Modulo de Álgebra Lineal

ÁLGEBRA LINEAL
Ricardo Miguel Guzman Navarro
Universidad de Córdoba
Facultad de Ciencias Básicas e Ingenierías
Departamento de Matemáticas
Índice general
Prólogo 4
1. Sistemas de ecuaciones lineales (S.E.L) 1

1.1. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . 1
1.2. Solución de S.E.L . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2. Matrices 19
2.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2. Suma de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3. Producto por escalar . . . . . . . . . . . . . . . . . . . . . . . 21
2.4. Producto de matrices . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1. Producto de matrices . . . . . . . . . . . . . . . . . . . 23
2.4.2. Operaciones elementales de …la y producto de matrices 28
2.5. Traspuesta y traza de una matriz . . . . . . . . . . . . . . . . 30
2.5.1. Traspuesta de una matriz . . . . . . . . . . . . . . . . 30
2.5.2. Traza de una matriz . . . . . . . . . . . . . . . . . . . 31
2.6. Determinante de una matriz . . . . . . . . . . . . . . . . . . . 31
2.6.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . 32
2.6.2. Determinante de una matriz . . . . . . . . . . . . . . . 33
2.7. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . 38
2.8. Sistemas de ecuaciones lineales y matrices . . . . . . . . . . . 43
2.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3. Espacios vectoriales 49
3.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3. Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . 65
2
ÍNDICE GENERAL 3
3.4. Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . 66

3.4.1. Bases y dimensión . . . . . . . . . . . . . . . . . . . . 66
3.4.2. Vectores de coordenadas . . . . . . . . . . . . . . . . . 68
3.5. Espacios vectoriales y matrices . . . . . . . . . . . . . . . . . . 69
3.5.1. Los cuatro subespacios fundamentales . . . . . . . . . . 70
3.5.2. Rango de una matriz . . . . . . . . . . . . . . . . . . . 71
3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4. Transformaciones lineales 76
4.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 76
4.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5. Ortogonalidad 103
5.1. Espacios con productos interiores . . . . . . . . . . . . . . . . 103
5.2. Espacios normados . . . . . . . . . . . . . . . . . . . . . . . . 104
5.3. Vectores ortogonales . . . . . . . . . . . . . . . . . . . . . . . 108
5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6. Valores y Vectores Propios 113

6.1. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . 113
6.2. Subespacios Propios . . . . . . . . . . . . . . . . . . . . . . . 115
6.3. Matrices Invertibles y Valores Propios . . . . . . . . . . . . . . 116
6.4. Producto de matrices y Valores Propios . . . . . . . . . . . . . 117
6.5. Localización de Valores Propios . . . . . . . . . . . . . . . . . 117
6.6. Cálculo de Valores Propios . . . . . . . . . . . . . . . . . . . . 118
6.7. Cálculo de Vectores Propios . . . . . . . . . . . . . . . . . . . 121
6.8. Independencia lineal y vectores propios . . . . . . . . . . . . . 124
6.9. Valores propios de algunas matrices especiales . . . . . . . . . 124
6.10. Semejanza de Matrices . . . . . . . . . . . . . . . . . . . . . . 126
6.11. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
Bibliografía 131
Prólogo
El objetivo principal de este trabajo es el de proporcionar un módulo guia,

a partir del cual los estudiantes de Ingeniería de Sistemas de la Universidad
de Córdoba adquieran conocimientos básicos del Álgebra Lineal.
Lo especial de este módulo es que en él se realiza un estudio del Álgebra Lineal

con un énfasis en Teoría de Matrices. Esto se hace porque las Matrices son
los entes matemáticos más útiles para los que se dedican al estudio de las
Ciencias Computacionales.
En este trabajo se realiza un estudio de los más importantes temas que com-
ponen normalmente un primer curso de Álgebra Líneal. Estos temas son:
Sistemas de Ecuaciones Lineales, Matrices, Espacios Vectoriales, Transfor-
maciones Lineales, Ortogonalidad y Valores y vectores Propios.
Ricardo Miguel Guzman Navarro.
Mayo 22 de 2006.
4
Capítulo 1
Sistemas de ecuaciones lineales

(S.E.L)
El propósito de este capítulo es dar al lector información básica acerca de los

sistemas de ecuaciones lineales y enseñarle el método habitual para resolver-
los.
1.1. Sistemas de ecuaciones lineales

En esta sección presentaremos: los componentes esenciales, algunas clasi…ca-
ciones y varios de los más importantes resultados de los sistemas de ecua-
ciones lineales.
Notación - De…niciones. El símbolo R denotará al conjunto de los números

reales. Los elementos de R son llamados escalares. Rn representará al con-
junto
82 3 9
>
< a1 >
=
6 .. 7
4 . 5 : ai 2 R para todo i = 1; :::; n .
>
: a >
;
n
2 3
a1
6 .. 7
El producto de un elemento a 2 R por un elemento 4 . 5 de Rn se de…ne
an
1
2 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)
como 2 3 2 3
a1 aa1
6 .. 7 6 .. 7
a 4 . 5 = 4 . 5 2 Rn ,
an aan
donde aai , para i = 1; :::; n, es el producto usual en R. La suma de dos
elementos 2 3 2 3
a1 b1
6 .. 7 6 .. 7
4.5 y 4.5
an bn
de Rn se de…ne como
2 3 2 3 2 3
a1 b1 a1 + b 1
6 .. 7 6 .. 7 6 .. 7
4 . 5 + 4 . 5 = 4 . 5,
an bn an + b n
donde la suma ai + bi es la suma usual en R.
De…niciones. una ecuación es una igualdad con una o más incógnitas. Una
ecuación lineal en R con n variables es una expresión de la forma
a1 x 1 + a2 x 2 + + an xn = b;
donde a1 ; a2 ; :::; an ; b están en R y x1 ; x2 ; :::; xn son variables. Se considera

que las variables sólo pueden tomar valores en R. Una solución de una
ecuación lineal
a1 x 1 + a2 x 2 + + an xn = b;
donde a1 ; a2 ; :::; an ; b 2 R, es una n tupla ordenada
2 3
c1
6 .. 7 n
4 . 52R
cn
tal que
a1 c1 + a2 c2 + + an cn = b:
1.1. SISTEMAS DE ECUACIONES LINEALES 3
Ejemplo. La ecuación lineal
3x1 + 4x2 3x3 x4 = 1 (1.1)

2 3
2
617
tiene a 6 7
425 como una solución, ya que
5
3(2) + 4(1) 3(2) (5) = 6 + 4 6 5= 1.
Para hallar todas las soluciones de la ecuación lineal a1 x1 +a2 x2 + +an xn =

b en la que ai 6= 0, se supone que las variables x1 ; :::; xi 1 ; xi+1 ; :::; xn son
conocidas (estas variables se conocen como parámetros) y se despeja a xi
de la ecuación en cuestión. Luego, toda solución de la ecuación a1 x1 + a2 x2 +
+ an xn = b tiene la forma
2 3
x1
6 .. 7
6 . 7
6 7
6 xi 1 7
6 7
6( a1 x1 ai 1 x i 1 ai+1 xi+1 an xn )=ai 7 (1.2)
6 7
6 xi+1 7
6 .. 7
4 . 5
xn
con x1 ; :::; xi 1 ; xi+1 ; :::; xn 2 R. (1.2) es una expresión para la solución gen-
eral de la ecuación lineal a1 x1 + a2 x2 + + an xn = b. Algunas veces es
conveniente expresar a (1.2) como la suma
2 3 2 3 2 3 2 3
1 0 0 0
6 .. 7 6 ..7 6 7 .. 6 .. 7
6 . 7 6 .7 6 7 . 6 . 7
6 7 6 7 6 7 6 7
6 0 7 6 1 7 6 0 7 6 0 7
6 7 6 7 6 7 6 7
x1 6 a1 =ai 7 + +xi 1 6 ai 1 =ai 7 +xi+1 6 ai+1 =ai 7 + +xn 6 an =ai 7 .
6 7 6 7 6 7 6 7
6 0 7 6 0 7 6 1 7 6 0 7
6 . 7 6 . 7 6 . 7 6 . 7
4 .. 5 4 .. 5 4 .. 5 4 .. 5
0 0 0 1
Para hallar una solución particular de a1 x1 + a2 x2 + + an xn = b le damos

valores reales a los parámetros y reemplazamos dichos valores en la expresión
(1.2).
Ejemplo. Encuentre la solución general y una solución particular de la

ecuación lineal
2x1 + 3x2 + 5x3 + 7x4 = 1. (1.3)
Solución. Tomando como parámetros a x2 ; x3 y x4 , y despejemos a x1 de
(1.3) tenemos que una expresión para la solución general de la ecuación lineal
2x1 + 3x2 + 5x3 + 7x4 = 1 es:
2 3
(1 3x2 5x3 5x4 )=2
6 x2 7
6 7 (1.4)
4 x3 5
x4
con x2 ; x3 ; x4 en R. Tomando x2 = 1, x3 = 2, x4 = 1 y reemplacemos esos

valores en (1.4) tenemos que 2 7 3
2
6 1 7
6 7
4 2 5
1
es una solución particular de (1.3).
Ejemplo. Encuentre tres expresiones distintas para la solución general de la

ecuación lineal
4x1 x2 + 7x3 = 2. (1.5)
1
Solución. Si suponemos que x1 2 y x2 son conocidas
3 tenemos que x3 = 7 (2
x1
4x1 + x2 ), de donde se tiene que 4 x2 5 es una expresión para la
1
7
(2 4x1 + x2 )
solución general de la ecuación lineal 4x1 x2 +7x3 = 2. Ahora, si suponemos
que x1 y x23 son conocidas 3 tenemos que x2 = 4x1 + 7x3 2, de donde se
x1
tiene que 44x1 + 7x3 25 es otra expresión para la solución general de la
x3
ecuación lineal 4x1 x2 + 7x3 = 2. Finalmente, si suponemos que x2 y x3
1.1. SISTEMAS DE ECUACIONES LINEALES 5
son conocidas tenemos

2 3 que x1 = 14 (2 + x2 7x3 ), de donde se tiene que
1
4
(2 + x2 7x3 )
4 x2 5 es también otra expresión para la solución general de la
x3
ecuación lineal 4x1 x2 + 7x3 = 2.
Ejemplo. Hallemos todas las soluciones de la ecuación lineal
3x1 2x2 + 4x3 x4 = 0
tales que x3 = 4.
Solución. 3x1 2x2 + 4x3 x4 = 0 y x3 = 4 implica 3x1 2x2 + 16 x4 =
0, lo cual equivale a que 3x1 2x2 x4 = 16. Si suponemos que x1 y
x2 son conocidas, entonces x4 = 3x1 2x2 + 16. Luego la solución general
2 la ecuación lineal
de 3 3x1 2x2 + 4x3 x4 = 0 sujeta a que x3 = 4 es
x1
6 x2 7
6 7 con x1 ; x2 2 R.
4 4 5
3x1 2x2 + 16
De…nición. Un sistema de ecuaciones lineales con m ecuaciones y n
incógnitas, es una expresión de la forma
8
>
> a11 x1 + a12 x2 + + a1n xn = b1
>
< a21 x1 + a22 x2 + + a2n xn = b2
.. (1.6)
>
> .
>
: a x +a x +
m1 1 m2 2 + amn xn = bm ,
donde aij ; bi 2 R para i = 1; :::; m y j = 1; :::; n. Los aij se denominan

coe…cientes y los b2j términos
3 independientes. Una solución de (1.6)
c1
6 7
es un elemento c = 4 ... 5 2 Rn tal que
cn
8
>
> a11 c1 + a12 c2 + + a1n cn = b1
>
< a21 c1 + a22 c2 + + a2n cn = b2
..
>
> .
>
: a c +a c +
m1 1 m2 2 +a c = b .
mn n m
Es decir, c es solución de cada ecuación del sistema. El sistema (1.6) es

homogéneo si b1 = = bm = 0.
De…nición. Un sistema de ecuaciones lineales es consistente si tiene al

menos una solución.
Ejemplo. Una solución del sistema de ecuaciones lineales

8
< 2x1 + 3x2 2x3 = 1
3x1 + 2x2 + 2x3 = 9
:
4x1 + 4x2 3x3 = 2
2 3
1
es 415, ya que
2
8
< 2(1) + 3(1) 2(2) = 1
3(1) + 2(1) + 2(2) = 9 .
:
4(1) + 4(1) 3(2) = 2
Debemos hacer notar que algunos sistemas de ecuaciones lineales no tienen

solución, este es el caso del sistema
2x1 + 3x2 = 0
;
4x1 + 6x2 = 2
c1
ya que si fuése una solución del sistema se tendría que
c2
2c1 + 3c2 = 0 y 4c1 + 6c2 = 2;
lo cual implica
2c1 + 3c2 = 0 y 2c1 + 3c2 = 1;
y de aquí 0 = 1, lo cual es contradictorio. De otro lado, debemos hacer notar
que los sistemas de ecuaciones lineales homogéneos siempre tienen solución,
ya que al menos tienen la solución trivial que consiste en dar el valor cero
a todas las variables del sistema. Existen también sistemas8de ecuaciones lin-
< 2x1 + 4x2 = 6
eales con exactamente una solución, por ejemplo el sistema 3x1 + 2x2 = 5 ,
:
2x1 4x2 = 2
1.2. SOLUCIÓN DE S.E.L 7
1
tiene como única solución a (dejamos al lector veri…car que lo a…rma-
1
do es correcto). Existen también sistemas de ecuaciones lineales con in…nitas
soluciones, como es el caso del sistema
2x1 + 2x2 3x3 = 1

;
2x1 3x2 + 4x3 = 0
2 1 3
3
10 3
x + 10
no es difícil veri…car que si x3 2 R, entonces 4 7
x
5 3
+ 1
5
5 es solución del
x3
sistema. Finalmente, todo sistema de ecuaciones lineales tiene exactamente
una de las siguientes posibilidades respecto al número de sus soluciones: cero
soluciones, única solución ó in…nitas soluciones. En el capítulo 4 se darán
las justi…caciones al respecto, ya que hasta aquí no se cuentan con las her-
ramientas necesarias.
1.2. Solución de S.E.L

En esta sección daremos ideas su…cientes para resolver cualquier sistema de
ecuaciones lineales.
De…nición. Un sistema de ecuaciones lineales de la forma

8
>
> a11 x1 + a12 x2 + + a1n xn = b1
>
< a22 x2 + + a2n xn = b2
.. (1.7)
>
> .
>
: ann xn = bn ,
donde aii 6= 0 para toda i, es un sistema triangular superior.
El sistema (1.7) tiene exactamente una solución, y esta solución se puede

hallar mediante la aplicación del siguiente algoritmo.
Algoritmo para resolver el sistema triangular superior (1.7)

Entrar n; a11 ; :::; a1n ; b1 ; a22 ; :::; a2n ; b2 ; :::; ann ; bn :

Para i = n; n 1; :::; 1 hacer
!
Xn
x i = bi aij xj aii
j=i+1
Fin
Salida x1 ; x2 ; :::; xn .
Fin.
El algoritmo anterior nos enseña un método para resolver cualquier sistema

de ecuaciones lineales triangular superior, conocido como sustitución re-
gresiva.
Ejemplo. Resolver el siguiente sistema de ecuaciones lineales triangular su-

perior: 8
< 2x1 + 3x2 x3 = 4
4x2 + 5x3 = 2
:
2x3 = 4
Solución.
4
2x3 = 4 implica x3 = = 2.
2
2 5x3 2 5(2)
4x2 + 5x3 = 2 y x3 = 2 implica x2 = = = 2.
4 4
2x1 + 3x2 x3 = 4; x3 = 2 y x2 = 2 implican
4 3x2 + x3 4 3( 2) + (2)
x1 = = = 6.
2 2
Luego la solución del sistema es
2 3
6
4 2 5.
2
De…nición. Dos sistemas de ecuaciones lineales son equivalentes, si tienen

exactamente las mismas soluciones.
Las propiedades de la igualdad permiten realizar algunas operaciones a las

ecuaciones de un sistema para obtener sistemas equivalentes.
De…nición. Las operaciones elementales sobre las ecuaciones de un

sistema de ecuaciones lineales son de los siguientes tres tipos: (Ei repre-
senta la i ésima ecuación del sistema.)
Tipo 1. Intercambio de dos ecuaciones del sistema: Ei ! Ej .
Tipo 2. Multiplicar una ecuación por un escalar no cero: Ei ! cEi .
Tipo 3. Adicionar a una ecuación un múltipliplo de otra: Ei ! cEj + Ei .
Ejemplos.
8 8
< 2x1 + 3x2 2x3 = 1 < 2x1 + 3x2 2x3 = 1
3x1 + 2x2 + 2x3 = 1 E2 ! E3 4x1 + 4x2 3x3 = 2 ,
: :
4x1 + 4x2 3x3 = 2 3x1 + 2x2 + 2x3 = 1
8 8
< 2x1 + 3x2 2x3 = 1 < 6x1 + 9x2 6x3 = 3
3x1 + 2x2 + 2x3 = 1 E1 ! 3E1 3x1 + 2x2 + 2x3 = 1 ,
: :
4x1 + 4x2 3x3 = 2 4x1 + 4x2 3x3 = 2
8 8
< 2x1 + 3x2 2x3 = 1 < 2x1 + 3x2 2x3 = 1
3x1 + 2x2 + 2x3 = 1 E3 ! 2E1 + E3 3x1 + 2x2 + 2x3 = 1 .
: :
4x1 + 4x2 3x3 = 2 2x2 + x3 = 0
Teorema 1.1. Si un sistema de ecuaciones lineales se obtiene a partir de

otro por medio de un número …nito de operaciones elementales, entonces los
dos sistemas son equivalentes.
Demostración. Ejercicio.
En lugar de resolver un sistema de ecuaciones lineales, podemos resolver

cualquier sistema equivalente; ninguna solución se pierde y ninguna solución
nueva aparece. Esta idea tan simple es la que permite resolver de manera sen-
cilla sistemas de ecuaciones lineales. Dado un sistema de ecuaciones lineales
cuya solución se busca, lo transformamos realizando operaciones elementales,
de manera inteligente, en un sistema equivalente más simple que podamos
resolver con facilidad.
Ejemplo. Resolvamos el sistema

8
< 2x1 + x2 + x3 = 1
x1 + 3x2 3x3 = 2 .
:
x1 + 2x2 + 4x3 = 3
En efecto,
8
< 2x1 + x2 + x3 = 1
x1 + 3x2 3x3 = 2
:
x1 + 2x2 + 4x3 = 3
8
< x1 + 3x2 3x3 = 2
E1 ! E2 2x1 + x2 + x3 = 1
:
x1 + 2x2 + 4x3 = 3
8
< x1 + 3x2 3x3 = 2
E2 ! 2E1 + E2
5x2 + 7x3 = 3
E3 ! E1 + E3 :
x2 + 7x3 = 1
8
< x1 + 3x2 3x3 = 2
E2 ! E3 x2 + 7x3 = 1
:
5x2 + 7x3 = 3
8
< x1 + 3x2 3x3 = 2
E3 ! 5E2 + E3 x2 + 7x3 = 1 .
:
28x3 = 8
2 2
Entonces x3 = , x2 = 7x3 1 = 7( ) 1=1 y
7 7
2 1
x1 = 3x2 + 3x3 + 2 = 3(1) + 3( ) + 2 = .
7 7
Así, la solución del sistema es

2 3
1=7
4 1 5.
2=7

8
>
> x1 + 2x2 + 0x3 = 0
>
>
< 2x1 + 0x2 + 4x3 = 0
2x1 + 2x2 + 6x3 = 0 .
>
>
>
> 3x 1 + x2 + 7x3 = 0
:
x1 x2 + x3 = 0
En efecto,
8
>
> x1 + 2x2 + 0x3 = 0
>
>
< 2x1 + 0x2 + 4x3 = 0
2x1 + 2x2 + 6x3 = 0
>
>
>
> 3x1 + x2 + 7x3 = 0
:
x1 x2 + x3 = 0
8
>
> x1 + 2x2 + 0x3 = 0
E2 ! 2E1 + E2 >
>
< 4x2 + 4x3 = 0
E3 ! 2E1 + E3
6x2 + 6x3 = 0
E4 ! 3E1 + E4 >
>
>
> 7x2 + 7x3 = 0
E5 ! E1 + E5 :
x2 + x3 = 0
8
>
> x1 + 2x2 + 0x3 = 0
>
>
< x2 + x3 = 0
E2 ! 41 E2 6x2 + 6x3 = 0
>
>
>
> 7x2 + 7x3 = 0
:
x2 + x3 = 0
8
>
> x1 + 2x2 + 0x3 = 0
>
>
E3 ! 6E2 + E3 < x2 + x3 = 0
E4 ! 7E2 + E4 0 = 0 .
>
>
E5 ! E2 + E5 >
> 0 = 0
:
0 = 0
Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . Así, la solución del sistema es

82 3 9 8 2 3 9
< 2x3 = < 2 =
4 x3 5 : x3 2 R = x3 4 1 5 : x3 2 R .
: ; : ;
x3 1
Ejemplo. Resolver el sistema

