2resumen Tema 1-5 - Centro Manjón 2010-2011) PDF

Matemáticas I.
Grado en ADE
Tutorı́a de Matemáticas I Grado en ADE
Mónica Buendı́a Capellá
Centro Asociado Andrés Manjón. UNED
Curso Académico 2010/11
Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Tema 1. Espacios vectoriales
Tema 2. Aplicaciones lineales
Matemáticas I. Grado en ADE Tema 3. Matrices
Tema 4. Sistemas de ecuaciones lineales
Tema 5. Sucesiones de números reales
Conceptos previos. Conjuntos de números. Ley de

composición interna y externa
I Números naturales: N: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, . . .
I Números enteros: Z: 0, 1, −1, 2, −2, . . .
I Números racionales: Q. Las fracciones p/q, donde p y q son
números enteros y q 6= 0.
I Números irracionales: no se pueden expresar como como un
cociente de números enteros.
I Números reales R: números racionales e irracionales.
I Una ley de composición interna definida sobre E , es una
aplicación de E × E en E .
I Una ley de composición externa definida sobre E para K es
una aplicación de K × E en E .
Conceptos previos. Grupo abeliano
Un grupo (E , ∗) es un conjunto no vacı́o E dotado de una ley de

composición interna ∗ que verifica:
I es asociativa: ∀a, b, c ∈ E , a ∗ (b ∗ c) = (a ∗ b) ∗ c;
I posee un elemento neutro e: ∀a ∈ E a ∗ e = e ∗ a = a;
I es simetrizable: ∀a ∈ E ∃a ∈ E , a ∗ a = a ∗ a = e.
Si la operación es, además, conmutativa: ∀a, b ∈ E , a ∗ b = b ∗ a,
entonces del grupo es conmutativo o abeliano.
Ejemplos: (Z, +), (R, +), (R2 , +).

(R2 , +) es un grupo abeliano
La operación adición sobre R2 verifica

I es asociativa: todos los pares de números reales
(a, b), (c, d), (e, f ) verifican

(a, b) + (c, d) + (e, f ) = (a, b) + (c, d) + (e, f );
I posee un elemento neutro
(0, 0) + (a, b) = (a, b) + (0, 0) = (a, b).
I es simetrizable: (a, b) + (−a, −b) = (−a, −b) + (a, b) = (0, 0)
I es conmutativo: (a, b) + (c, d) = (c, d) + (a, b)
Ejercicio: ¿Es (R, ·) un grupo abeliano?

Conceptos previos. Cuerpo conmutativo

Un cuerpo (K, +, ·) es un conjunto K dotado de dos leyes de
composición internas + y · que verifican:
I (K, +) es un grupo abeliano. El elemento neutro se denota 0
y el simétrico de α (se denota −α) se llama opuesto de α.
I La operación · es asociativa, tiene un elemento neutro distinto
de 0 (que se denota 1), y todo elemento α de K distinto de 0
tiene un simétrico (que se denota: α−1 , o también: 1/α, y se
llama inverso de α).
I La operación · es distributiva respecto de la operación +, esto
es, se verifica ∀(a, b, c) ∈ Ka · (b + c) = a · b + a · c y
(a + b) · c = a · c + b · c.
Si la operación · también es conmutativa, del cuerpo (K, +, ·) se
dice es conmutativo.
Ejemplo: (R, +, ·).
Definición de Espacio Vectorial
Un espacio vectorial sobre un cuerpo conmutativo K (K, +, ·), es

un conjunto E dotado de una ley de composición interna + que lo
articula como grupo abeliano, y sobre el que está definida una ley
de composición externa • para K que es asociativa en los
elementos de K, distributiva respecto de la operación + de K,
distributiva respecto de la operación + de E y neutra para el
elemento neutro de la operación · de K.
A los elementos del conjunto E los llamaremos vectores de E ; a los
del cuerpo K, escalares.

Ejercicio 1. ¿Es (R, ·) un grupo abeliano?

¿Es el conjunto de los números reales R con la operación
multiplicación definida sobre él un grupo abeliano?
Si a, b y c son tres números reales cualesquiera, se debe verificar:

I La operación es asociativa: a · (b · c = a · b · c. Se verifica.

Ejemplo: 2 · (−4) · π = 2 · (−4) · π.
I Posee un elemento neutro. Se verifica: el 1 es el elemento
neutro: a · 1 = 1 · a = a. Ejemplo: (−3) · 1 = 1 · (−3) = (−3).
I Es simetrizable: a · ā = ā · a = 1. NO se verifica para todos los
elementos de R. El número real 0 no tiene simétrico, pues no
existe un número tal que multiplicado por 0 el resultado sea 1.
I Es conmutativa: a · b = b · a
La operación multiplicación en los números reales NO verifica

todas las propiedades necesarias para articular el conjunto como
grupo abeliano. Por tanto, (R, ·) NO es un grupo abeliano.
Ejercicio 2.
Demostrar que R2 es un espacio vectorial sobre (R, +, ·) definida la
siguiente ley de composición externa:
∀λ ∈ R, ∀(x1 , x2 ) ∈ R2 , λ • (x1 , x2 ) = (λx1 , λx2 )

I En primer lugar (R, +, ·) es un cuerpo conmutativo, pues
(R, +) es un grupo abeliano (+ es asociativa, tiene elemento
neutro, simétrico y conmutativa), la multiplicación de números
reales esa asociativa, tiene elemento neutro distinto de 0; todo
número real distinto de 0 tiene simétrico, la múltiplicación es
distributiva con respecto de la suma y es conmutativa.
I El conjunto R2 es un grupo abeliano con la operación +
definida por:
(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ).
Ejercicio 2 (Continuación)
La ley de composición externa verifica:
I Es asociativa en los elementos de R:
(λ · µ) • (x1 , x2 ) = λ • (µ • (x1 , x2 ));
I distributiva respecto de + en R:
(λ + µ) • (x1 , x2 ) = λ • (x1 , x2 ) + µ • (x1 , x2 );
distributiva respecto de 2
+ en R :
I
λ • (x1 , x2 ) + (y1 , y2 ) = λ • (x1 , x2 ) + λ • (y1 , y2 );
I neutra para el elemento neutro de · en R:
1 • (x1 , x2 ) = (x1 , x2 ).
R2 es un espacio vectorial sobre el cuerpo R con las
operaciones definidas. Sus elementos son vectores.
Ejercicio: Comprobar que el conjunto {(0, 0)} es un espacio
vectorial sobre R.
Espacio vectorial
I En general, Rn con las operaciones aquı́ definidas (mutatis

mutandis) es un espacio vectorial sobre el cuerpo R.
I Elemento neutro de la adición de vectores: vector nulo, 0.
I Los vectores se denotan v, u, . . . ; los escalares con letras
griegas: α, β,. . .
I Si (x1 , x2 , . . . , xn ) es un vector, x1 es su primera componente;
x2 es su segunda componente...
I Dos vectores son iguales si sus componentes son iguales.

Subespacio vectorial
Sea E un espacio vectorial sobre un cuerpo K. Un subconjunto no

vacı́o F de E es un subespacio vectorial de E si se verifica:
I ∀(v, w) ∈ F 2 , v + w ∈ F,
I ∀λ ∈ K ∀v ∈ F λv ∈ F .
Propiedades:
I todo subespacio vectorial es espacio vectorial;
I {0} y E son subespacios vectoriales de E ;
I Kz = {αz | α ∈ K} es subespacio vectorial de E ;
I Si F es un subespacio vectorial de E , entonces 0 ∈ F .
Condición necesaria y suficiente:
∀(α, β) ∈ K2 , ∀(v, w) ∈ F 2 , αv + βw ∈ F .

Ejemplos de subespacios vectoriales de R3

I R3 ,
I {(0, 0, 0)},
I F = {λ(1, 1, 1) | λ ∈ R} es un subespacio vectorial, pues dado
un elemento de F , (a, a, a), si se multiplica por cualquier
número real µ, se obtiene otro elemento de F : (µa, µa, µa).
Por otro lado, si sumamos dos elementos de F ,
(a, a, a) + (b, b, b), el resultado (a + b, a + b, a + b) es otro
elemento de F .
I G = {(x1 , x2 , x3 ) ∈ R3 | x1 + 2x2 − x3 = 0} es un subespacio
vectorial de R3 , pues dado un elemento de F , (a1 , a2 , a3 ), si
se multiplica por un número real λ, la terna resultante
(λa1 , λa2 , λa3 ) verifica la ecuación x1 + 2x2 − x3 = 0, pues si
a1 + 2a2 − a3 = 0, entonces, λa1 + λ2a2 − λa3 = λ0.
I H = {(x1 , x2 , x3 ) ∈ R3 | x12 + x22 + x32 = 0}
Subespacios vectoriales
Generalizando, los siguientes subconjuntos de R3 :
I R(a, b, c) = {λ(a, b, c) ∈ R3 | λ ∈ R}
I {(x1 , x2 , x3 ) ∈ R3 | ax1 + bx2 + cx3 = 0},
donde a, b y c son números reales
son subespacios vectoriales de R3 .
Ejemplos:
R(1, −1, 0) = {λ(1, −1, 0) | λ ∈ R}

