Está en la página 1de 70

Apuntes en Digital de Álgebra Lineal

Nombre de la Escuela Instituto Tecnológico Superior de Las Choapas


Nombre del (a) Alumno (a) Sarahi Cárdenas Pacheco
Nombre del(a) Profesor (a) M.A.C. Azucena García Guzmán
Carrera Ingeniería en Gestión Empresarial
Grado y Grupo 3° “A”
Número de Control 181A0191
Asignatura Álgebra Lineal

Índice
APUNTES DE ÁLGEBRA
Apuntes en Digital......................................................................................................1
.................................................................................................................................. 4
Temario Álgebra Lineal.............................................................................................4
1.1 Definición y origen de los números complejos................................................6
Definición de los números complejos.............................................................6
Representación de números complejos.........................................................6
Origen de los números complejos...................................................................7
1.2 Operaciones fundamentales con números complejos...................................7
Conjugado:.............................................................................................................. 8
Suma y resta:......................................................................................................8
Multiplicación con números complejos:.........................................................8
División de números complejos:......................................................................9
1.3 Potencias de i, módulo de un número complejo..........................................10
Potencias de i:......................................................................................................10
Módulo de un número complejo:.......................................................................10
1.4 Forma polar y exponencial de un número complejo....................................10
Forma polar:.........................................................................................................10
Forma exponencial:.............................................................................................11
1.5 Teorema de Moivre, Potencias y raíces de números complejos................12
Uso..................................................................................................................... 13
Propiedades......................................................................................................14
Multiplicación y división..................................................................................14
Suma y restas...................................................................................................14
1.6 Ecuaciones polinómicas...................................................................................16
2.1 Definición de matriz, notación y orden..........................................................17
2.2 Operaciones con matrices...............................................................................18
2.3 Clasificación de las matrices...........................................................................20
2.4 Transformaciones elementales por reglón. Escalonamiento de una matriz.
Núcleo y rango de una matriz................................................................................22
2.5 Cálculo de la inversa de una matriz...............................................................25
2.6 Definición de determinante de una matriz....................................................26
2.7 Propiedades de los determinantes.................................................................26
2.8 Inversa de una matriz cuadrada a través de la adjunta..............................28
2.9 Aplicación de matrices y determinantes.......................................................29
3.1 Definición de sistemas de ecuaciones lineales............................................31

2
APUNTES DE ÁLGEBRA
3.2 Clasificación de los sistemas de ecuaciones lineales y tipos de solución 32
3.3 Interpretación geométrica de las....................................................................34
soluciones................................................................................................................. 34
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss, Gauss-
Jordan, inversa de una matriz y regla de Cramer................................................35
3.5 Aplicaciones.......................................................................................................42
4.1 Definición de espacio vectorial.......................................................................46
4.2 Definición de subespacio vectorial y sus propiedades................................47
4.3 Combinación lineal. Independencia lineal....................................................48
4.4 Base y dimensión de un espacio vectorial, cambio de base......................52
4.5 Espacio vectorial con producto interno y sus propiedades.........................53
4.6 Base ortonormal, proceso de..........................................................................55
orto normalización de Gram-Schmidt...................................................................55
5.1 Definición de transformación lineal...............................................................58
5.2 Núcleo e imagen de una transformación lineal............................................61
5.3 Representación matricial de una transformación lineal.............................64
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación.............................................................................................66
Referencias...........................................................................................................69

3
APUNTES DE ÁLGEBRA

Temario Álgebra Lineal


1. Números complejos.
1.1. Definición y origen de los números
complejos.
1.2 Operaciones fundamentales con números
complejos.
1.3 Potencias de “i”, módulo o valor absoluto
de un número complejo.
1.4 Forma polar y exponencial de un número
complejo.
1.5 Teorema de Moivre, potencias y
extracción de raíces de un número complejo.
1.6 Ecuaciones polinómicas.

2. Matrices y determinantes.
2.1 Definición de matriz, notación y orden.
2.2 Operaciones con matrices.
2.3 Clasificación de las matrices.
2.4 Transformaciones elementales por reglón.
Escalonamiento de una matriz. Núcleo y rango
de una matriz.
4
APUNTES DE ÁLGEBRA
2.5 Cálculo de la inversa de una matriz.
2.6 Definición de determinante de una matriz.
2.7 Propiedades de los determinantes.
2.8 Inversa de una matriz cuadrada a través

de la adjunta.
2.9 Aplicación de matrices y determinantes.

3. Sistemas de ecuaciones lineales


3.1 Definición de sistemas de ecuaciones
lineales.
3.2 Clasificación de los sistemas de
ecuaciones lineales y tipos de solución.
3.3 Interpretación geométrica de las
soluciones.
3.4 Métodos de solución de un sistema de
ecuaciones lineales: Gauss, Gauss-Jordan,
inversa de una matriz y regla de Cramer.
3.5 Aplicaciones.

4. Espacios vectoriales.
4.1 Definición de espacio vectorial.
4.2 Definición de subespacio vectorial y sus
propiedades.
4.3 Combinación lineal. Independencia lineal.
4.4 Base y dimensión de un espacio vectorial,
cambio de base.
4.5 Espacio vectorial con producto interno y
sus propiedades.
4.6 Base ortonormal, proceso de
orto normalización de Gram-Schmidt.

5. Transformaciones lineales
5.1 Definición de transformación lineal.
5.2 Núcleo e imagen de una transformación
lineal.
5.3 Representación matricial de una
transformación lineal.
5.4 Aplicación de las transformaciones
lineales: reflexión, dilatación, contracción y
rotación

5
APUNTES DE ÁLGEBRA

Números complejos
1.1 Definición y origen de los números
complejos
Definición de los números complejos
Un número complejo es un número escrito en la forma z= a + bi donde a y
b son números reales e i es el símbolo formal que satisface la relación i² =
-1. (Lay, 2001). i es entonces un número imaginario.

Si en z = a + bi, a = 0 se tiene un imaginario puro. Si b=0 se tiene un


número real. (Flores y Fautsch, 1981). Los números complejos contienen a
los números reales. Vea la siguiente figura.

Los números complejos contienen a los números reales

Las operaciones aritméticas con números reales pueden extenderse al


conjunto de los números complejos.

Representación de números complejos


Veamos la representación puntual y la representación algebraica.

6
APUNTES DE ÁLGEBRA
En una representación puntual, el número complejo z se representa como
un punto del plano cartesiano (x,y) donde x es la parte real y y es la parte
imaginaria.

En la representación algebraica se utiliza la forma ya mencionada z= a+bi

Representación puntual Representación algebraica

(3,4) 3+4i

(-1,2) -1+2i

(0,1) 0+i = i

(2,0) 2+0i = 2

(4,-2) 4+(-2i) = 4-2i

Origen de los números complejos


En el siglo XVI la cantidad √-1 apareció por primera vez en la escena
matemática (Mahor, 2006). Se le conoce como “unidad imaginaria” y se
define como una de las soluciones de la ecuación x² + 1 = 0. Esta
ecuación no admite soluciones reales, pues el cuadrado de todo número
real es positivo. Procediendo formalmente se concluyó que i = √-1 es un
número “imaginario” con derecho a existir en las matemáticas.

Posteriormente se formaron los objetos con la forma z= a + bi donde a y b


son números reales, dando paso a los números complejos.

Una explicación detallada del desarrollo histórico de este tema los puedes
encontrar en el prólogo de Funciones de una variable compleja de
Guillermo Restrepo.

7
APUNTES DE ÁLGEBRA

1.2 Operaciones fundamentales con


números complejos
“Los números complejos pueden ser sumados, restados multiplicados o divididos (salvo la división
por 0 + 0i), las reglas formales y definiciones son iguales a las que usamos con los números reales.

1)     a + bi = c + di si y solo si a= c y b = d

2) (a + bi) + (c + di) = (a +c) + (b +d) i

3) (a + bi) - (c + di) = (a-c) + (b - d) i

4) (a + bi) (c+di) = ac + (bc+ad) i +bdi² = (ac – bd) + (bc + ad) i

5)     

Conjugado:

El conjugado  de un número complejo z = x + iy, está dado por = x – iy.

Ejemplo:

Si z = 3 – 2i, el conjugado de z es   = 3 – (-2i) = 3 + 2i

Suma y resta:
La suma y resta con números complejos se realiza de la misma manera que con
números reales.

Ejemplos:

(7 - 2i) + (3 - 3i) = 10 - 5i

(3 - i) + (2 + 3i) = 5 + 2i

2i + (-4 – 2i) = -4

(-4 + 2i) – (6 - 8i) = -10 – 10i

(5 + 2i) + (−8 + 3i) = −3 + 5i

8
APUNTES DE ÁLGEBRA

Multiplicación con números complejos:


En la multiplicación se siguen las mismas reglas algebraicas que con números reales
solo que con números complejos, llegamos a un resultado donde encontramos i 2,
donde i2 = -1.

Ejemplos:

División de números complejos:


En la división se hace uso del conjugado del denominador.

Ejemplo:

  lo primero que hacemos es calcular el conjugado del denominador, y luego multiplicarlo
por la división.

9
APUNTES DE ÁLGEBRA

1.3 Potencias de i, módulo de un número


complejo.
Potencias de i:

"El símbolo i =  -1 tiene la propiedad de que i2 = -1, de lo cual se puede deducir lo


siguiente:

i3 = i2i = (-1) i = -i

i4 = i2i2 = (-1) (-1) = 1

i5 = i4i = (1)i = i

i6 = i5i = (i)(i) = -1

Y así continua hasta que se llegue a la potencia deseada”.

Módulo de un número complejo:


“Se define el módulo de un número complejo como el módulo del vector que lo
representa, es decir si z = x + yi, el módulo de z es

Ejemplo:

Z = 3 – 4i

1.4 Forma polar y exponencial de un


número complejo
Forma polar:
            “Sean r y θ coordenadas polares del punto (x, y) que corresponde a un número
complejo no nulo z = x + iy.  Como x = r cos θ    e [    y = r sen θ

10
APUNTES DE ÁLGEBRA

z puede ser expresado en forma polar como

z = r (cosθ + i senθ).

En análisis complejo, no se admiten r negativos; sin embargo, como en el


Cálculo, θ tiene infinitos valores posibles, incluyendo valores negativos

r cosθ = x

                                                                                                                                  
r senθ = y

Para convertir de forma polar o rectangular:

z = 5 – 5i

Forma exponencial:

11
APUNTES DE ÁLGEBRA
            “La ecuación eiθ = cos θ + i sen θ que define el símbolo eiθ, o exp (iθ), para todo valor real
de θ, se conoce como fórmula de Euler. Si escribimos un número complejo no nulo en forma polar.

z = r (cos θ + i sen θ),

la fórmula de Euler permite expresar z más compactamente en forma exponencial:

z = reiθ”

Expresión rectangular: Z = x + yi

Forma polar: Z = r (cosθ + i senθ).

