Resumenes de Algebra

E SCUELA P OLITÉCNICA N ACIONAL
Á LGEBRA L INEAL • S EMANA 01 C LASE 01
Semestre 2020 A Departamento de Formación Básica
En este curso, tomaremos:
• m, n ∈ N con m > 0 y n > 0;
• I = {1, 2, . . . , m} y J = {1, 2, . . . , n}; y
• K un cuerpo o campo (es decir, cualquier conjunto que cumpla con los axio-
mas de cuerpo), puede ser R o C.
1. M ATRICES
1.1 Definiciones y conceptos fundamentales
D EFINICIÓN 1: Matriz
Una matriz sobre un cuerpo K es una función
A : I × J −→ K
(i, j) 7−→ aij ,
la cual se representa por

 
a11 a12 ··· a1n
 
 a21 a22 ··· a2n 
A=
 .. .. .. .
.. 
 . . . . 
am1 am2 ··· amn
Con esto, se dice que A es de orden m × n y que tiene m filas y n columnas.

Al conjunto de todas las matrices de orden m × n sobre el campo K se
denota por K m×n .
O BSERVACIÓN 1. A aij se lo denomina elemento o componente ij de A, el número

que aparece en la fila i y la columna j.

Dada una matriz A, esta se la representa también por A = aij .
Otras notaciones usuales para el conjunto de las matrices, que se puede en-
contrar en la literatura, son Mm×n o Mmn .
1
Departamento de Formación Básica Semana 01 Clase 01
E JEMPLO 1. Considere las matrices

 
1 0 !
  8 1 5
A =  −2 −5 y B=
5 7 −8
0 3
La matriz A es de orden 3 × 2 y la matriz B es de orden 2 × 3. El elemento en la

fila 1 y columna 2 de A es, a12 = 0 y el elemento de la fila 2 y columna 3 de B es
b23 = −8.

E JERCICIO 1. Dada la matriz A = aij ∈ K2×3 donde
aij = 2i − j
para cada i ∈ {1, 2} y j ∈ {1, 2, 3}. Escriba a la matriz con todos sus elementos.
D EFINICIÓN 2: Filas y columnas

Sean A ∈ K m×n , i ∈ I y j ∈ J. A la matriz
 
a1j
 
 a2j 
 . 
 . 
 . 
amj
se la llama la j-ésima columna de A que notaremos A j y a la matriz

ai1 ai2 · · · ain
se la llama la i-ésima fila de A que notaremos Ai .
E JEMPLO 2. Considere la matriz

 
1 0 6
 
A =  −2 −5 3
0 3 0
La 3-ésima columna de A, es  
6
 
3 .
0
2
Semana 01 Clase 01 Departamento de Formación Básica
La 1-ésima fila de A es
1 0 6 .
 
1 2 −1 0 3
E JERCICIO 2. Dada la matriz A = 1 2
 
0 1 3. Indique a su 2-ésima fila,
3 3 3 3 3
3-ésima columna y 5-ésima columna.
D EFINICIÓN 3: Igualdad de matrices

Sean A ∈ K m×n y B ∈ K p×q . Se dice que las matrices A y B son iguales, y se
representa por A = B, si:
a) m = p y n = q; y
b) aij = bij para todo i ∈ I y j ∈ J.
E JEMPLO 3. Dados x, y, z ∈ R, considere las matrices A y B,

   
1 6 x 6
   
A =  −8 3 y B = y 3 .
0 7 0 z
Notando que A y B tienen el mismo orden, para que sean iguales los valores de x,
y y z deben ser 1, −8 y 7, respectivamente.
E JERCICIO 3. Dadas las matrices A, B, C ∈ K2×2 donde
aij = máx{i, j}, bij = mı́n{i, j} y cij = − máx{−i, − j}
para cada i, j ∈ {1, 2}. Indique cuáles matrices son iguales y cuáles no lo son.
D EFINICIÓN 4: Vectores
El conjunto K n es:
K n = K × K × · · · × K,
| {z }
n veces
es decir,
K n = {( a1 , a2 , . . . , an ) : ai ∈ K para todo i ∈ J }.
Por notación, si a ∈ K n , se asumirá a = ( a1 , a2 , . . . , an ).
3
Podemos identificar cada elemento de K n con una matriz de K n×1 de la

siguiente manera: si
a = ( a1 , a2 , . . . , a n ) ∈ K n ,
entonces, visto como matriz es

 
a1
 
 a2  n ×1
 ..  ∈ K
a=  .
.
an
E JEMPLO 4. Dado el vector u = (1, 2, y), donde y ∈ R, entonces visto como matriz
es  
1
u =  2  ∈ K 3×1 .
 
y
 
1 3
E JERCICIO 4. Dada la matriz A = 2 2, escriba a sus columnas cómo elemen-
 
2 1
tos de R y sus filas como elementos de R2×1 y de R2 .
3
D EFINICIÓN 5: Suma de matrices

Sean A, B ∈ K m×n . La suma de las matrices A y B es la matriz C ∈ K m×n tal
que:
cij = aij + bij
para todo i ∈ I y j ∈ J. A esta matriz se la denota por A + B.

Con esto, tenemos que aij + bij = aij + bij .
E JEMPLO 5. Considere las matrices

   
1 1 1 1
1 8 − − 

 2 4

 2 4
A =  −2 −5 6  y B= 5 7 −8  .
 7   1 
0 20 −1 − 2
3 3
La suma de las matrices A y B se calcula sumando los elementos que ocupan la
4
misma posición, es decir, si C = A + B para calcular al elemento c12 se tiene que

1 1
c12 = a12 + b12 = + − =0
2 2
Finalmente  
9 0 0
 
A+B =  3 2 −2 .
−1 2 22
E JERCICIO 5. Considere a la matriz A del ejemplo 5, calcular A + A.
D EFINICIÓN 6: Multiplicación por un escalar

Sean A ∈ K m×n y α ∈ K. El producto del escalar α por la matriz A es la
matriz B ∈ K m×n tal que:
bij = αaij
para todo i ∈ I y j ∈ J. A esta matriz se la denota por αA.

Con esto, tenemos que α aij = αaij .
E JEMPLO 6. Multiplicación de un escalar con una matriz. Se tiene que

   
9 0 0 81 0 0
 
9· 3
 2 −2 = 
 27 18

−18 .
7 
−1 22 −9 21 198
3
Notemos que 9 multiplica a cada elemento de A.
E JERCICIO 6. Considere a la matriz A del ejemplo 5 calcular a 2A y compare con

A + A, el resultado del ejercicio 5.
D EFINICIÓN 7: Transpuesta de una matriz

Sea A ∈ K m×n . La matriz transpuesta de A es la matriz B ∈ K n×m tal que:

bij = a ji
para todo i ∈ I y j ∈ J. A esta matriz se la denota por A⊺ .
⊺
Con esto, tenemos que si A ∈ K m×n , entonces A⊺ ∈ K n×m y aij = a ji .
5
E JEMPLO 7. Considere la matriz

 
1 4 −2
 
A = 3 7 9 
0 −3 5
su transpuesta es  
1 3 0
 
A⊺ =  4 7 −3 .
−2 9 5
E JERCICIO 7. Dadas las matrices

 
! ! 1 0 1 0
2 3 −2 4 7  
A= , B= y C = 0 1 1 −1 .
1 4 −1 0 1
0 0 1 0
Calcular su transpuesta.
6
1. M ATRICES
1.2 Propiedades de las operaciones entre matrices
En esta sección consideramos p, q ∈ N con p > 0 y q > 0.
T EOREMA 1
Sean A, B, C ∈ K m×n . Se tiene que
a) A + B = B + A.
b) A + ( B + C ) = ( A + B) + C.
c) Existe una única matriz 0 de orden m × n tal que
A+0 = A
para cualquier matriz A de orden m × n. La matriz 0 se denomina neu-

tro aditivo de orden m × n, también llamada la matriz nula.
d) Para cada matriz A de orden m × n, existe una única matriz, denotada

por − A, de orden m × n tal que:
A + (− A) = 0.
A la matriz − A se la denomina el inverso aditivo A.
Demostración. Teorema 1 literal b). Sean A = aij , B = bij y C = cij . Por la

definición de suma de matrices tenemos que

B + C = bij + cij y A + B = aij + bij .
Sean D = A + ( B + C ) y E = ( A + B) + C, por la definición de suma de matrices

tenemos que sus elementos son iguales, en efecto
dij = aij + (bij + cij ) = ( aij + bij ) + cij = eij
para todo i ∈ I y j ∈ J. Por lo tanto, D = E, lo que muestra el resultado.
1
T EOREMA 2: Propiedades de la multiplicación por un escalar

Sean α, β ∈ K y A, B ∈ K m×n . Se tiene que
a) α( βA) = (αβ) A;
b) (α + β) A = αA + βA; y
c) α( A + B) = αA + αB.
Demostración. Teorema 2 Literal b). Sean A =

aij y α, β ∈ K, se definen a
C = (α + β) A y a D = αA + βA, notemos que
cij = (α + β) aij = αaij + βaij = dij
para todo i ∈ I y j ∈ J. Por lo tanto, C = D, lo que muestra el resultado.
D EFINICIÓN 8: Multiplicación de matrices

Sean A ∈ K m× p y B ∈ K p×n , el producto de las matrices A y B es la matriz
C ∈ K m×n tal que
cij = ai1 b1j + ai2 b2j + · · · + aip b pj

p
= ∑ aik bkj
k =1
para todo i ∈ I y j ∈ J. A esta matriz se la denota por AB.
E JEMPLO 8. Considere las matrices A, B ∈ K3×3 :

   
1 0 −1 −1 2 1
A= 0 2 3  y B= 5 −2 1 .
   
−5 0 3 −1 2 −2
Notemos que el número de columnas de A es el número de filas de B , luego, su

multiplicación existe y la denominaremos por C = AB. Para ilustrar la multipli-
cación de matrices, obtengamos al elemento c12 de C, para esto, consideramos la
fila 1 de A y la columna 2 de B y realizamos lo indicado en la definición 8.
3
c12 = ∑ a1k bk2
k =1
= a11 b12 + a12 b22 + a13 b32
= (1)(2) + (0)(−2) + (−1)(2)
2
= 0.
Calculemos también, al elemento c33 de C, en este caso consideramos la fila 3 de

A y la columna 3 de B, y utilizamos la definición 8.
3
c33 = ∑ a3k bk3
k =1
= a31 b13 + a32 b23 + a33 b33
= (−5)(1) + (0)(1) + (3)(−2)
= −11.
Finalmente, la multiplicación de las matrices A y B está dada por:

 
0 0 3
AB = 7 2 −4  ,
 
2 −4 −11
donde AB ∈ K3×3 .
E JERCICIO 8. Considere las siguientes matrices A ∈ K2×3 y B ∈ K3×2 :

 
! 3 0
1 5 8
A= y B =  −1 5 .
 
−1 0 −2
2 −1
Obtenga a la matriz AB.
T EOREMA 3
Sean A, B ∈ K m×n , C, D ∈ K n× p , E ∈ K p×q y α ∈ K. Se tiene que
a) A( DE) = ( AD ) E;
b) A(C + D ) = AC + AD;
c) ( A + B)C = AC + BC;
d) A(αC ) = α( AC ) = (αA)C.
En general, AB 6= BA.
O BSERVACIÓN 2. Dadas dos matrices A y B si AB = BA, entonces diremos que

A y B conmutan.
3
E JEMPLO 9. Considere a las matrices A y B del ejercicio 8, tenemos que

 
! 3 15 24
14 17
AB = y BA = −6 −5 −18 .
 
−7 2
3 10 18
Notemos que AB ∈ K2×2 y que BA ∈ K3×3 con AB 6= BA, es decir, A y B no

conmutan.

   
1 0 1 1 !
1
A =  −1 1 , B= 0 −1 y x= .
   
1
0 1 −1 1
Verificar que se cumple que ( A + B) x = Ax + Bx.
D EFINICIÓN 9: Matriz cuadrada

Si A es un elemento de K n×n , se dice que A es una matriz cuadrada de orden
n.
D EFINICIÓN 10: Matriz identidad de orden n

Se define la matriz identidad de orden n al elemento A de K n×n tal que

1 si i = j,
aij =
0 si i 6= j,
para todo i, j ∈ J. A esta matriz se la denota por In .
P ROPOSICIÓN 4. Sea A ∈ K m×n se tiene que
Im A = AIn = A.
O BSERVACIÓN 3. La matriz In conmuta con toda matriz de K n×n .
D EFINICIÓN 11
Sean A ∈ K n×n y r ∈ N. Se define A a la potencia r por
a) A0 = In ; y
4
b) Ar+1 = Ar A.
T EOREMA 5
Sean A ∈ K n×n y r, s ∈ N. Se tiene que
a ) Ar A s = Ar +s ; y
b) ( Ar )s = Ars .
Note que en general ( AB)r 6= Ar Br .
E JEMPLO 10. Sea la matriz !

1 1
A= .
0 1
a) Calcular A2 , A3 y A4 .
b) Conjeture una fórmula para An , para cada n ∈ N ∗ .
Solución:
a) Utilizamos el Teorema 5, para calcular estás potencias:

! ! !
2 1 1 1 1 1 2
A = AA = = ,
0 1 0 1 0 1
! ! !
1 2 1 1 1 3
A3 = A2 A = = ,
0 1 0 1 0 1
! ! !
4 3 1 3 1 1 1 4
A =A A= = .
0 1 0 1 0 1
b) A partir del literal anterior tenemos que solamente el elemento de la posición

12 se modifica y es justamente el valor de n, entonces se propone la fórmula:
!
n 1 n
A = ,
0 1
para cada n ∈ N ∗ .
E JERCICIO 10. Sea A ∈ K n×n una matriz tal que A2 = A.
a) Calcular A2 , A3 y A4 .
b) Conjeture una fórmula para An , para cada n ∈ N ∗ .
5
T EOREMA 6: Propiedades de la transpuesta

Sean α ∈ K, A, B ∈ K m×n y C ∈ K n× p . Se tiene que
a) ( A⊺ )⊺ = A;
b ) ( A + B )⊺ = A⊺ + B⊺ ;
c) ( AC )⊺ = C⊺ A⊺ ;
d) (αA)⊺ = αA⊺ .
Un error común es el siguiente:
( AB)⊺ = A⊺ B⊺
Notemos que lo anterior es verdad, solamente cuando A y B conmutan.
E JERCICIO 11. Demostrar el literal b del Teorema 6.
E JEMPLO 11. Dada la matriz A ∈ K n×n .En este ejemplo vamos a ilustrar a las
propiedades de la transpuesta, notemos que
( A⊺ A )⊺ = A⊺ ( A⊺ )⊺ = A⊺ A
y que
( A⊺ − A)⊺ = ( A⊺ )⊺ + (− A)⊺ = A − A⊺ .
Para trabajar en casa, justificar cada paso realizado.
E JERCICIO 12. Sean A, B, C ∈ K n×n . Mostrar que ( A( B + C ))⊺ = B⊺ A⊺ + C⊺ A⊺ .
6
1. M ATRICES
1.2 Propiedades de las operaciones entre matrices
D EFINICIÓN 12: Traza de una matriz

Sea A ∈ K n×n , la traza de A, Tr, se define como la suma de todos los elemen-
tos de la diagonal principal de A,
n
Tr( A) = ∑ a jj .
j =1
E JEMPLO 12. Dada la matriz:

 
1 −1 2
A= 0 −3 −1 .
 
−2 −3 8
De la definición de traza se tiene que:
Tr( A) = a11 + a22 + a33 = (1) + (−3) + (8) = 6.
E JERCICIO 13. Dada la matriz:

 
1 0 2
B= 0 0 −1 .
 
−2 −3 −3
Determine a Tr( B) y a Tr( B⊺ ).
T EOREMA 7: Propiedades de la traza

Sea A, B ∈ K n×n y α ∈ K. Se tiene que:
• Tr(αA) = α Tr( A);
• Tr( A + B) = Tr( A) + Tr( B);
• Tr( A⊺ ) = Tr( A); y
1
• Tr( AB) = Tr( BA).
Demostración. Teorema 7 Literal a). Sean A ∈ K n×n y α ∈ K, se define a la matriz

C = αA, notemos que cij = αaij para todo i, j ∈ J, por la definición 12 tenemos
que
n n n
Tr(αA) = Tr(C ) = ∑ c jj = ∑ αa jj = α ∑ a jj = α Tr( A).
j =1 j =1 j =1
Teorema 7 Literal b). Sean A, B ∈ K n×n , se define a la matriz C = A + B, notemos

que cij = aij + bij para todo i, j ∈ J, por la definición 12 tenemos que
n n n n
Tr( A + B) = Tr(C ) = ∑ c jj = ∑ (a jj + bjj ) = ∑ a jj + ∑ bjj = Tr( A) + Tr( B).
j =1 j =1 j =1 j =1
1.3 Tipos de matrices
D EFINICIÓN 13: Matriz triangular

Sea A ∈ K n×n . Se dice que A es
• una matriz triangular superior si aij = 0 para todo i > j con i, j ∈ J; y
• una matriz triangular inferior si aij = 0 para todo i < j con i, j ∈ J.
E JEMPLO 13. A continuación, tenemos un ejemplo de una matriz triangular supe-

rior !
3 2
0 1
y de una matriz triangular inferior:

 
1 0 0
 −8 2 0 .
 
0 −6 3
D EFINICIÓN 14: Matriz diagonal

Sea A ∈ K n×n . Se dice que A es una matriz diagonal si verifica que:
aij = 0
para todo i ∈ J y j ∈ J con i 6= j.
2
E JEMPLO 14. Vemos algunos ejemplos de matrices diagonales:

 
  −3 0 0 0
! 1 0 0
−2 0  0 −3 0 0 
, 0 1 0 , .
   

0 5  0 0 −3 0 
0 0 1
0 0 0 −3
Notemos que en todos los casos los términos fuera de la diagonal principal son
todos iguales a cero.
D EFINICIÓN 15: Matriz escalar

Sea A ∈ K n×n . Se dice que A es una matriz escalar si es una matriz diagonal
que verifica:
aii = α
para todo i ∈ J, con α ∈ K, es decir, todos los elementos de la diagonal son

iguales.
E JEMPLO 15. Vemos algunos ejemplos de matrices diagonales:

 
! 5 0 0 0
−2 0 0 5 0 0
, .
 

0 −2 0 0 5 0
0 0 0 5
Note que una matriz identidad es un tipo de matriz escalar. Además, la

matriz escalar se puede expresar como la multiplicación de un escalar por
la matriz identidad.
E JEMPLO 16. Considere a la siguiente matriz diagonal

! !
3 0 1 0
A= =3 = 3I2 .
0 3 0 1
Note que la matriz escalar dada se escribe como el producto del escalar 3 con la
matriz identidad.
E JERCICIO 14. Demuestre que la suma de dos matrices escalares es una matriz
escalar. ¿Qué se puede decir sobre la resta?
3
D EFINICIÓN 16: Matriz simétrica

Sea A ∈ K n×n . Se dice que A es simétrica si A⊺ = A.
E JEMPLO 17. La matriz  

0 1 2 2
1 −8 2 3
A= ,
 
2 2 5 4
2 3 4 1
es simétrica, en efecto, tenemos que
A⊺ = A.
E JERCICIO 15. Dada la matriz A ∈ K n×n , muestre que A⊺ + A es simétrica.
D EFINICIÓN 17: Matriz antisimétrica

Sea A ∈ K n×n . Se dice que A es antisimétrica si A⊺ = − A.
E JEMPLO 18. La matriz  

0 1 −8
A =  −1 0 3 ,
 
8 −3 0
es antisimétrica, en efecto, tenemos que
A⊺ = − A.
E JERCICIO 16. Dada la matriz A ∈ K n×n , muestre que A⊺ − A es antisimétrica.
D EFINICIÓN 18: Matriz nilpotente

Sea A ∈ K n×n y r ∈ N. Se dice que A es nilpotente de orden r si r es el menor
entero positivo tal que
Ar = 0.
E JEMPLO 19. La siguiente matriz es nilpotente de orden 2:

!
1 1
A=
−1 −1
4
En efecto, determinemos a A2 ,
! ! !
1 1 1 1 0 0
A2 = A · A = · = .
−1 −1 −1 −1 0 0
Luego, la matriz A es nilpotente de orden 2.
E JERCICIO 17. Dada la matriz

 
0 0 9
B = 0 −2 8 .
 
0 0 1
Determine si es nilpotente.
E JERCICIO 18. Considere a las matrices:

! !
0 1 0 0
y
0 0 1 0
Demuestre que son nilpotentes de orden 2, ¿qué se puede decir de la suma de

matrices nilpotentes?
D EFINICIÓN 19: Matriz idempotente

Sea A ∈ K n×n . Se dice que A es una matriz idempotente si A2 = A.
E JEMPLO 20. La matriz !

1 0
A=
3 0
es idempotente, en efecto, calculemos a A2 ,

! ! !
2 1 0 1 0 1 0
A = · = = A.
3 0 3 0 3 0

!
1 2
B= .
0 0
a) Muestre que B es una matriz idempotente.
b) Obtenga una fórmula para Bn con n ∈ N.
5
Note que si la matriz A es idempotente entonces se puede concluir que An =

A, para todo n ∈ N ∗ .
D EFINICIÓN 20: Matriz escalonada reducida por filas

Se dice que una matriz está en forma escalonada reducida por filas cuando
satisface las siguientes propiedades:
1. Todas las filas que constan de ceros, si las hay, están en la parte inferior
de la matriz.
2. La primera entrada distinta de cero de la fila, al leer de izquierda a

derecha, es un 1. Esta entrada se denomina entrada principal o uno
principal de su fila.
3. Para cada fila que no consta sólo de ceros, el uno principal aparece a la
derecha y abajo de cualquier uno principal en las filas que le preceden.
4. Si una columna contiene un uno principal, el resto de las entradas de

dicha columna son iguales a cero.
Se dice que una matriz está en forma escalonada por filas si satisface las pri-
meras tres propiedades.
E JEMPLO 21. Considere a las matrices siguientes:

 
1 0 0 2  
! 1 0 0 0 −1
0 1 0 −2 1 6
, y 0 0 1 0 −2 .
   

0 0 1 0  0 0
0 0 0 1 2
0 0 0 0
Estás matrices son escalonadas reducidas por filas.
E JEMPLO 22. Considere a las matrices siguientes:

 
! 1 0 1 −2 −1
1 6
y 0 0 1 4 −2 .
 
