Tema 1. Espacios Vectoriales.

Sistemas de ecuaciones.

Algebra
Lineal
Escuela Polit
ecnica Superior
Universidad de M
alaga
Emilio Mu
noz-Velasco
(Basado en los apuntes de Jes
us Medina e Inmaculada Fortes)
Quiz
as sea justo afirmar que las m
ultiples formas que toma la geometra son apenas traducciones, lecturas y
relecturas de esa indescifrable belleza que oculta el
algebra... Juan Mu
noz. Escultor

Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

1.1 Matrices y sistemas de ecuaciones

lineales.
Llamamos Mmn(R) al conjunto de las matrices A = (aij )
(i = 1, 2, . . . , m; j = 1, 2, . . . , n) donde los elementos aij R.
Podemos definir las siguientes operaciones de matrices:
Suma: A, B Mmn(R), entonces A + B = (aij + bij ).
Producto de un n
umero real por una matriz: Si a R y A
Mmn(R), entonces a A = (a aij ).
Producto de Matrices: Si A Mmn(R) y B Mnp(R)
entonces
!
n
X
AB =
aikbkj Mmp(R)
k=1

Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

Propiedades de las
operaciones de matrices
1. A+(B +C) = (A+B)+C

6. (a + b) A = a A + b A

2. A + 0 = 0 + A = A

7. a (b A) = (a b) A

3. A+(A) = (A)+A = 0 8. 1 A = A
4. A + B = B + A
5. a(A+B) = aA+aB

Emilio Mu
noz-Velasco

9. A(BC) = (AB)C
10. AIn = ImA = A

1.1 Matrices y S.E.L.

Tipos especiales
de matrices cuadradas
Una matriz cuadrada A de tama
no n se llama inversible, si existe
otra matriz A1 tal que AA1 = A1A = In. Las matrices
cuadradas que no tienen inversa se llaman singulares.
Matriz diagonal: aij = 0 si i 6= j.
Matriz escalar: A = In.
Matriz triangular inferior: aij = 0 si i < j.
Matriz triangular superior: aij = 0 si i > j.
Matriz sim
etrica: A = AT .
Matriz antisim
etrica: A = AT .

Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

Matrices escalonadas por filas

0 ... 0 1 ..........
0 ... 0 ... 0 1 ... ...
..................................
0 ... 0 ......... 0 1 ...
..................................
0 ... 0 ......... 0 ....... 0

Diremos que una matriz es escalonada por filas reducida si los

elementos que est
an en la misma columna que el primer 1 de cada
fila son todos ceros.

Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

Ejemplos
Las siguientes matrices son escalonadas por filas:

1
0

0
0

2
1
0
0

1
0
0
0

3
1

1
0

0 1 0 0 1 4
0 0 0 1 3 0
0 0 0 0 1 1

1
0

0
0

1 1
1 0

0 0
0 0

Ninguna es escalonada reducida por filas.

Las siguientes matrices son escalonadas reducidas por filas:

1
0

0
0

0 1 0
1 0 0

0 0 1
0 0 0

Emilio Mu
noz-Velasco

0 1 0 0 0 4
0 0 0 1 0 0
0 0 0 0 1 1

1
0

0
0

0
1
0
0

1
0

0
0

1.1 Matrices y S.E.L.

Transformaciones elementales
Tipo I: Cambiar dos filas
Tipo II: Multiplicar una fila por una constante c 6= 0 de K
Tipo III: Sumar a una fila por otra fila multiplicada por c K
Dos matrices A y B son equivalentes por filas si una de ellas
se puede obtener a partir de la otra mediante transformaciones
elementales por filas.
Ejemplo: Las matrices

0
1
B1
A=B
@2
1

2
2
1
2

1
0
3
1
B
1C
C y B = B2
@0
0A
3
0

2
4
0
3

1
3
2 C
C
0 A
2

son equivalentes por filas.

Que transformaciones elementales se han realizado en la matriz A para obtener
la matriz B ?
Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

Independencia y dependencia lineal

Llamamos combinaci
on lineal de filas (o columnas) f1, f2, . . . , fk
a una expresi
on de la forma
a1f1 + a2f2 + . . . + akfk
donde los ai son elementos del cuerpo K.
Diremos que un conjunto de filas (o columnas) de una matriz son
linealmente independientes si ninguna de ellas se puede expresar
como combinaci
on lineal de las restantes. En caso contrario se dice
que el conjunto de filas (o columnas) es linealmente dependiente.

Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

Rango de una matriz

Llamamos rango por filas de una matriz al n
umero m
aximo
de filas linealmente independientes. Asimismo llamamos rango
por columnas al n
umero m
aximo de columnas linealmente
independientes.
Teorema 1. El rango por filas de cualquier matriz coincide
con su rango por columnas. A dicho n
umero le llamamos
simplemente rango de la matriz.
Teorema 2. Las matrices equivalentes por filas tienen el
mismo rango.
Teorema 3. El rango de una matriz escalonada por filas es el
n
umero de filas distintas de cero.
Teorema 4. Toda matriz es equivalente por filas a una matriz
escalonada por filas.
Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.


0
0
Ejemplo 1. La matriz
2
2

2 3 4 1
0 2
3 4
tiene rango 3.
2 5 2 4
0 6 9 7

C
alculo de la inversa de una matriz
Corolario 1. Una matriz cuadrada es inversible si y s
olo si
es equivalente por filas (resp. por columnas) a la matriz
identidad.
Esto nos permite calcular la inversa de una matriz A.
EkEk1 . . . E1A = I A1 = EkEk1 . . . E1

1 1 4
Ejemplo 2. Calcular la inversa de la matriz 2 1 0
1 0 4

Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

10

Sistemas de Ecuaciones Lineales.

M
etodos de Gauss y de Gauss-Jordan
Teorema 5. Los sistemas Ax = b y Bx = c tienen las mismas
soluciones si y solo si sus matrices ampliadas son equivalentes
por filas.
Los teoremas anteriores nos permiten concluir que, dado un sistema
Ax = b, existe un sistema Gx = g donde (G|g) es escalonada
por filas y equivalente por filas a la matriz (A|b). El algoritmo
para resolver un sistemas de ecuaciones basado en este hecho
lo denominaremos M
etodo de Gauss. Modificando el m
etodo de
Gauss para que la matriz (G|g) sea escalonada por filas reducida
se obtiene el m
etodo de Gauss-Jordan.

Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

11

Teorema de Rouch
e-Frobenius
Dado un sistemas de ecuaciones Ax = b, donde A Mmn(K)
y b Km, representaremos por (A|b) la matriz ampliada obtenida
a
nadiendo a la matriz A la columna formada por los elementos
de b. Entonces, siendo n es el n
umero de inc
ognitas, se tiene que
I Si rang A 6= rang(A|b), entonces el sistema es incompatible.
I Si rang A = rang(A|b) y
? rang A = n, el sistema es compatible determinado.
? rang A < n, el sistema es compatible indeterminado.
Para el caso homog
eneo, Ax = 0, siempre el vector ~
x = ~0 es
soluci
on. Por tanto, solo si rang A < n existen soluciones distintas
de la trivial.

Emilio Mu
noz-Velasco

1.1 Matrices y S.E.L.

12

Ejemplo
Ejemplo 3. Estudiar la compatibilidad y resolver, cuando sea
posible los sistemas de ecuaciones siguientes utilizando los
m
etodos de Gauss y de Gauss-Jordan.

2x + 3y + z = 2
x+z
= 2

4x + 4y + z = 2

= 1
2x + 3y + z
x + 2y + 3z
= 0

3x + 5y + 4z = 1

=
1
2x + 3y + z
x + 2y + 3z
=
0

3x + 5y + 4z = 6
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales. 13

1.2 Espacios vectoriales.

Definici
on 1. Llamamos espacio vectorial sobre un cuerpo K
a un conjunto V con dos operaciones suma (+) (interna) y
un producto () (externa) que verifican:
1. + verifica las siguientes operaciones:
(a)
(b)
(c)
(d)

(~
u+~
v) + w
~ =u
~ + (~
v + w)
~
~
v + ~0 = ~0 + ~
v=~
v
~
v + (~
v ) = (~
v) + ~
v = ~0
u
~ +~
v=~
v+u
~

2. verifica:
(a)
(b)
(c)
(d)

(~
v + w)
~ = ~
v + w
~ para K y ~
v, w
~ V.
( + )~
v = ~
v + ~
v para , K y ~
v V.
()~
v = (~
v ) para , K y ~
v V.
1~
v=~
v para ~
v V (siendo 1 la unidad en K).

