Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diciembre de 2011
1
Jorge Mario García Usuga. - Licenciado en Matemáticas y Computación Universidad del Quindío
- Magister en Enseñanza de las Matemáticas Universidad Tecnológica de Pereira.
No está permitida importar, vender, difundir, distribuir y exportar total o parcialmente esta obra, ni
su tratamiento o transmisión por cualquier método sin autorización escrita del editor. El contenido
de la presente obra es exclusivo de los autores.
Derechos reservados
ISBN: 978-958-57263-3-8
200 ejemplares
ELIZCOM S.A.S
www.elizcom.com
ventas@elizcom.com
Cel: (57) 3113349748
Fax: (57) (6) 7493244
Armenia, Quindío
2011
Prólogo
Es importante resaltar que en el libro se plantean ejercicios resueltos con el fin de mostrar
la forma como se aplican las definiciones y teoremas, así mismo, al finalizar cada capítulo
se proponen ejercicios o problemas de aplicación, para que a través de la ejercitación de
dichas situaciones matemáticas, se tenga un mayor empoderamiento del tema. El libro también
contiene demostraciones y algunas representaciones gráficas con el fin de dar una mayor claridad
conceptual y aplicabilidad del concepto.
Este material ha sido experimentado en el espacio académico de Álgebra Lineal del Programa de
Licenciatura en Matemáticas de la Universidad del Quindío.
Esperamos que a través de los capítulos desarrollados en el libro, se contribuya a la mejora de los
procesos de enseñanza-aprendizaje de los espacios académicos que implican el Álgebra Lineal
en los programas de Educación Superior.
I
Índice general
2. Determinantes 89
2.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
2.2. Método de Sarrus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
2.3. Método por cofactores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
2.4. Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.5. Método de Chió para hallar determinantes . . . . . . . . . . . . . . . . . . . . . 111
2.6. Determinantes y matrices especiales . . . . . . . . . . . . . . . . . . . . . . . . 113
2.7. La inversa de una matriz y su determinante . . . . . . . . . . . . . . . . . . . . 120
II
ÍNDICE GENERAL III
(x2 , y2 )
b
(x1 , y1 )
b
(x3 , y3 )
Este problema es relativamente fácil, pues sólo debemos acudir a la ecuación general de una
circunferencia:
x2 + y 2 + Dx + Ey + F = 0 (1.1)
Luego, sólo debemos reemplazar los puntos en la ecuación 1.1:
1
1. Sistemas de ecuaciones lineales 2
debido a que cada punto genera una ecuación diferente, se forma el sistema de ecuaciones 1.2. El
cual ahora depende de las variables D, E y F pues se reemplazo x y y por los putos dados. El
sistema de ecuaciones 1.2 se puede reescribir como sigue:
Dx1 + Ey1 + F = − x21 + y12
Dx2 + Ey2 + F = − x22 + y22 (1.3)
Dx3 + Ey3 + F = − x23 + y32
El cual podemos resolver usando los métodos vistos de resolución de sistemas de ecuaciones
lineales vistos en los cursos del álgebra, como reducción, sustitución e igualación. De esta forma
podemos hallar los coeficientes de la ecuación 1.1, es decir, D, E y F .
Otro ejemplo, un poco más complejo, lo podemos encontrar en la regresión polinomial, en la cual,
dada una lista de puntos en el plano:
5
Polinomio interpolante
4
b
(x1 , y1 ) (x3 , y3 )
3
b
2
b
1 (x2 , y2 )
0 x
0 1 2 3 4 5
ax2 + bx + c = y (1.4)
Ahora, debemos reemplazar en la ecuación de segundo grado, cada uno de los puntos dados:
ax21 + bx1 + c = y1
ax22 + bx2 + c = y2 (1.5)
ax23 + bx3 + c = y3
El sistema 1.5 puede resolverse para hallar a, b y c y con esto podemos hallar el polinomio de
segundo grado.
Los anteriores ejemplos, nos muestran que muchos de los problemas encontrados en las diferentes
áreas de las matemáticas, pueden ser resueltos encontrando la solución a un sistema de ecuaciones
lineales. En este capítulo veremos cómo resolver dichos sistemas y cómo se puede reducir el
problema aún más utilizando el concepto de matriz.
a11 x + a12 y = b1
a21 x + a22 y = b2
Ejemplo 1.1 Un sistema con solución única
Considere el sistema
x−y = 8 (1.6)
x+y = 6 (1.7)
Si se suman las ecuaciones se obtiene:
2x = 14 ó x = 7
Entonces de la ecuación 1.7 se obtiene
y = 6−7
y = −1
Luego el par (7, −1) satisface el sistema dado y la forma en que se encontró la solución muestra
que es el único par de números que lo hace. Es decir, el sistema tiene solución única.
1. Sistemas de ecuaciones lineales 4
x+y =6
x−y =8
Considere el sistema
x−y = 8
2x − 2y = 16
Las dos ecuaciones son equivalentes. Para ver esto se multiplica la primera ecuación por 2.
x−y =8
2x − 2y = 16
Considere el sistema
x−y = 8
2x − 2y = 10
x−y =8
2x − 2y = 10
La interpretación gráfica se puede aplicar para sistemas 3 × 3, sólo que en este caso, las
ecuaciones representan planos en el espacio. Sin embargo, podemos encontrar los mismos tres
casos: Solución única, Múltiples soluciones y sin solución.
Cuando hablamos de solución única, podemos pensar en planos que se intersectan en un sólo
punto del espacio, como se ve en la gráfica 1.6.
1. Sistemas de ecuaciones lineales 6
Solución única
Ahora bien, para el caso en que hay múltiples soluciones, los planos se pueden intersectar no en
un punto, sino en una recta, sin embargo, esta no es la única posibilidad, puede pasar que los
planos esten puestos unos sobre otros o que sólo dos de los planos se intersecten.
a1 x1 + a2 x2 + · · · + an xn = b
donde las a1 , a2 . . . an se llaman coeficientes de las variables x1 , x2 . . . xn y el número b se
llama término constante. Se asume que tanto los coeficientes y el término constante son valores
conocidos.
Ejemplo 1.4
x1 − 4x2 − 6x3 = 5
En esta ecuación se usaron los coeficientes 1,-4 y -6, el término independiente es 5 y las variables
son x1 , x2 y x3 .
La ecuación
2x + 8y = 3
Es una ecuación con coeficientes 2 y 8, término independiente 3 y variables x y y.
Ya hemos resuelto algunos sistemas de ecuaciones lineales (ejemplos anteriores), pero ¿qué es
una solución a un sistema de ecuaciones lineales?
La definición de solución a un sistema de ecuaciones lineales, nos dice que cuando encontramos
dichos números, estos, al reemplazarse en las ecuaciones del sistema deben conservar la igualdad.
Ejemplo 1.5
Un empresario tiene tres máquinas que son empleadas en la fabricación de tres productos
diferentes. Para utilizar plenamente las máquinas, estas estarán en operación 8 horas diarias, el
número de horas que cada máquina es usada en la producción de una unidad de cada uno de los
productos se da en la siguiente tabla:
Por ejemplo, en la producción de una unidad del producto 3, la máquina 1 trabaja 2 horas y las
máquinas 2 y 3 trabajan 1 hora cada una; bajo el siguiente supuesto de que cada máquina trabaja
8 horas completas, hallar el número de unidades de cada producto que se produce en un día.
Para resolver este problema, consideremos que la producción durante las 8 horas del día, se
distribuye como sigue:
Como cada máquina trabaja las 8 horas completas, tenemos el siguiente sistema de ecuaciones.
x1 + 2x3 = 8
2x1 + x2 + x3 = 8
x1 + 3x2 + x3 = 8
El anterior es un sistema de ecuaciones lineales con 3 incógnitas. A continuación se ilustra
el proceso de eliminación Gaussiana sobre el sistema de ecuaciones que surge en el problema
anterior:
x1 + 2x3 = 8
2x1 + x2 + x3 = 8
x1 + 3x2 + x3 = 8
Paso 1: Eliminamos la incógnita x1 a partir de la segunda ecuación, como sigue:
x1 + 2x3 = 8
x2 − 3x3 = −8
3x2 − x3 = 0
1. Sistemas de ecuaciones lineales 10
x1 + 2x3 = 8
x2 − 3x3 = −8
8x3 = 24
Ahora tenemos un sistema cuya solución es la misma del sistema inicial, pero es mucho más
simple, ya que la tercera ecuación tiene una sola incógnita, la segunda ecuación tiene dos y en la
primera ecuación aparecen dos incógnitas. La forma triangular de este último sistema nos permite
resolverlo más fácilmente; en efecto de la tercera ecuación obtenemosx3 = 3,sustituyendo en la
segunda obtenemos x2 = 1 y finalmente sustituimos estos valores en la primera ecuación y
obtenemos x1 = 2. Este último proceso es llamado sustitución regresiva.
Con respecto al problema original, concluimos que trabajando 8 horas, cada día se pueden
producir 2 unidades del producto 1, 1 unidad del producto 2 y 3 unidades del producto 3.
x1 + 2x2 + 3x3 = 9
4x1 + 5x2 + 6x3 = 24
3x1 + x2 − 2x3 = 4
Eliminamos la incógnita x1 a partir de la segunda ecuación, como sigue:
x1 + 2x2 + 3x3 = 9
− 3x2 − 6x3 = −12
− 5x2 − 11x3 = −23
Luego dividimos la segunda ecuación por -3 y se obtiene:
1. Sistemas de ecuaciones lineales 11
x1 + 2x2 + 3x3 = 9
x2 + 2x3 = 4
− 5x2 − 11x3 = −23
Eliminamos la incógnita x2 de la primera y la tercera ecuación:
i) Sustituimos la primera ecuación por el resultado obtenido al sustraer de la primera ecuación
la segunda multiplicada por 2.
ii) Sustituimos la tercera ecuación por la ecuación obtenida al sustraer de ella la segunda
multiplicada por -5.
x1 − x3 = 1
x2 + 2x3 = 4
− x3 = −3
Eliminamos la incógnita x3 de la primera y segunda ecuación.
x1 = 4
x2 = −2
x3 = 3
El sistema tiene solución única.
Se cuenta con dos métodos para resolver los ejemplos de sistemas de ecuaciones:
Ejemplo 1.7
Solución de un sistema de tres ecuaciones con tres incógnitas con un número infinito de
soluciones.
Resolver el sistema:
Solución:
x1 + 2x2 + 3x3 = 9
4x1 + 5x2 + 6x3 = 24
2x1 + 7x2 + 12x3 = 30
Sustraemos de la fila 2 la fila 1 multiplicada por 4 y sustraemos de la fila 3 la fila 1 multiplicada
por 2.
x1 + 2x2 + 3x3 = 9
− 3x2 − 6x3 = −12
3x2 + 6x3 = 12
Dividimos la ecuación 2 por (-3)
x1 + 2x2 + 3x3 = 9
x2 + 2x3 = 4
3x2 + 6x3 = 12
Luego sustraemos de la fila 1 la fila 2 multiplicada por 2 y sustraemos de la fila 3 la fila 2
multiplicada por 3.
x1 − x3 = 1
x2 + 2x3 = 4
0 = 0
Existe un número infinito de soluciones
Ejemplo 1.8
Resolver el sistema:
2x2 + 3x3 = 4
2x − 6x2 + 7x3 = 15
x1 − 2x2 + 5x3 = 10
Como en la primera ecuación el coeficiente de x1 es cero. Se pueden intercambiar las ecuaciones
1 y 3.
1. Sistemas de ecuaciones lineales 13
x1 − 2x2 + 5x3 = 10
2x − 6x2 + 7x3 = 15
2x2 + 3x3 = 4
Sustraemos de la fila 2 la fila 1 multiplicada por 2
x1 − 2x2 + 5x3 = 10
− 2x2 − 3x3 = −5
2x2 + 3x3 = 4
De las ecuaciones 2 y 3 se observa que:
− 2x2 − 3x3 = −5
2x2 + 3x3 = 4
Si −2x2 − 3x3 = −5, entonces 2x2 + 3x3 = 5 y no 4. Por lo tanto, el sistema no tiene solución
porque hay una inconsistencia.
Ejercicios 1.1
−x − 2y = 8
6x + 12y = 0
a) El sistema es inconsistente
b) La solución es (3, −5)
c) La solución se encuentra sobre la recta x = 2
d) Las dos ecuaciones son equivalentes.
a) b)
c) e)
5 5 5 5
x1 + x2 − x3 = 0 x1 − x2 + x3 =
3 12 7 7
4x1 − x2 + 5x3 = 4
1 7 5 5
2x1 + 2x2 − 3x3 = 0 x1 + x2 − x3 =
5 2 2 2
5 6 5
x1 + x2 + x3 = 1
d) 9 7 2
f)
+2x2 + 5x3 = −7
0.21x1 + 0.54x2 + 0.24x3 = 0.21
x1 − 2x3 = −8 0.21x1 + 0.32x2 − 0.25x3 = 0.5
2x1 + 4x2 = −2 0.14x1 + 0.25x2 + 0.98x3 = −0.1
2x1 + 3x2 − x3 = a
x1 − x2 + 3x3 = b
3x1 + 7x2 − 5x3 = c
Para el sistema lineal general existen tres posibilidades: que no tenga solución, que tenga solución
única o que tenga un número infinito de soluciones. Para el sistema general homogéneo la
solución es más sencilla. Como x1 = x2 = · · · xn = 0 es siempre una solución (llamada solución
trivial o solución cero), sólo se tiene dos posibilidades: la solución trivial es la única solución o
existe un número infinito de soluciones además de la trivial. La soluciones distintas a la solución
cero se llaman soluciones no triviales.
Ejemplo 1.9
1. Sistemas de ecuaciones lineales 15
x1 + x2 − x3 = 0
2x1 − 4x2 + 3x3 = 0
3x1 + 7x2 − x3 = 0
Sustraemos de la fila 2 la fila 1 multiplicada por 2 y sustraemos de la fila 3 la fila 1 multiplicada
por 3:
x1 + x2 − x3 = 0
− 6x2 + 5x3 = 0
+ 4x2 + 2x3 = 0
Dividamos la fila 2 por (-6):
x1 + x2 − x3 = 0
5
x2 − 6 x3 = 0
+ 4x2 + 2x3 = 0
Sustraemos de la fila 3 la fila 2 multiplicada por 4:
x1 + x2 − x3 = 0
5
x2 − 6 x3 = 0
16
+ 3 x3 = 0
Realizando sustitución regresiva se tiene que: el sistema tiene solución única (0, 0, 0). Esto es la
solución trivial.
Ejemplo 1.10
x1 + x2 − x3 = 0
2x1 − 4x2 + 3x3 = 0
−x1 − 7x2 + 6x3 = 0
Sustraemos de la fila 2 la fila 1 multiplicada por 2 y reemplazamos la fila 3 por la adición de las
filas 1 y 3
x1 + x2 − x3 = 0
− 6x2 + 5x3 = 0
− 6x2 + 5x3 = 0
Reemplazamos la fila 3 por la adición de las filas 2 y 3:
1. Sistemas de ecuaciones lineales 16
x1 + x2 − x3 = 0
− 6x2 + 5x3 = 0
0 = 0
1 5
De acuerdo con lo anterior existe un número infinito de soluciones, dadas por: 6 x3 , 6 x3 , x3 .
Ejemplo 1.11
Un sistema con más incógnitas que ecuaciones tiene un número infinito de soluciones:
2x1 + 3x2 − x3 = 0
6x1 − 5x2 + 7x3 = 0
Multiplicamos la fila 1 por 3
En general, si hay más incógnitas que ecuaciones, el sistema homogéneo siempre tendrá un
número infinito de soluciones.
Este resultado lo podemos ver resumido en el siguiente teorema, sin embargo, es necesario
determinar el rango de un sistema de ecuaciones lineales.
Demostración:
Puesto que el sistema homogéneo tiene al menos la solución cero (trivial).
También, el rango < m (¿por qué?).
De modo que hay al menos una variable libre y por lo tanto un número infinito de soluciones.
Q.E.D.
Ejercicios 1.2
1. Determine las soluciones de los siguientes sistemas, si éstas existen. Utilizar el método de
eliminación de Gauss y de Gauss-Jordan.
2x + 3y = 7
a) .
3x − y = 5
3p + 2q = 5
b)
p − 3q + 2 = 0
3x1 + 2x2 + x3 = 6
c) 2x1 − x2 + 4x3 = −4
x1 + x2 − 2x3 = 5
a + b − 2c = 3
d) 2a + 3b + c = 13
7a1 + 9b + c = 35
x + y + z = 1
2x + 3y − w = 3
e)
−x + z + 3w = 3
2y − z + w = 5
u − v + 2w = 5
f) 4u + v + 3w = 15
5u − 2v + 7w = 31
x + y − z = 2
g)
2x − 3y + 4z = −3
a) c)
x1 + x2 − x3 = 0 4x1 − x2 = 0
2x1 − 4x2 + 3x3 = 0 7x1 + 3x2 = 0
3x1 + 7x2 − x3 = 0 −8x1 + 6x2 = 0
d)
b)
x1 − 2x2 + x3 + x4 = 0
x1 + x2 − x3 = 0
3x1 + 2x3 − 2x4 = 0
2x1 − 4x2 + 3x3 = 0
4x2 − x3 − x4 = 0
−5x1 + 13x2 − 10x3 = 0
5x1 + 3x3 − x4 = 0
1. Sistemas de ecuaciones lineales 18
x+y+z = 0
2x + 3y + 4z = 0
3x + 4y + kz = 0
4. ¿Cuál es el área de un rectángulo sabiendo que su perímetro mide 16cm y que su base es el
triple de su altura?
4
5. Hallar dos números cuyo cociente sea 5 y su producto 80.
6. Un viajero que acaba de regresar de Europa gastó $30 diarios en Inglaterra, $20 diarios
en Francia, y $20 diarios en España por concepto de hospedaje. En comida gastó $20
diarios en Inglaterra, $30 diarios en Francia y $20 diarios en España. Sus gastos adicionales
fueron de $10 diarios en cada país. Los registros del viajero indican que gastó total de
$340 en hospedaje, $320 en comida y 140 en gastos adicionales durante su viaje por estos
tres países. Calcule el número de días que pasó el viajero en cada país o muestre que los
registros deben estar incorrectos debido a que las cantidades gastadas no son compatibles
una con la otra.
7. Tres materiales se utilizan para formar tres tipos de productos. Una unidad del primer
material requiere 10 kg del elemento A, 30 del B y 60 del C. Una unidad del segundo
tipo de material necesita 20 kg de A, 30 del B 50 del C. Una unidad del tercer tipo de
material requiere 50 kg de A 50 y 50 del C. Si se dispone de 1600kg del elemento A, 1200
Kg del B y 3200 del C, ¿Cuántas unidades de cada tipo de material se pueden producir si
se se utilizan todos los elementos disponibles?
1.5. Matrices
Para comenzar, observemos un sistema de ecuaciones lineales:
x1 + 3x2 − 3x3 = −1
2x1 − x2 + 3x3 = 2 (1.9)
x1 + 2x2 − x3 = 0
Al realizar la eliminación Gaussiana o Gauss-Jordan, vemos que las variables x1 , x2 y x3
no “participan” del algoritmo, es decir, no hacemos uso de ellas cuando hacemos alguna de
las eliminaciones antes mencionadas. Sólo los coeficientes y los valores constantes tienen una
participación directa en el algoritmo. Ahora se inicia el concepto de Matriz.
.:Definición 1.7 Una Matriz es un arreglo rectangular de números, determinados por filas o
renglones y columnas. Las matrices se denotaran con letras mayúsculas. A, B... etc.
Los elementos en la matriz se ubican de acuerdo a filas y columnas, así por ejemplo, el coeficiente
de la variable x2 en la segunda ecuación es -1, así que en la fila dos y la columna dos habrá un
-1, siempre se ubica primero las filas y luego las columnas. Del sistema 1.9 podemos obtener una
matriz con los coeficientes:
1. Sistemas de ecuaciones lineales 19
1 3 −3
A = 2 −1 3
1 2 −1
.:Definición 1.8 Una matriz que se construye con los coeficientes de un sistema de ecuaciones
lineales se llama Matriz de coeficientes
La matriz A representaría los coeficientes de las variables del sistema 1.9, sin embargo, en ella
no se representa los valores constantes; para ellos requerimos de otro tipo de matriz.
.:Definición 1.9 Una matriz que se construye con los coeficientes de un sistema de ecuaciones
lineales junto con una columna (separada por una línea vertical) con los elementos de los
términos constantes, se llama Matriz de coeficientes aumentada.
En este caso el sistema 1.9 estaría representado en la forma de una matriz de coeficientes
aumentada de la siguiente forma:
1 3 −3 −1
A = 2 −1 3 2
1 2 −1 0
Observemos que el paso del sistema de ecuaciones lineales original a la matriz de coeficientes
aumentada es muy fácil, sólo requerimos acomodar los coeficientes y los términos constantes en
el mismo orden en que aparecen en el sistema.
1 3 −3 −1 x1 + 3x2 − 3x3 = −1
2 −1 3 2 −→ 2x1 − x2 + 3x3 = 2
1 2 −1 0 x1 + 2x2 − x3 = 0
Esto nos puede ayudar a encontrar la manera de acelerar el proceso de eliminación Gaussiana y la
eliminación de Gauss-Jordan. Sin embargo, debemos tener en cuenta las operaciones elementales
por fila.
Ejemplo 1.12 Resuelva el siguiente sistema de ecuaciones usando notación matricial y teniendo
en cuenta las operaciones elementales por fila.
x1 + 3x2 − 3x3 = −1
2x1 − x2 + 3x3 = 2
x1 + 2x2 − x3 = 0
1 3 −3 −1 1 3 −3 −1
0 1 − 79 − 74
− 0
f3 → f3 + (1)f2 1 − 97 − 74
−−−−−−−−−−→
5
3
0 −1 2 1 0 0 7 7
7 7
Finalmente multiplicamos la última fila por es decir f3 →
5, 5 f3
1 3 −3 −1 1 3 −3 −1
0 1 − 9 − 4 f3 → 7 f3 0
7 7 1 − 7 − 74
9
5
−−−−−−−−−→
5
3
0 0 7 7 0 0 1 35
Como usamos eliminación Gaussiana, podemos realizar la sustitución regresiva para obtener los
valores. En este caso 51 , 51 , 35 .
Por Gauss-Jordan
La solución a este sistema es el mismo que se obtuvo con la eliminación Gaussiana y es el mismo
para el sistema de ecuaciones inicial, sólo que la solución en este último es más fácil de deducir.
x1 + 3x2 − 3x3 = −1 1 3 −3 −1
2x1 − x2 + 3x3 = 2 → 2 −1 3 2
x1 + 2x2 − x3 = 0 1 2 −1 0
1 0 0 15 x1 = 51
1 3 −3 −1
1
2 −1 3 2 → 0 1 0 5 →
x2 = 51
1 2 −1 0
0 0 1 35 x3 = 53
2x1 − x2 + x3 = 0
x1 − 2x2 + x3 = 0
3x1 + x2 − 4x3 = 0
La matriz de coeficientes aumentada sería:
2 −1 1 0
1 −2 1 0
3 1 −4 0
Iniciamos intercambiando la primera y la segunda fila:
2 −1 1 0 1 −2 1 0
1 −2 1 0 f1 ⇆ f2 2 −1 1 0
3 1 −4 0 −−−−−→ 3 1 −4
0
Ahora procedemos de igual manera, usando las operaciones elementales por fila:
1 −2 1 0 1 −2 1 0
2 −1 1 0 f2 → f2 + (−2)f1 0 3 −1 0
3 1 −4 0 −−−−−−−−−−−−→ 3 1 −4 0
1 −2 1 0 1 −2 1 0
0 3 −1 0 f3 → f3 + (−3)f1 0 3 −1 0
3 1 −4 0 −−−−−−−−−−−−→ 0 7 −7 0
1 −2 1 0
1 −2 1 0
0 1 1
3 −1 0 f2 →
f2 0
1 −3 0
3
0 7 −7 0 −−−−−−−−−→
0 7 −7 0
1. Sistemas de ecuaciones lineales 23
1 −2 1 0 1 −2 1 0
0 1 − 31 0
− 0
f3 → f3 + (−7) f2 1 − 31 0
−−−−−− −−−−−− →
0 7 −7 0 0 0 − 14
3
0
Como vemos, el sistema tiene solución trivial
x1 − x2 + 3x3 = 1
−8x1 + x2 − x3 = 4
En este caso el sistema tiene más variables que ecuaciones, luego la matriz de coeficientes
aumentada debe tener más columnas que filas:
1 −1 3 1
−8 1 −1 4
Procedemos a realizar la eliminación de Gauss-Jordan
1 −1 3 1 1 −1 3 1
f → f2 + (8) f1
−8 1 −1 4 −2−−−−− −−−−−→ 0 −7 23 4
1 −1 3 1
1 −1 3 1 1
f 2 → − f 2
0 −7 23 4 7
−−−−−−−−−−−→ 0 1 − 23
7
− 74
1 −1 3 1 1 0 − 27 37
f1 → f1 + (1) f2
0 1 − 23
−4 −−−−−−−−−−−→ 0 1 − 23
−4
7 7 7 7
El sistema tiene múltiples soluciones, luego el sistema asociado a la matriz seria de la siguiente
forma:
1 0 − 72 37 x1 − 72 x3 = 3
7
→
0 1 − 23 7
−4
7 x2 − 23
7 x3 = − 74
De este podemos deducir x2 =23 7 x3 −
4
7 y x1 = 3
7 + 72 x3 , luego la solución general sería de la
forma 37 + 72 x3 , 23
7 x3 − 4
7 , x3 .
Los ejemplos anteriores muestran como encontramos la solución a sistemas de ecuaciones lineales
usando la notación matricial y las operaciones elementales por fila. Esto se logra por que las
operaciones elementales por fila transforman el sistema dado en un sistema más simple; al cual
se le puede hallar una solución más fácil, pero ¿los nuevos sistemas encontrados usando las
operaciones elementales por filas tiene las mismas soluciones que los sistemas de ecuaciones
lineales originales?
1. Sistemas de ecuaciones lineales 24
.:Teorema 1.2 Al aplicar operaciones elementales por fila a un sistema de ecuaciones lineales,
el nuevo sistema que se obtiene, tiene exactamente las mismas soluciones que el sistema de
ecuaciones lineales original.
Demostración:
De un lado, si x∗ = (x∗1 , x∗2 , x∗3 , . . . , x∗n ) es solución de 1.10, entonces se satisfacen ambas
ecuaciones, la que esta en la posición k y la que esta en la posición l, es decir las siguientes
igualdades se conservan:
(αak1 + al1 ) x∗1 + (αak2 + al2 ) x∗2 + . . . + (αakn + aln ) x∗n = αbk + bl
Luego x∗ también es solución de 1.12. De otro lado, si x∗ es solución de 1.12, entonces es
solución de
(αak1 + al1 ) x∗1 + (αak2 + al2 ) x∗2 + . . . + (αakn + aln ) x∗n = αbk + bl
y de
Q.E.D.
x1 + 3x2 − 3x3 = −1
2x1 − x2 + 3x3 = 2
x1 + 2x2 − x3 = 0
Si aplicamos eliminación Gaussiana, encontraremos el sistema equivalente
x1 +3x2 −3x3 = −1
0 x2 − 97 x3 = − 47
3
0 0 x3 = 5
En el cual, podemos encontrar la solución de forma fácil, haciendo sustitución regresiva. Si
aplicamos más operaciones elementales por fila encontraremos
1. Sistemas de ecuaciones lineales 26
1
x1 = 5
1
x2 = 5
3
x3 = 5
En el cual, no debemos hacer nada para hallar la solución, pues está explícita. Los tres sistemas de
ecuaciones lineales tiene la misma solución, a dichos sistemas se les llama Sistema de ecuaciones
lineales equivalentes.
