Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal
Algebra Lineal
ALGEBRA LINEAL
presentado por:
LAMBAYEQUE – PERU
2013
Dedicatoria
Para mis padres, Martha y Elı́as; para mi
adorable esposa, Flor Angela y para los
más grandes tesoros de mi vida, mis hijas
Alessandra Anghely y Stefany Grace.
Prefacio
Visión general
i
ii Algebra Lineal Walter Arriaga Delgado
Objetivo
El objetivo de este libro es presentar los temas de manera clara y comprensible para los
estudiantes de cualquier nivel, de forma que los motive a preguntar porqué y transmitirles el
entusiasmo y gusto por el estudio del Algebra Lineal y a la vez proporcionar al lector una
herramienta de consulta, ası́ como reforzar la comprensión de los temas y conceptos por medio
de una amplia gama de interesantes aplicaciones en el mundo real. El texto se ha diseñado
para brindarle una comprensión sólida e intuitiva de los conceptos básicos, sin sacrificar la
precisión matemática.
Aplicaciones
Una de mis metas fue convencer a lo estudiantes de la importancia del Algebra Lineal en
sus campos de estudio. Ası́, este libro pretende implementar el estudio de las aplicaciones del
Algebra Lineal a la Computación e Informática, Ingenierı́a de Sistemas, etc.
Caracterı́sticas
Contenido
En el Capı́tulo III, se estudia las transformaciones lineales, asi como también se deter-
mina el núcleo y la imagen de una transformación lineal.
Caracterı́sticas pedagógicas
La resolución de problemas debe apreciarse como la razón de ser del contenido matemático,
un medio poderoso de desarrollar conocimiento matemático y un logro indispensable de
una buena educación matemática. El elemento crucial asociado con el desempeño eficaz en
matemática es que los estudiantes desarrollen diversas estrategias que le permitan resolver
problemas donde muestren cierto grado de independencia y creatividad.
Hay que hacer que los alumnos trabajen dinámicamente en actividades que permitan la
construcción del saber matemático por etapas, a partir de fenómenos y de situaciones cotidi-
anas de modo que vayan elaborando conceptos de dificultad creciente, observando claramente
y de inmediato su uso.
El libro contiene problemas resueltos y propuestos para que el estudiante ponga a prueba
su aptitud. En los ejemplos resueltos enseñamos a los estudiantes a pensar sobre los problemas
antes de que empiecen a resolverlos.
iv Algebra Lineal Walter Arriaga Delgado
Resúmenes
Al final de cada capı́tulo, aparece un repaso detallado de los resultados importantes del
mismo, esto permitirá una clara comprensión del texto.
Uso de Software
La tendencia cada vez mayor a que el docente se convierta en un “facilitador del apren-
dizaje” más que un “presentador de hechos” ha producido una expansión en la esfera de los
paquetes de informática especializados como los software matemáticos preparados para ayu-
dar al docente. Estos paquetes tienen por objeto suplementar el trabajo práctico, permitiendo
ası́ ampliar la presentación de la ciencia a los estudiantes. Estos software han adquirido tal
grado de complejidad en la enseñanza de la Ciencia que han recibido el nombre de “Tecnologı́a
Educativa”.
Entre los software matemáticos más importantes podemos citar: Maple, Matlab, Derive,
Mathematica, Cabri Geometry, etc.
El software matemático Maple que se ha utilizado para la preparación de este libro, se
caracteriza por realizar cálculos con sı́mbolos que representan objetos matemáticos.
Se trata de un sistema de cálculo cientı́fico (simbólico, numérico y gráfico) interactivo, con
una sintaxis próxima a la notación matemática, disponible para una amplia gama de sistemas
operativos. Algunas de sus capacidades son:
La historia de la matemática
La historia de la matemática está llena de anécdotas, de problemas interesantes que pueden
motivar a los jóvenes a estudiarla y desarrollar actitude positivas hacia ella. El uso de tópicos
de historia de la matemática, de biografı́as de matemáticos, de acertijos y problemas clásicos
permite acercarnos a esta ciencia desde un punto de vista humano. Los estudiantes com-
prenden que la matemática es simplemente una actividad creada por seres humanos iguales
Walter Arriaga Delgado Algebra Lineal v
a ellos, quienes desarrollaron ideas creativas y resolvieron situaciones que en su tiempo er-
an importantes, pero que en otros momentos sufrieron frustración y desengaño, ya sea al no
poder resolver los problemas que se plantearon, porque la sociedad no estaba preparada para
sus ideas renovadoras, o porque sufrieron la marginación de las comunidades cientı́ficas de la
época, como ocurrió en el caso de las mujeres matemáticas.
Es sumamente útil explorar con nuestros alumnos los inicios de un concepto, las dificultades
con las que tuvieron que enfrentarse estos investigadores y las ideas que surgieron al enfrentar
una situación nueva. Todos estos hechos encarnan una verdadera aventura intelectual que
muchas veces se deja de lado en las clases tradicionales donde un tema aparece presentado de
manera acabada e inerte, sin posibilidad de descubrimiento, ni crı́tica.
Requisitos
El requisito para leer éste libro es conocer su matemática básica y su cálculo diferencial e
integral. Para aprovechar al máximo este texto los alumnos deben contar con medios numéricos
de resolución (software matemáticos) que no exigen que el usuario sea experto en computación,
pero de igual modo pueden aprender bien incluso sin ningún medio de éstos.
El autor
Introducción
vii
viii Algebra Lineal Walter Arriaga Delgado
sidad de sus aplicaciones bien vale el esfuerzo: Teorı́a de la Información, Teorı́a de Códigos,
Criptografı́a, etc. Incluso las más recientes tendencias en computación como la Computación
Cuántica tienen en el Álgebra Lineal su herramienta clave.
En este curso introduciremos los conceptos y técnicas clave del Álgebra Lineal y veremos
por encima algunas de sus aplicaciones a la Informática, en concreto a la Teorı́a de Códigos.
Esta obra es un intento para lograr que la enseñanza y el aprendizaje de la ciencia sean los
más eficaces posible. Como no hay una manera perfecta de enseñar la Ciencia, ésta publicación
no pretende ser el non plus ultra de la enseñanza de la Matemática. Los profesores deben buscar
constantemente los mejores métodos para ellos mismos y para sus alumnos, ası́ como leer con
la mayor amplitud y profundidad posibles. Sin embargo, se espera que este trabajo sirva de
documento básico para empezar. Se ha reunido las contribuciones de docentes que se han
especializado en estos temas a fin de presentar un amplio panorama de la enseñanza de ésta
Ciencia.
Es importante que el pensamiento creador en todos los niveles de educación se centre en
crear las situaciones de aprendizaje más eficaces para los estudiantes. En consecuencia, este
texto está destinado tanto a estudiantes de ciencias e ingenierı́a como a docentes en ejercicio
ası́ como también a los futuros docentes de varios niveles académicos para que lo utilicen
en las situaciones más diversas. Su finalidad es mejorar la enseñanza cotidiana de la ciencia
examinando los numerosos temas que influyen sobre el estudiante.
Éste es el compromiso que como docente de la Facultad de Ciencias Fı́sicas y Matemáticas
de la Universidad Nacional Pedro Ruiz Gallo he asumido: el contribuir a la formación integral
de los estudiantes del presente siglo.
Se tiene siempre la esperanza de que una publicación sea tan buena que haya demanda
de una segunda edición. Esto permite siempre corregir las inexactitudes y las equivocaciones,
ası́ como añadir material pertinente nuevo u omitido inadvertidamente antes. Se agradecerá a
los lectores que comuniquen sus propias contribuciones y sugerencias al autor.
x Algebra Lineal Walter Arriaga Delgado
Índice general
Prefacio I
Introducción VI
xi
xii Algebra Lineal Walter Arriaga Delgado
3. ESPACIOS VECTORIALES 89
3.1. Espacio Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.1.1. Propiedades de los espacios vectoriales . . . . . . . . . . . . . . . . . . . 96
3.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.2.1. Operaciones con subespacios . . . . . . . . . . . . . . . . . . . . . . . . 97
3.2.2. Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2.3. Sistemas de generadores . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2.4. Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . 106
3.2.5. Bases y Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Bibliografı́a 181
xv
xvi Algebra Lineal Walter Arriaga Delgado
Índice de cuadros
xvii
xviii Algebra Lineal Walter Arriaga Delgado
1
MATRICES, DETERMINANTES
Y SISTEMAS DE ECUACIONES
LINEALES
Objetivos
z Conocer y aplicar las principales técnicas de cálculo matricial.
1.1. Matrices
El primero que empleó el término “matriz” fue el matemático inglés James Joseph Sylvester
en el año 1850.
Sin embargo, hace más de dos mil años los matemáticos chinos habı́an descubierto ya un
método de resolución de sistemas de ecuaciones lineales equivalente al método de Gauss y por
lo tanto empleaban tablas con números.
Pero hasta el Siglo XIX no se desarrolla en las matemáticas el Álgebra de matrices. A
este desarrollo contribuyó de forma decisiva el matemático inglés Arthur Cayley. En 1858
publicó unas “Memorias sobre la teorı́a de matrices” en la que daba la definición de matriz y
las operaciones suma de matrices, de producto de un número real por una matriz, de producto
de matrices y de inversa de una matriz. Cayley afirma que obtuvo la idea de matriz a través
1
2 Algebra Lineal Walter Arriaga Delgado
1.1.2. Introducción
Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester.
El desarrollo inicial de la teorı́a se debe al matemático W.R. Hamilton en 1853. En 1858, A.
Cayley introduce la notación matricial como una forma abreviada de escribir un sistema de m
ecuaciones lineales con n incógnitas.
Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones
lineales, de las ecuaciones diferenciales y de las derivadas parciales. Además de su utilidad
para el estudio de sistemas de ecuaciones lineales, las matrices aparecen de forma natural en
geometrı́a, estadı́stica, economı́a, informática, fı́sica, etc...
La utilización de matrices (arrays) constituye actualmente una parte esencial de los lengua-
jes de programación, ya que la mayorı́a de los datos se introducen en los ordenadores como
tablas organizadas en filas y columnas: hojas de cálculo, bases de datos,...
Además de su utilidad para el estudio de los sistemas de ecuaciones, las matrices aparecen
de manera natural en geometrı́a, estadı́stica, economı́a, etc.
Nuestra cultura está llena de matrices de números: El horario de los trenes de cada una
de las estaciones es una matriz de doble entrada, la tabla de cotizaciones de la Bolsa en cada
uno de los dı́as de la semana es otra, etc.
Las tablas de sumar y multiplicar, la disposición de los alumnos en clase, las casillas de un
tablero de ajedrez, las apuestas de la loto, los puntos de un monitor de ordenador, son otros
tantos ejemplos de la vida cotidiana de matrices.
Actualmente, muchos programas de ordenador utilizan el concepto de matriz. Ası́, las
Hojas de Cálculo funcionan utilizando una inmensa matriz con cientos de filas y columnas en
cuyas celdas se pueden introducir datos y fórmulas para realizar cálculos a gran velocidad.
Esto requiere utilizar las operaciones con matrices.
Los elementos aij pueden ser números reales, números complejos o cualquier objeto no numéri-
co, como por ejemplo la posición de las fichas en el tablero del ajedrez o los apellidos de
personas cuando son codificadas en orden alfabético.
Notación General: Se simboliza cada elemento con subı́ndices de la forma aij , donde i
representa la fila donde se encuentra y j la columna.
Ası́ la matriz de m filas y n columnas cuyos elementos son aij es:
a11 a12 . . . a1j . . . a1n
a21 a22 . . . a2j . . . a2n
. . . .
.. .. .. ..
A=
ai1 ai2 . . . aij . . . ain
. .. .. ..
.. . . .
am1 am2 . . . amj . . . amn
El orden de una matriz es la multiplicación indicada del número de filas por el número de
columnas de dicha matriz, ası́ si la matriz tiene m filas y n columnas diremos que la matriz
es de orden m × n.
!
4 2 −5
Ejemplo 1.1.1. La matriz tiene 2 filas y 3 columnas, entonces decimos que es
7 1 −3
de orden 2 × 3.
Dos matrices del mismo orden son iguales si todos sus elementos de la misma posición son
respectivamente iguales.
Ası́, sean las matrices A = (aij )m×n ∧ B = (bij )m×n
Ejemplo 1.1.2. Halle el valor de: (2x − y) + (2z − w). Si las matrices:
! !
2x + y 2z + w 4 5
y
x − 2y z − 2w −1 0
son iguales.
Solución
De la igualdad de matrices
! !
2x + y 2z + w 4 5
=
x − 2y z − 2w −1 0
Se tiene:
2x + y = 4 ∧ x − 2y = −1 entonces x = 7/5 , y = 6/5
Ası́ mismo:
2z + w = 5 ∧ z − 2w = 0 entonces z = 2 , w = 1
Luego el valor de : (2x − y) + (2z − w) es:
7 6 8 23
2 − + (2(2) − 1) = + 3 =
5 5 5 5
a) Matriz Cuadrada: Una matriz A es cuadrada cuando el número de filas es igual al número
de columnas. Am×n es cuadrada si y sólo si m = n, en este caso se dice que A es de orden
n × n o simplemente de orden n y se representa por An .
a11 a12 a13 · · · a1n
a
21 a22 a23 · · · a2n
A= a31 a32 a33 · · · a3n
(1.1)
. .. .. .. ..
.. . . . .
an1 an2 an3 · · · ann
" #
2 −1
Ejemplo 1.1.3. La matriz A = es cuadrada de orden 2.
3 5
Walter Arriaga Delgado Algebra Lineal 5
a.1. Matriz Triangular: Es aquella matriz cuyos elementos que se encuentran por encima
o por debajo de la diagonal principal son ceros. Estas a su vez pueden ser:
a.1.1. Matriz Triangular Superior : Una matriz cuadrada A = (aij )n×n es triangular
superior si aij = 0 ∀i > j, esto es, cuando los elementos que se encuentran por
debajo de la diagonal principal son ceros.
a a12 a13 · · · a1n
11
0 a22 a23 · · · a2n
T = 0 0 a33 · · · a3n
. .. .. .. ..
.. . . . .
0 0 0 · · · ann
3 5 0
Ejemplo 1.1.4. La matriz
0 7 0 es triangular superior.
0 0 0
a.1.2. Matriz Triangular Inferior : Una matriz cuadrada A = (aij )n×n es triangular
inferior si aij = 0 ∀i < j, esto es, cuando los elementos que se encuentran por
encima de la diagonal principal son ceros.
a 0 0 ··· 0
11
a 0
21 a22 0 · · ·
T = a31 a32 a33 · · · 0
. .. .. .. ..
.. . . . .
an1 an2 an2 · · · ann
16 0 0
Ejemplo 1.1.5. La matriz
1 16 0 es triangular inferior.
3 2 π
6 Algebra Lineal Walter Arriaga Delgado
a.2 Matriz Diagonal: Es aquella matriz cuyos elementos que se encuentran por encima
y por debajo de la diagonal principal son ceros. Es decir aij = 0 si i 6= j.
a 0 0 ··· 0
11
0 a22 0 · · · 0
D= 0 0 a33 · · · 0
. .. .. .. ..
.. . . . .
0 0 0 · · · ann
! π 0 0
3 0
Ejemplo 1.1.6. Las matrices ,
0 e 0 son diagonales.
0 4
0 0 α
a.3 Matriz Escalar: Es aquella matriz cuyos elementos que se encuentran en la diagonal
principal de toda matriz diagonal son iguales.
α 0 0 ··· 0
0 α 0 · · · 0
E= 0 0 α · · · 0
.. .. .. .. ..
. . . . .
0 0 0 ··· α
En forma general:
α, si i = j
En es escalar si aij =
0, si i 6= j
! 3 0 0
2 0
Ejemplo 1.1.7. Las matrices ,
0 3 0 son escalares
0 2
0 0 3
a.4 Matriz Identidad: Es aquella matriz cuyos elementos que se encuentran en la diag-
onal principal de toda matriz escalar son iguales a 1.
1 0 0 ··· 0
0 1 0 · · · 0
I= 0 0 1 · · · 0
.. .. .. . . ..
. . . . .
0 0 0 ··· 1
En forma general:
1, si i = j
In es identidad si aij =
0, si i =
6 j
Walter Arriaga Delgado Algebra Lineal 7
b) Matriz Rectangular: Son aquellas matrices donde el número de filas es distinta al número
de columnas. Esto es: la matriz A = (aij )m×n es rectangular si m 6= n.
Ejemplo 1.1.8.
3 0
2 4 ; 2 3 1 −1
1×4
1 2
3×2
c) Matriz Nula: Es aquella matriz cuadrada o rectangular en donde todos sus elementos son
nulos, es decir, una matriz A = (aij )m×n es nula si aij = 0 ∀i, j.
Ejemplo 1.1.9. ! !
0 0 0 0 0
;
0 0 0 0 0
Definición 1.1.2. La operación binaria que hace corresponder a cada par de matrices
A y B una tercera matriz C llamada suma de A y B, esto es:
Propiedades:
iii. Existe en Mm×n una única matriz identidad o neutro aditivo denotado por 0; lla-
mada matriz nula donde todos sus elementos son ceros; esto es: ∀ A ∈ Mm×n , ∃ 0 ∈
Mm×n tal que A + 0 = 0 + A = A
iv. Toda matriz A ∈ Mm×n tiene un simétrico aditivo dado por −A ∈ Mm×n ; esto
es: ∀ A ∈ Mm×n , ∃ (−A) = (−aij )m×n tal que A+(−A) = (aij )m×n +(−aij )m×n =
0m×n
Con estas propiedades queda garantizado que (Mm×n ; +) tiene estructura de grupo.
Además:
b. Multiplicación de matrices
esto es:
· : K × Mm×n −→ Mm×n
(α, A) −→ ·(α, A) = αA
Propiedades:
Definición 1.1.4. La operación binaria que hace corresponder a cada par de ma-
trices A y B, una matriz C llamada producto de A y B, esto es:
El lector debe verificar que este producto esté definido. Ahora se hace una partición
Walter Arriaga Delgado Algebra Lineal 11
Propiedades
Definición 1.1.5.
a. (k. A)n = kn . An
b. Si A es una matriz cuadrada entonces Am An = An Am /m; n ∈ N
c. Si A y B conmutan entonces Am y B n conmutan siendo m, n naturales.
d. Si A es una matriz cuadrada (Am )n = Amn = (An )m ; m; n ∈ N.
Dada la matriz cuadrada A = (aij )n×n , se llama traza de A a la suma de los elementos de
la diagonal principal y se denota por:
n
X
Traz(A) = aii = a11 + a22 + a33 + · · · + ann
i=1
5 9 0
Ejemplo 1.1.19. Sea A=
0 7 4 ⇒ Traz(A) = 5 + 7 − 2 = 10
9 −5 −2
Teorema 1.1.1. Sean las matrices cuadradas A y B del mismo orden y λ un escalar.
Traz(λ · A) = λ Traz(A)
X n n
X
En efecto: Traz(λA) = λaii = λ aii = λ · TrazA
i=1 i=1
14 Algebra Lineal Walter Arriaga Delgado
Traz(AB) = Traz(BA)
n
X n
X
En efecto: Traz(AB) = cij , donde cij = aij bj i entonces
i=1 j=1
!
n
X n
X n
X n
X
Traz(AB) = aij bj i ⇒ bji aij = Traz(BA)
i=1 j=1 j=1 i=1
a′ij = aji , 1 ≤ i ≤ m 1 ≤ j ≤ n
(At )t = A, A ∈ Mm×n .
A es simétrica ⇐⇒ A = At
! −10 1 2
5 7 √
Ejemplo 1.1.21. Las matrices ; 1 2 −3 son matrices simétricas
7 4
2 −3 π
Walter Arriaga Delgado Algebra Lineal 15
A es antisimétrica ⇐⇒ A = −At
Los elementos simétricos respecto de la diagonal principal son opuestos y su diagonal son
ceros.
!
0 5
Ejemplo 1.1.22. Dada la matriz A = se tiene que
−5 0
! !
t 0 −5 0 0
A = = (−1) = −A
5 0 −5 0
entonces A es antisimétrica.
Observación 1.1.1. Todos los elementos de la diagonal principal de una matriz antisimétrica
son iguales a cero y los elementos simétricos respecto a la diagonal principal son opuestos o
en forma equivalente: aij = −aji
Teorema 1.1.3. Toda matriz cuadrada se puede escribir como la adición de una matriz
simétrica y otra antisimétrica
Demostración
Observe las matrices A + At y A − At . Veamos que:
(A + At )t = At + (At )t = At + A = A + At ⇒ A + At es simétrica
(A − At )t = At − (At )t = At − A = −(A − At ) ⇒ A − At es antisimétrica
A + At A − At
y como: A= +
2 }
| {z 2 }
| {z
simétrica antisimétrica
podemos expresar la matriz A como una adición de una matriz simétrica y otra antisimétrica.
z1 ·z2 = (ac− bd)+ (ad+ bc)i y z1 · z2 = (ac− bd)− (ad+ bc)i = (a− bi)(c− di) = z1 ·z2 ,
esto es, el conjugado del producto de dos números complejos es igual al producto de los
conjugados.
Sea A una matriz cuyos elementos son números complejos; la matriz obtenida a partir
de A sustituyendo cada elemento por su conjugado se llama matriz conjugada de A y se
representa por A (conjugada de A).
" # " #
1 + 2i i 1 − 2i −i
Ejemplo 1.1.26. Si A = será A=
3 2 − 3i 3 2 + 3i
Teorema 1.1.4.
(A) = A.
(kA) = k · A
(A + B) = A + B.
(AB) = A · B.
t
(A)t = (A ).
t
donde la transpuesta de A se denota por A (y se lee transpuesta de la conjugada de A).
Algunas veces se emplea la notación A∗ .
Dada una matriz cuadrada de elementos complejos se llama hermitiana o hermı́tica si dicha
matriz es igual a la transpuesta de su matriz conjugada, es decir:
t
una matriz cuadrada A es hermitiana si y sólo si A = A . De donde se concluye que los
elementos de la diagonal principal son necesariamente reales.
