ALGEBRA LINEAL - MODULO 3 CREDITOS - E-Learning PDF

ESCUELA DE CIENCIAS BÁSICAS,
TECNOLOGIA E INGENIERIA
CAMILO ARTURO ZÚÑIGA G. - UNIDADES 1 Y 2
JORGE ELIECER RONDON D. – UNIDAD 3
MODULO
ALGEBRA LINEAL
CAMILO ARTURO ZÚÑIGA G.
JORGE ELIECER RONDÓN D.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA “UNAD”

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA
UNIDAD DE CIENCIAS BÁSICAS
Bogotá D. C., 2010
-1-
COMITÉ DIRECTIVO
Jaime Alberto Leal Afanador

Rector
Gloria Herrera
Vicerrectora Académica
Roberto Salazar Ramos

Vicerrector de Medios y Mediaciones Pedagógicas
Maribel Córdoba Guerrero

Secretaria General
MÓDULO
CURSO ÁLGEBRA LINEAL
PRIMERA EDICIÓN
© Copyright
Universidad Nacional Abierta y a Distancia
ISBN
2010
Bogotá, Colombia
-2-
AL ESTUDIANTE
El propósito del curso es que el estudiante apropie de manera significativa los elementos
teóricos fundamentales de Algebra Lineal y desarrolle las competencias pertinentes para
contextualizarlos en su campo de formación disciplinar.
El Algebra Lineal es un área de las matemáticas que en las últimas décadas ha tenido un
significativo desarrollo con el aporte de las ciencias computacionales. Su aplicabilidad en
diversos campos del saber ha generado la necesidad de articularla al proceso formativo
del profesional de hoy en día como herramienta de apoyo para resolver problemas en las
más diversas disciplinas. En este sentido y por su carácter mismo, el curso hace aportes
significativos al desarrollo de las competencias y aptitud matemática en el estudiante, en
tanto potencia habilidades de pensamiento de orden superior, como la abstracción, el
análisis, la síntesis, la inducción, la deducción, etc.
El curso académico se estructura básicamente en tres unidades didácticas. La primera

contempla los Vectores, Matrices y Determinantes, la segunda Sistemas de Ecuaciones
Lineales, Rectas, Planos y la tercera Espacios Vectoriales.
A través del curso académico de Algebra Lineal se dinamizan procesos de resignificación

cognitiva y fortalecimiento del desarrollo de operaciones meta cognitivas mediante la
articulación de los fundamentos teóricos a la identificación de núcleos problémicos en los
diferentes campos de formación disciplinar.
Es importante que desde ahora el estudiante se compenetre con la dinámica del uso de
los recursos informáticos y telemáticos como herramientas de apoyo a los procesos de
aprendizaje. En este sentido, el curso académico de Algebra Lineal articulará a su
desarrollo actividades mediadas por estas tecnologías, como búsquedas de información
en la Web, interactividades sincrónicas o asincrónicas para orientar acciones de
acompañamiento individual o de pequeño grupo colaborativo y acceso a información
disponible en la plataforma virtual de la universidad.
La consulta permanente a diferentes fuentes documentales aportadas por el curso se

tomará como estrategia pedagógica que apunte al fortalecimiento del espíritu
investigativo. En este sentido, se espera que el estudiante amplíe la gama de opciones
documentales que aportan a la resignificación cognitiva. Estas fuentes documentales son
obviamente de diferentes orígenes, a las cuales se tendrá acceso a través de: material
impreso, bibliotecas virtuales, hemerotecas, sitios Web, etc.
-3-
TABLA DE CONTENIDO
Pag.
UNIDAD 1- Vectores, Matrices y Determinantes
CAPITULO 1: VECTORES EN R 2 Y R 3 ……… ……………………….……………..8

Lección 1.1.1 NOCION DE DISTANCIA ……………………………………….10
Lección 2.1.1 DEFINICION ALGEBRAICA DE VECTOR…………………..20
Lección 3.1.1 ALGUNAS OPERACIONES CON VECTORES………………23
Lección 4.1.1 VECTORES BASE…………………………………………………..66
Lección 5.1.1 PRODUCTO VECTORIAL………………………………………..72
CAPITULO 2: MATRICES……………………………………………………………...81
Lección 1.2.1 OPERACIONES CON MATRICES………………………….….83
Lección 2.2.1 SUMA DE MATRICES………………………………………….…84
Lección 3.2.1 MULTIPLICACION DE MATRICES………………….………..88
Lección 4.2.1 OPERACIONES SOBRE MATRICES………………………….92
Lección 5.2.1 MATRICES ELEMENTALES……………………………………105
CAPITULO 3: DETERMINANTES…………………………………………………..131
Lección 1.3.1 DETERMINANTES DE 3 X 3………………………………….131
Lección 2.3.1 ALGUNAS PROPIEDADES DE LOS DETERMINANTES.138
Lección 3.3.1 INVERSAS…………………………………………….……..…….140
Lección 4.3.1 AREA DE UN PARALELOGRAMO……………………….…..147
Lección 5.3.1 VOLUMEN DE UN PARALELEPIPEDO……………………..152
UNIDAD 2 – Sistemas Lineales de ecuaciones, rectas, planos y

Espacios Vectoriales
CAPITULO 1: SISTEMAS DE ECUACIONES LINEALES……………………….163

Lección 1.1.2: PRIMER METODO PARA RESOLVER ECUACIONES
LINEALES: ELIMINACION GAUSSIANA………………….186
Lección 2.1.2: SEGUNDO METODO PARA RESOLVER ECUACIONES
LINEALES: METODO DE GAUSS – JORDAN……..…….189
Lección 3.1.2: TERCER METODO PARA RESOLVER ECUACIONES
LINEALES: REGLA DE CRAMER…………………………….195
Lección 4.1.2: CUARTO METODO PARA RESOLVER ECUACIONES
LINEALES: EMPLEANDO LA FACTORIZACION LU……198
Lección 5.1.2 QUINTO METODO PARA RESOLVER ECUACIONES
LINEALES: EMPLEANDO LA MATRIZ INVERSA……….203
-4-
CAPITULO 2: RECTAS EN R 3 ……………………………………………………….208

Lección 1.2.2: CONCEPTUALIZACION……………………….……………….208
Lección 2.2.2: ECUACION VECTORIAL DE LA RECTA…….…………….210
Lección 3.2.2: ECUACION PARAMETRICA DE LA RECTA….…………..213
Lección 4.2.2: ECUACION SIMETRICA DE LA RECTA………..………….214
Lección 5.2.2: RECTAS EN R 3 PARALELAS Y ORTOGONALES….……217
CAPITULO 3: PLANOS……………………………………………………………….221
Lección 1.3.2: CONCEPTUALIZACIÓN…………………………….…….……201
Lección 2.3.2: ECUACION DEL PLANO……………………………………….222
Lección 3.3.2: COMO GRAFICAR UN PLANO……………………………….223
Lección 4.3.2: PLANOS PARALELOS…………………………….…………….224
Lección 5.3.2: ECUACION DE INTERSECCION DE DOS PLANOS
QUE NO SON PARALELOS…………………………..……….225
UNIDAD 3 – Espacios Vectoriales
CAPITULO 1: ESPACIOS VECTORIALES…………………………………..…….241

Lección 1.1.3: CONCEPTUALIZACIÓN……………………………..………….241
Lección 2.1.3: ESPACIO VECTORIAL TRIVIAL………………..….……….246
Lección 3.1.3: COMBINACIONES LINEALES.……………………………….247
Lección 4.1.3: CONJUNTOS GENERADORES.………………...……………251
Lección 5.1.3: ESPACIOS GENERADORES.……………………..…..………254
CAPITULO 2: DEPENDENCIA E INDEPENDENCIA LINEAL………………………256
Lección 1.2.3: GENERALIDADES……………………………………..…………256
Lección 2.2.3: BASE DE UN ESPACIO VECTORIAL.………..……….……258
Lección 3.2.3: DIMENSIÓN DE UN ESPACIO VECTORIAL.…………...263
Lección 4.2.3: ESPACIO FILA Y ESPACIO COLUMNA………..………….264
Lección 5.2.3: RANGO Y NULIDAD DE UNA MATRIZ………….………..265
CAPITULO 3: SUBESPACIOS……………………………………………………….269
Lección 1.3.3: GENERALIDADES.……………………………………..………..269
Lección 2.3.3: SUBESPACIO TRIVIAL Y SUBESPACIO PROPIOS….…269
Lección 3.3.3: PRUEBA DE SUBESPACIO.……………………….………….271
Lección 4.3.3: INTERSECCIÓN ENTRE SUBESPACIOS.……………..….273
Lección 5.3.3: DIMENSIÓN DE UN SUBESPACIO…………………………273
-5-
UNIDAD 1
VECTORES, MATRICES Y DETERMINANTES
-6-
OBJETIVO GENERAL
Que el estudiante comprenda el conjunto de conocimientos relacionados con los

fundamentos básicos que constituyen el campo teórico y aplicativo de los vectores,
matrices y determinantes a través del estudio y análisis de fuentes documentales y
situaciones particulares en diferentes campos del saber.
OBJETIVOS ESPECIFICOS
 Evidenciar en el estudiante una apropiación conceptual que refleje el

entendimiento de nociones como la de vector, complementado con un manejo
pertinente de las operaciones con los mismos.
 Lograr que el estudiante conozca de cerca el concepto de matriz, lo lleve a

espacios mas generales y reconozca su importancia en aplicaciones mas
especificas. Además, debe entender y manejar con propiedad las distintas
operaciones que con ellas puede realizar y que le permitirán utilizar herramientas
como el determinante y el proceso de obtener la inversa de matrices para resolver
a futuro sistemas lineales.
-7-
CAPITULO 1
VECTORES EN R 2 Y R 3
-8-
-9-
LECCION 1.1.1
NOCION DE DISTANCIA
Ahora abordemos el problema de dos puntos del plano. Nuestro interés es encontrar la distancia entre
ellos.
Para esto podemos recurrir a un teorema de la geometría elemental, llamado Teorema de Pitágoras, que
nos establece que:
- 10 -
a 2  62  82
a 2  100
a   100
Dado que a es una distancia, entonces consideramos únicamente los valores positivos, es decir,
a  10 unidades.
- 11 -
- 12 -
- 13 -
- 14 -
- 15 -
- 16 -
- 17 -
- 18 -
- 19 -
LECCION 2.1.1
- 20 -
- 21 -
- 22 -
LECCION 3.1.1
- 23 -
- 24 -
- 25 -
- 26 -
- 27 -
- 28 -
- 29 -
- 30 -
- 31 -
- 32 -
- 33 -
- 34 -
- 35 -
- 36 -
- 37 -
- 38 -
- 39 -
- 40 -
- 41 -
- 42 -
- 43 -
- 44 -
- 45 -
- 46 -
- 47 -
- 48 -
- 49 -
- 50 -
- 51 -
- 52 -
- 53 -
- 54 -
- 55 -
- 56 -
- 57 -
- 58 -
- 59 -
- 60 -
- 61 -
- 62 -
- 63 -
- 64 -
- 65 -
LECCION 4.1.1
- 66 -
- 67 -
- 68 -
- 69 -
- 70 -
- 71 -
LECCION 5.1.1
- 72 -
Imagen obtenida de: ALGEBRA LINEAL

Autor: Stanley Grossman. Quinta Edición.
Pag. 251
- 73 -
Imagen obtenida de: ALGEBRA LINEAL

Autor: Stanley Grossman. Quinta Edición.
Pag. 263
- 74 -
- 75 -
- 76 -
- 77 -
- 78 -
- 79 -
- 80 -
CAPITULO 2
MATRICES
- 81 -
- 82 -
LECCION 1.2.1
- 83 -
LECCION 2.2.1
- 84 -
- 85 -
- 86 -
- 87 -
LECCION 3.2.1
- 88 -
- 89 -
- 90 -
- 91 -
LECCION 4.2.1
- 92 -
- 93 -
- 94 -
- 95 -
- 96 -
- 97 -
- 98 -
- 99 -
- 100 -
- 101 -
- 102 -
- 103 -
- 104 -
LECCION 5.2.1
- 105 -
- 106 -
- 107 -
- 108 -
- 109 -
- 110 -
- 111 -
- 112 -
- 113 -
- 114 -
1 0 0 1 0 0
E1  1 1 0 , por lo tanto E1   1
  1
1 0 
0 0 1  0 0 1 
 
1 0 0
  1 0 0
1
E2   0 0  , por lo tanto E2  0 6 0
1
 6 
0 0 0 1
 0 1 

1 2 0 1 2 0 
E3   0 1 0 , por lo tanto E 1  0 1 0 
 3  
 0 0 
1  0 0 1 
1 0 0
 1 0 0
E4   0 1  , por lo tanto E 1  0 1 0
0
 4  
 0 6 
1 0 6 1 
 
