ESCUELA POLITECNICA NACIONAL

ALGEBRA LINEAL 2012

MATRICES
1.1 CONCEPTO Y CLASIFICACIÓN
Una matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, suelen ser
números ordenados en filas y columnas.

Se llama matriz de orden "m × n" a un conjunto rectangular de elementos aij dispuestos
en m filas y en n columnas. El orden de una matriz también se denomina dimensión o tamaño,
siendo m y n números naturales.

Las matrices se denotan con letras mayúsculas: A, B, C,... y los elementos de las mismas con
letras minúsculas y subíndices que indican el lugar ocupado: a, b, c,... Un elemento genérico que
ocupe la fila i y la columna j se escribe aij. Si el elemento genérico aparece entre paréntesis
también representa a toda la matriz: A = (aij)

𝑎11 𝑎12 ……….. 𝑎1𝑛 Fila

Por comodidad se escribirá A 𝑎21 𝑎22 ……….. 𝑎2𝑛
= (𝑎𝑖𝑗 )𝑚 𝑥 𝑛 = 𝑎31 𝑎32 ……….. 𝑎3𝑛
: : : :
𝑎𝑚1 𝑎𝑚2 ……….. 𝑎𝑚𝑛

ORDEN DE UNA MATRIZ

Columna
Indica el número de filas y el número de columnas que tiene.

mxn

número de filas

numero de columnas

Amxn A Є Mmxn

Ejemplos:

𝑎1𝑥1 𝑎1𝑥2 𝑎1𝑥3

4 3 1
𝐴3𝑥3 = (𝑎2𝑥1 𝑎2𝑥2 𝑎2𝑥3 ) , 𝑚 = 𝑛, 𝐴𝑛 , 𝐴 ∈ 𝑀𝑛 D=
𝑎3𝑥1 𝑎3𝑥2 𝑎3𝑥3 0 2 5
𝐵1𝑥3 = (𝑏1𝑥1 𝑏1𝑥2 𝑏1𝑥3 )

𝑎1𝑥1 𝑎1𝑥2 𝑎1𝑥3 𝑎1𝑥𝑛

𝑎2𝑥1 𝑎2𝑥2 𝑎2𝑥3 ⋯ 𝑎2𝑥𝑛
𝐴𝑛𝑥𝑛 = 𝑎3𝑥1 𝑎3𝑥2 𝑎3𝑥3 𝑎3𝑥𝑛
⋮ ⋱ ⋮
(𝑎𝑛𝑥1 𝑎𝑛𝑥2 𝑎𝑛𝑥3 ⋯ 𝑎𝑛𝑥𝑛 )

ELEMENTOS DE UNA MATRIZ: aij

A= (aij)mxn a ij
posición columna

posición fila

Ejemplo:

𝑎11 𝑎12 ……….. 𝑎1𝑛

-2 3 1 𝐴𝑚 𝑥 𝑛 = 𝑎21 𝑎22 ……….. 𝑎2𝑛
A= 0 2 1 𝑎31 𝑎32 ……….. 𝑎3𝑛
0 4 -3 : : : :
𝑎𝑚1 𝑎𝑚2 ……….. 𝑎𝑚𝑛

a11= -2
a23=1

𝑨 𝝐 𝑴𝒏
DIAGONAL DE UNA MATRIZ { 𝒂 ∀ 𝒊 = 𝒋
𝒊𝒋
En álgebra lineal, la diagonal de una matriz cuadrada contiene los elementos situados
desde a1x1 hasta anxn.

Es decir, los elementos que van desde la esquina superior izquierda hasta la esquina
inferior derecha: a1x1, a2x2, a3x3.... anxn.

𝑖< j
 𝑎11 𝑎12 ……….. 𝑎1𝑛
𝐴𝑚 𝑥 𝑛 = 𝑎21 𝑎22 ……….. 𝑎2𝑛
𝑎31 𝑎32 ……….. 𝑎3𝑛
: : : :
𝑎𝑚1 𝑎𝑚2 ……….. 𝑎𝑚𝑛

𝑖> j
Los elementos de la diagonal de la matriz A son: a1x1, a2x2, a3x3

Ejercicios:
Construir las siguientes matrices dadas las siguientes restricciones:

 𝐴𝑚 𝑥 𝑛 𝜖 𝑀3
𝑎𝑖𝑗 = 0 , ∀𝑖 >𝑗 1 2 2
A= ( 0 1 2 )
𝑎𝑖𝑗 = 1 , ∀𝑖 =𝑗 0 0 1
𝑎𝑖𝑗 = 2 , ∀𝑖 <𝑗

 𝐴𝑚 𝑥 𝑛 𝜖 𝑀3
1 0 0
𝑎𝑖𝑗 = 0 , ∀𝑖 ≠𝑗 A= ( 0 1 0 )
𝑎𝑖𝑗 = 1 , ∀𝑖 =𝑗
0 0 1

CLASES DE MATRICES

Tipo de
Definición Ejemplo
matriz
Aquella matriz que tiene una
FILA 𝐴1𝑥3 = (7 2 −5)
sola fila, siendo su orden 1×n

Aquella matriz que tiene una −7

sola columna, siendo su 𝐴3𝑥1 = ( 1 )
COLUMNA
orden m×1 6

1 3 9
RECTANGULAR Aquella matriz que tiene 𝐴3𝑥4 = (5 7 8)
distinto número de filas que de 0 3 1
 columnas, siendo su orden m×n
,𝑚 ≠𝑛

Dada una matriz A, se llama 𝑆𝑖 𝑒𝑠 𝐴 = (𝑎𝑖𝑗 )𝑚𝑥𝑛 ,

traspuesta de A a la matriz que 𝑠𝑢 𝑡𝑟𝑎𝑛𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑒𝑠
se obtiene cambiando 𝐴𝑡 = (𝑎𝑗𝑖 )𝑛𝑥𝑚,
ordenadamente las filas por las
TRASPUESTA
columnas. 1 2 5
𝐴=( ),
Se representa por At ó AT 3 −4 7
1 3
𝑡
𝐴 = (2 −4)
5 7

La matriz opuesta de una dada 1 3

es la que resulta de sustituir 𝐴 = ( 5 −7),
OPUESTA cada elemento por su opuesto. −6 4
La opuesta de A es -A. −1 −3
−𝐴 = (−5 7 )
6 −4

Si todos sus elementos son cero. 0 0 0

NULA También se denomina matriz 𝐴3𝑥3 = (0 0 0)
cero y se denota por 𝐴𝑚𝑥𝑛 = (0) 0 0 0

1 9 −6
Aquella matriz que tiene igual 𝐴3𝑥3 =( 2 0 1)
número de filas que de −2 4 5
columnas, m = n, diciéndose que Diagonal
la matriz es de orden n.

Diagonal principal : son los

elementos a11 , a22 , ..., ann
CUADRADA principal
Diagonal secundaria : son los Diagonal
elementos aij con i+j = n+1

Traza de una matriz cuadrada

: es la suma de los elementos de
la diagonal principal, notada secundaria
por 𝑇𝑟 ( 𝐴)
 𝑛

𝑇𝑟 (𝐴) = ∑ 𝑎𝑖𝑖
𝑖 =1

Es una matriz cuadrada que es

SIMÉTRICA igual a su traspuesta.
A = At , a ij = a ji

Es una matriz cuadrada que es

igual a la opuesta de su 0 1 −4
ANTI SIMÉTRICA traspuesta. 𝐴3𝑥3 = (−1 0 −2)
A = -At , aij = -aji 4 2 0
Necesariamente aii = 0

Es una matriz cuadrada que

tiene todos sus elementos nulos
excepto los de la diagonal
principal, es decir:
7 0 0
DIAGONAL 𝐴 = (0 5 0)
Sea la Matriz A= (aij)mxn 0 0 −2
ssi:
𝑎𝑖𝑗 = 0 , ∀𝑖 ≠𝑗
𝑎𝑖𝑗 = 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 ,
∀𝑖 =𝑗

Es una matriz cuadrada que

7 0 0
tiene todos sus elementos nulos
ESCALAR 𝐴 = (0 7 0)
excepto los de la diagonal
0 0 7
principal que son iguales

También se denomina matriz

unidad.
Es una matriz cuadrada que
tiene todos sus elementos nulos
excepto los de la diagonal 1 0 0
IDENTIDAD principal que son iguales a 1. Es 𝐼 = (0 1 0)
decir: 0 0 1
Sea la Matriz I= (aij)mxn
I es matriz identidad ssi:
𝑎𝑖𝑗 = 0 , ∀𝑖 ≠𝑗
𝑎𝑖𝑗 = 1 , ∀𝑖 =𝑗
 Matriz triangular Superior 1 3 5
𝐴 = (0 4 −1)
Sea la Matriz A= (aij)mxn
ssi: 0 0 9
𝑎𝑖𝑗 = 0 , ∀𝑖 >𝑗
T. superior
TRIANGULAR Matriz triangular Inferior
1 0 0
Sea la Matriz A= (aij)mxn 𝐴 = (5 4 0)
ssi: 2 8 7
𝑎𝑖𝑗 = 0 , ∀𝑖 <𝑗 T. inferior

Una matriz A es idempotente si: 𝐼 = 𝐼2

𝐴2 = 𝐴 𝐼𝑛 = 𝐼
IDEMPOTENTE
Nota: La identidad no es la 0 1
única idempotente 𝐴= ( )
0 1

Una matriz ortogonal es

necesariamente cuadrada e 𝐴 ∗ 𝐴𝑡 = 𝐼
invertible: A-1 = AT
La inversa de una matriz 1 1
ortogonal es una matriz 𝐴= √2 √2
ORTOGONAL ortogonal. 1 1
− −
El producto de dos matrices ( √2 √2 )
ortogonales es una matriz
ortogonal.
El determinante de una matriz
ortogonal vale +1 ó -1.

Una matriz es normal si

conmuta con su traspuesta. Las 5 4
𝐴=( )
NORMAL matrices simétricas, anti −4 5
simétricas u ortogonales son 𝐴 ∗ 𝐴𝑡 = 𝐴𝑡 ∗ 𝐴
necesariamente normales.

Es una matriz cuadrada ( tiene

igual número de filas que de
columnas) tal que su cuadrado
es igual a la matriz unidad, es
INVOLUTIVA
decir: A2 = I
A es involutiva si A x A =
I
 Decimos que una matriz
cuadrada A es Nilpotente de A es nilpotente de orden 3,
orden r si y sólo si se verifica 𝐴3 =0
0 1 3
NILPOTENTE que 𝐴 𝑟 = 0 , ( r es el menor
𝐴 = ( 0 0 −2)
entero positivo )
0 0 0

1.2. OPERACIONES CON MATRICES

 Suma de matrices
Si las matrices A= (a i j ) y B= (b i j ) tienen el mismo orden, la matriz suma es:
A+B= (a i j +b i j ).
La matriz suma se obtiene sumando los elementos de las dos matrices que ocupan
la misma posición y la matriz resultante tiene el mismo orden de las matrices iníciales,
o sea A y B.
Ejemplo:
2 0 1 1 0 1
𝐴 = (3 0 0) 𝐵 = (1 2 1)
5 1 1 1 1 0
3 0 1
𝐴 + 𝐵 = (4 2 1)
6 2 1

Propiedades de la suma de matrices:

Interna:

La suma de dos matrices de orden m x n es otra matriz dimensión m x n.

Asociativa:

A + (B + C) = (A + B) + C
Elemento neutro:

A+0=A
Donde O es la matriz nula de la misma dimensión que la matriz A.
Elemento opuesto:

A + (−A) = O
La matriz opuesta es aquella en que todos los elementos están cambiados de signo.
Conmutativa:

A+B=B+A

 Producto de un escalar por

una matriz
Dada una matriz B= (b ij ) y un número real k R, se define la multiplicación de un
número real por una matriz a la matriz del mismo orden que A, en la que cada
elemento está multiplicado por k.
k · B=(k b ij )

Ejemplo:
1 0 1 5 0 5
𝐵 = (1 2 1) 5 ∗ 𝐵 = (5 10 5)
1 1 0 5 5 0

Propiedades
 a · (b · A) = (a · b) · A A Mmxn, a, b
 a · (A + B) = a · A + a · BA,B Mmxn , a
 (a + b) · A = a · A + b · A A Mmxn , a, b
 1 · A = A A Mmxn

 Producto de matrices
Dos matrices A y B son multiplicables si el número de columnas de A coincide
con el número de filas de B.

Mm x n x Mn x p = M mxp
El elemento c ij de la matriz producto se obtiene multiplicando cada elemento de
la fila i de la matriz A por cada elemento de la columna j de la matriz B
y sumándolos.

Ejemplo:
 Primer método de multiplicación de matrices:
2 0 1 1 0 1
𝐴 = (3 0 0) 𝐵 = (1 2 1)
5 1 1 1 1 0

2∗1+0∗1+1∗1 2∗0+0∗2+1∗1 2∗1+0∗1+1∗0

𝐴 ∗ 𝐵 = (3 ∗ 1 + 0 ∗ 1 + 0 ∗ 1 3 ∗ 0 + 0 ∗ 2 + 0 ∗ 1 3 ∗ 1 + 0 ∗ 1 + 0 ∗ 0)
5∗1+1∗1+1∗1 5∗0+1∗2+0∗1 5∗1+1∗1+1∗0

3 1 2
𝐴 ∗ 𝐵 = (3 0 3)
7 3 6

 Segundo método de multiplicación de matrices:

𝟏 𝟎 𝟏
(𝟏 𝟐 𝟏)
𝟏 𝟏 𝟎
A*B =

3 1 2
𝟐 𝟎 𝟏
(𝟑 𝟎 𝟎) 3 0 3
𝟓 𝟏 𝟏 7 3 6

Propiedades de la multiplicación de matrices:

Asociativa:
A · (B · C) = (A · B) · C
Elemento neutro:
A·I=A
Donde I es la matriz identidad del mismo orden que la matriz A.
No es Conmutativa:
A·B≠B·A
Distributiva del producto respecto de la suma:
A · (B + C) = A · B + A · C
1.3. ALGORITMOS PARA EL CALCULO DE
An

 INDUCCIÓN MATEMÁTICA
1 0 1
𝑆𝑒𝑎 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 = (0 1 0)
1 0 1
Calcular An,∀𝑛 ∈ ℕ

El método de demostración conocido como inducción matemática, se puede

utilizar para demostrar que una cierta proposición p(n), que se refiere a los
números naturales, es cierta para cada n.
El método nos dice:

1. Demuestra que P(1) existe

2. Demuestra que P(n) es cierta, entonces P(n+1) es cierta
Así queda claro que P(n) es cierta ∀𝑛 ∈ℕ
Para la matriz A empezamos A estas potencias las escribimos de
calculando las sucesivas potencias de otro modo:
la matriz cuadrada A:

1 0 1 1 0 1
1 1
𝐴 = (0 1 0) 𝐴 = (0 1 0)
1 0 1 1 0 1
2 0 2 21 0 21
𝐴2 = (0 1 0) 𝐴2 = ( 0 1 0)
2 0 2 21 0 21
4 0 4
22 0 22
𝐴3 = (0 1 0) 3
𝐴 =(0 1 0)
4 0 4
8 0 8 22 0 22
𝐴4 = (0 1 0)
8 0 8
 23 0 23
𝐴4 = ( 0 1 0)
23 0 23

Esto nos lleva a proponer la siguiente ecuación general:

2(𝑛−1) 0 2(𝑛−1)
𝑛
𝐴 =( 0 1 0 )
2(𝑛−1) 0 2 (𝑛−1)

Demostramos por inducción que es verdad:

1. Comprobemos que es cierto para cada n=2, n=3 por ejemplo.

2. Supongamos que la formula es cierta para n vamos a ver que también es cierta
para n+1

1 0 1 2(𝑛−1) 0 2(𝑛−1) 2𝑛 0 2𝑛
𝐴𝑛+1 𝑛
= 𝐴 ∗ 𝐴 = (0 1 0) ( 0 1 0 )=(0 1 0 ) = 𝐴𝑛+1
1 0 1 2(𝑛−1) 0 2 (𝑛−1) 2𝑛 0 2𝑛

Por lo tanto queda demostrado por inducción que:

2(𝑛−1) 0 2(𝑛−1)
𝑛
𝐴 =( 0 1 0 ) , ∀𝑛 ∈ ℕ
2(𝑛−1) 0 2 (𝑛−1)

Ejemplo:
𝟏 −𝟓
Sea: 𝑩 = ( ) , encontrar Bn
𝟎 𝟏
Primero encontramos sus primeras potencias tales como:

1 −5
𝐵1 = ( )
0 1
2 1 −10 1 −5𝑛
𝐵 =( ) ∴ 𝐵𝑛 = ( )
0 1 0 1
3 1 −15
𝐵 =( )
0 1
4 1 −20
𝐵 =( )
0 1
 1 −5𝑘
HI) 𝐵𝑘 = ( )
0 1

1 −5(𝑘 + 1)
TI) 𝐵 𝑘+1 = ( )
0 1

Demostración:

B(k+1)=Bk*B1

1 −5𝑘 1 −5
=( )( )
0 1 0 1
1 −5(𝑘 + 1)
=( ) ∴ 𝑞𝑢𝑒𝑑𝑎 𝑑𝑒𝑚𝑜𝑠𝑡𝑟𝑎𝑑𝑎 𝑙𝑎 𝑡𝑒𝑠𝑖𝑠 𝑖𝑛𝑑𝑢𝑐𝑡𝑖𝑣𝑎
0 1

 BINOMIO DE NEWTON

Deducción de la fórmula del binomio de newton

Vamos a deducir la fórmula que nos permitirá elevar a cualquier potencia de

exponente natural, n, un binomio. Esto es la forma de obtener (𝑎 + 𝑏)𝑛
Para ello veamos cómo se van desarrollando las potencias de (a+b)

(𝑎 + 𝑏)1 = 𝑎 + 𝑏

(𝑎 + 𝑏)2 = 𝑎2 + 2𝑎𝑏 + 𝑏 2

(𝑎 + 𝑏)3 = 𝑎3 + 3𝑎2 𝑏 + 3𝑎𝑏 2 + 𝑏 3

Y ya podemos escribir la fórmula general del llamado binomio de Newton

𝑛
𝑛𝑎𝑛−1 𝑏 𝑛(𝑛 − 1)𝑎𝑛−2 b2
𝑛
(𝑎 + 𝑏) = 𝑎 + + + ⋯ + 𝑏𝑛
1! 2!

𝑛 𝑛−𝑘 𝑘
Que también se puede escribir de forma abreviada así: (𝑎 + 𝑏)𝑛 = ∑𝑘→𝑛
𝑘→0 (𝑘 ) 𝑎 𝑏

Tenemos:
𝑆𝑒𝑎𝑛 𝐴, 𝐵 𝑑𝑜𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 ∈ 𝑀𝑛

𝑇𝑒𝑛𝑒𝑚𝑜𝑠 (𝐴 + 𝐵)2 = 𝐴2 + 𝐴𝐵 + 𝐵𝐴 + 𝐵 2

𝑛𝐴𝑛−1 𝐵 𝑛(𝑛 − 1)𝐴𝑛−2 B2

𝑛 𝑛
(𝐴 + 𝐵) = 𝐴 + + + ⋯ + 𝐵𝑛
1! 2!

PASOS PARA CALCULAR An

1. Descomponer la matriz A en dos matrices conmutables de la forma A=I+B

1 −2 0
−2
𝐴=( ) 𝐵=( )
0 1 0
0
1 0 0 −2 0 0
𝐴=( )+( ) 𝐵=( )
0 1 0 0 0 0
𝐴=𝐼+𝐵
𝐴𝑛 = (𝐼 + 𝐵)𝑛

2. Aplicar Binomio de Newton

𝐴 = (𝐼 + 𝐵)

0 0 0

𝑛 𝑛 𝑛−1
𝑛(𝑛 − 1)𝐼 𝑛−2 B2 𝑛(𝑛 − 1)(𝑛 − 2)𝐼 𝑛−3 𝐵 3
𝐴 = 𝐼 + 𝑛𝐼 𝐵+ + + ⋯ + 𝐵𝑛
2! 3!

3. Simplificar:

∴ 𝐴𝑛 = 𝐼 𝑛 + 𝑛𝐼 𝑛−1 𝐵

4. Sustituir matrices y operar:

 𝐴𝑛 = 𝐼 𝑛 + 𝑛𝐼 𝑛−1 𝐵
1 0 0 −2
𝐴𝑛 = ( )+𝑛( )
0 1 0 0
𝟏 −𝟐𝒏
𝑨𝒏 = ( )
𝟎 𝟏

Ejemplo:
Encontrar con el binomio de newton A n
2 0
𝑆𝑒𝑎 ∶ 𝐴 = ( )
−3 2

1. Descomponer la matriz A en dos matrices conmutables de la forma

A=I+B

1 0 0 0
𝐴 = 2( )+( )
0 1 −3 0

𝐴 = 2𝐼 + 𝐵

2. Aplicar Binomio de Newton

𝐴𝑛 = (2𝐼 + 𝐵)𝑛

𝑛2𝑛−1 𝐼 𝑛−1 𝐵 𝑛(𝑛 − 1)2𝑛−2 𝐼 𝑛−2 B2 𝑛(𝑛 − 1)(𝑛 − 2)2𝑛−3 𝐼 𝑛−3 𝐵3

= 2𝑛 𝐼 𝑛 + + + +⋯
1! 2! 3!
+ 𝐵𝑛

3. Simplificar:

Tenemos:
0 0 0 0 0 0
𝐵2 = ( ); 𝐵3 = ( ); 𝐵𝑛 = ( )
0 0 0 0 0 0

∴ 𝐴𝑛 = 2𝑛 𝐼 + 𝑛2𝑛−1 𝐵
4. Sustituir matrices y operar:
 1 0 0 0
𝐴𝑛 = 2𝑛 ( ) + 𝑛2𝑛−1 ( )
0 1 −3 0

𝑛 0 0
𝐴𝑛 = (2 0)+(
𝑛−1 )
0 2 𝑛 −3(𝑛)(2 ) 0

𝟐𝒏 𝟎
𝑨𝒏 = ( )
−𝟑(𝒏)(𝟐𝒏−𝟏 ) 𝟐𝒏

1.4. FORMA ESCALONADA DE UNA MATRIZ

 MATRIZ ESCALONADA POR FILA

1 0 0
B= 0 1 0
0 0 1


En álgebra lineal una matriz se dice que es escalonada o que está en forma
escalonada si:

1. Todas las filas cero están en la parte inferior de la matriz.

2. El primer elemento no nulo de cada fila, llamado pivote, está a la derecha del

pivote de la fila anterior (esto supone que todos los elementos debajo de un

pivote son cero).

Ejemplo:

Las siguientes matrices son reducidas por fila:

4 −2 9 6
1 −2 3 0 0 2 5
𝐴=( ) 𝐵 = (0 0 )
0 0 2 0 3
0 0 0 0

Las siguientes matrices no son reducidas por fila:

 1 2 0 2 0 0 0 1 0 0 3 −5
𝐶 = (0 0 0 0 1 0) 𝐷 = (0 0 1 0 1 1 )
0 1 0 4 0 3 2 0 0 1 0 0

 MATRIZ ESCALONADA REDUCIDA POR

FILAS

1 0 -5 0
0 1 17 0
0 0 0 1

Si además se cumplen las siguientes condiciones de matriz escalonada y:

1. Sus pivotes son todos iguales a 1

2. En cada fila el pivote es el único elemento no nulo de su columna.
Se dice que es escalonada reducida por filas.

Ejemplo:
1 0 0
𝐴 = (0 1 0)
0 0 1
1 0 0
𝐵=( )
0 0 1

OPERACIONES ELEMENTALES DE FILA

 Multiplicar una fila por un escalar no nulo.
 Notación: 𝑭𝒊 ← 𝜶𝑭𝒊, 𝐝𝐨𝐧𝐝𝐞 𝛂 ∈ ℝ − {𝟎}

 Intercambiar de posición dos filas.