! !
5 4+i 5 4−i
Ejemplo 1.1.27. Sea la matriz: A = ⇔ A=
4−i 1 4+i 1
!
5 4+i
(A)t = , como: (A)t = A ⇒ A es una matriz hermitiana.
4−1 1
Propiedades
A + (A)t es hermitiana.
A − (A)t es antihermitiana.
Teorema 1.1.6. Toda matriz cuadrada de elementos complejos se puede escribir como la
adición de una matriz hermitiana y otra antihermitiana.
Propiedades
A es ortogonal ⇔ AAt = In .
1.2. Determinantes
Gabriel Cramer obtuvo las primeras fórmulas generales de cálculo de los determinantes.
En 1748, un póstumo tratado de álgebra de MacLaurin recupera la teorı́a de los determinantes
al contener la escritura correcta de la solución de un sistema de cuatro ecuaciones con cuatro
incógnitas.
En 1750, Cramer formula las reglas generales que permiten la resolución de un sistema de n
ecuaciones con n incógnitas, aunque no ofrece demostración alguna. Los métodos de cálculo de
los determinantes son hasta entonces delicados debido a que se basan en la noción de signatura
de una permutación.
Los matemáticos se familiarizan con este nuevo objeto a través de los artı́culos de Bézout
en 1764, de Vandermonde en 1771 (que proporciona concretamente el calculo del determinante
de la actual Matriz de Vandermonde). En 1772, Laplace establece las reglas de recurrencia
20 Algebra Lineal Walter Arriaga Delgado
que llevan su nombre. En el año siguiente, Lagrange descubre la relación entre el cálculo de
los determinantes y el de los volúmenes.
Gauss utiliza por primera vez el término (( déterminante )), en las Disquisitiones arithmeti-
cae en 1801. Lo empleaba para lo que hoy dı́a denominamos discriminante de una cuádrica
y que es un caso particular de determinante moderno. Igualmente estuvo cerca de obtener el
teorema del determinante de un producto.
Definición 1.2.1. El determinante es una función que, aplicada a una matriz cuadrada, la
transforma en un escalar.
Notación: Sea A una matriz cuadrada, el determinante de la matriz A se representa por |A|
o det(A).
Sea Mn×n el conjunto de todas las matrices cuadradas de orden n; entonces la definición queda
de la siguiente manera.
| | : Mn×n −→ R ó C
A −→ |A|
Se llama determinante de una matriz de primer orden, formada por el elemento a11 , al
propio elemento a11 .
|A| = (a11 a22 a33 + a12 a23 a31 + a21 a32 a13 ) − (a31 a22 a13 + a21 a12 a33 + a32 a23 a11 )
1 2 3
Ejemplo 1.2.3. Sea: A =
−1 0 4 ⇒ |A| = (0 − 16 − 3) − (0 − 10 + 4) = −13
−2 1 5
Se aplica la matriz trasladando las dos primeras filas a la parte inferior y se aplican mul-
tiplicaciones en direcciones de las diagonales, conforme se indica.
a11 a12 a13
Sea: A = a21 a22 a23
entonces:
a31 a32 a33
donde:
D = a11 a22 a33 + a21 a32 a13 + a31 a12 a23
22 Algebra Lineal Walter Arriaga Delgado
1 2 3
−1 0 4
|A| =
−2 1 5
0 0
1 2 3
4 −3
−1 0 4
−10 −16
−6 −19
2. Dadas las matrices cuadradas A y B y del mismo orden se tiene que: |AB| = |A||B|.
3. Si una matriz cuadrada tiene dos filas o dos columnas, respectivamente proporcionales;
se dice entonces que su determinante es cero.
4. Si una matriz cuadrada A posee una fila o una columna de ceros, su determinante es
nulo.
6. Si a una fila o columna de una matriz cuadrada se le suma una cierta cantidad de veces
otra fila o columna, entonces la matriz resultante tiene el mismo determinante.
7. Si todos los elementos de una fila o una columna se multiplican por un número k, todo
el determinante queda multiplicado por dicho número.
Walter Arriaga Delgado Algebra Lineal 23
11. El determinante de una matriz ortogonal A es +1 ó −1. En efecto, de las propiedades del
determinante tenemos det(A · At ) = det A det At = det A det A = (det A)2 = det I = 1,
y por tanto, det A = ±1.
12. Si A es una matriz nilpotente entonces |A| = 0. En efecto, si A es una matriz nilpotente
de orden k, Ak = 0. Por tanto |Ak | = 0, luego |A|k = 0, y en consecuencia |A| = 0.
13. Sea A una matriz de orden n; se cumple que: |kA| = kn |A|; k es una escalar.
14. El determinante de una matriz cuadrada no varı́a si a una fila o una columna se le suma
una combinación lineal de filas o columnas paralelas.
15. Si una fila o columna de la matriz cuadrada A es combinación lineal de otras paralelas,
su determinante es nulo.
16. Si descomponemos una fila o una columna de una matriz cuadrada en suma de dos,
podemos descomponer el determinante en suma de dos determinantes de la forma:
a a12 ··· a1n a11 a12 · · · a1n a11 a12 · · · a1n
11
. .. .. . .. .. .. .. ..
.. .
. . . . . . . .
ai1 + a′ ai2 + a′ ′
· · · ain + ain = ai1 ai2 · · · ain + a′i1 a′i2 · · · a′in
i1 i2
.. .. .. . .. .. .. .. ..
. . . .. . . . . .
an1 an2 ··· ann an1 an2 · · · ann an1 an2 · · · ann
Observación 1.2.1. No confundir con det(A + B) = det(A) + det(B), que esto no se cumple.
det A = 0 ⇐⇒ A es singular
det A 6= 0 ⇐⇒ A es no singular
24 Algebra Lineal Walter Arriaga Delgado
Ejemplo 1.2.5.
!
Dada la matriz: A = 3 4
6 8
⇒ |A| = 24 − 24 = 0
∴ A es singular
!
Dada la matriz: B = 4 3
1 5
⇒ |B| = 20 − 3 = 17
∴ B es no singular
Ejemplo 1.2.6.
3 1 4
Sea la matriz A =
−1 2 −3
√
5 2 −2
2 −3 √
el menor de 3 es: √ = −4 + 3 2
2 −2
1 4
el menor de 5 es: = −3 − 8 = −11
2 −3
3 4
el menor de 2 es: = −6 − 20 = −26
5 −2
√ 3 4
el menor de 2 es: = −9 + 4 = −5
−1 3
Walter Arriaga Delgado Algebra Lineal 25
Nota:
2. El signo que relaciona a Aij y |Mij | del elemento aij de la matriz A se puede hallar en
forma práctica mediante el siguiente arreglo:
+ − + ···
− + − · · ·
+ − + · · ·
.. .. ..
. . .
Teorema de Laplace:
El determinante de una matriz A = (aij )m×n es igual a la suma de los productos obtenidos
de multiplicar los elementos de cualquier fila (o columna) por sus respectivos cofactores:
n
X
|A| = ai1 Ai1 + ai2 Ai2 + . . . + ain Ain = aij Aij
j=1
n
X
|A| = a1j A1j + a2j A2j + . . . + anj Anj = aij Aij
i=1
Ejemplo 1.2.7.
5 7 3 7 3 5
|A| = −(−2) + 0 − 4 ⇒ |A| = 2(10 + 21) + 0 − 4(−9 − 5)
−3 2 1 2 1 −3
∴ |A| = 118
Nota: Lo más recomendable es escoger la fila o columna que tenga la mayor cantidad de ceros.
Matriz diagonal
Una matriz diagonal es una matriz cuadrada en que las entradas son todas nulas salvo en
la diagonal principal, y éstas pueden ser nulas o no.
Toda matriz diagonal es también una matriz simétrica, triangular (superior e inferior) y
(si las entradas provienen del cuerpo R o C) normal.
Otro ejemplo de matriz diagonal es la matriz identidad.
Operaciones matriciales
Las operaciones de suma y producto de matrices son especialmente sencillas para matrices
diagonales. Vamos a emplear aquı́ la notación de diag(a1 , . . . , an ) para una matriz diagonal
que tiene las entradas a1 , . . . , an en la diagonal principal, empezando en la esquina superior
izquierda. Entonces, para la suma se tiene:
En particular, las matrices diagonales forman un subanillo del anillo de las matrices de n × n.
Multiplicar la matriz A por la izquierda con diag(a1 , . . . , an ) equivale a multiplicar la fila
i-ésima de A por ai para todo i. Multiplicar la matriz A por la derecha con diag(a1 , . . . , an )
equivale a multiplicar la columna i-ésima de A por ai para todo i.
Walter Arriaga Delgado Algebra Lineal 27
Usos
Las matrices diagonales tienen lugar en muchas áreas del álgebra lineal. Debido a la sen-
cillez de las operaciones con matrices diagonales y el cálculo de su determinante y de sus
valores y vectores propios, siempre es deseable representar una matriz dada o transformación
lineal como una matriz diagonal.
De hecho, una matriz dada de n × n es similar a una matriz diagonal si y sólo si tiene n
autovectores linealmente independientes. Tales matrices se dicen diagonalizables.
En el cuerpo de los números reales o complejos existen más propiedades: toda matriz
normal es similar a una matriz diagonal (teorema espectral) y toda matriz es equivalente a
una matriz diagonal con entradas no negativas.
Matriz banda
Una matriz cuadrada se le llama Matriz Banda cuando es una matriz donde los valores no
nulos son confinados en un entorno de la diagonal principal, formando una banda de valores
no nulos que completan la diagonal principal de la matriz y más diagonales en cada uno de
sus costados.
Escrito formalmente, una matriz A = (ai,j )n×n es una matriz banda si todos sus elementos
son cero fuera de una zona diagonal cuyo rango se determina por las constantes k1 y k2 :
Matriz normal
A∗ A = AA∗
Una matriz definida positiva es una matriz hermitiana que es análoga a los números reales
positivos.
Definiciones equivalentes
Sea M una matriz hermitiana cuadrada n × n, se dice definida positiva si cumple con una
(y por lo tanto, las demás) de las siguientes formulaciones equivalentes:
2. Todos los autovalores λi de M son positivos. (Recordamos que los autovalores de una
matriz hermitiana o en su defecto, simétrica, son reales.)
4. Todos los menores principales de M son positivos. O lo que es equivalente; todas las
siguientes matrices tienen determinantes positivo.
M en sı́ misma
Propiedades
Toda matriz definida positiva M , tiene al menos una matriz raı́z cuadrada N tal que
N2 = M.
Observación 1.3.2. Caso no hermitiano. Una matriz real M puede "tener#la propiedad
1 1
xT M x > 0 para todo vector real no nulo sin ser simétrica. La matriz es un ejem-
0 1
plo. En general, tendremos xT M x > 0 para todo vector real no nulo x si y sólo si la matriz
simétrica (M + M T )/2, es definida positiva.
Matriz permutación
Para n = 3 se tiene:
Matrices de permutación par:
1 0 0 0 0 1 0 1 0
0 1 0 1
0 0 0 0 1
0 0 1 0 1 0 1 0 0
Puede notarse que las matrices de permutación conforman un grupo de orden n! respecto
al producto.
Propiedades
Observe que las matrices de permutación par conforman un semigrupo y que además el
grupo de matrices de permutación no es conmutativo.
Cada elemento del grupo de matrices de permutación fuera del semigrupo es una matriz
simétrica.
Jacobiano
La matriz Jacobiana es una matriz formada por las derivadas parciales de primer orden
de una función. Una de las aplicaciones más interesantes de esta matriz es la posibilidad de
aproximar linealmente a la función en un punto. En este sentido, el Jacobiano representa la
derivada de una función multivariable.
Supongamos F : Rn −→ Rm es una función que va del espacio euclidiano n-dimensional
a otro espacio euclideano m-dimensional. Esta función está determinada por m funciones
reales: y1 (x1 , . . . , xn ), . . . , ym (x1 , . . . , xn ). Las derivadas parciales de estas (si existen) pueden
ser organizadas en una matriz m por n, la matriz Jacobiana de F :
∂y1 ∂y1
···
∂x1 ∂xn
. .. ..
.. . .
∂y ∂y
m m
···
∂x1 ∂xn
∂(y1 , . . . , ym )
Esta matriz es denotada por JF (x1 , . . . , xn ) o como .
∂(x1 , . . . , xn )
Cuadrado latino
Un cuadrado latino es una matriz de n × n elementos, en la que cada casilla está ocupada
por uno de los n sı́mbolos de tal modo que cada uno de ellos aparece exactamente una vez en
cada columna y en cada fila.
Las siguientes matrices son cuadrados latinos:
a b d c
1 2 3
c a d
2 3 1 b
c d b a
3 1 2
d a c b
Los cuadrados latinos se dan como una Tabla de multiplicar (Tabla Cayley) de quasigrupos.
Estos tienen su aplicación en el diseño de experimentos.
El nombre de Cuadrados Latinos se origina con Leonhard Euler quién utilizó caracteres
Latinos como sı́mbolos.
Un cuadrado latino se dice que está reducido (o normalizado o de forma estandarizada) si
la primera fila y la primera columna están en orden natural. Por ejemplo, el primer cuadrado
está reducido, porque la primera fila y la primera columna son 1, 2, 3.
Es posible hacer un cuadrado latino permutando (reordenando) las filas y las columnas.
tripletas llamado arreglo ortogonal del cuadrado. Por ejemplo, para el primer cuadrado latino
de nuestros ejemplos, el arreglo ortogonal será ası́
{(1, 1, 1), (1, 2, 2), (1, 3, 3), (2, 1, 2), (2, 2, 3), (2, 3, 1), (3, 1, 3), (3, 2, 1), (3, 3, 2)}
donde, por ejemplo, la tripleta (2,3,1) representa que el valor en la fila 2 columna 3 es 1.
La representación de un cuadrado latino puede ser escrita en términos del arreglo ortogonal
quedando ası́:
Todos los pares (f, c) son diferentes, todos los pares (f, s) son diferentes, y todos los
pares (c, s) son diferentes.
La representación por arreglos ortogonales muestra que las filas, columnas y sı́mbolos juegan
un papel muy similar, esto estará un poco más claro conforme nos adentremos en el tema.
Muchas operaciones sobre un Cuadrado latino produce otro Cuadrado latino (por ejemplo,
alternar filas).
Si permutamos las filas, permutamos las columnas, y permutamos los sı́mbolos de un
Cuadrado latino obtenemos un nuevo Cuadrado latino que decimos que es isotópico del
primero. El isotopismo es una relación de equivalencia, en base a esto se dice que todos
los Cuadrados latinos están divididos en subgrupos, llamados clases isotópicas, según esto dos
Cuadrados de la misma clase se dice que son isotópicos, y dos de clases diferentes son no
isotópicos.
Otro tipo de operación es simple de explicar usando la representación de estos por arreglos
ortogonales. Si reorganizamos consciente y sistemáticamente los tres elementos de cada tripleta
(f, c, s) por (c, f, s) lo cual corresponde a una transposición del cuadrado (reflejado en la
diagonal principal), o podemos remplazar cada tripleta (f, c, s) por (c, s, f ), lo que es una
operación más complicada. Todas juntas nos dan 6 posibilidades, incluida no hacer nada,
dándonos 6 Cuadrados Latinos llamados conjugados del cuadrado original.
Finalmente, podemos combinar estas dos operaciones equivalentes: Dos Cuadrados Latinos
son paratópicos si uno de ellos es conjugado del otro. Esto es nuevamente una relación de
equivalencia, con la clase de equivalencia principal llamada Clase Principal, especies o clase
paratópica. Cada clase contiene 6 clases isotópicas.
El popular rompecabezas Sudoku es un caso especial de Cuadrados Latinos; toda solución
de un Sudoku es un Cuadrado Latino. Un Sudoku impone una restricción adicional a los
subgrupos de 3 × 3, estos solo deben contener los dı́gitos del 1 al 9 (en la versión estándar).
El rompecabezas conocido como Diamante 16 ilustra un concepto generalizado de la or-
togonalidad de los Cuadrados Latinos: El Cuadrado Ortogonal (A. E. Brouwer, 1991).
Walter Arriaga Delgado Algebra Lineal 33
Fij (λ) : Multiplica la fila Fi de A por un escalar λ 6= 0 y luego suma a la fila Fj . Esta
operación se representa por el vector fila λFi + Fj .
3 −1 9 2 3 −1 −18 2
C3 (−2)
−2 −1 −1
−5 1 −−−−−−−−−−→ −2 −5 −2
4 7 −8 0 4 7 16 0
3 −1 9 2 3 −1 9 2
F13 (−2)
−2 −5 1 −1 −1
−−−−−−−−−−→ −2 −5 1
4 7 −8 0 −2 9 −26 −4
3 −1 9 2 3 89 9 2
C32 (10)
−2
−5 1 −1 −−−−−−−−−−→ −2 45 1 −1
4 7 −8 0 4 −73 −8 0
con r filas no nulas y s filas nulas. Llamaremos pivote de una fila (o columna) de A al primer
elemento no nulo de dicha fila (o columna), si lo hay. La matriz A se dice que es escalonada
por filas si verifica las siguientes condiciones:
El primer elemento no nulo de cada fila, llamado pivote, está a la derecha del pivote de
la fila anterior (esto supone que todos los elementos debajo de un pivote son cero).
Además se dice que es escalonada reducida por filas si cumplen las siguientes condiciones:
De igual forma se puede definir la matriz escalonada y escalonada reducida por columnas.
Observación 1.4.1.
Toda matriz puede llevarse por operaciones elementales de filas a la forma escalonada.
El algoritmo para hacerlo se llama método de Gauss o del pivote.
Observación 1.4.2. Una matriz cuadrada A ∈ Mn×n escalonada es una matriz triangular
superior, pero no todas las matrices triangulares superiores son matrices escalonadas.
36 Algebra Lineal Walter Arriaga Delgado
Anteriormente hemos visto que una matriz triangular era inversible si y sólo si todos los
términos de la diagonal principal no son cero; esta caracterı́stica es también válida para las
matrices escalonadas cuadradas.
Veremos a continuación las ventajas que ofrece la reducción de una matriz cuadrada en otra
que tenga forma escalonada.
El rango de una matriz es el mayor de los órdenes de los menores no nulos que podemos
encontrar en la matriz. Por tanto, el rango no puede ser mayor al número de filas o de columnas.
También se define el rango de una matriz como el número máximo de filas (o columnas)
linealmente independientes. esta segunda definición nos va a permitir relacionar el concepto
de rango con conceptos relativos a espacios vectoriales.
El cálculo del rango de una matriz es una cuestión importante a la hora de estudiar sistemas
de ecuaciones lineales. Además en teorı́a de control, el rango de una matriz se puede usar para
determinar si un sistema lineal es controlable u observable.
A continuación vamos a explicar cómo calcular rangos de matrices reales y veremos de que
modo podemos utilizar esta información para aplicarla a los espacios vectoriales.
Definición 1.4.1. El rango de una matriz es igual al número de filas no nulas que quedan en
la última interacion de las sucesivas transformaciones elementales que se hacen con la matriz.
Se deduce que para hallar el rango de una matriz es suficiente transformarla a su forma
escalonada. Como dos matrices equivalentes tienen el mismo rango, el rango de dicha matriz
será igual al rango de la matriz escalonada. Si designamos por r el número de filas no nulas
de la matriz escalonada, entonces el rango de la matriz se denota:
ρ(A) = r
0 2 −4
1 4 −5
Ejemplo 1.4.5. Hallar el rango de la matriz A = 3 1 7
0 1 −2
2 3 0
Solución: Realizando sucesivamente las transformaciones elementales tendremos:
0 2 −4 1 4 −5 1 4 −5
1 4 −5 0 2 −4 −4
F 3 (−3) y F 5 (−2) 0 2
F12 1 1
A = 3 1 7 −−−−→ 3 1 7 −−−−−−−−−−−−−−→ 0 −11 22
0 1 −2 0 1 −2 0 1 −2
2 3 0 2 3 0 0 −5 10
Walter Arriaga Delgado Algebra Lineal 37
1
−5 4 1 4 −5
0 1 −2 1 −2
F 3 (11) , F 5 (5) , F 4 (−1) 0
F2 (1/2) 2 2 2
−−−−−−→ 0 −11 22 −−−−−−−−−−−−−−−−−→ 0 0 0 =B
0 1 −2 0 0 0
0 −5 10 0 0 0
La última matriz escalonada B tiene 2 filas no nulas, luego:
ρ(B) = ρ(A) = 2
25 31 17 43
75 94 53 132
Ejemplo 1.4.6. Hallar el rango de la matriz A =
75 94 54 134
25 32 20 48
Solución: Por el método de las transformaciones elementales se tiene:
25 31 17 43 25 31 17 43 25 31 17 43 25 31 17 43
75 94 53 132 0 1 2 3
0 1 2 3 0 1 2 3
≈ ≈
≈
75 94 54 134 0 1 3 5
0 0 1 2 0 0 1 2
25 32 20 48 0 1 3 5 0 0 1 2 0 0 0 0
ρ(A) = 3
Si A ∈ Mn×n , se dice que A es invertible o tiene inversa si existe una matriz B ∈ Mn×n
tal que AB = BA = I. La matriz B recibe el nombre de matriz inversa de A y se denota por
A = B −1 , análogamente la matriz A es la inversa de B y se expresa por A = B −1 . Entonces
se tiene:
AA−1 = A−1 A = I (1.2)
Propiedades:
⊲ (A−1 )−1 = A
⊲ (AB)−1 = B −1 A−1
38 Algebra Lineal Walter Arriaga Delgado
Teorema 1.5.1. Una matriz cuadrada tiene inversa si y solo si es una matriz no singular, en
tal caso se dice que la matriz es invertible.
Demostración. Supongamos que B y C son dos matrices inversas de A. Debemos probar que
B = C.