1 0 0
  1 0 0
E5   0 1 0  , por lo tanto E5  0 1 0
1
 
0 1 0 0 3
 0
3 
 5   5
1 0
3   1 0
3 
   
E6   0 1 0  , por lo tanto E61   0 1 0 
   
0 0 1  0 0 1 
   
   
1 0 0 1 0 0
 1   1
E7   0 1  , por lo tanto E71   0 1 
 6  6
0 0 
1 0 0 1 
   
Ahora realicemos el siguiente producto
E11  E 21  E 61  E71
- 115 -
1 0 0  1 0 0 1 2 0  1 0 0 1 0 0
 1 1 0   0 6 0  0 1 0   0 1 0  0 1 0 
         
 0 0 1  0 0 1  0 0 1  0 6 1  0 0 3
  5  
 1 0
3  
1 0 0
    1
 0 1 0  0 1 
   6
 0 0 1   0 0 1 
   
Realicemos los productos de izquierda a derecha, tenemos:
  5  
1 0 1 0 0
1 0 0  1 2 0 1 0 0 1 0 0  3  
    1
 1 6 0   0 1 0  0 1 0  0 1 0   0 1 0  0 1 
    6
 0 0 1  0 0 1  0 6 1  0 0 3 
 0 0 1   0 0 1 
  
Seguimos
  5  
1 0 1 0 0
1 2 0  1 0 0 1 0 0  3  
    1
 1 4 0   0 1 0  0 1 0   0 1 0  0 1 
    6
 0 0 1  0 6 1  0 0 3 
 0 0 1   0 0 1 
  
Seguimos
  5  
1 0 1 0 0
1 2 0  1 0 0  3  
    1
 1 4 0   0 1 0   0 1 0  0 1 
    6
 0 6 1  0 0 3 
 0 0 1   0 0 1 
  
Seguimos
  5  
1 0 1 0 0
1 2 0  3  
    1
 1 4 0    0 1 0  0 1 
    6
 0 6 3  
 0 0 1   0 0 1 
  
- 116 -
Seguimos
  5  
 1 2
3  
1 0 0
 5    1
 1 4  0 1 
 3   6
 0 6 3   0 0 1 
   
Finalmente
1 2  2
1 4 1 

 0 6 2 
En conclusión, hemos visto que dada una matriz A, si esta es invertible, tanto A como su
inversa pueden ser escritas como el producto de matrices elementales (ya que, las
inversas de las matrices elementales son a su vez matrices elementales.
- 117 -
- 118 -
- 119 -
- 120 -
- 121 -
- 122 -
- 123 -
- 124 -
- 125 -
- 126 -
- 127 -
- 128 -
- 129 -
- 130 -
CAPITULO 3
DETERMINANTES
LECCION 1.3.1
DETERMINANTES DE 3 X 3
- 131 -
- 132 -
- 133 -
- 134 -
- 135 -
- 136 -
- 137 -
LECCION 2.3.1
- 138 -
- 139 -
LECCION 3.3.1
- 140 -
- 141 -
- 142 -
- 143 -
- 144 -
- 145 -
- 146 -
LECCION 4.3.1
AREA DE UN PARALELOGRAMO
- 147 -
- 148 -
- 149 -
- 150 -
- 151 -
LECCION 5.3.1
VOLUMEN DE UN PARALELEPIPEDO
- 152 -
- 153 -
- 154 -
- 155 -
- 156 -
- 157 -
- 158 -
- 159 -
- 160 -
UNIDAD 2
SISTEMAS DE ECUACIONES LINEALES, RECTAS, PLANOS Y

ESPACIOS VECTORIALES
- 161 -
OBJETIVO GENERAL
Que el estudiante comprenda los fundamentos teóricos que soportan la concepción de

los sistemas lineales, rectas, planos y los principios de espacio vectorial, a través del
complejo ejercicio mental de abstracción, estudio, análisis e interpretación de fuentes
bibliográficas referenciadas y casos específicos de aplicación en diferentes áreas del
conocimiento.

entendimiento de nociones como la de un plano o de una recta en el espacio.
Complementado con un manejo pertinente de las diversas formas en que son
obtenidas y empleadas las ecuaciones que las representan.
 Lograr que el estudiante conozca de cerca el concepto de lo que es un sistema de

ecuaciones lineales, lo lleve a espacios más generales y reconozca su importancia
en aplicaciones mas especificas. Además, debe entender y manejar con propiedad
los distintos procedimientos que le permiten obtener una solución del mismo (en
el caso en que sea posible)
- 162 -
CAPITULO 1
SISTEMAS DE ECUACIONES LINEALES
- 163 -
- 164 -
- 165 -
- 166 -
- 167 -
- 168 -
- 169 -
- 170 -
- 171 -
- 172 -
- 173 -
- 174 -
- 175 -
- 176 -
- 177 -
- 178 -
- 179 -
- 180 -
- 181 -
- 182 -
- 183 -
- 184 -
- 185 -
LECCION 1.1.2
- 186 -
- 187 -
- 188 -
LECCION 2.1.2
- 189 -
- 190 -
- 191 -
- 192 -
- 193 -
- 194 -
LECCION 3.1.2
- 195 -
- 196 -
- 197 -
LECCION 4.1.2
- 198 -
- 199 -
- 200 -
- 201 -
- 202 -
LECCION 5.1.2
QUINTO METODO PARA RESOLVER SISTEMAS LINEALES
EMPLEANDO LA MATRIZ INVERSA
El objetivo es resolver un sistema de la forma AX  b (con A de n  n ), donde A es

invertible.
Partiendo del sistema AX  b , podemos multiplicar a izquierda por A 1 (Que existe,
dado que A es invertible), con lo que nos queda:
A 1 AX  A 1b Agrupando obtenemos
A AX  A b Simplificando
1 1
I X  A 1b Finalmente
X  A 1b
La ultima afirmación, nos indica que se A es de n  n e invertible, entonces la solución
del sistema lineal AX  b , la encontramos de la forma X  A 1b .
Ejemplo
Dado el sistema lineal
2 x1  3x 2  10 x3  21
4 x1  x 2  x3  11
7 x1  5 x2  4 x3  17
Determine si el sistema tiene solución única o no. De tener solución única, encuentre su
inversa y úsela para resolver el sistema.
Solución
Para determinar si el sistema tiene solución única o no, debemos calcular su

determinante. Si este nos da diferente de cero (0), entonces el sistema tendrá única
solución y además la inversa de la matriz de coeficientes existirá (y esta será única)
Encontremos el determinante:
2  3 10
DetA  4 1 1  225
7 5 4
Recordemos que tenemos dos procedimientos para hallar la inversa:
1. Empleando el método de reducción de Gauss- Jordán
1
2. Empleando determinantes ( A 1  * AdjA )
det A
- 203 -
Voy a emplear el método de reducción de Gauss- Jordán. Se deja al estudiante la
invitación a realizarlo también por el otro método.
1
f1 f 2  4 f1
2
f 3  7 f1 1
f2
7
3
f1  f2
2
11  14
f3  f2 f3
2 225
13
f1  f3 19
14 f2  f3
7
Por lo tanto, dado que la matriz A pudo ser reducida (por medio de operaciones
elementales) a la matriz identidad, se tiene que la matriz del lado derecho es la inversa
de A.
Es decir,
- 204 -
1 38 13 
 25 225 225 
1 62  38 
A 1   
 25 225 225 
3 11  14 
 25 225 225 
Finalmente, para obtener la solución del sistema, consideramos la ecuación X  A 1b .

Donde,
21
b  11
17
Por tanto,
1 38 13 
 25 225 225  21
1 62  38   
X   11
 25 225 225   
3 11  14  17
 25 225 225 
 2
X  1 
2
Es decir, la solución es x1  2; x 2  1; x3  2
- 205 -
SISTEMAS LINEALES HOMOGENEOS
- 206 -
- 207 -
CAPITULO 2
RECTAS EN R 3
LECCION 1.2.2
CONCEPTUALIZACIÓN
- 208 -
- 209 -
LECCION 2.2.2
ECUACION VECTORIAL DE LA RECTA
- 210 -
- 211 -
- 212 -
LECCION 3.2.2
ECUACION PARAMETRICA DE LA RECTA
- 213 -
LECCION 4.2.2
ECUACION SIMETRICA DE LA RECTA
- 214 -
- 215 -
- 216 -
LECCION 5.2.2
RECTAS EN R 3 PARALELAS Y ORTOGONALES
Para establecer si dos rectas en R 3 son paralelas u ortogonales basta con revisar sus
vectores de dirección.
- 217 -
- 218 -
- 219 -
- 220 -
CAPITULO 3
PLANOS
LECCION 1.3.2
CONCEPTUALIZACIÓN
- 221 -
despejando:
ax  by  cz  ax0  by0  cz 0
LECCION 2.3.2
ECUACION DEL PLANO
- 222 -
LECCION 3.3.2
COMO GRAFICAR UN PLANO
- 223 -
- 224 -
LECCION 4.3.2
PLANOS PARALELOS
LECCION 5.3.2
ECUACION DE INTERSECCION DE DOS PLANOS QUE NO SON PARALELOS
Si dos planos no son paralelos, necesariamente se cortan en una recta.
- 225 -
- 226 -
- 227 -
- 228 -
- 229 -
- 230 -
- 231 -
- 232 -
- 233 -
- 234 -
- 235 -
- 236 -
- 237 -
- 238 -
UNIDAD 3
ESPACIOS VECTORIALES
- 239 -
OBJETIVO GENERAL
Contribuir a fortalecer en el estudiante la capacidad para apropiarse del conjunto de

conocimientos relacionados con los espacios vectoriales.

entendimiento de nociones como la de espacio vectorial, base, etc.
 Contribuir a que el estudiante comprenda y aplique en forma clara y pertinente

los conocimientos sobre espacios vectoriales; además, el estudiante debe
interpretar y aplicar de manera suficiente las definiciones, axiomas y teoremas
relacionados con los espacios vectoriales
- 240 -
CAPITULO 1
ESPACIO VECTORIAL
Introducción.
Los espacios vectoriales son una temática propia del curso de
Álgebra Lineal, donde se busca que el estudiante se apropie de la fundamentación teórica y este
en capacidad de analizar las particularidades de dichos principios.
El estudio de los espacios vectoriales permite al estudiante desarrollar habilidades y

competencias, especialmente la abstracción, ya que comprender un espacio vectorial requiere un
buen desarrollo de la abstracción. En este sentido la temática hace aportes significativos al
desarrollo de las competencias y aptitud matemática en el estudiante y al futuro profesional.
LECCIÓN 1.1.3
CONCEPTUALIZACIÓN
Al estudiar los vectores, se identificaron las operaciones de suma vectorial y multiplicación por
escalar y, algunas propiedades que cumplen dichas operaciones, como la clausurativa,
conmutativa y otras. Se dice que cuando un conjunto cumple dichas propiedades o axiomas se
le llama Espacio Vectorial. Al definir un espacio vectorial se debe tener presente que en sí la
definición es verdadera en sí, ya que parte de axiomas.
- 241 -
DEFINICIÓN:
Sea V un conjunto no vacío de elementos llamados vectores, sobre los que están
definidas las siguientes operaciones:
1. Suma Vectorial: Suma entre elementos de V
2. Multiplicación por Escalar: Multiplicación de un escalar (real o imaginario), por un
elemento de V.
Por otro lado, sea u, v, w,… elementos que están en V; además, los escalares c, d,
e,… Entonces V se le llama espacio vectorial, si cumple los siguientes axiomas.
Axiomas de la Suma:
1. Si u  V y v  V entonces: (u  v )  V Ley Clausurativa (cerradura suma)
2. u  v  v  u Ley Conmutativa
3. u  (v  w
 )  (u  v )  w
 Ley asociativa
 
4. El vector 0  V Para todo u  V  u  0  u Ley Modulativa (Neutro aditivo)
5. Para todo u  V existe un vector  u  V tal que u  (u )  0 Inverso Aditivo.
Axiomas de la Multiplicación por Escalar:

6. Si u  V y c un escalar, cv  V Ley Clausurativa (cerradura
multiplicación)
7. c(u  v )  cu  cv Primera Ley Distributiva
8. (c  d )u  cu  du Segunda Ley Distributiva
9. c (du )  (cd )u Ley Asociativa

10. 1 * u  u Ley Modulativa (Identidad escalar)
De acuerdo a lo anterior se puede observar que los espacios vectoriales están compuestos por 4
entes: Un conjunto de Vectores, un conjunto de escalares, la operación suma y una operación
producto por escalar. La definición establece que los elementos del espacio vectorial son
Vectores, pero eso es solo por definición, ya que los elementos de un espacio vectorial pueden
ser vectores, matrices, funciones, etc.
Veamos unos ejemplos que nos ilustrar los espacios vectoriales.
- 242 -
Ejemplo 1:
Sean el conjunto de pares ordenados de números reales en R2 con las operaciones normales.
Demuestre que corresponde a un espacio vectorial.
Solución:
Sea el vector V = (u, v) donde: u = (x1, y1), v = (x2, y2). La idea es demostrar que cumple
los 10 axiomas, pero demostrando solo algunos, los otros se cumplen automáticamente.
Demostremos el axioma 1 y 6.
Axioma 1: Como u y v pertenecen a V entonces: u + v también deben pertenecer a V.
Veamos: u = (x1, y1) y v = (x2, y2) entonces: (x1, y1) +(x2, y2) = (x1+ x2, y1 + y2), se observa
que tiene dos componentes, luego también pertenece a V.
Axioma 6: Sea c = 4 un escalar, entonces cu = 4(x1, x2) = (4x1, 4x2) que también esta en V.
Los demás axiomas se cumplen automáticamente.
Ejemplo 2.
Sean el conjunto de n-adas ordenadas definidas en Rn con las operaciones normales.
Demuestre que corresponde a un espacio vectorial.
Solución:
Los vectores en este espacio son de la forma V = (v1, v2, v3,…, vn) cada vector de V es una
matriz de nx1.Veamos: v1 = (x1, x2,…, xn)-1, v2 = (y1, y2,…, yn)-1,…, vn = (k1, k2,…, kn)-1

Como v1  V v2  V ... vn  V entonces: v1  v2  ...  vn  V Es evidente mostrar que esto es
cierto. v1  v2  ...  vn  ( x1  y1  ...  k1 , x 2  y 2  ...  k 2 ,..., xn  y n  ...  k n ) Así queda
mostrado el axioma 1.
Probemos el axioma 6.