8
< x1 + x2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1 :
:
x1 + x2 + 3x3 x4 + 3x5 3x6 = 5
Solución.
8
< x1 + x2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1
:
x1 + x2 + 3x3 x4 + 3x5 3x6 = 5
E2 ! E1 + E2
E3 ! E1 + E3
8
< x1 + x2 + x3 + x4 + x5 + x6 = 1
2x3 2x4 + x5 3x6 = 2
:
2x3 2x4 + 2x5 4x6 = 4
E3 ! E2 + E3
8
< x1 + x2 + x3 + x4 + x5 + x6 = 1
2x3 2x4 + x5 3x6 = 2 .
:
x5 x6 = 2
De donde, x6 = x6 , x5 = x6 + 2, x4 = x4 ,
2x4 x5 + 3x6 + 2 2x4 (x6 + 2) + 3x6 + 2

x3 = = = x4 + x6 ,
2 2
x2 = x2 y
x1 = x2 x3 x4 x5 x6 + 1
= x2 (x4 + x6 ) x4 (x6 + 2) x6 + 1
= x2 2x4 3x6 1.
Luego la solución del sistema es
82 3 9
>
> x2 2x4 3x6 1 >
>
>
>6 7 >
>
>
> x2 >
<6
6
7
7
>
=
6 x4 + x6 7 : x 2 ; x4 ; x6 2 R
>6 x4 7 >
>
>6 7 >
>
>
>4 x6 + 2 5 >
>
>
: >
;
x6
8 2 3 2 3 2 3 2 3 9
>
> 1 2 3 1 >
>
>
> 6 7 6 7 6 7 6 7 >
>
>
> 1 0 0 0 >
< 6 6
7
7
6
6
7
7
6
6
7 6
7 6
7
7
>
=
0 1 1 0
= x2 6
6
7 + x4 6
7 6
7 + x6 6
7 6
7+6
7 6
7 : x 2 ; x 4 ; x6 2 R .
7
>
> 6 0 7 6 1 7 6 0 7 6 0 7 >
>
>
> 4 5 4 5 4 5 4 5 >
>
>
> 0 0 1 2 >
>
: ;
0 0 1 0
Para hallar una solución particular del sistema tenemos que dar valores es-
pecí…cos a x2 , x4 y x6 . Por ejemplo, si x2 = 1, x4 = 1 y x6 = 2, tenemos
entonces que
2 3 2 3 2 3 2 3 2 3
1 2 3 1 6
6 1 7 6 0 7 6 0 7 6 0 7 6 1 7
6 7 6 7 6 7 6 7 6 7
6 0 7 6 1 7 6 1 7 6 0 7 6 1 7
6 7 6 7 + 26 7+6 7=6 7
6 0 7 6 1 7 6 0 7 6 0 7 6 1 7
6 7 6 7 6 7 6 7 6 7
4 0 5 4 0 5 4 1 5 4 2 5 4 4 5
0 0 1 0 2
es una de las in…nitas soluciones del sistema.
8
< x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1 .
:
3x1 + 4x2 x3 = 1
En efecto,
8
< x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1
:
3x1 + 4x2 x3 = 1
8
< x1 x2 5x3 = 0
E2 ! 2E1 + E2
4x2 + 8x3 = 1
E3 ! 3E1 + E3 :
7x2 + 14x3 = 1
8
< x1 x2 5x3 = 0
E3 ! ( 7=4)E2 + E3 4x2 + 8x3 = 1 .
:
0 = 3=4
La tercera igualdad anterior es contradictoria, esto implica que el sistema

que deseamos resolver no tiene solución.
Ejemplo. Un inversionista le comunica a su corredor de bolsa que todas sus

acciones son de tres compañías, A, B y C, y que hace dos días su valor bajó
$350 pero que ayer aumentó $600. El corredor recuerda que hace dos días el
precio de las acciones de la compañia A bajo $1 por acción y el precio por
unidad de las acciones de la compañia B bajaron $0;5, pero que el precio de
las acciones de la compañia C subió $0;5 cada una. También recuerda que
ayer el precio de las acciones de A subió $1;5 por acción, el de las de B bajó
otros $0;5 por acción y las de C subieron $1. Si el inversionista posee 200
acciones de la compañía C, encuentre el número de acciones que posee en las
conpañías A y B.
Solución. Supongamos que hace tres días el inversionista tenía $Z invertidos

en las tres compañias, y que en ese momento cada acción de las compañias
A; B y C tenían respectivamente valores de $ , $ y $ . Supongamos además
que x1 es el número de acciones de la compañía A que posee el inversionista
y que x2 es la cantidad que tiene de acciones en la compañía B. Entonces la
información suministrada nos conduce al sistema de ecuaciones
8
< x1 + x2 + 200 = Z
1 1
( 1)x1 + ( 2
)x2 + ( + 2 )200 = Z 350 ;
:
( 1 + 23 )x1 + ( 1
2
1
2
)x 2 + ( + 1
2
+ 1)200 = Z 350 + 600
1.3. EJERCICIOS 15
de donde, al sustituir Z por x1 + x2 + 200 en las dos últimas ecuaciones

y simpli…car, obtenemos
1
x1 x + 12 200
2 2
= 350
3 1 .
x
2 1
x + 200
2 2
= 600
Este sistema fácil de resolver tiene como solución x1 = 340 y x2 = 220.
1.3. Ejercicios
1. Resolver los siguientes sistemas de ecuaciones lineales:
8
>
> 3x1 + 2x2 2x3 + 5x4 = 1
<
2x1 4x2 3x3 = 0
.
>
> 2x 1 + 6x 2 = 3
:
4x1 = 8
8
>
> x1 4x2 + 5x3 7x4 = 7
<
x2 + 2x3 + 3x4 = 2
.
>
> 3x3 3x4 = 4
:
5x4 = 2
8
>
> 2x3 x4 = 2
<
x1 x2 + 2x3 + 2x4 = 0
.
>
> 3x4 = 6
:
2x2 x3 + 5x4 = 2

8
< 2x1 + x2 + x3 = 1
x1 + 3x2 + x3 = 1 ,
:
2x1 + x2 + 5x3 = 3
8
>
> 3x1 + 2x2 + x3 + 4x4 = 1
<
x1 + x2 + 3x3 2x4 = 1
.
>
> 2x 1 + 3x2 + x3 + 0x4 = 2
:
0x1 + 3x2 + 0x3 + 2x4 = 2
3. Resolver los sistemas de ecuaciones lineales:

8
>
> x1 x2 = 1
>
>
< 2x1 + 2x2 = 6
3x1 3x2 = 6
>
>
>
> 4x1 3x2 = 5
:
5x1 + 0x2 = 10
y
8
< 5x1 + 2x2 + 2x3 + x4 + 2x5 + 3x6 = 0
x1 + 3x2 + x3 + 0x4 + x5 + x6 = 0 .
:
x1 + 2x2 + 4x3 + x4 + x5 + 4x6 = 0

8
>
> 2x1 + x2 + 0x3 = 2
<
x1 + 2x2 x3 = 0
,
>
> 2x 1 + 0x 2 + 2x 3 = 3
:
3x1 + 2x2 + x3 = 4
8
< 3x1 + x2 + 7x3 + 3x4 + 2x5 = 1
x1 + 4x2 5x3 10x4 3x5 = 2 .
:
2x1 + 2x2 + 2x3 2x4 + 0x5 = 5
5. Considere el sistema
8
< 2x1 x2 + 3x3 = a
3x1 + x2 5x3 = b :
:
5x1 5x2 + 21x3 = c
Encuentre condiciones sobre a; b y c para que el sistema sea consistente.
8
< 2x1 + 3x2 x3 = a
x1 x2 + 3x3 = b .
:
3x1 + 7x2 5x3 = c
1.3. EJERCICIOS 17
Encuentre condiciones sobre a; b y c para que el sistema sea inconsistente.
8
< 2x1 3x2 + 5x3 = 0
x1 + 7x2 x3 = 0 .
:
4x1 11x2 + kx3 = 0
¿ para qué valor de k, el sistema tendrá soluciones no triviales ?
8
< x1 + 2x2 + x3 = 1
x1 + x2 = 1 :
:
2x1 + x2 + x3 = 2
Encuentre: a) los valores de y de tal manera que el sistema tenga in…nitas

soluciones. b) los valores de y de tal manera que el sistema tenga solución
única. c) los valores de y de tal manera que el sistema no tenga solución.
9. Para qué valores de k el sistema

8
< x + y + kz = 1
x + ky + z = 1
:
kx + y + z = 2
a) no tiene solución.
b) tiene solución única.
c) tiene in…nitas soluciones.
10. Las edades de Carlos, Pedro y Juan suman el doble de la edad de Carlos,
la diferencia entre las edades de Juan y Pedro es cinco veces menor que la
edad de Carlos, y Pedro tiene seis años menos que Juan. Descubra las edades
de Carlos, Pedro y Juan.
11. Buscar los coe…cientes a; b y c tales que el grá…co de f (x) = ax2 + bx + c

pase por los puntos (1; 2), ( 1; 6) y (2; 1).
12. Resuelva el sistema

8
>
> 2x1 + 2x2 x3 3x4 6x5 x6 = 3
<
3x2 + 2x3 + 4x4 + x5 + 3x6 = 1
:
>
> x4 + 2x5 + 6x6 = 1
:
2x5 3x6 = 2
13. Construya un sistema de ecuaciones lineales de cuatro ecuaciones con

cuatro incognitas, tal que ninguno de sus coe…cientes sea cero y tenga como
única solución a 2 3
1
6 2 7
6 7
4 1 5.
3
Capítulo 2
Matrices
El objetivo de este capítulo es el de estudiar las propiedades básicas de las

principales operaciones algebraicas realizadas con matrices.
2.1. Matrices
Las matrices son una herramienta fundamental para la sistematización de
algunos cálculos laboriosos y almacenamiento de datos. Además, facilitan la
modelación de fenómenos complicados existentes en matemáticas y en otras
áreas del conocimiento.
De…nición. Una Matriz m n con componentes en R, es un arreglo rec-

tangular ordenado de la forma
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A = 6 .. .. . . .. 7 , (2.1)
4 . . . . 5
am1 am2 amn
donde aij 2 R para i = 1; :::; m y j = 1; ::::; n. La …la i de A es
Ai = [ai1 ain ]
y la columna j de A es 2 3
a1j
6 7
A j = 4 ... 5 .
amj
19
20 CAPÍTULO 2. MATRICES
La componente i,j de A es el elemento de R que se encuentra en la in-

tersección de la …la i con la columna j de A. La componente i,j de A se
denotará por aij o por Aij . El tamaño de A es m n y el conjunto de
todas las matrices m n con componentes en R se denotará por Rm n . La
expresión (2.1) se puede compactar como A = [aij ] 2 Rm n . Si A 2 Rn n ,
se dice que A es una matriz cuadrada de orden n. Una matriz con todas
sus componentes iguales a cero se conoce como matriz nula.
Ejemplo. Una matriz general 2 4 es
a11 a12 a13 a14

A= .
a21 a22 a23 a24
Ejemplo. Si 2 3
1 1 2
6 0 5 6 7
A=6
4
7
3 4 2 5
5 5 8
entonces, el tamaño de A es 4 3, la componente 2; 3 de A es A2 3 = 6, la
…la 3 de A es A3 = 3 4 2 y la columna 2 de A es
2 3
1
6 5 7
A2=6 4 4 5.
7
De…nición. Dos matrices A; B 2 Rm n

son iguales si Aij = Bij para toda
i = 1; :::; m y j = 1; :::; n.
2.2. Suma de matrices

De…nición. Si A; B 2 Rm n
, de…nimos la suma de A y B como la matriz
A + B 2 Rm n tal que
(A + B)ij = Aij + Bij
para toda i = 1; :::; m y j = 1; :::; n.

2.3. PRODUCTO POR ESCALAR 21
Ejemplo. 2 3 2 3 2 3
1 4 1 3 2 1
4 0 4 5+4 5 4 5=4 5 8 5.
2 3 1 6 3 9
Teorema 2.1. Sean A; B; C 2 Rm n

. Entonces
1. (A + B) + C = A + (B + C).
2. A + B = B + A.
3. Existe una única matriz 0 2 Rm n

tal que A+0 = A para toda A 2 Rm n
.
4. Para cada matriz A 2 Rm n

existe una única matriz A 2 Rm n
tal que
A + ( A) = 0.
2.3. Producto por escalar

De…nición. Si A 2 Rm n y c 2 R, de…nimos el producto de c por A como
la matriz cA 2 Rm n tal que
(cA)ij = cAij
para toda i = 1; :::; m y j = 1; :::; n. Este producto se conoce como producto

por escalar.
Ejemplo. 2 3 2 3
0 3 2 0 9 6
3 4 1=2 5 6 5 = 4 3=2 15 18 5 .
6 3 8 18 9 24
Teorema 2.2. Sean A; B 2 Rm n

y a; b 2 R. Entonces
1. (ab)A = a(bA).
2. a(A + B) = aA + aB.
3. (a + b)A = aA + bA.
4. 1A = A.
5. ( 1)A = A.
6. 0A = 0.
7. a0 = 0.
Ejemplo. Si
2 3 2 3 2 3
1 2 0 0 1 1
A=4 1 0 5 , B = 4 1 1 5 , C = 4 1 1 5 2 R3 2 ,
3 1 2 2 1 1
entonces
2 3 2 3 2 3
3 6 0 0 1 1
3A + 2B C=4 3 0 5+4 2 2 5+4 1 1 5
9 3 4 4 1 1
2 3
2 5
=4 2 1 5.
6 6
2.4. PRODUCTO DE MATRICES 23
2.4. Producto de matrices

2.4.1. Producto de matrices
De…nición. Sean A = [aij ] 2 Rm n
y B = [bij ] 2 Rn p . Se de…ne el producto
de Ai y B j como
2 3
b1j
6 7
Ai B j = [ai1 ain ] 4 ... 5 = ai1 b1j + + ain bnj .
bnj
Ejemplo. Si
2 3
2 3 4 1
1 2 3
A= yB=4 5 1 0 3 5,
4 5 6
7 5 2 2
entonces
2 3
1
A2 B 4 = 4 5 6 4 3 5 = (4)(1) + (5)(3) + (6)( 2) = 7.
2
De…nición. Sean A 2 Rm n y B 2 Rn p . Se de…ne el producto de A y B

como la matriz AB 2 Rm p tal que
(AB)ij = Ai B j = Ai1 B1j + + Ain bnj .
Ejemplo.
2 3
2 3 1 2 2 3
4 2 0 1 6 7 4 11
3 0 7 4
4 2 3 1 1 56
4 = 10 0 5.
5 1 5
2 5 3 6 16 17
2 3
Nótese que para que el producto AB tenga sentido se requiere que el número
de columnas de A sea igual al número de …las de B. En el evento en que esta
condición no se de, el producto de A por B no se puede realizar.
Respecto a la conmutatividad del producto de matrices podemos decir un

par de cosas: primero, si AB está de…nido y el número de …las de A es igual
al número de columnas de B, entonces BA también está de…nido, pero si
el número de …las de A es distinto del número columnas de A se tiene que
AB y BA tienen tamaños distintos y por tanto nunca podrán ser iguales.
Segundo, si AB y BA están de…nidos y son del mismo tamaño, esto no es
su…ciente para concluir que AB = BA. Ejemplo,
2 32 3 2 3 2 3
1 2 1 2 3 1 7 4 8 1 7 12
4 1 1 3 5 4 2 0 3 5 = 4 3 0 5 5 6= 4 8 4 5 5
2 0 1 1 1 1 5 7 3 2 3 5
2 32 3
2 3 1 1 2 1
= 4 2 0 3 54 1 1 3 5.
1 1 1 2 0 1
Si A 2 Rm n
y B 2 Rn p
tenemos:
Ai B = Ai1 B1 + + Ain Bn ,
AB j = B1j A 1 + + Bnj A n ,
AB = [AB 1 AB p ] ,
2 3
A 1B
6 .. 7
AB = 4 . 5
A mB
y
AB = A 1 B1 + + A n Bn .
La demostración y ejempli…cación de estas propiedades se deja como ejercicio.
Teorema 2.3. Sean A 2 Rm n

y B, C 2 Rn p . Entonces
A(B + C) = AB + AC.
Demostración.
P
n
(A(B + C))ij = Ai (B + C) j = Ai (B j + C j ) = Aik (Bkj + Ckj )
k=1
P
n P
n P
n
= (Aik Bkj + Aik Ckj ) = Aik Bkj + Aik Ckj
k=1 k=1 k=1
= Ai B j + Ai B j = (AB)ij + (AC)ij = (AB + AC)ij .
Teorema 2.4. Sean A, B 2 Rm n

y C 2 Rn p . Entonces
(A + B)C = AC + BC.

, B 2 Rn p
y C 2 Rp q . Entonces
A(BC) = (AB)C.
Demostración.
(A(BC))ij = Ai (BC) j = Ai (BC j ) = Ai (C1j B 1 + + Cpj B p )
= C1j Ai B 1 + + Cpj Ai B p = [Ai B 1 Ai B p ] C j
= (Ai [B 1 B p ])C j = (Ai B)C j
= (AB)i C j = ((AB)C)ij .
De…nición. La matriz In de Rn n
tal que
1 si i = j
(In )ij =
0 si i 6= j
es llamada matriz identidad. El símbolo ei se usará exclusivamente para

representar a la columna i de In .
Teorema 2.6. Sea A 2 Rm n

. Entonces
AIn = A e Im A = A.
Demostración.
(AIn )ij = Ai (In ) j = (A)ij ,
así AIn = A. Además,
(Im A)ij = (Im )i A j = (A)ij ,
en consecuencia Im A = A.

. Entonces
A(In ) j = A j e (Im )i A = Ai .
Demostración. Para k = 1 hasta m
(A(In ) j )k = Ak (In ) j = Akj ,
por tanto A(In ) j = A j . De otro lado, para k = 1 hasta n
((Im )i A)k = (Im )i A k = Aik ,
de donde (Im )i A = Ai .
De…nición. Una matriz P 2 Rn n es una matriz de permutación si un

reordenamiento de sus columnas la convierte en In .
Si i1 , ..., in es un reordenamiento de los números 1, ..., n y P = [ei1 ein ]

es una matriz de permutación, entonces para toda A 2 Rn n se tiene que
AP = A [ei1 ein ] = [Aei1 Aein ] = [A i1 A in ] .
Es decir, el resultado de multiplicar a derecha A por P nos dá como resultado

una matriz con las mismas columnas que A, pero reordenadas correspondi-
entemente como las columnas de In se reordenaron para formar a P.
Ejemplo. Sean
2 3 2 3
1 4 7 0 0 1
A = 4 2 5 8 5 y P = 4 1 0 0 5.
3 6 9 0 1 0
Entonces
2 32 3 2 3
1 4 7 0 0 1 4 7 1
AP = 4 2 5 8 5 4 1 0 0 5 = 4 5 8 2 5 .
3 6 9 0 1 0 6 9 3
Para una matriz A 2 Rn n

se de…nen las potencias enteras no negativas de
A como:
A0 = In
y para k entero positivo
Ak = AA
| {z A} .
k veces
La ley asociativa garantiza que no hay diferencia en el resultado cuando

agrupamos de diferentes maneras por potencias en un producto de la forma
AA A. Por ejemplo,
A5 = AAAAA = AA4 = A4 A = A2 A3 = A3 A2 .
Así, las leyes usuales de los exponentes son ciertas. Es decir, para enteros no
negativos r y s
Ar As = Ar+s y (Ar )s = Ars .
Teorema 2.8. El producto realizable, en cualquier orden, de una matriz por

una matriz nula es una matriz nula.
A diferencia de la multiplicación en R, donde la multiplicación de dos es-

calares no nulos da como resultado un escalar no nulo, en el contexto del
producto de matrices puede ocurrir que el producto de dos matrices no nulas

sea una matriz nula. Por ejemplo,
2 32 3 2 3
3 1 2 3 6 9 0 0 0
4 6 2 4 54 1 2 3 5 = 4 0 0 0 5.
3 1 2 4 8 12 0 0 0
2.4.2. Operaciones elementales de …la y producto de

matrices
De…nición. Sean A 2 Rm n
y c 2 R. Las operaciones elementales de
…las son:
Tipo 1. Intercambio de dos …las: Fi ! Fj .
Tipo 2. Multiplicar una …la por un número no cero: Fi ! cFi .
Tipo 3. Sumar a una …la un multiplo de otra: Fi ! Fi + cFj .
Las operaciones elementales de columnas son:
Tipo 1. Intercambio de dos columnas: Ci ! Cj .
Tipo 2. Multiplicar una columna por un número no cero: Ci ! c Ci .
Tipo 3. Sumar a una columna un multiplo de otra: Ci ! Ci + c Cj .
Ejemplo. Sea 2 3
1 2 3 4
A=4 1 0 3 2 5 2 R3 4 .
2 2 0 3
Entonces
2 3 2 3
1 2 3 4 2 2 0 3
4 1 0 3 2 5 F1 ! F3 4 1 0 3 2 5,
2 2 0 3 1 2 3 4
2 3 2 3
1 2 3 4 1 2 3 4
4 1 0 3 2 5 F2 ! 3F2 4 3 0 9 6 5,
2 2 0 3 2 2 0 3
2 3 2 3
1 2 3 4 1 2 3 4
4 1 0 3 2 5 F3 ! F3 + ( 2)F2 4 1 0 3 2 5.
2 2 0 3 4 2 6 7
De…nición. Una matriz elemental en Rn n es cualquier matriz que resulta

de realizar una sola operación elemental de …la ó una sola operación elemental
de columna a In .
Ejemplo. La matriz 2 3
1 0 0
E = 4 0 1 0 5 2 R3 3
0 3 1
es elemental, ya que
I3 F3 ! F3 + 3F2 E:

,c2R f0g y E1 , E2 , E3 tales que
Im Fi ! Fj E1 ,
Im Fi ! cFi E2 ,
Im Fi ! Fi + cFj E3 .
Entonces
1. A Fi ! Fj E1 A.
2. A Fi ! cFi E2 A.
3. A Fi ! Fi + cFj E3 A.
Ejemplo. Si 2 3
1 2 2
A = 4 3 1 2 5 2 R3 3 ,
2 3 1
entonces
2 3 2 3
7 4 6 1 2 0
A F1 ! F1 + 2F2 4 3 1 2 5 = 4 0 1 0 5 A.
2 3 1 0 0 1
Donde 2 3
1 2 0
I3 F1 ! F1 + 2F2 4 0 1 0 5.
0 0 1
2.5. Traspuesta y traza de una matriz

2.5.1. Traspuesta de una matriz
De…nición. Si A 2 Rm n
, se de…ne la traspuesta de A como la matriz
AT 2 Rn m , tal que
(AT )ij = Aji
para i = 1; :::; n y j = 1; :::; m.
Ejemplo. Si
2 3
1 2
1 3 7
A = 4 3 5 5 2 R3 2 , entonces AT = 2 R2 3 .
2 5 9
7 9

y c 2 R. Entonces
1. (AT )T = A.
2. (A + B)T = AT + BT .
3. (cA)T = cAT .
4. Si C 2 Rn p , entonces (AB)T = BT AT .
2.6. DETERMINANTE DE UNA MATRIZ 31
De…niciones. Una matriz A 2 Rn n

es simétrica si AT = A y A es
antisimétrica si A = AT .
2.5.2. Traza de una matriz

De…nición. Sea A 2 Rm n . La diagonal principal de A es la diagonal de
A constituida por todos los elementos Aii .
De…nición. Sea A 2 Rn n
. La traza de A se de…ne como
tr(A) = A11 + + Ann .
Teorema 2.11. Sean A; B; P 2 Rn n

y c 2 R. Entonces
1. tr(A + B) = tr(A) + tr(B).
2. tr(cA) = c tr(A).
3. tr(AB) = tr(BA).
4. tr(A) = tr(AT ).
5. tr(AT A) = a211 + + a21n + + a2n1 + + a2nn :
Demostración. Ejercicico.
2.6. Determinante de una matriz

En esta sección presentaremos las principales propiedades del determinante
de una matriz y aplicaremos esas propiedades en su cálculo.
En esta sección el símbolo Jn representará siempre al conjunto f1, ..., ng.