En efecto. Si B es matriz inversa de A entonces AB = BA = I, además C es matriz inversa
de A entonces AC = CA = I. También se cumple por la ley asociativa de la multiplicación de
matrices que B(AC) = (BA)C. Entonces:
B = BI = B(AC) = (BA)C = IC = C
Sea la matriz
a11 a12 a13 · · · a1n
a21 a22 a23 · · · a1n
A= . .. .. .. ..
.. . . . .
an1 an2 an3 · · · ann
Si Aij es el cofactor del elemento aij , entonces la matriz cofact(A) definida como:
A11 A12 A13 · · · A1n
A21 A22 A23 · · · A1n
cofact(A) = . .. .. .. ..
.. . . . .
An1 An2 An3 · · · Ann
" # " #
2 5 1 2
A11 = (−1)1+1 = −26 A23 = (−1)2+3 = −6
4 −3 −1 4
" # " #
1+2
3 5 3+1
2 3
A12 = (−1) =4 A31 = (−1) =4
−1 −3 2 5
" # " #
3 2 1 3
A13 = (−1)1+3 = 14 A32 = (−1)3+2 =4
−1 4 3 5
" # " #
2+1
2 3 3+3
1 2
A21 = (−1) = 18 A33 = (−1) = −4
4 −3 3 2
" #
1 3
A22 = (−1)2+2 =0
−1 −3
−26 4 14
luego la matriz de cofactores es: cofact(A) =
18 0 −6
4 4 −4
Adj(A) = [cofact(A)]t
1 2 3
Ejemplo 1.5.2. Sea la matriz: A=
3 5
2
−1 4 −3
Solución
Por el ejemplo anterior se tiene que la matriz de cofactores está dada por:
−26 4 14
cofac(A) = 18 0 −6
4 4 −4
Teorema 1.5.3. Sea A una matriz invertible, entonces la matriz inversa está dada por:
Adj(A)
A−1 = (1.4)
|A|
Matriz
obtenida
multiplicando
la segunda fila de I por 5.
1 0 0 1 0 0
F2 (5)
0 1 0
−−−−−→ 0 5 0 = 5F2
0 0 1 0 0 1
Matriz
obtenida
multiplicando
la primera
fila de I por −3 y sumándola a la tercera fila.
1 0 0 1 0 0
F13 (−3)
0 1 0 −−−−−−→ 0 1 0
= F3 − 3F1
0 0 1 −3 0 1
Walter Arriaga Delgado Algebra Lineal 41
Matriz
obtenida
intercambiando
la segunda y tercera fila de I.
1 0 0 1 0 0
F23
0 1 0 −
− −−→ 0 0 1 = F23
0 0 1 0 1 0
Considere los siguientes tres productos, con λ 6= 0
1 0 0 1 0 0 1 0 0
0 λ 0 0 1/λ
0 = 0 1 0 (1.6)
0 0 1 0 0 1 0 0 1
1 0 0 1 0 0 1 0 0
0 1 0 0 1 0 1 0
= 0 (1.7)
λ 0 1 −λ 0 1 0 0 1
1 0 0 1 0 0 1 0 0
0 0 1 0 0
1 = 0 1 0 (1.8)
0 1 0 0 1 0 0 0 1
Las ecuaciones 1.6, 1.7 y 1.8 sugieren que toda matriz elemental es invertible y que su
inversa es del mismo tipo (vea tabla 1.1).
Multiplicar
Matriz ele- Muliplicar
Representación por la Representación
mental tipo A por la
simbólica izquierda, simbólica
E izquierda
E −1
Multiplique la Multiplique la
1
Multiplicación fila i de A por λFi fila i de A por Fi
λ
λ 6= 0 1/λ
Multiplique la Multiplique la
fila i de A por λ fila i de A por
Suma Fj + λFi Fj − λFi
y sume a la fila −λ y sume a la
j fila j
Intercambie las Intercambie las
Permutación Fij Fij
filas i y j filas i y j
Teorema 1.5.4. Toda matriz elemental es invertible. El inverso de una matriz elemental es
una matriz del mismo tipo.
Nota: El inverso de una matriz elemental se puede encontrar por inspección. No es nece-
sario hacer cálculos.
42 Algebra Lineal Walter Arriaga Delgado
Se utiliza las transformaciones elementales por filas para poner la matriz A a su forma
escalonada reducida, obteniéndose la matriz (I | B).
Solución
Primero efectuamos las operaciones con filas para reducir A a una matriz escalonada E. Para
ello formamos la matriz (A | I).
1
2 4 6 | 1 0 0 1 2 3 | 0 0
2 1 2 3 | 12 0 0
(A|I) = 4 5 6 | 0 1 0 = 4 6 | 0 1 0
5 = 0 −3 −6 | −2 1 0
3 1 −2 | 0 0 1 3 1 −2 | 0 0 1 0 −5 −11 | − 32 0 1
1
1 2 3 | 2 0 0 1 0 −1 | − 56 2
3 0
= 0 1 2 | 23 − 13 0
= 0 1 2 | 23 − 13 0
0 −5 −11 | − 32 0 1 0 0 −1 | 116 − 5
3 1
1 0 −1 | − 56 2
3 0 1 0 0 | −3 8 7
3 −1
= 0 1 2 | 2 1
− 3 0 = 0 0 | 13 11
2
3 1 3 − 3 = (I|B)
11 5 11 5
0 0 1 | −6 3 −1 0 0 1 | −6 3 −1
Walter Arriaga Delgado Algebra Lineal 43
1.6. Criptografı́a
1.6.1. Introducción
A−1 C = A−1 AM = IM = M
21 22 23 24 25 26 27
T U V W X Y Z
De tal forma que el mensaje queda codificado como:
C U L T U R A – P A Z – E D U C A C I O N
3 22 12 21 22 19 1 0 17 1 27 0 5 4 22 3 1 3 9 16 14
44 Algebra Lineal Walter Arriaga Delgado
" # " #
−2 3 −45 39 47 3 19 −15 −11
Ejemplo 1.6.2. Sean: A = , C=
−1 1 −23 9 14 1 0 −8 −6
El mensaje M fue cifrado con la clave A, y se obtuvo el mensaje cifrado C. Encuentre el
mensaje M
Solución:
" # " #
−2 3 −1
1 −3
Como A = , entonces A = , ahora como M = A−1 C se tiene que:
−1 1 1 −2
" #" # " #
1 −3 −45 39 47 3 19 −15 −11 24 12 5 0 19 9 7
M= =
1 −2 −23 9 14 1 0 −8 −6 1 21 19 1 19 1 1
luego el mensaje se lee de la siguiente manera:
24 1 12 21 5 19 0 1 19 19 9 1 7 1
por lo tanto el messaje M será: WALTER–ARRIAGA
1
En notación moderna, la ecuación serı́a: x + x = 24.
7
La solución la obtenı́an por un método que hoy conocemos con el nombre de “método
de la falsa posición” o “regula falsi”. Consiste en tomar un valor concreto para la incógnita,
probamos con él y si se verifica la igualdad ya tenemos la solución, si no, mediante cálculos
obtendremos la solución exacta.
Los babilonios (el mayor número de documentos corresponde al periodo 600 a.c. a 300
d.c.) casi no le prestaron atención a las ecuaciones lineales, quizás por considerarlas demasiado
elementales, y trabajaron más los sistemas de ecuaciones lineales y las ecuaciones de segundo
grado. Los babilonios llamaban a las incógnitas con palabras tales como longitud, anchura,
área, o volumen , sin que tuvieran relación con problemas de medida.
Un ejemplo tomado de una tablilla babilónica plantea la resolución de un sistema de
ecuaciones en los siguientes términos:
1/4anchura + longitud = 7manos
longitud + anchura = 10manos
Para resolverlo comienzan asignando el valor 5 a una mano y observaban que la solución
podı́a ser: anchura = 20, longitud = 30. Para comprobarlo utilizaban un método parecido al
de eliminación. En nuestra notación, serı́a:
y + 4x = 28
y + x = 10
restando la segunda de la primera, se obtiene 3x = 18, es decir, x = 6 e y = 4.
También resolvı́an sistemas de ecuaciones, donde alguna de ellas era cuadrática.
Los matemáticos griegos no tuvieron problemas con las ecuaciones lineales y, exceptuando
a Diophante (250 d.c.), no se dedicaron mucho al álgebra, pues su preocupación era como
hemos visto, mayor por la geometrı́a. Sobre la vida de Diophante aparece en los siglos V o VI
un epigrama algebraico que constituye una ecuación lineal y dice:
“Transeúnte, ésta es la tumba de Diophante: es él quien con esta sorprendente dis-
tribución te dice el número de años que vivió. Su juventud ocupó su sexta parte,
después durante la doceava parte su mejilla se cubrió con el primer vello. Pasó aún
una séptima parte de su vida antes de tomar esposa y, cinco años después, tuvo un
precioso niño que, una vez alcanzada la mitad de la edad de su padre, pereció de
una muerte desgraciada. Su padre tuvo que sobrevivirle, llorándole durante cuatro
años. De todo esto, deduce su edad.”
Los griegos resolvı́an algunos sistemas de ecuaciones, pero uti1izando métodos geométricos.
Thymaridas (400 a.c.) habı́a encontrado una fórmula para resolver un determinado sistema
de n ecuaciones con n incógnitas. Diophante resuelve también problemas en los que aparecı́an
sistemas de ecuaciones, pero transformándolos en una ecuación lineal.
Diophante sólo aceptaba las soluciones positivas, pues lo que buscaba era resolver prob-
lemas y no ecuaciones. Utilizó ya un álgebra sincopada como hemos señalado anteriormente.
Sin embargo, unas de las dificultades que encontramos en la resolución de ecuaciones por
Diophante es que carece de un método general y utiliza en cada problema métodos a veces
excesivamente ingeniosos.
Los sistemas de ecuaciones aparecen también en los documentos indios. No obstante, no
llegan a obtener métodos generales de resolución, sino que resuelven tipos especiales de ecua-
ciones.
El libro El arte matemático, de autor chino desconocido (siglo III a.c.), contiene algunos
problemas donde se resuelven ecuaciones. En ellos encontramos un esbozo del método de las
46 Algebra Lineal Walter Arriaga Delgado
matrices para resolver sistemas de ecuaciones lineales. Uno de dichos problemas equivale a
resolver un sistema de tres ecuaciones lineales por dicho método matricial.
Los primeros documentos matemáticos que existen (datan del siglo III d.c.) son los Sul-
vasütras, donde se recogen todos los conocimientos necesarios para construir los templos. En
éstos aparece el siguiente problema:
“Hallar el lado de un rectángulo, conociendo el otro lado y sabiendo que su área es igual
al área de un cuadrado dado.”
Lo resolvı́an utilizando el método de la falsa posición, como los egipcios.
Posteriormente, Brahmagupta (siglo VII) expresa, ya de forma sincopada, cómo resolver
ecuaciones lineales. La incógnita la representaba por la abreviatura ya , y las operaciones con
la primera sı́laba de las palabras.
Dada la ecuación ax + b = cx + d, la solución vendrá dada dividiendo la diferencia de los
términos conocidos entre la diferencia de los coeficientes de los desconocidos, esto es,
d−b
x=
a−c
Estos métodos pasaron a los árabes que los extendieron por Europa. Al algebrista Abu-
Kamil (siglo IX y X) se le atribuye una obra donde trata la solución de ecuaciones lineales
por simple y doble falsa posición.
1.7.2. Introducción
a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. .. .. (1.9)
. . . . .
a x + a x + ··· + a x = b
m1 1 m2 2 mn n m
donde:
Cuando n es pequeño, es usual designar a las incógnitas con las letras x, y, z, t, . . . Obsérvese
que el número de ecuaciones no tiene por qué ser igual al número de incógnitas. Cuando bi = 0
para todo i, el sistema se llama homogéneo.
2x + y − z = 4
Ejemplo 1.7.1. El sistema de ecuaciones x + y + z = 6
3x − y = 4
se verifica para x = 2, y = 2, z = 2.
II. Sistema Incompatible: Es aquel sistema de ecuaciones que no admite solución alguna.
Ejemplo 1.7.2.
x + 3y = 10
El sistema , es compatible. Su solución es {1, 3} y es determinado por
3x + y = 6
que sólo tienen una solución.
x + 3y = 7
El sistema , es incompatible, por que no hay ningún par de valores que
x + 3y = 10
verifiquen las ecuaciones.
x − y = 6
El sistema , es compatible indeterminado por que tiene infinitas solu-
3x − 3y = 18
ciones. {0, 6}, {1, 5}, {1, 7}, {2, 4}, · · · · · · .
a11 a12 ... a1n x1 b1
a21 a22 . . . a2n x2 b2
donde: A = . .. .. .. ,X= . yB= .
.. . .
. . ..
.
am1 am2 . . . amn xn bm
S = (s1 , s2 , . . . , sn ) ∈ Rn
Dos sistemas de ecuaciones son equivalentes si toda solución del primero es solución del
segundo y viceversa. (No es necesario que tengan el mismo número de ecuaciones).
x + 3y = 6
x + 3y = 6
Ejemplo 1.7.4. Los sistemas: 2x − y = 5 y son equivalentes.
3x − 2y = 7
x−y = 2
Ambos son compatibles determinados y su solución es: x = 3, y = 1.
Solución
Consideramos la matriz aumentada o ampliada asociada al sistema, separando un poco la
columna de los términos independientes:
1 1 −1 1 1 1 −1 1 1 1 −1 1
2 3 3 1 1
1 = 0 1 3 = 0 1 3
5 −1 2 2 0 −6 7 −3 0 0 25 3
x + y − z = 1
Luego, el sistema ha quedado de la siguiente forma: y + 3z = 1
25z = 3
50 Algebra Lineal Walter Arriaga Delgado
3 16 12
Resolviendo las ecuaciones, comenzando por la última queda: z = ,y= ,x= .
25 25 25
Se trata de un sistema compatible determinado.
3x + 3y − +11z − t = 8
Ejemplo 1.7.6. Resolver el sistema 2x + 5z + 3t = 4
x − y + 2z + 2t = 2
Solución
La matriz ampliada es:
3 3 11 −1 8 1 −1 2 2 2 1 −1 2 2 2
2 0 3 4 3 4
5 = 2 0 5 = 0 2 1 −1 0 =
1 −1 2 2 2 3 3 11 −1 8 0 6 5 −7 2
1 −1 2 2 2
0 2 1 −1 0
0 0 2 −4 2
x − y + 2z + 2t = 2
Luego, el sistema ha quedado de la siguiente forma: 2y + z − t = 0
2z − 4t = 2
Resolvemos la última ecuación, z = 1 + 2t; si hacemos t = α, queda:
−1 α −1 13α
z = 1 + 2α; y = − + ;x=− + ; t = α.
2 2 2 2
Las soluciones del sistema se hallan dando valores arbitrarios al parámetro α.
Es un sistema compatible indeterminado.
−y + z = −2
Ejemplo 1.7.7. Resolver el sistema x + 2y + 4z = 3
2x + 4y + 8z = 1
Solución
La matriz ampliada es:
0 −1 1 −2 1 2 4 3 1 2 4 3
1 2 4 3 = 0 −1 1 −2 = 0 −1 1 −2
2 4 8 1 2 4 8 1 0 0 0 −5
x + 2y + 4z = 3
Luego, el sistema ha quedado de la siguiente forma: −y + z = −2
0 = −5
Se observa que el sistema es incompatible.
Walter Arriaga Delgado Algebra Lineal 51
El método de Gauss que acabamos de ver es sencillo y eficaz para resolver un sistema de
ecuaciones lineales. Pero tiene un inconveniente. Si de un sistema de 300 incógnitas tan sólo
nos interesan 7, siguiendo el método de Gauss, habrı́amos de seguir el proceso de triangulación
como si nos interesaran todas ellas.
La regla de Cramer, que ahora veremos, aprovecha con astucia las propiedades de las
matrices y sus determinantes para despejar, separadamente, una cualquiera de las incógnitas
de un sistema de ecuaciones lineales.
Sistema de Cramer: Es un sistema de la forma (1.9) en el que m = n, y |A| =
6 0. Es decir,
La matriz A es cuadrada y regular. En tal caso, A tiene inversa A−1 , por lo que multiplicando
a (1.10) por la izquierda por A−1 , se tiene:
Adj(A)
A−1 AX = A−1 B ⇒ X = A−1 B ⇒ X= B.
|A|
Entonces, para usar la regla de Cramer se debe cumplir las siguientes condiciones:
Denotaremos por:
a a12 · · · a1n
11
a21 a22 · · · a2n
Determinante del sistema: ∆S = . .. .. ..
.. . . .
an1 an2 · · · ann
a11 a12 · · · b1 · · · a1n
a a22 · · · b2 · · · a2n
21
Determinante de xj : ∆xj =
··· ··· · · · · · · · · · · · ·
an1 an2 · · · bn · · · ann
∆xj es el determinante que se obtiene a partir de la matriz de coeficientes A, cambiando los
elementos de la columna j por los términos independientes.
La solución viene dada por:
∆xj
xj = (1.12)
∆S
a x + b1 y + c1 z = d1
1
Nota: El el caso de un sistema lineal de 3 ecuaciones con 3 incógnitas: a2 x + b2 y + c2 z = d2
a3 x + b3 y + c3 z = d3
se tiene:
52 Algebra Lineal Walter Arriaga Delgado
Solución
El sistema es un tı́pico caso en el que resulta conveniente aplicar la regla de Cramer.
Primero hallaremos los determinantes aplicando el método de Sarrus:
2 3 −5 2 8 −5
∆S = 5 −2 1 ⇒ ∆S = −32; ∆y = 5 9 1 ⇒ ∆y = −128;
3 −1 2 3 9 2
8 3 −5 2 3 8
∆x = 9 −2 1 ⇒ ∆x = −96 ∆z = 5 −2 9 ⇒ ∆z = −64
9 −1 2 3 −1 9
∆x ∆y ∆z
Luego: x= = 3; y= = 4; z= = 2. Por lo tanto el conjunto solución es:
∆S ∆S ∆S
C.S. = {3; 4; 2}
I. La condición necesaria y suficiente para que el sistema sea compatible, es decir, para que
tenga solución es que el rango1 de A sea igual al rango de A.b
b el sistema no tendrá
II. Si rango de A 6= rango de A, solución (Sistema incompatible).
x + y − z
= 1
Ejemplo 1.7.9. Dado el sistema lineal 2x + 3y + az = 3
x + ay + 3z = 2
Halle el valor de “a” de tal modo que:
No tenga solución.
Solución
La matriz ampliada:
1 1 −1 1 1 1 −1 1 1 1 −1 1
2 3 a 3 = 0 a + 2 1 1
1 = 0 1 a+2
1 a 3 2 0 a−1 4 1 0 0 6 − a − a2 2 − a
No tiene solución si:
6 − a − a2 = 0 ∧ 2 − a 6= 0
(a + 3)(a − 2) = 0 ∧ a 6= 2 ⇒ a = −3
Aplicando el teorema de Rouché-Fröbenius a este sistema, resulta que siempre tendrá solu-
ción, ya que siempre se cumple que r(A) = r(B).
Si r(A) = número de incógnitas, existirá una única solución que será la solución trivial:
x1 = x2 = . . . = xn = 0
Si r(A) < número de incógnitas, existirán infinitas soluciones. Podemos enunciar, pues, el
siguiente teorema:
Corolario 1.7.1. Un sistema de ecuaciones lineales homogéneo con igual número de ecua-
ciones que de incógnitas tiene solución distinta de la trivial si y solo si el determinante de la
matriz de coeficientes es nulo.
Ax = b
A = LU (1.14)
LU.x = b (1.15)
Ly = b (1.16)
A partir de las ecuaciones (1.15) y (1.16), es posible plantear un algoritmo para resolver
el sistema de ecuaciones lineales empleando dos etapas:
Walter Arriaga Delgado Algebra Lineal 55
Ux = y (1.17)
El análisis anterior nos muestra lo fácil que es resolver estos dos sistemas de ecuaciones
triangulares y lo útil que resultarı́a disponer de un método que nos permitiera llevar a cabo
la factorización A = LU . Si disponemos de una matriz A de n × n, estamos interesados en
encontrar aquellas matrices:
l11 0 0 ··· 0 u11 u12 u13 · · · u1n
l l 0 · · · 0 0 u u · · · u
21 22 22 23 2n
L = l31 l32 l33 · · · 0 U =
0 0 u 33 · · · u3n
.. .. .. . . .. .. .. .. .. ..
. . . . . . . . . .
ln1 ln2 ln3 · · · lnn 0 0 0 · · · unn
tales que cumplan la ecuación (1.14). Cuando esto es posible, decimos que A tiene una de-
scomposición LU . Se puede ver que las ecuación anterior no determina de forma única a Ly
a U . De hecho, para cada i podemos asignar un valor distinto de cero a lii o uii (aunque no
ambos). Por ejemplo, una elección simple es fijar lii = 1 para i = 1, 2, . . . , n haciendo de esto
modo que L sea una matriz triangular inferior unitaria. Otra elección es hacer U una matriz
triangular superior unitaria (tomando uii = 1 para cada i).
2 3 2 4
4 10 −4 0
Ejemplo 1.8.1. Encuentre una factorización LU para la matriz A = .
−3 −2 −5 −2
−2 4 4 −7
Reduzca por filas la matriz A a una matriz triangular superior y depués escriba A como un
producto de una matriz triangular superior.
