Material Clases Álgebra Lineal

Isnardo Arenas-Navarro

Unidades Tecnológicas de Santander

4 de diciembre de 2018
Índice general

1. Sistemas de Ecuaciones Lineales 2

1.1. m Ecuaciones lineales con n Incógnitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Eliminación Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2. Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Sistemas Homogéneos de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . 7

2. Vectores y Matrices 9
2.1. Operaciones en Vectores y Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1. Suma de Matrices y Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.2. Multiplicación por un Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.3. Matriz Inversa e Identidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.4. Transpuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.5. Producto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3. Determinante 14
3.1. Matriz Menor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2. Propiedades de los Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

4. Geometrı́a en el Espacio 17
4.1. Rectas y Planos en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1.1. Recta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1.2. Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2. Producto interior y cruz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.1. Propiedades del producto punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.2. Propiedades del producto cruz(exterior o vectorial) . . . . . . . . . . . . . . . . . . 19
4.3. Proyección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

5. Espacios Vectoriales 21
5.1. Base de un espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.1.1. Subespacio Generado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1
Capı́tulo 1

Sistemas de Ecuaciones Lineales

Podemos iniciar hablando de los casos más sencillos, en donde tenemos dos variables (incógnitas) y dos
ecuaciones, usando nuestros pre-saberes sabemos que sin son lineales podemos visualizarlas en el plano
cartesiano como dos rectas. Dicho lo anterior, geometricamente tenemos tres posibles opciones, que estas
rectas se intercepten en un punto (Solución Única) o que las rectas se sobrepongan una sobre otra tocándose
en todos sus puntos (Soluciones Infinitas) o que las rectas no se toquen nunca (Sin Solución).

1.1. m Ecuaciones lineales con n Incógnitas

Supongamos que se tienen las Incógnitas x1 , x2 , . . . xn y además que se tienen m Ecuaciones lineales.
Por ejemplo en un caso de tres incógnitas y tres ecuaciones lineales podemos tener algo ası́

7x1 − 3x2 + 2x3 = −5,

3x1 + 4x2 + 3x3 = 2,
−4x1 + 7x2 + 3x3 = 1

Ahora bien la pregunta es como podemos saber si hay una solución o no de este sistema de ecuaciones
lineales, podemos tratar de eliminar algunas variables combinando ecuaciones entre ellas, por simplicidad
vamos a hacerlo en orden, nuestro primer objetivo será tratar de usar la primera ecuación para eliminar
x1 de la segunda y tercera ecuación.
Por ejemplo multipliquemos la ecuación segunda por −7 y la primera por 3 y sumamos

21x1 − 9x2 + 6x3 = −15

−21x1 − 28x2 − 21x3 = −14

al sumar tenemos una nueva ecuación segunda

−37x2 − 15x3 = −29

Ahora si multiplicamos la tercera ecuación por 7 y la primera por 4 y sumamos

28x1 − 12x2 + 8x3 = −20

−28x1 + 49x2 + 21x3 = 7

al sumar tenemos la nueva ecuación tercera

37x2 + 29x3 = −13

2
 Por lo tanto el sistema de ecuaciones lineales ahora se ve con las nuevas ecuaciones ası́
7x1 − 3x2 + 2x3 = −5,
−37x2 − 15x3 = −29,
37x2 + 29x3 = −13
nuestro segundo objetivo será que usando la ecuación segunda eliminaremos la x2 de la tercera ecuación,
para este objetivo es facil simplemente sumamos a la tercera ecuación la segunda
−37x2 − 15x3 = −29,
37x2 + 29x3 = −13
al sumar tenemos la nueva ecuación tercera
14x3 = −42
Por lo tanto el sistema de ecuaciones lineales ahora se ve con las nuevas ecuaciones ası́
7x1 − 3x2 + 2x3 = −5,
−37x2 − 15x3 = −29,
14x3 = −42
Además note que la tercera ecución solo tiene una variable que podemos despejar fácilmente y encontrar
el valor para x3
x3 = −3
con este valor ya conocido podemos visitar la ecuación segunda y reemplazar el valor conocido de x3 y nos
queda −37x2 + 45 = −29 nuevamente despejando podemos encontrar el valor para x2
x2 = 2
con estos dos valores ya conocidos podemos visitar la primera ecuación y reemplazar los valores conocidos
de x2 y x3 y nos queda 7x1 − 6 − 6 = −5 nuevamente despejando podemos encontrar el valor para x1
x1 = 1
Podemos concluir que la solución única del sistema de ecuaciones que tenı́amos es x1 = 1, x2 = 2 y
x3 = −3.
Ahora es tiempo de aprender algo de este proceso de eliminación, si notan la clave esta en los coeficientes,
las variables tienen un protagonismo pasivo en el proceso, entonces si ordenadamente organizamos los
coeficientes de las ecuaciones lineales en una matriz puede simplificar el proceso de eliminación.
Veamos otro ejemplo de cuatro ecuaciones con cuatro variables
4x1 − 3x2 + 2x3 + x4 = 0,
−2x1 + 9x2 − 2x3 + 3x4 = 3,
6x1 + 3x2 − 8x3 − 4x4 = −11,
−4x1 − 7x2 + 4x3 + 5x4 =9
Ahora vamos a ordenar los coeficientes que tienen las variables en un arreglo rectangular (matriz), donde
cada columna (vertical) representa los coeficientes de una variable y cada fila (horizontal) representa todos
los coeficientes que tiene la ecuación, entonces la matriz de coeficientes queda ası́:
 
4 −3 2 1
 −2 9 −2 3 
 
 6 3 −8 −4 
−4 −7 4 5

3
este arreglo tiene 4 filas (ecuaciones) y 4 columnas (variables), es decir el tamaño de la matriz de coeficientes
es 4 × 4, también podemos incluir la información que hay al otro lado del igual y a esta se le llama matriz
aumentada. Para este ejemplo la matriz aumentada es ası́:
 
4 −3 2 1 0
 −2 9 −2 3 3 
 
 6 3 −8 −4 −11 
−4 −7 4 5 9

1.1.1. Eliminación Gaussiana

La eliminación Gaussiana es el proceso equivalente a la eliminación de variables que vimos antes, pero
con la diferencia que este se hace en la matriz, recuerde que antes las operaciones se hacı́an entre ecuaciones
y en este caso se hacen entre filas. El objetivo en la eliminación Gaussina es que al final obtengamos una
matriz aumentada donde la parte que esta debajo de la diagonal sea CERO.
Volvamos a el ejemplo  
4 −3 2 1 0
 −2 9 −2 3 3 
 
 6 3 −8 −4 −11 
−4 −7 4 5 9
Ahora consideremos las siguientes operaciones, a la fila segunda la multiplicamos por 2 y sumamos con la
primera para tener una nueva fila segunda (2f2 + f1 => f2 ), a la fila tercera la multiplicamos por 2 y le
sumamos la primera fila multiplicada por −3 para tener la nueva fila tercera (2f3 − 3f1 => f3 ) y la fila
cuarta la sumamos con la primera para tener la nueva fila cuarta (f4 + f1 => f4 ).
 
