UNIDAD No.

1
ÁLGEBRA LINEAL
MATRICES Y OPERACIONES CON MATRICES

Definición: Una matriz es un arreglo rectangular de números. Los números en el arreglo se

denominan elementos de la matriz. Para denotarlas se utilizan las letras mayúsculas del
abecedario.

Por ejemplo:

1 3 5   3 5 7 2 
 
A = 7 5 6 B = 3 5 - 7 9 C = 1 / 2 5 6 7 2 
3 0 2  1 3 5 5 8
 
El tamaño u orden de una matriz se describe en términos del número de filas (líneas
horizontales) y de columnas (líneas verticales) que contiene. La matriz C tiene 3 filas y 5
columnas y se representa por C (3x5) .
Identificación de elementos: Los elementos de la matriz se los identifica indicando la fila y la
columna a la que pertenecen. De tal manera que un elemento genérico de una matriz A (mxn) se
lo representa por:
1  i  m
aij = A  ij para 
1  j  n

Elemento de la matriz A que está en la fila i y en la columna j

 A11 A12 . . . . A1n   a11 a12 . . . . a1n 

 A A22 A2n  a . a 2n 
 21 . . . .  21 a 22 . . .
A = 
. 
A= 
. . . . . . . . . . . . .
 . . . . . . .  . . . . . . . 
   
 . . . . . . .   . . . . . . . 
Am1 Am2 . . . . Amn  a m1 a m2 . . . . a mn 

OPERACIONES CON MATRICES

Igualdad de matrices: Dos matrices son iguales si tienen el mismo tamaño y sus elementos
correspondientes son iguales.

1  i  m
A = B  A  ij = B ij para 
1  j  n

1 5 − 4 1 5 − 4
A=  B=   A=B
6 8 − 7  6 8 − 7 

1
Suma de matrices: Si A y B son matrices del mismo tamaño, entonces la suma A + B es la
matriz obtenida al sumar los elementos de B con los elementos correspondientes de A, y la
diferencia A – B es la matriz obtenida al restar los elementos de B de los correspondientes
de A. No es posible sumar o restar matrices de tamaños diferentes.

1  i  m
Si A (mxn) y B(mxn)  A  Bij = A ij  B ij para 
1  j  n

1 2 − 3 
A= 
3 6 − 2  1 + 2 2 − 1 − 3 + 5  3 1 2
  A+ B =  = 
2 − 1 5  3 + 3 6 − 2 − 2 + 4 6 4 2
B= 
3 − 2 4 

Producto de una matriz por un escalar (número): Si A es cualquier matriz y c es cualquier

escalar, entonces el producto cA es la matriz obtenida al multiplicar cada elemento de A por c.

1  i  m
Si A (mxn) y c  R  cAij = cA ij para 
1  j  n
1 4  2 8 
Si A = 3 − 4 y c = 2  cA = 6 − 8 
 
2 − 5 4 − 10

Transpuesta de una matriz: Si A es cualquier matriz m x n, entonces la transpuesta de A,

denotada por At, se define como la matriz n x m que se obtiene al intercambiar las filas y las
columnas de A; es decir, la primera columna de At es la primera fila de A, la segunda columna
de At es la segunda fila de A, y así sucesivamente.

1  i  n
A  = A
t
para 
1  j  m
ij ji

1 6 5
1 2 3 4 2 4
A = 6 7 0 9
7
 A =
t
3 0 1
5 4 1 8  
4 9 8

Producto de matrices: Si A es una matriz de m x n y B es una matriz de n x p, entonces el

producto AB es la matriz m x p cuyos elementos se determinan como sigue. Para encontrar el
elemento en la fila i y en la columna j de AB, considerar solo la fila i de la matriz A y la
columna j de la matriz B. Multiplicar entre sí los elementos correspondientes de la fila y de
la columna mencionados y luego sumar los productos resultantes.

2
 n
1  i  m
AB ij =  A ik B kj para 
k =1 1  j  p

 4 1 4 3
1 2 4
A=  B = 0 − 1 3 1
2 6 0 2 7 5 2

 4 1 4 3
1 2 4   12 27 30 13
A B =    0 − 1 3 1 =  
2 6 0 2 7 5 2  8 − 4 26 12
 
Donde, por ejemplo :
3
A  B 11 =  A1k Bk1 = A11B11 + A12 B21 + A13 B31 = (1  4) + (2  0) + (4  2) = 12
1
3
A  B 23 =  A2k Bk 3 = A21B13 + A22 B23 + A23 B33 = (2  4) + (6  3) + (0  5) = 26
1
Operaciones Elementales: Si A es cualquier matriz m x n , sobre sus filas columnas se pueden
efectuar las siguientes operaciones denominadas elementales:
1. Intercambiar dos filas (columnas) Pij
2. Multiplicar una fila (columna) por una constante diferente de cero. Mi(k)
3. Sumar o adicionar una fila (columna) con el múltiplo de otra. Aij(k)

1 2 3 
Ejemplo: Sea A =   , realizar las siguientes operaciones elementales:
9 6 − 5

9 6 − 5
• Intercambiar la fila 1 con la 2 de A: p12 → A   
1 2 3 
 1 2 3
• Multiplicar la fila 2 de A por − 3 : M 2( −3) → A   
− 27 − 18 15
Sumar la fila 2 de A con la 1  1 2 3
• : A21( −9 ) → A   
multiplica da por − 9 :  0 − 12 − 32 

Propiedades de las operaciones con matrices:

Teorema 1: Suponiendo que los tamaños de las matrices son tales que las operaciones
indicadas se pueden efectuar, entonces son válidas las siguientes reglas de aritmética
matricial.
1. A + B = B + A (Ley conmutativa de la adición)
2. A + (B + C) = (A + B) + C (Ley asociativa de la adición)
3. A(BC) = (AB)C (Ley asociativa de la multiplicación)

3
 4. A(B  C) = AB  AC (Ley distributiva por la izquierda)
5. (B  C)A = BA  CA (Ley distributiva por la derecha)
6. a(B  C) = aB  aC
7. (a  b)C = aC  bC
8. a(bC) = (ab)C
9. a(BC) = (aB)C = B(aC)
10. ((A)t)t = A
11. (A  B)t = At  Bt
12. (kA)t = kAt, donde k es cualquier escalar.
13. (AB)t = Bt At

Nota importante: Antes de aplicar las definiciones de las operaciones con matrices, realizar
la verificación de que las operaciones cumplen con las condiciones para poder realizarse, a
este análisis se lo denomina análisis de forma.
Por ejemplo: Si A( 2 x3) , B( 2 x 2) , C( 2 x3) y D(3 x3) hacer el análisis de forma de 2 At B + DCt

2At B + D Ct
(3 x 2) (2 x 2) + (3 x 3) (3 x 2) (Nro. de columnas = Nro. de filas)
= =

(3 x 2) + (3 x 2) (Matrices del mismo orden)

(3 x 2) (Matriz resultante)

Matrices Cuadradas: Son aquellas que tienen el número de filas igual al número de columnas.
Las principales son las siguientes:

1 si i = j 1  i  n
• Matriz Identidad : I(nxn)  I ij =  para 
0 si i  j 1  j  n


• Actua como elemento neutro en la multiplica ´ción de matrices

Propiedades • I+ I + I+.........
 +I = pI
 p veces
• I.I.I.......................I = ( I ) p = I
  
 p veces

• Matriz Simétrica : A(nxn) es simétrica si solo si At = A , es decir:

1  i  n
 
At ij = Aij para 
1  j  n
• Matriz Antisimétrica : A(nxn) es antisimétrica si solo si At = − A , es decir:
1  i  n
 
At ij = −A ij para 
1  j  n

4
 Nota: Toda matriz cuadrada puede expresarse como la suma de una matriz simétrica y
otra antisimétrica: A = 1 2 ( A + At ) + 1 2 ( A − At )
       
M. Simétrica M. Antisimétrica
Ejemplos:
Matriz
  
Identidad
 
Matriz Simétrica
 Matriz
 Antisimétr
 

ica

1 0 0  1 3 - 5 0 6 7
I = 0 1 0 A =  3 7 9  C = - 6 0 - 5
0 0 1 - 5 9 3  - 7 5 0 
1 - 4 5
Ejercicio: Expresar la matriz A = 7 3 0 como la suma de una matriz simétrica
2 9 8
con una matriz antisimétrica.

• Matriz Triangular Superior: A ij= 0 para  i  j

• Matriz Triangular Inferior : A ij = 0 para  i  j
• Matriz Diagonal: A ij = 0 para  i  j . Cuando A 11= k se denomina matriz
escalar.

Ejemplos:
Matriz T riangular Superior Matriz T riangular Inferior
   Matriz
 Diagonal

3 9 - 5   4 0 0 1 0 0
D = 0 4 7  F = - 3 7 0 G = 0 2 0
0 0 - 2  1 - 5 3 0 0 3

• Matriz Elemental: Es aquella que resulta de aplicar una única operación elemental
sobre una matriz identidad, o bien, es aquella que se transforma en la identidad a través
de una única operación elemental.

Ejemplos:
 
Matria Elemental
  
Matriz Elemental
   
Matriz Elemental

0 0 1  1 0 0  1 0 0
P13 → I (3)  E1 = 0 1 0 ; M 2(-3) → I (3) E 2 = 0 − 3 0 ; A 31(-2) → I (3) E 3 =  0 1 0
   
1 0 0 0 0 1 − 2 0 1

• Matriz No – Singular: A es no singular si existe una matriz B del mismo orden tal
que AB = BA = I , caso contrario A se denomina singular. La matriz B se denomina
Inversa de A (A-1).
Teorema 1. La matriz inversa si existe es única.
Teorema 2. Si A y B son no singulares entonces:
a) A −1 es también no singular y ( A−1 ) −1 = A .

5
 b) (AB) también es no singular y ( AB ) = B−1 A−1 . (Se puede
−1

generaliza para más de dos matrices).}

Teorema 3. Toda matriz elemental es no singular y su inversa se puede
calcular en forma directa.

• Si la matriz elemental proviene de Pij → I (n) , entonces su inversa es la

propia matriz elemental
• Si la matriz elemental proviene de M i ( k ) → I (n) , entonces su inversa se
obtiene M i ( k −1 ) → I (n) .
• Si la matriz elemental proviene de Aij ( k ) → I (n) , entonces su inversa se
obtiene Aij ( −k ) → I (n) .
Ejercicio: Tomando las matrices elementales del ejemplo anterior:

P13 → I (3x3)  E1   P13 → I (3x3)  E1-1 = E1
 
M 2 (-3) → I (3x3)  E 2  verificar que sus inversas son M 1 → I (3x3)  E -21
 
2 (- )
A31(-2) → I (3x3)  E 3 
3
A
 31(2) → I (3x3)  E 3
-1

Aplicación de las matrices elementales:

Teorema 4. Cualquier operación elemental sobre las filas de una matriz A (mxn)
puede llevarse a cabo premultiplicando a A por una matriz elemental correspondiente a
la operación elemental realizada.

1 2 3 
Ejemplo: Sea A =   , encontrar matrices elementales que premultiplicas por A
9 6 − 5
produzcan el mismo efecto que las operaciones elementales:

9 6 − 5 0 1
P12 → A    = A1  P12 → I ( 2)  E1 =  / E1 A = A1
1 2 3  1 0
 1 2 3 1 0
M 2( −3) → A    = A2  M 2 ( −3) → I ( 2)  E2 =  / E2 A = A2
− 27 − 18 15 0 − 3
1 2 3  1 0
A21( −9) → A    = A3  A21( −9) → I ( 2)  E3 =   / E3 A = A3
0 − 12 − 32 − 9 1

Matriz Escalonada: A (mxn) es escalonada si cumple las siguientes condiciones:

• Si las filas i e i + 1 son dos filas sucesivas cualesquiera, no nulas, entonces, el

primer elemento diferente de cero de la fila i + 1 se encuentra a la derecha del primer
elemento diferente de cero de la fila i.
• Si hay filas nulas, estarán agrupadas en la parte inferior de la matriz.

6
 Nota: Los primeros elementos distintos de cero de las filas no nulas se denominan
elementos distinguidos y las columnas en las que se encuentran se llaman columnas
distinguidas.

Matriz Escalonada Reducida o Escalón Reducida: A (mxn) es escalón reducido si además de

ser escalonada cumple que:
• Sus elementos distinguidos deben ser iguales a 1 (uno) y deben ser los únicos
diferentes de cero en sus columnas distinguidas correspondientes.

Ejemplos:

Equivalencia por Filas : (matrices equivalentes) Se dice que una matriz A es equivalente por
filas a una matriz B, si B puede obtenerse mediante una sucesión finita de operaciones
elementales de fila a partir de A, es decir, si existen matrices elementales E1 , E 2 , E3 ,......, E k
de tal manera que B = Ek .Ek -1....E2 .E1.A .
Teorema 1. Sean A, B y C matrices de (mxn), entonces:
• A es equivalente a A.
• Si A es equivalente a B, entonces B es equivalente a A.
• Si A es equivalente a B y B es equivalente a C, entonces A es
equivalente a C.

Teorema 2. Toda matriz A (mxn) es equivalente a una matriz escalón reducida.

Por lo tanto para cada matriz A (mxn) existe una matriz no singular, B (mxm), tal que
B.A = AER

Ejercicios:
3 4 1 8 1 5 3 4 1
1. Dadas las matrices A = 2 − 7 − 1 B = 2 − 7 − 1
   C = 2 − 7 − 1 ,

8 1 5  3 4 1  2 − 7 3 
encontrar matrices elementales E1 , E 2 , E3 y E 4 tales que

a) E1 A = B b) E 2 B = A c) E3 A = C d) E 4C = A

7
 1 2 3 4 
2. Sea A =   :
2 4 5 1 

a)Llevarla a la forma escalón reducida.

b)Hallar las matrices elementales E1, E2 y E3 tales que AER = E3 E2 E1 A.
c)Encontrar una matriz no singular, B, tal que B A = AER.
d)De la ecuación matricial del inciso (b) despejar la matriz A.
e)Encontrar una matriz no singular, C, tal que C AER = A.
0 1 7 8

3. Expresar la matriz A =  1 3 3 8  en la forma A = EFGR , donde E, F y G
− 2 − 5 1 − 8
son matrices elementales y R está en forma escalonada.

Cálculo de la Inversa de una Matriz. Antes de establecer un mecanismo de cálculo es

necesario enunciar las siguientes proposiciones y un teorema:
• Proposición 1: Si A es una matriz cuadrada y existe alguna fila (columna) nula,
entonces A no tiene Inversa.
• Proposición 2: Si A es Escalón reducida, cuadrada y además no singular, entonces su
escalón reducida es igual a la matriz identidad del mismo orden.
• Teorema 1 : Toda matriz no singular de orden (nxn) es equivalente a la matriz
identidad del mismo orden, decir:

E k .E k -1.........E 2 .E1.A = I
  
A -1

Método de Gauss para Calcular la Inversa: Basado en los conceptos anteriores, Gauss
mecaniza el proceso de la siguiente manera:

Se toma la matriz A y junto a ella se coloca la matriz identidad del mismo orden, (A I) a
través de operaciones elementales sucesivas se transforma A en escalón reducida y
simultáneamente se aplican las mismas operaciones elementales sobre la Identidad. Al
finalizar el proceso y si A es no singular, su escalón reducida será la Identidad y junto a ella se
tendrá la inversa de A. Si A es singular surgirá alguna fila nula en la escalón reducida.

A I 
Operaciones elementales 

A ER B
Si la matriz AER es igual a la identidad, entonces B = A-1

Ejemplos:

8
 1 2 3
1. Encontrar la inversa de A = 2 5 3
1 0 8
Aplicando el método de Gauss- Jordan:

1 2 3 1 0 0 1 2 3 1 0 0 1 0 9 5 − 2 0
     
2 5 3 0 1 0   0 1 − 3 − 2 1 0   0 1 − 3 − 2 1 0 
1 0 8 0 0 1 0 − 2 5 − 1 0 1 0 0 − 1 − 5 2 1
A 21(-2) A12 (-2) M 3 (-1)
A 31(-1) A 32 (2)
1 0 9 5 − 2 0  1 0 0 − 40 16 9 

0 1 − 3 −2 1
 
0   0 1 0

13 − 5 − 3  I A -1 
0 0 1 5 − 2 − 1 0 0 1 5 − 2 − 1
A13 (-9)
A 23 (3)

− 40 16 9 
Por lo tanto A =  13 − 5 − 3
-1

 5 − 2 − 1

1 2 3
2. Encontrar la inversa de A = 2 5 3
3 7 6
Aplicando el método de Gauss- Jordan:

1 2 3 1 0 0 1 2 3 1 0 0 1 2 3 1 0 0
     
2 5 3 0 1 0   0 1 − 3 - 2 1 0   0 1 − 3 - 2 1 0
3 7 6 0 0 1 0 1 − 3 - 3 0 1 0 0 0 - 1 - 1 1
A 21(-2) A 32 (-1)
A 31(-3)
En la matriz escalonada de A se tiene una fila nula, por lo tanto se concluye que la matriz A
es singular, es decir no tiene inversa.

Ejercicios de aplicación de la inversa:

 − 1 2
1. Sabiendo que ( I + 2 A) −1 =   determinar A.
 4 5

9
  1 2  − 1 2 1 − 3
2. Dadas las matrices A =   , B=  y C= 
− 3 1   3 1 1 2 
determinar la matriz X de la siguiente ecuación matricial: 3 AX − 2C = B t

10
 1

TRABAJO PRACTICO Nº 1

ALGEBRA LINEAL - ALGEBRA LINEAL Y MATRICIAL

MATRICES

1. Responda con claridad:

a) ¿ Qué es una matriz ? ¿Qué es el orden de una matriz ?
a) ¿Cuál es la condición para sumar matrices. ?
b) ¿Cuál es la condición para multiplicar matrices.?
c) ¿La multiplicación de matrices es conmutativa.?
d) ¿Qué es una operación elemental.?. ¿Cuáles son.?

2. Dadas las matrices:

2 3 3 2
4 2   1 1 
3  4 1 2  2 1 3 1
A  B C  D 
0  2  1 0   0  1  4  6  0  2 4 5
   
  1  2 1 0
Calcular, si es posible:
a) D C b) (2D – A) B c) A B – C D d) (Ct + 3A)t

3. Con las matrices del ejemplo anterior y utilizando definiciones calcular, si es posible:

a) B  4 A 
t t
21 b) (3C  4B) 
t
31 c) (3B  D ) 
t t
21

d) ( A  2B ) 
t t
12 e) AB  ( DC ) t
21 f) AB  3D13
4. Revisando conceptos.
a) ¿Qué es una matriz elemental.?
b) ¿Cuándo una matriz es equivalente por filas a otra.?
c) ¿Qué es una matriz escalonada.?
d) ¿Qué es una matriz escalón reducida .?
e) Si una matriz es no singular, entonces ¿Cuál será su escalón reducida equivalente.?

5. Determinar, justificando la respuesta, cuales de las siguientes matrices son elementales:

1 0 0   1 0 0 1 0 0
 0 1      
a) 
  b) 0  2 0 c)  2 1 0 d) 0  1 / 3 0
 2 0  0 0 1  0 0 1 0 0 1
1 0 0 0 1 0 0 0 1 / 2 0 0 0
0 1 0 
0 0 1 0 0   0 3 0 0
e)  f)  g) 
0 0 2 1 0 0 1  3  0 0 1 0
     
0 0 0 1 0 0 0 1  0 0 0 1
 2

6. Del ejemplo anterior, determinar las inversas de las matrices elementales en forma directa.

1 2 3 4 
7. Sea A    :
2 4 5 1 
a) Llevarla a la forma escalón reducida.
b) Hallar las matrices elementales E1,E2 y E3 tales que AER = E3 E2 E1 A.
c) Encontrar una matriz no singular, B, tal que B A = AER .
d) De la ecuación matricial del inciso (b) despejar la matriz A.
e) Encontrar una matriz no singular, C, tal que C AER = A.

1 2  3 
8. Expresar la matriz A  0 1 4  como la suma de una matriz simétrica y de una
3 1  6
matriz antisimétrica.

9. Demostrar que:
a) El producto de dos matrices diagonales es una matriz diagonal.
b) La suma de dos matrices triangulares superiores es una matriz triangular superior.

10. Llevar las matrices a la forma escalón reducida:

1 3  1 2  3 4 
1 3  1 3  1 4 6  6  1  2  1 2  3
   
A   1  1 0  , B  1  1 2 4  , C    y D 
4 2  3 1  1 1 
2 2  1 0  1 0 1     
1 0  5 0 1  2

11. Determinar las inversas de las siguientes matrices:

2  1 0  1 1 2 3 4
   4  1 3 0
2  1  3 1 0 4    1 3 1 
A  , B  1 1 1 1  , C   2 1 0  , D  0 4
 4 2  0  1 1
0 3
   
2 1 0  1 0 0 0 2

12. En cada inciso, usar la información dada para encontrar A.

2  1  3 7   3  1   1 2
a) A 1    b) (7 A) 1    c) (5 A t ) 1    d) ( I  2 A) 1   
3 5   1  2 5 2  4 5

 1 2   1 2 1  3
13. Dadas las matrices A    , B  y C  encontrar la
 3 1   3 1 1 2 
matriz X de las siguientes ecuaciones matriciales:
a) C t  2 X  3B b) 3 AX  2C  B t
c) AX  CX  2 B d) (2 B  CX t ) t  A t
 3

14. ¿Qué condición debe establecerse, sobre las matrices A y B?, para que sea válida la
igualdad: ( A  B ) 2  A 2  2 AB  B 2 .

 1 2
15. Para A    encontrar una matriz B para que la igualdad del ejercicio anterior se
  1 3
cumpla.