Solución
F2 → F2 − 2F1
2 3 2 4 F3 → F3 + 32 F1 2 3 2 4 F3 → F3 − 58 F2
4 10 −4 0 F4 → F4 + F1 0 4 −8 −8 F4 → F4 − 7 F2
4
−−−−−−−−−−−−−→ −−−−−−−−−−−−−→
−3 −2 −5 −2 0 5 −2 4
2
−2 4 4 −7 0 7 6 −3
56 Algebra Lineal Walter Arriaga Delgado
2 3 2 4 2 3 2 4
0 4 −8 −8 F4 →F4 − 20 F3 0 4 −8 −8
3
−−−−−−−−−→ =U
0 0 3 9 0 0 3 9
0 0 20 11 0 0 0 −49
Solución
De ejemplo anterior se puede escribir A = LU , donde
1 0 0 0 2 3 2 4
2 1 0 0 −8
0 4 −8
L = −3 5 y U =
0 0 9
2 8 1 0 3
−1 74 20 3 1 0 0 0 −49
es decir
y1 = 4
y2 = −8 − 2y1 = −16
y3 = −4 + 32 y1 − 58 y2 = 12
y4 = −1 + y1 − 74 y2 − 20
3 y3 = −49
58 Algebra Lineal Walter Arriaga Delgado
es decir
x4 = 1
3x3 = 12 − 9x4 = 3 ⇒ x3 = 1
4x2 = −16 + 8x3 + 8x4 = 0 ⇒ x2 = 0
2x1 = 4 − 3x2 − 2x3 − 4x4 = −2 ⇒ x1 = −1
Por lo tanto la solución es:
−1
0
x=
1
1
Johann Carl Friedrich Gauss, nació el 30 de Abril de 1777 en Brunswick, Alemania. Fue
un matemático, astrónomo y fı́sico alemán de una profunda genialidad, que contribuyó sig-
nificativamente en muchos campos, incluida la teorı́a de números, el análisis matemático, la
geometrı́a diferencial, la geodesia, el magnetismo y la óptica. Considerado “el prı́ncipe de las
matemáticas “el matemático más grande desde la antigüedad”, Gauss ha tenido una influen-
2
Gauss fue un prodigio, de quien existen muchas anécdotas acerca de su asombrosa precoci-
dad siendo apenas un pequeño infante, e hizo sus primeros grandes descubrimientos mientras
era apenas un adolescente.
Completo su magnum opus, Disquisitiones Arithmeticae a los veintiún años (1798), aunque
no seria publicada hasta 1801. Un trabajo que fue fundamental para que la teorı́a de los
números se consolidara y ha moldeado esta área hasta los dı́as presentes.
Es célebre la siguiente anécdota: con tan solo 3 años corrigió en su cabeza un error que
su padre, mientras éste realizaba un conteo de pago de sus empleados, haciendo ver su precoz
habilidad para los números.
Tenı́a Gauss 10 años cuando un dı́a en la escuela el profesor manda sumar los cien primeros
números naturales. El maestro querı́a unos minutos de tranquilidad . . . pero transcurridos
pocos segundos Gauss levanta la mano y dice tener la solución: los cien primeros números
naturales suman 5.050. Y efectivamente es ası́. ¿Cómo lo hizo Gauss? Pues mentalmente se
dio cuenta de que la suma de dos términos equidistantes era constante:
1 + 100 = 2 + 99 = 3 + 98 = 4 + 97 = · · · = 101
Con los 100 números se pueden formar 50 pares, de forma que la solución final viene dada
por el producto
101 · 50 = 5050
Gauss habı́a deducido la fórmula que da la suma de n términos de una progresión aritmética
de la que se conocen el primero y el último término:
(a1 + an )n
Sn =
2
dónde a1 es el primer término, an el último, y n es el número de términos de la progresión.
En 1796 descubrió el método de construcción del Heptadecágono, y dió el criterio necesario
y suficiente para que un polı́gono pueda ser dibujado.
Fue el primero en probar rigurosamente el Teorema Fundamental del Álgebra (disertación
para su tesis doctoral en 1799), aunque una prueba casi completa de dicho teorema fue hecha
por Jean Le Rond d’Alembert anteriormente.
En 1801 publicó el libro Disquisitiones Aritmeticae, con seis secciones dedicadas a la Teorı́a
de números, dándole a esta rama de las matemáticas una estructura sistematizada. En la
última sección del libro expone su tesis doctoral. Ese mismo año predijo la órbita del asteroide
Ceres aproximando parámetros por mı́nimos cuadrados.
En 1809 fue nombrado director del Observatorio de Göttingen. En este mismo año publi-
ca Theoria motus corporum coelestium in sectionibus conicis Solem ambientium describiendo
cómo calcular la órbita de un planeta y cómo refinarla posteriormente. Profundiza sobre ecua-
ciones diferenciales y secciones cónicas.
Quizás Gauss haya sido la primera persona en intuir la independencia del postulado de
las paralelas de Euclides y de esta manera anticipar una geometrı́a no euclidiana. Pero esto
sólo se afirma, sacando conclusiones de cartas enviadas a sus amigos, Farkas Bolyai y a su hijo
János Bolyai a quien Gauss calificó como un genio de primer orden.
En 1823 publica Theoria combinationis observationum erroribus minimis obnoxiae, ded-
icado a la estadı́stica, concretamente a la distribución normal cuya curva caracterı́stica, de-
nominada Campana de Gauss, es muy usada en disciplinas no matemáticas donde los datos
60 Algebra Lineal Walter Arriaga Delgado
son susceptibles de estar afectados por errores sistemáticos y casuales como por ejemplo la
psicologı́a diferencial.
Hay que aclarar que Gauss no fue el primero en hacer referencia a la distribución normal.
Mostró un gran interés en geometrı́a diferencial y su trabajo Disquisitiones generales circa
superficies curva publicado en 1828 fue el más reconocido en este campo. En dicha obra expone
el famoso Teorema Egregium. De esta obra se deriva el término Curvatura Gaussiana.
En 1831 se asocia al fı́sico Wilhelm Weber durante seis fructı́feros años en los que realizan
investigaciones sobre las Leyes de Kirchhoff, publicaciones sobre magnetismo y construyen un
telégrafo eléctrico primitivo.
Aunque a Gauss le desagradaba dar clases, algunos de sus alumnos resultaron destaca-
dos matemáticos como Richard Dedekind y Bernhard Riemann. Otros matemáticos contem-
poráneos fueron Carl Gustav Jakob Jacobi, Dirichlet y Sophie Germain.
Gauss murió en Göttingen el 23 de febrero de 1855.
Arthur Cayley
En combinatoria, su nombre está unido a la fórmula nn−2 que enumera los árboles deco-
rados con n picos.
Se llama a veces octavas de Cayley o números de Cayley a los octoniones.
Gabriel Cramer
Gabriel Cramer (31 de julio, 1704 - 4 de enero, 1752) fue un matemático Suizo nacido
en Ginebra. Profesor de matemáticas de la Universidad de Ginebra durante el periodo 1724-
27. En 1750 ocupó la cátedra de filosofı́a en la citada universidad. En 1731 presentó en la
Academia de las Ciencias de Parı́s, una memoria sobre las causas de la inclinación de las
órbitas de los planetas. Editó las obras de Jean Bernouilli (1742) y Jacques Bernouilli (1744)
y el Comercium epistolarum de Leibniz. Su obra fundamental es la Introduction a lanalyse des
courbes algébriques (1750), en la que se desarrolla la teorı́a de las curvas algégricas según los
principios newtonianos, demostrando que una curva de grado n viene dada por la expresión:
n(n − 3)
2
Wilhelm Jordan
Wilhelm Jordan fue un geodesista alemán, nació en 1842 y murió en 1899. Hizo encuestas
en Alemania y África.
Es recordado entre los matemáticos por su algoritmo de Eliminación de Gauss - Jordan, con
Jordan mejorando la estabilidad del algoritmo de manera que se podı́a aplicar para minimizar
el error cuadrado en las mediciones. Esta técnica algebráica apareció en su Handbuch der
Vermessungskunde (1873).
62 Algebra Lineal Walter Arriaga Delgado
✍ EJERCICIOS RESUELTOS 1.
I. Matrices
II. Determinantes
1. Calcular:
64 Algebra Lineal Walter Arriaga Delgado
2
a (a + 1)2 (a + 2)2 (a + 3)2
b2 (b + 1)2 (b + 2)2 (b + 3)2
a)
c2 (c + 1)2 (c + 2)2 (c + 3)2
2
d (d + 1)2 (d + 2)2 (d + 3)2
Solución
Usando las transformaciones lineales se tiene:
2 2 2
a (a + 1)2 (a + 2)2 (a + 3)2 a a + 2a + 1 a2 + 4a + 4 a2 + 6a + 9
b2 (b + 1)2 (b + 2)2 (b + 3)2 b2 b2 + 2b + 1 b2 + 4b + 4 b2 + 6b + 6
2 = 2
c (c + 1)2 (c + 2)2 (c + 3)2 c c2 + 2c + 1 c2 + 4c + 4 c2 + 6c + 9
2 2 2
d (d + 1)2 (d + 2)2 (d + 3)2 d d + 2d + 1 d2 + 4d + 4 d2 + 6d + 9
2
a 2a + 1 4a + 4 6a + 9
b2 2b + 1 4b + 4 6b + 6
=
c2 2c + 1 4c + 4 6c + 9
2
d 2d + 1 4d + 4 6d + 9
2
a 2a + 1 2 6
b2 2b + 1 2 6
= =0
c2 2c + 1 2 6
2
d 2d + 1 2 6
Demostración.
En efecto: Adj(An ) = |An |(An )−1 = |A|n (A−1 )n = (|A|A−1 )n = [Adj(A)]n .
e) Adj(λA) = λn−1 Adj(A)
Demostración.
En efecto:
Adj(λA) = |λA|(λA)−1 = λn |A|λ−1 A−1 = λn−1 (|A|A−1 ) = λn−1 Adj(A).
ρ(B) = ρ(A) = 3
IV. Aplicaciones
Calcula, con ayuda del producto de matrices, las unidades de cada clase que le fue
administrada a los pacientes.
Solución:
15 15 20 30 10
La matriz de necesidades diarias es: A =
20 20 15 5 20
.
10 5
10 10 15
3
7
La matriz columna que expresa el número de dı́as es: D = 5 .
12
20
Para hallar el número de unidades de cada clase administradas a los pacientes calculemos:
3
7
15 15 20 30 10 810
AD = 20 20 15 5 20 5 = 735
10 5 10 10 15 12 535
20
Solución:
La matriz de necesidades diarias es:
Walter Arriaga Delgado Algebra Lineal 67
1200 900 1100 1150
A=
80 60 80
70
1200 950 1000 1100
Si representamos por D el vector columna que expresa el número de dı́as que cada paciente
debe seguir el tratamiento, se tiene:
21
14
D=
21
21
✍ EJERCICIOS PROPUESTOS 1.
I. Matrices
(
i + j , si i ≥ j
1) Dada la matriz A = (aij )2×3 donde: aij = . Hallar la suma de
i − j , si i < j
los elementos de A
ij , si i > j
2) Dada la matriz M = (mij )3×3 , donde: mij = i2 + j 2 , si i = j . Hallar la suma de
2
2i − j , si i < j
los elementos de la segunda columna de M
! !
1 3 5 a
3) Dadas las matrices A = ;B= . Calcule ab, si AB = BA.
2 0 −2 b
5 a+b 3
4) Si la matriz W = 7 −2 c − 1 es simétrica, hallar: a + b + c
a−b 2 10
5 8 4
5) Dada la matriz A = 3 2 5 , hallar la traza de la matriz B, que sumada con la
7 6 0
matriz A origine la matriz identidad.
2
2 −2 −4 x ∗ ∗
6) Si
−1 3 4
= ∗ y ∗ . Calcular: x + y + z
1 −2 −3 ∗ ∗ −z
! !
4 −3 −1 0
7) Si A es una matriz que cumple: (A + I)2 = ; (A − I)2 = .
3 2 0 −1
Hallar la traza de la matriz A
!
2
0 2
8) Sea f (x) = x + x + 2 y A = . Hallar la traza de f (A).
1 4
9) Sea la matriz A = (aij )n×n , definida por aij = |i − j| + j − i, hallar la traza de A.
" #
1 1
10) Dada la matriz A = , hallar: traz(A + A2 + A3 + · · · + An ).
0 1
11) Si A = (aij )2×2 /iaij + jaji = i2 + j 2 . Calcule a11 a12 + a21 a22
1 −1 1
12) Si A =
−1 0 0 ; hallar la traza de la matriz 2−98 .A100
0 −1 1
Walter Arriaga Delgado Algebra Lineal 69
!
1 1
13) Dado el polinomio P (x) = x19 + 2x − 1 y la matriz A = . Hallar la traza de
0 1
P (A)
" #
1 2
14) Dada la matriz A = , ella se puede expresar como la suma de una matriz
3 4
simétrica B y otra antisimétrica C; hallar el determinante de la matriz C.
15) Sean las matrices: A = (aik )23×2 : aik = i + k; B = (bkj )2×41 : bkj = 2k + 3j. Si
C = AB de elementos de cij . Halle el elemento c34
λ1 0 . . . 0
0 λ2 . . . 0
16) Sea D = . .. . . .. una matriz diagonal n × n, esto es, los elementos que
.. . . .
0 0 . . . λn
a11 a12 . . . a1n
a21 a22 . . . a2n
están fuera de la diagonal son iguales a cero. Sea A = . .. .. ..
.. . . .
an1 an2 . . . ann
Muestre que el producto AD es obtenido de la matriz A multiplicando
cada
a1j
h i a2j
columna j por λj , o sea, si A = A1 A2 . . . An donde Aj = . es la
..
anj
h i
columna j de A, entonces AD = λ1 A1 λ2 A2 . . . λn An .
Muestre que el productoDAes obtenido de la matriz A multiplicando cada fila
A1
A2 h i
..
i por λi , o sea, si A = . donde Ai = a1j a2j . anj es la fila i de A,
..
A
n
λ A
1 1
λ A
2 2
entonces DA = .
...
λn An
17) Sean A y B matrices de orden m × p y p × n, respectivamente.
Muestre que a j-ésima columna del producto AB es igual al producto ABj , donde
b1j
. h i
Bj =
.. es a j−ésima columna de B, o sea, si B = B1 B2 . . . Bn ,
bpj
70 Algebra Lineal Walter Arriaga Delgado
h i h i
entonces AB = A B1 B2 . . . Bn = AB1 AB2 . . . ABn
Muestre que la i−ésima fila del producto AB es igual al producto
A i B, donde
A1
h i A2
Ai = ai1 ai2 . . . aip es a i−ésima fila de A, o sea, si A = . , entonces
..
Am
A1 A1 B
A2 A2 B
AB = . B = . .
.. ..
Am Am B
18) Se D1 y D2 son matrices diagonales de orden n × n, entonces D1 D2 = D2 D1 .
27) Dadas las matrices cuadradas A y B. Demuestre que A y B son conmutables sı́ y sólo
si A − kI y B − kI son conmutables para cualquier valor real k.
28) Demuestre que la suma y el producto de dos matrices triangulares superiores es otra
matriz triangular superior.
29) Demuestre que la suma y el producto de dos matrices triangulares inferiores es otra
matriz triangular inferior.
Walter Arriaga Delgado Algebra Lineal 71
30) Demuestre que la suma y el producto de dos matrices diagonales es otra matriz diag-
onal.
31) Demuestre que la suma y el producto de dos matrices escalares es otra matriz escalar.
32) Demuestre que si A es una matriz cuadrada, entonces Ap · Aq = Aq · Ap , donde p y
q son números enteros positivos.
2 −3 −5 −1 3 5
33) Dadas las matrices A = −1 4 5 y B=
1 −3 −5
1 −3 −4 −1 3 5
a) Verifique que A y B son idempotentes.
b) Verifique que A y B no cumple con el recı́proco del problema 3.
34) Demuestre que si A es una matriz idempotente, entonces B = I − A es también
idempotente además AB = BA = 0.
35) Demuestre que si H es una matriz hermitiana y A una matriz conforme respecto de
la multiplicación, se verifica que (A) t HA es hermı́tica.
36) Demuestre que toda matriz hermı́tica A se puede expresar por B + iC, siendo B una
matriz real y simétrica y C otra matriz real pero hemisimétrica.
37) Demuestre que:
a) Toda matriz hermı́tica A se puede representar por A = B + iC, siendo B una
matriz real y hemisimétrica y C otra matriz real pero simétrica.
t
b) A A es una matriz real si, y solo si, B y C son anticonmutativas.
38) Demuestre que si A y B son dos matrices permutables, también lo son A−1 y B −1 ,
t t
A t y B t, y A y B .
39) Demuestre que, siendo m y n enteros positivos, Am y B n son matrices permutables
si lo son A y B.
40) Demuestre que:
" #n " #
λ 1 λn nλn−1
a) =
0 λ 0 λn
n 1
λ 1 0 λn nλn−1 n(n − 1)λn−2
2
b)
0 λ 1 = 0
λn nλn−1
0 0 λ 0 0 λn
41) Demuestre que si A es una matriz simétrica o hemisimétrica, tanto AA t = A t A como
A2 son matrices simétricas.
42) Demuestre que si A es una matriz simétrica también lo es aAp + bAp−1 + · · · + gI, en
donde a, b, . . . , g son escalares y p un número entero y positivo.
72 Algebra Lineal Walter Arriaga Delgado
44) Demostrar que si A es una matriz real y hemisimétrica, o bien compleja y hemi-
hermı́tica, las matrices ±iA son hermı́ticas.
45) Demostrar que el teorema del problema 30 se puede enunciar en los siguientes térmi-
nos:
Toda matriz cuadrada A se puede escribir en la forma A = B + iC, siendo B y C dos
matrices hermı́ticas.
a) B t A t = A t y A tB t = B t,
b) A t y B t son idempotentes,
c) A = B = I siempre que A posea inversa.
1 1
47) Si A es una matriz involutiva, demostrar que (I + A) y (I − A) son matrices
2 2
1 1
idempotentes, y que (I + A) · (I − A) = 0.
2 2
−1
48) Si A es una matriz inversa de la matriz cuadrada A, demostrar que:
a) (A−1 ) t = (A t )−1 ,
b) (A)−1 = A−1 ,
t
c) (A )−1 = (A−1 ) t .
a) diag(1, 1, 2, 3),
b) diag(1, 1, 2, 2).
a) A + B =diag(A1 + B1 , A2 + B2 , . . . , As + Bs )
b) AB =diag(A1 B1 , A2 B2 , . . . , As Bs )
c) Traza de AB =traza de A1 B1 + traza de A2 B2 + . . . traza de As Bs .
A B C D
Ganados 15 12 14 20
Empatados 10 13 11 5
Obtén una matriz que refleje, para cada equipo, el capital recibido de cada pa-
trocinador.
Idem las contribuciones totales para cada equipo.
57) Si I − A es una matriz regular y A es antisimétrica, demostrar que I + A es también
regular.
II. Determinantes
Calcular los determinantes de las siguientes matrices:
74 Algebra Lineal Walter Arriaga Delgado
1 2 3 1 1 1 1
1) 4 5 6 a2 b2 c2 d2
9)
7 8 9 a3 b3 c3 d3
Rpta. 0 a4 b4 c4 d4
cos θ sen θ 0 Rpta.
2) − sen θ cos θ 0 (b − a)(c − a)(d − a)(c − b)(d − b)(d − c)
0 0 1
Rpta. 1 a b c d
a2 b2 c2 d2
1 2 3 4
10)
2 3 1 a3 b3 c3 d3
2
3) a4 b4 c4 d4
1 1 1 −1
Rpta.
1 0 −2 −6
Rpta. −1 abcd(b−a)(c−a)(d−a)(c−b)(d−b)(d−c)
1 −2 −3 1
1 2 2 2 ··· 2
4 1 −2 2
2 2 2 2 · · · 2
4)
0 2 −2 3
2 2 3 2 · · · 2
−2 1 1 0 11)
2
2 2 4 · · · 2
Rpta. 1 . .. .. .. . . ..
.. . . . . .
1 1 1 1
2 2 2 2 ··· n
1 1 + x 1 1
5)
1 1 1 + y 1
x a1 a2 · · · an−1 1
1 1 1 1+z
a1 x a2 · · · an−1 1
Rpta. xyz
a1 a2 x · · · an−1 1
−4 1 1 1 1 12)
.. .. .. . . ..
..
. . . . . .
1 −4 1 1 1
a a2 a3 · · · x 1
1
6) 1 1 −4 1 1
a1 a2 a3 · · · an 1
1 1 1 −4 1
1 1 1 1 −4
15 16 17 18
Rpta. 0
15 15 19 20
0 1 4 3 13)
15 15 15 21
6 0 2 0
15 15 15 15
7)
9 7 2 5
Rpta. −360
0 1 0 3
Rpta. 384 a2 2a + 1 2a + 3 2a + 5
m + 3a p + 7b q + 11b b2 2b + 1 2b + 3 2b + 5
14)
8) m + 5a p + 9b q + 13b c2 2c + 1 2c + 3 2c + 5
m + 7a p + 11b q + 15b d2 2d + 1 2d + 3 2d + 5
Rpta. 0 Rpta. 0
Walter Arriaga Delgado Algebra Lineal 75
0 0 0 0 2 x a a ... a
0 0 0 1 3 a x a . . . a
15) 5 7 6 1
1
19) a a x . . . a
. . . .
4 1 1 1
1 .. .. .. . . ...
5 0 0 1 1 a a a ... x
Rpta. −10
1 1 1 1
2 1 0 0 ... 0
2 3 5 7
1 2 1 0 . . . 0
16)
4 9 25 49
20) 0 1 2 1 . . . 0
9 28 126 344 .. .. .. .. . . ..
. . . . . .
Rpta. 240
0 0 0 0 ... 2
1 2 3 ... n
−1 0 3 . . . n
2 1 0 ........
17)
−1 −2 0 . . . n
. 1 2 1 0 .......
.. .. .. .. .
. . . ..
0 1 2 1 0 .....
−1 −2 −3 ... 0
. . . 0 1 2 1 .....
0 1 1 ... 1 1
21) . . . 0 1 2 1 ...
1 0 x ... x x
..............
18) x x
1 x 0 ... ...... 0 1 2 1 0
.. .. .. .. .. ..
