Tema 0.- Números complejos.

Tema 1.- Sistemas de ecuaciones lineales.

Tema 2.- Álgebra matricial.
Tema 3.- Espacios vectoriales.
Tema 4.- Valores y vectores propios.
Tema 5.- Ortogonalidad y mı́nimos cuadrados.
Tema 6.- Matrices simétricas.

Versión 2020/2021
 • Tema 0.- Números Complejos •

Héctor E. Pijeira Cabrera

(hpijeira@math.uc3m.es)

Definición. Suma y producto. Conjugado, módulo y argu-

mento. Exponencial compleja. Potencias y raíces de números
complejos.

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.1.- Introducción a los números complejos 1 / 18

Dominios numéricos

   





 

 N Naturales

Q Racionales Z Enteros 0 Cero

 
 

 

R 
Reales  
Enteros negativos
C Complejos  


Fraccionarios
 


 

 



 Irracionales

Imaginarios


Algunas notaciones:
R+ El conjunto de los números reales no negativos.
R− El conjunto de los números reales no positivos.
R∗ El conjunto de los números reales diferentes de cero.
R∗+ El conjunto de los números reales positivos.
R∗− El conjunto de los números reales negativos.
Notaciones similares se utilizan para Q y Z.

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.1.- Introducción a los números complejos 2 / 18

“Ciertas ecuaciones algebraicas sólo tienen solución en nuestra ima-
ginación, es decir, uno puede imaginar tanto como ya se dijo en cada
ecuación, pero a veces no existe una cantidad que coincida con lo que
imaginamos.”

René Descartes (1596-1650)

(sobre las primeros trabajos de G. Cardano (1501-1576) y R. Bombelli (1526-1672) en complejos )

“el número imaginario es un recurso sutil y maravilloso del espíritu

divino, casi un anfibio entre el ser y el no ser.”

Gottfried Leibniz (1646-1716)

“El camino más corto entre dos verdades del campo real pasa con
frecuencia por el campo complejo”

Jacques Hadamard (1865-1963)

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.1.- Introducción a los números complejos 3 / 18

Definición de números complejos

I Se define el conjunto de los números
√ complejos como
C = {x + iy : x, y ∈ R}, donde i = −1.
I Si z = x + iy. diremos que x es la parte real de z y que y es la
parte imaginaria de z, y lo denotaremos por Re (z) = x e
Im (z) = y.
I Los números de la forma yi, con y ∈ R, se llaman inmaginarios
puros.
I Identificando x + iy con el par ordenado (x, y), representamos C
como el plano R2 .
Nota: La parte real y la parte imaginaria de un número complejo son números reales

Número Complejo Parte Real Parte Imaginaria

25 25 0
5i 0 5
Ejemplos I 3-4i 3 -4
-π+ e i −π e
9
− 12 - 17 i − 12 9
- 17
√ √
2+(3, 141592) i 2 3, 141592

√ √
Nota: 2 = 1,41421356237 . . . , 3 = 1,73205080757 . . . , π = 3,14159265359 . . . , e = 2,71828182846 . . . .

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.1.- Introducción a los números complejos 4 / 18

 Definición de módulo o valor absoluto de z = x + yi

p módulo del número complejo z = x + yi, a la cantidad no negativa

I Se llama
|z| = x2 + y2 .
I Geométricamente el |z| es la distancia desde z hasta el origen de
coordenadas 0.

Definición de argumento de z = x + yi
I Se llama argumentos del número complejo z = x + yi, a la magnitud de ángulo que se forma entre el vector de
posición de z y el semieje real positivo [o, ∞).
I Note que, el argumento θ no está definido de manera única, ya que θ + 2kπ, con k ∈ Z, representan el mismo
ángulo que θ .
I Por tanto, a la hora de hablar de argumento hay que elegir uno de ellos; las elecciones habituales son θ ∈ [0, 2π) ó
θ ∈ (−π, π].
I Si z = x + iy denotaremos su argumento por θ = Arg z.
I Llamaremos argumento principal de z valor del argumento que se encuentra en [0, 2π) y lo denotaremos por arg z.

Propiedades:
 
6. |z1 + z2 | ≤ |z1 | + |z2 | ,
|z1 | − |z2 | ≤ |z1 − z2 | , |Re (z) | ≤ |z| , |Im (z) | ≤ |z| .
1 z 
1
7. Arg (z1 z2 ) = Arg z1 + Arg z2 , Arg = −Arg z, Arg = Arg z1 − Arg z2 , Arg (zn ) = n Arg z.
z z2
Nota: Las fórmulas incluidas en la propiedad 2, son igualdades entre conjuntos, ya que Arg z es el conjunto de todos los argumentos de z.
Por ejemplo Arg (z1 z2 ) = Arg z1 + Arg z2 significa que para cualquier elección de Arg z1 y Arg z2 , se tiene que Arg z1 + Arg z2 es un argumento de z1 z2 .

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.1.- Introducción a los números complejos 5 / 18

Notación trigonométrica o polar del número complejo

Llamamos Notación trigonométrica o polar del número complejo z = x + iy 6= 0 a la expresión:
p
|z| = x2 + y2 x = |z| cos θ ,
z = |z|(cos(θ ) + i sen(θ )), donde y
tan θ = , y = |z| sen θ .
x

Conversión de notación cartesiana a trigonométrica

p
Dado z = x + yi, con módulo |z| = x2 + y2 . Para determinar el argumento prinicipal θ = arg(z), se deben
distinguir dos casos:
I Si |z| = 0 el ángulo θ puede tomar cualquier valor real (indeterminado).
I Si |z| 6= 0 se calcula el valor principal de θ o valor de θ en el intervalo [0, 2π) (algunos libros utilizan
(−π, π] en lugar de [0, 2π)) que denotamos por α y se le suma 2kπ, con k ∈ Z. es decir θ = α + 2kπ. Para
obtener α (valor principal de θ ), se utilizan las siguientes fórmulas:

arctan  xy 
  

 si x > 0 y y ≥ 0
 y
π − arctan  x  si x < 0 y y ≥ 0

  

π + arctan  y  si x < 0 y y < 0

α= x 

 2π − arctan  xy  si x > 0 y y < 0

π
si x = 0 y y > 0



 2
 3π
si x = 0 y y < 0

2

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.1.- Introducción a los números complejos 6 / 18

 Tema 0.- Números Complejos

Operaciones con números complejos y propiedades

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.2.- Operaciones con números complejos 7 / 18

Operaciones con números complejos y propiedades

Suma y producto de números complejos

Se definen la suma y el producto de los números complejos
z1 = x1 + iy1 y z2 = x2 + iy2 respectivamente como
z1 + z2 =x1 + iy1 + x2 + iy2 = (x1 + x2 ) + i(y1 + y2 ) ,

z1 · z2 =(x1 + iy1 ) (x2 + iy2 ) = x1 x2 + ix1 y2 + ix2 y1 + i2 y1 y2

=(x1 x2 − y1 y2 ) + i(x1 y2 + x2 y1 ) .

Propiedades. Sean z = x + yi, w = u + vi y t = r + si, entonces:

1. Propiedad conmutativa: z + w = w + z; zw = wz.
2. Propiedad asociativa: v + (w + z) = (v + w) + z; v(wz) = (vw)z.
3. Propiedad distributiva: t(w + z) = tw + tz; (w + z)t = wt + zt.
4. Existencia de identidades:
• La identidad aditiva es el cero: z + 0 = 0 + z = z.
• La identidad multiplicativa es el uno: z · 1 = 1 · z = z
5. Inversos:
• Cada número complejo tiene su inverso aditivo −z tal que z + (−z) = 0.
• Cada número complejo, distinto de cero, tiene su inverso multiplicativo z−1 ,
tal que z · z−1 = 1.

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.2.- Operaciones con números complejos 8 / 18

Operaciones con números complejos y propiedades

Conjugado de un número complejo

Se define el conjugado z del número complejo z = x + iy como
z = x − iy.
Es decir, z es el punto simétrico a z con respecto al eje real.

Propiedades
8. |z|2 = x2 + y2 = (x + iy)(x − iy) = z z.
1 z z
9. Si z 6= 0, entonces z−1 = = = 2 .
z zz |z|
z+z z−z
10. Re (z) = , Im (z) = .
2 2i
11. z1 + z2 = z1 + z2 .
 
z1 z1
12. z1 z2 = z1 z2 , (zn ) = zn , z2 = z2 .
 
1
13. |z| = |z| , Arg (z) = −Arg z = Arg (z) .

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.2.- Operaciones con números complejos 9 / 18

Operaciones con números complejos. Ejemplos

a) (2 + 7i) + (3 − 4i) = (2 + 3) + (7 + (−4))i = 5 + 3i.

b) (9 + 5i) − (4 + 7i) = (9 − 4) + (5 − 7)i = 5 − 2i.

c) (3 + 2i)(5 + 6i) = 15 + 18i + 10i + 12i2 = 15 + 28i − 12 = 3 + 28i.

5 4 5 4
d) + i= − i.
17 25 17 25
p √ √
e) |3 − 4i| = 32 + 42 = 9 + 16 = 25 = 5.
π π
f) arg(1 + i) = arctan(1) = , por tanto Arg (1 + i) = + 2kπ, k ∈ Z.
4 4
√ q √ √ √
g) | − 2 − 12 i| = (−2)2 + (− 12)2 = 4 + 12 = 16 = 4.
 √ 
√  − 12  √ π 4π
h) arg(−2 − 12 i) = π + arctan   = π + arctan( 3) = π + = , por tanto
 
 −2  3 3
√ 4π
Arg (−2 − 12 i) = + 2kπ, k ∈ Z.
3
√
     
4π 4π
i) De los apartados g) y h) se tiene que −2 − 12 i = 4 cos + 2kπ + sen + 2kπ i .
3 3

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.2.- Operaciones con números complejos 10 / 18

Operaciones con números complejos y propiedades

Cociente de números complejos

 
z1 z1 z2 z1 z2 x1 x2 + y1 y2 y1 x2 − x1 y2
Sean z1 = x1 + y1 i y z2 = x2 + y2 i 6= 0, entonces = = = + i.
z2 z2 z2 |z2 |2 x22 + y22 x22 + y22

Ejemplos:
1 −i
j) = = −i.
i i · (−i)

1 cos(θ ) − i sen(θ ) cos(θ ) − i sen(θ )

k) = = = cos(θ ) − i sen(θ ).
cos(θ ) + i sen(θ ) (cos(θ ) + i sen(θ ))(cos(θ ) − i sen(θ )) (cos2 (θ ) + sen2 (θ ))

3 + 2i 3 + 2i 4 + 5i 12 + 15i + 8i + 10i2 2 + 23i 2 23

l) = · = = = + i.
4 − 5i 4 − 5i 4 + 5i 16 + 25 41 41 41
1−i 1 − i (−3 − i) −3 + 3i − i + i2 −4 + 2i 2 1
m) = · = = = − + i.
−3 + i −3 + i (−3 − i) 9 − i2 10 5 5

n) (1 + i)(1 − i) = 1 − i2 = 2 y en general para x ∈ R se tiene que (1 + x)(1 − x) = 1 − x2 i2 = 1 + x2 .

1 1 x yi
ñ) = = 2 − .
z x + iy x + y2 x2 + y2

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.2.- Operaciones con números complejos 11 / 18

Operaciones con números complejos en forma POLAR

Dados los números complejos en forma polar z1 = r1 (cos(θ1 ) + i sen(θ1 )) y z2 = r2 (cos(θ2 ) + i sen(θ2 )):

Conjugado. Cuando se halla el conjugado de un número complejo, el resultado es un número complejo

cuyo módulo es igual al del número inicial y cuyo argumentos es el argumento de dicho número
multiplicado por −1, es decir
z1 = r1 (cos(θ1 ) + i sen(θ1 )) = r1 (cos(−θ1 ) + i sen(−θ1 )) = r1 (cos(θ1 ) − i sen(θ1 )).
Ejemplo
√
−1 + i = 2(cos(3π/4) + i sen(3π/4))
√
= 2(cos(−3π/4) + i sen(−3π/4)) = −1 − i.

Multiplicación. Cuando se multiplican dos complejos, el resultado es un número complejo cuyo módulo
es igual al producto de los módulos y cuyo argumento es igual a la suma de los argumentos, es decir
z1 · z2 = (r1 r2 )(cos(θ1 + θ2 ) + i sen(θ1 + θ2 )).
Ejemplo
h √ i h√ i
(2 + i2)(1 − i) = 2 2(cos(π/4) + i sen(π/4)) 2(cos(7π/4) + i sen(7π/4))
=4(cos(π/4 + 7π/4) + i sen(π/4 + 7π/4)) = 4(cos(2π) + i sen(2π))
=4.

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.2.- Operaciones con números complejos 12 / 18

Operaciones con números complejos en forma POLAR

Dados los números complejos en forma polar z1 = r1 (cos(θ1 ) + i sen(θ1 )) y z2 = r2 (cos(θ2 ) + i sen(θ2 )):
Potencia. Cuando se halla la potencia enésima de un número complejo, el resultado es un número
complejo cuyo módulo es igual a la potencia enésima del módulo del número inicial y cuyo
argumentos es n veces el argumento de dicho número, es decir
zn1 = r1n (cos(nθ1 ) + i sen(nθ1 )).

Ejemplo
√ 9
3 + i = (2(cos(π/6) + i sen(π/6)))9 = 29 (cos(3π/2) + i sen(3π/2) = −512 i.

Cociente. Cuando se dividen dos números complejos, el resultado es un número complejo cuyo módulo es
igual al cociente de los módulos y cuyo argumento es igual a la diferencia de los argumentos, es decir
z1 r1
= (cos(θ1 − θ2 ) + i sen(θ1 − θ2 )).
z2 r2
Ejemplo

√ √
2 + i2 2 2(cos(π/4) + i sen(π/4)) 2 2
=√ = √ (cos(π/4 − 7π/4) + i sen(π/4 − 7π/4))
1−i 2(cos(7π/4) + i sen(7π/4)) 2
=2(cos(−3π/2) + i sen(−3π/2) = 2(cos(π/2) + i sen(π/2) = 2i.

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.2.- Operaciones con números complejos 13 / 18

Tema 0.- Números Complejos

Exponencial, raíces y ecuaciones

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.3.- Exponencial, raíces y ecuaciones 14 / 18

Exponencial compleja

ez := ex (cos(y) + i sen(y)), z = x + iy.

Propiedades:
14. ez1 +z2 = ez1 + ez2 .
15. Periódica de período 2πi, ez+2πi = ez .
16. |ez | = ex y Arg (ez ) = y + 2kπ, k ∈ Z.
17. (ez )α = eαz = eαx (cos(αy) + i sen(αy)).
 
18. Si θ ∈ R, entonces eθ i = (cos(θ ) + i sen(θ )) (Fórmula de Euler) y eαi  = 1.
19. Si θ , α ∈ R, entonces (cos θ + i sen θ )α = eαθ i = cos αθ + i sen θ (Fórmula de De Moivre).

Ejemplos:
o) eiπ + 1 = cos(π) + i sen(π) + 1 = −1 + 1 = 0 (Identidad de Euler).
p) 1 = e0 = e2iπ = e−2iπ = e2ikπ , ∀k ∈ Z. i = eiπ = e−iπ = eikπ , ∀k ∈ Z.
π 2
√
q) e2+ 2 i = e2 (cos π2 + i sen π2 ) = e 2 2 (1 + i).

5π
√
π π e2 2
r) e2+ 2 i
= e2+ 2 i+2πi = e2+ 2 i e2πi = 2 (1 + i).

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.3.- Exponencial, raíces y ecuaciones 15 / 18

Operaciones con números complejos y propiedades

Raíz n-ésima de un número complejo

√
q q p
n
z= n
|z| e = n |z| ei(θ +2kπ) = n |z| ei(θ +2kπ)/n ,
iθ k ∈ Z.

Si tomamos los valores k = 0, 1, . . . , n − 1 se obtienen las n raíces n-ésimas de z

p p p
n
|z| eiθ /n , n |z| ei(θ +2π)/n , . . . , n |z| ei(θ +2(n−1)π)/n .

Propiedades:
√ √
 
n

θ + 2kπ  p
n z = n |z| .
20. Arg z = : θ ∈ Arg z , k ∈ Z .
n

Ejemplos:
√ n 2kπ o n 2kπ o n 2π 4π
o n √ √ o
s) 3 1 = ei 3 : ∀k ∈ Z = ei 3 : k = 0, 1, 2 = 1, ei 3 , ei 3 = 1, −1+i
2
3 −1−i 3
, 2 ..

√ n π/2+2kπ o n π/2+2kπ o n π 5π o n √ √ √ √ o
t) 2
i = ei 2 : ∀k ∈ Z = ei 2 : k = 0, 1 = ei 4 , ei 4 = 22 + i 22 , − 22 − i 22 .

√ √ i π/3+2kπ
q  n o n π o
p
2 π/3+2kπ 7π
u) 1+i 3 = |1 + i 3| e 2 : ∀k ∈ Z = 2 e 2 : k = 0, 1 = 2e 6 , 2e 6 =
n√ √ o
3 i 3 i
2 + 2 , − 2 − 2 .

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.3.- Exponencial, raíces y ecuaciones 16 / 18

Ejercicios resueltos

I) Resolver las ecuaciones:

I z2 + 5 = 0.
√ √
R:/ z2 + 5 = 0 ⇒ z2 = −5 ⇒ z1 = 5i ∨ z2 = − 5i.

I z2 − 4z + 5 = 0.
R:/ Por la fórmula
pde la resolvente:
−(−4) ± 42 − 4 · 1,5 4 ± 2i
z1,2 = = = 2±i ⇒ z1 = 2 + i ∨ z2 = 2 − i.
2 2

II ) Hallar todos los valores de (−8i)1/3 , o sea, las tres raíces cúbicas de −8i.

π
R:/ Basta escribir −8i = 8ei(− 2 +2kπ ) (k = 0, ±1, ±2, . . .) para ver que las raíces
buscadas son  
i − π6 + 2kπ
3
ck = 2e (k = 0, 1, 2)
π
 π π √
En coordenadas rectangulares, c0 = 2ei(− 6 ) = 2 cos − i sen = 3 − i y, aná-
√ 6 6
logamente, encontramos que c1 = 2i y c2 = − 3 − i.
Estas raíces están en los vértices de un triángulo equilátero inscrito√ en el circulo de
radio 2 centrado en el origen (ver figura), La raíz principal es c0 = 3 − i

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.3.- Exponencial, raíces y ecuaciones 17 / 18

Bibliografía básica y complementaria

[1] R. V. Churchil, J.W. Brownl. Variable compleja y aplicaciones, McGraw-Hill, Ma-

drid, 2004. .
[2] D. Pestana, J.M. Rodríguez, F. Marcellán. Curso práctico de variable compleja y teoría
de transformada, Pearson, Madrid, 2014.
[3] Murray R. Spiegel, Variable compleja, McGraw-Hill, México, 2011.