4 −3 2 1 0
 0 15 −2 7 6 
 
 0 15 −22 −11 −22 
0 −10 6 6 9

Ahora vamos a considerar las siguientes operaciones, a la fila tercera la sumamos con la fila segunda
multiplicada por −1 para obtener la nueva fila tercera (f3 − f2 => f3 ), a la fila cuarta la multiplicamos
por 3 sumamos con la fila segunda multiplicada por 2 para obtener la nueva fila cuarta (3f4 + 2f2 => f4 ).
 
4 −3 2 1 0
 0 15 −2 7 6 
 
 0 0 −20 −18 −28 
0 0 14 32 39

Finalmente hacemos la operación, a la fila cuarta la multiplicamos por 10 la sumamos con la fila tercera
multiplicada por 7 para obtener la nueva fila cuarta (10f4 + 7f3 => f4 ).
 
4 −3 2 1 0
 0 15 −2 7 6 
 
 0 0 −20 −18 −28 
0 0 0 194 194

Hemos completado el objetivo de la eliminación Gaussina, todos los números por debajo de la diagonal
están con valor CERO. Ahora como obtenemos la solución, para eso podemos devolvernos a las ecuaciones,
por ejemplo la fila cuarta significa que
194x4 = 194

4
entonces despejando tenemos que x4 = 1, ahora pasemos a la fila tercera la cual significa que

−20x3 − 18x4 = −28

1
reemplazamos el valor que ya conocemos de x4 y despejando tenemos que x3 = 2
= 0.5, ahora paseamos
a la fila segunda la cual significa que
15x2 − 2x3 + 7x4 = 6
reemplazamos los valores ya conocidos de x3 y x4 y despejando tenemos que x2 = 0, ahora pasamos a la
primera fila la cual significa que
4x1 − 3x2 + 2x3 + x4 = 0
reemplazamos los valores ya conocidos de x2 , x3 y x4 y despejando tenemos que x1 = − 21 = −0.5 .
Si al hacer eliminación Gaussiana se cancela una fila completa de los coeficientes de la matriz, entonces
debemos mirar la parte aumentada, si esta parte es diferente de CERO se llega a una contradicción es
decir por ejemplo 0 = 3, por lo tanto decimos que el sistema de ecuaciones lineales en ese caso no tiene
solución. Pero si por el contrario al otro lado hay un CERO tenemos algo como 0 = 0, es decir hay infinitas
soluciones y en ese caso al menos una variable puede tomar valores arbitrarios o independientes, fabricando
ası́ por cada valor una solución distinta.

1.1.2. Gauss-Jordan
Consiste en continuar la eliminación Gaussiana hasta llegar a solo la diagonal, y esta diagonal llena de
solo 1, continuemos el ejemplo de eliminación Gaussiana que tenı́amos.
 
4 −3 2 1 0
 0 15 −2 7 6 
 
 0 0 −20 −18 −28 
0 0 0 194 194

Primero vamos a dividir la cuarta fila por 194 (f4 /194 => f4 )
 
4 −3 2 1 0
 0 15 −2 7 6 
 
 0 0 −20 −18 −28 
0 0 0 1 1

Ahora queremos eliminar hacia arriba, tomamos la cuarta fila para eliminar en la superiores, es decir a la
tercera fila le sumamos 18 veces la cuarta fila (f3 + 18f4 => f3 ), en la segunda fila le sumamos −7 veces
la cuarta fila (f2 − 7f4 => f2 ) y en la primera sumamos −1 veces la cuarta fila (f1 − 1f4 => f1 )
 
4 −3 2 0 −1
 0 15 −2 0 −1 
 
 0 0 −20 0 −10 
0 0 0 1 1
f3
Dividamos la tercera fila por −20 ( −20 => f3 )
 
4 −3 2 0 −1
 0 15 −2 0 −1 
 
1 
 0 0 1 0 2
0 0 0 1 1

5
Tomemos la tercera fila para eliminar en la segunda fila y primera fila con las siguientes operaciones
f2 + 2f3 => f2 y f1 − 2f3 => f1  
4 −3 0 0 −2
 0 15 0 0 0 
 1

 0 0 1 0 
2
0 0 0 1 1
f2
Dividamos la segunda fila por 15 ( 15 => f2 )
 
4 −3 0 0 −2
 0 1 0 0 0 
 
1 
 0 0 1 0 2
0 0 0 1 1

Ahora con la segunda fila eliminamos en la primera fila f1 + 3f2 => f1

 
4 0 0 0 −2
 0 1 0 0 0 
 
1 
 0 0 1 0
2
0 0 0 1 1

Dividamos por 4 la primera fila ( f41 => f1 )

0 − 12
 
1 0 0
 0 1 0 0 0 
 
1 
 0 0 1 0 2
0 0 0 1 1

Ahora bien lo que tenemos en la parte aumentada sera exactamente la solución, es decir x1 = − 21 = −0.5,
x2 = 0, x3 = 12 = 0.5 y x4 = 1.

Trabajo 1
Este trabajo pueden hacerlo en grupo de máximo tres(3) personas, es importante que el trabajo refleje
la originalidad y esfuerzo del grupo, si dos grupos entregan un trabajo idéntico copia del otro los dos grupos
podrán ser sancionados obteniendo la nota 0.0, se considera que es copia cuando refleja los mismos errores
de digitación o escritura en los mismos lugares de forma frecuente.
En los criterios de evaluación se tiene en cuenta la originalidad, la entrega completa, la presentación
y fácil lectura. Además de que los cómputos estén correctos y los procedimientos completos. Cualquier
estudiante del grupo debe estar dispuesto y capaz de socializar delante de toda la clase un problema se le
asigne del trabajo entregado.
Resuelva por eliminación Gaussiana y por Gauss-Jordan los problemas de este trabajo.

De la página 26 del libro “Álgebra Lineal - 7ma edicion -Stanley L. Grossman” ejercicios 10 al 27.
Escoja 9 ejercicios y resuelvalos correctamente.

Bono primer parcial por cada problema de la página 28 del mismo libro, problemas del 49 al 54, que
resuelva correctamente recibe un bono de 0.1 y hasta un máximo de 0.3.

