Capi1 13 10

Indice general
1. Sistemas de ecuaciones lineales

3
1.1. Problemas que conducen a la consideraci
on de sistemas lineales
de ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
1.1.1. Problemas de revistas de entretenimientos . . . . . . . .
5
1.1.2. Circulaci
on sobre una red vial . . . . . . . . . . . . . . .
5
1.1.3. Voltajes y corrientes en un circuito . . . . . . . . . . .
7
1.1.4. Distribuci
on de electricidad y peajes . . . . . . . . . . . 10
1.1.5. Los esfuerzos en un reticulado. . . . . . . . . . . . . . . 13
1.1.6. Otros ejemplos . . . . . . . . . . . . . . . . . . . . . . . 19
1.2. Presentaci
on general de los sistemas de ecuaciones lineales . . . 21
1.2.1. El metodo de eliminaci
on de Gauss . . . . . . . . . . . . 26
1.2.2. Notaci
on matricial . . . . . . . . . . . . . . . . . . . . . 33
1.2.3. Matriz escalerizada reducida . . . . . . . . . . . . . . . 57
1.2.4. Cualquier sistema puede ser escalerizado . . . . . . . . . 59
1.2.5. Las propiedades de las operaciones en el espacio Kn de
las n-uplas . . . . . . . . . . . . . . . . . . . . . . . . . 61
1.3. Columnas, combinaciones lineales y sistemas de ecuaciones . . 66
1.3.1. Interpretaci
on geometrica de las combinaciones lineales
72
1.3.2. El producto de matrices y vectores . . . . . . . . . . . . 78
1.3.3. Compatibilidad del sistema. Subespacio de columnas . . 83
1.4. Compatibilidad de los sistemas lineales y espacio de columnas . 90
1.5. Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . 98
1.6. Determinaci
on de los sistemas lineales y n
ucleo . . . . . . . . . 106
1.6.1. El n
ucleo de una matriz . . . . . . . . . . . . . . . . . . 109
1.6.2. La dimensi
on del n
ucleo y el espacio de columnas . . . . 114
1
1.7. Espacio de filas y rango . . . . . . . . . . . . . . . . . . . . . . 116
Captulo 1
Sistemas de ecuaciones
lineales
CAPITULO 1
1.1.
Problemas que conducen a la consideraci

on de
sistemas lineales de ecuaciones
En esta secci
on presentamos algunas situaciones cuyo an
alisis nos lleva a
formular y resolver sistemas de ecuaciones lineales. El espritu de esta secci
on
es, b
asicamente, mostrar ejemplos. Ejemplos en los que la modelizaci
on de un
problema nos conduce a un sistema de ecuaciones lineales y a estudiar c
omo
son sus soluciones. No esperamos que el lector se familiarice con los detalles
de la modelizaci
on, ya tendr
a otros cursos en los que trabajar sobre esto.
Tampoco esperamos que cada lector se interese en todas las aplicaciones que
mostramos. Pero confiamos en que todos los lectores encontrar
an que alguna
de ellas es cercana a los problemas que m
as lo motivan y despiertan sus deseos
de comprender m
as y mejor.
Entre nuestros ejemplos aparecer
an problemas de ingeniera que discutiremos con cierto detalle, como
la determinaci
on del flujo de la circulaci
on sobre una red vial;
el estudio de circuitos electricos;
el an
alisis de los esfuerzos a los que est
a sometida una estructura.
Esta breve lista puede extenderse para incluir adem
as el c
alculo de los insumos
necesarios para la fabricaci
on de bienes y/o el suministro de servicios (ver el
ejercicio ??, en la p
agina ??); la codificaci
on y decodificaci
on de la informaci
on
para protegerla contra errores en su transmisi
on o almacenamiento (ver el ejercicio 1.2.2, en la p
agina 56); el ordenamiento de una lista de datos seg
un su
importancia (ver, por ejemplo, el artculo de divulgaci
on [?]); el estudio de la
din
amica de poblaciones (ver el ejercicio 1.1.6 en la p
agina 20 de esta misma
secci
on). Y podramos continuar.
Ser exhaustivos sera imposible porque, seguramente dejaramos fuera alguna aplicaci
on relevante. Tambien las aplicaciones que hoy no existen pero que
aparecer
an en el futuro. El lector seguramente ampliar
a la lista de ejemplos a
lo largo de sus estudios y de su vida profesional.
No es el principal objetivo de esta secci
on la resoluci
on de los sistemas lineales que aparecen, tarea que, de todos modos, en algunos casos planteamos
al lector. Ser
a estupendo si conseguimos resolverlos ya e interpretar los resultados en el contexto de nuestros modelos. Pero si alg
un sistema se resiste, o
parece demasiado grande o complejo para abordarlo con las tecnicas de que el
lector dispone en este momento, puede ser una buena idea posponer el c
alculo
de las soluciones para despues de la lectura de la secci
on 1.2.
1.1 Problemas y sistemas lineales
1.1.1.
Problemas de revistas de entretenimientos
El primer ejemplo es puramente recreativo: la edad de Pedro es el triple

de la edad de Ana, pero dentro de 10 a
nos su edad s
olo ser
a el doble de la de
Ana. Cu
ales son las edades de Pedro y Ana?
Si a las edades de Ana y Pedro, expresadas en a
nos, las llamamos respectivamente a y p, estos n
umeros deben satisfacer las dos relaciones
p = 3a,
p + 10 = 2(a + 10).
(1.1)
Las variables a y p intervienen en forma lineal en estas ecuaciones, porque

s
olo aparecen multiplicadas por algunos coeficientes y luego sumadas (no hay
expresiones como a2 o log p en juego), por lo que decimos que (1.1) es un
sistema de ecuaciones lineales. Este sistema tiene s
olo dos inc
ognitas, y resulta
de sencilla soluci
on. La primera ecuaci
on nos da una expresi
on de p en funci
on
de a, que al ser sustituida en la segunda nos conduce a
3a + 10 = 2(a + 10).
Agrupando los terminos que contienen la inc
ognita a y simplificando resulta
a = 10.
Sabemos entonces que Ana tiene 10 a
nos, y concluimos r
apidamente que Pedro
tiene 30.
Ejercicio 1 Una madre es 21 anos mayor que su hijo, y dentro de 6 anos su
edad sera exactamente 5 veces la edad del ni

no. Donde esta el papa del peque
no?
1.1.2.
Circulaci
on sobre una red vial
Veamos ahora un modelo para el estudio del tr

ansito. El mapa que aparece
en la figura 1.1 muestra algunas de las calles del centro de Montevideo hacia
el a
no 2050, con los nuevos nombres que tendr
an por esas fechas. El sentido de
circulaci
on en cada una de ellas est
a indicado por las flechas. El mapa indica
el flujo de tr
ansito que entra o sale a cada calle, en unidades de vehculos por
hora.
Como el flujo de tr
ansito vara considerablemente durante el da, supondremos que los n
umeros mostrados representan el flujo de tr
ansito promedio
a la hora de mayor circulaci
on.
Algunas obras de reparaci
on dificultar
an la circulaci
on en la calle Schiaffino
entre Varela y Gambetta. Es posible cortar completamente el tr
afico all y
CAPITULO 1
6
600
900
800
600

Ghiggia
G
x6
a
m
b x1
e 6
t
Schiaffino
t

a
x4
400
700
6
-
V
x2
a ?
r
e
l
a
x7
x5
100
- 200
M
a
s x
3
p
o 6
l
i
400
300
Figura 1.1: Mapa de parte del centro de Montevideo al 2050

atender la demanda que plantea la circulaci
on de vehculos en la hora pico? Si
no es posible, que medida es conveniente adoptar para minimizar el tr
afico
por esa calle?
Intentemos comprender cmo
es la circulaci
on de vehculos en este trozo de
la red vial. Para ello buscaremos calcular c
omo puede distribuirse el tr
afico
en las calles de la ciudad que aparecen en el mapa, de modo de satisfacer las
demandas de vehculos que entran y salen por cada calle. Introducimos variables xi que represent
an la cantidad de vehculos por hora que circulan por
cada una de las cuadras en la parte de la ciudad que estamos considerando,
como se muestra en la tabla:
variable,
x1 ,
x2 ,
x3 ,
x4 ,
x5 ,
x6 ,
x7 ,
vehculos por hora que circulan por,

Gambetta desde Schiaffino hacia Ghiggia,
Varela desde Ghiggia hacia Schiaffino,
M
aspoli desde Schiaffino hacia Ghiggia,
Schiaffino desde Varela hacia Gambetta,
Schiaffino desde M
aspoli hacia Varela,
Ghiggia desde Gambetta hacia Varela,
Ghiggia desde Varela hacia M
aspoli.
En cada intersecci
on el tr
afico de entrada debe ser igual al de salida, no
aparecen ni desaparecen misteriosamente autos en ninguna esquina, de modo
que las circulaciones en cada cuadra deben satisfacer ecuaciones que reflejan
esta propiedad. Por ejemplo, a la esquina de Schiaffino y Gambetta llegan
cada hora x4 vehculos por Schiaffino, 400 por Gambetta, y salen x1 vehculos por Gambetta y 600 por Schiaffino. La ecuaci
on que corrresponde a esta
intersecci
on es entonces
x1 + x4 600 + 400 = 0,
que puede ser simplificada en

x1 + x4 = 200.
Razonando en forma similar para todas las intersecciones concluimos que los
valores de las siete circulaciones xi deben satisfacer el sistema
x1 + x4 = 200,
x4 + x5 = 100,
x3 + x5 = 700,
x1 x6 = 100,
x
2
6 + x7 = 600,
x3 + x7 = 900,
formado por las ecuaciones de las seis intersecciones que aparecen en el plano
de la figura 1.1. Las soluciones de este sistema representan las posibles maneras
de ordenar el flujo de vehculos en estas calles.
Si no estamos dispuestos a cambiar el sentido de circulaci
on en ninguna
calle entonces tendremos que considerar s
olo las soluciones en que las siete
variables xi son mayores o iguales que cero.
Pospondremos el an
alisis de este ejemplo hasta tener algunas herramientas
que nos permitan trabajar ordenadamente con las variables de un sistema de
seis ecuaciones con siete inc
ognitas. Los c
alculos se desarrollan en el ejemplo 1.2.2, p
agina 46.
1.1.3.
Voltajes y corrientes en un circuito
i2
i
Vamos a estudiar como se distribuyen
1 1
2
3
las corrientes y cu
ales son los voltajes en
el circuito de la figura. Hay dos tipos de
i3
magnitudes a determinar: las cuatro intenVa
Vb
sidades ik , de las corrientes en los arcos,
i5
i4
y los cuatro voltajes vk en los nodos. El
ndice k toma valores entre 1 y 4.
4
Que principios gobiernan los valores de estas variables? Debemos recurrir
a otra disciplina, en este caso a la fsica, para hallar la respuesta. Esta viene
en la forma de las leyes de Kirchoff y Ohm, que permiten construir un modelo
matem
atico del circuito.
Ley de Kirchoff1 . Es un principio de conservaci
on, que asegura que no se
genera ni se destruye carga en los nodos. Por lo tanto lo que entra en cada
1
Debe su nombre a Gustav Robert Kirchhoff, 1824-1887
CAPITULO 1
nodo debe ser igual a lo que sale. La suma de las intensidades en los arcos
que confluyen en un nodo dado debe ser igual a cero. Entonces las cuatro
ecuaciones que corresponden a los cuatro nodos del circuito son
i5 i1
i1 i2 + i3
i2 i4
i3 + i4 i5
= 0,
= 0,
= 0,
= 0,
(1.2)
que corresponden respectivamente a los nodos 1, 2, 3 y 4. En este c

alculo
debemos sumar las intensidades en los arcos dirigidos hacia el nodo, y restar
la de los arcos que salen del nodo.
Ley de Ohm2 . Las intensidades en los arcos no pueden ser cualesquiera y
est
an determinadas por las diferencias de potencial entre los extremos de los
arcos. La relaci
on entre diferencia de potencial e intensidades debe cumplir la
ley de Ohm. Esta expresa que la intensidad en el k-esimo arco es igual a la
caida de potencial entre sus extremos, dividida la resistencia Rk en el arco. Al
tener en cuenta en que nodo comienza y termina cada uno de los arcos en los
que el circuito con el que estamos trabajando tiene una resistencia obtenemos
R1 i1 = v1 v2 ,
R2 i2 = v2 v3 ,
R3 i3 = v4 v2 .
(1.3)
Observaci
on 1 La ley de Kirchoff considerada para los circuitos representa
el mismo principio aplicado en el ejemplo del tr
ansito: lo que entra en un
nodo es igual a lo que sale.
Se trata en realidad de un principio de conservaci
on muy general, aplicable
a redes de muy diversa naturaleza. Se satisface, por ejemplo, para los vehculos
en una red vial y para la masa de fluido en una red de ca
neras. Sin embargo,
salvo en situaciones excepcionales en las que el esquema de conexiones de la
red es trivial, el sistema de ecuaciones que resulta de aplicar solamente estos
principios de conservaci
on resulta ser indeterminado.
Es decir, hay muchos flujos posibles sobre la red que satisfacen el principio
de conservaci
on. Por lo tanto no es posible determinar s
olo a partir de la
ley de Kirchoff de que manera operar
a la red. En el caso de la red vial de
la subsecci
on 1.1.2 este hecho se pone en evidencia en el ejemplo 1.2.2. Ver
tambien el ejercicio ?? acerca de las ecuaciones 1.2
2
En honor a Georg Simon Ohm, 1789-1854
La consideraci
on de los potenciales v resuelve este problema: al incorporarlos al modelo y relacionarlos con las intensidades por medio de la Ley de
Ohm los potenciales permiten determinar completamente el flujo sobre la red
y conocer la intensidad de corriente que circula por cada conexi
on.
Las cadas de potencial entre los nodos 3 y 4, y entre 1 y 4 est

an determinadas por las dos fuentes:
V a = v1 v4 ,
(1.4)
V b = v4 v3 .
Las ecuaciones primera y tercera en (1.2) implican que i1 = i5 e i2 = i4 .
Combinando estas igualdad con (1.3) obtenemos
i1 = i5 =
v1 v 2
,
R1
i2 = i4 =
v2 v 3
,
R2
i3 =
v4 v 2
.
R3
Sustituimos estas expresiones de las intensidades en la segunda y cuarta ecuaci

on de (1.2) y usamos (1.4) para obtener el siguiente sistema de ecuaciones
sobre los voltajes:

1
1
1
1
v
+
+
+
v2 R12 v3 R13 v4 = 0
R1 1
R1 R2 R3
1
1
1
1
1
1
(1.5)
R 1 v1 R 1 + R 2 + R 3 v2 + R 2 v3 + R 3 v4 = 0
v1 v 4 = V a ,
v4 v 3 = V b .
A partir de este sistema de cuatro ecuaciones con cuatro incognitas intentaremos determinar los voltajes y las intensidades. Dejamos planteado el ejercicio
al lector para un caso particular en el que hemos fijado los valores de las
resistencias y de las diferencias de potencial introducidas por las fuentes.
Ejercicio 2 Tomando Va = Vb = 12V , R1 = 1, R2 = 2 y R3 = 3,
determinar voltajes e intensidades en el circuito que estamos considerando. Interpretar

los resultados.
Vamos a mostrar ahora una manera

de sistematizar y simplificar la deducci
on
i1
i2
de las ecuaciones de un circuito por medio
de la introducci
on de otras variables, las
llamadas corrientes de malla. Consideraremos dos corrientes i1 e i2 tal como se ilustra en la figura. Estas corrientes
corresponden a las dos mallas formadas por las conexiones (1, 2), (2, 4) y (4, 1)
en el circuito, y por (2, 3), (3, 4) y (4, 2). Sobre la conexi
on (4, 2) entre los
nodos 4 y 2, que es com
un a las dos mallas en el circuito, la corriente toma el
CAPITULO 1
10
valor i1 + i2 , lo que asegura que se satisface la ley de Kirchoff de conservaci

on
de la corriente en los nodos.
La suma total de diferencias de potencial a lo largo de una malla debe ser
nula. Es decir, se satisfacen las obvias igualdades
0 = (v1 v2 ) + (v2 v4 ) + (v4 v1 ) = (v2 v3 ) + (v3 v4 ) + (v4 v2 ).
Las diferencias entre nodos que aparecen en la f
ormula anterior pueden sustituirse por los valores que proporcionan la ley de Ohm y los valores de las
fuentes. Concluimos entonces que
R1 i1 + R3 (i2 + i1 ) Va = 0,
R2 i2 Vb + R3 (i2 + i1 ) = 0.
Estas ecuaciones pueden ordenarse un poco mejor en las inc
ognitas i1 e i2 :
(R1 + R3 )i1 + R3 i2 = Va ,
R3 i1 + (R1 + R3 )i2 = Vb .
Obtenemos as un sistema lineal de ecuaciones en estas variables, cuya soluci
on
nos permitir
a conocer los valores de las corrientes.
Ejercicio 3 Resolver las ecuaciones para las corrientes de malla con los valores
particulares con que trabajamos en el ejercicio 1.1.3. Determinar los valores de todas
las corrientes y los voltajes en el circuito.
Observaci
on 2 No s
olo la elecci
on adecuada de las variables ayuda a simplificar y sistematizar la deducci
on y escritura de las ecuaciones de los circuitos.
Veremos m
as adelante, en el captulo ?? destinado a las matrices, como la
notaci
on matricial colabora en este prop
osito. As, la expresi
on de las ecuaciones en terminos de corrientes de malla se reduce a determinar la matriz de
impedancias del circuito (ver la p
agina ??). Aprenderemos tambien que las
leyes de Ohm y de Kirchoff admiten sencillas expresiones matriciales cuando
un circuito se describe en terminos de la matriz de incidencia que recoge la
estructura de sus conexiones (ver el ejemplo ??, en la p
agina ??).
1.1.4.
Distribuci
on de electricidad y peajes
En una red electrica interconectada, el problema de calcular las corrientes en

cada una de sus lneas a partir del conocimiento de las demandas y la generaci
on en cada nodo de la red es b
asico para su dise
no y operaci
on. Tambien, en
sistemas de distribuci
on en los que varios proveedores de energa suministran
electricidad a diferentes usuarios hay que decidir c
omo repartir el costo de las
11
lneas entre los distintos agentes que operan sobre la red. A diferencia de lo que
ocurre en una carretera, en la red electrica es imposible distinguir la cantidad
enviada por un agente de la enviada por otro, por lo que la determinaci
on del
peaje a pagar por cada usuario es m
as complicada que sobre una red vial.
Un metodo posible para hacerlo consiste en determinar la proporci
on de
cada lnea que cada usuario emplea, lo que hace necesario conocer c
omo se
distribuye sobre la red el resultado de extraer en el nodo en el que se encuentra
el usuario la energa inyectada por un generador ubicado en otro nodo de la
red. En lo que sigue estudiaremos el problema m
as general de determinar
el flujo que produce sobre la red cualquier combinaci
on de demandas en sus
nodos.
En el caso de la red electrica con3
sideraremos un modelo que consiste en
2
una serie de nodos de la red, que repre6
1
sentan los puntos en los que se gene3
ra o consume energa, conectados entre
4
1
4
s por arcos que representan las lneas
2
7
de distribuci
on. En un problema real
5
el n
umero de nodos y arcos puede ser
5
grande, pero en esta introducci
on seremos modestos y trabajaremos con una
red de cinco nodos y siete aristas, con el Figura 1.2: Una red con cinco nodos
esquema de conexiones que aparece en y siete arcos.
la figura.
En cada nodo k, para k = 1, . . . , 5, generaremos o extraeremos electricidad.
Representaremos con dk , k = 1, . . . , 5 estas demandas en los nodos y adoptaremos la siguiente convenci
on de signos, dk ser
a: positiva cuando inyectemos
electricidad en el nodo k, y negativa cuando la extraigamos.
El problema que vamos a tratar admite la siguiente formulaci
on general:
dada la red y un vector de demandas (d1 , d2 , d3 , d4 , d5 ) determinar las corrientes en cada uno de las aristas o arcos. Los c
alculos que haremos se extienden
con facilidad a cualquier n
umero de nodos y arcos. Buscaremos determinar las
corrientes sobre la red, por eso hemos fijado (arbitrariamente) un sentido positivo en cada arco. Las corrientes en la direcci
on del sentido prefijado tendr
an
signo positivo, y ser
an negativas en caso contrario. En resumen, las corrientes
en las aristas, y las demandas en los nodos tienen signo, seg
un vayan o vengan,
entren o salgan.
Ya tenemos la descripci
on general de la red y de las demandas en cada
nodo. La Ley de Kirchoff acerca de la conservaci
on de la corriente en los
CAPITULO 1
12
nodos se traduce en este ejemplo en las ecuaciones
i1 i2 i3
i1 i4 i5
i2 + i6
i3 + i4 i6 + i7
i5 i7
= d1 ,
= d2 ,
= d3 ,
= d4 ,
= d5 ,
(1.6)
donde hemos llamado ik a la intensidad de corriente en el arco k. Los n

umeros dk representan las demandas en los nodos.
La ley de Ohm determina la relaci
on entre las corrientes y las diferencias
de potencial entre los extremos de los arcos:
ik =
(v)k
,
Rk
donde ik es la corriente en el arco k, (v)k la caida de potencial entre los

nodos en que el arco comienza y termina, y Rk la resistencia. Si llamamos ck
al inverso 1/Rk de la resistencia de cada arco, estas ecuaciones toman la forma
ik = ck (v)k .
Las constantes ck reciben el nombre de susceptancias, y son on caractersticas
de la red que supondremos conocidas. Las diferencias (v)k dependen del
estado de operaci
on de la red y corresponden a la resta de los potenciales en
los extremos del arco k. Al tener en cuenta en que nodo comienza y termina
cada arco de la red con la que estamos trabajando obtenemos las siguientes
ecuaciones para los arcos:
i1
i2
i3
i4
i5
i6
i7
= c1 (v2 v1 ),
= c2 (v1 v3 ),
= c3 (v1 v4 ),
= c4 (v2 v4 ),
= c5 (v2 v5 ),
= c6 (v4 v3 ),
= c7 (v5 v4 ).
(1.7)
Ahora podemos usar las ecuaciones (1.7) para sustituir las intensidades en
(1.6) y obtener el siguiente sistema de cinco ecuaciones con cinco inc
ognitas
(c1 + c2 + c3 )v1 + c1 v2 + c2 v3 + c3 v4
c1 v1 (c1 + c4 + c5 )v2 + c4 v4 + c5 v5
c2 v1 (c2 + c6 )v3 + c6 v4
c3 v1 + c4 v2 + c6 v3 (c3 + c4 + c6 + c7 )v4 + c7 v5
c5 v2 + c7 v4 (c5 + c7 )v5
= d1
= d2
= d3
= d4
= d5
(1.8)
13
Si somos capaces de resolver estas ecuaciones en las variables vi luego s

olo
tenemos que sustituir los valores hallados en las ecuaciones (1.7) para calcular
las intensidades.
Consideraremos ahora el caso particular de (1.8) en el que todas las susceptancias toman el valor 1. Obtenemos el sistema
3v1 + v2
v1 3v2
v1
v1 + v 2
v2
+ v3
+
2v3
+ v3
+ v4
v4 + v5
+ v4
4v4 + v5
+ v4 2v5
=
=
=
=
=
Ejercicio 4 Plantear las ecuaciones para la red de la

figura suponiendo que todas las susceptancias son iguales a 1 y
que cada nodo i, i = 1, 2, 3, 4, recibe una demanda di . Resolver
las ecuaciones y calcular voltajes e intensidades en el caso en que
d4 = 1, d3 = 1, d1 = d2 = 0.
1.1.5.
d1
d2
d3
d4
d5
(1.9)
4
3
u

u
@
@
R
? @
@
6
@ 2
1
@u
u -
Los esfuerzos en un reticulado.
Estudiaremos ahora el problema de c

omo se distribuyen los esfuerzos en un
reticulado, o estructura de barras sometida a cargas exteriores. Estas cargas
producen tensiones en las barras, que deben ser toleradas para que la estructura se mantenga en equilibrio y cumpla la funci
on para la que fue dise
nada
y construida. Calcular el valor de las tensiones es, entonces, un problema relevante para el dise
no de este tipo de estructuras
Lo primero que haremos para tratar el problema es elaborar un modelo
matem
atico de la situaci
on, en el que abstraeremos algunas caractersticas que
son esenciales para nuestro prop
osito. En nuestro modelo simplificado de un
reticulado las barras ser
an completamente rgidas y las consideraremos como
segmentos de rectas que confluyen en nodos, donde se articulan varias barras.
Por ejemplo, en la figura ?? mostramos un nodo en el que confluyen tres barras
y que adem
as soporta una carga externa P . En las figuras ?? y ?? aparecen
los esquemas de dos reticulados con los anclajes que los mantienen fijos.
n matema
tica del reticulado
Observaci
on 3 Modelizacio
En el modelo que estamos considerando las barras no se deformar
an, independientemente de cu
anto las carguemos. Por supuesto, las cosas no son as en
la realidad. Pero recien estamos haciendo una primera aproximaci
on. Modelos mas elaboradas y precisos tienen en cuenta el hecho de que las barras se
14
CAPITULO 1
deforman cuando est

an sometidas a una carga, pero a
un as constituyen una
enorme simplificaci
on del problema.
Recordemos que cualquier modelo constituye una simplificaci
on. Un compromiso entre la descripci
on ajustada de la realidad y nuestra capacidad de
calcular con el modelo. Y su validez depender
a de que permita determinar los
valores de las variables que nos interesa conocer con un grado de aproximaci
on suficiente para nuestros prop
ositos. Cu
al es ese grado de aproximaci
on?
Imposible saberlo sin saber antes cu
al es la situaci
on que queremos analizar y
en que contexto lo hacemos.
Seleccionaremos ahora las variables relevantes para nuestro modelo, y buscaremos cu

ales son las relaciones que deben satisfacer.
El equilibrio de una barra
Supondremos que sobre las barras s
olo act
uan fuerzas aplicadas en sus
extremos. Para que cada barra este en equilibrio las resultantes de estas fuerzas
deben tener la direcci
on de la barra, si no fuera as las fuerzas haran girar a
la barra. Adem
as, la resultante de las fuerzas que act
uan en un extremo debe
ser exactamente la opuesta de la que act
ua en el otro. Si esto no ocurriera la
fuerza neta que actuara sobre la barra producira su desplazamiento.
En resumen, el efecto neto de las
fuerzas que act
uan sobre la barra en
equilibrio es el que se muestra en la
u
u figura. Act
uan en los extremos fuerzas opuestas, alineadas con la direcci
on de la barra.
El esfuerzo que realiza la barra queda entonces completamente caracterizado por el m
odulo de la fuerza que la tracciona (como hemos dibujado en la
figura) o comprime. Es decir, como la direcci
on de la fuerza es conocida s
olo
necesitamos especificar el valor de la tensi
on T a la que est
a sometida la barra.
Daremos signo positivo a T cuando la barra est
a traccionada y negativo cuando est
a comprimida. El valor de T determina entonces el m
odulo y sentido de
las fuerzas que act
uan en cada extremo.
Ecuaciones de equilibrio en los nodos
Hasta aqu hemos descrito el equilibrio de cada barra. Para estudiar el
equilibrio del conjunto analizaremos el equilibrio de cada nodo. La condici
on
que debe satisfacerse es que todas las fuerzas que act
uan sobre un nodo da-
15
do, provenientes de las barras que confluyen en el nodo o de cargas externas,

esten equilibradas. En un reticulado plano, como el de la figura ??, debemos
asegurarnos de que tanto las componentes horizontales como las componentes verticales de las fuerzas esten equilibradas. Por lo tanto, tendremos dos
ecuaciones para cada nodo. En el pr
oximo ejemplo mostramos c
omo son estas
ecuaciones para un nodo en el que confluyen tres barras.
Ejemplo 4 Sobre el nodo de la fi@
gura act
uan cuatro fuerzas, las de las tres
@1
barras y la carga exterior P . La barra 1
@
3
@s
forma un
angulo de /4 con la vertical, la