“Convertir de rectangular a polar:

Z = 5 - 5i

1. Se saca el modulo de |z| = r

2. Después de tener el módulo se obtiene teta.

(El resultado de la operación es -45 pero el punto (5,-5) se encuentra en el cuarto cuadrante, al
encontrarse ahí significa que a 360 se le restara el valor de teta.)

12
APUNTES DE ÁLGEBRA

1.5 Teorema de Moivre, Potencias y


raíces de números complejos
  “Fórmula de Moivre se aplica para cualquier número complejo z = r (cosθ + isenθ) y
para cualquier n∈ Z: z = rn (cosnθ + isennθ).

            “La "raíz n-ésima" de un valor dado, cuando se multiplica n veces da


el valor inicial        " n-ésima”.

1ª, 2ª, 3ª, 10ª (décima), 20ª (vigésima)... n-ésima ...

En vez de hablar de la "4ª (cuarta)", "16ª (decimosexta)", etc., si queremos hablar en


general decimos la "n-ésima".

Así como la raíz cuadrada es lo que se


multiplica dos veces para tener el valor
original...

... y la raíz cubica es lo que se


multiplica tres veces para tener el valor
original...

... la raíz n-ésima es lo que se


multiplica n veces para tener el valor
original.

13
APUNTES DE ÁLGEBRA

Uso
Se podría usar la raíz n-ésima en una pregunta así:

Pregunta: 

 , ¿cuánto es "n"?

Respuesta: 5 × 5 × 5 × 5 = 625, así que n=4 (es decir 5 se usa 4 en la


multiplicación).

O podríamos usar "n" porque queremos hablar de algo en general:

Ejemplo: Si n es impar entonces

                                                                                                          

Propiedades
Multiplicación y división
Puedes "separar" así multiplicaciones dentro de la raíz:

(Suponemos que a y b son ≥ 0)

Esto te ayudará a simplificar ecuaciones en álgebra, y también algunos cálculos:

Ejemplo: 

También funciona con la división:

(b no puede ser cero porque no se puede dividir entre cero)


Ejemplo: 

14
APUNTES DE ÁLGEBRA

Suma y restas
No se puede hacer lo mismo con sumas y restas

Ejercicio:

Encontrar las raíces cuartas de.

Z=1               n=4

Primero sacamos el modulo

Para calcular las raíces hacemos uso de la fórmula del teorema de Moivre.

En esta fórmula solo vamos a sustituir valores.

Para K=0, K=1, K=2, K=3.

K=0

15
APUNTES DE ÁLGEBRA

Entonces nuestras raíces serian: 1, i, -1, -i

1.6 Ecuaciones polinómicas


“Los números complejos surgen ante la imposibilidad de hallar todas las soluciones de
las ecuaciones polinómicas de tipo.

Dados los valores apropiados de los coeficientes an a a0 , esta ecuación tendrá n


soluciones reales sí que permitirán reescribir el polinomio de la siguiente forma:

IMAGEN 1.2

Sin embargo, ecuaciones incluso tan sencillas como x 2 + 1 = 0 desafían esta regla, ya
que su solución, que teóricamente vendría dada por:

IMAGEN 1.3

Que no existe en el campo de los reales ya que la raíz cuadrada no está definida para
argumentos negativos. 

Los números complejos sin embargo permiten ampliar aún más el concepto de
"número", definiendo la unidad imaginaria o i como i = raíz de -1, lo que significaría que
la ecuación anterior sí tendría dos soluciones, que serían x 1= i y x2= - i.

16
APUNTES DE ÁLGEBRA
 

La introducción de los números complejos permite probar el teorema fundamental del


álgebra, que dice que cualquier ecuación polinómica de grado n tiene exactamente n
soluciones complejas.

De esta manera, se define genéricamente un número complejo como un


número compuesto por dos partes, una parte real a y una parte imaginaria
b, escribiéndose como sigue: z = a + bi.

Por ejemplo, 2-3i, 4+8i, 3-πi, etc.   

Con los números complejos se opera como se operaría con productos de sumas
ordinarios, teniendo en cuenta siempre que i2 = -1: (a + bi)(c + di) = ac +adi +bci + bdi2
= (ac - bd) + (ad+bc)i.

La división es un poco más sofisticada debido a la necesidad de eliminar la unidad


imaginaria del de nominador de la fracción:

IMAGEN 1.4

Numero de soluciones de una ecuación polinomial.

1er grado X-2=0      X=2

2do grado       X2 -6X+9=0        (X-3)   (X-3)=        X=3     X=3

3er Grado        X3+4X=0           X(X+2) (X-2) =0          X=0    X=-2i   X=2i

4to Grado        X4-1=0      (X-1)     (X+1)    (X-1)    (X+i)=0

                        X=1     X=-1     X=1      X=-i    

Encontrar los valores de x :

X4- X2- 20= 0

(X2- 5)    (X2+4)=0

17
APUNTES DE ÁLGEBRA

Matrices y determinantes
2.1 Definición de matriz, notación y
orden
Una matriz es una tabla cuadrada o rectangular de datos (llamados elementos)
ordenados en filas y columnas, donde una fila es cada una de las líneas horizontales
de la matriz y una columna es cada una de las líneas verticales. A una matriz
con m filas y n columnas se le denomina matriz m-por-n (escrito m×n). Las
dimensiones de una matriz siempre se dan con el número de filas primero y el número
de columnas después. 

Comúnmente se dice que una matriz m-por-n tiene un orden de m × n ("orden" tiene el


significado de tamaño). Dos matrices se dice que son iguales si son del mismo orden y
tienen los mismos elementos.

Ejemplo:

Dada la matriz:

que es una matriz 4x3. El elemento A[2,3] es el 7

La matriz:

es una matriz 1×9, o un vector fila con 9 elementos.

2.2 Operaciones con matrices


SUMA:

Propiedades
-Asociativa
Dadas las matrices m×n A, B y C
18
APUNTES DE ÁLGEBRA
(A + B) + C = A + (B + C)

-Conmutativa
Dadas las matrices m×n A y B
A + B = B + A

-Existencia de matriz cero o matriz nula


A+0=0+A=A

PRODUCTO POR UN ESCALAR:


Dada una matriz A y un escalar c, su producto cA se calcula multiplicando
el escalar por cada elemento de A

Propiedades
Sean A y B matrices y c y d escalares.

-Clausura: Si A es matriz y c es escalar, entonces cA es matriz.

-Asociatividad: (cd)A = c(dA)

-Elemento Neutro: 1·A = A

-Distributividad:

    -De escalar: c(A+B) = cA+cB

    -De matriz: (c+d)A = cA+dA

PRODUCTO DE DOS MATRICES:


El producto de dos matrices se puede definir sólo si el número de
columnas de la matriz izquierda es el mismo que el número de filas de la
matriz derecha. Si A es una matriz m×n y B es una matriz n×p, entonces
su producto matricial AB es la matriz m×p (m filas, columnas).

Por ejemplo:

19
APUNTES DE ÁLGEBRA
Propiedades
Si los elementos de la matriz pertenecen a un cuerpo, y puede definirse el producto, el
producto de matrices tiene las siguientes propiedades:
-Propiedad asociativa: (AB)C = A(BC).
-Propiedad distributiva por la derecha: (A + B)C = AC + BC.
-Propiedad distributiva por la izquierda: C(A + B) = CA + CB.
-En general, el producto de matrices tiene divisores de cero: Si A.B =
0 , No necesariamente A o B son matrices nulas

-El producto de matrices no verifica la propiedad de simplificación: Si A.B =


A.C, No necesariamente B=C.

-El producto de dos matrices generalmente no es conmutativo, es


decir, AB ≠ BA. La división entre matrices, es decir, la operación que
podría producir el cociente A / B, no se encuentra definida. Sin embargo,
existe el concepto de matriz inversa, sólo aplicable a las matrices
invertibles.
Si A es una matriz m x r y B es una matriz r x n, entonces el
producto AB es la matriz m x n cuyos elementos se determinan como
sigue. Para encontrar el elemento en el renglón "i" y en la columna "j"
de AB, considerar solo el renglón "i" de la matriz A y la columna "j" de la
matriz B. Multiplicar entre si los elementos correspondientes del renglón y
de la columna mencionados y luego sumar los productos restantes.
Ejemplo:

Como A es una matriz 2 x 3 y B es una matriz 3 x 4, el producto AB es una


matriz 2 x 4. Para determinar, por ejemplo, el elemento en el renglón 2 y
en la columna 3 de AB, solo se consideran el renglón 2 de A y la columna
3 de B. Luego, como se ilustra a continuación, los elementos
correspondientes (en tipo negro) se multiplican entre sí y se suman los
productos obtenidos.

    (2*4) + (6*3) + (0*5) = 26


y así obtenemos el siguiente resultado:

20
APUNTES DE ÁLGEBRA
(1*4) + (2*0) + (4*2) = 12
(1*1) + (2*1) + (4*7) = 27
(1*4) + (2*3) + (4*5) = 30
(1*3) + (2*1) + (4*2) = 13                            
(2*4) + (6*0) + (0*2) = 8
(2*1) + (6*1) + (0*7) = -4
(2*3) + (6*1) + (0*2) = 12

2.3 Clasificación de las matrices


Matriz fila
Una matriz fila está constituida por una sola fila.

Matriz columna
La matriz columna tiene una sola columna

Matriz rectangular
La matriz rectangular tiene distinto número de filas que de columnas, siendo su
dimensión mxn.

Matriz cuadrada
La matriz cuadrada tiene el mismo número de filas que de columnas.
        
        Los elementos de la forma aii constituyen la diagonal principal.
        
        La diagonal secundaria la forman los elementos con i+j = n+1.

Matriz nula
En una matriz nula todos los elementos son ceros.

Matriz triangular superior


21
APUNTES DE ÁLGEBRA
En una matriz triangular superior los elementos situados por debajo de la diagonal
principal son ceros.

Matriz triangular inferior


En una matriz triangular inferior los elementos situados por encima de la diagonal
principal son ceros.

Matriz diagonal
En una matriz diagonal todos los elementos situados por encima y por debajo de la
diagonal principal son nulos.

Matriz escalar
Una matriz escalar es una matriz diagonal en la que los elementos de la diagonal
principal son iguales.