6
1.2. Sistemas Homogéneos de Ecuaciones Lineales
Un sistema lineal de m ecuaciones con n incógnitas será llamado homogéneo si esta está igualada a
CERO en cada ecuación, es decir que la parte aumentada esta llena de CERO en cada elemento. Debido
a que la parte aumentada esta llena de ceros no es posible que de repente aparezca un valor diferente de
cero, en otras palabras los sistemas homogéneos SIEMPRE tiene solución. Pero puede pasar que tenga mas
de una solución, de hecho es muy facil notar que si reemplaza cada variable por cero en la ecuaciones al
sumarlas les da cero, es decir que si ponemos x1 = 0, x2 = 0, ... y xn = 0 nos da que es solución del sistema
homogéneo, por lo tanto a esta solución se le llama solución TRIVIAL, aca nos vamos a enfocar en tratar
de buscar si además de esta solución trivial existen mas posibles soluciones.
Por ejemplo consideremos el siguiente sistema homogéneo de ecuaciones lineales
4x1 − 2x2 + x3 = 0,
3x1 − 4x2 − 2x3 = 0,
2x1 + 7x2 − 3x3 = 0
claramente si reemplazamos las tres variables por cero obtenemos que las tres ecuaciones nos dan cero y es
una solución (haga el reemplazo y verifique), para ver si tiene otras soluciones debemos hacer eliminación
Gaussiana.  
4 −2 1 0
 3 −4 −2 0 
2 7 −3 0
4f2 − 3f1 => f2 , 2f3 − f1 => f3  
4 −2 1 0
 0 −10 −11 0 
0 16 −7 0
5f3 + 8f2 => f3  
4 −2 1 0
 0 −10 −11 0 
0 0 −123 0
esto significa que este problema solo tiene una solución la TRIVIAL. (hubiesen más soluciones si se anula
una fila 0 = 0).
Veamos un ejemplo más ahora con el sistema homogéneo que sigue
4x1 + 2x3 + x4 = 0,
2x1 − 9x2 − 2x3 + 3x4 = 0,
−6x1 + 3x2 − 5x3 − 4x4 = 0,
− 6x2 − 5x3 =0
sabemos que tiene la solución TRIVIAL, pero hacemos eliminación Gaussiana para ver si tiene otras
soluciones  
4 0 2 1 0
 2 −9 −2 3 0 
 
 −6 3 −5 −4 0 
0 −6 −5 0 0
2f2 − f1 => f2 , 2f3 + 3f1 => f3  
4 0 2 1 0
 0 −18 −6 5 0 
 
 0 6 −4 −5 0 
0 −6 −5 0 0

7
3f3 + f2 => f3 , 3f4 − f2 => f4  
4 0 2 1 0
 0 −18 −6 5 0 
 
 0 0 −18 −10 0 
0 0 −9 −5 0
2f4 − f3 => f4  
4 0 2 1 0
 0 −18 −6 5 0 
 
 0 0 −18 −10 0 
0 0 0 0 0
esto indica que tiene mas solucionemos entonces x4 = t, reemplazamos en la tercera fila y tenemos x3 = − 5t9 ,
reemplazamos en la segunda y tenemos x2 = 25t54
, reemplazamos en la primera y tenemos x1 = − 19t 36
. Dando
valores a t podemos encontrar diferentes soluciones ejemplo t = 1 nos da x1 = − 19 36
, x2 = 25
54
, x 5
3 = −9 y
x4 = t (pruebe dando otros valores a 4).

8
Capı́tulo 2

Vectores y Matrices

Ya previamente hemos trabajado con matrices, y vectores al principio de manera intuitiva las usamos
para resolver más fácilmente un sistema lineal. Ahora en esta parte daremos definiciones más formales,
además algunas operaciones que se pueden hacer entre vectores y matrices.

Definición 2.1 (Vector Fila). Un vector de n componentes se define como un conjunto ordenado de n
números escritos de la siguiente manera:

(x1 , x2 , . . . , xn ) (2.1)

Definición 2.2 (Vector Columna). Un vector columna de n componentes se define como un conjunto
ordenado de n números escritos de la siguiente manera:
 
x1
 x2 
 ..  (2.2)
 
 . 
xn

A cada elemento que hace parte del vector se le conoce como componente, es decir x1 es la primera
componente, x2 sera la segunda y en general xk sera la k-ésima componente del vector y a n se le conoce
como la dimensión. Si todas las componentes del vector son cero se denomina “Vector Cero”. Para este
curso inicialmente asumimos que las componentes son números reales (R), pero más adelante posiblemente
consideraremos los casos donde los vectores también pueden tener componentes de números complejos (C).
Por lo tanto para referirnos a los vectores de dimensión n donde las componentes son reales usamos el
sı́mbolo Rn (si es complejo se usa Cn ).

Definición 2.3 (Matriz). Una matriz A de tamaño m × n es un arreglo rectangular de mn números

dispuestos en orden de m filas y n columnas

a1,1 a1,2 · · · a1,j · · · a1,n

 
 a2,1 a2,2 · · · a2,j · · · a2,n 
 . .. .. .. 
 .
. . . . 

A= (2.3)

 ai,1 ai,2 · · · ai,j · · · ai,n 

 . .. .. .. 
 .. . . . 
am,1 am,2 · · · am,j · · · am,n

Las componentes o entradas de la matriz se consideran son números reales (ai,j ∈ R), a menos que se
indique otra cosa de forma explicita indicando que las entradas son por ejemplo números complejos.

9
2.1. Operaciones en Vectores y Matrices
2.1.1. Suma de Matrices y Vectores
Sean A = (ai,j ) y B = (bi,j ) dos matrices m × n (del mismo tamaño las dos). Entonces la suma de A y
B es la matriz m × n, A + B dada por
 
a1,1 + b1,1 a1,2 + a1,2 ··· a1,n + b1,n
 a2,1 + b2,1 a2,2 + b2,2 ··· a2,n + b2,n 
A + B = (ai,j + bi,j ) =  .. .. .. (2.4)
 

 . . . 
am,1 + bm,1 am,2 + bm,2 · · · am,n + bm,n

Es decir, la suma A + B se obtiene de sumar las componentes correspondientes.

La suma de vectores se entiende de forma similar a la de matrices, es decir, los dos vectores deben tener
el mismos tamaño o dimensión y la suma se hace componente a componente.

2.1.2. Multiplicación por un Escalar

Si A = (ai,j ) es una matriz de m × n y si α es un escalar, entonces la matriz m × n, αA, está dada por
 
αa1,1 αa1,2 · · · αa1,n
 αa2,1 αa2,2 · · · αa2,n 
αA = (αai,j ) =  .. .. ..  (2.5)
 
 . . . 
αam,1 αam,2 · · · αam,n

Es decir, el producto de escalar αA es una matriz nueva que se obtiene de multiplicar cada componente
por α.
Similarmente se hace con vectores, cuando se multiplica por un escalar α, entonces se obtiene un escalar
nuevo donde cada componente se obtiene de multiplicar por α.
Veamos el siguiente ejemplo que mezcla los dos conceptos de suma y multiplicación por escalar anteriores
consideremos los vectores a = (1, −0.5, 3, 5) y b = (−3, 2, 1, −4).