0 1
0 0 0 1 2
Estás matrices son escalonadas por filas.
O BSERVACIÓN 4. Note que toda matriz escalonada reducida por filas es también
escalonada por filas.
6
1. M ATRICES
1.3 Tipos de matrices
D EFINICIÓN 21: Operaciones elementales de fila

Dada una matriz A ∈ K m×n , una operación elemental por filas sobre A es
una de las siguientes:
• Intercambio de filas: dados i, j ∈ I, intercambiar la fila i por la fila j,

denotado por
Fi ↔ Fj ,
es reemplazar la fila
ai1 ai2 ... ain
por la fila
a j1 a j2 ... a jn
y viceversa.
• Multiplicar una fila por un escalar: dados i ∈ I y α ∈ K, con α 6= 0 y

α 6= 1, multiplicar la fila i por α, denotado por
αFi → Fi ,
ai1 ai2 ... ain
por
αai1 αai2 ... αain .
• Sumar un múltiplo de una fila con otra: dados i, j ∈ I y α ∈ K, multi-

plicar la fila i por α y sumarlo a la fila j, denotado por
αFi + Fj → Fj ,
a j1 a j2 ... a jn
1
por
αai1 + a j1 αai2 + a j2 ... αain + a jn .
E JEMPLO 23. Intercambio de filas. Dada la matriz:

 
1 2 3
A= 0 −1 2 
 
−1 2 −3
Al aplicar la operación de fila F2 ↔ F3 , se tiene la siguiente matriz:

 
1 2 3
B =  −1 2 −3
 
0 −1 2
E JEMPLO 24. Multiplicar una fila por un escalar. Considerando a la matriz A del
ejemplo 23, si se aplica la operación de fila 3F1 → F1 se tiene la siguiente matriz:
 
3 6 9
C= 0 −1 2 
 
−1 2 −3
E JEMPLO 25. Sumar un múltiplo de una fila con otra. Considere a la matriz A del
ejemplo 23, si se aplica la operación de fila 3F1 + F3 → F3 se tiene la siguiente
matriz:  
1 2 3
D = 0 −1 2
 
2 8 6
1 −1 0
 
4 −4 −1
A= .
 
0 0 5 
0 1 1
Sobre la matriz A, en cada ocasión realice la operación elemental por fila indicada.
1. −4F1 + F2 → F2 .
2. F2 ↔ F3 .
1
3. − F3 + F4 → F4 .
5
2
T EOREMA 7
Dada una matriz A ∈ K m×n , a cada operación elemental de filas e, le co-
rresponde una operación elemental de filas e−1 , del mismo tipo de e, tal que,
e(e−1 ( A)) = e−1 (e( A)) = A.
Notemos que si e1 , e2 , e3 son operaciones de fila tal que:
e1 : Fi ↔ Fj ,
e2 : α · Fi → Fi ,
y
e3 : α · Fi + Fj → Fj .
Entonces existen las operaciones elementales de fila e1−1 ,e2−1 ,e3−1 donde:
e1−1 : Fi ↔ Fj ,
1
e2−1 : · F → Fi ,
α i
y
e3−1 : −α · Fi + Fj → Fj .
A la operación elemental e−1 se le llama operación elemental inversa de e.
D EFINICIÓN 22: Equivalente por filas

Sean A, B ∈ K m×n , se dice que la matriz A es equivalente por filas a una
matriz B, denotado por A ∼ B, si B se puede obtener al aplicar a la matriz A
una sucesión de operaciones elementales por fila.
Si A es equivalente por filas a B, entonces es B equivalente por filas a A.
E JEMPLO 26. Considere a las matrices A y D del ejemplo 25, se tiene que A es
equivalente por filas a D, es decir:
   
1 2 3 1 2 3
A= 0 −1 2  ∼ D = 0 −1 2 .
   
−1 2 −3 2 8 6
En efecto, a la matriz A se le aplicó la operación elemental de fila e : 3F1 + F3 → F3 ,

note que e( A) = D.
3
Además, la operación elemental de fila inversa es e−1 : −3F1 + F3 → F3 y es tal

que e−1 ( D ) = A.
E JERCICIO 21. Considere a la matriz A y a las operaciones elementales de fila del

ejercicio 20, escriba a las correspondientes operaciones elementales de fila inver-
sas.
T EOREMA 8
Toda matriz A ∈ K m×n es equivalente por filas a una única matriz en forma
escalonada reducida por filas.
Pasos para transformar una matriz a una matriz escalonada por filas. Dada
una matriz A.
1. Determinar la primera columna (contando de izquierda a derecha), tal que

no todos sus elementos sean cero. Ésta es la columna pivote.
2. En la columna pivote, identificar al primer elemento (contando de arriba

hacia abajo) distinta de cero. A este elemento lo denominaremos pivote.
3. Intercambiar, en caso necesario, la primera fila por aquella fila donde apare-
ce el pivote, de modo que éste se encuentre ahora en la primera fila.
4. Multiplicar a la primera fila por el recíproco del pivote. Así, el primer ele-
mento de la columna pivote es ahora un 1.
5. Realizar las operaciones elementales de fila necesarias para que los elemen-
tos debajo del pivote, dentro de la columna pivote, sean cero.
6. Identificar a la primera columna (después de la columna pivote) cuyos ele-

mentos sean no todos cero y repetir los pasos anteriores hasta obtener a la
matriz escalonada por filas.
E JEMPLO 27. Dada la matriz

 
1 5 −4
A = 1 −2 1 .
 
3 1 −2
Obtengamos a la correspondiente matriz escalonada por filas, para esto, notemos

que la columna pivote es la primera columna de A y que en la posición 11 ya se
4
encuentra el pivote, entonces

   
1 5 −4 1 5 −4
− F1 + F2 → F2
A = 1 −2 1  0
∼ −7 5 
   
−3F1 + F3 → F3
3 1 −2 0 −14 10
 
1 5 −4
∼ 0 −7 5  − 2F2 + F3 → F3
 
0 0 0
 
1 5 −4
1
∼ 0 1 − 57  − F2 → F2
 
7
0 0 0
Luego, la correspondiente matriz escalonada por filas obtenida a partir de A es

 
1 5 −4
0 1 − 57  .
 
0 0 0

 
1 5 −4 0
A = 1 −2 1 2 .
 
0 1 −1 1
Obtenga a su correspondiente matriz escalonada por filas.
Pasos para transformar una matriz a una matriz escalonada reducida por fi-
las. Dada una matriz A.
1. Determinar la primera columna (contando de izquierda a derecha), tal que

no todos sus elementos sean cero. Ésta es la columna pivote.
2. En la columna pivote, identificar al primer elemento (contando de arriba

hacia abajo) distinta de cero. A este elemento lo denominaremos pivote.
3. Intercambiar, en caso necesario, la primera fila por aquella fila donde apare-
ce el pivote, de modo que éste se encuentre ahora en la primera fila.
4. Multiplicar a la primera fila por el recíproco del pivote. Así, el primer ele-
mento de la columna pivote es ahora un 1.
5. Realizar las operaciones elementales de fila necesarias para que los elemen-
tos de la columna pivote sean cero, excepto el pivote.
5
6. Identificar a la primera columna (después de la columna pivote) cuyos ele-

mentos sean no todos cero y repetir los pasos anteriores de tal manera que
ahora solamente, en la nueva columna pivote, su elemento pivote sea dife-
rente de cero. Continuar con el proceso indicado hasta obtener a la matriz
escalonada reducida por filas.
E JEMPLO 28. Dada la matriz

 
1 5 −4
A = 1 −2 1 .
 
3 1 −2
Obtengamos a la correspondiente matriz escalonada reducida por filas, para esto,

notemos que de acuerdo con el ejemplo 27, tenemos que
   
1 5 −4 1 5 −4
− F1 + F2 → F2
A = 1 −2 1  ∼ 0 −7 5 
   
−3F1 + F3 → F3
3 1 −2 0 −14 10
 
1 5 −4
∼ 0 −7 5  − 2F2 + F3 → F3
 
0 0 0
 
1 5 −4
1
∼ 0 1 − 57  − F2 → F2
 
7
0 0 0
0 − 37
 
1
∼ 0 1 − 57  − 5F2 + F1 → F1
 
0 0 0
Luego, la correspondiente matriz escalonada por filas obtenida a partir de A es
− 37
 
1 0
0 1 − 57  .
 
0 0 0
E JERCICIO 23. Dada la matriz:

 
1 5 −4 0
A = 1 −2 1 2
 
0 1 −1 1
Obtenga a su correspondiente matriz escalonada reducida por filas.
6
D EFINICIÓN 23
Sean A, B ∈ K m×n , donde B es la matriz escalonada por filas equivalente a
A. El rango de A, denotado por rang( A), es el número de filas no nulas que
tiene la matriz B.
P ROPOSICIÓN 9. Sean A, B ∈ K m×n . Se tiene que si A ∼ B, entonces
rang( A) = rang( B).
P ROPOSICIÓN 10. Sea A ∈ K m×n . Se tiene que si A es una matriz escalonada,

entonces rang( A) es el número de filas no nulas que tiene A.
E JEMPLO 29. Considere a la matriz A y a su correspondiente matriz escalonada

por filas del ejemplo 27, concluimos que rang( A) = 2.
E JERCICIO 24. Calcular el rango de la matriz

 
1 0 −2 0
B= 1 −2 1 −1 .
 
−2 1 3 4
D EFINICIÓN 24: Matriz elemental

Dada una operación elemental por fila, se llama matriz elemental al resultado
de aplicar dicha operación a la matriz identidad.
E JEMPLO 30. Considerando a la matriz identidad I3 , para la operación elemental

por fila F3 + F2 → F2 , tenemos que le corresponde la matriz elemental:
 
1 0 0
E = 0 1 1 .
 
0 0 1
E JERCICIO 25. Considere a las operaciones del ejercicio 20, escriba las correspon-
dientes matrices elementales.
7
T EOREMA 11
Sean E ∈ K m×m una matriz elemental y A ∈ K m×n , el resultado de aplicar la
operación por filas correspondiente a E a la matriz A es EA.
E JEMPLO 31. Considere a la matriz

 
0 2 5
A =  −4 −1 0
 
3 2 1
y a la operación elemental por fila F3 + F2 → F2 , notemos que se verifica la equi-

valencia
   
0 2 5 0 2 5
A =  −4 −1 0 ∼  −1 1 1 = B F3 + F2 → F2 .
   
3 2 1 3 2 1
Además, gracias al ejemplo 30 tenemos que

    
1 0 0 0 2 5 0 2 5
EA = 0 1 1  −4 −1 0 =  −1 1 1 = B.
    
0 0 1 3 2 1 3 2 1
!
2 −3
E JERCICIO 26. Dada la matriz A = considere a las matrices elementa-
2 1
les
1
! !
1 0 2 0
E1 = y E2 =
−1 1 0 1
y sea la matriz D = E2 E1 A.
a) Encuentre a la matriz D.
b) Identifique las operaciones elementales por filas asociadas a las matrices ele-
mentales E1 y E2 .
c) Utilice las operaciones elementales por fila determinadas en el literal ante-

rior para mostrar que A ∼ B.
8
2. S ISTEMAS DE ECUACIONES
D EFINICIÓN 1: Sistema de ecuaciones

Un sistema de ecuaciones lineales es un conjunto de m ecuaciones lineales
en las cuales figuran n incógnitas a las que notaremos por: x1 , x2 , . . . , xn . Así,
dados aij ∈ R y bi ∈ R con i ∈ I y j ∈ J, fijos, un sistema de ecuaciones es:


 a11 x1 + a12 x2 + ··· + a1n xn = b1 ,

 a21 x1

+ a22 x2 + ··· + a2n xn = b2 ,
..


 .

am1 x1 + am2 x2 + · · · + amn xn = bm .

E JEMPLO 1. El siguiente sistema de ecuaciones:


x + x2 + 5x3 − 4x4 = 3
 1


x1 − 2x2 + x3 − 2x4 = 1


3x1 + x2 − 2x3 − 4x4 = −3.

Es un sistema de ecuaciones lineales de 3 ecuaciones con 4 incógnitas x1 , x2 , x3 y

x4 .
2.1 Representación matricial de un sistema de ecuaciones
D EFINICIÓN 2: Representación matricial

Dado un sistema de ecuaciones lineales de m ecuaciones lineales en las cuales
figuran n incógnitas:


 a11 x1 + a12 x2 + ··· + a1n xn = b1 ,

 a21 x1

+ a22 x2 + ··· + a2n xn = b2 ,
..


 .

am1 x1 + am2 x2 + · · · + amn xn = bm .

1
donde aij ∈ R y bi ∈ R con i ∈ I y j ∈ J. A la matriz

 
a11 a12 ··· a1n
 a21

a22 ··· a2n 

A=
 .. .. .. .. 
 . . . . 

am1 am2 ··· amn
se la llama matriz de coeficientes del sistema y a

   
b1 x1
 b2   x2 
   
b=
 .. 
 y x=
 .. 

 .   . 
bm xn
se las llama columnas de constantes y de incógnitas, respectivamente. Ade-

más, se dice que
Ax = b
es la representación matricial del sistema de ecuaciones.
E JEMPLO 2. Dado el siguiente sistema de ecuaciones lineales:


x + 5x2 − 4x3 = 3,
 1


x1 − 2x2 + x3 = 1,


3x1 + x2 − 2x3 = −3.

Su representación matricial es
Ax = b
siendo  
1 5 −4
A = 1 −2 1 
 
3 1 −2
su matriz de coeficientes y

  
3 x1
b= 1  y x =  x2 
   
−3 x3
sus matrices columna y de incógnitas, respectivamente.
E JERCICIO 1. Dada la representación matricial de un sistema de ecuaciones linea-
2
les:
Ax = b
siendo
     
1 5 −4 x1 1
2 −2 3  x 
 2
 2 
A= , x=  y b =  .
   
3 7 0   x3   −1
0 1 1 x4 3
Escriba el sistema de ecuaciones lineales correspondiente.
D EFINICIÓN 3: Matriz ampliada

Sean A ∈ K m×n y B ∈ K m× p , se define la matriz ampliada de A y B al
elemento de K m×(n+ p) dado por:
 
a11 a12 ··· a1n b11 b12 ··· b1p

a
 21 a22 ··· a2n b21 b22 ··· b2p 

.
 . .. .. .. .. .. 
 . .. ..
 . . . . . . . . 
am1 am2 ··· amn bm1 bm2 ··· bmp
y se la denota por ( A| B).
E JEMPLO 3. Dadas las siguientes matrices:

! !
1 3 1 0
A= y B= .
1 −2 0 1
Su matriz ampliada es: !

1 3 1 0
( A| B) = .
1 2 0 1
D EFINICIÓN 4
Dado el sistema de ecuaciones lineales en forma matricial
Ax = b
con A ∈ K m×n y b ∈ K m×1 , se dice que
( A|b)
3
es la matriz ampliada asociada al sistema.
E JEMPLO 4. Considere el sistema de ecuaciones lineales del ejemplo 2, se tiene

que su matriz ampliada es:
 
1 5 −4 3
1 −2 1 1 .
 
3 1 −2 −3
E JERCICIO 2. Dados los siguientes sistemas de ecuaciones lineales:


x + 5x2 − 4x3 = 3
 1
 (
x1 + x2 + x3 = 0

x1 − 2x2 + x3 = 1 y

 x1 − 6x2 + 2x3 = −1.
3x1 + x2 − 2x3 = −3

Determinar sus matrices asociadas.
2.2 Resolución de sistemas lineales
D EFINICIÓN 5: Solución de un sistema

Dados A ∈ K m×n , b, x ∈ K m×1 , considere la representación matricial Ax = b
de un sistema de ecuaciones lineales con m ecuaciones y n incógnitas. Se dice
que una solución de este sistema es todo z ∈ K m×1 tal que Az = b.
T EOREMA 1
Sean A, C ∈ K m×n y b, d ∈ K m×1 , se tiene que los sistemas de ecuaciones
lineales
Ax = b y Cx = d
tienen las mismas soluciones si y solo si
( A | b ) ∼ ( C | d ),
es decir, si las matrices aumentadas de los sistemas son equivalentes por filas.
El procedimiento de reducción de Gauss-Jordan para resolver el sistema lineal

Ax = b es el siguiente.
Paso 1. Formar la matriz aumentada ( A|b).
Paso 2. Transformar la matriz aumentada ( A|b) a su forma escalonada reducida

por filas (C |d) mediante operaciones elementales por fila.
4
Paso 3. Para cada fila distinta de cero de la matriz (C |d), se despeja la incógnita
correspondiente a la entrada principal de cada fila asociada con la entrada
principal de esa fila. Las filas constan completamente de ceros se pueden
ignorar, pues la ecuación correspondiente será satisfecha por cualesquiera
valores de las incógnitas.
El procedimiento de eliminación de Gauss para resolver el sistema lineal Ax = b

es el siguiente.
Paso 1. Formar la matriz aumentada ( A|b).
Paso 2. Transformar la matriz aumentada ( A|b) a su forma escalonada por filas

(C |d) mediante operaciones elementales por fila.
Paso 3. Resolver el sistema lineal correspondiente a (C |d). Las filas constan com-
pletamente de ceros se pueden ignorar, pues la ecuación correspondiente
será satisfecha por cualesquiera valores de las incógnitas.
E JEMPLO 5. Los sistemas de ecuaciones lineales siguientes

( (
2x1 + x2 = 2 4x1 + 2x2 = 4
y
x1 − 2x2 = 1 7x1 + x2 = 7
!
1
tienen la misma solución, esta es . En efecto, observemos que las matrices
0
ampliadas de los sistemas son
! !
2 1 2 4 2 4
y
1 −2 1 7 1 7
respectivamente, notemos también que

! !
2 1 2 2 1 2
∼ 3F1 + F2 → F2
1 −2 1 7 −2 7
!
4 2 4
∼ 2F1 → F1 ,
7 −2 7
es decir, las matrices ampliadas son equivalentes por filas, para obtener la solución
del sistema utilizamos el procedimiento de reducción de Gauss-Jordan desde el
paso 2, dado que ya obtuvimos a la matriz ampliada,
! !
2 1 2 1 −2 1
∼ F1 ↔ F2
1 −2 1 2 1 2
5
!
1 −2 1
∼ − 2F1 + F2 → F2
0 5 0
!
1 −2 1 1
∼ F2 → F2
0 1 0 5
!
1 0 1
∼ 2F2 + F1 → F1 ,
0 1 0
!
1
lo que implica que la solución de los dos sistemas es .
0
E JERCICIO 3. Considere a los sistemas de ecuaciones lineales siguientes:

( (
x1 + x2 = 2 2x1 − x2 = 1
y
3x1 − 5x2 = −2 x1 − 2x2 = −1.
Muestre que son sistemas equivalentes y obtenga la solución de estos.
D EFINICIÓN 6
Sean A ∈ K m×n y b ∈ K m×1 , dado el sistema de ecuaciones lineales
Ax = b,
se dice que
• el sistema es inconsistente si no tiene solución;
• el sistema es consistente si tiene al menos una solución.
E JEMPLO 6. El sistema de ecuaciones lineales

(
x1 − x2 = 3
2x1 − 2x2 = 4
no tiene solución, es decir, es un sistema inconsistente. Analicemos la matriz am-

pliada del sistema
! !
1 −1 3 1 −1 3
∼ − 2F1 + F2 → F2
2 −2 4 0 0 −2
6
Notemos que la segunda fila de la matriz equivalente implica que
0x1 + 0x2 = −2
lo cual es falso, lo que nos permite concluir que el sistema no posee solución, es
decir, es inconsistente para cualquier valor de x1 y x2 .
E JEMPLO 7. El sistema de ecuaciones lineales

(
x1 − x2 = 3
2x1 − 2x2 = 6
tiene al menos una solución, es decir, es un sistema consistente. Analicemos la

matriz ampliada del sistema
! !
1 −1 3 1 −1 3
∼ − 2F1 + F2 → F2
2 −2 6 0 0 0
Notemos que la segunda fila de la matriz equivalente implica que
0x1 + 0x2 = 0
lo cual es verdadero para cualquier valor de x1 y x2 , mientras que la primera fila

implica que
x1 − x2 = 3
que se verifica para todos los valores de x1 = 3 + x2 con x2 ∈ R. Por tanto, el

sistema es consistente.
E JERCICIO 4. Dado el sistema de ecuaciones lineales

(
2x1 − x2 = 3
x1 + x2 = 0.
Muestre que es un sistema consistente.
7
Á LGEBRA L INEAL • S EMANA 03 CLASE 02
2. S ISTEMAS DE ECUACIONES
2.2 Resolución de sistemas lineales
T EOREMA 2
Ax = b,
se tiene una y solo una de las siguientes
• el sistema es inconsistente;
• el sistema es consistente y tiene una única solución; o
• el sistema es consistente y tiene infinitas soluciones.
T EOREMA 3: Teorema de Rouché–Frobenius

Ax = b,
se tiene que
• el sistema es consistente si y solo si rang( A) = rang( A|b);
• en caso de que el sistema sea consistente, la solución es única si y solo

si rang( A) = n.
E JEMPLO 8. Considere el sistema de ecuaciones lineales


− x + x2 + x3 = 1
 1


2x1 + 3x2 − 2x3 = 1


x1 + x2 − x3 = 0

es un sistema inconsistente. En efecto, se tiene que
rang( A) = 2 6= rang( A|b) = 3.
1
Departamento de Formación Básica Semana 03 clase 02
O BSERVACIÓN 1. Notemos que podemos determinar el tipo de solución, lo cual

lo hacemos analizando el rango de las matrices de coeficientes y ampliada, sin
embargo, no hemos determinado la solución como tal.
2.3 Matriz Inversa
D EFINICIÓN 7
Sea A ∈ K n×n es no singular o invertible si existe una matriz B ∈ K n×n tal
que
AB = BA = In
la matriz B se denomina inversa de A y se la denota por A−1 .