Matriz identidad o unidad


Una matriz identidad es una matriz diagonal en la que los elementos de la diagonal
principal son iguales a 1.

Matriz traspuesta
Dada una matriz A, se llama matriz traspuesta de A a la matriz que se obtiene
cambiando ordenadamente las filas por las columnas

Matriz simétrica
Una matriz simétrica es una matriz cuadrada que verifica:

A = At.

22
APUNTES DE ÁLGEBRA
Matriz antisimétrica o hemisimétrica
Una matriz antisimétrica o hemisimétrica es una matriz cuadrada que verifica:

A = -At.

2.4 Transformaciones elementales por


reglón. Escalonamiento de una matriz.
Núcleo y rango de una matriz.
La idea que se persigue con las transformaciones elementales es convertir
una matriz concreta en otra matriz más fácil de estudiar. En concreto,
siempre será posible conseguir una matriz escalonada, en el sentido que
definimos a continuación.

Sea A una matriz y F una fila de A. Diremos que F es nula si todos los
números de F coinciden con el cero. Si F es no nula, llamamos PIVOTE de
F al primer número distinto de cero de F contando de izquierda a derecha.

Una MATRIZ ESCALONADA es aquella que verifica las siguientes


propiedades:
1. Todas las filas nulas (caso de existir) se encuentran en la parte
inferior de la matriz.
2. El pivote de cada fila no nula se encuentra estrictamente más a la
derecha que el pivote de la fila de encima.

Por ejemplo, entre las matrices:

A no es escalonada, mientras que B y C si lo son.

Dada una matriz escalonada E se define el RANGO de E, que


representamos por rg (E), como el número de filas no nulas de E.

En los ejemplos B y C de arriba se tiene rg (B) = rg(C) = 2, sin embargo no


podemos decir que rg(A) = 3 ya que A no está escalonada. Otro ejemplo,
las matrices nulas tienen rango cero y la matriz identidad de orden n
cumple rg (In) = n.

La siguiente cuestión que abordaremos es la definición de rango para una


matriz cualquiera que no esté escalonada. La idea será la de transformar
la matriz dada en otra que sea escalonada mediante las llamadas
transformaciones elementales por filas que describimos a continuación.
23
APUNTES DE ÁLGEBRA

Dada una matriz A cualquiera, las TRANSFORMACIONES


ELEMENTALES por filas de A son tres:
1. Intercambiar la posición de dos filas.
2. Multiplicar una fila por un número real distinto de cero.
3. Sustituir una fila por el resultado de sumarle a dicha fila otra fila que
ha sido previamente multiplicada por un número cualquiera. 
Nota: Análogamente podríamos hacerlo todo por columnas; sin embargo,
son las transformaciones por filas las que son importantes en los sistemas
de ecuaciones lineales que estudiaremos después.

El siguiente resultado nos garantiza que siempre podemos transformar una


matriz cualquiera en otra escalonada.

=Teorema=
A partir de cualquier matriz A se puede llegar, mediante una cantidad finita
de transformaciones elementales, a una matriz escalonada E.

Veamos en un ejemplo cómo se hace. Obsérvese que, primero, hacemos


que la componente (1,1) de la matriz de partida sea igual a uno. Luego, se
hace que el resto de componentes de la primera columna sean cero.
Después se pasa a la componente (2,2), y así sucesivamente.

El teorema anterior nos permite hacer una definición importante: 

Dada una matriz A cualquiera se define el RANGO de A y lo denotamos


rg(A) como el rango de cualquier matriz escalonada E equivalente con A
(se demuestra que este número no depende de la matriz escalonada E a
la que se llegue). El rango siempre es un número menor o igual que el
número de filas y el número de columnas de A. Además, el rango es cero
si y sólo si A = 0. En nuestro ejemplo de antes, el rango es 3.

24
APUNTES DE ÁLGEBRA

25
APUNTES DE ÁLGEBRA

2.5 Cálculo de la inversa de una matriz.


Sabemos ya multiplicar matrices y hemos visto algunas de las propiedades
de esta operación. Recordemos, en primer lugar, que no siempre es
posible efectuar la multiplicación de dos matrices, y en segundo lugar, que
aunque sea posible hacer esta multiplicación, en general no es
conmutativo, es decir A·B es distinto de B*A.

En el caso particular de que tratemos con matrices cuadradas del mismo


orden A y B, es claro que podemos efectuar los productos A·B y B·A, que
darán como resultado otra matriz del mismo orden, aunque, como ya se ha
dicho, las matrices resultantes serán, en general, distintas.

Sabemos también que el elemento neutro del producto de matrices es la


matriz identidad In. Por analogía con el caso de los números reales,
podemos plantearnos la siguiente cuestión: Si tenemos un número real,
por ejemplo el 2, podemos interesarnos en buscar el inverso del 2 para el
producto, es decir un número real x tal que 2·x = 1, el producto de 2 por x
sea igual al elemento neutro, el 1.

Evidentemente, en el caso de los números reales es bien fácil despejar x


para obtener, en nuestro caso, que x =12, es decir, el inverso de un
número real es otro número que multiplicado por ´el da el elemento neutro,
el 1.

Todo número real, salvo el 0, tiene inverso.

Trasladando esto a las matrices, nos podemos plantear si dada una matriz
cuadrada A de orden n, cualquiera, existe su inversa X para el producto de
matrices, tal que A ・ X = In es decir, el producto de A por su inversa
produce el elemento neutro matricial, la matriz identidad In. Sin embargo,
hay algunas diferencias con respecto al caso de los números reales:
No podemos “despejar” la matriz X del modo X = In A, porque no hemos
definido la división de matrices.
No todas las matrices cuadradas no nulas tienen matriz “inversa” (sea lo
que sea, por analogía con los números).

Definamos, en primer lugar, el término de matriz inversa: Dada una matriz


cuadrada de orden n , A, se dice que A es invertible (o que posee inversa
o que es no singular o que es regular ), si existe otra matriz del mismo
orden, denominada matriz inversa de A y representada por A−1 y tal
que: A * A−1 = In y A−1 * A = In 

26
APUNTES DE ÁLGEBRA
Si A no tiene inversa, se dice que es singular o no invertible.

Si una matriz tiene inversa, dicha matriz inversa es única (sólo hay una).

2.6 Definición de determinante de una


matriz.
El determinante de una matriz cuadrada es un número real cuya definición
exacta es bastante complicada. Por ello, definiremos primero el
determinante de matrices pequeñas, y estudiaremos métodos y técnicas
para calcular determinantes en general. Solamente se puede calcular el
determinante a matrices cuadradas.

En cuanto a la notación, a veces el determinante se escribe con la palabra


det, y otras veces se indica sustituyendo los paréntesis de la matriz por
barras verticales.

El determinante de una matriz determina si los sistemas son singulares o


mal condicionados. En otras palabras, sirve para determinar la existencia y
la unicidad de los resultados de los sistemas de ecuaciones lineales.

• El determinante de una matriz es un número.


• Un determinante con valor de cero indica que se tiene un sistema
singular.
• Un determinante con valor cercano a cero indica que se tiene un sistema
mal condicionado.

Un sistema singular es cuando en el sistema de ecuaciones se tiene a más


de una ecuación con el mismo valor de la pendiente. Por ejemplo
ecuaciones que representan líneas paralelas o ecuaciones que coinciden
en los mismos puntos de graficación.

En un sistema mal condicionado es difícil identificar el punto exacto en que


las líneas de las ecuaciones se interceptan.

2.7 Propiedades de los determinantes


1.- |At|= |A| El determinante de una matriz A y el de su traspuesta At son
iguales. 

2.-|A|=0 Si: Posee dos líneas iguales


27
APUNTES DE ÁLGEBRA

Todos los elementos de una línea son nulos.

 Los elementos de una línea son combinación lineal de las otras.

 F3 = F1 + F2 

3.-Un determinante triangular es igual al producto de los elementos de la


diagonal principal

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


determinante cambia de signo.

 
5.-Si a los elementos de una línea se le suman los elementos de otra
paralela multiplicados previamente por un nº real el valor del determinante
no varía.

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


por dicho número cualquier línea, pero sólo una.

28
APUNTES DE ÁLGEBRA
7.-Si todos los elementos de una fila o columna están formados por dos
sumandos, dicho determinante se descompone en la suma de dos
determinantes.

 
8.-|A•B| =|A|•|B| El determinante de un producto es igual al producto de los
determinantes.

2.8 Inversa de una matriz cuadrada a


través de la adjunta.
Sea A una matriz de nxn. Entonces A es invertible si y solo si detA≠0. Si
detA≠0, entonces

 Si detA≠0, entonces se demuestra que (1/detA)(adjA) es la inversa de A


multiplicándola por A y obteniendo la matriz identidad:

Si AB=I, entonces B=A-1. Así, (1/detA)adjA=A-1

29
APUNTES DE ÁLGEBRA

2.9 Aplicación de matrices y


determinantes
Las matrices se utilizan en el contexto de las ciencias como elementos que
sirven para clasificar valores numéricos atendiendo a dos criterios o
variables.

Ejemplo: Un importador de globos los importa de dos colores, naranja (N)


y fresa (F). Todos ellos se envasan en paquetes de 2, 5 y 10 unidades,
que se venden al precio (en euros) indicado por la tabla siguiente:

30
APUNTES DE ÁLGEBRA
Sabiendo que en un año se venden el siguiente número de paquetes:

Resumir la información anterior en 2 matrices A y B, de tamaño respectivo


2x3 y 3x2 que recojan las ventas en un año (A) y los precios (B).

Nos piden que organicemos la información anterior en dos matrices de


tamaño concreto. Si nos fijamos en las tablas, es sencillo obtener las
matrices:

Estas matrices se denominan matrices de información, y simplemente


recogen los datos numéricos del problema en cuestión.

Otras matrices son las llamadas matrices de relación, que indican si ciertos
elementos están o no relacionados entre sí. En general, la existencia de
relación se expresa con un 1 en la matriz y la ausencia de dicha relaci´on
de expresa con un 0.

Estas matrices se utilizan cuando queremos trasladar la información dada


por un grafo y expresarla numéricamente.