2
barra 2 un
angulo de /6 con la horizontal
?
P

y la barra 3 est
a en posici
on horizontal.
Cada barra est
a sometida a una tensi
on Ti , i = 1, 2, 3. La fuerza con que
la barra act
ua sobre el nodo depender
a de Ti y la orientaci
on de la barra,
y puede descomponerse en una componente vertical y una horizontal para
plantear las ecuaciones de equilibrio. Tomaremos las orientaciones usuales de
los ejes horizontal y vertical, en las que el signo de + corresponde a lo que
apunta hacia la derecha o hacia arriba respectivamente. Entonces, por ejemplo,
la componente vertical de la fuerza que ejerce la barra 1 sobre el nodo3 es
T1 cos(/4) = T1 / 2,
en tanto que la componente horizontal es
T1 sin(/4) = T1 / 2.
Ejercicio 5 Hallar en funcion de T2 , T3 y las posiciones de las barras las

componentes horizontales y verticales de los esfuerzos que las barras 2 y 3 realizan
sobre el nodo.
Proyectando los esfuerzos en la direcci
on de ambos ejes y planteando la
condici
on de equilibrio para cada una de las dos direcciones encontramos las
ecuaciones que vinculan las tensiones y las cargas en el nodo. En este ejemplo,
la ecuaci
on que corresponde a la direcci
on horizontal es
1
3
T1
T2 + T3 = 0.
2
2
El factor 1/ 2 que multiplica a T1 es igual al coseno del angulo 3/4 que

la barra 1 forma con la direcci
on positiva del eje horizontal. El angulo de la
3
Por el principio de acci

on y reacci
on esta fuerza es exactamente la opuesta de la fuerza
que el nodo trasmite a la barra 1
16
CAPITULO 1
barra 2 es 7/6, cuyo coseno es el factor 3/2 que aparece multiplicando

a T2 . Si el lector lo prefiere puede pensar que la barra 2 forma un angulo
de
/6 con la direcci
on negativa del eje vertical, y considerar el factor 3/2
como el producto de cos(/6) por 1, que da cuenta de que la proyecci
on de
la barra sobre la vertical qued
o apuntando hacia atr
as. La barra 3 ejerce
una fuerza T3 en el sentido positivo del eje horizontal, y la carga externa P no
tiene componente horizontal.
El an
alisis de las componentes verticales conduce a la segunda ecuaci
on de
equilibrio,
1
1
T1 T2 P = 0,
2
2
pero lo omitiremos porque es similar al que acabamos de hacer.
Una primera aproximaci

on al problema de determinar las tensiones consiste
en escribir todas las ecuaciones de equilibrio de los nodos, y buscar los valores
de las tensiones que las satisfacen. En el ejercicio 1.1.5 iremos recorriendo
este camino, resolveremos algunos reticulados, y finalmente encontraremos que
esta aproximaci
on tiene limitaciones serias, que obligar
an a recurrir a una
modelizaci
on m
as elaborada de un sistema de barras para poder alcanzar el
objetivo de conocer las tensiones con que la estructura reacciona a las cargas
a las que es sometida.
Cargas y reacciones
Antes de plantear el ejercicio conviene hacer un comentario acerca de las
fuerzas externas que actuar
an sobre nuestra estructura. Las distinguiremos
entre cargas y reacciones. Las cargas son, en general, conocidas. Por ejemplo, el peso de lo que queremos colgar de la estructura. Las reacciones son
los esfuerzos que se trasladan al anclaje de la estructura para que no se venga todo abajo. Las reacciones pueden ser calculadas a partir de las cargas,
pero tambien podemos moment
aneamente olvidarnos de ellas asumiendo que
el anclaje es capaz de soportar cualquier esfuerzo y que, autom
aticamente,
equilibrar
a cualquier carga.
2
Ejercicio 6 En este ejercicio trabajaremos con el
s
sencillo reticulado triangular que aparece en la figura. Lo
@
@
consideraremos sometido a distintas cargas, y con distintos
@
tipos de anclaje. Tambien analizaremos su comportamien@
@s 3
1s
to bajo solicitaciones completamente generales en sus tres
nodos.
1. Esfuerzos en el reticulado anclado y cargado. Supongamos que el
reticulado esta sujeto por los nodos 2 y 3, de forma tal que el anclaje en el nodo 3 es
17
capaz de resistir cualquier esfuerzo, y el del nodo 2 puede resistir cualquier esfuerzo
vertical.
Con el esquema de anclajes que acabamos
2 t
@
de describir, y que se muestra en la figura, se
@
aplica una carga vertical de 10T en el nodo 1.
@
Escribir las ecuaciones de equilibrio del nodo 1
@
y la condici
on de equilibrio de las componentes
@t 3
1 t
horizontales de las fuerzas que act
uan sobre el
nodo 2. Determinar las tensiones en las barras a partir de estas ecuaciones.
2. Reacciones en los anclajes. En la parte anterior nuestro interes era calcular
las tensiones en las barras. Por eso no planteamos las condiciones de equilibrio del
nodo 3, ya que supusimos que su anclaje es capaz de equilibrar cualquier esfuerzo.
Tampoco la condici
on de equilibrio que corresponde a las componentes verticales de
las fuerzas que act
uan sobre el nodo 2. Ninguna de estas ecuaciones arroja informaci
on
sobre las tensiones en las barras. Pero s dan informaci
on sobre las reacciones de los
anclajes. Determinar entonces las fuerzas externas que act
uan sobre los nodos 2 y 3.
3. Esfuerzos y reacciones para otro anclaje. Calcular esfuerzos y reacciones cuando el reticulado esta sujeto de forma tal que el anclaje del nodo 2 es capaz
de compensar cualquier esfuerzo, y el del nodo 3 solo puede hacer fuerza en el sentido
vertical (es decir, sabemos que las u
nicas fuerzas que act
uan sobre ese nodo y tienen
componente horizontal son las que provienen de las barras). Sobre el nodo 1 supondremos que act
ua una carga C generica, con componente horizontal H y vertical V .
4. Esfuerzos en las barras para cargas cualesquiera. Calcular las tensiones en las barras cuando act
uan cargas externas conocidas sobre los nodos. Llamemos
Hi y Vi , i = 1, 2, 3, a las componentes horizontales y verticales de estas fuerzas. Es
posible encontrar tensiones que equilibren los esfuerzos para cualquier valor de las
cargas Hi y Vi , i = 1, 2, 3? Discutir e interpretar los resultados.
El objetivo de nuestro pr
oximo ejercicio es emplear lo que hemos aprendido
acerca de las ecuaciones de equilibrio de un reticulado en un problema algo
m
as complejo. La parte 2 ilustra acerca de las limitaciones del modelo con el
que estamos trabajando.
Ejercicio 7
1. Plantear las ecuaciones y hallar las tensiones en el sistema de barras de la

figura 1.3, que se supone sometido a las cargas f y g que all se ilustran. El
anclaje en el nodo 1 es capaz de equilibrar cualquier esfuerzo, y el anclaje
en el nodo 5 solo puede equilibrar cualquier esfuerzo vertical, la componente
horizontal de la reaccion en ese punto es nula.
2. Se agrega una octava barra entre los nodos marcados 1 y 4. Hallar el sistema
que deben satisfacer las tensiones para que el reticulado este en equilibrio y
determinar los valores de las tensiones en cada barra. Cu
ales son los valores
de las tensiones que equilibran el sistema? Para una carga dada, escoger
an
CAPITULO 1
18
2
u
@
@3
@
1 u
@
@
u @ g
@
@
5
@
@
@u
?
@7
@
@
@u 5
@
@
f
Figura 1.3: Una estructura de barras
las barras una soluci

on en funci
on del estado de animo con que se encuentren?
C
omo se soluciona este problema de indeterminaci
on en la soluci
on?
lgebra lineal
Observaci
on 5 Redes, grafos y a
Los ejemplos tratados tienen que ver con redes: una red vial, un circuito electrico y un reticulado (una red de barras articuladas entre s). No es casual el
enfasis en problemas de redes en esta introducci
on.
Sistemas complejos con diversas partes interconectadas entre s (redes)
aparecen en muchas areas de la ingeniera. El algebra lineal es una herramienta indispensable en su consideraci
on, por lo que esperamos que constituyan
una fuente de motivaci
on y de problemas interesantes para estudiantes que se
orientan hacia alguna rama de la ingeniera. Las complejas redes de comunicaciones de nuestra sociedad la Internet, redes viales, redes cualesquiera de
distribuci
on son ejemplos de esta naturaleza.
Pero se
nalemos otro, que tiene que ver con posibles interacciones, en un
ejemplo tomado de la biologa. No es el n
umero de genes de un organismo el
que determina su complejidad, sino la red de interconexiones que vincula a los
genes. Esta raz
on mueve en la actualidad a muchos cientficos a estudiar redes
de genes, y sus estudios tienen como contrapartida los estudios de redes que
aparecen en otras disciplinas.
As, las matem
aticas de las redes constituyen una apasionante area de
investigaci
on multidisciplinaria, siendo un dominio com
un de trabajo de matem
aticos, fsicos, bi
ologos, epidemi
ologos, economistas, por citar algunas de
las especialidades involucradas.
Todas las redes admiten la siguiente descripci
on: un conjunto de cosas
19
a unir o relacionar, nodos, algunos de los cuales se interconectan entre s,

por aristas. Los nodos pueden ser uniones en una estructura, computadoras,
elementos de un conjunto, esquinas de la ciudad, etcetera. Y las aristas pueden representar barras, cables, relaciones de pertenencia, posibles llamadas
telef
onicas, rutas, etcetera.
Este cuadro tan general se presta a una formulaci
on a
un m
as general, abstracta, que englobe todas las posibilidades sin aludir directamente a ninguna.
Es decir a una teora matem
atica! La teora correspondiente es la teora de
grafos. Quiz
as interese al lector saber que esta teora se sirve del algebra lineal
que queremos mostrar en este curso. Ver, por ejemplo, el ejercicio ??, en la
p
agina ??. El captulo 3 del texto [?] contiene una introducci
on a la teora de
grafos.
1.1.6.
Otros ejemplos
Cerramos esta secci

on introductoria con un par de ejercicios en los que
mostramos problemas que pueden ser resueltos formulando sistemas de ecuaciones lineales adecuados.
Ejercicio 8 Dietas
Basta de comida chatarra! Hemos decidido querernos a nosotros mismos y empezar

a comer decentemente. Que nutrientes necesitamos?
Luego de relevar la informaci
on al respecto hemos llegado a la conclusion de que
necesitamos que lo que comamos cada da nos aporte 3.000 caloras, 60 gramos de
protenas, 1 gramo de calcio y 10 miligramos de hierro4 . Nuestras costumbres, prejuicios y/o principios nos restringen a una dieta formada por los siguientes 6 alimentos,
que contienen cada 100 gramos las cantidades de los nutrientes basicos que aparecen
en la tabla:
Alimento
Carne vacuna
Garbanzos
Lechuga
Huevos
Mayonesa
Leche
Caloras
250
360
16
160
718
65
Protenas (g.)
18
20
1,3
12
1,1
3,3
Calcio (mg.)
10
130
30
60
18
120
Hierro (mg.)
2,5
8
0,8
3
0,5
0,1
Dise
nar una dieta adecuada a nuestras necesidades.
4
Los requisitos reales para una dieta incluyen otros nutrientes que hemos omitido. No
hace falta que los incorporemos al enunciado del ejercicio, porque el problema sera siendo
esencialmente el mismo, pero m
as vale que no nos olvidemos de ellos a la hora de comer!
CAPITULO 1
20
Ejercicio 9 Transiciones entre estados (I)

La poblacion de un pas esta distribuida en tres grupos: los que viven en ciudades, los
que viven en zonas rurales, y los que viven en el exterior del pas. Llamemos c, r y e a
los porcentajes de pobladores en cada grupo. Cada a
no, algunos habitantes cambian
su situaci
on, seg
un el siguiente esquema:
de la ciudad
30 % emigran al exterior,
60 % sigue en la ciudad,
10 % pasa a zona rural,
de la poblacion rural
40 % se mudan a la ciudad,
40 % permanece donde esta,
20 % parte fuera del pas,
del exterior
10 % vuelven a la ciudad,
10 % a zonas rurales,
80 % sigue en el exterior.
En este modelo del comportamiento de la poblacion no tenemos en cuenta el efecto

de muertes y nacimientos.
1. Si un a
no comienza con un 40 % de la poblacion en la ciudad, un 30 % en zonas
rurales, y un 30 % en el extranjero, cual sera la distribucion a fin del a
no?
C
omo comenz
o el a
no anterior?
2. Hallar la expresi
on general de la transicion de los porcentajes (c, r, e) de un a
no
al siguiente.
3. Existe alg
un estado (c, r, e) estacionario5 ?
Un estado estacionario es un estado en el que, a pesar de los movimientos de personas,

los porcentajes de pobladores en la ciudad, las zonas rurales y en el exterior no cambian de
un a
no otro. Esto ocurre cuando los distintos flujos de gente se cancelan unos con otros. En
este estado de equilibrio un cierto n
umero de personas continuar
a abandonando la ciudad
cada a
no, pero un n
umero exactamente igual llegar
a desde el exterior o el campo para hacer
que el porcentaje de habitantes en la ciudad no se modifique.
n de los sistemas lineales

1.2 Presentacio
1.2.
21
Presentaci
on general de los sistemas de ecuaciones lineales
Aunque m
as tarde volveremos sobre ellos, dejaremos ahora de lado los problemas que dan lugar a sistemas de ecuaciones lineales, y nos dedicaremos a
estudiar una manera sistem
atica de resolverlos y a comprender las propiedades de sus soluciones. Nuestro objeto de trabajo ser
a entonces un sistema lineal generico, cuyos coeficientes e inc
ognitas pueden ser n
umeros cualesquiera.
Tampoco pondremos limitaci
on alguna al n
umero de ecuaciones ni al n
umero
de inc
ognitas.
Lo primero que necesitaremos para trabajar con esta generalidad es una
notaci
on adecuada. Emplearemos m
as de una a lo largo del curso, pero comenzamos por introducir la que s
olo consiste en sistematizar los nombres de todas
las variables en juego. Escribiremos un sistema lineal de m ecuaciones con n
inc
ognitas x1 , x2 , . . . , xn , en la forma
a11 x1 + a12 x2 + . . . + a1n xn = b1 ,
a21 x1 + a22 x2 + . . . + a2n xn = b2 ,

(1.10)
..
..
.
.
am1 x1 + am2 x2 + . . . + amn xn = bm ,

donde los n
umeros
aij ,
i = 1, . . . , m, j = 1, . . . , n,
son un dato que supondremos conocido (son lo que llamaremos los coeficientes
del sistema), al igual que los n
umeros
bj ,
j = 1, . . . , m,
(los terminos independientes). El problema consiste entonces en hallar las

inc
ognitas, n
umeros
xi , i = 1, . . . , n,
tales que se satisfagan las m ecuaciones en (1.10). Nos referiremos a un sistema
de este tama
no como a un sistema mn, donde m hace referencia a la cantidad
de ecuaciones, y n a la de inc
ognitas.
ricos para la teora.
Observaci
on 6Los conjuntos nume
Una precisi
on se hace imprescindible: especificar cu
al es el conjunto numerico
sobre el que trabajaremos. El siguiente ejemplo ilustra esta necesidad.
CAPITULO 1
22
Ejemplo 7 Nos planteamos resolver el sistema de ecuaciones

2x y = 0,
2x + y = 2.
(1.11)
Sumando ambas ecuaciones obtenemos 4x = 2, de donde concluimos que x =

1/2. Volviendo a cualquiera de las dos ecuaciones originales y sustituyendo
x por el valor que acabamos de hallar encontramos que y = 1. Por lo tanto
x = 1/2, y = 1, es la u
nica soluci
on del sistema. Observemos que el sencillo
sistema de nuestro ejemplo no tiene soluciones que sean n
umeros naturales,
aunque sus coeficientes son naturales. Esto es as porque al resolver los sistemas
de ecuaciones lineales es necesario realizar sumas, restas, multiplicaciones y
divisiones, y algunas de estas operaciones no son siempre posible dentro del
conjunto N de los n
umeros naturales. Trabajaremos entonces en un conjunto
numerico donde todas estas operaciones sean posibles, lo que hace necesario
especificar que el conjunto de n
umeros tenga estructura de cuerpo.
Por ejemplo, el conjunto Q de los n
umeros racionales es un cuerpo. Observemos que la soluci
on del sistema (1.11) requiere la consideraci
on de n
umeros
racionales. Tambien son cuerpos el conjunto R de los n
umeros reales, y el de
los complejos C. Los cuerpos Z2 y Z3 son ejemplos de cuerpos que s
olo tienen
un n
umero finito de elementos (2 y 3 respectivamente). Esta breve enumeraci
on no agota la lista de los cuerpos, y todava quedan muchos m
as cuerpos
sumamente interesantes: los cuerpos Z2 y Z3 son casos particulares de una
construcci
on que para cualquier n
umero primo p origina un cuerpo discreto
llamado Zp ; existe una infinidad de cuerpos intermedios entre Q y R. Algunos
de estos cuerpos intervienen en la resoluci
on de problemas cl
asicos como la trisecci
on del
angulo o la cuadratura del crculo; los bites, listas de ocho ceros y
unos, pueden ser dotados de una estructura de cuerpo. Mucha de la tecnologa
de las telecomunicaciones actuales emplea esta estructura para procesar la informaci
on. Las propiedades de la estructura de cuerpo y alguna informaci
on
adicional que extiende estos comentarios se recogen en el apendice ??.
En este curso trabajaremos habitualmente sobre R, pero aparecer
an algunos ejemplos que emplean otros cuerpos. En general, desarrollaremos toda la
teora sobre un cuerpo K cualquiera, sin hacer referencia a ninguno en particular. S
olo haremos uso de las propiedades de la estructura de cuerpo, no de
la naturaleza precisa de los n
umeros que forman el cuerpo.
Una vez especificado que trabajaremos sobre alg

un cuerpo K, es decir,
que los coeficientes de los sistemas lineales ser
an elementos de un cuerpo K y
que buscaremos soluciones en ese mismo cuerpo, sigamos adelante con nuestra
teora.

1.2 Presentacio
23
Hemos reservado el primer subndice de los n

umeros aij para indicar a
que ecuacion pertenecen, y el segundo para indicar a que variable multiplican.
As, al variar el ndice i en aij vamos cambiando de rengl
on en (1.10), y al
aumentar j nos movemos de izquierda a derecha, recorriendo las columnas en
las que aparece alineado todo lo que corresponde a una misma inc
ognita. Por
supuesto, este ordenamiento de los subndices es absolutamente convencional.
Lo adoptaremos porque es est
andar, y es coherente con el que se utiliza para
las matrices que introduciremos en la p
agina 34.
Observaci
on 8 El problema de hallar los valores xi de las n inc
ognitas puede
pensarse como el problema de hallar una u
nica lista
X = (x1 , x2 , . . . , xn )
de n n
umeros. En una primera consideraci
on no parece haber una gran ventaja
en este enfoque, m
as all
a de pensar en un u
nico objeto en vez de en n, pero
estas listas de n n
umeros, o n-uplas, pueden ser vistas como vectores, elementos de una estructura algebraica y geometrica que nos ayudar
a muchsimo en
la manipulaci
on y comprensi
on de los sistemas lineales. Comenzaremos a introducir esta estructura en la observaci
on 1.2.2, p
agina 40, y en la subsecci
on
1.2.5. La emplearemos sistem
aticamente a partir de la secci
on 1.3.
A la
luz de la observaci
on precedente, digamos que una soluci
on del sistema (1.10)
es una lista de n n
umeros
(1 , 2 , . . . , n )
tales que si se sustituye
x1 = 1 , x2 = 2 , . . . , xn = n
se verifican simult
aneamente las m ecuaciones en (1.10).
Ejemplo 9 Vamos a discutir en este ejemplo tres sencillos sistemas reales

de dimensiones 2 2.
1. El sistema
x1 + x2 = 1,
x1 x2 = 1,
tiene una u
nica soluci
on (x1 , x2 ) = (1, 0). Es evidente que este par de
n
umeros es una soluci
on del sistema. Adem
as, es la u
nica, porque si
sumamos las dos ecuaciones del sistema obtenemos 2x1 = 2, lo que
implica x1 = 1. Y al restar la segunda de la primera nos encontramos
con 2x2 = 0, que s
olo puede ser satisfecha por x2 = 0.
CAPITULO 1
24
2. No puede haber ninguna soluci

on del sistema de ecuaciones

x1 + x2 = 1,
x1 + x2 = 2.
3. Pero el sistema
x1 + x2 = 1,
2x1 + 2x2 = 2,
admite infinitas soluciones. Todas las parejas (x, 1 x), con x R,

satisfacen ambas ecuaciones.
Ejercicio 10 En cada caso, determinar si las listas que se especifican son o no

son soluciones de los sistemas dados.
1. Las ternas (1, 1, 1) y (2 3y, y, 1 + 2y), donde y puede ser cualquier n
umero
real, para el sistema
x1 + x2 + x3 = 1,
x1 x2 + 2x3 = 0,
x1 3x2 + 3x3 = 1.
2. Las cuaternas (1, 1, 1, 0), (1, 1, 0, 1) y (0, 0, 1, 0)
x1 + x2 + x4 =
x1 + x2 + x3 =
x1 + x3 + x4 =
para el sistema
0,
1,
1,
en Z2 .
3. Las duplas (1 i, 1 + i) y (1 + i, 1 i), para el sistema

(i 1)x1 + (1 + i)x2 = 4,
x1
x2 = 2i,
El ejemplo 1.2 y el ejercicio 1.2 muestran que un sistema lineal puede tener
una u
nica soluci
on, ninguna o muchas. Nuestra tarea al estudiarlos ser
a encontrar y describir la soluci
on de estos sistemas en el siguiente sentido: dado
un sistema de ecuaciones llamaremos conjunto soluci
on del sistema al conjunto de todas las soluciones de S. Resolver un sistema es determinar su
conjunto soluci
on.
Ejemplo 10 Los conjuntos soluci
on de los sistemas del ejemplo 1.2 son
1. {(1, 0)},
2. el conjunto vaco,

1.2 Presentacio
25
3. el conjunto {(x, 1 x); x R},

respectivamente.
Ejemplo 11 El ejemplo m
as sencillo de un sistema lineal es el sistema de
una ecuaci
on con una inc
ognita
ax = b,
(1.12)
donde a y b son dos n

umeros (elementos de alg
un cuerpo K) cualesquiera. La
letra x indica a la u
nica inc
ognita del sistema.
En pocos renglones podemos discutir con total generalidad c
omo es el
conjunto soluci
on.
Si a 6= 0 entonces el sistema tiene una u
nica soluci
on, independientemente del valor de b. S
olo tenemos que multiplicar ambos lados de la
ecuaci
on (1.12) por el inverso a1 del n
umero a, para concluir que si x
1
es una soluci
on entonces x = a b. Este n
umero es una soluci
on de la
ecuaci
on, porque
a(a1 b) = (aa1 )b = 1b = b.
La discusi
on precedente muestra que adem
as es la u
nica.
Si a = 0 tendremos
ax = 0x = 0,
independientemente del valor de x. Debemos distinguir entonces dos casos:
si b 6= 0 entonces, para cualquier x, tendremos 0x) = 0 6= b. Por lo
tanto no hay soluci
on del sistema;
si b = 0 entonces la igualdad en (1.12) siempre se satisface, y cualquier x es soluci
on del sistema. En este caso el sistema tiene muchas
soluciones, tantas como elementos tenga el cuerpo K sobre el que
estamos trabajando, porque cualquier n
umero en el cuerpo es solu6
ci
on .
Naturalmente, este problema es extremadamente sencillo pero, como acontece
muchas veces, ya podemos apreciar en este simple ejemplo algunos comportamientos que reaparecer
an en situaciones m
as generales: problemas de compatibilidad o incompatibilidad asociados a la invertibilidad de los coeficientes
6
Si el cuerpo es infinito -este es el caso para, por ejemplo, Q, R o C- entonces la ecuaci

on
tiene infinitas soluciones. Si el cuerpo es finito -por ejemplo para los Zp con p un n
umero
primo- la soluci
on no es u
nica, pero hay un n
umero finito de ellas -p, en el caso de Zp .
CAPITULO 1
26
del sistema; inexistencia o multiplicidad de soluciones dependiendo de los coeficientes y terminos independientes, etcetera.
Conviene introducir aqu una terminologa m

as o menos corriente:
si un sistema no tiene ninguna soluci
on, o, equivalentemente, el conjunto
soluci
on es vaco, diremos que es incompatible;
si existe alguna soluci
on llamaremos al sistema compatible. Distinguiremos entonces dos casos.
Cuando la soluci
on es u
nica diremos que el sistema es compatible
determinado;
y si admite m
as de una soluci
on diremos que es compatible indeterminado.
1.2.1.
El m
etodo de eliminaci
on de Gauss
El objetivo de esta secci

on es presentar un metodo sistematico para la
resoluci
on de sistemas lineales de cualquier tama
no. La idea del metodo es muy
simple: ir reduciendo en cada paso el problema a un problema que
tiene una ecuaci
on menos y una inc
ognita menos, y transformar as,
por medio de la eliminaci
on inteligente de inc
ognitas, el problema
original en un problema de sencilla soluci
on. Este metodo es conocido
como metodo de eliminaci
on de Gauss o metodo de eliminaci
on gaussiana. El
nombre alude a que en cada paso vamos eliminando una o m
as inc
ognitas,
y es un reconocimiento a quien lo introdujo: el matem
atico Carl Friederich
Gauss.
Nota Hist
orica 1 Carl Gauss (1777-1855)
Carl Gauss naci
o en el a
no 1777, en Brunswick, un pueblo que actualmente pertenece a
Alemania. A los siete a
nos sorprendi
o a sus maestros al sumar casi instant
aneamente todos
los n
umeros naturales entre 1 y 100. Lo hizo a partir de la observaci
on de que se trataba de
sumar 50 pares de n
umeros naturales, d
onde cada pareja sumaba 101. En 1795 Gauss abandon
o Brunswick para estudiar en la Universidad de G
ottingen. Permanecera all hasta 1798.
Al abandonar G
ottingen Gauss no haba conseguido ning
un diploma, pero haba descubierto
como construir con regla y comp
as un polgono regular de 17 lados, lo que constituy
o el
mayor avance en esta
area desde el tiempo de las matem
aticas griegas.
Este promisorio comienzo de la carrera de Gauus como investigador fue confirmado
por su producci
on futura: en su tesis doctoral demostr
o el teorema fundamental del
algebra;
realiz
o luego importantes contribuciones en teora de n
umeros; cre
o el metodo de los mnimos
cuadrados para predecir la posici
on del asteroide Ceres, descubierto en 1801; desarroll
o
areas
de la estadstica y la teora del potencial; demostr
o el llamado Teorema egregio de la geometra
diferencial, que tiene como una de sus consecuencias el hecho de que no es posible realizar
un mapa plano de la superficie de la tierra que respete fielmente las distancias entre pares

1.2 Presentacio
27
de puntos cualesquiera; trabaj

o fecundamente en problemas de electromagnetismo, etcetera.
Una serie de contribuciones que hacen a Gauss merecedor de un lugar destacado en la historia
de la ciencia, en particular de la matem
atica. Gauss falleci
o en 1855.
Gauss introdujo el metodo de eliminaci
on que hoy lleva su nombre hacia 1800, con el
prop
osito de resolver problemas de ajuste de datos (por el metodo de mnimos cuadrados)
de observaciones astron
omicas. M
as tarde aplicara el metodo en problemas de geodesia. De
hecho, la primera aparici
on del metodo en un trabajo publicado ocurri
o en un manual de
geodesia de la autora de Wilhelm Jordan, y, curiosamente, el metodo de eliminaci
on de
Gauss fue considerado durante a
nos parte de la geodesia y no de la matem
atica.
El metodo de eliminaci
on de Gauss tiene un antecedente en manuscritos chinos del siglo
II AC muy anteriores a Gauss, por cierto en los que se explicaba como resolver un sistema
de tres ecuaciones con tres inc
ognitas.
En nuestro pr
oximo ejemplo mostramos un sistema lineal de una forma
muy particular, que lo hace especialmente sencillo de resolver. Luego mostraremos c
omo el metodo creado por Gauss transforma el problema de resolver
un sistema lineal cualquiera en un problema en el que s
olo hay que resolver
un sistema con esta forma tan conveniente.
Ejemplo 12 Busquemos tres n
umeros reales x, y y z que satisfagan
x + y + 2z = 8,
2y + z = 8
z = 2.
Este
es un sistema 33 muy f
acil de resolver7 . De la u
ltima ecuaci
on se despeja
z = 2.
Con este valor de z sustituimos en al segunda ecuaci
on y tenemos
2y + 2 = 8 = :2y = 6 = :y = 3.
Finalmente con los valores de y y z hallados subimos a la primera ecuaci

on
y sustituyendo se tiene que
x + 3 + 2 2 = 8 = :x = 1.
7
Notar
a el lector que moment
aneamente hemos abandonado la notaci
on (x1 , x2 , x3 ) para referirnos a las inc
ognitas, que pasaron a llamarse (x, y, z). Para problemas con pocas
inc
ognitas es corriente usar las letras x, y o z. Incluso tambien t, u o v, y de tanto en tanto nos apartaremos de los subndices y usaremos estos nombres. Es especialmente corriente
usar x, y y z en problemas de geometra. Seguiremos esta costumbre en la parte del captulo
?? que est
a dedicada a la geometra del espacio de dimensi
on 3, y abandonaremos en esas
secciones del texto a x1 , x2 y x3 en beneficio de x, y y z. De todos modos, m
as all
a de que los
cambios de notaci
on pueden resultar enojosos, el nombre de las inc
ognitas es absolutamente
irrelevante.
CAPITULO 1
28
En consecuencia, el sistema tiene una u
nica soluci
on, que es
x = 1,
y = 3,
z = 2.
Podemos escribir esta soluci

on como la lista de tres n
umeros reales (1, 3, 2).
El conjunto de soluciones del sistema es {(1, 3, 2)}.
El procedimiento de despejar una inc
ognita en una ecuaci
on y sustituirla
en otra de arriba se denomina sustituci
on hacia arriba, y es posible por la
forma particular de este sistema.
Diremos que un sistema como el del ejemplo 1.2.1, en el que

1. las inc
ognitas que aparecen en cada ecuaci
on tambien aparecen en la
anterior;
2. en cada ecuaci
on aparecen menos inc
ognitas que en la anterior,
est
a escalerizado, por la forma de escalera que adoptan sus ecuaciones al ser
escritas. Para estos sistemas escalerizados tenemos un m
etodo f
acil
de resoluci
on: calcular las inc
ognitas que aparecen en las u
ltimas
ecuaciones e ir sustituyendo hacia arriba.
Mostraremos ahora con un ejemplo como el m
etodo de eliminaci
on de
Gauss permite transformar el problema de calcular las soluciones
de un sistema lineal en el problema de resolver un sistema lineal
escalerizado. Por esta raz
on es tambien llamado metodo de escalerizaci
on.
Ejemplo 13 Busquemos las soluciones del sistema
x + y + 2z = 8,
x + 2y + z = 0,
2x + y + z = 4.
(1.13)
Explicitaremos los pasos de nuestra resoluci

on.
Paso 1. Comenzamos por hacer desaparecer la variable x de todas las ecuaciones menos una, usando el siguiente procedimiento: para eliminar la x en la
segunda ecuaci
on le restamos la primera; como x aparece en la tercera ecuaci
on
con un factor 2 multiplicamos la primera ecuaci
on por 2, y luego la restamos
de la tercera. Obtenemos
x + y + 2z = 8,
y z = 8,
y 3z = 12.