Si no existe tal matriz, entonces se dice que A es singular o no invertible.
P ROPOSICIÓN 4. Si una matriz tiene inversa, la inversa es única.
E JEMPLO 9. Sean A ∈ K n×n una matriz no singular y sean x, b ∈ K n×1 . Si Ax = b,

entonces x = A−1 b.
Solución. Por hipótesis sobre A se tiene que A−1 existe, entonces
Ax = b ⇐⇒ A−1 ( Ax ) = A−1 b Multiplicando A−1 en ambos lados

⇐⇒ ( A−1 A) x = A−1 b Propiedad asociativa
−1
⇐⇒ In x = A b Definición de matriz inversa
⇐⇒ x = A−1 b Multiplicación por la matriz identidad
E JERCICIO 5. Sean A ∈ K n×n una matriz no singular y sean x, b ∈ K n×1 . Si

x⊺ A2 + b⊺ A = 0, entonces x⊺ = −b⊺ A−1 .
T EOREMA 5
Sea A, B ∈ K n×n .
a) Si A es una matriz no singular, entonces A−1 es no singular y
( A−1 )−1 = A.
b) Si A y B son matrices no singulares, entonces AB es no singular y
( AB)−1 = B−1 A−1 .
2
Semana 03 clase 02 Departamento de Formación Básica
c) Si A es una matriz no singular, entonces
( A ⊺ ) −1 = ( A −1 ) .
⊺
E JEMPLO 10. Sean A, X ∈ K n×n matrices no singulares. Si AA⊺ X −1 = A entonces

X = A⊺ .
Solución. Supongamos que A y X son matrices no singulares y que AA⊺ X −1 = A,

vamos a mostrar que X = A⊺ . Se tiene que
AA⊺ X −1 = A ⇒ A−1 ( AA⊺ X −1 ) = A−1 A Multiplicando por A−1 en

ambos lados
−1 −1 −1
⇒ (A A)( A X
⊺
)=A A Propiedad asociativa
−1
⇒A X ⊺
= In Definición de matriz inversa
⇒ (( A⊺ )−1 A⊺ ) X −1 = ( A⊺ )−1 In Multiplicando por ( A⊺ )−1 en
ambos lados y propiedad asociativa
−1 ⊺ −1
⇒X = (A ) Definición de matriz inversa
⇒ X = A⊺ Teorema 5
E JERCICIO 6. Sean A, X ∈ K n×n matrices no singulares tales que ( A⊺ )−1 + X −1

es no singular. Si 2(( A⊺ )−1 + X −1 )−1 = A⊺ , entonces X = A⊺ .
T EOREMA 6
Sean p ∈ N ∗ y A1 , A2 , . . . , A p ∈ K n×n matrices no singulares. Se tiene que
A1 A2 · · · A p es no singular y
( A 1 A 2 · · · A p ) −1 = A − 1 −1 −1
p A p −1 · · · A 1 .
T EOREMA 7
Sean A, B ∈ K n×n . Se tiene que si AB = In , entonces BA = In .
E JEMPLO 11. Sean A, B ∈ K n×n tales que AB = In , entonces B2 A2 = In .
Solución. Supongamos que A, B ∈ K n×n son tales que AB = In , se tiene que
B2 A2 = ( BB)( AA) Definición de A a la r

= B(( BA) A) Propiedad asociativa
= B( In A) Hipótesis sobre AB y teorema 7
3
= BA Multiplicar por In
= In Hipótesis sobre AB y teorema 7
E JERCICIO 7. Sean A, B ∈ K n×n tales que AB = In , entonces B3 A3 = In .
T EOREMA 8
Sea A ∈ K n×n , se tiene que A es no singular si y solo si es equivalente por
filas a In . Además,
( A| In ) ∼ ( In | A−1 ).
! !
2 1 1 −1
E JEMPLO 12. Dada la matriz A = , su inversa es A−1 = .
1 1 −1 2
Solución. Supongamos que A−1 existe, escribamos A seguido de I2 en la forma

de matriz aumentada !
2 1 1 0
( A| I2 ) =
1 1 0 1
y después realizamos operaciones elementales por fila.

! !
2 1 1 0 1 1 0 1
∼ F1 ↔ F2
1 1 0 1 2 1 1 0
!
1 1 0 1
∼ − 2F1 + F1 → F2
0 −1 1 −2
!
1 1 0 1
∼ − F2 → F2
0 1 −1 2
!
1 0 1 −1
∼ − F2 + F1 → F1
0 1 −1 2
Dado que A se redujo a I2 se tiene que

!
1 −1
A −1 = .
−1 2
 
1 2 0
E JERCICIO 8. Dada la matriz A = 0 1 2. Calcule A−1 si existe.
 
0 0 1
4
Semana 03 clase 02 Departamento de Formación Básica
T EOREMA 9
Sea A ∈ K n×n , el sistema homogéneo
Ax = 0
tiene una solución no trivial si y solo si A es singular.
T EOREMA 10
Sea A ∈ K n×n . Se tiene que A es no singular si y solo si el sistema lineal
Ax = b tiene una solución única para cada b ∈ K n×1 .
E JEMPLO 13. Dado el sistema de ecuaciones lineales

(
2x1 + x2 = b1
x1 + x2 = b2
! !
b1 2 1
que tiene solución única para todo ∈ R 2×1 , se tiene que A = es no
b2 1 1
singular. En efecto, notemos que
! !
2 1 b1 1 1 b2
∼
1 1 b2 0 −1 b1 − 2b2
luego, rang( A) = rang( A|b) = 2, y, por tanto, el sistema Ax = b posee solución

única, que junto con el teorema 10 implica que A es no singular.
E JERCICIO 9. Considere al sistema de ecuaciones lineales


x + 2x2 =1
 1


x2 + 2x3 = 1


x3 = 1

Utilizando la inversa de la matriz de coeficientes muestre que el sistema posee

solución única y encuéntrela.
P ROPOSICIÓN 11. Sea A ∈ K n×n , se tienen que las siguientes son equivalen-
tes:
a) A es no singular;
5
b) el sistema Ax = 0 solamente tiene la solución trivial;
c) A es equivalente por filas a In ;
d) rang( A) = n; y
e) el sistema lineal Ax = b tiene una solución única para cada b ∈ K n×1 .

!
a b
E JERCICIO 10. Dada la matriz A = , verificar que su inversa es A−1 =
c d
!
1 d −b
siempre que ad − bc 6= 0.
ad − bc −c a
6
D ETERMINANTES
3. D ETERMINANTES
En esta sección tomaremos n ∈ N, con n > 0, e I = {1, 2, . . . , n}.
3.1 Definiciones
D EFINICIÓN 1: Menor
Sean A ∈ K n×n e i, j ∈ I. A la matriz de K (n−1)×(n−1) que se obtiene eliminar
la fila i y la columna j de A se la llama el menor ij de A, denotado por Aij .
En la literatura se puede encontrar la notación de Mij para el menor de ij de

A.
E JEMPLO 1.
!
13
• Sea A = , se tiene que A12 = 2 .
26
!
−3 1
• Sea A = , se tiene que A22 = −3 .
−1 3
 
−1 1 0 !
1 0
• Sea A =  0 1 −2, se tiene que A21 = .
 
2 1
2 2 1
E JERCICIO 1.
 
1 −1 −1
Sea B = −2 1 −2.Determine a los menores B11 , B23 y B31 .
 
0 2 0
D EFINICIÓN 2: Determinantes
Sea A ∈ K n×n se define el determinante de A, denotado por det( A) (o por
| A|), de manera inductiva, como sigue:
• Si n = 1 y A = ( a11 ), entonces det( A) = a11 .
1
• Si n > 1, entonces
n
det( A) = ∑ a1k (−1)1+k det( A1k )
k =1
= a11 det( A11 ) − a12 det( A12 ) + . . . + (−1)1+n a1n det( A1n ).
E JEMPLO 2.
• Sea A una matriz de orden 2 × 2 de la forma

!
a11 a12
A= ,
a21 a22
se tiene que
A11 = ( a22 ) y A12 = ( a21 ),
por lo tanto
det( A11 ) = a22 y det( A12 ) = a21 ,
de esta forma,
det( A) = (−1)1+1 a11 det( A11 ) + (−1)1+2 a12 det( A12 ) = a11 a22 − a12 a21 ,
es decir,
a a12
det( A) = 11 = a11 a22 − a12 a21 .

a21 a22
!
1 3
• Sea B = , se tiene que det( B) = 6 − 6 = 0
2 6
• Sea C una matriz de orden 3 × 3 de la forma

 
c11 c12 c13
C = c21 c22 c23 
 
c31 c32 c33
el determinante de la matriz C está dado por:
det(C ) = (−1)1+1 c11 C11 + (−1)1+2 c12 C12 + (−1)1+3 c13 C13

c
22 c23
c
21 c23
c
21 c22

= c11 − c12 + c13 .
c32 c33 c31 c33 c31 c32
2
 
−1 1 0
• Sea D =  0 1 −2, se tiene que:
 
2 2 1

1 −2 0 −2 0 1
det( D ) = −1 −1 +0 = −1(5) − 1(4) = −9.

2 1 2 1 2 2
E JERCICIO 2. Calcular el determinante de las siguientes matrices:

!
−3 1
a) A =
−1 3
 
1 −1 −1
b ) B =  −2 1 −2
 
0 2 0
D EFINICIÓN 3: Cofactores
Sean A ∈ K n×n e i, j ∈ I. El cofactor ij de A, denotado Cij , está dado por
Cij = (−1)i+ j det( Aij )
donde Aij es el menor ij de A.

 
−2 −1 −3
E JEMPLO 3. Sea A =  0 1 −1, se tiene:
 
3 3 2

−2 −3
5
• C32 = (−1) = −1(2) = −2.

0 −1

0 1
• C13 = (−1)4 = 1(−3) = −3.

3 3

 
−1 0 1
A =  0 2 −1 .
 
2 2 2
Determinar a los cofactores C32 , C13 , C21 y C32 .
3
T EOREMA 1
Sea A ∈ K n×n . Se tiene que para todo i ∈ I,
n
det( A) = ∑ aik Cik = ai1 Ci1 + ai2 Ci2 + . . . + ain Cin
k =1
y
n
det( A) = ∑ aki Cki = a1i C1i + a2i C2i + . . . + ani Cni .
k =1
El lado derecho de las igualdades toma el nombre de expansión por cofacto-

res del determinante de A, con respecto a la fila i y con respecto a la columna
i.
 
−2 −1 −3
E JEMPLO 4. Sea A =  0 1 −1. Calculemos el determinante de A me-
 
3 3 2
diante la expansión por cofactores de A, con respecto a la fila 1. Se tiene

1 −1 0 −1 0 1
det( A) = −2 +1 −3 =2

3 2 3 2 3 3
E JERCICIO 4. Considere a la matriz del ejemplo 4, calcule su determinante me-

diante la expansión por cofactores de A, con respecto a la columna 3.
P ROPOSICIÓN 2. Sea A ∈ K n×n . Si una fila o columna de A contiene solo

ceros, entonces det( A) = 0.
 
3 −1 11 0
 9 7 −5 0
E JEMPLO 5. Sea A =  . Realizamos el cálculo del determinan-
 
 −2 −6 −8 0
4 1 −5 0
te de A mediante la expansión por cofactores de A, con respecto a la columna 4.
Obtenemos det( A) = 0.
E JERCICIO 5. Demuestre a la proposición 2.
4
T EOREMA 3
Sea A ∈ K n×n una matriz triangular superior o triangular inferior, entonces
det( A) = a11 a22 · · · ann ,
es decir, el determinante de una matriz triangular es el producto de los ele-

mentos de su diagonal principal.
 
2 0 0 0 0 0
 8 −1 0 0 0 0
 
 
 −9 6 2 0 0 0
E JEMPLO 6. Consideremos la matriz A =  .
 4
 6 −3 −2 0 0
 −5 −2 3 5 1 0
 
2 −3 4 −6 2 2
Se sigue que det( A) = (2)(−1)(2)(−2)(1)(2) = 16
E JERCICIO 6. Calcular el determinante de la siguiente matriz

 
−2 0 3 1 −1
 0 2 −1 4 0 
 
 
B=  0 0 −1 3 −2 .

 0 0 0 3 −1
 
0 0 0 0 1
P ROPOSICIÓN 4. Sea E ∈ K n×n una matriz elemental, i, j ∈ I y α ∈ K, con

α 6= 0. Se tiene que
• si la operación es Fi ↔ Fj , entonces det( E) = −1;
• si la operación es αFi → Fi , entonces det( E) = α; y
• si la operación es αFi + Fj → Fj , entonces det( E) = 1.

!
1 0
E JEMPLO 7. Consideremos la matriz , cuyo determinante es 1.
0 1
!
0 1
• Si hacemos F1 ↔ F2 , obtenemos E = . Se sigue que det( E) = −1.
1 0
!
3 0
• Si hacemos 3F1 → F1 , obtenemos E = . Se sigue que det( E) = 3.
0 1
5
!
1 −2
• Si hacemos −2F2 + F1 → F1 , obtenemos E = .
0 1
Se sigue que det( E) = 1.
 
1 0 0
E JERCICIO 7. Considere la matriz 0 1 0, cuyo determinante es 1. Para cada
 
0 0 1
operación por fila determine a la correspondiente matriz elemental y a su deter-
minante.
a) F3 ↔ F1
b) −2F2 → F2
c) 3F3 + F2 → F2
3.2 Propiedades de los determinantes
P ROPOSICIÓN 5. Sea A ∈ K n×n . El determinante de una matriz A y de su

transpuesta son iguales, es decir,
det( A⊺ ) = det( A).
O BSERVACIÓN 1. Por esta proposición, cuando se calcula el valor de un determi-

nante, da lo mismo trabajar por filas que trabajar por columnas.
T EOREMA 6
Sean A, B ∈ K n×n , se tiene que:
det( AB) = det( A) det( B).
E JEMPLO 8. Dadas las matrices

! !
−2 2 1 −1
A= y B= .
1 1 1 3
!
0 8
Se sigue que AB = y ya que det( A) = −4, det( B) = 4 y det( AB) = −16,
2 2
la igualdad del teorema 6 se verifica.
6

   
3 0 3 −2 0 −2
A = 0 3 0 y B =  0 −2 0  .
   
3 0 3 2 0 2
Calcular AB, det( AB), det( A), det( B) y compruebe la igualdad del teorema 6.
P ROPOSICIÓN 7. Sean A, B ∈ K n×n . Si la matriz B se obtiene intercambiando

dos filas o columnas de A entonces
det( B) = − det( A).
E JEMPLO 9. Dadas las matrices

   
1 0 0 1 0 0
A = 3 −1 0  y B = 3 3 −2 .
   
3 3 −2 3 −1 0
Notemos que la matriz B se obtiene al intercambiar las filas 2 y 3 de la matriz A.

Además, det( A) = 2 y det( B) = −2, es decir, la igualdad de la proposición 7 se
verifica.

   
1 0 0 −1 3 0
A = 3 −1 0  y B =  0 1 0 .
   
3 3 −2 3 3 −2
Comparar a sus determinantes.
P ROPOSICIÓN 8. Sea A ∈ K n×n . Si dos filas o columnas de A son iguales,

entonces
det( A) = 0
 
1 3 1 2
 −1 1 −1 3
E JEMPLO 10. Sea A =  , calculemos su determinante mediante
 
 2 3 2 1
−2 1 −2 3
7
la expansión por cofactores con respecto a la primera columna.

1 −1 3 3 1 2 3 1 2 3 1 2

det( A) =1 3 2 1 + 1 3 2 1 + 2 1 −1 3 + 2 1 −1 3

1 −2 3 1 −2 3 1 −2 3 3 2 1
= − 8 + 0 + 2(7) + 2(−3)
= 0.
 
1 −1 1
E JERCICIO 10. Calcular el determinante de la matriz B = 0 1 0.
 
1 −1 1
P ROPOSICIÓN 9. Sean A, B ∈ K n×n . Si B se obtiene al multiplicar una fila o

columna de A por un escalar α ∈ K, entonces
det( B) = α det( A).

 
1 −1 −1
E JEMPLO 11. Dada la matriz A = −2 1 −2 cuyo determinante es 8. Con-
 
0 2 0
 
1 2 −1
sidere a la matriz B = −2 −2 −2. Notemos que B se obtiene al multiplicar
 
0 −4 0
la segunda columna de la matriz A por −2.
Luego, det( B) = −2(8) = −16.
E JERCICIO 11. Demuestre a la proposición 9.
8
D ETERMINANTES
3. D ETERMINANTES
3.2 Propiedades de los determinantes
P ROPOSICIÓN 10. Sean A ∈ K n×n y α ∈ K. Se tiene que
det(αA) = αn det( A).

 
−2 −3 6 4
 0 2 6 −9
E JEMPLO 12. Sea A =  . Notemos que al ser A una matriz
 
 0 0 −1 8 
0 0 0 2
triangular superior, det( A) = 8.
 
4 6 −12 −8
0 −4 −12 18 
Consideremos la matriz −2A =   y calculemos su deter-
 
0 0 2 −16
0 0 0 −4
minante. Puesto que esta también es una matriz triangular superior, se sigue que
det(−2A) = 128 = (−2)4 8.
!
1 −2
E JERCICIO 12. Sea A = . ¿Cuál es el valor de det(−4A)?
−1 3
P ROPOSICIÓN 11. Sean A, B ∈ K n×n , α ∈ K e i, j ∈ I, con i 6= j. Si B se

obtiene al aplicar una operación de fila αFi + Fj → Fj , entonces
det( B) = det( A).
P ROPOSICIÓN 12. Sean A, B, C ∈ K n×n y j ∈ I tales que A, B y C difieran

únicamente en la columna j. Si la columna j de C es el resultado de sumar las
columnas j de A y B, entonces
det(C ) = det( A) + det( B).
1
 
x y z
E JEMPLO 13. Si det  3 0 2 = 1, calcular el determinante de la matriz:
 
1 1 1
 
x y z
3x + 3 3y 3z + 2
 
x+1 y+1 z+1
Notemos que
   
x y z x y z
det 3x + 3 3y 3z + 2 = det  3x 3y 3z 
   
x+1 y+1 z+1 x+1 y+1 z+1

 
x y z
+ det  3 0 2 
 
x+1 y+1 z+1

 
x y z
= 3 det  x y z 
 
x+1 y+1 z+1

 
x y z
+ det  3 0 2
 
x y z
 
x y z
+ det  3 0 2
 
1 1 1
= 3(0) + 0 + 1
= 1.
Por lo tanto,  
x y z
det 3x + 3 3y 3z + 2 = 1.
 
x+1 y+1 z+1

 
x y z
E JERCICIO 13. Si det  3 0 2 = 1, calcular el determinante de la matriz:
 
1 1 1
2
 
x y z
3x + 3 3y 3z + 2 .
 
2 2 2
3.3 Inversa de una matriz con determinantes
D EFINICIÓN 4: Matriz de cofactores

Sea A ∈ K n×n . La matriz de cofactores de A, que se denota por cof( A), es la
matriz de orden n × n que está formada por los cofactores de A, es decir,
 
C11 C12 ... C1n
 C21 C22 ... C2n 
 
cof( A) = (Cij ) = 
 .. .. .. .
.. 
 . . . . 
Cn1 Cn2 ... Cnn
 
0 1 1
E JEMPLO 14. Sea A =  2 −1 0 , determinemos sus cofactores correspon-
 
−1 1 −1
dientes a la primera fila.

−1 0
2
• C11 = (−1) = 1.

1 −1

2 0
• C12 = (−1)3 = 2.

−1 −1

2 −1
• C13 = (−1)4 = 1.

−1 1
E JERCICIO 14. Verifique que la matriz de los cofactores de la matriz A del ejemplo
14 es:  
1 2 1
cof( A) = 2 1 −1
 
1 2 −2
D EFINICIÓN 5: Matriz adjunta

Sea A ∈ K n×n . La matriz adjunta de A, que se denota por adj( A), es la matriz
3
de orden n × n igual a la transpuesta de la matriz de cofactores de A, es decir,
adj( A) = cof( A) T .
E JEMPLO 15. Consideramos la matriz A, planteada en el ejemplo 14. Se tiene:

 
1 2 1
T
adj( A) = cof( A) = 2 1 2 
 
1 −1 −2
!
3 2
E JERCICIO 15. Sea B = , calcular adj( B).
−1 1
T EOREMA 13
Sea A ∈ K n×n , entonces
A adj( A) = adj( A) A = det( A) In .
E JEMPLO 16. Consideremos la matriz A del ejemplo 14, se tiene

    
0 1 1 1 2 1 3 0 0
A adj( A) =  2 −1 0  2 1 2  = 0 3 0 = 3I3
    
−1 1 −1 1 −1 −2 0 0 3
    
1 2 1 0 1 1 3 0 0
adj( A) A = 2 1 2  2 −1 0  = 0 3 0 = 3I3
    
1 −1 −2 −1 1 −1 0 0 3
Como el det( A) = 3 (verifique), entonces A adj( A) = adj( A) A = det( A) I3 .
E JERCICIO 16. Dada la matriz B del ejercicio 15, compruebe que:
B adj( B) = adj( B) B = det( B) I2 .
C OROLARIO 14. Sea A ∈ K n×n . Si det( A) 6= 0, entonces A es invertible y
1
A −1 = adj( A).
det( A)
E JEMPLO 17. Consideremos nuevamente la matriz A del ejemplo 14.
4
Como el det( A) 6= 0, entonces se tiene:
1 2 1
 
 
1 2 1 3 3 3 
−1 1  2 1 2 
A = 2 1 2 = 
3 3 3 3 
1 −1 −2 1 1 2
− −
3 3 3
E JERCICIO 17. Dada la matriz B del ejemplo 15, calcule su matriz inversa.
T EOREMA 15
Sea A ∈ K n×n . Si A es no singular, entonces det( A) 6= 0 y
1
det( A−1 ) = .
det( A)
E JEMPLO 18. Sea A la matriz del ejemplo 14. Se tiene que:
1 1
det( A−1 ) = =
3 det( A)
E JERCICIO 18. Compruebe la igualdad del teorema 15 para la matriz del ejemplo
15.
P ROPOSICIÓN 16. Sea A ∈ K n×n . Una matriz A es no singular si y sólo si

det( A) 6= 0.
E JERCICIO 19. Hacer la demostración de la proposición 16.
P ROPOSICIÓN 17. Sea A ∈ K n×n . El sistema homogéneo Ax = 0 tiene solu-

ción no trivial si y sólo si det( A) = 0.
P ROPOSICIÓN 18. Sean A ∈ K n×n y b ∈ K n×1 . El sistema Ax = b tiene

solución única si y sólo si det( A) 6= 0 y su solución es
A−1 b.
5
T EOREMA 19: Equivalencias no singulares

Sea A ∈ K n×n , los siguientes enunciados son equivalentes.
1. A es no singular;
2. el sistema Ax = 0 tiene solamente la solución trivial;
3. A es equivalente por filas a In ;
4. rang( A) = n;
5. el sistema lineal Ax = b tiene una solución única para cada b ∈ K n×1 ;

y
6. det( A) 6= 0.
3.4 Resolución de sistemas de ecuaciones
T EOREMA 20: Regla de Cramer

Sean A ∈ K n×n y b ∈ K n . Consideremos el sistema de ecuaciones


 a11 x1 + a12 x2 + · · · + a1n xn = b1 ,

 a21 x1 + a22 x2 + · · · + a2n xn = b2 ,

.. .. .. ..