Tema 0: Números Complejos [hpijeira@math.uc3m.es] 0.4.- Bibliografía complementaria 18 / 18

 • Tema 1: Sistemas de Ecuaciones Lineales •

Héctor E. Pijeira Cabrera

(hpijeira@math.uc3m.es)

Introducción a los sistemas de ecuaciones lineales. Reduc-

ción por filas y formas escalonadas. Ecuaciones vectoriales.
La ecuación matricial Ax=b. Conjuntos solución de los siste-
mas lineales.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.1.- Introducción a los sistemas de ecuaciones lineales 1 / 38

Sistemas de ecuaciones lineales

 Una ecuación lineal en las variables x1 , . . . , xn es una ecuación que puede escribirse en la forma
a1 x1 + a2 x2 + · · · + an xn = b, (1)
donde b y los coeficientes a1 , . . . , an son números reales o complejos. El subíndice n puede ser
cualquier entero positivo.
√ 
 Son ecuaciones lineales 4x1 − 5x2 + 2 = x1 y x2 = 2 6 − x1 + x3 .
√
 No son ecuaciones lineales 4x1 − 5x2 = x1 x2 y x2 = 2 x1 − 6.
 Un sistema de ecuaciones lineales (o sistema lineal) es una colección de una o más ecuaciones
lineales que implican las mismas variables, por ejemplo, x1 , . . . , xn .
 Ejemplo de sistema de ecuaciones lineales.
2x1 − x2 + 1,5x3 = 8
x1 − 4x3 = −7

 Una solución del sistema es una lista de números (s1 , s2 , . . . , sn ) que da validez a cada ecuación
cuando se utilizan los valores s1 , . . . , sn en lugar de x1 , . . . , xn , respectivamente.
 El conjunto de todas las posibles soluciones se llama conjunto solución del sistema lineal.
 Se dice que dos sistemas lineales son equivalentes si tienen el mismo conjunto solución. Es decir,
cada solución del primer sistema es una solución del segundo sistema, y cada solución del segundo
sistema también es una solución del primero.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.1.- Introducción a los sistemas de ecuaciones lineales 2 / 38
Tres ejemplos simples, resueltos por el método gráfico.

  
x1 − 2x2 = −1 x1 − 2x2 = −1 x1 − 2x2 = −1
−x1 + 3x2 = 3 −x1 + 2x2 = 3 −x1 + 2x2 = 1

Solución única No existe solución Infinitas soluciones

Consistente Inconsistente Consistente

Compatible determinado Incompatible Compatible indeterminado

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.1.- Introducción a los sistemas de ecuaciones lineales 3 / 38

Clasificación de los sistemas de ecuaciones lineales

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.1.- Introducción a los sistemas de ecuaciones lineales 4 / 38
Notación matricial

Sistema de ecuaciones lineales Matriz de coeficientes Matriz aumentada

    
 x1 − 2x2 + x3 = 0 1 −2 1 1 −2 1 0
2x2 − 8x3 = 8  0 2 −8   0 2 −8 8 
−4x1 + 5x2 + 9x3 = −9 −4 5 9 −4 5 9 −9


 El tamaño de una matriz indica su número de filas y columnas.

 En el ejemplo, la matriz aumentada tiene 3 filas y 4 columnas, por lo que es una
matriz de 3 × 4.
 Si m y n son enteros positivos, entonces una matriz de m × n es un arreglo
rectangular de números con m filas y n columnas. Siempre va primero el número
de filas.
 La notación matricial simplificará los cálculos.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.1.- Introducción a los sistemas de ecuaciones lineales 5 / 38

Tema 1: Sistemas de ecuaciones lineales

Operaciones elementales por fila

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.2.- Operaciones elementales por fila 6 / 38
Solución de un sistema lineal mediante operaciones por filas

Objetivo: Reemplazar un sistema por otro equivalente (es decir, con el mismo conjunto
solución) y que sea más fácil resolver.
Operaciones: Operaciones elementales por fila:
Reemplazo: Sustituir una fila por la suma de sí misma y un múltiplo de otra fila.
Intercambio: Intercambiar dos filas.
Escalamiento: Multiplicar todos los elementos de una fila por una constante diferente de
cero.
Nota: Las operaciones de fila son reversibles.

Definición. Dos matrices son equivalentes por filas si existe una secuencia de operaciones
elementales de fila que transforme una matriz en otra.
Propiedad. Si las matrices aumentadas de dos sistemas lineales son equivalentes por filas,
entonces los dos sistemas tienen el mismo conjunto solución (es decir, son equivalentes).

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.2.- Operaciones elementales por fila 7 / 38

Ejemplo 1.- Sistema lineal consistente, compatible determinado (solución única)

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.2.- Operaciones elementales por fila 8 / 38
Ejemplo 2.- Sistema lineal inconsistente, incompatible (sin solución)

Nota: El símbolo ∼ antes de una matriz indica que esta es equivalente por filas a la matriz anterior.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.2.- Operaciones elementales por fila 9 / 38

Ejemplo 3.- Sistema lineal consistente, compatible indeterminado (infinitas soluciones)

Notas:
Las variables x1 , x2 y x3 se llaman básicas y las varianbles x2 y x4 libres.
El símbolo αFi + β Fj → Fi significa α por la fila i más β por la fila j, colocado en la posición de la fila i. El
símbolo Fi ↔ Fj , significa intercambiar las filas i y j.
Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.2.- Operaciones elementales por fila 10 / 38
 Tema 1: Sistemas de ecuaciones lineales

Reducción por filas y formas escalonadas

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 11 / 38

Objetivo: Perfeccionar el método anterior para obtener un nuevo algoritmo de

reducción por filas que permitirá analizar cualquier sistema de ecuaciones
lineales.

Definiciones:
I Una fila o columna distinta de cero (o no nula) de una matriz será una fila
o columna que contenga al menos un elemento diferente de cero.
I Una entrada principal de una fila es el elemento diferente de cero que se
encuentra más a la izquierda (en una fila distinta de cero).

El algoritmo es una variante de lo que se conoce comúnmente como

eliminación gaussiana. Un método de eliminación similar para sis-
temas lineales fue utilizado por matemáticos chinos en el año 250 a.
C. El proceso era desconocido en la cultura occidental hasta el siglo
XIX, cuando matemático alemán, C. F. Gauss, lo descubrió. El inge-
niero alemán, W. Jordan, dio a conocer el algoritmo en un libro sobre
geodesia publicado en 1888.

Carl F. Gauss (1777-1855) Wilhelm Jordan (1842-1899)

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 12 / 38
Forma escalonada. Las entradas principales () pueden Estas matrices están en forma escalonada reducida por-
tener cualquier valor diferente de cero; las entradas (∗) que las entradas principales son números 1, y hay ceros
pueden tener cualquier valor (incluyendo al cero). abajo y arriba de cada entrada principal 1.

Matriz en forma escalonada o matriz escalón

Una matriz rectangular está en forma escalonada (o forma escalonada por filas) si tiene las siguientes
tres propiedades:
1. Todas las diferentes de cero están arriba de las filas que solo contienen ceros.
2. Cada entrada principal de una fila está en una columna a la derecha de la entrada principal de la fila
superior.
3. En una columna todas las entradas debajo de la entrada principal son ceros.
 Si una matriz de forma escalonada satisface las siguientes condiciones adicionales, entonces está en
forma escalonada reducida (o forma escalonada reducida por filas):
4. La entrada principal en cada fila diferente de cero es 1.
5. Cada entrada principal 1 es la única entrada distinta de cero en su columna.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 13 / 38

Teorema
 Cualquier matriz distinta de cero puede reducirse por filas (es decir, transformarse mediante operaciones
elementales de fila) a más de una matriz escalón, utilizando diferentes secuencias de operaciones de fila.
 Cada matriz es equivalente por filas a una, y solo a una, matriz escalonada reducida.

Apuntes.
I Si una matriz A es equivalente por filas a una matriz escalonada U, entonces U se llama una forma escalonada (o
una forma escalonada por filas) de A.
I Si U está en forma escalonada reducida, entonces U es la forma escalonada reducida de A.
I Cuando las operaciones de fila sobre una matriz producen una forma escalonada, las operaciones de fila posteriores
para obtener la forma escalonada reducida no cambian la posición de las entradas principales.
I Como la forma escalonada reducida es única, entonces las entradas principales siempre están en las mismas
posiciones en cualquier forma escalonada obtenida a partir de una matriz dada. Esas entradas principales
corresponden a los números 1 principales de la forma escalonada reducida.

Definición
I Una posición pivote en una matriz A es una ubicación en A que corresponde a un 1 principal en la forma
escalonada reducida de A.
I Una columna pivote es una columna de A que contiene una posición pivote.

Nota: En el esquema anterior los cuadrados () identifican las posiciones pivote.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 14 / 38
Ejemplo

Reduzca por filas la matriz A que se muestra a continuación hasta la forma escalonada, y localice las columnas pivote de A.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 15 / 38

Algoritmo de reducción por filas

Fase Progresiva
Paso 1.- Se inicia con la columna diferente de cero del extremo izquierdo. Esta
es una columna pivote. La posición pivote se ubica en la parte superior.
Paso 2.- Seleccione como pivote una entrada diferente de cero en la columna
pivote. Si es necesario, intercambie filas para mover esta entrada a la po-
sición pivote.
Paso 3.- Utilice operaciones de reemplazo de filas para crear ceros en todas las
posiciones ubicadas debajo del pivote.
Paso 4.- Ignore la fila que contiene la posición pivote y también todas las filas,
si las hay, por encima de esta. Aplique los pasos 1 a 3 a la submatriz
restante. Repita el proceso hasta que no haya filas diferentes de cero por
modificar.

Fase Regresiva
Paso 5.- Empezando con la posición pivote del extremo derecho y trabajando
hacia arriba y hacia la izquierda, genere ceros arriba de cada pivote. Si un
pivote no es 1, conviértalo en 1 mediante una operación de escalamiento.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 16 / 38
Ejemplo de aplicación del algoritmo de reducción por filas (1/2)

Aplique operaciones elementales de fila para transformar la siguiente matriz a la forma escalonada y, luego,
a la forma escalonada reducida:
 
0 3 −6 6 4 −5
 3 −7 8 −5 8 9 
3 −9 12 −9 6 15
Fase Progresiva

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 17 / 38

Ejemplo de aplicación del algoritmo de reducción por filas (2/2)

Aplique operaciones elementales de fila para transformar la siguiente matriz a la forma escalonada y, luego,
a la forma escalonada reducida:
 
0 3 −6 6 4 −5
 3 −7 8 −5 8 9 
3 −9 12 −9 6 15
Fase Regresiva

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 18 / 38
Existencia y Unicidad

Teorema de existencia y unicidad

Un sistema lineal es consistente si y solo si la columna más a la derecha de la matriz aumentada
no es una columna pivote, es decir, si y solo si una forma escalonada de la matriz aumentada no
tiene filas del tipo [0 · · · 0 b] con b 6= 0.
Si un sistema lineal es consistente, entonces el conjunto solución contiene:
I) una única solución, cuando no existen variables libres.
II ) una infinidad de soluciones, cuando hay al menos una variable libre.

Resumen. Procedimiento de reducción por filas para resolver un sistema lineal.

1) Escriba la matriz aumentada del sistema.
2) Emplee el algoritmo de reducción por filas para obtener una matriz aumentada equivalente
en forma escalonada.
• Determine si el sistema es consistente o no.
• Si no existe solución, deténgase; en caso contrario, continúe con el siguiente paso.
3) Prosiga con la reducción por filas para obtener la forma escalonada reducida.
4) Escriba el sistema de ecuaciones correspondiente a la matriz obtenida en el paso 3.
5) Rescriba cada ecuación no nula del paso 4 de manera que su única variable básica se exprese
en términos de cualquiera de las variables libres que aparecen en la ecuación.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 19 / 38

Esquema de la sucesión de indicaciones con carácter algorítmico

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.3.- Reducción por filas y formas escalonadas 20 / 38
 Tema 1: Sistemas de ecuaciones lineales

Ecuaciones Vectoriales

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.4.- Ecuaciones Vectoriales 21 / 38

Vectores en Rn

I Denotamos por Rn al conjunto de todas las matrices de números reales con una sola columna y n
filas. A cada uno de los elementos u ∈ Rn les llamaremos vector columna o simplemente un vector.
u1
 
 u2 
 u 
 
u ∈ Rn ⇒ u =  3  donde u1 , u2 , u3 , · · · , un ∈ R.
 . 
 .. 
un
Los números ui ∈ R se llaman entradas, componentes o coordenadas del vector u.
I Los ejemplos más comunes son:
n=1 R1 = R, representado por una recta.
  
2 u1
n=2 R = : u1 , u2 ∈ R. , representado por un plano.
u2
  
 u1 
n=3 R3 =  u2  : u1 , u2 , u3 ∈ R. , representado por el espacio tridimensional.
u3
 

I Dos vectores u, v ∈ Rn son iguales si y solo si sus entradas correspondientes son iguales.
I El vector cuyas entradas son todas cero se llama vector cero o nulo y se denota con 0.
I Los vectores de Rn los denotaremos con letra negrita u o también → −
u.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.4.- Ecuaciones Vectoriales 22 / 38

Suma de vectores y producto por un escalar

 Dados dos vectores u, v ∈ Rn , su suma es el vector u + v, que se obtiene al sumar las entradas
correspondientes de u y v, es decir:
u1 v1 u1 + v1
     
 u2   v2   u2 + v2 
 u3   v3   u3 + v3 
     
u+v =  + = .
 .   .   ..
 ..   ..  

. 
un vn un + vn
 Dado el vector u ∈ Rn y el escalar α ∈ R, el producto del escalar α por u es el vector αu, que se
obtiene al multiplicar cada entrada de u por α, es decir:
u1
   
αu1
 u2   αu2 
 u3   αu3 
   
αu = α  = .
 .   . 
 ..   .. 
un αun

I Propiedades algebraicas de Rn . Para todo u, v, w ∈ Rn y para todos α, β ∈ R:

I) u + v = v + u. V) v · α(u + v) = αu + αv
II ) (u + v) + w = u + (v + w). VI ) (α + β )u = αu + β u
III ) u + 0 = 0 + u = u. VII ) α(β u) = (αβ )(u)
IV ) u + (−u) = −u + u = 0 VIII ) 1u = u

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.4.- Ecuaciones Vectoriales 23 / 38

Interpretación geométrica en R2

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.4.- Ecuaciones Vectoriales 24 / 38

Interpretación geométrica de la suma en R3

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.4.- Ecuaciones Vectoriales 25 / 38

Definición
Dados los vectores v1 , v2 , . . . , vp en Rn y dados los escalares c1 , c2 , . . . , cp , el vector y definido por
y = c1 v1 + · · · + cp vp se llama combinación lineal de v1 , . . . , vp con pesos c1 , . . . , cp .

Ejemplo
     
1 2 7
Sean a1 =  −2  , a2 =  5  y b =  4  . Determine si b se puede generar (o escribir) como una combinación
−5 6 −3
lineal de a1 y a a2 . Es decir, determine si existen pesos x1 y x2 tales que x1 a1 + x2 a2 = b . Si la ecuación vectorial
anterior tiene solución, encuéntrela.

R:/

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.4.- Ecuaciones Vectoriales 26 / 38

Observación
Una ecuación vectorial x1 a1 + x2 a2 + · · · + xn an = b tiene el mismo conjunto solución que el
sistema lineal cuya matriz aumentada es
 
a1 a2 · · · an b . (?)

En particular, b se puede generar por una combinación lineal de a1 , . . . , an si y solo si existe una
solución al sistema lineal correspondiente a la matriz (?).

Definición de subconjunto de Rn generado

Si v1 , . . . , vp están en Rn , entonces
 el conjunto de todas las combinaciones lineales de
v1 , . . . , vp se denota como Gen v1 , . . . , vp y se llama el subconjunto de Rn extendido o

generado porv1 , . . . , vp .
Es decir, Gen v1 , . . . , vp es el conjunto de todos los vectores que se pueden escribir en la
forma
c1 v1 + c2 v2 + · · · + cp vp con escalares c1 , . . . , cp .

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.4.- Ecuaciones Vectoriales 27 / 38

Descripción geométrica del subconjunto generado en R3

     
1 5 −3
Ejemplo. Sean a1 =  −2  , a2 =  −13  y b =  8  . En-
3 −3 1
3
tonces Gen {a1 , a2 } es un plano que pasa por el origen en R . ¿Está b
en ese plano?

R:/ ¿Tiene solución la ecuación x1 a1 + x2a2 = b? Para responder

 a
esto, reduzca por filas la matriz aumentada a1 a2 b :
     
1 5 −3 1 5 −3 1 5 −3
 −2 −13 8 ∼ 0 −3 2  ∼  0 −3 2 
3 −3 1 0 −18 10 0 0 −2
La tercera ecuación es 0 = −2, la cual muestra que el sistema no tiene
solución. La ecuación vectorial x1 a1 + x2 a2 = b no tiene solución, de
manera que b no está en Gen {a1 , a2 }.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.4.- Ecuaciones Vectoriales 28 / 38

 Tema 1: Sistemas de ecuaciones lineales

La ecuación matricial Ax = b

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.5.- La ecuación matricial Ax=b 29 / 38

Ecuación matricial Ax = b
Si A es una matriz de m × n, con columnas a1 , . . . , an , y si x está en Rn , entonces el producto de A y x,
denotado como Ax, es la combinación lineal de las columnas de A utilizando como pesos las entradas
correspondientes en x; es decir,
x1
 
  . 
Ax = a1 a2 · · · an  ..  = x1 a1 + x2 a2 + · · · + xn an
xn

Ejemplos

 4              
1 2 −1  1 2 −1 4 6 −7 3
1. 3 =4 +3 +7 = + + = .
0 −5 3 0 −5 3 0 −15 21 6
7
           
2 −3   2 −3 8 −21 −13
4
2.  8 0  = 4  8  + 7  0  =  32  +  0  =  32 
7
−5 2 −5 2 −20 14 −6

x1 + 2x2 − x3 = 4
3. El sistema ] es equivalente a
−5x2 + 3x3 = 1
 
 x
2 −1  1 
          
1 2 −1 4 1 4
x1 + x2 + x3 = =⇒ x2 =
0 −5 3 1 0 −5 3 1
x3

 La ecuación de la derecha tiene la forma Ax = b y se llama ecuación matricial, para distinguirla de una
ecuación vectorial como la que se muestra a la izquierda.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.5.- La ecuación matricial Ax=b 30 / 38

Teoremas y propiedades

T.1.- Si A es una matriz de m × n, con columnas a1 , . . . , an , y si b está en Rm , la ecuación matricial Ax = b

tiene el mismo conjunto solución que la ecuación vectorial x1 a1 + x2 a2 + · · · + xn an = b la cual, a la
vez, tiene el mismo conjunto solución que el sistema de ecuaciones lineales cuya matriz aumentada es
 
a1 a2 · · · an b

T.2.- La ecuación Ax = b tiene una solución si y solo si b es una combinación lineal de las columnas de A.
T.3.- Sea A una matriz de m × n. Entonces, los siguientes enunciados son lógicamente equivalentes. Es
decir, para una A particular, todos los enunciados son verdaderos o todos son falsos.
a) Para cada b en Rm , la ecuación Ax = b tiene una solución.
b) Cada b en Rm es una combinación lineal de las columnas de A.
c) Las columnas de A generan Rm .
d) A tiene una posición pivote en cada fila.
T.4.- Regla fila-vector para calcular Ax. Si el producto Ax está definido, entonces la i -ésima entrada en
Ax es la suma de los productos de las entradas correspondientes de la fila i de A y del vector x.
 
  4    
1 2 −1  1 · 4 + 2 · 3 + (−1) · 7 3
Ejemplo: 3  = = .
0 −5 3 0 · 4 + (−5) · 3 + 3 · 7 6
7
T.5.- Si A es una matriz de m × n, u y v son vectores en Rn , y c es un escalar, entonces:
a) A(u + v) = Au + Av.
b) A(cu) = c(Au).