2.6.1. Permutaciones
De…nición. Una permutación de Jn es una biyección de Jn en Jn .
Una permutación de Jn se acostumbra a representar por
1 2 n
=
(1) (2) (n)
o por la notación más compacta
= (1) (2) (n) .
El conjunto de todas las permutaciones de Jn se denotará por Sn . No es difícil

probar que Sn tiene exactamente n! elementos, donde n! = n(n 1) (2)(1).
De…nición. Sea = ( (1) (2) (n)) una permutación de Jn . Se de…ne

el signo de como + si el número mínimo de intercambios de elementos
consecutivos que se le pueden realizar a la lista
(1) (2) (n)
para convertirla en
12 n
es un número par. En caso distinto tiene signo . Denotaremos el signo

de por sgn( ).
Ejemplo. Hallemos el signo de cada permutación en S3 .

Si 1 = (1 2 3), entonces sgn( 1 ) = +
Si 2 = (1 3 2), entonces sgn( 2 ) =
Si 3 = (2 1 3), entonces sgn( 2 ) =
Si 4 = (2 3 1), entonces sgn( 4 ) = +
Si 5 = (3 1 2), entonces sgn( 5 ) = +
Si 6 = (3 2 1), entonces sgn( 6 ) = .
2.6.2. Determinante de una matriz

De…nición. Sea A = [aij ] 2 Rn n . Se de…ne el determinante de A como
X
det(A) = sgn( ) a1 (1) a2 (2) an (n) . (2.2)
2Sn
Ejemplo. Hallemos el determinante de A = [aij ] 2 R3 3 .
Como signo de (1 2 3), (2 3 1) y (3 1 2) es + y signo de (1 3 2), (2 1 3) y

(3 2 1) es . Entonces
det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a11 a23 a32 a12 a21 a33 a13 a22 a31 .

En particular, si 2 3
1 2 3
A=4 4 5 6 5
7 8 9
tenemos que
det(A) = (1)(5)(9) + (2)(6)(7) + (3)(4)(8) (1)(6)(8) (2)(4)(9)
(3)(5)(7) = 45 + 84 + 96 48 72 105 = 0.
Teorema 2.12. Sea A 2 Rn n

tal que A tiene una …la o una columna nula.
Entonces det(A) = 0.
De…nición. Una matriz T = [tij ] 2 Rm n es triangular superior si tij = 0

siempre que i > j y es triangular inferior si tij = 0 siempre que i < j.
T es triangular si es triangular superior o bien triangular inferior. T es
diagonal si es, al mismo tiempo, triangular superior e inferior. Una matriz
diagonal D = [dij ] 2 Rm n se representará algunas veces por el símbolo
diag(d11 , ..., dtt ), donde t es el mínimo entre m y n.
Nótese que si A = [aij ] 2 Rn n y 2 Sn , entonces en la lista a1 (1) , ...,

an (n) hay exactamente un elemento de cada …la y cada columna de A. Este
hecho implica que el determinante de una matriz triangular n n sea fácil
de calcular.
Teorema 2.13. Sea T 2 Rn n

triangular. Entonces
Y
n
det(T) = Tii .
i=1
Como un caso especial tenemos, que por ser In una matriz triangular,
det(In ) = 1 1 = 1.
Ejemplo. Por ser triangular superior, el determinante de la matriz

2 3
1 2 0
T=4 0 2 1 5
0 0 4
es igual a
(T)11 (T)22 (T)33 = ( 1)(2)(4) = 8.

. Entonces det(A) = det(AT ).
A continuación dedicaremos un espacio a estudiar la relación existente entre

el determinante de una matriz y las operaciones elementales de …la.
Teorema 2.15. Sean A; B 2 Rn n

tales que A Fi ! Fj B. Entonces
det(A) = det(B).
Teorema 2.16. Sean A; B 2 Rn n tales que A Fi ! cFi B para cierto

c 2 R. Entonces
det(B) = c det(A).
Teorema 2.17. Sean A 2 Rn n , i; j 2 f1; :::; ng con i 6= j, c 2 R y A

Fi ! Fi + cFj B. Entonces det(A) = det(B).
Veamos otras propiedades importantes del determinante.

tal que su …la i es igual a su …la j. Entonces
det(A) = 0.
Teorema 2.19. Sean A; B 2 Rn n

. Entonces
det(AB) = det(A) det(B).

Una combinación de los Teoremas 2.13, 2.15, 2.16 y 2.17, nos permitirá cal-
cular el determinante de cualquier matriz de una manera bastante sencilla.
En el siguiente ejemplo damos una pequeña muestra de este hecho.
Ejemplo. Calcule el determinante de la matriz

2 3
2 2 6
A= 24 2 4 5.
3 4 6
Por Teorema 2.16

02 31 02 31
2 2 6 1 1 3
det @4 2 2 4 5A = 2 det @4 2 2 4 5A ,
3 4 6 3 4 6
por aplicación reiterada del Teorema 2.17

02 31 02 31
1 1 3 1 1 3
det @ 4 2 2 4 5 A = det @ 4 0 0 2 5A ,
3 4 6 0 1 3
por Teorema 2.15

02 31 02 31
1 1 3 1 1 3
det @4 0 0 2 5A = det @4 0 1 3 5A
0 1 3 0 0 2
y por Teorema 2.13

02 31
1 1 3
det @4 0 1 3 5A = (1)(1)(2).
0 0 2
Luego
det(A) = (2)( 1)(1)(1)(2) = 4.
El resultado que presentaremos a continuación nos muestra la linealidad del

determinante respecto a las …las de matrices.
Teorema 2.19. Sean A 2 Rn n

y x1 ; x2 ; :::; xk 2 Rn tales que
Ai = xT1 + xT2 + + xTk .
Entonces
2 3 2 3 2 3
A1 A1 A1
6 .. 7 6 .. 7 6 .. 7
6 . 7 6 . 7 6 . 7
6 7 6 7 6 7
det(A) = det(6 xT1 7) + det(6 xT2 7) + + det(6 xTk 7).
6 . 7 6 . 7 6 . 7
4 .. 5 4 .. 5 4 .. 5
An An An
Nótese que si A = [aij ] 2 Rn n

tenemos
Ai = ai1 eT1 + ai2 eT2 + + ain eTn .
Entonces, por Teorema 2.19,

2 3 2 3 2 3
A1 A1 A1
6 .. 7 6 .. 7 6 .. 7
6 . 7 6 . 7 6 . 7
6 T 7 6 7 6 7
det(A) = ai1 det(6 e1 7) + ai1 det(6 eT2 7) + + ain det(6 eTn 7).
6 . 7 6 . 7 6 . 7
4 .. 5 4 .. 5 4 .. 5
An An An
Si A 2 Rn n , el símbolo A(i=j) representará la matriz n 1 n 1 que se

obtiene al eliminar de A la …la i y la columna j.
El teorema que presentamos a continuación nos proporciona 2n fórmulas para

calcular el determinante de una matriz n n.
Teorema 2.20. Sea A = [aij ] 2 Rn n

. Entonces para i = 1; :::; n y j =
1; :::; n
det(A) = ai1 ( 1)i+1 det(A(i=1)) + + ain ( 1)i+n det(A(i=n)).

det(A) = a1j ( 1)1+j det(A(1=j)) + + anj ( 1)n+j det(A(n=j)).
2.7. Inversa de una matriz

Esta sección está dedicada al estudio de las principales propiedades de las
matrices invertibles, a determinar cuando una matriz es invertible y al cálculo
de la inversa de matrices invertibles.
De…nición. Sea A 2 Rm n una inversa a izquierda de A es una matriz

B 2 Rn m tal que BA = In . una inversa a derecha de A es una matriz
C 2 Rn m tal que AC = Im .

con inversa a izquierda B e inversa a derecha
C. Entonces B = C.
Demostración.
B = BIm = B(AC) = (BA)C = In C = C.
De…nición. Una matriz A 2 Rn n es invertible si existe una matriz B 2

Rn n tal que AB = In = BA. En tal caso B es una inversa de A.

invertible. Entonces A tiene a lo más una
inversa.
Demostración. Supongamos que B y C son inversas de A, entonces en

particular B es inversa a izquierda de A y C es inversa a derecha de A,
luego por Teorema 2.21 B = C.
Puesto que una matriz A 2 Rn n puede tener a lo más una inversa, es

conveniente tener un símbolo para representar la inversa de A cuando exista,
el símbolo que usaremos será A 1 .
2.7. INVERSA DE UNA MATRIZ 39
Ejemplo. La matriz invertible

2 3 2 3
2 4 6 16 14 6
4 14
A= 4 5 6 5 tiene como inversa a A 1
= 26 22 12 5 .
6
3 1 2 11 10 6
Teorema 2.23. Si A; B 2 Rn n
son tales que AB = In . Entonces B = A 1 .
Demostración. Sea C = BA In + B. Entonces
AC = ABA AIn + AB = A A + In = In .
Luego, C es también una inversa a derecha de A. Por Teorema 2.21 B = C,

por tanto
BA = C + In B = B + In B = In
y así, B = A 1 .
Teorema 2.24. Si A; B 2 Rn n
son matrices invertibles, entonces AB es
también invertible.
Demostración.
AB(B 1 A 1 ) = A(BB 1 )A 1
= AIn A 1
= AA 1
= In .
Además,
(B 1 A 1 )AB = B 1 (A 1 A)B = B 1 In B = B 1 B = In .
1
Luego AB es invertible y (AB) = B 1A 1.
El teorema que sigue da una condición su…ciente y necesaria para que una
matriz sea invertible.
Teorema 2.25. Sea A 2 Rn n . Entonces A es invertible si, y sólo si,

det(A) 6= 0 (o equivalentemente, A es no invertible si, y sólo si, det(A) = 0).

invertible. Entonces
det(A 1 ) = (det(A)) 1 .
Teorema 2.27. Toda matriz elemental es invertible. Aún más, la inversa

de una matriz elemental es una matriz elemental del mismo tipo. Es decir,
si E es una matriz elemental de …la de tipo 1, entonces E 1 es una matriz
elemental de …la de tipo 1, etc.

tal que A tiene una columna nula. Entonces
A no es invertible.
Teorema 2.29. Sea A 2 Rn n una matriz invertible. Entonces A se puede

expresar como producto de matrices elementales …la.
Teorema 2.30. Sea A 2 Rn n una matriz no invertible. Entonces A se

puede expresar como producto de matrices elementales …la por una matriz
triangular.
Ejemplo. La matriz invertible

2 3
1 2 1
A=4 1 0 2 5
3 1 1
se deja expresar como el producto E1 E2 E7 E8 de matrices elementales,

2.7. INVERSA DE UNA MATRIZ 41
donde
2 3 2 3 2 3
1 0 0 1 0 0 1 0 0
E1 = 4 1 1 0 5 , E2 = 4 0 1 0 5 , E3 = 4 0 2 0 5
0 0 1 3 0 1 0 0 1
2 3 2 3 2 3
1 0 0 1 2 0 1 0 0
E4 = 4 0 1 0 5 , E5 = 4 0 1 0 5 , E6 = 4 0 1 0 5
11
0 5 1 0 0 1 0 0 2
2 3 2 3
1 0 2 1 0 0
4
E7 = 0 1 0 5 y E8 = 4 0 1 32 5 .
0 0 1 0 0 1
El Teorema 2.32 nos garantiza que si A 2 Rn n es invertible, entonces existen

matrices elementales …la E1 , ..., Ep tales que
A = E1 Ep .
Pero
A = E1 Ep =) Ep 1 E1 1 A = In
=) A 1
= Ep 1 E1 1
=) A 1
= Ep 1 E1 1 In
Concluimos de lo anterior que A 1 se puede hallar realizando a In , de manera

ordenada, las mismas operaciones elementales de …la que se le realizan a A
para convertirla en In .
Ejemplo. Hallemos la inversa de la matriz invertible

2 3
1 0 0
A=4 1 2 0 5.
3 0 1
En efecto,
2 3 2 3
1 0 0 1 0 0 1 0 0 1 0 0
4 1 2 0 0 1 0 5 F2 ! F2 + F1 4 0 2 0 1 1 0 5
3 0 1 0 0 1 3 0 1 0 0 1
2 3
1 0 0 1 0 0
F3 ! F3 3F1 4 0 2 0 1 1 0 5
0 0 1 3 0 1
2 3
1 0 0 1 0 0
F2 ! 12 F2 4 0 1 0 1 1
0 5.
2 2
0 0 1 3 0 1
Así,
2 3
1 0 0
A 1
=4 1
2
1
2
0 5.
3 0 1
Teorema Sea A 2 Rn n
invertible. Entonces AT es invertible y
(AT ) 1
= (A 1 )T .
simétrica e invertible. Entonces A 1
es simétrica.
antisimétrica e invertible. Entonces A 1
es anti-
simétrica.
2.8. SISTEMAS DE ECUACIONES LINEALES Y MATRICES 43
2.8. Sistemas de ecuaciones lineales y matri-

ces
Un sistema de ecuaciones lineales con coe…cientes en R
a11 x1 + a12 x2 + + a1n x1 = b1
a21 x1 + a22 x2 + + a2n x1 = b2
..
.
am1 x1 + am2 x2 + + amn x1 = bm ,
se puede expresar de forma matricial como
Ax = b,
donde
2 3 2 3 2 3
a11 a1n x1 b1
6 .. .. 7 2 Rm 6 7 6 .. 7 2 Rm .
A=4 . ...
. 5
n
, x = 4 ... 5 2 Rn y b = 4 . 5
am1 amn xn bm
Teorema 2.31. Sea A 2 Rn n . Entonces A es invertible (resp. no invertible)

si, y sólo si, el sistema homogéneo de ecuaciones lineales Ax = 0 tiene sólo
la solución trivial (resp. soluciones no triviales).
Teorema 2.32. Sea A 2 Rn n . Entonces A es invertible (resp. no invertible)

si, y sólo si, para todo b 2 Rn el sistema de ecuaciones lineales Ax = b tiene
única solución (resp. in…nitas soluciones o no tiene solución).
2.9. Ejercicios
1. Calcule 2 3 2 3
1 2 3 2 3 1
4 4 5 6 5+4 0 3 2 5
7 8 9 5 2 6
2. Construya un algoritmo para la suma de matrices m n.
3. Calcule
2 3 4
3 .
1 0 5
4. Construya un algoritmo para la multiplicación de un escalar por una matriz

m n.
5. Calcule 2 3
1 5 0 2
2 3 3 4 3 7 6 1 5.
8 1 5
6 0 2 4
6. Construya un algoritmo para la multiplicación de una matriz m n por

una matriz n p.
7. Halle el signo de todas las permutaciones en S4 .
8. Construya un algoritmo para calcular el determinantes de una matriz n n.
9. Utilice la fórmula (2.2) para hallar el determinante de A = [aij ] 2 R4 4 .
10. Halle el determinante de la matriz

2 3
1 2 1 3
6 2 1 0 4 7
6 7
4 3 2 3 1 5
2 0 1 5
utilizando la fórmula obtenida en el Ejercicio 9 y después utilizando sólo los
Teoremas 2.13, 2.15, 2.16 y 2.17.
11. Calcule el determinante de las matrices

2 3 2 3 2 3
1 1 3 1 2 3 1 3 7
4 2 5 0 5, 4 4 5 6 5, 4 4 4 5 5
2 4 3 7 8 9 3 7 2
2.9. EJERCICIOS 45
2 3
1 2 3 5
6 2 3 5 7 7
6 7.
4 2 4 2 0 5
3 4 1 0
12. Sean A 2 Rn n
y c 2 R. Demuestre que det(cA) = cn det(A).
13. Una matriz A 2 Rn n

es una matriz de bloques si tiene la forma
2 3
A1
6 .. 7
A=4 . 5
At
con t > 1, Ai 2 Rni ni para i = 1, ..., n, n1 + n2 + + nt = n, las diagonales

principales de las Ai están sobre la diagonal principal de A y las componentes
de A que no están en ninguna Ai son cero. Cada Ai se dice un bloque de
A. Demuestre que
Yt
det(A) = det(Ai ).
i=1
14. Si 2
3
3 6 7
A = 4 0 2 0 5,
1 1 2
2 3
2 5=2 7
veri…que que A 1
=4 0 1=2 0 5.
1 3=2 3
15. Halle la inversa de las matrices
2 3 2 3
1 2 3 4 3 4 2 1
6 1 1 0 0 7 6 2 3 5 1 7
A=6 4 2 3
7 y B=6 7.
1 2 5 4 0 4 7 0 5
0 2 0 3 1 4 2 2
16. Demuestre que si A 2 Rn n

es tal que tiene una …la nula, entonces A es
no invertible.
17. Demuestre que si A 2 Rn n

es invertible, entonces A 1
es invertible y
que (A 1 ) 1 = A.
18. Sean c 2 R f0g y A 2 Rn n

invertible. Demuestre que cA es invertible
y que (cA) 1 = c 1 A 1 .
19. Halle A y B matrices invertibles en R3 3

tales que A+B no sea invertible.
20. Sean A 2 Rn n invertible y m un entero positivo. Demuestre que Am es

invertible y que (Am ) 1 = (A 1 )m .
21. Demuestre que la inversa de una matriz triangular superior (respecti-

vamente, triangular inferior o diagonal) n n invertible, es una matriz del
mismo tipo.
22. Sean A; B 2 Rn n
matrices simétricas. Demuestre que A + B es también
simétrica.
23. Sean A; B 2 Rn n matrices simétricas. Demuestre que AB es simétrica

si, y sólo si AB = BA.
24. Sea A 2 Rn n
. Demuestre que si A es antisimétrica, entonces Aii = 0
para toda i.
25. Sea A 2 Rn n . Demuestre que A + AT es simétrica y que A AT es

antisimétrica. Demuestre además que A puede escribirse de manera única
como la suma de una matriz simétrica y una matriz antisimétrica.
26. Escriba la matriz 2 3

2 3 4
4 2 1 0 5
3 2 1
como la suma de una matriz simétrica y una matriz antisimétrica.
27. Sea A 2 Rn n . Demuestre que si A es antihermitiana, entonces Aii es

un número imaginario puro para toda i.
2.9. EJERCICIOS 47
28. Demuestre que no existen matrices A; B 2 Rn n

tales que
AB BA = In .
Ayuda: piense en las trazas.
29. Halle la traza de la matriz

2 3
1 2 1
A=4 2 3 2 5.
1 0 5
30. Sean A 2 Rn n
y P 2 Rn n
invertible. Demuestre que
tr(P 1 AP) = tr(A).

es ortogonal si A es invertible y
AT = A 1 .
Demuestre que las matrices

2 3
3 4
2 3 6 0 0 7 2 3
1 2 2 6 5 5 7 0 0 1
14 6 4 3
2 2 2 5, 6 0 0 7
7 y 4 0 1 0 5
3 6 5 5 7
2 1 2 4 0 0 1 0 5 1 0 0
0 0 0 1
son ortogonales.
32. Sea A 2 Rn n
. Demuestre que A es ortogonal si y sólo si AT es ortogonal.
33. Sea A 2 Rm n
. Demuestre que A = 0 si y sólo si tr(AT A) = 0:
34. Sea A 2 Rm n
. Demuestre que A = 0 si y sólo si AT A = 0:
35. Sean A 2 Rm n
y B,C 2 Rn p . Demuestre que AB = AC si y sólo si
AT AB = AT AC.
36. Sean A 2 Rm n y B,C 2 Rn p . Demuestre que BAT = CAT si y sólo si

BAT A = CAT A.
37. Sean A 2 Rm n
, B 2 Rn p
y C 2 Rp m
. Demuestre que
tr(ABC) = tr(CAB) = tr(BCA):
38. Sean A 2 Rm n
, B 2 Rn p
y C 2 Rp m
. Demuestre que
tr(ABC) = tr(BT AT CT ) = tr(AT CT BT ):
39. Sean A,B,C 2 Rn n

matrices simétricas. Demuestre que
tr(ABC) = tr(BAC):
Demuestre además que si las matrices no son simétricas tr(ABC) no es

necesariamente igual a tr(BAC):
40. Sea A 2 Rn n
tal que AT A = A2 . Demuestre que
tr[(A AT )T (A AT )] = 0
y que A es simétrica.
Capítulo 3
Espacios vectoriales
En este capítulo se de…nirán y analizarán los espacios vectoriales y algunos

de los principales objetos matemáticos relacionados con estos.
3.1. Espacios vectoriales