1 0 0 0 
0 3 0 0 
16. Determinar la inversa de A    y establecer un mecanismo para
0 0 1 0 
 
 0 0 0  5
encontrar la inversa de una matriz diagonal cualquiera.

17. Una empresa cuenta con dos fábricas de autos y produce tres modelos diferentes A, B y C.
Las siguientes tablas indican la producción correspondientes a los meses de agosto y
septiembre del año 1998.

F1 F2 F1 F2
A 1500 1430 A 1640 1215
B 1078 1203 B 1142 1097
C 945 847 C 1000 847

Mes de agosto Mes de septiembre

a) ¿A cuánto ascendió la producción de agosto y septiembre juntos ?

b) ¿Qué diferencia encuentra entre las producciones de agosto y de septiembre? Interprete el
signo de los elementos obtenidos.
c) Si en septiembre se hubiera producido exactamente lo mismo que en agosto, ¿a cuánto habría
ascendido la producción total?
d) Sabiendo que el precio de venta de un auto modelo A es $15000 , de un auto modelo B es
$18000 y de un auto modelo C es $22000, y suponiendo que se vendió toda la producción,
inciso (a), calcule cuánto se ingresó por concepto de venta de la producción de la fábrica 1 y
de la fábrica 2.

18. Suponga que un fabricante produce cuatro artículos. Su demanda está dada por el vector de
demanda d=( 30 20 40 10). El precio por unidad que recibe el fabricante por los artículos está
dado por el vector de precios p=( 20 15 18 40) expresado en dólares. Calcule el dinero que
recibirá el fabricante si se cumple la demanda.

19. La empresa Image Development Company fabrica en su planta de Santa Cruz tres tipos de
televisores de 14, 21 y 25 pulgadas. Los almacenes principales están en Cochabamba, Sucre,
La Paz y Tarija. Las ventas durante 1999 de Cochabamba se cifraron en 400, 100 y 500
televisores de 14, 21 y 25 pulgadas respectivamente; las de Sucre en 300, 150 y 400
 4

televisores; las de La Paz en 100, 100 y 200 y la de Tarija en 200, 150 y 300. Los precios de
venta fueron de 250$, 500$ y 800$ para los televisores de 14, 21 y 25 pulgadas
respectivamente.
a) Expresar los precios de venta mediante una matriz.
b) Expresar la cantidad de venta por ciudad y tipo de televisor mediante una matriz.
c) Determine qué ciudad tuvo mayores beneficios por concepto de ventas.

20. La empresa Juguete Instructivo produce tres tipos de aeromodelos. Los principales materiales
necesarios son metal (m), plástico(p) y madera (w). La matriz R muestra cuánto material se
necesita para los modelos expresados en unidades adecuadas.
m p w
 2 4 5
 
R   3 5 3
 3 6 4
 
donde cada fila representa las cantidades en unidades correspondientes al modelo a, b y
c respectivamente.
La empresa vende directamente a una cadena de tiendas de departamentos que le ha
hecho un pedido de 700 piezas del modelo a, 800 del modelo b y 500 del c. El pedido
está en la matriz P:
Nº de modelos
a b c
P = ( 700 800 500)
a) Forme la matriz que exprese la cantidad total necesaria de cada material para satisfacer el
pedido.
b) La empresa juguetera compra todos los materiales con dos proveedores. Los precios unitarios
del proveedor S1 son : $US 1.5 el metal, $US 0.85 el plástico y $US 1.15 la madera. El
proveedor S2 cobra a $US 1.65 el metal, $US 0.8 el plástico y $US 1.10 la madera. Forme la
matriz de costo , C, cuyas columnas muestren los precios unitarios de cada proveedor y
determine la matriz que muestra el costo de los materiales para cada modelo basado en los dos
conjuntos de precios de proveedor.
 UNIDAD No. 2
ALBEBRA LINEAL
SISTEMAS DE ECUACIONES LINEALES

Introducción: El estudio de sistemas de ecuaciones y su solución es uno de los temas más

importantes del álgebra lineal, se introducirá una terminología básica y métodos de solución y
análisis de sistemas.

Ecuación Lineal: Una ecuación, en el campo de los números reales, se dice que es lineal si es
una expresión de la forma:
a1 x1 + a2 x2 + ............. + an xn = b
donde los ai  R son los coeficientes de las incógnitas o variables xi y b es el término
independiente o constante de la ecuación.
Una ecuación lineal no incluye ningún producto o raíz de variables. Todas las variables están
elevadas solo a la primera potencia y no aparecen como argumentos de funciones
trigonométricas, logarítmicas o exponenciales.

• 2x − 3y = 5
 2
• y = − x + 2z + 3
Ejemplo 1: las siguientes ecuaciones son lineales:  3
• x1 − 3x2 + 5 x3 + x4 = −5

• x1 + x2 + .........+ xn = 3

Ejemplo 2: Analizar ¿ por qué ? las siguientes ecuaciones no son lineales:

• 2 x − 3 y 2 = −2

• 2 x − 3 y + 5 yz = −6

• 2 x − 3sen y + 5 z = 1
• 2 x − 5 y + 3 z = 5


Solución de una Ecuación Lineal: Una solución de la ecuación lineal

a1 x1 + a2 x2 + ............. + an xn = b
es una sucesión de n números s1 , s2 ,.......,sn de modo que la ecuación se cumple cuando se
sustituye x1 = s1 , x2 = s2 ,.......,xn = sn . El conjunto de todas las soluciones de la ecuación se
denomina conjunto solución ó solución general de la ecuación. Al buscar una solución para la
ecuación pueden ocurrir tres casos:

Primer caso: Si uno de los ai  0 , entonces su correspondiente xi estará en función de las

demás variables que se denominarán variables libres.

Segundo caso: Si todos los ai = 0 y b  0, entonces la ecuación no tiene solución.

Tercer caso: Si todos los ai = 0 y b = 0, entonces cualquier n-upla de valores será solución de la
ecuación.

1
Sistema de Ecuaciones Lineales: Es un conjunto finito de m ecuaciones lineales con n incógnitas
o variables, x1 , x2 ,....., xn , que se puede escribir como

a11x1 + a12 x2 + ................ + a1n xn = b1

a x + a x + ............... + a x = b
 21 1 22 2 2n n 2

   
   

am1 x1 + am 2 x2 + .............. + amn xn = bm

Una n-upla de valores s1 , s2 ,.......,sn será solución del sistema si y solo si esta n-upla satisface
todas y cada una de las ecuaciones que forman el sistema.
Para ilustrar las posibilidades que pueden ocurrir al resolver un sistema de ecuaciones lineales,
se considerará un sistema general de dos ecuaciones lineales en las incógnitas x y y:

a1 x + b1 y = c1 (a1 , b1 no son cero a la vez)


a2 x + b2 y = c2 (a2 , b2 no son cero a la vez)

Las gráficas de estas ecuaciones son las rectas l1 y l2. Como un punto ( x, y) pertenece a una
recta si y solo si los números x y y satisfacen la ecuación de la recta, las soluciones del sistema
de ecuaciones corresponden a los puntos de intersección de l1 y l2 . Existen tres posibilidades:
• Que las rectas sean paralelas, no se cortan, por lo tanto el sistema no tiene solución.
• Que las rectas se corten en un solo punto, el sistema tendrá solución única.
• Que las rectas coincidan, hay una infinidad de puntos de intersección, por lo tanto el
sistema tiene infinitas soluciones.

l2 l1 y l2

l1
l1
l2

No existe solución Solución única Infinidad de soluciones

A pesar que en el ejemplo se han considerado solo dos ecuaciones con dos incógnitas, se puede
afirmar que para sistemas lineales arbitrarios: En todo sistema de ecuaciones lineales no
homogéneo existen las tres posibilidades de solución, única, infinitas o puede no tener
solución, tal como se estudiará más adelante.

2
 a11x1 + a12 x2 + ................ + a1n xn = b1
a x + a x + ............... + a x = b
 21 1 22 2 2n n 2

El sistema de ecuaciones lineales no homogéneo     puede

   

am1 x1 + am 2 x2 + .............. + amn xn = bm
ser representado por la ecuación matricial AX = B , donde:
 x1 
x 
 a11 a12 a13 . . . a1n   2  b1 
a   x3  b 
 21 a22 a23 . . . a2 n     2
A = . . . . . . .  X =. B =.
( mxn)
  ( nx1)
.
( m x1)
 
 . . . . . . . 
  .
am1 am 2 am3 . . . amn  . bm 
x 
 n
La matriz A se denomina matriz de coeficientes, X es la matriz de las incógnitas o variables y B
es la matriz de los términos independientes o constantes.

 a11 a12 a13 . . . a1n b1 

 
 a21 a22 a23 . . . a2 n b2 
A la matriz A B =  . . . . . . . .  se la denomina matriz aumentada
 
 . . . . . . . .
a bm 
 m1 am 2 am 3 . . . am n
del sistema.

Clasificación de los Sistemas de Ecuaciones Lineales:

De acuerdo a las soluciones:

• Sistemas Compatibles o Consistentes: Cuando tienen solución, pudiendo ser:

➢ Determinados: Cuando el número de soluciones es limitado.
➢ Indeterminado: Cuando el número de soluciones es ilimitado, tienen una
infinidad de soluciones.
• Sistemas Incompatibles o Inconsistentes: Cuando no tienen ninguna solución.

De acuerdo a sus términos independientes o constantes:

• Sistemas Homogéneos: Cuando todos sus términos independientes son iguales a

cero.
• Sistemas No-homogéneos: Cuando al menos uno de sus términos independientes es
diferente de cero.

Métodos de solución y análisis:

1. Método de Gauss: Es un método matricial y que se aplica de la siguiente manera:

3
 Del sistema original se toma la matriz aumentada y a través de operaciones elementales
sucesivas se la transforma en escalonada, procurando que sus elementos distinguidos sean
iguales a uno. Esta matriz aumentada escalonada da lugar a un nuevo sistema, equivalente al
sistema original y de fácil solución a través de una retro-sustitución. La solución que se obtiene
del sistema equivalente es la solución del sistema original.

Sistema Matriz Operaciones Matriz Sistema

Original  Aumentada 
Elementales 
Aumentada Equivalente
sucesivas Escalonada
.

Solución
Del
Sistema

2. Método de Gauss – Jordan: Es similar al anterior, solo que en la matriz aumentada se la

transforma en escalón reducida, el resto del proceso es el mismo anterior. El sistema
equivalente es directamente la solución del sistema.

x + y + 2z = 9

Ejemplo 1: Resolver por el método de Gauss el siguiente sistema: 2 x + 4 y − 3z = 1
3x + 6 y − 5 z = 0

Sistema Original Matriz Aumentada
x + y + 2 z = 9 1 1 2 9
  
2 x + 4 y − 3z = 1 2 4 − 3 1
3x + 6 y − 5 z = 0 3 6 − 5 0


Operaciones
elementales sucesivas

Sistema Equivalente Matriz Aumentada Escalonada

x + y + 2z = 9 1 1 2 9 
  17 
 7 17 7
 y− z=− 0 1 − − 
 2 2  2 2
 z= 3  0 0 1 3 

4
 Realizando una retro - sustitució n  x =1

se obtiene la solución del sistema   y = 2
 z=3
original 

Ejemplo 2: Resolviendo el mismo ejemplo por Gauss – Jordan se obtendría:

Sistema Original Matriz Aumentada

x + y + 2 y = 9 1 1 2 9
  
2 x + 4 y − 3z = 1 2 4 − 3 1
3x + 6 y − 5 z = 0 3 6 − 5 0


Operaciones
elementales sucesivas

Sistema equivalente Matriz Aumentada Escalón Reducida

x = 1 1 0 0 1
  
y = 2 0 1 0 2 
z = 3 0 0 1 3


x =1
Se puede observar que la solución 
  y=2
se la obtiene en forma directa  z=3

Ejemplo 3: Resolver por el método de Gauss - Jordán el siguiente sistema:

 x1 + 3x2 − 2 x3 + 2 x5 = 0
2 x + 6 x − 5 x − 2 x + 4 x − 3x = −1
 1 2 3 4 5 6

 5 x3 + 10 x4 + 15 x6 = 5
2 x1 + 6 x2 + 8 x4 + 4 x5 + 18 x6 = 6

Matriz Aumentada Matriz Aumentada Escalón Reducida

1 3 − 2 0 2 0 0 1 3 0 4 2 0 0
   
2 6 − 5 − 2 4 − 3 - 1 0 0 1 2 0 0 01 
0 0 5 10 0 15 5 0 0 0 0 0 1 
   3
2 6 0 8 4 18 6  0 0 0 0 0 0 0

Sistema equivalente:

5

 x1 + 3x2 + 4 x4 + 2 x5 =0

 x3 + 2 x4 =0 (Se anuló la 4ta.fila ya que ai = 0  b = 0 )
 1
 x6 =
 3
n = número de incognitas del sistema.

Llamando de r = número de filas no nulas de la matriz aumentada equivalente o

 número de ecuaciones no nulas del sistema equivalente.

n = 6
En el ejemplo  , existirán n-r variables libres o independientes que pueden asumir
r = 3
cualquier valor real y en función de las cuales se resuelve el sistema.
Una forma sencilla de determinar cuáles son las variables libres es identificar aquellas que no
corresponden a ningún elemento distinguido.
En el ejemplo, x 2 , x 4 y x5 no corresponden a ningún elemento distinguido por lo tanto serán
las variables libres del sistema r , s y t  R se obtiene la solución del sistema original:

 x1 = −3x2 − 4 x4 − 2 x5
 x = −2 x
 3 4

 1
 x6 = 3

 x2 , x4 y x5 son las var iables libres o independientes y pueden ser cualquier número real.

Muchas veces se designan a las variable libres como parámetros que pertenecen a los reales. Por
 x2 = r  x1 = −3r − 4s − 2t
 
ejemplo si se llaman a las libres de  x4 = s se tendría que  x3 = −2s que es la solución
x = t x = 1
 5  6 3
del sistema,

 x − 2 y + 3z = 1

Ejemplo 4: Resolver por el método de Gauss el siguiente sistema:  x − y − z = 2
2 x − 3 y + 2 z = 2


Matriz Aumentada Matriz Aumentada Escalonada

1 − 2 3 1  1 − 2 3 1
   
1 − 1 − 1 2  0 1 − 4 1
2 − 3 2 2 0 0 0 - 1

Como se puede observar, en la última fila de la matriz aumentada escalonada, se tendría que
todos los coeficientes son iguales a cero y el término independiente diferente de cero; por lo

6
tanto esta ecuación es inconsistente y por ende el sistema.
(a1 = 0  b  0  el sistema es inconsistente) .

Resumiendo: Cuando se resuelve un sistema no-homogéneo, se transforma la matriz

aumentada del sistema en escalonada o escalón reducida y se obtiene un sistema equivalente. Si
se denomina de n el número total de incógnitas y de r el número de ecuaciones no nulas del
sistema equivalente o el número de filas no nulas de la matriz aumentada equivalente.
➢ Si n = r el sistema tendrá solución única.
➢ Si n > r el sistema tendrá infinidad de soluciones ya que existirán n – r variables
libres, es decir, variables que pueden asumir cualquier valor real y en función de las
cuales se resolverá el sistema. Como se dijo anteriormente una forma sencilla de
determinar las variables libres es identificar aquellas que no corresponden a los
elementos distinguidos.
➢ Si en alguna fila ocurre que a1 = 0  b  0 , entonces el sistema será inconsistente.

a11x1 + a12 x2 + ................ + a1n xn = 0

a x + a x + ............... + a x = 0
 21 1 22 2 2n n

Solución de Sistemas Homogéneos:    

   

am1 x1 + am 2 x2 + .............. + amn xn = 0

Ya que en la matriz aumentada se tendría la última columna nula, puede tomarse la matriz de
coeficientes como la matriz aumentada del sistema y se aplican los mismos métodos de
solución: Gauss y Gauss-Jordan.

Todo sistema de ecuaciones lineales homogéneo es consistente, ya que una solución de todos
estos sistemas es x1 = 0, x2 = 0,........, xn = 0. Esta solución se denomina solución trivial o
nula; en caso de que hay otras soluciones, se denominan soluciones no triviales o no nulas.

Debido a que un sistema lineal homogéneo siempre tiene la solución trivial, entonces para sus
soluciones solo hay dos posibilidades:

➢ El sistema solo tiene la solución trivial. (n = r)

➢ El sistema tiene infinidad de soluciones además de la solución trivial. (n > r)

Ejemplo 5: Resolver el siguiente sistema de ecuaciones lineales homogéneo por el método de

Gauss – Jordán.

 2 x1 + 2 x2 − x3 + x5 =0
− x − x + 2 x − 3x + x =0
 1 2 3 4 5

 x1 + x2 − 2 x3 − x5 = 0
 x3 + x4 + x5 = 0

7
Matriz Aumentada Matriz Aumentada Escalón Reducida
 2 2 -1 0 1 0 1 1 0 0 1 0
   
- 1 - 1 2 - 3 1 0 0 0 1 0 1 0 
1 1 -2 0 -1 0 0 0 0 1 0 0 
   
 0 0 1 1 1 0 0 0 0 0 0 0

Sistema equivalente:
 x1 + x2 + x5 = 0
 n = 5 (número de incognitas )
 x3 + x5 = 0    5 − 3 = 2 variableslibres
  r = 3 (número de ecuaciones no nulas)
 x4 = 0
Las variables libres son x2 y x5 y haciendo que x 2 = s y x5 = t , se obtienen las variables
principales (variables dependientes) en función de las variables libres o independientes, es
decir, la solución general del sistema:

x1 = − s − t , x 2 = s, x3 = −t , x4 = 0, x5 = t

Por lo tanto además de la solución nula o trivial, el sistema homogéneo, tiene infinidad de
soluciones no nulas o no triviales.

Análisis de un sistema con coeficientes alfa – numéricos:

Ejemplo 6: ¿Para qué valores de k el sistema no tiene solución? ¿Tiene exactamente una
solución? ¿Tiene infinidad de soluciones?

 x + 2y − 3z = 4

3x − y + 5z = 2
4 x + y + (k 2 − 14) z = k + 2


Matriz Aumentada Matriz Aumentada Escalonada

2 3 -3 4  2 3 -3 4 
   
3 - 1 5 2  0 - 7 14 − 10 
4 1 k − 14
2
k + 2 0 0 k − 16
2
k − 4

En la última fila de la matriz aumentada se tienen dos ecuaciones en función de k, se toma la

ecuación de la izquierda para determinar para qué valores es igual a cero y estos valores se
remplazan en la ecuación de la derecha para analizar la solución del sistema:

k = −4
k 2 − 16 = 0   Sustituyendo estos valores en la otra ecuación:
k = 4

8
 ➢ Si k = −4 , la última fila de la matriz aumentada escalonada será 0 0 0 − 8, donde
se observa que a1 = 0  b  0 . Por lo tanto el sistema no tiene solución.
➢ Si k = 4 , la última fila de la matriz aumentada escalonada será 0 0 0 0 , esta
ecuación nula será eliminada del sistema equivalente, (n = 3) > (r = 2), por lo tanto
existirán n – r variables libres y el sistema tendrá infinidad de soluciones.
− 4
➢ Si k   la última fila será diferente de cero y n = r =3 y el sistema tendrá solución
 4
única.

Ejercicios propuestos:

Analizar cada uno de los siguientes sistemas de ecuaciones lineales:

¿Para qué valores de k el sistema no tiene solución? ¿Tiene exactamente una solución?
¿Tiene infinidad de soluciones?

 x + y + kz = 2 x − 3z = −3
 
1. 3x + 4 y + 2 z = k 3. 2 x + ky − z = −2
2 x + 3 y − z = 1  x + 2 y + kz = 1
 
kx + y + z = 1
  x + 2 y + kz = 1
2.  x + ky + z = 1 4. 
 x + y + kz = 1 2 x + ky + 8 z = 3


Analizar los siguientes sistemas donde a, b y c son constantes:

 x + 2 y − 3z = a x − 2 y + 4z = a
 
1. 3x − y + 2 z = b 2. 2 x + 3 y − z = b
x − 5 y + 8z = c 3x + y + 3z = c
 

Resolución de problemas por medio del planteamiento de un sistema de ecuaciones.

1. Determine lo que debe encontrar. Asigne una variable a cada incógnita y anote lo que
representa.
2. Anote cualquier otra información. Si es apropiado, dibuje una figura o un diagrama y
márquelo utilizando las variables del primer paso. Utilice una tabla o un diagrama para
resumir la información.
3. Escriba un sistema de ecuaciones. Por lo general existirán tantas ecuaciones como
incógnitas.
4. Resuelva el sistema utilizando los métodos matriciales.
5. Responda a la (s) pregunta (s). Asegúrese de haber respondido todas las preguntas
planteadas.
6. Verifique. Verifique su solución o soluciones en el problema original. Asegúrese de que
las respuestas tengan sentido.