Representaremos por (V, +, , K) al espacio vectorial y llamamos

vectores a los elementos de V y escalares a los elementos de K.
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales. 14

Ejemplos:
(Rn, +, , R) es el espacio vectorial real n-dimensional.
(Kn, +, , K) es el espacio vectorial n-dimensional sobre K.
Si P es el conjunto de polinomios con coeficientes reales,
entonces (P, +, , R) es un espacio vectorial.
Las matrices m n definidas sobre cualquier cuerpo K tambi
en
forman un espacio vectorial (sobre el mismo cuerpo K).
Teorema 6. En todo Espacio vectorial se tienen las siguientes
propiedades:
a) 0 ~
v = ~0
b) ~0 = ~0
c) Si ~
v = ~0, entonces = 0 y/o ~
v = ~0
d) (1)~
v = ~
v
e) ()~
v = (~
v ) = (~
v)
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

15

Dependencia e independencia lineal

Combinaci
on lineal. Ser
a todo vector de la forma 1~
v1 + 2~
v2 +
... + n~
vn donde i K y ~
vi V .
Observaciones:
Todo vector es combinaci
on lineal de s mismo.
El vector ~0 es combinaci
on de cualquier conjunto de vectores.
Si S = {~
v1 , ~
v2, . . . , ~
vn} es un conjunto finito de vectores (sistema
de vectores) de V , diremos que son linealmente dependientes (l.d.)
si existe una combinaci
on lineal 1~
v1 + 2~
v2 + ... + n~
vn = ~0 con
al menos un i 6= 0.
En caso de que toda la combinaci
on lineal igualada a ~0 implique
1 = 2 = = n = 0, decimos que los vectores son
linealmente independientes (l.i.).
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

16

Ejemplo
En los e.v.
Kn, si tenemos un sistema de vectores S =
{~
v1 , ~
v2 . . . ~
vm} podemos construir la matriz A formada por dichos
vectores puestos en fila. Entonces el m
aximo n
umero de vectores
linealmente independientes de S coincide con el rango de la
matriz A. As en R4 el conjunto de vectores
{(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)}
es linealmente dependiente porque la matriz

1
2 4 3
A = 2 1 1 0
3
3 3 3
tiene rango 2.
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales. 17

Teorema 7. Sea V un e.v., entonces:

1. Si ~
v 6= ~0, entonces {~
v } es l.i.
2. Todo sistema de vectores que contenga el ~0 es l.d.
3. Si S es un sistema de vectores l.i. y S 0 S, entonces S 0
es l.i.
4. Si S es un sistema de vectores l.d. y S S 0, entonces S 0
es l.d.
5. Si S es un sistema de vectores, no todos nulos, l.d.,
entonces al menos uno de los vectores se puede expresar
como combinaci
on de los restantes.
6. Si S es un sistema de vectores l.i. y S {~
v } es l.d., entonces
~
v es combinaci
on lineal de los vectores de S.
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

18

Subespacios Vectoriales
Dado un e.v. V y W V , W 6= , diremos que es subespacio
vectorial (s.v) si verifica:
a) para cada ~
v, w
~ W se tiene ~
v+w
~ W.
b) para cada ~
v W y K se tiene ~
v W.
O equivalentemente,
~
v + w
~ W para cada , K y ~
v, w
~ W
Obs
ervese que {~0} es un subespacio vectorial (subespacio trivial).
Un subespacio vectorial W V diremos que es subespacio propio
si W 6= {~0} y W 6= V .

Emilio Mu
noz-Velasco

1.2 Espacios vectoriales. 19

Ejemplos
Si V = R2, W = {(x, y) | y = mx}, siendo m un n
umero real,
es un subespacio vectorial.
Si V = R3, W = {(x, y, z) | ax + by + cz = 0}, siendo a, b, c
n
umeros reales, es un subespacio vectorial.
Si V = R2, W = {(x, y) | x + y = 1} no es un subespacio
vectorial.
Si V = P es el espacio vectorial de los polinomios con
coeficientes reales, entones W = Pn el conjunto de polinomios
de grado menor o igual que n es un subespacio vectorial.

Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

20

Teorema 8. Dado un sistema de vectores S V , S 6= , el

conjunto L(S) formado por todas sus posibles combinaciones
lineales de los vectores de S forman un subespacio vectorial
de V .
Definici
on 2. A este subespacio vectorial L(S) se le llamar
a
subespacio generado por el conjunto de vectores S. Si
{~
v1 , ~
v2, . . . , ~
vn} es dicho conjunto se representa por L(S) =
h~
v1 , ~
v2, . . . , ~
vni.
Definici
on 3. Si W es un subespacio vectorial de V y S es un
sistema de vectores tal que L(S) = W decimos entonces que
S es un sistema generador de W .
Ejemplo: Si V = R4 y W = h(1, 2, 0, 0), (0, 3, 1, 0)i, entonces
los vectores de W son de la forma:
(x, y, z, t) = (1, 2, 0, 0) + (0, 3, 1, 0)
donde y son n
umeros reales cualesquiera.
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

21

Base de un subespacio vectorial

Llamamos base de un subespacio vectorial V a un sistema de
vectores B linealmente independiente que es un sistema generador
de V , es decir L(B) = V .
Ejemplos:
1. En los e.v. Kn, el sistema de n vectores
{(1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0) . . . (0, 0, . . . , 0, 1)}
es una base, a la que llamamos base can
onica.
2. En el subespacio de R4 siguiente
W = h(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)i
una base de W estara formada por cualesquiera dos vectores
del sistema generador.
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

22

Esp. Vec. de dimensi

on finita
Teorema 9. Si un e.v. admite una base finita con n vectores
entonces todas las bases tienen exactamente n vectores.
Definici
on 4. Si un e.v. tiene una base finita de n vectores
decimos que es de dimensi
on finita. Al n
umero natural n
lo llamamos dimensi
on del espacio. Aceptamos que el e.v.
trivial {~0} es el u
nico espacio de dimensi
on 0.
Teorema 10. Si B = {~
v1 , ~
v2, . . . , ~
vn} es una base de un espacio
vectorial, cada vector ~
v del espacio se puede expresar de
forma u
nica como combinaci
on lineal de los vectores de B
~
v = 1~
v1 + 2~
v2 + + n~
vn
y se dice que (1, 2, . . . , n) son las coordenadas de ~
v
respecto de la base B.
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

23

Ejemplo
Fija dos bases distintas para el e.v. generado por el sistema de
vectores
{(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)}
y determina, de entre los siguientes vectores, los que pertenecen
a dicho espacio y qu
e coordenadas tienen respecto de cada una de
las bases.
a) (2, 1, 4, 3) b) (1, 2, 4, 3)
c) (5, 4, 2, 3) d) (3, 2, 1, 3)

Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

24

Cambio de base
Si B1 = {~
v1 , ~
v2, . . . , ~
vn} y B2 = {w
~ 1, w
~ 2, . . . , w
~ n} son bases de
un mismo e.v. V , un vector ~
v tendr
a coordenas distintas respecto
de cada una de las bases, as
~
v = 1~
v1 + 2~
v2 + + n~
vn ()
~
v = 1w
~ 1 + 2w
~ 2 + + nw
~n
Adem
as cada vector ~
vi B1 tiene unas coordenadas respecto de
B2, as
~
v1 = a11w
~ 1 + a21w
~ 2 + + an1w
~n
~
v2 = a12w
~ 1 + a22w
~ 2 + + an2w
~n
..
~
vn = a1nw
~ 1 + a2nw
~ 2 + + annw
~n

Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

25

que sustituyendo en la ecuaci

on () y desarrollando se tiene
1 = 1a11 + 2a12 + + na1n
2 = 1a21 + 2a22 + + na2n
..
n = 1an1 + 2an2 + + nann
que en forma matricial se expresa

a11 a12 . . . a1n
1
1
a21 a22 . . . a2n 2

. = .2
. . . . . . . . . . . . .
.
an1 an2 . . . ann
n
n
donde la matriz A resultante se denomina matriz del cambio de
base de B1 a B2.
Nota. Obs
ervese que A~
=
~ A1
~ =~
, de donde A1
ser
a entonces la matriz del cambio de base de B2 a B1.
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