Sea c Un escalar y tomemos v1  ( x1 , x2 ,..., xn ) 1 Entonces:
cv1  c( x1 , x 2 ,..., x n ) 1  (cx1 , cx2 ,..., cxn ) 1 Vemos que también se cumple este axioma.
Los demás axiomas se cumplen automáticamente.
Ejemplo 3:
Demuestre que el conjunto de puntos en R 2 que están en una recta, la cual pasa por el origen de
coordenadas cartesianas es un espacio vectorial.
Solución:
- 243 -
Toda recta que pasa por el origen de coordenadas cartesianas tiene como modelo matemático el
siguiente: y  mx donde m es un escalar y x valores arbitrarios en el conjunto de los reales.
Sea v1 = (x1, y1) y v2 = (x2, y2) donde v1  V

 y v2  V Así: y1 = mx1 y y2 = mx2
Axioma 1: v1 + v2 = (x1, y1) + (x2, y2) = (x1, mx1) + (x2, mx2) = (x1 + x2, mx1 + mx2)
 
Entonces: v1  v 2  V Se cumple el axioma.
Axioma 5: Dada ( x, y)  V Como y = mx. Definimos el inverso -(x. y) = (-x, m(-x)) Operando
(x, y) +(–x, -y) = (x – x, y – y) = (0, 0). Entonces  ( x, y )  V
Axioma 6: Sea c un escalar y si planteamos cv1 = c(x1, y1), donde cy1 = cmx1 que también esta
en V, entonces se cumple el axioma.
Los demás se cumplen automáticamente.
Ejemplo 4:
Sea el conjunto de matrices rectangulares Mmxn de componentes reales. Demostrar que es un
espacio vectorial.
Solución:
Axioma 1: Si tenemos las matrices Amxn y Bmxn entones (A + B)mxn será una matriz de
dimensión mxn. Luego se cumple este axioma.
Axioma 4: Dada la matriz 0mxn y con la matriz Mmxn entonces Mmxn + 0mxn = Mmxn Se cumple
este axioma.
Axioma 5: Dada la matriz Mmxn, debe existir otra matriz –Mmxn tal que Mmxn + (-Mmxn) = 0. La
matriz cero que verifica la propiedad del inverso aditivo.
Axioma 6: Dada un escalar k y sea la matriz Mmxn entonces kMmxn será otra matriz de dimensión
mxn.
Se puede verificar fácilmente que los demás axiomas se cumplen.
Ejemplo 5:
Sea Pn el conjunto de polinomios de grado menor o igual que n; incluido el polinomio cero.
Demostrar que Pn es un espacio vectorial.
Solución:
Axioma 1: Sea Pn  an xn  an1xn1 ... a2 x2  ax a0 y Qn  bn xn  bn1 xn1  ...  b2 x2  bx  b0
- 244 -
Entonces: Pn  Qn  (an  bn ) x n  (an1  bn1 ) x n1  ... (a2  b2 ) x 2  (a  b) x  (a0  b0 ) Será un
polinomio de grado temor o igual a n. Así se cumple este axioma.

Axioma 4: Dado el polinomio 0(x) y el Pn entonces Pn + 0(x) = Pn Se cumple este axioma.
Axioma 6: Dada el escalar k, entonces: kPn  kan x n  kan1 x n1  ... ka2 x 2  kax  ka0 que también
es un polinomio de grado menor o igual a n.

Se puede verificar que los demás axiomas se cumplen. Intente hacer la verificación con el grupo
colaborativo y luego corregirlo con el Tutor.
Ejemplo 6:
Sea V = C[0, 1] el conjunto de funciones continuas definidas sobre los reales. Demostrar que V
es un espacio vectorial.
Solución:
Axioma 1: Sean f(x) y g(x) funciones continuas definidas sobre los reales. Entonces f(x) + g(x)
será una función continua, también sobre los reales.
Axioma 4: Dado la función 0(x) y la función f(x) entonces f(x) + 0(x) = f(x) Se cumple este
axioma.
Axioma 5: Definida la función f(x) y, dada la función (–f)(x), entonces –f(x) será otra función
continua y además f(x) + (-f(x)) = 0. Se verifica el inverso aditivo.
Axioma 6: Dada el escalar k, entonces: kf(x) será una función continua sobre los reales.
Se puede demostrar que los demás axiomas se cumplen. Intente hacer dichas demostraciones
con el grupo colaborativo y luego corregirlo con el Tutor.
Para reforzar lo referente a espacios vectoriales hagamos un resumen de los espacios vectoriales
más representativos:
1. El conjunto de todos los números reales R
2. El conjunto de todos los pares ordenados R2
3. El conjunto de todas las n-adas ordenadas Rn
4. El conjunto de todas las funciones continuas definidas sobre el intervalo [a, b]
5. El conjunto de todos los polinomios de grado menor o igual a n.
6. El conjunto de todas las matrices rectangulares de tamaño mxn
7. El conjunto de todas la matrices cuadradas de tamaño nxn.
8. El conjunto V de R2 que es una recta que pasa por el origen de coordenadas.
- 245 -
LECCIÓN 2.1.3
ESPACIO VECTORIAL TRIVIAL.
Sea V = {0} el cual cumple todos los axiomas de un espacio vectorial, por consiguiente V se
define como un espacio vectorial, al cual se le llama espacio vectorial trivial.
Para comprender un poco más sobre los espacios vectoriales, vamos a analizar algunos ejemplos
que NO son espacios vectoriales.
Ejemplo 7:
Demostrar que V {1} no es un espacio vectorial.
Solución:

El axioma 1 no se cumple ya que por ejemplo 1 + 2 = 3 y 3  V . El axioma 6 sobre cerradura

de la multiplicación tampoco se cumple, ya que si tenemos un k, entonces k1  V . Aunque la
norma define que con un axioma que no cumpla, deja de ser espacio vectorial, aquí
demostramos que no cumple dos.
Ejemplo 8:

Demostrar que V  ( x, y ) : f ( x)  mx  b no es un espacio vectorial, corresponden a las rectas
que no pasan por el origen.

Solución:
El axioma 1 no se cumple. Veamos: Sean (x1, y1) y (x2, y2) pertenecientes a V. Al sumarlos
tenemos: (x1, y1) + (x2, y2) = (x1+ x2, y1 + y2) Expresando la ecuación en términos de y:
y1 + y2 = m(x1+ x2) + b = mx1+ mx2 + b
Por otro lado: y 1  m 1 x 1  b1 y y 2  m 2 x 2  b 2 Entonces:
y1  y 2  m1 x1  b1  m2 x2  b2  y1  y 2  (m1  m2 )( x1  x 2 )  b1  b2
Se observa que x1  x 2 , y1  y 2  V . Lo anterior significa que si tenemos dos puntos:
P1  ( x1 , y1 )  V y P2  ( x 2 , y 2 )  V la suma ( x1 , y1 )  ( x 2 , y 2 )  V
Probado que no se cumple la cerradura para la suma, el conjunto definido no es un espacio
vectorial
- 246 -
Ejemplo 9:
Demostrar que V  ( x, y ), y  0 corresponde al conjunto de puntos de un semiplano, no es un
espacio vectorial.
Solución:
Si y1  0 y y 2  0 entonces y1  y 2  0 Se cumple la cerradura sobre la suma.
Pero si tenemos y  (1,1) este no tiene inverso en V. ya que (1,1)  V . No se cumple el

inverso aditivo. Por consiguiente V no es un espacio vectorial.
Ejemplo 10:
Demostrar que el conjunto de números enteros NO es un espacio vectorial.
Solución:
La suma de dos enteros es otro entero, se cumple la cerradura para la suma, pero no se cumple
la cerradura para la multiplicación. Por ejemplo sea k = ½ y dado un elemento de los enteros
por ejemplo 5, entonces ½ (5 ) no es entero.
Ejemplo 11:
Demostrar que el conjunto V de todas las matrices singulares de 2x2 no es un espacio vectorial.
Solución:
La suma de dos matrices sing ulares No siempre origina otra matriz singular.
LECCIÓN 3.1.3
COMBINACIONES LINEALES.
Por definición los elementos de los espacios vectoriales son vectores, hay la posibilidad de que
un vector se puede escribir como combinación lineal de otros vectores en un espacio vectorial
dado.
- 247 -
DEFINICIÓN:
Sean u1 , u2 ,..., un vectores en el espacio vectorial V; además, sea el vector
w que esta en V, entonces si w se puede escribir de la forma
w  a1u1  a 2 u 2  ...  a n u n Para a1, a2,…, an escalares.
Se dice que w es una combinación lineal de los vectores u1 , u2 ,..., un .
Ejemplo 12:
 2 1  0 
        
Sea el vector w   3  y sean los vectores u1   4  y u 2   5  Determine si w es una
1   1   3
     
combinación lineal de u1 y u2.
Solución:
 2 1  0 
        
Como  3   2 4    5  entonces: w  2u1  u 2 Así se muestra que w es combinación lineal
1   1   3 
     
de u1 y u2.
Ejemplo 13:
3  1  1  1
Muestre que la matriz M    es una combinación lineal de las matrices: A   
10 7 2 3 
0 1 
y B   
 2  1
Solución:
3  1  1  1  0 1 
Se puede ver que    3   2  Entonces: M  3 A  2 B Así M es una
10
 7   2 3   2  1
combinación lineal de A y B.
- 248 -
Ejemplo 14:
Muestre que todo polinomio de grado menor o igual a n: Pn se puede expresar como
combinación lineal de los monomios xn, xn-1,…, x2, x, 1
Solución:
Es evidente que cualquier polinomio de grado menor o igual a n se puede escribir como
combinación lineal de monomios.
Veamos: P3 se puede escribir como: P 3 = 2 + 2x2 + 2x3
Determinación de Combinaciones Lineales:
En los ejemplos 13 y 14 se muestra que un vector es combinación lineal de otros vectores en el
espacio vectorial V, pero cómo se puede determinar los vectores que hacen parte de la
combinación lineal, el procedimiento lo explicaremos con unos ejemplos modelos.
Ejemplo 15:
Dado el vector w = (-4, 8. 17) escribirlo como una combinación lineal del conjunto de vectores
conformados como: S = [(-2, 0, 1), (1, 0, -1), (1, 2, 3)]
Solución:
Sea v1 = (-2, 0, 1) v2 = (1, 0, -1) y v3 = (1, 2, 3)
Se deben buscar escalares k1, k2, k3. Tal que:
(4,8,17)  k1 (2,0,1)  k2 (1,0,1)  k3 (1,2,3)  (4,8,17)  (2k1,0k1 ,1k1 )  (1k2 ,0k2 ,1k2 )  (1k3 ,2k3 ,3k3 )
Para resolver se debe plantear un sistema de 3 ecuaciones con 3 incógnitas.
 2 k1  k 2  k 3   4
0 k1  0 k 2  2 k 3  8
k1  k 2  3k 3  17
Como podemos ver k3 = 4.
Resolviendo por eliminación: k2 = -2 y k1 = 3
  