1.2 Presentacio
29
Observaci
on 14 Si estuvieramos trabajando con el sistema general (1.10),
restarmos a la i-esima ecuaci
on, para i = 2, 3, . . . , m, el resultado de multiplicar la primera por el cociente ai1 /a11 entre el coeficiente ai1 que aparece
multiplicando a x1 en la ecuaci
on i, y el coeficiente a11 que x1 tiene en la
primera ecuaci
on. Si x1 no aparece en la primera ecuaci
on entonces a11 es
cero y no podemos hacer este c
alculo. En este caso cambiaremos el orden de
las ecuaciones, y pondremos en primer lugar una ecuaci
on en que aparezca la
variable x1 .
El resultado del paso 1 es que x no aparece en la segunda ni en la tercera

ecuaci
on. Si miramos esas dos ecuaciones aisladamente nuestro problema se
reduce al sistema 2 2

y z = 8,
y 3z = 12.
con inc
ognitas y y z. Una vez resuelto este problema, m
as peque
no que el
original, podremos calcular x usando la primera ecuaci
on. De esta manera el
algoritmo de eliminaci
on va reduciendo el tama
no del problema.
Paso 2. Haremos desaparecer la variable y de la tercera ecuaci
on. Simplemente
sumamos la segunda ecuaci
on a la tercera, y el sistema se transforma en
x + y + 2z = 8,
y z = 8,
4z = 20.
Nuestro sistema ya alcanz

o la forma escalerizada que lo vuelve de f
acil resoluci
on, por lo que detenemos aqu nuestro algoritmo.
Paso 3. Resolvemos este u
ltimo sistema. De la tercera ecuaci
on concluimos
z = 5. Sustituyendo hacia arriba y despejando de la segunda ecuaci
on obtenemos y = 3. Finalmente, usamos los valores de hallados en la primera
ecuaci
on, para concluir que x = 1.
n. Parece que hemos resuelto el problema. Pero,

Ultimo
paso. Verificacio
que nos garantiza que las soluciones halladas son las soluciones del problema
original? Podemos verificar que es as, sustituyendo los valores
x = 1,
en el sistema:
y = 3,
z = 5,
1 1 + 1 (3) + 2 5 = 8,
1 1 + 2 (3) + 1 5 = 0,
2 1 + 1 (3) + 1 5 = 4.
CAPITULO 1
30
Vemos que, efectivamente, nuestra presunta soluci

on es realmente soluci
on del
sistema.
Estupendo, hemos hallado la soluci
on del sistema. Un momento! S
olo hemos verificado que lo que tenemos es soluci
on. Pero, ser
a realmente la soluci
on? No podr
a haber otras? Que asegura que nuestras transformaciones no
modifican el conjunto de soluciones del sistema?
Observaci
on 15 El procedimiento de sustituir las soluciones halladas para
ver si las ecuaciones se satisfacen o no permite verificar si hemos encontrado
soluciones del sistema. Pero no nos permite saber si hay o no m
as soluciones.
Esta limitaci
on de la verificaci
on no debe hacernos perder de vista que es
muy recomendable verificar nuestros c
alculos siempre que sea posible hacerlo.
M
as a
un, en algunos casos es imperdonable el error de aportar una soluci
on
inexacta cuando es posible verificar su correcci
on.
Este comentario puede extenderse a muchos aspectos de la vida estudiantil
y profesional. Es importante tratar de verificar la exactitud de las afirmaciones
que se hacen, cotejar las fuentas, estudiar la confiabilidad de los datos de que
se dispone, evaluar si el software con el que se pretende abordar una tarea
es adecuado para ella, etctera.
Las transformaciones que hemos realizado en cada paso del ejemplo 1.2.1
consisten en repetir una y otra vez la misma operaci
on: sumar a una de las
8
ecuaciones un m
ultiplo de otra . Mostraremos a continuaci
on que esta operaci
on no modifica el conjunto de soluciones del sistema: el nuevo sistema
que obtenemos es equivalente al original, en el sentido de que ambos tienen
exactamente el mismo conjunto soluci
on. Naturalmente, luego de aplicar
una serie de transformaciones que preservan la equivalencia de sistemas el
sistema final es equivalente al sistema original: no hemos agregado ni perdido
soluciones en todo el proceso.
Proposici
on 1.1. Si en un sistema lineal de ecuaciones se sustituye una
ecuaci
on por el resultado de sumar a esa misma ecuaci
on un m
ultiplo de otra,
entonces el sistema resultante tiene el mismo conjunto soluci
on que el sistema
original.
La gracia del metodo est

a en escoger h
abilmente el factor por el que se multiplica la
ecuaci
on a sumar, de modo de hacer desaparecer una inc
ognita en la ecuaci
on resultante

1.2 Presentacio
31
n. Supongamos que el sistema original sea

Demostracio
a11 x1 + a12 x2 + . . . + a1n xn = b1 ,
..
ai1 x1 + ai2 x2 + . . . + ain xn = bi ,

..
(S)
.
aj1 x1 + aj2 x2 + . . . + ajn xn = bj ,
..
am1 x1 + am2 x2 + . . . + amn xn = bm ,
y que sumamos a la j-esima ecuaci

on el resultado de multiplicar ambos miembros de la ecuaci
on i-esima por un n
umero . Obtenemos un nuevo sistema
a11 x1 + a12 x2 + . . . + a1n xn = b1 ,
..
a
x
+
a
x
+
. . . + ain xn = bi ,
i1
1
i2
2
..
(S )
aj1 x1 + . . . + ajn xn + (ai1 x1 + . . . + ain xn ) = bj + bi ,
..
am1 x1 + am2 x2 + . . . + amn xn = bm .
Para probar que ambos son equivalentes deberemos ver que cualquier soluci
on
de S es soluci
on de S y viceversa.
Veamos primero que cualquier soluci
on de S es soluci
on de S .
Sea (1 , 2 , . . . , n ) una soluci
on de S. Es claro que (1 , 2 , . . . , n ) satis
face todas las ecuaciones de S salvo, tal vez, la j-esima, pues son las mismas
que las de S. Como (1 , 2 , . . . , n ) debe verificar la i-esima y j-esima ecuaci
on
de S se tiene que
ai1 1 + ai2 2 + . . . + ain n = bi ,
aj1 1 + aj2 2 + . . . + ajn n = bj .
Multiplicando ambos miembros de la primera igualdad por y sumando miembro a miembro, se deduce inmediatamente que
aj1 1 + . . . + ajn n + (ai1 1 + . . . + ain n ) = bj + bi .
Por lo tanto, tambien la j-esima ecuaci
on de S se satisface.
La verificaci
on de que cualquier soluci
on de S es tambien soluci
on de S
emplea esencialmente el mismo argumento. Igual que antes es claro que una
CAPITULO 1
32
soluci
on (1 , 2 , . . . , n ) de S debe verificar todas las ecuaciones de S salvo
tal vez la j-esima. Por la j-esima ecuaci
on en S sabemos que
aj1 1 + . . . + ajn n + (ai1 1 + . . . + ain n ) = bj + bi ,
en tanto que la i-esima implica
ai1 1 + ai2 2 + . . . + ain n = bi .
Multiplicamos ambos miembros de la i-esima por , y restamos de la ecuaci
on
que ocupa el lugar j, para concluir
aj1 1 + aj2 2 + . . . + ajn n = bj .
Esto muestra que (1 , 2 , . . . , n ) es tambien una soluci
on de S, y la prueba
9
esta concluda .
La proposici
on 1.1 es el fundamento te
orico del metodo de eliminaci
on que
hemos presentado en el ejemplo 1.2.1: nos asegura que en cada paso hemos
respetado la equivalencia entre el sistema de partida y el de llegada. Ahora
s, finalmente estamos seguros de que el conjunto soluci
on del sistema en ese
ejemplo es {(1, 5, 3)}, y no hay soluciones diferentes a (1, 5, 3). Bravo!
En el proceso de eliminaci
on hay veces en que es imprescindible intercambiar ecuaciones. Junto con la transformaci
on de sumar a una ecuaci
on un
m
ultiplo de otra, esto es todo lo que necesitaremos para el metodo de eliminaci
on de Gauss, o escalerizaci
on. Adem
as de estas operaciones recurriremos a la
de multiplicar una ecuaci
on por alg
un n
umero distinto de cero10 . Llamaremos
transformaciones elementales a estas operaciones.
En resumen, llamaremos transformaciones elementales a las siguientes operaciones:
1. sumar a una ecuaci
on un m
ultiplo de otra;
2. intercambiar de lugar dos ecuaciones;
9
No es esencial para nuestro argumento que las ecuaciones del sistema S sean lineales. La proposici
on es tambien cierta para sistemas de ecuaciones no lineales, de la forma
gi (x1 , x2 , . . . , xn ) = bi , i = 1, 2, . . . , m, donde las expresiones gi pueden depender de las
variables xj , j = 1, 2, . . . , n, de cualquier manera. Sin embargo, a diferencia de lo que ocurre
para sistemas lineales, no puede obtenerse un metodo sistem
atico de resoluci
on de sistemas
cualesquiera a partir de esta proposici
on.
10
Por ejemplo, cuando todos los coeficientes de una ecuaci
on son negativos en general
simplifica las cosas multiplicar la ecuaci
on por 1. O cuando se quiere conseguir que el
primer coeficiente no nulo de una ecuaci
on sea igual a 1.

1.2 Presentacio
33
3. multiplicar una ecuaci

on por un n
umero distinto de cero,
que pueden efectuarse sobre las ecuaciones de un sistema lineal. Nuestro interes por estas transformaciones proviene de que por medio del metodo de
eliminaci
on nos permiten transformar cualquier sistema lineal en un sistema
equivalente de f
acil resoluci
on. La equivalencia est
a asegurada por nuestra
siguiente proposici
on y su corolario.
Proposici
on 1.2. Si a un sistema de ecuaciones le aplicamos una operaci
on
elemental obtenemos un sistema equivalente al original.
Corolario 1.3. Si transformamos un sistema de ecuaciones aplicando una
secuencia de transformaciones elementales obtenemos un sistema equivalente
al original.
Parte de la prueba de la proposici
on que acabamos de enunciar y su corolario est
a contenida en la proposici
on 1.1. Dejamos el resto como ejercicio para
el lector.
Ejercicio 11
1. Completar las pruebas de la proposici

on 1.2 y el corolario 1.3.
2. Que puede ocurrir si en un sistema se multiplica una ecuaci
on por 0?
3. Mostrar que si una ecuaci
on es sustituida por el resultado de multiplicar esa
ecuaci
on por un n
umero distinto de cero y sumarle un m
ultiplo cualquiera de
otra ecuaci
on cualquiera del sistema, entonces el sistema resultante es equivalente al original.
Observaci
on 16 Notemos que cuando una ecuaci
on es sustituida por el resultado de sumarle un m
ultiplo de otra la informaci
on contenida en la ecuaci
on
eliminada no desaparece: est
a implcita en la nueva ecuaci
on, porque la ecuaci
on sustituida entr
o con un coeficiente no nulo en la formaci
on de esta nueva
ecuaci
on (en la mayora de los casos este coeficiente ser
a igual a 1). Esta nueva
ecuaci
on, junto con la que se us
o en la combinaci
on lineal, permiten recuperar
la ecuaci
on eliminada.
1.2.2.
Notaci
on matricial
Al trabajar con un sistema de ecuaciones la representaci

on de las inc
ognitas
(x, y, z, o x1 , . . . , xn , etc.) no desempe
na ning
un papel importante y puede
usarse cualquiera. De hecho, para determinar las soluciones de un sistema
es suficiente con conocer los coeficientes y el termino independiente del mismo. Naturalmente no alcanza con conocer los valores de estos n
umeros, sino
CAPITULO 1
34
que es necesario saber el lugar que ocupan: a que ecuaci

on pertenecen y a
que inc
ognita multiplican. Por esto resulta conveniente introducir la noci
on
de matriz. Una matriz es un arreglo de n
umeros en filas y columnas, que nos
permite almacenar y manejar ordenadamente informaci
on numerica. En el caso de los sistemas de ecuaciones lineales cada fila corresponder
a a una misma
ecuaci
on, y cada columna a una misma inc
ognita. En la secci
on ?? mostramos
varios ejemplos en los que empleamos matrices para ordenar la informaci
on en
distintos problemas. En cada caso filas y columnas adquieren distintos significados, pero el ordenamiento de los datos en una matriz es com
un a todos los
ejemplos que all se tratan.
Representaremos una matriz A de m filas por n columnas (o simplemente
matriz m n) de entradas
aij ,
con la notaci
on
i = 1, 2 . . . , m, j = 1, 2, . . . , n,
A=
a11
a21
..
.
a12
a22
..
.
...
...
..
.
a1n
a2n
..
.
am1 am2 . . . amn
En este texto, salvo menci

on expresa en sentido contrario, las entradas aij
ser
an n
umeros. Es decir, ser
an elementos de un cierto cuerpo K.
11
La formalizaci
on de estas nociones de matriz como una arreglo ordenado
de n
umeros est
a contenida en nuestra pr
oxima definici
on.
Definici
on 1.1. Matrices m n sobre un cuerpo K.
Una matriz A de m filas y n columnas sobre el cuerpo K es una funci
on
A : {1, . . . , m} {1, . . . , n} K.
n de las matrices y su notacio
n
Observaci
on 17 Sobre la definicio
El conjunto {1, . . . , m}{1, . . . , n} est
a formado por todas las posibles parejas
de n
umeros naturales (i, j), con i variando entre 1 y m, y j haciendolo entre 1
y n. Por lo tanto, al especificar que una matriz m n es una funci
on definida
sobre {1, . . . , m}{1, . . . , n} con valores en K estamos diciendo que una matriz
11
Casi no recurriremos a esta definici
on formal para trabajar con las matrices, pero es
necesaria para sacarlas de la ambig
uedad de expresiones como ordenamiento de n
umeros,
arreglos en filas y columnasque, aunque son de gran ayuda para trabajar una vez que uno
sabe exactamente de que est
a hablando, no constituyen una definici
on sobre la que podamos
construir una teora s
olida.

1.2 Presentacio
35
queda definida cuando a cada una de estas parejas (i, j) le asignamos un valor
A(i, j) en K.
Una manera de hacer esto es escribir explcitamente cada valor, por ejemplo
A(1, 1) = 13 , A(1, 2) = 41 , A(1, 3) = 51 ,
A(2, 1) = 15 , A(2, 2) = 61 , A(2, 3) = 71 ,
algo que se resume mucho mejor en la notaci
on usual para las matrices
1 1 1
3
4
5
,
(1.14)
A=
1
1
1
5
en que la ubicaci
on de cada n
umero dice cu
ales son los ndices que le corresponden: el primer ndice i corresponde a las fila, que se cuentan de arriba a
abajo, y el segundo ndice j corresponde a la columnas, que se cuentan de
izquierda a derecha. Naturalmente, esta manera de definir una matriz corresponde al hecho conocido de que una funci
on queda definida si damos una lista
explcita en la que decimos que elemento del codominio corrresponde a cada
elemento del dominio.
Tambien se puede especificar una matriz dando una f
ormula que permita
calcular la entrada A(i, j) en funci
on de i y de j. Por ejemplo
A(i, j) = 1/(2i + j),
i = 1, 2, j = 1, 2, 3
es otra manera de describir la matriz (1.14). El lector puede verificarlo evaluando la f

ormula para los seis posibles pares (i, j). Tampoco sorprender
a esto
al lector, que habr
a visto ya muchsimas funciones definidas por f
ormulas que
permiten calcular su valor para cada elemento del dominio.
Vale la pena mencionar que no es A(i, j) la notaci
on m
as corriente en la
literatura para designar a las entradas de una matriz. Mucho m
as frecuente es
denominar a una matriz con una letra may
uscula, como A, por ejemplo. Y a
sus entradas con una expresi
on como aij , la letra min
uscula correspondiente
acompa
nada de los subndices i y j. Esta es la notaci
on que utilizaremos m
as
frecuentemente en este texto. Por supuesto, indicaremos con aij la entrada
A(i, j), que est
a en la fila i y la columna j.
Sin embargo, a la hora de escribir programas para una computadora se
impone una notaci
on como A(i, j) que tiene mucho menos ambig
uedad, ya que
s
olo consiste del nombre de la matriz evaluado en los ndices de su dominio.
Esta notaci
on es u
til para almacenar matrices con nombre nemotecnicos en la
memoria de una computadora y para aludir claramente a sus entradas. Por
ejemplo, si tenemos que almacenar una matriz de costos es una buena idea
CAPITULO 1
36
llamarla costos. Entonces la entrada que ocupa la fila 3 y la columna 4 de

la matriz costos es simplemente costos(3,4). El lector encontrar
a que esta
notaci
on es de uso corriente en la mayora del software existente.
En algunos casos escribiremos una matriz A con entradas aij con una
notaci
on abreviada, sin desplegar todas sus filas y columnas, como
A = ((aij ))i=1,...,m
j=1,...,n .
Con esta notaci
on la matriz (1.14) se escribe
i=1,2
A = (( 1/(2i + j) ))j=1,2,3
.
Esperamos que estas distintas maneras de definir una matriz y las diferentes
notaciones existentes no confundan al lector. Luego agregaremos alguna notaci
on m
as: escribiendo las matrices en terminos de sus filas o de sus columnas.
Todas estas notaciones ser
an u
tiles en alg
un contexto, y, en realidad s
olo reflejan el hecho de que se puede aludir a un mismo objeto de diferente maneras.
Tambien cambiaremos de notaci
on de tanto en tanto, porque la representaci
on
m
as conveniente de una matriz depender
a de cu
al sea la situaci
on precisa en
que estemos trabajando. Por lo tanto, en distintas partes del texto usaremos
distintas representaciones y notaciones.
Dos
matrices son iguales si y s
olo si tienen el mismo tama
no y los mismas entradas
en las mismas posiciones. Esto es una consecuencia inmediata de la definici
on
de matrices como funciones, porque dos funciones son iguales si y s
olo si tienen el mismo dominio y codominio y toman los mismos valores sobre todos
los elementos de su dominio. En particular, dos matrices de distinto tama
no
siempre ser
an distintas, y si A y B son dos matrices que tienen las mismas
dimensiones m n entonces A = B si y s
olo si
aij = bij ,
i = 1, . . . , m, j = 1, . . . , n.
Ejemplo 18 Como ya vimos antes, la matriz ((1/(2i + j)))
i=1,2
j=1,3
es igual a
la matriz (1.14). Si
A=
1 2
2 1
B=
2 1
2 1
entonces A 6= B pues a11 = 1 6= 2 = b11 .
La introducci
on de las matrices estuvo motivada por nuestro deseo de
almacenar en un u
nico objeto, una matriz, toda la informaci
on relevante acerca
de un sistema de ecuaciones lineales. Veamos c
omo nos ayudan en esta tarea.

1.2 Presentacio
37
Dado un sistema lineal de ecuaciones
a11 x1 + a12 x2 + . . . + a1n xn = b1 ,
a21 x1 + a22 x2 + . . . + a2n xn = b2 ,

..
..
.
.
am1 x1 + am2 x2 + . . . + amn xn = bm ,
llamaremos matriz del sistema a la matriz A que tiene dimensi

on mn, donde
m y n son respectivamente iguales al n
umero de ecuaciones e incognitas del
sistema, y que est
a formada por sus coeficientes. Esto es:
a11 a12 . . . a1n

a21 a22 . . . a2n
A= .
..
.. .
..
..
.
.
.
am1 am2 . . . amn
Llamaremos, matriz ampliada del sistema a la matriz m (n + 1)
a11 a12 . . . a1n b1

a21 a22 . . . a2n b2
..
..
.. ,
..
..
.
.
.
.
.
am1 am2 . . . amn bm
que incorpora los terminos independientes. Corrientemente escribiremos esta
matriz en la forma
a11 a12 . . . a1n b1

a21 a22 . . . a2n b2
..
..
..
.. ,
..
.
.
.
.
.
am1 am2 . . . amn bm
para recordar que estamos considerando la matriz ampliada de un sistema,

cuya u
ltima columna tiene un significado diferente a las anteriores. Tambien
las representaremos en la forma breve A|B, donde B representa a la columna,
o matriz m 1 formada por los n
umeros bi , i = 1, 2, . . . , m.
Naturalmente, toda la informaci
on que necesitamos sobre el sistema lineal
est
a encerrada en la matriz ampliada A|B. Veremos m
as adelante que, en
realidad, mucha de la informaci
on relevante acerca del sistema s
olo depende
de la matriz A formada por sus coeficientes.
La definici
on anterior introduce una notaci
on m
as compacta (matricial)
para un sistema de ecuaciones, que nos libera de escribir una y otra vez los
nombres que hemos escogido para las inc
ognitas. Veamos un ejemplo.
CAPITULO 1
38
Ejemplo 19 Consideremos el sistema
Entonces la matriz del
1
A= 3
2
x + y + 2z = 9,
3x + 6y 5z = 0,
2x + 4y 3z = 1.
sistema y la matriz ampliada son:
1
2
1 1
2 9
6 5 , A|B = 3 6 5 0 .
4 3
2 4 3 1
Esta notaci
on m
as compacta simplificar
a la escritura e implementaci
on del
algoritmo de eliminaci
on de Gauss.
Antes de mostrar con un ejemplo la implementaci

on del metodo de escalerizaci
on con la notaci
on matricial vale la pena hacer algunas observaciones.
Observaci
on 20 Cada fila de la matriz del sistema corresponde a una de
las ecuaciones del sistema. Las operaciones del metodo de escalerizaci
on se
traducir
an entonces en operaciones sobre las filas de la matriz. En particular,
las transformaciones elementales ser
an, en este contexto, las siguentes:
1. Sumar a una fila el resultado de multiplicar otra por un n
umero cualquiera.
2. Intercambiar de lugar dos filas.
3. Multiplicar una fila por un n
umero 6= 0.
Cada inc
ognita del sistema queda en correspondencia con una de las columnas
de la matriz A del sistema. Encontrar una entrada aij igual a 0 en la matriz A
es equivalente a que la inc
ognita xj no aparezca en la i-esima ecuaci
on.
Observaci
on 21 Con la introducci
on de las matrices ganamos, para empezar,
con la economa en la notaci
on. Pero no es todo. Veremos a lo largo de este
curso que las matrices pueden ser consideradas desde varios puntos de vista:
en muchas situaciones son una forma ordenada de escribir la informaci
on
disponible;
pueden ser consideradas como un arreglo de m n n
umeros;
como un conjunto ordenado de n columnas;
como un arreglo de m filas;

1.2 Presentacio
39
tambien como un u
nico objeto, que es adem
as un elemento de una estructura algebraica.
Finalmente, pueden ser vistas como la definici
on de una transformaci
on
de Kn en Km .
Iluminar las relaciones entre ellos ser
a una buena parte del trabajo que tenemos
por delante. Encontraremos adem
as que al hacerlo lograremos entender mejor
algunas de las aplicaciones del algebra lineal y del c
alculo con matrices.
Ejemplo 22 La escalerizacion en notacion matricial
Vamos a reescribir los pasos del ejemplo (1.2.1) en notaci

on matricial. Esto
permite conseguir bastante economa en la notaci
on. El sistema original queda
expresado en la forma:
1 1 2 8
1 2 1 0 .
2 1 1 4
Cada ecuaci
on est
a ahora representada por una fila de coeficientes en la matriz
ampliada del sistema.
Observaci
on 23 Un poco de jerga.
Llamaremos pivote a la primera12 entrada no nula de cada fila de una matriz.
Con esta terminologa podemos describir la eliminaci
on de Gauss como un
procedimiento que busca, a traves de la aplicaci
on reiterada de las transformaciones elementales, dejar un u
nico pivote por columna. En cada paso de la
escalerizaci
on, una vez escogido un pivote, lo empleamos para eliminar todas
los otros pivotes de la misma columna. A partir de ahora, usaremos negrita
para resaltar el pivote de cada fila.
Paso 1. Las operaciones que antes hacamos con las ecuaciones deben hacerse
ahora sobre filas de coeficientes. Escogemos el pivote 1 en la primera fila, y
restamos entonces esta primera fila de la segunda para hacer aparecer un cero
en el primer lugar de la segunda fila (esto es equivalente a hacer desaparecer
la variable x en la ecuaci
on correspondiente). Luego multiplicamos la primera
fila por 2 y la restamos de la tercera. El resultado es
1
1
2
8
0
1 1 8 .
0 1 3 12
S
olo un pivote, el 1 de la primera fila, aparece en la primera columna.
12
El orden que estamos empleando es el obvio: es el orden en que est

an numeradas las
columnas.
CAPITULO 1
40
Paso 2. Sumamos la segunda fila a la tercera y llegamos a la matriz escalerizada
8
1 1
2
0 1 1 8 .
(1.15)
0 0 4 20
Observemos que con la representaci
on matricial hemos aligerado bastante la
notaci
on.
La nueva matriz ampliada (1.15) es
ecuaciones
x + y + 2z
yz
4z
una representaci
on del sistema de
=
8,
= 8,
= 20,
cuya soluci
on podemos calcular directamente. La tercera ecuaci
on implica z =
5. Al sustituir en la segunda podemos despejar y = 3. Finalmente, la primera
implica x 3 + 2 5 = 8, por lo que x = 1. El procedimiento de escalerizar
y resolver el sistema escalerizado sustituyendo hacia arriba nos permite hallar
el conjunto soluci
on del sistema original.
Llamaremos matriz escalerizada a una matriz que cumpla las siguientes

condiciones:
1. todas las filas, salvo quiz
as la primera, comienzan con una sucesi
on de
ceros;
2. cada fila tiene al principio por lo menos un cero m
as que la fila inmediata
superior.
Escalerizar una matriz es llevarla a una forma escalerizada por medio de transformaciones elementales (ver la observaci
on 1.2.2, en la p
agina 38). Si E es
una matriz que se obtiene escalerizando otra matriz A, entonces diremos que E
es una forma escalerizada de A. Diremos que un sistema est
a escalerizado si
su matriz ampliada lo est
a. Escalerizar un sistema es encontrar otro sistema
escalerizado equivalente. Naturalmente, escalerizar un sistema es equivalente
a escalerizar la matriz ampliada del sistema.
meros.
Observaci
on 24 Operaciones con listas de nu
Notemos que hemos introducido, casi sin darnos cuenta, algunas operaciones
algebraicas con las filas de las matrices asociadas a los sistemas lineales.
Por ejemplo en el primer paso del ejemplo 1.2.2 nos referimos al resultado
de multiplicar por dos cada uno de los n
umeros en la fila (1, 1, 2, 8) para obtener

1.2 Presentacio
41
la fila (2, 2, 4, 16) como la operaci

on de multiplicar por 2 la fila (1, 1, 2, 8). Es
decir, interpretamos que
2 (1, 1, 2, 8) = (2 1, 2 1, 2 2, 2 8) = (2, 2, 4, 16).
Tambien nos hemos referido al resultado de sumar entrada a entrada las dos
filas (0, 1, 1, 8) y (0, 1, 3, 12) como a la operaci
on de sumar ambas filas.
En otras palabras
(0, 1, 1, 8) + (0, 1, 3, 12) = (0, 0, 4, 20).
En general, observemos que todo esto es equivalente a definir las siguientes
operaciones para filas (listas) de cuatro n
umeros:
Suma de dos listas:
(x1 , x2 , x3 , x4 ) + (y1 , y2 , y3 , y4 ) = (x1 + y1 , x2 + y2 , x3 + y3 , x4 + y4 ).
mero:
Producto de una lista por un nu
(x1 , x2 , x3 , x4 ) = ( x1 , x2 , x3 , x4 ).
Estas operaciones entre filas, o listas, de n
umeros son bastante naturales,
y, por supuesto, su definici
on puede extenderse a listas de longitud cualquiera,
tanto filas (listas escritas en forma horizontal) como columnas (escritas en
vertical). La existencia de estas operaciones dota al conjunto Kn
formado por listas de n n
umeros en el cuerpo K de una estructura
algebraica. Por eso nos referiremos a este conjunto como el espacio, o espacio
vectorial, Kn . Seguiremos haciendo uso de estas operaciones en esta secci
on y
en el resto del texto, y desarrollaremos m
as estas ideas en la subsecci
on 1.2.5
y secciones siguientes. Por ahora vale la pena ir subrayando la idea de que
llamaremos espacio a un conjunto que est
a dotado de alg
un tipo de
estructura . En el caso de Kn nuestro principal objeto de trabajo ser
a la
estructura algebraica que se obtiene a partir de las operaciones de suma y
producto por un n
umero. Esta estructura nos ser
a muy u
til para describir las
soluciones de los sistemas de ecuaciones lineales, algo que iremos mostrando a
lo largo de este captulo. Veremos m
as adelante que la estructura de Kn es un
caso particular de una estructura general, la de espacio vectorial, cuya teora
desarrollaremos en el captulo ??.
Pondremos en pr
actica la tecnica con un nuevo ejemplo.
CAPITULO 1
42
Ejemplo 25 Resolver en R el sistema:
x1 + 2x2 + x3 + x5 + x6
x1 2x2 + x3 + x4 x6
x1 + 2x2 + x3 + 2x4 + 5x5 + 3x6
x1 + 2x2 + x3 + x5 + 3x6
x1 + 2x2 + x3 + 4x4 + 9x5 + 3x6
= 1
= 0
= 1
= 3
= 1
(1.16)
La matriz ampliada del sistema es:
1
2 1 0 1
1
1
0
1 2 1 1 0 1
1
2 1 2 5
3
1
1
2 1 0 1
3
3
1
2 1 4 9
3 1
El proceso comienza fijando la entrada no nula de la primera fila como pivote

y utiliz
andola para lograr ceros en el resto de la primera columna. El resultado
es la matriz
1
1 2 1 0 1 1
0 0 2 1 1 0
1
F2 + F1
0 0 0 2 4 2
F3 F1
0
0 0 0 0 0 2
2 F4 F1
0 0 0 4 8 2 2
F5 F1 .
Hemos anotado al margen de la matriz las transformaciones que en este primer paso de la escalerizaci
on fueron hechas a la matriz ampliada del sistema.
Creemos que la notaci
on empleada se explica por s sola.
En el ejemplo 1.2.2, se utilizaba la entrada a22 en el segundo paso de la
escalerizaci
on para conseguir ceros en la segunda columna. Aqu esto no es
posible pues la segunda columna ya tiene todas sus entradas, salvo la primera,
nulas. En consecuencia, el segundo escal
on deber
a estar en la tercera columna,
donde aparece la entrada no nula a23 . Por debajo de a23 s
olo hay ceros, as que
continuamos nuestro algoritmo usando el pivote 2 de la entrada a34 . He aqu la
matriz que se obtiene, junto con la indicaci
on de las operaciones realizadas:
1
0
0
0
0
2
0
0
0
0
1
2
0
0
0
0
1
2
0
0
1
1
1
1
0
1
4
2
0
0
2
2
0 2 2
F5 2F3

1.2 Presentacio
En el tercer paso operaremos
1 2 1
0 0 2
0 0 0
0 0 0
0 0 0
43
sobre la sexta columna:
0 1 1 1
1 1 0 1
2 4 2 0
0 0 2 2
0 0 0 0
F5 + F4 .
Ya tenemos la forma escalerizada, con pivotes en las columnas primera, tercera,

cuarta y sexta. El sistema lineal, equivalente al sistema original en el sentido
de que tiene exactamente las mismas soluciones, que corresponde a esta matriz
es
x1 + 2x2 + x3
+ x5 + x6 = 1,
2x3 + x4 + x5
= 1,
2x4 + 4x5 + 2x6 = 0,
2x6 = 2.
De la u
ltima ecuaci
on resulta x6 = 1. Con esta informaci
on vamos a la tercera
y concluimos
x4 + 2x5 = 1.
(1.17)
Esto no permite determinar x4 ni x5 , pero podemos dejar expresada una
inc
ognita en terminos de la otra. Expresemos x4 , una variable que corresponde a una columna con un pivote en la forma escalerizada, en terminos
de x5 , como
x4 = 1 2x5 .
Sustituyendo en la segunda ecuaci
on obtenemos
x3 =
x5
+ 1.
2
Combinando toda esta informaci

on con la primera ecuaci
on resulta
x1 + 2x2 +
3x5
+ 1 = 0.
2
(1.18)
Nuevamente escogemos despejar la variable que corresponde al pivote para

escribir
3x5
x1 = 2x2
1.
2
Concluimos entonces que todas las soluciones del sistema son de la forma
(1 2x2 3x5 /2, x2 , 1 + x5 /2, 1 2x5 , x5 , 1) ,
CAPITULO 1
44
donde x2 y x5 son dos par

ametros reales que podemos fijar a nuestro antojo.
La soluci
on no es u
nica, pero todas las soluciones pueden escribirse en terminos
de las variables x2 y x5 : cada pareja de valores reales elegidos para x2 y x5
determina una soluci
on del sistema. Por ejemplo, la elecci
on m
as sencilla de
todas es
x2 = x5 = 0,
que da lugar a
(1, 0, 1, 1, 0, 1).
Para x2 = 1 y x5 = 0 se obtiene la soluci
on
(3, 1, 1, 1, 0, 1).
Si x2 = 0 y x5 = 1 se tiene la soluci
on
(5/2, 0, 3/2, 3, 1, 1) .
El sistema es compatible e indeterminado, porque tiene m
as de una soluci
on.
Adem
as sabemos como construirlas todas. El proceso de escalerizaci
on selecciona a las variables x2 y x5 como variables libres, y en terminos de x2 y x5 ,
cuyos valores pueden ser fijados arbitrariamente, hemos escrito todas las soluciones. El sistema tiene entonces dos grados de libertad. No nos extendemos
mucho m
as sobre esto, porque ser
a el objeto de la secci
on 1.4.
Observaci
on 26 Variables libres.
La raz
on para despejar las variables de las columnas con pivotes (x4 de la
ecuaci
on (1.17), x1 de (1.18)) es que siempre es posible despejar la variable que
est
a multiplicada por el pivote en terminos de las otras porque su coeficiente,
el pivote, es no nulo. Despejar las otras variables podra ser imposible. He
aqu un ejemplo: si la forma escalerizada de una matriz ampliada es

1 0 1 0 0
0 0 1 2 0
entonces podemos despejar x3 = 2x4 , o x4 = x3 /2 de la u
ltima ecuaci
on.
En la primera podemos despejar x1 = x3 , pero es imposible expresar x2 en
terminos de las restantes variables.
Vamos a introducir la denominaci
on variables libres para las inc
ognitas que
corresponden a columnas sin pivotes. Enfaticemos que siempre es posible
expresar las soluciones del sistema en t
erminos de las variables libres. Cada una de estas variables corresponde a un grado de libertad dentro