Notación: 𝑭𝒊 ↔ 𝑭𝒋, 𝐝𝐨𝐧𝐝𝐞 𝐢. 𝐣 ∈ ℕ /𝐢 ≠ 𝐣

 Sumar a una fila y un múltiplo de otra.

Notación: 𝑭𝒊 ← 𝑭𝒊 − 𝜶𝑭𝒋, 𝐝𝐨𝐧𝐝𝐞 𝛂 ∈ ℝ − {𝟎} 𝐲 𝐝𝐨𝐧𝐝𝐞 𝐢. 𝐣 ∈ ℕ /𝐢 ≠ 𝐣

MATRICES SEMEJANTES
Se dice que la matriz A es semejante o equivalente por filas de la matriz B si la
matriz A se obtiene al realizar operaciones elementales de fila en la matriz B

Ejemplo 1:
−1 2 0 1 −3 2 ~ 1 −3 2
~
(1 −3 2) f ↔ f (−1 2 f
0) 2 ← f2 + f1 (0 −1 2)
1 2
2 −5 3 2 −5 3 f3 ← f3 − 2f1 0 1 −1
1 −3 2 1 0 −1 ~ 1 0 0
~ ~
f3 ↔ f2 (0 1 −1) f ← f + f (0 1 −1) f1 ← f1 + f3 (0 1 0)
3 3 2
0 −1 2 0 0 1 f2 ← f2 + f3 0 0 1
Ejemplo 2:

1 2 3 1 2 3
A= 3 1 -3 = 3 1 -3
-5 0 2 -5 0 2
F2 F2-3F1

F3 F3+5F1

Las matrices semejantes comparten varias propiedades:

 Rango
 Determinante
 La misma Traza
 Los mismos valores propios

1.5 MATRIZ INVERSA

Una matriz cuadrada A de orden n se dice que es invertible, no singular, no

degenerada o regular si existe otra matriz cuadrada de orden n, llamada matriz
inversa de A y representada como A−1, tal que

AA−1 = A−1A = In

Donde In es la matriz identidad de orden n

PROPIEDADES DE LA MATRIZ INVERSA

 La inversa de una matriz, si existe, es única.

 La inversa del producto de dos matrices es el producto de las inversas

cambiando el orden:

(𝐵 ∗ 𝐴)−1 = 𝐴−1 ∗ 𝐵 −1

 Si la matriz es invertible, también lo es su transpuesta, y el inverso de su

transpuesta es la transpuesta de su inversa, es decir:

(𝐴𝑡 )−1 = (𝐴−1 )𝑡

 Y, evidentemente:
 (𝐴−1 )−1 = 𝐴

CALCULO DE UNA MATRIZ INVERSA

Mediante las transformaciones elementales de filas de una matriz, convertir la matriz

anterior en otra, que tenga en las n primero columnas la matriz identidad y en las n
últimas columnas la matriz A-1

El método consiste, pues, en colocar juntas las matrices a invertir y la identidad en este
orden.
𝑮𝑨𝑼𝑺𝑺
(𝑨|𝑰) 𝒉𝒂𝒄𝒊𝒆𝒏𝒅𝒐
(𝑰|𝑨−𝟏 )
𝒐𝒑𝒆𝒓𝒂𝒄𝒊𝒐𝒏𝒆𝒔
𝒆𝒍𝒆𝒎𝒆𝒏𝒕𝒂𝒍𝒆𝒔
𝒅𝒆 𝒇𝒊𝒍𝒂

𝟐/𝟓 𝟏/𝟓 𝟎
(𝟏/𝟑𝟎 𝟏𝟑/𝟑𝟎 𝟏/𝟔)
𝟕/𝟑𝟎 𝟏/𝟑𝟎 𝟏/𝟔
A * A-1 =
𝟏 𝟎 𝟎
𝟐 −𝟏 𝟏 (𝟎 𝟏 𝟎)
(𝟏 𝟐 −𝟐)
−𝟑 𝟏 𝟓 𝟎 𝟎 𝟏

1 0 0
Tenemos:A ∗ A −1
= (0 1 0)
0 0 1

2.- DETERMINANTES
 2.1 DEFINICION DE DETERMINANTE
𝐟: 𝐌𝐧 → ℝ
𝐃𝐞𝐟𝐢𝐧𝐢𝐜𝐢ó𝐧 {
𝐀 → (𝐚𝐢𝐣 ) = 𝐝𝐞𝐭(𝐀) = |𝐀|

El determinante es una función que le asigna a una matriz de orden n, un único número real
llamado el determinante de la matriz. Si A es una matriz de orden n, el determinante de la
matriz A lo denotaremos por det(A) o también por ¨ |A| (las barras no significan valor
absoluto).

Determinante de orden uno

|𝒂𝟏𝟏 | = 𝒂𝟏𝟏

Determinante de orden dos

𝒂𝟏𝟏 𝒂𝟏𝟐
Dada 𝑨 = (𝒂 ), se define como el determinante de A como:
𝟐𝟏 𝒂𝟐𝟐

𝒂𝟏𝟏 𝒂𝟏𝟐
𝐝𝐞𝐭(𝑨) = |𝒂 𝒂𝟐𝟐 | = 𝒂𝟏𝟏 𝒂𝟐𝟐 − 𝒂𝟐𝟏 𝒂𝟏𝟐
𝟐𝟏

Determinante de orden tres

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑

Dada 𝑨 = (𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 )
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑

2.2.MÉTODOS DE CÁLCULO DE DETERMINANTES

 REGLA DE SARRUS

Este método solo se utiliza para calculas determinantes de orden 3x3, donde lo que se
realiza es aumentar filas hacia abajo o columnas a la derecha de la respectiva matriz
inicial.

𝑎11 𝑎12 𝑎13 𝑎11 𝑎12

𝒅𝒆𝒕(𝑨) = |𝑎21 𝑎22 𝑎23 𝑎21 𝑎22 |
𝑎31 𝑎32 𝑎33 𝑎31 𝑎32

= 𝒂𝟏𝟏 𝒂𝟐𝟐 𝒂𝟑𝟑 + 𝒂𝟏𝟐 𝒂𝟐𝟑 𝒂𝟑𝟏 + 𝒂𝟏𝟑 𝒂𝟐𝟏 𝒂𝟑𝟐 − 𝒂𝟏𝟑 𝒂𝟐𝟐 𝒂𝟑𝟏 − 𝒂𝟏𝟏 𝒂𝟐𝟑 𝒂𝟑𝟐 − 𝒂𝟏𝟐 𝒂𝟐𝟏 𝒂𝟑𝟑
 MÉTODO DE LA ESTRELLA

Los términos con signo + están formados por los elementos de la diagonal principal y
los de las diagonales paralelas con su correspondiente vértice opuesto.

Los términos con signo - están formados por los elementos de la diagonal
secundaria y los de las diagonales paralelas con su correspondiente vértice
opuesto.

 MENORES Y COFACTORES
Si A es una matriz cuadrada, entonces el menor del elemento aij, que se indica con Mij
se define como el determinante de la submatriz que queda después de quitar la i-ésimo
fila y la j-ésima columna de A.

Veamos un ejemplo para poder entenderlo mejor. Sea A la matriz:

3 1 −4
𝐴 = (2 5 6 )
1 4 8
Para hallar el menor del elemento a11 debemos quitar la fila 1 y la columna 1, entonces
tenemos un el determinante de orden 2x2 que multiplicara al elemento a11 y asi
realizamos este mismo proceso con toda la fila o columna que tenga los menores términos
o tenga ceros en su mejor caso.

Debemos tener en cuenta los signos para cada menor que escogemos así si sumamos i+j y
obtenemos un numero par es positivo e impar lo contrario.

Del ejemplo anterior vamos a reducir la columna 1 ya que tiene los menores términos y
llegaremos a obtener la siguiente expresión:
 3 1 −4
5 6 1 −4 1 −4
det(𝐴) = |2 5 6 | = 3 | | − 2| |+| | = 3(16) − 2(24) + (26)
4 8 4 8 5 6
1 4 8
= 282

2.3 PROPIEDADES DE LOS DETERMINANTES

1. |A t |= |A|

2. |A|=0 Si:

 Posee dos líneas iguales

 Todos los elementos de una línea son nulos.

 Los elementos de una línea son combinación lineal de las

otras.

3. Un determinante triangular es igual al producto de los

elementos de la diagonal principal.

det( 𝐴) = 𝑎11 , 𝑎22 , … … . 𝑎𝑛𝑛

4. Si en un determinante se cambian entre sí dos líneas

paralelas su determinante cambia de signo.

5. Si a los elementos de un a línea se le suman los elementos de

otra paralela multiplicados previamente por un nº real el
valor del determinante no varía.

6. Si se multiplica un determinante por un número real, queda

multiplicado por dicho número cualquier línea, pero sólo
una.
 7. Si todos los elementos de una fila o columna están formados
por dos sumandos, dicho determinante se descompone en la
suma de dos determinantes.

8. |A·B| =|A|·|B|

2.4 OPERACIONES ELEMENTALES DE FILA O COLUMNA

EN UN DETERMINANTE

1. Multiplicar una fila o una columna por un escalar no nulo el determinante

queda multiplicado por dicho escalar.

Notación: 𝑺𝒊 𝑭𝒊 ← 𝜶𝑭𝒊, 𝐝𝐨𝐧𝐝𝐞 𝛂 ∈ ℝ − {𝟎}

𝑺𝒊 𝑪𝒊 ← 𝜶𝑪𝒊, 𝐝𝐨𝐧𝐝𝐞 𝛂 ∈ ℝ − {𝟎}
∴ det(𝐴) = 𝛼 ∗ det(𝐴)

2. Intercambiar de posición dos filas o columnas el determinante queda

multiplicado por -1.
Notación: 𝑭𝒊 ↔ 𝑭𝒋, 𝐝𝐨𝐧𝐝𝐞 𝐢. 𝐣 ∈ ℕ /𝐢 ≠ 𝐣
𝑪𝒊 ↔ 𝑪𝒋, 𝐝𝐨𝐧𝐝𝐞 𝐢. 𝐣 ∈ ℕ /𝐢 ≠ 𝐣
∴ det(𝐴) = −1 ∗ det(𝐴)

3. Sumar a una fila o columna y un múltiplo de otra el valor del determinante no

cambia.
Notación: 𝐹𝑖 ← 𝐹𝑖 − 𝛼𝐹𝑗, donde α ∈ ℝ − {0} y donde i. j ∈ ℕ /i ≠ j

𝐶𝑖 ← 𝐶𝑖 − 𝛼𝐶𝑗, donde α ∈ ℝ − {0} y donde i. j ∈ ℕ /i ≠ j

∴ 𝑆𝑒 𝑟𝑒𝑐𝑜𝑚𝑖𝑒𝑛𝑑𝑎 𝑠𝑜𝑙𝑜 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑒𝑠𝑡𝑎 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑎 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑢𝑛 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒

𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑛𝑑𝑜𝑙𝑜 𝑒𝑛 𝑡𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 𝑝𝑎𝑟𝑎 𝑒𝑛𝑐𝑜𝑛𝑡𝑟𝑎𝑟 𝑠𝑢 𝑣𝑎𝑙𝑜𝑟, 𝑎𝑙 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑟

𝑙𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙.

Ejercicio:
Para que valores de λ el determinante es diferente de cero.
 1. Usando el método de Sarrus
𝝀 𝟏 𝟏
𝑨 = |𝟏 𝝀 𝟏| = (𝝀𝟑 − 𝟑𝝀 + 𝟐) = (𝝀 − 𝟏)𝟐 (𝝀 + 𝟐)
𝟏 𝟏 𝝀

∴ 𝝀 ∈ ℝ − {−𝟐, 𝟏}

2. Usando la propiedad tres de los determinantes

Ejemplo 1:
𝟏 𝟏 𝟏 = 𝟏 𝟎 𝟎
|𝒙 𝒚 𝒛 | 𝐜𝟐 ← 𝐜𝟐 − 𝐜𝟏 | 𝒙 𝒚−𝒙 𝒛−𝒙 |=
𝒙𝟐 𝒚𝟐 𝒛𝟐 𝐜𝟑 ← 𝐜𝟑 − 𝐜𝟏 𝒙𝟐 𝒚𝟐 − 𝒙𝟐 𝒛𝟐 − 𝒙𝟐

𝟏 𝟎 𝟎 =
= (𝒛 − 𝒙)(𝒚 − 𝒙) | 𝒙 𝟏 𝟏 |𝐜 ← 𝐜 − 𝐜
𝟑 𝟑 𝟐
𝒙𝟐 𝒚+𝒙 𝒛+𝒙

𝟏 𝟎 𝟎
= (𝒛 − 𝒙)(𝒚 − 𝒙 ) | 𝒙 𝟏 𝟎 | = (𝒛 − 𝒙)(𝒚 − 𝒙 )(𝒛 − 𝒚)
𝒙𝟐 𝒚+𝒙 𝒛+𝒙−𝒙−𝒚

Ejemplo 2:
𝝀 𝟏 𝟏 = 𝝀−𝟏 𝟏 𝟏 =
|𝟏 𝝀 𝟏| 𝐜 ← 𝐜 − 𝐜 | 𝟎 𝝀 𝟏| 𝐟 ← 𝐟 + 𝐟
𝟏 𝟏 𝟑 𝟑 𝟑 𝟏
𝟏 𝟏 𝝀 𝟏−𝝀 𝟏 𝝀

𝝀−𝟏 𝟏 𝟏 = 𝝀−𝟏 𝟎 𝟏 =
=| 𝟎 𝝀 |
𝟏 𝐜 ←𝐜 −𝐜 | 𝟎 𝝀−𝟏 𝟏 |𝐟 ← 𝐟 + 𝐟
𝟐 𝟐 𝟑 𝟑 𝟑 𝟐
𝟎 𝟐 𝝀+𝟏 𝟎 𝟏−𝝀 𝝀+𝟏

𝝀−𝟏 𝟎 𝟏
| 𝟎 𝝀−𝟏 𝟏 | = (𝝀 − 𝟏)(𝝀 − 𝟏)(𝝀 + 𝟐)
𝟎 𝟎 𝝀+𝟐

2.5 DETERMINANTE DE VANDERMONDE

 Un determinante de Vandermonde es un determinante que presenta
una progresión geométrica en cada fila o en cada columna, siendo el
primer elemento 1.

Ejemplo 1:

𝟏 𝟏 𝟏 𝟏 = 𝟏 𝟏 𝟏 𝟏
𝒂 𝒃 𝒄 𝒅 𝐟𝟐 ← 𝐟𝟐 − 𝐚 ∗ 𝐟𝟏 𝟎 𝒃−𝒂 𝒄−𝒂 𝒅−𝒂
=| 𝟐 | | |
𝒂 𝒃𝟐 𝒄𝟐 𝒅𝟐 𝐟𝟑 ← 𝐟𝟑 − 𝐚 ∗ 𝐟𝟐 𝟎 𝒃𝟐 − 𝒂𝒃 𝒄𝟐 − 𝒂𝒄 𝒅𝟐 − 𝒂𝒅
𝒂𝟑 𝒃𝟑 𝒄𝟑 𝒅𝟑 𝐟𝟒 ← 𝐟𝟒 − 𝐚 ∗ 𝐟𝟑 𝟎 𝒃𝟑 − 𝒂𝒃𝟐 𝒄𝟑 − 𝒂𝒄𝟐 𝒅𝟑 − 𝒂𝒅𝟐

𝒃−𝒂 𝒄−𝒂 𝒅−𝒂

=| 𝒃(𝒃 − 𝒂) 𝒄(𝒄 − 𝒂) 𝒅(𝒅 − 𝒂) |
𝟐 𝟐 𝟐
𝒃 (𝒃 − 𝒂) 𝒄 (𝒄 − 𝒂) 𝒅 (𝒅 − 𝒂)

𝟏 𝟏 𝟏 =
= (𝒃 − 𝒂)(𝒄 − 𝒂)(𝒅 − 𝒂) | 𝒃 𝒅 𝒅| 𝐟𝟐 ← 𝐟𝟐 − 𝐛 ∗ 𝐟𝟏
𝟐 𝐟𝟑 ← 𝐟𝟑 − 𝐛 ∗ 𝐟𝟐
𝒃𝟐 𝒄𝟐 𝒅

𝟏 𝟏 𝟏
= (𝒃 − 𝒂)(𝒄 − 𝒂)(𝒅 − 𝒂) |𝟎 𝐜−𝐛 𝐝−𝐛 |
𝟎 𝐜(𝐜 − 𝐛) 𝐝(𝐝 − 𝐛)

= (𝒃 − 𝒂)(𝒄 − 𝒂)(𝒅 − 𝒂)(𝒄 − 𝒃)(𝒅 − 𝒃(𝒅 − 𝒄)

Ejemplo 2:

1 1 1 1 1 1
ba ca 1 1
a b c  0 b-a c-a   (b  a)(c  a) 
b(b  a) c(c  a) b c
a2 b2 c2 0 b 2 - ab c 2  ac

 (b  a)(c  a)(c  b)

2.6 MÉTODO DEL ACUMULADOR

Este método consiste en sumar todos los elementos de todas las filas y
columnas en una sola, si y solo si los elementos de las demás filas o columnas
suman lo mismo.

Ejemplos:
 𝟎 𝒂 𝒂 𝒂 𝟑𝒂 𝒂 𝒂 𝒂
𝟎 𝒂 𝒂 = 𝟎 𝒂 𝒂
 | 𝒂 𝒂 | 𝑪 = 𝑪 + 𝑪 + 𝑪 + 𝑪 | 𝟑𝒂 |
𝒂 𝒂 𝟎 𝟏 𝟏 𝟐 𝟑 𝟒 𝟑𝒂 𝒂 𝟎 𝒂
𝒂 𝒂 𝒂 𝟎 𝟑𝒂 𝒂 𝒂 𝟎
𝟑𝒂 𝒂 𝒂 𝒂
−𝒂 𝟎 𝟎
= | 𝟎 | = −𝟑𝒂𝟒
𝟎 𝟎 −𝒂 𝟎
𝟎 𝟎 𝟎 −𝒂

𝒂 𝒃 𝒃 𝒃 𝒃 𝒃 𝒃 𝒂 + 𝟔𝒃 𝒃 𝒃 𝒃 𝒃 𝒃 𝒃
𝒃 𝒂 𝒃 𝒃 𝒃 𝒃 𝒃 𝒂 + 𝟔𝒃 𝒂 𝒃 𝒃 𝒃 𝒃 𝒃
| 𝒃 𝒃 𝒂 𝒃 𝒃 𝒃 𝒃| |𝒂 + 𝟔𝒃 𝒃 𝒂 𝒃 𝒃 𝒃 𝒃|
=
 𝒃 𝒃 𝒃 𝒂 𝒃 𝒃 𝒃 𝑪 = 𝑪 + ∑𝒏=𝟕 𝑪 𝒂 + 𝟔𝒃 𝒃 𝒃 𝒂 𝒃 𝒃 𝒃
𝟏 𝟏 𝒊 =𝟐 𝒊
| 𝒃 𝒃 𝒃 𝒃 𝒂 𝒃 𝒃| |𝒂 + 𝟔𝒃 𝒃 𝒃 𝒃 𝒂 𝒃 𝒃|
𝒃 𝒃 𝒃 𝒃 𝒃 𝒂 𝒃 𝒂 + 𝟔𝒃 𝒃 𝒃 𝒃 𝒃 𝒂 𝒃
𝒃 𝒃 𝒃 𝒃 𝒃 𝒃 𝒂 𝒂 + 𝟔𝒃 𝒃 𝒃 𝒃 𝒃 𝒃 𝒂
= 𝒂 + 𝟔𝒃 𝒃 𝒃 𝒃 𝒃 𝒃 𝒃
𝑪𝟐 = 𝑪𝟐 − 𝑪𝟏
𝟎 𝒂−𝒃 𝟎 𝟎 𝟎 𝟎 𝟎
𝑪𝟑 = 𝑪𝟑 − 𝑪𝟏 | 𝟎 𝟎 𝒂 − 𝒃 𝟎 𝟎 𝟎 𝟎 |
𝑪𝟒 = 𝑪𝟒 − 𝑪𝟏 𝟎 𝟎 𝟎 𝒂−𝒃 𝟎 𝟎 𝟎
𝑪𝟓 = 𝑪𝟓 − 𝑪𝟏 | 𝟎 𝟎 𝟎 𝟎 𝒂−𝒃 𝟎 𝟎 |
𝑪𝟔 = 𝑪𝟔 − 𝑪𝟏 𝟎 𝟎 𝟎 𝟎 𝟎 𝒂−𝒃 𝟎
𝑪𝟕 = 𝑪𝟕 − 𝑪𝟏 𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝒂−𝒃

= ( 𝒂 + 𝟔𝒃)(𝒂 − 𝒃)𝟔

2.7 CALCULO DE LA INVERSA POR

DETERMINANTES
𝟏
𝒔𝒆𝒂: 𝑨−𝟏 = ( 𝑨∗ )𝒕 , |𝑨| ≠ 𝟎
|𝑨|
 𝒅𝒐𝒏𝒅𝒆: 𝑨−𝟏 : 𝑴𝒂𝒕𝒓𝒊𝒛 𝒊𝒏𝒗𝒆𝒓𝒔𝒂
|𝑨|: 𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒏𝒕𝒆 𝒅𝒆 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝑨
𝑨∗ : 𝒎𝒂𝒕𝒓𝒊𝒛 𝒂𝒅𝒋𝒖𝒏𝒕𝒂 𝒅𝒆 𝑨
(𝑨∗ )𝒕 : 𝒎𝒂𝒕𝒓𝒊𝒛 𝒕𝒓𝒂𝒏𝒔𝒑𝒖𝒆𝒔𝒕𝒂 𝒅𝒆 𝒍𝒂 𝒂𝒅𝒋𝒖𝒏𝒕𝒂

Ejemplo:

Sea:
𝟐 𝟎 𝟏
𝑨 = (𝟑 𝟎 𝟎)
𝟓 𝟏 𝟏

1 Calculamos el determinante de la matriz, en el caso que el determinante

sea nulo la matriz no tendrá inversa.

𝟐 𝟎 𝟏
𝑨 = |𝟑 𝟎 𝟎| = 𝟑
𝟓 𝟏 𝟏

2 Hallamos la matriz adjunta, que es aquella en la que cada elemento se sustituye

por su adjunto.

𝟎 𝟎 𝟑 𝟎 𝟑 𝟎
| | −| | | |
𝟏 𝟏 𝟓 𝟏 𝟓 𝟏 𝟎 −𝟑 𝟑
𝟎 𝟏 𝟐 𝟏 𝟐 𝟎
𝑨∗ = − | | | | −| | = (𝟏 −𝟑 −𝟐)
𝟏 𝟏 𝟓 𝟏 𝟓 𝟏
𝟎 𝟏 𝟐 𝟏 𝟐 𝟎 𝟎 𝟑 𝟎
|
( 𝟎 | −| | | |
𝟎 𝟑 𝟎 𝟑 𝟎 )

3. Calculamos la traspuesta de la matriz adjunta .

 𝟎 𝟏 𝟎
(𝑨 ∗ )𝒕
= (−𝟑 −𝟑 𝟑)
𝟑 −𝟐 𝟎

4. La matriz inversa es igual al inverso del valor de su determinante por la

matriz traspuesta de la adjunta.

−𝟏
𝟏 𝟎 𝟏 𝟎
𝑨 = (−𝟑 −𝟑 𝟑)
𝟑
𝟑 −𝟐 𝟎

Ejemplo:

Calcular la inversa de A
𝝀 𝟏 𝟏
𝑺𝒆𝒂 𝑨 = (𝟏 𝝀 𝟏)
𝟏 𝟏 𝝀

Calculamos el determinante de la matriz, en el caso que el determinante sea

nulo la matriz no tendrá inversa.