Una matriz se encuentra escalonada reducida por renglones, si cumple las siguientes
condiciones:
1. Todas las filas que sean nulas (si las hay) aparecen en la parte inferior de la matriz.
2. El primer número diferente de cero comenzando por la izquierda en cualquier fila no nula
debe ser 1.
3. Si tenemos dos filas sucesivas no nulas, el primer 1 de la segunda fila debe estar más hacia
la derecha que el 1 de la fila de arriba.
4. Toda columna que contiene el primer 1 (pivote) de una fila, debe tener ceros en el resto de
la columna.
Ejemplo 1.15
Una matriz se encuentra escalonada por renglones, si cumple las siguientes condiciones 1,2 y 3
de la Forma escalonada reducida por renglones (FERR).
Ejemplo 1.16
1. Sistemas de ecuaciones lineales 27
Ejercicios 1.3
a) e)
3x1 + 2x2 + x3 = 6
2x1 − x2 + 4x3 = −4 x1 − x2 + x3 = 6
x1 + x2 − 2x3 = 5 3x1 − 3x2 + 3x3 = 18
b)
3x1 + 2x2 = 5 f)
x1 + 3x2 + 2 = 0
c) x1 + x2 − x3 + 2x4 = 3
2x1 + 4x2 + 6x3 = 18 3x1 + 2x2 + x3 + −x4 = 5
4x1 + 5x2 + 6x3 = 24
2x1 + 7x2 + 12x3 = 30 g)
d)
2x1 + 4x2 + 6x3 = 0 x1 − x2 + x3 − x4 = −2
4x1 + 5x2 + 6x3 = 0 −2x1 + 3x2 − x3 + 2x4 = 5
3x1 + x2 − 2x3 = 0 4x1 − 2x2 + 2x3 − 3x4 = 6
a = (a1 , a2 . . . an )
Un vector Columna de n componentes es un arreglo ordenado de la siguiente forma:
b1
b2
b= .
..
bn
Los vectores fila y columna conforman las filas y las columnas de una matriz, es por ello que en
algunas ocasiones reciben nombres y notaciones especiales. La notación para los vectores varía en
muchos libros de texto, en algunos casos aparece con negrilla, por ejemplo si tenemos un vector
a este aparecerá como a. En física es común que aparezcan con una flecha en la parte superior ~a
o encerrada entre ángulos hai. Es este libro usaremos letras minúsculas para expresar los vectores
y sus componentes, así por ejemplo, si tenemos:
a = (a1 , a2 , . . . , an )
a sera el nombre del vector, y a1 , a2 ,...an serán las componentes del vector. En algunos casos
es necesario destacar algunos componentes del vector, por ejemplo el primero o el tercero o el
último. Si el vector es en vector fila hablaremos del i−ésimo componente, mientras que si es un
vector columna hablaremos de un j−ésimo componente.
Ejemplo 1.17
a = (5, 6, 9, 87, 3)
Es un vector fila de cinco componentes, donde, por ejemplo, la tercera componente a3 = 9. Ahora
bien
1
6
b= 0
4
Es un vector columna, donde b3 = 0.
1. Sistemas de ecuaciones lineales 29
.:Definición 1.13 Se dice que a es un vector nulo (bien se a fila o columna) si todos sus
componentes son cero:
0
0
a = (0, 0, . . . , 0) o a= .
..
0
Estos vectores generalmente se denotan con un cero, es decir podemos denotarlos usando el
simbolo 0, pero este no se debe confundir con la magnitud escalar cero, que es un número real.
.:Definición 1.14 Definición formal de matriz
Las matrices de denotan con letras mayúsculas, mientras que sus componente con letras
minúsculas. Si tenemos la matriz A y nos referimos al nombre genérico de sus componentes
usaremos la notación A = (aij ) que se lee “La matriz A de componentes aij ”. Si tenemos la
componente aij estamos hablando que este elemento esta en la fila i y la columna j.
Ejemplo 1.18
2 3 4 5
2 2 3 0 2 −8 4 5
A=
9
, B=
3 4 1 3 0 1 2
6 4 −1 0
A es una matriz de 4 × 4, es decir, tiene 16 componentes en 4 filas y 4 columnas, de los cuales
a34 = 1 y a13 = 4. La matriz B tiene dos filas y cuatro columnas, donde b22 =0.
.:Definición 1.15 Una matriz de tamaño n × n, es decir, el mismo número de filas y columnas,
se llama matriz cuadrada
a11 a12 · · · a1n
a21 a22 · · · a2n
A= . .. .. ..
.. . . .
an1 an2 · · · ann
.:Definición 1.16 Una matriz de tamaño m × n, se llama matriz nula cuando todos sus
componentes son cero.
0 0 ··· 0
0 0 ··· 0
A= . .. .. ..
.. . . .
0 0 ··· 0
De nuevo, debemos hacer claridad en la notación, podemos hacer uso del simbolo 0 para denotar
la matriz nula, haciendo la diferencia con el cero de los números reales.
.:Definición 1.17 Una matriz de tamaño n × n, se llama matriz diagonal, cuando las
componentes a11 , a22 , a33 , . . . , ann son distintos de cero, las demás componentes son cero.
a11 0 · · · 0
0 a22 · · · 0
A= . . . ..
.. .. .. .
0 0 · · · ann
Es importante destacar que de ahora en adelante “manipularemos” las matrices como si fuesen
números, por esta razón, debemos saber cuando dos matrices son iguales:
.:Definición 1.18 Dos matrices A = (aij ) y B = (bij ) son iguales sí:
1. Tienen el mismo tamaño.
2. ∀i, j aij = bij , es decir, todas sus correspondientes componentes son iguales.
Ejemplo 1.19
√ 1 5
2 5 4 5
A= , B= , C = 1 7
7 −1 7 −1
−3 1
Las matrices A y B son iguales, porque tienen iguales sus correspondientes componentes.
Mientras que la matriz C no tiene ni el tamaño adecuado, ni coinciden sus correspondientes
1. Sistemas de ecuaciones lineales 31
componentes.
Nota: Es de resaltar, que tanto en los vectores como las matrices es importante el orden, así por
ejemplo, a = (1, 2, 3) es muy distinto de b = (3, 2, 1), de igual forma con las matrices.
En la suma de matrices, se suman las correspondientes componentes para obtener la nueva matriz
que debe tener el mismo tamaño de las matrices originales.
Ejemplo 1.20
4 −7
6 4 5 −7
A= , B= , C = 0 −7
7 −2 2 3
3 −2
Podemos hacer la operación A + B
11 −3
A+B =
9 1
Sin embargo, A + C y B + C no están definidas, debido a que tiene tamaños diferentes.
Ejemplo 1.21
Realizar la operación A + B y B + A si
6 −1 0 7
A = 4 1 , B = −1 4
2 0 7 1
Veamos los dos resultados:
1. Sistemas de ecuaciones lineales 32
6 −1 0 7 6 6
A+B = 4 1 + −1 4 = 3 5
2 0 7 1 9 1
0 7 6 −1 6 6
B + A = −1 4 + 4 1 = 3 5
7 1 2 0 9 1
.:Definición 1.20 Sea A = (aij ) una matriz de tamaño m × n y α un escalar (un número real) ,
el producto escalar αA se define como:
αa11 αa12 . . . αa1n
αa21 αa22 . . . αa2n
αA = (αaij ) = .. .. . . ..
. . . .
αam1 αam2 ... αamn
En la multiplicación por escalar, se multiplica la constante por cada uno de los componentes de
la matriz.
Ejemplo 1.22
A − B = A + (−1)B
La diferencia entre matrices se realiza con respecto a la multiplicación por escalar, es decir , la
segunda matriz se multiplica por el escalar −1 y posteriormente se suman las matrices.
Ejemplo 1.23
1. Sistemas de ecuaciones lineales 33
Sea
6 −7
a = −1 y b= 4
4 3
Realice el producto: 4a − 3b:
6 −7
4a − 3b = 4 −1 + (−3) 4
4 3
24 21 45
= −4 + −12 = −16
16 −9 7
.:Teorema 1.3 Sean A, B y C matrices de tamaño m × n y α,β escalares. Entonces:
1. A + B = B + A Ley asociativa de la suma de matrices
2. A + 0 = 0 + A = A, elemento neutro de la suma de matrices
3. 0A = 0
4. (A + B) + C = A + (B + C), propiedad asociativa de la suma de matrices.
5. α(A + B) = αA + αB, propiedad distributiva de la multiplicación por escalar frente a la
suma de matrices.
6. 1A = A, elemento neutro de la multiplicación por escalar.
7. (α + β)A = αA + βA
Demostración:
Ahora bien, si utilizamos la propiedad conmutativa de los números reales en cada una de las
componentes de la matriz A + B, tendíamos que aij + bij = bij + aij , con lo cual:
a11 + b11 a12 + b12 ... a1n + b1n
a21 + b21 a22 + b22 ... a2n + b2n
.. .. .. .. =
. . . .
am1 + bm1 am2 + bm2 ... amn + bmn
b11 + a11 b12 + a12 ... b1n + a1n
b21 + a21 b22 + a22 ... b2n + a2n
.. .. .. ..
. . . .
bm1 + am1 bm2 + am2 ... bmn + amn
Q.E.D
Parte 2: 0A = 0.
En este caso, el cero que multiplica la matriz A es el escalar cero, es decir, el número real, mientras
que el cero que esta después del igual hace referencia a la matriz nula del mismo tamaño de A. Si
A = (aij ), entonces:
a11 a12 . . . a1n
a21 a22 . . . a2n
0A = (0) .. .. . . ..
. . . .
am1 am2 . . . amn
0a11 0a12 ... 0a1n
0a21 0a22 ... 0a2n
= .. .. .. ..
. . . .
0am1 0am2 ... 0amn
Ahora bien, sabemos que los números reales cumplen que a0 = 0a = 0 ∀a ∈ R , luego, la matriz
= 0A, quedaría:
1. Sistemas de ecuaciones lineales 35
0a11 0a12 . . . 0a1n 0 0 ... 0
0a21 0a22 . . . 0a2n
0 0 ... 0
.. .. . . .. = .. .. .. ..
. . . . . . . .
0am1 0am2 . . . 0amn 0 0 ... 0
= 0 La matriz nula
Ejemplo 1.24
1 0 3 2 0 7
A+B = 1 8 −1 + 2 8 1
9 1 1 −1 2 1
3 0 10
= 3 16 0
8 3 2
De igual manera
2 0 7 1 0 3
B+A = 2 8 1 + 1 8 −1
−1 2 1 9 1 1
3 0 10
= 3 16 0
8 3 2
u·v = u1 v1 + u2 v2 + u3 v3 + · · · + un vn
n
X
= ui vi
i=0
Q.E.D
La definición de producto escalar, nos pone de manifiesto que el producto escalar se puede ver
como una función Rn ×Rn −→ R, es decir se toman dos vectores en Rn y genera un número real.
De otro lado, la definición no distingue entre vector fila o columna, es decir, se pueden multiplicar
dos vectores fila o dos vectores columna o un vector fila y un vector columna.
Ejemplo 1.25
4
3
Sea u =
y v = (2, −1, 9, 3), entonces:
3
1
4
3
u·v = · (2, −1, 9, 3)
3
1
= 4 · 2 + 3 · (−1) + 3 · 9 + 1 · 3
= 8 + (−3) + 27 + 3
= 35
Ejemplo 1.26
1. Sistemas de ecuaciones lineales 37
7
0
Sea u =
0 yv=
5, 1, −4, 8 , entonces:
3
7
0
u·v = ·
0 5, 1, −4, 8
3
= 7 · 5 + 0 · 1 + 0 · (−4) + 3 · 8
= 35 + 0 + 0 + 24
= 59
1. u · v = v · u
2. u · 0 = 0
3. u · (v + w) = u · v + u · w
4. (αu) · v = α (u · v)
Demostración:
Parte 1: u · v = v · u.
u · v = u1 v1 + u2 v2 + · · · + un vn
Ahora, aplicamos la propiedad conmutativa de la multiplicación de números reales, entonces
ui vi = vi ui i = 1, 2, . . . , n
u·v = v1 u1 + v2 u2 + · · · + vn un
= v·u
Q.E.D
Parte 2: u · 0 = 0
Debemos tener presente que el cero que multiplica al vector u representa el vector nulo, mientras
que el cero que está después del igual es el cero real.
1. Sistemas de ecuaciones lineales 38
u·0 = u1 0 + u2 0 + u3 0 + · · · + un 0
= 0 + 0 + ···+ 0
= 0
Q.E.D
Sea A = (aij ) una matriz de tamaño m × n y B = (bij ) una matriz de tamaño n × p, el producto
entre A y B es una matriz C = (cij ) de tamaño m × p tal que:
n
X
= aik bkj
k=1
Observaciones:
1. Los tamaños de las matrices son importantes, en este caso el número de columnas de la
primera matriz debe coincidir con el número de columnas de la segunda matriz, cuando los
tamaños coinciden se dice que las dos matrices son compatibles bajo la multiplicación.
2. La definición de multiplicación de matrices nos dice que la componente ij-esima de C es
el producto escalar entre la la fila i de A y la columna j de B, es necesario que el estudiante
tenga presente que cuando hablamos de cij , nos referimos a cualquier componente de C
que es la multiplicación entre A y B.
Ejemplo 1.27
2 6 4 −7
Sea A = yB = , el producto AB = C
3 1 1 2
C = AB
2 6 4 −7
= ·
3 1 1 2
Analicemos las componentes de C, tomemos c11 = (fila 1 de A) · (Columna 1 de B), esto nos
indica que es el producto escalar entre la fila 1 de A y la columna 1 de B.
1. Sistemas de ecuaciones lineales 39
4
c11 = 2 6 · = 8 + 6 = 14
1
−7
c12 = 2 6 · = −14 + 12 = −2
2
4
c21 = 3 1 · = 12 + 1 = 13
1
−7
c22 = 3 1 · = −21 + 2 = −19
2
14 −2
De esta forma C = AB =
13 −19
Ejemplo 1.28
3 9 8 7 4
Multiplicación de matrices de tamaños diferentes: sea A = 5 1 2 8 2 y B =
4 7 1 2 3
1 0
2 1
0 3 , el producto AB sería:
4 2
1 0
1 0
3 9 8 7 4 2 1
AB = 5 1 2 8 2 0 3
4 7 1 2 3 4 2
1 0
53 47
= 41 23
29 14
A(BC) = (AB)C
Teniendo en cuenta que el tamaño de la matriz resultante es de n × q.
Demostración:
Vemos que es fácil determinar los tamaños de las matrices a ambos lados de la ecuación es de
n×q
Ahora veremos que pasa con las componentes ij−ésimas de cada producto. Tomemos D = (dij )
siendo D = AB, de acuerdo a la definición 1.23, entonces:
m
X
dij = aik bkj = ai1 b1j + ai2 b2j + · · · + aim bmj
k=1
Ahora bien, si tomamos (AB) C = DC su componente ij−ésima sería:
p p m
!
X X X
dir crj = aik bkr crj
r=1 r=1 k=1
| {z }
dir
p
m X
X
= aik bkr crj
k=1 =1
m m p
!
X X X
aik ekj = aik bkr crj
k=1 k=1 r=1
| {z }
ekj
p
m X
X
= aik bkr crj
k=1 r=1
1. Sistemas de ecuaciones lineales 41
Estos dos procedimientos, nos muestran que la componente ij−ésima de (AB) C es igual a la
componente ij−ésima de A (BC).
Q.E.D
2 5 1 4 7 9
Ejemplo 1.29 Sea A = , B = y C = , verifique que
7 1 3 1 3 5
(AB) C = A (BC)
Veamos (AB) C
2 5 1 4 7 9
(AB) C =
7 1 3 1 3 5
17 13 7 9
=
10 29 3 5
158 218
=
157 235
Veamos A (BC)
2 5 1 4 7 9
A (BC) =
7 1 3 1 3 5
2 5 19 29
=
7 1 24 32
158 218
=
157 235
A(B + C) = AB + AC
(A + B)C = AC + BC
Demostración:
A(B + C) = AB + AC
Supongamos que A es de tamaño n × m y B y C matrices de tamaño m × p. En la parte inicial
de la igualdad aparece la matriz B + C, iniciaremos con la componente ij-ésima de esta matriz,
la cual notaremos como bkj + ckj , Ahora bien, esta matriz esta multiplicada por la matriz A, para
determinar la propiedad, empezaremos con la componente ij-ésima del producto A(B + C)
1. Sistemas de ecuaciones lineales 42
m
X
aik (bkj + ckj )
k=1
Esta ecuación es la componente ij-ésima de A(B + C), lo que hacemos ahora es aplicar la ley
distributiva de la suma de los números reales a la parte interna de la sumatoria.
m
X m
X
aik (bkj + ckj ) = aik bkj + aik ckj
k=1 k=1
Xm m
X
= aik bkj + aik cik
k=1 k=1
= AB + AC
Q.E.D
2 5 1 4 7 9
Ejemplo 1.30 Sea A = , B = y C = , verifique que
7 1 3 1 3 5
A(B + C) = AB + AC
2 5 1 4 7 9
A(B + C) = +
7 1 3 1 3 5
2 5 8 13
=
7 1 6 6
46 56
=
62 97
2 5 1 4 2 5 7 9
AB + BC = +
7 1 3 1 7 1 3 5
17 13 29 43
= +
10 29 52 68
46 56
=
52 97
Ejercicios 1.4
2 −1 5 −3 −4 2
1. Dadas las matrices: A = , B = ,C =
0 1 −2 5 −1 −7
−4 6 8
, encuentre
10 −1 13
1. Sistemas de ecuaciones lineales 43
a) A + B
b) 4A
c) 3A − 2B − 4C
d) 4(A + B) − 2(B − C)
e) 8(A + B − C) − 2(B + C)
f ) Encuentre una matriz D tal que A + B − C + D sea la matriz cero de orden 2 × 3
g) Una Matriz E tal que A + 2B − C + 3E sea la matriz cero de orden 2 × 3
−1 2 3
2 −3 5 7 −9
2. Para las matrices A = 0 5 −2 , B = y C =
1 5 0 9 −7
3 0 1
determinar:
a) A−1
b) D, si AB t C = D
c) DA = B
a) 4At − 3C
t
b) (B − 2E)
c) (DE)t
d) A2 − A − 6I3
a) Hallar A + C
b) ¿Para cuál valor de α la matriz A es simétrica?
c) ¿Para cuáles vales de α y β la matriz C es es Antisimétrica?
d) ¿Para cuáles valores de α y β, la matriz A + C es triangular inferior?
7. Pruebe que el elemento neutro para la suma de matrices en Rm×n es único, es decir, si 0 y
0′1 son tales que para toda matriz A ∈ Rm×n A + 0 = 0 + A = A y A + 0′ = 0′ + A = A,
entonces 0 = 0′
8. Dado que:
π
4 2 8
a = 1 , b = 1 y c = 1
−1 4 3
a) e)
4 3 4 1
2 −3 5
1 4 6
.
−1 2 5 6 1 0 6 . −2 3 5
2 3 1 1 0 4
b)
0.325 −0.254
52 55
f)
.
0.25 0.254 11 212
1
c) 3 2 1 −2 4
.
−6 4 0 6 0
1 −6 −4 5
. 2
2 5 7 3
g)
d)
3 −6
4 5 2 4
1 4 . 5 5 1 1 4 0 2
1
0
2 −2 5
−2 1 −2 3
1 En este caso los ceros 0, representan la matriz nula
1. Sistemas de ecuaciones lineales 45
h)
a b c 1 0 0
d e f 0 1 0
g h i 0 0 1
a, b...h, i ∈ R
a b
11. Encuentre una matriz A = tal que:
c d
0.31 0.21 1 0
A· =
−0.92 0.36 0 1
a b
12. Si A = , encuentre las componentes a, b, c y d 6= 0 tal que se cumpla que
c
d
0 0
A2 =
0 0
13. Verifique la ley asociativa si:
1 0 1 1 6
2 −1 4
A= ,B = 2 −1 2 y C = −2 4
1 0 6
3 −2 0 0 5
14. Se dice que dos vectores a y b son ortogonales si a · b = 0, determine cuales pares de
vectores son ortogonales.
a) c)
2 3 1 2
−3 2 4 3
−7 2
b)
2 −3 d)
−3 2 1 0 1 0 . 0 1 0 1
Calcule A2 , A3 y A4
16. Una matriz A de n× n tiene la propiedad de que AB es la matriz cero para cualquier matriz
B de n × n. Pruebe que A es una matriz cero.
17. Encuentre al sistema no homogéneo dado, encontrando primero una solución (si es posible)
y después todas las soluciones al sistema homogéneo asociado:
1. Sistemas de ecuaciones lineales 46
a) d)
−8x1 + 4x2 = 1
x1 − x2 + x3 = 6
−x1 + 4x2 = 0
3x1 − 3x2 + 3x3 = 18
b)
4x1 + 5x2 − 7x3 = −1 e)
3x1 − 6x2 − x3 = 3
4 2 6
2x1 + 9x2 − 9x3 = 1 x1 − x2 − x3 = 1
5 3 7
c) 6 5
x1 − x2 + x3 = 1
5 7
x1 + x2 − x3 + 2x4 = 3 5 9
x1 + x2 = 3
3x1 + 2x2 + x3 − x4 = 5 7 7
Para encontrar la matriz transpuesta sólo debemos cambiar el orden de las componentes, es decir,
si tenemos un 5 en la componente a32 , al realizar la transpuesta este número estaría en la posición
a23 .
Al hallar At se puede ver que la componente a13 = 6, en At que daría en la posición a31 .
5 2 3 −1 2
B t = −5 3 1 2 7
2 0 1 7 8
Al hallar B t podemos observar que el tamaño de la matriz cambia, siempre que ésta no sea
t
cuadrada, en este caso B5×3 y B3×5 .
2
Ct = 5
6
En este caso, C es un vector fila y C t es un vector columna.
1. Es fácil ver que cualquier componente de aij al transponerse pasa a la posición aji , luego
al transponer de nuevo vuelve a la posición aij .
2. Sea A y B de tamaño m × n dadas de la siguiente forma
a11 a12 ... a1n b11 b12 ... b1n
a21 a22 ... a2n
b21 b22 ... b2n
A= .. .. .. .. y B= .. .. .. ..
. . . . . . . .
am1 am2 ... amn bm1 bm2 ... bmn
Si hallamos la suma obtenemos:
a11 + b11 a12 + b12 ... a1n + b1n
a21 + b21 a22 + b22 ... a2n + b2n
A+B = .. .. .. ..
. . . .
am1 + bm1 am2 + bm2 ... amn + bmn
1. Sistemas de ecuaciones lineales 48
a11 a21 ... an1 b11 b21 ... bn1
a12 a22 ... an2 b12 b22 ... bn2
(A + B)t = +
.. .. .. .. .. .. .. ..
. . . . . . . .
a1m a2m ... anm b1m b2m ... bnm
= At + B t
m
X
aik bkj
k=1
m
X m
X m
X
DC = B t At = cjk dki = ckj dik = cik dkj
k=1 k=1 k=1
Q.E.D
.:Definición 1.25 Sea A una matriz de n × n, se dice que A es simétrica cuando aij = aji para
todo i, j = 1, 2, 3 . . . n. Es decir, cuando A = At
1. Sistemas de ecuaciones lineales 49
En este caso, la simetría se da con respecto a la diagonal principal. Éste tipo de matrices es
muy común en teoría de grafos, en la elaboración de matriz de adyacencia. El siguiente ejemplo
muestra su uso.
Ejemplo 1.32
A 3
B 6
C 5
4
E
D
La matriz de adyacencia se construye ubicando como filas y columnas los nodos del grafo G, las
posiciones correspondientes a la diagonal se llenan con cero, pues la distancia entre un nodo y el
mismo es cero. Luego, la posición a12 corresponde a la distancia entre el nodo A y el nodo B, la
cual es tres. De la misma manera, la posición a21 se llena con la distancia entre el nodo B y el
nodo A, que es , tres. De la misma forma se realiza para todos los nodos.
A B C D E
A 0 3 3 4 0
B 3 0 0 0 6
MG = C 3 0 0 3 5
D 4 0 3 0 0
E 0 6 5 0 0
Podemos ver que la matriz MG es simétrica, pues es igual decir que hay 5 unidades entre los
nodos C y E y los nodos E y C.
Ejemplo 1.33
La matriz A es antisimétrica
1. Sistemas de ecuaciones lineales 50
0 −8 2 −3
8 0 −4 −1
A=
−2
4 0 3
3 1 −3 0
Note que todos los elementos de la diagonal principal son cero. Ahora obtenemos la transpuesta
de la matriz.
0 8 −2 3
−8 0 4 1
At = 2 −4
0 −3
−3 −1 3 0
Podemos ver que A = −At .
Ejercicios 1.5
2 −1 5 −3 −4 2
1. Dadas las matrices: A = , B = ,C =
0 1 −2 5 −1 −7
−4 6 8
, encuentre
10 −1 13
a) At − 2B t
b) 5At + B t + C t
c) At − 5B t + C t
d) 4 (At + B t ) t + 3(4B − 5C)
t t
e) 15 (At + B t − C t ) + 5 (B t + C t )
2. Sean A y B matrices de orden m × n y λ un escalar, probar que:
t
a) (At ) = A
b) (A + B)t = At + B t
c) (λA)t = λAt
3. Para cada condición dada, hallar una matriz A que satisfaga:
a) A es a la vez triangular superior y triangular inferior.
b) A es a la vez simétrica y Antisimétrica
c) At = A
d) At = −A
4. Sean A y B matrices cuadradas de orden n, probar:
a) Si A es simétrica, entonces, para todo escalar λ, λA es matriz simétrica.
b) Si A es antisimétrica, entonces, para todo escalar λ, λA es matriz antisimétrica.
c) Si A y B son simétricas, entonces A + B es simétrica
5. Pruebe que An×n es una matriz simétrica, At A también es simétrica
6. Encuentre la traspuesta de las matrices dadas:
1. Sistemas de ecuaciones lineales 51
a) e)
−1 4
6 5 8 7 4 6
b) 9 6 8 1
3 0 2 2 5 4
1 2 7 0 2 0
c)
1 2 3
−1 0 4 f)
1 5 5
5 4 1 2
d) 3
1 2 3
6 4 1
2 4 −5 0 1 4 0
1 2 3 5
3 −5 7
a) b)
3 2 1 1 1 1
A= 0 2 2 A= 0 2 3
0 0 −1 5 5 1
Esta propiedad de los números reales no sólo es usada en aritmética, en el álgebra se usa para
resolver ecuaciones lineales simples. Supongamos que tenemos la siguiente ecuación:
3x = 18 (1.13)
La ecuación anterior nos puede parecer fácil de resolver. Si usamos la propiedad del inverso
multiplicativo de los números reales, podremos encontrar el valor de x. Ahora, procedemos a
multiplicar por 13 (el inverso multiplicativo de 3) a ambos lados de la ecuación:
1 1
3x = 18
3 3
1. Sistemas de ecuaciones lineales 52
obtendremos
(1)x = 6 (1.14)
x = 6
Este ejemplo, muestra como una propiedad tan simple nos permite resolver ecuaciones que
eventualmente pueden ser mas complejas. De igual manera, en Álgebra lineal se presenta una
situación muy parecida. En este caso tenemos el siguiente sistema:
AX = b (1.15)
Donde A es una matriz de coeficientes, X es un vector de incógnitas y b es el vector de términos
independientes. Hasta ahora, hemos aplicado métodos como la eliminación Gaussiana y el
método de Gauss-Jordan para resolver la ecuación (1.15). Pero ahora, veremos que para resolver
este tipo de ecuaciones, sólo necesitamos encontrar (como en el caso de 3 en la ecuación (1.13))
la inversa de la matriz A.