En Matemáticas, un grafo es una colección cualquiera de puntos


conectados por líneas. Existen muchos tipos de grafos. Entre ellos,
podemos destacar:
 Grafo simple: Es el grafo que no contiene ciclos, es decir, líneas que
unan un punto consigo mismo, ni líneas paralelas, es decir, líneas
que conectan el mismo par de puntos.
 Grafo dirigido: Es el grafo que indica un sentido de recorrido de cada
línea, mediante una flecha.
Estos tipos de grafo pueden verse en la figura: 

31
APUNTES DE ÁLGEBRA
Relacionadas con los grafos se pueden definir algunas matrices. Entre
todas ellas, nosotros nos fijaremos en la llamada matriz de adyacencia,
que es aquella formada por ceros y unos exclusivamente, de tal forma que:
 un 1 en el lugar (i,j) expresa la posibilidad de ir desde el punto de la
fila i hasta el punto de la columna j mediante una línea que los una
directamente.
 un 0 en el lugar (i,j) expresa la imposibilidad de ir del primer punto al
segundo mediante una línea que los una directamente.
La matriz de adyacencia del grafo dirigido de la figura anterior será:

Sistemas de ecuaciones
lineales
3.1 Definición de sistemas de
ecuaciones lineales.
En matemáticas y álgebra lineal, un sistema de ecuaciones lineales,
también conocido como sistema lineal de ecuaciones o simplemente
sistema lineal, es un conjunto de ecuaciones lineales (es decir, un sistema
de ecuaciones en donde cada ecuación es de primer grado), definidas
sobre un cuerpo o un anillo conmutativo. Un ejemplo de sistema lineal de
ecuaciones sería el siguiente:

El problema consiste en encontrar los valores desconocidos de las


variables x1, x2 y x3 que satisfacen las tres ecuaciones.

El problema de los sistemas lineales de ecuaciones es uno de los más


antiguos de la matemática y tiene una infinidad de aplicaciones, como en
procesamiento digital de señales, análisis estructural, estimación,

32
APUNTES DE ÁLGEBRA
predicción y más generalmente en programación lineal, así como en la
aproximación de problemas no lineales de análisis numérico.

En general, un sistema con m ecuaciones lineales y n incógnitas puede ser


escrito en forma normal como: 

Donde   son las incógnitas y los números   son los


coeficientes del sistema sobre el cuerpo  . Es posible
reescribir el sistema separando con coeficientes con notación matricial:

Si representamos cada matriz con una única letra obtenemos: 

Donde A es una matriz m por n, x es un vector columna de longitud n y b


es otro vector columna de longitud m. El sistema de eliminación de Gauss-
Jordan se aplica a este tipo de sistemas, sea cual sea el cuerpo del que
provengan los coeficientes.

3.2 Clasificación de los sistemas de


ecuaciones lineales y tipos de solución
 Los sistemas de ecuaciones se pueden clasificar según el número de
soluciones que pueden presentar.
 Pueden presentar los siguientes casos:
1. Sistema incompatible si no tiene ninguna solución.
2. Sistema compatible si tiene alguna solución, en este caso además
puede distinguirse entre:
o Sistema compatible determinado cuando tiene un número finito
de soluciones.
o Sistema compatible indeterminado cuando admite un conjunto
infinito de soluciones.

Teniendo así la clasificación:

33
APUNTES DE ÁLGEBRA

Sabemos que una ecuación lineal o de primer grado es aquella que


involucra solamente sumas y restas de variables elevadas a la primera
potencia (elevadas a uno, que no se escribe). Son llamadas lineales por
que se pueden representar como rectas en el sistema cartesiano.
Se pueden presentar tres tipos de ecuaciones lineales:

a) Ecuaciones lineales propiamente tales


En este tipo de ecuación el denominador de todas las expresiones
algebraicas es igual a 1 y no se presentan como fracción, aunque el
resultado sí puede serlo.

Para proceder a la resolución se debe:


 Eliminar paréntesis.
 Dejar todos los términos que contengan a "x" en un miembro y los
números en el otro.
Luego despejar "x" reduciendo términos semejantes.  
  
Ejemplo:
4x – 2(6x – 5) = 3x + 12(2x + 16)
4x – 12x + 10 = 3x + 24x + 192
4x – 12x – 3x – 24x = 192 – 10
–35x = 182

b) Ecuaciones fraccionarias
En este tipo de ecuación lineal el denominador de a lo menos una de las
expresiones algebraicas es diferente de 1 (es una fracción). 
Para proceder a la resolución se debe:
Llevar a ecuación lineal (eliminar la fracción) multiplicando la ecuación por
el mínimo común múltiplo de los denominadores (m.c.m.)
Ejemplo:
34
APUNTES DE ÁLGEBRA
 

 
 
c) Ecuaciones literales:
Pueden ser lineales o fraccionarias. Si son fraccionarias, se llevan al tipo
lineal, pero en el paso de reducir términos semejantes se factoriza por "x"
para despejarla.
Ejemplo:

3.3 Interpretación geométrica de las


soluciones.
Cada ecuación representa un plano en el espacio tridimensional. Luego se
trata de estudiar la posición relativa de tres planos en el espacio. Las
soluciones del sistema son geométricamente los puntos de intersección de
los tres planos, los casos son: 
35
APUNTES DE ÁLGEBRA

=Un punto único. Sistema compatible determinado. Los tres planos se


cortan en P.

=Una recta. Son soluciones todos los puntos representativos de la recta


común. Sistema compatible indeterminado con un grado de libertad. Los
planos se cortan en r.

=Un plano. Los planos son coincidentes. El sistema es compatible


indeterminado con dos grados de libertad.

=Ningún punto. El sistema es incompatible. Esta situación se presenta


geométricamente de distintas maneras. Para estudiar las posiciones
relativas de los planos hay que tomarlos de dos en dos.

=Se pueden presentar varios casos: Que los planos sean paralelos:

3.4 Métodos de solución de un sistema


de ecuaciones lineales: Gauss, Gauss-
Jordan, inversa de una matriz y regla de
Cramer.
MÉTODO DE RESOLUCIÓN DE GAUSS-JORDAN

Es el método de resolución de sistemas de ecuaciones lineales, que


consiste en llegar a un sistema "escalonado" transformando la matriz
36
APUNTES DE ÁLGEBRA
ampliada en una matriz escalonada por filas. El método de Gauss es una
generalización del método de reducción, que utilizamos para eliminar una
incógnita en los sistemas de dos ecuaciones con dos incógnitas. Consiste
en la aplicación sucesiva del método de reducción, utilizando los criterios
de equivalencia de sistemas, para transformar la matriz ampliada con los
términos independientes ( A* ) en una matriz triangular, de modo que cada
fila (ecuación) tenga una incógnita menos que la inmediatamente anterior.
Se obtiene así un sistema, que llamaremos escalonado, tal que la última
ecuación tiene una única incógnita, la penúltima dos incógnitas, la
antepenúltima tres incógnitas, ..., y la primera todas las incógnitas. 

El siguiente esquema muestra cómo podemos resolver un sistema de


ecuaciones lineales aplicando este método. 

Partimos, inicialmente, de un sistema de n ecuaciones lineales con n


incógnitas, compatible determinado:

En primer lugar, aplicando sucesivamente el método de reducción,


eliminamos en todas las ecuaciones, excepto en la primera, la incógnita
x1, obteniéndose un sistema equivalente:

En segundo lugar, aplicando nuevamente el método de reducción de forma


sucesiva, eliminamos en todas las ecuaciones, excepto en las dos
primeras, la incógnita x2, obteniéndose un sistema equivalente:

Para resolverlo despejamos, en primer lugar, la única incógnita de la última


ecuación. Luego sustituimos ésta en la penúltima ecuación y despejamos
la otra incógnita. Posteriormente, sustituimos dos de las tres incógnitas de
la antepenúltima ecuación por sus valores y despejamos la que queda, y
así sucesivamente hasta llegar a la primera ecuación. 

37
APUNTES DE ÁLGEBRA
Las transformaciones que podemos realizar en dicha matriz para
transformar el sistema inicial en otro equivalente son las siguientes:
 Multiplicar o dividir una fila por un número real distinto de cero. 
 Sumarle o restarle a una fila otra fila. 
 Sumarle a una fila otra fila multiplicada por un número distinto de
cero. 
 Cambiar el orden de las filas. 
 Cambiar el orden de las columnas que corresponden a las incógnitas
del sistema, teniendo en cuenta los cambios realizados a la hora de
escribir el nuevo sistema equivalente. Es decir: si, por ejemplo, la 2ª
columna corresponde a la incógnita y y la tercera a la incógnita z, y
cambiamos el orden de las columnas, ahora la 2ª columna
corresponde a la incógnita z y la tercera a la incógnita y. 
 Eliminar filas proporcionales o que sean combinación lineal de otras. 
 Eliminar filas nulas (0 0 0 ... 0).
Después de realizar las transformaciones que se consideren pertinentes,
se obtendrá un sistema escalonado. Suponiendo que hubiésemos
eliminado, si las hubiera, las filas nulas (0 0 0 ... 0), que corresponden a
ecuaciones del tipo 0 = 0, el sistema equivalente tendría ahora k
ecuaciones lineales con n incógnitas.

Analizando el sistema resultante, podemos efectuar su discusión del


siguiente modo:
 Si alguna de las ecuaciones es del tipo 0 = b (siendo b distinto de
cero), el sistema es incompatible y no tiene solución.
 Si no hay ecuaciones del tipo 0 = b, y además k = n, es decir, el
número de ecuaciones del sistema equivalente es igual al número de
incógnitas, el sistema es compatible determinado y, por lo tanto,
tiene una única solución.
 Si no hay ecuaciones del tipo 0 = b y k < n, es decir, el número de
ecuaciones es menor que el número de incógnitas, el sistema es
compatible indeterminado y, en consecuencia, tiene infinitas
soluciones. En este caso, tenemos que separar las incógnitas
principales de las no principales. 
Pero, ¿cuáles son las incógnitas principales? Se puede dar el siguiente
criterio: Si el sistema es escalonado y tiene k ecuaciones, las k primeras
incógnitas serán las principales y las n - k restantes serán las no
principales que pasaremos al segundo miembro como parámetros.

MÉTODO DE RESOLUCIÓN DE CRAMER. REGLA DE CRAMER

La regla de Cramer utiliza las propiedades de las matrices y sus


determinantes para despejar, por separado, una cualquiera de las
incógnitas de un sistema de ecuaciones lineales. 
38
APUNTES DE ÁLGEBRA

REGLA DE CRAMER
Un sistema de ecuaciones lineales recibe el nombre de sistema de Cramer
cuando se cumplen las dos condiciones siguientes:
 El número de ecuaciones es igual al número de incógnitas. 
 El determinante de la matriz de los coeficientes (matriz del sistema)
es distinto de cero (det ( A ) ≠ 0)
Un sistema de Cramer es, por definición, compatible determinado, puesto
que se cumple que rango (A) = rango (A*) = n (nº de incógnitas). 