𝒅𝒆𝒕(𝑨) = (𝝀 + 𝟐)(𝝀 − 𝟏)(𝝀 − 𝟏)

∴ ∃ 𝒅𝒆𝒕(𝑨), ∀𝝀 ∈ ℝ − {−𝟐, 𝟏}
Hallamos la matriz adjunta, que es aquella en la que cada elemento se
sustituye por su adjunto
 𝝀 𝟏 𝟏 𝟏 𝟏 𝝀
| | −| | | |
𝟏 𝝀 𝟏 𝝀 𝟏 𝟏
𝝀𝟐 − 𝟏 𝟏−𝝀 𝟏−𝝀
𝟏 𝟏 𝝀 𝟏 𝝀 𝟏
𝑨∗ = − | | | | −| | =(𝟏−𝝀 𝝀𝟐 − 𝟏 𝟏 − 𝝀 )
𝟏 𝝀 𝟏 𝝀 𝟏 𝟏
𝟏 𝟏 𝝀 𝟏 𝝀 𝟏 𝟏−𝝀 𝟏 − 𝝀 𝝀𝟐 − 𝟏
( |𝝀 𝟏
| −|
𝟏 𝟏
| |
𝟏 𝟏
| )

Calculamos la traspuesta de la matriz adjunta

𝝀𝟐 − 𝟏 𝟏−𝝀 𝟏−𝝀
(𝑨∗ )𝒕 = ( 𝟏 − 𝝀 𝝀𝟐 − 𝟏 𝟏−𝝀)
𝟏−𝝀 𝟏−𝝀 𝝀𝟐 − 𝟏
La matriz inversa es igual al inverso del valor de su determinante por la matriz
traspuesta de la adjunta.

𝟏 𝝀𝟐 − 𝟏 𝟏−𝝀 𝟏−𝝀
−𝟏
𝑨 = (𝟏−𝝀 𝝀𝟐 − 𝟏 𝟏−𝝀)
(𝝀 + 𝟐)(𝝀 − 𝟏)(𝝀 − 𝟏)
𝟏−𝝀 𝟏−𝝀 𝝀𝟐 − 𝟏

3.- DEFINICIÓN Y CLASIFICACIÓN DE

ECUACIONES LINEALES
Se denomina ecuación lineal a aquella que tiene la forma de un polinomio de primer
grado, es decir, las incógnitas no están elevadas a potencias, ni multiplicadas entre sí, ni
en el denominador.

Por ejemplo, 3x + 2y + 6z = 6 es una ecuación lineal con tres incógnitas.Como es bien

sabido, las ecuaciones lineales con 2 incógnitas representan una recta en el plano.

Si la ecuación lineal tiene 3 incógnitas, su representación grafica es un plano en el espacio.

Un ejemplo de ambas representaciones puede

observarse en la figura:

Representación grafica de la recta −x + 2y = 3 en el plano y del plano x + y + z = 1 en el

espacio

UN SISTEMA DE ECUACIONES LINEALES ES UN CONJUNTO DE ECUACIONES LINEALES DE

LA FORMA:

En este caso tenemos m ecuaciones y n incógnitas.

Los números reales aij se denominan coeficientes y los 𝑥𝑖 se denominan incógnitas (o
números a determinar) y bj se denominan términos independientes.
En el caso de que las incógnitas sean 2 se suelen designar simplemente por x e y en vez de
x1 y x2, y en el caso de tres, x, y, z en lugar de x1, x2 y x3 pero esto es indiferente a la hora
de resolver el sistema.
Resolver el sistema consiste en calcular las incógnitas para que se cumplan TODAS las
ecuaciones del sistema simultáneamente.
Diremos que dos sistemas son equivalentes cuando tienen las mismas soluciones.

REPRESENTACIÓN MATRICIAL DE UN SISTEMA DE

ECUACIONES
Cualquier sistema de ecuaciones lineales se puede expresar en forma matricial del modo:
 𝒂𝟏𝟏
𝒂𝟐𝟏
𝒂𝟏𝟐
𝒂𝟐𝟐
𝒂𝟏𝟑
𝒂𝟐𝟑 ⋯ 𝒂𝒂 𝒙
𝒙
𝒃
𝟏𝒏
𝒃
𝟐𝒏
𝟏
𝟐
𝟏
𝟐

⋮ ⋱ ⋮
⋯ 𝒂 ) 𝒙⋮ (𝒃⋮ )
∗( )=
𝒂 𝒂𝒎𝟐 𝒂𝒎𝟑 𝒏
( 𝒎𝟏 𝒎𝒏 𝒎

𝑎11 𝑎12 𝑎13 𝑎1𝑛

𝑎21 𝑎22 𝑎23 ⋯ 𝑎2𝑛
𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 = ( ⋮ ⋱ ⋮ ) 𝑠𝑒 𝑙𝑙𝑎𝑚𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠
𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 ⋯ 𝑎𝑚𝑛
𝑥1
𝑥
, 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑋 = ( 2 ) 𝑠𝑒 𝑙𝑙𝑎𝑚𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑖𝑛𝑐𝑜𝑛𝑔𝑛𝑖𝑡𝑎𝑠,
⋮
𝑥𝑛

𝑏1
𝑏
𝑦 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐵 = ( 2 ) se llama la matriz de 𝑡𝑒𝑟𝑚𝑖𝑛𝑜𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.
⋮
𝑏𝑚
La matriz formada por A y B conjuntamente, es decir:
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝒏 𝒃𝟏
𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ⋯ 𝒂𝟐𝒏 𝒃𝟐
(𝐴|𝐵) ( ⋮ ⋱ ⋮ | ⋮ )
𝒂𝒎𝟏 𝒂𝒎𝟐 𝒂𝒎𝟑 ⋯ 𝒂𝒎𝒏 𝒃𝒎

se llama matriz ampliada del sistema y se representara por (A|B)

SISTEMAS EQUIVALENTES

1 1 -1
X 2
2 -1 1
Y 1
1 -3 -1 =
Z 0
-1 -3 1
0

Los sistemas equivalentes, se aplican a sistemas de ecuaciones lineales que tienen las
mismas soluciones y que resultan de aplicar sobre la matriz original operaciones
elementales de fila

1 1 -1 2
2 -1 1 1
1 -3 -1 0
-1 -3 1 0
 CLSIFICACION DE SISTEMAS DE ECUACIONES
 Sistemas homogéneos (2 tipos de soluciones)

La solución trivial, es decir, cuando las incógnitas valen cero cada

una.
Infinitas soluciones, cuando algunas de las incógnitas quedan en
función de otras y valen cero.

 Sistemas no homogéneos (3 tipos de soluciones)

Única solución, cuando para todas las incógnitas del sistema existe
con un solo valor real.
Infinitas soluciones, cuando algunas de las incógnitas están en
función de otras y tienen un valor real.
No existe solución, cuando los valores de las incógnitas no existen.

En sistema No homogéneo Homogéneo

a) ∃! 𝑠𝑜𝑙𝑢𝑐 Si Si (Trivial)

b) ∃∞𝑠𝑜𝑙𝑢𝑐 Si Si

c) ~∃𝑠𝑜𝑙𝑢𝑐 Si No

3.2 MÉTODOS DE RESOLUCIÓN

Método de Gauss
El método de Gauss, conocido también como de triangulación o de cascada, nos
permite resolver sistemas de ecuaciones lineales con cualquier número de
ecuaciones y de incógnitas.

La idea es muy simple; por ejemplo, para el caso de un sistema de tres ecuaciones
con tres incógnitas se trata de obtener un sistema equivalente cuya primera
ecuación tenga tres incógnitas, la segunda dos y la tercera una. Se obtiene así
un sistema triangular o en cascada de la forma:
 Ax + By + Cz = D
Ey + Fz = G
Hz = I

Ejemplo:

𝑥1 + 2𝑥2 + 3𝑥3 = 6
2𝑥1 − 3𝑥2 + 𝑥3 = 14} 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠
3𝑥1 + 𝑥2 − 𝑥3 = −2

Realizamos operaciones de fila

1 2 3 6 ≈ 1 2 3 6 =
(2 −1 2 | 14 ) f3 ← f3 − 3f1 (0 −7 −4 | 2 ) f ← (− 1)f
3
3 1 −1 −2 f2 ← f2 − 2f1 0 −5 −10 −20 5 3
1 2 3 6 ≈ 1 2 3 6 ≈
(0 −7 −4|2) f ↔ f (0 1 2 |4) f ← f + 7f
3 2 3 3 1
0 1 2 4 0 −7 −4 2
1 2 3 6 ≈ 1 2 36
1
(0 1 2 | 4 ) f ← ( )f (0 1 2|4)
3
0 0 10 30 10 3 0 0 1 3
La ultima matriz esta en forma escalonada por filas, (método de gauss), lo cual
significa que:

𝑥3 = 3; 𝑥2 = 4; 𝑥1 = −2.

Método de Gauss-Jordan
Este método, que constituye una variación del método de eliminación de Gauss,
permite resolver hasta 15 o 20 ecuaciones simultáneas, con 8 o 10 dígitos
significativos en las operaciones aritméticas de la computadora. Este
procedimiento se distingue del método Gaussiano en que cuando se elimina una
incógnita, se elimina de todas las ecuaciones restantes, es decir, las que preceden
a la ecuación pivote así como de las que la siguen.
El método se ilustra mejor con un ejemplo. Resolvamos el siguiente conjunto de
ecuaciones

3.0 X1 - 0.1 X2 - 0.2 X3 = 7.8500

0.1 X1 + 7.0 X2 - 0.3 X3 = - 19.3

0.3 X1 - 0.2 X2 + 10 X3 = 71.4000

Primero expresemos los coeficientes y el vector de términos independientes como

una matriz aumentada.

Se normaliza el primer renglón dividiendo entre 3 para obtener:

El término X1 se puede eliminar del segundo renglón restando 0.1 veces el primero
del segundo renglón. De una manera similar, restando 0.3 veces el primero del
tercer renglón se elimina el término con X1 del tercer renglón.

En seguida, se normaliza el segundo renglón dividiendo entre 7.00333:

 Reduciendo los términos en X2 de la primera y la tercera ecuación se obtiene:

El tercer renglón se normaliza dividiendolo entre 10.010:

Finalmente, los términos con X3 se pueden reducir de la primera y segunda

ecuación para obtener:

Nótese que no se necesita sustitución hacia atrás para obtener la solución.

Las ventajas y desventajas de la eliminación gaussiana se aplican también al

método de Gauss-Jordan.

Aunque los métodos de Gauss-Jordan y de eliminación de Gauss pueden parecer

casi idénticos, el primero requiere aproximadamente 50% menos operaciones. Por
lo tanto, la eliminación gaussiana es el mé todo simple por excelencia en la
obtención de soluciones exactas a las ecuaciones lineales simultáneas. Una de las
principales razones para incluir el método de Gauss-Jordan, es la de proporcionar
un método directo para obtener la matriz inversa.

Método de Cramer
La regla de Cramer sirve para resolver sistemas de ecuaciones lineales. Se aplica a
sistemas que cumplan las dos condiciones siguientes:
 -El número de ecuaciones es igual al número de incógnitas .
-El determinante de la matriz de los coeficientes es distinto de cero .
Tales sistemas se denominan sistemas de Cramer.

Sea Δ el determinante de la matriz de coeficientes.

Y sean: Δ 1 , Δ 2 , Δ 3 ... , Δ n

Los determinantes que se obtiene al sustituir los coeficientes del 2º

miembro (los términos independientes) en la 1ª columna, en la 2ª columna,
en la 3ª columna y en la enésima columna respectivamente.

Un sistema de Cramer tiene una sola solución que viene dada por las
siguientes expresiones:
 CRITERIO PARA HALLAR SOLUCIONES
Una vez aplicado Gauss o Gauss-Jordán

 Tiene solución única si el número de ecuaciones validas es igual al número de

incógnitas.
 Tiene infinitas soluciones si el número de ecuaciones validas es menor al número de
incógnitas.
 No tiene solución si el número de filas no nulas de la matriz ampliada y el de la matriz
de coeficientes son diferentes.

Aplicamos Gauss – Jordán

𝟏 𝟏 𝟏𝟏 ≈ 𝟏 𝟏 𝟏𝟏
(𝟏 |
𝟏 𝟏𝟏 ) f3 ← f3 − f1 ( 𝟎 𝟎 𝟎|𝟎) ∴ ∃∞𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏𝒆𝒔
𝟏 𝟏 𝟏 𝟏 f2 ← f2 − 2f1 𝟎 𝟎 𝟎𝟎
Como se escriben las infinitas soluciones
Ejemplo:

𝑥 − 2𝑦 + 𝑧 = 𝑜
𝑺𝒆𝒂 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂 𝑥 − 3𝑦 − 2𝑧 = 0
{
𝒅𝒆 𝒆𝒄𝒖𝒂𝒄𝒊𝒐𝒏𝒆𝒔
2𝑥 − 5𝑦 − 𝑧 = 0
𝟏 −𝟐 𝟏 ∴ ∃∞𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏𝒆𝒔 𝒚𝒂 𝒒𝒖𝒆
𝒅𝒆𝒕(𝑨) = |𝟏 −𝟑 −𝟐| = 𝟎,
𝒆𝒔 𝒖𝒏 𝒔𝒊𝒔𝒕𝒆𝒎𝒂 𝒉𝒐𝒎𝒐𝒈é𝒏𝒆𝒐
𝟐 −𝟓 −𝟏
Resolución por Gauss- Jordan

𝟏 −𝟐 𝟏 𝟎 ≈ 𝟏 −𝟐 𝟏 𝟎 =
(𝟏 −𝟑 −𝟐|𝟎) 2 f2 − f1 (𝟎 −𝟏 −𝟑|𝟎) f ← f − f
f ←
3 3 2
𝟐 −𝟓 −𝟏 𝟎 f3 ← f3 − 2f1 𝟎 −𝟏 −𝟑 𝟎

𝟏 −𝟐 𝟏 𝟎
(𝟎 −𝟏 −𝟑|𝟎) ∴ ∃∞ 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏𝒆𝒔
𝟎 𝟎 𝟎 𝟎

𝒙 = −𝟕𝒛
𝑬𝒄𝒖𝒂𝒄𝒊𝒐𝒏𝒆𝒔 {
𝒚 = −𝟑𝒛

𝒙 = −𝟕𝒛
𝑪𝑺 = {(𝒙, 𝒚, 𝒛) / }
𝒚 = −𝟑𝒛
∴ 𝑪𝑺 = {(−𝟕𝒛, −𝟑𝒛, 𝒛) / 𝒛 ∈ ℝ}

Ejercicios tipo examen:

Determinar para que valores de 𝜶, 𝜷 existe:
a) ∃! 𝒔𝒐𝒍𝒖𝒄
b) ∃∞𝒔𝒐𝒍𝒖𝒄
c) ~∃𝒔𝒐𝒍𝒖𝒄
𝑥1 − 2𝑥2 + 0𝑥3 = 𝛼
𝑺𝒆𝒂 𝒆𝒍 𝒔𝒊𝒔𝒕𝒆𝒎𝒂 0𝑥 + 0𝑥 + 𝛽𝑥 = 2
{ 1 2 3
𝒅𝒆 𝒆𝒄𝒖𝒂𝒄𝒊𝒐𝒏𝒆𝒔
0𝑥1 + 0𝑥2 + 𝑥3 = −3

𝟏 −𝟐 𝟎 𝜶 ≈ 𝟏 −𝟐 𝟎 𝜶
(𝟎 𝟎 𝜷| ) f ↔ f (𝟎 𝟎 𝟏 |−𝟑)
𝟐
3 2
𝟎 𝟎 𝟏 −𝟑 𝟎 𝟎 𝜷 𝟐

𝟏 −𝟐 𝟎 𝜶
=
−𝟑
f3 ← f3 − βf2 (𝟎 𝟎 𝟏| )
𝟎 𝟎 𝟎 𝟐 + 𝟑𝜷
 𝟏) |𝑨| = 𝟎 → ∃! 𝒔𝒐𝒍𝒖𝒄
𝟐
∴ 𝟐)𝑺𝒊 𝜷 ≠ − 𝟑 , ∀𝜶 ∈ ℝ → ~∃𝒔𝒐𝒍𝒖𝒄
𝟐
{𝟑)𝑺𝒊 𝜷 = − 𝟑 , ∀𝜶 ∈ ℝ → ∃∞𝒔𝒐𝒍𝒖𝒄

Determinar los valores de “a” para que el sistema

(2𝑎 + 2)𝑥 + (𝑎 − 1)𝑦 + (𝑎 + 3)𝑧 = −2

{ + (𝑎 − 1)𝑦 − (𝑎 − 1)𝑧 = 0
2𝑥 +𝑦 − 𝑧 = −1

a) Tenga solución única. Hallarlas

b) Tenga ms de una solución. Hallarlas
c) No tenga soluciones

2𝑎 + 2 𝑎 − 1 𝑎 + 3 ⋮ −2
( 0 𝑎−1 −(𝑎 − 1) ⋮ 0 )
2 1 −1 ⋮ −1

2𝑎 + 2 𝑎 − 1 𝑎+3
|𝐴| = | 0 𝑎 − 1 −(𝑎 − 1)|
2 1 −1

𝑎−1 𝑎+3
|𝐴| = 2𝑎 + 2 |𝑎 − 1 −(𝑎 − 1)| +2| |
1 −1 𝑎−1 −(𝑎 − 1)

|𝐴| = 2𝑎 + 2[−𝑎 + 1 + 𝑎 − 1]+2[−(𝑎 − 1)(𝑎 − 1) − (𝑎 + 3)(𝑎 − 1)]

|𝐴| =2(𝑎 − 1)[−(𝑎 − 1) − (𝑎 + 3)]

|𝐴| = −4(𝑎 − 1)(𝑎 + 1)

(𝑎 − 1)(𝑎 + 1) ≠ 0

∴ ∃! 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏 ∀ "a" ∈ R-{−𝟏, 𝟏}

𝑃𝑎𝑟𝑎 𝑎 = −1

0 −2 2 ⋮ −2
(0 −2 2 ⋮0 )
2 1 −1 ⋮ −1
 2 1 −1 ⋮ −1 ≈ 2 1 −1 ⋮ −1
𝐹3 ↔ 𝐹1 (0 −2 2 ⋮ 0 ) 𝐹 = 𝐹 − 𝐹 (0 −2 2 ⋮0 )
3 3 2
0 −2 2 ⋮ −2 0 0 0 ⋮ −2

∴ 𝑷𝒂𝒓𝒂 𝒂 = −𝟏 ∄ 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏

𝑃𝑎𝑟𝑎 𝑎 = 1

≈ 1
4 0 4 ⋮ −2 4 0 4 ⋮ −2 1 0 1⋮−
(0 0 0 ⋮ 0 ) 𝐹2 ↔ 𝐹3 (2 1 −1 ⋮ −1 ) 𝐹 = 1𝐹1 ( 2)
1 2 1 −1 ⋮ −1
2 1 −1 ⋮ −1 0 0 0 ⋮ 0 4
0 0 0 ⋮ 0

1
≈ 1 0 1⋮− 1
𝑥 + 𝑧 = −2
2
(
𝐹2= 𝐹2 − 2𝐹1 0 1 −3 ⋮ 0 ) 𝑦 − 3𝑧 = 0
0 0 0 ⋮ 0

∴ 𝑷𝒂𝒓𝒂 𝒂 = 𝟏 ∃∞ 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏𝒆𝒔

1
C.S.= {(𝒙, 𝒚, 𝒛)⁄𝒙 = − − 𝑧, 𝑦 = 3𝑧}
2

1
C.S.= {(− 2 − 𝑧 , 𝟑𝒛, 𝒛)⁄𝒛 ∈ ℝ}

Determinar los valores de “m” para que el siguiente sistema

(2𝑚 + 2)𝑥 + (𝑚 − 1)𝑦 + (𝑚 + 3)𝑧 = 2𝑚 + 2

{ + (𝑚 − 1)𝑦 − (𝑚 − 1)𝑧 = 0
𝑚𝑥 +𝑦 −𝑧 = 𝑚+1

a) Tenga solución única. Hallarlas

b) Tenga más de una solución. Hallarlas

c) No tenga soluciones
 2𝑚 + 2 𝑚−1 𝑚 + 3 ⋮ 2𝑚 + 2
( 0 𝑚−1 −𝑚 + 1 ⋮ 0 )
𝑚 1 −1 ⋮ 𝑚 + 1

2𝑚 + 2 𝑚−1 𝑚+3
|𝐴| = | 0 𝑚−1 −𝑚 + 1|
𝑚 1 −1

𝑚−1 𝑚+3
|𝐴| = 2𝑚 + 2 |𝑚 − 1 −𝑚 + 3| + 𝑚 | |
1 −1 𝑚 − 1 −𝑚 + 1

|𝐴| = 2𝑚 + 2[−𝑚 + 1 − 1 + 𝑚] + 𝑚[(𝑚 − 1)(1 − 𝑚) − (𝑚 + 3)(𝑚 − 1)]

|𝐴| = 𝑚(𝑚 − 1)[−2𝑚 − 2]

|𝐴| = −2𝑚(𝑚 − 1)(𝑚 + 1)

−2𝑚(𝑚 − 1)(𝑚 + 1) ≠ 0

∴ ∃! 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏 ∀ "m" ∈ R-{−𝟏, 𝟎, 𝟏}

𝑃𝑎𝑟𝑎 𝑚 = 1

4 0 4⋮4 4 0 4⋮4 ≈ 1 0 1⋮1 ≈

(0 0 0 ⋮ 0 ) 𝐹2 ↔ 𝐹3 (1 1 −1 ⋮ 2 ) 𝐹 1𝐹1 (1 1 −1 ⋮ 2 ) 𝐹 =𝐹2 − 𝐹1
1= 2
1 1 −1 ⋮ 2 0 0 0⋮ 0 4 0 0 0⋮ 0

1 0 1⋮1 𝑥+𝑧 =1
(0 1 −2 ⋮ 1 ) 𝑦 − 2𝑥 = 1
0 0 0⋮ 0

∴ 𝑷𝒂𝒓𝒂 𝒎 = 𝟏 ∃∞ 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏𝒆𝒔

C.S.= {(𝒙, 𝒚, 𝒛)⁄𝒙 = 1 − 𝑧, 𝑦 = 1 + 2𝑧}

C.S.= {(1 − 𝑧, 1 + 2𝑧, 𝒛)⁄𝒛 ∈ ℝ}

𝑃𝑎𝑟𝑎 𝑚 = 0
 2 −1 3⋮2 ≈ 2 −1 3⋮2
(0 −1 1 ⋮ 0 ) 𝐹 = 𝐹 + 𝐹 (0 −1 1⋮0)
3 3 2
0 1 −1 ⋮ 1 0 0 0 ⋮ 1

∴ 𝑷𝒂𝒓𝒂 𝒎 = 𝟎 ∄ 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏

𝑃𝑎𝑟𝑎 𝑚 = −1

0 −2 2⋮0
( 0 −2 2 ⋮ 0)
−1 1 −1 ⋮ 0

−1 1 −1 ⋮ 0 −1 1 −1 ⋮ 0 ≈
≈
𝐹3 ↔ 𝐹1 ( 0 −2 2 ⋮ 0 ) 𝐹 = 𝐹 − 𝐹 ( 0 −2 2 ⋮ 0 ) 𝐹 = − 1𝐹2
3 3 2 2
0 −2 2⋮ 0 0 0 0⋮ 0 2

−1 1 −1 ⋮ 0 ≈ −1 0 0⋮0 −𝑥 = 0
(0 1 −1 ⋮ 0) 𝐹 = 𝐹 − 𝐹 ( 0 1 −1 ⋮ 0 ) 𝑦 − 𝑧 = 0
1 1 2
0 0 0⋮ 0 0 0 0⋮ 0

C.S.= {(𝒙, 𝒚, 𝒛)⁄𝒙 = 𝟎 , 𝑦 = 𝑧}

C.S.= {(0, 𝑧, 𝒛)⁄𝒛 ∈ ℝ}

4.1. DEFINICIÓN DE ESPACIOS Y SUB ESPACIOS

VECTORIALES
Un espacio vectorial sobre un cuerpo , es un conjunto no vacío, dotado de dos
operaciones:

( , , +,.)