.:Definición 1.27 Matriz Identidad: Una matriz Identidad de tamaño n × n, es una matriz en la
que todos los elementos de la diagonal principal son unos, los elementos por fuera de la diagonal
son cero.
Los siguientes son ejemplos de matrices identidad
1 0 0 ... 0
0 1 0 ... 0
1 0 0
1 0 0 0 1 ... 0
I1 = 1, I2 = , I3 = 0 1 0 , . . . , In =
0 1 .. .. .. .. ..
0 0 1 . . . . .
0 0 0 ... 1
Dicho de otra manera, podemos decir que si In es una matriz de componentes (aij ) entonces
podemos decir:
1 Si i = j
In = (aij ) =
0 Si i =
6 j
Ahora bien, para comprender mejor la importancia de la matriz identidad veremos el siguiente
teorema:
.:Teorema 1.8 Sea A una matriz cuadrada de tamaño n × n e In la matriz identidad de tamaño
n × n. Entonces
AIn = A
y
In A = A
1. Sistemas de ecuaciones lineales 53
Demostración:
Tomemos A = (aij ) e In = (kij ) y supongamos que C = (cij ) de modo que C = AIn . Ahora
bien, si C es el producto de A e In entonces cualquier elemento de C se puede expresar de la
siguiente forma:
cij = ai1 k1j + ai2 k2j + · · · + aij kjj + · · · + ain knj (1.16)
Si analizamos esta expresión, veremos que los elementos kij de In son cero excepto los elementos
que están en la diagonal, es decir, kjj = 1. Si retomamos la ecuación (1.16). teniendo en cuenta
el análisis anterior:
cij = aij
Lo que quiere decir que C = A, es decir que AIn = A.
Q.E.D.
AB = BA = In
Luego B es la inversa de A (también podemos decir que A es la inversa de B) y la denotaremos
como A−1 , tendríamos que
AA−1 = A−1 A = In
Diremos que si A tiene inversa entonces se dice que A es invertible o no singular. Si A no tiene
inversa se le llama singular.
Cuando hablamos de matrices invertibles, nos referimos a todas aquellas matrices a las cuales
podemos obtenerle su inversa. Existen muchas matrices que no tienen.
.:Definición 1.29 Sea A una matriz cuadrada de orden n. Decimos que A es invertible si existe
una matriz B de orden n tal que AB = BA = In , en tal caso decimos que B es la inversa de A
y B = A−1 .
Retomando la analogía con las propiedades de los números reales, notamos que cuando
obtenemos el inverso de un número, éste es único, es decir, si tenemos un número a su inverso es
a−1 y es único, lo que implica que no existe otro número real que sea el inverso de a. De igual
manera, si tenemos una matriz A sólo existe una matriz A−1 que es la inversa de A. Veamos el
siguiente teorema.
.:Teorema 1.9 Sea A una matriz cuadrada de tamaño n × n invertible, entonces su inversa es
única
Demostración:
Ahora definamos el siguiente producto: BAC = BAC y aplicamos la ley asociativa de las
matrices de la siguiente forma B (AC) = (BA) C y como AC = I y BA = I al remplazar
obtenemos
B(I) = (I)C
Por el teorema (1.8) obtenemos que B = C lo que es una contradicción, es decir, una matriz no
puede tener dos inversas. Esto implica que la inversa de una matriz es única.
Q.E.D.
El siguiente teorema no se acomoda a la analogía que habríamos planteado, sin embargo, es uno
de los más importantes para la inversa de una matriz.
Demostración:
Lo anterior con base en la definición 1.28. Ahora bien, si aplicamos la ley asociativa de el producto
de matrices, tenemos:
B −1 A−1 A B = A BB −1 A−1 = In
Ahora, por definición 1.28 tenemos que
Q.E.D.
AX = b
Supongamos que A es invertible, es decir, que podemos hallar A−1 . Ahora, multiplicamos por la
izquierda A−1 a cada lado de la ecuación
A−1 AX = A−1 b
A−1 A X = A−1 b
In X = A−1 b
X = A−1 b (1.17)
Demostración:
La demostración de este teorema es por contradicción: Supongamos que A tiene dos inversas
llamadas A′−1 y A−1 , tal que A′−1 6= A−1 y por definición tenemos que:
AA′−1 = I
y
AA−1 = I
Entonces, podemos igualar ambos resultados:
AA′−1 = AA−1
Ahora bien, como A es invertible tomemos A−1 y multiplicamos por la izquierda a ambos lados
de la ecuación:
luego A′−1 = A−1 lo que contradice la hipótesis, luego el sistema AX = b tiene solución única.
Q.E.D.
El siguiente teorema expone la relación existente entre la inversa de una matriz y la cantidad de
soluciones de un sistema de ecuaciones lineales
Demostración:
Supongamos que A es invertible, entonces podemos realizar k operaciones elementales por fila en
A cuando hacemos el proceso de encontrar su inversa, luego como A tiene inversa, éste proceso
es finito, después de varios pasos la matriz A se convierte en la identidad
A → In
Lo que nos dice que:
1. Sistemas de ecuaciones lineales 57
1. En el proceso, ninguna fila se hizo nula, pues la matriz identidad no tiene filas nulas.
2. Lo anterior implica que todas las filas tienen pivote, debido a que la matriz nula no tiene
filas nulas.
3. Por 1) y 2) In es la forma FERR de A.
Ahora tomemos la La matriz A, su forma FERR tiene n pivotes luego, es posible hacer estas
mismas operaciones en la matriz identidad sin producir filas nulas, , llamemos a esta nueva matriz
B, dicha matriz al multiplicarse por la matriz A daría como resultado la matriz In , lo que implica
que
AB = I
y por definición, B es la inversa de A, luego A es invertible, tiene n pivotes.
De otro lado, si A es invertible, entonces el sistema AX = b tiene solución única para cualquier
vector, pues por el teorema 1.11
AX = b
A−1 AX = A−1 b
In X = A−1 b
X = A−1 b
Observe que no hay restricciones para el vector b, la condición recae sobre la matriz A, la cual
debe ser invertible.
Q.E.D.
Ejemplo 1.35 Resuelva el sistema de ecuaciones lineales 2 × 2
x − 9y = 5
−2x + 5y = 1
usando la inversa de la matriz de cofactores
5 9
− 13 − 13
1 −9
A= y A−1 =
−2 5 2 1
− 13 − 13
Solución:
Como sabemos X = A−1 b, simplemente multiplicamos A−1 por el vector de términos
independientes b:
X = A−1 b
5 9
− 13 − 13 5
x
=
y 2 1
− 13 − 13 1
34
− 13
=
11
− 13
1. Sistemas de ecuaciones lineales 58
Observemos que el vector b puede ser cualquier vector, inclusive es independiente de la inversa
de la matriz, si en este momento nos pidieran encontrar la solución al sistema
x − 9y = 6
−2x + 5y = 8
X = A−1 b
5 9
− 13 − 13 6
x
=
y 2 1
− 13 − 13 8
− 102
13
=
− 20
13
Ejemplo 1.36
tomemos
2 3
A=
5 −4
Ahora ponemos las dos matrices una al lado de la otra
2 3 | 1 0
5 −4 | 0 1
Hacemos operaciones elementales por fila hasta convertir la matriz A en la identidad y la matriz
identidad en A−1
1 23 | 21 0
5 −4 | 0 1
Al realizar una operación elemental, esta se ejecuta en ambas matrices.
1. Sistemas de ecuaciones lineales 59
3 1
1 2 | 2 0
5 −4 | 0 1
3 1
1 2 | 2 0
0 − 23
2 | − 25 1
3 1
1 2 | 2 0
5 2
0 1 | 23 − 23
3
Ahora eliminamos 2 en A
4 3
1 0 | 23 23
5 2
0 1 | 23 − 23
4 3
23 23
Entonces A−1 =
5 2
23 − 23
−1
Es fácil verificar que AA = I = A−1 A
Ejemplo 1.37
2 3
Ahora, con w = − tenemos que y =
23 23
4z
De 5x − 4z = 0 despejamos x y tenemos x = y remplazamos en 2x + 3z = 1
5
4z
2 + 3z = 1
5
5
z =
23
5 4
Con z = encontramos x = , de nuevo
23 23
4 3
23 23
A−1 =
5 2
23 − 23
El método es bueno para matrices pequeñas (2 × 2 o 3 × 3), para matrices más grandes se vuelve
muy lento. Existen otros métodos para hallar la inversa, uno de ellos es con la matriz Adjunta,
pero este tema lo trataremos más adelante.
Ejemplo 1.38
Sea
1 5 1
A = 0 1 −2
1 −1 −1
hallar A−1
3 4 11
1 0 0 | 14 − 14 14
2 2
2
0 1 0 | − 14
14 14
1 6 1
0 0 1 | 14 − 14 − 14
Luego
3
14 − 72 11
14
−1
1 1
A =
7 7 − 17
1
14 − 73 1
− 14
El siguiente teorema muestra una de las propiedades de la matriz inversa.
−1
.:Teorema 1.13 Si A es invertible, entonces A−1 es invertible y además A−1 =A
Demostración:
A=A
Como A es invertible, existe A−1 . Multiplicamos A−1 a ambos la dos de la ecuación
A−1 A = AA−1 = In
Pero esta igualdad también muestra que A−1 tiene inversa, la cual es A, por lo tanto A es invertible
−1
y además A−1 =A
Q.E.D.
Ejemplo 1.39
Veamos, sí:
3 5 −7
A= 4 5 1
7 −9 1
y
7 29 20
277 277 277
−1
3 26 31
A =
554 277 − 554
71 31 5
− 554 277 − 554
Observemos que:
3 5 −7
−1
A−1 = 4 5 1
7 −9 1
1. Sistemas de ecuaciones lineales 62
Demostración:
Si A es invertible entonces
AA−1 = A−1 A = I
Teniendo en cuenta el teorema 1.7 parte 4
(AA−1 )t = (A−1 )t At = I t = I
por lo tanto, cumple con la definición 1.28, lo que implica que At es invertible y además (A−1 )t
es el inverso de At
Q.E.D.
Ejemplo 1.40
Sea:
1 3 11
62 − 62 62
2 3 −7
−1 13 23 6
A= 2 1 5 y A =
62 62 − 31
6 0 2
3 9 1
− 62 62 − 31
y verifiquemos que (At )−1 = (A−1 )t . primero (At )−1
−1
2 2 6
(At )−1 = 3 1 0
−7 5 2
1 13 3
62 62 − 62
= −3 23 9
62 62 62
11 6 1
62 − 31 − 31
Ahora (A−1 )t :
1. Sistemas de ecuaciones lineales 63
1 3 11
t
62 − 62 62
−1 t
13 23 6
(A ) =
62 62 − 31
3 9 1
− 62 62 − 31
1 13 3
62 62 − 62
3 23 9
− 62
=
62 62
11 6 1
62 − 31 − 31
Ejercicios 1.6
a) e)
1 3
3 1 1 −3 0 −2
3 −12 −2 −6
b)
−2 10 2 5
π 2π
2π π −1 6 1 3
5 2
c)
1 0 8 f)
6 1 0
1 3 1
0.2 −0.5 0.7 0.02
d) −0.24 −0.9 0.1 0.2
5 6 7
0.14
1 −3 5 0.14 0.8 −0.1
4 9 7 −0.25 0.1 0.2 0.8
1 −2 0
a) A= 0 −4 −1
5 3 2
1 2
b) A=
3 −4
4 −2 6 1
−2 1 −3 1
c) A= 6 −3 9
1
1 1 1 1
1 1 1 1
2 9 4
7 1 −4 3
5. Para las matrices A= ,B = ,C = 6 2 −4 , D =
3 −2 −7 −8
0 −1 9
1 0 −1
−4 1 3
−3 1 −7
7 0 0
10. Calcule la inversa de 0 9 0
0 0 −3
11. Una matriz cuadrada se llama diagonal si todos los elementos fuera de la diagonal son
diferentes de cero. muestre que una matriz diagonal es invertible si y solo si cada uno de
los elementos de la diagonal es diferente de cero.
a11 0 ...... 0
0 a22 ...... 0
.. .. .. ..
. . . .
0 0 . . . . . . ann
14. Una matriz es triangular superior (o inferior ) cuando todos los elementos abajo (o arriba)
de la diagonal principal son cero. Demuestre que una matriz triangular superior o triangular
inferior es invertible si y solo si cada uno de los elementos de la diagonal es diferente de
cero.
En aritmética, el teorema fundamental o teorema de factorización única afirma que todo entero
positivo se puede representar de forma única como producto de factores primos. Por ejemplo:
521478 = 2 × 35 × 29 × 37
De igual manera, podemos representar una matriz como el producto de otras matrices, las cuales
llamaremos elementales. Empezaremos por definir una matriz elemental.
Ejemplo 1.41
Sean
1 0 0 1 0 0 0 0 1
E1 = 0 1 0 , E2 = 0 1 0 , E3 = 0 1 0
0 0 7 −8 0 1 1 0 0
La matriz E2 es una matriz elemental por que se obtuvo de tomar I3 y aplicarle la operación
f3 −→ f3 + (−8)f1 .
Para mostrar la importancia de las matrices elementales, observemos lo que ocurre con los
siguientes productos de matrices:
Ejemplo 1.42
Sea
1 2 −2
A= 0 1 −1
3 2 4
y queremos aplicar la operación elemental f3 → f3 + (−3)f1
1 2 −2
A = 0 1 −1 (1.18)
0 −4 10
Ahora, consideremos la matriz elemental E de 3 × 3, la cual se obtuvo de tomar la matriz I3 y
aplicarle la operación elemental f3 → f3 + (−3)f1 , tenemos
1. Sistemas de ecuaciones lineales 67
1 0 0
E= 0 1 0
−3 0 1
y consideremos la multiplicación entre E y A
1 0 0 1 2 −2 1 2 −2
0 1 0 0 1 −1 = 0 1 −1 (1.19)
−3 0 1 3 2 4 0 −4 10
Luego, según lo visto en las matrices de las ecuaciones (1.18) y (1.19), es posible que las
operaciones elementales por fila se reduzcan a la multiplicación de una matriz elemental por
la matriz en cuestión.
Ejemplo 1.43
Sea
0 1 −1
B= 0 3 0
1 7 −1
y queremos intercambiar las filas 1 y 3 de tal forma que f1 ⇆ f3 . La matriz E la obtenemos de
aplicarle a la matriz I3 dicha operación. Entonces
0 0 1 0 1 −1 1 7 −1
0 1 0 0 3 0 = 0 3 0
1 0 0 1 7 −1 0 1 −1
podemos ver que la matriz de permutación E realizó en la matriz B, el efecto de la operación
elemental f1 ⇆ f3 .
Ejemplo 1.44
.:Teorema 1.15 Sea A una matriz de tamaño m × n y E una matriz elemental de tamaño m × m.
La matriz EA es la misma que se obtiene al realizar sobre las filas de A la operación elemental
correspondiente a la matriz E.
Demostración:
La prueba debe hacerse para los tres tipos de matrices elementales. La siguiente demostración se
hará para la matriz elemental relacionada con la operación elemental fi → fi + (k)fj
Suponga que B = EA, donde B es el producto de E por A. Ahora, comparemos las filas de B y
de A.
E = Im = (0 . . . 0 1 0 . . . 0)
Ahora bien, recordemos que Bi es el producto de Ei por A, es decir .
Bi = Ei A = (0 . . . 0 1 0 . . . 0)A
Bi = Ei A = Ai
Bi = Ai
Esto nos dice que las filas de B son iguales a las filas de A, Ahora bien, la Er tiene en su s−ésimo
posición el número (−k), su r−ésimo componente es 1, las demás son cero. Observemos que:
Er A = (0 . . . (−k) . . . 0 1 0 . . . 0)
= 0A1 + · · · + (−k)As + · · · + 0Ar−1 + Ar + 0Ar+1 + · · · + 0Am
= Ar − kAs
Esto implica que B y EA sólo difieren de en su r−ésima fila y esta se obtiene al sustraer a la fila
r de A, la fila s de A multiplicada por el escalar k.
Q.E.D.
El teorema 1.15 nos permite afirmar que podemos convertir una matriz A de n × n invertible, en
la matriz In al multiplicar por la izquierda matrices elementales.
Ahora
1 0 1 3 1 3
=
0 −1 0 −8 0 1
| {z 8 }
E2
Luego
1 −3 1 3 1 0
=
0 1 0 1 0 1
| {z }
E3
Es decir
E3 E2 E1 A = I
Ahora bien, veamos el comportamiento de algunas matrices elementales, al tratar de obtener su
inversa.
Ejemplo 1.46
en el ejemplo anterior, vimos que E1 E2 = I2 , esto nos permite afirmar (parcialmente) que
E2 es la inversa de E1 , para corroborar esta afirmación, debemos ver que ocurre al hacer la
1. Sistemas de ecuaciones lineales 70
multiplicación de E2 E1 .
1 3 1 −3 1 0
=
0 1 0 1 0 1
Esto confirma que E2 es la inversa de E1 . Recordemos que E2 es la única matriz que puede ser
la inversa de E1 (Teorema 1.9).
Podemos conjeturar, que una matriz elemental que se obtiene al realizar la operación elemental
fi → fi +kfj sobre la matriz identidad, es invertible y además su inversa es otra matriz elemental
que se obtiene al realizar sobre la matriz identidad la operación elemental fi → fi + (−k)fj con
k∈R
Ejemplo 1.47
Tomemos
1 0 1 0
E3 = 1 y E4 =
0 8 0 8
Ahora veamos los productos E3 E4 y E4 E3
1 0 1 0 1 0
E3 E4 = 1 =
0 8 0 8 0 1
1 0 1 0 1 0
E4 E3 = 1 =
0 8 0 8 0 1
De nuevo, podemos ver que E4 es la inversa de E3 . Se concluye que una matriz elemental que
se obtiene al realizar la operación elemental fi → kfi sobre la matriz identidad, es invertible y
además su inversa es otra matriz
elemental que se obtiene al realizar sobre la matriz identidad la
operación elemental fi → k1 fi con k ∈ R y k 6= 0.
Ejemplo 1.48
Tomemos:
0 1
E5 =
1 0
1. Sistemas de ecuaciones lineales 71
E5 es una matriz elemental de permutación. Para obtenerla, sólo podemos realizar la operación
elemental f1 ⇆ f2 a la matriz identidad. Ahora bien, La matriz:
0 1
E6 =
1 0
0 1 0 1 1 0
E5 E6 = =
1 0 1 0 0 1
0 1 0 1 1 0
E5 E6 = =
1 0 1 0 0 1
En este caso podemos intuir que la inversa de una matriz elemental de permutación es ella misma2 .
Entonces, podemos concluir que una matriz elemental que se obtiene al realizar la operación
elemental fi ⇆ fj sobre la matriz identidad, es invertible y además su inversa es otra matriz
elemental que se obtiene al realizar sobre la matriz identidad la misma operación elemental
fi ⇆ fj .
.:Teorema 1.16 Toda matriz elemental de orden n, es invertible y su inversa es una matriz
elemental del mismo tipo.
Demostración:
Debemos probar el teorema para los tres tipos de matrices elementales. Lo haremos sólo para el
caso fi → fi + kfj . los demás se demuestran en forma similar.
Sea E1 una matriz elemental obtenida al realizar sobre la matriz In la operación elemental
fi → fi + kfj , es decir, remplazaremos la fila i por la misma fila i sumando k veces la fila
j. Esto implica, que la fila i tendrá en la componente ij-ésima no un cero, sino el valor de k.
Entonces E1 tendría la siguiente forma:
2 Este es uno de los pocos casos en una matriz es su propia inversa.
1. Sistemas de ecuaciones lineales 72
Columna l
↓
1 0 ··· 0 ··· 0 ··· 0
0 1 ··· 0 ··· 0 ··· 0
.. .. .. .. ..
. . ··· . ··· . ··· .
0 0 ··· 1 ··· 0 ··· 0
→ Fila j
E1 =
.. .. .. .. ..
. . ··· . ··· . ··· .
0 0 1 0
··· k ··· ···
.. .. .. .. ..
→
Fila i
. . ··· . ··· . ··· .
0 0 ··· 0 ··· 0 ··· 1
↑
Columna j
Columna l
↓
1 0 ··· 0 ··· 0 ··· 0
0 1 ··· 0 ··· 0 ··· 0
.. .. .. .. ..
. . ··· . ··· . ··· .
0 0 ··· 1 ··· 0 ··· 0
→ Fila j
E2 =
.. .. .. .. ..
. . ··· . ··· . ··· .
0 0 1 0
··· −k ··· ···
.. .. .. .. ..
→
Fila i
. . ··· . ··· . ··· .
0 0 ··· 0 ··· 0 ··· 1
↑
Columna j
C = E1 E2
Es decir, C es el producto de E1 = (aij ) y E2 = (bij ). Luego la componente cij de C es la
siguiente
cij = ai1 b1j + ai2 b2j + · · · + aij bjj + · · · + ail blj + · · · + ain bnj
| {z } | {z } | {z } | {z } | {z }
0 0 (k).(1) (1).(−k) 0
Observemos que todos los sumandos de cij son cero, excepto dos; el primero es aij bjj cuyo
resultado es k, por que aij = k y bjj = 1 por estar en la diagonal de E2 . El segundo es ail blj
1. Sistemas de ecuaciones lineales 73
cuyo resultado es −k, por que ail = 1 por estar en la diagonal de E1 y blj = −k (tenga en cuenta
que l en este caso tiene el mismo valor de i). Luego cij = 0 + 0 + · · ·+ k + · · · (−k)+ · · ·+ 0 = 0.
Luego C = In . Un análisis similar se puede hacer para el producto de E2 E1 , el cual nos permite
afirmar que E2 es la inversa de E1 .
Q.E.D.
Las matrices elementales tiene la propiedad de realizar operaciones elementales sobre una matriz,
las matrices elementales que son inversas de las primeras, pueden realizar la operación inversa y
dejar la matriz como estaba originalmente. Los resultados anteriores nos permiten visualizar que
la factorización de una matriz en matrices elementales, solo es posible para matrices invertibles.
Demostración:
En este caso veremos que si A es el producto de matrices elementales, entonces es invertible.
Tomemos A = E1 E2 E3 . . . Em de tal forma que Ei son matrices elementales. Por el teorema
1.16, sabemos que todas la matrices elementales son invertibles, además por el teorema 1.10
sabemos que el producto de matrices invertibles es otra matriz invertible. Entonces tenemos que:
A = E1 E2 E3 . . . Em
A−1 = (E1 E2 E3 . . . Em )−1
−1 −1
A−1 = Em Em−1 . . . E3−1 E2−1 E1−1
−1 −1
De modo que A es invertible y su inversa esta dada por Em Em−1 . . . E3−1 E2−1 E1−1 . Tenga en
cuenta que Ei−1 también son matrices elementales.
Supongamos que A es invertible y de tamaño n × n, esto implica que podemos convertir la matriz
A en la matriz In por medio de m operaciones elementales por fila (OEF).
−→ In
A |{z}
OEF
Este número de operaciones es finito. Ahora bien, hemos visto en el teorema 1.15 que cada
operación elemental se puede remplazar por la multiplicación (por izquierda) de una matriz
elemental del mismo tipo de la operación elemental. Lo que nos dice que existen m matrices
elementales E1 E2 . . . Em que al multiplicarse por la izquierda con A se puede obtener la matriz
In .
(E1 E2 . . . Em ) A = In
Esto quiere decir que (E1 E2 . . . Em ) = A−1 (por Definición 1.29) además, recordemos que cada
Ei es invertible (por teorema 1.16) entonces:
1. Sistemas de ecuaciones lineales 74
−1
A = A−1
−1
= (E1 E2 . . . Em )
−1 −1
A = Em Em−1 . . . E3−1 E2−1 E1−1
−1 −1
Veamos que A = Em Em−1 . . . E3−1 E2−1 E1−1 se escribió como el producto de la inversa de
−1
matrices elementales, pero por el teorema 1.16, las matrices Em −1
, Em−1 , . . . , E3−1 , E2−1 ,
, E1−1 son matrices elementales.
Q.E.D.
Ejemplo 1.49
1 0 1 0 1 0 1 3 1 0 1 3
=
0 8 0 1 −5 1 5 7 0 −8 0 1
| {z } | {z 8 } | {z } | {z } | {z } | {z }
E2−1 E2 E1 A E2−1 E3−1
1 0 1 3 1 0 1 3
=
−5 1 5 7 0 −8 0 1
| {z } | {z } | {z } | {z }
E1 A E2−1 E3−1
Finalmente
1. Sistemas de ecuaciones lineales 75
1 0 1 0 1 3 1 0 1 0 1 3
=
5 1 −5 1 5 7 5 1 0 −8 0 1
| {z }| {z } | {z } | {z } | {z } | {z }
E1−1 E1 A E1−1 E2−1 E3−1
1 3 1 0 1 0 1 3
=
5 7 5 1 0 −8 0 1
| {z } | {z }| {z } | {z }
A E1−1 E2−1 E3−1
1.11.2. Factorización A = LU
Esta factorización está muy relacionada con la factorización en matrices elementales. Para
comenzar definiremos que es una matriz triangular.
Ejemplo 1.50
3 −1 4 3 0 0
1 0
A= 0 2 −1 , B = 1 −2 0 , C=
0 1
0 0 −2 −1 2 −4
La matriz A es una matriz triangular superior, la matriz B es una matriz triangular inferior y la
matriz C es la matriz identidad I2 , la cual, si tenemos en cuenta la definición, es una una matriz
triangular superior e inferior a la vez.
Las matrices triangulares superiores se pueden obtener al realizar la eliminación Gaussiana sobre
una matriz. El siguiente teorema permite factorizar una matriz como el producto de matrices
elementales y una matriz triangular superior.
.:Teorema 1.18 Sea A una matriz de n × n, entonces A se puede escribir como el producto de
matrices elementales E1 , E2 . . . Ek y una matriz triangular superior U , teniendo en cuenta que
las matrices elementales están a la izquierda y la matriz U esta a la derecha.
Demostración:
Recordemos que U es una matriz triangular superior. Ésta matriz se pueden obtener por
eliminación Gaussiana sobre la matriz A dada inicialmente. Esto se logra por medio de
1. Sistemas de ecuaciones lineales 76
operaciones elementales por fila. Según el teorema 1.15, toda operación elemental se puede
remplazar por el producto de matrices elementales. Luego la obtención de U es relativamente
fácil:
U = Ek Ek−1 . . . E2 E1 A
Ahora despejamos A obteniendo la inversa de las matrices E1 , E2 . . . Ek
Q.E.D.
Tomemos de nuevo el ejemplo 1.45, la matriz A la podemos escribir como el producto de matrices
elementales y una matriz triangular superior.
1 3
A=
5 7
Ahora bien, en el ejemplo 1.49, vemos que A se puede obtener como el producto de matrices
elementales por U .
1 3 1 0 1 0 1 3
=
5 7 5 1 0 −8 0 1
| {z } | {z } | {z } | {z }
A E1−1 E2−1 E3−1
| {z } | {z }
Matrices elementales Matriz Triangular Superior
En el ejemplo anterior, la matriz U es una matriz elemental, sin embargo es una matriz triangular
superior.
