Fundamentos de Algebra Lineal. Ruben Sánchez

Fundamentos
de álgebra lineal
Rubén E. Sánchez C.
Profesor
Escuda Colombiana de Ingeniería
\.,EDITORIAL
IJf-JmiLLAS
Dirección editorial Alfonso López F.
Edición Luz Rodríguez A.
Diseño y diagramación O. Giovanny Méndez
Carátula O. Giovanny Méndez
Prohibido reproducir este libro, total o parcialmente,

sin autorización escrita del Editor.
Todos los derechos reservados.
Copyright © 2005 Editorial Tri !las de Colombia Ltda.

ISBN: 958-33-7224-2
Cra. 15 No. 33A-35 Tels. (91)232 7367- 285 7187
Fax: (91 )285 8905
Bogotá D.C. Colombia
Impreso en Colombia Printed in Colombia

Impreso por: ULTRACOLOR ARTES GRAFICAS LTDA.
DEDICATORIA
A mis adorados hijos

Rubén Daría y Millán Andrés,
hoy colegas de trabajo en la Escuela Colombiana de Ingeniería.
A la memoria de mi inolvidable padre

Rubén Sánchez Figueroa.
Prólogo
Dirigido a profesores y estudiantes que deséan encontrar un libro de álgebra lineal que
enseñe los fundamentos de manera clara y sencilla.
En la actualidad existen muchos programas que se instalan en el computador, los cuales

~rmiten comprender y avanzar en una extensa variedad de tópicos de esta asignatura y
.:-esolver gran cantidad de problemas casi inmediatamente, que de otra forma consumiría
:nucho tiempo y posiblemente nos conduciría a errores.
El alumno interesado en c6mo resolver temas y problemas de álgebra lineal con la ayuda
del computador, puede consultar programas como MatLab®, Mupad®, Maple®,
\1athCad®,Mathematic®, Derive®, TI Interactive® y muchos otros que ojalá se encuen-
mm en las respectivas universidades para que los estudiantes tengan acceso a ellos.
Este libro no enseña a manejar los programas anteriores, sino que proporciona las herra-
mientas y conocimientos de esta asignatura que necesita todo estudiante de ciencias,
mgenieria, economía, administración y de otras caiTeras para su formación.
Cuando se adquieren los conceptos básicos de esta materia es muy sencillo y motivante
llllpliar los conocimientos estudiando cualquier otro texto más avanzado.
Recomiendo consultar las siguientes páginas en la web:

www.math.fsu.edu/Virtual/index.php
www.indiana.edu/statmath/math/index.html
www.mathworld.wolfram.com
www.debianlinux.net/scíence.html
.-\quí se encuentran temas muy interesantes de matemáticas y de otras ciencias.
El autor
Acerca del autor
Rubén E. Sánchez C.
Licenciado en Ciencias de la Educación con especialización en Matemáticas y Física

de la Universidad Nacional de Colombia, en 1967.
En 1973 se graduó como matemático de la Universidad Nacional de Colombia.
Profesor del Departamento de Matemáticas de la Universidad Nacional de Colombia

(1968- 1996). Cuando se retiró ocupaba el cargo de profesor asociado de dedicación
exclusiva.
Fue distinguido como docente excepcional de la Universidad Nacional de Colombia

en los años 1993 y 1994.
Con su colega, el doctor Antonio Velasco Muñoz escribió varias ediciones del libro
Curso básico de álgebra lineal, publicadas por Editorial Trillas.
Ha trabajado también como profesor en la t:niversidad del Rosario, Pontificia Univer-

sidad Javeriana, Universidad Distrital Francisco José de Caldas, de la Salle, Universi-
dad Libre y Universidad La Gran Colombia.
En la actualidad se desempeña como profesor en la Escuela Colombiana de Ingeniería.

Contenido
1. Matrices...................................................................................................... 1
Noción de una matriz y álgebra de matrices ... .. ... .. .... ... .... .. ... .. ... ..... .. .......... 1
Polinomio de matrices··········:.... ···············....................................................... 11
Algunos tipos especiales de matrices .... ................................................... .. .. 14
2. Sistemas de ecuaciones lineales .............................................................. 23

Nociones fundamentales................... ............................................................ 23
Resolución de un sistema de ecuaciones ... .......... ..... ........ ...... .. .......... ... .. ... . 25
Método de eliminación de Gauss ........................... ... .... .............. .. ........ ..... ... 31
3. Determinantes............................................................................................ 47
Introducción a los determinantes........................................... ....................... 47
Propiedades de los determinantes .............. ............. ......... .. ........ ... ..... ..... ..... 53
Regla de Cramer........ .. ............ .. ..... ..... ................... .......... ... .. ................ ....... 63
4. Inversa de una matriz .............................................................................. 68
5. Vectores en R.".................................................................................................................................. 75
Álgebra de vectores y producto interno .......... .......... ........ ..... ...... .. ..... ..... .... 75
Bases y dimensiones en R." ................................ ................ ................... ... .................. 89
Proyecciones y producto vectorial ....................................... ..................... ... 100
Método de Gram-Schrnidt ............................................................................ 107
Rectas y planos............................................................................................. 113
6. Espacios vectoriales ................................................................................. 119

Noción de espacio vectorial.......................................................................... 119
Dependendencia e independencia lineal....................................................... 125
Bases y dimensión ........................................................................................ 130
7. Transformaciones lineales ....................................................................... 135

Definición y conceptos básicos .. ...... ................ ... .................... ........... ... ....... 135
Matriz asociada a una transformación lineal....................................... ......... 145
Cambio de base .. ... ..... ... ... ... .. ... ... .. ..... ...... ......... ... .. ... ...... .. .... .. ... ... ......... ... ... 155
Transformación asociada a una matriz......................................................... 160
Vectores y valores propios............................................................................ 160
Formas cuadráticas....................................................................................... 183
Formas cuadráticas y transformación lineal................................................. 183
Rotación de ejes............................................................................................ 184
8. Respuestas a los ejercicios ..................................................................... 193
Bibliografia .................................. :................................................................. 209
Índice............................................................................................................. 211
Capítulo l
Matrices
NOCIÓN DE UNA MATRIZ Y ÁLGEBRA DE MATRICES
lJna matriz es una ordenación rectangular de números, por ejemplo:
es una matriz. Se emplean los paréntesis con el fin de considerar la ordenación rectangu-
lar de números como una entidad.
En general, una matriz frecuentemente se escribe así:
a tl at 2
a2t a 22
A = (aij ) m xn =
ami am2
m xn
y se dice que es una matriz de tamaño m n, o sea que está compuesta de m filas y n
><
columnas. Por ejemplo, la primera fila A 1.= ( a 11 , a 12, . •• , a 1,J y la segunda columna:
2 Capítulo 1 Matrices
En general denotaremos por A¡. la i-ésima fila y por A._¡ la j-ésima columna de una matriz A.
El elemento au. de la matriz se encuentra localizado en la intersección de la i-ésima fiJa y
de la j -ésima columna.
Columna j
2 3
Ejemplo: Sea A = o -3
- 1 2
Esta matriz es de tamaño 3 x 4, es decir, tiene tres filas y cuatro columnas. Sus filas son:
( - 1' 2, 3, 4)
( 4, O, - 3, 8)
( 9, - 1, 2, 4)
y sus columnas son:
A.,= uJ
además: a 14 = 4, a 24 = 8, a32 = - 1. a 23 = - 3
~ión de una matriz y álgebra de matrices 3
Orfinición 1 Una matriz A de tamaño n x n, es decir, cuando el número de filas

igual al de las columnas, se denomina matriz cuadrada de orden n.
Definición 2 Dos matrices A = (aij)m xn y B = (bijJmxn (del mismo tamaño) son

,.uales si todos los correspondientes elementos son iguales, esto es, si
~ =bij Vi= 1,2, ·· · ,m y Vj= 1,2, ··· ,n.
Ejemplo: Hallar x, y, z, w, si
X+ 2
(z+4
y+4 )
w+5
3y+
5w + 1
8)
Por la definición anterior, tenemos que:
x + 2 =6 => x= 4
y+ 4 = 3y + 8 => y= - 2
z + 4 = 3z - 8 => z = 6
w + 5 = 5w+ 1 => w= 1
Definición 3 Sean A = (aij)m xn y B = (bij)m xn dos matrices del mismo tamaño. Se

.:iefine la suma de estas matrices como la matriz C = (cij)m xn donde cij = aij + bij, 'Vi =
: .2, · · · m y Vj = 1,2, · · · n.
Esto es la suma de dos matrices del mismo tamaño, es la matriz de ese mísmo tamaño
obtenida al sumar los correspondientes elementos.
Ejemplo:
(-~ ~ =~ l 2 X3
+
(~
16
( -5
9-6]
6 -9
2X3
Ejemplo: La suma ( _
9
-5 - 2 -1 )
_
5 8 2x3
+ (48 -3)
-9 2 x2
no está definida porque
las matrices son de diferente tamaño.
Definición 4 Una matriz que tiene todos sus elementos iguales a O se denomina
matriz nula (o ma~riz
cero) y se denota por O.
el tamaño de la matriz Oserá evidente dentro del contexto en el cual se use.

~i A= (a¡)m xn y O= (O)m xn se aprecia claramente que A+ O= A.
Definición 5 Sea e un número (escalar) y A = (aü)m xn una matriz. El producto cA

es la matriz B = (bü)m xn donde bü = caiJ.
Hemos por tanto, defmido la multiplicación de un escalar e por una matriz A y se obtiene
al multiplicar cada elemento de A por c.
Ejemplo: 43 -5]
-5
5 -1
Definición 6 Sean A= (aiJ)m xn y B =(bü\nxn· Se define la diferencia A - B por:
A - B = A + ( -1 )B
Ejemplo: 5 -1 ) -
3 -4 -
( o -1
-5 o
-4)
-1
Ejemplo:
128 -25]
( 1 - 3535
~ de una matriz y álgebra de matrices 5
h ema 1 Sean A, B, e matrices de tamaño m x n, e y d escalares y O la matriz

a. entonces:
(A + B) + e = A + (B + C)
A+B = B + A
A + O= A
.1 A + (- A) = O
f 1. e(A + B) = cA + cB
t: (e + a')A = cA + dA
(cd)A = c(dA)
Demost ració n :
Es necesario probar una igualdad de matrices; luego, por la defmición 2) debemos mos-
uar que el elemento que se encuentra en la posición ij, en la matriz a la izquierda del signo
=.es igual al elemento que se encuentra en la posición ij en la matriz a la derecha del=.
Se demostrará, el ordinal M2); los demás quedan como ejercicio.
El elemento situado en el posición ij en la matriz (e+ a') A es (e+ d)aiJ = caiJ + daiJ. El
e emento situado en la posición ij en la matriz cA+ dA es caiJ +da¡_¡- Por tanto, queda
demostrado que:
(e + a') A = cA + dA
Definición 7 El producto de una matriz 1 xn (llamada vector fila) por una matriz
nx] (llamada vector columna) se define como:
obsérvese que este producto es un número.

Ejemplo: (3, - 5, 8, 5) [ j J~ (3)(8) + (- 5)(- 9) + (8)(7) + (5)(-5) ~ 100
Definición 8 Sean A = (a¡) mxn, B = (b1k)nxp· El producto AB es otra matriz

e= (c;k )m xp donde C¡k = A¡.B.k=
n
=ab
i 1 ik
+ ab
i2 2k in nk =~a
+ .. ·ab L. ij bjk
i = [
Luego el elemento que se encuetra en la posición ik de AB se obtiene al multiplicar la

fila ideA por la columna k de B. Nótese que la multiplicación de una matriz A con una
matriz B solamente se define cuando el número de columnas de A es igual al número
de filas de B. Además el tamaño de la matriz producto es
(# de filas de A) x (# de columnas de B)
En otros ténuinos tenemos:
[a,
a2L
a,~IL
al2
azz
am2
a,"
azn
a:nn
l [ bbz¡
ll
bn l
bl2
bzz
bnz
m xn
[ A,.B,,
Az.B•I
Am~B.,
A,.B.z
Az.B.2 A,.B.P
Az.B.P l
Am.B.z Am:B.P
mxp
""oc.ión de una matriz y álgebra de matrices 7
Ejemplo: Vamos a hallar el producto de:
9 -9
45 - 4)5 (
-8 -5
-9 5
2x3
E producto está definido pues el número de columnas de la primera matriz es igual al

-:UIIlero de filas de la segunda matriz. La matriz producto es de tamaño 2 x 4 y la deno-
t3mos por:
nora bien:
~A,.B. 1 ~(~8,4,4) (=i) -140
; ~A,.B., ~ (-8, 4, 4) ( =n 72
,~A 1 ,B.3 ~(-8,4, 4) ( ; ) ~ 12
_~A,.B~~(-8, 4,4) (_!) ~- 4
-, ~ A,.B., ~(2,5, -5) (=iJ ·~ 23
e,_.~ A .B. ~ (2, 5, - 5) ( =n

2 2 - 68
,,~A 2.B.3 ~(2,5, -5) ( .; ) ~ - 7
=,~A 2.B~~ (2,5, -5) (j) ~ 75

8 Capítulo 1 Matrice
Luego
(-8 5 -~) 4
( 9 -9
-8 - 5
4
4 7 o) -
2 2 X 3 -9 5 7 -8 3 x4
( - 140 72 12 - 4)
23 -68 - 7 75 2 X 4
Ejemplo: El producto
u n. 5 -9
- 1 -5
-1 ( _~ 3
3
3 -9 )
9 -9 2 X4
no está defmido porque el número de columnas de la primera matriz no es igual al númer·

de fi las de la segunda matriz.
Ejemplo: Sean A =( ~ y B= (-42 - )3)~

2"2
AB y BA están definidos y
(- 4o -7)
- 11 2x4
Es decir AB -::¡:. BA .
Luego el producto de dos matrices, en general, no es conmutativo.
Si AB = BA se dice que A y B conmutan.
\'ación de una matriz y álgebra de matrices 9
Definición 9 Una matriz cuadrada de orden n que tiene todos los elementos
diagonales iguales a 1 y todos los demás componentes iguales a O se denomina
matriz de identidad (o idéntica de orden n) y se denota por In.
1 o o
o o
1n =
o o
mxn
~]
1 o o
1 o o
Ejemplo: 12 = (
1
o ~) I, = ( o 1 o
o o
) I, = [
o 1 o
o o 1
o o o
Si el orden es evidente dentro del contexto, se escribe simplemente l.
Teorema 2 Supongamos que A, B, C son de tamaño tal que pueden efectuarse

todas las operaciones indicadas a continuación (se dice que las matrices son
conformables para las operaciones indicadas) y que e es un escalar; entonces:
i) c(AB) = (cA)B = A(cB)
ü) A(BC) = (AB)C
üi) lA = A y BI = B
iv) A(B + C) = AB + AC
v) (A + B)C = AC + BC
Demostración:
) Probaremos primero que c(AB) = (cA)B.
Sean A= (a;)m xn Y B = (bjp)m xp·
n
El elemento que se encuentra en la posición ik en la matriz c(AB) es e (La;¡ b1k).
j =1.
11
El elemento que se encuentra en la posición ik en la matriz (cA) B es L. (caif)bJk =

J =!
n
e (L. aif bJIJ. Luego, por la definición 2) de la igualdad de matrices, se desprende que
1= !
c(AB) = (cA)B.
Ahora se debe probar que (cA)B = A(cB) o c(AB) = A(cB)
(Ejercicio)
ii) Sean A = (a¡)m xn, B = (bjk)n xp, C = (cks)pxq
El elemento que se encuentra en la posición is dt: la matriz A(BC) se obtiene al multipli-
car la fila ideA por la columnas de BC, por tanto, es:
p
L
k= i
blk cks
p
I
k=l
b2kcks
El elemento que se encuentra en la posición is en la matriz A(BC) se obtiene, al multi-

plicar la fila i de AB por la columna S de e, esto es:
Ip (j=I"i a¡r¡ b~cJ ) cks = j I= l a¡·r¡ ( k=Ipl b~c

k=l
11
J
cks )
Polinomio de matrices 11
Luego por la definición 2) se desprende que A(BC) = (AB)C

Las otras partes del teorema son mucho más fáciles de probar y se dejan como
e,ercicios.
Si A es una matriz cuadrada, podemos formar los productos AA, lo que se denota por
~ •• AAA que se denota por A3 y en general AA ... A se denota por An.
- '-----v---'
"veces
Se define Ao= I
Ejemplo: Si A = (-1 _
3 4
o)
~tonces A2 = ( - 151 o)
16 y A3 =
(-631
POLINOMIO DE MATRICES
St t{x) es el polinomio
x) = a~" + a,_ 1 xn-t + · ·· + a 1x + a 0
donde a,, a,,_1, · ·· , a 1, a0 son escalares y A es una matriz cuadrada; por /(A) designare-
mos la matriz
(A)= a11A'1 + a11 _
1An- l + ·· · + a 1A + a 0I
donde 1 es la matriz idéntica del mismo orden que A
Ejemplo: Sif(x) = 2~2 + 3x -7 y A = ( ~ ~)
(6 ~)
EJERCICIOS
En Jos siguientes ejercicios,
A = (~ ~ =~), B= ( 3 5 - 9. )
4 1 -1
Hallar:
y D= uJ=; -!)
l. 4A+2B
2. 3C - 4D
3. AC
4. BD
5. AD
6. (A + B) D
7. (A - 2B) C
8. (2A - 3B) D
Calcu lar el producto de las siguientes matrices:
9. (-1, 0 ,3,- 4) [~l l

JO l~n (- 1, o, 3,- 4)
ILH -i) 8
8
5 ( ~:)
12. C" a, a,, ) (~·)
C/21 °22
C/31 C/32
C/2;
C/33
x2
x3
Polinomio de matrices 13
13.
(; -~) (-; ~)
1 ~.
(: -:)(~ ~)
15. Calcular A2 si A = (~ D
A~ (
1
16. Calcular A3 si o 1
o o ¡)
17. Demostrar que si AB = BA, entonces:
a) (A + B)2 = A2 + 2AB + B2
b) (A - B)2 = A2- 2AB + B2
e) (A+B)(A - B) = A2 -B2
18. Sif(x) =x2 + 3x + 5 y A= (~ i}hallarf(A)
19. Sif(x) = x2 -5x + 10 y A= ( _; ; } hallarf(A)
20. Si f(x) ~ 2r'- 3x + 2 y A~ ( ~ ~ !} hallarf(A)
21. Mostrar que si AB = A y BA = B, entonces A2 =A y B2 = B
22. Hallar dos matrices de tamaño 2 x 2 diferentes de O, de modo que AB = BA = O.
.!3. Si A es una matriz cuadrada tal que A2 = A, demuestre que (1 - A)2 = 1 - A

24. Calcular:
a)
(_~ -3)
¡Js) ·(~ ¡-{S
b)
C+,
1+ i
2 + i 3 +i )
l + 2i l + 3i
(3
-2 + i
2 + 3i
2i)
4i
i 2i 3i + Si 6i
( cos 8 - sen 8) calcular A2 y A3

25. Sea A = sen 8 cos 8
26. Una matriz de Dürer es una matriz n x n (con n 2 3) construida con los enteros
1 a n2 de manera que la suma de cada una de las ti las, de cada Lma de las columnas
y de cada una de las diagonales sea igual. Hallar una matriz de Dürer 3 x 3 y otra de
tamaño 4 x 4.
ALGUNOS TIPOS ESPECIALES DE MATRICES
Definición 1 Sea A una matriz de tamaño m x n. La matriz A' de tamaño n x m

obtenida de A al intercambiar las .filas y las columnas, se denomina la transpuesta
de A.
Si A= (a¡)m xn entonces A'= (bij) 11 x 111 donde bij =aij
Las filas de A' son A, 1, A,2, .. · , A.0 y las columnas A 1., A.2, ... , Am·
Ejemplo Si A = (-1 2)
~ -~ entonces A ,= (-1 _3
2 3
Teorema 1 Si A y B son matrices conformables para las operaciones indicadas y

si e es un escalar, se tiene:
a) (A)' = A
b) (cA')' = cA'
e) (A + B)' = A' + B'
d) (AB)' = .8' A'

"dgunos tipos especiales de matrices 15
Demostración:
Sean A= (a;)m xn y B = (b;kJnxp· El elemento que se encuentra en la posición ki de
,\8)', es elemento que se encuentra en la posición ik de AB, es esto es,
n
A¡.B.k = L aiJbJk
j - I
n 11
- elemento que se encuentra en la posición ki de B'A' es, B.k A;. =.I:b1k aiJ = ?, a iJ b;k·
J =l 1 ... ¡
x la definición 2) de igualdad de matrices, se concluye que (AB)' = B'A'. Las demos-

':!'aciones de las otras partes del teorema se dejan como ejercicio.
Nota. Obsérvese el orden en la propiedad d), es análogo a lo que sucede cuando uno se
ne las medias y Juego los zapatos; pero en el orden transpuesto se quitan primero los
zapatos y Juego las medias.
Definición 2 Una matriz cuadrada A se denomina simétrica si A = A', y

tisimétrica si A = - A'.
ljemplo A= ( ~ ~ =;)
-5 - 7 - 1
es simétrica y
4 ~ ( -!-~ ~) ~ antisiméMca.
Jeorema 2 Toda matriz cuadrada A puede escribirse como

A=B+ C
nde B es simétrica y C es antisimétrica.
Demostración:
A= -I(A + A')+ 1
(A - A')
Sean B = t (A + A') y e = t (A - A') ~

B' = [ t(A + A')]' = t (A + A')' = ~(A' + (A')')=
t (A' + A) = ~ (A + A') = B
por tanto, B' = B; entonces, B es simétrica.
e' = [ t (A - A')]'= !(A - A')' = t(A' - (A')') =
!CA'-A)=- t (A - A') = - C.
Es decir, e' = - e; entonces, e es antisimétrica.
Ejemplo:
( 4 o -1)
A= - 5 5 -7 = _!_2 (A + A') + _!_(A
2
- A') =
1 -1 3
H
-2
5
-4
5
n +
H
5
2 - 1)
o
3
-3
o
Definición 3 Sea A una matriz con elementos complejos. La matriz A obtenida de

A al conjungar todos sus elementos se denomina la conjugada de A.
Si A = (a;)w<u entonces A = (bi.J.) donde bij = aij (Ciij indica el conjugado de aij).
Definición 4 La transpuesta de A, o sea (A)' se denomina la transjugada de A y

se denota por A*.
Ejemplo: Si A =
1 - 4i 2 + 3i 3
( - 2i ) entonces
4 + 3i 1- i
1 + 4i
2i )
A* = (A)' = 2 - 3i 4 - 3i
(
3 1+ i
JWgunos tipos especiales de matrices 17
Jlorema 3 Si A y B son conformables para las operaciones indicadas y si e es

. , escalar, se tiene:
a) A=A
b) cA = cA
e) A + B = A + B
d) AB = AB
e) (A)'= (A')
Demostración:
Sean A = (aij)mxn' B =(bjk)nxp· El elemento que se encuentra en la posición ik de AB,
es:
n n
A;. B.k = L. a ij bjk = L. a ij bjk
j ;J j; J
11
El elemento que se encuentra en la posición ik de A B esA;. B .k = L. aij bjk

j =- 1
Por tanto, AB = A B.
Las otras partes del teorema se dejan como ejercicio.
Definición 5 Una matriz cuadrada A se denomina hermítica si A* = A y

anrihermítica si A* = - A
E¡emplo: A= ( 5 ~ i
5
_; i ) es hermítica y
.. = (_ o+
~
2 3
¡ 2-
0
3i) es antl"hermztzca.
..
Definición 6 En una matriz cuadrada A los elementos a;; se denominan elemen-

os diagonales. La diagonal principal es el conjunto de todos los elementos
diagonales.
Si A = (aiJ)m xn• diag A= (a 11 , a 22 , · •· , a 11n).

Definición 7 En una matriz cuadrada A la suma de los elementos diagonales se
denomina la traza de la matriz A y se denota por TrA.
Ejemplo: Si A = -1 2 4)
3 - 3 5 , diag A= (-1 , - 3, - 8), y TrA = -12
(- 9 1 -8
Definición 8 Una matriz diagonal es una matriz cuadrada en la que todos los
elementos que no se encuentran en la diagonal principal son O.
1 o
Ejemplo: ( b ~) (
o -3
o o
o~ ) son matrices diagonales
Definición 9 Una matriz escalar es una matriz diagonal que tiene todos sus ele-
mentos diagonales iguales.
3~
o o o)
~) , ~}
-4
Ejemplo: (; (6 (
3
o (
o -4 o
o o -4
son matrices escalares.
Definición 1O Una matriz cuadrada en la que todos los elementos por debajo de
la diagonal principal son cero, se denomina matriz triangular superior. A = (aiJ)mxn
es triangular superior si aiJ = O para i > j.
Ejemplo: -3)
( oo o '
8 4)
8 -9 ' (
-8 -5
o -9
o o o o
Definición 11 Una matriz cuadrada en la que todos los elementos por encima de
la diagonal principal son cero, se denomina matriz triangular inferior. A = (aiJ)n xm
es triangular inferior si aif = O para i < j.
-8 o o
Ejemplo:
(~ (_~ ( 4
-5 -9
5
'),.
X ~)
ALgunos tipos especiales de matrices 19
Definición 12 Una matriz es triangular si ella es triangular superior, o triangu-

ar inferiOI~
Definición 13 Sea A una matriz cuadrada.
a) Si AA' = A' A = 1 se dice que A es ortogonal
b) Si AA* = A* A = 1 se dice que A es unitaria
e) Si A 2 = A se dice que A es idempotente
d) Si A2 = 1 se dice que A es involutiva
se dice que A es ni/potente de

índice der.
Ejemplos:
(~ ¿) es ortogonal
(o
-i
¡)
o es unitaria
o
n
1
(o o 1
5
es idempotente
o o 1J es involutiva
( - 11 - o1 -1o
(_~ -D es nilpolente de índice 2

EJERCICIOS
9] [
¡-~]
2
5 -5 5 -9
-9 4 O -8 B _ - 1 -5
l. Sean A = -; 4 7 -9 ' - 1 -1
[
7 -8 3 3 3 -9 -6
Hallar A', B', (A+ B)', (3A)', (AB)'
2.
9
Verificar que A = [ 3
-9
9 -9
o 1 -7
1 -4 2
-5] es simétrica y que
- 5 - 7 2 -3
[-7 -2 -7
B=
2 -3 -6
7
-8
6 -8
8 -1
-!] es antisimétrica
3. Demostrar que si una matriz A es antisimétrica, entonces a;; = O y a ij = -a1;
-28 3o - 51- 36 ]
4. Escribir la matriz A=
[ -4 -6 o8
-5
- 1 -5
1 como la suma de una matriz simétrica
y una antisimétrica.
5. Demostrar que si una matriz cuadrada A se expresa como la suma de una matriz
simétrica y una antisimétrica, dicha descomposición es única.
6. Hallar la conjugada de las siguientes matrices:

2 + 3i
4 + 2~ J
3 - 2i
A = - 3 + 4i 2 + Si
(
2 - 6i 7 7 - 8i
B= (
1 + 3i
O 2 - 9i
2 - Si 3 - 4i
3 + 7i
J
9+i 3 - 4i 3 - 6i
Mgunos tipos especiales de matrices 21
Hallar la transjugada de las matrices del ejercicio 6).
Con las matrices del ejercicio 6 y con e= 3 - 4i, hallar A + B, cA, cB, cA, AB, A, B,
A B.
Verificar que:
2 + 8i 3 -4i
A= [2-i. -9 1 + 7i 25+- Si
3i J es hermítica y
3 - 4i 1 - 7i 4 2i
l
S + 3i 2 - Si -2i -9
~
2+i 3 - 8i
B =[ -2 + o 4- 9i 21 +
- 5i
Si antihermítica.
- 3 - 8i -4 9i o - 3 + S~
- 1 - Si - 2 + Si 3 + Si
. Demostrar que (ABC)' = C'B'A'
a) Demostrar que si A es hermítica, entonces sus elementos diagonales son reales.

b) Demostrar que si A es antihermítica, entonces sus elementos diagonales son
iguales a cero, o imaginarios puros.
1. Demostrar que cada matriz cuadrada A puede expresarse de manera única como la
suma de una matriz hermítica y una antihermítica.
., Expresar la matriz
S+ i
- 3 + 4i
8- i 4+ 2i)
8 - 3i - 9 + 2~ como la suma una matriz
(
7 + 7i
hermítica y una antihermítica.
3. Demostrar que toda matriz hermítica A puede expresarse de manera única en la

forma A = B + iC, donde B es real y simétrica y C es real y antisimétrica.
14. Si A es una matriz cuadrada cualquiera, demostrar que la matriz B = A'A es

simétrica.
15. Demostrar que si A y B son simétricas (o antisimétricas) entonces ABes simétrica

sí y solamente sí AB = BA.
16. Hallar TrA, TrB, Tr(A + B), donde A y B son las matrices dadas en ejercicio 2).
17. Sean A y B matrices cuadradas del mismo tamaño; probar que:

Tr(A + B) = TrA + TrB
Tr(AB) = 71-(BA).
18. Probar que si A es involutiva, A puede escribirse como la smna de dos matrices
idempotentes.
Ay uda: A = ~ (A + l) - [ - ~ (A - I)]
19. Probar que si una matriz A tiene dos de las siguientes propiedades, también posee la
tercera.
a) es real; b) es ortogonal; e) es unitaria.
20. Probar que si una matriz A tiene dos de las siguientes propiedades, también posee la
tercera.
a) es simétrica; b) es.ottogonal; e) es involutiva.
Sistemas
de ecuaciones lineales
NOCIONES FUNDAMENTALES
onsideremos el sistema de ecuaciones lineales:
a 11 x 1 + a,2x2 + + a lt~n = b¡
a 21 x 1 + a 22X2 + + a2,~n b2
(*)
a ¡ 1x 1 + a i2x 2 + + ait~n b¡
a m l xl + a mr2 + + am~n bm
esto es, m ecuaciones con n incógnitas x 1, x2, ··· , xw

Recordando la multiplicacion de matrices, podemos escnoir el sistema anterior como:
En forma abreviada escribimos AX = b

donde A es la matriz de los coeficientes, X es el vector columna de las incógnitas y b el
~tor columna de los términos libres.
24 Capítulo 2 Sistemas de ecuaciones lineales
Toda n-tupla ordenada (x 1,x2,- · ·,.xn) que satisface cada una de las ecuaciones del sistema
( *) se llama una solución del sistema. Si miramos el sistema en forma de matrices,
escribiremos una solución como el vector columna,
Si un sistema de ecuaciones no tiene solución se dice que es inconsistente.
El sistema X¡ + 2x2 x3 + 2x4 10

3x 1 + x2 2x3 x4 = -5
-X ¡ + 3x2 4x3 + X4 = 3
se puede escribir en forma de matrices, como
(J
2
1
3
-1
-2
-4 -:) [~~]~HJ
Una solución del siste~a es (1,2,3 ,4) o [ Í],
si considerarnos el sistema en formas de
matrices, pues si x 1 = l, x2 = 2, x3 = 3, x4 =4, se satisfacen las tres ecuaciones anteriores.

Si en el sistema(*) b 1 = b2 = ··· = b111 = O, se dice que el sistema es homogéneo.
Definición 1 Dos sistemas de ecuaciones se dicen que son equivalentes, si ellos

tienen exactamente las mismas soluciones.
Propiedades de los sistemas de ecuaciones
Propiedad 1
Si en un sistema de ecuaciones se intercambian dos ecuaciones el sistema resultante es
equivalente al primero. Denotaremos con E¡ H Ej para indicar la operación de intercam-
biar la ecuación i, con la ecuación}.
25
llllliiH>t:fad 2
un sistema de ecuaciones se multiplica una una ecuación por un escalar e diferente
el sistema resultante es equivalente al primero. Denotaremos con cE¡ para
la operación de multiplicar la ecuación i por el escalar c.
._.,eaii03
un sistema de ecuaciones se multiplica una ecuación por un escalar e y se suma a
ecuación, el sistema resultante es equivalente al primero. Denotaremos con CE¡ = Ej
ndicar la operación de multiplicar la ecuación i por el escalar e y sumársela a la
-IJ'IerJaa 4
~ sistemas de ecuaciones son tales que el primero es equivalente al segundo y el
• ._Ido es equivalente al tercero, entonces el primer sistema es equivalente al tercero.
propiedades se vienen usando desde el colegio y se deja su demostración como
ideremos el sistema de ecuaciones
XI 3x2 + x3 + 2x4 = 6
3x_1 8x2 + 4x3 + 4x4 15
a) - 2x 1 + 8x2 + 3x3 llx4 - 21
XI + 2x2 3x3 + 3x4 = 8
3x 1 x2 + 5x3 2x4 = 8
&minemos x 1 de la segunda ecuación en adelante; para ello, se efectúan las siguientes

.,ernciones: -3E1 + E2, 2E1 + E 3, - E 1 + E4 , - 3E1 + E5 y nos resulta:
XI 3x2 + x3 + 2x4 = 6
x2 + x3 2x4 = -3
b) 2x2 + 5x3 7x4 = -9
5x2 4x3 + x4 = 2
8x2 + 2xu-- 8x4 = - lO
Eliminemos ahora x2 de la tercera ecuación, en adelante, efectuando las siguientes ope-

aciones: -2E2 + E3 , -5E2 + E4 , -8E2 + E5 y tenemos:
XJ 3x2 + x3 + 2x4 = 6
x2 + x3 2x4 3
3x3 3x4 = 3
9x3 + llx4 17
6x3 + 8x4 14
Antes de eliminar x 3 de la cuarta ecuación, en adelante, se efect1Jan las operaciones

tE3 , y Í E5 a fin de simplificar un poco las ecuaciones
x, 3x2 + x3 + 2x4 6
x2 + x3 2x4 = - 3
x3 x4 =
9x3 + llx4 17
3x3 + 4x4 7
Efectúemos ahora las operaciones 9E3 + E4 , 3E3 + E5 y tendremos:
x, 3x2 + x3 + 2x4 6
X2 + x3 2x4 -3
X3 x4 -1
2x4 8
x4 = 4
t
Efectúemos la operación E4 y nos quedará
x, 3x2 + x3 + 2x4 = 6
x2 + x3 2x4 = -3
x3 x4 = -1
x4 4
x4 4
Por último eliminemos x 4 de la quinta ecuación por medio de la operación - E4 + E5 y nos

resulta el sistema
XI 3x2 + x3 + 2x4 6
x2 + x3 2x4 = '"1
- .)
x3 x4 -1
x4 4
o o
aesolución de un sistema de ecuaciones 27
sustituimos el valor de x 4 en la tercera ecuación, obtenemos el valor de x3 =3 y sustitu-

JIDdo en la segunda ecuación obtenemos el valor de x 2 = 2 y en la primera x 1 = l. La
.-:~•ación del sistema es entonces ( 1,2,3,4) y en forma transpuesta
1 XI
2 x2 2
o finalmente podemos escribi r =
"
.) x3 3
4 X.¡ 4
o se observará, todas las operaciones anteriores se hicieron sobre los coeficientes

*las incógn itas, de modo que para ahorrar tiempo no es necesario que las escribamos;
SIStema original a) se nos convierte en:
1 3 2 6
3 -8 4 4 15
-2 8 3 - 11 -21
2 -3 3 8
..,
.) 5 - 2 8
linea vertical es para separar los coeficien'tes de las incógnitas, de los términos libres;
.,ara que no nos queden los números sueltos, se introducen dentro de un paréntesis, es
61tir, se forma la matriz
1 -3 2 6
3 -8 4 4 15
A= -2 8 3 - 11 - 21
2 -3 3 8
"
.) - 1 5 -2 8
~ada matriz ampliada (o aumentada ), debido a que está fo rmada por la matriz de los
•eficientes de las incógnitas, j unto con los términos libres. A continuación vimos que el
lilrema a) es equivalente al b), el cual en forma de matriz es:
1 -3 2 6
o 1 1 -2 - 3
o 2 5 -7 9
o 5 -4 1 2
o 8 2 - 8 - 10
28 Capítulo 2 Sistemas de ecuaciones line
Si <= indica equivalencia, tenemos, por tanto:

1 -3 1 2 6
3 -8 4 4 15
A= -2 8 3 -1 1 -21 <:
1 2 -3 3 8
3 -1 5 - 2 8
1 -3 1 2 6 1 -3 1 2 6
o 1 1 -2 - 3 o 1 1 - 2 -3
o 2 5 -7 - 9 <: o o 1 - 1 -1 <:
o 5 -4 1 2 o o -9 11 17
o 8 2 - 8 -10 o o -3 4 7
1 -3 1 2 6 1 -3 2 6
o 1 1 -2 -3 o 1 1 -2 -3
o o 1 -1 -1 o o 1 -1 -1 <:
o o o 2 8 o o o 4
o o o 4 o o o 4
1 -3 1 2 6
o 1 1 -2 -3
o o 1 -1 -1
o o o 1 4
o o o o o
y esta última matriz representa el sistema:
X¡ 3x2 + x3 + 2x4 6
x2 + x3 2x4 -3
x3 x4 -1
x4 4
o o
lo cual como ha podido apreciarse, conduce a la solución
x1 = 1, x2 = 2, x3 = 3, x4 = 4.
En la resolución de un sistema de ecuaciones lineales se permiten tres tipos de operacio-
nes entre las ecuaciones a saber:
que al observar la matriz aumentada equivale a:

a) Intercambiar dos filas.
b) Multiplicar una fi la por un número diferente a cero.
e) Añadir a una fila, e veces una fila diferente.
Resolución de un sistema de ecuaciones 29
Habíamos utilizado E; para referirnos a la i-ésima ecuación, pero cuando utilicemos ma-
trices nos referiremos a la i-ésima fila por tanto las operaciones anteriores se indicarán
de la siguiente manera:
aJ F; H Fp b) cF;. e) cF; + F1
Este tipo de operaciones elementales entre filas de una matriz se denominan operacio-
aes elementales entre m as.
Definición 1 Sean A y B dos matrices del mismo tamaño. Se dice que A es

equivalente a B si B se obtiene de A por un número finito de operaciones elemen-
rales entre filas. Denotaremos esto por A "" B.
i) A"" B
ii) Si A "" B ~ B "" A
iii) Si A "" B y B "" e ~ A "" e
Demostración:
Queda como ejercicio.
Definición 2 Se dice que una matriz es escalonada si el número de ceros que

recede al primer elemento diferente de cero en cada fila, aumenta fila por fila,
hasta tener posiblemente filas de sólo ceros.
Ejemplo: Las siguientes matrices son escalonadas:
[~ ~l
4 -5 -5 4 o -8 -5 4
-5
o
o
8
3
o
5
-4
-9
] [ o
o
o
5
o
o
7
o
o
-8
-1
o
3
-5
8
3 -9 -6 3
-3 -6 -8 2 9 -8
o -9 -5 6
o 9 5 1 3 4
o o -7 -1
o o -5 4 -2 -7
o o o 9
o o o o o o
o o o o o o o o o o
o o o o
Con esta última terminología, tenemos un método para resolver un sistema de ecuaciones,
AX= b (notacíón matricial)

i) Se forma la matiz ampliada.

ü) Al efectuar operaciones elementales entre sus filas, debemos conseguir una matriz
escalonada.
üi) Se halla el sistema de ecuaciones que representa la matriz escalonada.
iv) En este último sistema se halla la solución.
A este método lo llamaremos, «método de la matriz escalonada».