. . . . . . ....... 0 1 2 1
1 x x ... x 0 ......... 0 1 2
Ejercicios diversos:
√
Pm m 2 2 P1 P2 P3 P1 P4
6) Si n = √ , hallar “k” si: 2 + 3 + 4 +2 0 = k 1 Rpta. 5
3 n 3
x − 1 x x
7) Resolver: x x+2 x = 0 Rpta. 4
x x x + 3
m n p
8) Si “m”, “n” y “p” son las raı́ces de la ecuación x + 4x + 3 = 0. Calcular: n p m
3
p m n
Rpta. 0
3 −1 −2
9) Si A =
−2 2 −3. Hallar |A · A |
T Rpta. 49
4 −1 −2
h√ √ √ √ i
10) Dada la matriz A = 2 3 3 5 5 7 7 . Calcular |AT · A|. Rpta. 0
11) Sean las siguientes
matrices: A = (ai,j )4×4 / |A| = −2; B = (bi,j )5×5 / |B| = −1.
|3AT | | − B|
Calcular: W =
Rpta. −5176
|2A | | − 2B|
−1
!−1
3 2
12) Hallar la traza de la matriz A, si se cumple que: 2A = |A| . Rpta. 14
5 4
!
3 1
13) Hallar el determinante de A, si se cumple que: A = |A| . Rpta. −1/11
5 −2
5 ; si i < j
14) Calcular el determinante de la matriz A de orden 4, si: aij =
3 ; si i ≥ j
3 − aij ; si i 6= j
15) Dada la matriz A = (aij )3×3 definida por: aij = . Calcule |A|.
−a ; si i = j
ij
16) Sea A una matriz cuadrada de orden 2 cuyo determinante es igual a 4, la diferencia
entre la suma de los elementos de la diagonal principal y la suma de los elementos de
la diagonal secundaria es 8. Se suma x a cada elemento de la matriz A entonces el
valor de su determinante es igual a −4. Calcular el valor de x.
1 0 a
17) En un texto antiguo de Algebra se encuentra la matriz A = 0 b 0 y sólo se puede
0 c 0
3
leer la segunda columna 2 de la operación A2 −AT . Hallar AT + traz(AT ), siendo
6
a, b y c números naturales.
Walter Arriaga Delgado Algebra Lineal 77
a b c d
−b a d −c 2det(BB T )
18) Dada la matriz: . Calcular el valor de W = ,
−c −d a b det(B) + det(B T )
−d c −b a
con {a; b; c; d} ⊂ R − {0}.
n
Y
19) Sea A = (aij ) ∈ Mn (k) una matriz triangular superior. Mostrar que det A = aii .
i=1
!
A C
20) Sean A ∈ Mn (k), B ∈ Mm (k) y C ∈ Mn,m (k), y sea M = la matriz de
0 B
bloques. Mostrar que det M = det A · det B.
21) Sea l ≥ 1, n1 , . . . , nl ≥ 1, y Ai ∈ Mni (k) si 1 ≤ i ≤ l. Mostrar que:
A1 0 0 ... 0
0 A2 0 . . . 0
Yl
det 0 0 A3 . . . 0 = det Ai .
.......... i=1
0 0 0 . . . Al
Rpta. 2 Rpta. 3
3 1 1
1 2 1 1 3−1 5
5) 2 −1 −3 4
2 −1 0
9)
5 1 −1 7
5 2 1
7 7 9 1
Rpta. 3
1 1 2 Rpta. 3
6) 2 2 4
24 19 36 72 −38
3 5 8
49 40 73 147 −80
Rpta. 2 10)
73 59 98 219 −118
2 0 2 0 2 47 36 71 141 −72
0 1 0 1 0
7) Rpta. 3
2 1 0 2 1
0 1 0 1 0 17 −28 45 11 39
Rpta. 3 24 −37 61 13 50
3 −1 3 2 5 11) 25 −7 32 −18 −11
5 −3 2 3 4 31 12 19 −43 −55
8)
1 −3 −5 0 −7 42 13 29 −55 −68
7 −5 1 4 1 Rpta. 2
1 −2 3 4 −12 7
➳ 2 −3 1 Rpta.
3 −9 5
3 −4 0 1 −2 1
1 3 −2 −27 −19 22
➳ 2 5 4 Rpta. −8
10 7
3 8 1 1 1 −1
1 2 3 −8/3 8/3 −1
➳ 4 5 6 Rpta.
10/3 −13/3 2
7 8 8 −1 2 −1
3 2 1 0 −1 1
➳ 1 1 1 Rpta. 1 −2
1
2 1 1 −1 1 1
1 1 1 6 −1 −1
➳ 2 3 2 Rpta. 0
−2 1
3 3 4 −3 0 1
1 1 0 1/4 −1/4 1/2
➳ −1 1 2 Rpta. 1/4 −1/2
3/4
1 0 1 −1/4 1/4 1/2
1 2 −3 −4 3 −2
➳ 3 2 −4 Rpta. −8 6 −5
2 −1 0 −7 5 −4
2 3 5 2 −5/2 1/2
➳ 2 4 6 Rpta. −1 0 1/2
4 8 10 0 1 −1/2
2 1 3 1 0 −1
➳ −1 4 0 Rpta. 0 0 1
1 1 0 −1 1 1
3 −1 2 1/28 1/4 −3/56
➳ 4 1 1 Rpta. −11/28 1/4 5/56
2 4 6 1/4 −1/4 1/8
2 3 4 −1 1 1
➳ 4 2 2 Rpta. 5 −4 −6
−1 1 2 −3 5/2 4
80 Algebra Lineal Walter Arriaga Delgado
2 0 4 −11/2 1 1
➳ 4 −2 6 Rpta. 1/2
−2 0
8 2 16 3 −1/2 −1/2
3 6 −9 5/87 −1/29 8/29
➳ 0 2 1 Rpta.
1/29 11/29 −1/29
3 −1 2 −2/29 7/29 2/29
6 −1 −1 1 1 1
➳ −2 1 0 Rpta.
2 3 2
−3 0 1 3 3 4
5 3 −2 5 −13 −1
➳ 2 1 −1 Rpta. 1
−4 11
−2 2 3 6 −16 −1
9 1 2 1 −4 3
➳ 2 1 −1 Rpta.
−4 18 −13
0 1 −2 −2 9 −7
cos θ sen θ 0 cos θ − sen θ 0
➳ − sen θ cos θ 0 Rpta.
sen θ cos θ 0
0 0 1 0 0 1
1 1 1 (x + y + xy)/xy −1/x −1/y
➳ 1 1 + x 1 Rpta. −1/x 1/x 0
1 1 1+y −1/y 0 1/y
1 1 1 1 17/6 −1 −1/2 −1/3
1 2 1 1 −1 1 0 0
➳ Rpta.
1 1 3 1 −1/2 0 1/2 0
1 1 1 4 −1/3 0 0 1/3
1 2 3 4 22 −6 −26 17
2 3 1 2 −17 5 20 −13
➳ Rpta.
1 1 1 −1 −1 0 2 −1
1 0 −2 −6 4 −1 −5 3
1 −2 −3 1 −1 −1 1 −3
4 1 −2 2 8 11 −10 26
➳ Rpta.
0 2 −2 3 −10 −13 12 −31
−2 1 1 0 −12 −16 15 −38
Walter Arriaga Delgado Algebra Lineal 81
1 7 −2
3) Dada la matriz A = 0 2 4 −1
, hallar: traz(A + A )
0 0 3
1 a+b 0
4) Sea la matriz: A = 2 a −1
5 simétrica. Hallar la traza de A
b x 3
5) Demostrar que la inversa de una matriz hermitiana es también hermitiana.
6) Resolver AX = B, donde:
1 −1 1 2 4 1 2 2 1
A= 0 0 1
; B = 2 −1 0
Rpta. X =
2 −3 0
1 1 −1 2 0 1 2 −1 0
3 2 1 4 4 4 1 2 3
A=
4 5 2; B = 6 3 −1
Rpta. X =
0 −1 −3
2 1 4 6 3 7 1 0 1
−1 1 1 −1 3 −1 1 −2 0
A=
5 −4 −6; B = 7 −16 2
Rpta. X =
1 0 −2
−3 1 4 −6 10 2 −1 1 1
1 2 0 −3 0 1 1 −2 3
A= 2 5 2; B = −2 −1 3
Rpta. X =
−2 1 −1
0 2 3 5 −1 1 3 −1 1
1 2 3 5 1 3 1 2 −1
A= 3 2 1; B = 7 7 −3
Rpta. X =
2 1 −1
2 3 1 8 6 −3 0 −1 2
V. Criptografı́a
El mensaje M fue cifrado con la clave A y se obtuvo el mensaje cifrado C. Encontrar M .
! !
1 2 64 27 45 29
1) A = ; C=
0 −1 −22 −5 −13 −14
Rpta. SUPERMAN
! !
2 −3 −3 −10 −26 −39 −50 13
2) A = ; C=
1 −1 3 2 −7 −13 −15 11
Rpta. LIONEL–MESSI
! !
−1 0 −23 −23 0 −12 −17 −19
3) A = ; C=
2 −1 37 45 −5 24 29 16
Rpta. VIVA–EL–PERU
82 Algebra Lineal Walter Arriaga Delgado
! !
−2 1 12 11 −9 2 −29 2 −15
4) A = ; C=
−1 1 13 15 −4 2 −13 7 −3
Rpta. ANDREA–BOCELLI
! !
1 −2 −1 −23 −12 −24 12 −25 −10 7 −22 16
5) A = ; C=
3 −5 6 −55 −20 −60 41 −59 −25 30 −45 48
Rpta. PIENSO–LUEGO–EXISTO–
1 −2 3 57 29 −9
6) A =
2 −3 1; C = 20 3 −9
3 −4 0 2 −11 −8
Rpta. BARCELONA
0 −1 1 −5 17 12 −9 −12
7) A =
1 1 −2 ; C = −1 −31 −23 13 13
−1 1 1 18 16 11 10 11
Rpta. ALGEBRA–LINEAL–
1 0 −1 −14 −17 −18 −18 15
8) A =
0 0 1
; C = 17 22 21 19 1
−2 −1 1 10 −7 6 17 −41
Rpta. CAPERUCITA–ROJA
1 0 −1 −4 19 −5 −25 −19 −4
9) A =
0 0 1 ; C = 5
1 19 26 19 5
−1 1 1 16 1 9 25 26 7
Rpta. ALESSANDRA–Y–GRACE
1 0 −1 12 0 0 0 12 7 19
10) A =
0 0 1 ; C = 0 9 1 0 0 9 1
−1 1 1 −11 12 4 26 −11 −3 −14
Rpta. LA–ILIADA–Y–LA–ODISEA
3x − z = 4
3x + 2y − z = 0
6x + 4y + 5z
= −7 x + z = 2
−3x + 3y + 2z = −11 −x + y
= 3
Rpta. x = 1, y = −2, z = −1 x − y + z = 4
2x + 2y + 6z = 10
2x + y − z + t
= −1
x + y + z
2x − y + 4z = 11
= 0
−y + z = 3
−x + 2y − z = 1
Rpta.
x = 8/5, y = −7/5, z = 8/5
x1 − x2 + x3 − 2x4 = 6
x + 2y + z − w = 5
x2 + x3 + 2x4 + x5
2x − y − z + w = 2 = 5
2x1 + 4x3 − 2x4 − 6x5 = 2
x + 3y + 2z + 2w = −1
−2x1 + 3x2 − x3 + 7x4 + 5x5 = 3
3x − 2y + 3z − 2w = 5
Rpta.
x = 2, y = 1, z = −1, w = −2
3x + 3y + 2z + w = 10
2x − 3y + 4z − w = 4
8x + 6y + 5z + 2w = 21
3x + 2y − 5z + 3w = 4
4x + 2y + 3z + w = 8
5x − y + 5z − 4w = 2
3x + 5y + z + w = 15
7x − 6y + 5z − w = 6
7x + 4y + 5z + 2w = 18
Rpta. x = 1, y = 2, z = 3, w = 4
x1 + x2 + 2x3 + x5 = 4
−2x + y + z = 1
−x1 + x2 − 3x3 + 5x4 = 4
x − 2y + z = −2
x1 + 3x2 + 2x3 + 5x4 + 3x5 = 13
x + y − 2z = 1
−2x1 − 4x3 + 5x4
Rpta. x = t, y = t + 1, z = t = 1
2) Una compañı́a minera extrae mineral de dos minas, el cual contiene para la mina I
el 1 % de nı́quel y 2 % de cobre, para la mina II el 2 % de nı́quel y 5 % de cobre.
¿Qué cantidad de mineral se deberá extraer de cada mina para obtener 4 toneladas
de nı́quel y 9 toneladas de cobre?
9) Calcular cuando sea posible, por el método de Gauss−Jordan, la inversa de las ma-
trices del ejercicio anterior.
10) Resolver mediante factorización LU el sistema
3x + y + z
=1
3x − y + 4z = 0
x+y+z = −2
ax + by + z = 1
11) Dado el sistema de ecuaciones x + aby + z = b . Se pide:
x + by + az = 1
a) Discutirlo según los valores de a y b.
b) Para a = 2 y b = 1, hallar A−1 por el método de Gauss−Jordan donde A es la
matriz de los coeficientes.
c) ¿Para que valores de a y b admite descomposición LU la matriz de los coeficientes?
Calcular dicha descomposición para dichos valores.
2
VECTORES EN EL ESPACIO
BIDIMENSIONAL Y
TRIDIMENSIONAL
87
3
ESPACIOS VECTORIALES
Objetivos
z Identificar espacios y subespacios vectoriales, y analizar sus caracterı́sticas fundamentales.
La parte más importante de la economı́a que usa los sistemas de ecuaciones lineales es el
análisis input–output que trabaja con modelos de Leontief. Para comprender y manejar estos
modelos es conveniente familiarizarse con una serie de conceptos como son los de matrices,
determinantes y vectores. No obstante, me gustarı́a recalcar que la utilidad del álgebra lineal
va más allá de su capacidad para resolver sistemas de ecuaciones lineales, ya que se usa
extensamente en muchas otras materias relacionadas con la ciencia y la técnica, además de la
economı́a. En particular, muchos de los métodos del álgebra lineal son útiles en la teorı́a de
optimización, la estadı́stica y la econometrı́a.
89
90 Algebra Lineal Walter Arriaga Delgado
Una de las tareas básicas del análisis matemático consiste en identificar estructuras fun-
damentales que aparecen con alguna regularidad en diferentes situaciones, desarrollarlas en
abstracto y aplicar después los resultados obtenidos a las diferentes situaciones particulares.
De este modo se pueden entender simultáneamente muchas situaciones diferentes investigando
las propiedades que rigen todas ellas. Las matrices parecen tener poco que ver con los poli-
nomios y éstos a su vez con los segmentos orientados, pero resulta que todos ellos comparten
caracterı́sticas fundamentales que, una vez desarrolladas, proporcionan un mejor entendimien-
to.
¿Cuáles son algunas de las propiedades fundamentales de las matrices, los segmentos ori-
entados, las n–uplas e incluso los polinomios? En primer lugar, se pueden sumar; ası́ tenemos
el concepto de clausura bajo suma: se tienen objetos definidos en un conjunto particular y se
establece una operación de suma sobre esos objetosde manera que el resultado es un nuevo
objeto del mismo conjunto. En segundo lugar, también se tiene el concepto de clausura bajo
multiplicación por un escalar. Además, estas operaciones tienen ciertas propiedades que ya
hemos visto en el caso de n–uplas y segmentos orientados.
Ası́ pues, hemos identificado rápidamente una serie de caracterı́sticas comunes. ¿Hay
otras?, y lo que es más interesante, ¿cuál es el número más pequeño de caracterı́sticas que
necesitamos identificar de modo que todas las demás se sigan a partir de éstas?.
Para empezar, creamos una nueva etiqueta, que aplicamos a cualquier conjunto de objetos
que tengan estas caracterı́sticas: espacio vectorial, y nos referimos a los objetos de este
conjunto como vectores. Después podemos mostrar que las matrices, los segmentos orientados,
las n–uplas, etc., son ejemplos particulares de espacios vectoriales, de manera que los podemos
denominar con el término más general de vectores.
Históricamente, las primeras ideas que condujeron a los espacios vectoriales modernos se
remontan al siglo XVII: geometrı́a analı́tica, matrices y sistemas de ecuaciones lineales. La
primera formulación moderna y axiomática se debe a Giuseppe Peano, a finales del siglo XIX.
Los siguientes avances en la teorı́a de espacios vectoriales provienen del análisis funcional,
principalmente de los espacios de funciones. Los problemas de análisis funcional requerı́an
resolver problemas sobre la convergencia. Esto se hizo dotando a los espacios vectoriales de
una adecuada topologı́a, permitiendo tener en cuenta cuestiones de proximidad y continuidad.
Walter Arriaga Delgado Algebra Lineal 91
Estos espacios vectoriales topológicos, en particular los espacios de Banach y los espacios de
Hilbert tienen una teorı́a más rica y complicada.
Los espacios vectoriales tienen aplicaciones en otras ramas de la matemática, la ciencia y la
ingenierı́a. Se utilizan en métodos como las series de Fourier, que se utiliza en las rutinas mod-
ernas de compresión de imágenes y sonido, o proporcionan el marco para resolver ecuaciones
en derivadas parciales. Además, los espacios vectoriales proporcionan una forma abstracta
libre de coordenadas de tratar con objetos geométricos y fı́sicos, tales como tensores, que a su
vez permiten estudiar las propiedades locales de variedades mediante técnicas de linealización.
La adición, llamada ley de composición interna, que a cada par cualquiera de vectores
u, v ∈ V le hace corresponder un nuevo vector u + v ∈ V , esto se expresa de la siguiente
manera:
+: V ×V −→ V
(u, v) −→ +(u, v) = u + v
A2 ) u + v = v + u, ∀ u, v ∈ V (conmutatividad).
A3 ) (u + v) + w = u + (v + w), ∀ u, v, w ∈ V (asociatividad).
·: K×V −→ V
(α, v) −→ ·(α, v) = α · v
Observación 3.1.1.
3. Como V está definido sobre los elementos de K, se dice que V es un K espacio vectorial.
Ejemplo 3.1.1. Un espacio vectorial trivial. Sea V = {0}. Es decir, V consiste sólo del número
0. V cumple con todos los axiomas: 0 + 0 = 0 ∈ V ; 0 + 0 = 0 + 0; (0 + 0) + 0 = 0 + (0 + 0);
0 + 0 = 0; 0 + (−0) = 0; 1 · 0 = 0 ∈ V ; α(β0) = (αβ)0 = 0; (α + β)0 = α0 + β0 = 0;
α(0 + 0) = α0 + α0 = 0; 1 · 0 = 0. Por lo tanto V = {0} es un espacio vectorial trivial.
Ejemplo 3.1.2. Un conjunto que no es espacio vectorial. Sea V = {1}. Es decir, V consiste
sólo del número 1. Éste no es un espacio vectorial puesto que no cumple con la cerradura ya
que 1 + 1 = 2 6∈ V . Tampoco cumple otros axiomas, sin embargo, con sólo demostrar que no
cumple al menos uno de los axiomas queda probado que V no es espacio vectorial.
Observación 3.1.2. Verificar todos los axiomas puede ser tedioso. En adelante se verificarán
sólo aquellos axiomas que no son obvios.
Walter Arriaga Delgado Algebra Lineal 93
Ejemplo 3.1.5. En R2 cualquier recta que pase por el origen, es un espacio vectorial sobre
R. Sea V = {(x, y) ∈ R2 / y = mx}, donde m es un número real fijo. Se puede verificar que se
cumple cada uno de los axiomas. Observe que los vectores en R2 se han escrito como filas en
lugar de columnas que en esencia es lo mismo.
Ejemplo 3.1.6. El conjunto de puntos en R2 que están sobre una recta que no pasa por el
origen no constituye un espacio vectorial. Sea V = {(x, y) ∈ R2 / y = 2x + 1}, V no es un
espacio vectorial sobre R.
En efecto:
Dada la operación
+: V ×V −→ V
((x1 , y1 ), (x2 , y2 )) −→ (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )
Definimos la operación:
Sea a = (x1 , y1 ) ∈ V entonces y1 = 2x1 + 1
Sea b = (x2 , y2 ) ∈ V entonces y2 = 2x2 + 1
puesto que y1 + y2 = 2(x1 + x2 ) + 2, decimos que:
a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) 6∈ V
esto quiere decir que no cumple con la cerradura. Por lo tanto V no es un espacio vectorial.
Ejemplo 3.1.7. En R3 cualquier plano que pase por el origen, es un espacio vectorial sobre
R. Sea V = {(x, y, z) ∈ R3 / ax + by + cz = 0}
Ejemplo 3.1.8. En R3 cualquier plano que no pase por el origen, no es un espacio vectorial
sobre R.
+: V ×V −→ V
((x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn )) −→ (x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
·: R×V −→ V
(α, (x1 , x2 , . . . , xn )) −→ α(x1 , x2 , . . . , xn ) = (αx1 , αx2 , . . . , αxn )
Ejemplo 3.1.10. Sea Pn [x] el conjunto de todos los polinomios de grado menor o igual que
n y de coeficientes reales:
Pn [x] = {p(x) = a0 + a1 x + a2 x2 + · · · + an xn , n ∈ N, a0 , a1 , . . . , an ∈ R}. El conjunto Pn [x]
es un espacio vectorial sobre R con las operaciones definidas como:
Sea α ∈ R, entonces:
Ejemplo 3.1.11. Sea F(X, R) el conjunto de todas las funciones f con dominio Dom(f ) =
X 6= φ y rango Ran(f ) = R. El conjunto F(X, R) es un espacio vectorial sobre R con las
operaciones definidas como:
· : R × F(X, R) −→ F(X, R)
(α, f ) −→ ·(α, f ) = αf : X −→ R
x −→ (αf )(x) = αf (x)
96 Algebra Lineal Walter Arriaga Delgado
Ejemplo 3.1.12. Sea C[a, b] el conjunto de todas las funciones continuas de valores reales
definidas en el intervalo [a, b]. El conjunto C[a, b] es un espacio vectorial sobre R con las
operaciones definidas en el ejemplo anterior.