Los siguientes teoremas nos permiten observar el producto entre matrices triangulares superiores
e inferiores.
.:Teorema 1.19 Sea A y B matrices triangulares inferiores con unos en la diagonal. Entonces el
producto AB también es una matriz triangular inferior con unos en la diagonal.
Demostración:
Sean A = (aij ) de n × n y B = (bij ) de n × n, sea C = (cij ) tal que C = AB, recordemos que
Si retomamos la ecuación 1.20 y el análisis hecho en 1.21, podemos examinar que ocurre con cij
dependiendo de i y j.
cij = ai1 b1j + ai2 b2 j + · · · + aik bkj + · · · + ai(n−1) b(n−1)j + ain bnj
|{z} |{z} |{z} |{z} | {z } |{z}
0 0 1 1 0 0
| {z } | {z } | {z } | {z } | {z }
0 0 1∗1=1 0 0
Esto nos indica que si cij está en la diagonal, siempre será un uno. Esto se debe a
la propiedad de las matrices triangulares superiores, pues inicialmente los términos de
la sumatoria son cero porque las componentes bij son cero en la parte inicial, luego
coinciden cuando se multiplican los términos de la diagonal, en este caso tiene el valor
de 1. Finalmente los términos se hacen cero porque aij es cero.
Caso 2: La fila i de A y la columna j de B tal que i < j, en este caso
cij = ai1 b1j + ai2 b2 j + · · · + aik bkj + · · · + ai(n−1) b(n−1)j + ain bnj
|{z} |{z} |{z} |{z} | {z } |{z}
0 0 0 0 0 0
| {z } | {z } | {z } | {z } | {z }
0 0 0 0 0
Aquí cij siempre es cero, ésto se debe a que inicialmente los bij son cero y aij es cualquier
número. Luego, se invierten los papeles, pues bij deja de ser cero y aij pasa a ser lo.
Caso 3: La fila i de A y la columna j de B tal que i > j, en este caso, tanto las filas de A como las
columnas de B pueden ser distintas de cero, lo que eventualmente produce que cij pueda
ser un número distinto de cero.
Q.E.D.
Ejemplo 1.51
1 0 0 1 0 0 1 0 0
C = AB = 3 1 0 5 1 0 = 8 1 0
2 4 1 −1 2 1 21 6 1
En este ejemplo, podemos apreciar partes de la demostración anterior, por ejemplo, al calcular la
componente c22 (Caso i = j)
El siguiente teorema muestra que una matriz invertible se puede llevar al producto de dos matrices,
una matriz triangular superior y una matriz triangular inferior.
.:Teorema 1.21 Sea A una matriz cuadrada de n × n. Si A puede ser reducida a su forma
escalonada reducida por renglones (sin permutar renglones), entonces, A tiene factorización
LU , es decir:
A = LU
Donde L es una matriz triangular inferior con unos en la diagonal y U es una matriz triangular
superior.
Demostración:
al realizar la operación elemental fi → fi + kfj donde i > j (recuerde que en este caso no
podemos permutar dos filas o renglones). Entonces:
U = Ek Ek−1 . . . E2 E1 A
Donde E1 , E2 . . . Ek son matrices elementales que me permiten convertir la matriz A en una
matriz triangular superior U . La matriz triangular superior no necesariamente tiene unos en
la diagonal, debido a que sólo hemos usado la operación elenetal fi → fi + kfj . Ahora,
multiplicamos por la inversa de cada matriz elemental para despejar A
Q.E.D.
Ejemplo 1.52
Escribir la matriz A como el producto de matrices elementales y una matriz triangular superior.
3 6 9
A= 6 5 1
9 5 −2
primero obtenemos la matriz U por eliminación Gaussiana o multiplicando por matrices
elementales.
3 6 9 1 0 0 3 6 9 3 6 9
6 5 1 −→ −2 1 0 6 5 1 = 0 −7 −17
9 5 −2 0 0 1 9 5 −2 9 5 −2
Ahora,
3 6 9 1 0 0 1 0 0 3 6 9
0 −7 −17 −→ 0 1 0 −2 1 0 6 5 1
9 5 −2 −3 0 1 0 0 1 9 5 −2
3 6 9
= 0 −7 −17
0 −13 −29
1. Sistemas de ecuaciones lineales 80
Luego,
3 6 9 1 00 1 0 0
0 −7 −17 → 0 10 0 1 0 ...
13
0 −13 −29 0 −7 1 −3 0 1
1 0 0 3 6 9
... −2 1 0 6 5 1
0 0 1 9 5 −2
3 6 9
= 0 −7 −17
18
0 0 7
| {z }
U
3 6 9 1 0 0 3 6 9
6 5 1 = 2 1 0 0 −7 −17
13 18
9 5 −2 3 7 1 0 0 7
| {z } | {z }| {z }
A L U
A = LU
Como vemos, el proceso es un poco largo y de mucho cuidado. También podemos observar que
la matriz L contiene los números que usamos para encontrar la matriz U . El siguiente, es el
algoritmo para encontrar la factorización A = LU .
2. Hacer una lista de las operaciones elementales o almacenar las matrices elementales que se
usaron en el proceso anterior.
3. Obtener las inversas de las matrices elementales
4. Realizar el producto de estas matrices elementales inversas, ubicandolas en el orden
adecuado y colocar como último factor la matriz U .
5. Efectuar el producto de las matrices elementales inversas
6. Finalmente la matriz A queda expresada como A = LU .
AX = b
(LU )X = b
Luego, como L es invertible, existe un único vector Y tal que LY = b y como U es invertible,
entonces, existe un único vector X tal que U X = Y , es decir:
AX = L(U X) = LY = b
Ejemplo 1.53
A = LU
1 0 0 3 6 9
= 2 1 0 0 −7 −17
13 18
3 7 1 0 0 7
y1 = −1
2y1 +y2 = 5
3y1 + 13
7 y2 +y3 = 4
Luego y1 = −1, y2 = 7 y y3 = −6
El siguiente teorema nos permite asegurar que si una matriz A tiene factorización A = LU , es
posible escribir A en la forma A = LDU ′3 .
.:Teorema 1.22 Sea A una matriz cuadrada de n × n. Si A puede se puede factorizar como
A = LU , entonces es posible escribir A = LDU ′ , donde L es una matriz triangular inferior
con unos en la diagonal principal, D es una matriz diagonal, con todos las componentes de la
diagonal principal diferentes de cero y U ′ es una matriz triangular superior con con unos en la
diagonal principal.
Demostración:
Por hipótesis, podemos decir que A = LU donde L es triangular inferior con unos en la diagonal
principal y U es triangular superior con todas las componentes de su diagonal principal diferentes
de cero. Luego U debe tener la siguiente forma:
d1 u12 · · · u1n
0 d2 · · · u2n
U = . .. . . ..
. . . . .
0 0 0 dn
Con di 6= 0 (la diagonal principal debe ser diferente de cero). Entonces para convertir d1 en uno,
dividimos la primera fila por d1 , la segunda por d2 y así sucesivamente. La matriz D es una matriz
diagonal cuyos elementos de la diagonal principal son los competentes de la diagonal principal
de U . De modo que U se puede escribir como el producto de la matriz D y la matriz U ′ .
3 La diferencia entre U y U ′ es que la primera no necesariamente tiene unos en la diagonal y la segunda si.
1. Sistemas de ecuaciones lineales 83
Es fácil ver que la multiplicación de las matrices DU ′ dan como resultado la matriz U . Luego,
A = LDU
Q.E.D.
Ejemplo 1.54
3 6 9 1 0 0 3 6 9
6 5 1 = 2 1 0 0 −7 −17
13 18
9 5 −2 3 7 1 0 0 7
| {z } | {z }| {z }
A L U
3 6 9 1 0 0 3 0 0 1 2 3
2 17
6 5 1 = 1 0 0 −7 0 0 1 7
13 18
9 5 −2 3 7 1 0 0 7 0 0 1
| {z } | {z }| {z }| {z }
A L D U′
1.11.5. Factorización P A = LU
Para la factorización A = LU , la condición inicial consistía en sólo usar operaciones elementales
de la forma fi → fi + kfj . Esto limitaba el proceso a aquellas matrices que no generaran ceros
en su diagonal principal, durante el proceso de triangulación. Sin embargo, el problema se puede
1. Sistemas de ecuaciones lineales 84
solucionar fácilmente, multiplicamos por una matriz de permutación P , de tal forma que pueda
cambiar el orden la algunas filas o renglones de la matriz.
Como vimos anteriormente, una matriz de permutación P , es una matriz elemental que se obtiene
al tomar la matriz In e intercambiar dos de sus filas o renglones. Si no se requiere de ninguna
permutación, diremos que P = In . Cuando hablamos de una matriz P , esta no necesariamente
debe ser una, puede necesitarse varias de éstas.
.:Teorema 1.23 Sea A una matriz cuadrada de n×n. Entonces existe una matriz de permutación
P tal que
P A = LU
donde L es una matriz triangular inferior con unos en la diagonal y U es una matriz triangular
superior.
Demostración:
A = P A = In A = LU
Caso 2: Cuando se requiere hacer una o más permutaciones. En tal caso, se multiplica por
a la izquierda de la matriz A por las matrices de permutación que sean necesarias.
Posteriormente se procede ha hallar las matrices L y U .
Q.E.D.
Cuando factorizamos una matriz de 5 × 5 y en algún momento se requiera hacer una permutación,
esta se puede hacer de muchas formas (la primera con la última fila, la primera fila por la segunda,
etc.). Esto implica que la matriz P es diferente para cada permutación que se le haga a la matriz.
Esto nos dice que por cada P se generan matrices L y U distintas.
Ejemplo 1.55
0 0 1
P = 0 1 0
1 0 0
observemos que al hacer la multiplicación P A tenemos como resultado la matriz
0 0 1 0 2 −1
PA = 0 1 0 2 5 0
1 0 0 1 −3 1
1 −3 1
= 2 5 0
0 2 −1
0 0 1 0 2 −1 1 0 0 d e f
0 1 0 2 5 0 = a 1 0 0 g h
1 0 0 1 −3 1 b c 1 0 0 i
| {z }| {z } | {z }| {z }
P A L U
1 −3 1 1 0 0 d e f
2 5 0 = a 1 0 0 g h
0 2 −1 b c 1 0 0 i
| {z } | {z }| {z }
PA L U
d
1 = 1 0 0 · 0
0
1 = d+0+0
1 = d
Ya tenemos el valor de d, las demás ecuaciones, permiten encontrar rápidamente los valores de
a, b, c y e, f, g, h e i.
e
−3 = 1 0 0 · g
0
= e+0+0
−3 = e
1. Sistemas de ecuaciones lineales 86
f
1 = 1 0 0 · h
i
= f +0+0
1 = f
d
2 = a 1 0 · 0
0
= ad + 0 + 0
2 = a(1)
2 = a
Luego,
e f
5 = a 1 0 · g 0 = a 1 0 · h
0 i
= ae + g + 0 = af + h + 0
5 = (2)(−3) + g = (2)(1) + h
11 = g −2 = h
d
0 = b c 1 · 0
0
0 = bd + 0 + 0
0 = b
e
2 = b c 1 · g
0
= be + cg + 0
2 = (0)(−3) + c(11)
2
= c
11
1. Sistemas de ecuaciones lineales 87
f
−1 = b c 1 · h
i
= bf + ch + i
2
= (0)(1) + (−2) + i
11
4
1 = − +i
11
7
− = i
11
Luego, La factorización P A = LU es la siguiente
0 0 1 0 2 −1 1 0 0 1 −3 1
0 1 0 2 5 0 = 2 1 0 0 11 −2
2 7
1 0 0 1 −3 1 0 11 1 0 0 − 11
| {z }| {z } | {z }| {z }
P A L U
Esta forma de encontrar la factorización P A = LU , puede funcionar para matrices de tamaño
3 × 3, 4 × 4 y hasta de 5 × 5, de ahí en adelante se vuelve muy complejo, por la cantidad de
variables relacionadas con el proceso.
Ejercicios 1.7
1. Encuentre la matriz triangular inferior con unos en la diagonal L y y una matriz triangular
inferior U , tal que A = LU
a) e)
1 2
3 4
2 6 −2 0 2
b) 1 5 −1 2 5
1 2 3 7 −3 −2 5
0 3 −1 −1 1 2 3
c)
−1 5
6 3 f)
d)
1 4 6
2 4 2
2 1 −1 3
−1 3
3 2 5 −1 7 −7
2. Tome las matrices del punto anterior y realice la factorización LDU de cada una de las
matrices dadas.
3. Resuleva el sistema dado usando la factorización LU , dados A y b (resuleva Ax = LU x =
b)
1. Sistemas de ecuaciones lineales 88
a) c)
1 2 −2 1 2 −1
A= b= A= b=
3 4 4 0 3 4
d)
b)
1 4 6 −1
−1 5 0 A = 2 −1 3 b = 7
A= b=
6 3 5 3 2 5 2
4. Para cada una de las matrices dadas a continuación, encuentre: una matriz de permutación
P , una triangular inferior L con unos en la diagonal y una matriz escalonada U , tales que
P A = LU
1. 4.
0 1 −1
A= 0 0 −1 2
1 −1 2
−1 −1 1 2
2. A=
2
1 −3 6
0 0 3 −2 0 1 −1 4
0 0 2 −1
A=
3 −4 0
2
4 −5 −2 4 5.
3.
0 −1 2 1 3
5 −5 10 0 5 −1 1
−3 3 3 1 4
2 2 1 A=
A=
−2 2
1 −1 −3 6 2
0 −1 0
2 −2 −4 1 0
1 −1 10 2 5
“Las Matemáticas no son un recorrido prudente por una autopista
despejada, sino un viaje a un terreno salvaje y extraño, en el cual los
exploradores se pierden a menudo.” —
W.S. Anglin (1992)
2
Determinantes
2.1. Definición
El determinante determina la unicidad de la solución de un sistema de ecuaciones lineales.
Cardano en 1545 introdujo el caso de un determinante de 2 × 2 en su obra Ars magna, lo cual,
fue un aporte para resolver sistemas de dos ecuaciones con dos incógnitas.
Los determinantes de órdenes superiores tardaron más de cien años en aparecer. Paralelamente, el
matemático Kowa Seki en Japón y Leibniz en Alemania dieron a conocer los primeros ejemplos
de dichos determinantes.
.:Definición 2.1 El determinante de una matriz es una función con dominio Rn×n → R, en la
cual se toma una matriz cuadrada y se retorna un número real.
89
2. Determinantes 90
forma:
a11 a12
a21 a22
1 5
Ejemplo 2.1 Hallar el determinante de la matriz A = , entonces:
7 −4
a22 a23
es la matriz que se obtiene al eliminar la primera fila y la primera columna
a32 a33
de A.
a21 a23
es la matriz que se obtiene al eliminar la primera fila y la segunda columna
a31 a33
de A.
a21 a22
es la matriz que se obtiene al eliminar la primera fila y la tercera columna
a31 a32
de A.
detA = |A|
−1 −9 4 −9 4 −1
= 5 −1
+2
5 2 3 2 3 5
= 215 − 35 + 46
= 226
Sabemos que:
|A| = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31 − a11 a23 a32 − a33 a21 a12
que en forma matricial es
5 1 2 5 1
4 −1 −9 4 −1
3 5 2 3 5
En los casos anteriores, se ilustró unas formas de calcular el determinante para matrices de orden
2 × 2 y 3 × 3, a continuación, se presentara dos métodos para calcular el determinante de una
matriz de n × n.
a11 a12 ··· a1j ··· a1n
a21 a22 ··· a2j ··· a2n
.. .. .. .. .. ..
. . . . . .
A =
ai1
fila i
ai2 ··· aij ··· ain
}
. .. .. .. .. ..
.. . . . . .
an1 an2 ··· anj ··· ann
|{z}
Columna j
−1 3 4 7
M31 = , M12 =
5 7 0 −7
Dada una matriz A de orden n × n, el cofactor ij de A denotado por Aij está dado por:
5 7
A11 = (−1)1+1
2 −7
= −49
2+3
5 −1
A23 = (−1)
0 2
= (−1)10
= −10
Los determinantes que hemos visto sólo se pueden aplicar a matrices de orden 2 × 2 o 3 × 3. Para
obtener el determinante de una matriz de orden superior, utilizaremos el concepto de cofactor
aplicado recursivamente.
Sea A de orden n × n. El detA se puede expresar como expansión por cofactores, así:
n
X
detA = |A| = a11 A11 + a12 A12 + · · · + a1n A1n = a1k A1k
k=1
2. Determinantes 94
Entonces:
0 0 d 0
0 b 0 0
c d 0 0
c) A = 0 0 a −b
0 0 c d
2 5 −6 1 0
0 1 −7 6 0
d) A = 0 0 0 −7 0
0 2 1 5 −8
2 −1 5 4 0
2. Determinantes 95
Demostración:
Para el caso en que A sea triangular superior. La demostración se hará por inducción:
a11 a12
Si n = 2, entonces A = y el detA = a11 a22 − 0a12 = a11 a22 .
0 a22
Ahora supongamos que la proposición es valida para toda matriz triangular superior de orden
n − 1 y veamos que se cumple si A e de orden n.
Como M11 es triangular superior de orden n − 1, por hipótesis de inducción, se tiene que:
Luego, la proposición es válida para toda matriz triangular superior de orden n. Se deja como
ejercicio probar la proposición, para una matriz A triangular inferior.
Q.E.D.
2. Determinantes 96
detA = (1)(2)(7)
= 14
detB = (1)(−7)(5)
= −35
Si vemos la definición de matriz diagonal, se puede usar el mismo concepto de matriz triangular
inferior y superior (ver Definición 1.17):
detC = (π)(e)(k)
= πek
Demostración:
En ambos casos (2.4) y (2.5), llegamos a la definición de determinante de 2×2. Ahora, asumamos
que (2.4) y (2.5) son verdaderas para todas las matrices de tamaño (n − 1) × (n − 1) y debemos
demostrar que se cumple para todas las matrices de tamaño n × n. Para ello veremos que la
expansión de la fila 1 es igual o equivalente a la expansión de la fila i, de igual manera para las
columnas.
es la única ocurrencia de del término aik ail en la expansión por cofactores de det A en el primer
renglón.
Si se inserta (2.10) en el término (2.9) se encuentra que la última ocurrencia del término ail aik
en la expansión del renglón i de det A es
Si se puede demostrar que las expansiones (2.8) y (2.11) son iguales, entonces (2.4) quedaría
demostrada, ya que el término en (2.8) es la única ocurrencia de a1k ail en la expansión del
primer renglón, el término en (2.11) es la única ocurrencia de a1k ail en la expansión del i−ésimo
renglón, y k, i y l son arbitrarios, Esto demostrará que las sumas de términos en la expansiones
en los renglones 1 e i son iguales.
(−1)1+k a1k ail (−1)(i−1)+(l−1) |M1i,kl | = (−1)i+k+l−1 a1k ail |M1i,kl | (2.16)
2. Determinantes 99
y (2.11) se convierte en
(−1)1+l a1k ail (−1)(1+k) |M1i,kl | = (−1)i+k+l+1 a1k ail |M1i,kl | (2.17)
i+k+l−1 i+k+l+1
Pero (−1) = (−1) , de manera que los lados derechos de las ecuaciones (2.16) y
(2.17) son iguales. Así, las expresiones (2.8) y (2.11) son iguales y el teorema queda demostrado,
en el caso k < l; después, por un razonamiento similar, se encuentra que k > l,
Q.E.D.
detA = 0
Demostración:
Si A tiene una fila (columna) nula, es decir, todas las componentes de esa fila serán cero. Sea i la
fila nula de A. Entonces calculamos el determinante de dicha fila
Q.E.D.
Demostración:
Tomemos B como la matriz que se obtiene al tomar la matriz A y multiplicar la fila i por un
escalar k, es decir :
2. Determinantes 101
a11 a12 ··· a1j ··· a1n a11 a12 ··· a1j ··· a1n
a21 a22 ··· a2j ··· a2n
a21 a22 ··· a2j ··· a2n
.. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . . . .
A=
ai1
y B=
ai2 ··· aij ··· ain
kai1
kai2 ··· kaij ··· kain
. .. .. .. .. .. . .. .. .. .. ..
.. . . . . . .. . . . . .
an1 an2 ··· anj ··· ann an1 an2 ··· anj ··· ann
Q.E.D.
det(kA) = k n detA
Demostración:
Sean:
a11 a12 ··· a1j ··· a1n a11 a12 ··· a1j ··· a1n
a21 a22 ··· a2j ··· a2n
a21 a22 ··· a2j ··· a2n
.. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . . . .
A=
ai1
, y B=
ai2 ··· aij ··· ain
bi1
bi2 ··· bij ··· bin
. .. .. .. .. .. . .. .. .. .. ..
.. . . . . . .. . . . . .
an1 an2 ··· anj ··· ann an1 an2 ··· anj ··· ann
2. Determinantes 102
a11 a12 ··· a1j ··· a1n
a21 a22 ··· a2j ··· a2n
.. .. .. .. .. ..
. . . . . .
C =
ai1 + bi1
ai2 + bi2 ··· aij + bij ··· ain + bin
.. .. .. .. .. ..
. . . . . .
an1 an2 ··· anj ··· ann
Ahora, desarrollando el detC tenemos
detC = (ai1 + bi1 )Ci1 + (ai2 + bi2 )Ci2 + · · · + (ain + bin )Cin
= (ai1 Ci1 + ai2 Ci2 + · · · + ain Cin ) + (bi1 Ci1 + bi2 Ci2 + · · · + bin Cin )
detC = (ai1 Ai1 + ai2 Ai2 + · · · + ain Ain ) + (bi1 Bi1 + bi2 Bi2 + · · · + bin Bin )
= detA + detB
Nota: La propiedad 3, de ninguna manera debe confundirse con det(A + B) = detA + detB,
igualdad que generalmente es falsa
Q.E.D.
Demostración:
Construyamos la matriz B de forma que se tome la matriz A y se intercambian las filas adyacentes
i e (i + 1), de forma que:
a11 a12 ··· a1n a11 a12 ··· a1n
a21 a22 ··· a2n
a21 a22 ··· a2n
.. .. .. .. .. .. .. ..
. . . .
. . . .
ai1
A= ai2 ··· ain a(i+1),1
y B= a(i+1),2 ··· a(i+1),n
a(i+1),1 a(i+1),2 ··· a(i+1),n ai1 ai2 ··· ain
.. .. .. .. .. .. .. ..
. . . . . . . .
an1 an2 ··· ann an1 an2 ··· ann
′
B(i+1),j = (−1)i+1+j |M(i+1),j |
= (−1)i+1+j |M ij |
= −(−1)i+j |M ij |
= −Aij
Como vemos, B(i+1)j = −Aij , es decir, B(i+1)j = (−1)Aij , si calculamos de nuevo el detB
teniendo en cuenta este resultado obtenemos lo siguiente:
Lo que muestra es que, al intercambiar dos filas adyacentes de una matriz, el procedimiento se
verá reflejado en el determinante al cambiar de signo.
Ahora supongamos que la matriz B se construye de la misma manera, pero las filas que se
intercambian no son adyacentes.
a11 a12 · · · a1n a11 a12 ··· a1n
a21 a22 · · · a2n a21 a22 ··· a2n
.. .. .. .. .. .. .. ..
.
. . . .
. . .
aj1 aj2 · · · ajn ai1 ai2 ··· ain
A= . . . . y B= . .. .. ..
.. .. .. .. .. . . .
ai1 ai2 · · · ain aj1 aj2 ··· ajn
. .. .. .. . .. .. ..
.. . . . .. . . .
an1 an2 · · · ann an1 an2 ··· ann
En este caso, se toman las filas i y j de modo que j > i. Para demostrarlo de esta forma tendríamos
que intercambiar varias veces las filas hasta que, ambas filas, i y j estén adyacentes. Este proceso
conlleva realizar i − j intercambios de filas adyacentes. La j−ésima fila se moverá una posición,
es decir a la j + 1 fila, esto implica (i − (j + 1)) intercambios adicionales para que las dos filas
queden adyacentes. Luego el número total de intercambios serán: (i−j)+(i−j −1) = 2i−2j-1,
el cual lo podemos ver de la siguiente forma 2(i − j)-1 que es un numero impar de movimientos,
y por por (2.18)
2. Determinantes 104
Esto es, al intercambiar dos filas cuales quiera de A, el determinante de la matriz así obtenida es
igual a detA multiplicado por -1.
Q.E.D.
Demostración:
a11 a12 ··· a1n
a21 a22 ··· a2n
.. .. .. ..
. . . .
ai1 ai2 ··· ain
B= . .. .. ..
.. . . .
aj1 aj2 ··· ajn
. .. .. ..
.. . . .
an1 an2 ··· ann
Como ambas filas son iguales, al intercambiarlas el resultado es de nuevo la matriz A, es decir:
A = B
detA = detB
= −detA
detA + detA = 0
2detA = 0
detA = 0
Q.E.D.
Demostración:
Supongamos que la fila j es múltiplo escalar de la fila i, es decir βajk = aik para todo
k = 1, 2, . . . , n. y β ∈ R.
a11 a12 ··· a1n
a21 a22 ··· a2n
.. .. .. ..
.
. . .
aj1 aj2 ··· ajn
A= . .. .. ..
.. . . .
βaj1 βaj2 ··· βajn fila i
. .. .. ..
.. . . .
an1 an2 ··· ann
Usando la propiedad 1, podemos decir que detA = βdetA, pero como A, al factorizar β, queda
con dos filas iguales, entonces podemos aplicar la propiedad 5, lo que implicaría que detA = 0.
Q.E.D.
2. Determinantes 106
Demostración:
a11 a12 ··· a1n a11 a12 ··· a1n
a21 a22 ··· a2n
a21 a22 ··· a2n
.. .. .. .. .. .. .. ..
. . . .
. . . .
aj1 aj2 ··· ajn aj1 aj2 ··· ajn
A= . .. .. .. y B= . .. .. ..
.. . . . .. . . .
ai1 ai2 ··· ain kaj1 kaj2 ··· kajn
. .. .. .. . .. .. ..
.. . . . .. . . .
an1 an2 ··· ann an1 an2 ··· ann
Podemos observar que detB = 0 por la propiedad 6. Si aplicamos la propiedad 3, tenemos que
Q.E.D.
Los siguientes ejemplos muestran los beneficios de aplicar las propiedades de los determinantes
frente a usar el método por cofactores.
2. Determinantes 107
1 3 5 2
0 −1 3 4
|A| =
0 −5 − 1 2
0 −7 −11 2
- Multiplicamos el renglón 2 por -5 y lo sumamos al tercero.