1.2 Presentacio
45
del conjunto soluci

on del sistema. Las variables x2 y x5 son las variables libres
en el ejemplo 1.2.2.
El hecho de que las soluciones de un sistema puedan expresarse en terminos
de las variables libres que selecciona el procedimiento de eliminaci
on gaussiana
no excluye la posibilidad de que las soluciones puedan expresarse tambien
terminos de otras variables, que incluyan a algunas de las que corresponden a
columnas con pivotes. El pr
oximo ejercicio apunta a mostrar este fen
omeno.
Ejercicio 12 Mostrar que todas las soluciones del sistema 1.16 del ejemplo 1.2.2
tambien pueden escribirse en terminos de las variables x1 y x4 , pero que es imposible

expresarlas en funci
on de x1 y x2 .
Veamos un ejemplo m
as en el que trataremos un sistema trabajando sobre
su representaci
on matricial.
Ejemplo 27 Resolveremos en Z2 el sistema
x1 + x2 + x4 + x5
x2 + x3 + x4
x
1 + x3 + x5
x2 + x3 + x5
= 1,
= 1,
= 1,
= 1.
(1.19)
La matriz ampliada del sistema es
1
0
1
0
1
1
0
1
0
1
1
1
1
1
0
0
La llevaremos a una forma escalerizada.

fila a la tercera:
1 1 0 1
0 1 1 1
0 1 1 1
0 1 1 0
1
0
1
1
1
1
.
1
1
Comenzamos por sumar la primera

1
0
0
1
1
1
.
0
1
Ahora sumaremos la segunda a la tercera y la cuarta:
1
0
0
0
1
1
0
0
0
1
0
0
1
1
0
1
1
0
0
1
1
1
.
1
0
CAPITULO 1
46
Para obtener la forma escalerizada
1 1
0 1
0 0
0 0
intercambiamos las filas tercera y cuarta:
0 1 1 1
1 1 0 1
.
0 1 1 0
0 0 0 1
Este sistema es incompatible, porque la cuarta ecuaci

on es equivalente a
0x1 + 0x2 + 0x3 + 0x4 + 0x5 = 1.
Como el miembro de la izquierda vale 0 para cualquier elecci

on de las inc
ognitas, esta ecuaci
on no puede satisfacerse. El conjunto soluci
on del sistema es el
conjunto vaco
Subrayemos que es el sistema el que no tiene soluci
on, pero el problema de
hallar las soluciones del sistema s la tiene! El conjunto soluci
on es el conjunto
vaco.
Ejercicio 13 Resolver el sistema (1.19), pero cambiando los segundos miembros
de todas las ecuaciones del sistema de forma tal que la u

ltima columna de la matriz
ampliada del nuevo sistema sea (0, 1, 1, 0).
Ejemplo 28 Resolucion del problema de la red vial
En la subseccin 1.1.2, ver la pgina 5 y siguientes, consideramos el problema

de determinar el flujo del trfico sobre una red vial. Para resolverlo habamos
formulado un sistema de seis ecuaciones con siete inc
ognitas que representaban
los valores medios de trfico en distintos puntos de la red (en la tabla de la
pgina 6 se explica el significado de cada variable. En el resto del ejemplo nos
referiremos a la informacin que all se resume). Este sistema es
x1 + x4
x2 x4 + x5
x3 + x5
x1 x6
x2 x6 + x7
x3 + x7
= 200,
= 100,
= 700,
= 100,
= 600,
= 900,
que puede ser escrito en la forma matricial
x1 x2 x3 x4 x5 x6 x7
1 0 0
1 0
0 0
0 1 0 1 1
0 0
0 0 1
0 1
0 0
1 0 0
0
0
1
0
0 1 0
0 0 1 1
0 0 1
0 0
0 1
200
100
700
100
600
900

1.2 Presentacio
47
Nos habamos planteado las siguientes preguntas: es posible cortar completamente el tr

afico en la calle Schiaffino entre Varela y Gambetta y atender
la demanda que plantea la circulaci
on de vehculos en la hora pico? Si no es
posible, que medida es conveniente adoptar para minimizar el tr
afico por esa
calle? Entonces, nuestro objetivo es hallar una solucin del sistema en la que
ninguna de las incgnitas sea negativa y para la que x4 tenga el mnimo valor
posible. Si consiguiramos x4 = 0 sera ptimo. Pero no nos adelantemos a los
acontecimientos, veamos qu es lo que nuestro modelo predice.
Para estudiar el sistema procedemos a escalerizar la matriz. Indicaremos
sobre el margen de derecho de la matriz cules fueron las operaciones hechas
en cada paso, sin ms comentarios.
-1
0
0
0
0
0
0
1
0
0
1
0
0
1 0
0 0 200
0 1 1
0 0 100
1
0 1
0 0 700
0
1 0 1 0 300
0
0 0 1 1 600
1
0 0
0 1 900
1
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0 0 200
0 1
1
0 0 100
1
0
1
0 0 700
0
1
0 1 0 300
0
1 1 1 1 500
1
0
0
0 1 900
1
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0 0 200
0 1
1
0 0 100
1
0
1
0 0 700
0
1
0 1 0 300
0
1 1 1 1 500
0
0 1
0 1 200
1
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0 0 200
0 1
1
0 0 100
1
0
1
0 0 700
0
1
0 1 0 300
0
0 1
0 1 200
0
0 1
0 1 200
F4 + F1 .
F5 F2 .
F6 F3 .
F5 F4 .
CAPITULO 1
48
1
0
0
0
0
0
0
1
0
0
0
0
0
1 0
0 0
0 1 1
0 0
1
0 1
0 0
0
1 0 1 0
0
0 -1
0 1
0
0 0
0 0
200
100
700
300
200
0
F6 F5 .
Ahora que hemos escalerizado el sistema podemos ver que es compatible e

indeterminado.
Ejercicio 14
Se trata de un sistema de 6 ecuaciones y 7 incgnitas, Podra

haber sido compatible determinado? E incompatible?.
Si pasamos de la representacin matricial a escribir el sistema de ecuaciones

que resulta de la escalerizacin, obtenemos
x1 + x4
x2 x4 + x5
x3 + x5
x4 x6
x5 + x7
= 200,
= 100,
= 700,
= 300,
= 200.
Las soluciones pueden expresarse en trminos de las variables libres x6 y x7 , en

la forma
x1 = x6 + 100,
x2 = x6 x7 + 600,
x3 = x7 + 900,
x4 = x6 + 300,
x5 = x7 200.
Para minimizar x4 basta escoger el menor valor posible de x6 . Ya que x6 no

puede ser negativo, tenemos
x4 300,
y el valor mnimo de x4 = 300 se alcanza cuando x6 es nulo. As que, para

atender la demanda de vehculos entrantes y salientes minimizando el tr
afico
en la calle Schiaffino entre Varela y Gambetta, debemos cerrar el tr
afico en
Ghiggia entre Gambetta y Varela. De esta manera forzamos la igualdad x6 = 0.
Por u
ltimo, con x6 = 0 se tiene
x1
x2
x3
x4
x5
= 100,
= x7 + 600,
= x7 + 900,
= 300,
= x7 200.
(1.20)

1.2 Presentacio
49
De la segunda ecuaci
on se deduce que x7 600. La u
ltima ecuaci
on implica
la desigualdad x7 200. Entonces, cuando tomemos las medidas para minimizar el flujo en la cuadra problem
atica encontraremos que los valores de la
circulaciones son los que nos da la f
ormula (1.20), donde x7 tomar algn valor
en el intervalo [200, 600].
En el ejemplo anterior encontramos una situaci

on como la que anunci
abamos en la observaci
on 1.1.3: las ecuaciones de conservacion en los nodos que
se obtienen al aplicar la Ley de Kirchoff son insuficientes para determinar
completamente los flujos sobre la red. En nuestro pr
oximo ejercicio podremos
apreciar el mismo fen
omeno.
Ejercicio 15 Hallar todas las soluciones del sistema (1.2), de la pagina 8.
El pr
oximo ejemplo es de una naturaleza completamente diferente. Muestra
un sistema de ecuaciones lineales que aparece al estudiar algunos cubrimientos
de una esfera por polgonos, con aplicaciones a nuestro deporte ms popular!
Ejemplo 29 Recubriendo una esfera
En este ejemplo estudiaremos distintas maneras de recubrir una esfera con
polgonos. Se trata de un caso particular de un problema a
un m
as general:
cubrir una superficie cualquiera con polgonos de alg
un tipo.
Por ejemplo, el plano puede ser cubierto por hex
agonos, con una distribuci
on que recuerda a un panal de abejas: cada arista es com
un a dos hex
agonos
adyacentes, y en cada vertice confluyen tres hex
agonos. Si observamos una pelota de f
utbol encontraremos un dise
no parecido. Sobre la superficie se dibujan
algunos pent
agonos y hex
agonos, distribuidos de forma tal que cada arista es
com
un a dos polgonos vecinos, y tres de ellos se encuentran en cada vertice
del cubrimiento.
Por que los fabricantes de pelotas se toman la molestia de cortar pentgonos y hexgonos, en vez de dividir la superficie de la esfera usando solamente
hex
agonos por medio de una construcci
on parecida a la divisi
on del plano
que mencion
abamos antes? Una primera respuesta es simple: tal divisi
on es
imposible.
La imposibilidad de esta construcci
on puede mostrarse a partir de una
propiedad topol
ogica de la esfera: su caracterstica de Euler. Si cubrimos la
esfera por polgonos y contamos los n
umeros v de vertices, c de caras y a de
aristas que el cubrimiento genera, entonces v, c y a deben satisfacer la relaci
on
c + v a = 2.
(1.21)
No demostraremos (1.21), que es un resultado topol

ogico profundo pero ajeno
a los temas que nos interesa desarrollar en este texto. Nos limitaremos a observar que la relaci
on se satisface en las particiones de la esfera que inducen
CAPITULO 1
50
los poliedros regulares. Cada poliedro regular, por ejemplo, un cubo, permite
generar una divisi
on de la esfera proyectando sus caras, vertices y aristas sobre
una esfera inscripta o circunscripta al poliedros. En el caso del cubo obtenemos
un embaldosamiento de la esfera con 6 cuadril
ateros, 8 vertices y 12 aristas.
Examinemos que ocurre con los cinco poliedros regulares:
tetraedro
cubo
octaedro
dodecaedro
isocaedro
c
4
6
8
12
20
v
4
8
6
20
12
a
6
12
12
30
30
c+v-a
2
2
.
2
2
2
Apliquemos la relaci
on (1.21) a nuestro hipotetico cubrimiento por hex
agonos. Supongamos que usamos una cantidad h de hex
agonos, que es igual entonces al n
umero de caras en el cubrimiento. Cada hex
agono tiene 6 aristas.
Tenemos entonces, en principio, 6h aristas. Pero al tener en cuenta que cada
arista es compartida por dos hex
agonos encontramos que a = 6h/2 = 3h. El
c
alculo para el n
umero de vertices es similar: hay 6 vertices en cada hex
agono,
y cada vertices es com
un a tres de ellos. Por lo tanto v = 6h/3 = 2h. Entonces
c = h,
a = 3h,
v = 2h.
Por lo tanto
c + v a = h + 2h 3h = 0,
lo que est
a en contradicci
on con (1.21). En realidad, es imposible cubrir una
esfera con hex
agonos, incluso si se permite que en algunos vertices confluyan
m
as de tres hex
agonos.
Ejercicio 16 Refinar el argumento anterior, para mostrar que es imposible
cubrir la esfera empleando solo hex

agonos.
Sin embargo hay cubrimientos de la esfera que combinan pent

agonos y
hex
agonos. Analicemos que restricciones impone la caracterstica de Euler a
un cubrimiento con h hex
agonos y p pent
agonos, distribuidos de forma tal que
en cada vertice confluyen tres polgonos. Cada pent
agono aporta 5 vertices,
cada hex
agono 6, pero alrededor de cada vertices hay tres polgonos. Tenemos
entonces
v = (5p + 6h)/3,
lo que establece la relaci
on
3v 5p 6h = 0

1.2 Presentacio
51
entre los n
umeros de vertices, pent
agonos y hex
agonos. Para las aristas podemos hacer un razonamiento similar, que conduce a
2a 5p 6h = 0.
Por supuesto, el n
umero de caras c es la suma de los n
umeros p y h de pent
agonos y hex
agonos respectivamente. Por lo tanto
cph=0
Una cuarta relaci
on est
a dada por la ecuaci
on (1.21) de la caracterstica de
Euler. Escribamos todas las ecuaciones juntas, bajo la forma del sistema
3v 5p 6h = 0,
2a 5p 6h = 0,
c p h = 0,
c + v a = 2.
Por supuesto, es m
as agradable representar matricialmente el sistema en las
inc
ognitas (c, v, a, p, h), para luego proceder a tratarlo con el metodo de escalerizaci
on. Tenemos
0 3
0 5 6 0
0 0
2 5 6 0
.
1 0
0 1 1 0
1 1 1
0
0 2
En el primer paso ponemos la u
ltima ecuaci
on en el primer lugar, la tercera en
el segundo, y eliminamos el 1 que queda en la primera columna y la segunda
fila. El resultado es
1
1 1
0
0 2
0 1
1 1 1 2
.
0
3
0 5 6 0
0
0
2 5 6 0
Multiplicamos ahora por 3 a la segunda fila, y la sumamos a la tercera. Luego
de cancelar un factor 1 en la tercera fila, e intercambiarla con la cuarta
obtenemos
1
1 1
0
0 2
0 1
1 1 1 2
.
0
0
2 5 6 0
0
0 3
8
9 6
CAPITULO 1
52
Sumamos a la cuarta fila 3/2 de la tercera, y multiplicamos el resultado por 2,

para conseguir la forma escalerizada
1
1 1
0
0 2
0 1
1 1 1 2
.
0
0
2 5 6 0
0
0
0
1
0 12
La variable h, que representa el n
umero de hex
agonos, qued
o libre, pero la
variable p queda completamente determinada por la cuarte ecuaci
on p = 12!
El n
umero de hex
agonos puede tomar diversos valores, pero un cubrimiento
como el que estamos buscando necesariamente debe tener 12 pent
agonos.
Dos ejemplos notables son conocidos para nosotros. El caso en que tenemos
0 hex
agono y 12 pent
agonos corresponde al cubrimiento de una esfera que se
obtiene a partir de un dodecaedro. El ejemplo que tiene 12 pent
agonos y 20
hex
agonos es el cubrimiento que se emplea en la fabricaci
on de las pelotas de
f
utbol. En esta soluci
on hay 32 caras, 60 vertices y 90 aristas.
Para cerrar este ejemplo comentemos que el sistema de ecuaciones lineales
que relaciona los n
umeros de caras, vertices, aristas, pent
agonos y hex
agonos es
una condici
on necesaria que debe satisfacer cualquier soluci
on al problema
de cubrir la esfera. Pero no todas las soluciones del sistema permiten construir
cubrimientos. Por ejemplo, para aquellas en que alguna de las variables tome
un valor que no sea un n
umero natural, ni siquiera tiene sentido formularse el
problema de buscar un cubrimiento con ese n
umero de caras, vertices o aristas.
Muchas soluciones del sistema con valores naturales tampoco est
an asociadas
a un cubrimiento de la esfera.
Ejercicio 17 Resolver el sistema
x1 + 2x2 + x3 + x5 + x6
x1 2x2 + x3 + x4 x6
x1 + 2x2 + x3 + 2x4 + 5x5 + 3x6
x1 + 2x2 + x3 + x5 + 3x6
x1 + 2x2 + x3 + 4x4 + 9x5 + 3x6
=
=
=
=
=
1
0
1
3
1
sistemas
Ejercicio 18 Expresar en forma matricial AX = B y resolver en R los siguientes
de ecuaciones lineales

x +
3x
2y
y
= 8
= 3
x + y
4x + 2y
x +
Verificar que las soluciones halladas son las correctas.
z
z
z
= 1
=
5
=
2

1.2 Presentacio
53
Ejercicio 19
Expresar en formar matricial y resolver el sistema de ecuaciones en el cuerpo que

se indica. Verificar las soluciones halladas.
1.
a) En Z2 .
b) En Z3 .
c) En R.
2.
x + y
a) En Z3 .
+ z
+ z
+ z
= 1,
= 0,
= 0,
b) En R.

x +
2x +
2y
y
=
=
1,
2,
3. En C.
a)

(1 + i)x
(1 + 3i)x
+
+
(2 i)y
4y
=
4i + 1,
= 2 + 8i,
b)
ix + (3 + i)y
x +
2y
(1 i)x + (1 + 2i)y
+
iz
+ (1 i)z
+ (2 i)z
= 3 + 10i,
=
4 + 2i,
=
4 i,
A continuaci
on planteamos un ejercicio sumamente repetitivo, que tiene
como objetivo que el lector alcance a manejar con solvencia el metodo de escalerizaci
on para calcular las soluciones de un sistema de ecuaciones lineales.
Trabajaremos con sistemas de ecuaciones permanentemente, por lo que animamos al lector a seguir practicando hasta dominar su resoluci
on. No hace falta
entonces que agote la lista de ejemplos que se le proponen, pero es indispensable que alcance a sentirse seguro cuando trabaja en la resoluci
on de sistemas
de ecuaciones.
Ejercicio 20 , Resolver los siguientes sistemas de ecuaciones lineales en R .
1.
2.
x +
4x +
x
3x +
6x +
y
2y
y
3y
y
z
z
+ z
z
z
+ z
= 1
=5
=2
=0
=2
=3
CAPITULO 1
54
3.
3x + y
6x + 3y
y
z
z
+ z
2x 3y
x + y
x y
= 1
=2
=0
2x y
x + y
4x + y
4.
5.
6.
7.
8.
9.
10.
11.
12.
=0
=2
=2
=0
=3
=1
x y
=2
3x 3y
=6
x + y = 2

5x y z = 4
x + y + z = 4

x + 2y z = 0
2x + 4y 3z = 0

x + 2y z = 0
x 2y + z = 1
2x + 2y z + t = 4
4x + 3y z + 2t = 6
8x + 5y 3z + 4t = 12
3x + 3y 2z + 2t = 6
x + y 2z + t = 1
2x + y z + t = 6
2x + 2y 4z + 2t = 0
3x + 2y 3z + 2t = 1

6x + 3y + 2z + 3t + 4u
4x + 2y + z + 2t + u
=5
=4
El objetivo del pr
oximo ejercicio es mostrar c
omo pueden escalerizarse simult
aneamente varios sistemas que comparten la misma matriz pero tienen
distintos terminos independientes. En el ejercicio 1.2.3, p
agina 59, mostraremos como continuar el proceso de escalerizaci
on para calcular eficientemente
las soluciones.
Ejercicio 21 Resolver los siguientes sistemas de ecuaciones:
1.
2x +
2y
x
x
z
2z
y
=1
=0
=0

1.2 Presentacio
2.
2x +
z
2z
y
=0
=1
=0
2x +
z
2z
y
=0
=0
=1
3.
2y
x
x
2y
x
x
55
Sugerencia: escalerizar los tres sistemas al mismo tiempo, observar que la escalerizaci
on solo depende de la matriz del sistema, no del termino independiente.
En el pr
oximo ejercicio proponemos al lector discutir seg
un un par
ametro el comportamiento de algunos sistemas de ecuaciones. Nuestra selecci
on
no es arbitraria, se trata en realidad de resolver problemas de valores y vectores
propios que son de fundamental importancia dentro del algebra lineal y sus
aplicaciones. El lector encontrar
a este tipo de problemas m
as adelante en este
mismo texto. De hecho, ya ha aparecido en el ejercicio 1.1.6 de la p
agina 20 un
caso particular del problema que se plantea en la parte 5 del pr
oximo ejercicio,
puede reconocerlo?
Ejercicio 22 Resolver los siguientes sistemas de ecuaciones, discutiendo segun
la existencia y multiplicidad de soluciones.

2x + y = x,
1.
y = y.

x + y = x,
2.
x
= y.

3x 4y = x,
3.
2x 3y = y.
3y + z = x,
2x y z = y,
4.
2x y z = z.
0,6x + 0,4y + 0,1z = x,

0,1x 0,4y + 0,1z = y,
5.
0,3x + 0,2y + 0,8z = z.
z = x,
2x + y
x y
= y,
6.
y 3z = z.
En nuestro pr
oximo ejercicio vamos a aplicar lo que hemos aprendido sobre
la notaci
on matricial y el tratamiento sistem
atico de los sistemas de ecuaciones lineal para estudiar las ecuaciones a las que nos condujo el problema de
circuitos que planteamos en el ejemplo 1.1.4
CAPITULO 1
56
Ejercicio 23 Flujos en una red de distribucion
Al analizar en un caso particular la distribucion de las corrientes en la red del ejemplo

1.1.4 encontramos que los voltajes vi , i = 1, . . . , 5, en los nodos de la red deban
satisfacer el sistema de ecuaciones
3v1
v1
v1
v1
v2
+ 3v2
+
v2
v2
v3
2v3
v3
v4
v4
v4
4v4
v4
v5
v5
+ 2v5
=
=
=
=
=
d1 ,
d2 ,
d3 ,
d4 ,
d5 ,
(1.22)
donde los n
umeros di , i = 1, . . . , 5 representan las demandas en cada nodo. La matriz
ampliada del sistema es
3 1 1 1
0 d1
1
3
0
1 1 d2
1
0
2 1
0 d3
.
1 1
1
4
1 d4
0 1
0
1
2 d5
Utilizar la expresi
on matricial para resolver el sistema. Interpretar la condici
on de
compatibilidad del sistema y el conjunto de sus soluciones.
A continuaci
on introducimos un ejercicio acerca de una aplicaci
on no trivial del
algebra lineal: la protecci
on de la informaci
on contra errores en su
almacenamiento y transmisi
on.
digos de Hamming (I)
Ejercicio 24 Co
Un procedimiento para proteger informaci

on al transmitirla es agregar cierta redundancia. A continuacion mostramos una manera de hacer esto. Supongamos que tenemos que transmitir una secuencia X = (x1 , x2 , x3 , x4 ) formada por ceros y unos.
La codificamos entonces como una secuencia Y de siete n
umeros, definidos por las
formulas
y1 = x1 + x2 + x4 ,
y2 = x1 + x3 + x4 ,
y3 = x1 ,
y4 = x2 + x3 + x4 ,
y5 = x2 ,
y6 = x3 ,
y7 = x4 .
La aritmetica que se emplea es la de Z2 .
1. Hallar la codificaci
on Y que corresponde a (0, 1, 0, 1). Hallar todas las 7-uplas
de ceros y unos que pueden obtenerse por este procedimiento.
2. Si se sabe que los cuatro primeros dgitos (y1 , y2 , y3 , y4 ) de una palabra codificada Y son (1, 0, 1, 1), hallar la secuencia X que se codifico.

1.2 Presentacio
1.2.3.
57
Matriz escalerizada reducida
Existe una alternativa al procedimiento de calcular la u

ltima variable y
luego comenzar a sustituir hacia arriba: consiste en utilizar las u
ltimas ecuaciones para ir eliminando variables de las anteriores. El procedimiento es el
mismo que el de escalerizaci
on, pero se van eliminando variables hacia arriba. Veamos un ejemplo.
Ejemplo 30 Volvamos al problema del ejemplo 1.2.2. Luego de escalerizar
el sistema habamos obtenido la matriz
1 1
2
8
0 1 1 8 .
(1.23)
0 0 4 20
Busquemos ahora eliminar las entradas que corresponden a la variable z en la

primera y segunda ecuaci
on. Dividiremos la u
ltima ecuaci
on entre 4. Luego
la sumaremos a la segunda. Tambien haremos la operaci
on de multiplicar la
u
ltima fila por 2 y restarla de la primera. Obtenemos
1 1 0 2
0 1 0 3 .
0 0 1
5
Por u
ltimo, hacemos aparecer un 0 en el segundo lugar de la primera fila,
restando la segunda ecuaci
on a la primera. El resultado final es
1 0 0
1
0 1 0 3 .
0 0 1
5
El sistema asociado a esta matriz es, naturalmente,
x = 1,
y = 3,
z = 5,
cuya resoluci
on es inmediata.
Consideraremos ahora un caso un poco m

as complicado.
Ejemplo 31 Retomamos el sistema del ejemplo 1.2.2 en el punto en que
habamos escalerizado la matriz del sistema. Tenamos que
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 2 4 2 0
0 0 0 0 0 2 2
0 0 0 0 0 0 0
58
CAPITULO 1
era la matriz asociada al sistema escalerizado. Usaremos ahora los pivotes para
hacer aparecer ceros por encima de ellos. Como paso previo dividimos las filas
tercera y cuarta por sus pivotes,
1 2 1 0 1 1 1
0 0 2 1 1 0 1
0 0 0 1 2 1 0 .
0 0 0 0 0 1 1
0 0 0 0 0 0 0
Luego comenzamos por hacer aparecer ceros sobre el pivote de la u
ltima columna, y obtenemos
0
1 2 1 0 1 0
F1 F4 ,
0 0 2 1 1 0
0 0 0 1 2 0 1 F3 F4 .
0 0 0 0 0 1
1
0 0 0 0 0 0
0
A partir de esta nueva matriz operamos con el pivote de la cuarta columna:
0
1 2 1 0
1 0
0 0 2 0 1 0
2
F2 F3 ,
0 0 0 1
2
0
1
0 0 0 0
1
0 1
0 0 0 0
0 0
0
Ahora lo hacemos con el de la segunda columna, y dividimos la segunda fila
entre 2 para que su pivote quede igual a 1. El resultado final es
3
F1 21 F2 ,
1 2 0 0
2 0 1
1
1
0 0 1 0
1
2 0
2 F2 ,
0 0 0 1
2 0 1
(1.24)
0 0 0 0
0 1
1
0 0 0 0
0 0
0
donde hemos enfatizado adem
as la forma escalerizada que tiene la matriz.
El sistema de ecuaciones asociado con esta matriz es
= 1,
x1 + 2x2
+ 32 x5 +
1
x3
x
=
1,
2 5
x4 + 2x5
= 1,
x6 = 1,

1.2 Presentacio
59
y ahora es completamente directo despejar x1 , x3 y x4 en terminos de x2 y x5

para reencontrar que
{(1 2x2 3x5 /2, x2 , 1 + x5 /2, 1 2x5 , x5 , 1) ; x2 , x5 R}
es el conjunto soluci
on del sistema.
Vemos en nuestros u
ltimos dos ejemplos que continuar con la escalerizaci
on
hacia arriba a partir de la forma escalerizada de la matriz, nos permite llegar
a una nueva matriz, escalerizada, equivalente a la forma escalerizada que ya
habamos obtenido y a la original, tal que
1. todos los pivotes son iguales a 1;
2. las columnas correspondientes a los pivotes tienen todas las entradas
nulas, salvo el pivote.
Llamaremos matriz escalerizada reducida a una matriz escalerizada que cumple adem
as estas dos condiciones. Notemos que siempre que tengamos una
matriz escalerizada reducida podremos, si el sistema es compatible, despejar
directamente las variables de las columnas de los pivotes, y expresarlas en
funci
on de las entradas en la u
ltima columna de la matriz ampliada y de las
variables libres.
Ejercicio 25 Resolver el sistema (1.22) del ejercicio 1.2.2 llevando la matriz
escalerizada del sistema a su forma reducida.
El objetivo del pr
oximo ejercicio es mostrar c
omo cuando se prosigue hasta alcanzar una forma escalerizada reducida la escalerizaci
on simult
anea de
varios sistemas se transforma en un eficiente metodo para calcular todas las
soluciones al mismo tiempo. Haremos un uso sistem
atico de esta tecnica en la
secci
on ??.
Ejercicio 26 Resolver simultaneamente los tres sistemas de ecuaciones propues-
tos en el ejercicio 1.2.2 llevando la matriz de los sistemas hasta su forma escalerizada
reducida.
1.2.4.
Cualquier sistema puede ser escalerizado
Hasta este momento hemos usado el algoritmo de escalerizaci

on, y resuelto
unos cuantos sistemas de ecuaciones con el. El lector podra preguntarse si
cualquier matriz puede ser llevada a una forma escalerizada. La respuesta es
que s. Y la demostraci
on no pasa de ser un an
alisis cuidadoso del metodo.
Todo esto est
a contenido en nuestra siguiente proposici
on.
CAPITULO 1
60
Proposici
on 1.4. Toda matriz puede ser transformada en una matriz escalerizada mediante una cantidad finita de transformaciones elementales
n. Razonaremos por inducci
Demostracio
on sobre el n
umero de filas de la
matriz A. Como primer paso, digamos que es obvio que una matriz que tiene una u
nica fila se puede escalerizar por medio de una cantidad finita de
operaciones elementales13 .
Supongamos ahora que la proposici
on es cierta para matrices con m 1
filas, y veremos como implica que se puede escalerizar cualquier matriz con m
filas. Sea A = ((aij )) una matriz m n, con m 2, sobre un cuerpo K
cualquiera. Indiquemos por
Ai = (ai1 , ai2 , . . . , ain )
su fila i-esima.
Distingamos tres casos:
1. si a11 6= 0 entonces realizamos el primer paso de la escalerizaci
on: sustituimos cada fila Ai , para i = 2, . . . , m, por
Ai = Ai
ai1
A1 .
a11
La elecci
on del multiplicador para A1 asegura que la primera entrada de
cada una de estas filas Ai es nula;
2. si a11 = 0, pero la primera columna tiene alguna entrada ai1 no nula,
entonces escogemos una fila Ai tal que ai1 6= 0, e intercambiamos14 la
primera fila con Ai . La aplicaci
on de esta operaci
on elemental de intercambiar dos filas nos coloca en la situaci
on del caso 1. Luego procedemos
como en ese caso;
3. si toda la primera columna es nula entonces no hacemos nada.
13
En realidad no hay que hacer ninguna: una matriz con una u

nica fila ya est
a escalerizada.
No hay nada que hacer con ella
14
Por razones numericas y para no amplificar innecesariamente errores de redondeo, al
resolver sistemas con ayuda de una computadora resulta muchas veces importante, a
un
cuando a11 6= 0, cambiar la primera fila por la fila que tenga la primera entrada mayor. Este
procedimiento se conoce como pivoteo. Lo discutimos con cierto detalle en la secci
on dedicada
a la descomposici
on LU . Acerca del pivoteo por razones de precisi
on ver la p
agina ??.