Ejemplo 3.1.13. Sea Mm×n el conjunto de todas las matrices, cuyos elementos mi,j ∈ R,
donde 1 ≤ i ≤ m, 1 ≤ j ≤ n. Mm×n es un espacio vectorial con las operaciones definidas
como:
+ : Mm×n × Mm×n −→ Mm×n
(A, B) −→ +(A, B) = A + B
·: R × Mm×n −→ Mm×n
(α, A) −→ ·(α, A) = αA
b) 0 · x = 0 para todo x ∈ V .
c) Si αx = 0 entonces α = 0 o x = 0.
3.2. Subespacios
Para mostrar que un conjunto de objetos es un espacio vectorial, hemos de ver que se
cumplan los diez axiomas del espacio vectorial. Este proceso se puede hacer más corto si el
conjunto de objetos es un subconjunto de un espacio vectorial conocido V .
Dentro de un espacio vectorial V , hay subconjuntos que heredan la estructura de V , es
decir, que son también espacios vectoriales con la misma operación, el mismo elemento neutro
y la misma acción que V . En esta sección, comenzaremos el estudio de los subconjuntos con
esta propiedad.
0∈S
Si x, y ∈ S, entonces x + y ∈ S
Observación 3.2.1.
Ejemplo 3.2.1. Los subespacios de R son los triviales, es decir S1 = {0} y el propio S2 = R,
esto quiere decir que R no tiene subespacios propios.
Ejemplo 3.2.2. Los subespacios de R2 son los triviales: S1 = {(0, 0)}; S2 = R2 , y los
subespacios propios de la forma: S3 = {(x, y) ∈ R2 / y = mx} que constituyen el conjunto de
rectas en R2 que pasan por el origen.
Ejemplo 3.2.3. Los subespacios de R3 son los triviales: S1 = {(0, 0, 0)}; S2 = R3 ; los sube-
spacios propios de la forma: S3 = {(x, y, z) ∈ R3 / x = at, y = bt, z = ct; a, b, c, t ∈ R} que
constituyen el conjunto de rectas en R3 que pasan por el origen; y los subespacios propios de
la forma: S4 = {(x, y, z) ∈ R3 / ax + by + cz = 0; a, b, c ∈ R} que constituyen el conjunto de
planos en R3 que pasan por el origen.
Dado que los subespacios vectoriales son subconjuntos de V , es lógico preguntarse cuáles
son las operaciones conjuntistas que proporcionan subconjuntos con la misma estructura.
98 Algebra Lineal Walter Arriaga Delgado
a) Intersección de subespacios
0 T
Ejemplo 3.2.5. Sea el espacio vectorial V = R2 , se sabe que todas las rectas que pasan por
\
el origen son subespacios de R2 . Además S = Si = {0}, que constituye el subespacio trivial
i=1
de R2 . De esta manera, se tiene que la intersección de todos los subespacios propios de R2 , es
el subespacio trivial {0} de R2 .
S4
S5 S3
··
··
S2
S1
0
0 T ∩H
Y
T
X
b) Unión de subespacios
1 (1, 1)
b
a 1 T
0
Walter Arriaga Delgado Algebra Lineal 101
ahora:
sea a = (1, 0) ∈ T ∪ H
sea b = (0, 1) ∈ T ∪ H
sin embargo, a + b = (1, 0) + (0, 1) = (1, 1) ∈
/ T ∪H
por lo tanto T ∪ H no es un subespacio de V .
(0, 2)
(−1, 1) 1 (1, 1)
b a
−1 0 1 T
ahora:
sea a = (1, 1) ∈ T ∪ H
sea b = (−1, 1) ∈ T ∪ H
sin embargo, a + b = (1, 1) + (−1, 1) = (0, 2) ∈
/ T ∪H
por lo tanto T ∪ H no es un subespacio de V .
Como en la unión de subespacios no se preserva la estructura de subespacio, se precisa una
operación “alternativa” que recoja de alguna manera la idea de agregación y que mantenga la
estructura de espacio vectorial. Esta operación es la suma de conjuntos.
c) Suma de subespacios
Definición 3.2.2. Sean S1 y S2 dos subespacios del espacio vectorial V , se llama suma de los
subespacios S1 y S2 al conjunto definido por:
S = S1 + S2 = {x ∈ V / x = x1 + x2 , x1 ∈ S1 , x2 ∈ S2 }
102 Algebra Lineal Walter Arriaga Delgado
0 ∈ S, pues 0 = |{z}
0 + |{z}
0
∈S1 ∈S2
De manera general, dado {Si }i=1,n una familia de subespacios del espacio vectorial V ,
definimos la suma de estos subespacios como:
n
( n
)
X X
S= Si = x∈V /x= xi , xi ∈ Si , i = 1, n
i=1 i=1
0 T
Z
H
T
0
Y
K = {(0, 0, γ) : γ ∈ R}
Entonces los elementos de H +K se formaran sumando (α, α+β, β)+(0, 0, γ) = (α, α+β, β+γ),
es decir, H + K = {(α, α + β, β + γ) : α, β, γ ∈ R}
S = S1 + S2
S1 ∩ S2 = {0}
n
( n
)
X X
S= Si = x∈V /x= xi , xi ∈ Si , i = 1, n
i=1 i=1
donde tales subespacios son disjuntos dos a dos, es decir para i 6= j se tiene que Si ∩ Sj = {0},
entonces decimos que S es la suma directa de todos ellos y se expresará como:
S = S1 ⊕ S2 ⊕ S3 ⊕ · · · ⊕ Sn
Ejemplo 3.2.15. El vector v = (20, 12, 37) es una combinación lineal de los vectores v1 =
(1, 3, 5) y v2 = (6, 2, 9), puesto que:
Ax = b ⇐⇒ x1 a1 + x2 a2 + · · · + xn an = b
Es decir, el sistema tiene solución si y sólo si b es una combinación lineal de las columnas de
la matriz A. La solución del sistema es el vector formado por coeficientes de la combinación
lineal de las columnas de A que dan b.
L{v1 , v2 , . . . , vk } = {v ∈ V / α1 v1 + α2 v2 + · · · + αk vk }
Los siguientes conceptos son fundamentales para el estudio de los espacios vectoriales, ya
que la idea de independencia lineal nos llevará a las definiciones de base, rango, dimensión, etc.,
de capital importancia para dicho estudio. A partir de estos conceptos podremos profundizar en
el análisis de estas estructuras algebraicas, encontrando formas alternativas de representación
y caracterizando los posibles subconjuntos del espacio vectorial que conservan las mismas
propiedades.
Nótese que el sı́mbolo a la derecha del signo igual no es cero, sino que simboliza al vector
nulo.
Si los vectores no son linealmente dependientes, se dice que son linealmente independientes.
Un conjunto de vectores es linealmente independiente si ninguno de ellos puede ser escrito
como una combinación lineal de los restantes.
En R3 , si consideramos que todos los vectores salen del origen la dependencia lineal es fácil
de visualizar:
B es linealmente independiente.
B es un sistema de generadores de V .
Si V tiene una base finita y tiene n vectores, entonces dim V = n. En este caso se dice
que V es un espacio vectorial de dimensión finita.
Si V es generado por una base infinita, entonces dim V = ∞. En este caso se dice que
V es un espacio vectorial de dimensión infinita.
Ejemplo 3.2.17.
Si V = R, entonces dim V = 1.
Si V = R2 , entonces dim V = 2.
una base de R2 es: B = {(1, 0), (0, 1)} = {e1 , e2 }
Si V = R3 , entonces dim V = 3.
Si V = Rn , entonces dim V = n.
108 Algebra Lineal Walter Arriaga Delgado
✍ EJERCICIOS RESUELTOS 2.
I. Espacios Vectoriales
Verificar si el conjunto dado es un espacio vectorial.
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x2 + y1 , x1 + y2 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (αx1 , αx2 )
a + b = (x1 , x2 ) + (y1 , y2 )
= (x2 + y1 , x1 + y2 )
b + a = (y1 , y2 ) + (x1 , x2 )
= (y2 + x1 , y1 + x2 )
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x2 + y2 , x1 + y1 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (αx1 , αx2 )
Como (a+ b)+ c 6= a+ (b+ c), entonces no cumple con el axioma de la asociatividad,
por lo tanto V no es espacio vectorial.
II. Subespacios
Verificar si los siguientes conjuntos son subespacios de V .
1. V = R2 ; S = {(x, y) ∈ R2 / y = x}
Demostración.
Y
S
0 X
(0, 0) ∈ S
Dados a, b ∈ S, debemos probar que a + b ∈ S.
si a = (x1 , y1 ) ∈ S, entonces x1 = y1
si b = (x2 , y2 ) ∈ S, entonces x2 = y2
luego se tiene que x1 + x2 = y1 + y2 , de donde:
a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) ∈ S
Dado α ∈ R y a ∈ S, debemos probar que αa ∈ S.
si a = (x1 , y1 ) ∈ S, entonces x1 = y1
Walter Arriaga Delgado Algebra Lineal 111
2. V = R2 ; S = {(x, y) ∈ R2 / x + y = 1}
Demostración.
S Y
0 1 X
(0, 0) 6∈ S
3. V = R2 ; S = {(x, y) ∈ R2 / y = mx}
Demostración.
(0, 0) ∈ S
4. V = R2 ; S = {(x, y) ∈ R2 / x ∈ Z}
Demostración.
112 Algebra Lineal Walter Arriaga Delgado
−5−4−3−2−1 0 1 2 3 4 5 X
(0, 0) ∈ S
Dados a, b ∈ S, debemos probar que a + b ∈ S.
si a = (x1 , y1 ) ∈ S, entonces x1 ∈ Z
si b = (x2 , y2 ) ∈ S, entonces x2 ∈ Z
luego se tiene que x1 + x2 ∈ Z, de donde:
a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) ∈ S
Dado α ∈ R y a ∈ S, debemos probar que αa ∈ S.
si a = (x1 , y1 ) ∈ S, entonces x1 ∈ Z
multiplicando por α ∈ R se tiene que: αx1 ∈ R y no a Z, de donde:
αa = α(x1 , y1 ) = (αx1 , αy1 ) ∈
/S
Por lo tanto S no es un subespacio de V .
5. V = R2 ; S = {(x, y) ∈ R2 / y ≤ x}
Demostración.
(0, 0) ∈ S
Dados a, b ∈ S, debemos probar que a + b ∈ S.
si a = (x1 , y1 ) ∈ S, entonces y1 ≤ x1
si b = (x2 , y2 ) ∈ S, entonces y2 ≤ x2
luego se tiene que y1 + y2 ≤ x1 + x2 , de donde:
a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) ∈ S
Walter Arriaga Delgado Algebra Lineal 113
6. V = R3 ; S = {(x, y, z) ∈ R3 / 3x + 2y + z = 0}
Demostración.
(0, 0, 0) ∈ S
Dados a, b ∈ S, debemos probar que a + b ∈ S.
si a = (x1 , y1 , z1 ) ∈ S, entonces 3x1 + 2y1 + z1 = 0
si b = (x2 , y2 , z2 ) ∈ S, entonces 3x2 + 2y2 + z2 = 0
luego sumando miembro a miembro se tiene que:
3(x1 + x2 ) + 2(y1 + y2 ) + (z1 + z2 ) = 0, de donde:
a + b = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) ∈ S
Dado α ∈ R y a ∈ S, debemos probar que αa ∈ S.
si a = (x1 , y1 , z1 ) ∈ S, entonces 3x1 + 2y1 + z1 = 0
multiplicando por α ∈ R a ambos miembros se tiene: α(3x1 + 2y1 + z1 ) = α0,
es decir, 3αx1 + 2αy1 + αz1 ) = 0, de donde:
αa = α(x1 , y1 , z1 ) = (αx1 , αy1 , αz1 ) ∈ S
7. V = Rn ; S = {(x1 , x2 , x3 , . . . , xn ) ∈ Rn / x1 x2 = 0}
Demostración.
(0, 0, 0, . . . , 0) ∈ S
Dados a, b ∈ S, debemos probar que a + b ∈ S.
sin embargo, si consideramos: a = (1, 0, 0, . . . , 0) ∈ S, y b = (0, 1, 0, . . . , 0) ∈ S,
observamos que:
a + b = (1, 0, 0, . . . , 0) + (0, 1, 0, . . . , 0) = (1, 1, 0, . . . , 0), de donde: a + b 6∈ S
W ⊥ = {v ∈ Rn / v · u = 0, ∀u ∈ W }
es un subespacio de Rn .
En efecto
Como v = (0, 0, 0, . . . , 0) ∈ Rn cumple con v · u = 0, ∀u ∈ W , entonces 0 ∈ W ⊥ .
Dados v1 , v2 ∈ W ⊥ , debemos probar que v1 + v2 ∈ W ⊥ .
Si v1 ∈ W ⊥ , entonces v1 · u = 0, ∀u ∈ W
Si v2 ∈ W ⊥ , entonces v2 · u = 0, ∀u ∈ W
luego (v1 + v2 ) · u = v1 · u + v2 · u = 0 + 0 = 0, por tanto v1 + v2 ∈ W ⊥ .
Dado α ∈ R y v ∈ W ⊥ , debemos probar que αv ∈ W ⊥ .
Si v1 ∈ W ⊥ , entonces v1 · u = 0, ∀u ∈ W
luego (αv) · u = α(v · u) = α 0 = 0, por tanto αv ∈ W ⊥ .
Por lo tanto W ⊥ es un subespacio denominado subespacio ortogonal de W .
x1 ∈ U ∧ x1 ∈ T
x1 ∈ T ∧ x2 ∈ W
luego R2 = W1 + W2
Probemos que: W1 ∩ W2 = (0, 0)
de donde: W1 ∩ W2 = (0, 0)
Por lo tanto V = R2 = W1 ⊕ W2
3. Sean W1 y W2 subespacios de V = R2 , donde:
W1 = {(x, y) ∈ R2 / y = x}
W2 = {(x, y) ∈ R2 / y = −x}
Probar que: V = W1 ⊕ W2
Demostración.
Probemos que: R2 = W1 + W2
En efecto, todo elemento (x, y) ∈ R2 , puede ser expresado como:
x+y x+y x+y y−x
(x, y) = , + ,
2 2 2 2
| {z } | {z }
∈W1 ∈W2
luego R2 = W1 + W2
Probemos que: W1 ∩ W2 = (0, 0)
de donde: W1 ∩ W2 = (0, 0)
Por lo tanto V = R2 = W1 ⊕ W2
Probemos que: V = Wp + Wi
En efecto, todo elemento f (x) ∈ V = F(R, R), puede ser expresado como:
1 1
f (x) = f (x) + f (−x) + f (x) − f (−x)
2 2
| {z } | {z }
∈Wp ∈Wi
luego V = Wp + Wi
Probemos que: Wp ∩ Wi = 0
de donde: Wp ∩ Wi = 0
Probemos que: V = W1 + W2
En efecto, todo elemento A ∈ V = Mn×n , puede ser expresado como:
1 T 1 T
A= A+A + A−A
2 2
| {z } | {z }
∈W1 ∈W2
luego V = W1 + W2
Walter Arriaga Delgado Algebra Lineal 117
Probemos que: W1 ∩ W2 = 0
Sea A ∈ W1 ∩ W2 =⇒ A ∈ W1 ∧ A ∈ W2
=⇒ A = AT ∧ A = −AT
=⇒ A = −A, es decir, 2A = 0
=⇒ A = 0
de donde: W1 ∩ W2 = 0
Por lo tanto V = Mn×n = W1 ⊕ W2
✍ EJERCICIOS PROPUESTOS 2.
I. Espacios Vectoriales:
Verificar si el conjunto dado es un espacio vectorial. Si no lo es, dé una lista de los axiomas
que no se cumplen.
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x2 + y2 , x1 + y1 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (αx1 , αx2 )
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x1 y1 , x2 y2 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (αx1 , αx2 )
+: V ×V −→ V
x y 1 x2 y 2
1
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = + , +
2 2 2 2
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (αx1 , αx2 )
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (αx1 , 0)
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (αx1 , x2 )
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 + 1, x2 + y2 + 1)
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (αx1 , αx2 )
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (2αx1 , 3αx2 )
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (α2 x1 , α2 x2 )
+: V ×V −→ V
((x1 , x2 ), (y1 , y2 )) −→ (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )
·: K×V −→ V
(α, (x1 , x2 )) −→ α(x1 , x2 ) = (α1 x1 − α2 x2 , α2 x1 + α1 x2 )
⊕ : R+ × R+ −→ R+
(x, y) −→ ⊕(x, y) = x ⊕ y = x · y
⊗: K× R+ −→ R+
(α, x) −→ ⊗(α, x) = α ⊗ x = xα
II. Subespacios:
a) W1 + W2
b) W1 + W3
c) W2 + W3
d) Determinar si las sumas anteriores son sumas directas.
1. Determinar si (1, 2, 1) es combinación lineal de los vectores (−1, 2, 1), (1, 1, −2)
y (1, 1, −2) en R3 . Rpta. No
4. Para que valor de a el vector (1, −2, a) ∈ R3 , será una combinacion lineal de los
vectores {(3, 0, −2); (2, −1, −5)}. Rpta. a = −8
5. Para que valor de a el vector (2, −3, −2, 3) ∈ R4 , será una combinacion lineal de los
vectores {(−1, 0, 4, 1); (3, −2, 0, 2); (2, a, −2, 0)}. Rpta. a = −3/5
!
3 1
6. Escriba la matriz E = , como combinación lineal de las matrices:
1 −1
! ! !
1 1 0 0 0 2
A= ,B= ,C= .
1 0 1 1 0 −1
V. Sistema de generadores:
A= 0 0 , 0 0 , 1 0 , 0 1
1 0 0 1 0 0 0 0
Rpta. LI
( ! ! !)
A= 2 −1
4 0
,
0 −3
1 5
,
4
7 −5
1
( ! ! ! ! !)
−1 0 2 1 −6 1 7 −2 0 1
, , , , ; V = M2×2
3 1 1 4 5 8 1 0 0 0
2. Hallar una base y la dimensión de los siguientes subespacios:
S = {(x, y, z) ∈ R3 / 3x + 3y + z = 0}
S = {(x, y, z) ∈ R3 / x = 2y − 3z} Rpta. dim(S) = 2
S = {(x, y, z) ∈ R3 / 3x − 2y + 6z = 0}
S = {(x, y, z, w) ∈ R4 / x + 2y + 3z + 4w = 0}
S = {(x, y, z, t) ∈ R4 / x − y + z − t = 0 ∧ 2x + z + t = 0} Rpta. dim(S) = 2
S = {(x1 , x2 , x3 , x4 , x5 ) ∈ R5 / 2x1 − 3x2 + x3 + 4x4 − x5 = 0}
S = {(x1 , x2 , . . . , xn ) ∈ Rn / a1 x1 + a2 x2 + · · · + an xn = 0}
S = h(1, 2, 1, 1); (1, 1, 1, 2); (3, 2, 3, 2)i en R4
3. Dados los siguientes subespacios, hallar una base para S, T , S + T , S ∩ T y calcular
dim(S + T ):
S = {(x, y, z) ∈ R 3 / x + y − z = 0}
T = {(x, y, z) ∈ R3 / x = z} Rpta. dim(S + T ) = 3
S = {(x, y, z) ∈ R 3 / x = y + z}
T = {(x, y, z) ∈ R3 / 3x − 3y = −z} Rpta. dim(S + T ) = 3
S = {(x, y, z) ∈ R 3 / 2x − y + z = 0}
T = {(x, y, z) ∈ R3 / x − 2y − z = 0}
S = {(x, y, z, w) ∈ R 4 / x + y − z + w = 0}
T = {(x, y, z, w) ∈ R4 / x − y − z − w = 0} Rpta. dim(S + T ) = 4
S = {(x, y, z, t) ∈ R 4 / x − y + z − t = 0}
T = {(x, y, z, t) ∈ R4 / 2x + y + 2z + t = 0}
S = h(1, 0, 1, 0); (1, 0, 1, 1)i
T = h(3, 0, 2, 1)i Rpta. dim(S + T ) = 3
S = {(x, y, z) ∈ R 3 / z = 0}
T = h(0, 1, 1); (2, 0, 1); (2, 1, 2)i
S = {(x , x , x , x ) ∈ R
1 2 3 4
4 / x1 − x2 = 0}
T = h(1, 1, 2, 1); (2, 3, −1, 1)i
S = {(x, y, z, w) ∈ R 4 / x − z − w = 0 , y + z = 0}
T = h(1, 0, 1, 1); (1, −1, −1, 0); (0, 1, 2, 1)i
S = h(2, 5, −1, 1); (2, 1, 1, −1); (2, −1, 2, −2)i
T = h(3, 4, 1, −1); (3, 5, 1, −1); (1, 2, 1, −1)i
S = h(1, 1, 1); (1, 2, 1)i
T = {(x, y, z) ∈ R3 / x = z}
130 Algebra Lineal Walter Arriaga Delgado
TRANSFORMACIONES
LINEALES
Objetivos
z Mostrar la dualidad entre el espacio de matrices y el espacio de las transformaciones li-
neales.
4.1. Introducción
131
132 Algebra Lineal Walter Arriaga Delgado
los números reales. En los espacios vectoriales interesa, en cambio, conservar las estructuras
algebraicas, es decir, que conserve las dos operaciones fundamentales que definen la estructura
de espacio vectorial: la suma de vectores y la multiplicación de un vector por un escalar.
Al considerar este tipo de funciones, uno de los mejores ejemplo que disponemos es la
derivada como función de V en V ; siendo V el espacio vectorial real de todas las funciones
reales derivables. La función derivada respeta la suma y la multiplicación por escalar, esto es,
dados f ; g en V y α en R se tiene:
ası́ también, la integral mirada como función desde el espacio vectorial real W ; de todas las
funciones integrables en el intervalo [a; b]; en el espacio vectorial real R también cumple estas
propiedades, es decir, dados f ; g en W y α en R se tiene:
Z b Z b Z b
(f + g)(x)dx = f (x)dx + g(x)dx
a a a
Z b Z b
(αf )(x)dx = α f (x)dx
a a
T (u + v) = T (u) + T (v).
T (αu) = αT (u).
T
V W
u T (u)
v T (v)
u+v T (u + v) = T (u) + T (v)
αu T (αu) = αT (u)
Demostración.