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.5.- La ecuación matricial Ax=b 31 / 38

Problemas resueltos
1. Para v1 , v2 , v3 en Rm , escriba la combinación lineal 3v1 − 5v2 + 7v3 como una matriz por un vector.
R:/ Coloque v1 , v2 , v3 en las columnas de una matriz
 A y coloque los pesos 3,-5 y 7 en un vector x. Es decir,
  3
3v1 − 5v2 + 7v3 = v1 v2 v3  −5  = Ax.
7

3
     
1 5 −2 0 −7
 −2 
2. Sean A =  −3 1 9 −5  , p =  y b =  9  . Es posible demostrar que p es una
0 
4 −8 −1 7 0
−4
solución de Ax = b. Escriba b como una combinación lineal de las columnas de A.
  3   
1 5 −2 0 −7
−2
R:/ La ecuación matricial  −3 1 9 −5   = 9 
 
0 
4 −8 −1 7 0
−4
         
1 5 −2 0 −7
es equivalente a la ecuación vectorial 3  −3  − 2  1  + 0  9  − 4  −5  =  9 
4 −8 −1 7 0
que expresa a b como una combinación lineal de las columnas de A.
     
2 5 4 −3
3. Sean A = ,u = yv= . Compruebe que A(u + v) = Au + Av.
3 1 −1 5
R:/       
     
4 −3 1 2 5 1 2 + 20 22
u+v = + = A(u + v) = = =
−1 5 4 3 1 4 3+4 7
           
2 5 4 2 5 −3 3 19 22
Au + Av = + = + =
3 1 −1 3 1 5 11 −4 7

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.5.- La ecuación matricial Ax=b 32 / 38

 Tema 1: Sistemas de ecuaciones lineales

Conjuntos solución de los sistemas lineales

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.6.- Conjuntos solución de los sistemas lineales 33 / 38

 Se dice que un sistema de ecuaciones lineales es homogéneo si se puede escribir en la forma

Ax = 0, donde A es una matriz de m × n y 0 es el vector cero en Rm .
I Tal sistema Ax = 0 siempre tiene al menos una solución, a saber, x = 0 (el vector cero en Rn ). Esta
solución cero generalmente se conoce como solución trivial.
I La pregunta importante es si existe una solución no trivial. Del teorema de existencia y unicidad se
tiene que:
 Ax = 0 tiene una solución no trivial si y solo si la ecuación tiene al menos una variable libre.
Ejemplo (†)
Determine si el siguiente sistema homogéneo tiene una solución no trivial. Luego, describa el conjunto
solución.
3x1 + 5x2 − 4x3 = 0
−3x1 − 2x2 + 4x3 = 0
6x1 + x2 − 8x3 = 0
R:/

Al despejar las variables básicas x1 y x2 se obtiene x1 = 43 x3 , x2 = 0, con x3 libre. Como un vector, la

solución general de Ax = 0 tiene la forma

En este caso se dice que la solución está en forma vectorial paramérica, con parámetro x3 .
Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.6.- Conjuntos solución de los sistemas lineales 34 / 38
Sistema de ecuaciones lineales no homogéneo

Teorema
Suponga que la ecuación Ax = b es consistente para alguna b dada, y sea p una solución. El conjunto
solución de Ax = b es el conjunto de todos los vectores de la forma w = p + vh , donde vh es cualquier
solución de la ecuación homogénea Ax = 0

Ejemplo (†) continuación

Describa todas las soluciones de Ax = b, donde
   
3 5 −4 7
A =  −3 −2 4  y b =  −1 
6 1 −8 −4
R:/ Aquí A es la misma del ejemplo (†) . Al efectuar operaciones de fila sobre [A b] se obtiene
   
3 5 −4 7 1 0 − 34 −1 4
 −3 −2 4 −1  ∼  0 1 0 2  , x1 x2 − x3 = −1
6 1 −8 −4 0 0 0 0 3

Por lo tanto, x1 = −1 + 34 x3 , x2 = 2, x2 = 2 y x3 es libre. Como un vector, la solución general de Ax = b tiene la forma

       4     4 
x1 −1 + 34 x3 −1 3 x3 −1 3
x =  x2  =  2  =  2  +  0  =  2  + x3  0 
x3 x3 0 x3 0 1
I La ecuación x = p + x3 v, o, escribiendo t como un parámetro general, x = p + tv (t en R) describe el conjunto
solución de Ax = b en forma vectorial paramétrica.
I Así, las soluciones de Ax = b se obtienen sumando el vector p a las soluciones de Ax = 0.
I El vector p es justamente una solución particular de Ax = b (correspondiente a t = 0)
Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.6.- Conjuntos solución de los sistemas lineales 35 / 38

Problemas resuelto 1

Cada una de las siguientes ecuaciones determina un plano en R3 . ¿Se intersecan los dos planos? Si es así,
describa su intersección
x1 + 4x2 − 5x3 = 0
2x1 − x2 + 8x3 = 9

R:/

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.6.- Conjuntos solución de los sistemas lineales 36 / 38
Problemas resuelto 2
I) Describa todas las soluciones del “sistema” homogéneo 10x1 − 3x2 − 2x3 = 0.
II ) Escriba la solución general de 10x1 − 3x2 − 2x3 = 7 en forma vectorial paramétrica, y relacione el conjunto solución
del apartado anterior.
R:/

Este cálculo indica que cada solución ) es una combinación lineal de los vectores u y v. Es decir, Gen{u, v}. Puesto que u
y v no son múltiplos entre sí, el conjunto solución es un plano que pasa por el origen.
 
II ) La matriz aumentada [10 − 3 − 2] ?] es equivalente por filas a 1 −,3 −,2 ,7 , la solución general es
x1 = ,7 + ,3x2 + ,2x3 , con x2 y x3 libres. Es decir,
         
x1 ,7 + ,3x2 + ,2x3 ,7 ,3 ,2
x =  x2  =  x2  =  0  + x2  1  + x3  0 
x3 x3 0 0 1

El conjunto solución de la ecuación no homogénea Ax = b es el plano trasladado p+ Gen {u, v}, que pasa por p y es
paralelo al conjunto solución de la ecuación homogénea.
Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.6.- Conjuntos solución de los sistemas lineales 37 / 38

Bibliografía básica y complementaria

[1] David C. Lay. Álgebra Lineal y sus Aplicaciones, 4ª ed, Pearson Education, 2012.
[2] D. Poole. Álgebra lineal: Una introducción moderna, 4ª ed, Cengage Learning, 2017.
[3] J. Arvesú, F. Marcellán y J. Sánchez. Problemas Resueltos de Álgebra Lineal, Ed. Para-
ninfo, 2015.
[4] S. Lipschutz. Álgebra Lineal, 2ª ed, McGraw-Hill, Madrid, 1992.

Tema I: Sistemas de ecuaciones lineales [hpijeira@math.uc3m.es] 1.7.- Bibliografía básica y complementaria 38 / 38

 • Tema 2: Álgebra Matricial •

Héctor E. Pijeira Cabrera

(hpijeira@math.uc3m.es)

Operaciones con matrices. La inversa de una matriz.

Matrices divididas por bloques. Determinantes

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 1 / 36

Definiciones básicas
Matriz. Arreglo rectangular numérico.
Orden de una Matriz. (núm. de filas) × (núm. de columnas).
Elemento o entrada de una matriz. Entrada escalar en la i-ésima
fila y la j-ésima columna de A y se denota mediante ai,j y se
llama entrada (i, j) de A.
Diagonal principal de una matriz. Las entradas diagonales en una
matriz A = [aij ] de m × n son a11 , a22 , a33 , . . . , y forman la dia-
gonal principal de A.
Matriz Diagonal. Matriz cuadrada de n × n cuyas entradas no diagonales son cero.
Matriz nula. Una matriz de m × n cuyas entradas son todas cero es una matriz cero o matriz nula y se escribe como 0. El
tamaño de una matriz cero, por lo general, es evidente a partir del contexto.
Matriz triangular superior de m × n, es aquella cuyas entradas debajo de la diagonal principal son cero.
Matriz triangular inferior de m × n, es aquella cuyas entradas arriba de la diagonal principal son cero.
Matriz escalar, Es aquella matriz diagonal, con todos las entradas de la diagonal principal iguales.
Matriz simétrica, es aquella matriz cuadrada tal que ai,j = aj,i .
Matriz antisimétrica, es aquella matriz cuadrada tal que ai,j = −aj,i . En consecuencia, todos los elementos de la
diagonal principal son iguales a cero.
Matriz hermitiana, es aquella matriz cuadrada tal que ai,j = aj,i (complejo conjugado). En consecuencia, todos los
elementos de la diagonal principal son números reales. Obiamente una matríz simétrica es hermintiana.
Matrices iguales. Se dice que dos matrices son iguales si tienen el mismo tamaño (es decir, el mismo número de filas y
de columnas) y si sus columnas correspondientes son iguales, lo que equivale a decir que sus entradas
correspondientes son iguales.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 2 / 36

Matrices con estructuras especiales

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 3 / 36

Definición de suma de matrices

I Si A y B son matrices de m × n, entonces la suma A + B es la matriz de m × n cuyas

columnas son las sumas de las columnas correspondientes en A y B.
I Puesto que la suma vectorial de las columnas se realiza por entradas, cada entrada en
A + B es la suma de las entradas correspondientes de A y B.
I La suma A + B está definida solo cuando A y B son del mismo tamaño.

Ejemplo

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 4 / 36

Definición de multiplicación de una matriz por un escalar

I Si r es un escalar y A es una matriz, entonces el múltiplo escalar rA es la matriz cuyas columnas son r veces las
columnas correspondientes de A.
I Al igual que sucede con los vectores, −A significa (−1)A, y A − B es igual que A + (−1)B.

Ejemplo

Propiedades
Sean A, B y C matrices del mismo tamaño, y sean r y s escalares.

a) A + B = B + A. d) (r + s)A = rA + sA.
b) r(A + B) = rA + rB. e) A + 0 = A.
c) (A + B) + C = A + (B + C). f) r(sA) = (rs)A.
Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 5 / 36

Definición de multiplicación de matrices

I Si A es una matriz de m × n y si B es una matriz de n × p con columnas b1 , . . . , bp entonces el

producto AB es la matriz de m × p cuyas columnas son Ab1 , . . . , Abp .
 
I Es decir, AB = A [b1 b2 · · · bp ] = Ab1 Ab2 · · · Abp .
I Cada columna de AB es una combinación lineal de las columnas de A usando pesos de la columna
correspondiente de B.

Ejemplo

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 6 / 36

 Regla fila-columna para calcular AB
Si el producto AB está definido, entonces la entrada en la fila i y
la columna j de AB es la suma de los productos de las entradas
correspondientes de la fila i de A y la columna j de B. Si (AB)ij
denota la entrada (i, j) en AB, y si A es una matriz de m × n,
entonces

(AB)ij = ai1 b1j + ai2 b2j + · · · + ain bnj

Ejemplo
      
1 4 7 1 −1 2 1 + 8 + 21 −1 − 4 − 21 2+8+0 30 −26 10
1.-  2 5 8   2 −1 2  =  2 + 10 + 24 −2 − 5 − 24 4 + 10 + 0  =  36 −31 14 
3 6 9 3 −3 0 3 + 12 + 27 −3 − 6 − 27 6 + 12 + 0 42 −36 18
     
1 2   2 − 10 0+4 1+6 −8 4 7
2 0 1
2.-  −1 0  =  −2 + 0 0 + 0 −1 + 0  =  −2 0 −1 
−5 2 3
−3 −1 −6 + 5 0 − 2 −3 − 3 −1 −2 −6
 
  4    
1 −2 3 1·4−2·5+3·6 12
3.- ·  5  = =
1 0 −1 1·4+0·5−1·6 −2
6
 
4  
1 −2 3
4.-  5  · no definido, pues la primera matriz tiene una columna y la segunda dos filas.
1 0 −1
6

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 7 / 36

Propiedades de la multiplicación de matrices

Sea A una matriz de m × n, y sean B y C matrices con tamaños para los que las sumas y los
productos indicados están definidos.
a) A(BC) = (AB)C (ley asociativa de la multiplicación)
b) A(B + C) = AB + AC (ley distributiva izquierda)
c) (B + C)A = BA + CA (ley distributiva derecha)
d) r(AB) = (rA)B = A(rB) para cualquier escalar r
e) Im A = A = AIn (identidad para la multiplicación de matrices)
f) AB = BA si y solo si A es una matriz de orden n × m y B de orden m × n. En
consecuancia, el producto de dos matrices cuadradas del mismo orden es
conmutativo.

Advertencias
a) En general, AB 6= BA, es decir en general el producto de matrices no es
conmutativo.
b) Las leyes de la cancelación no se aplican en la multiplicación de matrices. Es
decir, si AB = AC, en general no es cierto que B = C.
c) Si un producto AB es la matriz cero, en general, no se puede concluir que A = 0 ó
B = 0.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 8 / 36

Definición de potencia de una matriz

I Si A es una matriz de n × n (cuadrada) y k es un entero positivo, entonces Ak denota el producto de k

copias de A :
Ak = A · · · A k veces.
I Si A es diferente de cero y x está en Rn , entonces Ak x es el resultado de multiplicar repetidamente k
veces a x por la izquierda por A.
I Si k = 0, entonces A0 x debería ser la misma x. Por consiguiente, A0 se interpreta como la matriz
identidad.

Ejemplo
     
3 4 −1 3 4 −1 3 3 1
A2 = A · A =  −2 −3 1  ·  −2 −3 1  =  −2 −2 −1 
−2 −3 0 −2 −3 0 0 1 −1
     
3 3 1 3 4 −1 1 0 0
A3 = A2 · A =  −2 −2 −1  ·  −2 −3 1 = 0 1 0 
0 1 −1 −2 −3 0 0 0 1
     
1 0 0 3 4 −1 3 4 −1
4 3
A = A ·A =  0 1 0  ·  −2 −3 1  =  −2 −3 1 
0 0 1 −2 −3 0 −2 −3 0
Nota: Una matriz A se llama idenpotente si A2 = A e involutiva si A2 = I.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 9 / 36

Definición de transpuesta de una matriz

I Dada una matriz A de m × n, la transpuesta de A es la matriz de n × m, que se denota con AT , cuyas columnas se
forman a partir de las filas correspondientes de A.
I La transpuesta de un producto de matrices es igual al producto de sus transpuestas en orden inverso.

Propiedades de la transpuesta de una matriz

Sean A y B matrices cuyos tamaños son adecuados para las siguientes sumas y productos.

T
a) AT = A
b) (A + B)T = AT + BT
c) ∀r ∈ R, (rA)T = rC
d) (AB)T = BT AT (a transpuesta de un producto de matrices es igual al producto de sus transpuestas en orden inverso)

Ejemplo

Nota: Una matriz cuadrada A es simétrica si y solo si A = AT , antisimétrica si y solo si A = −AT y hermitiana si y solo si
A = AT .
Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.1.- Operaciones con matrices 10 / 36
 Tema 2: Álgebra matricial

La inversa de una matriz

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.2.- La inversa de una matriz 11 / 36

Definición de inversa de una matriz

I Se dice que una matriz A de n × n (cuadrada) es invertible si existe otra matriz C de n × n tal que
CA = I y AC = I donde I = In es la matriz identidad de n × n.

I En este caso, C es una inversa de A.

I En efecto, C está determinada únicamente por A, ya que si B fuera otra inversa de A, entonces B =
BI = B(AC) = (BA)C = IC = C. Esta inversa única se denota mediante A−1 , tal que,
A−1 A = I y AA−1 = I

I Una matriz que no es invertible en ocasiones se llama matriz singular, y una matriz invertible se
llama matriz no singular.

Ejemplo
   
2 5 −7 −5
Sean A = yC= entonces
−3 −7 3 2
    
2 5 −7 −5 1 0
AC = = y
−3 −7 3 2 0 1
    
−7 −5 2 5 1 0
CA = = . Por lo tanto, C = A−1 .
3 2 −3 −7 0 1

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.2.- La inversa de una matriz 12 / 36

Propiedades de las matrices invertibles
 −1
a) Si A es una matriz invertible, entonces A−1 es invertible y A−1 = A.

b) Si A y B son matrices invertibles de n × n, entonces también lo es AB, y la inversa de AB es el

producto de las inversas de A y B en el orden opuesto. Es decir, (AB)−1 = B−1 A−1 .

c) Si A es una matriz invertible, también lo es AT , y la inversa de AT es la transpuesta de A−1 . Es decir,

−1  −1 T
AT = A .
 
a b
d) Sea A = .
c d
 
−1 1 d −b
Si ad − bc 6= 0, entonces A es invertible y A =
ad − bc −c a
Si ad − bc = 0, entonces A no es invertible.
La cantidad ad − bc se llama determinante de A, y se escribe como det(A) = ad − bc.
Ejemplo

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.2.- La inversa de una matriz 13 / 36

Matrices invertibles y sistemas de ecuaciones lineales

Teorema
Si A es una matriz invertible de n × n, entonces, para cada b en Rn , la ecuación
Ax = b tiene la solución única x = A−1 b.

Ejemplo

Use
 la inversa de la matriz A del ejemplo anterior para resolver el sistema
3x1 + 4x2 = 3
5x1 + 6x2 = 7

R:/ Este sistema es equivalente a Ax = b, por lo que

    
−3 2 3 5
A−1 Ax = x = A−1 b = =
5/2 −3/2 7 −3

Nota: Una matriz A es involutiva si y solo si A = A−1 .

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.2.- La inversa de una matriz 14 / 36

Un algoritmo para determinar A−1

Teorema
Una matriz A de n × n es invertible si y solo si A es equivalente por filas a In , y, en este caso,
cualquier secuencia de operaciones elementales de fila que reduzca A a In también transforma a
In en A−1 .

Observación: Si colocamos A e I lado a lado para formar una matriz aumentada [A I],
entonces las operaciones de fila en esta matriz producen operaciones idénticas sobre A e I.
Entonces, de acuerdo con el teorema anterior, hay operaciones de fila que transforman a A en In
y a In en A−1 , o A no es invertible.

Algoritmo para determinar A−1

1. Reduzca por filas la matriz aumentada [A I] .
A−1 .
 
2. Si A es equivalente por filas a I, entonces [A I] es equivalente por filas a I
3. De otra manera, A no tiene inversa.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.2.- La inversa de una matriz 15 / 36

Ejemplo de aplicación del algoritmo para determinar A−1

 
0 1 2
Encuentre la inversa de la matriz A = 1
 0 3  , si existe.
4 −3 8

R:/

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.2.- La inversa de una matriz 16 / 36

 Tema 2: Álgebra matricial

Matrices divididas por bloques

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.3.- Matrices divididas por bloques 17 / 36

Matriz particionada por bloques o submatrices

 
a11 a12 a13 a14 a15 a16
 a21 a22 a23 a24 a25 a26   
 = A11 A12 A13
 
A= a31 a32 a33 a34 a35 a36
  A21 A22 A23
 a41 a42 a43 a44 a45 a46 
a51 a52 a53 a54 a55 a56

Submatrices o bloques:
     
a11 a12 a13 a14 a15 a16
A11 = , A12 = , A13 = ,
a21 a22 a23 a24 a25 a26
    
a31 a32 a33 a34 a35 a36
A21 =  a41 a42 , A22 =  a43 a44 a45  y A23 =  a46 .
a51 a52 a53 a54 a55 a56

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.3.- Matrices divididas por bloques 18 / 36
Operaciones con matrices particionadas

Suma de matrices particionadas. Si las matrices A y B son del mismo tamaño y están particionadas
exactamente en la misma forma, resulta natural efectuar una partición similar de la suma ordinaria
matricial A + B. En este caso, cada bloque de A + B es la suma (matricial) de los bloques
correspondientes de A y B.