Entonces: w  3v1  2v2  4v3

Cuando se utiliza el método de Gauss Jordán o el método Gaussiano, el sistema puede tener
única solución o infinitas soluciones, lo que indica que el vector w es combinación lineal de los
vectores v1, v2, v3.
- 249 -
Ejemplo 16:
Expresar el vector v = (2, 2, 2) si es posible como una combinación lineal del conjunto de
vectores S = [(2, 4, 6), (0, 2, 4), (-2, 0, 2)]
Solución:
Definimos los vectores: u1 = (2, 4, 6), u2 = (0, 2, 4), u3 = (-2, 0, 2)
Debemos hallar escalares k1, k2, k3. Tal que:
(2,2,2)  k1 (2,4,6)  k2 (0,2,4)  k3 (2.0,2)  (2,2,2)  (2k1 ,4k1 ,6k1 )  (0k2 ,2k2 ,4k2 )  (2k3 .0k3 ,2k3 )
Planteando el sistema de ecuaciones:
2 k1  0 k 2  2 k 3  2
4 k1  2 k 2  0 k 3  2
6 k1  4 k 2  2 k 3  2
Usando el método Gauss Jordán:
 2 0  2 2  2 0  2 2  2 0  2 2
     
 4 2 0 2   0  2  4 2   0  2  4 2
 6 4 2 2  0  4  8 4  0 0 0 0 
    
La última matriz nos muestra que el sistema tiene infinitas soluciones. Cada una de la forma:
k3 = t,
-2k2 = 2 + 4t entonces: k2 = -1 – 2t
2k1 = 2 + 2t entonces: k1 = 1 + t
Si damos un valor por ejemplo t = 4, entonces: k3 = 4, k2 = -9, k1 = 5 Así:
v = 5u1 – 9u2 + 4u3
- 250 -
Ejemplo 17:
Expresar el vector v = (3, 2, -1) si es posible como una combinación lineal del conjunto de
vectores S = [(2, 4, 6), (0, 2, 4), (-2, 0, 2)]
Solución:
Definimos los vectores: u1 = (2, 4, 6), u2 = (0, 2, 4), u3 = (-2, 0, 2)
Debemos hallar escalares k1, k2, k3. Tal que:
(3,2,1)  k1 (2,4,6)  k 2 (0,2,4)  k3 (2.0,2)  (3,2,1)  (2k1 ,4k1 ,6k1 )  (0k 2 ,2k 2 ,4k2 )  (2k3 .0k3 ,2k3 )
Planteando el sistema de ecuaciones:
2 k1  0 k 2  2 k 3  3
4 k1  2 k 2  0 k 3  2
6 k1  4 k 2  2 k 3   1
Usando el método Gauss Jordán:
2 0  2 3  2 0  2 3  2 0  2 4 
     
4 2 0 2   0  2  4 4   0  2  4 4 
 6 4 2  1  0  4  8 10   0 0 0  2 
    
Como se observa en la última matriz el sistema es inconsistente, por lo cual NO hay solución.
Por consiguiente el vector v no se puede expresar como combinación lineal de u1, u2, u3.
LECCIÓN 4.1.3
CONJUNTOS GENERADORES.
Si todo vector w en un espacio vectorial V puede expresarse como una combinación lineal de
vectores u1, u2,…, un de un conjunto S, se dice que S es un conjunto generador del espacio
vectorial V.
DEFINICIÓN:
Sea S = (u1, u2, u3, …, un) un conjunto contenido en el espacio vectorial
V, entonces el conjunto S se le llama Conjunto Generador de V, si todo
vector de V se puede escribir como una combinación lineal de vectores de
S.
Cuando esto ocurre se dice que S Genera a V.
- 251 -
Ejemplo 18:
Sea el conjunto S = {(1,0), (0,1)} Mostrar que S genera a R2.
Solución:
 
Por definición los vectores i  (1,0) y j  (0,1) generan a R2 ya que cualquier vector
u = {u1, u2} se puede escribir como: u = u1(1, 0) + u2(0, 1)
Ejemplo 19:
Dado el conjunto S = {u1, u2, u3} Para u1 = (1, 0, 0), u2 = (0, 1, 0) y u3 = (0, 0 ,1)} Mostrar
que S genera a R 3.
Solución:
  
Al igual que el caso anterior, los vectores i  (1,0,0) j  ( 0,1,0) k  (0,0,1) generan a R3 ya
que cualquier vector v = {v1, v2, v3} se puede escribir como: v = v1(1,0,0) + v2(0,1,0) +
v3(0,0,1)
Ejemplo 20:
Sea el conjunto S = {1, x, x2} Demuestre que S genera a P2.
Solución:
Sea el polinomio p(x) = a + bx + cx2 Ahora escribamos p(x) como: p(x) = a(1) + b(x) + c(x2)
entonces: p(x) = a + bx + cx2. Por consiguiente S genera a P2.
Conjunto Generadores Normales:
Los ejemplos 18, 19 y 20 muestras conjuntos generadores llamados Conjuntos generadores
normales, ya que cualquier vector en dichos espacios se puede escribir como combinación lineal
de éstos.
El de R2, S = {(1,0), (0,1)}
El de R3, S = {(1, 0,0), (0, 1, 0), (0, 0 ,1)}
El de P2, S = {1, x, x2}
Veamos en seguida conjuntos generadores que no son normales.
- 252 -
Ejemplo 21:
Mostrar que el conjunto S {(1, 1), (1, 0), (1, -1)} es un conjunto que genera a R2.
Solución:
Sea v = (v1, v2) cualquier vector en R 2, se deben buscar escalares k1, k2, k3, tales que:
(v1, v2) = k1(1, 1) + k2(1, 0) + k3(1, -1) = (k1 + k2 + k3, k1 – k3) Esto origina el sistema de
ecuaciones
k1  k 2  k 3  v1
k1  k 3  v 2
El sistema anterior tiene solución, lo que nos indica que es consistente. Así queda demostrado
2
que el conjunto S genera a R .
Ejemplo 22:
Demostrar que el conjunto S = {(0, 1, 2), (1, 2, 3), (-2, 0, 1)} genera R3.
Solución:
Sea el conjunto v = (v1, v2, v3) cualquier vector en R3, se deben buscar escalares k1, k2, k3, tales
que: (v1, v2, v3) = k1(0, 1, 2) + k2(1, 2, 3) + k3(-2, 0, 1) = (k2 -2k3, k1+2k2, 2k1+3k2 + k3)
Esto origina el sistema:
k 2  2k 3  v1
k1  2 k 2  v 2
2k1  3k 2  k 3  v3
La matriz de coeficientes.
 0 1  2
 
A   1 2 0  Det(A) = 1 Como el determinante es deferente de cero, entonces hay solución
2 3 1 
 
única. Lo que demuestra que S genera a R3:
- 253 -
LECCIÓN 5.1.3
ESPACIOS GENERADORES
Vamos a analizar una forma de encontrar subespacios vectoriales, tema de la siguiente sección,
partiendo de un conjunto de vectores. Si tenemos un conjunto S2 = {v1, v2, v3}, éste puede
generar un Subespacio de R3, lo cual ocurre si los vectores de S2 son coplanares. El subespacio
originado se le conoce como Espacio Lineal Generado por S 2.
DEFINICIÓN:
Sea G = {v1, v2, v3,…, vk} un conjunto de vectores en un espacio
vectorial V, entonces el Espacio Generado por G, es el conjunto de
combinaciones lineales de los vectores en G.
Gen {v1, v2, v3,…, vk} = {v/ v = a1v1, a2v2, a3v3,…, akvk}
Para a1, a2, a3,…, ak. Escalares cualesquiera.
Según esta definición Gen {v1, v2, v3,…, vk} es el menor subespacio de V que contiene a G, lo
que conlleva a que cualquier otro subespacio de V que contenga a G, debe contener a Gen(G).
Ejemplo 23:
Sean los vectores v1 = (2, -1, 4) y v2 = (4, 1, 6), identificar el espacio generado por dichos
vectores.
Solución:
Definimos el conjunto M = gen {v1, v2} Así: v = k1 (2, -1, 4) + k2 (4, 1, 6) Por otro lado
definimos v = (x, y, z) Є M. Entonces:
x  2 k1  4 k 2
y   k1  k 2
z  4 k1  6 k 2
Se obtiene un sistema el cual solucionamos de la siguiente manera:
 2 4 x   1 2 x / 2  1 2 x / 2 
     
1 1 y   1 1 y   0 3 x / 2  y 
 4 6 z   2 3 z / 2 0 1 x  z / 2 
     
De la primera a la segunda matriz se dividió la primera fila y la tercera fila por 2. De la segunda
matriz a la tercera, se planteó:
- 254 -
R2: R1+ R2 y R3: 2R1 – R3 Donde R1 Primera fila, R 2 segunda fila y R3 tercera fila.
1 2 x / 2  1 2 x/2 
   
0 3 x / 2  y  0 3 x/2 y  La última matriz se obtuvo así: R 3: R2 – 3R3.
 0 1 x  z / 2   0 0  5x / 2  y  3z / 2 
   
Como el sistema tiene infinitas soluciones, según la última matriz existe una solución cuando:
-5x/2 + y + 3z/2 = 0, dividiendo por 2 se obtiene: -5x + 2y + 3z = 0, multiplicando por -1, se
obtiene finalmente. 5x – 2y – 3z = 0. Corresponde a una ecuación de un plano en R3 que pasa
por el origen.
El ejemplo anterior nos lleva a la siguiente generalización.
Generalización:
El espacio generado por dos vectores diferentes de cero en R 3 que no son
paralelos, es un plano que pasa por el origen.
- 255 -
CAPITULO 2
DEPENDENCIA E INDEPENDENCIA LINEAL
Introducción.
La dependencia lineal esta asociada a una combinación lineal, cuando se cumplen ciertas
condiciones del conjunto de vectores que forman dicha combinación. Dentro del estudio de un
espacio vectorial, el análisis de dependencia o independencia permite conocer particularidades
del espacio analizado.
LECCIÓN 1.2.3
GENERALIDADES
El concepto de independencia lineal se puede ver con el siguiente caso: Sea el vector v1 = (2,
3) y el vector v2 = (6, 9). Se observa que v2 = 3v1 esto es igual a: 3v1 - v2 = 0. Lo anterior
nos indica que el vector cero se puede escribir como una combinación lineal no trivial de dos
vectores v1 y v2. No trivial hace referencia a que los coeficientes de cada vector no son todos
cero.
DEFINICIÓN 1:
Dado un conjunto de vectores S = {v1, v2,…, vk} en un espacio
vectorial V, se dice que S es linealmente independiente, si la
ecuación:
c1v1 + c2v2 +… + ckvk = 0
Tiene solamente la solución trivial. Entonces: c1 = c2 = c3 =… = ck = 0
DEFINICIÓN 2:
Dado un conjunto de vectores S = {v1, v2,…, vk} en un espacio
vectorial V, se dice que S es linealmente dependiente, si la
ecuación:
c1v1 + c2v2 +… + ckvk = 0
Tiene solución No trivial.
Entonces: c1, c2, c3,…, ck no todos son cero.
- 256 -
La anterior definición se puede fortalecer con el siguiente teorema:
TEOREMA:
Dos vectores en un espacio vectorial V son linealmente dependientes,
si y solo si, uno es múltiplo escalar del otro.
Demostración:
Asumiendo que v2 = kv1 dado que k ≠ 0 entonces: kv1 - v2 = 0 lo que muestra que los dos
vectores son linealmente dependientes; según la definición 2.
Ahora si asumimos que v1 y v2 son linealmente dependientes, entonces deben existir escalares
k1 y k2 donde k1≠ 0 ó k2 ≠ 0, tal que: k1v1 + k2v2 = 0 si k1≠ 0 entonces dividimos toda la
ecuación por k1 obteniendo: v1 + (k2/k1)v2 = 0 así: v1 = - (k2/k1)v2 esto muestra que v2 es
múltiplo escalar de v1.
Ejemplo 24:
Dado el conjunto M = {(2, 4), (2, 2)} demostrar que los vectores de M son linealmente
independientes.
Solución:
Planteamos la ecuación vectorial: c1v1 + c2v2 = 0 Debemos determinar que el sistema tenga
solamente solución trivial. Entonces c1(2, 4) + c2(2, 2) = (0, 0)
2c1  4c2  0
2c1  2c2  0
Al resolver por matrices, por el método de Gauss – Jordan:
 2 2 0  R1 / 2  1 1 0  R1  1 0 0
  