4a − 3b = (4 + 9, −2 − 6, 12 − 3, 20 + 12) = (13, −8, 9, 32)

Propiedades
Sean A, B y C tres matrices de m × n y sean α y β dos escalares. Entonces

1. A + 0 = A

2. 0A = 0

3. A + B = B + A

4. (A + B) + C = A + (B + C)

5. α(A + B) = αA + αB

6. 1A = A

7. (α + β)A = αA + αB

10
Trabajo 2
Este trabajo pueden hacerlo en grupo de máximo tres(3) personas, es importante que el trabajo refleje
la originalidad y esfuerzo del grupo, si dos grupos entregan un trabajo idéntico copia del otro los dos grupos
podrán ser sancionados obteniendo la nota 0.0, se considera que es copia cuando refleja los mismos errores
de digitación o escritura en los mismos lugares de forma frecuente.
En los criterios de evaluación se tiene en cuenta la originalidad, la entrega completa, la presentación
y fácil lectura. Además de que los cómputos estén correctos y los procedimientos completos. Cualquier
estudiante del grupo debe estar dispuesto y capaz de socializar delante de toda la clase un problema se le
asigne del trabajo entregado.
Resuelva los siguientes problemas del libro “Álgebra Lineal - 7ma edicion -Stanley L. Grossman”.

De la página 59 ejercicios 18 al 25. Escoja 5 ejercicios y resuelvalos correctamente.

De la página 59 ejercicios 33 al 52. Escoja 10 ejercicios y resuelvalos correctamente.

Bono primer parcial por cada problema de la página 60, problemas del 62 y 63, que resuelva correc-
tamente recibe un bono de 0.1 y hasta un máximo de 0.2.

2.1.3. Matriz Inversa e Identidad

Primero hablemos de la Matriz Identidad, esta matriz cuadrada es la matriz que actúa como el elemento
neutro (osea el 1 en el caso de números) en la multiplicación de matrices. Esta matriz está llena por unos(1)
en la diagonal y sus otras entradas fuera de la diagonal están llenas de cero.
Veamos varios ejemplos de diferentes tamaños para la matriz identidad, I se usa como sı́mbolo para
referirnos a la matriz identidad.
 
  1 0 0 0 0
  1 0 0 0
  1 0 0  0 1 0 0   0 1 0 0 0 
 
1 0  0 1 0  
 0 0 1 0   0 0 1 0 0  ...
  
0 1
0 0 1  0 0 0 1 0 
0 0 0 1
0 0 0 0 1

Definición 2.4 (Inversa de una matriz). Sean A y B dos matrices de n × n. Suponga que

AB = BA = I

Entonces B se llama la matriz inversa de A y se denota por A−1 . Entonces se tiene

AA−1 = A−1 A = I

Si A tiene inversa, entonces se dice que A es invertible.

Para encontrar la inversa de una matriz cuadrada se puede completar con el mismo procedimiento que
Gauss-Jordan, simplemente hacemos una matriz aumentada de la forma (A|I) y por medio de Gauss-Jordan
hasta llegar a una forma (I|A−1 ). En caso tal de que una fila completa se anule, es imposible completar el
calculo de la inversa. Por lo tanto la matriz no es invertible.

11
Ejemplo
Veamos como
 invertir usando
 el procedimiento comentado anteriormente, suponga que se desea averi-
1 −3 5
guar si A =  4 0 −1  es invertible y cual serı́a su inversa. Entonces iniciamos el proceso agregando
5 3 −2
una identidad en la parte aumentada.
 
1 −3 5 1 0 0
 4 0 −1 0 1 0 
5 3 −2 0 0 1

Hagamos las operaciones f2 − 4f1 => f 2 y f3 − 5f1 => f3

 
1 −3 5 1 0 0
 0 12 −21 −4 1 0 
0 18 −27 −5 0 1

Hagamos la operación 2f3 − 3f2 => f3 Hagamos las operaciones f2 − 4f1 => f 2 y f3 − 5f1 => f3
 
1 −3 5 1 0 0
 0 12 −21 −4 1 0 
0 0 9 2 −3 2

Ahora vamos hacia atrás, f3 /9 => f3

 
1 −3 5 1 0 0
 0 12 −21 −4 1 0 
2
0 0 1 9
− 13 92

Ahora hacemos, 21f3 + f2 => f2 y f1 − 5f3 => f1


1 −3 0 − 19 5 10

3
− 9
 0 12 0 2 14 
3
−6 3
2 1 2
0 0 1 9
− 3 9

Ahora hacemos f2 /12 

1 −3 0 − 19 5 10

3
− 9
1
 0 1 0 18 − 12 7 
18
2
0 0 1 9
− 13 2
9
Ahora hacemos f1 + 3f2 => f1  1 1 1

1 0 0 18 6 6
1
 0 1 0
18
− 12 7
18

2
0 0 1 9
− 13 2
9
Entonces ahora podemos concluir que A es invertible y ademas que su inversa es
 1 1 1

18 6 6
A−1 =  1
18
− 12 7
18

2
9
− 31 2
9

Una ventaja, si se conoce la inversa de una matriz, se puede resolver el sistema lineal Ax = b para
conocer los valores de x se hace
x = A−1 b

12
2.1.4. Transpuesta
La transpuesta de una matriz o vector consta de cambiar la posiciones de la matriz, cambiando cada
elemento de su posición original Fila i y Columna j a la nueva posición Fila j y Columna i. En la siguiente
definición se da una versión más formal

Definición 2.5 (Transpuesta). Sea A = (ai,j ) una matriz de m × n. Entonces la transpuesta de A, escrita
como AT , es la matriz de n × m que se obtiene al intercambiar las filas por las columnas de A. Es decir
AT = (aj,i )

Veamos la definición de transpuesta con un ejemplo que nos permita tener una idea más clara.
 
7 −3 0 5
 3 0 −1 9 
 
A =  10
 4 −3 0 
 9 13 −5 6 
1 2 3 4

la A matriz tiene un tamaño de 5 × 4 por lo tanto AT tendrá un tamaño de 4 × 5 y se verá de la siguiente

forma  
7 3 10 9 1
 −3 0 4 13 2 
AT =   0 −1 −3 −5 3 


5 9 0 6 4

Propiedades de la Transpuesta
Sean A = (ai,j ) es una matriz de n × m y B = (bi,j ) es una matriz de m × p. Entonces

1. (AT )T = A.

2. (AB)T = B T AT .

3. Si A y B son de n × m, entonces (A + B)T = AT + B T .

4. Si A es invertible, entonces AT es invertible y (AT )−1 = (A−1 )T .

En un caso muy particular algunas matrices cuadradas son llamadas simétricas si AT = A, en otras
palabra las filas son iguale a las columnas.