{(x1 , x2 , x3 ) ∈ R3 | x1 + 5x3 = 0}
{(x1 , x2 , x3 ) ∈ R3 | 0x1 + 0x2 + 0x3 = 0}
R(1, π, 4) = {λ(1, π, 4) | λ ∈ R}
{(x1 , x2 , x3 ) ∈ R3 | x3 = 0}
Ejercicio 3
Comprobar que el conjunto {(0, 0)} es un subespacio vectorial de
R2 sobre (R, +, ·). Lo comprobaremos de dos formas.
I Denotemos el conjunto por N, (N, +) es un grupo abeliano
(pues verifica la propiedad asociativa, elemento neutro,
simétrico y conmutativa) y (R, +, ·) es un cuerpo
conmutativo. Luego, N es un espacio vectorial sobre este
cuerpo si se verifica:
I el producto de elementos de R2 con los números reales es
asociativo
en los números reales:
λ · µ • (0, 0) = λ • · µ • (0, 0) ,
I distributiva respecto de la suma en los números reales:
(λ + µ) • (0, 0) = λ(0, 0) + µ(0, 0),
I distributiva respecto
de la + de elementos de N:
λ • (0, 0) + (0, 0) = λ(0, 0) + λ(0, 0)
I neutra para el 1: 1 • (0, 0) = (0, 0)
Ejercicio 3. Continuación
Segunda comprobación.
I Por otro lado {(0, 0)} es un subconjunto no vacı́o de R2 que
verifica:
∀(α, β) ∈ R2 , ∀(v, w) ∈ {(0, 0)}, α(0, 0)+β(0, 0) = (0, 0) ∈ {(0, 0)}.
Luego, {(0, 0)} es un subespacio vectorial de R2 y, por

consiguiente, un espacio vectorial.

Ejercicio 1. Autoevaluación

Subespacios vectoriales
La intersección de subespacios vectoriales es un subespacio vectorial.
I Dados los siguientes subespacios vectoriales:

R(1, −1, 0) y R(1, 0, 0)
¿Cuál es el subespacio vectorial intersección?
I Dados los siguientes subespacios vectoriales:
F = {(x1 , x2 , x3 ) ∈ R3 | x1 −2x3 = 0} y G = {(x1 , x2 , x3 ) | x1 −x2 = 0
¿Cuál es el subesapcio vectorial intersección de ambos?
F ∩ G = {(x1 , x2 , x3 ) ∈ R3 | x1 − 2x3 = 0, x1 − x2 = 0}
¿Se puede escribir de otra forma?
Suma de subespacios vectoriales

Sean A y B dos subconjuntos no vacı́os de E . Se define la suma
de A y B, A + B, como el conjunto de los vectores de E que
pueden obtenerse como suma de un vector de A y un vector de B.
A + B = {x + y | x ∈ A y y ∈ B}.
Si F y G son dos subespacios vectoriales de E , entonces su
suma, F + G , es un subespacio vectorial de E .
Por ejemplo: F = R(0, 1, 1) y G = R(2, 1, 1), su suma
F + G = R(0, 1, 1) + R(2, 1, 1), o lo que es lo mismo:
F + G = λ(0, 1, 1) + µ(2, 1, 1) = (2µ, λ + µ, λ + µ),
F + G = {(x1 , x2 , x3 ) ∈ R3 | x2 = x3 }
¿Qué subespacio vectorial es suma de R(0, 0, 1), R(0, 1, 0) y
R(1, 0, 0)?

Dos subespacios vectoriales son independientes si todo vector de su
suma se puede obtener de forma única como un vector del primer
vector y un vector del segundo.
Consideremos los siguientes subespacios vectoriales de R2 :
F = R(1, 1) y G = R(0, 1)
Su suma es el subespacio vectorial:
F + G = (λ, λ + µ)
para algún λ ∈ R y algún µ ∈ R, es decir, F + G = R2 y cualquier
vector de F + G , (a, b) se obtiene con una descomposición única
de un vector de F y un vector de G : (a, b) = (a, a) + (0, b − a).
Por ejemplo: (5, −3) = (5, 5) + (0, −8) y no existe otro par de
vectores de F y G respectivamente, tales que su suma sea (5, −3).
Algunas propiedades de la suma de subespacios vectoriales

I F ⊆ F + G , G ⊆ F + G , y por tanto: F ∪ G ⊆ F + G ;
I F ⊆ G ⇐⇒ F + G = G ;
I F + F = F.
Demostración: ejercicio 30 libro de problemas.


Consideremos los siguientes subespacios vectoriales de R3 :
F = λ(2, 1, 1) y G = {(x1 , x2 , x3 ) | x1 − 2x3 = 0}
El vector (2, 0, 1) ∈ F + G , pues
(2, 0, 1) = (4, 2, 2) + (−2, −2, −1)
y (4, 2, 2) ∈ F , (−2, −2, −1) ∈ G .
Sin embargo, también lo podemos descomponer como:
(2, 0, 1) = (2, 1, 1) + (0, −1, 0)
Una condición necesaria y suficiente para que DOS
subespacios vectoriales sean independientes es:
F ∩ G = {0}


Si F y G son dos subespacios vectoriales independientes de un
espacio vectorial E , su suma: F + G , se escribe: F ⊕ G , y se
denomina suma directa. Si además E = F ⊕ G , entonces F y G
son suplementarios.
Ejemplo de subespacios vectoriales suplementarios:
R(1, 1) y R(0, 1)
R(1, 2) y R(0, 1)
Independencia de tres o más subespacios. Si se tienen n > 2
subespacios vectoriales son independientes si lo son los pares:
I Fn y Fn−1
I (Fn + Fn−1 ) y Fn−2
I ...
I (Fn + ... + F2 ) y F1
Combinaciones lineales
Dados n vectores v1 , v2 , . . . vn de un espacio vectorial E , cada
vector de la suma de los subespacios vectoriales:
Kv1 + Kv2 + · · · + Kvn ,
es una combinación lineal de los vectores v1 , v2 , . . . vn .

Por ejemplo, supongamos los siguientes vectores de R3 : (1, −2, 0)
y (−2, 3, 2), el vector (0, −1, 4) es una combinación lineal de los
dos vectores, pues:
(0, −1, 4) = 2(1, −2, 0) + (−2, 3, 2)
¿Qué vectores no serán combinación lineal de los vectores (0, 1, 0)

y (0, 1, 1)?, ¿y de (1, 0, 0), (0, 1, 0) y (0, 1, 1)?
Subespacios afines
Un subconjunto no vacı́o de un espacio vectorial E es un

subespacio afı́n de E si puede obtenerse como suma de un vector
de E y un subespacio vectorial de E .
Los siguientes subconjuntos de R3 son subespaciones afines de R3 :
(0, 0, 3) + R(1, −1, 2)
{(x1 , x2 , x3 ) ∈ R3 | x1 − x2 + 2x3 = −2}

{(0, 0, 3)}

Subespacios afines
I Un subconjunto formado por un único vector de E es un

subespacio afı́n de E .
I Todo subespacio vectorial de E es un subesapcio afı́n de E .
I Si v + F y w + G son subespacios afines de un espacio
vectorial E tales que su intersección es no vacı́a, entonces
(v + F ) ∩ (w + G ) = z + (F ∩ G ),
donde z ∈ (v + F ) ∩ (w + G ).
I Dos subespacios afines v + F y w + G de un espacio vectorial
E son paralelos si F = G .

Subespacios afines
I Se denomina hiperplano de Rn a todo conjunto de la forma:
n
X
n
{(x1 , x2 , . . . , xn ) ∈ R | ai xI = d}
i=1
donde a1 , a2 , . . . , an y d son números reales, y a1 , a2 , . . . , an

no son simultaneamente nulos.
Todo hiperplano de Rn es subespacio afı́n de Rn .
I Dados n vectores v1 , v2 , . . . vn de un espacio vectorial E , si
α1 , α2 , . . . , αn son escalares que suman 1, el vector:
αv1 + αv2 + · · · + αvn ,
es una combinación afı́n de los vectores v1 , v2 , . . . vn .