1.2 Presentacio
61
El resultado del paso anterior es una nueva matriz que tiene el siguiente aspecto
a11 a12 . . . a1n

0
a22 . . . a2n
.
..
..
. . ..
.
. .
.
0
am2 . . . amn
Para escalerizar esta matriz basta encontrar una forma escalerizada de la submatriz
((aij ))j=2,...,n
i=2,...,m ,
que tiene m 1 filas. Por lo tanto esta forma escalerizada puede obtenerse por
medio de un n
umero finito de transformaciones elementales.
La proposici
on que acabamos de demostrar tiene un u
til corolario para la
resoluci
on de sistemas de ecuaciones lineales.
Corolario 1.5. Todo sistema lineal es equivalente a uno escalerizado.
Ejercicio 27
Mostrar que cualquier matriz puede ser llevada a una forma

escalerizada reducida por medio de una cantidad finita de operaciones elementales.
Observaci
on 32 Notemos que para llegar a la forma escalerizada (o a la
escalerizada reducida) no es necesario usar la transformaci
on elemental que
consiste en multiplicar una fila de la matriz o una ecuaci
on de un sistema por
un n
umero distinto de cero. Usaremos esta observaci
on en la secci
on dedicada
al c
alculo de determinantes (secci
on ??).
1.2.5.
Las propiedades de las operaciones en el espacio Kn de

las n-uplas
En la observaci
on 1.2.2 habamos enfatizado el hecho de que el proceso de
eliminaci
on poda ser descrito en terminos de operaciones realizadas sobre las
filas de la matriz asociada a un sistema de ecuaciones lineales. Cada una de
las filas de una matriz m n es un lista ordenada de n n
umeros, o n-upla.
As, al aplicar el metodo de escalerizar multiplicamos n-uplas por n
umeros y
las sumamos entre s. Tambien, en la observaci
on 1.2, p
agina 23, habamos
destacado el hecho de que cada soluci
on de un sistema de ecuaciones lineales
puede pensarse como un u
nico objeto, una lista de n n
umeros, en vez de ser
considerada como el resultado de hallar el valor de n inc
ognitas diferentes.
Comenzamos a sistematizar ahora el trabajo con las n-uplas construidas
a partir de un cuerpo K. Llamaremos Kn al conjunto formado por todas las
CAPITULO 1
62
n-uplas con entradas en el cuerpo K, o listas ordenadas de n-n

umeros. Es decir
Kn = {(x1 , x2 , . . . , xn ); x1 , x2 , . . . , xn K} .
Sobre este conjunto definimos dos operaciones.
1. Suma de dos listas. Si X = (x1 , . . . , xn ) e Y = (y1 , . . . , yn ) entonces
definimos la suma X + Y por la f
ormula
X + Y = (x1 + y1 , . . . , xn + yn ).
Vemos entonces la suma de dos listas se obtiene sumando en cada posici
on las entradas de cada lista.
mero. Para X(x1 , . . . , xn ) y a un
2. Producto de una lista por un nu
n
umero cualquiera en el cuerpo K definimos
aX = (ax1 , . . . , axn ).
En otras palabras, el producto de una lista por un n
umero se obtiene
multiplicando cada entrada de la lista por el n
umero.
Antes de discutir las propiedades m
as importantes de estas operaciones
hagamos un peque
no ejemplo.
Ejemplo 33
1. Comencemos con n = 3 y el cuerpo de los n

umeros reales. Tenemos, por
ejemplo
(1, e,
1) + (0,
0, 2 +
e, 1
1, 2) =(1 +
+ 2) =
(1, 2 + e, 1),
2(1, 0, 2) = ( 2,1, 2,0, 2. 2) = ( 2, 0, 2).
2. Tomemos X = (1, 1, 1, 0, 0, 0), Y = (1, 0, 1, 0, 1, 0) en Z62 . Entonces
X + Y = (0, 1, 0, 0, 1, 0).
Si queremos ejercitar el producto por un n
umero no tenemos mucho para
hacer. Hay s
olo dos opciones: multiplicar una lista por 0, lo que da como
resultado una lista con 6 ceros. O multiplicarla por 1, lo que produce
exactamente la misma lista.
3. Todo funciona m
as o menos igual en el campo de los n
umeros complejos.
2
Por ejemplo, en C tenemos i(1 + i, i) = (1 + i, 1).

1.2 Presentacio
63
Destaquemos que ahora nuestras listas de n

umeros empiezan a adquirir estructura: hay operaciones algebraicas definidas sobre ellas, y con la ayuda de
estas operaciones las hemos estado manipulando para resolver y comprender
los problemas relativos a sistemas lineales. La introducci
on de esta estructura
algebraica hace que Kn deje de ser apenas un conjunto, y por eso nos referiremos al espacio Kn , o al espacio vectorial Kn . Tambien nos referiremos a los
elementos de este espacio como a vectores en el espacio Kn , aunque de tanto en
tanto, y dependiendo del contexto, volveremos a emplear la expresi
on listas
de longitud n para designarlos.
Las operaciones tienen una lista de propiedades que emplearemos repetidamente en el c
alculo y que nos interesa destacar porque las recogeremos m
as
tarde en la definici
on de espacio vectorial (ver la definici
on ??, en la p
agina
??). Para compactar la notaci
on mantenemos el uso de designar a cada n-upla
con una letra may
uscula. Por ejemplo, X = (x1 , . . . , xn ). Comenzamos con las
propiedades de la suma.
[S1] [Conmutativa] X + Y = Y + X,
X, Y Kn .
[S2] [Asociativa] (X + Y ) + Z = X + (Y + Z),
X, Y, Z Kn .
[S3] [Neutro de la suma] Existe O R tal que X + O = O + X = X,

Kn .
[S4] [Existencia de opuesto] Para cada X Rn existe Y Rn tal que X +Y =

O.
Estas propiedades son absolutamente directas de verificar. S
olo haremos un
par de comentarios sobre la existencia de neutro y opuesto para la suma. Es
obvio en este contexto que el neutro para la suma es el vector O = (0, 0, . . . , 0)
que esta formado por n ceros, y que el opuesto de X = (x1 , . . . , xn ) es
(x1 , . . . , xn ). La formulaci
on que hemos escogido para enunciar las propiedades parece pues un tanto rebuscada, ya que podramos haber dicho de
una vez quienes eran el opuesto y el neutro. Confesemos al lector que esta formulaci
on est
a escogida con la idea de extender todas esta teora a un contexto
abstracto en que los vectores con los que operemos pueden ser muy generales15 . En cada caso particular habr
a que especificar cu
al es el vector O y c
omo
se construye el opuesto. Pero lo u
nico que ser
a com
un a todos los casos particulares son las propiedades [S3] y [S4] que deben ser satisfechas por el neutro
y el opuesto.
15
Veremos luego ejemplos en que los vectores ser

an funciones, sucesiones, matrices, clases
de equivalencia construidas por distintos procedimientos, etcetera
CAPITULO 1
64
Tambien son de f
acil verificaci
on las propiedades del producto de una nupla por un escalar que a continuaci
on listamos.
[P1] [Asociativa del producto] ()X = (X),
[P2] [Neutro del producto] 1X = X
, R, X Kn .
X Kn .
[P3] [Distributiva] ( + )X = X + X,
, R, X, Y Kn .
[P4] [Distributiva] (X + Y ) = X + Y,
R, X, Y Rn .
La teora de los espacios vectoriales est

a basada en estas ocho propiedades
que nos servir
an como axiomas o postulados para la teora. Los espacios Kn
son, en realidad, un caso particular de esta estructura general con la que
trabajaremos en el captulo ??.
Ejercicio 28 Completar la verificacion de que las operaciones de suma y pro-
ducto por un escalar que hemos definido en Kn tienen todas las propiedades que
acabamos de enunciar.
Observaci
on 34
Las operaciones que hemos definido en Kn se extienden, en forma obvia,
a filas y columnas de las matrices. Cada fila o columna no es otra cosa que
una lista ordenada de n
umeros en K. Tambien podemos, y ser
au
til en alguna
n
oportunidad, considerar un elemento de K como una matriz de una columna
y n filas (esto es esencialmente lo mismo que pensar la lista de n n
umeros
como una columna) o como una matriz de 1 fila y n columnas (o sea, una fila).
Otro punto de vista posible es considerar cada elemento
X = (x1 , x2 , . . . , xn ) Kn
como una funci
on definida X definida sobre el subconjunto {1, 2, . . . , n} formado por los primeros n n
umeros naturales, y que toma valores en el cuerpo
K. Esta funci
on asocia a 1 el n
umero X(1) que indicamos con la notaci
on x1 ,
a 2 el n
umero X(2) = x2 , y as sucesivamente hasta n, cuyo correspondiente
es X(n) = xn . Si quisieramos enfatizar este punto de vista sera m
as adecuado
escribir el vector X con la notaci
on
X = (X(1), X(2), . . . , X(n)).
Es corriente en los lenguajes de programaci
on utilizar la notaci
on X(1) para
referirse a la primera entrada del vector X. Esta notaci
on es m
as sistem
atica,
porque s
olo requiere saber el nombre del vector y el lugar de la entrada para

1.2 Presentacio
65
interpretar las cosas correctamente. La notaci

on x1 es m
as engorrosa de interpretar. Para que tenga sentido hay que saber que debemos identificar la letras
may
uscula Y con su min
uscula y, una convenci
on que un humano r
apidamente
comprende, pero que en una computadora requiere algunas lneas de programa
adicionales.
Este punto de vista es an
alogo al de considerar las matrices como funciones
(ver la definici
on 1.1 y la observaci
on 1.2.2 al respecto) y ser
a desarrollado con
algo m
as de detalle en la observaci
on ??, p
agina ??.
CAPITULO 1
66
1.3.
Columnas, combinaciones lineales y sistemas

de ecuaciones
En esta secci
on vamos a cambiar un poco el punto de vista con el que nos
enfrentamos a un sistema de ecuaciones lineales de la forma
a11 x1 + a12 x2 + . . . + a1j xj + . . . + a1n xn = b1 ,
a21 x1 + a22 x2 + . . . + a2j xj + . . . + a2n xn = b2 ,

(1.25)
..
am1 x1 + am2 x2 + . . . + amj xj + . . . + amn xn = bm ,
para concentrarnos en las columnas formadas por los coeficientes que multiplican a cada una de las inc
ognitas xj , j = 1, 2, . . . , n. Observemos que cada
uno de los n
umeros xj aparece multiplicando a los coeficientes que est
an en
la j-esima columna de la matriz del sistema. Es decir, cada xj aparece en una
columna
a1j xj
a1j
a2j xj
a2j
(1.26)
= xj .. .
..
.
.
amj xj
amj
En la f
ormula (1.26) vemos nuevamente en acci
on la idea de operar con listas
de n
umeros (filas o columnas) que introdujimos en la secci
on 1.2: ahora la
inc
ognita xj aparece multiplicando a toda una columna de coeficientes, y la
igualdad en (1.26) est
a justificada por la convenci
on de que multiplicar un
n
umero por una columna (fila) es lo mismo que multiplicar cada entrada de
la columna (fila) por ese n
umero.
A partir de la observaci
on precedente construiremos una nueva manera de mirar a las soluciones del sistema (1.25). En principio, una soluci
on
(x1 , x2 , . . . , xn ) del sistema puede ser vista como un conjunto de n n
umeros
que hace que se satisfagan todas las ecuaciones del sistema. Pero tambien podemos organizar la informaci
on como en la f
ormula (1.26), enfatizando que
cada xj multiplica una columna de coeficientes. La suma
a11
a1j
a1n
a21
a2j
a2n
x1 . + . . . + xj . + . . . + xn .
(1.27)
.
.
.
.
.
.
am1
amj
amn
de las n columnas de la matriz multiplicadas por los n

umeros xj es entonces
1.3 Columnas y sistemas de ecuaciones

lo mismo que
a11 x1
a21 x1
..
am1 x1
+ ... +
a1j xj
a2j xj
..
.
amj xj
67
+ ... +
a1n xn
a2n xn
..
.
amn xn
(1.28)
Para sumar las columnas en (1.28) debemos hacer m sumas entrada a entrada,
con j variando en 1, 2 . . . , n. Al hacer esta operaci
on obtenemos la columna
a11 x1 + . . . + a1j xj + . . . + a1n xn

a21 x1 + . . . + a2j xj + . . . + a2n xn
(1.29)
..
.
am1 x1 + . . . + amj xj + . . . + amn xn
que contiene todos los primeros miembros de las ecuaciones del sistema. Naturalmente, que el sistema se satisfaga es equivalente a la igualdad
a11 x1 + . . . + a1j xj + . . . + a1n xn

b1
a21 x1 + . . . + a2j xj + . . . + a2n xn b2
= .. ,
..
.
.
am1 x1 + . . . + amj xj + . . . + amn xn
entre la columna (1.29) y la columna
B=
b1
b2
..
.
bm
bm
(1.30)
formada por los n

umeros bi , i = 1, 2, . . . , m, de los segundos miembros de las
ecuaciones que forman el sistema lineal (1.25).
Podemos ver entonces nuestro sistema de m ecuaciones como una u
nica
ecuaci
on escrita en terminos de listas de m n
umeros: las columnas de la matriz
y la columna de los terminos independientes. Si llamamos Aj a la j-esima
columna de la matriz, es decir
a1j
a2j
Aj = . , j = 1 . . . , n,
..
amj
CAPITULO 1
68
podemos representar el sistema (1.25) como
x1 A1 + x2 A2 + . . . xj Aj . . . + xn An = B,
(1.31)
donde B es la columna (1.30) del termino independiente. Notemos que el

miembro de la izquierda en (1.31) es lo mismo que (1.27), pero expresado
con una notaci
on m
as breve. Disponemos ahora de un nuevo punto de vista:
resolver el sistema lineal de ecuaciones (1.25) es buscar una lista de
n n
umeros x1 ,. . . , xn , tales que se satisfaga la igualdad (1.31) entre
columnas en Km .
Ejemplo 35 Volveremos ahora sobre algunos de los ejemplos de la secci
on
anterior, pero empleando esta vez la notaci
on de columnas.
1. En el ejemplo 1.2, p
agina 23, encontramos que

1
1
1
1
+0
=
,
1
1
1
pero no existen dos n
umeros reales x1 y x2 tales que

1
1
1
.
x1
+ x2
=
2
1
1
Tambien vimos que la igualdad

1
1
1
=
+ (1 x)
x
2
2
2
se satisface para cualquier x R.
2. Encontramos la soluci
on (1, 3, 2) para el sistema del ejemplo 1.2.1, en la
p
agina 27. Algo que ahora podemos escribir del siguiente modo:

1
1
2
8
0 + 3 2 + 2 1 = 8
0
0
1
2
3. An
alogamente, para el ejemplo 1.2.1 de la p
agina 28 podemos escribir:

8
2
1
1
1 3 2 + 5 1 = 0
4
1
1
2
69
4. Al trabajar con el ejemplo 1.2.2 encontramos que la igualdad

2
1
1
2
1
1
x5
3
2
1
1
+ (1 + )
+ x2
(1 2x2 x5 )
2
2
2
1
1
2
1
1

1
1
1
0
0 1 0
1
(1 2x5 ) 2 + x5
5 + 3 = 1
1 3 3
0
1
3
9
4
se satisface para cualquier elecci
on de los n
umeros reales x2 y x5 .
La sencilla operaci
on de multiplicar algunos vectores por coeficientes y luego sumarlos es tan importante que merece un nombre especial y una definici
on.
Definici
on 1.2. Combinaciones lineales.
Si Aj , j = 1, . . . , n, son vectores de Km , y xj , j = 1, . . . , n, son n
umeros en
el cuerpo K, diremos que
x1 A1 + x2 A2 + . . . + xj Aj + . . . + xn An
(1.32)
es la combinaci
on lineal de la familia de vectores (A1 , A2 , . . . , Aj ) con coeficientes (x1 , x2 , . . . , xj ).
Diremos tambien que un vector B Km es una combinaci
on lineal de los
vectores Aj , j = 1, . . . , n, si existen escalares xj K, j = 1 . . . , n tales que
B = x1 A1 + x2 A2 + . . . + xj Aj + . . . + xn An .
Observemos que resolver el sistema lineal de ecuaciones (1.25) es
buscar coeficientes x1 ,. . . , xn , tales que B sea una combinaci
on lineal de las columnas de la matriz A del sistema con esos coeficientes.
Tambien es cierto que el sistema lineal de ecuaciones (1.25) es compatible si y s
olo si B es una combinaci
on lineal de las columnas de la
matriz A.
Pasemos ahora a examinar algunos ejemplos. Escribiremos todos los vectores como filas, no como columnas, simplemente para ahorrar algo de espacio
en el papel.
CAPITULO 1
70
Ejemplo 36 Sea A = ((1, 2, 1), (2, 2, 2)) R
entonces (0, 6, 0) es com-
binaci
on lineal de A con coeficientes 2 y 1 pues
(0, 6, 0) = 2(1, 2, 1) + (1)(2, 2, 2).

Pero no es posible escribir (0, 6, 1) como una combinaci
on lineal de estos dos
vectores. Verifiquemoslo. Expresar (0, 6, 1) como combinaci
on lineal de (1, 2, 1)
y (2, 2, 2) es lo mismo que encontrar dos coeficientes x e y tales que
(0, 6, 1) = x(1, 2, 1) + y(2, 2, 2) = (x + 2y, 2x 2y, x + 2y).
Y esta igualdad es equivalente al sistema de ecuaciones
x + 2y = 0,
2x 2y = 6,
x + 2y = 1.
Al escalerizarlo encontramos
x + 2y = 0,
4y = 6,
0 = 1,
por lo que concluimos que el sistema es incompatible y es imposible expresar

(0, 6, 1) como combinaci
on lineal de los dos vectores dados. Observemos que
hemos pasado del problema de expresar un vector como combinaci
on lineal
de otros, a un sistema de ecuaciones lineales. Tal como coment
abamos, ambos
problemas son en realidad equivalentes.
Ejemplo 37 Sea A = ((1, 2, 1), (2, 2, 2), (1, 8, 1)). Combinemos linealmente los vectores de A con coeficientes 3,1 y 1. Obtenemos
3(1, 2, 1) + (1)(2, 2, 2) + 1(1, 8, 1) = (2, 16, 2).

Y si hacemos la combinaci
on con coeficientes 6, 2 y 0 resulta
6(1, 2, 1) + (2)(2, 2, 2) + 0(1, 8, 1) = (2, 16, 2).
Exactamente el mismo vector! Vemos entonces que distintas combinaciones
lineales de una misma familia de vectores pueden dar el mismo resultado. Mirando las cosas desde otro punto de vista: hay ejemplos acabamos de ver
uno en que un vector puede ser expresado en m
as de una forma como combinaci
on lineal de una familia de vectores dados. Naturalmente, estos ejemplos
corresponden a sistemas lineales compatible e indeterminados.
71
Ejemplo 38 La m-upla nula O = (0, . . . , 0) es combinaci

on lineal de
cualquier colecci
on de m-uplas, basta tomar todos los coeficientes nulos para
obtenerla. Por ejemplo, si tomamos n = 3 y los tres vectores del item anterior,
tenemos, obviamente
0(1, 2, 1) + 0(2, 2, 2) + 0(1, 8, 1) = (0, 0, 0).
Este hecho corresponde a que un sistema lineal que tiene una columna de
ceros en los t
erminos independientes es siempre compatible porque
tiene al menos la soluci
on trivial que consiste en fijar en 0 el valor de todas
sus inc
ognitas.
Pero, la soluci
on trivial no tiene por qu
e ser la u
nica. Por ejemplo,
el sistema de ecuaciones lineales reales

x + 2y z = 0
2x + 4y 3z = 0
tiene como soluci
on cualquier terna (x, y, z) = (2, , 0), donde R puede
escogerse arbitrariamente. Si fijamos = 0 reencontramos la ecuaci
on trivial,
pero (2, 1, 0), que se obtiene escogiendo = 1, es otra soluci
on del sistema.
Tal vez el lector recuerde que este sistema apareci
o en la parte 8 del ejercicio 1.2.2, en la p
agina 54. Naturalmente, este resultado tiene su correlato en
terminos de combinaciones lineales de las columnas de la matriz del sistema.
La igualdad

1
2
1
0
2
+
+0
=
2
4
3
0
se satisface para cualquier R.
Como ya mencionamos, siempre es posible obtener el vector nulo

a partir de cualquier familia de vectores de Km haciendo una combinaci
on lineal con todos los coeficientes nulos, pero este ejemplo nos
muestra que tambien puede ser posible obtener el vector nulo por medio de
una combinaci
on lineal no trivial.
Ejercicio 29 Consideremos las 4-uplas
X1 = (1, 2, 2, 1),
X2 = (2, 1, 2, 0),
X3 = (1, 1, 4, 1).
Hallar las combinaciones lineales aX1 + bX2 + cX3 para:

1. a = 0; b = 2; c = 5
2. a = 3; b = 2; c = 1
3. a = 1; b = 1; c = 1
CAPITULO 1
72
Ejercicio 30 Consideremos el conjunto

A = ((1, 0, 1, 1), (2, 0, 3, 1), (0, 2, 1, 0))
formado por tres 4-uplas de n
umeros reales. Determinar en cada caso si X puede
obtenerse como combinacion lineal de los elementos de A. Si la respuesta es afirmativa
hallar los respectivos coeficientes.
1. X = (0, 2, 0, 3)
2. X = (5, 2, 0, 0)
3. X = (5, 6, 4, 1)
n de sumatorias
Observaci
on 39 Notacio
Es posible abreviar la escritura de la suma
x1 A1 + x2 A2 + . . . + xj Aj + . . . + xn An
que representa la combinaci
on lineal de los vectores
P Aj con coeficientes xj , j =
1, 2, . . . , n con la notaci
on que emplea el signo
para las sumas. Escribiremos
entonces
x1 A1 + x2 A2 + . . . + xj Aj + . . . + xn An =
n
X
xj Aj ,
j=1
donde j es un n
umero entero que indica cual es el ndice que vara al sumar,
y 1 y n son los valores mnimo y m
aximo que toma j en la suma que estamos
considerando.
En la subsecci
on 1.3.2 introduciremos una notaci
on a
un m
as concisa para
expresar las combinaciones lineales de vectores en Km cuando definamos el
producto entre una matriz A y un vector X. Pero antes de pasar a considerar
el producto de matrices y vectores discutiremos brevemente la geometra de
las combinaciones lineales y los sistemas de ecuaciones.
1.3.1.
Interpretaci
on geom
etrica de las combinaciones lineales
Es sumamente interesante ver una representaci

on geometrica de las combinaciones lineales. Consideremos, por ejemplo, la combinaci
on lineal
x1 A1 + x2 A2
de dos vectores A1 y A2 , con coeficientes x1 y x2 . El vector x1 A1 es colineal
con A1 , pero cambia su longitud en un factor x1 . Adem
as, si x1 es positivo
73
el vector x1 A1 tiene el mismo sentido que A1 , y el contrario cuando x1 es

negativo. Una consideraci
on an
aloga puede hacerse para x2 A2 en relaci
on A2 .
En resumen, x1 A1 + x2 A2 es la suma de dos vectores, uno alineado con A1 y
el otro alineado con A2 .
Ejemplo 40 Trabajaremos en este ejem(1,1)
1
plo con los vectores (1, 1) y (2, 1) en R2 , que se

representan en la figura, y su combinaci
on lineal
(1, 4) = 3(1, 1) + (1)(2, 1).
(1.33)
HH
Los vectores
3(1, 1) = (3, 3),
(1)(2, 1) = (2, 1)
HH
HH
HH
j
H
(2,-1)
son colineales con (1, 1) y (2, 1) respectivamente. Los hemos representado en
el primer dibujo de la figura 1.4. Observemos que (2, 1) tiene sentido contrario
(3,3)
(-2,1)
1
HH
Y
H
HH
(1,1)
HH
HH
HH
HH
HH 1
-2
-1
2
3
HH
HH
HH
HH
jH
(2,-1)
-1
H
(1,4)
H
HH
H
HH

1
HH
Y
H
HH

HH
HH
HH

HH
-2
-1
HH 1
H
-1
HH
HH
Figura 1.4: El vector (1, 4) como combinaci

on lineal de (1, 1) y (2, 1)
a (2, 1), ya que se obtiene a partir de este u
ltimo vector multiplicando por el
coeficiente negativo 1. Hemos representado tambien rectas que pasan por el
origen y que tienen las direcciones de los vectores (1, 1) y (2, 1). Los extremos
de cualquier vector que se obtenga multiplicando (1, 1) por un n
umero caen
sobre la lnea con la direcci
on de (1, 1). An
alogamente, al multiplicar (2, 1)
por un escalar obtenemos un nuevo vector en la direcci
on de (2, 1).
La combinaci
on lineal (1.33) es la suma de (3, 3) y (2, 1), que sigue la
regla del paralelogramo: el extremo del vector suma es el vertice opuesto a
CAPITULO 1
74
(0, 0) en el paralelogramo que tiene a los vectores (2, 1) y (3, 3) como dos de
sus lados. Esta suma se ilustra en el segundo dibujo de la figura 1.4.
La interpretaci
on geometrica de las combinaciones lineales que acabamos
de desarrollar se extiende a una interpretaci
on geometrica de los sistemas de
ecuaciones. En nuestro pr
oximo ejemplo desarrollamos este punto de vista,
volviendo sobre los vectores con los que trabajamos en el ejemplo 1.3.1, pero
present
andolo a traves de un sistema de ecuaciones lineales.
Ejemplo 41 Consideremos el sistema

x + 2y = 1
(1.34)
xy =4
Podemos escribirlo en forma matricial como

1
2 1
,
1 1 4
una representaci
on que enfatiza el hecho de que estamos buscando una combinaci
on lineal de los vectores (1, 1) y (2, 1) que produzca el vector (1, 4).
Se trata entonces de buscar una descomposici
on de (1, 4) como la suma de
un vector colineal con (1, 1) y (2, 1), tal como se muestra en la figura 1.5.
Por supuesto, esta nueva figura es esencialmente la misma que 1.4, pero he(1,4)
4
H
3
HH
-2
HH
-1

HH
H

HH
(1,1)

H
H
HH 1
2
3
HH
HH
HH
HH
jH
(2,-1)
-1
H
Figura 1.5: Representaci

on geometrica de la soluci
on del sistema (1.34)
mos enfatizado que (1, 4) se descompone sobre las lneas en las direcciones de
(1, 1) y (2, 1). Los vectores en los que se descompone (1, 4) son los vectores
(3, 3) y (2, 1) y los coeficientes necesarios para obtenerlos a partir de (1, 1) y
(2, 1) son 3 y 1 respectivamente. Naturalmente, la soluci
on del sistema de
ecuaciones (1.34) es la pareja x = 3, y = 1.
75
Interpretaci
on de un sistema de ecuaciones como la intersecci
on de
rectas
Existe otra interpretaci
on geometrica de un sistema lineal de ecuaciones,
que en el caso de un sistema con dos inc
ognitas conduce a identificar las
soluciones del sistema con los puntos que pertenecen a la intersecci
on de dos
rectas.
Para introducir esta nueva interpretaci
on vamos a abandonar por un momento la representaci
on de las parejas (x, y) de n
umeros reales como vectores,
para considerar que un par de n
umeros (x, y) determina un punto en el plano
(x, y). En la figura 1.6 ilustramos con la pareja (2, 1) estos dos posibles puntos
de vista. En el primer dibujo (2, 1) aparece representada como un vector. En el

*

Figura 1.6: Parejas de R2 representando vectores o puntos

segundo como un punto en el plano (x, y). La conexi
on entre ambas representaciones es la siguiente: el vector (2, 1) es el u
nico vector que tiene su origen en
(0, 0) y extremo en el punto (2, 1); el punto (2, 1) es el que se obtiene cuando
nos desplazamos desde el origen seg
un el vector (2, 1).
Una ecuaci
on en las variables x e y, como, por ejemplo, la ecuaci
on
x + 2y = 1,
(1.35)
que es la primera ecuaci

on del sistema (1.34), define un cierto subconjunto de
puntos (x, y) en R2 . Por ejemplo, el conjunto de los puntos (x, y) que satisfacen (1.35) es la recta que representamos en la figura 1.7. Con estas ideas en
mente volveremos sobre el sistema lineal (1.34).
Ejemplo 42 Los puntos (x, y) cuyas coordenadas satisfacen el sistema
(1.34) est
an sobre la recta de ecuaci
on x + 2y = 0, y tambien sobre la recta
de ecuaci
on x y = 4. Por lo tanto, la soluci
on de la ecuaci
on est
a representada por los puntos que pertenecen a la intersecci
on de ambas rectas. Al
representarlas en el plano encontramos la figura 1.8, en la que apreciamos que
la intersecci
on de las dos rectas es el punto (3, 1). Esto est
a en concordancia
con el resultado que habamos obtenido al resolver el sistema (1.34).
CAPITULO 1
76
H
HH
-3
HH
HH
-2
HH
HH
-1
H
1
H
-1
HH
H
H
Figura 1.7: La recta de ecuaci

on x + 2y = 1
1
HH
HH
1H
-1
HH
-2
HH
s
HH
HH
HH
HH
H
-3
Figura 1.8: La intersecci

on de las rectas de ecuaciones x + 2y = 1, x y = 4
Ejemplo 43 Analicemos el sistema indeterminado

2x y = 3,
4x 2y = 6,
desde los dos puntos de vista geometricos que hemos estado considerando. Las
soluciones de este sistema son todas las parejas (x, 2x 3), donde x es un
n
umero real cualquiera.
En primer lugar observemos que el sistema es equivalente a la combinaci
on
lineal

3
1
2
=
+y
x
6
2
4
Los tres vectores (2, 4), (1, 2) y (3, 6) son colineales, y (3, 6) puede obtenerse multiplicando (2, 4) por 3/2, o (1, 2) por 3, entre otras muchas
posibilidades. La primera corresponde a la soluci
on (3/2, 0), y la segunda a
(0, 3).
77
Por otra parte, las dos ecuaciones 2x y = 3 y 4x y = 6 definen exactamente la misma recta, ya que la segunda se obtiene multiplicando a la primera
por la constante no nula 2. Por supuesto, la intersecci
on que se obtiene al
cortarlas es justamente esa recta.
Ejemplo 44 Modifiquemos levemente el ejemplo anterior, cambiando el

termino independiente para considerar el sistema

2x y = 3,
(1.36)
4x 2y = 2,
El vector (3, 2) ya no es colineal con (2, 4) y (1, 2), y no puede ser generado
4
3 como se muestra
por una combinaci
on lineal de estos vectores, tal
en el primer

3
-1

1

3

-1

-1
-2
-2
-3

1

2

Figura 1.9: Dos representaciones geometricas del sistema incompatible (1.36)

dibujo de la figura 1.9. Las ecuaciones 2x y = 3 y 4x 2y = 2 definen las dos
rectas paralelas que est
an representadas en el segundo dibujo de la figura 1.9.
Ejercicio 31 Hacer las representaciones geometricas como combinaciones li-
neales y como intersecciones de rectas para el sistema

x 2y = 4,
3x 2y = 8.
Las interpretaciones geometricas de los sistemas 2 2 que hemos discutido

en esta secci
on pueden extenderse a sistemas de mas inc
ognitas. En fecto, la
CAPITULO 1
78
noci
on de combinaci
on lineal ha sido introducido para cualquier cantidad de
vectores de cualquier tama
no. Por otra parte, en la secci
on ?? del captulo
?? encontraremos que una ecuaci
on lineal con tres inc
ognitas representa un
plano en el espacio. Las soluciones de un sistema lineal con tres inc
ognitas
aparecer
an entonces como intersecciones de planos, que pueden ser vacas,
puntos, rectas o planos, dependiendo de las posiciones relativas de los planos
que se intersequen.
1.3.2.
El producto de matrices y vectores
Presentaremos ahora una definici

on del producto entre una matriz y un
vector que se adecua perfectamente a nuestro trabajo con los sistemas de
ecuaciones lineales y a la noci
on de combinaci
on lineal.
Definici
on 1.3. Sean A una matriz m n sobre el cuerpo K con columnas
Aj , j = 1, 2, . . . , n, y
x1
x2
X = . Kn
..
xn
una columna16 de longitud n. Definimos el producto AX de la matriz A por

la columna X como la combinaci
on lineal
AX = x1 A1 + x2 A2 + . . . xj Aj . . . + xn An
de las columnas de A con los coeficientes almacenados en la columna X.
Con esta definici
on es posible introducir una notaci
on a
un m
as concisa que
(1.31) para un sistema lineal de ecuaciones. La voluminosa y amenazadora
expresi
on
a11 x1 + a12 x2 + . . . + a1j + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2j + . . . + a2n xn = b2

..
am1 x1 + am2 x2 + . . . + amj + . . . + amn xn = bm

16
En este momento lo u
nico importante es que X sea una lista de longitud n. La restricci
on
de escribirla como una columna quedar
a justificada m
as adelante, en la secci
on ??, cuando
definamos el producto de matrices en un contexto m
as general que este que incluye el caso
particular del producto entre una matriz m n y una columna con n elementos.
79
para el sistema con matriz
A=
a11
a21
..
.
a12
a22
..
.
...
...
..
.
a1n
a2n
..
.
am1 am2 . . . amn
y termino independiente
B=
b1
b2
..
.
bm
queda condensada en la casi insignificante f

ormula
AX = B.
(1.37)
Hemos ganado algo con todo este alarde de notaci

on? Poco, al menos ahora es m
as f
acil escribir un sistema lineal... pero su resoluci
on sigue igual de
complicada que antes. Pero, atenci
on!, Aunque este prop
osito justificara por
s s
olo introducir tal definici
on no hemos definido el producto AX s
olo para
simplificar nuestra escritura. Este producto tiene adem
as buenas propiedades
respecto a la estructura lineal con la que estamos trabajando y m
ultiples aplicaciones, por lo que aparecer
a una y otra vez a lo largo de este curso. En
terminos del producto de una matriz por un vector podemos decir que resolver el sistema lineal de ecuaciones (1.25) es equivalente a encontrar
un vector X = (x1 , . . . , xn ) Kn tal que AX = B. El sistema AX = B es
compatible si y s
olo si la columna B puede escribirse en la forma AX
para alg
un X Kn .
n con sumatoObservaci
on 45Componentes del producto y notacio
rias
Cuando A es una matriz m n la notaci
on AX engloba en una sencilla expresi
on un vector que tiene m componentes. A veces nos ser
au
til considerar
las matrices y vectores como un u
nico objeto, sin detenernos a pensar en cada
una de sus componentes individualmente. En ocasiones haremos lo contrario y
trabajaremos con las componentes. Para estos casos es conveniente saber que
en la i-esima entrada del producto AX aparece la suma
ai1 x1 + ai2 x2 + . . . + ain xn
de las entradas i-esimas de cada columna, multiplicadas por el coeficiente
que multiplique a esa columna. Podemos recurrir al signo de sumatoria para
CAPITULO 1
80
expresar una suma de este tipo:
n
X
aij xj = ai1 x1 + ai2 x2 + . . . + ain xn ,
j=1
con lo que se gana cierta economa en la notaci

on.
Ejemplo 46 Calculemos el producto AX de

1
2
2
2 2 , X =
A=
.
1
1
2
Tenemos que

1
2
0
6 .
AX = 2 2
+ (1) 2
=
1
2
0
Ejemplo 47 Sea
Entonces
1
2 1
A = 2 2 8 .
1
2 1
2
6
3
A 1 = A 2 = 16 .
2
0
1
El lector atento habr

a notado que en los ltimos dos ejemplos hemos presentado
nuevamente algunas de las combinaciones lineales de los ejemplos 1.3 y 1.3,
ahora escritas en forma de productos de matrices por columnas.
Ejemplo 48
1. Al multiplicar cualquier matriz m n por la columna O de n ceros se

obtiene una columna de m ceros. Es decir, AO = O. Notar
a el lector que
el smbolo O aparece en esta f
ormula con dos significados posiblemente
diferentes: es una lista de n ceros del lado izquierdo de la igualdad, pero
una lista de m ceros del lado derecho.
Por supuesto, cualquier sistema lineal de la forma AX = O, es decir,
un sistema en que todas las ecuaciones tienen un 0 en el miembro de la
derecha, tiene al menos la soluci
on X = O, ya que AO = O.
81
Con estos comentarios no estamos haciendo m

as que reformular buena parte del ejemplo 1.3, ahora usando la notaci
on matricial para los
sistemas y las combinaciones lineales.
2. Si multiplicamos una matriz mn por una columna formada por ceros en
todas sus entradas salvo la i-esima, en la que ponemos un 1, el resultado
es la i-esima columna de la matriz.
Ejercicio
32 En cada caso, multiplicar la matriz A por el vector X.