- Multiplicamos el renglón 2 por -7 y lo sumamos al cuarto, entonces:
1 3 5 2
0 −1 3 4
|A| =
0 0 −16 −18
0 0 −32 −26
- Multiplicamos el renglón 3 por -2 y lo sumamos al cuarto y se obtiene:
1 3 5 2
0 −1 3 4
|A| =
0 0 −16 −18
0 0 0 10
Como la matriz que se obtiene es triangular superior, detA=producto de los elementos en la
diagonal principal
2 0 2 1
Solución:
Hallamos que:
2 2 0 4 1 1 0 2
3 3 2 2 3 3 2 2
detA = = 2 Propiedad de la multiplicación por un escalar
0 1 3 2 0 1 3 2
2 0 2 1 2 0 2 1
1 1 0 2
0 0 2 −4
= 2 Dos veces la propiedad de suma de filas
0 1 3 2
0 −2 2 −3
1 1 0 2
0 1 3 2
= −2 Propiedad de intercambio de filas
0 0 2 −4
0 −2 2 −3
1 1 0 2
0 1 3 2
= −2 Propiedad de suma de filas
0 0 2 −4
0 0 8 1
2. Determinantes 109
1 1 0 2
0 1 3 2
= −2 (2) Propiedad de multiplicación por escalar
0 0 1 −2
0 0 8 1
1 1 0 2
0 1 3 2
= −2 (2) Propiedad de suma de filas
0 0 1 −2
0 0 0 17
La matriz tiene elementos que son cero en la segunda fila, por lo que el desarrollo por esta segunda
fila debería conllevar menos trabajo. Sin embargo, se puede realizar una operación elemental entre
columnas para obtener un cero en la posición (2, 3): sumar la columna 1 a la columna 3. Ya que
esto no cambia el valor del determinante se obtiene:
1 −1 3 1 −1 4
−1 4
detA = 1 0 −1 = 1 0 0 = −
= 12
2 1 1 8
6 2 1 8
donde se ha desarrollado la segunda matriz 3 × 3 por la fila 2.
a b c a+x b+y c+z
Ejemplo 2.13 Si det p q r = 6, calcular detA donde A = 3x
3y 3z
x y z −p −q −r
Solución:
Solución:
1 x x 1 x x
1 − x2 x − x2
detA = x 1 x = 0 1 − x2 x − x2 =
x − x2 1 − x2
x x 1 0 x − x2 1 − x2
En este caso, se podría evaluar únicamente el determinante (el resultado es 2x3 − 3x2 + 1 y
posteriormente factorizar el polinomio para encontrar los valores de x que lo hacen cero. Sin
embargo, esta factorización se puede obtener directamente si se factoriza primero cada elemento
del determinante y se saca el factor común (1 − x) de cada fila:
(1 − x) (1 + x) x (1 − x)
detA =
x (1 − x) (1 − x) (1 + x)
2 1+x x
= (1 − x)
x 1+x
= (1 − x)2 (2x + 1)
2
De aquí se deduce que detA = 0 significa (1 − x) (2x + 1) = 0, por lo que x = 1 o x = − 21
Solución:
Ahora (a2 − a1 )y (a3 − a2 ) son factores comunes de las primera y la segunda columna, por lo
que:
1 1 1
a1
1 1
a2 a3 = (a3 − a2 ) (a2 − a1 )
2 a2 + a1 a3 + a2
a1 a22 a23
= (a3 − a2 ) (a2 − a1 ) (a3 − a1 )
Ejercicios 2.2
2. Determinantes 111
1. Suponiendo que:
a11 a12 a13
a21 a22 a23 =8
a31 a32 a33
calcule los siguientes determinantes:
a21 a22 a23 −3a11 −3a12 −3a13
a) a31 a32 a33 d) 2a21 2a22 2a23
a11 a12 a13 5a31 5a32 5a33
a11 a13 a12 a11 2a13 a12
b) a21 a23 a22 e) a21 2a23 a22
a31 a33 a32 a31 2a33 a32
a11 a12 a13 a12 a11 2a12 − a11
c) 2a21 2a22 2a23 f ) a22 a21 2a22 − a21
a31 a32 a33 a32 a31 2a32 − a31
Procedimiento:
1. Elegir en el determinante un elemento pivote de valor 1. Si el pivote uno, no se encuentra,
se aplican propiedades hasta hallarlo.
2. Se determina la fila o columna a la cual pertenece el pivote. Supongamos que 1 está en
ubicado en la fila 2 y la columna 3.
Por ejemplo:
2. Determinantes 112
a11 a12 a13 a14
a21 a22 1 a24
|A| =
a31 a32 a33 a34
a41 a42 a43 a44
En este caso i = 2 y j = 3
3. Se obtiene un determinante de menor orden en la siguiente forma:
a11 − a21 a13 a12 − a22 a13 a14 − a24 a13
i+j
|A| = (−1) a31− a21 a13 a32− a22 a13 a34 − a24 a13
a41− a21 a13 a42 − a22 a13 a44 − a24 a13
1 3 −1 −1
1 − 3 (−1) 3 − (−1) (−1) −1 − (−4) (−1)
2 −2 1 3 3+3
|A| = = (−1) 2 − 3 (1) −2 − (−1) (1) 3 − (−4) (1)
3 −1 1 −4 8 − 3 (−2) 2 − (−1) (−2) −4 − (−4) (−2)
8 2 −2 −4
4 2 −5
= + −1 −1 7
14 0 −12
3 − (2) (0) 0 − (2) (−2) 4 − (2) (0) 7 − (2) (0)
6 2 − (5) (0) 6 − (5) (−2) 2 − (5) (0) 8 − (5) (0)
= (−1)
4 − (2) (0) 2 − (2) (−2) 3 − (2) (0) 3 − (2) (0)
0 − (4) (0) 2 − (4) (−2) 2 − (4) (0) 2 − (4) (0)
3 4 4 7
2 16 2 8
=
4 6 3 3
0 10 2 2
Volvemos aplicar el método de Chió, pero como no tenemos un 1, debemos aplicar la operación
de fila: f3 → f3 − f4
3 4 4 7 3 4 4 7
2 16 2 8 2 16 2 8
4 6 3 3 f3 → f3 − f4 4 −4 1 1
0 10 2 2 0 10 2 2
Ahora aplicamos el método de Chió teniendo como pivote el valor 1 de la fila 3 columna 3.
3 − (4) (4) 4 − (−4) (4) 7 − (4) (1) −13 20 3
3+3
= (−1) 2 − (4) (2) 16 − (−4) (2) 8 − (2) (1) = + −6 24 6
0 − (4) (2) 10 − (−4) (2) 2 − (2) (1) −8 18 0
Ahora aplicamos el método de Sarrus para hallar el determinante y obtenemos: detA=696
.:Teorema 2.10 Sea E una matriz elemental definida por la operación elemental fi → kfi ,
entonces, detE = k
2. Determinantes 114
Demostración:
Es fácil ver que el determinarte de una matriz identidad I de tamaño n es 1, pues la matriz
identidad es triangular inferior y superior a la vez, luego por el Teorema 2.1, tenemos que el
detI = 1.
Ahora bien, si E es de la forma fi → kfi , entonces una de las filas de I se esta multiplicando por
un número k, si aplicamos la propiedad 2, tendemos que:
Q.E.D.
.:Teorema 2.11 Sea E una matriz elemental definida por la operación elemental fi → fi + kfj ,
entonces, detE = 1
Demostración:
Q.E.D.
.:Teorema 2.12 Sea E una matriz elemental definida por la operación elemental fi ⇆ fj ,
entonces, detE = −1
Demostración:
Q.E.D.
Solución:
El siguiente teorema puede contestar la pregunta que hicimos al principio de esta sección:
¿es posible saber, apriori, si un sistema ecuaciones lineales tiene única solución o múltiples
soluciones?. Es decir, si una matriz es invertible o no, se puede establecer que un sistema tiene
solución única o múltiples soluciones.
.:Teorema 2.13 Sea A una matriz de tamaño n×n, entonces A es invertibles si y sólo si detA 6= 0
Demostración:
detA = ±detU
El ± depende de la cantidad de veces que se apliquen operaciones elementales de permutación,
pues si es un número par de veces será + y si es un número impar de veces será un - .
Supongamos que A es invertible, entonces U es una matriz triangular superior con todos los
elementos de la diagonal principal diferentes e cero, es decir esta en la forma FER (Definición
1.11 y teorema 1.12), entonces por el teorema 2.1 tenemos que:
Ahora bien, supongamos que detA 6= 0, como detA = ±detU , luego detU 6= 0 y por ser U
triangular superior, entonces aplicamos de nuevo el teorema 2.1 y tenemos que
Q.E.D.
2. Determinantes 116
Su inversa es
5 9
− 13 − 13
A−1 =
2 1
− 13 − 13
Y si calculamos detA = 5 − 18 = 13, luego detA 6= 0
detA = ±d1 d2 · · · dn
Demostración:
Tomemos A una matriz cuadrada de orden n e invertible. Entonces por el teorema 1.21, podemos
encontrar LU , pero en este caso no usaremos la operación elemental fi → kfi . Como A es
invertible, entonces U tiene n pivotes distintos de cero (en la diagonal de U ), luego, por las
propiedades 4 y 7 tenemos
detA = detU
= ±d1 d2 · · · dn
Q.E.D.
Demostración:
Ahora, supongamos que A es invertible entonces, por el teorema 1.21, podemos encontrar LU ,
pero en este caso no usaremos la operación elemental fi → kfi . Ahora tomamos la matriz U y
2. Determinantes 117
por medio de operaciones elementales por fila (sin usar fi → kfi ), la convertimos en una matriz
diagonal D. Por propiedades 4 y 7 tenemos que:
detA = ±detD
Por el teorema 1.17 y el teorema 1.15 podemos convertir A en la matriz D, multiplicando A por
matrices elementales
D = E1 E2 · · · Ek−1 Ek A
Ahora usaremos esta factorización de tal forma que
AB = DB
= (E1 E2 · · · Ek−1 Ek A) B
Donde todos los Ei son matrices elementales que no son del tipo fi → kfi , entonces
detAB = ±detDB
Pero
d1 b11 b12 ··· b1n d1 b11 d1 b12 ··· d1 b1n
d2
b21 b22 ··· b2n
d2 b21 d2 b22 ··· d2 b2n
DB = .. .. .. .. = .. .. ..
. . . . . . .
dn bn1 bn2 ··· bnn dn bn1 dn bn2 ··· dn bnn
det(AB) = ±detDB
b11 b12 · · · b1n
d2 b21 d2 b22 · · · d2 b2n
= ±d1 .. .. ..
. . .
dn bn1 dn bn2 · · · dn bnn
b11 b12 · · · b1n
d2 b21 d2 b22 · · · d2 b2n
±d1 d2 .. .. ..
. . .
dn bn1 dn bn2 · · · dn bnn
..
.
b11 b12 ··· b1n
d2 b21 d2 b22 ··· d2 b2n
±d1 d2 · · · dn .. .. ..
. . .
dn bn1 dn bn2 ··· dn bnn
que es igual a
2. Determinantes 118
detAB = ±detDdetB
= detA · detB
Q.E.D.
Otro resultado importante en el cálculo del determinarte, tiene que ver con la traspuesta de una
matriz. El siguiente teorema muestra que el determinante de una matriz y el de su traspuesta es el
mismo.
detA = detAt
Demostración:
A = LU
Asumiendo de que A no necesita permutaciones. Entonces, aplicando el teorema 1.7
At = (LU )t
= U t Lt
Calculamos el determinante
detAt = det U t Lt
= detU t detLt
Sabemos que detL = 1 por el teorema 2.1, luego su traspuesta es una matriz triangular y por tanto
detLt = 1, luego
detAt = detU t
2. Determinantes 119
El mismo análisis se puede usar para afirmar que detA = detU . Pero sabemos que U es una
matriz triangular superior, al trasponerla pasaría a ser una matriz triangular inferior, pero ambas
U y U t tendrían los mismos elementos en la diagonal, aplicando el teorema 2.1, entonces:
detU = detU t
Luego
Sólo nos queda ver que pasa con el determinante de una matriz de permutación, pero es muy fácil
demostrar que detP = detP t y además detP = ±1. Por lo tanto
detA = detAt
Q.E.D.
Solución:
Calculamos At
−4 3 1
At = 2 −5 −2
9 −6 6
Luego, detA = 111 y detAt = 111
2. Determinantes 120
.:Teorema 2.17 Sea A una matriz cuadrada de orden n, Si A es invertible, entonces detA 6= 0 y
además
1
detA−1 =
detA
Demostración:
Si A es invertible, entonces por el teorema 2.13, que detA 6= 0, ahora bien, Sabemos que
el determinante de una matriz identidad de tamaño n es 1, pues su determinarte se calcula
multiplicando los elementos de la diagonal (teorema 2.1). Tambien recordemos que por definición
de inversa de una matriz
AA−1 = A−1 A = In
Entonces
1 = detIn
= det AA−1 = 1
= detAdetA−1
detA−1 detA = 1
luego
1
detA−1 =
detA
Q.E.D.
El cálculo de la AdjA puede resultar muy largo, debido a la cantidad de cofactores implícitos en
la matriz original.
Solución:
Para hallar la adjunta primero debemos hallar los cofactores de A, es decir, los componentes de
la matriz B de la definición 2.7.
2
5 1 −3
3 5
A11 = (−1) = 22 A21 = (−1)
= 30
−7 3 0 −7
−3 1 2 −6
A12 = (−1)3 =9 A22 = (−1)4 =6
0 3 0 3
−3 5 5 2
4
A13 = (−1)4 = 21 A23 = (−1) = 14
0 −7 0 −7
2. Determinantes 122
4
4 −6 2 4
6
A31 = (−1) = 34 A33 = (−1) = 22
5 1 −3 5
2 −6
A32 = (−1)5 = 16
−3 1
Los siguientes teoremas muestran la relación existente entre una matriz, su adjunta y el
determinante.
Demostración:
Sea
a11 a12 ··· a1n
a21 a22 ··· a2n
.. .. .. ..
. . . .
ai1 ai2 ··· ain
B= . .. .. ..
.. . . .
ai1 ai2 ··· ain
→ fila j
. .. .. ..
.. . . .
an1 an2 ··· ann
Como dos filas son iguales entonces el detB = 0, Pero B = A salvo por la fila j. Si expandimos
la fila j por cofactores para hallar el determinantes, tenemos
y en este caso el teorema queda demostrado. Pero, si al hacer la expanción del renglón j, esta fila
se elimina al calcular los cofactores de B. Así Bjk = Ajk para k = 1, 2, . . . , n.
Q.E.D.
2. Determinantes 123
A(AdjA) = (detA)In
En otras palabras
1 0 0 ··· 0 detA 0 0 ··· 0
0 1 0 ··· 0
0 detA 0 ··· 0
(A)(AdjA) = (detA) 0 0 1 ··· 0
= 0 0 detA · · · 0
.. .. .. .. .. .. .. ..
. . . .0 . . . . 0
0 0 0 0 1 0 0 0 0 detA
Demostración:
Así,
detA 0 0 ··· 0
0 detA 0 ···
0
(A)(AdjA) = 0 0 detA · · ·
0
.. .. .. ..
. . . . 0
0 0 0 0 detA
Q.E.D.
2. Determinantes 124
El siguiente teorema se puede considerar como una forma alternativa de encontrar la inversa de
una matriz.
Demostración:
AB = In
1
A AdjA = In
detA
| {z }
B
1
recordemos que detA es un escalar, el cual puedo sacar del producto, es decir, primero puedo
multiplicar las matrices y luego el escalar.
1 1
A(AdjA) = (detA) In
detA detA
= In
2. Determinantes 125
Q.E.D.
Éste método para hallar la inversa es muy costoso computacionalmente, pues se requiere de
calcular n2 determinantes de n − 1 y un determinante de orden n (ver [2]). Para hallar la inversa
de una matriz se utiliza otro tipo de algoritmos más eficientes.
22 30 34
1
A−1 = − 9 6 16
46
21 14 22
11 15 17
− 23 − 23 − 23
= −9 −3 8
− 23
46 23
21 7 11
− 46 − 23 − 23
Demostración:
Como A es invertible, entonces el sistema AX = b tiene solución única, la cual esta dada por
X = A−1 b. El teorema 2.20 nos dice que
1
A−1 = AdjA
detA
Así que usamos este resultado para reemplazarlo en X = A−1 b
X = A−1 b
1
= AdjA b
detA
A11 A21 ··· An1 b1
A12 A22 ··· An2
b2
.. .. ..
..
1 . . .
.
AdjA b =
A1j A2j · · · Anj bj
detA
. .. .. ..
.. . . .
A1n A2n · · · Ann bn
b1 A11 + b2 A21 + · · · + bn An1
b1 A12 + b2 A22 + · · · + bn An2
..
.
= b1 A1j + b2 A2j + · · · + bn Anj
..
.
b1 A1n + b2 A2n + · · · + bn Ann
h i
1
Luego, la j−ésima componente de detA
AdjA b es = b1 A1j + b2 A2j + · · · + bn Anj , entonces
1
xj = (b1 A1j + b2 A2j + · · · + bn Anj )
detA
(b1 A1j + b2 A2j + · · · + bn Anj )
=
detA
2. Determinantes 127
Solución:
−x1 + x2 + x3 = 7
x1 − x2 + x3 = 3
x1 + x2 − x3 = 1
Solución:
−1 1 1
D = detA = 1 −1 1 =4
1 1 −1
Ejercicios 2.3
1. Resolver los siguientes determinantes por a) Método de los cofactores, b) Método de Chio
y comparar el número de operaciones ejecutadas en cada uno de ellos:
2. Determinantes 129
2 −1 3 −2 2 −1 1 3 1
0 1 3 2 −4 2 −2 1 0
a)
−1 2 1 4 d) 6 −3 0 1 0
0 1 3 2 1 1 1 −1 2
1 2 −3 4
2 0 3 1 1
3 4 −7 6 a 0 0 0 0
b)
5 6 −7 5 0 0 b 0 0
−8 −9
1 2 e) 0 0 0 0 c
2 3 −1 5
0 0 0 d 0
3 2 1 −6 0 e 0 0 0
c)
−5 −7 2 −8
4 1 −4 2
5x + 2x2 − x3 = 3
a) 2x1 + 3x2 + 4x3 = −1
3x1 + 4x2 + 2x3 = 8
Solución: x1 = −2, x2 = 5 y x3 = −3
−2x1 + 3x2 − x3 = −5
b) −3x1 + x2 − 2x3 = −12
x1 + 2x2 − 3x3 = −1
Solución: x1 = 3, x2 = 1 y x3 = 2
x1 + 3x2 − x3 = 2
4x1 + x2 − 2x3 + 3x4 = 4
c)
−x1 + 5x2 + 3x3 − x4 = 1
3x1 + 2x2 + x3 + x4 = −2
Solución: x1 = −2, x2 = 1 , x3 = −1 y x4 = 3
−2x1 + 3x2 + 2x3 = −1
x1 + x3
− 2x4 = 3
d)
2x1 + x2 − x4 = 2
− x2 + x3 − 4x4 = 0
Solución: x1 = 2, x2 = −1 , x3 = 3 y x4 = 1
4 0 3 0
2 5 −6 8 0
0 1 −7 6 0
b) B = 0 0 0 4 0 |B| = 640
0 2 1 5 1
4 −1 5 3 0
2. Determinantes 130
detA = |x1 y2 − y1 x2 |
x1
Ahora, graficamos los vectores columna de A. El primer vector u = y el segundo
y1
x2
v = . Para graficar un vector, primero ubicamos el punto (x1 , y1 ) y extendemos una
y2
recta entre el origen del sistema y el punto, esta “flecha” es la representación geométrica del
vector u. De igual forma graficamos el vector v. (ver figura 2.1)
A partir de u dibujamos de nuevo el vector v con la misma forma y misma dirección (paralelo).
De igual manera hacemos con v, a partir de v dibujamos el vector u.
Este paralelogramo que se forma con v y u tiene una área D. La interpretación geométrica del
área del paralelogramo es el determinante de la matriz que tiene como vectores columna a u y a
v. (ver figura 2.2)
.:Teorema 2.22 Sea A una matriz cuadrada de orden 2, entonces el área D del paralelogramo
que se forma con los vectores columna de A es igual al detA.
2. Determinantes 131
(x2 , y2 )
y2 b
(x1 , y1 )
y1 u
b
x2 x1
u
b
v
D v
ea
Ár
b
Demostración:
Sin perder generalidad, abordaremos la demostración desde el punto de vista geométrico2. Otras
demostraciones se pueden ver en [1] y [3].
Nombraremos el paralelogramo como ABCO, esta área es la que queremos encontrar. Ahora
veamos las áreas de los triángulos a los que llamaremos T1 , T2 , T3 y T4 y las áreas de los
rectángulos nombrados como C1 y C2 . De otro lado, el punto B tiene coordenadas (x1 +x2 , y1 +
y2 ), el punto D tiene coordenadas (x1 + x2 , y1 ) y el punto F tiene coordenadas (x2 , y1 + y2 ).
Analicemos las áreas T1 y T2 determinadas por los triángulos F BC y AO (x1 ). Es fácil ver que
ambos triángulos son triángulos rectángulos y además congruentes entre si, pues tienen la misma
base y la misma altura.
2 Los autores han decidido usar una demostración geométrica, que aunque es mas larga, es más sencilla para lectores
no expertos en vectores, recordemos que el tema de los vectores se abordará en el siguiente capítulo.
2. Determinantes 132
F B(x1 + x2 , y1 + y2 )
y2 + y1 b b
y1 C
y2 b
y2
v
y1 b b
D
A
u
O x2 x1 x1 + x2
x2
b b
Área C2 Área T1
b
Área T3
Área D
Área T4
b b
Área T2 Área C1
x1 y1
T1 = (2.19)
2
[(x1 + x2 ) − x2 ] [(y1 + y2 ) − y2 ]
T2 =
2
x1 y1
= (2.20)
2
x1 y1
Luego T1 = T2 = . Podemos hacer un análisis similar para las áreas T3 y T4 , pues los
2
triángulos DAB y OC (y2 ) son triángulos rectángulos y además congruentes, pues tiene la misma
báse y la misma altura.
x2 y2
T3 = (2.21)
2
2. Determinantes 133
[(x1 + x2 ) − x1 ] [(y1 + y2 ) − y1 ]
T4 =
2
x2 y2
= (2.22)
2
x2 y2
Entonces T3 = T4 = . Ahora, las áreas C1 y C2 representadas por los rectángulos
2
AD (x1 ) (x1 + x2 ) y F C(y2 )(y1 + y2 )
C1 = [(x1 + x2 ) − x1 ] y1
= x2 y1 (2.23)
C2 = x2 [(y1 + y2 ) − y2 ]
= x2 y1 (2.24)
Pero el Áreat total es la suma de las áreas T1 , T2 , T3 y T2 , las áreas de los rectángulos C2 y C2 y
el área D
x1 y1 x1 y1 x2 y2 x2 y2
Área Total = + + + + x2 y1 + x2 y1 + área D (2.27)
2 2 2 2
= x1 y1 + x2 y2 + 2x2 y1 + área D (2.28)
Q.E.D.
5 2
Ejemplo 2.28 Hallar el determinante de la matriz A = y comprobar el área del
1 4
paralelogramo formado por los vectores columnas de A
Solución:
C2 T1
4
T4 T3
Área D
2
T2 C1
0
0 1 2 3 4 5 6 7 8
Figura 2.5:
Es fácil ver que las áreas T1 y T2 de los triángulos son congruentes y su área es (5)(1)
2 = 52 , como
5 5
son dos triángulos, entonces T1 + T2 = 2 + 2 = 5. De igual manera para los triángulos T3 y T4 ,
en este caso el área es (2)(4)
2 = 4, como son dos triángulos tenemos T3 + T4 = 4 + 4 = 8, por
último tenemos los dos rectángulos C1 y C2 , los cuales tiene área 2, luego C1 + C2 = 2 + 2 = 4.
El área total es (7)(5) = 35, luego
Podemos ver, que tanto el área como el determinante de la matriz son iguales, en este caso no se
tubo en cuenta el valor absoluto en la ecuación, pues ambos resultados fueron positivos.
2. Determinantes 135
b a
a−b
a 1
b = a(1) − b(1) = a − b
1
Entonces, podemos ver que el determinante bajo las condiciones anteriores permite encontrar la
distancia entre dos puntos sobre una recta.
Solución:
−2 −1 0 1 2 3 4 5
5 − (−2)
C(x3 , y3 )
A(x1 , y1 )
B(x2 , y2 )
Para hallar el área haremos una traslación al origen teniendo en cuenta el punto A, es decir, a cada
coordenada x de todos los puntos le restamos la coordenada x del punto A, y de igual manera con
las coordenadas y de los puntos.
Pero, recordemos que con este cálculo es para el paralelogramo, asi que para obtener el área del
triágulo debemos multiplicar por 21
1 x2 − x1 y2 − y1
Área del triángulo =
2 x3 − x1 y3 − y1
1
= [(x2 − x1 )(y3 − y1 ) − (x3 − x1 )(y2 − y1 )]
2
Ejemplo 2.30 Calcular el área del triángulo cuyos vértices son A(4, 4), B(6, 1) y C(1, 2)
De acuerdo con la deducción anterior del área del triángulo se tiene que:
2. Determinantes 137
3
C ′ (x3 − x1 , y3 − y1 )
1
D
0
0 1 2 3 4 5 6 7 8
A′ (0, 0)
B ′ (x2 − x1 , y2 − y1 )
1 (6 − 4) (1 − 4)
Área del triángulo =
2 (1 − 4) (2 − 4)
1 2 −3
=
2 −3 −2
1 13
= [−4 − 9] = −
2 2
Como el área del triángulo
es el valor absoluto del determinante de la matriz, entonces, el área
del triangulo = − 13
2
= 6.5
A
4 b
3
a
b
C
2 b
c B
1 b
−1 1 2 3 4 5 6
−1
P
R
Ejemplo 2.31 Calcular el volumen del paralelepípedo formado por los puntos P (1, 0, 2),
Q(2, 4, 2) y R(2, 1, 2)
Ejercicios 2.4
2 6
c) u = yv=
9 3
a b
d) u = yv= con a, b ∈ R
b a
a) Entre 4 y 18
b) Entre 5 y 9
c) Entre -10 y 6.2
d) Entre −a y a
a)
1
a a2 − bc
1
b b2 − ac
1 c c2 − ab
b)
1 1 1
a b c
b+c a+c a+b
3
Espacios vectoriales
3.1. Definición
Un espacio vectorial se puede ver como un conjunto de vectores que cumplen una larga lista
de axiomas, sin embargo, esta definición va mucho más allá de ser conjunto de vectores. La
característica principal de los espacios vectoriales radica en que es una condición necesaria para
ser una base para otros temas, tanto en álgebra lineal como en el cálculo.
.:Definición 3.1 Diremos que el conjunto de vectores V , con dos operaciones, adición y producto
por escalar, son un espacio vectorial si satisfacen los siguientes axiomas:
140
3. Espacios vectoriales 141
7. Para todo escalar α y para todo v1 y v2 ∈ V , se cumple que α(v1 + v2 ) = αv1 + αv2 .
Distributiva del producto escalar frente a la suma de vectores.
Si estamos en el campo de los números reales, diremos que es un espacio vectorial real. Si estamos
en el campo de los complejos, diremos que es un espacio vectorial complejo.
Para empezar con los ejemplos, es muy importante reconocer cuando un conjunto de vectores es
un espacio vectorial y cuando no lo es. Los siguientes ejemplos muestra tal situación:
V = {(x, y) : ax + by = 0, a, b ∈ R}
2
V es el conjunto de puntos en R , tal que esta sobre el conjunto de rectas que pasan por el origen
del sistema coordenado.
a(x2 + x3 ) + b(y2 + y2 ) = 0
a(x1 + x2 + x3 ) + b(y1 + y2 + y2 ) = 0
En esta ecuación, podemos aplicar la ley asociativa de los números reales de la siguiente
forma:
a ((x1 + x2 ) + x3 ) + b ((y1 + y2 ) + y2 ) = 0
a(x2 + x1 ) + b(y2 + y1 ) = 0
Luego v1 + v2 = v2 + v1 .
6. Tomemos v1 = (x1 , y1 ), tal que v1 ∈ V y sea α ∈ R. Entonces αv1 = (αx1 , αy1 ) estaría
dado de la siguiente forma:
a(αx1 ) + b(αy1 ) = 0
y seguiría representando una recta que pasa por el origen.