Debe observarse que se ha empleado este método para resolver el sistema que se trató
anteriormente.
Definición 3 Una matriz se llama escalonada reducida, si:
i) Es escalonada.
ü) El primer elemento de cada fila no nula es 1 y éste es el único elemento diferente
de cero que se encuentra en la respectiva columna.
Ejemplo: Las siguientes matrices son escalonadas reducidas.
[~ [~
o -3 o o o 2
l
1
J]
' o o
o 1 1 1 -2
o o o o 1 o 9
o o o o o 1 -7 -3
1 o o o 3 -4
o
o
o
o
1
o
o
o
o
1
o
o
o
o
o
1
-2
1
-3
o
8
4
8
o
Ejemplo: Hallar la matriz escalonada reducida equivalente a la matriz
un o
1
o
1 -1 -1 8
-1 2 2 3
2 -3 1 1 - 1
-1 -1 -1 o
2 1 -4 -4 10
z
1 1 -1 -1 8 -F¡ + F2 1 -1 -1 8
1 -1 2 2 3 - 2F 1 + F3
o -2 3 3 - 5
2 -3 1 1 - 1 o -5 3 3 - 17
-1 -1 -1 o -F¡ + F4 o -2 o o - 8
2 1 -4 -4 10 -2F1 + F5 o -1 -2 -2 - 6
llli!todo de eliminación de Gauss 31
::::::
1 1 -1 -1 8 -F2 + Fl
o 1 2 2 6
5F2 + F 3
::::::
o -5 3 3 -17
F2 H -F5 o -2 o o - 8 2F2+ F4
o -2 3 3 - 5 2F2 + F5
1 o - 3 - 3 2 :::::: 1 o -3 -3 2
o 1 2 2 6
1
i3 F3 o 1 2 2 6
o o 13 13 13 o o 1 1 1
o o 4 4 4
t F4 o o 1 1
o o 7 7 7 t Fs o o 1 1
::::::
3F3 + F 1 1 l o o 5
o 1 o o 4
- 2F3 + F2 o o 1 1 1
- F3+ F4 o o o o o
- F3 + Fs o o o o o
tefinición 4 El rango fila de una matriz es el número de filas diferentes de cero,
fUe tiene su forma escalonada (o escalonada reducida).
Cualquiera sea la forma de escalonamiento de una matriz su rango fila es el mismo; con
este supuesto es correcta la definición anterior.
Si observamos el ejemplo anterior vemos que la matriz tiene rango 3.
MÉTODO DE EUMINACIÓN DE GAUSS
Para resolver un sistema de m ecuaciones con n incógnitas, se procede de la siguiente

manera:
i) Se f01ma la matriz ampliada B = ( A 1 b ), donde A es la matriz de los coeficientes

y b indica la matriz de los términos libres.
u) Al aplicar operaciones elementales entre filas, la matriz B se lleva a una matriz
equivalente e, donde e es escalonada reducida.
ill) Como la matriz B es equivalente e, entonces el sistema de ecuaciones que
representa la matriz B, es equivalente al sistema de ecuaciones que representa
la matriz e, y en esa matriz es fácil hallar las soluciones.
Ejemplo: Resolver el siguiente sistema utilizando el método de eliminación de

Gauss.
XI 3x2 + X3 + 2x4 = 6
3x 1 8x2 + 4x3 + 4x4 = 15
- 2x 1 + 8x2 + 3x3 1lx4 = - 21
XI + 2x2 3x3 + 3x4 = 8
3x 1 x2 + 5x3 2x4 = 8
-3 1 2 6 ""
- 3F1 + F 2
....
.) -8 4 4 15 2F1 + F 3
-2 8 3 - 11 - 21
1 2 -3 3 8 - FI + F4
3 - 1 5 - 2 8 - 3F1 + F 5
1 -3 2 6 3F2 ""
+ F1
o 1 -2 - 3 - 2F2 + F 3
o 2 5 -7 - 9
o 5 -4 1 2 - 5F2 + F 4
o 8 2 -8 - lO -8F2 + Fs
1 o 4 -4 - 3 1 o 4 - 4 - 3
""1 o
o 1 1 - 2 - 3
3 F3
1 - 2 - 3
o o 3 - 3 - 3 o o 1 - 1 - 1
o o -9 JI 17 J..2 F-) o o -9 11 17
o o -6 8 14 o o -3 4 7
-4F3 + F t 1 o o o 1
- F3 + F2
o 1 o -1 -2 ""
9F3 + F 4
o o 1 -1 -1 t F4
o o o 2 8
3F3 + F5 o o o 4
1 o o o 1 "" 1 o o o
+ F2 o o o
o 1 o -1 -2 F4 1 2
o o 1 -1 - 1 F4 + F3 o o 1 o 3
o o o 4 - F4 + Fs o o o l 4
o o o 4 o o o o o
y esta última matriz, que es escalonada reducida, representa el sistema:
de eliminación de Causs 33
.,.. tanto, la solución es (1, 2, 3, 4), o,
l¡emplo: Resolver el sistema
2x 1 3x2 + 4x3 x4 -24

- 3x 1 + x2 3x3 + x4 18
X1 + 2x2 + x3 2x4 = - 8
+ 2x2 + 5x3 + o
l
-3x 1 2x4
[-~
-3 4 -1
-3 1 -24
18 =
2 1 -2 - 8 F 1 HF3
-3 2 5 2 o
2 1 -2 ""
3F1 + F 2
J - 2F + F
(-i -3
1
-3
2
-3
4
5
1 - 188
- 1 -2~
2
1
3F1 + F4
3
1 2 1 -2 1 2 1 -2
o o J t F4 J
[ o o
7 -5 -- 68 "" 7 -5 -8
6
( o
o
-7
8
2
8
3
-4
- 8
- 24
o
o
-7
2
2
2 -1
3 -8
-6
7Fj
7~
-
Véase nota
[ 7
o
o
o
14
7
-7
14
7 - 14
o
2
- 5 - 566
3 - 8
14 - 7 -42
l - 2F2 +F1
F2 +F3
-2F2 + F4
:::::
l
34 Capítulo 2 Sistemas de ecuaciones linea!
o o
~4]
(~
7 7 -4 7 -4
o 7 o -5 - 6 z
7 o -5 -- M6
( o
o
o
o
2
14
- 2 - 14
3 - 30
I F3 o
o 14
-1
3
-
- 30
7
:::::
- 7F3 + F 1
- 14F3 + F4
[~
..,
o
7
o
o
o
o
1
o
3
-5
-1
17
-~ l
- 7
68
:::::
i7
1
F4
o o o o o
-~ ]-JF5F F
7 7
o 7 o
.)
-5 o o o -1471
[
4
; 1 ( 7
o o 1 -1 -7 F 4 + 2 o o 1 o - 3
o o o 4 F4 + F 3 o o o 1 4 )
::::
7
7
lp
1
"'¡
[
1
o
o
o
o
1
o
o
o
o
o
1
o
o
o -~
- .)
4
l
l
F2
l;: [~~ l
Por tanto la solución es X =
( x, =
Nota: Aparentemente tocaría t

F2 pero esto conduce a trabajar con quebrados. Téngase
en cuenta que con un 7 es fáci l eliminar los múltiplos de 7 por ejemplo, 7, l4,2l,etc; por
eso se efectuó la operación de multiplicar por 7.
Planteamientos
Pensemos en el sistema de ecuaciones

2x 1 3x2 + x3 + 2x4 - 11
a) -3x 1 2x2 + 2x3 + 3x4 -4
- 5x 1 l2x2 + 8x3 + 13x4 -34
Este sistema evidentemente es lo mismo que
x3 3x2 + 2x 1 + 2x4 = - 11
2x3 2x2 3x 1 + 3x4 = - 4
8x3 12x2 5x 1 + 13x4 - 34
de eliminación de Gauss 35
que nos sugiere que si pensamos en la matriz ampliada, se pueden intercambiar dos
umnas siempre y cuando tengamos presente el orden en que van las incógnitas; por
. .110, escribiremos
[ x2
-3 - 2
-5 -12
x2
- 3
x3
1
2
8
x4
2
3 - 114
13 - 34
l :::
[X~ -2
-12
x2
-3
xl
2
-3
-5
x4
2
3 -11
-4
13 -34
l
n poco más adelante resolveremos el sistema a).
Al resolver un sistema de m ecuaciones con n incógnitas, hemos visto que su solución
110ede hallarse fácilmente llevando la matriz ampliada a una escalonada reducida; estu-
diemos un poco cómo puede ser esta matriz.
i) Si tiene la forma:
1 o o o
o o o
o o o 1
o o o o
o o o o o
o o o o o
d sistema tiene solución única
ü) Si tiene la forma:
1 o o o cJ ,J c l,2 cl,n - r o
o 1 o o c2, l c2,2 c2,n - 1' o
o o o c,.,t c,.,2 c,.,n- r o
o o o o o o o
el sistema no tiene solución debido a que la última ecuación conduce a
0= 1
Ejemplo: Resolver el sistema:

-3x 1 + 4x2 -18
XI + 2x2 -4
l
5x 1 + 3x2 10
[-! l
4 18 2 ""
3F1+F
H 4 - 18
4 2
::::;
2 - 4 Fl HF2
3 10 3 10 - 5F1 + F 3
[ oo l l
1 2 - 4 1 2 - 4
10
7
-30
30
::::;
~F2 [ o
o
l - 3
-7 30
- 2F2 + F 1
7F2 + F3
l l
1 o -2 o 2
[
1
[
::::;
o 1 -3 .!.p
9 3
o 1 -3
o o 9 o o
y el sistema no tiene solución; por tanto, es inconsistente.

Ül) Si la matriz escalonada tiene forma:
1 o o o cl,l cl,2 cl,n - ,. di

o 1 o o C2, 1 C2,2 c2,n-,. d2
o o o 1 c,.,J c,.,2 e,.,, _,. d,.

o o o o o o o o
o o o o o o o o
el sistema que representa es:
X¡ + ci,Jx,+l + c1,2x,+2 +· ··+ C l ,n- I)C/1 = dl

x2 + c2,lx.+ l + c2,2x,.,.2 +· · · + c2,,,_,x" d2
x3 + c 3, 1x,.,. 1 + c3,2x.+2 +· ·· + c3,,r-,.x, = d3
x,. + c,.,1x,..,. 1 + cr,r.+2 + ··· + cr,n-~11 = d,.

Las variables x,+l• x,+2, ·· · , X11 , que no aparecen al comienzo de ecuación, se llaman
variables libres, además:
de eliminación de Gauss 37
XI di cux,... 1 CI,2Xr-2 ci,,,_,Xn

x2 d1 c2.1xr-1 c2.2x,-2 c2.n-,x11
x3 d3 c3.1xr-l c3.2x,.,.2 c3,n ,.xll
x,. = d,. - c,., 1x,..,. 1 c,.,2x,..,.2 c,.,"_,.xn
n - r incógnitas después del signo =, a saber x,..,. 1, x,..,.2, ... , xw

l.aego si damos a estas n - r incógnitas valores arbitrarios - a 1, - ~ •••• , - U11_,.
JeSpectivamente tenemos una solución del sistema
XI = di + ci,Ia.I + c1.2a.2 + + e 1,11-·,.C:J.,,_,.

x2 d2 + c2.1a1 + e2.2a2 + + c2,n ,.a"_,.
x3 d3 + c3.Ia.I + C3,2a2 + + c3,11 ,.a.n-r
x,. = d,. + c,., 1a 1 + c,.,2a2 + ... + cr,ll-ra n-r
la cual se puede escribir como:
XI di + cl,l a l + c 1.2~ + + e l,n-ra"_,.

x2 d2 + e2.1a1 + c2.2~ + + c2,,,_,.a"_,.
x3 d3 + c3,Ia.I + c3,2~ + + c3,11-/'a.ll_r
X= x,. d,. + c,.,JaJ + e,.,2a2 + ... + c,·,n-ra.ll-1'

xr+l .-a~
xr+2 -a2
xn - an-r
Como los a; son arbitrarios, el sistema tiene infinitas soluciones y X representa todas las
.tucíones. Obsérvese que:
di cl ,l C1.2 c l,n-r
d2 e2,J e2.2 e2,n-r
d3 e3,I e3,2 c3,n-r
X= d,. +a l e,.,l +a.2 c,.,2 +···+an-r er,n-r

o - 1 o o
o o - 1 o
o o o - 1
donde los a¡ son arbitrarios y X nos da lo que se conoce como solución general; si le
damos valores determinados a los a¡ , tendremos soluciones particulares.
Ejemplo: Resolver el sistema.

2x 1 3x2 + x3 + 2x4 = - 11
- 3x 1 2x2 + 2x3 + 3x4 - 4
- 5x 1 12x2 + 8x3 + 13x4 -34
[ x2
-3 - 2
x2
- 3
- 5 - 12
x3
1
2
8
x4
2
3 -- 114
13 - 34
l "" [ X~
x2
- 3
- 2
- 12
X¡
2
-3
-5
x4
2
3
13
-u]
- 4
- 34
""
[X!
x2
- 3
X¡
4 - 7
12 -21
2
x4
2 - 11 ]
-1
-3
18
54
"" [X~
x4
2
-1 - 7
X¡
2
- 3 - 21
x2
-3
4 -1181
12 54
l
~]o ~]
x4 X¡ x2 x4 X¡ x2
o o - 12
D
-1 2 5 5
"" -l 7 4 18 "" [X! 1 7 -4 -1~
o o o o o o
Por tanto, la última mattiz representa
x3 - 12x¡ + 5x2 = 25
x4 + 7x 1 4x2 = -18
Luego las variables libres son x 1 y x2, a las cuales les asignaremos valores arbitrarios
denotados por - al> - ~. respectivamente. Por consiguiente:
x3 25 12a1 + 5~
x4 = 18 + 7a 1 4a2
X¡ = a¡
x2 = a2
solución que puede escribirse como:
X=
ln =
[-in ~~f] +~ j
+a, [ [ l
Método de eliminación de Causs 39
Si asignamos a o: 1 y a <X:1 los valores de 1 por ejemplo, obtendremos una solución particu-
lar del sistema
esto es x 3 = 18, x 4 = -15, x 1 = -1 , x 2 =-l.

Si lo hacemos con 0:1 = 2 y <Xz = - 3, obtenemos otra solución, a saber:
Ejemplo: Resolver el sistema homogéneo

o
= o
Naturalmente, este sistema (como cualquier otro que sea homogéneo) tiene una solución
Ramada t rivial, igualando todas las incógnitas a cero, es decir
= o
El problema consiste en averiguar si el sistema tiene soluciones diferentes de la trivial.

Observemos:
(-~ 3
4 ~)
=::
F 1 HF2 (-; 4
3 ~)
=::
2F1 +F2
(-~ 4
11 ~)
""
-F¡
AF2 (~ -4
n "" F
4F2 + 1
(~ o
1 ~)
concluimos que x 1 = Oy x2 =O; luego el sistema no tiene solución fuera de la trivial.
Como se notará no es necesario escribir los términos libres cuando el sistema es homogé-
.w pues todas las operaciones que se hagan con el número cero darán siempre cero; por
1al razón los omitiremos, pero éstos deben quedar sobreentendidos.
Ejemplo: Resolver el sistema (véase ejemplo de la página 36)
2x¡ 3x2 + x3 + 2x4 o

- 3x 1 2x2 + 2x3 + 3x4 o
- 5x 1 l2x2 + 8x 3 + 13x4 o
X~ l [X~ X~ l
x2.., x3 x2 X¡
[-x32 - -
2
.) 1
2
::::
- 3
- 2
2
-3
-5 - 12 8 13 - 12 -5 13
x2 X¡
xi J
x4 X¡
x, l
D D
- 3 2 2 2 -3
:::: ::::
4 - 7 -1 -1 - 7 4
12 -21 -3 - 3 - 21 12
x4 X¡ x4 X¡
D 1]
o o -12
D
- 12
-1 - 7 xn ::::
1 7
o o o o
y la solución general es:
X= [ ~~ J aF! J+~ j J
= [
Si por ejemplo a 1 = 1 y ~ = 2, tenemos
[~¡ l = ¡~~ r l [j J [~¡ l

+2
=
que es una solución particular, diferente de la trivial.

Si a 1 = ~ = O, tenemos naturalmente la solución trivial.
odo de eliminación de Gauss 41
Ejemplo: Resolver los sistemas

-3
a) -8 b)
Tendríamos que llevar las siguientes matrices a la forma escalonada reducida:
Como la matriz de los coeficientes es la misma podemos reunir las dos matrices en una
sola, así:
( 1
2
2
5
-3
-8 ) entonces,
( 1
2
2
5
-3
-8
1
1 ) -2F1 + F 2
(~ 2
1
-3
-2 ~1 )
-2F2 + F1
::=
(~ o1 1 1
-2 !1)
De lo anterior se establece que la so lución del sistema (a) es x 1 = 1, y, x2 = -2 , y del
SIStema (b) es y 1 = 3, y, Y2 = -1.
Ejemplo: (Importante) Dada una matriz
A=
(~ ~ ) hallar una matriz X ~ (x 11
X21
x 12
X22
) tal que
AX = I
•)
(~ ~ )(XII X21
X12 )
X22
=
(o 1 o
1
) es equivalente a:
X 11
4xll
+
+
2x21
9x21
X12
4x t2
+
+
2x22
9x22 ) (o 1 o
1
) de aqui por .igualdad de
matnces se s1gue que:
XI I + 2x21 1
,y, X 12 + 2x22 = o
4xtt + 9x21 = o 4xl2 + 9x22 1
Como la matriz de los coeficientes es igual a la de los dos sistemas, procedemos como en
el ejemplo anterior.
(! 2
9
1
o
n "" F
-4F1 + 2
(~ 2 1
-4
(~
o
1
9
-4 -n (**)
y de lo anterior concluimos que:
X¡¡ = 9 xl2 -2
X21 -4 X22 1
y por tanto, X =
(~ -n
Nota: Si nos detenemos un poco en (**) y observamos (*), establacemos que un mé-
todo rápido para hallar una matriz X es fonnar una matriz compuesta de la siguiente
manera:
i) A la izquierda de la raya 1 van los elementos de matriz conocida y a la derecha,

la matriz idéntica.
ü) Efectuar operaciones elementales entre filas, hasta que la matriz idéntica quede
a la izquierda de 1.
üi) La matriz que queda a la derecha de 1 es la mah"iz pedida.
Ejemplo: Si A =
(~
1
2
-1
iJ , hallar una matriz
X =
(XII
X21
X12
X22
x,. J de modo que AX = l
~=~
XJI XJ2 .).)
siguiendo las pautas de la nota anterior tenemos:
(~ n
1 1 1 o l 1 1 o o
2
-1
3
3
o
o
1
o
"" F
- F1+ 3
( o 2
-2
3
2 -1
o
o
1 o
J
odo de eliminación de Causs 43
""
2F1
u 2
2
-2
2
".)
2 - 1
2
o
o
l
o n ==
-F2 + FI
F2+ F3
(l~ ~J
o o
n
2 -1 2 - 1 "" - 5 lO -5
o 2 3 o l
5F1 10 15 o 5
o o 5 -1 5F2 o 5 - 1
(l~
"" F o o 9 -4 1""
F3 +
- 3F3 + F2
1
10
o
o
5
3
-1
2
1 -f] t lo F 1
~F2
F3
9 4 1
o o iO -iO iO
Luego la matriz pedida es

u 1
o
o ió
-5
1
3 2
5
1
3
iO - ¡o
5
1
J
(~
4
-4
(J
ió
X= 10
-5
1
2
iO
1
5
JJ 10
5
1
_l
- ¡o 2
2 -iJ
Se deja como ejercicio comprobar que con esta matriz X si satisface AX = l .
lesumen:
Consideremos un sistema de m ecuaciones con n incógnitas y repasemos los plantemientos
tle la página 34 y el concepto de rango fila.
Al resolver el sistema por el método de Gauss y si denotamos el rango fila por r, podemos
Gbtener las dos siguientes situaciones si el sistema tiene solución única.
i) Si r = n, el sistema tiene solución única.

ú) Si r < n, hay n - r variables libres y el sistema tiene infinitas soluciones.
• rema 1 Un sistema homogéneo de m ecuaciones lineales con n incógnitas

ne soluciones no triviales si n > m
Demostración:
Sea A la matriz ampliada de los coeficientes y términos libres. Esta matriz tiene m filas
tpues hay m ecuaciones), y por ende su rango filar , es a lo más m (r ~ m) . Pero sabemos
,or hipótesis que n > m, y como m ~ r, entonces n > r, luego por ii) del resumen anterior
sabemos que el sistema tiene infinitas soluciones y por tanto tiene soluciones no triviales.
44 Capítufo 2 Sistemas de ecuaciones lineales
EJERCICIOS
l. ¿Qué condiciones deben ser impuestas a a,b,c, para que los sistemas siguientes
tengan solución?
a) X + 2y + 3z a
- 2x + y z b
3x y + 2z e
b)
2x + 3y + z a
X + 2y 2z b
-2x + y + 3z e
Resolver los siguientes sistemas: a) por el método de la matriz escalonada; b) por el

método de Gauss; e) ¿cuál es el rango fila de la matriz de los coeficientes?;
d) ¿cuáles son las variables libres?; e) escribir los sistemas en notación matricial.
2. XI + 2x2 x3 - 4
2x 1 3x2 + 2x3 1
3x 1 + x2 4x3 - 21
3. X1 + x2 + x3 + x4 10
-4xl x2 + 2x3 + 3x4 9
5x 1 + 2x2 + 3x3 x4 13
-4xl 3x2 + x3 + 2x4 -3
4. 5x 1 2x2 + 4x3 5x4 5

XI + 2x2 + 3x3 4x4 20
-3x 1 + 4x 2 4x3 + 5x4 = - 3
4x 1 2x2 + 4x3 3x4 5
5x 1 + X2 3x3 + x4 - 20
5. X¡ + 2x2 + 3x3 + 6x4 = 9

2x 1 + 5x2 + 6x3 + 14x4 19
3x 1 + 6x2 + 10x3 + 21x4 29
Método de eliminación de Gauss 45
6. 3x 1 + 2x2 x3 + x4 o
2x¡ + x2 + x3 3x4 13
-2x 1 2x2 + 3x3 + x4 15
7. 2x¡ + 3x2 X3 + 4x4 + 3x5 5

4x 1 3x2 + x3 + 2x4 + 3x5 1
2x¡ 3x2 2x3 3x4 5x5 = - 10
X¡ + x2 + 4x3 + 6x4 + !Ox5 = 15
8. -X¡ + + 3x3 5x4 + 2xs = - 3

3x 1 x2 3x3 3x4 + 5x5 5
5x 1 2x2 3x3 llx4 + 12xs 7
15x1 4x2 21x3 + 3x4 + 14x5 29
- 5x 1 + x2 + 9x3 7x4 xs = - 11
9. X¡ + 2"\:2 o
2x 1 5x2 o
10. X¡ x2 + 4x3 = o
X¡ + 4x2 + x3 = o
2x 1 + 4x2 + x3 = o
11. -X ¡ x2 + 5x3 = o
2x¡ + x2 2x3 o
X¡ + + 3x3 o
12. 4x 1 x2 4x3 x4 xs o
-4x¡ 2x2 + 3x3 + 5x 4 + 4x5 o
- 3x 1 3x2 + 4x3 x4 o
2x¡ 5x2 + x3 8x4 5x5 = o
2x 1 17x2 3x3 + 8x4 + 7x5 = o
Para la matriz dada A, hallar una matriz X, tal que AX = 1
13.
A=
(
2
3
5
7
J
14.
A=
(
2
4
3
2
J
15.
A=
u l -2
7
1
-1
3
l
16. 1
-1 -2
A=
[1 -2
2
"
.)
-4 -i
17. Demostrar que:
a) suma de dos soluciones de un sistema homogéneo de ecuaciones también es
solución.
b) El producto de un escalar por una solución de un s istema homogéneo de
ecuaciones también es solución.
apítulo 3
Determinantes
INTRODUCCIÓN A LOS DETERMINANTES
Consideremos el sistema de ecuaciones lineales
+
+
en dos incógnitas x 1 y x 2•
Para hallar el valor de x 1, multiplicamos la primera ecuación por a 22 y la segunda por
-Q
12 , y al sumar obtenemos
b ,a 22- b2° 12
X1 =
0 11°22- a 21°12
Despejando a x2 en la misma forma que se usó para x 1 tenemos:
b2a,, - b,a2 ,
0 11a22- a 2 1°12
48 Capítulo 3 Determinantes
Como el denominador es el mismo para x 1 y x2 , definimos
IAI=
llamado determinante (de orden dos) de la matriz
El determinante de orden uno se define por la 11 1= all.

Consideremos ahora el sistema de tres ecuaciones lineales con incógnitas x 1hh
+ al2x2 + a 13x 3
+ 0 22X2 + 0 23X3
+ 0 32X2 + 0 33X3
Multipliquemos respectivamente estas ecuaciones por
C¡¡ = a22a33- a23°32

C21 = -(a12a33 - a13a32)
c31 = a,2a23- al3a22
Al sumar las ecuaciones resultantes, tenemos que
Si multiplicamos ahora las ecuaciones respectivamente por
C12 =- (a2,a33- a3ta23)

C22 = 0 11°33 -0 n°3t
C32 = -(a11°23- 0 21°13)
y al sumar las ecuaciones resultantes tenemos:

llltroducción a los determinantes 49
De igual manera si multiplicamos las ecuaciones respectivamente por
C13 = a21°32- ~2°3 1

C23 = -(a ,,a32- 0 21°31)
C33 = 0 11°22- 0 12°21
adremos
x~ = --------------------------------------------------
.) a,,o22o33 + a2,a32ol3 + a23al2o31- a3,a22ol3- o2,al2a33- o23a32a,,
omo el denonominador para x 1, x 2, x 3 es el mismo, definimos
a,, o,2 al3 0 11a22°33 + 0 21a32°13 + 0 23°12°31

IAI= a2l a22 °23
- 0 31°22°13- a21°12°33- 0 23a32°11
a31 a 32 a33
ado determinante de orden tres, de la matriz
A= ( :~: :~~ :~~ ·J

0 31 °32 °33 3x3
e resultado puede recordarse fácilmente por medio de la conocida ley de Sarrus
a) b)
diagrama a) indica cómo conseguir los tres primeros términos del determinante, en
to que el diagrama b) se refiere a los tres últimos. Los términos obtenidos en el
grama b) llevan el signo cambiado en el desarrollo del determinante.
mplos:
1 -~
a) 4
-5
1 = (8) (- 5) - (-5)(4) = - 20
b) -3 2
5 -2 1 = ( 1)(- 2)(3) + (5)(-4)(2) + (1)(- 3)(2) - (2)(- 2)(2) -
2 -4 3 (5)(- 3)(3)- ( 1)(-4)( 1) =5
Definición 1 El menor ij de un determinante IA I. denotado por M¡¡ ó IA,11, es el

determinante que resulta al suprimir la fila í y la columna j en un determinante.
a¡¡ C/ 12
Así, en A=
a21 a22 ' Ml l = d= la22l = a22
IA 1
all al:! al3

a22 a2'\
y en !A l= a21 a22 a~~
-~
, M ll= IA, d = = a22a33- a32a23
a32 a33
a 31 C/32 a33
all al3
M 32= IA 321 = a21 a23
= alla23 - a21al3
a ,l a13
M 22= IAnl = a 31 a31
= a1 1a33- a 13a 31
Definición 2 El cofactor ij denotado por e¡¡ (o por C;J, sí se desea especificar

que es respecto a A), se define por:
0 11 al2
Así, en A =
0 21 C/22
al1 a12 a13

a21 0 23
!A l= a21 an a23 e L~ = ( - 1) 1t 2 M L., = - M L.., = - =a21a33 - 0 3la13
a •..,
' a31 a33
a31 0 33
~-
e33 = (- 1) 3+3 M 3.>• = M 33 =

Introducción a los determinantes 51
Obsérvese que el signo de los cofactores vienen dados en el siguiente orden:
[~ +
~J y en general por
...(-!)'+"]
[j, +
(-J)n-2
... (- 1)2+11
Volvamos nuevamente a la definición de determinante de orden tres:
a,2 a,3 0 11a22a33 + a2,a32a13 + a23al2a31

a22 0 23
- a31a22°13- 0 2na12a33- a23°32a11
a32 a33
Si factorizamos en el segundo miembro a 11 , - a 12 , a 13 , tenemos:

Al = a 11 (a22a 33 - a 32a 23) -ada21 a 33 - a31 a23 ) + a 13 ( a 21 a 32 - a 31 a 22 ) o sea:
Al= all
por tanto,
Si factorizamos -a21 ,a22, -a23 , tendríamos:
Factorizando a 31 , - a 32 , a 33 , se tiene·, IAI = a 31 c31 + a32c32 + a 33c33

Factorizando a 11 , -a21 , a 31 , se tiene, IAI = a 11 c 11 + + a 31 c31
a 21 c21
Factorizando - a 12, a 22 , -a32 , se tiene, IAI = a 12c 12 + a 22c22 + a32 c32

Factorizando a 13 , -a23 , a33 , se tiene, IAI = a 13c 13 + a 23c23 + a 33c33
Esta manera de conseguir el desarrollo de un determinante de orden tres, nos sugiere la

Kiea de cómo debe ser definido un determinante de orden cuatro, cinco y superiores.
52 Capíwlo 3 Determinantes
Definición 3 Sea A una matriz cuadrada de tamaño n n, el determinante de x

esta matriz denotado por !Al, está dado por la suma de los productos de los
elementos de cualquier fila (o columna) por sus respectivos cofactores.
all a l2 alJ aln

0 21 a22 a2J a2n
Si IAI= , entonces,
ail a,¿ a¡¡ a in
anl a,a anj ann
IAI = anc11 + a,--zca + ··· + aiJciJ + ··· + a;,,C¡11 (desarrollo por la fila i, i = 1, 2, ·· ·, n)
Ejemplos:
4 -1 -4
a)
-1
-2
-1
3
¡ = 4 1 -~ ¡1- 1-; --: 1+ (- 1)
=~
-4
= 4 (- 13) +8- (2) (-7) =-52+ 8 + 14 = - 30
(-2) 1 3
4 -3 -3 4
-1 2 1
-1 2 o 1
5 -2 -5
b) 5 -2 3 -5 = (- 3) +
-1 2 1
-1 2 o 1
-1 2 1
3 5 -2 -5 = (- 3) (O)+ 3(0) =O
-1 2
En el ejemplo a) se desarrolló por la primera columna.

En el ejemplo b) se desarrolló por la tercera columna pues como hay dos ceros, solamen-
te resultan dos detennjnantes de orden tres.
Propiedades de los determinantes 53
PROPIEDADES DE LOS DETERMINANTES
Propiedad 1
El determinante de una matriz cuadrada es igual al determinante de su transpuesta.
Demostración:
Por introducción sobren.
a) Para detem1inantes de orden 1, !Al= la1¡J = a 11 y IA'I = la 11 1= a 11 . Luego !Al=
IA'I
b) Supongamos la propiedad verdadera para n = k, es decir, suponemos válido que
!Al = IA'I si A es de tamaño k x k. (Hipótesis de inducción).
e) Probemos que la proposición es verdadera para n = k + 1, es decir debemos
probar que !Al= IA'I si A es de tamaño (k+ l)(k + 1).
Si A es de tamaño (k+ l)(k + 1), entonces desarrollando por la primera fila
tenemos:
!Al = aii!Attl - at2 1Ad + ... + (- 1) l+n IAtnl
Como las matrices A 1; son de tamaño k x k, aplicando la hipótesis de inducción
vemos que lAlil = IA'Iil para i = 1, 2, · · · , n y por consiguiente:
IAI =attiA't d- a12IA'd + '" + (- 1) J+n IA'tnl
y el lado derecho de esta expresión es el desarrollo de IA'I por la primera colum-
na de A. Luego !Al = !Al
Corolario. Toda propiedad de un determinante enunciada en términos de fila, origina
.a nueva propiedad enunciada en términos de columna.
hopiedad 2
cada uno de los elementos de una fila (o columna) de un determinante, es igual a cero,
valor del determinante es cero.
Se desarrolla el determinante por la fila (o columna) que tiene todos los elementos iguales
hopiedad 3
dos filas (o columnas) de un determinante son intercambiadas, el signo del determinan-
le queda cambiado.
stración: a b e g h
d e f d e f
g h a b e
Demostración:
(Por inducción). Sea IAI el determínate original y IBI el determinante obtenido de IAI,
intercambiando dos filas, probaremos que
IBI = -IAI
a) Para determinantes de orden dos, se tiene:
O ¡¡ 0 12
IAI= 0 21 a22
= 0 11 ° 22- 0 21°12
0 21 a 22
IBI = O¡¡ 0 12
= a l2a 21 - a ¡¡ a 22 = -IAI
b) Supongamos verdadera la propiedad para determinantes de orden n-l. (Hipó-

tesis de inducción).
e) Demostremos la propiedad para determinantes de orden n, suponiendo que IBI
es obtenido de IAI intercambiando la fila i y la fila j. Sea k :t; i y k :t; J.
IBI = akl c_R + ak2ck~ + ... + a,mc/o~ (desarrollando por la k-ésima fila).
por hipótesis de inducción tenemos:
Propiedad 4
Si un determinante tiene dos filas (o columnas) iguales, el determinante vale cero.
Ilustración:
a b e
d e f =O
a b e
Demostració n:
Supongamos IAI tiene iguales las filas i y j sea IBI el detem1inante obtenido de IAI,
intercambiando las filas i y j. Naturalmente IBI = IAI
Sin embargo por la propiedad anterior
Bl = - IAI, entonces IAI = - IAI, luego 2 IAI = O y por tanto IAI = O
Propiedad 5
Si cada uno de los elementos de una fila (o columna) de un determinante se multiplica por
el mismo número k, el valor del determinante queda multiplicado por k.
lustración:
a b e a b e
kd k e kf = k d e f
a b e a b e
Demostración:
Sea IAI el determinante original y IBI, el determinante obtenido de IAI, al multiplicar todos
los elementos de la fila i por k. Desan·ollando IBI por la misma i-ésima fila, tenemos:
B = kail CAil + kai'2cA

i'2 + ... + kainC inA =
IBI=kiAI
Propiedad 6
Si cada uno de los elementos de una fila (o columna) de un determinante se expresa
como la suma de dos o más términos, el determinante puede expresarse como la suma de
dos o más determinantes.
ustración:
a b e a b e a b e
d+D e +E j+F d e f + D E F
g h g h g h i
Demostración:
all a l2 a ,j a,,
0 21 a22 a2j a2n
an+a',. 1 ai2+a',.2 aiJ+a'iJ ai,+a'in
a ni an2 a,j ann

all al2 alj aln all al 2 alj aln

a21 a 22 a2j a2n a2, a22 a 2j a2n
+ ,_ a ' ij
/
a ¡¡ a,¿ a ij a in a il a' ., a' in
anl an2 a,if ann anl an2 anj 0 nn
Propiedad 7
La suma de los productos de los elementos de una fila (o columna) de un determinante
por los correspondientes cofactores de la otra fila (o columna), es cero.
Demostración:
Sean
a,. a,2 aln
a 21 a22 a 2n
a¡ ¡ ai2 a in f- fila i
IAI=
ajl aj2 ajn f- fila}
a,2 a ,,
a"'
IBI = O pues tiene dos filas iguales. Por otro lado desarrollando IBI por la i-ésima fila
tenemos,
9 =o
aji Cil8 + aj2Ci28 + ... + ajnCin
Bl =
Pero C8 = C~, C~ = C~ , · · · , C;,~= C;~ y, por tanto,
~; 1 C;1 + aj2C;1 + ·· · + ajnct = O, que era lo que queríamos probar.
Reuniendo en una sola propiedad la definición de determinante y la propiedad anterior,

tenemos:
Propiedad 8
La suma de los productos de los elementos de una fila (o columna) por los correspondien-
tes cofactores de esa fila (o columna), da el valor del determinante; pero la suma de los
elementos de una fila (o columna) por los conespondientes cofactores de otra fila (o
columna), da cero.
Propiedad 9
El valor de un determinante no cambia si a los elementos de cualquier fila (o columna) se
le suman k veces los correspondientes elementos de cualquier otra fila (o columna).
Demostración:
all a l2 aln
Sean
a2l a22 a2n
a il a;2 a in f- fila i
IAI= y
aj l aj 2 ajn f- fila}
anl a,2 ann
a¡¡ a¡2 a¡n

a21 a22 a2n
ail+kajl aj 2+ kaj 2 a;n+kaj n f- fila i

IBI =
aj1 aj 2 ajn f- fila}
anl an2 a m,
veamos que IAI = IBI.

Desarrollando IBI por i-ésima fila tenemos:
como e~ = ~ ' eg = el~ ' ... ' cf,, = e~ ' tenemos:
~ + a11 e1~ + ... + 0;11 e;~) +k (aj 1 e~ + ape~ + ... + ajne;~) = IAI +O
por la propiedad 8.
Por consiguiente, hemos demostrado que
IBI = IAI.
Observación:
La fila (o columna) cuyos elementos son multiplicados por k quedan invariantes y sola-
mente los elementos en la fila (o columna) aumentada se remplazan por la correspon-
diente suma algebraica.
a, a2 a3 a, a2 a3
b, b2 b3 = b 1 + kc 1 b2 + kc2 b3 + kc 3
e, c2 c3 C¡ c2 c3 , pero
a, a2 a3 O¡ a2 a3
b, b2 b3 b 1 + kc 1 b2 + kc 2 b3 + kc3
C¡ c2 c3 kc 1 kc 2 kc 3
Propiedad 1O
Sean A y B matrices cuadradas del mismo tamaño, entonces
IABI = IAI IBI

Esta propiedad no se probará debido a que su demostración es complicada. Obsérvese
que
IABI = IAI IBI = IBI IAI = lB Al; es decir IABI = IBAI

Plopiedades de los determinantes 59
Ejemplos:
1 -1 -4 -1
a)
o -4 -2 3
o 4 1 -3
o -1 o 5
-4 -2 3 4 o -3
..,
4 1 - 3 2F +F 4 1 -.) = le22=
2 1
-1 o 5 -1 o 5
1~ - 35 1 = 20 - 3 = 17
-7 3 4 -5 = 2 o -2 4
-3 l 2 - 3 - 3F2 + F1 -3 1 2 - 3
b) 2F2 + F 3
2 -2 4 5 -4 o 8 - 1
::::
-4 3 5 8 -3F 2 + F4 5 o -1 17
2 -2 4 1 -1 2
IC22 = -4 8 - 1 =2 -4 8 - 1 el + e2 (*)
5 - 1 17 -2e1 + e 3
5 -1 17
1 o o
-4 4 7 =1 1: ~ 1 = O , por tener dos filas iguales.
5 4 7
(*) el + e 2, indica sumar la columna 1 a la columna 2.