A11 A12 ··· A1n B11 B12 ··· B1n A11 + B11 A12 + B12 ··· A1n + B1n
     
 A21 A22 ··· A2n   B21 B22 ··· B2n   A21 + B21 A22 + B22 ··· A2n + B2n 
A+B =  . . . + . . . = . . .
     
 . . .. .   . . .. .   . . .. .

. . . . . . . . . . . .

Am1 Am2 ··· Amn Bm1 Bm2 ··· Bmn Am1 + Bm1 Am2 + Bm2 ··· Amn + Bmn

Multiplicación escalar de matrices particionadas. La multiplicación por un escalar de una matriz

particionada también se calcula bloque por bloque.

A11 A12 ··· A1n c A11 c A12 ··· c A1n

   
 A21 A22 ··· A2n   c A21 c A22 ··· c A2n 
cA=c  . . . = . . . 
   
 . . .. .   . . .. . 
. . . . . . . .
Am1 Am2 ··· Amn c Am1 c Am2 ··· c Amn

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.3.- Matrices divididas por bloques 19 / 36

Operaciones con matrices particionadas

Multiplicación de matrices particionadas. Las matrices particionadas se pueden multiplicar utilizando la

regla fila-columna como si las entradas del bloque fueran escalares, siempre que para un producto
AB, la partición por columnas de A equivalga a la partición por filas de B.

Ejemplo

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.3.- Matrices divididas por bloques 20 / 36
Inversas de matrices particionadas

R/:

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.3.- Matrices divididas por bloques 21 / 36

Tema 2: Álgebra matricial

Determinantes

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 22 / 36

Determinantes de matrices cuadradas de orden 1, 2 y 3

 
A= a11 , det(A) =a11 .
   
a11 a12  a a12 
A= , det(A) =  11 = a11 a22 − a21 a12
a21 a22 a21 a22 
   
a11 a12 a13  a11
 a12 a13 

A =  a21 a22 a23  , det(A) =  a21 a22 a23 

a31 a32 a33  a31 a32 a33 
=(a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
− (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 23 / 36

Interpretación geométrica de los determinantes de orden 1, 2 y 3

Longitud de un segmento
 
A= a11 ,
det(A) =a11 ,
Longitud(L) =| det(A)|.

Área de un paralelogramo
 
a11 a12
A= ,
a21 a22
det(A) =a11 a22 − a21 a12 ,
Área(A) =| det(A)|.

Volumen de un paralelepípedo
 
a11 a12 a13
A = a21 a22
 a23  ,
a31 a32 a33
det(A) =(a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
− (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 ).
Volumen(V) =| det(A)|.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 24 / 36

Determinante de matrices cuadradas diagonales, triangular superior y triangular inferior

a11 0 0 ··· 0
0 a22 0 ··· 0
n
0 0 a33 ··· 0
Determinante de matriz diagonal = ∏ ai,i = a11 · a22 · a33 · · · ann
.. .. .. .. .. i=1
. . . . .
0 0 0 ··· ann

a11 a12 a13 ··· a1n

0 a22 a23 ··· a2n
n
0 0 a33 ··· a3n
Determinante de matriz triangular superior = ∏ ai,i = a11 · a22 · a33 · · · ann .
.. .. .. .. .. i=1
. . . . .
0 0 0 ··· ann

a11 0 0 ··· 0
a21 a22 0 ··· 0
n
a31 a32 a33 ··· 0
Determinante de matriz triangular inferior = ∏ ai,i = a11 · a22 · a33 · · · ann .
.. .. .. .. .. i=1
. . . . .
an1 an2 an3 ··· ann

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 25 / 36

Menores de una matriz

I Dada la matriz A de orden n × m, se llama MENOR DE ORDEN r (r < n y r < m) de la matriz A, al determinante
de cualquier submatriz resultante de suprimir n − r filas y m − r columnas de la matriz A. Note que la submatriz
resultantes es una matriz cuadrada de orden r.
I Cualquier menor donde los elementos de la diagonal principal pertenecen a la diagonal principal de la matriz A se
llama MENOR PRINCIPAL.
I Sea A una matriz cuadrada de orden n y aij es el elemento de A que se encuentra en la fila i y columna j.
Llamaremos MENOR (i, j) de A o MENOR asociado al elemento aij al determinante de la matriz que resulta de
suprimir de A simultáneamente la fila i y la columna j.
n! m!
I Para una matriz de orden n × m, existen menores de orden r (r < n y r < m).
(r!)2 (n − r)! (m − r)!

 
a11 a12 a13
Ejemplo. La matriz A = a21 a22 a23  tiene 9 menores de orden dos, que son:
a31 a32 a33
           
a22 a23  a a23  a21 a22  a12 a13  a a13  a a12 
m1,1 =  , m =  21 ,m = ,m = , m =  11 , m =  11 ,
a32 a33  12 a31 a33  13 a31 a32  21 a32 a33  22 a31 a33  23 a31
   
a32 
     
a12 a13  a a13  a11 a12 
m31 = 
  , m32 =  11 y m33 =   .
a22 a23  a21 a23  a21 a22 

Los menores principales de orden 2 son m11 , m22 y m33

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 26 / 36

Matriz de cofactores y matriz adjunta
Sea A una matriz cuadrada de orden n y aij es el elemento de A que se encuentra en la fila i y columna j.
I Llamaremos COFACOTOR (i, j) de A o COFACTOR asociado al elemento aij al producto (−1)i+j mij , donde mij
es el menor (i, j) de A.
I La matriz Cof(A) formada por elementos cij , donde cij = (−1)i+j mij es el cofactor (i, j) de A se llama MATRIZ DE
COFACTORES.
I Llamaremos MATRIZ ADJUNTA a la matriz A , a la matriz Adj(A) = (Cof(A))T , es decir la transpuesta de la
matriz de cofactores.

Ejemplo.
 
a11 a12 a13
A = a21 a22 a23 
a31 a32 a33
      
a22 a23  a a23  a a22 
+  −  21 +  21
 a32 a33  a31 a33  a31 a32   
a22 a33 − a23 a32 a23 a31 − a21 a33 a21 a32 − a22 a31
      
 a a13  a a13  a a12  
  
Cof(A) = −  12 +  11 −  11

 = a32 a13 − a33 a12 a33 a11 − a31 a13 a31 a12 − a32 a11 
 a32 a33  a31 a33  a31 a32 
a a − a a a13 a21 − a11 a23 a11 a22 − a12 a21
      
 12 23 13 22
a a13  a a13  a a12 
 
+  12 −  11 +  11
a22 a23  a21 a23  a21 a22 
     T
a a23  a a23  a a22 
 
+  22 −  21 +  21
 a32 a33  a31 a33  a31 a32   
a22 a33 − a23 a32 a32 a13 − a33 a12 a12 a23 − a13 a22
      
 a a13  a a13  a a12 
  
Adj(A) = −  12 +  11 −  11

 = a23 a31 − a21 a33 a33 a11 − a31 a13 a13 a21 − a11 a23 
 a32 a33  a31 a33  a31 a32 
a a − a a a a − a a a11 a22 − a12 a21
      
 21 32 22 31 31 12 32 11
a a13  a a13  a a12 
 
+  12 −  11 +  11
a22 a23  a21 a23  a21 a22 

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 27 / 36

Cálculo de determinantes de orden superior

Regla de Laplace o desarrollo en cofactores

I El determinante de orden n, puede desarrollarse a partir de una fila o columna, reduciendo
el problema al cálculo de un determinante de orden n − 1.
I Para ello se toma una fila o columna cualquiera, multiplicando cada elemento por su
cofactor (es decir, el determinante de la matriz que se obtiene eliminando la fila y columna
correspondiente a dicho elemento (Menor), multiplicado por (−1)i+j donde i es el número
de fila y j el número de columna).
I La suma de todos los productos es igual al determinante.

3 −7 8 9 −6
 
 0 2 −5 7 3 
Ejemplo. Calcule det(A), donde A =  0 0 1 5 0
 

 0 0 2 4 −1 
0 0 0 −2 0
R:/ El desarrollo a lo largo de la primera columna tiene todos los términos iguales a cero, excepto el primero. Así,
 2 −5 7 3 
 
 0 1 5 0 
 
det(A) = 3 ·   − 0 · C21 + 0 · C31 − 0 · C41 + 0 · C51
 0 2 4 −1 
 0 0 −2 0 
Desarrolle el determinante de 4 × 4 a lo largo de la primera columna, ya que tiene tres ceros. Se tiene
 
 1 5 0 

det(A) = 3 · 2 ·  2 4 −1  Este determinante se calcula por la regla de Sarus y su valor es -2.
 0 −2 0 

Por lo tanto, det(A) = 3 · 2 · (−2) = −12.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 28 / 36
Propiedades de los determinantes

D-1) Si una matriz cuadrada tiene un fila o columna que es combinación lineal de las restantes
filas o columnas (respectivamente), entonces su determinante es cero.
Se tiene los siguiente casos particulares:
a) El determinante de una matriz con una fila o columna nula es cero.
b) El determinante de una matriz con dos fila o columna iguales es cero.
c) El determinante de una matriz con una fila o columna múltiplo de otra es cero.

D-2) Al permutar dos filas o columnas de una matriz su determinante cambia de signo.
D-3) Si una fila o columna de una matriz A se multiplica por una constante c, el determinate de
la nueva matriz Ac será igual al determinante de A multiplicado por c.
D-4) Si se suma un múltiplo de una fila a otra fila de la matriz A, la matriz resultante tienen el
mismo determinante que A.
D-5) El determinante de una matriz y el de su traspuesta son iguales. Entonces
det(A) = det(AT ).
D-6) Sean A y B dos matrices cuadradas del mismo orden, entonces:
det(AB) = det(A) det(B).
D-7) Un determinante de orden n se descompone en n! sumandos de n factores cada uno.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 29 / 36

Método de Gauss para el cálculo de determinantes

Algoritmo reducción del orden de un determinante

Aquí A = aij es una matriz n -cuadrada no nula, con n > 1
Paso 1. Elegir un elemento aij = 1 o, en su defecto, un aij 6= 0.

Paso 2. Usando aij como pivote, efectuar las operaciones elementales entre filas [columnas]
necesarias para colocar ceros en el resto de las posiciones de la columna [fila] que
contiene aij

Paso 3. Desarrollar el determinante por la columna [fila] que contiene aij

Observaciones:
 El Algoritmo suele emplearse para determinantes de orden cuatro o mayor. Con determinantes de orden menor que
cuatro se utilizan las fórmulas del determinante especificas.

 La eliminación gaussiana o, equivalentemente, el uso repetido del Algoritmo acompañado de intercambios de filas
puede servir para transformar una matriz A en otra triangular superior, cuyo determinante es el producto de las
entradas diagonales.

F No obstante, no debe perderse de vista el número de intercambios de filas, pues cada uno de ellos varia el
signo del determinante.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 30 / 36

Ejemplo del algoritmo reducción del orden de un determinante

 
5 4 2 1
 2 3 1 −2 
Calcular el determinante de A = 
 −5
.
−7 −3 9 
1 −2 −1 4

R:/
Utilizamos a23 = 1 como pivote para situar ceros en el resto de las posiciones de la tercera columna, esto
es, efectuamos las operaciones entre filas −2F2 + F1 → F1 , 3F2 + F3 → F3 y F2 + F4 → F4 . Según las
propiedades de los determinantes, el valor del determinante no se altera con estas operaciones, es decir,
   
 5 4 2 1   1 −2 0 5 
   
 2 3 1 −2   2
  3 1 −2 
|A| = 
 =
 −5 −7 −3 9   1 2 0 3 
 1 −2 −1 4   3 1 0 2 
Si ahora desarrollamos por la tercera columna, podemos despreciar todos los términos que contienen 0. Asi
 
 1 −2 0 5   
  1 −2 5 
 2 3 1 −2 
|A| = (−1)2+3 
 
= −  1 2 3  = −(4 − 18 + 5 − 30 − 3 + 4) = −(−38) = 38
 1 2 0 3 
 3 1 2 
 3 1 0 2 

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 31 / 36

INVERSA de una matriz cuadrada mediante determinantes (2do método)

Adj(A) (Cof(A))T
 Dada la matriz cuadrada no singular A, se tiene que: A−1 = = .
det(A) det(A)

 Una matriz cuadrada es singular, es decir no invertible , si y solo si det(A) = 0.

 
1 5 0
Ejemplo. Calcule la inversa de la matriz A =  2 4 −1 
0 −2 0

R:/       
4 −1 2 −1 2 4 
+ −2
 −  + 
  0 0 0 0 −2  
 1 5 0 −2 0 −4
       
 5 0 1 0 1 5  
    
det(A) =  2 4 −1  = −2, Cof(A) =  −  +  −  = 0 0 2 ,
−2 0 0 0 0 −2
 
 0 −2 0  
       −5 1 −6
 5 0  1 0  1 5 
+  −  + 
4 −1 2 −1 2 4
 5 
    1 0 2
−2 0 −5 Adj(A) −1 −2 0 −5  
Adj(A) = (Cof(A))T =  0 0 1 y A−1 = = 0 0 1  = 0 0 − 12  .
 
−4 2 −6 det(A) 2 −4 2 −6  
2 −1 3

La comprobación de deja de ejercicio.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 32 / 36

Rango de una matriz
Dada una matriz A de orden n × m, llamaremos RANGO de A es el orden del mayor menor no nulo de A.
El rango de una matriz se denota por ran(A).

Propiedades:
a) El rango de una matriz es igual al número de filas no nulas que aparecen en su transformación en
matriz escalonada (método de Gauss).
b) Si A es una matriz de orden m × n, entonces ran(A) ≤ m y ran(A) ≤ n.
c) El rango de una matriz es igual el número de filas (columnas) que no se pueden poner como
combinación lineal de las restantes, es decir el número de filas (columnas) linealmente
independientes de la matriz.
d) Una matriz cuadrada de orden n es invertible si ran(A) = n.
e) Si A es una matriz cualquiera, entonces ran(A) = ran(AT ).
Ejemplos. Calcule el rango de las siguientes matrices:
   
1 5 0  1
 5 0 
A=  2 4 −1  y det(A) =  2
 4 −1  = −2 6= 0, entonces ran(A) = 3
0 −2 0  0 −2 0 
   
1 5 0  1 5
 0 


 1 5 

A= 2 4 −1 , det(A) =  2 4 −1 =0 y 
  2 4  = −6, entonces ran(A) = 2.

4 8 −2  4 8 −2 

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 33 / 36

Regla de Cramer

I Consideremos un sistema de n ecuaciones lineales con n incógnitas:

a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.............................. ...
an1 x1 + an2 x2 + · · · + ann xn = bn


I El sistema puede escribirse en la forma Ax = B, donde A = aij es la matriz (cuadrada)
de coeficientes y B = (bi ) el vector columna de constantes.
I Sea Ai la matriz obtenida a partir de A sustituyendo su columna i-ésima por B.

Regla de Cramer
Sean D = det(A) y Ni = det (Ai ) para i = 1, 2, . . . , n. El sistema anterior tiene
solución única si y sólo si D 6= 0, en cuyo caso la solución viene dada por
N1 N2 Nn
x1 = , x2 = ,..., xn = .
Gabriel Cramer D D D
(1704-1752)

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 34 / 36

Ejemplo de aplicación de la regla de Cramer

 2x + y − z = 3
Resolver empleando la regla de Cramer el sistema x+y+z = 1
x − 2y − 3z = 4


R:/ Comenzamos calculando el determinante D de la matriz de los coeficientes:

 
 2
 1 −1 

D= 1 1 1  = −6 + 1 + 2 + 1 + 4 + 3 = 5.
 1 −2 −3 

Como D 6= 0, el sistema tiene solución única. Para encontrar Nx , Ny y Nz sustituimos los coeficientes de x, y
y z en la matriz por los términos constantes:
 
 3
 1 −1 
Nx =  1 1 1  = −9 + 4 + 2 + 4 + 6 + 3 = 10.
 4 −2 −3 
 
 1 1 1 
 
Ny =  1 1
 1  = −6 + 3 − 4 + 1 − 8 + 9 = −5.
 1 4 −3 
 
 2 1 3 

Nz =  1 1 1  = 8 + 1 − 6 − 3 + 4 − 4 = 0.
 1 −2 4 

Nx Ny Nz
La solución única es x = D = 2, y = D = −1, z = D = 0.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.4.- Determinantes 35 / 36

Bibliografía básica y complementaria

[1] David C. Lay. Álgebra Lineal y sus Aplicaciones, 4ª ed, Pearson Education, 2012.
[2] D. Poole. Álgebra lineal: Una introducción moderna, 4ª ed, Cengage Learning, 2017.
[3] J. Arvesú, F. Marcellán y J. Sánchez. Problemas Resueltos de Álgebra Lineal, Ed. Para-
ninfo, 2015.
[4] S. Lipschutz. Álgebra Lineal, 2ª ed, McGraw-Hill, Madrid, 1992.

Tema II: Álgebra matricial [hpijeira@math.uc3m.es] 1.5.- Bibliografía básica y complementaria 36 / 36

 • Tema 3: Espacios Vectoriales •

Héctor E. Pijeira Cabrera

(hpijeira@math.uc3m.es)

Espacios y subespacios vectoriales. Conjuntos linealmente

independientes y bases. Sistemas de coordenadas y dimen-
sión. Transformaciones lineales.

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.1.- Espacios y subespacios vectoriales 1 / 29

Definición de espacio vectorial

Un espacio vectorial es un conjunto no vacío V de objetos, llamados vectores, en el que están definidas dos
operaciones, llamadas suma y multiplicación por escalares (números reales), sujetas a los 10 axiomas (o
reglas) que se listan a continuación.
Los axiomas deben ser válidos para todos los vectores u, v, w en V, y para todos los escalares c y d.
A1 ) La suma de u y v, denotada con u + v, está en V.
A2 ) u + v = v + u.
A3 ) (u + v) + w = u + (v + w).
A4 ) Hay un vector cero 0 ∈ V tal que u + 0 = u.
A5 ) Para cada u ∈ V, existe un vector −u en V tal que u + (−u) = 0.
A6 ) El múltiplo escalar de u por c, que se denota con cu, está en V.
A7 ) c(u + v) = cu + cv.
A8 ) (c + d)u = cu + du.
A9 ) c(du) = (cd)u.
A1 0) 1u = u.

Ejemplos.
El espacio vectorial de los n-úplos ordenados de números reales, R, R2 , R3 , · · · , Rn , · · · .
El espacio vectorial de todas las matrices de números reales de orden m × n, Mmn .
El espacio vectorial de todos los polinomios con coeficientes reales P.
Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.1.- Espacios y subespacios vectoriales 2 / 29
 Definición de subespacio vectorial
Un subespacio de un espacio vectorial V es un subconjunto H ⊂ V tal que:
a) El vector cero de V está en H.
b) H es cerrado bajo la suma de vectores. Es decir, por cada u y v en H,
la suma u + v está en H.
c) H es cerrado bajo la multiplicación por escalares. Es decir, para cada
u en H y cada escalar c, el vector cu está en H.