3. Espacios vectoriales 143
aα(x1 + x2 ) + bα(y1 + y2 ) = 0
α (βax1 + βby2 ) = 0
αβax1 + αβby2 = 0
(1)(ax1 + by1 ) = 0
ax1 + by1 = 0
.:Definición 3.2 Definimos Pn como el conjunto de todos los polinomios que tienen grado igual
o menor a n. de modo que:
Pn = P |p(x) = an xn + an−1 xn−1 + . . . + a1 x + a0
donde a1 , a2 , . . . , an ∈ R.
3. Espacios vectoriales 144
p+q = a1 x2 + b1 x + c1 + a2 x2 + b2 x + c2
= (a1 + a2 ) x2 + (b1 + b2 ) x + (c1 + c2 )
Que también es un polinomio de grado menor o igual a dos, lo que implica que (p+q) ∈ V .
2. Supongamos que p, q, r ∈ V , de modo que p = a1 x2 + b1 x + c1 , q = a2 x2 + b2 x + c2 y
r = a3 x2 + b3 x + c3 , entonces
p + (q + r) = a1 x2 + b1 x + c1 + a2 x2 + b2 x + c2 + a3 x2 + b3 x + c3
= a1 x2 + b1 x + c1 + a2 x2 + b2 x + c2 + a3 x2 + b3 x + c3
= (p + q) + r
p+0 = a1 x2 + b1 x + c1 + 0x2 + 0x + 0
= a1 x2 + b1 x + c1
= p
luego p + 0 = p
4. Tomemos p = a1 x2 + b1 x + c1 que pertenece a V , y −p = (−a1 )x2 + (−b1 )x + (−c1 )
también pertenece a V , entonces p + (−p) esta dado por:
luego p + (−p) = 0
5. Sea p = a1 x2 + b1 x + c1 y q = a2 x2 + b2 x + c2 que pertenecen a V . Entonces:
p+q = a1 x2 + b1 x + c1 + a2 x2 + b2 x + c2
= a2 x2 + b2 x + c2 + a1 x2 + b1 x + c1
= q+p
Luego p + q = q + p.
3 En este caso 0 representa el polinomio cero o nulo
3. Espacios vectoriales 145
α(p + q) = α(a1 x2 + b1 x + c1 + a2 x2 + b2 x + c2 )
= αa1 x2 + αb1 x + αc1 + αa2 x2 + αb2 x + αc2
= αa1 x2 + αb1 x + αc1 + αa2 x2 + αb2 x + αc2
= α a1 x2 + b1 x + c1 + α a2 x2 + b2 x + c2
= αp + αq
Por lo cual se cumple la propiedad distributiva del producto escalar frente a la suma de
vectores.
(α + β)p = (α + β)(a1 x2 + b1 x + c1 )
= (α + β)a1 x2 + (α + β)b1 x + (α + β)c1
= αa1 x2 + βa1 x2 + αb1 x + βb1 x + αc1 + βc1
= αa1 x2 + αb1 x + αc1 + βa1 x2 + βb1 x + βc1
= αa1 x2 + αb1 x + αc1 + βa1 x2 + βb1 x + βc1
= α a1 x2 + b1 x + c1 + β a1 x2 + b1 x + c1
= αp + βp
Ya hemos visto la manera de demostrar que un grupo de vectores es un espacio vectorial. Los
siguientes conjuntos de vectores no son espacios vectoriales, y por lo tanto veremos que no
cumplen con algunos items de la definición 3.1.
Es fácil ver que V no es un espacio vectorial, sólo con comprobar el primer numeral de la
definición 3.1. Por ejemplo, sea v1 = (x1 , y1 ) y v2 = (x2 , y2 ), luego
v1 + v2 = (x1 + x2 , y1 + y2 )
Lo que implica que para v1 tendríamos y1 = 3x1 + 1 y para v2 tendríamos que y2 = 3x2 + 1,
luego v1 + v2 tendríamos
y1 = 3x1 + 1
y2 = 3x2 + 1
Que al sumarlas tendríamos
y1 + y2 = 3(x1 + x2 ) + 2
Pero esta nueva ecuación muestra que v1 + v2 no pertenece a V , pues su término constante es 2
y los elementos de V tienen término constante 1.
De nuevo falla en la primera condición, pero veamos que también falla el item 6 de la definición
3.1. Tomemos α ∈ R y p ∈ V , es decir, p debería ser de la forma
p(x) = ax2 + bx + 1 con a, b ∈ R
Al multiplicar α por p tenemos
De acuerdo con las definiciones anteriores y los ejemplos tratados, podemos dar los siguientes
ejemplos de espacios vectoriales.
2. Sea V = Pn = P/p(x) = an xn + an−1 xn−1 + . . . + a1 x + a0 , ai ∈ R el conjunto
de los polinomios de grado menor o igual que n.
3. Si V = Mnm El conjunto de todas las matrices de tamaño n×m, con la adición y producto
por escalar.
4. Sea V = {(x, y, z) : ax + by + cz = 0, a, b, c ∈ R}, es decir, V es el conjunto de puntos
en R3 que están en el plano con vector normal (a, b, c), el cual pasa por el origen del
sistema coordenado.
3. Espacios vectoriales 147
4. 0x = 0 para todo x ∈ V .
Demostración:
1. En este caso, debemos demostrar que un espacio vectorial sólo tiene un elemento neutro de
la suma. Para demostrar un teorema de unicidad, sólo debemos negar la hipótesis, es decir,
negar que sólo existe un 0, entonces supongamos que tenemos dos llamados 0 y 0′ tal que
0 6= 0′ y debemos llegar a una contradicción.
entonces
α0 0
α0
0
α0 = α0
= 0
.. ..
. .
α0 0
Luego α0 = 0
4. para esta demostración,iniciaremos con la igualdad aritmética 1 + (−1) = 0, podríamos
escribir el vector 0 de la siguiente forma:
0 = 0x = [1 + (−1)] x
distribuyendo tenemos
1x + (−1)x = 0
x + (−x) = 0
Ahora,
1x + (−1)x +(−x) = −x
| {z }
0
Asociamos y tenemos
(x + (−x)) + (−1) x = −x
Luego
0 + (−1) x = −x
Por lo que
(−1) x = −x.
Ejercicios 3.1
1. Demuestre que:
a) Rn es un espacio vectorial.
b) Pn es un espacio vectorial.
c) Mmn es un espacio vectorial. (Con la suma y multiplicación por escalar)
d) Mnn es un espacio vectorial. (Con la suma y multiplicación por escalar)
El siguiente teorema determina las condiciones que se deben cumplir para que H sea un
subespacio de V .
.:Teorema 3.2 Sea V un espacio vectorial sobre un campo K. Decimos que H es un subespacio
de V si H satisface las siguientes cuatro condiciones:
1. H es subconjunto de V
2. H es diferente de vacío.
3. H es cerrado con respecto a la suma, es decir, si x ∈ H e y ∈ H, entonces x + y ∈ H
4. H es cerrado con respecto a la multiplicación por escalar, es decir, si x ∈ H, entonces
αx ∈ H para todo escalar α.
Demostración:
Consiste en verificar que si se tienen las dos propiedades uno y seis de la definición 3.1, entonces
se verifican los demás axiomas de la definición de espacio vectorial:
1. Todos los vectores de H también pertenecen a V , entonces las leyes de asociativa,
conmutativa, distributiva y de identidad multiplicativa (puntos 2, 5,7, 8, 9 y 10) se cumplen.
3. Ahora bien, (−1)x ∈ H y (−1)x = −x por el Teorema 3.2, con lo que el punto 4 de la
definición 3.1 se cumple.
3. Espacios vectoriales 150
Q.E.D
Nota:
De lo anterior podemos concluir que:
1. Si H ⊂ V y H 6= Ø, entonces, para saber si H es un subespacio de V , basta con probar las
reglas 3 y 4 del Teorema 3.2 donde se establece la cerradura con respecto a la suma y a la
multiplicación por escalar.
2. Todo subespacio de un espacio vectorial V contiene al vector nulo 0.
a) V
b) {0}
Luego
(x1 + x2 , y1 + y2 ) ∈ H
Luego H es cerrada con respecto a la suma.
4. Ahora, sea (x, y) ∈ H y veamos si β(x, y) ∈ H
(x, y = x, mx) ,
Luego H es cerrada con respecto a la multiplicación por escalar. Lo que nos demuestra que
H o el conjunto de las rectas que pasan por el origen, es subespacio de R2 .
3. Espacios vectoriales 151
Ejemplo 3.7 Sea H = (x, y) ∈ R2 /xy ≥ 0 y V = R2 . Comprobar que H es subespacio de
V.
Ejercicios 3.2
1. Demuestre que:
a) V = R2 , H = {(x, y) : y = 0}
b) V = R2 , H = {(x, y) : x = 2y}
c) V = R2 , H = {(x, y) : x − 7y + 5 = 0}
d) V = P4 , W = {p ∈ P4 : p (0) = k, Para k ∈ R}
e) V = Mnn , H = {A ∈ Mnn : A es simétrica} .
f) V = Mnn , H = {A ∈ Mnn : A es antisimétrica} .
g) V = Mnn , H = {A ∈ Mnn : A es triangular superior} .
h) V = Mnn , H = {A ∈ Mnn : A es invertible}
y−4 1
i) V = R3 , H = (x, y, z) : x−7
4 = 5 =2 z− 6
j) V = R3 , H = (x, y, z) : x2 + y 2 + z 2 = 16
a 0
k) V = M22 , H = A ∈ M22 : A =
0 b
l) V = Mnn y H = {A ∈ Mnn : trA = 0}
a b c
m) V = M23 , H = A ∈ M23 : A = , donde b = 2a + c .
d 0 0
3. Espacios vectoriales 152
x = α1 v1 + α2 v2 + · · · + αn vn
Xn
= αi vi
i=1
Nota:
1. En un espacio vectorial, cualquier combinación lineal de vectores, da como resultado otro
vector del mismo espacio vectorial.
2. El vector nulo se puede escribir como combinación lineal de cualquier cantidad de vectores
del espacio vectorial, tomando como escalares a el cero en todos los casos.
Luego, el polinomio H(x) es una combinación lineal de los polinomios P (x) y Q(x) con α1 = 5
y α2 = −2
1 0
Ejemplo 3.11 Los vectores y , pueden generar cualquier vector del plano, por lo
0 1
tanto generan al espacio vectorial R2 , por lo tanto el subespacio es:
1 0
gen ,
0 1
−8 1
El vector se puede generar como una combinación lineal de los vectores y
π 0
0
, como se muestra a continuación:
1
−8 1 0
= (−8) +π
π 0 1
2
De igual manera, cualquier
vector del plano R se puede expresar como una combinación lineal
1 0
de los vectores y .
0 1
Ejemplo 3.12 Pn representa todo polinomio de grado menor o igual a n, se puede expresar
cualquier polinomio como una combinación lineal de los monomios 1, x, x2 , . . . , xn ; luego
generan a Pn . por ejemplo, el polinomio 6x2 + 5x − 4 se puede expresar como combinación
lineal de los monomios 1, x, x2 , . . . , xn
−7 4
ejemplo, la matriz se puede expresar:
8 2
−7 4 1 0 0 1 0 0 0 0
= (−7) +4 +8 +2 .
8 2 0 0 0 0 1 0 0 1
−7 4
=
8 2
1 0 0 1 0 0 0 0
Entonces, , , , generan M22 .
0 0 0 0 1 0 0 1
gen {v1 , v2 , . . . , vn } = {x : x = α1 v1 , α2 v2 , . . . , αn vn }
El espacio generado y el conjunto generador, nos muestran los posibles conjuntos de vectores que
podemos obtener con ellos. Por ejemplo, vimos comocon sólo dos vectores
pudimos construir
1 0
cualquier vector de R2 usado como “base” los vectores y , y como con un conjunto
0 1
de monomios podemos generar cualquier polinomio, más adelante veremos que la clave de los
conjuntos generadores esta en la escogencia de las contantes. El siguiente teorema muestra la
relación entre el generado y el espacio vectorial.
Ejemplo 3.14 Tomemos el espacio vectorial R, y sea R = {1}. El conjunto R sólo tiene un
elemento, sin embargo podemos generar cualquier real con dicho conjunto, sólo debemos escoger
la constate.
gen {R} = {x/x = α(1), a ∈ R} = R
2 2
Ejemplo 3.15 Tomemos el espacio vectorial R y el conjunto S = , entonces:
1
2 x x 2
gen = =α , α∈R
1 y y 1
3. Espacios vectoriales 155
x α2
=
y α
Luego
x = 2α
y = α
Luego x = 2y, es decir, y = 12 x, lo que me representa el conjunto de puntos en el plano que esta
sobre la recta y = 21 x. Por ejemplo tomemos α = 2, entonces
x (2)2 4
= =
y 2 2
Con α = −1 tenemos
x (−1)2 −2
= =
y −1 −1
Figura 3.1.
4
2
2 b
1
La recta y = 21 x
−4 −3 −2 −1 1 2 3 4
b −1
−2
−1
Figura 3.1:
1 1
Ejemplo 3.16 Tomemos R3 y el conjunto S =
2 , 0 , entonces:
−1 1
1 1 x x 1 1
gen 2 , 0 = y y = α1 2 + α2 0 , α1 , α2 ∈ R
−1 1 z z −1 1
x = α1 + α2
y = 2α1
z = −α1 + α2
En forma matricial tenemos:
1 1 | x
2 0 | y
−1 1 | z
Ahora procedemos aplicar eliminación Gaussiana.
1 1 | x 1 1 x
2 0 | y f2 → f2 + (−2)f1 0 −2 −2x + y
−1 1 | z −−−−−−−−−−−−→ −1 1 z
1 1 x 1 1 x
0 −2 −2x + y f3 → f3 + f1 0 −2 −2x + y
−−−−−−−−−→
−1 1 z 0 0 −x + y + z
Luego los elementos de gen {S} deben satisfacer.
−x + y + z = 0
x
Entonces gen {S} = y − x + y + z = 0 , lo que representa los puntos de R3 que
z
están sobre el plano que pasa por el origen.
Demostración:
Q.E.D
1 0 2 x
α1 + α2 + (0) =
0 1 3 y
1 0 x
α1 + α2 =
0 1 y
Quedando el sistema
α1 = x
y α2 =
x α1
Entonces = , por que lo se concluye que, el conjunto de vectores S genera el
y α2
espacio vectorial R2 .
Ejercicios 3.3 1. Encuentre el subespacio generado por cada uno de los siguientes conjuntos
de vectores, en el espacio vectorial correspondiente:
3. Espacios vectoriales 158
−1 0
a) S = 1 , 1
0 −1
4 4
b) S = 5 , 2
0 0
2 4
c) S = ,
−3 −6
0 0
d) S = ,
4 −2
1 0 0 0
e) S = ,
0 0 0 1
0 1 1 1 0 0
f) S = , ,
−1 0 0 0 −1 1
2 4 3
g) S = x + 2x, x + 2x, x + 2x
a) x2 + 4x
b) x3 + 4x − 2
c) 4x3 − 2x2 + 2
d) −5x5 + 7x2 − x
−1 1 4
3. Sean v1 = 4 , v2 = 5 , v3 = −1 . Determine (si es posible) los
9 6 2
escalares apropiados para que los vectores generen al vector dado.
5 8
a) 2 d) 9
25 6
5 1
b) 6 e) 1
2 0
7 1
c) 4 f) 0
9 0
4. Dado el espacio vectorial dado, determine si los vectores generan dicho espacio vectorial.
5 4
a) R2 con , .
−1 1
3. Espacios vectoriales 159
2 0
b) En R ; .
−1
1 1 1
c) En R3 ; 1 , 0 , −2 .
0 −9 −2
1 0 7 0
d) En R2 ; 0 , −1 , 4 , 0
1 4 2 −1
La ecuación (3.3) puede llegar a ser cero si escogemos todos los k iguales a cero, es decir,
k1 = k2 = · · · = kn = 0. Lo interesante sería averiguar si un conjunto de vectores es L.D
usando valores diferentes de cero para los k.
1 −4
Ejemplo 3.19 En R2 , sea A = , y veamos si A es LD o LI.
5 1
Solución
c1 − 4c2 = 0
5c1 + c2 = 0
3. Espacios vectoriales 160
1 5 2
Ejemplo 3.20 En R3 , sea A = 2 , 7 , 4 y veamos si A es LD o LI.
1 0 2
Solución:
c1 + 5c2 + 2c3 = 0
2c1 + 7c2 + 4c3 = 0
c1 + 0c2 + 2c3 = 0
c1 + 5c2 + 2c3 = 0
c2 = 0
Entonces c3 = c3 por ser variable libre, de acuerdo a la reducción anterior, de lo cual se obtiene
también que c1 + 2c3 = 0, luego c1 = −2c3 , la solución final sería:
3. Espacios vectoriales 161
c1 −2
c2 = c3 0
c3 1
De lo que se puede concluir que el sistema
tiene múltiples soluciones, en este caso cualquier
−2
múltiplo escalar del vector 0 . Luego, hemos encontrado un conjunto de escalares
1
diferentes de cero la combinación lineal de vectores, luego A es L.D.
.:Teorema 3.5 Sean v1 y v2 dos vectores de un espacio vectorial V . v1 y v2 son L.D si y sólo si
uno d ellos es múltiplo escalar del otro.
El teorema nos muestra, que el hecho de que un vector se pueda escribir como el múltiplo
escalar de otro, los convierte en un conjunto de vectores L.D. La dependencia esta relacionada
específicamente con la construcción de uno de los vectores como producto escalar del otro, hecho
que implica necesariamente la dependencia de ambos vectores.
−2 6
Ejemplo 3.21 Tomemos v1 = y v2 = , Determine si son L.I o L.D
3 −9
−2c1 + 6c2 = 0
3c1 − 9c2 = 0
Al simplificar obtenemos que c1 = 3c2 , luego existe una dependencia entre ambos vectores.
La demostración de este teorema se deja como ejercicio al lector pero, es fácil comprobar esta
afirmación, pues se construye un sistema que tiene más columnas que filas, por lo tanto tendrá
múltiples soluciones, lo que implica que será L.D
3. Espacios vectoriales 162
1 2 4
Ejemplo 3.22 Tomemos v1 = y v2 = y v3 =
0 1 7
Para determinar si los vectores son L.D, Se debe construir y resolver el sistema de ecuaciones
homogéneo que resulta de ellos:
c1 + 2c2 + 4c3 = 0
c2 + 7c3 = 0
En forma matricial:
1 2 4 0 1 0 −10 0
f1 → f1 − 2f2
0 1 7 0 −− −−−−−−−−→ 0 1 7 0
c1 + 4c3 = 0
c2 + 7c3 = 0
−4
La solución estaría dada por c3 , lo que implica, infinitas soluciones.
−7
.:Teorema 3.7 Sean H = {v1 , v2 , . . . vn }, n vectores en Rn , y sea A una matriz n × n que tiene
como columnas a los vectores v1 , v2 , . . . vn . Entonces v1 , v2 , . . . vn son L.I si y sólo si, la única
solución al sistema homogéneo Ax = 0 es la trivial, es decir, sólo cuando x = 0.
Demostración:
m v1 v2 ··· vn
Sean H = {v1 , v2 , . . . vn } un subconjunto de R , A = y los escalares
| | |
c1 , c2 , . . . , cn ; entonces:
v1 v2 vn
c1 v1 + c2 v2 + · · · + cn vn = c1 +c2 + · · · + cn
| | |
| {z } | {z } | {z }
Primera columna de A Segunda columna de A n−ésima columna de A
c1
c2
= A .
..
cn
c1 = c2 = · · · = cn = 0, luego:
c1 0
c2
0
A .. = ..
. .
cn 0
c1 0
c2
0
Sólo si .. = .. . Por consiguiente AX = 0 tiene únicamente la solución trivial.
. .
cn 0
⇐= Si AX = 0 tiene únicamente la solución trivial, veamos que H es L.I: Sean los escalares
c1 , c2 , . . . , cn , entonces c1 v1 + c2 v2 + · · · + cn vn = 0, entonces:
c1 0
c2 0
A . = .
.. ..
cn 0
Q.E.D
Las demostraciones de los siguientes teoremas los dejamos como ejercicio al lector, pues son
relativamente sencillas y es una oportunidad para aplicar los conceptos ya vistos.
.:Teorema 3.9 Sea A una matriz de tamaño n×n. Entonces, el detA 6= 0 si y solo si las columnas
de A son L.I.
Demostración
i. Supongamos que H es L.D.
a1 v1 + a2 v2 + . . . + an vn = 0
Sea ai 6= 0, entonces,
a1 a2 an
vi = – v1 – v2 – . . . – vn .
ai ai ai
Luego vi es una combinación lineal de los restantes n − 1 vectores de H. Ahora bien, si vi es una
combinación lineal de los restantes vectores de H, entonces
Por tanto,
Q.E.D
Ejercicios 3.4
b) v1 = (4, 0, 0), v2 = (0, −1, −1), v3 = (1, −1, 2), v4 = (−7, 0, 0), en R3 .
c) P1 = 1 + 2x, P2 = 4–x, en P1 .
d) P1 = x2 − 1, P2 = x2 + 7, en P2 .
1 1 2 2 −7 0
e) A1 = , A2 = , A3 = , en M22 .
0 1 0 2 −7 1
f) P1 = 2 + 4x + 2x2 , P2 = 4 + 7x + x2 , P3 = 3 + 4x + 8x2 , en P2 .
4 8 8 0 0 0 0 1 0
g) A1 = , A2 = , A3 = , en M23 .
1 1 0 0 1 0 0 0 1
3. Si {v1 , . . . , vn } es L.I, demuestre que todo subconjunto diferente de vacío de este conjunto
es LI.
2 1 2
b) V = R , H = ,
−1 1
1 4
4 0 , 1
c) V = R , H =
1
0
1 2
y como los vectores ei son las columnas de una matriz identidad, entonces {e1 , e2 , . . . , en } es un
conjunto L.I y, por lo tanto, constituye una base en Rn , a la cual se le denomina base canónica
en Rn .
Ejemplo 3.24 Los vectores e1 = (1, 0) y e2 = (0, 1) forman una base de R2 , pues cualquier
vector de R2 se puede escribir como una combinación lineal de e1 y e2 . El vector (2, π) se puede
escribir como:
2 1 0
=2 +π
π 0 1
3. Espacios vectoriales 167
Ejemplo 3.25 En Pn el conjunto 1, x, x2 , . . . , xn es la base estándar para los polinomios de
grado
n, pues cualquier
polinomio de grado n se puede escribir como combinación lineal de
1, x, x2 , . . . , xn . El polinomio 6x2 + 3x + 5 se puede escribir de la forma:
6x2 + 3x + 5 = (5)1 + (3)x + (6)x2 + 0x3 +, . . . , +0xn
1 0 0 1 0 0 0 0
Ejemplo 3.26 El conjunto de matrices , , ,
0 0 0 0 1 0 0 1
es una base para el espacio vectorial M22 . llamada base estándar o canónica, si tenemos la
matriz A :
−5 4 1 0 0 1 0 0 0 0
A = = −5 +4 +2 +6
2 6 0 0 0 0 1 0 0 1
−5 4 −5 0 0 4 0 0 0 0
= + + +
2 6 0 0 0 0 2 0 0 6
Ahora bien, dado un conjunto de vectores en el espacio, vamos a determinar una base para dicho
conjunto. En este caso, debemos realizar un análisis a dicho conjunto, que nos permita conocer la
base.
x
Ejemplo 3.27 Sea H = y : 2x+3y + z = 0 un subespacio de R3 . Determine una
z
base para H.
z = −2x − 3y
Luego los vectores deben ser de la forma:
x
y ,
−2x − 3y
Para cualquier x e y , expandimos el vector en dos nuevos vectores para simplificar la suma
interna:
x 1 0
y = x 0 + y 1
−2x − 3y −2 −3
1 0
El resultado anterior muestra dos hechos, el primero es que los vectores 0 y 1
−2 −3
son L.I y los segundo es que cualquier vector que
pertenezca
a H se puede escribir como
1 0
combinación lineal de estos dos vectores, luego 0 , 1 forman una base para
−3 2
H.
3. Espacios vectoriales 168
v = c1 v1 + c2 v2 + · · · + cn vn
Demostración:
Suponga que v pude expresarse expresarse de dos maneras diferentes, es decir, supongamos
que tenemos dos conjuntos constantes {c1 , c2 , . . . , cn } y {d1 , d2 , . . . , dn } tal que ci 6= di para
i = 1, 2, . . . , n, que permiten escribir a v como una combinación lineal de los vectores.
v = c1 v1 + c2 v2 + . . . + cn vn = d1 v1 + d2 v2 + · · · + dn vn ,
Agrupando tenemos:
c1 − d1 = c2 − d2 = · · · = cn − dn = 0 es decir ci − di = 0, ∀i.
Q.E.D
El teorema anterior, muestra que todo vector de un espacio vectorial se puede escribir como la
combinación lineal de su base de manera única. El siguiente teorema hace referencia al tamaño
mínimo que debe tener un espacio vectorial.
.:Teorema 3.13 Si {u1 , u2 , . . . , um } y {v1 , v2 , . . . , vn } son bases del mismo espacio vectorial
V , entonces m = n.
Demostración
Cada vector de H1 se puede expresar como combinación lineal de los vectores de la base H2 .
Q.E.D
El teorema anterior no abre el camino para uno de los conceptos más importantes en el tema de
bases. Se trata del concepto de Dimensión.
dim (V )
Como el conjunto {0} es linealmente dependiente, se dice que el espacio vectorial {0} tiene
dimensión cero.
3. Espacios vectoriales 170
En nuestro caso, vamos a asumir que la dimensión de un espacio vectorial es finita. Sin
embargo, existen espacios vectoriales que tiene dimensión infinita. Veremos algunos ejemplos
de la dimensión de un espacio vectorial.
Ejemplo 3.28 Tomemos el caso de R2 , la base de este espacio vectorial es 2, pues se requieren
dos vectores como mínimo para generar cualquier vector en el plano. De igual manera, con el
espacio vectorial R3 , en este caso la dimensión es 3, pues la base para este espacio vectorial
tiene tres vectores. En general, dim (Rn ) = n, pues su base tiene n vectores.
En el caso de los polinomios, el espacio vectorial P2 necesita tres términos para generar
cualquier polinomio de grado menor o igual a dos: un término para generar los x2 , otro para los
términos lineales x, y otro para las constantes. De igual manera, para el espacio vectorial P3 ,
que tiene dimensión 4. En general, dim (Pn ) = n + 1.
En este teorema, podemos ver a la dimensión del espacio vectorial, como la cota máxima que
puede tener un conjunto de vectores L.I. En el caso de tener más vectores que el número de la
dimensión, tendríamos un conjunto de vectores L.D.
.:Teorema 3.15 Sea V un espacio vectorial de dimensión finita y sea H un subespacio deV ,
entonces, dim (H) ≤ dim (V ).
Ejemplo 3.29 Determine un base para el espacio solución del sistema homogéneo
x − 2y + 2z = 0
x−z =0
Como vimos, la dimensión de M23 es seis, pero en este caso nos piden una base para el espacio
solución del sistema. Entonces procedemos a realizar la eliminación gaussiana:
1 −1 2 1 −1 2
f → f2 + (−1)f1
1 0 −1 −2−−−−− −−−−−−→ 0 1 −3
3. Espacios vectoriales 171
1 −1 2 1 0 −1
f1 → f1 + (1)f2
0 1 −3 −−−−−−−−−−−→ 0 1 −3
Luego, el nuevo sistema es:
x−z = 0
y − 3z = 0
De donde:
x=z
y = 3z
z=z
Entonces, el
espacio
solución del sistema homogéneo esta determinado por los múltiplos
escalares
1 1
del vector 3 . Si H es el espacio solución del sistema, su base es el vector 3 y por lo
1 1
tanto dim (H) = 1. Podemos ver que dim (H) ≤ dim (M23 ).