De…nición. Un espacio vectorial sobre R consta de lo siguiente:
1. Un conjunto no vacío V de objetos llamados vectores.
2. Una operación llamada suma de vectores, que asigna a cada par de

vectores x; y de V un vector x + y de V , llamado la suma de x y y; tal que:
(a) x + y = y + x 8x; y 2 V .
(b) x + (y + z) = (x + y) + z 8x; y; z 2 V .
(c) Existe un vector 0 de V , tal que x + 0 = x para todo x 2 V .
(d) Para cada x 2 V , existe un único vector x 2 V , tal que x + ( x) = 0.
3. Una operación, llamada multiplicación por escalar, que asocia a cada

escalar c 2 R y cada vector x 2 V un vector cx 2 V , tal que:
(e) 1x = x para todo x 2 V .
(f ) (c1 c2 )x = c1 (c2 x) para todo c1 ; c2 2 R y todo x 2 V .
(g) c(x + y) = cx + cy para toda c 2 R y todas las x; y 2 V .
(h) (c1 + c2 )x = c1 x + c2 x para todas las c1 ; c2 2 R y toda x 2 V .
49
50 CAPÍTULO 3. ESPACIOS VECTORIALES
Debió notar que un espacio vectorial costa de un conjunto no vacío V y de

dos operaciones algebraicas (suma de vectores y producto por escalar). Pero
cuando se habla en abstracto o se tiene claridad absoluta de cuales son las
operaciones de suma y producto por escalar que se están considerando, es
común referirse al conjunto V como espacio vectorial.
Ejemplo. Rn con las operaciones
n n
+ : 2 R 3 2R 3 ! 2 Rn 3
x1 y1 x1 + y1
6 .. 7 6 .. 7 6 .. 7
(4 . 5 ; 4 . 5) 7 ! 4 . 5
xn yn xn + yn
y
: R2 Rn3 ! 2 Rn 3
x1 cx1
6 .. 7 6 .. 7
(c; 4 . 5) 7 ! 4 . 5
xn cxn
es un espacio vectorial sobre R. Veamoslo: sean

2 3 2 3 2 3
x1 y1 z1
6 7 6 .. 7 , z = 6 .. 7 en Rn y c; c ; c 2 R, entonces
x = 4 ... 5 , y = 4 . 5 4 . 5 1 2
xn yn zn
(a)
2 3 2 3 2 3
x1 y1 x1 + y1
6 7 6 .. 7 = 6 7
x + y = 4 ... 5 + 4 . 5 4
..
. 5
xn yn xn + yn
2 3 2 3 2 3
y1 + x1 y1 x1
6 .. 7 6 .. 7 + 6 .. 7 = y + x.
= 4 . 5=4 . 5 4 . 5
yn + xn yn xn
3.1. ESPACIOS VECTORIALES 51
(b)
2 3 02 3 2 31 2 3 2 3
x1 y1 z1 x1 y1 + z1
6 7 B6 .. 7 + 6 .. 7C = 6 .. 7 + 6 7
x + (y + z) = 4 ... 5 + @4 . 5 4 . 5A 4 . 5 4
..
. 5
xn yn zn xn yn + zn
2 3 2 3
x1 + (y1 + z1 ) (x1 + y1 ) + z1
6 .. 7 6 .. 7
= 4 . 5=4 . 5
xn + (yn + zn ) (xn + yn ) + zn
2 3 2 3 02 3 2 31 2 3
x1 + y1 z1 x1 y1 z1
6 .. 7 6 .. 7 = B6 .. 7 + 6 .. 7C + 6 .. 7
= 4 . 5+4 . 5 @4 . 5 4 . 5A 4 . 5
xn + yn zn xn yn zn
= (x + y) + z.
2 3
0
6 .. 7
(c) Sea 0 = 4 . 5, entonces
0
2 3 2 3 2 3 2 3
x1 0 x1 + 0 x1
6 7 6 7 6 7 6 .. 7
x + 0 = 4 ... 5 + 4 ... 5 = 4 ..
. 5 = 4 . 5 = x.
xn 0 xn + 0 xn
2 3
x1
6 7
(d) Sea x = 4 ... 5, entonces
xn
2 3 2 3 2 3 2 3
x1 x1 x1 + ( x1 ) 0
6 .. 7 6 .. 7 6 .
.. 7 6 . 7
x + ( x) = 4 . 5 + 4 . 5 = 4 5 = 4 .. 5 = 0.
xn xn xn + ( xn ) 0
(e) 2 3 2 3 2 3
x1 1x1 x1
6 7 6 7 6 .. 7 = x.
1x = 1 4 ... 5 = 4 ... 5 = 4 . 5
xn 1xn xn
(f )
2 3 2 3 2 3
x1 (c1 c2 )x1 c1 (c2 x1 )
6 7 6 7 6 7
(c1 c2 )x = (c1 c2 ) 4 ... 5 = 4 ..
. 5=4
..
. 5
xn (c1 c2 )xn c1 (c2 xn )
2 3 0 2 31
c2 x1 x1
6 7 B 6 .. 7C = c (c x).
= c1 4 ... 5 = c1 @c2 4 . 5A 1 2
c2 xn xn
(g)
02 3 2 31 2 3 2 3
x1 y1 x1 + y1 c(x1 + y1 )
B6 7 6 .. 7C = c 6 7 6 7
c(x + y) = c @4 ... 5 + 4 . 5A 4
..
. 5=4
..
. 5
xn yn xn + yn c(xn + yn )
2 3 2 3 2 3 2 3 2 3
cx1 + cy1 cx1 cy1 x1 y1
6 .. 7 6 .. 7 6 .. 7 6 . 7 6 . 7
= 4 . 5 = 4 . 5 + 4 . 5 = c 4 .. 5 + c 4 .. 5
cxn + cyn cxn cyn xn yn
= cx + cy.
(h)
2 3 2 3 2 3
x1 (c1 + c2 )x1 c1 x1 + c2 x1
6 7 6 7 6 7
(c1 + c2 )x = (c1 + c2 ) 4 ... 5 = 4 ..
. 5=4
..
. 5
xn (c1 + c2 )xn c1 xn + c2 xn
2 3 2 3 2 3 2 3
c1 x1 c2 x1 x1 x1
6 7 6 7 6 .. 7 + c 6 .. 7 = c x + c x.
= 4 ... 5 + 4 ... 5 = c1 4 . 5 24 . 5 1 2
c1 xn c2 xn xn xn
Ejemplo. Rm n con las operaciones suma de matrices y producto por escalar

de…nidos en el Capítulo 2 es un espacio vectorial.
3.1. ESPACIOS VECTORIALES 53
Ejemplo. El conjunto, Pn , de todos los polinomios en la variable x, con

coe…cientes en R y grado menor o igual a n, es un espacio vectorial sobre
R con las operaciones: suma ordinaria de polinomios y producto por escalar
de…nido como
c(a0 + a1 x + + an xn ) = ca0 + ca1 x + + can xn
para toda c 2 R y todo a0 + a1 x + + an x n 2 P n .
Ejemplo. Sea S un subconjuto no vacío de R. Si V es el conjunto formado

por todas las funciones de S en R, entonces:
Si f; g 2 V se de…ne f + g como
f +g : S ! R
:
s 7 ! f (s) + g(s)
Si f 2 V y c 2 R se de…ne cf como
cf : S ! R
.
s 7 ! cf (s)
Entonces V junto las operaciones
+ : V V ! V
(f; g) 7 ! f +g
y
: R V ! V
;
(c; f ) 7 ! cf
es un espacio vectorial.
Teorema 3.1. Los vectores 0 y x a los que se hace referencia en la de…ni-

ción de espacio vectorial son únicos.
Demostración. Ejercicio que debe parecer trivial a aquellos que ya realizan

pequeñas demostraciones.
El vector 0 es llamado el vector cero o vector nulo.

3.2. Subespacios
De…nición. Sea W un subconjunto no vacío de un espacio vectorial V sobre
R. Si W es también un espacio vectorial sobre R con la suma de vectores y
multiplicación por escalar de…nidas en V y restringidas a W , entonces W
es llamado un subespacio de V .
Teorema 3.2. Un subconjunto no vacío W de un espacio vectorial V es un

subespacio de V si y sólo si para todo x; y 2 W y todo c 2 R
cx + y 2 W .
Demostración. Ejercicio para los que gustan de las demostraciones matemáti-
cas sencillas.
V y f0g son subespacios de V . Estos subespacios son llamados los subespa-

cios triviales de V .
Ejemplo. A…rmamos que el conjunto

82 3 9
< x =
W = 4 y 5 : 2x + 3y 5z = 0
: ;
z
2 3
0
es un subespacio de R . En efecto, 0 5 2 W (lo que implica que W es no
3 4
2 3 2 3 0
x1 x2
vacío). Si y1 , y2 5 2 W y r 2 R, entonces
4 5 4
z1 z2
2x1 + 3y1 5z1 = 0, 2x1 + 3y1 5z1 = 0;
2 3 2 3 2 3
x1 x2 rx1 + x2
r 4 y1 5 + 4 y2 5 = 4 ry1 + y2 5
z1 z2 rz1 + z2
y
2(rx1 + x2 ) + 3(ry1 + y2 ) 5(rz1 + z2 ) = r(2x1 + 3y1 5z1 ) + (2x1 + 3y1 5z1 )
= r(0) + (0) = 0.
3.2. SUBESPACIOS 55
2 3 2 3
x1 x2
Luego, r 4 y1 5 + 4 y2 5 2 W . Por Teorema 3.2 W es subespacio de R3 .
z1 z2
El ejemplo anterior se puede generalizar. El lector no tendrá di…cultad en
veri…car, usando el Teorema 3.2, que dados a1 ; :::; an 2 R
82 3 9
>
< x1 >
=
6 .. 7
W = 4 . 5 : a1 x 1 + + an x n = 0
>
: x >
;
n
es un subespacio de Rn .
De…nición. Sean V un espacio vectorial y
S = fx1 ; :::; xr g
un subconjunto de V . Una combinación lineal de los vectores de S es

cualquier vector x 2 V que se deja expresar en la forma
x = c1 x1 + + cr xr ;
donde los ci 2 R. El conjunto de todas las combinaciones lineales de elemen-

tos de S se conoce como el generado de S y se denotará por el símbolo
gen(S).
2 3
3
Ejemplo. El vector 4 12 5 es combinación lineal del conjunto de vectores
3
(o simplemente, es combinación lineal de los vectores)
82 3 2 3 2 39
< 1 3 2 =
4 1 5;4 0 5;4 2 5 ,
: ;
2 2 1
ya que 2 3 2 3 2 3 2 3
3 1 3 2
4 12 5 = 2 4 1 5 34 0 5 + 54 2 5.
3 2 2 1
Observación importante. Muchas veces deseamos saber si un determinado

vector está o no está en el generado de cierto conjunto de vectores. Si esa
es nuestra necesidad, lo acostumbrado es realizar un proceso análogo al que
presentamos en los siguientes ejemplos.
Ejemplo. Determinemos si los vectores

2 3 2 3
13 1
x=4 5 5 yy=4 2 5
4 3
están o no están en el generado del conjunto de vectores

82 3 2 3 2 39
< 1 1 2 =
S = 4 2 5;4 1 5;4 1 5 .
: ;
3 2 1
Solución. Para saber si x está o no está en gen(S) suponemos que existen

números reales c1 ; c2 ; c3 tales que
2 3 2 3 2 3 2 3
1 1 2 13
c1 4 2 5 + c2 4 1 5 + c3 4 1 5 = 4 5 5 .
3 2 1 4
De aquí se obtiene el sistema de ecuaciones lineales
c1 c2 + 2c3 = 13
2c1 + c2 + c3 = 5 ,
3c1 + 2c2 + c3 = 4
el cual tiene como solución general a

2 3
6 c3
4c3 75 .
c3
Obtenemos una solución particular del sistema tomando c3 = 1, en este caso,

dicha solución particular es 2 3
5
4 65 .
1
3.2. SUBESPACIOS 57
Así, 2 3 2 3 2 3 2 3
1 1 2 13
54 2 5 64 1 5 + 14 1 5 = 4 5 5;
3 2 1 4
2 3
13
por tanto 4 5 5 si está en el generado de S. Nótese que al dar cualquier
4 2 3
13
otro valor a c3 obtenemos otra forma de escribir a 4 5 5 como combinación
4
lineal de los vectores de S. Es decir, que como consecuencia de que el sistema
de ecuaciones lineales asociado a esta primera parte del ejemplo tiene in…nitas
soluciones, no solo hemos encontrado que el vector x está en el generado de
S, sino que se puede expresar de in…nitas maneras como combinación lineal
de los vectores de S.
De otro lado, si suponemos ahora que existen números reales a1 ; a2 ; a3 tales
que 2 3 2 3 2 3 2 3
1 1 2 1
a1 4 2 5 + a2 4 1 5 + a3 4 1 5 = 4 2 5 , (3.1)
3 2 1 3
encontramos que esta igualdad es equivalente a tener el sistema de ecuaciones
lineales
a1 a2 + 2a3 = 1
2a1 + a2 + a3 = 2 .
3a1 + 2a2 + a3 = 3
Al reducir este sistema utilizando operaciones elementales, encontramos el
sistema de ecuaciones lineales
a1 a2 + 2a3 = 1
4
a2 a3 = ,
3
a2 a3 = 0
4
de donde se llega a que = 0, lo cual es absurdo. Esta contradicción
3
proviene de haber supuesto la existencia de números reales a1 ; a2 ; a3 tales
que (3.1) es posible. Concluimos entonces que y no es combinación lineal de
los vectores de S, o que y 2gen(S).
=
El siguiente ejemplo muestra que es posible que un vector se deje escribir

(salvo orden) de manera única como combinación lineal de un cierto conjunto
de vectores.
23
1
Ejemplo. Consideremos al vector 4 2 5 y al conjunto de vectores
19
82 3 2 3 2 39
< 3 2 1 =
S= 4 1 ; 2 ; 0 5 .
5 4 5 4
: ;
1 1 4
Si suponemos que existen números reales c1 ; c2 ; c3 tales que
2 3 2 3 2 3 2 3
3 2 1 1
c1 4 1 5 + c2 4 2 5 + c3 4 0 5 = 4 2 5 ,
1 1 4 19
entonces
3c1 + 2c2 + c3 = 1
c1 + 2c2 = 2 ,
c1 + c2 + 4c3 = 19
2 3
4
y este sistema tiene como única solución a 4 3 5. Dado que el sistema
5
tiene única solución, tenemos entonces que el vector en cuestión está en el
generado del conjunto de vectores dado y que además la única forma (salvo
orden) de escribir a dicho vector como combinación lineal de los del conjunto
es
2 3 2 3 2 3 2 3
3 2 1 1
44 1 5 + 34 2 5 + 54 0 5 = 4 2 5.
1 1 4 19
Un problema común en álgebra lineal es el de analizar si un conjunto de

vectores genera a todo el espacio en el que se encuentra. En el siguiente
ejemplo mostramos un caso en el que un conjunto de vectores genera a todo
el espacio.
3.2. SUBESPACIOS 59
Ejemplo. Consideremos al conjunto de vectores

82 3 2 3 2 39
< 3 1 1 =
S = 4 1 5;4 3 5;4 2 5 .
: ;
1 1 4
Para probar que S genera a todo R3 , debemos mostrar que cualquier vector
de R3 se deja escribir como combinación lineal de los vectores de S. 2Para3tal
x
3
hecho, consideremos un vector modelo de R como por ejemplo a 4 y 5y
z
veamos que este se deja expresar como combinación lineal de los vectores de
S. En efecto, sean c1 ; c2 ; c3 números reales tales que
2 3 2 3 2 3 2 3
3 1 1 x
c1 1 + c2 3 + c3 2 = y 5 ,
4 5 4 5 4 5 4
1 1 4 z
entonces
3c1 + c2 + c3 = x
c1 + 3c2 + 2c3 = y .
c1 + c2 + 4c3 = z
Este sistema tiene como única solución a
2 5 3 1
3
13
x 26 y 26 z
4 1 x + 11 y 5
z 5. (3.2)
13 26 26
1 1 4
13
x 13 y + 13 z
Luego, gen(S) = R3 . Para que el lector tenga un poco más de claridad
respecto a este ejemplo, mostraremos como el conjunto de vectores dado
genere a un vector que escojamos al azar. Supongamos que queremos ver
como el conjunto genera al vector
2 3 2 3
x 5
4 y 5=4 2 5
z 3
(el cual hemos escogido al azar), x = 5, y = 2 y z = 3, entonces reem-
plazando estos valores en (3.2) encontramos que
2 5 3 1
3 2 53 3
13
(5) 26 ( 2) 26 (3) 26
4 1 (5) + 11 ( 2) 5 (3) 5 = 4 47 5 ,
13 26 26 26
1 1 4 9
13
(5) 13 ( 2) + 13 (3) 13
de donde se concluye que

2 3 2 3 2 3 2 3
5 3 1 1
4 2 5 = 53 4 1 5 47 4 5
3 +
9 4 5
2 .
26 26 13
3 1 1 4
El siguiente es un ejemplo de un conjunto que no genera al espacio en el que

se encuentra.
Ejemplo. Consideremos al subconjunto de R3

82 3 2 3 2 39
< 1 2 1 =
4 2 5;4 1 5;4 5 5
: ;
1 2 1
2 3
x
y mostraremos que no genera a R3 . En efecto, si 4 y 5 es un vector cualquiera
z
3
de R y suponemos que existen números reales c1 ; c2 ; c3 tales que
2 3 2 3 2 3 2 3
1 2 1 x
c1 2 + c2 1 + c3 5 = y 5 ,
4 5 4 5 4 5 4
1 2 1 z
entonces
c1 + 2c2 + c3 = x
2c1 + c2 + 5c3 = y .
c1 + 2c2 + c3 = z
Al realizar operaciones elementales a este sistema encontramos el sistema
equivalente
c1 + 2c2 + c3 = x
3c2 3c3 = 2x + y .
0 = x+z
De este último sistema se deduce que para que tenga solución se requiere, en-
tre otras cosas, que x = z, lo que implica que el conjunto genera solo vectores
con primera y terceras conponentes iguales. Pero, no todos los vectores de R3
tienen esa propiedad, y por tanto el conjunto no puede generar a R3 . Para un
poco más de información, si tomas un vector de R3 cuyas primera y tercera
3.2. SUBESPACIOS 61
2 3
1
componenetes no son iguales, como el vector 4 2 5 y suponemos que se deja
0
escribir como conbinación lineal del conjunto en cuestión, encontraremos que
esa suposición nos conducirá a un absurdo, lo cual dirá que este vector no
está en el generado del conjunto.
A continuación presentamos un ejemplo de un conjunto de vectores que gen-

era al espacio en que se encuentra, y tal que todo vector del espacio se deja
expresar de in…nitas maneras como combinación lineal de ese conjunto.
Ejemplo. Consideremos el conjunto

82 3 2 3 2 3 2 39
< 1 1 0 1 =
S = 4 1 5;4 1 5;4 1 5;4 0 5 R3 .
: ;
1 0 1 1
2 3
x
Si 4 y 5 es un vector cualquiera de R3 y suponemos que c1 ; c2 ; c3 ; c4 son
z
números reales tales que
2 3 2 3 2 3 2 3 2 3
1 1 0 1 x
c1 1 + c2 1 + c3 1 + c4 0 = y 5 ,
4 5 4 5 4 5 4 5 4
1 0 1 1 z
entonces
c1 + c2 + c4 = x
c1 + c2 + c3 = y ,
c1 + c3 + c4 = z
de donde
c1 + c2 + c4 = x
c2 c3 + c4 = x z ,
c3 c4 = x+y
el cual tiene como solución general
2 3
x y + z 2c4
6 y z + c4 7
6 7.
4 y x + c4 5
c4
Luego,
2 3 2 3 2 3 2 3 2 3
x 1 1 0 1
4 y 5 = (x y+z 2c4 ) 4 1 5+(y z+c4 ) 4 1 5+( x+y+c4 ) 4 1 5+c4 4 0 5 :
z 1 0 1 1
2 3
x
Esto muestra que 4 y 5 se puede expresar de in…nitas maneras como com-
z
binación
2 3 lineal de los vectores de S. A manera de ejemplo, tomando el vector
5
4 4 5de R3 ; elegido arbitrariamente, encontramos que
8
2 3 2 3 2 3 2 3 2 3
5 1 1 0 1
4 4 5 = (9 2c4 ) 4 1 5 + ( 4 + c4 ) 4 1 5 + ( 1 + c4 ) 4 1 5 + c4 4 0 5 ;
8 1 0 1 1
2 3
5
esto implica que 4 5 se deja expresar de in…nitas maneras como combi-
4
8
nación lineal de los vectores de S (por cada valor de c4 encontramos una
combinación lineal).
Teorema 3.3. Sean V un espacio vectorial y S un subconjunto no vacío de

V . Entonces gen(S) es un subespacio de V .
gen(S) es llamado el subespacio generado por S.
Ejemplo. Hallemos el subespacio de R3 generado por los vectores