Consideremos un sistema de Cramer, es decir, un sistema de n


ecuaciones lineales con n incógnitas, cuya expresión general es la
siguiente:

Sean A la matriz del sistema , entonces det (A) ≠0.

Llamaremos matriz asociada a la incógnita xi y la designaremos por Ai a la


matriz que se obtiene al sustituir en la matriz del sistema la columna i por
la matriz columna de los términos independientes. Es decir:

Todos los sistemas de Cramer son compatibles determinados. El valor de


cada incógnita se obtiene dividiendo el determinante de la matriz asociada
a dicha incógnita por la matriz del sistema (matriz de los coeficientes de
las incógnitas).

39
APUNTES DE ÁLGEBRA

¿Se puede aplicar la regla de Cramer para resolver sistemas de


ecuaciones lineales compatibles que tengan más ecuaciones que
incógnitas? La respuesta es afirmativa. Basta con obtener un sistema
equivalente a la inicial eliminando las ecuaciones superfluas o
dependientes (proporcionales, nulas o que sean combinación lineal de
otras). 

El procedimiento a seguir es el siguiente: Supongamos que tenemos un


sistema de m ecuaciones lineales con n incógnitas, siendo m > n y tal que:
rango (A) = rango (A*) = n. Por lo tanto, sobran m - n ecuaciones. Para
averiguar cuáles son las ecuaciones de las que podemos prescindir, basta
encontrar en la matriz de los coeficientes ( A ) un menor de orden n distinto
de cero, por ejemplo, el que utilizamos para averiguar el rango de la matriz
A.

40
APUNTES DE ÁLGEBRA
Las filas que intervienen en este menor son las que corresponden a las
ecuaciones principales. Las restantes ecuaciones las podemos suprimir.

Ejemplo: Sea el sistema de ecuaciones lineales formado por dos


ecuaciones con dos incógnitas:

Encontrar el valor de x e y mediante la regla de Cramer. 

Empezaremos con el primer paso, que consiste en hallar la matriz


ampliada A b asociada al sistema de ecuaciones lineales:

El segundo paso es calcular el determinante de A. Así pues:

Y el tercero y último paso consiste en calcular las incógnitas:

MÉTODO DE LA MATRIZ INVERSA 

Consideremos un sistema de n ecuaciones lineales con n incógnitas, cuya


expresión general es la siguiente:

Hemos visto que este sistema se puede escribir en forma matricial del
siguiente modo: A X = B.

La matriz A se llama matriz del sistema, es de dimensión n x n y sus


elementos son los coeficientes de las incógnitas.

41
APUNTES DE ÁLGEBRA
La matriz X es una matriz columna, de dimensión n x 1, formada por las
incógnitas del sistema. Por último, la matriz B es otra matriz columna, de
dimensión n x 1, formada por los términos independientes. Es decir:

Si el determinante de la matriz A es distinto de cero (det (A) ≠ 0 ), la matriz


A tiene inversa ( A-1 ). Por lo tanto, podemos calcular la matriz de las
incógnitas X del siguiente modo:

Es decir, para calcular la matriz columna de las incógnitas ( X ),


multiplicamos la inversa de la matriz A ( A-1 ) por la matriz columna de los
términos independientes, obteniéndose otra matriz columna de la misma
dimensión que X. 

¿Se puede aplicar el método de la matriz inversa para resolver sistemas


de ecuaciones lineales compatibles que tengan más ecuaciones que
incógnitas? La respuesta es afirmativa. Basta con obtener un sistema
equivalente a la inicial eliminando las ecuaciones superfluas o
dependientes (proporcionales, nulas o que sean combinación lineal de
otras).

El procedimiento a seguir es el siguiente: Supongamos que tenemos un


sistema de m ecuaciones lineales con n incógnitas, siendo m > n y tal que:
rango (A) = rango (A*) = n. Por lo tanto, sobran m - n ecuaciones. Para
averiguar cuáles son las ecuaciones de las que podemos prescindir, basta
encontrar en la matriz de los coeficientes ( A ) un menor de orden n distinto
de cero, por ejemplo, el que utilizamos para averiguar el rango de la matriz
A. Las filas que intervienen en este menor son las que corresponden a las
ecuaciones principales. Las restantes ecuaciones las podemos suprimir. 

¿Se puede aplicar el método de la matriz inversa para resolver sistemas


de ecuaciones lineales compatibles indeterminados? La respuesta es
también afirmativa. El procedimiento a seguir es el siguiente: Supongamos
que tenemos un sistema de m ecuaciones lineales con n incógnitas, tal
que: rango (A) = rango (A*) = k < n. Por lo tanto, sobran m - k ecuaciones
y, además, hay n - k incógnitas no principales. Para averiguar cuáles son
las ecuaciones de las que podemos prescindir, y cuáles son las incógnitas
no principales, basta encontrar en la matriz de los coeficientes ( A ) un
menor de orden k distinto de cero, por ejemplo, el que utilizamos para
averiguar el rango de la matriz A. Las filas que intervienen en este menor
son las que corresponden a las ecuaciones principales o independientes.
42
APUNTES DE ÁLGEBRA
Las restantes ecuaciones las podemos suprimir. Las columnas que figuran
en dicho menor corresponden a las incógnitas principales. Las incógnitas
no principales las pasamos al otro miembro y pasan a formar un único
término junto con el término independiente. Se obtiene, de este modo, un
sistema de k ecuaciones lineales con k incógnitas, cuyas soluciones van a
depender de n - k parámetros (correspondientes a las incógnitas no
principales).

3.5 Aplicaciones.
=Fracciones parciales =
Una técnica muy conveniente utilizada en algunas tareas matemáticas es
aquella conocida como fracciones idea principal consiste en cambiar la
forma que puede ser expresado un cociente entre polinomios a otra forma
más conveniente para cierto tipo de cálculo.

Ejemplo 4.1 Determine los valores de las constantes a y b para que


satisfagan:

SOLUCIÓN

Ejemplo: (Forma dudosa) Determine los valores de las constantes a y b


para que satisfagan:
43
APUNTES DE ÁLGEBRA

SOLUCIÓN

= Determinación de curvas =
Un problema común en diferentes ´áreas es la determinación de curvas. es
decir el problema de encontrar la función que pasa por un conjunto de
puntos. Usualmente se conoce la naturaleza de la función, es decir, se
conoce la forma que debe tener la función. Por ejemplo, línea recta,
parábola o exponencial etc. Lo que se hace para resolver este tipo de
problemas es describir la forma más general de la función mediante
parámetros constantes. Y posteriormente se determinan estos parámetros
haciendo pasar la función por los puntos conocidos. 

Ejemplo: Determine la función cuadrática que pasa por los puntos P (1, 4),
Q(−1, 2), y R(2, 3). 

Solución
La forma más general de una cuadrática es: f (x) = a x2 + b x + c donde los
coeficientes a, b, y c son constantes numéricas. El problema consiste en
determinar estos coeficientes. 

Así pues los parámetros a, b, y c se vuelven ahora las incógnitas. Y para


poderlas determinar requerimos de ecuaciones o igualdades que deben
satisfacer. Para determinar estas ecuaciones debemos usar los puntos.
44
APUNTES DE ÁLGEBRA

Para que la función pase por el punto P (1, 4) se debe cumplir que f (x = 1)
= 4, 
es decir, se debe cumplir: a (1)2 + b (1) + c = 4
es decir, se debe cumplir: a + b + c =4 

Procediendo de igual manera con el punto Q(−1, 2): formulamos la


ecuación: a − b + c =2 y para R(2, 3): 4a + 2b + c = 3.
Resumiendo para que la función f (x) = a x2 + b x + c pase por los puntos
P , Q, y R deben cumplirse las ecuaciones: 
a+b+c=4
a−b+c=2
4a + 2b + c = 3
La solución a este sistema es: a = 2/3, b = 1, y c =11/3

La misma situación presentada en el problema de las fracciones parciales


que originaba un sistema inconsistente, se puede presentar en la
determinación de funciones. Y la conclusión es similar: si el sistema
originado es inconsistente lo que se concluye es que no existe una función
con esa forma general que pase exactamente por los puntos dados.

=Balanceo de Reacciones Químicas=


Una aplicación sencilla de los sistemas de ecuaciones se da en el
balanceo de reacciones químicas. La
problemática consiste en determinar el número entero de moléculas que
intervienen en una reacción química
cuidando siempre que el número de átomos de cada sustancia se
preserve.

Ejemplo Balancee la reacción química: aCH4 + bO2=cCO2 + dH2O

Solución: Para determinar los coeficientes a, b, c, y d que representan el


número de moléculas de las sustancias en la reacción debemos igualar el
número de átomos en cada miembro:
Por los átomos de carbono: a = c. Por los átomos de oxigeno: 2 b = 2 c +
d. Por los átomos de hidrógeno: 4 a = 2 d

Este sistema es consistente y origina infinitas soluciones. La fórmula


general para las soluciones queda:
a = 1/2 d

b=d
c = 1/2 d

45
APUNTES DE ÁLGEBRA
El valor más pequeño de d que hace que los números de moléculas sean
enteros positivos es d = 2: a = 1, b = 2, c = 1, y d = 2

=Aplicaciones a Manufactura=
Ejemplo: Patito computers fabrica tres modelos de computadoras
personales: cañón, clon, y lenta-pero-segura. Para armar una
computadora modelo cañón necesita 12 horas de ensamblado, 2.5 para
probarla, y 2 más para instalar sus programas. Para una clon requiere 10
horas de ensamblado, 2 para probarla, y 2 para instalar programas. Y por
´ultimo, para una lenta-pero-segura requiere 6 para ensamblado, 1.5 para
probarla, y 1.5 para instalar programas. Si la fábrica dispone en horas por
mes de 556 para ensamble, 120 para pruebas, y 103 horas para
instalación de programas, ¿cuántas computadoras se pueden producir por
mes?

Solución
En nuestro caso las incógnitas el número de cada tipo de computadora a
producir:
x = número de computadoras cañón
y = número de computadoras clon
z = número de computadoras lenta-pero-segura

Para determinar las ecuaciones debemos utilizar los tiempos de


ensamblado, pruebas, e instalación de programas.

Ensamblado: 556(total) = 12 x(cañón) + 10 y(clon) + 6 z(lenta)


Pruebas: 120(total) = 2.5 x(cañón) + 2 y(clon) + 1.5 z(lenta)
Instalación de programas: 103(total) = 2 x(cañón) + 2 y(clon) + 1.5 z(lenta)
Al resolver este sistema obtenemos: x = 34, y = 4, z = 18

Dado lo común de las aplicaciones hacia el área de manufactura, existe


una forma simple de construir la matriz del sistema de ecuaciones que en
general se trabaja como una tabla:
 En la última columna aparecen los recursos: un renglón para cada
tipo de recursos y en cuya posición final se pone el total de recursos
disponibles.
 En las primeras columnas se colocan los objetos o modelos a ser
ensamblados o construidos: en cada posición se coloca el total de
recursos que consume en forma unitaria cada tipo de objeto.