La demostración de este teorema la podemos encontrar en [2, 1]. Pero es fácil ver que si el
conjunto H es L.I entonces, puede generar a V , pues reúne las dos condiciones necesarias, que
sea L.I y el tamaño. De otro lado Si Hgenera a V necesariamente debe tener el tamaño de la
dimensión de V y de otra parte si genera a todo V es L.I.
.:Teorema 3.17 Sea V un espacio vectorial de dimensión finita, y sea H un conjunto L.I de
vectores de V . Entonces, existe una base B para V que contiene a H.
El teorema garantiza que en caso de tener un conjunto de vectores de V que sean L.I se pueden
obtener dos opciones:
1. Si H tiene menos elementos que la dimensión de V , entonces es posible encontrar una base
B que contenga los vectores de H.
2. Si H tiene los mismos elementos que la dimensión de V , por el teorema 3.16, H es una
base para V , lo que implica que H = B.
Ejercicios 3.5
3. Espacios vectoriales 172
1. Determine si el conjunto de vectores forma una base para el espacio vectorial dado
(Justifique la respuesta):
7 0 0
7 1 8 2
−6 6 1 3
c) v1 = con R4
5 , v1 = 1 , v1 = 7 , v1 = 4
4 1 2 5
d) P1 = x + x2 , P2 = x, P3 = 3x, P4 = x + 8, con P2 .
2 2
e) P1 = x + 6x, P2 = 4x , P3 = 4x − 7, P4 = πx, con P3 .
1 0 0 1 0 0 1 0 0
f) M1 = 1 0 0 , M2 = 0 0 0 , M3 = 0 0 0 ,
1 0 0 1 1 1 1 0 1
0 0 0 0 0 0 0 0 0
M4 = 0 0 0 ,M5 = 0 1 0 , M 6 = 1 1 0 , M 7 =
0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0
0 1 0 , M 8 = 0 1 0 , M9 = 0 1 0 con M33 .
0 1 0 1 0 0 0 0 0
a)
2x − 7y = 0
5x − 7y = 0
3. Espacios vectoriales 173
b) d)
6x + 8y − z = 0 11x − 9y + z + 4w = 0
x−y−z = 0 −x + 2y − z = 0
x−z = 0 x+z−w = 0
c) y+y = 0
x − y + 9z = 0
4x + 7y − 11z = 0
y − 11z = 0
N (A) = {X ∈ Rn /AX = 0}
Se llama espacio nulo de A y se denota por N (A). A la dimensión de N (A) se le llama nulidad
de A y se denota por v (A).
1 1 1
Ejemplo 3.30 Sea A = . Determine N (A)
3 0 1
x+y+z = 0
3x + z = 0
1
−3
2
N (A) = gen −3
, v (A) = 1.
1
1 0 −1 4 2
Ejemplo 3.31 Sea A = 0 −5 2 1 2 . Determine N (A)
7 −3 0 4 −1
x − z + 4v + 2w = 0
−5y + 2z + v + 2w = 0
7x − 3y + 4v − w = 0
1 0 −1 4 2 1 0 −1 4 2
0 3
−5 2 1 2 f3 → f3 + − f2 0 −5 2 1 2
5 29 123
0 −3 7 −24 −15 −−−−−−−−−−−−−−→ 0 0 5 − 5 − 81
5
1 0 −1 4 2 1 0 −1 4 2
0 −5 2 5
1 2 f3 → f3 0 −5 2 1 2
29 29
0 0 5 − 123
5 − 81
5 −−−−−−−−−−→ 0 0 1 − 123
29
81
− 29
7
1 0 0 − 29 − 23
29
1 0 −1 4 2
0 f1 → f1 + f3 275 220
−5 2 1 2 0 −5 0 29 29
f2 → f2 + (−2)f3
0 0 1 − 123
29
81
− 29 −−−−−−−−−−−−−−→
0 0 1 − 123
29 − 81
29
7 23
1 0 0 − 29 − 29
7
1 0 0 − 29 − 23
29
275 220
0 −5 0 29 29
f2 → − 51 0
f2 1 0 − 275
145
220
− 145
0 0 1 − 123 − 81 −−−−−−−−−−−→
29 29
0 0 1 − 123
29
81
− 29
3. Espacios vectoriales 175
3.7.2. Propiedades
.:Teorema 3.18 Si A y B son matrices m × n equivalentes por filas, entonces los espacios
generados por las filas de A y de B son iguales.
3. Espacios vectoriales 176
Demostración
Q.E.D
Tomemos los vectores de H como filas de la matriz A y aplicando operaciones elementales por
fila obtenemos otra matriz equivalente a la que llamaremos B, la cual, es una matriz triangular
superior. Las filas no nulas de B son L.I y forman una base para F (B) el cual es igual a F (A).
Estos vectores tomados como columnas serán una base para gen H.
1 −1 2
A=
4 0 −1
Aplicamos operaciones elementales por fila tenemos que:
1 −1 2 1 −1 2
f → f2 + (−4)f1
4 0 −1 −2−−−−− −−−−−−→ 0 4 −9
1 −1 2
1 −1 2 1
f2 → f2
0 4 −9 4
−−−−−−−−−→ 0 1 − 49
1 −1 2 1 0 − 41
f1 → f1 + f2 =B
−−−−−−−−−→
0 1 − 49 0 1 − 49
Entonces la solución sería:
1
1
4z 4
x
y = 9 9
4z
= z
4
z
z 1
3. Espacios vectoriales 177
1
4
9
Base para gen H = 4
1
El gen H es una base para F (B) y a su vez para F (A).
.:Teorema 3.19 Sea B una matriz m × n en la forma escalonada por filas. Las columnas de
B que contienen los pivotes forman una base para C(B) y, por tanto, dim (C(B)) es igual al
número de pivotes de B.
Demostración
Si B es una matriz escalonada por filas y tiene n pivotes, estas filas son L.I. Además, si las
columnas generan a C(B), los primeros k pivotes de B son diferentes de cero y los últimos
m − k pivotes son cero. Si tomamos a b ∈ C(B) entonces b es una combinación lineal de las
columnas de b, luego los últimos m–k componentes de b son todos cero.
Formemos una matriz Pm×k (k : # de renglones de B diferente de cero) tomando las columnas
de B que contienen los pivotes y las colocamos ordenadamente,
∗ ··· ···
0 ∗ ···
..
.
Pm×k =
0 0
k
··· ∗
. ..
.. .
0 0 ··· 0
Las entradas señaladas con ∗ son los pivotes de B y por tanto diferentes de cero. Por la forma
especial de P y b, la ecuación P X = b puede resolverse por sustitución regresiva. Luego
k×1 m×1
b es combinación lineal de las columnas de P y, por tanto, de las columnas de B que contienen
pivotes.
Q.E.D
El siguiente teorema puede considerarse como un conjunto de propiedades relacionadas con F (A)
y C(A).
.:Definición 3.13 El rango de A, denotado por ρ(A), es la dimensión de los espacios fila y
columna de A.
N (A) = N (B)
F (A) = F (B)
Esto implica que la dimensión de F (A) es igual al número de parámetros en la solución del
sistema equivalente reducido BX = 0. La dimensión de F (B) es igual al número de variables
principales del sistema BX = 0. y a su vez, el número de variables principales más el número
de parámetros es n. En pocas palabras, la dimensión del espacio fila de A más la dimensión del
espacio nulo de A, debe dar la cantidad de filas de A. De igual manera la dimensión del espacio
columna y el espacio nulo.
3. Espacios vectoriales 179
Es decir:
ρ(A) + v(A) = n
Ahora bien, el siguiente teorema muestra la forma como se relaciona el espacio fila con el espacio
numo de A.
.:Teorema 3.22 Sea A de tamaño n × m, entonces, cada vector del espacio fila de A, F (A) es
ortogonal a todo vector del espacio nulo de A, N (A), es decir (F (A) ⊥ N (A))4
Demostración
Si se tiene la ecuación:
AX = 0
De la siguiente forma:
a11 a12 ··· a1n x1 0
a21 a22 ··· a2n
x2
0
.. .. .. .. = ..
. . . . .
am1 am2 ··· amn xn 0
Ahora, si X ∈ N (A) , entonces AX = 0, luego, si fi es la i-ésima fila de A, fi X = 0, para
i = 1, 2, . . . , m.
Y = k1 f1 + k2 f2 + · · · + km fm
y
Y X = k1 f1 · X + k2 f2 · X + · · · + km fm · X = 0
Entonces, todo vector del espacio fila es ortogonal a todo vector del espacio nulo.
Q.E.D
4 El símbolo ⊥ significa que todo vector del espacio fila es ortogonal a todo vector del espacio nulo.
3. Espacios vectoriales 180
Solución
Los siguientes teoremas muestran las relaciones entre una matriz y su rango:
a. v(A) = 0
b. ρ(A) = n
La demostración del teorema anterior se deja como ejercicio al lector, pero es fácil ver la forma
de la demostración. Recordemos que si una matriz de tamaño n × n es invertible, entonces tiene n
pivotes, por tanto tiene n filas no nulas. Entonces el sistema homogéneo asociado a dicha matriz
tendrá solución trivial, lo que implica N (A) no tendrá elementos y por tanto v(A) = 0.
3. Espacios vectoriales 181
.:Teorema 3.24 Sea A de tamaño m×n. El sistema AX = b tiene solución si y solo si b ∈ C(A).
Ejercicios 3.6
1. Encuentre bases para los espacios nulo, fila y columna de la matriz dada. encuentre el
rango y la nulidad (recuerde que ρ(A) + v(A) = n.)
a) e)
1 2 5
5 4 2 7 5 5 0 1 4
1 9 5
5 7 8 5 5 2 0
1
2 4
1 4 8 8 5 5 4 5
0 1 2
b) f)
1 4 7
2 2 0 1
0 1 0
2
4 5
0 2
2 1 2
0 0 1
c) g)
1 1 1 0 1 0 1 0 1 5
1 1 0 1 1 0 2 0 0 0
1 1 1 1 1 1 h)
0 1 0 1 1 0
1 2 5 4
d) 7 1 0 2
1 1 0 0 1 0 1 4 5 2
1 0 0 0 1 0 1 1 0 1
2. Dados los siguientes conjuntos de vectores, encuentre una base para el espacio generado
por dichos vectores.
1 0
a) ,
2 −1
1 1 2
0 4 1
b) , ,
0 7 2
0 9 1
1 0 0 −1
c) ,
0 −1 1 0
a) ρ (A) = ρ (At )
b) Si A es una matriz diagonal. Demuestre que ρ (A) es el número de componentes
diferentes de cero en la diagonal.
c) Si A una matriz triangular n × n con ceros en la diagonal. Demuestre que ρ (A) < n.
“Se ha convertido casi en un comentario cliché, que nadie hoy en día
alardea de ser un ignorante en literatura, pero es aceptable socialmente
alardear de ignorar la ciencia y afirmar orgulloso que se es un
incompetente en matemáticas.” —
Richard Dawkins.
Transformaciones Lineales
4
4.1. Definición
Una función es una regla que asigna a cada elemento de un conjunto exactamente un elemento de
otro conjunto. Las funciones se emplean en muchas áreas de las matemáticas y son importantes
en las aplicaciones para describir la relación de una variable con otra. Por ejemplo, la distancia
que alcanza un objeto en función del tiempo, el costo total de un producción en función de
los números de artículos producidos, y en fin, una variedad de situaciones que se involucran
el proceso humano. Esto nos permite mostrar una clase importante de funciones entre espacios
vectoriales denominadas transformaciones lineales.
Tome por ejemplo la función f (x) = x2 , esta función toma un número y lo “transforma” en
en cuadrado del número original. En una transformación lineal, el cambio se realiza teniendo en
cuenta ciertas reglas especiales. A continuación, veremos la definición formal de transformación
lineal.
183
4. Transformaciones Lineales 184
Transformación lineal T
Un espacio vectorial Rn posee dos operaciones definidas sobre él: la adición y la multiplicación
por un escalar. Las transformaciones entre espacios vectoriales con mayor importancia son
aquellas que conservan estas estructuras lineales en el siguiente sentido.
1 −1
7 3
T 2 = T 0 =
14 6
3 2
Entonces
1 −1 0
10 7 3
T 2 + 0 =T 2 = = +
20 14 6
3 2 5
Si α = 4
1 4
28 7
T 4 2 = T 8 = =4
56 14
3 12
no es lineal.
Se tiene que, T ((x1 , y1 , z1 ) + (x2 , y2 , z2 )) 6=T (x1 , y1 , z1 ) + T (x2 , y2 , z2 ) por lo tanto, como la
adición vectorial no se conserva. Entonces T no es lineal.
Para continuar con la definición de una transformación se mostrará, que una matriz, es lineal. Por
ejemplo, considere la matriz A.
x
2 3 −1
A= y el vector columna x = y de R3 .
4 0 1
z
Esta matriz define la transformación T (x) = Ax de R3 en R2 , usando la multiplicación entre
matrices de la siguiente manera.
4. Transformaciones Lineales 186
x
2 3 −1 y = 2x + 3y − z
T (x) =
4 0 1 4x + z
z
Las imágenes de los vectores se pueden determinar utilizando valores adecuados de x, y, z. Por
ejemplo, se tiene que:
2 −1
12 −11
T 3 = yT −2 =
9 −1
1 3
.:Teorema 4.1 Sea A una matriz m × n. Sea x un elemento de Rn , interpretado como una
matriz columna. La transformación T : Rn → Rm , definida por T (x) = Ax, es lineal. En
dicha transformación lineal A recibe el nombre de matriz de transformación, es decir la matriz
asociada a la transformación.
Demostración:
Q.E.D.
El teorema anterior, nos informa como una matriz representa una transformación. El siguiente
teorema, muestra que las trasformaciones se pueden ver como funciones entre vectores y matrices.
La función compuesta entre funciones reales también es válida en transformaciones.
Demostración:
T (x) = (A2 A1 ) x
Como A2 es una matriz de orden s × m, y A1 es una matriz de orden m × n. La matriz resultante
del producto A2 A1 es una matriz de orden s × n. Por lo tanto, T es una transformación de Rn en
Rs , definida por el producto matricial A2 A1 .
Q.E.D.
Ejemplo 4.4 Sean T1 (x) = A1 x y T2 (x) = A2 x, definidas por las siguientes matrices A1 y
A2 .
2
2 1 0 1 2
A1 = , A2 = yx= 1
3 0 −1 −2 0
3
El teorema 4.3, nos muestra que las trasformaciones, al igual que las funciones, son susceptibles
de componerse entre ellas, sin embargo, la composición entre matrices requiere más cuidado,
pues es necesario tener en cuenta que el producto de matrices no es conmutativo.
.:Teorema 4.4 Sea T : U → V una transformación lineal. Sean 0V y 0U los vectores cero de
U y V Así T (0U ) = 0V . Es decir, que una transformación lineal convierte el vector cero de un
espacio vectorial en un vector cero de otro espacio vectorial.
4. Transformaciones Lineales 188
Demostración:
Q.E.D.
Era de esperarse que una transformación lineal entre dos espacios vectoriales, el vector nulo del
dominio estuviera relacionado con el vector cero del codominio. La siguiente definición tiene una
gran importancia para el desarrollo posterior del tema.
Núcleo (T ) = {x ∈ V | T (x) = 0}
Im (T ) = {y ∈ V | ∃x ∈ U y T (x) = y}
El Núcleo (T ) puede verse como todos aquellos vectores del espacio vectorial U que son
transformados en el vector nulo de V , como se muestra en la figura 4.1.
T
U V
x1
x2
..
.
xi 0
Ker(T ) xj
..
.
xk
Mientras que Im (T ) hace alusión aquellos vectores de V que son relacionados por vectores de
U.
Demostración:
Según el teorema anterior, se sabe que el núcleo no es vacío ya que contiene al vector cero de U.
Para demostrar que el núcleo es un subespacio de U, pruebe que es cerrado bajo la adición y la
multiplicación por un escalar:
1. Empezando por la propiedad de cerradura bajo la adición. Sean u1 y u2 elementos del
Núcleo (T ) . Por consiguiente, T (u1 ) = 0 y T (u2 ) = 0.
De acuerdo con la propiedad de linealidad de T, se tiene que:
Q.E.D
Demostración:
El teorema anterior indica que el rango no es vacío, ya que contiene al vector cero de V.
Para demostrar que el rango es un subespacio de V, es necesario probar que es cerrado bajo la
adición y la multiplicación por un escalar.
Por lo tanto, cv1 pertenece al rango. El rango es cerrado bajo la adición y la multiplicación por
un escalar. Así que es un subespacio de V.
Q.E.D.
Ejemplo 4.5 Determine el núcleo y el rango del operador lineal T (x, y, z) = (x, 0, z)
Solución:
Puesto que el operador lineal T transforma R3 en R3 , el núcleo y el rango serán subespacios de
R3 .
Imagínese que T proyecta el vector (x, y, z) en el vector (x, 0, z) en el plano xz. Donde T es
un ejemplo de operador de proyección.
Demostración:
Sea v un vector en el rango. Existe un vector u, tal que T (u) = v. Se debe expresar u en términos
de la base canónica de Rn .
4. Transformaciones Lineales 191
n
X
u= ai ei = a1 e1 + a2 e2 + · · · · · · + an en
i=1
Q.E.D
1 3 2
A = 1 0 6
2 6 4
Los vectores renglón distintos de cero proporcionan una base para el rango, así:
4. Transformaciones Lineales 192
1 1 2 1 1 2 1 1 2 1 1 2 1 1 2
3 0 6 ≈ 0 −3 0 ≈ 0 −3 0 ≈ 0 1 0 ≈ 0 1 0 ≈
2 6 4 2 6 4 0 4 0 0 4 0 0 0 0
1 0 2
0 1 0
0 0 0
Los vectores (1, 0, 2) y (0, 1, 0) generan el rango de T.
Cualquier vector del rango es una combinación lineal de estos vectores, así: s (1, 0, 2) +
t (0, 1, 0)
Ejemplo 4.8 Determine las dimensiones del núcleo y el rango de la transformación lineal T
definida por la matriz
1 0 5
A= 0 1 3
0 0 0
Solución:
Como la matriz A tiene forma escalonada. Los vectores renglón son linealmente independientes.
.:Teorema 4.9 Existen términos como el núcleo de una aplicación lineal T que recibe el nombre
de espacio nulo. Dim Núcleo (T ) recibe el nombre de nulidad, y Dim Rango(T ) recibe el
nombre de rango de la transformación. Este último término proviene de la observación de que
el rango de una transformación matricial es el rango de la matriz. Se considera que el teorema
anterior se denomina teorema del rango y la nulidad y se expresa de la siguiente forma:
.:Definición 4.4 Se dice que una transformación T es uno a uno, si cada elemento del rango de
T corresponde exactamente a un elemento del dominio de T. Esto significa que T es uno a uno
si T (u) = T (v) implica que u = v.
.:Teorema 4.10 Una transformación lineal T es uno a uno si y sólo si el núcleo es el vector cero.
[Se deja para ejercitación su demostración]
Demostración:
Sea T uno a uno, por lo tanto, Núcleo (T ) = 0. El teorema del rango y la nulidad implica que
Dim Rango(T ) = n. Y, las columnas de A son linealmente independientes, lo que induce que
el rango es n y det(A)6=0. Adicionalmente, suponga que A es no singular. Esto implica que el
rango de A es n y que sus n vectores columna son linealmente independientes. Significa que
Dim Rango(T ) = n.
El teorema del rango y la nulidad ahora soporta que Núcleo (T ) = 0. Por lo tanto, T es uno a
uno.
Q.E.D.
Demostración:
Considere la identidad a1 T (u1 ) + · · · + an T (un ) = 0 para los escalares a1 , a2 , . . . , an .
Q.E.D.
1 2 1 1 1 3
d) A = −1 −2 0 e) A = 0 1 3
2 4 1 2 1 7
12. Determine el núcleo y el rango para cada una de las transformaciones siguientes:
Demuestre que Dim Núcleo (T ) + Dim Rango (T ) = Dim Dominio (T ) para cada
transformación.
a) T (x, y, z) = (x, 0, 0) de R3 → R3
b) T (x, y, z) = (x + y, z) deR3 → R2
c) T (x, y) = (3x, x − y, y) deR2 → R3
13. Aplique el teorema del rango y la nulidad para calcular la dimensión del núcleo y el rango
de cada una de las transformaciones lineales definidas por las matrices siguientes. Indique
si las transformación es uno a uno.
1 8 2 1 2 −3
a) A = 0 1 4 −2 4 −6
d) A =
0 0 0 0 1 −2
0 4 −2
2 7 14
b) A = 0 9 1 1 4 2
0 0 1 e) A = 0 1 7
1 2 3 4 0 0 1
c) A = 1 −1 6 7
0 0 7 2
14. Use determinantes para decidir si las transformaciones lineales definidas por las matrices
siguientes son uno a uno.
1 2 5 0 1 7 4
a) A = 0 3 6 2 0 3 1
d) A =
0 0 4 0 0 6 3
0 0 0 −2
3 2 4
b) A = −2 0 0
2 1 5
2 1 3 0
−1 2 4 5 2 0 1
e) A =
c) A = 3 2 1 1 9 3 2
10 5 1 0 3 2 0
2 2
T : R → R
x x
→
y −y
y
✻
(x, y)
✒
✛ ✲x
❘
(x, −y)
❄
2 2
T : R → R
−x −x
→
y −y
2 2
T : R → R
x −x
→
y y
2 2
T : R → R
x −x
→
−y −y
4. Transformaciones Lineales 197
y
✻
(−x, y)
■
✛ ✲x
✠
(−x, −y)
❄
2
T : R → R2
x y
→
y x
2 2
T : R → R
′
x x
→
y y′
x = r cos α → x′ = r cos (θ + α)
y = r sin α → y ′ = r sin (θ + α)
y
✻
(−x, y) (x, y)
■ ✒
✛ ✲x
y
✻
✛ ✲x
✠ ❘
(−x, −y) (x, −y)
❄
y
✻ y=x
(y, x)
✕
(x, y)
✯
✲x
y
✻ (2, 5) y=x
✕
(5, 2)
✶
✲x
(x′ , y ′ )
■ (x, y)
✸
r θ+α
r
✠ θ
❂
π−α−θ ♦α
✛ ❲ ✲ x
.:Teorema 4.13 Sea T : Rn → Rm una transformación lineal, entonces existe una matriz única
m × n AT tal que T x = AT x ∀x ∈ Rn
El anterior teorema indica que toda transformacion lineal T se puede expresar como el producto
AT x
4. Transformaciones Lineales 200
d) Transformación de rotación:
′
x x x cos θ − y sin θ
T = = Se expresa como:
y y′ x sin θ + y cos θ
x cos θ − sin θ x
T =
y sin θ cos θ y
| {z } | {z }
Tx = Aθ x
√
Ejemplo 4.10 Hallar las coordenadas del punto imagen del punto P 5, 3 cuando se ha hecho
√
una rotación alrededor del origen de θ = 30°, cos 30° = 23 , sin 30° = 21 .
T √5 =
cos 30° − sin 30° √5
3 sin 30° cos 30° 3
√ !
3 1
= 2 −
√2 √5
1 3 3
2 2
√ ′
2 3 x
= =
4 y′
4. Transformaciones Lineales 201
y
✻
(x′ , y ′ )
✼
√
(5, 3)
✶
✐ 30
✲x
0
Figura 4.9: Ejemplo 4.10
.:Teorema 4.14 Si se conoce el efecto de una transformación lineal sobre los vectores de la base,
entonces se conoce el efecto sobre cualquier otro vector.
3
2 −1 5
Ejemplo 4.11 Si Ti = , Tj = , Tk = , calcular T −4
3 4 −3
5
3 1 0 0
−4 = 3 0 − 4 1 + 5 0
5 0 0 1
= 3i − 4j + 5k
3
T −4 = 3i − 4j + 5k
5
2 −1 5
= 3 −4 +5
3 4 −3
6 4 25
= + +
9 −16 −15
35
=
−22
y
✻
(4, 2)
✯
x
✲x
0
Figura 4.10: Vector inicial (ejemplo 4.12)
b) Una expansión a lo largo del eje y es una transformación lineal que multiplica a la coordeana
y de un vector en R2 por una constante c > 1.
x x
T = , entonces
y cy
1 1 0 0 1 0
T = ,T = , entonces AT = por lo tanto
0 0 1 c 0 c
x 1 0 x x
T = AT x = =
y 0 c y cy
4
Ejemplo 4.12 Supongamos que el vector inicial es x = y c = 2.
2
y
✻
(8, 2)
✿
Tr
✲x
0
Figura 4.11: Expansión de x a lo largo del eje x con c = 2 (Ejemplo 4.12)
y
✻
(4, 4)
✒
✲x
0
Figura 4.12: Expansión de x a lo largo del eje y con c = 2 (Ejemplo 4.12)
4. Transformaciones Lineales 204
y
✻
(3, 3)
✒
x
✲x
0
Figura 4.13: Vector inicial (ejemplo 4.13)
y
✻
(1, 3)
✍
Tx
✲x
0
1
Figura 4.14: Compresión sobre el eje x con c = 3 (Ejemplo 4.13)
y
✻
(3, 1)
✶
Tx
✲x
0
1
Figura 4.15: Compresión sobre el eje y con c = 3 (Ejemplo 4.13)
4.3.3. Cortes
x
a) Un corte a lo largo del eje x es una transformación que toma al vector x = y lo
y
x + cy
convierte en otro de la forma con c como una constante positiva o negativa.
y
x
x + cy
T =
entonces
y
y
x 1 c x x + cy
T = =
y 0 1 y y
Un corte a lo largo del eje x deja sin cambios a los vectores con coordenadas y = 0.
4
Ejemplo 4.14 Supongamos que se parte del rectángulo cuya diagonal es x = y c = 2.
3
La matriz de transformación es:
x + cy x + 2y
AT = =
y y
Vectorialmente x = (4, 3) = (4, 0) + (0, 3) entonces se debe aplicar la transformación a los 3
vectores anteriores.
0 0 + 2 (3) 6
T = =
3 3 3
4 4 + 2 (0) 4
T = =
0 0 0
4. Transformaciones Lineales 206
y
✻
(4, 3)
(0, 3) ❃
✲x
0 (4, 0)
Figura 4.16: Rectangulo con diagonal (4, 3) (Ejemplo 4.14)
y
✻
(6, 3) (10, 3)
✲x
0 (4, 0)
Figura 4.17: Transformación con c = 2 (Ejemplo 4.14)
4 4 + 2 (3) 10
T = =
3 3 3
Los resultados anteriores indican que:
0 6
Se transforma en
3 3
4 4
Se transforma en
0 0
4 10
Se transforma en
3 3
Si c = −2 el corte se efectúa hacia el otro lado del eje x.
0 0 − 2 (3) −6
T = =
3 3 3
4. Transformaciones Lineales 207
y
✻
(−6, 3) (−2, 3)
✛ ✲x
0 (4, 0)
Figura 4.18: Transformación con c = −2 (Ejemplo 4.14)
4 4 − 2 (0) 4
T = =
0 0 0
4 4 − 2 (3) −2
T = =
3 3 3
x
b) Un corte a lo largo del eje y es una transformación que toma al vector x = y lo
y
x
convierte en otro de la forma con c como una constante positiva o negativa.
y + cx
Un corte a lo largo del eje y no produce cambios en los vectores con coordenadas x = 0.