9
Ejemplos:

1. En un parque de diversiones, los boletos para los adultos se venden en $ 5.50, para los
jóvenes en $ 4.00 y para los niños $ 1.50. El día de la apertura, el número de boletos
para jóvenes y niños que se vendieron fue 30 más que la mitad de los boletos de adultos.
El número de boletos vendido para jóvenes fue 5 más que cuatro veces el número de
boletos para niño. ¿Cuántos boletos de cada tipo se vendieron si la venta total de boletos
ascendió a $ 14 970?
x = Número de boletos para adultos

Identificación de las incógnitas y = Número de boletos para jovenes
z = Número de boletos para niños

Tomando en cuenta las condiciones que se proponen en el problema:
• El número de boletos para jóvenes y niños, que se vendieron, fue 30 más que la
mitad de los boletos para adultos, es decir, y + z = 12 x + 30
• El número de boletos para jóvenes fue 5 más que cuatro ves el número de boletos
para niños, es decir, y = 5 + 4 z
• Como la venta total ascendió a la suma de $ 14 970, con el precio de cada una y
las incógnitas que representan la cantidad de las mismas se tendrá
5,5x + 4 y + 1,5z = 14970
 y + z = 12 x + 30

Por lo tanto, el sistema que resolverá el problema es:  y = 5 + 4 z
5,5 x + 4 y + 1,5 z = 14970


Para tener coeficientes enteros se multiplica la primera ecuación por 2, la tercera por

 x − 2 y − 2 z = 30

10 y ordenando el sistema se tendrá:  y − 4z = 5 resolviendo el sistema
55 x + 40 y + 15 z = 14970


 x = 2050 boletos para adultos.


por Gauss o por Gauss – Jordán se tiene que:  y = 845 boletos para jovenes.
 z = 210 boletos para niños


2. Una solución A contiene 2% de alcohol y otra solución B 6% de alcohol. El propietario

de una estación de servicio quiere mezclar las dos soluciones para obtener 60 litros de
una solución que contenga 3.2% de alcohol. ¿Cuántos litros de cada solución necesita
utilizar el propietario?

x = Cantidad de litros de la solución A

Identificación de las incógnitas 
 y = Cantidad de litros de la solución B

Tomando en cuenta las condiciones que se proponen en el problema:

10
 • El total de litros que se desea obtener será: x + y = 60
• Tomando en cuenta los porcentajes de alcohol de cada solución y el de los 60
litros se tiene que: (2%) x + (6%) y = (3,2%)60

 x + y = 60
Por lo tanto, el sistema que resolverá el problema es: 
(2%) x + (6%) y = (3,2%)60

 2x
(2%) x = 100 = 0,02 x

 6y  x + y = 60
donde (6%) y = = 0,06 y entonces 
 100 0,02 x + 0,06 y = 1,92
 (3,2)60
(3,2%)60 = 100 1,92


multiplicando la segunda fila por 100, para que los coeficientes sean anteros se

 x + y = 60
tendrá:  y resolviendo el sistema por Gauss o Gauss – Jordán se tiene
2 x + 6 y = 192

x = 42 de litros de la solución A
que 
 y = 18 de litros de la solución B

https://www.youtube.com/watch?v=EYG1XvNUZF0 (claves para plantear problemas)

https://www.youtube.com/watch?v=W1VTTSQRsFc (planteamiento de problemas)

https://www.youtube.com/watch?v=ka9SM_pGIvI (clasificación de sistemas)

https://www.youtube.com/watch?v=y1ELiB12BlM (método de Gauss, sistema no homogéneo)

https://www.youtube.com/watch?v=Wf_5ukdJw_w (método de Gauss, sistema homogéneo)

11
 TRABAJO PRACTICO Nº 2

ALGEBRA LINEAL - ALGEBRA LINEAL Y MATRICIAL

SISTEMAS DE ECUACIONES LINEALES
1. Revisando conceptos:

a) Defina una ecuación lineal.

b) Defina un sistema de ecuaciones lineales.
c) ¿Qué es una solución de la ecuación lineal a1 x1  a2 x2  .............  an xn  b ?
d) Defina que es un sistema homogéneo no homogéneo y analice sus posibilidades de
solución.
e) Defina que es un sistema homogéneo y analice sus posibilidades de solución.
2. Identifique cuáles de las siguientes ecuaciones son lineales y cuáles no. En caso
afirmativo, indique el número de incógnitas de la ecuación:

a) 3 x  4 ...............................................................................................................
b) x  y  5 ...........................................................................................................
c) 2 xy  3 z  0 .......................................................................................................
d) log x  3 y  5 ....................................................................................................
e) 3 z  5 z  3 y  5 ..............................................................................................
f) Sen3 x  y  7 ....................................................................................................
3. Verdadero o falso. Justifique.

a) Todo sistema de ecuaciones lineales con tres ecuaciones y tres incógnitas es

compatible.
b) Los sistemas homogéneos son siempre compatibles.
c) Un sistema indeterminado es aquel que no tiene solución.
d) La solución trivial no es solución de un sistema no homogéneo

4. Para que valor de “ k “ el sistema No tiene solución, tiene infinitas soluciones, tiene
solución única:
kx1  x2  x3  1  x1  x 2  3 x 3  4 x  3 z  3
  
a)  x1  kx2  x3  1 b)  3 x1  x 2  5 x 3  2 c) 2 x  ky  z  2
 x  x  kx  1   x  2 y  kz  1
 4 x1  x 2  ( k  14 ) x 3  0
2
 1 2 3 

kx  y  z  1
  x  2 y  kz  1 x  y  3
d)  x  ky  z  1 e)  f) 
 x  y  kz  1 2 x  ky  8 z  3 2 x  2 y  3k

5. Resolver los siguientes sistemas de ecuaciones lineales por el método a) De Gauss b)
Gauss - Jordan:
 3x1  2 x 2  x 3  15
5 x  3x  2 x  0
 x1  x 2  x 3  4  1 2 3
 
a) 4 x1  x 2  5 x 3  7 b) 3x1  x 2  3x 3  11
2 x  2 x  3 x  0 11x1  7 x 2  30
 1 2 3

6. Para que valores de los términos independientes a,b y c los sistemas dados son
compatibles o incompatibles:
2 x 1  3 x 2  x 3  a
 2 x 1  x 2  3 x 3  a
 x1  x 2  5 x 3  b 
a)  b) 3x1  x 2  5 x 3  b
3x1  7 x 2  21x 3  c  5 x  5 x  21x  c
 1 2 3

7. Para el sistema homogéneo dado, para que valor de “k” , tiene soluciones no triviales?
2 x 1  3 x 2  5 x 3  0

  x1  7 x 2  x 3  0
4 x  11x  kx  0
 1 2 3

8. Resolver los sistemas homogéneos dados, indicando si tienen soluciones no triviales:

3x1  2 x 2  4 x 3  0
a) 
4 x 1  3 x 2  2 x 3  0
 x1  x 2  x 3  0

4 x 1  x 2  5 x 3  0
b) 
2 x 1  2 x 2  3 x 3  0

9. Resolver los sistemas dados, mediante la ecuación matricial : X  A 1 .B

2 x 1  5 x 2  x 3  4 2 x 1  8 x 2  6 x 3  5
 
a) 4 x1  x 2  3x 3  3 b) 4 x1  2 x 2  2 x 3  7
 2 x  2 x  5 3x  x  x  4
 1 2  1 2 3

10. Un departamento de pesca y caza del estado proporciona tres tipos de comida a un lago
que alberga a tres especies de peces. Cada pez de la especie 1 consume cada semana un
promedio de 1 unidad del alimento A, 1 unidad del alimento B y 2 unidades del
alimento C. Cada pez de la especie 2 consume cada semana un promedio de 3 unidades
del alimento A, 4 del B y 5 del C. Para un pez de la especie 3, el promedio semanal de
consumo es de 2 unidades del alimento A, 1 unidad del alimento B y 5 unidades del C.
Cada semana se proporciona al lago 25.000 unidades del alimento A, 20.000 unidades
del alimento B y 55.000 del C. Si se supone que los peces se comen todo el alimento.
¿Cuántos peces de cada especie pueden coexistir en el lago?

11. Un viajero que acaba de regresar de Europa gastó 30 $ diarios en Inglaterra, 20 $

diarios en Francia y 20 $ diarios en España por concepto de hospedaje. En comida gasto
20 $ diarios en Inglaterra, 30 $ diarios en Francia y 20 $ diarios en España. Sus gastos
adicionales fueron de 10 $ diarios en cada país. Los registros del viajero indican que
gastó un total de 340 $ en hospedaje, 320 $ en comida y 140 $ en gastos adicionales
durante su viaje por estos tres países. Calcule el número de días que pasó el viajero en
 cada país o muestre que los registros deben estar incorrectos debido a que las cantidades
gastadas no son compatibles una con la otra. ( según sea el caso).

12. El tesorero de un club invirtió $5000 de los ahorros en tres cuentas distintas, a intereses
anuales de 8, 9 y 10%. El interés total ganado en un año fue de $460. La cantidad
ganada por el depósito al 10% fue de $20 más que la que se ganó al 9%. ¿Cuánto se
invirtió con cada tasa de interés?

13. Un restaurante tiene 15 mesas en total, el modelo A tiene 4 asientos cada una, el
modelo B tiene 6 asientos cada una y el modelo C con 10 asientos cada una. La
capacidad total de asientos del restaurante es 86. Los domingos solo utilizan 6 mesas,
la mitad del modelo A, un cuarto del modelo B y una tercera parte del modelo C.
¿Cuántas mesas de cada modelo tiene el restaurante?

14. Un veterinario desea controlar la dieta de un animal de modo que, mensualmente, el

animal consuma 60 libras de avena, 75 de maíz y 55 de soya. Además de heno, pastura
y agua. Tiene tres alimentos disponibles, cada uno con avena, maíz y soya, como
muestra la siguiente tabla. ¿Cuántas libras de cada alimento debe usar para obtener la
mezcla deseada?
Avena Maíz Soya
1 lb del alimento A 6 onzas 5 onzas 5 onzas
1 lb del alimento B 6 onzas 6 onzas 4 onzas
1 lb del alimento C 4 onzas 7 onzas 5 onzas

15. Una farmacéutica necesita 100 litros de solución de alcohol al 50%. Tiene a la mano
soluciones de alcohol al 30% y al 80%, que puede mezclar. ¿Cuántos litros de cada una
se requerirán para hacer los 100 litros de la solución al 50%?

16. Los precios de las entradas a un partido de fútbol fueron de $ 6 para adultos y $ 2 para
niños. El valor total de los boletos vendidos fue de $ 2.528, y se vendieron 454 boletos.
¿Cuántos adultos y cuántos niños asistieron al juego?

17. Dos ejecutivos, en ciudades a una distancia de 400 kilómetros una de la otra, conducen
a una cita de negocios en una localidad que está en la línea entre la línea que separa sus
ciudades. Se encuentran al cabo de 4 horas. Determine la velocidad de cada automóvil,
si uno viaja a 20 kilómetros por hora más rápido que el otro. (Nota:
dis tan cia  velocidad x tiempo )

18. Juan compró manzanas, hamburguesas y leche en el supermercado. Las manzanas

costaban $ 0.70 cada kilo, las hamburguesas costaban a $1.50 el kilo y la leche estaba a
$ 0.80 el litro. El número de kilos de manzanas, que Juan compró, es igual al doble del
número de kilos de hamburguesas. El número de litros de leche fue uno más que el
número de kilos de hamburguesas. Si pagó en total $8.20. ¿Cuánto compró de cada
artículo?

19. Se hace una mezcla para una fiesta, combinando nueces que se venden a $ 2.50 el
kilogramo con una mezcla de cereal que se vende a $ 1.00 el kilogramo. ¿Cuánto de
cada uno debe combinarse para obtener 30 kilogramos de la mezcla que se venderá a $
1.70 el kilogramo?
20. Una bebida popular de fruta se fabrica con una mezcla de jugos de frutas. Tal mezcla
con 50% de jugo se combinará con otra mezcla que tiene 30% de jugo para obtener 200
litros de una mezcla que tenga 45% de jugo. ¿Cuánto debe utilizarse de cada uno?

21. Se invirtió un total de $ 3.000, parte al 2% de interés simple y parte al 4%. Si la

ganancia total anual de las dos inversiones es de $100, ¿Cuánto se invirtió en cada tasa
de interés?

22. Un hombre debe invertir un total de $ 15.000 en dos cuentas, una que paga 4% anual de
interés simple y la otra de 3%. Si quiere obtener $ 550 de interés anual ¿Cuánto debe
invertir en cada tasa?

23. Un tren de carga y un expreso parten de ciudades que se encuentran a 390 kilómetros de
distancia y viajan uno hacia el otro. El tren de carga viaja 30 kilómetros por hora más
lento que el expreso. Los trenes se encuentran 3 horas después de haber partido.
¿Cuáles son sus velocidades?

24. Un tren viaja 150 kilómetros en el mismo tiempo en que un avión cubre 400 kilómetros.
Si la velocidad del avión es 20 kilómetros por hora menor que 3 veces la velocidad del
tren, encuentre ambas velocidades.

25. Un fabricante de reproductores portátiles de discos compactos (CD) envió 200 de los
reproductores a sus dos almacenes en Québec. Costó $ 3.00 por unidad el envió al
almacén A y $ 2.50 por unidad el envió al almacén B. Si el costo total del envió fue de
$ 537.50, ¿cuántas unidades se enviaron a cada almacén?

26. Un camión de entregas llega al almacén La Confianza con 8 cajas pequeñas y 5

grandes. El cobro total de las cajas incluyendo el impuesto y los gastos de envío, es de $
184.00. El flete de una caja grande cuesta $ 3.00 más que el de una caja pequeña. ¿Cuál
es el costo del flete de cada una de las cajas?

27. Una solución A contiene 2% de alcohol y otra solución B 6% de alcohol. El propietario

de una estación de servicio quiere mezclar las dos soluciones para obtener 60 litros de
una solución que contenga 3.2% de alcohol. ¿Cuántos litros de cada solución necesita
utilizar el propietario?

28. La soya contiene un 16% de proteínas y el maíz un 9%. ¿Cuántos kilogramos de cada
uno de estos ingredientes se debería mezclar para obtener una mezcla de 350
kilogramos con 12% de proteínas?

29. Una inmobiliaria vende terrenos sin explotar. En tres ventas recientes, obtuvo 10%, 6%
y 5% de comisión. Sus comisiones totales sobre estas ventas fueron de $ 8.500, y
vendió propiedades con un valor de $ 140.000. Si la venta del 5% ascendió a la suma de
las otras dos, ¿cuáles fueron los precios de las tres ventas?

30. Tres clases de boletos están disponibles para un concierto de rock: “palcos”,
“preferencia” y “balcones”. Los boletos de palco cuestan 2 dólares más que los boletos
de preferencia, mientras que los boletos de preferencia cuestan 1 dólar más que los
boletos de balcones. El doble del costo de un boleto de palco es 1 dólar menos que 3
veces el costo de un boleto de balcones. Encuentre el precio de cada clase de boleto.
31. En un parque de diversiones, los boletos para los adultos se venden en $ 5.50, para los
jóvenes en $ 4.00 y para los niños $ 1.50. El día de la apertura, el número de boletos
para jóvenes y niños que se vendieron fue 30 más que la mitad de los boletos de
adultos. El número de boletos vendido para jóvenes fue 5 más que cuatro veces el
número de boletos para niño. ¿Cuántos boletos de cada tipo se vendieron si la venta
total de boletos ascendió a $ 14 970?

32. Una compañía produce tres tipos de muebles para patio: sillas, mecedoras y sillones
reclinables. Una silla requiere de 1 unidad de madera, 1 unidad de plástico y 1 unidad
de aluminio, una mecedora requiere de 1, 1 y 3 unidades de madera, plástico y
aluminio respectivamente y un sillón requiere de 1, 2 y 5 unidades de cada material.
La compañía tiene 400 unidades de madera, 600 unidades de plástico y 1500 unidades
de aluminio. Para fin de año, la compañía quiere utilizar todas sus existencias. Para
esto, ¿cuántas sillas, mecedoras y sillones debe fabricar?
UNIDAD No. 3
ALBEBRA LINEAL
FUNCIÓN DETERMINANTE

Función Determinante: Se esta muy familiarizado con funciones tales como

f ( x) = x3 − 2, y f ( x) = sen x en las que a un número real f (x) se le asocia un valor real
de la variable x. Estas funciones se describen como “funciones con valores reales de una
variable real”. Si por el contrario a una matriz cuadrada X se le asocia un número real
f (x) se tendrá una “función real con variable matricial”, esto define la función
determinante. Esta función puede aplicarse en el estudio de sistemas de ecuaciones lineales
y además permitirá llegar a una fórmula para el cálculo de la inversa de una matriz.

Para poder definirla en forma general en necesario dar algunos conceptos sobre
permutaciones, producto elemental y otros.

Permutaciones:

Definición: Una permutación del conjunto de enteros 1, 2, 3,...., n es un arreglo de

estos enteros, en algún orden, sin omisiones ni repeticiones. En general se denomina
de S n al número total de permutaciones del conjunto 1, 2, 3,...., n.

Ejemplo 1: Sea el conjunto de enteros 1, 2, 3, 4, entonces (1, 3, 4, 2), (3, 1, 4, 2) y (4, 3,
2, 1) son algunas de las permutaciones que se pueden obtener con estos cuatro enteros. Si
se quiere determinar el número total de permutaciones, ( S4 ) , puede hacerse de dos maneras:
• Sistemáticamente por medio de un árbol de permutaciones.
• Analíticamente, a través de la fórmula 4! (factorial de 4)

Árbol de Permutaciones:

Analíticamente: Sin enumerar todas las permutaciones, analíticamente se pude determinar

el valor de S 4 a través del siguiente razonamiento:
En cada permutación deben llenarse cuatro posiciones ( __ , __ , __ , __ ); La primera
posición pude llenarse de 4 maneras diferente, una vez hecho esto, la segunda posición
podrá llenarse de 3 maneras diferentes, por lo tanto hay 4x3 maneras diferentes de llenar las
dos primeras posiciones simultáneamente; como la tercera posición puede llenarse de 2

1
maneras diferentes, hay 4x3x2 formas de llenar las tres primeras posiciones; finalmente,
como la última posición se la puede llenar de 1 sola manera, hay 4x3x2x1 =4 ! = 24
maneras diferentas de llenar las cuatro posiciones.
En general para el conjunto de enteros 1, 2, 3,...., n, S n = n ! = n  (n − 1)  (n − 2)    2  1
Una permutación genérica será: ( j1 , j2 , j3 ,......, jn ) donde j1 es el primer entero de la
permutación, j2 es el segundo y así sucesivamente.

Inversión o trasposición: En una permutación ( j1 , j2 , j3 ,......, jn ) se dice que ocurre una

inversión siempre que un entero mayor precede a un entero menor. El número total de
inversiones en una permutación ( j1 , j2 , j3 ,......, jn ) puede obtenerse como sigue:
1. Encontrar el número de enteros que son menores que j1 y que están después de j1
en la permutación.
2. Encontrar el número de enteros que son menores que j2 y que están después de j2
en la permutación.
3. Continuar con este proceso de conteo para j3 , j4 ,..., jn −1. La suma de estos números
es el número total de inversiones que hay en la permutación.

Definición: Se dice que una permutación es par si el número total de inversiones es

un entero par, y es impar si el número total de inversiones es un entero impar.

Ejemplo 2: Clasificar como par o impar cada una de las permutaciones del conjunto de
enteros 1, 2, 3.

Permutación Número de Clasificación

inversiones
(1, 2, 3) 0 par
(1, 3, 2) 1 impar
(2, 1, 3) 1 impar
(2, 3, 1) 2 par
(3, 1, 2) 2 par
(3, 2, 1) 3 impar

Producto Elemental en una matriz A (nxn): Es cualquier producto de n elementos de A,

donde cada uno de los elementos pertenecen a filas y columnas diferentes de A.

Ejemplo 3: Enumerar los productos elementales de las siguientes matrices:

2
  a11 a12 a13 . . . a1n 
a . a2 n 
 a11 a12 a13   21 a22 a23 . .
 a11 a12 
a) A =   b) A = a21 a22 a23  c) A =  . . . . . . . 
a21 a22     
a31 a32 a33   . . . . . . . 
an1 an 2 an 3 . . . ann 

a) Como cada producto elemental tiene dos factores y cada factor proviene de filas
diferentes, un producto elemental tendrá la forma
a1−  a2−
donde los espacios en blanco deben llenarse con una permutación del conjunto de enteros
1, 2, ya que son dos las columnas de la matriz. De esta manera los únicos productos
elementales son a11  a22 y a12  a21 .

b) Como cada producto elemental tiene tres factores y cada factor proviene de filas
diferentes, un producto elemental tendrá la forma
a1−  a2 −  a3−
donde los espacios en blanco deben llenarse con una permutación del conjunto de enteros
1, 2, 3, ya que son tres las columnas de la matriz. De esta manera y tomando en cuenta los
resultados del ejemplo 2 se obtendrán lo siguientes 6 productos elementales:

a11  a22  a33 a12  a21  a33 a13  a21  a32|

a11  a23  a32 a12  a23  a31 a13  a22  a31

c) Como cada producto elemental tiene n factores y cada factor proviene de filas y
columnas diferentes, un producto elemental genérico tendrá la forma

a1 j1  a2 j2  a3 j3 ..........anjn

Donde ( j1 , j2 , j3 ,......, jn ) es una permutación de las n! (n – factorial) permutaciones del

conjunto de enteros 1, 2, 3,...., n que representan a las n columnas de la matriz A. Para
esta matriz se tendrán n! (n – factorial) productos elementales.

Producto Elemental con signo: es producto elemental a1 j1  a2 j2  a3 j3 ..........anjn

multiplicado por +1 o por –1. Si ( j1 , j2 , j3 ,......, jn ) es una permutación par el producto
elemental será multiplicado por +1 y si ( j1 , j2 , j3 ,......, jn ) es una permutación impar será
multiplicado por –1.

Ejemplo 4: Enumerar todos los productos elementales con signo de las matrices de los
incisos (a) y (b) del ejemplo anterior.