46
APUNTES DE ÁLGEBRA

Espacios vectoriales
4.1 Definición de espacio vectorial
Sean K un cuerpo dado y V un conjunto no vacío, con reglas de suma y
producto por escalar que asigna a cada par u, vϵV una suma u+vϵV y a
cada par uϵV, kϵK un producto kuϵV. V recibe el nombre de espacio
vectorial sobre K (y los elementos de V se llaman vectores) si satisfacen
los siguientes axiomas. 

[A1] para toda terna de vectores u, v, wϵV, (u+v) +w=u+(v+w).


[A2] existe un vector en V, denotado por 0 y denominado el vector cero, tal
que u+0=u para todo vector uϵV.
[A3] para todo vector uϵV existe un único vector en V, denotado por –u, tal
que u+(-u) =0.
[A4] para todo par de vectores u, vϵV, u+v=v+u.
[M1] para todo escalar kϵK y todo par de vectores u, vϵV, k(u+v) =ku+kv.
[M2] para todo par de escalares a, bϵK y todo vector uϵV, (a+b) u=au+bu.
[M3] para todo par de escalares a, bϵK y todo vector uϵV, (ab)u=a(bu).
[M4] la escalar unidad 1ϵK cumple 1u=u para todo vector uϵV.

Los axiomas precedentes se desdoblan de forma natural en dos


categorías. Los cuatro primeros atañen únicamente a la estructura aditiva
de V y pueden resumirse diciendo que V es un grupo conmutativo bajo la
suma. De ello se deriva que cualquier suma de vectores de la forma
v1+v2+…+vm no requieren paréntesis y no depende del orden de los
sumandos, que el vector cero, 0, es único, que el opuesto –u de u es único
y que se verifica la ley de cancelación; esto es, para tres vectores
cualesquiera u, v, wϵV.

U=v+w implica u=v. Asimismo, la resta se define según u-v=u+(-v).

47
APUNTES DE ÁLGEBRA
Por otra parte, los cuatro axiomas restantes se refieren a la <<acción>>
del cuerpo K sobre V. obsérvese que la rotulación de los axiomas refleja
este desdoblamiento. Empleando estos axiomas adicionales probaremos
las siguientes propiedades elementales de un espacio vectorial.

Teorema: sea V un espacio vectorial sobre un cuerpo K.


1. Para todo escalar kϵK y 0ϵV, k0-0.
2. Para 0ϵK y todo vector uϵV, 0u=0.
3. Si ku=0, donde kϵK y uϵV, entonces k=0 o u=0.
4. Para todo kϵK y todo uϵV, (-k) u=-ku.

4.2 Definición de subespacio vectorial y


sus propiedades
Sea W un subconjunto de un espacio vectorial V sobre un cuerpo K. W se
denomina un subespacio de V si es a su vez un espacio vectorial sobre K
con respecto a las operaciones de V, suma vectorial y producto por un
escalar. Un criterio simple para identificar subespacios es el siguiente.

Teorema: supongamos que W es un subconjunto de un espacio vectorial


V. entonces W es un subespacio de V si y solo si se cumple:
1. 0єW
2. W es cerrado bajo la suma de vectores, es decir: para todo par de
vectores u, vєW, la suma u+vєW.
3. W es cerrado bajo el producto por un escalar, esto es: para todo
uєW y para todo kєK el múltiplo kuєW.

Corolario: W es un subespacio de V si y solo si:


1. 0єW.
2. au+bvєW para todos los u, vєW y a, bєK.

Ejemplo: sean U y W subespacios de un espacio vectorial V. probemos


que la intersección UÇW es también subespacio de V. claramente, 0ÎU y
0ÎW, porque U y W son subespacios, de donde 0ÎUÇW. supongamos
ahora que u, vÎUÇW. entonces u, vÎU y u, vÎE y, dado que, U y W son
subespacios, u+v, kuÎU y u+v, kuÎW para cualquier escalar k. así u+v,
kuÎUÇW y por consiguiente UÇW es un subespacio de V. El resultado del
ejemplo precedente se generaliza como sigue.

Teorema: la intersección de cualquier número de subespacios de un


espacio vectorial V es un subespacio de V.

48
APUNTES DE ÁLGEBRA
Recuérdese que toda solución de un sistema de ecuaciones lineales con n
incógnitas AX=B puede verse como un punto en Kn y por tanto el conjunto
solución de tal sistema es un subconjunto de Kn. Supongamos que el
sistema homogéneo, es decir, supongamos que el sistema tiene la forma
AX=0. Denotemos por W su conjunto solución. Como A0=0, el vector cero
0ÎW además, si u y v pertenecen a W, esto es, si u y v son soluciones de
AX=0, necesariamente Au=0 y Av=0. Por esta razón, para todo par de
escalares a y b en K, tendremos A(au+bv)=aAu+bAv=a0+b0=0+0=0. De
esta manera, au + bv es también una solución de AX=0 o, dicho de otro
modo, au+bvÎW. En consecuencia, según el corolario, hemos demostrado:

Teorema: el conjunto solución W de un sistema homogéneo con n


incógnitas AX=0 es un subespacio de kn.

Hacemos énfasis en que el conjunto solución de un sistema inhomogéneo


AX=B no es subespacio de Kn. De hecho, el vector cero, 0, no pertenece a
dicho conjunto solución.

4.3 Combinación lineal. Independencia


lineal.
COMBINACIÓN LINEAL

Sean v1, v2, …, vn, vectores en un espacio vectorial V. entonces cualquier


vector de la forma: a1v1+a2v2+…+anvn, donde a1,a2,…,an son escalares
se denomina una combinación lineal de v1, v2,…,vn.

Una combinación lineal en M23

Conjunto generador.

Se dice que los vectores v1, v2, …, vn de un espacio vectorial V generan a


V si todo vector en V se puede escribir como una combinación lineal de los
mismo. Es decir, para todo vÎV, existen escalares a1, a2, …, an tales que
v=a1v1+a2v2+…+anvn

Cuatro vectores que generan a M22

49
APUNTES DE ÁLGEBRA

Espacio generado por un conjunto de vectores.

Sean v, v2, …, vk, k vectores de un espacio vectorial V. el espacio


generado por {v1, v2, …, vk} es el conjunto de combinaciones lineales v1,

v2, …, vk. Es decir donde


a1, a2, …, ak, son escalares arbitrarios.

Teorema: si v1, v2, …, vk son vectores en un espacio vectorial V, entonces


gen {v1, v2, …, vk} es un subespacio de V.

Ejemplo: el espacio generado por dos vectores en R3

Sea v1= (2,-1,4) y v2= (4,1,6). Entonces H=gen {v1, v2}={v:v=a1(2,-


1,4)+a2(4,1,6)}. ¿Cuál es la apariencia de H? si v=(x, y,z)ÎH, entonces
tiene x=2a1+4a 2, y=-a1+a2 y z=4a 1+6ª 2. Si se piensa que (x, y, z) esta
fijo, entonces estas ecuaciones se pueden ver como un sistema de tres
ecuaciones con tres incógnitas a1, a2. Este sistema se resuelve en la
forma usual:

INDEPENDENCIA LINEAL
En el estudio del algebra lineal, una de las ideas centrales es la de
dependencia o independencia lineal de los vectores. En esta sección se
define el significado de independencia lineal y se muestra su relación con
la teoría de sistemas homogéneos de ecuaciones y determinantes.

50
APUNTES DE ÁLGEBRA

Existe una relación espacial entre los vectores  ,


se puede apreciar que v2=2v1; o si se escribe esta ecuación de otra
manera. 2v1-v2=0.

En otras palabras, el vector cero se puede escribir como una combinación


no trivial de v1 y v2 (es decir, donde los coeficientes en la combinación
lineal no son ambos cero). ¿Qué tienen de especial los

vectores  ? La respuesta a esta


pregunta es más difícil a simple vista. Sin embargo, es sencillo verificar
que v3=3v1+2v2; rescribiendo esto se obtiene  .

Se ha escrito el vector cero como una combinación lineal de v1, v2, y v3.
Parece que los dos vectores de la ecuación y los tres vectores de la otra
ecuación tienen una relación más cercana que un par arbitrario de 2-
vectores a una terna arbitraria de 3-vectores. En cada caso, se dice que
los vectores son linealmente dependientes. En términos generales, se
tiene la importante definición a continuación presentada.

Definición: sean v1, v2, …, vn vectores en un espacio vectorial V. entonces


se dice que los vectores son linealmente dependientes si existen n
escalares c1, c2, …, cn no todos ceros tales

que  .

Si los vectores no son linealmente dependientes, se dice que son


linealmente independientes.

Para decirlo de otra forma, v1, v2, .., vn son linealmente independientes si
la ecuación c1v1+c2v2+…+cnvn=0 se cumple únicamente para c1=c2=…
=cn=0. Son linealmente dependientes si el vector cero en V se puede
expresar como una combinación lineal de v1, v2…,vn con coeficientes no
todos iguales a cero.

Nota. Se dice que los vectores v1, v2, …, vn son linealmente


independientes (o dependientes), o que el conjunto de vectores {v1, v2, …,
vn} es linealmente independiente (o pendiente). Esto es, se usan las dos
frases indistintamente.

Teorema: dependencia e independencia lineal


51
APUNTES DE ÁLGEBRA

Dos vectores en un espacio vectorial son linealmente dependientes si y


solo si uno de ellos es un múltiplo escalar del otro.

Demostración: primero suponga que v2=cv1 para algún escalar c≠0.


Entonces cv1-v2=0 y v1 y v2 son linealmente dependientes. Por otro parte,
suponga que v1 y v2 son linealmente dependientes. Entonces existen
constantes c1 y c2 al menos uno distinto a cero, tales que c1v1+c2v2=0. Si
c1≠0, entonces dividiendo entre c1 se obtiene v1+(c2/c1)v2=0, o

sea, 

Es decir, v1 es un múltiplo escalar de v2. Si c1=0, entonces c2≠0 y, por lo


tanto, v2=0=0v1.

52
APUNTES DE ÁLGEBRA

4.4 Base y dimensión de un espacio


vectorial, cambio de base.
Se ha visto en R2 conviene escribir vectores como una combinación lineal

de los vectores    .

 En R3 se escribieron los vectores en términos de   .


