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
1.1 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 ).

umero real por una matriz: Si a R y A

Producto de un n
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. 2
 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 9. A(BC) = (AB)C

5. a(A+B) = aA+aB 10. AIn = ImA = A

Emilio Mu
noz-Velasco 1.1 Matrices y S.E.L. 3
 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.
etrica: A = AT .
Matriz sim
etrica: A = AT .
Matriz antisim

Emilio Mu
noz-Velasco 1.1 Matrices y S.E.L. 4
 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. 5
 Ejemplos

Las siguientes matrices son escalonadas por filas:

1 2 1 3 1 1 1
0 0 1 0 0 1 4
1 0 1
0 0 0 1 3 0
0
1 0
0 0 0 1 0 0 0
0 0 0 0 1 1
0 0 0 0 0 0 0

Ninguna es escalonada reducida por filas.

Las siguientes matrices son escalonadas reducidas por filas:

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

0 0 0 1 0 0 0
0 0 0 0 1 1
0 0 0 0 0 0 0

Emilio Mu
noz-Velasco 1.1 Matrices y S.E.L. 6
 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 0 1
1 2 3 1 2 3
B1 2 1C
C y B = B2 4 2 C
B
A=B
@2
C
1 0A @0 0 0 A
1 2 3 0 3 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. 7
 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. 8
 Rango de una matriz

Llamamos rango por filas de una matriz al n umero maximo

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. 9

0 2 3 4 1
0 0 2 3 4
Ejemplo 1. La matriz tiene rango 3.
2 2 5 2 4
2 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 metodo 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
metodos de Gauss y de Gauss-Jordan.

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

2x + 3y + z = 1
x + 2y + 3z = 0
3x + 5y + 4z = 1


2x + 3y + z = 1
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) (~
u+~ v) + w~ =u ~ + (~
v + w)
~
(b) v + ~0 = ~0 + ~
~ v=~ v
(c) ~
v + (~ v ) = (~ v = ~0
v) + ~
(d) u
~ +~ v=~ v+u ~

2. verifica:
(a) (~
v + w)
~ = ~ v + w~ para K y ~ ~ V.
v, w
(b) ( + )~
v = ~v + ~v para , K y ~
v V.
(c) ()~
v = (~v ) para , K y ~
v V.
(d) 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:
v = ~0
a) 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

Combinacion lineal. Ser

a todo vector de la forma 1~
v1 + 2~
v2 +
vn donde i K y ~
... + n~ 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 , ~ vn} es un conjunto finito de vectores (sistema

v2, . . . , ~
de vectores) de V , diremos que son linealmente dependientes (l.d.)
si existe una combinaci on lineal 1~
v1 + 2~ vn = ~0 con
v2 + ... + n~
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 , ~ vm} podemos construir la matriz A formada por dichos
v2 . . . ~
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:

v 6= ~0, entonces {~
1. Si ~ 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 combinacion 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 ~ ~ W se tiene ~

v, w ~ W.
v+w

v W y K se tiene ~
b) para cada ~ v W.

O equivalentemente,

~ ~ W para cada , K y ~
v + w ~ W
v, w

Observese 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 , ~ vn} es dicho conjunto se representa por L(S) =
v2, . . . , ~
h~
v1 , ~ vni.
v2, . . . , ~
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 , ~ vn} es una base de un espacio

v2, . . . , ~
vectorial, cada vector ~
v del espacio se puede expresar de
forma u nica como combinaci on lineal de los vectores de B

~
v = 1~ v2 + + n~
v1 + 2~ 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 , ~ vn} y B2 = {w
v2, . . . , ~ ~ 1, w ~ n} son bases de
~ 2, . . . , w
un mismo e.v. V , un vector ~ v tendr
a coordenas distintas respecto
de cada una de las bases, as

~
v = 1~ v2 + + n~
v1 + 2~ vn ()
~
v = 1w ~ 2 + + nw
~ 1 + 2w ~n

Adem vi B1 tiene unas coordenadas respecto de

as cada vector ~
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. Observese que A~ = ~ A1 ~ =~ , de donde A1
a entonces la matriz del cambio de base de B2 a B1.
ser

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 . Por

tanto, dim W = 2.

Emilio Mu
noz-Velasco 1.2 Espacios vectoriales. 28
 Ecuaciones param
etricas

Sirven para expresar las coordenadas de los vectores del subespacio

en funci
on de parametros 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 = {~ v2 | ~
v1 + ~ v1 V1 y ~
v2 V2}

que es un nuevo subespacio vectorial que contiene a V1 V2.

Observese 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.
on 5. Si V1 V2 = {~0}, a la suma de subespacios la
Definici
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