3
Solución:

Producto Permutación Producto elemental

elemental asociada Par o impar con signo
a11  a22 (1, 2) par + a11  a22
a12  a21 (2, 1) impar - a12  a21

Producto Permutación Producto elemental

elemental asociada Par o impar con signo
a11  a22  a33 (1, 2, 3) par + a11  a22  a33
a11  a23  a32 (1, 3, 2) impar - a11  a23  a32
a12  a21  a33 (2, 1, 3) impar - a12  a21  a33
a11  a23  a32 (2, 3, 1) par + a11  a23  a32
a13  a21  a32| (3, 1, 2) par + a13  a21  a32|
a13  a22  a31 (3, 2, 1) impar - a13  a22  a31

Con todos estos conceptos ahora si se puede definir la función determinante.

Definición: Sea A una matriz cuadrada. La función determinante se denota por det, y
det(A) se define como la suma de los productos elementales con signo de A. El
número, det (A), se denomina determinante de A.

Ejemplo 5: Encontrar el determinante de las matrices del ejemplo 3 (a) y (b).

 a11 a12  a11 a12

a) det A = det  = = a11  a22 − a12  a21
a21 a22  a21 a22
 a11 a12 a13 
b) det A = det a21 a22 a23  =
a31 a32 a33 

a11 a12 a13

= a 21 a 22 a 23 = a11a 22 a33 + a12 a 23a31 + a13a 21a32 − a13a 22 a31 − a12 a 21a33 − a11a 23a32
a31 a32 a33

Para evitar la memorización de estas expresiones se puede utilizar los métodos de Sarrus o
nemotécnicos, mostrados a seguir:

4
  a11 a12 a13  a11 a12
 a11 a12  a
a a23  a 21
a 22   21 a 22 a 22
 21 a31 a32 a33  a31 a32

(-) (+) Productos elementales negativos Productos elementales positivos

En el segundo ejemplo se podrían repetir las filas en lugar de las columnas y el resultado
sería el mismo.

Advertencia importante: Este método nemotécnico no funciona para matrices de (4 x 4) o

superiores.
1 2 3
 2 − 3 
Ejemplo 6: Calcular el determinante de A =   y B = − 2 3 5 
1 − 4  0 − 4 − 6
2 −3
a) det A = = (2)( −4) − (−3)(1) = −8 + 3 = −5
1 −4

 1 2 3 1 2

b) − 2 3 
5  −2 3
 0 − 4 − 6 0 − 4

det B = (1)(3)(−6) + (2)(5)(0) + (3)(−2)(−4) − (3)(3)(0) − (1)(5)(−4) − (2)(−2)(−6)

= − 18 + 0 + 24 − 0 + 20 − 24
= +2

Propiedades de la Función Determinante:

Como ya se advirtió antes, el método de Sarrus solo puede utilizarse para matrices de (3
x 3). Si se tuviera que utilizar la definición para calcular el determinante de matrices de
ordenes superiores a (3 x 3) se tendrían extensos cálculos que inclusive la computadora
digital más rápida sería incapaz de manejar el cálculo en una cantidad de tiempo razonable
para una matriz de (25 x 25), por ejemplo. Por esta razón es necesario el estudio de las
propiedades de esta función que nos permitan llegar a métodos mas rápidos y eficientes.
Sea A(nxn) , matriz cuadrada, entonces:
Teorema 1: El determinante de una matriz y el de su transpuesta son iguales. A = At .
a) Si A tiene una fila (columna) nula, entonces el det(A) = 0.
b) Si A tiene dos filas (columnas) idénticas, entonces det(A) = 0.

Teorema 2: 
c) Si A es triangula r superior o inferior, entonces det(A) es igual al producto
 de los elementos de su diagonal principal y en particular det(I) = 1.

5
Entiéndase por filas (columnas) idénticas aquellas que son iguales o una de ellas es
combinación de las otras.

a) Si B es la matriz que se obtiene cuando se intercambi an dos filas

 (columnas), entonces det( B) = − det( A)

b) Si B es la matriz que se obtiene cuando una sola fila (columna) de A se
Teorema 3: 
 multiplica por un escalar k, entonces det( B) = k det( A).
c) Si B es la matriz que se obtiene cuando un múltiplo de una fila

 (columna) de A se suma a otra fila (columna), entonces det(B) = det(A).

Ejercicio: Con matrices de (3 x 3) verificar todos los teoremas anteriores.

a) Determinante de una matriz y el de su transpuesta son iguales.

3 1 0 3 − 2 5 
A = − 2 − 4 3   det( A) = −1
 A = 1 − 4 4   det( At ) = −1
t

 5 4 − 2 0 3 − 2

b) Filas o columnas nulas, entonces el determinante es igual a cero.

 2 3 − 2  3 0 − 2
A = 0 0 0   det( A) = 0 A =  5 0 4   det( A) = 0
4 2 1  − 3 0 5 

c) Filas o columnas idénticas, entonces el determinante es igual a cero

1 2 3 3 5 5
A = 7 5 3  det( A) = 0 A = 7 − 3 − 3  det( A) = 0

1 2 3 8 − 6 − 6
filas iguales columnas iguales

1 2 3 1 2 3
A = 7 8 5  det( A) = 0 A = 2 − 1 6  det( A) = 0
3 6 9 1 4 3
fila multiplo de otra columna multiplo de otra

1 2 3 1 2 3
A = 5 − 1 4  det( A) = 0 A = 5 − 1 4  det( A) = 0
6 1 7 1 4 5
fila suma de las otras columna suma de las otra

6
d) Matriz triangular superior o inferior

3 6 − 5 3 0 0
A = 0 − 2 4   det( A) = −24 A = − 4 − 1 0  det( A) = −6

0 0 4   5 3 2

f) Aplicaciones del teorema 3:

 5 4 − 2
  
• P13 → A  B = − 2 − 4 3   B = − A = 1
  3 1 0 

3 1 0  3 1 0 

A = − 2 − 4 3   A = −1  • M 2(-2) → A  B = 4 8 − 6  B = (−2)  A = 2
 
 5 4 − 2  5 4 − 2

 3 1 0
  
• A 21(2) → A  B = − 8 − 6 3  B = A = −1
  5 4 2


Cálculo del determinante de una matriz A(n x n) por reducción a la forma triangular:

La idea del método es reducir la matriz dada a la forma triangular (superior o inferior) y
aplicar el inciso c del teorema 2, sin embargo, al reducir la matriz a la forma triangular se
utilizarán operaciones elementales de fila o de columna que pueden o no cambiar el valor
de la función de acuerdo al teorema 3. Por lo tanto si se toman en cuanta estos cambios se
pude aplicar este método para encontrar el determinante de una matriz A(n ) .

Ejemplo 7:
0 1 5
Evaluar el determinante de A = 3 − 6 9 , reduciéndola a la forma triangular superior.
2 6 1

0 1 5 3 −6 9
Intercambio de las filas
det( A) = 3 − 6 9 = − 0 1 5
primera y segunda (P12)
2 6 1 2 6 1
1 −2 3
Factorizando el 3 en la
= −3 0 1 5 primera fila.
2 6 1

7
 1 −2 3
Suma de –2 veces la primera
= −3 0 1 5 fila con la tercera fila (A31(-2))
0 10 − 5
1 −2 3
= −3 0 1 5 Suma de –10 veces la segunda
fila con la tercera fila (A32(-10))
0 0 − 55
1 −2 3
Factorizando -55 de la tercera
= (−3)(−55) 0 1 5
fila
0 0 1
= (−3)(−55)(1) = 165
Ejemplo 8:
1 0 0 3
2 7 0 6 
Evaluar el determinante de A =  , reduciéndola a la forma triangular
0 6 3 0
 
7 3 1 − 5
inferior.

1 0 0 3 1 0 0 0
2 7 0 6 2 7 0 0
det( A) = = = (1)(7)(3)( −26) = −546
0 6 3 0 0 6 3 0
7 3 1 −5 7 3 1 − 26
A c41(-3)

Teorema 4: Para toda matriz A(n x n), las siguientes proposiciones son equivalentes:
a) A es invertible (A tiene inversa)
b) A es no-singular-
c) det( A)  0

Teorema 5: El determinante es una función multiplicativa, o sea que el determinante de un

producto de matrices es igual al producto de sus determinantes.
det( AB) = det( A)  det( B)

Ejercicio: Si A(n ) , evaluar el det(kA) y det( A−1 ) .

Solución:
a) Como del determinante puede sacarse un factor común de cualquier fila de una
matriz, y como cada una de las n filas de kA tiene un factor común igual a k, se
obtiene

det(kA) = k n det( A)

8
 b) Sabemos que A  A−1 = I , aplicando la función determinante a ambos
miembros de la igualdad y aplicando el teorema 5 se tiene que:

1
det( A−1 ) =
det( A)

Cálculo del determinante de una matriz A(n ) por el método de La – Place:

Este método es muy útil para la evaluación de determinantes manualmente y además nos
permite hacer otras aplicaciones como la obtención de una fórmula para encontrar la
inversa de una matriz y la solución de ciertos sistemas de ecuaciones lineales. Para
desarrollar el método es necesario definir antes menores y cofactores de un elemento
genérico aij  A(n ) .

Menores y cofactores del elemento aij :

El menor del elemento aij , denotado por M ij , es igual al determinante de la submatriz

que queda al eliminar la fila i y la columna j de la matriz A.

El cofactor del elemento aij , denotado por Aij , es igual al menor del elemento con signo
positivo o negativo de acuerdo a la siguiente expresión: Aij = ( −1)i + j M ij .

1 3 − 2
Ejercicio: Calcular el menor y el cofactor de todos los elementos de A = 4 2 5 
1 − 3 0 

 2 5  4 5  4 2
 M 11 = = 15  M 12 = = −5  M 13 = = −14
a11   −3 0 a12   1 0 a13   1 −3
 A = (−1)1+1 M = 15  A = (−1)1+2 M = 5  A = (−1)1+3 M = −14
 11 11  12 12  13 13

 3 −2  1 −2  1 3
 M 21 = = −6  M 22 = =2  M 23 = = −6
a21   −3 0 a22 =  1 0 a23 =  1 −3
 A = (−1) 2+1 M = 6  A = (−1) 2+2 M = 2  A = (−1) 2+3 M = 6
 21 21  22 22  23 23

 3 −2  1 −2  1 3
 M 31 = = 19  M 32 = = 13  M 33 = = −10
a31   2 5 a32   4 5 a33   4 2
 A = (−1) 3+1 M = 19  A = (−1) 3+2 M = −13  A = (−1)3+3 M = −10
 31 31  32 32  33 33

9
Teorema 6: (Método de La – Place o de Cofactores) El determinante de una matriz A(n x
n) se pude obtener multiplicando los elementos de una fila (columna) de A por sus
respectivos cofactores y sumando luego todos los productos resultantes. Es decir

det( A) = a i1 Ai1 + a i 2 Ai2 + ........... + a in Ain

(Desarrollado el método a lo largo de la fila i )

det( A) = a1 j A1j + a 2 j A2 j + .........+ a nj Anj

(Desarroll ado el método a lo largo de la columna j )

Nota: Al aplicar el método de La – Place es conveniente escoger la fila o columna que

tenga la mayor cantidad de ceros y además a través de operaciones elementales sucesivas
aplicadas convenientemente se puede dejar un solo elemento unitario en una fila o columna
de esta forma se va reduciendo el orden de la matriz hasta llegar a una de (2x2).

Ejercicios: Calcular el determinante de los ejemplo 7 por el método de La – Place.

0 1 5
Del ejemplo 7 A = 3 − 6 9 , desarrollando el método de La- Place a lo largo de la
2 6 1
primera fila: A = a11 A11 + a12 A12 + a13 A13

3 9 3 −6
A = (1)( −1) + (5)(1) = (1)(15) + (5)(30) = 165
2 1 2 6

Cálculo de la inversa de una matriz por determinantes:

 A11 A12 . . A1n 

   
 A21 A22 . . A2n 
Si A(n ) y Aij es el cofactor del elemento aij , entonces  .

. . . .  es la matriz
 
 . . . . . 
 A An2  
 n1 . . Ann 
de cofactores de A.

La transpuesta de esta matriz se denomina Adjunta de A o Adjunto clásico de A. ( adj(A ))

Teorema 7: Para toda matriz A(n ) se tiene que:

A  adj( A) = adj( A)  A = A  I

10
donde I es la matriz identidad de orden n Por lo tanto si A  0 , entonces

1
A−1 = adj( A)
A

Aplicación de la función determinante en sistemas de ecuaciones lineales:

Si en un sistema no-homogéneo, A X = B , el número de ecuaciones es igual al número de

incógnitas y además A  0 , llamando de  = A y de  i el determinante de la matriz que
se obtiene reemplazando la columna i de A por la matriz columna de los términos
independientes, entonces:

• Según la Regla de Cramer el sistema tendrá solución única. Esta solución es

1   
x1 = , x2 = 2 , x3 = 3 , . . . . . . . . . . . . , xn = n
   

Ejercicio: Resolver el ejemplo 1 de la unidad anterior, aplicando la regla de Cramer.

x + y + 2z = 9 1 1 2

2 x + 4 y − 3z = 1   = A = 2 4 − 3 = −1
3x + 6 y − 5 z = 0 3 6 −5


9 1 2 1 9 2 1 1 9
1 = 1 4 − 3 = −1  2 = 2 1 − 3 = −2 3 = 2 4 1 = −3
0 6 −5 3 0 −5 3 6 0

1 − 1 2 − 2 3 − 3
Luego: x= = =1 y= = =2 z= = =3
 −1  −1  −1

• Matricialmente, como A  0 , entonces existe la inversa de A, por lo tanto de la

ecuación matricial A X = B , podemos obtener X = A−1 B que es la solución del sistema.

x + y + 2z = 9
 −1
2 x + 4 y − 3z = 1  AX = B despejando X de esta ecuación matricial  X = A B
3x + 6 y − 5 z = 0


1 1 2   2 − 17 11 
A = 2 4 − 3  A = − 1 11 − 7
−1

3 6 − 5  0 3 − 2

11
  x   2 − 17 11  9 1 x =1

X =  y  = − 1 11 − 7  1 = 2  y = 2
 z   0 3 − 2 0 3 z = 3


12
 1

TRABAJO PRACTICO Nº 3

ALGEBRA LINEAL - ALGEBRA LINEAL Y MATRICIAL

DETERMINANTES
1. Encontrar el número de inversiones de cada un de las siguientes permutaciones del
conjunto 1,2,3,4,5

a) (3, 5, 4, 1, 2) b) ( 1, 4, 2, 5, 3 ) c) ( 2, 1, 5, 4, 3 ) d) ( 1, 2, 3, 4, 5 )

2. Clasificar cada una de las permutaciones del ejercicio anterior como par o impar.

3. Calcular el determinante de las siguientes matrices

1 3 2
1 4 k  1 2   2  4  5
a) A      3 c) C   d) D   2 5
k  2 
b) B 
3 2   4 8   3 4 7 
 2 5 3 4 1 2 3 4
k  3 9   3 1  2 6 4 1 5 6
e) F   2 4 k  1
 f) G   g) H  
2 1 5 0 3 1 2 2
1 k 2 3     
 3 2 4 2 8 3 5 1

4. Aplicando el método de cofactores (método de La Place) a lo largo de la segunda fila,

calcular el determinante de las matrices G y H del ejercicio anterior.
5. Hallar el valor de k para que el determinante de A sea igual a cero:
k  6 0 0 
k  3  2  
a) A    b) A   0 k  1 
 1 k  2
 0 0 k  4
6. Llevendo a la forma triangular, a través de operaciones elementales, demostrar que:
a b c
a2 b2 c 2  (b  a )( c  a )( c  b)
1 1 1
7. Calcular por cofactores los determinantes de las siguientes matrices:
4 5  2 k  1 2 3 

a) A  3  2 3  b) B  2 k 3 4 
   
  6 5 1   3 4 k  4
4 5  2
8. Sea A  3  2 3  , determinar su inversa por el método de la adjunta.

 
  6 5 1 
 2
k  1 2 3 

9. Hallar el valor de k para que la matriz B   0 k 3 4  sea no singular.
 0 0 k  4
10. Para matrices de (2x2) demostrar que det( A.  B )  det( A)  det( B ) .

11. Resolver por la Regla de Cramer:

2 x 1  5 x 2  x 3  4 2 x 1  8 x 2  6 x 3  5
 
a) 4 x1  x 2  3x 3  3 b) 4 x 1  2 x 2  2 x 3  7
 2 x  2 x  5 3x  x  x  4
 1 2  1 2 3

a b c
12. Si el determinante de 2A es igual a 5 donde A   d e f  . Calcular el
 g h i 
determinante de B donde:

d e f  a  b  c  a b c 
a) B   g h i  b) B   2d
 2e 2 f  
c) B  d  3a e  3b f  3c 
 a b c   g  h  i   2 g 2h 2i 

e d f a  d be c f  2a 2b 2c 
 
d) B  h g i  e) B   d
 e f  f) B   3d  3e  3 f 
b a c   g h i  g h i 
 2 2 2 

 
13. a) Demostrar que si una matriz es ortogonal A 1  A t , entonces su
determinante es igual a  1.

1
b) Demostrar que det( A 1 )  .
det( A)

14. Si los elementos de la tercera fila de una matriz de (5x5) son 1, -1, 1, 3, -2 y
sus menores respectivos son –1, 2, 4, -1 y 6. Calcular:

1 
a) det  A  
b) det 2 AA t  
c) det A 1 A t  2 
d) det  A 1 
2  3 

15. Sea A una matriz de (4x4), si det(2 A1 )  8 , determinar el valor de det(4 AAt ) .
 3
2  4 1  5
8  2 3  7 
16. Si la matriz de cofactores de A es   y los elementos de su
0  8 3  5 
 
6  4 3  2
tercera fila son 2, -4, 5 y –8 . Calcular la inversa de A.

2 x  3 y  2 z  4t  5
2 x  ay  3 z  4t  2

17. Sea el sistema  , si el determinante de la matriz de
3 x  by  3 z  7t  5
3 x  3 y  6 z  2t  3
coeficientes es igual 25, calcular el valor de la variable y

18. ¿Qué limitaciones tiene a su juicio la Regla de Cramer en la resolución de sistemas de

ecuaciones lineales?.

19. Sean A y B dos matrices de orden 6. Se sabe que la matriz B se obtiene a partir de la
matriz A por la aplicación de las siguientes operaciones elementales:

 Se adiciona a la tercera fila la primera multiplicada por 3.

 Se permutan la cuarta y quinta filas.
 Se multiplica la tercera fila por –3 y la sexta por –½.
 Sabiendo que det (A) = 5, calcule razonadamente el determinante de B.
 Si el det (B) valiese –1/4 y no conociésemos el det (A), calcularlo a partir de
los datos del problema.
UNIDAD No. 4 VECTORES Y ESPACIOS VECTORIALES

VECTORES Y GEOMETRÍA VECTORIAL (1ra. Parte)

4.1 Introducción. Muchas magnitudes físicas tales como área, longitud y masa quedan
completamente definidas con un número real que representa la magnitud de la
cantidad en cuestión. En otras, denominadas vectores, es necesario especificar
además de la magnitud, la dirección. Por lo tanto un vector queda completamente
determinado si se especifica su magnitud y su dirección. Ejemplos de estas
magnitudes son la fuerza, la velocidad, la aceleración, etc. Geométricamente, los
vectores, se representan por flechas o segmentos dirigidos que tienen un punto inicial
y un punto terminal. Se los denota por letras minúsculas con una flechita encima
u , v, w,.... o por letras cursivas en negrito, que es la notación que se utilizará en este
estudio, u.v.w,

AB = u = u

4.2 Análisis geométrico de vectores - operaciones

Veedores equivalentes: Dos vectores son equivalentes (iguales) si tienen la misma
longitud (magnitud) y dirección. Los vectores equivalentes se consideran iguales aún
cuando puedan tener posiciones diferentes.

B (punto terminal)

w
AB =u

A (punto inicial)
v t

AB = u = v = w = t

Suma de vectores: Si u y v son dos vectores, entonces el vector suma u+v se

determina colocando el vector v de tal manera que su punto inicial coincida con el
punto terminal de u. El vector suma u+v tendrá su punto inicial coincidiendo con el
punto inicial de u y su terminal coincidiendo con el terminal de v. Esto es posible
debido a la definición de vectores equivalentes que nos permite trasladar vectores.

1
 u u+v
v

Vector Cero: Es aquel cuya longitud (magnitud) es cero, por lo tanto

0+u = u +0 = u.
Vector Inverso Aditivo: Es aquel que tiene igual magnitud pero dirección opuesta
de tal forma que u + (−u ) = 0 . (−u ) es el inverso aditivo de u .
Diferencia de vectores: Si u y v son dos vectores, entonces la diferencia
(u − v) = u + (−v) o también puede realizarse colocando los vectores de tal manera
que sus puntos iniciales coincidan, entonces el vector (u − v) irá del punto terminal
de v al punto terminal de u .

−v
u
v u −v u o u −v

Multiplicación de un Vector por un Escalar: Si u es un vector y k es un escalar

(número real), entonces k u es el vector cuya longitud es k (valor absoluto de k)
veces la longitud de u y tendrá la misma dirección de u si k  0 y opuesta si
k  0 . Por definición k.0 = 0 .

u 2u -2u 1/2u -1/2u

El estudio de vectores puede simplificarse introduciendo un sistema de coordenadas

rectangulares; en el espacio bidimensional (el plano) se tendrán los vectores en R 2 ,
en el espacio tridimensional los vectores en R 3 ,...., en el espacio n-dimensional
(hiper -espacio) los vectores en R n .