Operación
Conjunto no vacio Operación Externa
de vectores Ov Interna (SUMA (PRODUCTO DE
DE VECTORES) UN VECTOR por
un ESCALAR)
Recordemos que la forma de representar a un vector es:

V= {(𝑎, 𝑏) / 𝑎 ∧ 𝑏𝜖𝐼𝑅 }

Condiciones
Genérico
o restricciones

⇒ 𝐴 = {𝑥𝜖𝑧/𝑥 > 5 ∧ 𝑥 < 7}

𝑥, 𝑦 1 −2
𝑊 = {( )/ 𝑦 = 𝑧 } ( ) 𝜖 𝑊
𝑧𝑤 −2 0

OPERACIÓN INTERNA OPERACIÓN EXTERNA

Suma de Vectores Multiplicación de un escalar por un Vector

𝑉1 𝑉2 𝑉1 𝑉2

𝑉3 𝑉4 𝑉3 𝑉4

0𝑉 0𝑉
𝑉6 𝑉5 𝑉6 𝑉5

𝑉1 = ( 2 , 5 ) 𝑉1 = ( 2 , 5 )

𝑉2 = ( −3 , 4 ) α=3

𝑉1 + 𝑉2 = ( −1 , 9 ) 𝛼 𝑉1 = ( 6 , 15)
 Espacios Vectoriales Comunes
(V,K,+,*) GENÉRICO EJEMPLO 0𝑉
( 𝑷𝟏 , ℝ , + ,∗ ) a + bx 3-x 0 + 0x
2 2
( 𝑷𝟐 , ℝ , + ,∗ ) 𝑎 + 𝑏 𝑥 + 𝑐𝑥 2 + 3 𝑥 + 5𝑥 0 + 0 𝑥 + 0𝑥 2
( 𝑹𝟐 , ℝ , + ,∗ ) ( a, b ) ( 2 ,5) ( 0, 0 )
( 𝑹𝟐 , ℝ , + ,∗ ) ( a, b , c ) ( 4 , -6 , 2 ) ( 0, 0 , 0 )
( 𝑴𝟐 , ℝ , + ,∗ ) 𝑎 𝑏 2 −8 0 0
[ ] [ ] [ ]
𝑐 𝑑 −6 3 0 0

Un espacio vectorial (V), definido sobre un cuerpo k (en generalℝ 𝒐 ℂ) es un conjunto

𝑽 ≠ ∅; sobre el que hay definidas dos operaciones:
1. Suma:
+∶ 𝑽 𝒙 𝑽 → 𝑽

(𝒖, 𝒗) → 𝒖 + 𝒗

Verificando las siguientes propiedades:

(a) Conmutativa: 𝒖 + 𝒗 = 𝒗 + 𝒖, ∀𝒖, 𝒗 ∈ 𝑽

(b) Asociativa: (𝒖 + 𝒗) + 𝒘 = 𝒖 + (𝒗 + 𝒘), ∀𝒖, 𝒗, 𝒘 ∈ 𝑽 .
(c) Elemento neutro: 𝑬𝒙𝒊𝒔𝒕𝒆 𝟎 ∈ 𝑽 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒖 + 𝟎 = 𝟎 + 𝒖 = 𝒖, ∀𝒖 ∈ 𝑽 .
(d) Elemento opuesto: 𝑷𝒂𝒓𝒂 𝒕𝒐𝒅𝒐 𝒖 ∈ 𝑽 𝒆𝒙𝒊𝒔𝒕𝒆 ¡ −𝒖 ∈ 𝑽 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒖 + (−𝒖) =
(−𝒖) + 𝒖 = 𝟎
2. Producto por un escalar:
∗∶ 𝑲 𝒙 𝑽 → 𝑽

(𝝀, 𝒖) → 𝝀 ∗ 𝒖

Verificando las siguientes propiedades:

(a) 𝟏 ∗ 𝒖 = 𝒖, ∀𝒖 ∈ 𝑽 .
(b)𝜶 ∗ (𝜷 𝒖) = (𝜶𝜷) ∗ 𝒖, ∀𝜶𝜷 ∈ 𝑲, ∀𝒖 ∈ 𝑽 .
(c) (𝜶 + 𝜷) ∗ 𝒖 = 𝜶 ∗ 𝒖 + 𝜷 ∗ 𝒖, ∀𝜶, 𝜷 ∈ 𝑲, ∀𝒖 ∈ 𝑽 .
(d) 𝜶 ∗ (𝒖 + 𝒗) = 𝜶 ∗ 𝒖 + 𝜶 ∗ 𝒗, ∀𝜶 ∈ 𝑲, ∀𝒖, 𝒗 ∈ 𝑽 .

Los elementos de un espacio vectorial se llaman vectores.

Un espacio vectorial real es un espacio vectorial sobre el cuerpo R de los números
reales.
 SUBESPACIO VECTORIAL
Se llama subespacio vectorial (S) de un espacio vectorial V a cualquier subconjunto no
vacío, tal que 𝑺 ⊂ 𝑽 que es espacio vectorial con las mismas operaciones definidas
sobre V.

Caracterización de subespacios vectoriales

Si V es un espacio vectorial 𝒚 𝑺 ⊂ 𝑽 , 𝑺 ≠ ∅, entonces:

(𝟏) 𝐮 + 𝐯 ∈ 𝐒, ∀𝐮; 𝐯 ∈ 𝐒
𝐒 𝐞𝐬 𝐬𝐮𝐛𝐞𝐬𝐩𝐚𝐜𝐢𝐨 𝐯𝐞𝐜𝐭𝐨𝐫𝐢𝐚𝐥 𝐝𝐞 𝐕 {
(𝟐) 𝛂𝐮 ∈ 𝐒, ∀𝛂 ∈ 𝐊 𝐲 ∀𝐮 ∈ 𝐒

CONDICIONES PARA QUE SE CUMPLA UN ESPACIO VECTORIAL

a) 𝑾 ≠ ∅, 𝑷𝑫 𝑶𝒗 ∈ 𝑾

b) ∀𝒖, 𝒗 ∈ 𝑾, 𝒖 + 𝒗 ∈ 𝑾

c) ∀𝒖 ∈ 𝑾, ∀𝜶 ∈ 𝒌, 𝜶 ∗ 𝒖 ∈ 𝑾

Ejemplo:
Demostrar si W es subespacio vectorial:

a) 𝑾 = {(𝒙, 𝒚, 𝒛) / 𝒚 = 𝒛}
 1. 𝑾, 𝑷𝑫 𝑶𝒗 ∈ 𝑾

(𝒙 𝒚 𝒛) = ( 𝟎 𝟎 𝟎)
𝒙=𝟎
𝑶𝒗 ∈ 𝑾
𝒚 = 𝟎} 𝒛 = 𝒚 , ∴
𝑾≠∅
𝒛=𝟎

2. ∀𝒖, 𝒗 ∈ 𝑾, 𝒖 + 𝒗 ∈ 𝑾

𝑾 = {(𝒙, 𝒛, 𝒛) / 𝒙, 𝒛 ∈ ℝ}
𝒖 = (𝒙𝟏 , 𝒛𝟏 , 𝒛𝟏 )
𝒗 = (𝒂, 𝒃, 𝒃)
𝒖 + 𝒗 = (𝒙𝟏 + 𝒂, 𝒛𝟏 + 𝒃, 𝒛𝟏 + 𝒃)
𝒛𝟏 + 𝒃 = 𝒛𝟏 + 𝒃
∴ 𝒖+𝒗∈𝑾

b) 𝑾 = {(𝒙, 𝒚) / 𝒂 + 𝒃 = 𝟏}
1. 𝑾, 𝑷𝑫 𝑶𝒗 ∈ 𝑾

(𝒂 𝒃) = (𝟎 𝟎)
𝒂=𝟎
} 𝒂 + 𝒃 ≠ 𝟏 , ∴ 𝑶𝒗 ∉ 𝑾
𝒃=𝟎

COMBINACIÓN LINEAL
Sea 𝑩 = {𝒖𝟏 , 𝒖𝟐 , 𝒖𝟑 , … , 𝒖𝒏 }, un conjunto de vectores de un e.v. V, un vector u de V es una
combinación lineal de los vectores de B, sí se puede escribir lo siguiente:

𝒖 = 𝜶𝟏 𝒖𝟏 + 𝜶𝟐 𝒖𝟐 + 𝜶𝟑 𝒖𝟑 + ⋯ + 𝜶𝒏 𝒖𝒏

Ejemplo1:

¿ 𝑻 = {𝟐, −𝟏} Es combinación lineal de 𝒖 = {𝟑, 𝟑}?

 (𝟑, 𝟑) = 𝜶(𝟐, −𝟏)

𝟐𝜶 = 𝟑
𝑺. 𝑬 {
−𝜶 = 𝟑
𝟐 𝟑 ~ 𝟏 𝟗 ~ 𝟏 𝟗
( | )𝐟 ↔ 𝐟 + 𝐟 ( | )𝐟 ↔ 𝐟 + 𝐟 ( | )
−𝟏 𝟑 𝟏 𝟏 𝟐 −𝟏 𝟑 𝟐 𝟐 𝟏 𝟎 𝟏𝟐

∴ ~∃𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏
∴ 𝒏𝒐 𝒆𝒔 𝑪𝑳
Ejemplo2:

¿ 𝒔 = {(𝟏, 𝟎, −𝟐); (𝟑, 𝟎, 𝟓)} Es combinación lineal de 𝒖 = {𝟎, 𝟑, −𝟏}?

(𝟎, 𝟑, −𝟏) = 𝜶(𝟏, 𝟎, −𝟐) + 𝜷(𝟑, 𝟎, 𝟓)

𝜶 + 𝟑𝜷 = 𝟎
𝑺. 𝑬 { 𝟎𝜶 + 𝟎𝜷 = 𝟑
−𝟐𝜶 + 𝟓𝜷 = −𝟏

𝟏 𝟑 𝟎
(𝟎 𝟎| 𝟑 )
−𝟐 𝟓 −𝟏
∴ ~∃𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏
∴ 𝒏𝒐 𝒆𝒔 𝑪𝑳
Ejemplo3:

¿ 𝒔 = {𝟏 + 𝒙𝟐 ; 𝒙 + 𝒙𝟐 ; 𝟏 + 𝒙} Es combinación lineal de 𝒖 = {𝟐 + 𝟒𝒙 − 𝟒𝒙𝟐 }?

𝟐 + 𝟒𝒙 − 𝟒𝒙𝟐 = 𝜶(𝟏 + 𝒙𝟐 ) + 𝜷(𝒙 + 𝒙𝟐 ) + 𝜸(𝟏 + 𝒙)

𝜶 + 𝟎𝜷 + 𝜸 = 𝟐
𝑺. 𝑬 { 𝟎𝜶 + 𝟏𝜷 + 𝜸 = 𝟒
𝟏𝜶 + 𝟏𝜷 + 𝟎𝜸 = −𝟒

𝟏 𝟎 𝟏 𝟐 ~ 𝟏 𝟎 𝟏 𝟐 ~
(𝟎 𝟏 𝟏 | 𝟒 ) 𝐟 ← 𝐟 − 𝐟 (𝟎 𝟏 𝟏 | 𝟒 )𝐟 ← 𝐟 − 𝐟
𝟑 𝟑 𝟏 𝟑 𝟑 𝟐
𝟏 𝟏 𝟎 −𝟒 𝟎 𝟏 −𝟏 −𝟔
𝟏 𝟎 𝟏 𝟐 ~ 𝟏 𝟎 𝟏𝟐 ~
(𝟎 𝟏 𝟏 | 𝟒 ) 𝐟 ← (− 𝟏) 𝐟 (𝟎 𝟏 𝟏|𝟒) 𝐟𝟏 ← 𝐟𝟏 − 𝐟𝟑
𝟑
𝟎 𝟎 −𝟐 −𝟏𝟎 𝟐 𝟑 𝟎 𝟎 𝟏 𝟓 𝐟𝟐 ← 𝐟𝟐 − 𝐟𝟑
𝟏 𝟎 𝟎 −𝟑
(𝟎 𝟏 𝟎|−𝟏)
𝟎 𝟎 𝟏 𝟓
 𝜶 = −𝟑
∴ 𝜷 = −𝟏} ∃ 𝑪𝑳
𝜸=𝟓

CAPSULA LINEAL (〈𝑺〉)

Gráficamente se lo representa así:

Sea 𝑺 = {𝒖𝟏 , 𝒖𝟐 , 𝒖𝟑 , … , 𝒖𝒏 }, un conjunto de vectores de un e.v. V. El conjunto S

genera a V, o V es generado por S, si todo vector u es de V una combinación
lineal de los vectores de S, es decir:

〈𝑺〉 = {𝒗 ∈ 𝑽 / 𝒗 = 𝜶𝒔𝟏 + 𝜷𝒔𝟐 + 𝜸𝒔𝟑 + ⋯ + 𝜹𝒔𝒏 }

PASOS PARA OBTENER UNA CAPSULA LINEAL ALGÚN CONJUNTO S

Ejemplo:
Encontrar la capsula de 𝑺 = {(𝟏, −𝟏, 𝟎); (−𝟐, 𝟑, −𝟏); (𝟐, 𝟏, −𝟑)}
1. Escribimos la definición:

〈𝑺〉 = {𝒗 ∈ 𝑽 / 𝒗 = 𝜶𝒔𝟏 + 𝜷𝒔𝟐 + 𝜸𝒔𝟑 + ⋯ + 𝜹𝒔𝒏 }

2. Escribimos la formula genéricamente

〈𝑺〉 = {(𝒙, 𝒚, 𝒛) / (𝒙, 𝒚, 𝒛) = 𝜶(𝟏, −𝟏, 𝟎) + 𝜷(−𝟐, 𝟑, −𝟏) + 𝜸(𝟐, 𝟏, −𝟑)}

3. Obtenemos un sistema de ecuaciones
 (𝒙, 𝒚, 𝒛) = 𝜶(𝟏, −𝟏, 𝟎) + 𝜷(−𝟐, 𝟑, −𝟏) + 𝜸(𝟐, 𝟏, −𝟑)

𝜶 − 𝟐𝜷 + 𝟐𝜸 = 𝒙
𝑺. 𝑬. {−𝜶 + 𝟑𝜷 + 𝜸 = 𝒚
−𝜷 − 𝟑𝜸 = 𝒛

4. Expresamos matricialmente la expresión anterior

𝟏 −𝟐 𝟐 𝒙
(−𝟏 𝟑 𝟏 |𝒚)
𝟎 −𝟏 −𝟑 𝒛
5. Aplicamos Gauss-Jordán para encontrar la restricción en este caso
𝟏 −𝟐 𝟐 𝒙 𝟏 −𝟐 𝟐 𝒙 ~
~
(−𝟏 𝟑 𝟏 |𝒚) f ← f + f (𝟎 𝟏 𝟑 |𝒙 + 𝒚) 1f ← f1 + 2f2
2 2 1
𝟎 −𝟏 −𝟑 𝒛 𝟎 −𝟏 −𝟑 𝒛 f3 ← f3 + f2

𝟏 𝟎 𝟖 𝟑𝒙 + 𝟐𝒚
(𝟎 𝟏 𝟑| 𝒙 + 𝒚 )
𝟎 𝟎 𝟎 𝒛+𝒙+𝒚

6. Como tenemos que no existe solución obtenemos la siguiente capsula

〈𝑺〉 = {𝒗 ∈ ℝ𝟑 /𝒙 + 𝒚 + 𝒛 = 𝟎}

〈𝑺〉 = {(𝒙, 𝒚, 𝒛)/𝒙 + 𝒚 + 𝒛 = 𝟎}

CONJUNTO GENERADOR

S genera a W, donde S es el conjunto generador

PASOS PARA HALLAR S QUE GENERA A W

1. Hallar las restricciones

2. Remplazar las restricciones
3. Contar el numero de variables
4. Descomponer el vector de acuerdo al números de variables
5. Extraer los escalares
 6. Escribir el conjunto generador
Ejemplo 1: 𝐖= {(𝐚, 𝐛, 𝐜)/𝐛 = 𝟐𝐚 + 𝟑𝐜}

𝑾 = {(𝒂, 𝟐𝒂 + 𝟑𝒄, 𝒄)/𝒂, 𝒄 ∈ ℝ}

𝑾 = {(𝒂, 𝟐𝒂, 𝟎) + (𝟎, 𝟑𝒄, 𝒄)/𝒂, 𝒄 ∈ ℝ}

𝑾 = {𝒂(𝟏, 𝟐, 𝟎) + 𝒄(𝟎, 𝟑, 𝟏)/𝒂, 𝒄 ∈ ℝ}

𝑺 = {(𝟏, 𝟐, 𝟎); (𝟎, 𝟑, 𝟏)} 𝑺 𝒈𝒆𝒏𝒆𝒓𝒂 𝒂 𝑾

∴ 〈𝑺〉 = 𝑾

Ejemplo 2:

𝑾 = {(𝒂 𝒃) /𝒃 = 𝒄 + 𝟑𝒅}
𝒄 𝒅

𝑾 = {(𝒂 𝒄 + 𝟑𝒅) /𝒂, 𝒄, 𝒅 ∈ ℝ}

𝒄 𝒅

𝑾 = {(𝒂 𝟎) + (𝟎 𝒄 ) + (𝟎 𝟑𝒅) /𝒂, 𝒄, 𝒅 ∈ ℝ}

𝟎 𝟎 𝒄 𝟎 𝟎 𝒅

𝑾 = {𝒂 (𝟏 𝟎) + 𝒄 (𝟎 𝟏) + 𝒅 (𝟎 𝟑) /𝒂, 𝒄, 𝒅 ∈ ℝ}
𝟎 𝟎 𝟏 𝟎 𝟎 𝟏
𝟏 𝟎 𝟎 𝟏 𝟎 𝟑
𝑺 = {( );( );( )} 𝑺 𝒈𝒆𝒏𝒆𝒓𝒂 𝒂 𝑾
𝟎 𝟎 𝟏 𝟎 𝟎 𝟏
∴ 〈𝑺〉 = 𝑾

DEPENDENCIA E INDEPENDENCIA LINEAL

En álgebra lineal, un conjunto de vectores es linealmente independiente si ninguno de
ellos puede ser escrito con una combinación lineal de los restantes. Por ejemplo, en R3, los
vectores (1, 0, 0), (0, 1, 0) y (0, 0, 1) son linealmente independientes, mientras que
(2, −1, 1), (1, 0, 1) y (3, −1, 2) no lo son, ya que el tercero es la suma de los dos primeros.

Un conjunto de vectores es linealmente dependiente si alguno de los vectores puede ser

escrito con una combinación lineal de los restantes.

Un conjunto es LI si ninguno de sus vectores es combinación lineal de los otros.

Un conjunto es LD si alguno de sus vectores es combinación lineal de los otros.
PASOS PARA PROBAR SI ES L.I. O L.D.
1. Se tiene que hacer la combinación lineal nula.

𝟎𝒗 = 𝜶𝟏 𝒖𝟏 + 𝜶𝟐 𝒖𝟐 + 𝜶𝟑 𝒖𝟑 + ⋯ + 𝜶𝒏 𝒖𝒏
2. Obtener el sistema homogéneo

3. Resolver el sistema de ecuaciones homogéneo por Gauss o Gauss-Jordán

∃! 𝒔𝒐𝒍𝒖𝒄 → 𝑺 𝒆𝒔 𝑳. 𝑰.
∃∞𝒔𝒐𝒍𝒖𝒄 → 𝑺 𝒆𝒔 𝑳. 𝑫.

Ejemplo 1:
Verificar si S es LD
𝑺 = {(𝟏, −𝟑); (−𝟐, 𝟔)}
𝜶(𝟏, −𝟑) + 𝜷(−𝟐, 𝟔) = (𝟎, 𝟎)

𝜶 − 𝟐𝜷 = 𝟎
𝑺. 𝑬 ( )
−𝟑𝜶 + 𝟔𝜷 = 𝟎
𝟏 −𝟐 𝟎 ~ 𝟏 −𝟐 𝟎
( | ) f ← f + 3f ( | ) ∴ ∃∞𝒔𝒐𝒍𝒖𝒄
−𝟑 𝟔 𝟎 2 2 1 𝟎 𝟎 𝟎

𝒔𝒊|𝑨| = 𝟎 → ∃∞𝒔𝒐𝒍𝒖𝒄

Ejemplo 2:
Verificar si S es LI
𝑺 = {(𝟐, 𝟎); (𝟏, 𝟏)}
𝜶(𝟐, 𝟎) + 𝜷(𝟏, 𝟏) = (𝟎, 𝟎)

𝟐𝜶 + 𝜷 = 𝟎
𝑺. 𝑬 ( )
𝟎𝜶 + 𝜷 = 𝟎
~
𝟐 𝟏𝟎 ~ 𝟐 𝟎𝟎 1 (𝟐 𝟎𝟎
( | )f ← f − f ( | ) | )
𝟎 𝟏𝟎 1 1 2 𝟎 𝟏 𝟎 f1 ← f1 (2) 𝟎 𝟏𝟎
∴ ∃! 𝒔𝒐𝒍𝒖𝒄
 𝒔𝒊|𝑨| ≠ 𝟎 → ∃! 𝒔𝒐𝒍𝒖𝒄

BASE

Sea (V, k, +,*)un e.v y 𝑺 ⊆ 𝑽

S es base de V si:
a) S es L.I.
b) S genera Av

PASOS PARA HALLAR UNA BASE

a) Hallar el conjunto generador

b) Probar que es L.I.

DIMENSIÓN DE V
DEFINICIÓN: es el número de vectores de S

EJEMPLO:

Encontrar una base del s.e.v W.

a) Hallar el conjunto generador

𝑾 = {(𝒙, 𝒚, 𝒛)/𝒚 = 𝒙 + 𝒛}

𝑾 = {(𝒙, 𝒙 + 𝒛, 𝒛)/𝒙, 𝒛 ∈ ℝ}

𝑾 = {(𝒙, 𝒙, 𝟎) + (𝟎, 𝒛, 𝒛)/𝒙, 𝒛 ∈ ℝ}

𝑾 = {𝒙(𝟏, 𝟏, 𝟎) + (𝟎, 𝟏, 𝟏)/𝒙, 𝒛 ∈ ℝ}

𝑺 = {(𝟏, 𝟏, 𝟎); (𝟎, 𝟏, 𝟏)} 𝑺 𝒈𝒆𝒏𝒆𝒓𝒂 𝒂 𝑾

∴ 〈𝑺〉 = 𝑾

b) Probar que S es L.I.

 𝑺 = {(𝟏, 𝟏, 𝟎); (𝟎, 𝟏, 𝟏)}
(𝟎, 𝟎, 𝟎, ) = 𝜶(𝟏, 𝟏, 𝟎) + 𝜷(𝟎, 𝟏, 𝟏)
𝜶 + 𝟎𝜷 = 𝟎
𝑺. 𝑬 ( + 𝟏𝜷 = 𝟎)
𝟏𝜶
𝟎𝜶 + 𝟏𝜷 = 𝟎
𝟏 𝟎𝟎 ~ 𝟏 𝟎𝟎
(𝟏 𝟏|𝟎) 2 f2 − f1 (𝟎 𝟏|𝟎)
f ←
𝟎 𝟏 𝟎 f3 ← f3 − f2 𝟎 𝟎 𝟎
∴ ∃! 𝒔𝒐𝒍𝒖𝒄

EJEMPLO:

Encontrar una base del s.e.v W.

 Hallar el conjunto generado

𝑾 = {(𝒙, 𝒚, 𝒛)/𝒙, 𝒚, 𝒛 ∈ ℝ}

𝑾 = {(𝒙, 𝟎, 𝟎) + (𝟎, 𝒚, 𝟎) + (𝟎, 𝟎, 𝒛)/𝒙, 𝒛 ∈ ℝ}

𝑾 = {𝒙(𝟏, 𝟎, 𝟎) + 𝒚(𝟎, 𝟏, 𝟎) + 𝒛(𝟎, 𝟎, 𝟏)/𝒙, 𝒛 ∈ ℝ}

𝑺 = {(𝟏, 𝟎, 𝟎); (𝟎, 𝟏, 𝟎); (𝟎, 𝟎, 𝟏)} 𝑺 𝒈𝒆𝒏𝒆𝒓𝒂 𝒂 𝑾

∴ 〈𝑺〉 = 𝑾

 Probar que S es L.I.