 4 2 0  R / 2   2 1 0  R : 2 R  R   0 1 0 
  2   2 1 2  
La última matriz corresponde a una escalonada reducida, la cual nos muestra que c1 = 0 y
c2 = 0. Esto nos lleva a concluir que los vectores del conjunto M son linealmente independiente,
ya que la única solución es la trivial.
- 257 -
Ejemplo 25:
Dado el conjunto S = {(1, 3, 1), (0, 1, 2), (1, 0, -5)} demostrar que los vectores de S son
linealmente dependientes.
Solución:
Planteamos la ecuación vectorial: c1v1 + c2v2 + c3v3 = 0 Debemos determinar que el sistema
tenga solución no trivial. Entonces c1(1, 3, 1) + c2(0, 1, 2) + c3(1, 0, -5) = (0, 0, 0)
c1  0c 2  c3  0
3c1  c 2  0c3  0
c1  2c2  5c3  0
Al resolver por matrices, por el método de Gauss – Jordan:
1 0 1 0  R1 1 0 1 0 R1  1 0 1 0
     
 3 1 0 0  R2 : 3R1  R2   0  1 3 0  R2   0 1 3 0
1 2  5 0  R : R  R  0  2 5 0  R : 2R  R  0 0 1 0
  3 1 3   3 2 3  
La última matriz nos muestra:
c1 + c3 = 0, -c2 + 3c3 = 0. .
Para c1 = 1, entonces: c3 = -1 y c2 = -3
La solución: v1 = 3v2 + v3
Por lo anterior se muestra que los vectores del conjunto S son linealmente dependientes.
LECCIÓN 2.2.3
BASE DE UN ESPACIO VECTORIAL.
En secciones anteriores se analizó lo referente a conjuntos generadores, siguiendo con dicha
línea se estudiaran algunos conjuntos generadores que son linealmente independientes y que
generan todo el espacio vectorial.
DEFINICIÓN:
Sea el conjunto finito S conformado por los vectores {v1, v2,.., vk},
contenidos en el espacio vectorial V. Entonces se dice que S es
Una Base del espacio vectorial V, si se cumple:
1. S genera a V
2. S es linealmente independiente.
- 258 -
De la definición se puede puntualizar que una base debe ser tal que contenga los suficientes
vectores para generar a V, pero no en exceso de modo que permita a uno de ellos ser
combinación lineal de los demás. Por otro lado, todo espacio vectorial tiene al menos una base.
Un espacio vectorial que tiene una base cuya cantidad de vectores es finita, se dice que es un
espacio vectorial de dimensión finita. De igual manera para un espacio de dimensión infinita.
Ejemplo 26:
Muestre que S = {(1, 0), (0, 1)} es una base en R2.
Solución:
Por ejemplos anteriores se sabe que S = {(1, 0), (0, 1)} genera a R 2; demás, los vectores
v1 = (1, 0) y v2 = (0, 1) son linealmente independientes. Por consiguiente por cumplir las dos
condiciones, S genera a V.
Ejemplo 27:
Identifique dos espacios vectoriales de dimensión infinita.
Solución:
Sea el espacio vectorial P = {Todos los polinomios}
Sea el espacio vectorial M = {Todas las funciones continuas definidas sobre la recta real}
Base Canónica:
Las siguientes bases por su naturaleza se le conocen como bases canónicas o bases normales.
1. Sea S = {(1, 0), (0, 1)} es la base canónica de R2. Se sabe que S genera a R2; además, los
vectores son linealmente independientes.
2. Sea S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es la base canónica de R3. Es sabido que todo vector
en R3 se puede escribir como k1(1, 0, 0) + k2(0, 1, 0) + k3(0, 0, 1) Donde la única solución es la
trivial; es decir, k1 = k2 = k3 = 0, lo que muestra que los vectores son linealmente
independientes. Por otro lado se ha demostrado que S genera a R 3.
3. Sea S = {e1, e2, e3,…, en} es la base canónica de Rn.
Si e1 = (1, 0, 0,…,0), e2 = (0, 1, 0,… ,0),…, en = (0, 0, 0,…, 1). Entonces se sabe que los
vectores e1, e2, e3,…, en son linealmente independientes y además S generan a Rn.
4. S = {1, x, x2,..,xn } es la base canónica de Pn. Anteriormente se estudio que los vectores son
linealmente independientes y S generan a P n.
- 259 -
 1 0   0 1   0 0   0 0 
5. Sea S          es la base canónica de M2x2.
 0 0   0 0   1 0   0 1 
Las matrices de S son linealmente independientes; además, S genera a M2x2.
Base No Canónica:
Una base no canónica son las que están fuera de los casos 1, 2, 3, 4, 5. Son de gran interés en
matemáticas, ya que tienen diversas utilidades, veamos algunos ejemplos.
Ejemplo 28:
Dado el conjunto S = {v1, v2} Donde v1 = (2, 1) y v2 = (-1, 1). Demostrar que S es una base
de R2.
Solución:
Para hace la demostración se debe mostrar que S genera a R 2 y que S es linealmente
independiente.
a-) S genera a R2: Sea el vector x = (x1, y1) de R2. Luego: c1v1 + c2v2 = x Reemplazando:
c1(2, 1) + c2(-1, 1) = (x1, y1) Operando: (2c1, c1) + (-c2, c2) = (x1, y1). Esto genera el sistema:
2c1 – c2 = x1 y c1 + c2 = y1.
 2  1
A    Det(A) = 2 – (-1) = 3. Como el determinante de la matriz de coeficientes es
1 1 
diferente de cero, se puede afirmar que el sistema tiene solución única. Entonces se puede
concluir que S genera a R 2.
b-) S es linealmente independiente: Planteando el sistema: 2c1 – c2 = 0 y c1 + c2 = 0.
 2 1 0 R1  2 1 0
A   
   

 1 1 0  R2 : R1  2 R2  0  3 0 
La última matriz nos muestra que el sistema es inconsistente, así la única solución es la trivial.
c1 = c2 = 0. Por consiguiente S es linealmente independiente.
Como se han demostrado las dos condiciones, entonces se puede concluir que el conjunto S es
una base de R2.
- 260 -
Ejemplo 29:
Dado el conjunto S = {u1, u2, u3, u4} Donde u1 = (0, 1, 0, 1); u2 = (1, 0, -1, -2); u3 = (0, 2, -
2, 1) y u4 = (2, 1, 0, 1). Demostrar que S es una base de R4.
Solución:
a-) S genera a R4: Sea u = (x1, x2, x3, x4) plantemos la combinación:
c1u1 + c2u2 +c3u3 +c4u4 = (x1, x2, x3, x4). Entonces:
c1(0, 1, 0, 1) + c2(1, 0, -1, -2) + c3 u3(0, 2, -2, 1) + c4(2, 1, 0, 1) = (x1, x2, x3, x4) Esto genera el
sistema que origina la matriz:
0 1 0 2
   0 2 1  1 2 1 1 0 1  1 0 2 
1 0 2 1        
A  0  1  2 0   1 0  2 0   0 0  1 0   2 0  1  2 
0 1  2 0   2 1 1  1 1 1 1  2 1  1  2 1 
         
1  2 1 1 

Al resolver los determinantes 0 – 0 + 0 –(-6) = 6.
Como el determinante de coeficientes es diferente de cero, indica que el sistema tiene solución
única, por consiguiente se puede afirmar que S genera R 4.
b-) A partir del planteamiento del sistema homogéneo, se obtiene la matriz
aumentada:
0 1 0 2 0 R1 1 0 2 1 0 R1 1 0 2 1 0
     
1 0 2 1 0  R2 : R1  R2   0 1 0 2 0 R2 0 1 0 2 0
A 
0 1  2 0 0 R3 0 1 2 00  R3 0 1  2 0 0
     
1 2 1 1 0  R4 1 2  
1 1 0  R4 : R1  R4  0 2 1 0 0 
 
1 0 2 1 0 R1 1 0 2 1 0 R1 1 0 2 1 0
     
0 1 0 2 0 R2 0 1 0 2 0 R2 0 1 0 2 0
0 1    
2 0 0 R3 : R2  R3 0 0 2 20 R3 0 0  2 0 0
     
0 2 1  
0 0  R4 : 2R2  R4  0 0 1  
4 0  R4 : R3  2R4  0 0 0  6 0 

Como la última matriz nos muestra que el sistema es inconsistente, entonces la única solución es
la trivial. c1 = c2 = c3 = c4 = 0. Por consiguiente los elementos del conjunto S son linealmente
independientes.
Así queda demostrado que S es una base no normal de R4.
- 261 -
Ejemplo 30:
Dado el conjunto de vectores 4x + 2y – 12z = 0. Encontrar una base para dicho conjunto en R3.
Solución:
 x  
  
Sea:    y  para 4 x  2 y  12 z  0 Definido π como un espacio vectorial.
 z  
  
 x  x 
   
Expresamos y en función de x y z: y = -2x + 6z. Luego:  y     2 x  6 z 
z  z 
   
Haciendo x = 0 y z = 0, tenemos:
 x  0  x  0  1 
         
  2 x  6z    6 z     2 x   z  6   x  2 
 z   z  0  1  0 
         
Por consiguiente: S = {(0, 6, 1), (1, -2, 0)} Es una base del espacio vectorial π.
Unicidad de la Base:
Dentro de los usos de la base de un espacio vectorial, esta el de representar cualquier vector
u  V , lo cual según el siguiente teorema, se muestra que para una base definida, la
representación es única.
TEOREMA:
Sea el conjunto S = {u1, u2, … , un}, donde S es una base del espacio
vectorial V, entonces Todo Vector en V puede escribirse como una y solo
una combinación lineal de vectores de S.
Demostración:
Definimos el vector v en V, entonces se puede escribir el vector v como una combinación lineal
v = a1u1 + a2u2 +… + anun Donde u1, u2,…, un están en V. Lo cual es evidente ya que u1,
u2,…, un son la base del espacio vectorial V y cualquier vector en V se puede escribir como
combinación lineal de vectores de S.
La unicidad se puede demostrar asumiendo que v tiene dos formas de representación: La
primera es la definida anteriormente v1 = a1u1 + a2u2 +… + anun y la otra de la siguiente
manera: v2 = b1u1 + b2u2 +… + bnun. Ahora restamos la segunda de la primera combinación:
v2 – v1 = (b1 – a1)u1 + (b2 – a2)u2 + … + (bn – an)un = 0
Debido a que S es linealmente independiente, entonces la única solución es la trivial; es decir,
- 262 -
b1 – a1 = 0 y así par los demás.
Lo anterior quiere decir que bi = ai para todo i = 1, 2, 3,.., n, por consiguiente v solo tiene una
representación para la base S.
LECCIÓN 3.2.3
DIMENSIÓN DE UN ESPACIO VECTORIAL.
Se ha analizado lo referente a conjuntos generadores, independencia lineal y bases de un
espacio vectorial, se sabe que si un espacio vectorial V tiene una base de n vectores, entonces
cualquier otra base tendrá el mismo número de vectores; es decir, n. Dicho de otra manera, un
espacio vectorial tiene muchas bases, pero se ha demostrado que éstas tiene el mismo número
de vectores.
DEFINICIÓN:
Sea un espacio vectorial V no nulo, el cual tiene una base que consta de
n vectores, entonces la dimensión de V será n, denotándolo como dim
(V) = n.
La definición nos muestra que la dimensión de un espacio vectorial, son los elementos que
contiene una base de dicho espacio.
Ejemplo 31:
Determinar la dimensión de los espacios vectoriales definidos por R n, Pn, Mm,n con sus
operaciones normales.
Solución:
- La dimensión de Rn es n.
- La dimensión de Pn es n + a.
- La dimensión de Mm,n es mn.
Es pertinente aclarar que la dimensión de un espacio vectorial puede ser finita o infinita, el
ejemplo anterior presenta espacios vectoriales de dimensión finita. El espacio vectorial P
conformado por todos los polinomios y el espacio vectorial C(-α, α) conformado por todas las
funciones continuas en los reales, son ejemplos de espacios vectoriales de dimensión infinita.
Así todos los espacios vectoriales de dimensión finita e igual, presentan las mismas propiedades
algebraicas; solo difieren en la naturaleza de sus elementos.
- 263 -
Ejemplo 32:
Encontrar la dimensión del espacio vectorial V definido en R 2, el cual tiene una base dada por: S
= {(1, -2), (0, 1)}
Solución:
Por definición la dimensión de un espacio vectorial V son los elementos de la base, para nuestro
caso: dim (V) = 2.
LECCIÓN 4.2.3
ESPACIO FILA Y ESPACIO COLUMNA.
Para una matriz A de tamaño mxn, las filas de A se pueden ver como un conjunto de m vectores,
de igual manera para las columnas.
DEFINICIÓN:
Sea A una matriz de tamaño m x n, entonces:
1. El Espacio Fila de A esta dado por el subespacio Rn generado por
los vectores fila de A.
2. El Espacio Columna de A, esta dado por el subespacio Rm
generado por los vectores columna de A.
Los concepto espacio fila y espacio columna son fundamentales para el análisis del rango de una
matriz.
TEOREMA:
Si dos matrices son equivalentes por filas, entonces tiene el mismo
espacio fila.
Específicamente: Sea la matriz A de tamaño m x n y, sea la matriz B
de tamaño m x n. Si A es equivalente a B por filas, entonces el espacio
fila de A es igual al espacio fila de B.
- 264 -
Demostración: Se invita a investigar en las fuentes propuestas en la bibliografía, sobre la

demostración de este teorema, es relativamente fácil.
LECCIÓN 5.2.3
RANGO Y NULIDAD DE UNA MATRIZ
RANGO DE UNA MATRIZ: Anteriormente se estudio el espacio fila y espacio columna de una
matriz; además, lo referente a dimensión de un espacio vectorial, todo esto nos permite analizar
el concepto de rango de una matriz.
DEFINICIÓN:
La dimensión del espacio generado por las filas de una matriz A se le
denomina Rango por Fila de A. La dimensión del espacio generado
por las columnas de la matriz A se le denomina Rango por Columna
Esta demostrado que los rangos de fila y columna son iguales para una matriz A, entonces al
nombrar el rango de una matriz, se sabe que estamos refiriéndonos a éstos.
DEFINICIÓN:
Dada la matriz A de tamaño mxn, el Rango de A, denotado por ran(A)
es el número de filas no nulas de la matriz escalonada. Dicho de otra
manera, el número de pivotes.
Para una matriz A de tamaño mxn, esta demostrado que ran(A) ≤ min{m, n}
Para determinar el rango de una matriz, solo debemos llevarla a la forma escalonada y observar
las filas diferentes de cero (no nulas) que se obtengan, el número de filas diferentes de cero
será el rango de la matriz.
- 265 -
Ejemplo 33:
2 3 4 5 
 