2
4.3 Vectores en el plano o Vectores en R2: En el espacio bidimensional, es decir en el
plano, cualquier punto puede ser definido por sus coordenadas, por lo tanto si
u = AB es un vector cualquiera en el plano, cuyo punto inicial A tiene coordenadas
( x1 , y1 ) y su punto terminal B con coordenadas ( x2 , y2 ) , las componentes del
vector (u1, u2 ) se las obtiene restando las coordenadas del punto inicial de las
coordenadas del punto terminal en forma correspondiente, entonces:

u = AB = B − A = ( x2 − x1 , y2 − y1 ) = (u1, u2 )
y y

y2 y1 A u2 u

x x
x1 u2

x2

Si el punto inicial del vector coincide con el origen del sistema, las componentes del
vector serán las propias coordenadas del punto terminal.

4.3.1 Vectores equivalentes en R2: Dos vectores u = (u1 , u2 ) y v = (v1 , v2 ) son

equivalentes, si y solo si sus componentes son iguales, es decir:
u = v  u1 = v1 y u2 = v2

4.3.2 Suma y diferencia de vectores en R2: El vector suma u + v se obtiene sumando

las componentes de u = (u1 , u2 ) y de v = (v1 , v2 ) respectivamente.
u + v = (u1 + v1 , u2 + v2 )
Como u − v = u + (−1)v , entonces
u − v = (u1 − v1 , u2 − v2 )

4.3.3 Multiplicación de un vector en R2 por un escalar: Si u = (u1 , u2 ) y k es

cualquier escalar, entonces k u se obtiene multiplicando por k las componentes de
u , es decir:
k u = (ku1 , ku2 )

Verificación gráfica de la suma y multiplicación por escalar: Los gráficos

mostrados a continuación verifican gráficamente la definición analítica de estas dos
operaciones:

3
 y y
u+v

u2 v
ku

v2 u ku2
u2
x u2 x
u1 v1
k u2
Suma de u = (u1 , u 2 ) y v = (v1 , v2 ) Multiplicación de u = (u1 , u 2 ) por k

4.4 Vectores en R3 : En el espacio tridimensional un punto A estará definido por sus

coordenadas A = ( x1, y1, z1 ) .

z1

y
x1
y1
x

En forma similar al análisis anterior se puede decir que:

• Si u es un vector que tiene su punto inicial en A = ( x1, y1, z1 ) y su punto
terminal en B = ( x2 , y2 , z2 ) , entonces las componentes de
u = AB = B − A = ( x2 − x1 , y2 − y1 , z2 − z1 ) = (u1 , u2 , u3 ) .
• Si el vector tiene su punto inicial coincidiendo con el origen del sistema,
sus componentes serán las propias coordenadas del punto terminal.
• Dos vectores u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) son equivalentes si y solo si
u1 = v1 , u2 = v2 y u3 = v3 .
• El vector suma u + v = (u1 + v1 , u2 + v2 , u3 + v3 ) .
• La diferencia u − v = (u1 − v1 , u2 − v2 , u3 − v3 )
• El vector k u = (ku1 , ku2 , ku3 )

4.5 Vectores en Rn: La idea de usar parejas de números para localizar puntos en el Plano
y ternas de números para localizar puntos en el espacio tridimensional fue aplicada
con claridad por vez primera a mediados del siglo XVII. A finales del siglo XIX los
matemáticos y físicos comenzaron a darse cuenta que no era necesario detenerse en
ternas. Se reconoció que las cuádruplas de números (a1 , a2 , a3 , a4 ) podían
considerarse como puntos en el espacio tetradimensional, las quíntuplas

4
 (a1 , a2 , a3 , a4 , a5 ) como puntos en el espacio pentadimensional, y así sucesivamente las
n-uplas (a1 , a2 , a3 ,......,an ) como puntos en el espacio n-dimensional. A pesar que la
representación geométrica se limita al espacio tridimensional, matemáticamente se
puede hablar de vectores en R4, R5,......, Rn .
De esta manera se puede decir que:

• Si u es un vector que tiene su punto inicial en A = (a1 , a2 , a3 ,......,an ) y su

punto terminal en B = (b1 , b2 , b3 ,........,bn ), , entonces las componentes de
u = AB = B − A = (b1 − a1 , b2 − a2 , b3 − a3 , .............., bn − an )
.
= (u1 , u2 , u3 ,......, un )
• Si el vector tiene su punto inicial coincidiendo con el origen del sistema, sus
componentes serán las propias coordenadas del punto terminal.
• Dos vectores u = (u1 , u2 , u3 ,......,un ) y v = (v1 , v2 , v3 ,.......,vn ) son equivalentes
si y solo si u1 = v1 , u2 = v2 , u3 = v3 ,........... y un = vn .
• El vector suma u + v = (u1 + v1 , u2 + v2 , u3 + v3 ,......., un + vn ) .
• La diferencia u − v = (u1 − v1 , u2 − v2 , u3 − v3 ,......., un − vn )
• El vector k u = (ku1 , ku2 , ku3 ,......., kun )

4.6 Propiedades de las operaciones con vectores en R2, R3,......, Rn: Si u, v y w son
vectores en cualquiera de los espacios mencionados y k y l son escalares, entonces se
cumplen las siguientes propiedades:

a) u + v = v + u b) (u + v) + w = u + (v + w)
c) u + 0 = 0 + u = 0 d) u + (−u ) = 0
e) k (l u ) = (kl )u f) k (u + v) = k u + k v
g) (k + l )u = k u + l u h) 1 u = u

Cualquiera de estas propiedades puede ser demostrada analíticamente y además en

R2 y R3 también pueden ser demostradas geométricamente.

4.7 Traslación de ejes: La solución de muchos problemas es mas sencilla si se trasladan

los ejes y se obtienen nuevos ejes paralelos a los originales. En el gráfico que se
muestra a continuación, los ejes originales x-y se trasladan de tal manera que el
nuevo origen O’ se encuentra en el punto (k , l ) . Analizando las componentes del
vector O’P con relación a ambos sistemas se tiene:
• Con relación al sistema x-y: O' P = ( x − k , y − l )
• Con relación al sistema x’-y’: O' P = ( x' , y' )
 x' = x − k
• Por lo tanto:  son las ecuaciones de traslación.
 y' = y − l

5
  x' = x − k

• En el espacio tridimensional las ecuaciones de traslación son  y' = y − l
z' = z − m

donde O’=(k l, m) es el nuevo origen.

y y’
( x, y )
P
( x' , y ' )

O’= (k, l) x’

O x

Ejercicio:
Suponer que un sistema de coordenada x-y se traslada para obtener un sistema de
coordenadas x’-y’ cuyo origen tiene las coordenada (k , l ) = (4,1) .
• Encontrar las coordenadas x’-y’ del punto cuyas coordenadas x-y son P = (2,0).
• Encontrar las coordenadas x-y del punto cuyas coordenadas x’-y’ son Q = (1,5) .

4.8 Norma o Módulo de un vector: Si u es un vector, su longitud se denomina la

norma de u y se denota por u . De acuerdo al Teorema de Pitágoras se puede
observar en los gráficos siguientes que:

• Si u = (u1, u2 )  R 2 , entonces u = u12 + u22

• Si u = (u1, u2 , u3 )  R 3 , entonces u = u12 + u22 + u32

• Si u = (u1, u2 ,.......,un )  R n , entonces u = u12 + u22 + ........+ un2

y z

u = (u1,u2,u3)

u3
u = (u1 , u2 ) y
u2 u1

u1 x u2
x

6
4.9 Vector unitario: Es aquel cuya norma es igual a 1. Para todo vector u se pude
determinar un vector unitario, eu , con la misma dirección que u a través de:
1
eu = u
u

4.10 Distancia entre dos puntos: La distancia entre dos puntos P1 y P2 es igual a la
norma del vector que une estos dos puntos, por lo tanto:

• Si P1 = ( x1, y1 ) y P2 = ( x2 , y2 ) son dos puntos de R2, entonces

d ( P1, P2 ) = P1P2 = ( x2 − x1 )2 + ( y2 − y1 )2 .

• Si P1 = ( x1, y1, z1 ) y P2 = ( x2 , y2 , z2 ) son dos puntos de R3, entonces

d ( P1, P2 ) = P1P2 = ( x2 − x1 )2 + ( y2 − y1 )2 + ( z2 − z1 )2 .

• Si P1 = (a1 , a2 ,.....,an ) y P2 = (b1 , b2 ,.....,bn ) son dos puntos de Rn, entonces

d ( P1, P2 ) = P1P2 = (b1 − a1 )2 + (b2 − a2 )2 + ........+ (bn − an )2

4.11 Multiplicación de Vectores: Se analizará dos métodos para multiplicar vectores y

sus aplicaciones a la geometría vectorial. Sin embargo se definirá antes el ángulo
entre dos vectores: Si u y v son dos vectores diferentes de cero en el espacio
bidimensional o en el espacio tridimensional, el espacio comprendido entre ellos, al
colocar estos vectores con sus puntos iníciales coincidiendo, es el ángulo ( entre
ellos de tal manera que 0     .
u u u
 > 90°  = 180°
 < 90°  = 90°

v v u v v
ángulo agudo ángulo obtuso ángulo llano ángulo recto

4.11.1 Producto Punto: Si u y v son dos vectores en el espacio bidimensional o el

espacio tridimensional y  es el ángulo entre u y v, entonces el producto punto
o producto interior euclidiano o producto escalar u • v se define como
 u v cos si u  0 y v  0
u•v = 
0 si u = 0 o v = 0
En forma sencilla puede deducirse una fórmula de este producto expresado en
función de sus componentes, de tal manera que si

• u = (u1, u2 ) y v = (v1, v2 ) , entonces u • v = u1  v1 + u2  v2 en R2.

• u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) , entonces u • v = u1  v1 + u2  v2 + u3  v3 en R3.

7
 • u = (u1 , u2 ,.......,un ) y v = (v1 , v2 ,.......,vn ) , pertenecen en R n, entonces
u • v = u1  v1 + u2  v2 + .............. + un  vn .

De estas dos formas de expresar el producto interno se deduce que el ángulo entre
los vectores u y v es:
u•v
Cos =
uv

Teorema: Sean u y v vectores en R2 o en R3, entonces:

a) u • u = u , es decir, u = u • u
2

b) Si los vectores u y v son diferentes de cero y  es el ángulo entre ellos,

 es agudo si y solo si u•v  0

entonces:  es obtuso si y solo si u•v  0
 = 90 u•v = 0
 si y solo si

Vectores Ortogonales: Los vectores perpendiculares, también se denominan

ortogonales y de acuerdo al teorema anterior, dos vectores diferentes de cero son
ortogonales si y solo si su producto interno es igual a cero. Para indicar que u y v
son ortogonales se escribe u ⊥ v .

Propiedades del Producto Punto: Si u, v y w pertenecen a R2, R3, ...., Rn, y k es

cualquier escalar, entonces:
a) u • v = v • u
b) u • (v + w) = u • v + u • w
c) k (u • v) = (k u) • v = u • (k v)
d) v • v  0 si v  0 y v • v = 0 si v = 0

Aplicaciones del producto punto: Generalmente este producto se utiliza para

obtener fórmulas o para definir otros conceptos y propiedades.

Aplicación 1: Demostrar que en el espacio bidimensional, el vector n = (a, b)

diferente de cero es perpendicular a la recta ax + by + c = 0 .
Solución: y

P1 = ( x1, y1 )

P2 = ( x2 , y2 )

x
ax + by + c = 0

8
Tomando dos puntos diferentes sobre la recta, P1 = ( x1, y1 ) y P2 = ( x2 , y2 ) ,
sustituyendo en la ecuación se tienen
ax1 + by1 + c = 0
ax2 + by2 + c = 0
Como el vector P1P2 = ( x2 − x1, y2 − y1 ) está sobre la recta, basta probar que
n y P1P2 son perpendiculares.
Al restar miembro a miembro las dos ecuaciones anteriores se obtiene
a( x2 − x1 ) + b( y2 − y1 ) = 0 que nada más es (a, b) • ( x2 − x1, y2 − y1 ) o bien
n • P1P2 = 0 , de esta forma se demuestra que n ⊥ P1P2 y por lo tanto
n ⊥ a la recta ax + by + c = 0

Aplicación 2: Proyección ortogonal de un vector sobre otro: Esta proyección se

puede interpretar como la descomposición de un vector en la suma de dos vectores
perpendiculares.

La proyección ortogonal de u sobre v = Proyv u = w1

w2 u Descomposición de u: u = w1+ w2

w1 v

En el gráfico se puede observar que w1 es un múltiplo escalar de v, es decir, existe

algún escalar k tal que w1 = kv; luego u = kv + w2 , aplicando el producto punto en
ambos miembros con v y aplicando la propiedad distributiva del producto interno
con relación a la suma se obtiene

u • v = (kv + w2 ) • v = k (v • v) + w2 • v

v•v = v
2
Sustituyendo en este resultado y como w2 ⊥ v , luego w2 • v = 0 ,
u•v
entonces u • v = k v de donde se obtiene que k =
2
2
y finalmente
v
u•v
w1 = Proyvu = kv =  2 v (componente vectorial de u a lo largo de v)
 v 
 
u•v
w2 = u − Proyvu = u −  2 v (componente vectorial de u ortogonal a v)
 v 
 
La norma o longitud de esta proyección (w1) se puede obtener escribiendo

9
 u•v u•v
Proyvu =   v =   v = u•v
 v2   v2  v
, aplicando la definición del
   
u v cos u v cos
2

producto interno Proyvu = 2

v = 2
= u cos en
v v
conclusión

u•v
Proyvu = o Proyvu = u cos
v

donde se ha utilizado el valor absoluto pues la norma siempre es positiva.

Aplicación 3: Encontrar una fórmula para calcular la distancia D entre el punto

P0 = ( x0 , y0 ) y la recta ax + by + c = 0 .

Solución:
y Q = ( x1, y1 ) n = (a ,b)

P0 = ( x0, y0 )

ax + by + x = 0 x

Tomando un punto Q = ( x1, y1 ) sobre la recta, el vector n = (a ,b) ortogonal a la

recta, se coloca haciendo coincidir su punto inicial con Q , uniendo este punto con
P0 = ( x0, y0 ) se obtiene el vector QP0 . La distancia D del punto P0 a la recta es
igual a la norma de la proyección ortogonal de QP0 sobre n, de esta forma y por la
conclusión anterior se tiene
QP = ( x − x , y − y )


0 0 1 0 1
QP0 • n
D = Proyn QP0 = , como QP0 • n = a( x0 − x1 ) + b( y0 − y1 ) ,
n 
n = a +b

2 2

a( x0 − x1 ) + b( y0 − y1 )
entonces D = , dado que el punto Q = ( x1, y1 ) está sobre la
a 2 + b2

10
 recta, sus coordenadas satisfacen la ecuación de ésta, de modo que ax1 + by1 + c = 0
o bien c = −ax1 − by1 al sustituirse en D se obtiene la fórmula

ax0 + by0 + c
D=
a 2 + b2

4.11.2 Producto Cruz o Vectorial: (Solo para vectores en R3) A diferencia del producto
punto, da como resultado un vector ortogonal a ambos vectores que participan en el
producto. Sean u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) dos vectores pertenecientes al
espacio tridimensional, entonces su producto cruz o vectorial, denotado por u  v es
el vector definido por
u  v = (u2v3 − u3v2 , u3v1 − u1v3 , u1v2 − u2v1 )
u1 u2 u3 
Esta definición se la recuerda fácilmente si se forma la matriz 
v3 
y se
 v1 v2
 u u  u u  u u  
dice luego que u  v =  det  2 3  , − det  1 3  , det  1 2  
 v2 v3  v1 v3  v1 v2  

Propiedades:
1) u • (u  v) = 0 2) v • (u  v) = 0
3) u  v = −(v  u ) 4) u  (v + w) = (u  v) + (u  w)
5) (u + v)  w = (u  w) + (v  w) 6) k (u  w) = (ku )  w = u  (kw)
7) u  0 = 0  u = 0 8) uu = 0
9) u  v = u v − (u • v) 2
2 2 2
Igualdad de Lagrange

Interpretación Geométrica del Producto Cruz: La norma de u  v es igual al

área del paralelogramo formado por u y v

u Aparale log ramo = u v sen

u sen 
Aparale log ramo = u  v
v

Realizar la deducción a partir de la igualdad de Lagrange.

Triple Producto Escalar: Si u, v y w son vectores en el espacio tridimensional,

entonces u • (v  w) se denomina triple producto escalar de u, v y w. Sus
propiedades son:
• u • (v + w) = v • (w + u) = w • (u  v)

11
 • El triple producto escalar o producto mixto, en valor absoluto, representa el
volumen del paralelepípedo de arista u, v y w.
 u1 u2 u3 
• u • (v + w) = det  v1 v2 v3 
w1 w2 w3 

4.13 Rectas y Planos en R3 – Geometría Vectorial: El estudio de la geometría vectorial

será realizado en un espacio tridimensional euclidiano (con producto interno
definido).Utilizando las propiedades de los vectores se determinarán las ecuaciones
del plano y de la recta que se utilizarán para resolver algunos problemas de geometría
básicos.

Planos en R3: Para definir un plano en un espacio tridimensional basta indicar un

punto del plano y su inclinación. La inclinación puede describirse especificando un
vector diferente de cero que sea perpendicular al plano.

Se desea encontrar la ecuación

del plano (superficie sombreada)
que pasa por el punto
P0 = ( x0 , y0 , z0 ) y cuya normal
sea n = (a, b, c) . Observamos que
el plano consta de todos los
puntos P = ( x, y, z ) de tal
manera que el vector P0P es
ortogonal a n, por lo tanto

n • P0 P = 0

y como P0 P = ( x − x0 , y − y0 , z − z0 ) , realizando el producto interno se obtiene

a( x − x0 ) + b( y − y0 ) + c( z − z0 ) = 0
que es la ecuación punto - normal o normal - vectorial del plano.
Desarrollando esa ecuación se obtiene
ax − ax0 + by − by0 + cz − cz 0 = 0
ax + by + cz + (−ax0 − by0 − cz 0 ) = 0
Llamando de d = (−ax0 − by0 − cz 0 ) se obtiene la ecuación general del plano.
ax + by + cz + d = 0

12
Ejemplo: Encontrar la ecuación del plano que pasa por el punto (2, -1, 3) y es
perpendicular al vector n = (3, 4, -2).

Solución: Sustituyendo en la ecuación punto – normal se tiene

3( x − 2) + 4( y + 1) − 2( z − 3) = 0

Realizando las operaciones y agrupando términos se obtiene

3x + 4 y − 2 z + 4 = 0

que es la ecuación del plano en su forma general.

Teorema: Si a, b, c y d son constantes y no todas las constantes a, b y c son

iguales a cero, entonces la gráfica de la ecuación ax + by + cz + d = 0 es un
plano cuya normal es el vector n = (a, b, c) . Esta ecuación ax + by + cz + d = 0
es la ecuación general del plano.

Ejercicio: Encontrar la ecuación del plano que pasa por los puntos
A = (1,2,−1), B = (2,3,1) y C = (3,−1,2) .

Sugerencia: Como los tres puntos pertenecen al plano, u = AB y v = AC serán

vectores que están sobre el plano por lo tanto n = u  v será el vector
perpendicular al plano y tomando cualquiera de los puntos A, B o C se aplica
la solución del ejemplo anterior.

Distancia de un punto a un plano: En forma similar a la obtención de la

fórmula de la distancia de un punto a una recta, y como una aplicación de
proyecciones se puede decir que la distancia de un punto P0 = ( x0 , y0 , z0 ) al
plano cuya ecuación general es ax + by + cz + d = 0 es

ax0 + by0 + cz0 + d

D=
a 2 + b2 + c2

Ejemplo: Encontrar la distancia entre el punto (1,−4,−3) y el plano

2x − 3 y + 6z + 1 = 0

(2)(1) + (−3)( −4) + (6)( −3) + 1 −3 3

Solución: D= = =
2 + (−3) + 6
2 2 2
7 7

13
Rectas en R3: Para definir una recta basta especificar un punto por el que debe
pasar la recta y una dirección.

Si se quiere determinar la ecuación de la

recta que pasa por P0 = ( x0 , y0 , z0 ) y
que sea paralela al vector u = (l , m, n) .
En la solución gráfica del problema se
puede observar que si se toma un punto
cualquiera P = ( x, y, z ) sobre la recta
L, vectorialmente se puede escribir que

OP = OP0 + P0 P

donde OP = P , OP0 = P0 y P0 P = tu para algún parámetro t  R , por lo tanto

P = P0 + tu

que es la ecuación vectorial paramétrica de la recta L. Si se toman en cuenta

las componentes cartesianas se tendría

 x = x0 + tl

( x, y, z ) = ( x0 , y0 , z0 ) + t (l , m, n) o  y = y0 + tm
 z = z + yn
 0

que se denominan ecuaciones cartesianas paramétricas de L. Si se elimina el

parámetro se llega a las ecuaciones cartesianas de L
 x − x0 y − y0
x − x0 y − y0 z − z0  l = m
= = o 
l m n  x − x0 = z − z0
 l n
Las últimas ecuaciones representan a dos planos en cuya intersección se
encuentra la recta L. A las componentes de u = (l , m, n) generalmente se las
denomina coeficientes directores de la recta L.

Ejemplo: Si P0 = (1,2,3) y u = (2,3,−4) determinar las ecuaciones cartesianas

de la recta que pasa por el punto P0 y que sea paralela a u.

Solución: Sustituyendo los datos en las ecuaciones cartesianas

14
  x − x0 y − y0
 l =
x − x0 y − y0 z − z0 m
= = o 
l m n  x − x0 =
z − z0
 l n
 x −1 y − 2
x −1 y − 2 z − 3  2 = 3 3x − 2 y + 1 = 0
= =    
2 3 −4  x −1 = z − 3 4 x + 2 z − 10 = 0
 2 −4

La recta se encuentra en la intersección de los planos 3x − 2 y + 1 = 0 y

4 x + 2 z − 10 = 0 .