-2 el + e 3, indica multiplicar la columna 1 por - 2 y sumársela a la columna 3
1 o o
e) X y z -el+ e2 X y-x z- x
x2 y2 z2 - e 1+ e3 x2 y2-x2 z2-x2
1
= y2 -x2
y-x z- x
z2 - x 2
l = l(y -(v-x)(yx)+ x) (z - x)
(z + x)(z - x)
1
Propiedad 5
(y - x) (z - x) 1 (y ! x)
= (y- x) (z - x) (z - y)
60 Capftulo 3 Determinantes
EJERCICIOS
l. Calcular el valor de los siguientes determinantes
e) 5 -3
a) 1 1
-2 3 5
- 2. Utilizando la ley de Sarrus, evaluar
3 6 -3 -4 -1 -5
1 -6
a) o 3 -5 b) 1 -1 4 e) 2 -2 -4
4 6 -2 4 -4 6 4 2 1
3. Utilizando las propiedades, evaluar los dete1minantes anteriores.
4. Calcular el valor de:
2 -3 4 2 3 -1 5
a)
3 4 -7 6 b)
3 2 1 -6
5 6 -7 5 -5 -7 2 -8
-8 -9 1 2 4 -4 2
2 4 6 -3
e) o 2 8 -9
o o -2 -6
o o o 2
5. Demostrar que si A es una matriz triangular, el determinante de A es el producto de

sus elementos diagonales.
6. Sin desarrollar, demostrar que :
a b e y b t Z X y
x y z =x as U t
S
S t U z e u e a b
Comprobar que
1 1
7. X y z =~ - ~~ -~ ~ - ~~ +y+ ~
x3 y3 z3
x-y-z 2x 2x
8. 2y y-z-x 2y = (x +y+ z)3
2z 2z z-x-y
(b + c)2 a2 a2
9. b2 (a+c) 2 b2 = 2abc(a+b+ c)3
c2 c2 (a+b) 2
a2 a 2 - (b-e)2 be
10. b2 b2 - (c-a)2 ca = (a- b) (b-e) (e- a) (a + b +e) (a2 + b2 + e2)
c2 c2 - (a- b)2 ab
(x, +y,) (x2 + Y2) (x3 + Y3) X¡ y, Z¡

ll. ~~ +z¡) ~2 + z2) ~3 + z3) = 2 x2 Y2 z2
(x 1 + z 1) (x2 + z2) (x3 + z3) x3 Y3 z3
Resolver los siguientes determinantes:
a 1
12. a
a
y +z y z
13. X x+z z
X y x+y
I+a 1
1 1-a 1 1
14.
1 1 l +b 1
1 1 1 1- b
Resolver:
15. 1 X+; -5 ¡
x+7
-1 X -1
16. X -1 -2
-2 2 1
17. -1
A, e-\
t..,
-2
-2
2
-1 -1 A- - 1
A--2 3 5
18. o /..,-3 2
o o A--7
19. Sean Ay B matrices cuadradas del mismo tamaño, de modo que AB = l. Demostrar
que:
a) IAI * O y IBI * O
l
b) IBI = iAi
20. Demostrar que IA171 = IAI17 , n = 0,1,2, ...
21. Demostrar que si A es una matriz ortogonal, entonces IAI = ±1
22. Demostrar que si A es una maniz idempotente, entonces IAI = 1 ó IAI = O
23. Sea A una matriz cuadrada y B una matriz obtenida de A, aplicando una operación
elemental entre filas; probar que:
IAI * o ~ IBI * O.
24. Sea A una matriz cuadrada y E su matriz escalonada reducida; probar que:
IAI * O ~ IEI * O.
Regla de Cramer 63
REGLA DE C RAMER
Consideremos el sistema de n ecuaciones con n incógnitas.
a 11 x 1 + al 2x2 + ···+ a 1¡x¡ + + a¡,fn = b,

a 21 x 1 + 0 22x2 + ··· + a2i X¡ + + a2¡¡-Xn = b2
a 11 1x 1 + 0 n2x2 + ··· + a ni X¡ + ... + an¡¡Xn = bn

Sea
a¡¡
[al\
0 12
a," 1
:~:
a 2, 0 22 a2i
:\=
a:" 0 n2 a ni
la matriz de los coeficientes.

\amos a hallar el valor de x¡; para ello se multiplica la primera ecuación por C 1;; la
ttegUnda por c2i; la tercera por c3i; etc, y la última por cni; y tenemos:
O¡¡ C¡¡X¡ + a12C1h + ··· + a¡; Ctr; + + a ln Clrn = b 1C 1¡

0 21 c2r1 + a22 c2h + ·· · + 0 2; C2r; + + a2n C2rn = b2C2;
0 nt cnr 1 + a112 Cnr2 + ... + ani Cnri + ... + ann Cnrn = bnCni
Al sumar estas ecuaciones, obtenemos:
,el 1. +
-
a2,- c2 1. + ... + a 2c171.) x2 +
11
Por la propiedad 8, se desprende que
y de acuerdo con la definición de determipante, tenemos que:
a ¡¡ al2 a l,i- 1 b¡ al ,í+ l a ¡,

a 21 a 22 a 2,i-l b2 a 2,í+ l a 2,
IAi x;=
a,¡ a ,2 an,i- 1 b/1 an.i+ J
... a,,
Luego si IAI :t: O, se tiene:
a!L al2 al ,i-1 b¡ al ,i+J a¡,

a21 a 22 a 2, i- l b2 a2,i+ l a 2,
a,, a ,2 a n,i- 1 b, a , ,i+l a ,, _ IB~l

x.=
1
IAI -w
para i = 1,2, ... , n
Conclusión:
El denominador es el detenninante IAI, obtenido con los coeficientes de las incógnitas.
El numerador es el determinante IB;I, obtenido al remplazar en el determinante IAI, la
columna de los coeficientes de la variable X ; que se desea despejar, por la columna de los
términos libres.
&egla de Cramer 65
.ljemplo: Resolver el siguiente sistema aplicando la regla de Cramer.
- xl + x2 + x3 = 7
XI x2 + x3 3
xl + x2 x3 1
-1 1 1 7 1
IAI= 1 -1 1 = 4, IB 11= 3 -1 1 =8
1 1 -1 1 1 -1
-1 7 1 -1 1 7
IB2I = 1 3 1 = 16, IB31 = -1 3 =20
1 1 -1 1 -1
=-8 = 2, x2 = 4 = 4, x3 = ~ = 5
16
X
1 4 4
EJERCICIOS
Resolver los siguientes sistemas de ecuaciones aplicando la regla de Cramer.
1.
+ 6
13
2.
- 15x 1 + 13x2 -2
- 9x 1 + 11x2 = 2
5x 1 + 2x2 x3 3
3. 2xl + 3x2 + 4x3 = - 1
3x 1 + 4x2 + 2x3 = 8
- 2x 1 + 3x2 x3 - 5
4. - 3x 1 + x2 2r3 = - 12
XI + 2x2 3x3 - 1
66 Capítulo 3 D eterminante
XI + 3x2 x3 2
4x 1 + x2 2x3 + 3x4 4
5.
-xl + 5x2 + 3x3 X4 1
3x 1 + 2x2 + x3 + x4 -2
- 2xl + 3x2 + 2x3 = -1

XI + x3 2x4 3
6. 2x 1 + 2
x2 x4
x2 + x3 4x4 o
o 3 Determinantes
Capítulo 4
Inversa de una matriz
Definición 1 Sea A una matriz cuadrada de tamaño n x n. Se dice que A es

invertible o no singular si existe una matriz cuadrada de tamaño n x n, tal que
AX = XA = I
· X se denomina una inversa de A.
Teorema 1 Si A tiene inversa, es única.
Demostración:
-u pongamos
AX =XA=I
AY =YA= 1
- =XI= X(AY)= (XA)Y = IY = Y

or consiguiente hablaremos de la inversa de la matriz A y la denotaremos por A- 1 .
Definición 2 Si n es un entero positivo y A es una matriz invertible, se define
A -n A-l A-t ... A-1

nveces
68 Capítulo 4 Inversa de una ma ·
Definición 3 Sea A una matriz de tamaño n x n. Formemos la matriz con l

cofactores de los elementos del determinante de A y tomemos su transpuesta. La
matriz así obtenida se llama la adjunta de A. Es decir,
elt e2I en!

e12 e22 en2
adj A =
eln e2n enn
Teorema 2 A (adj A)= (adj A) A = IAI 1 (*)
Demostración:
Por la propiedad 8 de los determinantes, tenemos •BKn-tración:
a¡¡ en] A e inYe -
a¡z aln el! e2I
az¡ azz azn e1z e22 en2
A (adj A)=
anl an2 ann e in e2n enn los:
IAI o o
Si A= l~
o IAI o
= IAI 1 adj A= (_ -
o o IAI
luego si A=
De manera análoga se demuestra que (adj A) A= IAI 1
Hallar la inY
Corolario. Si IAI 7:- O, la inversa de la matriz A es:
A- 1 = -
1 adj A
~
Demostración:
Multiplicando la ecuación (*)por ~ tenemos:
A(~ adjA) = (~ adjA) A=l,luegoA- 1 = ~~ adjA

:: con los Teorema 3 Si A es invertible, entonces, IAI ::¡:. O
uesta. La
Demostración:
Supongamos que A es invertible, entonces, AX = XA = 1, por consiguiente, IAXI = 111,
entonces IAI lXI = 1, luego IAI ::¡:. O
Teorema 4 Si A es invertible, entonces el sistema de ecuaciones lineales
AX=b
tiene solución única y viene dada por X = A- 1b
Demostración:
Como A es invertible, existe A- 1, luego A- 1(AX) =A-lb==>
(A- 1A) X= A- 1b ==>IX= A-! b ==>X= A- 1b
Ejemplos:
a) Si A= ( ~ ~) con IAI ::¡:.O, tenemos,
ad· A= ( d -b) A- l = -1 ( d -b)

lJ -e a y !Al -e a
b) Hallar la inversa de A, si existe
1 1
A= O 2
(
1 -1
- A
70 Capítulo 4 Inversa de una matriz
~ = -1-i ~ 1=-4,
Además como AX = L
cl3 =1 -i 1=-2, c 21
c22 =1 ~ 1=2, c23 =- 11

1
-i l= 2
=1 2 ~ 1=1, ~ 1=-3
1 1
c31 c 32 = -1 o lo que da origen a los .: =
9-4 lJ
Luego la adj A=
(-2
2 2
3 2 -3 ,y
Como IAI :t:. O, por el tec~Jil

IAI =1C¡¡ + 1Cl2 + 1Cl3 =9 + 3-2 =10 los x!J son únicos y, por_
Por consiguiente, A tiene inversa y
9-4 1]
A - 1 = _!_
10 (-2 3 2 -3
2 2
Como se observa, este método es un poco extenso para calcular la inversa de una matriz;
especialmente si la matriz es de gran tamaño; por tanto, trataremos de buscar un método es única, que lo que de.:>_
rápido que permita calcular A- 1. Esto nos permite concl · -
Definición 4 Sea A una matriz cuadrada de tamaño n x n. Se dice que A tiene

una inversa por la derecha, si existe una matriz cuadrada X de tamaño n x n,
tal que Teorema 6 Si AX = L
Demostración:
De manera análoga, se define inversa por la izquierda.
A(XA + X - 1) = A (XA -
IA+I-A=A+I-A=
Teorema 5 La inversa por la derecha es única.
esto es A(XA + X - 1) = l.
pero como AX = 1, es d ~
Demostración: reorema anterior que,
Como AX = 1, entonces IAXI = 1, luego IAI IXI = 1, lo que nos indica que IAI :t:. O. XA+X-I=X~XA =I
-o 2 Inversa de una matriz 71
Además como AX = 1, tenemos:
a¡¡ at2 aln X 11 xl2 X In 1 o o

a2t a22 a2n X21 x22 x2n o o
a ni an2 ann X ni xn2 xnn o o 1
lo que da origen a los siguientes sistemas de ecuaciones:
X¡¡ 1 X¡2 o X¡n o

x21 o x22 1 X2n o
A A ,···,A
'
xnl o xn2 o xnn 1
Como IAI -:;:. O, por el teorema 4, cada uno de estos sistemas tiene solución única, esto es
los X¡¡ son únicos y, por consiguiente,
X ¡¡ X1i Xln
X21 X22 x2n
X=
~ a inversa de una matriz;

es única, que lo que deseábamos probar.
-~ ~r de buscar un método
Esto nos permite concluir que si
AX=I}
1. Se dice que A tiene AY = I =>X=Y
- X de tamaño n x n,
Teorema 6 Si AX = 1, entonces, XA = l.
Demostración:
A(XA + X- 1) = A (XA) + AX- A = (AX) A + AX- A =
IA+I-A = A + I-A =I
esto es A(XA + X - 1) = 1, lo cual muestra que XA + X - 1 es una inversa a derecha de A;
pero como AX = 1, es de.cir, X es también una inversa a derecha de A, se concluye por el
teorema anterior que,
XA+X-I=X=>XA = I.
Corolario. Si A tiene inversa por la derecha, es invertible. En nr.y·., ,_,,.,.
Lo anterior nos enseña que para calcular la inversa de una matriz sólo es necesario hallar
la inversa por la derecha.
Ejemplo: Dada la matriz A = ( ~

1
2
1 -1
i), debemos hollar una matriz X tal que
AX=I
Como se observó en la nota al finalizar el capítulo 2, y señalada como importante vimos

que la manera de conseguir esta matriz es: Formar una matriz compuesta de la siguiente
manera:
i) A la izquierda de la raya 1 van los elementos de matriz conocida y a la derecha,

la matriz idéntica.
ii) Efectuar operaciones elementales entre filas, hasta que la matriz idéntica quede
a la izquierda de 1.
iii) La matriz que queda a la derecha de 1 es la matriz pedida.

Siguiendo estos planteamientos obtuvimos:
[~ ~J
9 4
o o o
jJ
u
1 1 1 iO - iD
2 3 o 1 :=:
1 o
3
iO
2
iO 10
-1 3 o o o 1 5
1 1
5 5
1
Luego X =
[ 10
9
3
iO
- -1
10
•
2
iO
-1 -n~ 10
[9-4 lJ
3
-2
2 -3
2 2
5 5
Llamaremos este método, método rápido
Ejemplo: Resolver el sistema
x1 + 2x 3
2x 1 3x2 -4
triz 73
En notación matricial AX = b, el sistema es:
-"---~-- hallar
Por tanto X = A- 1b o sea
(_-32 -1) (21) ; lo que indica, x

ar zma matriz X tal que 1
_ 1= 1, y x 2= 2
5 1
EJERCICIOS
-amo importante vimos
...._-.......!:.....:""'-""""
- - mpuesta de la siguiente l. Demostrar que si A es una matriz invertib1e, A - I es invertib1e y (A- l )- 1 = A
.= :onocida y a la derecha, 2. Si A y B son matrices cuadradas del mismo tamaño e invertib1es, demostrar que AB
es invertible y (AB)-1 = B-1 A-1
_ ~ la matriz idéntica quede 3. Demostrar que lmij Al= IAin-l
-- Ga. 4. Demostrar que si A y B son matrices no singulares del mismo tamaño entonces
adj (AB) = (adj B) (adj A)
4 5. Demostrar que si A es no singular

-
-
10
2
iO
1
5
Jj10
5
1
adj (adj A) = IAin-2 A
Si existe, hallar la inversa de las siguientes matrices, tanto por el método de la adjunta
como por el método rápido.
6. c3 !)
' 2
7. (-35 -24)
8. (-¡ _¡)
-1
1
9.
10.
[
-i _; -~ -~
4
3
5 -6
4 -9
2
1
l Capítulo
Resolver los sistemas de ecuaciones de los ejercicios de la sección 3 del capítulo 3, por el
método de la matriz inversa.
Definición 1
LOS elementos de 2
Ejemplos:
Definición 2 Sem1 ~ •
~e
Ejemplo: Si (3 - x 1• ~
Je la igualdad entre '
- Inversa de una matriz
Capítulo 5
Vectores en JRn
- .3 del capítulo 3, por el
ÁLGEBRA DE VECTORES Y PRODUCTO INTERNO
Definición 1 lR" = {(x 1, x 2, ••• , x) 1 x; E JR, i = 1, 2, · · · , n}
os elementos de lR" son llamados puntos o vectores.

Ejemplos:
(2,3,4) E JR3
(-3,2,1,5) E JR4
(3, -4) E JR2
(-2, i, 4) ~ JR3
Definición 2 Sean X= (x 1, x 2 , • • • , X 11), Y= (y 1, y 2 , ••• , Yn) elementos de lR". Se dice

ue
X = Y sí, X¡ =y¡, i = 1, 2, · · · n
Ejemplo: Si (3- x 1, 2 + x 2 , 5- x3) = (-3, 4, 8). Hallar el valor de x 1, x 2 , x 3 .

:Je la igualdad entre vectores, se deduce
3 -x¡= - 3::::>x¡ 6
2+ X2 = 4 => X2 2
5- X3 = 8 => X3 = - 3
76 Capítulo 5 Vectores en IR" Álgebra de vectores
Definición 3 Sean X = (x 1, x 2, · ·· , X 11 ), Y= (y 1, y 2 , ··· , Yn) elementos de lR" y e un M3. (cd)X = e( _-

número real (escalar) , se define: M4. 1X=X
X+ Y= (x 1 + y 1, x 2 + Y2' · · · , xn + Yn) Demostración:

eX= (cx 1, cx2 , · · · , CX11 ) A manera de ilustra;:
Naturalmente X+ Y y eX son nuevamente vectores de lR".

c(X +Y)
Ejemplo: Si X = (3, 5, -6), Y= (--4, 8, 5)

X+Y = (-1 13 -1) SX = (1 6 25 -30) -3Y = (12 -24 -15)
' ' ' ;;¡, ' ' ' '
El vector de lR" que tiene todas sus componentes iguales a cero, se denota por O,
O= (0, O, · · · 0), y se denomina el vector cero (o cero vector).
Definición 5 U1:
Definición 4 Si X, Y E lR"
Si V= (A, B) es un·
respectivamente del ·
-X ( - 1)X dice que está localiz.!.
X-Y X+( -1) Y Denotaremos V = (-
Portanto,si X= (x¡,X2,··· ,xn), Y=(y¡,y2,···,yn)
-X ( -X¡ ' -X?_, ··· ' -X n )

X-Y X+( -l) Y = (Xt- Yt, X2- Y2, ···, Xn- Yn)
Teorema 1 Para cualesquier vectores X, Y, Z E JRn y cualesquier e y d escalares

(números reales), se tiene:
S l. (X + Y) + Z = X + (Y + Z) Definición 6 Sea.
B-A=D - C
S2. X+Y=Y+X
áJ-~ X+O = X
S4. X+ (-X)= O Ejemplo: Sean U = .
.\YU. ,e (X+ Y) = eX+ e~ A=(1,2,3)B=(--4. ~:

---=-
M2. ~e + d)X = eX + dX C=(2, 1,4)D=(-3. :._
---';;,-
:2:J 'tu/o 5 Vectores en lR" Álgebra de vectores y producto interno 77
M3. (cd)X = e(dX.)

-ementos de JR" y e un
M4. lX=X
Demostración:
A manera de ilustración, probaremos la propiedad MI, las demás quedan como ejercicio.
c(X +Y) c(x 1 + y 1, Xz + yz, 00

• , Xn + Yn)
(ex ¡ + cy¡, cxz + cyz, ... , CX n + cyn )
(ex¡ , cxz, 000

, cxn) + ( cy¡, cyz, 000
, cyn)
c(x¡ , xz, 000

, Xn) + c(y¡ , yz, ooo ,yn)
_::e denota por O, eX+ cY
Definición 5 Un vector dirigido es una pareja ordenada de elementos de lR".

Si V = (A, B) es un vector dirigido, los puntos A, y B son llamados punto inicial y final
respectivamente del vector V . Además, el vector V, tiene una dirección de A hacia By se
dice que está localizado en A.
Denotaremos V = (A, B) por V = AB
_ __ ... , Yn)
-X - Yn )
A
'Squier e y d escalares
Definición 6 Sean U = AB y V= CD . Se dice que U es equivalente a V, si

B-A = D-C
Ejemplo: Sean U = AB y V = CD donde

A= (1, 2, 3) B = (-4, 3, 2)
e= (2, 1, 4) n = (- 3, 2, 3)
78 Capítulo 5 Vectores en lR11
Los vectores U y V son equivalentes puesto que
B-A=D - C = (-5 , 1, -1)
Definición 7 Sean U = AB y V = CD.

a) Se dice que U es paralelo a V si existe un número e 7:- O, tal que
B-A=c (D - C)
b) Si e > O, se dice que los vectores tienen el mismo sentido.
e) Si e < O, se dice que los vectores tienen sentido opuesto.
Ejemplo: Sean U = AB y V = CD donde
A = (l, 1) B = (3 , 3)
e= (3 , 1) D = (5, 3)
Si consideramos .·e-_
basta conocer las
Entonces U y V son paralelos y con el mismo sentido pues las coordenadas de:
vector X= (1 3
' '
B- A= 1(D- C)
Definición 8 Sea _
ud de X, denotada
Además son equivalentes.
Ejemplos:
a) Si X =(1,
A e b) Si X =(2, 3. _
·amos a analizar
~.::calar por un
vector
sualizar para el cas~
Es claro que si dos vectores son equivalentes, ellos son paralelos y con el mismo sentido.
Más adelante, podemos apreciar que ellos tienen la misma longitud. - anX =(x 1,x2), Y= .
Capítulo 5 Vectores en IR" .i.!gebra de vectores y producto interno 79
Es de observar que AB es equivalente a O (A - B ), donde O es el punto cuyas compo-

nentes son todas iguales a cero.
e "# O, tal que
sentido.
'Puesto.
Si consideramos vectores localizados en el origen, para determinarlos completamente

basta conocer las coordenadas del punto final y, para ello, indicaremos un vector sólo con
las coordenadas del punto final; de ahí que los elementos de ~n se llamen vectores. Así el
vector X = (1 , 3, 4) es el vector localizado en el origen y punto final en (1, 3, 4).
Definición 8 Sea X= (x 1, x 2, ••· , xn) un vector de lR". Se define la norma o longi-

ud de X, denotada por IIXII como
IIXII = ~x~ + x~+ ... + x~
Ejemplos:
a) Si X =(l, 3, - 4, s)~IIXII=~1 + 9+16 + 25 =JSl

b) Si X =(2, 3, 4, - s)~ IIXII = ~4+9+16+25 =.J54 =316
Vamos a analizar geométricamente la adición de dos vectores, la multiplicación de un

escalar por un vector y la norma de un vector, para el caso de dos dimensiones; se puede
Yisualizar para el caso de tres dimensiones y abstraer para dimensiones mayores.
:: : ;- on el mismo sentido.
d.
Sean X= (x 1, xJ, Y = (y 1, y2) dos vectores de 1R 2.
80 Capítulo 5 Vectores en ~ !!'=bra de vectores y proc __
~ norma de un vector ;~
to final X.
1
1
1
1
1
1
1
1 Y=(x21 + Y¡)
1 1
1 1
1 1
1 1
1
Por tanto, la manera como hemos definido la adición de dos vectores coincide con le. - análisis geométrico de 12. -
conocida ley del paralelogramo.
La multiplicación de un escalar e por un vector X consiste en amplificar el vector X, le
·1
veces. Si e> O, eX tiene el mismo sentido que X, y si e< O, eX tiene sentido opuesto a X
y
y
+
: cX=(cx 1 , cy 1 )
X=(xl , Y¡)
--~-------------------+x
XI CX1
X
c>O
~ X= (x 1, .x¡2) un vector de~-
5 Vectores en IR" -\lgebra de vectores y producto interno 81
a norma de un vector indica claramente su longitud, o sea, la distancia del origen al

unto final X.
~-- X, --~
= ·ectores coincide con la El análisis geométrico de la diferencia de dos vectores X y Y nos conduce a
~ ~ amplificar el vector X, lcl

_:x_ ·ene sentido opuesto a X.
y
+'_¡_. +'_¡_.
X=(x 1 , y 1 )
c<O
-ea X= (x 1, .x¡2) un vector de IIR 2 y a el ángulo que forma con el eje X.
82 Capítulo 5 Vectores en lR"
y, ... .. ................. ..... .
Se puede probar (véas _

23 y e es el ángulo err·~-
Naturalmente se tiene que
cosa = M' sen

X¡
Definición 9 Sean _- =
Sean ahora X = (x 1, x 2), Y= (y 1, y 2) dos vectores de Sea e el ángulo entre los dos
lR2. dtferente de cero y e
vectores. Vamos a hallar una fórmula que nos permita conseguir el valor de cose. Definimos
co
Probaremos un poco ma::

::¡ue debemos garantizar
Definición 1O Sean X =
Jefine su producto inte
Capítulo 5 Vectores en IR" Álgebra de vectores y producto interno 83
8==a-~
cos e = cos( o_ - ~)
cose = cos a cos ~ + sen a sen ~
Se puede probar (véase ejercicios) que si X= (x 1, x 2 , x3) , Y= (y 1, y 2 , y 3) son vectores de

~3 y e es el ángulo entre los dos vectores, entonces
==
Definición 9 Sean X = (x 1, x 2, ... , xn), Y = (y 1, Yl• ... , Yn) dos vectores de JRn y
diferente de cero y e el ángulo entre los dos vectores.
1::: - ~ - :_-ea e el ángulo entre los dos
r- - :::eguir el valor de cos e. Definimos
Probaremos un poco más adelante que este coseno está bien definido en el sentido en
que debemos garantizar que
Definición 1O Sean X = (x 1, x 2, · · · , xn), Y = (y 1, y 2, · · · , Yn) dos vectores de ]Rn se

define su producto interno o producto escalar denotado por X · Y como
X . Y= X ¡Y¡ + X2Y2 + XJY3 + ... + XrJ!n

84 Capítulo 5 Vectores en 1~"
-4lgebra de vectores ~
Nótese que el producto interno es un escalar de ahí el nombre de producto escalar.

iv) SiX=(x 1•. :
Con esta definición podemos, por tanto, escribir
luego X· X=
X· Y
o~e ~n Si X= (0, C.
cose = IIX IIIIYII
::...as otras partes qu

y concluir que si X es perpendicular (ortogonal) a Y (X .l Y) entonces
~emos definido la c
X ·Y 2 2
x 1 + x 2 + ···-
cos e = o' luego IIXIIIIYII = o' ypor tanto X . y = o
Es claro que si X · Y= O entonces cos e = Oy, por tanto, e = ~ luego X es perpendicular

aY 2
.:=:scribiremos a veces _
Ejemplo: Si X= (-2, 1, 3, 4) y Y = (1 , 2, -4, 3), entonces X · Y = O, luego X es
perpendicular a Y.
Teorema 2 Sean X, Y, Z vectores de JRn y e un escalar, entonces Teorema 3 ( D es ·e;

•1 tonces
i) X·Y=Y·X
ü) X·(Y+Z)=X · Y+ ' ·Z
üi) (eX)· Y= c(X · Y) y X ·(e Y)= c(X ·Y) emostración:
iv) Si X -::f:. O, XX> O, pero si X= O, entonces, X · X= O.
Demostración:
üi) Sean X = (x 1, x 2 , ··· , xn), Y = (y 1, Y2 ' ··· , Yn) ...:aciendo X2 =A, 2(X
(eX)· Y= (cx 1, cx 2, ···, cxn) · (y 1, y 2 , ··· ,yn) =
cx 1y 1 + CX2Y2 + · · · + CXrJln = c(x 1y 1 + X2Y 2 + · · · + X1,Yn) = c(X ·Y)

X · (eY)= (x 1, x 2, · · · , xn) · (cy 1 cy2, · · · , cyn) = cx 1y 1 + cx2y 2 + · · · + CXJ!n = _o que nos indica que e
c(x 1y 1 + X2Y 2 + · · · + XnYn) =e (X · Y) . si las tiene, son ~ 5 u~~-"'
--- _ro 5 Vectores en lE." .Vgebra de vectores y producto interno 85
oducto escalar. iv) Si X= (x 1, x2, ··· , xn) :t:. Oentonces algún X; :t:. O y, por tanto xi >O
2 2 2 ?
luego X· X = x 1 + x 2 +·· · +X; + · · · + x~ >O
Si X= (0, O, . · · · O) entonces X · X= O+ O + · · · +O = O
as otras partes quedan como ejercicio.

emos definido la norma de un vector X= (x 1, x 2 , ··· , xn) como
x¡¡ = ~ xf + xi + ... + x~ , pero X · X= xf + xi + .. . + x~ , luego podemos escribir
¡¡x¡¡ = Jx.x o
__ =o X es perpendicular
iXii2 = X·X
Escribiremos a veces X2 en lugar de X · X y, por tanto,
_· · Y = O, luego X es
.ces Teorema 3 (Desigualdad de eauchy-Schwarz ). Si X y Y son vectores de lR",

ntonces
Demostración:
c(X + Y) · e(X + Y) ~ O
e(X) · e(X) + c(X) · Y + Y · (eX) + Y · Y
e 2X 2 + 2e(X · Y) + Y2 ~ O
aciendo X 2 =A, 2(X X Y) = B, Y2 =e tenemos
Ac2 +Be+ e ~ O
= X·Y)
- CX_Y2 + · · · + CXJln = o que nos indica que el polinomio de segundo grado Ae2 +Be + no tiene raíces reales e
. si las tiene, son iguales; luego su discriminante es menor o igual a cero, o sea,
84 Capítulo 5 Vectores en R•
Nótese que el producto interno es un escalar de ahí el nombre de producto escalar.

iv) Si X= (x 1, x2, .••
Con esta definición podemos, por tanto, escribir
luego X· X= x=-
X ·Y
Si X = (0, O, .· ··
cose= IIXIIIIYII
~as otras partes quedan

y concluir que si X es perpendicular (ortogonal) a Y (X l_ Y) entonces
X· Y
cos 8 = O , luego IIXIIIIYII = O , y por tanto X · Y = O
. n
Es claro que Sl X . y= oentonces cos e= oy, por tanto, 8 = - luego X es perpendicular
aY 2
=: -cribiremos a veces x= ,. . .
Ejemplo: Si X= (-2, 1, 3, 4) y Y = (1, 2, -4, 3), entonces X · Y = O, luego X es
perpendicular a Y.
Teorema 2 Sean X, Y, Z vectores de JRn y e un escalar, entonces eorema 3 ( Desigua

. •1tonces
i) X·Y=Y·X
ü) X . (Y + Z) =X . y +X . z
üi) (eX) · Y = c(X · Y) y X ·(eY) = c(X · Y) Demostración:

iv) Si X* O, XX> O, pero si X = O, entonces, X · X= O.
Demostración:
üi) Sean X= (x 1, x 2, ••• , xn), Y = (y 1, Y2, · · · , Yn) aciendo X2 =A, 2(X x y = _
(eX)· Y= (cx 1, cx2, ••• , cxn) · (y 1, y 2 , ••• , Yn) =
cx 1y 1 + CX:z,Y2 + ·· · + CXnYn = c(x 1y 1 + X:z,Y 2 + ·· · + XrJ!n) = c(X ·Y)
X · (eY)= (x 1, x 2, ••• , xn) · (cy 1 CY2, · · · , cyn) = cx 1y 1 + cx2y 2 + ··· + CXrJ!n =

_o que nos indica que el ~-"'""........,___._.
c(x 1y 1 + X:z,Y 2 + ··· + XnYn) = e (X· Y) _. si las tiene, son iguales: l =
_ ~a 5 Vectores en lR" .Í.Igebra de vectores y producto interno 85
ucto escalar. iv) Si X = (x 1, x 2 , ··· , xn) -:F O entonces algún X¡ -:F O y, por tanto xl >O
luego X · X = x 1 + x 22 +··· + X¡2
2
+ · · · + xn > o
2
Si X= (0, O, . · · · O) entonces X · X = O + O+ · · · + O= O /
Las otras partes quedan como ejercicio.

Hemos definido la norma de un vector X = (x 1, x 2 , ••· , xn) como
XJJ= Jxf + xi + ... + x~ , pero X · X = xf + xi + ... + x~ , luego podemos escribir
JJxJJ= Jx.x o
~=G X es perpendicular 2
JJXJJ = X·X
Escribiremos a veces X 2 en lugar de X · X y, por tanto,

_- - Y = O, luego X es
_es Teorema 3 ( Desigualdad de eauchy-Schwarz ). Si X y Y son vectores de J~Rn,

m tonces
Jx . YJ ~ JJxJJIJYJJ
Demostración:
c(X + Y) · c(X + Y) ~ O
c(X) · c(X) + c(X) · Y + Y · (eX) + Y · Y
c2X2 + 2c(X · Y) + Y 2 ~ O
aciendo X 2 =A, 2(X X Y)= B, Y 2 = e tenemos
Ac2 +Be+ e~ O
= c(X·Y)
_o que nos indica que el polinomio de segundo grado Ac2 +Be + e no tiene raíces reales
. si las tiene, son iguales; luego su discriminante es menor o igual a cero, o sea,
86 Capítulo 5 Vectores en IR"
B2 - 4AC sO, entonces B 2 s 4AC

Demostración:
Remplazando nuevamente A, B , C, por sus valores originales, tenemos:

//X- 1 -
4(X ·Y) s 4X 2Y 2 o sea

2
(x ·Y) s /IXII
2
IIYII 2 por tanto
IX. Yl S IIXIIIIYII
enemos, por tanto,
Corolario
Teorema 5 Si e es ,
Demostración:
Por la desigualdad de Cauchy se concluye que Demostración:
IX·YI por tanto 1/cX: =

IXII I YIIsl,
JlcX: =
1
X·Y 1
- S1 /XII YIIS //eX =
Corolario
Teorema 4 (Desigualdad del triángulo). Si X= (x p Xz, ... , xn) y y = (y,, Yz, ... , Yn
son vectores de ~", entonces Demostración:
5 Vectores en JRII .S.tgebra de vectores y producto interno 87
Demostración:
(X+ Y) ·(X+ Y) =
X·X+X·Y+Y·X+Y·Y
X2 +2(X ·Y)+Y 2
~
1
IIXII 2 +2IIXIIIIYII +IIYII 2 =( ¡¡x¡¡ +IIYII ) 2
enemos, por tanto,
¡¡x +Yll 2 ::; ( ¡¡x¡¡ +IIYII Y=>

¡¡x +Yll ::; ¡¡x¡¡ +IIYII
Teorema 5 Si e es un escalar y X un vector, se tiene:
Demostración:
jjcxjj 2 (cX)·(cX)=c2 (X·X)=c 2 jxjj2 =>

licXII 2 c2 jjxr =>
licXII ici !IXII
Corolario
11- xll=llxll
emostración:
11- x¡¡ =1 (- 1) x¡¡=1- liiiXII =¡ x¡¡

1 Se está aplicando la desigualdad de Cauchy.
88 Capítulo 5 Vectores en -
Definición 11 Se dice que un vector U es unitario si
IIUII =1
Si X es un vector arbitrario diferente de cero, el vector
-(X, y)= IIX - Yl =
es unitario pues
Esta definición no
1 1 1
IUX = ~X = IXII IIXII=IIXIIIIXII =1
11
Ull=o (B,A)= liB- .
1
Vll =o(n,c)=IID-c o::
Además como - - > O Ux y X tienen el mismo sentido

IIXII or ser B - A = D -
Definición 1 Sean _
donde los a.l son esca

X2, ... ,Xm
Ejemplo: Si X= (1, 2, 3) =>U x =~~~~~ X= Jh- (1, 2, 3)
Ejemplo: El vector - .:.
Definición 12 Sean X y Y dos puntos de ~n. La distancia entre X y Y denotando X=(-3, 1,2), Y=(4. .. :
por o(X, Y) se define por o(X,
Y)= 11 X- Y 11-
- - lo 5 Vectores en lR" Bases y dimensiones en lR" 89
En caso de estar X y Y en JR 2 o JR 3, esto coincide con la conocida fórmula de distancia

entre dos puntos. En efecto si,
Esta definición nos permite probar que si U = AB es equivalente a V= en, ambos

tienen la misma longitud. En efecto
u¡¡ =o(B,A)=IIB-AII
v¡¡ =o(n, e)= liD- e¡¡= IIB - All =o(B, A)= IIDII
por ser B - A = D - e
BASES Y DIMENSIONES EN lR"
Definición 1 Sean X1, X2, ··· , Xm vectores de lR", una expresión de la forma
donde los a; son escalares, se denomina una combinación lineal de los vectores X 1,
X2,··· ,Xm
Ejemplo: El vector (-2, 3, 9) es una combinación lineal de los vectores

X= (-3, 1, 2), Y= (4, 1, 5) pues (-2, 3, 9) = 2X +Y.
er,;re X y Y denotando
90 Capítulo 5 Vectores en lR" 3ases dimensiones er -
Notación: Definición 2
Jientes si existen ese
En lR 2 los vectores (1, 0), y (0, 1) son denotados por i y ] , respectivamente.
En JR 3 los vectores (1, O, 0), (0, 1, 0), y (0, O, 1) son denotados por i,], k respectiva-
mente.
- i la ecuación anterior::
~ son linealmente ·
y z
Ejemplo: Los vecto

.ombinación lineal - _
(1 ,O) = i - (O,O,l)=k
(O ,1, O) = j _- probemos que

;-----:.-----_......;~y
.__-------+X a¡(l , O.
,o~ O) = i
Ejemplo: ¿Son los

Todo vector en JR2 se puede escribir como una combinación lineal de T y ] . En efecto
.X = (1, 2, 3, 4), y =
11dependientes?
Análogamente todo vector en JR3 puede escribirse como una combinación lineaJ de T,
] , k pues - ,(1, 2, 3, 4) + ~(-4.- -_
X= (x 1, x 2, x 3) = x 1(1, O, O)+ xi1, O, O)+ x3(0 , 1, O)= x1i + x2 ] + x3k
Por esta razón, el vector X= (-3, 4, 2) puede escribirse como
- -
X= - 3i+4j+2k
- :::sto da origen al siguie -,.
- -~ :::.. 'o 5 Vectores en ~" Bases y dimensiones en ~~~ 91
Definición 2 Un conjunto de vectores X 1, X 2,- · ·, X,. de JRn son linealmente depen-

dientes si existen escalares a. 1, a. 2, . .. , a.,. no todos iguales a cero tal que:
~\·amente.
-i .1 ,k respectiva-
a 1X 1 + cx.zX2 + ··· + a,X,. = O(O vector)
i la ecuación anterior sólo se cumple cuando todos los <X¡ son cero, se dice que X 1, X 2, · · · ,
X,. son linealmente independientes.
Ejemplo: Los vectores T , 1,

k son linealmente independientes. Formemos una
ombinación lineal de ellos, igualada a O.
- -
a 1i + a 2 j + a 3 k
-=O
_- probemos que necesariamente a. 1 = <Xz = a.3 = O.

a. 1(1, O, O)+ <Xz(O, 1, O)+ a.3 (0, O, 1) =(0, O, 0), entonces
(a. 1, <Xz, a.3) = (0, O, O)
or la definición de igualdad entre vectores se concluye que
jemplo: ¿Son los vectores

~a. de i y 1 . En efecto - = ( 1, 2, 3, 4), Y= (-4, - 7, 6, 8), Z = (-1, -3, -5, 6) linealmente dependientes o
dep endientes?
binación lineal de i ,
(1, 2, 3, 4) + <Xz(-4~ -7, 6, 8) + a.3 (-1, - 3, -5, 6) = (0, O, O, O)=>
sto da origen al siguiente sistema de ecuaciones

92 Capítulo 5 Vectores en JRr. Bases y dimensiones en 'O
a¡ 4a 2 a3 o
2a 1 7a 2 3a 3 o
3a 1 + 6a 2 5a 3 = o
4a 1 + 8a 2 + 6a 3 = o
Resolvemos nuevam
que resolveremos por el método de Gauss
1 2 4
1 - 4 - 1
,., 4 1
2 -7 -.)
[
3 6 -5 8 - 5 - 31
4 8 6
Los términos libres obviamente están sobreentendidos.
-4 - 1 1 -4 - 1 1 - 4 -1
2 - 7 - 3 o 1 1 o 1 -1
3 6 -5 o 18 - 2 o 9 -1
4 8 6 o 24 10 o 12 5
Luego el sistema tiene :

1 o -5 1 o - 5 1o o a = 1 tenemos a 1 = -2.
o 1 - 1 o 1 -1 o 1 o dientes.
o o 8 o o o o 1 Obsérvese que no es
o o -onocer el rango fila, pt!~
o o 17 o o o
·ene infinitas soluciones
guiente los vectores son ~ .............
y, por tanto, la solución del sistema es a 1 = ~ = a 3 = O, lo que nos permite concluir que
de incógnitas, el sistel112.
los vectores X, Y, Z son linealmente independientes.
serían linealmente ·
¿Observa alguna particularidad en la matriz de los coeficientes con respecto a los vectores
Como se puede obsef\·~
dados X, Y,Z?
ma de ecuaciones para -
-alocando los vectores
Ejemplo: Determinar si los siguientes vectores son linealmente dependientes o
independientes.
Ejemplo: Determinar
X = (1 , 4, 8), Y = (2, 1, -5), Z = (4, -5, - 31)
X = ( 1, 4, -2, 1 ), Y = :
mente dependientes o i _
a 1(1 , 4, 8) + ai2, 1, - 5) + a 3 (4, -5 , - 3) = (O, O, O)=>

5 Vectores en lR' Bases y dimensiones en JRn 93
= a 1 + 2a 2 = o
4a ¡ + a2 o
= 8a 1 5a 2 = o
Resolvemos nuevamente por el método de Gauss
1 21 - 45 ] : : : [1
4 o - 72 - 21 4!
[8 -5 - 31 o - 21 -63
La solución del sistema es por tanto
- 4 -1
(a arbitrario)
-1
::::::
9 -1
L 5
Luego el sistema tiene soluciones diferentes a la solución trivial. Por ejemplo, haciendo
o o a= 1 tenemos a 1 = - 2, ~ = 3, a 3 = -1 y por tanto los vectores son linealmente indepen-
dientes.
::::
o
Obsérvese que no es necesario hallar la solución general del sistema; basta solamente
1
conocer el rango fila, pues si el rango fila es menor que el número de incógnitas el sistema
o o tiene infinitas soluciones, esto es, soluciones diferentes de la solución triviál y por consi-
guiente los vectores son linealmente dependientes; pero si el rango fila es igual al número
e nos permite concluir que de incógnitas, el sistema tiene solución única, que es la trivial y, por tanto, los vectores
serían linealmente independientes. Esto se sigue del teorema 1 de la página 43.
on respecto a los vectores Como se puede observar, en los dos ejemplos anteriores es innecesario plantear el siste-
ma de ecuaciones para hallar la matriz de los coeficientes; ésta se puede conseguir
colocando los vectores dados en forma transpuesta, es decir, en forma de columna.
linealmente dependientes o
Ejemplo: Determinar si los vectores
X = (1,4, - 2,1), Y=(2,9,-3,4), Z=(-1, - 3,4,2), W=(3,11,-4,4)sonlineal- ""

mente dependientes o independientes. ~
O. O, O)=>
94 Capítulo 5 Vectores en lR" .:.ases dimension es er -
2 -1 ".) 1 2 -1 3
4 9 -3 11
~
o -1
-2 -.) " 4 - 4 o 2 2 jemplo: G = {( ..
1 4 2 4 o 2 3 3
:_ ,(x 1, x 2 , x 3) = X¡ l.
1 o -3 5 1 o o 14 Ejemplo: ¿G = {(l.
~
o 1 1 -1
~
o 1 o - 4
o o 1 3 o o 1 ".) =~ genera a JR 2 se de -
o o 1 3 o o o o
Como tiene rango tres, el sistema tiene solución diferente de la trivial; luego los vectores
son linealmente dependientes.
JUe es un sistema q~e

Teorema 1 Cualquier conjunto de m vectores de JRn, con m > n, es linealmente
dependiente.
Demostración:
~ -í, por ejemplo (3 , .:
Ejemplo: G = {(l. .:
~.y, z) E JR 3 se teruh
Siguiendo la idea del ejemplo anterior tenemos:
a¡¡ a 12
az¡ a22 azm
, que es una matriz de tamaño n x m, y por tanto su rango fila r es
menor o igual a n y como n < m, entonces r < m; es decir su rango fila es menor que el
número de incógnitas, y por tanto tiene soluciones fuera de la trivial, lo que permite esolviendo este siste
concluir que los vectores X 1, X 2, ... , Xn, son linealmente dependientes.
Definición 3 Un conjunto G = {X 1, X 2, ... , Xr} de vectores de JRn se dice que

genera a JRn si todo elemento de JRn es una combinación lineal de G, es decir, si dado
X E JRn, existen escalares a 1, a 2, ... , ar tal que
~ wlo 5 Vectores en ~ 11 Bases y dimensiones en ~ 11 95
Ejemplo: G = {(1 , O, 0), (0, 1, 0), (0, O, 1)} genera a lffi.3,pues dado (x 1, x 2 , x 3 ) E
E3 , (x 1, x 2, x 3) = x 1(l, O, O)+ x 2(0, 1, O)+ x 3(0 , O, 1)
Ejemplo: ¿G = {(1, 1), (1 , -1)} genera a JR 2 ?
Si genera a JR 2 se debe cumplir que (x, y) = a 1(1, 1) + az(l, -1), luego
U¡ + Uz X
- ial: luego los vectores y
que es un sistema que sí tiene solución, a saber

_ > n, es linealmente
x+y x-y
U¡= - - ' Uz = - -
2 2
_-\sí, por ejemplo (3 , 5) = 4(1, 1)- (1, -1)
Ej emplo: G = {(1, 2, 1), (1, 1, 1)} no genera a JR3, pues si lo hiciera, dado
x, y, z) E JR 3 se tendría
(x, y , z) = a 1(1, 2, 1) + ui1, 1, 1). Por tanto,
- ~ tanto su rango fila r es U¡ + u2 X
2u 1 + u2 y
U¡ + u2 Z
,..,~go fila es menor que el
::riYial, lo que permite esolviendo este sistema por el método de Gauss se tiene
__ ·o es de JRn se dice que

y-x]
2x- y
·de G, es decir, si dado
z-x
96 Capítulo 5 Vectores en lR"
Bases dimensiones en '::
Que tiene solución solamente si z = x, pero entonces G no genera a todo JR3 sino al 2. B = {(1 , 0), (0, 1
subconjunto
S= {(X , y , x) 1 X E JR, y E JR }
3. B = {(1 , 1), (1,-
independiente.
Teorema 2 Si B = {X 1, X 2 , ... , X J es un conjunto linealmente independiente
de vectores de lR", entonces B genera a lR". 4. B = {(1, O, 0), (0, :_
Demostración: 5. B = {(1 , 2, 1), (1 , '

Sea X un vector cualquiera de JRn, entonces el conjunto conjunto no genera _
{X 1, X 2, · · · , Xn, X} consta den + 1 vectores y por teorema 1, es linealmente dependien-

te, y por tanto 6. B = {(1 , 2, 1), (l.
linealmente depen _
a 1X 1 + ~X 2 + · · · + anXn + a 11 + 1X =O donde no todos los a son iguales a cero.