2 0
2 1
1. A =
yX=
2
1
1
1 2
1
2. A = 2 1 1 y X = 1
0
3 3
2
1
3 1 0
3 5 yX= 2
3. A = 1
1
1
3 6
1 0 1
1
4. Con la aritmtica de Z2 , A = 1 1 0 y X = 1
0 1 1
1
La siguiente proposici
on muestra que la operaci
on de multiplicar una matriz por un vector tiene buenas propiedades respecto a las operaciones de suma
y de producto por un escalar que est
an definidas sobre los vectores.
Proposici
on 1.6. Linealidad en X del producto AX.
Sean A una matriz mn sobre el cuerpo K, X e Y dos columnas de longitud n,
y a un n
umero cualquiera en K. Entonces
1. A(X + Y ) = AX + AY ;
2. A(aX) = a(AX).
n. Escribamos
Demostracio
X = (x1 , . . . , xn ),
Y = (y1 , . . . , yn ).
Entonces la j-esima entrada de X + Y es xj + yj . Recurramos a la expresi

on
con sumatorias del producto A(X + Y ). La i-esima entrada de esta columna
es
n
n
n
X
X
X
aij yj ,
aij xj +
aij (xj + yj ) =
j=1
j=1
j=1
82
CAPITULO 1
que es la suma de la i-esima entrada de AX con la i-esima entrada de AY .

Por lo tanto A(X + Y ) = AX + AY . Dejamos la demostraci
on de la segunda
propiedad como un ejercicio para el lector.
Ejercicio 33 Completar la demostracion de la proposicion anterior.
Observaci
on 49 Matrices y transformaciones lineales.
La operaci
on de multiplicar X Km por una matriz A de dimensiones m n
define una correspondencia
X 7 AX
que a cada X le asocia AX Km .

Ejemplo 50 En el ejercicio 1.1.6, p
agina 20 describamos las transiciones
dentro de una poblaci
on. Conociendo los proporciones (c, r, e) de pobladores
en la ciudad, zonas rurales y en el exterior en un momento dado, d
abamos una
serie de reglas que permitan calcular la distribuci
on (c1 , r1 , e1 ) un a
no m
as
tarde. No es difcil verificar que la regla general que regula estas transiciones
puede escribirse como el producto de una matriz por un vector, en la forma
0,6 0,4 0,1

c
c1
r1 0,1 0,4 0,1 r .
e1
0,3 0,2 0,8
e
La matriz aparece entonces transformando el vector con el estado inicial en

el vector con el estado final de la poblaci
on.
En el pr
oximo ejercicio mostramos como una matriz puede transformar
una palabra dada en la palabra que le corresponde en un cierto proceso de
codificaci
on.
Ejercicio 34 En el ejercicio 1.2.2, pagina 56, se dan ciertas reglas de codificacion
de una lista X de cuatro dgitos en una lista Y de siete dgitos. Expresar estas reglas
de codificaci
on en forma matricial. Es decir, hallar una matriz G con entradas en Z2
tal que el resultado Y de codificar una lista de cuatro dgitos X pueda escribirse en
la forma del producto Y = GX entre la matriz G y el vector X.
Esta idea de que las matrices act

uan transformando cosas es sumamente
fecunda, y volveremos sobre ella a lo largo del curso. En particular, lo haremos
en el capitulo ?? destinado a las matrices. De momento, digamos que la proposici
on 1.6 asegura que esta correspondencia es una transformaci
on lineal, en
el siguiente sentido:
1. la imagen de la suma de dos vectores X e Y es la suma de sus im
agenes;
2. la imagen del resultado de multiplicar un vector por un escalar es el
producto de ese mismo escalar por la imagen del vector.
83
Las transformaciones lineales, de las que nos ocuparemos con bastante detalle
en el captulo ?? son un objeto de estudio central en el algebra lineal y de
interes en diversas aplicaciones. Existe una conexi
on muy estrecha entre las
matrices y las transformaciones lineales, un tema sobre el que volveremos en
el capitulo ??, especialmente en la secci
on ??.
1.3.3.
Compatibilidad del sistema. Subespacio de columnas
Repasemos las nuevas interpretaciones de la resoluci

on de un sistema de
ecuaciones lineales con m ecuaciones y n inc
ognitas: se trata de buscar una
lista X de n coeficientes que produzcan el termino independiente B al hacer
con estos coeficientes una combinaci
on lineal de las columnas de la matriz A.
De acuerdo con la definici
on del producto de una matriz por un vector, esto
es completamente equivalente a que B sea igual al producto AX. Este punto
de vista ofrece una caracterizaci
on de los vectores B que hacen compatible
el sistema: son aquellos vectores B que pueden ser escritos como combinaci
on
lineal de las columnas de A, o, equivalentemente, como un producto AX, donde
X es alg
un vector en Kn .
En otras palabras, el sistema es compatible si B est
a en el conjunto formado
por todas las posibles combinaciones lineales de las columnas de A. Este
conjunto es relevante para nuestra teora, de modo que nos detendremos un
momento a ponerle nombre.
Definici
on 1.4. Si A es una matriz m n sobre K llamaremos espacio de
columnas de A al subconjunto de Km formado por todas las posibles combinaciones lineales de las columnas de la matriz. Indicaremos este conjunto con
la notaci
on col(A).
Tal como observ
abamos, el espacio de columnas coincide con el conjunto
de todos los posibles productos AX, con X Kn . Es decir
col(A) = {AX; X Kn }.
Como resumen de la discusi
on que precedi
o a la definici
on 1.4 encontramos
que, el sistema AX = B es compatible si y s
olo si B col(A).
Observaci
on 51 La primera parte del ejemplo 1.3.2 nos dice que si A es una
matriz m n entonces el vector nulo O Km est
a en col(A). La segunda parte
del mismo ejemplo implica que todas las columnas de la matriz pertenecen a
col(A).
CAPITULO 1
84
Ejemplo 52 El vector (0, 1, 1, 0) Z
4
2
de la matriz
1 1
0 1
A=
1 0
0 1
0
1
1
1
pertenece al espacio de columnas
1 1
1 0
,
0 1
0 1
pero (1, 1, 1, 1) no. Para justificar estas afirmaciones s

olo hay que volver el
ejemplo 1.2.2, en la p
agina 45, y reinterpretar los resultados en terminos del
espacio de columnas de la matriz A.
Ejercicio 35 Hallar el espacio de columnas de la matriz G que se hallo en
el ejercicio 1.3.2 (como estamos trabajando sobre el cuerpo finito Z2 este espacio de
columnas es un conjunto finito. Tiene dieciseis elementos). Comparar el resultado con
el que se obtuvo en la parte 1 del ejercicio 1.2.2.
Observaci
on 53 El conjunto col(A) puede interpretarse tambien teniendo en
cuenta la transformaci
on X 7 AX que entre los espacios Kn y Km define la
matriz A (ver la observaci
on 1.3.2). Los vectores AX de Km son justamente
aquellos que son la imagen de alg
un vector X Kn a traves de la transformaci
on que A define. El conjunto col(A) resulta ser entonces la imagen de esta
transformaci
on, por lo que es tambien es usual referirse a el con la notaci
on
im(A).
Es sumamente importante para la caracterizaci

on de la compatibilidad del
sistema AX = B en terminos del conjunto col(A) el hecho de que este espacio
de columnas est
a dotado de una estructura algebraica que nos permitir
a manejarlo y describirlo: es posible sumar vectores en col(A) y multiplicarlos por
n
umeros sin salir de col(A). Ese es el contenido de nuestra pr
oxima proposici
on.
Proposici
on 1.7. Si A es una matriz m n sobre K entonces:
1. si Y1 e Y2 pertenecen a col(A), su suma Y1 + Y2 tambien pertenece a
col(A);
2. si Y pertenece a col(A) y a es un n
umero cualquiera en K, el producto
aY tambien pertenece a col(A).
n: si Y1 e Y2 pertenecen a col(A) entonces existen vectores X1
Demostracio
n
y X2 en K tales que
Y1 = AX1 , Y2 = AX2 .
Sumando estas dos igualdad obtenemos
Y1 + Y2 = AX1 + AX2 = A(X1 + X2 ).
85
Vemos entonces que la suma Y1 +Y2 es el producto de la matriz A por el vector

X1 + X2 Kn . Por lo tanto Y1 + Y2 es una combinaci
on lineal de las columnas
de A y est
a en col(A). La demostraci
on para el producto aY es similar, y la
dejamos como ejercicio para el lector.
Ejercicio 36 Completar la prueba de la proposicion 1.7.
Es usual referirse a las propiedades de col(A) que demostramos en la proposici
on 1.7 diciendo que col(A) es cerrado bajo las operaciones de suma de
vectores y producto por un escalar. Esto significa que cuando sumamos dos
vectores en col(A), o cuando multiplicamos un vector en col(A) por un escalar, no nos salimosde col(A) en el sentido de que el resultado de ambas
operaciones tambien pertenece a este conjunto.
Un subconjunto S no vaco de Km que es cerrado bajo la suma y el producto por un escalar es lo que llamaremos un subespacio vectorial de Km .
La designaci
on de espacio obedece al hecho de que se puede sumar y multiplicar por escalares dentro de S, es decir, S tiene una estructura algebraica.
Nos referimos a S como subespacio porque est
a contenido dentro del espacio
m
as grande Km . Con estos terminos, teniendo en cuenta la observaci
on 1.3.3
que asegura que col(A) no es vaco, el resultado de la proposici
on 1.7 puede
enunciarse diciendo que col(A) es un subespacio vectorial de Km . El subespacio col(A) est
a generado por las columnas de la matriz A en el sentido de
que cualquier vector de col(A) puede escribirse como combinaci
on lineal de las
columnas de A. Esta caracterizaci
on provee una descripci
on de col(A), pero
veremos luego que en muchos casos no hace falta utilizar todas las columnas
de A para generar col(A): un subconjunto m
as peque
no de las columnas de A
es suficiente para hacerlo, y se consigue as una descripcion m
as breve del espacio col(A). En la secci
on 1.4 utilizaremos la estructura de subespacio de col(A)
y el metodo de escalerizaci
on para dar dos descripciones de este subespacio:
por medio de un conjunto de ecuaciones lineales que son satisfechas por
los elementos de col(A);
identificando un subconjunto de las columnas de A que forman un generador
optimo, en el sentido de que si elimina alguna columna de este
subconjunto el subconjunto resultante ya no puede generar todo col(A).
Para avanzar en esta discusi
on formalizaremos las nociones de subespacio y
generador que acabamos de introducir informalmente. Comenzamos por dar
una definici
on precisa de subespacio, y algunos ejemplos.
Definici
on 1.5. Un subconjunto S no vaco de Kn es un subespacio vectorial de Kn si tiene las siguientes dos propiedades:
CAPITULO 1
86
1. la suma de dos vectores cualesquiera de S pertenece a S;

2. el producto de un vector de S por un escalar cualquiera en K pertenece
a S.
Ejemplo 54
1. El espacio de columnas de una matriz A de dimensiones m n es un

subespacio de Km . Este espacio es no vaco, porque todas las columnas
de A est
an en col(A), y adem
as es cerrado bajo las operaciones de suma
y producto por un escalar.
2. Hay dos subconjuntos de Kn para los que es f
acil verificar que se trata
de subespacios vectoriales:
a) El que s
olo est
a formado por O, el vector nulo del espacio Kn . Este
conjunto es no vaco, tenemos adem
as que O + O = O, y aO = O
para cualquier a K. Este es el subespacio m
as chico que podemos
tener. De hecho, est
a contenido en cualquier otro subespacio. Dejamos la verificaci
on de esta afirmaci
on como un ejercicio para el
lector.
Ejercicio 37 Mostrar que si S es un subespacio vectorial de Km
entonces O S, por lo que {O} S. Sugerencia: utilizar el hecho de que

el producto del escalar 0 por cualquier vector de S debe estar en S.
b) El propio Kn .
3. El subconjunto

S = (x, y) R2 ; x = y
es un subespacio vectorial de R2 . Justifiquemos esta afirmaci

on. Claramente S es no vaco. Un elemento generico de S es de la forma (x, x),
con x un n
umero real cualquiera. Consideremos dos elementos (x1 , x1 ),
(x2 , x2 ) de S, y un escalar a cualquiera. Al sumar tenemos
(x1 , x1 ) + (x2 , x2 ) = (x1 + x2 , x1 + x2 ).
Al multiplicar uno de ellos, por ejemplo (x1 , x1 ) por el escalar a resulta
a(x1 , x1 ) = (ax1 , ax1 ).
Ambos resultados tienen la primera componente igual a la segunda, por
lo tanto satisfacen la condici
on de pertenencia a S.
87
4. El subconjunto

S = (x, y) R2 ; x 0
no es un subespacio vectorial de R2 . La suma de dos elementos de S

siempre est
a en S. Pero si (x, y) S y x > 0, al multiplicarlo por un
n
umero negativo obtenemos una pareja que ya no est
a en S.
5. El subconjunto

S = (x, y) R2 ; xy = 0
no es un subespacio vectorial de R2 . Al multiplicar un elemento de S por

cualquier escalar volvemos a obtener un elemento de S. Pero la suma no
tiene la propiedad de permanecer dentro de S. Por ejemplo
(1, 0) + (0, 1) = (1, 1) 6 S,
aunque (1, 0) y (0, 1) son ambos elementos de S.
Ahora introduciremos formalmente la noci

on de generador de un subespacio, y mostraremos generadores de los subespacios del ejemplo 1.3.3.
Definici
on 1.6. Generadores
Sea S un subespacio vectorial S de Kn . Diremos que un subconjunto A S
es un generador de S si cualquier vector de S puede ser expresado como una
combinaci
on lineal de elementos en A.
Ejemplo 55
1. Si A es una matriz entonces las columnas de A son un generador de

col(A). Esto es una consecuencia directa de las definici
on 1.4 del espacio
de columnas y de la definici
on de generador.
2. Llamemos Ei , i = 1, . . . , n al vector de Kn que tiene ceros en todas sus
posiciones salvo en la i-esima, en la que hay un 1. Por ejemplo, si n = 3
los tres vectores Ei , i = 1, 2, 3 son
E1 = (1, 0, 0),
E2 = (0, 1, 0),
E3 = (0, 0, 1).
Entonces la familia C = (E1 , E2 , . . . , En ) es un generador de Kn . En

efecto, si X = (x1 , x2 , . . . , xn ) es un vector de Kn entonces
X = x1 E1 + x2 E2 + . . . + xn En
es una combinaci
on lineal de C.
CAPITULO 1
88
3. El subespacio

S = (x, y) R2 ; x = y
tiene a la familia formada por el vector (1, 1) como un generador. Porque

cualquier vector de S es de la forma (x, x), con x R, y puede escribirse
como
(x, x) = x(1, 1).
Es decir, como una combinaci
on lineal de {(1, 1)} con coeficiente x.
n de un subObservaci
on 56 Los generadores como una descripcio
espacio
Un generador de un subespacio S Kn es un subconjunto de vectores de S que
nos permite escribir cualquier otro vector en S haciendo combinaciones lineales
de los vectores del generador. En otras palabras, si conocemos un generador
podemos reconstruir todo el subespacio S a partir del generador. En
muchos ejemplos el generador provee una descripci
on m
as o menos econ
omica
de S: unos pocos de sus elementos permiten reconstruirlo todo.
Ejemplo 57 El espacio Zn2 tiene 2n elementos. Pero est
a generado por las
n listas Ei que se contruyen poniendo un 1 en el lugar i y ceros en las restantes
posiciones, tal como mostramos en la parte 2 del ejemplo 1.3.3. Vale la pena
observar que 2n es un n
umero muchsimo mayor que n. Por ejemplo, cu
antos
dgitos tiene la expresi
on decimal de 2100 ?.
Ejemplo 58 El espacio de columnas de

1 2
A=
1 2

est
a formado por todas las columnas (x1 , x2 ) tales que x1 = x2 . Este espacio
tiene un generador obvio: el conjunto
{(1, 1), (2, 2)}
formado por las dos columnas de A. Pero puede generarse a partir de la primera
columna, porque la segunda es un m
ultiplo de la primera. Estamos diciendo
entonces que el conjunto formado por la columna (1, 1) es un generador de
col(A), y no tenemos necesidad de incluir a la segunda columna en un generador para poder construir todo el espacio por combinaciones lineales (en
realidad ya habamos encontrado este resultado en la parte 3 del ejemplo 1.3.3).
Hemos conseguido as un generador m
as econ
omico que el que est
a formado
por todas las columnas. Observemos que en este ejemplo tambien podramos
haber usado la segunda columna en vez de la primera.
89
Tal como muestra el ejemplo 1.3.3 un mismo espacio puede admitir varios
generadores distintos. Volvemos a mostrar este fen
omeno en nuestro pr
oximo
ejemplo.
Ejemplo 59 El subespacio
S = {(x, y, 0); x, y R}
de R3 est
a generado por {(1, 0, 0), (0, 1, 0)}. En efecto, cualquier vector (x, y, 0)
en S admite la expresi
on
(x, y, 0) = x(1, 0, 0) + y(0, 1, 0),
como combinaci
on lineal de (1, 0, 0) y (0, 1, 0). Pero S tambien est
a generado
por {(1, 1, 0), (1, 1, 0)}, porque
(x, y, 0) =
xy
x+y
(1, 1, 0) +
(1, 1, 0),
2
2
expresi
on que muestra que todo vector de S es tambien una combinaci
on lineal
de (1, 1, 0) y (1, 1, 0).
Vale la pena observar que hay infinitos generadores de S. Dejamos planteado el siguiente ejercicio para el lector.
Ejercicio 38 Encontrar un nuevo conjunto de vectores que tambien sea gene-
rador de S.
En la secci
on ?? nos ocuparemos del problema de buscar generadores optimos para el espacio de columnas de una matriz. En la secci
on ??, del captulo
?? dedicado a la teora general de los espacios vectoriales volveremos a tratar
estas cuestiones relativas a subespacios, generadores y subespacios generados
por medio de combinaciones lineales de una familia de vectores. Lo haremos en
el marco de una teora general que extiende los resultados que ahora estamos
presentando.
CAPITULO 1
90
1.4.
Compatibilidad de los sistemas lineales y espacio de columnas
En la secci
on 1.3 dimos un criterio de compatibilidad para un sistema lineal de la forma AX = B: el sistema es compatible si y s
olo s B col(A).
Ahora nos ocuparemos de dar dos descripciones del espacio col(A). Ambas
se obtendr
an por medio del algoritmo de eliminaci
on gaussiana, y la estructura de subespacio vectorial que tiene col(A) aparecer
a como un ingrediente
fundamental de ellas. Una primera caracterizaci
on de col(A) estar
a basada
en un conjunto de ecuaciones que lo definen. La otra consistir
a en buscar un
generador
optimo para ese subespacio. En el curso de esta segunda discusi
on
introduciremos las importantes nociones de independencia lineal y de base de
un subespacio vectorial. Veremos c
omo proceder a traves de nuestro pr
oximo
ejemplo.
Ejemplo 60 Consideremos la matriz del sistema del ejemplo 1.2.2. Esta
es la matriz
1 2 1 0 1 1
1 2 1 1 0 1
.
1
2
1
2
5
3
A=
1 2 1 0 1 3
1 2 1 4 9 3
Nos preguntamos ahora cu

ales son los B que hacen que el sistema
AX = B
sea compatible. Para determinar estos B consideraremos una columna generica
B = (b1 , b2 , b3 , b4 , b5 ) y analicemos el sistema. La tecnica para hacerlo ser
a el
metodo de eliminaci
on, y para ello escalerizaremos la matriz ampliada A|B
del sistema. Esta matriz es
1
2 1 0 1
1 b1
1 2 1 1 0 1 b2
1
2 1 2 5
3 b3
.
1
2 1 0 1
3 b4
1
2 1 4 9
3 b5
Ahora procederemos a escalerizarla. Escribiremos la sucesi
on de matrices que
produce el metodo de escalerizaci
on, sin mayores comentarios. Los pasos son
los mismos que hicimos en el ejemplo 1.2.2. Al costado de cada matriz representaremos las operaciones que hemos realizado sobre la matriz del paso
1.4 Compatibilidad de los sistemas

anterior.
1
0
0
0
0
2
0
0
0
0
1 2 1
0 0 2
0 0 0
0 0 0
0 0 0
Por fin!, llegamos a
1 2
0 0
0 0
0 0
0 0
1
2
0
0
0
0
1
2
0
0
0
1
2
0
4
1
1
4
0
8
1
0
2
2
2
b1
b 2 + b1
b 3 b1
b 4 b1
b 5 b1
91
F2 + F1
F3 F1
F4 F1
F5 F1 .
b1
1
1
b 2 + b1
1
0
4
2
b 3 b1
b 4 b1
0
2
0 2 b5 2b3 + b1
la forma escalerizada,
1
2
0
0
0
0
1
2
0
0
1
1
4
0
0
b1
1
b 2 + b1
0
2
b 3 b1
2
b 4 b1
0 b5 + b4 2b3
F5 2F3
(1.38)
F5 + F4 ,
y las respuestas a nuestras preguntas est

an ante nuestros ojos!
Una ecuaci
on para la imagen de A.
La forma escalerizada muestra que el sistema del ejemplo 1.4 es compatible
si y s
olo s
b5 + b4 2b3 = 0.
(1.39)
Esta ecuaci
on es la que caracteriza al espacio de columnas de A. Si se satisface
entonces la u
ltima ecuaci
on del sistema se verifica automaticamente, y podemos encontrar valores de las inc
ognitas que hagan que se satisfagan la cuatro
primeras ecuaciones. Concluimos entonces que
col(A) = {(b1 , b2 , b3 , b4 , b5 ); b5 + b4 2b3 = 0} .
Esta descripci
on tiene la ventaja de que dado un vector B cualquiera, s
olo
tenemos que calcular el primer miembro de (1.39) con las entradas de B para
saber si B est
a o no est
a en el espacio de columnas, y concluir as sobre la
compatibilidad o incompatibilidad del sistema AX = B.
Por ejemplo, B1 = (4, 0, 12, 6, 18) est
a en col(A), porque
18 + 6 2 12 = 0.
CAPITULO 1
92
Si el lector quiere hacer una comprobaci

on adicional puede observar que este
vector es la suma de todas las columnas de A excepto la segunda. El sistema
AX = B1 es compatible, y X = (1, 0, 1, 1, 1, 1) es una de sus soluciones. Sin
embargo B2 = (1, 1, 0, 1, 1) no est
a en el espacio de columnas, porque al sumar
sus entradas cuarta y quinta y restar dos veces la tercera resulta
1 + 1 2 0 = 2 6= 0.
Naturalmente AX = B2 es un sistema incompatible.
Notemos que lo que hicimos ilustra un metodo general para hallar ecuaciones que caractericen a la imagen de una matriz: intentamos resolver un sistema
generico AX = B, y la condici
on de compatibilidad aparecer
a expresada como
una condici
on sobre los coeficientes de B.
Ejercicio 39 Sea la matriz
1
0
0
1
A=
1
2
2 1
1 1
3
2
.
7
5
5 4
1. Determinar si las siguientes listas peretencen al espacio de columnas de A:

a) B = (1, 1, 3, 3)
b) B = (0, 1, 0, 1)
c) B = (0, x, x, x) x R
d ) B = (y, 0, y, 2y) y R
2. Hallar las ecuaciones que caracterizan al espacio de columnas.
Observaci
on 61 Si s
olo queremos decidir acerca de la compatibilidad o incompatibilidad del sistema para un B dado, sin tratar de entender la estructura
del conjunto de los B que hacen compatible el sistema AX = B podemos
resumir la discusi
on en la siguiente observaci
on: el sistema es compatible si y
s
olo si las formas escalerizadas de A y de la matriz ampliada A|B tienen el
mismo n
umero de pivotes (o de escalones, para expresarlo en un lenguaje m
as
gr
afico).
Una base para la imagen de A.
Vamos a ver ahora otra caracterizaci
on de la imagen de la matriz A del
ejemplo 1.4. La forma escalerizada (1.38) pone en evidencia cu
ales son los
B que hacen compatible el sistema, y tambien que para esos vectores B la
93
soluci
on es indeterminada porque hay variables libres, en este caso dos. Sabemos adem
as que podemos elegir como variables libres las que corresponden
a columnas que no tienen pivotes: las variables x2 y x5 . Podemos fijar arbitrariamente x2 y x5 , y luego calcular las restantes variables para obtener una
solucion del sistema.
Esto significa que cada columna B en la imagen de A puede ser escrita como
combinaci
on lineal de las columnas de A de muchas maneras. En particular,
podemos elegir
x2 = x5 = 0,
y conseguir una soluci
on que, en realidad, quedar
a determinada una vez que
hemos fijado estos valores para x2 y x5 . Hagamos una observaci
on sencilla pero
fundamental: fijar x2 = x5 = 0 es lo mismo que eliminar estas variables
del sistema, y tambien es lo mismo que eliminar la segunda y quinta
columna de la matriz del sistema. Por lo tanto, eliminar la segunda y
quinta columna de la matriz del sistema no altera, en este caso, el conjunto de
vectores B para los que el sistema lineal es compatible. Es decir, no se altera el
espacio de columnas. Para continuar nuestra discusi
on escribiremos la matriz
A como
A = (A1 , A2 , . . . , An ),
donde Ai , i = 1, . . . , n, indican las columnas de A.
La existencia de variables libres tiene que ver con la presencia de cierta
redundancia en las columnas de A: una vez que tenemos las columnas
A1 , A3 , A4 , A6 ,
las columnas A2 y A5 son, en alg
un sentido, redundantes, ya que cualquier
vector que est
e en el espacio de columnas de A puede ser expresado
como una combinaci
on lineal de las columnas A1 , A3 , A4 , A6 . Al
eliminar A2 y A5 no perdemos absolutamente nada del espacio de columnas.
Dicho en otras palabras, tambien
{A1 , A3 , A4 , A6 }
es un generador de col(A). Es un generador m
as peque
no que el que est
a formado por todas las columnas de la matriz. Por eso ofrece una descripci
on m
as
econ
omica del mismo conjunto.
CAPITULO 1
94
Observemos que col(A) coincide con
1 1
1 1
A =
1 1
1 1
1 1
el espacio de columnas de la matriz
0
1
1 1
2
3
,
0
3
4
3
que hemos construido tachando las columnas 2 y 5 de A. Para escalerizar A