15
UNIDAD No. 4 (2da. Parte)

1. ESPACIOS VECTORIALES

1.1 Definición de Espacio Vectorial: Sea V un conjunto cualesquiera no vació de objetos sobre
el que están definidas dos operaciones: la adición y la multiplicación por escalares
(números). Por adición se entiende una regla que asocia a cada par de objetos u y v en V un
objeto u + v denominado suma de u y de v; por multiplicación por escalar se entiende una
regla que asocia a cada escalar k y cada objeto u en V un objetos ku, denominado múltiplo
escalar de u por k. Si los objetos u, v, w en V y los escalares k y l satisfacen los siguientes
axiomas, entonces V se denomina espacio vectorial, y sus objetos se denominan vectores.

A1 : Si u y v son objetos en V, entonces u + v está en V

A2  : u + v = v + u
A3 : u + (v + w) = (u + v) + w
A4  : Existe un objeto 0 en V, denominado vector cero de V, tal que
0 + u = u + 0 = u para todo u en V.
A5 : Para todo objeto u en V existe un objeto –u en V, denominado negativo de
u, al que u + (-u) =(-u) +u = 0
A6 : Si k es cualquier escalar y u es cualquier objeto de V, entonces ku está en V.
A7  : k (u + v) = ku + kv
A8 : (k + l) u = ku + lu
A9 : (k l) u = k (l u) = l (k u)
A10  : 1u = u
Ejemplo 1: Sea V = Rn con las operaciones estándar (ordinarias) de suma y de
multiplicación por escalar, definidas anteriormente, este conjunto forma un espacio
vectorial ya que se cumplen todos los axiomas.
Los tres casos especiales más importantes de Rn son R (los números reales), R2, ( los
vectores en el plano ) y R3 ( los vectores en el espacio tridimensional ).

Ejemplo 2: Sea V = M(mxn) con las reglas de suma y multiplicación por escalar definidas en
la primera unidad, este conjunto cumple también con todos los axiomas que definen a un
espacio vectorial.

Ejemplo 3: El conjunto de polinomios en x de grado menor o igual a n, con las reglas

corrientes de suma y de multiplicación por escalar definidas para polinomios, es un espacio
vectorial ya que se cumplen todos los axiomas.

Ejercicio: Determinar si V = R2 con las operaciones de suma y de multiplicación por escalar

definidas por
Suma : u + v = (u1v1 , u2v2 )
 , donde u = (u1, u2 ) y v = (v1, v2 ) .
Multiplica ción por escalar : ku = (k , ku1 )
¿Es un espacio vectorial?

16
 Teorema 1: Sean V un espacio vectorial, u un vector en V y k un escalar, entonces:
a) 0u = 0
b) k0 = 0
c) (-1) u = u
d) Si k u = 0, entonces k = 0 o u = 0

2. SUBESPACIOS

2.1 Definición de subespacio: Un subconjunto W de un espacio vectorial se denomina

subespacio de V si W es un espacio vectorial bajo la adición y la multiplicación por
escalar definidas sobre V.

2.2 Identificación de un subespacio: Una forma rápida y sencilla de identificar un

subespacio es aplicando el siguiente teorema.

Teorema 2: (Criterio de Subespacio) Si W es un conjunto formado por uno o más vectores

de un espacio vectorial, entonces W es un subespacio de V si y solo si se cumplen las
siguientes condiciones.

a) W debe ser cerrado para la suma de vectores, es decir, si w1 y w2 pertenecen a W,

entonces w1 + w2 también debe pertenecer a W.
b) W debe ser cerrado para la multiplicación por escalar, es decir, si k es un escalar y w1
pertenece a W, entonces kw1 también debe pertenecer a W.

Ejemplo: Determinar que W = (a, b, c) / a = 0 y b, c  R es un subespacio de R3. (Cuando

en un ejercicio no se especifica las reglas de suma y de multiplicación por escalar del espacio
vectorial, se analiza el problema con las reglas estándar u ordinarias)

Solución: Aplicando el criterio de subespacio y tomando en cuenta que un vector pertenece

a W si su primera componente es igual acero, se tiene:
a) Si w1 = (a, b, c) y w2 = ( x, y, z) pertenecen a W, entonces a = 0 y x = 0 por lo tanto
w1 + w2 = (a + x, b + y, c + z) también pertenece a W ya que a + x = 0 + 0 = 0 , es
decir la primera componente de w1 + w2 es nula. Por lo tanto W es cerrado para la suma
de vectores.
b) kw1 = (ka, kb, kc) también pertenece a W ya que ka = k 0 = 0 , la primera componente
nula, luego W es cerrado para la multiplicación por escalar.

En consecuencia se puede afirmar que W es un subespacio de R3.

Ejercicio: Demostrar que W =  0 , conjunto que tiene únicamente el vector cero de

cualquier espacio vectorial V, es un subespacio de V.

Ejercicio: Demostrar que la intersección de cualquier número de subespacios de un espacio

vectorial V es un subespacio de V.

3. COMBINACIONES LINEALES – SUBESPACIOS GENERADOS

17
3.1 Definición: Se dice que un vector w es una combinación lineal de los vectores
v1, v2,.......,vn, si es posible expresarlo en la forma w = a1v1 + a2v2 + ..........+ anvn donde los
ai son escalares.
Ejemplo: Sean v1 = (1,2,0) y v2 = (1,−1,3), determinar si w = (5,1,9) es una combinación
lineal de v1 y v2 .
Solución: w = (5,1,9) es combinación lineal de v1 = (1,2,0) y v2 = (1,−1,3) si existen
escalares a1 y a2 tales que w = a1v1 + a2v2 , es decir
a1 + a2 = 5
 a1 = 2
(5,1,9) = a1 (1,2,0) + a2 (1,−1,3)  2a1 − a2 = 1 resolviendo el sistema 
 3a = 9  a2 = 3
 2

luego w = 2v1 + 3v2 es una combinación lineal de v1 y v2 .

Tomando en cuenta la definición de combinación lineal se puede observar que un conjunto

no vacío de vectores de un espacio vectorial V da lugar a una infinidad de combinaciones
que resulta ser un subespacio de V. Es el enunciado del siguiente teorema.

Teorema 3: Si v1, v2 ,.........,vr son vectores de un espacio vectorial V, entonces

a) El conjunto W de todas las combinaciones lineales de v1, v2 ,.........,vr , es un subespacio
de V.
b) W es el menor subespacio de V que contiene a v1, v2 ,.........,vr , en el sentido de que
cualquier otro subespacio de V que contenga a v1, v2 ,.........,vr debe contener a W.
Utilizando el criterio de subespacio demostrar el inciso (a) del teorema anterior.

Definición de espacio generado: Si S = v1, v2 ,.........., vr  es un conjunto de vectores en un

espacio vectorial V, entonces el subespacio W de V que consta de todas las combinaciones
lineales de los vi se denomina espacio generado por v1, v2 ,.........,vr , y se dice que los
vectores v1, v2 ,.........,vr generan a W. Simbólicamente W se representa por:
W = L( S ) = L(v1 , v2 ,........,vr )  Espacio generado por los vi

Ejemplo 1: El ejemplo anterior podría ser enunciado ahora de la siguiente manera:

Determinar si w = (5,1,9) pertenece al espacio generado por v1 = (1,2,0) y v2 = (1,−1,3) .

Solución: w pertenecerá al espacio generado por v1 y v2 si y solo si w = a1v1 + a2v2 , por lo

tanto la solución es la misma del ejemplo anterior.

Ejemplo 2: Determinar si v1 = (1,2) y v2 = (0,−1) generan a R2.

Solución: Basta probar que un vector cualquiera (genérico) de R2 , por ejemplo v = (a, b) ,
es una combinación lineal de v1 = (1,2) y v2 = (0,−1) . Al hacer esto surge un sistema no
homogéneo, si el sistema tiene solución única o infinitas, entonces v1 = (1,2) y v2 = (0,−1)
generan a R2.
18
 a =a
(a, b) = a1v1 + a2v2 (a, b) = a1 (1,2) + a2 (0,−1)   1
2a1 − a2 = b
El sistema es consistente donde a1 = a y a2 = 2a − b , por lo tanto v1 y v2 generan a R2.
(a, b) = a(1,2) + (2a − b)(0,−1)

Conclusión: Para determinar si un conjunto de vectores de un determinado espacio

vectorial V, generan a V, se toma un vector genérico del espacio en cuestión y se analiza si
es combinación lineal del conjunto de vectores, al hacer esto surge un sistema no
homogéneo, si el sistema es consistente (no condicionado) los vectores generan a V, caso
contrario no.

Espacio Fila y Columna de una Matriz A(mxn):

 a11 a12 . . a1n 
.
a . a2 n 
 21 a22 . .
A = . . . . . . 
.
 
 . . . .
. . 
 am1 am 2 . . amn 
.
Si las filas de la matriz A se consideran como vectores de Rn, este conjunto generará un
subespacio de Rn denominado espacio fila de A.
En forma similar si las columnas de la matriz A se consideran como vectores de Rm, este
conjunto generará un subespacio de Rm denominado espacio columna de A.
Con relación a estos espacios se puede decir que:
• Matrices equivalentes por fila, tienen el mismo espacio fila.
• Matrices reducidas por fila a forma escalón reducida, tienen el mismo espacio fila si
y solamente si tienen las mismas filas no nulas.

4. DEPENDENCIA E INDEPENDENCIA LINEAL

4.1 Definición de dependencia e independencia lineal: Un conjunto de vectores de un

espacio vectorial V, S = v1, v2 ,..........., vr  es linealmente dependiente o los vectores son
linealmente dependientes si en la ecuación vectorial a1v1 + a2v2 + .........+ ar vr = 0 existe al
menos un escalar ai diferente de cero. En caso contrario se dice que S es linealmente
independiente o que los vectores v1, v2 ,..........., vr  son linealmente independientes.

La ecuación vectorial a1v1 + a2v2 + .........+ ar vr = 0 da lugar a un sistema homogéneo, si el

sistema tiene solución única (n = r ) , S es linealmente independiente y si el sistema tiene
otras soluciones además de la nula (n  r ) S es linealmente dependiente.

Ejemplo: Determinar si el conjunto S = v1 = (1,2,3), v2 = (−1,1,−2), v3 = (0,3,1) es

linealmente dependiente o independiente.

Solución: Aplicando la definición se obtiene la ecuación vectorial

a1v1 + a2v2 + a3v3 = 0
19
 a1 + a2 =0

a1 (1,2,3) + a2 (−1,1,−2) + a3 (0,3,1) = 0  2a1 + a2 + 3a3 = 0
3a − 2a + a = 0
 1 2 3

1 − 1 0 1 − 1 0
n = 3
Por Gauss  2 1 3  0 3 3   n  r , entonces S es L. D.
r=2
3 − 2 1 0 0 0

El termino linealmente dependiente sugiere que los vectores “dependen” unos de otros de
alguna manera. En forma equivalente se puede decir que los vectores v1, v2 ,..........., vr  son
dependientes si y solo si uno de ellos es una combinación lineal de los otros. Como
consecuencia de esto se puede observar:

• Si en un conjunto está el vector cero, entonces el conjunto es L. D.

• Si uno de los vectores es combinación lineal de los demás vectores, el conjunto es
L. D.
• Las filas distintas de cero de una matriz en la forma escalonada son linealmente
independientes.

Esta última observación permite simplificar el análisis de la dependencia e independencia de

vectores en Rn.

Ejemplo: Determinar si S = v1 = (1,2,3,−1), v2 = (0,1,−1,2), v3 = (1,4,1,3) es L. I. o L. D.

Solución: Colocando los vectores como filas de una matriz, basta llevar la misma a la
forma escalonada, si no se anula ninguna fila, entonces S es un conjunto linealmente
independiente; si se anula una o más filas de la matriz, entonces S es un conjunto
linealmente dependiente. Justamente las filas que se anulan es porque son dependientes de
las demás.

1 2 3 − 1 1 2 3 − 1
0 1 − 1 2   0 1 − 1 2   S es un conjunto linealment e dependiente.
   
1 4 1 3  0 0 0 0 

Si se llama W = L v1 = (1,2,3,−1), v2 = (0,1,−1,2), v3 = (1,4,1,3) al espacio generado por

estos tres vectores y tomando en cuenta que el espacio fila de una matriz y el de su
escalonada son iguales ya que son equivalentes por fila, entonces w1 y w2 generan a W con
la particularidad que además de generar a W son linealmente independientes, pues son las
filas no nulas de la matriz escalonada. Esto permite definir un nuevo concepto que se
estudiará a continuación.

5. BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL

20
5.1 Definición de base: Si V es un espacio vectorial y S = v1 , v2 ,.......,vn  es un conjunto
finito de vectores en V, entonces se dice que S es una base de V si

a) S es linealmente independiente.
b) S genera a V.

Ejemplo: Demostrar que S = v1 = (1,−1,0), v2 = (1,2,−1), v3 = (1,0,−1) es una base de

R3.

Solución:
a) Para demostrar que S genera a R3, basta demostrar que un vector genérico v = (a, b, c)
de R3 es una combinación lineal de los vi , es decir que v = (a, b, c) pertenece al
espacio generado por los vi , por lo tanto v = a1v1 + a2v2 + a3v3
 a1 + a2 + a3 = a

(a, b, c) = a1 (1,−1,0) + a2 (1,2,−1) + a3 (1,0,−1)  − a1 + 2a2 =b
 − a2 − a3 = c

Analizando el sistema
 1 1 1 a  1 1 1 a 
− 1 2 0 b   0 − 1 − 1 c   n = r  Tiene solución,
   
 0 − 1 − 1 c  0 0 − 2 a + b + 3c 

por lo tanto S genera a R3.

b) Para demostrar que S es linealmente independiente se puede aplicar la definición o la

simplificación matricial, utilizando esta segunda opción se tiene
1 − 1 0  1 − 1 0 
1 2 − 1  0 1 − 1  no se anula ninguna fila por lo tanto S es
   
1 0 − 1 0 0 2 
linealmente independiente.

Verificadas estas dos condiciones se concluye que S es una base de R3.

5.2 Definición de dimensión: Un espacio vectorial V se dice que tiene dimensión finita “n” o
es n-dimensional, escrito dimV = n , si existen n vectores linealmente independientes que
generan a V. O simplemente se dice que la dimensión de un espacio vectorial es el
número de vectores que tiene una base. Por definición el espacio vectorial W =  0  tiene
dimensión cero.

Teorema 4: Si V es un espacio vectorial de dimensión finita. Entonces toda base de V

tiene el mismo número de vectores.

Base estándar, usual o canónica: Para cualquier espacio vectorial V es fácil determinar
su base estándar a través del siguiente proceso: Se toma un vector genérico del espacio en
21
cuestión; el primer vector de la base se lo obtiene haciendo la primera componente,
elemento o coeficiente, igual a uno y todas las demás iguales a cero; el segundo vector se
obtiene en forma similar haciendo la segunda componente, elemento o coeficiente, igual a
uno y las demás iguales a cero; así sucesivamente hasta terminar con todas las
componentes, elementos o coeficientes.

Ejemplos:

Base usual = e1 = (1,0,0), e2 = (0,1,0), e3 = (0,0,1)

a) Para V = R 3  
dim R = 3
3

b) Para V = M 2 x 2

  1 0 0 1 0 0 0 0 
a b  Base usual =  E1 =   , E2 =   , E3 =   , E4 =  
c d   M 2 x 2    0 0 0 0 1 0 0 1 
  
dim M 2 x 2 = 2 x2 = 4

c) Para el espacio vectorial formado por los polinomios en x de grado  3. (V = P3 )


Base usual = p1 = 1, p2 = x, p3 = x 2 , p4 = x3
a0 + a1 x1 + a2 x2 + a3 x3  P3  

dim P3 = 3 + 1 = 4

Generalizando se puede decir que:

• dim R n = n
• dim M mxn = mxn
• dim Pn = n + 1

Teorema 5: Si V es un espacio vectorial de dimensión finita “n”, entonces:

• Cualquier conjunto con n + 1 o más vectores es linealmente dependiente.
• Un conjunto con n vectores linealmente independientes es una base de V.
• Un conjunto con n vectores que generan a V es una base de V.

Observación: El anterior teorema nos permite verificar solo una de las condiciones que
definen una base, si de antemano se conoce la dimensión del espacio vectorial y el número
de vectores del conjunto en cuestión es igual a la dimensión.

Coordenadas – Vector de coordenadas: Sea V un espacio vectorial n – dimensional y

que e1 , e2 , e3 ,........., en  sea una base de V, entonces cualquier vector v  V puede ser
escrito de una sola manera como combinación lineal de los ei ;
v = a1e1 + a2e2 + a3e3 + .........+ anen

22
Los ai  R serán únicos para v y se denominan coordenadas de v con relación a la base
e1, e2 , e3 ,........., en .
La n-upla de coordenadas (a1 , a2 , a3 ,........, an ) se denomina vector de coordenadas de v
con relación a la base e1 , e2 , e3 ,........., en  y se denota por
 a1 
a 
 2
a 
ve = (a1, a2 , a3 ,........,an )=  3 
.
.
 
an 
A cada vector de V le corresponde en forma biunívoca un vector de coordenadas
perteneciente a R n (dim V = n) , esta correspondencia determina que los espacios
vectoriales V y R n sean ISOMORFOS pues las operaciones de suma y de multiplicación
por escalar se preservan. Esto permite analizar los problemas de un espacio vectorial (V) en
el correspondiente a sus vectores de coordenadas ( R n ) y luego trasladar los resultados y
conclusiones al espacio vectorial V.
El problema se simplifica enormemente si se obtienen los vectores de coordenadas con
relación a la base estándar o usual de V.

Ejemplo: Determinar si el siguiente conjunto de matrices es linealmente independiente o

 1 − 3 2 3  3 0 
dependiente  A1 =   , A2 =   , A3 =   .
  2 5   1 − 3 3 2 
Solución: En lugar de trabajar con las matrices se analizará el problema con los vectores
de coordenadas de cada matriz con relación a la base usual o estándar del espacio vectorial
de las matrices de 2x2:
 1 0 0 1  0 0  0 0  
S = Base usual de M 2 x 2 =  E1 =   , E2 =   , E3 =   , E4 =  
 0 0  0 0  1 0 0 1  
A1 S = (1, − 3, 2, 5)

A2 S = (2, 3, 1, − 3)
A  = (3, 0, 3, 2)
 3S

Como los vectores de coordenadas son vectores de R 4 se determinará si son L.I. o L.D.
utilizando la simplificación matricial:

1 − 3 2 5  1 − 3 2 5  1 − 3 2 5 
2 3 1 − 3  0 9 − 3 − 13  0 9 − 3 − 13
     
3 0 3 2  0 9 − 3 − 13 0 0 0 0 

23
 Como se anula una fila en la matriz escalonada se puede concluir que los vectores de
coordenadas son linealmente dependientes y esta conclusión se traslada al problema
original diciendo que las matrices son L.D.

5.3 Base y dimensión de un subespacio: Para determinar una base y la dimensión de un

subespacio deben tomarse en cuenta los siguientes teoremas:

Teorema 6: Si W es un subespacio de un espacio vectorial V, n-dimensional, entonces la

dimW  n y en particular si dimW = n , entonces W = V .

Teorema 7: Las filas distintas de cero de una matriz en la forma escalonada son
linealmente independientes y como generan el mismo espacio fila de la matriz original,
constituyen una base del espacio fila de la matriz. Por lo tanto la dimensión del espacio fila
es igual al número de filas no nulas de la matriz escalonada y se denomina el rango de A.
(Rang(A))
Teorema 8: En un sistema de ecuaciones lineales homogéneo, ( AX = 0) , con n
incógnitas, el conjunto solución forma un subespacio de R n denominado espacio solución
del sistema homogéneo. La dimensión del espacio solución es igual a (n − r ) donde n es
el número de incógnitas y r es el rango de la matriz de la matriz de coeficientes (A). Una
base del espacio solución puede determinarse aplicando el criterio de base usual sobre las
(n − r ) variables libres.

Ejemplo 1: Determinar una base y la dimensión del subespacio W , generado por los
siguientes vectores v1 = (1, − 3, 2, 5), v2 (2, 3, 1, − 3), v3 = (3, 0, 3, 2).