Ahora se generalizara esta idea.

BASE: Un conjunto finito de vectores  es una base  para un

espacio vectorial V si  

Todo conjunto de n vectores linealmente independiente en Rn es una base


en Rn.

En Rn se define 

Puesto que los vectores e, son las columnas de una matriz identidad (que
tiene determinante 1),  es un conjunto linealmente
independiente y, por lo tanto, constituye una base en Rn. Esta base
especial se denomina base canónica en Rn. Ahora se encontrarán bases
para otros espacios.

EJEMPLO: base canónica para M22

Se vio que      generan a

53
APUNTES DE ÁLGEBRA

 , entonces es evidentemente que  .  Así, estas cuatro


matrices son linealmente independientes y forman una base para M22, lo
que se denomina base canónica para M22.

TEOREMA: si    es una base para V y si vÎV, entonces


existe un conjunto único de escalares      tales que
.

Existe cuando menos un conjunto de dichos escalares porque

  genera a V. Suponga entonces que v se puede escribir e


dos maneras como una combinación lineal de los vectores de la base.

Es decir, suponga que

Sea      dos bases para V. debe


demostrarse que m=n. esto se prueba mostrando que si m>n, entonces S
es un conjunto literalmente independiente, lo que contradice la hipótesis de
que S es una base. Esto demostrara que m≤n. la misma prueba
demostrara que ≤m y esto prueba el teorema. Así, basta demostrar que si
m>n, entonces S es independiente. Como S constituye una base, todo u
se puede expresar como una combinación lineal de las v. se tiene (1)

4.5 Espacio vectorial con producto


interno y sus propiedades
Un espacio vectorial complejo V se denomina espacio con producto interno
si para cada par ordenado de vectores u y v en V, existe un numero
complejo único (u,v), denominado producto interno de u y v, tal que si u, v
y w están en V y αϵC, entonces

54
APUNTES DE ÁLGEBRA

 La barra es las condiciones v) y vii) denota el conjugado complejo.


Nota. Si (u,v) es real, entonces (u,v)=(u,v) y se puede eliminar la barra en
v).

EJEMPLO: producto interno de dos vectores en C3


En C3 sean x=(1+i, -3, 4-3i) y y=(2-i, -i, 2+i). entonces

Sea V un espacio con producto interno y suponga que u y v están en V.


entonces

Nota 1. Aquí se usa la doble barra en lugar de una sola para evitar
confusión con el valor absoluto. Por ejemplo ǁsen tǁ denota la norma de
sen t como un “vector” en C[0, 2π] mientras que |sen t| denota el valor
absoluto de la función sen t.
Nota 2. La ecuación anterior tiene sentido ya que (u, u)≥0.

EJEMPLO: dos vectores ortogonales en C2


En C2 los vectores (3,-i) y (2,6i) son ortogonales porque

55
APUNTES DE ÁLGEBRA

Complemento ortogonal
Sea H un subespacio del espacio con producto interno V. entonces el
complemento ortogonal de H, denotado por H, está dado por

4.6 Base ortonormal, proceso de


orto normalización de Gram-Schmidt.
Conjunto ortonormal en Rn

Se dice que un conjunto de vectores S={u1, u2, …, uk} en Rn es un


conjunto ortonormal si (1) (2)

     

 Si solo satisface la ecuación (1), se dice que el conjunto es ortogonal.


Si u, v y w en Rn y α es un número real, entonces (3) (4) (5) (6)(7)

Ahora se presenta otra definición útil

Si vϵRn, entonces la longitud o norma de v, denotada por |v|, está dada

por (8)  

Nota. Si    entonces v*v=      Esto


significa que (9)

56
APUNTES DE ÁLGEBRA

De esta forma se puede obtener la raíz cuadrada en (8), y se tiene (10)(11)

Proceso de orto normalización de Gram-Schmidt:

Sea H un subespacio de dimensión m de Rn. Entonces H tiene una base


ortonormal.

Sea S=    una base de H. se probará el teorema


construyendo una base ortonormal a partir de vectores en S. antes de dar
los pasos para esta construcción, se observa el hecho sencillo de que un
conjunto de vectores linealmente independiente no contiene al vector cero.

Paso 1. Elección del primer vector unitario

Sea (12)  

Entonces  
De manera que |u|=1.

Paso 2. Elección de un segundo vector ortogonal a u.

Como anteriormente se ha visto que, en R2, el vector    es

la ortogonal a v. en este caso es la    proyección de u sobre v. esto


se ilustra en la siguiente figura.

57
APUNTES DE ÁLGEBRA

Resulta que el vector w dado es ortogonal a v cuando w y v están en Rn


para cualquier n≥2. Observe que como u es un vector unitario,

 para cualquier vector v.

Sea (13)    
entonces     de manera
que v’ es ortogonal a u. más aun, por el teorema, u y v´son linealmente
independientes. v’≠0 porque de otra manera 

  lo que contradice la independencia de v1 y


v2.

Paso 3. Elección de un segundo vector unitario.

Sea (14)     entonces es evidente que {u1,u2} es un conjunto


ortonormal.
Suponga que se han construido los vectores u1, u2…,uk(k<m) y que
forman un conjunto ortonormal. Se mostrará cómo construir uk+1.

Paso 4. Continuación del proceso


Sea (15)    entonces para

i=1,2,…,k 

Pero    Por lo tanto,


58
APUNTES DE ÁLGEBRA

Así,    es un conjunto linealmente independiente,


ortogonal y v´k+1≠0.

Paso 5

Sea  

Entonces es claro que    es un conjunto ortonormal y


se puede continuar de esta manera hasta que k+1=m con lo que se
completa la prueba.
Nota. Como cada u es una combinación lineal de vectores v, gen
  es un subespacio de gen    y como cada
espacio tiene dimensión k, los espacios son iguales.

Transformaciones lineales
5.1 Definición de transformación lineal.
Definición: Las transformaciones lineales son las funciones y tratan sobre
K-espacios vectoriales que son compatibles con la estructura (es
decir, con la operación y la acción) de estos espacios.
Aquí se presentan las funciones entre espacios vectoriales que preservan
las cualidades de los
espacios vectoriales. Es decir, de funciones que preservan la suma y la
multiplicación por escalares.

Nosotros usaremos el concepto de la función para darle un tratamiento a


los sistemas de ecuaciones lineales. La restricción que haremos será
sobre el tipo de funciones: solo estaremos interesados en funciones que
preserven las operaciones en el espacio vectorial. Este tipo de funciones
serán llamadas funciones lineales. Primeramente las definiremos, veremos
algunas propiedades generales y después veremos cómo se aplican estos
resultados a sistemas de ecuaciones.

59
APUNTES DE ÁLGEBRA
Sean V y W dos espacios vectoriales posiblemente iguales.
 Una transformación lineal o mapeo lineal de V a W es una función
T : V → W tal que para todos los vectores u y v de V y cualquier escalar c:
         a) T (u + v) = T (u) + T (v)
         b) T (c u) = c T (u)

Demuestre que la transformación T : R2 →R2 definida por

                        
es lineal.
                  

                  

Entonces :
                    

  

Por otro lado, para todo escalar c,


                              

          

Como se cumplen las dos condiciones:      


                      

   
60
APUNTES DE ÁLGEBRA
T es lineal.

Una transformación lineal preserva combinaciones lineales. Veremos que,


debido a esto, una transformación lineal queda unívoca-mente
determinada por los valores que toma en los elementos de una base
cualquiera de su dominio.

Teniendo en cuenta que las transformaciones lineales son funciones entre


conjuntos, tiene sentido estudiar la validez de las propiedades usuales de
funciones: inyectividad, suryectividad y biyectividad. 

Las transformaciones lineales que verifican alguna de estas propiedades


reciben nombres particulares:
Definición 3.6 Sean V y W dos K-espacios vectoriales, y sea f : V → W una
transformación lineal. Se dice que:

1. f es un monomorfismo si f es inyectiva.
2. f es un epimorfismo si f es suryectiva.
3. f es un isomorfismo si f es biyectiva.

En algunos casos, consideraremos transformaciones lineales de un K-


espacio vectorial en s ́ı mismo:
Sea V un K-espacio vectorial. Una transformación lineal f : V → V se llama
un endomorfismo de V . Si f es un endomorfismo que es además un
isomorfismo, entonces se dice que es un auto morfismo.

61
APUNTES DE ÁLGEBRA

5.2 Núcleo e imagen de una


transformación lineal.
En esta sección se desarrollan algunas propiedades básicas de las
transformaciones lineales.
Teorema 1. Sea T: V W una transformación lineal. Entonces para todos
los vectores u, v, v1, v2,….vn en V y todos los escalares

 Nota en la parte i el 0 de la izquierda es el vector cero en v; mientras que


el cero de la derecha es el vector cero en W.
i. T(0) = T(0 + 0)= T(0) + T(0). Así 0= T(0) – T(0) = T(0) + t(0) – T(0) = T(0)
ii.T(u-v) = T[u + (-1)v] = Tu + T[(-1)v] = Tu + (-1)Tv = Tu – Tv.
iii.Esta parte se prueba por inducción (vea el apéndice 1). Para n = 2 se
tiene T(α1v1 + α2v2) = T (α1v1) + T(α2v2) = α1Tv1 + α2Tv2. Así, la ecuación (1)
se cumple para n = 2. Se supone que se cumple para n = k y se prueba
para n=k + 1: T(α1v1 + α2v2+ ….+ αkvk+αk+1vk-1 ) = T(α1v1 + α2v2+….+αkvk) +
T(αk+1vk+1), y usando la ecuación en la parte iii para n= k, esto es igual a
(α1Tv1 + α2Tv2+….αkTvk) + αk+1Tvk+1, que es lo que se quería demostrar.
Esto completa la prueba.

Observación. Los incisos i) y ii) del teorema 1 son casos especiales del


inciso iii). Un dato importante sobre las transformaciones lineales es que
están completamente determinadas por el efecto sobre los vectores de la
base.

Teorema 2      Sea v un espacio vectorial de dimensión finita con base B=


{v1,v2,….vn}. Sean w1,w2,….wn vectores en W. Suponga que T 1 y T2 son
dos transformaciones lineales de V en W tales que T 1vi = T2vi = wi para i =
1, 2,…,n. Entonces para cualquier vector v ϵ v, T 1v = T2v; es decir T1 = T2.
Como B es una base para V, existe un conjunto único de escalares α 1, α2,
…., αn. Tales que  v = α1v1 + α2v2 + …+ αn vn. 