deberamos repetir los mismos pasos que usamos para A y obtendramos17
1 1 0 1
0 2 1 0
0 0 2 2 ,
0 0 0 2
0 0 0 0
una matriz sin variables libres, porque cada columna tiene pivotes. Cuando
un sistema lineal con esta matriz tiene soluci
on, entonces la soluci
on es u
nica.
Al eliminar las columnas redundantes, y con ellas las variables libres, hemos
perdido la libertad que tenamos para fabricar soluciones del sistema. En resu = B es compatible para los mismos vectores B que hacen
men, el sistema AX
compatible AX = B, y tiene la propiedad adicional de que cuando la soluci
on
= B es determinado siempre que es
existe entonces es u
nica. Es decir, AX
compatible. Podemos expresar esto mismo en el lenguaje de combinaciones
lineales, generadores y subespacios: cuando un vector B est
a en el espacio de
ya que los espacios de columnas coinciden)
columnas de la matriz A (o el de A,
hay una u
nica manera de escribirlo como combinaci
on lineal de las
columnas A1 , A3 , A4 y A6 . Por lo tanto
1. (A1 , A3 , A4 , A6 ) es un generador de col(A);
2. este generador tiene la propiedad adicional de que cualquier vector de
col(A) admite una u
nica expresi
on como combinaci
on lineal de los elementos en el generador. En particular, la u
nica combinaci
on lineal
de (A1 , A3 , A4 , A6 ) que es igual al vector nulo O R5 es la que
tiene todos los coeficientes nulos.
La segunda propiedad que acabamos de enunciar es lo que llamaremos indepedencia lineal de la familia (A1 , A3 , A4 , A6 ). Un generador de un subespacio
17
No hemos repetido todas las cuentas. S

olo nos limitamos a tachar las columnas 2 y 5 en
la forma escalerizada y usar que la escalerizaci
on trata cada columna por separado.
95
vectorial que es adem

as linealmente independiente es lo que llamaremos una
base del subespacio. Ambos conceptos son muy importantes, y seran el objeto
central de discusi
on en la secci
on ?? (ver las definiciones 1.5, en la p
agina 99,
y 1.8, p
agina 1.8). Una base de un subespacio puede ser vista como un generador sin redundancia alguna. Por lo tanto, nos da una forma optima de describir
el subespacio. En nuestro ejemplo hemos conseguido una base eliminando algunos vectores de un generador m
as grande (el que estaba formado por todas
las columnas de la matriz). La siguiente observaci
on muestra la optimalidad
de nuestra elecci
on: si seguimos quitando columnas entonces perdemos la capacidad de generar todo col(A). Los detalles se discuten a continuaci
on.
Observaci
on 62 El subconjunto de columnas
A = {A1 , A3 , A5 , A6 }
es
optimo para generar el espacio de columnas de A: si sacamos alguna otra
columna ya no podremos expresarla como combinaci
on lineal de las dem
as.
Por ejemplo, la columna A1 no puede expresarse como combinaci
on lineal de
{A3 , A5 , A6 }. Ve
amoslo. Sabemos que cualquier columna en la imagen de A
puede ser escrita como una combinaci
on lineal de A de manera u
nica. Esto es
cierto, en particular, para A1 , que admite la expresi
on obvia
A1 = A1 + 0A3 + 0A5 + 0A6 .
Si pudieramos escribir adem
as
A1 = aA3 + bA5 + cA6
(1.40)
para alguna terna de coeficientes a, b y c, obtendramos inmediatamente la

expresi
on
A1 = 0A1 + aA3 + bA5 + cA6 ,
que es otra forma de escribir A1 como combinaci
on lineal de A. Esto es contradictorio, y muestra la imposibilidad de (1.40). El mismo razonamiento puede
hacerse para cualquiera de las otras columnas, e implica que si eliminamos m
as
columnas de A resulta una nueva matriz con un espacio de columnas estrictamente m
as chico que el de A, porque la columna eliminada no est
a en el espacio
18
que las restante generan . Notemos que, cuando hay variables libres, hemos
mejorado nuestra descripci
on de la imagen de A: al menos somos capaces de
18
En realidad perdemos mucho m

as que la columna eliminada: ninguna de las combinaciones lineales en las que la columna que hemos eliminado aparece con un coeficiente distinto
de cero puede escribirse s
olo en terminos de las columnas que hemos dejado
CAPITULO 1
96
darla usando menos columnas que todas las que estaban en la matriz original.
Y no podemos mejorar m
as, porque sabemos que si sacamos m
as columnas
perdemos un pedazo de la imagen.
Podemos eliminar A2 y A5 porque cualquiera de estas dos columnas puede
ser expresada como una combinaci
on lineal de
A = {A1 , A3 , A4 , A6 } .
Ejercicio 40 Expresar A
y A5 como combinacion lineal de A. Sugerencia: no

hace falta plantear un nuevo sistema de ecuaciones y resolverlo. Para despejar A2 ,
por ejemplo, es suficiente construir una soluci
on de AX = 0 con x2 = 1, x5 = 0.
2
Ejercicio 41 Para cada una de las matrices A de los siguientes sistemas AX = B

y
eliminar algunas columnas de A para hallar una matriz A tal que col(A) = col(A)
que el sistema AX = B tenga soluci

on u
nica para todos los B que lo hacen compatible.
En cada caso expresar las columnas eliminadas como una combinacion lineal de las
y verificar que ninguna de las columnas de A puede escribirse como
columnas de A,
combinacion lineal de las restantes.
1 1 2
1. A = 1 2 1 .
2 1 1
1
2 1 0 1
1
1 2 1 1 0 1
2 1 2 5
3
2. A =
1
.
1
2 1 0 1
3
1
2 1 4 9
3
1 1 0 1 1
0 1 1 1 0
3. A =
1 0 1 0 1 . Trabajar en Z2 .
0 1 1 0 1
Ejercicio 42
1. Para la matriz real
1
2
A=
2
3
A y los vectores B1 , B2 dados por
1 2 1
1
0
2
2
1 1 1
, B1 =
2 , B2 = 4
2 4 2
2 3 2
1
0
resolver los sistemas AX = Bi , i = 1, 2. Expresar de dos maneras diferentes B1

como una combinacion lineal de las columnas de A
2. Hallar todos los vectores B que hacen que el sistema AX = B sea compatible.
97
3. Formar una nueva matriz A eliminando algunas columnas de A, de modo que:

= B sea compatible para todos los vectores B hallados en la parte 2,
AX
y solo para esos B;
= B siempre sea u
la soluci
on de AX
nica.
Expresar el vector
4. Expresar B1 como combinacion lineal de las columnas de A.
columna (0, 0, 0, 0)t como combinacion lineal de las columnas de A y como
combinacion lineal de las columnas de A.

5. Repetir las partes 2 y 3 para las matrices
1
1
1
1
1
1
1
2
2 1
1
1
3
3 3
,
C=
0
1
1 2
0
2
2
4
4 2
4 4 6 6
0
1
1
D=
1
0
1
0
1
1
1
1
0
1
0
1
.
1
0
Para D trabajar sobre el cuerpo Z2 .
Ejercicio 43 Para la matriz real
1 2
1 2
1 2
1 2
1 2
1
1
1
1
1
1 1
0 1
5 3
1 3
9 3
0
1
2
0
4
y la matriz
1
0
1
0
1
1
0
1
0
1
1
1
1
1
0
0
1
0
1
1
con entradas en Z2 construir, eliminando algunas de sus columnas, dos posibles matrices que tengan las propiedades que se piden en el ejercicio 1.4 para la submatriz de
A que hemos llamado A.
CAPITULO 1
98
1.5.
Independencia lineal
Cerramos la secci
on anterior identificando un generador particular del espacio de columnas de una matriz A, que tena la propiedad de que cualquier
vector en el espacio de columnas admita una expresi
on u
nica como combinaci
on lineal de las columnas en ese generador. En un lenguaje m
as cercano a los
sistemas de ecuaciones podemos describir lo que hicimos diciendo que eliminamos algunas columnas de la matriz A de un sistema AX = B para construir
una matriz A que tiene el mismo espacio de columnas que A, y la propiedad
= B es determinado para cualquier columna
adicional de que el sistema AX
Esta cuesti
B col(A) = col(A).
on de unicidad en la descomposici
on de un
vector como combinaci
on lineal de otros, o, equivalentemente, de unicidad de
las soluciones para un sistema de ecuaciones lineales, nos llevar
a a introducir
otra de las nociones centrales del algebra lineal: la noci
on de independencia
lineal.
Comenzamos con una proposici
on que asegura que el problema de unicidad de soluciones de un sistema AX = B puede reducirse a la unicidad de
soluciones de AX = O, donde O indica la columna nola, formada por ceros.
Proposici
on 1.8. El sistema lineal AX = B tiene una u
nica soluci
on para
todo B col(A) si y s
olo si AX = O tiene como u
nica soluci
on la soluci
on
trivial X = O.
Prueba: Recordemos que O est
a en el espacio de columnas de cualquier matriz, o, equivalentemente, un sistema de la forma AX = O siempre es compatible, porque tiene al menos la soluci
on trivial X = O.
Si la soluci
on de AX = B es u
nica para cualquier B columnas(A)
entonces, particularizando esta propiedad para B = O, el sistema AX = O
s
olo puede tener la soluci
on trivial.
Supongamos ahora que AX = O s
olo tiene la soluci
on trivial X = O, y
consideremos dos soluciones X1 y X2 de AX = B. Se satisfacen entonces las
igualdades AX1 = B y AX2 = B. Rest
andolas resulta
AX1 AX2 = B B = 0.
Como AX1 AX2 = A(X1 X2 ) concluimos que
A(X1 X2 ) = O,
y X1 X2 es una soluci
on de AX = 0. Entonces X1 X2 = O, lo que es
equivalente a X1 = X2 . Por lo tanto, el sistema AX = B s
olo puede tener una
soluci
on.
1.4 Independencia lineal
99
Observaci
on 63 La idea central de la proposici
on 1.8 y del argumento que
la demuestra es que podemos trasladar todo el problema al O sumando
(o restando) un vector adecuado. Esta idea aparecer
a tambien al describir el
conjunto soluci
on de un sistema AX = B: todo se reducir
a a comprender las
soluciones de AX = 0, y se pasa de un conjunto soluci
on a otro sumando (o
restando) una soluci
on particular de AX = B.
Naturalmente, la condici
on de que AX = O tenga soluci
on u
nica puede
reformularse en termino de combinaciones lineales. Esta caracterizaci
on con
combinaciones lineales es la que tomaremos como definici
on de independencia
lineal19 .
Definici
on 1.7 (Independencia lineal). Diremos que una familia ordenada (A1 , A2 , . . . , Al ) de vectores en Km es linealmente independiente si la
u
nica manera de expresar el vector nulo como combinaci
on lineal de la familia
es escogiendo todos los coeficientes de la combinaci
on iguales a 0. Cuando una
familia no es linealmente independiente diremos que es linealmente dependiente.
Por supuesto, es v
alida la siguiente proposici
on:
Proposici
on 1.9. El sistema AX = O tiene como u
nica soluci
on la soluci
on
trivial X = O si y s
olo si las columnas de A forman una familia linealmente
independiente. El sistema AX = O tiene m
as de una soluci
on si y s
olo si las
columnas de A forma una familia linealmente dependiente.
Ejercicio 44 Revisar la discusion que precede a la definicion y completar los

detalles de la proposici
on que acabamos de enunciar.
Ejemplo 64 Volviendo sobre la matriz real
1 2 1 0 1 1
1 2 1 1 0 1
A=
1 2 1 2 5 3 ,
1 2 1 0 1 3
1 2 1 4 9 3
con la que trabajamos a lo largo de la secci
on 1.4, digamos que las columnas de
A forman una familia linealmente dependiente. Pero la familia (A1 , A3 , A5 , A6 )
formada por la primera, la tercera, la quinta y la sexta columna de A, es
linealmente independiente.
19
La raz
on es que luego generalizaremos las nociones de combinaci
on lineal e independencia
lineal al contexto m
as general de los espacios vectoriales cualesquiera. Ver la definici
on ??,
en la p
agina ??.
CAPITULO 1
100
Ejemplo 65
Una familia que contenga al vector nulo es linealmente dependiente. Es
muy f
acil hacer una combinaci
on lineal de tal familia que tenga alg
un
coeficiente distinto de cero pero que arroje como resultado el vector nulo:
s
olo hay que multiplicar el vector nulo por cualquier coeficiente no nulo
(por ejemplo, por 1), todos los dem
as vectores por cero y luego sumar.
Una familia que tenga alg
un vector repetido es linealmente dependiente.
Supongamos, que el vector repetido ocupa los lugares i y j. Nuevamente
fabricaremos una combinaci
on lineal de la familia con algunos coeficientes distintos de cero y cuyo resultado es el vector nulo: escogemos todos
los coeficientes iguales a cero salvo los de los vectores i-esimo y j-esimo,
que ser
an iguales a 1 y 1 respectivamente.
Observaci
on 66 Otra manera de expresar la condici
on de que una familia
(A1 , A2 , . . . , Al ) sea linealmente independiente es decir que la igualdad
x1 A1 + x2 A2 + . . . + xl Al = O
(1.41)
x1 = x2 = . . . = xl = 0.
(1.42)
implica que
Esto es as porque el termino de la izquierda en (1.41) es una combinaci
on lineal
de los vectores de la familia que resulta ser igual al vector nulo O. La definici
on
de independencia lineal requiere que los coeficientes en esta combinaci
on sean
todos nulo, tal como se refleja en (1.42).
En la observaci
on 1.4, sobre el final de la secci
on 1.4 apareca una propiedad que caracteriza a la independencia lineal: si una familia es linealmente
independiente ning
un vector puede expresarse como combinaci
on lineal de los
restantes. Consideremos una familia A = (A1 , A2 , . . . , Al ). Si alg
uno de sus
elementos, por el ejemplo el Ai0 puede escribirse como combinaci
on lineal de
los restantes existe una expresi
on del tipo
Ai0 = x1 A1 + . . . + xi0 1 Ai0 1 + xi0 +1 Ai0 +1 + xl Al ,
por lo tanto
O = x1 A1 + . . . + xi0 1 Ai0 1 + (1)Ai0 + xi0 +1 Ai0 +1 + xl Al ,
y el miembro de la derecha es una combinaci
on lineal de los elementos de A
que es igual al vector nulo y en la que al menos unos de sus coeficientes es
distinto de cero. Por lo tanto A es linealmente dependiente.
101
Es cierto tambien el recproco: si A es linealmente dependiente alguno

de los vectores en A puede expresarse como una combinaci
on lineal de los
restantes. Veamos por que esta afirmaci
on es cierta. Al ser A linealmente
dependiente existe una combinaci
on lineal de los elementos de la familia A
que es igual a cero y que tiene alg
un coeficiente distinto de cero. Supongamos
que el coeficiente xi0 del vector Ai0 es no nulo, y escribamos
O = x1 A1 + . . . + xi0 1 Ai0 1 + xi0 Ai0 + xi0 +1 Ai0 +1 + xl Al .
De esta f
ormula podemos despejar el vector Ai0 como
Ai0 = 1 A1 + . . . + i0 1 Ai0 1 + i0 +1 Ai0 +1 + l Al
donde
i = xi /xi0 ,
i = 1, . . . , l, i 6= i0 .
Por lo tanto hay uno de los vectores de la familia que puede expresarse como
combinaci
on lineal de los restantes.
Resumamos los resultados de esta discusi
on en la forma de una proposici
on.
Proposici
on 1.10. Una familia A = (A1 , A2 , . . . , Al ) de vectores de Km es
linealmente independiente si y s
olo si ninguno de los vectores de A puede
expresarse como combinaci
on lineal de los restantes. Equivalentemente, A es
linealmente dependiente si y s
olo si alguno de los vectores en A puede escribirse
como una combinaci
on lineal de los restantes.
Ejercicio 45 Estudiar la dependencia o independencia lineal de las siguientes

familias de vectores en Rn . En caso de dependencia lineal estudiar que vectores se
pueden expresar como combinacion lineal de los restantes.
1. {(1, 3), (2, 6)}
2. {(1, 3), (1, 0)}
3. {(2, 1), (3, 4), (2, 3)}
4. {(1, 2, 1), (0, 1, 1), (1, 1, 1), (2, 4, 2)}
5. {(1, 1, 1), (1, 1, 3), (1, 1, 1), (1, 1, 1)}
6. {(1, 1, 0, 0), (0, 0, 2, 2), (1, 2, 1, 2), (1, 1, 0, 0), (3, 2, 1, 2)}
7. {(3, 1, 2, 1), (1, 2, 5, 2), (1, 3, 8, 5)}
8. {(, 2 , 1), (1, , ), (0, 22 , 2 + 1)}. Discutir seg
un
CAPITULO 1
102
Ejercicio 46 Sea A = {X1 , X2 , X3 } un conjunto linealmente independiente.

Investigar si tambien lo es B = {Y1 , Y2 , Y3 }, con Y1 = X1 + X2 , Y2 = X1 + X3 y
Y3 = X2 + X3
Ahora que hemos introducido la noci
on de independencia lineal podemos
completar la definici
on de base de un subespacio vectorial que adelantamos en
la secci
on 1.3, cuando destacamos el papel de los generadores que permiten
expresar de una u
nica manera sus combinaciones lineales.
Definici
on 1.8. Bases.
Si S es un subespacio vectorial de Kn , diremos que un subconjunto ordenado
(A1 , A2 , . . . , Al )
de vectores de S es una base de S si
1. es un generador de S;
2. es linealmente independiente.
Esta definici
on cierra el crculo de ideas que habamos abierto al tratar
la compatibilidad de los sistemas: retomemos la discusi
on acerca del sistema
AX = B, con matriz
1 2 1 0 1 1
1 2 1 1 0 1
,
1
2
1
2
5
3
(1.43)
A=
1 2 1 0 1 3
1 2 1 4 9 3
en el punto en que la dejamos en la p
agina 1.4: con la definici
on que acabamos
de introducir diremos que la familia (A1 , A3 , A5 , A6 ) formada por la primera,
tercera, quinta y sexta columnas de la matriz A es una base del espacio de
columnas de A. Los argumentos que presentamos al tratar ese ejemplo son en
realidad generales, y permiten concluir en general, para una matriz A cualquiera, que las columnas que corresponden a las posiciones de los pivotes de una
forma escalerizada de una matriz A forman una base del espacio de columnas
de A. Tenemos entonces a nuestra disposici
on un algoritmo para hallar bases
del espacio de columnas de una matriz. Lo pondremos a prueba en nuestro
pr
oximo ejercicio.
Ejercicio 47 Hallar una base del espacio de columnas para cada una de las
matrices dadas a continuacion. Utilizar los resultados obtenidos anteriormente, no es

necesario volver a escalerizar los sistemas.
103
1
1
1. La matriz del ejemplo 1.2.2 en la pagina 42: A =

1
1
1
1
0
2. La matriz del ejemplo 1.2.2 en la pagina 45: A =
1
0
3
1
3. La matriz del ejercicio 1.2.2 en la pagina 56: A =

1
1
0
Ejercicio 48 Sea
1 0
A = 1 1
2 1
2
2
2
2
2
1
1
0
1
1
1
1
1
1
0
1
1
1
0
1
2
0
4
1
1
0
0
1
1
0 1
5
3
1
3
9
3
1
0
.
1
1
1 1 1
3
0
1
0
2 1
1
1
4
1
0
1
0
1
0
1
2
1
1
3 4 .
0 1
Hallar todos los subconjuntos de columnas de la matriz A que son una base del espacio
de columnas de A.
Resumimos nuestros resultados en la pr

oxima proposici
on.
Proposici
on 1.11. Sea A una matriz m n sobre un cuerpo K que tiene
alguna entrada distinta de 0, y sea E una forma escalerizada de A. Entonces
las columnas de la matriz A que est
an en las posiciones en que la matriz E
tiene pivotes forman una base del espacio de columnas de A.
a las matrices que se obtiene eliminando de A y de
Prueba: Llamemos A y E
es una forma
E las columnas que corresponden a variables libres. Entonces E
= B es
escalerizada de A. Un sistema AX = B es compatible si y s
olo si AX
Naturalmente, las columnas
compatible, lo que muestra que col(A) = col(A).
de A generan col(A), por lo que generan col(A).

Como hemos eliminado las columnas que corresponden a variables libres el
= O s
sistema AX
olo tiene la soluci
on trivial X = O. Entonces las columnas
de A son linealmente independientes.

En conclusi
on, las columnas de A forman una base de col(A).
La noci
on de base no s
olo es interesante en el contexto de los sistemas lineales y los espacios de columnas de las matrices de los sistemas. A continuaci
on
vemos algunos otros ejemplos. En la secci
on ?? del captulo ?? desarrollaremos
mucho m
as estos conceptos.
CAPITULO 1
104
Ejemplo 67 La base canonica de K
Para i = 1, . . . , n llamemos Ei a la lista que tiene un 1 en la i-esima posici

on,
y ceros en las restantes. Es decir

0
0
1
1
0
.
0

E1 = . , E2 = . , .. En = . .
..
..
..
1
0
0
Cualquier lista
X = (x1 , x2 , . . . , xn )
puede expresarse como la combinaci
on lineal
X = x1 E1 + x2 E2 + . . . xn En
de la familia
C = {E1 , E2 , . . . En },
y para cualquier X K n esta es la u
nica manera de expresar X como combinaci
on lineal de C. Por lo tanto C es una base de Kn . Es usual llamar a C la
base can
onica de Kn .
Ejemplo 68 No hay bases para el subespacio trivial

Llamamos subespacio trivial al subespacio
S = {O},
que s
olo contiene al vector nulo de Kn . S
olo hay dos subconjuntos posibles de S:
el vaco y todo S. El vaco no permite generar nada. Y el u
nico subconjunto
no vaco, S, es linealmente dependiente: podemos escribir el vector O como
O = aO,
donde a es cualquier escalar del cuerpo K. Por lo tanto no hay bases para este
subespacio. Luego veremos que cualquier subespacio que no sea el trivial tiene
bases.
La cantidad de vectores que tiene una base de un subespacio mide el tama

no que, como estructura lineal, tiene el subespacio. Tambien puede verse
este n
umero como una medida de cuanta informaci
on es necesaria para especificar el subespacio por medio de un generador. Estas breves consideraciones
pretenden justificar nuestra pr
oxima definici
on:
105
n.
Definici
on 1.9. Dimensio
Si S es un subespacio vectorial de Kn llamaremos dimensi
on de S a la cantidad de vectores en una base20 de S. Indicaremos a este n
umero con la notaci
on
dim(S).
Observaci
on 69 La dimensi
on de un subespacio es la cantidad de direcciones
independientes que caben en el. Por ejemplo, si identificamos los vectores de
R3 con puntos del espacio tridimensional (lo que es esencialmente equivalente
a poner un sistema de coordenadas en el espacio) entonces los subespacios
de dimensi
on uno son rectas que pasan por el origen de coordenadas; y los
de dimensi
on 2 son planos que pasan por el origen. El u
nico subespacio de
3
dimensi
on 3 es todo R , que representara a todo el espacio. Vemos que la
noci
on de dimensi
on concuerda con nuestra idea intuitiva de que una recta
es un objeto que tiene una dimensi
on, un plano tiene dos, y el espacio tiene
tres. Daremos m
as detalles sobre esto en las secciones del curso dedicadas a
la geometra del espacio. Tambien al discutir la teora general de los espacios
vectoriales.
Ejemplo 70 La dimensi
on del espacio de columnas de una matriz es igual
al n
umero de pivotes de una f
ormula escalerizada.
Ejemplo 71 Ya vimos que el espacio Kn tiene una base, que hemos dado
en llamar base can
onica, que tiene n vectores. Por lo tanto la dimensi
on de Kn
es n.

El subespacio trivial {0}, formado u

nicamente por el vector nulo, no tiene
bases. Pero adoptaremos la convenci
on de asignarle dimensi
on 0.
20
Dos bases diferentes de un mismo subespacio tienen exactamente la misma cantidad

de vectores. Es indispensable saber que se cumple esta propiedad para poder introducir la
noci
on de dimensi
on tal como estamos haciendolo. El lector puede encontrar el enunciado
y demostraci
on de esta propiedad en la p
agina ?? de este texto. De momento preferimos
introducir la noci
on de dimensi
on y trabajar con ella, omitiendo algunos pasos necesarios
para construir una teora completamente rigurosa. Los detalles ser
an completados m
as tarde.
CAPITULO 1
106
1.6.
Determinaci
on de los sistemas lineales y n
ucleo
En esta secci
on vamos a considerar con m
as detalle la unicidad o no unicidad de soluciones de los sistemas de ecuaciones lineales. En particular, describiremos el conjunto soluci
on de un sistema lineal en terminos de un subespacio
vectorial de Kn asociado a la matriz del sistema: el n
ucleo de la matriz. Encontraremos nuevamente que las nociones del algebra lineal que hemos venido
introduciendo, como son los conceptos de subespacio, generadores e independencia lineal, ser
an de ayuda para comprender el comportamiento de los sistemas lineales.
Vamos a comenzar el an
alisis del problema de unicidad de soluciones de
un sistema de ecuaciones lineales volviendo a uno de los ejemplos con los que
hemos trabajado en las secciones 1.2 y 1.3.
Ejemplo 72 Retomemos el estudio del sistema real AX = B, con matriz
y termino independiente definidos por
A=
1
2 1 0 1
1
1 2 1 1 0 1
1
2 1 2 5
3
,
1
2 1 0 1
3
1
2 1 4 9
3
B=
1
0
1
3
1
(1.44)
con el que trabajamos en varios de los ejemplos anteriores y analicemos la

unicidad (en este caso m
as bien no unicidad), de sus soluciones. Al estudiar
el sistema lineal habamos llegado a la siguiente forma escalerizada reducida
para la matriz ampliada del sistema (ver la p
agina 58):
1
0
0
0
0
2
0
0
0
0
0
1
0
0
0
3
0
2 0 1
0 12 0
1
1
2 0
1
0
0 1
1
0
0 0
0
De aqu dedujimos que las soluciones del sistema son de la forma

(1 2x2 3x5 /2, x2 , 1 + x5 /2, 1 2x5 , x5 , 1).
(1.45)

1.6 Determinacio
107
Vamos a expresar una columna X, soluci

on del sistema, como
X=
x1
x2
x3
x4
x5
x6
1
0
1
1
0
1
+ x2
2
1
0
0
0
0
32
0
+ x5 2 .
2
(1.46)
Que es cada una de las columnas que aparece en el miembro derecho de esta
f
ormula?
La primera columna, que no aparece multiplicada por las variables libres,
es una soluci
on del sistema. Se trata de una soluci
on particular, que es
la que resulta de escoger los valores x2 = x5 = 0 para las variables libres.
Si revisamos las operaciones que hicimos para llegar a la f
ormula (1.46)
encontraremos que las entradas de esa columna se obtienen de la u
ltima
columna de la matriz escalerizada reducida, que es justamente la que
almacenaba la informaci
on acerca del termino independiente B.
Miremos ahora las columnas que multiplican x2 y x5 : estas no se ven afectadas por el termino independiente, porque no dependen de las entradas
en la u
ltima columna de la forma escalerizada de la matriz ampliada.
Si cambi
aramos esa columna por una columna de ceros obtendramos lo
mismo. De hecho, los sumandos en (1.46) que contienen a las variables
libres x2 y x5 son una soluci
on de AX = O.
Veamos la justificaci
on de la afirmaci
on que cierra el p
arrafo anterior.
Imaginemos que tenemos que resolver AX = O. Buscaramos entonces
una forma escalerizada para la matriz A|O, que es la matriz ampliada
de este sistema. Las transformaciones elementales necesarias para escalerizar A|O son exactamente las mismas que hicimos para escalerizar
A|B, ya que s
olo dependen de la matriz A del sistema, no de la columna
de los terminos independientes. La forma escalerizada reducida que obtendramos al final del proceso sera una matriz como (1.45), pero con
ceros en la u
ltima columna. Al calcular las soluciones reencontraramos
entonces una f
ormula como (1.46), en la que la primera columna sera
una columna de ceros. Es decir, la primera columna no aparecera.
Concluimos entonces que el segundo y tercer sumando de (1.46) contienen la forma general de las soluciones de AX = O.
CAPITULO 1
108
Nuestro an
alisis ha puesto en evidencia que la soluci
on general del sistema
AX = B est
a compuesta de dos partes:
1. una soluci
on particular del sistema;
2. la expresi
on de la soluci
on general del sistema AX = O.
Mostraremos ahora que las conclusiones a las que llegamos en el ejemplo

anterior son completamente generales: si conocemos el conjunto formado por
todas las soluciones de AX = O y una soluci
on particular de la ecuaci
on
AX = B, entonces podemos recuperar cualquier soluci
on de AX = B.
Observaci
on 73 Llamaremos homogenea a la ecuaci
on
AX = O
porque tiene la propiedad de que el producto aX de un n
umero a cualquiera
por una soluci
on X de la ecuaci
on tambien es soluci
on de la ecuaci
on (ver
la proposici
on 1.13, en la p
agina 109 de esta misma secci
on). Es usual referirse entonces a AX = B como la ecuaci
on no homogenea. Mostraremos a
continuaci
on que las conclusiones a las que llegamos en el ejemplo anterior
son completamente generales: si conocemos el conjunto formado por todas
las soluciones de AX = O y una soluci
on particular de AX = B, entonces
podemos recuperar cualquier soluci
on de AX = B. Este hecho suele
expresarse de la siguiente manera: la soluci
on general de la ecuaci
on no
homog
enea es la suma de una soluci
on particular m
as la soluci
on
general de la ecuaci
on homog
enea. Esta observaci
on explica tambien la
notaci
on que usaremos en el enunciado y la demostraci
on de nuestra pr
oxima
proposici
on.
Proposici
on 1.12. Sea XN H0 una soluci
on de la ecuaci
on
AX = B.
(1.47)
Entonces la suma de XN H0 con una soluci

on cualquiera XH de la ecuaci
on
AX = O es otra soluci
on de (1.47). M
as a
un, cualquier soluci
on de (1.47)
puede expresarse como XN H0 + XH , donde XH es una soluci
on de AX = O.
n: Consideremos la suma de la soluci
Demostracio
on XN H0 con una soluci
on XH cualquiera de AX = O. Entonces
A (XN H0 + XH ) = AXN H0 + AXH = B + 0 = B,
y XN H0 + XH satisface AX = B.