 . . . .

an1 x1 + an2 x2 + · · · + ann xn = bn ,

y denotemos por A a su matriz de coeficientes y b a su matriz de constantes.

Si det( A) 6= 0, el sistema tiene solución única y está dada por:
det( A j )
xj = ,
det( A)
para j ∈ I y donde A j es la matriz que se obtiene reemplazando la j-ésima

columna de A por b.
E JEMPLO 19. Consideremos el sistema de ecuaciones


2x + x2 − x3 = 3
 1


x1 + x2 + x3 = 1


x1 − 2x2 − 3x3 = 4

6
En donde:  
2 1 −1
A = 1 1 1 
 
1 −2 −3
Se sigue que det( A) = 5. Puesto que det( A) 6= 0, el sistema tiene solución única,
la cual está determinada por:

3 1 −1

1 1 1

4 −2 −3
x1 = =2
5

2 3 −1

1 1 1

1 4 −3
x2 = = −1
5

2 1 3

1 1 1

1 −2 −4
x3 = =0
5
⊺
Así, la solución única del sistema es x = 2 −1 0 .
E JERCICIO 20. Resuelva el sistema de ecuaciones:

(
ax1 − 2bx2 = c
3ax1 − 5bx2 = 2c
donde a, b y c son números reales, con ab 6= 0
7
E SPACIOS V ECTORIALES
4. E SPACIOS V ECTORIALES
4.1 Definición
D EFINICIÓN 1: Espacio Vectorial

Dados un campo K, un conjunto no vacío E y dos operaciones:
⊕ : E × E −→ E ⊙ : K × E −→ E
y
( x, y) 7−→ x ⊕ y, (α, x ) 7−→ α ⊙ x
llamadas suma y producto, respectivamente; se dice que ( E, ⊕, ⊙, K ) es un

espacio vectorial si cumplen las siguientes propiedades:
1. Asociativa de la suma: para todo x, y, z ∈ E se tiene que
( x ⊕ y ) ⊕ z = x ⊕ ( y ⊕ z );
2. Conmutativa de la suma: para todo x, y ∈ E se tiene que
x ⊕ y = y ⊕ x;
3. Elemento neutro de la suma: existe un elemento de E, denotado por 0E

o simplemente 0, tal que para todo x ∈ E se tiene que
x ⊕ 0E = 0E ⊕ x = x;
4. Inverso de la suma: para todo x ∈ E, existe un elemento de E, denotado

por − x, tal que
x ⊕ (− x ) = 0E ;
5. Distributiva del producto I: para todo x, y ∈ E y todo α ∈ K se tiene

que
α ⊙ ( x ⊕ y) = α ⊙ x ⊕ α ⊙ y
6. Distributiva del producto II: para todo x ∈ E y todo α, β ∈ K se tiene
1
que
(α + β) ⊙ x = α ⊙ x ⊕ β ⊙ x;
7. Asociativa del producto: para todo x ∈ E y todo α, β ∈ K se tiene que
( α · β ) ⊙ x = α ⊙ ( β ⊙ x );
8. Elemento neutro del producto: para todo x ∈ E se tiene que
1 ⊙ x = x,
donde 1 ∈ K es el elemento neutro multiplicativo de K
A los elementos del espacio vectorial E se les denomina vectores y a los ele-
mentos del campo K se les denomina escalares.
E JEMPLO 1. Verifique si el conjunto de ternas ordenadas de números reales
R3 = {( x1 , x2 , x3 ) : x1 ∈ R ∧ x2 ∈ R ∧ x3 ∈ R }
es un espacio vectorial sobre el campo R si se definen las operaciones ⊕ y ⊙ de

la siguiente manera: dados a = ( a1 , a2 , a3 ) ∈ R3 y b = (b1 , b2 , b3 ) ∈ R3 , y dado
λ ∈ R, se define:
a ⊕ b = ( a1 , a2 , a3 ) ⊕ (b1 , b2 , b3 ) = ( a1 + b1 , a2 + b2 , a3 + b3 )
λ ⊙ a = λ ⊙ ( a1 , a2 , a3 ) = ( λ · a1 , λ · a2 , λ · a3 )
a continuación, ilustraremos la demostración de cada una de las propiedades:
1. Asociativa de la suma
Suponga que a = ( a1 , a2 , a3 ) ∈ R3 , b = (b1 , b2 , b3 ) ∈ R3 y c = (c1 , c2 , c3 ) ∈
R3 . Entonces:
( a ⊕ b) ⊕ c
= [( a1 , a2 , a3 ) ⊕ (b1 , b2 , b3 )] ⊕ (c1 , c2 , c3 ) Definiciones de a, b y c

= ( a1 + b1 , a2 + b2 , a3 + b3 ) ⊕ (c1 , c2 , c3 ) Definición de ⊕ en R3
= ([ a1 + b1 ] + c1 , [ a2 + b2 ] + c2 , [ a3 + b3 ] + c3 ) Definición de ⊕ en R3
= ( a1 + [b1 + c1 ], a2 + [b2 + c2 ], a3 + [b3 + c3 ]) Propiedad asociativa en R
= ( a1 , a2 , a3 ) ⊕ (b1 + c1 , b2 + c2 , b3 + c3 ) Definición de ⊕ en R3
= ( a1 , a2 , a3 ) ⊕ [(b1 , b2 , b3 ) ⊕ (c1 , c2 , c3 )] Definición de ⊕ en R3
2
= a ⊕ (b ⊕ c) Definiciones de a, b y c
2. Conmutativa de la suma
Suponga que a = ( a1 , a2 , a3 ) ∈ R3 y b = (b1 , b2 , b3 ) ∈ R3 . Entonces:
a ⊕ b = ( a1 , a2 , a3 ) ⊕ (b1 , b2 , b3 ) Definiciones de a y b
= ( a1 + b1 , a2 + b2 , a3 + b3 ) Definición de ⊕ en R3
= (b1 + a1 , b2 + a2 , b3 + a3 ) Conmutativa de + en R
= (b1 , b2 , b3 ) ⊕ ( a1 , a2 , a3 ) Definición de ⊕ en R3
= b⊕a Definiciones de a y b
3. Elemento neutro de la suma

Se debe probar que la siguiente proposición es verdadera:
(∃0E ∈ R3 )(∀ a ∈ R3 )( a ⊕ 0E = 0E ⊕ a = a)
Esta demostración es de existencia, por lo que se debe exhibir un elemento

0E ∈ R3 que satisfaga la definición de elemento neutro.
Sea 0E = (0, 0, 0). Se debe probar que para todo a = ( a1 , a2 , a3 ) ∈ R3 se

cumpla que:
a ⊕ 0E = 0E ⊕ a = a
En efecto:
a ⊕ 0E = ( a1 , a2 , a3 ) ⊕ (0, 0, 0) Definiciones de a y 0E
= ( a1 + 0, a2 + 0, a3 + 0) Definición de ⊕ en R3
= ( a1 , a2 , a3 ) Neutro aditivo en R
=a Definición de a
por la propiedad conmutativa, se tiene que a ⊕ 0E = 0E ⊕ a. Por tanto, se ha

demostrado también que:
0E ⊕ a = a
4. Inverso de la suma
(∀ a ∈ R3 )(∃ â ∈ R3 )( â ⊕ a = a ⊕ â = 0E )
3
Esta también es una demostración de existencia, en este caso, por el orden

de los cuantificadores, el elemento â depende de a.
Sea a = ( a1 , a2 , a3 ) ∈ R3 . Se prueba que el vector buscado â se define del

siguiente modo:
â = (− a1 , − a2 , − a3 )
donde cada − ai es el inverso aditivo de ai ∈ R, para i = 1, 2, 3.

Entonces, tenemos que:
a ⊕ â = ( a1 , a2 , a3 ) ⊕ (− a1 , − a2 , − a3 ) Definiciones de a y â
= ( a1 + (− a1 ), a2 + (− a2 ), a3 + (− a3 )) Definición de ⊕ en R3
= (0, 0, 0) Inverso aditivo en R3
= 0E Definición de 0E
por la propiedad conmutativa de ⊕, se tiene también que:
â ⊕ a = 0E
5. Distributiva del producto I

Suponga que a = ( a1 , a2 , a3 ) ∈ R3 , b = (b1 , b2 , b3 ) ∈ R3 y λ ∈ R. Entonces:
λ ⊙ ( a ⊕ b)
= λ ⊙ (( a1 , a2 , a3 ) ⊕ (b1 , b2 , b3 )) Definiciones de a y b
= λ ⊙ ( a1 + b1 , a2 + b2 , a3 + b3 ) Definición de ⊕ en R3
= (λ · [ a1 + b1 ], λ · [ a2 + b2 ], λ · [ a3 + b3 ]) Definición de ⊙ en R3
= (λ · a1 , λ · a2 , λ · a3 ) ⊕ (λ · b1 , λ · b2 , λ · b3 ) Definición de ⊕ en R3
= λ ⊙ ( a1 , a2 , a3 ) ⊕ λ ⊙ (b1 , b2 , b3 ) Definición de ⊙ en R3
= λ⊙a⊕λ⊙b Definiciones de a y b
6. Distributiva del producto II

Suponga que a = ( a1 , a2 , a3 ) ∈ R3 y λ, β ∈ R. Entonces:
(λ + β) ⊙ a
= ( λ + β ) ⊙ ( a1 , a2 , a3 ) Definición de a
= ((λ + β) · a1 , (λ + β) · a2 , (λ + β) · a3 ) Definición de ⊕ en R3
= (λa1 + βa1 , λa2 + βa2 , λa3 + βa3 ) Distributiva del producto en R
4
= (λa1 , λa2 , λa3 ) ⊕ ( βa1 , βa2 , βa3 ) Definición de ⊕ en R3

= λ ⊙ ( a1 , a2 , a3 ) ⊕ β ⊙ ( a1 , a2 , a3 ) Definición de ⊙ en R3
= λ⊙a⊕β⊙a Definición de a
7. Asociativa del producto

Suponga que a = ( a1 , a2 , a3 ) ∈ R3 y λ, β ∈ R. Entonces:
( λ · β ) ⊙ a = ( λ · β ) ⊙ ( a1 , a2 , a3 ) Definición de a
= ((λ · β) · a1 , (λ · β) · a2 , (λ · β) · a3 ) Definición de ⊙ en R3
= (λ · ( β · a1 ), λ · ( β · a2 ), λ · ( β · a3 )) Asociativa · en R
= λ ⊙ ( β · a1 , β · a2 , β · a3 ) Definición de ⊙ en R3
= λ ⊙ ( β ⊙ ( a1 , a2 , a3 )) Definición de ⊙ en R3
= λ ⊙ ( β ⊙ a) Definición de a
8. Elemento neutro del producto

(∀ a ∈ R3 )(1 ⊙ a = a), donde 1 ∈ R
Suponga que a = ( a1 , a2 , a3 ) ∈ R3 . Entonces:
1 ⊙ a = 1 ⊙ ( a1 , a2 , a3 ) Definición de a
= (1 · a1 , 1 · a2 , 1 · a3 ) Definición de ⊙ en R3
= ( a1 , a2 , a3 ) Neutro multiplicativo en R
=a Definición de a
En vista que se satisfacen todas las propiedades de la definición 1, se concluye

que (R3 , ⊕, ⊙, R ) es un espacio vectorial.
E JERCICIO 1. Verifique si el conjunto de polinomios con coeficientes reales de

grado menor o igual que 3
R3 [ x ] = { p( x ) = a0 + a1 x + a2 x2 + a3 x3 : ai ∈ R, 0 ≤ i ≤ 3}
es un espacio vectorial sobre R si la operación ⊕ es la suma usual entre polinomios

y ⊙ es el producto usual entre un número real y un polinomio.
Es decir: si p ∈ R3 [ x ] y q ∈ R3 [ x ], y α ∈ R, entonces:
p( x ) ⊕ q( x ) = ( p + q)( x )
5
α ⊙ p( x ) = (αp)( x )
para todo x ∈ R.
E JERCICIO 2. Verifique si el conjunto V definido por:

( ! )
a b
V= : ad − cb = 0, con a, b, c, d ∈ R
c d
junto a las operaciones usuales de suma de matrices y producto de un escalar por

matriz es un espacio vectorial real.
O BSERVACIÓN 1. Utilizamos los símbolos ⊕ y ⊙ para enfatizar el hecho de que,

en general, las operaciones definidas no son la suma y el producto estándar que
utilizamos. Si no existe riesgo de confusión, utilizaremos la notación
x⊕y = x+y y α ⊙ x = αx
y diremos que el espacio vectorial es ( E, +, ·, K ). En caso de que no exista ambi-

güedad en las operaciones utilizadas se dirá que E es un espacio vectorial sobre K.
Además, si el campo está sobre entendido diremos que E es un espacio vectorial.
Un error común es pensar que el elemento neutro es siempre el cero, ya

que, dependiendo del espacio vectorial, se tiene un determinado elemento
neutro. Por ejemplo:
• Para el espacio vectorial (R, +, ·, R ) tenemos que su elemento neutro

es justamente el 0.
• Para el espacio (R + , ⊕, ⊙, R ) donde
x ⊕ y = xy y α ⊙ x = xα
para todo x, y ∈ R + y todo α ∈ R, el elemento neutro es 1, esto es,

0E = 1. Notemos que 0 ∈/ R+ .
6
E SPACIOS V ECTORIALES
4.2 Propiedades
P ROPOSICIÓN 1. Los siguientes conjuntos con sus operaciones usuales de

suma y producto son espacios vectoriales:
• (R n , +, ·, R), con n ∈ N ∗ .
• (R m×n , +, ·, R ), con m, n ∈ N ∗ .
• (F ( I ), +, ·, R )
• (C( I ), +, ·, R )
• (R n [ x ], +, ·, R )
O BSERVACIÓN 2. Es importante mencionar respecto a esta proposición que:
• R n = {( x1 , ..., xn ) : xi ∈ R para i = 1, ..., n} y sus operaciones están defini-

dos mediante
( x1 , x2 , . . . , x n ) + ( y1 , y2 , . . . , y n ) = ( x1 + y1 , x2 + y2 , . . . , x n + y n )
α · ( x1 , x2 , . . . , x n ) = ( α · x1 , α · x2 , . . . , α · x n ).
• F ( I ) = { f : I → R : f es una función}, siendo I un intervalo de R.

+ es la suma usual de dos funciones y · es la multiplicación de un número
real por una función.
• C( I ) = { f : I → R : f es una función continua}, siendo I un intervalo de R.

+ es la suma usual de dos funciones y · es la multiplicación de un número
real por una función.
• R n [ x ] = { p : p( x ) = a0 + a1 x + · · · + an x n , ai ∈ R para i = 0, 1, · · · , n}.
+ representa la suma usual de dos polinomios de grado menor o igual a n y
· representa el producto de un número real por un polinomio.
1
Para todo espacio vectorial se puede mostrar que tanto el elemento neutro
como el inverso de cada elemento son únicos.
E JEMPLO 2. Para cada espacio de la proposición anterior su elemento neutro es:

• 0Rn = (0, 0, . . . , 0).
• 0Rm×n = 0m×n .
• 0F ( I ) = 0C( I ) = 0 f , donde
0 f : I −→ R
x 7−→ 0
con I ⊆ R.
• 0Rn [ x] = 0 + 0x + · · · + 0x n−1 + 0x n , para todo x ∈ R.
T EOREMA 2
Sea ( E, +, ·, K ) un espacio vectorial, para todo u ∈ E y todo α ∈ K, se tiene
que:
1. 0 · u = 0E ;
2. α · 0E = 0E ;
3. Si α · u = 0E , entonces α = 0 o u = 0E ;
4. (−1) · u = −u.
4.3 Subespacios
D EFINICIÓN 2: Subespacio Vectorial

Sea ( E, +, ·, K ) un espacio vectorial y W un subconjunto no vacío de E. Se
dice que W es un subespacio vectorial del espacio vectorial E si (W, +, ·, K )
es un espacio vectorial.
T EOREMA 3
Sean ( E, +, ·, K ) un espacio vectorial y W un subconjunto no vacío de E. Se
tiene que W es un subespacio vectorial de E si y sólo si se cumplen las si-
guientes condiciones:
• si u, v ∈ W, entonces u + v ∈ W; y
2
• si α ∈ K y u ∈ W, entonces αu ∈ W.
E JERCICIO 3. Sea A ∈ R n×m fija y W el conjunto:
W = { x ∈ R m : Ax = 0}
Verifique si W es un subespacio vectorial de R m .
O BSERVACIÓN 3. Notemos que, dados E un espacio vectorial sobre el cuerpo K y

W ⊆ E mostrar las condiciones del teorema anterior es equivalente a mostrar que
αu + v ∈ W
para todo u, v ∈ W y todo α ∈ K.
O BSERVACIÓN 4. Dado E un espacio vectorial sobre el cuerpo K se tiene que {0E }

y E son subespacios vectoriales de E.
Si vamos a mostrar que W es un subespacio del espacio vectorial E, una de

las condiciones a ser verificada es que W 6= ∅, para lo cual es suficiente
mostrar que 0E ∈ W.
T EOREMA 4
Sea ( E, +, ·, K ) un espacio vectorial. Si W1 y W2 son subespacios vectoriales
de E, entonces W1 ∩ W2 es un subespacio vectorial de E.
C OROLARIO 5. Sea ( E, +, ·, K ) un espacio vectorial. Si W1 , W2 , · · · , Wn son

subespacios vectoriales de E, entonces W1 ∩ W2 ∩ · · · ∩ Wn es un subespacio
vectorial de E.
4.4 Combinación lineal y cápsula
D EFINICIÓN 3: Combinación lineal

Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y v1 , v2 , . . . , vk ∈ E. Se dice que
un vector v ∈ E es una combinación lineal de v1 , v2 , . . . , vk si
v = α1 v1 + α2 v2 + · · · + α k v k
para algunos α1 , α2 , . . . , αk ∈ K.
3
E JEMPLO 3. En el espacio vectorial (R2 , +, ·, R ), sean u, v, w ∈ R2 donde u =

(1, 2), v = (2, 4) y w = (0, 0), se tiene que
1
u= v + 5w, (1)
2
esto implica que u es combinación lineal de v y de w donde se han utilizado los
1
escalares α1 = y α2 = 5.
2
Además,
w = 2u − v, (2)
entonces w es combinación lineal de u y de v donde se han utilizado los escalares

α1 = 2 y α2 = −1.
E JERCICIO 4. Sean T = {(3, 0, −2), (2, −1, −5)}, v = (1, −2, −5) y k ∈ R.
1. ¿Para qué valores de k el vector (1, −2, k ), se expresa como combinación

lineal de T?.
2. ¿Se puede expresar v como combinación lineal de los vectores de T?. Si es

así, indique la combinación lineal.
4
4.5 Conjunto generador
D EFINICIÓN 4
Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E. Al subespacio vectorial más
pequeño que contiene a S (es decir, la intersección de todos los subespacios
que contienen a S) se lo denomina espacio generado por S y se denota por
gen(S).
O BSERVACIÓN 5. Si S = ∅, definimos gen(∅) = {0E }.
P ROPOSICIÓN 6. Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E. Se tiene que

span(S) = gen(S).
O BSERVACIÓN 6. Si S = ∅, entonces span(∅) = gen(∅) = {0E }.
D EFINICIÓN 5
Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y S = {v1 , v2 , . . . , vk } ⊆ E.
Se dice que S genera el espacio vectorial E si cada vector en E es una com-
binación lineal de los elementos de S, es decir, si para todo v ∈ E, existen
α1 , α2 , . . . , αk ∈ K tales que
v = α1 v1 + α2 v2 + · · · + α k v k .
E JEMPLO 4. En el espacio R2 considere el conjunto S = {(1, 0), (0, 2)}. Tenemos

que S genera el espacio vectorial R2 . En efecto, sean ( x, y) ∈ R2 y α1 , α2 ∈ R tal
que ( x, y) es combinación lineal de los elementos de S, es decir:
α1 (1, 0) + α2 (0, 2) = ( x, y)
o equivalentemente
(α1 , 2α2 ) = ( x, y).
1
Igualando ambos vectores se obtiene el siguiente sistema de ecuaciones:

(
α1 =x
2α2 = y
y
este sistema tiene solución única α1 = x y α2 = . Por lo tanto, cada vector de R2
2
se puede escribir como combinación lineal de los elementos de S. Por ejemplo, el
vector v = (−1, 4) ∈ R2 se puede escribir como:
(−1, 4) = −1(1, 0) + 2(0, 2).
E JERCICIO 5. En el espacio R1 [t] considere el subconjunto S = {1, −t} verifique

que S genera R1 [t].
P ROPOSICIÓN 7. Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y
S = {v1 , v2 , . . . , vk } ⊆ E.
Se tiene que S genera el espacio vectorial E si y solo si
E = gen(S) = span(S).
E JEMPLO 5. En el espacio vectorial R2 dado el conjunto S = {u1 } = {(2, 3)}. El

espacio generado por S, gen(S) = span(S) se representa gráficamente como una
línea en el plano.
Figura 1: Espacio generado por S = {u1 }.
2
E JERCICIO 6. En el espacio vectorial R3 dado el conjunto
S = {v1 , v2 } = {(0, 2, 2), (0, 1, −2)}.
Calcular el subespacio generado por S. El espacio generado por S, gen(S) =

span(S) se representa gráficamente como un plano en el espacio.
Figura 2: Espacio generado por S = {v1 , v2 }.
O BSERVACIÓN 7. Un espacio vectorial puede ser generador por distintos conjun-

tos. Por ejemplo, el espacio R2 está generado por los conjuntos {(1, 0), (0, 1)},
{(1, 1), (1, −1)}, {(1, 2), (2, −1), (4, 3)} y {(0, 0), (1, 2), (4, 5), (5, 7), (−3, −3)}, en-
tre otros.