Ejemplos.
R2 no es un subespacio de R3 .
El conjunto que consta solo del vector cero en un espacio vectorial V es un
subespacio de V, llamado subespacio cero, y se representa como {0}.
Todo espacio vectorial es subespacio vectorial de si mismo.
Sea P el conjunto de todos los polinomios con coeficientes reales, con las opera-
ciones definidas para funciones. De esta forma, P es un subespacio del espacio
de todas las funciones de valores reales definidas en R.
∀n ≥ 0, sea Pn ⊂ P el subconjunto de todos los polinomios de grado menor o
igual que n.
Sean M32 el espacio de todas las matrices de orden 3 × 2 y M∗32 el conjunto de
las matrices de orden 3 × 2 con la tercera columna nula. M∗32 es un subespacio
vectorial de M32

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.1.- Espacios y subespacios vectoriales 3 / 29

Problemas resueltos

a) Probar que W es un subespacio de R3 , donde W = {(a, b, c) : a + b + c = 0}, esto es, W consiste en

aquellos vectores con la propiedad de que la suma de sus componentes es cero.
R:/
0 = (0, 0, 0) ∈ W porque 0 + 0 + 0 = 0.
Supongamos que v = (v1 , v2 , v3 ), w = (w1 , w2 , w3 ) pertenecen a W, es decir, v1 + v2 + v3 = 0 y
w1 + w2 + w3 = 0. Entonces, para dos escalares cualesquiera α y β
αv + β w =α(v1 , v2 , v3 ) + β (w1 , w2 , w3 )
=(αv1 , αv2 , αv3 ) + (β w1 , β w2 , β w3 )
= (αv1 + β w1 , αv2 + β w2 , αv3 + β w3 ) .
(αv1 + β w1 ) + (αv2 + β w2 ) + (αv3 + β w3 ) =α(v1 + v2 + v3 ) + β (w1 + w2 + w3 ) = α0 + β 0 = 0.

Entonces, αv + β w ∈ W ⇒ W es un subespacio de R3 .

b) Sea P3 como anteriormente y P3,Z el conjunto de todos los polinomios de grado a lo sumo 3 con
coeficientes enteros. Determine si P3,Z es un subespacio vectorial de P3 o no.
R:/ No, porque los múltiplos escalares de los vectores en P3,Z no siempre pertenecen a P3,Z . Por ejemplo,
1 1 1 1
v = 1 + x + x2 ∈ P3,Z , mientras que v = + x + x2 6∈ P3,Z .
2 2 2 2

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.1.- Espacios y subespacios vectoriales 4 / 29

Subespacio vectorial generado

I Dado un espacio vectorial V y un subconjunto de n vectores B = {v1 , . . . , vn } se llama subespacio

generados por B al conjunto
Gen(B) = {v ∈ V : V = α1 v1 + · · · + αn vn , donde {α1 , . . . , αn } ⊂ R} .
Es decir, el conjunto de todas las combinaciones lineales de vectores de B.
I Dado un subespacio H ⊂ V, un conjunto generador para H es un conjunto {v1 , . . . , vn } ⊂ H tal que
H = Gen(v1 , . . . , vn ).

Teorema
Sean V un espacio vectorial y B = {v1 , . . . , vn } un subconjunto de n vectores de V. Entonces Gen(B) es un
subespacio vectorial de V.

Ejemplo.
Sea H el conjunto de todos los vectores de la forma (a − 3b, b − a, a, b), donde a, b ∈ R. . Demuestre que H
es un subespacio de R4 .
R:/ Representando los vectores en H como vectores columna se tiene que:
     
a − 3b 1 −3
 b−a 
 = a  −1  + b  1  = av1 + bv2 .
   

 a   1   0 
b 0 1

Luego H = Gen(v1 , v2 ) y por tanto según el teorema anterior H es un subespacio vectorial de R4 .

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.1.- Espacios y subespacios vectoriales 5 / 29

Subespacios notables.

Subespacio nulo de una matriz

El espacio nulo de una matriz A de m × n, que se denota como Nul(A), es el conjunto de todas las
soluciones de la ecuación homogénea Ax = 0. En notación de conjuntos,
Nul A = {x : x está en Rn y Ax = 0}
En resumen, Nul(A) es el conjunto de todas las x en Rn que se transforman en el vector cero de Rm a
través del producto Ax.
 
5
Ejemplo Sea A la matriz en la ecuación (2) anterior, y sea u =  3  . Determine si u pertenece al
−2
espacio nulo de A.

R:/ Para probar si u satisface Au = 0, simplemente se calcula

 
  5    
1 −3 −2  5 − 9 + 4 0
Au = 3 = =
−5 9 1 −25 + 27 − 2 0
−2
Por lo tanto, u ∈ Nul(A).

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.1.- Espacios y subespacios vectoriales 6 / 29

Subespacio nulo de una matriz. Ejemplo
 
−3 6 −1 1 −7
Determine un conjunto generador del espacio nulo de la matriz A =  1 −2 2 3 −1 
2 −4 5 8 −4

R:/
El primer paso es encontrar la solución general de Ax = 0 en términos de variables libres.
Reduzca por filas la matriz aumentada [A 0] a la forma escalonada reducida para escribir las variables
básicas en términos de las variables libres:
  
1 −2 0 −1 3 0  x1 − 2x2 − x4 + 3x5 = 0
 0 0 1 2 −2 0  , x3 + 2x4 − 2x5 = 0
0 0 0 0 0 0 0 = 0


La solución general es x1 = 2x2 + x4 − 3x5 , x3 = −2x4 + 2x5 , con x2 , x4 y x5 libres.

Luego, hay que descomponer el vector que da la solución general en una combinación lineal de
vectores donde los pesos son las variables libres.
Es decir,

x1 2x2 + x4 − 3x5 2 1 −3
         
 x2   x2   1   0   0 
x3 = −2x4 + 2x5  = x2  0  + x4  −2  + x5  2  = x2 u + x4 v + x5 w.
         

 x4   x4   0   1   0 
x5 x5 0 0 1
Cada combinación lineal de u, v y w es un elemento de Nul(A). Por lo tanto, {u, v, w} es un conjunto
generador para Nul(A).
Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.1.- Espacios y subespacios vectoriales 7 / 29

Subespacios notables.

Subespacio columna de una matriz

El espacio columna de una matriz A de m × n, que se denota como Col(A), es el conjunto de todas las
combinaciones lineales de las columnas de A. Si A = [a1 · · · an ], entonces
Col(A) = Gen {a1 , . . . , an } ⊂ Rm . Es decir, Col(A) = {b : b = Ax para alguna x1inRn } ⊂ Rm .
  
 6a − b 
Ejemplo. Encuentre una matriz A tal que W = Col(A), donde W =  a+b  : a, b en R .
−7a
 
R:/ Escriba W como un conjunto de combinaciones lineales.
        
 a −1   6 −1 
W =  a  + b  1  : a, b en R = Gen  1  ,  1 
−7 0 −7 0
   
 
6 −1
Utilice los vectores en el conjunto generador como las columnas de A, así A =  1 1 .
−7 0
De esta forma, W = Col(A), como se desea.

Subespacio fila de una matriz

El espacio fila de una matriz A de m × n, que se denota como Fil(A), es el conjunto de todas las combinaciones lineales
de las filas de A. Si A = [f1 · · · fm ]T , entonces Fil(A) = Gen {f1 , . . . , fm } ⊂ Rn .

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.1.- Espacios y subespacios vectoriales 8 / 29

 Tema 3: Espacios vectoriales

Conjuntos linealmente independientes y bases

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.2.- Conjuntos linealmente independientes y bases 9 / 29

Vectores linealmente independientes y linealmente dependientes

Definición

 Se dice que un conjunto indexado de vectores {v1 , . . . , vp } en el e.v. V es linealmente

independiente si la ecuación vectorial
α1 v1 + · · · + αp vp = 0 (1)
tiene solamente la solución trivial, α1 , · · · , αp = 0.
 Se dice que el conjunto de vectores {v1 , . . . , vp } es linealmente dependiente si (1) tiene una
solución no trivial, es decir, si hay algunos pesos, α1 , · · · , αp , no todos cero, tales que la ecuación (1)
sea válida.
En tal caso, la ecuación (1) se llama una relación de dependencia lineal entre {v1 , . . . , vp }.

I Un conjunto que contiene un único vector v es linealmente independiente si y solo si v 6= 0.

I Un conjunto de dos vectores es linealmente dependiente si y solo si uno de los vectores es un
múltiplo del otro.
I Cualquier conjunto que contenga al vector cero es linealmente dependiente.
I Un conjunto indexado {v1 , . . . , vp } de dos o más vectores, no nulos„ es linealmente dependiente si y
solo si alguna vj (con j > 1) es una combinación lineal de los vectores {v1 , . . . , vp } \ {vj }.

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.2.- Conjuntos linealmente independientes y bases 10 / 29
Ejemplo 1 Determinar si los siguientes vectores en R3 son o no linealmente dependientes:
u = [1, −2, 1]T , v = [2, 1, −1]T , w = [7, −4, 1]T .
R:/ Igualamos a cero una combinación lineal de los vectores con escalares desconocidos x, y y z

 x + 2y + 7z = 0
x(1, −2, 1) + y(2, 1, −1) + z(7, −4, 1) = (0, 0, 0), es decir −2x + y − 4z = 0 .
 x−y+z = 0
     
1 −2 1 1 −2 1 1 −2 1
 2 1 −1  ∼  0 5 −3  ∼  0 5 −3 
7 −4 1 0 10 −6 0 0 0
Dado que la matriz escalonada tiene una fila nula, el sistema es compatible indeterminado. Es decir existen infinitas
soluciones y en consecuencia los vectores son linealmente dependientes.
Ejemplo 2 Sea p1 (t) = 1, p2 (t) = t y p3 (t) = 4 − t. Entonces , {p1 , p2 , p3 } es linealmente dependiente en P debido a
p3 = 4p1 − p2 .
Ejemplo 3 Sea V el espacio vectorial de las matrices 2 × 2 sobre R. Determinar si las matrices A, B, C ∈ V son
linealmente dependientes, siendo:
     
1 1 1 0 1 1
A= B= C=
1 1 0 1 0 0
R:/ Igualamos a la matriz cero una combinación lineal de A, B y C con escalares desconocidos x, y y z, es decir,
tomamos xA + yB + zC = 0
           
1 1 1 0 1 1 0 0 x+y+z x+z 0 0
x +y +z = , es decir =
1 1 0 1 0 0 0 0 x x+y 0 0
Igualamos entre si las componentes correspondientes para llegar al sistema de ecuaciones lineales equivalente:
x+y+z = 0 x+z = 0 x=0 x+y = 0
Resolviendo el sistema obtenemos únicamente la solución nula: x = 0, y = 0, z = 0, por tanto las matrices A, B y C
son linealmente independientes.
Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.2.- Conjuntos linealmente independientes y bases 11 / 29

Base de un subespacio vectorial

Definición
Sea H un subespacio de un espacio vectorial V. Un conjunto indexado de vectores B = {b1 , . . . , bp } ⊂ H
es una base de H si
a) B es un conjunto de vectores linealmente independientes.
b) B es un generador de H. Es decir, el subespacio vectorial generado por B coincide con H, es decir
Gen(b1 , . . . , bp ) = H.

I Sea H un s.e.v del e.v. V. Un conjunto indexado de vectores linealmente independientes

{b1 , . . . , bp } ⊂ H se llama maximal en H si al agregar cualquier otro vector v ∈ H el conjunto de
vectores {b1 , . . . , bp , v} es linealmente dependiente.
I B = {b1 , . . . , bp } ⊂ H es una base de H si y solo si B es linealmente independiente y maximal.

Ejemplos.

                 
 1 0   1 0 0   1 0 0 1 
 0 , 1   0 , 1 , 0   0 , 1 , 0 , 1 
 0 0   0 0 1   0 0 1 1 

Linealmente independiente Linealmente independiente y Linealmente dependiente.

y no maximal en R3 . maximal, por tanto es una base de R3 . y generador de R3 .
No es un generador de R3 .

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.2.- Conjuntos linealmente independientes y bases 12 / 29
Bases
Ejemplo 1 En el espacio Pn , formado por todos los polinomios en la variable x de grado a lo sumo n, la base canónica es
E = {1, x, x2 , x3 , . . . , xn }.
Ejemplo 2 En el espacio M3×2 , formado por todas la matrices de números reales y orden 3 × 2, la base canónica es
           
 1 0 0 1 0 0 0 0 0 0 0 0 
E =  0 0 , 0 0 , 1 0 , 0 1 , 0 0 , 0 0  .
 0 0 0 0 0 0 0 0 1 0 0 1 

1 0 0 0 
       

 0   1   0   0 
 
Ejemplo 3 En el espacio R4 la base canónica es E =  , , , .
 0 0   1   0 

 
0 0 0 1
Ejemplo 4 EJEMPLO 8 Encuentre una base para Col(B), donde
1 4 0 2 0
 
   0 0 1 −1 0 
B = b1 b2 · · · b5 = 
0 0 0 0 1 
0 0 0 0 0

R:/ Cada columna que no es pivote de B es una combinación lineal de las columnas pivote. Luego podemos
descartar del conjunto generador a b2 y b4 , mientras que nos quedan {b1 , b3 , b5 } las cuales generan a Col(B). Sea
1 0 0 
     

 0   1   0 
 
S = {b1 , b3 , b5 } =  , ,
 0 0 1 
  
 
0 0 0
Ya que b1 6= 0 y ningún vector en S es una combinación lineal de los vectores que lo preceden, S es linealmente
independiente. Por lo tanto, S es una base de Col(B).
Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.2.- Conjuntos linealmente independientes y bases 13 / 29

Tema 3: Espacios vectoriales

Sistemas de coordenadas y dimensión

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.3.- Sistemas de coordenadas y dimensión 14 / 29

Dimensión

Teorema. Si un espacio vectorial V tiene una base B = {b1 , . . . , bn }, entonces cualquier conjunto en V
que contenga más de n vectores debe ser linealmente dependiente.

Teorema. Si un espacio vectorial V tiene una base de n vectores, entonces toda base de V debe consistir
exactamente en n vectores.

Definición. Si V es generado por un conjunto finito, entonces se dice que V tiene dimensión finita, y
la dimensión de V, representada como dim(V), es el número de vectores en una base para V.

Ejemplo. P3 es un e.v. de dimensión 4, ya que {1, x, x2 , x3 } es una base.

Definición. La dimensión del espacio vectorial cero {0} se define como cero.

Definición. Si V no es generado por un conjunto finito, entonces se dice que V tiene dimensión infinita.

Ejemplo. P es un e.v. de dimensión ∞.

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.3.- Sistemas de coordenadas y dimensión 15 / 29

Teorema del rango para matrices

Dada una matriz A, los siguientes resultados describen las relaciones fundamentales entre las dimensiones
de los subespacios Col(A), Fil(A) y Nul(A).

dim(Col(A)) = ran(A) = ran(AT ) = dim(Fil(A)).

Teorema del rango para matrices

Dada una matriz A de orden m × n, se cumple que ran(A) + dim(Nul(A)) = n .

Rango y matriz invertible. Dada una matriz cuadrada A de orden n × n, cada uno los siguientes
enunciados es equivalente a la afirmación de que A es una matriz invertible.

a) Las columnas de A forman una base de d) ran(A) = n.

Rn .
e) Nul(A) = {0}.
b) Col(A) = Rn .
c) dim(Col(A)) = n. f) dim(Nul(A)) = 0.

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.3.- Sistemas de coordenadas y dimensión 16 / 29

Sistema de coordenadas

Teorema. Sea B = {b1 , . . . , bn } una base para un espacio vectorial V. Entonces, para cada x ∈ V, existe
un conjunto único de escalares α1 , · · · , αn tal que x = α1 b1 + · · · + αn bn .

Definición. Suponga que B = {b1 , . . . , bn } una base para un espacio vectorial V y que x ∈ V. Las
coordenadas x respecto de la base B (o las B-coordenadas de x) son los pesos α1 , · · · , αn tales que
x = α1 b1 + · · · + αn bn y las denotaremos como (x)B = (α1 , · · · , αn )B .

   
1 1
Ejemplo 1. Considere una base B = {b1 , b2 } para donde b1 = R2 , y b2 = Supongamos
0 2
 
−2
que una x en R2 tiene el vector de coordenadas [x]B = . Determine x
3
R:/ Las coordenadas B de x nos dicen cómo construir x a partir de los vectores en B. Es decir,
     
1 1 1
x = (−2)b1 + 3b2 = (−2) +3 = .
0 2 6
 
1
Ejemplo 2. Las entradas en el vector x = son las coordenadas de x respecto de la base estándar
6
E = {e1 , e2 } , ya que
     
1 1 0
= 1· +6· = 1 · e1 + 6 · e2 . Si E = {e1 , e2 } , entonces [x]E = x.
6 0 1

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.3.- Sistemas de coordenadas y dimensión 17 / 29

Ejemplo 3
     
2 −1 4
Sean b1 = , b2 = ,x = y B = {b1 , b2 } . Determine el vector de coordenadas [x]B
1 1 5
de x respecto de B.

R:/
I Las coordenadas B de c1 , c2 de x satisfacen
          
2 −1 4 2 −1 c1 4
c1 b1 + c1 b2 = c1 + c2 = , es decir =
1 1 5 1 1 c2 5

I Esta ecuación se puede resolver mediante opera-

ciones de fila en una matriz aumentada o utilizan-
do la inversa de la matriz a la izquierda.
I En cualquier caso, la solución es c1 = 3, c2 = 2.
I Por lo tanto, x = 3b1 + 2b2 y
   
c1 3
[x]B = = .
c2 2

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.3.- Sistemas de coordenadas y dimensión 18 / 29

Cambio de base

I Sean V un espacio vectorial, B = {b1 , . . . , bn } una base de

V, A = {a1 , . . . , an } otra base de V y v un vector de V.
Problema. Conociendo que las coordenadas del vector v en la
base B son (v)B = (β1 , · · · , βn )B , encuentre la coordenadas
de v en la base A , es decir encontrar (v)A = (α1 , · · · , αn )A .

Como B es una base, cada vector de A puede escribirse de forma única como combinación lineal de los
elementos de B.
Por ejemplo,
Sea PA ←B la traspuesta de la matriz de coeficientes anterior:
a1 =c11 b1 + c12 b2 + · · · + c1n bn    
c11 c21 . . . cn1 f11 f12 . . . f1n
a2 =c21 b1 + c22 b2 + · · · + c2n bn  c12 c22 . . . cn2   f21 f22 . . . f2n 
PA ←B =  ··················  =  ··················
  
································ 
c1n c2n . . . cnn fn1 fn2 . . . fnn
an =cn1 b1 + cn2 b2 + · · · + cnn bn

O sea, PA ←B = [fij ] , donde fij = cji . Esta PA ←B recibe el nombre de matriz de cambio de base (o el de
matriz de transición) desde la basen antigua B hasta la nueva base A.

Nota: Como los vectores a1 , a2 , . . . , an de A son linealmente independientes, la matriz PA ←B es

invertible. De hecho, su inversa P−1A ←B es la matriz de cambio de base desde la A a la base B, PB←A .

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.3.- Sistemas de coordenadas y dimensión 19 / 29

Cambio de base (continuación)

I Entonces las coordenadas de (v)A = (α1 , α2 , · · · , αn )A se hallan a partir de las coordenadas

de (v)B = (β1 , · · · , βn )B mediante la expresión:
      
α1 f11 f12 . . . f1n β1 β1
 α2   f21
 = f22 . . . f2n 
  β2  = PA ←B  β2  .
   
 ···   ...... ...... ... ...  ···   ··· 
αn fn1 fn2 . . . fnn βn βn

J En sentido contrario, las coordenadas de (v)B = (β1 , · · · , βn )B se hallan a partir de las

coordenadas de (v)A = (α1 , α2 , · · · , αn )A mediante la expresión:
   −1    
β1 f11 f12 ... f1n α1 α1
 β2   f21 f22 ... f2n   α2  = P−1
 α2 
 ···  =  ...... A ←B  ··· .
      