Solución: W es un subespacio de R 4 , por lo tanto y de acuerdo con el teorema 6

dim W  4 . Como es un subespacio generado por un conjunto de vectores y aplicando el
teorema 7 se tiene:

1 − 3 2 5  1 − 3 2 5  1 − 3 2 5 
2 3 1 − 3  0 9 − 3 − 13  0 9 − 3 − 13
     
3 0 3 2  0 9 − 3 − 13 0 0 0 0 

dim W = 2 (número de filas no nulas de la matriz escalonada)

De donde se deduce que: 
Base W = w1 = (1, − 3, 2, 5), w1 = (0, 9, − 3, − 13)

Ejemplo 2: Determinar una base y la dimensión del subespacio W , generado por los
 1 − 3 2 3  3 0 
siguientes vectores  A1 =   , A2 =   , A3 =  
 2 5  1 − 3 3 2 

24
Solución: En lugar de trabajar con las matrices se analizará el problema con los vectores de
coordenadas de cada matriz con relación a la base usual o estándar del espacio vectorial de
las matrices de 2x2:
 1 0 0 1  0 0  0 0  
S = Base usual de M 2 x 2 =  E1 =   , E2 =   , E3 =   , E4 =  
 0 0  0 0  1 0 0 1  
A1 S = (1, − 3, 2, 5)

A2 S = (2, 3, 1, − 3)
A  = (3, 0, 3, 2)
 3S

Como los vectores de coordenadas son los mismos vectores de R 4 del ejemplo anterior, se
aplica la misma solución, trasladando las conclusiones al problema original que es el
subespacio de las matrices de 2x2

1 − 3 2 5  1 − 3 2 5  1 − 3 2 5 
2 3 1 − 3  0 9 − 3 − 13  0 9 − 3 − 13
     
3 0 3 2  0 9 − 3 − 13 0 0 0 0 

dim W = 2 (número de filas no nulas de la matriz escalonada)


De donde se deduce que:   1 − 3 0 9 
Base W = w1 = 2 5 , w2 = − 3 − 13 
     

Ejemplo 3: Determinar una base y la dimensión del espacio solución (W) del siguiente
x − y + z + s = 0

sistema de ecuaciones homogéneo  x − y + 2 z + t + 2s = 0 .
 z +t + s = 0


Solución: Aplicando el método de Gauss para la solución del sistema se obtiene el

siguiente sistema equivalente:

1 − 1 1 0 1 1 − 1 1 0 1 1 − 1 1 0 1
1 − 1 2 1 2  0 0 1 1 1  0 0 1 1 1 
  
0 0 1 1 1 0 0 1 1 1 0 0 0 0 0

x − y + z + 0 t + s = 0 x = y − z + s  x = y + t + 2s
   
 z+ t+s =0  z = −t − s  z = −t − s

 número de variables libres = dim W = n − r = 5 − 2 = 3

Para determinar una base se aplica el criterio de base usual sobre las variables libres y, t
y s de la siguiente manera:

25
 y = 1
 x = 1
si t = 0    w1 = (1, 1, 0, 0, 0) primer vec tor de la base
s = 0 z = 0

y = 0
 x = 1
si t = 1    w2 = (1, 0, − 1, 1, 0) segundo vector de la base
s = 0  z = −1

y = 0
 x = 2
si t = 0    w3 = (2, 0, − 1, 0, 1) tercer vector de la base
s = 1  z = −1


Base de W = ( w1 , w2 , w3 )

Ejemplo 4: Sea W un subespacio de R 5 tal que

 
W = ( x, y, z, t , s)  R5 / x = y − z − s, y = x + 2 z + t + 2s, z + t + s = 0

Determinar una base y la dimensión de W.

Solución: Las condiciones para que un vector de R 5 pertenezca a W son tres

ecuaciones que ordenadas dan lugar al siguiente sistema homogéneo:
x − y + z + s = 0

 x − y + 2 z + t + 2s = 0 Por lo tanto el espacio solución de este sistema homogéneo será
 z +t + s = 0

el propio W y una base y la dimensión de W se determinan encontrando una base y la
dimensión del espacio solución de este sistema homogéneo, esta tarea fue realizada en el
ejemplo anterior, por consiguiente:

dim W = 3

Base de W = w1 = (1, 1, 0, 0, 0), w2 = (1, 0, − 1, 1, 0), w3 = (2, 0, − 1, 0, 1)

5.4 Sumas, Intersecciones y Sumas Directas: Si U y W son dos subespacios del espacio
vectorial n-dimensional V entonces se puede definir:

Suma: Para determinar una base y la dimensión de este subespaciose

determinan las bases de ambos subespacios y juntas estas dos bases generan
a U + W , luego se aplica el teorema 7 tal como se hizo en los ejemplos 1 y 2.

Intersección: la intersección de cualquier número de subespacios es también un

subespacio. Y para determinar una base y su dimensión, todos deben estar definidos bajo
condiciones, todas estas condiciones forman un sistema homogéneo y la base y la
26
dimensión del espacio solución del sistema homogéneo serán la base y la dimensión de la
intersección, tal como se vio en los ejemplos 3 y 4.

Suma Directa: Se dice que V es la suma directa de U y de W, y se escribe V = U W ,

si y solo si todo vector de V puede ser expresado de una sola manera como la suma de un
vector de U con otro de W, y esto ocurre únicamente si se cumplen las siguientes
condiciones:

1) V = U + W , es decir que V es la suma de U y de W. Esto se cumple si y solo si la

dimensión de U + W es igual a la dimensión de V.

2) U W = 0, es decir, que el único vector común entre U y W es el vector cero. Esto
se cumple si y solo si dim(U W ) = 0

1) V = U + W , es decir, dim(U + W ) = dim V

Simbólicamente: V = U  W  
2) U  W = 0, es decir, dim(U  W ) = 0

27
Suma Directa: Se dice que V es la suma directa de U y de W, y se escribe V = U W , si y
solo si todo vector de V puede ser expresado de una sola manera como la suma de un vector de
U con otro de W, y esto ocurre únicamente si se cumplen las siguientes condiciones:

I. V = U + W , es decir que V es la suma de U y de W. Esto se cumple solo si la

dimensión de U + W es igual a la dimensión de V.
II.  
U W = 0 , es decir que el único vector común entre U y W es el vector
cero. Esto se cumple si y solo si la dimensión de U W es igual a cero.

73
74
 1

TRABAJO PRACTICO Nº 4

ALGEBRA LINEAL - ALGEBRA LINEAL Y MATRICIAL

VECTORES Y ESPACIOS VECTORIALES

1ra. Parte. Vectores y Geometría Vectorial

1. Localizar los puntos, en el plano x-y, cuyas coordenada son:

a) (-2, 3) b) (1, 4) c)  (-2, - 3) d) (3, - 4) e) (0, - 5) f) (4, 0)

2. Localizar los puntos, en el espacio tridimensional x-y-z, cuyas coordenadas son:

a) (1, 2, 5) b) (-3, 2, 4) c) (2, - 5, 6) d) (-3, - 4, 5)
e) (-2, - 3, - 5) f) (0, - 3, 2) g) (0, - 3, 0) h) (2, 0, 2)

3. Trazar los siguientes vectores con los puntos iniciales en el origen:

a) u  (3,4) b) v  (2,3) c) w  (1,4) d) t  (3,2)

4. Encontrar las componentes del vector cuyo punto inicial es A y punto terminal es B
a) A  (3,4), B  (2,6) b) A  (2,3), B  (3,0) c) A  (1,4), B  (4,0)
d) A  (3,4,2), B  (2,6,0) e) A  (2,3,5), B  (3,0,2) f) A  (1,4,0), B  (4,0,5)

5. Dibuje el vector u de componentes (3,2) cuyo punto de inicial es A  (1,3)

6. Si B  (1,0) es el punto terminal de u  (4,.3) encontrar las coordenadas del punto

inicial, A.

7. Trazar los siguientes vectores con los puntos iniciales en el origen:

a) u  (2,3,4) b) v  (2,1,3) c) w  (0,1,2) d) t  (3,2,0)

8. Dibuje el vector u de componentes (0,1, -2) cuyo punto inicial es A  (1,0,0) .

9. Si B  (3,2,1) es el punto extremo de u  (0,3,4) encontrar A.

10. Sean u  (3,1,2), v  (4,0,8) y w  (6,1,4) . Encontrar las componentes de

a) v  w . d) 5(v  4u )
b) 6u  2v e)  3(v  8w)
c)  v  u f) (2u  7 w)  (8v  u )

11. Calcular la longitud o norma

a) de AB si A  (2,1) y B  (5,3)
b) de BA
c) de u  r con u  (2,1) y r  (4,5)
d) entre los puntos A(2,3) y B (4,5)

12. Encontrar un vector unitario con la misma dirección que:

 2

a) u  (1,1) b) u  (2,3) c) u  (3,4,1) d) u  (2,3,5)

13. Calcular el producto punto o escalar de u y v si:

a) u  (1,4) y v  (4,3)
b) u  (1,3,4) y v  (3,1,5)

14. Sean u  (1,3,2); v  (1,1,0); w  (2,2,4) . Determinar :

a) u  v
b) u  v
c)  2u  2 u

15. Sean u  (1,3,5); v  (3,6,3) y w  (1,2,3) . Determinar:

a) u  (7v  w) . d) uxv
b) (u  v)v e) uxw
c) ( u v)  w f) (uxv)  v y (uxv)  u

16. Sean p  (3,4) y q  (1, ) determinar  tal que:

a) p y q sean ortogonales.
b) p y q sean paralelos.
c) el ángulo entre los vectores sea /3.

17. Calcular las proyecciones

a) de u sobre v con u  (0,5); v  (1,1) .
b) proy PQ AB y proy AB PQ con P (1,3); Q(2,4); A(6,2); B (3,0) .
c) de v sobre w con v  (3,1,7) y w  (1,0,5) .
d) de w sobre v, con los datos del inciso anterior.

18. Demostrar que A  (3,0,2), B  (4,3,0) y C  (8,1,1) son los vértices de un

triángulo rectángulo. ¿ En que vértice esta el ángulo recto ?.

19. Sean u  (2,3,0) y v  (1,2,2)

a) calcular u  v
b) demostrar analíticamente que u  v es perpendicular a u y a v.
c) Encontrar el área del paralelogramo determinado por u y v.

20. Calcular el área del triángulo de vértices A  (1,5,2); B  (0,0,0); C  (3,5,1) .

21 Calcular el volumen del paralelepípedo determinado por los vectores

PQ, PR, y PS , donde P = (2,1,-1), Q = (-3,1,4), R = (-1,0,2) y S = (-3,-1,5).

22. Determinar la ecuación del plano que pasa por los puntos A = (-2,1,1), B = (0,2,3) y
C = (1,0,-1).

23. Hallar la ecuación del plano que pasa por el punto P = (2,1,-1) y cuyo vector normal
es N = (1,-2,3).
 3

24. Hallar la ecuación del plano que pasa por el punto P = (3,4,-5) y es paralelo a los
vectores u = (3,1,-1) y v = (1,-2,1).

25. Determinar la ecuación de la recta que está en la intersección de los planos

 2 x  3 y  7 z  2  0 y x  2 y  3z  5  0 .

 x  4  5t

26. Encontrar el punto de intersección entre la recta  y  2  t y el plano
 z  4  t

3x  y  z  9  0 .

27. Determinar el plano que pasa por el punto (2,-7,6) y que es paralelo al plano
5x  2 y  z  9  0 .

28. Determinar la distancia entre las rectas L1 y L2 , donde L1 es la recta que pasa por
el punto P=(1,2,-1) y es paralela a l vector u = (1,-3,2).
L2  P / P  (3,2,1)  s (3,1,1), s  R .

2da.Parte. Espacios Vectoriales

1. Determine si el conjunto de todas las ternas (x, y, z) con las siguientes reglas :
Suma: (x, y, z) + ( a, b, c) = ( x + a, y - b, z + 2c )
Multiplicación por escalar: k(x, y, z) = ( ky, z, x )
¿ Es un espacio vectorial ? . Si no lo es , ¿ Qué axiomas no cumple ?

2. Recordando la definición de combinación lineal determine si:

a) (7, -3, 10) es combinación lineal de (2, -1, 3) y (3, -1, 4).
 1 2  1 - 1  2 - 1 0 - 1
b)   es combinación lineal de A =   , B =   y C =  
 -1 4 3 2 1 4 0 2 
c) (1,2) es combinación lineal de (3,2), (2,-1) y (3,2)

3. Defina cuando un subconjunto de un Espacio Vectorial (E. V.) es un subespacio y

como puede determinar, en forma simplificada, si un subconjunto es un subespacio.

4. Demuestre que cualquier conjunto no vacío de un Espacio Vectorial genera un

subespacio del mismo.

5. Determine si u = (2, -1, 4) pertenece al subespacio generado por v1 = (2, 1, 3),

v 2 = (-1, 0, 1) y v3 = (0, 0, -1).

6. ¿Los vectores del ejercicio anterior, v1 , v 2 y v3 generan a R3 ?. Justifique su

respuesta.

7. Determine cuales de los siguientes conjuntos son subespacios de R2

a) W  (a, b) / a  2b  0
 4

b) W  (a, b) / b  2
c) W  (a, b) / a  0

8. Determine cuales de los siguientes conjuntos son subespacios de R3

a) W  (a, b, c) / a  2b  0, c  0
b) W  (a, b, c) / a  b, c  1
c) W  (a, b, c) / b  a  c
9. Determine cuales de los siguientes conjuntos son subespacios de M ( 2 x 2 )
a b  
a) W    / a  d  0 , c  b 
 c d  
a b  
b) W    / c  b  0
 c d  
a b  
c) W    / a  d  1, c  b 
 c d  
10. En cada inciso determinar si los vectores generan a R3:
a) v1 = (1, -2, 1), v 2 = (2, -1, 1) .
b) v1 = (2, -1, 1), v 2 = (3, -2, 1), v3 = (1, -1, 0).
c) v1 = (2, -1, 1), v 2 = (3, -2, 1), v3 = (1, -1, 0), v 4 = (-1, 1, 1).

1 2 1 2
11. Determine si A =   pertenece al subespacio generado por B1 =   ,
 -1 0   3 0 
 1 - 3 1 5
B2 =   y B3 =   .
 2 0   2 0 

12. Determine cuales de los siguientes conjuntos son L.I. ó L.D.

 1 2  3 - 1 1 0
a) { A1 =   , A2 =   , A3 =   }
 -1 1 1 0   0 - 1
b) { v1 = (1, 0, -1), v 2 = (-1, 3, 2), v3 = (0, 3, 1) }.
c) { v1 = (1, -2), v 2 = (1, 2), v3 = (1, -3) }.

13. Sea S = { v1 , v 2 , v3 , v 4 } un conjunto de vectores de un E. V., demostrar que :

a) Si uno de los vectores es cero, entonces S es L.D.
b) Si uno de los vectores es combinación lineal de los demás, entonces S es L. D.

14. Sea S un conjunto finito de vectores pertenecientes a un espacio vectorial V.

Defina cuando S es una base de V. ¿ Qué es la dimensión de un espacio
vectorial?.

15. Sea S = { v1 = (2, -1, 1), v 2 = (-1, -1, 2), v3 = (0, -1, 0) }, demuestre que S es una
base de R3. ¿ Cuál es la dimensión?.
 5

16. Determine la base canónica de los siguientes espacios vectoriales:

a) R4
b) M(2x2)
c) P3

17. Si la dimensión de V es igual 3, analice y justifique si las siguientes afirmaciones

son
correctas:
a) { v1 , v 2 , v3 , v 4 } puede ser una base de V.
b) { v1 , v 2 , v3 , v 4 } puede generar a V.
c) { v1 , v 2 , v3 , v 4 } puede ser L. I.

18. Determine una base y la dimensión de los subespacios generados por:

a) v1  (1,2,3,2), v2  (0,1,2,0), v3  (1,1,1,2), v4  (1,2,0,0)

 1 2  3 - 1 1 0
b) { A1 =   , A2 =   , A3 =   }
 -1 1 1 0   0 - 1
c) { v1 = (1, -2), v 2 = (1, 2), v3 = (1, -3) }.

19. Determine una base y la dimensión para cada uno de los siguientes subespacios:

a) V = { (a, b, c) : b = 2a }
b) W = { (a, b, c) : a + b = 0; 2a + c = 0 }
c) U = { (a, b, c) : -2a + b = 0 }
d) U W
e) V U

20. Determine una base y la dimensión para cada uno de los siguientes subespacios:
a b  
a) U    / a  d  0, c  b 
 c d  
a b  
b) W    / c  b  0
 c d  
c) U  W
UNIDAD No. 5 TRANSFORMACIONES LINEALES

1. Introducción y definición: En esta unidad se hará un estudio de las funciones

vectoriales de variable vectorial. Es decir, funciones de la forma w = F (v) , donde la
variable dependiente w y la variable independiente v son vectores. El estudio se
restringirá a una clase especial de funciones vectoriales conocidas como
transformaciones lineales, las cuales tienen muchas aplicaciones en física, ingeniería,
ciencias sociales y empresariales y en varias ramas de las matemáticas.
Si V y W son dos espacios vectoriales y F una función que a todos y cada uno de los
vectores de V le asocia un único vector en W se dice que F transforma V en W y se
escribe F : V → W . Además, si F asocia al vector v el vector w, se escribe w = F (v) y
se dice que w es la imagen de v al aplicarle F.
Por ejemplo, si v = ( x, y ) es un vector en R 2 , entonces la fórmula
F (v) = F ( x, y) = ( x + 2 y, 3x − y, y) define una transformación de R 2 en R 3 . En
particular, si v = (2, 5) , entonces la imagen de v al aplicarle la transformación F es
F (v) = (12, 1, 5) .
Definición: Si F : V → W es una función de un espacio vectorial V a un espacio
vectorial W, entonces F se llama transformación lineal de V a W si para todos los
a) F (u + v) = F (u ) + F (v)
vectores u y v de V y todos los escalares k se cumple 
a) F (ku ) = kF (u )
En el caso especial donde V = W , entonces la transformación lineal F : V → W se
denomina operador lineal.
Simplificando, se puede decir que, la transformación F : V → W es lineal si
F (k1u + k2v) = k1F (u) + k2 F (v) donde u y v pertenecen a V y k1 y k2 son escalares
cualesquiera. En una trasformación lineal el vector cero de V es transformado por F en
el vector cero de W ( F ( 0 ) = 0 ), sin embargo esto no es suficiente para afirmar que F
sea lineal, no en tanto si F ( 0 )  0 , entonces se puede afirmar que F no es lineal.

Ejemplo 1: Determinar si F : R3 → R 2 tal que F (a, b, c) = (a + 2b, b − 3c) es una

transformación lineal.
u = (a, b, c)
Solución: Sean   u + v = (a + x, b + y, c + z )  ku = (ka, kb, kc)
v = ( x, y, z )
Verificando las condiciones de linealidad:
a) F (u + v) = (a + x + 2(b + y ), b + y − 3(c + z ) ) = (a + x + 2b + 2 y, b + y − 3c − 3z )

 = (a + 2b, x + 2 y ) + (b − 3c, y − 3z ) = F (u ) + F (v)
b) F (ku ) = (ka + 2kb, kb − 3kc) = k (a + 2b, b − 3c) = kF (u )


Como ambas condiciones se cumplen, la transformación F : R3 → R 2 es lineal.

a + b 1 
Ejemplo 2: Determinar si F : R 3 → M 2 x 2 tal que F (a, b, c) = 
b + c 
es lineal.
 1

1
  0 1  0 0 
Solución: Como F (0,0,0) =    , entonces la transformación F no es
1 0 0 0
lineal. Si se analizan las condiciones de linealidad se podrá constatar que una o ambas
condiciones no se cumplen. (Realizar estas verificaciones)

Ejemplo 3: Sea F : V → W tal que  v  V , F (v) = 0 , determinar si F es lineal.

a) F (u + v) = F (u ) + F (v) = 0 + 0 = 0

Solución: 
b) F (ku ) = kF (u ) = k 0 = 0

Ambas condiciones se cumplen, por lo tanto F : V → W es una transformación lineal,
se denomina transformación nula o cero.

Ejemplo 4: Sea la matriz A  R( mxn) y considerando los vectores en R n y R m como

vectores columna, entonces A determina una transformación T : R n → R m tal que
T (v) = A v  v  R n . Determinar si esta transformación es lineal.

Solución: Aplicando las condiciones de linealidad y las propiedades de las operaciones

con matrices se tiene:
a) T (u + v) = A(u + v) = A u + A v = T (u ) + T (v)

b) T (ku ) = A(ku ) = k ( A u ) = k T (u )
Ambas condiciones se cumplen, por lo tanto la T es una transformación lineal.

2. Determinación de transformaciones lineales a partir de las imágenes de una base:

Teorema 1: Sean V y U dos espacios vectoriales y que sea S = v1 , v2 ,....,vn  una base
de V y u1 , u2 ,.....,un vectores cualesquiera pertenecientes a U. Entonces existe una
única transformación lineal F : V → U tal que:
F (v1 ) = u1 , F (v2 ) = u2 ,.......,F (vn ) = un

 F (v1 ) = (3,1,0)
Ejemplo: Determinar la transformación lineal F : R 2 → R3 tal que 
 F (v2 ) = (1,4,2)
donde, v1 = (1,2), v2 = (−1,0) es una base de R 2

Solución: Tomando un vector cualquiera de R 2 , v = (a, b) , se quiere determinar una

fórmula para F (v) = F (a, b) . Como v  R 2 es una combinación lineal de
v1 = (1,2), v2 = (−1,0), que es una base de R 2 , por lo tanto v = a1v1 + a2v2 

2
 a1 − a2 = a 
a1 = 2 b
1

(a, b) = a1 (1,2) + a2 (−1,0)     , aplicando F a ambos

 1
2 a = b a = 1
b − a
 2 2
miembros de la primera igualdad y tomando en cuenta la linealidad de F

F (a, b) = F (a1 (1,2) + a2 (−1,0) ) = a1F (1,2) + a2 F (−1,0)

= ( b)(3, 1, 0) + ( b − a )(1, 4, 2)
1
2
1
2

= ( b + b − a, b + b − 4a, b − 2a )
3
2
1
2
1
2
4
2

F (a, b) = (− a + 2b, − 4a + b, − 2a + b )
5
2

3. Núcleo e Imagen de una Transformación Lineal F : V → W :

Núcleo de F: (Kernel o Espacio nulo) Es el conjunto de vectores pertenecientes a V y que

a través de F tienen por imagen el vector cero de W, y se denota por

ker(F ) . ker( F ) = v  V / F (v) = 0

Imagen de F: Es el conjunto de vectores pertenecientes a W y que son la imagen de algún

vector de V , también se denomina recorrido y se denota por Im(F ) .

Im( F ) = w  W / F (v) = w, para algún v  V 

Teorema 2: Si F : V → W es una transformación lineal, entonces el núcleo de F es un

subespacio de V y la imagen de F es un subespacio de W.

Ejemplo 1: Dada la transformación lineal F : M ( 2 x 2) → R 2 tal que

 a b  
F     = (a + d , b + c) , determinar una base y la dimensión del núcleo y de la
 c d  
imagen de F.