Ejemplo 4.15 Supongamos que se parte del rectángulo cuya diagonal es x = (2, 4) y c = 3.
y
✻
(2, 4)
(0, 4)
✕
✲x
0 (2, 0)
Figura 4.19: Rectangulo con diagonal (2, 4) (Ejemplo 4.15)
y
✻
(2, 10)
(2, 6)
(0, 4)
✲x
0
Figura 4.20: Transformación con c = 3 (Ejemplo 4.15)
4. Transformaciones Lineales 209
y
✻
(0, 4)
0 ✲x
(2, −2)
(2, −6)
❄
Si c = −3 entonces:
2 2 2
T = =
4 4 − 3 (2) −2
2 2 2
T = =
0 0 − 3 (2) −6
0 0 0
T = =
4 4 − 3 (0) 4
Por ejemplo un vector V = (x, y, z)que esta en R3 se puede proyectar en el plano xy que es el
subespacio H de R3 entonces la proyección obtenida es (x, y, 0).
3
T : R → R3
x x
y → y
z 0
4. Transformaciones Lineales 210
z
✻
(x, y, z)
✸
V
✲y
PV
s
(x, y, 0)
✠
x
Figura 4.22: Proyección en el plano xy
En este caso:
1 0 0
AT = 0 1 0 ⇒
0 0 0
1 0 0 x x
PV = 0 1 0 y = y
0 0 0 z 0
Si el vector V = (x, y, z) se proyecta sobre el plano yz, entonces:
3
R3
T : R →
x 0
y → y
z z
0 0 0 x 0
PV = 0 1 0 y = y
0 0 1 z 1
Si el vector V = (x, y, z) se proyecta sobre el plano xz, entonces:
3
T : R → R3
x x
y → 0
z z
4. Transformaciones Lineales 211
1 0 0 x x
PV = 0 0 0 y = 0
0 0 1 z z
Ejercicios 4.2
3
1. Hallar el vector resultante después de ejecutar al vector V = las siguientes
−2
transformaciones:
i) Cortar a lo largo del eje x con c = 2
ii) Expandir a lo largo del eje y con c = 2
iii) Reflejar respecto al eje x
iv) Cortar a lo largo del eje y con c = 3
y
✻
Tv
❦
✛ ✲ x
s
(3, −2)
❄
3 1 2 3 −1
Corte =
−2 −−−→ 0 1 −2 −2
1 0 −1 −1
Expandir =
−−−−−→ 0 2 −2 −4
1 0 −1 −1
Reflexión =
−−−−−−→ 0 −1 −4 4
1 0 −1 −1
Corte = = Tv
−−−→ 3 1 4 1
b)
x 2x − y + 3z 2 −1 3
T y = 4x − 2y + 6z ⇒ AT = 4 −2 6
z −6x + 3y − 9z −6 3 −9
1 −4
1 0
3. Sea T : R2 → R3 tal que T = 2 T = 0 hallar:
0 1
3 5
a)
2
T ,
4
1 −4 2 − 16 −14
2 2
T = 2 0 = 4+0 = 4
4 4
3 5 6 + 20 26
b)
−3
T ,
7
1 −4 −3 − 28 −31
−3 −3
T = 2 0 = −6 + 0 = −6
7 7
3 5 −9 + 35 26
−3 π
4. Hallar la posición del vector cuando rota θ = 3
4
−3
5. Hallar el vector resultante después de ejecutarle al vector V = las siguientes
4
transformaciones:
c 0
1 Expanción a lo largo del eje x ,c>1
0 1
1 0
2 Expanción a lo largo del eje y ,c>1
0 c
c 0
3 Compresión a lo largo del eje x ,0<c<1
0 1
1 0
4 Compresión a lo largo del eje y ,0<c<1
0 c
0 1
5 Reflexión respecto a la recta y = x
1 0
1 0
6 Reflexión respecto al eje x
0 −1
−1 0
7 Reflexión respecto al eje y
0 1
1 c
8 Corte a lo largo del eje x
0 1
1 0
9 Corte a lo largo del eje y
c 1
cos θ − sin θ
10 Rotación en el plano xy Aθ =
sin θ cos θ
1 0 0
11 Proyección sobre el plano xy 0 1 0
0 0 0
1 0 0
12 Proyección sobre el plano xz 0 0 0
0 0 1
0 0 0
13 Proyección sobre el plano yz 0 1 0
0 0 1
4. Transformaciones Lineales 214
1. T es invertible.
2. T es un isomorfismo.
3. A es invertible.
Solución:
2 2 1
La matiz estándar de T es A = 1 3 3
4 2 1
Por medio de técnicas para invertir matrices, se encuentra que A es invertible, teniendo en cuenta
que el detA = 6.
−0.5 0 0.5
Se tiene que la inversa de A es A−1 , y esta definida por: A−1 = 1.83̄ −0.3̄ −0.83̄
−1.6̄ 0.6̄ 0.6̄
Por lo tanto, T es invertible y su matriz estándar es A−1 .
4. Transformaciones Lineales 215
Encuentre la matriz de T con respecto a las bases: B = {(1, 2) , (−1, 1)} y B´= {(1, 0) , (0, 1)}
Solución:
Por definición de T, se tiene:
Solución:
Se forma la matriz
.
.. −1 2 .. −3 4
B´. B = . y se usa la eliminación Gauss-Jordan para obtener
2 −2 .. 2 −2
..
.. −1 −1 0 . −1 2 −1 −1 2
I2 .P = .. , así se obtiene P =
−2 3
0 −1 . −2 3
En caso alguno se puede determinar la matriz de transición de B´a B, se puede obtener mediante:
..
.. −3 4 . −1 2
B .B´ = ..
que se reduce a:
2 −2 . 2 −2
..
.. 1 0 . 3 −2
I2 .P = ..
, así se obtiene la matriz de transición de B´ a B es P =
0 1 . 2 −1
3 2
2 −1
−1 −1 2 −2 7 3 −2 2 1
A´= P AP = =
−2 3 −3 7 2 −1 −1 3
Para matrices cuadradas A y A´de orden n, se dice que A´es semejante a A si existe una matriz
invertible P tal que:
A´= P −1 AP.
1. A es semejante a A.
2. Si A es semejante a B, entonces B es semejante a A.
3. Si A es semejante a B y B es semejante a C, entonces A es semejante a C.
Demostración:
A = P −1 BP
P −1 AP = P (P −1 BP )P −1
P −1 AP = B
Q−1 AQ = B
donde
Q = P −1 .
La tercera propiedad se deja como ejercicio para el lector.
Q.E.D.
Ejemplo 4.20 Una casa editora publica un libro en tres ediciones diferentes: cubierta dura,
cubierta blanda y cubierta de lujo. Cada libro requiere cierta cantidad de papel y de material
para la cubierta. Los requisitos están dados en gramos por la siguiente matriz:
x1
Deja que x = x2 representa el vector producción, donde x1 , x2 , x3 representan el número
x3
de libros con cubierta dura, cubierta blanda y cubierta de lujo respectivamente, que se publican.
y1
La transformación lineal es T : R3 → R2 , definida por T (x) = Ax, nos da el vector ,
y2
donde y1 representa la cantidad
totalde papel requerido y y2 la cantidad de material para la
1000
cubierta. Suponga que x = 900 , entonces:
1500
1000
800 700 500 2180000
T (x) = Ax = 900 =
70 50 80 235000
1500
Solución:
Sean C = {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)} , C´= {(1, 0) , (0, 1)} , las bases canónicas de R3 , R2 ,
respectivamente.
Calculemos: T (1, 0, 0) = (5, 1); T (0, 1, 0) = (−2, 4); T (0, 0, 1) = (3, −2).
c´ 5 −2 3
Luego, [T ]c =
1 4 −2
Ejemplo 4.22 Sea P3 el espacio vectorial de polinomios de grado máximo 3 y sea B la base
ordenada 1, x, x2 , x3 para P3 .
4. Transformaciones Lineales 219
de P3 , es una
La operación de cálculo de diferenciación, aplicada a polinomios transformación
lineal T de P3 en sí mismo tal que T (1) = 0, T (x) = 1, T x2 = 2x, T x3 = 3x2 .
Hallar la matriz AT que representa T respecto a las bases B, B y usar AT para diferenciar el
polinomio 4x3 − x2 + 7x − 5.
Solución:
0 1 0 0
0 0 2 0
Por los valores dados para T en los vectores de la base B, hallamos que AT =
0 0 0 3
0 0 0 0
−5
3 2
7
El vector coordenado de 4x − x + 7x − 5 respecto a B es −1
4
Calculamos T 4x3 − x2 + 7x − 5 usando AT .
−5 0 1 0 0 −5 7
7 0 0 2 0 7 −2
−1 = 0 0
AT =
0 3 −1 12
4 0 0 0 0 4 0
Así, T 4x3 − x2 + 7x − 5 = 7 (1) + (−2) x + 12x2 + 0x3 = 12x2 − 2x + 7.
0 1 0 0 0 1 0 0 0 0 2 0
0 0 2 0 0 0 2 0 0 0 0 6
AT AT =
0
=
0 0 3 0 0 0 3 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0 0 2 0 3 −16
0 0 0 6 4 12
0
=
0 0 0 −8 0
0 0 0 0 2 0
4. Transformaciones Lineales 220
Ax = λx
La anterior expresión tiene una interpretación geométrica. Por ejemplo en R2 , si λ es un valor
característico de una matriz A y x es un vector característico de A correspondiente a λ, entonces,
el producto de xA da como resultado un vector λx paralelo a x, como se ilustra en la figura.
λx
Ax = λx
Figura 5.1: Ax = λx
221
5. Vectores y valores propios 222
T (x) = λx (5.1)
Ax = λx (5.2)
NOTA:
En este caso λ = 1.
3
Para v = se obtiene:
2
5. Vectores y valores propios 223
10 −18 3
Av =
6 −11 2
−6
=
−4
3
= −2 = −2v ⇒ Av
2
Entonces λ = −2
3
Es un valor propio de A para el correspondiente vector v = .
2
Ax = λx (5.3)
entonces (A − λI) x = 0.
Como x 6= 0, para que la igualdad se cumpla requiere que A − λI sea cero, entonces:
A − λI = 0
Como A es una matriz n × n, la ecuación (5.3) es un sistema homogéneo de n ecuaciones y n
incógnitas y como x 6= 0, el sistema tiene soluciones no triviales, por lo tanto:
det (A − λI) = 0
En términos generales, tenemos un sistema homogéneo de la siguiente forma:
donde x = (x1 . . . xn )t , para que el sistema de la ecuación 5.4 tenga una solución no trivial, se
necesita que el determinante de la matriz del sistema sea nula. Es decir, que:
a11 − λ a12 ··· a1n
a21 a22 − λ · · · a2n
det .. .. .. .. =0
. . . .
an1 an2 · · · ann − λ
5. Vectores y valores propios 224
El siguiente teorema, permite encontrar los valores propios de una matriz A correspondiente a
una transformación.
Demostración:
λ es un valor propio de A ⇐⇒Existe x ∈ C n , x 6= 0, tal que Ax = λx
⇐⇒Existe x ∈ C n , x 6= 0, tal que Ax − λx = 0
⇐⇒Existe x ∈ C n , x 6= 0, tal que Ax − (λIn ) x = 0
⇐⇒Existe x ∈ C n , x 6= 0, tal que (A − λIn ) x = 0
⇐⇒El sistema homogéneo con matriz de coeficiente A − λIn posee al menos una solución
no trivial
⇐⇒La matriz A − λIn no es invertible
⇐⇒det (A − λIn ) = 0
Q.E.D.
Del teorema anterior, podemos concluir que para cada matriz dada A, sus valores propios son los
elementos del conjunto solución det (A − λIn ) = 0. Esta estrategia permite, al menos en teoría,
saber cuáles escales son los valores propios de una matriz A .
2 3
Ejemplo 5.3 Si A = , encuentre los valores propios para A.
5 −6
2 3 1 0
A − λI = −λ
5 −6 0 1
2 3 λ 0 2−λ 3
− =
5 −6 0 λ 5 (−6) − λ
Entonces,
2−λ 3
P (λ) = detP (λ) = det =0
5 (−6) − λ
Expandiendo el determinante, tenemos:
(2 − λ)(−6 − λ) − 15 = 0
5. Vectores y valores propios 225
λ2 + 4λ − 24 = 0
√ √
(λ − ( 31 − 4))(λ + ( 31 + 4)) = 0
√ √
Entonces λ = 31 − 4 y λ = − 31 − 4
El teorema 5.2 nos muestra que el tamaño de la matriz esta asociado directamente con la
cantidad de valores propios, y por ende a la cantidad de vectores propios. Sin embargo, algunos
valores propios pueden repetirse, debido a que surgen como raíces del polinomio que se genera
cuando hallamos el determinante. En este caso, se dice que tiene multiplicidad dos o tres, etc,
dependiendo de las raíces generadas.
1−λ −1 4
det (A − λI) =
3 2−λ −1
2 1 −1 − λ
= − λ3 − 2λ2 − 5λ + 6
= − (λ − 1) (λ + 2) (λ − 3) = 0
Para cada valor propio λ existirá un vector propio v como se muestra a continuación:
1 −1 4 −2 0 0 x1 0
(A − (−2)I) v = 3 2 −1 − 0 −2 0 x2 = 0
2 1 −1 0 0 −2 x3 0
obteniendo
3 −1 4 x1 0
3 4 −1 x2 = 0
2 1 1 x3 0
Reducimos la matriz ampliada
.. ..
3 −1 4 . 0 1 −2 3 . 0
. f1 → f1 − f2 .
3
4 −1 .. 0
f2 → f2 − f3
1
3 −2 .. 0
. .
2 1 1 .. 0 2 1 1 .. 0
5. Vectores y valores propios 227
. ..
1 −2 3 .. 0 1 −2 3 . 0
f2 → f2 − f1 . .
f3 → f3 − 2f1 0
5 −5 .. 0
f3 → f3 − f2 0
5 −5 .. 0
. ..
0 5 −5 .. 0 0 0 0 . 0
Para finalmente llegar al sistema:
x1 −2x2 +3x3 = 0
5x2 −5x3 = 0
Donde x1 = 2x2 − 3x3 , x2 ⇒ x1 = −x3 , x2 = x3 y x3 = variable independiente
Los vectores propios
de A correspondientes
a λ = −2 son vectores diferentes de cero y de
x1 −1
la forma v = x2 = 1 x3 de modo que un vector propio se obtiene cuando
x 1
3
−1 1
x3 = 1 ⇒ v2 = 1 y cuando x3 = −1 ⇒ v2 = −1
1 −1
c) Hallar el vector propio correspondiente a λ3 = 3, de nuevo resolvemos (A − 3I) v = 0
1 −1 4 3 0 0 x1 0
(A − 3I) v = 3 2 −1 − 0 3 0 x2 = 0
2 1 −1 0 0 3 x3 0
Donde
−2 −1 4 x1 0
3 −1 −1 x2 = 0
2 1 −4 x3 0
Ahora reducimos la matriz ampliada
.. ..
−2 −1 4 . 0 −2 −1 4 . 0
. f3 → f3 + f1 ..
3 −1 −1 .. 0 5 0 −5 . 0
f2 → f2 − f1
.. ..
2 1 −4 . 0 0 0 0 . 0
. .
1 −2 −1 4 .. 0 2 −1 0 .. 0
f2 → 5 f2 . .
1
0 −1 .. 0
f1 → f1 + 4f2 1
0 −1 .. 0
. .
0 0 0 .. 0 0 0 0 .. 0
Llegando al sistema
2x1 −x2 = 0
x1 −x3 = 0
Luego x2 = 2x1 , x3 = x1 , y x1 = variable independiente
5. Vectores y valores propios 228
Ejemplo 5.5 Hallar los valores y vectores propios de una matriz triangular sí:
2 5 6
A = 0 −3 2
0 0 5
Ahora
2−λ 5 6
det (A − λI) =
0 −3 − λ 2
0 0 5−λ
= (2 − λ) (−3 − λ) (5 − λ) = 0
Para cada valor propio λ existirá un vector propio v como se muestra a continuación:
2 5 6 3 0 0 x1 0
(A − (−3)I) v = 0 −3 2 + 0 3 0 x2 = 0
0 0 5 0 0 3 x3 0
Obteniendo:
5 5 6 x1 0
0 0 2 x2 = 0
0 0 8 x3 0
Resultando el siguiente sistema:
Demostración:
a11 − λ a12 ··· a1n
a21 a22 − λ · · · a2n
det (A − λI) = .. .. .. ..
. . . .
an1 an2 ··· ann − λ
Antes de realizar la demostración veremos la siguiente proposición sobre determinantes
Sea A una matriz cuadrada de orden n. Entonces el detA es igual a la suma de todos los n!
productos posibles (con signos adecuados) de n entradas de la matriz A en donde, en cada
producto hay exactamente una entrada de cada fila y exactamente una entrada de cada columna
de A. a
a Para ver la demostración consultar [2]
Q.E.D.
.:Teorema 5.4 Sea A ∈ C de tamaño n×n es una matriz triangular, entonces los valores propios
de A, contando sus multiplicidades, están dados por λ1 = a11 , λ2 = a22 , · · · , λn = ann , donde
a11 , a22 , . . . , ann son las entradas de la diagonal principal de A.
Demostración:
a11 − λ a12 ··· a1n
0 a 22 −λ ··· a2n
P (λ) = det(A − λI) = .. .. .. ..
. . . .
0 0 ··· ann − λ
Q.E.D.
.:Teorema 5.5 Si una matriz A de tamaño n×n y tiene valores propios λ1 , λ2 , · · · , λk entonces:
a) Los valores propios de At son λ1 , λ2 , · · · , λk
b) Los valores propios de αA son αλ1 , αλ2 , · · · , αλk
c) Los valores propios de Am son λm m m
1 , λ2 , · · · , λk
.:Teorema 5.6 Si A es de tamaño de n × n, entonces A−1 existe si y sólo si sus valores propios
son todos diferentes de cero.
Demostración:
n
P (λ) = det (A − λI) = (−1) λn + an−1 λn−1 + · · · + a1 λ + a0
= (−1)n λn + bn−1 λn−1 + · · · + b1 λ + b0
ai−1 n
donde bi−1 = (−1) n i = 1,1 2, . . . n y como λ + bn−1 λn−1 + · · · + b1 λ + b0 es un polinomio
1
mónico , entonces él posee factorización sobre los números complejos, así:
1 Un polinomio es mónico cuando el coeficiente de la variable de mayor potencia es 1.
5. Vectores y valores propios 232
La demostración del punto dos del teorema se deja como ejercicio al lector.
Q.E.D.
.
−1 4 −3 .. 1
.
−1 3 .. ···
. ⇒ λ = 1 es una raíz
· · · · · · · · · ..
.
−1 3 0 ..
Entonces tenemos el polinomio factorizado
(λ − 3) (λ − 1) (−λ + 3) = 0
5. Vectores y valores propios 233
x1 −x3 = 0
entonces x1 = x3 y x2 = x3
x2 −x3 = 0
1
Cuando x3 = 1 ⇒el vector propio es 1
1
Ahora para λ = 3
−4 2 0
(A − 3I) V = −4 2 0 v
−4 2 0
Resolviendo
1 − 21 0
0 0 0 v = 0
0 0 0
1
⇒ x1 = x2 , Significa que x2 es variable independiente
2
1
x1 2 1
⇒ v = x2 = x2 1 Si x2 = 2r ⇒ v = 2 r
x3 0 0
1
El vector propio es: 2
0
Ejemplo 5.7 Dada la matriz A de 3 × 3 con 2 valores propios distintos y 3 vectores propios L.I
3 2 4
A= 2 0 2
4 2 3
5. Vectores y valores propios 234
a) Para λ1 = 8 se obtiene:
−5 2 4 x1 0
(A − 8I) v = 2 −8 2 x2 = 0
4 2 −5 x3 0
Reduciendo por renglones se tiene:
.. ..
−5 2 4 . 0 −5 2 4 . 0
. ..
2 −8
2 .. 0
→
−18 0 18 . 0
→
. .
4 2 −5 .. 0 9 0 −9 .. 0
. ..
−5 2 4 .. 0 0 2 −1 . 0
. ..
−1 0
1 .. 0
→
−1 0
1 . 0
. ..
9 0 −9 .. 0 0 0 0 . 0
Quedando el sistema
2x2 −x3 0= 1
⇒ x2 = x3 y x1 = x3
−x1 +x3 0= 2
Si x3 = 2 el vector propio correspondiente a λ1 = 8 es (2, 1, 2)
b) Para λ2 = −1 se obtiene:
4 2 4 x1 0
(A + I) v = 2 1 2 x2 = 0
4 2 4 x3 0
Reduciendo por renglones se tiene:
.
0 0 0 .. 0
.
2 1
2 .. 0
→ 2x1 + x2 + 2x3 = 0
.
0 0 0 .. 0
5. Vectores y valores propios 235
x3
a) Para λ1 = 8 se obtuvo x1 = x3 y x2 = ,x3 Variable independiente
2
2r 2 2
Sea x3 = 2r ⇒ x1 = 2r y x2 = r ⇒ v1 = r = 1 r ⇒ v = 1
2r 2 2
es el vector propio básico, para λ1 = 8
b) Para λ2 = 1 se obtuvo x1 = − x22 − x3 . Las variables independientes son x2 , x3 sea
x3 = S,
−r − s
x2 = 2r ⇒ x1 = −r − s los vectores propios son de la forma 2r =
s
−1 −1 −1 −1
2 r + 0 s ⇒ v2 = 2 , v3 = 0 son los vectores básicos.
0 1 0 1
Ejercicios 5.1 1. Calcule los valores y los vectores propios de las siguientes matrices:
2 1 7 −2 −4
a)
6 −2 d) 3 0 −2
−3 2
6 −2 −3
b)
0 −4
4 1 0 1
1 1 −2 2 3 0 1
e)
c) −1 2 1 −2 1 2 −3
0 1 −1 2 −1 0 5
Veamos una aplicación del teorema anterior, que se puede ver como como una forma alternativa
de expresar la inversa de una matriz, usando los valores propios.
1−λ −1 4
det (A − λI) =
3 2 − λ −1
2 1 −1 − λ
⇒ P (λ) = λ3 − 2λ2 − 5λ + 6 = 0
Entonces;
1
A−1 = −A2 + 2A + 5I
6
−6 −1 −1 2 −2 8 5 0 0
1
A−1 = −7 0 −11 + 6 4 −2 + 0 5 0
6
−3 1 −8 4 2 −2 0 0 5
1 −3 7
1
= −1 9 −13
6
1 3 −5
5. Vectores y valores propios 237
B = C −1 AC (5.5)
Esto es equivalente, a decir que:
CB = AC
La función definida por 5.2 que lleva la matriz A en la matriz B se llama transformación de
semejanza y se puede escribir como: T (A) = C −1 AC
5 4 3 5.2 15 10
CB = =
0 −1 0 −4 0 4
3 2 5 4 15 10
AC = =
0 −4 0 −1 0 4
Entonces: CB = AC ⇒ A y B son semejantes
Sea
4 0 0 1 3 0 1 1 0
D = 0 −2 0 , A = 3 1 0 , C = 1 −1 0
0 0 −2 0 0 −2 0 0 1
4 4 0 4 4 0
CA = −2 2 0 , y DC = −2 2 0
0 0 −2 0 0 −2
Entonces CA = DC ⇒ A = C −1 DC ⇒ A y D son matrices semejantes
Demostración:
Supongamos que A y B son semejantes; entonces existe una matriz C invertible, tal que
B = C −1 AC.
Q.E.D.
De acuerdo a lo que se resolvió en el ejemplo anterior, los valores propios de D son 4, -2, -2 y los
valores propios de A son: 4, -2, -2. Esto se puede verificar viendo si se cumple:
.:Definición 5.3 Una matriz A de tamaño n × n es diagonalizable si existe una matriz diagonal
D tal que A es semejante a D.
Si C es una matriz cuyas columnas son los vectores propios linealmente independientes de A,
entonces:
D = C −1 AC
Demostración:
Supongamos que A tiene n vectores propios que son l.i, v1 , v2 , . . . , vn , que corresponden a los
valores propios, no necesariamente diferentes λ1 , λ2 , . . . , λn .
5. Vectores y valores propios 240
Sea:
c11 c12 c1n
c21
c22
c2n
v1 = .. , v1 = .. , . . . , vn = .. ,
. . .
cn1 cn2 cnn
Y sea:
c11 c12 ··· c1n
c21 c22 ··· c2n
C= .. .. ..
. . .
cn1 cn2 ··· cnn
Entonces C es invertible, ya que sus columnas son l.i. Ahora bien,
a11 a12 · · · a1n c11 c12 · · · c1n
a21 a22 · · · a2n c21 c22 · · · c2n
AC = . .. .. .. .. ..
.. . . . . .
an1 an2 ··· ann cn1 cn2 ··· cnn
y se ve que la columna i de AC es
c1i
c2i
A .. = Avi = λi vi
.
cni
Así, AC, es la matriz cuya columna i es λi vi y
λ1 c11 λ2 c12 ··· λn c1n
λ1 c21 λ2 c22 ··· λn c2n
AC = .. .. ..
. . .
λ1 cn1 λ2 cn2 ··· λn cnn
λ1 0 ··· ··· 0
c11 c12 ··· c1n 0 λ2 ··· ··· 0
c21 c22 ··· c2n
CD =
.. .. ..
0 0 λ3 ··· 0
. . . .. .. .. ..
. . . ··· .
cn1 cn2 ··· cnn
0 0 0 ··· λn
λ1 c11 λ2 c12 ··· λn c1n
λ1 c21 λ2 c22 ··· λn c2n
= .. .. ..
. . .
λ1 cn1 λ2 cn2 ··· λn cnn
Entonces AC = CD.
5. Vectores y valores propios 241
Q.E.D.
4 2
Ejemplo 5.12 Sea A = , encuentre la matriz diagonal D.
3 3
4−λ 2
det (A − λI) = =0
3 3−λ
= (λ − 1) (λ − 6) = 0
D = C −1 AC
1 1 −1 4 2 2 1
=
5 3 2 3 3 −3 1
1 1 −1 2 6
=
5 3 2 −3 6
1 5 0
=
5 0 30
1 0
=
0 6
Como podemos ver los elementos de la diagonal de la matriz D son los valores propios de
la matriz A.
NOTA: Diagonalizar una matriz A es encontrar una matriz diagonal D que es semejante a A
o sea que, se cumpla que D = C −1 AC donde C es la matriz de vectores propios linealmente
Independientes.
An = CB n C −1 n ∈ Z +
Solución:
5 −4 1 0 1 4
C −1 AC =
−1 1 0 2 1 5
−3 20
= =B
1 6
Para calcular B 5 primero se calcula A5 , lo cual es fácil porque A es una matriz diagonal
2 12 0 3 13 0 4 14 0 5 15 0 1 0
A = ,A = ,A = ,A = =
0 22 0 23 0 24 0 25 0 32
5. Vectores y valores propios 243
B5 = C −1 5
A C
5 −4 1 0 1 4
=
−1 1 0 32 1 5
5 −128 1 4
=
−1 32 1 5
−123 −620
=
31 156
Ejercicios 5.2
a) An es semejante a B n , n ∈ Z +
5. Vectores y valores propios 244
b) detA = detB.
13. Pruebe que si A y B son matrices cuadradas de tamaño n × n y alguna de las dos es
invertible, entonces AB y BA tienen valores propios iguales.
Bibliografía
245
Índice alfabético
246
ÍNDICE ALFABÉTICO 247
Producto escalar, 36