...... ... ...   ··· 
βn fn1 fn2 ... fnn αn αn

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.3.- Sistemas de coordenadas y dimensión 20 / 29

Ejemplo

I Consideremos las dos bases de R2 : S = {u1 = (1, 2), u2 = (3, 5)} y E = {e1 = (1, 0), e2 = (0, 1)}.
 
u1 = 2e1 + 2e2 . e1 = −5u1 + 2u2 .
I De se tiene que .
u2 = 3e1 + 5e2 . e2 = 3u1 − u2 .
I Escribimos los coeficientes de u1 y u2 como columnas proporciona la matriz de cambio de base
PE ←S desde la base S hasta la base usual E :
 
−5 3
PE ←S = .
2 −1

u1 = (1, 2) = e1 + 2e2 .
I Por otro lado, como E es la base usual (canónica)
u2 = (3, 5) = 3e1 + 5e2 .
I Escribimos los coeficientes de e1 y e2 como columnas proporciona la matriz de cambio de base
PS ←E desde la base E , regresando a la base S :
 
1 3
PS ←E =
2 5

I Observemos que PE ←S y PS ←E son inversas:

    
−5 3 1 3 1 0
PE ←S PS ←E = = =I
2 −1 2 5 0 1

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.3.- Sistemas de coordenadas y dimensión 21 / 29

Tema 3: Espacios vectoriales

Transformaciones lineales

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.4.- Transformaciones lineales 22 / 29

Transformación o Aplicación entre dos conjuntos

Una aplicación F de un conjunto X en un conjunto Y es una asignación o correspondencia matemática,

denotada por F : X → Y , tal que a cada elemento de X le corresponde un único elemento de Y. En resumen
una aplicación debe cumplir las siguientes condiciones:
1.- Condición de existencia: Todos los elementos de X están relacionados con elementos de Y, es decir,
∀x ∈ X, ∃y ∈ Y tal que F(x) = y.
2.- Condición de unicidad: Cada elemento de X esta relacionado con un único elemento de Y, es decir,
si F(x) = y1 ∧ F(x) = y2 =⇒ y1 = y2 .
Cada relación o correspondencia de un elemento x ∈ X con un (y sólo un) y ∈ Y se denota F(x) = y y
decimos que F(x) es el valor o imagen de la aplicación F en el argumento x.

Dominio El dominio de F : X → Y es el conjunto X. Dicho conjunto también se llama conjunto de entrada, conjunto de
partida o conjunto inicial. Se denota por dom(F) .
Codominio El codominio, conjunto de llegada, conjunto final o rango de F : X → Y es el conjunto Y. Se denota por
codom(F) .
Imagen La imagen, alcance o recorrido de la aplicación F : X → Y es el subconjunto de Y formado por todos los valores
o imágenes de elementos de X por F. Se denota por img(F) o F(X).

Img(F) = F(X) := {y ∈ Y : ∃x ∈ X, F(x) = y}

Preimagen Una preimagen de un y ∈ Y es algún x ∈ X tal que F(x) = y.

Note que puede haber algunos elementos del codominio que no sean imagen de un elemento del dominio, pero que
cada elemento del dominio es preimagen de al menos un elemento del codominio.

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.4.- Transformaciones lineales 23 / 29

Transformación o Aplicación biyectiva

Aplicación Inyectiva Se dice que una aplicación F es Inyectiva si para todo x1 , x2 ∈ dom(F) tales que
x1 6= x2 se cumple F(x1 ) 6= F(x2 ).

Aplicación Sobreyectiva Se dice que una aplicación F es Sobreyectiva si su imagen y su codominio

coinciden, es decir si para todo elemento b del codominio de F la ecuación F(x) = b tiene al menos
una solución x ∈ dom(F).

Aplicación Biyectiva Se dice que una aplicación F es Biyectiva si es inyectiva y sobreyectiva a la vez.

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.4.- Transformaciones lineales 24 / 29

Transformación o Aplicación inversa

Composición de Aplicaciones. Sean X, Y y Z tres espacios vectoriales. Si F : X −→ Y y H : Y −→ Z dos

aplicaciones definidas sobre X e Y respectivamente, se define la composición de aplicaciones F ◦ H
como la aplicación
F◦H : X −→ Z
x F(h(x))
Aplicación identidad. Sea X un espacio vectorial, se llama aplicación identidad definida sobre X a la
aplicación
IdX : X −→ X
x x

Aplicación Inversa
Sean X e Y dos espacios vectoriales y F : X −→ Y una aplicación biyectiva. Se llama aplicación inversa de
F a la aplicación F −1 : Y −→ X tal que:

1.- F ◦ F −1 = IdY . 2.- F −1 ◦ F = IdX .

Propiedades:
1.- F(x) = y ⇐⇒ F −1 (y) = x.
2.- (F ◦ G)−1 = G−1 ◦ F −1 .

−1
3.- F −1 = F.
Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.4.- Transformaciones lineales 25 / 29

Transformación o Aplicación Lineal

Una transformación o aplicación lineal T de un espacio vectorial V en un espacio vectorial W
(T : V −→ W), es una regla que asigna a cada vector u ∈ V un único vector w = T(u) ∈ W, tal que:
a) T(u + v) = T(u) + T(v) para toda u, v ∈ V
b) T(αu) = αT(u) para toda u ∈ V y todo escalar α ∈ R (o C).

I La condición ∀α, β ∈ R y ∀u, v ∈ V se cumple que T(αu + β v) = αT(u) + β T(v), es equivalente a las condiciones
a) y b).
I El núcleo (espacio nulo o kernel) de T es el conjunto de todas las u ∈ V tales que T(u) = 0 ∈ W. Se denota por
Nul(T) o Ke
I El rango de T es la dimensión del subespacio Img(T), es decir la dimensión del subespacio de todos los vectores
w ∈ W de la forma w = T(u) para alguna u ∈ V. Se denota ran(T).
I Si ocurre que T surge como una transformación matricial, por ejemplo, T(u) = Au para alguna matriz A, entonces
el núcleo de T es subespacio Nul(A) y la imagen de Tes el subespacio Col(A).

Ejemplos.
D : Pn −→ Pn−1
1. La derivada de un polinomio p ∈ Pn .
p(x) p0 (x)
 
  x1
1 −2 1
2. Dada la matriz M = y el vector x =  x2  ∈ R3 se construye la transformación
2 0 −1
x3
3
T:  R  −→ R2    
x1   x1 x1 − 2x2 + x3
1 −2 1 =
 x2  Mx =  x2  2x1 − x3
2 0 −1
x3 x3

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.4.- Transformaciones lineales 26 / 29

Isomorfismo

Espacios vectoriales isomorfos

Dos espacios vectoriales V y U son isomorfos si existe una aplicación lineal biyectiva entre
ambos F : V −→ U.
La aplicación F se denomina entonces isomorfismo entre V y U, en tal caso escribimos V ∼ = U.

Ejemplos.

I Sean V un espacio sobre R de dimensión n y B una base de V.

I La aplicación v [v]B , que a cada vector v ∈ V le hace corresponder sus coordenadas en
la base B un isomorfismo entre V y Rn , es decir V ∼
= Rn .
I En consecuencia, se tiene que: Pn ∼
= Rn+1 y Mm×n ∼
= Rm+n .
 No son isomorfos los espacio Rm ∼
6 Rn si n 6= m.
=
Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.4.- Transformaciones lineales 27 / 29

Matriz asociada a una aplicación lineal

Definición
Se llama matriz asociada a una aplicación lineal T (en base canónica) de un espacio vectorial V en un
espacio vectorial W (T : V −→ W) , a la matriz que contiene en sus columnas las imágenes de la base
canónica de V.

Propiedades.
a) Si T : V −→ W y A es la matriz asociada a T, entonces para todo v ∈ V se cumple que T(v) = Av.
b) Si T : V −→ W y A es la matriz asociada a T, entonces A es una matriz de orden m × n.
c) Si T : V −→ W y A es la matriz asociada a T, entonces ran(T) = ran(A).

d) Teorema del rango para aplicaciones lineales. ran(T) + dim(Nul(T)) = dim(V)

Ejemplos.
T : R2 R3 , −→
Hallar la matrix asociada a la aplicación .
(x, y)(x + y, x − y, y).
 
1 1
R:/ T(1, 0) = (1, 1, 0) y T(0, 1) = (1, −1, 1), por tanto A =  1 −1  y
0 1
   
1 1   x+y
x
T(x, y) =  1 −1  =  x − y  = (x + y, x − y, y).
y
0 1 y

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.4.- Transformaciones lineales 28 / 29

Bibliografía básica y complementaria

[1] David C. Lay. Álgebra Lineal y sus Aplicaciones, 4ª ed, Pearson Education, 2012.
[2] D. Poole. Álgebra lineal: Una introducción moderna, 4ª ed, Cengage Learning, 2017.
[3] J. Arvesú, F. Marcellán y J. Sánchez. Problemas Resueltos de Álgebra Lineal, Ed. Para-
ninfo, 2015.
[4] S. Lipschutz. Álgebra Lineal, 2ª ed, McGraw-Hill, Madrid, 1992.

Tema III: Espacios vectoriales [hpijeira@math.uc3m.es] 1.5.- Bibliografía básica y complementaria 29 / 29

 • Tema 4: Valores y Vectores Propios •

Héctor E. Pijeira Cabrera

(hpijeira@math.uc3m.es)

Introducción a los valores y vectores propios.

La ecuación característica.
Diagonalización de matrices cuadradas

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.1.- Introducción a los valores y vectores propios 1 / 16

Definición

 Un vector propio de una matriz A de n × n es un vector distinto de

cero v tal que Av = λ v para algún escalar λ .
 Un escalar λ es un valor propio de A si existe una solución no
trivial v de Av = λ v; tal v es el vector propio correspondiente a λ .

(Note que, un vector propio debe ser distinto de cero, pero un valor propio puede ser
cero.)

Ejemplos.
     
1 6 6 3
Sean A = ,u = yv= . ison u y v vectores propios de A?
5 2 −5 −2

R:/       
1 6 6 −24 6
Au = = = −4 = −4u
 5 2   −5   20   −5

1 6 3 −9 3
Av = = 6 λ
=
5 2 −2 11 −2
Entonces, u es un vector propio correspondiente a un valor propio (−4), pero v no es un vector propio de A
porque Av no es múltiplo de v.

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.1.- Introducción a los valores y vectores propios 2 / 16
  λ es un valor propio de la matriz A de n × n si y solo si la (A − λ I)v = 0 tiene al menos una solución
v 6= 0.
 El conjunto de todas las soluciones de la ecuación (A − λ I)v = 0 para un valor propio λ fijo, es el
subespacio Nul(A − λ I) ⊂ Rn . Dicho subespacio se llama el subespacio propio de A
correspondiente a λ y su dimensión se llama multiplicidad geométrica del valor propio λ .

Ejemplos.
 
4 −1 6
Sea A =  2 1 6  . Un valor propio de A es 2. Determine una base para el subespacio propio correspondiente.
2 −1 8

     
4 −1 6 2 0 0 2 −1 6
R:/ A − 2I =  2 1 6 − 0 2 0 = 2 −1 6  y reduciendo por filas la matriz aumentada
2 −1 8 0 0 2 2 −1 6
(A − 2I)x = 0 :    
2 −1 6 0 2 −1 6 0
 2 −1 6 0 ∼ 0 0 0 0 
2 −1 6 0 0 0 0 0
Es claro que 2 es un valor propio de A porque la ecuación (A − 2I)x = 0 tiene variables libres.
     
x1 1/2 −3
La solución general es:  x2  = x2  1  + x3  0  , x2 y x3 son libres.
x3 0 1
   
 1 −3 
Una base del subespacio propio es  2  ,  0  y como su dimensión es 2, decimos que el valor propio λ = 2
 0 1 
tiene multiplicidad geométrica 2.
Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.1.- Introducción a los valores y vectores propios 3 / 16

Propiedades

P1 .− Los valores propios de una matriz triangular son las entradas sobre su diagonal
principal.
Por ejemplo:
     
a11 a12 a13 λ 0 0 a11 − λ a12 a13
A−λI =  0 a22 a23 − 0
  λ 0  =  0 a22 − λ a23 
0 0 a33 0 0 λ 0 0 a33 − λ

El escalar λ es un valor propio de A si y solo si la ecuación (A − λ I)x = 0 tiene una

solución no trivial, es decir, si y solo si la ecuación tiene una variable libre.
Gracias a las entradas cero en A − λ I, es fácil ver que (A − λ I)x = 0 tiene una variable
libre si y solo si al menos una de las entradas sobre la diagonal de A − λ I es cero.
Esto ocurre si y solo si λ es igual a una de las entradas a11 , a22 , a33 en A.
P2 .− Si v1 , . . . , vr son vectores propios que corresponden a distintos valores propios
λ1 , . . . , λr de una matriz A de n × n, entonces el conjunto {v1 , . . . , vr } es linealmente
independiente.
P3 .− Sea A una matriz cuadrada de orden n. Entonces, A es invertible si y solo si 0 no es
un valor propio de A.

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.1.- Introducción a los valores y vectores propios 4 / 16
La ecuación característica

 Un escalar λ es un valor propio de una matriz cuadrada A de orden n si y solo si λ satisface la

ecuación característica
det(A − λ I) = 0.
 det(A − λ I) es un polinomio en la variable λ de grado n llamado polinomio característico de A .
 La multiplicidad algebraica de un valor propio λ es su multiplicidad como una raíz de la ecuación
característica, es decir como cero del polinomio característico.

Ejemplo 1.  
5 −2 6 −1
 0 3 −8 0 
Encuentre la ecuación característica de A=
 0
.
0 5 4 
0 0 0 1

R:/  
5−λ −2 6 −1
 0 3−λ −8 0 
det(A − λ I) = det   = (5 − λ )(3 − λ )(5 − λ )(1 − λ )
 0 0 5−λ 4 
0 0 0 1−λ
La ecuación característica es (λ − 5)2 (λ − 3)(λ − 1) = 0, que desarrollando el producto, se escribe
λ 4 − 14λ 3 + 68λ 2 − 130λ + 75 = 0.
Los valores propios son 3, 1 y 5, este último tiene multiplicidad algebraica 2, mientras que los otros dos son
de multiplicidad algebraica 1.
Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.1.- Introducción a los valores y vectores propios 5 / 16

Método para encontrar los valores y vectores propios de una matriz

1. Se calculan las soluciones reales, λi , de la ecuación característica det(A − λ I) = 0, es decir, las raíces
reales del polinomio característico pA (λ ) = det(A − λ I). La multiplicidad de λi como cero de pA (λ )
es la multiplicidad algebraica de λi .

2. Para cada λi se encuentran las soluciones triviales del sistema (A − λi I)v = 0, donde i = 1, 2. Dichas
soluciones será el subespacio propios Vi correspondientes a λi . La dimesión de Vi es la multiplicidad
geométrica de λi .
 
2 1 0
Ejemplo 2 . Sea A =  −1 0 1 
1 3 1
1. Encontrar los valores propios de A.
2. Hallar los vectores y espacios propios correspondientes.
3. Calcular las dimensiones de los espacios propios (multiplicidad geométrica de los valores propios).
1.- Primero encontremos las raíces del polinomio característico. Para ello desarrollamos por cofactores
det(A − λ I3 ) por la tercera columna.
 
 2−λ 1 0     
   −λ 1   −1 1 
pA (λ ) = |A − λ I3 | = 
 −1 −λ 1  = (2 − λ ) 
  −
3 1−λ   1 1−λ 
 1 3 1−λ 
h i  
= (2 − λ ) λ 2 − λ − 3 + (2 − λ ) = (2 − λ ) λ 2 − λ − 2 = −(λ − 2)2 (λ + 1).
Los valores propios son: λ1 = 2 con multiplicidad algebraica 2 y λ2 = −1 con multiplicidad
algebraica es decir un valor propio simple.
Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.1.- Introducción a los valores y vectores propios 6 / 16
2.- Los valores vectores propios son las soluciones de (A − λi I)v = 0, donde i = 1, 2.
2.1- Para λ1 = 2.
       
0 1 0 1 3 −1 1 3 −1 1 3 −1
 −1 −2 1  ∼  −1 −2 1 ∼ 0 1 0 ∼ 0 1 0 
1 3 −1 0 1 0 0 1 0 0 0 0
     
x1 r 1
∴  x2  =  0  = r  0  y el subespacio propios para λ1 = 2 es V1 = {(r, 0, r) | r 6= 0} .
x3 r 1
2.1- Para λ2 = −1.      
3 1 0 3 1 0 3 1 0
 −1 1 1 ∼ 0 4 3 ∼ 0 4 3 
1 3 2 0 8 6 0 0 0
    
x1 r 1
∴  x2  =  −3r  = r  −3  y el subespacio propios para λ2 = −1 es V2 = {(r, −3r, 4r) | r 6= 0}.
x3 4r 4
3.- En consecuencia dim(V1 ) = 1, es decir la multiplicidad geométrica de λ1 = 2 es uno.
Además,dim(V2 ) = 1, es decir la multiplicidad geométrica de λ2 = −1 es también es uno.

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.1.- Introducción a los valores y vectores propios 7 / 16

Tema 4: Valores y vectores propios

Diagonalización de matrices cuadradas

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.2.- Diagonalización de matrices cuadradas 8 / 16
Matrices Semejantes

 Sean A y B dos matrices cuadras de orden n, diremos que A y B son semejantes (o

similares) si existe una matriz invertible P tal que B = PAP−1 .
 La operación de cambiar A por PAP−1 se llama transformación de semejanza.
I Obviamente, si A es semejante a B, entonces Bes semejante a A.
I Si las matrices A y B son semejantes, entonces tienen
1. el mismo polinomio característico y, por lo tanto, los mismos valores propios
(con las mismas multiplicidades),
2. el mismo rango,
3. el mismo determinante.

 Dos matrices pueden tener los mismos valores propios y no ser similares. Por
ejemplo:    
2 1 1 0
y 2
0 2 0 2
Es decir, dos matrices con los mismos valores porpios pueden tener vectores propios
diferentes.
 Similitud no es lo mismo que equivalencia por filas. (Si A ∼ B, entonces existe
una matriz invertible E, tal que B = EA). En general, las operaciones con filas sobre
una matriz cambian sus valores propios.

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.2.- Diagonalización de matrices cuadradas 9 / 16

Matriz cuadrada diagonalizable

Una matriz cuadrada A es diagonalizable si A es semejante (similar) a una

matriz diagonal, es decir, si A = PDP−1 para alguna matriz P invertible y
alguna matriz D diagonal.

 Una matriz cuadrada A de orden n es diagonalizable, si y solo si A

tiene n vectores propios linealmente independientes.

 En efecto, A = PDP−1 , con D como matriz diagonal, si y solo si las

columnas de P son n vectores propios linealmente independientes de A.

 En este caso, las entradas diagonales de D son valores propios de A

que corresponden, respectivamente, a los vectores propios en P.

 En otras palabras, A es diagonalizable si y solo si hay suficientes

vectores propios para formar una base de Rn .

 Tal base es una base de vectores propios de Rn .

 Una matriz de n × n con n valores propios distintos es diagonalizable

(es suficiente pero no necesario).