2 3 2 3
1 1
4 2 5 y 4 4 5.
3 2
2 3
x
En efecto, 4 y 5 está en el generado de esos vectores si y sólo si existen
z
3.2. SUBESPACIOS 63
a; b 2 R tales que
2 3 2 3 2 3
1 1 x
c1 4 2 5 + c2 4 4 5 = 4 y 5,
3 2 z
si y sólo si
c1 c2 = x
2c1 + 4c2 = y ;
3c1 + 2c2 = z
si y sólo si
c1 c2 = x
6c2 = 2x + y .
5c2 = 3x + z
Para encontrar una relación entre x; y y z despejamos de las ecuaciones dos
y tres a c2 e igualamos. Así,
2x + y 3x + z
= ,
6 5
de donde 8x + 5y 6z = 0 (Esta ecuación corresponde en R3 al plano que
pasa por los puntos (0; 0; 0), (1; 2; 3) y ( 1; 4; 2)). Luego,
82 3 2 39 82 3 9
< 1 1 = < x =
gen 4 5
2 ; 4 4 5 = 4 5 3
y 2 R : 8x + 5y 6z = 0 .
: ; : ;
3 2 z
De…nición. Sean U; W subespacios de un espacio vectorial V . La suma de

los subespacios U y W es el conjunto
U + W = fx + y : x 2 U y y 2 W g .
Teorema 3.4. Sean U; W subespacios de un espacio vectorial V . Entonces
U +W
es un subespacio de V .
La unión de subespacios no es siempre un subespacio. Por ejemplo, consid-

eremos los subespacios de R2
x
W = :x2R
x
y
x
U= :x2R .
2x
1 1
Entonces y están en W [ U , pero
1 2
1 1 2
+ = 2
= W [ U,
1 2 3
por tanto W [ U no es subespacio de R2 .
Teorema 3.5. Sean X = fx1 ; :::; xr g y Y = fy1 ; :::; yt g subconjuntos de un

espacio vectorial V . Entonces
gen(X [ Y ) = gen(X) + gen(Y ).
Teorema 3.6. Las soluciones del sistema homogéneo de ecuaciones lineales
a11 x1 + a12 x2 + + a1n xn = 0

a21 x1 + a22 x2 + + a2n xn = 0
..
.
am1 x1 + am2 x2 + + amn xn = 0
es un subespacio de Rn .
3.3. INDEPENDENCIA LINEAL 65
Nota importante. El Teorema 3.6 equivale al siguiente resultado: si A 2

Rm n , entonces
W = fx 2 Rn : Ax = 0g
es un subespacio de Rn . Este subespacio se conoce como espacio nulo de
A.
3.3. Independencia lineal

De…nición. Un conjunto de vectores S = fx1 ; :::; xr g de un espacio vecto-
rial V es linealmente independiente cuando la única solución para los
escalares ai en la ecuación homogénea
a1 x1 + + ar xr = 0
es la solución trivial a1 = = ar = 0. Si S no es linealmente independiente

se dirá linealmente dependiente.
Ejemplo. El conjunto
82 3 2 3 2 39
< 1 1 0 =
4 1 5;4 0 5;4 0 5 R3
: ;
1 0 1
es linealmente independiente.
Ejemplo. El conjunto
82 3 2 3 2 39
< 1 1 5 =
4 2 5;4 0 5;4 6 5 R3
: ;
1 2 7
es linealmente dependiente.
Teorema 3.6. Sea S = fx1 ; :::; xr g un conjunto linealmente independiente en

un espacio vectorial V . Entonces todo subconjunto no vacío de S es también
linealmente independiente.
Teorema 3.6. Sea S = fx1 ; :::; xr g un conjunto de un espacio vectorial V . Si

S contiene un subconjunto linealmente dependiente, entonces S es también
linealmente dependiente.
Teorema 3.7. Sean S = fx1 ; :::; xr g un conjunto linealmente independiente

en un espacio vectorial V y x 2 V gen(S). Entonces S [fxg es un conjunto
linealmente independiente de V .
Teorema 3.8. Sean S = fx1 ; :::; xr g un subconjunto de un espacio vectorial

V . S es linealmente independiente si, y sólo si, cada vector de gen(S) se
deja escribir de manera única, salvo orden, como una conbinación lineal de
vactores de S.
Teorema 3.9. Sea S = fx1 ; :::; xr g un subconjunto de un espacio vectorial

V . Entonces S es linealmente dependiente si y sólo si algún vector de S es
combinación lineal del resto de vectores de S.
3.4. Bases y dimensión

3.4.1. Bases y dimensión
De…nición. Un subconjunto de un espacio vectorial V es una base para
V si gen( ) = V y es linealmente independiente.
3.4. BASES Y DIMENSIÓN 67
Teorema 3.10. Sea = fx1 ; :::; xn g una base de un espacio vectorial V .

Entonces cualquier conjunto con más de n vectores es linealmente dependi-
ente.
Teorema 3.11. Sea = fx1 ; :::; xn g una base de un espacio vectorial V:

Entonces cualquier conjunto con menos de n vectores no genera a V .
Teorema 3.12. Si un espacio vectorial V tiene una base con n vectores,

entonces toda base de V tiene esa misma cantidad de vectores.
De…niciones. Un espacio vectorial V se dice de dimensión …nita si tiene

una base constituida por un número …nito de vectores. La dimensión de
V , denotada por dim(V ), es el número de vectores de una base de V . La
dimensión del espacio vectorial f0g, se de…ne como cero. Un espacio vectorial
que no tiene una base …nita se dice que es de dimensión in…nita.
Teorema 3.13. Sea V un espacio vectorial con dim(V ) = n. Entonces:
1. Cualquier conjunto linealmente independiente en V tiene a lo más n vec-

tores.
2. Cual quier subconjunto de V que genere a V tiene al menos n elementos.
3. Cualquier subconjunto linealmente independiente de V con n elementos es

una base de V .
4. Cualquier subconjunto de V que tenga n elementos y genere a V es una

base de V .
5. Cualquier subconjunto linealmente independiente de V puede ser extendido

a una base de V .
6. Cualquier subconjunto de V que genere a V puede ser reducido a una base

de V .
Teorema 3.14. Sean V un espacio vectorian de dimensión n y W un sube-

spacio de V . Entonces dim(W ) dim(V ) y dim(W ) = dim(V ) si, y sólo
si, W = V .
3.4.2. Vectores de coordenadas

De…nición. Sean = fx1 ; :::; xn g una base ordenada de un espacio vectorial
V y x 2 V . Los coe…cientes ai en la expresión
x = a1 x1 + + an xn
son llamados coordenadas de x respecto a . Además, el vector

2 3
a1
6 7
[x] = 4 ... 5 2 Rn
an
es llamado el vector de coordenadas de x respecto a .
Teorema 3.15. Sean = fx1 ; :::; xn g una base ordenada de un espacio

vectorial V , x; y 2 V y c 2 R. Entonces
[cx + y] = c [x] + [y] .
Demostración Ejercicio.
3.5. ESPACIOS VECTORIALES Y MATRICES 69
Teorema 3.16. Sean = fx1 ; :::; xn g una base ordenada de un espacio vec-
torial V y y1 , ..., yt vectores de
n V . Entonces o
fy1 ; :::; yt g es linealmente inde-
pendiente en V si, y sólo si, [y1 ] ; :::; [yt ] es linealmente independiente
en Rn .
Teorema 3.17. Sean 1 = fx1 ; :::; xn g y 2 = fy1 ; :::; yn g bases de un

espacio vectorial V . Entonces la matriz invertible
h i
P = [x1 ] 2 [xn ] 2 2 Rn n
es la única matriz que tiene la propiedad
P [x] 1
= [x] 2
8x 2 V .
1
Además, P es la única matriz con la propiedad
1
P [x] 2
= [x] 1
8x 2 V .
De…nición. La matriz P en el Teorema 3.17 se conoce como la matriz de

cambio de la base 1 a la base 2 .
Teorema 3.18. Sean 1 = fx1 ; :::; xn g, 2 = fy1 ; :::; yn g y 3 = fz1 ; :::; zn g

bases para un espacio vectorial V . Si P es la matriz de cambio de base de
1 a 2 y Q es la matriz de cambio de base de 2 a 3 , entonces QP es la
matriz de cambio de base de 1 a 3 .
3.5. Espacios vectoriales y matrices

En esta sección presentaremos algunos resultados fundamentales que relacio-
nan las matrices con los espacios vectoriales.
3.5.1. Los cuatro subespacios fundamentales

Teorema - de…nición 3.19. Sea A 2 Rm n
. Entonces
R(A) = fAx : x 2 Rn g
es un subespacio de Rm . Este subespacio se denomina el espacio columna

de A. El espacio …la de A es el espacio columna de AT . Naturalmente, el
espacio …la de A se denotará por R(AT ).

. Entonces:
1. R(A) = R(B) si, y sólo si, B se puede obtener al realizar un número

…nito de operaciones elementales de columna a A.
2. R(AT ) = R(BT ) si, y sólo si, B se puede obtener al realizar un número

…nito de operaciones elementales de …la a A.
Teorema - De…nición 3.21. Sea A 2 Rm n

. Entonces
N (A) = fx 2 Rn : Ax = 0g
es un subespacio de Rn . Este subespacio se conoce como el espacio nulo de

A y N (AT ) es llamado el espacio nulo izquierdo de A. La nulidad de
A es la dimensión del espacio nulo de A.

. Entonces:
1. N (A) = N (B) si y sólo si B se puede obtener al realizar un número …nito

de operaciones elementales de …la a A.
3.5. ESPACIOS VECTORIALES Y MATRICES 71
2. N (AT ) = N (BT ) si, y sólo si, B se puede obtener al realizar un número

…nito de operaciones elementales de columna a A.
3.5.2. Rango de una matriz

De…nición. Sea A 2 Rm n
. El rango de A se de…ne como
rk(A) = dim(gen fA 1 , ..., A n g) = dim(R(A)).
Ejemplo. 2 3
1 3 2 1
rk(4 2 0 1 5 5) = 2.
1 1 1 2

. Entonces A es invertible si, y sólo si,
rk(A) = n.

. Entonces rk(A) = rk(AT )
Del Teorema anterior y de la de…nición de rango de una matriz podemos

concluir que: si A 2 Rm n , entonces
rk(A) = dim(gen fA 1 , ..., A n g) = dim(gen AT1 , ..., ATm ):
Nótese que los subespacios en cuestión tienen la misma dimensión, pero el

primero es subespacio de Rm y el segundo de Rn .

. Entonces rk(A) minfm; ng.

, B 2 Rn p . Entonces
rk(AB) rk(A).

y P 2 Rn n
rk(A) = rk(PA).

y P 2 Rm m
rk(A) = rk(AP).
Teorema 3.29. Sean A 2 Rm n , P 2 Rm m invertible y Q 2 Rn n

inver-
tible. Entonces
rk(A) = rk(PAQ).
Teorema 3.30. Sean A 2 Rm n con rk(A) = r > 0. Entonces existen

matrices B 2 Rm r y L 2 Rr n ambas de rango r tales que
A = BL
Demostración. Supongamos que las columnas i1 , ..., ir de A forman un

conjunto linealmente independiente, entonces una matriz E 2 Rn n que se
obtiene al reordenar las …las de In de tal manera que tenga como primeras
…las a (In )i1 , ..., (In )ir es tal que AE tiene las mismas columnas de A, con
3.6. EJERCICIOS 73
la seguridad de que las primeras r columnas de AE forman un conjunto

linealmente independiente. Sea
B = [A i1 A ir ] 2 Rm r ,
entonces las columnas r + 1, ..., n de AE son combinaciones lineales de las

columnas de B, por esto existen ar+1 , ..., an en Rr tales que
(AE) r+1 = Bar+1 , ..., (AE) n = Ban .
Luego
AE = [Be1 Ber Bar+1 Ban ] = B [e1 er ar+1 an ]

1
y por tanto A = BL, donde L = [e1 er ar+1 an ] E 2 Rr n
. Nótese
que rk(B) = rk(L) = r.
3.6. Ejercicios
1. Demuestre que
82 3 2 3 2 3 2 39
< 1 1 1 1 =
gen 4 2 5 ; 4 0 5;4 2 ; 4 5 = R3 .
5 4
: ;
1 1 1 3
2. Determine si R3 está generado por los vectores

2 3 2 3 2 3 2 3
1 1 0 3
4 1 5;4 0 5;4 1 5;4 2 5.
2 3 5 2
3. Determine cuáles de los vectores

2 3 2 3 2 3
3 1 1
6 1 7 6 0 7 6 1 7
6 7 6 7; 6 7
4 15 5 ; 4 1 5 4 1 5
6 0 0
están en 82 3 2 3 2 39
>
> 1 2 1 >>
<6 =
3 7 6 1 7 6 8 7
gen 6
4
7; 6 7; 6 7 .
>
> 5 5 4 0 5 4 5 5>
>
: ;
2 1 3
4. Exprese el vector general 2 3

x
4 y 5
z
como combinación lineal de los vectores
2 3 2 3 2 3
1 1 1
4 2 5;4 0 5;4 2 5:
1 1 1
5. Demuestre que el espacio de los polinomios de grado menor que 3 en la

variable x y coe…cientes en R está generado por
2; 3 + x; 2 x2
y también por
1; 2 + 2x; 1 x + x2 ; 2 x2 ;
pero no por
1 + x; x + x2 :
6. Demuestre que si el conjunto fx1 ; x2 ; x3 g es linealmente independiente en

un espacio vectorial R V . Entonces fx1 + x2 ; x2 + x3 ; x1 + x3 g es también un
conjunto linealmente independiente.
7. Demuestre que el conjunto

82 3 2 3 2 3 2 39
< 1 1 1 1 =
4 2 5;4 0 5;4 2 5;4 4 5
: ;
1 1 1 3
es linealmente dependiente en R3 .
3.6. EJERCICIOS 75
8. Demuestre que el conjuto
S = 1; 2 + 2x; 1 x + x2 ; 2 x2
es linealmente dependiente y determine los subconjuntos de S con 3 elementos

que sean linealmente independientes.
9. Determine cuáles de las siguientes matrices no pueden escribirse como

combinación lineal de las demás.
1 1 1 2 2 3 1 1
, , , .
1 2 3 1 3 2 1 6
10. Sea A 2 Rn n . Demuestre que A es invertible si, y sólo si, las columnas
de A forman un conjunto linealmente independiente.
11. Sean P 2 Rn n invertible y fx1 , ..., xt g un conjunto linealmente inde-

pendiente en Rn . Demuestre que fPx1 ; :::; Pxt g es linealmente independiente
en Rn .
Capítulo 4
Transformaciones lineales
En este capítulo introduciremos las transformaciones lineales, que es un tipo

especial de funciones entre espacios vectoriales. Mediante estas funciones
podemos decidir si dos espacios vectoriales comparten ciertas propiedades
algebraicas.
4.1. Transformaciones lineales

De…nición. Sean V y W espacios vectoriales sobre R. Una transformación
lineal de V en W es una función de V en W tal que
T (cx + y) = cT (x) + T (y)
para todos los vectores de V y todo escalar de R.
Ejemplos. Sean V y W espacios vectoriales sobre R. Entonces las siguientes

son transformaciones lineales
T1 : V ! V
,
x 7 ! x
T2 : V ! W
.
x 7 ! 0
Estas transformaciones son llamadas transformación identidad y trans-
formación cero, respectivamente.
76
4.1. TRANSFORMACIONES LINEALES 77
Ejemplos. Sea A 2 Rm n
. Entonces
T : Rn ! Rm
x 7 ! Ax
es una transformación lineal.
Teorema 4.1. Sean V; W espacios vectoriales sobre R y T de V en W una

transformación lineal. Entonces:
1. T (0) = 0.
2. T ( x) = T (x).
De…nición. Si T : U ! V y S : V ! W son transformaciones lineales,

entonces la composición de S con T es la función S T : U ! W de…nida
por
(S T )(x) = S(T (x)) 8x 2 U .
Teorema 4.2. Sean U; V; W espacios vectoriales sobre R y T : U ! V y

S : V ! W transformaciones lineales. Entonces S T : U ! W es una
transformación lineal.
Teorema 4.3. Sean V; W espacios vectoriales sobre R y T de V en W una

transformación lineal. Entonces:
1. Im(T ) es un subespacio de W . La dimensión de Im(T ) se acostumbra a

llamar rango de T (rk(T )).
2. fx 2 V : T (x) = 0g es un subespacio de V . Este subespacio es llamado el

espacio nulo de T y su dimensión se conoce como la nulidad de T (N(T )).
78 CAPÍTULO 4. TRANSFORMACIONES LINEALES
Teorema 4.4. Sean fx1 ; :::; xn g una base de Rn y y1 ; :::; yn vectores de Rm .

Entonces existe una única transformación lineal T de Rn en Rm tal que
T (x1 ) = y1 , T (x2 ) = y2 ; ..., T (xn ) = yn:
Observación. Los vectores y1 ; :::; yn en el teorema anterior no son necesari-

amente distintos, puede darse hasta la posibilidad extrema de que todos sean
iguales.
Ejemplo. Halle la transformación lineal T : R3 ! R3 tal que

02 31 2 3 02 31 2 3 02 31 2 3
1 1 1 2 2 2
T @4 1 5A = 4 2 5 ; T @4 1 5A = 4 1 5 ; T @4 1 5A = 4 1 5:
2 1 1 1 1 1
Solución. 2 3 2 3 2 3 2 3
1 1 2 x
a4 1 5 + b4 1 5 + c4 1 5=4 y 5
2 1 1 z
implica
a + b 2c = x
a b + c = y :
2a + b c = z
Este sistema tiene como solución a (no seas ‡ojo resuelvelo en casa)
a = y z
b = x 5y 3z
c = x 3y 2z:
Luego,
2 3 2 3 2 3 2 3
1 1 2 x
( y z) 4 1 5 +( x 5y 3z) 4 1 5 +( x 3y 2z) 4 5 4
1 = y 5,
2 1 1 z
por tanto
02 31 02 31 02 31
x 1 1
T @ 4 y 5A = ( y z)T @4 1 5A + ( x 5y 3z)T @4 1 5A
z 2 1
02 31
2
+( x 3y 2z)T @4 1 5A
1
2 3 2 3
1 2
= ( y z) 4 2 5 + ( x 5y 3z) 4 1 5
1 1
2 3
2
+( x 3y 2z) 4 1 5
1
2 3
4x 17y 11z
= 4 2x 10y 7z 5 .
2x + 9y + 6z

02 31 2 3 02 31 2 3 02 31 2 3
2 1 1 3 1 4
T @ 4 1 5A = 4 5
1 ; T @ 4 2 5A 4
= 2 ; T5 @ 4 0 5A = 1 5:
4
0 2 1 0 3 2
Solución. 2 3 2 3 2 3 2 3
2 1 1 x
4 5 4 5 4 5
a 1 +b 2 +c 0 = y 54
0 1 3 z
implica
2a + b + c = x
a + 2b = y :
b + 3c = z
Este sistema tiene como solución a
3 1 1
a = x y z
5 5 5
3 3 1
b = y x+ z
5 10 10
1 1 3
c = x y + z:
10 5 10
Luego,
3 2 2 3 2 3 2 3
2 1 1 x
3 1 1 4 5 3 3 1 1 1 3
( x y z) 1 +( y x+ z) 4 2 5+( x y+ z) 4 0 5 = 4 y 5 ,
5 5 5 5 10 10 10 5 10
0 1 3 z
por tanto
02 31 02 31 02 31
x 2 1
3 1 1 3 3 1
T @4 y 5A = ( x y z)T @4 1 5A + ( y x + z)T @4 2 5A
5 5 5 5 10 10
z 0 1
02 31
1
1 1 3
+( x y + z)T @4 0 5A
10 5 10
3
2 3 2 3
1 3
3 1 1 4 3 3 1
= ( x y z) 1 5+( y x + z) 4 2 5
5 5 5 5 10 10
2 0
2 3
4
1 1 3 4 5
+( x y + z) 1
10 5 10
2
2 1 4 13
3
10
x + 5 y + 10 z
= 4 11
x + 65 y + 107
z 5.
10
7 4 1
5
x 5y + 5z

3 2 2 3 2 3
02 31 1 02 31 2 02 31 2
1 6 2 7 2 6 7 1 6 1 7
6 7 2 7
T @4 1 5A = 4 5; T @ 4 2 5A = 6
4 ; T @4 1 5A = 6 7
4 0 5:
0 1 5
1 1 3
1 1 1
Solución. 23 2 3 2 3 2 3
1 2 1 x
a4 1 5 + b4 2 5 + c4 1 = y 5
5 4
1 1 3 z
implica
a + 2b c = x
a + 2b + c = y :
a + b + 3c = z

5 7
a = x y + 2z
2 2
b = 2y x z
1 1
c = y x:
2 2
Luego,
2 3 2 3 2 3 2 3
1 2 1 x
5 7 1 1 4
( x y + 2z) 1 + (2y x z) 2 5 + ( y
4 5 4 x) 1 = y 5,
5 4
2 2 2 2
1 1 3 z
por tanto
02 31 02 31 02 31
x 1 2
@ 4 5 7
T y 5A = ( x y + 2z)T @ 4 1 5A + (2y x z)T @4 2 5A
2 2
z 1 1
02 31
1
1 1 @ 4
+( y x)T 1 5A
2 2
3
2 3 2 3
1 2
5 7 6 2 7 6 2 7
= ( x y + 2z) 6 7 6 7
4 0 5 + (2y x z) 4 1 5
2 2
1 1
2 3
2
1 1 6 1 7
6
7
+( y x)
2 2 4 0 5
1
2 1
3
2
x + 32 y
6 5 x 5 y + 2z 7
= 6 2 2
4 x + 2y z 5 .
7
x y+z