Entonces, del inciso iii) del teorema 1, T1v = T1(α1 v1 + α2v2 + …+ αnvn)


= α1T2v1 + α2T2v2 +… + αnTnvn= α1w1 + α2w2 +…+ αnTnvn

De manera similar T2v = T2(α1v1 + α2v2 + …+ αnvn)  = α1T2v1 + α2T2v2 +…


+ αnTnvn                                            = α1w1 + α2w2 +…+ αnvn
62
APUNTES DE ÁLGEBRA

Por lo tanto, T1v =T2v.

El teorema 2 indica que si T:v W y V tiene dimensión finita, entonces sólo


es necesario conocer el efecto que tiene T sobre los vectores de la base
en V. Esto es, si se conoce la imagen de cada vector básico, se puede
determinar la imagen de cualquier vector en V. Esto determina T por
completo. Para ver esto, sean v1, v2,….vn una base en V y sea v otro vector
en V. Entonces, igual que en l aprueba del teorema 2, Tv = α1Tv1 + α2Tv2 +
…+ αnTvn

Así, se puede calcular Tv para cualquier vector vϵ V si se conocen Tv 1,Tv2,


….Tvn

Ejemplo 1 Si se conoce el efecto de una transformación lineal sobre los


vectores de la base, se conoce el efecto sobre cualquier otro vector.

Sea T una transformación lineal de R3 en R2 y suponga que

Solución. Se tiene

 Entonces

Surge otra pregunta; si w1,w2,….,wn son n vectores en W, ¿existe una


transformación lineal T tal que Tv 1 = w1 para i = 1,2,…,n? La respuesta es
sí. Como lo muestra el siguiente teorema.

Definición 1 Núcleo e imagen de una transformación lineal


Sean V y W dos espacios vectoriales y sea T:V W una transformación
lineal. Entonces

63
APUNTES DE ÁLGEBRA
i . El núcleo de T, denotado por un, está dado por

ii. La imagen de T, denotado por Im T, está dado por

Observación 1. Observe que un T es no vacío porque, de acuerdo al


teorema 1, T(0) = 0 de manera que 0 ϵ un T para cualquier transformación
lineal T. Se tiene interés en encontrar otros vectores en V que “se
transformen en 0”. De nuevo, observe que cuando escribimos T(0) = 0, el
0 de la izquierda está en V y el de la derecha en W.

Observación 2. La imagen de T es simplemente el conjunto de “imágenes”


de los vectores en V bajo la transformación T. De hecho, si w = Tv, se dice
que w es la imagen de v bajo T.

Antes de dar ejemplos de núcleos e imágenes , se demostrará un teorema


de gran utilidad.

Teorema 4 Si T:V W es una transformación lineal, entonces


i.Un T es un subespacio de V.
ii. Im T es un subespacio de W.

Demostración
i.Sean u y v en un T; Entonces T(u + v) = Tu + Tv =0 + 0 =0 y T( ) = = 0 = 0
de forma que u + v y ∝u están en un T.
ii. Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vectores u y v
en V. Esto significa que T(u + v)= Tu + Tv = w + x y T(∝u) = ∝Tu =∝w. Por
lo tanto, w + x y ∝w están en Im T.

Ejemplo 3.  Núcleo e imagen de la transformación cero


Sea Tv = 0 para todo vϵ V(T es la transformación cero). Entonces un T = v
e Im T = {0}.

Ejemplo 4   Núcleo e imagen de la transformación identidad


Sea Tv = v para vϵ V(T es la transformación identidad). Entonces un T= {0}
e Im T = V.

Las transformaciones cero e identidad proporcionan dos extremos. En la


primera todo se                     encuentra en el núcleo. En la segunda sólo el

64
APUNTES DE ÁLGEBRA
vector cero se encuentra en el núcleo. Los casos intermedios son más
interesantes.

Ejemplo 5 Núcleo e imagen de un operador de proyección

Sea T:R3 R3 definida por 


 T es el operador de proyección de R3 en el plano xy.

Entonces x = y = 0. Así, nu T = {(x,y,z):x = y = 0, zϵR}, es decir, el eje z, e


Im T = {(x,y,z): z = 0}, es decir el plano xy. Observe que dim un T = 1 y dim
Im T = 2.

Definición 2      Nulidad y rango de una transformación lineal


Si T es una transformación lineal de v en w, entonces se define.

Observación. En la sección 4.7 se definieron el rango, la imagen, el


espacio nulo y la nulidad de una matriz. Según el ejemplo 5.1.7, Toda
matriz A de m*n da lugar a una transformación lineal T:R ´´ R´´´ definida por
Tx = Ax. Es evidente que un T = N A, Im T = Im A = CA, v(T) = v(A) y p(T) =
p(A). Entonces se ve que las definiciones de núcleo, imagen, nulidad y
rango de una transformación lineal son extensiones del espacio nulo, la
imagen, la nulidad y el rango de una matriz.

Ejemplo 6.   Núcleo y nulidad de un operador de proyección


Sea H un subespacio de R´´ y sea Tv = proy H v. Es obvio que la Im T = H.
Se tiene que toda vϵ V si v=h + proy H v + proyHv. Si Tv = 0, entonces h=0,
lo que significa498

5.3 Representación matricial de una


transformación lineal.
Si A es una matriz de m*n y T: Rn-Rm está definida por Tx = Ax, entonces,
T es una transformación lineal. Ahora se verá que para toda
transformación lineal de Rn en Rm existe una matriz A de m*n tal que 
65
APUNTES DE ÁLGEBRA

                     Tx = Ax para todo x ϵ Rn.

 Este hecho es de gran utilidad. Si Tx = Ax. Entonces un T = NA e Im T =


RA. más aun, v(T) = dim un T = v(A) y p(T) = dim Im T = p(A). Así se
puede determinar el núcleo, la imagen, la nulidad y el rango de una
transformación lineal de Rn-Rm determinando el espacio nulo y la imagen
de la matriz correspondiente. Adicionalmente, una vez que se sabe que Tx
= Ax. Se puede evaluar Tx para cualquier x en Rn mediante una simple
multiplicación de matrices.
Pero esto no es todo. Como se verá, cualquier transformación lineal entre
espacios vectoriales de dimensión finita se puede representar mediante
una matriz.

Teorema 1
Sea T:Rn -Rm una transformación lineal. Existe entonces una matriz única
de m*n, AT tal que

Demostración
Sea w1 = Te1,w2 = Te2…,wn = Ten. Sea AT la matriz cuyas columnas son
w1, w2…, wn y hagamos que AT denote también a la transformación de
Rn-Rm, que multiplica un vector en Rn por AT. si

Entonces 

                  
De esta forma, ATei = wi para i = 1,2,….n., T y la transformación AT son
las mismas porque coinciden en los vectores básicos.
66
APUNTES DE ÁLGEBRA

Ahora  se puede demostrar que AT es única. Suponga que Tx = ATx y que
Tx = BTx para todo x ϵ Rn. Entonces ATx = BTx, o estableciendo CT= AT
– BT, se tiene que CTx = 0 para todo x ϵ Rn. En particular, CTei es la
columna i de CT. Así, cada una de las n columnas de CT es el m-vector
cero, la matriz cero de m*n. Esto muestra que AT = BT y el teorema queda
demostrado.

5.4 Aplicación de las transformaciones


lineales: reflexión, dilatación,
contracción y rotación.
Reflexión sobre el eje x
En este caso, queremos averiguar cómo está definida la

transformación T de R2 en R2 que cada vector   


lo refleja sobre el eje x, para obtener un

vector 

En una gráfica, vemos la situación como sigue:

En este caso, la situación es más sencilla ya que claramente tenemos dos


triángulos rectángulos que son congruentes, de donde T queda definida
como sigue:

Esta transformación se llama la reflexión sobre el eje x, y es lineal, ya que:

67
APUNTES DE ÁLGEBRA

Ejemplo dilatación o expansión

Una dilatación es una transformación que incrementa distancias.

Sea V= (2 4) encontrara la expansión vertical cuando K=2


Expansión horizontal (k71) o contracción (0<k<1)
Expansión vertical (k71) o contracción (0<k<1)

Ejemplo contracción

Una contracción es una transformación que decrece distancias. Bajo una


contracción, cualquier par de puntos es enviado a otro par a distancia
estrictamente menor que la original.

Sea V= (2 4) encontrara la contracción horizontal cuando K=1/2


Haciendo la gráfica el punto disminuye en el eje horizontal.

Rotación por un ángulo

68
APUNTES DE ÁLGEBRA

Sea   un ángulo medido en radianes. Queremos


averiguar cuál es la transformación T de R2 en R2 que gira cada

vector  un ángulo  , para obtener un vector 

En una gráfica, vemos la situación como sigue:

Si usamos las funciones trigonométricas, tenemos que:

Distribuyendo y usando el hecho de que   

y   tenemos que:

Por lo tanto, ya descubrimos cómo debe estar definida la

transformación   tal
que 

Esta transformación se llama la rotación por un ángulo  y es lineal, ya


que:

69
APUNTES DE ÁLGEBRA

Referencias
1. Flores y Fautsch (1981). Temas selectos de matemáticas. Editorial Progreso.
2. Lay, David (2001). Algebra lineal y sus aplicaciones. Pearson Educación. México.
3. Mahor E. (2006). he: historia de un número. Conaculta.
4. Restrepo (2003). Funciones de una variable compleja. Universidad del valle.
5. http://itsavbasicas.blogspot.mx/2012/05/44-base-y-dimension-de-un-
espacio.html
6. Grossman, S. (2012). Álgebra Lineal (7ma. ed.). México: McGraw-Hill
7. Kolman, B. y Hill, D. (2006). Álgebra Lineal (8va. ed.). México: Pearson Education,
Inc.
8. Rojo, J. (2007). Álgebra Lineal (2da. ed.). Madrid: McGraw-Hill
9. Larson, R. y Falvo, D. (2015) . Fundamentos del Álgebra Lineal (7ma. ed.). México:
Cengage Learning, Inc.
10. Vivas, M. y Caseres, E. (2013). Álgebra Lineal: Un enfoque práctico. Venezuela.
11. Pita Ruiz, C. (1991). Álgebra Lineal. México: McGraw-Hill
12. Lay, D. (2012). Álgebra Lineal y sus aplicaciones (4ta. ed.). México: Pearson
Education
13. J. de Burgos, Algebra Lineal McGraw-Hill, 2000.
14. F. Granero, Algebra y Geometría Analítica McGraw-Hill, 1992.
15. De Burgos, Juan (1977): "Curso de Álgebra y Geometría". Alhambra.
16. Granero, Francisco; Rebollo, Carmen; Hormaza, María Victoria (2001): "Álgebra
Lineal". Prentice Hall.

70