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.2.- Diagonalización de matrices cuadradas 10 / 16
Diagonalización de matrices, paso a paso
Diagonalice la siguiente matriz, si es posible. Es decir, encuentre una matriz P invertible y una matriz D
diagonal tales que A = PDP−1 .  
1 3 3
A =  −3 −5 −3 
3 3 1

Paso 1. Determine los valores propios de A . En el presente caso, la ecuación característica implica un
polinomio cúbico que se factoriza como:
0 = det(A − λ I) = −λ 3 − 3λ 2 + 4 = −(λ − 1)(λ + 2)2
Los valores propios son λ = 1 (multiplicidad algebraica 1) y λ = −2 (multiplicidad algebraica 2).
Paso 2. Encuentre tres vectores propios de A linealmente independientes. Siguiendo el procedimiento
del ejemplo anterior:
     
1 −1 −1
Base para λ = 1 : v1 =  −1 . Base para λ = −2 : v2 =  1  y v3 =  0  .
1 0 1
Puede comprobar que {v1 , v2 , v3 } es un conjunto linealmente independiente.
Paso 3. Construya P con los vectores del paso anterior.No es importante el orden de los vectores. Aquí
utilizando el orden seleccionado en el paso 2 , tenemos
 
  1 −1 −1
P = v1 v2 v3 =  −1 1 0 
1 0 1

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.2.- Diagonalización de matrices cuadradas 11 / 16

Paso 4. Construya D con los valores propios correspondientes. En este paso, resulta
esencial que el orden de los valores propios coincida con el orden elegido para las
columnas de P. Utilice dos veces el valor propio λ = −2, uno para cada vector propio que
le corresponde.
 
1 0 0
D= 0
 −2 0 .
0 0 −2

Comprobación. Para evitar el cálculo de P−1 , simplemente compruebe que AP = PD. Esto es
equivalente a A = PDP−1 cuando P es invertible. (sin embargo, asegúrese que P sea
invertible!) Calcule
    
1 3 3 1 −1 −1 1 2 2
AP =  −3 −5 −3   −1 1 0  =  −1 −2 0 
3 3 1 1 0 1 1 0 −2
     .
1 −1 −1 1 0 0 1 2 2
PD = −1
 1 0   0 −2 0 = −1 −2
  0 
1 0 1 0 0 −2 1 0 −2

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.2.- Diagonalización de matrices cuadradas 12 / 16
Matrices cuyos valores propios no son diferentes

Sea A una matriz de n × n cuyos distintos valores propios son λ1 , . . . , λp

a) Para 1 ≤ k ≤ p, la dimensión del espacio propio para λk es menor o igual que la

multiplicidad del valor propio λk .

b) La matriz A es diagonalizable si y solo si la suma de las dimensiones de los

espacios propios es igual a n, y esto ocurre si y solo si:
I ) se factoriza completamente el polinomio característico en factores lineales

II ) la dimensión del espacio propio para cada λk es igual a la multiplicidad de

λk , es decir coinciden las multiplicidades algebraica y geométrica.

c) Si A es diagonalizable y Bk es una base para el espacio propio asociado con λk

para cada k, entonces la colección de vectores total en los conjuntos B1 , . . . , Bp
forma una base de vectores propios para Rn

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.2.- Diagonalización de matrices cuadradas 13 / 16

Ejemplo
 
5 0 0 0
 0 5 0 0 
Diagonalice la siguiente matriz, si es posible. A =  .
 1 4 −3 0 
−1 −2 0 −3

R:/ Puesto que A es una matriz triangular, los valores propios son 5 y −3, cada uno con multiplicidad 2.
Utilizando el método de ejemplo anterior se encuentra una base para cada espacio propio.
   
−8 −16
 4   4 
Base para λ = 5 : v1 =  1  y v2 = 
  
0 
 0  1
0 0
 0   0 
Base para λ = −3 : v3 =   1  y v4 =  0 
  

0 1

El conjunto {v1 , . . . , v4 } es linealmente independiente. Así, la matriz P = [v1 · · · v4 ] es invertible, en tanto

que A = PDP−1 , donde
   
−8 −16 0 0 5 0 0 0
 4 4 0 0   y D= 0 5 0 0 

P=  1  0 0 −3

0 1 0  0 
0 1 0 1 0 0 0 −3

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.2.- Diagonalización de matrices cuadradas 14 / 16
Ejemplo de aplicación

 
4 −3
Calcular A8 , donde A = .
2 −1

R:/ det(A − λ I) = λ 2 − 3λ + 2 = (λ − 2)(λ

 − 1).Los valores
 propios son 2 y 1, y los vectores
3 1
propios correspondientes son v1 = y v2 = . Ahora, forme
2 1
     
3 1 2 0 1 −1
P= , D= y P−1 = .
2 1 0 1 −2 3

Como A = PDP−1
28
   
8 8 −1 3 1 0 1 −1
A = PD P =
2 1 0 18 −2 3
     
3 1 256 0 1 −1 766 −765
= = .
2 1 0 1 −2 3 510 −509

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.2.- Diagonalización de matrices cuadradas 15 / 16

Bibliografía básica y complementaria

[1] David C. Lay. Álgebra Lineal y sus Aplicaciones, 4ª ed, Pearson Education, 2012.
[2] D. Poole. Álgebra lineal: Una introducción moderna, 4ª ed, Cengage Learning, 2017.
[3] J. Arvesú, F. Marcellán y J. Sánchez. Problemas Resueltos de Álgebra Lineal, Ed. Para-
ninfo, 2015.
[4] S. Lipschutz. Álgebra Lineal, 2ª ed, McGraw-Hill, Madrid, 1992.

Tema IV: Valores y vectores propios [hpijeira@math.uc3m.es] 1.3.- Bibliografía básica y complementaria 16 / 16
 • Tema 5: Ortogonalidad y Mínimos Cuadrados •

Héctor E. Pijeira Cabrera

(hpijeira@math.uc3m.es)

Producto escalar, norma y ortogonalidad. Conjuntos

ortogonales. Proyecciones ortogonales. El método de
Gram-Schmidt. Problemas de mínimos cuadrados.

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.1.- Producto escalar, norma y ortogonalidad 1 / 23

Producto escalar o interior

 Sea (E, +, ∗) un espacio vectorial, llamaremos producto escalar o interior a toda aplicación
h·, ·i : E×E −→ K (K = R ó C),
(x, y) −→ hx, yi,
tal que ∀x, y, z ∈ E, α ∈ R(ó C) cumple las siguientes propiedades:
a) x = 0 ⇔ hx, xi = 0 y hx, xi ≥ 0.
b) hx, yi = hy, xi si K = R (ó hx, yi = hy, xi si K = C).
c) hαx, yi = αhx, yi.
d) hx, y + zi = hx, yi + hx, zi.

 El par (E, h·, ·i) se llama espacio euclídeo.

 Si (E, h·, ·i) es un espacio euclídeo, se llama:

p
• Longitud o norma de un vector al número kxk = hx, xi.
p
• Distancia entre dos vectores x e y al número kx − yk = hx − y, x − yi.
|hx, yi|
• Ángulo entre dos vectores x e y, al definido mediante la fórmula cos(θ ) = . Es decir,
kxk kyk
 
|hx, yi|
θ = arc cos .
kxk kyk

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.1.- Producto escalar, norma y ortogonalidad 2 / 23
Ejemplos de espacios vectoriales
Ejemplos de espacios vectoriales
n
(Rn , h·, ·i); hx, yi = ∑ xi yi , donde x = (x1 , · · · , xn ), y = (y1 , · · · , yn ) ∈ Rn .
k=1

(R2 , h·, ·i); hx, yi = x1 y1 + x2 y2 , donde x = (x1 , x2 ), y = (y1 , y2 ) ∈ R2 .

(R3 , h·, ·i); hx, yi = x1 y1 + x2 y2 + x3 y3 , donde x = (x1 , x2 , x3 ), y = (y1 , y2 , y3 ) ∈ R3 .
n
(Cn , h·, ·i); hx, yi = ∑ xi yi ., donde x = (x1 , · · · , xn ), y = (y1 , · · · , yn ) ∈ Cn .
k=1
Z 1
(Pn , h·, ·i); hP, Qi = P(x)Q(x)dx, donde P, Q ∈ Pn .
−1

Ejemplos en R3
√
Dados los siguientes vectores de R3 , u = (1, 1, 0) y v = (1, 1, 6), calcular
las longitudes, distancia y ángulo entre ellos:
√ √
kuk = q12 + 12 + 02 = 2
Longitud. √ √
kvk = 12 + 12 + ( 6)2 = 2 2.
q √ √
Distancia. ku − vk = 02 + 02 + (− 6)2 = 6.
√
|hu, vi| |1 · 1 + 1 · 1 + 0 · 6| 1 π
Ángulo. cos(θ ) = = √ √ = = ⇒ θ= .
kuk kvk 2·2 2 2 3
Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.1.- Producto escalar, norma y ortogonalidad 3 / 23

Ortogonalidad y normalización
El par (E, h·, ·i) un espacio euclídeo.

 Se llama vector unitario a todo vector de longitud (norma) igual a 1. Es decir tal que
kxk = 1.
1
 Dado un vector no nulo x ∈ E, el vector y = x es un vector unitario y al a este
kxk
proceso se le llama normalización del vector x.
 Si dice que dos vectores x, y ∈ E son ortogonales si hx, yi = 0. Note que en este
caso el ángulo entre los vectores es θ = π2 .
 Si dice que dos vectores x, y ∈ E son ortonormales si son ortogonales y unitarios.

Ejemplos en R2
√ √  √
Sean u = 22 , 22 , v = (1, − 3) y w = (1, −1)
Unitarios. r
√ 2
2
 √ 2
2
q
1
q √ √
+ 12 = 1 (unitario). kvk = 12 + (− 3)2 = 4 = 2 6= 1 (no unitario).



kuk = 2 + 2 = 2
√ !  
∗ v 1 3 ∗ ∗ w 1 1
Normalización. v = = ,− ⇒ kv k = 1. w = = √ ,− √ ⇒ kw∗ k = 1.
kvk 2 2 kwk 2 2
√ √
2 2 √
Ortogonales. hu, wi = − = 0 (ortogonales). hv, wi = 1 + 3 6= 0 (no ortogonales).
2 2
Ortonormales. u y w son ortogonales pero no son ortonormales, mientras que u y w∗ si son ortonormales.

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.1.- Producto escalar, norma y ortogonalidad 4 / 23
Desigualdad de Cauchy-Bunyakovsky-Schwarz
Sea (E, h·, ·i) un espacio euclídeo, entonces ∀x, y ∈ E se cumple que
|hx, yi| ≤ kxk kyk.

Demostración. Sean α, β ∈ R, x, y ∈ E y z = αx − β y .
hz, zi = hαx − β y, αx − β yi ≥0 ⇒ α 2 hx, xi − 2αβ hx, yi + β 2 hy, yi ≥ 0
β 2 kyk2 ≥2αβ hx, yi − α 2 kxk2 .
Esta desigualdad debe cumplirse para cualquier valor de los escalares α y β . En particular, α = hx, yi y
β = hx, xi = kxk2 . Sustituyendo estos valores en la desigualdad:
kxk2 kyk2 ≥2kxk2 hx, yi2 − kxk2 hx, yi2 = kxk2 hx, yi2 . 2

Teorema de Pitágoras
Sea (E, h·, ·i) un espacio euclídeo y x, y ∈ E dos vectores ortogonales
(hx, yi = 0). Entonces
kx + yk2 = kxk2 + kyk2 .

Demostración.
kx + yk2 = hx + y, x + yi = hx, xi + 2hx, yi + hy, yi = kxk2 + kyk2 . 2

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.1.- Producto escalar, norma y ortogonalidad 5 / 23

Tema 5: Ortogonalidad y mínimos cuadrados

Conjuntos ortogonales y ortonormalización

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.2.- Conjuntos ortogonales 6 / 23

Sea (E, h·, ·i) un espacio euclídeo y G = {g1 .g2 , · · · .gn } ⊂ E no nulos
 Diremos que G es un conjunto de vectores ortogonales si hgi , gj i = 0 ∀i 6= j.
 Diremos que G es un conjunto de vectores ortonormales si hgi , gj i = 0 ∀i 6= j y hgi , gi i = 1 ∀i. Es
decir, los vectores de G son ortogonales y unitarios.
 Si G es una base de E formada por vectores ortogonales (ortonormales), diremos que G es una base
ortogonal (ortonormal) de E.

Teorema
Sea (E, h·, ·i) un espacio euclídeo y G = {g1 .g2 , · · · .gn } ⊂ E un conjunto de vectores ortogonales entonces son
linealmente independientes.
n
Demostración. Si existen α1 , α2 , . . . , αn ∈ R(C) tales que ∑ αk gk = 0, entonces
* + k=1
n n
0 = h0, gj i = ∑ αk gk , gj = ∑ αk hgk , gj i = αj hgj , gj i ⇒ αj = 0. 2
k=1 k=1

Teorema
Sea (E, h·, ·i) un espacio euclídeo y G = {g1 .g2 , · · · .gn } ⊂ E una base ortogonal para E. Para todo u ∈ E, los pesos de la
combinación lineal u = α1 g1 + α2 g2 + · · · + αn gn vienen dados por la fórmula:

hu, bk i
αk = k = 1, 2, . . . , n.
hbk , bk i

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.2.- Conjuntos ortogonales 7 / 23

Ejemplos de conjuntos ortogonales

a) En (Rn , h·, ·i), los base canónica (vectores coordenados) ek = (0, . . . , 0, 1, 0, . . . , 0) 1 ≤ k ≤ n , forman una base
ortonormal.
I ) En (R2 , h·, ·i): e1 = (1, 0) y e2 = (0, 1).
3
II ) En (R , h·, ·i): e1 = (1, 0, 0), e3 = (0, 1, 0) y e2 = (0, 0, 1).
b) En (R3 , h·, ·i):
I ) Los vectores b1 = (1, 1, 1), b2 = (1, 0, −1) y b3 = (1, −2, 1). conforman una base ortogonal no
ortonormal.
     
II ) Los vectores b∗1 = √1 , √1 , √1 , b∗2 = √1 , 0, − √1 y b ∗
3 = √1 , − √2 , √1 . conforman una base
3 3 3 2 2 6 6 6
ortonormal.
s
Z 1 Z 1
c) Sea (P2 , h·, ·i), donde ∀p, q ∈ P2 se define hp, qi = p(x)q(x)dx y kpk = p2 (x)dx.
−1 −1
I) Los polinomios p0 = 1, p1 = x y p2 = 3x2 − 1. conforman una base ortogonal no ortonormal.
q q
II ) Los polinomios p0 = √1 , p1 = 3
x y p2 = 58 (3x2 − 1). conforman una base ortonormal.
2 2

Ejercicio. Del apartado b) sabemos que B = {b1 = (1, 1, 1), b2 = (1, 0, −1), b3 = (1, −2, 1)} es una base ortogonal de R3 .
Halle las coordenadas del vector u = (1, 2, 3) en la base B.

hu, b1 i hu, b2 i hu, b3 i

R:/ u = b1 + b2 + b3
hb1 , b1 i hb2 , b2 i hb3 , b3 i
h(1, 2, 3), (1, 1, 1)i h(1, 2, 3), (1, 0, −1)i h(1, 2, 3), (1, −2, 1)i
= (1, 1, 1) + (1, 0, −1) + (1, −2, 1)
h(1, 1, 1), (1, 1, 1)i h(1, 0, −1), (1, 0, −1)i h(1, −2, 1), (1, −2, 1)i
6 −2 0
= (1, 1, 1) + (1, 0, −1) + (1, −2, 1) = 2(1, 1, 1) − (1, 0, −1) + 0(1, −2, 1) = (2, −1, 0)B
3 2 6

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.2.- Conjuntos ortogonales 8 / 23

Proceso de ortonormalización de Gram-Schmidt

Teorema
Sea (E, h·, ·i) euclídeo, F = {f1 .f2 , · · · } ⊂ E vectores linealmente independientes. Para cada
n ∈ N existe un vector gn ∈ [F] que es combinación lineal de {f1 .f2 , · · · , fn } y tal que los
correspondientes vectores {g1 .g2 , · · · , gn } son ortonormales entre si.

Demostración:
I-I Ortogonalización:
g∗1 =f1 ,
hf2 , g∗1 i ∗
g∗2 =f2 − g ,
hg∗1 , g∗1 i 1
hf3 , g∗1 i ∗ hf3 , g∗2 i ∗
g∗3 =f3 − g − g ,
hg∗1 , g∗1 i 1 hg∗2 , g∗2 i 2
.. .. .. .. .. .. ..
. . . . . . .
n−1 hfn , g∗k i ∗
g∗n =fn − ∑ ∗ ∗ gk .
k=1 hgk , gk i

Jørgen P. Gram (1859-1916 ) II-I Normalización Erhard Schmidt (1876-1959)

g∗1 g∗2 g∗n

g1 = , g2 = , · · · , gn = .
kg∗1 k kg∗2 k kg∗n k
2
Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.2.- Conjuntos ortogonales 9 / 23

Ejemplo de aplición del proceso de ortonormalización

Sea dado un conjunto de vectores linealmente independientes B ⊂ R3 , formado por los vectores
b1 = (1, 1, 1), b2 = (1, 0, 1) y b3 = (0, 1, 1), Construya un conjunto ortonormal a partir de B.

R/:
I-I Ortogonalización.

v∗1 = b1 = (1, 1, 1).

hb2 , v∗1 i ∗
 
h(1, 0, 1), (1, 1, 1)i 2 1 2 1
v∗2 = b2 − ∗ ∗ v1 = (1, 0, 1) − (1, 1, 1) = (1, 0, 1) − (1, 1, 1) = ,− , .
hv1 , v1 i h(1, 1, 1), (1, 1, 1)i 3 3 3 3
h(0, 1, 1), 13 , − 23 , 13 i


hb3 , v∗1 i ∗ hb3 , v∗2 i ∗

h(0, 1, 1), (1, 1, 1)i 1 2 1
v∗3 = b3 − ∗ ∗ v1 − ∗ ∗ v2 = (0, 1, 1) − (1, 1, 1) − 1 , − ,
h 3 , − 23 , 31 , 13 , − 23 , 13 i 3



hv1 , v1 i hv2 , v2 i h(1, 1, 1), (1, 1, 1)i 3 3
   
2 1 1 2 1 1 1
= (0, 1, 1) − (1, 1, 1) + ,− , = − , 0, .
3 2 3 3 3 2 2
II-I Normalización.
v∗1
 
(1, 1, 1) 1 1 1
v1 = ∗ = √ )= √ √ √ .
kv1 k 3 3 3 3
1 2 1

√ !
v∗2 3 ,− 3 , 3 1 2 1
v2 = ∗ = q = √ ,− √ , √ .
kv2 k 2 6 3 6
3
√ √ !
− 21 , 0, 12


v∗ 2 2
vn = n∗ = = − , 0, .
kvn k √1 2 2
2

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.2.- Conjuntos ortogonales 10 / 23

Matrices Ortogonales

Matrices y ortonormalidad
1. Una matriz U de m × n tiene columnas ortonormales si y solo si U T U = In .
2. Sean U una matriz de m × n con columnas ortonormales y x, y ∈ Rn . Entonces
a) kUxk = kxk
b) (Ux) · (Uy) = x · y.
c) (Ux) · (Uy) = 0 si y solo si x · y = 0

Ejemplo
√
 √ 
 
1/√2 2/3
2
Sean U =  1/ 2 −2/3  yx= . Observe que U tiene columnas ortonormales y
3
0 1/3
√
√ √
 
 1/ 2 2/3
√
  
T 1/ 2 1/ 2 0 1 0
U U=  1/ 2 −2/3  =
2/3 −2/3 1/3 0 1
0 1/3
√
 √ 
   
1/√2 2/3 3
2
Comprobemos que kUxk = kxk. Ux =  1/ 2 −2/3  =  −1 
3
0 1/3 1
√ √ √ √
kUxk = 9 + 1 + 1 = 11 y kxk = 2 + 9 = 11.

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.2.- Conjuntos ortogonales 11 / 23

Matriz ortogonal
Una matriz ortogonal es una matriz cuadrada invertible U tal que U −1 = U T .