02 31 2 3 02 31 2 3
1 1 1 0
B6 1 7C 6 0 7 B6 2 7C 6 1 7
TB 6 7C 6
@4 1 5A = 4 0
7 ; T B6 7C = 6 7
5 @4 3 5A 4 1 5
1 1 2 0
31 2
02 3 02 31 2 3
2 1 3 0
B6 1 7C 6 0 7 B6 2 7C 6 1 7
TB 6 7C 6
@4 2 5A = 4
7, TB 6 7C 6
@4 3 5A = 4
7
1 5 0 5
1 0 3 1
Solución.
2 3 2 3 2 3 2 3 2 3
1 1 2 3 x
6 1 7 6 2 7 6 1 7 6 2 7 6 y 7
a6
4
7 + b6 7 + c6 7 + d6 7=6 7
1 5 4 3 5 4 2 5 4 3 5 4 z 5
1 2 1 3 w
implica
a + b + 2c + 3d = x
a + 2b + c + 2d = y
:
a + 3b + 2c + 3d = z
a + 2b + c + 3d = w
1 1 1 1
a = x w+ y z
12 6 2 4
1 5 1 1
b = y x w+ z
2 12 6 4
5 5 1 3
c = x w y+ z
12 6 2 4
2 1 1
d = w+ x z:
3 6 2
Luego,
2 3 2 3 2 3
x 1 1
6 y 7 1 1 1 1 6 1 7 1 6 2 7
6 7 z) 6 7 + (1y 5 1
w + z) 6 7
4 z 5 = ( 12 x 6
w+ y
2 4 4 1 5 2 12
x
6 4 4 3 5
w 1 2
2 3 2 3
2 3
5 5 1 3 6 1 7
7 + (2w + 1x 1 6 2 7
+( x w y + z) 6 z) 6 7,
12 6 2 4 4 2 5 3 6 2 4 3 5
1 3
por tanto
02 31 02 31
x 1
B6 y 7C B6 1 7 C
TB6 7C = ( 1 x 1 1
w+ y
1
z)T B 6 7C
@4 z 5A 12 6 2 4 @4 1 5A
w 1
02 31
1
1 5 1 1 B6 2 7C
+( y x w + z)T B
@4
6 7C
2 12 6 4 3 5A
2
02 31
2
5 5 1 3 B6 1 7C
+( x w y + z)T B
@4
6 7C
12 6 2 4 2 5A
1
02 31
3
2 1 1 B 6 7C
+( w + x z)T B 6 2 7C
3 6 2 @ 4 3 5A
3
2 3
1
1 1 1 1 6 0 7
= ( x w+ y z) 6
4
7
12 6 2 4 0 5
1
2 3
0
1 5 1 1 6 1 7
+( y x w + z) 6 7
2 12 6 4 4 1 5
0
2 3
1
5 5 1 3 6 0 7
+( x w y + z) 6 4
7
12 6 2 4 1 5
0
2 3
0
2 1 1 6 1 7
6
7
+( w + x z)
3 6 2 4 0 5
1
2 1 1
3
w + 2x + 2z
6 1w 1x + 1y 1z 7
= 6
4
2 4 2 4 7.
5
w+z
1 1 1 3
2
w + 4x + 2y 4z
Teorema 4.5. Sea T : Rn ! Rm una transformación. Entonces

dim(Im(T )) + dim(N(T )) = dim(dominio de T ) = dim(Rn ) = n.
Ejemplo. Halle bases para Im(T ) y N(T ) si T : R3 ! R3 es tal que

02 31 2 3
x x + 2y + 4z
T @4 y 5A = 4 2x y + 3z 5 :
z x + 3y + z
02 31 2 3
x 0
Solución. (Para N(T )) T @ 4 y 5A = 0 5 si y sólo si
4
z 0
x + 2y + 4z = 0
2x y + 3z = 0 :
x + 3y + z = 0
x = 2z
y = z
z = z:
Entonces 2 3
x
4 y 5 2 N(T )
z
si y sólo si 2 3 2 3 2 3
x 2z 2
4 y 5=4 z 5 = z4 1 5
z z 1
si y sólo si 2 3 82 39
x < 2 =
4 y 5 2 gen 4 1 5 .
: ;
z 1
82 39
< 2 =
Así, una base para N(T ) es 4 1 5 .
: ;
1
(Para Im(T ))
2 3 2 3 2 3 2 3
x + 2y + 4z 1 2 4
4 2x y + 3z 5 = x 4 2 5+y4 1 + z 3 5:
5 4
x + 3y + z 1 3 1
Entonces 82 3 2 3 2 39
< 1 2 4 =
Im(T ) = gen 4 2 5;4 1 ; 3 5 :
5 4
: ;
1 3 1
Veamos la independencia o dependencia lineal de los vectores en cuestión:
2 3 2 3 2 3 2 3
1 2 4 0
a 4 5
2 +b 4 5 4
1 +c 3 = 0 5 5 4
1 3 1 0
implica
a + 2b + 4c = 0
2a b + 3c = 0 ;
a + 3b + c = 0
el cual tiene como solución a
a = 2c
b = c
c = c:
Luego, 2 3 2 3 2 3 2 3
1 2 4 0
( 2c) 4 2 5 + ( c) 4 1 + c 3 = 0 5,
5 4 5 4
1 3 1 0
en particular, si c = 1
2 3 2 3 2 3 2 3
1 2 4 0
( 2) 4 2 5 + ( 1) 4 5 4 5 4
1 + (1) 3 = 0 5 ,
1 3 1 0
entonces el conjunto es linealmente dependiente. Entonces podemos eliminar

uno de los vectores que en la combinación lineal anterior esté acompañado
2 3 por
4
un escalar no cero. Decidimos eliminar en este caso al vector 4 3 5 (porque
1
nosdió la gana, pudo bién haber sido cualesquiera de los otros dos). Luego,
82 3 2 39
< 1 2 =
Im(T ) = gen 4 2 5;4 1 5 ;
: ;
1 3
pero esos dos vectores forman un conjunto linealmente independiente porque

no son multiplos. Conclusión
82 3 2 39
< 1 2 =
4 2 5;4 1 5
: ;
1 3
es base de Im(T ).
Ejemplo. Halle bases para Im(T ) y N(T ) si T : R4 ! R3 es tal que
0231
x 2 3
B6 y 7C x + 3y + 2z w
TB6 7C 4
@4 z 5A = x 2y + z 2w 5 :
2x + 2y + 3z w
w
02 31
x 2 3
B6 y 7C 0
B
Solución. (Para N(T )) T @46 7C 4
= 0 5 si y sólo si
z 5A
0
w
x + 3y + 2z w = 0
x 2y + z 2w = 0 :
2x + 2y + 3z w = 0

61
x = w
17
12
y = w
17
21
z = w
17
w = w
Entonces 2 3
x
4 y 5 2 N(T )
z
si y sólo si 2 3 2 3 2 3
61 61
x 17
w 17
6 y 7 6 12
w 7 6 12 7
6 7 6 17 7 = w6 17 7
4 z 5=4 21
w 5 4 21 5
17 17
w w 1
si y sólo si 2 3 82 61 39
x >
> >
>
6 y 7 <6 1712 7=
6 7 2 gen 6 17 7
4 z 5 > 4 21 5> .
>
: 17 >
;
w 1
82 61 39
>
> >
>
<6 17 12 7=
6 17
Así, una base para N(T ) es 4 21 5 . 7
>
> 17 >
>
: ;
1
(Para Im(T ))
2 3 2 3 2 3 2 3 2 3
x + 3y + 2z w 1 3 2 1
4 x 2y + z 2w 5 = x 4 1 5 + y 4 2 5 + z 4 1 5 + w 4 2 5:
2x + 2y + 3z w 2 2 3 1
Entonces
82 3 2 3 2 3 2 39
< 1 3 2 1 =
Im(T ) = gen 4 1 5;4 2 ; 1 5;4
5 4 2 5 :
: ;
2 2 3 1
Veamos la independencia o dependencia lineal de los vectores en cuestión:

2 3 2 3 2 3 2 3 2 3
1 3 2 1 0
a4 1 5 + b4 5 4
2 +c 1 +d 5 4 2 = 0 5
5 4
2 2 3 1 0
implica
a + 3b + 2c d = 0
a 2b + c 2d = 0 ;
2a + 2b + 3c d = 0
11
a = d
17
12
b = d
17
21
c = d
17
d = d
Luego,
2 3 2 3 2 3 2 3 2 3
1 3 2 1 0
11 4 12 4 21
( d) 1 5+( d) 2 5 + ( d) 4 1 5 + (d) 4 2 5 = 4 0 5,
17 17 17
2 2 3 1 0
en particular, si d = 1
2 3 2 3 2 3 2 3 2 3
1 3 2 1 0
11 12 4 21
( )4 1 5 + ( ) 2 5 + ( ) 4 1 5 + (1) 4 2 = 0 5,
5 4
17 17 17
2 2 3 1 0
entonces el conjunto es linealmente dependiente. Entonces podemos eliminar

uno de los vectores que en la combinación lineal anterior
2 esté
3 acompañado
1
por un escalar no cero. Decidimos eliminar al vector 4 2 5. Luego,
1
82 3 2 3 2 39
< 1 3 2 =
Im(T ) = gen 4 5
1 ; 4 2 ; 1 5 ;
5 4
: ;
2 2 3
Analicemos la independencia o dependencia lineal de estos vectores:

2 3 2 3 2 3 2 3
1 3 2 0
a4 1 5 + b4 2 5 + c4 1 5 = 4 0 5
2 2 3 0
implica
a + 3b + 2c = 0
a 2b + c = 0 ;
2a + 2b + 3c = 0
a = 0
b = 0
c = 0
Luego, el conjunto 82 3 2 3 2 39
< 1 3 2 =
4 1 5;4 5 4
2 ; 1 5
: ;
2 2 3
es linealmente independiente y genera a Im(T ), por tanto es base de Im(T ).
Ejemplo. Halle bases para N(T ) e Im(T ) si T : R3 ! R3 está dada por la

fórmula 02 31 2 3
x1 x1 2x2 3x3
T @4 x2 5A = 4 2x1 + x2 + 4x3 5 :
x3 3x1 x2 + 2x3
Solución. Primero hallemos una base para Im(T ):
2 3 2 3 2 3 2 3
x1 2x2 3x3 1 2 3
4 2x1 + x2 + 4x3 5 = x1 4 2 5 + x2 4 1 5 + x3 4 4 5,
3x1 x2 + 2x3 3 1 2
entonces 82 3 2 3 2 39
< 1 2 3 =
Im(T ) = gen 4 2 5 ; 4 1 5;4 4 5 :
: ;
3 1 2
Nos preguntamos si el conjunto anterior es linealmente independiente ó lineal-

mente dependiente. Para responder esa pregunta procedemos de la siguiente
manera: hacemos
2 3 2 3 2 3 2 3
1 2 3 0
4
a 2 +b 5 4 5
1 +c 4 4 = 0 5,
5 4
3 1 2 0
lo cual implica
a 2b 3c = 0
2a + b + 4c = 0 ,
3a b + 2c = 0
la solución de este sistema es a = 0; b = 0; c = 0, por tanto el conjunto es
linealmente independiente y así
82 3 2 3 2 39
< 1 2 3 =
4 2 5;4 1 5;4 4 5
: ;
3 1 2
es base de Im(T ).
Analicemos ahora la situación para N(T ): como
dim(N(T ))+ dim(Im(T )) = dim(dominio de T ) = dim(R3 ) = 3,
pero dim(Im(T )) = 3, entonces dim(Im(T )) = 0, en consecuencia
82 39
< 0 =
N(T ) = 4 0 5
: ;
0
y por tanto ne existe base para N(T ).

fórmula 02 31 2 3
x1 x1 2x2 + 5x3
T @4 x2 5A = 4 x1 + 3x2 5:
x3 x1 + 2x2 + x3
2 3 2 3 2 3 2 3
x1 2x2 + 5x3 1 2 5
4 x1 + 3x2 5 4 5
= x1 1 + x2 4 5 4
3 + x3 0 5 ,
x1 + 2x2 + x3 1 2 1
entonces 82 3 2 3 2 39
< 1 2 5 =
Im(T ) = gen 4 1 5 ; 4 3 ; 0 5 :
5 4
: ;
1 2 1
manera: hacemos
2 3 2 3 2 3 2 3
1 2 5 0
4
a 1 +b 5 4 3 + c 0 = 0 5,
5 4 5 4
1 2 1 0
lo cual implica
a 2b + 5c = 0
a + 3b = 0 ,
a + 2b + c = 0
la solución de este sistema es a = 3c; b = c; c = c, por tanto el conjunto es
linealmente dependiente y por tanto debemos eliminar uno a más vectores
del conjunto, de tal manera que los restantes formen un conjunto lineal-
mente independiente que siga generando a Im(T ). Para tal hecho notamos
que tomando c = 1 obtenemos
2 3 2 3 2 3 2 3
1 2 5 0
( 3) 4 1 5 + (1) 4 3 5 + (1) 4 0 5 = 4 0 5 ,
1 2 1 0
tenemos entonces una combinación lineal de los vectores

82 3 2 3 2 39
< 1 2 5 =
4 1 5;4 3 5;4 0 5
: ;
1 2 1
igual a cero, en la cual ninguno de los escalares es cero, por tanto podemos
eliminar a cualquiera de los vectores que en esa combinación lineal esté acom-
pañedo de un escalar no nulo y los vectores restantes generarán lo mismo que
el conjunto inicial. El vector que hemos decidido eliminar es
2 3
5
4 0 5
1
y como los dos restantes no son múltiplos, tenemos que

82 3 2 39
< 1 2 =
4 1 5;4 3 5
: ;
1 2
es un conjunto linealmente independiente que genera a Im(T ), por lo que este

par de vectores conforma una base para Im(T ). 2 3
x1
Analicemos ahora la situación para N(T ): un vector 4 x2 5 de R3 está en
x3
N(T ) si y sólo si 02 31 2 3
x1 0
T @ 4 x2 5 A = 0 5;
4
x3 0
si y sólo si
x1 2x2 + 5x3 = 0
x1 + 3x2 = 0 .
x1 + 2x2 + x3 = 0
Pero
2 este
3 sistema tiene como solución a x1 = 3x3 ; x2 = x3 , x3 = x3 . Luego,
x1
4 x2 5 está en N(T ) si y sólo si
x3
2 3 2 3 2 3
x1 3x3 3
4 x2 5 = 4 x3 5 = x3 4 1 5 .
x3 x3 1
2 3
3
Así, N(T ) está generado por el vector 4 1 5, el cual por ser distinto del
1
vector cero forma un conjunto linealmente independiente. Concluimos que
82 39
< 3 =
4 1 5
: ;
1
es una base para N(T ).


fórmula 02 31 2 3
x1 x1 + 3x2 + 2x3 + 6x4
B6 x2 7C 6 x1 + 3x2 + x3 + 3x4 7
TB 6 7C 6
@4 x3 5A = 4 x1 + x2 + x3 + 3x4 5 :
7
x4 2x1 + 4x2 + x3 + 3x4

2 3 2 3 2 3 2 3 2 3
x1 + 3x2 + 2x3 + 6x4 1 3 2 6
6 x1 + 3x2 + x3 + 3x4 7 6 7
1 7 6 3 7 6 7 6 3 7
6 7 = x1 6 + x2 6 7 + x3 6 1 7 + x4 6 7,
4 x1 + x2 + x3 + 3x4 5 4 1 5 4 1 5 4 1 5 4 3 5
2x1 + 4x2 + x3 + 3x4 2 4 1 3
entonces 82 3 2 3 2 3 2 39
>
> 1 3 2 6 >
>
<6 7=
1 7 6 3 7 6 1 7 6 3
Im(T ) = gen 6
4
7;6 7;6 7;6 7 :
>
> 1 5 4 1 5 4 1 5 4 3 5>
>
: ;
2 4 1 3
manera: hacemos
2 3 2 3 2 3 2 3 2 3
1 3 2 6 0
6 1 7 6 3 7 6 1 7 6 3 7 6 0 7
a6 7 6 7 6 7 6 7 6 7
4 1 5 + b4 1 5 + c4 1 5 + d4 3 5 = 4 0 5,
2 4 1 3 0
lo cual implica
a + 3b + 2c + 6d = 0
a + 3b + c + 3d = 0
a + b + c + 3d = 0
2a + 4b + c + 3d = 0
la solución de este sistema es
a = 12 c 3
2
d
b = 12 c 3
2
d
c=c
d=d
por tanto el conjunto es linealmente dependiente y por tanto debemos elimi-

nar uno a más vectores del conjunto, de tal manera que los restantes formen
un conjunto linealmente independiente que siga generando a Im(T ). Para tal
hecho notamos que tomando d = 1 y c = 1 obtenemos
2 3 2 3 2 3 2 3 2 3
1 3 2 6 0
6 1 7 6 3 7 6 1 7 6 3 7 6 0 7
( 2) 6 7 6 7 6 7 6 7 6 7
4 1 5 + ( 2) 4 1 5 + (1) 4 1 5 + (1) 4 3 5 = 4 0 5 ,
2 4 1 3 0

82 3 2 3 2 3 2 39
>
> 1 3 2 6 > >
<6 7 6 7 6 7 6 7=
6 1 3
7 6 7 6 7 6 7 1 3
> 4 1 5 ; 4 1 5 ; 4 1 5 ; 4 3 5>
>
: >
;
2 4 1 3
2 3
6
6 3 7
6 7:
4 3 5
3
Luego, el conjunto 82 3 2 3 2 39
>
> 1 3 2 >>
<6 7 6 7 6 1 7=
6 1 7 6 3 7;6 7
4 ;
>
> 1 5 4 1 5 4 1 5>
>
: ;
2 4 1
genera a Im(T ) y nos preguntamos si este nuevo conjunto es linealmente
independiente. Para resolver esta pregunta hacemos lo siguiente:
2 3 2 3 2 3 2 3
1 3 2 0
6 1 7 6 3 7 6 1 7 6 0 7
a6 7 6 7 6 7 6 7
4 1 5 + b4 1 5 + c4 1 5 = 4 0 5
2 4 1 0
implica
a + 3b + 2c = 0
a + 3b + c = 0
:
a+b+c=0
2a + 4b + c = 0
Este sistema tiene como solución
a = 12 c
b = 12 c
c=c
por tanto el conjunto es linealmente dependiente y por tanto debemos elimi-
nar uno a más vectores del conjunto, de tal manera que los restantes formen
un conjunto linealmente independiente que siga generando a Im(T ). Para tal
hecho notamos que tomando c = 2 obtenemos
2 3 2 3 2 3
1 3 0
6 1 7 6 3 7 6 0 7
( 1) 6 7 6 7 6 7
4 1 5 + ( 1) 4 1 5 + (2) = 4 0 5 ,
2 4 0
82 3 2 3 2 39
>
> 1 3 2 > >
<6 7 6 7 6 7=
6 1 3
7 6 7 6 7 1
>4 1 5 ; 4 1 5 ; 4 1 5>
>
: >
;
2 4 1
2 3
2
6 1 7
6 7:
4 1 5
1
En consecuencia el conjunto
82 3 2 39
>
> 1 3 >
>
<6 7=
6 1 7 6 3
7;6 7
>4 1 5 4 1 5>
>
: >
;
2 4
sigue generando a Im(T ) y como estos dos vectores no son múltiplos forman
un conjunto linealmente independiente, por tanto son 2una base
3 para Im(T ).
x1
6 x2 7
Analicemos ahora la situación para N(T ): un vector 6 7 4
4 x3 5 de R está en
x4
N (T ) si y sólo si
02 31 2 3
x1 0
B6 x2 7C 6 0 7
TB 6 7C 6 7
@4 x3 5A = 4 0 5 ;
x4 0
si y sólo si
x1 + 3x2 + 2x3 + 6x4 = 0
x1 + 3x2 + x3 + 3x4 = 0
.
x1 + x2 + x3 + 3x4 = 0
2x1 + 4x2 + x3 + 3x4 = 0
, Solution is: x1 = 12 x3 32 x4 ; x2 = 1
x
2 3
3
x Pero este sistema tiene co-
2 4
mo
2 solución
3 a x1 = 12 x3 32 x4 ; x2 = 1
x
2 3
3
x , x3 = x3 , x4 = x4 . Luego,
2 4
x1
6 x2 7
6 7
4 x3 5 está en N(T ) si y sólo si
x4
2 3 2 1 3
3 2 1
3 2 3
3
x1 x
2 3
x
2 4 2 2
6 x2 7 6 1
x 3
x 7 6 1 7 6 3 7
6 7 6 2 3 2 4 7 = x3 6 2 7 + x4 6 2 7.
4 x3 5 = 4 x3 5 4 1 5 4 0 5
x4 x4 0 1
Así, N(T ) está generado por el conjunto

82 1
3 2 3
39
>
> 2 2 >
>
<6 17 6 3 7=
6 27;6 2 7
>4 1 5 4 0 5>
>
: >
;
0 1
el cual es linealmente independiente porque esos dos vectores no son múltip-

los. Concluimos que 82 3 2 39

1 3
>
> 2 2 >
>
<6 1 7 6 3 7=
6 2 7;6 2 7
>4 1 5 4 0 5>
>
: >
;
0 1
es una base para N(T ).
Teorema 4.6. Sean V; W un espacios vectoriales sobre R y T una transfor-

mación lineal de V en W . Entonces T es sobreyectiva si y sólo si existe una
base de W contenida en Im(T ).
Teorema 4.7. Sean V; W espacios vectoriales sobre R y T una transforma-

ción lineal de V en W . Entonces T es inyectiva si y sólo si el espacio nulo
de T es f0g.
De…nición. Sean V; W espacios vectoriales sobre R y T de V en W una

transformación lineal. Entonces T es un isomor…smo si T es biyectiva. En
tal caso se dice que V es isomorfo a W o que V y W son isomorfos.
Teorema 4.8. Sean V; W espacios vectoriales de dimensión …nita sobre R y