En general:
expresado en series: !
n
X n
X
T αi ui = αi T (ui )
i=1 i=1
Se puede decir también que las transformaciones lineales preservan las combinaciones lineales.
T es un homomorfismo si V 6= W .
T es un endomorfismo si V = W .
T es un automorfismo si V = W y T es biyectiva.
N (T ) = Ker(T ) = {v ∈ V / T (v) = 0w }
T
V W
N (T )
0v 0w
Demostración.
Si x ∈ N (T ) entonces T (x) = 0w
Si y ∈ N (T ) entonces T (y) = 0w
sumando miembro a miembro T (x) + T (y) = 0w , y como T es transformación lineal,
T (x + y) = T (x) + T (y) = 0w , de donde x + y ∈ N (T )
T
V W
Im(T )
0v 0w
Demostración.
ρ(T ) = dim(Im(T ))
Para ver si un vector está en el núcleo de una transformación lineal se debe aplicar la
transformación. El vector x está en el núcleo de T si y sólo si T (x) = 0.
Para determinar el núcleo de una transformación, debe encontrar la matriz que define a
la transformación lineal y resolver [A|0]. Hay dos alternativas: el sistema tiene solución
única o el sistema tienen infinitas soluciones. En el caso de infinitas soluciones, la fórmula
Walter Arriaga Delgado Algebra Lineal 137
general muestra al núcleo como un espacio generado donde el número de columnas sin
pivote es la dimensión del núcleo como subespacio. En caso de tener solución única, el
núcleo de T es el conjunto formado por el vector cero.
Para ver si un vector está en la imagen de una transformación lineal se debe ver si un
sistema es consistente.
4 = dim(Ker(T )) + dim(Im(T ))
Ya sabemos que una transformación lineal queda completamente determinada por la forma
como la transformación actúa en una base del dominio y que la función de Rn a Rm definida
por:
T (v) = Av
para una matriz m × n dada es una transformación lineal, la cual llamamos transformación
matricial. En esta sección, demostraremos que toda transformación lineal entre espacios vec-
toriales de dimensión finita puede ser representada como una transformación matricial.
Sea V un espacio vectorial de dimensión finita, es decir dim(V ) = n, y sea β = {v1 , v2 , . . . , vn }
una base de V , entonces cada vector v ∈ V se expresa como combinación lineal de elementos
de la base β, es decir, existen escalares α1 , α2 , . . . , αn tal que
n
X
v= αi vi = α1 v1 + α2 v2 + · · · + αn vn
i=1
de W .
Los vectores T (v1 ), T (v2 ), . . . , T (vn ) están en W y por lo tanto, cada uno de ellos se puede
expresar como una combinación lineal de los vectores de la base B2 , luego:
en otras palabras
a11 a12 a1n
a21 a22 a2n
[T (v1 )]B2 =
.. , [T (v2 )]B2 = .. , . . . , [T (vn )]B2 = ..
. . .
am1 am2 amn
Esto es:
[AT ]B2
B1 = [T (v1 )]B2 , [T (v2 )]B2 , . . . , [T (vn )]B2
a11 a12 ··· a1n
a21 a22 · · · a2n
= .
.. ..
.. . .
am1 am2 · · · amn
Si la base B del espacio de partida es igual al del espacio de llegada, la matriz asociada a
la transformación lineal se denota por [AT ]B
· : K × L(V, W ) −→ L(V, W )
(k, f ) −→ ·(k, f ) = k · f : V −→ W
v −→ (k · f )(v) = kf (v)
Teorema 4.5.1. Sean V y W dos espacios vectoriales sobre el cuerpo K y sean f y g trans-
formaciones lineales de V en W entonces f + g es una transformación lineal.
Teorema 4.5.2. Sean V y W dos espacios vectoriales sobre el cuerpo K y sea f una trans-
formación lineal de V en W entonces kf es una transformación lineal.
Demostración.
= f −1 (f (αu1 + βu2 ))
= (f −1 ◦ f )(αu1 + βu2 )
= αu1 + βu2
= αf −1 (w1 ) + βf −1 (w2 )
g1 (u) = g1 (I(u))
= (g1 ◦ I)(u)
= (g1 ◦ (f ◦ g2 ))(u)
= ((g1 ◦ f ) ◦ g2 )(u)
= (I ◦ g2 )(u)
= I(g2 (u))
= g2 (u)
de donde g1 ≡ g2
✍ EJERCICIOS RESUELTOS 3.
I. Transformaciones Lineales
Determinar cuales de las siguientes aplicaciones son transformaciones lineales. Considere
K = R.
T (u + v) = T ((x1 , y1 ) + (x2 , y2 ))
= T (x1 + x2 , y1 + y2 )
= ((x1 + x2 ) + (y1 + y2 ) , (x1 + x2 ) − (y1 + y2 ))
= ((x1 + y1 ) + (x2 + y2 ) , (x1 − y1 ) − (x2 − y2 ))
= (x1 + y1 , x1 − y1 ) + (x2 + y2 , x2 − y2 )
= T (x1 , y1 ) + T (x2 , y2 )
= T (u) + T (v)
T (αu) = T (α(x1 , y1 ))
= T (αx1 , αy1 )
= (αx1 + αy1 , αx1 − αy1 )
= α(x1 + y1 , x1 − y1 )
= αT (x1 , y1 )
= αT (u)
a) La transformación lineal T .
b) El núcleo Ker(T )
c) La imagen Im(T )
d) La nulidad ν(T )
e) El rango ρ(T )
1. T : R3 −→ R2 tal que:
T (1, 2, −3) = (−3, −1), T (2, −1, 1) = (4, 0), T (−1, 2, 1) = (−5, 3)
Solución
a) Transformación Lineal T
se sabe que todo vector (x, y, z) ∈ R3 puede expresarse como combinación lineal
de los vectores: (1, 2, −3), (2, −1, 1), (−1, 2, 1)
obteniéndose el sistema:
α + 2β − γ = x
2α − β + 2γ = y
−3α + β + γ = z
x+y−z 4x + y + 2z x + 7y + 5z
de donde: α= ; β= ; γ=
6 9 18
aplicando la transformación lineal:
∴ T (x, y, z) = (x − 2y , y + z)
b) Núcleo Ker(T )
es decir:
T (x, y, z) = (x − 2y , y + z) = (0, 0)
generándose el sistema de ecuaciones lineales:
x − 2y = 0
y + z = 0
obteniéndose: y = −z y x = −2z
c) Imagen Im(T )
Al transformar una base del dominio, se obtendrá un conjunto generador de la
imagen Im(T ), se usará la base canónica:
146 Algebra Lineal Walter Arriaga Delgado
d) Nulidad ν(T )
Como Ker(T ) = {(−2z, −z, z) / z ∈ R} entonces:
(x, y, z) = (−2z, −z, z) = −z(2, 1, −1)
∴ ν(T ) = 1
e) Rango ρ(T )
Por lo anterior se tiene que Im(T ) = h(1, 0); (0, 1)i
∴ ρ(T ) = 2
2. T : R4 −→ R3 tal que:
T (1, 1, 2, −2) = (−2, 3, 1), T (1, −1, −2, 1) = (1, −6, −5),
T (1, −3, 1, 1) = (9, 4, 13), T (1, 2, −1, −2) = (−9, −8, −17)
Solución
a) Transformación Lineal T
se sabe que todo vector (x, y, z, w) ∈ R4 puede expresarse como combinación
lineal de los vectores:
(1, 1, 2, −2), (1, −1, −2, 1), (1, −3, 1, 1) y (1, 2, −1, −2)
(x, y, z, w) = α(1, 1, 2, −2) + β(1, −1, −2, 1) + γ(1, −3, 1, 1) + δ(1, 2, −1, −2)
obteniéndose el sistema:
α+β+γ+δ =x
α − β − 3γ + 2δ = y
2α − 2β + γ − δ = z
−2α + β + γ − 2δ = w
Walter Arriaga Delgado Algebra Lineal 147
T (x, y, z, w) = αT (1, 1, 2, −2)+βT (1, −1, −2, 1)+γT (1, −3, 1, 1)+δT (1, 2, −1, −2)
T (x, y, z, w) = α(−2, 3, 1) + β(1, −6, −5) + γ(9, 4, 13) + δ(−9, −8, −17)
= (−2α + β + 9γ − 9δ, 3α − 6β + 4γ − 8δ, α − 5β + 13γ − 17δ)
= (x − y + 2z + 3w , y + 4z + 3w , x + 6z + 6w)
∴ T (x, y, z, w) = (x − y + 2z + 3w , y + 4z + 3w , x + 6z + 6w)
b) Núcleo Ker(T )
es decir:
T (x, y, z, w) = (x − y + 2z + 3w , y + 4z + 3w , x + 6z + 6w) = (0, 0, 0)
generándose el sistema de ecuaciones lineales:
x − y + 2z + 3w = 0
y + 4z + 3w = 0
x + 6z + 6w = 0
1 −1 2 3 0 1 0 6 6 0
0 1 4 3 0 ≡ 0 1 4 3 0
1 0 6 6 0 0 0 0 0 0
c) Imagen Im(T )
Al transformar una base del dominio, se obtendrá un conjunto generador de la
imagen Im(T ), se usará la base canónica:
T (1, 0, 0, 0) = (1, 0, 1), T (0, 1, 0, 0) = (−1, 1, 0),
T (0, 0, 1, 0) = (2, 4, 6), T (0, 0, 0, 1) = (3, 3, 6)
por lo que el conjunto generador será: G = h(1, 0, 1); (−1, 1, 0); (2, 4, 6); (3, 3, 6)i,
con esto establecemos el espacio generado, utilizando los vectores como filas de
una matriz y escalonándola se tiene:
1 0 11 0 1
−1 1 0 0 1 1
≡
2 4 6 0 0 0
3 3 6 0 0 0
por lo que la base canónica del subespacio es h(1, 0, 1); (0, 1, 1)i y este genera al
subespacio Im(T ), entonces
∴ Im(T ) = {(x, y, z) ∈ R3 / x + y − z = 0}
d) Nulidad ν(T )
Como Ker(T ) = {(−6z − 6w, −4z − 3w, z, w) / z, w ∈ R} entonces:
(x, y, z, w) = (−6z − 6w, −4z − 3w, z, w) = z(−6, −4, 1, 0) + w(−6, −3, 0, 1)
∴ ν(T ) = 2
e) Rango ρ(T )
Por lo anterior se tiene que Im(T ) = h(1, 0, 1); (0, 1, 1)i
∴ ρ(T ) = 2
a) Transformación Lineal T
se sabe que todo polinomio p(x) = ax2 + bx + c ∈ P2 [x] puede expresarse como
combinación lineal de los vectores: x2 + x + 1, x2 − x + 2, x2 − 2x − 1
obteniéndose el sistema:
α+β+γ =a
α − β − 2γ = b
α + 2β − γ = c
luego por transformaciones elementales se tiene:
1 1 1 a 1 0 0 (5a + 3b − c)/7
1 −1 −2
b ≡ 0 1 0 (−a − 2b + 3c)/7
1 2 −1 c 0 0 1 (3a − b − 2c)/7
5a + 3b − c −a − 2b + 3c 3a − b − 2c
de donde: α= ; β= ; γ=
7 7 7
aplicando la transformación lineal:
∴ T (ax2 + bx + c) = (a + b , a + c , b − c)
b) Núcleo Ker(T )
es decir:
T (ax2 + bx + c) = (a + b , a + c , b − c) = (0, 0, 0)
generándose el sistema de ecuaciones lineales:
a+b = 0
a+c = 0
b−c = 0
obteniéndose: b = −a, y c = −a
∴ Ker(T ) = {ax2 − ax − a / a ∈ R}
150 Algebra Lineal Walter Arriaga Delgado
c) Imagen Im(T )
Al transformar una base del dominio, se obtendrá un conjunto generador de la
imagen Im(T ), se usará la base canónica:
T (x2 ) = (1, 1, 0), T (x) = (1, 0, 1), T (1) = (0, 1, −1)
por lo que el conjunto generador será: G = h(1, 1, 0); (1, 0, 1); (0, 1, −1)i, con
esto establecemos el espacio generado, utilizando los vectores como filas de una
matriz y escalonándola se tiene:
1 1 0 1 1 0
1 0 1 ≡ 0 1 −1
0 1 −1 0 0 0
por lo que la base canónica del subespacio es h(1, 1, 0); (0, 1, −1)i y este genera
al subespacio Im(T ) entonces:
∴ Im(T ) = {(x, y, z) ∈ R3 / x − y − z = 0}
d) Nulidad ν(T )
Como Ker(T ) = {ax2 − ax − a / a ∈ R} entonces: ax2 − ax − a = a(x2 − x − 1)
Ker(T ) = hx2 − x − 1i
∴ ν(T ) = 1
e) Rango ρ(T )
Por lo anterior se tiene que Im(T ) = h(1, 1, 0); (0, 1, −1)i
∴ ρ(T ) = 2
1. En R4 , sea la base ordenada B = {(1, 1, −1, −1), (1, 1, −1, 0), (1, 1, 0, 0), (1, 0, 0, 0)}.
Determinar el vector de coordenadas de (1, 4, −1, 3) en esa base.
Solución
Debemos determinar los coeficientes de la combinación lineal del vector dado en
términos de la base B:
1 = α+β+γ+δ
4 = α+β+γ
−1 = −α − β
3 = −α
ax2 + bx + c = αx2 + βx − α + β + 3γ
T (x, y, z, w) = (x + 2y , 2x + y − z − w , 3x − 2z + 3w , 2y + 3z + 4w)
luego
hallando los valores de los ωi se obtiene [q(x)]B1 = (−1/2, 7/2, 1/2, −3/2) de donde
−1/2
1/2 1 0 1/2 5/2
7/2
[T (q(x))]B2 = −1 −1 3/2 −3/2 = 0
1/2
−1 1 3/2 1/2 4
−3/2
finalmente para obtener la imagen buscada se realiza una combinación lineal con
[T (q(x))]B2 y los vectores de la base B2
5
(2x2 − 2) + 0(−x − 1) + 4(−2x2 + x + 1) = −3x2 + 4x − 1
2
al aplicar directamente la regla de asignación sobre el polinomio se tiene
d
(−x3 + 2x2 − x + 3) = −3x2 + 4x − 1
dx
que es el mismo resultado obtenido anteriormente.
6. Dados los espacios vectoriales V = R2 yW R3 , hallar la transformación lineal
=
2 1
T : V −→ W asociada a la matriz A = −1 0
, con bases B1 = {(1, 1), (2, 0)} de
−1 1
V y B2 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} de W
Solución
Sea v = (x, y) ∈ V , podemos expresarlo como combinación lineal de elementos de
la base B1
(x, y) = α(1, 1) + β(2, 0)
[T (v)]B2 = [AT ]B
B1 [v]B1
2
154 Algebra Lineal Walter Arriaga Delgado
2
1 ! (x + 3y)/2
y
[T (v)]B2 =
−1 0 (x − y)/2 = −y
−1 1 (x − 3y)/2
luego para obtener la transformación lineal se realiza una combinación lineal con
[T (v)]B2 y los vectores de la base B2
x + 3y x − 3y
T (x, y) = (1, 0, 0) − y(1, 1, 0) + (1, 1, 1)
2 2
x − 5y x − 3y
∴ T (x, y) = (x − y , , )
2 2
Walter Arriaga Delgado Algebra Lineal 155
✍ EJERCICIOS PROPUESTOS 3.
I. Transformaciones Lineales
T (A) = AT
1.18) T : C[0, 1] −→ R definido por:
Z 1
T (f ) = f (x)dx
0
Z 1
T (f ) = f (x)g(x)dx, donde g es una función fija en C[0, 1]
0
1.19) T : P2 [x] −→ P2 [x] definido por:
T (a + bx + cx2 ) = (a − b) + (b + c)x + (a − c)x2
T (a0 + a1 x + a2 x2 ) = a0 + (a1 + a2 )x + (a2 − a0 )x2
1.20) D : Pn [x] −→ Pn−1 [x] definido por:
D(a0 + a1 x + a2 x2 + · · · + an xn ) = a1 + 2a2 x + 3a3 x2 + · · · + nan xn−1
1.21) I : Pn [x] −→ Pn+1 [x] definido por:
a1 2 a2 3 an
I(a0 + a1 x + a2 x2 + · · · + an xn ) = a0 x + x + x + ··· + xn+1
2 3 n+1
1.22) T : D(R, R) −→ D(R, R) definido por:
d
T (f (x)) = (f (x))
dx
1.23) T : I(R, R) −→Z I(R, R) definido por:
T (f (x)) = f (x)dx
2.1) T : R2 −→ R
T (1, 1) = 2, T (0, 1) = 1
Rpta. T (x, y) = x + y
2.2) T : R2 −→ R2
T (1, 1) = (2, 0), T (0, 2) = (3, 1)
3y + x y − x
Rpta. T (x, y) = ,
2 2
T (1, 0) = (3, 4), T (0, 1) = (−1, 2)
Rpta. T (x, y) = (3x − y , 4x + 2y)
2.3) T : R2 −→ R3
T (1, 1) = (1, 2, 0), T (1, 2) = (1, 0, −1)
Rpta. T (x, y) = (x , 4x − 2y , x − y)
T (1, 2) = (1, 0, 2),
T (2, 1) = (0, 2, −1)
2y − x 4x − 2y 5y − 4x
Rpta. T (x, y) = , ,
3 3 3
T (1, 2) = (1, 0, −1),
T (2, 1) = (2,1, −2)
2x − y
Rpta. T (x, y) = x , , −x
3
2.4) T : R3 −→ R
158 Algebra Lineal Walter Arriaga Delgado
4.1) T : R2 −→ R
T (x, y) = x − 2y Rpta. ν(T ) = 1, ρ(T ) = 1
4.2) T : R2 −→ R2
T (x, y) = (x − y, y) Rpta. ν(T ) = 0, ρ(T ) = 2
T (x, y) = (x − 2y, −x + y) Rpta. ν(T ) = 0, ρ(T ) = 2
4.3) T : R2 −→ R3
T (x, y) = (x + y, x − y, x + 2y)
T (x, y) = (x − 2y, 2x − y, x + y)
T (x, y) = (x − y, x + y, 2x + 3y)
4.4) T : R3 −→ R2
T (x, y, z) = (x + y, x − y)
T (x, y, z) = (x, y − z)
T (x, y, z) = (x + y + z, y + z)
T (x, y, z) = (x − y − z, 2x − y − z)
T (x, y, z) = (x − y + z, 2x − y + 2z)
4.5) T : R3 −→ R3
T (x, y, z) = (x − y, 2z − y, x − 2z)
T (x, y, z) = (x + 3y + 4z, 3x + 4y + 7z, −2x + 2y)
T (x, y, z) = (x + 2y − z, y + z, x + y − 2z)
T (x, y, z) = (x − y + z, x + z, 2x − y + 2z)
T (x, y, z) = (x − 2y + z, 2x + y − z, x + 3y − 2z)
4.6) T : R4 −→ R2
T (x, y, z, w) = (x + y − z, x − z + w)
4.7) T : R4 −→ R3
T (x, y, z, w) = (x − y + 2z + 3w, y + 4z + 3w, x + 6z + 6w)
4.8) T : R4 −→ R4
T (x, y, z, w) = (z + w − y, 2x − 2z, x + 3y − 2z + 3w, y − x + z + 2w)
T (x, y, z, w) = (x − y + 2z + w, −x + z + 2w, x − 2y + 5z + 4w, 2x − y + z − w)
4.9) T : R5 −→ R4
T (x, y, z, u, w) = (x + 2y + u + 3w, y + z + w, x + 3y + z + u + 4w, −2x − 3y +
z − 2u − 5w)
T (x, y, z, u, w) = (x − y + z + w, 2x − y + 2z − w, x + z − 2w, u + x)
4.10) T : R2 −→ M2×2
160 Algebra Lineal Walter Arriaga Delgado
!
x+y 0
T (x, y) =
0 x+y
4.11) T : Mn×n −→ Mn×n
T (A) = A − At
4.12) T : P3 [x] −→ P2 [x]
T (a0 + a1 x + a2 x2 + a3 x3 ) = a1 + a2 x2
2) Determinar la transformación lineal T : Rm −→ Rn , tal que:
a) m = 4, n = 3, Ker(T ) = h(2, 1, −1, 2); (3, 0, 1, −1)i
b) m = 4, n = 3, Ker(T ) = h(2, −1, 0, 1); (3, 1, 1, −2)i
c) m = 3, n = 2, Ker(T ) = h(1, 2, 3)i
d) m = 3, n = 2, Ker(T ) = h(0, 1, −1); (2, 1, 3)i
e) m = 4, n = 4, Ker(T ) = h(1, 0, 1, 1); (0, 1, 1, 1)i,
T (1, 1, 0, 1) = (1, 0, 0, 1), T (1, 1, 1, 0) = (0, 1, 1, 0)
3) Para cada una de las siguientes transformaciones lineales calcular el núcleo y la ima-
gen; describir ambos subespacios implı́cita y paramétricamente.