𝑺 = {(𝟏, 𝟎, 𝟎); (𝟎, 𝟏, 𝟎); (𝟎, 𝟎, 𝟏)}
(𝟎, 𝟎, 𝟎, ) = 𝜶(𝟏, 𝟎, 𝟎) + 𝜷(𝟎, 𝟏, 𝟎) + 𝜸(𝟎, 𝟎, 𝟏)
𝜶=𝟎
𝑺. 𝑬 (𝜷 = 𝟎)
𝜸=𝟎
∴ ∃! 𝒔𝒐𝒍𝒖𝒄
𝒔𝒊|𝑨| ≠ 𝟎 → ∃! 𝒔𝒐𝒍𝒖𝒄
∴ 𝑺 𝒆𝒔 𝑳𝑰

∴ 𝑺 𝒆𝒔 𝒍𝒂 𝒃𝒂𝒔𝒆 𝒅𝒆 𝑾
𝐝𝐢𝐦(𝑾) = 𝒅𝒊𝒎(𝑽) = 𝟑

Teorema 11(libro de trabajo)

Dim (V)= n =# de vectores de S
S es la base de V si tiene n vectores LI

Teorema 12(libro de trabajo)

Dim (V)= n =# de vectores de S

S es la base de V si tiene n vectores que generan a V

Teorema:

Para que sea base debe cumplir 2 de las tres condiciones:

𝟏. 𝐝𝐢𝐦(𝑽) = # 𝒅𝒆 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 𝒆𝒏 𝑺 = 𝒏
{𝟐. 𝑳𝑰
𝟑. 𝑮𝒆𝒏𝒆𝒓𝒂

Ejemplo:

 Demostrar que S es una base de W:

𝑾 = {(𝒙, 𝒚, 𝒛)/𝒙, 𝒚, 𝒛 ∈ ℝ}
𝑺 = {(𝟏, 𝟎, 𝟎); (𝟎, 𝟏, 𝟎); (𝟎, 𝟎, 𝟏)}
(𝟎, 𝟎, 𝟎, ) = 𝜶(𝟏, 𝟎, 𝟎) + 𝜷(𝟎, 𝟏, 𝟎) + 𝜸(𝟎, 𝟎, 𝟏)
𝜶=𝟎
𝑺. 𝑬 (𝜷 = 𝟎)
𝜸=𝟎
∴ ∃! 𝒔𝒐𝒍𝒖𝒄

𝒔𝒊|𝑨| ≠ 𝟎 → ∃! 𝒔𝒐𝒍𝒖𝒄
∴ 𝑺 𝒆𝒔 𝑳𝑰

Dim(R3)= 3 =# de vectores de S
S genera a W
〈𝑺〉 = 𝑾
∴ 𝑺 𝒆𝒔 𝒃𝒂𝒔𝒆 𝒅𝒆 𝑾

 Encontrar la dimensión de S con W:

𝑾 = {𝒂 + 𝒃𝒙 + 𝒄𝒙𝟐 /𝒃 = 𝟎}

𝑾 = {𝒂 + 𝒐𝒙 + 𝒄𝒙𝟐 /𝒂, 𝒄 ∈ ℝ}
 𝑾 = {(𝒂 + 𝒐𝒙 + 𝟎𝒙𝟐 ) + (𝟎 + 𝒐𝒙 + 𝒄𝒙𝟐 )/𝒂, 𝒄 ∈ ℝ}

𝑾 = {𝒂(𝟏 + 𝒐𝒙 + 𝟎𝒙𝟐 ) + 𝒄(𝟎 + 𝒐𝒙 + 𝟏𝒙𝟐 )/𝒂, 𝒄 ∈ ℝ}

𝑺 = {𝟏 + 𝒐𝒙 + 𝟎𝒙𝟐 ; (𝟎 + 𝒐𝒙 + 𝟏𝒙𝟐 )} 𝑺 𝒈𝒆𝒏𝒆𝒓𝒂 𝒂 𝑾

∴ 〈𝑺〉 = 𝑾

Dim(𝒑𝟐 )= 2 =# de vectores de S

Ejemplos:

𝑾 = {(𝒙, 𝒚, 𝒛)/𝒚 = 𝒛} → 𝐝𝐢𝐦(𝑾) = 𝟑 − 𝟏 = 𝟐

𝒂 𝒃 𝒂=𝒃
𝑾 = {( )/ } → 𝐝𝐢𝐦(𝑾) = 𝟒 − 𝟐 = 𝟐
𝒄 𝒅 𝒄=𝟎
𝑾 = {(𝒙, 𝒚)/𝒚 = 𝟐𝒙} → 𝐝𝐢𝐦(𝑾) = 𝟐 − 𝟏 = 𝟏

𝒄𝒙𝟐
𝑾 = {𝒂 + 𝒃𝒙 + = 𝟐𝒄 − 𝒂} → 𝐝𝐢𝐦(𝑾) = 𝟑 − 𝟏 = 𝟐
𝒃

COMO COMPLETAR UNA BASE

Ejemplo:

Completar la base S para llegar al e.v V=R3.

𝑾 = {(𝒙, 𝒚, 𝒛)/𝒚 = 𝒙 + 𝒛}

Teorema

Dim (s.e.v) = dim (e.v) - # restricciones

Dim(W) = Dim(V) - # restricciones

𝑾 = {(𝒙, 𝒙 + 𝒛, 𝒛)/𝒙, 𝒛 ∈ ℝ}
 𝑾 = {(𝒙, 𝒙, 𝟎) + (𝟎, 𝒛, 𝒛)/𝒙, 𝒛 ∈ ℝ}

𝑾 = {𝒙(𝟏, 𝟏, 𝟎) + (𝟎, 𝟏, 𝟏)/𝒙, 𝒛 ∈ ℝ}

𝑺 = {(𝟏, 𝟏, 𝟎); (𝟎, 𝟏, 𝟏)} 𝑺 𝒈𝒆𝒏𝒆𝒓𝒂 𝒂 𝑾

∴ 〈𝑺〉 = 𝑾

1. Tenemos la base S pero podemos observar que para que se cumpla que sea base de R 3
tienen que haber tres vectores en la base, por lo que aumentamos un vector a la base S
que no cumpla la restricción y lo ponemos seguido a los que ya teníamos.

𝑺′ = {(𝟏, 𝟏, 𝟎); (𝟎, 𝟏, 𝟏); (𝟏, 𝟎, 𝟏)}

El vector (𝟏, 𝟎, 𝟏)no cumple que y=x+z

2. Ahora tenemos que es de dimensión tres por lo tanto tenemos la primera condición
para que sea base de R3.
Dim(S’)=3

3. Ahora demostramos si es LI para completar una base de R3.

𝑺′ = {(𝟏, 𝟏, 𝟎); (𝟎, 𝟏, 𝟏); (𝟏, 𝟎, 𝟏)}

𝜶(𝟏, 𝟏, 𝟎) + 𝜷(𝟎, 𝟏, 𝟏) + 𝜸(𝟏, 𝟎, 𝟏) = (𝟎, 𝟎, 𝟎)

𝜶+𝜸=𝟎
𝑺. 𝑬 (𝜶 + 𝜷 = 𝟎)
𝜷+𝜸=𝟎

𝟏 𝟎 𝟏𝟎 ~ 𝟏 𝟎 𝟏 𝟎 ~
(𝟏 𝟏 𝟎|𝟎) f ← f − f (𝟎 𝟏 −𝟏|𝟎) f ← f − f
2 2 1 3 3 2
𝟎 𝟏 𝟏𝟎 𝟎 𝟏 𝟏 𝟎

𝟏 𝟎 𝟏 𝟎 ~ 𝟏 𝟎 𝟏 𝟎 ~
(𝟎 𝟏 −𝟏|𝟎) f ← (1) f (𝟎 𝟏 −𝟏|𝟎) f2 ← f2 + f3
3
𝟎 𝟎 𝟐 𝟎 2 3 𝟎 𝟎 𝟏 𝟎 f1 ← f1 − f3
 𝟏 𝟎 𝟎𝟎
(𝟎 𝟏 𝟎|𝟎)
𝟎 𝟎 𝟏𝟎

∴ ∃! 𝒔𝒐𝒍𝒖𝒄
𝒔𝒊|𝑨| ≠ 𝟎 → ∃! 𝒔𝒐𝒍𝒖𝒄
∴ 𝑺′ 𝒆𝒔𝑳𝑰

∴ 𝑺′ 𝒆𝒔 𝒃𝒂𝒔𝒆 𝒅𝒆 𝑹𝟑

5. Producto interno
5.1 DEFINICIÓN DE PRODUCTO INTERNO
El producto interno, en un e.v. V, es una función que se le asigna a cada par
ordenado de vectores 𝒖 , 𝒗 elementos de V, un número real: 𝜶 = (𝒖⁄𝒗), que
satisface las siguientes propiedades:
 (𝒖⁄𝒖) > 𝟎, 𝒑𝒂𝒓𝒂 𝒖 ≠ 𝑶𝒗
 (𝒗⁄𝒖) = (𝒖⁄𝒗), ∀ 𝒖, 𝒗 ∈ 𝑽
 ((𝒖 + 𝒗)⁄𝒘) = (𝒖⁄𝒘) + (𝒗⁄𝒘), ∀ 𝒖, 𝒗, 𝒘 ∈ 𝑽
 ((𝜶 𝒖)⁄𝒗) = 𝜶(𝒖⁄𝒗), ∀ 𝒖, 𝒗 ∈ 𝑽 𝒚 ∀𝜶 ∈ ℝç

OBSERVACIONES:

El producto interno (𝒖⁄𝒗) puede ser real o complejo, pero (𝒖⁄𝒖) siempre
nos va a dar un número real.

5.2 PRODUCTOS INTERNOS COMUNES O USUALES

1. En el 𝒆. 𝒗. ℝ𝟐 , 𝒔𝒆 𝒕𝒊𝒆𝒏𝒆:
𝑺í, 𝒖 = (𝒂𝟏 ; 𝒃𝟏 ) 𝒚 𝒗 = (𝒂𝟐 ; 𝒃𝟐 ) →
(𝒖⁄𝒗) = 𝒂𝟏 ∗ 𝒂𝟐 + 𝒃𝟏 ∗ 𝒃𝟐
Ejemplo 1:
Encontrar todos los productos internos posibles de los dos vectores dados u,v que
pertenecen a ℝ𝟐 :
𝒖 = (𝟐; 𝟏) 𝒚 𝒗 = (𝟑; 𝟒)
(𝒖⁄𝒗) = 𝟔 + 𝟒 = 𝟏𝟎
(𝒗⁄𝒖) = 𝟔 + 𝟒 = 𝟏𝟎
(𝒖⁄𝒖) = 𝟒 + 𝟏 = 𝟓
(𝒗⁄𝒗) = 𝟗 + 𝟏𝟔 = 𝟐𝟓

2. En el 𝒆. 𝒗. ℝ𝟑 , 𝒔𝒆 𝒕𝒊𝒆𝒏𝒆:
𝑺í, 𝒖 = (𝒂𝟏 ; 𝒃𝟏 ; 𝒄𝟏 ) 𝒚 𝒗 = (𝒂𝟐 ; 𝒃𝟐 ; 𝒄𝟐 ) →
(𝒖⁄𝒗) = 𝒂𝟏 ∗ 𝒂𝟐 + 𝒃𝟏 ∗ 𝒃𝟐 + 𝒄𝟏 ∗ 𝒄𝟐

Ejemplo 1:
Encontrar todos los productos internos posibles de los dos vectores dados u,v que
pertenecen a ℝ𝟑 :
𝒖 = (−𝟐, 𝟑, −𝟏) 𝒚 𝒗 = (−𝟑, 𝟎, 𝟏)

(𝒖⁄𝒗) = 𝟔 + 𝟎 − 𝟏 = 𝟓
(𝒗⁄𝒖) = 𝟔 + 𝟎 − 𝟏 = 𝟓
(𝒖⁄𝒖) = 𝟒 + 𝟗 + 𝟏 = 𝟏𝟒
(𝒗⁄𝒗) = 𝟗 + 𝟎 + 𝟏 = 𝟏𝟎

3. En el 𝒆. 𝒗. ℝ𝒏 , 𝒔𝒆 𝒕𝒊𝒆𝒏𝒆:
𝑺í, 𝒖 = (𝒂𝟏 ; 𝒃𝟏 ; 𝒄𝟏 ; … ; 𝒏𝟏 ) 𝒚 𝒗 = (𝒂𝟐 ; 𝒃𝟐 ; 𝒄𝟐 ; … ; 𝒏𝟐 ) →
(𝒖⁄𝒗) = 𝒂𝟏 ∗ 𝒂𝟐 + 𝒃𝟏 ∗ 𝒃𝟐 + 𝒄𝟏 ∗ 𝒄𝟐 + ⋯ + 𝒏𝟏 ∗ 𝒏𝟐

4. En el 𝒆. 𝒗. 𝑷≤𝒏 , 𝒔𝒆 𝒕𝒊𝒆𝒏𝒆:
𝑺í, 𝒖(𝒕) = (𝒂𝟏 + 𝒃𝟏 𝒕 + 𝒄𝟏 𝒕𝟐 + ⋯ + 𝒏𝟏 𝒕𝒏 ) 𝒚
𝒗 = (𝒂𝟐 + 𝒃𝟐 𝒕 + 𝒄𝟐 𝒕𝟐 + ⋯ + 𝒏𝟐 𝒕𝒏 )
→ (𝒖⁄𝒗) = 𝒂𝟏 ∗ 𝒂𝟐 + 𝒃𝟏 ∗ 𝒃𝟐 + 𝒄𝟏 ∗ 𝒄𝟐 + ⋯ + 𝒏𝟏 ∗ 𝒏𝟐

5. En el 𝒆. 𝒗. 𝑴 𝒏 , 𝒔𝒆 𝒕𝒊𝒆𝒏𝒆
𝑺í, 𝒖, 𝒗 ∈ 𝑴𝒏 → (𝒖⁄𝒗) = 𝑻𝒓(𝒖⁄𝒗𝒕 )
Ejemplo 1:
Encontrar (𝑨⁄𝑩), (𝑩⁄𝑨), (𝑨⁄𝑨), (𝑩⁄𝑩), de los dos vectores dados u,v que
pertenecen a 𝑴𝒏 :

−𝟐 𝟑 −𝟐 𝟏
𝑨=( ) 𝑨𝒕 = ( )
𝟏 −𝟏 𝟑 −𝟏
𝟏 −𝟐 𝟏 𝟎
𝑩=( ) 𝑩𝒕 = ( )
𝟎 𝟏 −𝟐 𝟏

(𝑨⁄𝑩) = 𝒕𝒓(𝑨 ∗ 𝑩𝒕 ) = −𝟗
1 0
-2 1
-2 3 -8 3
1 -1 -1 -1

(𝑩⁄𝑨) = 𝒕𝒓(𝑩 ∗ 𝑨𝒕 ) = −𝟗
-2 1
3 -1
1 -2 -8 3
0 1 3 -1

(𝑨⁄𝑨) = 𝒕𝒓(𝑨 ∗ 𝑨𝒕 ) = 𝟏𝟓
-2 1
3 -1
-2 3 13
1 -1 2

(𝑩⁄𝑩) = 𝒕𝒓(𝑩 ∗ 𝑩𝒕 ) = 𝟔
1 0
-2 1
1 -2 5
0 1 1

En general:
 𝒂 𝒃 𝒙 𝒚
𝑺í 𝑨 = ( ) 𝒚𝑩=( )
𝒄 𝒅 𝒛 𝒕
𝒙 𝒚
(𝑨⁄𝑩) = [(𝒂 𝒃) + ( )] = 𝒂𝒙 + 𝒃𝒚 + 𝒄𝒛 + 𝒅𝒕
𝒄 𝒅 𝒛 𝒕

(𝑨⁄𝑨) = 𝒂𝟐 + 𝒃𝟐 + 𝒄𝟐 + 𝒅𝟐

5.3 VECTORES ORTOGONALES

Sea (V, k, +,*) en e.v. sobre el cual se ha definido el producto interno
( / ).
1. Sean 𝒖, 𝒗 ∈ 𝑽, 𝒔𝒆 𝒅𝒆𝒊𝒄𝒆 𝒒𝒖𝒆 𝒖, 𝒗 son ortogonales ssi: (𝒖⁄𝒗) = 𝟎.
2. Si 𝑺 ⊆ 𝑽, entonces S se dice ortogonal si todo par de elementos distintos de S
son ortogonales

OBSERVACIONES

 El Ov es ortogonal a cualquier vector pues (𝑶𝒗 ⁄𝒖) = 𝟎.

 S debe tener por lo menos dos vectores para verificar si es un conjunto
ortogonal
 Al comprobar si todos los productos internos son cero entre los vectores
de S, para tener un S conjunto de vectores ortogonales
 Si un conjunto es ortogonal entonces es LI
 Si 𝑺′ = {𝜶𝟏 𝒖𝟏 , 𝜶𝟐 𝒖𝟐 , … , 𝜶𝒏 𝒖𝒏 } es ortogonal, si a cada vector le
multiplicamos por cualquier escalar, siempre en nuevo conjunto va a ser
ortogonal.


Ejemplo 1:

Dados los vectores 𝒖 = (−𝟐, 𝟑, 𝟏), 𝒗 = (𝟑, 𝟏, 𝟑)que son ortogonales obtener un tercer
vector “w” ortogonal a “u” y “v”.

(𝒖⁄𝒗) = 𝟎

Hacemos el producto cruz para encontrar el tercer vector

𝒊 𝒋 𝒌
𝟑 𝟏 −𝟐 𝟏 −𝟐 𝟑
|−𝟐 𝟑 𝟏| = 𝒊 | |− 𝒋| | + 𝒌| | = 𝟖𝒊 + 𝟗𝒋 − 𝟏𝟏𝒌
𝟏 𝟑 𝟑 𝟑 𝟑 𝟏
𝟑 𝟏 𝟑
𝒘 = (𝟖, 𝟗, −𝟏𝟏)

𝑺 = {(−𝟐, 𝟑, 𝟏), (𝟑, 𝟏, 𝟑)(𝟖, 𝟗, −𝟏𝟏)}

 Ejemplo 2:

Dados los vectores 𝒖 = (𝟐, 𝟏, 𝟒), 𝒗 = (𝟐, 𝟒, −𝟐)que son ortogonales obtener un tercer
vector “w” ortogonal a “u” y “v”.

(𝒖⁄𝒗) = 𝟎

Hacemos el producto cruz para encontrar el tercer vector

𝒊 𝒋 𝒌
𝟏 𝟒 𝟐 𝟒 𝟐 𝟏
|𝟐 𝟏 𝟒 | = 𝒊| |− 𝒋| |+ 𝒌| | = −𝟏𝟖𝒊 + 𝟏𝟐𝒋 + 𝟔𝒌
𝟒 −𝟐 𝟐 −𝟐 𝟐 𝟒
𝟐 𝟒 −𝟐
𝒘 = (−𝟏𝟖, 𝟏𝟐, 𝟔)

𝑺 = {(𝟐, 𝟏, 𝟒), (𝟐, 𝟒, −𝟐)(−𝟏𝟖, 𝟏𝟐, 𝟔)}

5.4 NORMA DE UN VECTOR

La longitud, norma o modulo de un vector es igual a la raíz cuadrada del producto
interno del mism vector.
Es decir:
‖𝐀‖ = √(𝐮⁄𝐮)
Observaciones:
Sea (V, k, +,*) en e.v. sobre el cual se ha definido el producto interno
( / ).
 ∀ 𝒗 ∈ 𝑽 − {𝑶𝒗 }, ‖𝒗‖ > 𝟎
 ∀ 𝒗 ∈ 𝑽, 𝜶 ∈ ℝ, ‖𝜶𝒗‖ = |𝜶| ∗ ‖𝒗‖
 ∀ 𝒖, 𝒗 ∈ 𝑽, ‖𝒖 + 𝒗‖ = ‖𝒖‖ + ‖𝒗‖ llamamos desigualdad triangular
Ejemplo 1:

Calcular la norma de los siguientes vectores:

a) 𝒖 = (𝟐; −𝟑; 𝟏)
(𝒖⁄𝒖) = 𝟒 + 𝟗 + 𝟏 = 𝟏𝟒
‖𝒖‖ = √𝟏𝟒
b) 𝒖 = 𝟏 + 𝟐𝒕 − 𝟑𝒕𝟐 + 𝟐𝒕𝟑
(𝒖⁄𝒖) = 𝟏 + 𝟐 + 𝟗 + 𝟒 = 𝟏𝟖
‖𝒖‖ = √𝟏𝟖
 𝟏 −𝟐
c) 𝒖=[ ]
𝟎 𝟏
(𝒖⁄𝒖) = 𝒕𝒓(𝒖⁄𝒖𝒕 )

(𝒖⁄𝒖) = 𝒕𝒓 ([𝟏 −𝟐 𝟏 𝟎 𝟓 −𝟒
] [ ]) = 𝒕𝒓 ( )=𝟓+𝟒=𝟗
𝟎 𝟐 −𝟐 𝟐 −𝟒 𝟒

‖𝒖‖ = √(𝒖⁄𝒖) = √𝟗 = 𝟑

5.5 Base ortogonal

Sea (V, k, +,*) en e.v. sobre el cual se ha definido el producto interno
( / ) y S un sub espacio vectorial de V.
Es una base ortogonal si:
 Sea S base de V
 Sean los productos internos de dos a dos ortogonales, es decir todos sus
vectores ortogonales entre si.
 Sea LI
5.6 Base ortonormal
Sea (V, k, +,*) en e.v. sobre el cual se ha definido el producto interno
( / ).
Es una base otonomal si:

 Si en el conjunto ortogonal se llega a comprobar que la norma de cada

uno de los vectores es igual a cero

5.7 PROCESO DE GRAM-SCHMID

Para todo espacio vectorial (V) con producto interno se puede obtener una base 𝐵1que
sea ORTOGONAL y una base 𝐵2, que sea ORTONORMAL. Utilizando el proceso de Gram-
Schmidt.

CÁLCULO DE 𝐵1, BASE ORTOGONAL

Para calcular una base base 𝐵1que sea ORTOGONAL, es necesario partir de una base B en
un e.v. o un s.e.v.

Sí, 𝐵 = {𝑢1 ; 𝑢2 ; … ; 𝑢𝑛 } es una base de un e.v V, se puede calcular 𝐵1 una base ortogonal,
de la siguiente manera:

Sea, 𝐵1 = {𝑤1 ; 𝑤2 ; … ; 𝑤𝑛 } la base Ortogonal buscada, entonces procedemos así:

𝑤1 = 𝑢1

(𝑢2 ⁄𝑤1 )
𝑤2 = 𝑢2 − 𝑤
(𝑤1 ⁄𝑤1 ) 1

(𝑢3 ⁄𝑤1 ) (𝑢3 ⁄𝑤2 )

𝑤3 = 𝑢3 − 𝑤1 − 𝑤
(𝑤1 ⁄𝑤1 ) (𝑤2 ⁄𝑤2 ) 2

(𝑢4 ⁄𝑤1 ) (𝑢4 ⁄𝑤2) (𝑢4 ⁄𝑤3 )

𝑤4 = 𝑢4 − 𝑣1 − 𝑤2 − 𝑤
(𝑤1 ⁄𝑤1 ) (𝑤2 ⁄𝑤2 ) (𝑤3 ⁄𝑤3 ) 3

De esta manera se continúa hasta completar la base 𝐵1 Ortogonal.

CÁLCULO DE 𝐵2, BASE ORTONORMAL

Para calcular la base 𝐵2Ortonormal, partimos de la base 𝐵1Ortogonal

Sea, 𝐵2 = {𝑟1 ; 𝑟2 ; … ; 𝑟𝑛 } la base Ortonormal buscada, entonces procedemos así:

𝑤1 𝑤2 𝑤3
𝑟1 = 𝑟2 = 𝑟3 =
‖𝑤1 ‖ ‖𝑤2 ‖ ‖𝑤3 ‖
Ejemplo 1:
Encontrar una base B1 ortogonal del sub espacio vectorial W.