2.1.5. Producto Escalar

El producto es calar se entiende como el producto entre dos vectores, en donde el resultado es un simple
número, real para nuestros primeros casos, en el caso de vectores columna se entiende el producto escalar
como el producto matricial x · y = xT y, resultando esta en solo un número.
Vamos un ejemplo, supongamos queremos calcular producto escalar (se conoce también como producto
interior o producto punto)
   3   3 
4 2   2
 = 4, −1, 0, 2 ·  0  = 4 3 + 0 + 0 + 2 9 = 12
 −1   0   
 ·
 0   −6  3  −6  2 3
2
3
9 9

13
Capı́tulo 3

Determinante

El determinante es una operación que se efectúa para matrices cuadradas y obtenemos un numero real,
esta operación nos permite múltiples utilidades a la hora de resolver sistemas lineales, calculo de inversas y
muchas más aplicaciones. Sin embargo la primera utilidad del determinante es la de determinar si la matriz
es invertible o no, es decir, si el determinante de una matriz cuadrada es CERO(0) entonces decimos que
la matriz es no invertible, y cuando es diferente de cero entonces la matriz si es invertible.
El ejemplo más sencillo que podemos tener para calcular el determinante es el de una matriz 2 × 2,
supongamos el caso más general  
a b
A=
c d
en este caso el determinante es el número que resulta del siguiente calculo, se usa la notación para deter-
minante det(A) = |A|  
 a b 
det(A) = |A| =   = ad − bc
c d 
 
3 2
Calculemos ahora para un ejemplo más particular, sea B = en este caso el det(B) = (3)(5) −
1 5
(1)(2) = 15 − 2 = 13 como el resultado no es ceropodemosademás afirmar que la matriz B es invertible.
1 −2
Calculemos ahora otro ejemplo más, sea C = en este caso el det(C) = (1)(8) − (−2)(3) =
3 8
8 + 6 = 14 como el resultado no es cero podemos además afirmar que la matriz C es  invertible.
1 −2
Sin embargo ahora con esta herramienta es fácil verificar que la matriz D = tiene un
−2 4
determinante igual a CERO (haga el calculo) y esto significa que la matriz D no es invertible.

3.1. Matriz Menor

Hasta el momento solo hemos considerado la formula para matrices 2 × 2, entonces una pregunta valida
en este momento es como se puede computar el determinante para matrices de mayor tamaño. Para poder
responder esa pregunta primero introduciremos un concepto nuevo que es el de la matriz menor, una matriz
menor es simplemente una matriz de tamaño inferior a la original en la cual se restringe la información en
una fila y en una columna. De una manera más formal decimos la siguiente definición.

Definición 3.1 (Menor). Sea A una matriz de n × n y sea Mi,j la matriz de (n − 1) × (n − 1) que se
obtiene de A eliminando la fila i y la columna j. Mi,j se llama la menor ij de A.

14
  
1 −2 0
Veamos un ejemplo, supongamos que tenemos la matriz A =  −2 4 3 , entonces algunas de las
0 7 2
las menores de la matriz A son:
         
4 3 1 0 −2 0 −2 4 1 −2
M1,1 = , M2,2 = , M3,1 = , M1,3 = , M2,3 =
7 2 0 2 4 3 0 7 0 7
.
Ahora como esto nos ayuda las menores a computar el determinante, usaremos algo que se llama
cofactores, que es simplemente el determinante de la matriz menor y que acorde a la posición se le cambia
el signo es decir si hablamos del cofactor i, j tenemos que tener en cuenta el determinante de la menor con
la siguiente formula
(−1)i+j det(Mi,j )
Lea cuidadosamente el procedimiento que haremos para determinar un determinante con cofactores en
matrices que no son de tamaño 2 × 2:
1. Selecciones una FILA o una COLUMNA, cualquiera sirve pero como sugerencia tome la que tenga
más ceros.

2. Luego escriba cada cofactor que corresponda a cada elemento de la FILA o COLUMNA que escogió.

3. Finalmente multiplique cada cofactor por el elemento de la FILA o Columna que escogió y sume los
resultados. Esto le dará el determinante de la matriz original.
 
1 −2 0
Veamos un ejemplo para ver como calcular el determinante de la matriz A =  −2 4 3 , suponga
0 7 2
que seleccionamos la primera fila entonces necesita computar los cofactores para 1, 1 luego el cofactor 1, 2
y por ultimo el cofactor 1, 3, es decir,
     
 4 3 
 , −  −2 3  ,  −2 4 
   

 7 2   0 2   0 7 

nos falta hacer los tres determinantes que nos quedan, como es una matriz 2 × 2 es fácil calcular cada uno,
quedándonos los siguientes tres resultados

((4)(2) − (3)(7)) = −13, −((−2)(2) − (3)(0)) = 4, ((−2)(7) − (4)(0)) = −14

Entonces ya estamos listos para el determinante

|A| = (1)(−13) + (−2)(4) + (0)(−14) = −21

Note que nos podı́amos evitar el calculo del tercer determinante, pues se va a multiplicar por cero y no
importa igual dará cero y por eso la sugerencia de seleccionar la FILA o COLUMNA con más ceros.

3.2. Propiedades de los Determinantes

1. det(AB) = det(A) det(B).

2. det(AT ) = det(A).

3. Si una fila o una columna es cero, entonces el determinante es cero.

15
 4. Si una fila se multiplica por un factor el determinante también se multiplica por el mismo factor, es
decir    
 a1,1 a1,2 · · · a1,n   a1,1 a1,2 · · · a1,n 
 
 a2,1 a2,2 · · · a2,n   a2,1 a2,2 · · · a2,n 
 . .. ..   . .. .. 
 .  .
 . . .   . . . 
 = c  = c|A|
 cai,1 cai,2 · · · cai,n   ai,1 ai,2 · · · ai,n 

 . .. ..   . .. .. 
 .. . .   .. . . 
 
 a a ··· a   a a ··· a 
n,1 n,2 n,n n,1 n,2 n,n

5. El intercambio de cualesquiera fila o columna el determinante cambia de signo.

6. Si una fila o columna de una matriz es múltiplo o igual a otra fila o columna, entonces el determinante
es cero.

7. Si se suma un múltiplo de una fila o columna de A, a otra fila o columna de A, entonces el determinante
no cambia.

Finalmente recuerde que el determinante de una matriz diagonal es simplemente el producto de los ele-
mentos que están en la diagonal, siendo cuidadoso varias de estas propiedades te permiten usar eliminación
Gaussiana para calcular el determinante.