S = {v1 , v2 , . . . , vk } ⊆ E. Si algún v j es combinación lineal de los demás
elementos de S, entonces
span(S) = span{v1 , v2 , . . . , v j−1 , v j+1 , . . . , vk }.
E JEMPLO 6. En el espacio vectorial R2 considere el subconjunto
S = {(1, 2), (0, 1), (−1, 3), (−1, 0)}.
3
Dado que el vector (−1, 3) = 3(0, 1) + (−1, 0), se tiene que
span(S) = span{(1, 2), (0, 1)(−1, 0)}.
E JERCICIO 7. En el espacio vectorial R2 [t] considere el subconjunto
S = {1, t, t2 , 1 − 2t}.
Verifique que existe algún v j combinación lineal de los demás elementos de S tal
que:
span(S) = span{vk ∈ S : k 6= j}.
4.6 Independencia lineal
D EFINICIÓN 6
Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y S = {v1 , v2 , . . . , vk } ⊆ E. Se
dice que S es un conjunto linealmente dependiente si existen α1 , α2 , . . . , αk ∈
K, no todos iguales a cero, tales que:
α1 v1 + α2 v2 + · · · + α k v k = 0
en caso contrario, se dice que S es un conjunto linealmente independiente.
De esta definición, se tiene que {v1 , v2 , . . . , vk } es linealmente independiente

si y solo si
α1 v1 + α2 v2 + · · · + α k v k = 0
implica que
α1 = α2 = · · · = αk = 0.
es solución única.
E JEMPLO 7. En el espacio vectorial R2 , se considera el subconjunto S = {v1 , v2 },

donde v1 = (1, 2) y v2 = (2, 4). Sean α1 , α2 ∈ R, formemos a la combinación lineal
nula, se tiene que:
α1 (1, 2) + α2 (2, 4) = (0, 0).
o equivalentemente,
(α1 + 2α2 , 2α1 + 4α2 ) = (0, 0).
4
Por igualdad de vectores, se obtiene el siguiente sistema de ecuaciones:

(
α1 + 2α2 = 0
2α1 + 4α2 = 0.
Este sistema tiene infinitas soluciones. Por lo tanto, el conjunto S es linealmente

dependiente.
5
4.6 Independencia lineal
E JERCICIO 8. En el espacio vectorial R1 [t] considere el subconjunto S = {v1 , v2 },

donde v1 (t) = 1 + 3t y v2 (t) = −2 + 4t. Demuestre que S es un conjunto lineal-
mente independiente.
Se puede extender esta definición para conjuntos infinitos diciendo que S

es linealmente independiente si todo subconjunto finito de S es linealmente
independiente.
P ROPOSICIÓN 9. Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E. Si 0E ∈ S,

entonces S es linealmente dependiente.
E JEMPLO 8. En el espacio R3 considere el subconjunto
S = {(1, 0, 1), (0, 0, 1), (0, 0, 0)}.
Sean ( x, y, z) ∈ R3 y α1 , α2 , α3 ∈ R, formamos la combinación lineal nula
α1 (1, 0, 1) + α2 (0, 0, 1) + α3 (0, 0, 0) = (0, 0, 0)
o equivalentemente,
(α1 , 0, α1 + α2 ) = (0, 0, 0).
De lo cual α1 = α2 = 0 y α3 ∈ R. Por lo tanto, S es linealmente dependiente.
E JERCICIO 9. En R2 [t] verifique que el subconjunto {1, 0, t2 } es linealmente de-

pendiente.

S = {v1 , v2 , . . . , vk } ⊆ E. Se tiene que S es un conjunto linealmente depen-
diente si y sólo si alguno de los vectores v j ∈ S es una combinación lineal de
otros elementos de S.
1
E JEMPLO 9. En el espacio vectorial R2 el conjunto S = {(1, 2), (2, −1), (4, 3)} es
linealmente dependiente, ya que el vector (4, 3) se puede escribir como combina-
ción lineal de los vectores (1, 2) y (2, −1), en efecto, (4, 3) = 2(1, 2) + (2, −1).
E JERCICIO 10. En el espacio vectorial R2 [t]. ¿El conjunto {t, −t2 , 4t2 − t} es lineal-
mente dependiente o independiente?. Justifique su respuesta.
P ROPOSICIÓN 11. Sean ( E, +, ·, K ) un espacio vectorial, k ∈ N ∗ y S un con-

junto de E con k elementos. Si S es un conjunto linealmente independiente,
entonces todo conjunto de k + 1 elementos de gen(S) es linealmente depen-
diente.
E JEMPLO 10. En el espacio vectorial R2 [t] el conjunto S = {1 − t2 , 1 + t2 } es li-

nealmente independiente, mientras que el conjunto {2 − 2t2 , 2 + 2t2 , 3 + t2 } es
linealmente dependiente.
E JERCICIO 11. En el espacio vectorial R3 considere el conjunto linealmente inde-

pendiente S = {(1, 0, 2), (0, 0, 1)}. Determine gen(S) y un conjunto linealmente
dependiente subconjunto de gen(S).

S = {v1 , v2 , · · · , vk } ⊆ E. Si S es linealmente dependiente, entonces
gen(S) = gen(S r {v j })
donde v j es combinación lineal de los demás elementos de S.
E JEMPLO 11. En el espacio vectorial R2 , el conjunto S = {(1, 0), (0, 1), (4, −3)} es
linealmente dependiente. Notemos que el vector (4, −3) es combinación lineal de
los otros dos elementos de S. Por lo tanto
gen(S) = gen({(1, 0), (0, 1)}).
E JERCICIO 12. En el espacio de polinomios R2 [t], considere los vectores v1 (t) = 1,

v2 (t) = 1 + t, v3 (t) = 1 + t2 , y v4 (t) = 2 − t + t2 y sea
S = {1, 1 + t, 1 + t2 , 2 − t + t2 }.
1. Verifique que el conjunto S es linealmente dependiente.
2
2. Encuentre un vector v j , con j ∈ {1, 2, 3, 4} que es combinación lineal de los

demás elementos de S.
3. Verifique que gen(S) = gen(S r {v j }), donde v j es el vector obtenido en el

literal anterior.
P ROPOSICIÓN 13. Sean ( E, +, ·, K ) un espacio vectorial, S ⊆ E y v ∈ E. Si S

es linealmente independiente y gen(S) 6= E, entonces S ∪ {v} es linealmente
independiente, siempre y cuando v 6∈ gen(S)
E JEMPLO 12. En el espacio vectorial R2 [t], el conjunto S = {1 − t2 , 2 + t2 } es li-

nealmente independiente, además, gen(S) 6= R2 [t]. Notemos que t ∈ R2 [t] y que
t 6∈ gen(S). Por lo tanto, S1 = {1 − t2 , 2 + t2 , t} es linealmente independiente.
E JERCICIO 13. En el espacio de matrices R2×2 , considere el conjunto:

( ! ! !)
1 0 0 1 2 1
S= , , .
2 −1 −1 3 3 1
1. Determine gen(S).
2. Encuentre B ⊆ S linealmente independiente que genere S.
Un error común cuando se trabaja la independencia lineal en el espacio de

polinomios, por ejemplo en R2 [ x ], consiste en que si se desea mostrar que el
conjunto S = {1 + x, 2x + x2 } ⊆ R2 [ x ] es linealmente independiente, al for-
mar la combinación lineal nula con estos elementos tomando a los escalares
α1 , α2 ∈ R, se escribe:
α1 (1 + x ) + α2 (2x + x2 ) = (0, 0x, 0x2 ).
Como se puede apreciar se confunde entre el neutro de R2 [ x ] con (0, 0, 0) el

neutro de R3 , lo correcto es
α1 (1 + x ) + α2 (2x + x2 ) = 0 + 0x + 0x2 .
Otro error que se comete es decir que
1 + x = (1, x, 0)
en donde nuevamente se confunden a los espacios con los cuales estamos

trabajando.
3
4.7 Bases
D EFINICIÓN 7
Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E. Se dice que B es una base de E
si
1. B genera a E; y
2. B es linealmente independiente.
4
4.7 Bases
T EOREMA 14: Base canónica de R n

En R n , el conjunto {e1 , e2 , . . . , en } ⊆ R n , definidos por

0 si i 6= j,
eij =
1 si i = j,
para todo i, j ∈ {1, 2, . . . , n}, es una base de R n , conocida como la base canó-
nica de R n .
E JEMPLO 13. Para el espacio vectorial R3 se tiene que su base canónica está dada
por:
B = {e1 , e2 , e3 } = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
E JERCICIO 14. Considere el espacio vectorial R4 , identifique a los vectores de su

base canónica:
B = { e1 , e2 , e3 , e4 }.
T EOREMA 15: Base canónica de R n [ x ]

En R n [ x ], el conjunto {1, x, . . . , x n−1 , x n } es una base de R n [ x ]. A esta base se
la denomina la base canónica de R n [ x ].
E JEMPLO 14. Para el espacio vectorial R2 [ x ] se tiene que su base canónica es

{1, x, x2 }.
E JERCICIO 15. Identifique a la base canónica del espacio vectorial R4 [ x ].
T EOREMA 16
Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E una base de E. Se tiene que
todo elemento de E se puede escribir, de manera única, como combinación
lineal de elementos de B.
1
E JEMPLO 15. En el espacio vectorial R2×2 tenemos que su base canónica está dada
por: ( ! ! ! !)
1 0 0 1 0 0 0 0
B= , , , .
0 0 0 0 1 0 0 1
Además, se tiene que:

! ! ! ! !
a b 1 0 0 1 0 0 0 0
=a +b +c +d
c d 0 0 0 0 1 0 0 1
!
a b
para todo ∈ R2×2 es única, ya que una base es un conjunto linealmente
c d
independiente.
E JERCICIO 16. Para el espacio vectorial R2 [ x ] se tiene que el conjunto

n o
B = 1 + x + x2 , 1 + x, 1
es una base. Verifique que la combinación lineal
a + bx + cx2 = c(1 + x + x )2 + (b − c)(1 + x ) + ( a − b)
es única, para todo a + bx + cx2 ∈ R2 [ x ].
T EOREMA 17
Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E. Si todo elemento de E se pue-
de escribir, de manera única, como combinación lineal de elementos de B,
entonces B es una base de E.
E JEMPLO 16. En el espacio vectorial R1 [t] considere el conjunto
B = {1 − t, 1 + t}.
Notemos que todo elemento de R1 [t] se escribe como combinación lineal de los
elementos de B y esta combinación es única. En efecto, sean a0 + a1 t ∈ R1 [t],
α1 , α2 ∈ K tales que
α1 (1 − t ) + α2 (1 + t ) = a0 + a1 t
o equivalentemente
(α1 + α2 ) + (−α1 + α2 )t = a0 + a1 t
2
para todo t ∈ R. Igualando polinomios se obtiene al sistema de ecuaciones linea-

les: (
α1 + α2 = a0
− α1 + α2 = a1
la matriz ampliada asociada a este sistema verifica la siguiente equivalencia por
filas: ! !
1 1 a0 1 1 a0
( A|b) = ∼
−1 1 a1 0 2 a0 + a1
Dado que ran( A) = ran( A|b)=2 es igual al número de incógnitas, por el Teorema
de Rouché Frobenius, el sistema tiene solución única, y en virtud del teorema
anterior, concluimos que B es una base de R1 [t].
E JERCICIO 17. En el espacio vectorial R3 determine si el conjunto
B = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}
forma una base de R3 .
P ROPOSICIÓN 18. Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E un conjunto

que genera a E. Se tiene que algún subconjunto de S es base de E.
E JEMPLO 17. En el espacio vectorial R2×2 , considere al conjunto

( ! ! ! ! !)
1 0 0 1 0 −1 0 0 1 0
S= , , , , .
0 1 1 0 0 0 1 1 1 −1
Notemos que gen(S) = R2×2 y que el subconjunto B de S es una base de R2×2 ,

donde ( ! ! ! !)
1 0 0 1 0 −1 0 0
B= , , , .
0 1 1 0 0 0 1 1
E JERCICIO 18. En el espacio vectorial R2 [ x ], sean los vectores v1 ( x ) = −5 + 4x,

v2 ( x ) = 5 − 2x − x2 , v3 ( x ) = 2 − x + 2x2 , v4 ( x ) = 6 − 2x − 6x2 . Suponga que
W = gen({v1 ( x ), v2 ( x ), v3 ( x ), v4 ( x )}).
Encuentre una base de W.
T EOREMA 19
Todo espacio vectorial tiene una base.
3
E JEMPLO 18. En el espacio vectorial R3 , consideremos al subespacio vectorial
W = {( x1 , x2 , x3 ) ∈ R3 : x1 + x2 = x3 }.
El conjunto B = {(1, 0, 1), (0, 1, 1)} es una base de W. En efecto:
1. Sean α1 , α2 ∈ R tales que:
α1 (1, 0, 1) + α2 (0, 1, 1) = (0, 0, 0)
o equivalentemente
(α1 , α2 , α1 + α2 ) = (0, 0, 0).
Igualando vectores obtenemos que α1 = α2 = 0. Por lo tanto, B es un con-

junto linealmente independiente.
2. Sean α1 , α2 ∈ R y ( x1 , x2 , x3 ) ∈ R3 tales que
α1 (1, 0, 1) + α2 (0, 1, 1) = ( x1 , x2 , x3 )
o equivalentemente
( α1 , α2 , α1 + α2 ) = ( x1 , x2 , x3 ).
Igualando vectores se obtiene al sistema de ecuaciones:


 α1
 = x1

α2 = x2


α1 + α2 = x3

La matriz ampliada ( A|b) asociada a este sistema verifica la siguiente equi-

valencia por filas:
   
1 0 x1 1 0 x1
( A | b ) = 0 1 x2  ∼ 0 1 x2
   

1 1 x3 0 0 x3 − x1 − x2 .
Luego, el sistema tiene solución si x3 − x1 − x2 = 0. Por lo tanto,
gen( B) = {( x1 , x2 , x3 ) ∈ R3 : x1 + x2 = x3 } = W.
De 1. y 2. se sigue que B es una base para W.
4
4.7 Bases
E JERCICIO 19. En el espacio vectorial R3 [ x ], considere al subespacio vectorial
W = { p ( x ) ∈ R 3 [ x ] : p (0) + p ′ (0) = 0}.
Determine una base para W.
4.8 Dimensión
O BSERVACIÓN 8. Si {v1 , v2 , . . . , vn } es una base de un espacio vectorial E, enton-

ces para todo c 6= 0, se tiene que {cv1 , v2 , . . . , vn } también es una base de E, es
decir, un espacio vectorial no nulo tiene muchas bases.
P ROPOSICIÓN 20. Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E una base de

E. Si S ⊆ E es un conjunto linealmente independiente, entonces
card(S) ≤ card( B).
E JEMPLO 19. En el espacio vectorial R3 , el conjunto B = {(1, 1, 0), (0, 1, 1), (1, 0, 1)}
es una de sus bases. Considere al conjunto S dado por:
S = {(1, 0, 0), (0, 1, 0)}.
Notemos que S es un es un conjunto linealmente independiente con card(S) = 2,

además, card( B) = 3, luego,
card(S) ≤ card( B).
P ROPOSICIÓN 21. Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E una base de

E. Si S ⊆ E es un conjunto que genera a E, entonces
card( B) ≤ card(S).
1
E JEMPLO 20. Sea el espacio vectorial R2 , y B = {(1, −2), (2, 1)} ⊆ R2 es una base
de R2 . Donde:
S = {(1, 0), (0, 1), (1, 1)} ⊆ R2 .
Tal que S es genera a R2 . Entonces:
card( B) = 2 ≤ card(S) = 3.
O BSERVACIÓN 9. De acuerdo con las proposiciones anteriores, en un espacio vec-

torial, una base es el conjunto linealmente independiente con el mayor número de
elementos, además, es el conjunto generador del espacio vectorial con el menor
número de elementos.
P ROPOSICIÓN 22. Sean ( E, +, ·, K ) un espacio vectorial y B, T ⊆ E bases de

E. Se tiene que
card( B) = card( T ).
E JEMPLO 21. En el espacio vectorial R1 [t], notemos que
B = {1 + t, 1 − t} y T = {1, t}
son bases de R1 [t], con:

card( B) = card( T ) = 2.
O BSERVACIÓN 10. La observación 8 establece que un espacio vectorial no nulo

tiene muchas bases, pero la proposición anterior indica que todas las bases del
mismo espacio vectorial tienen el mismo número de elementos.
D EFINICIÓN 8: Dimensión
Sean ( E, +, ·, K ) un espacio vectorial y B ⊆ E una base de E. Se define la
dimensión de E, denotado por dim( E), como la cardinalidad de B. Es decir,
dim( E) = card( B).
E JEMPLO 22. En el espacio vectorial R2 , se tiene que B = {(1, 0), (0, 1)} es una
base de R2 . Entonces:
dim(R2 ) = card( B) = 2,
es decir, la dimensión de R2 es 2.
O BSERVACIÓN 11. Para el espacio vectorial {0} se define su dimensión como 0.
2
E JEMPLO 23. Sean m, n ∈ N ∗ , se tiene que:
• dim(R n ) = n;
• dim(R m×n ) = mn;
• dim(R n [ x ]) = n + 1;
E JEMPLO 24. En el espacio vectorial R3 , para el subespacio vectorial
W = {( x1 , x2 , x3 ) ∈ R3 : x1 + x2 = x3 }
una base es
B = {(1, 0, 1), (0, 1, 1)}
Luego,
dim(W ) = card( B) = 2,
es decir, la dimensión de W es 2.
P ROPOSICIÓN 23. Sean ( E, +, ·, K ) un espacio vectorial y S ⊆ E un conjunto

linealmente independiente. Se tiene que existe una base B de E que contiene
a S.
T EOREMA 24
Sean ( E, +, ·, K ) un espacio vectorial, B ⊆ E y n ∈ N ∗ tal que dim( E) = n y
card( B) = n. Se tiene que:
• Si B es linealmente independiente, entonces B es una base de E.
• Si B genera a E, entonces B es una base de E.
E JEMPLO 25. En el espacio vectorial R3 , considere al conjunto S dado por:
S = {(1, 0, 1), (0, 1, 1), (0, 0, 1)}.
Se tiene que dim(R3 ) = 3 y que la card(S) = 3. Dado que S es un conjunto

linealmente independiente, por el teorema anterior, concluimos que S es una base
de R3 .
3
3.8 Suma de espacios
D EFINICIÓN 1: Suma de subespacios

Sean ( E, +, ·, K ) un espacio vectorial y W1 , W2 ⊆ E subespacios vectoriales
de E. Se define la suma W1 + W2 por:
W1 + W2 = {v ∈ E : v = w1 + w2 , con w1 ∈ W1 , w2 ∈ W2 } .
P ROPOSICIÓN 1. Sean ( E, +, ·, K ) un espacio vectorial y W1 , W2 ⊆ E subes-

pacios vectoriales de E. Se tiene que W1 + W2 es un subespacio vectorial de
E.
P ROPOSICIÓN 2. Sean ( E, +, ·, K ) un espacio vectorial y W1 , W2 ⊆ E dos

subespacios vectoriales de E. Sean B1 y B2 bases de W1 y W2 , respectivamente,
se tiene que:
W1 + W2 = span( B1 ∪ B2 ).
E JEMPLO 1. Considere el espacio vectorial R3 , donde:
W1 = {( x, 0, 0) ∈ R3 : x ∈ R } y W2 = {(0, y, 0) ∈ R3 : y ∈ R }
son subespacios vectoriales, se tiene que:
B1 = {(1, 0, 0)} y B2 = {(0, 1, 0)}
son bases de W1 y W2 , respectivamente. Entonces:
W1 + W2 = span( B1 ∪ B2 )
= span({(1, 0, 0), (0, 1, 0)})
= {( x, y, z) ∈ R3 : ( x, y, z) = α1 (1, 0, 0) + α2 (0, 1, 0), α1 , α2 ∈ R }
= {( x, y, z) ∈ R3 : ( x, y, z) = (α1 , α2 , 0), α1 , α2 ∈ R }
= {( x, y, z) ∈ R3 : α1 = x, α2 = y, 0 = z, α1 , α2 ∈ R }
1
= {( x, y, z) ∈ R3 : z = 0}
= {( x, y, 0) ∈ R3 : x, y ∈ R }
E JERCICIO 1. Considere el espacio vectorial R2 [t] y los subespacios vectoriales:

n o
S = p(t) = a + bt + ct2 : a − 3c = 0
n o
T = q(t) = c + dt + et2 : d − e = 0
Halle S + T.
T EOREMA 3
Sean ( E, +, ·, K ) un espacio vectorial de dimensión finita y W1 , W2 ⊆ E dos
subespacios vectoriales de E. Se tiene que
dim(W1 + W2 ) = dim(W1 ) + dim(W2 ) − dim(W1 ∩ W2 ).
O BSERVACIÓN 5. De acuerdo con el teorema anterior concluimos que en un espa-

cio vectorial E de dimensión finita, cualquier subespacio W verifica que
dim(W ) ≤ dim( E).
E JEMPLO 2. Considere los subespacios vectoriales:
W1 = {( x, 0, 0) ∈ R3 : x ∈ R } y W2 = {(0, y, 0) ∈ R3 : y ∈ R }.
Se tiene que dim( E) = dim(R3 ) = 3 y que dim(W1 ) = dim(W2 ) = 1 con

dim(W1 + W2 ) = 2, por el teorema anterior, concluimos que dim(W1 ∩ W2 ) = 0,
lo que implica que W1 ∩ W2 = {0R3 }.
E JERCICIO 2. Para el Ejercicio 1, obtenga la dim(S ∩ T ).
D EFINICIÓN 2: Suma directa

de E. La suma directa de W1 y W2 , denotada por W1 ⊕ W2 se define por:
W1 ⊕ W2 = {v ∈ E : (∃!w1 ∈ W1 )(∃!w2 ∈ W2 ) v = w1 + w2 }
Se dice que un espacio vectorial V está en suma directa de dos subespacios