1.6 Determinacio
109
Supongamos que tenemos una soluci

on X1 de AX = B. Entonces la diferencia X1 XN H0 satisface
A (X1 XN H0 ) = AX1 AXN H0 = B B = 0.
Por lo tanto X1 XN H0 es una soluci
on de AX = O, y
X1 = XN H0 + (X1 XN H0 )
es la suma de X0 m
as una soluci
on de la ecuaci
on homogenea.
La consecuencia de esta proposici
on es que para entender como es el conjunto de todas las soluciones de un sistema lineal compatible AX = B basta
entender c
omo son las soluciones de AX = O. En particular AX = B tiene
solucion u
nica si y s
olo si AX = O tiene soluci
on u
nica, un resultado que ya
habamos probado en la proposici
on 1.8.
1.6.1.
El n
ucleo de una matriz
Ya sabemos que la informaci

on acerca de la estructura del conjunto de
soluciones de AX = B est
a encerrada en el conjunto de soluciones de la
ecuaci
on homogenea AX = O.
Definici
on 1.10. Llamaremos n
ucleo de la matriz A al conjunto de las soluciones de la ecuaci
on homogenea AX = O. Indicaremos este conjunto con
el smbolo21 ker(A).
Si A es una matriz m n sobre el cuerpo K podemos escribir entonces
ker(A) = {X Kn ; AX = O}.
La primera noticia interesante es que este conjunto resulta ser tambien un
subespacio vectorial.
Proposici
on 1.13. Si A es una matriz m n sobre K, entonces el n
ucleo de
A es un subespacio vectorial de Kn .
n: La demostraci
Demostracio
on es bastante sencilla, y descansa en la linealidad de todas los c
alculos que hay que hacer para verificar que un vector
est
a en el n
ucleo. Supongamos que tenemos dos vectores X e Y en el n
ucleo.
Entonces su suma X + Y satisface
A(X + Y ) = AX + AY = O + O = O,
21
Proveniente de la palabra alemana kernel
CAPITULO 1
110
por lo que tambien est

a en el n
ucleo. Para el producto de cualquiera de ellos,
por ejemplo X, por un escalar a en el cuerpo tenemos
A(aX) = a(AX) = aO = O.
Entonces tambien aX est
a en el n
ucleo.
Como el n
ucleo es un subespacio podremos aprovechar la estructura lineal
n
de K para describirlo de manera eficaz en terminos de ecuaciones lineales o a
traves de la especificaci
on de una base. Otra vez, toda la informaci
on necesaria
ser
a obtenida del metodo de escalerizaci
on.
Un conjunto de ecuaciones para el n
ucleo
El n
ucleo est
a definido por la ecuaci
on vectorial AX = O, que es equivalente a m ecuaciones escalares. El proceso de escalerizaci
on de la matriz
A la transforma en una matriz escalerizada (o escalerizada reducida) E, que
est
a asociada a un sistema lineal que tiene el mismo conjunto soluci
on que el
sistema original AX = O. En otras palabras, el n
ucleo de A es igual al conjunto de los X que satisface EX = O. Este sistema tiene tantas ecuaciones de
escalares como pivotes tenga la matriz escalerizada, y el n
umero de ecuaciones
ya no puede reducirse m
as. El sistema escalerizado (o puesto en la forma escalerizda reducida) es una forma de caracterizar el n
ucleo de A por un conjunto
de ecuaciones en el que hemos eliminado las ecuaciones redundantes.
Ejemplo 74 Consideremos la matriz A del ejemplo 1.6 con que comenzamos esta secci
on (ver la f
ormula (1.44). Al llevar la matriz ampliada A|O del
sistema AX = O a su forma escalerizada reducida encontramos la matriz
3
1 2 0 0
2 0 0
0 0 1 0 1 0 0
2
0 0 0 1
2 0 0
,
0 0 0 0
0 1 0
0 0 0 0
0 0 0
que es equivalente a las ecuaciones
x1 + 2x2 + 23 x5
x3 21 x5
x4 + 2x5
x6
= 0,
= 0,
= 0,
= 0.
Estas ecuaciones caracterizan al n

ucleo de A, y no pueden simplificarse m
as.
En particular, ninguna de ellas puede obtenerse a partir de las otras haciendo
combinaciones lineales.

1.6 Determinacio
111
Una base para el n

ucleo
Tambien es posible caracterizar el n
ucleo por medio de una base. Mostraremos esto en el ejemplo con el que hemos venido trabajando.
Ejemplo 75 En la expresi
on (1.46) para las soluciones del ejemplo 1.6
cada variable libre aparece multiplicando un vector. El que corresponde a x2
es (2, 1, 0, 0, 0, 0), y el que est
a asociado con x5 es ( 23 , 0, 21 , 2, 1, 0). Con
estos dos vectores podemos generar todas las soluciones de AX = O. Adem
as
son linealmente independientes porque cada una de las variables libres aparece
s
olo en el vector que est
a asociado con ella. En efecto, si planteamos la igualdad
1
3
x2 (2, 1, 0, 0, 0, 0) + x5 ( , 0, , 2, 1, 0) = (0, 0, 0, 0, 0, 0)
2
2
al mirar la la segunda y quinta componentes obtenemos
x2 = 0,
x5 = 0,
respectivamente. De modo que la u

nica combinaci
on que produce el vector
nulo es la trivial. La familia formada por estos dos vectores constituye una
base para el n
ucleo de A.
El procedimiento anterior es completamente general: al expresar las soluciones de AX = O en terminos de las variables libres cada variable libre queda
asociada a un vector (en realidad este vector es el que se obtiene fijando en uno
el valor de la variable que estamos considerando, y en cero todas las dem
as).
Esta familia de vectores es una base para el n
ucleo, algo que demostraremos
en general en la proposici
on 1.14. Tenemos entonces un algoritmo para hallar
una base del n
ucleo.
Observaci
on 76 No es necesario obtener la forma escalerizada reducida de
A para construir una base del n
ucleo. Todo lo que hace falta es expresar
las soluciones de AX = O en terminos de las variables libres, lo que puede
hacerse a partir de la forma escalerizada. En nuestra presentaci
on preferimos
llegar a la forma escalerizada reducida, porque esta hace m
as evidente que la
informaci
on que proviene del termino independiente aparece separada de las
variables libres en la soluci
on general del sistema.
Ejercicio 49 Encontrar una base del nucleo para la matriz real
1 2
1 2
A=
1 2
1 2
1 2
1
1
1
1
1
0
1
2
0
4
1 1
0 1
5 3
1 3
9 3
CAPITULO 1
112
y la matriz
1
0
B=
1
0
1
1
0
1
0
1
1
1
1
1
0
0
1
0
1
1
con entradas en Z2 del ejercicio ?? en la pagina ??.
Ejercicio 50 Encontrar una base del nucleo de las siguientes matrices:

1. La matriz del ejercicio 1.2.2 en la
3
1
A1 =
1
1
0
pagina 56:
1 1 1
3
0
1
0
2 1
1
1
4
1
0
1
2. La matriz del ejercicio ?? en la pagina ??
1
0 1
0
1
3
A2 =
1
2
7
2 1 5
0
1
0
1
2
1
2
.
5
4
En la secci
on ?? logramos describir la imagen de una matriz A por medio
de algunas ecuaciones lineales. Al emplear este procedimiento resulta que la
imagen de A es el conjunto de soluciones de un sistema de ecuaciones lineal
y homogeneo, por lo tanto la imagen de A es igual al n
ucleo de la matriz del
nuevo sistema.
Ejemplo 77 En la p
agina 91 encontramos que la imagen de la matriz A
del ejemplo 1.6 es
col(A) = {(b1 , b2 , b3 , b4 , b5 ); b5 + b4 2b3 = 0} .

Por lo tanto col(A) es el n
ucleo de la matriz (0 0 2 1 1). Esta matriz ya esta
(trivialmente) escalerizada y s
olo tiene un pivote en la tercera entrada. Las
variables b1 , b2 , b4 y b5 son variables libres. La soluci
on general de la ecuaci
on
es
(b1 , b2 , (b4 + b5 )/2, b4 , b5 ), b1 , b2 , b4 , b5 R
y
((1, 0, 0, 0, 0), (0, 1, 0, 0, 0), (0, 0, 1/2, 1, 0), (0, 0, 1/2, 0, 1))
es una base del espacio de columnas de A que se obtiene por el procedimiento
de estudiar el n
ucleo de la matriz del sistema de ecuaciones que caracteriza al
espacio col(A).

1.6 Determinacio
113
Ejercicio 51 Para las siguientes matrices buscar una base del espacio de columnas con la tecnica del ejemplo anterior. Expresar cada columna de dichas matrices
como combinacion lineal de los elementos de la base hallada.
1
1
5 3
1
5
2 2
1
3
1
2
1. A1 =
2
2
2 4
3 1
1
5
2 2
4 15 12 5
2
8
4 2
2. A2 =
1
5 2 0
1
4
2 1
Proposici
on 1.14. Consideremos una matriz A de dimensiones m n sobre
un cuerpo K y E una forma escalerizada de A. Supongamos que las columnas
i1 , i2 , . . . , ik de E no tienen pivotes (es decir, corresponden a variables libres).
Llamemos Dl , l = 1, 2, . . . , k a la soluci
on de AX = 0 que se obtiene asignando
el valor 1 a la l-esima variable libre xil , y 0 a las k1 variables libres restantes.
Entonces D = (D1 , D2 , . . . , Dk ) es una base del n
ucleo de A.
Prueba: Consideremos la forma escalerizada reducida
i=1,2...,m
E = ((eij ))j=1,2...,n
correspondiente a la matriz A. Las entradas en una soluci

on X de la ecuaci
on
AX = 0 quedan determinadas por las variables libres xil , l = 1, . . . , k. La iesima variable xi se calcula en terminos de las variables libres por una expresi
on
de la forma
xi = di1 xi1 + di2 xi2 + . . . + dik xik .
Si xi es una de las variables que corresponde a columnas con pivotes entonces
dij = eiij ,
j = 1, 2, . . . , k,
y si xi es una de las variables libres xil entonces

dij =
1, j = l,
0, j =
6 l.
Por lo tanto cada soluci

on X es una combinaci
on lineal de las columnas de la
matriz
i=1,2...,n
D = ((dij ))j=1,2...,k
,
CAPITULO 1
114
cuyos coeficientes son los valores que para esa soluci

on toman las variables
libres. Las columnas de D son justamente los vectores Dl , l = 1, 2, . . . , k, lo
que muestra que D es un generador del n
ucleo de A.
Resta mostrar que D es linealmente independiente. Consideremos una combinaci
on lineal de los vectores de D que sea igual al vector nulo. Es decir,
escalares l , l = 1, 2, . . . , k tales que
1 D1 + 2 D2 + . . . + k Dk = O.
Esta es una igualdad entre vectores de Kn . Examinemos las entradas que
ocupan los lugares il , l = 1, 2, . . . , k (que corresponden a las variables libres) en
el miembro de los izquierda. Sabemos que dil j = 0 salvo cuando j = il en cuyo
caso se tiene dil il = 1. Por lo tanto en la il -esima entrada de la combinaci
on
lineal s
olo aparece l . Resulta entonces l = 0, para l = 1, 2, . . . , k, lo que
muestra la independencia lineal de la familia D.
1.6.2.
La dimensi
on del n
ucleo y el espacio de columnas
Tal como se muestra en la proposici

on 1.14 nuestro procedimiento para hallar una base del n
ucleo genera un vector de la base por cada una de
las variables libres. Por lo tanto, una base del n
ucleo tendr
a tantos vectores
como variables libres haya en la forma escalerizada y la dimensi
on del n
ucleo
ser
a igual al n
umero de variables libres. Observemos que cuando no hay variables libres el n
ucleo de A se reduce al subespacio trivial formado por la lista
de n ceros, que es la u
nica soluci
on de AX = O. La convenci
on de asignar
dimensi
on cero al subespacio trivial hace que la dimensi
on del n
ucleo coincida
con el n
umero de variables libres tambien en este caso.
Las variables libres corresponden a columnas que no tienen pivotes. Entonces el n
umero de variables libres es la diferencia n p entre n la cantidad
de variables, o columnas en la matriz del sistema y p el n
umero de pivotes.
Concluimos que la dimensi
on del n
ucleo de A es igual a n p.
Recordemos que podemos fabricar una base del espacio de columnas de
una matriz A seleccionando las columnas de A que corresponden a las posiciones de los pivotes de una forma escalerizada de A. Una base de col(A)
tendr
a entonces p vectores, tantos como pivotes. Por lo tanto la dimensi
on del
espacio de columnas es p.
Recojamos nuestros u
ltimos comentarios en el siguiente teorema acerca de
las dimensiones del espacio de columnas y el n
ucleo.

1.6 Determinacio
115
Teorema 1.1. Sea A una matriz m n sobre un cuerpo K. Y sea p el n

umero
de pivotes de una forma escalerizada de A. Entonces
1. dim(col(A)) = p;
2. dim(ker(A)) = n p;
3. dim(ker(A)) + dim(col(A)) = n.
Observaci
on 78 La u
ltima igualdad del teorema anterior es interesante en
terminos de la interpretaci
on de la matriz A como una transformaci
on. Habamos
visto en la observaci
on 1.3.2 que la matriz A define sobre Kn una funci
on
X 7 AX
que toma valores en Km . El espacio de columnas de A es la imagen de esta
transformaci
on, de modo que se cumple
dim(ker(A)) + dim(im(A)) = n.
Es decir, la dimensi
on n del espacio de salida de la transformaci
on es la suma
de la dimensi
on del n
ucleo m
as la de la imagen. En el n
ucleo est
a todo lo
que tiene como imagen el vector O de Km , as que podemos pensar que el
n
ucleo se malgasta yendo todo al O Km . Hemos perdido un subespacio
de la dimensi
on del n
ucleo en esto! Pero la transformaci
on es todava capaz
de producir un subespacio de dimensi
on
dim(im(A)) = n dim(ker(A))
como imagen de la transformaci
on. Esta transformaci
on respeta las dimensiones: las que no se gastaron en el n
ucleo reparecen en la imagen. Y seguimos
teniendo las n que tenamos en el espacio de salida.
CAPITULO 1
116
1.7.
Espacio de filas y rango
Hemos interpretado la resoluci

on de sistemas lineales en terminos de combinaciones lineales de las columnas de la matriz del sistema, y el estudio de los
sistemas lineales ha revelado una rica estructura que, a su vez, da informaci
on
acerca de las soluciones del sistema. Surgieron as el espacio de columnas y el
n
ucleo de una matriz. En particular, el espacio de columnas apareci
o porque a
cada variable del sistema de ecuaciones se le asocia, en forma completamente
natural, una columna de la matriz del sistema. Pero cuando operamos con el
sistema empleando el metodo de escalerizaci
on no son las columnas las que
manipulamos, sino las filas de la matriz. En realidad, fue a traves de estas
operaciones con las filas que introdujimos la idea de que las listas de n
umeros
podan ser consideradas como elementos de una estructura algebraica (ver la
observaci
on 1.2.2, en la p
agina 40).
Al igual que hicimos para las columnas, podemos considerar el conjunto
formado por todas las posibles combinaciones lineales de las filas de A, tal
como recogemos en nuestra pr
oxima definici
on.
Definici
on 1.11. Si A es una matriz m n sobre K llamaremos espacio de
filas de A al subconjunto de Kn formado por todas las posibles combinaciones
lineales de las filas de la matriz. Indicaremos este conjunto con la notaci
on
fil(A).
Observaci
on 79 Subespacio generado
La definici
on del espacio de filas es el an
alogo para las filas de la definici
on 1.4,
p
agina 83, del espacio de columnas. En realidad ambas definiciones son casos
particulares de la siguiente construcci
on: dado un conjunto A de vectores en
Kn llamaremos subespacio generado por A al subconjunto de Kn formado por
todas las posibles combinaciones lineales de los vectores en A. Si A es una
matriz entonces col(A) es el subespacio generado por las columnas de A, y
fil(A) al subespacio generado por las filas de A. En la secci
on ?? del captulo ??
volveremos sobre esta construcci
on. De momento s
olo proponemos el siguiente
ejercicio para el lector.
Ejercicio 52 Consideremos un subconjunto A = {A1 , A2 , . . . , Ak } Kn .
Mostrar que el conjunto de todas las posibles combinaciones lineales de elementos de

A es un subespacio vectorial de Kn .
Las operaciones necesarias para llevar la matriz A a su forma escalerizada

generas nuevas filas que est
an en el espacio de filas de la matriz original,
porque se obtienen haciendo combinaciones lineales con las filas de A. M
as
interesante a
un es que la escalerizaci
on no modifica el espacio de filas de la
1.7 Espacio de filas y rango
117
matriz. Mostraremos esta afirmaci

on viendo que las operaciones elementales
del proceso de escalerizaci
on no alteran el espacio de filas. Recordemos cu
ales
eran estas operaciones elementales:
1. sumar a una fila un m
ultiplo de otra;
2. multiplicar una fila por un escalar no nulo;
3. intercambiar dos filas.
Naturalmente, si aplicar una transformaci
on elemental produce una matriz
con el mismo espacio de filas que la matriz original tambien es cierto que el
espacio de filas no cambiar
a luego de aplicar una cantidad finita de operaciones
elementales. Por lo tanto, no cambiar
a a lo largo del proceso de escalerizaci
on.
Proposici
on 1.15. Sea A una matriz m n sobre K, y B una matriz que se
obtiene a partir de A aplicando una de las transformaciones elementales del
algoritmo de escalerizaci
on. Entonces
fil(A) = fil(B).
n. Todo lo que tenemos que demostrar es que si una fila puede
Demostracio
escribirse como combinaci
on lineal de las filas de A entonces tambien puede
escribirse como combinaci
on lineal de las filas de B, y viceversa. Pero para
ahorrarnos la segunda comprobaci
on hacemos la siguiente observaci
on: si B
se obtiene de A por medio de una transformaci
on elemental entonces tambien
es cierto que A se puede obtener de B por una transformaci
on elemental.
Mostremos que esto es as. Separaremos la prueba en tres casos, uno para
cada transformaci
on elemental. Indicaremos con Ai y Bi , para i = 1, 2, . . . , m,
a las filas de A y B respectivamente.
ltiplo de otra. Supongamos
1. Cuando a una fila se le suma un mu
que la matriz B se obtiene sumando a la fila j de A el resultado de
multiplicar la fila k, con k 6= j por el n
umero a. Entonces la j-esima fila
de j es
Bj = Aj + aAk ,
mientras que todas las filas restantes coinciden con la correspondiente
fila de A. En particular, Bk = Ak . Podemos hacer entonces sobre las
filas de B la operaci
on que deshace la acci
on de sumar aAk en la fila j:
si a la fila j de B le restamos aBk tenemos
Bj aBk = Aj + aAk aAk = Aj ,
CAPITULO 1
118
y recuperamos la fila Aj . Las restantes filas de A ya coincidan con las

filas de B, de modo que hemos conseguido la matriz A haciendo una
transformaci
on elemental a la matriz B.
2. Cuando se multiplica una fila por un escalar no nulo. La
transformaci
on elemental que hay que aplicar a B para obtener la matriz A consiste en multiplicar la misma fila por el inverso del escalar.
3. Cuando se intercambian dos filas. Podemos deshacer la operaci
on
aplicando una vez m
as el mismo intercambio.
Ahora s
olo tenemos que mostrar que si una fila est
a en el espacio de columnas
de B entonces tambien est
a en el de A. Consideramos entonces una fila F que
es una combinaci
on lineal de las filas de B. Por lo tanto podremos expresar F
en la forma
F = 1 B1 + . . . + i Bi + . . . m Bm ,
para alg
un conjunto de escalares i , i = 1, . . . , m. Nuevamente, separamos la
demostraci
on en tres casos.
ltiplo de otra. Como antes,
1. Cuando a una fila se le suma un mu
supongamos que a la fila Aj le hemos sumado aAk para obtener Bj .
Tomando en cuenta la expresi
on de las filas de B en terminos de las filas
de A podemos escribir F en la forma
F = 1 A1 + . . . + j (Aj + aAk ) + . . . m Am ,
que es una combinaci
on lineal de las filas de A. Si el lector lo prefiere
puede reordenarla un poco, para poner junto todo lo que multiplica a la
fila Ak ,
F = 1 A1 + . . . + j Aj + . . . (k + aj )Ak + . . . m Am ,
pero no es esencial hacerlo.
2. Cuando se multiplica una fila por un escalar no nulo. Si hemos
multiplicado a la fila j de A por un escalar a, entonces Bj = aAj y
F = 1 A1 + . . . + (aj )Aj + . . . + m Am .
3. Cuando se intercambian dos filas. Las filas de A y de B son exactamente las mismas. S
olo cambia el orden con el que aparecen en la
combinaci
on lineal.
119
Si aplicamos repetidas veces la proposici

on anterior (tantas como operaciones elementales sean necesarias para el proceso de escalerizaci
on) obtenemos
nuestro pr
oximo corolario.
Corolario 1.16. Si E es una forma escalerizada de la matriz A entonces los
espacios de filas de E y A son iguales.
Observaci
on 80 Es importante notar que el espacio de columnas cambia a
lo largo del proceso de escalerizaci
on. Un ejemplo sencillo mostrar
a esto.
Ejemplo 81 El espacio de columnas asociado con la matriz real

1 2
A=
1 2
est
a formado por todas las columnas (x1 , x2 ) de R2 tales que x1 = x2 . El espacio de filas por las filas (x1 , x2 ) que satisfacen x2 = 2x1 . La forma escalerizada
reducida de A es

1 2
,
E=
0 0
que, naturalmente, tiene el mismo espacio de filas. Pero el espacio de columnas
de E est
a formado por todos los vectores de la forma (x, 0), donde x es un
n
umero real cualquiera.
Una consecuencia de nuestro u

ltimo corolario es que las filas no nulas de
una forma escalerizada E de una matriz A generan el espacio de filas de A.
Esto es cierto porque las filas no nulas de E generan exactamente lo mismo
que todas las filas de E (las filas nulas no aportan nada: s
olo ceros). Y todas
las filas de E generan el espacio de filas de E, que coincide con el de A.
Adem
as, las filas no nulas de una matriz escalerizada forman una familia
linealmente independiente. Veamos por que. Sean
E1 , E2 , . . . , Ep ,
las p filas no nulas, donde p es el n
umero de pivotes de la forma escalerizada.
Fabriquemos una combinaci
on lineal de las filas e igualemos al vector nulo. Es
decir, consideremos coeficientes i , i = 1, . . . , p tales que
1 E1 + 2 E2 + . . . + p Ep = 0.
(1.48)
Ahora examinemos el lugar que corresponde al pivote de E1 . Este pivote est

a en
una fila a la que llamaremos j1 Que otras filas aportan algo en este lugar?
Ninguna. S
olo E1 lo hace, porque el pivote eij1 en E1 es distinto de 0, y las
CAPITULO 1
120
filas restantes tienen ceros en la columna j1 de ese pivote. Al igualar a cero

esta componente de la combinaci
on lineal obtenemos
1 eij1 = 0,
lo que implica 1 = 0.
Una vez que 1 = 0 el primer sumando en el termino de la izquierda
de (1.48) es nulo y esa igualdad se reduce a
2 E2 + . . . + p Ep = 0.
Podemos repetir el razonamiento que acabamos de hacer, pero bas
andonos en
la columna j2 en que est
a el pivote de E2 para concluir que 2 = 0. Aplicando
el argumento p veces mostramos que la igualdad (1.48) implica
i = 0,
i = 1, . . . , m.
Por lo tanto, la familia formada por las filas no nulas de una matriz escalerizada
son linealmente independientes.
El lector estar
a de acuerdo en que hemos demostrado la proposici
on que
enunciaremos a continuaci
on:
Proposici
on 1.17. Sean A una matriz y E una forma escalerizada de A.
Entonces las filas no nulas de la matriz E forman una base de fil(A).
Ejemplo 82 En este ejemplo vamos a calcular bases del espacio de filas

escalerizando. Usaremos la matriz del sistema del ejemplo 1.2.2 de la p
agina
42:
1
2 1 0 1
1
1 2 1 1 0 1
2 1 2 5
3
A=
1
1
2 1 0 1
3
1
2 1 4 9
3
En ese ejemplo encontramos que la matriz
era:
1 2 1 0
0 0 2 1
A1 =
0 0 0 2
0 0 0 0
0 0 0 0
asociada al sistema escalerizado

1
1
4
0
0
1
0
2
2
0
121
Con esta forma escalerizada encontramos una base de fil(A):

B1 = { (1, 2, 1, 0, 1, 1), (0, 0, 2, 1, 1, 0), (0, 0, 0, 2, 4, 2), (0, 0, 0, 0, 0, 2)}
Luego, en el ejemplo 1.2.3 de la p
agina 57, hallamos la forma escalerizada
reducida de ese mismo sistema:
3
1 2 0 0
2 0
0 0 1 0 1 0
2
2 0
A2 =
0 0 0 1
0 0 0 0
0 1
0 0 0 0
0 0
Las filas no nulas de la forma escalerizada reducida A2 nos dan otra base
de fil(A) distinta a la anterior:
B2 = { (1, 2, 0, 0, 3/2, 0), (0, 0, 1, 0, 1/2, 0), (0, 0, 0, 1, 2, 0), (0, 0, 0, 0, 0, 1)}
Podemos observar que todas las filas de A se pueden escribir como combinaci
on lineal de los elementos de B1 como as tambien de los elementos de
B2 .
Ejercicio 53 Calcular el espacio de filas de las siguientes matrices:
1.
2.
1
2
A1 =
1
1
0 1
1 1
2
1
3
4
1
0
A2 = 2 1
1
1
2 2
3 2
0
2
5
8
2 1
7
0
5 1
Ejercicio 54 Un adelanto de la descomposicion LU
Sea la matriz
22
1
2 1
A = 1 3 0
1
0 1
Llevar la matriz A a su forma escalerizada, a esta matriz la llamaremos U . Luego

hallar los coeficientes que permiten escribir las filas de A como combinacion lineal de
las filas de U .
22
La descomposici
on LU de una matriz se discutir
a en la secci
on ??.
CAPITULO 1
122
El metodo de escalerizar para conseguir bases del espacio de filas puede

emplearse para obtener una base del espacio de columnas de una matriz A:
s
olo hay que considerar una nueva matriz que tiene como filas a las columnas
de A. A esta matriz se le llama la matriz traspuesta de A, y se indica con la
notaci
on At .
Ejemplo 83 A continuaci
on presentamos dos ejemplos de matrices traspuestas:
1 2 1
1 3 0
2
1. Sea A = 2 1 1 entonces At = 3 1
0 1
4
1 2 4

1 1
1 2 1
t
2
0
entonces B =
2. Sea B =
1 0 3
1
3
Ejercicio 55
Hallar una base del espacio de columnas de la matriz A que

aparece en la formula (1.7) escalerizando su matriz traspuesta. Expresar los elementos
de las bases del espacio de columnas de A que se obtuvo en el ejemplo 1.6.1 como
combinacion lineal de esta nueva base.
Recordemos que hay tantas filas no nulas en E como pivotes. Tenemos

entonces el siguiente corolario.
Corolario 1.18. Sean A una matriz m n sobre un cuerpo K, y sea p el
n
umero de pivotes de una forma escalerizada de A. Entonces dim(fil(A)) = p.
Recordemos el teorema ??, p
agina ??, que asegura que el n
umero de pivotes
de una forma escalerizada tambien es igual a la dimensi
on del espacio de
columnas. Poniendo esta informaci
on junto a la que hemos encontrado en esta
secci
on completamos la demostraci
on del importante resultado que enunciamos
a continuaci
on.
Teorema 1.2. Sea A una matriz m n sobre un cuerpo K. Entonces
dim(fil(A)) = dim(col(A)).
A este n
umero, que indica la dimensi
on com
un a ambos espacios se le llama
rango de la matriz A. Ese es el contenido de nuestra pr
oxima definici
on.
Definici
on 1.12. Llamaremos rango de una matriz a la dimensi
on de su
espacio de filas y de su espacio de columnas.

del espacio de columnas de la matriz real
Ejemplo 84 El rango de la matriz (1.7) es igual a 4. Una forma escalerizada

de esta matriz aparece, por ejemplo, en la p
agina 58 y tiene cuatro pivotes.
Ejercicio 56 Calcular el rango, hallar una base del espacio de filas y una base
1
1
1
1
2
C=
1
1
2
1 1
1
0
1
0
3
1
3
1
3 2
2
2
4
4
2
4
4
6
6
0
La compatibilidad de un sistema de ecuaciones lineales puede discutirse en

terminos de esta noci
on de rango.
Proposici
on 1.19. Teorema de Roche-Frobenius
Un sistema lineal AX = B es compatible si y s
olo si la matriz A y la matriz
ampliada A|B tienen el mismo rango.
Ejercicio 57 Demostrar el teorema de Roche-Frobenius.

Ejercicio 58 Retomar el ejercicio 1.4 de la pagina 96 y calcular el rango de la
matriz A del sistema y de la matriz ampliada A|B para cada B de dicho ejercicio.

Capi1 13 10

Cargado por

Información del documento

Título original

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

Capi1 13 10

Cargado por

Copyright:

Formatos disponibles

Indice general

1. Sistemas de ecuaciones lineales

1.7. Espacio de filas y rango . . . . . . . . . . . . . . . . . . . . . . 116

Problemas que conducen a la consideraci

1.1 Problemas y sistemas lineales

Problemas de revistas de entretenimientos

El primer ejemplo es puramente recreativo: la edad de Pedro es el triple

Las variables a y p intervienen en forma lineal en estas ecuaciones, porque

edad sera exactamente 5 veces la edad del ni

Veamos ahora un modelo para el estudio del tr

Figura 1.1: Mapa de parte del centro de Montevideo al 2050

vehculos por hora que circulan por,

1.1 Problemas y sistemas lineales

que puede ser simplificada en

Voltajes y corrientes en un circuito

Debe su nombre a Gustav Robert Kirchhoff, 1824-1887

que corresponden respectivamente a los nodos 1, 2, 3 y 4. En este c

En honor a Georg Simon Ohm, 1789-1854

1.1 Problemas y sistemas lineales

Las cadas de potencial entre los nodos 3 y 4, y entre 1 y 4 est

Sustituimos estas expresiones de las intensidades en la segunda y cuarta ecuaci

determinar voltajes e intensidades en el circuito que estamos considerando. Interpretar

Vamos a mostrar ahora una manera

valor i1 + i2 , lo que asegura que se satisface la ley de Kirchoff de conservaci

En una red electrica interconectada, el problema de calcular las corrientes en

1.1 Problemas y sistemas lineales

donde hemos llamado ik a la intensidad de corriente en el arco k. Los n

donde ik es la corriente en el arco k, (v)k la caida de potencial entre los

1.1 Problemas y sistemas lineales

Si somos capaces de resolver estas ecuaciones en las variables vi luego s

 Ejercicio 4 Plantear las ecuaciones para la red de la

Los esfuerzos en un reticulado.

Estudiaremos ahora el problema de c

deforman cuando est

Seleccionaremos ahora las variables relevantes para nuestro modelo, y buscaremos cu

1.1 Problemas y sistemas lineales

do, provenientes de las barras que confluyen en el nodo o de cargas externas,

en tanto que la componente horizontal es

Ejercicio 5 Hallar en funcion de T2 , T3 y las posiciones de las barras las

El factor 1/ 2 que multiplica a T1 es igual al coseno del angulo 3/4 que

Por el principio de acci

barra 2 es 7/6, cuyo coseno es el factor 3/2 que aparece multiplicando

Una primera aproximaci

sencillo reticulado triangular que aparece en la figura. Lo

1.1 Problemas y sistemas lineales

1. Plantear las ecuaciones y hallar las tensiones en el sistema de barras de la

las barras una soluci

1.1 Problemas y sistemas lineales

a unir o relacionar, nodos, algunos de los cuales se interconectan entre s,

Cerramos esta secci

Basta de comida chatarra! Hemos decidido querernos a nosotros mismos y empezar

Ejercicio 9 Transiciones entre estados (I)

En este modelo del comportamiento de la poblacion no tenemos en cuenta el efecto

Un estado estacionario es un estado en el que, a pesar de los movimientos de personas,

n de los sistemas lineales

a11 x1 + a12 x2 + . . . + a1n xn = b1 ,

a21 x1 + a22 x2 + . . . + a2n xn = b2 ,

am1 x1 + am2 x2 + . . . + amn xn = bm ,

(los terminos independientes). El problema consiste entonces en hallar las

 Ejemplo 7 Nos planteamos resolver el sistema de ecuaciones

Sumando ambas ecuaciones obtenemos 4x = 2, de donde concluimos que x =

Una vez especificado que trabajaremos sobre alg

n de los sistemas lineales

Ejercicio 4 Plantear las ecuaciones para la red de la

sencillo reticulado triangular que aparece en la figura. Lo

Ejemplo 7 Nos planteamos resolver el sistema de ecuaciones

Ejemplo 18 Como ya vimos antes, la matriz ((1/(2i + j)))

Ejemplo 19 Consideremos el sistema

Ejemplo 22 La escalerizacion en notacion matricial