Trabajo 3
Este trabajo pueden hacerlo en grupo de máximo tres(3) personas, es importante que el trabajo refleje
la originalidad y esfuerzo del grupo, si dos grupos entregan un trabajo idéntico copia del otro los dos grupos
podrán ser sancionados obteniendo la nota 0.0, se considera que es copia cuando refleja los mismos errores
de digitación o escritura en los mismos lugares de forma frecuente.
En los criterios de evaluación se tiene en cuenta la originalidad, la entrega completa, la presentación
y fácil lectura. Además de que los cómputos estén correctos y los procedimientos completos. Cualquier
estudiante del grupo debe estar dispuesto y capaz de socializar delante de toda la clase un problema se le
asigne del trabajo entregado.
Resuelva los siguientes problemas del libro “Álgebra Lineal - 7ma edicion -Stanley L. Grossman”.

De la página 187 ejercicios 9 al 16. Cada ejercicio resuelvalo por menores y por eliminación Gaussina
usando las propiedades del determinante. Escoja 6 ejercicios y resuelvalos correctamente para el
trabajo, si adicional hace todos los ejercicios correctamente recibe un bono de 0.2 .

16
Capı́tulo 4

Geometrı́a en el Espacio

4.1. Rectas y Planos en el espacio

4.1.1. Recta
Una recta independientemente si está en un espacio de dos dimensiones(R2 ), o en el espacio tridimen-
sional (R3 ), se puede determinar con tan solo dos puntos(A y B). En nuestro caso usamos estos dos puntos
−→
para determinar un vector que nos da la dirección u orientación de la recta (AB), este vector con la direc-
ción de la recta hace la misma funcionalidad que la pendiente hacia en una recta en dos dimensiones. Ası́
que cualquier otro punto en la recta se puede determinar usando como referencia el punto A y agregando
−→
un múltiplo de la dirección tAB hasta alcanzar el punto P (x, y, z) que también hace parte de la recta. Es
−→
decir que el vector dirección (AB) es el generador de la recta.
(x, y, z)
b

Bb

−→
A
b
AB

Figura 4.1: Recta generada por un vector dirección

Usando la ilustración que está en la figura anterior con el vector de orientación para la recta ~v y un
punto que pertenece a la recta A = (xa , ya , za ) cualquier otro punto P = (x, y, z) se puede escribir como la
siguiente ecuación
P = A + t~v t ∈ R (4.1)
la anterior se le conoce como forma vectorial de la ecuación de la recta la cual depende unicamente del
parámetro t, pues el punto A y el vector ~v = hv1 , v2 , v3 i son valores conocidos. También se puede determinar
componente a componente con la ecuación

x =xa + tv1 (4.2a)

y =ya + tv2 (4.2b)
z =za + tv3 (4.2c)

17
Y también puede escribirse despejando el parámetro t y ası́ obtenemos la relación de proporciones
x − xa y − ya z − za
= = =t (4.3)
v1 v2 v3

4.1.2. Plano
Una plano en el espacio tridimensional (R3 ), se puede determinar con tan solo tres puntos(A, B y C).
−→ −→
en este case tenemos dos vectores generadores (AB y AB). Asi que cualquier otro vector(~v ) en el plano es
generado por la combinación lineal de los dos vectores generadores.
−→ −→
~v = α1 AB + α2 AC α1 , α2 ∈ R (4.4)
Y ası́ el punto P (x, y, z) que esta en el plano puede determinarse como P = A + ~v entonces tenemos
una forma vectorial como sigue
−→ −→
P = A + α1 AB + α2 AC α1 , α2 ∈ R (4.5)
−→ −→ −→
Suponga que existe un vector perpendicular ~n para AB y AC esto nos permite la ventaja ~n · AB =
−→
~n · AC = 0 y distribuir en la ecuación anterior ese producto punto y tenemos que
−→ −→
~n · P = ~n · A + α1~n · AB + α2~n · AC (4.6)
resultando que
~n · P = ~n · A (4.7)
−→ −→
Ahora la pregunta que queda es como encontrar ese vector perpendicular a la vez a AB y AC y creo la
−→ −→
respuesta es sencilla AB × AC sera nuestro vector perpendicular.

Ejemplo
Determine la ecuación del plano definido por los tres puntos
1. A(−1, 0, 3), B(0, −3, 2) y C(3, −4, 0)
2. A( 53 , 0, −7), B(−2, 8, 0) y C(1, − 21 , 25 )
3. A(− 31 , 0, 56 ), B(−2, 6, 65 ) y C( 65 , − 52 , 0)
4. A( 25 , 0, − 31 ), B(−3, 9, 0) y C(− 78 , 0, − 52 )

4.2. Producto interior y cruz

Definición 4.1. El producto ~u · ~v (punto o interior) de los vectores ~u = hu1 , u2, u3 i y ~v = hv1 , v2 , v3 i es:
~u · ~v = u1 v1 + u2 v2 + u3 v3 (4.8)
Teorema 4.2.1. El ángulo θ entre dos vectores no nulos ~u y ~v esta dado por
~u · ~v
cos(θ) = (4.9)
k~ukk~vk
Definición 4.2. Los vectores ~u y ~v ortogonales (o perpendiculares) si y solo si ~u · ~v = 0

4.2.1. Propiedades del producto punto

Sean ~u, ~v y w
~ vectores, y c es un escalar, entonces

18
 1. ~u · ~v = ~v · ~v 3. ~u · (~v + w)
~ = ~u · ~v + ~u · w
~ 5. ~0 · ~u = 0
2. (c~u) · ~v = ~u · (c~v) = c(~u · ~v ) 4. ~u · ~u = k~uk2

Definición 4.3. El producto cruz (o vectorial) ~u × ~v para vectores en el espacio (R3 )

~u × ~v = (k~ukk~vk) n̂ (4.10)

Definición 4.4. Dos vectores en el espacio no nulos ~u y ~v son paralelos si y sólo si ~u × ~v = ~0

Computo de el producto cruz con regla de la mano derecha o con determinantes.
Regla de la mano derecha para producto cruz î × ĵ = k̂

4.2.2. Propiedades del producto cruz(exterior o vectorial)

Sean ~u, ~v y w
~ vectores en el espacio, y a y b son escalares, entonces

1. (a~u) × (b~v ) = (ab)(~u × ~v ) 3. ~u × ~v = −~v × ~u 5. ~0 × ~u = ~0

2. ~u × (~v + w)
~ = ~u × ~v + ~u × w
~ 4. (~v + w)
~ × ~u = ~v × ~u + w
~ × ~u 6. ~u×(~v ×w)
~ = (~u·w)~
~ v −(u·~v)w
~

4.3. Proyección

~v ~v ~v ~v

θ θ θ θ
~u ~u ~u ~
u ~u
k~
uk

Figura 4.2: Proyección del vector ~v sobre ~u

La proyección de ~v sobre ~u se puede computar a partir del angulo entre los dos vectores y aplicando
concepto básico de trigonométria.
~u
proyu~ ~v = (k~vk cos(θ))
k~uk
 
~u · ~v ~u
= k~v k
k~ukk~vk k~uk
 
~u · ~v ~u
=
k~uk k~uk
 
~u · ~v
= ~u
k~uk2
 
~u · ~v
= ~u
~u · ~u

 
u·~
~ v
A la expresión (k~v k cos(θ)) o k~
uk
se le llama el componente escalar, es decir es la magnitud del vector
resultante.