W1 y W2 si cualquier elemento de V se puede escribir de manera única como
2
la suma de elementos de W1 y W2 .
T EOREMA 4
de E, se tiene que:
E = W1 ⊕ W2
sí y sólo si
E = W1 + W2 y W1 ∩ W2 = {0E }.
E JEMPLO 3. En el espacio vectorial R3 considere los subespacios vectoriales
W1 = {( x, y, 0) ∈ R3 : x, y ∈ R } y W2 = {(0, 0, z) ∈ R3 : z ∈ R }.
Se tiene que:
R3 = W1 ⊕ W2 .
E JERCICIO 3. En el espacio vectorial R2×2 considere los subespacios vectoriales:

n o
W1 = A ∈ R2×2 : A = A T
n o
W2 = A ∈ R 2×2 : A = − A T
Verifique que: R2×2 = W1 ⊕ W2 .
T EOREMA 5
Sean ( E, +, ·, K ) un espacio vectorial de dimensión finita. Para todo S subes-
pacio vectorial de E, existe un subespacio vectorial T de E tal que
E = S ⊕ T.
Se dice que T es el subespacio complementario de S en E.
E JEMPLO 4. En el espacio vectorial R3 considere los subespacios vectoriales
W1 = {( x, y, 0) ∈ R3 : x, y ∈ R } y W2 = {(0, 0, z) ∈ R3 : z ∈ R }.
Se tiene que W2 , es el subespacio vectorial complementario de W1 en R3 .
E JERCICIO 4. Sea W = ( a, b, c) ∈ R3 : a + b + c = 0 un subespacio vectorial de

3
R3 . Encuentre un subespacio vectorial U tal que:
R3 = W ⊕ U
T EOREMA 6
Sean ( E, +, ·, K ) un espacio vectorial de dimensión finita y S, T ⊆ E subespa-
cios vectoriales de E. Si E es la suma directa de S y T, entonces
dim( E) = dim(S) + dim( T ).
E JEMPLO 5. Considere el ejemplo 4, de acuerdo con el teorema anterior se verifica

que:
dim(R3 ) = dim(W1 ) + dim(W2 ).
En efecto, se puede verificar que:
dim(W1 ) = 2 y dim(W2 ) = 1.
Notemos además que W1 ∩ W2 = {0R3 }.
4
Semestre 2020-A Departamento de Formación Básica
4. E SPACIOS CON PRODUCTO INTERNO
4.1 Producto interno
D EFINICIÓN 1: Producto interno

Sea ( E, +, ·, K ) un espacio vectorial. Un producto interno sobre E es una fun-
ción
h·, ·i : E × E −→ K
(u, v) 7−→ hu, vi
tal que cumple:
1. hv, vi ≥ 0 para todo v ∈ E;
2. hv, vi = 0 si y solo si v = 0;
3. hu + v, wi = hu, wi + hv, wi para todo u, v, w ∈ E;
4. hαv, wi = α hv, wi para todo v, w ∈ E y α ∈ K.
5. hv, wi = hw, vi para todo v, w ∈ E.
En caso de tratarse de un espacio vectorial sobre el campo de los números

reales, la propiedad 5 equivale a
5. hv, wi = hw, vi para todo v, w ∈ E.
Se puede demostrar utilizando la propiedad 4 que
• si v = 0, entonces hv, vi = 0;
por lo cual, podríamos cambiar la propiedad 2 por
2. si hv, vi = 0, entonces v = 0
Si se define un producto interno sobre un espacio vectorial E, a este se lo

denomina espacio con producto interno o prehilbertiano.
1
E JEMPLO 1. En el espacio vectorial R1 [ x ] definimos a la función
h·, ·i : R1 [ x ] × R1 [ x ] → R
por
h p, qi = a0 b0 + 2a1 b1
para todo p( x ) = a0 + a1 x ∈ R1 [ x ] y todo q( x ) = b0 + b1 x ∈ R1 [ x ]. La función

h·, ·i es un producto interno.
Demostración. Sean p, q, r ∈ R1 [ x ] y sea α ∈ R.

1. Tenemos que p( x ) = a0 + a1 x, y que
h p, pi = a20 + 2a21 ≥ 0.
2. Se tiene que
h p, pi = 0 ⇐⇒ a20 + 2a21 = 0.
Lo cual se verifica si y solo si a0 = a1 = 0, o equivalentemente p( x ) = 0 + 0x.
3. Notemos que q( x ) = b0 + b1 x y r ( x ) = c0 + c1 x, entonces
h p + q, r i = ( a0 + b0 )c0 + 2( a1 + b1 )c1
= ( a0 c0 + 2a1 c1 ) + (b0 c0 + 2b1 c1 )
= h p, r i + hq, r i .
4. Tenemos que
hαp, qi = (αa0 )b0 + 2(αa1 )b1 = α( a0 b0 + 2a1 b1 ) = α h p, qi .
5. Se tiene que
h p, qi = a0 b0 + 2a1 b1 = b0 a0 + 2b1 a1 = hq, pi .
Por 1, 2, 3, 4 y 5 concluimos que h·, ·i es un producto interno.
E JERCICIO 1. En el espacio vectorial R2×2 se define a la función
h·, ·i : R2×2 × R2×2 → R
por
h A, Bi = a11 b11 + 2a12 b12 + 2a21 b21 + a22 b22
2
! !
a11 a12 b11 b12
para toda A = ∈ R2×2 y todo B = ∈ R2×2 . Determine si
a21 a22 b21 b22
h·, ·i es un producto interno.
A continuación, se indican los productos internos usuales en los espacios vec-

toriales que hemos trabajado durante el curso.
1. En (R n , +, ·, R ), para x, y ∈ R n :
n
h x, yi = ∑ xk yk .
k =1
2. En (C n , +, ·, C ), para x, y ∈ C n :
n
h x, yi = ∑ xk yk .
k =1
3. En (R n [ x ], +, ·, R ), para p( x ), q( x ) ∈ R n [ x ], si
p ( x ) = a0 + a1 x + · · · + a n x n y q( x ) = b0 + b1 x + · · · + bn x n
entonces
n
h p( x ), q( x )i = ∑ a k bk .
k =0
4. En (R n×n , +, ·, R ), para A, B ∈ R n×n :
h A, Bi = Tr( AB T ).
5. En (C([ a, b]), +, ·, R ), para f , g ∈ C([ a, b]):

Z b
h f , gi = f ( x ) g( x ) dx.
a
T EOREMA 1
Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno, entonces:
1. Para todo u, v, w ∈ E
hu, v + wi = hu, vi + hu, wi .
3
2. Para todo u, v ∈ E y α ∈ K
hu, αvi = α hu, vi .
3. Para todo u ∈ E
hu, 0i = h0, ui = 0.
En caso de tratarse de un espacio vectorial sobre el campo de los números

reales, la propiedad 2 del Teorema 1 implica
2. Para todo u, v ∈ E y α ∈ R
hu, αvi = α hu, vi
Demostración de la propiedad 2 del Teorema 1. Sean u, v ∈ E y α ∈ K, tenemos que
hu, αvi = hαv, ui

= α hv, ui
= αhv, ui
= α hu, vi .
Lo que muestra al enunciado.
E JERCICIO 2. Sea ( E, +, ·, R ) un espacio vectorial provisto de producto interno,

sean u, v, w ∈ E, demuestre que hu − v, v − wi = hv, u − vi + hw, v − ui .
D EFINICIÓN 2: Vectores ortogonales

Sean ( E, +, ·, K ) un espacio vectorial provisto de producto interno y u, v ∈ E.
Se dice que u y v son ortogonales si hu, vi = 0.
E JEMPLO 2. En el espacio vectorial R3 con el producto interno usual, los vectores

u = (1, 1, 2) y v = (2, 0, −1) son ortogonales. En efecto, notemos que
hu, vi = h(1, 1, 2), (2, 0, −1)i = (1)(2) + (1)(0) + (2)(−1) = 0.
E JERCICIO 3. En el espacio!vectorial R2×2!con producto interno usual, considere

−1 0 0 1
a los vectores A = yB= . Determine si A y B son ortogonales.
−1 0 1 1
4
D EFINICIÓN 3: Norma
Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno. Sea u ∈ E,
la norma de u, denotada por kuk, está definida por:
q
kuk = hu, ui .
E JEMPLO 3. En el espacio vectorial R3 considere el vector u = (2, 3, −4) y halle

su norma.
Considerando el producto interno se tiene que:

q √
kuk = h(2, 3, −4), (2, 3, −4)i = 29
!
0 2
E JERCICIO 4. En el espacio vectorial R 2×2 considere la matriz v = y
1 −1
halle su norma.
D EFINICIÓN 4: Distancia
Sea ( E, +, ·, K ) un espacio vectorial con producto interno. La distancia en el
espacio se define por
d : E × E −→ R
(u, v) 7−→ ku − vk.
E JEMPLO 4. En el espacio vectorial R3 con el producto interno usual se tiene que

la distancia en R3 es:
q
d(u, v) = ku − vk = (u1 − v1 )2 + (u2 − v2 )2 + (u3 − v3 )2
para todo u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) ∈ R3 .
E JERCICIO 5. En el espacio vectorial R2 [t] considere los vectores:
p(t) = 2 + t + 3t2
q(t) = t − 2t2
obtenga la distancia entre p y q.
5
4.1 Producto interno
T EOREMA 2: Teorema de Pitágoras

Sea ( E, +, ·, K ) un espacio vectorial con producto interno. Si u, v son vectores
ortogonales de E, entonces
k u + v k2 = k u k2 + k v k2 .
E JEMPLO 1. En el espacio vectorial R3 con el producto interno usual, los vectores

u = (1, 1, 2) y v = (2, 0, −1) son ortogonales y son tales que
k u + v k2 = k u k2 + k v k2 .
En efecto, por el ejemplo de vectores ortogonales, u y v son ortogonales y por el

ejemplo de norma, sus normas son tales que kuk2 = 6 y kvk2 = 5, además,
ku + vk2 = k(3, 1, 1)k2 = (3)2 + (1)2 + (1)2 = 11.
Lo que verifica el resultado.
T EOREMA 3: Desigualdad de Cauchy-Schwartz

Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno. Para todo
u, v ∈ E se cumple que
| hu, vi | ≤ kukkvk.
Esta desigualdad es una igualdad si y solo si u es un múltiplo escalar de v.
T EOREMA 4: Desigualdad triangular

Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno. Para todo
u, v ∈ E se cumple que
k u + v k ≤ k u k + k v k.
1
E JEMPLO 2. En el espacio vectorial R3 con producto interno, considere a los vec-

tores u = (1, 1, 2) y v = (2, 0, −1), verifiquemos los resultados de la desigualdad
de Cauchy-Schwartz y triangular.
Por los ejemplos de vectores ortogonales, norma y 1 tenemos que:
√ √ √
hu, vi = 0, kuk = 6, kvk = 5 y ku + vk = 11.
√ √ √
Finalmente, ya que 6+ 5 ≈ 4,6 y 11 ≈ 3,3 se sigue el resultado.
E JERCICIO 1. En el espacio
! vectorial R2!×2 con producto interno, considere a los
−1 0 0 1
vectores A = yB = , verifiquemos los resultados de la de-
−1 0 1 1
sigualdad de Cauchy-Schwartz y triangular.
D EFINICIÓN 2: Conjunto ortogonal

Sean ( E, +, ·, K ) un espacio vectorial con producto interno y
C = {v1 , v2 , . . . , vk } ⊆ E.
Se dice que C es un conjunto ortogonal en E si

vi , v j = 0
para todo i 6= j.
E JEMPLO 3. En el espacio vectorial R3 con el producto interno usual, el conjunto
C = {(1, 1, 1), (1, 0, −1), (−1, 2, −1)}
es un conjunto ortogonal. En efecto, notemos que
h(1, 1, 1), (1, 0, −1)i = (1)(1) + (1)(0) + (1)(−1) = 0,

h(1, 1, 1), (−1, 2, −1)i = (1)(−1) + (1)(2) + (1)(−1) = 0,
h(1, 0, −1), (−1, 2, −1)i = (1)(−1) + (0)(2) + (−1)(−1) = 0.
Luego, C es un conjunto ortogonal.
E JERCICIO 2. En el espacio vectorial R4 con el producto interno usual, demuestre

que el conjunto
C = {(1, 1, −2, 2), (0, 2, 2, 1), (0, −2, 1, 2)}
es ortogonal.
2
D EFINICIÓN 3: Conjunto ortonormal

Sean ( E, +, ·, K ) un espacio vectorial provisto de producto interno y
C = {v1 , v2 , . . . , vk } ⊆ E.
Se dice que C es un conjunto ortonormal en E si es ortogonal y
k vi k = 1
para todo i ∈ {1, . . . , k }.
E JEMPLO 4. En el espacio vectorial R3 con el producto interno usual, a partir del

conjunto ortogonal del ejemplo 3
C = {(1, 1, 1), (1, 0, −1), (−1, 2, −1)}
determinamos a un conjunto ortonormal. Para esto, calculamos las normas de los

vectores: p √
k(1, 1, 1)k = h(1, 1, 1), (1, 1, 1)i = 3
p √
k(1, 0, −1)k = h(1, 0, −1), (1, 0, −1)i = 2
p √
k(−1, 2, −1)k = h(−1, 2, −1), (−1, 2, −1)i = 6.
Luego, el conjunto ortonormal es

1 1 1
D = √ (1, 1, 1), √ (1, 0, −1), √ (−1, 2, −1) .
3 2 6
E JERCICIO 3. En el espacio vectorial R4 con el producto interno usual, dado el

conjunto ortogonal
C = {(1, 1, −2, 2), (0, 2, 2, 1), (0, −2, 1, 2)}
obtenga un conjunto ortonormal.
P ROPOSICIÓN 5. Sea ( E, +, ·, K ) un espacio vectorial provisto de producto

interno. Si {v1 , v2 , . . . , vk } es un conjunto ortonormal entonces
k α1 v1 + α2 v2 + . . . + α n v k k2 = | α1 |2 + | α2 |2 + . . . + | α k |2
donde α1 , α2 , . . . , αk ∈ K.
E JEMPLO 5. Considere el espacio y el conjunto ortonormal D del ejemplo 4, te-
3
√ √ √
nemos que si α1 = −2 3, α2 = 2, α3 = − 6, v1 = (1, 1, 1), v2 = (1, 0, −1) y
v3 = (−1, 2, −1), entonces
α1 v1 + α2 v2 + α3 v3 = (0, −4, −2).
Aplicando la definición de norma:
kα1 v1 + α2 v2 + α3 v3 k2 = k (0, −4, −2) k2 = 20. (1)
Además, se tiene que:

√ √ √
|α1 |2 + |α2 |2 + |α3 |2 = (−2 3)2 + ( 2)2 + (− 6)2 = 20. (2)
Finalmente, a partir de (1) y de (2) se comprueba la Proposición 5.
C OROLARIO 6. Sea ( E, +, ·, K ) un espacio vectorial provisto de producto in-

terno. Si C ⊆ E es un conjunto ortogonal de vectores no nulos, entonces C es
linealmente independiente.
E JEMPLO 6. Considere el espacio y el conjunto del ejemplo 4, tenemos que C ⊆ R4

es un conjunto linealmente independiente.
4
Á LGEBRA L INEAL • SE MANA 09 C LASE 02
4.2 Bases ortogonales y ortonormales
D EFINICIÓN 1: Base ortogonal (ortonormal)

En un espacio vectorial con producto interno, una base ortogonal (ortonor-
mal) es una base cuyos vectores forman un conjunto ortogonal (ortonormal).
T EOREMA 1
Sea ( E, +, ·, K ) un espacio vectorial provisto de producto interno y sea
{u1 , u2 , . . . , un } una base ortogonal para E; entonces, para todo v ∈ E :
v = α1 u1 + α2 u2 + · · · + α n u n
donde:
hv, uk i
αk =
huk , uk i
para todo k ∈ {1, 2, . . . , n}.
E JEMPLO 1. En el espacio vectorial R2 con el producto

interno usual, conside-
1 1
ramos la base ortogonal {u1 , u2 } = (1, 1), ,− . Sea v = (1, 2), tenemos
2 2
que
hv, u1 i 3 hv, u2 i
α1 = = y α2 = = −1
h u1 , u1 i 2 h u2 , u2 i
de lo cual
3 1 1
v= (1, 1) − ,− .
2 2 2
T EOREMA 2
{u1 , u2 , . . . , un } una base ortonormal para E; entonces, para todo v ∈ E :
v = α1 u1 + α2 u2 + · · · + α n u n
1
Departamento de Formación Básica SEmana 09 Clase 02
donde:
αk = hv, uk i
para todo k ∈ {1, 2, . . . , n}.
T EOREMA 3: Proceso de Gram-Schmidt

S = {u1 , u2 , . . . , un } un conjunto linealmente independiente que genera a un
subespacio W, es decir, W = gen(S). Entonces, los vectores:
1. v1 = u1 , y
k −1
h u k , vi i
2. vk = uk − ∑ h vi , vi i i
v , para k = 2, . . . , n
i =1
forman una base ortogonal {v1 , v2 , . . . , vn } de W.

Además, los vectores:
v
wk = k
kvk k
para k = 1, . . . , n forman una base ortonormal {w1 , w2 , . . . , wn } de W.
E JEMPLO 2. En el espacio vectorial R4 consideremos al conjunto linealmente in-

dependiente
S = {u1 , u2 , u3 } = {(1, 0, 0, 0), (0, 2, 2, 0), (0, 3, 3, −3)}
y el subespacio W = gen(S). Utilizando el Proceso de Gram-Schmidt, obtenemos

una base ortogonal de W:
{v1 , v2 , v3 } = {(1, 0, 0, 0), (0, 2, 2, 0), (0, 0, 0, −3)}
Además, al dividir estos vectores para sus respectivas normas, obtenemos una
base ortonormal de W:
( √ √ ! )
2 2
{w1 , w2 , w3 } = (1, 0, 0, 0), 0, , , 0 , (0, 0, 0, −1) .
2 2
T EOREMA 4
Todo espacio vectorial de dimensión finita tiene una base ortogonal y una
base ortonormal.
2
SEmana 09 Clase 02 Departamento de Formación Básica
E JEMPLO 3. Considere la base S = {u1 , u2 , u3 } de R3 , donde
u1 = (1, 1, 0), u2 = (0, 1, 1), u3 = (1, 0, 1)
mediante el proceso de Gram-Schmidt, se obtiene la base ortonormal T = {w1 , w2 , w2 }

para R3 donde
√ √ ! √ √ √ ! √ √ √ !
2 2 6 6 6 3 3 3
w1 = , ,0 , w2 = − , , , w3 = ,− , .
2 2 6 6 3 3 3 3
3
Á LGEBRA L INEAL • S EMANA 11 C LASES 01 Y 02
4.3 Complemento ortogonal
D EFINICIÓN 1: Complemento ortogonal

Sean ( E, +, ·, K ) un espacio vectorial provisto de producto interno y W un
subespacio de E. El complemento ortogonal de W, denotado por W ⊥ , se de-
fine por:
W ⊥ = { x ∈ E : h x, wi = 0, para todo w ∈ W }.
E JEMPLO 1. En el espacio vectorial R1 [ x ] con el producto interno usual, considere

el subespacio W = gen({1 + 2x }), su complemento ortogonal es
W ⊥ = { a0 + a1 x ∈ R1 [ x ] : a0 + 2a1 = 0} = span({−2 + x }).
E JEMPLO 2. En el espacio vectorial R2×2 con el producto interno usual, conside-

remos al subespacio vectorial
( ! )
a −a
W= : a, b ∈ R
a b
su complemento ortogonal es
( ! )
⊥ a a+c
W = : a, c ∈ R .
c 0
P ROPOSICIÓN 1. Sean ( E, +, ·, K ) un espacio vectorial provisto de producto

interno , W ⊆ E un subespacio vectorial de E de dimensión finita y B una
base de W, se tiene que
W ⊥ = { x ∈ E : h x, wi i = 0, para todo wi ∈ B}.
E JEMPLO 3. Considere el ejemplo 2, tenemos que

( ! !)
1 −1 0 0
B= ,
1 0 0 1
1
Departamento de Formación Básica Semana 11 Clases 01 y 02
es una base de W, entonces

( ! * ! !+ * ! !+ )
a b a b 1 − 1 a b 0 0
W⊥ = ∈ R 2×2 : , = 0, , =0
c d c d 1 0 c d 0 1
( ! ! ! )
a b 2×2 a + c −a 0 c
= ∈R : Tr = 0, Tr =0
c d b + d −b 0 d
( ! )
a b 2×2
= ∈R : a − b + c = 0, d = 0
c d
( ! )
a b 2×2
= ∈R : b = a + c = 0, d = 0
c d
( ! )
a a+c 2×2
= ∈R : a, c ∈ R .
c 0
T EOREMA 2
Sean ( E, +, ·, K ) un espacio vectorial provisto de producto interno y W subes-
pacio vectorial de E, entonces:
1. W ⊥ es un subespacio vectorial de E.
2. W ∩ W ⊥ = {0E }.
T EOREMA 3
Sean ( E, +, ·, K ) un espacio vectorial de dimensión finita con producto in-
terno y W un subespacio vectorial de E, entonces:
1. dim( E) = dim(W ) + dim(W ⊥ ).
2. E = W ⊕ W ⊥ .
E JEMPLO 4. En el espacio vectorial R1 [ x ] se define al subespacio vectorial W =

gen({1 + 2x }), se tiene que una base de W es B1 = {1 + 2x }, y una base de su
complemento ortogonal W ⊥ está dada por B2 = {−2 + x }, entonces:
dim(R1 [ x ]) = dim(W ) + dim(W ⊥ ) y R1 [ x ] = W ⊕ W ⊥ .
E JEMPLO 5. Considere el ejemplo 3, al aplicar el teorema 13 se concluye que:
R 2×2 = W ⊕ W ⊥ .
2
Semana 11 Clases 01 y 02 Departamento de Formación Básica
T EOREMA 4
Sean ( E, +, ·, K ) un espacio vectorial de dimensión finita provisto de produc-
to interno y W un subespacio vectorial de E, entonces
⊥
W⊥ = W.
D EFINICIÓN 2: Proyección ortogonal

Sean ( E, +, ·, K ) un espacio vectorial con producto interno, W un subespacio
vectorial de E y {u1 , u2 , . . . , uk } una base ortogonal de W. Para v ∈ E, la
proyección ortogonal de v sobre W, denotado por proyW (v), se define por:
hv, u1 i hv, u2 i hv, uk i

proyW (v) = u + u2 + · · · + u ,
h u1 , u1 i 1 h u2 , u2 i huk , uk i k
donde proyW (v) ∈ W.
E JEMPLO 6. En el espacio vectorial R3 considere a B = {u1 , u2 } una base ortonor-

mal de un subespacio W de R3 , donde
√ √ ! √ √ √ !
2 2 6 6 6
u1 = , ,0 y u2 = − , ,
2 2 6 6 3
y sea v = (1, 1, 1), entonces
proyW (v) = hv, u1 i u1 + hv, u2 i u2