Hallar el rango de la matriz A. Donde A   1 0 2  1
3 2 0 4 
 
Solución:
2 3 4 5  R1  2 3 4 5 R1 2 3 4 5 
     
 1 0 2  1 R2  R1  2 R2   0 3 0 7  R2  0 3 0 7 
 3 2 0 4  R  3R  2 R  0 5 0 7  R  5 R  3R  0 0 0 14 
  3 1 3   3 2 3  
Como la matriz escalonada tiene tres filas diferentes de cero, entones el ran(A) = 3.
NULIDAD DE UNA MATRIZ: La nulidad v(A) de una matriz esta relacionada con la dimensión
del espacio nulo NA de dicha matriz; es decir, la dimensión del espacio solución del sistema Ax =
0. Si A es transformada por medio de operaciones elementales por fila a una matriz escalonada
reducida por fila digamos H con t filas no nulas, entonces la dimensión del espacio solución de
Ax = 0 es n – t. como t es rango de A, entonces hay una relación entre el rango y la nulidad de
la matriz A.
TEOREMA:
Sea A una matriz de tamaño mxn, entonces: n = Rango(A) +
Nulidad (A)
Siendo n el número de variables del sistema asociado a la matriz A
Es pertinente aclarar entre lo que es el Espacio Nulo y la Nulidad. El espacio nulo NA son los
vectores de la solución del sistema Ax = 0. Mientras que la Nulidad es la dimensión de NA.
Ejemplo 34:
1 2 0  1 3
 
0 5 4  2 1
Dada la matriz A   Determinar el espacio solución.
0 0 2  4 1
 
0 0 0 0 0 
- 266 -
Solución:
Como se observan 5 variables (n), ya que hay 5 columnas y el rango es 3 (t), entonces:
Dimensión del espacio solución (N) será: 5 – 3 = 2. (n – t = N)
Ejemplo 35:
 6 3  9
Dada la matriz A   4  2 6  Encontrar el espacio nulo y la nulidad de dicha matriz.
2 1 3 

Solución:
Primero reducimos la matriz:
  6 3  9 R1   6 3  9   1/ 3  2  1 3 
     
 4  2 6  R2  2 R1  3R2   0 0 0  0   0 0 0 
 2  1 3  R  R  3R  0 0 0  0 0 0 0
  3 1 3    
Esto nos origina una solución única de la forma: 2x – y + 3z = 0 que corresponde a un plano
que pasa por el origen, por consiguiente corresponde a un espacio vectorial. (Recordemos la
definición de espacio vectorial). Así: π = (x, y, z)’. Si x y z son valores arbitrarios, entonces y =
2x + 3z. Los vectores de π se pueden escribir de la forma.
 x   x 0  1  0
         
 2 x  3z    2 x    3z   x 2   z  3  Esto nos indica que v1 = (1, 2, 0)’ y v2 = (0, 3, 1)’
 z  0  z  0  1
         
generan a π. Entonces v1 y v2 son una base de π. (v1 y v2 son linealmente independientes)
Después de todo este recorrido podemos decir que el espacio nulo son los vectores:
v1 = (1, 2, 0)’ y v2 = (0, 3, 1)’. Mientras que la nulidad v(A) = 2.
La nulidad nos permite plantear el siguiente teorema.
TEOREMA:
Sea A una matriz de dimensión n x n, entonces A es invertible, si y
solo si, la nulidad es cero: v(A) = 0
- 267 -
Demostración:
La demostración esta soportada en las siguientes afirmaciones plenamente demostradas.
1. A es invertible
2. La única solución del sistema homogéneo Ax = 0. es la solución trivial.
3. El sistema Ax = b. tiene una solución única para todo vector n-vector b.
4. A es equivalente por filas a la matriz identidad In = n x n.
5. A se puede escribir como producto de matrices elementales.
6. La forma escalonada por filas de A tiene n pivotes.
7. Det(A) ≠ 0.
8. Las filas y columnas de A so linealmente independientes.
- 268 -
CAPITULO 3
SUBESPACIOS VECTORIALES
Introducción.
Dentro de la teoría de espacios vectoriales, están los
subespacios, los cuales se comportan como espacios
vectoriales en sí. Vamos a analizar sus principios, partiendo de los fundamentos estudiados
anteriormente.
LECCIÓN 1.3.3
GENERALIDADES.
Todos los espacios vectoriales tienen subconjuntos que también son espacios vectoriales en si,
haciendo una analogía, los subespacios son Espacios Vectoriales Hijos y el Espacio Vectorial de
donde se obtuvieron son el Espacio Vectorial Padre. Entonces los Hijos Heredan las
características del padre, así los subespacios heredan las operaciones del espacio que los origino.
DEFINICIÓN:
Sea el subconjunto U no vacío contenido en un espacio vectorial V,
asumiendo que U es espacio vectorial en si (cumple los 10 axiomas)
Entonces se dice que U es un subespacio de V. Donde U ≤ V
Según la definición anterior, se puede inferir que para que un subconjunto sea subespacio de un
espacio vectorial, se debe cumplir las operaciones de cerradura de suma y producto por escalar,
de igual manera como se definió los espacios vectoriales.
LECCIÓN 2.3.3
SUBESPACIO TRIVIAL Y SUBESPACIO PROPIOS.
- El Subespacio Trivial: El subconjunto U = {0} correspondiente al vector cero, se considera
un subespacio de cualquier espacio vectorial V, ya que se cumple la cerradura para suma y
producto por escalar. 0 + 0 = 0 y k0 = 0.
Un Espacio Vectorial, es un
Subespacio en si Mismo. V
subespacio de V
- 269 -
- Los Subespacios Propios: Todos los subespacios diferentes de {0} y V, se consideran

subespacios propios, a estos es que se les dan la mayor atención en el estudio de los espacios
vectoriales.
Ejemplo 36:
Demostrar que el subconjunto U = {(x, y, 0)} Donde x, y son números reales, es un subespacio
de R3.
Solución:
Sean los vectores: u1 = (x1, y1, 0) y u2 = (x2, y2, 0) pertenecientes a U, entonces: u1 + u2
pertenecen a U, veamos: u1 + u2 = (x1+ x2, y1 + y2, 0 + 0) = (x1+ x2, y1 + y2, 0).
Gráficamente corresponde al plano xy.
De la misma manera para mostrar que cumple la cerradura de multiplicación por escalar,
tenemos: Sea k escalar diferente de cero, entonces ku1 = k(x1, y1, 0) = (kx1, ky1, 0)
Ejemplo 37:
Demostrar que toda Mmxn matriz triangular superior es un subespacio de V mxn matriz
rectangular.
Solución:
La suma de dos matrices triangules superiores, es otra matriz triangular superior. Así se cumple
la cerradura de la suma.
El producto de un escalar diferente de cero por una matriz triangular superior, origina otra matriz
triangular superior. También cumple la cerradura de producto por escalar.
Como se ha venido demostrando los demás axiomas se cumplen de inmediato.
Ejercicio de razonamiento:
En el grupo colaborativo demostrar que los siguientes conjuntos son subespacios de un espacio
vectorial dado V.
a-) Matrices triangulares inferiores
b-) Matrices diagonales
c-) Matrices simétricas.
- 270 -
LECCIÓN 3.3.3
PRUEBA DE SUBESPACIO.
Cuando un subconjunto U es subespacio del espacio vectorial V, se dijo anteriormente que U
heredaba las propiedades de V, lo que no requiere demostrarlas. Esto se soporta en el
siguiente teorema sobre las cerraduras.
TEOREMA:
Sea U un subconjunto no vacío de un espacio vectorial V, entonces U
se considera un subespacio de V si, y solo si, se cumplen las
siguientes propiedades de cerradura.
1. Si u y v son vectores que están en U, entonces u + v estará en
V.
2. Si u es vector en U y k un escalar, entonces ku estará en U.
Demostración:
Si U es un subespacio de V, entonces U es un espacio vectorial por consiguiente cumple la
cerradura de la suma y multiplicación por escalar. Ahora si planteamos la demostración al
contrario, asumiendo que U es cerrada bajos la suma y producto por escalar. Si u, v, w están
en U, automáticamente están en V.
NOTA: Si U es subespacio del espacio vectorial V, entonces tanto U como V deben tener el
vector cero M = {0}
Ejemplo 38:
Sea U5 el espacio vectorial de todas las funciones definidas sobre [0, 1]. Sean U1, U2, U3, U4
conjuntos definidos de la siguiente manera.
U1: Conjunto de todas las funciones polinomicas.
U2: Conjunto de todas las funciones diferenciables en [0, 1]
U3: Conjunto de todas las funciones continúas en [0, 1]
U4: Conjunto de todas las funciones integrables en [0, 1].
Demostrar que U 1  U 2  U 3  U 4  U 5
- 271 -
Solución:
Del calculo sabemos que toda función polinomial es diferenciable en [0, 1]. Por consiguiente
U 1  U 2 . Como toda función diferencial es continua, entonces U 2  U 3 . Ahora toda función
continua es integrable U 3  U 4 Finalmente toda función integrable por supuesto es función.
Así queda demostrado U 1  U 2  U 3  U 4  U 5
------ -------------------------
------ -------------------------
----------------------
Ejemplo tomado de Introducción al Álgebra Lineal: Larson-Edwards. Limusa 2.000
Ejemplo 39:
Sea π = {(x, y, z): ax + by + cz = 0} Para a, b, c números reales. Demostrar que es un
subespacio propio en R 3.
Solución:
Primero debemos mostrar que π es un espacio vectorial y luego por la definición anterior se
puede mostrar que π es subespacio vectorial.
Sabemos que π = ax + by + cz = 0 es un plano que pasa por el origen, ahora: Sea (x 1, y1, z1) y
(x2, y2, z2) puntos en R3 y sea a, b, c escalares, planteamos la siguiente operación:
(x1, y1, z1) + (x2, y2, z2) = (x1 + x2, y1 + y2, z1 +z2 ) Pertenecen a V.
Ahora: a(x1 + x2) + b(y1 + y2) + c(z1 +z2 ) = (ax1 +by1 + cz1) + (ax2 + by2 + cz2 ) los cuales
también pertenece a V. Así se cumple el axioma 1, los demás se pueden verificar fácilmente. De
esta manera se puede afirmar que π es un subespacio de R 3.
- 272 -
LECCIÓN 4.3.3
INTERSECCIÓN ENTRE SUBESPACIOS.
En un espacio vectorial puede haber gran cantidad de subespacios propios. La situación es
determinar que sucede cuando dos o más subespacios se interceptan en dicho espacio. El
siguiente teorema nos ayuda a salir de la inquietud.
TEOREMA:
Sean V1 y V2 dos subespacios del espacio vectorial V, entonces la
intersección V1 ∩ V2 pertenecen también a V.
Demostración:
Los conjuntos V1 y V2 son subespacios de V, como es sabido los dos tienen el vector cero {0}
entonces V1 ∩ V2 es no vacío. Ahora es relativamente fácil demostrar que V1 ∩ V2 es cerrado
para suma y para la multiplicación por escalar.
Como consecuencia de este teorema es que la intersección de dos subespacios, es en sí otro
subespacio. Por otro lado, la unión de dos subespacios, por lo general NO es subespacio.
LECCIÓN 5.3.3
DIMENSIÓN DE UN SUBESPACIO.
Si W es un subespacio del espacio vectorial V; cuya dimensión es n. esta demostrado que la
dimensión de W es finita y además es menor o igual a n. dim(W) ≤ dim(V)
Ejemplo 40:
Encontrar la dimensión del subespacio W en R 4 generado por S, donde: S = {v1, v2, v3}
v1 = (-5, 4, 9, 2), v2 = (-1, 2, 5, 0), v3 = (3, 0, 1, -2)
Solución:
Por la definición del problema W es generado por S, ahora debemos determinar si S es una base
de W, lo cual se demuestra si el conjunto de vectores de S son linealmente independientes.
 5 1 3  R1   5  1 3  R1  5 1 3  R1  5 1 3
       