𝑾 = {(𝒙, 𝒚, 𝒛), 𝒛 = 𝒙 − 𝟐𝒚}

Primero encontramos una base de W

𝑾 = {(𝒙, 𝒚, 𝒛), 𝒛 = 𝒙 − 𝟐𝒚}

𝑾 = {(𝒙, 𝒚, 𝒙 − 𝟐𝒚)/𝒙, 𝒚 ∈ ℝ}

𝑾 = {(𝒙, 𝟎, 𝒙) + (𝟎, 𝒚, −𝟐𝒚)/𝒙, 𝒚 ∈ ℝ}

𝑾 = {𝒙(𝟏, 𝟎, 𝟏) + (𝟎, 𝟏, −𝟐)/𝒙, 𝒚 ∈ ℝ}

 𝑺 = {(𝟏, 𝟎, 𝟏); (𝟎, 𝟏, −𝟐)} 𝑺 𝒈𝒆𝒏𝒆𝒓𝒂 𝒂 𝑾
∴ 〈𝑺〉 = 𝑾

𝑫𝒊𝒎 𝑾 = 𝟑 − 𝟏 = 𝟐

∴ 𝑺 𝒆𝒔 𝒃𝒂𝒔𝒆 𝒅𝒆 𝑾

Tenemos S de la forma: 𝑩 = {𝒖𝟏 ; 𝒖𝟐 ; … ; 𝒖𝒏 }

Ahora aplicamos el proceso de Gram-Schmid, para encontrar una base 𝑩𝟏 =

{𝒘𝟏 ; 𝒘𝟐 ; … ; 𝒘𝒏 }

𝑤1 = 𝑢1

𝑤1 = (𝟏, 𝟎, 𝟏)

(𝑢2 ⁄𝑤1 )
𝑤2 = 𝑢2 − 𝑤
(𝑤1 ⁄𝑤1 ) 1

(𝟎, 𝟏, −𝟐)⁄(𝟏, 𝟎, 𝟏)
𝑤2 = (𝟎, 𝟏, −𝟐) − (𝟏, 𝟎, 𝟏)
(𝟏, 𝟎, 𝟏)⁄(𝟏, 𝟎, 𝟏)

−2
= (𝟎, 𝟏, −𝟐) − (𝟏, 𝟎, 𝟏) = (𝟏, 𝟏, −𝟏)
2
∴ 𝐵1 = {(𝟏, 𝟎, 𝟏), (𝟏, 𝟏, −𝟏)} 𝑒𝑠 𝑏𝑎𝑠𝑒 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙

Ejemplo 2:
A partir de la base B obtener una base ortogonal
𝑩 = {(𝟏, 𝟏, 𝟏); (−𝟏, 𝟎, −𝟏); (−𝟏, 𝟐, 𝟑)}

Hacemos el proceso de Gram- Schmid para encontrar una base 𝐵1 = {𝑤1 ; 𝑤2 ; … ; 𝑤𝑛 }

 𝑤1 = 𝑢1

= (𝟏, 𝟏, 𝟏)
 (𝑢 ⁄𝑤 )
 𝑤2 = 𝑢2 − (𝑤2 ⁄𝑤1 ) 𝑤1
1 1

(−𝟏, 𝟎, −𝟏)⁄(𝟏, 𝟏, 𝟏)
= (−𝟏, 𝟎, −𝟏) − (𝟏, 𝟏, 𝟏)
(𝟏, 𝟏, 𝟏)⁄(𝟏, 𝟏, 𝟏)
−2 𝟏 𝟐 𝟏
= ((−𝟏, 𝟎, −𝟏)) − (𝟏, 𝟏, 𝟏) = (− , , − )
3 𝟑 𝟑 𝟑

(𝑢 ⁄𝑤 ) (𝑢 ⁄𝑤 )
 𝑤3 = 𝑢3 − (𝑤3 ⁄𝑤1 ) 𝑤1 − (𝑤3 ⁄𝑤2 ) 𝑤2
1 1 2 2
(−𝟏, 𝟐, 𝟑)⁄(𝟏, 𝟏, 𝟏)
= (−𝟏, 𝟐, 𝟑) − (𝟏, 𝟏, 𝟏)
(𝟏, 𝟏, 𝟏)⁄(𝟏, 𝟏, 𝟏)

𝟏𝟐 𝟏
(−𝟏,𝟐,𝟑)⁄(− , ,− ) 𝟏 𝟐 𝟏
𝟑𝟑 𝟑
− 𝟏𝟐 𝟏 𝟏𝟐 𝟏 (− 𝟑 , 𝟑 , − 𝟑) = (−𝟐, 𝟎, 𝟐)
(− , ,− )⁄(− , ,− )
𝟑𝟑 𝟑 𝟑𝟑 𝟑

𝟏 𝟐 𝟏
∴ 𝐵1 = {(𝟏, 𝟏, 𝟏); (− 𝟑 , 𝟑 , − 𝟑); (−𝟐, 𝟎, 𝟐)} 𝑏𝑎𝑠𝑒 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙

Ejemplo 3:
A partir de la base B obtener una base ortogonal
𝑩 = {(−𝟐, 𝟎, 𝟏); (𝟏, 𝟏, 𝟏); (𝟏, −𝟐, 𝟏)}

(−𝟐, 𝟎, 𝟏)⁄(𝟏, 𝟏, 𝟏) = −𝟏
(−𝟐, 𝟎, 𝟏)⁄(𝟏, −𝟐, 𝟏 = 𝟎 ∴ 𝒔𝒐𝒏 𝒐𝒓𝒕𝒐𝒈𝒐𝒏𝒂𝒍𝒆𝒔
(𝟏, 𝟏, 𝟏)⁄(𝟏, −𝟐, 𝟏 = 𝟏

Cambiamos el orden de los vectores de la base original

𝑩 = {(−𝟐, 𝟎, 𝟏); (𝟏, −𝟐, 𝟏); (𝟏, 𝟏, 𝟏)}

Hacemos el proceso de Gram- Schmid para encontrar una base 𝐵1 = {𝑤1 ; 𝑤2 ; … ; 𝑤𝑛 }

 𝑤1 = 𝑢1

= (−𝟐, 𝟎, 𝟏)

 𝑤2 = 𝑢2
 = (−𝟏, −𝟐, 𝟏)
(𝑢 ⁄𝑤 ) (𝑢 ⁄𝑤 )
 𝑤3 = 𝑢3 − (𝑤3 ⁄𝑤1 ) 𝑤1 − (𝑤3 ⁄𝑤2 ) 𝑤2
1 1 2 2
(𝟏, 𝟏, 𝟏)⁄(−𝟐, 𝟎, 𝟏)
= (𝟏, 𝟏, 𝟏) − (−𝟐, 𝟎, 𝟏)
(−𝟐, 𝟎, 𝟏)⁄(−𝟐, 𝟎, 𝟏)

(𝟏,𝟏,𝟏)⁄(−𝟏,−𝟐,𝟏)
− (−𝟏,−𝟐,𝟏)⁄(−𝟏,−𝟐,𝟏) (−𝟏, −𝟐, 𝟏) = (−𝟐, 𝟎, 𝟐)

−𝟏 −𝟐
= (𝟏, 𝟏, 𝟏) − (−𝟐, 𝟎, 𝟏) − (−𝟏, −𝟐, 𝟏)
𝟓 𝟔
𝟐 𝟏 𝟏 𝟐 𝟏
= (𝟏, 𝟏, 𝟏) + (− , 𝟎, ) + (− , − , )
𝟓 𝟓 𝟑 𝟑 𝟑
4 1 23
=( , , )
15 3 15
4 1 23
∴ 𝐵1 = {(−𝟐, 𝟎, 𝟏); (−𝟏, −𝟐, 𝟏); (15 , 3 , 15)} 𝑏𝑎𝑠𝑒 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙

Propiedades:

 ∀𝑢. 𝑤 ∈ 𝑉 , (𝑤 ⁄𝑢) = (𝑢⁄𝑤 )

 ∀𝑢, 𝑣, 𝑤 ∈ 𝑉 , (𝑢 + 𝑣⁄𝑤 ) = (𝑢⁄𝑤 ) + (𝑣⁄𝑤 )
(𝑢⁄𝑣 + 𝑤 ) = (𝑢⁄𝑣 ) + (𝑢⁄𝑤 )

Tenemos: ‖𝑢 + 𝑣‖ = √(𝑢 + 𝑣)/(𝑢 + 𝑣)

= √(𝑢 + 𝑣)/𝑢 + (𝑢 + 𝑣)/𝑣

= √(𝑢/𝑢) + (𝑣/𝑢) + (𝑢/𝑣) + (𝑣/𝑣)

5.8 PRODUCTO INTERNO INUSUAL

El producto interno inusual está dado por la siguiente expresión:

𝑷(𝑿) /𝑸(𝑿) = 𝑷(𝟎) 𝑸(𝑶) + 𝑷(𝟏) 𝑸(𝟏) + 𝑷(−𝟏) 𝑸(−𝟏)

Ejemplo
𝑃(𝑋) = 3𝑥 2 + 2𝑥 + 1

𝑄(𝑋) = 𝑥 2 − 4𝑥 + 3

𝑃(0) = 3(0)2 + 2(0) + 1 = 1

𝑃(1) = 3(1)2 + 2(1) + 1 = 6

𝑃(−1) = 3(−1)2 + 2(−1) + 1 = 2

𝑄(0) = (0)2 − 4(0) + 3 = 3

𝑄(1) = (1)2 − 4(1) + 3 = 0

𝑄(−1) = (−1)2 − 4(−1) + 3 = 8

𝑃(𝑋) /𝑄(𝑋) = (1)(3) + (6)(0) + (2)(8)

𝑃(𝑋) /𝑄(𝑋) = 19

‖𝑃(𝑋) ‖ = √𝑃(𝑋) /𝑃(𝑋)

𝑃(𝑋) /𝑃(𝑋) = 𝑷(𝟎) 𝑷(𝑶) + 𝑷(𝟏) 𝑷(𝟏) + 𝑷(−𝟏) 𝑷(−𝟏)

‖𝑃(𝑋) ‖ = √𝑷(𝟎) 𝑷(𝑶) + 𝑷(𝟏) 𝑷(𝟏) + 𝑷(−𝟏) 𝑷(−𝟏)

‖𝑃(𝑋) ‖ = √(1)(1) + (6)(6) + (2)(2)‖𝑃(𝑋) ‖ = √41

‖𝑄(𝑋) ‖ = √𝑄(𝑋) /𝑄(𝑋)

𝑄(𝑋) /𝑄(𝑋) = 𝑸(𝟎) 𝑸(𝑶) + 𝑸(𝟏) 𝑸(𝟏) + 𝑸(−𝟏) 𝑸(−𝟏)

‖𝑄(𝑋) ‖ = √𝑸(𝟎) 𝑸(𝑶) + 𝑸(𝟏) 𝑸(𝟏) + 𝑸(−𝟏) 𝑸(−𝟏)

‖𝑄(𝑋) ‖ = √(3)(3) + (0)(0) + (8)(8)‖𝑄(𝑋) ‖ = √73

6.- APLICACIONES LINEALES
𝐴 𝑓 𝐵

x 2 y=f(x) 1 𝒇(𝒙)=𝒚

𝑓: ℝ → ℝ+

𝑥 → 𝑓(𝑥) = 𝑥 2 + 1

2 → 𝑓(2) = 22 + 1 = 5

0 → 𝑓(0) = 02 + 1 = 1

Sean V y 𝑊dos espacios vectoriales una aplicación 𝑓: 𝑉 → 𝑊 se llama

aplicación lineal u homomorfismo si:

 𝑓(𝑢 + 𝑣) = 𝑓(𝑢) + 𝑓(𝑣), 𝑝𝑎𝑟𝑎 𝑢 𝑦 𝑣 𝑑𝑒 𝑉

 𝑓(𝛼𝑢) = 𝛼𝑓(𝑢) ; ∀𝑢 ∈ 𝑉 , ∀𝛼 ∈ 𝐾

Estas dos son condiciones semejantes

 𝑓(𝛼𝑢 + 𝛽𝑣) = 𝛼𝑓(𝑢) + 𝛽𝑓(𝑣), ∀𝑢, 𝑣 ∈ 𝑉 , ∀𝛼, 𝛽 ∈ 𝐾

PROPIEDADES

Si 𝑓: 𝑉 → 𝑊 es una aplicación lineal, si cumple:

1. 𝑓(0𝑣) = 0𝑣
2. 𝑓(−𝑢) = −𝑓(𝑢)
3. 𝑆 sub espacio vectorial de V ⇒ 𝑓(𝑆) es sub espacio vectorial de 𝑊
4. T es sub espacio vectorial de 𝑊 ⇒ 𝑓 −1 (𝑇) es sub espacio vectorial de
V
 𝑉 𝑓 𝑊

u 4 f(u)=w 3 𝒇(𝒙)=𝒚

Ejemplo:

𝒇: ℝ𝟑 → ℝ𝟐

(𝑎, 𝑏, 𝑐) → 𝑓(𝑎, 𝑏, 𝑐) = (𝑎 − 𝑏, 𝑏 + 𝑐)

(2,5, −1) → 𝑓(2,5, −1) = (3,4)

(0, −3,6) → 𝑓(0, −3,6) = (3,3)

(0,0,0) → 𝑓(0,0,0) = (0,0)

𝑓: 𝑃2 (𝑥) → ℝ3

(𝑎 + 𝑏𝑥 + 𝑐𝑥 2 ) → 𝑓(𝑎 + 𝑏𝑥 + 𝑐𝑥 2 ) = (𝑎 + 𝑏 + 𝑐, 2𝑎, 𝑐 − 𝑏)

(1 + 𝑥 2 ) → 𝑓(1 + 𝑥 2 ) = (2,2, −1)

(−3 + 5𝑥 − 2𝑥 2 ) → 𝑓(−3 + 5𝑥 − 2𝑥 2 ) = (0, −6, −7)

(2 − 4𝑥 + 6𝑥 2 ) → 𝑓(2 − 4𝑥 + 6𝑥 2 ) = (4,4,2)

(2 − 4𝑥 + 6𝑥 2 ) → 𝑓(2 − 4𝑥 + 6𝑥 2 ) = (4,4,2)

(0 + 0𝑥 + 0𝑥 2 ) → 𝑓(0 + 0𝑥 + 0𝑥 2 ) = (0,0,0)

a) Hallar la Aplicación Lineal 𝒇: ℝ𝟐 → ℝ𝟑

b) Hallar
𝒇(𝟑, 𝟓) 𝒄𝒐𝒎𝒐 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒄𝒊𝒐𝒏 𝒍𝒊𝒏𝒆𝒂𝒍 𝒅𝒆 𝒍𝒐𝒔 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 𝒅𝒆 𝒍𝒂 𝒃𝒂𝒔𝒆
a) 𝑓: ℝ2 → ℝ3

(𝑎, 𝑏) → 𝑓(𝑎, 𝑏) = 𝛽𝑓(1,0) + 𝛾𝑓(0,1)

(𝑎, 𝑏) → 𝑓(𝑎, 𝑏) = 𝛽(2,1, −2) + 𝛾(0, −1,1)

(𝑎, 𝑏) → 𝑓(𝑎, 𝑏) = (2𝛽, 𝛽, −2𝛽) + (0, −𝛾, 𝛾)

(𝑎, 𝑏) → 𝑓(𝑎, 𝑏) = (2𝛽, 𝛽 − 𝛾. 𝛾 − 2𝛽)

𝑆𝑖 (𝑎, 𝑏) = 𝑎(1,0) + 𝑏(0,1)

∴ 𝑎 =𝛽∧𝑏 =𝛾

𝑷𝒐𝒓 𝒍𝒐 𝒕𝒂𝒏𝒕𝒐 𝒇: ℝ𝟐 → ℝ𝟑

(𝒂, 𝒃) → 𝒇(𝒂. 𝒃) = (𝟐𝒂, 𝒂 − 𝒃, 𝒃 − 𝟐𝒂)

b) 𝒇(𝟑, 𝟓) = 𝜶𝒇(𝟏, 𝟎) + 𝜷(𝟎, 𝟏)

𝑆𝑖 𝛼 = 3 ∧ 𝛽 = 5

𝑓(3,5) = 3(2,1 − 2) + 5(0, −1,1)

𝒇(𝟑. 𝟓) = (𝟔, −𝟐, 𝟏)

Sea 𝒇: 𝑷𝟐 (𝒙) → ℝ𝟑 𝒖𝒏𝒂 𝒂𝒑𝒍𝒊𝒄𝒂𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍 𝒚 𝑩 = {𝟏 − 𝒙, 𝟏 − 𝒙𝟐 , 𝒙 + 𝒙𝟐 }

𝑪𝒖𝒚𝒂𝒔 𝒊𝒎𝒂𝒈𝒆𝒏𝒆𝒔 𝒔𝒐𝒏: 𝒇(𝟏 − 𝒙) = (𝟎, 𝟏, −𝟏)

𝒇(𝟏 − 𝒙𝟐 ) = (𝟏, 𝟎, 𝟏)

𝒇(𝒙 + 𝒙𝟐 ) = (−𝟏, 𝟏, 𝟎)

𝑯𝒂𝒍𝒍𝒂𝒓 𝒍𝒂 𝑨𝒑𝒍𝒊𝒄𝒂𝒄𝒊ó𝒏 𝑳𝒊𝒏𝒆𝒂𝒍 𝒇(𝒂 + 𝒃𝒙 + 𝒄𝒙𝟐 )

Si: 𝒇: 𝑷𝟐 (𝒙) → ℝ𝟑

𝑎 + 𝑏𝑥 + 𝑐𝑥 2 = 𝛼(1 − 𝑥) + 𝛽(1 − 𝑥 2 ) + 𝛾(𝑥 + 𝑥 2 )

 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 = (𝛼 + 𝛽) + (𝛾 − 𝛼)𝑥 + (𝛾 − 𝛽)𝑥 2
𝛼 +𝛽 0 =𝑎 1 1 0 𝑎 1 1 0 𝑎
{−𝛼 0 +𝛾 = 𝑏 → (−1 0 1| 𝑏 ) ≈ (−1 0 1| 𝑏 ) ≈
0 −𝛽 +𝛾 = 𝑐 0 −1 1 𝑐 𝑓3←𝑓3+𝑓2 −1 −1 2 𝑏 + 𝑐 𝑓3←𝑓3+𝑓1

1 1 0 𝑎 0 1 1 𝑎+𝑏
(−1 0 1| 𝑏 ) ≈ (−1 0 1| 𝑏 )
0 0 2 𝑏 + 𝑐 + 𝑎 𝑓1←𝑓1+𝑓2 0 0 2 𝑏 + 𝑐 𝑓3← 𝑓3
2
𝑎+𝑏
0 1 1
𝑏
≈ (−1 0 1| 𝑎 + 𝑏 + 𝑐 )
0 0 1 𝑓2←𝑓2−𝑓3
2
𝑓1←𝑓1−𝑓3
𝑎 𝑏 𝑐
+ −
2 2 2
0 1 0 𝑏 𝑎 𝑐
≈ −1 0 0| − −
0 0 1 2 2 2
𝑏+𝑐
( 2 )
𝑎 𝑐 𝑏
→𝛼= + −
2 2 2
𝑎 𝑏 𝑐
𝛽= + −
2 2 2
𝑏 𝑐
𝛾= +
2 2
𝑃𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝒇: 𝑷𝟐 (𝒙) → ℝ𝟑

𝑎 + 𝑏𝑥 + 𝑐𝑥 2 → 𝒇(𝑎 + 𝑏𝑥 + 𝑐𝑥 2 ) = 𝛼𝑓(1 − 𝑥) + 𝛽𝑓(1 − 𝑥 2 ) + 𝛾𝑓(𝑥 + 𝑥 2 )

𝑎 + 𝑏𝑥 + 𝑐𝑥 2 → 𝒇(𝑎 + 𝑏𝑥 + 𝑐𝑥 2 )
𝑎 𝑐 𝑏 𝑎 𝑏 𝑐
= ( + − ) (0,1, −1) + ( + − ) (1,0,1)
2 2 2 2 2 2
𝑏 𝑐
+ ( + ) (−1,1,0)
2 2
 𝑎 𝑐 𝑏 𝑎 𝑏 𝑐 𝑏 𝑐
𝑎 + 𝑏𝑥 + 𝑐𝑥 2 → 𝒇(𝑎 + 𝑏𝑥 + 𝑐𝑥 2 ) = ( + − ) (0,1, −1) + ( + − ) (1,0,1) + ( + ) (−1,1,0)
2 2 2 2 2 2 2 2

𝑎 𝑐 𝑏 𝑏 𝑎 𝑐
𝑎 + 𝑏𝑥 + 𝑐𝑥 2 → 𝒇(𝑎 + 𝑏𝑥 + 𝑐𝑥 2 )= (0, + − , − − ) +
2 2 2 2 2 2
𝑎 𝑏 𝑐 𝑎 𝑏 𝑐 𝑏 𝑐 𝑏 𝑐
(2 + 2 − 2 , 0, 2 + 2 − 2)+(− 2 − 2 , 2 + 2 , 0)

𝒇: 𝑷𝟐 (𝒙) → ℝ𝟑
𝒂 𝒃
𝒂 + 𝒃𝒙 + 𝒄𝒙𝟐 → 𝒇(𝒂 + 𝒃𝒙 + 𝒄𝒙𝟐 ) = ( − 𝒄; 𝒂 − ; 𝒃 − 𝒄)
𝟐 𝟐

6.1.- NÚCLEO E IMAGEN

Si 𝑓: 𝑉 → 𝑊 es una aplicación lineal se llama imagen al sub espacio vectorial
𝐼𝑚𝑔𝑓 = 𝑓(𝑉) y núcleo al sub espacio vectorial 𝑁𝑓 = 𝑓 −1 {(0)}.