I No son subespacios vectoriales independientes pues

F ∩ G = G 6= {(0, 0, 0)}.
I No son suplementarios pues no son independientes y, además,
F + G = F 6= R3
I G ⊆ F , por tanto, F + G = F ;



Supongamos que x2 = λ y que x3 = µ, se tiene: x1 = −λ + 5µ,

luego las ternas de F deben ser de la forma:
(−λ + 5µ, λ, µ)
para algún λ y algún µ. Por tanto:
(−λ + 5µ, λ, µ) = (−λ, λ, 0) + (5µ, 0, µ)
Por consiguiente F = R(−1, 1, 0) + R(5, 0, 1)


Si (2, 3, 0) es una combinación afı́n de los vectores dados, se debe

verificar:
(2, 3, 0) = α(a, 0, 0) + β(0, 1, 1) + γ(0, a, 1)
α+β+γ =1
Por
 tanto:

 2 = αa
3 = β + αa


 0 = β+γ
1 = α+β+γ

Se tiene: a = 2

Sistemas de vectores
I Sea E un espacio vectorial sobre un cuerpo K. Se denomina

sistema de vectores de E a toda lista, o colección, finita
ordenada de vectores de E . El sistema S formado por los n
vectores v1 , v2 , . . . , vn se denota S = (v1 , v2 , . . . , vn ).
I El número de vectores de un sistema, S, se llama cardinal y
se denota: Card(S).
Los siguientes son sistemas de R3 :
B = ((1, 0, 0), (0, 1, 0), (0, 0, 1))

T = ((1, 1, 0), (0, 4, 0))
R = ((1, 3, 4), (1, 3, 4), (1, 3, 4))
M = ((0, 0, 0), (1, 2, 0))

Vectores linealmente dependientes
Sea E un espacio vectorial sobre un cuerpo K. De los vectores

v1 , v2 , . . . , vn de E se dice son linealmente dependientes (o, dicho
de otro modo, el sistema es ligado) si existen
escalares α1 , α2 , . . . , αn , no todos nulos, tales que:
α1 v1 + α2 v2 + · · · + αn vn = 0.
Los vectores de R2 : (1, 2) y (4, 8) son linealmente dependientes,

pues: (0, 0) = −4(1, 2) + 1(4, 8).
Los vectores de R2 : (1, 2), (0, 8) y (0, 0) son linealmente
dependientes, pues: (0, 0) = 0(1, 2) + 0(0, 8) + 9(0, 0).
Los vectores de R2 : (3, 0), (2, 1) y (2, −2) son linealmente
dependientes, pues: (0, 0) = 2(3, 0) − 2(2, 1) − (2, −2)

Vectores linealmente dependientes
Se verifica:
I (0) es un sistema ligado.
I Si v es un vector de E distinto del vector 0, entonces (v) no
es un sistema ligado.
I Todo sistema de vectores en el que figure el vector 0 es ligado.
I Todo sistema en el que uno de los vectores es igual a una
combinación lineal de los restantes es ligado.
I Una condición necesaria y suficiente para que dos vectores de
un espacio vectorial sean linalmente dependientes es que sean
proporcionales.

Vectores linealmente independientes
Un sistema de vectores es un sistema libre (o sus vectores son

linealmente independientes) si no es un sistema ligado. En otras
palabras, dados los vectores v1 , v2 , . . . , vn son linealmente
independientes si la igualdad:
α1 v1 + α2 v2 + · · · + αn vn = 0.
implica necesariamente:
α1 = α2 = · · · = αn
Consecuencias de la definición de independencia lineal.

Sistemas generadores y bases de un espacio vectorial

I Sea B = (v1 , v2 , . . . , vn ) un sistema de vectores de un espacio
vectorial E . Por: L(B), o por L(v1 , v2 , . . . , vn ), denotamos el
conjunto de todos los vectores de E que son combinación
lineal de los vectores de B, es decir,
L(B) = L(v1 , v2 , . . . , vn ) = Kv1 + Kv2 + · · · + Kvn .
L(B) es un subespacio vectorial de E .
I Los vectores v1 , v2 , . . . , vn son generadores de E (o el sistema
que forman es un sistema de generadores de E ) si
L(v1 , v2 , . . . , vn ) = E .
Los siguientes sistemas son generadores de R3 :
((1, 0, 0), (0, 1, 0), (0, 0, 1)),
((1, 1, 0), (0, 1, 0), (0, 0, 1), (4, 4, 4)),
((2, 2, 2), (−1, 1, 0), (0, 0, 1), (4, 4, 4)).

I Un sistema de generadores de un espacio vectorial es
base de dicho espacio vectorial si el sistema es libre.
Ejemplos de bases de R2 : ((1, 1), (0, 1)), ((2, 5), (0, 1))
I La descomposición de un vector como combianción lineal de
los vectores de una base es única.
(4, 8) = 2(2, 5) + (−2)(0, 1)

I Si B = (v1 , v2 , . . . , vn ) es una base de E , entonces para cada
vector v de E existen unos únicos escalares α1 , α2 , . . . , αn
tales que:
v = α1 v1 + α2 v2 + · · · + αn vn
Los escalares α1 , α2 , . . . , αn son las coordenadas de v en la
base B.

I Las coordenadas del vector (4, 8) en la base ((2, 5), (0, 1)) son
2 y −2.
I Las coordenadas del vector (1, 2, 3) en la base
((1, 2, 1), (1, 0, 0), (1, 0, 1) son 1, −2 y 2.
I La base ((1, 0), (0, 1) se denomina base canónica de R2 ; la
base ((1, 0, 0), (0, 1, 0), (0, 0, 1)) es la base canónica de R3 ...
I Teorema de la base incompleta. Si el sistema:
S = (v1 , v2 , . . . , vp , vp+1 , . . . , vn )
es un sistema de generadores de un espacio vectorial E , y si
(v1 , v2 , . . . , vp ) es un sistema libre, entonces existe una base
de E que es subsistema de S, y en la que figuran los vectores
v1 , v2 , . . . , vp .
Dimensión de un espacio vectorial
I Dos bases de un mismo espacio vectorial tienen el mismo

número de vectores.
I La dimensión de un espacio vectorial de dimensión finita y
distinto de {0} es el número de vectores de cualquiera de sus
bases. Se escribe: dim E. El espacio vectorial es el {0} es de
dimensión 0 o dimensión nula.
La dimensión de R2 es 2; la de R3 , 3; y, en general, la de Rn , es n.

Dimensión de un espacio vectorial

Si E es un espacio vectorial con dim E = n (n ≥ 1), se verifica:
I Si n vectores son generadores de E , entonces el sistema que
forman es una base de E .
I Si n vectores son linealmente independientes, entonces el
sistema que forman es una base de E .
I Todo sistema de vectores de E formado por más de n vectores
es ligado.
I El número máximo de vectores linealmente independientes
de E es n.
I Si los vectores v1 , v2 , . . . , vm son generadores de E , es
posible escoger entre ellos n vectores linealmente
independientes, pero no más de n.
Rango de un sistema de vectores
Consideremos un espacio vectorial E de dimensión finita.

Si v1 , v2 , . . . vn son vectores de E , el rango de estos vectores, o el
rango del sistema que forman : rango(v1 , v2 , . . . vn ), es la
dimensión del subespacio vectorial L(v1 , v2 , . . . vn ) de E :
rango(v1 , v2 , . . . vn ) = dim L(v1 , v2 , . . . vn ).

Si E es un espacio vectorial con dim E = n y v1 , v2 , . . . vm son

vectores de E , se verifica:
I Si el rango de los vectores es p, entonces p es el número
máximo de vectores linealmente independientes que figuarn
entre los m vectores.
I rango(v1 , v2 , . . . vm ) ≤ m, y este rango es igual a m
precisamente si los vectores v1 , v2 , . . . vm son linealmente
independientes.
I rango(v1 , v2 , . . . vm ) ≤ dim E .
I Si w es combinación lineal de los vectores v1 , v2 , . . . vm ,
entonces: rango(w, v1 , v2 , . . . , vm ) = rango(v1 , v2 , . . . vm ).


I Si los vectores v1 , v2 , . . . , vm son generadores de E , entonces
su rango es igual a la dimensión de E .
I Si α es un escalar no nulo, y en un sistema sustituimos un
vector por él mismo multiplicado por α, se verifica:
rango(v1 , . . . , αvi , . . . , vm ) = rango(v1 , . . . , vi , . . . , vm ).
I Si en un sistema permutamos entre sı́ dos vectores, el sistema

resultante tiene le mismo rango.
I rango(0) = 0
I No se modifica el rango de un sistema al sustituir uno de ellos
por la suma de él mismo y una combinacion lineal de los
restantes.
Ejercicio 6 Autoevaluación
(0, 0, 0) = α(−2, 2, 1) + β(0, 2, 3) + γ(1, 0, a)


 −2α + γ = 0 → γ = 2α
2α + 2β = 0 → β = −α
α + 3β + aγ = 0 → α − 3α + 2aα = 0

α(2a − 2) = 0
Si a = 1, α puede tomar cualquier valor.

6 1, α = 0, β = 0 y γ = 0: son linealemnte independientes.
Si a =

(0, 0, 0) = α(1, 1, −1) + β(−2, 3, 4) + γ(5, 0, 1)


 α − 2β + 5γ = 0
α + 3β = 0 → α = −3β
−α + 4β + γ = 0 → −3β + 4β + γ = 0; γ = −β

−3β − 2β − 5β = 0; −10β = 0
β = 0, α = 0, γ=0

(5, 3) = α(1, 1) + β(1, 0)

α+β = 5
α + 0β = 3
α = 3, β=2

   
1 3 4 1 3 4
F −F1
0 1 3 −−3−−→ 0 1 3
1 −1 2 0 −4 −2
 
1 3 4
F3 +4F2
−− −−→ 0 1 3 
0 0 10

   
0 −1 a 1 −1 a
F2 ↔F1
1 −1 a − −−−→ 0 −1
 a
2 0 0 2 0 0
   
1 −1 a 1 −1 a
F3 −2F1 F3 +2F2
−− −−→ 0 −1 a −− −−→ 0 −1 a
0 2 −2a 0 0 0

Aplicaciones lineales

Definición
Una aplicación es una forma de asignar a cada elemento de un
conjunto de partida un elemento (y sólo uno) del conjunto de
llegada.
Una aplicación f de E en F :
x ∈ E → f (x) ∈ F ,
es una aplicación lineal de E en F si verifica:

I ∀v, w ∈ E , f (v + w) = f (v) + f (w),
I ∀α ∈ K, v ∈ E , f (αv) = αf (v).
f (x) es la imagen de x. El conjunto de las imágenes es la Im f.
Imagen recı́proca o inversa de un conjunto B ⊆ F es:
f −1 [B] = {x ∈ E |f (x) ∈ B}.
Ejemplos
Aplicación de R2 en R3 :
R2 −→ R3
(x1 , x2 ) → (x1 + x2 , x2 , x1 )
f (1, 2) = (3, 2, 1)
f (0, 0) = (0, 0, 0)
f (−1, −2) = (−3, −2, −1)

Tipos de aplicaciones
Consideremos una aplicación de E en F .
I Inyectiva
∀x, y ∈ E , (f (x) = f (y )) −→ (x = y )
f (x1 , x2 ) = (x1 + x2 , x2 , x1 )
I Suprayectiva
∀y ∈ F , ∃x ∈ E , y = f (x)
f (x1 , x2 , x3 ) = (x1 + x2 + x3 , −2x1 − x3 )
I Biyectiva. Es inyectiva y suprayectiva
f (x1 , x2 , x3 ) = (2x2 , x1 , x3 )

Propiedades
Una aplicación lineal f de E en F verifica las siguientes

propiedades:
(Ejemplo: f (x1 , x2 , x3 ) = (x1 + x2 + x3 , −2x1 − x3 ),
f (2, 1, −2) = (1, −2))
I f (0E ) = 0F . f (0, 0, 0) = (0, 0)
I La imagen del opuesto de un vector es el opuesto de la
imagen del vector. Es decir: ∀v ∈ E , f (−v) = −f (v).
f (−2, −1, 2) = (−1, 2).
I Si (v1 , v2 , . . . , vn ) es ligado, entonces (f (v1 ), . . . , f (vn )), es
ligado. Ejemplo: ((2, 1, −2), (4, 2, −4)) es ligado y
((1, −2), (2, −4)) es ligado.

Propiedades. Continuación
I Dados n vectores v1 , v2 , . . . , vn de E , si
(f (v1 ), f (v2 ), . . . , f (vn )) es un sistema libre de vectores de F ,
entonces el sistema (v1 , v2 , . . . , vn ) es un sistema libre de
vectores de E .
Ejemplo: (f (1, 1, 1), f (1, 2, 1)) = ((3, −3), (4, −3)) es un
sistema libre y también lo es ((1, 1, 1), (1, 2, 1)).
I Si v1 , v2 , . . . , vn son vectores de E , entonces:
rango(v1 , v2 , . . . , vn ) ≥ rango(f (v1 ), f (v2 ), . . . , f (vm )).
rango((−1, 1, 1), (1, −5, 1)) ≥ rango((1, 1), (−3, −3))

Propiedades. Continuación
I La imagen por f de un subespacio vectorial E1 de E :
f [E1 ] = {f (v) | v ∈ E1 },
es un subespacio vectorial de F .
I La imagen recı́proca por f de un subespacio vectorial F1 de F :
f −1 [F1 ] = {v ∈ E1 | f (v) ∈ F1 },
es un subespacio vectorial de E .

Núcleo de una aplicación lineal
Ker f = f −1 [{0F }] = {v ∈ E | f (v) = 0F }.

Una condición necesaria y suficiente para que una aplicación lineal
sea inyectiva es: ker f = {0E }
Ejemplo: f (x1 , x2 ) = (x1 + x2 , x2 , x1 )
f (x1 , x2 ) = (0, 0, 0)

 x1 + x2 = 0
x2 = 0
x3 = 0

ker f = {(0, 0)}

La aplicación inversa de una aplicación lineal biyectiva es una
aplicación lineal biyectiva.
Composición de aplicaciones lineales
f g
E−
→F −
→G
[g ◦ f ](x) = g (f (x)), x ∈E
Ejemplo:
f (x1 , x2 , x3 ) = (x1 + x3 , x2 )
g (y1 , y2 ) = (y1 + y2 , 2y2 )
[g ◦ f ](1, −1, 2) = g (f (1, −1, 2)) = g (3, −1) = (2, −2)

Conjunto de partida: espacio vectorial

Si f es una aplicación lineal de un espacio vectorial E en un
espacio vectorial F , entonces:
rango f = dim (Im f )
Se verifica:
I rango f ≤ mı́n { dim E, dim F }
I rango (g ◦ f ) ≤ mı́n { rango f, rango g }
Si (v1 , v2 , . . . , vn ) es un sistema de generadores de E , entonces
(f (v1 ), f (v2 ), . . . , f (vn )) es un sistema de generadores de Im f y
rango f = rango (f (v1 ), f (v2 ), . . . , f (vn )).
Una aplicación lineal queda totalmente determinada conocidas las
imágenes de los vectores de una de sus bases.
Determinación de una aplicación lineal conocidas lsa

imágenes de una de sus bases
f (1, 1, 0) = (3, 1), f (0, 1, 1) = (1, 2), f (0, 0, 1) = (0, 1)
Coordenadas de los vectores de la base canónica en la base dada:

(1, 0, 0) = 1(1, 1, 0) − (0, 1, 1) + (0, 0, 1)
(0, 1, 0) = 0(1, 1, 0) + (0, 1, 1) − (0, 0, 1)
(0, 0, 1) = 0(1, 1, 0) + 0(0, 1, 1) + 1(0, 0, 1)
Por tanto:
f (1, 0, 0) = 1f (1, 1, 0) − f (0, 1, 1) + f (0, 0, 1) = (2, 0)
f (0, 1, 0) = 0f (1, 1, 0) + f (0, 1, 1) − f (0, 0, 1) = (1, 1)
f (0, 0, 1) = 0f (1, 1, 0) + 0f (0, 1, 1) + 1f (0, 0, 1) = (0, 1)
Determinación de una aplicación lineal conocidas lsa

imágenes de una de sus bases
f (x1 , x2 , x3 ) = x1 f (1, 0, 0) + x2 f (0, 1, 0) + x3 f (0, 0, 1)
f (x1 , x2 , x3 ) = x1 (2, 0) + x2 (1, 1) + x3 (0, 1) = (2x1 + x2 , x2 + x3 )

Caracterización de una aplicación lineal inyectiva
Consideremos la aplicación lineal f : E → F . Es inyectiva si y sólo

si se verifica alguna de las siguientes proposiciones:
I si v1 , v2 , . . . , vm son linealmente independientes, entonces
f (v1 ), f (v2 ), . . . , f (vm ) son linealmente independientes;
I rango f = dim E ;
I Ker f = {0F };
Si f es inyectiva, se verifica:
rango (v1 , v2 , . . . , vm )= rango(f (v1 ), f (v2 ), . . . , f (vm )) .

Caracterización de una aplicación lineal suprayectiva
Consideremos la aplicación lineal f : E → F . Es suprayectiva si y

sólo si
rango f = dim F
Ejemplo:
f : R3 → R2
f (x1 , x2 , x3 ) = (x1 + x2 , x1 − x3 )
f (1, 0, 0) = (1, 1), f (0, 1, 0) = (1, 0), f (0, 0, 1) = (0, −1)
Como rango f = dim (Im f ):
dim (Im f ) = rango ((1, 1), (1, 0), (0, −1)) = 2 = dim R2

Aplicación lineal biyectiva y Teorema de las dimensiones
Si E y F son dos espacios vectoriales de la misma dimensión n, se

verifica:
f es inyectiva ⇐⇒ f es suprayectiva ⇐⇒ f es biyectiva
Teorema de las dimensiones. Sea f una aplicación lineal de un

espacio vectorial E de dimensión finita en un espacio vectorial F ,
se verfiica:
dim(Ker f ) + dim(Im f ) = dim E

Espacio vectorial L(E , F )
Sean E y F dos espacios vectoriales sobre un mismo cuerpo K, el

conjunto de las aplicaciones de E en F se denota por F E y se
demuestra (Ejemplo 4 del Tema 1) que es un espacio vectorial.
El conjunto de las aplicaciones lineales de E en F se denota
L(E , F ) y es un subespacio vectorial del espacio vectorial F E .

Isomorfismos de espacios vectoriales
I Una aplicación lineal f de un espacio vectorial E en otro F es

un isomorfismo si es biyectiva.
I Si f es un isomorfismo de E en sı́ mismo, es un automorfismo.
I Si existe un isomorfismo de E en F , los espacios vectoriales
son isomorfos.
Dos espacios vectoriales sobre un mismo cuerpo de dimensión
finita que tienen la misma dimensión son isomorfos.
Una condición necesaria y suficiente para que una aplicación lineal

de E en F (ambos de dimensión finita no nula) sea un isomorfismo
es que dada una base de E , (v1 , v2 , . . . , vn ), el sistema
(f (v1 ), f (v2 ), . . . , f (vn )) sea una base de F .
Estudio de isomorfismos
Una aplicación lineal entre dos espacios vectoriales es un

isomorfismo si:
I es inyectiva y suprayectiva;
I las imágenes de los vectores de una base forman una base;
I si se verifica dim E = dim F = n, basta estudiar si es
inyectiva o suprayectiva (rango f = n).

Formas lineales
Si E es un espacio vectorial sobre un cuerpo K y tiene dimensión
finita, el conjunto de aplicaciones lineales de E en K se denota
E ∗ = L(E , K). Es un espacio vectorial que se denomina espacio
dual. Sus elementos se denominan formas lineales.
El espacio dual de R2 : (R2 )∗ es el conjunto de las aplicaciones
f : R2 → R que verifican:
f (x1 , x2 ) = a1 x1 + a2 x2
para algunos números reales a1 y a2 .
Generalizando, el espacio dual de Rn : (Rn )∗ es el conjunto de las
aplicaciones f : Rn → R que verifican:
f (x1 , x2 , . . . , xn ) = a1 x1 + a2 x2 + · · · + an xn
para algunos números reales a1 , a2 ,..., an .
Formas lineales. Continuación

I Sea E un espacio vectorial de dimensión finita no nula y B
una base. Definimos una aplicación % de E en su dual E ∗ . Si
x ∈ E y λ1 , λ2 ,. . . ,λn son sus coordenadas en la base
B = (v1 , v2 , . . . , vn ), entonces, la aplicación %(x) asigna a v1 ,
λ1 ; a v2 , λ2 ;...; a vn , λn .
I La aplicación % es un isomorfismo de E en E ∗ .
I Si E es un espacio vectorial de dimensión finita no nula, n,
entonces su dual E ∗ también es de dimensión n.
I Si E es un espacio vectorial de dimensión finita no nula y B es
una base de E y B ∗ es su base dual, entonces cada vector x
de coordenadas λ1 , λ2 ,...,λn en la base B se verifica:
v∗1 (x) = λ1 , v∗2 (x) = λ2 , . . . , v∗n (x) = λn

Aplicaciones afines
De una aplicación φ de E en F se dice es una aplicación afı́n de E

en F si existen un vector w de F y una aplicación lineal f de E
en F tales que:
∀x ∈ E , φ(x) = w + f (x).
Consecuencias:
I La aplicación φ determina unı́vocamente el vector w de F y la
aplicación lineal f de E en F .
I La imagen por φ de una combinación afı́n de vectores de E es
igual a la misma combinación afı́n de las imágenes.
I La imagen por φ de un subespacio afı́n de E es un subespacio
afı́n de F .

Aplicaciones afines. Continuación
I La imagen inversa por φ de un subespacio afı́n de F puede ser

el conjunto vacı́o.
I Si la imagen inversa por φ de un subespacio afı́n de F no es el
conjunto vacı́o, entonces esta imagen inversa es un subespacio
afı́n de E .

Ejercicios
I f : R4 → R2
f (x1 , x2 , x3 , x4 ) = (−x1 + 2x2 + x3 , 3x1 + x2 + x4 )
f (1, 0, 0, 0) = (−1, 3), f (0, 1, 0, 0) = (2, 1),

f (0, 0, 1, 0) = (1, 0), f (0, 0, 0, 1) = (0, 1).
rango ((−1, 3), (2, 1), (1, 0), (0, 1)) = 2 = rango f
Es suprayectiva.
dim(Ker f ) + dim(Im f ) = dim E

dim(Ker f ) = 2

Ejercicios

−x1 + 2x2 + x3 = 0
3x1 + x2 + x4 = 0
x3 = x1 − 2x2 , x4 = −3x1 − x2
(x1 , x2 , x1 − 2x2 , −3x1 − x2 ) = x1 (1, 0, 1, −3) + x2 (0, 1, −2, −1)
R(1, 0, 1, −3) + R(0, 1, −2, −1)

Base de Ker f :
((1, 0, 1, −3), (0, 1, −2, −1))

Ejercicios
Im f = R2
a) ((−1, 3))
b) ((−1, 3), (2, 1), (1, 0))
c) ((2, 1))
d) ((8, 7), (7, 8))
Unas ecuaciones del subespacio vectorial Im f en las variables
(x, y ) ∈ R2 son:
a) x = 0, y = 0
b) 2x + y = 0
c) −x + 3y = 0
d) ninguna de las anteriores.

Ejercicios
f : R4 → R3
f (x1 , x2 , x3 , x4 ) = (x2 + x3 − x4 , 2x2 − 3x4 , x1 − x2 + x4 )

dim Im f
f (1, 0, 0, 0) = (0, 0, 1), f (0, 1, 0, 0) = (1, 2, −1),
f (0, 0, 1, 0) = (1, 0, 0), f (0, 0, 0, 1) = (−1, −3, 1).
rango ((0, 0, 1), (1, 2, −1), (1, 0, 0), (−1, −3, 1)) = 3
Es suprayectiva

Ejercicios
Ker f

 x2 + x3 − x4 = 0
2x2 − 3x4 = 0 − − − −x2 = (3/2)x4
x1 − x2 + x4 = 0 − − − −x1 = (1/2)x4

x3 = −(1/2)x4
1 3 1
R( , , − , 1) = R(1, 3, −1, 2)
2 2 2

Matrices Reales
Tema 3. Matrices Reales

Definición
I Una matriz real A de orden (n, m) es una disposición de n · m

números reales (términos de la matriz) en forma rectangular
en n filas y m columnas.
I Término de posición (i, j), aij : fila i-ésima y columna j-ésima.
 
a11 a12 . . . a1m
a21 a22 . . . a2m 
A= .
 
. .. . . .. 
 . . . . 
an1 an2 . . . anm
I Dos matrices del mismo orden son iguales si lo son término a
término.

Ejemplos
 
3 1
1 −6 0  10 −π  1 0
B= , C = , I =
−1 0 0  5 0 0 1
−1 0
 
1 0 0
0 0
D= , I 0 = 0 1 0 
0 0
0 0 1

Tipos de matrices
I Matriz fila. Matriz de orden (1, m)

−1 0 4
I Matriz columna. Matriz de orden (n, 1).
 
1
−4
0
I Matriz cuadrada de orden n. Matriz de orden (n, n). Los
términos aij con i = j son los términos de la diagonal
principal.  
1 4 0
M = 0 1 0
6 0 1
Tipos de matrices
I Matriz identidad o unitaria. Matriz cuadrada de orden n
cuyos términos de la diagonal principal son 1 y el resto de
términos son nulos.
 
1 0 0
1 0
I2 = , I3 = 0 1 0
0 1
0 0 1
I Matriz cero o nula. Todos sus términos son nulos. Se
denota por O.
   
0 0 0 0 0
0 0  , 0 0 0 
0 0 0 0 0

Matrices columna y matrices fila de una matriz
Dada una matriz real de orden (n, m), se define:

I La j−ésima matriz columna es una matriz columna cuyos
términos son los términos de la j−ésima
columna de A.
Notación: A = A1 | A2 | · · · | An .
Por ejemplo, dada la matriz
       
1 4 0 1 4 0
B = 0 1 0 , B1 = 0 , B2 = 1 , B3 = 0
6 0 1 6 0 1

Matrices columna y matrices fila de una matriz
I La i−ésima matriz fila de una matriz es aquella matriz fila

cuyos términos son los términos de la i-ésima fila de dicha
matriz. Notación:  
F1
 
 F2 
 
A=  .. 

.
 
Fn

Vectores fila y vectores columna de una matriz
I El j−ésimo vector columna de una matriz A se denota por aj

es el vector cuyas componentes son los términos de la
j−ésima matriz columna de la matriz.
I Análogamente se define el i−ésimo vector fila.
Dada la matriz:  
3 1
 10 −π 
A=
 5
,
0
−1 0
Se tiene:
a1 = (3, 10, 5, −1), a2 = (1, −π, 0, 0).
El segundo vector fila de A es (10, −π).
Matriz Asociada a una aplicación lineal
Consideremos una aplicación lineal
f : Km → Kn
y las bases
V = (v1 , v2 , . . . , vm ) de Km y W = (w1 , w2 , . . . , wm ) de Kn
La matriz asociada a f en las bases V y W es una matriz de

orden (n, m) construida de forma que los términos de la j−ésima
columna de A son las coordenadas del vector f (vj ) en la base W .


I Si la base del espacio de llegada es la canónica, los vectores
columna de la matriz asociada a la aplicación lineal son las
imágenes de los vectores de la base del espacio de partida.
I Ejercicio de autoevaluación 1 de Matrices Reales.
B = ((1, 0, 0), (0, 1, 1), (0, 0, 1))
f : R3 → R2
f (1, 0, 0) = (2, 0), f (0, 1, 1) = (1, 1), f (0, 0, 1) = (0, 1)
La matriz asociada a f en las bases B y la base canónica (BC ) es:

2 1 0
0 1 1


Sea f : R4 → R2 :
f (x1 , x2 , x3 , x4 ) = (−x1 + 2x2 + x3 , 3x1 + x2 + x4 )
La matriz asociada a f en las bases canónicas es:

−1 2 1 0
3 1 0 1
Sea la base de R2 B = ((1, 1), (0, 1)). Busquemos la matriz
asociada a f en las bases canónica de R4 y B de R2 .
(−1, 3) = (−1)(1, 1) + 4(0, 1), (2, 1) = 2(1, 1) + (−1)(0, 1),
(1, 0) = 1(1, 1) + (−1)(0, 1), (0, 1) = 0(1, 1) + 1(0, 1),
La matriz es:
−1 2 1 0
4 −1 −1 1
Espacio vectorial Mnm (K)
I El conjunto Mnm (K): matrices de orden (n, m) con términos

en K;
I Suma de dos elementos de Mnm (K); A = (aij ) y B = (bij ),
A + B = (aij + bij );
I (Mnm (K), +) es un grupo abeliano. Asociativa, elemento
neutro, opuesto (−A) y conmutativa.
I Producto de λ ∈ K por una matriz: λA = (λA).
I Estas operaciones articulan el conjunto Mnm (K) como
espacio vectorial sobre K.

Espacio vectorial Mnm (K)
I La matriz asociada (en unas bases) a la suma de dos

aplicaciones lineales es la suma de las matrices asociadas
correspondientes.
Ejemplo: f (x1 , x2 ) = (2x1 , x1 + x2 ) y g (x1 , x2 ) = (x2 , −x1 ).
La matriz asociada a (f + g )(x1 , x2 ) = (2x1 + x2 , x2 ) es:

2 0 0 1 2 1
+ =
1 1 −1 0 0 1
I La matriz asociada (en unas bases) al producto de un escalar

por una aplicación lineal es igual al producto del escalar por la
matriz asociada a la aplicación lineal.

Producto de matrices
El producto de dos matrices A y B de órdenes (n, m) y (m, p),

respectivamente, es otra matriz C de orden (n, p) cuyos términos
son:
m
X
cij = aik bkj
k=1
Ejemplo:
 
1 0
−1 2 1 0 
 −2 3 
= −1 −1
4 −1 −1 1  4 −7 2 3
0 −1

Productos dados por filas o por columnas
Dadas dos matrices A y B,

AB = AB1 | AB2 | . . . ABp
   
F1 F1 B
   
 F2   F2 B 
   
A= 
 ..  AB = 
 .. 

.  . 
   
Fn Fn B

Composición de aplicaciones lineales y producto de

matrices
Dadas dos aplicaciones lineales f y g , de Kp a Km y de Km a Kn
en unas bases V , U y W , entonces si B es la matriz asociada a la
aplicación lineal f ; y A la asociada a g , la matriz asociada a g ◦ f
es AB.
Ejemplo:
f (x1 , x2 ) = (2x1 , x1 −x2 , −x2 ), g (y1 , y2 , y3 ) = (y1 +y2 , y2 −y3 , 2y1 )
Las matrices asociadas a las bases canónicas de f , g y g ◦ f son
respectivamente:
     
2 0 1 1 0 3 −1
B = 1 −1 , A = 0 1 −1 , AB = 1 0
0 −1 2 0 0 4 0
Propiedades del producto de matrices
I es asociativo,
I distributivo respecto a la adición de matrices,
I si A es de orden (n, m), entonces In A = A = AIm ,
I OA = O y AO = O.
La multiplicación de matrices es no conmutativa. Algunas
matrices, sin embargo, conmutan.

Representación matricial de la imagen de un vector
Sea A una matriz asociada a una aplicación lineal f en unas bases

de Km a Kn . Dado un vector del espacio vectorial de partida y sus
coordenadas en la base x1 , x2 , . . . xm ; el vector que es imagen de x
por la aplicación f es y y sus coordenadas en la base del espacio
vectorial de llegada son y1 , y2 , . . . yn y vienen determinados por la
relación matricial:
  a  
y1 11 a12 . . . a1m x1
 y2   a 21 a 22 . . . a2m  x2 
 
 = . .. . . ..  
. . .   .. . . .  . . .
yn an1 an2 . . . anm xm

Representación matricial de la imagen de un vector.

Ejemplo
f (x1 , x2 ) = (2x1 , x1 − x2 , −x2 )
   
y1 2 0
y2  = 1 −1 x1
x2
y3 0 −1
   
2 0 8
1 −1 4 =  3
1
0 −1 −1
f (4, 1) = (8, 3, −1)

Rango de una matriz

El rango de una matriz es el rango de sus vectores columna.
Consecuencias:
I El rango de una matriz es menor o igual que el número de sus
filas y que el número de sus columnas.
I No se modifica el rango de una matriz permutando dos de sus
columnas.
I Si f es la aplicación lineal representada por A, entonces
rango f = rango A.
I rango AB ≤ mı́n{rango A, rango B}.
I Una matriz cuadrada A de orden n representa un isomorfismo
si y sólo si: rango A = n.
I Si A es cuadrada de orden y rango n, rango (AB) = rango B.
Transformaciones elementales
I Tipo I: permutar filas

I Tipo II: multiplicar una fila por un escalar no nulo
I Tipo III: sumar a una fila otra fila multiplicada por un escalar
Las transformaciones elementales conservan el rango de la matriz.

Matriz inversa
La inversa de una matriz A cuadrada de orden n es otra matriz
cuadrada que se denota por A−1 que verifica:
AA−1 = A−1 A = In
     
2 0 −5 3 0 5 3 0 5 2 0 −5
−5 1 13 2 1 −1 = 2 1 −1 −5 1 13 =
−1 0 3 1 0 2 1 0 2 −1 0 3
 
1 0 0
0 1 0 
0 0 1
Si una matriz tiene inversa, ésta es única.
Una matriz cuadrada de orden n es invertible si y sólo si su rango
es n.
Cálculo de inversa
Cálculo de la inversa de una matriz cuadrada:
I Se aplican transformaciones elementales a la matriz A hasta
llegar a la identidad.
I Se aplican las mismas transformaciones elementales a I en el
mismo orden y se obtiene A−1
Un ejemplo:
     
1 0 0 1 0 0 1 0 0
F2 −F1 F −F2
1 1 −2 − −−−→ 0 1 −2 −−3−−→ 0 1 −2
0 1 1 0 1 1 0 0 3
   
1 0 0 1 0 0
(1/3)F3 F2 +2F3
−−−−→ 0 1 −2 −− −−→ 0 1 0
0 0 1 0 0 1
Cálculo de inversa
Aplicando las mismas transformaciones a la matriz identidad, se

obtiene:
     
1 0 0 1 0 0 1 0 0
F2 −F1 F3 −F2 (1/3)F3
0 1 0 −−−−→ −1 1 0 −−−−→ −1 1 0 −−−−→
0 0 1 0 0 1 1 −1 1
   
1 0 0 1 0 0
F2 +2F3
 −1 1 0  −− −−→ −1/3 1/3 2/3
1/3 −1/3 1/3 1/3 −1/3 1/3

Traspuesta de una matriz
Sea A una matriz de orden (n, m), su matriz traspuesta, que se

denota por At , es una matriz de orden (m, n) cuyos términos aijt son
de la forma: aijt = aji .
Consecuencias:
I In = Int
I (At )t = A
I (A + B)t = At + B t
I (αA)t = αAt
I (BA)t = At B t
I (A−1 )t = (At )−1
I rango A = rango At

Sistemas de ecuaciones lineales
Tema 4. Sistemas de ecuaciones

lineales

Definiciones y Propiedades


 a11 x1 + a12 x2 + · · · a1m xm = c1
a21 x1 + a22 x2 + · · · a2m xm = c2


 ............
an1 x1 + an2 x2 + · · · anm xm = cn

En forma matricial:
AX = C
 

x1

c1
 a11 a12 . . . a1m
 x2   c2  a21 a22 . . . a2m 
X =
. . . , C = y A= .
 
  .. . . .. 
. . .  .. . . . 
xm cm an1 an2 . . . anm
Definiciones y Propiedades
Matrices asociadas a sistemas:

I A - matriz asociada al sistema
I X - matriz de incógnitas
I C - matriz de términos independientes

I A | C - matriz ampliada del sistema
Sistema homogéneo: C = O

Ejemplo

0x1 − x2 + x3 = 1
x1 + 2x2 + 3x3 = 1
En forma matricial:
AX = C
 
x
0 −1 1  1 

1
x2 =
1 2 3 1
x3

Soluciones de un sistema. Ejemplo

Solución de un sistema: una matriz S de orden (m, 1) que verifica:
AS = C .
Un sistema de ecuaciones lineales tiene o bien una solución, o
ninguna, o infinitas.   
3 −2
Las matrices S1 = −1 y S2 =  0 son solución del sistema:
0 1
 
3
0 −1 1   1
−1 =
1 2 3 1
0
 
−2
0 −1 1   1
0 =
1 2 3 1
1
Sistemas equivalentes
I Dos sistemas son equivalentes si tienen el mismo conjunto de
soluciones.
I Si se le aplican transformaciones elementales a la matriz
ampliada de un sistema, se obtiene la matriz ampliada de un
sistema equivalente.

0 −1 1 | 1 F +2F
1 2 2 3 7| 3 F −F 2 3 7| 3
−− −−→ −−2−−→
1
1 2 3| 1 1 2 3| 1 −1 −1 −4 | −2

0x1 − x2 + x3 = 1 2x1 + 3x2 + 7x3 = 3
(∗) (∗∗)
x1 + 2x2 + 3x3 = 1 −x1 − x2 − 4x3 = −2

Ejemplos
Una solución:
x1 + x2 = 0
x2 = 3
Sistema con infinitas soluciones:

x1 + x2 = 0
−2x1 − 2x2 = 0
Sistema que no tiene ninguna solución:

−x1 + x2 = 0
2x1 − 2x2 = −1

Discusión y resolución de un sistema de ecuaciones
Si m el número de incógnitas del sistema, se verifica:

I si rango A = rango (A | C ) = m, ÚNICA SOLUCIÓN,
I si rango A = rango (A | C ) < m, INFINITAS SOLUCIONES,
I si rango A 6= rango (A | C ), NINGUNA SOLUCIÓN.

Ejemplo
   
1 1 1| 6 1 1 1| 6
F3 −F2
0 1 −1 | −1 − −−−→ 0 1 −1 | −1
1 1 2| 9 0 0 1| 3
     
1 1 1| 6 1 0 1| 4 1 0 0| 1
F +F3 F1 −F2 F −F3
−−2−−→ 0 1 0 | 2  −
−−−→ 0 1 0 | 2 −−1−−→ 0 1 0 | 2
0 0 1| 3 0 0 1| 3 0 0 1| 3
Los siguientes sistemas son equivalentes:
 
 x1 + x2 + x3 = 6  x1 = 1
x2 − x3 = −1 y x2 = 2
x1 + x2 + 2x3 = 9 2x3 = 3
 

Ejemplo de sistema con infinitas soluciones
0x1 − x2 + x3 = 1
x1 + 2x2 + 3x3 = 1

1 2 3 | 1 (−1)F2 1 2 3| 1
−−−−→
0 −1 1 | 1 0 1 −1 | −1

F1 −2F2 1 0 5| 3
−− −−→
0 1 −1 | −1
Las soluciones del sistema son de la forma:
   
5 3
λ −1 + −1
−1 0

Ejemplo de sistema con infinitas soluciones
 
1 0 4 −1 | 1
0 1 3 1 | −1
0 0 0 0| 0
Las soluciones del sistema asociado a esta matriz ampliada son:
     
1 4 −1
−1  3  1
  + λ  + µ 
 0 −1  0
0 0 −1

Ejemplo sistema sin solución
Consideremos un sistema cuya matriz ampliada es:

−1 1| 0 F1 +2F2 −1 1 | 0
−−−−→
2 −2 | −1 0 0 | −1
El sistema asociado a esta matriz es:

−x1 + x2 = 0
0x1 + 0x2 = −1
El sistema no tiene solución, pues la ecuación 0x1 + 0x2 = −1 no

tiene solución.

Aplicaciones de los sistemas de ecuaciones lineales

Ecuaciones de un subespacio vectorial
Busquemos unas ecuaciones del subespacio vectorial F generado
por los vectores (0, 1, 2), (1, 1, 2), (2, 3, 6) y (2, 2, 4).
 
0 1 2 2 | y1
S = 1 1 3 2 | y 2 
2 2 6 4 | y3
Un vector pertenece a F si y sólo si tiene solución el sistema
asociado a S.
   
0 1 2 2| y1 0 1 2 2| y1
F3 −2F2
1 1 3 2 | y2  −− −−→ 1 1 3 2 | y2 
2 2 6 4| y3 0 0 0 0 | y3 − 2y2

Este sistema tiene solución si y sólo si: y3 − 2y2 = 0, luego el

subespacio vectorial F es:
{(y1 , y2 , y3 ) ∈ R3 | y3 − 2y2 = 0}

Expresión de un vector como combinación lineal de otros

vectores
Dados los vectores v1 = (1, 0, 2), v2 = (3, −1, 2) y v3 = (0, 0, 1),
¿es el vector (5, 1, 3) combinación lineal de v1 , v2 y v3 ?
(5, 1, 3) = x1 (1, 0, 2) + x2 (3, −1, 2) + x3 (0, 0, 1)

 x1 + 3x2 + 0x3 = 5
0x1 − x2 + 0x3 = 1
2x1 + 2x2 + x3 = 3


Cálculo de la base de un subespacio vectorial

Calculemos una base de Ker f en la  aplicación lineal
 cuya matriz
1 −1 2
asociada en las bases canónicas es: 0 1 0 .
1 0 2
El sistema que se debe de solucionar es:
    
1 −1 2 x1 0
0 1 0 x2  = 0
1 0 2 x3 0


Haciendo transformaciones elementales:
   
1 −1 2 | 0 1 −1 2 | 0
F −F1
0 1 0 | 0 −−3−−→ 0 1 0 | 0
1 0 2| 0 0 1 0| 0
 
1 −1 2 | 0
F −F2
−−3−−→ 0 1 0| 0
0 0 0| 0
Las soluciones de este sistema son de la forma:
 
2
λ  0
−1
Una base de Ker f es ((2, 0, −1))
Sucesiones de números reales
Tema 5. Sucesiones de números

reales

El conjunto de los números reales
Propiedades de los números reales

I Cuerpo conmutativo (R, +, ·)
I La relación ≤ es una relación de orden total: reflexiva a ≤ a,
antisimétrica: (a ≤ b y b ≤ a)⇒ (a = b), transitiva: (a ≤ b y
b ≤ c) ⇒ a ≤ c y total ∀a, b ∈ R, (a ≤ b o b ≤ a).
I x ≤y ⇒x +z ≤y +z
I (x ≤ y y z ≥ 0) ⇒ (xz ≤ yz)
I (x ≤ y ) ⇒ (−x ≥ y )

Cotas, máximos, mı́nimos, supremo e ı́nfimo de un

conjunto A ⊆ R
I A está acotado superiormente si ∃b ∈ R, ∀x ∈ A, x ≤ b, b es
una cota superior.
I A está acotado inferiormente si ∃b ∈ R, ∀x ∈ A, b ≤ x, b es
una cota inferior.
I A está acotado si lo está superior e inferiormente.
I Máximo de A es un número real b que es cota superior y
b ∈ A: máx A = b
I Mı́nimo de A es un número real b que es cota inferior y
b ∈ A: mı́n A = b
I Supremo (ı́nfimo) de A: la menor (mayor) de las cotas
superiores (inferiores): sup A (ı́nf A). Si no está acotado
superiormente (inferiormente): sup A = +∞( ı́nf A = −∞)
Propiedad Arquimediana. Intervalos de números reales.

Valor absoluto
I P. Arquimediana. Si y ≥ 0 y x > 0, existe un número natural

m tal que mx > y .
I Intervalos. Si a ≤ b: (a, b), (a, b], [a, b], [a, b), [a, +∞),
(a, +∞), (−∞, b), (−∞, b], R, ∅.
Algunas propiedades del valor absoluto |x|:
I |x| = | − x|
I |x| ≤ b ⇐⇒ −b ≤ z ≤ b ⇐⇒ x ∈ [−b, b]
I |x − a| ≤ ⇐⇒ x ∈ [a − , a + ]

Punto interior. Conjuntos abiertos
I Un punto x es interior del conjunto A de números reales si

existe un intervalo de la forma (a, b) tal que x ∈ (a, b) y
(a, b) ⊆ A.
I El conjunto de los puntos interiores de un conjunto: interior
◦ ◦
de un conjunto A: A. Todo punto de A pertenece a A.
I Un conjunto A es abierto si todos sus puntos son interiores a
◦ ◦
él. A es abierto. A es abierto si y sólo si A = A
I Intervalos abiertos: (a, b), (−∞, b), (a, +∞), R y ∅.
I La unión de varios conjuntos abiertos es un conjunto abierto.
I La intersección de varios conjuntos abiertos es un conjunto
abierto.

Conjuntos cerrados
I Un conjunto B es cerrado si su complementario, C c = R − C ,

es abierto.
I Los conjuntos R y ∅ son abiertos y cerrados.
I La intersección de varios conjuntos cerrados es un conjunto
cerrado.
I La unión de varios conjuntos cerrados es un conjunto cerrado.
I Los intervalos: [a, b], (−∞, b], [a, +∞], R, ∅ son cerrados.

Sucesiones de números reales
Una sucesión de números reales es una aplicación de N en R. Se

denota por (an ), o por (an ) donde an es la imagen del número
natural n. La imagen del número natural k, ak , se denomina
término de orden k de la sucesión (an ).
a
N−
→R
n → an
a = (an ; n ∈ N), a = (an )

n2
Ejemplo: an = n+1 .
El término de orden 2 es a2 = 4/3.

Sucesiones acotadas
I La sucesión (an ) está acotada superiormente si existe b ∈ R

tal que: ∀n ∈ N, an ≤ b.
I La sucesión (an ) está acotada inferiormente si existe a ∈ R tal
que: ∀n ∈ N, a ≤ an .
I La sucesión (an ) está acotada si: está acotada superior e
inferiormente.
I Subsucesión de (an ): una sucesión (ap(n) ) de una sucesión
(an ), donde p es una aplicación de N en N estrictamente
creciente (∀n ∈ N, p(n) < p(n + 1)).

Sucesiones convergentes. Lı́mites infinitos
I La sucesión (an ) converge al número real l (l es lı́mite de la

sucesión) si se verifica:
∀ > 0, ∃k ∈ N, ∀n ≥ k, an ∈ (l − , l + )
I Sucesión convergente: la que converge a algún número real l.

El lı́mite de una sucesión convergente es único. Se denota:
lim(an ) = l, o también:
lim an = l.
n→∞

Propiedades
I toda subsucesión de una sucesión convergente es una sucesión

convergente que tiene el mismo lı́mite;
I toda sucesión convergente está acotada;
I toda sucesión acotada admite una subsucesión convergente;
I la propiedad de convergencia a un lı́mite es independiente de
los k primeros términos de la sucesión;
I si las sucesiones (an ) y (bn ) verifican para algún n0 ∈ N:
∀n ≥ n0 , |an | ≤ |bn |, entonces: lim(bn ) = 0 ⇒ lim(an ) = 0;

Propiedades
I si las sucesiones (an ) y (bn ) convergen a a y a b,

respectivamente:
lim (|an |) = |a|, lim (αan + βbn ) = αa + βb

n→∞ n→∞
lim (an bn ) = ab, lim (an /bn ) = a/b (si b 6= 0),

n→∞ n→∞
lim (P(an )) = P(a) (donde P es un polinomio)

n→∞

Lı́mites infinitos
I La sucesión (an ) tiende a más infinito (+∞) si para cada

b ∈ R, existe k ∈ N tal que todos sus términos de orden
mayor o igual que k son mayores que b.
I La sucesión (an ) tiende a menos infinito (−∞) si para cada
b ∈ R, existe k ∈ N tal que todos sus términos de orden
mayor o igual que k son menores que b.
I Si limn→∞ (an ) = +∞ o limn→∞ (an ) = −∞: la sucesión no
es convergente.

Propiedades
I Resumen de las propiedades:
lim(an ) lim(bn ) lim(an + bn ) lim(an bn )
a b a+b ab
+∞, si a > 0
a +∞ +∞ −∞, si a < 0
?, si a = 0
−∞, si a > 0
a −∞ −∞ +∞, si a < 0
?, si a = 0
+∞ +∞ +∞ +∞
+∞ −∞ ? −∞
−∞ −∞ −∞ +∞

Lı́mites y polinomios
P y Q son polinomios (el grado de P es p y su coeficiente de grado

p es ap ; el grado de Q es q y su coeficiente de grado q es bq ):
P(n)
pyq limn→∞ (np−q ) lim
n→∞ Q(n)
a
+∞, si bpq > 0
p>q +∞ a
−∞, si bpq < 0
ap
p = q limn→∞ (1) = 1 bq
p<q 0 0

Punto adherente
Consideramos un conjunto A no vacı́o de números reales y un

número real a:
El punto a es punto adherente de A si existe una sucesión cuyos
términos son puntos de A y que converge a a.
Se denomina adherencia de A el conjunto de los puntos adherentes
de A y se denota por Ā. Por convenio: ¯
∅ = ∅.

Propiedades de la adherencia de un conjunto
I a ∈ Ā precisamente si cada intervalo no vacı́o, abierto y

acotado, al que pertenece a contiene puntos de A;
I en un conjunto no vacı́o acotado superiormente su supremo
pertenece a su adherencia;
I en un conjunto no vacı́o acotado inferiormente su ı́nfimo
pertenece a su adherencia;
I todo punto de A es adherente a A: A ⊆ Ā;
I Ā es cerrado;
I el conjunto A es cerrado precisamente si A = Ā;
I si A ⊆ B: Ā ⊆ B̄.

Sucesiones monótonas
Consideramos una sucesión (an ) de números reales, verifica:
I es creciente si ∀n ∈ N, an ≤ an+1 .
I es decreciente si ∀n ∈ N, an ≥ an+1 .
I es estrictamente creciente si ∀n ∈ N, an < an+1 .
I es estrictamente decreciente si ∀n ∈ N, an > an+1 .
I es monótona si es creciente o es decreciente.
I Si la sucesión es creciente y está acotada superiormente, es
una sucesión convergente; si es creciente y no está acotada
superiormente, se verifica: limn→∞ (an ) = +∞.
I Si la sucesión es decreciente y está acotada inferiormente, es
convergente; si es decreciente y no está acotada inferiormente,
se verifica: limn→∞ (an ) = −∞.
Sucesión geométrica
Se denomina sucesión geométrica de razón q (q 6= 0) la sucesión

(q n ).
Propiedades:
I si q > 1: limn→∞ (q n ) = +∞;
I si q = 1: limn→∞ (q n ) = 1;
I si 0 < |q| < 1: limn→∞ (q n ) = 0;
I si q ≤ −1: la sucesión (q n ) no es convergente.

Sucesión de Cauchy
I La sucesión (an ) es de Cauchy si ∀ > 0, ∃m ∈ N
∀(p, q) ∈ N × N, (p ≥ m y q ≥ m) ⇒ |ap − aq | < .
I Una condición necesaria y suficiente para que una sucesión de

números reales sea de Cauchy es que sea convergente.

Series de números reales
La serie asociada a la sucesión (an ), o la serie de término general

an es la sucesión (Sn ) donde Sn = a0 + a1 + · · · + an .
La serie de término general
! an es convergente, y de suma S,
Xn
significa: lim ap = S.
n→∞
p=0
∞
X
Se denota an = S.
n=0

Series de números reales

Propiedades: consideramos una sucesión (an ) de números reales:
I si la serie de término general |an | es convergente, también lo
es la de término general an ;
I Criterio de convergencia de D’Alembert: si

a
n+1
lim = l, con l ≥ 0,
n→∞ an
y si l < 1: la serie de término general an es convergente, y si

l > 1: la serie de término general an es divergente;
I Criterio de convergencia de Cauchy: si
p
lim n |an | = l, con l ≥ 0,
n→∞
y si l < 1: la serie de término general an es convergente, y si
l > 1: la serie de término general an es divergente.

2resumen Tema 1-5 - Centro Manjón 2010-2011) PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2resumen Tema 1-5 - Centro Manjón 2010-2011) PDF

Cargado por

Copyright:

Formatos disponibles

Matemáticas I.

Tutorı́a de Matemáticas I Grado en ADE

Mónica Buendı́a Capellá

Centro Asociado Andrés Manjón. UNED

Curso Académico 2010/11

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Conceptos previos. Conjuntos de números. Ley de

Conceptos previos. Grupo abeliano

Un grupo (E , ∗) es un conjunto no vacı́o E dotado de una ley de

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

(R2 , +) es un grupo abeliano

La operación adición sobre R2 verifica

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Conceptos previos. Cuerpo conmutativo

Definición de Espacio Vectorial

Un espacio vectorial sobre un cuerpo conmutativo K (K, +, ·), es

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Ejercicio 1. ¿Es (R, ·) un grupo abeliano?

La operación multiplicación en los números reales NO verifica

∀λ ∈ R, ∀(x1 , x2 ) ∈ R2 , λ • (x1 , x2 ) = (λx1 , λx2 )

I En general, Rn con las operaciones aquı́ definidas (mutatis

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Sea E un espacio vectorial sobre un cuerpo K. Un subconjunto no

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Ejemplos de subespacios vectoriales de R3

R(1, −1, 0) = {λ(1, −1, 0) | λ ∈ R}

∀(α, β) ∈ R2 , ∀(v, w) ∈ {(0, 0)}, α(0, 0)+β(0, 0) = (0, 0) ∈ {(0, 0)}.

Luego, {(0, 0)} es un subespacio vectorial de R2 y, por

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

I Dados los siguientes subespacios vectoriales:

Suma de subespacios vectoriales

Suma de subespacios vectoriales

Suma de subespacios vectoriales

Algunas propiedades de la suma de subespacios vectoriales

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Suma de subespacios vectoriales

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Suma de subespacios vectoriales

Kv1 + Kv2 + · · · + Kvn ,

es una combinación lineal de los vectores v1 , v2 , . . . vn .

(0, −1, 4) = 2(1, −2, 0) + (−2, 3, 2)

¿Qué vectores no serán combinación lineal de los vectores (0, 1, 0)

Un subconjunto no vacı́o de un espacio vectorial E es un

(0, 0, 3) + R(1, −1, 2)

{(x1 , x2 , x3 ) ∈ R3 | x1 − x2 + 2x3 = −2}

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

I Un subconjunto formado por un único vector de E es un

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

donde a1 , a2 , . . . , an y d son números reales, y a1 , a2 , . . . , an

αv1 + αv2 + · · · + αvn ,

es una combinación afı́n de los vectores v1 , v2 , . . . vn .

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

I No son subespacios vectoriales independientes pues

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Supongamos que x2 = λ y que x3 = µ, se tiene: x1 = −λ + 5µ,

para algún λ y algún µ. Por tanto:

(−λ + 5µ, λ, µ) = (−λ, λ, 0) + (5µ, 0, µ)

Por consiguiente F = R(−1, 1, 0) + R(5, 0, 1)

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE

Mónica Buendı́a Capellá Tutorı́a de Matemáticas I Grado en ADE