19
Ejemplos
Determine si los vectores son paralelos o perpendiculares, halle el ángulo entre los vectores, la magnitud
de los vectores, proy~u~v , proy~v ~u, y compute un vector normal(perpendicular) no nulo para el par de vectores.

1. h−7, −8, −10i y h−7, −2, 6i 4. h 24 , − 27 , 72 i y h6, 24 , − 42 i 7. h6, 0, 51 i y h−2, 18 , 42 i

2. h2, 1, −9i y h5, −10, −2i 5. h− 21 , −9, − 18 i y h− 24 , 0, 3i 8. h3, − 72 , −9i y h0, 0, 34 i

3. h5, 9, − 13 i y h−3, 6, − 51 i 6. h− 51 , 18 , − 81 i y h− 18 , 51 , 0i 9. h 53 , 14 , − 53 i y h−7, 18 , 7i

Trabajo 4
Este trabajo pueden hacerlo en grupo de máximo tres(3) personas, es importante que el trabajo refleje
la originalidad y esfuerzo del grupo, si dos grupos entregan un trabajo idéntico copia del otro los dos grupos
podrán ser sancionados obteniendo la nota 0.0, se considera que es copia cuando refleja los mismos errores
de digitación o escritura en los mismos lugares de forma frecuente.
En los criterios de evaluación se tiene en cuenta la originalidad, la entrega completa, la presentación
y fácil lectura. Además de que los cómputos estén correctos y los procedimientos completos. Cualquier
estudiante del grupo debe estar dispuesto y capaz de socializar delante de toda la clase un problema se le
asigne del trabajo entregado.
Resuelva los siguientes problemas del libro “Álgebra Lineal - 7ma edicion -Stanley L. Grossman”.

De la página 287 ejercicios 5 al 12. Escoja 6 ejercicios y resuelvalos correctamente para el trabajo, si
adicional hace todos los ejercicios correctamente recibe un bono de 0.2 .

De la página 288 ejercicios 21 al 24. Escoja 3 ejercicios y resuelvalos correctamente para el trabajo,
si adicional hace todos los ejercicios correctamente recibe un bono de 0.1 .

De la página 289 ejercicios 47 al 52. Escoja 5 ejercicios y resuelvalos correctamente para el trabajo,
si adicional hace todos los ejercicios correctamente recibe un bono de 0.1 .

De la páginas 292-293 ejercicios 80 al 87. Escoja 6 ejercicios y resuelvalos correctamente para el

trabajo, si adicional hace todos los ejercicios correctamente recibe un bono de 0.2 .

20
Capı́tulo 5

Espacios Vectoriales

Este es uno de los conceptos que más se usan en cursos avanzados de matemáticas, que acá veremos en
el caso de espacios vectoriales. A continuación veremos la definición:
Definición 5.1 (Espacio vectorial real). Un espacio vectorial real V es un conjunto de objetos, denomi-
nados vectores, junto con dos operaciones binarias llamas suma y multiplicación por un escalar, y que
satisfacen los diez axiomas enumerados a continuación:
1. Si ~x ∈ V y ~y ∈ V , entonces ~x + ~y ∈ V (cerrado bajo la suma).
2. Para todo ~x, ~y y ~z en V , (~x + ~y ) + ~z = ~x + (~y + ~z) (ley asociativa de la suma de vectores).
3. Exite un vector ~0 tal que para todo ~x ∈ V , ~x + ~0 = ~0 + ~x = ~x (el ~0 se llama vector cero o idéntico
aditivo).
4. Si ~x ∈ V , existe un vector −~x ∈ V tal que ~x + (−~x) = 0 (−~x se llama inverso aditivo de ~x).
5. Si ~x y ~y están en V , entonces ~x + ~y = ~y + ~x (ley conmutativa de la suma de vectores).
6. Si ~x ∈ V y α es un escalar, entonces α~x ∈ V (cerradura bajo la multiplicación de un escalar).
7. Si ~x y ~y están en V y α es un escalar, entonces α(~x + ~y ) = α~x + α~y (primera ley distributiva).
8. Si ~x ∈ V y α y β son escalares, entonces (α + β)~x = α~x + β~x (segunda ley distributiva).
9. Si ~x ∈ V y α y β son escalares, entonces α(β~x) = (αβ)~x (ley asociativa de la multiplicación por
escalares).
10. Para cada vector ~x ∈ V , 1~x = ~x.
Subespacio Vectorial, en ocasiones el conjunto que queremos verificar es un SUBCONJUNTO de un
espacio vectorial que previamente ya conocemos por ejemplo R2 , R3 ,Matrices cuadradas de tamaño 2 × 2,
estos son solo algunos ejemplos de los muchos espacios vectoriales que hemos visto hasta el momento. La
ventaja de ser un subconjunto es que podemos mostrar que es un espacio vectorial reduciendo el numero
de pruebas.
Definición 5.2 (Subespacios Vectoriales). Se dice que H es un subespacio vectorial de V si H es un
subconjunto no vacı́o de V , y H es un espacio vectorial con las operaciones de suma entre elementos y
multiplicación por un escalar definidas para V .
Como mencionamos anteriormente la ventaja de que un H ⊂ V es que al probar que H es un subespacio
vectorial entonces podemos usar el siguiente teorema el cual nos evita probar los DIEZ axiomas del espacio
vectorial por tan solo DOS.

21
Teorema 5.0.1 (Subespacio Vectorial). Un subconjunto no vacı́o de H de un espacio vectorial V es un
subespacio de V si se cumplen las dos reglas de cerradura:

1. Si ~x ∈ H y ~y ∈ H, entonces ~x + ~y ∈ H (cerrado bajo la suma).

2. Si ~x ∈ H y α es un escalar, entonces α~x ∈ H (cerradura bajo la multiplicación de un escalar).

Trabajo 5
Este trabajo pueden hacerlo en grupo de máximo tres(3) personas, es importante que el trabajo refleje
la originalidad y esfuerzo del grupo, si dos grupos entregan un trabajo idéntico copia del otro los dos grupos
podrán ser sancionados obteniendo la nota 0.0, se considera que es copia cuando refleja los mismos errores
de digitación o escritura en los mismos lugares de forma frecuente.
En los criterios de evaluación se tiene en cuenta la originalidad, la entrega completa, la presentación
y fácil lectura. Además de que los cómputos estén correctos y los procedimientos completos. Cualquier
estudiante del grupo debe estar dispuesto y capaz de socializar delante de toda la clase un problema se le
asigne del trabajo entregado.
Resuelva los siguientes problemas del libro “Álgebra Lineal - 7ma edicion -Stanley L. Grossman”.