1) D : P3 [x] −→ P3 [x], D(p(x)) = p′ (x)
2) T : M2×2 −→ R, T (A) = traz(A)
!
a b+c
3) L : P2 [x] −→ M2×2 , L(ax2 + bx + c) =
b+c a
4) Q : P3 [x] −→ P4 [x], Q(p(x)) = (x + 1)p(x)
1) V = R2 , W = R2
T (x, y) = (x + y , x − y)
B1 = {(1, −1); (−3, 2)}, B2 = {(1, −1); (−3, 2)}
" #
B2 −6 17
Rpta. [AT ]B1 =
−2 6
2) V = R2 , W = R3
T (x, y) = (x + y , x − y , x + 2y)
B1 = {(1, 2); (2, 0)}, B2 = {(1, 0, 0); (0, 2, 0); (0, 0, 3)}
3 2
Rpta. [AT ]B2
= −1/2 1
B1
5/3 2/3
Walter Arriaga Delgado Algebra Lineal 161
T (x, y) = (x + y , x − y , 2x)
B1 = {(1, 1); (0, 2)}, B2 = {(1, 1, 1); (1, 1, 0); (1, 0, 0)}
2 0
Rpta. [AT ]B2
= −2 −2
B1
2 4
3) V = R3 , W = R2
T (x, y, z) = (x − 2z , y + z)
B1 = {(1, 1, 1); (2, 2, 0); (3, 0, 0)}, B2 = {(2, 0); (0, 2)}
" #
−1/2 1 3/2
Rpta. [AT ]B
B1 =
2
1 1 0
T (x, y, z) = (2x + y − z , x − 3z)
B1 = {(1, 1, 1); (1, 1, −1); (1, −1, −1)}, B2 = {(1, 1); (1, 0)}
" #
B2 −2 5 4
Rpta. [AT ]B1 =
4 1 −2
T (x, y, z) = (2x + y + z , y − 3z)
B1 = {(1, 0, 1); (1, 1, 0); (1, 1, 1)}, B2 = {(1, −1); (2, 3)}
" #
B2 3 7/5 16/5
Rpta. [AT ]B1 =
0 4/5 2/5
T (x, y, z) = (2x − 3y + 4z , 5x − y + 2z)
B1 = {(1, 1, 1); (1, 1, −1); (1, 2, 0)}, B2 = {(1, −1); (1, 0)}
" #
−6 −2 −3
Rpta. [AT ]B
B1 =
2
9 −3 −1
T (1, 1, 0) = (1, 2), T (0, 0, 1/2) = (2, 0), T (3, 0, 0) = (6, 9)
B1 = {(1, 1, 0); (0, 0, 1/2), (3, 0, 0)}, B2 = {(2, 3); (1, 0)}
" #
B2 2/3 0 3
Rpta. [AT ]B1 =
−1/3 2 0
4) V = R3 , W = R3
T (x, y, z) = (−z , x + y , y)
B1 = {(1, 0, 0); (2, 1, 0); (3, 1, 2)}, B2 = {(2, 1, 0); (1, 0, 2); (0, 0, 1)}
1 3 4
Rpta. [AT ]B 2
= −2 −6 −10
B1
4 13 21
T (x, y, z) = (y − z , x + y , x − y + z)
B1 = {(1, 0, 0); (2, 1, 0); (3, 1, 2)}, B2 = {(2, 1, 0); (1, 0, 2); (0, 0, 1)}
162 Algebra Lineal Walter Arriaga Delgado
1 3 4
Rpta. [AT ]B
B1 = −2 −5 −9
2
5 11 22
5) V = R3 , W = R4
T (x, y, z) = (x + y , y − 2z , 2x + y , 2x + 3z)
B1 = {(1, 0, 2); (0, 1, 3); (1, 2, 3)},
B2 = {(1, 1, 1, 1); (1, −1, 1, 1); (1, −1, −1, 1); (1, −1, −1, −1)}
−3/2 −2 −1/2
3 3 4
Rpta. [AT ]B
B1
2
=
3 4 7/2
−7/2 −4 −4
6) V = R4 , W = R3
7) V = R4 , W = R4
8) V = R3 , W = M2×2
!
x y
T (x, y, z) =
x−z x+z
B1 = {(0, 2, 1); (2, 0, 1); (0, 1, 1)},
( ! ! ! !)
1 1 1 0 0 0 0 1
B2 = ; ; ;
1 1 1 1 0 1 1 1
Walter Arriaga Delgado Algebra Lineal 163
3 1 2
−3 −2
1
Rpta. [AT ]B2
B1 =
2 2 2
−1 −1 −1
9) V = M2×2 , W = R3
!
x y
T = (x + y − z , x + y + w , y + z + w)
z w
( ! ! ! !)
1 1 1 0 0 0 0 1
B1 = ; ; ; ,
1 1 1 1 0 1 1 1
B2 = {(0, 2, 1); (2, 0, 1); (0, 1, 1)}
3 1/2 0 2
Rpta. [AT ]B 0
B1 = 1/2 1/2 0
2
−2 −1 0 −3
10) T : P2 [x] −→ R3
0 0 1 0
1
3
2) A =
0 2
−2 1
V = R2 , W = R3 , B1 = {(2, 1), (1, 1)}, B2 = {(0, 1, 1), (1, 1, 1), (−1, −2, 0)}
Rpta. T (x, y) = (−x , y − 3x , 9y − 5x)
!
3 1 2
3) A =
−1 1 0
V = R3 , W = R2 , B1 = {(1, 0, 1), (0, 0, 1), (2, 1, 0)}, B2 = {(1, 1), (0, 1)}
Rpta. T (x, y, z) = (2x − 2y + z , 2y + 2z)
!
1 1 −2
4) A =
−1 −1 2
V = R3 , W = R2 , B1 = {(2, 1, 0), (−1, 0, 1), (0, 1, 1)}, B2 = {(1, −2), (0, 3)}
Rpta. T (x, y, z) = (4x − 7y + 5z , 35y − 25z − 20x)
1) V = R2 , W = R2
f (x, y) = (x + y , x − y)
g(x, y) = (2x + 3y , 3x − 2y)
B1 = {(1, −1); (−3, 2)}
B2 = {(1, −1); (−3, 2)}
Hallar: Af , Ag , Af +g , Af −g , A2f +3g , Af 2 , Ag2 , Af g , Agf , Af −1 , Ag−1 .
1) V = R3 , W = R2
f (x, y, z) = (x − y , y + z)
g(x, y) = (x + y , x − y , 2x + 3y)
B1 y B2 son las bases canónicas
Hallar: f ◦ g, g ◦ f .
5
VALORES Y VECTORES
PROPIOS. DIAGONALIZACIÓN
Objetivos
z Determinar los valores propios y los vectores propios de una matriz cuadrada asociada
a un endomorfismo.
El cálculo de los valores propios y de los vectores propios de una matriz simétrica tiene
gran importancia en las matemáticas y en la ingenierı́a, entre los que cabe destacar, el proble-
ma de la diagonalización de una matriz, ecuaciones diferenciales, sistemas dinámicos discretos
y continuos, el cálculo de los momentos de inercia y de los ejes principales de inercia de un
sólido rı́gido, o de las frecuencias propias de oscilación de un sistema oscilante, estabilidad de
sistemas lineales, diseño de sistemas electrónicos, análisis de sistemas eléctricos de generación,
transporte y demanda de energı́a eléctrica, análisis de estructuras y ceros de funciones trans-
ferencia, etc.
165
166 Algebra Lineal Walter Arriaga Delgado
Un poco de historia
Los valores y vectores propios pertenecen a los temas de mayor utilidad del álgebra lineal.
Se usan en varias áreas de la matemática, fı́sica, mecánica, ingenierı́a eléctrica y nuclear,
hidrodinámica, aerodinámica, etc. De hecho, es raro encontrar un área de la ciencia aplicada
donde nunca se hayan usado.
Puede parecer muy extraño, pero los valores propios de las matrices aparecieron publicados
antes que las matrices. Esto se debe al hecho insólito de que parafraseando a Cailey, la teorı́a
de las matrices estaba bien desarrollada (a través de la teorı́a de los determinantes) antes de
que siquiera se definieran las matrices. Según Morris Kline, los valores propios se originaron
en el contexto de formas cuadráticas y en la mecánica celeste (el movimiento de los planetas),
conociéndose como raı́ces caracterı́sticas de la ecuación escalar. Desde aproximadamente 1740,
Euler usaba de manera implı́cita los valores propios para describir geométricamente las formas
cuadráticas en tres variables.
En la década de 1760, Lagrange estudió un sistema de seis ecuaciones diferenciales del
movimiento de los planetas (sólo se conocı́an seis) y de ahı́ dedujo una ecuación polinomial
de sexto grado, cuyas raı́ces eran los valores propios de una matriz 6 × 6. En 1820, Cauchy
se dio cuenta de la importancia de los valores propios para determinar los “ejes principales”
de una forma cuadrática con n variables. También aplicó sus descubrimientos a la teorı́a
del movimiento planetario. Fue Cauchy quien, en 1840, usó por primera vez los términos
valores caracterı́sticos y ecuación caracterı́stica para indicar los valores propios y la ecuación
polinomial básica que satisfacen.
T (v) = λv
Como a cada transformación lineal T se le asocia una matriz A, podemos definir también
el valor propio de la siguiente manera: Un número λ ∈ K es un valor propio de la matriz
An×n , si existe un vector no nulo en V , tal que:
Av = λv (5.1)
Nota 5.1.1. La palabra “eigen” es la palabra alemana para “propio”. Los eigenvalores tam-
bién se llaman autovalores, valores propios o valores caracterı́sticos. Los eigenvectores
reciben el nombre de autovectores, vectores propios o vectores caracterı́sticos.
Observación 5.1.1.
Observemos que mientras un vector propio debe ser no nulo (el vector 0 no se considera
vector propio) un valor propio sı́ puede ser nulo (el escalar 0 sı́ puede ser valor propio).
Todo vector propio va asociado a un único valor propio (se dirá que es el valor propio
asociado a ese vector propio).
Nota 5.1.2.
Propiedades:
Los valores propios de una matriz triangular (superior o inferior) son los valores de su
diagonal.
Si λ es autovalor de A, λk es un autovalor de Ak .
En efecto, por inducción tenemos:
Una vez resuelta la ecuación caracterı́stica y obtenidos los autovalores de A, para calcular
los autovectores se debe resolver el sistema homogéneo (λi I − A)v = 0, correspondiente
a cada valor propio λi
En general, hacer aritmética con matrices es costoso, sobre todo si hay que realizar multi-
plicaciones entre ellas. Sin embargo, los cálculos se facilitan si las matrices son triangulares y
Walter Arriaga Delgado Algebra Lineal 171
aún más si las matrices son diagonales. De otro lado, el cálculo de los valores propios de una
matriz triangular y en especial si es diagonal es trivial; por ello, serı́a conveniente encontrar
un procedimiento que nos permitiera relacionar los valores propios de una matriz con los de
una matriz triangular o diagonal.
Por ahora, veamos que si dos matrices son semejantes, algunas de sus caracterı́sticas o
propiedades son iguales; entre otras, sus valores propios son los mismos y los vectores propios
de una se pueden calcular a partir de los de la otra.
Definición 5.2.1. Sean A y B dos matrices cuadradas de orden n. Decimos que A es semejante
a B si existe una matriz cuadrada P invertible tal que B = P −1 AP ó también P B = AP . La
matriz P es conocida como matriz de paso.
Demostración. Como A y B son semejantes entonces existe una matriz invertible P tal
que B = P −1 AP , luego: |B| = |P −1 AP | = |P −1 ||A||P | = |A|, por lo tanto |A| = |B|.
Demostración. Como A y B son semejantes entonces existe una matriz invertible P tal
que B = P −1 AP , luego:
✍ EJERCICIOS PROPUESTOS 4.
Solución
λ2 − λ − 2 = 0
λ1 = −1 λ2 = 2
2
resolviendo el sistema se obtiene x2 = x1 , de donde
5
v = (x1 , x2 ) = (x1 , 25 x1 ) = 15 x1 (5, 2)
luego v2 = (5, 2) es un vector propio correspondiente a λ2 = 2
Walter Arriaga Delgado Algebra Lineal 173
Solución
λ3 − 6λ2 + 11λ − 6 = 0
λ1 = 1 λ2 = 2 λ3 = 3
3x1 − 4x2 + 2x3 = 0
3x1 − 2x2 = 0
3x1 − x2 − x3 = 0
3 3
resolviendo el sistema se obtiene x2 = x1 , x3 = x1 , de donde
2 2
3 3 x1
v = (x1 , x2 , x3 ) = x1 , x1 , x1 = (2, 3, 3)
2 2 2
luego v2 = (2, 3, 3) es un vector propio correspondiente a λ2 = 2
Para λ3 = 3:
4 −4 2 x1
(λ3 I − A)v = 3 −1 0 x2 = 0
3 −1 0 x3
4x1 − 4x2 + 2x3 = 0
3x1 − x2 = 0
3x1 − x2 = 0
✍ EJERCICIOS PROPUESTOS 5.
λ1 = 1; vp1 = (−1, 1, 2)
1 2 −1
11) 1 0 1 Rpta. λ2 = 2; vp2 = (−2, 1, 4)
4 −4 5
λ3 = 3; vp3 = (−1, 1, 4)
1 0 0
12) −3 1 0 Rpta. λ1 = −1; vp1 = (2, −1, 1)
4 −7 1
3 1 −1
λ1 = 1; vp1 = (1, 0, 2)
13) 2 2 −1 Rpta.
λ = 2; v = (1, 1, 2)
2 p2
2 2 0
1
vp1 = (0, 0, 1)
1 4 0
λ1 = 1;
1
v = (1, 0, 0)
14) 0 0 Rpta. p2
2
λ2 = 1 ;
1
0 4 1 vp3 = (1, −2, 1)
2
vp1 = (−1, 0, 1)
2 1 1
λ1 = 1;
v = (−1, 1, 0)
15) 2 3 2 Rpta. p2
3 3 4
λ2 = 7; vp3 = (1, 2, 3)
λ1 = 2; vp1 = (1, 1, 0)
2 0 3
16) −1 3 1 Rpta. λ2 = 3; vp2 = (0, 1, 0)
0 0 5
λ3 = 5; vp3 = (1, 0, 1)
λ1 = 1; vp1 = (−1, 1, 0)
2 1 3
17) 1 2 3 Rpta. λ2 = 2; vp2 = (−3, −3, 1)
3 3 20
λ3 = 21; vp3 = (1, 1, 6)
λ1 = 1; vp1 = (−3, 1, −3)
5 −6 −6
18) −1 4 2 Rpta. vp2 = (2, 0, 1)
λ = 2;
2
3 −6 −4
v = (2, 1, 0)
p2
vp1 = (−1, 0, 1)
1 −3 3
λ1 = −2;
v = (1, 1, 0)
19) 3 −5 3 Rpta. p2
6 −6 4
λ2 = 4; vp3 = (1, 1, 2)
Walter Arriaga Delgado Algebra Lineal 177
−3 1 −1
λ1 = −2; vp1 = (1, 1, 0)
20) −7 5 −1 Rpta.
λ = 4;
2 vp2 = (0, 1, 1)
−6 6 −2
λ1 = 0; vp1 = (1, 1, 4)
3 1 −1
21) 1 3 −1 Rpta. λ2 = 2; vp2 = (1, 0, 1)
3 1 −1
λ3 = 3; vp3 = (1, 1, 1)
λ1 = 1; vp1 = (−2, 1, 0)
6 −28 10
22) −2 −3 4 Rpta. λ2 = −2; vp2 = (1, 2, 1)
1 2 −7
λ3 = −3; vp3 = (2, 1, 1)
2 1 0
λ1 = 2; vp1 = (1, 0, 0)
23) 0 1 −1 Rpta.
λ = 3; v = (1, 1, −2)
2 p2
0 2 4
−1 0 0 −2
λ1 = −3; vp1 = (0, 3, 2, 0)
0 −3 0 −4
24) Rpta. λ2 = −1; vp2 = (1, 0, 1, 0)
−1 −2 0 0
λ3 = 0; vp3 = (0, 0, 1, 0)
0 0 0 −1
λ1 = −3; vp1 = (0, 0, 1, −2)
2 4 0 0
λ2 = −2; vp2 = (−1, 1, 0, 0)
5 3 0 0
25)
Rpta.
0 0 1 2
λ3 = 2; vp3 = (0, 0, 2, 1)
0 0 2 −2
λ4 = 7; vp4 = (4, 5, 0, 0)
λ1 = 2; vp1 = (0, 0, 1, 1)
0 2 0 0
λ2 = 3; vp2 = (0, 0, 1, 2)
2 1 0 0
26)
Rpta. √
√
0 0 1 1
1 − 17
λ3 = ; vp3 = (4, 1 − 17, 0, 0)
2√
0 0 −2 4
1 + 17 √
λ4 = ; vp4 = (4, 1 + 17, 0, 0)
2
Determinar los autovalores y autovectores correspondientes a las siguientes trans-
formaciones lineales T : V −→ W , donde:
a) V = R2 , W = R2
178 Algebra Lineal Walter Arriaga Delgado
λ1 = 0; vp1 = (−1, 1)
1) T (x, y) = (x + y , x + y) Rpta.
λ = 2; v = (1, 1)
2 p2
λ1 = 2; vp1 = (1, 0)
2) T (x, y) = (2x + y , 3y) Rpta.
λ = 3; v = (1, 1)
2 p2
λ1 = 2; vp1 = (−1, 1)
3) T (x, y) = (x − y , 3x + 5y) Rpta.
λ = 4; v = (1, −3)
2 p2
4) T (x, y) = (10x − 9y , 4x − 2y) Rpta. λ1 = 4; vp1 = (3, 2)
b) V = R3 , W = R3
1) T (x, y, z)
= (x + y +z , x + y + z , x + y + z)
vp1 = (−1, 1, 0)
λ1 = 0;
Rpta.
vp2 = (−1, 0, 1)
λ2 = 3; vp3 = (1, 1, 1)
2) T (x, y, z)
= (z , y , x)
λ1 = −1; vp1 = (−1, 0, 1)
Rpta.
vp2 = (0, 1, 0)
λ = 1;
2
v = (1, 0, 1)
p3
3) T (x, y, z)
= (2x + y + z , 2x + 3y + 4z , −x − y − 2z)
λ = −1; vp1 = (0, −1, 1)
1
Rpta. λ2 = 1; vp2 = (−1, 1, 0)
λ3 = 3; vp3 = (−2, −3, 1)
4) T (x, y, z)
= (−x − 3z , 2y , −3x − z)
λ1 = −4; vp1 = (1, 0, 1)
Rpta.
vp2 = (1, 0, −1)
λ = 2;
2
v = (0, 1, 0)
p3
5) T (x, y, z)
= (4x + y , 2y , y + 4z)
λ1 = 2; vp1 = (1, −2, 1)
Rpta.
vp2 = (0, 0, 1)
λ = 4;
2
v = (1, 0, 0)
p3
Walter Arriaga Delgado Algebra Lineal 179
6) T (x, y, z)
= (10x + 2z, 6y , 2x + 7z)
vp1 = (0, 1, 0)
λ1 = 6;
Rpta.
vp2 = (1, 0, −2)
λ2 = 11; vp3 = (2, 0, 1)
7) T (x, y, z)
= (4x + z , −2x + y , −2x + z)
λ1 = 1; vp1 = (0, 1, 0)
Rpta. λ2 = 2; vp2 = (1, −2, −2)
λ3 = 3; vp3 = (−1, 1, 1)
8) T (x, y, z) = (5x − 6y − 6z , −x + 4y + 2z , 3x − 6y − 4z)
Rpta. λ1 = 1; λ2 = 2
10) T (x, y, z)
= (x + y + 2z , x + 2y + z , 2x + y + z)
λ = −1; vp1 = (−1, 0, 1)
1
Rpta. λ2 = 1; vp2 = (1, −2, 1)
λ3 = 4; vp3 = (1, 1, 1)
11) T (x, y, z) = (5x + 4y + 2z , 4x + 5y + 2z , 2x + 2y + 2z)
Rpta. λ1 = 1; λ2 = 10
c) V = R4 , W = R4
1) T (x, y, z, w) = (x + y + z + w , x + y + z + w , x + y + z + w , x + y + z + w)
Rpta. λ1 = 0; λ2 = 4
d) V = P2 [x], W = P2 [x]
Ejercicios diversos:
2 a
1) Dada la matriz , determinar los valores reales de a y b para que el vector
3 b
(1, 3) sea un autovector del autovalor asociado λ = 2. Rpta. a = 0, b = 1
a) V = R2 , W = R2
1) T (x, y) = (x + y , 4x − 2y)
2) T (x, y) = (4x − 2y , 3x − y)
7) T (x, y) = (3x − 5y , x − y)
b) V = R3 , W = R3
1) T (x, y, z) = (x + y + 2z , 2x + 2y + 4z , 3x + 3y)
2) T (x, y, z) = (x + y + 2z , 2x + 2y + 4z , 3x + 3y + 6z)
3) T (x, y, z) = (x + 2y − z , x + z , 4x − 4y + 5z)
5) T (x, y, z) = (x + 2z , −x − y − z , −z)
6) T (x, y, z) = (x − y + 4z , 3x + 2y − z , 2x + y − z)
8) T (x, y, z) = (x + y − 2z , −x + 2y + z , y − z)
9) T (x, y, z) = (x − y , −x + 2y − z , −y + z)
c) V = R4 , W = R4
[2] Arvesu, J.; Marcellán, F.; Sánchez, J. Problemas resueltos de Álgebra Lineal. Paso a paso.
Thomson, 2005.
[3] Barbolla, R.; Sanz, P. Álgebra Lineal y teorı́a de matrices. Prentice Hall, Madrid, 1998.
[7] Griffel, D. Linear Algebra and its applications, volume 1 and 2. Ellis Horwood, 1989.
[9] Lages Lima, Elon. Algebra Lineal. IMCA. Hozlo, Lima-Perú, 1999.
[11] Lay, David C. Álgebra Lineal y sus Aplicaciones. Prentice Hall, segunda edition, 2001.
[12] Merino, L.; Santos, E. Álgebra Lineal con métodos elementales. Thomson, 2006.
[13] Máltsev, A. I. Fundamentos de Algebra Lineal. Mir, Moscú, tercera edition, 1978.
[14] Pita Ruiz, Claudio. Algebra Lineal. Mc Graw Hill, México, 1991.
[16] Rojo, J.; Martin, I. Ejercicios y problemas de Álgebra Lineal. Editorial AC, Madrid,
1989.
[17] Stanley I. Grossman. Algebra Lineal. Mc Graw Hill, México, quinta edition, 1996.
183
184 Algebra Lineal Walter Arriaga Delgado
rango, 136
rango de una matriz, 36
regla de sarrus, 21
sistema de ecuaciones, 44
subespacio, 96
ortogonal, 114
subespacio propio, 167
suma de subespacios, 101
suma directa, 104
teorema de
Laplace, 25
transformación lineal, 132