Ejemplo

√
 √ √  √  √ √ 
3/√11 −1/√ 6 −1/√66 3/ √11 1/ √11 1/ √11
T
U =  1/√11 2/√6 −4/√ 66  y U =  −1/√ 6 2/ √6 1/√ 6 
1/ 11 1/ 6 7/ 66 −1/ 66 −4/ 66 7/ 66

 
1 0 0
T
U ·U = 0
 1 0  = UT · U ⇒ U −1 = U T .
0 0 1

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.2.- Conjuntos ortogonales 12 / 23

 Tema 5: Ortogonalidad y mínimos cuadrados

Proyecciones ortogonales

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.3.- Proyecciones ortogonales 13 / 23

Complementos ortogonales

 Si un vector z es ortogonal a todo vector en un subespacio

W ⊂ Rn , entonces se dice que z es ortogonal a W.
 El conjunto de todos los vectores z que son ortogonales a W se
llama complemento ortogonal de W y se denota como W ⊥ .
I Un vector x ∈ W ⊥ si y solo si x es ortogonal a cada vector de
cualquier conjunto que genera a W.
I W ⊥ es un subespacio vectorial de Rn , por lo que también se le
llama subespacio ortogonal a W.

Teorema
Sea A una matriz de m × n. El complemento ortogonal del espacio fila
de A es el espacio nulo de A, y el complemento ortogonal del espacio
columna de A es el espacio nulo de AT :
( Fil A)⊥ = Nul A y (Col A)⊥ = Nul AT

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.3.- Proyecciones ortogonales 14 / 23

 Proyección ortogonal
 Sea (E, h·, ·i) euclídeo y u, b ∈ E. Llamaremos proyección ortogonal de u
sobre b al vector
hu, bi
w = Proyb (u) = b
hb, bi
 Sean (E, h·, ·i) euclídeo, {b1 , . . . , bn } ⊂ E un conjunto de n vectores
ortogonales que generan al subespacio V. Llamaremos proyección
ortogonal de u sobre V al vector

hu, b1 i hu, b2 i hu, bn i

w = ProyV (u) = b1 + b2 + · · · + bn .
hb1 , b1 i hb2 , b2 i hbn , bn i
= Proyb1 (u) + Proyb2 (u) + · · · + Proybn (u).

• Si u y v son ortogonales, entonces Proyv (u) = Proyu (v) = 0. De igual manera, si

V es un subespacio y u ∈ V ⊥ , entonces ProyV (u) = 0.
• Si u ∈ V, entonces ProyV (u) = u.
• Note que bajo la óptica de las proyecciones ortogonales, podemos reescribir la
ortogonalización en el proceso de Gram-Schmidt como:

g∗1 =f1 , g∗2 = f2 − Proy[g∗ ] (f2 ), g∗3 = f3 − Proy[g∗ ,g∗ ] (f2 ),

1 1 2
··· g∗n = fn − Proyhg∗ ,g∗ ,··· ,g∗ i (fn ).
1 2 n−1

• Si los vectores {b1 , . . . , bn } ⊂ E son ortonormales, todas las fórmulas anteriores

se simplifican notablemente, pues en cada caso hbk , bk i = 1 para k = 1, 2, . . . , n.

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.3.- Proyecciones ortogonales 15 / 23

Teorema de descomposición ortogonal F

Sea (E, h·, ·i) un espacio euclideo, W ⊂ E un subespacio y W ⊥
su complemento ortogonal. Entonces
∀ f ∈ E, f = g + h,
donde g = ProyG (f) ∈ W y h = (f − g) ∈ W ⊥ .

Ejemplo
     
2 −2 1
Sean u1 =  5  , u2 =  1  y y =  2  . Observe que {u1 , u2 } es una base ortogonal para W = Gen {u1 , u2 } .
−1 1 3
Escriba y como la suma de un vector en W y de un vector ortogonal a W.

R:/ La proyección ortogonal de y sobre W es

         
hy, u1 i hy, u2 i 9  2  3  −2  9  2  15  −2   −2/5 
ŷ = u1 + u2 = 5 + 1 = 5 + 1 = 2 .
hu1 , u1 h hu2 , u2 i 30 −1 6 1 30 −1 30 1 1/5
     
1 −2/5 7/5
Además, y − ŷ =  2  −  2 = 0  . El teorema asegura que y − ŷ está en W ⊥ .
3 1/5 14/5

    
1 −2/5 7/5
La descomposición deseada de y es y= 2 = 2 + 0 .
3 1/5 14/5

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.3.- Proyecciones ortogonales 16 / 23

 Teorema de la mejor aproximación F
Sea (E, h·, ·i), [G] el subespacio generado por los vectores
G = {g1 , g2 , · · · , gn } ⊂ E ortogonales y g = ProyG (f ). Entonces
∀ f ∈ E, mı́n kh − fk = kg − fk.
h∈[G]

Demostración.

n
I ∀m, 1 ≤ m ≤ n, (g − f) ⊥ gm . ProyG (f ) = ∑ αk gk donde αk = hf , gk i/hgk , gk i
k=1
* +
n n
hg − f, gm i = hg, gm i − hf, gm i = ∑ αk gk , gm − hf, gm i = ∑ αk hgk , gm i − hf, gm i = 0
k=1 k=1

I ∴ ∀h ∈ [G], (h − g) ∈ [G] y (h − g) ⊥ (g − f).

I Por el Teorema de Pitágoras

• kh − fk2 = k(h − g) + (g − f)k2 = kh − gk2 + kg − fk2 ≥ kg − fk2 .
• kh − fk = kg − fk ⇒ kh − gk = 0 ⇒ h = g. 2

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.3.- Proyecciones ortogonales 17 / 23

Ejemplos
     
2 −2 1
1. Si u1 =  5  , u2 =  1  , y =  2  y W = Gen {u1 , u2 } , entonces el punto en W más
−1 1 3
 
−2/5
cercano a y es ŷ = huhy,u,u1 ii u1 + huhy,u,u2 ii u2 =  2 .
1 1 2 2
1/5
2. La distancia de un punto y en Rn a un subespacio W se define como la distancia de y al punto más
cercano en W. Encuentre la distancia de y a W = Gen {u1 , u2 }, donde
     
−1 5 1
y =  −5  , u1 =  −2  , u2 =  2  .
10 1 −1

R:/ Del teorema de la mejor aproximación, la distancia de y a W es ky − ŷk, donde ŷ = ProyW y. Ya

que {u1 , u2 } es una base ortogonal para W

     
5 1 −1
15 −21 1 7
ŷ = u1 + u2 =  −2  −  2  =  −8 
30 6 2 1 2 −1 4
     
−1 −1 0
y − ŷ =  −5  −  −8  =  3 
10 4 6
√ √
ky − ŷk2 =32 + 62 = 45. La distancia de y a W es 45 = 3 5. 2

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.3.- Proyecciones ortogonales 18 / 23

 Tema 5: Ortogonalidad y mínimos cuadrados

Problemas de mínimos cuadrados

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.4.- Problemas de mínimos cuadrados 19 / 23

Problema de Mínimos Cuadrados

• Sea A una matriz de orden m × n y b ∈ Rn . Supongamos que el sistema de ecuaciones lineales
Ax = b es incompatible (no tiene solución).
x ∈ Rn tal que kAb
 Encontrar b x − bk ≤ kAx − bk para toda x ∈ Rn .
• En tal caso, b
x se llamará una solución de mínimos cuadrados de Ax = b.

Observación: Note que si Ax = b es compatible (tiene solución), entonces tomado b

x como una de sus
x − bk ≤ kAx − bk para toda x ∈ Rn .
soluciones y es obvio que 0 = kAb
 Como corolario del Teorema de la Mejor Aproximación se tiene la siguiente solución del Problema
de Mínimos Cuadrados.

Solución del Problema de Mínimos Cuadrados

I Sean A una matriz de orden m × n, Col(A) el subespacio generado por las columnas de A y b ∈ Rn .
Supongamos que el sistema de ecuaciones lineales Ax = b es incompatible (b 6∈ Col(A)).

Col(A) (b) ∈ Col(A), en consecuencia el sistema Ax = b es compatible (tiene

I Construyamos b b = Proy b
solución).
x es una solución del problema de mínimos cuadrados de Ax = b si y solo si Ab
I b x = b.
b

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.4.- Problemas de mínimos cuadrados 20 / 23

Procedimiento para calcular las soluciones del problema de mínimos cuadrados de Ax = b

Teorema
El conjunto de soluciones de mínimos cuadrados deAx = b coincide con el conjunto no vacío de soluciones
de las ecuaciones normales AT Ax = AT b.

Ejemplo 1

Encuentre una solución de mínimos cuadrados del sistema incompatible Ax = b donde

   
4 0 2
A =  0 2 , b =  0 .
1 1 11

R:/ En primer lugar calculamos las ecuaciones normales:

   
  4 0     2  
T 4 0 1 17 1 T 4 0 1  0  = 19 .
A A=  0 2  = y A b=
0 2 1 1 5 0 2 1 11
1 1 11
    
T T 17 1 x1 19
Entonces, la ecuación A Ax = A b se convierte en =
1 5 x2 11
 

−1 1 5 −1
Como AT A es de 2 × 2 e invertible, es más rápido calcular AT A = 84 y luego resolver AT Ax = AT b
−1 17
como       

−1 T 1 5 −1 19 1 84 1
x̂ = AT A A b= = = . 2
84 −1 17 11 84 168 2

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.4.- Problemas de mínimos cuadrados 21 / 23

Ejemplo 2
1 1 0 0 −3
   
 1 1 0 0   −1 
1 0 1 0 0
   
Encuentre una solución de mínimos cuadrados de Ax = b cuando A =   y b=
   
1 0 1 0 2

   
 1 0 0 1   5 
1 0 0 1 1

1 1 0 0
 
1 1 1 1 1 1  1 1 0 0 6 2 2 2
   

 1 1 0 0 0 0  1 0 1 0 2 2 0 0 
 
T
A A= =
 
0 0 1 1 0 0  
 1 0 1 0  2 0 2 0 
0 0 0 0 1 1  1 0 0 1  2 0 0 2
R:/ Calcule 1 0 0 1
 −1
 
1 1 1 1 1 1 4
  
 0 
T  1 1 0 0 0 0  −4 
A b=  2 =
 
0 0 1 1 0 0  2 
5 
0 0 0 0 1 1 6
1
6 2 2 2 4 1 0 0 1 3
   
2 2 0 0 −4   0 1 0 −1 −5 
La matriz aumentada para AT Ax = AT b es  ∼

2 0 2 0 2   0 0 1 −1 −2 
2 0 0 2 6 0 0 0 0 0
La solución general es x1 = 3 − x4 , x2 = −5 + x4 , x3 = −2 + x4 , y x4 es libre. Así, la solución general de mínimos
cuadrados de Ax = b tiene la forma
3 −1
   
 −5   1 
x̂ =  +x . 2
−2  4  1 
0 1

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.4.- Problemas de mínimos cuadrados 22 / 23

Bibliografía básica y complementaria

[1] David C. Lay. Álgebra Lineal y sus Aplicaciones, 4ª ed, Pearson Education, 2012.
[2] D. Poole. Álgebra lineal: Una introducción moderna, 4ª ed, Cengage Learning, 2017.
[3] J. Arvesú, F. Marcellán y J. Sánchez. Problemas Resueltos de Álgebra Lineal, Ed. Para-
ninfo, 2015.
[4] S. Lipschutz. Álgebra Lineal, 2ª ed, McGraw-Hill, Madrid, 1992.

Tema V: Ortogonalidad y mínimos cuadrados [hpijeira@math.uc3m.es] 1.5.- Bibliografía básica y complementaria 23 / 23

 • Tema 6: Matrices Simétricas •

Héctor E. Pijeira Cabrera

(hpijeira@math.uc3m.es)

Diagonalización de matrices simétricas

Tema VI: Matrices simétricas [hpijeira@math.uc3m.es] 1.1.- Diagonalización de matrices simétricas 1/7

 Una matriz A es simétrica si A = AT , por lo que obviamente una matriz simétrica es

cuadrada.

I Por ejemplo:
   
  0 −1 0 a b c
1 0  −1
Simétricas: , 5 8 ,  b d e 
0 −3
0 8 −7 c e f
   
  1 −4 0 5 4 3 2
1 −3  −6
No simétricas: , 1 −4  ,  4 3 2 1 
3 0
0 −6 1 3 2 1 0

I Propiedades.
1. Si A es simétrica, entonces dos vectores propios cualesquiera de diferentes
espacios propios son ortogonales.
 Se dice que una matriz cuadrada A de orden n es diagonalizable ortogonalmente si
existen una matriz ortogonal P (con P−1 = PT ) y una matriz diagonal D tales que
A = PDPT = PDP−1 .
2. Una matriz cuadrada A de orden n es diagonalizable ortogonalmente si y solo si A es
una matriz simétrica.

Tema VI: Matrices simétricas [hpijeira@math.uc3m.es] 1.1.- Diagonalización de matrices simétricas 2/7
Ejemplo de diagonalización (caso con valores propios diferentes)
 
6 −2 −1
Si es posible, diagonalice la matriz A =  −2 6 −1  .
−1 −1 5

R:/ La ecuación característica de A es 0 = −λ 3 + 17λ 2 − 90λ + 144 = −(λ − 8)(λ − 6)(λ − 3).
Los cálculos usuales producen una base para cada espacio propio:
     
−1 −1 1
λ = 8 : v1 =  1  ; λ = 6 : v2 =  −1  ; λ = 3 : v3 =  1 
0 2 1

Estos tres vectores conforman una base para R3 . De hecho, es fácil comprobar que {v1 , v2 , v3 } es una base
ortogonal de R3 . Ejemplos anteriores nos sugieren que una base ortonormal, sería útil en los cálculos, así
que a continuación se presentan los vectores propios normalizados a uno:
 √   √   √ 
−1/√ 2 −1/√6 1/√3
u1 =  1/ 2  , u2 =  −1/√6  , u3 =  1/√3 
0 2/ 6 1/ 3
Sean  √ √ √   
−1/√ 2 −1/√6 1/√3 8 0 0
P =  1/ 2 −1/√ 6 1/√3  , D=  0 6 0 
0 2/ 6 1/ 3 0 0 3
Entonces A = PDP−1 , como es usual. Pero esta vez, como P es cuadrada y tiene columnas ortonormales,
resulta que P es una matriz ortogonal, y P−1 es simplemente PT . 2
Tema VI: Matrices simétricas [hpijeira@math.uc3m.es] 1.1.- Diagonalización de matrices simétricas 3/7

Ejemplo de diagonalización (caso con valores propios no todos diferentes)

 
3 −2 4
Diagonalice ortogonalmente la matriz A =  −2 6 2  , cuya ecuación característica es
4 2 3
3 2 2
0 = −λ + 12λ − 21λ − 98 = −(λ − 7) (λ + 2).

R:/ Los cálculos usuales producen bases para los espacios propios:
    

1 −1/2 −1
λ = 7 : v1 =  0  , v2 =  1 ; λ = −2 : v3 =  −1/2 
1 0 1

Aunque v1 y v2 son linealmente independientes, no son ortogonales. Ortogonalizando por Gram-Schmidt se tiene que:
     
hv2 , v1 i −1/2 −1/2 1 −1/4
z2 = v2 − v1 =  1 −  0 = 1 
hv1 , v1 i 0 2 1 1/4
√ 
 √ 
1/ 2 −1/√18
Normalizando v1 y z2 se obtiene u1 =  0√  , u2 =  4/√18  .
1/ 2 1/ 18
   
−2 −2/3
Una base ortonormal del espacio propio para λ = −2 es u3 = 2v1 2v3 = 13  −1  =  −1/3 
k 3k
2 2/3
Por lo tanto, {u1 , u2 , u3 } es un conjunto ortonormal. Sean
 √ √   
  1/ 2 −1/√ 18 −2/3 7 0 0
P = u1 u2 u3 =  0√ 4/√18 −1/3  , D =  0 7 0 
1/ 2 1/ 18 2/3 0 0 −2

Entonces P diagonaliza ortogonalmente a A y A = PDP−1 .

Tema VI: Matrices simétricas [hpijeira@math.uc3m.es] 1.1.- Diagonalización de matrices simétricas 4/7
Teorema espectral para matrices simétricas
Una matriz simétrica A de orden n tiene las siguientes propiedades:
a) A tiene n valores propios reales, contando las multiplicidades.

b) La dimensión del espacio propio para cada valor propio λ es igual a la multiplicidad de λ como una
raíz de la ecuación característica. Es decir, la multiplicidad geométrica y la multiplicidad
algebraica coinciden.

c) Los espacios propios son mutuamente ortogonales, en el sentido de que los vectores propios
correspondientes a diferentes valores propios son ortogonales.

d) A es diagonalizable ortogonalmente.

Descomposición espectral
Suponga que A = PDP−1 , donde las columnas de P son los vectores propios ortonormales u1 , . . . , un de A,
y los valores propios correspondientes λ1 , . . . , λn están en la matriz diagonal D. Entonces, como P−1 = PT ,
 T   T 
0 u1 u1

λ1
..  .   . 
A = PDPT = u1 · · · un 
   
  ..  = λ1 u1 · · · λn un  .. 

.
0 λn uTn uTn
= λ1 u1 uT1 + λ2 u2 uT2 + · · · + λn un uTn
A esta representación de A se le llama descomposición espectral de A porque la divide en partes
determinadas por su espectro (valores propios).

Tema VI: Matrices simétricas [hpijeira@math.uc3m.es] 1.1.- Diagonalización de matrices simétricas 5/7

Ejemplo

Construya una descomposición espectral de la matriz A que tiene la diagonalización ortogonal

   √ √   √ √ 
7 2 2/√5 −1/√ 5 8 0 2/ √5 1/√5
A= = .
2 4 1/ 5 2/ 5 0 3 −1/ 5 2/ 5

R:/ Denote las columnas de P como u1 y u2 . Entonces,

A = 8u1 uT1 + 3u2 uT2 (descomposición espectral).
Para comprobar esta descomposición de A, calcule

√ 
√ √ 
  
2/√5  4/5 2/5
u1 uT1
= 2/ 5 1/ 5 = .
1/ 5 2/5 1/5
√ 
√ √ 
  
T −1/√5  1/5 −2/5
u2 u2 = −1/ 5 2/ 5 = .
2/ 5 −2/5 4/5
     
32/5 16/5 3/5 −6/5 7 2
T T
8u1 u1 + 3u2 u2 = + = = A. 2
16/5 8/5 −6/5 12/5 2 4

Observación: Cada término de la descomposición espectral de una matriz A de orden n × n, es una matriz de n × n de rango
1. Por ejemplo, cada columna de λ1 u1 uT1 es un múltiplo de u1 . Además, cada matriz uj uTj es una matriz de proyección en


el sentido de que para cada x en Rn , el vector uj uTj x es la proyección ortogonal de x sobre el subespacio generado por uj

Tema VI: Matrices simétricas [hpijeira@math.uc3m.es] 1.1.- Diagonalización de matrices simétricas 6/7
Bibliografía básica y complementaria

[1] David C. Lay. Álgebra Lineal y sus Aplicaciones, 4ª ed, Pearson Education, 2012.
[2] D. Poole. Álgebra lineal: Una introducción moderna, 4ª ed, Cengage Learning, 2017.
[3] J. Arvesú, F. Marcellán y J. Sánchez. Problemas Resueltos de Álgebra Lineal, Ed. Para-
ninfo, 2015.
[4] S. Lipschutz. Álgebra Lineal, 2ª ed, McGraw-Hill, Madrid, 1992.

Tema VI: Matrices simétricas [hpijeira@math.uc3m.es] 1.2.- Bibliografía básica y complementaria 7/7