 4 2 0 R
 2  4 R1  5 R 2  0 6 12 R
 2 / 6  0 1 2  R 2  0 1 2
 9      
5 1 R3  9 R1  5R3 0 16 32 R3 / 16 0 1 2 R3  R2  R3 0 0 0
       
 2      
0  2  R4  2 R1  5R4  0  2  4  R4 / 2  0  1  2  R4  R 2  R3  0 0 0 

- 273 -
La última matriz nos muestra que hay soluciones infinitas, entonces S es un conjunto linealmente
dependiente, por ejemplo v1 = 2v2 – v3. Así S No es una base de W. Lo anterior significa que
W es generado por S1 = {v2, v3}. Entonces S1 es linealmente independiente.
Después de todo este análisis se puede decir que dim(W) = 2. Una forma sencilla de identificar
la dimensión es contar las filas de la matriz escalonada que sean diferentes de cero, para el caso
que estamos analizando se observa que hay dos filas diferentes de cero (no nulas).
RESUMEN:
Para sintetizar los conceptos que hemos analizado, vamos a exponer las siguientes afirmaciones
que son válidas para una matriz A de tamaño nxn.
a-) A es una matriz no singular
b-) det(A) ≠ 0
c-) El sistema Ax = 0 Solo tiene la solución trivial
d-) El sistema lineal Ax = b, tiene solución única, para cada matriz b de tamaño nx1
e-) La matriz A tiene rango igual a n. ran(A) = n.
f-) La matriz A tiene como nulidad cero. v(A) = 0
g-) Las filas de la matriz A forman un conjunto linealmente independiente de n vectores en R n
h-) Igual que el caso anterior, pero para las columnas.
- 274 -
ACTIVIDADES DE AUTOEVALUACIÓN DE LA UNIDAD
1. Demostrar que el conjunto (x, y)’ en R2 con y = 4x es una espacio vectorial real.
2. Demostrar que el conjunto (x, y, z)’ en R3, donde 3x – 2y – 10z = 0 es un espacio vectorial
real.
3. Sea el conjunto V = R2 para V = {u1, u2} u1 = (2, 3) y u2 = (6, 9). Determinar una
combinación lineal de u1 y u2, si existe.
4. Dado el conjunto V = R3 para V = {w1, w2} siendo w1 = (2, -1, 4) y w2 = (4, -2, 8).
Identificar dos combinaciones lineales para V si existen.
5. Dado el conjunto S = {u1, u2} donde u1 = (1, 1) y u2 = (-1, 1). Demuestre que S genera a
R2.
6. Demostrar que el conjunto S = {v1, v2, v3} Dado que v1 = (1, 2, 3), v2 = (-1, 2, 3) y v3 = (5,
2, 3), no puede genera la R3.
7. Dado el conjunto V = {v1, v2, v3} definido en R4. Donde v1 = (2, 1, 1, 2), v2 = (0, 1, 2, 2), v3
= (1, 0, 1, 1). Determinar si los vectores de V son linealmente independientes.
8. Sea el conjunto V = {u1, u2, u3} definido en R 3. Donde u1 = (4, 2, 1), u2 = (2, 6, -5) y
u3 = (1, -2, 3). Determine si los vectores de V son linealmente independientes, de los contrario,
identificar la combinación lineal correspondiente.
9. Dado el conjunto V = {v1, v2, v3} definido en R4. Donde v1 = (2, 1, 1, 2), v2 = (0, 1, 2, 2), v3
= (1, 0, 1, 1). Determinar si los vectores de V son linealmente independientes.
10. Sea el conjunto V = {u1, u2, u3} definido en R 3. Donde u1 = (4, 2, 1), u2 = (2, 6, -5) y
u3 = (1, -2, 3). Determine si los vectores de V son linealmente independientes, de los contrario,
identificar la combinación lineal correspondiente.
11. Dado el espacio vectorial V, determinar la base normal de dicho espacio.
a-) V = R5.
b-) V = M2x3
c-) V = P4.
12. Dado el conjunto S = {u1, u2} donde u1 = (1 – x2) y u2 = (x). Determinar si S es o no una
base de P2.
13. Cual será la dimensión del espacio vectorial V, dado el conjunto definido por
S = {u1, u2} Donde u1 = (1, 0) y u2 = (0, 1)}.
14. Dado el conjunto de elementos {(1, 2, 1), (1, 1, ,1), (1, 0, 1)} que genera algún espacio
vectorial V en R 3, calcular la dimensión del espacio dado.
15. Sea el conjunto S = {v1, v2, v3} en el cual S genera algún espacio vectorial V. Donde
- 275 -
v1 = (-2, 1, 2), v2 = (0, 1, -1) y v3 = (2. 1. 0). Hallar la dimensión del espacio dado.
1 2 1 2 1
 
2 0 1 1 3
16. Dada la matriz A   0 0 1  2 4  Determinar el rango de dicha matriz.
 
0 0 0 0 0
0 0 0 0 0 

 2 1 0
 
17. Dada la matriz A   1 1 3  Hallar el rango de dicha matriz.
 2 1 3
 
18. demostrar que el conjunto de punto que están en la recta 2x + 4y = 0, es un subespacio de
R2.
19. Sea el conjunto N = {Matrices Simétricas Cuadradas N2x2} y sea V el espacio vectorial
conformado por las matrices cuadradas M2x2. Demostrar que N es un subespacio del espacio
vectorial V.
20. Dado el conjunto S = {(x, y, 0)/ x, y Є R}. Sea el espacio vectorial V definido en R3.
Demostrar que S es un subespacio de V.
- 276 -
INFORMACIÓN DE RETORNO
1. Debemos demostrar que el conjunto cumple los 10 axiomas A1,…, A10.

A1: Sea u1 = (x1, y1) donde y1 = 4x y sea u2 = (x2, y2) donde y2 = 3x. Dado que
u1  V y u 2  V Vamos a mostrar que u1 + u2 también pertenecen a V.
u1 + u2 = (x1, y1) + (x2, y2) = (x1+ x2 , y1 + y2) = (x1 + x2, 4x1 + 4x2) lo cual pertenece a V.
A5: Dado (x, y) Є V, como y = 4x, su inverso es –(x, y) = (-x, -4x) operando:
(x, y) – (x, y) = (x - x, 4x – 4x) = (0, 0)
A6: Sea k un escalar diferente de cero, luego ku = k(x, 4x) = (kx, 4cx) que pertenece a V.
Los demás teoremas se cumplen automáticamente.
2. La ecuación propuesta corresponde a un plano que pasa por le origen de coordenadas,
sabemos que cuando esto ocurre estamos hablando de un espacio vectorial en R 3. Veamos:
A1: Sea u1 = 3x – 2y – 10z y u2 = 2x + 4y – z. Debemos mostrar que u1 + u2 pertenecen a V.
u1 + u2 = (3x – 2y – 10z) + (2x + 4y – z) = (3x – 2x, -2y + 4y, -10z – z) = (x, 2y, -11z)
También pertenece a V.
A6. Se a k un escalar diferente de cero, entonces ku = k(3x, -2y, -10z) = (3kx, -2ky, -10kz)
que también pertenece a V.
Los demás axiomas se pueden verificar fácilmente.
3. Planteamos la combinación lineal c1u1 + c2u2 = 0 para c1 y c2 escalares, entonces:
c1(2, 3) + c2(6, 9) = (0, 0) entonces 3(2, 3) – 1(6, 9) = (0, 0). Así c1 = 3 y c2 = 1. Por
consiguiente: -3u1 + u2 = 0 Será la combinación lineal entre los vectores dados.
Haciendo el procedimiento algebraico:
c1 (2, 3) + c2 (6, 9) = (0, 0) entonces: (2c1, 3c2) + (6c1, 9c2) = (0,0)
Luego: (2c1+ 6c2, 3c1 + 9c2) = (0,0). Se obtiene el sistema:
 2 6 0 R1  2 6 0
    
 3 9 0  R  3R  2 R  0 0 0 
  2 1 2  
Como la última matriz tiene la última fila cero, indica que hay infinitas soluciones. Luego
2c1 + 6c2 = 0. Asumiendo c2 = 1, entonces c1 = -3 Así a partir de c1u1 + c2u2 = 0, se puede
escribir una combinación: de la forma: -3u1 + u2 = 0
4. Por definición: k1w1 + k2w2 = 0 lo que indica: k1(2, -1, 4) + k2(4, -2, 8) = (0, 0, 0)
Operando:
(2k1, -k1, 4k1) + (4k2, -2k2, 8k2) = (0, 0, 0). Se obtiene el sistema:
- 277 -
2 4 0 R1  2 4 0
   
  1  2 0  R2  R1  2 R2   0 0 0 
4 8 0  R3  2 R1  R3  0 0 0 

Según la última matriz hay infinitas soluciones, a partir de la última matriz: 2k1+ 4k2 = 0
a-) Asumiendo k2 = 1, entonces k1 = -2, la combinación obtenida será: -2w1 + w2 = 0
b-) Asumiendo k2 = 3, entonces k1 = -6, la combinación obtenida será -6w1 + 3w2 = 0
5. Deben existir k1 y k2 escalares tal que: k1(1, 1) + k2(-1, 1) Lo que genera la matriz:
1  1
A    Donde Det(A) = 2. Como el determinante es diferente de cero, el sistema tiene
1 1 
solución única. Por consiguiente S genera a R2
6. Busquemos escalares c1, c2, c3 tal que: c1(1, 2, 3) + c2(-1, 2, 3) + c3(5, 2, 3) = (c1, 2c1, 3c1)
+ (-c2, 2c2, 3c2) + (5c3, 2c3, 3c3) Que genera la matriz.
 1 1 5 R1 1 1 5  R1 1 1 5
     
A   2 2 2  R2  2 R1  R2   0  4 8  R2  0  4 8
 3 3 3  R  3R  R  0  6 12  R  3R  2 R  0 0 0 
  3 1 3   3 2 3  
Como la última matriz muestra que el sistema tiene infinitas soluciones, entonces S no puede
generar a R3. Además, lo confirma que Det(A) = 0
7. Deben existir escalares c1, c2, c3, tales que c1v1 + c2v2 + c3v3 = 0 Esto genera el sistema:
2 0 1 0 R1 2 0 1 0
   
1 1 0 0  R2 : R1  2 R2  0  2 1 0 
1 
2 1 0  R3 : R1  2 R3  0  4  1 0 
   
2 2 1 0  R4 : R1  R4  0  2 0 0 

La última matriz nos muestra que el sistema es inconsistente, por lo cual la única solución es la
trivial, por lo cual el conjunto de vectores de V son linealmente independientes.
8. Definidos los escalares k1, k2, k3, tal que: k1u1 + k2u2 + k3u3 = 0 Lo cual genera el sistema:
 4 2 1 0 R1 4 2 1 0 R1  4 2 1 0 R1  4 2 1 0
       
 2 6  2 0 R2 : R1  2R2   0 10 5 0 R2  0 10 5 0 R2   0 10 5 0 La
1  5 3 0 R : R  4R  0 22 110 R /11 0  2 1 0 R : R  5R  0 0 0 0
  3 1 3   3   3 2 3  
última matriz nos muestra que el sistema tiene infinitas soluciones. Así los vectores de V son
Ahora identifiquemos una combinación lineal. Para esto planteamos a partir de la última matriz;
específicamente la primera y segunda fila: 4k1 + 2k2 + k3 = 0 y -2k2 + k3 = 0 (Esto se obtuvo
al dividir toda la fila R2 por 5).
- 278 -
Definimos k1 = 1, entonces: 2k2 + k3 = -4. Como tenemos también la ecuación -2k2 + k3 = 0.
Tenemos dos ecuaciones con dos incógnitas, al resolver el sistema: k2 = -1 y k3 = -2. Así una
combinación lineal es de la forma: u1 = u2 + 2u3
9. Deben existir escalares c1, c2, c3, tales que c1v1 + c2v2 + c3v3 = 0 Esto genera el sistema:
2 0 1 0 R1 2 0 1 0
   