Así,

𝑁𝑓 = {𝑣 ∈ 𝑉 ⁄𝑓(𝑣) = 0𝑣}

𝐼𝑚𝑔𝑓 = {𝑤 ∈ 𝑊 ⁄𝑤 = 𝑓(𝑣) , 𝑣 ∈ 𝑉}

Sea 𝑓: 𝑉 → 𝑊 una aplicación lineal:

1. Se llama NÚCLEO de una aplicación lineal, al conjunto de vectores

𝑣 𝑑𝑒 𝑉 tales que 𝑓(𝑣) = 0𝑣

𝑁𝑓 = {𝑣 ∈ 𝑉 ∕ 𝑓(𝑣) = 0𝑣}

V W

V1 W1

0v 0w

V2 W2
 0v

V2
𝑁𝑓
V3

V4

Ejemplos

Sea la aplicación lineal

𝑓: ℝ3 → ℝ2

(𝑎, 𝑏, 𝑐) ⟶ 𝑓(𝑎, 𝑏, 𝑐) = (𝑎 − 𝑏 − 𝑐, 𝑎 − 𝑐)

𝑁𝑓 = {(𝑎, 𝑏, 𝑐)⁄𝑓(𝑎, 𝑏, 𝑐) = 0𝑣}

𝑁𝑓 = {(𝑎, 𝑏, 𝑐)⁄(𝑎 − 𝑏 − 𝑐, 𝑎 − 𝑐) = (0,0)}

𝑎−𝑏−𝑐 =0
{
𝑎+0−𝑐 =0
1−1+1⋮0 ≈ 1−1+1⋮0 ≈ 1+0−1⋮0
( ) ( ) ( )
1 + 0 − 1 ⋮ 0 𝐹2 ← 𝐹2 − 𝐹1 0 + 1 − 2 ⋮ 0 𝐹2 ← 𝐹2 − 𝐹1 0 + 1 − 2 ⋮ 0
𝑎−𝑐 =0
𝑏 − 2𝑐 = 0

𝑁𝑓 = {(𝑎, 𝑏, 𝑐)⁄𝑎 = 𝑐 𝑦 𝑏 = 2𝑐}

𝑁𝑓 = {(𝑐, 2𝑐, 𝑐)⁄𝑐 ∈ ℝ }

 (0,0,0) ⟶ 𝑓(0,0,0) = (0,0)

(1,2,1) ⟶ 𝑓(1,2,1) = (0,0)

Sea 𝑓: ℝ3 ⟶ ℝ3

(𝑥, 𝑦, 𝑧) ⟶ 𝑓(𝑥, 𝑦, 𝑧) = (𝑥 − 𝑦 + 𝑧, 𝑥 + 𝑦 + 𝑧, 𝑥 − 3𝑦 + 𝑧)

𝑁𝑓 = {(𝑥, 𝑦, 𝑧)⁄𝑓(𝑥, 𝑦, 𝑧) = 0𝑣}

𝑁𝑓 = {(𝑥, 𝑦, 𝑧)⁄(𝑥 − 𝑦 + 𝑧, 𝑥 + 𝑦 + 𝑧, 𝑥 − 3𝑦 + 𝑧) = (0,0,0)}

𝑥−𝑦+𝑥 =0
{𝑥+𝑦+𝑧 =0
𝑥 − 3𝑦 + 𝑧 = 0

1 −1 1 ⋮ 0 1 −1 1 ⋮ 0 ≈ 1 −1 1 ⋮ 0
≈ −1
(1 1 1 ⋮ 0) 𝐹 ← 𝐹 − 𝐹 (0 −2 0 ⋮ 0) 𝐹2 ← 𝐹 (0 1 0 ⋮ 0)
2 2 1 2 2
1 −3 1 ⋮ 0 0 −2 0 ⋮ 0 1 0 −1 0 ⋮ 0
𝐹3 ← 𝐹3 − 𝐹1 𝐹3 ← 𝐹3
2

𝐹1 = 𝐹1 + 𝐹2 1 0 1 ⋮ 0 𝑥 = −𝑧
( 0 1 0 ⋮ 0)
𝐹3= 𝐹3 + 𝐹2 𝑦=0
0 0 0⋮0
𝑥 = −𝑧
𝑁𝑓 = {(𝑥, 𝑦, 𝑧)⁄ }
𝑦=0

𝑁𝑓 = {(−𝑧, 0, 𝑧)⁄𝑧 ∈ ℝ}

𝐷𝑖𝑚 𝑁𝑓 = 1

Sea la función :

𝒇: ℝ𝟑 → ℝ𝟐

(𝒂, 𝒃, 𝒄) → 𝒇(𝒂, 𝒃, 𝒄) = (𝒂 − 𝒃 + 𝒄, 𝒂 − 𝒄)
Hallar el núcleo de f

Si 𝑵𝒇 = {(𝒂, 𝒃, 𝒄)/𝒇(𝒂, 𝒃, 𝒄) = (𝟎, 𝟎)}

→ 𝑵𝒇 = {(𝒂, 𝒃, 𝒄)/(𝒂 − 𝒃 + 𝒄, 𝒂 − 𝒄) = (𝟎, 𝟎)}

𝑎 −𝑏+𝑐= 0 1 −1 1 0 0 −1 2 0
{ →( | ) ≈( | )
𝑎 0 −𝑐= 0 1 0 −1 0 𝑓1←𝑓1−𝑓2 1 0 −1 0

→ −𝑏 + 2𝑐 = 0 ∴ 𝑏 = 2𝑐

𝑎−𝑐 =0∴𝑎 =𝑐

Reemplazamos a y b en el núcleo:

𝑵𝒇 = {(𝒄, 𝟐𝒄, 𝒄)/𝒄 ∈ ℝ}

2.- Sea 𝒇: ℝ𝟑 → ℝ𝟑

(𝒙, 𝒚, 𝒛) → 𝒇(𝒙, 𝒚, 𝒛) = (𝒙 − 𝒚 + 𝒛, 𝒙 + 𝒚 + 𝒛, 𝒙 − 𝟑𝒚 + 𝒛)

Hallar el Núcleo de f

Por defición 𝑵𝒇 = {(𝒙, 𝒚, 𝒛)/𝒇(𝒙, 𝒚, 𝒛) = (𝟎, 𝟎, 𝟎)}

𝑵𝒇 = {(𝒙, 𝒚, 𝒛)/(𝒙 − 𝒚 + 𝒛, 𝒙 + 𝒚 + 𝒛, 𝒙 − 𝟑𝒚 + 𝒛) = (𝟎, 𝟎, 𝟎)}

𝑥 −𝑦 +𝑧= 0 1 −1 1 0 1 −1 1 0
{𝑥 +𝑦 +𝑧= 0 → (1 1 1| 0) ≈ (0 2 0| 0 )
𝑥 −3𝑦+𝑧= 0 1 −3 1 0 𝑓3←𝑓3−𝑓1 0 −2 0 0 𝑓3←𝑓3+𝑓2
𝑓2←𝑓2−𝑓1
1 −1 1 0
≈ (0 2 0| 0)
0 0 0 0
𝑃𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒: 𝑥 − 𝑦 + 𝑧 = 0

2𝑦 = 0 ∴ 𝑦 = 0

𝑆𝑖 𝑦 = 0 → 𝑥 = −𝑧

Reemplazamos x,y,z en el núcleo y tenemos:

𝑵𝒇 = {(−𝒛, 𝟎, 𝒛)/𝒛 ∈ ℝ}
3.- Sea 𝒇: ℝ𝟐 → 𝑷𝟏 (𝒕)

(𝒙, 𝒚) → 𝒇(𝒙, 𝒚) = (𝒙 − 𝒚) + (𝒙 + 𝒚)𝒕

Hallar el núcleo de f

Si 𝑵𝒇 = {(𝒙, 𝒚)/𝒇(𝒙, 𝒚) = 𝟎 + 𝟎𝒕}

𝑵𝒇 = {(𝒙, 𝒚)/(𝒙 − 𝒚) + (𝒙 + 𝒚) = 𝟎 + 𝟎𝒕}

𝒙 −𝒚= 𝟎
{ +𝒚 →𝒙=𝟎∧𝒚=𝟎
𝒙 =𝟎
Por lo que el Núcleo de f sera: 𝑵𝒇 = {(𝟎, 𝟎)} = 𝟎𝑽

2. Se llama IMAGEN de 𝑓 o recorrido de 𝑓:

𝐼𝑚𝑔𝑓 = (𝑤 ∈ 𝑊 ⁄∃𝑣 ∈ 𝑉, 𝑓(𝑣) = 𝑊)

V W

Ow
V1
0v
W1 Imagen
v1
V2
v2 W2

W3 W5
V3
W4
V4

V5

𝐼𝑚𝑔𝑓 = {𝑂𝑤, 𝑤1, 𝑤2, 𝑤3, 𝑤4} 𝑦 𝑁𝑓 = {𝑂𝑣, 𝑣1, 𝑣2}

Sea 𝑓: ℝ3 ⟶ ℝ3
 (𝑥, 𝑦, 𝑧) ⟶ 𝑓(𝑥, 𝑦, 𝑧) = (𝑥 − 𝑦 + 𝑧, 𝑥 + 𝑦 + 𝑧, 𝑥 − 3𝑦 + 𝑧)

𝐼𝑚𝑔𝑓 = {(𝑎, 𝑏, 𝑐)⁄𝑓(𝑣) = 𝑊}

𝐼𝑚𝑔𝑓 = {(𝑎, 𝑏, 𝑐)⁄(𝑥 − 𝑦 + 𝑧, 𝑥 + 𝑦 + 𝑧, 𝑥 − 3𝑦 + 𝑧) = (𝑎, 𝑏, 𝑐)}

𝑥−𝑦−𝑧 =𝑎
{𝑥+𝑦+𝑧 =𝑏
𝑥 − 3𝑦 + 𝑧 = 𝑐
1 −1 1 ⋮ 𝑎 𝐹 = 𝐹 − 𝐹 1 −1 1⋮𝑎
2 2 1
(1 1 1 ⋮ 𝑏) (0 2 0 ⋮ 𝑏 − 𝑎)
𝐹3 = 𝐹3 − 𝐹1
1 −3 1⋮𝑐 0 −2 0⋮𝑐−𝑎
1 0 0⋮𝑎
𝐹3 = 𝐹3 − 𝐹1 (0 2 0 ⋮ 𝑏 − 𝑎 )
0 𝑜 0 ⋮ 𝑐 + 𝑎 − 2𝑎

𝐼𝑚𝑔𝑓 = {(𝑎, 𝑏, 𝑐)⁄𝑐 + 𝑎 − 2𝑎 = 0}

Ejercicios de aplicación

Sea la función

𝑓: 𝑀2𝑥2 → 𝑃1 (𝑥)
𝑎 𝑏 𝑎 𝑏
( ) ⟶ 𝑓( ) = (𝑎 + 𝑏 − 𝑑) + (𝑎 − 𝑐 + 𝑑)𝑥
𝑐 𝑑 𝑐 𝑑
a) Hallar la imagen de 𝑓
b) Hallar el núcleo de 𝑓

𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑥)⁄𝑓(𝑣) = 𝑊}

𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑥)⁄(𝑎 + 𝑏 − 𝑑) + (𝑎 − 𝑐 + 𝑑)𝑥 = (𝑝 + 𝑞𝑥)}

𝑎+𝑏−𝑑 =𝑝
{
𝑎−𝑐+𝑑 =𝑞
 1 1 0 −1 ⋮ 𝑝 1 1 0 −1 ⋮ 𝑝
( ) 𝐹2 = 𝐹2 − 𝐹1 ( )
1 0 −1 1 ⋮ 𝑞 0 −1 −1 1 ⋮ 𝑞 − 𝑝
𝐼𝑚𝑔𝑓 = {𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎}

𝑎 𝑏 𝑎 𝑏
𝑁𝑓 = {( )⁄𝑓 ( ) = 0𝑣}
𝑐 𝑑 𝑐 𝑑
𝑎 𝑏 (𝑎
𝑁𝑓 = {( )⁄ + 𝑏 − 𝑑) + (𝑎 − 𝑐 + 𝑑)𝑥 = 0 + 0𝑥}
𝑐 𝑑
𝑎+𝑏−𝑑 =0
{
𝑎−𝑐+𝑑 =0
1 1 0 −1 ⋮ 0 1 1 0 −1 ⋮ 0
( ) 𝐹2 = 𝐹2 − 𝐹1 ( ) 𝐹 = 𝐹1 + 𝐹2
1 0 −1 1 ⋮ 0 0 −1 −1 1 ⋮ 0 1
1 0 −1 0 ⋮ 0 𝑎−𝑐 =0
( )
0 −1 −1 1 ⋮ 0 −𝑏 − 𝑐 + 𝑑 = 0

𝑎 𝑏 𝑎−𝑐 =0
𝑁𝑓 = {( )⁄ }
𝑐 𝑑 −𝑏 − 𝑐 + 𝑑 = 0

Sea 𝑇: ℝ3 ⟶ ℝ2 una transformación lineal y 𝐵=

{(1,0, −1), (2, −1,1), (−1,1 − 1)} es una base de ℝ3 tal que:

𝑇(1,0, −1) = (−3,1), 𝑇(2, −1,1) = (4,2), 𝑇(−1,1 − 1) = (−1,3)

a) Hallar la imagen de 𝑇
b) Hallar el núcleo de 𝑇

(𝑥, 𝑦, 𝑧) = 𝛼(1,0, −1) + 𝛽(2, −1,1) + 𝛾(−1,1 − 1)

𝛼 + 2𝛽 − 𝛾 = 𝑥
{ 0−𝛽+𝛾 =𝑦
−𝛼 + 𝛽 − 𝛾 = 𝑧
 1 2 −1 ⋮ 𝑥 1 2 −1 ⋮ 𝑥
( 0 −1 1 ⋮ 𝑦 ) 𝐹3 ↔ 𝐹2 (−1 1 −1 ⋮ 𝑧 ) 𝐹2 = 𝐹2 + 𝐹1
−1 1 −1 ⋮ 𝑧 0 −1 1 ⋮𝑦

1 2 −1 ⋮ 𝑥 1 2 −1 ⋮ 𝑥
(0 3 −2 ⋮ 𝑧 + 𝑥 ) 𝐹3 ↔ 𝐹2 (0 −1 1 ⋮𝑦 )
0 −1 1 ⋮𝑦 0 3 −2 ⋮ 𝑧 + 𝑥

𝐹1 = 𝐹1 + 2𝐹2 1 0 1 ⋮ 𝑥 + 2𝑦 1 0 1 ⋮ 𝑥 + 2𝑦
(0 −1 1 ⋮𝑦 ) 𝐹2 = −𝐹2 (0 1 −1 ⋮ −𝑦 )
𝐹3 = 𝐹3 + 3𝐹2 0 0 1 ⋮ 𝑧 + 𝑥 + 3𝑦 0 0 1 ⋮ 𝑧 + 𝑥 + 3𝑦

𝐹1 = 𝐹1 − 𝐹3 1 0 0 ⋮ −𝑦 − 𝑧
(0 1 0 ⋮𝑧+𝑥+𝑦 )
𝐹2 = 𝐹2 + 𝐹3 0 0 1 ⋮ 𝑧 + 𝑥 + 3𝑦

∝= −𝑦 − 𝑧
𝛽 =𝑧+𝑥+𝑦
𝛾 = 𝑧 + 𝑥 + 3𝑦

𝑇(𝑥, 𝑦, 𝑧) = 𝛼𝑇(1,0, −1) + 𝛽𝑇(2, −1,1) + 𝛾𝑇(−1,1 − 1)

𝑇(𝑥, 𝑦, 𝑧) = (−𝑦 − 𝑧)(−3,1) + (𝑧 + 𝑥 + 𝑦)(4,2) + (𝑧 + 𝑥

+ 3𝑦)(−1,3)𝑇(𝑥, 𝑦, 𝑧)
= (3𝑦 + 3𝑧, −𝑦 − 𝑧) + (4𝑧 + 4𝑥 + 4𝑦, 2𝑧 + 2𝑥 + 2𝑦) +

(−𝑧 − 𝑥 − 3𝑦, 3𝑧 + 3𝑥 + 9𝑦)

𝑇(𝑥, 𝑦, 𝑧) = (3𝑥 + 4𝑦 + 6𝑧, 5𝑥 + 10𝑦 + 4𝑧)

𝑇: ℝ3 ⟶ ℝ2

(𝑥, 𝑦, 𝑧) ⟶ 𝑇(𝑥, 𝑦, 𝑧) = (3𝑥 + 4𝑦 + 6𝑧, 5𝑥 + 10𝑦 + 4𝑧)

Hallar la Imagen de 𝒇: ℝ𝟑 → ℝ𝟑

(𝒙, 𝒚, 𝒛) → 𝒇(𝒙, 𝒚, 𝒛) = (𝒙 − 𝒚 + 𝒛, 𝒙 + 𝒚 + 𝒛, 𝒙 − 𝟑𝒚 + 𝒛)

Por definicion: 𝑰𝒎𝒈𝒇 = {(𝒂, 𝒃, 𝒄)/𝒇(𝒙, 𝒚, 𝒛) = (𝒂, 𝒃, 𝒄) }

𝑰𝒎𝒈𝒇 = {(𝒂, 𝒃, 𝒄)/(𝒙 − 𝒚 + 𝒛, 𝒙 + 𝒚 + 𝒛, 𝒙 − 𝟑𝒚 + 𝒛) = (𝒂, 𝒃, 𝒄) }
𝑥 −𝑦 +𝑧= 𝑎 1 −1 1 𝑎 1 −1 1 𝑎
{𝑥 +𝑦 +𝑧= 𝑏 → (1 1 1| 𝑏 ) ≈ (0 2 0| 𝑏 − 𝑎 )
𝑥 −3𝑦 +𝑧 = 𝑐 1 −3 1 𝑐 𝑓3←𝑓3−𝑓1 0 −2 0 𝑐 − 𝑎 𝑓3←𝑓3+𝑓2
𝑓2←𝑓2−𝑓1
1 −1 1 𝑎
≈ (0 2 0| 𝑏 − 𝑎 )
0 0 0 𝑐 + 𝑏 − 2𝑎
𝑃𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑙𝑎 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑒𝑠: 𝑐 + 𝑏 − 2𝑎 = 0

→ 𝑐 + 𝑏 = 2𝑎

∴ 𝑰𝒎𝒈𝒇 = {(𝒂, 𝒃, 𝒄)/𝒄 + 𝒃 = 𝟐𝒂 }

2.- Sea la función:

𝒇: 𝑴𝟐×𝟐 → 𝑷𝟏 (𝒙)
𝒂 𝒃 𝒂 𝒃
( ) → 𝒇( ) = (𝒂 + 𝒃 − 𝒅) + (𝒂 − 𝒄 + 𝒅)𝒙
𝒄 𝒅 𝒄 𝒅
a) Hallar la Imagen de f y su dimensión
b) Hallar el núcleo f y su dimensión
𝒂 𝒃
a) Si 𝑰𝒎𝒈𝒇 = {𝒆 + 𝒉𝒙/𝒇 ( ) = 𝒆 + 𝒉𝒙 }
𝒄 𝒅
𝑰𝒎𝒈𝒇 = {𝒆 + 𝒉𝒙/(𝒂 + 𝒃 − 𝒅) + (𝒂 − 𝒄 + 𝒅) = 𝒆 + 𝒉𝒙 }

𝑎 +𝑏 −𝑑 = 𝑒 1 +1 0 −1 𝑒
{ →( | ) ≈
𝑎 −𝑐+𝑑= ℎ 1 0 −1+1 ℎ 𝑓2←𝑓2+𝑓2
1 +1 0 −1 𝑒
( | )
2 +1 −1 0 ℎ + 𝑒

𝑁𝑜 𝑒𝑥𝑖𝑠𝑡𝑒𝑛 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠
𝑰𝒎𝒈𝒇 = {𝑷𝟏 (𝒙)}

𝒅𝒊𝒎 𝑷𝟏 (𝒙) = 𝟐
𝒂 𝒃 𝒂 𝒃
Si: 𝑵𝒇 = {( ) /𝒇 ( ) = 𝟎 + 𝟎𝒕}
𝒄 𝒅 𝒄 𝒅
 𝒂 𝒃
→ 𝑵𝒇 = {( ) /(𝒂 + 𝒃 − 𝒅) + (𝒂 − 𝒄 + 𝒅) = 𝟎 + 𝟎𝒕}
𝒄 𝒅
𝑎 +𝑏 −𝑑 = 𝑒 1 +1 0 −1 0 1 +1 0 −1 0
{ →( | ) ≈( | )
𝑎 −𝑐+𝑑 = ℎ 1 0 −1+1 0 𝑓2←𝑓2−𝑓1 0 −1 −1+2 0

→𝑎+𝑏−𝑑 =0

𝐷𝑜𝑛𝑑𝑒: 𝑎 = 𝑑 − 𝑏

→ −𝑏 − 𝑐 + 2𝑑 = 0

𝐷𝑜𝑛𝑑𝑒: 𝑏 = 2𝑑 − 𝑐 ∴ 𝑎 = 𝑐 − 𝑑
𝒂 𝒃
∴ 𝑵𝒇 = {( ) /𝒂 = 𝒄 − 𝒅 ∧ 𝒃 = 𝟐𝒅 − 𝒄}
𝒄 𝒅

6.2.- APLICACIÓN LINEALES

INYECTIVAS, SOBREYECTIVAS Y
BIYECTIVAS

Sean 𝑣, 𝑤 espacios vectoriales sobre un cuerpo K y 𝑓: 𝑉 → 𝑊 una transformación lineal

Entonces:

1. f es inyectiva ↔ Nf = {0v}
2. f es sobreyectiva ↔ Img f = {W}
3. f es biyectiva ↔ Nf = {0v} y Img f = {W}

Sea 𝑓: ℝ3 ⟶ 𝑃2 (𝑥)

(𝑎, 𝑏, 𝑐) ⟶ 𝑓(𝑎, 𝑏, 𝑐) = (𝑎 − 𝑏 + 𝑐) + (𝑎 + 𝑏)𝑥

𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑥)⁄𝑓(𝑣) = 𝑊}

 𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑥)⁄(𝑓(𝑎, 𝑏, 𝑐) = (𝑝 + 𝑞𝑥)}

𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑥)⁄(𝑎 − 𝑏 + 𝑐) + (𝑎 + 𝑏)𝑥 = (𝑝 + 𝑞𝑥)}

𝑎−𝑏+𝑐 =𝑝
{
𝑎+𝑏 =𝑞
1 −1 1 𝑝 ~ 1 −1 1 𝑝
( |𝑞 ) ( |𝑞 − 𝑝)
1 1 0 𝐹2 ← 𝐹2 − 𝐹1 0 2 −1

𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑥)⁄𝑝, 𝑞 ∈ ℝ} = 𝑃2 (𝑥)

∴ 𝑓 𝑒𝑠 𝑠𝑜𝑏𝑟𝑒𝑦𝑒𝑐𝑡𝑖𝑣𝑎

6.3.-TEOREMA DE LA DIMENCION
Si 𝑓: 𝑉 → 𝑊 es una aplicación lineal de una e.v. V de dim(V)=n en un e.v. W de
dim(W)=m, entonces:

Dim(V) =Dim(Nf) +Dim(Imgf)

TEOREMA:

Si 𝑓: 𝑉 → 𝑊 es una aplicación lineal de una e.v. V de dim(V)=n en un e.v. W de

dim(W)=N, entonces:

a) si f es inyectiva, entonces f también es sobreyectiva

b) si fi es sobreyectiva, entonces f también es inyectiva

Ejemplo:

𝑑𝑖𝑚(ℝ3 ) = 𝑑𝑖𝑚(𝑁𝑓) + 𝑑𝑖𝑚(𝐼𝑚𝑔𝑓)

3 = 𝑑𝑖𝑚(𝑁𝑓) + 2

𝑑𝑖𝑚(𝑁𝑓) = 1
 ∴ 𝑓 𝑛𝑜 𝑒𝑠 𝑖𝑛𝑦𝑒𝑐𝑡𝑖𝑣𝑎

Ejemplo:

Sea 𝑓: ℝ2 ⟶ 𝑃1 (𝑡)
(𝑎, 𝑏) → 𝑓(𝑎, 𝑏) = (2𝑎) + (𝑏 + 𝑎)𝑡

𝑁𝑓 = {(𝑎, 𝑏)/2𝑎 + (𝑏 + 𝑎)𝑡 = 0 + 0𝑡}

2𝑎 = 0
{
𝑎+𝑏 =0
𝑁𝑓 = {(0,0)}

𝐷𝑖𝑚(𝑁𝑓) = 0

∴ 𝒇 𝒆𝒔 𝒊𝒏𝒚𝒆𝒄𝒕𝒊𝒗𝒂

𝑑𝑖𝑚(ℝ2 ) = 𝑑𝑖𝑚(𝑁𝑓) + 𝑑𝑖𝑚(𝐼𝑚𝑔𝑓)

2 = 0 + 𝑑𝑖𝑚(𝐼𝑚𝑔𝑓)

𝑑𝑖𝑚(𝑁𝑓) = 2 = 𝑑𝑖𝑚(𝑃1 (𝑡)) ∴ 𝒇 𝒆𝒔 𝒔𝒐𝒃𝒓𝒆𝒚𝒆𝒄𝒕𝒊𝒗𝒂 ∴ 𝒇 𝒆𝒔 𝒃𝒊𝒚𝒆𝒄𝒕𝒊𝒗𝒂

6.4.- APLICACIÓN LINEAL INVERSA

Para que exista la aplicación lineal inversa (𝑓 −1 ), entonces la aplicación lineal
f debe ser biyectiva, es decir; f debe ser inyectiva y sobreyectiva.

