre que los valores propios de

una matriz triangular A = (ai j) son los elementos a i i
de la diagonal.
__________________________________________________________________

Apuntes de Alg Lineal 2008

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

Apuntes de Alg Lineal 2008

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DIEGO PORTALES

Instituto de Ciencias Básicas

son matrices con componentes en ℜ , el cuerpo de los

Ejercicio: Determine por extensión la matriz A, de orden

La suma de los elementos de la diagonal de una matriz

Una matriz cuadrada A = (a i j ) se llama triangular

La producción semanal, en cientos, de los artículos p1, p2, ….p60

Dos matrices A = (a i j ) y B = ( bi j ) son iguales si tienen el

Si A = (a i j ) es una matriz de orden m x n, la transpuesta de A,

Sea A = (a i j ) matriz cuadrada. Se dice que A es una matriz

Ejercicio: Si A es una matriz de orden n antisimétrica,

2) Demuestre que toda matriz diagonal es simétrica.

Si A = (a i j ) ∈ M mxn ( κ) y α∈κ , la multiplicación α veces

Ejercicio: Demuestre las propiedades 1. a 6. anteriores.

Ejercicio: Resuelva la ecuación

a) Determine la matriz que contiene los datos relativos a la

El elemento ubicado en la fila i columna j del producto AB es:

c i j= a i1b 1j + a i2b 2 j + . . . . . + a inb nj

La multiplicación de matrices no es conmutativa

Note también que para la matriz A del ejemplo anterior, el

Si, por ejemplo,

• Existen matrices cuadradas A, no nulas pero tales que A2 = O

Por lo tanto, AB= 0 ⇒

Surge la interrogante ¿Existe elemento identidad en

La matriz cuadrada In = (ai j ) de orden n definida así:

Ejercicio: a) Muestre con ejemplos que, en general,

Ejercicio: Determine la matriz X de modo que la siguiente

La ecuación ax = b, en el conjunto de los números

Surge entonces la siguiente definición:

Por lo tanto, A ⋅ A−1 = In = A−1 ⋅ A

En lo que sigue, trataremos de contestar esta

El determinante de la matriz de orden n, A = (a i j ) es el número

1. det(A) = det(At ). En consecuencia, las propiedades de los

En general, det( A + B ) ≠ det( A ) + det( B )

Sin embargo, existe una propiedad que la enunciaremos en

8. Si A ∈ M n ( κ) y A , 1 ≤ k ≤ n, denota la k-ésima columna

Si la fila i multiplicada por el número α la sumamos a

Para calcular el siguiente determinante usaremos la operación

Ejercicio: Clasifique las siguientes

1. det( A 2 − B 2 ) = det( A + B) ⋅ det( A − B) , ∀A, B ∈ M n ( κ )

Y si el determinante de A es distinto de cero tenemos que,

Ejercicio: Determine todos los valores reales de k de modo

Si A, B ∈ Mmxn (κ)y si B se obtiene realizándole a la matriz A un

Teorema: Toda matriz A ∈ Mmxn (κ) es equivalente a una

Si A ∈ Mmxn (κ) , entonces A ≈ E , con E matriz escalonada

Ejercicio: Determine todos los valores reales de a de modo

Ejercicio: Estudie el rango de la matriz A, dependiendo de

Teorema: Sea A ∈ Mn (κ) ; entonces

Y si una sucesión de operaciones elementales fila reducen A a la

Ejercicio: Aplique la última parte del teorema para calcular

Ejercicio: Determine el rango de la siguiente matriz

(1) A ∈ Mn (κ) A invertible ⇔ r ( A ) = n

Esto último sugiere otro método para calcular la inversa de A:

Además, prueba el enunciado hecho antes: Si una sucesión de

De lo realizado se puede concluir que la factorización LU

Ejercicio: Encuentre una descomposición LU para las

donde A = ( a i j ) ∈ M mn ( ℜ ) es la matriz de los coeficientes del

Observe que el sistema (*) equivale a la

Ejercicio: Escriba el sistema de ecuaciones lineales

Prod 1 Prod 2 Prod 3 Prod 4

¿Cuántas unidades de cada producto se deben

Como r(A) = 3 = N° columnas de A = N° de incógnitas, el sistema

Como r(A) = 2 < N° columnas de A (N° de incógnitas), el sistema

En este caso, r(A) = 2 < N° columnas de A (N° de incógnitas) y el