* √ √ !+ √ √ !
2 2 2 2
= (1, 1, 1), , ,0 , ,0 +
2 2 2 2
* √ √ √ !+ √ √ √ !
6 6 6 6 6 6
(1, 1, 1), − , , − , ,
6 6 3 6 6 3
√ √ ! √ √ √ √ !
√ 2 2 6 6 6 6
= 2 , ,0 + − , ,
2 2 3 6 6 3

1 1 2
= (1, 1, 0) + − , ,
3 3 3

2 4 2
= , ,
3 3 3
donde proyW (v) ∈ W = {( x1 , x2 , x3 ) ∈ R3 : x1 − x2 + x3 = 0}.
3
Departamento de Formación Básica Semana 11 Clases 01 y 02
T EOREMA 5: Teorema de la proyección

to interno, W un subespacio vectorial de E y v ∈ E. Se tiene que
v = proyW (v) + proyW ⊥ (v).
E JEMPLO 7. Considere el ejemplo 6, se puede encontrar directamente la proyec-

ción ortogonal de v sobre W ⊥ , aplicando el teorema 5:
proyW ⊥ (v) = v − proyW (v)

2 4 2
= (1, 1, 1) − , ,
3 3 3

1 1 1
= ,− ,
3 3 3
sin necesidad de determinar previamente que:
W ⊥ = {( x1 , x2 , x3 ) ∈ R3 : x1 + x2 = 0, x2 + x3 = 0}.
T EOREMA 6
to interno, W un subespacio vectorial de E y v ∈ E. Se tiene que el vector en
W más cercano a v es proyW (v), es decir,
kv − wk es mínima cuando w = proyW (v).
Equivale a afirmar que, para todo w ∈ W se verifica la desigualdad:
kv − proyW (v)k ≤ kv − wk,
y se cumple la igualdad solo en el caso en que w = proyW (v).
E JEMPLO 8. Considere el ejemplo 6, se tiene que tomando w = proyW (v) el valor

√
3
de kv − wk = k proyW ⊥ (v)k = es la distancia mínima de v = (1, 1, 1) a
3
3
W = {( x1 , x2 , x3 ) ∈ R : x1 − x2 + x3 = 0}.
4
Á LGEBRA L INEAL • SEMANA 12 CLASE 01
5. A PLICACIONES LINEALES
5.1 Definición de Aplicación lineal
D EFINICIÓN 1: Aplicación lineal

Sean ( E, +1 , ·1 , K ) y ( F, +2 , ·2 , K ) espacios vectoriales. A una función
T : E → F se le llama aplicación lineal (transformación lineal) si para todo
α ∈ K, y todo u, v ∈ E se cumple:
1. T (u +1 v) = T (u) +2 T (v) y
2. T (α ·1 v) = α ·2 T (v).
O BSERVACIÓN 1. En adelante, consideraremos ( E, +, ·, K ) y ( F, +, ·, K ) espacios

vectoriales, ya que, si bien se están notando de la misma manera las operacio-
nes suma y producto de los dos espacios vectoriales, estamos claros que no tiene
por qué ser así. Con esto conseguimos simplificar la escritura de la definición de
aplicación lineal.
Se denotará
1. T (u + v) = T (u) + T (v) y
2. T (αv) = αT (v),
para α ∈ K y u, v ∈ E.
O BSERVACIÓN 2. Al conjunto de todas las aplicaciones lineales del espacio vecto-

rial E en el espacio vectorial F, lo designaremos por L( E, F ).
E JEMPLO 1. Las siguientes funciones, son ejemplos de transformaciones lineales.
1.
T : E −→ E
v 7−→ 0E
2.
T : E −→ E
v 7−→ v
1
Departamento de Formación Básica SEMANA 12 CLASE 01
3.
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
4.
T : R2 −→ R3
( x, y) 7−→ ( x − y, 2y, x + y)
5.
T: R3 −→ R3
( x, y, z) 7−→ ( x + y, y + z, x )
6.
T : R2 −→ R2×2 !
x + 2y 2x
( x, y) 7−→
0 x−y
7.
T: R3 −→ R2 [t]
( a, b, c) 7−→ a + ( a − b)t + ct2
8.
D : C 1 ([0, 1]) −→ C([0, 1])
f 7−→ D f
9.
I : C([0, 1]) −→ R
Z 1
f 7−→ f ( x ) dx
0
E JEMPLO 2. En la aplicación lineal
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
se tiene que
T (0, 0, 0) = (0, 0) y T (−1, 2, 3) = (−7, −1).
E JERCICIO 1. Dada la aplicación lineal
T: R3 −→ R2 [t]
( a, b, c) 7−→ a + ( a − b)t + ct2
Hallar T (0, 0, 0), T (1, −2, 3) y T (0, −6, 1).
2
SEMANA 12 CLASE 01 Departamento de Formación Básica
E JEMPLO 3. Demostremos que la aplicación definida en el Ejemplo 1 literal 1, es

lineal. En efecto:
1. Sean u, v ∈ E, de la definición de T, se sigue que:
T (u + v) = 0E
= 0E + 0E , propiedad del elemento neutro
= T (u) + T (v)
2. Sea u ∈ E y α ∈ K, de la definición de T, se sigue que:
T (αu) = 0E
= α · 0E , propiedad: α · 0E = 0E
= αT (u).
De 1 y 2 se tiene que T es una aplicación lineal.
E JERCICIO 2. Demuestre que la siguiente función es una aplicación lineal:
T: R3 −→ R2
.
( x, y, z) 7−→ ( x − 2z, y − z)
T EOREMA 1
Sea T ∈ L( E, F ). Para todo u, v, v1 , v2 , . . . , vn ∈ E y α1 , α2 , . . . , αn ∈ K, se tiene
que:
1. T (0E ) = 0F .
2. T (u − v) = T (u) − T (v).
!
n n
3. T ∑ αk vk = ∑ α k T ( v k ).
k =1 k =1
T EOREMA 2
(L( E, F ), +, ·, K ) es un espacio vectorial. Siendo + la suma usual entre fun-
ciones y · la multiplicación de un elemento del campo por una función.
5.2 Propiedades de las aplicaciones lineales
3
P ROPOSICIÓN 3. Sean T1 , T2 ∈ L( E, F ) y B = {v1 , v2 , . . . , vn } una base para

E. Si
T1 (vi ) = T2 (vi )
para todo i ∈ {1, 2, . . . , n}, entonces T1 (v) = T2 (v), para todo v ∈ E, es decir,
T1 = T2 .
P ROPOSICIÓN 4. Si {v1 , v2 , . . . , vn } es una base del espacio vectorial E y

{ w1 , w2 , . . . , wn } ⊆ F, entonces existe una única transformación lineal
T ∈ L( E, F ) tal que
T ( v i ) = wi
para todo i ∈ {1, 2, . . . , n}.
P ROPOSICIÓN 5. Sean T ∈ L( E, F ) y {u1 , u2 , . . . , un } una base del espacio

vectorial E. Si T (u1 ), T (u2 ), . . . , T (un ) se conocen, entonces T está determina-
da.
O BSERVACIÓN 3. Una aplicación lineal está determinada cuando se conocen las

imágenes de los vectores de una base del espacio vectorial de salida. Para encon-
trar la aplicación lineal de manera explícita, se debe hallar la imagen del elemento
genérico del espacio vectorial de salida.
E JEMPLO 4. Sean T ∈ L(R2 , R3 ), B = {(1, −1), (−3, 2)} una base de R2 , T (1, −1) =
(0, 2, 0) y T (−3, 2) = (−3, 2, 0).
1. ¿La aplicación lineal, T está determinada?.

Dado que B es una base del espacio vectorial de salida R2 y se conocen las
imágenes de los vectores de la base, entonces T está determinada.
2. La aplicación lineal de manera explícta es
T ( x, y) = (3x + 3y, −6x − 8y, 0), para todo( x, y) ∈ R2 .
En efecto, sean ( x, y) ∈ R2 y α1 , α2 ∈ K. Como B es una base de R2 se tiene

que:
( x, y) = α1 (1, −1) + α2 (−3, 2)

= (α1 − 3α2 , −α1 + 2α2 ).
4
Al igualar ambos vectores, se obtiene el siguiente sistema de ecuaciones li-

neales, en las incógnitas α1 y α2 :
α1 − 3α2 = x
−α1 + 2α2 = y.
La matriz ampliada de este sistema es:

! !
1 −3 | x 1 −3 | x
( A|b) = ∼ , F2 → F1 + F2 .
−1 2 | y 0 −1 | x+y
Como rang( A|b) = rang( A) = 2 es igual número de incógnitas, por el Teo-

rema de Rouché-Frobenius, el sistema tiene solución única dada por α2 =
−( x + y) y α1 = x + 3α2 = x − 3( x + y) = −2x − 3y.
De donde
( x, y) = α1 (1, −1) + α2 (−3, 2)

= (−2x − 3y)(1, −1) − ( x + y)(−3, 2). (1)
Al aplicar la transformación T a la ecuación (1) y de la definición de aplica-

ción lineal, se sigue que
T ( x, y) = (−2x − 3y) T (1, −1) − ( x + y) T (−3, 2)

= (−2x − 3y)(0, 2, 0) − ( x + y)(−3, 2, 0)
= (0, −4x − 6y, 0) + (3x + 3y, −2x − 2y, 0)
= (3x + 3y, −6x − 8y, 0)
para todo ( x, y) ∈ R2 .
!
1 0
E JERCICIO 3. Determine de manera explícita T ∈ L(R2×2 , R3 ) tal que T =
0 0
! ! !
0 1 0 0 0 0
(1, 0, 0), T = (1, 0, 0), T = (0, 0, 0), T = (1, −1, 1).
0 0 1 0 0 1
5.3 Núcleo e imagen
D EFINICIÓN 2: Núcleo e imagen de una aplicación lineal

Sea T ∈ L( E, F ).
5
1. El núcleo de T, denotado por ker( T ), está definida por:
ker( T ) = {v ∈ E : T (v) = 0F }.
2. La imagen de T, denotada por img( T ), está definida por:
img( T ) = {w ∈ F : w = T (v) para algún v ∈ E}.
P ROPOSICIÓN 6. Sea T ∈ L( E, F ), entonces
1. ker( T ) es un subespacio vectorial del espacio vectorial E.
2. img( T ) es un subespacio vectorial del espacio vectorial F.
E JEMPLO 5. Sea T ∈ L(R3 , R2 ) definida por T ( x, y, z) = ( x − 2z, y − z) para todo

( x, y, z) ∈ R3 , entonces
n o
ker( T ) = ( x, y, z) ∈ R3 : T ( x, y, z) = (0, 0)
n o
= ( x, y, z) ∈ R3 : ( x − 2z, y − z) = (0, 0)
n o
= ( x, y, z) ∈ R3 : x = 2z, y = z
n o
= (2z, z, z) ∈ R3 : z ∈ R
y
n o
img( T ) = (u, v) ∈ R2 : T ( x, y, z) = (u, v), para algún ( x, y, z) ∈ R3
n o
= (u, v) ∈ R2 : ( x − 2z, y − z) = (u, v), con x, y, z ∈ R
n o
= (u, v) ∈ R2 : x − 2z = u, y − z = v, con x, y, z ∈ R .
Ahora, sea (u, v) ∈ R2 , tenemos que (u, v) ∈ img( T ) si y solo si se verifica el

sistema ecuaciones lineales en las incógnitas x, y y z:
(
x − 2z = u
y − z = v.
con x, y, z ∈ R, cuya matriz ampliada es

!
1 0 −2 u
.
0 1 −1 v
6
Como rang( A|b) = rang( A) = 2, por el Teorema de Rouché-Frobenius, el sistema

es consistente para todo u y v ∈ R. Por lo tanto:
img( T ) = R2 .
E JERCICIO 4. Considere la aplicación lineal T ∈ L(R2×2 , R2 ) definida por

!
a b
T = ( a + b, −d)
c d
!
a b
para todo ∈ R2×2 . Determine el ker( T ) y la img( T ).
c d
7
P ROPOSICIÓN 1. Sea T ∈ L( E, F ).
1. T es inyectiva si y solo si ker( T ) = {0E }.
2. T es sobreyectiva si y solo si img( T ) = F.
O BSERVACIÓN 1. Dado que la img( T ) ⊆ F, si dim(img( T )) = dim( F ), entonces

img( T ) = F, por lo tanto T es sobreyectiva.
E JEMPLO 1. En la aplicación lineal
T: R3 −→ R2
( x, y, z) 7−→ ( x − 2z, y − z)
El ker( T ) = (2z, z, z) ∈ R3 : z ∈ R 6= {0R3 }. Por lo tanto, T no es inyectiva.

Además, img( T ) = R2 , luego, T es sobreyectiva.
E JERCICIO 1. Dada la aplicación lineal
T: R2 −→ R3
( x, y) 7−→ ( x − y, 2x, x + z)
Indique si la aplicación lineal es:
a) Inyectiva.
b) Sobreyectiva.
D EFINICIÓN 1: Nulidad y rango de una aplicación lineal

Sea T ∈ L( E, F ).
1. Se llama nulidad de T a la dim(ker( T )).
2. Se llama rango de T a la dim(img( T )).
1
E JEMPLO 2. Considerando la aplicación lineal del Ejemplo 1, se tiene que

n o
ker( T ) = (2z, z, z) ∈ R3 : z ∈ R
n o
= z(2, 1, 1) ∈ R3 : z ∈ R .
Una base del ker( T ) es Bker(T ) = {(2, 1, 1)}, de donde dim(ker( T )) = 1. Por lo
tanto, la nulidad de T es igual a 1.
Por otro lado, como img( T ) = R2 , entonces dim(img( T )) = dim(R2 ) = 2. Así, el
rango de T es igual a 2.
E JERCICIO 2. Del Ejercicio 1, indique:
a) La nulidad de T.
b) El rango de T.
T EOREMA 2
Si T ∈ L( E, F ) y la dimensión del espacio vectorial E es finita, entonces
dim( E) = dim(ker( T )) + dim(img( T )).
E JEMPLO 3. Considerando la aplicación lineal del Ejemplo 1 y los resultados del

Ejemplo 2, se tiene que dim(ker( T )) = 1 y que dim(img( T )) = 2, a partir de lo
cual se verifica que
dim(R3 ) = dim(ker( T )) + dim(img( T )).
P ROPOSICIÓN 3. Sean T ∈ L( E, F ) y E un espacio vectorial de dimensión

finita. Si dim( E) = dim( F ), entonces los siguientes enunciados son equiva-
lentes
• T es inyectiva,
• T es sobreyectiva.
Demostración. Vamos a demostrar que si T es sobreyectiva, entonces T es inyec-

tiva sabiendo que dim( E) = dim( F ). En efecto, dado que T es sobreyectiva, en-
tonces img( T ) = F, por lo tanto dim(img( T )) = dim( F ). Además, dim( E) =
dim(ker( T )) + dim(img( T )), de donde, dim(ker( T )) = 0, por lo tanto ker( T ) =
{0E }, quedando demostrado que T es inyectiva.
2
E JERCICIO 3. Demostrar que si T es inyectiva, entonces T es sobreyectiva sabien-

do que dim( E) = dim( F ).
T EOREMA 4
Sean T ∈ L( E, F ), dim( E) = n y dim( F ) = m. Si:
1. n > m, entonces T no es inyectiva.
2. m > n, entonces T no es sobreyectiva.
E JEMPLO 4. La aplicación
T: R3 −→ R2
( x, y, z) 7−→ ( x, y)
no es inyectiva, pues dim(R3 ) > dim(R2 ).
E JEMPLO 5. La aplicación
T: R2 −→ R2×2 !
x 0
( x, y) 7−→
0 y
no es sobreyectiva, pues dim(R2×2 ) > dim(R2 ).
5.4 Isomorfismos
D EFINICIÓN 2: Isomorfismo
Sea T ∈ L( E, F ). Se dice que T es un isomorfismo de E en F si T es biyectiva.
E JEMPLO 6.
1. Sea T1 : R2 → R2 una aplicación lineal biyectiva definida por T1 ( x, y) =

( x − y, 2x − y). Se tiene que T1 es un isomorfismo.
2. Sea T2 : R2 → R2 una aplicación lineal que no es biyectiva definida por

T2 ( x, y) = ( x + y, 2x + 2y). Se tiene que T2 no es un isomorfismo.
3
D EFINICIÓN 3: Espacios isomorfos

Los espacios vectoriales ( E, +, ·, K ) y ( F, +, ·, K ) se dicen isomorfos si existe
un isomorfismo T de E en F; se lo denota por E ∼ = F.
T EOREMA 5
Si T ∈ L( E, F ) es un isomorfismo y:
1. {v1 , v2 , . . . , vn } genera a E, entonces
{ T (v1 ), T (v2 ), . . . , T (vn )}
genera a F;
2. {v1 , v2 , . . . , vn } es linealmente independiente en E, entonces
{ T (v1 ), T (v2 ), . . . , T (vn )}
es linealmente independientes en F;
3. {v1 , v2 , . . . , vn } es una base de E, entonces
{ T (v1 ), T (v2 ), . . . , T (vn )}
es una base de F;
4. E es de dimensión finita, entonces F es de dimensión finita y
dim( E) = dim( F ).
T EOREMA 6
Si ( E, +, ·, R ) y ( F, +, ·, R ) son espacios vectoriales de dimensión finita n, en-
tonces E ∼ = F.
E JEMPLO 7.
1. R m×n ∼
= R mn , con m, n ∈ N ∗ .
2. Pn [ x ] ∼
= R n+1 , con n ∈ N ∗ .
5.5 Vector de coordenadas
4
D EFINICIÓN 4: Base ordenada

Sean ( E, +, ·, K ) un espacio vectorial y B una base del espacio vectorial E. Si
B es una sucesión, es decir,
B = { v1 , v2 , . . . , v n },
se la llama base ordenada.
D EFINICIÓN 5: Vector de coordenadas

Sean ( E, +, ·, K ) un espacio vectorial, B = {v1 , v2 , . . . , vn } una base ordenada
del espacio vectorial E y u ∈ E. El vector de componentes de u en la base B
es:  
α1
 α2 
 
[u] B =  .. 

 . 
αn
donde
u = α1 v1 + α2 v2 + . . . + α n v n
con αi ∈ K para todo i ∈ {1, . . . , n}.
En la literatura, también se puede encontrar la definición anterior bajo el

nombre de vector de componentes.
E JEMPLO 8. Considere el espacio vectorial R3 . Sea B1 = {(2, 0, 1), (1, 2, 0), (1, 1, 1)}
una base ordenada de R3 , para hallar las coordenadas del vector v = (4, −9, 5) en
la base B1 , realizamos la combinación lineal
v = (4, −9, 5) = α(2, 0, 1) + β(1, 2, 0) + γ(1, 1, 1)
de donde α = 4, β = −5 y γ = 1, entonces las coordenadas del vector v =

(4, −9, 5) en la base B1 es  
4
[v] B1 = −5
 
1
puesto que
v = (4, −9, 5) = 4(2, 0, 1) − 5(1, 2, 0) + (1, 1, 1)
E JEMPLO 9. Considere el espacio vectorial R1 [ x ], sea C = {1, x } la base canónica
5
de R1 [ x ], entonces las coordenadas del vector p( x ) = −3 + 2x en la base C son

!
−3
[ p( x )]C =
2
puesto que p( x ) = −3 + 2x = −3(1) + 2( x )
E JERCICIO 4. Considere el espacio vectorial R3 hallar el vector de coordenadas

u = (−6, 2, 4):
1. En la base canónica C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
2. En la base B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
6
Á LGEBRA L INEAL • SEMANA 13
5.1 Matriz asociada
En adelante, consideraremos que la dimensión del espacio vectorial E es n y la

dimensión del espacio vectorial F es m. Además, cuando se haga referencia a una
base, ésta se asumirá que es ordenada.
T EOREMA 1
Si ( E, +, ·, K ) y ( F, +, ·, K ) son espacios vectoriales, entonces L( E, F ) es iso-
morfo a K m×n .
D EFINICIÓN 1
Sean T ∈ L( E, F ), B1 = {v1 , . . . , vn } y B2 = {u1 , . . . , um } bases de los espacios
vectoriales E y F respectivamente. La matriz asociada a la aplicación lineal
B
T en las bases B1 y B2 , que se denota por [ T ] B12 , es aquella cuya j− ésima
columna es [ T (v j )] B2 . Es decir,

[ T ] BB12 = [ T (v1 )] B2 ··· [ T (vn )] B2
E JEMPLO 1. Para T ∈ L(R3 , R2 ) definida por T ( x, y, z) = ( x + y, y − z), sean

B1 = {(1, 0, 1), (0, 1, 1), (1, 1, 1)} y B2 = {(1, 2), (−1, 1)} bases de los espacios vec-
B
toriales R3 y R2 ; vamos a calcular [ T ] B12 .

B
Como [ T ] B12 = [ T (1, 0, 1)] B2 [ T (0, 1, 1)] B2 [ T (1, 1, 1)] B2 primero calcularemos
las imágenes de la base de salida y luego los vectores de coordenadas en la base
de llegada.
Las imágenes de los elementos de la base de salida son:
T (1, 0, 1) = (1, −1), T (0, 1, 1) = (1, 0) y T (1, 1, 1) = (2, 0).
Ahora, a estas imágenes las expresamos como combinación lineal de los elementos
de la base de llegada, tenemos:
(1, −1) = 0(1, 2) + (−1)(−1, 1),
1
Departamento de Formación Básica SEMANA 13

1 2
(1, 0) = (1, 2) + − (−1, 1) y
3 3

2 4
(2, 0) = (1, 2) + − (−1, 1).
3 3
Entonces los vectores de coordenadas son:

2
   
! 1
0
[ T (1, 0, 1)] B2 = , [ T (0, 1, 1)] B2 =  32  y [ T (1, 1, 1)] B2 =  34  .
   