T un isomor…smo de V en W . Entomces:
1. Si fx1 ; :::; xn g es un conjunto linealmente independiente de V , entonces

fT (x1 ); :::; T (xn )g es un conjunto linealmente independiente de W .
2. Si fx1 ; :::; xn g genera a V , entonces fT (x1 ); :::; T (xn )g genera a W .
3. Si fx1 ; :::; xn g es una base de V , entonces fT (x1 ); :::; T (xn )g es una base
de W .
Teorema 4.9. Todo espacio vectorial V sobre R de dimensión n es isomorfo

a Rn .
Teorema 4.10. Sean V un espacio vectorial de dimensión n sobre R, W un

espacio vectorial de dimensión m sobre R, = fx1 ; :::; xn g una base ordenada
de V , 0 una base ordenada de W y T una transformación lineal de V en
W . Entonces h i
A = [T (x1 )] 0 [T (xn )] 0
es la única matriz de Rm n
tal que
A [x] = [T (x)] 0 para todo x 2 V .
Esta matriz se llama la matriz que representa a T respecto a las bases

ordendas y 0 .
Algunas veces, la matriz que representa a una trasformación lineal T respecto

a las base y 0 se denota por [T ] 0 . Con esta notación, la expresión
A [x] = [T (x)] 0 se convierte en
[T ] 0 [x] = [T (x)] 0 .
Ejemplo. Consideremos las bases
1 = 1, 1 x, 1 x2 , 1 x3
de P3 ,
1 1 1 1 1 1 1 1 1
2 = ; ; ;
1 1 1 1 1 0 1 0 0
1 1 1 1 1 0 1 0 0
; ;
0 0 0 0 0 0 0 0 0
de R2 3
y hallemos la matriz que representa a la transformación lineal
T : P3 ! R2 3
a0 0 a1
a0 + a1 x + a2 x 2 + a3 x 3 7 !
a2 0 a3
respecto de las bases 1 y 2. En efecto,
1 0 0 T
T (1) = =) [T (1)] = 0 0 0 0 0 1
0 0 0 2
1 0 1 T
T (1 x) = =) [T (1 x)] = 0 0 0 1 1 1
0 0 0 2
1 0 0 T
T (1 x2 ) = =) T (1 x2 ) = 0 0 1 1 0 1
1 0 0 2
1 0 0 T
T (1 x3 ) = =) T (1 x3 ) = 1 1 0 0 0 1 :
0 0 1 2
Luego, la matriz que representa a T respecto de las bases 1 y 2 es

2 3
0 0 0 1
6 0 0 0 1 7
6 7
6 0 0 1 0 7
A=6 6 0
7.
6 1 1 0 7
7
4 0 1 0 0 5
1 1 1 1
Nótese que si p(x) = a0 + a1 x + a2 x2 + a3 x3 , entonces

2 3 2 3
0 0 0 1 2 3 a3
6 0 0 0 7
1 7 a0 + + a3 6 a3 7
6 6 7
6 0 0 1 0 76 a 7 6 a 7
A [p(x)] 1 = 6
6 0
76
74
1 7=6
5 6
2 7 = [T (P (x))] .
7
6 1 1 0 7 a 2 6 1 a2
a 7 2
4 0 1 0 0 5 a3 4 a1 5
1 1 1 1 a0
Teorema 4.11. Sean U; V y W espacios vectoriales de dimensión …nita sobre

R con base ; 0 y 00 , respectivamente. Sean T : U ! V y S : V ! W
transformaciones lineales. Entonces
[S T] 00 = [S] 00 0 [T ] 0 .
4.2. EJERCICIOS 101
Teorema 4.12. Sea V un espacio vectorial de dimensión …nita sobre R con

bases y 0 y sea T : V ! V una transformación lineal. Entonces
1
[T ] 0 0 =P [T ] P,
0
donde P es la matriz de cambio de la base a la base .
4.2. Ejercicios
1. Determine si
T : 2 R3 3 ! 2 R3 3
x 1+x+y
4 y 5 7 ! 4 3x + 2z 5
z 5 2y z
es una transformación lineal.
2. Halle una transformación lineal de R4 a R3 que tenga como espacio nulo a

82 3 2 39
>
> 1 1 >
>
<6 7 6 7=
6 2 7 6 3 7
gen 4 5 ; 4 .
>
> 1 0 5>>
: ;
2 4
3. Encuentre una transformación lineal de R3 en R3 que tenga como imagen

a 82 3 2 39
< 2 1 =
gen 4 5
1 ; 4 1 5 .
: ;
0 1
4. Sean
1 3 2
A=
0 2 1
y
T : R 3 ! R2
.
x 7 ! Ax
Halle el espacio nulo, nulidad, imagen y rango de T .
5. Halle un isomor…smo de R2 2
en R4 y otro de R4 en R2 2 .
6. Sean R V un espacio vectorial de dimensión n y una base de R V . De-

muestre que
T : V ! Rn
x 7 ! [x]
es un isomor…smo. Esto demuestra el Teorema 4.9.
7. Sea A 2 Rn n
. Demuestre que A es invertible si y sólo si la transformación
lineal
T : Rn ! Rn
x 7 ! Ax
es biyectiva.
8. Sean V un espacio vectorial sobre R de dimensión …nita, una base de

V , W un espacio vectorial sobre R y T una transformación lineal de V en
W . Demuestre que T es la transformación cero si, y sólo si, T (x) = 0 para
todo x de .
Capítulo 5
Ortogonalidad
El principal objetivo de este capítulo es el estudio de los espacios vectoriales

reales en los que tiene sentido hablar de longitud de un vector y ángulo entre
vectores. Se hará esto mediante el estudio de ciertas funciones conocidas como
productos interiores.
5.1. Espacios con productos interiores

De…nición. Un producto interior en un espacio vectorial V sobre R es
una función que asigna a cada par de vectores x; y de V un escalar hx; yi 2 R
de tal modo que para cualesquier x; y; z de V y todos los escalares c 2 R se
tiene que:
1. hx; xi 0 y hx; xi = 0 si, y sólo si, x = 0.
2. hx; cyi = c hx; yi.
3. hx; y + zi = hx; yi + hx; zi.
4. hx; yi = hy; xi.
Debe observarse que las condiciones 2, 3 y 4 implican que
hcx + y; zi = c hx; zi + hy; zi .
103
104 CAPÍTULO 5. ORTOGONALIDAD
De…nición. Un espacio con producto interior es un espacio vectorial

sobre R junto con un producto interior de…nido en ese espacio.
Un espacio vectorial real con producto interior y dimensión …nita es un es-

pacio euclidiano.
Ejemplo. En Rn existe un producto interior llamado producto interior

canónico o producto punto. Está de…nido para
2 3 2 3
x1 y1
6 7 6 7
x = 4 ... 5 , y = 4 ... 5 en Rn
xn yn
como
hx; yi2 = x1 y1 + + xn yn .
Ejemplo. Si A 2 Rn n
es invertible, entonces
hx; yi = xT AT Ay
es un producto interior en Rn . Este es llamado el A producto interior.
Ejemplo.
hA; Bi = tr(AT B)
es un producto interior en Rm n y Rm n . Este es el producto interior
canónico de matrices. Nótese que se reducen al productor interior canónico
en Rm cuando n = 1.
5.2. Espacios normados

De…nición. Una norma en un espacio vectorial V sobre R es una función
k k de V en R que satisface las siguientes condiciones para todo x; y 2 V y
todo c 2 R :
1. kxk 0 y kxk = 0 si, y sólo si, x = 0.
2. kcxk = jcj kxk.

5.2. ESPACIOS NORMADOS 105
3. kx + yk kxk + kyk.
De…nición. Un espacio normado es un espacio vectorial sobre R junto

con una norma de…nida en ese espacio.
Ejemplo. Si para cada x = [xi ] 2 Rn de…nimos

1 p
kxk2 = x21 + + x2n 2
= xT x.
Entonces k k2 es una norma en Rn .
Más aún, tenemos el siguiente resultado, en forma de ejemplo, que es una

fuente rica que nos ilustra acerca de la gran variedad de normas que se pueden
de…nir en Rn
Ejemplo. Sea p 1. Si para cada x = [xi ] 2 Rn de…nimos

1
kxkp = (jx1 jp + + jxn jp ) p .
Entonces k kp es una norma en Rn . Esta norma es llamada la p-norma de
Rn .
Ejemplo. Si para cada x = [xi ] 2 Rn de…nimos

kxk1 = max jxi j .
i
Entonces k k1 es una norma en Rn .
De…niciones. Sean V un espacio vectorial normado y x; y 2 V . La longi-

tud de x es kxk2 y la distancia entre x e y es
d(x; y) = kx yk2 .
Ejemplo. Hallemos la longitud de x y la distancia entre x y y, donde

2 3 2 3
1 3
x = 4 2 5 y y = 4 1 5.
4 5
Por de…nición de longitud y distancia tenemos:

2 3
1 p p
kxk2 = 4 2 5 = ( 1)2 + (2)2 + (4)2 = 21,
4 2
y 2 3 2 3 2 3
1 3 4
d(x; y) = 4 2 5 4 1 5 = 4 1 5
4 5 2
9 2
p p
= ( 4)2 + (1)2 + (9)2 = 7 2.
Teorema 5.1. (Desigualdad de Cauchy-Bunyakovskii-Schwarz). Sea

V un espacio vectorial sobre R con producto interior h ; i. Entonces
p p
jhx; yij hx; xi hy; yi para todo x; y 2 V .
Teorema 5.2. (Desigualdad triangular). Sea V un espacio vectorial sobre

R con producto interior h ; i. Entonces
p p p
hx + y ; x + yi hx; xi + hx; xi para todo x; y 2 V .
Teorema 5.3. Sean V sobre R un espacio con producto interior h ; i. En-

tonces
k k : V ! pR
x 7 ! hx; xi
es una norma en V . Esta norma es la norma en V inducida por el
producto interior h ; i.
5.2. ESPACIOS NORMADOS 107
De…nición. Sean x; y vectores no nulos de un espacio vectorial V sobre R

con producto interior h ; i. El ángulo entre los vectores x e y se de…nde
como
hx; yi
= cos 1 ,
kxk kyk
donde k k es la norma en inducida por h ; i.
Cuando hablemos de ángulo entre vectores de Rn sólo consideraremos el

producto interior h ; i2 y la norma k k2 .
Al realizar los cálculos para hallar el ángulo entre dos vectores, asegúrese de
que su calculadora esté en modo radianes.
Ejemplo. Hallemos el ángulo entre los vectores
2 7
y .
3 1
En efecto,
0 2 32 3 1
4
2 54 7 5
;
hx; yi2 B 3 1 C
= cos 1
= cos 1 B 2 3 2 3 2C
kxk2 kyk2 @ 2 5 4 7 5 A
4
3 2 1 2
1 11
= cos p p cos 1 ( 0;431455497)
13 52
2;0169 radianes 115;6 grados:
Teorema 5.4. (Identidad del paralelogramo). Para una norma k k en

un espacio vectorial V sobre R, existe un pruducto interior h ; i en V tal
que kxk2 = hx; xi para todo x 2 V si, y sólo si, la identidad del paralel-
ogramo
kx + yk2 + kx yk2 = 2 kxk2 + kyk2
se cumple para todo x; y 2 V .
Teorema 5.5. Sean U 2 Rn n

ortogonal y u una columna de U. Entonces
kuk2 = 1:
Demostración.
UT U = In =) uT u = 1 =) hu ; ui2 = 1
=) kuk22 = 1 =) kuk2 = 1.

ortogonal y x 2 Rn . Entonces kUxk2 = kxk2 .
Demostración.
kUxk22 = hUx ; Uxi2 = (Ux)T Ux = xT UT Ux = xT x = kxk22 .
Luego kUxk2 = kxk2 .
5.3. Vectores ortogonales

De…niciones. Sean x y y vectores de un espacio vectorial V con producto
interior h ; i. Entonces x es ortogonal a y si hx; yi = 0; como esto implica
que y es ortogonal a x, a menudo sólo diremos que x y y son ortogonales.
Si S es un conjunto de vectores de V , se dice que S es un conjunto orto-
gonal siempre que todos los pares de vectores distintos de S sean ortogonales.
Un conjunto ortonormal es un conjunto ortogonal S con la propiedad
adicional de que kxk = 1 para todo x 2 S.
Teorema 5.7. Todo conjunto ortogonal de vectores no nulos es linealmente

independiente.
5.3. VECTORES ORTOGONALES 109
Teorema 5.8. Si un vector x es combinación lineal de un conjuto ortogonal

de vectores no nulos fx1 ; :::; xn g, entonces x es igual a la combinación lineal
particular
hx; x1 i hx; xn i
x= 2 x1 + + xn .
kx1 k kxn k2
Teorema 5.9. (Proceso de ortogonalización Gram-Schmidt) Sean V

un espacio con producto interior h ; i y = fx1 ; :::; xn g una base de V . Si
k k es la norma en V inducida por h ; i. Entonces 0 = fy1 ; :::; yn g es una
base de ortogonal de V , donde
hxj ; y1 i hxj ; yj 1 i
y1 = x1 y yj = xj ( y1 + + yj 1 ) para j = 2; :::; n.
hy1 ; y1 i hyj 1 ; yj 1 i
Teorema 5.10. Todo espacio con producto interior de dimensión …nita tiene
una base ortonormal.
De…nición. Sean W un subespacio de un espacio vectorial con producto

interior V y x 2 V . Una mejor aproximación a x por vectores de W es
un vector y 2 W tal que
kx yk kx wk
para todo w 2 W .
Teorema 5.11. Sean W un subespacio de un espacio con producto interior

V y x 2 V . Entonces:
1. Un vector y 2 W es una mejor aproximación a x, por vectores de W si,

y sólo si, x y es ortogonal a todo vector de W .
2. Si existe una mejor aproximación a x por vectores de W es única.
3. Si W es de dimensión …nita y fx1 ; :::; xn g es cualquier base ortogonal de

W , entonces el vector
hx; x1 i hx; xn i
y= x1 + + xn .
kx1 k2 kxn k2
es la única mejor aproximación a x por vectores de W .
De…nición. Siempre que exista el vector y del que se habla en el Teorema

5.11 se le llamará la proyección ortogonal de x sobre W .
De…nición. Sean V un espacio con producto interior y S un subconjunto no

vacío de V . El complemento ortogonal de S es el conjunto S ? de todos
los vectores de V ortogonales a todo vector de S. Si W y U son subespacios
de V , y cada vector de W es ortogonal a cada vector de U , entonces W y
U son subespacios ortogonales. Si W y U son subespacios ortogonales,
denotaremos tal hecho por W ?U .
Teorema 5.12. Sea W un subespacio de un espacio vectorial dimensión

…nita con producto interior V . Entonces
V =W W ?.
La expresión W W ? signi…ca que cada vector de V se deja escribir de
manera única, salvo conmutatividad, como la suma de un vector en W con
otro de W ? y que W \ W ? es igual a vacío.
5.4. Ejercicios
1. Calcule hx; yi2 si 2 3 2 3
1 3
x=4 2 , y = 2 5.
5 4
1 2
5.4. EJERCICIOS 111
2.Calcule hx; yi2 si 2 3 2 3

1 1
x = 4 2 5, y = 4 1 5.
2 2
3.Calcule kxk2 ; kxk1 y kxk1 , para

2 3
1
x=4 2 5.
3
4.Calcule kxk2 para 2 3

2
x = 4 2 5.
3
5. Sean x; y 2 Rn . Demuestre que
kx + yk22 + kx yk22 = 2(kxk22 + kyk22 ).
6. Halle una base ortonormal para R4 a partir de la base

82 3 2 3 2 3 2 39
>
> 3 1 1 0 > >
<6 7 6 3 7 6 0 7 6 1 7=
6 0 7, 6 7, 6 7, 6 7 .
> 4 1 5 4 0 5 4 2 5 4 0 5>
>
: >
;
0 1 1 2
7. Halle la proyección ortogonal de

2 3
1
x=4 1 5
2
sobre 82 3 2 39
< 1 0 =
W = gen 4 5
1 , 4 1 5 .
: ;
2 3
8. Halle W ? si 82 3 2 39
>
> 1 0 >>
<6 7 6 =
1 7 6 0 7
W = gen 6
4 3 5, 4
7 .
>
> 1 5>
>
: ;
1 1
9. Sean U 2 Rn n
ortogonal y x, y 2 Rn . Demuestre que
hx , yi2 = 0 () hUx , Uyi2 = 0.
10. Demuestre que A 2 Rn n

satisface AT A = AAT si, y sólo si,
kAxk2 = AT x 2
para todo x 2 Rn .
11. Sea U 2 Rn n
tal que para todo x 2 Rn
kUxk2 = kxk2 .
Demuestre que U es ortogonal.

Capítulo 6
Valores y Vectores Propios
En este capítulo presentaremos los conceptos básicos de valor propio, vec-

tor propio, espacio propio y espectro de una matriz. Además, presentaremos
algunos de los resultados más relevantes relacionados con tales conceptos.
Debido a que en un estudio de los valores y vectores propios es imposible no

hablar de números complejos, debemos hacer algunas observaciones respecto
a la terminología que utilizaremos en este capítulo. La palabra escalar se
utilizará para referirnos a un número que puede ser real o complejo. Un
vector n 1 será una matriz n 1 cuyas componentes pueden ser números
reales o complejos.
6.1. Valores y Vectores Propios

De…nición. Sea A 2 Rn n . Un escalar es un valor propio de A si existe
un vector n 1 x 6= 0 tal que Ax = x. Ahora, si Ax = x con x 6= 0,
entonces x es un vector propio de A asociado al valor propio .
Ejemplo. 2 es un valor propio de la matriz

2 3
2 0 1
A= 4 5 1 2 5,
3 2 5=4
113
114 CAPÍTULO 6. VALORES Y VECTORES PROPIOS
ya que
2 32 3 2 3 2 3
2 0 1 1 2 1
4 5 1 2 54 3 5=4 6 5= 24 3 5.
3 2 5=4 4 8 4
2 3
1
Además, 4 3 5 es un vector propio de A asociado al valor propio 2.
4
Teorema 6.1. Sea A 2 Rn n : Entonces ningún vector propio de A puede
estar asociado a valores propios distintos de A.
Demostración. Si suponemos que x es un vector propio de A asociado a

valores propios distintos i , j de A, entonces ( i j ) 6= 0 y
( i j )x = ix jx = Ax Ax = 0.
Luego
1 1
( i j) ( i j )x =( i j) 0 =) x = 0,
lo cual es absurdo. Por tanto, ningún vector propio de A puede estar asociado
a valores propios distintos de A.
, el espectro de A es
(A) = f escalar : es un valor propio de Ag .
El símbolo R [x] denotará al conjunto de los polinomios en la variable x y

coe…cientes en R. La evaluación de un polinomio p(x) = a0 + a1 x + + at xt
de R [x] en una matriz A 2 Rn n es la matriz
p(A) = a0 In + a1 A + + at At ,
donde Ai para todo i = 2, ..., t es el producto usual de matrices de A con

sigo misma i veces.
Ejemplo. Sean
1 1
A=
1 2
6.2. SUBESPACIOS PROPIOS 115
y p(x) = 1 3x + 2x2 . Entonces
1 0 1 1 1 1 1 1
p(A) = 1 3 +2
0 1 1 2 1 2 1 2
1 0 3 3 0 6 2 3
= + + = :
0 1 3 6 6 6 3 1
Teorema 6.2. Sean A 2 Rn n , p(x) 2 R [x], 2 (A) y x un vector propio

de A asociado a . Entonces p( ) 2 (p(A)) y x es un vector propio de p(A)
asociado a p( ).
Demostración. Supongamos que p(x) = a0 + a1 x + + at xt , entonces
p(A)x = a0 x + a1 Ax + + at At x,
pero
j
Aj x = Aj 1 Ax = Aj 1
x = Aj 1 x = = x
para todo j = 1,...,t. Luego
p(A)x = a0 x + a1 x + + at t x
= (a0 + a1 + + at t )x = p( )x.
6.2. Subespacios Propios

y un valor propio de A. Entonces
EA ( ) = fx vectores n 1 : Ax = xg
es un subespacio del espacio de los vectores n 1 sobre los números complejos.
Demostración. Claramente A0 = 0, por tanto 0 2 EA ( ). Ahora, si x,

y 2 EA ( ) y c escalar, entonces
A(c x + y) = c Ax + Ay = c x + y = (c x + y),
por tanto (c x + y) 2 EA ( ). Luego EA ( ) es un subespacio de los vectores

n 1 sobre los números complejos.
Nótese que EA ( ) es igual a f0g unido con el conjunto formado por todos
los vectores propios de A asociados al valor propio . Además, por Teorema
6.1 se tiene que si i , j son valores propios distintos de A, entonces
EA ( i ) \ EA ( j ) = f0g .
De…nición. El subespacio EA ( ) se denomina subespacio propio de A

asociado al valor propio . Además, la dimensión de EA ( ), dim(EA ( )), se
llama la multiplicidad geométrica del valor propio de A.
De la de…nición de vector propio, es claro que EA ( ) tiene al menos un vector

no nulo, por tanto
dim(Rn ) = n dim(EA ( )) 1.
6.3. Matrices Invertibles y Valores Propios

. Entonces = 0 es un valor propio de A si, y
sólo si, A es no invertible.

. Entonces A es invertible si, y sólo si, ningún
valor propio de A es cero.
Demostración. Este resultado es equivalente al Teorema 6.4.
Teorema 6.6. Sea A 2 Rn n una matriz invertible. Entonces es un valor

propio de A si, y sólo si, 1 es un valor propio de A 1 . Aún más, x es un
vector propio de A asociado a si, y sólo si, x es un vector propio de A 1
1
asociado a .
Demostración. Puesto que A es invertible, ninguno de sus valores propios

es cero. Luego, un escalar es un valor propio de A y x es un vector propio
6.4. PRODUCTO DE MATRICES Y VALORES PROPIOS 117
de A asociado a
() Ax = x
() A 1 Ax = A 1
x
1
() A 1x = x
1 1 1
si, y sólo si, es un valor propio de A y x es un vector propio de A
1
asociado a .
6.4. Producto de matrices y Valores Propios

Teorema 6.7. Sean A, B 2 Rn n
. Entonces
(AB) = (BA).
6.5. Localización de Valores Propios

Existen muchos teoremas que dan información acerca de la localización en el
plano complejo de los valores propios de una matriz. El más famoso de ellos
es el Teorema de Gershgorin, el cual constituye el centro de esta pequeña
sección.
De…nición. Sea A 2 Rn n . El radio espectral de A es el número real no

negativo
rad(A) = max fj j : 2 (A)g .
j j signi…ca módulo de si es complejo o valor absoluto de si es real.
El radio espectral de una matriz A 2 Rn n es justamente el radio del disco

cerrado más pequeño centrado en el origen del plano complejo que contiene
a todos los valores propios de A.
. Los n discos de Gershgorin de A son:
Dp = fz escalar : jz app j Rp (A)g p = 1; :::; n.