B = {(1 O O ·· · O
' ' ' ' ...
base canónica.
Si fuera an + 1 = O se seguiría entonces que el conjunto formado por los vectores
{X 1, X 2, · · · , X n} sería linealmente dependiente, lo que contradice el supuesto de
que B = {X 1, X 2, · · · , Xn} es linealmente independiente. Por tanto se concluye que Teorema 3 Dos bases
an + l:;tOy
Demostración:
Se aplazará para el capí
Por consiguiente B = {X 1, X 2, ··· , X n} si genera a JRn.

Definición 5
-ión .
Definición 4 . Un conjunto B = {X 1, X 2, •· · , Xr} de JRn es una base de JRn si:

Como una base de JR2 es
2
- es 2, que abreviamo
i) B es un conjunto linealmente independiente.
ii) B genera a JRn.
Ejemplos: En general la base canóni _

( 1, O, O, · · · , 0), (0, 1, O, -- •
l. Del teorema anterior se concluye que cualquier conjunto de n vectores linealmente
independiente de JRn es base de JRn.
La.!Jiwlo 5 Vectores en JRn Bases y dimensiones en JRn 97
era a todo R3 sino al 2. B = {(1, 0), (0, 1)} es una base de JR2.
3. B = {(1, 1), (1, -1)} es una base de R. 2 , pues se puede probar que es linealmente
independiente.
_ nJente independiente
4. B = {(1, O, 0), (0, 1, 0), (0, O, 1)} es una base de R. 3 .
5. B = {(1, 2, 1), (1, 1, 1)} no es una base de R. 3 pues como se vio anteriormente este
conjunto no genera a JR3.
6. B = {(1, 2, 1), (1, 1, 1), (2, 3, 2)} no es una base de R. 3 pues este conjunto es
linealmente dependiente.
B = {(1, O, O, · · · , 0), (0, 1, O,··· , 0), · · ·, (0, O, O, · · ·, 1)} es una base de J!Rn, llamada
base canónica.
- rrnado por los vectores
~ ~rradice el supuesto de
- ;::¡
r tanto se concluye que Teorema 3 Dos bases cualquiera de J!Rn tienen el mismo número de vectores.
Demostración:
e aplazará para el capítulo siguiente.
Definición 5 El número de elementos que tiene una base lo llamaremos la dimen-

ión.
- _ ww base de J!Rn si:

omo una base de R. 2 es la base canónica {(1, 0), (0, 1)} s.-e-concluye que la dimensión de
- es 2, que abreviamos escribiendo
dim R. 2 = 2
n general la base canónica de JRn,

1, O, O,··· , 0), (0, 1, O, · · · , 0), · · · , (0, O, O,··· , 1)} tienen vectores luego
e n vectores linealmente
dim J!Rn = n
98 Capítulo 5 Vectores en lR" Bases dimensiones er.
EJERCICIOS 1O. Sea X un vector

la dirección po
l. Determinar si los vectores U = AB y V = eD son equivalentes
a) A = (1, 3), B = (4, 5), e= (1, 1), D = (4, 3)
b) A= (1, 2, 4), B = (5, -3, 2), e = (-1, 1, 0), D = (-5, 6, 2) 11. Probar que:
e) A = (1, -3, 2, 4), B = (-4, 1, 5, 2), e= (- 3, 1, 2, 5), D = (-1, 5, 3, O) a) (X + Y) 2 = x.::. - _
b) (X - Y) 2 = x.::. - _
2. Determinar si los vectores U = AB y V = eD son paralelos, perpendiculares o e) (X+Y)(X -
ninguna de las dos.
a) A=(1,2,3),B = (4,5, 7),e=(-l, 1,5),D=(l,2,3)
12. Probar que si X -
b) A=(- 1,0, 1,-l),B=(l, 1, 1, l),e=(-1,2, 1,3),D=(3 ,4, 1, 7)
e) A = (1, 4, 3), B = (-1, 3, 2), e= (-3, 1, 4), D = (-3, 2, 3)
13. Probar que

3. Calcular la longitud de los vectores U y V dados en los ejercicios 1 y 2.
4. Hallar el coseno del ángulo formado por los vectores U y V de los ejercicios 1 y 2.
donde e es el án,:,
Indicar si los sigu:~
5. Hallar el coseno de los ángulos interiores del triángulo cuyos vértices son:
pendientes.
a) A = (1, 3, 4), B = (3, 1, -4), e= (-2, 3, 4)
b) A= (-3, 5, 1), B = (2, -5, 1), e = (-1, 2, 3)
14. X = (1, 2, 3), Y= - -
6. Hallar el vector unitario para los vectores U y V del ejercicio l.

15. X= (3, 1, 2, 5), Y= -
7. Probar que IIXII =O si y solamente si X= O.

16. X= (1, 3, 4), Y= -
8. Probar que
17. X=(-1,2,1,3),Y=
a) 8(X, Y)= 8(Y, X)
b) 8(X, Y) ::::; 8(X, Z) + 8(Z, Y)
18. Si X 1, X 2, ••• , • .::.
probar que ellos sor
9. Demostrar que los vectores T,], k de JR 3 son unitarios y mutuamente perpendicu-
lares.
19. Demostrar que todc ~
y por tanto es base ~~ -
Capítulo 5 Vectores en JRn Bases y dimensiones en JRn 99
1O. Sea X un vector de ~ 3 , denotemos por a, ~'y los ángulos que forma el vector X con
la dirección positiva de los ejes coordenadas, probar que
entes cos 2 a + cos 2 ~ + cos 2y = 1
11. Probar que:

: o =-1 , 5,3,0) a) (X+ Y) 2 = X 2 + 2X · Y+ Y 2
b) (X - Y) 2 = X2 - 2X · Y + yz
~--., elos, perpendiculares o e) (X + Y)(X- Y) = xz - yz
12. Probar que si X es perpendicular a Y

: D = t3 4, 1, 7)
_: -
- -- -) IIX + Yll = IIX- Yll
13. Probar que
_ Y de los ejercicios 1 y 2.
donde 8 es el ángulo formado por X y Y.
Indicar si los siguientes conjuntos de vectores son linealmente dependientes o inde-
___ ·os vértices son:
pendientes.
14. X = (1, 2, 3), Y = (- 1, 4, 2), Z = (1, 5, -3)
==r::i io l. 15. X=(3, 1,2,5), Y = (-1,4, 1,'3),Z = (2, 1,-4,3),W = (-3, 1,2,4)
6. X = (1,3,4), Y = (-1,3, l),Z = (-4, 1,5), W=(- 3, 1,5)
X=(-1,2, 1,3), Y = (1,3,-1,2),Z=(O, 1, 1, 1), W = (-1, 1, 1,0)
Si X 1, X 2, · · · , Xr son vectores diferentes de cero, mutuamente_perpendiculares,

probar que ellos son linealmente independientes.
~ :: y mutuamente perpendicu-
9. Demostrar que todo conjunto den vectores linealmente independientes genera a JE.n
y por tanto es base de ~n.
100 Capítulo 5 Vectores en JRn :1royecciones y producto E-
20. Para cada uno de los ejercicios 14 a 17 determinar si generan o no al respectivo JRn.
21. Para cada uno de los ejercicios 14 a 17 determinar si forman o no base del respec-
tivo JRn.
22. Probar que si X y Y son vectores de JR3 y e es el ángulo entre los dos, entonces
?ara la situación b) tene-
X ·Y
cose = IIXII IYII
X· Y
~ose= -cosa= -;:------,~-
Ayuda: Aplicar el teorema del coseno. I XIIIIY
X·Y l cYI
- I XIIIIYI = M~ -
PROYECCIONES Y PRODUCTO VECTORIAL
X
1 ~ uego, tanto para la situa;::
1
1
1 /
1
1
1
1
1
y 1
y
-<11(--- amado el coeficiente de -:: -
cY
a) b) enotado por PXN es
Consideremos los dos dibujos anteriores: el vector cY

es llamado la proyección del
vector X sobre el vector Y. La longitud de este vector se denomina la componente de X
a lo largo de Y. Nuestro objetivo es buscar unas fórmulas que nos permitan encontrar
fácilmente la proyección y componente de X sobre Y. _- la componente de X a le
Para la situación a) tenemos que e> O y
e X. y pero por otro lado cose = lcYII por tanto

cos = IIXIII YI I XII
- ·lo 5 Vectores en IR" Proyecciones y producto vectorial 101
o no al respectivo JE.n. X ·Y iieYil X· Y eii YII y despejando a e tenemos

IIXII IIYII = W ~ IIXIIIIYII ¡ x¡¡
X· Y
e =--
IIYII2
Para la situación b) tenemos que e < Oy
X· Y eiiYII
cose = -cosa = IIXII IIYII , pero cosa = ¡¡x¡¡ , luego
X· Y iieYil X· Y - eiiYII
- IIXIIIIYII = ¡¡x¡¡ ~ - IIXIIIIYII = lXf Y despejando a e tenemos
X·Y
e =--
IIYII2
Luego, tanto para la situación a) como para la-b) tenemos
X·Y
e =--
IIYII2
y
amado el coeficiente de Fourier de X respecto a Y. El vector proyección de X sobre Y
b enotado por P XJY es
X ·Y
Px¡y = eY = - -2 Y
~acto la proyección del II Y II
...............-'""'"·LUa l a componente de X
-:.~e nos permitan encontrar
_ la componente de X a lo largo de Y , denotado por C x¡y es
IX·YI IX·YI
e =IIP ll= iieYii= eiiYII = - I2IYI I = -
r tanto XJY X/Y I YII IIYII
102 Capítulo 5 Vectores en JRn Proyecciones y
Ejemplo: Calcular PXJY y CXJY si X= (-1, 3, 2), Y= (-3, 4, O) a) XxY=-Y •

b) XxX=O
X· Y 15 ,.,
Px¡y = IIYII2y = 25 (- _,,4,0 )=
3
5(- 3,4,0 )=( -59 '512 ,O) e) X·(X· Y) = -.
d) X X (Y + Z) = -
e) (eX) x Y = e_ -
Demostración:
Las partes a), b), d), e

Definición 1 Sean X = ( x1, x 2 , x 3 ) = x1-:1 + x 2-;J + x 3k- .: ) Por la fórmula (*) ::e
X . (X X Y) = X¡X¿)13-
.-\nálogamente Y · (X
dos vectores de JR 3 , el producto vectorial de X por Y es el vector denotado por
X x Y y se define como a parte e) del teorema -
Y.
que abusando de la notación de determinante se puede escribir como
-
i j k
XxY = x1 x2 x3
Y1 Y2 Y3
Teorema 1 Sean X, Y, Z, vectores de JR 3 y e un escalar entonces Jemplo: Si X= (1 , 2, 3

Capítulo 5 Vectores en lE." Proyecciones y producto vectorial 103
-= . - .O) a) XxY = -Y x X
b) X x X = O
-~
- -- .--.0
) e) X· (X· Y)= Oy Y· (X x Y)= O
d) X X (Y + Z) = X X y +X X z
e) (eX) x Y = c(X x Y) y X x (eY) = c(X x Y)
Demostración:
Las partes a), b), d), e) se tienen por las propiedades de determinantes.
e) Por la fórmula ( *) se tiene:
Análogamente Y · (X x Y) = O
_ el vector denotado por

La parte e) del teorema nos indica que el vector X x Y es perpendicular tanto a X como
aY.
:r- -
-k
XxY
"""~ego
YxX
entonces mplo: Si X= (1, 2, 3) y Y = (-4, 1, 2) entonces

104 Capítulo 5 Vectores en lR" Pro
i
-j k
XxY = 1 2 3 =i-14]+9k=(1,- 14,9)
-4 1 2
y X · (X x Y) = Ocomo también Y · (X x Y) = O
Teorema 2 (Identidad de Lagrange) Si X y Y son dos vectores de ~ 3 , entonces
h
-en 8 = I YI/ => h =IIYII se- -
Demostración:
(Ejercicio) A = I XIIh = IIXIIIIYI!sen =
Teorema 3 Si X y Y son dos vectores de ~ 3 , entonces

Definición 2 Sean X
es el escalar
IIX x Yll = IIXIIIIYIIsen 8 X. (Y X Z)
donde 8 es el ángulo formado por X y Y Teorema 4 Si X = (X:-
Demostración: 2 2 2
IIXxYII2 = IIXII IIYII - (X· Y)
2 2 2
IIXxYII2 = IIXII 11Yf - IIXII IIYII cos 28
Demostración:
IIXxYf IIXfii YII2 ( 1- cosz 8)
2 YxZ=
IIXxYII2 = IIXfiiYII sen 28 =>
1~
IIXxYII IIXIIIIYIIsen 8 uego
Vamos ahora a calcular el área A de un paralelogramo formado por los vectores X X·(Yx Z)=_ -
y Y.
:=:.:: illlo 5 Vectores en lR" Proyecciones y producto vectorial 105
s de R3 , entonces X
h
sen8=M=> h =1
YIsen8 =>
A= I XIIh = IXI I YIIsen 8= IXxYl = IIY xXII
Definición 2 Sean X, Y, Z tres vectores de R3 , el triple producto e-scalar de X, Y, Z

es el escalar
X · (YxZ)
x1 x2 x3
X . (Y X z)= YJ Y2 Y3
Demostración:
j
YxZ= y 1 Y2
ego
- - do por los vectores X
--~ ~ ~----•----~ - - ___....._ - - ~- ---

106 Capítulo 5 Vectores en JRr. .fétodo de Cram-Sch~
Consideremos ahora un paralelepípedo formado por los vectores X , Y, y Z .
X , Y y Z
·amos a explicar cór::.
Y x Z trabase B 1 = {Y 1. Y.::
. ndiculares ), es d
Analicemos el caso ~ -
El volumen denotado por V es

V= (Área de la base) · (altura)
Como área de la base= IIY x Zll y altura= IIX II 1cos 8 1, entonces
V == IIY x ZIIIIXIIIcos8l omo se aprecia en el ~

Y1 =X 1
V == IIXIIIIY x Zlllcos8 l
Y-. == -
V == IIIX IIIIY x z¡¡cose¡
v == ¡x. (Y x z) 1
omprobemos que Y 2 _
O sea que el volumen de un paralelepípedo formado por tres vectores es el valor

Y2 · Y1 == X -
absoluto de su triple producto escalar.
5 Vectores en lR" \tfétodo de Gram-Schmidt 107
;:;. :-\.. - X, y' y z. MÉTODO DE GRAM-SCHMIDT
Vamos a explicar cómo a partir de una base B = {X 1, X 2, · · ·, X11 } de JRn podemos obtener
otra base B 1 = {Y 1, Y 2, · · ·, Y 11 } de JRn tal que los Y¡ sean mutuamente ortogonales (per-
z pendiculares), es decir, si i -:t j entonces Y¡ · Y1 =O. Esta base se llama base ortogonal.
z Analicemos el caso de JR 2 . Sea B = {X 1, X 2 } una base de IR2 y hallemos B 1 = {Y 1, Y2 }.
Xt (=Y d
- _=-- n es
omo se aprecia en el dibujo anterior, sea
- =X¡
mprobemos que Y 2 .l Y 1
- r tres vectores es el valor

108 Capítulo 5 Vectores en JRn Método de Cra m-Sc-
Por el problema 18 de la sección anterior sabemos que B 1 = {Y 1, Y 2 } es linealmente

independiente y por el problema 19 sabemos que B 1 = {Y 1, Y 2 } genera a JR2. Luego
B 1 = {Y 1, Y2 } es base de JR 2.
Analicemos ahora el caso JR 3 . Sea B = {X 1, X 2, X 3 } una base de JR3 y hallemos

B 1 = {Y 1, Y 2, Y 3 }.
Siguiendo las mismas ideas como el caso de JR 2, sean
X-
X-
Teorema 1 Si B =
B 1 = {Y 1, Y2, .. . , y n" -=
5 Vectores en R \1étodo de Cram·Schmidt 109
- =Y:_ Y 1
= Y 1, Y 2 } es linealmente
. Y :J genera a R2 . Luego
-., ' as e de R 3 y hallemos
Teorema 1 Si B = {X 1, X 2 , ... , Xn} es base de R 3 , una base ortogonal

B1 = {Y 1, Y2, Yn} se puede conseguir haciendo
... ,
11 o Capítulo 5 Vectores en lR" .1étodo de Cram-Schrr _
(- 1, 1, 1) - -'--
(- _ _
Y~ =
0
or tanto la base B-
Demostración: -ean ahora Z 1= -

y
Se deja como ejercicio.

Si uno vuelve todos los elementos de la base ortogonal
B 1 = {Y 1, Y 2, ·· · , Yn} unitarios se obtiene una base conocida como base ortonormal.
Ejemplo: Dada la base B = {1 , 1, 1), (-1, 1, 1), (2, 1, 3)} de ~ 3 obtener una base
ortogonal y una ortonormal.
Sean X 1 = (1, 1, 1), X 2 = (-1, 1, 1), X 3 = (2, 1, 3), entonces Y 1 = X 1 = (1, 1, 1)
_ por consiguiente B. =
~-= una base ortonorma: ,...,.

Capítulo 5 Vectores en lR" \1étodo de Cram -Schmidt 111
{ ) (-1, 1, 1}(1, 1,1)( ) { ) 1( ) 2( )

\- 1, 1, 1 - 2 1, 1, 1 = \- 1, 1, 1 - 3 1, 1, 1 = 3 - 2, 1, 1
11( 1, 1' 1)11
- -Y- =
(2, 1, 3) - (2 , 1' 3} (1, 1~ 1)(1, 1, 1)- (2 , 1' 3} i(- 2 ' ;, 1)i(- 2, 1, 1)= (o, -1 , 1)
111
11( , ' ) 11 l i (- 2, 1, 1)11 ---
=
or tanto la base B 1 { (1, 1, 1) , i(- 2, 1, 1) (o, -1, 1)} es una base ortogonal de R 3
- . 3 1: de JR3 obtener una bas
es Y 1 = X 1 = (1, 1, 1)
r consiguiente B 2 = { ~ (1, 1, 1), ~ (- 2, 1, 1), ~(o, -1, 1)}
una base ortonormal de JR3

112 Capítulo 5 Vectores en JRn :;:,ectas
EJERCICIOS RECTAS yp
Hallar la proyección del vector X sobre el vector Y, y la componente de X a lo largo de Y

l. X= (- 1, 3, 2) Y= (--4, 1, 3)
Definición 1
D -:t O se define
2. X=(2, 1,3) Y=(-1, - 2, 1)
3. X= (- 3, 1, 2) Y= (-5, - 3, 6)
Esta defmición se
4. Hallar la proyección del vector Y sobre el vector X y la componente de Y a lo largo

de X, para cada uno de los problemas anteriores.
X- P = tD o sea
-. = P + tD
5. Hallar X x Y para los vectores dados en los problemas 1), 2) y 3).
6. Hallar el área del paralelogramo, cuyos vértices son:

(- 3, 1, 2), (-6, 3, 0), (1, 2, 3), (-2, 4, 1)
7. Hallar el área del triángulo, cuyos vértices son:

(-1, 3, 2), (2, 5, 6), (-3, 1, 4)
8. Hallar el volumen del paralelepípedo formado por los vectores

X= AB, Y= AC, Z = AD donde ora vamos a obt ~
A= (- 2, 1, 4) B = (- 3, 1, 5) C = (2, 1, 1) D = (--4, 3, 2) y 0 , z0) en la ~
= (x 0 ,
:ualquiera de la línea.
9. Hallar una base ortogonal B 1 y una ortonormal B 2 de JR 2 a partir de la base

B = {(1, 2), (2, 3)}
10. Hallar una base ortogonal B 1 y una ortonormal B 2 de JR 3 a partir de la base

B = {(1, 1, 0), (1, -1, 1), (0, 1, - 1)}
11. Hallar una base ortogonal B 1 y una ortonormal B 2 de IR 4 a partir de la base

B = {(1, 1, O, 1), (1, -1, 1, 0), (0, 1, -1, 1), (1, O, 1, 1)} - e es la ecuación
Capítulo 5 Vectores en ~ Rectas y planos 113
RECTAS Y PLANOS
Definición 1 Una recta L que pasa por un punto P en la dirección de un vector

D :t O se define como
L ={X 1 X= P + tD, t E lR }
Esta definición se basa en el hecho de que si X es un punto cualquiera de la recta, el

·ector PX =X- p debe ser paralelo a D, es decir, debe existir untE lR tal que
_ , zomponente de Y a lo largo
_- - P = tD o sea
_- = P + tD
y
ora vamos a obtener la ecuación paramétrica de una recta que pasa por un punto P
= (x 0,y 0 , z 0) en la dirección de un vector D = (a, b, e). Sea X = (x, y, z) un punto
lquiera de la línea, entonces
~ ::::_: a partir de la base

X = P + tD se convierte en
(x, y, z) = (x 0 , y 0 , z0) + t(a, b, e)
x = x0 + ta
~ ::::_: a partir de la base
Y= Yo+ tb
z = z0 +te
~ ::::_- a partir de la base

e es la ecuación paramétrica de la recta.
spejando a t de cada una de las ecuaciones anteriores e igualando, tenemos
114 Capítulo 5 Vectores en 2. Rectas planos
x - xo = Y -Yo = z - zo M = {X 1 (X - P) · _- =
a b · e
que se denomina ecuación cartesiana de la recta. Esta definición surge -

Yector PX = X - p e
Ejemplo: Hallar la ecuación paramétrica y cartesiana de la recta que pasa por e
punto P = (2, 3, -4) en la dirección del vector D = (- 2, 4, 5). IX-P) ·N= O
Hallar un punto adicional de la recta.

La ecuación paramétrica es:
X= 2 - 2t
y= 3 + 4t \
z = -4 + 5t
y la ecuación cartesiana es
x-2 y- 3 z+4
- - = -- = - -
-2 4 5
No olvidar que estas últimas igualdades son equivalentes a t, por tanto si t = 1, tenemos
x- 2 Conseguiremos ahora '-

- - = l=>x=O
-2 =0) y tiene a N =
(A, B.
y-3
- - = l=>y=7 X - P) · N = O, se co
4
z+4
- - = l =>z =l
5
Luego un punto adicional de la recta es (0, 7, 1) que se habría podido también obtener d~
las ecuaciones paramétricas, haciendo t = l. Ejemplo: La ecuació
wrmal a (4, 5, 6) es,
Definición 2 Un plano M que pasa por un punto P y tiene a N como vecto
normal (perpendicular) se define como:
Capítulo 5 Vectores en - as y planos 115
= {X 1 (X - P) · N = O}
Esta definición surge del hecho de que si N es normal al plano, N es perpendicular al

·ector PX = X - P esto es
'a recta que pasa por -

X-P) ·N= O
z
r tanto si t = 1, tenemili"
Conseguiremos ahora la ecuación cartesiana del plano que pasa por el punto P = (x 0 , y 0 ,
= y tiene a N = (A, B, C) como vector normal.
X - P) · N = O, se convierte entonces en:
A(x - x 0) + B(y - y 0) + C(z - z 0) = O
e es la ecuación cartesiana del plano.

dido también obtener
Ejemplo: La ecuación del plano que pasa por el punto (-2, 3, 7) y tiene por vector
arma! a (4, 5, 6) es,
Tien e a N como vect
4(x + 2) + 5(y - 3) + 6(z -7) =O
4x + 5y + 6z = 49
116 Capítulo 5 Vectores en lR" ~ectas y planos
Ejemplo: Calcular la ecuación del plano que pasa por los puntos
P 1 = (2, 3, 4), P2 = (3, 4, 5), P3 = (3, 5, 7).
Aquí conocemos tres puntos, pero no sabemos el vector normal, que podemos conseguir
.
Luego y= y 0 para cua.
haciendo el producto vectorial entre los vectores lano que pasa por y =
EJERCICIOS
\
Hallar la ecuació~ ,
adicional de la r
a) P 1 = ( -1 , 2, 3
b) P 1 =(-3,-4.2
Demostrar que las ~
x-l y-3
--=--=
2 3 .!
Hallar la ecuación ~~
perpendicular a la
x-1 y-3 _ :
- - = -- =
2 3
Luego la ecuación del plano es:
-. Hallar la ecuación ~~
a) ( 1 -1 1) (2 -~ -
-{x- 2) + 2(y- 3)- (z- 4) = O ' ' ' ' -
b) (2, O, 3), (0, 3.
-x + 2y -z =O
Hallar la ecuación ~
Para terminar, veamos qué indica la ecuación de una recta donde en el vector dirección
D =(a, b, e) tiene una o dos componentes iguales al cero. x-3 y-6
--=--=
2 3
Por ejemplo veamos que indicaría si b = O Hallar la ecuación

En este caso tenemos:
Capítulo 5 Vectores en IR" Rectas y planos 117
x = x 0 + at
Y= Yo+ Ot = Yo
z = z 0 + ct
LJego y = y 0 para cualquier valor de t lo que representa una línea que se encuentra en el
plano que pasa por y = y 0 y paralelo al plano XZ.
EJERCICIOS
'\
l. Hallar la ecuación de la recta que pasa por los puntos P 1 y P 2 . Encontrar un punto
adicional de la recta.
a) P 1 = (-1 , 2, 3) P 2 = (4, 5, 7)
b) P 1 =(- 3, --4, 2) P 2 = (5, - 3,4)
2. Demostrar que las dos siguientes líneas son coincidentes.
- - = - 1. ?-, -1) -'· Hallar la ecuación de la línea que pasa por el punto (-1, 2, 4 ), la cual interseca y es
perpendicular a la línea
x- 1 y-3 z-5
--=--= - -
2 3 4
Hallar la ecuación dei plano que pasa por los siguientes puntos.
a) (1,-1, 1),(2, - 3,4),(-3, 1, 4)
b) (2, O, 3), (0, 3, 1), (8, 1, O)
Hallar la ecuación del plano que contiene a las líneas

x-3 y- 6 z- 9 x-1 y- 3 z-5
--=--=--
2 3 4 ' 3 2 -3
Hallar la ecuación del plano que contiene a las líneas

118 Capítulo 5 Vectores en _,
x-3 y- 6 z- 9 x-1 y-3 z-5

=
2 3 4 ' 2 3 4
7. Hallar la distancia del punto P = (1 , 1, 1) al plano

2x + 3y + 4z = 5
Ayuda:
Averiguar un punto T del plano y calcular la componente del vector PT -a-lo largo de_
vector normal.
Definición 1 Sea \ -
En V se definen dos :
a)
'~ Multiplicación de
de V.
La suma asigna a cad

El producto de un ese
V es un espacio vecto
donde u, v, w son vec ~ _
-l. (u+ v) + w = u-
2. u+v=v+u
- .)-. .
Existe un único y
S4. Para cada v e V. e_
que v + (-v) = O
_f l. a (u+ v) = au-
- 12. (a + f3)v = av + fJl
- B. ( af3)v = a (f3v)
- 14. lv = v
CB.pítulo 5 Vectores en lR"
Espacios
p~-::te del vector PT a lo largo del
vectoriales
NOCIÓN DE ESPACIO VECTORIAL

\
Definición 1 Sea V un conjunto no vacío de objetos, llamados vectores.

En V se definen dos operaciones:
a) Suma entre elementos de V.
b) Multiplicación de un escalar (que puede ser real o complejo) por un elemento
de V.
La suma asigna a cada par de vectores u, v, un vector denotado por u + v.

El producto de un escalar a por un vector v, asigna un vector denotado por av.
Y es un espacio vectorial si estas operaciones satisfacen los siguientes axiomas,
donde u, v, w son vectores arbitrarios y a, f3 son escalares también arbitrarios.
l. (u + v) + w = u + (v + w)
2. U+ V = V + U
3. Existe un único vector denotado por O, llamado cero vector, tal que v +O= v
S4. Para cada v e V, existe un único vector -v llamado el opuesto o negativo de v, tal
que v + (-v) = O
_11. a (u + v) = au + av
_12. (a+ {J)v = av + f3v
_B. (a{J)v = a (f3v)
_f4. 1V = V
120 Capítulo 6 Espacios vectoriales 'loción de espacio vec¡ -
Dependiendo si los escalares son los números reales o los números complejos, diremos f)
que V es un espacio vectorial real o un espacio vectorial complejo.
un real x co
Ejemplos: es un espaci
a) V = JE.n con la suma y producto por escalar, definidos de la manera usual, es un
espacio vectorial real. Teorema 1 Sea Y
b) Como se vio en el Teorema 1, del Capítulo 1, el conjunto de todas las matrices de

i) Ov=O
tamaño m x n, es un espacio vectorial.
ü) ao =o
e) Sea P n el conjunto de todos los polinomios de grado menor o igual a n. üi) (- a)v = a (-
iv) (- l)v = - v
v) Si av = O, ~~~.......--
vi) Si av = ~ v, =
Se define la suma entre elementos de P n por
( anxn + an_1Xn- 1 + · · · + a 1x + ao) + ( bnx n + bn_¡Xn-! + ·· · + b¡X + bo) = Demostración:
( an + bn )x n + (an_1 + bn_1 )xn- 1 + · · · + (a 1 + b1) X+ (a 0 + b0 ) i) Aplicando los :!.TI:rLll•

v + Ov ; lue~?c
Oes único, lt.:~=
y la multiplicación de un escalar real a por un elemento de Pn por
ü) Es similar a 1
üi) Por el axio.li12
[a+(-a )] v =
Entonces V = P n con las operaciones indicadas es un espacio vectorial real.
es único, por -
d) Sea V= {f: lE. --¿ lE.}. Definirnos la suma, y el producto de un escalar (real) por
un elemento de V de la manera natural; si f y g E V y a E R
(! + g) (x)= j(x) +g(x)

negativo de a
(aj)(x) = af(x)
(-a) v= - (av.
De esta mane _
Entonces se puede probar que V es un espacio vectorial real.
e) Sea C[a, b] el conjunto de todas las funciones continuas de valor real definidas
en el intervalo cerrado [a, b]. Definimos la suma, y el producto de un escalar por
un elemento de C[a, b], como en el ejemplo anterior. v) Sia v = O, y a=
Si V= C[a, b ], se sigue que V es un espacio vectorial real teniendo en cuenta
que la suma de dos funciones continuas es continua y el producto de un escalar parte ii) tenem :
por una función continua también es continua.
6 Espacios vectoriales Noción de espacio vectorial 121
;:ros complejos, diremos f) Si V= lR y definimos la suma de dos reales por medio de x EB y = mín(x, y) donde
mín(x, y) denota el mínimo entre x y y, y el producto de un escalar (real) a por
un real x como la multiplicación natural entre números reales, ax = a . x; V no
es un espacio vectorial real. ¿Cuál sería el vector O?
- ::i! :a manera usual, es un

Teorema 1 Sea V un espacio vectorial, v un vector y a un escalar, entonces:
- ~ de todas las matrices de i) Ov=O

ü) aO=O
1
wor o igual a n. üi) (-a)v=a(-v)= - (av)
iv) (-l)v = -v
v) Si av = O, entonces, a= O, o v =O
vi) Si av = ~v, y v * 0, entonces, a=~
Demostración:
- --· - b1x + b0 ) =
- bo)
i) Aplicando los axiomas M4, M2 tenemos, v = lv = (1 +O )v = 1v + Ov = v + Ov ::::::> v =
v + Ov ; luego Ov está haciendo el papel dé O, y por el axioma S3 sabemos que el
O es único, luego Ov = O
ü) Es similar a la anterior y por tanto se deja como ejercicio.
üi) Por el axioma M2 y por la parte i) de este teorema, tenemos, av + (-a )v =
[a+ (-a )]v = Ov =O~ av +(-a) v = O; luego (-a) v está haciendo el papel de
espacio vectorial real. negativo de av, es decir, de -(av) y por el axioma S4, sabemos que el negativo
es único, por tanto (- a )v = - (av).
- ~to de un escalar (real) por
-,_.a E R Por el axioma M2 y por la parte ii) de este teorema, tenemos, av+a(-v)=
a[v+(-v)]=aO=O~av+a(- v)=O; luego a(- v) está haciendo el papel de
negativo de av y por el axioma S4, sabemos que el negativo es único, por tanto
(--a) v = -(av).
De esta manera queda probado que ( - a) v =a (- v) = -( av).
~:orial real.
iv) La demostración se sigue de iii) haciendo a = l.
uas de valor real definidas
- - i!~ roducto de un escalar por 1 1
v) Si a v = O, y a -::F O, entonces - ( av) = - O, entonces por el axioma M3 y por la
. a a
:ial real teniendo en cuentE
_ .,- el producto de un escala: parte ii) tenemos: ( ~ a) v = O~ 1v = O=> v = O.
122 Capítulo 6 Espacios vectoriales
Si av = O, y v ::F O, entonces a= O, pues si a ::F O, tendríamos __!_ ( av) = __!_ O, lo i) Sean A.-
a a (A+B · es
que implica que v = O, lo que contradice el supuesto original de que v ::F O.