1 1 0 0  R2 : R1  2 R2  0  2 1 0 
1 
2 1 0  R3 : R1  2 R3  0  4  1 0 
   
2 2 1 0  R4 : R1  R4  0  2 0 0 

La última matriz nos muestra que el sistema es inconsistente, por lo cual la única solución es la
trivial, por lo cual el conjunto de vectores de V son linealmente independientes.
10. Definidos los escalares k1, k2, k3, tal que: k1u1 + k2u2 + k3u3 = 0 Lo cual genera el
sistema:
 4 2 1 0 R1 4 2 1 0 R1  4 2 1 0 R1  4 2 1 0
       
 2 6  2 0 R2 : R1  2R2   0 10 5 0 R2  0 10 5 0 R2   0 10 5 0 La
1  5 3 0 R : R  4R  0 22 110 R /11 0  2 1 0 R : R  5R  0 0 0 0
  3 1 3   3   3 2 3  
última matriz nos muestra que el sistema tiene infinitas soluciones. Así los vectores de V son
Ahora identifiquemos una combinación lineal. Para esto planteamos a partir de la última matriz;
específicamente la primera y segunda fila: 4k1 + 2k2 + k3 = 0 y -2k2 + k3 = 0 (Esto se obtuvo
al dividir toda la fila R2 por 5).
Definimos k1 = 1, entonces: 2k2 + k3 = -4. Como tenemos también la ecuación -2k2 + k3 = 0.
Tenemos dos ecuaciones con dos incógnitas, al resolver el sistema: k2 = -1 y k3 = -2. Así una
combinación lineal es de la forma: u1 = u2 + 2u3
11. a-) La base normal para R5 es (1, 0, 0, 0, 0); (0, 1, 0, 0, 0); (0, 0, 1, 0, 0); (0, 0, 0, 1, 0);
(0, 0, 0, 0, 1)
b-) La base normal para M2x3 es:
1 0 0  0 1 0 0 0 1  0 0 0  0 0 0  0 0 0
           
 0 0 0  0 0 0  0 0 0  1 0 0  0 1 0  0 0 1
c-) La base normal para P4 es: S = {1, x, x2, x3, x4}
12. Definido V como el espacio vectorial de los polinomios. Sea p(x) = a0 + a1x + a2x2.
Debemos escribir p(x) como combinación lineal de S. Entonces p(x) = a2(1 – x2) + a1(x) + a0(0)
lo que equivale a: p(x) = a2 – a2 x2 + a1x. Se observa que p(x) NO se puede escribir como
combinación lineal, por consiguiente S no genera a V. S no es una base de p 2.
- 279 -
13. Por conocimientos previos sabemos que el conjunto S es la base canónica de Ven R 2. Esto
significa que u1 y u2 son linealmente independientes y S genera a V. Luego dim(V) = 2.
14. Llamemos al conjunto S, el cual genera a V, ahora debemos determinar si los elementos
son linealmente independientes. Entonces el sistema genera la matriz:
 1 1 1 R1  1 1 1
   
S   2 1 0  R2 : 2 R1  R2   0 1 2 
 1 1 1 R : R  R  0 0 0
  3 1 2  
Esto nos indica que el sistema tiene infinitas soluciones. Por otro lado, como la matriz solo tiene
dos pivotes; es decir, dos filas diferentes de cero, entonces hay dos vectores linealmente
independientes. La base será de dos elementos. Luego dim(V) = 2.
15. Los vectores originan un sistema cuya matriz es de la forma:
  2 0 2 R1   2 0 2 R1   2 0 2
     
 1 1 1  R2 : R1  2 R2   0 2 4 R2   0 2 4
 2 1 0 R : R  R  0  1 2  R : R  2R  0 0 8 
  3 1 3   3 2 3  
La última matriz nos indica que el sistema tiene solución única, ahora como hay tres filas
linealmente independientes, ya que se tiene tres pivotes (-2, 2, 8). Entonces dim(V) = 3.
16. Como la matriz A esta en forma escalonada, se pueden observar los pivotes, entonces se
puede afirmar que ran(A) = 3, ya que hay 3 filas no nulas; es decir, son linealmente
independientes.
17. Para identificar el rango de la matriz A, debemos llevarla a la forma escalonada y observar
las filas no nulas que se obtengan. Veamos:
 2 1 0 R1 2 1 0 
   
 1 1 3  R2 : R1  2 R2   0  1  6 
 2 1 3 R : R  R  0 0  3
  3 1 3  
Como se observan tres filas no nulas, entones el rango de la matriz A es 3.
18. Lo que debemos demostrar es que el conjunto de puntos cumplen los 10 axiomas, una
forma fácil es recordar que toda recta que pasa por el origen es un espacio vectorial.
Pero hagamos una demostración más formal: Si definimos un valor cualquiera t y despejamos x
de la ecuación, entones cualquier punto de la recta es de la forma (-2t, t)
A1: v1 = (-2t1, t1) y v2 = (-2t2, t2) Entonces: v1 + v2 = (-2t1, t1) + (-2t2, t2) = [-2(t1+ t2), t1+
t2]
Si definimos a t1 + t2 = p, entonces: [-2p, p]. Así queda demostrado el axioma 1.
A5: Sea u = (-2t, t) y sea k escalar diferente de cero, entonces: -2kt, kt, cumple la cerradura
de la multiplicación.
- 280 -
Los demás axiomas son fáciles de demostrar. Así el conjunto es un subespacio de R2.
19. Por el contexto del problema se puede afirmar que N es un subconjunto de V, lo cual es
obvio. Por otro lado N2x2 = Nt2x2 por ser simétrica. Ahora debemos demostrar que N2x2 cumple la
cerradura de la suma, producto y los demás axiomas.
Sea N1 y N2 matrices simétricas de 2x2 pertenecientes a N.
A1: Por simetría N1 = N1t y N2 = N2t Entonces: (N1 + N2)t = N1t + N2t Luego
N1t + N2t = N1 + N2 Donde N1 + N2 pertenecen a N
A6: Sea k un escalar diferente de cero y sea N1 una matriz perteneciente a N, entonces:
kN1 = kN1t Como N1 = N1t, entonces kN1 pertenece a N.
Como en los casos que hemos analizado, los demás axiomas son fáciles de demostrar.
20. Si se demuestra la cerradura para la suma y producto por escalar, se demuestra que S С V.
A1: Sea v1 = (x1, y1, 0) y v2 = (x2, y2, 0) Donde v1 y v2 Є S, luego definimos la suma de los
dos vectores. v2 + v2 = (x1+ y1, y1 + y2, 0) el cual pertenece a S.
A6: Se a c un escalar diferente de cero y sea v1 = (x1, y1, 0) Є S, entonces cv1 = c(x1, y1, 0) =
(cx1, cy1, 0) Є S.
Los demás axiomas son fáciles de demostrar. (Intentar dichas demostraciones estimados
estudiantes)
- 281 -
- 282 -
- 283 -
- 284 -
FUENTES DOCUMENTALES
DOCUMENTOS ESCRITOS:
 GROSSMAN, Stanley. (1.996). Algebra Lineal. México: McGraw Hill.

 ANTÓN, Howard. (2.000). Introducción al Algebra Lineal. México: Limusa..
 ROJO, Jesús. (2.001). Algebra Lineal. Madrid: McGraw Hill..
 LARSON, Edwards. (2.000). Introducción al Algebra Lineal. México: Limusa.
 GOLUBITSKY, Martín, DELLNITZ, Michael. (2.001). Algebra Lineal y Ecuaciones Diferenciales.
México: Thomson-Learning.
 KOLMAN, Bernard. (1.999). Algebra Lineal. México: Prentice Hall.
 FRALEIGH, John B, BEAUREGARD, Raymond A. (1.989). Algebra Lineal. Estados Unidos:
Addison-Wesley.
 LANG, Serge. (1.990). Introducción al Algebra Lineal. Estados Unidos:Addison Wesley.
 POOLE, David. (2004). Algebra Lineal una introducción moderna. Editorial Thomson. Primera
Edición.
 MERINO, Luís. Algebra Lineal con métodos elementales. Editorial Thomson
DIRECCIONES DE SITIOS WEB:

 http://www.matematicas.unal.edu.co/cursos/algebra/
 http://docentes.uacj.mx/gtapia/ALgebra/
 http://thales.cica.es/rd/Recursos/rd99/ed99-0289-02/ed99-0289-02.html
 http://fresno.pntic.mec.es/~jvaamond/
 http://mit.ocw.universia.net/18.06/f02/related-resources/matlab.pdf
 http://cnx.org/content/m12862/latest/
 http://ma1.eii.us.es/miembros/silva/AL/2005-06/Apuntes.pdf
 http://www.matematicasbachiller.com/temario/algebra/index.html
http://www.elprisma.com/apuntes/curso.asp?id=9538
- 285 -
- 286 -
- 287 -

ALGEBRA LINEAL - MODULO 3 CREDITOS - E-Learning PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ALGEBRA LINEAL - MODULO 3 CREDITOS - E-Learning PDF

Cargado por

Copyright:

Formatos disponibles

ESCUELA DE CIENCIAS BÁSICAS,

CAMILO ARTURO ZÚÑIGA G.

JORGE ELIECER RONDÓN D.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA “UNAD”

Jaime Alberto Leal Afanador

Roberto Salazar Ramos

Maribel Córdoba Guerrero

El curso académico se estructura básicamente en tres unidades didácticas. La primera

A través del curso académico de Algebra Lineal se dinamizan procesos de resignificación

La consulta permanente a diferentes fuentes documentales aportadas por el curso se

CAPITULO 1: VECTORES EN R 2 Y R 3 ……… ……………………….……………..8

UNIDAD 2 – Sistemas Lineales de ecuaciones, rectas, planos y

CAPITULO 1: SISTEMAS DE ECUACIONES LINEALES……………………….163

CAPITULO 2: RECTAS EN R 3 ……………………………………………………….208

UNIDAD 3 – Espacios Vectoriales

CAPITULO 1: ESPACIOS VECTORIALES…………………………………..…….241

VECTORES, MATRICES Y DETERMINANTES

Que el estudiante comprenda el conjunto de conocimientos relacionados con los

 Evidenciar en el estudiante una apropiación conceptual que refleje el

 Lograr que el estudiante conozca de cerca el concepto de matriz, lo lleve a

Imagen obtenida de: ALGEBRA LINEAL

Imagen obtenida de: ALGEBRA LINEAL

SISTEMAS DE ECUACIONES LINEALES, RECTAS, PLANOS Y

Que el estudiante comprenda los fundamentos teóricos que soportan la concepción de

 Evidenciar en el estudiante una apropiación conceptual que refleje el

 Lograr que el estudiante conozca de cerca el concepto de lo que es un sistema de

El objetivo es resolver un sistema de la forma AX  b (con A de n  n ), donde A es

Dado el sistema lineal

Para determinar si el sistema tiene solución única o no, debemos calcular su

Finalmente, para obtener la solución del sistema, consideramos la ecuación X  A 1b .

SISTEMAS LINEALES HOMOGENEOS

ECUACION DEL PLANO

Si dos planos no son paralelos, necesariamente se cortan en una recta.

Contribuir a fortalecer en el estudiante la capacidad para apropiarse del conjunto de

 Evidenciar en el estudiante una apropiación conceptual que refleje el

 Contribuir a que el estudiante comprenda y aplique en forma clara y pertinente

El estudio de los espacios vectoriales permite al estudiante desarrollar habilidades y

Axiomas de la Multiplicación por Escalar:

8. (c  d )u  cu  du Segunda Ley Distributiva

9. c (du )  (cd )u Ley Asociativa

Sea v1 = (x1, y1) y v2 = (x2, y2) donde v1  V

(x, y) +(–x, -y) = (x – x, y – y) = (0, 0). Entonces  ( x, y )  V

Entonces: Pn  Qn  (an  bn ) x n  (an1  bn1 ) x n1  ... (a2  b2 ) x 2  (a  b) x  (a0  b0 ) Será un

polinomio de grado temor o igual a n. Así se cumple este axioma.

es un polinomio de grado menor o igual a n.

que no pasan por el origen.

Pero si tenemos y  (1,1) este no tiene inverso en V. ya que (1,1)  V . No se cumple el

Usando el método Gauss Jordán:

Usando el método Gauss Jordán:

La anterior definición se puede fortalecer con el siguiente teorema:

Demostración: Se invita a investigar en las fuentes propuestas en la bibliografía, sobre la

- Los Subespacios Propios: Todos los subespacios diferentes de {0} y V, se consideran

continua es integrable U 3  U 4 Finalmente toda función integrable por supuesto es función.

Así queda demostrado U 1  U 2  U 3  U 4  U 5

ACTIVIDADES DE AUTOEVALUACIÓN DE LA UNIDAD

1. Debemos demostrar que el conjunto cumple los 10 axiomas A1,…, A10.

 GROSSMAN, Stanley. (1.996). Algebra Lineal. México: McGraw Hill.

DIRECCIONES DE SITIOS WEB:

También podría gustarte