26

Ejemplos
1. Si sabemos que un vector de R4 tiene por coordenadas
(1, 1, 2, 0) respecto de la base
B = {(1, 1, 1, 1), (1, 1, 1, 2), (1, 1, 2, 3), (1, 2, 3, 4)}
calcula las coordenadas del mismo vector respecto de la base
B0 = {(1, 0, 0, 0), (1, 1, 0, 0), (1, 1, 1, 0), (1, 1, 1, 1)}
2. Si un vector de R2 tiene coordenadas (2, 3) respecto de la
base {(3, 1), (0, 3)}, encuentra una base en la que tenga por
coordenadas (1, 1).

Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

27

Ecuaciones cartesianas
Son restricciones a las coordenadas de los vectores del espacio
para que pertenezcan al subespacio.
Ejemplo.
Un subespacio de R4 est
a definido por vectores
(x, y, z, t) definidos por las siguientes coordenadas cartesianas:
x + y + 2t = z
zy =t

Resolviendo el sistema de ecuaciones obtenemos que:

W = {(, , , ) | , R}
de donde W = h(1, 1, 0, 1), (0, 1, 1, 0)i.
Adem
as {(1, 1, 0, 1), (0, 1, 1, 0)} es una base de W .
tanto, dim W = 2.
Emilio Mu
noz-Velasco

Por

1.2 Espacios vectoriales. 28

Ecuaciones param
etricas
Sirven para expresar las coordenadas de los vectores del subespacio
en funci
on de par
ametros que pueden tomar cualquier valor de los
escalares en el cuerpo. Ejemplo Las ecuaciones param
etricas del
subespacio U de R3 son:

x = 2
y = 3 2

z=
Calcula una base, la dimensi
on y las ecuaciones cartesianas de U .

Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

29

Intersecci
on de subespacios
Dados dos s.v. V1 y V2 de V , se define
V1 V2 = {~
v|~
v V1 y ~
v V2}
es tambi
en un subespacio vectorial de V .
Teorema 11. Si S es un sistema de vectores de V , entonces
L(S) es la intersecci
on de todos los subespacios vectoriales
que contienen a S.
L(S) es el menor subespacio vectorial que contiene a S.
Una forma de calcular las ecuaciones cartesianas de la intersecci
on
de dos subespacios es unir las ecuaciones cartesianas de cada uno
de ellos.

Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

30

Suma de subespacios
Dados dos s.v. V1 y V2 de V , se define
V1 + V2 = {~
v1 + ~
v2 | ~
v1 V1 y ~
v2 V2}
que es un nuevo subespacio vectorial que contiene a V1 V2.
Obs
ervese que la simple uni
on de subespacios no es subespacio
vectorial.
Una forma de calcular un sistema generador del subespacio suma
es unir los sistemas generadores de cada uno de los subespacios.
Ejemplo.
Dados V1 = h(1, 2, 1, 0), (2, 0, 0, 1)i y V2 =
h(3, 2, 1, 1), (1, 0, 0, 1)i, determina las ecuaciones cartesianas
y param
etricas del s.v. V1 + V2 de R4.
Definici
on 5. Si V1 V2 = {~0}, a la suma de subespacios la
llamamos suma directa de subespacios y se representa V1 V2.
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

31

Teorema 12.
1. Si V y W son subespacios tales que W V , entonces
dim W dim V
2. Si W1, W2 son s.v. de V , de dimensi
on finita, se tiene
dim(W1 + W2) = dim W1 + dim W2 dim(W1 W2)
En particular dim (W1 W2) = dim W1 + dim W2.

Ejemplos:
Dado el subespacio W1 = h(1, 2, 4, 3), (2, 2, 0, 1), (3, 4, 4, 2)i
de R4, encuentra una base para el espacio complementario W2 en
R4, es decir W1 W2 = R4.
Si sabemos que dim W1 = dim W2 = dim(W1 W2), podemos
afirmar que W1 = W2?
Emilio Mu
noz-Velasco

1.2 Espacios vectoriales.

32