De la página 313 ejercicios 13 al 18. Escoja 4 ejercicios y resuelvalos correctamente para el trabajo,
si adicional hace todos los ejercicios correctamente recibe un bono de 0.1 .

Considere el conjunto C 1 [0, 1]; es decir el conjunto de las funciones continuas con la primera derivada
continua y con dominio en el intervalo [0, 1]; realice 2 gráficas cada una con un ejemplo de función que
pertenece a C 1 [0, 1], dos gráficas cada una con un ejemplo de función que NO pertenece a C 1 [0, 1], y
pruebe las 10 propiedades para mostrar que es un espacio vectorial. bono de 0.3 .

De la página 314 ejercicios 26 al 31. Escoja 4 ejercicios y resuelvalos correctamente para el trabajo,
si adicional hace todos los ejercicios correctamente recibe un bono de 0.1 .

5.1. Base de un espacio vectorial

Los espacios vectoriales tiene unos elementos básicos, desde los cuales se pueden obtener los demás,
para esto vamos a hablar de varios conceptos que están relacionados con esto.

Definición 5.3 (Combinación Lineal). Sean v~1 , v~2 , ..., v~n vectores en un espacio vectorial V . Entonces
cualquier vector de la forma
a1 v~1 + a2 v~2 + · · · + an v~n (5.1)
donde, a1 ,a2 , ..., an son escalares, se denomina una combinación lineal de v~1 , v~2 , ..., v~n .

Veamos por ejemplo que el vector (5, 6, 6) es combinación lineal de (−4, 6, 3) y (−5, 12, 7) ya que
(5, 6, 6) = −5(4, 6, 3) + 3(−5,
 12, 7).     
−2 7 2 −2 −8 13
En las matrices M3×2 ,  2 −3  = 3  −2 −2  +  8 3 , lo que muestra que la matriz
7 7 −1 2 10 1
     
−2 7 2 −2 −8 13
 2 −3  es una combinación lineal de las matrices  −2 −2  y  8 3 
7 7 −1 2 10 1
Finalizaremos con un ejemplo más para polinomios, el polinomio p(x) = 2x −7x2 +4x−2 es combinación
3

lineal de los polinomios x3 + 2x, x2 − 1 y 3 por que 2x3 − 7x2 + 4x − 2 = 2(x3 + 2x) − 7(x2 − 1) − 3(3).

22
Definición 5.4 (Dependencia e independencia lineal). Sean v~1 , v~2 , ..., v~n , n vectores en un espacio vectorial
V . Entonces se dice que los vectores son linealmente dependientes si existe n escalares c1 , c2 , ..., cn no
todos cero tales que
c1 v~1 + c2 v~2 + · · · + cn v~n = 0 (5.2)
Si los vectores no son linealmente dependientes, se dice que son linealmente independientes.
   
2 −8
 −1   4 
Los vectores v~1 = 
 3   −12  son linealmente dependientes ya que v~2 = −4v~1 , por qué
 y v~2 =  

−2 8
v~1 + 4v~2 = ~0.    
2 2
Los vectores  3  y  2  son linealmente independientes; para verificar trataremos de resolver
−1 −1
     
2 2 0
el sistema de ecuaciones a  3  +b  2  =  0  lo podemos hacer resolviendo el sistema lineal
−1 −1 0
homogeneo  
2 2 0
 3 2 0 
−1 −1 0
Aplicamos las operaciones para eliminación 2f3 + f1 → f3 , 2f2 − 3f1 → f2
 
2 2 0
 0 −2 0 
0 0 0

de esto se concluye que b = 0 y a = 0 es la única solución. Por lo tanto es linealmente independiente pues
no hay al menos una solución diferente de la trivial (cero).

5.1.1. Subespacio Generado

Hasta el momento hemos nombrado todos los elementos necesarios para poder definir que es un subes-
pacio generado, es decir se trata de que tenemos n elementos que conforman la base, es decir, los vectores
v1 , v2 , v3 , ..., vn conforman la base generadora y por lo tanto cualquier otro elemento en el subespacio se
puede obtener por combinación lineal de los elementos de la base.

Definición 5.5 (Dimensión de un subespacio generado). Sean v~1 , v~2 , ..., v~n , n vectores no nulos en el
espacio lineal V los cuales son la base generadora para el subespacio generado H. Entonces se dice que el
subespacio tiene dimensión m (1 ≤ m ≤ n) si dentro de los n elementos de la base exiten a lo más m
vectores linealmente independientes.

Note que basado en esta definición podemos concluir que realmente el mismo subespacio generado H
no necesita todos los vectores generadores, que es suficiente para generar el mismo subespacio solo la base
conformada por los m elementos linealmente independientes.

Trabajo 6
Este trabajo pueden hacerlo en grupo de máximo tres(3) personas, es importante que el trabajo refleje
la originalidad y esfuerzo del grupo, si dos grupos entregan un trabajo idéntico copia del otro los dos grupos

23
podrán ser sancionados obteniendo la nota 0.0, se considera que es copia cuando refleja los mismos errores
de digitación o escritura en los mismos lugares de forma frecuente.
En los criterios de evaluación se tiene en cuenta la originalidad, la entrega completa, la presentación
y fácil lectura. Además de que los cómputos estén correctos y los procedimientos completos. Cualquier
estudiante del grupo debe estar dispuesto y capaz de socializar delante de toda la clase un problema se le
asigne del trabajo entregado.
Resuelva los siguientes problemas del libro “Álgebra Lineal - 7ma edicion -Stanley L. Grossman”.

De la página 342 ejercicios 13 al 21. Escoja 7 ejercicios y resuelvalos correctamente para el trabajo,
para un bono de 0.2 debe hacer todos los 9 ejercicios correctamente.

De la página 343 ejercicios 31 al 34. Escoja 3 ejercicios y resuelvalos correctamente para el trabajo,
para un bono de 0.1 debe hacer todos los 4 ejercicios correctamente.

De la página 358 ejercicios 11 al 15. Escoja 4 ejercicios y resuelvalos correctamente para el trabajo,
para un bono de 0.1 debe hacer todos los 5 ejercicios y resuelvalos correctamente.

De la página 359 ejercicios 22 al 27. Escoja 4 ejercicios y resuelvalos correctamente para el trabajo,
para un bono de 0.2 debe hacer todos los 6 ejercicios y resuelvalos correctamente.

24