Solución:
a) Imagen de F : Se toma una base de M ( 2 x 2) , es conveniente tomar la base usual y sus
imágenes generaran a la Im(F )

 1 0 0 1  0 0  0 0  
S =  E1 =   , E2 =   , E3 =   , E4 =  
 0 0  0 0  1 0 0 1  

Sus imágenes generaran a Im(F ) .

3
   1 0 
 F    = (1, 0)
  0 0 

 F  0 1 
 = (0, 1) 1 0 1 0
  0 0  0 1 0 1 dim(Im F ) = 2
    
  0 0  0 1  0 0 Base(ImF) = w1 = (1,0), w2 = (0,1)
 = (0, 1)    
 F  1 
0  1 0  0 0
 
  0 0 
 F    = (1, 0)
  0 1 

b) Núcleo de F: Tomando un vector genérico de M ( 2 x 2) y suponiendo que pertenece al

núcleo y aplicando la definición de F se tendría:
 x y  x + t = 0 1 0 0 1
F     = (0, 0) = ( x + t , y + z )  
    
 z t   y + z = 0 0 1 1 0 
dim Ker ( F ) = Nro. de vatiables libres = n − r = 4 − 2 = 2
z = 1 z = 0
 t = 1
 x = −t t = 0 0 − 1   − 1 0
  si   A1 =    si  A2 =  
 y = −z  y = −1 1 0  y = 0  0 1
 x = 0  x = −1

dim KerF = 2

  0 − 1  − 1 0 
Base ( KerF) =  A1 = 1 0 , A2 =  0 1 
     

Ejemplo 2: Considere la matriz A como una transformación lineal y determina una base y
1 0
la dimensión del núcleo y de la imagen de la transformación, donde A(3 x 2) = 2 − 1
3 2 
Solución:
 
T : R 2 → R 3 tal que T( v ) = A v
  x
a) Núcleo de T : sea v =    Ker T, entonces:
 y
1 0 0  x + 0 y = 0
  x 
T( v ) = A v = 0 ; T( v ) = 2 − 1   = 0 de donde se obtiene: 2 x − y = 0
  
  y  
3 2    0 3x + 2 y = 0


4
El espacio solución de este sistema homogéneo es el Ker T, resolviendo el sistema se
 0  
obtiene que dim( KerT ) = 0 por lo tanto: Base( KerT ) = v1 =   
 0  
b) Imagen de T : Aplicando T sobre una base del dominio, tomando la base usual de R2
 1 0  
e1 =  , e2 =   
 0  1 

1 0  1  
 1    1   
T     = 2 − 1   = 2 
 0    3 2  0   3  
    
  generan a la Im F
1 0   0 
 0   1
T     = 2 − 1   = − 1 
 1  3 2  0  2  
   

1 2 3
0 − 1 2 como son LI y generan a Im T , forman una Base de Im T. dim(Im T) = 2
 
 1   0 
 
Base (Im T) = u1 = 2 , u2 = − 1 
 
   
 3  2  

Se puede observar que los vectores que generan la Im T son las columnas de A es decir, la
imagen de T es igual al espacio columna de A. Esto es válido para cualquier matriz A(mxn).

En estos dos ejemplos se puede observar que la dimensión del dominio de la

transformación es igual a la suma de las dimensiones del núcleo y de la imagen de la
transformación, es decir:

dimensión( dominio de V ) = dim(Ker T ) + dim(Im T )

Teorema 3:

Sea V un espacio vectorial de dimensión finita y que sea F :V → U una transformación

lineal, entonces dimV = dim(Ker F) + dim(Im F).

4. Transformaciones singulares y no singulares:

Una transformación se dice singular si la dimensión del núcleo es diferente de cero y será
no-singular si la dimensión del núcleo es igual a cero.

Teorema 4:

Una transformación lineal F :V → U es un isomorfismo si y solamente si es no singular.

5
5. Operaciones con transformaciones lineales

Sean F :V → U y G :V → U transformaciones lineales y k  R

5.1. Suma

(F + G) es también una transformación lineal de V→U definida por:

   
(F + G)( v ) = F( v ) + G( v ) ;  v  V

5.2. Multiplicación por escalar

( k F) también es una transformación lineal de V→U definida por:

  
( k F) ( v ) = k F( v ) ;  v  V

Estas dos operaciones tienen como propiedades los ocho axiomas que fueron enunciados al
definir un espacio vectorial, entonces:

Teorema5:

El conjunto de las transformaciones lineales de V→U es también un espacio vectorial con

las operaciones de suma y de multiplicación por una escalar definidos anteriormente. Se
denota por Hom(V,U) y si dim V = m y dimU = n, entonces dim(Hom(V, U)) = mxn.

5.3. Producto o composición

Sean F :V → U y G :U → W dos transformaciones lineales entonces su producto o

composición escrito por (G º F) será también una transformación lineal de V→W.

Propiedades:

a) Gº (F+F’) = G º F + G º F’
b) (G + G’)º F = G º F + G’ºF
c) k(G º F) = ( k G)ºF = G º( k F)

Todas estas operaciones junto con sus propiedades definen el álgebra de las
transformaciones lineales.

6. Operadores lineales:

Una transformación lineal cuyo Dominio y Codominio es el mismo espacio vectorial V se

denomina operador lineal. T : V → V .

6.1 Algebra de los operadores lineales

6
Todo el álgebra de las transformaciones lineales se aplica para los operadores, el producto o
composición se lo designa por GF en lugar de GºF y el espacio vectorial de los operadores
se lo representa por A(V) en lugar de Hom (V,V) además para los operadores se definen las
siguientes operaciones.

6-1.1. Potencias de un operador

Sea T : V → U . Entonces :

Tº = I ; T’ = T ; T2 = TT; T3 = TT T ; …………………….; T n = TTT.......

 ..T
n veces
Todas las reglas de potencias se cumplen y en especial:


T T = T T = T
m n n m (m+ n)

 m n donde m y n son enteros positivos.


(T ) = T
(mxn)

6.2.2. Polinomio en T

Sea T : V → V y que sea p(x) un polinomio en x de grado menor o iguales a n :

p(x) = a0 + a1 x + a2 x2 + …………………..an xn reemplazando x por T se puede obtener el

operador p (T ) denominado polinomio en T.

p (T ) = a0T0 + a1 T + a2 T2 + …………………..an Tn

p (T ) = a0I + a1 T + a2 T2 + …………………..+an Tn

Aplicando el polinomio en T sobre un v  V
  
p (T ) ( v ) = (a0I + a1 T + a2 T2 + …………………..+an Tn) ( v )
     
p (T ) ( v ) = a0 v + a1 T ( v ) + a2 T2( v ) + …………………..+an Tn ( v )

6.2.3. Operadores inversibles

Un operador lineal se dice inversible si tiene un inverso, es decir, si existe T −1 : V → V

Tal que TT-1 = T-1 T = I donde I es el operador, idéntico I : V→V

Teorema 7:

Un operador lineal T : V → V , donde V es un espacio de dimensión finita, es inversible si

y solo si es no singular es decir dim (Ker T) = 0

Ejemplo:

Sea T : R 2 → R 2 tal que T ( x, y) = ( x + y, x − y) . Determinar si T es inversible y en caso

afirmativo encontrar el operador inverso.

7
Solución:

Sea (x, y)  Ker T  T ( x, y) = ( x + y, x − y) = (0, 0) igualando componentes:

x + y = 0 x = 0
    dim( KerT ) = 0 Luego T es no singular por lo tanto es
x − y = 0 y = 0
inversible.

Suponiendo que T(x, y) = (s, t)  T-1(s, t) = (x, y)

Como: T ( x, y) = ( x + y, x − y) = ( s, t )

x + y = s 
x = 2 s + 2 t
1 1

Entonces:   
x − y = t y = 2 s − 2 t

1 1

Reemplazando:

T -1 ( s, t ) = (
1
2
s + 12 t , 1
2
s − 12 t )
7. Matrices y operadores lineales

Tal como para un vector v de un espacio vectorial se puede determinar su vector de

coordenadas, v  , para un operador se puede encontrar una matriz que representa a dicho
operador.

7.1. Representación matricial de un operador lineal

  
Sea T un operador lineal que pertenece a A( V ) y sea e1 , e2 ,................en  una base de V,
  
entonces, sus imágenes T( e1 ),T( e2 ),………………T( en ), como también pertenecen a V
pueden escribirse como combinación lineal de la misma base :
   
T (e1 ) = a11e1 + a12 e2 + ....................... + a1n en
T (e ) = a e + a e + ....................... + a e
 1 21 1 22 2 2n n

. . . . . . . . . . . . .
. . . . . . . . . . . . .
    
.T (e1 ) = a n1e1 + a n 2 e2 + ....................... + a nn en

Definición :

8
La matriz transpuesta de los coeficientes aij determinados anteriormente se denomina la

representación matricial del operador lineal T con relación a la base { ei }, o simplemente la
matriz de T, y se representa por T e o T  .

 a11 a 21 . . a n1 
a a 22 . . a n 2 
 12
T  =  . . . 
 
 . . . 
a1n a2n . . a nn 
Ejemplo 1:

Encontrar la matriz de T con relación a la base v1 = (1,1), v2 = (1,0) donde T : R 2 → R 2

está definido por T(x, y) = (2x – y , 3x + y).

Solución: Aplicando T sobre cada vector de la base y expresando cada imagen como
combinación lineal de la propia base se tiene.

a + a 2 =1 a = 4
T (v1 ) = T (1,1) = (1,4) = a1v1 + a 2 v 2 = a1 (1,1) + a 2 (1,0)   1 resolviend o  1
a1 + 0a 2 =4 a 2 = −3
b + b2 =2 b = 3
T (v 2 ) = T (1,0) = (2,3) = b1v1 + b2 v 2 = b1 (1,1) + b2 (1,0)   1 resolviend o  1
b1 + 0b2 =3 b2 = −1

T (v1 ) = 4v1 − 3v 2 4 3
 por lo tanto T  =  
T (v 2 ) = 3v1 − 1v 2 − 3 − 1

Ejemplo 2:

Sea T : P2 → P2 tal que T (a0 + a1x + a2 x2 ) = (a0 + a1 ) + a0 x + a2 x2 hallar la matriz de T con

relación a la base usual de P2 .

Solución: Base usual de P2 = p

1 = 1, p2 = x, p3 = x2 
   
T ( p1 ) = T (1) = 1 + x = 1 p1 + 1 p 2 + 0 p3 1 1 0
   
T ( p 2 ) = T ( x) = 1 = 1 p1 + 0 p 2 + 0 p3

 T  = 1 0 0
     0 0 1
T ( p3 ) = T ( x ) = x = 0 p1 + 0 p 2 + 1 p3
2 2

7.2. Aplicaciones de la representación matricial - Teoremas

Teorema 8:

9
   
Sea e1 , e2 ,................en  una base de un espacio vectorial V y que sea T un operador lineal

perteneciente a A(V), entonces para todo v  V se tiene que:

T e ve = T (v)e
Teorema 9:
  
Sea e1 , e2 ,................en  una base de V definida sobre el campo R y que sea A el espacio
vectorial de las matrices cuadradas definidas sobre R. Entonces La aplicación de T→ T e es
un isomorfismo de A(V) sobre A . La aplicación es uno a uno y sobre y si S y T  A(V) se
tiene que:
a) T + S e = T e + S e
b) kT e = k T e

Teorema 10: Si S y T  A(V), entonces: ST e = S e T e

7.3. Cambio de base - Teoremas

La matriz de un operador con relación a bases diferentes nos dará matrices diferentes
relacionadas entre si a través de una matriz P de transición que se la puede definir como
sigue:   
  
Suponiendo que { e1 , e2 , …………… en } sea una base de V y { f1 , f 2 , …………… f n } sea
otra base de V entonces:
   
 f1 = a11e1 + a12 e2 + ....................... + a1n en
   
 f 2 = a 21e1 + a 22 e2 + ....................... + a 2 n en

. . . . . . . . . . . . .
. . . . . . . . . . . . .

 f n = a n1e1 + a n 2 e2 + ....................... + a nn en
 


Definición:

La matriz transpuesta de los coeficientes aij determinados anteriormente se denomina la

 
matriz de transición P de la base { ei } a la base { f i }.

10
  a11 a 21 . . a n1 
a a 22 . . a n 2 
 12
P=  . . . 
 
 . . . 
a1n a2n . . a nn 

Es fácil deducir que P es inversible, Porque? Y la inversa de P no es más que la matriz de

transición de la base { f i } a la base { ei }.

Teorema 11:
  
Sea P la matriz de transición de { ei } a { f i } en un espacio vectorial V, entonces v  V
se tiene que:
   
P v  f = v e y además P-1 v e = v  f

Teorema 12:
 
Sea P la matriz de transición de { ei } a { f i } en un espacio vectorial V , entonces para
todo operador lineal T  A(V) se tiene que:

T  f = P-1 T e P

Ejemplo:
 
Sea T : R 2 → R 2 tal que T ( x, y) = (− x + y, 3x − y) y que sean { e1 = (1,0), e2 =(0,1)},
 
{ f1 =(1,1), f 2 =(0,-1)}dos bases de R 2 . Verificar el teorema 12.

Solución:
 
Matriz de transición de { ei } a { f i }
  

 1 = (1,1) = 1e1 + 1e2
f 1 0 
    P= 

 f 2 = (0,−1) = 0e1 − 1e2 1 − 1
 
Matriz de transición de { f i } a { ei }
    

e1 = (1,0) = a1 f1 + a 2 f 2 = 1 f1 + 1 f 2 −1 1 0 
      P = 

e2 = (0,1) = b1 f1 + b2 f 2 = 0 f1 − 1 f 2 1 − 1

Matriz de T con relación a { ei }

11
   
T (e1 ) = (−1, 3) = −1e1 + 3e2 − 1 1 
     T e =  
T (e2 ) = (1, − 1) = 1e1 − 1e2  3 − 1

Matriz de T con relación a { f i }
    
T ( f1 ) = (0, 2) = a1 f1 + a 2 f 2 = 0 f1 − 2 f 2  0 − 1
       T e =  
T (e2 ) = (1, − 1) = b1e1 + b2 e2 = − 1e1 − 2e2  − 2 − 2
Luego :
T  f = P-1 T e P

 0 − 1  1 0  − 1 1  1 0 
− 2 − 2 = 1 −1  3 − 1 1 −1
       

8. Matrices y transformaciones lineales

De igual manera que para los operadores se puede encontrar la representación matricial de
una transformación y enunciar sus teoremas correspondientes de aplicación.

8.1. Representación matricial de transformaciones lineales

De la misma forma, que para los operadores, se puede encontrar la representación

matricial de una transformación aplicando un proceso similar solo que tomando en cuenta
que en este caso se tendrán dos bases distintas una para el dominio y otra para el
codominio.
  
Sea F : V → U una transformación lineal y sean { e1 , e2 , …………… en } sea una base de
     
V y { f1 , f 2 , …………… f n } sea una base de U, entonces F( e1 ),F( e2 ),....................F( en ),
como pertenecen a U serán una combinación lineal de la base de U, es decir:
   
 F (e1 ) = a11 f1 + a12 f 2 + ....................... + a1n f n
    
 F (e2 ) = a 21 f1 + a 22 f 2 + ....................... + a 2 n f n

. . . . . . . . . . . . .
. . . . . . . . . . . . .
    
 F (em ) = a m1 f1 + a m 2 f 2 + ....................... + a mn f n


Definición

La matriz transpuesta de los coeficientes aij determinada anteriormente se denomina la

 
representación matricial de F con relación a las bases { ei } y { f i } o simplemente la matriz
de F se la representa por F e = F 
f

12
  a11 a 21 . . a m1 
a a 22 . . a m 2 
 12
F ef = . . . . . 
 
 . . . . . 
a1n a 2n . . a mn 

Teorema 13:

Sea F : V → U una transformación lineal, entonces  v  V se tiene que:
F ef ve = F (v ) f
Teorema 14:

La aplicación F → F e es un isomorfismo del espacio vectorial Hom(V,U) sobre el

f

espacio vectorial de las matrices rectangulares, es decir que la aplicación es biyectiva y si F

y G son dos transformaciones lineales  Hom(V,U) entonces:

a) F + Ge = F e + Ge
f f f

b) kF ef = k F ef

Teorema 15:

Sean F y G dos transformaciones lineales F : V → U y G : U → W , sean { ei } base de V
 
y { f i } base de U y { g i } base de W, entonces:
Gº F gf = Ggf F ef
  
{ ei } { fi } { gi }

V U W

GºF
8.2 Cambio de base

Teorema 16:

 

Sea P la matriz de transición de ei  a ei' en V y que sea Q la matriz de transición de
{ f j }a{ f j' } en U, entonces para toda transformación lineal F : V → U se tiene:

13
a) Si se cambia la base tanto en el dominio como en el codominio

F ef' ' = Q −1 F ef P

b) Si se cambia la base solo en el dominio:

F ef' = F ef P
c) Si se cambia la base solo en el codominio:

F ef ' = Q −1 F ef

14
 TRABAJO PRACTICO Nº 5

TRANSFORMACIONES LINEALES

1. Defina lo que es una transformación lineal (interprete gráficamente).

2. Determine si la transformación de V en W dada, es lineal

a) T: R2  R ; T (x, y) = x y.
b) T: R3  R2 ; T (x, y, z) = (0, y)

3. Sea F: M2x2  R, determine si la siguiente transformación es o no lineal.

a b 
F   2a  3b  c  d
c d 

4. Determine si la siguiente transformación de R3 en R2 es o no lineal. T a, b, c   0,0 

5. Determinar si las siguientes transformaciones son o no transformaciones lineales:

a) T(x, y)= (x + y, 2y)

 x2 x  y
b) T(x, y)=  
0 0 

6. Sea T: R2R2 una transformación lineal . Sea S = {(1,0), (0, 1)} la base canónica de
R2. Se sabe que T(1,0) = ( -2, 4) y que T(0,1) = (0,-3) pero no se conoce la fórmula de T. Se
pide calcular T(-3, 5). ¿Cómo lo haría?

7. En el ejercicio anterior pudimos calcular la imagen de (-3,5). Siguiendo el mismo

procedimiento, podríamos calcular la imagen por T de cualquier vector v  (a, b) , es decir se
puede determinar una fórmula para T. ¿Cómo lo haría?

8. Siguiendo el mismo procedimiento del ejemplo anterior, encontrar la transformación lineal

T: R3R2 tal que: T(1,0,0) = ( 2,3), T(0,1,0) = (0,1), T(0,0,1)=( 1,1).

9. Se sabe que T(1,2) = (1,2,0) y que T( -1,0) = ( 0,0,2). ¿De qué transformación lineal se trata?
Encuentre la fórmula de la transformación

10. Defina el concepto de Núcleo o Kernel de una transformación lineal (ilustre gráficamente).

11. Defina el concepto de Imagen o Recorrido de una transformación lineal (ilustre

gráficamente).

12. Sea la transformación lineal F : R 3  R 2 definida por F ( x1 , x2 , x3 )  ( x1  x3 , x2  x3 )

a) Hallar una base y la dimensión del núcleo o Kernel de F.
b) Hallar una base y la dimensión de la imagen o recorrido de F.
 a  b 0 
13. Sea F: R2  M2x2 la transformación lineal definida por F a, b   
 0 a  b 
Determine una base y la dimensión del Núcleo y de la imagen de F.

15. Sea F : R 2  R 2 una transformación lineal tal que F (a, b)  (a  2b,2a  b) ,

determinar :
a) Hallar una base y la dimensión del núcleo de F.
b) Hallar una base y la dimensión de la imagen de F.

16. Sea T : R 3  R 3 un operador lineal tal que T (a, b, c)  (a  2b, b  c, 2a ) , determinar la matriz
de T con relación a la base usual de R 3 , S  e1  (1,0,0), e2  (0,1,0), e3  (0,0,1) .

17. Para el mismo operador del ejemplo anterior determinar la matriz de T con relación a la base
B  v1  (1,1,1), v2  (0,1,1), v3  (0,0,1)

18. Determinar la matriz de transición de la base S con relación a la base B, (P), y la matriz de
tansición de la base b con relación a la base S, ( P 1 ) y verificar que: T B  P 1 T S P

19. Sea F : R 3  R 2 la transformación lineal tal que F (a, b, c)  (2a  b, a  2c) . Determinar la
matriz de F con relación a las bases B1  e1  (1,1,1), e2  (0,1,1), e3  (0,0,1) y a la base
usual de R 2 , S1   f1  (1,0), f 2  (0,1) , es decir, F e
f

20. Sea F : R 3  R 2 la transformación lineal tal que F (a, b, c)  (2a  b, a  2c) .

Determinar la matriz de F con relación a las bases B2  v1  (1,1,1), v2  (1,1,0), v3  (1,0,0) y
S 2  u1  (1,0), u 2  (1,1), es decir, F v
u

21. Determinar la matriz de transición, P, de la base ei  a la base vi  en R 3 y la matriz de

transición, Q, de la base f j  a la base u j  en R 2 de los ejercicios 19 y 20.

22. Con los datos de los ejemplos 19, 20 y 21 verificar que F v  Q 1 F e P , donde Q 1 es la
u f

matriz inversa de Q , determinada en el ejercicio 21.

 1 2 0
23. Sea A    la representación matricial de la transformación lineal F : R  R con
3 2

  1 2 1 
relación a las bases B  v1  (1,1,1), v2  (0,1,1), v3  (0,0,1) y S  u1  (1,0), u 2  (1,1) ,
determinar:
 F (v1 ) 

a)  F (v2 )  b) Una fórmula para F, es decir, F (a, b, c)
 F (v ) 
 3