ü) Si a E 2... _
vi) Si av = ~v, y v ::F O,=> av- ~v =O=> (a- ~)v =O=> a = ~.por la parte iv) de
este teorema.
Teorema 2 Sea \ -
Definición 2 Sea S un subconjunto no vacío de un espaqio vectorial V, tal que S Je V. El conjunto -e:
cumple las siguientes propiedades: n subespacio veciG
i) \fu, v E S, u + v E S.
Demostración:
ii) \fv E S y Va escalar, av E S.
ean u, w E G(S), <::J..uu....L.~
Se dice entonces que S es un subespacio vectorial de V. . ego, u + w = (a 1 - ~
-i 8 es un escalar y :
- u =ó(a 1v1 +a v -
Ejemplos: Sea V = IR3 2 2
a) S= { (x,y,O) lx,y E IR} Ses un subespacio vectorial de V. Luego el conjunto G(S

ectorial.
i) Sean u= (xl'yl'O), v = (x 2,y2 ,0) E S=> u+ v = (x 1 + x2 ,y1 + y 2 ,0) E S
ü) Si a E IR y u= (xpypO) E S=> a u= (axpaypO) E S
Definición 3 Se d;
ectorial V, genera a
b) S= {(x,y,l) lx,y E IR} S no es un subespacio vectorial de V, pues si
. ión lineal de v1, v2, --
u= (xp Yp l),v = (x 2 , y 2 , l)E S::::::}
u+ v = (x1 + x 2 , y 1 + y 2 , 2) ~S.
Ejemplo: Las matric
e) Sea B un vector fijo de IR 3, S= { X E IR 3 1 X· B = 0}. S es un subespacio vectorial
de V.
r¡a/ de las matrices de
i) Sean Xp X 2 E S::::::} X 1.B =O, y, Xi B = 0 =>
(X 1 +X)·B = X 1 ·B+X 2 ·B = 0+0 =O=> (X 1 +X) E S
ü) Si a E IR, y, XE S=> (aX) · B = a(X · B) =a O (pues X·B =0, ya que X E S)
=>aX E S
Ejemplo: Los polino
d) Sea V el conjunto de todas las matrices cuadradas de tamaño n x n, y S el ·odas los polinom io_
conjunto de todas las matrices simétricas de tamaño n x n, entonces S es .:? {x) =a2 x 2 +a 1x +q¡ .
subespacio vectorial de V.
Capítulo 6 ión de espacio vectorial 123
= . ·endríamos _!_ (av) = _!_ O, le i) Sean A, y B E S=> A' = A, y, B' = B =>(A+ B)' =A'+ B' =A+ B, luego
a a (A+ B) es simétrica y por tanto (A+ B) E S.
original de que v -:f::. O.

ii) SiaE ~,y,A E S::::>(aA)' =aA'=aA,luego(aA)ES.
= =>a = ~,por la parte iv) de
leorema 2 Sea V un espacio vectorial y S = { v1 , v2 , • • ·, v n} un conjunto de vectores
V. El conjunto de todas las combinaciones lineales de S denotado por G(S) es
_ acio vectorial V, tal que S
subespacio vectorial de V, y se denomina el subespacio generado por S.
n u, w E G(S), entonces, u= a 1v 1 +a 2v 2 + ··· +anvn y, w = ~ 1 v 1 + ~ 2 v 2 + · ·· + ~nvn,

ego, u+ w = (a 1 + ~ 1 )v1 + (a 2 + ~ 2 ) v2 + ··· + (a 11 + ~ 11 )V11 E G(S).
·oes un escalar y u EG(S), entonces, u =a 1v 1 +a 2v 2 +···+a V , por consiguiente,

11 11
=o (a¡V¡ +a2v2 + ... +a nvn ) = (oa¡) V¡+ (oa2) v2 + ... + (oa /1) vn E G(S).
ego el conjunto G(S) formado por todas las combinaciones lineales de S es un subespacio
ectorial.
- = x. -x2 ,y1 + y 2 ,0)E S
-~ E S
finición 3 Se dice que un conjunto de vectores v 1, v 2 , · · · , v 11 , de un espacio
ctorial V, genera a V, si todo elemento de V se puede escribir como una combina-
a. de V, pues si ·ón lineal de V¡, V2, ·· · , V 17 •
S es un subespacio vectorial
mplo: Las matrices [ H
~ ~ ~ ~).[~ ~).[~ ~) genera al espacio vecto-
1 de las matrices de tamaño 2 x 2, pues dada una matriz [: ~Jse puede escribir
X -X 2) E S m0 [ a
cd
bl = a [ 00
1 O] + b[ O 1] + e [O O] + d [ O O]
00 10 01
ues X·B =0, ya que X E S)
Los polinomios p 0 (x)= 1, p 1(x)= x, p 2 (x)= x 2 genera a P 2 (conjunto de

- de tamaño n x n, y S el dos los polinomio s de grado :::; 2), pues dado un polinomio cualquiera
año n x n, entonces S es (x) =a2 x 2 +a 1x+a0 , este se puede escribir comop(x)=a 2 p 2 (x)+a 1p 1(x)+a 0 p 0 (x).
124 Capítulo 6 Espacios vectoriale;-
EJERCICIOS 11.
l. Determinar cuáles de los siguientes subconjuntos de ~ son subespacios vectoriales
3
de ~ 3 .
a) { (xpx 2 ,x 3 ) 1 x 1 =O}
12.
b) { (xpx 2 ,x3 ) 1 x 1 = 3}
e) { (xl'x 2 ,x3 ) x 2 = 2x 1}
1
13. Si S 1 y S2 son
d) { (xl'x 2 ,x3 ) 1 x1 +x 2 +x 3 = O} de V?
e) { (xl'x 2 ,x3 ) 1 x 1 + x 2 + x 3 = 3}
f) { (xpx 2 ,x3 ) 1 x 1 = x 2 = x 3 }
g) { (xpx 2 , x3 ) 1 x 1 2: O,x 2 2: O,x3 2: O}

Definición 1 Sea
2. Considere V= P 2 . Determinar si p(x) = x 2 + x pertenece al generado por

{ x 2 ,2x + x 2 , x + x 2}
3. Considere V= P 3 . Determinar si p(x) = x 3 + x 2 + x + 5, pertenece al generado po~

{x 3 ,-3x 2 , 2x + x 2 , x + x 2 ,1}
4. Considere V= P 3 . Determinar si p(x) = x 3 + x 2 + x + 5, pertenece al generado po~ Definición 2

{ x 3 -x 2 , x 2 +x, x 3 +x, 1}
5. ConsidereV=~ 3 .Determinarsi {(3, 1, 1),(2, O, 1) ,( 4, 1, 1),(3, O, 2)} gene-

raa V.
6. Considere V = ~3 . Determinar si {( 3, 1, 1) ,(2, O, 1), ( -1, -1, O), (- 4,- 2,- 1 Es obvio que si "todos·
genera a V. Pero puede suceder • ""
a¡ = O, en este caso s=- ~
7. Sea V= { f: ~ ~ ~} y S el conjunto de todas las funciones pares ( f (- x) = f (x)
Demostrar que S es un subespacio vectorial de V. Si la única forma po I- ='
dice entonces que { r: . _
8. Sea V= { f : ~ ~ ~} y S el conjunto de todas las funciones impares (/ (- x) =
- f(x)). Demostrar que S es un subespacio vectorial de V.
9. Demostrar que el conjunto de soluciones de un sistema homogéneo Am xnXn x 1 =O e5

Ejemplos:
un subespacio vectorial de ~n . a) Sea V= llV 1". =
10. Sea V el conjunto de todas las matrices cuadradas de tamaño n x n y S el conjunt· independiente
v2 e igualémo: _
de las matrices simétricas. Demostrar que S es un subespacio vectorial de V.
vectoriale. Dependencia e independencia lineal 125
11. Sea V el conjunto de todas las matrices cuadradas de ~amaño n x n y S el conjunto

" - = :on subespacios vectoriale5' de las matrices triangulares inferiores. Demostrar que S es un subespacio vectorial
de V.
12. Demostrar que si S 1 y S 2 son subfspacios de un espacio vectorial V, entonces S1 n S2

es también subespacio de V .
13. Si S 1 y S2 son subespacios de un espacio vectorial V, ¿la unión S1 uS 2 es subespacio

de V?
DEPENDENCIA E INDEPENDENCIA LINEAL
Definición 1 Sea V un espacio vectorial y, vi' v2 ,- · · ,v n un conjunto finito de

vectores. Una combinación lineal de tales vectores es una expresión de la forma,
n
a 1v1 +a 2v2 + ··· +anvn = La;v;
i= l
_ _ : . pertenece al generado p
_ _ : . pertenece al generado p - Definición 2 Un conjunto de vectores v" v2 ,- .. , v n de V son linealmente depen-

dientes si existen escalares al' a 2 ,- .. ,a n no todos iguales a cero tal que:
. .f, 1, 1),(3, O, 2)} gene-
• 1 -1, -1, O), (- 4,- 2, - 1 Es obvio que si "todos" los a¡ son cero, entonces, a 1v1 +a v2 + · · · +anvn =O (cero vector) .
Pero puede suceder que a 1v1 +a v 2 + · · · +anvn =O, sin ser necesariamente "todos" los
a;= O, en este caso se dice que el conjunto, {vi' v2 , .. . , vn} es linealmente dependiente .
.:iones pares ( f (- x) = f (x
Si la única forma posible para que a 1v1 +a v 2 + .. · +a nvn =O, es que todos los a;= O, se
dice entonces que {vi' v2 , ... , vn} es linealment~ independiente.
- :irnciones impares (f (- x) =
e Y.
Ejemplos:
a) Sea V= JR 2 , v1 = (1, 2), v2 = (1, 1) . Veamos si el conjunto {vi' v2 } es linealmente

independiente o dependiente. Para ello formemos una combinación lineal de v 1 y
.::::- Iamaño n x n y S el conjun -
v2 e igualémosla a cero.
- _ :.. -pacio vectorial de V.
a 1Cl, 2)+a/1, 1)=(0 , 0)=>
(a, 1 +a 2 , 2a 1 +a 2 ) =(0, O)=>
1 {1OJ ~ (1 11 OJ ~ (1 O 1Ol ~ (1 O1Ol => { a 1 = O

(2 1 o) o- 1 o o -1 o) o 1 o) a2 = o
Por tanto {vl' v2 } es linealmente independiente.
b) Sea V= ~ 2 , v1 = ( 1, 2) , v2 = ( 2, 4) . Analicemos si { vl' v 2} es linealmente

independiente o dependiente.
a 1v1 +a 2v2 =O=>
a 1(l, 2) +a 2 (2, 4) = (0, 0)=>
(a 1 + 2a 2 , 2a 1 + 4a 2) =(0, O)=>
a 1 +2a 2 =O entonces e=
a 1 =-1
2a 1 +4a 2 =O
G!I~H~ ~~~)=>
Definición 3 Sean -
-1 veces en el ínter:
(:~)=(~) +~ (-~)
Por ende hay soluciones fuera de la trivial, por ejemplo, haciendo~= 1, tenemo_ Jr =
a 1= 2
;luego { v 1' v2 } es linealmente dependiente.
{ a = -1
2
Teorema 1 Es un espacio vectorial V, un conjunto de vectores C = { vl' v2 ,. · ·, v, Jeorema 2 Sean ¡; (x . -

es linealmente dependiente sí y solo sí al menos uno de los vectores del conjunto C eces en el intervalo [a. =-
se puede escribir como una combinación lineal de los otros. - W(x) '1:- O en algún pz• . -
linealmente indep en - _
Demostración:
a) Supongamos que Ces linealmente dependiente, entonces, emostración:

a 1v1 +a 2v2 + · · · +a rvr = O - omemos una combinació~
6 Espacios vectoriales pendencia e independencia lineal 127
donde los ex no son todos iguales a cero. Supongamos que a 1 7:- O; de no ser así
reordenemos los vectores para que esto suceda:'entonces,
=
=
y esto demuestra que por lo menos v 1 es combinación lineal de los otros vectores
de C.
v 1' v 2} es linealmente
b) Si al menos un vector de e es combinación lineal de los otros, podemos suponer
que es v 1, de no serlo los reordenamos para que esto suceda, por tanto
entonces e = {V¡ , v2 , ··· Vr}es linealmente dependiente pues <X¡ 7:- 0 ya que
<X¡ = - 1
finición 3 Sean f 1(x ),J2(x) ,- ··,Jn(x), funciones de [a,b] _, lR y derivables

-1 veces en el intervalo [a, b]. El Wronskiano denotado por W(x) se define como
/¡(x) f 2(x) f n(x)

/¡'(x) f 2'(x) f n'(x)
. haciendo ~ = 1, tenem : W(x)= /¡"(x) f2"(x) fn"(x)
/¡(n-!)(x) f 2(n-!\x) f n(n-!)(x)
_ ectores C = {VI' V2 ,- · · , L hrema 2 Sean f 1(x),J2(x),---,Jn(x), funciones de [a,b] _, lR y derivables n -l

\"ectores del conjunto e ces en el intervalo [a, b].
W(x) 7:- O en algún punto x E [a,b ], el conjunto de funciones { /¡(x),J2(x),- · · ,J;/x)}
linealmente independiente.
mostración:
omemos una combinación lineal de f 1(x),J2 (x) , · · ·,Jn(x) igualada a cero
128 Capítulo 6 Espacios vectoriale;.
a 1.[¡(x) +a 2 f 2 (x) + ·· · +anfn(x) =O:::::::>

Ejemplo: Las f ,
a 1.[¡' (x) +a 2f 2' (x) + · · · +aJn' (x) = O:::::::> .ndependientes p·
a 1/¡"(x) +a 2 f 2 "(x) + · · · +anfn"(x) =O:::::::>
W(x ) =
El determinante de los coeficientes de las variables a¡ es
el cual por hipótesis es diferente de cero. Eso conlleva a que el sistema tiene solamen ~
la solución trivial a 1 = a 2 = ' · · = an =O por tanto el conjunto { .[¡(x),f2 (x),- · ·, f,,(x)} e5 3.
linealmente independiente.
Nota: Téngase en cuenta que en ningún momento el teorema dice que si el Wronskianc Sea U = { v1, v~ .
es cero el conjunto de funciones es linealmente dependiente. Considere por ejemplo las V. Determinar :::
funciones
a) Ul=
Osi -1.::;x.::;O b) U2=
.[¡(x)= { X Sl·O< <1
_ X_ e) U3=
d) U 4 == { 2 -
El Wronskiano de estas funciones es:
~ ~
Demostrar que las
1 1 = Osi - 1 .: :; x .:::;; O [0, 1].
W(x)=
1 ~ ~ 1 = Osi O.: :; x .:::;; 1

Demostrar que las
intervalo [0, 2n].
es decir el Wronskiano es igual a cero, pero estas funciones son linealmente independien- Demostrar que las .::
tes pues ninguna de ellas se puede escribir como múltiplo de la otra. en el intervalo (- x:.
vectori pendencia e independencia lineal 129
"-
jemplo: Las funciones J;(x) = 1, j 2(x) = x, j 3(x) = x 2, f 4 (x) = x 3 son linealmente
dependientes pues
1 X x2 x3
o 1 2x 3x 2 = 12 , que es diferente de cero.
W(x)=
o o 2 6x
o o o 6
EJERCICIOS
'l(x)
r'(x
li
) l. Demostrar que si un subconjunto de vectores contiene al vector cero, entonces el
conjunto es linealmente dependiente.
Demostrar que cualquier subconjunto de un conjunto linealmente independiente, tam-

bién es independiente.
e el sistema tiene solamente

to { J;(x),f2(x),-··,fn(x)} es 3. Demostrar que cualquier superconjunto de un conjunto linealmente dependiente, tam-
bién es dependiente.
_ = ;crna dice que si el Wronskiano 4. Sea U = {vi' v2, v3} un subconjunto linealmente independiente de un espacio vectorial
,..,c'·-a..~~.~L-- . Considere por ejemplo las V. Determinar si los siguientes conjuntos son linealmente independientes o no
a) U1 = {v 1 +v 2,v1 +v 3,v 2 +v 3 }
X 1 -1:s:; x:s:;O b) U 2 = {v1 - v2, V¡ - v3,v 2 -v 3}
Osi O:s:;x:s:;1 e) u3 = {2v¡ + v2, 2v¡ + v3,2v2 +v3}
d) U 4 = {2v 1 - v2, 2v1 - v3,2v 2 - v3 }
1
5. Demostrar que las funciones ex, e2x son linealmente independientes en el intervalo
[0, 1].
6. Demostrar que las funciones sen x, sen 2x son linealmente independientes en el

_x:s:;l
intervalo [0, 27t].
-es -on linealmente independien- Demostrar que las funciones 1, x + 1, x 2 + 1, x 3 + 1 son linealmente independientes
e la otra. en el intervalo (- co, co ).
130 Capítulo 6 Espacios vectoriales Bases dimensión
BASES Y DIMENSIÓN Reemplazando lo

(c1a 11 + c2a 12 + ... _
Definición 1 Se dice que B {v 1, v2, ·· · ,vn} es una base de V si:
=
(c1an 1+c2an 2+ ... _ ~
i) B es un conjunto linealmente independiente.
ii) B genera a V
pero esto es una
{v 1, v2, ··· ,vn} es
Teorema 1 Sea B = {v 1, v 2, ··· ,vJ una base de V, entonces todo elemento v eV,
puede ser expresado de manera única como una combinación lineal de los elemen-
tos de B.
Demostración:
Supongamos que v = a 1v1 +a 2v2 + · · · +anvn y v = ~ 1 v 1 + ~ 2 v2 + · · · + ~nvn entonces a 1v1+
a 2v2 + · · · +anvn = ~ 1 v 1 + ~ 2 v2 + · · · + ~nvn, lo que implica que (a 1- ~ 1) v1 + (a 2- ~ 2) v2 que es un sistema
+ · · · + (an- ~n)vn = O, y como {v 1, v 2, · · · ,vn} es linealmente independiente por ser base. fuera de la trivial
se sigue que a 1- ~ 1 =O, a 2- ~ 2 =O, ···, an- ~n =O y por consiguiente a 1= ~ 1 , a 2= por hipótesis m > 11.
~ 2, · · · , a n = ~ n , es decir v se puede escribir como combinación lineal de { v 1, v 2, · · · ,vn}. Recuérdese que (p =
de manera única.
Corolario.
conjunto de m vecr
Teorema 2 Sea B = {v 1, v 2, ··· ,vn} una base de V y U ={u 1, u 2, · · · , um} un
conjunto de m vectores de V. Si m > n, entonces, U es linealmente dependiente.
Teorema 3
vectorial V,
Demostración:
Como B = {v 1, v 2, · ·· ,vn} es base de V, entones todo elemento de V, se puede escribir Demostración:
como combinación lineal de {vp v 2, · · · ,vn} en particular los elementos de U, por tanto
Como {v 1 v2 . . . v
tenemos: ' ' ' n •
ma anterior que n ~
u1 =a 11v1+a 21v2 +· ··+an1vn Análogamente como
u2 = al2vl + a22v2 + ... +an2vn m ~n. (**)
De (*) y(**) se sigue ~
El teorema anterior no:
el mismo número de , ':
Como debemos demostrar que U = {u 1, u 2 , . . . ,um} es linealmente dependiente, forme-

mos una combinación lineal de ellos igualada a cero Definición 2
c 1u 1 +c2 u 2 +···+cmum =O úmero de elementos
irn V = O.
y probemos que no todos los e son cero.
Q¡;ítu/o 6 Espacios vectoriale5 óases y dimensión 131
Reemplazando los valores de u 1, u2 , .. • , um en esta expresión tenemos
clall + c2al2 + · · · + cma!m) V¡+(cla21+ c2a22 + · · · ~ cma2m)v2 + · · · +

e de V si:
(clanl+c2an2+ · · · + cmanm)vn=O
pero esto es una combinación lineal de {v 1, v2 , ... ,vn} igualada a cero y como
{v1, v2, .. • ,vJ es una base, y por tanto linealmente independiente, se concluye que
_ - •:ces todo elemento v E V.
clall +c2al2 + ... +cmu!m = 0
- ación lineal de los elemen-
cla21 + c2a22 + · · · + cmu2m = 0
- _::. .: - · · · + ~nvn entonces a 1v1 -

~..:e ~ )v que es un sistema de n ecuaciones con m incógnitas c 1, c 2 , .. · , cm que tiene solución
__ (a 1- 1 1 + (a 2- ~ 2) v2
=--:e independiente por ser base.

fuera de la trivial por ser un sistema homogéneo con más incógnitas que ecuaciones pues
por hipótesis m> n. Luego U={ u 1, u2 , .. • , um} si es linealmente dependiente.
- : -onsiguiente a 1 = ~ 1 , a 2 =
-- -íón lineal de { v 1, v2, ··· ,vn}. Recuérdese que (p => q) <:::::> (q => p) por tanto podemos enunciar el siguiente
Corolario. Sea B = {v 1, v2 , .. • ,vn} una base de V y U = { u 1, u 2, .. . , um} un

conjunto de m vectores de V. Si U es linealmente independiente, entonces m ::; n.
1_; ={u 1, u 2 , ... , um} un
PJealmente dependiente.
Teorema 3 Si B = {v 1, v 2, ... ,vn} y B 1 ={ u 1, u2, ... , um} son bases de un espacio
vectorial V, entonces m = n.
-= :---ento de V, se puede escribir Demostración:

s elementos de U, por tanto
Como {v 1, v2, • • · ,vn} es linealmente independiente por ser base, se desprende del teore-
ma anterior que n ::; m. (*)
Análogamente como {v 1, v2 , .. · ,vn} es linealmente y B = { v 1, v2, .. • ,vn} es base se tiene
m ::; n. (**)
De (*) y(**) se sigue que n = m.

El teorema anterior nos indica que cualesquier dos bases de un espacio vectorial V tienen
• el mismo número de vectores, y este número es conocido como la dimensión de V.
ente dependiente, forme-

Definición 2 Sea V un espacio vectorial, se define la dimensión de V como el
número de elementos que tiene una base. Se denota por dim V. Si V = {O} se define
dim V= O.
132 Capítulo 6 Espacios vectoriales Bases dimensión
Ejemplo: V= JR 2 tiene dimensión 2 pues una base de V es {(1, 0), (0, 1)} Repitiendo el argume:::: · -
tiene n elementos y
··· ,v17 } es base de Y.
Teorema 4 Si un espacio vectorial V tiene dimensión n, entonces !ualquier con-
junto de n vectores linealmente independiente es base de V .
Definición 3 Sea B =
entonces,
Demostración:
Sea un conjunto B = {v 1, v2, · · · ,v11 } linealmente independiente de V y probemos que
B = {v 1, v2, • · • ,v11 } si genera a V. Sea por tanto v un elemento cualquiera de V, entonces El vector (a i' a ')' · · · .
el conjunto { v 1, v2, • • · ,v11 , v }es linealmente dependiente por el teorema 2, ya que toda es llamado el vector
base de V consta de n vectores, luego respecto a la base B =
a 1v1 +a 2v2 + · · · +a 11 V 11 +av =O con a 7:- O, o algún a ; 7:- O.
Si a = O, se sigue que tiene que haber algún a; diferente de cero, pero esto indicaría Ejemplo: Sea B =
que a 1v1 +a 2v2 + ··· +a 11 v17 =0 con algún a; diferente de cero, lo que implica que como
{v 1, v2, ••• ,v11 } es linealmente dependiente, contradiciendo el hecho de que B=
{v 1, v2, • • • ,v11 } es linealmente independiente.
Por consiguiente a 7:- O y despejando v de a 1v1 +a 2v2 +· ··+a 11 v11 +av=O, tenemos
entonces (- 1, 2, 3) -
v = ( -: 1
) v1+ ( - : 2
) v2 + · · · + ( -:n) vn lo que demuestra que cualquier elemento B = {(l, 2, 1),(-1,
vE V es generado por {v1, v2, ••• ,v17 }; por consiguiente B = {v 1, v2, ••· ,v11 } es base de V.
EJERCICIOS
Ejemplo: B = { (1, 2, 1) ,( - 1, 3, 4) ,(0, 1, -1)} es una base de JR 3 pues B es li- En cada uno de lo: : _
nealmente independiente. es base de JR3. En ~
esa base.
a) B={(l,-1,!
Teorema 5 Sea V un espacio vectorial de dimensión n y B 0 = {v 1, v2, ··· ,v,.} un b) B = {(O,- 2, 1
conjunto de vectores linealmente independientes con r < n. Entonces se pueden
encontrar vectores vr+ 1, vr+2, • · • ,v11 tal que B = { v 1, v2, · · · ,v,., vr+ 1 , vr+2 , • • · ,v11 } sea e) B={(3,-4,1.-
base de V. d) B = {( 2, -1, l .
Cada uno de los sig-

Demostración: Hallar una base pare :
Como V tiene dimensión n, cualquier base debe tener n elementos. Como B0 no es base. a) { ( 1, 1, 1) , ( 1. •
pero es linealmente independiente se concluye que no genera a V, por tanto existe un
vector vr+ 1 que no pertenece al generado por B0 , luego {v 1, v2, • • • ,v,., vr+ 1} es linealmente b) { ( -1, 2, 1) ' ( l. -
independiente. Si r + 1 < n, podemos repetir el argumento y conseguir un conjunto e) {(0, 2, 1) ,(3.
{ v1, v2 , ••• ,v,., v,.¡- 1 , vr+ 2 } linealmente independiente.
d) {(2, 1,-1), (1.
_o 6 Espacios vectoriales 133
l. 0), (0, 1)} Repitiendo el argumento se llega el momento en que B={v 1, v2, ••• ,vr, vr+ 1 , vr+2, ··· ,vn}
·ene n elementos y por el teorema anterior se sigue que B= {v 1, v2, • • • , v r , v r+ 1 , v r+2 ,
·· · ,vn} es base de V. /
enances cualquier con-
Definición 3 Sea B = {v 1, v2, · •• ,vn} una base de un espacio vectorial V y v EV,

entonces,
=--e de V y probemos que

::ualquiera de V, entonce El vector (al' a 2 ,- · · ,an) E Jlln
- - e. teorema 2, ya que toda es llamado el vector de coordenadas (o simplemente las coordenadas) del vector v,
especto a la base B = {v 1, v2 , · · · ,vn} .
.:e ~ero, pero esto indicaría Sea B = {(1, 2, 1) ,( - 1, 3, 4) ,(0, 1, -1)} una base de !R 3 y v = (-3, 7, 4),
.:e :ero . lo que implica que omo
::-~o el hecho de que B=
(-3, 7, 4) = (-1)(1, 2, 1)+2(- 1, 3, 4) +3(0, 1, - 1)
- -- an vn +av =O, tenemos entonces (-1, 2, 3) son las coordenadas de v = (-3 , 7, 4) respecto a la base
B= {(1, 2, 1) ,(-1, 3, 4),(0, 1, -1)}.
q e cualquier elemento
• 1.·:· · · · ,vn} es base de V.

EJERCICIOS
- e de Jll 3 pues B es li- En cada uno de los siguientes ejercicios V= Jll 3 y v = (1 , 2, 3). Verificar si Bes o no
es base de Jll 3 . En caso afirmativo hallar el vector de coordenadas de v respecto a
esa base.
a) B ={(1, - 1, 1),(-1, 3, 1) ,(1, 2, - 1)}
B = {v 1, v2, ••• ,vr} un b) B = {(0,-4 1),(-1, O, 1),(3, 2, -1)}
< :. Entonces se pueden
e) B = {(3, - 4, 1) ,(- 1, - 1, 1),(4,-3, O)}
• . vr+ 1 , vr+ 2 , ··· ,vn} sea
d) B = {(2, - 1,1) ,(1, 1, 1),(0,2,-1)}
Cada uno de los siguientes conjuntos de vectores genera algún subespacio de Jll 3 .
Hallar una base para ese subespacio y calcular su dimensión.
t-''=~~.::os. Como B0 no es base, a) {( 1, 1, 1) ,(1, O, 1) ,(1, 2, 1)}
_ 3. Y, por tanto existe un
b) { ( -1, 2, 1) '(1, -1, 1) ,(2, 1, o)}
_ - . \ ·r • v r+ 1} es linealmente
_ conseguir un conjunto e) {(0, 2, 1) ,(3, 1, 2),(-4, 1, 3)}
d) { (2, 1,- 1), (1, O, 5) ,( 3, 1, 4)}
3. Demostrar que { 1+ x, 1- x} es una base para P 1 y hallar las coordenadas de

p(x) = 4x + 5 respecto a esta base.
4. Demostrar que {1, x + 1, x 2 + 1, x 3 + 1} es una base para P 3 y hallar las coordena- Capítulo
das de p (x) = 2x 3 - 5x 2 + 4x - 2 respecto a esta base.
5. El conjunto de soluciones del sistema

\
x1 - 3x 2 + 2x 3 O
2x 1 - 7x 2 + 3x 3 O
es un subespacio de JR 3 . Encontrar una base para este subespacio.
6. Sea {( 1, 2, -1) , (O, 1, 2)} un conjunto linealmente independiente de vectores de

JR 3 . A partir de este conjunto hallar una base de JR 3 . Definición 1 Sea:;
transformada linea:
7. Sea{(l, 4, 1, 0),(-1, 2, O, 1)} unconjuntolinealmenteindependientedevectores a) T(u+v) =T

de JR 3 . A partir de este conjunto hallar una base de JR 4 .
b) T(au)= a T
8. Calcular la dimensión del espacio de las matrices triangulares superiores de tamaño para todo u, V E Vy r
n x n.
Nota: Obsérvese w _
9. Calcular la dimensión de las matrices simétricas de tamaño n x n. T(au+v) = aT(u) -
Teorema 1
Demostración:
T(O)=T(O+O)=T(O-
único, se concluye que
Ejemplo: T: E .o
( x,y.:
es una transformación ' -

mentas de JR 3 y a e un ~
Capítulo 6 Espacios vectori
hallar las coordenada
- ~ para P 3 y hallar las coorde- apítulo 7

Transformaciones
lineales
DEFINICIÓN Y CONCEPTOS BÁSICOS
Definición 1 Sean V y W espacios vectoriales. Una función T de V en W, es una

ansformada lineal si
a) T (u + v) = T( u)+ T(v)
b) T (au) = a T( u)
guiares superiores de tamat ara todo u, v E V y para todo escalar a.
Nota: Obsérvese que estas dos propiedades se pueden resumir en una sola,
T(au + v) = a T(u) + T(v)
Teorema 1 Sea T una transformación lineal de V en W, entonces T(O) = O
Demostración:
T(O) = T(O +O)= T(O) + T(O), entonces T(O) hace el papel de O de W, y como el O es
único, se concluye que T(O) = O
Ejemplo: T:
(x,y,z) H (x,y)
es una transformación lineal, en efecto, si u= ( x 1, y 1, z 1 ) y v = (x 2 , y 2 , z 2 ) son ele-

mentos de JR 3 y a es un escalar tenemos:
136 Capítulo 7 Transformaciones lineales Definición y conceptos -
a) T(X+Y) =Ií
( 1, 2, 3) · (x1 -
b) T(au) = T(ax 1,ay1,az1) = (ax 1,ay1) =a(x1,y1) = aT(u)
Ejemplo:
b) T(aX) = T
no es una transformación lineal, basta ver que si u = ( x , y) y a es un escalar, entonces
T( a u)* a T(u) ( 1, 2, 3) ·(a.
T(au) = T(a.x,ay) =~(ruY + (ay) 2 = ~a 2 x 2 + a 2 / = ~a 2 (x 2 + y 2) = a[(I, 2, 3) · x
lal ~x 2 + / = laiT(u)
Ejemplo: T: y
es decir tenemos que T(au) = a IT(u) y no T(au) = a T(u) como se esperaría para que
1
r -
fuera transformación lineal. Esto se tendría si a ;: :- O, pero entonces no sería para todo a
como dice la definición.
es una transformació
mación nula.
Ejemplo: Sea V = {Matrices de tamaño 2 x 2}, W = lR y T dada por
T: V lR Ejemplo: Rotación
X ción de rotar un vec
~)
x+y
(: H x +y+z Analicemos primero e. =· _
x+y+z+w
Se puede probar muy fácilmente que T es una transformación lineal.
Ejemplo: Sea A = (1, 2, 3) un vector de JR 3 y
T: JR 3 ~ lR
X H A·X
veamos que T es una transformación lineal. Sea a un escalar y X= (x 1, x 2 , x 3 ) ,

Y =(y¡, Y2, Y3)
- Transformaciones lineales Definición y conceptos básicos 137
- - :) =
( 1, 2, 3) · (x 1 + y 1, x 2 + y 2 , x 3 + y 3 ) = x1 + y 1 + 2x2 + 2Y2 + 3x3 + 3y 3 =
= Tu)
_ a es un escalar, entonces
a[(l, 2, 3) ·( x 1,x 2 , x3 )] = a[A · X] = aT(X)

=
Ejemplo: T: V --7 W
: mo se esperaría para que V H 0
es no sería para todo a
es una transformación lineal. (Ejercicio). Esta transformación lineal se llama la transfor-

mación nula.
Ejemplo: Rotación de vectores. Sea T : R2 --7 R. 2 donde T representa la opera-

ción de rotar un vector un ángulo e, entonces T es una transformación lineal.
Analicemos primero el efecto que tiene rotar un vector un ángulo e.

y
in ea l.
______________.___ ~~----------~x
x2 x1
138 Capítulo 7 Transformaciones lineales Definición
Al rotar el vector: X 1 = ( x1 , y 1) un ángulo e obtenemos el vector X 2 = ( x 2 , Y2) pero debe

observarse que la longitud del vector no cambia, por tanto // 2 // X =//X
1//
a(x1 cos 8-
X¡= / X1// cosa
y 1 = / X1// sen a
Xz =1/Xz // cos(a +e) =1/X¡//(cosa cose - sena sen e)=

Definición 2 Sean T
//X 1 //cosa cose - //X 1// sena sen e= x1 cose- y 1sen8 V en un espqs;:io vecrc
multiplicación del ese
y 2 = //X2 // sen( a + 8) = //X 1// (sen a cos 8 + cosa sen 8) =
// X 1// sen a cos 8 + / X 1// cosa sen 8 = y 1 cos 8 + x 1 sen 8 =
x 1 sen 8 + y 1 cos 8
Luego el efecto de rotar un vector X 1 = ( x1, y 1) es asignarle un nuevo vector dado por
X 2 = (x1 cos 8 _Jy 1 sen 8, x1 sen 8 + y 1 cos 8)
Por consiguiente
emostración:
T: ~2 ~ !Rz sigue de la definicióc .,_.._...,_.
X 1 = (x1 , y 1) H (x1 cos8 - y 1 sen8, x 1 sen8 + y 1 cos8) rmación nula dada en e
Veamos ahora que T es una transformación lineal. Sean X = ( a 1, b1 ) , Y = ( a 2 , b2 ) do nición 3 Sea T :

vectores de IR 2 y a un escalar la transformación e
notaremos el núcleo
4 Sea T : ·
recorrido) de la tran~
existe un v E V, :
T por Ir.
( a 1 cos8 + a 2 cos 8 - b1 sen 8 - b2 sen 8 ,

Sea T: JR3 _
a 1 sen 8 + a 2 sen 8 - b1 cos 8 - b2 cos 8) =
T(x,y,z) = (x- _. : ~
( a 1 cos 8 - b1 sen 8, a 1 sen 8 - b1 cos 8) +

{(x,y,z) / T(x,y, ~ =
= {(x,y,z) / (x- y,3 ~

:- x~ = (x2 ,J2) pero debe b) T(aX) = T(aa 1, ab1 ) = (ax1 cose - ay 1 sen e, ax 1 sen e +ay1 cose) =
-- ~ = X¡ll
a(x 1 cose - y 1 sen e , x 1 sen e + y 1 cose) =a T(X)
finición 2 Sean T 1 y T2 dos transformaciones lineales de un espacio vectorial

- en un espacio vectorial W y sea a un escalar. Se define la suma de T 1 y T 2 y la
ultiplicación del escalar a por la transformación T1 de la manera usual, es decir
=
(T1 +T2)(v) =T1(v)+T2 (v) /
(a T1) (v) = aT1(v)
El conjunto de todas las transformaciones lineales de un espacio

~ nuevo vector dado por ctorial V en un espacio vectorial W es un espacio vectorial.
emostración:
sigue de la definición anterior y observando que la transformación lineal Oes la trans-
nnación nula dada en el ejemplo 4.
finición 3 Sea T : V -7 W es una transformación lineal. Se define el núcleo

la transformación como el conjunto de elementos v E V tales que T(v) = O.
notaremos el núcleo de la transformación T por N r·
finición 4 Sea T :V -7 W es una transformación lineal. Se define la imagen

recorrido) de la transformación como el conjunto de elementos w E W para los
ales existe un v E V, tal que T(v) = w. Denotaremos la imagen de la transforma-
·ón T por Ir.
emplo: Sea T : JR 3 -7 JR 2 donde
T(x,y,z) = (x - y, 3z)
{(x,y,z) 1 T(x,y,z) = 0}
-T \
{ (x,y,z) 1 (x-y, 3z) =O}
140 Capítulo 7 Transformaciones line Definición
{(x,y ,z) 1Cx - y ,3z ) = (O,O) } Como w 1, w2 E I r.

T (v 1 + v2) = T(v 1) - T
w2, por tanto w 1 + 1 : :::
= {(x,y,z) lx- y =0, 3z =O }
T(av 1) = aT(v1) a' _
{(x,y ,z) lx= y, z=O}

Teorema 4 Sea T _
{ (x,x ,O)} T es uno a uno, sí_·
Ir = {(x-y ,3z)¡x, y,zE JR } Demostración:

Recorcfemos que una
{ x(l,O) +y (-1,0) + z(0,3) 1 x,y, z E lR} equivalente a afirmar
G {( 1,0) ,(-1,0) , (0,3) } a) Supongamo- _

Nr;t {O} im;
G {(1,0) (0,3)} donde G denota el subespacio generado (con v ;t 0) . .__
ciendo el su _
b) Supongamo- -
asumamos
Teorema 3 Sea T : V ~ W una transformada lineal de V en W.
a) El núcleo N r es un subespacio vectorial de V.
b) La imagen Ir es un subespacio vectorial de W.
Teorema 5 Sea T :
m conjunto linea/m
Demostración: · · · vk} un conjunto _
Entonces {v1, v2, .. .
a) Debemos demostrar que si v 1, v2 E Nr y a un escalar entonces
i) v 1 + v 2 E Nr
Demostración:
ü) av 1 E Nr
Como v 1, v 2 E Nr , entonces T(v 1) = O, T(v 2 ) = O, lu e= a 1v1 + a 2 v2 + ·· · +ak1
T( v1 + v2 ) = T( v1) + T( v2 ) = O+ O= O. Por consiguiente v 1 + v 2 E Nr. 1T(v1)+a 2 T(v2 )+ .. . -
T(av1) = aT(v 1) = a0=0, entonces av 1 E Nr. _- como {w1, w2, ... ,11··
'JOr tanto {v 1, v2, • • · , 1· _
b) Debemos demostrar que si w 1, w2 E Ir y a un escalar entonces

Teorema 6 Sea T
i) w1+ w2 E Ir
--r = {0}.
ü) aw1 E Ir
- Transformaciones lineale; Definición y conceptos básicos 141
Como w 1, w2 E Ir, existen v 1, v2 E V, tal que T(v 1) = w 1, T(v2) = w2 . Luego

T (v 1 + v2) = T(v 1) + T(v2) = w 1 + w2 , lo que en resumen indica que T (v 1 + v2) = w 1 +
w2, por tanto w 1 + w2 E Ir
T(av 1) = aT(v 1) aw 1, es decir T(av 1) = av 1 por consiguiente aw 1 E Ir
Teorema 4 Sea T : V ~ W una transformación lineal de V en W.

Tes uno a uno, sí y sólo sí, NT = {0}.
Demostración:
Recordemos que una función T es uno a uno si v1 * v 2 ::::::> T( v1) * T{v2) . Lo cual es
equivalente a afirmar que si T( v1) = T( v2) ::::::> v1 = v2
a) Supongamos que Tes uno a uno y probemos que Nr = {0}. Si Tes uno a uno y
N T :;t {O} implicaría que en el núcleo existen por lo menos dos elementos O y v
(con v :;t 0), esto es T(O) =O y T(v) = O. Luego T no sería uno a uno, contradi-
ciendo el supuesto de que si lo era.
b) Supongamos ahora que Nr = {O} y probemos que T es uno a uno. Para ello
asumamos que T(v 1) = T(v2), luego T (v 1 - v2) = O, lo que indica que (v 1 - v2)
E Nr = {O}; por consiguiente v1 - v2 =O y v 1= v2 . Luego Tes uno a uno.
Teorema 5 Sea T: V ~ W una transformación lineal de V en W, {w 1, w2 ••• wk}

m conjunto linealmente independiente, contenido en la imagen de T y sed {v;, v2 ,
.. · · vk} un conjunto de elementos de V, tal que T(v 1) = w1, T(v2) = w2 T(vk) = wk.
Entonces {v 1, v2, .. · , vk} es linealmente independiente. '
Demostración:
a 1v1 +a 2 v2 + .. ·+akvk =0::::::>T(a 1v1 + a 2 v2 + .. · + akvk) = T(O) = O::::::>

O, T(v 2 ) = O, lue:::
-iguiente v 1 + v2 E Nr. a 1T(v1)+a 2 T(v 2 )+ ... +a kT(vk)= O::::::> a 1w 1 + a 2 w 2 + .. · +ak wk = O
.·como {wp w 2, · · · ,wk} es linealmente independiente, se concluye a 1 = a 2 = · · · ak =O;
or tanto {v1, v2 , .. • , vk} es linealmente independiente.
Teorema 6 Sea T : V ~ W una transformación lineal de V en W, tal que

--r = {0}.
142 Capítulo 7 Transformaciones lineales
Si {v 1, v2 , ···, vk} un conjunto linealmente independiente elementos de V, entonces Luego x 1v1 + x 2 v~ -

{T(v 1) , T(v2), · · ·, T(vk)} es también linealmente independiente de Nr, es decir de
X¡V¡ + x 2 v 2 +· ··+ X
Demostración: X¡ V¡ + X 2 v2 + · · · +X
a 1T(v 1)+ a 2 T(v 2 )+ ···+a kT(vk) = O::::? T(a 1v1 + a 2 v2 +···+a kvk) = O::::? a 1v1 + a 2 v2 - pero esto es una co,.-·----=-...-
· ·· +akvk E Nr, pero como Nr = {O} se tiene que a 1v1 +a 2 v2 + ··· +akvk = O. Como v2, ... , vd por tanto
{v 1, v2 , ···,vd es linealmente independiente se concluye que a 1 = a 2 = ··· =ak = O. Por
tanto {T(v 1) , T(v2), ··· ,T(vJ} es linealmente independiente.
Por tanto { T( v1) , T _
a Ir se deduce que es -
Definición 5 Sea T : V ~ W es una transformación lineal. La dimensión de la dimensión de 1\";- "'-
núcleo se denomina la nulidad de T y la dimensión de la imagen se denomina e~
En el ejemplo 5 \ :_
rango de T.
transformación 'line
V - dim Nr= 3 -: = _
Teorema 7 Si T V ~ W es una transformación lineal, entonces dim V = contenida en JR 2 se

dim NT + dim Ir.
Ejemplo: Sea T : - - -
Demostración:
Sea {u 1, u2 , •• ·, uk} una base del núcleo. Por el teorema 5 de la página 132 se pueder;
encontrar vectores {v 1, v2, ···,vk} tal que B = { u1,u 2 , ... ,u 1 , v1, v2 , ... , vk} sea base de
V. Sea ve V, entonces v = a 1u1 +a 2 u 2 +···+a 1u1 + ~ 1 v1 + ~ 2 v 2 +· ·· +~ kvk~
~r {(x,y)/T (x.
T(v)=T(a 1u1 +a 2 u2 + ···+a 1u1 + ~ 1 v 1 + ~ 2 v 2 +···+ ~kvk) =
a 1T(u 1)+a 2 T(u 2)+···+a1T(u) + ~ 1 T(v 1 ) + ~ 2 T(v 2 ) +···+ ~kT(vk) = { (x,y)/ (2x-
a 1O+a 2 0 + · ·· +a1 0 + ~ 1 T(v 1 )+ ~ 2 T(v 2)+ ···+~k T(vk) =
{ (x,y) / (2 x -
0 + 0+·· ·+0+ ~ 1 T(v 1 )+ ~ 2 T(v 2 )+··· + ~ kT(vk)=
~ 1 T(v1 )+ ~ 2 T(v 2)+ ···+~k T(vk) = {(x,y)/2 x- . =
Hemos demostrado por tanto que T( v) = ~ 1T( v1) + ~ 2 T( v2 ) + · · · + ~k T( vk), es decir qu" = {(x,y)/x= C. =
{ T( v1) ,T( v2), ... , T( vk)} genera a Ir .
Veamos ahora que {T(v 1), T(v2), ... , T(vJ} es linealmente independiente. ={ (0,0)}= {0
x1T(v1)+ x 2 T(v 2 )+ ··· + xk T(vk)= O::::? T(x 1v1 + x 2 v 2 + · ·· + xkvk) = O::::?

x1v1 +x2 v2 + ··· + xkvk E Nr· Como Nr = {0}, se
dirn V= dim Nr + din: _
transformación no e- _,-"~..,....,_,.
Luego x1v1 + x 2 v2 + · · · + xk vk puede expresarse como una combinación lineal de la base

de Nr, es decir de { u 1 ,u 2 , ... ,u1 }.
x1v1 + x 2 v2 + ... + xkvk = y 1u1 + y 2 u 2 + ... + J:J u1 =>
x1v1 +x 2 v2 +· ··+xkvk- y 1u1 - y 2u 2 _ , , _ y1 u1 =O,
- U· 1'k)=0=>a¡V¡ +a 2 v2 - pero esto es una combinación lineal de los elementos de la base B = { u1, u 2 , .•• , uJ, v1,
- _ , + ... +a kv k = O. Como v2 , ... , vd por tanto x 1 = x 2 = · · · = xk = O, como también lo es y 1 = y 2 = · · · =y¡ = O.
- - =a 2 =··· = ak =0. Por
Por tanto { T( v1), T( v 2 ), • · ·, T( vk)} es linealmente independiente, y como también genera

a Ir se deduce que es base y que tiene dimensión k. Como la dimensión de V es j + k, y
_...........,,~ .rineal. La dimensión de: la dimensión de N res j, y la dimensión de Ir es k, se sigue que dim V = dim N r + dim Ir.
imagen se denomina e" En el ejemplo 5 vimos que si T : JR. 3 ---¿ JR. 2 donde T(x,y,z) = ( x- y,3z) es una
transformación lineal, N r = 1, entonces por el teorema anterior sabemos que dim Ir =·Q.im
V - dim Nr= 3 - 1 = 2. Luego como la imagen tiene dimensión dos y la imagen está
contenida en JR. 2 se concluye que Ir = JR. 2 .
·:neal, entonces dim V =
Ejemplo: Sea T : JR. 2 ---¿ JR. 3 donde
: "'e la página 132 se pueder. T(x,y) = (2x + y,x +y, 3x - y)

. ":. v2 , ... , vk} sea base de
- ~2V2 + .. ·+ ~kvk ~
{(x,y)IT(x,y) = O}
{ (x,y) 1 (2x + y, x+ y, 3x- y)= O}
{ (x,y) 1 (2x +y, x +y, 3x - y)= (0,0,0 )}
= { (x, y) l2x +y = O, x +y = O, 3x- y = O}
= { (x,y) 1 x = O,y = O}
: _ ... +~k T( vk), es decir que
= {(0,0)} = {0}
dependiente.
- - .:t l' ) =o =>
Como Nr= {0}, se concluye que la transformación lineal es uno a uno. Además como
dim V = dim N r + dim Ir, se tiene que 2 = O + dim Ir, o sea que dim I r= 2, por ende la
transformación no es sobreyectiva.
Ir= {(2x+y,x+y,3x-y)¡x ,y E !R.} d) T: M?_x _-
{x(2, 1, 3) + y(l, 1, -1) 1 x,y E IR.} a b

T = -
(e d/ -
G {(2, 1, 3) , (1, 1, -1)}
e) T: M 2 x:
donde G denota el subespacio generado.
Teorema 8 Sean V y W espacios vectoriales tales que dim V = dim W y T :

V ---7 W es una transformación lineal. T es uno a uno, sí y solamente sí, T es
sobreyectiva.
Demostración:
a) Supongamos que Tes uno a uno, entonces Nr = {O} y por tanto dim Nr = O.
Como dim V= dirn Nr+ dim Ir, entonces dim Ir= dirn V, luego dim Ir= dim W.
por consiguiente T es sobreyectiva. h) T: R. 2 ---7 ::::_:
b) Supongamos ahora que T es sobreyectiva, entonces dim Ir = dim W, luego dim

Ir=dim V, pero como dim V = dimNr+ dimir, se concluye que dimNr= O, por 3. Demostrar que :
consiguiente Nr = {O} lo que indica que Tes uno a uno.
sobreyectiva, "'-'""~-"-"!
EJERCICIOS
MATRIZ ASOCIADA
l. Sean F: U ---7 V y G: V ---7 W transformaciones lineales. Demostrar que la

transformación compuesta
GoF: U ---7 W
dada por (G o F) (u) = G( F (u)) es una transformación lineal.
2. Determinar cuáles de las siguientes aplicaciones T d~finidas a continuación sor:

lineales. Para las que son lineales, hallar N r, Ir, dim N r y dim Ir
Entonces,
a) T : IR.2 ---7 IR.2 donde T(x,y) = (3x,x +y)
T(v1)
b) T : IR.2 ---7 IR.2 donde T(x,y) =(3x,xy)
T(v2)
e) T : IR.3 ---7 IR.3 donde T(x,y,z) = (x- y,x + y,y- z)

T(vn)
- Transformaciones lineales Matriz asociada a una transformación lineal 145
donde
donde
e dim V = dim W y T :
sí y solamente sí, T es
f) T: Mnxn ~ Mnxn donde T(A) = ( A+A')
2
g) T: JR2 ~ JR2 donde T(x,y) =(cosx, y)

y por tanto dim N r = O.
-= ~,.,.., Y.luego dimir= dim W.
h) T: JR2 ~ JR2 donde T(x,y)=(2x,lyl)
I r = dim W, luego dÍffi

cluye que dim Nr = O, por 3. Demostrar que si T : V ~ W es una transformación lineal uno a uno y
sobreyectiva, entonces dim V = dim W
MATRIZ ASOCIADA A UNA TRANSFORMACIÓN LINEAL
aneales. Demostrar que la ea T : V ~ W es una transformación lineal, Bv = {v 1, v2, ••• , v11 } base de V y Bw =
w1, w2, ···, wm} base de W. Supongamos que
.32nidas a continuación son

_-_ _: dim Ir T (V n) = a nl W¡ +a n2 W2 + ... +a nm W m
Entonces,
T(v1) a 11 w1 +a 12 w2 +···+a 1mwm
T(v 2 ) = a 21 w1 +a 22 w 2 +···+a 2 mwm =>
a nl W¡ +a n2 W2 + · · · +a nm W m
14 6 Capítulo 7 Transformaciones lineales Matriz asociada 2
a 11 a 12 a ¡m W¡
a 21 a 22 a 2m tenemos que T
a nl a n2 a nm
a 2m
La matriz A = se llama la matriz asociada con la transforma- En resumen he
a nl a n2 a nm
Re-sultado 1
ción lineal respecto a las bases Bv = {v1, v2, ··· , vn} de V y Bw= {w 1, w 2, · ·· , wm
de W y la denotaremos como MT
Sea v E V :::::} v = x 1v 1 + x 2v 2 + ··· + x nvn :::::}

T( v) = x 1T( v1)+ x 2T(v 2 ) + · · · + xn T(vn) = T(v) = (x1 , x 2 , .. • •
(1 )
= (y¡, Y2, ···, Y m
au a !2 a ¡m W¡
a a 2m w2 nde
(x¡,X2, ... ,xn) !xn a 2 ! 22
Es el vector e~
a nl a n2 a nm nxm wm mxl V
2> · · · ' V}
n de
Es la matriz :\1-
Es el vector e -
Haciendo
a ¡¡ a !2 a¡m
a 21 a22 a 2m
(y¡, Y2> . .. ,Ym) = (X¡ , x2, .. . , xn) !xn
r tanto ( y 1, y 2, ..•
a nl a n2 anm nxm
- Transformaciones lineales Matriz asociada a una transformación lineal
y 1w 1 + y 2w 2 + · ·· + YmWm, esto nos indica que (y 1, y 2, •• · , Ym) es el vector de coorde-

nadas de la imagen de v respecto a la base Bw = {w 1, w2 , · ·· , wm} de W.
- asociada con la transforma- En resumen hemos obtenido el siguiente resultado:
Resultado 1
Si vEV~v = x 1 v 1 + x 2v 2 +···+xnvn ~
a¡¡ a 12 a¡m W¡
a 21 a 22
T(v) = (x 1 , x 2 , .. . , xn)
anl a n2
,.----'---,
(1) (2) (3)
W¡
w2
=( y¡, J2, ... , Ym)
donde
( 1) Es el vector de coordenadas en forma de fila de v respecto a la base Bv = { v 1,
v2, .. · , vn} de V
(2) Es la matriz My, asociada con la transformación lineal
(3) Es el vector columna de la base Bw = {w 1, w2, .. · , wm} de W.
a 11 a 12 a 1m
a 21 a 22 a 2m
nxm a ni a n2 a nm
148 Capítulo 7 Transformaciones lineales \tlatriz asociada a una
es el vector de coordenadas en forma de fila de T(v) respecto a la base Bw = {w1. Ejemplo: Sea T : -
w 2, · · · , wm} de W .
Si calculamos la transpuesta tenemos:

Resultado 2
T(1, O)= (3, 1) = 3(1.
all T(O, 1) = (-2, 1)= - :
a 12
Luego la matriz asoc· -
a nm
Si v = (- 3, 4), ento
(4) (5) (6)
~~( xx J=(31
1
-2 1
2 J
Yt
Y2
= (w¡ , w2, · ··, wtn ) 3x - 2y) , que COID
x+y
Ym
~anónica.
donde
Ejemplo: Sea la
(4) Es el vector fila de la base Bw = {w1, w2 , ••• , wm} de W. -1,2)}, Bw = {(1,- : .
(5) Es la transpuesta de la matriz Mr , asociada con la transformación lineal.
(6) Es el vector de coordenadas en forma de columna de v respecto a la base Bv = {v1• T(l, - 1) = (5, O)= a :~
v2 , · · · , vn} de V. T(- 1, 2) = (-5, 1) = a:
Lo que nos conduce a:

Yt a 11 a21
a 12 a 22
Por tanto Y2 a"
- a"
Ym a nm
ue al resolverlo nos da:
Jt t = O, a ,2 = - 5, a2 1 = -
es el vector de coordenadas en forma de columna de T(v) respecto a la base Bw = {w1.
w2, ... ' wm} de w.
En lo que resta del libro usaremos el resultado 2, tanto para explicaciones respecto a la 0
por tanto Mr =(
matriz asociada a una transformación lineal, como para las respuestas a los ejercicios. - ]
- Transformaciones lineales Matriz asociada a una transformación lineal 149
Ejemplo: Sea T : JR 2 --7 JR 2 dada por

T(x,y) =(3x- 2y,x + y)
donde Bv= B111 = {(1,0),(0,1)}
T(l, O)= (3, 1) = 3(1, O)+ 1(0, 1)

T( O, 1) = (-2, 1) = - 2(1, O)+ 1(0, 1)
= Luego la matriz asociada con la transformación lineal es Mr = ( _ ~ ~)

/
Si v = (-3, 4), entonces el vector de coordenadas en forma de columna de T(v) es
X
M~ x~
( J=(31 -2] (-3]
1 4
= (-17] ·
1
y si v = ( x, y), entonces T( v) = (3 -2)
1 1
(X)
y =
t 3x- 2y)
, que coincide con T(v) = T(x, y) = (3x - 2y, x +y) debido a que Bw es la base
x+y
anónica.
Ejemplo: Sea la misma transformación del ejemplo anterior con Bv = {(1,-1),

t- 1,2)}, B 111 = {(1,-1 ),(- 1,0)}. Tenemos por tanto ,
- - o rmación lineal.
~ - respecto a la base Bv = {,. T( l, -1) = (5, O)= a 11 (1, -1) + a 12(- 1, O)
T(-1, 2) = (-5, 1) = a 21 (1, - 1) + a 22 (- 1, O)
o que nos conduce al siguiente sistema de ecuaciones lineales:
a¡¡ a 12= 5 az¡ a22 = -5

- a¡¡ + o = o - a 21 + O = 1
que al resolverlo nos da:

a11 =O, a 12 =-5,a21 = - 1, a 22 =4
- -::. explicaciones respecto a la por tanto Mr = o - 5J

- re::,-puestas a los ejercicios.
(- 1 . 4
- -=-==-=- ---~ -------=--~~------ ..- -- -

150 Capítulo 7 Transformaciones li
Nuevamente si v = (-3, 4), entonces el vector de coordenadas de v respecto a la bas~
B, = { ( 1,- 1) , (- 1, 2)} es (- ~) luego el vector de coordenadas en forma de columna Sea u E U, entonce =
denadas de u respe -
coordenadas de T 1( v :-.
nadas de ( T 2 o T 1,
Si v = (x, y), debemos primero calcular el vector de coordenadas de v con respecto a la Wes:
base Bv = { ( 1, -1) , (- 1, 2)} de V.
M~(M;x) = (M~M; X=
(x, y)= x 1(1, - 1) + x 2 (-1, 2), entonces,
formacióríÍineal T 2
X¡ x2 = X
- x 1 + 2x 2 = y
Definición 1 Sea
que resolviendo nos da x 1 = 2x +y, x 2 = x +y
transformación se /1-
entonces T( v) = M~
[Xzx 1)
= [ O-1)
- 54
[2xX++y)y - [--x- y)
6x - y Definición 2 Sea T
F: W -7 V si
Ejemplo: En el ejemplo rotación de vectores de la página 13 7 vimos que el efecto

de rotar un vector es una transformación lineal. Se puede observar que la matri::
' lineal es [ cos e
asociada a esta transformacion sen e).
-sen 8 cos e donde Iv e Iw den o -
vectoriales V y W r·orT__.,--
Teorema 1 Sean U, V, W espacios vectoriales y Bu = {u 1, u2, .. • , us}, Bv = {v1• Ilustración:

v2 , .. · , vn} , Bw = {w 1, w2, ... , wm} bases de V, V y W respectivamente.
Sean T 1: U --7 V , T 2 : V --7 W transformaciones lineales con matrices
asociadas M 1 y M 2 respectivamente. Entonces la matriz asociada a la transforma-
ción lineal T2 o T 1 es M 1M 2.
Demostración:
Tenemos:
u ~ V T, w
B 11 ={u 1 ,~, ·· ,U5 } Bv={v1 ,v2 , .. ,v11 } Bw= {w1 ,w2 ;··,w111 }
Teorema 2 Sea T :
ella es única.
- Transformaciones lineal ~ Matriz asociada a una transformación lineal 151
X¡
x2
Sea u E U, entonces u = x 1u 1 + x 2 u 2 + · · · + xsus , luego X = es el vector de coor-
denadas de u respecto a la base Bu = { u 1, u 2 ,- • ·, us} luego M~ X es el vector de

coordenadas de T 1( v) respecto a la base Bv = { v 1, v2 ,- • · , v n} de V. El vector de coorde-
nadas de (T 2 o T 1 )( v) = T 2 (T 1 ( v )) respecto a la base Bw = { w 1, w 2 ,- · ·, wm} de
Wes:
M~(M;x) = (M~M;)X = (M 1M 2 )'X, por tanto M 1M 2 es la matriz asociada a la trans
formación lineal T 2 o T1 .
Definición 1 Sea Iv: V -7 V la transformación lineal dada por Iv(v) = v. Esta

transformación se llama transformación idéntica sobre V.
-x-y)
'-- x - y Definición 2 Sea T : V -7 W es una transformación lineal. T tiene una inversa
F: W -7 V si
T o F = Iw
5 · .a 13 7 vimos que el efec
de observar que la ma - F o T = Iv
donde Iv e Iw denotan las transformaciones lineales idénticas en los espacios

·ectoriales V y W respectivamente.
Ilustración:
_· u2, us}, Bv
••• , = {v;
ectivamente.
T F
t"=7Jiones lineales con matrices V W V
asociada a la transforma- - - - - Iv __________.
F T
W V W
---- Iw_________.
Teorema 2 Sea T : V -7 W una transformación lineal. Si T tiene una inversa,
ella es única.
Matriz asociada z
Demostración:
Supongamos que T tiene dos inversas, F y G, esto quiere decir que
T o F = lw T o G = lw
F o T = lv G o T = lv
G = G o lw = G o (T o F) = ( G o T) o F = lv o F = F Teorema 4
V
Ilustración: Bl={vl }v2,- ··,vn}
Si Mr es la m
Como la inversa es única la denotaremos por T- 1 y por consiguiente se tiene
V r
T o T-1 = lw B 2 ={v~ , v;,···,v~}
1
T- o T = lv
Si T : V ---7 V tiene inversa T- 1, entonces, Demostración:

Sea A la matriz --
T o T - 1 = lv
T -l o - 1V
T-
que escribiremos simplemente como

T o T- 1 = T- 1 o T = 1
donde 1 es la matriz idéntica en V.
Teorema 3 Sea 1 : V ---7 V la aplicación linea/idéntica y B = {v1,v2 v11 } una

~JERCICIOS
base de V. La matriz asociada a 1 es: '.
1 o o l. Hallar la ma----r.;:
o o general del
a) V= JR2
o o ... 1 nxn
W= JR2
Demostración:
T(x, y)= -
l(v ¡)= V¡ = 1 V¡ +Ovz + ·· · + Ovn
l(vz)= vz=Ov¡ + 1vz +···+ Ovn b) V=JR2
W = JR2
T(x,y) = -
\1atriz asociada a una transformación lineal 153
- Transformaciones lineales
1 o o
o 1 o
Luego la matriz asociada a 1 es
= 1 o o ... nxn
= F=F Teorema 4 Sean B 1 = {v1, v2, .. ·, vn} y B 2 = {v;, v;, .. ·, v~} bases de V y
V ~ -{ , V, ... , } · · lzneal.
una transformaczon ·
B 1={v1,v2 ,- ··,vn} B 2 - v1,v2 , ,V11
Si Mr es la matriz asociada a T, entonces My! es la matriz asociada a

- -iguiente se tiene 1
V V
B2 ={v; ,v; ,···,v;J B 1={v 1,v2 ,. ··,v,J
Demostración:
Sea A la matriz asociada a T- 1. Sabemos por la definición de T- 1 que
T o T-1 = T-1o T = 1
y por el Teorema 1 sabemos que la matriz asociado a T 2 o T 1 es M 1M 2, entonces,

A o M T = M T o A = In , por tanto,
A=Mj
yB = {v1,vz, ... , vn} una EJERCICIOS
l. Hallar la matriz asociada a la transformación lineal T : V -7 W respecto a las

bases dadas. Calcular T(v) para el vector v dado, y hallar T(v) para un vector en
general del espacio vectorial V .
a) V= 1R2 Bv = {(0, -1), (-1, 2)}
W=JR2 Bw = {(1, -1), (-1, O)}
T(x,y) =(- y, 2x + y) v = (3, - 1)
b) V =JR 2 Bv = {(1, 2), (-2, 1)}

W = JR2 Bw = {(1, - 1), (-1, 3)}
T(x, y)= (2y, 3x) v=(3,-l)
154 Capítulo 7 Transformaciones lineales Matriz asociada a una tra-
Bv = {(1, O, 0), (0, 1, 0), (0, O, 1)} Tix, y)= (x + y ._ .

W = ~2 Bw = {(1, 1), (4, 1)} Tix, y)== (x- y. __ -
T(x, y, z) = (x +y+ z, 2y, 3x) v = (1, 2, 3) y las bases para 2: _
Calcular las matri ~ ~
d) V= ~ 3 Bv = {(1, 1, 1), (-1, 1, 0), (0, 1, -1)}
W = ~3 Bw = {(1, - 1, 2), (2, -1, 1), (1 , 1, 1)}
T(x, y, z) = (x +y, x-y, z- x) v = (-2, 3, 5) 6. Igual al problema -,-
B3 = {(1, - 1, 0).
e) V= P3
W=P 2 Bw= {l,x,x2} Sea T: ~ 2 ---7
canónica. Demu~-~
T(p( x)) = p' ( x) == fx p (x) T- 1. Halle T- 1(x. _-
v = p(x) = 2 + 3x + 4x2 + 5x3
Con los datos del _
B 2 = {(1, 1), (-1. ·
2. Hallar T(x, y) y la matriz asociada, si la transformación T : ~ 2 ---7 ~ 2 viene dada
por
T(l, 1) = (1, 2) 9. Sea T : ~3 ---7 ::::-
es la canónica. D~
T(-2, 3) = (-3, 5)
de T- 1• Halle T- · _
donde la base de ~ 2 del lado izquierdo es {(1, 1), (-2, 3)} y la del lado derecho es
{(1, 1), (-1 , O)}
1O. Con los datos del t"'·"'--'-- .......
B 3 == {(1, O, 1), (C.
3. Hallar T(x, y, z) y la matriz asociada, si la transformación T: ~ 3 ---7 ~ 2 viene dada
por
T(l , O, O) = (1, 2) l. Sea T : ~ 3 ---7
es invertible.
T(O, 1, O)= (1, - 1)
T(O, O, 1) = (2, -3)
CAMBIO DE BASE
donde la base de ~3 es {(1, 1, 1), (-1, 1, 0), (0, 1, -1)} y la de ~ 2 es {(1, 1), (-1 , O)}
4. Sea Te la transformación lineal que indica rotar un ángulo 8. Demostrar que la

V ~
matriz asociada con la transformación lineal T a o T ~ es igual a la matriz asociada ={vl,v2,- ··~v~~} B2=
con la transformación lineal T a + ~-
El efecto de 1 es enviar -
5. Sean T 1: ~ 2 ---7 ~2, T 2 : ~ 2 ---7 ~3, T 3 : ~ 2 ---7 ~ 3 dadas por: ·os de la base B 1 == {v1 • ,.: _
T 1(x, y)= (x +y, x) ineal de los elementos e
- Transformaciones lineales 1atriz asociada a una transformación lineal 155
T 2(x, y)= (x +y, y, x)

T 3(x,y) = (x -y, x +y, x)
y las bases para JR2 y JR3 son las bases canónicas.
Calcular las matrices asociadas a T 1, T2 , T3 , T2 o T 1 , T3 o T 1, T 12 = T 1 o T1
Igual al problema anterior pero las bases para JR2 y JR 3 son B 2 = {(1, 1), (- 1, ~)}y
B 3 = {(1, -1, 0), (0, - 1, 1), (1, O, 1)}
Sea T: JR2 ---7 JR 2 dada por T(x, y) = (x +y, 4y - 2x) y la base para JR2 es la
canónica. Demuestre que T es invertible y por tanto calcule la matriz asociada de
T- 1. Halle T- 1(x, y).
Con los datos del problema anterior halle matriz asociada a T- 1 si la base de JR2 es
B 2 = {(1, 1), (- 1, 1)}.
T : ~~2 ---7 JR2 viene dada
9. Sea T : JR3 ---7 JR 3 dada por T(x, y, z) = (x-y + z, y- x, x - z) y la base para JR3
es la canónica. Demuestre que T es invertible y por ende calcule la matriz asociada
de T- 1. Halle T- 1(x, y, z).
y la del lado derecho es
10. Con los datos del problema anterior halle la matriz asociada a T- 1 si la base de JR 3 es
B 3 = {(1, O, 1), (0, 1, 1), (1 , 1, 0)} .
T : ]3 ---7 JR2viene dada
l. Sea T : JR3 ---7 JR 3 dada por T(x, y, z) =(x -y, y - x, x- z). Demuestre que T no
es invertible.
CAMBIO DE BASE
de 2 es {(1, 1), (-1, O)}
-ean B 1 = {v1, v2 , ··· , vn} y B 2 = {v;, ví,- ·· , v~} bases de V y
--= lo 8. Demostrar que la V ~ V ., · , ·
~ :gual a la matriz asociada 8,={v,,v2 ,. . .,vJ 8 2
={v;,v;,. --,v;,} la transformac10n 1dent1ca.
El efecto de 1 es enviar un vector que se escribe como combinación lineal de los elemen-
:.:- dadas por: :os de la base B 1 = {v1, v2 ,···, vn}, en el mismo vector pero escrito como combinación
ineal de los elementos de la base B 2 = { v;, v;, · · ·, v~ }.
156 Capítulo 7 Transformaciones lineal ~
Calculemos la matriz asociada a esta transformación lineal.

l(v1) =v1 =a 11 v{ +a12 v; +···+a 1 nv~ de la base B 1 a la
respecto a la base B.: =
entonces Mr = La matriz de cambio
(-1, O)} es naturalm
Esta matriz se denomina matriz de cambio de base de la base B 1 = { v1 , v 2 , • · ·, v n} a 1::.

base B 2 = { v{, v; , · · ·, v~} y la denotaremos por M: 2 Teorema 1
1
T respecto a una b _
X¡ base B 2 = {v{, <·
Xz Sea M= MBB,2 la
Por tanto si son las coordenadas de un vector respecto a la base B 1 = { v1, v 2 , · · ·, vn
X¡ Demostración:
nos da las coordenadas del mismo vect Sea v E V =:} v = x1'·
X¡
x2
pero respecto a la base B 2 = { v{, v;, · · ·, v~ }. siguiente X =
Ejemplo: Sea T : JR 2 ---7 JR 2 con bases B 1 = {(1, 1), (-1, 0)}, B 2 = {(2, O .
(- 3, 1)}.
coordenadas de v respe
Calculemos la matriz de cambio de base respecto a las bases B 1 y B2 .
Como A es la matriz - __
1(1, 1) = (1, 1) = a 11 (2, O)+ a 12(- 3, 1) coordenadas de T(v) e-:.
1(- 1, O)= (-1, O)= a 21 (2, O)+ a 22 (-3, 1)
2 - 3 1 - 1J ::::; ( 1 o 2
(o
_l.J luego la matriz de cambio de base
2 , La matriz M= M:' n .:
1
1 1 o o 1 1 o tanto MZ = W y M - 1" = z
-- --
___ - -- ~ -- - -- -_ - - - - =-----
- Transformaciones lineale<: Matriz asociada a una transformación lineal 157
de la base B 1 a la base B2 = MB~

B
= (_ 2 ±
El vector de coordenadas de (2, 3) respecto la base B 1 = {(1 , 1), (-1, O)} es(;), por
tanto (MB~
B ) · '(3J1 = (_ 2 son las coordenadas de (2, 3)
1
respecto a la base B 2 = {(2, 0), (-3, 1)}
La matriz de cambio de base M: 21, de la base B2 = {(2, 0), (-3, 1)} a la base B 1 = {(1, 1),
(-1, O)} es naturalmente (M:~ f = 1 (

_
1
2 1]_ _ (o -2J
1 0 1 4
Teorema 1 Sea T : V ~ V una transformación lineal. A la matriz asociada a

T respecto a una base B 1 = { v1, v 2 ,- · ·, vn} y B la matriz asociada a T respecto a otra
base B 2 = {vi, v;,· ··, v~}.
Sea M = M: 21 la matriz de cambio de base, de la base B1 = { v1 , v 2 , · · ·, vn} a la base
B2 = {v~ , v;, ... , v:}. Entonces
Demostración:
-- :oordenadas del mismo vec

X¡
xz
siguiente X = es el vector de coordenadas de v respecto a la base B 1•
. 1), (-1, 0)}, B 2 = {(2, O

Como M es la matriz de cambio de base de B 1 a B 2. entonces Y = MX es el vector de
coordenadas de v respecto a la base B2 .
Como A es la matriz asociada a T respecto a la base B 1, entonces Z = AX nos da el vector
oordenadas de T(v) respecto a la base B 1
Análogamente W = BY nos da el vector de coordenadas de T(v) respecto a la base B2 .
La matriz M = M: 2 nos permite cambiar de coordenadas de la base B 1 a la base B2, por

~ -, bio de base 1
tantoMZ = WyM- 1W = Z
~-~ --------~-- - ----

Veamos ahora que efectivamente M- 1BM =A. Sea R = (riJ) = P'P. ~-:::e~
(M- 1BM) (X)= (M- 1B) (MX) = M- 1 (BY) = M- 1W = Z = AX ::::} M- 1BM =A (columna j de P) = P
Teorema 2 Sean B 1 = { v1 , v2 , • · ·, vn} y B 2 = { v;, v;, · · · , v~} bases ortonormales de Si las columnas de •
B2
un espacio vectorial V. Entonces la matriz de cambio de base MB 1 de la base B 1 a la indica que R = 1 :::::)
base B 2 es ortogonal.
ii) ::::}) Supongamos -
Demostración: q¡z q]n = P'P. Se tiene por·
PJJ P12 P!n qll 1
P21 P22 P2n qz¡ q22 qzn riJ = (fila i de P') ~
Sean P = y Q=
={
o si *
i j
lo _,_
PnJ Pn2 Pnn qn] qn2 qnn 1 si i = j ·
las matrices de cambio de base de B 1 a B 2 y de B2 a B 1 respectivamente, entonces,
V¡ = p 11V~ + P12 V~ + · · · + P!nV~ l.

V2 = Pz¡V~ + P22V~ + ··· + Pznv~
2. Sea V = ~ 2 , ce-
V~ =q¡¡V¡ + q¡zVz + ·· · +q¡nvn matriz de cam
V~ = q2¡V¡ + qzzVz + ··· + qznvn de la base B a
3.
Como B 1 es una base ortonormal V¡ · vj = ( Pn v{ + Pi2 v2 + · · · + Pii vj + · · · + Pin v~) · v'

=PiJ. Análogamente como B 2 es una base ortonormal, vj·v¡ =(q 11 v 1 +q 12 v2 +··· -
q1¡v¡ + · · · + qJn vn)· V¡ =q 1¡, por tanto qJi = piJ, lo que nos indica que Q = P'.
4. Sea V= R 3, co,...
Por el teorema 4 de la página 153 se sigue que QP = PQ = 1, luego P'P = PP' = 1 y asi
(0, -1, 1), (1, O. :
P es ortogonal. (Recuérdese que una matriz A es ortogonal si su inversa es A', esto es
y la matriz de
A'A=A A'= l .
1), hallar las coc~:c=~:..-1
Teorema 3 Una matriz P nxn es ortogonal sí y sólo sí las columnas de P form ar

5.
una base ortonormal para ~n.
Demostración:
i) ~) Supongamos que las columnas de P forman una base orto normal.
- - Transformaciones lineales Ma triz asociada a una transformación lineal 159
Sea R = (riJ) = P'P, entonces, riJ =(fila i de P') (columna} de P) = (columna i de P)

o
Z=_-\_"\: ~ M- 1BM=A (columna} de P) = (P.¡) (P.) o
Si las columnas de P son ortonormales se tiene entonces riJ

o si
= { 1 Sl
i *j lo que nos
bases ortonormales de o
l
o
= j
• ,
- e M ! 2 de la base B 1 a la indica que R = 1 ~ P'P = 1 o sea que P es ortogonal.

l
ii) ~) Supongamos ahora que P es ortogonal, esto es P'P = 1, y nuevamehte sea R = (r iJ)
= P'Po Se tiene por tanto que R = 1, o sea
L
riJ = (fila i de P') (columna} de P) =(columna i de P) (columna} de P) = (P.¡) (P.)
o si
= {1 SI o
i
o
*j o
.
lo que nos indica que las columnas de P son ortonormales
l = }
~ riYamente, entonces, EJERCICIOS

l. Sea V= JR 2, con bases B 1 = {(1, 0), (0, 1)} y B 2 = {(2, 0), (- 3, 1)}0 Calcular la matriz
de cambio de base, de la base B 1 a la base B2 y la matriz de cambio de base, de la
base B 2 a la base B 1. Dado el vector v = (3, -2), hallar las coordenadas de v respecto
a las bases B 1 y respecto a la base B 2
20 Sea V = JR 2 , con bases B 1 = {(1, 1), (0, -3)} y B2 = {(2, 0), (-3, 1)}. Calcular la
matriz de cambio de base, de la base B 1 a la base B 2 y la matriz de cambio de base,
de la base B2 a la base B 1 Dado el vector v = (3, - 2), hallar las coordenadas de v
0
respecto a la base B 1 y respecto a la base B 2.
30 Sea V= JR 3 , con bases B 1 = {(1, O, 0), (0, 1, 0), (0, O, 1)} y B2 = { {(1, - 1, 0), (0, -1,
1), (1, O, 1}} . Calcular la matriz de cambio de base, de la base B 1 a la base B 2 y la
- -
__ lJ J + ... + P mn
- ... -'-' P··V'· · v') y
o matriz de cambio de base, de la base B2 a la base B 1 Dado el vector v = (3, -2, 1),
0
- ·\'; =(qi ¡V¡ + qJ2 v2 + ··o - hallar las coordenadas de v respecto a la base B 1 y respecto a la base B 2
..:·c:a que Q = P'.
40 Sea V= R3, con base B 1 = {(1, 1, 1), (- 1, 1, 0), (0, 1, -1)} y B 2 = { {(1, -1, 0),
= L luego P'P = PP' = 1 y as (0, -1, 1), (1, O, 1)}} Calcular la matriz de cambio de base, de la base B 1 a la base B 2
o
- -i su inversa es A', esto es: y la matriz de cambio de base, de la base B 2 a la base B 1. Dado el vector v = (3, - 2,
1), hallar las coordenadas de v respecto a la base B 1 y respecto a la base B 2 0
- as columnas de P form ar. 50 }J (1, 1, 1), ~ (- 2, 1, 1), ~(o, - 1, 1)} y

Sean B 1 = {
B = { ~ (1, 1, 0), )J (1, - 1, 1), ~ (1, - 1, - 2)} bases ortonormales de JR

2
3 0 Verifi-
car que la matriz de cambio de base de B 1 a B 2 es ortogonal.

TRANSFORMACIÓN LINEAL ASOCIADA A UNA MATRIZ
Sea A una matriz de tamaño n x m y consideremos la aplicación: de A si existe

AX = A-IX, deb .;
T : JE.m -7 JE.n dada por T(X) = AX donde X es un vector columna de tamaño m x 1,
entonces AX es un vector columna de tamaño n x l. La ecuación A.X =
Teorema 1 La aplicación dada por T(X) = AX es una transformación lineal.
Demostración:
Sean X y Y vectores columnas de tamaño m x 1, y a un escalar, entonces
a) T(X +Y) = A(X +Y) = AX +AY= T(X) + T(Y)

b) T(aX) = A(aX) = a(AX) = aT(X)
Como conclusión, podemos trasladar muchas propiedades de las transformaciones linea-

les a matrices y viceversa, trasladar varias propiedades de matrices a transformaciones
lineales, pues a cada transformación lineal le corresponde una matriz, su matriz asociada Veamos qué rela
y a cada matriz le podemos asociar una transformación lineal. propios de la ma-=
VECTORES Y_VALORES PROPIOS X-
X-
Definición 1 Sea T : V -7 V una transformación lineal. Se dice que v E V, v ;t O entonces X=
es un vector propio de T si existe A E R tal que
X
T(v) ='Av
En otras palabras un vector v *O es un vector propio de T si T(v) es un múltiplo de v.

También se emplean los términos valores y vectores característicos en lugar de
vectores y valores propios.
Además si v ;t O, entonces 'A está determinado de manera única, pues si
T(v)= A¡ V} :::::> A¡ v = Az v :::::> (A 1 - Az ) v = O y como v * O :::::> A = A

1 2
T(v)= A2 v
Teorema 1
:ransformación
Si T(v) ='Av, el escalar A se llama valor propio de T correspondiente al vector propio v.
?ropio de T sí y s
- Transformaciones lineales Transformación lineal asociada a una matriz 161
Si A es una matriz cuadrada podemos asociar esta matriz con una aplicación lineal.
T : JRn -7 JRn dada por T(X) = AX por tanto podemos decir que X -:f::. O es un vector propio
de A si existe un A E R tal que AX = AX. Esta última ecuación se puede escribir como
AX = AIX, debido a que IX = X , pues 1 es la matriz idéntica.
a de tamaño m x 1,
La ecuación AX = AIX implica (A- Al) X = O.
Por tanto A es un valor propio sí y sólo sí la ecuación (A- AI)X = Otiene una solución no
epzsforma ción lineal. trivial, lo que nos lleva a afirmar que la matriz A- Al no tiene inversa, pues si tuviera una
inversa multiplicando a ambos lados de la ecuación (A - AI)X = O por esta inversa nos
llevaría a afirmar que X = O, lo que contradice el hecho de que X es un vector propio. El
hecho de que A - Al no tiene inversa se puede expresar diciendo que el determinante de
A- Al es cero.
En resumen tenemos que A es un valor propio de A, si lA - le~ = O.

Además, como (A- AI)X =O, implica que X está en el núcleo de A- Al, podemos
.a.:; transformaciones linea-
afirmar que A es un valor propio si el núcleo de A - Al -:f::. {O}
- :rices a transformaciones
triz, su matriz asociada Veamos qué relación existe entre los valores propios de una transformación y los valores
propios de la matriz asociada a la transformación lineal. Sea A la matriz asociada a T
respecto a una base B = {v 1 , v2 , ···, vn} Si vE V => v = x 1v1 + x 2 v2 + ··· + xnvn,
Se dice que v E V, v -:f::. O entonces X = es el vector de coordenadas de v respecto a la base B,
por consiguiente como T(v) =Av, el vector de coordenadas de T(v) tiene que ser igual al
_ T v) es un múltiplo de v. vector de coordenadas de Av, pero el vector de coordenadas de T(v) es AX y el vector de
oordenadas Av es AX, por tanto T(v) =Av nos conduce a AX = AX.
racterísticos en lugar de
Análogamente si tenemos AX = AX, podemos ver a X como las coordenadas de un
vector v y por tanto AX son las coordenadas de T(v); y si las coordenadas son iguales, los
vectores que representan tienen que ser iguales, luego T(v) = Av.
Todo lo anterior nos lleva a enunciar el siguiente teorema:
Teorema 1 Sea T : V -7 V una transformación lineal y A la matriz asociada a la

transformación lineal respecto a alguna base B = {v 1 , v2 , · ··, vn}. A es un valor
vropio de T sí y sólo sí A es un valor propio de la matriz asociada A .
162 Capítulo 7 Transformaciones lineales Vectores
Si se expande el determinante lA- u¡

se obtiene un polinomio de grado n en la variable De forma similar
A, que denotaremos por p(A), el cual se denomina polinomio característico y la ecuaciór:
lA- AI I= O se denomina ecuación característica de la matriz A. (A+I)X= O=>
Teorema 2 T~_ = { v E VI T(v) = A-v} es un subespacio de V y es llamado e

el subespacio pro
subespacio propio de T correspondiente al valor propio A.
Ejemplo: Hallar
Demostración: ""
l
Seanv1 ,v 2 ET~_ => T(v 1 ) = A-v 1 yT(v2 )=A-v 2 => l 3 -
A= 3 O
a) T(v 1 + v2 ) = T(v 2 )+ T(v 2 ) = A-v 1 + A-v 2 = A-(v 1 + v2 ) => (v 1 + v2 ) E T~_ 1 -3
b) Sea a un escalar, entonces, T( av 1) = aT( v1) =a (A-v 1) =A( av 1) => ( av1) E T~_
Hemos demostrado por tanto que el conjunto de todos los vectores propios correspon-
dientes a un valor propio forman subespacio vectorial.
Ejemplo: Hallar los valores y vectores propios de la matriz
A= [ 3 -4)
- 2 1.
(A - 01) X= O=>A~ =
. , caractenstlca
L a ecuacwn ' . es ¡3-A- - 4¡ = O entonces,
-2 1-A,
2
A, - 4A- - 5 =o=> (A-+ 1)(A-- 5) =o=> A, = 5, A, = - 1
Hallemos los vectores propios correspondientes al valor propio A= 5, para esto debem :
hallar el núcleo de (A - 51), es decir, hallar X tal que
Para A = 2, tenem :
(A - 51) X = O=> [ =~ =:) [:~) = [~)que al resolver el método de Gauss, nos condu- /
(A - 21) X= O=>
ce a [ ~ ~ ~) , luego la solución es [ ;~) = a [ _ ~) y por consiguiente una base para e l
núcleo es [ _ ~) por consiguiente una

- Transformaciones lineal Vectores y valores propios 163
~.:.\---'.....,-o de grado n en la variab - De forma similar para A = -1, hallemos el núcleo de (A + 1),
aracterístico y la ecuaci
- ..z A . (A + 1) X= O::¿ ( _ ; -;) (;~) = ( ~ J, cuya solución es (;~) = a (=~) y una base para
de V y es llamado el subespacio propio es ( ~) , haciendo a = -1
Ejemplo: Hallar los valores y vectores propios de la matriz ·
A =(~ ~ - 31)
: => IV¡ +v 2 ) E TA 1 -3
= A. ( av 1) ::¿ ( av 1) E T"
1- A. 3 - 1
- ·ectores propios correspo La ecuación característica es 3 - A, 3 = o , entonces,
1 -3 3-A.
2
4A? -4A.- A. 3 = 0::¿-fiv(A.-2) =0::¿fiv = O, A- =2
Hallemos los vectores propios correspondientes al valor propio A= O
-~ J(:: J=( ~J,cuya solución general es

1 3
(A - 01) X= O::¿ AX = O::¿ 3 O
(
1 -3
io A= 5, para esto debem :

j
(:: J=a ( Jy por ~to una b~e p~a este subesp~io propio es ( j]
Para A = 2, tenemos
:l'..étodo de Gauss, nos condu- - 1

(A - 21) X= O::¿ ~
(
- ;:onsiguiente una base para e
por consiguiente una base pan1 este subespacio propio es ( _ ~).

,
164 Capítulo 7 Transformaciones lineales Vectores y valores
Ejemplo: Sea V = C"' = lf : lR ---7 lR 1 f tiene derivadas de todos los órdenes} y

df contradicción, lueg ;:-=:=::::::;iiJI
T : C"' ---7 C"' dada por: T(f) = dx
{ V¡' V2' ... ' V n} es ~~-"-~.......,
Si y = f (x) es un vector propio de T entonces T(y) = A.y, implica ddy =A-y => dy =
X y
Teorema 4 Sea T :
A.dx => ln y = !ex+ e=> y = eA.x+c = ce A.x; en consecuencia, todo número real A es un
tiene a lo más n ,.
valor propio de T y los vectores propios conespondientes son de la forma ceA.x para
e :;t: O.
Demostración:
Teorema 3 Sean A- 1, A-2 , .. · , An valores propios todos diferentes entre sí, correspon- Si T tuviera n + 1 '
dientes a los vectores propios v 1, v 2 , · · · , vn, entonces { x 1 , x 2 , · · ·, xn} es linealmente propios serían linea:.::: _
independiente. ó a el hecho de que ' ·
Demostración:
Supongamos que el subespacio generado por{ v1 , v2 , .. ·, vn} tiene dimensión k( k< n) y

asu~amos por tanto que una base para este subespacio es { v 1, v 2 , • · · , v k } (si es del caso
se reordenan para que esto suceda); por ende { v1 , v 2 , ... , v k} es linealmente indepen-
diente.
Por el Teorema 2 de la página 130 sabemos que { v1 , v 2 , .. ·, vk, vk+l} es linealmente Teorema 5 Si un
dependiente,luego,a 1v1 +a 2 v2 + .. ·+akvk +ak+lvk+l = 0,conalgúna¡ 1 O.
Demostración :
Si a k+I = O, tendríamos a 1v1 +a 2 v2 + · · · +a kv k = O, con algún a; :;t: O, lo que nos indica-
Como A es similar a
ría que { v1 , v2 , ... , v k} es linealmente dependiente, contradiciendo el hecho de
PAP-' =B.
que { v1 , v2 , .. · , vd es linealmente independiente; por consiguiente a k+l :;t: Oy
a 1v1 + a 2 v2 + ... +akvk +ak+lv k+l = O con ak+I *O, entonces Si hacemos p-1 = Q. ----~r
similar a A.
De acuerdo con este :·~~,..-:.--,
a 1T(v 1 )+a 2 T(v 2 )+ .. . +a kT(vk )+ak+1T(vk+i ) = O=>

a 1A- 1v1 +a 2 A- 2 v2 + ... + akA-kvk +a k+ IA-k+lvk+l = O Teorema 6
Si a la última de estas ecuaciones le restamos la primera multiplicada por lk+J , tenemos:

Demostración:
a 1(A- 1 - A-k+i ) v 1 +a 2 (A- 2 - A-k+I) v 2 + .. ·+a k (A-k - A-k+l ) vk =O. Como cada (A¡ - Ak+l )
*O, debido a que todos los A son diferentes entre sí, esto nos indicaría que { v1, v2 , • • · , vk } Como A es similar a B
det(P) = det(p- 1). de- P
es linealmente dependiente, contradiciendo el supuesto inicial.
- Transformaciones lineales 1ectores y valores propios 165
_ :odos los órdenes} y Luego el supuesto de que la dimensión de { v1 , v 2 , · · · , v n} es k (k< n ), nos conduce a una
ontradicción, luego dimensión de { v 1 , v 2 , · · · , v n} tiene que ser n, y esto no lleva a que
v1 , v 2 , ··· , v n} es linealmente independiente.
. . l. dy 1 -->.. dy
= .' . rmp 1ca -= AY_,.-=
· dx y
Teorema 4 Sea T : V -7 V una transformación lineal, con dim V = n, entonces T
_ ::.... i:odo número real A es un
Iiene a lo más n valores propios diferentes.
=.--·::s -on de la forma ce'Ax para
Demostración:
·erentes entre sí, correspon- Si T tuviera n + 1 valores propios diferentes, entonces los respectivos n + 1 vectores~
.r . X::' · • • , X n } es linealmente propios serían linealmente independientes, por el teorema anterior, pero esto contradeci-
ría el hecho de que la dim V = n, luego T tiene a lo más n valores propios diferentes.
tiene dimensión k(k< n) y Definición 2 Una matriz cuadrada AnX n se dice que es similar a una matriz Bnx,
si existe una matriz P no singular (invertible) tal que
.. '" - , · · ·, vk} (si es del caso
es linealmente indepen- A = P- 1BP
• . ,. , v k+i} es linealmente Teorema 5 Si una matriz A es similar a B, entonces B es similar a A.

_ = -. on algún a¡ 1 O.
Demostración:
gún a; :f:- O, lo que nos indica-
Como A es similar a B existe una matriz no singular P tal que A= p-'BP ~ PA = BP ~
tradiciendo el hecho de
PAP-' = B.
onsigu iente a k+i :f:- OY
es Si hacemos p-t = Q, entonces P = Q- 1, por tanto B = Q- 1AQ, lo que implica que B es
similar a A.
De acuerdo con este teorema podemos hablar de matrices similares.
=
Teorema 6 Si A y B son matrices similares, entonces, det A = det B
tiplicada por lk+l , tenemos:
Demostración:
= O. Como cada (A¡ - Ak+!)
Como A es similar a B, A = p-LBP, entonces det A= det (P- 1BP) = det(P- 1). det B.
-_:indicaría que { v1 , v 2 , · · ·, vk }
det(P) = det(P- 1). det(P). det B = det(p- 1.P). det B = det(l). det B = det B
166 Capítulo 7 Transformaciones lineales Vectores y valores
Teorema 7 Si A y B son matrices similares, ellas tienen el mismo polinomio carac- Demostración:
terístico y en consecuencia los mismos valores propios.
T(v1 )= /c 1v1 = /c 1v1 -
Demostración: T(v 2 )= /c 2 v2 = Ov 1 - --_
Sean p A (le) y p B (~e) los polinomios característicos de A y B respectivamente. Como A

es similar a B, existe una matriz no singular P tal que A= p- 1BP, por tanto,
pA(A) = det(A- /el)= det(p- 1BP- /el)= det(p- 1BP- p- 1P/cl) = det(p- 1BP- p- 1/ciP) =
luego la matriz aso _
det(P- 1(B - /ci)P) = det P- 1 • det(B - Al). det P = dét(B - /el). det P- 1 • det P =
det(B- Al). det(p- 1.P) = det(B- Al) . det 1 = det(B- Al)= p 8 (A)
La recíproca del teorema anterior es falsa, ya que si A = [ ~ ~) y B = 1 =[ ~ ~) y

entonces p}A) = PiA) =(A- 1)2, pero A y B no son similares pues p- 1BP = P- 11P = I l"eorema 9 Sea T :
y por tanto es imposible que p- 1BP sea igual a A. asociada a T respeL.
Por el Teorema 1 de la página 157 podemos afirmar que si T : V --7 V una transformación
lineal y A es la matriz asociada a T respecto a una base B 1, y B la matriz asociada a T
respecto a otra base B2, entonces las matrices A y B son similares.
Definición 3 Una transformación lineal T : V --7 V se dice que es diagonalizable

si existe una base B = { v 1 , v 2 , · · · , v n} tal que la matriz asociada a T respecto a esta Demostración:
base es una matriz diagonal.
v1 =lv 1 +Ov2 +· ·· - <h
v2 = Ov 1 + lv 2 + · · ·-
Teorema 8 Sea T : V --7 V una transformación lineal y B = { v1, v2 , · • • , v n} una
base de V, que consta de vectores propios de T, con valores propios \A2, • • • , A.
respectivamente. Entonces la matriz asociada a T con respecto a esta base es la v n = Ov 1 + Ov 2 + · · · -
matriz diagonal
1
o
por tanto X 1 = . X- =
o)
o o v1, v 2 , . .. , vn respect
- Transformaciones lineales Vectores y valores propios 167
- mo polinomio carac- Demostración:
T(v1 ) = A. 1v1 = A. 1v1 + Ov 2 + ·· · + Ovn
T(v 2 )= A. 2v2 = Ov1 + A. 2v2 +···+Ovn
ctivamente. Como A
et(p- 1BP- p- 1/...JP) =

luego la matriz asociada a T respecto a la base B = { v1, v2 , .•• , vn } es
y B=I =(~ ~)y o o

_ es p- 1BP = p- 1JP = 1 Teorema 9 Sea T : V ----7 V una transformación lineal con dim V = n. Si la matriz
asociada a T respecto a alguna base
- - \ T una transformaciór: A¡ o o o
o "-2 o o
B = { v1, v2 , ... , v n} es entonces esta base está formada por n
vectores propios.
o o "-n
que es diagonalizable
1-~..~::..~...o.-ru a T respecto a esta Demostración:
V¡ = 1V¡ + Ov2 + ... + Ov n

v2 = Ov¡ + 1v2 + ... + Ov n
B = { v1 , v2 , · · ·, vn} una
p ropios /..), 2, • • • , 'A .
~,..,,- ro a esta base es la vn = Ov 1 + Ov 2 + · · · + 1vn
1 o o
o o
por tanto X 1 = ,X2= '···,Xn = son los vectores de coordenadas de
o o o
v1, v2 , ... , v n respecto a la base B = { v1, v 2 , . .. , v n }.
A¡ P11 (A-) P21
Como el vector de coordenadas de T(v 1) es M 7 X 1 =

o , entonces T(v) = \v 1, B = P12 (A-) P 22 '-
o
análogamente tenemos que el vector de coordenadas de T (v2) es B=BoA-n-1 + B,I.n-:-
no dependen de A.
o
Recordemos que i _
A-2
M7 X 2 = , entonces T(v 2 )= A- 2 v2
o lo cual aplicado a r:
o
o
y el de T(v11 ) es M 7 X 11 = , por tanto T(v11 )= A11 V 11 •
det(A - Al) 1 = (e ·_
Lo ·que nos indica que {v1, v2 , ... , v n} son los vectores propios correspondientes a lo_
valores propios A- 1 , A- 2 , · · · , A11 -
Teorema 10 (Cayley-Hamilton). Sea A una matriz cuadrada de tamaño n x n _1 1 n¡ +cn-l "-1 n-1¡ -
en"- · -
p(A.) su polinomio característico, entonces,
p(A) =O
Demostración:
Seap(A-) = det(A- A-1) =c 11 A11 + C11 _¡A11 -l + · ·· + c 1A- + c 0 el polinomio característico de la

matriz A, B la adjunta de la matriz (A - Al) =
B0 A- B 1 = c 11 _ 11
a 11 -A, a ,2 aln C¡¡ c21 en! B1A- B 11 _ 2 = c 11 _ 2 1
a2i a22 - A. a2n cl2 c22 cn2

, por tanto B = , la matriz de
Bn-2A - Bn- 1 = c,I
an! an2 ann - A. c ,n c2n cnm B 11 _ 1A = c 0 I
los cofactores en forma transpuesta.
Multiplicando la prim _
Cada CiJ es un polinomio en A, de grado a lo más n- 1, que se denotará por piJ('J...), luego A 11- 2 , etc., la penúltima-
P11(/t.) P21(/t.)
B = P12 (A-) P22 (A-)
que se puede escribir como,
P1n (/..) P2n (/..) Pnn (/..)
- es B=BoA-n-1 +B 1A,n- 2 +···+Bn_ 2A,n +Bn_1 , donde las matrices B 0, B 1, ... , Bn _ 2, Bn_ 1
no dependen de A.
Recordemos que si X es una matriz cuadrada se tiene:
(adj X) X = det(X)I
lo cual aplicado a nuestro caso con X = (A - Al) se tiene :
( BoA-n-1 + B1/t.n-2 + ... + Bn-2/t., + Bn-1) (A - U) =
det(A- U) 1 = ( CnAn + cn- 1/t.,n-1 + ... + C1A + co) 1 ~
~ ~ 0- correspondientes a los
ada de tamaño n X ny
· omio característico de la - B 0 = cnl

B 0 A - B 1 = cn_ 11
B 1A - Bn_ 2 = cn_ 2 1
, la matriz de
Bn_ 2 A - Bn_ 1 = c 11
cnm Bn_1A = c 0 1
Multiplicando la primera de estas ecuaciones por An, la segunda por An- 1, la tercera por
_ ~:::¡:denotará por p;/'A), luego. An-2 , etc., la penúltima por A, y la última por 1 tenemos:
nos conduce a:
B OAn - B1An- 1-
- Cn- 1
An-1
B A n-1 - B A n-2 = e A n-2

1 n- 2 n-2
Este método de ca~ ~

tador para calcular __ .___.,..
EJERCICIOS
Sumando estas ecuaciones tenemos: o= e nA n +en_¡ A n-! + c n-2 A n- 2 + ... + C¡A + Col. Hallar el polinomi _
de donde tenemos: correspondiente.
l.
p(A) =O
Con la ayuda del Teorema de Cayley-Hamilton se puede obtener la inversa de una

matriz A. 2.
p(A) = 0=>
e nA
n
+en- !
An- 1
+cn- 2
A n-2
+···+C¡ A + Co 1 = O =:> 3.
Cn A
n
+en-!
A n-1
+cn- 2
A n- 2
+ ·· ·+C¡ A = -Co 1 =:>
A( en A n-1 +cn- 1An- 2 +cn-2

A n-3
+ ···+C¡
1) = 1=:>
- co .f.
n- 1 An- 2 A n-3 1
A-l = cn A +en-! +cn-2 +···+e¡
- co
Ejemplo: Calcular con la ayuda del Teorema de Cayley-Hamilton la inversa de 3 ooo

4 1 oo
A=[~ -~ ~) oo2 1
ooo2
El polinomio característico es p(A) = A3 - 6 A2 + 13 A - 1O, por tanto 6. Demostrar que
n-1 An-2 An-3 I Demostrar que " -
A-1 = en A + cn-1 +cn-2 + ···+e¡
Demostrar que _-__
- co
de la matriz A-1
- Transformaciones lineal es 'ectores y valores propios 1 71
nos conduce a:
A _1 = lA 2 - 6A 1 + 131 = 2_ [ 9
3
10 10
. -2
Este método de calcular la inversa de una matriz es muy útil si se dispone de un compu-
tador para calcular fácilmente las potencias de A.
EJERCICIOS
- c~ _ 2 A n-2 +···+c 1A + c0 Hallar el polinomio característico, los valores propios y una base para el espacio propio
·orrespondiente. "-
~ obtener la inversa de una

2.
- 1=0=> 3.
o 2-2]
1 - 1 2
[1 ~ 2 3
-l.
2
2
1 41]
3
[
-1 -1 - 2
_ -Ham ilton la inversa de 5. 3 ooo

4 1 oo
oo2 1
ooo2
- O. por tanto 6. Demostrar que las matrices A y A' tienen los mismos valores característicos
7. Demostrar que los valores característicos de una matriz ortogonal son ±l.
8. Demostrar que si A es un valor propio de la matriz A, entonces A,- 1 es un valor propio
de la matriz A - 1
9. Conociendo los valores propios de la matriz A, hallar los valores propios de la matriz
A2
10. Utilizando el Teorema de Cayley-Hamilton calcular la inversa de
Por tanto tenemo::
¡- ~ -~ ~]
ll 1- 1
Por otro lado, con:
11. Utilizando el Teorema de Cayley-Hamilton calcular la inversa de
Teorema 11 Si A es una matriz real y simétrica (A'= A), sus valores propios sor.
reales .
. Demostración:
por ende tenemo
X¡
x2
Si X = *O es un vector propio correspondiente al valor propio A, se tiene:
ComoX'AX
AX=AX
AX =AX
AX=A.X
AX = A.X pues A es una matriz real y por tanto A = A , entonces De (* *) y (*) se
X'(AX) = X'(XX) =
x¡
X'2
X'(X'X)= X'(x 1 , x 2 , ... , xn)
n
Como I /x¡/
2
>e=
i=l
: yalores propios de la matriz _ n _ n 7

"-L>;Xi = A.~]xJ ya que z2 = 1zl 2
i=l i=l
Yersa de
Por tanto tenemos:
n
X'(AX) = ?:::II X¡ 12 (*)
i= l
Por otro lado, como

inversa de
AX = A.X , entonces X' (AX) = X' (A.X)
X¡
= A.X'X = A.(:X t, :X2, ... , :X n)
= A 1. sus valores propios so

n
= "-Lx;x¡
i=l
por ende tenemos
X'(AX)
(* *)
or propio A, se tiene:
Como X'AX es de tamaño 1 x 1, es simétrica, luego.
(X'AX) = X'AX
X'A'X = X'AX
X'AX = X'AX pues A es simétrica.
De (* *) y (*) se sigue que:

~ = A , entonces
n n
22
AIlx;l =1. I lx;l , entonces,
i=l i=l
n
(A.- D L lx¡ l2 =O
i=l
n
Como L lx¡l 2 >O ~(A. - ?:::) = O~ A = ?:::~ A es real.
i=l
Teorema 12 Los vectores propios correspondientes a valores propios diferentes Demostración:

de una matriz simétrica A son ortogonales. Por inducción sobre
Sin=1 ,A = (a n ).E
Demostración: es diagonal y pode:::;
Sean A,>" A.z dos valores propios diferentes y Y, Z vectores propios correspondientes a A.y
y A.z respectivamente. Probemos que (n- 1) x (n- 1).
Yl_Z
(1) AY = A-yY Sea \ un valor pr
(2) AZ = A- 2 Z unitario correspon ·
Y!
(1) Z'AY = A-y(Z'Y)= A-y(z 1, z 2 , ... , z 11 ) Y2 = A-y(Z· Y)

Sea B = {X 1, v 2 . ..
Yn Schmidt se puede ccc;Jsc_;::.JE!
Sea P 1 la matriz d
Z¡
matriz cuyas col
z2
(2) Y'AZ= "-z(Y'Z)= A-(y¡, Y2, ... , Yn) = "-z(Y · Z) Por el teorema 2 e
1a columna de P ;.
1
(Z'AY) = Y'A'Z = Y'AZ=>

Z' AY = Y'AZ pues Z' AY es de tamaño 1 x 1 y por tanto es simétrica. Entonces,
Como ( A. y- A.z) =t Odebido a que Ay =t A.z se concluye que Y· Z = O =

y por consiguiente,
Yl_Z
Teorema 13 Sea Anxn una matriz real simétrica. Entonces existe una matriz
ortogonal P(r- 1 = P') tal que
P'AP = D Como (P¡'AP1)' = P-A

PiAP1 es (A-1 , O, ....
es diagonal, con los valores propios de A como elementos de la diagonal.
ores propios diferentes Demostración:

Por inducción sobre n.
Sin= 1, A= (a 11 ) . El valor propio de A es a 11 y se verifica el teorema pues A = (a 1¡) ya
es diagonal y podemos tomar P = (1 ), la matriz formada por el número l.
"'·os correspondientes a Ay Supongamos el teorema verdadero para matrices de tamaño

(n- 1) x (n- 1).
Sea A1 un valor propio de A, que es real por el teorema anterior y sea X1 un vector propio
unitario correspondiente al valor propio \, esto es,
z
Sea B = {X1 , v 2 , · · · , vn} una base de lil". Por el método de ortogonalización de Gram-
Schmidt se puede conseguir a partir de esta base una base B 1 = {u 1 , u 2 , . . . ,un} ortonormal.
Sea P 1 la matriz de cambio de base, de la base B 1 a la base canónica; es decir P 1 es la
matriz cuyas columnas son los vectores u 1, u 2 ,. ··,un·
z Por el teorema 2 de la página 15 8 la matriz P 1 es ortogonal.
1ª columna de P{AP 1 = (P{A) Oª columna de P 1)

= (P{A) X 1
= P{(AX 1) = P{(A- 1X 1 )
= (A- 1P{)X 1
= (A- 1P{) (1ª columna de P¡)
= A- 1 [ P; Oª columna de P¡)]
= A, 1 [1 ª columna de P{ P]
= e1
[1ª columna de 1] =
:::, :onces existe una matri.:
o
Como (P{ AP1)' = P{ N p1 = P{AP (pues A es simétrica) se concluye que la primera fila de
P{AP1 es (A-1 , O, · · · , O).
de la diagonal.
Tenemos por tanto que
A¡ o o Q
o
P{AP1 =
A¡
o es decir, Q Q' = Q
Sea P = P 1Q, ento

donde A 1 es de tamaño (n- 1) (n- 1), además real y simétrica, pues P{AP1 lo es.
El polinomio característico de P{AP1 es (A-\). (Polinomio característico de A 1), luego A¡ o o
los valores propios de A 1 son valores propios de P{ AP1y por tanto de A, ya que P{ AP1 y A o
Q' =
son similares. Véase Teorema 7 de la página 166. A¡
Supongamos que los valores propios propios de A 1 son A2, 'A3 , ..• , \ que son reales pues
o
A 1 es simétrica.
~
l-;
Por hipótesis de inducción existe una matriz ortogonal Q 1 tal que o
1
Q;A1Q 1 =D 1 1
o o
es diagonal con los valores propios de A 1 como elementos de la diagonal, es decir,
o 1 o
o o
o o o
Corolario.
~, ~~
0 0 base ortonormal de -
SeaQ= entoncesQ'= , y Demostración:

: Q¡
o Sabemos que existe -
A¡ O
o 1.-
P'AP = D =
1 o o 1 o o
QQ' =
o o o o
= = In
Q¡Q; In-1
entonces AP = PD p -
o o Sean X 1, X 2, ···,~ las_.,___.,........,
- Transformaciones lineal~ Vectores y valores propios 177
1 o o 1 o o
Q'Q=
o o
=In
Q¡Q¡ In-1
o o
es decir, Q Q' = Q' Q = I , luego Q es ortogonal.
Sea P = P 1Q, entonces P es ortogonal ya que P 1 y Q lo son, además se tiene:

P{AP1 = (Q'P{)A(P1Q)=Q'(P{AP1 )Q=
~-::ica, pues P[ AP1 lo es.
;:aracterístico de A 1), lueg
A¡ o o
- - to de A, ya que P{ AP1 y A Q'
o
Q=
A¡ \
o
_ · ... .,A que son reales pue5
- - n
A¡ o ... o
.::e :a diagonal, es decir,

r.
o
(1 o
1
o
o
A¡
A¡ o
r.
o
o
1
o o A2 o
l~
Q¡A¡Q¡
o o An
Corolario. Las columnas de P son vectores propios de A y por tanto forman una
o base ortonormal de JRn.
y Demostración:
Sabemos que existe una matriz ortogonal P tal que
A¡ o o
o A2
P'AP=D=
o
o o
=In
entonces AP = PD pues p-I = P'
Sean X 1, X 2, ···,~las coh,trnnas de P, entonces
178 Capítulo 7 Transformaciones lineal Vectores y valores p·
AP = (AX 1, AX2, ..., AXn) Es de anotar que : :.

PD = (A 1X 1, A2X2, .. ., A0 ~) A2 = 3, lo cual era .:._
Escojamos ahora
y de esto se concluye que
cernas los vectores
AX 1 =A 1X 1
AX2 = A2X2
es decir las columnas de P (son ortonormales pues Pes ortogonal, véase Teorema 3 de
página 158 son vectores propios de A por tanto forman una base ortonormal de JRn.
Ejemplo: Si A = ( ~ ~) hallar una matriz ortogonal P tal que P' AP = D Además P' AP = -
2- A 1 2
p(A )=det(A - Al)= 1 = 'A - 4'A + 3 = ('A - 1) ('A - 3)
1
1 2-'A
Ejemplo: Si A = -
Por tanto los valores propios son A1 = 1 y A2 = 3
Hallemos los vectores propios correspondientes al valor propio A= 1, para esto debemos
p('A) = det (A - ·.
hallar el núcleo de (A - 1), es decir, hallar X tal que
(A - I)X=O=>G ~) (;J = (~) que al resolver por el método de Gauss, no:

Por consiguiente •~ _
conduce a ( ~ ~ ~) , luego la solución es ( ;~) = a (_ ~) y por consiguiente una has"
para el núcleo es{(_:)}.
(A - 41) X=O =
De manera similar se tiene para A, ~ 2 que una base para el núcleo es {(:)}
-~---- --
~-- ~ -~~-
- ~~~
Es de anotar que los vectores propios correspondientes a A1 = 1 son ortogonales a los de

A2 = 3, lo cual era de esperar por el teorema 12.
Escojamos ahora una base ortonormal formada por vectores propios, para esto normali-
cemos los vectores X 1 = [ _ ~) y X2 =[ ~) y de esta manera conseguimos
- =anal, véase Teorema 3 de la

e ortonormal de JRn.
P =[ _ f fJ
F2F2
Además P'AP = [ f -~~ [2 1)[ ~ ~]

F2
1
F2
12 1
- F2 F2
1
= [1 o)
03
Ejemplo: s; A [ ~ ~ 2 2] O 2 , hallar una matriz ortogonal P tal que P' AP = D

2 o
- A 2 2
~ o A. = 1, para esto debemo: 3 2
p(A) =det(A - AI) = 2 - A 2 =-A +12A+16 = (4-A)(A + 2)
2 2 -A
Por consiguiente los valores propios son A1 = 4 y A2 = 2
y por consiguiente una bas Hallemos los vectores propios correspondientes al valor propio A = 4
- 4
(A-41) X = O= ~
[
· núcleo es{(:)}
180 · Capítulo 7 Transformaciones lineales
Por consiguiente
y uw base es B 1 = {[:]}
Y una base para los vectores propios correspondientes al valor 'A = -2 es
Por el teorema 12 sabemos que los vectores de B 1 son ortogonales con los de B 0. Pero Además
los vectores de B 1 no son ortogonales entre sí; por tanto debemos ortogonalizar esta base
por el método de ortogorialización de Gram-Schmidt, para esto sea,
P'AP =
SeaY1 = X 1 {~J ,portanto
EJERCICIO
Dada las siguien-""'-
dientes a valores
que P' AP = D -=-
l. A=(; ~~
Por consiguiente una base ortonormal para ~ 3 es
1 F6 1
orA, = -2 es -fi 6 -J3
o F6 1
3 -J3
1 F6 1
-fi 6 -J3
- gonales con los de B0 . Pero Además

os ortogonalizar esta ba¡e
_so sea,
1 o 1 1 F6 1
-fi -fi -fi 6 -J3
P'AP =
F6 F6 F6 o F6 1
6 3 6 3 -J3
1 1 1 1 F6 1
-J3 -J3 -J3 -fi 6 -J3
EJERCICIOS
Dada las siguientes matrices simétricas comprobar que los vectores propios correspon-
dientes a valores propios diferentes son ortogonales y hallar una matriz ortogonal P tal
que P' AP = D sea diagonal
l. A=G ~)
2. A=(86 136)
Recordemos breverr.~
en su forma estánda:
4. A=[~ ~ ~]
5. A=H ~: -:]
6. A=[ : : - ~] Completando cuadrE-

- 2 2 8
(x - 2) +(y - 3) -= ~
2
(x-2) 2 (y - 3)--
+ =
4 9
7. Demostrar que si B ={ v 1 , v 2 , ... , v n} una base ortonormal de V y P"x" es una matriz

ortogonal, entonces la nueva base B 1 ={ u 1 , u 2 , ••• , un } dada por: el cual nuestra ec
forma estándar y
es una base ortonormal.

- Transformaciones lineales 183
FORMAS CUADRÁTICAS
Recordemos brevemente que las gráficas de las cónicas son fáciles de trazar si ellas están
en su forma estándar o canónica, esto es,
x 2 + y 2 = r 2 Circunferencia
y = ax2' o, x2 = by2
2 2
X
2 +y- = 1 E 1'1pse.
a b2
Si (a 2 > b2 ) , tiene los focos en el eje X
Si (a 2 < b2) , tiene los focos en el eje Y
2 2
.;- - ~ = 1 Hipérbola con focos en el eje X
a b
2 2
~ - .;- = 1 Hipérbola con focos en el eje Y
a b
Ejemplo: Identificar la cónica x2 - 6y - 4x + y 2 - 23 = O
Completando cuadrados tenemos: (x2 - 4x + 4) + (y2 - 6y +9)- 4-9-23 =O
(x - 2) 2 +(y -3) 2 = 36
2 2
(X- 2) + (y - 3) = l
4 9
Y si trasladamos los ejes al punto (2, 3), tenemos un nuevo sistema de coordenadas x'y' en
t-==~~ de V y P nxn es una matriz 2 2
dada por: el cual nuestra ecuación anterior se convierte en: (x') + (y') = 1, que se encuentra en su
4 9
forma estándar y por tanto es muy fácil identificarla; es una elipse con focos en el eje Y'.
FORMAS CUADRÁTICAS Y TRANSFORMACIONES LINEALES
P= (x, y)
Y' = (x', y')
~ X'
. '.
~ ~
:
:·
, a.·
:\·'
.... . 8
~~-L------------~X
o
-
-------- ---------'1- ---
184 Capítulo 7 Transformaciones lineales Formas cuadráUcas
ROTACIÓN DE EJES y de aquí concluim -
Si uno rota el sistema cartesiano XY un ángulo e se obtiene un nuevo sistema cartesiano

X'Y'. Luego un punto P tiene ahora doble sistema de coordenadas, las coordenadas (x, y)
respecto al sistema XY y las coordenadas (x', y') respecto al sistema X'Y'.
cose
La matriz (
Veamos cómo están relacionadas estas coordenadas. sen e
S1"hacemos r --7
= OP, tenemos:
x'
cos a =- :::::;> x' = r cos a
r Ejemplo: Rotar
sen a = l.' :::::;> y' = r sen a términos cruzado
r
X
COS (a + e) = - :::::;> X= r COS (a+ e) = r COS a COS e - r sen a sen e =
r
X COS e -y' Sen e X = X
1
COS e - )"' =~
sen (a + e) = l. :::::;> y = r sen (a+ e) = r cos a sen e + r sen a cos e y= X
1
Sen e + )"'
r
8(x'cose- y'se""'- -_
Por tanto X = x' cos e - y' sen e 5(x' sen e + y' co: =
y = x' sen e +y' sen e
4(cos e sen e )Cl =--
4(sen e)x'y' + ... ~
2
que se puede escribir como
luego para que no · _ _

x) = (cose - sen e)
(y sen e cose
(x)y igual a cero, por -~-
- 3(2cose sen8 --
y despejando(::) tenemos:
- 3 sen 2 e - 4 co-.::-:- =
(x) y'
= ( cos e - sen e
sene cose
)-t(x)
y
- 3 sen 2 e = 4 CO ~ H -
4
tan2e = - -
(x) (
3
cose sen e) (x)
y' - -sen e cose y De aquí concluimos ~ -
fórmulas cos 2 e = =- - -
- Transformaciones lineales Formas cuadráticas 185
y de aquí concluimos que

x' = x' cos e + y' sen e
llil nuevo sistema cartesiano
y'= -x'sen e+ y' cose
las coordenadas (x, y
-istema X'Y'.
cos e - sen e )
La matriz ( es conocida como la matriz de rotación.
sen e cose
Ejemplo: Rotar los ejes de modo que la ecuación 8x2 - 4.xy + 5y2 = 36 no tenga
términos cruzados .xy y de esta manera identifique la cónica respectiva.
- :"' . a sen e = Aplicando la anterior tenemos:
X= X
1
COSe- y' sen 8
- :~ - a cose y = x' sen e +y' cose
8(x' cose - y' sen e) 2 - 4(x' cose -y' sen e) (x' sen e +y' cose)+
2
5(x' sen e +y' cos e) = 36 =>
4( cose sen e)(y') 2 - 4(cos 8 sen e)(x') 2 - 6 (cose sen e)x'y'- 4( cos 2 e) x'y' +
2 2 2 2
4(sen 2 e) x'y' + 8(cos 2 e)(x') + 5(cos 2 e) (y') + 5 (sen 2 e )(x') + 8(sen 2 e) (y') = 36
luego para que no tenga términos cruzados- 6cos e sen e - 4cos 2 e+ 4sen 2 8 debe ser
igual a cero, por tanto,
2
- 6cos8sene -4cos 2 e +4sen 8 = 0=>
- 3(2cos e sen e)- 4(cos 2 e - sen 2 e)= o=>
- 3 sen 2 e - 4 cos 2 e = o =>
- 3sen2e = 4cos2e =O=>
4
tan2e = - -
3
3
De aquí concluimos que 2 e está en el segundo cuadrante, cos 2 e = - - y utilizando las
5
fórmulascos2e = 2cos 2 e - l,y cos2e = 1 - 2sen2 e tenemos:
186 Capítulo 7 Transformaciones lineales Formas cuadrátiGS
Si hacemos a, =-
1 1
1 1
2 1
X - 2y
x =- x --y=
J51 J5 J5 y teniendo en -~
2
Q= a 11 x 1
y sustituyendo en la ecuación original 8x2 - 4.xy + 5y2 = 36, tenemos:
8 2 4 2
-(x'- 2y')- - (x' - 2y') (2x'- 2y') +(2x' +y') = 36 =::>
5 5
4(x') 2 + 9(y') 2 .::f 36 =::>
(x')z (y')2
--+--=1
9 4
1
que es una elipse con focos en el eje X
Definición 1 Una forma cuadrática Q en n variable x 1, x 2, . .. , xn es una expresión de Ejemplo: Q= ~ -

la forma
n n Puede escribirse ~
Q= LLc!ixixJ
i=l j=l
es decir;
Q = L~=l clJx 1x J + L~=l c21 x2x J + L~=I c31 x3x J + · · · + L~=I cnJxnx J =
Ejemplo: Q = .=x.:. --
C¡¡X¡X¡ +c 12 x 1x 2 + ···+C¡nX!Xn +
c2lx2xl + c22x2x2 + ... + c2nx2xn +
C¡¡X¡ +(c 12 +c 21 )x 1x 2 +· · ·+(c 1n +cn 1)X¡Xn +
C22xi + ( C23 + C32) X2X3 + · · · + (c2n + cn2)x2xn +

Es de anotar que
se convierte en:
Si hacemos aiJ = t (ciJ +e1¡), es decir A = t (C + C') tenemos: a¡¡ = e¡¡ y aiJ = aJi y la
forma cuadrática nos queda:
Q = a 11 x 12 + 2a 12 x 1x 2 + · · · + 2 a 111 X¡X 11 + a 22 x 22 + 2a 23 x 2 x 3 + ··· + 2a 211 x 2x 11 + ·· · + a 1111 X112

y teniendo en cuenta que x¡xi =X_¡X¡ podemos escribir:
Q= +
que eri forma matricial nos queda:
a ¡¡ a12 aln X¡
a21 a22 a2n X2 , o sea, Q = X' AX, donde A es simétrica.

Q=(x 1,x 2 , ... ,xJ ..
an! an2 ann
. .r:· ···, X11 es una expresión de Ejemplo: Q = 5x~ + 2x 1x 2 + 6xi

Puede escribirse como
5 2 3 4 X¡
2 1 5 6 x2
Q = (x 1,x 2 ,x 3 ,xJ
3 5 2 7 x3
4 6 7 3 Xn
Es de anotar que si la matriz A en Q = X'AX es diagonal, entonces, la forma cuadrática

se convierte en:
188 Capítulo 7 Transformaciones lineales Formas cuadrá ticcs
a 11 O 0 X¡ pero por otro lad

O
Q = ( x 1 ,x 2 , ••• ,xn ) :
a22 O X2 2 2 2
= a 11 x 1 +a 22 x 2 +· .. +annxn
( cose sen e
-sen e cos e
o o ser:.::
( cose
P'
-sen e e os
lo que nos indica que no contiene términos en x¡xl' i 7:- j.
Como A es simétrica sabemos por el teorema 13 de la sección anterior que existe una P (cose -se • . . ,
matriz ortogonal P tal que sen e cos-
P' AP = D es diagonal.
O sea que Pes
De aquí se sigue que
A= PDP' Defi11ición 2
y como la forma
Q = X' AX tenemos:
Q = X'(PDP' )X La ecuación am
x{
( X'P) D ( P'X). Haciendo P 'X = Y =
x2 tenemos
Ejemplo:
5y2 = 36
= Y'DY
Tenemos Q = 8.:r:: - -
[A, o
Q=(- 28 -2)
= (x¡,x;,. ·,x;) ~ "-2
o
oln
r, ~;
5
p(A.) = det(A- i.:
Por consiguiente • ::
puede escribirse o-
Todo lo anterior nos indica que si hacemos el cambio de coordenadas P'X = Y la formz.
Q = A-1 (x') 2 +A.
cuadrática Q no contendrá términos cruzados x;xj, lo cual nos permite fácilmente identi-
ficar la forma cuadrática. Q = 4(x') 2 + 9( y'::
Como P'X =Y tenemos que: Luego 4(x')2 + 9( ,:: = -

Si queremos saber ;:
cruzados, necesi
ormaciones lineales Formas cuadráticas 189
pero por otro lado sabemos (veáse página 184) que:

cose
( -sen e
sen e )
cose
(x) (x)
y = y ' =>
cose sen e)=>

P' (
- sen e cose
~•erior que existe Ull2. p ( cos e -sen e )

sen e cose
O sea que P es la matriz de rotación.
Definición 2 Una ecuación cuadrática en dos variables x y es una ecuación de

la forma
ax2 + 2bxy + cy2 + dx + ey + f = O
La ecuación anterior puede escribirse en la forma

1
X¡
=Y =x2 tenemos
Ejemplo: Identificar en el plano xy, la figura definida por la ecuación 8x2 - 4xy +
5y2 = 36
Tenemos Q = 8x2 - 4xy + 5y2, entonces,
X~]
x, Q=(- ~ - ~)
X~
p(A.) = det(A - A-1) = 1
8
- A
-2 5-A.
-2¡
=(A. -4)(A. - 9)
Por consiguiente los valores propios son A- 1 = 4, ~ = 9, y por tanto la forma cuadrática
puede escribirse como:
Q = A-1 (x')l + A- 2 (y') 2, que para nuestro caso es:
Q = 4(x') 2 + 9(y')1
= 36 ~ ( x')l + (y') = 1 y por tanto la figura es una elipse.

2
Luego 4(x')1 + 9(y')1
9 4
Si queremos saber el ángulo de rotación que se ha hecho para que no haya términos
cruzados, necesitamos saber la matriz P, para lo cual requerimos de los vectores propios.
190 Capítulo 7 Transformaciones lineales Formas cuadrátiC2S
Una base para los vectores propios correspondientes al valor A = 4 es { ~} y para el (x
valor propio A= 4 es {- ~}.

(x'
Normalizando estos vectores tenemos:
cose -sene ) 1
y como esta es la matriz de rotación ( concluimos que cose = ¡;: ;
sen e cos e v5
~ X -
---- 2
sen e = J5 y tan e = 2 y nos permite concluir que para que no haya términos cruzados
en la ecuación 8x2 - 4.ry + 5y2 = 36 debemos rotar los ejes un ángulo de 8 = arctan 2
Véase ejemplo de la página 183, sección formas cuadráticas.
- .r
Ejemplo: Identificar en el plano xy, la figura definida por la ecuación
.f X -
El término xy se elimina de la misma forma que en el ejemplo anterior, mediante el uso de

la matriz de rotación,
P=(4J5 (x' .::
x' x x'
como P'X = Y = ~ X = PY ~ = P y si trasladamos lo: ~- ~
y' y y'
.' 2 2 72 36
y nuestra ecuac10n 8x + 4 xy + 5y - J5 x + J5 y = 36 se convierte en,
--~~ -
~1
--- ---
- ---
- ------~~---
-
r i. = 4 es { ~} y para el
~) (Js
1
luimos que cose = JS:
4(x')
2
+9(y') +(-E,
2
J5 J5 2
J5
ángulo de e = arctan 2
2 2
4(.x') + 9(y') + (o' 36) (;:) == 36
2
4(x') 2 + 9(y') + 36y' == 36
2 2
4((x') + 2x') +9((y') + 4y') == 36
X) == 3
r
2 2
4((x') + 2x' + 1) + 9((y') + 4y' + 4) == 36 + 36 == 72
2 2
4(x') + 9(y' + 2) == 72
(x')2 (y'+ 2)2

-- + == 1
18 8
y si trasladamos los ejes al punto (0, -2) tenemos un nuevo sistema de coordenadas xn_yn
' . ., . (X ")2 (y")2 .

y esta ultima ecuac10n se conv1erte en - - + - - == 1 que es una ehpse.
:~conv ierte en, 18 8
EJERCICIOS
En cada uno de los siguientes ejercicios identificar en el plano xy la figura definida por la
ecuación:
l. 2x2 + 3xy - 2y2 = 25
2. x2 + 2xy + y 2 - 8x + 8y = O
3. xy = 8
4. 17x2 - 12xy + 8y2 = 80
5. x 2 + xy + y 2 - 3y- 6 = O
6. 3x2 - 2xy + 3y2 - 2x - 1Oy + 9 = O
7. 16x2 - 24xy + 9y2 -60x- 80y + 100 = O
Respuestas a -
')
.) -
l. (22
28 3G
3. ( - 54 L.: -
- 56 l1 c:
5. ( 45 - -
53 - 6 -
7. ( 40 - 1 -
- 8 --
9. 38
11.
X: -
~- - -
-~=-=--
- ~- -=----=-=----""-
- Transformaciones lineales
--=- la figura definida por la
Respuestas
a los ejercicios
Respuestas a los ejercicios de la página 11
-51 51 -1 - 21]
l. (22 38 -54) -3 5 52 13
2.
28 30 -34 [
13 - 11 -26 - 27
3. (-5412282-2) 36 14 - 68 -68)
4.
-56 118 69 2 ( 37 - 31 -29 14
5. (45 7. - 87 -64) 81 21 -1 55-132)

6.
53 -6 -90 -49 ( 90-37 -1 19 -35
7. ( 40 - 100 - 64 16) -18 -28 30 76)

8.
- 8 54 97 -6 ( - 5 81 -93 -140
9. 38 5 o -15 20
2o -6 8
10.
1o -3 4
9 o -27 36
5x + 8x + 4x 3 ]
1 2
11. - 3x 1 + 8x 2 - 9x 3 a 11 X 1 + G 12 X 2 + G 13 X 3 ]
[
7x 1 + 5x 2 12. a2,x, + a22X2 + a23X3
[
a3Ixi + a32x2 + a33X3
194 Respuestas a los ejercicios Respuestas a los E::
13. ¡-8-3) [! ~l (
-1 23 14.
15.
[~ ~l 16. [~ ~ ~~
o o lj
18.
[~ l~l 19. [~ ~l (AB)'=
20.
[ZA' -~A +2 2A.
4/c- 3
2
- 3/c + 2 4/c2- 3 ]
o 2A. 2 - 3/c + 2
[ 2 +25i -12+28i]
[-~ -:)
6.
24a. 24b. - 19 + 20i - 28 + 12i
- 22 + lli - 28
25. A2 = [ cos 28 - sen 28

sen 28 cos 28
l A3 = [ cos 38 - sen 38
sen 38 cos 38
l - [1-3
B=
9- -
26. [! ; ~] La suma de las filas o columnas es 34.

7. *- [:-=-
A - .) -
4 - .=.
_
2 - 9 -5 5 5 - 1 1 3
5 4 4 7 -9-5-13 1- 2
l. A' = B'=
- 5 o 7 - 8 4 5 3 - 9 B* = 2 - .: -
9 - 8 -9 3 0 - 7 8 - 6 [ .., ) - -.
7 - 10 - 4 8
- 4 - 1 3 10
(A+ B)' = -1 5 10 -17
9 - 15 -1 -3
.,....,,.,,
~ ~~---- -
--- -
- - - - - ~~- - - - -
Respuestas a los ejercicios Respuestas a los ejercicios 195
6 15 - 15 27
- 27 12 o- 24
(3A)'=
-15 12 21 - 27
15 21 - 24 9
o 27 -73 - 49 19
-11 37 - 9 - 63
-o (AB)'=
-63 56 102 4
- 129 20 82 - 131
-+ 25i -12 +28iJ 6.

[ 2 -3i 3+2i
A = - 3 - 4i 2 - Si
4-2¡]
- ¡
- 19 + 20i - 28+12i
2+6i 7 7 + 8i
- _2 + lli -28
- ~en 38) -B = [1 -3iO 22+9i

'1
_-...... :os 38
+ Si
33 -+4i:
7i
9- i 3 + 4i 3 +6i
7.
[2-3i
A* = 3 + 2i
-3 - 4i
2 - Si
2+6~]
4 - 2i - i 7 + 8i
-
- - 1 1 3
- --1
-~ -
3
3 - 9
[1-3i
B* = 2 +Si
o
2 + 9i 3 +4i
9-iJ
- ¡ 8 - 6 3 +4i 3 - 7i 3 + 6i
[-~=:~
5 + 7i
7 + 2i]
8. A + B= 4+4i 3 - 8i
11 +Si 10+4i 10 + 14i
--
·--
-
--
--~------
-
- -- -~--- """""'~- - - -~-~----
l. a) a-7b-5c=O, b) a, b, e arbitrarios
2. X1 = -2, x 2 = 1, x 3 = 4,
3. X1 = 1, x 2 = 3, x3 = 2, x 4 = 4
4. X¡ = - 2, x 2 = 3, x 3 = 4, x 4 = -1
X¡ 1 -7
Xz 1 2
5. +a
x3 2 3
x4 o -1
X¡ -7 20
Xz 16 - 34
6. +a
x3 11 -9
x4 o - 1
X¡ 1 1
x2 2 1
7.
x3 3 +a¡ +a 2 2
x4 o -1 o
Xs o o -1
X¡ 3 - 3 5 -2
x2 4 - 6 18 -11
8. x3 o +a¡ - 1 +az o +a2 o
o o -1 o
- -3+9iJ
- 9 +3i
x4
Xs o o o -1
o 9. X1 = 0, x 2 = O
10. X1 =0, x 2 =O, x3 = O
=-· ...
•2..._-=-~-
·- -.. - - ----
198 Respuestas a los ejercicios
11.
[:}{;] 2. X1 = 1, X: =
X¡ -10 - 7
Xz -1 - 1 3. X1 = - 2. X_ =
12. = a¡ -9 +az - 6
xJ
4. X1 = 3, X:=
x4 -3 o
Xs o -3 5. x1 = --. r_ =
13. (-~ -~) 14. l8_ (- 24 - ~) 6. X1 = 2, X: =-
-2 - 6 18 16
7
15. ~
[ 22
- 17
-31
-5
- 10
-:] 16. -
18
1 4
7
11
- 6
3
15
-9
- 27
o 4
-1 1
- 25

l. a) 13 b) -15 e) 34
54
2. a) -60 b) -70 e) 24
10. - 52
3. a) -8 b) -63 e) -16 8 - 4
2
10
12. (a+ 2)(a - 1)
13. 4xyz
14. azbz l. a) Sí
15. X = 2, x=3 2. a) Ninguna
16. X= 1 3. la. IID I = ' =
17. A = - 1, A = 1, A= 2 2a. IID I = ' = --

- --
-
18. A =2, A= 3, A= 7 3a. liD ~ = 3:- . =
~ -- -- -
-- -- ~- - - -- -------
Respuestas a los ejerci · Respuestas a los ejercicios 199
l. X1 = 3, X2 =1
2. X1 = 1, X2 = 1
3. x 1 = - 2, x 2 = 5, x 3 = - 3
4. x 1 = 3, x 2 = 1, x 3 = 2
5. x 1 = - 2, x 2 =1, x 3 = - 1, x 3 = 3
-~)
6. x 1 = 2, x 2 = -1, x 3 = 3, x 3 = 1
4

- 2 - 6 18 16
4 -6 o 4
1~ G;)
- 1 [ 4 - 1)
- ".) -9 - 11 6. 7
14 - 2 - 3 .
11 15 -27 - 25
~r: 1~
1
8. o 9. _1 [
1 iJ 40
-5
54 81 -36 45
10. 1 - 52 -74 42 -46

-
8 - 4 -5 6 -7
10 8 -6 4
l. a) Sí b)No e) No
2. a) Ninguna b) Paralelos e) Perpendiculares
3. la. ¡¡u = ¡ v¡¡ = -53

11
2a. ¡u = ¡v ¡ = 3-J5
11
3a. ¡ u ¡¡= 3-16, ¡¡v ¡ = -[46
- - - --=-----==-- -
-~"-..l - ~~---
200 Respuestas a los ejercicios Respuestas a
2a . IIU =-134' IIVII =3

11 4. l. p\ =
2b. IIUII =3, IIVII =6

2e. IIUII =-16, IVII =-fi
1
4. la. 1 2a. - - -134
102
lb. -1 2b. 1
5. l. c. -
le . ..l2__J69 2e. O
414 2.
5 a. _ }_ -fi . _!2_ Jl86 . _2_ J93 3. ( .::..

6 ' 186 ' 93
6. 9-E.
b. ~J85 · 22._J31o · - ~ J1054
85 ' 310 ' 1054
7. J86
8. 2
9. B,-
-
1 1
le. IIUull= rrC- 5,4,3, -2) ; ltuvll= ,-;-;:-(2,4, 1, -5)
3"6 "46
10.
l. p ~y = (- 2, ~' %)
B - ,-
(~, ~' - ~)
11.
2. pXI Y =
3. p
X/Y -
-(-.!3. _36 7 ' 35' 35
72) CX/ Y
12 ¡-;::;;;
= -'V7Ü
35
Respuestas a los ejercicios 201
Respuestas a los ejercicios
4. l. p
Y/ X
- (_13 39
-
.!2)
14' 14' 7 CY/ X
13
14
¡-:;-;;
= - v'14
2. CY/ X =--
1M
14
p - (- 36 12 24) 12 ¡-:;-;;
3.
Y/X - 7 ' 7 ' 7 Cy1x = -7 v'14
.
5. l. (7,-5,11)
2. (7, - 5,-3)
3. (12, 8, 14)
6. 9.fi
7. J86
8. 2
10. B1 ={o, 1, O) ,(1, -1, 1) ,~ (1, -1, - 2)}

B, ~ {~ (1, 1, O), ~ (1, -1, 1), ~ (1, -1,- 2)}
11. . B 1 ={o, 1, O, 1) ,0, - 1, 1, O) ,l(O, - 1, - 1, 1) ,l(- 1, O, 1, 1)}

1 1 1 1 }
B 2 = { .J3(1, 1, O, 1), .J30' -1, 1, 0), .J3(0, - 1, - 1, 1), .J3(- 1, O, 1, 1)
- --
~. -~-
202 Respuestas a los ejercicios
Respuestas a los ejercicios de la página 117 5. {(5, 1, - 1
l. a) x+1 = y - 2 = z - 5
- - - - (9, 8, 13) n(n+1 )
5 3 4 ' 8.
2
b) x+3 y+4 z - 2
- - = -- = - - (5, - 3, 4)
8 1 2 '
x+1 y - 2 z-4 2. a) Sí, dirn _-- =

3. - - = - - = --
36 4 -15
d) Sí, dirn _--=
4. a) 12x + 15 y + 6z = 3 g) No
b) 7x + 18y + 20z = 74
5. 17x-18y+5z = -12 1
1 a. Mr= (
6. x - 2y + z=O
o:
4 1.::
7.
J29 b . Mr=
[
G
l. a)Sí b)No c)Sí d)Sí e)No f)Sí g)No

2. Sí 3. Sí 4. No c. MT= 7
5. Sí 6. No 13.No
3

4. a)Sí b)No c)Sí d)Sí .
-r
Respuestas a los ejercicios de la página 133 d. Mr=
l. a) ( 2 ~ _!_)
'5' 5
b) (%, 4, %) e) No es base d) (- 1, 3, -1)
2 a. Dimensión= 2 b. Dimensión = 3
c. Dimensión= 3 d. Dimensión = 2
T(x, y, z) =
3. (~,l) 4. (1, 4, - 5,- 2)
-- -
--~- ~ - --- -- ~~---==----

5. {(5,1, - 1)}
n(n + 1) n(n + 1)
8. 9.
2 2
2. a) Sí, dim Nr= O b) No e) Sí, dim Nr = O

d) Sí, dim Nr= O e) No f) Sí, N T = {Matrices antisimétricas}
g) No h)No
1 a. Mr= (~ ~) T(v)=
(-5)
-6
T(x,y)= (-2x-y)
-2x
b. Mr= (2 15
O - 2
2) 7
T(v) =
[~3:
-
-
2
T(x, y)= [3~
- x+3y
- x+ y
2
]
- -1
n::tJ
-,.,
T(v)~ UJ T(x,y,z)~
3 .)
~
- o
7 - -1
c. Mr= -
3 3
- -
1 1
3 3
24
-
4 6
-
2
- 5
5 5 5
6
d. Mr= 1 o -1 T(v) = --
5
4 6
- - -3
5 5 5 7
d) (-1,3, - 1) --
5
6x
-- -1 y 3
- + - z
5 5 5
4 4 2
T(x, y, z) = -x + - y - - z
5 5 5
3 -2 y 1
-X - + -z
5 5 5
- --
--~--~- - - - ---=----
~ ~"'-~ -~-
204 Respuestas a los ejercicios Respuestas a
o o o
d. Mr=
1 o o
o 2 o T( v) ~ [¡;]
o o 3
T(v) = T(p(x)) =
[:;]
~)
Respuestas a
2.
l. MB, = -
(-~ -~]
B, - -
3. Mr=
-3 -5
2. M B,
B1
-
-
5.
MT2 = 1(1 o1 o1) Mr
3
=(- 11
3. MB, = _!_ -
B, -
4. M BlB, = -
...,.
-
-
6. Mr, = 31(51 -I)

- 2
(o -1 2)
Mr2 = O -2 1
Respuestas a I : ej!Klilil•
M - -1 ( - 3
T3 - 2 -3
- 1
1 - ~) M T oT - O
2 1 -
(o - 11 ~) l. 'A = 2, B =
2. 'A= 1, B = -
-1 ~) =~ (~ ~)
-2
M - -1 ( -4 -
T3oT, - 2 1 M r¡2
3. 'A = O, B = -
?. MT_, =l(-~ ~) r-I =(lx -ly, ix+ly) 4. 'A= - 1, B =
8. MT_, = ~ ( _ ~ ~) 5. 'A= 1, B =
- - ---
- ~ ~---~-- ------~-
Respuestas a los ejerd Respuestas a los ejercicios 205
9.
11 21 11] T 1
Mr-' =
[1 1 o = (x+y +z, x+2 y + z, x + y)
10. Mr-' = l[~ ~ 1~~

3 9 9j
l. M'
B - -1 e~) M B1 - [ 2 o)
[
~~- ~ -~ -~]
B 1 2 3
- B, - - 3 1
-3 - 5
2.
M::{~ - ~] M B1 1[ 6
- - 2)
B, - 3 - 9 -4
= ~) -11] [o1-1
~ 1_[-:
- 1
3. M''
B¡ 2 -1 1
-1 1 1
B, =
MB 1
1
-1
o :]
4. MB' = __!__ - 2
B, 2
[-1 -1o 3:o MB 1
B,
= __!__
3
loo -Jo -~]
o -2 o 2 -1 - 1

1. A = 2, B = {(1, 1)} A = 3, B = {(2, 1)}
2. A = 1, B = {(- 1, 1)} A = 3, B = {(1, O)}
3. A=O,B={(-1,1,1)} A=1,B = {(-2,0,1),(2,1, 0)}
4. A = - 1,B = {(0,-1,1)} A=1,B={(- 1,1,0)} A = 3,B={(- 2,3, 1)}
5. A=1,B={(O,l,O,O)} A = 2,B = {(0,0,1,0)} A=3,B={(~,1,0,0)}

206 Respuestas a los ejercicios Respuestas a los -
9. Son los cuadrados de los valores propios de A
10.
o
~[ 1 o
1 1] 1 3 2 -11] 6. P=
1 1
1
o
11. 40
[19 -1 4
- 5 10
- 3
5

Respuestas a -
l. (x'f - _
2.
3. (x')z - - =
4. (x')z -
- - - --
16
=
5. (x") z -
-- ---
6
=
3. 6. (x") z +:: - =
7. (y ")2 =- ~
1 1
J2 o J2
1 1
4. P= o J2
J2
o o
1
J5
5. p = o
2
J5
1 J2 2
J2 6 3
6. P=
1 J2 2
- -
J2 6 3
o 2J2 -
1
3 3

2 2
l. (x') - (y') = 1O hipérbola
2. (x') 2 = -4-fiy' = O parábola
3. (x')
2
- (y') = 16
2
hipérbola
4. (x')z (y')z
- - +-- = 1 elipse
16 4
5. (x")z (y")z
- - +- - = 1 elipse
6 18
2 2
6. (x") + 2(y") = 1 elipse
7. 2
(y") = 4x" parábola
Fe de erratas
Página Errata Corrección

1 1
141 (cA') =cA' (cA) =cA'
1 1
20 t (AB) (AB)
43 t el sistema tiene solución única el sistema tiene solución
-1 3 -1 4 -3 4
521 3 5 -2 5 = 3 -1 2 1 =
-1 2 1 -1 2 1
Como Cf1 = -ak 1C~ , e~~ = -e~ , e;;~ = -e;;~ , ... ,

54 t
crz = -ak2c:z' . . . ,c.::, = -a,Olc;,. e:,= -e~
E n los ejercicios 15, 16, 17,18
62 t falta = O en cada uno
x+2 -5 x+2 -5
62 t =O
4 x+7 4 x- 7
A.- 1 -2 2 A.- 1 -2 2
62 t -1 -1 -2 -1 A. -2 =O
-1 -1 A.- 1 -1 -1 A.- 1
-1 1 7 -1 1 7
65 t IB31 = 1 -1 3 =20 IB31 = 1 -1 3 = 20
1 1 -1 1 1 1
XI + 2x = 3 XI + xz = 3
721
2x 1 - 3x2 = -4 2x 1 - 3x2 = -4
73t (" J~-}_[5 --32 -TJ

x2 -1 2
Resolver los sistemas de ecuaciones de
(X¡ J=-}_(-3
x2 5 - 2
-Ir 3J
1 - 4
Resolver los sistemas de los ejercicios
los ejercicios de la sección 3 del capítulo de la sección Regla de Cramer del capí-
74 t 3, por el método de la matriz inversa tul o 3, por el método de la matriz inversa
Sean X = (x 1 , xz), Y =6\, Y 2) Sean X= (x 1 , Y 1), Y =(x2 , Y 2)
79 t
dos vectores de R 2 dos vectores de R 2
80 t y= (xz+y ¡) X+Y = (x 1+yl' x1+y2) Y= (xz, Yz) X+Y = (x1+x2 , y 1+y2)

Página Errata Corrección Página
81 i X = ~x~ +x~ IIXII = ~x~ + x; 150 !

Xz __: Y1
82 t sena = lfi[ sena- ¡¡x¡¡
151 t
85 t c(X + Y) . c(X + Y) :2: O (eX+ Y). (eX+ Y) :2: O
153 t
85 j_ 2(XxY) 2(X ·Y)
101 i cos a = cjJ Y II cosa= JJcYjj 153 j_

IIXII IIXII
101 j_ eX/Y = IIPX/YII = llcYII = ciiY IJ... eX/Y =IIPX/YII = llcv¡¡ = icliiYII ... 154 i
103 i c)X.(X.Y) = O e) X .(X x Y)= O
112! X=AB, Y=Ae, Z = AD X=AB Y=Aé Z=AD

' '
x - 1 = y-3 = z - 5 x-1 = y - 2 = z-3
118i 157!
2 3 4 2 3 4
121 i .. . v un vector y a un escalar .. . . . . v un vector y a, f3 escalares .. .
Es un espacio vectorial V . . . En un espacio vectorial V ...
Z= A..:
126 j_
157 J- W= B
c!a 11 + c2a!2 + ... + cmu!m =O el a 11 + c2al2 + . . . + cma!m =O
MZ=
el a 2! + c2a22 + . .. + cmu2m =O c!a 21 + c2a22 + . .. + cma2m =O
131 i
ca
1 nl
+ca
2 n2
+···+cu
m nm
=O ca
1 ni
+ca m nm =O
2 n2 +·· · +ca
134! 7. Sea . . . R 3 7. Sea . . . R 4 158 i
136i T : R 2-7R 2 T: R 2-7R
Sea V= {Matrices de tamaño 2 X 2}, Sea V= {Matrices de tamaño 2 x 2},
136! W=RyT dada por yT dada por 161 J- AX
T : V ---7 R T:V ---7 R 4
161 j_
149 t T(- 1,2) = (-5,1) T(- 1,2) = (- 7,1)
. . . az1 - a22 = - 5 .. . a2I - á22 = -7 164 i

-a2J + o = 1 - a21 + o = 1
que al resolverlo nos da: que al resolverlo nos da:
149 j_
... ' a22 = 4 ... ' ¿¡22 = 6
t
Mr =
- 1
o
-:] M,~(
-1
O-:] 165
166 j_
2
Se puede observar que la matriz aso- Se puede observar que la matriz aso-
1501 ciada a esta transformación lineal ciada a esta transformación lineal
es··· respecto a la base canónica es · · ·
151 t · · ·dada por lv(v)=v · · · dada por 1/v)=v
cX + Y)2=:0
153 t AoM T =M
. T
oA=I n AM T =M~=I
. n
... Calcular T(v) para el vector v . . . Calcular las coordenadas de

dado, y hallar T(v) para un vector T(v) para el vector v dado, y las de
153 1. T(v) para un vector en general del
en general del espacio vectorial V.
espacio vectorial V.
154 i T(x, y, z) = (x +y+ z, 2y, 3x) T(x, y, z) = (x +y+ z, 2y + 3x)
1561. T : R 2 ----.¿ R 2 1 : R 2 ----.¿ R 2
157 i La matriz de cambio de base M!' La matriz de cambio de base M!'

. l
1
1571 M- BM =A1
MBM- =A 1
Y=MX Y = M'X
Z=AX Z=A'X
1571. W =BY W =B'Y
- -:
a L +·· · +ca
m 1m
=O MZ = W M'Z=W
- ._- :--n.
rr +···+ca
m 2m
=O 1
M- W = Z (M'tW=Z
- --_:
~ an1 +· ··+ca
m nm
=O (M-1BM)(X)= (M-1B )(MX)= (MBM- 1 ) X = (M-1 ) B'M'X =
M-1 (BY)= M - 1W = Z = AX ~ (M- 1 ) B'Y = (M- 1 ) W = (M't W =
158 i
M-1BM = A
Z ~ (MBM-1 )x = A'X ~
MBM-1 = A
1611- AX A'X
· · · es un valor propio de la matriz · · · es un valor propio de la
1611. asociada A matriz A'
· · · , entonces {x 1, x2, . . • , xJ es · · ·, entonces {v1, v2, . . • , V0 } es
- a 22 -7 164 i linealmente independiente linealmente independiente
- o 1 164 t , con algún a/0 , con algún ai * O
164 t multiplicada por 1k+ l multiplicada por Ak+l
165 t x y Bnn
cambiar Ann x por Anxn y Bn:xn
_I;- =
-1
O -5)
6 1661. AlA2, · · · ,An \,A2, . . . , An
3
cambiar M;x 1 ,M;x2 y M;xn por
1681
M~X 1 , M~X2, y M~X n
· · · es un valor propio de la matriz · ··es un valor propio de la matriz c.
171-l-
A, entonces A-- 1••• invertible A, entonces A.- 1-··
-- -- - --
172-1-
AX = A X pues A es una A X = A X pues A es
matriz real.. . una matriz real ...
203!
175-l- e¡ A-¡
178-l- se tiene para A.2= 2 se tiene para A.2= 3 T =
179-l- A. 1 =4yA.2 =2 A. 1 = 4 y A.2 = -2
1801 B 0 • Pero los vectores de B 1 B2 • Pero los vectores de B 2
180-1- NonnffiizaOOo la base B, ~ {[:]} Normalizando esta base tenemos
184 t y= x'sene +y'sen e y = x'sene +y'cose

204
1
x' = x' cose+ y'sen e X =X cose+ y sen e
1851
y' =-x'sen8+ y'cose y' = x sen8+ y cose
187-l- +14x3x 4 3x4 + 14x3x 4 + 3x4
1901 · · · y para el valor propio A. = 4 es · · · y para el valor propio A. = 9 es

. .. = 3 .. . = 36
190 t ... = 3 ... = 36
(l
1
X ' . X
comoP'X=Y ,~ como P X = Y y' ~
y
190-1-
~ (: J=P(::J
1
X X
X=PY~ =P '
y y X=PY
y nuestra ecuación 8x2 + 4xy + ... y nuestra ecuación 8r - 4xy + ...

. . . =3 ... = 36
191 1
... = 3 .. . = 36
4 ((x'J + 2x )+9 ((y'J +4y')=36 4 (x'J + ~ (y'J + 4 y')= 36

191 t
4 ((xJ +u+ 1)+9 (cY'J +4f +4)=36 4 (x'J + 9 ((y'J + 4 y'+ 4 )= 36
199 í 6. x 1 =2,x2=-1,x3 =3,x3 =1 6. x 1 =2,x2=-1,x3 = 3,x4 =4
4
Corrección
_LX: , M~ 2 y M~n por 1 1 11 2
-- - -- --
-X-. y M~Xn 3 3 3 3
7 1 7 1
- ~or propio de la matriz c. Mr = - -- Mr = - --
entonces A- 1 ••· 3 3 3 3
1 1 1 1
-- - -- -
3 3.~ 3 3/
'
203!
T(v)=[!J T(v)=[_ !J
T(x,y,z){tx
--X
[ 11
T(x,y,z)= - ix . _
+
~ y - zJ
- x
3 : l:J - y+z
3
204 i T(x,y)=(~x +~y,-x+2y) T(x

,y
)=(6x-y 9y+x)
5 ' 5
.·=t l =>
= :J=p(;,j
- --
- -~~ ~- · ----
Bibliografía
ANTON H. Introducción al álgebra lineal, 3a. ed., Editorial Limusa, 2003
ACHER, J. Algebra lineal y programación lineal, Montaner y Simón S.A. Editores,

Barcelona, 1967
APOSTOL, Tom M. Calculus vol. 1 y JI, 2da. ed., Editorial Reverté, S.A., 1972
AYRES, Frank. Theory and Problems of Matrices, Schaum Publishing Co., Nueva
York, 1962
GROSSMAN, S. Algebra lineal, Editorial McGraw-Hill, 5a. ed., México, 1996
HALMOS, Paul R. Espacios vectoriales finitos dimensionales, 2da. ed., Compañía

Editorial Continental S.A., México, 1965
KOLMAN, B. Algebra lineal con aplicaciones, 6a. ed., Pearson Educación, 1999
KUROSCH, A. G. Curso de álgebra superior, Editorial MIR, Moscú, 1968
MALTSEV, A.I. Fundamentos de álgebra lineal, Primera edición en español, Siglo

XXI Editores S.A., México, 1970
MOSTOW-SAMPSON, Meyer. Fundamental Structures of Algebra, McGraw-Hill

Book Company, 1963
PAIGE, Lowell J. y SWIFT, J. Dean, Elements of Linear Algebra, B1aisdell

Publishing Company, 1961
,
lndice
Ángulo entre vectores, 82 Forma cuadrática, 183

Base, 96 Independencia lineal, 125
Base canónica, 97 Inversa de una matriz 2x2, 41
Base de un espacio vectorial, 129 Método de la matriz escalonada, 30
Combinación lineal, 125 Método de Gauss, 31
Dependencia lineal, 125 Matrices
Determinantes, 4 7 Diagonal principal, 17
2 X 2, 48 Diferencia, 4
3 X 3, 49 Igualdad, 3
Cofactor ij, 50 Inversa por la derecha, 70
Ley de Sarrus, 49 Inversa por la izquierda, 70
Menorij, 50 Método rápido, 72
Propiedades, 53 Multiplicación, 6
Dimensión, 97, 131 Multiplicación de un escalar por una
Distancia entre dos puntos, 88 matriz, 4
Ecuación característica, 162 Surna,3
Ecuación cartesiana de la recta, 114 Matriz
Ecuación cartesina del plano, 115 Adjunta, 68
Ecuación paramétrica de una recta, 113 Ampliada, 27
Espacios vectoriales, 119 Antihermítica, 17
Subespacio generado, 123 Antisimétrica, 15
Subespacios, 122 Conjugada, 16

Cuadrada, 3 Solución general, 38 Parale

Dürer, 14 Solución trivial, 39 Pro
Diagonal, 18 Soluciones particulares, 38
Escalar, 18 Subespacio propio, 162
Fila por columna, 6 Transformación diagonalizable, 166
Hermítica, 17 Transformación lineal
Idéntica, 9 Defmición, 135
Idempotente, 19 Transformación lineal asociada a una
Involuntiva, 19 matriz, 160
Nilpotente, 19 Transformaciones lineales
Nula,4 Imagen, 139
Ortogonal, 19 Inversa de una transformación, 151
Simétrica, 15 Núcleo, 139
Transjugada, 16 Nulidad y rango, 142
Transpuesta, 14 Suma y multiplicación por

escalar, 139
,Traza, 18
. Transformación idéntica, 151
Triangular, 19
Variables libres, 36
Triangular inferior, 19
Vector de coordenadas, 133
Triangular superior, 19
Vectores, 7 5
Unitaria, 19
Base ortogonal, 107
Matriz de cambio de base, 156
Base ortonormal, 109
Matriz invertible, 67
Combinación lineal, 89
Operaciones elementales entre filas, 29
Componente, 100
Ortogonalización de Gram-Schmidt, 107
Desigualdad de Cauchy-Schwarz, 85
Polinomio característico, 162
Desigualdad del triángulo, 86
Polinomio de matrices, 11
Equivalentes, 78
Regla de Cramer, 63
Identidad de Lagrange, 104
Rotación de ejes, 184
Igualdad, 75
Rotación de vectores, 13 7
Linealmente dependientes, 93
Sistema homogéneo, 24
Linealmente independientes, 93
Sistema inconsistente, 24
Norma, 79
Sistemas equivalentes, 24
Capítulo 7 Matrices 213
Paralelos, 78 Triple producto escalar, 105

Producto interno, 83 Unitario, 88
Producto vectorial, 102 Vector dirigido, 77
Propiedades del producto intemo,83 Vectores y valores propios, 160
Proyección, 100 Volúmen de un paralelepípedo, 106
Suma y producto por escalar,76 Wronskiano, 128
~r-...,.,..;;.;.., lineal asociada a una

triz, 160

Fundamentos de Algebra Lineal. Ruben Sánchez

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fundamentos de Algebra Lineal. Ruben Sánchez

Cargado por

Copyright:

Formatos disponibles

Fundamentos

Prohibido reproducir este libro, total o parcialmente,

Todos los derechos reservados.

Copyright © 2005 Editorial Tri !las de Colombia Ltda.

Impreso en Colombia Printed in Colombia

A mis adorados hijos

A la memoria de mi inolvidable padre

En la actualidad existen muchos programas que se instalan en el computador, los cuales

Recomiendo consultar las siguientes páginas en la web:

Licenciado en Ciencias de la Educación con especialización en Matemáticas y Física

En 1973 se graduó como matemático de la Universidad Nacional de Colombia.

Profesor del Departamento de Matemáticas de la Universidad Nacional de Colombia

Fue distinguido como docente excepcional de la Universidad Nacional de Colombia

Ha trabajado también como profesor en la t:niversidad del Rosario, Pontificia Univer-

En la actualidad se desempeña como profesor en la Escuela Colombiana de Ingeniería.

2. Sistemas de ecuaciones lineales .............................................................. 23

4. Inversa de una matriz .............................................................................. 68

6. Espacios vectoriales ................................................................................. 119

7. Transformaciones lineales ....................................................................... 135

8. Respuestas a los ejercicios ..................................................................... 193

Bibliografia .................................. :................................................................. 209

NOCIÓN DE UNA MATRIZ Y ÁLGEBRA DE MATRICES

lJna matriz es una ordenación rectangular de números, por ejemplo:

y sus columnas son:

Orfinición 1 Una matriz A de tamaño n x n, es decir, cuando el número de filas

Definición 2 Dos matrices A = (aij)m xn y B = (bijJmxn (del mismo tamaño) son

Por la definición anterior, tenemos que:

Definición 3 Sean A = (aij)m xn y B = (bij)m xn dos matrices del mismo tamaño. Se

las matrices son de diferente tamaño.

el tamaño de la matriz Oserá evidente dentro del contexto en el cual se use.

Definición 5 Sea e un número (escalar) y A = (aü)m xn una matriz. El producto cA

Definición 6 Sean A= (aiJ)m xn y B =(bü\nxn· Se define la diferencia A - B por:

h ema 1 Sean A, B, e matrices de tamaño m x n, e y d escalares y O la matriz

obsérvese que este producto es un número.

Ejemplo: (3, - 5, 8, 5) [ j J~ (3)(8) + (- 5)(- 9) + (8)(7) + (5)(-5) ~ 100

Definición 8 Sean A = (a¡) mxn, B = (b1k)nxp· El producto AB es otra matriz

Luego el elemento que se encuetra en la posición ik de AB se obtiene al multiplicar la

En otros ténuinos tenemos:

Ejemplo: Vamos a hallar el producto de:

E producto está definido pues el número de columnas de la primera matriz es igual al

~A,.B. 1 ~(~8,4,4) (=i) -140

,~A 1 ,B.3 ~(-8,4, 4) ( ; ) ~ 12

_~A,.B~~(-8, 4,4) (_!) ~- 4

-, ~ A,.B., ~(2,5, -5) (=iJ ·~ 23

e,_.~ A .B. ~ (2, 5, - 5) ( =n

,,~A 2.B.3 ~(2,5, -5) ( .; ) ~ - 7

=,~A 2.B~~ (2,5, -5) (j) ~ 75

no está defmido porque el número de columnas de la primera matriz no es igual al númer·

Ejemplo: Sean A =( ~ y B= (-42 - )3)~

Si el orden es evidente dentro del contexto, se escribe simplemente l.

Teorema 2 Supongamos que A, B, C son de tamaño tal que pueden efectuarse

El elemento que se encuentra en la posición ik en la matriz (cA) B es L. (caif)bJk =

El elemento que se encuentra en la posición is en la matriz A(BC) se obtiene, al multi-

Ip (j=I"i a¡r¡ b~cJ ) cks = j I= l a¡·r¡ ( k=Ipl b~c

Luego por la definición 2) se desprende que A(BC) = (AB)C

Ejemplo: Sif(x) = 2~2 + 3x -7 y A = ( ~ ~)

En Jos siguientes ejercicios,

Calcu lar el producto de las siguientes matrices:

9. (-1, 0 ,3,- 4) [~l l

18. Sif(x) =x2 + 3x + 5 y A= (~ i}hallarf(A)

19. Sif(x) = x2 -5x + 10 y A= ( _; ; } hallarf(A)

20. Si f(x) ~ 2r'- 3x + 2 y A~ ( ~ ~ !} hallarf(A)

21. Mostrar que si AB = A y BA = B, entonces A2 =A y B2 = B

22. Hallar dos matrices de tamaño 2 x 2 diferentes de O, de modo que AB = BA = O.