−1 − −
3 3
Por la definición, estos vectores son las columnas de la matriz asociada. Es decir,
 
1 2
 0
[ T ] BB12 =  3
2
3 
4 .
−1 − −
3 3
O BSERVACIÓN 1. Otra posibilidad de calcular los vectores de coordenadas, para
no resolver varias veces sistemas de ecuaciones muy parecidos es: encontrar el
vector de coordenadas del vector genérico del espacio vectorial de llegada (en el
ejemplo anterior R2 ) y luego reemplazar las imágenes de la base de salida.
El vector genérico expresado como combinación lineal de los elementos de una
base se llama ecuación generadora.
En caso de no existir riesgo de confusión en las bases que se utiliza, se nota

simplemente [ T ] a la matriz asociada a la aplicación lineal T.
P ROPOSICIÓN 2. Sean T ∈ L( E, F ), v ∈ E, B1 = {v1 , v2 , . . . , vn } y B2 =

{u1 , u2 , . . . , um } bases de los espacios vectoriales E y F, respectivamente, en-
tonces
[ T (v)] B2 = [ T ] BB12 [v] B1 .
P ROPOSICIÓN 3. Sean T ∈ L( E, F ), B1 = {v1 , . . . , vn } y B2 = {u1 , . . . , um }

bases de los espacios vectoriales E y F, respectivamente. T es biyectiva si y
B
solo si [ T ] B12 es invertible.
2
SEMANA 13 Departamento de Formación Básica
T EOREMA 4
Sean E, F y G son espacios vectoriales de dimensión finita sobre el mismo
campo K. Sean B1 , B2 y B3 bases de los espacios vectoriales E, F y G, respec-
tivamente. Si T1 ∈ L( E, F ) y T2 ∈ L( F, G ), entonces
[ T2 ◦ T1 ] BB13 = [ T2 ] BB23 [ T1 ] BB12 .
T EOREMA 5
Sean E y F son espacios vectoriales sobre el mismo campo K, B1 y B2 bases de
los espacios vectoriales E y F, respectivamente y sea T ∈ L( E, F ) biyectiva,
entonces −1
[ T ] BB12 = [ T −1 ] BB21 .
3
5.1 Matriz de cambio de base
D EFINICIÓN 1: Matriz de cambio de base

Sean E un espacio vectorial sobre el cuerpo K, B1 y B2 bases del espacio vec-
torial E. A la matriz asociada a la aplicación lineal identidad en las bases B1
de salida y B2 de llegada se le llama matriz de cambio de base de la base B1 a
la base B2 .
P ROPOSICIÓN 1. Sean E un espacio vectorial de dimensión finita, B1 y B2

bases del espacio vectorial E. Si v ∈ E, entonces
[v] B2 = [ I ] BB12 [v] B1 .
En la literatura, también se puede encontrar la definición anterior bajo el

nombre de matriz de transición y se utiliza también la notación PB2 ← B1 .
E JEMPLO 1. Una matriz de cambio de base en el espacio vectorial R1 [t].

B
Para obtener a la matriz de cambio de base [ I ] B12 , sean
B1 = {1 + t, 2 − t} y B2 = {t, 1 − t}
dos bases para el espacio vectorial R1 [t].

Primero, calculemos las imágenes de la base de salida, tenemos:
I (1 + t ) = 1 + t y I (2 − t) = 2 − t.
Segundo, encontremos los respectivos vectores de coordenadas en la base B2 de

estas imágenes. Para no resolver dos sistemas de ecuaciones ”muy parecidos”,
vamos a expresar al vector genérico de R1 [t] como una combinación lineal de los
elementos de la base B2 . Es decir, hay que calcular los valores de α y β tales que
a + bt = α(t) + β(1 − t).
1
Resolviendo el sistema de ecuaciones se tiene que
α = a+b y β = a.
Por ende
a + bt = ( a + b)t + a(1 − t)
o lo que es lo mismo !
a+b
[ a + bt] B2 = .
a
Para determinar los vectores de coordenadas de las imágenes de la base de salida,

reemplazamos los valores de a y b, tenemos:
! !
2 1
[1 + t] B2 = y [2 − t] B2 = .
1 2
Finalmente !
2 1
[ I ] BB12 = .
1 2
T EOREMA 2
Si B1 y B2 son bases del espacio vectorial E, entonces
−1
[ I ] BB21 = [ I ] BB12 .
E JEMPLO 2. Usando las mismas bases del ejemplo 1, calcular la [ I ] BB21 .

B
Como ya conocemos a [ I ] B12 , usamos el teorema.
!
−1 1 2 −1
[ I ] BB21 = [ I ] BB12 = .
3 −1 2
T EOREMA 3
Si B1 y B2 son bases del espacio vectorial E; D1 y D2 bases del espacio vecto-
rial F y T ∈ L( E, F ), entonces
[ T ] BD22 = [ I ] D1 B1 B2
D2 [ T ] D1 [ I ] B1 .
2
C OROLARIO 4. Si B1 y B2 son bases del espacio vectorial E y T ∈ L( E, E),

entonces
[ T ] BB22 = [ I ] BB12 [ T ] BB11 [ I ] BB21 .
E JERCICIO 1. Sea f : R2 → R3 una aplicación lineal de R2 en R3 , sean
B1 = {(1, 0), (0, 1)} y B2 = {(1, −1), (0, 1)}
bases de R2 ,
D1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y D2 = {(1, 1, 0), (0, 1, 1), (1, −1, 1)}
bases de R3 y sea  
1 1
[ f ] BD11 = 1 −1 .
 
1 2
Obtenga a [ f ] BD22 .
Sean B1 , B2 y C bases de E, donde C es la base canónica de E. Entonces:
[ I ] BB21 = [ I ]CB1 [ I ]CC [ I ]CB2

= [ I ]CB1 [ I ]CB2
−1
= [ I ]CB1 [ I ]CB2 .
6. VALORES Y VECTORES PROPIOS
6.1 Valores y vectores propios
En esta sección tomaremos n ∈ N, con n > 0 y a E un espacio vectorial sobre

el campo K.
D EFINICIÓN 1
Sean T ∈ L( E, E) y λ ∈ K. Se dice que λ es un valor propio de T si existe
v ∈ E, con v 6= 0E , tal que
T (v) = λv.
A este vector v se lo llama vector propio de T asociado al valor propio λ.
3
Se puede demostrar que un vector propio se asocia con un único valor pro-
pio, además, el vector 0E puede ser asociado a cualquier valor propio, por
tanto, el vector 0E no puede ser considerado como un vector propio.
P ROPOSICIÓN 1. Sean T ∈ L( E, E) y λ ∈ K un valor propio de T. Se tiene

que el conjunto
Eλ = {v ∈ E : T (v) = λv}
es un subespacio vectorial de E. Se lo denomina el espacio propio de T aso-

ciado al valor propio λ.
E JEMPLO 1. Sea T ∈ L(R2 , R2 ) una aplicación lineal definida por
T ( x, y) = ( x + 2y, 4x + 3y)
para todo ( x, y) ∈ R2 .
Notemos que
T (1, 2) = (1 + 2(2), 4(1) + 3(2)) = (1 + 4, 4 + 6) = (5, 10) = 5(1, 2),
entonces 5 es un valor propio de T puesto que T ( x, y) = 5( x, y) y
E5 = {α(1, 2) : α ∈ R } .
4
6.1 Valores y vectores propios
D EFINICIÓN 2
Sean E un espacio vectorial sobre el cuerpo K tal que dim( E) = n y
T ∈ L( E, E). El espectro de T es el conjunto de todos sus valores propios.
En adelante, consideraremos a E como un espacio vectorial de dimensión fini-

ta.
T EOREMA 2
Sean T ∈ L( E, E) y λ1 , λ2 , . . . , λn valores propios de T distintos entre sí.
Si tomamos v1 , v2 , . . . , vn vectores propios asociados a los valores propios
λ1 , λ2 , . . . , λn , respectivamente, entonces el conjunto {v1 , v2 , . . . , vn } es lineal-
mente independiente.
D EFINICIÓN 3
Sea A ∈ K n×n , se define la aplicación lineal
TA : R n −→ R n
u 7−→ Au.
a los valores propios de TA se los denomina valores propios de A, a los vec-

tores propios de TA se los denomina vectores propios de A y a los espacios
propios de TA se los denomina espacios propios de A. Además, se denomina
espectro de A al espectro de TA .
P ROPOSICIÓN 3. Sean T ∈ L( E, E) con dim( E) = n y B una base de E. Se

tiene que
1. λ ∈ K es un valor propio de T si y solo si es un valor propio de [ T ] BB ; y,
1
2. v ∈ E es un vector propio de T si y solo si [v] B ∈ K n×1 es un vector

propio de [ T ] BB .
Si consideramos una aplicación lineal T ∈ L( E, E), con dim( E) = n. De

este resultado, se sigue que, para determinar los valores, vectores y espacios
propios de T, basta determinar los valores, vectores y espacios propios de
una matriz de representación de esta.
P ROPOSICIÓN 4. Sea A ∈ K n×n , se tiene que λ ∈ K es un valor propio de A

si y solo si existe v ∈ K n , con v 6= 0, tal que
Av = λv,
además, v es un vector propio de A asociado al valor propio λ.
P ROPOSICIÓN 5. Sean A ∈ K n×n y λ ∈ K. Se tiene que λ es un valor propio

de A si y solo si
det( A − λIn ) = 0,
donde In es la matriz identidad.
P ROPOSICIÓN 6. Los valores propios de una matriz triangular son los ele-
mentos de la diagonal de la matriz.
D EFINICIÓN 4
Sea A ∈ K n×n . Al polinomio
p(λ) = det( A − λIn )
se lo denomina polinomio característico de A.
Notemos que todo valor propio de A ∈ K n×n , es raíz del polinomio carac-
terístico de A.
!
1 2
E JEMPLO 2. Consideremos A = . Su polinomio característico es:
4 3
p(λ) = det( A − λI2 )
2
!
1−λ 2
= det
4 3−λ
= λ2 − 4λ − 5
= (λ + 1)(λ − 5).
Por lo tanto, λ1 = −1 y λ2 = 5 son valores propios de A.
T EOREMA 7: Teorema de Cayley–Hamilton

Sea A ∈ K n×n y p(λ) su polinomio característico. Se tiene que
p( A) = 0.
Es decir, toda matriz es un cero de su polinomio característico, esto es, si

A ∈ K n×n y si su polinomio característico es
p ( λ ) = λ n + c n −1 λ n −1 + · · · + c 1 λ + c 0
entonces,
p( A) = An + cn−1 An−1 + · · · + c1 A + c0 In = 0.
!
1 2
E JEMPLO 3. Para la matriz A = , sabemos que su polinomio característico
4 3
es:
p(λ) = λ2 − 4λ − 5.
Entonces, notemos que

! ! ! !
9 8 1 2 1 0 0 0
p( A) = A2 − 4A − 5I2 = −4 −5 = .
16 17 4 3 0 1 0 0
Algoritmo para encontrar los valores y vectores propios de una matriz.

Sea A ∈ K n×n .
Paso 1. Hallar el polinomio característico p(λ) de A.
Paso 2. Hallar las raíces de p(λ).
Paso 3. Repetir los pasos a) y b) para cada valor propio λ de A:
a) Construir M = A − λIn restando λ a los elementos diagonales de

A.
3
b) Encontrar una base para el espacio solución de Mv = 0. Los vec-

tores de la base son vectores propios linealmente independientes
de A asociados a λ.
T EOREMA 8
Cualquier polinomio de grado n tiene exactamente n raíces (contando con las
veces que una determinada raíz se repite) en los complejos.
D EFINICIÓN 5
Sea λ un valor propio de la matriz A, el número de veces que un valor propio
λ se repite como raíz del polinomio característico ρ(λ) se llama multiplicidad
algebraica, notada m a (λ).
D EFINICIÓN 6
Sea λ un valor propio de la matriz A, entonces la multiplicidad geométrica
de λ, notada m g (λ) está dada por
m g (λ) = dim( Eλ )
T EOREMA 9
Sea λ valor propio de la matriz A, entonces
m g (λ) ≤ m a (λ)
T EOREMA 10
Contando multiplicidades, toda matriz A ∈ K n×n tiene exactamente n valo-
res propios en los complejos.
E JERCICIO 1. Dada la aplicación lineal:
f: R2 −→ R2
( x, y) 7−→ (6x − y, 3x + 2y).
Hallar los valores y vectores propios.
4
6.2 Diagonalización
D EFINICIÓN 7
Sean A, B ∈ K n×n . Se dice que A y B son semejantes si existe una matriz no
singular C ∈ K n×n tal que
CB = AC
! !
1 −1 2 −1
E JERCICIO 1. Dadas las matrices A = yC= , encontrar una
0 2 1 0
matriz B semejante a la matriz A.
D EFINICIÓN 8
Una matriz A ∈ K n×n se dice diagonalizable si es semejante a una matriz
diagonal. En este caso, también diremos que A puede diagonalizarse.
T EOREMA 11
Matrices semejantes tienen los mismos valores propios.
E JERCICIO 2. Demostrar el teorema 11
T EOREMA 12
Una matriz A ∈ K n×n es diagonalizable si y solo si tiene n vectores propios
linealmente independientes.
1
Si A ∈ K n×n una matriz diagonalizable, entonces existe C ∈ K n×n no sin-

gular tal que C −1 AC = D, donde D ∈ K n×n que está dada por:
 
λ1 0 0 ··· 0
 
 0 λ2 0 · · · 0 
 
D=0
 0 λ3 · · · 0  
 . .. .. .. .. 
 .. . . . . 
 
0 0 0 · · · λn
donde λ1 , λ2 , · · · , λn son los valores propios de A. Además, C es una ma-

triz cuyas columnas son, respectivamente, n vectores propios linealmente
independientes de A.
T EOREMA 13
Si la matriz A ∈ K n×n tiene n valores propios diferentes, entonces A es dia-
gonalizable.
!
7 2
E JERCICIO 3. Encuentre la matriz diagonal D semejante a la matriz A = .
−4 1
T EOREMA 14
Sea A ∈ K n×n . A tiene n vectores propios linealmente independientes si y
sólo si la multiplicidad geométrica de cada valor propio es igual a la multi-
plicidad algebraica.
 
1 3 3
E JERCICIO 4. ¿La matriz A = −3 −5 −3 es diagonalizable?. Si lo es, cal-
 
3 3 1
cular la matriz diagonal D semejante a A.
T EOREMA 15
B
Sea f ∈ L( E, E) y sean B1 y B2 dos bases de E, entonces [ f ] B11 y [ f ] BB22 son
semejantes.
E JERCICIO 5. Demostrar el teorema 15
2
Proceso para diagonalizar una matriz A ∈ K n×n .
Paso 3. Para cada valor propio λ j de A con multiplicidad algebraica k j , de-

terminamos una base para el espacio solución de ( A − λ j In )v = 0 (el
espacio propio asociado con λ j ).
Si la dimensión del espacio del espacio propio es menor que k j , en-
tonces A no es diagonalizable. De acuerdo con ello, determinamos n
vectores propios linealmente independientes de A.
Paso 4. Sea C la matriz cuyas columnas son los n vectores propios lineal-
mente independientes determinados en el paso 3. Entonces,
C −1 AC = D,
es una matriz diagonal cuyos elementos de la diagonal son los valores

propios de A correspondientes a las columnas de C.
 
−1 −1 2
E JERCICIO 6. Dada la matriz A = −1 −1 −2. ¿A es diagonalizable?. Si lo
 
2 −2 2
es
1. Calcular la matriz diagonal D semejante a la matriz A.
2. Determinar la matriz invertible C tal que CD = AC.
3
6.3 Diagonalización de matrices simétricas
T EOREMA 20
Todos los valores propios de una matriz simétrica son números reales.
!
2 3
E JERCICIO 1. Determine los valores propios de la matriz A = .
3 6
T EOREMA 21
Si A ∈ R n×n es una matriz simétrica, los vectores propios correspondientes a
valores propios distintos de A son ortogonales.
E JERCICIO 2. Encuentre los vectores propios correspondientes a los valores pro-

pios calculados en el ejercicio 1 y verifique que son ortogonales.
T EOREMA 22
Si A ∈ R n×n una matriz simétrica, entonces existe una matriz ortogonal P
tal que P−1 AP = D, es una matriz diagonal. Los valores propios de A están
sobre la diagonal principal de D.
E JERCICIO 3. Determina la matriz ortogonal P tal que D = P−1 AP. Siendo A la

matriz del ejercicio 1.
Notemos que una matriz simétrica siempre es diagonalizable, además, lo es

por medio de una matriz ortogonal, es decir, P−1 = P T . En tal caso, decimos
que A es ortogonalmente diagonalizable.
Si una matriz simétrica A tiene un valor propio λ j con multiplicidad k j ,

el espacio propio asociado tiene dimensión k j . Esto es, existen k j vectores
propios de A linealmente independientes , asociados al valor propio λ j . Con
el proceso de Gram-Schmidt, podemos construir una base ortonormal para
1
el espacio propio asociado a λ j .
P ROPOSICIÓN 23. Una matriz A ∈ R n×n es ortogonal (A T = A−1 ) si y solo

si las columnas (y las filas) de A forman un conjunto ortonormal de vectores
en R n .
Proceso para diagonalizar una matriz simétrica A ∈ K n×n mediante una

matriz ortogonal P.
Paso 3. Para cada valor propio λ j de A, con multiplicidad algebraica k j , de-

terminar una base de k j vectores propios para el espacio solución de
( A − λ j In )v = 0 (el espacio propio asociado con λ j ).
Paso 4. Para cada espacio propio, transformamos la base obtenida en el pa-

so 3 en una base ortonormal mediante el proceso de Gram-Schmidt.
Paso 5. Sea P la matriz cuyas columnas son los n vectores propios lineal-
mente independientes determinados en el paso 4. Entonces P es una
matriz ortogonal, y
P T AP = D,
es una matriz diagonal cuyos elementos de la diagonal son los valores

propios de A correspondientes a las columnas de P.
 
3 2 2
E JERCICIO 4. Diagonalizar ortogonalmente la matriz A = 2 3 2.
 
2 2 3

Resumenes de Algebra

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

Resumenes de Algebra

Cargado por

Copyright:

Formatos disponibles

E SCUELA P OLITÉCNICA N ACIONAL

Á LGEBRA L INEAL • S EMANA 01 C LASE 01

Semestre 2020 A Departamento de Formación Básica

En este curso, tomaremos:

• m, n ∈ N con m > 0 y n > 0;

• I = {1, 2, . . . , m} y J = {1, 2, . . . , n}; y

1.1 Definiciones y conceptos fundamentales

la cual se representa por

Con esto, se dice que A es de orden m × n y que tiene m filas y n columnas.

O BSERVACIÓN 1. A aij se lo denomina elemento o componente ij de A, el número

E JEMPLO 1. Considere las matrices

La matriz A es de orden 3 × 2 y la matriz B es de orden 2 × 3. El elemento en la

D EFINICIÓN 2: Filas y columnas

se la llama la j-ésima columna de A que notaremos A j y a la matriz

se la llama la i-ésima fila de A que notaremos Ai .

E JEMPLO 2. Considere la matriz

D EFINICIÓN 3: Igualdad de matrices

b) aij = bij para todo i ∈ I y j ∈ J.

E JEMPLO 3. Dados x, y, z ∈ R, considere las matrices A y B,

E JERCICIO 3. Dadas las matrices A, B, C ∈ K2×2 donde

aij = máx{i, j}, bij = mı́n{i, j} y cij = − máx{−i, − j}

Por notación, si a ∈ K n , se asumirá a = ( a1 , a2 , . . . , an ).

Podemos identificar cada elemento de K n con una matriz de K n×1 de la

entonces, visto como matriz es

D EFINICIÓN 5: Suma de matrices

para todo i ∈ I y j ∈ J. A esta matriz se la denota por A + B.

E JEMPLO 5. Considere las matrices

misma posición, es decir, si C = A + B para calcular al elemento c12 se tiene que

E JERCICIO 5. Considere a la matriz A del ejemplo 5, calcular A + A.

D EFINICIÓN 6: Multiplicación por un escalar

para todo i ∈ I y j ∈ J. A esta matriz se la denota por αA.

E JEMPLO 6. Multiplicación de un escalar con una matriz. Se tiene que

E JERCICIO 6. Considere a la matriz A del ejemplo 5 calcular a 2A y compare con

D EFINICIÓN 7: Transpuesta de una matriz

para todo i ∈ I y j ∈ J. A esta matriz se la denota por A⊺ .

E JEMPLO 7. Considere la matriz

E JERCICIO 7. Dadas las matrices

Semestre 2020 A Departamento de Formación Básica

1.2 Propiedades de las operaciones entre matrices

En esta sección consideramos p, q ∈ N con p > 0 y q > 0.

c) Existe una única matriz 0 de orden m × n tal que

para cualquier matriz A de orden m × n. La matriz 0 se denomina neu-

d) Para cada matriz A de orden m × n, existe una única matriz, denotada

A la matriz − A se la denomina el inverso aditivo A.

Demostración. Teorema 1 literal b). Sean A = aij , B = bij y C = cij . Por la

definición de suma de matrices tenemos que

Sean D = A + ( B + C ) y E = ( A + B) + C, por la definición de suma de matrices

dij = aij + (bij + cij ) = ( aij + bij ) + cij = eij

para todo i ∈ I y j ∈ J. Por lo tanto, D = E, lo que muestra el resultado.

T EOREMA 2: Propiedades de la multiplicación por un escalar

Demostración. Teorema 2 Literal b). Sean A =

cij = (α + β) aij = αaij + βaij = dij

para todo i ∈ I y j ∈ J. Por lo tanto, C = D, lo que muestra el resultado.

D EFINICIÓN 8: Multiplicación de matrices

cij = ai1 b1j + ai2 b2j + · · · + aip b pj

para todo i ∈ I y j ∈ J. A esta matriz se la denota por AB.

E JEMPLO 8. Considere las matrices A, B ∈ K3×3 :

Notemos que el número de columnas de A es el número de filas de B , luego, su

Calculemos también, al elemento c33 de C, en este caso consideramos la fila 3 de

Finalmente, la multiplicación de las matrices A y B está dada por:

E JERCICIO 8. Considere las siguientes matrices A ∈ K2×3 y B ∈ K3×2 :

Obtenga a la matriz AB.

O BSERVACIÓN 2. Dadas dos matrices A y B si AB = BA, entonces diremos que

E JEMPLO 9. Considere a las matrices A y B del ejercicio 8, tenemos que