𝑉 𝑓 𝑊
𝑓: 𝑉 → 𝑊

u 6 f(u)=w 5 𝒇(𝒙)=𝒚 𝑓 −1: 𝑊 → 𝑉

−1
𝑓
Pasos para encontrar una aplicación lineal inversa
 1. primero demostramos si es inyectiva y sobreyectiva, para esto calculamos el nucleo
o la imagen de la aplicación lineal.
2. Demostramos que es biyectiva
3. A la matriz utilizada para encontrar la imagen, la escalonamos y reducimos con
estos valores obtenidos remplazamos en la aplicación lineal inversa

Ejercicio:

𝑉 𝑓 𝑊

(a,b)8 x+yt 7 𝒇(𝒙)=𝒚

−1
𝑓
𝑓: ℝ2 ⟶ 𝑃1 (𝑡)

1. primero demostramos si es inyectiva y sobreyectiva, para esto calculamos el nucleo

o la imagen de la aplicación lineal.

(𝑎, 𝑏) → 𝑓(𝑎, 𝑏) = (2𝑎) + (𝑏 + 𝑎)𝑡

𝑁𝑓 = {(𝑎, 𝑏)/2𝑎 + (𝑏 + 𝑎)𝑡 = 0 + 0𝑡}

2𝑎 = 0
{
𝑎+𝑏 =0
𝑁𝑓 = {(0,0)}

𝐷𝑖𝑚(𝑁𝑓) = 0

∴ 𝒇 𝒆𝒔 𝒊𝒏𝒚𝒆𝒄𝒕𝒊𝒗𝒂

𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑡)⁄𝑓(𝑣) = 𝑊}

𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑡)⁄(𝑓(𝑎, 𝑏) = (𝑝 + 𝑞𝑥)}

𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑡)⁄(2𝑎) + (𝑏 + 𝑎)𝑡 = (𝑝 + 𝑞𝑡)}

 2𝑎 = 𝑝
{
𝑎+𝑏 =𝑞

2 0𝑝 ~ 1 0 𝑝/2 1 0 𝑝/2
( |𝑞) 1 ( | ) ~ ( | )
1 1 𝑓1 ← 𝑓1 1 1 𝑞 𝑓2 ← 𝑓2 − 𝑓1 0 1 𝑞 − (𝑝/2)
2
𝐼𝑚𝑔𝑓 = {(𝑝 + 𝑞𝑡)⁄𝑝, 𝑞 ∈ ℝ}

𝐷𝑖𝑚(𝑖𝑚𝑔𝑓) = 2
∴ 𝒇 𝒆𝒔 𝒔𝒐𝒃𝒓𝒆𝒚𝒆𝒄𝒕𝒊𝒗𝒂

2. Demostramos que es biyectiva

∴ 𝒇 𝒆𝒔 𝒃𝒊𝒚𝒆𝒄𝒕𝒊𝒗𝒂

3. A la matriz utilizada para encontrar la imagen, la escalonamos y reducimos con

estos valores obtenidos remplazamos en la aplicación lineal inversa
𝑓 −1 : 𝑊 → 𝑉
𝑓 −1 : 𝑃1 (𝑡) → ℝ2
(𝑝 + 𝑞𝑡) → 𝑓(𝑝 + 𝑞𝑡) = (𝑝/2, 𝑞 − (𝑝/2))

𝑓: ℝ2 → 𝑃1 (𝑡)

(𝑎, 𝑏) → 𝑓(𝑎, 𝑏) = 2𝑎 + (𝑏 + 𝑎)𝑡

Determinar:

a) Si es Inyectiva
b) Si f es Sobreyectiva
c) Si f es Biyectiva

a) Por definición: 𝑁𝑓 = {(𝑎, 𝑏)/𝑓(𝑎, 𝑏) = 0 + 0𝑡}

 𝑁𝑓 = {(𝑎, 𝑏)/2𝑎 + (𝑏 + 𝑎) = 0 + 0𝑡}

2𝑎 = 0
→{ ∴𝑎 =0∧𝑏 =0
𝑎 +𝑏= 0
∴ 𝑁𝑓 = {(0,0)} = 0𝑉

Teorema de la Dimensión:

𝑑𝑖𝑚ℝ2 = 𝑑𝑖𝑚 𝐼𝑚𝑔𝑓 + 𝑑𝑖𝑚 𝑁𝑓

2 = 𝑑𝑖𝑚 𝐼𝑚𝑔𝑓 + 0

𝑑𝑖𝑚 𝐼𝑚𝑔𝑓 = 2 = 𝑑𝑖𝑚 𝑃1 (𝑡)

a) Como: 𝑁𝑓 = {(0,0)} ∴ 𝑓 𝑒𝑠 𝑖𝑛𝑦𝑒𝑐𝑡𝑖𝑣𝑎

b) Como: 𝑑𝑖𝑚 𝐼𝑚𝑔𝑓 = 2 = 𝑑𝑖𝑚 𝑃1 (𝑡) ∴ 𝑓 𝑒𝑠 𝑠𝑜𝑏𝑟𝑒𝑦𝑒𝑐𝑡𝑖𝑣𝑎

c) Por 𝑎) ∧ 𝑏) → 𝑓 𝑒𝑠 𝑏𝑖𝑦𝑒𝑐𝑡𝑖𝑣𝑎

6.5. VECTOR DE COORDENADAS

Sea V un espacio vectorial de dimensión finita con base 𝐵 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } ,
para cada v ∈ V existen escalares únicos 𝛼1 , 𝛼2 , . . . , 𝛼𝑛 tales que:

𝑣 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛

6.6. COORDENADAS DE UN VECTOR

RESPECTO DE UNA BASE
El vector en V cuyas componentes son los coeficientes de v,
expresado como[𝑣]𝐵 , se llaman coordenadas de un vector respecto a
una base o vector coordenado de v con respecto a B:
Sea 𝐵 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } llegamos a encontrar las coordenadas del vector v de
la base dada y se escribe de la siguiente forma:
𝛼1
𝛼2
.
[𝑣 ]𝐵 =
..
(𝛼𝑛 )
Ejemplo:
Sea la base 𝑩 = {(𝟏, −𝟕), (−𝟓, −𝟒)} y 𝒗 = (−𝟏𝟔, 𝟑𝟒)
encontrar [𝑣 ]𝐵 =?

𝑣 = 𝛼1 𝑣1 + 𝛼2 𝑣2

(−16,34) = 𝛼1 (1, −7) + 𝛼2 (−5, −4)

~
1 −5 −16 ~ 1 −5 −16 1 −5 −16
( | ) 𝑓 ← 𝑓 + 7𝑓 ( | ) 𝑓 ← 𝑓 (− 1 ) ( | )
−7 −4 34 2 2 1 0 −39 −78 2 2
39 0 1 2
~ 1 0 −6
𝑓1 ← 𝑓1 + 5𝑓2 (0 1| 2 )
𝛼 = −6
∴{ 1
𝛼2 = 2

[𝑣]𝐵 = (−6)
2
Sea la base 𝑩 = {(𝟏, 𝟏, 𝟎), (𝟏, 𝟎, 𝟏), (𝟎, 𝟏, 𝟏)} y 𝒗 = (−𝟐, 𝟒, 𝟐),
encontrar [𝑣 ]𝐵 =?

𝑣 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + 𝛼3 𝑣3
 (−2,4,2) = 𝛼1 (1,1,0) + 𝛼2 (1,0,1) + 𝛼3 (0,1,1)
1 1 0 −2 ~ 1 1 0 −2 ~ 1 1 0 −2
(1 0 1| 4 ) 𝑓 ← 𝑓 − 𝑓 (0 −1 1| 6 ) 𝑓 ↔ 𝑓 (0 1 1| 2 )
2 2 1 3 2
0 1 1 2 0 1 1 2 0 −1 1 6
~ 1 0 −1 −4 ~ 1 0 −1 −4 ~
𝑓3 ← 𝑓3 + 𝑓2 (0 1 1 | 2 ) 1 𝑓 ← 𝑓2 − 𝑓3
𝑓3 ← 𝑓3 ( ) (0 1 1 | 2 ) 2
𝑓1 ← 𝑓1 − 𝑓2 0 0 2 8 2 0 0 1 4 𝑓1 ← 𝑓1 + 𝑓3
1 0 0 0
(0 1 0|−2)
0 0 1 4
𝛼1 = 0
∴ {𝛼2 = −2
𝛼1 = 4

0
[𝑣]𝐵 = (−2)
4
Sea la base canoníca 𝑩𝑪 = {(𝟏, 𝟎, 𝟎), (𝟎, 𝟏, 𝟎), (𝟎, 𝟎, 𝟏)} y 𝒗 =
(−𝟐, 𝟒, 𝟐), encontrar [𝑣 ]𝐵𝑐 =?

𝑣 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + 𝛼3 𝑣3

(−2,4,2) = 𝛼1 (1,0,0) + 𝛼2 (0,1,0) + 𝛼3 (0,0,1)

1 0 0 −2
(0 1 0| 4 )
0 0 1 2
−2
[𝑣]𝐵𝑐 =( 4 )
2
 6.7.- BASES CANONÍCAS
Todas las bases canonícas son:

a) Ortogonales
b) orto normales

Esta base tiene siempre que cumplir:

a) LI
b) Genera a e.v.
c) Dim(B) = Dim(e.v.)

ESPACIO VECTORIAL BASE CANONÍCA

ℝ2 BC = {(1,0), (0,1)}

ℝ3 BC = {(1,0,0), (0,1,0), (0,0,1)}

ℝ4 BC = {(1,0,0,0), (0,1,0,0), (0,0,1,0), (0,0,0,1)}

𝑃𝑛 (𝑥) BC = {1, x, … , xn }

𝑃2 (𝑥) BC = {1, x, x2 }

𝑀2 1 0 0 1 0 0 0 0
BC = {( ),( ),( ),( )}
0 0 0 0 1 0 0 1

Ejemplos:
Dado el vector u encontrar las coordenadas del mismo respecto a una base canoníca.

1
𝑢 = (1,2) → [𝑢]𝐶 = ( )
2
𝑎
𝑢 = (𝑎, 𝑏) → [𝑢]𝐶 = ( )
𝑏
 𝑥
𝑢 = (𝑥, 𝑦, 𝑧) → [𝑢]𝐶 = (𝑦)
𝑧
2
𝑢 = 2 + 3𝑥 + 𝑥 2 → [𝑢]𝐶 = (3)
1
𝑎
𝑢 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 → [𝑢]𝐶 = (𝑏)
𝑐
1
1 3
𝑢=( ) → [𝑢]𝐶 = (3)
5 7 5
7

6.8.- MATRIZ ASOCIADA A UN

APLICACIÓN LINEAL
𝑉 𝑓 𝑊

v f(v)
10 9 𝒇(𝒙)=𝒚
B1 B2

[v]B1 𝑩 [f(v)]B2
𝑨 = [𝒇]𝑩𝟏𝟐

Definición:
[𝒇(𝒗)]𝑩𝟐 = 𝑨 ∗ [𝒗]𝑩𝟏

[𝒇(𝒗)]𝑩𝟐 = [𝒇]𝑩𝟏
𝑩𝟐 ∗ [𝒗]𝑩𝟏

Si la base es canoníca:
[𝒇(𝒗)]𝑪 = 𝑨 ∗ 𝒗
 [𝒇(𝒗)]𝑪 = 𝑨 ∗ [𝒗]𝑪

Ejemplo:

𝑉 𝑔 𝑊

v g(v)
12 11 𝒇(𝒙)=𝒚
S B

[v]S 𝑨 = [𝒈]𝑺𝑩 [g(v)]B

[𝒈(𝒗)]𝑩 = 𝑨 ∗ [𝒗]𝑺

[𝒈(𝒗)]𝑩 = [𝒈]𝑺𝑩 ∗ [𝒗]𝑺

PROCESO PARA EL CÁLCULO DE UNA MATRIZ

ASOCIADA

Sea:
𝑓: ℝ3 ⟶ ℝ2
𝐵1 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 } , donde B1 es una base del espacio
vectorial de salida, y 𝑢1 es el primer vector de la base del espacio
vectorial de salida.

𝐵2 = {𝑤1 , 𝑤2 , … , 𝑤𝑚 } , donde B2 es una base del espacio

vectorial de llegada, y 𝑤1 es el primer vector de la base del espacio
vectorial de llegada.
1) Sacar las imágenes de los vectores de la base del espacio
vectorial de salida
𝑢 → 𝑓 (𝑢) =?
2) Expreso como combinación lineal las imágenes de los
vectores del espacio vectorial de salida con todos los vectores
de la base del espacio vectorial de llegada
𝑢1 → 𝑓 (𝑢1 ) = 𝛼1 𝑤1 + 𝛼2 𝑤2 + ⋯ + 𝛼𝑚 𝑤𝑚
𝑢2 → 𝑓(𝑢2 ) = 𝛽1 𝑤1 + 𝛽2 𝑤2 + ⋯ + 𝛽𝑚 𝑤𝑚
…
𝑢𝑛 → 𝑓 (𝑢𝑛 ) = 𝛾1 𝑤1 + 𝛾2 𝑤2 + ⋯ + 𝛾𝑚 𝑤𝑚

3) Una vez encontrados los escalares de las combinaciones

lineales escribimos las matrices asociadas de cada vector

𝛼1
𝛼2
[𝑓 (𝑢1 )]𝐵2 = ( ⋮ )
𝛼𝑚
 𝛽1
𝛽2
[𝑓(𝑢2 )]𝐵2 = ( ⋮ )
𝛽𝑚
𝛾1
𝛾2
[𝑓 (𝑢𝑛 )]𝐵2 = ( ⋮ )
𝛾𝑚

4) Escribimos toda la matriz asociada a todos los

vectores de la base de salida
(Podemos darnos cuenta de que orden va a ser esta matriz asosiada solo observando
la aplicación lineal 𝑓: ℝ3 ⟶ ℝ2 en este caso va a ser del orden 3x2)
𝛼1 𝛽1 … 𝛾1
𝛼2 𝛽2 … 𝛾2
[𝑓 ]𝐵𝐵12 =(⋮ ⋮… ⋮ )
𝛼𝑚 𝛽 … 𝛾𝑚
𝑚

6.9.- MATRIZ CAMBIO DE BASE

Sea V un espacio vectorial sobre un campo K, Dim V= n

Sea 𝐵 = {𝑣1, 𝑣2, 𝑣3, … . . , 𝑣𝑛} 𝑆 = {𝑢1, 𝑢2, 𝑢3, … . . , 𝑢𝑛} dos bases ordenadas de V para
determinar la relación entre las coordenadas de un vector 𝑉̅ ∈ 𝑉 respecto a las dos bases

f ∈ L (v,v) / f (v)=V es decir f=Id

𝑉 𝑓 = 𝐼𝑑 𝑊

v f(v)
14 13 𝒇(𝒙)=𝒚
B S
[v]B [𝑰𝒅]𝑩 [f(v)]S
𝑺

𝑨 = [ 𝒇] 𝑩
𝑺

[𝒇(𝒗)]𝑺 = [𝒇]𝑩
𝑺 ∗ [ 𝒗] 𝑩

[𝑽]𝑺 = [𝑰𝒅]𝑩
𝑺 ∗ [ 𝒗] 𝑩

EJEMPLOS:
C = {(1,0), (0,1)}

B = {(−2,1), (1,2)}

[𝑰𝒅]𝑩
𝑪 =?

(-2,1) → 𝒇(−𝟐, 𝟏) = (−𝟐, 𝟏) = 𝜶𝟏(𝟏, 𝟎) + 𝜶𝟐(𝟎, 𝟏)

(1,2) → 𝒇(𝟏, 𝟐) = (𝟏, 𝟐) = 𝜶𝟑(𝟏, 𝟎) + 𝜶𝟒(𝟎, 𝟏)

1 0 -2 1
0 1 1 2

-2 1
[𝑰𝒅]𝑩
𝑪 = 1 2
 6.10.- MATRIZ ASOCIADA A LA
APLICACIÓN LINEAL COMPUESTA

𝑉 𝑓 𝑊 𝑔 𝑍

v 𝑷 = [𝒈]𝑩𝟐
17 𝑨 = [𝒇]𝑩𝟏
𝑩𝟐 f(v)=w 15 𝒇(𝒙)=𝒚 𝑩𝟑 f(w)=z
16 𝒇(𝒙)=𝒚
B1
B2 B3

gof

[𝒈 𝒐 𝒇]𝑩𝟏
𝑩𝟑 =PA

La matriz asociada a gof, existe y cumple que

[𝒈𝒐𝒇(𝒗)]𝒃𝟑 = [𝒈𝒐𝒇]𝑩𝟏
𝑩𝟑 ∗ [𝒗𝟏]𝑩𝟏

6.11.- MATRIZ ASOCIADA A UNA

APLICACIÓN LINEAL INVERSA

𝑉 𝑓 𝑊 𝑓 −1 𝑉

v
20 𝑨 = [𝒇]𝑩𝟏
𝑩𝟐 f(v) 18 𝒇𝑷(𝒙=)[𝒇=𝒚−𝟏]𝑩𝟐
𝑩𝟏 v
19 𝒇(𝒙)=𝒚
B1 B2 B1
 [𝒇−𝟏 𝒐 𝒇] =Id
𝑩𝟏
[𝒇−𝟏 𝒐 𝒇]𝑩𝟏
𝑩𝟏 = [𝒇
−𝟏 ]𝑩𝟐
𝑩𝟏 [𝒇 ]𝑩
𝟐

[𝑰𝒅 ]𝑩𝟏
𝑩𝟏 = 𝑷𝑨

𝑰 = 𝑷𝑨

7.- VALORES Y VECTORES

PROPIOS
CALCULO DE LOS VECTORES PROPIOS

Los correspondientes vectores propios se obtienen por sustitución de los valores de λ

en la ecuación:
(A-λI)= 0
De esta ecuación resulta un sistema de ecuaciones homogéneo el mismo que se
resuelve por el método de Gauss Jordán. La solución que se obtiene de este sistema es
infinita, la misma que se reemplaza en la siguiente ecuación, para el cálculo del e.v. de
todos los vectores propios asociados al valor propio así:
𝑽𝛌𝐧 = {(𝒂𝒃, 𝒄, … , 𝒏) ∈ 𝑹𝒏 /𝒔𝒐𝒍𝒖𝒄𝒊ó𝒏 𝒊𝒏𝒇𝒊𝒏𝒊𝒕𝒂}
Ejemplo:
1 2 −1
Sea A= (1 0 1 ) , calcular los valores propios y vectores propios de esta matriz.
4 −4 5
 1−λ 2 −1
|𝐴 − λI| = | 1 −λ 1 |= (λ-1)(λ-2)( λ-3)=0
4 −4 5−λ
Donde los valores propios son: λ1 = 1 ; λ2 = 2 y λ3 = 3
Para calcular los vectores propios procedemos de la siguiente manera:

Si 𝝀𝟏 = 𝟏

0 2 −1 0 1 −1 1 0 1 −1 1 0 1 1 0 0
(1 −1 1 |0) ≈ ( 0 2 −1|0) ≈ (0 2 −1|0) ≈ (0 2 −1|0)
4 −4 4 0 4 −4 4 0 0 0 0 0 0 0 0 0
𝐹1 ↔ 𝐹2 𝐹3 ← 𝐹3 − 4𝐹1 𝐹1 ← 𝐹1 + 𝐹2

𝑥+𝑦 =0 2𝑦 − 𝑧 = 0
𝑧 𝑧
𝑥=− 𝑦=
2 2

𝑧 𝑧
𝑉λ1 = {𝑥, 𝑦, 𝑧/𝑥 = − ,𝑦 = }
2 2
𝑧 𝑧
𝑉λ1 = {− , , 𝑧 /𝑧 ∈ 𝑅}
2 2
1 1
𝑉λ1 = {𝑍(− , , 1)/𝑧 ∈ 𝑅}
2 2

1 1
𝑉λ1 =< {(− , , 1)} >
2 2

𝑽𝟏 = (−𝟏, 𝟏, 𝟐) es un vector propio asociado al valor propio λ1 = 1

Si 𝛌𝟐 = 𝟐

−1 2 −1 0 1 −2 10 1 −2 1 0 1 −2 1 0
( 1 −2 1 |0) ≈ (1 −2 1|0) ≈ (0 0 0 |0) ≈ (0 4 −1|0) ≈
4 −4 3 0 4 −4 30 0 4 −1 0 0 0 0 0
1 2 0 0
(0 4 −1|0)
0 0 0 0
𝐹1 ← −𝐹1 𝐹2 ← 𝐹2 − 𝐹1 𝐹2 ↔ 𝐹3 𝐹1 ← 𝐹1 +
𝐹2
𝐹3 ← 𝐹3 − 4𝐹1
𝑥 + 2𝑦 = 0 4𝑦 − 𝑧 = 0
𝑧 𝑧
𝑥=− 𝑦=
2 4
 𝑧 𝑧
𝑉λ2 = {𝑥, 𝑦, 𝑧/𝑥 = − ,𝑦 = }
2 4
𝑧 𝑧
𝑉λ2 = {− , , 𝑧 /𝑧 ∈ 𝑅}
2 4
1 1
𝑉λ2 = {𝑍(− , , 1)/𝑧 ∈ 𝑅}
2 4

1 1
𝑉λ2 =< {(− , , 1)} >
2 4

𝑽𝟐 = (−𝟐, 𝟏, 𝟒) es un vector propio asociado al valor propio λ2 = 2

Si 𝛌𝟑 = 𝟑

−2 2 −1 0 1 −3 1 0 1 −3 1 0 1 −3 1 0
1
(1 −3 1 |0) ≈ (−2 2 −1|0) ≈ (0 −4 1 | 0 ) ≈ (0 1 − |0) ≈
4
4 −4 2 0 4 −4 2 0 0 8 −2 0 0 8 −2 0
1
1 0 0
4
(0 1 −
1|0)
4 0
0 0 0
1
𝐹1 ↔ 𝐹2 𝐹2 ← 𝐹2 + 2𝐹1 𝐹2 ← − 4 𝐹2 𝐹3 ←
𝐹3 − 8𝐹1
𝐹3 ← 𝐹3 − 4𝐹1 𝐹1 ←
𝐹1 +3𝐹2
1 1
𝑥+ 𝑧=0 𝑦− 𝑧=0
4 4
𝑧 𝑧
𝑥=− 𝑦=
4 4

𝑧 𝑧
𝑉λ3 = {𝑥, 𝑦, 𝑧/𝑥 = − ,𝑦 = }
4 4
𝑧 𝑧
𝑉λ3 = {− , , 𝑧 /𝑧 ∈ 𝑅}
4 4
1 1
𝑉λ3 = {𝑍(− , , 1)/𝑧 ∈ 𝑅}
4 4

1 1
𝑉λ3 =< {(− , , 1)} >
4 4

𝑽𝟑 = (−𝟏, 𝟏, 𝟒) es un vector propio asociado al valor propio λ3 = 3

Ejemplo: Calcular los vectores propios para la matriz

4 −5
𝐴=( )
2 −3

Primero se calculan los valores propios:

4−𝜆 −5
det(𝐴 − 𝜆𝐼) = | |
2 −3 − 𝜆
4−𝜆 −5
| | = (4 − 𝜆)(−3 − 𝜆) − 10
2 −3 − 𝜆

𝜆2 − 𝜆 − 2 = 0

𝜆=2
𝑠𝑜𝑙: {
𝜆 = −1

Con lo cual obtenemos dos valores propios:𝜆1 = −1, 𝜆2 = 2.

Buscamos ahora los correspondientes vectores propios:
 Para 𝜆 = −1

[𝐴 − (−1)𝐼]𝑉 = 0 → (5 −5 𝑥 0
)( ) = ( )
2 −2 𝑦 0

5 −5 0 1 −1 0 1 −1 0
( | )≈( | )≈( | )
2 −2 0 1 −1 0 0 0 0

𝑥=𝑦
𝑉𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑚ú𝑙𝑡𝑖𝑝𝑙𝑜𝑠 𝑑𝑒 (1, 1)

 Para 𝜆 = 2

[𝐴 − (−1)𝐼]𝑉 = 0 → (2 −5 𝑥 0
)( ) = ( )
2 −5 𝑦 0

2 −5 0 2 −5 0
( | )≈( | )
2 −5 0 0 0 0

2𝑥 = 5𝑦
𝑉𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑚ú𝑙𝑡𝑖𝑝𝑙𝑜𝑠 𝑑𝑒 (2, −5);