Donde
Rp (A) = jap1 j + + ap(p 1) + ap(p+1) + + japn j :
La región del plano complejo formada por la unión de esos n discos será
llamada región de Gershgorin y denotada por G(A).
Teorema 6.8. (De Gershgorin). Sea A 2 Rn n

. Entonces (A) está con-
tenido en G(A).
6.6. Cálculo de Valores Propios

. Entonces es un valor propio de A si, y sólo
si, det( In A) = 0.
Demostración.
valor propio de A () 9 x 6= 0 : A x = x
() 9 x 6= 0 : ( In A)x = 0
() ( In A) es no invertible
() det( In A) = 0.
. El polinomio característico de A es el poli-
nomio de R [x] dado por
PA (x) = det(xIn A).
La expresión PA (x) = 0 se llama ecuación característica de A.
Según Teorema 6.9, es un valor propio de A 2 Rn n si, y sólo si, es

solución de la ecuación característica de A. Esto último equivale a que es
una raíz de PA (x).
6.6. CÁLCULO DE VALORES PROPIOS 119
Ejemplo. Hallemos el polinomio característico y los valores propios de

2 3
1 2 3
A = 4 4 5 6 5.
7 8 9
En efecto,
02 31
x 1 2 3
PA (x) = det(xI3 A) = det @4 4 x 5 6 5A
7 7 x 9
= x3 15x2 18x.
Una simple inspección visual muestra que 1 = 0 es una raíz de PA (x). Con
esa información es fácil probar (con ayuda de la Fórmula
p General
p Cuadrática)
15 3
que las otras raíces de PA (x) son 2 = 2 33 y 3 = 2 33 + 15
3
. Así,
15 3
p 3
p 15
2 2
(A) = 0, 2 2
33, 2 33 + 2 .
Por lo general, es difícil o imposible hallar las raíces de PA (x). Sin embargo, si
PA (x) tiene coe…cientes enteros, algunas veces es útil un resultado de Álgebra
elemental que dice: si p(x) es un polinomio con coe…cientes enteros, entonces
toda raíz entera de p(x) divide al término independiente de este.
Ejemplo. Hallemos los valores propios de una matriz A que tiene como
polinomio característico a
PA (x) = x3 + 2x2 3x 6.
Si PA (x) tiene una raíz entera, esa raíz debe ser un divisor del término
constante. Los divisores de 6 son: 1, 2, 3, 6. Si sustituimos x = 2 en
PA (x) se obtiene cero. De tal hecho podemos deducir que 2 es una raíz de
PA (x) y que x + 2 divide exactamente a PA (x). Con ayuda de la Fórmula
General Cuadrática encontramos que
p p
PA (x) = (x + 2)(x 3)(x + 3).
p p
Luego los valores propios de A son 2, 3 y 3.
De…nición. Sea es un valor propio de A 2 Rn n . El número de veces que

se repita como raíz de PA (x) es la multiplicidad algebraica del valor
propio de A.
Ejemplo. La matriz
2 3
1 0 0 0 0
6 0 2 0 0 0 7
6 7
A=6
6 1 0 5 6 0 7
7
4 1 0 3 4 0 5
0 0 0 0 2
cuyo polinomio característico es
PA (x) = x5 7x3 + 2x2 + 12x 8
= (x + 2)2 (x 1)2 (x 2),
tiene como valores propios 1 = 2 con multiplicidad algebraica 2, 2 = 1

con multiplicidad algebraica 2 y 3 = 2 con multiplicidad algebraica 1.

. Entonces PA (x) es un polinomio de grado
n. Además, si
PA (x) = an xn + an 1 xn 1
+ an 2 x n 2
+ + a1 x + a0 ,
entonces an = 1, an 1 = tr(A) y a0 = ( 1)n det(A).

y 1 ; :::; n los valores propios de A. En-
tonces
det(A) = 1 n y tr(A) = 1 + + n.
Teorema 6.12. Sea A 2 Rn n . Entonces A y AT tienen los mismos valores

propios con las mismas multiplicidades algebraicas correspondientes.
6.7. CÁLCULO DE VECTORES PROPIOS 121
Demostración. Bastará probar que PA (x) = PAT (x). En efecto,
PA (x) = det(xIn A) = det((xIn A)T )
= det(xIn AT ) = PAT (x).
6.7. Cálculo de Vectores Propios

Teorema 6.13. Sean A 2 Rn n y un valor propio de A. Entonces x es
un vector propio de A asociado a si, y sólo si, x es una solución no trivial
del sistema homogéneo de ecuaciones lineales ( In A)y = 0.
Demostración. x es solución no trivial del sistema ( In A)y = 0, si, y

sólo si, x 6= 0 y ( In A)x = 0 si, y sólo si, x 6= 0 y Ax = x.
Presentamos a continuación algunos ejemplos que ilustran la forma como se

pueden hallar valores propios y vectores propios.
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
2 12
A= .
1 5
Solución. La ecuación característica de A es

x 2 12
det(xIn A) = det = x2 + 3x + 2 = (x + 1)(x + 2) = 0;
1 x+5
de donde se obtiene que 1 = 1 y 2 = 2 son los valores propios de

A. Para determinar los vectores propios correspondientes se resuelven los
sistemas homogéneos ( 1 I2 A)x = 0 y ( 2 I2 A)x = 0: para 1 = 1, la
matriz de coe…cientes es
1 2 12 3 12
( 1)I2 A= = ,
1 1+5 1 4
que se reduce por …las a

1 4
.
0 0
Por consiguiente, x1 4x2 = 0. Se concluye que todo vector propio de A

asociado a 1 = 1 es de la forma
x1 4x2 4
x= = = x2 , x2 6= 0.
x2 x2 1
4
Luego EA ( 1 ) = gen . Para 2 = 2, la matriz de coe…cientes es
1
2 2 12 4 12
( 2)I2 A= = ,
1 2+5 1 3
que se reduce por …las a

1 3
.
0 0
Por consiguiente, x1 3x2 = 0. Luego todo vector propio de A asociado a
1 = 2 es de la forma
x1 3x2 3
x= = = x2 , x2 6= 0.
x2 x2 1
3
Luego EA ( 2 ) = gen .
1
2 3
2 1 0
4
A= 0 2 0 5:
0 0 2

02 31
x 2 1 0
det(xIn A) = det @4 0 x 2 0 5A = (x 2)3 = 0:
0 0 x 2
Por tanto, 1 = 2 es el único valor propio de A. Ahora,

2 3
0 1 0
2I3 A = 4 0 0 0 5
0 0 0
6.7. CÁLCULO DE VECTORES PROPIOS 123
ímplica que en la solución del sistema homogéneo (2I3 A)x = 0 tiene que
x2 = 0 y las variables x1 , x3 están libres. Luego todo vector propio de A
asociado a 1 = 2 es de la forma
2 3 2 3 2 3 2 3
x1 x1 1 0
x = 4 x2 5 = 4 0 5 = x1 4 0 5 + x3 4 0 5 .
x3 x3 0 1
82 3 2 39
< 1 0 =
Luego EA ( 1 ) = gen 4 0 5 , 4 0 5 .
: ;
0 1
2 3
1 0 0 0
6 0 1 5 10 7
A=6 4 1 0 2
7.
0 5
1 0 0 3

02 31
x 1 0 0 0
B6 0 x 1 5 10 7C
det(xIn A) = det B @4
6 7C
5A
1 0 x 2 0
1 0 0 x 3
= (x 1)2 (x 2)(x 3) = 0:
Así los valores propios de A son 1 = 1, 2 = 2 y 3 = 3. Una base para el

espacio propio de 1 = 1 se encuentra como sigue:
2 3
0 0 0 0
6 0 0 5 10 7
(1)I3 A = 64 1 0
7
1 0 5
1 0 0 2
y se reduce a la matriz 2 3
1 0 0 2
6 0 0 1 2 7
6 7.
4 0 0 0 0 5
0 0 0 0
Lo cual implica que x1 + 2x4 = 0, x3 2x4 = 0 y x2 está libre. Así, todo

vector propio de A asociado a 1 = 1 es de la forma
2 3 2 3 2 3 2 3
x1 2x4 0 2
6 x2 7 6 x2 7 6 7 6 7
x=6 7=6 7 = x2 6 1 7 + x4 6 0 7 .
4 x3 5 4 2x4 5 4 0 5 4 2 5
x4 x4 0 1
82 3 2 39
>
> 0 2 >>
<6 7 6 7=
1 0
Luego EA ( 1 ) = gen 6 7 6 7
4 0 5 , 4 2 5>.
>
> >
: ;
0 1
Para 2 = 2 y 3 = 3, se sigue el mismo patrón para obtener
82 39 82 39
>
> 0 > > 0 >
<6 7> = >
<6 7=
>
5 5
EA ( 2 ) = gen 6 7 6 7
4 1 5> y que EA ( 3 ) = gen >4 0 5> .
>
> > > >
: ; : ;
0 1
6.8. Independencia lineal y vectores propios

Teorema 6.14. Sean 1 , ..., r valores propios distintos de A 2 Rn n . Si para
cada i 2 f1, ..., rg Si es un conjunto linealmente independiente de vectores
propios de A asociados a i , entonces S = S1 [ [Sr es todavía un conjunto
linealmente independiente.

y i un valor propio de A. Entonces
multiplicidad geométrica de i multiplicidad algebraica de i.
6.9. Valores propios de algunas matrices es-

peciales
6.9. VALORES PROPIOS DE ALGUNAS MATRICES ESPECIALES 125
Teorema 6.16. Los valores propios de una matriz simétrica son reales.

ortogonal y es un valor propio de U.
Entonces j j = 1.
Demostración. Sea x un vector propio de U asociado al valor propio ,

entonces
kxk2 = kUxk2 = k xk2 = j j kxk2 .
Luego j j = 1.
Teorema 6.18. Sea U 2 Rn n

ortogonal. Entonces
jdet(U)j = 1.
Demostración. Si 1 , ..., n son los valores propios de U (algunos i pueden

ser iguales), entonces por Teorema 6.11, det(U) = 1 n y como j i j = 1
para i = 1, ..., n, entonces
jdet(U)j = j 1 nj =j 1 j j nj =1 1 = 1.
Teorema 6.19. Sea A 2 Rn n es tal que AAT = AT A, entonces para todo

valor propio de A, se tiene que
EA ( ) = EAT ( ).
Teorema 6.20. Sean A 2 Rn n es tal que AAT = AT A y i, j valores

propios distintos de A. Entonces EA ( i ) ? EA ( j ).
6.10. Semejanza de Matrices

De…nición. Sean A, B 2 Rn n
. Decimos que A es semejante a B, si existe
P 2 Rn n invertible tal que
A = P 1 BP.
Teorema 6.21. (Lema de Schur). Toda matriz A 2 Rn n

es semejante a
una matriz triangular superior.
Teorema 6.22. Sean A, B 2 Rn n . Si A y B son semejantes, entonces

A y B tienen el mismo polinomio característico, y por consiguiente los mis-
mos valores propios con las mismas multiplicicades algebraicas respectivas, el
mismo determinante y la misma traza.
Demostración. Como A y B son semejantes, existe P 2 Rn n

invertible
tal que A = P 1 BP, luego
PA (x) = det(xIn A) = det(xIn P 1 BP)
= det(P 1 xIn P P 1 BP) = det(P 1 (xIn B)P)
= det(P 1 ) det(xIn B) det(P) = det(xIn B) = PB (x).
Teorema 6.23. Sean A, B 2 Rn n

semejantes con A = P 1 BP. Entonces
para todo 2 (A) se tiene que
EB ( ) = fPx : x 2 EA ( )g .
6.10. SEMEJANZA DE MATRICES 127
Teorema 6.24. Sean A, B 2 Rn n semejantes, entonces para todo 2 (A)

se tiene que dim(EA ( )) = dim(EB ( )).
De…nición. Una matriz A 2 Rn n

es diagonalizable si es semejante a
una matriz diagonal.
Ejemplo. La matriz 2 3
3 1 0
A=4 1 2 1 5
0 1 3
es diagonalizable, ya que la matriz
2 3
1 1 1
P=4 2 0 1 5
1 1 1
es invertible y
2 32 32 3
1=6 2=6 1=6 3 1 0 1 1 1
1
P AP = 4 3=6 0=6 3=6 5 4 1 2 1 5 4 2 0 1 5
2=6 2=6 2=6 0 1 3 1 1 1
= diag(1, 3, 4).

tal que A tiene n valores propios distintos,
entonces A es diagonalizable.
Teorema 6.26. Sean A 2 Rn n y 1 , ..., k los valores propios distintos de

A, entonces las siguientes a…rmaciones son equivalentes:
1. A es diagonalizable.
2. Existe una base para los vectores n 1 formada por vectores propios de
A.
3. para i = 1, ..., k dim(EA ( i )) es igual a la multiplicidad algebraica, mi , de

i como valor propio de A.
6.11. Ejercicios
1. Halle el espectro de una matriz diagonal de Rn n
.
2. Sean A,B 2 Rn n (n 2). Demuestre que:

(a) 2 (A) y 2 (B) no implica + 2 (A + B).
(b) 2 (A) y 2 (B) no implica 2 (AB).
3. Sean A 2 Rn n
y s 2 f1, ..., ng un número …jo. Demuestre que si ais = 0
para i = 1, ..., s 1, s + 1, ..., n, entonces ass es valor propio de A.
k
4. Sea A 2 Rn n . Demuestre que si 2 (A), entonces 2 (Ak ) para
todo k entero positivo.
5. Sea A 2 Rn n tal que la suma de los elementos de cada …la de A es c.

Pruebe que c 2 (A).
es idempotente si A2 = A. Demuestre que
(A) f0; 1g .
es unipotente si A2 = In . Demuestre que
(A) f1; 1g .
8. Una matriz A 2 Rn n es nilpotente si Ak = 0 para algún entero positivo

k. Demuestre que (A) = f0g.
6.11. EJERCICIOS 129
9. Halle los discos de Gershgorin para la matriz

2 3
1 0 1=4
A = 4 1=4 1 1=4 5 :
1 1 3
10. Demuestre, sin calcularlos, que los valores propios de la matriz

2 3
6 2 1
4 1 5 0 5
2 1 4
satisfacen la desigualdad 1 j j 9.
11. Demuestre que las partes imaginarias de los valores propios de la matriz
2 3
3 1=3 2=3
4 1 4 0 5
1=2 1=2 1
están situadas en el intervalo [ 1 ; 1].
12. Veri…que que p(x) = x4 2x3 11x2 + 24 es el polinomio característico

de la matriz 2 3
1 1 3 2
6 0 1 4 0 7
6 7
4 0 1 1 1 5
2 1 3 1
13. Halle todos los valores propios y bases para los espacios propios de la
matriz 2 3
3 2 2
A=4 1 1 1 5.
0 2 3
T
Ayuda: x = 1 1 1 es un vector propio de A.
14. Halle todos los valores propios y bases para los espacios propios de la
matriz 2 3
1 2 0
A=4 4 0 2 5.
0 2 1
Ayuda: 3 es un valor propio de A.
15. Demuestre que el polinomio característico de la matriz nula [resp. iden-

tidad] de Rn n es xn [resp. (x 1)n ], y por tanto su único valor propio es
= 0 [resp. = 1] con multiplicidad algebraica n.
16. Demuestre que los valores propios de una matriz triangular son los ele-
mentos de su diagonal principal.
17. Si 2 3
18 2 12
A= 4 4 9 6 5,
3 2 3
compruebe que PA (x) = x3 30x2 + 275x 750 y (A) = f5, 10, 15g.
18.Demuestre que si A 2 Rn n
y (A) = f 1 , ..., n g, entonces para todo
c 2 R (cA) = fc 1 , ..., c n g.
19. Sean A 2 Rn n
y c 2 R. Demuestre que
EA ( ) = EcA (c ) 8 2 (A).
20. Demuestre que existen matrices no nulas en Rn n

cuyo polinomio carac-
terístico es xn .
21. Sean A 2 Rn n
, 2 (A) y r 2 R+ . Demuestre que existe x 2 EA ( )
tal que kxk2 = r.
22. Si A, B 2 Rn n , n > 1 y PA (x) = PB (x). Demuestre que A y B no son

necesariamente semejantes.
6.11. EJERCICIOS 131
23. Sean D1 , D2 2 Rn n matrices diagonales. Demuestre que son semejantes

si, y sólo si, tienen los mismos polinomios característicos.
24. Demuestre que matrices semejantes tienen igual rango.

Bibliografía
[1] Anton, H. (1996), Introducción al Álgebra Lineal, Editorial Limusa S.A.

Grupo Noriega Editores, México.
[2] Asmar, A. J. (1995), Tópicos en Teoría de Matrices, Universidad Nacional

de Colombia, Sede Medellín.
[3] Harville, D. (1997), Matrix Algebra From a Statistician’s Perspective,

Springer - verlag, New York.
[4] Ho¤man, K. y Kunze, R. (1983), Álgebra Lineal, Prentice - Hall His-

panoamericana, S.A., México.
[5] Horn, R. y. J. C. (1985), Matrix Analisys, Cambridge University Press,

U.S.A.
[6] Kincaid, D. y Cheney, W. (1991), Numerical Analysis, Brooks Cole Pub-

lishing company. Paci…c Grove, California.
[7] Meyer, C. (2000), Analysis and Applied Linear Algebra, Siam, Philadel-
phia.
[8] Noble, B. y Daniel, J. W. (1989), Álgebra Lineal Aplicada, Prentice - Hall

Hispanoamericana, S.A., México.
[9] Searle, S. (1986), Matrix Algebra Useful for Statistics, John Wiley and
Sons, U.S.A.
132

Modulo de Álgebra Lineal

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

Modulo de Álgebra Lineal

Cargado por

Copyright:

Formatos disponibles

ÁLGEBRA LINEAL

Ricardo Miguel Guzman Navarro

1. Sistemas de ecuaciones lineales (S.E.L) 1

3.4. Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . 66

6. Valores y Vectores Propios 113

El objetivo principal de este trabajo es el de proporcionar un módulo guia,

Lo especial de este módulo es que en él se realiza un estudio del Álgebra Lineal

Ricardo Miguel Guzman Navarro.

Sistemas de ecuaciones lineales

El propósito de este capítulo es dar al lector información básica acerca de los

1.1. Sistemas de ecuaciones lineales

Notación - De…niciones. El símbolo R denotará al conjunto de los números

donde la suma ai + bi es la suma usual en R.

donde a1 ; a2 ; :::; an ; b están en R y x1 ; x2 ; :::; xn son variables. Se considera

Ejemplo. La ecuación lineal

3x1 + 4x2 3x3 x4 = 1 (1.1)

3(2) + 4(1) 3(2) (5) = 6 + 4 6 5= 1.

Para hallar todas las soluciones de la ecuación lineal a1 x1 +a2 x2 + +an xn =

Para hallar una solución particular de a1 x1 + a2 x2 + + an xn = b le damos

Ejemplo. Encuentre la solución general y una solución particular de la

con x2 ; x3 ; x4 en R. Tomando x2 = 1, x3 = 2, x4 = 1 y reemplacemos esos

Ejemplo. Encuentre tres expresiones distintas para la solución general de la

son conocidas tenemos

Ejemplo. Hallemos todas las soluciones de la ecuación lineal

3x1 2x2 + 4x3 x4 = 0

donde aij ; bi 2 R para i = 1; :::; m y j = 1; :::; n. Los aij se denominan

Es decir, c es solución de cada ecuación del sistema. El sistema (1.6) es

De…nición. Un sistema de ecuaciones lineales es consistente si tiene al

Ejemplo. Una solución del sistema de ecuaciones lineales

Debemos hacer notar que algunos sistemas de ecuaciones lineales no tienen

2x1 + 2x2 3x3 = 1

1.2. Solución de S.E.L

De…nición. Un sistema de ecuaciones lineales de la forma

donde aii 6= 0 para toda i, es un sistema triangular superior.

El sistema (1.7) tiene exactamente una solución, y esta solución se puede

Algoritmo para resolver el sistema triangular superior (1.7)

Entrar n; a11 ; :::; a1n ; b1 ; a22 ; :::; a2n ; b2 ; :::; ann ; bn :

El algoritmo anterior nos enseña un método para resolver cualquier sistema

Ejemplo. Resolver el siguiente sistema de ecuaciones lineales triangular su-

De…nición. Dos sistemas de ecuaciones lineales son equivalentes, si tienen

Las propiedades de la igualdad permiten realizar algunas operaciones a las

De…nición. Las operaciones elementales sobre las ecuaciones de un

Tipo 1. Intercambio de dos ecuaciones del sistema: Ei ! Ej .

Tipo 2. Multiplicar una ecuación por un escalar no cero: Ei ! cEi .

Tipo 3. Adicionar a una ecuación un múltipliplo de otra: Ei ! cEj + Ei .

Teorema 1.1. Si un sistema de ecuaciones lineales se obtiene a partir de

En lugar de resolver un sistema de ecuaciones lineales, podemos resolver

Ejemplo. Resolvamos el sistema

Así, la solución del sistema es

Ejemplo. Resolvamos el sistema

Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . Así, la solución del sistema es

Ejemplo. Resolver el sistema

2x4 x5 + 3x6 + 2 2x4 (x6 + 2) + 3x6 + 2

Luego la solución del sistema es

es una de las in…nitas soluciones del sistema.

Ejemplo. Resolvamos el sistema

La tercera igualdad anterior es contradictoria, esto implica que el sistema

Ejemplo. Un inversionista le comunica a su corredor de bolsa que todas sus

Solución. Supongamos que hace tres días el inversionista tenía $Z invertidos

de donde, al sustituir Z por x1 + x2 + 200 en las dos últimas ecuaciones

Este sistema fácil de resolver tiene como solución x1 = 340 y x2 = 220.

2. Resolver los siguientes sistemas de ecuaciones lineales:

3. Resolver los sistemas de ecuaciones lineales: