Libro de Algebra Lineal-1

Apuntes de:
ÁLGEBRA LINEAL
Y
TEORÍA MATRICIAL
José Luis Chumacero Nogales
Enero del 2011

CONTENIDO
1 Sistemas de ecuaciones lineales 5

1.1 Notación y de…niciones . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Eliminaciones de Gauss-Jordan y gaussiana . . . . . . . . . . . . . . 19
1.3 Aplicaciones de los sistemas de ecuaciones lineales . . . . . . . . . . 24
1.3.1 Ajuste polinomial de curvas . . . . . . . . . . . . . . . . . . . 28
1.3.2 Análisis de redes . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.3.3 Más aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.4 Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2 Matrices 73
2.1 Matrices y operaciones entre matrices . . . . . . . . . . . . . . . . . 73
2.1.1 Igualdad de matrices . . . . . . . . . . . . . . . . . . . . . . . 74
2.1.2 Clases de matrices . . . . . . . . . . . . . . . . . . . . . . . . 75
2.2 Operaciones entre matrices. . . . . . . . . . . . . . . . . . . . . . . . 77
2.3 Matrices invertibles o no singulares . . . . . . . . . . . . . . . . . . . 96
2.3.1 Método de Gauss-Jordan para invertir una matriz . . . . . . 101
2.4 Aplicaciones de las operaciones con matrices . . . . . . . . . . . . . . 110
2.4.1 Matrices estocásticas . . . . . . . . . . . . . . . . . . . . . . . 111
2.4.2 Modelos de Leontief de entrada - salida . . . . . . . . . . . . 115
2.4.3 Método de los mínimos cuadrados . . . . . . . . . . . . . . . 121
2.4.4 Flexión de una viga elástica . . . . . . . . . . . . . . . . . . . 134
2.4.5 Criptografía. . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
2.5 Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
1
3 Determinantes 165
3.1 De…nición y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
3.1.1 Determinante de una matriz A1 1 . . . . . . . . . . . . . . . 166
3.2 Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . 170
3.3 Cofactores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
3.4 Matriz adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
3.5 Desarrollo por cofactores . . . . . . . . . . . . . . . . . . . . . . . . . 181
3.6 Aplicaciones de los determinantes . . . . . . . . . . . . . . . . . . . . 184
3.6.1 Área de un triángulo en el plano . . . . . . . . . . . . . . . . 184
3.6.2 Prueba para determinar si tres puntos en el plano son colineales185
3.6.3 Ecuación de la recta que pasa por dos puntos . . . . . . . . . 185
3.6.4 Volumen de un tetraedro . . . . . . . . . . . . . . . . . . . . 186
3.6.5 Prueba para determinar puntos coplanares en el espacio . . . 186
3.6.6 Ecuación del plano que pasa por tres puntos . . . . . . . . . 187
3.6.7 Ecuaciones de curvas . . . . . . . . . . . . . . . . . . . . . . . 188
3.6.8 Ecuación del círculo que pasa por tres puntos . . . . . . . . . 188
3.6.9 Ecuaciones de cónicas en general . . . . . . . . . . . . . . . . 189
3.7 Polinomio característico y el teorema de Cayley –Hamilton . . . . . 192
3.7.1 Consecuencias del teorema de Cayley –Hamilton . . . . . . . 194
3.8 Menores generales y menores principales . . . . . . . . . . . . . . . . 200
3.8.1 Polinomios característicos en general . . . . . . . . . . . . . . 204
3.9 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
4 Espacios vectoriales 219

4.1.1 Ejemplos de espacios vectoriales . . . . . . . . . . . . . . . . 220
4.1.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
4.2 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 224
4.3 Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 230
4.4 Conjuntos generadores . . . . . . . . . . . . . . . . . . . . . . . . . . 233
4.5 Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . 238
4.6 Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
4.7 Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
4.8 Coordenadas y cambio de bases . . . . . . . . . . . . . . . . . . . . . 259
4.9 Cambio de bases y matrices de transición . . . . . . . . . . . . . . . 266
2
5 Espacios vectoriales con producto interior 293
5.2 Longitud o norma y ángulo . . . . . . . . . . . . . . . . . . . . . . . 298
5.3 Ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
5.4 Desigualdad de Cauchy –Schwarz . . . . . . . . . . . . . . . . . . . 303
5.5 Proyección ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
5.6 Bases ortonormales: Procedimiento de Gram–Schmidt . . . . . . . . 306
5.7 Propiedades de los conjuntos ortogonales (ortonormales) . . . . . . . 315
6 Transformaciones lineales 325

6.1 Introducción a las transformaciones lineales . . . . . . . . . . . . . . 325
6.1.1 Funciones o aplicaciones . . . . . . . . . . . . . . . . . . . . . 325
6.1.2 Composición de funciones . . . . . . . . . . . . . . . . . . . . 327
6.1.3 Funciones inyectivas (uno a uno) y suryectivas (sobre) . . . . 329
6.2 Transformaciones lineales. . . . . . . . . . . . . . . . . . . . . . . . . 332
6.3 Propiedades de las transformaciones lineales. . . . . . . . . . . . . . 338
6.4 Composición de transformaciones lineales . . . . . . . . . . . . . . . 343
6.5 Inversas de las transformaciones lineales . . . . . . . . . . . . . . . . 345
6.6 Núcleo e imagen de una transformación lineal . . . . . . . . . . . . . 346
6.7 Transformaciones lineales inyectivas y suryectivas . . . . . . . . . . . 360
6.8 Isomor…smos de espacios vectoriales . . . . . . . . . . . . . . . . . . 365
6.9 Representación matricial de una transformación lineal . . . . . . . . 367
6.9.1 Representación matricial de un operador lineal . . . . . . . . 367
6.9.2 Representación matricial de transformaciones lineales . . . . 376
6.10 Matrices de transformaciones lineales compuestas e inversas . . . . . 391
7 Valores y vectores característicos 409

7.1 Valores y vectores característicos de una matriz . . . . . . . . . . . . 409
7.2 Determinación de los valores y vectores propios de una matriz A . . 413
7.3 Diagonalización. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
7.4 Matrices simétricas y diagonalización ortogonal . . . . . . . . . . . . 434
7.5 Una aplicación de los valores y vectores propios . . . . . . . . . . . . 447
7.5.1 Formas cuadráticas . . . . . . . . . . . . . . . . . . . . . . . . 447
7.5.2 Identi…cación y gra…cación de ecuaciones cuadráticas . . . . . 456
7.5.3 Super…cies cuádricas . . . . . . . . . . . . . . . . . . . . . . . 463
7.5.4 Potencias de matrices diagonalizables . . . . . . . . . . . . . 472
3
Prefacio
El álgebra lineal es una asignatura fundamental en los cursos de matemática a

nivel de licenciatura. Está llena de resultados interesantes y tiene aplicaciones en
otras disciplinas y conexiones con otras áreas de la matemática. Por tal razón se
ha convertido en una parte esencial de los conocimientos matemáticos requeridos
por: matemáticos, ingenieros, físicos, biólogos, químicos, economistas, informáticos,
estadísticos y otros cientí…cos.
"Apuntes de Algebra Lineal y Teoría Matricial" está pensado para los estudiantes
del segundo semestre de la Carrera de Ingeniería Civil y persigue las siguientes
intensiones y objetivos:
- Presentar un conocimiento claro y conciso de los conceptos fundamentales del
álgebra lineal.
- Mostrar la importancia del álgebra lineal, donde los conceptos tienen al menos
la misma prioridad como los calculos y en el que las aplicaciones motivan y entrenan
la mente del estudiante.
- Ayudar a dominar los conceptos básicos y a perfeccionar sus habilidades de
cálculo que utilizarán posteriormente.
- Tratar algunas aplicaciones interesantes de manera que los estudiantes sepan
cómo y cuándo aplicar el álgebra lineal.
En este texto se presentan siete temas "estandares" del álgebra lineal. Una buena
presentación de estos temas puede ayudar a los estudiantes a pensar con claridad y
precisión y los adiestra con calculos interesantes además útiles, que estoy seguro los
utilizarán posteriormente en su formación profesional.
Espero que este texto sea útil y accesible para entender la belleza, poderío y gran
utilidad del álgebra lineal.
José Luis Chumacero Nogales
4
CAPÍTULO 1
Sistemas de ecuaciones lineales
Muchos preguntas en ingeniería, física, matemática, economía y otras ciencias se

reducen al problema de resolver un sistema lineal; siendo el caso más simple aquel
en el que el número de incógnitas coincide con el número de ecuaciones. Es decir
sistemas de n ecuaciones con n incógnitas.
Desde los textos de secundaria se proponen dos métodos para resolver tales
sistemas de ecuaciones lineales: a saber, el método de eliminación y el método los
determinantes.
El primer método, el de eliminación, consiste en sustraer múltiplos de la primera
ecuación de las restantes, de tal manera que sea posible eliminar una misma incógnita
en el resto de las ecuaciones, con lo que se obtiene un sistema con una ecuación y
una incógnita menos, esto es, un sistema de n 1 ecuaciones con n 1 incógnitas. El
proceso se repite una y otra vez hasta que sólo queda una ecuación con una incógnita,
que se podrá resolver inmediatamente. No es difícil recorrer los pasos seguidos en
sentido contrario y calcular el resto de las incógnitas. Además este procedimiento
permite detectar aquellos casos en que no existe solución o, por el contrario, existe
in…nidad de ellas.
El segundo método, más complicado, introduce el concepto de los determinantes
y mediante la regla de Cramer se obtienen las soluciones como cocientes de dos
determinantes. Su estudio no será abordado en esta asignatura. Pues el costo de
cálculo de dicho método no es viable para n 3 y es viable sólo para sistemas de
tamaño n = 2.
Cuando se trata de resolver sistemas con un número grande de incógnitas, se
utiliza el método de eliminación, de costo bastante inferior. De este modo la eli-
minación (generalmente llamado eliminación gaussiana) es el algoritmo que se usa
5
constantemente para resolver grandes sistemas de ecuaciones lineales.
1.1 Notación y de…niciones

Un gran número de problemas prácticos de ingeniería, se reduce al problema de
resolver un sistema de ecuaciones lineales.
Un sistema de m ecuaciones lineales en n incógnitas o simplemente un sistema
lineal, tiene la forma siguiente.
a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2
(1.1)
am1 x1 + am2 x2 + + amn xn = bm
Donde los aij y los bi son números reales llamados coe…cientes y términos inde-
pendientes respectivamente y los xi son las incógnitas. Si todos los bi son cero, el
sistema se llama homogéneo.
El sistema que se obtiene a partir de (1.1) reemplazando los bi por cero se de-
nomina sistema homogéneo asociado con el sistema (1.1).
Usando notación matricial, el sistema anterior se puede escribir como.
2 32 3 2 3
a11 a12 a1n x1 b1
6 a21 a22 a2n 7 6 7 6 7
6 7 6 x2 7 = 6 b2 7
4 ::: 5 4 : 5 4 : 5
am1 am2 amn xn bm
y concretamente como
Ax = b:
Donde A es la matriz de los coe…cientes del sistema, x es el vector de incógnitas y
b es el vector de términos independientes.
La matriz
2 3
a11 a12 a1n : b1
6 a21 a22 a2n : b2 7
6 7
4 : 5
am1 am2 amn : bm
se llama matriz aumentada del sistema. La matriz de los coe…cientes A y la matriz
aumentada [A : b] del sistema lineal desempeñan papeles claves en la resolución de
sistemas lineales.
6
Ejemplos de sistemas de ecuaciones lineales son:
Sistema lineal 2 2
3x1 4x2 = 7 recta en el plano

5x1 + 2x2 = 3 recta en el plano
cuya forma matricial es
3 4 x1 7
=
5 2 x2 3
y la matriz aumentada del sistemas es
3 4 : 7
5 2 : 3
Sistema lineal 3 3
4x1 + 2x2 3x3 = 1 plano en el espacio

2x1 + 11x2 + x3 = 0 plano en el espacio
5x1 2x2 7x3 = 5 plano en el espacio
2 32 3 2 3
4 2 3 x1 1
4 2 11 1 5 4 x2 = 0 5
5 4
5 2 7 x3 5
y la matriz aumentada de este sistema es
2 3
4 2 3 : 1
4 2 11 1 : 0 5
5 2 7 : 5
Sistema lineal 4 4
4x1 + 2x2 3x3 + 4x4 = 7 hiperplano

x1 + 3x2 + 5x3 + 5x4 = 3 hiperplano
7x1 + 2x2 + 4x3 8x4 = 8 hiperplano
x1 + 7x2 6x3 + 5x4 = 9 hiperplano
2 32 3 2 3
4 2 3 4 x1 7
6 1 3 5 5 7 6 x2 7 6 3 7
6 76 7=6 7
4 7 2 4 8 5 4 x3 5 4 8 5
1 7 6 5 x4 9
7
y la matriz aumentada del sistema es
2 3
4 2 3 4 : 7
6 1 3 5 5 : 3 7
6 7
4 7 2 4 8 : 8 5
1 7 6 5 : 9
En la práctica dado un sistema lineal Ax = b, los coe…cientes y los términos indepen-
dientes bi son conocidos (dados) el problema consiste en encontrar los valores de las
incógnitas x1 ; x2 ; : : : ; xn que satisfagan cada una de las ecuaciones que conforman
el sistema (1.1).
De hecho una solución del sistema lineal (1.1) es una n-upla de números reales
(x1 ; x2 ; : : : ; xn ) que es solución de cada una de las ecuaciones del sistema (1.1). Por
tanto resolver un sistema de ecuaciones lineales signi…ca encontrar los valores de
las incógnitas x1 ; x2 ; : : : ; xn que satisfacen todas las ecuaciones lineales simultánea-
mente.
Un sistema de ecuaciones lineales se denomina consistente si tiene por lo menos
una solución e inconsistente si no tiene solución.
Número de soluciones de un sistema de ecuaciones lineales

Dado un sistema de ecuaciones lineales de la forma (1,1) sólo se cumple una de las
siguientes a…rmaciones.
1. El sistema tiene exactamente una solución (sistema consistente).
2. El sistema tiene in…nitas soluciones (sistema consistente).
3. El sistema no tiene solución (sistema inconsistente).
La solución única de un sistema lineal geométricamente representa el punto de in-
tersección de las grá…cas de las ecuaciones que conforman el sistema; en el caso de
un sistema 2 2 la solución única representa la intersección de dos rectas; en el caso
de un sistema 3 3 representa la intersección de tres planos y en el caso de sistemas
4 4 o más representa la intersección de hiperplanos.
Las in…nitas soluciones de un sistema signi…can que las grá…cas de las ecuaciones
del sistema coinciden. Es así que en el caso de sistemas 2 2 las soluciones in…nitas
signi…ca que las rectas coinciden entre si.
Que un sistema lineal no tenga solución signi…ca que las grá…cas de las ecuaciones
del sistema no tienen un punto de intersección común.
Como se dijo arriba, si en el sistema (1.1) todos los términos independientes bi
son cero, el sistema se llama homogéneo, si no todos los bi son cero el sistema se
llama no homogéneo.
8
Nota 1.1.1 Note, que todo sistema homogéneo siempre es consistente pues al menos
la n-upla (0; 0; : : : ; 0) es siempre solución de dicho sistema, está solución
x1 = 0; x2 = 0; : : : ; xn = 0
de un sistema homogéneo se denomina solución trivial.
Una solución de un sistema homogéneo en la cual no todos los x1 ; x2 ; : : : ; xn son

iguales a cero se denomina solución no trivial.
Note también, que todo sistema homogéneo que tiene más incógnitas que ecua-
ciones tiene in…nitas soluciones.
Ejemplo 1.1.1 Considere el siguiente sistema 2 2

x1 3x2 = 7 ( 2)
2x1 6x2 = 7
Restando dos veces la primera ecuación de la segunda obtenemos.
x1 3x2 = 7
2x1 6x2 = 7
0 = 21
el cual no tiene sentido, esto signi…ca que el sistema considerado no tiene solución,
es decir es inconsistente, esto a su vez signi…ca que las rectas que conforman el
sistema no se intersectan o más concretamente las dos rectas son paralelas.
Sin embargo el sistema homogéneo
x1 3x2 = 0
2x1 6x2 = 0
Es consistente pues al menos la solución trivial x1 = 0 y x2 = 0 satisface dicho
sistema. Por otra parte consideremos el siguiente sistema homogéneo 2 3 que tiene
más incógnitas que ecuaciones
2x1 + 4x2 x3 = 0
x1 x2 + 7x3 = 0
Se puede comprobar que este sistema admite in…nitas soluciones.
En efecto, al sumar la primera ecuación a la segunda ecuación multiplicada por
( 2) se tiene
2x1 + 4x2 x3 = 0
2x1 + 2x2 14x3 = 0
6x2 15x3 = 0
9
expresando x2 en términos de x3 se obtiene
15
x2 = x3
6
de esta forma, la variable x3 es libre, lo cual signi…ca que puede asumir cualquier
valor real, en tanto que x2 no es libre, ya que su valor depende del valor asignado
a x3 . Para representar la in…nidad de soluciones de este sistema, es conveniente
introducir una tercera variable t, denominada parámetro. Así, con x3 = 6 t se puede
representar el conjunto solución como sigue.
Reemplazando x3 = 6 t, en la anterior ecuación se tiene x2 = 15 t, luego susti-
tuyendo estos valores en la segunda ecuación lineal se tiene
x1 = x2 7x3
= 15 t 42 t = 27 t
luego, la 3-upla (x1 ; x2 ; x3 ) = ( 27t; 15t; 6t) = t ( 27; 15; 6) para t cualquier número
real es solución del sistema, esto dice que el sistema tiene in…nitas soluciones uno
para cada valor de t.
Las soluciones particulares se puede obtener al asignar valores al parámetro t,
por ejemplo, para t = 1 se tiene la solución x1 = 27; x2 = 15 y x3 = 6, mientras
que para t = 1 se tiene la solución x1 = 27; x2 = 15 y x3 = 6.
Sistemas lineales equivalentes

Se dice que dos sistemas de ecuaciones lineales son equivalentes si tienen la misma
solución. Por ejemplo, los siguientes sistemas lineales son equivalentes
x 2y + 3z = 9 x 2y + 3z = 9
x + 3y = 4 y + 3z = 5
2x 5y + 5z = 17 z = 2
Pues, ambos sistemas tienen la misma solución; a saber x = 1; y = 1 y z = 2.
Como los sistemas anteriores son equivalentes, entonces es natural preguntarse,
¿cuál de estos sistemas es más fácil de resolver? Es evidente que el sistema más
fácil de resolver es el de la derecha. Se dice que este sistema está en forma escalón
por …las, lo cual signi…ca que tiene un patrón escalonado y que tiene coe…cientes
principales iguales a 1. Para resolver este tipo de sistemas lineales se aplica un
procedimiento denominado sustitución hacia atrás; el cual consiste en lo siguiente.
En base de la ecuación 3 se sabe que z = 2. Al sustituir este valor en la ecuación
2 se determina el valor de y, así como vemos a continuación
y + 3 (2) = 5
y = 1
10
Finalmente, se sustituye y = 1 en la ecuación 1 para obtener
x 2 ( 1) + 3 (2) = 9
x = 1
Por tanto, la solución del sistema es
x = 1; y = 1yz=2
El término sustitución hacia atrás implica que se trabaja restrospectivamente. Así,

en el ejemplo anterior la tercera ecuación dio el valor de z, a continuación se sustituyó
ese valor en la segunda ecuación para encontrar el valor de y, por último se sustituyo
los valores de y; z en la primera ecuación para determinar el valor de x.
Resolución de sistemas de ecuaciones lineales

Para resolver sistemas de ecuaciones lineales que no estén en forma escalón por …las,
primero se transforman dichos sistemas a sistemas equivalentes que estén en la forma
escalón por …las utilizando las siguientes operaciones elementales de ecuaciones.
1. Intercambio de dos ecuaciones.
2. Multiplicación una ecuación por un número distinto de cero.
3. Suma de un múltiplo de una ecuación a otra ecuación.
Notación. Con la …nalidad de aplicar sistemáticamente y de manera e…ciente las

anteriores operaciones a sistemas de ecuaciones lineales arbitrarios introducimos las
siguientes notaciones.
1. Ei Ej signi…ca "intercámbiense las ecuaciones Ei y Ej ".
2. Ei ! cEi signi…ca "sustitúyase la i-ésima ecuación por la i-ésima ecuación

multiplicada por c 6= 0".
3. Ej ! Ej + cEi signi…ca "sustitúyase la j-ésima ecuación por la suma de la

j-ésima ecuación y la i-ésima ecuación multiplicada por c".
Con esto a nuestra disposición, consideremos un sistema general de tres ecuaciones

lineales con tres incógnitas.
a11 x1 + a12 x2 + a13 x3 = b1

a21 x1 + a22 x2 + a23 x3 = b2 (1.2)
a31 x1 + a32 x2 + a33 x3 = b3
11
cuya matriz aumentada es
2 3
a11 a12 a13 : b1
4 a21 a22 a23 : b2 5
a31 a32 a33 : b3
Como primer paso se reemplaza la segunda ecuación por la suma de la segunda
ecuación y la primera multiplicada por a21 =a11 . Similarmente se sustituye la ter-
cera ecuación por la suma de la tercera ecuación y la primera ecuación multiplicada
por a31 =a11 . Todo esto da lugar al nuevo sistema.
a11 x1 + a12 x2 + a13 x3 = b1

c22 x2 + c23 x3 = d2 (1.3)
c32 x2 + c33 x3 = d3
2 3
a11 a11 a11 : b1
4 0 c22 c23 : d2 5
0 c32 c33 : d3
En donde los c y los d son los nuevos elementos que se obtienen de las operaciones
efectuadas y en donde x1 se ha eliminado de la segunda y tercera ecuaciones.
Ahora, multiplicando la segunda ecuación de (1.3) por c32 =c22 y sumando el
resultado a la tercera ecuación de (1.3) se obtiene el siguiente sistema reducido o
sistema triangular.
a11 x1 + a12 x2 + a13 x3 = b1

c22 x2 + c23 x3 = d2 (1.4)
c33 x3 = f3
2 3
a11 a11 a11 : b1
4 0 c22 c23 : d2 5
0 0 e33 : f3
Donde e33 y f3 resultaron de las operaciones realizadas y x2 se ha eliminado de la
tercera ecuación.
El proceso de llevar el sistema (1.2) a la forma reducida o sistema triangular
(1.4) se conoce como eliminación de Gauss o triangulación. Observe que el sistema
triangular (1.4) se resuelve fácilmente mediante el proceso de sustitución regresiva.
12
Además, nótese, que en el proceso de triangulación no es necesario conservar las
variables x1 ; x2 ; x3 de hecho esta triangulación puede llevarse a cabo usando sola-
mente la matriz de coe…cientes y el vector b, por esta razón y para mayor simplicidad
se empleará la matriz aumentada del sistema.
2 3
a11 a12 a13 : b1
4 a21 a22 a23 : b2 5
a31 a32 a33 : b3
Con esto se incorpora la notación matricial y todas sus ventajas a la solución de
sistemas de ecuaciones lineales.
Nota 1.1.2 En el proceso de triangulación es posible obtener sistemas y matrices

aumentadas de la forma:
2 3
a11 x1 + a12 x2 + a13 x3 = b1 a11 a12 a13 : b1
0x1 + c22 x2 + c23 x3 = d2 4 0 c22 c23 : d2 5
0x1 + 0x2 + c33 x3 = f3 0 0 e33 : f3
en este caso el sistema tiene solución única.

2 3
a11 x1 + a12 x2 + a13 x3 = b1 a11 a12 a13 : b1
0x1 + c22 x2 + c23 x3 = d2 4 0 c22 c23 : d2 5
0x1 + 0x2 + 0x3 = 0 0 0 0 : 0
en este caso el sistema tiene in…nitas soluciones.

2 3
a11 x1 + a12 x2 + a13 x3 = b1 a11 a12 a13 : b1
0x1 + c22 x2 + c23 x3 = d2 4 0 c22 c23 : d2 5
0x1 + 0x2 + 0x3 = f3 0 0 0 : f3
en este caso el sistema no tiene solución.
Ejemplo 1.1.2 Resuelva los siguientes sistemas de ecuaciones lineales
x + y + z = 2 2x + 2z = 2
a) x + 3y + 2z = 8 b) 5x + 3y = 4
4x + y = 4 3y 4z = 4
5x1 3x2 + 2x3 = 3 2x1 + x2 3x3 = 4

c) 2x1 + 4x2 x3 = 7 d) 4x1 + 2x3 = 10
x1 11x2 + 4x3 = 3 2x1 + 3x2 13x3 = 8
13
Solución. a) Consideremos la matriz aumentada del sistema
2 3
1 1 1 : 2
4 1 3 2 : 8 5
4 1 0 : 4
Al triangularizar esta
matriz se tiene
2 3 2 3
1 1 1 : 2 1 1 1 : 2
4 1 3 F2 ! F2 + F1
2 : 8 5 4 0 4 3 : 10 5
F3 ! F3 4F1
4 1 0 : 4 0 3 4 : 4
2 3
3 1 1 1 : 2
F3 ! F3 + 4 F2 4 5
0 4 3 : 10
7
0 0 4 : 144
cuyo sistema correspondientes es
x +y +z = 2
4y +3z = 10
7 14
4z = 4
Finalmente por sustitución regresiva se obtiene z = 2; y = 4 y x = 0, de este

modo la 3-upla (x; y; z) = (0; 4; 2) constituye la solución única del sistema.
b) La matriz aumentada del sistema dado en este inciso es
2 3
2 0 2 : 2
4 5 3 0 : 4 5
0 3 4 : 4
Al triangularizarésta matriz se obtiene.

2 3 2 3
2 0 2 : 2 2 0 2 : 2
4 5 3 0 : 4 5 5
4 0 3 5 : 1 5
F2 ! F2 2 F1
0 3 4 : 4 0 3 4 : 4
2 3
2 0 2 : 2
4 0 3 5 : 1 5
F3 ! F3 F2
0 0 1 : 5
por sustitución regresiva se tiene z = 5; y = 8 y x = 4, por tanto la solución única

del sistema es (x; y; z) = ( 4; 8; 5).
14
c) La matriz aumentada del sistema es
2 3
5 3 2 : 3
4 2 4 1 : 7 5
1 11 4 : 3
Al triangularizar esta matriz se obtiene.
2 3 2 3
5 3 2 : 2 2 5 3 1 : 3
F ! F2 5 F1 4
4 2 4 1 : 8 5 2 0 26=5 9=5 : 29=5 5
F3 ! F3 15 F1
1 11 4 : 4 0 52=5 18=5 : 12=5
2 3
5 3 2 : 2
F2 ! 5F2 4
0 26 9 : 29 5
F3 ! 5F3
0 0 0 : 70
La última …la de esta matriz dice que el sistema considerado no tiene solución.
d) Al triangularizar la matriz aumentada del sistema se tiene.
2 3 2 3
2 1 3 : 4 2 1 3 : 4
4 4 0 2 : 10 5 F2 ! F2 2F1 4 0 2 8 : 2 5
F3 ! F3 + F1
2 3 13 : 8 0 4 6 : 4
2 3
2 1 3 : 4
4 0 2 8 : 2 5
F3 ! F3 + 2F2
0 0 0 : 0
La última …la diferente de cero de esta última matriz aumentada, dice que el sistema
tiene in…nitas soluciones, pues el sistema correspondiente a esta matriz es
2x1 + x2 3x3 = 4
2x2 + 8x3 = 2
Al despejar x2 de la segunda ecuación se tiene
x2 = 4x3 1;
haciendo x3 = t se tiene
x2 = 4t 1
y reemplazando estos valores en la primera ecuación lineal se tiene
1 5
x1 = t+ .
2 2
De este modo las soluciones in…nitas están dadas por
1 5
x1 = t + ; x2 = 4t 1 y x3 = t Para todo t 2 R.
2 2
X
15
Matrices en forma escalón por …las y en forma escalón por …las reducida
En la anterior sección se estudiaron tres operaciones básicas que al ser aplicadas
a sistemas de ecuaciones lineales arbitrarias producían sistemas equivalentes más
fáciles de resolver.
Cuando estas tres operaciones se aplican a las …las de una matriz (aumentada)
que representan un sistema de ecuaciones reciben el nombre de operaciones elemen-
tales sobre …las.
En general, una operación elemental sobre …las (columnas) en una matriz arbi-
traria A, es una cualquiera de las siguientes operaciones.
a) Intercambio de la …la (columna) i con la …la (columna) j, esta operación se

llama operación de tipo 1.
b) Multiplicación de una …la (columna) i por un número r 6= 0, esta operación se

c) Sumar r veces una …la (columna) i a la …la (columna) j, esta operación se

De…nición 1.1.1 (de matrices equivalentes) Se dice que una matriz Bm n es

equivalente por …las a una matriz Am n . Si Bm n se puede obtener de Am n por
medio de una sucesión …nita de operaciones elementales sobre …las.
Notación. Se usará el símbolo “ !”para denotar la equivalencia de matrices

además, se indicará con un número sobre este símbolo el tipo de operación que se
realiza.
Ejemplo 1.1.3 Como

2 3 2 3
1 3 1 3 1 4 3 3
1 3
A = 4 1 4 3 3 5 !C=4 1 3 1 3 5 !
2 0 4 6 2 0 4 6
2 3 2 3
1 4 3 3 1 4 3 3
3 3
!D = 4 0 1 2 0 5 !B=4 0 1 2 0 5
2 0 4 6 0 8 10 0
Esto dice que A ! B que se lee "A es equivalente por …las a B" ya que la matriz
B se ha obtenido de la matriz A por medio de una sucesión …nita de operaciones
elementales sobre …las.
16
Ejemplo 1.1.4 Utilice operaciones elementales sobre …las para resolver el siguiente
sistema de ecuaciones lineales.
x1 3x3 = 2
3x1 + x2 2x3 = 5
2x1 + 2x2 + x3 = 4
Solución. Considerando la matriz aumentada de este sistema se tiene.
2 3 2 3
1 0 3 : 2 1 0 3 : 2
4 3 1 3 3
2 : 5 5 !4 0 1 7 : 11 5 !
2 2 1 : 4 0 2 7 : 8
2 3 2 3
1 0 3 : 2 1 0 3 : 2
4 0 1 2
7 : 11 5 ! 4 0 1 7 : 11 5
0 0 7 : 14 0 0 1 : 2
(Luego se identi…cará a esta última matriz como una matriz en forma escalón por
…las). El sistema correspondiente a ésta última matriz es
x1 3x3 = 2
x2 + 7x3 = 11
x3 = 2
Utilizando sustitución regresiva se obtiene la siguiente solución única
x1 = 4; x2 = 3; x3 = 2:
Más luego se a…rmará que esta forma de resolver un sistema recibe el nombre de
eliminación gaussiana. X
Por supuesto se puede obtener el mismo resultado sin utilizar sustitución regre-
siva, pero desde luego se requiere más trabajo. En efecto conocido
2 3 2 3 2 3
1 0 3 : 2 1 0 3 : 2 1 0 0 : 4
4 3 1 3
2 : 5 5$4 0 1 7 : 11 5 ! 4 0 1 0 : 3 5
2 2 1 : 4 0 0 1 : 2 0 0 1 : 2
(Se dirá que esta última matriz está en forma escalón por …las reducida).
El sistema correspondiente a esta última matriz es
x1 = 4
x2 = 3
x3 = 2
De nuevo es posible "ver" la solución única x1 = 4; x2 = 3 y x3 = 2.
También, en seguida se a…rmará que esta forma de resolver un sistema de ecua-
ciones lineales, recibe el nombre de eliminación de Gauss-Jordan.
17
De…nición 1.1.2 (de la forma escalón por …las reducida de una matriz)
Una matriz A se dice que está en forma escalón por …las reducida si cumple las
siguientes cuatro condiciones.
1) Todas las …las que constan exclusivamente de ceros (si existen) están agrupadas
en la parte inferior de la matriz.
2) Si existen …las que no constan exclusivamente de ceros, entonces el primer ele-
mento distinto de cero debe ser 1 denominado 1 principal.
3) Para dos …las consecutivas que no constan exclusivamente de ceros el 1 principal
de la …la superior, está más a la izquierda que el 1 principal de la …la inmediata
inferior.
4) Toda columna con un 1 principal tiene ceros en todas sus posiciones por arriba
y por debajo de su 1 principal.
Análogamente se puede de…nir matrices en forma escalón por columnas y matri-

ces en forma escalón por columnas reducida.
Nota 1.1.3 Si una matriz cumple las tres primeras condiciones se dice que está en
forma escalón por …las simplemente.
El término escalón se re…ere al patrón de escalera formada por lo elementos no

nulos de la matriz. Para que una matriz tenga esta forma debe satisfacer las tres
primeras condiciones de la de…nición anterior.
Ejemplo 1.1.5 Las siguientes matrices están en forma escalón por …las reducida.
2 3 2 3 2 3
1 0 0 1 0 0 0 1 0 3 9
1 0 0 7 1 0
a) 4 0 1 0 5 ; b) 4 0 1 0 0 5 ; c) ; d) ; e) 4 0 1 5 8 5
0 0 1 2 0 1
0 0 1 0 0 0 1 0 0 0 0
Ejemplo 1.1.6 Las matrices que siguen a continuación están en forma escalón por
…las.
2 3 2 3 2 3
1 2 3 1 3 5 4 1 6 3 9
1 0 5 7 1 5
a) 4 0 1 8 5 ; b) 4 0 1 8 7 5 ; c) ; d) e) 4 0 1 5 8 5
0 0 1 2 0 1
0 0 1 0 0 0 1 0 0 0 0
Ejemplo 1.1.7 Las matrices mostradas a continuación no están en forma escalón.
2 3 2 3
1 2 5 7 1 4 3 5
a) 4 0 2 8 6 5 ; b) 4 0 0 0 0 5
0 0 1 3 0 1 2 4
18
Observación 1.1.1 Observe que la diferencia entre estas dos formas es clara a
partir de los ejemplos. En la forma escalón por …las, todas los números situados
debajo del 1 principal de una …la son ceros. En la forma escalón por …las reducida,
todos los números situados arriba y abajo del 1 principal de una …la son ceros. Por
tanto la forma escalón por …las es más exclusiva, es decir, toda matriz que esté en
forma escalón por …las reducida está en forma escalón por …las, pero no a la inversa.
También, observe que toda matriz siempre se puede reducir en una matriz que
esté en forma escalón por …las reducida o en una matriz que esté en forma escalón por
…las, esto se logra utilizando las operaciones elementales sobre …las en una matriz.
Por ejemplo la matriz (a) del ejemplo 7 que no está en forma escalón, se puede
reducir a una matriz en forma escalón por …las utilizando la operación elemental de
tipo 2, aplicada a la segunda …la de dicha matriz, de la misma forma en la matriz (b)
intercambiando la segunda …la y la tercera se obtiene una matriz en forma escalón
por …las.
De hecho cualquier matriz se puede convertir en una matriz en forma escalón por
…las o en forma escalón por …las reducida, las operaciones que se encargan de hacer
esto posible son las operaciones elementales de …las (columnas) en una matriz.
1.2 Eliminaciones de Gauss-Jordan y gaussiana

Los conceptos e ideas acerca de las matrices en forma escalón por …las y escalón por
…las reducida nos proporcionan dos métodos para resolver sistemas de ecuaciones
lineales a saber: El método de eliminación gaussiana y el método de eliminación de
Gauss - Jordan.
El método de eliminación gaussiana consiste en reducir la matriz aumentada
del sistema en una matriz equivalente que este en forma escalón por …las y luego
utilizando sustitución regresiva se obtiene la solución del sistema. Es decir dado un
sistema cualquiera digamos.
a11 x1 + a12 x2 + a13 x3 = b1

a21 x1 + a22 x2 + a23 x3 = b2 (1.5)
a31 x1 + a32 x2 + a33 x3 = b3
Considerando la matriz aumentada del sistema.
2 3
a11 a12 a13 : b1
4 a21 a22 a23 : b2 5
a31 a32 a33 : b3
19
Aplicando operaciones elementales sobre …las se reduce esta matriz, en una matriz
equivalente que esté en forma escalón por …las.
2 3
1 a12 a13 : c1
4 0 1 a23 : c2 5
0 0 1 : c3
Cuyo sistema correspondiente es
x1 + a12 x2 + a13 x3 = c1
x2 + a23 x3 = c2
x3 = c3
Luego utilizando sustitución regresiva o sustitución hacia atrás se obtiene la solución
del sistema.
Por otra parte el método de eliminación de Gauss - Jordan consiste en reducir la

matriz aumentada del sistema, en una matriz equivalente que esté en forma escalón
por …las reducida. Es decir dado un sistema cualquiera por ejemplo,
a11 x1 + a12 x2 + a13 x3 = b1

a21 x1 + a22 x2 + a23 x3 = b2
a31 x1 + a32 x2 + a33 x3 = b3
Considerando la matriz aumentada de este sistema
2 3
a11 a12 a13 : b1
4 a21 a22 a23 : b2 5
a31 a32 a33 : b3
Aplicando operaciones elementales sobre …las se reduce esta matriz, en una matriz
equivalente que esté en forma escalón por …las reducida.
2 3 2 3
1 0 0 : d1 x1 0 0 : d1
4 0 1 0 : d2 5 cuyo sistema correspondiente es 4 0 x2 0 : d2 5
0 0 1 : d3 0 0 x3 : d3
Que obviamente es la solución del sistema.
Ejemplo 1.2.1 Resuelva el siguiente sistema utilizando eliminación gaussiana y el

método de eliminación de Gauss - Jordan.
4x1 + x2 3x3 = 11
2x1 3x2 + 2x3 = 9
x1 + x2 + x3 = 3
20
Solución. Primeramente resolvemos mediante eliminación gaussiana, considerando
la matriz aumentada del sistema y aplicando operaciones elementales sobre las …las
a esta matriz se obtiene.
2 3 2 3 2 3
4 1 3 : 11 1 1 1 : 3 1 1 1 : 3
4 2 1 3
3 2 : 9 5 !4 2 3 2 : 9 5 !4 0 5 0 : 15 5
1 1 1 : 3 4 1 3 : 11 0 3 7 : 23
2 3 2 3 2 3
1 1 1 : 3 1 1 1 : 3 1 1 1 : 3
3 4 3 3
! 0 1 0 : 3 5 !4 0 1 0 : 3 5 !4 0 1 0 : 3 5
0 3 7 : 23 0 0 7 : 14 0 0 1 : 2
Observe que esta última matriz es equivalente a la matriz aumentada del sistema,
que está en forma escalón por …las, cuyo sistema correspondiente es
x1 + x2 + x3 = 3
x2 = 3
x3 = 2
Ahora utilizando sustitución regresiva se obtiene la solución, x1 = 2; x2 = 3 y
x3 = 2.
Seguidamente resolvemos el sistema dado mediante la eliminación de Gauss -
Jordan, para lo cual continuamos el proceso de reducción de la matriz en forma
escalón por …las en una matriz en forma escalón por …las reducida.
2 3 2 3 2 3
1 1 1 : 3 1 1 0 : 1 1 0 0 : 2
4 0 1 0 : 3 3
3 5 !4 0 1 0 : 3 5 !4 0 1 0 : 3 5
0 0 1 : 2 0 0 1 : 2 0 0 1 : 2
Observe que la última matriz está en forma escalón por …las reducida. Cuyo sistema
correspondiente es.
x1 = 2
x2 = 3
x3 = 2
Así, nuevamente vemos la misma solución x1 = 2; x2 = 3 y x3 = 2. X
Ahora bien, dado un sistema arbitrario ¿cómo saber que dicho sistema tiene
solución única, in…nitas soluciones o ninguna solución?
Para responder esta pregunta, consideremos un sistema general de m ecuaciones
lineales cada una con n incógnitas o n variables.
a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2
am1 x1 + am2 x2 + : : : : : : + amn xn = bm
21
Cuya matriz aumentada es
2 3
a11 a12 a1n : b1
6 a21 a22 a2n : b2 7
6 7
4 : 5
am1 am2 amn : bm
Aplicando operaciones elementales sobre …las se reduce esta matriz a una matriz
equivalente que este en forma escalón por …las, en este proceso solo una de las
siguientes situaciones puede presentarse.
1. La última …la diferente de cero es de la forma
0 0 0 1 : cm
0 0 1 aij : cm
en este caso, el sistema tiene in…nitas soluciones.
0 0 0 0 : cm
Ejemplo 1.2.2 Encuentre los valores de k si es posible para los cuales el siguiente
sistema, a) tenga solución única, b) in…nitas soluciones y c) ninguna solución.
x1 + x2 x3 = 2
x1 + 2x2 + x3 = 3
x1 + x2 + k2 5 x3 = k
Solución. Considerando la matriz aumentada del sistema se tiene,

2 3 2 3
1 1 1 : 2 1 1 1 : 2
4 1 2 3
1 : 3 5 !4 0 1 2 : 1 5
1 1 k2 5 : k 0 0 k2 4 : k 2
2 3
1 1 1 : 2
= 4 0 1 2 : 1 5
0 0 (k 2) (k + 2) : k 2
22
Analizando en la última matriz vemos que si k = 2, entonces la última …la de la
matriz obtenida es de la forma:
0 0 0 : 4
por tanto concluimos que el sistema no tiene solución para k = 2.
Por otra parte si k = 2, entonces la última …la diferente de cero de la matriz
obtenida es de la forma:
0 1 2 : 1
de este modo deducimos que el sistema tiene in…nitas soluciones para k = 2.
Finalmente, si k 6= 2 entonces la última …la diferente de cero de la matriz
obtenida es de la forma
k 2
0 0 1 : (k 2)(k+2)
que es equivalente a
1
0 0 1 : (k+2)
Note que, no existe división entre cero, luego el sistema tiene solución única.
En consecuencia:
a) Para k 6= 2 el sistema tiene solución única,
b) para k = 2 el sistema tiene in…nitas soluciones y
c) para k = 2 el sistema no tiene solución.
X
Ejemplo 1.2.3 Encuentre los valores de a y b (si es posible) para los cuales el
siguiente sistema
ax1 + x2 + 2x3 = 0
x1 + x3 = b
ax1 + 2x2 + abx3 = a
a) Tenga solución única, b) In…nitas soluciones y c) Ninguna solución.
Solución. Considerando la matriz aumentada del sistema y aplicando operaciones

elementales de …la se tiene.
2 3 2 3 2 3
a 1 2 : 0 1 0 1 : b 1 0 1 : b
4 1 0 1 : b 5 1! 4 a 1 2 : 0 5 3! 4 0 1 a + 2 : ab 5
a 2 ab : a a 2 ab : a 0 2 a + ab : ab + a
2 3
1 0 1 : b
3 4
! 0 1 a+2 : ab 5
0 0 a (b 1) 4 : a (b 1)
23
Analizando en esta última matriz vemos que:
Si b = 1 entonces esta matriz se convierte en
2 3
1 0 1 : 1
4 0 1 a+2 : ab 5
0 0 4 : 0
Por otra parte si b 6= 1, entonces se tiene dos posibilidades
4
(i) a = b 1, entonces
2 3
1 0 1 : b
4 0 1 4
+2 : 4 5
b 1 b 1b
0 0 0 : 4
4
(ii) a 6= b 1, entonces
2 3
1 0 1 : b
4 0 1 k : k 5
0 0 1 : k
(k cualquier número), en este caso el sistema tiene solución única. Por tanto,
si b = 1 el sistema tiene solución única cualquiera sea a,
4
si b 6= 1 y a = b 1 el sistema no tiene solución y
4
si b 6= 1 y a 6= b 1 el sistema tiene solución única.
Observe que el sistema nunca tendrá in…nitas soluciones. X
1.3 Aplicaciones de los sistemas de ecuaciones lineales

Los sistemas de ecuaciones lineales se presentan en una amplia gama de aplicaciones.
En esta sección se mostrará como un sistema de ecuaciones lineales puede ayudar a
resolver problemas prácticos que pueden presentarse en la vida cotidiana; también
aplicaremos los sistemas de ecuaciones lineales al ajuste polinomial de curvas y al
análisis de redes.
Ejemplo 1.3.1 Un constructor desea mezclar dos clases de cascajo que cuestan 3
Bs. y 4 Bs. cada libra respectivamente, con cemento de 8 Bs. la libra para obtener
140 libras de una mezcla que cueste 6 Bs. la libra; si también desea que la cantidad
de cascajo de menor precio sea el doble del cascajo de mayor precio ¿Cuántas libras
de cada tipo debe mezclar?
24
Solución. Sean
x = libras de cascajo de 3 Bs:
y = libras de cascajo de 4 Bs:
z = libras de cemento de 8 Bs:
Entonces de acuerdo a las condiciones del problema se tiene el siguiente sistema de
ecuaciones lineales.
x + y + z = 140
3x + 4y + 8z = 6 (140)
x = 2y
Resolviendo este sistema se obtiene la siguiente solución x = 40; y = 20 y z = 80.
De este modo el constructor debe emplear 40 libras de cascajo de 3 Bs. 20 libras de
cascajo de 4 Bs. y 80 libras de cemento de 8 Bs. X
Ejemplo 1.3.2 (Llenado de una piscina) Una piscina se puede llenar mediante tres
tubos A; B y C. El tubo A la puede llenar en 8 horas, si se usan juntos el tubo A y
el tubo C la piscina puede llenarse en 6 horas. Si se usan B y C juntos se tarda 10
horas. ¿Cuánto tarda en llenarse si se usan los tres tubos a la vez?
Solución. Sean
x = parte de la piscina llenado por A en 1 hora.
y = parte de la piscina llenado por B en 1 hora.
z = parte de la piscina llenado por C en 1 hora.
Luego x + y + z = parte de la piscina llenada por A, B y C en 1 hora.
Entonces de acuerdo a las condiciones del problema se tiene el siguiente sistema,
x = 1=8 parte de la piscina llenado por A en 1 hora
x + z = 1=6 parte de la piscina llenado por A y C en 1 hora
y + z = 1=10 parte de la piscina llenado por B y C en 1 hora
Resolviendo el sistema se obtiene la siguiente solución
1 7 1
x= ; y= y z=
8 120 24
esto dice que el,
1
tubo A llena en 1 hora la parte de la piscina,
8
7
tubo B llena en 1 hora la parte de la piscina y
120
1
tubo C llena en 1 hora la parte de la piscina.
24
25
Sea t el número de horas que necesita A; B y C juntos para llenar la piscina, entonces
en una hora los tubos A; B y C juntos llenarán 1t parte de la piscina esto es
1
x+y+z =
t
es decir
1 1 7 1 15 + 7 + 5 27
= + + = =
t 8 120 24 120 120
de donde se obtiene
120
t=' 4:44
27
Así, concluimos que los tubos A; B y C juntos llenan la piscina en 4 horas, 27
minutos aproximadamente. X
Ejemplo 1.3.3 Una fábrica de mosaicos produce tres tipos de mosaicos: el modelo
rústico, popular y el modelo de lujo, cada mosaico se fabrica en tres etapas, moldeo,
construcción y terminado. El tiempo necesario para cada etapa de un mosaico esta
dado en la siguiente tabla.
Rústico Popular De lujo
Moldeo 5 horas 4 horas 7 horas
Construcción 3 horas 2 horas 5 horas
Terminado 2 horas 2 horas 4 horas
Durante una semana especi…ca, la fábrica dispone de un máximo de 154 horas para
el moldeo, 94 para la construcción y 76 horas para el terminado. Determine cuántos
mosaicos de cada tipo debe producir la fábrica para operar a toda su capacidad.
Solución. Sean
x el número de mosaicos producidos del modelo rústico,
y el número de mosaicos producidos del modelo popular y
z el número de mosaicos producidos del modelo de lujo.
Entonces de acuerdo a las condiciones del problema se tiene el siguiente sistema.
5x + 4y + 7z = 154
3x + 2y + 5z = 94
2x + 2y + 4z = 76
Resolviendo este sistema se obtiene la siguiente solución x = 10; y = 12 y z = 8.
Esto signi…ca que la fábrica debe producir 10 mosaicos del tipo rústico, 12 mo-
saicos del modelo popular y 8 mosaicos del modelo de lujo para operar a toda su
capacidad. X
26
Ejemplo 1.3.4 Tomás, Daniel y Pedro son buenos amigos pero tienen diferentes
hábitos de trabajo, juntos …rmaron contratos para pintar tres casas iguales. Tomás y
Daniel pintaron la primera casa en 72/5 horas, Tomás y Pedro pintaron la segunda
casa en 16 horas; Daniel y Pedro pintaron la tercera casa en 144/7 horas.
a) ¿Cuánto hubiera tardado cada muchacho en pintar una casa el solo?
b) ¿Cuánto tardaran en pintar una casa si pintan los tres muchachos juntos a la
vez?
Solución. (a) Sean
x = una parte de la casa pintada por Tomás en 1 hora,

y = una parte de la casa pintada por Daniel en 1 hora y
z = una parte de la casa pintada por Pedro en 1 hora.
Deseamos determinar cuánto tardará cada muchacho en pintar una casa.

Entonces de acuerdo a las condiciones del problema se obtiene el siguiente sistema
de ecuaciones lineales.
1
x + y = 72 parte de la casa pintado por T y D en 1 hora
5
1
x + z = 16 parte de la casa pintado por T y P en 1 hora
1
y + z = 144 parte de la casa pintado por D y P en 1 hora
7
Resolviendo el sistema que es equivalente a

5
x + y = 72
1
x + z = 16
7
y + z = 144
se obtiene
1 1 1
x= ; y= y z=
24 36 48
Estos resultados dicen que,
1
Tomás pinta el solo parte de la casa en 1 hora,
24
1
Daniel pinta el solo parte de la casa en 1 hora y
36
1
Pedro pinta el solo parte de la casa en 1 hora.
48
27
1
Sea t el número de horas que necesita Tomás para pintar la casa el solo, entonces t
será una parte de la casa que pinta Tomás en 1 hora esto da
1 1
= de donde t = 24
24 t
En consecuencia Tomás tardará 24 horas para pintar una casa. De la misma forma
Daniel tardará 36 horas en pintar una casa y Pedro tardará 48 horas para pintar
una casa.
(b) Ahora determinemos el tiempo que tardarán juntos en pintar una casa.
Sea t el número de horas que necesitan los tres muchachos para pintar una casa,
entonces 1t será la parte de la casa pintada por los tres muchachos en 1 hora esto da
1 1 1 1
= + +
t 24 36 48
13
=
144
de donde
144
' 11:076:
t=
13
Así, concluimos que Tomás, Daniel y Pedro juntos tardaran en pintar una casa 11
horas y 5 minutos aproximadamente o 664.61 minutos aproximadamente. X
1.3.1 Ajuste polinomial de curvas

Supongamos que se tiene una colección de datos que está representado por n puntos
(x1 ; y1 ) ; (x2 ; y2 ) ; : : : ; (xn ; yn )

en el plano xy. Se pide encontrar una función polinomial.
p(x) = a0 + a1 x + a2 x2 + + an 1x
n 1
de grado n 1 cuya grá…ca pase por los puntos dados. Dicho polinomio se llama
polinomio de interpolación y el procedimiento para determinarlo se llama ajuste
polinomial de curvas.
Se puede demostrar que si todas las abscisas xi de los puntos dados son distintos,
entonces existe precisamente una función polinomial de grado n 1 (o menos) que
se ajuste a los n puntos dados.
Para determinar los n-ésimos coe…cientes de p(x) se sustituyen los valores dados
x = x1 ; x2 ; : : : ; xn en p(x), luego igualando los resultados a los valores respectivos
28
de yi se obtienen n ecuaciones lineales en las variables a0 ; a1 ; a2 ; : : : ; an 1 esto es
n 1
p(x1 ) = a0 + a1 x1 + a2 x21 + + an 1 x1 = y1
p(x2 ) = a0 + a1 x2 + a2 x22 + + an 1 xn2 1 = y2
: :
p(xn ) = a0 + a1 xn + a2 x2n + + an 1 xnn 1 = yn
Este procedimiento se ilustra en los siguientes ejemplos.
Ejemplo 1.3.5 Determine el polinomio p(x) = a0 + a1 x + a2 x2 cuya grá…ca pase

por los puntos (1; 4) ; (2; 0) y (3; 12).
Solución. Al sustituir x = 1; 2; 3 en p(x) luego igualando los resultados a los valo-

res respectivos de y, se obtiene el siguiente sistema de 3 ecuaciones lineales con 3
incógnitas.
p(1) = a0 + a1 (1) + a2 (1)2 = 4
p(2) = a0 + a1 (2) + a2 (2)2 = 0
p(3) = a0 + a1 (3) + a2 (3)2 = 12
Esto produce el siguiente sistema
a0 + a1 + a2 = 4
a0 + 2a1 + 4a2 = 0
a0 + 3a1 + 9a2 = 12
Al resolver este sistema mediante eliminación de Gauss se obtiene la siguiente solu-

ción
a0 = 24; a1 = 28 y a2 = 8;
que resultan ser los coe…cientes del polinomio deseado. Por tanto el polinomio
buscado es
p(x) = 24 28x + 8x2 :
X
Ejemplo 1.3.6 Encuentre un polinomio que se ajuste a los puntos
( 2; 3) ; ( 1; 5) ; (0; 1) ; (1; 4) ; (2; 10)
Solución. Como las abscisas de los puntos dados son todos distintos entonces se
garantiza la existencia de un polinomio de cuarto grado o menos.
p(x) = a0 + a1 x + a2 x2 + a3 x3 + a4 x4
29
Cuya grá…ca pasa por los puntos dados. Al sustituir las abscisas de los puntos dados
xi en p(x) luego igualando los resultados a los valores respectivos de las ordenadas
yi se obtiene el siguiente sistema de 5 ecuaciones lineales con 5 incógnitas a saber
a0 ; a1 ; a2 ; a3 y a4 .
p( 2) = a0 + a1 ( 2) + a2 ( 2)2 + a3 ( 2)3 + a4 ( 2)4 = 3

p( 1) = a0 + a1 ( 1) + a2 ( 1)2 + a3 ( 1)3 + a4 ( 1)4 = 5
p(0) = a0 + a1 (0) + a2 (0)2 + a3 (0)3 + a4 (0)4 = 1
p(1) = a0 + a1 (1) + a2 (1)2 + a3 (1)3 + a4 (1)4 = 4
p(2) = a0 + a1 (2) + a2 (2)2 + a3 (2)3 + a4 (2)4 = 10
El cual se reduce a
a0 2a1 + 4a2 8a3 + 16a4 = 3
a0 a1 a2 a3 + a4 = 5
a0 = 1
a0 + a1 + a2 + a3 + a4 = 4
a0 + 2a1 + 4a2 + 8a3 + 16a4 = 10
Resolviendo este sistema se obtienen los coe…cientes del polinomio deseado.

30 101 18 17
a0 = 1; a1 = ; a2 = ; a3 = y a4 =
24 24 24 14
Esto dice que el polinomio que se ajusta a los puntos dados es
30 101 2 18 3 17 5
p(x) = 1 x+ x + x x
24 24 24 24
X
Ejemplo 1.3.7 (Uso de un sistema de ecuaciones para calcular la ganan-

cia máxima). Un fabricante de tubos de cemento, cuenta con la siguiente informa-
ción a cerca de las ganancias semanales que se obtienen con la producción y venta
de cierto tipo de tubo.
Cantidad producida x 25 50 100

Ganancia en Bolivianos p(x) 5250 7500 4500
a) Determinar a; b y c de tal modo que la grá…ca de p(x) = ax2 + bx + c se ajusta

a esta información.
b) Según la función cuadrática p(x) de la parte (a) ¿Cuántos tubos se deben pro-
ducir cada semana para obtener una ganancia máxima?
30
c) Cuál es la cantidad de ganancia semanal máxima?
Solución. (a) Considerando la información de la tabla se tiene la siguiente colección

de datos representados por tres puntos en el plano xy.
(25; 5250) ; (50; 7500) ; (100; 4500)
Deseamos determinar los coe…cientes a; b y c de p(x) = ax2 + bx + c que se ajuste a
la anterior información. Al sustituir las abscisas en p(x) luego igualando los resul-
tados con los valores respectivos de las ordenadas se obtiene el siguiente sistema de
ecuaciones lineales con 3 incógnitas a; b y c.
p(25) = (25)2 a + (25) b + c = 625a + 25b + c = 5250
p(50) = (50)2 a + (50) b + c = 2500a + 50b + c = 7500
p(100) = (100)2 a + (100) b + c = 1000a + 100b + c = 4500
Resolviendo este sistema se obtiene la solución a = 2; b = 240 y c = 500. Así, el
polinomio de segundo grado
p(x) = 2x2 + 240x + 500
es el que se ajusta a la información dada.
Recordemos, ahora que la grá…ca de una ecuación cuadrática
y = f (x) = ax2 + bx + c; a 6= 0
es una parábola vertical.
Si a > 0 la parábola se abre hacia arriba, es decir, es cóncava hacia abajo,
Si a < 0 la parábola se abre hacia abajo, es decir, es cóncava hacia arriba.
Por otra parte el vértice de la parábola
b
y = ax2 + bx + c tiene abscisa
2a
Esta fórmula se puede utilizar para determinar el valor máximo o mínimo de la
función cuadrática. En general si
y = f (x) = ax2 + bx + c; a 6= 0
entonces
b
Si a < 0; f es el valor máximo de f
2a
b
Si a > 0; f es el valor mínimo de f
2a
31
En nuestro caso como,
p(x) = 2x2 + 240x + 500; a= 2 6= 0
la abscisa del vértice de esta parábola tiene abscisa

b 240
= = 60;
2a 4
y como a = 2 < 0 entonces
p(60) = 2 (60)2 + 240 (60) + 500 = 7700
es el valor máximo de p(x). Esto dice que:

(b) para obtener una ganancia máxima se deben producir y vender 60 tubos por
semana,
(c) la ganancia o utilidad máxima semanal será de 7700. X
1.3.2 Análisis de redes

Las redes compuestas de rami…caciones y uniones como la siguiente:
200
1
x4 x2
x1 2
x6 x5
3 4
100
x3 300
Se usan como modelos en campos tan variados como la economía, análisis de tránsito
vehicular, ingeniería eléctrica, etc.
En estos modelos se asume que el ‡ujo total hacia una unión es igual al ‡ujo que
sale de ella, así por ejemplo en la red anterior deberá ocurrir:
En la unión (1) 200 + x1 = x2 + x4

En la unión (2) x4 + x5 = x6 :
Observe que cada unión en una red origina una ecuación lineal, por tanto una red
compuesta de rami…caciones y uniones puede ser representada por un sistema de
ecuaciones lineales y el ‡ujo de una red compuesta se puede analizar al resolver un
32
Ejemplo 1.3.8 a) Determine el sistema de ecuaciones lineales que represente la red
anterior.
b) Resuelva el sistema para xi ; i = 1; 2; : : : ; 6.
c) Encuentre el ‡ujo cuando x3 = 100; x5 = 50 y x6 = 50.
Solución. Cada uno de las cuatro uniones de la red origina una ecuación lineal como
se muestra a continuación:
En la unión (1) x1 + 200 = x2 + x4
En la unión (2) x4 + x5 = x6
En la unión (3) x6 + 100 = x1 + x3
En la unión (4) x2 + x3 = x5 + 300
Luego el sistema de ecuaciones lineales que representa a la red anterior es.
x1 x2 x4 = 200
+x4 +x5 x6 = 0
x1 +x3 x6 = 100
x2 +x3 x5 = 300
cuya matriz aumentada de este sistema es
2 3
1 1 0 1 0 0 : 200
6 0 0 0 1 1 1 : 0 7
6 7
4 1 0 1 0 0 1 : 100 5
0 1 1 0 1 0 : 300
Al reducir esta matriz a la forma triangular se obtiene.
2 3
1 1 0 1 0 0 : 200
6 0 1 1 1 0 1 : 300 7
6 7
4 0 0 0 1 1 1 : 0 5
0 0 0 0 0 0 : 0
cuyo sistema correspondientes es
x1 x2 x4 = 200
x2 +x3 +x4 x6 = 300
x4 +x5 x6 = 0
Mediante sustitución regresiva se obtienen.
x1 = x3 + x6 + 100; x2 = x3 + x5 + 300; x4 = x5 + x6
Con x3 = 100; x5 = 50 y x6 = 50 se tiene x1 = 50; x2 = 250 y x4 = 0. X
33
Ejemplo 1.3.9 Considere la siguiente red de calles de una dirección.
300 200 100

# " #
x1 x2
500 ! A ! B ! C ! 600
x3 x4 x5
# " #
x6 x7
400 F E D 450
# " #
350 600 400
Los números indican la cantidad de coches/hora que pasan por ese punto. Las va-
riables x1 ; x2 ; x3 ; x4 ; x5 ; x6 ; x7 , representan el número de coches/hora que pasan de
la intersección A a la B, de la B a la C, etc. Suponiendo que en las calles está
prohibido aparcar. ¿Qué valores tomarán las variables x1 ; x2 ; x3 ; x4 ; x5 ; x6 y x7 en
los siguientes casos?
a) Hay obras en la calle de D a E y por tanto queremos que en ese tramo el

trá…co sea mínimo.
b) Análogamente, hay obras en la calle de D a F .
Solución. Recuerde que el ‡ujo total hacia una unión es igual al ‡ujo que sale de
ella, entonces cada una de las seis uniones de la red de calles origina una ecuación
lineal como se muestra a continuación.
Intersección A x1 + x3 = 500 + 300
Intersección B x1 + x4 = x2 + 200
Intersección C x2 + 100 = x5 + 600
Intersección D x5 + 450 = x7 + 400
Intersección E x7 + 600 = x4 + x6
Intersección F x3 + x6 = 400 + 350
De este modo el sistema de ecuaciones lineales que representa la red de calles dada
es.
x1 +x3 = 800
x1 x2 +x4 = 200
x2 x5 = 500
x5 x7 = 50
x4 +x6 x7 = 600
x3 +x6 = 750
34
Cuya matriz aumentada de este sistema es
2 3
1 0 1 0 0 0 0 : 800
6 1 1 0 1 0 0 0 : 200 7
6 7
6 0 1 0 0 1 0 0 : 500 7
6 7
6 0 0 0 0 1 0 1 : 50 7
6 7
4 0 0 0 1 0 1 1 : 600 5
0 0 1 0 0 1 0 : 750
Resolviendo este sistema mediante eliminación de Gauss se obtiene.
x1 = x6 + 50
x2 = x7 + 450
x3 = x6 + 750
x4 = x6 + x7 + 600
x5 = x7 50
x6 = x6
x7 = x7
No se admiten soluciones negativos para las xi i = 1; 2; : : : ; 7; ya que éstos se

interpretarían como los coches que van en dirección contraria y esto no es posible,
pues las calles son de dirección única. Con estas restricciones se tiene.
x3 = 750 x6 0, entonces x6 750. Análogamente, x5 = x7 50 0, entonces
x7 50.
a) Suponiendo que la calle de D a E está en obras y por tanto el trá…co por ella
debe ser mínimo. Esto signi…ca que x7 = 50, entonces x2 = 500 y x5 = 0, es
decir, cerrando el tramo de C a D hacemos mínimo el trá…co por la calle de D
a E, los valores de x1 ; x3 ; x4 y x6 , no están determinados, es decir el sistema
tiene in…nitas soluciones.
b) Si es la calle de D a F la que está en obras, entonces debemos minimizar x6 y

x7 , por tanto x7 = 50 y x6 = 0. Con estos datos se tiene x1 = 50, x3 = 750 y
x4 = 650. En este caso el sistema tiene solución única.
35
Ejemplo 1.3.10 Considere la siguiente red de calles de una dirección:
900 600 700

" # "
x6 x7
800 ! D ! E ! F ! 200
x1 x2 x3
" # "
x4 x5
600 A B C 400
" # "
400 100 300
a) Establezca un sistema de ecuaciones lineales para representar la red mostrada.
b) Hay obras en la calle de B a A y por tanto se desea que en ese tramo el trá…co
sea mínimo.
Solución. (a) Cada una de las seis uniones de la red de calles dada, origina una
ecuación lineal como se muestra a continuación:
En la unión A 400 + x4 = 600 + x1
En la unión B x2 + x5 = x4 + 100
En la unión C 300 + 400 = x3 + x5
En la unión D 800 + x1 = 900 + x6
En la unión E 600 + x6 = x2 + x7
En la unión F x3 + x7 = 700 + 200
Luego el sistema de ecuaciones que representa la red de calles dada es:
x1 x4 = 200
x2 x4 +x5 = 100
x3 +x5 = 700
x1 x6 = 100
x2 x6 +x7 = 600
x3 +x7 = 900
Cuya matriz aumentada de este sistema es

2 3
1 0 0 1 0 0 0 : 200
6 0 1 0 1 1 0 0 : 100 7
6 7
6 0 0 1 0 1 0 0 : 700 7
6 7
6 1 0 0 0 0 1 0 : 100 7
6 7
4 0 1 0 0 0 1 1 : 600 5
0 0 1 0 0 0 1 : 900
36
(b) Resolviendo este sistema mediante eliminación de Gauss-Jordan se obtiene
2 3
1 0 0 0 0 1 0 : 100
6 0 1 0 0 0 1 1 : 600 7
6 7
6 0 0 1 0 0 0 1 : 900 7
6 7
6 0 0 0 1 0 1 0 : 300 7
6 7
4 0 0 0 0 1 0 1 : 200 5
0 0 0 0 0 0 0 : 0
Esto dice que hay un número in…nito de soluciones. Usando la última matriz encon-
trada, se puede escribir cada variable en términos de x6 y x7 .
x1 = x6 + 100
x2 = x6 x7 + 600
x3 = x7 + 900
x4 = x6 + 300
x5 = x7 200
observe que x6 no puede ser negativo (si fuera así, se tendría transito en el sentido
contrario al permitido en una calle) entonces se debe tener x4 300, es así que,
para minimizar el ‡ujo de transito entre las calles B y A se debe considerar un ‡ujo
de 300 vehículos en esa calle y cerrar el transito entre las calles de D a E, porque
para tener x4 = 300 se necesita que x6 = 0, por último con x6 = 0 se tiene.
x1 = 100
x2 = x7 + 600
x3 = x7 + 900
x4 = 300
x5 = x7 200
De la segunda ecuación se deduce que x7 600 y de la última ecuación, x7 200.
En consecuencia se tiene la siguiente solución …nal del problema planteado.
Para lograr que el transito sea mínimo en x4 se debe tener.
x1 = 100
0 x2 400 (pues 200 x7 600)
300 x3 700
x4 = 300
0 x5 400
x6 = 0
200 x7 600
37
X
Otro tipo de red a la cual suele aplicarse el análisis de redes es a la red eléctrica
como la siguiente.
7 volts
I1
R1 = 3 ohm
1 I2 2
R2 = 2 ohm
8 volts
I3
R3 = 4 ohm
En una red eléctrica como la anterior el símbolo representa una batería

medida en Voltios, que conduce una carga y produce una corriente I que se mide en
Amperes. La corriente saldrá de la terminal de la batería representada por la línea
vertical más larga es decir y el símbolo representa una resistencia que
se mide en Ohmios. Las ‡echas señalan la dirección de las corrientes, sin embargo
si una de las corrientes por ejemplo I2 se vuelve negativa, esto signi…caría que la
corriente en ese nodo está en la dirección contraria a la ‡echa.
En el análisis de este tipo de red se usan dos propiedades de las redes eléctricas
conocidas como las leyes de Kirchho¤ que establecen:
1. Toda corriente que ‡uye hacia una unión o nodo debe ‡uir hacia fuera de el.
2. En torno a todo ciclo cerrado o trayectoria cerrada la suma de los productos
IR debe ser igual a la tensión total o caídas de voltaje E. esto es IR = E.
Ejemplo 1.3.11 Determine las corrientes I1 ; I2 e I3 de la red eléctrica mostrada
anteriormente.
Solución. Aplicando la primera ley de Kirchho¤ se obtiene.
Nodo (1) I1 + I3 = I2
Nodo (2) I2 = I1 + I3
y aplicando la segunda ley de Kirchho¤ se obtiene
Ciclo superior R1 I1 + R2 I2 = 7 esto es 3I1 + 2I2 = 7
Ciclo inferior R3 I3 + R2 I2 = 8 esto es 4I3 + 2I2 = 8
De este modo se obtiene el siguiente sistema de tres ecuaciones en las variables I1 ; I2
e I3 .
I1 I2 + I3 = 0
3I1 + 2I2 = 7
2I2 + 4I3 = 8
38
Resolviendo este sistema se obtiene I1 = 1 amp, I2 = 2 amp e I3 = 1 amp. X
Ejemplo 1.3.12 Encontrar las intensidades I1 ; I2 ; I3 en el siguiente circuito eléc-

trico.
B
R1 = 6 ohm R2 = 8 ohm
I1
12 volts R3 = 4 ohm 24 volts

I3
I1 I2
A
Solución. Al aplicar la primera ley de Kirchho¤ a los nodos A o B se obtiene.

Nodo (A) I1 = I2 + I3
Nodo (B) I1 = I2 + I3
y al aplicar la segunda ley de Kirchho¤ se obtiene
Ciclo izquierdo 6I1 + 4I3 = 12
Ciclo derecho 8I2 4I3 = 24
Por tanto, se tiene el siguiente sistema que representa la red eléctrica en cuestión.
I1 I2 I3 = 0
6I1 + 4I3 = 12
8I2 4I3 = 24
Aplicando la eliminación de gauss se tiene
2 3 2 3
1 1 1 : 0 1 1 1 : 0
4 6 0 4 : 12 5 ! 4
! 0 1 5=3 : 2 5
0 8 4 : 24 0 0 1 : 6=13
Luego por sustitución regresiva se tiene
30
I1 = Amperios
13
36
I2 = Amperios
13
6
I3 = Amperios
13
(el valor negativo indica que el ‡ujo de corriente es opuesto a la dirección elegida).
X
39
1.3.3 Más aplicaciones
En esta última sección describiremos otras aplicaciones de los sistemas de ecuaciones
lineales a problemas antiguos y modernos. Al estudiante le agradará saber que aún
con los pocos medios que ha aprendido hasta ahora, puede resolver una diversidad
de problemas de la vida real en varios campos de la ciencia.
Ahora que el estudiante ya tiene bastante práctica en la solución de sistemas
lineales "nos saltaremos", en la mayor parte de los casos, la descripción de la solución
de un sistema de ecuaciones lineales.
Asuntos de manufactura, sociales y …nanciera

Ejemplo 1.3.13 (Manufactura) R.S.C.L.S y Asociados fabrica tres tipos de com-
putadoras personal: Ciclón, Cíclope y Cicloide. Para armar una Ciclón se necesita
10 horas, otras 2 para probar sus componentes y 2 horas más para instalar sus pro-
gramas. El tiempo requerido para el Cíclope es de 12 horas en su ensamblado, 2.5
para probarla y 2 horas para instalarla. La Cicloide, la más sencilla de la línea nece-
sita 6 horas de armado, 1.5 horas de prueba y 1.5 horas de instalación. Si la fábrica
de esta empresa dispone de 1560 horas de trabajo por mes para armar, 340 horas
para probar y 320 horas para instalar, ¿cuántas PC de cada tipo puede producir en
un mes?
Solución. Sean
x = la cantidad de Ciclones,
y = la cantidad de Cíclopes y
z = la cantidad de Cicloides
que puede producir la fábrica en un mes, entonces de acuerdo a las condiciones del
problema, se necesitan 10x + 12y + 6z horas para armar las computadoras. Por
consiguiente,
10x + 12y + 6z = 1560
en esta misma forma se obtienen ecuaciones para la prueba y la instalación, luego
el sistema que resulta es
10x + 12y + 6z = 1560
2x + 2:5y + 1:5z = 340
2x + 2y + 1:5z = 320
Cuya solución es
x = 60; y = 40 y z = 80
Por consiguiente, cada mes se pueden fabricar 60 Ciclones, 40 Cíclopes y 80 Cicloides.
X
40
Ejemplo 1.3.14 (Cambio de moneda extranjera) Una empresaria interna-
cional necesita, en promedio, cantidades …jas de yenes japoneses, libras inglesas
y marcos alemanes durante cada viaje de negocios. Este año viajo 3 veces. La
primera vez cambio un total de 2550$ con las siguientes tasas: 100 yenes por dólar,
0.6 libras por dólar y 1.6 marcos por dólar. La segunda vez cambio 2840$ en total
con las tasas de 125 yenes, 0.5 libras y 1.2 marcos por dólar. La tercera vez cambio
un total de 2800$ a 100 yenes, 0.6 libras y 1.2 marcos por dólar. ¿Cuántos yenes,
libras y marcos compró cada vez?
Solución. Sean
x = la cantidad …ja de yenes,

y = la cantidad …ja de libras y
z = la cantidad …ja de marcos
que cambia en cada viaje, entonces de acuerdo a las condiciones del problema la
primera vez gastó
1
x dólares comprando yenes,
100
1
y dólares comprando libras y
0:6
1
z dólares comprando marcos
1:6
Por consiguiente
1 1 1
x+ y+ z = 2550
100 0:6 1:6
El mismo razonamiento se aplica a las otras dos compras, y se obtiene el siguiente
1 1 1
x+ y+ z = 2550
100 0:6 1:6
1 1 1
x+ y+ z = 2840
125 0:5 1:2
1 1 1
x+ y+ z = 2800
100 0:6 1:2
Resolviendo este sistema se obtiene
x = 80000; y = 600 y z = 1200
En consecuencia, cada vez compró 80000 yenes, 600 libras y 1200 marcos para viajar.
X
41
Ejemplo 1.3.15 (Herencia) Un padre desea distribuir sus bienes raíces, cuyo
valor es 234000 entre sus cuatro hijas de la manera siguiente: 2/3 de las propiedades
deben dividirse por igual entre las hijas. Para el resto, cada hija debe recibir 3.000$
cada año hasta su vigésimo primer cumpleaños. Como entre ellas se llevan 3 años.
¿Cuánto recibiría cada una de los bienes de su padre? ¿Qué edad tienen ahora esas
hijas?
Solución. Sean x; y; z y w la cantidad de dinero que recibirá cada hija debido al

1/3 de las propiedades, según la edad, comenzando con la de mayor edad, se tiene
1
x+y+z+w = (234000) = 78000
3
Por otro lado,
w z = 3 (3000) ; z y = 3 (3000) y y x = 3 (3000)
Así, llegamos al siguiente sistema
x + y + z + w = 78000
z + w = 9000
y + z = 9000
x + y = 9000
Cuya solución es
x = 6000; y = 15000; z = 24000 y w = 33000
La cuarta parte de dos tercios de la herencia vale
1 2
(234000) = 39000$
4 3
Así la hija menor recibirá
33000 + 39000 = 72000$;
la siguiente
24000 + 39000 = 63000$;
la siguiente
15000 + 39000 = 54000$;
y la primera,
6000 + 39000 = 45000:
La hija mayor recibirá 6000 = 2 (3000), así que actualmente tiene 21 2 = 19 años,
la segunda tiene 16, la tercera 13 y la última tiene 10 años. X
42
Ejemplo 1.3.16 (Clima) El promedio de las temperaturas en las ciudades de Beni,
Cochabamba y Potosí, fue de 28o C durante cierto día de verano, en Cochabamba fue
3o C mayor que el promedio de las temperaturas de las otras dos ciudades, en Potosí
fue 15o C menor que la temperatura promedio en las otras dos ciudades. ¿Cuál fue
la temperatura en cada ciudad?
Solución. Sean x; y y z las temperaturas en Beni, Cochabamba y Potosí respecti-

vamente. La temperatura promedio en las tres ciudades es
x+y+z
= 28
3
Por otro lado, la temperatura en Cochabamba es 3o C mayor que el promedio de
Beni y Potosí, esto es.
x+z x+z
de modo que y= +3
2 2
Similarmente,
x+y
z= 15
2
Así, el sistema que se obtiene es
x+y+z
= 28
3
x+z
y = +3
2
x+y
z = 15
2
Después de replantear y resolver este sistema se obtiene la siguiente solución.
x = 36o C; y = 30o C; z = 18o C.
Economía
Una de las funciones más importantes en la manufactura, que concierne a los fabrican-
tes, economistas, especialistas de mercado, etc. Es la función demanda. Expresa la
cantidad D de piezas de cierto producto que se venden en función de su demanda. La
función demanda D o Qd para los economistas depende de algunas variables, como
el precio P del artículo, el ingreso I de los consumidores, el precio C de un artículo
43
de la competencia, etc., con frecuencia la función demanda D y sus variables, forman
una ecuación lineal. Por ejemplo
D= 15P 0:05I + 2:5C.
Observe que en este caso en particular, a medida que una unidad aumenta el pre-
cio del artículo, la demanda disminuye 15 unidades. Del mismo modo, cuando se
aumentan el ingreso del consumidor o el precio de un artículo de la competencia,
aumenta la demanda.
Ejemplo 1.3.17 (Cálculo de una función demanda) Bikey. Inc., quiere fa-
bricar un nuevo tipo de zapato deportivo, poco costoso, e investiga el mercado de la
demanda. Encuentra que si un par de zapatos nuevos cuesta 20 $ en un área de
ingreso familiar promedio de 20.000$ y que si su competidor. Triceps. Inc., vende
cada par de zapatos a 20 $ vendería 660 pares. Por otro lado, si el precio fuera igual
y Triceps bajara su precio a 10 $ el par, entonces, vendería 1 130 pares en un área
de 30.000 $ de ingreso. Por último, si el precio de los zapatos fuera 15 $ el par, y la
competencia se queda en 20 $ el par, se vendería 1.010 pares en un área de 25.000
$ de ingreso. Determine la función demanda, suponiendo que depende linealmente
de sus variables.
Solución. Sea
D = aP + bI + cC
deseamos determinar a; b y c. De acuerdo con el primer caso en la investigación
20a + 20000b + 20c = 660
De igual forma, al considerar los otros dos casos se obtiene el siguiente sistema de
ecuaciones lineales.
20a + 20000b + 20c = 660
20a + 30000b + 10c = 1130
15a + 25000b + 20c = 1010
Mediante la eliminación gaussiana se obtiene
a= 20; b = 0:05 y c = 3.
Por consiguiente la función demanda está expresado por
D= 20P + 0:05I + 3C.
44
Química
Ejemplo 1.3.18 (Soluciones químicas) Se necesitan tres ingredientes distintos
A; B y C para producir determinada sustancia. Pero deben disolverse primero en
agua, antes de ponerlos a reaccionar para producir la sustancia. La solución que
contiene A con 1.5 gramos por centímetro cúbico g= cm3 combinada con la solución
de B cuya concentración es de 3:6g= cm3 y con la solución de C con 5:3g= cm3 forma
25:07g de la sustancia. Si las proporciones de A; B y C en esas soluciones se cambian
a 2.5, 4.3 y 2:4g= cm3 ; respectivamente (permaneciendo iguales los volúmenes), se
obtienen 22.36 g de la sustancia. Por último si las proporciones se cambian a 2.7,
5.5 y 3:2g= cm3 , respectivamente, se producen 28.14 g de la sustancia. ¿Cuáles son
los volúmenes, en centímetros cúbicos, de las soluciones que contienen A; B y C?
Solución. Sean x; y y z los centímetros cúbicos de volumen de las sustancias que

contienen A; B y C. Entonces en el primer caso 1:5x es la masa de A, 3:6y es la
masa de B y 5:3z la de C. Al sumarlas deben dar 25.07. Así
1:5x + 3:6y + 5:3z = 25:07
El mismo razonamiento se aplica a los otros dos casos y se obtiene el siguiente

sistema.
1:5x + 3:6y + 5:3z = 25:07
2:5x + 4:3y + 2:4z = 22:36
2:7x + 5:5y + 3:2z = 28:14
Cuya solución es
x = 1:5; y = 3:1 y z = 2:2
Por consiguiente, los volúmenes correspondientes de las soluciones que contienen
A; B y C son 1:5 cm3 ; 3:1 cm3 y 2:2 cm3 .X
Otra aplicación característica de los sistemas de ecuaciones lineales en química es

el balanceo de reacciones químicas. Es preciso introducir coe…cientes enteros frente
a cada uno de los reactivos para que la cantidad de átomos de cada elemento sea
igual en ambos lados de la ecuación. Por ejemplo, en la combinación del metano.
aCH4 + bO2 ! cCO2 + dH2 O
Calcularemos los coe…cientes a; b; c y d que balanceen la ecuación. Observe que en

el siguiente caso es fácil resolver por aproximación, pero no es el caso general.
Ejemplo 1.3.19 (Balanceo de reacciones químicas) Balancee la reacción
aCH4 + bO2 ! cCO2 + dH2 O
45
Solución. Observe que a = c porque la cantidad de átomos de carbono debe ser
igual en ambos lados. De igual manera llegamos a
a = c
4a = 2d
2b = 2c + d
La solución de este sistema homogéneo es

1 1
a = d; b = d; c = d.
2 2
Si d = 2, entonces a = 1; b = 2 y c = 1. X
Física e Ingeniería
Otra aplicación frecuente de los sistemas lineales es en el área de los problemas de
transmisión de calor, en física e ingeniería.
Supongamos que hay una placa metálica rectangular delgada, cuyas orillas se
mantienen a temperaturas …jas. Por ejemplo, la orilla izquierda está a 0o C, la
derecha a 2o C y las superior e inferior a 1o C, como vemos en la siguiente …gura
1 1
0 x1 x2
2
x3 x4 2
0
1 1
Se desea calcular la temperatura en el interior de la placa.

Hay varias maneras de abordar los problemas de este tipo, y en algunas se re-
quieren matemática de mayor nivel. El método que nos interesa será aproximación
como la siguiente: cubrir la placa con redes cada vez más …nas …gura anterior. Las
intersecciones de las líneas del retículo se llaman nodos. Los nodos se dividen en
puntos en la frontera y en el interior, dependiendo de si están en los bordes o en el
interior de la placa. Podemos considerar que éstos son elementos térmicos porque
cada uno in‡uye sobre sus puntos adyacentes. Si conocemos la temperatura de los
puntos en la frontera, podemos calcular la que prevalece en los puntos interiores.
Es obvio que cuanto más …no sea el retículo, la aproximación a la distribución de
temperatura en la placa será mejor. Para calcular las temperaturas de los puntos
en el interior se aplica el siguiente principio.
46
Propiedad promedio para la conducción de calor
La temperatura en cualquier punto del interior es el promedio de las temperaturas

de sus puntos adyacentes.
Ejemplo 1.3.20 (Conducción de calor) Para simpli…car, supongamos que sólo

se tienen cuatro puntos en el interior, cuyas temperaturas x1 ; x2 ; x3 y x4 se descono-
cen y que en la frontera están los 12 puntos que se indican en la …gura anterior.
Calcular x1 ; x2 ; x3 y x4 .
Solución. Según el principio de la propiedad promedio se establece el siguiente

1
x1 = (x2 + x3 + 1)
4
1
x2 = (x1 + x4 + 3)
4
1
x3 = (x1 + x4 + 1)
4
1
x4 = (x2 + x3 + 3)
4
Al replantear y resolver este sistema se obtiene la siguiente solución.
3 5 3 5
x1 = ; x2 = ; x3 = ; y x4 =
4 4 4 4
X
En este punto debe mencionarse que la solución de los sistemas originales en los
problemas de conducción de calor, como el anterior, es bastante tediosa. El Uso de
Maple. Mathemática o MATLAB puede ser de gran ayuda.
Estática y equilibrio de pesos

Ahora estudiaremos un problema característico de palancas en estática, el balanceo
de pesos. Para ello se emplea la siguiente ley.
Ley de la palanca de Arquímedes
Dos masas en una palanca se equilibran cuando sus pesos son inversamente pro-
porcionales a sus distancias al punto de apoyo.
Ejemplo 1.3.21 Calcule los pesos para balancear las palancas de la siguiente …gura.
47
5 10
2 6 2 8
w1 w2 w3 w4
Solución. Para balancear las dos palancas pequeñas, utilizando la ley de Arquímedes,
se tiene 2w1 = 6w2 para la palanca de la izquierda y 2w3 = 8w4 para la de la derecha.
Para equilibrar la palanca principal, se necesita que
5 (w1 + w2 ) = 10 (w3 + w4 )
De este modo se obtiene el siguiente sistema de ecuaciones lineales con cuatro in-
cógnitas.
5w1 + 5w2 10w3 10w4 = 0
2w1 6w2 = 0
2w3 8w4 = 0
Resolviendo este sistema se obtiene la siguiente solución
w1 = 7:5t; w2 = 2:5t; w3 = 4t; y w4 = t; t2R
Así hay una cantidad in…nita de pesos que pueden equilibrar este sistema cosa que
con…rma nuestra experiencia, siempre y cuando los pesos, en el orden acostumbrado,
sean múltiplos de los números 7:5; 2:5; 4 y 1. X
Aplicaciones a la geometría
Ejemplo 1.3.22 (Ley de los cosenos) Demuestre la ley de los cosenos en geometría,
es decir, que para el triángulo ABC de la siguiente …gura
α
c b
β γ
B D a C
BD = c cos β, DC = b cos γ
48
se cumple
b2 + c2 a2 a2 + c2 b2 a2 + b2 c2
cos = ; cos = ; cos =
2bc 2ac 2ab
Solución. El lado a es la suma BD + DC, pero BD = c cos y DC = b cos , de
este modo se tiene c cos + b cos = a. En forma análoga obtenemos las otras dos
ecuaciones del siguiente sistema.
c cos + b cos = a
c cos + a cos = b
a cos + b cos = c
El cual se trata de un sistema lineal en cos ; cos y cos . La matriz aumentada

de este sistema se reduce como sigue:
2 3 2 3
0 c b : a 1 0 0 : b2 + c2 a2 =2bc
4 c 0 a : b 5 ! !4 0 1 0 : a2 + c2 b2 =2ac 5
b a 0 : c 0 0 1 : a2 + b2 c2 =2ab
Lo cual demuestra la ley de los cosenos. X
Ejemplo 1.3.23 (Función cuadrática que pasa por tres puntos) Determine
la ecuación de la parábola, con eje vertical y en el plano xy, que pasa por los puntos
P (1; 4) ; Q ( 1; 6) y R (2; 9).
Solución. Sea y (x) = ax2 +bx+c la ecuación de la parábola que se desea encontrar.
Es necesario determinar los coe…cientes a; b y c. Como el punto P pertenece a la
parábola debe cumplirse
4 = y (1) = a 1 + b 1 + c.
De manera similar, al usar los otros dos puntos se obtiene el siguiente sistema.
a + b + c = 4
a b + c = 6
4a + 2b + c = 9
Luego mediante la eliminación gaussiana se obtiene
a = 2; b= 1 y c = 3.
Por tanto, la ecuación de la parábola deseada es y = 2x2 x + 3. X
49
Ejemplo 1.3.24 (Plano que pasa por tres puntos) Deducir la ecuación del
plano, en el espacio xyz, que pasa por los puntos P (1; 1; 2) ; Q (1; 2; 0) y R (2; 1; 5).
Solución. Sea ax + by + cz + d = 0 la ecuación del plano buscado, es preciso

determinar los coe…cientes a; b; c y la constante d. Como el punto P pertenece al
plano entonces, debe cumplirse
a 1+b 1+c 2+d=0
Siguiendo el mismo procedimiento con los otros dos puntos se obtiene el siguiente
sistema homogéneo.
a + b + c + d = 0
a + 2b + d = 0
2a + b + 5c + d = 0
Al resolver este sistema encontramos el siguiente conjunto in…nito de soluciones uno

para cada valor de t,
a = 3t; b= 2t; c= t y d=t
En particular si se iguala d = t = 1 se obtiene la ecuación del plano
3x 2y z+1=0
(cualquier otro valor de t produce un múltiplo constante de esta ecuación, que re-
presenta el mismo plano). X
Álgebra
Los sistemas de ecuaciones lineales se usan casi en todos los campos del álgebra,
desde el estudio de polinomios y fracciones parciales hasta la demostración de iden-
tidades. A continuación consideraremos algunas de eésas aplicaciones.
Recuérdese que un polinomio denotado por f (x) en x; es una expresión de la
forma
f (x) = an xn + an 1 xn 1 + + a1 x + a0 .
En el que an ; an 1 ; : : : ; a0 son números …jos llamados coe…cientes de f (x) y x es
una variable o indeterminado. Si an 6= 0; se dice que f (x) es de grado n. Dos poli-
nomios son iguales si sus coe…cientes correspondientes de las potencias respectivas
son iguales.
El polinomio cuyos coe…cientes son todos cero es el polinomio cero. Los sistemas
de ecuaciones lineales se utilizan con frecuencia cuando se comparan los polinomios.
50
Ejemplo 1.3.25 (Igualdad de polinomios) Calcule a; b y c tales que los poli-
nomios
ax2 + 3x2 + 2ax 2cx + 10x + 6c y 2bx2 3bx + 9 + a 4b
sean iguales.
Solución. Los coe…cientes de las potencias correspondientes de x deben ser iguales.

Esto es,
(a + 3) x2 + (2a 2c + 10) x + 6c = 2bx2 3bx + 9 + a 4b
de donde se obtiene el siguiente sistema
a+3 = 2b
2a 2c + 10 = 3b
6c = 9 + a 4b
Al resolver este sistema aplicando la eliminación de Gauss se obtiene la siguiente

solución
a = 1; b = 2 y c = 3.
X
Ejemplo 1.3.26 (Fracciones parciales) Calcule las constantes A y B tales que

1 A B
= +
(x 1) (x 2) x 1 x 2
Solución. Se debe veri…car lo siguiente
1 A B A (x 2) + B (x 1)
= + =
(x 1) (x 2) x 1 x 2 (x 1) (x 2)
Por consiguiente,
1 = A (x 2) + B (x 1) o (A + B) x 2A B=1
ya que la primera y tercera fracciones iguales tienen los mismos denominadores. Así
que es necesario resolver el siguiente sistema.
A+B = 0
2A B = 1
Cuya solución es A = 1 y B = 1. X
51
Ejemplo 1.3.27 (Suma de cuadrados) Deduzca una fórmula para la suma de
cuadrados indicado abajo, suponiendo que la respuesta es un polinomio de grado 3
en n.
12 + 22 + 32 + + n2
Solución. Sea f (x) = ax3 + bx2 + cx + d un polinomio con la siguiente propiedad:
f (n) = 12 + 22 + 32 + + n2
Como
1 = f (1) = a (1)3 + b (1)2 + c (1) + d
debe satisfacerse
a+b+c+d=1
Por otro lado
n2 = f (n) f (n 1)
= an3 + bn2 + cn + d a (n 1)3 + b (n 1)2 + c (n 1) + d
por consiguiente, desarrollando el lado derecho llegamos a
n2 = a 3n2 3n + 1 + b (2n 1) + c
es decir,
n2 = 3an2 + ( 3a + 2b) n + a b+c
Al comparar los coe…cientes de las potencias de n en ambos lados y teniendo en
cuenta que
a+b+c+d=1
se obtiene el siguiente sistema
3a = 1
3a + 2b = 0
a b+c = 0
a+b+c+d = 1
Este sistema puede resolverse con facilidad y obtener la siguiente solución,

1 1 1
a= ; b= c= y d = 0.
3 2 6
52
Por consiguiente,
1 1 1
f (n) = n3 + n2 + n.
3 2 6
Al analizar la última expresión llegamos a
n
X
2 2 2 2 n (n + 1) (2n + 1)
1 +2 +3 + +n = i2 =
6
i=1
X
A continuación consideramos un problema famoso de la pila de monedas, que
resolvió Fibonacci hace algunos siglos.
Ejemplo 1.3.28 (El problema de Fibonacci) Tres hombres poseen una sola pila
de dinero y sus aportaciones son 1/2, 1/3 y 1/6. Cada uno toma algo de dinero de
la pila, hasta que no queda nada. A continuación el primer hombre regresa 1/2 de lo
que tomo, el segundo 1/3 y el tercero 1/6. Cuando el total que regresaron se divide
por igual entre ellos, se descubre que cada hombre posee lo que le corresponde por
su aportación. ¿Cuánto dinero había en la pila original y cuánto tomó cada uno?
Solución. Sean x; y y z la cantidad que tomaron los tres hombres de la pila de

monedas, respectivamente y sea w la cantidad de dinero original. Como no quedan
monedas después de que los tres retiran, entonces
x+y+z =w
Los tres hombres reintegran un total de

1 1 1
x + y + z;
2 3 6
porque devolvieron respectivamente,
1 1 1
; y
2 3 6
de lo que tomaron al principio. Esta cantidad se divide por igual y así cada quien
recibe
1 1 1 1
x+ y+ z .
2 2 3 6
El primer hombre tiene
1 1
x x= x
2 2
53
que quedaron después de haber regresado 12 x y se le suma
1 1 1 1
x+ y+ z
3 2 3 6
El total debería ser lo que corresponde, es decir 12 w. De este modo se tiene
1 1 1 1 1 1
x+ x+ y+ z = w
2 3 2 3 6 2
De igual manera, el segundo hombre tiene
1 2
y y= y
3 3
que le quedaron después de regresar 13 y y además
1 1 1 1
x+ y+ z
3 2 3 6
El total debe ser igual a lo que le corresponde, que es 13 w. Así,
2 1 1 1 1 1
y+ x+ y+ z = w
3 3 2 3 6 3
Por último, el tercer hombre tiene
1 5
z z= z
6 6
que le quedaron después de haber regresado 16 z y además
1 1 1 1
x+ y+ z
3 2 3 6
El total debe ser lo que le corresponde, que es 16 w Luego
5 1 1 1 1 1
z+ x+ y+ z = w
6 3 2 3 6 6
y se tiene el siguiente sistema.
x + y + z w = 0
2 1 1 1
3x + 9y + 18 z 2w = 0
1 7 1 1
6x + 9y + 18 z 3w = 0
1 1 16 1
6x + 9y + 18 z 6w = 0
54
Vale la pena hacer notar que la suma de las tres últimas ecuaciones es igual a la
primera. Esto quiere decir que si determinamos una solución simultánea de las tres
últimas ecuaciones, automáticamente tendríamos una solución de la primera. Así, en
esencia, se tienen tres ecuaciones con cuatro incógnitas. Por consiguiente, esperamos
que haya un número in…nito de soluciones.
La reducción de la matriz aumentada da como resultado.
2 33 3
1 0 0 47 : 0
6 0 1 0 13
: 0 7
6 47 7
6 1 7
4 0 0 1 47 : 0 5
0 0 0 0 : 0
Por consiguiente,
33 13 1
x w = 0; y w=0 y z w=0
47 47 47
Se tienen in…nitas soluciones que se pueden expresar en la forma
33 13 1
x= t; y= t; z= t y w = t; t 2 R.
47 47 47
No se sabe si Fibonacci determinó el conjunto solución completo. Pero si cálculo la
solución particular
x = 33; y = 13; z = 1 y w = 47
que se obtiene haciendo t = 47. X
Cuadrados mágicos
Un cuadrado mágico de tamaño n es una matriz n n cuyos elementos consisten
en todos los enteros entre 1 y n2 de tal forma que las sumas de los elementos de
cada columna, …la o diagonal son iguales. La suma de los elementos de cualquier
…la, columna o diagonal de un cuadrado mágico de tamaño n es
n n2 + 1
2
Sorprendentemente, en los cuadrados mágicos de orden impar, el orden del cuadrado,
multiplicado por el número central del cuadrado es igual al número mágico.
Ejemplo 1.3.29 (Cuadrados mágicos de tamaño 2) Demuestre que no existen

cuadrados mágicos de tamaño 2.
55
Solución. Sea
a b
c d
un cuadrado mágico hipotético.Entonces
a+b = 5
c+d = 5
a+c = 5
b+d = 5
a+d = 5
b+c = 5
Es posible aplicar la eliminación de Gauss, o tan solo observar que estas ecuaciones
implican que b = c, de acuerdo con la primera y la tercera; por tanto, 2b = 5, según
la última ecuación. Esto es una contradicción, porque b debería ser un entero. De
aquí se in…ere que este sistema no tiene soluciones enteras. Por consiguiente, no hay
cuadrados mágicos de tamaño 2. X
Ejemplo 1.3.30 (Cuadrados mágicos de tamaño 3) Determine el cuadrado

mágico de tamaño 3 cuya primera …la es el vector (8; 1; 6).
Solución. El cuadrado mágico deberá tener la siguiente forma

2 3
8 1 6
4 a b c 5
d e f
Tales que
a + b + c = 15
d+e+f = 15
8 + a + d = 15
1 + b + e = 15
6+c+f = 15
8+b+f = 15
6 + b + d = 15
56
Esto produce el siguiente sistema lineal de siete ecuaciones con seis incógnitas
a + b + c = 15
d + e + f = 15
a + d = 7
b + e = 14
c + f = 9
b + f = 7
b + d = 9
resolviendo este sistema obtenemos la siguiente solución
a = 3; b = 5; c = 7; d = 4; e = 9 y f = 2
Por tanto el cuadrado mágico buscado será

2 3
8 1 6
4 3 5 7 5
4 9 2
1.4 Ejercicios Propuestos

En los ejercicios 1 a 2 replantee el sistema de ecuaciones lineales dado en la forma
general, luego determine: (a) La matriz de coe…cientes, (b) El vector de los términos
independiente, (c) La matriz aumentada y (d) El sistema homogéneo asociado.
Ejercicio 1.4.1
2x 3y 4 = z
y 3 = 7x
9z 3x 2y = 0
Ejercicio 1.4.2
2x + 4z + 1 = 0
2z + 2w 2 = x
2x z + 3w = 3
y + z + t = w + 4
En los ejercicios 3 a 4, (a) Determine la matriz de coe…cientes, (b) la matriz

aumentada y (c) Escriba tanto el sistema lineal y el sistema homogéneo asociado en
forma matricial.
57
Ejercicio 1.4.3
3x y + 2z = 4
2x + y = 2
y + 3z = 7
4x z = 4
Ejercicio 1.4.4
2x + w = 7
3x + 2y + 3z = 2
2x + 3y 4z = 3
x + 3y t = 5
En los ejercicios 5 a 6, Escriba el sistema lineal correspondiente a la matriz

aumentada dada.
Ejercicio 1.4.5 2 3
2 1 0 4 : 5
6 3 2 7 8 : 3 7
6 7
4 1 0 0 2 : 4 5
3 0 1 3 : 6
Ejercicio 1.4.6 2 3
2 0 4 : 3
4 0 1 2 : 5 5
1 3 4 : 6
En los ejercicios de 7 a 12, use sustitución hacia atrás para resolver el sistema
de ecuaciones lineales dado.
Ejercicio 1.4.7
x1 x2 = 2
x2 = 3
Ejercicio 1.4.8
2x1 4x2 = 6
3x2 = 3
Ejercicio 1.4.9
x1 + x2 x3 = 0
2x2 + x3 = 3
3x3 = 0
58
Ejercicio 1.4.10
x1 x2 = 4
2x2 + x3 = 6
3x3 = 6
Ejercicio 1.4.11
5x1 + 2x2 4x3 = 0
2x2 + x3 = 0
3x3 = 9
Ejercicio 1.4.12
2x1 x2 + 3x3 2x4 = 1
x2 2x3 + 3x4 = 2
4x3 + 3x4 = 3
4x4 = 4
En los ejercicios de 13 a 18, resuelva el sistema lineal dado utilizando operaciones

elementales de ecuaciones.
Ejercicio 1.4.13
x1 + 2x2 = 8
3x1 4x2 = 4
Ejercicio 1.4.14
x1 + x2 = 5
3x1 + 3x2 = 10
Ejercicio 1.4.15
2x1 3x2 + 4x3 = 12
x1 2x2 + x3 = 5
3x1 + x2 + 2x3 = 1
Ejercicio 1.4.16
x1 + 2x2 + x3 = 3
3x1 x2 3x3 = 1
2x1 + 3x2 + x3 = 4
Ejercicio 1.4.17
x1 + 4x2 2x3 + 8x4 = 12
x2 + 7x3 + 2x4 = 4
5x3 x4 = 7
x3 + 3x4 = 5
59
Ejercicio 1.4.18
x1 + 2x3 2x4 = 1
x1 + x2 + x4 = 2
x2 + 2x3 x4 = 1
En los ejerccios de 19 a 22, determine si la matriz dada se encuentra en forma

escalón por …las, escalón por …las reducida o ninguna de las dos.
Ejercicio 1.4.19
2 3 2 3 2 3
1 0 0 1 0 0 1 0 0
4
a) A = 0 1 0 5 b) B=4 0 1 0 5 c) C=4 0 0 0 5
0 0 1 0 0 1 0 0 3
Ejercicio 1.4.20
2 3 2 3 2 3
1 4 0 1 4 2 1 0 0 0
a) A = 4 0 5 0 5 b) B=4 0 0 1 0 5 c) C=4 0 0 0 5
2 0 4 0 0 0 1 0 0 0
Ejercicio 1.4.21
2 3 2 3 2 3
0 1 0 0 0 1 2 0 7 0 1 0 0 0 0
6 0 0 0 0 1 7 6 0 1 0 0 1 7 6 0 0 1 0 0 7
A=6 4 0 0 1
7 B=6 7 C=6 7
0 0 5 4 0 0 1 0 0 5 4 0 0 0 0 1 5
0 0 0 1 0 0 0 0 1 0 0 0 0 0 0
Ejercicio 1.4.22
2 3 2 3 2 3
1 2 6 0 2 1 2 0 7 0 1 0 0 0 0
6 0 0 1 0 0 7 6 0 1 0 0 1 7 6 0 1 0 0 0 7
A=6 4 0 0
7 B=6 7 C=6 7
0 0 1 5 4 0 0 4 5 0 5 4 0 0 1 0 0 5
0 0 0 0 0 0 0 0 0 1 0 0 0 0 1
En los ejercicios de 23 a 26, utilice operaciones elementales de …las para reducir

la matriz dada a una (a) matriz en forma escalón por …las y a una (b) matriz en
forma escalón por …las reducida.
Ejercicio 1.4.23 2 3
0 0 1
4 0 1 1 5
1 1 1
60
3 5
4 5 2 5
2 4
Ejercicio 1.4.25
2 4 2 6
3 1 6 6
1 2 4 4 5
6 2 4 0 0 2 7
6 7
4 2 3 2 1 5 5
1 1 3 6 5
En los ejercicios del 27 a 36, resuelva el sistema lineal dado ya sea utilizando
eliminación gaussiana o la eliminación de Gauss-Jordan.
Ejercicio 1.4.27
x1 + 2x2 = 7
2x1 + x2 = 8
Ejercicio 1.4.28
x1 3x2 = 5
2x1 + 6x2 = 10
Ejercicio 1.4.29
x1 + 2x2 = 3
2x1 4x2 = 6
Ejercicio 1.4.30
3x1 + 5x2 = 22
3x1 + 4x2 = 4
4x1 8x2 = 32
Ejercicio 1.4.31
x1 3x3 = 2
3x1 + x2 2x3 = 5
2x1 + 2x2 + x3 = 4
Ejercicio 1.4.32
x1 + x2 5x3 = 3
x1 2x3 = 1
2x1 x2 x3 = 0
61
Ejercicio 1.4.33
x1 + 2x2 + x3 = 8
3x1 6x2 3x3 = 21
Ejercicio 1.4.34
3x1 + 3x2 + 12x3 = 6
x1 + x2 + 4x3 = 2
2x1 + 5x2 + 20x3 = 10
x1 + 2x2 + 8x3 = 4
Ejercicio 1.4.35
x1 3x3 = 2
3x1 + x2 2x3 = 5
2x1 + 2x2 + x3 = 4
Ejercicio 1.4.36
x1 + 4x3 + 5x4 = 0
2x1 x2 10x3 16x4 = 6
2x1 6x2 + 20x3 + 46x4 + x5 = 33
Ejercicio 1.4.37 Encuentre el punto de intersección de las rectas x1 5x2 = 1 y

3x1 7x2 = 5:
Ejercicio 1.4.38 Encuentre el punto (x1 ; x2 ) que pertenece tanto a la recta

x1 + 5x2 = 7 como a la recta x1 2x2 = 2:
En los ejercicios 39 a 40, encuentre la recta de intersección de los planos dados.
Ejercicio 1.4.39 3x + 2y + z = 1 y 2x y + 4z = 5:
Ejercicio 1.4.40 4x + y z=0 y 2x y + 3z = 4:
En los ejercicios 41 a 42, despeje del sistema lineal dado.
Ejercicio 1.4.41
sen 4 cos = 4
4 sen 4 cos = 4
Ejercicio 1.4.42 p p
2 sen + p2 tan = 2p2
4 sen 3 2 tan = 2
62
En los ejercicios del 43 a 44, encuetre valores para a; b y c (si es posible) de modo
que el sistema de ecuaciones lineales proporcionado (a) tenga solución única, (b) no
tenga solución y (c) tenga in…nidad de soluciones.
Ejercicio 1.4.43
x1 + x2 = 2
x2 + x3 = 2
x1 + x3 = 2
ax1 + bx2 + cx3 = 0
Ejercicio 1.4.44
x1 + x2 = 0
x2 + x3 = 0
x1 + x3 = 0
ax1 + bx2 + cx3 = 0
En los ejercicios 45 a 46, encuentre todos los valores de k tales que el sistema
homogéneo dado, de ecuaciones lineales, tenga soluciones no triviales.
Ejercicio 1.4.45
(k + 2) x1 + x2 = 0
x1 + (k 2) x2 = 0
Ejercicio 1.4.46
(k 1) x1 + 2x2 = 0
x1 + kx2 = 0
Ejercicio 1.4.47 Demuestre que los valores de k, para los cuales el sistema
(a k) x1 + bx2 = 0
cx1 + (d k) x2 = 0
tiene soluciones no triviales, deben satisfacer la ecuación cuadrática
k2 (a + d) k + ad bc = 0
En los ejercicios de 48 a 55, determine todos los valores de k (si es posible) para
los cuales el sistema lineal resultante (a) no tenga solución, (b) tenga solución única
y (c) tenga in…nitas soluciones.
Ejercicio 1.4.48
x1 + x2 x3 = 2
x1 + 2x2 + x3 = 3
x1 + x2 + k2 5 x3 = 0
63
Ejercicio 1.4.49
x1 + x2 + x3 = 2
2x1 + 3x2 + 2x3 = 3
2x1 + 3x2 + k2 1 x3 = k + 1
Ejercicio 1.4.50
x1 + x2 = 3
x1 + k2 8 x2 = k
Ejercicio 1.4.51
kx1 + 2x2 + 3kx3 = 4k
x1 + 2x2 + x3 = 0
2x1 x2 + x3 = 1
Ejercicio 1.4.52
x1 + x2 + kx3 = 3
x1 + kx2 + x3 = 2
kx1 + x2 + x3 = 1
Ejercicio 1.4.53
x1 + 2x2 + x3 = 3
x1 + 3x2 x3 = 4
x1 + 2x2 + k2 8 x3 = k
Ejercicio 1.4.54
x1 + 2x2 3x3 = 4
3x1 x2 + 5x3 = 2
4x1 + x2 + k2 14 x3 = k + 2
Ejercicio 1.4.55
kx1 + x2 + x3 = 1
x1 + kx2 + x3 = k
x1 + x2 + kx3 = k 2
Ejercicio 1.4.56 Encuentre los valores de y (si es posible) para los cuales el
siguiente sistema
( + 1) x1 + 3x2 + x3 = 1
3x1 + ( + 1) x2 + 2x3 = 1
x1 + 2x2 + x3 = 2
a) Tenga solución única, b) in…nitas soluciones y c) ninguna solución.
64
Aplicaciones de los sistemas de ecuaciones lineales
Ejercicio 1.4.57 El promedio de temperaturas en las ciudades de Potosí, Sucre y
Tarija fue 22o C durante cierto día de verano. La temperatura en Tarija fue 12o C
mayor que el promedio de temperaturas en las otras ciudades. En Sucre fue 3o C
menor que el promedio de temperaturas en las otras ciudades. ¿Cuál fue la temper-
atura en cada una de las ciudades?
Ejercicio 1.4.58 El promedio de temperaturas en las ciudades de Potosí, La Paz

y Santa Cruz fue 10Co durante cierto día de invierno. La temperatura en Santa
Cruz fue 21o C mayor que el promedio de temperaturas en las otras ciudades. En
La Paz fue igual al promedio de temperaturas en las otras ciudades. ¿Cuál fue la
temperatura en cada una de las ciudades?
Ejercicio 1.4.59 En electrónica es necesario analizar el ‡ujo de corriente por las

trayectorias de un circuito. En tres trayectorias A; B y C de un circuito las rela-
ciones son las siguientes
IA + IB + IC = 0
8IB + 10IC = 0
4IA 8IB = 6
donde IA ; IB y IC , representa la corriente de las trayectorias A; B y C, respectiva-

mente. Determine la corriente en cada trayectoria del circuito.
Ejercicio 1.4.60 Con frecuencia, en física estudiamos las fuerzas que actúan sobre
un objeto. Para tres fuerzas F1 ; F2 y F3 , que actúan sobre una viga, se obtuvieron
las siguientes ecuaciones.
3F1 + F2 F3 = 2
F1 2F2 + F3 = 0
4F1 F2 + F3 = 3
Encuentre las tres fuerzas.
Ejercicio 1.4.61 Se tienen 3 viguetas, compuestas como sigue:

La primera, de 20 g de cemento, de 30 g de …erro y de 40 g de cascajo.
La segunda, de 30 g de cemento, de 40 g de …erro y de 50 g de cascajo.
La tercera, de 40 g de cemento, de 50 g de …erro y de 90 g de cascajo.
¿Qué peso deberá tomarse de cada una de estas viguetas para formar otra que con-
tenga 34 g de cemento, 46 g de …erro y 67 g de cascajo?
65
Ejercicio 1.4.62 Una fábrica produce 42 mezcladoras de cemento, la fábrica abastece
a 3 empresas constructoras que demandan toda la producción. En cierta semana,
la primera empresa constructora solicitó tantas unidades como la segunda y tercera
juntas, mientras que la segunda pidió un 20% más que la suma de la mitad de lo
pedido por la primera más la tercera parte de lo pedido por la tercera. ¿Qué cantidad
solicitó cada una?
Ejercicio 1.4.63 La Carrera de Ing. Civil y Asociados fabrica tres tipos de vivien-
das: Multifamiliar, Residencial y Familiar. Para la obra gruesa una Multifamiliar
necesita 10 semanas, otras 2 para la obra …na y 2 semanas para las instalaciones
eléctrica y sanitaria. El tiempo requerido para una Residencial es de 12 semanas
para la obra gruesa, 2.5 para la obra …na y 2 semanas para las instalaciones eléctrica
y sanitaria. La familiar, la más sencilla de las viviendas necesita 6 semanas para
la obra grueda, 1.5 semanas para la obra …na y 1.5 semanas para las instalaciones
eléctrica y sanitaria. Si la fábrica de esta empresa dispone de 1560 semanas de
trabajo por año para la obra gruesa, 340 semanas para la obra …na y 320 semanas
para las intalaciones eléctrica y sanitaria. ¿Cuántas viviendas de cada tipo puede
construir en un año?
Ejercicio 1.4.64 Un mueblero fábrica sillas, mesas para café y mesas para comedor.
Se necesitan 10 minutos, para lijar una silla, 6 para pintarla y 12 para barnizarla.
Se necesitan 12 minutos para lijar una mesa para café, 8 para pintarla y 12 para
barnizarla. Se necesitan 15 minutos para lijar una mesa para comedor, 12 para
pintarla y 18 para barnizarla. La mesa de lijado está disponible 16 horas a la semana,
la mesa de pintado 11 horas a la semana y la mesa de barnizado 18 horas. ¿Cuántas
unidades de cada mueble deben fabricarse por semana de modo que las mesas de
trabajo se ocupen todo el tiempo disponible?
Ejercicio 1.4.65 Una fábrica de ladrillos produce tres tipos de ladrillos: tipo A,
tipo B y tipo C. Cada ladrillo de tipo A necesita un minuto para el moldeo y 2 para
el cocido. Cada ladrillo de tipo B necesita 2 minutos para el moldeo y 4 para el
cocido. Cada ladrillo de tipo C necesita 3 minutos para el moldeo y 5 para el cocido.
Si la planta de moldeo está disponible 6 horas diarias y la planta de cocción (horno)
11 horas, ¿cuántos ladrillos de cada tipo se pueden producir por día de modo que las
plantas se aprovechen a toda su capacidad?
Ejercicio 1.4.66 Una galería de arte envía mensualmente folletos de aviso de sus
exhibiciones a las personas que aparecen en su lista de correos, y los empleados A; B y
C ayudan a la preparación de los envíos. Cuando los tres trabajan simultáneamente,
les toma 2 horas y 55 minutos terminar el trabajo. El mes pasado, C no estuvo y
66
entre A y B necesitaron 5 horas para preparar toda la correspondencia. Para el
trabajo de este mes, cada empleado empezó su trabajo a horas diferentes: A empezó
a las 9 A.M.; B se unió a A a las 10 A.M.; y C se incorporó al trabajo a las 10:54
A.M. El trabajo terminó a la 1 P.M. ¿Cuánto tiempo toma a cada empleado efectuar
todo el trabajo individualmente? (Sugerencia: Si se necesitan t horas para que un
empleado realice el trabajo, entonces en 1 hora la persona puede efectuar 1=t del
trabajo.)
En los ejercicios del 67 al 70, determine el polinomio cuya grá…ca pasa por los
puntos dados y luego bosqueje la grá…ca, mostrando los puntos dados.
Ejercicio 1.4.67 (2; 5) ; (3; 2) ; (4; 5)
Ejercicio 1.4.68 (2; 4) ; (3; 4) ; (4; 4)
Ejercicio 1.4.69 (2; 4) ; (3; 6) ; (5; 10)
Ejercicio 1.4.70 ( 1; 3) ; (0; 0) ; (1; 1) ; (4; 58)
Ejercicio 1.4.71 La grá…ca de una función f pasa por los puntos (0; 1) ; 2; 13 y
4; 15 , encuentre una función cuadrática que pase por estos puntos.
Ejercicio 1.4.72 Encuentre una función polinomial p (x) de grado menor o igual
que dos que pase por los puntos (0; 1) ; (2; 3) y (4; 5). Luego bosqueje la grá…ca
1
de y = p(x) y compare con la grá…ca del polinomio que se encontró en el ejercicio
anterior.
Ejercicio 1.4.73 La grá…ca de una parabóla pasa por los puntos (0; 1) ; 21 ; 12 y tiene
una tangente horizontal en 21 ; 12 . Encuentre la ecuación de la parabóla y bosqueje
su grá…ca.
Ejercicio 1.4.74 Un polinomio cúbico tiene tangentes horizontales en (1; 2) y

( 1; 2). Encuentre la ecuación de la cúbica y bosqueje su grá…ca.
Ejercicio 1.4.75 Encuentre la ecuación del círculo que pasa por los puntos
(1; 3) ; ( 2; 6) y (4; 2)
Ejercicio 1.4.76 El ‡ujo de trá…co (en vehículos por hora) que circula por una red
de calles se muestra en la siguiente …gura.
a) Establezca un sistema de ecuaciones lineales que representa la red mostrada.
b) Resuelva este sistema para xi ; i = 1; 2; 3; 4; 5.
c) Encuentre el ‡ujo vehicular cuando x2 = 200 y x3 = 50.
d) Encuentre el ‡ujo vehicular cuando x2 = 150 y x3 = 0.
67
x1
300 A B 150
x3
x2 x4
200 C D 350
x5
Ejercicio 1.4.77 Considere la siguiente red de calles de una dirección.

300 200 100
x1 x2
500 A B C 600
x3 x4 x5
400 F E D 450
x6 x7
350 600 400
Los números indican la cantidad de coches/hora que pasan por ese punto. Las va-
riables x1 ; : : : ; x7 representan el número de coches/hora que pasan de la intersección
A a la B, de la B a la C, etc. Suponiendo que en las calles está prohibido aparcar.
¿Qué valores tomarán las variables x1 ; x2 ; x3 ; x4 ; x5 ; x6 y x7 , en los siguientes casos?
a) Hay obras en la calle de D a E y por tanto queremos que en ese tramo el
trá…co sea mínimo.
b) Análogamente, hay obras en la calle de D a F .
Ejercicio 1.4.78 La siguiente …gura
Avenida 6 Avenida 7
700 600
x2
Calle 3 500 A B
x3
x1 x6
Calle 4 600 F E D 800
x5 x4
700 700 600
68
Muestra el ‡ujo de trá…co cerca del centro de una ciudad durante las horas punta
de un día hábil, las ‡echas indican la dirección del ‡ujo en cada calle de un sentido;
cada calle puede aceptar un máximo de 1000 vehículos por hora sin congestionarse.
El ‡ujo se controla con semáforos instalados en cada uno de los cinco cruceros.
a) Establezca un sistema de ecuaciones lineales que describa el ‡ujo vehicular
mostrado.
b) Resuelva el sistema diseñado en (a) y sugiera dos posibles patrones de ‡ujo
que garanticen que no habrá congestionamiento.
c) Suponga que la parte de la avenida 7 comprendida entre las calles 3 y 4 será
cerrado por reparación; proporcione un posible ‡ujo de trá…co que garantice un ‡ujo
suave del trá…co.
Ejercicio 1.4.79 Considere la siguiente red de calles de una dirección
900 x2 700
800 x7
x6 A B C 200
x8
x1 600 x3
600 F E D 400
x4 x5
350 100 300
a) Establezca un sistema de ecuaciones lineales para representar la red mostrada.

b) Hay obras en la calle de D a E y por tanto se desea que en ese tramo el trá…co
sea mínimo. Encuentre el valor mínimo de x5 y encuentre la variación de las otras
variables para ese valor.
Ejercicio 1.4.80 La …gura adjunta muestra el ‡ujo de trá…co en el centro de una
ciudad durante las horas punta de un día hábil. Cada avenida puede aceptar hasta
1500 vehículos por hora sin congestionarse, mientras que la capacidad máxima de
cada calle es de 1000 vehículos por hora. El ‡ujo del trá…co se controla con semáforos
instalados en cada crucero.
a) Establezca un sistema de ecuaciones que describa el ‡ujo.
b) Resuelva el sistema diseñado en (a) y sugiera dos posibles patrones de ‡ujo
que garanticen que no habrá congestionamientos.
c) Suponga que el ‡ujo de trá…co a lo largo de la calle 9 entre las avenidas 5 y
6, x6 se restringirá debido a obras de drenaje. ¿Cuál es el mínimo ‡ujo de trá…co
permisible a lo largo de esta calle que no produzca congestionamiento?
69
Avenida 5 Avenida 6
900 1000
Calle 7 x3
800 A B 600
x2 x4
Calle 8 x7
700 C D 700
x1 x5
Calle 9 800 x6
E F 700
900 1100
Ejercicio 1.4.81 Determine las corrientes I1 ; I2 e I3 de la red eléctrica mostrada

en la siguiente …gura.
8 voltios
I1
2 ohm 2 ohm
I2
A B
1 ohm
4 ohm
I3
16 voltios

en la …gura.
5 voltios
I1 8 voltios I1
1 ohm 1 ohm
I2 I2
A B A B
1 ohm 2 ohm
4 ohm 4 ohm
I3 I3
13 voltios 8 voltios
Figura para 82 Figura para 83
70
en la …gura
Ejercicio 1.4.84 Determine las corrientes I1 ; I2 ; I3 ; I4 e I5 de la red eléctrica mostrada

en la …gura
B B
1 ohm 2 ohm 2 ohm 1 ohm
I1 1 ohm I2 I1 2 ohm I2
I3 I3
I4 I5 I4 I5
A C A C
2 ohm D 1 ohm 1 ohm D 2 ohm
14 voltios 10 voltios
Figura para 84 Figura para 85
Ejercicio 1.4.85 Determine las corrientes I1 ; I2 ; I3 ; I4 e I5 de la red eléctrica mostrada

en la …gura.
Ejercicio 1.4.86 Calcule las temperaturas en los puntos x1 ; x2 y x3 en la placa

metálica triangular que se ilustra en la siguiente …gura, si la temperatura en cada
punto del interior es el promedio de las que prevalecen en sus cuatro puntos vecinos.
2 x1 1
2 x2 x3 1
2 2
Ejercicio 1.4.87 Determine las temperaturas en x1 ; x2 ; x3 y x4 de la placa metálica

triangular que se ve en la siguiente …gura. Si la temperatura de cada punto del
interior es igual al promedio de sus cuatro puntos vecinos.
71
1 1
1 1
x1 x3
1 1
x2 x4
2 2
Ejercicio 1.4.88 Balancee el sistema de pesos y palancas que se muestra en la

siguiente …gura.
6 10
2 8 2 10
w1 w2 w3 w4
Ejercicio 1.4.89 Deduzca la ecuación del plano, en el espacio xyz que pasa por los
puntos P (1; 1; 1) ; Q (2; 1; 2) y R (1; 3; 5).
Ejercicio 1.4.90 Calcule a; b y c, tales que las ecuaciones cuadráticas
(a b) x2 + (a c) x + (b + c) y (3 c) x2 ax b 2c
sean iguales.
Ejercicio 1.4.91 Calcule a; b; c y d, tales que las ecuaciones cúbicas
(a + b + c) x3 + (a + b) x2 + 2bx y ( d) x3 + (2 d) x2 + (1 + a) x + (b + c)
sean iguales.
Ejercicio 1.4.92 Calcule las constantes A y B de modo que
1 A B
= +
(x + 1) (x 2) x+1 x 2
Ejercicio 1.4.93 Determine los cuadrados mágicos de tamaño 3 que tengan la
forma 2 3
4 a b
4 c 5 d 5
e f 6
72
CAPÍTULO 2
Matrices
2.1 Matrices y operaciones entre matrices

En esta sección de…nimos las matrices y estudiaremos algunas de sus propiedades.
Las matrices nos permiten escribir sistemas lineales en forma compacta y facilitan
automatizar el método de eliminación, logrando un procedimiento rápido y e…ciente
de solución como vimos en el capítulo anterior. Sin embargo, su uso no se reduce
tan solo a una notación conveniente, así como veremos en este capítulo. También
presentaremos las operaciones entre matrices los cuales nos permitiran crear nuevas
matrices, al mismo tiempo nos permitiran resolver problemas de cálculo, de manera
rápida y e…ciente.
El estudio de las matrices que veremos en este capítulo es desde el punto de vista
de "arreglos" de escalares (números reales) de manera independiente de las transfor-
maciones lineales que se estudiarán en el capítulo 6, donde una matriz representará
a una transformación lineal. Los arreglos rectangulares de números reales aparecen
en muchos otros contextos; en éste capítulo consideraremos que dichos arreglos son
entes matemáticos por sí solos y desarrollaremos algunas de sus propiedades que
podrán emplearse en estudios posteriores.
De…nición 2.1.1 Una matriz es un arreglo rectangular de números representado
generalmente de la siguiente forma:
2 3
a11 a12 a13 : : : a1n
6 a21 a22 a23 : : : a2n 7
6 7
A=6 . .. .. .. .. 7
4 .. . . . . 5
am1 am2 am3 : : : amn
73
Nota 2.1.1 A menos que se diga otra cosa supondremos que todas las matrices que
estudiaremos serán matrices reales, es decir sus elementos serán números reales.
El orden o tamaño de una matriz está especi…cada por el número de …las y el

número de columnas que contiene, así por ejemplo la matriz anterior A que consta
de m …las y n columnas es una matriz de orden o tamaño m n, esto se escribe
Am n .
Si m = n, se dice que A es una matriz cuadrada de orden n; la diagonal de una
matriz cuadrada que contiene a los elementos a11 ; a22 ; a33 ; : : : ; ann se conoce con el
nombre de diagonal principal de A, así por ejemplo la siguiente matriz.
2 3
1 0 3
A=4 4 5 3 5
2 1 7
Es una matriz cuadrada de orden 3, donde los elementos de la diagonal principal

son
a11 = 1; a22 = 5; a33 = 7
Nota 2.1.2 Sólo las matrices cuadradas tienen diagonal principal.
Al elemento ubicado en la …la i y la columna j de una matriz A, se la denota

por aij . Por consiguiente, una matriz A se escribe abreviadamente como A = [aij ].
Una matriz 1 1 es sencillamente interpretada como una constante.
Ejemplos de matrices son:
2 3
2 3 2
1 2 3 6 4 7 4 5 3 8
A=4 4 0 7 5;B = 1 3 7 ;C = 6 7
4 3 5;D = 7 0 2 5
5 6 9
5
La matriz A es de orden 3 donde a23 = 7; a12 = 2; a31 = 5; : : :

La matriz B es de tamaño 1 3 donde b11 = 1; b12 = 3; b13 = 7.
La matriz C es de tamaño 4 1donde c11 = 2; c21 = 4; c31 = 3; c41 = 5.
La matriz D es de tamaño 2 4 donde d12 = 5; d21 = 7; : : :
2.1.1 Igualdad de matrices

Dos matrices A = [aij ] y B = [bij ] son iguales si, y sólo si, tienen el mismo tamaño
m n y aij = bij para y 1 i m y 1 j n.
74
Ejemplo 2.1.1 Encuentre los valores de a11 ; a12 ; a21 y a22 en la siguiente ecuación
matricial
a11 a12 2 1
=
a21 a22 5 7
Solución. Puesto que dos matrices son iguales sólo si sus elementos correspondientes
son iguales, se concluye que
a11 = 2; a12 = 1; a21 = 5 y a22 = 7
X
2.1.2 Clases de matrices

A continuación se presentan algunos tipos o clases de matrices.
Matriz Nula.
Una matriz A = [aij ] que consta exclusivamente de ceros se llama matriz nula o
matriz cero y se denota por 0m n . Ejemplos de matrices nulas son las siguientes:
2 3
0 0
0 0
03 2 = 4 0 0 5 ; 02 2 = ; 01 1 = [0]
0 0
0 0
Matrices: diagonal, escalar e identidad

Una matriz cuadrada A = [aij ] es diagonal si, y sólo si, aij = 0 para i 6= j, esto es,
en una matriz diagonal los elementos que no se encuentran en la diagonal principal
son todos cero.
Ejemplos de matrices diagonales son las siguientes.
2 3 2 3 2 3
1 0 0 0 4 0 0 0 1 0 0 0
6 0 5 0 0 7 6 0 4 0 0 7 6 0 1 0 0 7
A=6 7 6
4 0 0 2 0 5 B=4 0 0 4 0 5
7 I=6 4 0 0 1 0 5
7
0 0 0 9 0 0 0 4 0 0 0 1
Matriz diagonal Matriz diagonal Matriz diagonal

Matriz escalar Matriz escalar
Matriz identidad
Una matriz diagonal, es una matriz escalar si todos los elementos de la diagonal
principal son iguales; una matriz escalar es una matriz identidad si todos los ele-
mentos de la diagonal principal son 1. Observe que en el ejemplo anterior la matriz
B es tanto diagonal como escalar; mientras que I es la matriz identidad de orden 4.
75
Matrices triangulares.
También, existen otros tipos de matrices tales como las matrices triangulares supe-
rior e inferior.
De…nición 2.1.2 Una matriz cuadrada A = [aij ] es triangular superior si aij = 0

para i > j y es triangular inferior si aij = 0 para i < j.
Es decir una matriz cuadrada se denomina triangular superior si todos sus ele-
mentos por debajo de la diagonal principal son cero y triangular inferior si todos sus
elementos por encima de la diagonal principal son cero.
Ejemplo 2.1.2
2 3 2 3
7 2 3 1 7 0 0 0
6 0 4 5 2 7 6 2 4 0 0 7
A=6
4 0
7 B=6 7
0 3 6 5 4 3 4 6 0 5
0 0 0 8 7 8 2 3
Aquí, A es triangular superior y B es triangular inferior.
Transpuesta de una matriz.

h i
Sea A = [aij ] una matriz m n entonces la matriz At = atij donde atij = aji
(1 i m; 1 j n) se llama transpuesta de A.
Por consiguiente la transpuesta de una matriz A se obtiene intercambiando las
…las y las columnas de A, además la transpuesta de una matriz de orden m n, es
una matriz At de orden n m.
Ejemplo 2.1.3 Sea 2 3

3 4
A=4 0 7 5
2 6
entonces
3 0 2
At =
4 7 6
Matrices simétricas y antisimétricas.

Una matriz cuadrada A = [aij ]. Es simétrica si, y sólo si, At = A y es antisimétrica
si, y sólo si, At = A.
76
Ejemplo 2.1.4 La matriz
2 3 2 3
2 3 5 2 3 5
A=4 3 1 7 5 es simétrica, pues At = 4 3 1 7 5=A
5 7 4 5 7 4
Observe que aij = aji .
Ejemplo 2.1.5 Decida si la siguiente matriz es o no una matriz antisimétrica.

2 3
0 2 5
A=4 2 0 3 5
5 3 0
Solución. Recordemos que una matriz A es antisimétrica ssí, At = A. Note que

2 3 2 3
0 2 5 0 2 5
At = 4 2 0 3 5 y A=4 2 0 3 5
5 3 0 5 3 0
De esto se ve que At = A, en consecuencia concluimos que A es antisimétrica. X
Observación 2.1.1 Observe que en una matriz antisimétrica los elementos de la

diagonal principal son cero, además aij = aji .
2.2 Operaciones entre matrices.

En esta sección presentaremos las operaciones matriciales básicas, a saber: La suma,
multiplicación por escalar y la multiplicación matricial; estas operaciones nos per-
mitirán construir nuevas matrices a partir de dos matrices dadas.
Suma de matrices
Si A = [aij ] y B = [bij ] son dos matrices de orden m n entonces la suma de A y
B es la matriz m n de…nida por
A + B = [aij + bij ]
Nota 2.2.1 La suma de dos matrices de orden diferentes no esta de…nida.
Ejemplo 2.2.1 (Suma de matrices)
77
1 2 1 3 1+1 2+3 0 5
a) + = =
0 1 1 2 0 1 1+2 1 3
0 1 2 0 0 0 0 1 2
b) + =
1 2 3 0 0 0 1 2 3
2 3 2 3 2 3
1 1 0
c) 4 5
3 + 4 5 4
3 = 0 5
2 2 0
2 3 2 3
2 1 0 5 8
d) 4 4 0 1 5+4 3 7 5 no está de…nida.
3 2 2 0 2
Multiplicación por un escalar

Si A = [aij ] es una matriz m n y k un escalar, entonces la multiplicación escalar
de k por A, es la matriz m n de…nida por kA = [kaij ].
Para obtener la multiplicación del escalar k por la matriz A, se multiplica cada
elemento de la matriz A por el escalar k.
Nota 2.2.2 Para representar el producto escalar ( 1) A se usa A. De este modo,

si A y B son dos matrices del mismo orden, entonces la diferencia de A y B,
denotada por A B se de…ne como
A B = A + ( B)
Ejemplo 2.2.2 (Multiplicación por un escalar y resta de matrices) Para

las matrices.
2 3 2 3
1 2 4 2 0 0
A=4 3 0 1 5 y B=4 1 4 3 5
2 1 2 1 3 2
Encontrar: a) 3A, b) B, c) 3A B.
Solución.
2 3 2 3 2 3
1 24 3 (1) 3 (2) 3 (4) 3 6 12
a) 3A = 3 4 3 01 5 = 4 3 ( 3) 3 (0) 3 ( 1) 5 = 4 9 0 3 5
2 12 3 (2) 3 (1) 3 (2) 6 3 6
2 3 2 3
2 0 0 2 0 0
b) B = ( 1)B = ( 1) 4 1 4 3 =5 4 1 4 3 5
1 3 2 1 3 2
78
2 3 2 3 2 3
3 6 12 2 0 0 1 6 12
c) 3A B=4 9 0 3 5 4 1 4 3 5=4 10 4 6 5
6 3 6 1 3 2 7 0 4
Nota 2.2.3 Note que, la suma A + B de dos matrices A y B del mismo tamaño
se obtiene sumando los elementos correspondientes de ambas matrices, mientras que
para la diferencia, A B se restan los elementos correspondientes. Las matrices de
distintos tamaños no se pueden sumar ni restar.
Observación 2.2.1 A menudo es conveniente reescribir la multiplicación escalar

kA factorizando k en todos los elementos de la matriz.
1
Por ejemplo en la siguiente expresión se ha factorizado.
2
" # " #
1 3
2 2 1 1 3
3 1 =
2 2
2 3 1
La suma, resta y multiplicación por escalar de matrices se apegan a unas cuantas

reglas básicas, que se resumen en el siguiente.
Teorema 2.2.1 Sean A; B y C matrices m n cualesquiera y sean a; b y c escalares

cualesquiera. Entonces es válido lo siguiente:
1. (A + B) + C = A + (B + C)
2. A + B = B + A
3. A + 0 = 0 + A = A
4. A + ( A) = ( A) + A = 0
5. c (A + B) = cA + cB
6. (a + b) C = aC + bC
7. (ab) C = a (bC) = b (aC)
8. 1A = A
9. 0A = 0
79
Observación 2.2.2 La propiedad 1 se denomina ley asociativa para la suma, mien-
tras que la propiedad 2 es la ley conmutativa. Las propiedades 5 y 6 se conocen como
leyes distributivas.
No ofrecemos las demostraciones formales de estas propiedades. Sin embargo, el

lector puede observar que se cumplen, veri…cando dichas propiedades con ejemplos
especí…cos.
Ejemplo 2.2.3 Sean
3 1 2 5 5 6 0 1 0
A= ; B= ; y C=
1 3 0 2 2 2 1 0 1
Demuestre que (A + B) + C = A + (B + C).
Solución.
3 1 2 5 5 6 0 1 0
(A + B) + C = + +
1 3 0 2 2 2 1 0 1
2 6 4 0 1 0 2 7 4
= + =
3 1 2 1 0 1 2 1 1
3 1 2 5 5 6 0 1 0
A + (B + C) = + +
1 3 0 2 2 2 1 0 1
3 1 2 5 6 6 2 7 4
= + =
1 3 0 1 2 1 2 1 1
Por consiguiente, (A + B) + C = A + (B + C). X
Ejemplo 2.2.4 Veri…que, (ab) C = a (bC) utilizando:
1 6 9
a= 2; b= y C=
3 1 5
Solución.
1 6 9 2 6 9 4 6
(ab) C = 2 = = 2 10
3 1 5 3 1 5 3 3
1 6 9 2 3 4 6
a (bC) = 2 = 2 1 5 = 2 10
3 1 5 3 3 3 3
De esto se concluye que, (ab) C = a (bC). X
80
Ecuaciones matriciales simples
El anterior teorema puede emplearse para resolver ecuaciones matriciales sencillas,
como vemos en el siguiente.
Ejemplo 2.2.5 Sean
1 2 0 0 1 3
A= y B=
0 0 1 1 0 1
Determine la matriz X tal que 2X 4B = 3A:
Solución. Sumando 4B a ambos lados de la ecuación se obtiene
(2X 4B) + 4B = 3A + 4B
2X + ( 4B + 4B) = 3A + 4B
2X + 0 = 3A + 4B
2X = 3A + 4B
1
Multiplicando ambos lados de la última ecuación por 2 se obtiene
1 1
(2X) = (3A + 4B)
2 2
de esto se obtiene
3
X = A + 2B
2
Por consiguiente
3 3
1 2 0 0 1 3 2 5 6
X= +2 = 7
2 0 0 1 1 0 1 2 0 2
Multiplicación matricial
La tercera operación más importante que presentamos a continuación es la multi-
plicación de matrices. Mucha de la motivación que sustenta la de…nición de mul-
tiplicación de matrices, proviene de aplicaciones a sistemas de ecuaciones lineales.
Por ejemplo, si se tiene un sistema de una ecuación lineal en una incógnita, ésta se
puede escribir en la forma
ax = b
81
donde concebimos a a; x y b como escalares, sin embargo, también se les puede
considerar como matrices 1 1.
En general dado un sistema de ecuaciones lineales m n
a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2
:::::: :::::: :::::: :::::: :::
am1 x1 + am2 x2 + : : : : : : + amn xn = bm
podemos representar este sistema en forma similar a la anterior; es decir, como una
ecuación matricial
AX = B
donde A es una matriz m n conocida, X es una matriz n 1 de incógnitas y B es
una matriz m 1 de los términos independiente. Esto es, haciendo
2 3 2 3 2 3
a11 a12 a1n x1 b1
6 a21 a22 a2n 7 6 x2 7 6 b2 7
A=6 7 6 7
4 ::: ::: :::::: ::: 5; X = 4 : 5; B = 4 : 5
6 7
am1 am2 amn xn bm
vemos que AX = B, el cual es equivalente a

2 32 3 2 3
a11 a12 a1n x1 b1
6 a21 a22 a2n 7 6 x2 7 6 b2 7
6 76 7 6 7
4 ::: ::: :::::: ::: 54 : 5 = 4 : 5
am1 am2 amn xn bm
implica,
2 3 2 3
a11 x1 + a12 x2 + + a1n xn b1
6 a21 x1 + a22 x2 + + a2n xn 7 6 b2 7
6 7=6 7
4 :::::: :::::: :::::: :::::: 5 4 : 5
am1 x1 + am2 x2 + : : : : : : + amn xn bm
Esto muestra que, dada una matriz A; m n y una matriz X; n 1 es posible

calcular el producto AX que será una matriz B; m 1. La regla para determinar el
i-ésimo elemento de AX es:
ai1 x1 + ai2 x2 + + ain xn
Observe que, el i-ésimo elemento de AX se determina usando sólo la i-ésima …la de

la matriz A. Los elementos de esa …la se multiplican en parejas con los elementos
correspondientes de la matriz X, luego se suman los n productos.
82
Nota 2.2.4 Note que para multiplicar por parejas, el número de columnas de A
debe ser igual al número de …las de X. Los elementos de X pueden ser escalares o
incógnitas que tienen valores escalares.
Ejemplo 2.2.6 Consideremos las siguientes matrices

2 3
x1
4 2 1
A= y X = 4 x2 5
5 3 7
x3
Entonces
4x1 + 2x2 + x3
AX =
5x1 + 3x2 + 7x3
Ejemplo 2.2.7 Si 2 3
3 1
2
A=4 2 5 5 y X=
4
4 2
Entonces 2 3 2 3
3 2+1 4 2
AX = 4 2 2 + 5 4 5 = 4 24 5
4 2+2 4 16
Ejemplo 2.2.8 Escriba el siguiente sistema de ecuaciones lineales como una ecuación
matricial AX = B.
3x1 + 2x2 + x3 = 5
x1 2x2 + 5x3 = 2
2x1 + x2 3x3 = 1
Solución. 2 32 3 2 3
3 2 1 x1 5
4 1 2 5 5 4 x2 5 = 4 2 5
2 1 3 x3 1
X
De manera más general, es posible multiplicar una matriz A por una matriz B si
el número de columnas de A es igual al número de …las de B. La primera columna
del producto AB se obtiene a partir de la primera columna de B, la segunda a partir
de la segunda de B y así sucesivamente. Por tanto, para determinar el elemento i; j-
ésimo elemento del producto AB se utilizan los elementos de la i-ésima …la de A y
la j-ésima columna de B.
83
De…nición 2.2.1 Si A = [aij ] es una matriz m n y B = [bij ] es una matriz n p,
entonces el producto de A y B denotado por AB es una matriz m p;
AB = C = [cij ]
donde
n
X
cij = aik bkj = ai1 b1j + ai2 b2j + ai3 b3j + + ain bnj :
k=1
Esta de…nición establece que el elemento cij de la i-ésima …la y de la j-ésima

columna del producto AB se obtiene al multiplicar los elementos de la i-ésima …la de
A por los elementos correspondientes de la j-ésima columna de B y luego se suman
los resultados.
Nota 2.2.5 Nótese nuevamente que el producto de dos matrices Am n y Bn p , está

de…nida sólo cuando el número de columnas de la matriz A es igual al número de
…las de la matriz B. Si no ocurre esto, la multiplicación es imposible.
Ejemplo 2.2.9 (Determinación del producto de dos matrices) Encuentre el

producto AB donde
2 3
2 4
4 5 1
A= 1 3 5 y B=
3 2
5 0
Solución. Primeramente observamos que el producto AB está de…nido porque el

orden de A es 3 2 y el de B es 2 2 de este modo, el producto AB será de orden
3 2 y de la forma:
2 3 2 3
2 4 c11 c12
4 1 5 1
3 5 = 4 c21 c22 5
3 2
5 0 c31 c32
Para obtener el elemento c11 se usará la primera …la de la matriz A y la primera

columna de la matriz B. Como
P
2
c11 = a1k bk1 = a11 b11 + a12 b21 = ( 2) ( 5) + (4) (3) = 10 + 12 = 22
k=1
Entonces
5
c11 = 2 4 = ( 2) ( 5) + (4) (3) = 10 + 12 = 22
3
84
Similarmente,
P
2
c12 = a1k bk2 = a11 b12 + a12 b22 = ( 2) (1) + (4) (2) = 2+8=6
k=1
ó equivalentemente
1
c12 = 2 4 = ( 2) (1) + (4) (2) = 2+8=6
2
5
c21 = 1 3 = (1) ( 5) + ( 3) (3) = 5 9= 14
3
1
c22 = 1 3 = (1) (1) + ( 3) (2) = 1 6= 5
2
5
c31 = 5 0 = (5) ( 5) + (0) (3) = 25 + 0 = 25
3
1
c32 = 5 0 = (5) (1) + (0) (2) = 5 + 0 = 5:
2
De este modo el producto deseado es,

2 3 2 3 2 3
2 4 c11 c12 22 6
5 1
AB = 4 1 3 5 = 4 c21 c22 5 = 4 14 5 5
3 2
5 0 c31 c32 25 5
Ejemplo 2.2.10 (Multiplicación de Matrices) Sean
3 4 4 1
A= y B=
2 8 0 7
Determine (a) AB y (b) BA.
Solución. Como A y B son matrices 2 2, entonces los productos AB y BA están

de…nidos, luego
3 4 4 1 12 + 0 3 + 28 12 31
AB = = =
2 8 0 7 8+0 2 + 56 8 54
4 1 3 4 12 2 16 + 8 14 8
BA = = =
0 7 2 8 0 14 0 + 56 14 56
85
Observación 2.2.3 Observe que AB 6= BA. Esto muestra que en general la mul-
tiplicación de matrices no es conmutativa.
Como en el caso de AX, con frecuencia es útil obtener AB elemento por elemento.
En este caso el (i; j)-ésimo elemento del producto AB puede calcularse como sigue:
Tomando la i-ésima …la de A y la j-ésima columna de B, multiplicamos entre si sus
elementos correspondientes y luego sumamos todos los productos.
Ejemplo 2.2.11 Sean
2 3
3 2 4
2 0 1
A= y B=4 2 4 5 5
2 1 2
0 3 2
Calcule los elementos c12 y c23 del producto AB = C.
Solución. Considerando la primera y segunda …la de A y la segunda y tercera
columna de B se obtiene
2 3
2
c12 = 2 0 1 4 4 5=2 2+0 4+1 3=7
3
2 3
4
c23 = 2 1 2 4 5 5 = 2 4 + 1 5 + 2 ( 2) = 9
2
De este modo se tiene
2 3
3 2 4
2 0 1 4 c11 7 c13
2 4 5 5 =
2 1 2 c21 c22 c23
0 3 2
2 3
3 2 4
2 0 1 4 c11 c12 c13
2 4 5 5 =
2 1 2 c21 c22 9
0 3 2
X
Ejemplo 2.2.12 Sean A y B del ejemplo anterior. Calcule la tercera columna de
AB.
Solución. Es igual que el producto de A por la tercera columna de B. Es decir,
2 3
4
2 0 1 4 6
AB3 = 5 5=
2 1 2 9
2
X
86
Ejemplo 2.2.13 Sean A y B del ejemplo anterior. Calcule la segunda …la de AB.
Solución. Es igual que el producto de la segunda …la A por la matriz B. Es decir,

2 3
3 2 4
A2 B = 2 1 2 4 2 4 5 5 = 4 14 9
0 3 2
X
En general:
La i ésima …la de AB es el producto de la i-ésima …la de A por B:
La j ésima columna de AB es el producto A por la j-ésima columna de B:
Las propiedades básicas de la multiplicación de matrices se resume en el siguiente.
Teorema 2.2.2 Si A es una matriz m n, B y C tienen tamaños tales que las

operaciones siguientes estan de…nidas y si a es cualquier escalar. Entonces
1. (AB) C = A (BC) Ley asociativa

2. A (B + C) = AB + AC Ley distributiva izquierda
3. (B + C) A = BA + CA Ley distributiva derecha
4. a (BC) = (aB) C = B (aC)
5. Im A = AIn = A Identidad multiplicativa
6. 0A = 0 y A0 = 0
Ejemplo 2.2.14 Compruebe la ley distributiva de la multiplicación de matrices si,

2 3
1 1
1 2 1 0
A = 4 0 1 5; B= ; C=
3 4 1 1
1 0
Solución.
2 3 2 3
1 1 6 7
2 2
A (B + C) = 4 0 1 5 =4 4 5 5
4 5
1 0 2 2
2 3 2 3 2 3
4 6 2 1 6 7
AB + AC = 4 3 4 5 + 4 1 1 5=4 4 5 5
1 2 1 0 2 2
X
87
Problemas que se presentan en la multiplicación de matrices
El teorema anterior describe propiedades que se comparten tanto en la multiplicación
matricial como en la ordinaria (con I en lugar de 1). Sin embargo, hay diferencias
importantes que hacen que la multiplicación de matrices sea algo más di…cil, pero
mucho más interesante que la multiplicación ordinaria. La diferencia más notable es
que la multiplicación de matrices no es conmutativa, lo que signi…ca que la propiedad
ab = ba válida para todos los números, no lo es para las matrices. Para que ocurra
esto existe más de una razón veamos.
1. Si AB está de…nida, esto no implica necesariamente que BA lo este. Por

ejemplo, si A es 2 2 y B es 2 3.
2. Si AB y BA están de…nidas, no tienen por qué ser del mismo tamaño. Por
ejemplo, si A es 3 2 y B es 2 3.
3. Si AB y BA están de…nidas, y son del mismo tamaño, no tienen por qué ser
iguales. Por ejemplo,
1 1 0 1 0 1 0 1 1 1 1 1
= ; mientras que =
1 1 0 0 0 1 0 0 1 1 0 0
4. Si AB = 0 no siempre implica que A o B sean cero (ni siquiera cuando es

A = B). Por ejemplo,
2 3 6 6 0 0
=
4 6 4 4 0 0
5. CA = CB, no necesariamente implica que A = B. Por ejemplo,

1 0 1 1 1 1 1 0 1 1
= =
0 0 1 1 0 0 0 0 0 0
6. AC = BC, no siempre implica que A = B. Encuentre un ejemplo.

7. En general (AB)n 6= An B n .
Aplicaciones
Las matrices y las operaciones matriciales pueden emplearse para registrar, actua-
lizar y escalar datos tabulares. En los siguientes ejemplos de aplicación se muestra
cómo se pueden usar las matrices para registrar y organizar datos, también se de-
muestra que la multiplicación de matrices es un medio e…ciente de llevar a cabo
determinados cálculos.
88
Ejemplo 2.2.15 (Actualización de existencia) Una empresa tiene tres librerias
y cada una de ellas tiene libros de …cción, de viajes y de deportes. Las cantidades
de libros se tabulan como sigue:
Librería Ficción
2 Viajes Deportes
3
1 300 300 100
2 4 300 100 240 5
3 50 150 200
Suponga que las entregas a cada librería están representadas por la matriz D. Calcule
las existencias actualizadas.
2 3
60 40 20
D = 4 60 40 30 5
60 40 30
Solución. Para conocer las existencias actualizadas es necesario sumar las dos ma-
trices. Esto es,
2 3 2 3 2 3
300 300 100 60 40 20 360 340 120
4 300 100 240 5 + 4 60 40 30 5 = 4 360 140 270 5
50 150 200 60 40 30 110 190 230
Así, la librería 3 tiene ahora 190 libros de viajes. X
Ejemplo 2.2.16 (Escalamiento) Suponga que las distancias, en millas, entre An-
napolis, Baltimore y Washington, se expresa como sigue:
Ciudad Annapolis
2 Baltimore Washington
3
Annapolis 0 30 25
Baltimore 4 30 0 18 5
Washington 25 18 0
Si deseamos trazar un mapa cuya escala sea tal que 1 pulgada en el papel corresponda
a 5 mi de distancia real, ¿cuál es la matriz de las distancias del mapa?
Solución. Por ejemplo, una distancia de 30 millas se representa con
1 pulg
30 mi = 6 pulg
5 mi
1
De modo, que necesitamos multiplicar todos los elementos de la matriz por 5 = 0:2.
este es el producto de la matriz por el escalar 0:2.
2 3 2 3
0 30 25 0 6 5
0:2 4 30 0 18 5 = 4 6 0 3:6 5
25 18 0 5 3:6 0
X
89
Ejemplo 2.2.17 (Ingresos procedentes de diversas fuentes) cada una de las
tiendas, a1 y a2 , reciben diariamente televisores (t) y videocaseteras (v) de dos fa-
bricantes, f1 y f2 . Las recepciones o ventas se representan como sigue:
t v
f1 40 50
f2 70 80
El precio en dólares, por aparato en cada tienda, es como sigue:
a1 a2
t 200 250
v 300 280
Si A y B son las matrices de las tablas anteriores, calcule e interprete el producto

AB.
Solución.
40 50 200 250 23:000 24:000
AB = =
70 80 300 280 38:000 39:900
El elemento c11 del producto AB es
40 200 + 50 300 = 23:000
el cual representa los ingresos de la primera tienda por vender todos los electrodomés-
ticos que provienen de la primera fábrica. De igual forma se tiene
$ en a1 de f1 $ en a2 de f1
AB =
$ en a1 de f2 $ en a2 de f2
Ejemplo 2.2.18 (Ganancias) En una tienda de ropa se venden camisas a 25 $,

corbatas de seda a 8 $ y trajes de lana a 300 $. El mes pasado se vendieron 100
camisas, 200 corbatas y 50 trajes. ¿Cuál fue la ganancia total por estas ventas?
Solución. Establecemos una matriz …la R para representar los precios de cada
artículo y una matriz columna C para el número de artículos vendidos. Entonces,
2 3
100
R = 25 8 300 y C = 4 200 5
50
90
Luego la ganancia obtenida es el producto RC. es decir,
2 3
100
RC = 25 8 300 4 200 5 = 25 100 + 8 200 + 300 50 = 19; 100$
50
Ejemplo 2.2.19 Una empresa constructora se dedica a la construcción de tres tipos

de carreteras x; y y z, los principales materiales necesarios son cemento (c), metal
(m) y arena (a). La matriz M , 3 3 muestra cuánto material se necesita para cada
tipo de carretera, expresado en unidades adecuadas.
Cantidad de materiales
2c m a3
4 2 5 tipo x
M= 4 5 4 8 5 tipo y
7 3 6 tipo z
La empresa hace un contrato para construir 700 metros lineales del tipo x, 800 del
tipo y y 900 del tipo z, el contrato está en forma de la matriz T ,1 3:
Cantidad de metros de cada tipo

x y z
T = 700 800 900
a) Forme la matriz que exprese la cantidad total de cada material necesarios para
satisfacer el contrato.
b) La empresa constructora compra todos los materiales de dos proveedores. Los

precios unitarios del proveedor v1 son 42.50 Bs. el cemento, 23.60 Bs el metal
y 40.15 Bs la arena. El proveedor v2 cobra 42.65 Bs. el cemento, 23.40 Bs el
metal y 40.10 Bs la arena. Forme la matriz de costo C, 3 2 cuyas columnas
muestran los precios unitarios de cada proveedor y determine la matriz Q,
3 1 que muestre el costo de los materiales para cada tipo basados en los dos
conjuntos de precios de proveedor.
c) Determine la matriz N , 1 2 que muestre el costo total de materiales para

cumplir el contrato, para cada conjunto de precios de proveedor. Sólo con base
en costos, ¿a qué proveedor debe comprar sus materiales la empresa?
91
Solución. (a) La cantidad total de unidades de cemento necesarios es:
(700) (4) + (800) (5) + (900) (7) = 13100
La cantidad total de unidades de metal necesarios es:
(700) (2) + (800) (4) + (900) (3) = 7300
La cantidad total de unidades de arena necesarios es:
(700) (5) + (800) (8) + (900) (6) = 15300
Si comprendemos estos cálculos llegamos al siguiente producto de matrices.
2c m a 3
x y z 4 2 5 c m a
TM = 700 800 900 4 5 4 8 5= 13100 7300 15300
Unidades por 7 3 6 total
tipo cantidad de unidades
unidades
(b) Precios de proveedores
2v1 v2 3
42:50 42:65 cemento
C = 4 23:60 23:40 5 metal
40:15 40:10 arena
costo por tipo basado en

2c m a 3 2 3 2 v1 v2 3
4 2 5 42:50 42:65 c 417:95 417:9 tipo x
4
MC = 5 4 8 5 4 23:60 23:40 5 m = 4 628:1 627:65 5 tipo y
7 3 6 40:15 40:10 a 609:2 609:35 tipo z
(c) Matriz de costo total de materiales basados en los proveedores v1 y v2 .
2 3
417:95 417:9
T (M C) = 700 800 900 4 628:1 627:65 5 = 1343325 1343065
609:2 609:35
como
1343325 1343065 = 260.
Esto dice que, la empresa ahorrará 260 Bs. si compra solamente del proveedor v2 .
X
92
Traza de una matriz y sus propiedades.
De…nición 2.2.2 Si A es una matriz cuadrada, entonces la traza de A denotado
por Tr A es la suma de los elementos de la diagonal principal. Es decir,
n
X
Tr A = aii = a11 + a22 + + ann
i=1
Ejemplo 2.2.20 Si, 2 3

1 6 3
A=4 4 5 8 5
2 5 9
Entonces Tr A = 1 + 5 + 9 = 15.
Las propiedades fundamentales de la traza están contenidas en el siguiente.
Teorema 2.2.3 Si A es una matriz n n y sea c cualquier escalar, entonces
a) Tr (cA) = c Tr A
b) Tr (A + B) = Tr A + Tr B
c) Tr (AB) = Tr (BA)
Ejemplo 2.2.21 Veri…que las anteriores propiedades, usando

2 3 2 3
5 4 2 8 3 1
4
A= 4 5 2 5; B = 4 3 7 3 5 y c = 4.
2 2 2 1 2 5
Solución. Puesto que, Tr A = 12 y Tr B = 20
a) vemos que,
2 3 2 3
5 4 2 20 16 8
4A = 4 4 4 5 2 5 = 4 16 20 8 5 entonces, Tr (4A) = 48;
2 2 2 8 8 8
luego,
Tr (4A) = 48 = 4 12 = 4 Tr (A) .
Esto muestra que Tr (4A) = 4 Tr A.
93
b) Como
2 3 2 3 2 3
5 4 2 8 3 1 13 1 3
A+B =4 4 5 2 5+4 3 7 3 5 = 4 7 12 1 5
2 2 2 1 2 5 3 4 7
Luego,
Tr (A + B) = 32 = 12 + 20 = Tr A + Tr B.
Esto muestra que Tr (A + B) = Tr A + Tr B.
c) Como,
2 32 3 2 3
5 4 2 8 3 1 54 17 3
AB = 4 4 5 2 5 4 3 7 3 5=4 49 27 1 5
2 2 2 1 2 5 24 12 6
2 32 3 2 3
8 3 1 5 4 2 30 19 12
BA = 4 3 7 3 54 4 5 2 5=4 37 41 14 5
1 2 5 2 2 2 23 24 16
Entonces,
Tr (AB) = 54 + 27 + 6 = 87 y Tr (BA) = 30 + 41 + 16 = 87
Esto muestra que, Tr (AB) = Tr (BA).
X
Recordemos que la transpuesta At de una matriz A, m n es la matriz n m que
se obtiene de A intercambiando las …las de A con las columnas de A. Las propiedades
formales básicas de la transpuesta, están contenidas en el siguiente teorema donde
se ve cómo la transpuesta afecta a las operaciones matriciales básicas.
Teorema 2.2.4 Sean A y B matrices tales las siguientes operaciones estan de…nidas
y si a cualquier escalar. Entonces
t
1. At =A
2. (A + B)t = At + B t
3. (aA)t = aAt
4. (AB)t = B t At
94
Ejemplo 2.2.22 Veri…que, (AB)t = B t At utilizando:
2 3
1 0
1 2 3
A= y B=4 2 1 5
2 1 4
3 2
Solución. Por una parte se tiene,

2 3
1 0
1 2 3 4 14 8 14 16
AB = 2 1 5= entonces (AB)t =
2 1 4 16 9 8 9
3 2
y por otra parte tenemos

2 3
1 2
1 2 3 4 2 1 5= 14 16
B t At =
0 1 2 8 9
3 4
Esto muestra que (AB)t = B t At . X

Finalizamos esta sección demostrando una importante propiedad de las matrices
simétricas y antisimétricas. Recordemos que una matriz A cuadrada es simétrica si,
At = A, y es antisimétrica si At = A.
Teorema 2.2.5 Si A es una matriz cuadrada, entonces A = S + K, donde S es

simétrica y K antisimétrica. Además, esta descomposición es única.
Demostración. Supongamos que existe la mencionada descomposición
A=S+K
donde S es simétrica y K es antisimétrica. Determinemos S y K. Como
At = S t + K t
= S K
Sumando las expresiones A y At , obtenemos
A + At = 2S
de donde,
1
S= A + At
2
95
Ahora, restando en lugar de sumar tenemos
1
K= A At
2
Resulta fácil veri…car que A = S + K, que S es simétrica y K es antisimétrica. Así,
hemos demostrado que tal representación es posible y que las expresiones para S y
K son únicas. X
Ejemplo 2.2.23 Descomponga la siguiente matriz, como suma de una matriz simétrica
y una antisimétrica. 2 3
3 2 1
A=4 5 2 3 5
1 6 2
Solución. Como 2 3
3 5 1
At = 4 2 2 6 5
1 3 2
entonces
2 3 2 3
6 3 0 3 23 0
1 1
S = A + At = 4 3 4 9 5 = 4 32 2 92 5
2 2
0 9 4 0 29 2
2 3 2 7
3
0 7 2 0 2 1
1 14 5 4 5
K = A At = 7 0 3 = 7
2 0 3
2
2 2 3
2 3 0 1 2 0
De este modo se tiene la descomposición deseada.

2 3 2 3 2 3
3 32 0 0 7
2 1 3 2 1
S + K = 4 23 2 92 5 + 4 72 0 3 5
2 =4 5 2 3 5 = A.
9 3
0 2 2 1 2 0 1 6 2
2.3 Matrices invertibles o no singulares

En está sección se estudiarán matrices cuadradas de un tipo especial; a saber, las
matrices invertibles, estas matrices desempeñarán un papel muy importante en el
resto de este curso.
96
De…nición 2.3.1 Si A es una matriz de orden n, entonces la inversa de A es una
matriz A 1 también de orden n, tal que
1 1
AA =A A=I
Donde I es la matriz identidad de orden n. Si tal matriz A 1 existe, entonces A se

dice que es no singular o invertible; por otra parte si tal A 1 no existe se dice que
A es singular o no invertible.
En la notación A 1 , 1 no es un exponente, sólo indica la inversa de A, por lo

tanto no es correcto escribir,
1
A 1=
A
pues la división entre matrices no está de…nida.
Observación 2.3.1 De la anterior de…nición se observa, que la inversa A 1 de una

matriz A, también es invertible o no singular, pues existe la matriz A talque:
1 1
A A = AA = I.
1 1 1
Esto muestra que A = A, en consecuencia, A y A son invertibles entre sí.
Observación 2.3.2 Observe que la de…nición de inversa de una matriz no dice que
toda matriz cuadrada tenga inversa. De hecho existen una in…nidad de matrices
cuadradas que no tienen inversa (como veremos en algunos ejemplos). Sin embargo
el siguiente teorema establece que si una matriz tiene inversa, entonces ésta inversa
es única.
Teorema 2.3.1 (Unicidad de la matriz inversa) Si A es una matriz invertible,

entonces su inversa A 1 es única.
Demostración. Sean A 1 y B dos inversas de A, entonces por de…nición de matriz

inversa se tiene
1 1
AA =A A=I y AB = BA = I
La idea es mostrar que A 1 y B son iguales.

1 1 1 1
B = BI = B AA = (BA) A = IA =A
esto muestra que, A 1 = B. Por consiguiente se concluye que la inversa de una

matriz si existe es única.X
En los siguientes ejemplos, se ilustra cómo aplicar un sistema de ecuaciones para
encontrar la inversa de una matriz, si existe.
97
Ejemplo 2.3.1 Encontrar la inversa (si existe) de la matriz.
2 3
A=
1 2
Solución. Se trata de encontrar una matriz

1 a11 a12
A =
a21 a22
que satisfaga
1 1
AA =A A=I
cosideremos la igualdad, AA 1 = I, lo cual signi…ca:
2 3 a11 a12 1 0
=
1 2 a21 a22 0 1
Esto es,
2a11 + 3a21 2a12 + 3a22 1 0
=
a11 + 2a21 a12 + 2a22 0 1
igualando las columnas se obtienen los siguientes sistemas:
2a11 + 3a21 = 1 2a12 + 3a22 = 0
y
a11 + 2a21 = 0 a12 + 2a22 = 1
cuyas matrices aumentadas son
2 3 : 1 2 3 : 0
y
1 2 : 0 1 2 : 1
reduciendo éstas matrices a la forma escalón por …las reducida se obtiene
1 0 : 2 1 0 : 3
y
0 1 : 1 0 1 : 2
Esto, dice que
a11 = 2; a21 = 1, para el primer sistema, y

a12 = 3; a22 = 2, para el segundo.
En consecuencia la inversa de la matriz dada es

1 2 3
A =
1 2
X
98
Observación 2.3.3 Como los dos sistemas planteados tienen la misma matriz de
coe…cientes, podemos ahorrar la escritura, si los combinamos en la forma
2 3 : 1 0
1 2 : 0 1
luego, reduciendo esta a la forma escalón por …las reducida se obtiene
1 0 : 2 3
0 1 : 1 2
Observemos que comenzamos con [A : I] y despúes de la reducción obtuvimos I : A 1 ,

de donde podemos leer fácilmente A 1 .
Ejemplo 2.3.2 Encontrar la inversa (si existe) de la matriz.
1 1
A=
1 1
Solución. Se trata de encontrar una matriz:
1 a11 a12
A =
a21 a22
que satisfaga:
1 1
AA =A A=I
considerando la igualdad, AA 1 = I, se tiene:
1 1 a11 a12 1 0
=
1 1 a21 a22 0 1
entonces,
a11 + a21 a12 + a22 1 0
=
a11 + a21 a12 + a22 0 1
igualando las columnas se obtienen los siguientes sistemas
a11 + a21 = 1 a12 + a22 = 0

y
a11 + a21 = 0 a12 + a22 = 1
cuyas matrices aumentadas son:
1 1 : 1 1 1 : 0
y
1 1 : 0 1 1 : 1
99
combinando estas en una sola se tiene
1 1 : 1 0
1 1 : 0 1
y reduciendo a la forma escalón por …las reducida se obtiene:
1 1 : 1 0
0 0 : 1 1
lo que signi…ca que los sistemas planteados no tienen solución. Al no existir escalares
a11 ; a12 ; a21 y a22 que satisfagan la condición AA 1 = I, se concluye que la matriz
dada no tiene inversa.X
Este último ejemplo, muestra que no toda matriz cuadrada tiene inversa. En-
tonces es natural preguntarnos, ¿dada una matriz cuadrada cómo saber, si tiene o
no inversa?
La respuesta nos proporciona el siguiente.
Teorema 2.3.2 Una matriz cuadrada A, es invertible (no singular) sí, y sólo si,
det (A) 6= 0.
Observe que, este teorema identi…ca de una manera muy precisa qué matrices
tienen inversa. En particular para matrices cuadradas de orden 2 podemos determi-
nar exactamente cuáles son invertibles y citar una fórmula fácil para A 1 .
Corolario 2.3.3 La matriz

a11 a12
A=
a21 a22
es invertible sí, y sólo si, det (A) = a11 a22 a21 a12 6= 0, en cuyo caso
1 1 a22 a12
A =
det(A) a21 a11
De este modo, el número det(A) determina si una matriz tiene inversa, este
número que se llama determinante de la matriz A, se estudiará en detalle en el
siguiente capítulo.
Ejemplo 2.3.3 Decida si las siguientes matrices
2 3 5 3
A= y B=
4 6 4 3
son o no invertibles, si alguno de ellos es invertible encuentre su inversa.
100
Solución. Como
det(A) = (2) (6) ( 4) ( 3) = 0
se concluye que la matriz A no es invertible.
De la misma forma veamos si la matriz B es o no invertible, como
det(B) = (5) (3) ( 4) ( 3) = 3 6= 0
entonces la matriz B es invertible, cuya inversa es
1 1 3 3 1 1
A = = 4 5
3 4 5 3 3
X
A continuación presentamos un algoritmo general para determinar la inversa de
una matriz (si ésta existe).
2.3.1 Método de Gauss-Jordan para invertir una matriz

Para determinar la inversa A 1 de una matriz A; si existe, se usa el siguiente proceso
simple de dos pasos:
Paso 1 Forme la matriz super aumentada [A : I] :
Paso 2 Aplique operaciones elementales sobre …las a la matriz [A : I] hasta
transformarla (si es posible) en la matriz [I : B] :
Conclusión. Si es posible reducir la matriz A en la matriz identidad I, se
concluye que A 1 = B. De no ser así, la matriz A no tiene inversa. Es decir, si la
reducción por …las de A conduce a una …la de ceros, entonces se concluye que A no
tiene inversa.
Ejemplo 2.3.4 Determine A 1 si

2 3
1 0 1
A=4 3 4 2 5
3 5 2
Solución. Al formar la matriz super aumentada [A : I] obtenemos

2 3
1 0 1 : 1 0 0
4 3 4 2 : 0 1 0 5
3 5 2 : 0 0 1
101
Aplicando operaciones elementales de …las a esta matriz se tiene
2 3 2 3
1 0 1 : 1 0 0 1 0 1 : 1 0 0
4 3 5 3 4 3
4 2 : 0 1 0 ! 0 4 1 : 3 1 0 5 !
3 5 2 : 0 0 1 0 5 1 : 3 0 1
2 3 2 3
1 0 1 : 1 0 0 1 0 1 : 1 0 0
4 0 2 3
4 1 : 3 1 0 5 !4 0 4 1 : 3 1 0 5 !
1 3 5
0 0 4 : 4 4 1 0 0 1 : 3 5 4
2 3 2 3
1 0 0 : 2 5 4 1 0 0 : 2 5 4
4 0 2
4 0 : 0 4 4 5 !4 0 1 0 : 0 1 1 5
0 0 1 : 3 5 4 0 0 1 : 3 5 4
Por consiguiente, 2 3
2 5 4
A 1
=4 0 1 1 5
3 5 4
X
Como se dijo arriba, con este método no sólo se calculan inversas, sino también
se detectan matrices no invertibles, como vemos en el siguiente.
Ejemplo 2.3.5 Encuentre la inversa de la siguiente matriz (si existe)

2 3
1 2 1
A=4 3 7 10 5
7 16 21
Solución. Al aplicar operaciones elementales de …las a la matriz [A : I] se obtiene

2 3 2 3
1 2 1 : 1 0 0 1 2 1 : 1 0 0
4 3 7 3 3
10 : 0 1 0 5 ! 4 0 1 7 : 3 1 0 5 !
7 16 21 : 0 0 1 0 2 14 : 7 0 1
2 3
1 2 1 : 1 0 0
4 0 1 7 : 3 1 0 5
0 0 0 :
En éste momento, se para el proceso de reducción, puesto que es claro que no

podemos obtener la matriz identidad en la izquierda, porque una parte de la matriz
izquierda contiene una …la de ceros. Luego vemos que no es posible convertir la
matriz [A : I] en la forma I : A 1 . Por consiguiente la matriz A no tiene inversa.X
El teorema siguiente, describe las propiedades básicas de las matrices invertibles.
102
Teorema 2.3.4 (Propiedades de las matrices invertibles)
1. El producto de dos matrices invertibles, es invertible. Su inversa es el producto

de las inversas de los factores en orden inverso. Así, si A y B son matrices
invertibles, también AB lo es, y
1 1 1
(AB) =B A
2. La inversa de una matriz invertible también, es invertible. Su inversa es la

matriz original. Por consiguiente, si A es invertible, también lo es A 1 , y
1 1
A =A
3. Cualquier producto de un escalar distinto de cero por una matriz invertible es

invertible. Su inversa es el producto del recíproco del escalar por la inversa de
la matriz. Por consiguiente, si A es invertible y k es un escalar distinto de
cero, entonces kA es invertible, y
1 1 1
(kA) = A
k
4. Si A es una matriz invertible, también lo es At . En este caso

1 1 t
At = A
Demostración. 1. Note que necesitamos comprobar que

1 1 1 1
(AB) B A =I= B A (AB)
Entonces,
1 1 1 1 1 1
(AB) B A = A BB A = AIA = AA =I
1 1 1 1 1 1
B A (AB) = B A A B=B IB = B B=I
2. Como A es invertible, entonces existe A 1 tal que

1 1
AA =A A=I
1
Esto, demuestra que A 1 también es invertible, y además A 1 = A.
3. Aplicando las propiedades de la multiplicación escalar, se tiene
1 1 1 1
(kA) A = k AA = (1) I = I
k k
103
Esto muestra que (kA) es invertible y que (kA) 1 = k1 A 1 .
4. Aplicando una de las propiedades de transpuesta y la de…nición de inversa se
tiene
t t t
At A 1 = A 1 A = A 1 A = I t = I
1 1 t.
Así, concluimos que At es invertible y que At = A X
Observación 2.3.4 La primera propiedad del anterior teorema establece que la in-
versa de un producto de dos matrices invertibles es el producto de sus inversas
tomado en orden inverso. Esto puede generalizarse para el producto de varias ma-
trices invertibles, en éste caso se tiene:
1
(A1 A2 An ) = An 1 An 1 1 A2 1 A1 1 :
Ejemplo 2.3.6 Veri…que la propiedad (AB) 1 = B 1 A 1 usando las matrices

2 3 2 3
1 3 3 1 2 3
A=4 1 4 3 5 y B=4 1 3 3 5
1 3 4 2 4 3
Solución. Aplicando el hecho de que A 1 y B 1 están de…nidas por

2 3 2 3
7 3 3 1 2 1
A 1=4 1 1 0 5 y B 1=4 1 1 0 5
2 1
1 0 1 3 0 3
se ve por una parte que,

2 32 3 2 3
1 2 1 7 3 3 8 5 2
B 1A 1 = 4 1 1 0 54 1 1 0 5=4 8 4 3 5
2 1 7
3 0 3 1 0 1 5 2 3
Por otra parte, como

2 32 3 2 3
1 3 3 1 2 3 10 23 21
AB = 4 1 4 3 5 4 1 3 3 5 = 4 11 26 24 5
1 3 4 2 4 3 12 27 24
Al invertir esta matriz se obtiene.

2 3
8 5 2
(AB) 1
=4 8 4 3 5
7
5 2 3
104
Observe que (AB) 1
=B 1A 1. X
Precaución. En general
1 1 1 1 1 1
(A + B) 6= A +B y (AB) 6= A B
La propiedad correcta (AB) 1 = B 1 A 1 , se conoce a menudo como la "regla de los
calcetines y zapatos", debido a que, aunque nos ponemos nuestros calcetines antes
que nuestros zapatos, nos los quitamos en el orden inverso.
Recordemos que en general, para una ecuación matricial
AC = BC
no se pueden simpli…car las C, (ver ejercicio 2.5.41). Sin embargo, esa cancelación
es posible cuando C es invertible. Así, como establece el siguiente.
Teorema 2.3.5 (Propiedades de cancelación) Si C es una matriz invertible,

entonces se cumplen las siguientes propiedades.
1. AC = BC, entonces A = B
2. CA = CB, entonces A = B
Demostración. 1. Como la matriz C es invertible, entonces existe C 1 tal que

1 1
CC =C C=I
Por consiguiente
AC = BC
1 1
(AC) C = (BC) C
1 1
A CC = B CC
AI = BI
A = B
La parte 2 se demuestra de manera semejante. X
Ecuaciones sencillas con productos de matrices

Las propiedades básicas de las operaciones matriciales nos permiten resolver algunas
ecuaciones matriciales; siempre y cuando se tome en cuenta la siguiente.
105
Precaución. Cuando se multiplica ambos lados de una ecuación matricial por
una matriz, se debe usar la multiplicación por la izquierda o por la derecha, pero no
ambas a la vez. Así,
A = B =) CA = CB o A = B =) AD = BD
mientras que
A=B no implica que CA = BC
Ejemplo 2.3.7 Despeje X de la ecuación matricial
AXC B = 0,
suponiendo que A y C son invertibles y que todos los tamaños son compatibles.
Solución. Aplicando las propiedades de las operaciones matriciales se puede despe-

jar X al pasarlo al lado izquierdo de la ecuación, como vemos a continuación.
AXC B = 0
AXC = B
1 1
A AXC = A B
1
XC = A B
1 1 1
XCC = A BC
1 1
X = A BC
X
En particular si especi…camos en el ejemplo anterior las matrices A; B y C por
2 1 1 1 0 1
A= ; B= y C=
7 4 2 2 2 1
entonces
1 1
1 1 4 1 1 1 2 2 1 1
X=A BC = = 3 3
7 2 2 2 1 0 2 2
Error frecuente. La expresión A 1 BA por lo general no se simpli…ca para

obtener B. (Sólo si A y B conmutan)
Ejemplo 2.3.8 Resuelva la siguiente ecuación matricial para X (suponiendo que

las matrices involucradas son de tal clase que todas las operaciones indicadas estén
de…nidas).
2
A 1 (BX) 1 = A 1 B 3
106
Solución. Existe muchas maneras para proceder en este caso. Una solución es la
siguiente:
1 1 1 2
A (BX) = A B3
1 2
((BX) A) = A 1B3
h i 1 h i 1
2
((BX) A) 1 = A 1B3
1 1
(BX) A = A B3 A 1
B3
1 1 1
(BX) A = A B3 A 1
B3
3 1 1 3 1 1
(BX) A = B A B A
3 3
BXA = B AB A
1 1 1 3 3 1
B BXAA = B B AB AA
4 3
IXI = B AB I
4 3
X = B AB
(¿Puede justi…car cada paso?) Note el uso repetido y cuidadoso de la propiedad

1 1 1 1 2
(AB) =B A y la expresión de A B3
Note también, el uso de manera libre de la propiedad asociativa de la multiplicación

de matrices con el …n de simpli…car la colocación (o eliminación) de los paréntesis.
X
Resolución de sistemas de ecuaciones

Es posible utilizar las matrices inversas para resolver sistemas de ecuaciones lineales
donde el número de ecuaciones es igual al de incógnitas. Así, como establece el
siguiente.
Teorema 2.3.6 Si la matriz A, es invertible, Entonces el sistema de ecuaciones

lineales representado por
Ax = b
tiene solución única para cada vector b. Dado por
1
x=A b
107
Demostración. Como A es invertible, entonces
Ax = b
1 1
A Ax = A b
1
Ix = A b
1
x = A b
Además, ésta solución es única, pues si x1 y x2 fuesen dos suluciones, se podría

aplicar la propiedad de cancelación a la ecuación
Ax1 = Ax2
para concluir que x1 = x2 .

En este caso, todas las soluciones se expresan con la misma fórmula A 1 b. X
Como consecuencia inmediata y caso especial del anterior teorema se tiene el

siguiente.
Corolario 2.3.7 Si A es invertible, entonces el sistema homogéneo
Ax = 0
sólo tiene la solución trivial.
Ejemplo 2.3.9 Aplique la inversión matricial para resolver el siguiente sistema

x 4y = 2
x 3y = 1
Solución. Como la forma matricial del sistema es

1 4 x 2
=
1 3 y 1
entonces
1
x 1 4 2
=
y 1 3 1
3 4 2
=
1 1 1
2
=
1
Por consiguiente se tiene la siguiente solución x = 2 y y= 1. X
108
Ejemplo 2.3.10 Resolver el siguiente sistema empleando A 1, siendo A la matriz
de coe…cientes.
2x z = 2
x + 2y + z = 0
3x 2y 4z = 10
Solución. Como la matriz de coe…cientes es
2 3 2 3 1 1
3
2 0 1 4 4 4
6 7 1 6 1 5 1 7
A=4 1 2 1 5 cuya inversa es A =4 8 8 8 5
1 1 1
3 2 4 2 2 2
entonces, considerando que X = A 1 b, se tiene

2 3 2 3 1 1
32 3 2 3
x 4 4 4 2 1
6 7 6 1 5 1 76 7 6 3 7
4 y 5=4 8 8 8 54 0 5 = 4 2 5
1 1 1
z 2 2 2 10 4
Por consiguiente, x = 1; y = 3
2 y z= 4. X
Observación 2.3.5 Observe, una vez que se dispone de A 1 cualquier sistema se

puede resolver con poca di…cultad. De hecho, cualquier sistema que tenga la misma
A como matriz de coe…cientes se puede resolver con la misma rapidez, sin importar
cual es la matriz de los términos independientes. Por consiguiente, este método de
la inversa es de especial utilidad para resolver más de un sistema lineal que tenga la
misma matriz de coe…cientes. Así, como vemos en el siguiente.
Ejemplo 2.3.11 En una clase de matemática se ha visto cómo resolver un sistema

lineal de tres ecuaciones con tres variables mediante los métodos de eliminación de
Gauss o eliminación de Gauss-Jordan. El profesor plantea un problema a sus 30
alumnos y pide a cada uno resolver un sistema de la forma
2x + 5y + 3z = a
x + y + z = b
3x + 2y z = c
sin dar a dos estudiantes los mismos valores de las constantes a; b y c.
(a) Resuelva los sistemas para los tres casos en que
2 3 2 3 2 3 2 3
a 3 5 2
B = 4 b 5 siendo B = 4 1 5 ; B = 4 4 5; B = 4 3 5
c 2 12 14
(b) ¿Cuál sería la intensión del profesor al estructurar de este modo el problema?
109
Solución. (a) La matriz de coe…cientes, que resulta ser igual para los 30 sistemas,
y su inversa son
2 3 2 3
2 5 3 3 11 2
A=4 1 1 1 5 A 1=4 2 7 1 5
3 2 1 5 19 3
entonces, usando X = A 1 B para cada uno de los tres casos, que escribimos a
continuación en forma condensada, se llega a las soluciones como sigue.
2 3 2 32 3 2 3 2 3
x 3 11 2 3 : 5 : 2
4 y 5 = 4 2 7 1 54 1 5 : 4 4 5 : 4 3 5
z 5 19 3 2 : 12 : 14
2 3 2 3 2 3
6 : 5 : 1
= 4 3 5 : 4 6 5 : 4 3 5
10 : 15 : 5
(b) Como no hay dos estudiantes que tengan las mismas tres constantes a; b y
c, su respuesta al problema debe ser algo distinta. En consecuencia, hay un seguro
automático incorporado (contra copiar) en la estructura del problema. Sin embargo,
el trabajo del profesor para dar la cali…cación no fue mucho, porque sólo se necesita
determinar una matriz inversa y los cálculos de A 1 B son directos. X
Observación 2.3.6 Desde un punto de vista teórico el teorema 2.3.6 es importante,

pero no es muy práctico para resolver un sistema de ecuaciones lineales. Es decir,
representa más trabajo intentar determinar A 1 y luego multiplicar por b que simple-
mente resolver el sistema por medio de eliminación gaussiana o de Gauss-Jordan,
en otras palabras, casi siempre es más rápido utilizar la eliminación gaussiana o
de Gauss-Jordan para encontrar la solución directamente. Además, la técnica que
proporciona tal teorema sólo funciona cuando la matriz de coe…cientes es cuadrada
e invertible, mientras que los métodos de eliminación siempre pueden ser aplica-
dos. Una situación en la que es util el teorema como técnica de computación es
cuando hay muchos sistemas de ecuaciones lineales, todos con la misma matriz de
coe…cientes, como en el ejemplo anterior.
2.4 Aplicaciones de las operaciones con matrices

Existen demasiadas aplicaciones de las matrices, en esta sección se describen unas
cuantas aplicaciones, para ilustrar los diversos entornos en los cuales surgen.
110
2.4.1 Matrices estocásticas
Una matriz A de orden n se denomina estocástica si cada uno de sus elementos es
un número entre 0 y 1 y la suma de los elementos de cada columna es igual a 1.
Ejemplos de matrices estocásticas son
2 3 2 3 2 3
1 0 0 1=2 1=3 1=4 0:1 0:3 0:5
4 0 1 0 5 4 1=4 0 3=4 5 4 0:5 0:6 0:2 5
0 0 1 1=4 2=3 0 0:4 0:1 0:3
A continuación se describe como utilizar las matrices estocásticas para resolver

ciertos problemas prácticos que se presentan en la vida cotidiana.
Dado un conjunto …nito de estados fS1 ; S2 ; : : : ; Sn g de una población de n per-
sonas; la población actual Pi en cada estado Si se representa por una matriz n 1
como sigue 2 3
P1 S1
6 P2 7 S2
X=6 4 : 5
7
:
Pn Sn
y se llama matriz de estados y como se dijo representa la población actual en cada
uno de los estados Si .
La probabilidad de que un miembro de una población cambie del estado j al
estado i se representa por un número Pij donde 0 Pij 1, por ejemplo, P23 = 0:7
representará la probabilidad de que un miembro de una población dada cambie del
estado 3 al estado 2.
La colección de todas las probabilidades se representa por una matriz P; n n
como sigue
De
z }| {
2 S 1 S 2 S n 3 9
p11 p12 p1n S1 >>
6 p21 p22 7 =
p S
P = 6 4
2n 7
5
2
Para
: >>
;
pn1 pn2 pnn Sn
Esta matriz se denomina matriz de probabilidades de transición. Entonces el pro-
ducto P X de la matriz de probabilidades P y la matriz de estados X que repre-
senta la población actual en cada estado, representa la matriz de estados que da la
población en cada estado al cabo de un periodo de tiempo, esto es
P X = Población en cada estado al cabo de un periodo de tiempo
111
similarmente,
P [P X] = P 2 X = Población en cada estado al cabo de dos periodos de tiempo.
En general
P n X = Representa la población en cada estado al cabo de n periodos de tiempo.
Ejemplo 2.4.1 Dos compañias ofrecen servicio de televisión por cable a una ciudad
de 100.000 casas. El cambio en la suscripción cada año está dado por el diagrama
de la siguiente …gura.
Compañía 20 % Compañía
de cable A 15 % de cable B
70 %
15 10 % % 80 %
% 15 %
5
Televisión
normal
70 %
Actualmente, la compañia A cuenta con 15.000 suscriptores y la compañia B con

20.000. ¿Cuántos suscriptores tendrá cada compañia dentro de un año?
Solución. La matriz que representa las probabilidades de transición dadas es
De
z }| {
2 A B Normal3 9
0:70 0:15 0:15 A =
P = 4 0:20 0:80 0:15 5 B Para
;
0:10 0:05 0:70 Normal
y la matriz de estados que representa la población actual en cada uno de los tres
estados es 2 3
15:000 A
X = 4 20:000 5 B
65:000 Normal
Para encontrar la matriz de estados que representa la población en cada uno de los
tres estados en un año. Se multiplica la matriz P por la matriz X, para obtener
2 32 3 2 3
0:70 0:15 0:15 15:000 23:250
P X = 4 0:20 0:80 0:15 5 4 20:000 5 = 4 28:750 5
0:10 0:05 0:70 65:000 48:000
112
Esto dice que al cabo de un año la compañia A tendrá 23.250 suscriptores y la
compañia B tendrá 28.750 suscriptores. X
Uno de los atractivos de la solución matricial dada en el anterior ejemplo es que
ya una vez creado el modelo, se facilita la determinación de las matrices de estado
que representan años futuros al multiplicar repetidamente por la matriz P . Como
vemos en el siguiente.
Ejemplo 2.4.2 Suponiendo que la matriz de probabilidades de transición dada en

el ejemplo anterior es la misma año tras año, determine el número de suscriptores
que tendrá cada compañia de televisión por cable al cabo de a) dos años, b) cinco
años y c) diez años.
Solución. a) Con base en el ejemplo anterior se sabe que el número de suscriptores

al cabo de un año es
2 3
23:250 A
P X = 4 28:750 5 B
Al cabo de un año
48:000 Normal
Como la matriz de probabilidades de transición es la misma del primer año al segundo

año, entonces el número de suscriptores al cabo de dos años debe ser P (P X). Esto
es, 2 3
27:788 A
2 4
P X = 34:850 5 B
Al cabo de dos años
37:362 Normal
b) Similarmente, el número de suscriptores al término de cinco años será
2 3
32:411 A
P 5 X = 4 43:812 5 B
Al cabo de cinco años
23:777 Normal
c) De la misma forma, el número de suscriptores al cabo de diez años será

2 3
33:287 A
P 10 X = 4 47:147 5 B
Al cabo de diez años
19:566 Normal
Observación 2.4.1 Observe que en este ejemplo, existe poca diferencia entre el
número de suscriptores al cabo de cinco años y al término de diez años. Si se
continúa el proceso mostrado en el ejemplo, el número de suscriptores llegará a un
113
estado estable (o estacionario). Es decir, a medida que no cambie la matriz P , el
producto matricial P n X tiende al límite X. En este ejemplo especi…co, el límite está
dado por la matriz de estados
2 3
33:333
X = 4 47:619 5
Estado estacionario
19:048
Es posible comprobar que P X = X.
Ejemplo 2.4.3 Una población de 100.000 consumidores se agrupa como sigue:

20.000 usuarios de la marca A, 30.000 usuarios de la marca B y 50.000 que no usan
ninguna de las dos marcas. Durante cualquier mes dado, un usuario de la marca A
tiene un 20 % de probabilidad de cambiar a la marca B y un 5 % de probabilidad de
no usar ninguna marca. Un usuario de la marca B tiene un 15 % de probabilidad
de cambiar a la marca A y un 10 % de probabilidad de no usar ninguna de las
marcas. Un no usuario tiene 10 % de probabilidad de comprar la marca A y un 15
% de probabilidad de comprar la marca B. ¿Cuántas personas estarán en cada grupo
dentro de un mes? ¿Dentro de dos meses? ¿Y dentro de tres meses?
Solución. De acuerdo a las condiciones del problema se ve que la población consta

de 100.000 consumidores los cuales se agrupan en tres estados, a saber:
S1 = 20.000 usuarios de la marca A

S2 = 30.000 usuarios de la marca B
S3 = 50.000 usuarios de ninguna marca
Luego, la matriz de estados que representa la población actual en cada uno de los
estados es 2 3
20:000 S1
X = 4 30:000 5 S2
50:000 S3
y la matriz de probabilidades de transición es
De
z }| {
2 S1 S2 S3 3 9
0:75 0:15 0:10 S1 =
P = 4 0:20 0:75 0:15 5 S2 Para
;
0:05 0:10 0:75 S3
durante cualquier mes dado.
114
Para encontrar la matriz de estados que represente la población en cada uno de
los tres estados dentro de un mes se multiplica la matriz P por la matriz X para
obtener la siguiente información,
2 32 3 2 3
0:75 0:15 0:10 20:000 24:500 S1
4
P X = 0:20 0:75 0:15 5 4 5 4
30:000 = 34:000 5 S2
0:05 0:10 0:75 50:000 41:500 S3
que resulta ser la matriz de estados que representa la población en cada uno de los
tres estados al cabo de un mes.
De la misma forma, para encontrar la matriz de estados que represente la población
en cada uno de los tres estados dentro de dos meses se multiplica la matriz P por
la matriz P X para obtener la siguiente información,
2 32 3 2 3
0:75 0:15 0:10 24:500 27:625 S1
4
P (P X) = 0:20 0:75 0:15 5 4 5 4
34:000 = 36:625 5 S2
0:05 0:10 0:75 41:500 35:750 S3
que es la matriz de estados que representa la población en cada uno de los tres
estados dentro de dos meses. Análogamente
2 32 3 2 3
0:75 0:15 0:10 27:625 29:788 S1
4
P (P (P X)) = 0:20 0:75 0:15 5 4 5 4
36:625 = 38:356 5 S2
0:05 0:10 0:75 35:750 31:856 S3
Es la matriz de estados que representa la población en cada uno de los tres estados
al cabo de tres meses. X
2.4.2 Modelos de Leontief de entrada - salida

En una sociedad cada vez más compleja, el cual se presta a una creciente atención
al análisis del comportamiento económico. Por muchas razones, estos problemas
son más di…ciles que los de las ciencias físicas. Por ejemplo, podría ocurrir que
no conociéramos todos los factores o variables, los datos que deben reunirse, si son
su…cientes una vez reunidos o bien es posible que el problema matemático resultante
sea demasiado di…cil de resolver.
En la década de los años treinta, Wassily W. Leontief, profesor de economía de la
Universidad de Harvard, desarrolló un método pionero del análisis matemático del
comportamiento económico. En 1973, recibió el Premio Nobel en Economía por ese
trabajo. En esta subsección se describe una de las aplicaciones del álgebra matricial
a la economía.
115
El álgebra matricial ha demostrado su efectividad en el análisis de problemas
relacionados con la entrada y salida de un sistema económico. El modelo que se
analizará aquí, creado por el economista estadounidense Wassily W. Leontief, fue
publicado por primera vez en 1936.
Matriz de Entrada-Salida
Suponga que un sistema económico tiene n industrias distintas fI1 ; I2 ; : : : ; In g, cada
una de las cuales tiene necesidades de entrada (por ejemplo materia prima, trans-
porte, instalaciones, etc.) y una salida (productos terminados). El coe…ciente de
entrada dij mide la cantidad de entrada que la industria j-ésima requiere de la in-
dustria i-ésima para producir una unidad. La colección de coe…cientes de entrada
está dada por la siguiente matriz n n. Las unidades se miden en "cantidades de
dólar".
Usuario
z }| {
2 I1 I2 In 3 9
d11 d12 d1n I1 >
>
6 d21 d22 =
6 d2n 7
7 I2
D= 4 Proveedor
: : : : 5 : >
>
;
dn1 dn2 dnn In
Esta matriz se denomina matriz de entrada-salida de Leontief. Para comprender
cómo utilizar esta matriz, imagine que los elementos de D están dados en dólares.
Por ejemplo, si d12 = 0:41, entonces debe utilizarse 0:41 dólares del valor del pro-
ducto de la industria 1 para producir un valor de un dólar del producto de la industria
2; si d32 = 0:73, entonces esto signi…ca que debe utilizarse 0.73 dólares del producto
de la industria 3 para producir un valor de un dolar del producto de la industria
2; análogamente si d57 = 0:23, entonces debe utilizarse 0.23 dólares del valor del
producto de la industria 5, para producir un valor de un dólar del producto de la
industria 7. La cantidad total gastada por la j-ésima industria para producir un
valor de un dólar de salida está dada por la suma de los elementos de la j-ésima
columna. Por tanto para que funcione este modelo, los valores de dij deben ser tales
que 0 dij 1 y la suma de los elementos de cualquier columna debe ser menor
que 1.
Observe que el modelo de entrada y salida de Leontief hace resaltar el lado de
producción de la economía y toma en cuenta la interdependencia de las industrias.
Esta interdependencia se presenta debido a que cada industria usa las salidas de
otras industrias como materias primas. A la vez, sus salidas son usadas por otras
industrias como entradas. Por ejemplo, supóngase que se divide la economía en tres
sectores: agricultura, servicios y fabricación. La agricultura usa las salidas de los
116
servicios (como la transportación) y de la fabricación (como la maquinaria agrícola)
como entradas. A la vez, tanto la fabricación como los servicios usan la salida de la
agricultura como entradas.
El modelo de Leontief puede usarse para predecir los requerimientos futuros de
producción, para facilitar la plani…cación económica y dar una estructura signi…ca-
tiva a la cuanti…cación del ingreso nacional. En la actualidad, los gobiernos de
50 paises usan el modelo de Leontief; para proyectar la estructura futura de sus
economías y para identi…car las industrias que se desarrollarán o se reducirán.
Formación de una matriz de entrada-salida

Ejemplo 2.4.4 Un sistema está constituido por tres industrias fA; B; Cg con las
siguientes entradas:
1. Para producir un valor de un dólar de salida, la industria A requiere 0.10

dólares de su propio producto , 0.15 dólares del producto de la industria B y
0.23 dólares del producto de la industria C.
2. Para producir un valor de un dólar de salida, la industria B no requiere nada

de su propio producto y requiere 0.43 dólares del producto de la industria A y
0.03 dólares del producto de la industria C.
3. Para producir un valor de un dólar de salida, la industria C requiere 0.02

dólares de su propio producto, no requiere nada del producto de la industria A
y requiere 0.37 dólares del producto de la industria B.
La matriz de entrada-salida de este sistema es

Usuario
z }| {
2 A B C 3 9
0:10 0:43 0:00 A =
D= 4 0:15 0:00 0:37 5 B Proveedor
;
0:23 0:03 0:02 C
Para desarrollar aún más el modelo de Leontief de entrada-salida, en un sis-

tema económico cerrado (lo que signi…ca que las industrias venden sus productos
solamente a industrias del sistema); la salida total (en unidades producidas) de la
i-ésima industria se denota por xi y está dada por la ecuación lineal.
xi = di1 x1 + di2 x2 + + din xn
117
Esto signi…ca que para satisfacer la demanda de su producto, la i-ésima industria
debe producir di1 x1 unidades para la primera industria, di2 x2 unidades para la
segunda industria, etc.
Luego, la colección de salidas totales en un sistema económico cerrado está rep-

resentado por el siguiente sistema de ecuaciones lineales
x1 = d11 x1 + d12 x2 + + d1n xn

x2 = d21 x1 + d22 x2 + + d2n xn
xn = dn1 x1 + dn2 x2 + + dnn xn
Por otra parte si las industrias en el sistema venden productos a grupos no pro-
ductivos como gobiernos u organizaciones caritativas, que no pertenecen al sistema,
entonces éste se denomina abierto y la salida total de la i-ésima industria está dada
por
xi = di1 x1 + di2 x2 + + din xn + ei

donde ei representa la demanda externa para el producto de la i-ésima industria.
La colección de salidas totales de un sistema abierto está representado entonces por
el siguiente sistema de n ecuaciones lineales.
x1 = d11 x1 + d12 x2 + + d1n xn + e1

x2 = d21 x1 + d22 x2 + + d2n xn + e2
xn = dn1 x1 + dn2 x2 + + dnn xn + en
Cuya forma matricial de este sistema es
X = DX + E
donde X se denomina matriz de salida y E se denomina matriz de la demanda
externa.
Resolución de la matriz de salida de un sistema económico abierto

Ejemplo 2.4.5 Use la matriz de entrada-salida D dada en el ejemplo 2.4.4, para
despejar la matriz de salida X de la ecuación X = DX + E, donde la demanda
118
externa está dada por la siguiente matriz
2 3
20:000
E = 4 30:000 5
25:000
Solución. Con la matriz identidad I, se puede escribir la ecuación
X = DX + E
como
IX = DX + E
lo cual signi…ca que
(I D)X = E
Por medio de la matriz D determinada en el ejemplo 2.4.4 se obtiene
2 3 2 3 2 3
1 0 0 0:10 0:43 0:00 0:90 0:43 0:00
4
I D= 0 1 0 5 4 0:15 0:00 0:37 =5 4 0:15 1:00 0:37 5
0 0 1 0:23 0:03 0:02 0:23 0:03 0:98
Por último al aplicar la eliminación de Gauss-Jordan al sistema de ecuaciones lineales
representado por
(I D)X = E
se obtiene
2 3 2 3
0:90 0:43 0:00 : 20:000 1 0 0 : 46:616
4 0:15 1:00 0:37 : 30:000 5 $ $4 0 1 0 : 51:058 5
0:23 0:03 0:98 : 25:000 0 0 1 : 38:014
Por consiguiente, la matriz de salida es
2 3
46:616
X = 4 51:058 5
38:014
De este modo se concluye que las salidas totales para las tres industrias son:
Salida de la industria A, 46.616 unidades
Salida de la industria B, 51.058 unidades
Salida de la industria C, 38.014 unidades
Esto a su vez signi…ca que la industria.
A debe producir 46.616 unidades
B debe producir 51.058 unidades
C debe producir 38.014 unidades
Para satisfacer las demandas X
119
Ejemplo 2.4.6 Un sistema compuesto por dos industrias, de carbón y acero, tiene
las siguientes entradas.
a) Para producir el valor de un dólar de salida, la industria carbonifera requiere

0.10 dólares de su propio producto y 0.80 dólares de acero.
b) Para producir el valor de un dólar de salida, la industria de acero requiere 0.10

dólares de su propio producto y 0.20 dólares de carbón.
Suponga que durante el año hay una demanda externa de 10.000 millones de dólares
de carbón y 20.000 millones de dólares de acero. ¿Cuánto debe producir cada indus-
tria para satisfacer las demandas.
Solución. De acuerdo a las condiciones del problema, la matriz de entrada-salida

del sistema abierto es
0:10 0:20
D=
0:80 0:10
y la matriz de demanda externa es
10:000
E=
20:000
Para determinar la cantidad a producir por las industrias para satisfacer las deman-
das, debemos resolver el sistema
(I D)X = E
como
1 0 0:10 0:20 0:90 0:20
I D= =
0 1 0:80 0:10 0:80 0:90
entonces el sistema a resolver será
0:90 0:20 x1 10:000
=
0:80 0:90 x2 20:000
mediante eliminación de Gauss-Jordan se tiene

0:90 0:20 : 10:000 9 2 : 100:000
$ $
0:80 0:90 : 20:000 8 9 : 200:000
1 2=9 : 100:000=9 1 2=9 : 100:000=9
$ $
8 9 : 200:000 0 65=9 : 2:600:000=9
1 2=9 : 100:000=9 1 0 : 20:000
$
0 1 : 40:000 0 1 : 40:000
120
Por consiguiente, la matriz de salida es
20:000
X=
40:000
Esto dice que la industria:

(a) de carbón C debe producir 20.000 unidades
(b) de acero A debe producir 40.000 unidades para satisfacer la demanda. X
2.4.3 Método de los mínimos cuadrados

Recordemos que dada una colección de datos representados por n puntos en el plano
xy.
(x1 ; y1 ) ; (x2 ; y2 ) ; : : : ; (xn ; yn )
Es posible obtener una función polinomial
p(x) = a0 + a1 x + a2 x2 + + an 1x
n 1
de grado n 1 (o menos) cuya grá…ca pasa por todos los puntos dados. Dicho
polinomio se llama polinomio de interpolación y el procedimiento para determinarlo
se llama ajuste polinomial de curvas.
A veces suele ocurrir en problemas prácticos que dada una colección de datos
solo se requiere obtener un polinomio de menor grado cuya grá…ca no atraviesa
necesariamente por los puntos exactamente. En particular dada una colección de
datos
(x1 ; y1 ) ; (x2 ; y2 ) ; : : : ; (xn ; yn )
se desea obtener una función lineal (una recta)
y = a0 + a1 x
que se ajuste mejor a los datos. Este modelo se denomina recta de regresión por
mínimos cuadrados y el procedimiento para determinarlo se denomina método de
mínimos cuadrados.
Naturaleza del Problema.

Supongamos que se obtienen datos de mediciones de la forma (xi ; yi ) mediante ob-
servación o experimentación, y se ubican como puntos de datos en el plano xy. Es
conveniente hallar una relación matemática que represente razonablemente bien los
datos, de manera que podamos efectuar predicciones de valores no medidos.
121
Geométricamente, esto signi…ca que podríamos desear que la grá…ca de y = f (x)
en el plano pasara bastante cerca de nuestros puntos de datos. Dependiendo de la
naturaleza del experimento y de la con…guración de los puntos de datos localizados,
podemos decidir acerca de un tipo apropiado de función y = f (x) que permita
ajustar los datos. Dicha función puede ser una función lineal, una función cuadrática,
una función cúbica, una función exponencial, etc.
Particularmente consideremos el problema de hallar una función lineal
f (x) = a0 + a1 x
que ajuste “mejor” los datos (xi ; yi ) para i = 1; 2; : : : ; n donde n > 2. Geométri-
camente, esto equivale a encontrar una recta en el plano que esté más cerca, en
algún sentido, de pasar por los n puntos de datos. Observe que tenemos solo dos
incógnitas a0 y a1 . En teoría, bastarían dos mediciones para hallarlos. Sin embargo,
en la práctica esperamos tener algún error en las mediciones físicas. Es un proced-
imiento estándar hacer más mediciones de las que son teóricamente necesarias, con
la esperanza de que, en general, los errores se cancelen unos con otros de acuerdo
con las leyes de la teoría de la probabilidad.
Ahora bien la sustitución de cada punto de datos (xi ; yi ) de nuestro problema
en la ecuación
y = f (x) = a0 + a1 x
da una sola ecuación lineal con dos incógnitas a0 y a1 . Así, los n puntos de datos
del problema dan lugar a un sistema lineal de n ecuaciones con solo dos incógnitas
a saber.
a0 + a1 x1 = y1
a0 + a1 x2 = y2
: : : : :
a0 + a1 xn = yn
2 3 2 3
1 x1 y1
6 1 x2 7 a0 6 y2 7
6 7 =6 7
4 : : 5 a1 4 : 5
1 xn yn
Dicho sistema lineal con más ecuaciones que incógnitas se llama sobredeterminado,
y en general dicho sistema es inconsistente. Nuestra tarea será hallar valores para
las incógnitas a0 y a1 que estén lo más cerca posible, en algún sentido, de satisfacer
las n ecuaciones.
Entonces dado un sistema m n, Ax = b con m > n, en general no podemos
esperar encontrar un vector x 2 Rn para el cual Ax sea igual a b. En su lugar
122
podemos buscar un vector u para el cual Au este “lo más próximo a b”. Un tal
vector u 2 Rn que logra esto se dice que es una solución de mínimos cuadrados al
sistema sobredeterminado Ax = b.
Si u es una solución de mínimos cuadrados al sistema sobredeterminado Ax = b
y Au = , entonces es un vector en el espacio de columnas de A que está lo más
próximo a b.
Se puede demostrar que dicho vector más próximo no solo existe sino que es
único. Para resolver el problema de mínimos cuadrados Ax = b se debe resolver
At Ax = At b
Estas ecuaciones se llaman ecuaciones normales y representa un sistema de ecua-
ciones lineales n n. En general es posible que este sistema tenga solución única
o in…nitas soluciones, cualquiera sea el caso dicho sistema es consistente. De esta
forma el método de mínimos cuadrados logra transformar un sistema inconsistente
Ax = b en un sistema consistente
At Ax = At b Ecuaciones normales
El siguiente teorema caracteriza las condiciones en las que el problema de mínimos
cuadrados Ax = b tendrá solución única.
Teorema 2.4.1 Si A es una matriz de rango n, entonces las ecuaciones normales
1 t
At Ax = At b tiene una solución única u = At A A b.
En este caso u es la solución única de mínimos cuadrados al sistema sobredeter-
minado Ax = b.
El vector
1 t
= Au = A At A Ab
llamado vector de proyección es el elemento del espacio columnas de la matriz A que
está más próximo a b en el sentido de los mínimos cuadrados, la matriz
1
P = A At A At
se llama matriz de proyección, y la matriz
1
A+ = At A At
se llama inversa aproximada de A o pseudoinversa de A.
Ejemplo 2.4.7 Obténgase la solución de mínimos cuadrados al sistema.
x1 + x2 = 3
2x1 + 3x2 = 1
2x1 x2 = 2
123
Solución. Observe que en este ejemplo
2 3 3 2
1 1 3
x1
A=4 2 3 5; x = y b=4 1 5
x2
2 1 2
Luego las ecuaciones normales At Ax = At b del sistema dado son

2 3 2 3
1 1 3
1 2 2 4 5 x1 1 2 2 4 5
2 3 = 1
1 3 1 x2 1 3 1
2 1 2
que se simpli…ca en el siguiente sistema 2 2
9 7 x1 5
=
7 11 x2 4
cuya solución es
83 71
x1 = y x2 =
50 50
X
Por otra parte, el vector,
1
= Au = A At A At b
2 3 2 3
1 1 1 3
4 5 9 7 1 2 2 4 5
= 2 3 1
7 11 1 3 1
2 1 2
2 3 2 3
1 1 3
11=50 7=50 1 2 2 4 5
= 4 2 3 5 1
7=50 9=50 1 3 1
2 1 2
2 3 2 3
18=50 16=50 3
1 2 2
= 4 1=50 13=50 5 4 1 5
1 3 1
15=50 5=50 2
2 32 3
34=50 12=50 20=50 3
= 4 12=50 41=50 15=50 5 4 1 5
20=50 15=50 25=50 2
2 3 2 3 2 3
154=50 3:08 3
= 4 47=50 5 = 4 0:94 5 = 4 1 5
95=50 1:90 2
124
Es el vector de proyección y es el elemento del espacio de columnas de la matriz A
que está más próximo a b. La matriz
2 3
34=50 12=50 20=50
1 t
P = A At A A = 4 12=50 41=50 15=50 5
20=50 15=50 25=50
Es la matriz de proyección, observe que ésta matriz proyecta todo vector b 2 R3

sobre el vector proyección P b = ( es el vector más próximo a b). En particular P
proyecta a 2 3
3
b=4 1 5
2
sobre
2 32 3
34=50 12=50 20=50 3
P b = 4 12=50 41=50 15=50 5 4 1 5
20=50 15=50 25=50 2
2 3 2 3 2 3
154=50 3:08 3
= 4 47=50 5 = 4 0:94 5 = 4 1 5
95=50 1:90 2
Finalmente observe que la inversa aproximada o pseudoinversa de A es

1
+ t 1 t 9 7 1 2 2
A = AA A =
7 11 1 3 1
11=50 7=50 1 2 2
=
7=50 9=50 1 3 1
18=50 1=50 15=50
=
16=50 13=50 5=50
Recibe el nombre de inversa aproximada de A, dado que

1
u = At A At b = A+ b
es la solución aproximada del sistema sobredeterminado Ax = b.

Una de las propiedades de la inversa aproximada o pseudoinversa de una matriz
de orden m n, A es
A+ A = I y en general AA+ 6= I.
125
Ejemplo 2.4.8 Un campesino utilizó cuatro parcelas experimentales para determi-
nar la relación entre la producción de trigo en bushels por acre y la cantidad de
fertilizantes en cientos de libras por acre los resultados se muestran en la tabla si-
guiente:
Fertilizante (x) 1.0 1.5 2.0 2.5
Producción (y) 32 41 48 53
a) Encuentre la recta de regresión por mínimos cuadrados para estos datos.
b) Calcule la producción para una aplicación de fertilizante de 160 libras por acre.
Solución. (a) deseamos encontrar una función lineal de la forma
y = a0 + a1 x (1)
Llamada recta de regresión por mínimos cuadrados que se ajusta mejor a los datos
dados. Al reemplazar los datos de la tabla en (1) obtenemos el siguiente sistema
sobredeterminado.
a0 + a1 (1) = 32 a0 + a1 = 32
a0 + a1 (1:5) = 41 a0 + 1:5a1 = 41
0 equivalentemente
a0 + a1 (2) = 48 a0 + 2a1 = 48
a0 + a1 (2:5) = 53 a0 + 2:5a1 = 53
cuya representación matricial es
2 3 2 3
1 1 32
6 1 1:5 7 a0 6 41 7
6 7 =6 7
4 1 2 5 a1 4 48 5
1 2:5 53
Luego las ecuaciones normales son
2 3 2 3
1 1 32
1 1 1 1 6 7 6 41 7
6 1 1:5 7 a0
=
1 1 1 1 6 7
1 1:5 2 2:5 4 1 2 5 a1 1 1:5 2 2:5 4 48 5
1 2:5 53
que se simpli…can en
4 7 a0 174
=
7 13:5 a1 322
Resolviendo este sistema se obtiene a0 = 19 y a1 = 14, luego la recta de regresión
deseada es
y = 19 + 14x
(b) y (1:6) = 19 + 14 (1:6) = 41:4 bushels por acre. X
126
Ejemplo 2.4.9 Supóngase que se posee una provisión de 5000 unidades de S, 4000
unidades de T y 2000 unidades de U , que son materiales utilizados en la fabricación
de dos productos P y Q, se pregunta: Si cada unidad de P necesita 2 unidades de
S, 0 unidades de T , 0 unidades de U y cada unidad de Q usa 3 unidades de S, 4
unidades de T y 1 unidad de U , ¿cuántas unidades p y q de P y Q se deben elaborar
o producir si se quiere consumir toda la provisión?
Solución. Sean
p = unidades a producir para consumir toda la provisión y
q = unidades a producir para consumir toda la provisión
Entonces de acuerdo a las condiciones del problema se tiene el siguiente sistema
sobredeterminado
2p + 3q = 5000
4q = 4000
q = 2000
2 3 2 3
2 3 5000
4 0 4 5 p
= 4 4000 5
q
0 1 2000
Luego las ecuaciones normales de este sistema son
2 3 2 3
2 3 5000
2 0 0 4 p 2 0 0
0 4 5 = 4 4000 5
3 4 1 q 3 4 1
0 1 2000
4 6 p 10000
=
6 26 q 33000
resolviendo este sistema se tiene p = 31000 36000
34 y q = 34 . Esto dice que p = 911:76 y
q = 1058:82 son las unidades necesarias a producir para consumir toda la producción.
Si deseamos determinar cuantas unidades de S, T y U se han utilizado se usa el
1 t
vector de proyección que es = A At A A b o simplemente
2 3" # 2 3
2 3 31000 5000
34
= Au = 4 0 4 5 36000 = 4 4235:29 5
0 1 34 1058:82
Esto dice que se utilizan exactamente las 5000 unidades de S deseadas, 4235.29
unidades de T (se requieren 235.29 unidades de T ) y 1058.82 unidades de U (quedan
941.18 unidades de U ). X
127
Aproximación cuadrática
En esta sección se pretende ajustar los n puntos datos mediante una curva cuadrática.
Recuérdese que una cuadrática en x es cualquier expresión de la forma
y = a + bx + cx2
Esta ecuación es la de una parábola en el plano. Si los n puntos dados estuvieran

en la parábola se tendría
y1 = a + bx1 + cx21
y2 = a + bx2 + cx22
: : : : : : :
yn = a + bxn + cx2n

2 3 2 3
1 x1 x21 2 3 y1
6 1 x2 x22 7 a 6 y2 7
6 74 b 5 = 6 7
4 : : : 5 4 : 5
2 c
1 xn xn yn
Usando un razonamiento similar al anterior caso, se puede demostrar que si los

puntos de datos no están todos en una parábola, entonces At A es invertible y el
1 t
vector u = At A A b es la solución al problema de mínimos cuadrados planteado.
Ejemplo 2.4.10 Obténgase el mejor ajuste cuadrático de mínimos cuadrados a los

datos siguientes.
x 0 1 2 3
y 3 2 4 4
Solución. En este ejemplo, el sistema anterior se convierte en

2 3 2 3
1 0 0 2 3 3
6 1 1 1 7 a 6 2 7
6 74 5 6 7
4 1 2 4 5 b =4 4 5
c
1 3 9 4
De este modo las ecuaciones normales son

2 3 2 3
2 3 1 0 0 2 3 2 3 3
1 1 1 1 6 7 a 1 1 1 1 6 7
4 0 1 2 3 56 1 1 1 74 b 5 = 4 0 1 2 3 56 2 7
4 1 2 4 5 4 4 5
0 1 4 9 c 0 1 4 9
1 3 9 4
128
Estas se simpli…can y quedan como
2 32 3 2 3
4 6 14 a 13
4 6 14 36 5 4 b 5 = 4 22 5
14 36 98 c 54
La solución de este sistema es a = 2:75; b = 0:25 y c = 0:25. Por tanto la función

cuadrática que produce el mejor ajuste de mínimos cuadrados a los datos es
y = f (x) = 2:75 0:25x + 0:25x2
Ejemplo 2.4.11 (a) Encontrar la recta de mejor ajuste a los puntos de datos
(1; 4) ; ( 2; 5) ; (3; 1) y (4; 1)
(b) También encontrar el mejor ajuste cuadrático a los puntos de datos anteriores.
Solución. (a) Aquí se tiene que

2 3 2 3
1 1 4
6 1 2 7 6 5 7
A=6 7; x = a ; b=6 7 y At =
1 1 1 1
4 1 3 5 b 4 1 5 1 2 3 4
1 4 1
Entonces
4 6 1 1 30 6
At A = ; At A =
6 30 84 6 4
y
2 3
4
1 1 30 6 1 1 1 1 6 5 7
u = At A At b = 6 7
84 6 4 1 2 3 4 4 1 5
1
1 30 6 9 1 300 3:57
= = =
84 6 4 5 84 74 0:88
Por lo tanto, la recta de mejor ajuste está dado por
y = f (x) = 3:57 0:88x
129
(b) Aquí,
2 3 2 3
1 1 1 2 3 4 2 3
6 1 a 1 1 1 1
2 4 7 6 5 7
A=6 4 1
7; x = 4 b 5; b = 6 7 t 4
y A = 1 2 3 4 5
3 9 5 4 1 5
c 1 4 9 16
1 4 16 1
Entonces
2 3 2 3
4 6 30 3564 396 396
1 1 4
At A = 4 6 30 84 5 ; At A = 396 516 156 5
4752
30 84 354 396 156 84
y
3 2
2 32 34
3564 396 396 1 1 1 1 6
1 1 4 5 7
u = At A At b = 396 516 156 5 4 1 2 3 4 564 1 5
7
4752
396 156 84 1 4 9 16
1
2 32 3 2 3 2 3
3564 396 396 9 17 820 3:75
1 4 5 4 5 1 4 5 = 4 0:81 5
= 396 516 156 5 = 3852
4752 4752
396 156 84 31 180 0:04
En consecuencia, el mejor ajuste cuadrático a los datos está dado por la parábola
y = f (x) = 3:75 0:81x 0:04x2
X
La recta, la parábola de mejor ajuste y los puntos de datos se muestran en la
siguiente …gura.
(−2, 5) •
y (−2, 5) •
y
• (1, 4 ) • (1, 4 )
(4, 1) (4, 1)
• •
x x
(3, − 1) • (3, − 1) •
y = 3.57 − 0.88 x y = 3.75 − 0.81x − 0.04 x 2
130
El método de mínimos cuadrados o ajuste de curvas se puede usar también para
medir constantes físicas, como vemos en el siguiente ejemplo.
Ejemplo 2.4.12 Supóngase, por ejemplo que se deja caer un objeto desde una altura
de 200 metros. Se toman las siguientes mediciones.
Tiempo transcurrido Altura (en metros)
0 200
1 195
2 180
4 120
6 25
Si se deja caer un objeto de una altura de 200 m. partiendo del reposo, entonces su
altura despúes de t segundos está dada por s = 200 12 gt2 .
Para estimar el valor de g, podemos ajustar los cinco puntos dados a una función
cuadrática s = a + bt + ct2 . Los coe…cientes del término en t2 será, si las mediciones
son exactas, una aproximación razonable al número 12 g.
Procediendo como en los ejemplos anteriores se tiene.
2 3 2 3
1 0 0 2 3 200 2 3
6 1 1 1 7 a 6 195 7 1 1 1 1 1
6 7 6 7
A=6 7
6 1 2 4 7; x =
4 b 5 ; b = 6 180 7 y At = 4 0 1 2 4 6 5
6 7
4 1 4 16 5 c 4 120 5 0 1 4 16 36
1 6 36 25
entonces
2 3 2 3
5 13 57 5912 3924 508
1 1 4
At A = 4 13 57 289 5 ; At A = 3924 4596 704 5
7504
57 289 1569 508 704 116
y
2 3
2 32 3 200
5912 3924 508 1 1 1 1 1 6 6 195 7
7
1 4
u = 3924 4596 704 5 4 0 1 2 4 6 566 180 7
7
7504
508 704 116 0 1 4 16 36 4 120 5
25
2 32 3
5912 3924508 720
1 4
= 3924 4596704 5 4 1185 5
7504
508 704116 3735
2 3 2 3
1504080 200:44
1 4 5 4
= 8460 = 1:127 5
7504
35220 4:693
131
De este modo los puntos de datos se ajustan mejor a la cuadrática.
s (t) = 200:44 1:127t 4:693t2
De aquí se ve que 12 g = 4:69, esto es g = 2 (4:69) = 9:38 m=s2 . Este valor está
razonablemente cerca del valor correcto, 9:81 m=s2 . Para obtener una aproximación
más exacta de g sería necesaria partir de observaciones más exactas.
Si por el contrario deseamos ajustar los datos
(x1 ; y1 ) ; (x2 ; y2 ) ; : : : ; (xm ; ym )
mediante un polinomio de grado mayor que 2 digamos de grado n
f (x) = a0 + a1 x + a2 x2 + + an xn
Para encontrar los coe…cientes a0 ; a1 ; : : : ; an del mejor ajuste de mínimos cuadrados

a los datos, debemos encontrar la solución de mínimos cuadrados al sistema.
2 32 3 2 3
1 x1 x21 xn1 a0 y1
6 1 x2 x22 xn2 7 6 7 6 7
6 7 6 a1 7 = 6 y2 7
4 : : : : : 54 : 5 4 : 5
1 xm xm 2 xmn an ym
Para concluir esta sección se muestra en el siguiente ejemplo como se usa el

método de mínimos cuadrados para ajustar ciertos puntos de datos mediante una
función exponencial.
Ejemplo 2.4.13 Una población de conejos de una gran isla se estima todos los
años, desde 1981 hasta 1984, y se obtuvieron los datos siguientes
xi = año observado 1 2 3 4
yi = no de conejos en unidad de 1000 3 4.5 8 17
Sabiendo que el crecimiento de la población es exponencial en ausencia de enfer-

medades, predadores, hambre, etc. Usar el método de mínimos cuadrados para ajus-
tar los datos anteriores mediante una función exponencial
y = f (x) = aebx
Solución. Observe que usando logaritmos es posible convertir la función exponencial

a la ecuación lineal (ecuación logarítmica)
ln (y) = ln (a) + bx
132
Reemplazando los datos dados en la tabla, en la ecuación logarítmica obtenemos el
siguiente sistema sobredeterminado.
ln (a) + b (1) = ln (3)

ln (a) + b (2) = ln (4:5)
ln (a) + b (3) = ln (8)
ln (a) + b (4) = ln (17)
ln (a) + b = 1:1
ln (a) + 2b = 1:5
ln (a) + 3b = 2:08
ln (a) + 4b = 2:83
Cuya forma matricial es
2 3 2 3
1 1 1:1
6 1 2 7 ln (a) 6 1:5 7
6 7 =6 7
4 1 3 5 b 4 2:08 5
1 4 2:83
aquí,
2 3 2 3
1 1 1:1
6 1 2 7 ln (a) 6 1:5 7 1 1 1 1
A=6
4 1
7; x = ; b=6 7 y At =
3 5 b 4 2:08 5 1 2 3 4
1 4 2:83
Luego las ecuaciones normales son

2 3 2 3
1 1 1:1
1 1 1 1 6 6 1 2 7
7 ln (a) 1 1 1 1 6 1:5 7
6 7
=
1 2 3 4 4 1 3 5 b 1 2 3 4 4 2:08 5
1 4 2:83
4 10 ln (a) 7:51
=
10 30 b 21:66
cuya solución es ln (a) = 0:435 y b = 0:577. De aquí se ve que a = e0:435 1:54 y

así obtenemos
y = f (x) = aebx = 1:54e0:577x
Que es la función exponencial buscada. (que mejor ajusta los datos dados) X
133
2.4.4 Flexión de una viga elástica
Consideremos una viga elástica horizontal que tiene soportes en cada extremo y que
está sometida a fuerzas f1 ; f2 y f3 en los puntos 1, 2 y 3 como vemos en la siguiente
…gura.
• 1 • 2 • 3
y1 } y2} y3 }
f1 f2 f3
flexión de una viga elástica
Sea
F = (f1 ; f2 ; f3 )
llamado vector de fuerzas que enumera las fuerzas en los puntos 1, 2, 3 y sea
Y = (y1 ; y2 ; y3 ) 2 R3
llamado vector de ‡exiones tal que enumera las magnitudes de la ‡exión de la viga
en los tres puntos. Usando la ley de Hooke de la física se demuestra que
Y = DF
donde, D es una matriz 3 3 no singular llamada matriz de ‡exibilidad y su inversa

D 1 se llama matriz de rigidez (o resistencia a la ‡exión).
Observación 2.4.2 Observe que el producto matricial
Y = DF
enumera o determina las ‡exiones correspondientes Y = (y1 ; y2 ; y3 ); mientras que

el producto matricial
F = D 1Y
enumera o determina las fuerzas correspondientes F = (f1 ; f2 ; f3 ).
Ejemplo 2.4.14 Describa el signi…cado físico de las columnas de las matrices D y

D 1.
134
Solución. Sea
F = (f1 ; f2 ; f3 ) = (1; 0; 0)
El vector de fuerzas que corresponde a una fuerza de 1 unidad hacia abajo en el
punto 1 y 0 en los puntos 2 y 3. Luego el vector de ‡exiones correspondiente es
2 32 3 2 3 2 3
d11 d12 d13 1 d11 y1
Y = DF = 4 d21 d22 d23 5 4 0 5 = 4 d21 5 = 4 y2 5
d31 d32 d33 0 d31 y3
Esto, muestra que la primera columna de la matriz de ‡exibilidad D enumera o
determina las ‡exiones debidas a una fuerza de 1 unidad en el punto 1 y 0 en los
otros puntos.
Similarmente se puede ver que la segunda columna de la matriz D enumera las
‡exiones que sufre la viga elástica debida a una fuerza de 1 unidad en el punto 2 y
0 en los otros puntos; análogamente la tercera columna de D enumera las ‡exiones
que sufre la viga elástica al ser sometida una fuerza de 1 unidad en el punto 3 y 0
en los otros puntos.
Para estudiar la matriz de rigidez consideremos
2 3
w11 w12 w13
R = D 1 = 4 w21 w22 w23 5
w31 w32 w33
y el vector de ‡exiones 2 3 2 3
y1 1
Y = 4 y2 5 = 4 0 5
y3 0
que corresponde a una ‡exión de una unidad en el punto 1 y ‡exión 0 en los puntos
2 y 3.
Como Y = DF entonces F = D 1 Y , esto es,
2 3 2 32 3 2 3
f1 w11 w12 w13 1 w11
4 f2 5 = 4 w21 w22 w23 5 4 0 5 = 4 w21 5
f3 w31 w32 w33 0 w31
Esto dice que la primera columna de la matriz de rigidez D 1 da las fuerzas que
deben aplicarse en los tres puntos para producir una ‡exión de 1 unidad en el punto
1 y 0 de ‡exión en los otros puntos.
Así, mismo la segunda y tercera columnas de la matriz D 1 enumeran las fuerzas
requeridas para producir ‡exiones de 1 unidad en los puntos 2 y 3 respectivamente.
En cada caso uno o dos de las fuerzas deben ser negativas (apuntan hacia arriba)
para producir una ‡exión de 1 unidad en el punto deseado y 0 de ‡exión en los otros
puntos. X
135
Nota 2.4.1 Si la ‡exibilidad se mide por ejemplo en centímetros de ‡exión por kilos
de carga, entonces las entradas (componentes) de la matriz de rigidez D 1 están en
kilos de carga por centímetro de ‡exión.

0:005 0:002 0:001
D = 4 0:002 0:004 0:002 5
0:001 0:002 0:005
Una matriz de ‡exibilidad con ‡exibilidad medida en pulgadas por libra. Suponga
que se aplica fuerzas de 20, 40 y 10 libras en los puntos 1,2 y 3 de la viga elástica
de la anterior …gura.
a) Encuentre las ‡exiones correspondientes.
b) Encuentre la matriz de rigidez D 1.
c) Encuentre las fuerzas que se necesitan para producir una ‡exión de 0.08 pul-
gadas en el punto 1 con ‡exión 0 en los otros puntos.
Solución. (a) Como Y = DF determina las ‡exiones de la viga en los tres puntos,
entonces haciendo F = (f1 ; f2 ; f3 ) = (20; 40; 10) se tiene
2 32 3 2 3
0:005 0:002 0:001 20 0:19
Y = 4 0:002 0:004 0:002 5 4 40 5 = 4 0:22 5
0:001 0:002 0:005 10 0:15
Esto dice que:

La ‡exión de la viga en el punto 1 al aplicar las fuerzas de 20, 40 y 10 libras en
los puntos 1, 2 y 3 es de 0.19 pulgadas.
De la misma forma. La ‡exión de la viga en el punto 2 al aplicar las fuerzas de
20, 40 y 10 libras en los puntos 1, 2 y 3 es de 0.22 pulgadas. Y la ‡exión de la viga
en el punto 3 al aplicar las fuerzas (f1 ; f2 ; f3 ) = (20; 40; 10) en los puntos 1, 2 y 3 es
de y3 = 0:15 pulgadas.
(b) Al invertir la matriz de ‡exibilidad D obtenemos
2 3
250 125 0
D 1 = 4 125 375 125 5
0 125 250
que resulta ser la matriz de rigidez pedida.
136
(c) Para determinar las fuerzas que se necesitan para producir una ‡exión de
0.08 pulgadas en el punto 1 y ‡exión 0 en los otros puntos se realiza el producto
matricial D 1 Y = F . Es decir,
2 32 3 2 3
250 125 0 0:08 20
4 125 375 125 5 4 0 5 = 4 10 5
0 125 250 0 0
Esto dice que para producir una ‡exión de 0.08 pulgadas en el punto 1 y ‡exión 0
en los otros puntos se debe aplicar a la viga elástica las siguientes fuerzas.
En el punto 1 f1 = 20 libras de carga.
En el punto 2 f2 = 10 libras de carga y
En el punto 3 f3 = 0 libras de carga. X
2.4.5 Criptografía.
La Criptografía es la técnica de codi…cación y decodi…cación de mensajes que data
de los antiguos griegos.
Un criptograma es un mensaje escrito según un código secreto (La palabra griega
“kriptos” signi…ca “oculto”). En esta sección se describe un método que usa la
multiplicación de matrices para codi…car o cifrar mensajes y la inversa de una matriz
para decodi…car o descifrar mensajes.
Se empieza por asignar números a cada letra del alfabeto ingles o español con 0
asignado a un espacio en blanco, como se muestra a continuación.
0 $ 7 $ G 14 $ N 21 $ U
1 $ A 8 $ H 15 $ O 22 $ V
2 $ B 9 $ I 16 $ P 23 $ W
3 $ C 10 $ J 17 $ Q 24 $ X
4 $ D 11 $ K 18 $ R 25 $ Y
5 $ E 12 $ L 19 $ S 26 $ Z
6 $ F 13 $ M 20 $ T
Para codi…car o cifrar un mensaje digamos
LAS MATEMATICAS SON FACILES
Primeramente se convierte dicho mensaje a números, en nuestro caso
12 1 19 0 13 1 20 5 13 1 20 9 3 1 19 0 19 15 14 0 6 1 3 9 12 5 19
137
Luego se elige una matriz invertible A de orden n, digamos
2 3 2 3
1 2 2 13 6 4
A=4 3 7 9 5 cuya inversa es A 1=4 12 5 3 5
1 4 7 5 2 1
La matriz invertible A se llama matriz de codi…cación o matriz de ciframiento,
mientras que la inversa A 1 se denomina matriz de decodi…cación o matriz de des-
ciframiento.
Seguidamente se divide el mensaje (que ya está en números) en matrices
x1 ; x2 ; : : : ; xn
1 n llamadas matrices …la no cifrados, en nuestro caso en matrices 1 3 puesto

que la matriz codi…cadora es 3 3.
x1 = 12 1 19 ; x2 = 0 13 1 ; x3 = 20 5 13 ;
x4 = 1 20 9 ; x5 = 3 1 19 ; x6 = 0 19 15 ;
x7 = 14 0 6 ; x8 = 1 3 9 ; x9 = 12 5 19 :
Nota 2.4.2 También, es posible dividir los mensajes en matrices columna n 1

como veremos en el ejemplo 2.4.18.
Una vez realizado esto se multiplica cada matriz …la no cifrada xi por la matriz
codi…cadora A, para obtener matrices yi también 1 n, en nuestro caso obtenemos
matrices 1 3
y1 ; y2 ; y3 ; y4 ; y5 ; y6 ; y7 ; y8 y y9
Llamadas matrices …la cifradas, es decir xi A = yi , en nuestro caso tenemos.
Matriz …la Matriz Matriz …la
sin cifra codi…cadora con cifra
2 3
1 2 2
12 1 19 4 3 7 9 5= 4 45 100
1 4 7
2 3
1 2 2
0 13 1 4 3 7 9 5= 38 87 110
1 4 7
2 3
1 2 2
1 20 9 4 3 7 9 5= 52 106 119
1 4 7
138
2 3
1 2 2
3 1 19 4 3 7 9 5= 13 63 118
1 4 7
2 3
1 2 2
0 19 15 4 3 7 9 5= 42 73 66
1 4 7
2 3
1 2 2
14 0 6 4 3 7 9 5= 8 4 14
1 4 7
2 3
1 2 2
1 3 9 4 3 7 9 5= 1 13 34
1 4 7
2 3
1 2 2
12 5 19 4 3 7 9 5= 8 17 64
1 4 7
Entonces la serie de matrices cifradas es

y1 = 4 45 100 ; y2 = 38 87 110 ; y3 = 22 23 6 ;
y4 = 52 106 119 ; y5 = 13 63 118 ; y6 = 42 73 66 ;
y7 = 8 4 14 ; y8 = 1 13 34 ; y9 = 8 17 64 :
Finalmente, eliminando la notación matricial se obtiene el siguiente criptograma
-4, -45, -100, 38, 87, 110, 22, 23, -6, 52, 106, 119, -13, -63, -118, 42, 73, 66, 8, 4, -14,
1, -13, -34, 8, -17, -64.
Para quien o quienes desconocen la matriz codi…cadora A; será difícil descifrar

el criptograma obtenido. Sin embargo, para quien conoce la matriz codi…cadora A,
el desciframiento resulta fácil. Para descifrar el criptograma simplemente deberá
multiplicar cada matriz …la cifrada y1 ; y2 ; y3 ; y4 ; y5 ; y6 ; y7 ; y8 y y9 por la
matriz de desciframiento A 1 para recuperar las matrices …la no cifradas, esto es
y1 A 1 = xi . En nuestro caso tenemos.
Matriz …la Matriz de Matriz …la

cifrada descifrado descifrado
2 3
13 6 4
4 45 100 4 12 5 3 5= 12 1 19
5 2 1
139
2 3
13 6 4
38 87 110 4 12 5 3 5= 0 13 1
5 2 1
2 3
13 6 4
22 23 6 4 12 5 3 5= 20 5 13
5 2 1
2 3
13 6 4
52 106 119 4 12 5 3 5= 1 20 9
5 2 1
2 3
13 6 4
13 63 118 4 12 5 3 5= 3 1 19
5 2 1
2 3
13 6 4
42 73 66 4 12 5 3 5= 0 19 15
5 2 1
2 3
13 6 4
8 4 14 4 12 5 3 5_ 14 0 6
5 2 1
2 3
13 6 4
1 13 34 4 12 5 3 5= 1 3 9
5 2 1
2 3
13 6 4
8 17 64 4 12 5 3 5= 12 5 19
5 2 1
De este modo. La serie de matrices …la descifradas es
12 1 19 ; 0 13 1 ; 20 5 13 ; 1 20 9 ; 3 1 19 ;
0 19 15 ; 14 0 6 ; 1 3 9 ; 12 5 19 :
Al utilizar la correspondencia entre letras y números vemos que el mensaje descifrado
es:
LAS MATEMATICAS SON FACILES
La criptografía, es una ciencia practicada por los gobiernos en guerra o por los
empresarios, en situaciones donde el secreto es crucial. Si una empresa es muy
estricta para guardar secretos, tal vez sea necesario perfeccionar los procedimientos
de código; por ejemplo, el mensaje anterior LAS MATEMATICAS SON FÁCILES
puede descomponerse en cinco matrices 1 5. Entonces la matriz de código tendría
que ser 5 5 y que tenga inversa.
140
Ejemplo 2.4.16 El siguiente criptograma
56; 66; 1; 6; 23; 1; 9; 21; 21; 17; 7; 26; 23; 4; 8; 20:
fue cifrado con la siguiente matriz

2 3
2 3 1 1
6 1 1 1 1 7
A=6
4
7
1 1 1 2 5
3 1 2 4
usando el alfabeto español, ¿cuál es el mensaje?
Solución. Primeramente determinemos la matriz de desciframiento la cual es A 1.
Al invertir la matriz A obtenemos

2 3
1 1 8 4
6 1 1 6 3 7
A 1=6 4 2
7
0 11 5 5
2 1 13 6
Ahora, para descifrar el criptograma, dividimos dicho criptograma en grupos de

cuatro (pues la matriz codi…cadora es 4 4) para formar las matrices …la cifradas
1 4:
56 66 1 6 ; 23 1 9 21 ; 21 17 7 26 ; 23 4 8 20
luego cada una de las matrices …la cifradas se multiplica por la matriz de descifra-
miento A 1 para obtener las matrices …la descifradas, como se muestra a continua-
ción.
cifrada descifrado descifrada
2 3
1 1 8 4
6 1 1 6 3 7
56 66 1 6 6 7= 20 16 15 5
4 2 0 11 5 5
2 1 13 6
2 3
1 1 8 4
6 1 1 6 3 7
23 1 9 21 6 7= 0 3 16 14
4 2 0 11 5 5
2 1 13 6
141
2 3
1 1 8 4
6 1 1 6 3 7
21 17 7 26 6 7= 0 12 9 14
4 2 0 11 5 5
2 1 13 6
2 3
1 1 8 4
6 1 1 6 3 7
23 4 8 20 6 7= 5 1 12 0
4 2 0 11 5 5
2 1 13 6
Por tanto la serie de matrices …la descifradas es
20 16 15 5 ; 0 3 16 14 ; 0 12 9 14 ; 5 1 12 0
Por último, al eliminar la notación matricial se obtiene la siguiente serie de números
20; 16; 15; 5; 0; 3; 16; 14; 0; 12; 9; 14; 5; 1; 12; 0
Al utilizar la correspondencia entre letras del alfabeto español y números se ve que

el mensaje es, SOÑE CON LINEAL. X
Ejemplo 2.4.17 El siguiente criptograma fue cifrado con una matriz 3 3; usando
el alfabeto ingles
7; 21; 35; 2; 5; 9; 17; 21; 53; 6; 15; 26;

24; 43; 18; 12; 26; 16; 8; 13; 2; 2; 7; 4:
las últimas letras del mensaje son NTRE-CERO. ¿Cuál es el mensaje?
Solución. Puesto que el criptograma fue cifrado o codi…cado con una matriz 3 3,
entonces primeramente formemos las matrices …la cifradas de orden 1 3 correspon-
diente al criptograma dado
7 21 35 ; 2 5 9 ; 17 21 53 ; 6 15 26 ;
24 43 18 ; 12 26 16 ; 8 13 2 ; 2 7 4 :
Como las últimas letras del mensaje son NTRE-CERO que corresponde a las si-
guientes matrices …las descifradas.
14 20 18 ; 5 0 3 ; 5 18 15 :
Entonces sea, 2 3
a11 a12 a13
A 1
= 4 a21 a22 a23 5
a31 a32 a33
142
la matriz de desciframiento, luego debe ocurrir
2 3
a11 a12 a13
12 26 16 4 a21 a22 a23 5 = 14 20 18
a31 a32 a33
2 3
a11 a12 a13
8 13 2 4 a21 a22 a23 5 = 5 0 3
a31 a32 a33
2 3
a11 a12 a13
2 7 4 4 a21 a22 a23 5 = 5 18 15
a31 a32 a33
Estos productos originan los siguientes sistemas lineales
12a11 26a21 +16a31 = 14 8a11 13a21 2a31 = 5
12a12 26a22 +16a32 = 20 ; 8a12 13a22 2a32 = 0 y
12a13 26a23 +16a33 = 18 8a13 13a23 2a33 = 3
2a11 7a21 +4a31 = 5
2a12 7a22 +4a32 = 18
2a13 7a23 +4a33 = 15
Al reescribir, estos sistemas obtenemos los siguientes sistemas
12a11 26a21 +16a31 = 14 12a12 26a22 +16a32 = 20
8a11 13a21 2a31 = 5 ; 8a12 13a22 2a32 = 0 y
2a11 7a21 +4a31 = 5 2a12 7a22 +4a32 = 18
12a13 26a23 +16a33 = 18
8a13 13a23 2a33 = 3
2a13 7a23 +4a33 = 15
Observe que estos tres sistemas tienen la misma matriz de coe…cientes, entonces
para evaluar estos sistemas en forma rápida se puede usar el método de la inversa,
para obtener
a11 = 1 a12 = 10 a13 = 8
a21 = 1 a22 = 6 y a23 = 5
a31 = 0 a32 = 1 a33 = 1
De este modo la matriz de desciframiento es
2 3
1 10 8
A =1 4 1 6 5 5
0 1 1
143
Finalmente para descifrar el mensaje multiplicamos las matrices …la cifradas por
A 1 para obtener las matrices …las descifradas.
2 3
1 10 8
7 21 35 4 1 6 5 5= 14 21 14
0 1 1
2 3
1 10 8
2 5 9 4 1 6 5 5= 3 1 0
0 1 1
2 3
1 10 8
17 21 53 4 1 6 5 5= 4 9 22
0 1 1
2 3
1 10 8
6 15 26 4 1 6 5 5= 9 4 1
0 1 1
2 3
1 10 8
24 43 18 4 1 6 5 5= 19 0 5
0 1 1
2 3
1 10 8
12 26 16 4 1 6 5 5= 14 20 18
0 1 1
2 3
1 10 8
8 13 2 4 1 6 5 5= 5 0 3
0 1 1
2 3
1 10 8
2 7 4 4 1 6 5 5= 5 18 15
0 1 1
Por tanto la serie de matrices …las descifradas es
14 21 14 ; 3 1 0 ; 4 9 22 ; 9 4 1 ;
19 0 5 ; 14 20 18 ; 5 0 3 ; 5 18 15 :
Al utilizar la correspondencia entre las letras del alfabeto ingles y números se ve que
el mensaje es, NUNCA DIVIDAS ENTRE CERO. X
Ejemplo 2.4.18 Supongamos que Carlos S. y Sandra J. son dos agentes secretos
que quieren comunicarse entre si utilizando un código, pues sospechan que sus lla-
144
madas telefónicas y sus correos han sido intervenidos. En particular, Carlos desea
enviar a Sandra el mensaje, EL DOMINGO ES EL EXAMEN. Al utilizar el sistema
de sustitución anterior y usando el alfabeto ingles Carlos envía el mensaje:
5, 12, 0, 4, 15, 13, 9, 14, 7, 15, 0, 5, 19, 0, 5, 12, 0, 5, 24, 1, 13, 5, 14
Un código de este tipo podría descifrarse con poca di…cultad mediante varias técnicas
incluyendo el análisis de frecuencias de las letras. Para di…cultar esto, los agentes
proceden como sigue. En primer lugar, cuando aceptaron la misión, ellos acordaron
el uso de la siguiente matriz 3 3 no singular (invertible).
2 3
1 2 3
A=4 2 5 3 5
1 0 8
Llamada matriz de codi…cación, cuya inversa es
2 3
40 16 9
A 1 = 4 13 5 3 5
5 2 1
Llamada matriz de decodi…cación.
Luego Carlos separa el mensaje en ocho matrices columna 3 1 obteniendo así,
las siguientes matrices columna
2 3 2 3 2 3 2 3
5 4 9 15
u1 = 4 12 5 ; u2 = 4 15 5 ; u3 = 4 14 5 ; u4 = 4 0 5;
0 13 7 5
2 3 2 3 2 3 2 3
19 12 24 5
u5 = 4 0 5 ; u6 = 4 0 5 ; u7 = 4 1 5 ; u 8 = 4 14 5 :
5 5 13 0
Llamadas matrices columna no cifradas. Observe que para completar la última ma-
triz columna se utiliza un espacio en blanco. Una vez realizado esto, Carlos mul-
tiplica la matriz codi…cadora A, por cada matriz columna no cifrada para obtener
matrices v1 ; v2 ; v3 ; v4 ; v5 ; v6 ; v7 y v8 . Llamados matrices columnas cifradas. Esto
es,
Matriz Matriz columna Matriz columna
codi…cadora sin cifra con cifra
2 3 2 3 2 3
1 2 3 5 29
4 2 5 3 5 4 12 5 = 4 70 5
1 0 8 0 5
2 3 2 3 2 3
1 2 3 4 73
4 2 5 3 5 4 15 5 = 4 122 5
1 0 8 13 108
145
2 3 2 3 2 3
1 2 3 9 58
4 2 5 3 5 4 14 5 = 4 109 5
1 0 8 7 65
2 3 2 3 2 3
1 2 3 15 30
4 2 5 3 5 4 0 5= 4 45 5
1 0 8 5 55
2 3 2 3 2 3
1 2 3 19 34
4 2 5 3 5 4 0 5= 4 53 5
1 0 8 5 59
2 3 2 3 2 3
1 2 3 12 27
4 2 5 3 5 4 0 5= 4 39 5
1 0 8 5 52
2 3 2 3 2 3
1 2 3 24 65
4 2 5 3 5 4 1 5= 4 92 5
1 0 8 13 128
2 3 2 3 2 3
1 2 3 5 33
4 2 5 3 5 4 14 5 = 4 80 5
1 0 8 0 5
Así, Carlos transmite el mensaje:
29, 70, 5, 73, 122, 108, 58, 109, 65, 30, 45, 55, 34, 53, 59, 27, 39, 52, 65, 92,
128, 33, 80, 5.
Para quien desconoce la matriz A, es difícil decodi…car el mensaje obtenido.
Sin embargo, para un receptor autorizado como Sandra que conoce la matriz A, la
decodi…cación es simple. Para decodi…car Sandra separa el mensaje en ocho matrices
columna como sigue:
2 3 2 3 2 3 2 3
29 73 58 30
v1 = 4 70 5 ; v2 = 4 122 5 ; v3 = 4 109 5 ; v4 = 4 45 5 ;
5 108 65 55
2 3 2 3 2 3 2 3
34 27 65 33
v5 = 4 53 5 ; v6 = 4 39 5 ; v7 = 4 92 5 ; v8 = 4 80 5 :
59 52 128 5
y resuelve la ecuación Aui = vi en términos de ui . Como A es no singular entonces

1
ui = A vi :
146
Es decir,
Matriz Matriz columna Matriz columna

decodi…cadora con cifra sin cifra
2 3 2 3 2 3
40 16 9 29 5
4 13 5 3 5 4 70 5 = 4 12 5
5 2 1 5 0
2 3 2 3 2 3
40 16 9 73 4
4 13 5 3 5 4 122 5 = 4 15 5
5 2 1 108 13
2 3 2 3 2 3
40 16 9 58 9
4 13 5 3 5 4 109 5 = 4 14 5
5 2 1 65 7
2 3 2 3 2 3
40 16 9 30 15
4 13 5 3 5 4 45 5 = 4 0 5
5 2 1 55 5
2 3 2 3 2 3
40 16 9 34 19
4 13 5 3 5 4 53 5 = 4 0 5
5 2 1 59 5
2 3 2 3 2 3
40 16 9 27 12
4 13 5 3 5 4 39 5 = 4 0 5
5 2 1 52 5
2 3 2 3 2 3
40 16 9 65 24
4 13 5 3 5 4 92 5 = 4 1 5
5 2 1 128 13
2 3 2 3 2 3
40 16 9 33 5
4 13 5 3 5 4 80 5 = 4 14 5
5 2 1 5 0
De este modo. La serie de matrices columna descifradas es

2 3 2 3 2 3 2 3
5 4 9 15
u1 = 4 12 5 ; u2 = 4 15 5 ; u3 = 4 14 5 ; u4 = 4 0 5 ;
0 13 7 5
2 3 2 3 2 3 2 3
19 12 24 5
u5 = 4 0 5 ; u6 = 4 0 5 ; u7 = 4 1 5 ; u8 = 4 14 5 :
5 5 13 0
Finalmente eliminando la notación matricial se obtiene.
147
5, 12, 0, 4, 15, 13, 9, 14, 7, 15, 0, 5, 19, 0, 5, 12, 0, 5, 24, 1, 13, 5, 14.
Al utilizar la correspondencia entre letras del alfabeto ingles y números, vemos que
Sandra ha recibido el mensaje EL DOMINGO ES EL EXAMEN.
2.5 Ejercicios Propuestos

Ejercicio 2.5.1 Sean
2 3 2 3
6 6 3 5
3 4 6
A= ; B=4 3 5 y C=4 3 2 1 5
5 9 2
2 0 9 2
(a) ¿Cuáles son los valores de a12 ; a22 ; a33 ?
(b) ¿Cuáles son los valores de b11 ; b31 ?
(c) ¿Cuáles son los valores de c13 ; c31 ; c33 ?
2 3 2 3
1 5 0 3 2
D= 3 1 5 ; E=4 3 2 5 y F =4 4 0 1 5
5 1 0 3 0
(a) ¿Cuáles son los valores de d11 ; d13 ?
(b) ¿Cuáles son los valores de e12 ; e31 ; e22 ?
(c) ¿Cuáles son los valores de f11 ; f22 ; f33 ?
Ejercicio 2.5.3 Si
a+b c+d 4 6
=
c d a b 10 2
determinar a; b; c y d.
Ejercicio 2.5.4 Si
a + 2b 2a b 4 2
=
3c + d c 2d 4 3
determinar a; b; c y d.
En los ejercicios 4 al 7, sean
2 3 2 3
1 0 3 1 3
1 2 3 3 2
A = ; B=4 2 1 5; C=4 4 1 5 5; D=
2 1 4 2 4
3 2 2 1 3
2 3 2
3
2 4 5 0 0 0
4 5
E = 4 0 1 4 5; F = y O=4 0 0 0 5
2 3
3 2 1 0 0 0
148
Ejercicio 2.5.5 De ser posible, calcular la combinación lineal que se indica en cada
caso:
(a) C + E y E + C
(b) D F
(c) 2C 3E
(d) A + B
(e) 3C + 5O
(f ) 2B + F
Ejercicio 2.5.6 De ser posible, calcular la combinación lineal que se indica en cada
caso:
(a) 3D + 2F
(b) 3 (2A) y 6A
(c) 3A + 2A y 5A
(d) 3 (D + F ) y 3D + 3F
(e) (2 + 3) D y 2D + 3D
(f ) 3 (B + D)
Ejercicio 2.5.7 De ser posible calcular:

t
(a) At y At
(b) (C + E)t y C t + E t
(c) (2D + 3F )t
(d) D Dt
(e) 2At + B
(f ) (3D 2F )t

(a) (2A)t
(b) (A B)t
t
(c) 3B t 2A
t
(d) 3At 5B t
(e) ( A)t y At
t
(f ) C + E + F t

2 3 2 3
1 2 3 1 0 0
4
A= 6 2 3 5 y I3 = 4 0 1 0 5
5 2 4 0 0 1
Si es un número real, calcular I3 A.
149
En los ejercicios 10 y 11, calcule AB
1
Ejercicio 2.5.10 (a) A = 1 2 ; B=
1
1
(b) A = 3 2 ; B=
2
2 3
1
(c) A = 4 2 1 ; B=4 3 5
6
2 3
7
(d) A = 2 3 1 ; B=4 0 5
2
3
Ejercicio 2.5.11 (a) A = 2 1 ; B=
2
1
(b) A = 1 1 ; B=
1
2 3
2
(c) A = 1 2 3 ; B=4 0 5
1
2 3
1
(d) A = 1 0 0 ; B=4 0 5
0
2 3
3
A= 3 2 x y B=4 2 5
x
Si AB = 17, determine x.
Ejercicio 2.5.13 Si
sen
W =
cos
Calcular W W t y W t W .
Ejercicio 2.5.14 Determinar todos los valores x tales que V t V = 1, donde

2 3
1=2
V = 4 1=2 5
x
150
2
3
y
1 2 x 6
A= y B=4 x 5 si AB =
3 1 2 8
1
determine x y y.
En los ejercicios 16 y 17, sean

2 3 2 3
2 1 2 3 1
1 2 3
A = ; B=4 2 4 5; 4
C= 3 4 5 5;
4 0 2
1 5 1 1 2
2 3
1 0 3
2 3 2 3
D = ; E=4 2 1 5 5 y F =
1 2 4 1
3 4 2

(a) AB; (b) BA; (c) CB + D; (d) AB + DF; (e) BA + F D

(a) A (ED) ; (b) (AB) D; (c) A (C + F ) ; (d) AC + AE; (e) (D + F ) A
Ejercicio 2.5.18 Calcular el producto ABC, donde

2 3
0 0 1 2 3
6 1 1 7 1 1
2 7 4
A=6 4 2 2 ; B=4 2 2 5y C=
3 5 1
1 1
3 3 4
Ejercicio 2.5.19 Calcular el producto ABC, donde

2 3
991 992 993 2 3 23
6 994 995 996 7 12 6 2 1 1
A=4 6 7 4
; B = 18 9 3 5 y C=4 1 2 5
997 998 999 5
24 12 4 3 0
1000 1001 1002
Ejercicio 2.5.20 Calcular el producto ABCD, donde

2 3 2 3
3 3
A = 4 5 5 ; B = 213 510 128 ; C = 4 1 5 y D= 1 2 1
7 1
151
En los ejercicios del 21 al 23. Si f (x) = a0 + a1 x + a2 x2 + + an xn , se de…ne
f (A) como la matriz f (A) = a0 I + a1 A + a2 A + 2 n
+ an A , hállese el valor del
polinomio f (A) de la matriz A.
2 1
Ejercicio 2.5.21 f (x) = 3x2 4, A=
0 3
1 2
Ejercicio 2.5.22 f (x) = x2 3x + 1, A=
1 3
2 3
1 2 3
Ejercicio 2.5.23 f (x) = 3x2 2x + 5, 4
A= 2 4 1 5
3 5 2
1 3 x
Ejercicio 2.5.24 Dada A = , hallar un vector columna u = dis-
4 3 y
tinto de cero tal que Au = 3u
1 3 x
Ejercicio 2.5.25 Dada B = , hallar un vector columna u = distinto
5 3 y
de cero tal que Bu = 6u
Se dice que dos matrices A y B son conmutativas, si AB = BA, en los ejercicios

del 26 al 28. Hállense todas, las matrices, conmutativas con la dada.
Ejercicio 2.5.26
1 3
A=
4 3
Ejercicio 2.5.27
7 33
A=
5 2
3 1 0
A=4 0 3 1 5
0 0 3
En los ejercicios del 29 al 40, resuelva la ecuación matricial dada para X. Simpli-
…que sus respuestas tanto como sea posible. (En palabras de Albert Einstein, "Todo
debería ser hecho tan simple como fuera posible, pero no más simple".) Suponga
que todas las matrices sean invertibles.
152
Ejercicio 2.5.29 XA2 = A 1
1X 1 2A 1
Ejercicio 2.5.30 A =A B
Ejercicio 2.5.31 AXB = (BA)2
Ejercicio 2.5.32 ABXA 1B 1 =I +A
1 3 3 0
Ejercicio 2.5.33 X=
4 3 7 2
3 2 1 2
Ejercicio 2.5.34 X =
2 1 1 1
2 1 1 1 1 1
Ejercicio 2.5.35 X X =
1 2 1 1 1 1
1 2 2 1 1 1
Ejercicio 2.5.36 X X =
2 3 1 1 1 0
2 3
1 2 3
6 9 8
Ejercicio 2.5.37 X4 2 3 4 5=
0 1 6
3 4 1
2 3 2 3
1 1 1 1 1 4 3
6 1 0 1 1 7 6 0 3 2 7
6 7 6 7
Ejercicio 2.5.38 4 0 0 1 0 5X = 4 0 1 0 5
0 0 1 1 0 2 1
2 3 2 3
1 2 3 1 3 0
Ejercicio 2.5.39 4 3 2 4 5 X = 4 10 2 7 5
2 1 0 10 7 8
2 3 2 3
5 3 1 8 3 0
Ejercicio 2.5.40 X4 1 3 2 5=4 5 9 0 5
5 2 1 2 15 0
Ejercicio 2.5.41 Si AC = BC, entonces A no necesariamente es igual a B. Es

decir no es válida la ley de cancelación. Compruebe lo anterior con las matrices.
2 3 2 3 2 3
1 2 3 4 6 3 0 0 0
A=4 0 5 4 5; B = 4 5 4 4 5; y C = 4 0 0 0 5
3 2 1 1 0 1 4 2 3
153
Ejercicio 2.5.42 Si AB = 0, entonces no necesariamente es cierto que A = 0 o
B = 0. Compruebe lo anterior con las matrices
3 3 1 1
(a) A = y B=
4 4 1 1
2 3 2 3
2 3 5 2 5 7
(b) A = 4 4 6 10 5 y B=4 1 3 4 5
6 9 15 1=5 19=5 2=5
Ejercicio 2.5.43 Encuentre dos matrices 2 2, diferentes de la matriz nula cuyo
producto sea la matriz nula.
Ejercicio 2.5.44 Encuentre dos matrices 3 3, diferentes de la matriz nula cuyo
producto sea la matriz nula.
Ejercicio 2.5.45 La empresa Salud y Deporte tiene dos tiendas, Salud y Deporte I
(SDI) y Salud y Deporte II (SDII). En el mes de mayo, SDI vendió 21 bicicletas,
15 máquinas de remar y 34 bandas de caminar; las ventas correspondientes de SDII
fueron 19, 24 y 28. En junio, la tienda I vendió 28 bicicletas, 18 máquinas de
remar y 27 bandas de caminar, y las ventas de la tienda II fueron 25, 17 y 28,
respectivamente.
(a) Formule la matriz de ventas, M2 3 , donde se vean las ventas de los tres artícu-
los en cada venta. Haga lo mismo para el mes de junio y llame J a la matriz.
Determine M + J e interprete los resultados. También determine M J y
explique lo que sucede cuando M J tiene un elemento positivo, un elemento
cero o un elemento negativo.
(b) Las ventas combinadas de mayo, junio y julio están expresadas por la siguiente
matriz de ventas:
bic rem ban
67 45 70 Tienda I
S=
59 62 63 Tienda II
Con operaciones matriciales determine la matriz que muestre las ventas de
cada artículo en cada tienda durante julio.
Ejercicio 2.5.46 Un estudiante debe comprar la fruta necesaria para un día de
campo del club: 6 libras de manzanas, 10 de uvas, 8 de melocotones y 12 de ciruelas.
Hay dos tiendas donde puede comprar toda esa fruta. La MaxiTienda cobra 0.99Bs.
por libra de manzanas, 1.49Bs por libra de uvas, 1.69Bs por libra de melocotones
y 1.29 por libra de ciruelas. En la SuperTienda, los precios correspondientes son
1.09Bs, 1.59Bs, 1.35Bs y 1.19Bs.
154
(a) Formule la matriz A1 4 , que muestre la cantidad de libras de cada fruta nece-
sarias y la matriz de costo C4 2 , que muestre el precio por libra en cada tienda.
(b) Calcule el producto matricial AC y explique qué representan los elementos de

AC.
Ejercicio 2.5.47 Cierta empresa cuenta con cuatro fábricas. Cada una produce
dos productos. El número de unidades del producto i producido por la fábrica j en
un día se representa por aij en la matriz
100 90 70 30
A=
40 20 60 60
Con la multiplicación por un escalar (multiplique por 1.10) determine los niveles de
producción que habría si ésta se incrementase en 10%.
Ejercicio 2.5.48 Un fruticultor levanta dos cosechas, las cuales se embarcan a tres
mercados. El número de unidades del producto i que se embarca al mercado j se
representa por aij en la matriz
100 75 75
A=
125 150 100
La ganancia en una unidad del producto i se representa por bij en la matriz
B= 3:75 Bs 7:00 Bs
Encuentre el producto matricial BA y explique qué representa cada elemento de este

producto.
Ejercicio 2.5.49 Una compañía elabora, mesas y sillas en dos sitios. La matriz C
proporciona el costo total de manufactura de cada producto en cada lugar
Sitio 1 Sitio 2
Mesa 627 681
C=
Silla 135 150
a) Dado que la mano de obra corresponde a casi 2/3 del costo total. Determine
la matriz L que proporciona los costos por mano de obra para cada producto en cada
sitio. ¿Qué operación matricial utilizó?.
b) Encuentre la matriz M que da los costos de material para cada producto en
cada sitio (suponga que solamente hay costos de mano de obra y de material).
155
Ejercicio 2.5.50 La matriz
Para
2 R Para D Para3 I
De R 0:75 0:15 0:10
P = De D 4 0:20 0:60 0:20 5
De I 0:30 0:40 0:30
representa la proporción de una población de electores que cambia del partido i al
partido j en una elección dada. Es decir, pij (i 6= j) representa la proporción de
la población de electores que cambia del partido i al partido j y pii representa la
proporción que permanece leal al partido i de una elección a otra. Encuentre el
producto de P con si misma. ¿Qué representa este producto?
En los ejercicios del 51 al 56, hallar la inversa de la matriz dada (en caso de
existir)
1 2 3
A=4 2 1 0 5
4 2 5
15 2 7
A= 4 5 1 4 5
3 2 2
1 2 1 2
6 3 5 2 3 7
A=6
4
7
2 5 2 5 5
1 4 4 11
4 8 7 14
6 2 5 4 6 7
A=6
4 0
7
2 1 7 5
3 6 5 10
1 1 1 1
6 1 1 1 1 7
A=6
4 1
7
1 1 1 5
1 1 1 1
156
0 1 1 1
6 1 0 1 1 7
A=6
4
7
1 1 0 1 5
1 1 1 0
En los ejercicios del 57 al 60, determine si la matriz dada es o no estocástica
Ejercicio 2.5.57 " #

2 2
5 5
3 7
5 5
Ejercicio 2.5.58 " p p #

2 2
2 2
p p
2 2
2 2
0 1 0
4 0 0 1 5
1 0 0
0:3 0:1 0:8
4 0:5 0:2 0:1 5
0:2 0:7 0:1
Ejercicio 2.5.61 El departamento de mercadotecnia de una planta de manufactura

determina que el 20 % de las personas que adquieren su producto durante cualquier
mes no lo comprarán el mes siguiente. Por otra parte, el 30 % de las personas que
no compran el producto durante cualquier mes dado lo adquirirán el mes siguiente.
En una población de 1000 personas; 100 personas compraron el producto este mes.
¿Cuántos lo comprarán el mes siguiente? ¿Y dentro de dos meses?
Ejercicio 2.5.62 Una población de 10 000 personas se agrupa como sigue: 5 000
no fumadores, 2 500 fumadores de una cajetilla o menos al día y 2 500 fumadores de
más de una cajetilla diaria. Durante cualquier mes dado hay el 5 % de probabilidad
de que un no fumador comience a fumar una cajetilla o menos al día y 2 % de
probabilidad de que un no fumador comience a fumar más de una cajetilla diaria.
Para los fumadores que fuman una cajetilla o menos al día, existe un 10 % de
probabilidad de dejar de fumar y un 10 % de probabilidad de aumentar a más de una
cajetilla diaria. Para los fumadores que fuman más de una cajetilla diaria, existe
157
un 5 % de probabilidad de dejar de fumar y un 10 % de probabilidad de disminuir a
una cajetilla o menos al día. ¿Cuántas personas estarán en cada uno de estos tres
grupos dentro de un mes? ¿Y en dos meses?.
Ejercicio 2.5.63 El dormitorio de una universidad alberga 200 estudiantes. Quienes

ven la televisión una hora o más cualquier día dado siempre ven televisión menos
de una hora al día siguiente. la cuarta parte de quienes ven televisión menos de una
hora un día dado ven una hora o más la televisión al día siguiente. Hoy, la mitad de
los estudiantes vieron televisión durante una hora o más. ¿Cuántos verán mañana
televisión durante una hora o más? ¿Y en dos días? ¿Y en 30 días?
Ejercicio 2.5.64 Una matriz de probabilidad de transición está de…nida por

2 3
0:6 0:1 0:1
P = 4 0:2 0:7 0:1 5
0:2 0:2 0:8
Encuentre P 2 X y P 3 X para la siguiente matriz de estados

2 3
100
X = 4 100 5
800
Y luego encuentre la matriz de estados estacionario para P .
Modelos de Leontief de Entrada- Salida.
Ejercicio 2.5.65 Un sistema compuesto por dos industrias, de carbón y acero, tiene
las siguientes entradas.
(a) Para producir el valor de un dólar de salida, la industria carbonífera requiere
0.10 dólares de su propio producto y 0.80 dólares de acero.
(b) Para producir el valor de un dólar de salida, la industria del acero requiere
0.10 dólares de su propio producto y 0.20 dólares de carbón.
Encuentre la matriz de entrada - salida D del sistema. Luego despeje la matriz
de salida X en la ecuación X = DX + E, donde la demanda externa está dada por
10:000
E=
20:000
Ejercicio 2.5.66 Un sistema industrial tiene dos industrias A y B con las siguien-
tes entradas.
158
(a) Para producir el valor de un dólar de salida, la industria A requiere 0.30
dólares de su propio producto y 0.40 dólares del producto de la industria B:
(b) Para producir el valor de un dólar de salida la industria B requiere 0.20
dólares de su propio producto y 0.40 dólares del producto de la industria A.
Encuentre la matriz de entrada - salida D de este sistema. Luego despeje la
matriz de salida X en la ecuación X = DX + E, donde la demanda externa está
dada por
50:000
E=
30:000
Ejercicio 2.5.67 En una pequeña comunidad hay un campesino, un panadero y un

tendero con la siguiente matriz de entrada - salida D y matriz de demanda externa
E.
Camp Panad Tend 2 3
2 3 1000
0:40 0:50 0:50 Camp
4 5 y E = 4 1000 5
D= 0:30 0:00 0:30 Panad
1000
0:20 0:20 0:00 Tende
Despeje la matriz de salida X de la ecuación X = DX + E.
Ejercicio 2.5.68 En sistema industrial consta de tres industrias con la siguiente

matriz de entrada - salida D y matriz de demanda externa E.
2 3 2 3
0:2 0:4 0:4 5000
D = 4 0:4 0:2 0:2 5 y E = 4 2000 5
0:0 0:2 0:2 8000
Despeje la matriz de salida X de la ecuación X = DX + E.
Ejercicio 2.5.69 Un sistema industrial consta de tres industrias con la siguiente

matriz de entrada-salida D y matriz de demanda externa E.
2 3 2 3
0:1 0:3 0:2 3000
D = 4 0:0 0:2 0:3 5 y E = 4 3500 5
0:4 0:1 0:1 8500
Despeje la matriz X de la ecuación X = DX + E.
Ejercicio 2.5.70 Un pequeño pueblo tiene tres industrias primarias: Una mina de
cobre, un ferrocarril y una planta de energía eléctrica. Para producir 1 dólar de cobre
la mina gasta 0.20 dólares de cobre, 0.40 de transporte y ningún dólar de energía
eléctrica. Para proporcionar 1 dólar de transporte, el ferrocarril requiere 0.40 dólares
de cobre, 0.20 de transporte y 0.20 de energía eléctrica. Para producir 1 dólar de
159
energía eléctrica, la planta destina 0.40 dólares de cobre, 0.20 de transporte y 0.20
de energía eléctrica. Suponga que durante el año hay una demanda externa de 5000
dólares de cobre, 2000 dólares de transporte y 8000 dólares por concepto de energía
eléctrica. ¿Cuánto debe producir cada industria para satisfacer las demandas?
Ejercicio 2.5.71 Un pequeño pueblo tiene tres industrias primarias: una mina de
cobre, un ferrocarril y una planta de energía eléctrica. Para producir 1 dólar de
cobre, la mina gasta 0.20 dólares de cobre, 0.10 de transporte y 0.20 de energía
eléctrica. Para proporcionar 1 dólar de transporte, el ferrocarril requiere 0.10 dólares
de cobre, 0.10 de transporte y 0.40 de energía eléctrica. Para producir 1 dólar de
energía eléctrica, la planta destina 0.20 dólares de cobre, 0.20 de transporte y 0.30
de energía eléctrica. Suponga que durante el año hay una demanda externa de 1.2
millones de dólares de cobre, 0.8 millones de dólares por transporte y 1.5 millones
de dólares por concepto de energía eléctrica. ¿Cuánto debe producir cada industria
para satisfacer las demandas?
Ejercicio 2.5.72 En un sistema económico con tres industrias, suponga que la ma-
triz D de entrada - salida está dada por
2 3
0:2 0:5 0:15
D = 4 0:4 0:1 0:3 5
0:25 0:5 0:15
Encontrar la producción total correspondiente a cada uno de las siguientes matrices
de demanda.
2 3 2 3 2 3
10 15 30
(a) E = 4 25 5 ; (b) E = 4 20 5 ; (c) E = 4 100 5
20 40 50
Ejercicio 2.5.73 Suponga que en un sistema económico con tres industrias las de-
mandas externas son, respectivamente, de 10, 25 y 20. Considérese la siguiente
matriz de entrada-salida
2 3
0:2 0:5 0:15
D = 4 0:4 0:1 0:3 5
0:25 0:5 0:15
Encontrar la producción en cada inidustria para equilibrar con exactitud la oferta
con la demanda.
Minimos cuadrados
En los ejercicios, del 74 al 77, encuentre la recta de regresión por mínimos cuadra-
dos para los puntos dados.
160
Ejercicio 2.5.74 ( 2; 0) ; ( 1; 1) ; (0; 1) ; (1; 2)
Ejercicio 2.5.75 ( 3; 4) ; ( 1; 2) ; (1; 1) ; (3; 0)
Ejercicio 2.5.76 (0; 0) ; (1; 1) ; (2; 4)
Ejercicio 2.5.77 (0; 6) ; (4; 3) ; (5; 0) ; (8; 4) ; (10; 5)
Ejercicio 2.5.78 El administrador de un almacén desea conocer la demanda de

cierto producto como función de su precio. Las ventas diarias para tres precios
diferentes se dan en la siguiente tabla.
Precio (x) 1.00 Bs 1.25 Bs 1.50 Bs

Demanda (y) 450 375 330
(a) Encuentre la recta de regresión por mínimos cuadrados para estos datos.
(b) Estime la demanda cuando el precio es 1.40 Bs.
Ejercicio 2.5.79 Un vendedor de ferreteria desea conocer la demanda de cierta

herramienta como función de su precio. En la siguiente tabla se presentan las ventas
mensuales para cuatro precios diferentes de la herramienta.
Precio (x) 25 Bs 30 Bs 35 Bs 40 Bs
Demanda (y) 82 75 67 55
(a) Encuentre la recta de regresión por mínimos cuadrados para estos datos.
(b) Calcule la demanda cuando el precio es 32.95 Bs.
Ejercicio 2.5.80 Sea bi la longitud de un resorte con un peso ai colgado, determi-

nado por las mediciones mostradas en la siguiente tabla
ai = peso en gramos 1 2 4 6
bi = longitud en centimetros 3 4.1 5.9 8.2
(a) Hallar el ajuste lineal de mínimos cuadrados de acuerdo con la ley de Hooke
el cual establece que la distancia que se estira un resorte es proporcional a la fuerza
aplicada, esto es
y = f (x) = r0 + r1 x
donde r0 es la longitud del resorte y r1 es la constante del resorte. Es decir, si
nuestras mediciones fueran exactas y el resorte ideal, tendríamos bi = r0 + r1 ai para
valores especi…cos r0 y r1 .
(b) Usar la respuesta de (a) para estimar la longitud del resorte si se le cuelga
un peso de 5 g.
161
Ejercicio 2.5.81 En una reciente exhibición de yates se hicieron las observaciones
listadas en la siguiente tabla
ai = peso en toneladas 2 4 5 8
bi = precio en unidades de 10 000 Bs 1 3 5 12
Hallar el ajuste de mínimos cuadrados para estos datos mediante una parábola, esto
es, mediante una función cuadrática y = a + bx + cx2 .
Ejercicio 2.5.82 La siguiente tabla

xi = año observado 1950 1960 1070 1990 2000
yi = población (en miles de millones) 2.56 3.04 3.71 4.46 6.08
Proporciona la población del mundo a intervalos de 10 años durante la segunda mitad
del siglo XX. Utilice el método de los mínimos cuadrados para ajustar los datos de
la tabla suponiendo un modelo de crecimiento exponencial y = f (x) = aebx . Luego
prediga la población del mundo para el 2012.
Ejercicio 2.5.83 Sea 2 3

2=7 1=7 0
R=4 1=7 3=7 1 5
0 1 3
Una matriz de rigidez medida en pulgadas, para una viga elástica con tres puntos
en los cuales se aplican fuerzas. Suponga que al aplicar las fuerzas f1 ; f2 y f3 libras
en los puntos 1, 2, y 3 se produce una ‡exión de 5 pulgadas en el segundo y tercer
punto de la viga y 2 pulgadas en el primer punto.
(a) Encuentre las fuerzas correspondientes.
(b) Encuentre la matriz de ‡exibilidad D, medida en pulgadas por libra.
(c) Enumere las ‡exiones correspondientes al aplicar las fuerzas de 10, 40 y 20
libras en los puntos 2, 1 y 3.
Ejercicio 2.5.84 Sea

2 3
0:040 0:030 0:010 0:005
6 0:030 0:050 0:030 0:010 7
D=6
4 0:010
7
0:030 0:050 0:030 5
0:005 0:010 0:030 0:040
una matriz de ‡exibilidad para una viga elástica con cuatro puntos en los cuales se
aplican fuerzas. Las unidades son centimetros por newton de fuerza. Las mediciones
en los cuatro puntos muestran ‡exiones de 0.08, 0.12, 0.16 y 0.12 cm. Determinar
las fuerzas presentes en los cuatro puntos.
162
Ejercicio 2.5.85 Considere que D es como en el ejercicios anterior y determine
las fuerzas que producen una ‡exión de 0.24 cm en el segundo punto de la viga con
‡exión 0 en los otros tres puntos. ¿Qué relación hay entre la respuesta al problema
y las componentes de D 1 ? [Sugerencia: Primero conteste la pregunta para una
‡exión de 1 cm en el segundo punto.]

2 3
0:0040 0:0030 0:0010 0:0005
6 0:0030 0:0050 0:0030 0:0010 7
D=6
4 0:0010
7
0:0030 0:0050 0:0030 5
0:0005 0:0010 0:0030 0:0040
Una matriz de ‡exibilidad con ‡exibilidad medida en pulgadas por libra, para una
viga elástica con cuatro puntos en los cuales se aplican fuerzas. Suponga que se
aplica fuerzas de 20; 40; 30 y 10 libras en los puntos 1,2,3 y 4.
(a) Encuentre las ‡exiones correspondientes.
(b) Encuentre la matriz de rigidez D 1 .
(c) Enumere las fuerzas que se necesitan para producir una ‡exión de 0:03 pul-
gadas en el cuarto punto de la viga con ‡exión 0 en los tres puntos restantes.
En todos los ejercicios que sigue utilice el alfabeto ingles.
Ejercicio 2.5.87 Encuentre A 1 para descifrar el criptograma
9; 1; 9; 38; 19; 19; 28; 9; 19; 80; 25; 41; 64; 21; 31; 7; 4; 7
Donde 2 3
1 1 0
A=4 1 0 1 5
6 2 3
Ejercicio 2.5.88 El siguiente criptograma fue cifrado con una matriz 2 2
8; 21; 15; 10; 13; 13; 5; 10; 5; 25; 5; 19; 1; 6; 20; 40; 18; 18; 1; 16
La última palabra del mensaje es _RON. ¿Cuál es el mensaje?
Ejercicio 2.5.89 El siguiente criptograma fue cifrado con una matriz 2 2
5; 2; 25; 11; 2; 7; 15; 15; 32; 14; 8; 13; 38; 19; 19; 19; 37; 16
La última palabra del mensaje es _SUE. ¿Cuál es el mensaje?
163
En los ejercicios del 91 al 93, encuentre las matrices …la no cifradas del orden
indicado para los mensajes dados. Luego, cifre el mensaje utilizando la matriz A.
Ejercicio 2.5.90
Mensaje 0rden de la matriz Matriz de ciframiento
2 3
1 1 9
FACULTAD DE INGENIERIA 1 3 A=4 1 0 1 5
6 2 3
Ejercicio 2.5.91
2 3
4 2 1
CARRERA DE INGENIERIA
1 3 A=4 3 1 1 5
CIVIL
3 2 1
Ejercicio 2.5.92
2 3
2 3 1 1
ALGEBRA LINEAL Y 6 1 1 1 1 7
1 4 A=6
4
7
TEORIA MATRICIAL 1 1 1 2 5
3 1 2 4
Ejercicio 2.5.93 Utilice la matriz
2 3
1 1 0
A=4 4 2 3 5
2 1 5
para codi…car el mensaje TRABAJO DURO.
(a) usando matrices …la.
(b) usando matrices columna.
Ejercicio 2.5.94 Utilice la matriz
2 3
1 1 0
A=4 1 0 1 5
6 2 3
para codi…car el mensaje ENVIALE DINERO.
(a) usando matrices …la.
(b) usando matrices columna.
164
CAPÍTULO 3
Determinantes
En una matriz cuadrada A, hay varios aspectos sumamente interesantes que el de-
terminante ayuda a esclarecer de una forma muy rápida:
1. ¿Tendrá A una matriz inversa?
2. ¿Habrá alguna …la de A que sea combinación lineal de las demás?
3. ¿Habrá alguna columna de A que sea combinación lineal de las demás?
Como veremos, un único número, llamado el determinante de la matriz A, de-

notado por det A o jAj obtenido a partir de los elementos de A, permite contestar a
todas esas preguntas:
1. La matriz A tiene inversa si, det A 6= 0:
2. Una …la es combinación lineal de las demás si, det A = 0:
3. Una columna es combinación lineal de las demás si, det A = 0:
Observe que los determinantes nos proporcionan un criterio para estudiar si una
matriz es o no invertible. Además, como veremos en este capítulo, los determinantes
también nos proporcionarán nuevos métodos para el cálculo de la matriz inversa de
una dada (en caso de existir).
Sus aplicaciones son múltiples en todas las ramas de las ciencias que tratan
problemas lineales en los que necesariamente aparecen matrices y por tanto, deter-
minantes.
165
3.1 De…nición y ejemplos
El determinante es una función que asocia a toda matriz cuadrada A un único
número que se llama determinante de A, el cual se denota por det A. Utilizando la
notación funcional, podemos escribir
det : fmatrices cuadradasg ! R
para enfatizar que el dominio de la función det es el conjunto de todas las matrices
cuadradas y que su imagen o rango es el conjunto de los números reales.
3.1.1 Determinante de una matriz A1 1
Si A es una matriz cuadrada de orden 1, entonces A solo tiene un elemento esto es

A = [a11 ] en este caso det A = jAj = a11 .
Ejemplo 3.1.1
Si A = [2] entonces det A = 2:

Si A = [ 5] entonces det A = 5:
Si A = [0] entonces det A = 0:
hp i p
Si A = 3 entonces det A = 3:
Sea
a11 a12
A=
a21 a22
una matriz 2 2, entonces
a11 a12
det A = jAj = = a11 a22 a21 a12 :
a21 a22
Ejemplo 3.1.2 Encuentre el determinante de las siguientes matrices.
3 1 0 3 2 0
A= ; B= ; C=
5 2 0 0 4 4
166
Solución. Al usar la de…nición anterior se tiene
3 1
jAj = = ( 3) (2) (5) (1) = 6 5= 11
5 2
0 3
jBj = = (0) (0) (0) ( 3) = 0 + 0 = 0
0 0
2 0 2
jCj = =( 2) ( 4) (4) (0) = 6 + 8:
4 4
X
Nota. A este último polinomio se conoce como el polinomio característico de
2 0
4 4
Para encontrar una fórmula para el determinante de orden 3, se usa la fórmula del
determinante de una matriz 2 2 de la siguiente forma. Si
2 3
a11 a12 a13
A = 4 a21 a22 a23 5
a31 a32 a33
es una matriz de orden 3, entonces
a11 a12 a13
a22 a23 a21 a23 a21 a22
det A = a21 a22 a23 = a11 a12 + a13
a32 a33 a31 a33 a31 a32
a31 a32 a33
Ejemplo 3.1.3 Encuentre el determinante de la siguiente matriz
2 3
3 4 2
A=4 6 3 1 5
4 7 8
Solución. Usando la de…nición de determinante de orden 3 se tiene
3 4 2
3 1 6 1 6 3
det A = 6 3 1 = ( 3) (4) + (2)
7 8 4 8 4 7
4 7 8
= ( 3) ( 24 + 7) (4) ( 48 4) + (2) ( 42 12)
= ( 3) ( 17) (4) ( 52) + (2) ( 54)
= 51 + 208 108 = 151:
X
167
Observación 3.1.1 Si desarrollamos los respectivos determinantes de orden 2 en
la de…nición de determinante de orden 3 y reacomodamos convenientemente los tér-
minos resultantes obtenemos la siguiente fórmula para det A.
det A = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a11 a23 a32 a12 a21 a33 :
La siguiente …gura ayudará a recordar esta fórmula.
a11 a12 a13 a11 a12

a21 a22 a23 a21 a22
a31 a32 a33 a31 a32
− − − + + +
Observación 3.1.2 Para matrices de orden n > 3 no existe una fórmula fácil o un
método fácil para evaluar el det A. Por consiguiente utilizaremos métodos indirectos
basados en propiedades de los determinantes para evaluar determinantes de cualquier
orden.

1 1 2
A=4 3 1 0 5
2 0 3
Encuentre el determinante de a) A, b) At , c) A 1:
Solución. (a)
1 1 2 1 1
det A = 3 1 0 3 1 =3+0+0+4+0 9= 2
2 0 3 2 0
(b) Como 2 3
1 3 2
At = 4 1 1 0 5
2 0 3
entonces
1 3 2 1 3
det At = 1 1 0 1 1 =3+0+0+4+0 9= 2
2 0 3 2 0
Observe que
det A = det At :
168
(c) Se puede veri…car que
2 3 3
3
2 2 1
1 6 9 7 7
A =4 2 2 3 5
1 1 1
cuyo determinante es
3 3 3 3
2 2 1 2 2
1 9 7 9 7 21 9 9 7 9 27 1
det A = 2 2 3 2 2 = + + =
4 2 2 2 2 4 2
1 1 1 1 1
Observe que
1 1
det A =
det A
X
Ejemplo 3.1.5 Sea
2 3 2 3
1 0 0 1 0 0
6 7
A=4 3 4 0 5 cuya inversa es A 1
=4 3
4
1
4 0 5
2 5 5 7 1 1
20 4 5
Encuentre jAj y A 1 :
Solución.
1 0 0 1 0
jAj = 3 4 0 3 4 = 20 + 0 + 0 0 0 0 = 20:
2 5 5 2 5
Observe que A es una matriz triangular inferior y su determinante es el producto de
los elementos de la diagonal principal.
Como 2 3
1 0 0
6 7
A 1 = 4 34 1
4 0 5
7 1 1
20 4 5
es una matriz triangular inferior, entonces por la anterior observación se tiene
1 1 1
A 1 =1 = :
4 5 20
Aquí, nuevamente se observa que
1
A 1 = :
jAj
X
169
3.2 Propiedades de los determinantes
A continuación se presentan algunas de las propiedades básicas de la función deter-
minante.
Propiedad 1. El determinante de una matriz A y de su transpuesta At son

iguales, es decir
jAj = At
Por esta propiedad, cualquier resultado acerca del determinante de una matriz A
que esté relacionado con las …las de A tiene una propiedad análoga relacionada con
las columnas de A.
La siguiente propiedad enuncia ciertos casos en los cuales el determinante se
puede obtener inmediatamente.
Propiedad 2. Sea A una matriz cuadrada de orden n.
(i) Si A tiene una …la (columna) que consta de ceros, entonces jAj = 0.
(ii) Si A tiene dos …las (columnas) iguales, entonces jAj = 0.
(iii) Si A es tal que una …la (columna) es múltiplo de otra …la (columna), entonces
jAj = 0.
(iv) Si A es triangular, entonces jAj es el producto de los elementos de la diagonal
principal es decir,
jAj = a11 a22 ann .
La siguiente propiedad muestra como se afecta el determinante de una matriz

cuando se aplican las operaciones elementales de …las (columnas).
Propiedad 3. Sea B la matriz que se obtiene de una matriz A.
(i) Multiplicando una …la (columna) de A por un escalar k 6= 0, entonces

jBj = k jAj
En particular, si An n entonces
jkAj = k n jAj .
(ii) Intercambiando dos …las (columnas) de A, entonces

jBj = jAj
Observe que en este caso cambia el signo del determinante.
170
(iii) Sumando un múltiplo de una …la (columna) de A a otra, entonces
jBj = jAj
Observe que en este caso el determinante no varía.
Las propiedades hasta aquí presentadas, facilitan en gran medida la evaluación

de determinantes de orden elevado. El determinante simplemente “se reduce por
…las o por columnas”, utilizando la propiedad 3, hasta que tenga una forma que
permita su cálculo fácil. El objetivo más común será emplear la propiedad 3 (iii) en
forma repetida hasta que:
1. El nuevo determinante tenga una …la (columna) de ceros o que una …la (columna)
sea múltiplo de otra …la (columna) y en tales casos el determinante será cero;
o bien.
2. La nueva matriz sea triangular, de tal modo que su determinante sea igual al
producto de los elementos situados en la diagonal.
Ejemplo 3.2.1 Calcule

1 3 5 2
0 1 3 4
jAj =
2 1 9 6
3 2 4 8
Solución. Observe que ya hay un cero en la primera columna, por lo cual lo más
sencillo es reducir a cero los demás elementos de la primera columna. Luego se
continúa la reducción, procurando llegar a una matriz triangular.
La primera …la se multiplica por 2 y el resultado se suma a la tercera …la y la
primera …la se multiplica por 3 y el resultado se suma a la cuarta …la. Obteniendo
así,
1 3 5 2
0 1 3 4
jAj =
0 5 1 2
0 7 11 2
Luego la segunda …la se multiplica por 5 y por 7 y los resultados se suman a la
tercera y cuarta …la respectivamente para obtener
1 3 5 2
0 1 3 4
jAj =
0 0 16 18
0 0 32 26
171
Se extrae el factor 16 de la tercera …la usando la propiedad 3 (i)
1 3 5 2
0 1 3 4
jAj = 16 9
0 0 1 8
0 0 32 26
La tercera …la se multiplica por 32 y el resultado se suma a la cuarta …la.
1 3 5 2
0 1 3 4
jAj = 16
0 0 1 98
0 0 0 10
Lo que se tiene ahora es una matriz triangular superior, por tanto
jAj = ( 16) ( 1) (1) (10) = 160.
Ejemplo 3.2.2 Evaluar el determinante de

2 3
+3 1 1
A=4 5 3 1 5
6 6 +4
Solución. Sumando la segunda columna a la primera columna y luego sumando la

tercera a la segunda columna obtenemos.
+2 0 1
jAj = +2 2 1
0 2 +4
Ahora, factorizando + 2 de la primera columna y 2 de la segunda columna se
tiene.
1 0 1
jAj = ( + 2) ( 2) 1 1 1
0 1 +4
Finalmente, restando la primera columna de la tercera se tiene.
1 0 0
jAj = ( + 2) ( 2) 1 1 0 = ( + 2) ( 2) ( + 4) :
0 1 +4
X
172
Ejemplo 3.2.3 Evaluar el determinante de
2 1 1
3
2 1 3
6 3 1 7
A=4 4 2 1 5
1 4 1
Solución. Primero multiplicamos la primera …la por 6 y la segunda …la por 4.

Entonces
3 6 2 3 6
6 4 jAj = 24 jAj = 3 2 4 3 2 = 6 + 24 + 24 + 4 48 + 18 = 28
1 4 1 1 4
Por tanto
28 7
jAj = = :
24 6
X
A continuación establecemos algunas propiedades más útiles e importantes sobre
determinantes.
Propiedad 4. Sea A una matriz de orden n, A es no singular (invertible) si, y
sólo si, jAj =
6 0. Esta propiedad establece que el determinante de una matriz decide
si esta es o no invertible.
Propiedad 5. Si A es una matriz de orden n, entonces el sistema lineal Ax = B
tiene solución única si, y sólo si, jAj =
6 0.
Propiedad 6. Si A es una matriz de orden n, entonces Ax = 0 (el sistema
homogéneo de n ecuaciones con n incógnitas) tiene solución no trivial si, y sólo si,
jAj = 0.
Propiedad 7. Si A y B son matrices del mismo orden n, entonces
jA Bj = jAj jBj
En particular jA Aj = jAj jAj = jAj2 , en general
jA A : : : Aj = jAj jAj : : : jAj

jAn j = jAjn
Este último nos permite hallar jAjn sin calcular An .

Advertencia: no siempre es cierto que jA + Bj = jAj + jBj, en general
jA + Bj =
6 jAj + jBj
173
Observación 3.2.1 Obsérvese que si jAj =
6 0, entonces la matriz A es invertible,
luego existe A 1 tal que A A 1 = A 1 A = I, entonces por la propiedad 7 se tiene.
1
A A = jIj
1
jAj A = 1
como jAj =
6 0, se concluye que
1 1
A =
jAj
Esto muestra que es posible calcular A 1 sin evaluar A 1.
Ejemplo 3.2.4 Utilice la propiedad 6 para determinar si el siguiente sistema ho-

mogéneo tiene solución no trivial (no resolverlo).
x1 2x2 + x3 = 0
2x1 + 3x2 + x3 = 0
3x1 + x2 + 2x3 = 0
Solución. La matriz de coe…cientes del sistema es

2 3
1 2 1
A=4 2 3 1 5
3 1 2
Evaluando el determinante de esta matriz se tiene

1 2 1 1 2
jAj = 2 3 1 2 3 =6 6+2 9 1+8=0
3 1 2 3 1
Como jAj = 0 se concluye que el sistema tiene solución no trivial (in…nitas solu-
ciones). X
3.3 Cofactores
De…nición 3.3.1 Sea A una matriz n n y sea Mij la submatriz (n 1) (n 1)
que se obtiene de A al eliminar la …la i y la columna j. El determinante jMij j se
denomina el menor del elemento Aij de A , en particular jMii j se denomina menor
principal. El escalar
Acij = ( 1)i+j jMij j
se denomina cofactor de Aij .
174
Ejemplo 3.3.1 Encuentre (a) los menores y (b) los cofactores de la matriz
2 3
3 4 2
A=4 6 3 1 5
4 7 8
Solución. (a) Para obtener el menor M11 se elimina la primera …la y la primera
columna de A y luego se evalúa el determinante de la matriz resultante, esto es.
3 1
M11 =
7 8
de esto se tiene
3 1
jM11 j = = 24 + 7 = 17
7 8
que resulta ser el menor del elemento A11 = 3.
De manera similar se obtiene los restantes menores
6 1 6 3
jM12 j = = 48 4= 52; jM13 j = = 42 12 = 54
4 8 4 7
4 2 3 2
jM21 j = = 32 + 14 = 18; jM22 j = = 24 8 = 16
7 8 4 8
3 4 4 2
jM23 j = = 21 16 = 5; jM31 j = =4 6= 2
4 7 3 1
3 2 3 4
jM32 j = = 3 12 = 15; jM33 j = = 9 24 = 33
6 1 6 3
(b) Para determinar los cofactores, utilizamos la fórmula
Acij = Cij = ( 1)i+j jMij j
Ac11 = C11 =( 1)1+1 jM11 j = ( 1)2 ( 17) = 17

Ac12 = C12 =( 1)1+2 jM12 j = ( 1)3 ( 52) = 52
Ac13 = C13 =( 1)1+3 jM13 j = ( 1)4 ( 54) = 54
Ac21 = C21 =( 1)2+1 jM21 j = ( 1)3 ( 18) = 18
Ac22 = C22 =( 1)2+2 jM22 j = ( 1)4 (16) = 16
Ac23 = C23 =( 1)2+3 jM23 j = ( 1)5 (5) = 5
Ac31 = C31 =( 1)3+1 jM31 j = ( 1)4 ( 2) = 2
Ac32 = C32 =( 1)3+2 jM32 j = ( 1)5 ( 15) = 15
Ac33 = C33 =( 1)3+3 jM33 j = ( 1)6 ( 33) = 33
X
175
Observación 3.3.1 Observe que, los menores y cofactores de una matriz di…eren
solamente en el signo. Para obtener los cofactores de una matriz, primero se de-
terminan los menores y luego se aplica el siguiente patrón de tablero de ajedrez de
signos " + " y " ".
Patrón de Signos para Cofactores

2 3
2 3 + + :::
2 3 + +
+ + 6 + + ::: 7
6 + + 7 6 7
4 + 5 6 7 6 + + ::: 7
4 + + 5 6 7
+ + 4 + + ::: 5
3 3 + + 4 4
::: ::: ::: ::: n n
3.4 Matriz adjunta

Sea A una matriz n n, sea Cij el cofactor de Aij entonces la matriz
2 3
C11 C12 C1n
6 C21 C22 C2n 7
AC = 6
4
7
5
Cn1 Cn2 Cnn
Se denomina matriz de cofactores de la matriz A, la transpuesta de esta matriz se

denomina matriz adjunta de A y se denota por Adj A, esto es.
2 3
C11 C21 Cn1
t 6 C12 C22 Cn2 7
Adj A = AC = 6 4
7
5
C1n C2n Cnn

3 4 2
A=4 6 3 1 5
4 7 8
la matriz del ejemplo 3.3.1. Hallar (a) jAj, (b) Adj A, (c) jAdj Aj, (d) j(Adj A) Aj
Solución. (a)
3 4 2 3 4
jAj = 6 3 1 6 3 = 72 + 16 84 24 21 + 129 = 151
4 7 8 4 7
176
(b) La matriz de cofactores de A según el ejemplo 3.3.1, es
2 3 2 3
+ jM11 j jM12 j + jM13 j 17 52 54
C
A = 4 jM21 j + jM22 j 5
jM23 j = 4 18 16 5 5
+ jM31 j jM32 j + jM33 j 2 15 33
Luego la transpuesta de ésta matriz es la adjunta de A, esto es
2 3
17 18 2
t
Adj A = AC = 4 52 16 15 5
54 5 33
(c) Seguidamente, calculamos jAdj Aj
17 18 2 17 18
jAdj Aj = 52 16 15 52 16
54 5 33 54 5
= 8976 14580 + 520 1728 1275 + 30888
= 40384 17583 = 22801 = (151)2
Observación 3.4.1 Observe que,
jAdj Aj = jAj2 :
(d) Para hallar j(Adj A) Aj, primeramente calculamos

2 32 3
17 18 2 3 4 2
(Adj A) A = 4 52 16 15 5 4 6 3 1 5
54 5 33 4 7 8
2 3 2 3
151 0 0 1 0 0
= 4 0 151 0 5 = 151 4 0 1 0 5
0 0 151 0 0 1
De este modo se obtiene j(Adj A) Aj = (151)3 . X
Observación 3.4.2 Observe que
(Adj A) A = jAj I
Esta última observación ilustra el siguiente.
Teorema 3.4.1 Para toda matriz cuadrada A.
A (Adj A) = (Adj A) A = jAj I
177
A partir de este último teorema se obtienen los siguientes.
Corolario 3.4.2 Puesto que (Adj A) A = jAj I, entonces si jAj =

6 0 se tiene
1
Adj A A = I:
jAj
Esto dice que

1 1
A = Adj A:
jAj
Que resulta ser un nuevo método para determinar A 1.
Observación 3.4.3 Observe que si jAj = 1. Entonces A 1 = Adj A.
Corolario 3.4.3 Similarmente de (Adj A) A = jAj I, con jAj =

6 0 se tiene
1
Adj A A =I
jAj
y esto dice que

1 1
(Adj A) = A
jAj
1
El cual permite determinar (Adj A) sin evaluar Adj A.
Corolario 3.4.4 Como (Adj A) A = jAj I, entonces

1 1
(Adj A) A A = jAj I A
por tanto
1
(Adj A) = jAj A
El cual permite determinar Adj A sin calcular la matriz de cofactores.
Corolario 3.4.5 Como (Adj A) A = jAj I, entonces
j(Adj A) Aj = jjAj Ij
jAdj Aj jAj = jAjn jIj
jAjn
jAdj Aj = = jAjn 1
jAj
Lo cual nos permite determinar jAdj Aj sin evaluar Adj A.
178
Corolario 3.4.6 Como
1 1
A =
jAj
aplicando esto a la matriz Adj A se tiene.
1 1 1
(Adj A) = = = jAj1 n
jAdj Aj jAjn 1
Corolario 3.4.7 Puesto que Adj A = jAj A 1 , aplicando este resultado a la matriz
A 1 se tiene
1 1
Adj A 1 = A 1 A 1 = A 1 A= A.
jAj
Corolario 3.4.8 Como el corolario 3.4.3 dice
1 1
(Adj A) = A
jAj
y el corolario 3.4.7 establece,
1 1
Adj A = A:
jAj
Entonces
1 1 1
(Adj A) = A = Adj A .
jAj
Ejemplo 3.4.2 Demostrar que
Adj (Adj A) = jAjn 2

A.
Solución. Puesto que

1
Adj A = A jAj
aplicando este hecho a la matriz Adj A se tiene
Adj (Adj A) = (Adj A) 1 jAdj Aj

1
= A jAjn 1
jAj
1
= A jAj jAjn 1
De este modo se concluye
Adj (Adj A) = jAjn 2

A:
179
Ejemplo 3.4.3 Dada la matriz
2 3
17 2
Adj A = 4 52 16 15 5 y jAj = 151:
54 5 33
Hallar y la matriz A.
Solución. Por el corolario 3.4.2, se sabe que
1 1
A = Adj A
jAj
entonces
1 1
A = Adj A
jAj
luego,
1 1
= jAdj Aj
jAj jAj3
esto dice
jAdj Aj = jAj2
17 2
52 16 15 = (151)2
54 5 33
Al desarrollar el determinante se tiene
6493 + 906 = 22801

906 = 16308
= 18
Por tanto, 2 3
17 18 2
= 18 y Adj A = 4 52 16 15 5
54 5 33
Seguidamente, determinemos la matriz A. Como
A (Adj A) = jAj I
entonces
1
A = jAj (Adj A) :
180
Esto es 2 3 2 3
3 4 2
151 151 151 3 4 2
6 7 4
A = (151) 4 6
151
3
151
1
151 5= 6 3 1 5
4 7 8 4 7 8
151 151 151
(Compare con el ejemplo 3.4.1). X
3.5 Desarrollo por cofactores

Hasta ahora hemos evaluado determinantes mediante la de…nición y las propiedades
de los determinantes. Ahora presentamos un método para evaluar determinantes de
matrices de orden n, este método reduce el problema al cálculo de determinantes de
matrices de orden n 1; repitiendo este proceso tantas veces sea necesario se reduce
al problema de calcular determinantes de orden 2.
Teorema 3.5.1 Sea A una matriz n n, entonces
jAj = A1j Ac1j + A2j Ac2j + + Anj Acnj

jAj = Ai1 Aci1 + Ai2 Aci2 + + Ain Acin
A la primera fórmula se llama desarrollo de jAj por cofactores según la j-ésima

columna de A y a la segunda se la conoce como desarrollo de jAj según la i-ésima
…la de A.
En la práctica, para utilizar estas fórmulas se escoge la …la o la columna que
tenga la mayor cantidad de ceros, ya que esto evita el calcular algunos cofactores.
Si no existen ceros en algunas …las o columnas de la matriz A; utilizando la
operación elemental de tipo 3 (propiedad 3 (iii)). Siempre es posible convertir
algunos elementos distintos de cero en cero.
Ejemplo 3.5.1 Para evaluar

1 2 3 4
4 2 1 3
jAj =
3 0 0 3
2 0 2 3
Es mejor desarrollar según la segunda columna o la tercera …la, porque cada uno
de ellos tiene dos ceros. Evidentemente, la línea de acción óptima es desarrollar
según la …la o columna que tenga el mayor número de ceros, porque en este caso los
cofactores Acij de las Aij que son cero no tienen que ser calculados, puesto que
Aij Acij = (0) Acij = 0:
181
De este modo, desarrollando según la tercera …la tenemos,
jAj = A31 Ac31 + A32 Ac32 + A33 Ac33 + A34 Ac34
jAj = 3Ac31 + 0Ac32 + 0Ac33 3Ac34
2 3 4 1 2 3
jAj = 3 ( 1)3+1 2 1 3 3 ( 1)3+4 4 2 1
0 2 3 2 0 2
jAj = 3 (20) + 3 ( 4) = 60 12 = 48:
Las propiedades de los determinantes se pueden utilizar para originar muchos
ceros en una …la o columna y entonces desarrollar según esta …la o columna.
Por ejemplo, antes de evaluar el anterior determinante aplicamos la operación
de tipo 3 como sigue. Multiplicando la primera …la por 1 y luego este resultado
sumando a la segunda …la obtenemos
1 2 3 4 1 2 3 4
4 2 1 3 3 5 0 4 1
jAj = !
3 0 0 3 3 0 0 3
2 0 2 3 2 0 2 3
Ahora desarrollando según la 2da columna tenemos.
jAj = 2Ac12 + 0Ac22 + 0Ac32 + 0Ac42
5 4 1
jAj = 2 ( 1)1+2 3 0 3 = ( 2) ( 24) = 48
2 2 3
Obsérvese, que todavía se puede reducir el problema a evaluar el determinante de or-
den 2 como sigue. Multiplicando la tercera …la por 2 y luego sumando este resultado
a la primera …la se tiene.
5 4 1 1 0 5
3
jAj = 2 3 0 3 ! 2 3 0 3
2 2 3 2 2 3
Desarrollando este último determinante según la 2da columna se tiene.
jAj = 2 (A12 Ac12 + A22 Ac22 + A32 Ac32 )
jAj = 2 (0Ac12 + 0Ac22 2Ac32 )
jAj = 2 ( 2) Ac32
jAj = 4Ac32
182
1 5
jAj = 4 ( 1)3+2 = 4 (3 15) = 48:
3 3
Ejemplo 3.5.2 Evalué el siguiente determinante

3 2 4 3 1
1 0 2 1 0
jAj = 5 1 0 3 2
4 7 8 0 0
1 2 3 0 2
Solución. Antes de evaluar este determinante, utilizando la operación de tipo 3 es

posible convertir algunos elementos diferentes de cero en cero.
3 2 4 3 1 6 2 2 3 1
1 0 2 1 0 0 0 0 1 0
3
jAj = 5 1 0 3 2 ! jAj = 8 1 6 3 2
4 7 8 0 0 4 7 8 0 0
1 2 3 0 2 1 2 3 0 2
Desarrollando por cofactores según la segunda …la tenemos.
jAj = A21 Ac21 + A22 Ac22 + A23 Ac23 + A24 Ac24 + A25 Ac25
jAj = 0Ac21 + 0Ac22 + 0Ac23 + Ac24 + 0Ac25
6 2 2 1 0 0 0 1
8 1 6 2 3 4 3 2 2
jAj = ( 1)2+4 !
4 7 8 0 4 7 8 0
1 2 3 2 11 6 7 2
Expandiendo por cofactores según la primera …la se tiene.

jAj = 0Ac11 + 0Ac12 + 0Ac13 + Ac14
4 3 2 0 0 2
5 3
jAj = ( 1) 4 7 8 ! ( 1) 20 5 8
11 6 7 25 33=2 7
Finalmente expandiendo según la primera …la se tiene.
jAj = 1 (A11 Ac11 + A12 Ac12 + A13 Ac13 )

jAj = 1 (0Ac11 + 0Ac12 2Ac13 )
jAj = 2Ac13
183
20 5
jAj = 2 ( 1)4 = 2 (330 125) = 410:
25 33=2
Observe que,
1 1
A =
410
jAdj Aj = jAj5 1
= (410)5
1
Adj A 1
= (Adj A) = jAj1 5
= (410)4 :
3.6 Aplicaciones de los determinantes

Los determinantes tienen muchas aplicaciones en geometría analítica. A continua-
ción se presentan varias.
3.6.1 Área de un triángulo en el plano

El área de un triángulo cuyos vértices son (x1 ; y1 ) ; (x2 ; y2 ) y (x3 ; y3 ) está dada por.
x1 y1 1
1
Area = x2 y2 1
2
x3 y3 1
Donde, el signo ( ) se elige para obtener el área positiva.
Ejemplo 3.6.1 Encuentre el área del triángulo cuyos vértices son los puntos
(1; 0) ; (2; 2) y (4; 3).
Solución. No es necesario conocer la posición relativa de los tres vértices. Simple-

mente se evalúa el determinante
1 0 1
1 3
2 2 1 =
2 2
4 3 1
De esto se concluye que el área del triángulo es 32 . X
184
3.6.2 Prueba para determinar si tres puntos en el plano son coli-
neales
Tres puntos (x1 ; y1 ) ; (x2 ; y2 ) y (x3 ; y3 ) son colineales si, y sólo si.
x1 y1 1
x2 y2 1 =0
x3 y3 1
Esta prueba, proporciona la siguiente forma en determinante para la ecuación de

una recta que pasa por dos puntos.
3.6.3 Ecuación de la recta que pasa por dos puntos

La ecuación de la recta que pasa dos puntos distintos (x1 ; y1 ) y (x2 ; y2 ) está dada
por.
x y 1
x1 y1 1 = 0
x2 y2 1
Ejemplo 3.6.2 Encuentre la ecuación de la recta que pasa por los puntos (2; 4) y
( 1; 3).
Solución. Al aplicar la fórmula del determinante para la ecuación de la recta que

pasa por los puntos dados se obtiene.
x y 1
2 4 1 =0
1 3 1
Al evaluar este determinante se tiene

x y 1 x y
2 4 1 2 4 =x 3y + 10 = 0
1 3 1 1 3
Por consiguiente, la ecuación de la recta es
x 3y = 10:
X
La fórmula para encontrar el área de un triángulo en el plano tiene una genera-
lización directa al espacio tridimensional, que se presenta a continuación.
185
3.6.4 Volumen de un tetraedro
El volumen del tetraedro cuyos vértices son (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) ; (x3 ; y3 ; z3 ) y
(x4 ; y4 ; z4 ) está dada por.
x1 y1 z1 1
1 x2 y2 z2 1
Volumen =
6 x3 y3 z3 1
x4 y4 z4 1
Donde el signo ( ) se elige para obtener un volumen positivo.
Ejemplo 3.6.3 Determinar el volumen del tetraedro cuyos vértices son:

(0; 4; 1) ; (4; 0; 0) ; (3; 5; 2) y (2; 2; 5).
Solución. Al aplicar la fórmula del determinante para el volumen se obtiene.
0 4 1 1
1 4 0 0 1 1
= ( 72) = 12
6 3 5 2 1 6
2 2 5 1
Por consiguiente, el volumen del tetraedro es 12. X
Si sucede que cuatro puntos en el espacio están en el mismo plano, entonces el

determinante en la fórmula para calcular el volumen es cero. Por tanto, se tiene la
siguiente.
3.6.5 Prueba para determinar puntos coplanares en el espacio

Cuatro puntos (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) ; (x3 ; y3 ; z3 ) y (x4 ; y4 ; z4 ) son coplanares si, y
sólo si,
x1 y1 z1 1
x2 y2 z2 1
=0
x3 y3 z3 1
x4 y4 z4 1
Esta prueba proporciona, la siguiente forma en determinante para la ecuación

de un plano que pasa por tres puntos en el espacio.
186
3.6.6 Ecuación del plano que pasa por tres puntos
La ecuación del plano que pasa por los puntos (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) y (x3 ; y3 ; z3 )
está dado por.
x y z 1
x1 y 1 z1 1
=0
x2 y 2 z2 1
x3 y 3 z3 1
Ejemplo 3.6.4 Determine la ecuación del plano que pasa por los puntos,
(0; 1; 0) ; ( 1; 3; 2) y ( 2; 0; 1).
Solución. Utilizando la fórmula para obtener la ecuación del plano que pasa por
tres puntos se tiene.
x y z 1
0 1 0 1
=0
1 3 2 1
2 0 1 1
Para evaluar este determinante utilizaremos expansión por cofactores según la 2da
…la para el cual primeramente restamos la cuarta columna a la segunda para obtener.
x y 1 z 1
0 0 0 1
jAj = =0
1 2 2 1
2 1 1 1
Entonces
jAj = 0Ac21 + 0Ac22 + 0Ac23 + Ac24
jAj = Ac24
x y 1 z
jAj = ( 1)6 1 2 2 =0
2 1 1
jAj = 2x 4 (y 1) + z + 4z + 2x + (y 1) = 0
= 4x 3y + 5z + 3 = 0
Así, la ecuación del plano que pasa por los puntos dados es
4x 3y + 5z = 3:
X
187
3.6.7 Ecuaciones de curvas
La ecuación general del círculo está dado por
a x2 + y 2 + bx + cy + d = 0
(si a = 0, el círculo se transforma en una recta).

Se sabe que la ecuación del círculo está completamente determinada una vez que
se conoce tres puntos por donde pasa. Es decir dados tres puntos en el plano por
dichos puntos pasa exactamente un único círculo. (si los puntos son colineales, el
círculo se reduce a una recta).
¿Cómo determinar la ecuación de este círculo? Si los puntos son (x1 ; y1 ) ; (x2 ; y2 )
y (x3 ; y3 ). En este caso se tiene cuatro ecuaciones.
a x2 + y 2 + bx + cy + d = 0
a x21 + y12 + bx1 + cy1 + d = 0
a x22 + y22 + bx2 + cy2 + d = 0
a x23 + y32 + bx3 + cy3 + d = 0
Puesto que no todos los valores a; b; c y d son cero, el determinante de sus coe…cientes
debe ser 0. De este modo se tiene.
3.6.8 Ecuación del círculo que pasa por tres puntos

La ecuación del círculo que pasa por los puntos (x1 ; y1 ) ; (x2 ; y2 ) y (x3 ; y3 ) está dada
por
x2 + y 2 x y 1
x21 + y12 x1 y1 1
jAj = =0
x22 + y22 x2 y2 1
x23 + y32 x3 y3 1
Ejemplo 3.6.5 Consideremos el caso especí…co en que los tres puntos son (1; 1),
(1; 2) y (2; 0) los cuales no son colineales. El círculo que pasa por ellos está dado
por.
x2 + y 2 x y 1 x2 + y 2 x y 1
(1)2 + ( 1)2 1 1 1 2 1 1 1
jAj = 2 2 = =0
(1) + (2) 1 2 1 5 1 2 1
(2)2 + (0)2 2 0 1 4 2 0 1
Para evaluar este determinante utilizaremos expansión de cofactores.
188
Expandiendo según la segunda …la se tiene.

jAj = 0Ac21 + 0Ac22 + 0Ac23 + Ac24
jAj = Ac24
x2 + y 2 2 x 1 y+1 x2 + y 2 2 y 1 x 1 y+1
3
jAj = 3 0 3 ! 0 0 3
2 1 1 1 1 1
Desarrollando, el determinante según la segunda …la se tiene.
jAj = A21 Ac21 + A22 Ac22 + A23 Ac23

jAj = 0Ac21 + 0Ac22 + A23 Ac23
jAj = 3Ac23
x2 + y 2 y 3 x 1
jAj = 3 =0
1 1
jAj = 3 x2 + y 2 y 3 x+1 =0
2 2
= 3x 3y + 3y + 9 + 3x 3=0 3
completando cuadrados se tiene

1 1 1 1
x2 x+ + y2 y+ = 2+ +
4 4 4 4
2 2
1 1 10
x + y = .
2 2 4
q
1 1 5
Que corresponde a la ecuación del círculo con centro en 2; 2 y radio igual a 2.
3.6.9 Ecuaciones de cónicas en general

La ecuación de una cónica en general que pasa por los puntos (x1 ; y1 ) ; (x2 ; y2 ) ; (x3 ; y3 )
y (x4 ; y4 ) está dado por.
x2 y 2 x y 1
x21 y12 x1 y1 1
jAj = x22 y22 x2 y2 1 =0
x23 y32 x3 y3 1
x24 y42 x4 y4 1
189
Ejemplo 3.6.6 Encuentre e identi…que la ecuación de la cónica que pasa por los
puntos ( 1; 1) ; (2; 0) ; 0; 21 y 1 1
2; 3 .
Solución. La ecuación de la cónica que pasa por los puntos dados está dada por:
x2 y2 x y 1
( 1) ( 1)2
2
1 1 1
jAj = (2)2 (0)2 2 0 1 =0
1 2
(0)2 2 0 1
2 1
1 2 1 2 1 1
2 3 2 3 1
Esto es
x2 y 2 x y 1
1 1 1 1 1
jAj = 4 0 2 0 1 =0
0 14 0 1
2 1
1 1 1 1
4 9 2 3 1
Antes de evaluar este determinante utilicemos operaciones elementales sobre las
columnas de la matriz para obtener.
x2 y 2 x y 1 x2 1 y2 1 x+1 y+1 1
1 1 1 1 1 c1 ! c5 + c1 0 0 0 0 1
4 0 2 0 1 c2 ! c5 + c2 3 1 3 1 1
1 1 c3 ! c5 + c3 3 3
0 4 0 2 1 1 4 1 2 1
c4 ! c5 + c4
1 1 1 1 3 8 1 4
4 9 2 3 1 4 9 2 3 1
Expandiendo por cofactores según la 2da …la se tiene.
jAj = A21 Ac21 + A22 Ac22 + A23 Ac23 + A24 Ac24 + A25 Ac25
jAj = 0Ac21 + 0Ac22 + 0Ac23 + 0Ac24 + Ac25
jAj = Ac25
x2 1 y2 1 x+1 y+1
3 1 3 1
jAj = 3 3
1 4 1 2
3 8 1 4
4 9 2 3
x2 1 3y 3 y2 1 + y + 1 x + 1 3y 3 y+1
0 0 0 1
= 11 3 7 3
2 4 2 2
19 4 7 4
4 9 2 3
190
Ahora expandiendo según la segunda …la se tiene
jAj = (A21 Ac21 + A22 Ac22 + A23 Ac23 + A24 Ac24 )

jAj = (0Ac21 + 0Ac22 + 0Ac23 + A24 Ac24 )
jAj = Ac24
x2 3y 4 y2 + y x 3y 2
11 3 7
jAj = 2 4 2
19 4 7
4 9 2
Aplicando operaciones de columnas se tiene
11 3
x2 3y 4 7 (x 3y 2) y 2 + y + 14 (x 3y 2) x 3y 2
7
jAj = 0 0 2
3 11 7
4 36 2
Ahora expandiendo según la segunda …la se tiene
jAj = (A21 Ac21 + A22 Ac22 + A23 Ac23 )

7 c
jAj = 0Ac21 + 0Ac22 A
2 23
7 c
jAj = A
2 23
Luego
11 33 22 3 9 6
7 x2 3y 4 7 x + 7 y + y2 + y + 14 x 14 y
jAj = ( 1)5 3
7
11
14
2 4 36
Finalmente evaluando este determinante se tiene.

7 11 11 12 6 3 5 3 6
jAj = x2 x+ y y2 + y + x
2 36 7 7 7 4 14 14 14
7 11 2 121 132 66 3 2 15 9 18
= x + x y+ y y x+
2 36 252 252 252 4 56 56 56
7 11 2 23 3 2 19 7
= x + x y y+
2 36 72 4 24 12
De este modo la ecuación de la cónica buscada es.
154x2 161x + 378y 2 + 399y 294 = 0
La cual representa la ecuación de una elipse. X
191
3.7 Polinomio característico y el teorema de Cayley –
Hamilton
Consideremos una matriz cuadrada An n
2 3
a11 a12 a13 a1n
6 a21 a22 a23 a2n 7
6 7
A=6 6 a31 a32 a33 a3n 7
7
4 5
an1 an2 an3 ann
La matriz,
2 3
a11 a12 a13 a1n
6 a21 a22 a23 a2n 7
6 7
I A=6
6 a31 a32 a33 a2n 7
7
4 ::: ::: ::: ::: ::: 5
an1 an2 an3 ann
donde I es la matriz identidad de orden n y es una indeterminada, se llama matriz

característica de A. El determinante
n n 1 n 2
j I Aj = + an 1 + an 2 + + a1 + a0
que resulta ser un polinomio en de grado n, se denomina polinomio característico de

A. Y la ecuación,
n n 1 n 2
'( ) = + an 1 + an 2 + + a1 + a0 = 0
Se llama, ecuación característica de A y las raíces de esta ecuación característica se

denominan los valores propios de la matriz A.
Observemos, que si = 0, entonces
' (0) = j Aj = a0
Esto muestra que

a0 = ( 1)n jAj .
En otras palabras, el término constante del polinomio característico de la matriz A
es el determinante de la matriz A.
Un resultado de gran importancia histórica para el álgebra lineal es el.
192
Teorema de Cayley –Hamilton, el cual establece que toda matriz cuadrada
satisface su polinomio característico, en otras palabras toda matriz es raíz de su
polinomio característico. Es decir,
' (A) = An + an 1A
n 1
+ an 2A
n 2
+ + a1 A + a0 I = 0
Ejemplo 3.7.1 Dada la siguiente matriz A.

2 3
6 0 4
A=4 2 1 3 5
2 0 4
a) Encuentre su polinomio característico, b) Encuentre las raíces de este poli-

nomio característico y c) compruebe el teorema de Cayley – Hamilton.
Solución. (a) Como ' ( ) = j I Aj, entonces
6 0 4 6 0
'( ) = j I Aj = 2 1 3 2 1
2 0 4 2 0
'( ) = ( 6) ( 1) ( 4) 8( 1)
3 2
'( ) = 11 + 34 24 8 +8
3 2
'( ) = 11 + 26 16
b) Resolviendo la ecuación característica

3 2
'( ) = 11 + 26 16 = 0
obtenemos los siguientes valores propios de A.
1 = 1; 2 = 2; 3 =8
c) Para veri…car el teorema de Cayley –Hamilton, observemos que

2 3 2 32 3 2 3
6 0 4 6 0 4 6 0 4 44 0 40
A = 4 2 1 3 5 ; A2 = A A = 4 2 1 3 54 2 1 3 5 = 4 8 1 7 5
2 0 4 2 0 4 2 0 4 20 0 24
y 2 32 3 2 3
44 0 40 6 0 4 344 0 336
A3 = A2 A = 4 8 1 7 54 2 1 3 5 = 4 36 1 1 5
20 0 24 2 0 4 168 0 176
193
Entonces
' (A) = A3 11A2 + 26A 16I
Esto es,
2 3 2 3 2 3 2 3
344 0 336 44 0 40 6 0 4 1 0 0
' (A) = 4 36 1 1 5 11 4 8 1 7 5 +26 4 2 1 3 5 16 4 0 1 0 5
168 0 176 20 0 24 2 0 4 0 0 1
Así, 2 3
0 0 0
' (A) = 4 0 0 0 5
0 0 0
lo cual veri…ca lo deseado. X
3.7.1 Consecuencias del teorema de Cayley –Hamilton

Las consecuencias inmediatas del teorema de Cayley –Hamilton son:
a) Un nuevo método para hallar la inversa de una matriz no singular A.
b) El cálculo de potencias de A.
En efecto (a) Como
' (A) = An + an 1A
n 1
+ an 2A
n 2
+ + a1 A + a0 I = 0
Entonces
a0 I = An an 1A
n 1
an 2A
n 2
a1 A
Si A es no singular, se sabe que
a0 = ( 1)n jAj =
6 0
luego
1 n 1 an 1 n 2 an 2 n 3 a1
I=A A A A I
a0 a0 a0 a0
Esto dice que
1 1 n 1 an 1 n 2 an 2 n 3 a1
A = A A A I
a0 a0 a0 a0
194
Ejemplo 3.7.2 Hallar A 1 utilizando el teorema de Cayley – Hamilton donde
2 3
6 0 4
A=4 2 1 3 5
2 0 4
Solución. Como
3 2
'( ) = 11 + 26 16
entonces por el teorema de Cayley –Hamilton se tiene
A3 11A2 + 26A 16I = 0
Al despejar la matriz identidad se tiene
16I = A3 11A2 + 26A

16I = A A2 11A + 26I
1 2 11 26
I = A A A+ I
16 16 16
Esto dice que

1 1 2 11 26
A = A A+ I
16 16 16
Como 2 3 2 3
44 0 40 6 0 4
A2 = 4 8 1 7 5 y A=4 2 1 3 5
20 0 24 2 0 4
entonces
2 3 2 3 2 3
44 0 40 6 0 4 1 0 0
1 4 11 4 26 4
A 1
= 8 1 7 5 2 1 3 5+ 0 1 0 5
16 16 16
20 0 24 2 0 4 0 0 1
2 3
4 0 4
1 4
= 14 16 26 5
16
2 0 6
X
(b) cálculo de potencias de A, si
n n 1 n 2
'( ) = + an 1 + an 2 + + a1 + a0
195
es el polinomio característico de A; entonces por el teorema de Cayley – Hamilton
se tiene.
' (A) = An + an 1A
n 1
+ an 2A
n 2
+ + a1 A + a0 I = 0
Al despejar An se tiene
An = an 1A
n 1
an 2A
n 2
a1 A a0 I:
Esta fórmula nos permite calcular la n-ésima potencia de A conociendo las n 1
primeras potencias de A.
Ejemplo 3.7.3 Sea
1 0
A=
2 2
Encontrar A4 utilizando el teorema de Cayley – Hamilton.
Solución. El polinomio característico de A es
2
'( ) = 3 +2
Entonces por el teorema de Cayley –Hamilton se tiene
' (A) = A2 3A + 2I = 0
Luego
A2 = 3A 2I
3 2
A = A A = (3A 2I) A
2
= 3A 2A
= 3 (3A 2I) 2A
= 9A 6I 2A
= 7A 6I:
4 3
A = A A = (7A 6I) A
2
= 7A 6A
= 7 (3A 2I) 6A
= 21A 14I 6A
= 15A 14I
De este modo
1 0 1 0 1 0
A4 = 15 14 =
2 2 0 1 30 16
X
196
Ejemplo 3.7.4 Sea 2
3
3 2 4
A=4 2 0 2 5
4 2 3
Determinar A4 y A 4.
Solución. Primeramente determinemos el polinomio característico de A, el cual esta

dado por
3 2 4
3 2
'( ) = j I Aj = 2 2 = 6 15 8
4 2 3
Luego por el teorema de Cayley –Hamilton se tiene
A3 6A2 15A 8I = 0:
De donde
A3 = 6A2 + 15A + 8I
luego
A4 = A3 A = 6A2 + 15A + 8I A
= 6A3 + 15A2 + 8A
= 6 6A2 + 15A + 8I + 15A2 + 8A
= 36A2 + 90A + 48I + 15A2 + 8A
= 51A2 + 98A + 48I:
Ahora, como
2 3 2 3
3 2 4 29 14 28
A=4 2 0 2 5 y A2 = 4 14 8 14 5
4 2 3 28 14 29
Entonces
2 3 2 3 2 3 2 3
29 14 28 3 2 4 1 0 0 1821 910 1820
A4 = 51 4 14 8 14 5+98 4 2 0 2 5+48 4 0 1 0 5 = 4 910 456 910 5
28 14 29 4 2 3 0 0 1 1820 910 1821
Seguidamente determinemos A 4. Como
A3 6A2 15A 8I = 0
197
entonces
8I = A3 6A2 15A
2
8I = A A 6A 15I
1 2 6 15
I = A A A I
8 8 8
Esto dice que
1 1 2 6 15 1 2
A = A A I = A 6A 15I
8 8 8 8
Ahora
2 1 1 1 2 1 1 1
A = A A = A 6A 15I A = A 6I 15A
8 8
1 15 2
= A 6I A 6A 15I
8 8
1
= 8A 48I 15A2 + 90A + 225I
82
1
= 15A2 + 98A + 177I
82
3 1
A = A 2A 1 = 2 15A2 + 98A + 177I A 1
8
1
= 15A + 98I + 177A 1
82
1 177 2
= 2
15A + 98I + A 6A 15I
8 8
1
= 120A + 784I + 177A2 1062A 2655I
83
1
= 177A2 1182A 1871I
83
Finalmente,
4 3 1 1
A = A A = 177A2 1182A 1871I A 1
83
1
= 177A 1182I 1871A 1
83
1 1871 2
= 177A 1182I A 6A 15I
83 8
1
= 1416A 9456I 1871A2 + 11226A + 28065I
84
1
= 1871A2 + 12642A + 18609I :
84
198
Concretamente,
0 2 3 2 3 2 31
29 14 28 3 2 4 1 0 0
1 @
A 4 = 1871 4 14 8 14 5 + 12642 4 2 0 2 5 + 18609 4 0 1 0 5A
84
28 14 29 4 2 3 0 0 1
2 3
2276 910 1820
1 4
= 910 3641 910 5 :
84
1820 910 2276
X
Ejemplo 3.7.5 Para la matriz
5 3
A=
6 4
y el polinomio p (x) = x3 + 1. Determinar un polinomio q (x) = x + tal que
p (A) = q (A) :
Solución. Como
5 3 2
'( ) = j I Aj = =( 5) ( + 4) + 18 = 2
6 +4
Entonces por el teorema de Cayley –Hamilton se tiene
' (A) = A2 A 2I = 0
Luego
A2 = A + 2I
A3 = (A + 2I) A = A2 + 2A = (A + 2I) + 2A = 3A + 2I
En consecuencia
A3 + I = 3A + 3I
De este modo el polinomio buscado es
q (x) = 3x + 3
Ahora resulta fácil comprobar que p (A) = q (A)
17 9 1 0 18 9
p (A) = A3 + I = + =
18 10 0 1 18 9
y
5 3 1 0 18 9
q (A) = 3A + 3I = 3 +3 =
6 4 0 1 18 9
X
199
3.8 Menores generales y menores principales
Sea A = [aij ] una matriz de orden n. Cada par de conjuntos ordenados
i1 ; i2 ; i3 ; : : : ; ik de k índices de …la y
j1 ; j2 ; j3 ; : : : ; jk de k índices de columna
de…ne la submatriz de A de orden k

2 3
ai1 ;j1 ai1 ;j2 ai1 ;j3 ai1 ;jk
6 ai2 ;j1 ai2 ;j2 ai2 ;j3 ai2 ;jk 7
6 7
Aji11;i;j22;i;j33;:::;i
;:::;jk
k
=6
6 ai3 ;j1 ai3 ;j2 ai3 ;j3 ai3 ;jk 7
7
4 5
aik ;j1 aik ;j2 aik ;j3 aik ;jk
Por ejemplo si A = [aij ] una matriz de orden 5

2 3
a11 a12 a13 a14 a15
6 a21 a22 a23 a24 a25 7
6 7
A=6
6 a31 a32 a33 a34 a35 7
7
4 a41 a42 a43 a44 a45 5
a51 a52 a53 a54 a55
entonces los siguientes pares de conjuntos ordenados:
i1 ; i2 = 2; 3; i1 ; i2 ; i3 = 2; 4; 5
j1 ; j2 = 1; 2; j1 ; j2 ; j3 = 1; 2; 3
de…nen las siguientes submatrices A de orden 2 y 3 respectivamente

2 3
a21 a22 a23
a21 a22
A1;2
2;3 = ; 1;2;3
A2;4;5 = 4 a41 a42 a43 5 :
a31 a32
a51 a52 a53
El determinante,
Aji11;i;j22;i;j33;:::;i
;:::;jk
k
se denomina un menor de A de orden k.

Si los conjuntos ordenados
i1 ; i2 ; i3 ; : : : ; ik de k índices de …la y
j1 ; j2 ; j3 ; : : : ; jk de k índices de columna
200
coinciden, entonces el determinante
Aji11;i;j22;i;j33;:::;i
;:::;jk
k
es un menor principal de orden k.

4 1 1
4
A= 2 5 2 5
1 1 2
Encontrar todos los menores de A de orden uno, dos y tres.
Solución. Los menores de orden uno son:
A11 = ja11 j = j4j = 4; A21 = ja12 j = j4j = 1; A31 = ja13 j = j 1j = 1

A12 = ja21 j = j2j = 2; A22 = ja22 j = j5j = 5; A32 = ja23 j = j 2j = 2
A13 = ja31 j = j1j = 1; A23 = ja32 j = j1j = 1; A33 = ja33 j = j2j = 2:
Mientras que los menores de orden dos son:
a11 a12 4 1
A1;2
1;2 = = = 20 2 = 18
a21 a22 2 5
a11 a13 4 1
A1;3
1;2 = = = 8+2= 6
a21 a23 2 2
a12 a13 1 1
A2;3
1;2 = = = 2+5=3
a22 a23 5 2
a11 a12 4 1
A1;2
1;3 = = =4 1=3
a31 a32 1 1
a11 a13 4 1
A1;3
1;3 = = =8+1=9
a31 a33 1 2
a12 a13 1 1
A2;3
1;3 = = =2+1=3
a32 a33 1 2
a21 a22 2 5
A1;2
2;3 = = =2 5= 3
a31 a32 1 1
a21 a23 2 2
A1;3
2;3 = = =4+2=6
a31 a33 1 2
a22 a23 5 2
A2;3
2;3 = = = 10 + 2 = 12:
a32 a33 1 2
201
En tanto que el único menor de orden tres es,
a11 a12 a13

A1;2;3
1;2;3 = a21 a22 a23 = det A
a31 a32 a33
4 1 1 4 1
= 2 5 2 2 5 = 40 2 2+5+8 4 = 45:
1 1 2 1 1
Ejemplo 3.8.2 Determine todos los menores principales de orden 1,2 y 3 de la

matriz del ejemplo anterior.
2 3
4 1 1
4
A= 2 5 2 5
1 1 2
Solución. Del ejemplo anterior vemos que los menores principales de orden 1 son:
A11 = 4; A22 = 5; A33 = 2
mientras que los menores principales de orden 2 son:
4 1
A1;2
1;2 = 18;
1;3
A1;3 = = 9; A2;3
2;3 = 12
1 2
y el menor principal de orden 3 es
4 1 1
A1;2;3
1;2;3 = det A = 2 5 2 = 45:
1 1 2
Ejemplo 3.8.3 Si Sk denota la suma de todos los menores principales de orden k,

encuentre S1 ; S2 y S3 de la matriz del ejemplo 3.8.2.
2 3
4 1 1
A=4 2 5 2 5
1 1 2
202
Solución.
S1 = A11 + A22 + A33 = 4 + 5 + 2 = 11 = tr A

S2 = A1;2 1;3 2;3
1;2 + A1;3 + A2;3 = 18 + 9 + 12 = 39
S3 = A1;2;3
1;2;3 = det A = 45:
Ejemplo 3.8.4 Encuentre S1 ; S2 ; S3 y S4 de la siguiente matriz

2 3
1 2 3 4
6 4 2 1 3 7
A=6 4 3
7
0 0 3 5
2 0 2 3
Solución. Para encontrar S1 ; S2 ; S3 y S4 primeramente debemos determinar todos

los menores principales de orden 1; 2; 3 y 4. Al calcular estos menores principales
tenemos.
A11 = 1; A22 = 2; A33 = 0; A44 = 3
1 2 1 3 1 4
A1;2
1;2 = = 10; A1;3
1;3 = = 9; A1;4
1;4 = = 5;
4 2 3 0 2 3
2 1 2 3 0 3
A2;3
2;3 = 2;4
= 0; A2;4 = 3;4
= 6; A3;4 = = 6;
0 0 0 3 2 3
1 2 3 1 2 4
A1;2;3
1;2;3 = 4 2 1 = 24; 1;2;4
A1;2;4 = 4 2 3 = 26;
3 0 0 2 0 3
1 3 4 2 1 3
A1;3;4
1;3;4 = 3 0 3 = 15; A2;3;4
2;3;4 = 0 0 3 = 12
2 2 3 0 2 3
y
1 2 3 4
4 2 1 3
A1;2;3;4
1;2;3;4 = = 48
3 0 0 3
2 0 2 3
203
De este modo tenemos
S1 = A11 + A22 + A33 + A44 = tr A = 1 + 2 + 0 + 3 = 6

S2 = A1;2 1;3 1;4 2;3 2;4 3;4
1;2 + A1;3 + A1;4 + A2;3 + A2;4 + A3;4 = 10 + 9 5+6 6 = 14
S3 = A1;2;3 1;2;4 1;3;4 2;3;4

1;2;3 + A1;2;4 + A1;3;4 + A2;3;4 = 24 + 26 + 15 12 = 53
S4 = A1;2;3;4
1;2;3;4 = det A = 48:
3.8.1 Polinomios característicos en general

Sea A = [aij ] una matriz de orden n. Su polinomio característoco es
'( ) = n
S1 n 1
+ S2 n 2
+ ( 1)n Sn
Donde Sk es la suma de los menores principales de orden k:

4 1 1
A=4 2 5 2 5
1 1 2
Hallar el polinomio característico de A.
a) utilizando la fórmula anterior.
b) desarrollando ' ( ) = j I Aj.
Solución. (a) Por el ejemplo 3.8.3, se sabe que la suma de los menores principales
de orden 1; 2 y 3 son:
S1 = A11 + A22 + A33 = 4 + 5 + 2 = 11

S2 = A1;2 1;3 2;3
1;2 + A1;3 + A2;3 = 18 + 9 + 12 = 39
S3 = A1;2;3
1;2;3 = det A = 45:
Luego,
n n 1 n 2
'( ) = S1 + S2 S3
n n 1 n 2
= 11 + 39 45
204
(b) al desarrollar ' ( ) = j I Aj se tiene
4 1 1 4 1
3 2
'( ) = 2 5 2 2 5 = 11 + 39 45:
1 1 2 1 1
Ejemplo 3.8.6 Determine el polinomio característico de la matriz del ejemplo 3.8.4.

2 3
1 2 3 4
6 4 2 1 3 7
A=6 4 3 0
7
0 3 5
2 0 2 3
Solución. Por el ejemplo 3.8.4 se sabe:
S1 = 1 + 2 + 0 + 3 = 6
S2 = 10 + 9 5+6 6 = 14
S3 = 24 + 26 + 15 12 = 53
S4 = det A = 48:
Luego,
n n 1 n 2 n 3
'( ) = S1 + S2 S3 + S4
n n 1 n 2 n 3
= 6 + 14 53 + 48:
3.9 Ejercicios propuestos

Cálculo de determinantes
Ejercicio 3.9.1 Calcular el determinante de cada una de las siguientes matrices
2 5 6 1 2 3
(i) A = ; (ii) A = ; (iii) A =
4 1 3 2 6 9
2 3 5 7 +3 2
(i) A = ; (ii) A = ; (iii) A =
4 1 3 +3 4 1
205
Ejercicio 3.9.3 Para cada una de las matrices del ejercicio anterior, hallar los
valores de para los cuales el determinante es cero.

2 3 2 3 2 3
2 1 1 3 2 4 2 1 4
(i) A = 4 0 5 2 5 ; (ii) A = 4 2 5 1 5 ; (iii) A = 4 6 3 2 5
1 3 4 0 6 1 4 1 2

2 3 2 3
2 4 3 1 3 3
(i) A = 4 1 +1 2 5 ; (ii) A = 4 3 +5 3 5
0 0 4 6 6 4
Ejercicio 3.9.6 Para cada una de las matrices del ejercicio anterior, hallar los
valores de para los cuales el determinante es cero.
Ejercicio 3.9.7 Encuentre los valores de para los cuales el siguiente sistema ho-
mogéneo tenga solución no trivial y determinar dichas soluciones
( 1) x1 2x2 + 2x3 = 0
2x1 + ( 5) x2 + 2x3 = 0
6x1 6x2 + ( + 3) x3 = 0
Ejercicio 3.9.8 Evaluar el determinante de cada una de las siguientes matrices

2 3 2 3
1 2 2 3 2 1 3 2
6 1 0 2 0 7 6 2 7
(i) A = 6 7 ; (ii) A = 6 3 0 1 7
4 3 1 1 2 5 4 1 1 4 3 5
4 3 0 2 2 2 1 1
Propiedades de los determinantes

En los ejercicios del 9 al 21, ¿qué propiedad de los determiantes ilustra la ecuación
dada?
Ejercicio 3.9.9
2 6
=0
1 3
Ejercicio 3.9.10
4 5
=0
12 15
206
Ejercicio 3.9.11
1 4 2
0 0 0 =0
5 6 7
Ejercicio 3.9.12
4 3 2
8 0 0 =0
4 3 2
Ejercicio 3.9.13
1 3 4 1 4 3
7 2 5 = 7 5 2
6 1 2 6 2 1
Ejercicio 3.9.14
1 3 4 1 6 2
2 2 0 = 2 2 0
1 6 2 1 3 4
Ejercicio 3.9.15
5 10 1 2
=5
2 7 2 7
Ejercicio 3.9.16
1 8 3 1 2 1
3 12 6 = 12 3 3 2
7 4 9 7 1 3
Ejercicio 3.9.17
5 0 10 1 0 2
25 30 40 = 53 5 6 8
15 5 20 3 1 4
Ejercicio 3.9.18
6 0 0 0 1 0 0 0
0 6 0 0 0 1 0 0
= 64
0 0 6 0 0 0 1 0
0 0 0 6 0 0 0 1
207
Ejercicio 3.9.19
1 3 6 1 3 6
5 2 1 = 0 17 31
1 0 6 1 0 6
Ejercicio 3.9.20
3 2 4 3 2 6
2 1 5 = 2 1 0
5 7 20 5 7 15
Ejercicio 3.9.21
5 4 2 5 4 2
4 3 4 = 4 3 4
7 6 3 7 6 3
En los ejercicios del 22 al 27, use operaciones elementales en las …las o en las
columnas para evaluar el determinante.
Ejercicio 3.9.22
1 7 3
1 3 1
4 8 1
Ejercicio 3.9.23
5 8 0
9 7 4
8 7 1
Ejercicio 3.9.24
4 7 9 1
6 2 7 0
3 6 3 3
0 7 4 1
Ejercicio 3.9.25
1 2 7 9
3 4 5 5
3 6 1 1
4 5 3 2
208
Ejercicio 3.9.26
1 1 8 4 2
2 6 0 4 3
2 0 2 6 2
0 2 8 0 0
0 1 1 2 2
Ejercicio 3.9.27
3 2 4 3 1
1 0 2 1 0
5 1 0 3 2
4 7 8 0 0
1 2 3 0 2
En los ejercicios del 28 al 31, encuentre: (a) jAj, (b) jBj, (c) AB y (d) jABj.
Luego compruebe que jABj = jAj jBj.
Ejercicio 3.9.28
1 0 2 0
A= ; B=
0 3 0 1
Ejercicio 3.9.29
1 2 1 2
A= ; B=
2 4 3 0
Ejercicio 3.9.30
2 3 2 3
1 2 1 1 0 0
A=4 1 0 1 5; B=4 0 2 0 5
0 1 0 0 0 3
Ejercicio 3.9.31
2 3 2 3
2 0 1 2 1 4
A=4 1 1 2 5; B=4 0 1 3 5
2 1 0 3 2 1
En los ejercicios del 32 al 35, use el hecho de que jcAj = cn jAj para evaluar el
determinante de la matriz dada.
Ejercicio 3.9.32
4 2
A=
6 8
209
Ejercicio 3.9.33
5 15
A=
10 20
Ejercicio 3.9.34
3 6 9
A= 6 9 12
9 12 15
Ejercicio 3.9.35
4 16 0
A= 12 8 8
16 20 4
En los ejercicios de 36 y 37, encuentre: (a) jAj, (b) jBj y (c) jA + Bj. Luego
compruebe que jA + Bj = 6 jAj + jBj.
Ejercicio 3.9.36
1 1 1 1
A= ; B=
2 0 2 0
Ejercicio 3.9.37
2 3 2 3
3 5 7 2 0 4
A=4 2 4 3 5; B=4 0 3 4 5
0 1 1 4 4 4
En los ejercicios del 38 al 41, encuentre: (a) At , (b) A2 , (c) AAt , (d) j2Aj y
(e) A 1 .
Ejercicio 3.9.38
6 11
A=
4 5
Ejercicio 3.9.39
4 10
A=
5 6
2 0 5
A=4 4 1 6 5
3 2 1
210
1 5 4
A=4 0 6 2 5
0 0 3
Ejercicio 3.9.42 Sean A y B matrices de orden 4 tales que jAj = 5 y jBj = 3,

encuentre: (a) jABj, (b) A3 , (c) j2Bj, (d) (AB)t y (e) A 1
Ejercicio 3.9.43 Sean A y B matrices de orden 3 tales que jAj = 10 y jBj = 12,
encuentre: (a) jABj, (b) A3 , (c) j2Bj, (d) (AB)t y (e) A 1
En los ejercicios del 44 al 47, use determinantes para decidir si la matriz dada
es o no singular.
Ejercicio 3.9.44
5 4
A=
10 8
1 0 4
A=4 0 6 3 5
2 1 4
2 1 6
4
A= 1 3 14 5
4 2 12
1 0 8 2
6 0 8 1 10 7
A=6
4 0
7
0 0 1 5
0 0 0 2
En los ejercicios 48 y 49, use el determinante de la matriz de coe…cientes para

determinar si el sistema de ecuaciones lineales dado tiene solución única.
Ejercicio 3.9.48
2x1 + x2 + 5x3 + x4 = 5
x1 + x2 3x3 4x4 = 1
2x1 + 2x2 + 2x3 3x4 = 2
x1 + 5x2 6x3 = 3
211
Ejercicio 3.9.49
x1 x2 x3 x4 = 0
x1 + x2 x3 x4 = 0
x1 + x2 + x3 x4 = 0
x1 + x2 + x3 + x4 = 6
Ejercicio 3.9.50 Encuentre dos matrices 2 2 tales que jA + Bj = jAj + jBj
Ejercicio 3.9.51 Compruebe la siguiente ecuación
a+b a a
a a+b a = b2 (3a + b)
a a a+b
Ejercicio 3.9.52 Sea A una matriz n n tal que la suma de cada una de sus …las
es igual a cero. Encuentre jAj.
Ejercicio 3.9.53 Ilustre el resultado del ejercicio anterior con la matriz
2 3
2 1 1
A=4 3 1 2 5
0 2 2
Ejercicio 3.9.54 Sean A y P matrices n n con P invertible. De un ejemplo para
el que P 1 AP 6= A. Luego demuestre que P 1 AP = jAj.
Ejercicio 3.9.55 Ilustre el resultado del ejercicio anterior con las matrices
1 6 2 1
A= y P =
1 2 1 3
Cofactores y matriz adjunta
Ejercicio 3.9.56 Hallar el cofactor de 7 en la siguiente matriz
2 3
2 1 3 4
6 5 4 7 2 7
A=6 4 4
7
0 6 3 5
3 2 5 2
Ejercicio 3.9.57 Considere una matriz 2 2
a b
A=
c d
(a) Hallar Adj A
(b) Mostrar que Adj (Adj A) = A
212
Ejercicio 3.9.58 Determinar la matriz general A2 2, para la cual Adj A = A.
En los ejercicios del 59 al 64, encuentre la adjunta de la matriz A. Luego, use la

adjunta para determinar la inversa de A, en caso de ser posible.
Ejercicio 3.9.59
1 2
A=
3 4
Ejercicio 3.9.60
1 0
A=
0 4
1 2 3
4
A= 0 1 1 5
2 2 2
0 1 1
A=4 1 2 3 5
1 1 2
1 2 0 1
6 3 1 4 1 7
A=6
4
7
0 0 1 2 5
1 1 1 2
1 1 1 0
6 1 1 0 1 7
A=6
4 1
7
0 1 1 5
0 1 1 1
En los ejercicios del 65 al 67, demuestre la fórmula dada para una matriz no
singular An n . Suponga que n 3.
Ejercicio 3.9.65 jAdj Aj = jAjn 1
Ejercicio 3.9.66 Adj (Adj A) = jAjn 2

A
213
1 1
Ejercicio 3.9.67 Adj A = (Adj A)
Ejercicio 3.9.68 Ilustre las fórmulas dadas en los ejercicios 65, 66 y 67 para la
matriz
1 3
A=
1 2
1
En los ejercicios 69 y 70, encuentre: (a) jAj, (b) Adj A, (c) (Adj A) , (d) jAdj Aj,
(e) (Adj A) 1 , (f) Adj A 1 y (g) Adj (Adj A).
Ejercicio 3.9.69
3 2
A=
4 5
3 2 4
A=4 1 0 2 5
2 3 3
Ejercicio 3.9.71 Dada la matriz

2 3
1 1 1
Adj A = 4 10 4 2 5 y jAj = 2
3 1
Ejercicio 3.9.72 Dada la matriz

2 3
11 10
Adj A = 4 2 14 4 5 y jAj = 46
4 5 8
Aplicaciones de los determinantes

En los ejercicios 73 y 74, encuentre el área del triángulo que tiene los vértices
dados.
Ejercicio 3.9.73 (0; 0) ; (2; 0) ; (0; 3)
Ejercicio 3.9.74 (1; 1) ; (2; 4) ; (4; 2)
214
En los ejercicios 75 y 76, determine si los puntos dados son o no colineales.
Ejercicio 3.9.75 (1; 2) ; (3; 4) ; (5; 6)
Ejercicio 3.9.76 ( 1; 0) ; (1; 1) ; (3; 3)
En los ejercicios 77 y 78, encuentre una ecuación de la recta que pasa por los
puntos dados.
Ejercicio 3.9.77 (0; 0) ; (3; 4)
Ejercicio 3.9.78 ( 4; 7) ; (2; 4)
En los ejercicios 79 y 80, encuentre el volumen del tetraedro que tiene los vértices
dados
Ejercicio 3.9.79 (1; 0; 0) ; (0; 1; 0) ; (0; 0; 1) ; (1; 1; 1)
Ejercicio 3.9.80 (1; 1; 1) ; (0; 0; 0) ; (2; 1; 1) ; ( 1; 1; 2)
En los ejercicios 81 y 82, determine si los puntos dados son coplanares.
Ejercicio 3.9.81 ( 4; 1; 0) ; (0; 1; 2) ; (4; 3; 1) ; (0; 0; 1)
Ejercicio 3.9.82 (1; 2; 3) ; ( 1; 0; 1) ; (0; 2; 5) ; (2; 6; 11)
En los ejercicios 83 y 84, encuentre una ecuación del plano que pasa por los
puntos dados.
Ejercicio 3.9.83 (1; 2; 1) ; ( 1; 1; 7) ; (2; 1; 3)
Ejercicio 3.9.84 (1; 2; 7) ; (4; 4; 2) ; (3; 3; 4)
La ecuación de una cónica con sus ejes de simetría sobre los ejes x y y es de la
forma ax2 + by 2 + cx + dy + c = 0. Encuentre la ecuación de la cónica que pasa por
los puntos dados.
Ejercicio 3.9.85 (1; 2) ; (2; 1) ; (3; 2) ; (2; 3)
Ejercicio 3.9.86 (0; 0) ; (5; 4) ; (1; 2) ; (1; 1)
Ejercicio 3.9.87 (5; 6) ; (0; 1) ; (1; 0) ; (0; 0)
215
Ejercicio 3.9.88 ( 1; 1) ; (2; 0) ; 0; 12 ; 1 1
2; 3
Ejercicio 3.9.89 Identi…que las cónicas de los ejercicios 85, 86, 87 y 88.
Ejercicio 3.9.90 Demuestre que los tres puntos (x1 ; y1 ) ; (x2 ; y2 ) y (x3 ; y3 ) son co-
lineales (se encuentran sobre la misma recta) sí y sólo sí.
x1 y1 1
x2 y2 1 =0
x3 y3 1
Ejercicio 3.9.91 Demuestre que la ecuación del plano que pasa a través de los tres
puntos no colineales (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) y (x3 ; y3 ; z3 ) está dada por
x y z 1
x1 y1 z1 1
=0
x2 y2 z2 1
x3 y3 z3 1
¿Qué ocurre si los tres puntos son colineales? Explique lo que pasa cuando se utiliza
la reducción por …las para evaluar el determinante.
Ejercicio 3.9.92 Demuestre que los cuatro puntos (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) ; (x3 ; y3 ; z3 )
y (x4 ; y4 ; z4 ) son coplanares (se encuentran en el mismo plano) si y sólo si.
x1 y1 z1 1
x2 y2 z2 1
=0
x3 y3 z3 1
x4 y4 z4 1
Ejercicio 3.9.93 Sean a1 ; a2 ; a3 y a4 , números reales distintos. Demuestre que
1 a1 a21 a31
1 a2 a22 a32
= (a2 a1 ) (a3 a1 ) (a4 a1 ) (a3 a2 ) (a4 a2 ) (a4 a3 ) 6= 0:
1 a3 a23 a33
1 a4 a24 a34
Para números reales cualesquiera b1 ; b2 ; b3 y b4 , haga uso de este resultado para

demostrar que existe una (función) cúbica única con ecuación
y = a + bx + cx2 + dx3
que pasa a través de los cuatro puntos (a1 ; b1 ) ; (a2 ; b2 ) ; (a3 ; b3 ) y (a4 ; b4 ). (No re-
suelva realmente para a; b; c y d:)
216
Polinomio característico y el teorema de Cayley - Hamilton
En los ejercicios 94 y 95 (a) encuentre el polinomio característico de la matriz
dada, (b) encuentre las raíces de este polinomio y (c) compruebe el teorema de
Cayley - Hamilton para la matriz dada.
Ejercicio 3.9.94
2 2
A=
2 1
6 0 4
A=4 2 1 3 5
2 0 4
Ejercicio 3.9.96 Sea 2 3

a11 a12 a13
A = 4 a21 a22 a23 5
a31 a32 a33
Mostrar que el polinomio característico de A está dado por
3 2
'( ) = (tr A) + (Ac11 + Ac22 + Ac33 ) jAj
Esto es,
3 2
'( ) = (a11 + a22 + a33 ) +
a11 a12 a13
a22 a23 a11 a13 a11 a12
+ + a21 a22 a23
a32 a33 a31 a33 a21 a22
a31 a32 a33
En los ejercicios 97 y 98, Utilice el teorema de Cayley - Hamilton para encontrar

A 1y A4 .
2 1 1
A=4 0 5 2 5
1 3 4
3 2 4
A=4 2 5 1 5
0 6 1
217
En los ejercicios 99 y 100, utilice el teorema de Cayley - Hamilton para encontrar
A4 y A 4
1 2 2
A=4 3 1 0 5
1 1 1
1 1 0
A=4 1 1 1 5
0 2 1
Ejercicio 3.9.101 Determine una fórmula para A 4 utilizando el Teorema de Cay-
ley - Hamilton, donde 2 3
1 2 0 1
6 3 1 4 1 7
A=6 4 0
7
0 1 2 5
1 1 1 2
2 3
1 0 1
A=4 0 1 1 5 y el polinomio p (x) = x4 + x2 + 4x + 7
1 1 0
Determinar el polinomio q (x) = x2 + x + tal que p (A) = q (A).
Ejercicio 3.9.103 Sea A = [aij ] una matriz de orden 3. Describir la suma Sk de
los menores principales de órdenes k = 1; k = 2 y k = 3:
Ejercicio 3.9.104 Hallar el polinomio característico de la siguiente matriz.
2 3
3 1 1
A=4 2 4 2 5
1 1 3
2 3
5 4 2 1
6 2 3 1 2 7
A=6
4
7
5 7 3 9 5
1 2 1 4
a) Hallar la suma de los menores principales de orden 1; 2; 3 y 4:
b) Determinar el polinomio característico de A:
218
CAPÍTULO 4
Espacios vectoriales

En varias partes de la matemática se presentan conjuntos donde tiene sentido y
resulta interesante considerar las "combinaciones lineales" de los elementos de dichos
conjuntos. Es decir, conjuntos donde tiene sentido sumar y multiplicar por números
los objetos de dicho conjunto. Por ejemplo, en los sistemas de ecuaciones lineales,
se encontró natural el considerar combinaciones lineales de las …las de una matriz,
similar situación ocurre en cálculo al considerar combinaciones lineales de funciones.
Hablando en forma simple, el álgebra lineal es aquella rama de la matemática
que trata de las propiedades comunes de los sistemas algebraicos que constan de un
conjunto más una noción razonable de "combinaciones lineales" de los elementos del
conjunto.
En este capítulo se estudiarán los objetos matemáticos que la experiencia ha
mostrado ser las más útiles abstracciones de este tipo de sistemas algebraicos. A
saber la estructura algebraica conocida como espacio vectorial, que es la piedra
fundamental del álgebra lineal.
De…nición 4.1.1 Un espacio vectorial sobre un campo F , es un conjunto no vacío

V junto con dos operaciones " + " y " " llamadas suma vectorial y producto escalar
respectivamente, que satisfacen los siguientes axiomas. Para todo u; v; w 2 V y para
todo r; s 2 F .
1. Si u; v 2 V entonces u + v 2 V;
2. u + v = v + u;
3. u + (v + w) = (u + v) + w;
219
4. Existe un elemento 2 V , para todo u 2 V , tal que u + = u;
5. Para todo u 2 V , existe un elemento u 2 V tal que u + ( u) = ;
6. Para todo u 2 V y para todo r 2 F , entonces ru 2 V;
7. (r + s) u = ru + su;
8. r (u + v) = ru + rv;
9. r (su) = (rs) u;
10. 1u = u:
Los elementos de V se llaman vectores y los elementos del campo F se llaman

escalares, el vector se llama vector nulo y el vector u se llama vector inverso
aditivo de u.
Observe el carácter abstracto de esta de…nición. Los vectores, elementos del
conjunto V , pueden ser cualquier cosa mientras estén de…nidas las operaciones de
suma entre ellos y producto por un escalar y se cumplan los demas axiomas de
espacio vectorial.
Si F = R (R el campo de los números reales) se dice que V es un espacio
vectorial real. En este curso estudiaremos espacios vectoriales reales y los llamaremos
simplemente espacios vectoriales.
4.1.1 Ejemplos de espacios vectoriales

Ejemplo 4.1.1 Sea Rn = f(x1 ; x2 ; x3 ; : : : ; xn ) =xi 2 Rg donde se de…ne la adición
vectorial mediante.
(x1 ; x2 ; x3 ; : : : ; xn ) + (y1 ; y2 ; y3 ; : : : ; yn ) = (x1 + y1 ; x2 + y2 ; x3 + y3 ; : : : ; xn + yn )
y la multiplicación escalar mediante
r (x1 ; x2 ; x3 ; : : : ; xn ) = (rx1 ; rx2 ; rx3 ; : : : ; rxn ) :
Resulta fácil veri…car que Rn junto con las operaciones de suma vectorial y multi-
plicación escalar, constituye un espacio vectorial.
Ejemplo 4.1.2 Observe, que si n = 2 entonces
R2 = f(x1 ; x2 ) =x1 ; x2 2 Rg
es un espacio vectorial. Similarmente
R3 = f(x1 ; x2 ; x3 ) =x1 ; x2 ; x3 2 Rg
es un espacio vectorial. De la misma forma R el campo de los números reales, junto

con la adición y multiplicación ordinarios es un espacio vectorial. En este caso los
números reales desempeñan un doble papel de ser vectores y escalares.
220
Ejemplo 4.1.3 Consideremos el conjunto de todas las matrices n 1, este conjunto
junto con la adición matricial y la multiplicación de un escalar por una matriz. Esto
es: 2 3 2 3 2 3 2 3 2 3
x1 y1 x1 + y1 x1 rx1
6 x2 7 6 y2 7 6 x2 + y2 7 6 x2 7 6 rx2 7
6 7 6 7 6 7 6 7 6 7
6 x3 7 + 6 y3 7 = 6 x3 + y3 7 r6 7 6 7
6 7 6 7 6 7 y 6 x3 7 = 6 rx3 7
4 : 5 4 : 5 4 : 5 4 : 5 4 : 5
xn yn xn + yn xn rxn
Forma un espacio vectorial, este espacio vectorial se denota por Mn 1.
Ejemplo 4.1.4 El conjunto de todas las matrices de orden m n denotado por

Mm n con la adición matricial y la multiplicación de un escalar por una matriz es
un espacio vectorial.
Otra fuente de ejemplos de espacios vectoriales nos proporciona el conjunto de

los polinomios. Recordemos que un polinomio en x es una expresión de la forma
p (x) = a0 + a1 x + a2 x2 + + an xn
Siendo a0 ; a1 ; a2 ; : : : ; an números reales. Si an 6= 0 entonces el grado de p (x) es n,
de este modo el grado de un polinomio es la potencia más alta cuyo coe…ciente es
distinto de cero. Por ejemplo
3x4 7x2 + 2x 3 es de grado 4
4 3
0x + 5x + x 13 es de grado 3
4 2
0x + 3x + 2x 3 es de grado 2
4 3
0x + 0x 6x 2 es de grado 1
4 3
0x + 0x + 0x + 5 es de grado 0
Este último ejemplo muestra que todo número real es un polinomio de grado cero.
El polinomio cero no tiene grado y es de la forma
p (x) = 0 + 0x + 0x2 + + 0xn
Dos polinomios p (x) y q (x) son iguales si
Primero, son del mismo grado y
Segundo, los coe…cientes de sus respectivas potencias son iguales
Por ejemplo, los siguientes polinomios
p
p (x) = 3x2 7x + 2 y q (x) = 9 x2 7x + 2
son iguales.
221
Ejemplo 4.1.5 Denotemos con Pn el conjunto de todos los polinomios de grado
n, este conjunto junto con la suma de polinomios y la multiplicación de un número
real por un polinomio es un espacio vectorial.
En este espacio vectorial el vector nulo es el polinomio cero.
Ejemplo 4.1.6 Sea C [a; b] el conjunto de todas las funciones continuas de valores
reales de…nidos en el intervalo cerrado [a; b] Para f; g 2 C [a; b] y r 2 R se de…ne
(f + g) (x) = f (x) + g (x) y (rf ) (x) = rf (x) ; 8x 2 [a; b] :
Resulta fácil mostrar que C [a; b] con las operaciones anteriores forma un espacio
vectorial.
Ejemplo 4.1.7 Sea Q2 el conjunto de todos los polinomios de grado exactamente

2. Este conjunto con la adición de polinomios y multiplicación de un escalar por un
polinomio no es espacio vectorial, pues no es cerrado respecto de la adición, para
ver esto. Sean
p (x) = 5x2 + 2x + 8 y q (x) = 5x2 6x + 1
elementos arbitrarios de Q2 , entonces
p (x) + q (x) = 4x + 9 2
= Q2 :
Luego Q2 no es espacio vectorial.
Observación 4.1.1 Observe que para veri…car que un conjunto dado V con las
operaciones " + " y " " es un espacio vectorial se debe mostrar que los diez axiomas
de la de…nición de espacio vectorial se satisfacen. Para esto se recomienda veri…car
primeramente las condiciones 1 y 6 porque si alguno de ellos falla no se tendrá un
espacio vectorial.
Ejemplo 4.1.8 Sea Z el conjunto de los números enteros, este conjunto junto con
la suma usual y multiplicación ordinaria no es un espacio vectorial pues si bien.
Para todo u; v 2 Z se tiene u + v 2 Z,
pero para u 2 Z y para todo r 2 R no siempre se tiene ru 2 Z.
Por ejemplo si r = 21 y u = 5 se ve que ru = 52 2
= Z.
4.1.2 Propiedades
A continuación se establecen algunas propiedades de las operaciones en un espacio
vectorial.
222
Teorema 4.1.1 Si V es un espacio vectorial, entonces
a) El vector nulo es único.
b) Para todo u 2 V , existe un único inverso aditivo ( u) 2 V .
c) Para todo u 2 V , 0u = .
d) Para todo r 2 F , r = .
e) Si u 6= , entonces ru = implica que r = .
f ) Para todo u 2 V y para todo r 2 F , ( r) u = r ( u) = (ru).
Demostración. Sea V un espacio vectorial

0
(a) Supongamos que y son vectores nulos en V entonces
0 0
= + =
(b) Supongamos que ( u) y v son vectores inversos de u. Entonces
u + ( u) = y u+v =
luego,
u= u+ = u + (u + v) = ( u + u) + v = + v = v:
Esto muestra que

u=v
Por tanto, el inverso de cada vector es único.
(c) Observemos que

(r + 0) u = ru + 0u
además
(r + 0) u = ru
entonces
ru + 0u = ru:
Esto signi…ca que
0u =
(d) Obsérvese que

r (r + ) = ru + r
además
r (u + ) = ru
223
entonces
ru + r = ru:
Esto signi…ca que
r =
(e) Mostremos por el absurdo. Supongamos que u 6= entonces ru = y sea

r 6= 0, entonces existe r 1 (inverso multiplicativo del escalar r). Así
1 1 1
=r =r (ru) = r r u = 1u = u
es decir u = lo cual contradice al hecho de que u 6= .
(f) Utilizando el hecho de que u + ( u) = , se tiene
= r = r (u + ( u))
= ru + r ( u)
sumando ru a ambos lados, se obtiene
ru = r ( u) :
Por otra parte, utilizando r + ( r) = 0, se tiene
= 0u = (r + ( r)) u
= ru + ( r) u
sumando ru a ambos lados, se obtiene
ru = ( r) u
Por tanto, ( r) u = r ( u) = (ru).
4.2 Subespacios vectoriales

De…nición 4.2.1 Un subconjunto W 6= ? de un espacio vectorial V es un sub-
espacio vectorial de V , si W mismo forma un espacio vectorial bajo la adición y
multiplicación escalar de V .
224
De acuerdo a esta de…nición, para establecer que un subconjunto W de V es
subespacio vectorial es necesario veri…car los diez axiomas de la de…nición de espacio
vectorial. Sin embargo como W V , entonces casi todos de los diez axiomas son
heredadas del espacio V por lo que no es necesario veri…carlos.
El siguiente teorema establece que basta comprobar las cerraduras para estable-
cer que un subconjunto de un espacio vectorial es un subespacio.
Teorema 4.2.1 (Criterio para un subespacio) Si W es un subconjunto no vacío

de un espacio vectorial V entonces W es un subespacio de V si, y sólo si, se cumplen
las siguientes condiciones de cerradura.
i) Si u y v están en W entonces u + v está en W .
ii) Si u está en W y r es cualquier escalar entonces ru está en W .
Demostración. Si W es un subespacio de V , entonces satisface todos los axiomas

de espacio vectorial; en particular, cumple con los axiomas (1) y (6). Pero estos
axiomas son precisamente las condiciones (i) y (ii). Recíprocamente, supongamos
que se cumplen las condiciones (i) y (ii). A partir de esto deseamos mostrar que W
es un subespacio de V , pero esto equivale a mostrar que W es un espacio vectorial.
Ahora para mostrar que W es un espacio vectorial es necesario mostrar que se
cumplen los diez axiomas de la de…nición de espacio vectorial ante las operaciones
de adicición vectorial y multiplicación por un escalar de…nidas en V . Puesto que
se cumplen las condiciones (i) y (ii) y como estos son los axiomas (1) y (6) de
espacio vectorial, solamente resta demostrar que en W se satisfacen los otros ocho
axiomas. Pero como W V entonces los vectores en W satisfacen automáticamente
los axiomas (2), (3), (7), (8), (9) y (10), ya que todos los vectores en V los satisfacen.
En consecuencia, para completar la demostración, sólo falta mostrar que en W se
satisfacen los axiomas (4) y (5).
Sea u un vector en W , entonces por la condición (ii), ru pertenece a W para
todo escalar r. Haciendo r = 0, se tiene 0u = está en W y haciendo r = 1, se ve
que ( 1) u = u pertenece a W y esto completa la demostración. X
La demostración del teorema anterior contiene un hecho que es lo su…cientemente

importante que lo señalamos de manera explicita.
Todo subespacio W de un espacio vectorial V contiene el vector nulo . Es decir,
si W es un subespacio vectorial de V , entonces 2W
o equivalentemente.
Si 2
= W , entonces W no es subespacio de V .
225
Advertencia. Si 2 W no se puede a…rmar nada, es decir W puede ser o no
un subespacio vectorial de V .
Ejemplo 4.2.1 Todo espacio vectorial V tiene por lo menos dos subespacios a saber
1. El espacio mismo.
2. El subespacio f g que consiste únicamente del vector nulo (Recuerde que

+ = y r = en cualquier espacio vectorial).
Estos subespacios se denominan subespacios triviales.
Ejemplo 4.2.2 ¿Cuáles de los siguientes subconjuntos de R2 son subespacios de

R2 ?
(a) U = f(x; y) =x; y 2 R; x + 2y = 0g
(b) W = f(x; y) =x; y 2 R; x + 2y = 1g
(c) S = f(1; y) =y 2 Rg
Solución. a) primeramente observemos que
= (0; 0) 2 U pues 0 + 2 0 = 0;
entonces U puede ser o no un subespacio, para averiguar usemos el teorema anterior.
i) Sean u = (x1 ; y1 ) ; v = (x2 ; y2 ) 2 U entonces
x1 + 2y1 = 0 (1)
x2 + 2y2 = 0 (2)
deseamos mostrar que
u + v = (x1 ; y1 ) + (x2 ; y2 ) = (x1 + x2 ; y1 + y2 ) 2 U
note que
u + v = (x1 + x2 ; y1 + y2 ) 2 U si, y sólo si, x1 + x2 = 2 (y1 + y2 )
Sumando las ecuaciones (1) y (2) se obtiene
x1 + x2 = 2y1 + 2y2 = 2 (y1 + y2 )
esto muestra que u + v 2 U:
226
ii) Sean r 2 R y u = (x; y) 2 U , entonces x + 2y = 0: Deseamos mostrar que
ru = r (x; y) = (rx; ry) 2 U
pero
ru = (rx; ry) 2 U sí, y sólo sí, rx + 2 (ry) = 0
de x + 2y = 0 multiplicando por r se tiene rx + r (2y) = rx + 2 (ry) = 0. Esto
dice que ru 2 U , por tanto U es un subespacio de R2 .
(b) Observemos que
= (0; 0) 2
= W pues 0 + 2 0 6= 1;
entonces se concluye que W no es subespacio de R2 .
(c) Tampoco S es subespacio de R2 , ya que = S. X

= (0; 0) 2
Ejemplo 4.2.3 ¿Cuáles de los siguientes subconjuntos son subespacios de R3 ?.
(a) U = f(x1 ; x2 ; 1) =x1 ; x2 2 Rg
(b) W = f(x1 ; x1 + x3 ; x3 ) =x1 ; x3 2 Rg
Solución. a) Como = U se concluye que U no es subespacio de R3 .

= (0; 0; 0) 2
(b) Notemos que = (0; 0; 0) 2 W , luego W puede ser o no subespacio de R3 .
(i) Sean u = (x1 ; x1 + x3 ; x3 ) y v = (y1 ; y1 + y3 ; y3 ) dos vectores en W . Deseamos

mostrar que u + v 2 W . Como
u + v = (x1 ; x1 + x3 ; x3 ) + (y1 ; y1 + y3 ; y3 )
= (x1 + y1 ; x1 + x3 + y1 + y3 ; x3 + y3 )
= (x1 + y1 ; (x1 + y1 ) + (x3 + y3 ) ; x3 + y3 )
haciendo z1 = x1 + y1 y z3 = x3 + y3 , se tiene
u + v = (z1 ; z1 + z3 ; z3 ) 2 W
(ii) Sea r 2 R y u = (x1 ; x1 + x3 ; x3 ) 2 W . Deseamos mostrar que ru 2 W . Como
ru = r (x1 ; x1 + x3 ; x3 )
= (rx1 ; r (x1 + x3 ) ; rx3 )
= (rx1 ; rx1 + rx3 ; rx3 )
227
haciendo, y1 = rx1 y y3 = rx3 se ve que
ru = r (y1 ; y1 + y3 ; y3 ) 2 W
Por tanto W es un subespacio de R3 .
Ejemplo 4.2.4 En el espacio vectorial de matrices 2 2. ¿Cuáles de los siguientes

subconjuntos de M2 2 son subespacios de M2 2 .
(a) U el conjunto de matrices simétricas 2 2:
(b) V el conjunto de matrices singulares 2 2:
(c) W el conjunto de matrices no singulares 2 2:
Solución. (a) Recordemos que una matriz A es simétrica si At = A, cuyas propiedades

son
t
At = A
t
(A + B) = At + B t
(rA)t = rAt
(AB)t = B t At
Con esto a nuestra disposición veamos si U es o no subespacio de M2 2. Primera-

mente observemos que
0 0
= 2U
0 0
Luego U puede ser o no subespacio de M2 2.
(i) Sean A; B 2 U , entonces At = A y B t = B. Luego (A + B)t = At + B t = A + B.

Esto muestra que A + B 2 U .
(ii) Sean r 2 R y A 2 U , entonces At = A. Luego (rA)t = rAt = rA, esto dice que
ru 2 U . Por tanto U es un subespacio de M2 2 .
(b) Primeramente observemos que
0 0
= 2V
0 0
228
pues esta matriz es singular (no invertible). Ahora note que
1 0 0 0
A= y B=
0 0 0 1
son matrices singulares. Pero
1 0 0 0 1 0
A+B = + =
0 0 0 1 0 1
es no singular (invertible). Así, A + B 2

= V . Por tanto V no es un subespacio de
M2 2 .
(c) Observemos que
0 0
= 2
=W
0 0
pues esta matriz no tiene inversa. Luego W no es subespacio.
Este mismo resultado obtenemos observando que
2 5 3 4
A= y B=
3 7 7 11
son matrices no singulares, pero
2 5 3 4 5 9
A+B = + =
3 7 7 11 10 18
es singular. Por tanto W no es un subespacio de M2 2. X
Ejemplo 4.2.5 Sea Ax = 0 un sistema homogéneo de ecuaciones lineales donde A

es una matriz m n. Probar que el conjunto de soluciones de este sistema es un
subespacio de Mn 1 .
Solución. Sean x1 ; x2 soluciones de Ax = 0, entonces
Ax1 = 0 y Ax2 = 0
veamos si x1 + x2 también es solución del sistema Ax = 0. Como
A (x1 + x2 ) = Ax1 + Ax2 = 0 + 0 = 0
entonces x1 + x2 es solución de Ax = 0:
Por otra parte si x1 es una solución de Ax = 0 y r 2 R entonces Ax1 = 0. Luego
A (rx1 ) = rAx1 = r0 = 0, esto muestra que rx1 es solución del sistema Ax = 0, esto
completa la prueba. X
229
Ejemplo 4.2.6 Sea Ax = b un sistema no homogéneo de ecuaciones lineales , donde
A es una matriz m n y b 6= 0 esta en Mn 1 . Probar que el conjunto de soluciones
de Ax = b no es un subespacio de Mn 1 .
Solución. Sean x1 y x2 soluciones de Ax = b, entonces se tiene
Ax1 = b y Ax2 = b
notemos que
A (x1 + x2 ) = Ax1 + Ax2 = b + b = 2b:
Esto muestra que x1 + x2 no es solución del sistema Ax = b. Por tanto el conjunto
de soluciones de Ax = b no es subespacio de Mn 1 . X
4.3 Combinaciones lineales

Las leyes asociativa y conmutativa nos permiten eliminar los paréntesis en sumas
múltiples, para simpli…car la notación. Por ejemplo, las siguientes expresiones
(u + v) + (w + s) ; u + ((v + w) + s) ; u + (v + (w + s)) y v + (u + (w + s))
se expresan como
u + v + w + s:
También, pueden escribirse sin ambiguedad expresiones como
u1 3u2 + 5u3 2u4
en la que u1 ; u2 ; u3 y u4 son vectores (elementos) de un espacio vectorial V . Estas

sumas de múltiplos escalares de vectores se llaman combinaciones lineales de esos
vectores, formalmente se tiene la siguiente.
De…nición 4.3.1 Sea S = fu1 ; u2 ; u3 ; : : : ; un g un conjunto de vectores en un espa-

cio vectorial V . Un vector u 2 V es una combinación lineal de los elementos de S,
si existen escalares a1 ; a2 ; a3 ; : : : ; an tales que
u = a1 u1 + a2 u2 + a3 u3 + + an un
Ejemplo 4.3.1 Consideremos el conjunto
S = fu1 = (1; 2; 1) ; u2 = (1; 0; 2) ; u3 = (1; 1; 0)g
de vectores de R3 . Determinar si el vector u = (2; 1; 5) 2 R3 es o no una combinación

lineal de los vectores de S.
230
Solución. El vector u = (2; 1; 5) será una combinación lineal de los vectores de S si
podemos encontrar escalares a1 ; a2 ; a3 tales que
u = a1 u1 + a2 u2 + a3 u3
esto es
(2; 1; 5) = a1 (1; 2; 1) + a2 (1; 0; 2) + a3 (1; 1; 0)
(2; 1; 5) = (a1 ; 2a1 ; a1 ) + (a2 ; 0; 2a2 ) + (a3 ; a3 ; 0)
igualando componentes se obtiene el siguiente sistema de ecuaciones lineales
a1 + a2 + a3 = 2
2a1 + a3 = 1
a1 + 2a2 = 5

2 32 3 2 3
1 1 1 a1 2
4 2 0 1 5 4 a2 5 = 4 1 5
1 2 0 a3 5
Resolviendo este sistema lineal por los métodos del capítulo 1 obtenemos.
a1 = 1; a2 = 2 y a3 = 1
Luego
(2; 1; 5) = (1; 2; 1) + 2 (1; 0; 2) 1 (1; 1; 0)
Lo cual signi…ca que u = (2; 1; 5) es una combinación lineal de los vectores de S. X
Ejemplo 4.3.2 Sea
S = fu1 = (1; 2; 3) ; u2 = (0; 1; 2) ; u3 = ( 1; 0; 1)g
un conjunto de vectores de R3 . Determinar si el vector u = (1; 2; 2) 2 R3 es o no

una combinación lineal de los vectores de S.
Solución. Deseamos encontrar escalares a1 ; a2 ; a3 tales que
u = a1 u1 + a2 u2 + a3 u3
(1; 2; 2) = a1 (1; 2; 3) + a2 (0; 1; 2) + a3 ( 1; 0; 1)
231
el cual induce el siguiente sistema
2 32 3 2 3
1 0 1 a1 1
4 2 1 0 5 4 a2 5 = 4 2 5
3 2 1 a3 2
Resolviendo este sistema vemos que

2 3 2 3 2 3
1 0 1 : 1 1 0 1 : 1 1 0 1 : 1
4 2 1 3 3 4
0 : 2 5 !4 0 1 2 : 4 5 ! 0 1 2 : 4 5
3 2 1 : 2 0 2 4 : 1 0 0 0 : 7
La última …la distinta de cero de la matriz en forma escalón dice que el sistema no
tiene solución.
Por tanto u = (1; 2; 2) no es una combinación lineal de los vectores de S. X
Ejemplo 4.3.3 (de aplicación) Una empresa de artículos deportivos tiene dos fábri-
cas y en cada una se ensamblan bicicletas de montaña fabricadas en aluminio y ti-
tanio. La primera planta produce 150 bicicletas de aluminio y 15 de titanio por día.
La segunda 220 y 20 respectivamente. Si u1 = (150; 15) y u2 = (220; 20). Calcule e
interprete el signi…cado de las expresiones (a) a (d).
(a) u1 + u2
(b) u2 u1
(c) 10u1
(d) au1 + bu2 , siendo a; b > 0.
(e) ¿Cuántos días debe trabajar cada fábrica para que la empresa entregue 2600
bicicletas de aluminio y 250 de titanio?
Solución. (a) Como
u1 + u2 = (150; 15) + (220; 20) = (370; 35)
Esto dice que la empresa produce en las dos fábricas en un día un total de 370
bicicletas de aluminio y 35 bicicletas de titanio.
(b)
u2 u1 = (220; 20) (150; 15) = (70; 5)
indica cuántas bicicletas más produce la segunda fábrica en un día, en comparación
con la primera fábrica.
232
(c)
10u1 = 10 (150; 15) = (1500; 150)
representa cuántas bicicletas produce la primera fábrica en 10 días.
(d)
au1 + bu2 = a (150; 15) + b (220; 20) = (150a + 220b; 15a + 20b)
es la cantidad total de bicicletas producidas cuando la primera fábrica trabaja a días

y la segunda b días.
(e) Sean x1 y x2 los días respectivos de trabajo. Entonces
x1 u1 + x2 u2 = (2600; 250)
esto es
x1 (150; 15) + x2 (220; 20) = (2600; 250)
que produce el siguiente sistema
150 220 x1 2600

=
15 20 x2 250
el sistema correspondiente tiene la siguiente matriz aumentada
150 220 : 2600

15 20 : 250
cuya forma de escalón reducida es
1 0 : 10
0 1 : 5
Esto dice que la primera fábrica debe trabajar 10 días y la segunda 5 días. X
4.4 Conjuntos generadores

En esta sección se presentará el espacio generado por un conjunto S de vectores de
un espacio vectorial V .
De…nición 4.4.1 Sea S = fu1 ; u2 ; u3 ; : : : ; un g un conjunto de vectores del espacio

vectorial V . El conjunto S se denomina conjunto generador de V (o que S genera
V ) si todo vector en V puede expresarse como una combinación lineal de los vectores
de S.
233
En otras palabras, S genera V si para todo u 2 V existen escalares a1 ; a2 ; a3 ; : : : ; an
tales que
u = a1 u1 + a2 u2 + a3 u3 + + an un
Ejemplo 4.4.1 El conjunto S = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g ge-
nera R3 ya que todo vector u = (x1 ; x2 ; x3 ) 2 R3 puede escribirse como
u = x1 e1 + x2 e2 + x3 e3
(x1 ; x2 ; x3 ) = x1 (1; 0; 0) + x2 (0; 1; 0) + x3 (0; 0; 1)
Ejemplo 4.4.2 El conjunto S = u1 = 1; u2 = x; u3 = x2 genera P2 . Pues de
hecho, cualquier polinomio p(x) = a + bx + cx2 de P2 puede expresarse como
p(x) = a (1) + b (x) + c x2 = a + bx + cx2
Estos conjuntos generadores se denominan conjuntos generadores normales de
R3 y P2 respectivamente.
Ejemplo 4.4.3 Sea V = R3 y sea S = fu1 = (1; 2; 3) ; u2 = (0; 1; 2) ; u3 = ( 2; 0; 1)g
un conjunto de vectores de R3 . Determinar si S genera o no a R3 .
Solución. Para determinar si S = fu1 ; u2 ; u3 g genera a R3 , escogemos un vector
arbitrario u = (x1 ; x2 ; x3 ) 2 R3 y debemos averiguar si u es o no una combinación
lineal de los vectores de S, es decir debemos averiguar si existen escalares a1 ; a2 ; a3
tales que
u = a1 u1 + a2 u2 + a3 u3
(x1 ; x2 ; x3 ) = a1 (1; 2; 3) + a2 (0; 1; 2) + a3 ( 2; 0; 1)
Esto nos conduce al siguiente sistema de ecuaciones lineales.
2 32 3 2 3
1 0 2 a1 x1
4 2 1 0 5 4 a2 5 = 4 x2 5
3 2 1 a3 x3
Resolviendo estesistema se tiene
2 3 2 3
1 0 2 : x1 1 0 2 : x1
4 2 1 3 3
0 : x2 5 ! 4 0 1 4 : x2 2x1 5 !
3 2 1 : x3 0 2 7 : x3 3x1
2 3 2 3
1 0 2 : x1 1 0 2 : x1
4 0 1 3 3
4 : x2 2x1 5 ! 4 0 1 4 : x2 2x1 5 !
0 0 1 : x1 2x2 + x3 0 0 1 : x1 + 2x2 x3
2 3
1 0 0 : x1 + 4x2 2x3
4 0 1 0 : 2x1 7x2 + 4x3 5
0 0 1 : x1 + 2x2 x3
234
Así, se tiene
a1 = x1 + 4x2 2x3
a2 = 2x1 7x2 + 4x3
a3 = x1 + 2x2 x3
Luego
(x1 ; x2 ; x3 ) = ( x1 + 4x2 2x3 ) (1; 2; 3) + (2x1 7x2 + 4x3 ) (0; 1; 2)

+ ( x1 + 2x2 x3 ) ( 2; 0; 1)
Esto dice que todo vector u = (x1 ; x2 ; x3 ) 2 R3 es una combinación lineal de los
vectores de S. Por tanto S genera R3 . X
Observación 4.4.1 Recordemos que un sistema de ecuaciones lineales Ax = b en

n variables tiene solución única si, y sólo si, el determinante de la matriz de coe…-
cientes del sistema es diferente de cero, es decir si jAj =
6 0.
Usando este hecho, podemos también, veri…car más rápidamente sin resolver
ningún sistema de ecuaciones si cierto conjunto de vectores genera o no un espacio
vectorial (siempre y cuando el sistema sea cuadrado). En nuestro caso como la
matriz de coe…cientes del sistema de ecuaciones lineales planteado es
2 3
1 0 2
A=4 2 1 0 5
3 2 1
cuyo determinante es
1 0 2
jAj = 2 1 0 = 1 6= 0
3 2 1
Entonces el sistema de ecuaciones
2 32 3 2 3
1 0 2 a1 x1
4 2 1 0 5 4 a2 5 = 4 x2 5
3 2 1 a3 x3
Admite solución única, para todo vector u = (x1 ; x2 ; x3 ) 2 R3 . En consecuencia se

a…rma que el conjunto
S = fu1 = (1; 2; 3) ; u2 = (0; 1; 2) ; u3 = ( 2; 0; 1)g
genera el espacio vectorial R3 .
235
Ejemplo 4.4.4 Sea S = fu1 = (6; 7; 6) ; u2 = (3; 2; 4) ; u3 = (1; 3; 2)g un con-
junto de vectores del espacio vectorial V = R3 . Determine si S genera a R3 , en caso
negativo proporcione una descripción geométrica del subespacio generado por S.
Solución. Recordemos que S = fu1 ; u2 ; u3 g generará a R3 si, y sólo si, para todo
vector u 2 R3 existen escalares a1 ; a2 ; a3 tales que u = a1 u1 + a2 u2 + a3 u3 .
Para ver esto consideremos un vector arbitrario u = (x1 ; x2 ; x3 ) 2 R3 y veamos
si existen o no escalares a1 ; a2 ; a3 tales que
u = a1 u1 + a2 u2 + a3 u3
(x1 ; x2 ; x3 ) = a1 (6; 7; 6) + a2 (3; 2; 1) + a3 (1; 3; 2)
Que resulta ser el siguiente sistema no homogéneo.

2 32 3 2 3
6 3 1 a1 x1
4 7 2 3 5 4 a2 5 = 4 x2 5
6 1 2 a3 x3
Ahora recordemos que un sistema lineal Ax = b tiene solución única si, y sólo si,
jAj =
6 0. Como
6 3 1
7 2 3 = 184 6= 0
6 1 2
se concluye que el sistema planteado tiene solución única, de este modo todo vector
u de R3 puede expresarse como una combinación lineal de los vectores de S. Por
tanto S genera a R3 . X
Ejemplo 4.4.5 Sea S = fu1 = ( 2; 5; 0) ; u2 = (4; 6; 3)g un conjunto de vectores

del espacio vectorial V = R3 . Determine si S genera a R3 , en caso negativo propor-
cione una descripción geométrica del subespacio generado por S.
Solución. Observe que en este caso no se puede utilizar determinantes, pues el

sistema a plantear no es cuadrada. Entonces sea u = (x1 ; x2 ; x3 ) un vector arbitrario
de R3 , deseamos encontrar escalares a1 y a2 tales que
u = a1 u1 + a2 u2
(x1 ; x2 ; x3 ) = a1 ( 2; 5; 0) + a2 (4; 6; 3)
Que produce el siguiente sistema

2 32 3 2 3
2 4 a1 x1
4 5 6 5 4 a2 5 = 4 x2 5
0 3 a3 x3
236
Resolviendo este sistema obtenemos
2 3 2 3 2 3
2 4 : x1 1 2 : x1 =2 1 2 : x1 =2
4 5 6 : x2 5 2! 4 5 6 :
3
x2 5 ! 4 0 16 : (5x1 + 2x2 ) =2 5
0 3 : x3 0 3 : x3 0 3 : x3
2 3 2 3
1 2 : x1 =2 1 2 : x1 =2
1;2 3
!4 0 1 : x3 =3 5 ! 4 0 1 : x3 =3 5
0 16 : (5x1 + 2x2 ) =2 0 0 : (15x1 + 6x2 32x3 ) =6
Observe que el sistema considerado tiene solución sólo cuando 15x1 +6x2 32x3 = 0.
Si 15x1 + 6x2 32x3 6= 0, el sistema no tiene solución, esto dice que no todos los
vectores de R3 se pueden expresar como una combinación lineal de los vectores de
S. Por tanto concluimos que S no genera a R3 .
Aunque el conjunto S de este ejemplo no genera a todo R3 , si genera un subes-
pacio de R3 , llamado espacio lineal generado por S.
En nuestro caso, como el sistema admite solución sólo cuando
15x1 + 6x2 32x3 = 0
el cual representa la ecuación de un plano que pasa por el origen con vector normal
N = (15; 6; 32), entonces el subespacio generado por S es un plano de R3 . X
En general, el conjunto de todas las combinaciones lineales de los vectores de un
conjunto S, se denomina subespacio lineal generado por S y se denota por Lin (S).
Es decir, si S = fu1 ; u2 ; u3 ; : : : ; un g entonces
Lin (S) = fx1 u1 + x2 u2 + x3 u3 + + xn un =xi 2 R; ui 2 Sg
Por ejemplo si S = fu1 = (1; 0; 1) ; u2 = (0; 1; 1)g es un conjunto de vectores de R3 ,
entonces
Lin (S) = fx1 u1 + x2 u2 =x1 ; x2 2 Rg
= fx1 (1; 0; 1) + x2 (0; 1; 1) =x1 ; x2 2 Rg
= f(x1 ; 0; x1 ) + (0; x2 ; x2 ) =x1 ; x2 2 Rg
= f(x1 ; x2 ; x1 + x2 ) =x1 ; x2 2 Rg
= f(x1 ; x2 ; x3 ) =x3 = x1 + x2 g
Ejemplo 4.4.6 Sea S = fu1 = (1; 2) ; u2 = (3; 5)g un conjunto de vectores de R2 y
sea u = (2; 3). ¿Está u en Lin (S)?
Solución. El vector dado u = (2; 3) estará en Lin (S) sí, y sólo sí, existen escalares
a1 y a2 tales que
a1 u1 + a2 u2 = (2; 3)
a1 (1; 2) + a2 (3; 5) = (2; 3)
237
1 3 a1 2
=
2 5 a2 3
cuya solución es a1 = 1 y a2 = 1. Así 1 (1; 2) + (3; 5) = (2; 3), de modo que el

vector u está en Lin (S). X
Ejemplo 4.4.7 Determine un conjunto generador para
U = f(3a b; a + 5b; a) =a; b 2 Rg R3
Solución. Como
(3a b; a + 5b; a) = (3a; a; a) + ( b; 5b; 0) = a (3; 1; 1) + b ( 1; 5; 0)
para todos los escalares a y b.

Entonces U está generado por S = f(3; 1; 1) ; ( 1; 5; 0)g. X
4.5 Dependencia e independencia lineal

En esta sección se conocerán lo que son los vectores linealmente dependiente y li-
nealmente independientes.
De…nición 4.5.1 Un conjunto de vectores S = fu1 ; u2 ; u3 ; : : : ; un g de un espacio

vectorial V se dice que es linealmente independiente si la ecuación vectorial
a1 u1 + a2 u2 + a3 u3 + + an un =
Tiene solamente la solución trivial a1 = a2 = a3 = = an = 0.

Si S no es linealmente independiente se dice que S es linealmente dependiente,
es decir S es linealmente dependiente si la ecuación vectorial
a1 u1 + a2 u2 + a3 u3 + + an un =
Admite otras soluciones además de la trivial. Esto es, no todos los escalares ai son
nulos.
Observación. Es importante observar que el término “linealmente dependiente”

signi…ca que los vectores “dependen” unos de otros de alguna manera.
En la práctica para determinar si un conjunto S = fu1 ; u2 ; u3 ; : : : ; un g de un
espacio vectorial V es o no linealmente independiente se utiliza el siguiente proceso
simple de tres pasos.
238
1. Se forma la ecuación vectorial
a1 u1 + a2 u2 + a3 u3 + + an un =
que conduce a un sistema lineal homogéneo.
2. Se resuelve el sistema formado en el paso 1.
3. Si el sistema tiene solamente la solución trivial a1 = a2 = a3 = = an = 0,
se concluye que S es linealmente independiente, si por el contrario el sistema
admite otras soluciones además de la trivial, entonces se concluye que S es
linealmente dependiente.
Obsérvese, que todo conjunto de vectores en un espacio vectorial es linealmente

independiente o linealmente dependiente.
Ejemplo 4.5.1 Sea V = R3 , determine si el conjunto

S = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
de V = R3 es o no linealmente independiente.
Solución. Para determinar si S es o no linealmente independiente, formamos la

ecuación vectorial.
a1 e1 + a2 e2 + a3 e3 =
a1 (1; 0; 0) + a2 (0; 1; 0) + a3 (0; 0; 1) =
que produce el siguiente sistema homogéneo.
2 32 3 2 3
1 0 0 a1 0
4 0 1 0 5 4 a2 5 = 4 0 5
0 0 1 a3 0
y esto dice que el sistema solo tiene la solución trivial, en consecuencia concluimos
que el conjunto
S = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
es linealmente independiente. X
Ejemplo 4.5.2 Sea V = P2 el espacio vectorial de todos los polinomios de grado

menor o igual que 2. Determinar si el conjunto
S = u1 = 1 + x 2x2 ; u2 = 2 + 5x x2 ; u3 = x + x2
Es o no linealmente independiente.
239
Solución. Primeramente formamos la ecuación vectorial.
a1 u1 + a2 u2 + a3 u3 =
2
a1 1 + x 2x + a2 2 + 5x x2 + a3 x + x2 = 0 + 0x + 0x2
a1 + a1 x 2a1 x2 + 2a2 + 5a2 x a2 x2 + a3 x + a3 x2 = 0 + 0x + 0x2
(a1 + 2a2 ) + (a1 + 5a2 + a3 ) x + ( 2a1 a2 + a3 ) x2 = 0 + 0x + 0x2
Igualando los coe…cientes que corresponden a potencias iguales de x se llega al

siguiente sistema homogéneo.
a1 + 2a2 = 0
a1 + 5a2 + a3 = 0
2a1 a2 + a3 = 0

2 32 3 2 3
1 2 0 a1 0
4 1 5 1 5 4 a2 = 0 5
5 4
2 1 1 a3 0
Resolviendo, este sistema se obtiene.

2 3 2 3 2 3
1 2 0 : 0 1 2 0 : 0 1 2 0 : 0
4 1 3 3 4
5 1 : 0 5 !4 0 3 1 : 0 5 ! 0 3 1 : 0 5
2 1 1 : 0 0 3 1 : 0 0 0 0 : 0
Esto dice que el sistema tiene in…nitas soluciones. Por tanto el sistema debe tener
soluciones no triviales por lo que se concluye que el conjunto S es linealmente de-
pendiente.
También en este caso se puede utilizar el determinante de la matriz de coe…-
cientes. Recuerde que un sistema de ecuaciones lineales homogéneo Ax = 0 admite
solo la solución trivial si, y sólo si, jAj =
6 0 y admite otras soluciones además de
la trivial si, y sólo si, jAj = 0. En nuestro caso como la matriz de coe…cientes del
sistema homogéneo es 2 3
1 2 0
A=4 1 5 1 5
2 1 1
cuyo determinante es jAj = 0. Entonces el sistema homogéneo admite soluciones dis-
tintas de la trivial, y esto signi…ca que el conjunto dado es linealmente dependiente.
X
240
Ejemplo 4.5.3 Sea V = R3 , determine si el conjunto
S = fu1 = (6; 7; 6) ; u2 = (3; 2; 4) ; u3 = (1; 3; 2)g
es o no linealmente independiente.
Solución. El conjunto dado será linealmente independiente si, y sólo si, la ecuación
vectorial
a1 u1 + a2 u2 + a3 u3 =
a1 (6; 7; 6) + a2 (3; 2; 4) + a3 (1; 3; 2) = (0; 0; 0)
Admite solo la solución trivial, notemos que la ecuación vectorial anterior produce
el siguiente sistema homogéneo
2 32 3 2 3
6 3 1 a1 0
4 7 2 3 5 4 a2 5 = 4 0 5
6 4 2 a3 0
Ahora, recuerde que un sistema lineal Ax = 0 admite solo la solución trivial si, y
sólo si, jAj =
6 0. Como la matriz de coe…cientes del sistema planteado es
2 3
6 3 1
A=4 7 2 3 5
6 4 2
cuyo determinante es jAj = 184 6= 0. Se ve que el sistema tiene solo la solución

trivial. De este modo el conjunto dado es linealmente independiente. X
Observación 4.5.1 Observemos que el conjunto S = f g formado solo por el vector

nulo es linealmente dependiente, pues por ejemplo 3 = y 3 6= 0.
Luego cualquier conjunto S que contiene al vector nulo es linealmente depen-

diente. Así, como se demuestra en el siguiente.
Ejemplo 4.5.4 Demuestre que cualquier conjunto de vectores que contenga el vector
nulo es linealmente dependiente.
Solución. Sea S = f ; u2 ; u3 ; : : : ; un g, entonces
1 + 0u2 + 0u3 + + 0un =
Lo cual implica que S es linealmente dependiente. X

Por otra parte un conjunto S = fu g formado por un solo vector distinto del
vector nulo es linealmente independiente pues, au = implica que a = 0.
241
Ejemplo 4.5.5 Sea V = Mn n y sean A y B matrices no cero. Demuestre que
si A es simétrica y B es antisimétrica, entonces el conjunto fA; Bg es linealmente
independiente.
Solución. El conjunto fA; Bg será linealmente independiente si, la ecuación vecto-

rial
aA + bB =
(donde es la matriz nula n n). Admite solo la solución trivial; es decir, solo si
a = b = 0.
Como A es simétrica y B es antisimétrica, entonces
(aA + bB)t = ( )t
aAt + bB t =
aA + b ( B) =
aA bB =
De este modo se obtiene el siguiente sistema de ecuaciones vectoriales,

aA + bB =
aA bB =
resolviendo este sistema obtenemos

aA + bB = aA + bB =
aA bB = aA + bB =
2aA = 2bB =
como A 6= y B 6= , entonces
2a = 0 y 2b = 0
de esto se concluye que a = 0 y b = 0. Por tanto el conjunto fA; Bg es linealmente

independiente. X
Ejemplo 4.5.6 Determine si el siguiente subconjunto S de P2 es o no linealmente

independiente
S = u1 = 2 x; u2 = 2x x2 ; u3 = 6 5x + x2
Solución. Formando la ecuación vectorial
a1 u1 + a2 u2 + a3 u3 =
2
a1 (2 x) + a2 2x x + a3 6 5x + x2 =
242
obtenemos el siguiente sistema homogéneo
2 32 3 2 3
2 0 6 a1 0
4 1 2 5 5 4 a2 5 = 4 0 5
0 1 1 a3 0
Resolviendo este sistema se tiene.

2 3 2 3 2 3
2 0 6 : 0 1 2 5 : 0 1 2 5 : 0
1;2 3
4 1 2 5 : 0 5 !4 2 0 6 : 0 5 !4 0 4 4 : 0 5
0 1 1 : 0 0 1 1 : 0 0 1 1 : 0
2 3 2 3
1 2 5 : 0 1 2 5 : 0
1;2 3
!4 0 1 1 : 0 5 !4 0 1 1 : 0 5
0 4 4 : 0 0 0 0 : 0
El sistema que corresponde a esta última matriz es
a1 2a2 + 5a3 = 0
a2 a3 = 0
De la segunda ecuación se ve que a2 = a3 y de la primera se tiene
a1 = 2a2 5a3
= 2a2 5a2
= 3a2
Luego el sistema tiene in…nitas soluciones uno para cada valor de a2 . Si a2 = 1,

entonces a1 = 3; a2 = 1 y a3 = 1 luego
3u1 + u2 + u3 =
Como el sistema tiene otras soluciones además de la trivial se concluye que el con-
junto dado es linealmente dependiente. X
Observe que de 3u1 + u2 + u3 = se tiene u2 = 3u1 u3 , esto dice que u2 es
combinación lineal de u1 y u2 . Es decir, uno de los vectores de S es combinación
lineal de los otros vectores de S; esta observación ilustra el siguiente.
Teorema 4.5.1 Un conjunto de vectores S = fu1 ; u2 ; u3 ; : : : ; un g n 2, es lineal-

mente dependiente si, y sólo si, por lo menos uno de los vectores ui puede expresarse
como una combinación lineal de los demás vectores en S.
243
4.6 Bases y dimensión
En la sección 4.1 conocimos un sistema matemático, llamado espacio vectorial donde
se ha estudiado algunas de sus propiedades; ahora observemos que el único espacio
vectorial que tiene un número …nito de vectores es el espacio vectorial cuyo único
elemento es . Pues si u 6= está en un espacio vectorial V entonces ru está en V ,
donde r es cualquier número real, esto signi…ca que V tiene in…nitos vectores. Sin
embargo, en esta sección se verá que cada espacio vectorial V tiene un número …nito
de vectores que lo describe completamente.
De…nición 4.6.1 Un conjunto B = fu1 ; u2 ; u3 ; : : : ; un g de vectores de un espacio

vectorial V se denomina base de V si.
1. B genera V y
2. B es linealmente independiente.
Ejemplo 4.6.1 Demuestre que el conjunto
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
es una base de R3 .
Solución. Primeramente demostremos que B genera R3 . Sea u = (x1 ; x2 ; x3 ) un

vector arbitrario de R3 , ahora encontremos escalares a1 ; a2 y a3 tales que
u = a1 e1 + a2 e2 + a3 e3
(x1 ; x2 ; x3 ) = a1 (1; 0; 0) + a2 (0; 1; 0) + a3 (0; 0; 1)
que produce el siguiente sistema no homogéneo.

2 32 3 2 3
1 0 0 a1 x1
4 0 1 0 5 4 a2 5 = 4 x2 5
0 0 1 a3 x3
cuya solución obviamente es a1 = x1 ; a2 = x2 y a3 = x3 . Luego
(x1 ; x2 ; x3 ) = x1 (1; 0; 0) + x2 (0; 1; 0) + x3 (0; 0; 1)
Por tanto B genera a R3 . Por otra parte según el ejemplo 4.5.1 se sabe que B es
linealmente independiente, en consecuencia B constituye una base para R3 .X
La base B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g se denomina base nor-
mal o base estándar de R3 .
244
En general el conjunto
B = fe1 ; e2 ; e3 ; : : : ; en g
donde e1 = (1; 0; 0; : : : ; 0) ; e2 = (0; 1; 0; : : : ; 0) ; : : : ; en = (0; 0; 0; : : : ; 1). Forma

una base para Rn , denominado base normal de Rn .
Ejemplo 4.6.2 Según los ejemplos 4.4.4 y 4.5.3 el conjunto
B = fu1 = (6; 7; 6) ; u2 = (3; 2; 4) ; u3 = (1; 3; 2)g
es una base (no normal) de R3 .
Ejemplo 4.6.3 Demuestre que el conjunto
B = u1 = 1; u2 = x; u3 = x2 ; u4 = x3
es una base del espacio vectorial P3 de todos los polinomios de grado 3.
Solución. Es fácil demostrar que B genera P3 , puesto que todo polinomio
p(x) = a0 + a1 x + a2 x2 + a3 x3 2 P3
es combinación lineal de los elementos de B.

También, es fácil demostrar que B es linealmente independiente pues la ecuación
vectorial
a1 u1 + a2 u2 + a3 u3 + a4 u4 =
a1 + a2 x + a3 x2 + a4 x3 = 0 + 0x + 0x2 + 0x3
solo tiene la solución trivial. Por tanto B constituye una base de P3 .X

En general, el conjunto
B = u1 = 1; u2 = x; u3 = x2 ; : : : ; un+1 = xn
Forma una base del espacio vectorial Pn de todos los polinomios de grado n.
Observe que esta base B consta de n + 1 vectores.
Ejemplo 4.6.4 Se puede mostrar fácilmente que el conjunto.

1 0 0 1 0 0 0 0
B= u1 = ; u2 = ; u3 = ; u4 =
0 0 0 0 1 0 0 1
Es linealmente independiente y que genera M2 2. Por tanto B es una base para el
espacio vectorial M2 2 de todas las matrices 2 2.
245
Sea Aij una matriz en Mm n cuyo (i; j)-ésimo elemento es 1 y el resto de ellos
son cero. Por ejemplo en M2 3 ,
1 0 0 0 1 0 0 0 1
A11 = ; A12 = ; A13 = ;
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
A21 = ; A22 = ; A23 = :
1 0 0 0 1 0 0 0 1
Ejemplo 4.6.5 Demuestre que el conjunto B = fA11 ; A12 ; A13 ; A21 ; A22 ; A23 g es
una base de M2 3 .
Solución. Sea
a b c
A=
d e f
un elemento arbitrario en M2 3. Como
a b c
A= = aA11 + bA12 + cA13 + dA21 + eA22 + f A23
d e f
esto muestra que B genera M2 3. Similarmente, como
0 0 0
= = 0A11 + 0A12 + 0A13 + 0A21 + 0A22 + 0A23
0 0 0
entonces, B es linealmente independiente. Por tanto B constituye una base para
M2 3 .X
En general, el conjunto
B = fA11 ; A12 ; A13 ; : : : ; Amn g
Forma una base del espacio vectorial Mm n de todas las matrices m n. Observe
que esta base B consta de m n vectores.
Ejemplo 4.6.6 Demuestre que el conjunto B = fu1 = (3; 2) ; u2 = (4; 5)g es una
base de R2 .
Solución. De acuerdo con la de…nición de base de un espacio vectorial, se debe

mostrar que B genera a R2 y que sea linealmente independiente.
Para mostrar que B genera a R2 , se considera un vector arbitrario u = (x1 ; x2 )
de R2 y se debe encontrar escalares a1 y a2 tales que
u = a1 u1 + a2 u2
(x1 ; x2 ) = a1 (3; 2) + a2 (4; 5)
246
que produce el siguiente sistema no homogéneo
3 4 a1 x1
=
2 5 a2 x2
Por otra parte para mostrar que B es linealmente independiente, se considera la

siguiente ecuación vectorial
a1 u1 + a2 u2 =
a1 (3; 2) + a2 (4; 5) = (0; 0)
que produce el siguiente sistema homogéneo
3 4 a1 0
=
2 5 a2 0
Observe que las matrices aumentadas de los dos sistemas lineales planteados son
3 4 : x1 3 4 : 0
y
2 5 : x2 2 5 : 0
ambas con la misma matriz de coe…cientes a saber

3 4
2 5
Luego con solo calcular el determinante de la matriz de coe…cientes es posible saber

si cierto conjunto de vectores es o no una base para un espacio vectorial. En nuestro
caso como
3 4
= 23 6= 0
2 5
se ve que el sistema no homogéneo tiene solución única para todo vector (x1 ; x2 ) de
R2 , esto signi…ca que B genera R2 . De la misma forma también se deduce que el
sistema homogéneo admite solo la solución trivial y esto signi…ca que el conjunto B
es linealmente independiente. En consecuencia el conjunto B constituye una base
para R2 . X
Observación 4.6.1 Observemos que si B = fu1 ; u2 ; u3 ; : : : ; un g es una base para

un espacio vectorial V , entonces B 0 = fru1 ; u2 ; u3 ; : : : ; un g también, es una base
para el espacio vectorial V , donde r 6= 0. Luego todo espacio vectorial siempre tiene
in…nitas bases.
247
Teorema 4.6.1 Si B = fu1 ; u2 ; u3 ; : : : ; un g es una base de un espacio vectorial
V . Entonces todo vector u en V puede escribirse de una y sola una forma como
combinación lineal de los vectores de B.
Demostración. Supongamos que B = fu1 ; u2 ; u3 ; : : : ; un g es una base para V

entonces
1. B genera V .
2. B es linealmente independiente.
Por (1) todo elemento u de V es una combinación lineal de los vectores de B. es

decir
u = a1 u1 + a2 u2 + a3 u3 + + an un
Mostraremos que está expresión es única para u. Supongamos que existe otra expre-
sión de u de la forma.
u = b1 u 1 + b2 u 2 + b3 u 3 + + bn u n
Entonces
a1 u1 + a2 u2 + a3 u3 + + an un = b1 u1 + b2 u2 + b3 u3 + + bn u n
Luego
(a1 b1 ) u1 + (a2 b2 ) u2 + (a3 b3 ) u 3 + + (an bn ) u n =
Pero, por (2) se sabe que B es linealmente independiente, luego los escalares (ai bi )
son todos cero es decir,
a1 b1 = 0; a2 b2 = 0; a3 b3 = 0; : : : ; an bn = 0
De esto se ve que
a1 = b1 ; a2 = b2 ; a3 = b3 ; : : : ; an = bn
Esto muestra que u tiene una expresión única con respecto a la base B.X
A continuación presentamos dos resultados muy importantes concernientes a
bases.
Teorema 4.6.2 Si B = fu1 ; u2 ; u3 ; : : : ; un g es una base de un espacio vectorial

V , entonces todo conjunto que contiene más de n vectores en V es linealmente
dependiente.
248
En otras palabras, el teorema dice: Sea B = fu1 ; u2 ; u3 ; : : : ; un g una base de un
espacio vectorial V y sea S = fv1 ; v2 ; v3 ; : : : ; vm g un subconjunto de V . Si m > n,
entonces S es linealmente dependiente o equivalentemente. Si S es linealmente
independiente entonces m n.
Demostración. Sea S = fv1 ; v2 ; v3 ; : : : ; vm g cualquier conjunto de m vectores en V
donde m > n; para demostrar que S es linealmente dependiente debemos encontrar
escalares a1 ; a2 ; a3 ; : : : ; am (no todos cero) tales que
a1 v1 + a2 v2 + a3 v3 + + am vm = (1)
Puesto que B = fu1 ; u2 ; u3 ; : : : ; un g es una base de V , entonces cada vi 2 S es una

combinación lineal de los vectores de B esto se escribe así.
v1 = b11 u1 + b21 u2 + b31 u3 + + bn1 un

v2 = b12 u1 + b22 u2 + b32 u3 + + bn2 un
v3 = b13 u1 + b23 u2 + b33 u3 + + bn3 un
..
.
vm = b1m u1 + b2m u2 + b3m u3 + + bnm un
Al sustituir cada una de estas representaciones de los vi en la ecuación (1) y reagru-

pando convenientemente los términos se obtiene
a1 (b11 u1 + b21 u2 + + bn1 un ) + + am (b1m u1 + b2m u2 + + bnm un ) =

a1 b11 u1 + a1 b21 u2 + + a1 bn1 un + + am b1m u1 + am b2m u2 + + am bnm un =
(a1 b11 + a2 b12 + + am b1m ) u1 + + (a1 bn1 + a2 bn2 + + am bnm ) un =
d1 u1 + d2 u2 + d3 u3 + + dn un =
Donde
di = bi1 a1 + bi2 a2 + bi3 a3 + + bim am :
Pero como B = fu1 ; u2 ; u3 ; : : : ; un g es una base; los u1 ; u2 ; u3 ; : : : ; un forman un
conjunto linealmente independiente, de este modo se concluye que cada di = 0, así
se obtiene el siguiente sistema homogéneo
b11 a1 + b12 a2 + b13 a3 + b1m am =

b21 a1 + b22 a2 + b23 a3 + b2m am =
b31 a1 + b32 a2 + b33 a3 + b3m am =
.. .
. = ..
bn1 a1 + bn2 a2 + bn3 a3 + bnm am =
249
Observemos que este sistema homogéneo tiene menos ecuaciones que incógnitas
a1 ; a2 ; a3 ; : : : ; am y como todo sistema homogéneo con más incógnitas que ecua-
ciones tiene in…nitas soluciones, concluimos que este sistema tiene otras soluciones
además de la trivial por; consiguiente S es un conjunto linealmente dependiente. X
Ejemplo 4.6.7 Decida si los siguientes conjuntos son o no linealmente indepen-

dientes.
(a) S = fu1 = (2; 4; 2) ; u2 = (3; 3; 0) ; u3 = (5; 6; 5) ; u4 = (7; 6; 2)g de R3 .
(b) S = u1 = 1; u2 = 2 + x 4x2 ; u3 = 2 x3 ; u4 = 2 + x + x2 ; u5 = 2x + x2 3x3

de P3 :
Solución. (a) Puesto que R3 tiene una base que consta de tres vectores, entonces el
conjunto S que tiene 4 vectores por el teorema anterior, es linealmente dependiente.
(b) Similarmente como P3 tiene una base que consta de 4 vectores, entonces el
conjunto S que tiene 5 vectores, por el teorema anterior es linealmente dependiente.
X
Utilizando el resultado del teorema anterior se puede demostrar el siguiente.
Teorema 4.6.3 Si un espacio vectorial V tiene una base con n vectores, entonces
toda base de V tiene n vectores.
En otras palabras este teorema dice. Si
B = fu1 ; u2 ; u3 ; : : : ; un g y B 0 = fv1 ; v2 ; v3 ; : : : ; vm g
son dos bases para un espacio vectorial V , entonces n = m.
Demostración. Supongamos que B y B 0 son bases de V entonces.
1. B y B 0 generan V
2. B y B 0 son linealmente independientes
Como B es una base para V y B 0 es linealmente independiente, entonces por el

teorema anterior se tiene m n. Intercambiando los papeles de B y B 0 se tiene.
Como B 0 es una base para V y B es linealmente independiente entonces por el mismo
teorema se tiene n m. Por tanto se concluye que n = m. X
Observación 4.6.2 Si bien un espacio vectorial V tiene in…nitas bases, sin em-
bargo por el teorema anterior todas estas bases tienen el mismo número de vectores.
Entonces resulta bastante razonable la siguiente.
250
De…nición 4.6.2 La dimensión de un espacio vectorial V es el número de vectores
que componen una base de V .
La dimensión de un espacio vectorial V se denota por dim (V ).
Nota 4.6.1 La dimensión del espacio vectorial V = f g es cero.
De acuerdo a la de…nición de dimensión de un espacio vectorial. La dimensión de

un determinado espacio vectorial V se determina contando simplemente el número
de vectores que hay en alguna base para V .
Ejemplo 4.6.8 Se sabe que el conjunto
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
es una base para R3 y como esta base consta de 3 vectores entonces dim R3 = 3:
Nota 4.6.2 En general dim (Rn ) = n.
Ejemplo 4.6.9 El conjunto B = u1 = 1; u2 = x; u3 = x2 es una base de P2 de

modo que dim (P2 ) = 3:
Nota 4.6.3 En general dim (Pn ) = n + 1:
Ejemplo 4.6.10 El conjunto
1 0 0 1 0 0 0 0
B= u1 = ; u2 = ; u3 = ; u4 =
0 0 0 0 1 0 0 1
es una base de M2 2; luego dim (M2 2) =2 2 = 4.
Nota 4.6.4 En general dim (Mm n) =m n.
Si W es un subespacio de un espacio vectorial V de dimensión n, entonces se

puede demostrar que la dimensión de W es …nita y que dim (W ) n.
En efecto: Como dim (V ) = n, entonces n + 1 o más vectores son linealmente
dependientes. Además, como una base de W consta de vectores linealmente inde-
pendientes, no puede contener más de n elementos. En consecuencia, dim (W ) n.
Ejemplo 4.6.11 Sea W el subespacio de R3 generado por
S = fu1 = (0; 1; 1) ; u2 = (1; 0; 1) ; u3 = (1; 1; 2)g
251
Entonces todo vector u 2 W es de la forma
u = a1 u1 + a2 u2 + a3 u3
donde a1 ; a2 y a3 son números reales arbitrarios, se puede ver que S es linealmente

dependiente y u3 = u1 + u2 . De modo que,
S1 = fu1 = (0; 1; 1) ; u2 = (1; 0; 1)g
también genera a W . Como
S1 = fu1 = (0; 1; 1) ; u2 = (1; 0; 1)g
es linealmente independiente (veri…car). Luego, se concluye que S1 es una base de

W . Por tanto dim (W ) = 2 < 3 = dim R3 .
También, podemos considerar todos los subespacios de R2 . En el plano tenemos

en primer lugar, f g y R2 los subespacios triviales de dimensión 0 y 2 respectiva-
mente. El subespacio W de R2 generado por un vector u 6= es un subespacio
vectorial de R2 de dimensión uno; en este caso W es una recta que pasa por el
origen. Luego los subespacios de R2 son f g ; R2 y todas las rectas que pasan por el
origen.
Como se de…nió anteriormente, un conjunto S dado de vectores de un espacio
vectorial V es una base de V , si genera a V y es linealmente independiente. Sin
embargo, si tenemos la información adicional de que la dimensión de V es n, solo
necesitamos veri…car una de las dos condiciones, tal como a…rma el siguiente.
Teorema 4.6.4 Sea V un espacio vectorial de dimensión n.
(a) Si S = fu1 ; u2 ; u3 ; : : : ; un g es un conjunto de vectores de V linealmente inde-

pendiente, entonces S es una base de V .
(b) Si S = fu1 ; u2 ; u3 ; : : : ; un g genera a V , entonces S es una base de V .
Ejemplo 4.6.12 Demuestre que el siguiente conjunto de vectores es una base para
M4 1 .
8 2 3 2 3 2 3 2 39
>
> 1 0 0 0 >>
< 6 3 7 6 3 7 6 0 7 6 0 7=
S = u1 = 46 7 6 7
; u2 = 4 5 ; u3 = 4 6 7 6
; u1 = 4 5 7
>
> 5 5 6 2 5 0 >>
: ;
2 5 3 4
252
Solución. Como S consta de cuatro vectores y la dim (M4 1 ) = 4, se puede aplicar
el teorema anterior, veri…cando sólo una de las condiciones de base, a saber que
S es linealmente independiente o que S genera a M4 1 . Para veri…car que S es
linealmente independiente, se forma la ecuación vectorial.
a1 u1 + a2 u2 + a3 u3 + a4 u4 =
el cual produce el siguiente sistema homogéneo.

2 32 3 23
1 0 0 0 a1 0
6 3 3 0 0 7 6 a2 7 6 0 7
6 76 7=6 7
4 5 6 2 0 5 4 a3 5 4 0 5
2 5 3 4 a4 0
Como la única solución de este sistema es la trivial (veri…car), S debe ser linealmente
independiente. Así, por el teorema anterior S es una base de M4 1 . X
Ejemplo 4.6.13 ¿Cuáles de los siguientes subconjuntos de R3 es una base para

R3 ? Expresar el vector u = (8; 3; 8) como combinación lineal de los vectores de cada
subconjunto que sea base.
(a) S = fu1 = (6; 4; 1) ; u2 = (3; 5; 1) ; u3 = (8; 13; 6) ; u4 = (0; 6; 7)g
(b) U = fu1 = (7; 4; 3) ; u2 = (9; 5; 1)g
(c) W = fu1 = (4; 3; 2) ; u2 = (0; 3; 2) ; u3 = (0; 0; 2)g
(d) Q = fu1 = (0; 3; 2) ; u2 = (4; 0; 3) ; u3 = ( 8; 15; 16)g
Solución. Como dim R3 = 3, entonces cualquier base para R3 deberá contener

tres vectores, por tanto. Los conjuntos S y U no pueden ser base para R3 ; ya que S
contiene 4 vectores, si bien S genera R3 sin embargo como sabemos este conjunto es
linealmente dependiente, por otra parte el conjunto U solo contiene 2 vectores que
evidentemente es linealmente independiente pero no genera a R3 . Luego los únicos
candidatos a ser base son W y Q, para determinar si son o no base para R3 solo
necesitamos mostrar una condición que de…ne una base.
Mostremos que W es linealmente independiente para lo cual la siguiente ecuación
vectorial deberá tener sólo la solución trivial
a1 u1 + a2 u2 + a3 u3 =
a1 (4; 3; 2) + a2 (0; 3; 2) + a3 (0; 0; 2) = (0; 0; 0)
253
Esta ecuación vectorial produce el siguiente sistema homogéneo
2 32 3 2 3
4 0 0 a1 0
4 3 3 0 5 4 a2 5 = 4 0 5
2 2 2 a3 0
Como
4 0 0
3 3 0 = 24 6= 0
2 2 2
se concluye que este sistema homogéneo sólo admite la solución trivial, de este modo
el conjunto W resulta ser una base para R3 . A continuación expresemos el vector
u = (8; 3; 8) como una combinación lineal de los vectores de W .
Consideremos la ecuación vectorial
a1 (4; 3; 2) + a2 (0; 3; 2) + a3 (0; 0; 2) = (8; 3; 8)
que produce 2 32 3 2 3
4 0 0 a1 8
4 3 3 0 5 4 a2 5 = 4 3 5
2 2 2 a3 8
Al resolver este sistema obtenemos la siguiente solución a1 = 2; a2 = 1 y a3 = 3.
Por tanto
(8; 3; 8) = 2 (4; 3; 2) 1 (0; 3; 2) + 3 (0; 0; 2) .
Finalmente consideremos el conjunto Q como
0 4 8
3 0 15 =0
2 3 16
Concluimos que dicho conjunto no constituye base para R3 . X
Observación 4.6.3 Observe que el inciso (a) del ejemplo anterior no es base ya
que si bien S genera a R3 , pero no es linealmente independiente; similar situación
ocurre con (b) pues si bien U es linealmente independiente pero no genera a R3 ; los
siguientes teoremas se re…eren a estos casos.
Teorema 4.6.5 Si S = fu1 ; u2 ; u3 ; : : : ; un g es un conjunto de vectores distintos de

cero que genera un espacio vectorial V , entonces S contiene una base B de V .
254
Demostración. Si S mismo es linealmente independiente, entonces S es una base
de V . Si S es linealmente dependiente, entonces algún ui es una combinación lineal
de los otros vectores de S, ahora eliminando ui de S obtenemos un subconjunto S1
de S. Luego
S1 = fu1 ; u2 ; u3 ; : : : ; ui 1 ; ui+1 ; : : : ; un g
también genera a V (veri…car), si S1 es linealmente independiente entonces S1 es
una base de V . Si S1 es linealmente dependiente, eliminamos un vector que sea
combinación lineal de los otros vectores de S1 y así obtenemos un nuevo conjunto S2
que genera V . Al continuar con este proceso y puesto que S es un conjunto …nito,
hallamos un subconjunto B de S que es linealmente independiente y que genera a
V . En consecuencia el conjunto B es una base de V . X
Teorema 4.6.6 Si S = fu1 ; u2 ; u3 ; : : : ; um g es un conjunto de vectores linealmente

independiente de un espacio vectorial V de dimensión …nita n, entonces existe una
base B de V que contiene S.
Demostración. Sea S = fu1 ; u2 ; u3 ; : : : ; um g un conjunto de vectores linealmente

independiente de un espacio vectorial V de dimensión n, con m < n y fv1 ; v2 ; : : : ; vn g
una base para V y sea
S1 = fu1 ; u2 ; u3 ; : : : ; um ; v1 ; v2 ; v3 ; : : : ; vn g
como S1 genera a V , entonces por el teorema anterior contiene una base B de V ,

recordemos que B se obtiene por eliminación en S1 de todo vector que sea combi-
nación lineal de los otros vectores de S1 . Puesto que S es linealmente independiente
ninguno de los ui puede ser combinación lineal de los otros ui y así ninguno de ellos
se elimina. Entonces B tendrá que contener a S. X
Ejemplo 4.6.14 Sea V = R3 y sea
S = fu1 = (1; 0; 1) ; u2 = (0; 1; 1) ; u3 = (1; 1; 2) ; u4 = (1; 2; 1) ; u5 = ( 1; 1; 2)g
Vemos que S genera a R3 , ahora deseamos hallar un subconjunto de S que sea base
de R3 . Primero S es linealmente dependiente (veri…car) y que
2u1 + u2 u4 + u5 =
Entonces
u5 = 2u1 u2 + u4 :
si,
u = a1 u1 + a2 u2 + a3 u3 + a4 u4 + a5 u5
255
es cualquier vector de R3 , entonces
u = a1 u1 + a2 u2 + a3 u3 + a4 u4 + a5 ( 2u1 u2 + u4 )
Así, u resulta ser una combinación lineal de u1 ; u2 ; u3 y u4 esto a su vez signi…ca que
S1 = fu1 ; u2 ; u3 ; u4 g también genera a R3 . Se puede veri…car que S1 es linealmente
dependiente y que u1 + u2 u3 = , de modo que u3 = u1 + u2 , eliminando u3 de
S1 obtenemos S2 = fu1 ; u2 ; u4 g el cual también genera R3 . Se puede comprobar que
S2 es linealmente independiente (veri…que). Por tanto S2 es la base deseada de R3 .
Ejemplo 4.6.15 Encuentre una base de R3 que contenga al vector u = (1; 0; 1).
Solución. Para hallar una base de R3 que contiene al vector u = (1; 0; 1) utilizamos
el teorema anterior de la siguiente forma. Consideremos, la base natural de R3
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
Luego formemos el conjunto
S = fu = (1; 0; 1) ; e1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
Se puede veri…car fácilmente que e1 no es combinación lineal de u, entonces rete-
nemos e1 ; similarmente se puede veri…car que e2 no es combinación lineal de u y
e1 entonces tambíen retenemos e2 . De la misma forma se puede veri…car que e3
sí es una combinación lineal de los vectores u; e1 y e2 , luego eliminando e3 de S
obtenemos el conjunto
S1 = fu = (1; 0; 1) ; e1 = (1; 0; 0) ; e2 = (0; 1; 0)g
Que resulta ser una base de R3 que contiene al vector u = (1; 0; 1). X
4.7 Rango de una matriz

El rango de una matriz A es el número máximo de …las linealmente independientes
(también, es el número máximo de columnas linealmente independientes).
El rango de una matriz A se obtiene reduciéndola mediante operaciones elemen-
tales a una matriz escalonada. Luego el número de …las diferentes de cero de la
matriz reducida constituye el rango de la matriz lo que se denota por Ran (A).
Ejemplo 4.7.1 Hallar el rango de la matriz
2 3
1 2 1 4 2 5
6 2 4 3 1 6 1 7
A=6 4 1
7
2 3 10 6 3 5
2 4 4 6 8 8
256
Solución. Reduciendo esta matriz a la forma escalonada tenemos
2 3 2 3 2 3
1 2 1 4 2 5 1 2 1 4 2 5 1 2 1 4 2 5
6 2 4 3 1 6 1 7 3 6 0 0 1 7 2 9 7 6
3 6 0 0 1 7 2 9 7
6 7$6 7$ 7
4 1 2 3 10 6 3 5 4 0 0 2 6 4 2 5 4 0 0 0 20 0 16 5
2 4 4 6 8 8 0 0 2 14 4 18 0 0 0 0 0 0
Como, el rango es el número de …las distintas de cero que aparecen en la ma-

triz reducida. Entonces, concluimos que el rango de la matriz dada es 3, esto es
Ran (A) = 3: X
Una aplicación del rango de una matriz

Teorema 4.7.1 (Número de soluciones de un sistema de ecuaciones lineales)
Sea Ax = b un sistema de ecuaciones lineales en n-variables.
1. Si Ran (A) = Ran ([A : b]) = n. Entonces el sistema tiene solución única.
2. Si Ran (A) = Ran ([A : b]) < n. Entonces el sistema tiene in…nitas soluciones.
3. Si Ran (A) < Ran ([A : b]). Entonces el sistema no tiene solución.
Observación 4.7.1 Este teorema establece que el sistema Ax = b es consistente

si, y sólo si, el rango de A es igual al rango de [A : b]. Esto equivale a decir que
el sistema Ax = b es consistente (tiene por lo menos una solución) si, y sólo si, b
pertenece al espacio columna de A.
Ejemplo 4.7.2 Determine cuantas soluciones tiene cada uno de los siguientes sis-
temas de ecuaciones lineales
x1 +x2 x3 = 1 x1 +x2 x3 = 1
(a) x1 +x3 = 3 (b) x1 +x3 = 3
x1 +2x2 = 1 3x1 +2x2 x3 = 1
x1 +x2 x3 = 1
(c) x1 +x3 = 3
2x1 +x2 = 1
Solución. (a) Como

2 3 2 3
1 1 1 : 1 1 0 0 : 1
4
[A : b] = 1 0 1 : 3 5 ! 4
! 0 1 0 : 0 5
1 2 0 : 1 0 0 1 : 2
257
esto dice que Ran (A) = 3 y Ran ([A : b]) = 3. Ya que Ran (A) = Ran ([A : b]) = 3.
Se concluye que el sistema tiene solución única.
(b) Calculando Ran (A) y Ran ([A : b]) se tiene
2 3 2 3
1 1 1 : 1 1 0 1 : 3
[A : b] = 4 1 0 1 : 3 5 ! !4 0 1 2 : 4 5
3 2 1 : 1 0 0 0 : 0
entonces Ran (A) = 2 y Ran ([A : b]) = 2. Como Ran (A) = Ran ([A : b]) = 2 < 3.
Se concluye que el sistema tiene in…nitas soluciones.
c) Calculando Ran (A) y Ran ([A : b]) se tiene
2 3 2 3
1 1 1 : 1 1 0 1 : 0
[A : b] = 4 1 0 1 : 3 5 ! !4 0 1 2 : 0 5
2 1 0 : 1 0 0 0 : 1
esto muestra que Ran (A) = 2 y Ran ([A : b]) = 3. Puesto que Ran (A) < Ran ([A : b]),
es decir, como 2 < 3. Se concluye que el sistema no tiene solución alguna. X
Ejemplo 4.7.3 Determine los valores de (si es posible) tales que el siguiente
sistema tenga: a) solución única. b) in…nitas soluciones y c) ninguna solución.
x + y + z = 1
x + y + z =
x + y + z = 2
Solución. Recordemos que un sistema lineal de ecuaciones Ax = b tiene solución
única para cualquier matriz bn 1 si, y sólo si, jAj =
6 0. En nuestro caso considerando
el sistema dado en su forma matricial
2 32 3 2 3
1 1 x 1
4 1 1 54 y 5 = 4 5
2
1 1 z
se ve que
1 1
1 1 = 3
3 +2=( 1)2 ( + 2) = 0, sí y sólo si, =1o = 2
1 1
Por tanto para 6= 1 y 6= 2 el sistema tiene solución única, además para = 1
o = 2 el sistema no tiene solución única, esto es para = 1 o = 2, el sistema
puede tener in…nitas soluciones o ninguna solución. Si = 1 se tiene
2 3 2 3
1 1 1 : 1 1 1 1 : 1
[A : b] = 4 1 1 1 : 1 5 ! !4 0 0 0 : 0 5
1 1 1 : 1 0 0 0 : 0
258
esto muestra que Ran (A) = Ran ([A : b]) = 1 < 3. De este modo se concluye que
para = 1 el sistema tiene in…nitas soluciones.
Finalmente si = 2 se tiene
2 3 2 3
2 1 1 : 1 1 1 2 : 4
[A : b] = 4 1 2 1 : 2 5 ! !4 0 1 1 : 2 5
1 1 2 : 4 0 0 0 : 1
y de esto se ve que Ran (A) < Ran ([A : b]) esto es 2 < 3, luego para = 2 el
sistema no tiene solución. En resumen:
Para 6= 1; 2. El sistema tiene solución única.
Para = 1. El sistema tiene in…nitas soluciones.
Para = 2. El sistema no tiene solución. X
4.8 Coordenadas y cambio de bases

Sea V un espacio vectorial de dimensión n y sea B = fu1 ; u2 ; u3 ; : : : ; un g una base
de V , entonces cualquier vector u 2 V puede expresarse de forma única como com-
binación lineal de los vectores de la base B. Es decir, para todo u 2 V existen
escalares únicos a1 ; a2 ; a3 ; : : : ; an tales que
u = a1 u1 + a2 u2 + a3 u3 + + an un
Estos n escalares únicos a1 ; a2 ; a3 ; : : : ; an se denominan las coordenadas de u respecto

a la base B y forman la n-upla (a1 ; a2 ; a3 ; : : : ; an ) en Rn llamado el vector de coor-
denadas de u respecto a B. Denotamos este vector por (u)B = (a1 ; a2 ; a3 ; : : : ; an ) y
la matriz de coordenadas de u respecto a la base B denotamos por
2 3
a1
6 a2 7
6 7
[u]B = 6 6 a3 7
7
4 : 5
an
Nota 4.8.1 El orden de los vectores de la base B = fu1 ; u2 ; u3 ; : : : ; un g es impor-

tante a la hora de realizar la representación de coordenadas, por esta razón algunas
veces se denomina base ordenada.
Dicho de otra manera el orden es importante, tanto como lo es en matrices,

entonces las bases son en realidad bases ordenadas (utilizaremos esta frase cuando
necesitemos enfatizar el orden). Si reordenamos los vectores en una base debemos
considerarla una base (ordenada) diferente.
259
Ejemplo 4.8.1 Determine el vector de coordenadas de u = ( 2; 1; 3) con respecto
a la base normal
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
Solución. Como u = ( 2; 1; 3) se puede expresar de la forma.

( 2; 1; 3) = 2 (1; 0; 0) + (0; 1; 0) + 3 (0; 0; 1)
Entonces (u)B = ( 2; 1; 3). Así, las componentes de u son los mismos que sus
coordenadas con respecto a la base normal. X
Ejemplo 4.8.2 Determine el vector de coordenadas de u = ( 2; 1; 3) con respecto

a la base ordenada.
B 0 = fe2 = (0; 1; 0) ; e3 = (0; 0; 1) ; e1 = (1; 0; 0)g
Solución. Empezamos escribiendo u = ( 2; 1; 3) como una combinación lineal de

los vectores de B 0 . Esto es,
u = a1 e2 + a2 e3 + a3 e1
( 2; 1; 3) = a1 (0; 1; 0) + a2 (0; 0; 1) + a3 (1; 0; 0)
El cual produce el siguiente sistema
2 32 3 2 3
0 0 1 a1 2
4 1 0 0 5 4 a2 5 = 4 1 5
0 1 0 a3 3
Al resolver este sistema tenemos a1 = 1; a2 = 3 y a3 = 2. Luego,
( 2; 1; 3) = (0; 1; 0) + 3 (0; 0; 1) 2 (1; 0; 0)
de este modo (u)B 0 = (1; 3; 2). Note que (u)B 0 = (1; 3; 2) 6= (u)B = ( 2; 1; 3).
X
Ejemplo 4.8.3 Consideremos dos bases diferentes de R2 ; la base normal o base

canónica y la base no normal
B = fe1 = (1; 0) ; e2 = (0; 1)g y S = fu1 = (1; 2) ; u2 = (3; 1)g
respectivamente, como cada base genera a R2 , cualquier vector u en R2 puede ex-
presarse como combinación lineal de los vectores de cualquier base. En particular si
u = (11; 7) y v = ( 5; 5), entonces es fácil comprobar que
u = 11e1 + 7e2 = 2u1 + 3u2
v = 5e1 + 5e2 = 4u1 3u2
260
11 2
[u]B = y [u]S =
7 3
de modo similar
5 4
[v]B = y [v]S =
5 3
Ejemplo 4.8.4 Sea u = (11; 7) el vector del ejemplo anterior. Ahora consideremos
las bases ordenadas
T = fe2 = (0; 1) ; e1 = (1; 0)g y P = fu2 = (3; 1) ; u1 = (1; 2)g
entonces
u = (11; 7) = 7e2 + 11e1 = 3u2 + 2u1
Aquí, la importancia del orden no es evidente. Pero
7 11
[u]T = 6= [u]B =
11 7
3 2
[u]P = 6= [u]S =
2 3
Ahora la importancia del orden es bastante evidente.
Ejemplo 4.8.5 Consideremos el espacio vectorial P2 de los polinomios de grado

2, el conjunto
n o
B = p1 (t) = 1; p2 (t) = t 1; p3 (t) = (t 1)2 = t2 2t + 1
forma una base de P2 , sea p (t) = 2t2 5t + 6 un vector de P2 . El vector de

coordenadas de p (t) respecto a la base B se obtiene como sigue. Expresamos p (t)
como combinación lineal de los vectores de B esto es
p (t) = a1 p1 (t) + a2 p2 (t) + a3 p3 (t)
2
2t 5t + 6 = a1 (1) + a2 (t 1) + a3 t2 2t + 1
2 2
2t 5t + 6 = a1 + a2 t a2 + a3 t 2a3 t + a3
2 2
2t 5t + 6 = a3 t + (a2 2a3 ) t + (a1 a2 + a3 )
Igualando los coe…cientes de las mismas potencias de t se tiene
a1 a2 + a3 = 6
a2 2a3 = 5
a3 = 2
261
Resolviendo este sistema se obtiene a1 = 3; a2 = 1 y a3 = 2. De este modo,
p (t) = 3p1 (t) p2 (t) + 2p3 (t). Por tanto (p (t))B = (3; 1; 2).
Ejemplo 4.8.6 Consideremos el espacio vectorial R3 y la base
B = fu1 = (1; 1; 0) ; u2 = (1; 1; 0) ; u3 = (0; 1; 1)g
Sea u = (5; 3; 4) 2 R3 , encontrar (u)B .
Solución. El vector (u)B de coordenadas de u respecto a la base B se obtiene como
sigue. Expresamos u como una combinación lineal de los vectores de la base B. Esto
es,
u = a1 u1 + a2 u2 + a3 u3
(5; 3; 4) = a1 (1; 1; 0) + a2 (1; 1; 0) + a3 (0; 1; 1)
2 32 3 2 3
1 1 0 a1 5
4 1 1 1 5 4 a2 5 = 4 3 5
0 0 1 a3 4
La solución de este sistema es a1 = 3; a2 = 2 y a3 = 4. Así,
(5; 3; 4) = 3 (1; 1; 0) + 2 (1; 1; 0) + 4 (0; 1; 1)
por tanto (u)B = (3; 2; 4). X
Ejemplo 4.8.7 Sea B = fu1 = (2; 1) ; u2 = (1; 1)g una base de R2 . Hallar el vec-
tor de coordenadas de u respecto a la base B, siendo u = (x1 ; x2 ).
Solución. Hacemos
u = a1 u1 + a2 u2
(x1 ; x2 ) = a1 (2; 1) + a2 (1; 1)
el cual produce el siguiente sistema
2 1 a1 x1
=
1 1 a2 x2
Resolviendo este sistema se obtiene la siguiente solución
x+y x 2y
a1 = y a2 =
3 3
x+y x 2y
Por tanto (u)B = 3 ; 3 , en particular si u = (3; 6), entonces (u)B = (3; 3).
X
262
Nota 4.8.2 Existe una interpretación geométrica de las coordenadas de un vector
u respecto a una base B del espacio Rn :
Ilustremos esto, utilizando la base B = fu1 = (2; 1) ; u2 = (1; 1)g de R2 del
ejemplo anterior.
Consideremos primero el espacio R2 con los ejes x; y usuales. En este caso, los
vectores de la base B determinan un nuevo sistema de coordenadas de R2 , digamos
con ejes x0 ; y 0 donde
1. El eje x0 está en la dirección de u1 = (2; 1),
2. El eje y 0 está en la dirección de .u2 = (1; 1).
Tal y como se muestra en la siguiente …gura
y y
6• (3, 6 ) (3, 6 )
x' x'
−3 2 • •
3 5
−2 2 • •
2 5
• •
− 2 5
•
3 x x
y' y'
Además, la unidad de longitud de cada uno de los ejes será igual, respectivamente
a la longitud del vector de la base correspondiente.
Así, pues cada vector u = (x; y) o equivalentemente cada punto P (x; y) en
R2 tendrá unas nuevas coordenadas con respecto a los nuevos ejes x0 ; y 0 . Dichas
coordenadas son precisamente las de u con respecto a la base B.
En nuestro caso del ejemplo 4.8.7 la unidad de longitud de cada uno de los ejes
x0 ; y 0 será igual respectivamente a la p longitud de cada vector de la base B. Como
p
u1 = (2; 1) cuya longitud es ju1 j = 5 y u2p= (1; 1) cuya longitud es jup 2j = 2;
entonces la unidad de longitud del eje x0 es 5 mientras que del eje y 0 es 2 luego
p p
(u)B = (3 ju1 j ; 3 ju2 j) = 3 5; 3 2 = (6:7; 4:2) .
Observación 4.8.1 Obsérvese, que un cambio de sistema de coordenadas (de base)

no origina un nuevo vector, únicamente cambia las coordenadas del mismo vector,
es decir el vector no ha cambiado, solamente los rótulos llamados coordenadas del
vector han cambiado.
263
Ejemplo 4.8.8 El vector de coordenadas de u en R2 con respecto a la base no nor-
mal. B 0 = fu1 = (2; 1) ; u2 = (0; 1)g es (u)B 0 = (4; 1), determinar las coordenadas
de u respecto a la base normal B = fe1 = (1; 0) ; e2 = (0; 1)g.
Solución. Como (u)B 0 = (4; 1) esto signi…ca que

u = 4u1 + u2
u = 4 (2; 1) + (0; 1)
u = (8; 3)
Ahora como
u = (8; 3) = 8e1 3e2 = 8 (1; 0) 3 (0; 1)
se concluye que las coordenadas de u respecto a la base normal es (u)B = (8; 3).
X

4 8
[u]B 0 = y [u]B =
1 3
si de…nimos la matriz
2 0
P =
1 1
cuyas columnas corresponden a los vectores de la base B 0 se ve que P [u]B 0 = [u]B ,
esto es:
2 0 4 8
=
1 1 1 3
Ejemplo 4.8.9 El vector de coordenadas de u en R3 con respecto a la base no

normal, B 0 = fu1 = (1; 0; 1) ; u2 = (1; 1; 0) ; u3 = (0; 1; 1)g es (u)B 0 = (2; 3; 1), de-
termine el vector de coordenadas de u respecto a la base normal
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
Solución. Como (u)B 0 = (2; 3; 1) esto signi…ca que

u = 2u1 + 3u2 + u3
u = 2 (1; 0; 1) + 3 (1; 1; 0) + (0; 1; 1)
u = (5; 4; 3)
Ahora como
u = (5; 4; 3) = 5 (1; 0; 0) + 4 (0; 1; 0) + 3 (0; 0; 1)
se tiene (u)B = (5; 4; 3). X
264
Observación 4.8.3 Observe, como en el ejemplo anterior que
2 32 3 2 3
1 1 0 2 5
P [u]B 0 = 4 0 1 1 5 4 3 5 = 4 4 5 = [u]B
1 0 1 1 3
Donde las columnas de P son los vectores de la base B 0 .
Estos ejemplos muestran que el procedimiento para determinar el vector de

coordenadas con respecto a una base normal es directo, de hecho es simplemente
P [u]B 0 = [u]B . Sin embargo el problema se di…culta un poco cuando es necesario
determinar el vector de coordenadas con respecto a una base no normal, veamos
algunos ejemplos.
Ejemplo 4.8.10 Encuentre el vector de coordenadas de u = (3; 19; 2) con respecto

a la base no normal B 0 = fu1 = (8; 11; 0) ; u2 = (7; 0; 10) ; u3 = (1; 4; 6)g.
Solución. Empezamos escribiendo u como una combinación lineal de los vectores

de la base B 0 .
u = a1 u1 + a2 u2 + a3 u3
(3; 19; 2) = a1 (8; 11; 0) + a2 (7; 0; 10) + a3 (1; 4; 6)
El cual produce el siguiente sistema lineal

2 32 3 2 3
8 7 1 a1 3
4 11 0 4 5 4 a2 5 = 4 19 5
0 10 6 a3 2
Al resolver este sistema se ve que

2 3 2 3
8 7 1 : 3 1 0 0 : 1
4 11 0 4 : 19 5 ! !4 0 1 0 : 1 5
0 10 6 : 2 0 0 1 : 2
De este modo, obtenemos la siguiente solución a1 = 1; a2 = 1 y a3 = 2. Luego
(3; 19; 2) = 1 (8; 11; 0) 1 (7; 0; 10) + 2 (1; 4; 6)
Por tanto el vector de coordenadas de u = (3; 19; 2) con respecto a la base no normal
B 0 es (u)B 0 = (1; 1; 2). X
265
Ejemplo 4.8.11 Encuentre el vector de coordenadas de u = 11 + 18x 7x2 de P2
con respecto a la base no normal
B 0 = u1 = 4 + 3x + 3x2 ; u2 = 11 + 11x2 ; u3 = 9x + 2x2
Solución. Deseamos encontrar escalares únicos a1 ; a2 ; a3 tales que
u = a1 u1 + a2 u2 + a3 u3
11 + 18x 7x2 = a1 4 + 3x + 3x2 + a2 11 + 11x2 + a3 9x + 2x2
El cual produce el siguiente sistema lineal

2 32 3 2 3
4 11 0 a1 11
4 3 0 9 5 4 a2 5 = 4 18 5
3 11 2 a3 7
Al resolver este sistema se ve que

2 3 2 3
4 11 0 : 11 1 0 0 : 0
4 3 0 9 : 18 5 ! 4
! 0 1 0 : 1 5
3 11 2 : 7 0 0 1 : 2
De este modo, obtenemos la siguiente solución a1 = 0; a2 = 1 y a3 = 2. Luego
11 + 18x 7x2 = 0 4 + 3x + 3x2 11 + 11x2 + 2 9x + 2x2
Por tanto el vector de coordenadas de u = 11 + 18x 7x2 con respecto a la base no

normal B 0 es (u)B 0 = (0; 1; 2). X
4.9 Cambio de bases y matrices de transición

Recordemos que una vez seleccionado una base B = fu1 ; u2 ; u3 ; : : : ; un g de un es-
pacio vectorial V , todo vector u de V puede representarse mediante una n-upla
(u)B = (a1 ; a2 ; a3 ; : : : ; an ) llamado vector de coordenados de u respecto a la base B
o mediante la matriz 2 3
a1
6 a2 7
6 7
[u]B = 6 7
6 a3 7
4 : 5
an
llamada matriz de coordenadas de u respecto a la base B.
266
Puesto que esta matriz de coordenadas [u]B depende de la base B esta matriz
de coordenadas cambia, cada vez que se cambia la base B por otra base, entonces
surge en forma natural la siguiente pregunta. ¿Cómo variará nuestra representación
si elegimos otra base?
Es decir supongamos que cambiamos de base en un espacio vectorial, de una
base B a una nueva B 0 , ¿cómo está relacionada la matriz de coordenadas antigua
[u]B de un vector u con la matriz de coordenadas nueva [u]B 0 ?
En esta sección se mostrará como se relacionan las nuevas matrices de coorde-
nadas con las anteriores cuando se introduce una nueva base.
Por ejemplo. Supongamos que B = fu1 ; u2 ; u3 g y B 0 = fv1 ; v2 ; v3 g son bases or-

denadas para un espacio vectorial V = R3 de dimensión 3, examinaremos la relación
existente entre las matrices de coordenadas [u]B y [u]B 0 del vector u en V con res-
pecto a las bases B y B 0 respectivamente.
Como B 0 = fv1 ; v2 ; v3 g es una base de V , entonces todo vector de B puede
escribirse en forma única como combinación lineal de los vectores de B 0 . Es decir,
u1 = a11 v1 + a12 v2 + a13 v3

u2 = a21 v1 + a22 v2 + a23 v3
u3 = a31 v1 + a32 v2 + a33 v3
Denotemos con P la transpuesta de la matriz de coe…cientes anterior

2 3
a11 a21 a31
P = 4 a12 a22 a32 5
a13 a23 a33
Note que
P = [[u1 ]B 0 ; [u2 ]B 0 ; [u3 ]B 0 ]
Esta matriz P recibe el nombre de matriz de cambio de base (o matriz de transición)
desde la “antigua base” B hasta la “nueva base” B 0 .
Nota 4.9.1 Como los vectores u1 ; u2 ; u3 son linealmente independientes, la matriz

P es no singular o invertible. De hecho su inversa P 1 es la matriz de transición
de la base B 0 a la base B.
En efecto. Como B es una base, los vectores u1 ; u2 ; u3 son linealmente indepen-

dientes, esto implica que [u1 ]B 0 ; [u2 ]B 0 ; [u3 ]B 0 son linealmente independientes en
R3 . Así, P es una matriz 3 3 con columnas linealmente independientes, de modo
que P es invertible.
267
Ahora si u es cualquier vector de V y como B = fu1 ; u2 ; u3 g es una base de V
entonces
u = k1 u1 + k2 u2 + k3 u3
Expresando esta ecuación vectorial en términos de v1 ; v2 y v3 obtenemos
u = k1 (a11 v1 + a12 v2 + a13 v3 ) + k2 (a21 v1 + a22 v2 + a23 v3 ) + k3 (a31 v1 + a32 v2 + a33 v3 )
u = (a11 k1 + a21 k2 + a31 k3 ) v1 + (a12 k1 + a22 k2 + a32 k3 ) v2 + (a13 k1 + a23 k2 + a33 k3 ) v3
De este modo
2 3 2 3
k1 a11 k1 + a21 k2 + a31 k3
[u]B = 4 k2 5 y [u]B 0 = 4 a12 k1 + a22 k2 + a32 k3 5
k3 a13 k1 + a23 k2 + a33 k3
de acuerdo con esto obtenemos
2 32 3 2 3
a11 a21 a31 k1 a11 k1 + a21 k2 + a31 k3
P [u]B = 4 a12 a22 a32 5 4 k2 5 = 4 a12 k1 + a22 k2 + a32 k3 5 = [u]B 0
a13 a23 a33 k3 a13 k1 + a23 k2 + a33 k3
Es decir
P [u]B = [u]B 0 :
Así mismo, multiplicando la ecuación precedente por P 1 se tiene,
1
P [u]B 0 = [u]B :
Todo esto ilustra una situación más general, así como establece el siguiente.
Teorema 4.9.1 Sean B = fu1 ; u2 ; u3 ; : : : ; un g y B 0 = fv1 ; v2 ; v3 ; : : : ; vn g dos bases

para un espacio vectorial V de dimensión n, entonces existe una matriz única no
singular Pn n tal que para todo u en V se tiene
P [u]B = [u]B 0 Cambio de base de B a B 0
1
P [u]B 0 = [u]B Cambio de base de B 0 a B
Donde las columnas de P son las matrices de coordenadas de los vectores de B
respecto a la base B 0 . Esto es,
P = [[u1 ]B 0 [u2 ]B 0 [u3 ]B 0 : : : [un ]B 0 ]
A esta matriz se denomina matriz de transición de la base B a la base B 0 : Mientras
que a la matriz
P 1 = [[v1 ]B [v2 ]B [v3 ]B : : : [vn ]B ]
se denomina matriz de transición de la base B 0 a la base B.
268
Ejemplo 4.9.1 Sean B = fe1 = (1; 0) ; e2 = (0; 1)g y B 0 = fu1 = (2; 4) ; u2 = (1; 3)g
bases de R2 . Determine la matriz de transición de la base B a la base B 0 .
Solución. Expresando cada vector de la base B como combinación lineal de los

vectores de la base B 0 tenemos.
e1 = a1 u1 + a2 u2
(1; 0) = a1 (2; 4) + a2 (1; 3)
esto produce el siguiente sistema

2 1 a1 1
=
4 3 a2 0
cuya solución es a1 = 3=2 y a2 = 2. De este modo
3
(1; 0) = (2; 4) 2 (1; 3)
2
luego,
3=2
[e1 ]B 0 =
2
Similarmente,
e2 = b1 u1 + b2 u2
(0; 1) = b1 (2; 4) + b2 (1; 3)
esto produce el siguiente sistema

2 1 a1 0
=
4 3 a2 1
cuya solución es b1 = 1=2 y b2 = 1. De este modo
1
(0; 1) = (2; 4) + (1; 3)
2
luego,
1=2
[e2 ]B 0 =
1
En consecuencia la matriz de transición deseada es
3=2 1=2
P = [[e1 ]B 0 [e2 ]B 0 ] = :
2 1
X
269
Observación 4.9.1 Observe que las matrices aumentadas de los dos sistemas re-
sueltos son
2 1 : 1 2 1 : 0
y
4 3 : 0 4 3 : 1
ambas con la misma matriz de coe…cientes
2 1
4 3
Entonces es posible transformar las dos matrices aumentadas a su forma escalón
reducida por …las de manera simultánea así.
2 1 : 1 0 1 0 : 3=2 1=2
! !
4 3 : 0 1 0 1 : 2 1
Esto implica que la matriz de transición P de la base B a la base B 0 es

3=2 1=2
2 1
Esta observación ilustra otra forma más fácil de encontrar la matriz P .
Es decir si B = fu1 ; u2 ; u3 ; : : : ; un g y B 0 = fv1 ; v2 ; v3 ; : : : ; vn g son dos bases

(ordenadas) de un espacio vectorial V . Para encontrar la matriz de transición P de
la base B a la base B 0 ; primero se de…nen las matrices B y B 0 cuyas columnas son
los vectores de B y B 0 respectivamente. Luego se forma la matriz n 2n,
B0 : B
aplicando operaciones elementales de …las a esta matriz se reduce el lado izquierdo

a In , entonces la matriz de transición P de la base B a la base B 0 se encuentra en
el lado derecho. Esto es,
B0 : B ! ! [In : P ] :
Ejemplo 4.9.2 Sean B = fu1 = (1; 0; 2) ; u2 = (0; 1; 3) ; u3 = (1; 1; 1)g y

B 0 = fv1 = (2; 1; 1) ; v2 = (1; 0; 0) ; v3 = (0; 2; 1)g bases del espacio vectorial
V = R3 . Determine la matriz de transición P de B a B 0 .
Solución. Primeramente de…nimos las matrices B y B 0 cuyas columnas son los

vectores de las bases dadas esto es
2 3 2 3
1 0 1 2 1 0
B = 4 0 1 1 5 y B0 = 4 1 0 2 5
2 3 1 1 0 1
270
Luego formamos la matriz 3 2 3=3 6
2 3
2 1 0 : 1 0 1
0 4
B :B = 1 0 2 : 0 1 1 5
1 0 1 : 2 3 1
aplicando operaciones elementales de …las a esta matriz se reduce el lado izquierdo
a In , obteniendo así,
2 3 2 3
2 1 0 : 1 0 1 1 0 0 : 4 5 1
4 1 0 2 : 0 1 1 5 ! 4
! 0 1 0 : 7 10 1 5
1 0 1 : 2 3 1 0 0 1 : 2 2 0
A partir de lo anterior se concluye que la matriz de transición P de B a B 0 es.

2 3
4 5 1
P =4 7 10 1 5
2 2 0
Resulta fácil ahora veri…car que para todo u en V se cumple P [u]B = [u]B 0 . X
Ejemplo 4.9.3 Sean B = fu1 = (1; 3; 3) ; u2 = (1; 5; 6) ; u3 = (1; 4; 5)g y

B 0 = fv1 = (1; 0; 0) ; v2 = (0; 1; 0) ; v3 = (0; 0; 1)g bases del espacio vectorial
V = R3 . Determine la matriz de transición P de B a B 0 .
Solución. De…namos las matrices B y B 0 cuyas columnas son los vectores de las
bases dadas 2 3 2 3
1 1 1 1 0 0
B = 4 3 5 4 5 y B0 = 4 0 1 0 5
3 6 5 0 0 1
Luego juntamos las matrices B 0 y B para formar la matriz
2 3
1 0 0 : 1 1 1
B0 : B = 4 0 1 0 : 3 5 4 5
0 0 1 : 3 6 5
Observe que esta matriz ya esta en la forma [In : P ], en consecuencia la matriz de

transición deseada es simplemente.
2 3
1 1 1
P =B= 3 4 5 4 5
3 6 5
X
271
Ejemplo 4.9.4 Considérese la base
B 0 = u1 = 1 + 2x; u2 = 1 + 3x + 2x2 ; u3 = x + 3x2 de P2 . Hallar la matriz
de transición P de la base normal B = v1 = 1; v2 = x; v3 = x2 a la base B 0 .
Solución. Calculamos P reduciendo por …las la matriz [B 0 : B] a la forma [In : P ]

2 3 2 3
1 1 0 : 1 0 0 1 0 0 : 7 3 1
4 2 3 1 : 0 1 0 5 ! !4 0 1 0 : 6 3 1 5
0 2 3 : 0 0 1 0 0 1 : 4 2 1
De este modo la matriz buscada es

2 3
7 3 1
P =4 6 3 1 5
4 2 1
Ejemplo 4.9.5 Sean S = fv1 = (2; 0; 1) ; v2 = (1; 2; 0) ; v3 = (1; 1; 1)g y

T = fw1 = (6; 3; 3) ; w2 = (4; 1; 3) ; w3 = (5; 5; 2)g bases del espacio vectorial
V = R3 .
(a) Hallar la matriz de transición Q de la base T a la base S.
(b) Veri…car la ecuación Q [u]T = [u]S para u = (4; 9; 5).
Solución. (a) Primeramente de…nimos las matrices S y T cuyas columnas son los
vectores de las bases S y T esto es
2 3 2 3
2 1 1 6 4 5
S=4 0 2 1 5 y T =4 3 1 5 5
1 0 1 3 3 2
Luego formamos la matriz

2 3
2 1 1 : 6 4 5
[S : T ] = 4 0 2 1 : 3 1 5 5
1 0 1 : 3 3 2
aplicando operaciones elementales sobre …las se obtiene

2 3 2 3
2 1 1 : 6 4 5 1 0 0 : 2 2 1
4 0 2 1 : 3 1 5 5 ! 4
! 0 1 0 : 1 1 2 5
1 0 1 : 3 3 2 0 0 1 : 1 1 1
272
Lo cual implica que la matriz de transición Q de la base T a la base S es
2 3
2 2 1
Q=4 1 1 2 5
1 1 1
(b) Sea u = (4; 9; 5) expresando esta u en términos de la base T tenemos

(veri…que)
(4; 9; 5) = (6; 3; 3) + 2 (4; 1; 3) 2 (5; 5; 2)
de modo que 2 3
1
[u]T = 4 2 5
2
Similarmente expresando u = (4; 9; 5) en términos de la base S tenemos (veri…que).
(4; 9; 5) = 4 (2; 0; 1) 5 (1; 2; 0) + (1; 1; 1)
de modo que 2 3
4
[u]S = 4 5 5
1
en consecuencia
2 32 3 2 3
2 2 1 1 4
4
Q [u]T = 1 1 2 54 2 5=4 5 5 = [u]S
1 1 1 2 1
Ejemplo 4.9.6 Sean S y T las bases para R3 de…nidas en el ejemplo anterior.

Calcular la matriz de transición P de la base S a la base T de manera directa y
mostrar que Q = P 1 .
Solución. La matriz de transición P de la base S a la base T obtenemos reduciendo

por …las la matriz [T : S] a la forma [In : P ]
2 3 2 3 1 5
3
6 4 5 : 2 1 1 1 0 0 : 2 2 2
4 3 6 3 7
1 5 : 0 2 1 5 ! !4 0 1 0 : 1
2
1
2 2 5
3 3 2 : 1 0 1 0 0 1 : 1 0 2
273
De este modo la matriz de transición deseada es
2 3 1 5
3
2 2 2
6 1 1 3 7
P =4 2 2 2 5
1 0 2
Al multiplicar P por Q vemos que

2 3 1 5
32 3 2 3
2 2 2 2 2 1 1 0 0
6 3 74
P Q = 4 12 1
2 2 5 1 1 2 5=4 0 1 0 5=I
1 0 2 1 1 1 0 0 1
Por tanto concluimos que Q = P 1. X

Ejercicio 4.10.1 Describa el vector nulo o el neutro aditivo del espacio vectorial
dado:
(a) R4 , (b) C ( 1; 1), (c) M2 3 , (d) M1 1 , (e) P3 , (f ) M2 2 :
Ejercicio 4.10.2 Describa el inverso aditivo de un vector en el espacio vectorial

dado:
(a) R4 , (b) C ( 1; 1), (c) M2 3 , (d) M1 1 , (e) P3 , (f ) M2 2 :
En los ejercicios del 3 al 14, determine si el conjunto dado junto con las opera-
ciones indicadas, es un espacio vectorial. En caso negativo, identi…que por lo menos
uno de los 10 axiomas de espacio vectorial que no se cumple.
Ejercicio 4.10.3 El conjunto R2 con las siguientes operaciones
(x1 ; x2 ) + (y1 ; y2 ) = (x1 y1 ; x2 y2 ) y c (x; y) = (cx; cy) :
Ejercicio 4.10.4 M1 1 con las operaciones normales.
Ejercicio 4.10.5 El conjunto de todos los polinomios de quinto grado con las ope-
raciones normales.
Ejercicio 4.10.6 P el conjunto de todos los polinomios, con las operaciones nor-
males.
Ejercicio 4.10.7 El conjunto f(x; y) = x es un número realg con las operaciones

normales.
274
Ejercicio 4.10.8 El conjunto f(x; y) = x 0g con las operaciones normales.
Ejercicio 4.10.9 El conjunto de todas las matrices 2 2 de la forma
a b
c 0
con las operaciones normales.
Ejercicio 4.10.10 El conjunto de todas las matrices 2 2 de la forma
a b
c 1
Ejercicio 4.10.11 El conjunto de todas las matrices singulares (no invertibles) 2 2

Ejercicio 4.10.12 El conjunto de todas las matrices no singulares (invertibles) 2 2

Ejercicio 4.10.13 El conjunto de todas las matrices diagonales 2 2 con las ope-
raciones normales.
Ejercicio 4.10.14 C [0; 1], el conjunto de todas las funciones continuas de…nidas
sobre el intervalo [0; 1], con las operaciones normales.
En los ejercicios del 15 al 19 el conjunto dado con las operaciones dadas no es

un espacio vectorial. Enumerar los axiomas de la de…nición de espacio vectorial que
no se satisfacen.
Ejercicio 4.10.15 El conjunto de los números reales positivos con las operaciones
de adición ordinaria y la multiplicación ordinaria.
Ejercicio 4.10.16 El conjunto de todos los pares ordenados de números reales con
las siguientes operaciones
(x1 ; x2 ) + (y1 ; y2 ) = (x1 + y1 ; x2 + y2 ) y

c (x; y) = (x; cy) :
275
Ejercicio 4.10.17 El conjunto de todas las ternas ordenadas de números reales con
las operaciones
(x1 ; x2 ; x3 ) + (y1 ; y2 ; y3 ) = (x1 + y1 ; x2 + y2 ; x3 + y3 ) y

c (x1 ; x2 ; x3 ) = (cx1 ; 1; cx3 ) :
Ejercicio 4.10.18 El conjunto de todas las matrices 2 1
x
y
donde x 0, con las operaciones normales en M2 1.
Ejercicio 4.10.19 El conjunto de todos los pares ordenados de números reales con
las operaciones
(x1 ; x2 ) + (y1 ; y2 ) = (x1 + y1 ; x2 + y2 ) y

c (x; y) = (0; 0)
Ejercicio 4.10.20 Sea V el conjunto de los números reales positivos; de…namos
a+b=a b y r a = ar
Probar que V es un espacio vectorial.
Ejercicio 4.10.21 Sea V el conjunto de todas las funciones continuas de valor real.
Si f y g están en V , de…namos
(f + g) (x) = f (x) + g (x) y

(r f ) (x) = rf (x) :
Ejercicio 4.10.22 Sea V el conjunto que consta del único elemento . Sea
+ = y r =
Ejercicio 4.10.23 En vez de aplicar las de…niciones normales de suma y multipli-

cación escalar en R2 , suponga que estas dos operaciones se de…nen como sigue:
(a) (x1 ; x2 ) + (y1 ; y2 ) = (x1 + y1 ; x2 + y2 ) y c (x; y) = (cx; y) :
276
(b) (x1 ; x2 ) + (y1 ; y2 ) = (x1 ; 0) y c (x; y) = (cx; cy) :
p p
(c) (x1 ; x2 ) + (y1 ; y2 ) = (x1 + y1 ; x2 + y2 ) y c (x; y) = ( cx; cy) :
Con estas nuevas de…niciones ¿R2 es un espacio vectorial?
Ejercicio 4.10.24 En vez de aplicar las de…niciones normales de suma y multipli-

cación escalar en R3 , suponga que estas dos operaciones se de…nen como sigue:
(a) (x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ) = (x1 + x2 ; y1 + y2 ; z1 + z2 )

c (x; y; z) = (cx; cy; 0) :
(b) (x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ) = (0; 0; 0)
c (x; y; z) = (cx; cy; cz) :
(c) (x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ) = (x1 + x2 + 1; y1 + y2 + 1; z1 + z2 + 1)
c (x; y; z) = (cx; cy; 0) :
Con estas nuevas de…niciones ¿R3 es un espacio vectorial?
Subespacios vectoriales
Ejercicio 4.10.25 Probar que P2 es un subespacio de P3 .
Ejercicio 4.10.26 ¿Cuáles de los siguientes subconjuntos del espacio vectorial M2 3

de las matrices 2 3, son subespacios? El conjunto de las matrices de la forma.
a b c
(a) ; donde b = a + c:
d 0 0
a b c
(b) ; donde c > 0:
d 0 0
a b c
(c) ; donde a= 2c y f = 2c + d:
d e f
Ejercicio 4.10.27 ¿Cuáles de los siguientes subconjuntos de M2 2 son subespacios?

El conjunto de matrices 2 2.
(a) Simétricas.
(b) Singulares.
(c) No singulares.
277
Ejercicio 4.10.28 Sea V el espacio vectorial de las funciones continuas de valor
real considerado en el ejercicio 21. ¿Cuáles de los siguientes subconjuntos son sube-
spacios de V ? El conjunto de todas las
(a) Funciones no negativas f (x) 0.
(b) Funciones constantes.
(c) Funciones tales que f ( ) = 0.
(d) Funciones tales que f (0) = 5.
(e) Funciones tales que f ( x) = f (x).
(f ) Funciones tales que f ( x) = f (x).
(g) Funciones derivables.
Ejercicio 4.10.29 Demostrar que el conjunto de todas las soluciones del sistema
lineal AX = B; B 6= 0, no es un subespacio de Rn .
Ejercicio 4.10.30 Sea V un espacio vectorial y sean ; vectores de V . Probar

que el subconjunto de V que consta de todos los elementos de la forma a + b ,
donde a y b son números reales, es un subespacio de V .
Combinaciones lineales
Ejercicio 4.10.31 Considere los vectores u = (1; 3; 2) y v = (2; 1; 1) en R3 .
(a) Escribir w = (1; 7; 4) como una combinación lineal de u y v.
(b) Escribir w = (2; 5; 4) como una combinación lineal de u y v.
(c) ¿Para qué valores de k es w = (1; k; 5) una combinación lineal de u y v?
(d) Hallar una condición sobre a; b y c tal que w = (a; b; c) sea una combinación
lineal de u y v.
Ejercicio 4.10.32 Escribir u como una combinación lineal de los polinomios
p (x) = 2x2 + 3x 4 y q (x) = x2 2x 3
donde
(a) u = 3x2 + 8x 5:
278
(b) u = 4x2 6x 1.
Ejercicio 4.10.33 Escribir E como una combinación lineal de
1 1 1 1 1 1
A= ; B= y C=
0 1 1 0 0 0
Donde
3 1
(a) E = :
1 2
2 1
(b) E = :
1 2
Conjuntos generadores y subespacios generados (Lin(S))
Ejercicio 4.10.34 Mostrar que
S = f(1; 1; 1) ; (0; 1; 1) ; (0; 1; 1)g
genera a R3 , esto es, que todo vector (x; y; z) 2 R3 es una combinación lineal de los
vectores de S.
Ejercicio 4.10.35 Mostrar que el conjunto de polinomios

n o
S = (1 x)3 ; (1 x)2 ; (1 x) ; 1
genera el espacio P3 de los polinomios de grado 3.
Ejercicio 4.10.36 Determine si el conjunto
S = x2 2x; x3 + 8; x3 x2 ; x2 4
genera a P3 .
En los ejercicios del 37 al 40, determine si el conjunto S dado genera a R2 . En

caso negativo, proporcione una descripción geométrica del subespacio generado por
S.
Ejercicio 4.10.37 S = f(2; 1) ; ( 1; 2)g :
Ejercicio 4.10.38 S = f( 1; 2) ; (2; 4)g :
279
Ejercicio 4.10.39 S = f(1; 3) ; (2; 6) ; (4; 12)g :
Ejercicio 4.10.40 S = f( 1; 4) ; (4; 1) ; (1; 1)g :
En los ejercicios del 41 al 44, determine si el conjunto S dado genera a R3 . En

caso negativo, de una descripción geométrica del subespacio generado por S.
Ejercicio 4.10.41 S = f(4; 7; 3) ; ( 1; 2; 6) ; (2; 3; 5)g :
Ejercicio 4.10.42 S = f( 2; 5; 0) ; (4; 6; 3)g :
Ejercicio 4.10.43 S = f(1; 0; 3) ; (2; 0; 1) ; (4; 0; 5) ; (2; 0; 6)g :
Ejercicio 4.10.44 S = f(1; 4; 3)g :
Ejercicio 4.10.45 Mostrar que el plano yz; W = f(0; y; z)g en R3 es generado por
(a) S = f(0; 1; 1) ; (0; 2; 1)g :
(b) S = f(0; 1; 2) ; (0; 2; 3) ; (0; 3; 1)g :
Ejercicio 4.10.46 Demostrar que Lin (S) es la intersección de todos los subespacios
de V que contienen a S.
Dependencia lineal.
Ejercicio 4.10.47 Determinar si u y v son o no linealmente dependientes donde
(a) u = (1; 2; 3; 4) ; v = (4; 3; 2; 1) :
(b) u = ( 1; 6; 12) ; v = (2; 12; 24) :
(c) u = (0; 1) ; v = (0; 3) :
(d) u = (1; 0; 0) ; v = (0; 0; 2) :
4 2 2 1
(e) u = ; v= :
0 1 0 3
1 0 0 1
(f ) u = ; v= :
0 1 1 0
(g) u = x3 + 21 x2 16; v = 12 x3 1 2
4x + 8:
(h) u = x3 + 3x + 4; v = x3 + 4x + 3:
280
Ejercicio 4.10.48 Determinar si los siguientes vectores en R4 son linealmente de-
pendientes o independientes:
(a) u = (1; 3; 1; 4) ; v = (3; 8; 5; 7) ; w = (2; 9; 4; 2) :
(b) u = (1; 2; 4; 1) ; v = (2; 1; 0; 3) ; w = (3; 6; 1; 4) :
Ejercicio 4.10.49 Sea V = M2 3 el espacio vectorial de todas las matrices 2 3.

Determinar si las matrices A; B; C 2 V son linealmente dependientes o indepen-
dientes si:
1 2 3 1 1 4 3 8 7
(a) A = ; B= ; C= :
2 4 1 4 5 1 2 10 1
2 1 1 1 1 3 4 1 2
(b) A = ; B= ; C= :
3 2 4 2 0 5 1 2 3
Ejercicio 4.10.50 Sea V = P3 el espacio vectorial de los polinomios de grado 3.

Determinar si u; v; w 2 P3 son linealmente dependientes o independientes si:
(a) u = x3 4x2 + 2x + 3; v = x3 + 2x2 + 4x 1; w = 2x3 x2 3x + 5:
(b) u = x3 5x2 2x + 3; v = x3 4x2 3x + 4; w = 2x3 7x2 7x + 9:
Ejercicio 4.10.51 Sea V el espacio vectorial de las funciones de R en R. Mostrar

que f; g; h 2 V son linealmente independientes donde
(a) f (x) = ex ; g (x) = sen x; h (x) = x2 :
(b) f (x) = ex ; g (x) = e2x ; h (x) = x:
(c) f (x) = ex ; g (x) = sen x; h (x) = cos x:
Ejercicio 4.10.52 Supongamos que u; v y w son vectores linealmente independien-

tes. Mostrar que:
(a) u + v 2w; u v w; u + w son linealmente independientes.
(b) u + v 3w; u + 3v w; u + w son linealmente dependientes.
Ejercicio 4.10.53 Sea fv1 ; v2 ; v3 g un conjunto de vectores linealmente independien-

tes, de un espacio vectorial V . Determine a1 ; a2 y a3 para que
v = a1 v1 + a2 v2 + a3 v3 y v = (2a2 a1 ) v1 + (a3 a2 ) v2 + (a2 1) v3 :
281
Ejercicio 4.10.54 Sean a1 v1 +a2 v2 +a3 v3 = b1 v1 +b2 v2 +b3 v3 y ai 6= bi . Compruebe
que fv1 ; v2 ; v3 g es linealmente dependiente.
Ejercicio 4.10.55 Si V es un espacio vectorial y v1 ; v2 y v3 están en V . Demuestre

que si fv1 ; v2 ; v3 g es linealmente independiente, también lo es
fv1 v2 ; v2 v3 ; v3 + v1 g :
Ejercicio 4.10.56 ¿Cuáles de los siguientes conjuntos de vectores de M1 3 son

linealmente dependientes? Para aquellos que lo sean, exprese uno de los vectores
como combinación lineal de los restantes.
(a) 1 1 0 ; 0 2 3 ; 3 6 6 ; 1 2 3 :
(b) 1 1 0 ; 3 4 2 :
(c) 1 1 0 ; 0 2 3 ; 1 2 3 :
Ejercicio 4.10.57 Considerar el espacio vectorial V = M2 2. Hacer lo mismo que

en el ejercicio 56.
1 1 1 0 0 3 4 6
(a) ; ; ; :
2 1 0 2 2 1 8 6
1 1 1 0 0 1
(b) ; ; :
1 1 0 2 0 2
1 1 2 3 3 1 2 2
(c) ; ; ; :
1 1 1 2 2 1 1 1
Ejercicio 4.10.58 Considerar el espacio vectorial V = P2 . Hacer lo mismo que en

el ejercicio 56.
(a) x2 + 1; x 2; x + 3 :
(b) 2x2 + x; x2 + 3; x 2; x :
(c) 2x2 + x + 1; 3x2 + x 5; x + 13 :
Ejercicio 4.10.59 Sea V el espacio vectorial de las funciones continuas de valor

real. Hacer lo mismo que en el ejercicio 56.
(a) fcos x; sen x; ex g :
282
(b) fx; ex ; sen xg :
(c) x2 ; x; ex :
(d) cos2 x; sen2 x; cos 2x :
Ejercicio 4.10.60 Demuestre que cualquier conjunto de vectores que contenga al

vector nulo es linealmente dependiente.
Ejercicio 4.10.61 Demuestre que un subconjunto no vacío de un conjunto …nito de

vectores linealmente independiente es linealmente independiente.
Ejercicio 4.10.62 ¿En qué condiciones un conjunto que consta de un solo vector
es linealmente independiente?
En los ejercicios 63 a 67, determine si los conjuntos de funciones dados son o no

linealmente independientes en el espacio vectorial C ( 1; 1) de todas las funciones
con valores reales de…nidas sobre la recta de los números reales. Para aquellos que
sean linealmente dependientes, exprese, una de las funciones como una combinación
lineal de las otras.
Ejercicio 4.10.63 f1; sen x; cos xg :
Ejercicio 4.10.64 1; sen2 x; cos2 x :
Ejercicio 4.10.65 fex ; e xg :
Ejercicio 4.10.66 1; ln (2x) ; ln x2 :
Ejercicio 4.10.67 fsen x; sen 2x; sen 3xg :
Ejercicio 4.10.68 Si f y g se encuentran en C 1 , el espacio vectorial de todas las

funciones con derivadas continuas, entonces el determinante
f (x) g (x)
W (x) =
f 0 (x) g 0 (x)
se conoce como el wronskiano de f y g [llamado así por el matemático polaco -

francés Jósef Maria Hoené - Wronski (1776-1853), quien trabajó sobre la teoría de
determinantes y acerca de la …losofía de las matemáticas]. Demuestre que f y g son
linealmente independientes si su wronskiano no es idénticamente cero [es decir, si
hay alguna x tal que W (x) 6= 0].
283
Ejercicio 4.10.69 En general, el wronskiano de f1 ; f2 ; : : : ; fn en C (n 1) es el de-
terminante
f1 (x) f2 (x) fn (x)
f10 (x) f20 (x) fn0 (x)
W (x) =
: : : :
(n 1) (n 1) (n 1)
f1 f2 fn
y f1 ; f2 ; : : : ; fn son linealmente independientes, siempre que W (x) no sea idéntica-
mente cero. Repita los ejercicios 63 a 67 utilizando la prueba del wronskiano.
Bases y dimensión
Ejercicio 4.10.70 Escriba la base normal para el espacio vectorial dado
(a) R5 ; (b) M4 1; (c) M1 4; (d) P4 :
En los ejercicios del 71 al 74, explique por qué S no es una base de R3 .
Ejercicio 4.10.71 S = f(1; 3; 0) ; (4; 1; 2) ; ( 2; 5; 2)g :
Ejercicio 4.10.72 S = f(8; 9; 1) ; (1; 1; 4)g :
Ejercicio 4.10.73 S = f(0; 0; 0) ; (1; 1; 0) ; (0; 1; 1)g :
Ejercicio 4.10.74 S = f(6; 8; 1) ; (1; 1; 8) ; ( 3; 1; 6) ; (7; 1; 2)g :
En los ejercicios 75 y 76, explique por qué S no es una base de P2 .
Ejercicio 4.10.75 S = 1; 2x; x2 4; 5x :
Ejercicio 4.10.76 S = 1 x; 1 x2 ; 3x2 2x 1 :
En los ejercicios 77 y 78, explique por qué S no es una base de M2 2:
1 0 0 1
Ejercicio 4.10.77 S = ; :
0 1 1 0
1 0 0 1 1 0 8 4
Ejercicio 4.10.78 S = ; ; ; :
0 0 1 0 0 1 4 3
Ejercicio 4.10.79 Determinar si cada uno de los siguientes conjuntos de vectores

forma una base de R3 .
284
(a) S = f(1; 2; 1) ; (0; 3; 1)g :
(b) S = f(2; 4; 3) ; (0; 1; 1) ; (0; 1; 1)g :
(c) S = f(1; 5; 6) ; (2; 1; 8) ; (3; 1; 4) ; (2; 1; 1)g :
(d) S = f(1; 3; 4) ; (1; 4; 3) ; (2; 3; 11)g :
Ejercicio 4.10.80 ¿Cuáles de los siguientes subconjuntos forman una base de M3 1?

Expresar el vector 2 3
2
w= 1 5
4
3
como una combinación lineal de los vectores de cada subconjunto que sea base.
8 2 3 2 3 2 39
< 1 1 0 =
4 5
(a) S = u1 = 1 ; u2 = 2 4 5 ; u3 = 4 1 5 :
: ;
1 3 0
8 2 3 2 3 2 39
< 1 2 0 =
(b) S = u1 = 4 2 5 ; u2 = 4 1 5 ; u3 = 4 0 5 :
: ;
2 3 0
8 2 3 2 3 2 3 2 39
< 2 1 1 1 =
4 5
(c) S = u1 = 1 ; u2 = 2 4 5 ; u3 = 4 1 5 ; u4 = 4 5 5 :
: ;
3 1 4 1
Ejercicio 4.10.81 ¿Cuáles de los siguientes subconjuntos forman una base de P2 ?

Expresar el vector w = 5x2 2x + 8, como una combinación lineal de los vectores
de cada subconjunto que sea base.
(a) S = x2 + x; x 1; 3x2 2x 1 :
(b) S = x2 + 1; x 1 :
(c) S = x2 + x; x2 ; x2 + 1 :
(d) S = x2 + 1; x2 x+1 :
Ejercicio 4.10.82 ¿Cuáles de los siguientes subconjuntos forman una base de M2 2?

Expresar el vector
3 2
w=
4 3
como una combinación lineal de los vectores de cada subconjunto que sea base.
285
1 1 1 0 0 3 4 6
(a) S = ; ; ; :
2 1 0 2 2 1 8 6
1 1 1 0 0 1
(b) S = ; ; :
1 1 0 2 0 2
1 1 2 3 3 1 2 2
(c) S = ; ; ; :
1 1 1 2 2 1 1 1
Ejercicio 4.10.83 Hallar una base y la dimensión del subespacio W de R4 generado

por
(a) S = f(1; 4; 1; 3) ; (2; 1; 3; 1) ; (0; 2; 1; 5)g :
(b) S = f(1; 4; 2; 1) ; (1; 3; 1; 2) ; (3; 8; 2; 7)g :
Ejercicio 4.10.84 Sea V = M2 2 el espacio vectorial de todas las matrices 2 2y

sea W el subespacio generado por
1 5 1 1 2 4 1 7
S= ; ; ;
4 2 1 5 5 7 5 1
Hallar una base y la dimensión de W .
Ejercicio 4.10.85 Sea W el espacio generado por los polinomios
p (x) = x3 + 2x2 2x + 1; q (x) = x3 + 3x2 x + 4; r (x) = 2x3 + x2 7x 7
Hallar una base y la dimensión de W .
Ejercicio 4.10.86 Hallar una base y la dimensión del espacio solución W de cada
sistema homogéneo.
x +2y +2z = 0
(a) x +5y + z = 0 :
3x +5y +8z = 0
x 2y +7z = 0
(b) 2x +3y 2z = 0 :
2x y +z = 0
x +4y +2z = 0
(c) :
2x + y +5z = 0
286
Ejercicio 4.10.87 Hallar una base y la dimensión del espacio solución W de cada
sistema homogéneo.
x +2y 2z +2s t = 0
(a) x +2y + z +3s 2t = 0 :
2x +4y 7z + s +t = 0
x +2y z +3s 4t = 0
(b) 2x +4y 2z s +5t = 0 :
2x +4y 2z +4s 2t = 0
Ejercicio 4.10.88 Hallar la dimensión del espacio solución del sistema homogéneo
2 32 3 2 3
1 0 2 x1 0
4 2 1 3 5 4 x2 5 = 4 0 5
3 1 2 x3 0
Ejercicio 4.10.89 Hallar una base del espacio solución del sistema homogéneo.
2 3
2 3 x1 2 3
1 2 2 1 1 6 7 0
6 0 2 2 7 6 x2 7 6 7
6 2 1 76 6 0 7
x3 77=4 0 5
4 2 6 2 4 1 564 x4 5
1 4 0 3 0 0
x5
Rango de una matriz
Ejercicio 4.10.90 Hallar el rango de cada una de las matrices siguientes.

2 3
1 1 2 3
(a) 4 2 6 8 1 5:
5 3 2 10
2 3
1 2 0 3
(b) 4 3 2 1 0 5:
2 1 0 1
2 3
1 3 2 4
6 1 4 5 10 7
(c) 6
4 3
7:
2 1 2 5
3 5 8 16
287
Ejercicio 4.10.91 Comparando los rangos de las matrices de coe…cientes y aumen-
tada, determinar cuáles de los siguientes sistemas son consistentes.
2 3
2 3 x1 2 3
1 2 5 2 6 7 0
x2 7 4 5
(a) 4 2 3 2 4 56 4 x3 5 = 0 :
5 1 0 2 0
x4
2 3
2 3 x1 2 3
1 2 5 2 6 7 1
x2 7 4
(b) 4 2 3 2 4 56 4 x3 5 = 13 5 :
5 1 0 2 3
x4
2 3
2 3 x1 2 3
1 2 3 4 6 7 1
x2 7 4 5
(c) 4 4 1 5 6 56 4 x3 5 = 2 :
2 3 1 2 3
x4
2 32 3 2 3
1 1 1 x1 6
(d) 4 1 1 1 5 4 x2 = 2 5 :
5 4
5 1 5 x3 5
Ejercicio 4.10.92 Una matriz An n , es no singular si, y sólo si, Ran (A) = n.
Utilice este resultado para hallar cuáles de las siguientes matrices son no singulares.
2 3
1 2 3
(a) 4 1 2 3 5:
0 8 0
2 3
1 2 3
(b) 4 1 2 3 5:
0 1 1
2 3
1 1 4 1
6 1 2 3 2 7
(c) 64 1 3 2
7:
1 5
2 6 12 4
Ejercicio 4.10.93 Un sistema homogéneo AX = 0 donde A es una matriz

n n tiene solución no trivial si, y sólo si, Ran (A) < n. Utilice este hecho para
determinar cuáles de los siguientes sistemas homogéneos tienen solución no trivial.
288
2 32 3 2 3
1 2 1 x1 0
(a) 4 2 1 3 5 4 x2 = 0 5 :
5 4
5 4 3 x3 0
2 32 3 2 3
1 1 3 x1 0
(b) 4 0 1 0 5 4 x2 5 = 4 0 5 :
1 0 3 x3 0
2 32 3 2 3
1 1 2 1 x1 0
6 1 3 1 2 7 6 x2 7 6 0 7
(c) 6
4 1
76 7 = 6 7:
1 1 3 5 4 x3 5 4 0 5
1 2 1 1 x4 0
2 32 3 2 3
1 1 4 1 x1 0
6 1 2 3 2 7 6 x2 7 6 0 7
(d) 6
4
76 7 = 6 7:
1 3 2 1 5 4 x3 5 4 0 5
2 6 12 4 x4 0
Coordenadas y cambio de base

En los ejercicios del 94 al 97, se da el vector de coordenadas de u con respecto a
una base (no normal) B. Determinar el vector de coordenadas de u con respecto a
la base normal de Rn .
Ejercicio 4.10.94 B = f(2; 1) ; (0; 1)g ; (u)B = (4; 1) :
Ejercicio 4.10.95 B = f( 1; 4) ; (4; 1)g ; (u)B = ( 2; 3) :
Ejercicio 4.10.96 B = f(1; 0; 1) ; (1; 1; 0) ; (0; 1; 1)g ; (u)B = (2; 3; 1) :
Ejercicio 4.10.97
B = f(4; 0; 7; 3) ; (0; 5; 1; 1) ; ( 3; 4; 2; 1) ; (0; 1; 5; 0)g ; (u)B = ( 2; 3; 4; 1) :
En los ejercicios del 98 al 101, determine el vector de coordenadas de u en Rn

con respecto a la base B.
Ejercicio 4.10.98 B = f( 6; 7) ; (4; 3)g ; u = ( 26; 32) :
Ejercicio 4.10.99 B = f(8; 11; 0) ; (7; 0; 10) ; (1; 4; 6)g ; u = (3; 19; 2) :
Ejercicio 4.10.100 B = f(4; 3; 3) ; ( 11; 0; 11) ; (0; 9; 2)g ; u = (11; 18; 7) :
289
Ejercicio 4.10.101
B = f(9; 3; 15; 4) ; (3; 0; 0; 1) ; (0; 5; 6; 8) ; (3; 4; 2; 3)g ; u = (0; 20; 7; 15) :
En los ejercicios del 102 al 105, determine la matriz de transición de B a B 0 y

de B 0 a B. Luego veri…que que estas matrices son inversas entre si.
Ejercicio 4.10.102 B = f(1; 3) ; ( 2; 2)g ; B 0 = f( 12; 0) ; ( 4; 4)g :
Ejercicio 4.10.103 B = f(2; 2) ; (6; 3)g ; B 0 = f(1; 1) ; (32; 31)g :
Ejercicio 4.10.104 B = f(1; 0; 2) ; (0; 1; 3) ; (1; 1; 1)g ;

B 0 = f(2; 1; 1) ; (1; 0; 0) ; (0; 2; 1)g :
Ejercicio 4.10.105 B = f(1; 1; 1) ; (1; 1; 1) ; (0; 0; 1)g ;

B 0 = f(3; 2; 0) ; (0; 1; 1) ; (1; 0; 1)g :
Ejercicio 4.10.106 En el ejercicio 102, determine (u)B dado (u)B 0 = ( 1; 3) :
Ejercicio 4.10.107 En el ejercicio 103, determine (u)B dado (u)B 0 = (2; 1) :
1 2 1 0
S= ; y T = ;
1 3 2 1
bases ordenadas de M2 1, y sean
1 5
v= y w=
5 4
(a) Hallar las matrices de coordenadas de v y w respecto a la base S.
(b) ¿Cuál es la matriz de transición P de la base S a la base T ?
(c) Hallar las matrices de coordenadas de v y w respecto a T utilizando P .
(d) Hallar las matrices de coordenadas de v y w respecto a T directamente.
(e) Hallar la matriz de transición Q de la base T a la base S.
(f ) Hallar las matrices de coordenadas de v y w respecto a S utilizando Q. Com-

parar las respuestas con las de (a).
290
S = 0 1 1 ; 1 0 0 ; 1 0 1 y
T = 1 1 1 ; 1 2 3 ; 1 0 1
bases ordenadas de M1 3 y sean
v= 1 4 5 y w= 2 0 6
Seguir las instrucciones dadas en el ejercicio 108.

1 1 0 0 0 0 1 0
S = ; ; ; y
0 0 1 0 0 1 0 0
1 0 0 1 0 2 0 0
T = ; ; ;
0 0 1 0 0 1 1 1
dos bases ordenadas de M2 2 y sean
1 1 1 2
v= y w=
1 1 2 1
S = 2x2 + x; x2 + 3; x y T = x2 + 1; x 2; x + 3
dos bases ordenadas del espacio vectorial P2 y sean
v = 8x2 4x 6 y w = 7x2 x+9
Ejercicio 4.10.112 El conjunto

82 3 2 3 2 39
< 1 0 1 =
S= 4 1 5; 4 0 5; 4 1 5
: ;
1 1 0
es una base ordenada de M3 1.Hallar u si (u)S es:
2 3 2 3 2 3
2 0 0
(a) 4 1 5 ; (b) 4 0 5 ; (c) 4 2 5 :
3 1 1
291
Ejercicio 4.10.113 El conjunto S = x2 + 1; x + 1; x2 + x es una base ordenada
de P2 . Hallar u si (u)S es:
(a) (3; 1; 2) :
(b) (1; 0; 0) :
(c) (2; 0; 1) :
Ejercicio 4.10.114 Si el vector u de P2 tiene la matriz de coordenadas

2 3
1
4 2 5
3
con respecto a la base ordenada
S = x2 ; x; 1
Hallar [u]T si T = x2 + x + 1; x + 1; 1 :
Ejercicio 4.10.115 Sean B y C bases para M2 1. Si
1 2
C= ;
2 3
y la matriz de transición de la base B a la base C es
1 1
P =
1 2
Encuentre B.
Ejercicio 4.10.116 Sean B y C bases para P2 . Si
B = x; 1 + x; 1 x + x2
y la matriz de transición de la base B a la base C es

2 3
1 0 0
P = 4 0 2 1 5
1 1 1
Encuentre C.
292
CAPÍTULO 5
Espacios vectoriales con producto interior
En este capítulo se continúa el estudio de los espacios vectoriales reales, además,

salvo algunos ejemplos solo trataremos espacios vectoriales de dimensión …nita.
Recordemos que los conceptos de longitud, distancia y ángulo no aparecen en
el estudio de los espacios vectoriales presentados en el anterior capítulo. En este
capítulo impondremos una estructura adicional sobre un espacio vectorial V , a saber
el producto interior en V , el cual nos permitirá en forma natural considerar dichos
conceptos.

Para de…nir un producto interior en un espacio vectorial V se procede casi de la
misma manera como se de…nió un espacio vectorial general. Es decir, se enumera
una serie de axiomas que deben satisfacerse para que una función pueda cali…carse
como un producto interior.
De…nición 5.1.1 Sea V un espacio vectorial real. Supongamos que a cada par de
vectores (u; v) 2 V V se le asigna un escalar (número real) hu; vi 2 R, es decir
h; i : V V !R
(u; v) 7 ! hu; vi
Esta función se llama un producto interior en V si satisface los siguientes axiomas

para todo u; v; w 2 V y para todo r 2 R
1. hu; vi = hv; ui
293
2. hu; v + wi = hu; vi + hu; wi
3. r hu; vi = hru; vi
4. hu; ui 0 y hu; ui = 0 , u = :
Un espacio vectorial con producto interior se conoce como espacio euclideano o
espacio vectorial con producto interior, y el número real hu; vi se llama el producto
interior de u y v.
Ejemplo 5.1.1 Sea V = R2 entonces la función h ; i : R2 R2 ! R, de…nida
mediante
hu; vi = h(x1 ; x2 ) ; (y1 ; y2 )i = x1 y1 + x2 y2
para todo ((x1 ; x2 ) ; (y1 ; y2 )) 2 R2 R2 . Es un producto interior en R2 , en efecto.
Sean u = (x1 ; x2 ) ; v = (y1 ; y2 ) ; w = (z1 ; z2 ) elementos de R2 y sea r un número real,
entonces.
(1)
hu; vi = h(x1 ; x2 ) ; (y1 ; y2 )i
= x1 y1 + x2 y2
= y1 x1 + y2 x2
= h(y1 ; y2 ) ; (x1 ; x2 )i = hv; ui
(2)
hu; v + wi = h(x1 ; x2 ) ; (y1 ; y2 ) + (z1 ; z2 )i
= h(x1 ; x2 ) ; (y1 + z1 ; y2 + z2 )i
= x1 (y1 + z1 ) + x2 (y2 + z2 )
= x1 y1 + x1 z1 + x2 y2 + x2 z2
= x1 y1 + x2 y2 + x1 z1 + x2 z2
= h(x1 ; x2 ) ; (y1 ; y2 )i + h(x1 ; x2 ) ; (z1 ; z2 )i
= hu; vi + hu; wi
(3)
r hu; vi = r h(x1 ; x2 ) ; (y1 ; y2 )i
= r (x1 y1 + x2 y2 )
= rx1 y1 + rx2 y2
= h(rx1 ; rx2 ) ; (y1 ; y2 )i
= hr (x1 ; x2 ) ; (y1 ; y2 )i
= hru; vi
294
(4)
hu; ui = h(x1 ; x2 ) ; (x1 ; x2 )i

= x1 x1 + x2 x2
= x21 + x22 0 y
hu; ui = 0 () u =
Todo esto muestra que la función h ; i : R2 R2 ! R, de…nida mediante
hu; vi = h(x1 ; x2 ) ; (y1 ; y2 )i = x1 y1 + x2 y2 :
Es un producto interior en R2 :
En general si V = Rn entonces la función.h ; i : Rn Rn ! R, de…nida mediante
hu; vi = h(x1 ; x2 ; : : : ; xn ) ; (y1 ; y2 ; : : : ; yn )i = x1 y1 + x2 y2 + + xn yn
Es un producto interior en Rn . Este producto interior se llama producto interior

euclideano para Rn .
Observación 5.1.1 Observe que para demostrar que una función h; i : V V ! R

es un producto interior en V es necesario demostrar que h; i satisface los cuatro
axiomas de producto interior.
Por supuesto en un mismo espacio vectorial V se pueden de…nir varios productos

interiores, así como vemos en el siguiente.
Ejemplo 5.1.2 Demuestre que la siguiente función.h ; i : R2 R2 ! R, de…nida

mediante
hu; vi = h(x1 ; x2 ) ; (y1 ; y2 )i = 3x1 y1 + 4x2 y2 :
Es un producto interior en R2 .
Solución. (1)
hu; vi = h(x1 ; x2 ) ; (y1 ; y2 )i

= 3x1 y1 + 4x2 y2
= 3y1 x1 + 4y2 x2
= h(y1 ; y2 ) ; (x1 ; x2 )i = hv; ui
295
(2)
hu; v + wi = h(x1 ; x2 ) ; (y1 ; y2 ) + (z1 ; z2 )i
= h(x1 ; x2 ) ; (y1 + z1 ; y2 + z2 )i
= 3x1 (y1 + z1 ) + 4x2 (y2 + z2 )
= 3x1 y1 + 3x1 z1 + 4x2 y2 + 4x2 z2
= 3x1 y1 + 4x2 y2 + 3x1 z1 + 4x2 z2
= h(x1 ; x2 ) ; (y1 ; y2 )i + h(x1 ; x2 ) ; (z1 ; z2 )i
= hu; vi + hu; wi
(3)
r hu; vi = r h(x1 ; x2 ) ; (y1 ; y2 )i
= r (3x1 y1 + 4x2 y2 )
= 3rx1 y1 + 4rx2 y2
= h(rx1 ; rx2 ) ; (y1 ; y2 )i
= hr (x1 ; x2 ) ; (y1 ; y2 )i
= hru; vi
(4)
hu; ui = h(x1 ; x2 ) ; (x1 ; x2 )i
= 3x1 x1 + 4x2 x2
= 3x21 + 4x22 0 y
hu; ui = 0 () u =
Esto completa la demostración. X
En general la función.h ; i : Rn Rn ! R, de…nida mediante
hu; vi = h(x1 ; x2 ; : : : ; xn ) ; (y1 ; y2 ; : : : ; yn )i = c1 x1 y1 + c2 x2 y2 + + cn xn yn
donde ci > 0. Es un producto interior en Rn .
Nota 5.1.1 Si c1 0, entonces la función anterior no de…ne un producto interior.
Ejemplo 5.1.3 Sea V = Pn el espacio vectorial real de todos los polinomios de

grado n. Si p (x) y q (x) están en Pn entonces la función.h ; i : Pn Pn ! R,
dado por Z 1
hp (x) ; q (x)i = p (x) q (x) dx
0
De…ne un producto interior en Pn . (veri…car)
296
En el siguiente ejemplo se de…ne otro producto interior en Pn diferente al anterior.
Ejemplo 5.1.4 Sea V = Pn el espacio vectorial real de todos los polinomios de

grado n. Si
p (x) = a0 + a1 x + a2 x2 + + an xn y q (x) = b0 + b1 x + b2 x2 + + bn xn
están en Pn , entonces la función h ; i : Pn Pn ! R, dado por
hp (x) ; q (x)i = a0 b0 + a1 b1 + + an bn
De…ne un producto interior en Pn . (veri…car)
Ejemplo 5.1.5 Sea V = Mm n el espacio vectorial real de todas las matrices m n.

Un producto interior en Mm n es
m X
X n
t
hA; Bi = tr B A = aij bij
i=1 j=1
Que es la suma de los productos de los elementos correspondientes. (veri…car)
Notemos que si
2 3 2 3
4 5 2 1 1 2 5 1
4
A= 6 7 3 0 5 y B=4 6 7 2 4 5
0 2 4 5 5 2 4 3
son elementos de M3 4. Entonces

3 X
X 4
hA; Bi = aij bij = 4 + 10 10 1 36 49 6+0+0 4 + 16 + 15 = 61
i=1 j=1
También
2 3
1 6 5 2 3
6 4 5 2 1
2 7 2 7
hA; Bi = tr B t A = tr 6
4
74 6 7 3 0 5
5 2 4 5
0 2 4 5
1 4 3
2 3
32 57 40 26
6 50 43 25 8 7
= tr 6
4
7= 32 43 + 14 = 61
8 31 0 15 5
20 27 2 14
297
Ejemplo 5.1.6 Sea C [a; b] el espacio vectorial de todas las funciones reales conti-
nuas de…nidas en [a; b] y sean f y g funciones continuas de valores reales, la siguiente
función
h; i = C [a; b] C [a; b] ! R
dado por
Z b
hf (x) ; g (x)i = f (x) g (x) dx
a
Es un producto interior en C [a; b]. (veri…car)
Ejemplo 5.1.7 Sea C [a; b] nuevamente el espacio vectorial de todas las funciones
reales continuas de…nidas en el intervalo [a; b] si h es una función continua dada,
positiva en [a; b]. Otro producto interior en C [a; b] es
Z b
hf (x) ; g (x)i = h (x) f (x) g (x) dx
a
En este caso, h (x) se denomina función peso para el producto interior.
5.2 Longitud o norma y ángulo

De…nición 5.2.1 La longitud o norma de un vector u en un espacio vectorial eucli-
deano, se de…ne como el número real no negativo.
p
kuk = hu; ui:
Así, en particular, la longitud de un vector u = (x1 ; x2 ; : : : ; xn ) en Rn , con

producto interior euclideano es
p q
kuk = hu; ui = x21 + x22 + + x2n
Mientras, que la longitud de un vector f en C [a; b] con producto interior de…nido

en el ejemplo 5.1.6 es
s
p Z b
kf k = hf (x) ; f (x)i = (f (x))2 dx
a
Si kuk = 1 entonces se dice que u es un vector unitario o que u está normalizado.

De hecho todo vector no nulo v 2 V puede multiplicarse por el inverso de su longitud
para obtener el vector unitario, esto es
1
u= v
kvk
298
vector unitario normalizado. Que es un múltiplo positivo de v. Este proceso se
conoce como normalización de v.
Ejemplo 5.2.1 Sea V = R3 y sea v = ( 3; 4; 2), entonces la longitud o norma de

v es q
p p p
kvk = hv; vi = ( 3)2 + (4)2 + (2)2 = 9 + 16 + 4 = 29 6= 1
Note que este vector no es unitario, sin embargo
1 1 3 4 2
u= v = p ( 3; 4; 2) = p ;p ;p
kvk 29 29 29 29
Es un vector normalizado es decir vector unitario.
De…nición 5.2.2 La distancia entre dos vectores u y v en un espacio vectorial

euclideano está dado por.
d (u; v) = ku vk
Ejemplo 5.2.2 Use el producto interior hp (x) ; q (x)i = a0 b0 + a1 b1 + a2 b2 en P2 ,

para determinar
(a) hp (x) ; q (x)i
(b) kp (x)k
(c) d (p (x) ; q (x))
para los siguientes polinomios
p (x) = 1 x + 3x2 y q (x) = x x2
Solución. (a)
hp (x) ; q (x)i = 1 x + 3x2 ; x x2 = (1) (0) + ( 1) (1) + (3) ( 1) = 4:
(b) Como
hp (x) ; p (x)i = 1 x + 3x2 ; 1 x + 3x2 = (1) (1) + ( 1) ( 1) + (3) (3) = 11

p p
entonces kp (x)k = hp (x) ; p (x)i = 11:
(c) Como
p (x) q (x) = 1 x + 3x2 x x2 = 1 x + 3x2 x + x2 = 1 2x + 4x2
299
Entonces,
p
d (p (x) ; q (x)) = kp (x) q (x)k = hp (x) q (x) ; p (x) q (x)i
p
= h1 2x + 4x2 ; 1 2x + 4x2 i
q p
= (1)2 + ( 2)2 + (4)2 = 21:
X
De…nición 5.2.3 Si u y v son vectores no nulos en un espacio vectorial euclideano,
se de…ne el coseno del ángulo entre ellos como
hu; vi
cos =
kuk kvk
Se acepta, sin decirlo, que al de…nir el coseno del ángulo entre u y v se tiene
por deducción, también de…nido el ángulo en cuestión, tomando solamente el valor
principal del coseno inverso. Es decir,
1 hu; vi
= cos
kuk kvk
Ejemplo 5.2.3 Sea V = C [0; 1] el espacio vectorial de todas las funciones reales
continuas de…nidas en [0; 1] con el producto interior de…nido por
Z 1
hf; gi = f (x) g (x) dx
0
Si f (x) = x + 2, entonces la longitud de f es.
s r
p Z 1
2 19
kf k = hf; f i = (x + 2) dx =
0 3
Si g (x) = 2x 3, entonces para determinar el coseno del ángulo entre f y g
procedemos como sigue. En primer lugar calculamos
s r
p Z 1
2 13
kgk = hg; gi = (2x 3) dx =
0 3
A continuación, determinamos
Z 1 Z 1
29
hf; gi = (x + 2) (2x 3) dx = 2x2 + x 6 dx =
0 0 6
Entonces
29
hf; gi 6 29
cos = =q q = p :
kf k kgk 19 13 2 (19) (13)
3 3
300
Ejemplo 5.2.4 Sea V = P1 el espacio vectorial de todos los polinomios de grado
menor o igual que 1 con producto interior.
Z 1
hp; qi = p (x) q (x) dx
0
Encuentre, el ángulo entre los vectores p (x) = 1 x y q (x) = x.
Solución. Primeramente determinemos
Z 1 Z 1
1
hp; qi = (1 x) (x) dx = x x2 dx =
0 0 6
p p
Seguidamente determinamos kpk = hp; pi y kqk = hq; qi. Como
Z 1 Z 1
1
hp; pi = (1 x) (1 x) dx = 1 2x + x2 dx =
0 0 3
p q
entonces kpk = hp; pi = 13 . Similarmente, como
Z 1 Z 1
1
hq; qi = (x) (x) dx = x2 dx =
0 0 3
p q
entonces kqk = hq; qi = 13 . Luego
1 1
hp; qi 1
cos = = q 6q = 6
1 =
kpk kqk 1 1 3
2
3 3
En consecuencia = cos 1 1
2 = 3. X
Ejemplo 5.2.5 Utilizando el producto interno
hu; vi = h(u1 ; u2 ) ; (v1 ; v2 )i = 2u1 v1 + 3u2 v2
en el espacio vectorial R2 , dibuje un esquema de la esfera (círculo) unitaria(o).
Solución. Si u = (x; y) 2 R2 , entonces
hu; ui = 2x2 + 3y 2 :
En razón de que la esfera (círculo) unitaria(o) está compuesta por todos los u tales
que kuk = 1, se tiene
p p
1 = kuk = hu; ui = 2x2 + 3y 2
o equivalentemente,
2x2 + 3y 2 = 1
Ésta es la ecuación de una elipse, cuya grá…ca se muestra en la siguiente …gura.X
301
1
3
1 1
−
2 2
1
−
3
5.3 Ortogonalidad
De…nición 5.3.1 Sea V un espacio vectorial con producto interior. Los vectores
u; v 2 V se dice que son ortogonales si hu; vi = 0.
Claramente, la relación es simétrica; esto es, si u es ortogonal a v, entonces

hu; vi = 0, pero como hu; vi = hv; ui = 0. Por tanto, v es ortogonal a u.
Obsérvese, que 2 V es ortogonal a todo vector u 2 V , ya que
h ; ui = h0u; ui = 0 hu; ui = 0
Recíprocamente, si u es ortogonal a todo vector v 2 V , entonces hu; ui = 0, luego

u= .
Ejemplo 5.3.1 Use el producto interior
hA; Bi = 2a11 b11 + a12 b12 + a21 b21 + 2a22 b22
para determinar (a) hA; Bi, (b) ¿son ortogonales A y B? Para las siguientes ma-
trices de M2 2 .
1 3 0 2
A= y B=
4 2 1 1
Solución. (a)
hA; Bi = 2 ( 1) (0) + (3) ( 2) + (4) (1) + 2 ( 2) (1) = 6+4 4= 6
(b) Como hA; Bi = 6 6= 0, se concluye que A y B no son ortogonales. X
302
Ejemplo 5.3.2 Determine, si las siguientes matrices en M2 2 con el producto in-
terior
X2 X 2
hA; Bi = tr B t A = aij bij
i=1 j=1
son o no ortogonales
7 8 2 5
A= y B=
2 4 3 5
Solución. Como
2 3 7 8 20 4
hA; Bi = tr B t A = tr = tr = 20 + 20 = 0
5 5 2 4 45 20
Se concluye que A y B son ortogonales. X
Ejemplo 5.3.3 Sea V = C [0; 1] el espacio vectorial de todas funciones reales con-
tinuas en [0; 1] con producto interior considerado en el ejemplo 5.2.3. Los vectores
x y x 23 son ortogonales, pues
Z 1 Z 1
2 2 2
x; x = x x dx = x2 x dx = 0
3 0 3 0 3
Nota 5.3.1 La ortogonalidad depende del producto interior especí…co que se usa.
Es decir, dos vectores pueden ser ortogonales con respecto a un producto interior
pero no con respecto a otros.
5.4 Desigualdad de Cauchy –Schwarz

La fórmula siguiente, llamada desigualdad de Cauchy –Schwarz, se usa en muchas
ramas de la matemática.
Teorema 5.4.1 (Cauchy – Schwarz) Sea V un espacio vectorial con producto inte-
rior. Entonces para todo u; v 2 V , se cumple
jhu; vij kuk kvk
Ejemplo 5.4.1 Sean u = (2; 3; 2; 1) y v = (4; 2; 1; 3) en V = R4 , con el producto

interior euclideano, entonces por una parte se tiene
hu; vi = (2) (4) + (3) (2) + (2) (1) + ( 1) (3) = 13
303
y por otra, se tiene
q p
kuk = (2)2 + (3)2 + (2)2 + ( 1)2 = 18
q p
kvk = (4)2 + (2)2 + (1)2 + (3)2 = 30
p p
Por lo tanto 13 18 30, esto muestra que jhu; vij kuk kvk :
Ejemplo 5.4.2 Sean f (x) = 1 y g (x) = x funciones en el espacio vectorial C [0; 1],
con el producto interior Z 1
0
Compruebe que jhf; gij kf k kgk :
Solución. Como
Z 1 Z 1
1
hf; gi = f (x) g (x) dx = hf; gi = xdx =
0 0 2
s
p Z 1 p
kf k = hf; f i = dx = 1 = 1
0
s r
p Z 1
1
kgk = hg; gi = x2 dx =
0 3
q
1 1
Por consiguiente jhf; gij = 2 = 0:5 y kf k kgk = 3 = 0:577, de esto se concluye que
jhf; gij kf k kgk : X
5.5 Proyección ortogonal

De…nición 5.5.1 Sean u y v vectores en un espacio vectorial V con producto inte-
rior, de modo que v 6= . Entonces, la proyección ortogonal de u sobre v está dado
por
hu; vi
proyv u = v
hv; vi
Observación 5.5.1 Si v es un vector unitario, entonces hv; vi = kvk2 = 1 y la

fórmula para la proyección ortogonal de u sobre v asume la siguiente forma más
simple
proyv u = hu; vi v
304
Ejemplo 5.5.1 En R3 con el producto interior euclideano, encuentre la proyección
ortogonal de u sobre v, donde u = (3; 1; 2) y v = (7; 1; 2).
Solución. Como
hu; vi = h(3; 1; 2) ; (7; 1; 2)i = 21 + 1 4 = 18

2
kvk = hv; vi = h(7; 1; 2) ; (7; 1; 2)i = 54
Entonces la proyección ortogonal de u sobre v es.
hu; vi 18 7 1 2
proyv u = v= (7; 1; 2) = ; ; :
hv; vi 54 3 3 3
Ejemplo 5.5.2 Sea V = M2 2 el espacio vectorial de las todas las matrices con
producto interior dado por hA; Bi = tr B t A . Hallar la proyección ortogonal de A
sobre B, con
1 2 0 1
A= y B=
1 3 1 2
Solución. Como
0 1 1 2 1 3
hA; Bi = tr B t A = tr = tr = 7 y
1 2 1 3 1 8
0 1 0 1 1 2
hB; Bi = tr B t B = tr = tr =6
1 2 1 2 2 5
Entonces
hA; Bi 7 0 1 0 7=6
proyB A = B= =
hB; Bi 6 1 2 7=6 14=6
Ejemplo 5.5.3 Sean f (x) = 1 y g (x) = x funciones en C [0; 1] con producto inte-
rior Z 1
f (x) g (x) dx
0
determinar la proyección ortogonal de f sobre g.
305
Solución. Por el ejemplo 5.4.2 se sabe que hf; gi = 1
2 y kgk2 = 1
3. Por tanto la
proyección ortogonal de f sobre g es
hf; gi 1=2 3
proyg f = g= x = x:
hg; gi 1=3 2
X
En el siguiente teorema se da una propiedad importante de las proyecciones
ortogonales. Este establece que de todos los posibles múltiplos escalares de un vector
v, la proyección ortogonal de u sobre v es la más próxima a u, como se observa en
las siguientes …guras.
u d (u, Proyvu ) u d (u, cv )
v v
Proyvu cv
Teorema 5.5.1 (Proyección ortogonal y distancia) Sean u y v dos vectores en un

espacio vectorial V con producto interior, de modo que v 6= . Entonces.
hu; vi
d (u; proyv u) < d (u; cv) ; c=
hv; vi
5.6 Bases ortonormales: Procedimiento de Gram–Schmidt

Recordemos que un espacio vectorial puede tener in…nitas bases diferentes, de entre
todas estas, ciertas bases son más convenientes que otras. Por ejemplo el espacio
vectorial R3 tiene la base normal o estándar, conveniente.
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
Este conjunto es la base normal de R3 porque tiene características especiales par-

ticularmente útiles. Una característica importante es que los tres vectores de dicha
base son mutuamente ortogonales ya que.
he1 ; e2 i = h(1; 0; 0) ; (0; 1; 0)i = 0

he1 ; e3 i = h(1; 0; 0) ; (0; 0; 1)i = 0
he2 ; e3 i = h(0; 1; 0) ; (0; 0; 1)i = 0
Una segunda característica importante es que cada vector de esta base es un vector
unitario.
306
En esta sección se de…nirán algunas ventajas que poseen las bases que constan
de vectores unitarios mutuamente ortogonales y se presentará un procedimiento,
denominado procedimiento de ortonormalización de Gram–Schmidt para construir
bases ortonormales.
De…nición 5.6.1 Un conjunto S = fu1 ; u2 ; u3 ; : : : ; un g de vectores no nulos en un

espacio vectorial V con producto interior se llama ortogonal si todo par de vectores
en S es ortogonal, si además cada vector de S es unitario, entonces S se denomina
ortonormal. Es decir S es ortonormal si para todo ui ; uj 2 S se tiene.
0 para i 6= j
hui ; uj i =
1 para i=j
Nota 5.6.1 Si S es una base, entonces se denomina base ortogonal o base ortonor-
mal respectivamente.
La distinción entre un conjunto ortogonal y uno ortonormal, es realmente in-

signi…cante, porque si se reemplaza cada vector ui en un conjunto ortogonal, por
el vector normalizado ui = kui k de longitud unitaria, el conjunto resultante es ob-
viamente ortonormal. La única razón para introducir conjuntos ortonormales de
algún modo, es por la conveniencia que algunas veces resulta trabajar con vectores
unitarios.
Antes de dar ejemplos, se llama la atención a un aspecto de la de…nición anterior,
a saber que cada vector en un conjunto ortogonal u ortonormal es no nulo.
La base estándar de Rn es ortonormal, aunque no es la única base ortonormal
de Rn .
Ejemplo 5.6.1 Demuestre que el conjunto siguiente es una base ortonormal de R3 :

( p p p ! )
1 1 2 2 2 2 2 2 1
B = u1 = p ; p ; 0 ; u 2 = ; ; ; u3 = ; ;
2 2 6 6 3 3 3 3
Solución. Resulta fácil comprobar que B es una base de R3 . Para demostrar que
B es ortonormal. Primeramente se demuestra que los tres vectores son mutuamente
ortogonales. Como
1 1
hu1 ; u2 i = + +0=0
6 6
2 2
hu1 ; u3 i = p p +0=0
3 2 3 2
p p p
2 2 2 2
hu2 ; u3 i = + =0
9 9 9
307
entonces los tres vectores de B son mutuamente ortogonales. Ahora mostremos que
cada vector de B es unitario. Como
r
p 1 1
ku1 k = hu1 ; u1 i = + +0=1
2 2
r
p 2 2 8
ku2 k = hu2 ; u2 i = + + =1
36 36 9
r
p 4 4 1
ku3 k = hu3 ; u3 i = + + =1
9 9 9
entonces cada vector de B es unitario. Por consiguiente, B es una base ortonormal.
X
Ejemplo 5.6.2 En el espacio vectorial P3 de todos los polinomios de grado 3,

con el producto interior
hp; qi = a0 b0 + a1 b1 + a2 b2 + a3 b3
La base estándar B = 1; x; x2 ; x3 es ortonormal. (Veri…car)
Ejemplo 5.6.3 Resulta fácil comprobar que el conjunto
1 1
B= u1 = (1; 1; 0) ; u2 = ; ; 0 ; u3 = (0; 0; 2)
2 2
es ortogonal. Pues
1 1
hu1 ; u2 i = (1) + (1) + (0) (0) = 0
2 2
hu1 ; u3 i = (1) (0) + (1) (0) + (0) (2) = 0
1 1
hu2 ; u3 i = (0) + (0) + (0) (2) = 0
2 2
Esto demuestra que el conjunto B es ortogonal, además observemos que

p q p
ku1 k = hu1 ; u1 i = (1)2 + (1)2 + (0)2 = 2 6= 1
s
p 1 2 1 2 1
ku2 k = hu2 ; u2 i = + = p 6= 1
2 2 2
p q
ku3 k = hu3 ; u3 i = (0)2 + (0)2 + (2)2 = 2 6= 1
308
Esto dice que el conjunto B no es ortonormal. Sin embargo, normalizando cada uno
de los vectores de B se obtiene el siguiente conjunto ortonormal.
1 p 1 1 1
B0 = v1 = p (1; 1; 0) ; v2 = 2 ; ; 0 ; v3 = (0; 0; 2)
2 2 2 2
( p p ! )
1 1 2 2
= v1 = p ; p ; 0 ; v2 = ; ; 0 ; v3 = (0; 0; 1)
2 2 2 2
Este ejemplo ilustra que todo conjunto ortogonal siempre puede ser convertido
en un conjunto ortonormal.
¿Será posible convertir un(a) conjunto (base) no ortogonal en un(a) conjunto
(base) ortonormal?
La respuesta nos da el siguiente teorema, que establece que todo espacio vectorial
V con producto interior siempre posee una base ortonormal.
Teorema 5.6.1 (Proceso de ortonormalización de Gram–Schmidt)
1. Sea B = fu1 ; u2 ; u3 ; : : : ; un g una base de un espacio vectorial V con producto

interior.
2. Sea B 0 = fw1 ; w2 ; w3 ; : : : ; wn g donde wi está dado por
w1 = u1
hu2 ; w1 i
w2 = u2 w1
hw1 ; w1 i
hu3 ; w1 i hu3 ; w2 i
w3 = u3 w1 w2
hw1 ; w1 i hw2 ; w2 i
..
.
hun ; w1 i hun ; w2 i hun ; wn 1 i
wn = un w1 w2 wn 1
hw1 ; w1 i hw2 ; w2 i hwn 1 ; wn 1 i
Entonces, B 0 es una base ortogonal de V:

wi
3. Sean vi = kw ik
, entonces el conjunto B 00 = fv1 ; v2 ; v3 ; : : : ; vn g es una base
ortonormal de V .
Observación 5.6.1 Observe que este proceso consta de tres pasos.
1. Se empieza con una base del espacio vectorial con producto interior (no se
requiere que sea una base ortogonal o que conste de vectores unitarios).
309
2. Luego se convierte la base dada en una base ortogonal.
3. Finalmente se normaliza cada uno de los vectores de la base ortogonal a …n de
obtener una base ortonormal.
Ejemplo 5.6.4 Use el proceso de ortonormalización de Gram –Schmidt para trans-

formar la base dada de R3 en una base ortonormal, use el producto interior eucli-
deano de R3 y use los vectores en el orden en que se dan.
B = fu1 = (4; 3; 0) ; u2 = (1; 2; 0) ; u3 = (0; 0; 4)g
Solución. Primeramente observemos que.
hu1 ; u2 i = 4 6= 2 6= 0
hu1 ; u3 i = 0
hu2 ; u3 i = 0
Esto, muestra que la base B no es ortogonal, en consecuencia tampoco será orto-

normal; utilizando el proceso de ortonormalización de Gram – Schmidt lograremos
convertir B en una base ortonormal.
Primero hacemos w1 = u1 = (4; 3; 0)
Luego, determinamos w2
hu2 ; w1 i
w2 = u2 w1
hw1 ; w1 i
como,
hu2 ; w1 i = h(1; 2; 0) ; (4; 3; 0)i = 4 6= 2

hw1 ; w1 i = h(4; 3; 0) ; (4; 3; 0)i = 16 + 9 = 25
entonces
2 8 6 33 44
w2 = (1; 2; 0) + (4; 3; 0) = (1; 2; 0) + ; ;0 = ; ;0
25 25 25 25 25
Ahora, determinamos w3
hu3 ; w1 i hu3 ; w2 i
w3 = u3 w1 w2
hw1 ; w1 i hw2 ; w2 i
como
hu3 ; w1 i = h(0; 0; 4) ; (4; 3; 0)i = 0

33 44
hu3 ; w2 i = (0; 0; 4) ; ; ;0 =0
25 25
310
entonces,
w3 = u3 = (0; 0; 4)
De este modo obtenemos la siguiente base ortogonal
33 44
B0 = w1 = (4; 3; 0) ; w2 = ; ; 0 ; w3 = (0; 0; 4)
25 25
Finalmente, al normalizar cada uno de los vectores de B 0 se obtiene la siguiente base

ortonormal.
4 3 3 4
B 00 = v1 = ; ; 0 ; v2 = ; ; 0 ; v3 = (0; 0; 1)
5 5 5 5
Ejemplo 5.6.5 Aplicar el proceso de ortonormalización de Gram – Schmidt a la

siguiente base de R3 .
B = fu1 = (1; 1; 0) ; u2 = (1; 2; 0) ; u3 = (0; 1; 2)g
Solución. Al aplicar el proceso de ortonormalización de Gram –Schmidt se obtiene.
w1 = u1 = (1; 1; 0)
hu2 ; w1 i 3 1 1
w2 = u2 w1 = (1; 2; 0) (1; 1; 0) = ; ;0
hw1 ; w1 i 2 2 2
hu3 ; w1 i hu3 ; w2 i 1 1=2 1 1
w3 = u3 w1 w2 = (0; 1; 2) (1; 1; 0) ; ;0 = (0; 0; 2)
hw1 ; w1 i hw2 ; w2 i 2 1=2 2 2
De este modo el conjunto
1 1
B0 = w1 = (1; 1; 0) ; w2 = ; ; 0 ; w3 = (0; 0; 2)
2 2
es una base ortogonal de R3 . Al normalizar cada uno de los vectores de B 0 se obtiene

p p !
w1 1 2 2
v1 = = p (1; 1; 0) = ; ;0
kw1 k 2 2 2
p p !
w2 1 1 1 2 2
v2 = = p ; ;0 = ; ;0
kw2 k 1= 2 2 2 2 2
w3 1
v3 = = (0; 0; 2) = (0; 0; 1)
kw3 k 2
311
Por tanto
( p p ! p p ! )
00 2 2 2 2
B = v1 = ; ; 0 ; v2 = ; ; 0 ; v3 = (0; 0; 1)
2 2 2 2
es una base ortonormal de R3 .X

Por supuesto, existe otra forma alternativa para obtener una base ortonormal,
que consiste en normalizar cada vector tan pronto como se produzca, es decir cuando
cada vector wi se normaliza antes de ser usado para calcular el siguiente vector.
Esta forma alternativa del proceso de ortonormalización de Gram – Schmidt
consta de los siguientes pasos.
w1 u1
v1 = =
kw1 k ku1 k
w2
v2 = donde w2 = u2 hu2 ; v1 i v1
kw2 k
w3
v3 = donde w3 = u3 hu3 ; v1 i v1 hu3 ; v2 i v2
kw3 k
..
.
wn
vn = donde wn = un hun ; v1 i v1 hun ; v2 i v2 hun ; vn 1 i vn 1
kwn k
En los siguientes ejemplos se ilustra esta forma alternativa.
Ejemplo 5.6.6 Usando la forma alternativa del proceso de ortonormalización de

Gram – Schmidt transforme la base
B = fu1 = (0; 1; 1) ; u2 = (1; 1; 0) ; u3 = (1; 0; 1)g
de R3 con el producto interior euclideano en una base ortonormal.
Solución. Primero normalizamos u1 = (0; 1; 1),

p p !
w1 u1 1 1 1 2 2
v1 = = = p (0; 1; 1) = 0; p ; p = 0; ;
kw1 k ku1 k 2 2 2 2 2
Luego calculamos w2 = u2 hu2 ; v1 i v1

Como * p !+ p
p
2 2 2
hu2 ; v1 i = (1; 1; 0) ; 0; ; =
2 2 2
312
Entonces
p p p !
2 2 2 1 1 1 1
w2 = (1; 1; 0) 0; ; = (1; 1; 0) + 0; ; = 1; ;
2 2 2 2 2 2 2
Normalizando w2 tenemos
r r p
1 1 6 6
kw2 k = 1+ + = =
4 4 4 2
p p p !
w2 1 1 1 2 1 1 6 6 6
v2 = =p 1; ; =p 1; ; = ; ;
kw2 k 6=2 2 2 6 2 2 3 6 6
Finalmente determinamos w3 = u3 hu3 ; v1 i v1 hu3 ; v2 i v2

Como
* p p !+ p
2 2 2
hu3 ; v1 i = (1; 0; 1) ; 0; ; =
2 2 2
* p p p !+ p p p
6 6 6 6 6 6
hu3 ; v2 i = (1; 0; 1) ; ; ; = =
3 6 6 3 6 6
Luego
p p p ! p p p p !
2 2 2 6 6 6 6 2 2 2
w3 = (1; 0; 1) 0; ; ; ; = ; ;
2 2 2 6 3 6 6 3 3 3
r r p
4 4 4 12 2 3
kw3 k = + + = =
9 9 9 9 3
p p p !
w3 1 2 2 2 3 2 2 2 3 3 3
v3 = = p ; ; = p ; ; = ; ;
kw3 k 2 3=3 3 3 3 2 3 3 3 3 3 3 3
De este modo la base ortonormal deseada es.

( p p ! p p p ! p p p !)
00 2 2 6 6 6 3 3 3
B = v1 = 0; ; ; v2 = ; ; ; v3 = ; ;
2 2 3 6 6 3 3 3
313
Ejemplo 5.6.7 Aplique el proceso de Gram –Schmidt (forma alternativa) a la base
del espacio eucledeano R3
B = fu1 = (1; 1; 1) ; u2 = (0; 1; 1) ; u3 = (0; 0; 1)g
para obtener una base ortonormal de R3 .
Solución. Primero normalizamos u1 = (1; 1; 1), esto es
w1 u1 1 1 1 1
v1 = = = p (1; 1; 1) = p ;p ;p
kw1 k ku1 k 3 3 3 3
Luego calculamos
2 1 1 1 2 1 1
w2 = u2 hu2 ; v1 i v1 = (0; 1; 1) p p ;p ;p = ; ;
3 3 3 3 3 3 3
w2 2 1 1
v2 = = p ;p ;p
kw2 k 6 6 6
Finalmente calculamos
w3 = u3 hu3 ; v1 i v1 hu3 ; v2 i v2
1 1 1 1 1 2 1 1 1 1
= (0; 0; 1) p p ;p ;p p p ;p ;p = 0; ;
3 3 3 3 6 6 6 6 2 2
y luego normalizamos w3 para obtener
w3 1 1
v3 = = 0; p ;p
kw3 k 2 2
Por tanto la base ortonormal pedida de R3 es.
1 1 1 2 1 1 1 1
B 00 = v1 = p ;p ;p ; v2 = p ;p ;p ; v3 = 0; p ;p
3 3 3 6 6 6 2 2
X
Nota 5.6.2 Un conjunto ortonormal obtenido por el proceso de ortonormalización

de Gram – Schmidt depende del orden de los vectores en la base.
314
5.7 Propiedades de los conjuntos ortogonales (ortonor-
males)
La propiedad particular de mayor importancia de los conjuntos ortogonales (y en
consecuencia ortonormales) es que cada uno de tales conjuntos es linealmente inde-
pendiente en un espacio vectorial V . Así como se demuestra en el siguiente.
Teorema 5.7.1 Si S = fu1 ; u2 ; u3 ; : : : ; un g es un conjunto ortogonal (ortonormal)

de vectores diferentes de cero en un espacio vectorial V con producto interior, en-
tonces S es linealmente independiente.
Demostración. Sea S = fu1 ; u2 ; u3 ; : : : ; un g un conjunto ortogonal (ortonormal)

en V . Supongamos que
a1 u1 + a2 u2 + a3 u3 + + an un =
tomando el producto interior con cada uno de los vectores ui 2 S se tiene
h(a1 u1 + a2 u2 + a3 u3 + + an un ) ; ui i = h ; ui i = 0
Puesto que, todas las veces que i 6= j, la ecuación vectorial anterior se reduce a
ai hui ; ui i = 0
y como hui ; ui i =
6 0; se concluye que ai = 0. Así, cada uno de los coe…cientes en la
ecuación vectorial
a1 u1 + a2 u2 + a3 u3 + + an un =
es cero y por tanto el conjunto S = fu1 ; u2 ; u3 ; : : : ; un g es linealmente independiente.
X
Como una consecuencia del anterior teorema se tiene el siguiente.
Corolario 5.7.2 Si V es un espacio vectorial de dimensión n con producto interior,

entonces cualquier conjunto de n vectores ortogonales es una base de V .
Ejemplo 5.7.1 Demuestre que el siguiente conjunto
B = fu1 = (2; 3; 2; 2) ; u2 = (1; 0; 0; 1) ; u3 = ( 1; 0; 2; 1) ; u4 = ( 1; 2; 1; 1)g
es una base de R4 .
315
Solución. Observemos que el conjunto B consta de cuatro vectores no nulos. Así
por el anterior corolario se puede demostrar que es una base para R4 , al comprobar
que es un conjunto ortogonal veamos.
hu1 ; u2 i = h(2; 3; 2; 2) ; (1; 0; 0; 1)i = 2 + 0 + 0 2=0

hu1 ; u3 i = h(2; 3; 2; 2) ; ( 1; 0; 2; 1)i = 2+0+4 2=0
hu1 ; u4 i = h(2; 3; 2; 2) ; ( 1; 2; 1; 1)i = 2+6 2 2=0
hu2 ; u3 i = h(1; 0; 0; 1) ; ( 1; 0; 2; 1)i = 1+0+0+1=0
hu2 ; u4 i = h(1; 0; 0; 1) ; ( 1; 2; 1; 1)i = 1+0+0+1=0
hu3 ; u4 i = h( 1; 0; 2; 1) ; ( 1; 2; 1; 1)i = 1 + 0 2+1=0
Esto muestra que S es un conjunto ortogonal y por el corolario anterior se concluye

que es una base de R4 .X
Finalmente, mencionamos otra de las conveniencias de tener una base ortonormal
pues en este caso las coordenadas de un vector u respecto de una base ortonormal son
particularmente fáciles de calcular. Antes de presentar este resultado se considera
un ejemplo en R2 .
Recordemos que i = (1; 0) y j = (0; 1) forman una base ortonormal de R2 ,
entonces cualquier vector w en R2 puede representarse como
w = w1 i + w2 j
siendo w1 = proyi w y w2 = proyj w. Como i y j son vectores unitarios, se ve que
w1 = hw; ii y w2 = hw; ji
de este modo se tiene
w = w1 i + w2 j = hw; ii i + hw; ji j
Esto dice que los coe…cientes w1 y w2 son simplemente los productos interiores de
w con los vectores básicos respectivos.
Este resultado se presenta en el siguiente.
Teorema 5.7.3 (Coordenadas con respecto a una base ortonormal) Si
B = fu1 ; u2 ; u3 ; : : : ; un g
es una base ortonormal de un espacio vectorial V con producto interior entonces la

representación de coordenadas de un vector w con respecto a B es
w = hw; u1 i u1 + hw; u2 i u2 + hw; u3 i u3 + + hw; un i un :
316
Ejemplo 5.7.2 Encontrar las coordenadas de w = (5; 5; 2) con respecto a la si-
guiente base ortonormal de R3
3 4 4 3
B= u1 = ; ; 0 ; u2 = ; ; 0 ; u3 = (0; 0; 1)
5 5 5 5
Solución. Puesto que B es ortonormal, entonces es posible aplicar el anterior teo-
rema para determinar las coordenadas requeridas.
3 4
hw; u1 i = (5; 5; 2) ; ; ;0 = 1
5 5
4 3
hw; u2 i = (5; 5; 2) ; ; ;0 = 7
5 5
hw; u3 i = h(5; 5; 2) ; (0; 0; 1)i = 2
Así, el vector de coordenadas de w con respecto a B es (w)B = ( 1; 7; 2) : X
Ejemplo 5.7.3 Sea
2 2 1 2 1 2 1 2 2
B= u1 = ; ; ; u2 = ; ; ; u3 = ; ;
3 3 3 3 3 3 3 3 3
Una base ortonormal para R3 . Expresar el vector w = (3; 4; 5) como una combi-
nación lineal de los vectores de B.
Solución. Deseamos encontrar escalares a1 ; a2 y a3 tales que
w = a1 u1 + a2 u2 + a3 u3
El teorema anterior muestra que los escalares a1 ; a2 y a3 se pueden obtener sin tener
que resolver un sistema de tres ecuaciones lineales con tres incógnitas, pues
2 2 1
a1 = hw; u1 i = (3; 4; 5) ; ; ; =1
3 3 3
2 1 2
a2 = hw; u2 i = (3; 4; 5) ; ; ; =0
3 3 3
1 2 2
a3 = hw; u3 i = (3; 4; 5) ; ; ; =7
3 3 3
w = a1 u1 + a2 u2 + a3 u3
2 2 1 2 1 2 1 2 2
(3; 4; 5) = a1 ; ; + a2 ; ; + a3 ; ;
3 3 3 3 3 3 3 3 3
2 2 1 1 2 2
(3; 4; 5) = ; ; +7 ; ; :
3 3 3 3 3 3
X
317
En los ejercicios del 1 al 10, determine (a) hu; vi, (b) kuk y (c) d (u; v) para el
producto interior de…nido en Rn .
Ejercicio 5.8.1 u = (4; 5) ; v = (6; 9) ; hu; vi = euclideano:
Ejercicio 5.8.2 u = (1; 1) ; v = (7; 9) ; hu; vi = euclideano:
Ejercicio 5.8.3 u = ( 4; 3) ; v = (0; 8) ; hu; vi = 3u1 v1 + u2 v2 :
Ejercicio 5.8.4 u = (0; 6) ; v = (1; 1) ; hu; vi = u1 v1 + 3u2 v2 :
Ejercicio 5.8.5 u = (0; 9; 4) ; v = (9; 8; 4) ; hu; vi = u1 v1 + u2 v2 + u3 v3 :
Ejercicio 5.8.6 u = (1; 5; 9) ; v = ( 8; 5; 5) ; hu; vi = u1 v1 + u2 v2 + u3 v3 :
Ejercicio 5.8.7 u = (8; 0; 8) ; v = (8; 3; 16) ; hu; vi = 2u1 v1 + 3u2 v2 + u3 v3 :
Ejercicio 5.8.8 u = (1; 1; 1) ; v = (3; 5; 3) ; hu; vi = u1 v1 + 3u2 v2 + u3 v3 :
Ejercicio 5.8.9 u = (8; 3; 4) ; v = ( 5; 4; 9) ; hu; vi = u1 v1 + 4u2 v2 + u3 v3 :
Ejercicio 5.8.10
u = (2; 0; 4; 2) ; v = (3; 3; 4; 3) ; hu; vi = u1 v1 + u2 v2 + u3 v3 + u4 v4 :
En los ejercicios del 11 al 14, use las funciones f y g dadas en C [ 1; 1] para

encontrar: (a) hf; gi, (b) kf k y (c) d (f; g) para el producto interior dado por
Z 1
1
Ejercicio 5.8.11 f (x) = x2 ; g (x) = x2 + 1:
Ejercicio 5.8.12 f (x) = x; g (x) = x2 x + 2:
Ejercicio 5.8.13 f (x) = x; g (x) = ex :
Ejercicio 5.8.14 f (x) = 1; g (x) = 3x2 1:
En los ejercicios 15 y 16 use el producto interior
hA; Bi = 2a11 b11 + a12 b12 + a21 b21 + 2a22 b22
para determinar: (a) hA; Bi, (b) kAk y (c) d (A; B) :
318
2 5 0 5
Ejercicio 5.8.15 A = ; B= :
3 4 6 1
1 0 0 1
Ejercicio 5.8.16 A = ; B= :
0 1 1 0
En los ejercicios 17 y 18, use el producto interior hp; qi = a0 b0 + a1 b1 + a2 b2 para

determinar: (a) hp; qi, (b) kpk y (c) d (p; q) :
Ejercicio 5.8.17 p (x) = 1 x + 3x2 ; q (x) = x x2 :
Ejercicio 5.8.18 p (x) = 1 + x2 + 3x2 ; q (x) = 1 x2 :
En los ejercicios del 19 al 22, demuestre que la función indicada es un producto

interior.
Ejercicio 5.8.19 hu; vi dada en el ejercicio 3.
Ejercicio 5.8.20 hu; vi dada en el ejercicio 7.
Ejercicio 5.8.21 hA; Bi dada en el ejercicio 15 y 16.
Ejercicio 5.8.22 hp; qi dada en el ejercicio 17 y 18.
En los ejercicios del 23 al 26, establezca que hu; vi no es un producto interior

para u = (u1 ; u2 ) y v = (v1 ; v2 ) en R2 :
Ejercicio 5.8.23 hu; vi = u1 v1 :
Ejercicio 5.8.24 hu; vi = u21 v12 + u22 v22 :
Ejercicio 5.8.25 hu; vi = 3u1 v2 + u2 v1 :
Ejercicio 5.8.26 hu; vi = u1 v1 u2 v2 :
En los ejercicios del 27 al 32 encuentre el ángulo entre los vectores dados.
Ejercicio 5.8.27 u = (3; 4) ; v = (5; 12) ; hu; vi = u1 v1 + u2 v2 :
Ejercicio 5.8.28 u = ( 4; 3) ; v = (0; 5) ; hu; vi = 3u1 v1 + u2 v2 :
319
Ejercicio 5.8.30 p (x) = 1 x + x2 ; q (x) = 1 + x + x2 ; hp; qi = a0 b0 + a1 b1 + a2 b2 :
R1
Ejercicio 5.8.31 f (x) = x; g (x) = x2 ; hf; gi = 1 f (x) g (x) dx:
R1
Ejercicio 5.8.32 f (x) = 1; g (x) = x2 ; hf; gi = 1f (x) g (x) dx:
En los ejercicios del 33 al 38, veri…que la desigualdad de Cauchy –Schwarz
Ejercicio 5.8.34 u = (1; 0; 4) ; v = ( 5; 4; 1) ; hu; vi = u1 v1 + u2 v2 + u3 v3 :
Ejercicio 5.8.35 p (x) = x; q (x) = 1 + 3x2 ; hp; qi = a0 b0 + a1 b1 + a2 b2 :
Ejercicio 5.8.36
2 5 0 5
A= ; B= ; hA; Bi = 2a11 b11 + a12 b12 + a21 b21 + 2a22 b22 :
3 4 6 1
R
Ejercicio 5.8.37 f (x) = sen x; g (x) = cos x; hf; gi = f (x) g (x) dx:
R2
Ejercicio 5.8.38 f (x) = 1; g (x) = cos x; hf; gi = 0 f (x) g (x) dx:
En los ejercicios del 39 al 41, demuestre que f Ry g son ortogonales en el espacio

b
C [a; b] con el producto interior dado por hf; gi = a f (x) g (x) dx:
Ejercicio 5.8.39 C [ ; ] ; f (x) = cos x; g (x) = sen x:

1
Ejercicio 5.8.40 C [ 1; 1] ; f (x) = x; g (x) = 2 3x2 1 :
1
Ejercicio 5.8.41 C [ 1; 1] ; f (x) = x; g (x) = 2 5x2 3x4 :
En los ejercicios del 42 al 45, (a) determine proyv u, (b) encuentre proyu v y (c)
trace la grá…ca de ambos resultados.
Ejercicio 5.8.43 u = ( 1; 3) ; v = (4; 4) ; hu; vi = u1 v1 + u2 v2 :
Ejercicio 5.8.45
u = (0; 1; 3; 6) ; v = ( 1; 1; 2; 2) ; hu; vi = u1 v1 + u2 v2 + u3 v3 + u4 v4 :
320
En los ejercicios del 46 al 51, determine la proyección ortogonal
Rb de f sobre g.
Aplique el producto interior en C [a; b] de…nido por hf; gi = a f (x) g (x) dx:
Ejercicio 5.8.46 C [ 1; 1] ; f (x) = x; g (x) = 1:
Ejercicio 5.8.47 C [ 1; 1] ; f (x) = x3 x; g (x) = 2x 1:
Ejercicio 5.8.48 C [0; 1] ; f (x) = x; g (x) = ex :
Ejercicio 5.8.49 C [ ; ] ; f (x) = 1; g (x) = sen 3x:
Ejercicio 5.8.50 C [ ; ] ; f (x) = sen x; g (x) = cos x:
Ejercicio 5.8.51 C [ ; ] ; f (x) = sen 2x; g (x) = sen 3x:
Ejercicio 5.8.52 Sean u = (4; 2) y v = (2; 2) vectores en R2 con el producto

interior, hu; vi = u1 v1 + 2u2 v2 :
(a) Demuestre que u y v son ortogonales.
(b) trace los vectores u y v.
¿Son ortogonales en el sentido euclideano?
En los ejercicios del 53 al 62, determine si el conjunto de vectores en Rn es

ortogonal, ortonormal o ninguna de las dos.
Ejercicio 5.8.53 fu1 = ( 4; 6) ; u2 = (5; 0)g :
Ejercicio 5.8.54 fu1 = (11; 4) ; u2 = (8; 3)g :

3 4 4 3
Ejercicio 5.8.55 u1 = 5; 5 ; u2 = 5; 5 :
2 1
Ejercicio 5.8.56 u1 = (1; 2) ; u2 = 5; 5 :
Ejercicio 5.8.57 fu1 = (4; 1; 1) ; u2 = ( 1; 0; 4) ; u3 = ( 4; 17; 1)g :
Ejercicio 5.8.58 fu1 = ( 6; 3; 2; 1) ; u2 = (2; 0; 6; 0)g :

n p p p p p p p p o
Ejercicio 5.8.59 u1 = 22 ; 0; 22 ; u2 = 6 6
6 ; 3 ; 6
6
; u3 = 3
3
; 3
3 ; 3
3
:
n p p p p p o
2 2
Ejercicio 5.8.60 u1 = 3 ; 0; 6 ; u2 = 0; 2 5 5 ; 5
5
; u3 = 5 1
5 ; 0; 2 :
n p p p p o
2 2 2 2 1 1 1 1
Ejercicio 5.8.61 u1 = 2 ; 0; 0; 2 ; u2 = 0; 2 ; 2 ;0 ; u3 = 2; 2; 2; 2 :
321
Ejercicio 5.8.62
( p p ! p p !)
10 3 10 3 10 10
u1 = ; 0; 0; ; u2 = (0; 0; 1; 0) ; u3 = (0; 1; 0; 0) ; u4 = ; 0; 0; :
10 10 10 10
En los ejercicios del 63 al 70, use el proceso de ortonormalización de Gram –

Schmidt para transformar la base dada de Rn en una base ortonormal. Use el
producto interior euclideano de Rn y use los vectores en el orden en que se dan.
Ejercicio 5.8.63 fu1 = (3; 4) ; u2 = (1; 0)g :
Ejercicio 5.8.64 fu1 = (0; 1) ; u2 = (2; 5)g :
Ejercicio 5.8.65 fu1 = (1; 1) ; u2 = (1; 1)g :
Ejercicio 5.8.66 fu1 = (1; 0; 0) ; u2 = (1; 1; 1) ; u3 = (1; 1; 1)g :
Ejercicio 5.8.67 fu1 = (1; 1; 1) ; u2 = (0; 1; 1) ; u3 = (1; 2; 3)g :
Ejercicio 5.8.68 fu1 = (0; 1; 2) ; u2 = (2; 0; 0) ; u3 = (1; 1; 1)g :
Ejercicio 5.8.69 fu1 = (0; 1; 1) ; u2 = (1; 1; 0) ; u3 = (1; 0; 1)g :
Ejercicio 5.8.70
fu1 = (3; 4; 0; 0) ; u2 = ( 1; 1; 0; 0) ; u3 = (2; 1; 0; 1) ; u4 = (0; 1; 1; 0)g :
En los ejercicios del 71 al 76, use el proceso de ortonormalización de Gram –

Schmidt para transformar la base dada de Rn en una base ortonormal del subespacio.
Aplique el producto interno euclideano de Rn y use los vectores en el orden dado.
Ejercicio 5.8.71 B = fu1 = ( 8; 3; 5)g :
Ejercicio 5.8.72 B = fu1 = (4; 7; 6)g :
Ejercicio 5.8.73 B = fu1 = (3; 4; 0) ; u2 = (1; 0; 0)g :
Ejercicio 5.8.74 B = fu1 = (1; 2; 0) ; u2 = (2; 0; 1)g :
Ejercicio 5.8.75 B = fu1 = (1; 2; 1; 0) ; u2 = (2; 2; 0; 1)g :
Ejercicio 5.8.76 B = fu1 = (7; 24; 0; 0) ; u2 = (2; 2; 0; 1) ; u3 = (0; 0; 1; 2)g :
322
En los problemas del 77 al 80, sea B = u1 = 1; u2 = x; u3 = x2 una base
R1
de P2 con el producto interior hp; qi = 1 p (x) q (x) dx. Veri…que los productos
interiores indicados.
Ejercicio 5.8.77 hx; 1i = 0:
Ejercicio 5.8.78 h1; 1i = 2:
Ejercicio 5.8.79 x2 ; 1 = 32 :
Ejercicio 5.8.80 x2 ; x = 0:
En los ejercicios del 81 al 84, determine una base ortonormal para el espacio
solución del sistema homogéneo de ecuaciones lineales dado.
Ejercicio 5.8.81
2x1 + x2 6x3 + 2x4 = 0

x1 + 2x2 3x3 + 4x4 = 0
x1 + x2 3x3 + 2x4 = 0
Ejercicio 5.8.82
x1 + x2 3x3 2x4 = 0
2x1 x2 x4 = 0
3x1 + x2 5x3 4x4 = 0
Ejercicio 5.8.83
x1 + x2 x3 x4 = 0
2x1 + x2 2x3 2x4 = 0
Ejercicio 5.8.84
x1 + 3x2 3x3 = 0
En los ejercicios del 85 al 90, sean p (x) = a0 +a1 x+a2 x2 y q (x) = b0 +b1 x+b2 x2
vectores en P2 con hp; qi = a0 b0 +a1 b1 +a2 b2 . Determine si los polinomios de segundo
grado dados forman un conjunto ortonormal y en caso negativo, aplique el proceso
de ortonormalización de Gram –Schmidt para formar un conjunto ortonormal.
n 2
o
x2 +x
Ejercicio 5.8.85 u1 = xp+1 2
; u 2 = p
3
1
:
323
p p
Ejercicio 5.8.86 u1 = 2 x2 1 ; u2 = 2 x2 + x + 2 :
Ejercicio 5.8.87 u1 = x2 ; u2 = x2 + 2x; u3 = x2 + 2x + 1 :
Ejercicio 5.8.88 u1 = 1; u2 = x; u3 = x2 :
Ejercicio 5.8.89 u1 = x2 1; u2 = x 1 :
n o
3x2 +4x 4x2 +3x
Ejercicio 5.8.90 u1 = 5 ; u2 = 5 ; u3 = 1 :
Ejercicio 5.8.91 Use el producto interior hu; vi = 2u1 v1 +u2 v2 en R2 y el proceso de

ortonormalización de Gram –Schmidt para transformar fu1 = (2; 1) ; u2 = ( 2; 10)g
en una base ortonormal.
En los ejercicios del 92 al 97, determine las coordenadas de u con respecto a la

base ortonormal B de Rn .
n p p p p o
2 13 3 13 3 13 2 13
Ejercicio 5.8.92 B = u1 = 13 ; 13 ; u 2 = 13 ; 13 ; u = (1; 2) :
n p p p p o
5 2 5 2 5 5
Ejercicio 5.8.93 B = u1 = 5 ; 5 ; u2 = 5 ; 5 ; u = ( 3; 4) :
Ejercicio 5.8.94
( p p ! p p !)
10 3 10 3 10 10
B = u1 = ; 0; ; u2 = (0; 1; 0) ; u3 = ; 0; ;
10 10 10 10
u = (2; 2; 1) :
Ejercicio 5.8.95 B = fu1 = (1; 0; 0) ; u2 = (0; 1; 0) ; u3 = (0; 0; 1)g ;

u = (3; 5; 11) :
3 4 4 3
Ejercicio 5.8.96 B = u1 = 5; 5; 0 ; u2 = 5; 5; 0 ; u3 = (0; 0; 1) ;
u = (5; 10; 15) :
Ejercicio 5.8.97
5 12 12 5
B = u1 = ; 0; ; 0 ; u2 = (0; 1; 0; 0) ; u3 = ; 0; ; 0 ; u4 = (0; 0; 0; 1) ;
13 13 13 13
u = (2; 1; 4; 3) :
324
CAPÍTULO 6
Transformaciones lineales
6.1 Introducción a las transformaciones lineales

6.1.1 Funciones o aplicaciones
Uno de los conceptos verdaderamente universales que abarca casi todos los aspectos
de la matemática, es el de función o aplicación de un conjunto en otro. Se puede
decir con toda seguridad que no hay parte de la matemática donde esta noción no se
presente o no desempeñe un papel principal. La de…nición de función de un conjunto
en otro se puede formular de la siguiente forma:
Sean V y W dos conjuntos arbitrarios. Supongamos que a cada elemento v 2 V
se le asigna un único elemento w 2 W ; la colección T de tales asignaciones se llama
función o aplicación (o correspondencia) de V en W y se denota por T : V ! W .
Escribimos T (v) = w, para representar el elemento único w 2 W que T asigna
a v 2 V ; este elemento se llama el valor de T en v o la imagen de v por T . Es decir,
si v está en V y w está en W de modo que T (v) = w, entonces w se llama imagen
de v bajo T .
El conjunto
T (V ) = fT (v) =v 2 V g
de todas las imágenes de V se llama imagen o contradominio de T y el conjunto
1
T (w) = fv 2 V =T (v) = wg
de todos los v en V tales que T (v) = w se llama imagen inversa o preimagen de w.

Además, V se llama dominio de la función T : V ! W y W se llama el
codominio de T .
325
Ejemplo 6.1.1 (Una función de R2 a R2 ) Para cualquier vector v = (v1 ; v2 ) en R2 ,
sea T : R2 R2 la función de…nida por
T (v1 ; v2 ) = (v1 v2 ; v1 + 2v2 )
(a) Determine la imagen de v = ( 1; 2)

(b) Encuentre la preimagen de w = ( 1; 11).
Solución. a) Para v = ( 1; 2) se tiene

T (v) = T ( 1; 2) = ( 1 2; 1 + 2 (2)) = ( 3; 3)
(b) T (v1 ; v2 ) = (v1 v2 ; v1 + 2v2 ) = ( 1; 11) entonces igualando componentes
se obtiene el siguiente sistema de ecuaciones lineales.
v1 v2 = 1
v1 + 2v2 = 11
Al resolver este sistema se obtiene la siguiente solución única v1 = 3 y v2 = 4. Por
tanto la preimagen de w = ( 1; 11) es el subconjunto en R2 que consta solamente
del vector (3; 4). Esto es T 1 ( 1; 11) = (3; 4). Note que T (3; 4) = ( 1; 11). X
Ejemplo 6.1.2 (a) Sea f : R ! R la función que asigna a cada número real x su
cuadrado x2 . Esto es,
f (x) = x2
la imagen de 5 es 25, de modo que escribimos f ( 5) = 25:
(b) Consideremos la matriz 2 3,
1 3 5
A=
2 4 1
si expresamos los vectores en R3 y R2 como vectores columna. A; determina la
aplicación F : R3 ! R2 de…nida por F (v) = Av, para todo v 2 R3 . Así, si
2 3 2 3
3 3
1 3 5 4 10
v = 4 1 5 ; entonces F (v) = Av = 1 5=
2 4 1 12
2 2
(c) Sea V el espacio vectorial de los polinomios en t sobre R. La derivada de…ne
una función D : V ! V , donde para cada polinomio, f 2 V se de…nie D (f ) = df dt .
Por ejemplo D 5t2 7t + 6 = 10t 7.
(d) Sea V el espacio vectorial de los polinomios en t. La integral, digamos de
0 a 1 de…ne
R 1 una función J : V ! 2R donde paraRcada polinomio, f 2 V hacemos
1
J (f ) = 0 f (t) dt por ejemplo J 3t 5t + 2 = 0 3t 2 5t + 2 dt = 12 :
326
Nótese que esta función es del espacio vectorial V en el campo de los números
reales R, mientras que la de (c) es de V en si mismo.
Nota 6.1.1 Toda matriz A, m n determina la función F : Rn ! Rm de…nida por

F (v) = Av. Donde los vectores de Rn y Rm se escriben como vectores columna.
Por razones de conveniencia, denotaremos usualmente la función anterior por A, el
mismo símbolo empleado para la matriz.
6.1.2 Composición de funciones

Consideremos dos funciones f : A ! B y g : B ! C, entonces la composición de f
y g denotada por g f es una función de A en C. Es decir,
g f :A!C
de…nida por (g f ) (a) = g (f (a)).
Ejemplo 6.1.3 Consideremos las funciones f : R ! R y g : R ! R de…nidas por
f (x) = 2x + 1 y g (x) = x2 2
Encontrar fórmulas para las funciones (a) g f , (b) f g y (c) g g (a veces denotado
por g 2 ).
Solución. (a) Calculamos la fórmula para g f como sigue:
(g f ) (x) = g (f (x)) = g (2x + 1) = (2x + 1)2 2 = 4x2 + 4x 1:
(b) Similarmente calculamos f g;
(f g) (x) = f (g (x)) = f x2 2 = 2 x2 2 + 1 = 2x2 3:
(c) De la misma forma se obtiene.

2
(g g) (x) = g (g (x)) = g x2 2 = x2 2 2 = x4 4x2 + 2:
Nota 6.1.2 Nótese que f g 6= g f . En otras palabras, la ley conmutativa no

necesariamente se cumple para la composición de funciones.
El siguiente teorema dice, que la composición de funciones satisface la ley aso-

ciativa.
327
Teorema 6.1.1 Sean f : A ! B; g : B ! C y h : C ! D funciones en tal caso se
tiene
h (g f ) = (h g) f
Demostración. Sea a 2 A, entonces
(h (g f )) (a) = h ((g f ) (a)) = h (g (f (a)))
((h g) f ) (a) = (h g) (f (a)) = h (g (f (a)))
De este modo, (h (g f )) (a) = ((h g) f ) (a) para todo a 2 A, luego
h (g f ) = (h g) f:
X
Ejemplo 6.1.4 Consideremos las funciones f; g y h de R en R las cuales están
de…nidas por
p
f (x) = x4 ; g (y) = y 2 + 1 y h (z) = z 2 + 72
Veri…car el anterior teorema.
Solución. Utilizamos variables con nombres distintos x, y, z para ayudarnos a
hacer más claros los cálculos siguientes. Calculemos h (g f ) y (h g) f y luego
comparamos las respuestas. Primero para x 2 R tenemos.
(h (g f )) (x) = h ((g f ) (x)) Por de…nición de h ( )
= h (g (f (x))) por de…nición de g f
4
= h g x ya que f (x) = x4
p
= h x8 + 1 y = x4 en la de…nición de g
p 2 p
= x8 + 1 + 72 z = x8 + 1 en la de…nición de h
= x8 + 73 por álgebra.
Por otro lado,
((h g) f ) (x) = (h g) (f (x)) Por de…nicón de ( ) f
= h (g (f (x))) por de…nicón de h g
8
= x + 73 exactamente igual que antes.
De esta forma concluimos que
(h (g f )) (x) = ((h g) f ) (x) = x8 + 73
para todo x 2 R. X
De entre la multitud de funciones de un conjunto V a W , se distinguen algunos
tipos particularmente apropiados a saber.
328
6.1.3 Funciones inyectivas (uno a uno) y suryectivas (sobre)
De…nición 6.1.1 Se dice que una función f : A ! B es inyectiva o uno a uno
si elementos diferentes de A tienen imágenes diferentes. Esto es, si a 6= b implica
f (a) 6= f (b) esto equivale lógicamente a la contrarecíproca si f (a) = f (b) implica
a = b. Que es la forma más utilizada en las demostraciones.
Ejemplo 6.1.5 Demostrar que f : R ! R de…nida por f (x) = 3x 5 es una
función inyectiva.
Solución. Para mostrar que f es inyectiva necesitamos mostrar que
f (x) = f (y) implica x = y
Es decir,
3x 5 = 3y 5 implica x = y
Pero
3x 5 = 3y 5 implica 3x = 3y
y
3x = 3y implica x = y:
Por tanto la función f es inyectiva o uno a uno. X
De…nición 6.1.2 Se dice que una función f : A ! B es suryectiva o sobre (o que
f aplica A sobre B) si para todo b 2 B existe un a 2 A tal que f (a) = b.
En otras palabras, una función f es suryectiva si las imágenes de A bajo f llenan
todo B.
Ejemplo 6.1.6 Demostrar que f : R ! R de…nida por f (x) = 3x 5 es una
función suryectiva.
Solución. Para mostrar que f es una función suryectiva de R en R, consideremos
un elemento y en R. Necesitamos encontrar una x en R tal que f (x) = y. Es decir
3x 5 = y; despejando x obtenemos
y+5
x=
3
y+5
De esta manera dada y en R, 3 pertenece a R luego,
y+5 y+5
f (x) = f =3 5 = y:
3 3
y+5
Esto muestra que para toda y 2 R existe un x = 3 2 R tal que f (x) = y. De
este modo f es una función suryectiva. X
329
De…nición 6.1.3 Se dice que una función f : A ! B es biyectiva, o que es una
correspondencia uno a uno entre A y B si es simultáneamente inyectiva y suryectiva.
Por los ejemplos 6.1.5 y 6.1.6 se sabe que la función f : R ! R de…nida por
f (x) = 3x 5; es tanto inyectiva como suryectiva en consecuencia esta función es
biyectiva.
Existe una función muy precisa que siempre está presente, en cualquier conjunto
A arbitrario, se trata de la función identidad f : A ! A de…nida por f (a) = a que
no desordena ningún elemento de A es decir la que asigna a cada elemento de A el
propio elemento, está función se denota por IA o IdA .
Antes de abandonar esta breve discusión sobre funciones, hay otro hecho más
acerca de ciertas funciones que se debe hacer resaltar a saber la función inversa.
De…nición 6.1.4 Sea f : A ! B una función; llamamos a g : B ! A la inversa

de f , escrito f 1 si f g = IdB y g f = IdA.
Señalamos que f tiene inversa si, y sólo si, f es tanto inyectiva como suryectiva
así, como demostraremos más adelante. Además, si b 2 B; f 1 (b) = a; siendo a el
único elemento de A para el que f (a) = b.
Ejemplo 6.1.7 Supóngase que f : A ! B y g : B ! C son funciones, entonces

existe la composición (g f ) : A ! C. Demostrar:
(a) Si f y g son inyectivas, entonces g f es inyectiva.
(b) Si f y g son suryectivas, entonces es g f suryectiva.
(c) Si g f es inyectiva, entonces f es inyectiva.
(d) Si g f es suryectiva, entonces g es suryectiva.
Solución. Sean f : A ! B y g : B ! C funciones cuya composición es

(g f ) : A ! C.
(a) Supóngase que (g f ) (x) = (g f ) (y). Entonces g (f (x)) = g (f (y)). Como

g es inyectiva, f (x) = f (y), como f es inyectiva se concluye que x = y. Así,
hemos demostrado que (g f ) (x) = (g f ) (y) implica que x = y, luego g f
es inyectiva.
(b) Supongamos que c 2 C. Dado que g es suryectiva, existe b 2 B para el que

g (b) = c. Siendo f suryectiva, existe a 2 A para el que f (a) = b. Así,
(g f ) (a) = g (f (a)) = g (b) = c, luego g f es suryectiva.
330
(c) Supongamos que f no es inyectiva. En tal caso, existen elementos distintos
x; y 2 A tales que f (x) = f (y). De este modo g (f (x)) = g (f (y)) esto es
(g f ) (x) = (g f ) (y). Luego g f no es inyectiva. Por tanto, si g f es
inyectiva, entonces f es inyectiva.
(d) Si a 2 A entonces (g f ) (a) = g (f (a)) 2 g (B), luego (g f ) (A) g (B).
Supongamos que g no es suryectiva. Entonces g (B) estará contenido propia-
mente en C y por consiguiente (g f ) (A) también lo estará, de donde g f no
es suryectiva. En consecuencia si g f es suryectiva necesariamente lo es g.
X
Teorema 6.1.2 Una función f : A ! B tiene una inversa si, y sólo si, f es
inyectiva y suryectiva.
Demostración. ()) Supongamos que f tiene una inversa f 1 : B ! A, entonces
f 1 f = IdA y f f 1 = IdB . Por ser IdA inyectiva, f es inyectiva, según el
ejemplo 6.1.7. (c) y como IdB es suryectiva, entonces f es suryectiva por el mismo
ejemplo (d). Esto dice que f es simultáneamente inyectiva y suryectiva.
(() Supongamos ahora que f es tanto inyectiva como suryectiva. En este caso,
cada b 2 B es la imagen de un único elemento de A, digamos a0 de este modo, si
f (a) = b, necesariamente a = a0 , luego f (a0 ) = b. Denotemos por g la función de B
en A de…nida por g (b) = a0 . Tenemos
(i) (g f ) (a) = g (f (a)) = g (b) = a0 = a; 8a 2 A; por consiguiente, g f = IdA .
(ii) (f g) (b) = f (g (b)) = f (a0 ) = b; 8b 2 B; por consiguiente, f g = IdB .
En consecuencia, f tiene por inversa a la función g. X
Antes de de…nir una transformación lineal, vale hacer algunos comentarios con
respecto a las funciones. En el primer capítulo un sistema de ecuaciones lineales se
escribió en la forma
Ax = b
Donde A es una matriz m n; x 2 Rn y b 2 Rm . Se pedía hallar x si se conocían A
y b. Sin embargo, a esta ecuación se le puede dar otro enfoque supóngase que A es
dada, entonces la ecuación Ax = b “dice” si me da un x 2 Rn yo daré a cambio un
b 2 Rm ; es decir A representa una función cuyo dominio es Rn y cuyo codominio es
Rm .
La función que se acaba de de…nir tiene la propiedad de que 8r 2 R y 8x; y 2 Rn .
A (rx) = rAx y A (x + y) = A (x) + A (y)
Son estas propiedades las que caracterizan a las transformaciones lineales.
331
6.2 Transformaciones lineales.
En esta sección estudiaremos un tipo especial de funciones de un espacio vectorial
U en otro espacio vectorial V que preservan la estructura de espacio vectorial, estas
funciones que preservan la estructura de espacio vectorial se llaman transformaciones
lineales cuya de…nición formal es.
De…nición 6.2.1 Una transformación lineal de un espacio vectorial U en un espa-

cio vectorial V es una función T : U ! V tal que, para todo u; v 2 U y para todo
escalar r 2 R se satisface las siguientes condiciones.
1. T (u + v) = T (u) + T (v) : Preservación de la suma
2. T (ru) = rT (u) : Preservación de la multiplicación por un escalar.
Dicho de otro modo, T : U ! V es una transformación lineal si “preserva” las

dos operaciones básicas de un espacio vectorial, la de suma vectorial y la de producto
escalar.
Observación 6.2.1 Observe que una transformación lineal T : U ! V es una

función de un espacio vectorial U en otro espacio vectorial V el cual transforma
sumas en sumas y productos por escalares en productos por escalares.
Si U = V la transformación lineal T : U ! V también, se llama un operador

lineal en U .
A continuación se ofrecen varios ejemplos de transformaciones lineales en diversos
espacios vectoriales.
Ejemplo 6.2.1 (Transformación cero) Sean U y V espacios vectoriales y

T : U ! V la función de…nida por T (u) = para todo u 2 U . Entonces
T (u + v) = = + = T (u) + T (v)
T (ru) = = r = rT (u)
Esto muestra que T es una transformación lineal, T recibe el nombre de transfor-

mación cero.
Ejemplo 6.2.2 (Transformación identidad) Supóngase que U es un espacio vecto-

rial y que I : U ! U es la función de…nida por I (u) = u para todo u de U . I es
evidentemente una transformación lineal. Se le llama transformación identidad o
bien operador identidad.
332
Ejemplo 6.2.3 (Transformación re‡exión) Supóngase que T : R2 ! R2 (aquí los
vectores en R2 se escriben como columnas) está de…nida por
x x
T =
y y
Es fácil veri…car que T es una transformación lineal.
Geométricamente, T toma un vector de R2 y da por resultado su re‡exión con

respecto al eje y. Así por ejemplo, la imagen del vector o punto (3; 7) es el vector o
punto ( 3; 7).
Se puede considerar también, una re‡exión con respecto al eje x la cual está
de…nido por
x x
T =
y y
Ejemplo 6.2.4 (Transformación proyección) Sea
T : R3 ! R2 de…nida por T (x; y; z) = (x; y)
Para veri…car que T es una transformación lineal, sean

u = (x1 ; y1 ; z1 ) y v = (x2 ; y2 ; z2 ) vectores cualesquiera en R2 . Entonces
T (u + v) = T ((x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ))
= T (x1 + x2 ; y1 + y2 ; z1 + z2 )
= (x1 + x2 ; y1 + y2 )
= (x1 ; y1 ) + (x2 + y2 )
= T (x1 ; y1 ; z1 ) + T (x2 ; y2 ; z2 )
= T (u) + T (v)
Además, si r es un número real, entonces
T (ru) = T (r (x1 ; y1 ; z1 ))
= T (rx1 ; ry1 ; rz1 )
= (rx1 ; ry1 )
= r (x1 ; y1 )
= rT (x1 ; y1 ; z1 )
= rT (u)
Por tanto, T es una transformación lineal, llamada proyección, la imagen del vector
(o punto) (6; 8; 3) es el vector (o punto) (6; 8).
333
Ejemplo 6.2.5 (Transformación de…nida por una matriz) Sea A cualquier matriz
m n. Como se señaló previamente, A determina una función F : Rn ! Rm
de…nida mediante F (u) = Au. (Aquí los vectores de Rn y Rm se escriben como
columnas). A…rmamos que F es una transformación lineal. Esto es debido a que,
por propiedades de las matrices se cumplen
F (u + v) = A (u + v) = Au + Av = F (u) + F (v)
F (ru) = A (ru) = rAu = rF (u) :
Donde u; v 2 Rn y r 2 R. Por tanto, toda matriz A de m n da origen a una
transformación lineal de Rn a Rm .
Ejemplo 6.2.6 (Operador dilatación y contracción) Sea T : R3 ! R3 de…nida por

T (u) = ku donde k 2 R. Es fácil veri…car que T es una transformación lineal. Si
k > 1; entonces T es una dilatación; si 0 < k < 1 entonces T es una contracción.
Es así, que una dilatación alarga un vector mientras que la contracción lo encoge.
Ejemplo 6.2.7 (Operador diferencial) Sea V el espacio vectorial de los polinomios

en la variable t. La aplicación derivada D : V ! V de…nida por D (f ) = df
dt es una
transformación lineal. La razón es que, según se demuestra en cálculo, para todo
par de vectores f; g 2 V y todo escalar r 2 R se tiene
d (f + g) df dg d (rf ) df
= + y =r
dt dt dt dt dt
Ejemplo 6.2.8 (La integral como transformaciónR1 lineal) Supóngase que
J : C [0; 1] ! R está de…nida por J (f ) = 0 f (x) dx. Como
Z 1 Z 1 Z 1
(f (x) + g (x)) dx = f (x) dx + g (x) dx
0 0 0
Z 1 Z 1
rf (x) dx = r f (x) dx
0 0
si f y g son continuas, se ve que J es una transformación lineal. Por ejemplo

J x2 = 1=3. J recibe el nombre de operador integral.
Ejemplo 6.2.9 Sea T : Mm n ! Mn m de…nido mediante T (A) = At para todo

A 2 Mm n , resulta fácil veri…car que T es una transformación lineal. En efecto
sean A; B 2 Mm n . Entonces por las propiedades de transpuesta tenemos.
T (A + B) = (A + B)t = At + B t = T (A) + T (B)
T (rA + B) = (rA)t = rAt = rT (A)
Por tanto, T es una transformación lineal llamada transformación transposición.
334
Ejemplo 6.2.10 Sean V el espacio vectorial de las matrices cuadradas y M una
matriz arbitraria en V . Defínase T : V ! V mediante T (A) = AM + M A con
A 2 V . Mostrar que T es transformación lineal.
Solución. Para todo par de matrices A; B 2 V y todo escalar r 2 R tenemos
T (A + B) = (A + B) M + M (A + B)
= AM + BM + M A + M B
= (AM + M A) + (BM + M B)
= T (A) + T (B)
T (rA) = (rA) M + M (rA)

= r (AM ) + r (M A)
= r (AM + M A)
= rT (A)
En consecuencia, T es una transformación lineal. X
Ejemplo 6.2.11 Sea T : P1 ! P2 de…nida por T (at + b) = t (at + b). Mostrar que
T es una transformación lineal.
Solución. Sean at + b y ct + d vectores en P1 y sea r un escalar. Entonces
T ((at + b) + (ct + d)) = t [(at + b) + (ct + d)]

= t (at + b) + t (ct + d)
= T (at + b) + T (ct + d)
T (r (at + b)) = t [r (at + b)]

= r (t (at + b))
= rT (at + b)
Por tanto, T es una transformación lineal. X
Ejemplo 6.2.12 Sea T : P1 ! P2 de…nida por T (p (t)) = tp (t) + t2 . ¿Es, T una

transformación lineal?
335
Solución. Sean p (t) y q (t) vectores en P1 y sea r un escalar. Entonces
T [p (t) + q (t)] = t [p (t) + q (t)] + t2 = tp (t) + tq (t) + t2 :
Mientras, que
T [p (t)] + T [q (t)] = tp (t) + t2 + tq (t) + t2 = tp (t) + tq (t) + 2t2 :
Como
T [p (t) + q (t)] 6= T [p (t)] + T [q (t)]
concluimos que T no es una transformación lineal. X
Observación 6.2.2 No toda función que tenga el aspecto de ser lineal es en realidad
una transformación lineal. Considérese por ejemplo, la función T : R ! R de…nida
por T (x) = 2x + 3. Entonces
f(x; T (x)) =x 2 Rg
es una recta en el plano xy. No obstante, T no es una transformación lineal, ya que
T (x + y) = 2 (x + y) + 3 = 2x + 2y + 3
pero
T (x) + T (y) = (2x + 3) + (2y + 3) = 2x + 2y + 6
Las únicas transformaciones lineales de R a R son funciones de la forma T (x) = mx
siendo m algún número real. Así, de todas las funciones que representan líneas
rectas, las únicas que son transformaciones lineales son las que pasan por el origen.
En álgebra y en cálculo, una función lineal con dominio R es aquella que tiene la
forma f (x) = mx + b. Por tanto, se puede decir que una función lineal es una
transformación lineal de R a R si, y sólo si, b (la intersección con el eje y) es cero.
Ejemplo 6.2.13 Una función que no es una transformación lineal. Supóngase que
T : C [0; 1] ! R está de…nida por T (f ) = f (0)+1. Entonces T no es transformación
lineal. Esto se comprueba fácilmente así
T (f + g) = (f + g) (0) + 1 = f (0) + g (0) + 1
mientras que
T (f ) + T (g) = [f (0) + 1] + (g (0) + 1) = f (0) + g (0) + 2
Este es otro ejemplo de una función que aparenta ser lineal, pero que en realidad no
lo es.
336
Ejemplo 6.2.14 Demuestre que ninguna de las siguientes funciones es transforma-
ción lineal:
(a) T : M2 2 ! R de…nido por T (A) = det A.

(b) T : R ! R de…nido por T (x) = 2x .
(c) T : R ! R de…nido por T (x) = x + 1.
Solución. En cada caso, proporcionamos un contraejemplo especi…co para demostrar

que una de las propiedades de una transformación lineal no se cumple.
(a) Sean
1 0 0 0 1 0
A= yB= entonces A + B =
0 0 0 1 0 1
de manera que
1 0
T (A + B) = det (A + B) = =1
0 1
Pero
1 0 0 0
T (A) + T (B) = det A + det B = + =0+0=0
0 0 0 1
de modo que T (A + B) 6= T (A) + T (B). En consecuencia T no es una trans-
formación lineal.
(b) Sea x = 1 y sea y = 2. Entonces
T (x + y) = T (3) = 23 = 8
pero
T (x) + T (y) = 21 + 22 = 6
esto muestra que T (x + y) 6= T (x) + T (y), de este modo T no es lineal.
(c) Sea x = 1 y sea y = 2. Entonces
T (x + y) = T (3) = 3 + 1 = 4
pero
T (x) + T (y) = (1 + 1) + (2 + 1) = 5
esto muestra que T (x + y) 6= T (x) + T (y). Por consiguiente T no es trans-
formación lineal.
337
6.3 Propiedades de las transformaciones lineales.
Las dos propiedades de las transformaciones lineales del siguiente teorema son útiles
y fáciles de probar.
Teorema 6.3.1 (Preservación del cero y de la resta) Sean U y V espacios

vectoriales y sea T : U ! V una transformación lineal. Entonces
(a) T ( ) = Preservación del cero.
(b) T (u1 u2 ) = T (u1 ) T (u2 ) Preservación de la resta:
para vectores u1 ; u2 de U cualesquiera.
Demostración. (a) Es evidente que cuando escribimos T ( ) = , el primer vector

cero está en U y el segundo en V . Usaremos por el momento las notaciones U y V
para aclarar esto, la preservación de la suma para T muestra que
T( U) +T ( U) =T( U + U) =T( U) :
Restando T ( U) en el espacio vectorial V de ambos lados de la anterior ecuación

obtenemos
T( U) =T( U) T( U) = V
Que es justamente lo que queríamos mostrar.
(b) Para vectores u1 ; u2 de U tenemos,
T (u1 u2 ) = T (u1 + ( 1) u2 ) = T (u1 ) + T (( 1) u2 )

= T (u1 ) + ( 1) T (u2 ) = T (u1 ) T (u2 )
Observación 6.3.1 Observe que la propiedad (a) del teorema anterior proporciona
un método rápido para decidir que funciones no son transformaciones lineales, es
decir como transformación lineal debe cumplir las dos propiedades del teorema, si
una función no satisface cualquiera de las anteriores propiedades, entonces la función
no es una transformación lineal.
Ejemplo 6.3.1 Determinar si la función f : R2 ! R2 de…nida por
f (x1 ; x2 ) = (x1 + x2 ; x1 + 1)
es o no una transformación lineal.
338
Solución. Como f ( ) = f (0; 0) = (0; 1) 6= , vemos que f no preserva el cero y por
tanto no puede ser transformación lineal. X
Ejemplo 6.3.2 Probar que la siguiente función f : R2 ! R3 de…nida por
f (x; y) = (x + 1; 2y; x + y)
no es transformación lineal.
Solución. Dado que f ( ) = f (0; 0) = (1; 0; 0) 6= (0; 0; 0) = , f no puede ser

transformación lineal. X
La propiedad más importante de una transformación lineal T : U ! V es que T se

encuentra completamente determinada por su efecto sobre una base para U . Es decir
una transformación lineal queda completamente determinada por los valores que
asigna a los elementos de una base. Así como se demuestra en el siguiente teorema.
También nos proporciona abundantes ejemplos de transformaciones lineales.
Teorema 6.3.2 Sean U y V espacios vectoriales. Sean B = fu1 ; u2 ; u3 ; : : : ; un g

una base de U y v1 ; v2 ; v3 ; : : : ; vn vectores cualesquiera en V . Entonces existe una
única transformación lineal T : U ! V tal que
T (u1 ) = v1 ; T (u2 ) = v2 ; : : : ; T (un ) = vn .
Demostración. La demostración consta de tres pasos: Paso 1 de…nimos la función

T : U ! V tal que T (ui ) = vi . Paso 2 probamos que T es una transformación lineal
y Paso 3 probamos que T es única.
Paso 1 Sea u 2 U , como B = fu1 ; u2 ; : : : ; un g es una base de U , entonces existen

escalares únicos a1 ; a2 ; : : : ; an tales que
u = a1 u1 + a2 u2 + : : : + an un
de…nimos T : U ! V mediante;
T (u) = T (a1 u1 + a2 u2 + : : : + an un ) = a1 v1 + a2 v2 + : : : + an vn
Puesto que los ai son únicos, entonces la función T está bien de…nida. Por
otra parte, para i = 1; 2; 3; : : : ; n se tiene
ui = 0u1 + 0u2 + + 1ui + + 0un
Luego
T (ui ) = 0v1 + 0v2 + + 1vi + + 0vn = vi
339
Paso 2 Sean u = a1 u1 + a2 u2 + : : : + an un y w = b1 u1 + b2 u2 + : : : + bn un . Entonces
u + w = (a1 + b1 ) u1 + (a2 + b2 ) u2 + : : : + (an + bn ) un
y para cada r 2 R,
ru = ra1 u1 + ra2 u2 + : : : + ran un
Luego por la de…nición de la función T , se tiene
T (u) = a1 v1 + a2 v2 + : : : + an vn y T (w) = b1 v1 + b2 v2 + : : : + bn vn
Por tanto
T (u + w) = T [(a1 + b1 ) u1 + (a2 + b2 ) u2 + : : : + (an + bn ) un ]

= (a1 + b1 ) v1 + (a2 + b2 ) v2 + : : : + (an + bn ) vn
= (a1 v1 + a2 v2 + : : : + an vn ) + (b1 v1 + b2 v2 + : : : + bn vn )
= T (u) + T (w) :
T (ru) = T (ra1 u1 + ra2 u2 + : : : + ran un )

= ra1 v1 + ra2 v2 + : : : + ran vn
= r (a1 v1 + a2 v2 + : : : + an vn )
= rT (u) :
De este modo T es una transformación lineal.
Paso 3 Supongamos que F : U ! V es otra transformación lineal tal que
F (ui ) = vi para i = 1; 2; 3; : : : ; n. Como u = a1 u1 + a2 u2 + : : : + an un . Entonces
F (u) = F (a1 u1 + a2 u2 + : : : + an un )
= a1 F (u1 ) + a2 F (u2 ) + : : : + an F (un )
= a1 v1 + a2 v2 + : : : + an vn
= T (u)
Al ser F (u) = T (u) para todo u 2 U se tiene F = T . Así, pues T es única, y

queda demostrado el teorema.
340
Observación 6.3.2 Observe que este teorema establece que una transformación li-
neal T : U ! V esta completamente determinada por su efecto sobre una base de U .
Es decir si
T (u1 ) = v1 ; T (u2 ) = v2 ; : : : ; T (un ) = vn
están de…nidos para una base B = fu1 ; u2 ; : : : ; un g, entonces T (u) está de…nido para
cualquier u 2 U de esta manera solo es necesario saber
T (u1 ) = v1 ; T (u2 ) = v2 ; : : : ; T (un ) = vn
para precisar T . Por tanto es posible describir una transformación lineal T : U ! V

dando solo las imágenes de una base de U .
De este modo toda transformación lineal T : U ! V está determinada unívo-
camente por sus valores en una base para U . Estos valores pueden elegirse arbitra-
riamente en V , diferentes elecciones producen diferentes transformaciones lineales
y cada transformación lineal de U a V puede obtenerse de esta manera.
Ejemplo 6.3.3 Sea T : R2 ! R2 la transformación lineal para la cual se tiene
T (1; 2) = (2; 3) y T (0; 1) = (1; 4)
Puesto que B = f(1; 2) ; (0; 1)g constituye una base de R2 , tal transformación lineal
existe y es única en virtud del teorema anterior. Deseamos encontrar una expresión
para T , es decir, T (x; y). Para lo cual escribimos (x; y) como combinación lineal de
(1; 2) y (0; 1), esto es
(x; y) = a1 (1; 2) + a2 (0; 1)
1 0 a1 x
=
2 1 a2 y
Resolviendo este sistema se obtiene la siguiente solución, a1 = x y a2 = 2x + y,

luego
(x; y) = x (1; 2) + ( 2x + y) (0; 1) :
Por tanto,
T (x; y) = xT (1; 2) + ( 2x + y) T (0; 1)

= x (2; 3) + ( 2x + y) (1; 4)
= (y; 5x + 4y) :
341
Ejemplo 6.3.4 Sea T : M3 1 ! M2 1 una transformación lineal de M3 1 a M2 1
y supóngase que
2 3 2 3 2 3
1 0 0
2 1 5
T4 0 5= ; T4 1 5= ; T4 0 5=
3 4 3
0 0 1
Calcule 2 3
3
T4 4 5
5
Solución. Como
2 3 2 3 23 2 3
3 1 0 0
4 4 5 = 34 0 5 44 1 5 + 54 0 5
5 0 0 1
entonces
2 3 2 3 23 2 3
3 1 0 0
T4 4 5 = 3T 0 5
4 4T 1 + 5T 0 5
4 5 4
5 0 0 1
2 1 5
= 3 4 +5
3 4 3
6 4 25 35
= + + =
9 16 15 22
Ejemplo 6.3.5 Sea T : P1 ! P2 una transformación lineal para la cual sabemos

que
T (t + 1) = t2 1 y T (t 1) = t2 + t
(a) ¿Cuánto vale T (7t + 3)?
(b) ¿Cuánto vale T (at + b)?
Solución. (a) Primero observemos que B = fu1 = t + 1; u2 = t 1g es una base

de P1 (veri…que) a continuación vemos que (veri…que)
7t + 3 = 5 (t + 1) + 2 (t 1)
342
Entonces
T (7t + 3) = T [5 (t + 1) + 2 (t 1)]
= 5T (t + 1) + 2T (t 1)
2 2
= 5 t 1 +2 t +t
2
= 7t + 2t 5:
(b) Al escribir at + b como combinación lineal de los vectores de la base dada

vemos que (veri…que)
a+b a b
at + b = (t + 1) + (t 1)
2 2
Entonces
a+b a b
T (at + b) = T (t + 1) + (t 1)
2 2
a+b a b
= T (t + 1) + T (t 1)
2 2
a+b a b
= t2 1 + t2 + t
2 2
a b a+b
= at2 + t :
2 2
6.4 Composición de transformaciones lineales

De…nición 6.4.1 Si T : U ! V y S : V ! W son transformaciones lineales,
entonces la composición de S con T es la función S T : U ! W de…nido por
(S T ) (u) = S (T (u)) ; 8u 2 U
Observación 6.4.1 Observe que para que la de…nición tenga sentido, la imagen o
contradominio de T debe estar contenida en el dominio de S.
Ejemplo 6.4.1 Sean T : R2 ! P1 y S : P1 ! P2 las transformaciones lineales

de…nidas por
T (a; b) = a + (a + b) x y S (p (x)) = xp (x)
Encuentre (S T ) (3; 2) y (S T ) (a; b).
343
Solución. Utilizando la de…nición de composición de transformaciones lineales se
tiene
(S T ) (3; 2) = S (T (3; 2)) = S (3 + (3 2) x) = S (3 + x) = x (3 + x) = 3x + x2
(S T ) (a; b) = S (T (a; b)) = S (a + (a + b) x) = x (a + (a + b) x) = ax + (a + b) x2 :
X
Teorema 6.4.1 Si T : U ! V y S : V ! W son transformaciones lineales, en-
tonces S T : U ! W es una transformación lineal.
Demostración. Sean u; v 2 U y sea r 2 R un escalar. Entonces
(S T ) (u + v) = S (T (u + v))
= S (T (u) + T (v))
= S (T (u)) + S (T (v))
= (S T ) (u) + (S T ) (v)
Por otra parte
(S T ) (ru) = S (T (ru))
= S (rT (u))
= rS (T (u))
= r (S T ) (u)
Por consiguiente, S T es una transformación lineal. X
Las propiedades algebraicas de las transformaciones lineales, están íntimamente

relacionadas con las propiedades algebraicas de las matrices. Al igual que la multipli-
cación de matrices es asociativa similarmente se puede mostrar que la composición de
transformaciones lineales es también asociativa. Es decir si T : U ! V; S : V ! W
y R : W ! H son transformaciones lineales entonces
R (S T ) = (R S) T : U ! H
(ver teorema 6.1.1.)
El siguiente ejemplo nos permite conocer otra útil propiedad de las transforma-
ciones lineales.
Ejemplo 6.4.2 Sean T : U ! V y S : V ! W transformaciones lineales y sea
I : V ! V la transformación identidad. Entonces para todo v 2 V , tenemos que
(T I) (v) = T (I (v)) = T (v). Debido a que T I y T tienen el mismo valor para
todo v en su dominio, se deduce que T I = T . De manera similar se puede mostrar
que I S = S.
344
Observación 6.4.2 Vale la pena observar en el método del ejemplo anterior lo
siguiente. Supongamos que deseamos demostrar que dos transformaciones lineales
T1 y T2 (ambas de V en W ) son iguales. Basta con demostrar que T1 (v) = T2 (v)
para todo v 2 V .
6.5 Inversas de las transformaciones lineales

De…nición 6.5.1 Una transformación lineal T : U ! V es invertible si existe una
transformación lineal T 0 : V ! U tal que T 0 T = IdU y T T 0 = IdV . En este
caso, T 0 se denomina inversa de T y se denota por T 1 .
Observación 6.5.1 El dominio U y codominio V de T no tienen que ser el mismo.

Sin embargo, veremos en la siguiente sección que U y V deben estar muy estrechamente
relacionados.
Observación 6.5.2 El requisito de que T 0 es transformación lineal podría haber

sido omitido de esta de…nición debido a que, como veremos en un teorema de la
siguiente sección. Si T 0 es cualquier función de V a U tal que T 0 T = IdU y
T T 0 = IdV , entonces T 0 debe ser obligatoriamente transformación lineal.
Observación 6.5.3 Si T 0 es una inversa de T , entonces la de…nición implica que

T es una inversa de T 0 . Por consiguiente, T 0 también es invertible.
Ejemplo 6.5.1 Veri…que que las transformaciones lineales

T : R2 ! P1 y T 0 : P1 ! R2 de…nidas por
T (a; b) = a + (a + b) x y T 0 (c + dx) = (c; d c)
Son inversas.
Solución. Al calcular tanto T 0 T como T T 0 se tiene
T 0 T (a; b) = T 0 (T (a; b)) = T 0 (a + (a + b) x) = (a; (a + b) a) = (a; b)

0 0
T T (c + dx) = T T (c + dx) = T (c; d c) = c + (c + (d c) x) = c + dx
Por consiguiente T 0 T = IdR2 y T T 0 = IdP1 . Por tanto, T y T 0 son inversas entre

si.X
Así, como ocurrió en el caso de las matrices invertibles, las inversas de las trans-
formaciones lineales son únicas si es que existen.
Teorema 6.5.1 Si T es una transformación lineal invertible, entonces su inversa

es única.
345
Gracias a este teorema, si T es invertible, podemos hacer referencia a la inversa
de T . De ahora en adelante será denotada como T 1 (que se lee “T inversa”). En
las siguientes secciones abordaremos la cuestión de determinar cuándo una transfor-
mación lineal dada es invertible y la de hallar su inversa cuando esta exista.
6.6 Núcleo e imagen de una transformación lineal

Cada vez que se tenga una transformación lineal T : U ! V existen dos conceptos
importantes relacionados con la transformación lineal que debemos conocer, ellos son
el núcleo o kernel y la imagen o contradominio de la transformación lineal, cuyas
de…niciones son:
De…nición 6.6.1 Sea T : U ! V una transformación lineal, entonces.
1. El núcleo o kernel de T denotado por ker T está de…nido como
ker T = fu 2 U= T (u) = g
Observe que u 2 ker T sí, y sólo si, T (u) = .
2. La imagen o contradominio de T denotado por cont T , está de…nido como
cont T = fv 2 V = 9u 2 U tal que T (u) = vg
Observe que v 2 cont T sí, y sólo si, 9u 2 U tal que T (u) = v:
Observación 6.6.1 Observemos que ker T es un subconjunto de U , mientras que

cont T es un subconjunto de V .
Ejemplo 6.6.1 Sea T : U ! V la transformación lineal cero dado por

T (u) = ; 8u 2 U . Entonces ker T = U pues todos los vectores u de U se
transforman en 2 V y el cont T = f g.
Ejemplo 6.6.2 Sea T : U ! U la transformación lineal identidad dado por

T (u) = u; 8u 2 U . Entonces ker T = f g pues todos los vectores u de U se
transforman en si mismos y el cont T = U .
Antes de seguir dando ejemplos de núcleos y contradominios de transformaciones

lineales se presenta el siguiente teorema muy útil.
346
Teorema 6.6.1 Si T : U ! V es una transformación lineal, entonces
1. ker T es un subespacio de U .
2. cont T es un subespacio de V .
Demostración. Recordemos que un subconjunto S 6= ? de un espacio vectorial V

es subespacio de V si, y sólo si,
(i) si u; v 2 S implica u + v 2 S:
(ii) si u 2 S y r 2 R entonces ru 2 S:
En nuestro caso ker T será subespacio de U si, y sólo si,
(i) si u; v 2 ker T entonces u + v 2 ker T
(ii) si u 2 ker T y r 2 R entonces ru 2 ker T:
Demostremos estas dos condiciones.
(i) Sean u; v 2 ker T entonces por de…nición de ker T se tiene T (u) = y T (v) = ,
deseamos mostrar que u + v 2 ker T , observe que u + v 2 ker T si, y sólo si,
T (u + v) = . Como
T (u + v) = T (u) + T (v) = + =
esto muestra que u + v 2 ker T .
(ii) Sea u 2 ker T y r 2 R, entonces T (u) = deseamos mostrar que ru 2 ker T ,

pero ru 2 ker T si, y sólo si, T (ru) = . Como
T (ru) = rT (u) = r =
esto muestra que ru 2 ker T . Por tanto ker T es un subespacio vectorial de U .
La demostración de que cont T es subespacio de V es similar.
(i) Sean v1 ; v2 2 cont T , entonces existen u1 ; u2 2 U tales que T (u1 ) = v1 y

T (u2 ) = v2 . Como existen u1 ; u2 2 U entonces existe u1 + u2 2 U tales que
T (u1 + u2 ) = T (u1 ) + T (u2 ) = v1 + v2
esto muestra que v1 + v2 2 cont T .
347
(ii) Sea v 2 cont T y r 2 R, entonces existe u 2 U tal que T (u) = v. Como existe
u 2 U y U es un espacio vectorial entonces existe ru 2 U tal que
T (ru) = rT (u) = rv
y esto muestra que rv 2 cont T . En consecuencia cont T es un subespacio

vectorial de V .
X
En vista de que tanto ker T como cont T de una transformación lineal
T :U !V
son subespacios vectoriales de U y V respectivamente y por tanto constituyen espa-

cios vectoriales, luego podemos hablar de dependencia lineal, dimensión, bases, etc.
tanto del kernel como del contradominio de una transformación lineal.
Ejemplo 6.6.3 Sea T : R5 ! R4 una transformación lineal de…nida por

T (u) = Au, para todo u 2 R5 donde
2 3
1 2 0 1 1
6 2 1 3 1 0 7
A=6 4 1 0
7
5
2 0 1
0 0 0 2 8
(a) Encuentre el ker T y el cont T .
(b) Determine una base tanto para el ker T como para el cont T .
(c) ¿Cuál es la dimensión del ker T y del cont T ?
Solución. Primeramente encontremos el ker T . Por de…nición el kernel de T es el

conjunto de todos los u = (x1 ; x2 ; x3 ; x4 ; x5 ) 2 R5 tales que
T (u) = T (x1 ; x2 ; x3 ; x4 ; x5 ) = (0; 0; 0; 0)
A partir de esta ecuación se obtiene el siguiente sistema homogéneo

2 3
2 3 x1 2 3
1 2 0 1 1 6 7 0
6 2 1 3 1 0 7 6 x2 7 6 0 7
6 7 6 x3 7 = 6 7
4 1 0 2 0 1 564 x4 5
7 4 0 5
0 0 0 2 8 0
x5
348
Resolviendo este sistema por eliminación de Gauss-Jordan se tiene
2 3 2 3
1 2 0 1 1 : 0 1 0 2 0 1 : 0
6 2 1 3 1 0 : 0 7 7 6 0 1 1 0 2 : 0 7
6 $ $6 7
4 1 0 2 0 1 : 0 5 4 0 0 0 1 4 : 0 5
0 0 0 2 8 : 0 0 0 0 0 0 : 0
x1 +2x3 x5 = 0 x1 = 2x3 + x5
x2 x3 2x5 = 0 de donde x2 = x3 +2x5
x4 +4x5 = 0 x4 = 4x5
Esto dice que el sistema tiene in…nitas soluciones uno para cada valor de x3 y x5 ;
haciendo x3 = q y x5 = t se tiene
(x1 ; x2 ; x3 ; x4 ; x5 ) = ( 2q + t; q + 2t; q; 4t; t)
Entonces el ker T consta de todos los u = (x1 ; x2 ; x3 ; x4 ; x5 ) 2 R5 de la forma
ker T = f( 2q + t; q + 2t; q; 4t; t) = q; t 2 Rg
Para hallar una base del ker T , vemos que cualquier vector en el ker T puede escribirse
como
ker T = f( 2q + t; q + 2t; q; 4t; t) = q; t 2 Rg

ker T = f( 2q; q; q; 0; 0) + (t; 2t; 0; 4t; t) = q; t 2 Rg
ker T = fq ( 2; 1; 1; 0; 0) + t (1; 2; 0; 4; 1) = q; t 2 Rg
Esto muestra que el ker T está generado por el conjunto
f( 2; 1; 1; 0; 0) ; (1; 2; 0; 4; 1)g
Se puede comprobar fácilmente que este conjunto es linealmente independiente. Por

tanto una base para el kernel de T es el conjunto
B = f( 2; 1; 1; 0; 0) ; (1; 2; 0; 4; 1)g
Como esta base consta de dos vectores, entonces dim (ker T ) = 2:

A continuación encontremos la imagen o contradominio de T . Por de…nición el
cont T es el conjunto de todos los v = (y1 ; y2 ; y3 ; y4 ) 2 R4 para los cuales existe
u = (x1 ; x2 ; x3 ; x4 ; x5 ) 2 R5 tales que
T (x1 ; x2 ; x3 ; x4 ; x5 ) = (y1 ; y2 ; y3 ; y4 )
349
A partir de esta ecuación se obtiene el siguiente sistema no homogéneo de ecuaciones
lineales 2 3
2 3 x 2 3
1 2 0 1 1 6 1 7 y1
6 2 1 3 1 0 7 6 x2 7 6 7
6 7 6 x3 7 = 6 y2 7
4 1 0 2 0 1 54 6 7 4 y3 5
x4 5
0 0 0 2 8 y3
x5
Resolviendo este sistema mediante eliminación de Gauss tenemos
2 3 2 3
1 2 0 1 1 : y1 1 0 2 0 1 : y1
6 2 1 3 1 0 : y 7 6 0 1 1 1
0 : y3 +y1 7
6 2 7$6 2 2 7
4 1 0 2 0 1 : y3 5 4 0 0 0 1 4 : y1 + 2y2 + 3y3 5
0 0 0 2 8 : y4 0 0 0 0 0 : y1 2y2 3y3 + y24
Así, vemos que el sistema tiene solución sólo cuando y1 2y2 3y3 + y24 = 0; o sólo
cuando 2y1 4y2 6y3 + y4 = 0 que es equivalente a y4 = 2y1 + 4y2 + 6y3 .
Por tanto el cont T es el conjunto de todos los v = (y1 ; y2 ; y3 ; y4 ) 2 R4 de la
forma.
cont T = (y1 ; y2 ; y3 ; y4 ) 2 R4 = y4 = 2y1 + 4y2 + 6y3

= f(y1 ; y2 ; y3 ; 2y1 + 4y2 + 6y3 ) = y1 ; y2 ; y3 2 Rg
Ahora encontremos una base para el cont T ; observemos que
cont T = f(y1 ; y2 ; y3 ; 2y1 + 4y2 + 6y3 ) = y1 ; y2 ; y3 2 Rg

cont T = f(y1 ; 0; 0; 2y1 ) + (0; y2 ; 0; 4y2 ) + (0; 0; y3 ; 6y3 ) = y1 ; y2 ; y3 2 Rg
cont T = fy1 (1; 0; 0; 2) + y2 (0; 1; 0; 4) + y3 (0; 0; 1; 6) = y1 ; y2 ; y3 2 Rg
Esto dice que el cont T está generado por el conjunto
f(1; 0; 0; 2) ; (0; 1; 0; 4) ; (0; 0; 1; 6)g
También, en este caso se puede comprobar que este conjunto es linealmente inde-
pendiente. De este modo una base para el contradominio de T es el conjunto
B = f(1; 0; 0; 2) ; (0; 1; 0; 4) ; (0; 0; 1; 6)g
Como esta base consta de tres vectores entonces dim (cont T ) = 3. X
Observación 6.6.2 Observe que.
dim R5 = dim (ker T ) + dim (cont T )

5 = 2+3
350
Está última observación sugiere la siguiente.
De…nición 6.6.2 Si T : U ! V es una transformación lineal entonces se de…ne
nulidad (T ) = dim (ker T )

rango (T ) = dim (cont T )
Teorema 6.6.2 (Del rango) Sea T : U ! V una transformación lineal donde

dim U = n, entonces la suma de las dimensiones del kernel de T y el contradominio
de T es igual a la dimensión del dominio de T , es decir.
dim U = dim (ker T ) + dim (cont T )

dim U = nulidad (T ) + rango (T )
Demostración. Sea dim U = n y sea fu1 ; u2 ; u3 ; : : : ; uk g una base para el ker T , de

manera que
nulidad (T ) = dim (ker T ) = k
Como fu1 ; u2 ; u3 ; : : : ; uk g es un conjunto linealmente independiente, puede ser ex-
tendido a una base para U . Sea
B = fu1 ; u2 ; u3 ; : : : ; uk ; uk+1 ; : : : ; un g
una base de este tipo. Si podemos demostrar que el conjunto
B 0 = fT (uk+1 ) ; T (uk+2 ) ; : : : ; T (un )g
es una base del cont T , entonces tendremos que
rango (T ) = dim (cont T ) = n k:
Así,
rango (T ) + nulidad (T ) = (n k) + k = n = dim U
como se quiere.
Observe que B 0 está contenido en el cont T . Primero demostremos B 0 que genera
la imagen de T . Sea v cualquier vector del cont T , entonces existe u 2 U tal que
T (u) = v. Como B = fu1 ; u2 ; u3 ; : : : ; uk ; uk+1 ; : : : ; un g es una base para U , podemos
encontrar un conjunto único de escalares a1 ; a2 ; a3 ; : : : ; ak ; ak+1 ; : : : ; an tales que
u = a1 u1 + a2 u2 + a3 u3 + + ak uk + ak+1 uk+1 + + an un
351
Entonces
v = T (u) = T (a1 u1 + a2 u2 + a3 u3 + + ak uk + ak+1 uk+1 + + an un )

= a1 T (u1 ) + a2 T (u2 ) + + ak T (uk ) + ak+1 T (uk+1 ) + + an T (un )
= ak+1 T (uk+1 ) + ak+2 T (uk+2 ) + + an T (un )
ya que los u1 ; u2 ; u3 ; : : : ; uk están en el ker T . Y esto muestra que B 0 genera el cont T .

Seguidamente demostremos que B 0 es linealmente independiente. Supongamos
que
ak+1 T (uk+1 ) + ak+2 T (uk+2 ) + + an T (un ) =
Entonces
T (ak+1 uk+1 + ak+2 uk+2 + + an un ) =
esto dice que el vector ak+1 uk+1 + ak+2 uk+2 + + an un está en el ker T , luego
podemos escribir
ak+1 uk+1 + ak+2 uk+2 + + an un = a1 u1 + a2 u2 + + ak uk
donde los a1 ; a2 ; a3 ; : : : ; ak son escalares determinados y únicos.

Expresamos entonces
a1 u1 + a2 u2 + + ak uk ak+1 uk+1 ak+2 uk+2 an un =
Puesto que B es linealmente independiente entonces
a1 = a2 = = ak = ak+1 = ak+2 = = an = 0
En consecuencia, B 0 es linealmente independiente y por tanto constituye una base

para el cont T . X
Observación 6.6.3 Observe que la dimensión n del espacio vectorial de salida U

de la transformación lineal es la suma de la dimensión del núcleo o kernel más
la dimensión de la imagen o contradominio. En el kernel está todo lo que tiene
como imagen el vector 2 V: Así, que podemos pensar que el kernel se “malgasta”
yendo todo al 2 V . ¡Hemos perdido un subespacio de la dimensión del kernel
en esto! Sin embargo la transformación es todavía capaz de producir un subespacio
de dimensión dim (cont T ) = n dim (ker T ) como imagen de la transformación.
Esta transformación “respeta las dimensiones”; las que no se gastaron en el kernel
reaparecen en la imagen. Y seguimos teniendo las n que teníamos en el espacio de
salida.
352
Ejemplo 6.6.4 Sea T : R2 ! R2 una transformación lineal dado por T (u) = Au
donde " 9 #
3
10 10
A= 3 1
10 10
Determine (a) ker T , (b) nulidad de T (c) cont T y (d) rango de T .
Solución. Primeramente, encontremos el ker T , que como sabemos ker T consta de

todos los vectores u = (x1 ; x2 ) 2 R2 tales que T (x1 ; x2 ) = (0; 0), a partir de esta
ecuación se obtiene el siguiente sistema homogéneo
" 9 3
#" # " #
10 10 x1 0
3 1
=
10 10 x2 0
2 3 2 3 2 3 2 3
9 3 .. .. 1 .. 1 ..
4 10 10 . 0 5 $ 4 9 3 . 0 5 $ 4 1 3 . 0 5
$4
1 3 . 0 5
.. . .. .
3
10
1
10 . 0 3 1 .. 0 3 1 . 0 0 0 .. 0
Cuyo sistema correspondiente es x1 + 13 x2 = 0 que es equivalente a x2 = 3x1 .

Luego el sistema tiene in…nitas soluciones uno para cada valor de x2 o para cada
valor de x1 . A su vez esto dice que el ker T está formado por el conjunto de todos
los vectores de R2 de la forma.
ker T = (x1 ; x2 ) 2 R2 = x2 = 3x1

2
ker T = (x1 ; 3x1 ) 2 R = x1 2 R
Ahora para determinar una base para el ker T observemos que
ker T = x1 (1; 3) 2 R2 = x1 2 R
Esto signi…ca que el ker T está generado por el conjunto unitario f(1; 3)g que
como se sabe es linealmente independiente. En consecuencia una base para el ker T
es el conjunto B = f(1; 3)g, como esta base consta de un sólo vector se tiene que
dim (ker T ) = 1, de este modo obtenemos nulidad de T = 1:
Seguidamente, encontremos el cont T . El contradominio de T es el conjunto de
todos los vectores (y1 ; y2 ) 2 R2 para los cuales existe un vector (x1 ; x2 ) 2 R2 tal que
T (y1 ; y2 ) = (x1 ; x2 ). A partir de esta ecuación se obtiene el siguiente sistema no
homogéneo de ecuaciones lineales
" 9 3
#" # " #
10 10 x1 y1
3 1
=
10 10 x2 y2
353
Resolviendo este sistema vemos que la forma escalonada por …las reducida de la
matriz aumentada del sistema es
2 3
1 .. 10y1
4 1 3 . 9 5
.. y1 +3y2
0 0 . 3
Luego el sistema tiene solución sólo cuando y1 3+3y2 = 0 o equivalentemente solo

cuando y1 = 3y2 . Así, el cont T esta formado por todos los vectores de la forma
cont T = (y1 ; y2 ) 2 R2 = y1 = 3y2
cont T = (3y2 ; y2 ) 2 R2 = y2 2 R
cont T = y2 (3; 1) 2 R2 = y2 2 R
Esto dice que el cont T esta generado por el conjunto unitario f(3; 1)g que como
sabemos es linealmente independiente. Por tanto una base para el cont T es el
conjunto B = f(3; 1)g. Luego dim (cont T ) = rango T = 1. Finalmente observemos
que
dim R2 = dim (ker T ) + dim (cont T )
2 = 1+1
X
Forma alternativa. Para determinar el cont T es mejor considerar las imágenes
de la base canónica de R2 los cuales generan cont T . Luego se forma la matriz con
…las imágenes seguidamente esta matriz se transforma a la forma escalón por …las
reducida y las …las distintas de cero forman una base para el cont T ; este método
es más fácil de aplicar que el método anterior. En nuestro caso, consideremos las
imágenes de la base canónica B = fe1 = (1; 0) ; e2 = (0; 1)g de R2 de que son
" 9 3
#" # " 9 #
10 10 1 10
T (e1 ) = T (1; 0) = 3 1
= 3
0
" 10
9
10
3
# " # " 10
3
#
10 10 0 10
T (e2 ) = T (0; 1) = 3 1
= 1
10 10 1 10
Luego formamos la matriz " #
9 3
10 10
3 1
10 10
reduciendo esta a la forma escalón por …las reducida se obtiene
" 9 3
# " # " # " #
10 10 9 3 3 1 3 1
3 1
$ $ $
10 10 3 1 9 3 0 0
354
Así, B = f(3; 1)g es una base para el cont T .
Ejemplo 6.6.5 Sea T : R3 ! R3 una transformación lineal, dada por la proyección

de u = (x; y; z) sobre el vector v = (1; 2; 2). Hallar la nulidad de T y el rango de T
y de una interpretación geométrica del ker T y del cont T .
hu;vi
Solución. Recordemos que Proyv u = hv;vi v, en nuestro caso
h(x; y; z) ; (1; 2; 2)i

Proy(1;2;2) (x; y; z) = (1; 2; 2)
h(1; 2; 2) ; (1; 2; 2)i
x + 2y + 2z
Proy(1;2;2) (x; y; z) = (1; 2; 2)
1+4+4
x + 2y + 2z 2x + 4y + 4z 2x + 4y + 4z
Proy(1;2;2) (x; y; z) = ; ;
9 9 9
También, recordemos que la
nulidad de T = dim (ker T )
a su vez dim (ker T ) = número de vectores de una base del ker T . Para determinar
una base del ker T debemos determinar primero el ker T . Como el ker T es el conjunto
de todos los vectores (x; y; z) 2 R3 tales que T (x; y; z) = (0; 0; 0). A partir de esta
ecuación obtenemos el siguiente sistema homogéneo.
2 1 2 2 32 3 2 3
9 9 9 x 0
6 2 4 4 76 7 6 7
6 76 7 6 7
4 9 9 9 54 y 5 = 4 0 5
2 4 4
9 9 9 z 0

2 3 2 3 2 3
1 2 2 .. .. ..
6 9 9 9 . 0 7 6 1 2 2 . 0 7 6 1 2 2 . 0 7
6 2 4 4 .. 7 6 . 7 6 . 7
6 7 $ 6 2 4 4 .. 0 7$6 0 0 0 .. 0 7
4 9 9 9 . 0 5 4 5 4 5
4 .. . ..
2
9
4
9 9 . 0 2 4 4 .. 0 0 0 0 . 0
Esto dice que x + 2y + 2z = 0. Así,
ker T = (x; y; z) 2 R3 = x + 2y + 2z = 0
que representa la ecuación de un plano.
355
Para encontrar una base para el ker T observamos que
ker T = (x; y; z) 2 R3 = x + 2y + 2z = 0
1
ker T = (x; y; z) 2 R3 = z = x y
2
1
ker T = x; y; x y 2 R3 = x; y 2 R
2
ker T = f(2x; 2y; x 2y) = x; y 2 Rg
ker T = f(2x; 0; x) + (0; 2y; 2y) = x; y 2 Rg
ker T = fx (2; 0; 1) + y (0; 2; 2) = x; y 2 Rg
Esto dice, que el ker T está generado por el conjunto f(2; 0; 1) ; (0; 2; 2)g el cual
es linealmente independiente (veri…car), de modo que una base para el ker T es
el conjunto B = f(2; 0; 1) ; (0; 2; 2)g, luego dim (ker T ) = 2 en consecuencia la
nulidad de T = 2:
Seguidamente encontremos el cont T . Como el cont T es el conjunto de todos
los vectores (u; v; w) 2 R3 para los cuales existe un vector (x; y; z) 2 R3 tal que
T (x; y; z) = (u; v; w), esto es
x + 2y + 2z 2x + 4y + 4z 2x + 4y + 4z
; ; = (u; v; w)
9 9 9
A partir de esta ecuación obtenemos el siguiente sistema no homogéneo.

2 1 2 2 32 3 2 3
9 9 9 x u
6 2 4 4 76 7 6 7
6 76 7 6 7
4 9 9 9 54 y 5 = 4 v 5
2 4 4
9 9 9 z w
Resolviendo este sistema obtenemos.

2 3 2 3 2 3
1 2 2 .. .. ..
6 9 9 9 . u 7 6 1 2 2 . 9u 7 6 1 2 2 . 9u 7
6 2 4 4 .. 7 6 .. 7 6 . 7
6 7$6 2 4 4 7 $ 6 0 0 0 .. 9v 18u 7
4 9 9 9 . v 5 4 . 9v 5 4 5
4 .. .. .
2
9
4
9 9 . w 2 4 4 . 9w 0 0 0 .. 9w 18u
Esto dice que el sistema tiene solución sólo cuando 9v 18u = 0 y 9w 18u = 0 o
equivalentemente sólo cuando v = 2u y w = 2u. Así,
cont T = f(u; 2u; 2u) = u 2 Rg

cont T = fu (1; 2; 2) = u 2 Rg
356
que representa la ecuación de una recta que pasa por el origen con vector direccional
(1; 2; 2). Observe que el cont T está generado por el conjunto unitario f(1; 2; 2)g
que obviamente es linealmente independiente por tanto una base para el cont T es
el conjunto B = f(1; 2; 2)g luego dim (cont T ) = 1. Es decir, rango de T = 1:
Nuevamente en este ejemplo vemos que
dim R3 = nulidad de T + rango de T:
Ejemplo 6.6.6 Sea T : P2 ! R la transformación lineal de…nida por

Z 1
2
T ax + bx + c = ax2 + bx + c dx
0
(a) Encuentre dim (ker T ) y dim (cont T ).

(b) Veri…que que dim (P2 ) = dim (ker T ) + dim (cont T ) :
Solución. Para hallar el ker T debemos buscar elementos u = ax2 + bx + c 2 P2

tales que T (u) = T ax2 + bx + c = 0. Como,
Z 1
T (u) = T ax2 + bx + c = ax2 + bx + c dx
0
1
a 3 b 2 a b
= x + x + cx = + +c=0
3 2 0 3 2
a b
Así, c = 3 2 entonces ker T consta de todos los polinomios de P2 de la forma
a b
ax2 + bx +
3 2
para a y b números reales cualesquiera. Para hallar la dimensión del ker T obtenemos
una base para ker T . Observe que cualquier vector en ker T puede escribirse como
a b 1 1
ax2 + bx + = a x2 +b x :
3 2 3 2
Por lo tanto, los vectores x2 31 ; x 12 generan a ker T . Ahora estos vectores

son también linealmente independientes (veri…car). En consecuencia el conjunto
1 1
B= x2 ; x
3 2
357
es una base para el ker T , luego dim (ker T ) = 2:
Por otra parte el cont T = R; puesto que todo número real puede ser obtenido
como imagen bajo T de algún polinomio de P2 . Por ejemplo, si r es un número real
cualquiera, podemos hallar un vector u = ax2 + bx + c 2 P2 tal que T (u) = r.
Como
Z 1
T (u) = T ax2 + bx + c = ax2 + bx + c dx
0
1
a 3 b 2 a b
= x + x + cx = + +c=r
3 2 0 3 2
Podemos escoger a = b = 0 y c = r. Entonces cont T = R y dim (cont T ) = 1.

Finalmente observamos que,
dim (P2 ) = dim (ker T ) + dim (cont T )

3 = 2+1
Ejemplo 6.6.7 Sea T : M2 2 ! M2 2 la transformación lineal de…nida al tomar

las transpuestas. Es decir, T (A) = At . Encuentre el ker T y el cont T y también el
rango de T y la nulidad de T .
Solución. Como
ker T = fA 2 M2 2= T (A) = 0g
ker T = A 2 M2 2= At = 0
t
Pero si At = 0, entonces A = At = 0t = 0. De aquí se sigue que ker T = f0g,
luego nulidad de T = dim (ker T ) = 0.
Por otra parte, sea A 2 M2 2 entonces existe At 2 M2 2 tal que
t
T At = At = A:
Por tanto cont T = M2 2, luego rango de T = dim M2 2 = 4: X
Ejemplo 6.6.8 Sea D : P3 ! P2 la transformación lineal de…nida mediante

D (p (x)) = p0 (x). Encuentre ker D y cont D, también encuentre la nulidad de
D y el rango de D:
358
Solución. Como
ker D = a + bx + cx2 + dx3 = D a + bx + cx2 + dx3 = 0 + 0x + 0x2
ker D = a + bx + cx2 + dx3 = b + 2cx + 3dx2 = 0 + 0x + 0x2
ker D = a + bx + cx2 + dx3 = b = 2c = 3d = 0
ker D = fa= a 2 Rg :
Esto dice que el ker D es el conjunto de los polinomios constantes es decir ker D = P0 .
Observemos que
ker D = fa (1) = a 2 Rg
esto signi…ca que ker D está generado por el polinomio constante f1g que obviamente
es linealmente independiente, luego una base para el ker D es el conjunto B = f1g
como esta base consta de un sólo vector se concluye que dim (ker D) = 1, luego
nulidad de D = 1.
Por otra parte el cont D es todo P2 ; puesto que todo polinomio en P2 es la
imagen bajo D (es decir, la derivada) de algún polinomio en P3 . Para ser explícitos
si a + bx + cx2 se encuentra en P2 entonces
b c
a + bx + cx2 = D ax + x2 + x3
2 3
De este modo
cont D = a + bx + cx2 2 P2 = a; b; c 2 R
Así, rango de D = dim P2 = 3: X
Ejemplo 6.6.9 Sea P2 ! P3 una transformación lineal dada por T (p (x)) = xp (x).
Encuentre el rango de T y la nulidad de T .
Solución. Puesto que,

ker T = a + bx + cx2 2 P2 = T a + bx + cx2 = 0 + 0x + 0x2 + 0x3
ker T = a + bx + cx2 2 P2 = ax + bx2 + cx3 = 0 + 0x + 0x2 + 0x3
ker T = a + bx + cx2 2 P2 = a = b = c = 0 = f0g :
De manera que tenemos nulidad de T = dim (ker T ) = 0. Luego utilizando el
teorema del rango se tiene, rango de T = dim P2 nulidad de T = 3 0 = 3: X
Observación 6.6.4 En este ejemplo sería fácil hallar primero el rango de T , debido
a que se ve fácilmente que x; x2 ; x3 es una base para el cont T . Aunque por lo
general, uno de los dos (el kernel o el contradominio de una transformación lineal)
sea más fácil de calcular, el teorema de la suma del rango y la nulidad puede ser
utilizado para hallar la otra.
359
Ejemplo 6.6.10 Sea W el espacio vectorial de todas las matrices simétricas 2 2.
Defínase una transformación lineal T : W ! P2 mediante
a b
T = (a b) + (b c) x + (c a) x2
b c
Encuentre el rango de T y la nulidad de T .
Solución. La nulidad de T es más fácil de calcular directamente que el rango de T ,

entonces procedemos como sigue
a b a b
ker T = 2 W= T = 0 + 0x + 0x2
b c b c
a b
= 2 W= (a b) + (b c) x + (c a) x2 = 0 + 0x + 0x2
b c
a b
= 2 W= (a b) = (b c) = (c a) = 0
b c
a b
= 2 W= a = b = c
b c
c c 1 1
= 2 W= a = b = c = c 2 W= c 2 R :
c c 1 1
1 1
Esto dice que ker T está generado por el conjunto unitario . El cual
1 1
constituye una base del ker T , de este modo la nulidad de T = 1. Entonces por el
teorema del rango se concluye,
rango de T = dim W nulidad de T = 3 1 = 2:
6.7 Transformaciones lineales inyectivas y suryectivas

Ahora estudiaremos los criterios para que una transformación lineal sea invertible.
Las claves de esta exposición son las muy importantes propiedades denominadas
inyectiva y suryectiva.
De…nición 6.7.1 Una transformación lineal T : V ! W se denomina inyectiva (o

uno a uno) si T aplica vectores distintos de V hacia vectores distintos de W . Si
cont T = W , entonces T se denomina suryectiva (o sobre).
360
Observación 6.7.1 La de…nición de inyectiva puede expresarse de manera más
formal como sigue,
T : V ! W es inyectiva si, para todo u; v 2 V; u 6= v implica T (u) 6= T (v).
El enunciado anterior es lógicamente equivalente al siguiente
T : V ! W es inyectiva si, para todo u; v 2 V; T (u) = T (v) implica u = v.
Observación 6.7.2 Otra manera de escribir la de…nición de suryectiva es como

sigue, T : V ! W es suryectiva si para todo w 2 W , existe al menos un v 2 V
tal que T (v) = w. En otras palabras, dado w 2 W , ¿existe algún v 2 V tal que
T (v) = w? Si, para un w arbitrario, podemos resolver esta ecuación para v, entonces
T es suryectiva.
Ejemplo 6.7.1 ¿Cuál de las siguientes transformaciones lineales es inyectiva? ¿Cuál

es suryectiva?
(a) T : R2 ! R3 de…nida por T (x; y) = (2x; x y; 0) :
(b) D : P3 ! P2 de…nida por D (p (x)) = p0 (x) :
(c) F : M2 2 ! M2 2 de…nida por F (A) = At :
Solución. (a) Sea T (x1 ; y1 ) = T (x2 ; y2 ) entonces (2x1 ; x1 y1 ; 0) = (2x2 ; x2 y2 ; 0).

De manera que 2x1 = 2x2 y x1 y1 = x2 y2 si resolvemos estas ecuaciones obser-
vamos que x1 = x2 y y1 = y2 . Por tanto (x1 ; y1 ) = (x2 ; y2 ), en consecuencia T es
inyectiva.
T no es suryectiva, puesto que el contradominio o imagen de T no es todo R3 .
En particular no existe vector (x; y) 2 R2 tal que T (x; y) = (0; 0; 1).
(b) En el ejemplo 6.6.8, demostramos que cont D = P2 de manera que D es
suryectiva. D no es inyectiva, puesto que polinomios distintos en P3 pueden tener
la misma derivada. Por ejemplo, x3 6= x3 + 2, pero D x3 = D x3 + 2 .
(c) Sean A; B 2 M2 2 con F (A) = F (B). Entonces At = B t , de manera que
t t
At = B t esto dice que A = B. Por consiguiente T es inyectiva. En el ejemplo
6.6.7, demostramos que cont F = M2 2 . Por tanto, T es suryectiva. X
Existe un criterio muy simple para determinar si una transformación lineal es

inyectiva.
Teorema 6.7.1 Una transformación lineal T : V ! W es inyectiva si, y sólo si

ker T = f g :
Demostración. Supongamos que T es inyectiva. Si v se encuentra en el ker T ,

entonces T (v) = . Sin embargo, también sabemos que T ( ) = , de manera que
T (v) = T ( ). Debido a que T es inyectiva, esto implica que v = , de modo que el
único vector del ker T es el vector nulo .
361
Recíprocamente, supongamos que ker T = f g. Para demostrar que T es inyec-
tiva, sean u; v 2 V tales que T (u) = T (v). Entonces T (u v) = T (u) T (v) = ,
lo que implica que u v se encuentra en el ker T , pero ker T = f g, de manera que
debemos tener que u v = o de forma equivalente u = v. Esto demuestra que T
es inyectiva. X
Ejemplo 6.7.2 Demuestre que la transformación lineal T : R2 ! P1 , de…nida por
T (a; b) = a + (a + b) x es inyectiva y suryectiva.
Solución. Si (a; b) se encuentra en el ker T , entonces
T (a; b) = a + (a + b) x = 0 + 0x:
De aquí se deduce que a = 0 y a + b = 0. Por tanto b = 0 y por consiguiente
(a; b) = (0; 0). En consecuencia, ker T = f(0; 0)g , entonces por el teorema anterior
T es inyectiva.
Por otra parte según el teorema del rango se sabe que
rango T = dim R2 nulidad T = 2 0 = 2:
Esto dice que, la imagen de T es un espacio bidimensional en R2 y por consiguiente
cont T = R2 . De este modo se concluye que T es suryectiva. X
En transformaciones lineales entre dos espacios vectoriales n dimensionales las

propiedades inyectiva y suryectiva están estrechamente relacionados. Observe primero
que en una transformación lineal T : V ! W , el ker T = f g si, y sólo si, nulidad
de T = 0 y T es suryectiva si, y sólo si, rango de T = dim W . La demostración del
siguiente teorema utiliza precisamente el método del ejemplo anterior.
Teorema 6.7.2 Sea dim V = dim W = n. Entonces, una transformación lineal
T : V ! W es inyectiva si, y sólo si, es suryectiva.
Demostración. Supongamos que T es inyectiva. Entonces según el teorema ante-
rior y la observación hecha. El tema del rango implica que
rango T = dim V nulidad T = n 0=n
Por consiguiente, T es suryectiva.
Recíprocamente, supongamos que T es suryectiva. Entonces
rango T = dim W = n:
Entonces de acuerdo al teorema del rango se tiene
nulidad T = dim V rango T = n n=0
Por tanto ker T = f g, así T es inyectiva. X
362
Teorema 6.7.3 Sea T : V ! W una transformación lineal inyectiva. Si
S = fv1 ; v2 ; v3 ; : : : ; vk g
es un conjunto linealmente independiente en V , entonces
T (S) = fT (v1 ) ; T (v2 ) ; T (v3 ) ; : : : ; T (vk )g
es un conjunto linealmente independiente en W .
Demostración. Sean a1 ; a2 ; a3 ; : : : ; ak escalares tales que
a1 T (v1 ) + a2 T (v2 ) + a3 T (v3 ) + + ak T (vk ) =
Entonces
T (a1 v1 + a2 v2 + a3 v3 + + ak vk ) =
lo que implica que a1 v1 +a2 v2 +a3 v3 + +ak vk se encuentra en el ker T . Pero como
T es inyectiva ker T = f g, por consiguiente a1 v1 + a2 v2 + a3 v3 + + ak vk = :
Pero como S = fv1 ; v2 ; v3 ; : : : ; vk g es linealmente independiente, todos los escalares
a1 ; a2 ; a3 ; : : : ; ak deben ser cero. Por tanto T (S) = fT (v1 ) ; T (v2 ) ; T (v3 ) ; : : : ; T (vk )g
es linealmente independiente. X
Corolario 6.7.4 Si dim V = dim W = n. Entonces, una transformación lineal

inyectiva T : V ! W aplica una base de V en una base de W .
Demostración. Sea B = fv1 ; v2 ; v3 ; : : : ; vn g una base para V . De acuerdo al

teorema anterior T (B) = fT (v1 ) ; T (v2 ) ; T (v3 ) ; : : : ; T (vn )g es un conjunto lineal-
mente independiente en W , de manera que sólo necesitamos demostrar que T (B)
genera W . Sin embargo, según el teorema 6.3.2 T (B) genera la imagen de T .
Además, T es suryectiva, por el teorema 6.7.2, de modo que cont T = W . Por tanto,
T (B) genera a W , lo que completa la demostración. X
Ejemplo 6.7.3 Sea T : R2 ! P1 la transformación lineal de…nido por

T (a; b) = a + (a + b) x.
Entonces según el corolario anterior, la base estándar
B = fe1 = (1; 0) ; e2 = (0; 1)g de R2
es aplicado a una base T (B) = fT (e1 ) ; T (e2 )g de P1 . Encontramos que
T (e1 ) = T (1; 0) = 1 + x y T (e2 ) = T (0; 1) = x
De aquí vemos que f1 + x; xg es una base para P1 .
A continuación se presenta un teorema que ayuda a determinar cuáles transfor-

maciones lineales son invertibles.
363
Teorema 6.7.5 Una transformación lineal T : V ! W es invertible si, y sólo si,
es inyectiva y suryectiva.
Demostración. Supongamos que T es invertible, entonces existe una transforma-
ción lineal T 1 : W ! V tal que T 1 T = IdV y T T 1 = IdW . Para demostrar
que T es inyectiva, supongamos que v 2 ker T , entonces T (v) = , por tanto,
1 1
T (T (v)) = T ( )
1
T T (v) =
(IdV ) (v) =
v =
Lo que establece que ker T = f g. Por consiguiente, T es inyectiva, de acuerdo al
teorema 6.7.1.
Para demostrar que T es suryectiva, sea w en W y sea T 1 (w) = v. Entonces
1
T (v) = T T (w)
1
= T T (w)
= (IdW ) (w)
= w
Lo que demuestra que w es la imagen de v bajo T . Debido a que v se encuentra en
V esto comprueba que T es suryectiva.
Recíprocamente, supongamos que T es inyectiva y suryectiva. Eso signi…ca que
nulidad T = 0 y rango T = dim W . Necesitamos demostrar que existe una trans-
formación lineal T 1 : W ! V , tal que T 1 T = IdV y T T 1 = IdW .
Sea w 2 W , como T es inyectiva y suryectiva, entonces existe un vector único
v 2 V tal que T (v) = w. Por tanto, tiene sentido de…nir una función T 1 : W ! V
de…nido mediante T 1 (w) = v, de esto se sigue que
1 1 1
T T (v) = T (T (v)) = T (w) = v y
1 1
T T (w) = T T (w) = T (v) = w
y esto muestra que T 1
T = IdV y T T 1 = IdW . Ahora debemos demostrar
que T 1 es una transformación lineal. Para este …n, sean w1 ; w2 2 W y a1 ; a2 2 R
escalares. Como T es suryectiva entonces existen v1 ; v2 2 V , tales que T (v1 ) = w1
y T (v2 ) = w2 . Entonces v1 = T 1 (w1 ) y v2 = T 1 (w2 ), luego
1 1 1
T (a1 w1 + a2 w2 ) = T (a1 T (v1 ) + a2 T (v2 )) = T (T (a1 v1 + a2 v2 ))
1
= T T (a1 v1 + a2 v2 ) = IdV (a1 v1 + a2 v2 )
1 1
= a1 T (w1 ) + a2 T (w2 )
En consecuencia, es una transformación lineal. X
364
6.8 Isomor…smos de espacios vectoriales
Las palabras isomor…smo e isomorfo se derivan de los vocablos griegos isos, que
signi…ca “igual”, y morfo, que quiere decir “forma”. De este modo, metafóricamente
hablando, los espacios vectoriales isomorfos tienen “formas iguales”.
Ahora estamos en posición de describir, en términos concretos, lo que signi…ca
que dos espacios vectoriales sean “esencialmente el mismo”.
De…nición 6.8.1 Una transformación lineal T : V ! W se denomina isomor…smo

si es inyectiva y suryectiva. Si V y W son dos espacios vectoriales tales que exista
un isomor…smo de V a W , entonces se dice que V es isomorfo a W y se denota por
V ' W:
Ejemplo 6.8.1 Demuestre que Pn 1 y Rn son isomorfos.
Solución. El proceso de formar la matriz de coordenadas de un polinomio nos provee

de un posible isomor…smo. Especí…camente, de…nimos T : Pn 1 ! Rn mediante
T (p (x)) = [p (x)]B , donde B = 1; x; x2 ; : : : ; xn 1 es la base usual o estándar de
Pn 1 . Es decir,
2 3
a0
6 a1 7
6 7
2
T a0 + a1 x + a2 x + + an 1 x n 1
=6 6 a2 7
7
4 : 5
an 1
Resulta fácil demostrar que T es una transformación lineal. Por otra parte si
p (x) = a0 + a1 x + a2 x2 + + an 1x
n 1
se encuentra en el ker T , entonces

2 3 2 3
a0 0
6 a1 7 6 0 7
6 7 6 7
2
T a0 + a1 x + a2 x + + an 1x
n 1
=6
6 a2 7=6
7 6 0 7
7
4 : 5 4 : 5
an 1 0
Por tanto a0 = a1 = a2 = = an 1 = 0 de este modo p (x) = 0. Por consiguiente,

ker T = f g; así, T es inyectiva. Debido a que rango Pn 1 = dim Rn = n, resulta
que T también es suryectiva. En consecuencia T es un isomor…smo y Pn 1 ' Rn .
X
365
Ejemplo 6.8.2 Demuestre que Mm n y Rm n son isomorfos.
Solución. Una vez más, la función coordenada de Mm n a Rm n es un isomor…smo.

Los detalles de la demostración se dejan como ejercicio.X
De hecho, la manera más fácil de decidir si dos espacios vectoriales son isomorfos
es simplemente veri…car sus dimensiones, como a…rma el siguiente.
Teorema 6.8.1 Sean V y W dos espacios vectoriales de dimensión …nita. En-

tonces, V es isomorfo a W si, y sólo si, dim V = dim W .
Demostración. Sea dim V = n. Si V es isomorfo a W , entonces existe un iso-

mor…smo T : V ! W . Debido a que T es inyectiva, nulidad T = 0. El teorema
del rango implica entonces que rango T = dim V nulidad T = n 0 = n. Por
tanto, la imagen o contradominio de T es un subespacio de n dimensiones en W .
Sin embargo, en razón de que T es suryectiva, cont T = W luego dim W = n de este
modo dim V = dim W = n.
Recíprocamente, supongamos que V y W tienen la misma dimensión n.
Sea B = fv1 ; v2 ; v3 ; : : : ; vn g una base para V y sea C = fw1 ; w2 ; w3 ; : : : ; wn g una
base para W , de…niremos una transformación lineal T : V ! W y posteriormente
mostraremos que T es inyectiva y suryectiva. Un vector arbitrario v 2 V puede
expresarse de manera única como una combinación lineal de los vectores en la base
B, digamos
v = a1 v1 + a2 v2 + a3 v3 + + an vn
De…nimos T : V ! W mediante T (v) = a1 w1 + a2 w2 + a3 w3 + + an wn . Resulta
fácil veri…car que T es una transformación lineal (veri…que). Para comprobar que T
es inyectiva supongamos que v se encuentra en el ker T . Entonces,
T (v) = a1 w1 + a2 w2 + a3 w3 + + an wn =
y la independencia lineal de C obliga a que a1 = a2 = a3 = = an = 0. Pero

entonces
v = a1 v1 + a2 v2 + a3 v3 + + an vn =
de manera que ker T = f g, lo que signi…ca que T es inyectiva. En razón de que
dim W = dim V = n, T también es suryectiva. Por tanto T es un isomor…smo y
V ' W. X
Ejemplo 6.8.3 Muestre que Rn y Pn no son isomorfos.
Solución. Debido a que dim Rn = n 6= n + 1 = dim Pn , se concluye por el teorema

anterior que Rn y Pn no son isomorfos. X
366
Ejemplo 6.8.4 Sea W el espacio vectorial de todas las matrices simétricas 2 2.
Demuestre que W es isomorfo a R3 .
Solución. Sabemos que dim W = 3. Por tanto dim W = dim R3 , de manera que
W ' R3 , (existe un candidato obvio para un isomor…smo T : W ! R3 . ¿Cuál es?).
X
6.9 Representación matricial de una transformación li-

neal
Si A es una matriz m n y T : Rn ! Rm está de…nida por T (u) = Au entonces como
se vio en el ejemplo 6.2.5, T es una transformación lineal. Ahora en esta sección se
verá que para toda transformación lineal de Rn en Rm existe una matriz A; m n
tal que T (u) = Au; para todo u 2 Rn . Esto tiene una extrema utilidad pues una
vez que se conozca T (u) = Au, se puede evaluar T (u) para todo u 2 Rn mediante
una simple multiplicación matricial.
Pero esto no es todo. Como habrá oportunidad de ver, toda transformación
lineal entre espacios vectoriales de dimensión …nita se puede representar mediante
una matriz.
6.9.1 Representación matricial de un operador lineal

Sea T : V ! V un operador lineal en un espacio vectorial V y supongamos que
B = fu1 ; u2 ; u3 ; : : : ; un g es una base de V entonces T (u1 ) ; T (u2 ) ; T (u3 ) ; : : : ; T (un )
son vectores de V y por tanto cada uno de ellos es una combinación lineal de los
vectores de la base B es decir
T (u1 ) = a11 u1 + a12 u2 + a13 u3 + + a1n un
T (u2 ) = a21 u1 + a22 u2 + a23 u3 + + a2n un
.. .
. = ..
T (un ) = an1 u1 + an2 u2 + an3 u3 + + ann un
De…nición 6.9.1 La transpuesta de la matriz de coe…cientes anterior, denotado
por [T ]B o [T ] se llama la representación matricial de T respecto a la base B o
simplemente la matriz de T en la base B es decir
2 3
a11 a21 a31 an1
6 a12 a22 a32 an2 7
6 7
[T ]B = 6 .. .. .. . . .. 7
4 . . . . . 5
a1n a2n a3n ann
367
Ejemplo 6.9.1 Sea V = P3 y D : V ! V el operador de derivación de…nido por
D (p (x)) = p0 (x). Determinar la matriz de D respecto a la base B = 1; x; x2 ; x3 .
Solución. Como
D (1) = 0 = 0 + 0x + 0x2 + 0x3
D (x) = 1 = 1 + 0x + 0x2 + 0x3
D x2 = 2x = 0 + 2x + 0x2 + 0x3
D x3 = 3x2 = 0 + 0x + 3x2 + 0x3
Entonces la matriz de D respecto a la base B es

2 3
0 1 0 0
6 0 0 2 0 7
[D]B = 6 4 0 0
7
0 3 5
0 0 0 0
Ejemplo 6.9.2 Sea T el operador lineal sobre R2 de…nido por

T (x; y) = (4x 2y; 2x + y)
Determinar la matriz de T respecto a la base
B = fu1 = (1; 1) ; u2 = ( 1; 0)g.
Solución. Como
T (u1 ) = T (1; 1) = (2; 3) = 3 (1; 1) + ( 1; 0) = 3u1 + u2
T (u2 ) = T ( 1; 0) = ( 4; 2) = 2 (1; 1) + 2 ( 1; 0) = 2u1 + 2u2
Entonces la matriz de T respecto a la base dada B será.
3 2
[T ]B = :
1 2
X
El siguiente teorema dice que la acción de un operador lineal T sobre un vector
u se preserva por su representación matricial.
Teorema 6.9.1 Sea B = fu1 ; u2 ; u3 ; : : : ; un g una base de V y sea T : V ! V

cualquier operador lineal sobre V , entonces para todo vector u 2 V se tiene
[T ]B [u]B = [T (u)]B :
368
Demostración. Demostraremos el teorema para el caso dim V = 3.
Sea B = fu1 ; u2 ; u3 g una base para V . Supongamos que,
T (u1 ) = a11 u1 + a12 u2 + a13 u3

T (u2 ) = a21 u1 + a22 u2 + a23 u3
T (u3 ) = a31 u1 + a32 u2 + a33 u3
entonces 2 3
a11 a21 a31
[T ]B = 4 a12 a22 a32 5
a13 a23 a33
Ahora supongamos que u = b1 u1 + b2 u2 + b3 u3 entonces
2 3
b1
[u]B = 4 b2 5
b3
Además, usando la linealidad de T se tiene
T (u) = T (b1 u1 + b2 u2 + b3 u3 )
T (u) = b1 T (u1 ) + b2 T (u2 ) + b3 T (u3 )
T (u) = b1 (a11 u1 + a12 u2 + a13 u3 ) + b2 (a21 u1 + a22 u2 + a23 u3 )
+b3 (a31 u1 + a32 u2 + a33 u3 )
T (u) = (a11 b1 + a21 b2 + a31 b3 ) u1 + (a12 b1 + a22 b2 + a32 b3 ) u2
+ (a13 b1 + a23 b2 + a33 b3 ) u3
Luego 2 3
a11 b1 + a21 b2 + a31 b3
[T (u)]B = 4 a12 b1 + a22 b2 + a32 b3 5
a13 b1 + a23 b2 + a33 b3
En consecuencia
2 32 3 2 3
a11 a21 a31 b1 a11 b1 + a21 b2 + a31 b3
[T ]B [u]B = 4 a12 a22 a32 5 4 b2 5 = 4 a12 b1 + a22 b2 + a32 b3 5 = [T (u)]B
a13 a23 a33 b3 a13 b1 + a23 b2 + a33 b3
Ejemplo 6.9.3 Consideremos el operador lineal de derivación D : P3 ! P3 dado

por D (p (x)) = p0 (x). Sea p (x) = a + bx + cx2 + dx3 entonces
369
D (p (x)) = b + 2cx + 3dx2 , luego respecto a la base normal B = 1; x; x2 ; x3 de
P3 se tiene 2 3 2 3
a b
6 b 7 6 2c 7
[p (x)]B = 6
4 c 5
7 y [D (p (x))]B = 6
4 3d
7
5
d 0
Resulta ahora fácil mostrar que el teorema anterior se cumple. En efecto usando la
matriz [D]B del ejemplo 6.9.1, se tiene
2 32 3 2 3
0 1 0 0 a b
6 0 0 2 0 7 6 b 7 6 2c 7
[D]B [p (x)]B = 6 76 7 6 7
4 0 0 0 3 5 4 c 5 = 4 3d 5 = [D (p (x))]B
0 0 0 0 d 0
Observe que la matriz [D]B produce la derivada de un polinomio cúbico.
Ejemplo 6.9.4 Consideremos el operador lineal T : R2 ! R2 (del ejemplo 6.9.2)

de…nido por T (x; y) = (4x 2y; 2x + y). Sea u = (5; 7), entonces
u = (5; 7) = 7 (1; 1) + 2 ( 1; 0) = 7u1 + 2u2

T (u) = (6; 17) = 17 (1; 1) + 11 ( 1; 0) = 17u1 + 11u2
Luego las matrices de coordenadas respecto a la base B = fu1 = (1; 1) ; u2 = ( 1; 0)g

son
7 17
[u]B = y [T (u)]B =
2 11
Usando la matriz , del ejemplo 6.9.2, resulta fácil veri…car el teorema anterior
3 2 7 17
[T ]B [u]B = = = [T (u)]B .
1 2 2 11
Ejemplo 6.9.5 Hallar la representación matricial de cada uno de los siguientes ope-
radores lineales T sobre R2 respecto a la base normal B = fe1 = (1; 0) ; e2 = (0; 1)g.
(i) T (x; y) = (2y; 3x y), (ii) T (x; y) = (3x 4y; x + 5y)
Solución. Observemos que si (x; y) 2 R2 entonces (x; y) = xe1 + ye2 . Así,
T (e1 ) = T (1; 0) = (0; 3) = 0e1 + 3e2

T (e2 ) = T (0; 1) = (2; 1) = 2e1 e2
De esta forma tenemos asociada una matriz [T ]B a cada operador lineal T : V ! V

sobre un espacio vectorial V . Frecuentemente a la matriz [T ]B se la llama también
como la matriz asociada al operador lineal T y se dice que representa a T . X
370
Ejemplo 6.9.6 Hallar la representación matricial de cada operador lineal del ejem-
plo 6.9.5, respecto ahora a la base no normal B = fu1 = (1; 3) ; u2 = (2; 5)g.
Solución. Primero determinemos las coordenadas de un vector arbitrario

(x; y) 2 R2 con respecto a la base no normal B = fu1 = (1; 3) ; u2 = (2; 5)g.
Consideremos la siguiente combinación lineal
(x; y) = a1 (1; 3) + a2 (2; 5)
1 2 a1 x
=
3 5 a2 y
Resolviendo este sistema obtenemos a1 = 2y 5x y a2 = 3x y, de este modo se

tiene
(x; y) = (2y 5x) (1; 3) + (3x y) (2; 5) = (2y 5x) u1 + (3x y) u2
(i) Como T (x; y) = (2y; 3x y), entonces
T (u1 ) = T (1; 3) = (6; 0) = 30u1 + 18u2

T (u2 ) = T (2; 5) = (10; 1) = 48u1 + 29u2
por tanto
30 48
[T ]B =
18 29
(ii) Como T (x; y) = (3x 4y; x + 5y), entonces
T (u1 ) = T (1; 3) = ( 9; 16) = 77u1 43u2

T (u2 ) = T (2; 5) = ( 14; 27) = 124u1 69u2
por tanto
77 124
[T ]B =
43 69
X
Ejemplo 6.9.7 Supongamos que T : R3 ! R3 es el operador lineal de…nido por
T (x; y; z) = (a1 x + a2 y + a3 z; b1 x + b2 y + b3 z; c1 x + c2 y + c3 z)
Mostrar que la matriz de T en la base normal
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
371
está dada por 2 3
a1 a2 a3
[T ]B = 4 b1 b2 b3 5
c1 c2 c3
Es decir las …las de [T ]B se obtienen de los coe…cientes de x; y; z en las componentes
de T (x; y; z).
Solución. Como
T (e1 ) = T (1; 0; 0) = (a1 ; b1 ; c1 ) = a1 e1 + b1 e2 + c1 e3
T (e2 ) = T (0; 1; 0) = (a2 ; b2 ; c2 ) = a2 e1 + b2 e2 + c2 e3
T (e3 ) = T (0; 0; 1) = (a3 ; b3 ; c3 ) = a3 e1 + b3 e2 + c3 e3
En consecuencia 2 3
a1 a2 a3
[T ]B = 4 b1 b2 b3 5
c1 c2 c3
X
Nota 6.9.1 Esta propiedad es válida en cualquier espacio pero sólo respecto a la
base usual.
Ejemplo 6.9.8 Hallar la representación matricial de cada uno de los siguientes

operadores lineales T sobre R3 respecto a la base normal
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g.
(i) T (x; y; z) = (2x 3y + 4z; 5x y + 2z; 4x + 7y)
(ii) T (x; y; z) = (2y + z; x 4y; 3x)
Solución. Por el ejemplo 6.9.7, se tiene

2 3 2 3
2 3 4 0 2 1
(i) [T ]B = 4 5 1 2 5; (ii) 4
[T ]B = 1 4 0 5
4 7 0 3 0 0
Ejemplo 6.9.9 Sea T : R3 ! R3 el operador lineal de…nido por

T (x; y; z) = (2y + z; x 4y; 3x)
(i) Hallar la matriz de T respecto a la base
B = fv1 = (1; 1; 1) ; v2 = (1; 1; 0) ; v3 = (1; 0; 0)g.
(ii) Veri…car que [T ]B [v]B = [T (v)]B , para cualquier vector v 2 R3 .
372
Solución. Primero debemos hallar las coordenadas de un vector arbitrario
u = (x; y; z) 2 R3 con respecto a la base B dada. Consideremos la siguiente
combinación lineal
(x; y; z) = a1 (1; 1; 1) + a2 (1; 1; 0) + a3 (1; 0; 0)

2 32 3 2 3
1 1 1 a1 x
4 1 1 0 5 4 a2 5 = 4 y 5
1 0 0 a3 z
Resolviendo este sistema obtenemos la siguiente solución
a1 = z; a2 = y z; a3 = x y
luego
(x; y; z) = z (1; 1; 1) + (y z) (1; 1; 0) + (x y) (1; 0; 0)

= zv1 + (y z) v2 + (x y) v3
Con esto a nuestra disposición vemos que:

(i) Como T (x; y; z) = (2y + z; x 4y; 3x) entonces
T (v1 ) = T (1; 1; 1) = (3; 3; 3) = 3v1 6v2 + 6v3

T (v2 ) = T (1; 1; 0) = (2; 3; 3) = 3v1 6v2 + 5v3
T (v3 ) = T (1; 0; 0) = (0; 1; 3) = 3v1 2v2 v3
Así, 2 3
3 3 3
[T ]B = 4 6 6 2 5
6 5 1
(ii) Supongamos que v = (x; y; z) entonces
v = (x; y; z) = zv1 + (y z) v2 + (x y) v3
luego 2 3
z
[v]B = 4 y z 5
x y
Pero también,
T (v) = T (x; y; z) = (2y + z; x 4y; 3x) = 3xv1 +( 2x 4y) v2 +( x + 6y + z) v3
373
y por tanto 2 3
3x
[T (v)]B = 4 2x 4y 5
x + 6y + z
Finalmente,
2 32 3 2 3
3 3 3 z 3x
[T ]B [v]B = 4 6 6 2 54 y z 5 = 4 2x 4y 5 = [T (v)]B
6 5 1 x y x + 6y + z
Ejemplo 6.9.10 Cada uno de los siguientes conjuntos

(i) B = f1; x; ex ; xex g y (ii) S = e3x ; xe3x ; x2 e3x
constituyen bases del espacio vectorial V de funciones f : R ! R. Sea D el operador
de derivación sobre V ; es decir, D (f ) = f 0 . Hallar la matriz de D respecto a las
bases dadas.
Solución. (i) Como
D (1) = 0 = 0 (1) + 0 (x) + 0 (ex ) + 0 (xex )

D (x) = 1 = 1 (1) + 0 (x) + 0 (ex ) + 0 (xex )
D (ex ) = ex = 0 (1) + 0 (x) + 1 (ex ) + 0 (xex )
D (xex ) = ex + xex = 0 (1) + 0 (x) + 1 (ex ) + 1 (xex )
por tanto 2 3
0 1 0 0
6 0 0 0 0 7
[D]B = 6
4 0
7
0 1 1 5
0 0 0 1
(ii) Como
D e3x = 3e3x = 3 e3x + 0 xe3x + 0 x2 e3x

D xe3x = e + 3xe3x = 1 e3x + 3 xe3x + 0 x2 e3x
3x
2
D x e3x = 2xe3x + 3x2 e3x = 0 e3x + 2 xe3x + 3 x2 e3x
por tanto 2 3
3 1 0
[D]S = 4 0 3 2 5
0 0 3
X
374
Ejemplo 6.9.11 Sea
1 2
A=
3 4
y sea T : R2 ! R2 el operador lineal de…nido por T (u) = Au, donde u se escribe
como un vector columna. Hallar la matriz de T respecto a la base normal
B = fe1 = (1; 0) ; e2 = (0; 1)g.
Solución. Como
1 2 1
T (e1 ) = T (1; 0) = = 1 (1; 0) + 3 (0; 1) = 1e1 + 3e2
3 4 0
1 2 0
T (e2 ) = T (0; 1) = = 2 (1; 0) + 4 (0; 1) = 2e1 + 4e2
3 4 1
Entonces
1 2
[T ]B =
3 4
X
Observación 6.9.1 Observe, que la matriz de T en la base normal o usual es pre-

cisamente la matriz original A que de…ne a T , este ejemplo ilustra una situación
general así, como vemos en el siguiente ejemplo.
Ejemplo 6.9.12 Recordemos que toda matriz cuadrada A de orden n puede conside-
rarse como un operador lineal sobre el espacio vectorial Rn de…nido por T (u) = Au
donde u se escribe como un vector columna. Mostrar que la representación matricial
de T respecto a la base normal o usual B = fe1 ; e2 ; e3 ; : : : ; en g de Rn es la matriz
A, es decir, [T ]B = A.

2 32 3 2 3
a11 a1n 1 a11
6 a21 a2n 76 0 7 6 a21 7
6 76 7 6 7
T (e1 ) = Ae1 = 6 .. .. .. 76 .. 7=6 .. 7 = a11 e1 + a21 e2 + + an1 en
4 . . . 54 . 5 4 . 5
an1 ann 0 an1
2 32 3 2 3
a11 a1n 0 a12
6 a21 a2n 76 1 7 6 a22 7
6 76 7 6 7
T (e2 ) = Ae2 = 6 .. .. .. 76 .. 7=6 .. 7 = a12 e1 + a22 e2 + + an2 en
4 . . . 54 . 5 4 . 5
an1 ann 0 an2
375
2 32 3 2 3
a11 a1n 0 a1n
6 a21 a2n 76 0 7 6 a2n 7
6 76 7 6 7
T (en ) = Aen = 6 .. .. .. 76 .. 7=6 .. 7 = a1n e1 + a2n e2 + + ann en
4 . . . 54 . 5 4 . 5
an1 ann 1 ann
De este modo se concluye que
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
[T ]B = 6 .. .. .. .. 7=A
4 . . . . 5
an1 an2 ann
6.9.2 Representación matricial de transformaciones lineales

Consideremos ahora el caso general de transformaciones lineales de un espacio vec-
torial en otro. Sean U y V espacios vectoriales de dim U = m y dim V = n. Además
sean B = fu1 ; u2 ; u3 ; : : : ; um g y B 0 = fv1 ; v2 ; v3 ; : : : ; vn g bases arbitrarias pero …jas
de U y V respectivamente.
Sea T : U ! V una transformación lineal, entonces los vectores
T (u1 ) ; T (u2 ) ; T (u3 ) ; : : : ; T (um )
pertenecen a V y por tanto cada uno de ellos es una combinación lineal de los
vectores v1 ; v2 ; v3 ; : : : ; vn . Es decir,
T (u1 ) = a11 v1 + a12 v2 + a13 v3 + + a1n vn

T (u2 ) = a21 v1 + a22 v2 + a23 v3 + + a2n vn
.. ..
. .
T (um ) = an1 v1 + an2 v2 + an3 v3 + + ann vn
0
La transpuesta de la matriz de coe…cientes del sistema anterior denotada por [T ]B
B ,
se llama la representación matricial de T respecto a las bases B y B 0 o la matriz
asociada a la transformación lineal T respecto a las bases B y B 0 , en este caso se
0
dice que la matriz [T ]B
B representa a T .
2 3
a11 a21 am1
6 a12 a22 am2 7
0 6 7
[T ]B
B =6 .. .. . . .. 7
4 . . . . 5
a1n a2n amn
376
0
[T ]B
B = [[T (u1 )]B ; [T (u2 )]B ; [T (u3 )]B ; : : : ; [T (un )]B ]
Ejemplo 6.9.13 Sea T : R2 ! R3 la transformación lineal de…nida por

T (x1 ; x2 ) = (x2 ; x1 + x2 ; x1 x2 )
Obtenga la matriz asociada a T con respecto a las bases
B = fu1 = (1; 2) ; u2 = (3; 1)g y B 0 = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1)g
de R2 y R3 respectivamente.
Solución. Como
T (u1 ) = T (1; 2) = (2; 3; 1) = 1 (1; 0; 0) + 4 (1; 1; 0) 1 (1; 1; 1) = v1 + 4v2 1v3

T (u2 ) = T (3; 1) = (1; 4; 2) = 3 (1; 0; 0) + 2 (1; 1; 0) + 2 (1; 1; 1) = 3v1 + 2v2 + 2v3
Entonces 2 3
1 3
0
[T ]B 4 4 2 5
B =
1 2
X
Observación 6.9.3 Ahora, observemos que u = (3; 5) en términos de la base B se

expresa como
12 1
u = (3; 5) = (1; 2) + (3; 1)
5 5
Luego " #
12
5
[u]B = 1
5
Por otra parte, T (u) en términos de la base B 0 se expresa como
T (u) = T (3; 5) = (5; 8; 2) = 3 (1; 0; 0) + 10 (1; 1; 0) 2 (1; 1; 1)
Entonces 2 3
3
[T (u)]B 0 = 4 10 5
2
Finalmente observemos que
2 3 2 3
1 3 " 12
# 3
B0 5
[T ]B [u]B = 4 4 2 5
1
= 4 10 5 = [T (u)]B 0 .
1 2 5 2
377
De esta manera tenemos el siguiente teorema que establece lo que observamos
en el ejemplo anterior.
Teorema 6.9.2 Sean U y V espacios vectoriales de dim U = m y dim V = n y sean

B = fu1 ; u2 ; u3 ; : : : ; um g y B 0 = fv1 ; v2 ; v3 ; : : : ; vn g bases de U y V respectivamente.
0
Entonces para toda transformación lineal T : U ! V , existe una matriz A = [T ]B B
0
de orden n m tal que para todo u 2 U se tiene [T ]B B [u]B = [T (u)]B 0 .
Esto dice que multiplicando la matriz de coordenadas de u respecto a la base B

0
por la matriz [T ]B
B obtenemos la matriz de coordenadas de T (u) respecto a la base
B0.
0
Reiteramos que A = [T ]B B es la matriz que representa a T en relación a las
bases B y B 0 . De este modo toda transformación lineal entre espacios vectoriales de
dimensión …nita puede ser representada mediante una matriz.
Ejemplo 6.9.14 Sea T : R3 ! R2 la transformación lineal de…nida por

T (x; y; z) = (3x + 2y 4z; x 5y + 3z)
(i) Hallar la matriz asociada a T respecto a las bases.
B = fv1 = (1; 1; 1) ; v2 = (1; 1; 0) ; v3 = (1; 0; 0)g y B 0 = fu1 = (1; 3) ; u2 = (2; 5)g
0
(ii) Veri…que [T ]BB [u]B = [T (u)]B 0 para todo u = (x; y; z) 2 R .
3
Solución. (i) De acuerdo al ejemplo 6.9.6 se sabe que
(x; y) = (2y 5x) (1; 3) + (3x y) (2; 5) = (2y 5x) u1 + (3x y) u2
Luego
T (v1 ) = T (1; 1; 1) = (1; 1) = 7 (1; 3) + 4 (2; 5) = 7u1 + 4u2
T (v2 ) = T (1; 1; 0) = (5; 4) = 33 (1; 3) + 19 (2; 5) = 33u1 + 19u2
T (v3 ) = T (1; 0; 0) = (3; 1) = 13 (1; 3) + 8 (2; 5) = 13u1 + 8u2
Así,
B 0 7 33 13
[T ]B =
4 19 8
(ii) Si u = (x; y; z) entonces por el ejemplo 6.9.9 se sabe que
u = (x; y; z) = z (1; 1; 1) + (y z) (1; 1; 0) + (x y) (1; 0; 0)

= zv1 + (y z) v2 + (x y) v3
También
T (x; y; z) = (3x + 2y 4z; x 5y + 3z)

= ( 13x 20y + 26z) u1 + (8x + 11y 15z) u2
378
Por tanto
2 3
z
13x 20y + 26z
[u]B = 4 y z 5 y [T (u)]B 0 =
8x + 11y 15z
x y
luego
2 3
z
7 33 13 4 y 13x 20y + 26z
z 5 =
4 19 8 8x + 11y 15z
x y
0
[T ]B
B [u]B = [T (u)]B 0 .
Ejemplo 6.9.15 Sea T : Rn ! Rm la transformación lineal de…nida por
T (x1 ; : : : ; xn ) = (a11 x1 + + a1n xn ; a21 x1 + + a2n xn ; : : : ; am1 x1 + + amn xn )
Mostrar que la matriz asociada a T respecto a las bases normales de Rn y Rm está

dada por 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A = [T ] = 6 .. .. . . .. 7
4 . . . . 5
am1 am2 amn
Solución. Como
T (1; 0; 0; : : : ; 0) = (a11 ; a21 ; a31 ; : : : am1 )

T (0; 1; 0; : : : ; 0) = (a12 ; a22 ; a32 ; : : : am2 )
.. .
. = ..
T (0; 0; 0; : : : ; 1) = (a1n ; a2n ; a3n ; : : : amn )
En consecuencia 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A = [T ] = 6 .. .. .. .. 7
4 . . . . 5
am1 am2 amn
X
379
Ejemplo 6.9.16 Hallar la matriz asociada de cada una de las siguientes transfor-
maciones lineales respecto a la base normal de Rn .
(a) T : R2 ! R3 de…nido por T (x; y) = (3x y; 2x + 4y; 5x 6y).
(b) T : R4 ! R2 de…nido por T (x; y; z; w) = (3x 4y + 2z 5w; 5x + 7y z 2w) :
(c) T : R3 ! R4 de…nido por T (x; y; z) = (2x + 3y 8z; x + y + z; 4x 5z; 6y) :
Solución. Por el ejemplo anterior, solamente necesitamos …jarnos en los coe…cientes

de las incógnitas en T (x; y; z; : : :). Entonces
2 3
2 3 2 3 8
3 1 6 1 1
3 4 2 5 1 7
(a) [T ] = 4 2 4 5 ; (b) [T ] = ; (c) [T ] = 6
4 4 0
7
5 7 1 2 5 5
5 6
0 6 0
Ejemplo 6.9.17 Sea

2 5 3
A=
1 4 7
Recordando que A determina una transformación lineal T : R3 ! R2 de…nida por
T (u) = Au, donde u se escribe como un vector columna.
(a) Mostrar que la matriz asociada de T respecto a las bases normales de R3 y
2
R es la misma matriz A.
(b) Hallar la matriz asociada de T respecto a las siguientes bases de R3 y R2
B = fv1 = (1; 1; 1) ; v2 = (1; 1; 0) ; v3 = (1; 0; 0)g y B 0 = fu1 = (1; 3) ; u2 = (2; 5)g
Solución. (a) Puesto que

2 3
1
2 5 3 4 0 5= 2
T (1; 0; 0) = = 2 (1; 0) + 1 (0; 1) = 2e1 + 1e2
1 4 7 1
0
2 3
0
2 5 3 4 1 5= 5
T (0; 1; 0) = = 5 (1; 0) 4 (0; 1) = 5e1 4e2
1 4 7 4
0
2 3
0
2 5 3 4 0 5= 3
T (0; 0; 1) = = 3 (1; 0) + 7 (0; 1) = 3e1 + 7e2
1 4 7 7
1

2 5 3
[T ] = =A
1 4 7
380
(b) De acuerdo al ejemplo 6.9.6, sabemos que
(x; y) = (2y 5x) (1; 3) + (3x y) (2; 5) = (2y 5x) u1 + (3x y) u2
Entonces
2 3
1
2 5 3 4 1 5= 4
T (1; 1; 1) = = 12 (1; 3) + 8 (2; 5) = 12u1 + 8u2
1 4 7 4
1
2 3
1
2 5 3 4 1 5= 7
T (1; 1; 0) = = 41 (1; 3) + 24 (2; 5) = 41u1 + 24u2
1 4 7 3
0
2 3
1
2 5 3 4 0 5= 2
T (1; 0; 0) = = 8 (1; 3) + 5 (2; 5) = 8u1 + 5u2
1 4 7 1
0
En consecuencia
B 0 12 41 8
[T ]B =
8 24 5
X
Ejemplo 6.9.18 Sea T : P2 ! P1 la transformación lineal de…nida por

T (p (x)) = p0 (x)
y consideremos las bases B = x2 ; x; 1 y B 0 = fx; 1g para P2 y P1 , respectivamente.
Hallar la matriz A asociada T respecto a las bases dadas.
Solución. Como
T x2 = 2x = 2 (x) + 0 (1)
T (x) = 1 = 0 (x) + 1 (1)
T (1) = 0 = 0 (x) + 0 (1)
Entonces
2 0 0
T x2 B0
= ; [T (x)]B 0 = ; [T (1)]B 0 =
0 1 0
Por consiguiente, la matriz asociada de T respecto a las bases dadas es
0 2 0 0
A = [T ]B
B = 0 1 0
381
Si tomamos p (x) = 5x2 3x + 2, entonces T (p (x)) = T 5x2 3x + 2 = 10x 3.
Sin embargo, podemos hallar T (p (x)) usando la matriz A de la siguiente manera.
Puesto que
2 3 2 3
5 5
2 0 0 10
[p (x)]B = 4 3 5 entonces [T (p (x))]B 0 = 4 3 5=
0 1 0 3
2 2
Esto signi…ca que T (p (x)) = 10x 3. X
Ejemplo 6.9.19 Sea T : P2 ! P1 de…nida como en el ejemplo anterior, ahora

consideremos las bases B = 1; x; x2 y B 0 = f1; xg para P2 y P1 , respectivamente.
Hallar la matriz A asociada T respecto a las bases dadas.
Solución. Como
T (1) = 0 = 0 (x) + 0 (1)

T (x) = 1 = 0 (x) + 1 (1)
T x2 = 2x = 2 (x) + 0 (1)
entonces
0 0 2
[T (1)]B 0 = ; [T (x)]B 0 = ; T x2 B0
=
0 1 0
Por tanto la matriz asociada a T con respecto a las bases dadas es

0 0 0 2
A = [T ]B
B = 0 1 0
Si tomamos nuevamente p (x) = 5x2 3x + 2, entonces
T (p (x)) = T 5x2 3x + 2 = 10x 3
Sin embargo, también en este caso podemos hallar T (p (x)) usando la matriz A de
la siguiente manera. Puesto que
2 3 2 3
5 5
0 0 2 4 10
[p (x)]B = 4 3 5 entonces [T (p (x))]B 0 = 3 5=
0 1 0 3
2 2
Esto signi…ca que T (p (x)) = 10x 3.

Obsérvese que si cambiamos el orden de los vectores en B o en B 0 , la matriz
cambia. X
382
Ejemplo 6.9.20 Sea T : P2 ! P1 como se de…nió en el ejemplo 6.9.18 y esta
vez consideremos las bases B = x2 ; x; 1 y B 0 = fx + 1; x 1g para P2 y P1 ,
respectivamente. Hallar la matriz A asociada T respecto a las bases dadas.

T x2 = 2x = 1 (x + 1) + 1 (x 1)
1 1
T (x) = 1 = (x + 1) (x 1)
2 2
T (1) = 0 = 0 (x + 1) + 0 (x 1)
entonces
1 1=2 0
T x2 B0
= ; [T (x)]B 0 = ; [T (1)]B 0 =
1 1=2 0
Por tanto la matriz asociada a T respecto a las bases dadas es
0 1 1=2 0
A = [T ]B
B = 1 1=2 0
Nuevamente, si p (x) = 5x2 3x + 2, entonces

T (p (x)) = T 5x2 3x + 2 = 10x 3
por otra parte
2 3
5
1 1=2 0 4 7=2
[T (p (x))]B 0 = 3 5=
1 1=2 0 13=2
2
De modo que T (p (x)) = 7

2 (x + 1) + 13
2 (x 1) = 10x 3. X
Ejemplo 6.9.21 Sea T : M3 1 ! M2 1de…nida por

2 3 2 3
x1 x1
1 1 1 4
T 4 x2 5 = x2 5
1 2 3
x3 x3
Consideremos las bases normales o usuales B = fE1 ; E2 ; E3 g y B 0 = fe1 ; e2 g de
M3 1 y M2 1 respectivamente, donde
2 3 2 3 2 3
1 0 0
1 0
E1 = 4 0 5 ; E1 = 4 1 5 ; E1 = 4 0 5 y e1 = ; e2 =
0 1
0 0 1
Hallar la matriz A asociada T respecto a las bases normales o usuales dadas.
383
Solución. Como
2 3
1
1 1 1 4 0 5= 1 1 0
T (E1 ) = =1 +1 = 1e1 + 1e2
1 2 3 1 0 1
0
2 3
0
1 1 1 4 1 5= 1 1 0
T (E2 ) = =1 +2 = 1e1 + 2e2
1 2 3 2 0 1
0
2 3
0
1 1 1 4 0 5= 1 1 0
T (E3 ) = =1 +3 = 1e1 + 3e2
1 2 3 3 0 1
1
Entonces, la matriz deseada es
0 1 1 1
A = [T ]B
B = 1 2 3
La razón por la cual A es la misma matriz que aparece en la de…nición de T es que

están usando bases usuales para M3 1 y M2 1 . X
Ejemplo 6.9.22 Sea T : M3 1 ! M2 1 de…nida como en el ejemplo anterior y

consideremos las siguientes bases.
8 2 3 2 3 2 39
< 1 0 0 =
1 1
E = 1 ; E1 = 1 ; E1 = 0 5
4 5 4 5 4 y e1 = ; e2 =
: 1 ; 2 3
0 1 1
para M3 1 y M2 1, respectivamente. Hallar la matriz A asociada T respecto a las

bases dadas.

2 3
1
1 1 1 4 1 5= 2 1 1
T (E1 ) = =3 1 = 3e1 1e2
1 2 3 3 2 3
0
2 3
0
1 1 1 4 1 5= 2 1 1
T (E2 ) = =1 +1 = 1e1 + 1e2
1 2 3 5 2 3
1
2 3
0
1 1 1 4 0 5= 1 1 1
T (E3 ) = =0 +1 = 0e1 + 1e2
1 2 3 3 2 3
1
384
Entonces, la matriz de T respecto a las bases dadas es
0 3 1 0
A = [T ]B
B = 1 1 1
Observación 6.9.4 Observe que esta matriz di…ere de la que se tomó para de…nir
la transformación lineal T . Así, aunque una matriz A puede incluirse en la de…ni-
ción de una transformación lineal T , no se puede concluir que es necesariamente la
representación de T que buscamos.
Ejemplo 6.9.23 Sea D : P3 ! P2 la transformación lineal diferencial

D (p (x)) = p0 (x)
Sean B = 1; x; x ; x y C = 1; x; x2 bases para P3 y P2 , respectivamente.
2 3
(a) Encuentre la matriz A de D con respecto a B y C.

(b) Encuentre la matriz A de D con respecto a B 0 y C, donde B 0 = x3 ; x2 ; x; 1 .
(c) Con base en la respuesta al inciso (a), calcule D 5 x + 2x3 para veri…car
el teorema 6.9.2.
Solución. En primer lugar, observamos que
D a + bx + cx2 + dx3 = b + 2cx + 3dx2
(a) Debido a que las imágenes de la base B bajo D son
D (1) = 0; D (x) = 1; D x2 = 2x y D x3 = 3x2
entonces sus matrices de coordenadas con respecto a la base C son

2 3 2 3 2 3 2 3
0 1 0 0
[D (1)]C = 4 0 5 ; [D (x)]C = 4 0 5 ; D x2 C = 4 2 5 ; D x3 C
=4 0 5
0 0 0 3
En consecuencia, matriz A de D con respecto a B y C es

2 3
0 1 0 0
A = [D]C = 4 0 0 2 0 5
B
0 0 0 3
(b) Puesto que la base B 0 es exactamente B en orden inverso, vemos que la

matriz A de D con respecto a B 0 y C, es
A0 = [D]C
B0 = D x3 C
; D x2 C
; [D (x)]C ; [D (1)]C
385
esto es, 2 3
0 0 1 0
A0 = [D]C
B0 =4 0 2 0 0 5
3 0 0 0
Esto muestra que el orden de los vectores en las bases B y C afecta a la matriz de
una transformación lineal con respecto a estas bases.
(c) Calculemos en primer lugar D 5 x + 2x3 = 1 + 6x2 de manera directa,
para obtener la matriz de coordenadas
2 3
1
D 5 x + 2x3 C = 1 + 6x2 C = 4 0 5
6
Por otra parte, 2 3

5
6 1 7
5 x + 2x3 =6
4
7
B 0 5
2
De este modo
2 3
2 3 5 2 3
0 1 0 0 6 7 1
1 7 4
[D]C
B 5 x + 2x3 = 4 0 0 2 0 56
4 = 0 5= D 5 x + 2x3
B 0 5 C
0 0 0 3 6
2
X
Debido a que la transformación lineal del ejemplo anterior es fácil de emplear de
manera directa, en realidad no se logra ninguna ventaja si se utiliza la matriz de esta
transformación para hacer cálculos. Sin embargo, en otros ejemplos el enfoque ma-
tricial puede ser más simple, de modo que es muy adecuado para la implementación
por computadora. El ejemplo 6.9.24 ilustra la idea básica detrás de este enfoque
indirecto.
Ejemplo 6.9.24 Sea T : P2 ! P2 la transformación lineal de…nida por

T (p (x)) = p (2x 1)
(a) Encuentre la matriz asociada a T con respecto a la base B = 1; x; x2 .
(b) Calcule T 3 + 2x x2 de manera indirecta, haciendo uso del inciso (a).
Solución. (a) Observemos que
T (1) = 1; T (x) = 2x 1; T x2 = (2x 1)2 = 1 4x + 4x2
386
De esta manera las matrices de coordenadas son
2 3 2 3 2 3
1 1 1
[T (1)]B = 4 0 5 ; [T (x)]B = 4 2 5 ; T x2 B
=4 4 5
0 0 4
Por consiguiente 2 3
1 1 1
[T ]B = 4 0 2 4 5
B
0 0 4
(b) Aplicamos el teorema 6.9.2, como sigue.
La matriz de coordenadas de p (x) = 3 + 2x x2 con respecto a B es
2 3
3
[p (x)] = 4 2 5
1
Por tanto, de acuerdo con el teorema 6.9.2
[T (p (x))]B = [T ]B [p (x)]
2 B 32 3 2 3
1 1 1 3 0
T 3 + 2x x2 B = 4 0 2 4 54 2 5=4 8 5
0 0 4 1 4
Esto signi…ca, que
T 3 + 2x x2 = 0 (1) + 8 (x) 4 x2 = 8x 4x2
Veri…camos este resultado fácilmente mediante el cálculo directo de
T 3 + 2x x2 = 3 + 2 (2x 1) (2x 1)2 = 3 + 4x 2 4x2 + 4x 1 = 8x 4x2
X
En ocasiones, la matriz de una transformación lineal puede ser empleada de
maneras sorprendentes. El ejemplo, 6.9.25 muestra su aplicación a un problema del
cálculo tradicional.
Ejemplo 6.9.25 Sea V el espacio vectorial de todas las funciones diferenciables.

Considere el subespacio W de V dado por
W = espacio generado por e3x ; xe3x ; x2 e3x
387
puesto que el conjunto B = e3x ; xe3x ; x2 e3x es linealmente independiente, en-
tonces es una base para W .
(a) Demuestre que el operador diferencial D aplica a W en sí mismo.
(b) Encuentre la matriz asociada a D con respecto a la base B.
(c) Calcule la derivada de 5e3x + 2xe3x x2 e3x de manera indirecta, utilizando
el teoema 6.9.2 y veri…que utilizando el inciso (a).
Solución. (a) Si aplicamos D a un elemento general de W , vemos que

D ae3x + bxe3x + cx2 e3x = (3a + b) e3x + (3b + 2c) xe3x + 3cx2 e3x
lo cual se encuentra de nuevo en W . Note, que en particular se tiene,
D 5e3x + 2xe3x x2 e3x = 17e3x + 4xe3x 3x2 e3x
(b) Mediante el empleo de la fórmula del inciso (a), observamos que
D e3x = 3e3x ; D xe3x = e3x + 3xe3x ; D x2 e3x = 2xe3x + 3x2 e3x
De manera que
2 3 2 3 2 3
3 1 0
D e3x B
= 4 0 5 ; D xe3x B
= 4 3 5 ; D x2 e3x B
=4 2 5
0 0 3
En consecuencia 2 3
3 1 0
[D]B 4 0 3 2 5
B =
0 0 3
(c) Para f (x) = 5e3x + 2xe3x x2 e3x vemos que
2 3
5
[f (x)]B = 4 2 5
1
Por tanto, según el teorema 6.9.2, tenemos
2 32 3 2 3
3 1 0 5 17
[D (f (x))]B = [D]B
B [f (x)]B = 4 0 3 2 5 4 2 5=4 4 5
0 0 3 1 3
lo que, a su vez, implica que
f 0 (x) = D (f (x)) = 17e3x + 4xe3x 3x2 e3x ;
lo que concuerda con la fórmula del inciso (a). X
388
Observación 6.9.5 La cuestión central del ejemplo 6.9.25 no es que este método
sea más fácil que la diferenciación directa. En realidad, una vez que la fórmula del
inciso (a) ha sido establecida, hay poco por hacer. Lo que es signi…cativo es que los
métodos matriciales pueden ser utilizados en lo que parece, a primera vista, ser un
problema de cálculo. Veremos esta idea con más detalle en el ejemplo 6.10.3.
Ejemplo 6.9.26 Sea V un espacio vectorial de dim V = n y sea IdV la transfor-

mación identidad sobre V . ¿Cuál es la matriz asociada a IdV con respecto a las
bases B y C de V si B = C (incluyendo el orden de los vectores en la base)? ¿Y si
B 6= C?
Solución. Sea B = fu1 ; u2 ; u3 ; : : : ; un g. Entonces,
IdV (u1 ) = u1 ; IdV (u2 ) = u2 ; IdV (u3 ) = u3 ; : : : ; IdV (un ) = un
de este modo
2 3 2 3 2 3
1 0 0
6 0 7 6 1 7 6 0 7
6 7 6 7 6 7
[IdV (u1 )]B = 6 .. 7 = e1 ; [IdV (u2 )]B = 6 .. 7 = e2 ; : : : ; [IdV (un )]B = 6 .. 7 = en
4 . 5 4 . 5 4 . 5
0 0 1
Y si B = C, entonces
[IdV ]B
B = [[IdV (u1 )]B ; [IdV (u2 )]B ; : : : ; [IdV (un )]B ] = In
La matriz identidad de orden n (esto es lo que se esperaba ¿no es así?)

En el caso B 6= C, tenemos que
[IdV (u1 )]C = [u1 ]C ; [IdV (u2 )]C = [u2 ]C ; : : : ; [IdV (un )]C = [un ]C
De esta manera tenemos
[IdV ]C
B = [[u1 ]C ; [u2 ]C ; : : : ; [un ]C ]
la matriz de cambio de base de B a C. X
Ejemplo 6.9.27 Sea

1 3 1
A=
2 1 2
y sean B = fu1 = (1; 0; 1) ; u2 = (0; 1; 1) ; u3 = (0; 2; 2)g y
B 0 = fv1 = (1; 1) ; v2 = ( 1; 1)g bases de R3 y R2 respectivamente.
Hallar la (única) transformación lineal T : R3 ! R2 cuya representación matricial
de T respecto a las bases B y B 0 es A.
389
Solución. Observemos que
1 3 1
A= = [[T (u1 )]B 0 ; [T (u2 )]B 0 ; [T (u2 )]B 0 ]
2 1 2
Esto signi…ca que
T (u1 ) = T (1; 0; 1) = 1 (1; 1) + 2 ( 1; 1) = ( 1; 3)

T (u2 ) = T (0; 1; 1) = 3 (1; 1) 1 ( 1; 1) = (4; 2)
T (u3 ) = T (0; 2; 2) = 1 (1; 1) + 2 ( 1; 1) = ( 3; 1)
Como B es una base de R3 entonces todo u = (x; y; z) 2 R3 se expresa en forma

única como
u = (x; y; z) = a1 (1; 0; 1) + a2 (0; 1; 1) + a3 (0; 2; 2)
Esto nos conduce al siguiente sistema

2 32 3 2 3
1 0 0 a1 x
4 0 1 2 5 4 a2 5 = 4 y 5
1 1 2 a3 z
Al resolver este sistema obtenemos

x+y z x+y+z
a1 = x; a2 = ; a3 =
2 4
de este modo
x+y z x+y+z
(x; y; z) = (x) (1; 0; 1) + (0; 1; 1) + (0; 2; 2)
2 4
entonces
x+y z x+y+z
T (x; y; z) = xT (1; 0; 1) + T (0; 1; 1) + T (0; 2; 2)
2 4
luego
x+y z x+y+z
T (x; y; z) = x ( 1; 3) + (4; 2) + ( 3; 1)
2 4
Por tanto
7x + 5y 11z 15x + 5y 3z
T (x; y; z) = ;
4 4
Es la transformación lineal deseada.
390
Para veri…car que la transformación obtenida es la correcta encontremos la matriz
0
que representa a T . Esto es [T ]B
B :
Como
7x + 5y 11z 15x + 5y 3z
T (x; y; z) = ;
4 4
entonces
T (u1 ) = T (1; 0; 1) = ( 1; 3) 1 (1; 1) + 2 ( 1; 1) = 1v1 + 2v2
T (u2 ) = T (0; 1; 1) = (4; 2) 3 (1; 1) 1 ( 1; 1) = 3v1 1v2
T (u3 ) = T (0; 2; 2) = ( 3; 1) 1 (1; 1) + 2 ( 1; 1) = 1v1 + 2v2
De este modo
0 1 3 1
A = [T ]B
B = 2 1 2
Así, queda veri…cado el resultado obtenido. X
6.10 Matrices de transformaciones lineales compuestas

e inversas
A continuación presentamos un teorema que nos permitirá hallar con facilidad la
inversa de una transformación lineal entre espacios vectoriales de dimensión …nita
(si es que existe).
Teorema 6.10.1 Sean U; V y W espacios vectoriales de dimensión …nita con B; C

y D bases de U; V y W respectivamente. Sean T : U ! V y S : V ! W transfor-
maciones lineales. Entonces
[S T ]D D C
B = [S]C [T ]B
En palabras este teorema dice que “la matriz que representa la composición S T
respecto de B y C es el producto de las matrices [S]D C
C y [T ]B ”.
Ejemplo 6.10.1 Utilice métodos matriciales para calcular (S T ) (a; b) de las trans-
formaciones lineales T : R2 ! P1 y S : P1 ! P2 de…nidas por
T (a; b) = a + (a + b) x y S (p (x)) = xp (x) :
Solución. Si elegimos las bases normales B; B 0 y B 00 de R2 ; P1 y P2 , respectivamente,

observamos que (veri…que).
2 3
00
0 0
0 1 0
[T ]B y [S]B 0 = 4 1 0 5
B = 1 1 B
0 1
391
Entonces de acuerdo con el teorema 6.10.1, la matriz que representa la composición
S T con respecto a B y B 00 es
2 3 2 3
0 0 0 0
00 00 0
4 1 1 0
[S T ]B
B = [S]B
B
0 [T ]
B
B = 0 5 =4 1 0 5
1 1
0 1 1 1
De este modo, según el teorema 6.9.2, obtenemos
2 3 2 3
0 0 0
B 00 a
[(S T ) (a; b)]B 00 = [S T ]B [(a; b)]B = 4 1 0 5 =4 a 5
b
1 1 a+b
En consecuencia (S T ) (a; b) = ax + (a + b) x2 . X
Teorema 6.10.2 Sean V y W espacios vectoriales ambos de dimensión n con bases
B y C respectivamente y sea T : V ! W una transformación lineal. Entonces T es
invertible si, y sólo si, la matriz [T ]C
B es invertible. En este caso
1
1 B
[T ]C
B = T C
Ejemplo 6.10.2 Se puede mostrar fácilmente que la transformación lineal

T : R2 ! P1 de…nida por T (a; b) = a + (a + b) x. Es inyectiva y suryectiva, por
tanto invertible, encuentre T 1 .
Solución. En el ejemplo 6.10.1, hallamos que la matriz de T con respecto a las bases
normales B y B 0 de R2 y P1 , respectivamente era
0 1 0
[T ]B
B = 1 1
Entonces de acuerdo con el teorema 6.10.2, se deduce que la matriz de T 1 con
respecto a B 0 y B es
1 1
1 B 0 1 0 1 0
T B0
= [T ]B
B = =
1 1 1 1
luego según, el teorema 6.9.2 se tiene
1 1 B 1 0 a a
T (a + bx) B
= T B0
[a + bx]B 0 = =
1 1 b b a
Lo que signi…ca
1
T (a + bx) = ae1 + (b a) e2 = (a; b a) :
X
392
Observación 6.10.1 Observe que la elección de las bases normales o usuales reduce
prácticamente hasta la irrelevancia la importancia de este cálculo.
El siguiente ejemplo, una continuación del ejemplo 6.9.25, demuestra que las
matrices pueden ser utilizadas en ciertos problemas de integración en el cálculo. La
integral especí…ca que consideramos es evaluada en un curso de cálculo por medio
de dos aplicaciones del método de integración por partes. Compare este enfoque con
nuestro método.
Ejemplo 6.10.3 Demuestre que el operador diferencial D : W ! W restringido

al subespacio W generado por el conjunto 3x 3x 2 3x es invertible y utilice
R 2 3xe ; xe ; x e
este hecho para encontrar la integral x e dx:
Solución. En el ejemplo 6.9.25 determinamos que la matriz de D con respecto a la

base B = e3x ; xe3x ; x2 e3x de W resultaba ser
2 3
3 1 0
[D]B = 4 0 3 2 5
0 0 3
Por tanto de acuerdo con el teorema 6.10.2, D es invertible sobre W , y la matriz de

D 1 es 2 3 1 2 1 3
1 2
3 1 0 3 9 27
6 2 7
D 1 B = ([D]) 1 = 4 0 3 2 5 = 4 0 1
3 9 5
0 0 3 0 0 1
3
Debido a que la integración es un proceso de antiderivación, ésta es la matriz co-
rrespondiente a la integración sobre W . Queremos integrar la función x2 e3x cuya
matriz de coordenadas es 2 3
0
x e B= 0 5
2 3x 4
1
En consecuencia, según el teorema 6.9.2, se tiene
Z
x2 e3x dx = D 1 x2 e3x B = D 1 B x2 e3x B
B
2 1 1 2
32 3 2 2 3
3 9 27 0 27
6 1 2 74 5 6 2 7
= 4 0 3 9 5 0 =4 9 5
0 0 1 1 1
3 3
393
De esto se sigue que
Z
2 3x 2 3x 1 2 3x
x2 e3x dx = e xe + x e :
27 9 3
X
Para estar completamente en lo cierto, necesitamos agregar una constante de
integración. No se muestra aquí debido a que trabajamos con transformaciones
lineales las cuales deben enviar vectores cero a vectores cero, lo cual obliga a la
constante de integración a ser también igual a cero.
Por último, presentamos un teorema que muestra como se afecta la representación
matricial de una transformación lineal cuando se selecciona una nueva base.
Teorema 6.10.3 Sea P la matriz de transición de la base B a una base B 0 en V y

sea Q la matriz de transición de una base C a una base C 0 en W . Entonces, para
toda transformación lineal T : V ! W se tiene
0
[T ]C
B0 = Q
1
[T ]C
B P
En particular
0
[T ]C
B =Q
1
[T ]C
B
es decir, el cambio de base únicamente tiene lugar en V . Y
[T ]C C
B 0 = [T ]B P
es decir, cuando el cambio de base únicamente tiene lugar en W .

En los ejercicios del 1 al 6 use la función dada para encontrar (a) la imagen de v y
(b) la preimagen de w.
Ejercicio 6.11.1 T (x1 ; x2 ) = (x1 + x2 ; x1 x2 ) ; v = (4; 6) ; w = (4; 20) :
Ejercicio 6.11.2 T (x1 ; x2 ) = (2x2 x1 ; x1 ; x2 ) ; v = (0; 5) ; w = (5; 2; 6) :
Ejercicio 6.11.3 T (x1 ; x2 ; x3 ) = (x2 x1 ; x1 + x2 ; 2x1 ) ; v = (2; 3; 0) ;

w = ( 11; 1; 10) :
Ejercicio 6.11.4 T (x1 ; x2 ; x3 ) = (2x1 + x2 ; 2x2 3x1 ; x1 x3 ) ; v = ( 4; 5; 1) ;

w = (4; 1; 1) :
394
Ejercicio 6.11.5 T (x1 ; x2 ; x3 ) = (4x2 x1 ; 4x1 + 5x2 ) ; v = (2; 3; 1) ;
w = (3; 9) :
p p
2 2
Ejercicio 6.11.6 T (x1 ; x2 ) = 2 x1 2 x2 ; x1 + x2 ; 2x1 x2 ; v = (1; 1) ;
p
w= 5 2; 2; 16 :
En los ejercicios del 7 al 29, determine si la función dada es una transformación

lineal.
Ejercicio 6.11.7 T : R2 ! R2 , de…nida por T (x; y) = (x; 1) :
Ejercicio 6.11.8 T : R3 ! R3 , de…nida por T (x; y; z) = (x + y; x y; z) :
Ejercicio 6.11.9 T : R2 ! R2 , de…nida por T (x; y) = (x + 3; y) :

p p
Ejercicio 6.11.10 T : R2 ! R3 , de…nida por T (x; y) = x; xy; y :
Ejercicio 6.11.11 T : M2 2 ! R, de…nida por T (A) = jAj :
Ejercicio 6.11.12 T : M3 3 ! M3 3,de…nida por

2 3
0 0 1
T (A) = 4 0 1 0 5 A:
1 0 0
Ejercicio 6.11.13 T : M2 2 ! M2 4, de…nida por T (A) = AB; B 2 M2 4:
Ejercicio 6.11.14 T : M2 2 ! M2 2, de…nida por T (A) = At :
Ejercicio 6.11.15 T : P2 ! P2 , de…nida por
T a0 + a1 x + a2 x2 = (a0 + a1 + a2 ) + (a1 + a2 ) x + a2 x2 :
Ejercicio 6.11.16 T : P2 ! P2 , de…nida por T a0 + a1 x + a2 x2 = a1 + 2a2 x:
Ejercicio 6.11.17 T : M2 2 ! M2 2, de…nida por
a b a+b 0
T = :
c d 0 c+d
Ejercicio 6.11.18 T : M2 2 ! M2 2, de…nida por
a b 1 a d
T = :
c d b c 1
395
Ejercicio 6.11.19 T : Mn n ! Mn n, de…nida por T (A) = AB, donde B es una
matriz …ja n n:
Ejercicio 6.11.20 T : Mn n ! Mn n, de…nida por T (A) = AB BA, donde B

es una matriz …ja n n:
Ejercicio 6.11.21 T : Mn n ! R, de…nida por T (A) = tr (A) :
Ejercicio 6.11.22 T : Mn n ! R, de…nida por T (A) = a11 a22 ann :
Ejercicio 6.11.23 T : Mn n ! R, de…nida por T (A) = Rango (A) :
T a + bx + cx2 = (a + 1) + (b + 1) x + (c + 1) x2 :
T a + bx + cx2 = a + b (x + 1) x + b (x + 1)2 :
Ejercicio 6.11.26 T : F ! F , de…nida por T (f ) = f x2 .

Donde F denota el espacio vectorial de todas las funciones con valores reales
de…nidas sobre la recta de los números reales.
Ejercicio 6.11.27 T : F ! F , de…nida por T (f ) = (f (x))2 .
Ejercicio 6.11.28 T : F ! F , de…nida por T (f ) = f (c), donde c es un escalar

…jo
Ejercicio 6.11.29 T : P1 ! P2 , de…nida por:

(a) T (p (x)) = xp (x) :
(b) T (p (x)) = x2 + p (x) :
(c) T (p (x)) = p (x) + xp (x) + x2 p (x) :
Ejercicio 6.11.30 Para cada f 2 C [0; 1] se de…ne T (f ) = S, donde

Z x
S (x) = f (t) dt; 0 x 1:
0
Demuestre que T es una transformación lineal de C [0; 1] a C [0; 1]. Luego determine
T (ex ) y T x2 .
396
Ejercicio 6.11.31 Determine si las siguientes funciones T : C [0; 1] ! R son o no
transformaciones lineales:
(a) T (f ) = f (0) :
(b) T (f ) = jf (0)j :
f (0)+f (1)
(c) T (f ) = 2 :
qR
1
(d) T (f ) = 0 [f (x)]2 dx:
Ejercicio 6.11.32 Demuestre que las funciones T : M2 1 ! P1 y S : P1 ! P2

de…nidas por
a
T = a + (a + b) x y S (p (x)) = xp (x)
b
son transformaciones lineales.
Ejercicio 6.11.33 Sea T : M2 ! M3 1 , una transformación lineal para la cual

1
2 3 2 3
1 3
1 4 5 0
T = 2 y T = 0 5
4
0 1
1 4
encontrar
5 x
T y T
2 y
Ejercicio 6.11.34 Sea T : M2 1 ! P2 , una transformación lineal para la cual
1 3
T =1 2x y T = x + 2x2
1 1
encontrar
7 x
T y T
9 y
Ejercicio 6.11.35 Sea T : P2 ! P2 , una transformación lineal para la cual
T (1) = 3 2x; T (x) = 4x x2 y T x2 = 2 + 2x2
encontrar
T 4 x + 3x2 y T a + bx + cx2 :
397
Ejercicio 6.11.36 Sea T : M2 2 ! R, una transformación lineal para la cual
1 0 1 1 1 1 1 1
T = 1; T = 2; T = 3; y T =4
0 0 0 0 1 0 1 1
encontrar
1 3 a b
T y T :
4 2 c d
Ejercicio 6.11.37 Sea T : M2 2 ! R, una transformación lineal. Demuestre que

existen escalares a; b; c y d tales que
w x w x
T = aw + bx + cy + dz para todo 2 M2 2:
y z y z
Ejercicio 6.11.38 Demuestre que no hay transformación lineal T : M3 1 ! P2 tal

que
2 3 2 3 2 3
2 3 0
T 4 1 5 = 1 + x; T 4 0 5 = 2 x + x2 y T 4 6 5= 2 + 2x2 :
0 2 8
Ejercicio 6.11.39 Sea B = fv1 ; v2 ; : : : ; vn g una base para un espacio vectorial V y

sea T : V ! V una transformación lineal. Demuestre que si
T (v1 ) = v1 ; T (v2 ) = v2 ; : : : ; T (vn ) = vn
entonces T es la transformación identidad sobre V .
Ejercicio 6.11.40 Sean v1 ; v2 ; : : : ; vn vectores de un espacio vectorial V y sea

T : V ! W una transformación lineal.
(a) Si fT (v1 ) ; T (v2 ) ; : : : ; T (vn )g es linealmente independiente en W , demuestre
que fv1 ; v2 ; : : : ; vn g es linealmente independiente en V .
(b) Demuestre que lo opuesto al inciso (a) es falso. Es decir, no es necesaria-
mente verdadero que si fv1 ; v2 ; : : : ; vn g es linealmente independiente en V , entonces
fT (v1 ) ; T (v2 ) ; : : : ; T (vn )g es linealmente independiente en W . Ilustre su respuesta
con un ejemplo T : R2 ! R2 .
Ejercicio 6.11.41 Sean S : M2 1 ! M2 2 y T : M2 1 ! M2 1 las transforma-

ciones lineales de…nidas por
a a+b b c 2c + d
S= = y T =
b 0 a b d d
398
Calcule
1 x x
(S T) y (S T) ¿Puede calcular (T S) ?
2 y y
Si es así, hágalo.
Ejercicio 6.11.42 Sean S : P1 ! P2 y T : P2 ! P1 transformaciones lineales

de…nidas mediante
S (a + bx) = a + (a + b) x + 2bx2 y T a + bx + cx2 = b + 2cx
Calcule
(S T ) 3 + 2x x2 y (S T ) a + bx + cx2
¿Puede calcular (T S) (a + bx)? Si es así, hágalo.
Ejercicio 6.11.43 Sean S : Pn ! Pn y T : Pn ! Pn transformaciones lineales

de…nidas mediante
S (p (x)) = p (x + 1) y T (p (x)) = p0 (x)
Encuentre
(S T ) (p (x)) y (T S) (p (x))
(Sugerencia: recuerde la regla de la cadena.)
Ejercicio 6.11.44 Sean S : Pn ! Pn y T : Pn ! Pn transformaciones lineales

de…nidas mediante
S (p (x)) = p (x + 1) y T (p (x)) = x p0 (x)
Encuentre
(S T ) (p (x)) y (T S) (p (x)) :
En los ejercicios 45 y 46, veri…que que S y T son inversas.
Ejercicio 6.11.45 S : M2 1 ! M2 1 y T : M2 1 ! M2 1 de…nidas mediante
x 4x + y x x y
S = y T =
y 3x + y y 3x + 4y
Ejercicio 6.11.46 S : P1 ! P1 y T : P1 ! P1 de…nidas mediante

1
S (a + bx) = ( 4a + b) + 2ax y T (a + bx) = b + (a + 2b) x:
2
399
El conjunto de todas las transformaciones lineales desde un espacio vectorial V
hacia un espacio vectorial W se denota mediante L (V; W ). Si S y T se encuentran
en L (V; W ) podemos de…nir la suma S + T de S y T por medio de
(S + T ) (v) = S (v) + T (v) ; para todo v 2 V:
Si k es un escalar, de…nimos el múltiplo escalar kT como
(kT ) (v) = kT (v) ; para todo v 2 V:
Ejercicio 6.11.47 Demuestre que S + T y kT son transformaciones lineales de V

en W .
Ejercicio 6.11.48 Demuestre que L (V; W ) es un espacio vectorial con la adición

y multiplicación escalares.
Ejercicio 6.11.49 Sean R; S y T transformaciones lineales tales que las operacio-

nes siguientes tengan sentido. Demuestre que:
(a) R (S + T ) = R S + R T .
(b) k (R S) = (kR) S = R (kS) ; para cualquier escalar k.
Núcleo (“kernel”) y la imagen (“contradominio”) de una transforma-

ción lineal
Ejercicio 6.11.50 Sea T : M2 2 ! M2 2 la transformación lineal de…nida por
a b a 0
T =
c d 0 d
y sean
1 2 0 4 3 0
(i) ; (ii) y (iii)
1 3 2 0 0 3
matrices en M2 2 . ¿Cuáles de las anteriores matrices se encuentran en el ker (T ),
en el cont (T )? Describa el ker (T ) y el cont (T ) :
Ejercicio 6.11.51 Sea T : M2 2 ! R la transformación lineal de…nida por
T (A) = tr (A)
y sean
1 2 0 4 3 0
(i) A = ; (ii) A = y (iii) A =
1 3 2 0 0 3
400
matrices en M2 2 .
(a) ¿Cuáles de las anteriores matrices se encuentran en el ker (T )?
(b) ¿Cuáles de los siguientes escalares se encuentran en el cont (T )?
1
(i) 0; (ii) 2 y (iii) p
2
(c) Describa el ker (T ) y el cont (T ) :
Ejercicio 6.11.52 Sea T : P2 ! M2 1 la transformación lineal de…nida por
a b
T a + bx + cx2 =
b+c
(a) ¿Cuáles de los siguientes polinomios se encuentran en el ker (T )?
(i) 1 + x; (ii) x x2 y (iii) 1 + x x2
(b) ¿Cuáles de las siguientes matrices se encuentran en el cont (T )?
0 1 0
(i) ; (ii) y (iii)
0 0 1
Ejercicio 6.11.53 Sea T : P2 ! P2 la transformación lineal de…nida por
T (p (x)) = xp0 (x)
(a) ¿Cuáles de los siguientes polinomios se encuentran en el ker (T )?
(i) 2; (ii) x2 y (iii) 1 + x
(b) ¿Cuáles, de los polinomios del inciso (a) se encuentran en el cont (T )?

En los ejercicios 54 a 57, encuentre las bases del ker (T ) y del cont (T ) de las
transformaciones lineales T en los ejercicios indicados. En cada caso, establezca la
nulidad y el rango de T y veri…que el teorema del rango.
Ejercicio 6.11.54 Ejercicio 50.
401
En los ejercicios 58 a 63, encuentre ya sea la nulidad o bien el rango de T y

posteriormente utilice el teorema del rango para encontrar al otro.
Ejercicio 6.11.58 T : M2 2 ! M2 1 de…nida por
a b a b
T = :
c d c d
Ejercicio 6.11.59 T : P2 ! M2 1 de…nida por
p (0)
T (p (x)) = :
p (1)
1 1
T (A) = AB; donde B= :
1 1
1 1
T (A) = AB BA; donde B= :
1 1
Ejercicio 6.11.62 T : P2 ! P2 de…nida por T (p (x)) = p0 (x) :
Ejercicio 6.11.63 T : M3 3 ! M3 3 de…nida por T (A) = A At .
En los ejercicios 64 a 69, determine si la transformación lineal T es: (a) inyectiva

y (b) suryectiva.
Ejercicio 6.11.64 T : R2 ! R2 de…nida por T (x; y) = (2x y; x + 2y) :
Ejercicio 6.11.65 T : R2 ! R3 de…nida por T (x; y) = (2x y; 3x + y; x + y) :
Ejercicio 6.11.66 T : P2 ! R3 de…nida por
T a + bx + cx2 = (2a b; a + b 3c; c a) :
Ejercicio 6.11.67 T : P2 ! R2 de…nida por
T (p (x)) = (p (0) ; p (1)) :
402
Ejercicio 6.11.68 T : R3 ! M2 2 de…nida por
a b b c
T (a; b; c) = :
a+b b+c
Ejercicio 6.11.69 T : R3 ! W de…nida por
a + b + c b 2c
T (a; b; c) =
b 2c a c
donde W es el espacio vectorial de todas las matrices simétricas 2 2.
En los ejercicios 70 a 75, determine si V y W son isomorfos. Si lo son proporcione

un isomor…smo explicito T : V ! W .
Ejercicio 6.11.70 V = D3 (matrices diagonales 3 3), W = R3 :
Ejercicio 6.11.71 V = S3 (matrices simétricas 3 3),

W = U3 (matrices triangular superior 3 3).
Ejercicio 6.11.72 V = S3 (matrices simétricas 3 3),

W = S30 (matrices antisimétricas 3 3).
Ejercicio 6.11.73 V = P2 ; W = fp (x) 2 P3 = p (0) = 0g
Ejercicio 6.11.74 V = C; W = R2 :
Ejercicio 6.11.75 V = fA 2 M2 2= tr (A) = 0g ; W = R2 .
Ejercicio 6.11.76 Demuestre que T : Pn ! Pn , de…nida por T (p (x)) = p (x) +

p0 (x) es un isomor…smo.
Ejercicio 6.11.77 Veri…que si T : Pn ! Pn de…nida por T (p (x)) = p (x 2) es

un isomor…smo.
Ejercicio 6.11.78 Compruebe que T : Pn ! Pn de…nida por
1
T (p (x)) = xn p
x
es un isomor…smo.
403
Ejercicio 6.11.79 Sean S : V ! W y T : U ! V transformaciones lineales.
(a) Demuestre que si S y T son ambas inyectivas, entonces S T es inyectiva.
(b) Demuestre que si S y T son ambas suryectivas, entonces S T es suryectiva.
Ejercicio 6.11.80 Sean S : V ! W y T : U ! V transformaciones lineales.

(a) Demuestre que si S T es inyectiva, entonces T es inyectiva.
(b) Demuestre que si S T es suryectiva, entonces S es suryectiva.
Ejercicio 6.11.81 Sea T : V ! W una transformación lineal entre dos espacios

vectoriales de dimensión …nita.
(a) Demuestre que si dim (V ) < dim (W ), entonces T no puede ser suryectiva.
(b) Demuestre que si dim (V ) > dim (W ), entonces T no puede ser inyectiva.
Ejercicio 6.11.82 Sean a0 ; a1 ; a2 ; : : : ; an , n + 1 números reales distintos. Se de…ne

T : Pn ! Rn+1 mediante
T (p (x)) = (p (a0 ) ; p (a1 ) ; p (a3 ) ; : : : ; p (an ))
Demuestre que T es un isomor…smo.
Matriz de una transformación lineal

En los ejercicios 83 a 94, encuentre la matriz [T ]C
B de la transformación lineal
T : V ! W con respecto a las bases B y C de V y W , respectivamente. Veri…que
el teorema 6.9.2 para el vector v mediante el cálculo de T (v) de manera directa y
utilizando el teorema.
Ejercicio 6.11.83 T : P1 ! P1 de…nida por
T (a + bx) = b ax; B = C = f1; xg ; v = p (x) = 4 + 2x:
Ejercicio 6.11.84 T : P1 ! P1 de…nida por T (a + bx) = b ax;
B = f1 + x; 1 xg ; C = f1; xg ; v = p (x) = 4 + 2x:
Ejercicio 6.11.85 T : P2 ! P2 de…nida por T (p (x)) = p (x + 2) ;

n o
B = 1; x; x2 ; C = 1; x + 2; (x + 2)2 ; v = p (x) = a + bx + cx2 :
Ejercicio 6.11.86 T : P2 ! P2 de…nida por T (p (x)) = p (x + 2) ;

n o
B = 1; x + 2; (x + 2)2 ; C = 1; x; x2 ; v = p (x) = a + bx + cx2 :
404
Ejercicio 6.11.87 T : P2 ! R2 de…nida por T (p (x)) = (p (0) ; p (1)) ;
B = 1; x; x2 ; C = fe1 ; e2 g ; v = p (x) = a + bx + cx2 :
Ejercicio 6.11.88 T : P2 ! R2 de…nida por T (p (x)) = (p (0) ; p (1)) ;
B = x2 ; x; 1 ; C = f(1; 0) ; (0; 1)g ; v = p (x) = a + bx + cx2 :
Ejercicio 6.11.89 T : R2 ! R3 de…nida por T (a; b) = (a + 2b; a; b) ;
B = f(1; 2) ; (3; 1)g ; C = f(1; 0; 0) ; (1; 1; 0) ; (1; 1; 1)g ; v = ( 7; 7) :
Ejercicio 6.11.90 Repita el ejercicio 89 con v = (a; b).
Ejercicio 6.11.91 T : M2 2 ! M2 2 de…nida por T (A) = At ;
a b
B = C = fE11 ; E21; E12 ; E22 g ; v = A = :
c d
Ejercicio 6.11.92 Repita el ejercicio 91 con
B = fE22 ; E21; E12 ; E11 g y C = fE12 ; E21; E22 ; E11 g :
Ejercicio 6.11.93 T : M2 2 ! M2 2 de…nida por T (A) = AD DA, donde
1 1 a b
D= ; B = C = fE11 ; E12; E21 ; E22 g ; v=A= :
1 1 c d
Ejercicio 6.11.94 T : M2 2 ! M2 2 de…nida por T (A) = A At ,
a b
B = C = fE11 ; E21; E12 ; E22 g ; v = A = :
c d

2 3 2 3 2 3
1 1 1
b1 = 4 1 5 ; b 2 = 4 0 5 ; b 3 = 4 0 5
0 1 0
y sea T : R2 ! R3 la transformación lineal de…nida por T (u) = u1 b1 + u2 b2 + u3 b3 .

Obtenga la matriz que represente a T con respecto a las bases usuales B = fe1 ; e2 g
y B = fe1 ; e2 ; e3 g de R2 y R3 respectivamente.
405
2 3 2 3 2 3
1 1 1
y1 = 4 1 5 ; y 2 = 4 1 5 ; y 3 = 4 0 5
1 0 0
y sea T : R3 ! R3 la transformación lineal de…nida por
T (a1 y1 + a2 y2 + a3 y3 ) = (a1 + a2 + a3 ) y1 + (2a1 + a3 ) y2 + (2a2 + a3 ) y3
(a) Determine una matriz que represente a T con respecto a la base fy1 ; y2 ; y3 g.
(b) Para cada una de las siguientes expresiones, exprese el vector u como com-
binación lineal de y1 ; y2 ; y3 y utilice la matriz del inciso (a) para determinar T (u).
2 3 2 3 2 3
7 3 1
(i) u = 4 5 5 ; (ii) u = 4 2 5 y (iii) u = 4 2 5 ;
2 1 3
Ejercicio 6.11.97 Sea T : P1 ! M2 1la transformación lineal de…nida por
R1
T (p (x)) = 0 p (x) dx
p (0)
Obtenga una matriz A tal que
T ( + x) = A :
Ejercicio 6.11.98 Considere el subespacio W del espacio vectorial F 0 de todas las

funciones diferenciables con valores reales de…nidas sobre R generado por
B = fsen x; cos xg :
(a) Demuestre que el operador diferencial D aplica W en sí mismo.
(b) Encuentre la matriz de D con respecto a B = fsen x; cos xg.
(c) Calcule la derivada de f (x) = 3 sen x 5 cos x de manera indirecta, utilizando
el teorema 6.9.2 y veri…que que concuerda con f 0 (x) al calcularla de manera directa.
B = e2x ; e 2x
:
(b) Encuentre la matriz de D con respecto a B = e2x ; e 2x .
(c) Calcule la derivada de f (x) = e2x 3e 2x de manera indirecta utilizando el
teorema 6.9.2, y veri…que que concuerda con f 0 (x) al calcularla de manera directa.
406
B = e2x ; e2x cos x; e2x sen x :

(b) Encuentre la matriz de D con respecto a B = e2x ; e2x cos x; e2x sen x .
(c) Calcule la derivada de f (x) = 3e2x e2x cos x+2e2x sen x de manera indirecta
utilizando el teorema 6.9.2, y veri…que que concuerda con f 0 (x) al calcularla de
manera directa.
En los ejercicios 101 y 102 T : U ! V y S : V ! W son transformaciones

lineales y B; C y D son bases para U; V y W , respectivamente. Calcule [S T ]DB de
dos maneras:
(a) Encuentre S T de manera directa, para posteriormente calcular su matriz y
(b) Determine las matrices de S y T por separado con base en el teorema 6.10.1.
Ejercicio 6.11.101 T : P1 ! R2 de…nida por T (p (x)) = (p (0) ; p (1)),

S : R2 ! R2 de…nida por S (a; b) = (a 2b; 2a b) :
B = f1; xg ; C = D = fe1 ; e2 g :
Ejercicio 6.11.102 T : P1 ! P2 de…nida por T (p (x)) = p (x + 1)

S : P2 ! P2 de…nida por S (p (x)) = p (x + 1)
B = f1; xg ; C = D = 1; x; x2 :
En los ejercicios 103 a 110, determine si la transformación lineal T es invertible

considerando su matriz con respecto a las bases estándar o usuales. Si T es invertible,
utilice el teorema 6.10.2 y el método del ejemplo 6.10.2 para determinar T 1 .
Ejercicio 6.11.103 T del ejercicio 83.
Ejercicio 6.11.106 T : P2 ! P2 de…nida por T (p (x)) = p0 (x) :
Ejercicio 6.11.107 T : P2 ! P2 de…nida por T (p (x)) = p (x) + p0 (x) :
Ejercicio 6.11.108 T : M2 2 ! M2 2 de…nida por T (A) = AB, donde
3 2
B=
2 1
407
En los ejercicios 111 a 113, utilice el método del ejemplo 6.10.3 para evaluar la
integral dada.
R
Ejercicio 6.11.111 (sen x 3 cos x) dx (véase el ejercicio 98).
R 2x dx
Ejercicio 6.11.112 5e (véase el ejercicio 99).
R
Ejercicio 6.11.113 e2x cos 2e2x sen x dx (véase el ejercicio 100).
Ejercicio 6.11.114 Sea la representación de T : M3 1 ! M2 1 respecto a las bases

8 2 3 2 3 2 39
< 1 0 1 =
4 1 1
B = u1 = 1 ; u2 = 1 ; u3 = 0 5 y C = v1 =
5 4 5 4 ; v2 =
: ; 2 1
0 1 0
igual a
1 2 1
A=
1 1 0
(a) Calcular [T (u1 )]C ; [T (u2 )]C y [T (u3 )]C :
(b) Calcular T (u1 ) ; T (u2 ) y T (u3 ) :
(c) Calcular 2 3
2
T 4 1 5:
1
408
CAPÍTULO 7
Valores y vectores característicos
En muchos problemas cientí…cos y matemáticos, se conoce un operador lineal
T :V !V
y se requiere encontrar todos aquellos escalares para los cuales la ecuación
T (u) = u
tenga soluciones diferentes de cero. En este capítulo se presentará este problema, y

luego en una sección correspondiente se estudiarán algunas de sus aplicaciones.
7.1 Valores y vectores característicos de una matriz

A menos que se indique otra cosa, todas las matrices de este capítulo serán cuadradas.
De…nición 7.1.1 Sea A es una matriz cuadrada, entonces un escalar se denomina

valor característico o valor propio de A si, y sólo si, existe un vector u diferente de
cero en Rn 1 talque Au = u:
El vector u =
6 2 Rn 1 se llama vector característico o vector propio de A
correspondiente al valor propio .
Observación 7.1.1 Observe que el vector u 2 Rn 1 no puede ser el vector nulo sin,
embargo si es posible que un valor característico sea cero.
409
Ejemplo 7.1.1 Si
2 0
A=
0 1
es fácil comprobar que
1
u1 =
0
es un vector característico de A correspondiente al valor característico 1 = 2, pues
2 0 1 2 1
Au1 = = =2 = 2u1
0 1 0 0 0
Similarmente se puede veri…car fácilmente que
0
u2 =
1
es un vector característico de A correspondiente al valor característico 2 = 1,

pues
2 0 0 0 0
Au2 = = = 1 = 2 u2
0 1 1 1 1
Ejemplo 7.1.2 Veri…que que

2 3 2 3
1 0
u1 = 4 6 5 y u2 = 4 1 5
1 0
son vectores característicos de A y encuentre sus valores propios correspondientes,

siendo 2 3
3 0 1
4
A= 4 3 2 5
2 0 0
Solución. Como
2 32 3 2 3 2 3
3 0 1 1 2 1
Au1 = 4 4 3 2 54 6 5=4 12 5 = 2 4 6 5 = 2u1
2 0 0 1 2 1
Entonces se deduce que u1 es un vector característico de A correspondiente al valor

característico 1 = 2.
410
Similarmente de
2 32 3 2 3 2 3
3 0 1 0 0 0
Au2 = 4 4 3 2 5 4 1 5 = 4 3 5 = 3 4 1 5 = 3u2
2 0 0 0 0 0
Se ve que u2 es un vector característico de A correspondiente al valor característico

2 = 3. X
Observación 7.1.2 Supongamos que Ax = x y k un escalar, entonces
A (kx) = k (Ax) = k ( x) = (kx)
Esto muestra que si x es vector característico de A asociado a un valor característico

entonces cualquier múltiplo de x distinto de cero, también, es un vector carac-
terístico de A asociado con . De este modo todo valor característico tiene in…nitos
vectores característicos asociados a el.
En el caso del ejemplo anterior, vimos que u2 es un vector característico de A

correspondiente al valor característico 2 = 3, luego por la observación hecha sucede
que 2 3
0
u = k 5 ; 8k 6= 0 2 R
4
0
es también, un vector característico correspondiente al valor característico 2 = 3.
Pues 2 32 3 2 3 2 3
3 0 1 0 0 0
Au = 4 4 3 2 5 4 k 5 = 4 3k 5 = 3 4 k 5 = 3u
2 0 0 0 0 0
De hecho, el conjunto de todos los vectores propios u de una matriz A asociados a
un valor propio es un subespacio de Rn 1 . En efecto:
(i) Si u1 y u2 son vectores propios de A asociados al valor propio entonces
Au1 = u1 y Au2 = u2 , luego
A (u1 + u2 ) = Au1 + Au2

= u1 + u2
= (u1 + u2 )
Esto muestra que u1 + u2 es un vector propio de A asociado a .
411
(ii) Si u es un vector propio de A asociado a y k un escalar, entonces
A (ku) = k (Au) = k ( u) = (ku)
Esto dice que ku es también un vector propio de A asociado al valor propio .
Así, el conjunto de todos los vectores propios u de una matriz A asociados a un

valor propio , junto con el vector nulo es un subespacio de Rn 1 . Este subespacio
especial de Rn 1 se denomina espacio característico de y se denota por E .
Ejemplo 7.1.3 Veri…que que

2 3 2 3 2 3
1 1 5
u1 = 0 5 ;
4 u2 = 4 1 5; u3 = 4 1 5
0 0 2
son vectores propios de A y encuentre sus valores propios correspondientes siendo

2 3
2 3 1
A=4 0 1 2 5
0 0 3
Solución. Como
2 32 3 2 3 2 3
2 3 1 1 2 1
4
Au1 = 0 1 2 5 4 0 = 0 = 2 0 5 = 2u1
5 4 5 4
0 0 3 0 0 0
Esto dice que u1 es un vector propio de A correspondiente al valor propio 1 = 2.

Nótese que 2 3
k
4
u= 0 5
0
para todo k 6= 0 2 R, es también un vector propio asociado a 1 = 2, pues
2 32 3 2 3 2 3
2 3 1 k 2k k
Au = 4 0 1 2 5 4 0 5 = 4 0 5 = 2 4 0 5 = 2u
0 0 3 0 0 0
Esto signi…ca que el valor propio 1 = 2, tiene in…nitos vectores propios uno para
cada valor de k 6= 0 2 R.
412
Similarmente, se veri…ca que u2 es un vector propio de A, observando que
2 32 3 2 3 2 3
2 3 1 1 1 1
Au2 = 4 0 1 2 54 1 5 = 4 1 5 = 1 4 1 5 = 1u2
0 0 3 0 0 0
Esto dice que u2 es un vector propio de A asociado al valor propio 2 = 1. Note
también, aquí que 2 3
k
u=4 k 5
0
Para todo k 6= 0 2 R, es también un vector propio asociado a 2 = 1, pues
2 32 3 2 3 2 3
2 3 1 k k k
Au = 4 0 1 2 5 4 k 5 = 4 k 5 = 1 4 k 5 = 1u
0 0 3 0 0 0
Esto signi…ca que el valor propio 2 = 1 tiene in…nitos vectores propios.
Finalmente como,
2 32 3 2 3 2 3
2 3 1 5 15 5
Au3 = 0 4 1 2 5 4 5
1 = 4 3 = 3 1 5 = 3u3
5 4
0 0 3 2 6 2
Esto dice que u3 es un vector propio de A asociado al valor propio 3 = 3. Note
también, aquí que 2 3
5k
u=4 k 5
2k
Para todo k 6= 0 2 R, es también un vector propio asociado a 3= 3, pues
2 32 3 2 3 2 3
2 3 1 5k 15k 5k
Au = 4 0 1 2 5 4 k 5 = 4 3k 5 = 3 4 k 5 = 3u
0 0 3 2k 6k 2k
Esto signi…ca que el valor propio 3 = 3 tiene in…nitos vectores propios. X
7.2 Determinación de los valores y vectores propios de

una matriz A
En esta sección se mostrará como se usa un determinante para encontrar los valores
propios y los vectores propios de una matriz A. Consideremos
Au = u
413
que puede escribirse como
Iu = Au
Iu Au =
( I A) u =
Que resulta ser un sistema homogéneo de n ecuaciones lineales con n incógnitas.
Recordemos que un sistema lineal homogéneo general Ax = 0 admite solución no
trivial (in…nitas soluciones) si, y sólo si, jAj = 0.
En nuestro caso el sistema homogéneo
( I A) u =
tendrá solución no trivial (in…nitas soluciones) si, y sólo si, j I Aj = 0; Pero ¿Qué
es j I Aj = 0? Veamos con una matriz A3 3 .
2 3 2 3
1 0 0 a11 a12 a13
I A = 4 0 1 0 5 4 a21 a22 a23 5
0 0 1 a31 a32 a33
2 3 2 3
0 0 a11 a12 a13
= 4 0 0 5 4 a21 a22 a23 5
0 0 a31 a32 a33
2 3
a11 a12 a13
= 4 a21 a22 a23 5
a31 a32 a33
De este modo j I Aj = 0 resulta ser
a11 a12 a13
a21 a22 a23 =0
a31 a32 a33
En general, al desarrollar el determinante j I Aj se obtiene el siguiente polinomio
en de grado n.
' ( ) = n + cn 1 n 1 + + c1 + c0
Llamado polinomio característico de A y a la ecuación,
n n 1
'( ) = + cn 1 + + c1 + c0 = 0
se denomina ecuación característica de la matriz A.
Esta ecuación característica es muy importante ya que nos permite encontrar
los valores propios de A. Es decir, las soluciones de esta ecuación resultan ser los
valores propios de la matriz A.
414
Nota 7.2.1 Note que debido a que esta ecuación característica es de grado n en-
tonces una matriz A puede tener a lo mucho n valores propios diferentes.
En resumen, si A es una matriz cuadrada entonces.
1. Los valores propios de A son las soluciones de la ecuación característica.

n n 1
'( ) = + cn 1 + + c1 + c0 = 0
2. Los vectores propios de A correspondientes a cada valor propio son las solu-
ciones diferentes de cero del sistema homogéneo, ( I A) = .
Nota 7.2.2 El problema de encontrar los valores propios de una matriz An n puede
ser difícil porque implica la factorización de un polinomio de grado n. Sin embargo,
una vez que se ha obtenido un valor propio, hallar los vectores propios correspon-
dientes es una aplicación directa del procedimiento de Gauss-Jordan.
Ejemplo 7.2.1 Encuentre los valores propios y los vectores propios correspondien-
tes de la matriz.
2 12
A=
1 5
Solución. Sabemos que los valores propios llamados también autovalores de la ma-
triz A son las soluciones de su ecuación característica.
j I Aj = 0
Así, pues pasamos a calcular estas soluciones
2 12
=0
1 +5
Calculando este determinante y simpli…cando nos queda
( 2) ( + 5) + 12 = 0
2
+3 10 + 12 = 0
2
+3 +2 = 0
( + 2) ( + 1) = 0
De donde, al estar ya el polinomio característico factorizado, se pueden sacar las

soluciones a simple vista. Por tanto los valores propios de la matriz A son. 1 = 1
y 2 = 2.
415
Seguidamente calculemos los vectores propios; como los vectores propios asocia-
dos a los valores propios son las soluciones diferentes de cero del sistema homogé-
neo.
( I A) =
Entonces para 1 = 1 resolvemos el sistema homogéneo ( 1I A) = , esto es,
1 2 12 x1 0
=
1 1+5 x2 0
3 12 x1 0
=
1 4 x2 0
3 12 : 0 1 4 : 0 1 4 : 0
$ $
1 4 : 0 3 12 : 0 0 0 : 0
Así se tiene, x1 4x2 = 0 y de esto x1 = 4x2 . Con x2 = t se concluye que todo
vector propio asociado al valor propio 1 = 1 es de la forma
x1 4t 4
u= = =t ; t 6= 0
x2 t 1
Si t = 1 entonces
4
u1 =
1
es un vector propio de A asociado al valor propio 1 = 1.
Observe que el espacio característico E 1 de 1 = 1, esta generado por el
conjunto unitario
4
B=
1
que es linealmente independiente luego una base para E 1 es, B y de esto se concluye
que, la dim (E 1 ) = 1.
Seguidamente, encontremos los vectores propios de A asociados al valor propio
2 = 2 para esto debemos resolver el siguiente sistema homogéneo
( 2I A) =
( 2I A) =
4 12 x1 0
=
1 3 x2 0
4 12 : 0 1 3 : 0 1 3 : 0
$ $
1 3 : 0 4 12 : 0 0 0 : 0
416
Así se tiene, x1 3x2 = 0 y de esto x1 = 3x2 . Con x2 = t se concluye que todo
vector propio asociado al valor propio 2 = 2 es de la forma
x1 3t 3
u= = =t ; t 6= 0
x2 t 1
Si t = 1 entonces
3
u2 =
1
es un vector propio de A asociado al valor propio 2 = 2.
Observe que el espacio característico E 2 de 1 = 2, esta generado por el
conjunto unitario
3
B=
1
que es linealmente independiente luego una base para E 2 es, B de este modo se ve
que, la dim (E 2 ) = 1.
Por tanto la matriz A tiene dos valores propios 1 = 1 y 2 = 2 cuyos vectores
propios asociados correspondientes son
4 3
u1 = y u2 =
1 1
Ejemplo 7.2.2 Determine los valores propios y vectores propios de la matriz dada
A y encuentre una base para cada uno de los espacios característicos correspondien-
tes, siendo 2 3
5 0 0
A=4 3 7 0 5
4 2 3
Solución. Sabemos que los valores propios de la matriz A son las soluciones de
su ecuación característica j I Aj = 0. Así, pues pasamos a calcular estas solu-
ciones. Observe que la matriz dada es triangular inferior, luego su determinante es
el producto de sus elementos de su diagonal principal, esto es
+5 0 0
3 7 0 = ( + 5) ( 7) ( 3) = 0
4 2 3
De donde deducimos los siguientes valores propios de A. 1 = 5; 2 =7y 3 = 3.
417
Nota. Nótese que
1 + 2 + 3 = 5 + 7 + 3 = 5 = tr A
1 2 3 = 5 7 3= 105 = det A
Si los valores propios de una matriz A se calcularon empleando algún método

numérico, una forma de veri…car su precisión consiste en comparar su suma con
la traza de A o su producto con su determinante de A.
Ahora para encontrar los vectores propios asociados a estos valores propios debe-
mos resolver los siguientes sistemas homogéneos.
Para 1 = 5 Para 2 = 7 Para 3 = 3

( 5I A) u = (7I A) u = (3I A) u =
Para 1 = 5 resolvemos
2 32 3 2 3
0 0 0 x1 0
4 3 12 0 5 4 x2 5 = 4 0 5
4 2 8 x3 0
2 3 2 3
0 0 0 : 0 1 0 16=9 : 0
4 3 12 0 : 0 5$ $4 0 1 4=9 : 0 5
4 2 8 : 0 0 0 0 : 0
16
x1 + 9 x3 = 0
4
x2 9 x3 = 0
y de esto se tiene
16 4
x1 =
x3 y x2 = x3
9 9
Parametrizando x3 = 9t se concluye que todo vector propio asociado al valor propio
1 = 5 es de la forma.
2 3 2 3 2 3
x1 16t 16
u = 4 x2 5 = 4 4t 5 = t 4 4 5
x3 9t 9
Con t = 1, se tiene el siguiente vector propio asociado al valor propio 1 = 5.

2 3
16
u1 = 4 4 5
9
418
Observe que el espacio característico E 5 de 1 = 5, está generado por el conjunto
unitario 82 39
< 16 =
B= 4 4 5
: ;
9
que es linealmente independiente, luego una base para E 5 es B. Así, dim E 5 = 1.
Para 2 = 7 resolvemos el siguiente sistema
2 32 3 2 3
12 0 0 x1 0
4 3 0 0 5 4 x2 5 = 4 0 5
4 2 4 x3 0
2 3 2 3
12 0 0 : 0 1 0 0 : 0
4 3 0 0 : 0 5$ 4
$ 0 1 2 : 0 5
4 2 4 : 0 0 0 0 : 0
x1 = 0
x2 + 2x3 = 0
y de esto se tiene
x1 = 0 y x2 = 2x3
Parametrizando x3 = t se concluye que todo vector propio asociado al valor propio
2 3 2 3 2 3
x1 0 0
u = 4 x2 5 = 4 2t 5 = t 4 2 5
x3 t 1
Con t = 1, se tiene el siguiente vector propio asociado al valor propio 2 = 7.

2 3
0
u2 = 4 2 5
1
Observe que el espacio característico E7 de 2 = 7, está generado por el conjunto

unitario 82 39
< 0 =
B= 4 2 5
: ;
1
que es linealmente independiente, luego una base para E7 es B. Así, dim E7 = 1.
419
Finalmente para 3 = 3 resolvemos el siguiente sistema
2 32 3 2 3
8 0 0 x1 0
4 3 4 0 5 4 x2 5 = 4 0 5
4 2 0 x3 0
2 3 2 3
8 0 0 : 0 1 0 0 : 0
4 3 4 0 : 0 $ 5 4
$ 0 1 0 : 0 5
4 2 0 : 0 0 0 0 : 0
cuyo sistema correspondiente es
x1 = 0
y x3 = t 6= 0 2 R
x2 = 0
Así, cualquier vector propio asociado al valor propio 3 = 3 es de la forma.
2 3 2 3 2 3
x1 0 0
u = 4 x2 5 = 4 0 5 = t 4 0 5
x3 t 1
con t = 1, se tiene el siguiente vector propio asociado al valor propio 3 = 3.
2 3
0
u3 = 4 0 5
1
unitario 82 39
< 0 =
B= 4 0 5
: ;
1
Finalmente, observemos que
dim E1 + dim E2 + dim E3 = 3
que es el orden de la matriz A. X
Ejemplo 7.2.3 Determine los valores propios y los vectores propios correspondien-
tes de 2 3
2 1 0
A=4 0 2 0 5
0 0 2
¿Cuál es la dimensión del espacio característico de cada valor propio?
420
Solución. Sabemos que los valores propios de la matriz A son las soluciones de su
ecuación característica j I Aj = . Así, pues pasamos a calcular estas soluciones.
2 1 0
0 2 0 =( 2)3 = 0
0 0 2
De este modo el único valor propio de A es = 2 (de multiplicidad 3).

Para encontrar los vectores propios de A asociados a = 2 debemos resolver el
siguiente sistema homogéneo (2I A) u = , esto es
2 32 3 2 3
2 2 1 0 x1 0
4 0 2 2 0 5 4 x2 5 = 4 0 5
0 0 2 2 x3 0
2 32 3 2 3
0 1 0 x1 0
4 0 0 0 5 4 x2 5 = 4 0 5
0 0 0 x3 0
Cuyo sistema correspondiente es 0x1 x2 + 0x2 = 0.
Observe que para x2 = 0 y cualquier valor de x1 y x2 la igualdad se veri…ca luego
haciendo x1 = t y x3 = k se concluye que los vectores propios asociados al valor
propio = 2 son de la forma.
2 3 2 3 2 3 2 3 2 3 2 3
x1 t t 0 1 0
u = 4 x2 5 = 4 0 5 = 4 0 5 + 4 0 5 = t 4 0 5 + k 4 0 5
x3 k 0 k 0 1
Haciendo t = 1 y k = 0 obtenemos un primer vector propio de A asociado al valor
propio = 2 2 3
1
u1 = 4 0 5
0
Ahora haciendo t = 0 y k = 1 obtenemos un segundo vector propio de A asociado
al valor propio = 2 2 3
0
u2 = 4 0 5
1
Observe que el espacio característico E2 de = 2, está generado por el conjunto.
8 2 3 2 39
< 1 0 =
B = u 1 = 0 ; u2 = 0 5
4 5 4
: ;
0 1
421
que puede mostrarse es linealmente independiente. Luego una base para E2 es B,
en consecuencia dim E2 = 2.
Nótese que dim E2 = 2, diferente del orden de la matriz A y que
1 + 2 + 3 = 2 + 2 + 2 = 6 = tr A
1 2 3 = 2 2 2 = 8 = det A:
Ejemplo 7.2.4 Determine los valores propios y vectores propios de la matriz dada
A y encuentre una base para cada uno de los espacios característicos correspondien-
tes, siendo 2 3
4 1 1
A=4 2 5 2 5
1 1 2
Solución. Se sabe que los valores propios de la matriz A son las raíces de su poli-
nomio característico ' ( ) = j I Aj. Así, pues primeramente determinemos este
polinomio característico.
4 1 1 4 1
3 2
'( ) = 2 5 2 2 5 = 11 + 39 45
1 1 2 1 1
Esto muestra que ' ( ) = 3 11 2 + 39 45.

Observe que tr A = 4 + 5 + 2 = 11, det A = 45 y
5 2
Ac11 = ( 1)1+1 = 12
1 2
4 1
Ac22 = ( 1)2+2 =9
1 2
4 1
Ac33 = ( 1)3+3 = 18
2 5
de donde, Ac11 + Ac22 + Ac33 = 12 + 9 + 18 = 39. En consecuencia se tiene

3 2
'( ) = (tr A) + (Ac11 + Ac22 + Ac33 ) det A
3 2
= 11 + 39 45
que es otra forma de encontrar el polinomio característico de una matriz A3 3.
422
Las raíces de este polinomio característico resultan ser los valores propios de la
matriz A que son
1 = 2 =3 y 3 =5
Para encontrar los vectores propios asociados a 1 = 2 = 3 debemos resolver el

siguiente sistema homogéneo.
2 32 3 2 3
1 1 1 x1 0
4 2 2 2 5 4 x2 5 = 4 0 5
1 1 1 x3 0
2 3 2 3 2 3
1 1 1 : 0 1 1 1 : 0 1 1 1 : 0
4 2 2 2 : 0 5$4 2 2 2 : 0 5$4 0 0 0 : 0 5
1 1 1 : 0 1 1 1 : 0 0 0 0 : 0
cuyo sistema correspondiente es x1 + x2 x3 = 0, de donde
x1 = x2 + x3
con x2 = t y x3 = k, no ambos cero se ve que todo vector propio asociado al valor

propio 1 = 2 = 3 es de la forma.
2 3 2 3 2 3 2 3 2 3 2 3
x1 t+k t k 1 1
u = 4 x2 5 = 4 t 5=4 t 5 + 4 0 5 = t4 1 5+k4 0 5
x3 k 0 k 0 1
haciendo t = 1 y k = 0, se tiene el siguiente vector propio asociado al valor propio

1 = 3. 2 3
1
u1 = 4 1 5
0
luego haciendo t = 0 y k = 1, se tiene otro vector propio asociado al valor propio
1 = 3. 2 3
1
u2 = 4 0 5
1
Observe que el espacio característico E3 correspondiente a 1 = 2 = 3, está gene-
rado por el conjunto 82 3 2 39
< 1 1 =
B= 4 5
1 ; 4 0 5
: ;
0 1
423
que puede comprobarse es linealmente independiente, luego una base para E3 es B.
Así, dim E3 = 2.
Similarmente para encontrar los vectores propios asociados al valor propio 3 = 5
debemos resolver el siguiente sistema homogéneo.
2 32 3 2 3
1 1 1 x1 0
4 2 0 2 5 4 x2 = 0 5
5 4
1 1 3 x3 0
2 3 2 3
1 1 1 : 0 1 0 1 : 0
4 2 0 2 : 0 5$ $4 0 1 2 : 0 5
1 1 3 : 0 0 0 0 : 0
x1 x3 = 0
x2 2x3 = 0
de donde se tiene
x1 = x3 y x2 = 2x3
con x3 = t 6= 0 se ve que todo vector propio asociado al valor propio 3 = 5 es de la
forma. 2 3 2 3 2 3
x1 t 1
u = x2 = 2t = t 2 5
4 5 4 5 4
x3 t 1
haciendo t = 1 se tiene el siguiente vector propio asociado al valor propio 3 = 5.
2 3
1
u1 = 2 5
4
1
unitario 82 39
< 1 =
B= 4 2 5
: ;
1
Nuevamente en este ejemplo notamos que
dim E3 + dim E5 = 2 + 1 = 3
que es el orden de la matriz dada. Se verá en la siguiente sección que esta relación
dice que la matriz dada A es diagonalizable. X
424
7.3 Diagonalización.
En la sección anterior se estudio el problema del valor característico. En esta sección
se estudiará otro problema clásico del álgebra lineal, llamado problema de diagona-
lización.
En términos de matrices, el problema se plantea como sigue: Para una matriz
cuadrada A ¿existe una matriz invertible P tal que P 1 AP sea diagonal? Para
estudiar este problema es necesario conocer la siguiente.
De…nición 7.3.1 Se dice que dos matrices A y B son semejantes si, y sólo si, existe
una matriz no singular P tal que B = P 1 AP .
Propiedades de las matrices semejantes

Las matrices semejantes tienen las siguientes propiedades. Si A y B son matrices
semejantes entonces.
1. det A = det B
2. tr A = tr B
3. A y B tienen los mismos valores propios.
Ejemplo 7.3.1 Por el ejemplo 7.2.1, sabemos que la matriz
2 12
A=
1 5
tiene dos valores propios 1 = 1 y 2 = 2 cuyos vectores propios asociados
correspondientes son
4 3
u1 = y u2 =
1 1
es fácil comprobar que la matriz A es semejante a la matriz diagonal
1 0
D=
0 2
pues existe la matriz no singular
4 3 1 1 3
P = cuya inversa es P =
1 1 1 4
tal que P 1 AP = D. Esto es
1 1 3 2 12 4 3 1 0
P AP = = =D
1 4 1 5 1 1 0 2
425
Observación 7.3.1 Observe que los valores propios de la matriz diagonal D son
1 = 1 y 2 = 2 los mismos que de la matriz A es decir A y D tienen los mismos
valores propios y que
det A = 2 = det D; tr A = 3 = tr D:
Observe también, que los elementos de la diagonal principal de la matriz diagonal D
son los valores propios de A y las columnas de la matriz invertible P son los vectores
propios de A correspondientes a 1 = 1 y 2 = 2.
Ejemplo 7.3.2 Por el ejemplo 6.2.2 se sabe que la matriz
2 3
5 0 0
A=4 3 7 0 5
4 2 3
tiene los siguientes valores propios 1 = 5; 2 = 7 y 3 = 3, cuyos vectores propios
correspondientes son
2 3 2 3 2 3
16 0 0
u1 = 4 4 5 ; u2 = 4 2 5 ; u3 = 4 0 5
9 1 1
Respectivamente, también, en este caso es fácil comprobar que la matriz A es seme-
jante a la matriz diagonal 2 3
5 0 0
D=4 0 7 0 5
0 0 3
ya que existe la matriz invertible
2 3 2 1
3
16 0 0 16 0 0
6 7
P =4 4 2 0 5 cuya inversa es P 1
=4 1
8
1
2 0 5
9 1 1 11 1
1
16 2
tal que P 1 AP = D. Es decir,

2 3
1
16 0 0 2 5 0 0
32
16 0 0
3 2
5 0 0
3
6 74
4 1
8
1
2 0 5 3 7 0 54 4 2 0 5=4 0 7 0 5
11 1
1 4 2 3 9 1 1 0 0 3
16 2
También, en este ejemplo se observa que los elementos de la diagonal principal de
la matriz diagonal D son los valores propios de la matriz A y las columnas de la
matriz invertible P son los vectores propios de A y además, A y D tiene los mismos
valores propios y
det A = 105 = det D; tr A = 5 = tr D
426
De…nición 7.3.2 (de matriz diagonalizable) Una matriz A es diagonalizable si,
y sólo si, A es semejante a una matriz diagonal.D.
En otras palabras una matriz A es diagonalizable si, y sólo si, existe una matriz
invertible P tal que P 1 AP = D:
Ejemplo 7.3.3 La matriz

2 12
A=
1 5
es diagonalizable, pues por el ejemplo 6.3.1, A es semejante a la matriz diagonal
1 0
D=
0 2
De la misma forma la matriz

2 3
5 0 0
A=4 3 7 0 5
4 2 3
es diagonalizable pues por el ejemplo 6.3.2, A es semejante a la matriz diagonal

2 3
5 0 0
D= 4 0 7 0 5
0 0 3
Teorema 7.3.1 (Condición necesaria y su…ciente para la diagonalización)

Una matriz A de orden n es diagonalizable si, y sólo si, tiene n vectores propios
linealmente independientes.
En este caso los elementos de la diagonal principal de la matriz diagonal D son

los valores propios de A y las columnas de la matriz invertible P tal que P 1 AP = D
son los vectores propios de A asociados a los valores propios de A.
Otro criterio para la diagonalización es.
Teorema 7.3.2 (Condición necesaria pero no su…ciente) Si una matriz A

tiene n valores propios reales y distintos, entonces los vectores propios asociados a
estos valores propios son linealmente independientes y A es diagonalizable.
Nota 7.3.1 Note que si una matriz A tiene valores propios reales no todos diferen-
tes, es decir algunos de ellos son repetidos; la matriz puede ser o no ser diagonali-
zable.
427
El siguiente criterio de diagonalización es la que se usa con más frecuencia.
Para que una matriz A de orden n sea diagonalizable la suma de las

dimensiones de los espacios característicos E debe ser igual a n.
Ejemplo 7.3.4 Decida si la siguiente matriz A es o no es diagonalizable.

2 3
1 2 1
A=4 0 1 4 5
0 0 2
Solución. De acuerdo a los criterios anteriores. A será diagonalizable si, y sólo si,
tiene 3 vectores propios linealmente independientes, o
A será diagonalizable si, y sólo si, la suma de las dimensiones de sus espacios
característicos E es igual a 3.
En cualquier caso necesitamos encontrar los vectores propios de la matriz dada
A para lo cual necesitamos los valores propios de A.
Sabemos que los valores propios de A son las soluciones de su ecuación carac-
terística j I Aj = 0. Esto es,
1 2 1
0 1 4 =0
0 0 2
Evaluando este determinante se obtiene ' ( ) = ( 1)2 ( 2) = 0. Así, sus

valores propios de A son 1 = 2 = 1 y 3 = 2.
Note que esta matriz tiene valores propios reales no todos diferentes, esto dice
que A puede ser o no diagonalizable.
A continuación encontremos sus vectores propios de A asociados a 1 = 2 = 1
y 3 = 2.
Para 1 = 2 = 1 debemos resolver el sistema homogéneo ( 1 I A) u = ; esto
es, 2 32 3 2 3
0 2 1 x1 0
4 0 0 4 5 4 x2 5 = 4 0 5
0 0 1 x3 0
2 3 2 3 2 3
0 2 1 : 0 0 1 1=2 : 0 0 1 0 : 0
4 0 0 4 : 0 5$4 0 0 1 : 0 5$4 0 0 1 : 0 5
0 0 1 : 0 0 0 0 : 0 0 0 0 : 0
de aquí, se tiene
x2 = 0; x3 = 0 y x1 = t; t 6= 0 2 R
428
Luego todo vector propio asociado al valor propio 1 = 2 = 1 es de la forma
2 3 2 3 2 3
x1 t 1
u = 4 x2 5 = 4 0 5 = t 4 0 5
x3 0 0
con t = 1 se tiene 23
1
u1 = 4 0 5
0
Observe que dim E1 = 1.
Se puede comprobar que para 3, la dim E2 = 1, de este modo se tiene
dim E1 + dim E2 = 2 6= 3
Por tanto la matriz dada A no es diagonalizable. X
Ejemplo 7.3.5 Decida si la matriz A es o no diagonalizable

2 3
1 2 2
A= 4 2 5 2 5
6 6 3
3 2
Solución. Como ' ( ) = 3 9 + 27 (veri…car) de aquí se tiene
' ( ) = ( + 3) ( 3)2 = 0
Esto dice que los valores propios de la matriz A son 1 = 3 y 2 = 3 = 3, y los

vectores propios asociados a estos valores propios son:
2 3 2 3 2 3
1 1 1
4 5
u 1 = 1 ; u2 = 4 0 ; u3 = 1 5
5 4
3 1 0
Puesto que dim E 3 = 1 y dim E3 = 2, entonces dim E 3 + dim E3 = 3 que es el

orden de A, por tanto se concluye que la matriz A es diagonalizable.
Note que la matriz A aún teniendo valores propios reales no todos diferentes es
diagonalizable ya que existe la matriz no singular
2 3 2 1 1 1
3
1 1 1 3 3 3
P =4 1 0 1 5 cuya inversa es P 1 = 4 1 1 0 5
1 4 1
3 1 0 3 3 3
429
que veri…ca 2 3
3 0 0
P 1
AP = 4 0 3 0 5
0 0 3
X
Ejemplo 7.3.6 Decida si la siguiente matriz es o no diagonalizable, si es diagona-

lizable determine una matriz P no singular tal que P 1 AP sea diagonal. Comprobar
que P 1 AP es una matriz diagonal con los valores propios en la diagonal principal.
2 3
0 3 5
A=4 4 4 10 5
0 0 4
Solución. Como
3 2
'( ) = 8 + 16 + 48 = 0
= ( + 2) ( 4) ( 6) = 0
Así, los valores propios de A son 1 = 2; 2 = 4 y 3 = 6, números reales y distintos,

luego la matriz dada es diagonalizable. Para encontrar la matriz no singular P tal
que P 1 AP sea diagonal necesitamos determinar los vectores propios de A asociados
a los valores propios encontrados.
Para 1 = 2 debemos resolver el sistema homogéneo ( 1 I A) u = , esto es
2 32 3 2 3
2 3 5 x1 0
4 4 6 10 5 4 x2 5 = 4 0 5
0 0 6 x3 0
2 3 2 3
2 3 5 : 0 1 3=2 0 : 0
4 4 6 10 : 0 5$ $4 0 0 1 : 0 5
0 0 6 : 0 0 0 0 : 0
de aquí, se tiene
3
x1 = x2 ; y x3 = 0
2
haciendo x2 = 2t; t 6= 0 2 R los vectores propios asociados al valor propio 1 = 2
son todos de la forma
2 3 2 3 2 3
x1 3t 3
u = x2 = 2t = t 2 5
4 5 4 5 4
x3 0 0
430
con t = 1 tenemos 23
3
u1 = 4 2 5
0
un vector propio de A asociado a 1 = 2.
Para 2 = 4 debemos resolver el sistema homogéneo ( 2 I A) u = , esto es
2 32 3 2 3
4 3 5 x1 0
4 4 0 10 5 4 x2 5 = 4 0 5
0 0 0 x3 0
2 3 2 3
4 3 5 : 0 1 0 5=2 : 0
4 4 0 10 : 0 5$ 4
$ 0 1 5 : 0 5
0 0 0 : 0 0 0 0 : 0
de donde
5
x1 + 2 x3
= 0
x2 5x3 = 0
y de esto se tiene
5
x1 = x3 ; y x2 = 5x3
2
haciendo x3 = 2t; t 6= 0 2 R los vectores propios asociados al valor propio 2 =4
son todos de la forma
2 3 2 3 2 3
x1 5t 5
u = 4 x2 5 = 4 10t 5 = t 4 10 5
x3 2t 2
con t = 1 tenemos 2 3
5
u2 = 4 10 5
2
un vector propio de A asociado a 2 = 4.
Finalmente para 3 = 6 resolvemos el sistema homogéneo ( 3 I A) u = , esto
es 2 32 3 2 3
6 3 5 x1 0
4 4 2 10 5 4 x2 5 = 4 0 5
0 0 2 x3 0
2 3 2 3
6 3 5 : 0 1 1=2 0 : 0
4 4 2 10 : 0 5 $ $4 0 0 1 : 0 5
0 0 2 : 0 0 0 0 : 0
431
de donde
1
x1 + 2 x2 = 0
x3 = 0
y de esto se tiene
1
x1 = x2 y x3 = 0
2
haciendo x3 = 2t; t 6= 0 2 R se ve que todos los vectores propios asociados al valor
propio 3 = 6 son todos de la forma
2 3 2 3 2 3
x1 t 1
u = 4 x2 5 = 4 2t 5 = t4 2 5
x3 0 0
con t = 1 tenemos 2 3
1
u3 = 4 2 5
0
vector propio de A asociado a 3 = 6.
A continuación formamos la matriz P no singular cuyas columnas son los vectores
propios de la matriz A; es decir.
2 3 2 1 1
3
3 5 1 4 8 0
P =4 2 10 2 5 cuya inversa es P 1 = 4 0 0 1 5
2
1 3 5
0 2 0 4 8 2
Ahora resulta fácil comprobar que P 1 AP= D, siendo

2 3
2 0 0
D=4 0 4 0 5
0 0 6
(veri…que). X
Ejemplo 7.3.7 Decida si la siguiente matriz es o no diagonalizable.

0 0
A=
3 0
Solución. Como j I Aj = 0 implica,
0
= 0
3
2
= 0
432
Así, la matriz A tiene un solo valor propio de multiplicidad 2 que es 1 = 2 = 0.
Determinemos su vector propio resolviendo el siguiente sistema homogéneo.
0 0 x1 0
=
3 0 x2 0
0 0 : 0 3 0 : 0 1 0 : 0
$ $
3 0 : 0 0 0 : 0 0 0 : 0
cuyo sistema correspondiente es x1 + 0x2 = 0. Haciendo x2 = t 6= 0 2 R se ve que
todos los vectores propios asociados a 1 = 2 = 0 son de la forma
x1 0 0
u= = =t
x2 t 1
con t = 1 se tiene
0
u1 =
1
un vector propio de A asociado al valor propio 1 = 2 = 0.
Observe que dim E0 = 1 6= 2, de este modo la matriz A no es diagonalizable. X
Ejemplo 7.3.8 Decida si la siguiente matriz es o no diagonalizable.

1 k
A= ; k 6= 0
0 1
Solución. Como j I Aj = 0 implica,
1 k
= 0
0 1
( 1)2 = 0
Así, la matriz A tiene un solo valor propio también de multiplicidad 2 a saber

1 = 2 = 1. Se puede comprobar que todo vector propio asociado a este valor
propio es de la forma.
x1 t 1
u= = =t
x2 0 0
con t = 1 se tiene
1
u1 =
0
el único vector propio de A asociado al valor propio 1 = 2 = 1. Al no existir
2 vectores propios linealmente independientes se concluye que la matriz A no es
diagonalizable. X
433
7.4 Matrices simétricas y diagonalización ortogonal
Recuerde que una matriz cuadrada A es simétrica si, y sólo si, At = A. En esta
sección demostraremos que toda matriz simétrica A siempre es diagonalizable (aún
cuando A tenga valores propios iguales). Es decir, mostraremos que para toda
matriz simétrica siempre existe una matriz especial invertible P cuya inversa es su
transpuesta. Esto es,
1
P = Pt (en este caso P es llamada matriz ortogonal)
tal que P 1 AP = P t AP = D, donde D es una matriz diagonal.
Teorema 7.4.1 Si A es una matriz simétrica, entonces las siguientes propiedades

son verdaderas.
1. Todos los valores propios de A son números reales.
2. Si es un valor propio de A con multiplicidad k, entonces tiene k vectores

propios linealmente independientes, es decir el espacio característico E de A
correspondiente a , es de dimensión k. En otras palabras si es un valor
propio de A de multiplicidad k entonces dim E = k.
3. Los vectores propios de A correspondientes a valores propios distintos son or-

togonales.
4. A es diagonalizable.
Ejemplo 7.4.1 Consideremos la siguiente matriz simétrica.

2 3
0 10 10
A = 4 10 5 0 5
10 0 5
Veri…que las propiedades del teorema anterior.
Solución. Los valores propios de la matriz A son las soluciones de su ecuación

característica ' ( ) = j I Aj = 0. Esto es,
10 10 10
10 5 0 10 5 = 0
10 0 +5 10 0
( 5) ( + 5) 100 ( 5) 100 ( + 5) = 0
( 15) ( + 15) = 0
434
Así, los valores propios de A son 1 = 0; 2 = 15 y 3 = 15 los cuales son números
reales y cada uno de multiplicidad 1.
Ahora para encontrar los vectores propios asociados a los valores propios ante-
riores debemos resolver los siguientes sistemas.
Para 1 = 0 Para 2 = 15 Para 3 = 15
(0I A) u = ( 15I A) u = (15I A) u =
2 32 3 2 3
0 10 10 x1 0
4 10 5 0 5 4 x2 5 = 4 0 5
10 0 5 x3 0
2 3 2 3
0 10 10 : 0 1 0 1=2 : 0
4 10 5 0 : 5
0 $ 4
$ 0 1 1 : 0 5
10 0 5 : 0 0 0 0 : 0
1
x1 2 x3 = 0
x2 + x3 = 0
y de esto se tiene
1
x1 = 2 x3
x2 = x3
Parametrizando x3 = 2t se concluye que todo vector propio asociado al valor propio
2 3 2 3 2 3
x1 t 1
u = 4 x2 5 = 4 2t 5 = t 4 2 5
x3 2t 2
2 3
1
u1 = 4 2 5
2
Observe que dim E0 = 1 = multiplicidad de 1 = 0.
2 32 3 2 3
15 10 10 x1 0
4 10 20 0 5 4 x2 = 0 5
5 4
10 0 10 x3 0
435
2 3 2 3
15 10 10 : 0 1 0 1 : 0
4 10 20 0 : 0 5$ 4
$ 0 1 1=2 : 0 5
10 0 10 : 0 0 0 0 : 0
x1 + x3 = 0
1
x2 2 x3 = 0
y de esto se tiene
1
x1 = x3
y x2 = x3
2
haciendo x3 = 2t se ve que todo vector propio asociado al valor propio 2 = 15 es
de la forma. 2 3 2 3 2 3
x1 2t 2
u = 4 x2 5 = 4 t 5 = t4 1 5
x3 2t 2
2 3
2
u2 = 4 1 5
2
Notemos que dim E 15 = 1 = multiplicidad de 2 = 15.

Finalmente para 3 = 15 resolvemos el siguiente sistema
2 32 3 2 3
15 10 10 x1 0
4 10 10 0 5 4 x2 = 0 5
5 4
10 0 20 x3 0
2 3 2 3
15 10 10 : 0 1 0 2 : 0
4 10 10 0 : 0 5$ 4
$ 0 1 2 : 0 5
10 0 20 : 0 0 0 0 : 0
x1 2x3 = 0
x2 2x3 = 0
de donde se tiene
x1 = 2x3 y x2 = 2x3
436
parametrizando x3 = t se ve que todo vector propio asociado al valor propio 3 = 15
es de la forma. 2 3 2 3 2 3
x1 2t 2
u = 4 x2 5 = 4 2t 5 = t 4 2 5
x3 t 1
2 3
2
4
u3 = 2 5
1
Notemos que dim E15 = 1 = multiplicidad de 3 = 15:

Hasta aquí, vemos que la matriz A tiene tres valores propios 1 = 0; 2 = 15
y 3 = 15 cuyos vectores propios asociados correspondientes son:
2 3 2 3 2 3
1 2 2
u1 = 4 5
2 ; u2 = 4 1 5 y u3 = 2 5
4
2 2 1
Observe que
hu1 ; u2 i = h(1; 2; 2) ; ( 2; 1; 2)i = 2 2+4 = 0

hu1 ; u3 i = h(1; 2; 2) ; (2; 2; 1)i = 2 4+2 = 0
hu2 ; u3 i = h( 2; 1; 2) ; (2; 2; 1)i = 4+2+2 = 0
Esto dice que los vectores propios asociados a los valores propios diferentes son
ortogonales. Ahora observe que el conjunto
8 2 3 2 3 2 39
< 1 2 2 =
S = u 1 = 4 2 5 ; u2 = 4 1 5 ; u3 = 4 2 5
: ;
2 2 1
es un conjunto ortogonal; normalizando cada vector de S se tiene

8 2 3 2 3 2 39
< 1=3 2=3 2=3 =
S 0 = v1 = 4 2=3 5 ; v2 = 4 1=3 5 ; v3 = 4 2=3 5
: ;
2=3 2=3 1=3
Finalmente, de…niendo 2 3
1=3 2=3 2=3
P =4 2=3 1=3 2=3 5
2=3 2=3 1=3
437
se ve que P es ortogonal es decir P 1 = P t , pues
2 32 3 2 3
1=3 2=3 2=3 1=3 2=3 2=3 1 0 0
P t P = 4 2=3 1=3 2=3 5 4 2=3 1=3 2=3 5 = 4 0 1 0 5 = I
2=3 2=3 1=3 2=3 2=3 1=3 0 0 1
Ahora resulta fácil veri…car que P t AP = D, esto es,

2 32 32 3 2 3
1=3 2=3 2=3 0 10 10 1=3 2=3 2=3 0 0 0
4 2=3 1=3 2=3 5 4 10 5 0 54 2=3 5 4
1=3 2=3 = 0 15 0 5
2=3 2=3 1=3 10 0 5 2=3 2=3 1=3 0 0 15
Por tanto la matriz simétrica dada A es diagonalizable. Puesto que la matriz orto-
gonal P es la que permite diagonalizar la matriz A, razón por la cual se dice que la
matriz A es diagonalizable ortogonalmente. X
Ejemplo 7.4.2 Encuentre una matriz ortogonal P tal que P t AP diagonalice orto-
gonalmente A. Compruebe que P t AP da la forma diagonal correcta, donde
2 3
0 3 0
A=4 3 0 4 5
0 4 0
Solución. Sabemos que los valores propios de la matriz A son las soluciones de
su ecuación característica ' ( ) = j I Aj = 0, calculando este determinante y
simpli…cando nos queda
3 0 3
3 4 3 = 0
0 4 0 4
3
16 9 = 0
( 5) ( + 5) = 0
de donde, al estar ya el polinomio característico factorizado se pueden obtener las

raíces a simple vista. Por tanto los valores propios de la matriz dada son:
1 = 0; 2 = 5 y 3 =5
Como los vectores propios asociados a los valores propios son las soluciones di-
ferentes de cero del sistema homogéneo ( I A) u = . Así pues calculamos estos
vectores propios.
438
2 32 3 2 3
0 3 0 x1 0
4 3 0 4 5 4 5 4
x2 = 0 5
0 4 0 x3 0
2 3 2 3
0 3 0 : 0 3 0 4 : 0
4 3 0 4 : 0 5$ $4 0 1 0 : 0 5
0 4 0 : 0 0 0 0 : 0
3x1 4x3 = 0
x2 = 0
y de esto se tiene
3x1 = 4x3 y x2 = 0
Parametrizando x3 = 3t; t 6= 0 2 R se concluye que todo vector propio asociado al
valor propio 1 = 0 es de la forma.
2 3 2 3 2 3
x1 4t 4
u = 4 x2 5 = 4 0 5 = t4 0 5
x3 3t 3

2 3
4
u1 = 4 0 5
3

unitario 82 39
< 4 =
B= 4 0 5
: ;
3
Ahora para encontrar los vectores propios asociados al valor propio 2 = 5
debemos resolver el siguiente sistema homogéneo
2 32 3 2 3
5 3 0 x1 0
4 3 5 4 5 4 x2 = 0 5
5 4
0 4 5 x3 0
439
2 3 2 3
5 3 0 : 0 1 0 3=4 : 0
4 3 5 4 : 0 5$ 4
$ 0 1 5=4 : 0 5
0 4 5 : 0 0 0 0 : 0
3
x1 4 x3 = 0
5
x2 + 4 x3 = 0
3 5
x1 = x3 y x2 = x3
4 4
parametrizando x3 = 4t; t 6= 0 2 R se concluye que todo vector propio asociado al
valor propio 2 = 5 es de la forma.
2 3 2 3 2 3
x1 3t 3
u = 4 x2 5 = 4 5t 5 = t 4 5 5
x3 4t 4

2 3
3
u2 = 4 5 5
4
Observe que el espacio característico E 5 de 2 = 5, está generado por el conjunto

unitario 82 39
< 3 =
B= 4 5 5
: ;
4
que es linealmente independiente, luego una base para E 5 es B. Así, dim E 5= 1.
Finalmente para encontrar los vectores propios asociados al valor propio 3 =3
resolvemos el siguiente sistema homogéneo
2 32 3 2 3
5 3 0 x1 0
4 3 5 4 5 4 x2 5 = 4 0 5
0 4 5 x3 0
2 3 2 3
5 3 0 : 0 1 0 3=4 : 0
4 3 5 4 : 0 5$ $4 0 1 5=4 : 0 5
0 4 5 : 0 0 0 0 : 0
440
3
x1 4 x3 = 0
5
x2 4 x3 = 0
luego,
3 5
x1 = x3 y x2 = x3
4 4
parametrizando x3 = 4t; t 6= 0 2 R. Así, cualquier vector propio asociado al valor
propio 3 = 5 es de la forma.
2 3 2 3 2 3
x1 3t 3
u = x2 = 5t = t 5 5
4 5 4 5 4
x3 4t 4
2 3
3
u3 = 4 5 5
4
notemos que el espacio característico E5 de 3 = 5, está generado por el conjunto
unitario 82 39
< 3 =
B= 4 5 5
: ;
4
De este modo la matriz dada A tiene tres valores propios reales diferentes a saber
1 = 0; 2 = 5 y 3 = 5 cuyos vectores propios asociados correspondientes son:
2 3 2 3 2 3
4 3 3
u 1 = 4 0 5 ; u2 = 4 5 5 y u 3 = 4 5 5
3 4 4
Observe que
hu1 ; u2 i = h( 4; 0; 3) ; (3; 5; 4)i = 12 + 12 = 0
hu1 ; u3 i = h( 4; 0; 3) ; (3; 5; 4)i = 12 + 12 = 0
hu2 ; u3 i = h(3; 5; 4) ; (3; 5; 4)i = 9 25 + 16 = 0
Esto muestra que
8 2 3 2 3 2 39
< 4 3 3 =
S = u1 = 4 0 5 ; u2 = 4 5 ; u3 = 5 5
5 4
: ;
3 4 4
441
es un conjunto ortogonal; al normalizar cada vector de este conjunto obtenemos el
siguiente conjunto ortonormal
8 2 3 2 p 3 2 p 39
< 4=5 3=p50 3=p50 =
S 0 = v1 = 4 0 5 ; v2 = 4 5=p50 5 ; v3 = 4 5=p50 5
: ;
3=5 4= 50 4= 50
de…niendo 2 p p 3
4=5 3=5p2 3=5p2
P =4 0 5=5p2 5=5p2 5
3=5 4=5 2 4=5 2
se ve que P es ortogonal es decir P 1 = P t , pues
2 4 3 32 4 3
p p 3
3
2 3
5 0 5 5 10 2 10 2 1 0 0
t 6 3p 1
p 2
p 76 1
p 1
p 7 6 7
P P = 4 10 2 2 2 5 2 54 0 2 2 2 2 5=4 0 1 0 5=I
3
p 1
p 2
p 3 2
p 2
p
10 2 2 2 5 2 5 5 2 5 2
0 0 1
Ahora resulta fácil veri…car que P t AP = D, esto es,

2 4 3 32 32 4 3
p 3
p 3 2 3
5 0 0 3 0 10 2 10 2 0 0 0
6 3p 1
p 2
p5 7 6 76
5
1
p 1
p 7 6 7
4 10 2 2 2 5 2 54 3 0 4 54 0 2 2 2 2 5=4 0 5 0 5
3
p 1
p 2
p 3 2
p 2
p
10 2 2 2 5 2
0 4 0 5 5 2 5 2
0 0 5
De este modo la matriz simétrica A dada es diagonalizable ortogonalmente. X
Ejemplo 7.4.3 Encuentre una matriz ortogonal P tal que P t AP diagonalice orto-
gonalmente A. Compruebe que P t AP da la forma diagonal correcta, donde
2 3
0 1 1
A=4 1 0 1 5
1 1 0
Solución. Al calcular ' ( ) = j I Aj ; el polinomio característico de A tenemos
1 1 1
3
j I Aj = 1 1 1 = 1 1
1 1 1 1
3
= 3 2
cuyas raíces son

1 = 1; 2 = 1 y 3 =2
442
los cuales resultan ser los valores propios de la matriz dada A, note que 1 = 2 = 1
es un valor propio de multiplicidad 2.
Para encontrar los vectores propios asociados al valor propio 1 = 2 = 1
debemos resolver el siguiente sistema.
2 32 3 2 3
1 1 1 x1 0
4 1 1 1 5 4 x2 5 = 4 0 5
1 1 1 x3 0
2 3 2 3
1 1 1 : 0 1 1 1 : 0
4 1 1 1 : 0 5$ $4 0 0 0 : 0 5
1 1 1 : 0 0 0 0 : 0
x1 + x2 + x3 = 0
que origina
x1 = x2 x3
haciendo x3 = t y x3 = k vemos que todo vector propio asociado al valor propio
1 = 2 = 1 es de la forma.
2 3 2 3 2 3 2 3 2 3 2 3
x1 t k t k 1 1
u = 4 x2 5 = 4 t 5 = 4 t 5 + 4 0 5 = t4 1 5 + k4 0 5
x3 k 0 k 0 1
con t = 1 y k = 0, se tiene 2 3
1
u1 = 4 1 5
0
y con t = 0 y k = 1, se tiene 2 3
1
u2 = 4 0 5
1
Observe que dim E 1 = 2 = multiplicidad de 1 = 2 = 1.
2 32 3 2 3
2 1 1 x1 0
4 1 2 1 5 4 x2 5 = 4 0 5
1 1 2 x3 0
443
2 3 2 3
2 1 1 : 0 1 0 1 : 0
4 1 2 1 : 0 5$ 4
$ 0 1 1 : 0 5
1 1 2 : 0 0 0 0 : 0
que corresponde a
x1 x3 = 0
x2 x3 = 0
x1 = x3 y x2 = x3
haciendo x3 = t; t 6= 0 2 R se ve que todo vector propio asociado al valor propio
2 3 2 3 2 3
x1 t 1
u = x2 = t = t 1 5
4 5 4 5 4
x3 t 1
con t = 1, se tiene el siguiente vector propio asociado al valor propio 3 =2

2 3
1
u3 = 1 5
4
1
Notemos que dim E2 = 1 = multiplicidad de 3 = 2, Observe que
hu1 ; u3 i = h( 1; 1; 0) ; (1; 1; 1)i = 1+1 = 0

hu2 ; u3 i = h( 1; 0; 1) ; (1; 1; 1)i = 1+1 = 0
pero
hu1 ; u2 i = h( 1; 1; 0) ; ( 1; 0; 1)i = 1 6= 0
Esto dice que u1 y u2 no son ortogonales. Utilizando el proceso de ortonormalización
de Gram-Schmidt obtenemos.
w1 = u1 = ( 1; 1; 0)
hu2 ; w1 i h( 1; 0; 1) ; ( 1; 1; 0)i
w2 = u2 w1 = ( 1; 0; 1) ( 1; 1; 0)
hw1 ; w1 i h( 1; 1; 0) ; ( 1; 1; 0)i
1 1 1 1 1
w2 = ( 1; 0; 1) ( 1; 1; 0) = ( 1; 0; 1) + ; ;1 = ; ;1
2 2 2 2 2
Así, 8 2 3 2 39
< 1 1=2 =
w1 = 4 1 5 ; w2 = 4 1=2 5
: ;
0 1
444
es un conjunto ortogonal. Normalizando cada vector se obtiene el siguiente conjunto
ortonormal 8 2 p 3 2 p 39
< 1=p2 1=p6 =
v1 = 4 1= 2 5 ; v2 = 4 1=p6 5
: ;
0 2= 6
Ahora normalizando
2 3 2p 3
1 1=p3
u3 = 4 1 5 se tiene v3 = 4 1=p3 5
1 1= 3
De esta forma obtenemos el siguiente conjunto ortonormal
8 2 p 3 2 p 3 2 p 39
< 1=p2 1=p6 1=p3 =
S = v1 = 4 5
1= 2 ; v2 = 4 1=p6 ; v3 = 1=p3 5
5 4
: ;
0 2= 6 1= 3
de…niendo 2 p p p 3
1 1 1
2 2 6 6 3 3
6 1
p 1
p 1
p 7
P =4 2 2 6 6 3 3 5
1
p 1
p
0 3 6 3 3
se concluye que P t AP = D
2 1p 1
p 32 32 1
p p
1
p 3
1
2 3
2 2 2 2 0 0 1 1 2 2 6 6 3 3 1 0 0
6 1p 1
p 1
p 76 76 1
p 1
p 1
p 7 6 7
4 6 6 6 6 3 6 54 1 0 1 54 2 2 6 6 3 3 5=4 0 1 0 5
1
p 1
p 1
p 1
p 1
p
3 3 3 3 3 3
1 1 0 0 3 6 3 3
0 0 2
X
Ejemplo 7.4.4 Determine una matriz ortogonal P que diagonalice ortogonalmente
a la siguiente matriz 2 3
5 4 2
A=4 4 5 2 5
2 2 2
Solución. Los valores propios de la matriz A son las soluciones de su ecuación
característica ' ( ) = j I Aj = 0. Esto es,
5 4 2
4 5 2 = 0
2 2 2
3 2
12 + 21 10 = 0
2
( 1) ( 10) = 0
445
cuyas raíces son:
1 = 1; 2 =1 y 3 = 10
Haciendo los calculos necesarios, se ve que a 1 = 2 = 1 le corresponden los
siguientes vectores propios
2 3 2 3
1 1
u1 = 4 1 5 y u2 = 4 0 5
0 2
ya 3 = 10 le corresponde 2 3
2
u3 = 4 2 5
1
observe que u1 y u2 no son ortogonales, entonces utilizando el proceso de de orto-
normalización de Gram-Schmidt a fu1 ; u2 g se obtiene el conjunto ortonormal
8 2 p 3 2 p 39
< 1=p2 1=3p2 =
v1 = 4 1= 2 5 ; v2 = 4 1=3p2 5
: ;
0 4=3 2
Finalmente normalizando u3 se tiene
2 3
2=3
v3 = 4 2=3 5
1=3
de esta forma obtenemos el siguiente conjunto ortonormal
8 2 p 3 2 p 3 2 39
< 1=p2 1=3p2 2=3 =
S = v1 = 4 1= 2 5 ; v2 = 4 1=3p2 5 ; v3 = 4 2=3 5
: ;
0 4=3 2 1=3
Por tanto la matriz ortogonal deseada es
2 1p 1
p 2
3
2 2 6 2 3
6 1p 1
p 2 7
P =4 2 2 6 2 3 5
2
p 1
0 3 2 3
tal que P t AP = D.
2 1p 1
p 32 32 p
1
p
1 2
3 2 3
2 2 2 2 0 5 4 2 2 2 6 2 3 1 0 0
6 1p 1
p 2
p 76 76 1
p 1
p 2 7 6 7
4 6 2 6 2 3 2 54 4 5 2 54 2 2 6 2 3 5=4 0 1 0 5
2 2 1 2
p 1
3 3 3
2 2 2 0 3 2 3
0 0 10
X
446
7.5 Una aplicación de los valores y vectores propios
En esta sección se mostrará cómo se utilizan los resultados obtenidos acerca de los
valores y vectores propios de una matriz simétrica A. Primero, para identi…car y
segundo para gra…car cónicas representados por ecuaciones de la forma.
ax2 + bxy + cy 2 = d
Llamadas ecuaciones cuadráticas, donde a; b; c y d son números reales.
7.5.1 Formas cuadráticas

Una forma cuadrática en una variable x es todo polinomio de la forma.
p (x) = ax2 ; donde a 6= 0 2 R
Análogamente una forma cuadrática en dos variables x e y es todo polinomio de la

forma.
p (x; y) = ax2 + bxy + cy 2
donde a; b o c al menos uno de ellos es distinto de cero.
Similarmente una forma cuadrática en tres variables x; y y z es todo polinomio
de la forma.
p (x; y; z) = ax2 + by 2 + cz 2 + dxy + exz + f yz
donde al menos una de las constantes a; b; c; d; e; f 2 R es diferente de cero.
El término cuadrático signi…ca de grado dos, mientras que el término forma
signi…ca homogéneo. Es decir en una forma cuadrática, cada sumando contiene un
producto del mismo número de variables a saber dos (para una forma cuadrática).
Así, por ejemplo,
3x2 4xy
es una forma cuadrática en dos variables x; y. Pero
x2 + y 2 4 y x 3y 2
no son formas cuadráticas. La de…nición formal de forma cuadrática en general es

la siguiente.
De…nición 7.5.1 Sea A una matriz simétrica. La función
q : Rn 1
!R
de…nida por
q (X) = X t AX
447
Donde 2 3
x1
6 x2 7
X=6 7
4 : 52R
n 1
xn
Se denomina forma cuadrática en n variables x1 ; x2 ; : : : ; xn .
La matriz A se llama matriz de la forma cuadrática.
Nota 7.5.1 Los elementos de la diagonal principal de la matriz A son los coe…-
cientes de los x2i mientras que las componentes aij y aji de A son todos iguales a la
mitad de los coe…cientes de los xij .
Ejemplo 7.5.1 La siguiente expresión q (x) = x21 + 2x1 x2 + 2x22 es una forma
cuadrática en las variables x1 y x2 . Observe que q (x) se puede expresar de la forma
X t AX donde
x1 1 1
X= y A=
x2 1 2
Pues
1 1 x1
X t AX = x1 x2
1 2 x2
x1
= x1 + x2 x1 + 2x2
x2
= (x1 + x2 ) x1 + (x1 + 2x2 ) x2
= x21 + x1 x2 + x2 x1 + 2x22
= x21 + 2x1 x2 + 2x22
Ejemplo 7.5.2 Determine la forma cuadrática p (x; y) correspondiente a la matriz
simétrica
5 3
A=
3 8
Solución.
5 3 x
p (x; y) = x y
3 8 y
x
= 5x 3y 3x + 8y
y
= 5x2 3xy 3xy + 8y 2
= 5x2 6xy + 8y 2 :
X
448
Ejemplo 7.5.3 Hallar la matriz simétrica A que corresponde a la forma cuadrática.
q (x1 ; x2 ; x3 ) = 3x21 + 4x1 x2 x22 + 8x1 x3 6x2 x3 + x23
Solución. La matriz simétrica A = [aij ] que representa q (x1 ; x2 ; x3 ) tendrá como

elementos en la diagonal principal aii igual a los coe…cientes de los x2i y los elementos
aij y aji iguales a la mitad del coe…ciente de xi xj . Por tanto la matriz simétrica de
la forma cuadrática dada es
2 3
3 2 4
A=4 2 1 3 5
4 3 1
Ejemplo 7.5.4 Encontrar la matriz simétrica B, asociada a la forma cuadrática
(a) q (x1 ; x2 ) = 4x21 + 5x1 x2 7x22
(b) q (x1 ; x2 ; x3 ) = 4x1 x2 + 5x22
Solución. (a)
4 5=2
B=
5=2 7
(b) Note que q (x1 ; x2 ; x3 ) = 0x21 + 4x1 x2 + 5x22 + 0x1 x3 + 0x23 , entonces
2 3
0 2 0
B=4 2 5 0 5
0 0 0
Observación 7.5.1 Observemos que la matriz A de la forma cuadrática
q (X) = X t AX
es simétrica, luego para esta matriz simétrica existe una matriz ortogonal P talque
P t AP = B sea diagonal. En este caso se dice que las matrices A y B son congruen-
tes, es decir.
De…nición 7.5.2 Dos matrices A y B son congruentes si, y sólo si, existe una
matriz no singular (ortogonal) P tal que P t AP = B.
449
Ejemplo 7.5.5 Como la matriz de la forma cuadrática
q (X) = 5x21 + 4x1 x2 + 8x22

5 2 x1
= x1 x2
2 8 x2
es
5 2
A=
2 8
simétrica. Se puede mostrar que para esta matriz simétrica existe la matriz invertible
ortogonal p p
1=p5 2=p5
P =
2= 5 1= 5
que diagonaliza ortogonalmente a la matriz A, esto es
" p p #" # p p " #
1 2 1 2
t 5 5 5 5 5 2 5p 5 5 5p
9 0
P AP = 2
p 1
p 2 1 = =B
5 5 5 5
2 8 5 5 5 5 0 4
Luego las matrices

5 2 9 0
A= y B=
2 8 0 4
son congruentes. Observe que la matriz B es también simétrica.
De…nición 7.5.3 Dos formas cuadráticas q1 (X) = X t AX y q2 (Y ) = Y t BY con

matrices A y B respectivamente son equivalentes si, y sólo si, A y B son congruentes.
Ejemplo 7.5.6 Consideremos las formas cuadráticas
5 2 x1
q1 (X) = 5x21 + 4x1 x2 + 8x22 = x1 x2
2 8 x2
9 0 y1
q2 (Y ) = 9y12 + 4y22 = y1 y 2
0 4 y2
Cuyas matrices respectivas son,
5 2 9 0
A= y B=
2 8 0 4
que, como, sabemos son congruentes, luego las formas cuadráticas q1 (X) y q2 (Y )
son equivalentes.
450
El siguiente teorema caracteriza la equivalencia de las formas cuadráticas.
Teorema 7.5.1 (Teorema de los Ejes Principales) Toda forma cuadrática

q (X) = X t AX
en n-variables x1 ; x2 ; x3 ; : : : ; xn , es equivalente a la forma cuadrática
2 2 2 2
q1 (Y ) = 1 y1 + 2 y2 + 3 y3 + + n yn
Donde 1; 2; 3; : : : ; n son los valores propios de la matriz A de la forma cuadrática

q (X) = X t AX.
Ejemplo 7.5.7 Sea q (X) = 2x1 x2 + 2x1 x3 + 2x2 x3 la forma cuadrática en las
variables x1 ; x2 ; x3 ; matricialmente esta forma cuadrática se expresa como
2 32 3
0 1 1 x1
q (X) = X t AX = x1 x2 x3 4 1 0 1 5 4 x2 5
1 1 0 x3
siendo 3
2
0 1 1
A=4 1 0 1 5
1 1 0
la matriz de la forma cuadrática. Se puede mostrar que los valores propios de A son,
1 = 2; 2 = 1 y 3 = 1
Entonces por el teorema de los ejes principales la forma cuadrática es equivalente a

la forma cuadrática q1 (Y ) = 2y12 y22 y32 .
Ejemplo 7.5.8 Identi…que la cónica dada por la ecuación
x21 4x1 x2 + 4x22 = 4
Solución. Observe que el primer miembro de la ecuación dada es la forma cuadrática.
1 2 x1
q (X) = x1 x2
2 4 x2
Donde
1 2
A=
2 4
es la matriz de la forma cuadrática, cuyos valores propios son 1 =0y 2 = 5:
451
Entonces por el teorema de los ejes principales la forma cuadrática considerada
es equivalente a la forma cuadrática
q1 (Y ) = 0y12 + 5y22
Luego la ecuación original dada x21 4x1 x2 + 4x22 = 4 se puede expresar como
5y22 = 4
que determina dos rectas a saber

2 2
y2 = p y y2 = p
5 5
X
Ejemplo 7.5.9 Identi…que la cónica dada por la ecuación cuadrática
13x21 8x1 x2 + 7x22 = 45
y dé su ecuación en el nuevo sistema de coordenadas.
Solución. Observe que el primer miembro de la ecuación dada es la forma cuadrática
13 4 x1
q (X) = x1 x2
4 7 x2
Donde
13 4
A=
4 7
es la matriz de la forma cuadrática, cuyos valores propios son 1 = 5 y 2 = 15:
q1 (Y ) = 5y12 + 15y22
de este modo la ecuación cuadrática dada se puede expresar como
5y12 + 15y22 = 45
que se simpli…ca en
y12 y22
+ =1
9 3
Que representa la ecuación de una elipse horizontal. X
452
Ejemplo 7.5.10 Identi…que la cónica representada por las ecuaciones cuadráticas
(a) x21 + 4x1 x2 + x22 = 9
(b) 7x21 + 32x1 x2 17x22 = 50
(c) 2x21 4x1 x2 + 5x22 = 36.
Solución. a) note que el primer miembro de la ecuación cuadrática dada es la forma

cuadrática.
1 2 x1
q (X) = x1 x2
2 1 x2
Donde
1 2
A=
2 1
es la matriz de la forma cuadrática, cuyos valores propios son 1 = 1 y 2 = 3:
q (X) = x21 + 4x1 x2 + x22
q1 (Y ) = y12 + 3y22
Así, la ecuación original se puede expresar como
y12 + 3y22 = 9
y12 y22 y22 y12
+ =1 o =1
9 3 3 9
Que representa la ecuación de una hipérbola vertical.
(b) Note que 7x21 + 32x1 x2 17x22 = 50, matricialmente se expresa como
7 16 x1
q (x1 ; x2 ) = x1 x2 = 50
16 17 x2
Como
7 16
=( 7) ( + 17) 256
16 + 17
entonces
' ( ) = ( + 25) ( 15)
453
Luego la ecuación original 7x21 + 32x1 x2 17x22 = 50 se expresa como
25y12 + 15y22 = 50
y12 y2 y22 y12
+ 502 = 1 o 50 =1
2 15 15
2
Que se trata de una hipérbola.
(c) El primer miembro de la ecuación dada 2x21 4x1 x2 + 5x22 = 36 es de la forma
cuadrática
2 2 x1
q (x1 ; x2 ) = x1 x2
2 5 x2
Donde
2 2
A=
2 5
es la matriz de la forma cuadrática, cuyos valores propios son las raíces de
2 2
'( ) = =( 2) ( 6) 4
2 5
2
= 7 +6=( 1) ( 6)
que son, 1 =1 2 = 6 de este modo la ecuación original se puede expresar como
y12 y2
y12 + 6y22 = 36 o + 2 =1
36 6
Que se trata de una elipse horizontal. X
Observación 7.5.2 Observe que para identi…car una cónica solo se necesita los
valores propios de la matriz de la forma cuadrática.
Sin embargo (así, como se verá a continuación) para gra…car una cónica es nece-
sario hacer uso de la matriz ortogonal P que diagonaliza ortogonalmente a la matriz
de la forma cuadrática q (X) = X t AX, cuyas columnas son los vectores propios
ortonormales de la matriz A de la forma cuadrática así, como demostramos a con-
tinuación.
Supongamos que q (X) = X t AX y q1 (Y ) = Y t BY son dos formas cuadráticas
equivalentes, entonces las matrices A y B son congruentes; esto hace que exista una
matriz ortogonal P tal que B = P t AP . Luego
q1 (Y ) = Y t BY
= Y t P t AP Y
= Y t P t A (P Y )
= (P Y )t A (P Y )
454
haciendo X = P Y se tiene
q1 (Y ) = X t AX = q (X)
A la ecuación X = P Y se llama cambio de variables o cambio de coordenadas.
Observación 7.5.3 Como la matriz ortogonal P no es única, la elección de la

matriz P debe hacerse con cuidado ya que si P es ortogonal entonces su determinante
es 1.
En efecto, supongamos que P es ortogonal, entonces P 1 = P t luego
PPt = I
PPt = jIj
t
jP j P = 1
jP j jP j = 1
jP j2 = 1
Por tanto, jP j = 1.
Se puede mostrar que si P se elige de modo que jP j = 1 entonces existe un
número real en [0; 2 ) tal que
cos sen
P =
sen cos
Donde da el ángulo de rotación de la cónica medido del eje x positivo al eje y
positivo. En este caso el cambio de variable X = P Y origina una rotación de los
ejes x1 x2 un ángulo .
x2
y1
y2
θ
x1
Si jP j = 1 se multiplica por ( 1) una de las columnas de P para obtener una

matriz de la forma.
a b cos sen
P = =
c d sen cos
455
Ahora el número se elige como sigue
Si a 0 y c>0 entonces = cos 1 a (0 < =2)

Si a 0 y c<0 entonces =2 cos 1a (3 =2 < 2 )
Si a 0 y c>0 entonces = cos 1 a ( =2 < )
Si a 0 y c<0 entonces =2 cos 1a ( < 3 =2)
Si a=1 y c=0 entonces =0
Si a= 1 y c=0 entonces = :
7.5.2 Identi…cación y gra…cación de ecuaciones cuadráticas

Ejemplo 7.5.11 Identi…que y luego gra…que la cónica dada por la ecuación cuadrática,
x21 + 3x1 x2 + x22 = 3
Solución. El primer miembro de la ecuación dada puede expresarse como la forma

cuadrática
1 3=2 x1
x1 x2
3=2 1 x2
siendo
1 3=2
A=
3=2 1
la matriz de dicha forma cuadrática, cuyos valores propios son las soluciones de la
ecuación característica
1 3=2
= 0
3=2 1
( 1) ( 1) 9=4 = 0
2
4 8 5 = 0
que son
5 1
1 = y 2 =
2 2
Luego por el teorema de los ejes principales la ecuación original puede expresarse
como
5 2 1 2
y y =3
2 1 2 2
el cual se simpli…ca en
y12 y22
6 =1
5
6
que se trata de una hipérbola.
456
Ahora, para gra…car esta cónica necesitamos los vectores propios ortonormales de
la matriz A asociados a los valores propios 1 y 2 , los cuales obtenemos resolviendo
los siguientes sistemas homogéneos, ( 1 I A) u = y ( 2 I A) u = .
1 1 3=2 x1 0
=
3=2 1 1 x1 0
3=2 3=2 x1 0
=
3=2 3=2 x1 0
3=2 3=2 : 0 1 1 : 0 1 1 : 0
$ $
3=2 3=2 : 0 3=2 3=2 : 0 0 0 : 0
x1 x2 = 0 de donde se tiene x1 = x2
al parametrizar x2 = t; t 6= 0 2 R, se ve que todos los vectores propios asociados a

5
1 = 2 son de la forma
x1 t 1
u= = =t
x1 t 1
con t = 1 se obtiene el siguiente vector propio
1
u1 =
1
1
Similarmente, para 2 = 2 resolvemos
2 1 3=2 x1 0
=
3=2 2 1 x1 0
3=2 3=2 x1 0
=
3=2 3=2 x1 0
3=2 3=2 : 0 1 1 : 0 1 1 : 0
$ $
3=2 3=2 : 0 3=2 3=2 : 0 0 0 : 0
cuyos sistema correspondiente es
x1 + x2 = 0 de donde se tiene x1 = x2
457
1
x1 t 1
u= = =t
x1 t 1
1
u2 =
1
De este modo los valores y vectores propios de la matriz A son 1 = 52 ; 2 = 1

2 y
1 1
u1 = ; u2 =
1 1
respectivamente; como vemos estos vectores propios son ortogonales como se es-
peraba, pero no ortonormales, sin embargo normalizandolos tenemos los vectores
ortonormales deseados
p p
1=p2 1=p2
v1 = y v2 =
1= 2 1= 2
con los cuales de…nimos la matriz ortogonal

p p
1=p2 1=p2
P =
1= 2 1= 2
cuyo determinante es jP j = 21 + 12 = 1. Luego existe un número real en [0; 2 ) tal

que p p
1=p2 1=p2 cos sen
P = =
1= 2 1= 2 sen cos
de donde
1 1
cos = p y sen = p
2 2
luego,
1 1
= cos p = 45o
2
Por tanto, la cónica dada es una hipérbola rotada un ángulo de = 45o como vemos
en la siguiente …gura.
458
x2
y1
y2
45º
x1
Ejemplo 7.5.12 Identi…car y trazar la gra…ca de la ecuación cuadrática.

p p
5x21 6x1 x2 + 5x22 24 2 x1 + 8 2 x2 + 56 = 0
Luego escribir la ecuación en el nuevo sistema de coordenadas.
Solución. La forma matricial de la ecuación dada es

5 3 x1 p p x1
x1 x2 + 24 2 8 2 = 56
3 5 x2 x2
siendo
5 3
A=
3 5
la matriz de la forma cuadrática en cuestión; cuyos valores propios son las soluciones
de la ecuación característica
5 3
= 0
3 5
( 5) ( 5) 9 = 0
2
10 + 16 = 0
que resultan ser

1 =2 y 2 =8
Los vectores propios asociados a estos valores propios se obtienen resolviendo los
siguientes sistemas homogéneos, ( 1 I A) u = y ( 2 I A) u = .
459
1 5 3 x1 0
=
3 1 5 x1 0
3 3 x1 0
=
3 3 x1 0
3 3 : 0 1 1 : 0 1 1 : 0
$ $
3 3 : 0 3 3 : 0 0 0 : 0
x1 x2 = 0 de donde se tiene x1 = x2

x1 t 1
u= = =t
x1 t 1
1
u1 =
1
Similarmente, para 2 = 8 resolvemos
2 5 3 x1 0
=
3 2 5 x1 0
3 3 x1 0
=
3 3 x1 0
3 3 : 0 1 1 : 0 1 1 : 0
$ $
3 3 : 0 3 3 : 0 0 0 : 0
x1 + x2 = 0 de donde se tiene x1 = x2

x1 t 1
u= = =t
x1 t 1
460
1
u2 =
1
De este modo los valores y vectores propios de la matriz A son 1 = 2; 2 =8y
1 1
u1 = ; u2 =
1 1
respectivamente; como vemos estos vectores propios son ortogonales pero no orto-
normales, sin embargo normalizandolos tenemos los vectores ortonormales
p p
u1 1=p2 u2 1=p2
v1 = = y v2 = =
ku1 k 1= 2 ku2 k 1= 2
que son las columnas de la matriz ortogonal

p p
1=p2 1=p2
P =
1= 2 1= 2
cuyo determinante es jP j = 21 + 12 = 1. Luego existe un número real en [0; 2 ) tal

que p p
1=p2 1=p2 cos sen
P = =
1= 2 1= 2 sen cos
de donde
1 1
cos = p y sen = p
2 2
luego
1 1
p = 45o
= cos
2
Ahora utilizando en cambio de variable X = P Y se tiene
p p
x1 1=p2 1=p2 y1
=
x1 1= 2 1= 2 y2
que produce " # " p p #

1 1
x1 2 2 y1 2 2 y2
= 1
p 1
p
x1 2 2 y1 + 2 2 y2
De este modo la ecuación original dada se convierte en
p 1p 1p p 1p 1p
2y12 + 8y22 24 2 2 y1 2 y2 +8 2 2 y1 + 2 y2 = 56
2 2 2 2
461
que se reduce en
2y12 + 8y22 24y1 + 24y2 + 8y1 + 8y2 = 56
2y12 + 8y22 16y1 + 32y2 = 56
y12 + 4y22 8y1 + 16y2 = 28
Para identi…car la grá…ca de esta ecuación, debemos trasladar los ejes y1 ; y2 por lo
cual completamos los cuadrados para obtener
y12 8y1 + 4 y22 + 4y2 = 28
y12 8y1 + 16 + 4 y22 + 4y2 + 4 = 28 + 16 + 16
(y1 4)2 + 4 (y2 + 2)2 = 4
(y1 4)2
(y2 + 2)2
+= 1
4 1
La cual identi…camos como una elipse rotada un ángulo de = 45o y trasladada.
Haciendo z1 = y1 4 y z2 = y2 + 2 se tiene una traslación de los ejes y1 y y2 , luego
la ecuación se convierte en
z12 z22
+ =1
4 1
Cuya gra…ca es una elipse en posición normal o canónica con respecto de los ejes de
coordenadas z1 y z2 . Como muestra la siguiente …gura donde el origen del sistema
de coordenadas z1 ; z2 esta en (4; 2) los ejes de coordenados originales x1 ; x2 se han
rotado un ángulo de = 45o .
z2 x2
y1 z1
y2
45º
x1
X
La grá…ca de una ecuación cuadrática dada se puede identi…car fácilmente en
base a los valores propios 1 ; 2 de la matriz simétrica A que representa la ecuación
cuadrática
ax2 + bxy + cy 2 = d; d 6= 0
462
De hecho, si
1 2 >0 1 2 <0 1 2 =0
Elipse Hipérbola Parábola
7.5.3 Super…cies cuádricas

El método recien descrito se puede emplear para analizar ecuaciones cuadráticas
con más de dos variables tales como las ecuaciones de super…cies cuadráticas en el
espacio.
La forma general de una ecuación cuadrática en tres variables x; y y z es
ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + iz + f = 0
donde al menos una de las constantes a; b; : : : ; f es distinta de cero. La grá…ca de

una ecuación cuadrática de este tipo se denomina super…cie cuadrática (cuádrica).
La forma cuadrática de ésta ecuación se de…ne como
ax2 + by 2 + cz 2 + dxy + exz + f yz
cuya matriz simétrica correspondientes es

2 3
a d2 c
2
6 f 7
A = 4 d2 b 2 5
c f
2 2 c
En su versión tridimensional, el teorema de los ejes principales relaciona los valores
característicos y los vectores característicos de A con la ecuación de la super…cie
cuadrática rotada. Así, como vemos en los siguientes ejemplos.
Ejemplo 7.5.13 Identi…que la super…cie dada por la ecuación cuadrática
5x21 + 8x1 x2 + 5x22 + 4x1 x3 + 4x2 x3 + 2x23 = 100

cuadrática en tres variables x1 ; x2 y x3 .
2 32 3
5 4 2 x1
q (x1 ; x2 ; x3 ) = x1 x2 x3 4 4 5 2 5 4 x2 5
2 2 2 x3
siendo 2 3
5 4 2
A=4 4 5 2 5
2 2 2
463
la matriz de la forma cuadrática. Por el ejemplo 6.4.4, se sabe que esta matriz tiene
los siguientes valores propios
1 = 1; 2 =1 y 3 = 10
entonces por el teorema de los ejes principales la ecuación original dada se convierte
en
y11 + y22 + 10y32 = 100
que se reduce en
y11 y2 y2
+ 2 + 3 =1
100 100 10
la cual representa un elipsoide cuya grá…ca es la siguiente. X
Ejemplo 7.5.14 Identi…que la super…cie dada por la ecuación cuadrática
5x21 + 4x22 + 5x23 + 8x1 x3 = 36

cuadrática en tres variables x1 ; x2 y x3 .
2 32 3
5 0 4 x1
q (x1 ; x2 ; x3 ) = x1 x2 x3 4 0 4 0 5 4 x2 5
4 0 5 x3
siendo 2 3
5 0 4
A=4 0 4 0 5
4 0 5
la matriz de la forma cuadrática, cuyos valores característicos son:
1 = 1; 2 =4 y 3 =9
464
entonces por el teorema de los ejes principales la ecuación original dada se convierte
en
y11 + 4y22 + 9y32 = 36
el cual representa la ecuación cuadrática en el sistema rotado y1 y2 y3 . Cuya forma
estándar de esta es
y11 y22 y32
+ 2 + 2 =1
62 3 2
La grá…ca de esta ecuación es un elipsoide, como se muestra en la …gura, los ejes
y1 y2 y3 representan una rotación de 45o en sentido contrario a las manecillas del reloj
alrededor del eje y2 . Además, la matriz ortogonal
2 3
p1 0 p1
2 2
6 7
P =6 4 0 1 0 7
5
p1 0 p1
2 2
tiene la propiedad de que P t AP es diagonal. X
z'
x
x'
Ejemplo 7.5.15 Identi…que la super…cie cuadrática cuya ecuación es
5x2 + 11y 2 + 2z 2 + 16xy + 20xz 4yz = 36
Solución. La ecuación puede ser expresada en forma matricial como X t AX = 36,

donde 2 3 2 3
5 8 10 x
A = 4 8 11 2 5 y X=4 y 5
10 2 2 z
cuyos valores propios son
1 = 18; 2 =9 y 3 = 9
465
con vectores propios ortogonales correspondientes
2 3 2 3 2 3
2 1 2
u 1 = 4 2 5 ; u2 = 4 2 5 y u 3 = 4 1 5
1 2 2
respectivamente. Normalizandolos obtenemos

2 2 3 2 1 3 2 2
3
3 3 3
6 2 7 6 2 7 6 1 7
v1 = 4 3 5 ; v2 = 4 3 5 y v3 = 4 3 5
1 2 2
3 3 3
luego, formamos la matriz ortogonal

2 2 1 2
3
3 3 3
6 7
6 2 2 1 7
P = v1 v2 v3 =6 3 3 3 7
4 5
1 2 2
3 3 3
Observe que a …n de que P sea la matriz de una rotación, se requiere que jP j = 1,

lo que es verdadero en este caso. (De otra manera, si jP j = 1, intercambiando dos
columnas se cambia el signo del determinante.) Por consiguiente,
2 3
18 0 0
P t AP = D = 4 0 9 0 5
0 0 9
Finalmente utilizando el cambio de variable X = P X 0 , obtenemos

t
X t AX = X 0 DX 0 = 36

2 2 2
18 x0 + 9 y0 9 z0 = 36
cuya forma estándar es

(x0 )2 (y 0 )2 (z 0 )2
+ =1
2 4 4
La cual representa la ecuación de un hiperboloide de una hoja. Los ejes x0 ; y 0 y
z 0 están en las direcciones de los vectores propios v1 ; v2 y v3 , respectivamente. La
grá…ca se muestra en la siguiente …gura. X
466
z
z'
x'
y
y'
x
Ejemplo 7.5.16 Identi…que la super…cie cuádrica
5x2 + 6y 2 + 7z 2 + 4xy + 4yz = 1
Solución. La matriz de la forma cuadrática
q (x; y; z) = 5x2 + 6y 2 + 7z 2 + 4xy + 4yz
es 2 3
5 2 0
A=4 2 6 2 5
0 2 7
cuyos valores propios son
1 = 3; 2 =6 y 3 =9
con vectores propios ortogonales correspondientes

2 3 2 3 2 3
2 2 1
u1 = 4 5
2 ; u2 = 4 1 5 y u3 = 2 5
4
1 2 2
Como todos son ortogonales, los normalizamos para obtener
2 3
2 2 1
14
P = 2 1 2 5
3
1 2 2
que tiene la propiedad de que
2
3
3 0 0
P t AP = D = 4 0 6 0 5
0 0 9
467
Finalmente, usando el cambio de variables Y = P t X obtenemos
2 32 0 3
3 0 0 x
4 5 4 2 2 2
0
q (x; y; z) = x y z0 0 0 6 0 y 0 5 = 3 x0 + 6 y 0 + 9 z0
0 0 9 z0
Por consiguiente, q (x; y; z) = 1, adquiere la forma

2 2 2
3 x0 + 6 y0 + 9 z0 =1
cuya grá…ca es un elipsoide.X

También, podemos identi…car y gra…car cuadráticas que hayan sido trasladadas
fuera de la posición estándar utilizando el "método de completar cuadrados".
A continuación se presenta un concepto útil, a saber la inercia de una matriz
simétrica la cual se emplea con frecuencia para clasi…car las super…cies cuádricas.
De…nición 7.5.4 Sea A una matriz simétrica n n, La inercia de A, denotada

mediante In (A), es una terna ordenada de números
(pos; neg; cero)
donde pos; neg y cero son los números de valores propios de A, positivos, negativos
y ceros, respectivamente.
Ejemplo 7.5.17 Determine la inercia de cada una de las siguientes matrices:

2 3
0 2 2
2 2 2 1
A1 = ; A2 = ; A3 = 4 2 0 2 5
2 2 1 2
2 2 0
Solución. Al determinar los valores propios de cada matriz tenemos (veri…car)
j I2 A1 j = ( 4) = 0; de modo que 1 = 0; 2 =4
luego In (A1 ) = (1; 0; 1).
j I2 A2 j = ( 1) ( 3) = 0; de modo que 1 = 1; 2 =3
luego In (A2 ) = (2; 0; 0).
j I3 A3 j = ( + 2)2 ( 4) = 0; de modo que 1 = 2 = 2; 3 =4
luego In (A3 ) = (1; 2; 0). X
468
El concepto de inercia de una matriz simétrica recien presentado permite clasi-
…car las super…cies cuádricas como sigue:
Identi…cación de las super…cies cuádricas

In (A) = (3; 0; 0) Elipsoide
In (A) = (2; 0; 1) Paraboloide elíptico
In (A) = (2; 1; 0) Hiperboloide de una hoja
In (A) = (1; 2; 0) Hiperboloide de dos hojas
In (A) = (1; 1; 1) Paraboloide hiperbólico
In (A) = (1; 0; 2) Cilindro parabólico
Ejemplo 7.5.18 Clasi…que la super…cie cuádrica representado por la forma cuadrática

X t AX = 3, donde 2 3 2 3
0 2 2 x
A=4 2 0 2 5 y X=4 y 5
2 2 0 z
Solución. De acuerdo al anterior ejemplo, sabemos que In (A) = (1; 2; 0) y por lo

tanto, la super…cie cuádrica es un hiperboloide de dos hojas. X
Ejemplo 7.5.19 Clasi…que la super…cie cuádrica dada por
2x2 + 4y 2 4z 2 + 6yz 5x + 3y = 2
Solución. La forma matricial de la ecuación dada es

2 32 3 2 3
2 0 0 x x
x y z 4 0 4 3 5 4 y 5+ 5 3 0 4 y 5=2
0 3 4 z z
siendo 2 3
2 0 0
A=4 0 4 3 5
0 3 4
la matriz de la forma cuadrática en cuestión, cuyos valores propios son (veri…que)
1 = 5; 2 =2 y 3 = 5
En consecuencia, In (A) = (2; 1; 0) y por lo tanto, la super…cie cuádrica es un hiper-

boloide de una hoja. X
469
Observación 7.5.4 La clasi…cación de una super…cie cuádrica es mucho más sen-
cilla que el problema de llevarla a las formas canónicas o estándar utilizadas en
geometría analítica y cálculo. Los pasos algebraicos para obtener una forma están-
dar a partir de una ecuación polinomial de segundo grado requieren, en general una
rotación y una traslación de ejes, como se sabe. La rotación requiere tanto de los
valores propios como de los vectores propios de la matriz A de la forma cuadrática.
Los vectores propios de A se utilizan para formar una matriz ortogonal P , tal que
jP j = 1 y por tanto, el cambio de variables X = P Y representa la rotación. La
forma asociada resultante es la que se obtiene en el teorema de los ejes principales;
es decir, se eliminan todos los términos de productos cruzados. En el siguiente
ejemplo se ilustra esta situación.
Ejemplo 7.5.20 Para la super…cie cuádrica del ejemplo anterior
X t AX + 5 3 0 X=2
determine la rotación de modo que se eliminen todos los términos de productos

cruzados.
Solución. Los valores propios y los vectores propios de

2 3
2 0 0
A=4 0 4 3 5
0 3 4
son respectivamente, (veri…car)
1 = 5; 2 =2 y 3 = 5
y 2 3 2 3 2 3
0 1 0
u 1 = 4 3 5 ; u2 = 4 0 5 y u3 = 4 1 5
1 0 3
Observe que los vectores propios son mutuamente ortogonales, ya que corresponden
a valores propios distintos de una matriz simétrica. Luego normalizandolos estos
vectores propios obtenemos
2 3 2 3 2 3
0 1 0
1 1
v1 = p 4 3 5 ; v2 = 4 0 5 y u3 = p 4 1 5
10 1 0 10 3
470
seguidamente formamos la matriz ortogonal
2 3
0 1 0
6 7
6 p3 0 p1 7
P = v1 v2 v3 =6 10 10 7
4 5
p1 0 p3
10 10
Note que jP j = 1 (veri…que), por consiguiente,

2 3
5 0 0
P t AP = D = 4 0 2 0 5
0 0 5
Finalmente utilizando el cambio de variable X = P Y , obtenemos la representación.
X t AX + 5 3 0 X = 2
t
(P Y ) A (P Y ) + 5 3 0 (P Y ) = 2
t t
Y P AP Y + 5 3 0 (P Y ) = 2
como P t AP = D, haciendo 3
2
x0
Y = 4 y0 5
z0
tenemos
Y t DY + 5 3 0 (P Y ) = 2
esto es,
2 32 0 3 2 3
5 0 0 x h i x0
x0 y 0 z 0 4 0 2 0 5 4 y0 5 + p9 5 p3 4 y0 5 = 2
10 10
0 0 5 z0 z0
2 2 2 9 3
5 x0 + 2 y0 5 z0 + p x0 5y 0 + p z 0 = 2
10 10
X
Para completar la transformación a la forma estándar. Introducimos un cambio
de variable para realizar una traslación que elimine los términos de primer grado.
Completando de manera algebraica el cuadrado de cada una de las tres variables,
Así, como se presenta en el siguiente.
471
Ejemplo 7.5.21 Continue con el ejemplo anterior para eliminar los términos de
primer grado.
Solución. La última expresión para la super…cie cuádrica del ejemplo anterior puede
escribirse como
2 9 2 2 3
5 x0 + p x0 + 2 y 0 5y 0 5 z0 + p z0 = 2
10 10
al completar el cuadrado en cada variable, tenemos
9 81 2 2 5 0 25
+ p x0 +
5 x0 +2 y0 y +
5 10 1000 2 16
2 3 9 405 50 45
5 z0 p z0 + = 2+ +
5 10 1000 1000 16 100
2 2 2
9 5 3 405 50 45
5 x0 + p + 2 y0 5 z0 p =2+ +
10 10 4 10 10 1000 16 100
Si hacemos
9 5 3
x00 = x0 + p ; y 00 = y 0 ; z 00 = z 0 p
10 10 4 10 10
podemos escribir la ecuación de la super…cie cuádrica como
2 2 2 5485
5 x00 + 2 y 00 5 z 00 = = 5:485
1000
que en su forma canónica o estándar, esto puede escribirse como
(x00 )2 (y 00 )2 (z 00 )2
5:485 + 5:485 5:485 = 1:
5 2 5
X
Concluimos este capítulo con una segunda aplicación de diagonalización para
calcular las potencias de una matriz.
7.5.4 Potencias de matrices diagonalizables

Como ya sabemos, el cálculo de las potencias An puede ser bastante tedioso. Sin
embargo, si A es diagonalizable y hemos calculado P y D, entonces
1
A = P DP
472
A2 = P DP 1
P DP 1
= P D2 P 1
iterando n veces se llega a

An = P D n P 1
Como el cálculo de Dn equivale a elevar sólo los elementos diagonales de D a la

n-ésima potencia, vemos que An es fácil de obtener dadas P; P 1 y D.
De hecho, la expresión anterior puede emplearse para o bien calcular potencias
6
elevadas de A; por ejemplo, A10 , o potencias reales como A1=2 ; A .
Por otra parte, si sucede que A es no singular, entonces 0 no es un valor propio
de A, por consiguiente D 1 existe así se tiene
1 1 1 1 1
A = P DP = PD P :
De nuevo, iterando n veces se llega a

n n 1
A = PD P
Ejemplo 7.5.22 Calcule A10 , donde
0 1
A=
2 1
Solución. Los valores propios de la matriz A son
1 = 1 y 2 =2
cuyos vectores propios asociados a estos son
1 1
u1 = y u2 =
1 2
De ello se desprende que A es diagonalizable, así existe una matriz no singular P tal
que P 1 AP = D, donde
1 1 1 0
P = u1 u2 = y D=
1 2 0 2
si resolvemos para A tenemos

1
A = P DP
lo que fácilmente permite encontrar potencias de A. Calculamos
A2 = P DP 1
P DP 1
= PD P 1
P DP 1
= P DIDP 1
= P D2 P 1
473
y, en general, se tiene
An = P D n P 1
para toda n 1
Observe que este hecho será verdadero para cualquier matriz diagonalizable, no
únicamente para este ejemplo.
Como n
1 0 ( 1)n 0
Dn = =
0 2 0 2n
se tiene que
1
1 1 ( 1)n 0 1 1
An = P D n P 1 =
1 2 0 2n 1 2
" #" # " #
1 1 ( 1)n 0 2
3
1
3
= 1 1
1 2 0 2n 3 3
2 n n n+1 n
3
2( 1) +2 ( 1) +2
4 3 3 5
2( 1)n+1 +2n+1 ( 1)n+2 +2n+1
3 3
Ya que sólo se nos pregunto por A10 , esto es más de lo que necesitamos. Pero ahora
podemos simplemente tomar n = 10 para encontrar
2 3
2( 1)10 +210 ( 1)11 +210
A10 = 4 3 3 5 = 342 341
2( 1)11 +211 ( 1)12 +211 682 683
3 3
Ejemplo 7.5.23 Encuentre una fórmula para Ak ; k = 2; 3; : : :, donde

2 3
1 0 1
A=4 0 2 0 5
3 0 3
Solución. Los valores propios de A son
1 = 0; 2 =2 y 3 =4
cuyos vectores propios asociados a estos son

2 3 2 3 2 3
1 0 1
u1 = 4 0 ; u2 = 1 5
5 4 y u3 = 4 0 5
1 0 3
474
Por consiguiente,
2 32 3k 2 3 1
1 0 1 0 0 0 1 0 1
Ak = 4 0 1 0 54 0 2 0 5 4 0 1 0 5
1 0 3 0 0 4 1 0 3
2 32 32 3 1
3
1 0 1 0 0 0 4 0 4
= 4 0 1 0 54 0 2 0 54 0 1 0 5
1 1
1 0 3 0 0 4 4 0 4
Por tanto,
2 3k 2 3
1 0 1 4k 1 0 4k 1
Ak = 4 0 2 0 5 = 4 0 2k 0 5
3 0 3 3 4 k 1 k
0 3 4 1
X

En los ejercicios del 1 al 8, compruebe que i es un valor característico de A y que
ui es un vector característico correspondiente.
Ejercicio 7.6.1
0 1 1 =1 u1 = (1; 1)
A= ; ;
1 0 2 = 1 u2 = (1; 1)
Ejercicio 7.6.2
1 0 1 =1 u1 = (1; 0)
A= ; ;
0 1 2 = 1 u2 = (0; 1)
Ejercicio 7.6.3
1 k
A= ; 1 = 1; u1 = (1; 0)
0 1
Ejercicio 7.6.4
4 5 1 = 1 u1 = (1; 1)
A= ; ;
2 3 2 =2 u2 = (5; 2)
Ejercicio 7.6.5
1 1 1 =0 u1 = (1; 1)
A= ; ;
1 1 1 =0 u2 = (1; 1)
475
Ejercicio 7.6.6
2 3
2 3 1 1 =2 u1 = (1; 0; 0)
A=4 0 1 2 5; 2 = 1 ; u2 = (1; 1; 0)
0 0 3 3 =3 u3 = (5; 1; 2)
Ejercicio 7.6.7
2 3
2 2 3 1 =5 u1 = (1; 2; 1)
A=4 2 1 6 5; 2 = 3 ; u2 = ( 2; 1; 0)
1 2 0 3 = 3 u3 = (3; 0; 1)
Ejercicio 7.6.8
2 3
0 1 0
A = 4 0 0 1 5; 1 =1 ; u1 = (1; 1; 1)
1 0 0
En los ejercicios del 9 al 12, determine si u es un vector característico de A.
Ejercicio 7.6.9
(a) u = (1; 2)
7 2 (b) u = (2; 1)
A= ;
2 4 (c) u = (1; 2)
(d) u = ( 1; 0)
Ejercicio 7.6.10
(a) u = (4; 4)
3 10 (b) u = ( 8; 4)
A= ;
5 2 (c) u = ( 4; 8)
(d) u = (5; 3)
Ejercicio 7.6.11
2 3 (a) u = (2; 4; 6)
1 1 1
(b) u = (2; 0; 6)
A=4 2 0 2 5;
(c) u = (2; 2; 0)
3 3 1
(d) u = ( 1; 0; 1)
Ejercicio 7.6.12
2 3 (a) u = (1; 1; 1)
1 0 5
(b) u = ( 5; 2; 1)
A=4 0 2 4 5;
(c) u = (0;p
0; 0) p
1 2 9
(d) u = 2 6 3; 2 6 + 6; 3
476
En los ejercicios del 13 al 17, determine (a) la ecuación característica, (b) los
valores característicos y los vectores característicos correspondientes y c) una base
para cada uno de los espacios característicos correspondientes.
Ejercicio 7.6.13
1 1 1 1 1 4
(i) A = ; (ii) A = ; (iii) A =
1 1 2 4 1 2
Ejercicio 7.6.14
2 2 4 2 5 1
(i) A = ; (ii) A = ; (iii) A =
1 3 3 3 1 3
Ejercicio 7.6.15
2 3 2 3 2 3
2 1 1 1 2 2 1 1 0
(i) A = 4 2 4 2 5 ; (ii) A = 4 1 2 1 5; (iii) A = 4 0 1 0 5
1 1 3 1 1 4 0 0 1
Ejercicio 7.6.16
2 3 2 3 2 3
4 2 3 1 1 2 1 2 3
(i) A = 4 2 1 2 5; (ii) A = 4 0 2 0 5 ; (iii) A = 4 0 1 0 5
1 2 0 0 1 2 2 1 2
Ejercicio 7.6.17
2 3 2 3 2 3
5 0 0 1 2 1 2 2 3
(i) A = 4 3 7 0 5; (ii) A = 4 0 1 4 5; (iii) A = 4 2 1 6 5
4 2 3 0 0 2 1 2 0
Ejercicio 7.6.18 Si los valores característicos de
a b
A=
0 d
son 1 =0y 2 = 1, ¿cuáles son los valores posibles de a y d?
Ejercicio 7.6.19 Para una matriz invertible A, demuestre que A y A 1 tienen los
mismos vectores característicos. ¿Cómo se relacionan los valores característicos de
A con los valores característicos de A 1 .
Ejercicio 7.6.20 Demuestre que A y At tienen los mismos valores característicos.
477
En los ejercicios 21 al 24, determine la dimensión del espacio característico co-
rrespondiente al valor característico 3.
3 0 0
A=4 0 3 0 5
0 0 3
3 1 0
A=4 0 3 0 5
0 0 3
3 1 0
A=4 0 3 1 5
0 0 3
3 1 1
A=4 0 3 1 5
0 0 3
Diagonalización
En los ejercicios del 25 al 30, compruebe que la matriz dada A es diagonalizable
al calcular P 1 AP .
Ejercicio 7.6.25
1 1 1 1
A= ; P =
2 4 1 2
Ejercicio 7.6.26
1 2 1 2
A= ; P =
2 2 2 1
Ejercicio 7.6.27
1 2 2 1
A= ; P =
3 2 3 1
Ejercicio 7.6.28
2 3 2 3
2 3 1 1 1 0
A=4 1 2 1 5; P =4 1 2 2 5
1 3 2 1 0 1
478
Ejercicio 7.6.29
2 3 2 3
2 1 1 1 1 1
A = 4 1 2 1 5; P =4 1 0 1 5
1 1 2 1 1 0
Ejercicio 7.6.30
2 3 2 3
1 3 3 1 1 1
4
A= 3 5 3 5; 4
P = 1 0 1 5
6 6 4 0 1 2
En los ejercicios 31 y 32, encuentre los valores característicos de la matriz A

y luego determine si hay un número su…ciente para garantizar que la matriz es
diagonalizable.
Ejercicio 7.6.31
1 4 1 0 0 2
(i) A = ; (ii) A = ; (iii) A =
1 2 2 1 0 0
Ejercicio 7.6.32
2 3 2 3 2 3
1 1 2 1 2 3 0 0 1
(i) A = 4 4 0 4 5; (ii) A = 4 0 1 2 5; (iii) A = 4 0 1 2 5
1 1 4 0 0 2 0 0 1
En los ejercicios del 33 al 37, para cada matriz dada A determine (en caso de
ser posible) una matriz P no singular tal que P 1 AP sea diagonal. Compruebe que
P 1 AP es una matriz diagonal con los valores característicos en la diagonal.
Ejercicio 7.6.33
0 1 1 2 1 4
(i) A = ; (ii) A = ; (iii) A =
2 3 4 5 2 3
Ejercicio 7.6.34
2 3 2 3 2 3
2 3 2 1 1 0 1 0 0
4
(i) A = 0 5 4 5; (ii) A = 4 0 2 0 5 ; (iii) A = 4 0 2 2 5
1 0 1 0 0 1 0 0 1
479
Ejercicio 7.6.35
2 3 2 3 2 3
2 1 1 1 2 2 1 1 2
(i) A = 4 2 4 2 5 ; (ii) A = 4 0 2 1 5; (iii) A = 4 0 1 0 5
1 1 3 1 1 4 0 1 3
Ejercicio 7.6.36
2 3 2 3 2 3
4 2 3 1 2 3 3 2 1
(i) A = 4 2 1 2 5; (ii) A = 4 0 1 0 5 ; (iii) A = 4 0 2 0 5
1 2 0 2 1 2 0 0 0
Ejercicio 7.6.37
2 3 2 3
2 0 0 0 1 0 0 0
6 3 1 0 0 7 6 1 0 1 0 7
(i) A = 6
4 0
7; (ii) A = 6 7
1 1 0 5 4 0 0 1 0 5
0 0 1 2 0 1 0 1
Ejercicio 7.6.38 Sea A una matriz diagonalizable n n y P una matriz invertible

n n tal que B = P 1 AP sea la forma diagonal de A. Demuestre lo siguiente:
(a) B k = P 1 Ak P , donde k es un entero positivo.
(b) Ak = P B k P 1 , donde k es un entero positivo.
En los ejercicios del 39 al 42, utilice el resultado del ejercicio anterior para hallar
la potencia indicada de A.
Ejercicio 7.6.39
10 18
A= ; A6
6 11
Ejercicio 7.6.40
1 3
A= ; A7
2 0
3 2 3
A=4 3 4 9 5; A8
1 2 5
2 0 2
A=4 0 2 2 5; A5
3 0 3
480
Ejercicio 7.6.43 ¿Son semejantes las dos matrices siguientes? En caso a…rmativo,
determine una matriz P tal que B = P 1 AP .
2 3 2 3
1 0 0 3 0 0
A=4 0 2 0 5 y B=4 0 2 0 5
0 0 3 0 0 1
Matrices simétricas y diagonalización ortogonal

En los ejercicios 44 y 45, encuentre los valores característicos de la matriz
simétrica dada. Para cada valor característico, luego determine la dimensión del
espacio característico correspondiente.
Ejercicio 7.6.44
2 1 11 5 4 2
(i) A = ; (ii) A = ; (iii) A =
1 2 5 4 2 4
Ejercicio 7.6.45
2 3 2 3 2
3
2 0 2 0 4 4 0 3 3
(i) A = 4 0 2 2 5; 4
(ii) A = 4 2 0 5; (iii) A = 4 3 0 3 5
2 2 3 4 0 3 3 3 0
En los ejercicios del 46 al 48, determine si la matriz dada es o no ortogonal.
Ejercicio 7.6.46
2 3 2 3 2 3
2 0 3 8 2 8 4 1 4
(i) A = 4 0 1 0 5 ; (ii) A = 4 2 0 34 5 ; (iii) A = 4 1 0 17 5
4 0 5 2 8 2 1 4 1
Ejercicio 7.6.47
2 3 2 3 2 3
2 2 1 4 3 p1 p1 p1
3 3 3 5 0 5 2 3 6
6 7 6 7 6 7
(i) A = 4 2
3
1
3
2
3 5 ; (ii) A = 4 0 1 0 5 ; (iii) A = 6
4 0 p1
3
p2
6
7
5
1 2 2 3 4
0 p1 p1 p1
3 3 3 5 5 2 3 6
Ejercicio 7.6.48
2 p p p 3 2 p p 3
2 6 3 2 5
2 6 3 3 0 2
6 p p 7 6 p 7
(i) A = 6
4 0 3
6
3
3 7 ; (ii) A = 6
5 4 0 2 5
5 0 7
5
p p p p p
2 6 3 2 5 1
2 6 3 6 5 2
481
Ejercicio 7.6.49 Hallar la inversa de cada una de las siguientes matrices ortogo-
nales. 2 3 2 3
1 0 0 1 0 0
6 7 6 7
(a) A = 4 0 cos sen 5 ; (b) A = 6 0 p1 p1 7
4 2 2 5
0 sen cos 0 p1 p1
2 2
En los ejercicios del 50 al 55, encuentre una matriz ortogonal P tal que P t AP
diagonalice A. Compruebe que P t AP da la forma diagonal correcta.
Ejercicio 7.6.50
2 2 3 4 1 3
(i) A = ; (ii) A = ; (iii) A =
2 2 4 5 3 1
Ejercicio 7.6.51
p
(i) A = p2 2
; (ii) A =
2 1
; (iii) A =
6 3
2 2 1 2 3 1
Ejercicio 7.6.52
2 3 2 3 2 3
5 0 0 2 3 0 1 0 1
(i) A = 4 0 1 3 5 ; (ii) A = 4 3 2 4 5 ; (iii) A = 4 0 1 0 5
0 3 1 0 4 2 1 0 1
Ejercicio 7.6.53
2 3 2 3 2 3
1 2 2 1 1 0 1 0 0
(i) A = 4 2 1 2 5 ; (ii) A = 4 1 1 0 5 ; (iii) A = 4 0 1 1 5
2 2 1 0 0 1 0 1 1
Ejercicio 7.6.54
2 3 2 3 2 3
1 1 2 3 0 1 0 1 1
(i) A = 4 1 1 2 5 ; (ii) A = 4 0 2 0 5 ; (iii) A = 4 1 0 1 5
2 2 2 1 0 3 1 1 0
Ejercicio 7.6.55
2 3 2 3 2 3
0 0 0 1 2 2 0 0 2 0 0 1
6 0 0 0 0 7 6 2 2 0 0 7 6 0 1 0 0 7
(i) A = 6
4 0 0 0
7; (ii) A = 6 7; (iii) A = 6 7
0 5 4 0 0 2 2 5 4 0 0 1 0 5
1 0 0 0 0 0 2 2 1 0 0 2
482
Ejercicio 7.6.56 Si b 6= 0, diagonalice ortogonalmente
a b
A=
b a
Ejercicio 7.6.57 Si b 6= 0, diagonalice ortogonalmente

2 3
a 0 b
A=4 0 a 0 5
b 0 a
Ejercicio 7.6.58 Demostrar que si A y B son matrices ortogonales, entonces AB

y BA son matrices ortogonales.
Ejercicio 7.6.59 Demostrar que si A es ortogonal, entonces A 1 es ortogonal.
Formas cuadráticas
En los ejercicios del 60 al 63, hallar la matriz simétrica que corresponde a cada
una de las formas cuadráticas.
Ejercicio 7.6.60 4x21 6x1 x2 7x22 = 0:
Ejercicio 7.6.61 x1 x2 + x22 = 0:
Ejercicio 7.6.62 3x21 + 4x1 x2 x22 + 8x1 x3 6x2 x3 + x23 = 0:
Ejercicio 7.6.63 x21 2x2 x3 + x1 x3 = 0:
En los ejercicios del 64 al 69, obtenga la matriz A de la forma cuadrática asociada

con la ecuación dada. En cada caso, encuentre los valores característicos de A y una
matriz ortogonal P tal que P t AP sea diagonal.
Ejercicio 7.6.64 2x21 3x1 x2 2x22 + 10 = 0:
Ejercicio 7.6.65 5x21 2x1 x2 + 5x22 + 10x1 17 = 0:

p
Ejercicio 7.6.66 13x21 + 6 3x1 x2 + 7x22 16 = 0:
p p
Ejercicio 7.6.67 3x21 2 3x1 x2 + x22 + 2x1 + 2 3x2 = 0:
Ejercicio 7.6.68 16x21 24x1 x2 + 9x22 60x1 80x2 + 100 = 0:
Ejercicio 7.6.69 17x21 + 32x1 x2 7x22 75 = 0:
483
En los ejercicios del 70 al 75, escribir cada una de las siguientes formas cuadráti-
cas como X t AX.
Ejercicio 7.6.70 3x21 + 5x1 x2 2x22 = 0:
Ejercicio 7.6.71 4x21 6x1 x2 + 2x22 = 0:
Ejercicio 7.6.72 2x21 + 3x1 x2 5x1 x3 + 7x2 x3 = 0:
Ejercicio 7.6.73 3x21 + x1 x2 2x1 x3 + x22 4x2 x3 2x23 = 0:
Ejercicio 7.6.74 x21 4x1 x2 3x22 + 6x2 x3 + 4x23 = 0:
Ejercicio 7.6.75 x1 x2 + 4x1 x3 + 6x2 x3 = 0:
En los ejercicios del 76 al 85, identi…que y gra…que la cónica representada por la

ecuación dada.
Ejercicio 7.6.76 2x21 + 2x1 x2 + 2x22 = 9:
Ejercicio 7.6.77 7x21 + 32x1 x2 17x22 50 = 0:

p
Ejercicio 7.6.78 5x21 + 12x1 x2 12 13x1 = 36:
p p
Ejercicio 7.6.79 2x21 + 4x1 x2 + 2x22 + 6 2x1 + 2 2x2 + 4 = 0:
p p
Ejercicio 7.6.80 8x21 + 8x1 x2 + 8x22 + 10 2x1 + 26 2x2 + 31 = 0:
p p
Ejercicio 7.6.81 5x21 6x1 x2 + 5x22 30 2x1 + 18 2x2 + 82 = 0:
p p
Ejercicio 7.6.82 9x21 + 6x1 x2 + x22 10 10x1 + 10 10x2 + 90 = 0:
Ejercicio 7.6.83 x1 x2 + x1 2x2 + 3 = 0:

p
Ejercicio 7.6.84 x21 x22 + 2 3x1 x2 + 6x1 = 0:
Ejercicio 7.6.85 x1 x2 2 = 0:
En los ejercicios del 86 al 107, clasi…que la super…cie cuádrica dada por cada
ecuación y determine su forma canónica o estándar.
Ejercicio 7.6.86 4x2 + 4y 2 + 4z 2 + 4xy + 4xz + 4yz = 8:
484
Ejercicio 7.6.87 x2 + y 2 + z 2 4yz = 1:
Ejercicio 7.6.88 x2 y2 z 2 + 4xy + 4xz + 4yz = 12:
Ejercicio 7.6.89 2xy + z = 0:
Ejercicio 7.6.90 16x2 + 100y 2 + 9z 2 24xz 60x 80z = 0:
Ejercicio 7.6.91 x2 + y 2 2z 2 + 4xy 2xz + 2yz x + y + z = 0:

p p
Ejercicio 7.6.92 10x2 + 25y 2 + 10z 2 40xz + 20 2 x + 50y + 20 2 z = 15:
Ejercicio 7.6.93 11x2 + 11y 2 + 14z 2 + 2xy + 8xz 8yz 12x + 12y + 12z = 6:
Ejercicio 7.6.94 x2 + 2y 2 + 2z 2 + 2yz = 1:
Ejercicio 7.6.95 x2 + y 2 + 2z 2 2xy + 4xz + 4yz = 16:
Ejercicio 7.6.96 2yz 2x 4y 4z + 8 = 0:
Ejercicio 7.6.97 x2 + 3y 2 + 3z 2 4yz = 9:
Ejercicio 7.6.98 x2 + y 2 + z 2 + 2xy = 8:
Ejercicio 7.6.99 x2 y2 z 2 + 4xy + 4xz + 4yz = 3:
Ejercicio 7.6.100 2x2 + 2y 2 + 4z 2 4xy 8xz 8yz + 8x = 15:
Ejercicio 7.6.101 4x2 + 4y 2 + 8z 2 + 4xy 4xz + 6x 10y + 2z = 94 :

16
Ejercicio 7.6.102 2y 2 + 2z 2 + 4yz + p
2
x + 4 = 0:
Ejercicio 7.6.103 x2 + y 2 2z 2 + 2xy + 8xz + 8yz + 3x + z = 0:
Ejercicio 7.6.104 x2 y2 z 2 + 4xy + 4xz + 4yz + p3 x p3 y = 6:

2 2
Ejercicio 7.6.105 2x2 + 3y 2 + 3z 2 2yz + 2x + p1 y + p1 z = 83 :

2 2
Ejercicio 7.6.106 x2 + y 2 z2 2x 4y 4z + 1 = 0:
Ejercicio 7.6.107 8x2 8y 2 + 10z 2 + 32xy 4xz 4yz = 24:
485
En los ejercicios del 108 al 121, utilice la inercia para clasi…car la super…cie
cuádrica dada en cada ecuación.
Ejercicio 7.6.108 x2 + y 2 + 2z 2 2xy 4xz 4yz + 4x = 8:
Ejercicio 7.6.109 x2 + 3y 2 + 2z 2 6x 6y + 4z 2 = 0:
Ejercicio 7.6.110 z = 4xy:
Ejercicio 7.6.111 x2 + y 2 + z 2 + 2xy = 4:
Ejercicio 7.6.112 x2 y = 0:
Ejercicio 7.6.113 2xy + z = 0:
Ejercicio 7.6.114 5y 2 + 20y + z 23 = 0:
Ejercicio 7.6.115 x2 + y 2 + 2z 2 2xy + 4xz + 4yz = 16:
Ejercicio 7.6.116 4x2 + 9y 2 + z 2 + 8x 18y 4z 19 = 0:
Ejercicio 7.6.117 y 2 z2 9x 4y + 8z 12 = 0:
Ejercicio 7.6.118 x2 + 4y 2 + 4x + 16y 16z 4 = 0:
Ejercicio 7.6.119 4x2 y2 + z2 16x + 8y 6z + 5 = 0:
Ejercicio 7.6.120 x2 4z 2 4x + 8z = 0:
Ejercicio 7.6.121 2x2 + 2y 2 + 4z 2 + 2xy 2xz 2yz + 3x 5y + z = 7:
En los ejercicios del 122 al 129, utilice el método del ejemplo 7.5.22 para calcular
la potencia indicada de la matriz.
Ejercicio 7.6.122
9
4 6
3 5
Ejercicio 7.6.123
10
1 6
1 0
486
Ejercicio 7.6.124
6
4 3
1 2
Ejercicio 7.6.125
k
0 3
1 2
Ejercicio 7.6.126
2 38
2 1 2
4 2 1 2 5
2 1 2
Ejercicio 7.6.127
2 32002
1 1 1
4 0 1 0 5
0 0 1
Ejercicio 7.6.128
2 3 5
2 0 1
4 1 1 1 5
1 0 2
Ejercicio 7.6.129
2 3k
1 1 0
4 2 2 2 5
0 1 1
Ejercicio 7.6.130 Aplique la diagonalización para determinar A6 y A9 donde
0 8
A=
2 0
Ejercicio 7.6.131 Deduzca una fórmula para determinar An , si A es como en el

ejercicio anterior.
Ejercicio 7.6.132 Use la diagonalización para calcular

2 37
2 2 2
A=4 1 1 1 5
2 2 2
487
Ejercicio 7.6.133 Emplee la diagonalización para calcular
2 3 8
2 0 3
A=4 0 1 0 5
3 0 2
Ejercicio 7.6.134 Demuestre que para k = 0; 1; 2; : : :

k 1
1 1 2k 2k
=
1 1 2k 2k
Ejercicio 7.6.135 Veri…que la identidad

k
1 1 1 1 r1k+1 r2k+1
=p
1 0 0 5 r1k r2k
en la que p p
1+ 5 1 5
r1 = y r2 =
2 2
y k es un entero positivo.
488
BIBLIOGRAFÍA
[1] Anton, Howard. Introducción al Algebra Lineal. Editorial Limusa. México, 1996.
[2] Grossman, Stanley I. Algebra Lineal con aplicaciones. McGraw-Hill. Interame-

ricana de México, S. A. de C. V. México, 1992.
[3] Hill, Richard. Algebra Lineal Elemental con Aplicaciones. Prentice-Hall His-
panoamericana, S. A. México, 1997.
[4] Ho¤man, Kenneth y Kunze, Ray. Algebra Lineal. Editorial Prentice-Hall Inter-
nacional Continental, España, 1973.
[5] Ikrámov, J. Problemas de Algebra Lineal. Editorial Mir. Moscú, 1990.
[6] Kolman, Bernard y Hill, David R. Algebra Lineal. Pearson Prentice Hall.
México, 2006.
[7] Kreider, Donald L., Kuller, Robert, G., Ostberg, Donald R. y Perkins, Fred W.
Introducción al Análisis Lineal Parte 1. Fondo Educativo Interamericano, S. A.
México, 1971.
[8] Lang, Serge. Introducción al Algebra Lineal. Addison-Wesley Iberoamericana,

S. A. México, 1990.
[9] Larson, Roland E. y Edwards, Bruce H. Introducción al Algebra Lineal. Edito-

rial Limusa. México 1995.
[10] Lay, David C. Algebra Lineal y sus Aplicaciones. Tercera Edición Actualizada.
Pearson Educación. México, 2007.
489
[11] Leon, Steven J. Algebra Lineal con Aplicaciones. Compañia Editorial Conti-
nental, S. A. de C. V. México, 1993.
[12] Nakos, George y Joyner, David. Algebra Lineal con Aplicaciones. International
Thomson Editores, S. A. de C. V. México, 1999.
[13] Paige, Lowell J. y Swift, J. Dean. Elementos de Algebra Lineal. Editorial Re-
verté, S. A. México, 1967.
[14] Poole, David. Algebra Lineal una Introducción Moderna. Thomson México,
2004.
[15] Rojo, Armando O. Algebra II. Libreria "El Ateneo" Editorial. Buenos Aires,
1973.
[16] Seymour, Lipschutz. Algebra Lineal. Segunda Edición. McGraw-Hill. Interame-

ricana de España, S. A. U. España, 1992.
[17] Voevodin. V. V. Editorial Mir. Moscú, 1986.
490
ÍNDICE GENERAL
Ángulo entre dos vectores, 300 Criptografía, 137

Área de un triángulo, 184 Cuadrados mágicos, 55
Ajuste polinomial de curvas, 28 Desarrollo por cofactores, 181

Análisis de redes, 32 Desigualdad de Cauchy - Schwarz, 303
Aproximación cuadrática, 128 Determinante
de la transpuesta de una matriz, 170
Balanceo de reacciones químicas, 45 de un producto de matrices, 173
Base(s) de una matriz inversa, 174
cambio de, 267 de una matriz triangular, 170
no normal, 265 evaluación mediante operaciones ele-
normal, 245 mentales, 171
ordenada, 259 Determinantes, 165
ortogonal, 307 propiedades, 170
ortonormal, 307 Diagonalización de matrices, 425
Diagonalización ortogonal, 434
Cambio de bases, 268
Cofactor, 174 Ecuación
Combinaciones lineales, 230 de la recta que pasa por dos puntos,
Composición de funciones, 327 185
Conjunto del círculo que pasa por tres puntos,
ortogonal de vectores, 307 188
ortonormal de vectores, 307 del plano que pasa por tres puntos,
Conjuntos 187
generadores, 233 Ecuaciones de curvas, 188
linealmente dependientes, 238 Ecuaciones matriciales, 81
linealmente independientes, 238 Ecuaciones normales, 123
Coordenadas, 259 Eliminación de Gauss-Jordan, 20
491
Eliminación gaussiana, 19 triangulares, 76
Escalares, 220 Matriz, 73
Espacio euclideano, 294 adjunta, 176
Espacio vectorial, 219 antisimétrica, 76
base de un, 244 aumentada, 6
Espacios vectoriales isomorfos, 365 cálculo de potencias de una, 194
característica, 192
Flexión de una viga elástica, 134 cuadrada, 74
Formas cuadráticas, 447 de ciframiento, 138
Fracciones parciales, 51 de codi…cación, 138
Función de coe…cientes, 6
biyectiva, 330 de cofactores, 176
dominio de una, 325 de coordenadas, 259
imagen o contradominio de una, 325 de decodi…cación, 138
inversa, 330 de desciframiento, 138
inyectiva, 329 de entrada-salida, 116
suryectiva, 329 de estados, 111
Función demanda, 43 de ‡exibilidad, 134
Funciones o aplicaciones, 325 de probabilidad de transición, 111
de proyección, 123
Integral como transformación lineal, 334
de rigidez, 134
Inversa aproximada o pseudoinversa, 123
de transición, 267
Isomor…smo, 365
diagonal, 75
Ley de la palanca de Arquimides, 47 escalar, 75
Ley de los cosenos, 48 estocástica, 111
Leyes de Kirchho¤, 38 identidad, 75
invertible, 97
Método de los mínimos cuadrados, 121 no invertible, 97
Matrices, 73 nula, 75
de transformaciones lineales, 391 ortogonal, 434
diferencia de, 78 rango de, 256
en forma escalón por …las, 18 simétrica, 76
en forma escalón por …las reducida, tamaño de, 74
18 transpuesta de una, 76
…la cifradas, 138 traza de una, 93
…la no cifradas, 138 Menor, 174
igualdad de, 74 de orden k, 200
multiplicación de, 81 Menor principal, 174
semejantes, 425 de orden k, 201
suma de, 77
492
Modelos de Leontief, 115 Subespacio vectorial, 224
Multiplicación escalar, 78 Suma de cuadrados, 52
Super…cies cuádricas, 463
Normalización de un vector, 299 Sustitución hacia atrás, 10
Operaciones elementales de ecuaciones, Teorema
11 de Cayley-Hamilton, 193
Operaciones elementales sobre …las, 16 de los ejes principales, 451
Operador diferencial, 334 del rango, 351
Operador dilatación y constracción, 334 Transformación lineal
Ortogonalidad, 302 cero, 332
de…nida por una matriz, 334
Polinomio característico, 192
identidad, 333
Polinomio de interpolación, 28
imagen o contradominio de una, 346
Potencias de matrices diagonalizables, 472
invertible, 345
Problema de Fibonacci, 53
inyectiva, 361
Proceso de ortonormalización de Gram -
núcleo o kernel de una, 346
Schmidt, 309
nulidad de una, 351
Producto de matrices, 84
proyección, 333
Producto interior, 293
rango de una, 351
Proyección ortogonal, 304
re‡exión, 333
Puntos colineales, 185
suryectiva, 360
Puntos coplanares, 186
Transformaciones lineales, 332
Rango de una matriz, 256 composición de, 343
Recta de regresión, 121 propiedades, 338
Red de calles, 34 representación matricial de, 376
Red eléctrica, 38 Transmisión de calor, 46
Sistema lineal, 6 Valores propios, 192

consistente, 8 Valores propios de una matriz, 409
en forma escalón por …las, 10 Vector
inconsistente, 8 de coordenadas, 259
matriz aumentada de un, 6 de ‡exiones, 134
sobredeterminado, 122 de fuerzas, 134
solución de un, 8 de proyección, 123
Sistema lineal homogéneo, 6 inverso aditivo, 220
solución no trivial de un, 9 longitud o norma de un, 298
solución trivial de un, 9 normalizado, 298
Sistemas lineales equivalentes, 10 nulo, 220
Soluciones químicas, 45 unitario, 298
493
Vectores propios de una matriz, 409
Volumen de un tetraedro, 186
494

Libro de Algebra Lineal-1

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro de Algebra Lineal-1

Cargado por

Copyright:

Formatos disponibles

Apuntes de:

José Luis Chumacero Nogales

Enero del 2011

1 Sistemas de ecuaciones lineales 5

4 Espacios vectoriales 219

6 Transformaciones lineales 325

7 Valores y vectores característicos 409

El álgebra lineal es una asignatura fundamental en los cursos de matemática a

Muchos preguntas en ingeniería, física, matemática, economía y otras ciencias se

1.1 Notación y de…niciones

a11 x1 + a12 x2 + + a1n xn = b1

3x1 4x2 = 7 recta en el plano

4x1 + 2x2 3x3 = 1 plano en el espacio

4x1 + 2x2 3x3 + 4x4 = 7 hiperplano

Número de soluciones de un sistema de ecuaciones lineales

de un sistema homogéneo se denomina solución trivial.

Una solución de un sistema homogéneo en la cual no todos los x1 ; x2 ; : : : ; xn son

Ejemplo 1.1.1 Considere el siguiente sistema 2 2

Sin embargo el sistema homogéneo

Sistemas lineales equivalentes

Por tanto, la solución del sistema es

El término sustitución hacia atrás implica que se trabaja restrospectivamente. Así,

Resolución de sistemas de ecuaciones lineales

1. Intercambio de dos ecuaciones.

2. Multiplicación una ecuación por un número distinto de cero.

3. Suma de un múltiplo de una ecuación a otra ecuación.

Notación. Con la …nalidad de aplicar sistemáticamente y de manera e…ciente las

1. Ei Ej signi…ca "intercámbiense las ecuaciones Ei y Ej ".

2. Ei ! cEi signi…ca "sustitúyase la i-ésima ecuación por la i-ésima ecuación

3. Ej ! Ej + cEi signi…ca "sustitúyase la j-ésima ecuación por la suma de la

Con esto a nuestra disposición, consideremos un sistema general de tres ecuaciones

a11 x1 + a12 x2 + a13 x3 = b1

a11 x1 + a12 x2 + a13 x3 = b1

a11 x1 + a12 x2 + a13 x3 = b1

Nota 1.1.2 En el proceso de triangulación es posible obtener sistemas y matrices

en este caso el sistema tiene solución única.

en este caso el sistema tiene in…nitas soluciones.

en este caso el sistema no tiene solución.

Ejemplo 1.1.2 Resuelva los siguientes sistemas de ecuaciones lineales

5x1 3x2 + 2x3 = 3 2x1 + x2 3x3 = 4

cuyo sistema correspondientes es

Finalmente por sustitución regresiva se obtiene z = 2; y = 4 y x = 0, de este

Al triangularizarésta matriz se obtiene.

por sustitución regresiva se tiene z = 5; y = 8 y x = 4, por tanto la solución única

a) Intercambio de la …la (columna) i con la …la (columna) j, esta operación se

b) Multiplicación de una …la (columna) i por un número r 6= 0, esta operación se

c) Sumar r veces una …la (columna) i a la …la (columna) j, esta operación se

De…nición 1.1.1 (de matrices equivalentes) Se dice que una matriz Bm n es

Notación. Se usará el símbolo “ !”para denotar la equivalencia de matrices

Ejemplo 1.1.3 Como

Análogamente se puede de…nir matrices en forma escalón por columnas y matri-

El término escalón se re…ere al patrón de escalera formada por lo elementos no

1.2 Eliminaciones de Gauss-Jordan y gaussiana

a11 x1 + a12 x2 + a13 x3 = b1

Por otra parte el método de eliminación de Gauss - Jordan consiste en reducir la

a11 x1 + a12 x2 + a13 x3 = b1

Ejemplo 1.2.1 Resuelva el siguiente sistema utilizando eliminación gaussiana y el

a11 x1 + a12 x2 + + a1n xn = b1

am1 x1 + am2 x2 + : : : : : : + amn xn = bm

1. La última …la diferente de cero es de la forma

en este caso el sistema tiene solución única.

2. La última …la diferente de cero es de la forma

en este caso, el sistema tiene in…nitas soluciones.

3. La última …la diferente de cero es de la forma