ÁLGEBRA LINEAL

ESCUELA SUPERIOR DE INGENIERÍA QUÍMICA E INDUSTRIAS EXTRACTIVAS

DEPARTAMENTO DE INGENIERÍA QUÍMICA PETROLERA

ABEL VALDÉS-AURELIO HERNÁNDEZ-MARIO MONDRAGÓN

2012
 ÁLGEBRA LINEAL

Unidad I Sistemas de Ecuaciones lineales y Matrices

Definición. Una ecuación lineal tiene la forma.
a11 x1  a12 x2  a13 x3  ...  a1n xn  b1
Solución de una ecuación lineal.
b1
Sea la ecuación lineal a11 x1  b1 definida en  entonces x1  es un punto.
a11
 a12 b1
 x1   a x 2  a

Sea la ecuación lineal a11 x1  a12 x2  b1 definida en  entonces 
2 11 11

 x   a11 x  b1
 2 a12
1
a12
Es una recta.
Sea la ecuación a11 x1  a12 x2  a13 x3  b1 definida en  3 entonces
 a12 a b
 x1   x 2  13 x3  1
 a11 a11 a11
 a11 a b
 x2   x1  13 x3  1
 a12 a12 a12
 a a b
 x3   11 x1  12 x2  1
 a13 a13 a13
Es un plano.
Para una ecuación lineal donde n  4 se tiene un hiperplano y la solución será semejante a las
encontradas arriba, note que para resolver una ecuación lineal se despeja la primera ó la
segunda ó la tercer incógnita… etcétera.
Sistema de ecuaciones lineales.
Definición. Un sistema de m ecuaciones lineales con n incógnitas se define como.
a11 x1  a12 x 2  a13 x 3  ...  a1 n xn  b1
a 21 x1  a 22 x 2  a 23 x 3  ...  a 2 n xn  b2

am 1 x1  am 12 x 2  am 3 x 3  ...  amn xn  bm

Forma matricial de un sistema de ecuaciones

El sistema de ecuaciones lineales se puede escribir en forma matricial como:
 a11 a12  a1n   x1   b1 
a a 22  a 2 n   x 2   b2 
 21   Amn X n 1  Bm 1
         
    
a m 1 am 2  amn   xn  bm 
Donde Amn es la matriz de coeficientes de m renglones y n columnas
X n1 Es la matriz de incógnitas, de n renglones y una columna, y
Bm 1 Es la matriz de términos independientes, de m renglones y una columna.

2
 ÁLGEBRA LINEAL

Definición. Una matriz aumentada asociada al sistema de ecuaciones lineales, se define como.
 a11 a12  a1 n b1 
a a 22  a2 n b2 
A B    21
   
 
am 1 am 2  amn bm 
Método de eliminación de Gauss-Jordán.
Este método permite resolver los sistemas de ecuaciones lineales utilizando solamente los
coeficientes del sistema, como “la radiografía del sistema”, desarrollando la siguiente
transformación.
 a11 a12  a1 n b1  c11 c12  c1n d 1   1 0  0 e1 
a a22  a2 n 
b2   
0 c22  c2 n d 2  0 1  0 e 
 21   
2

              
     
am 1 am 2  amn bm  0 0  cmn d m  0 0  1 e m 
Donde la primera matriz aumentada representa el sistema de ecuaciones lineales original, la
segunda matriz representa un sistema equivalente, llamada matriz triangular superior, más
simple, en la cual se conoce el valor de la última de las incógnitas y finalmente en la última
matriz, la matriz de coeficientes se transforma en la matriz identidad, representando el
sistema equivalente.
x1  0 x2  0 x3  ...  0 xn  e1
0 x1  x2  0 x3  ...  xn  e2

0 x1  0 x2  0 x3  ...  xn  em
La forma de lograr estas transformaciones se hace por medio de las operaciones elementales
por renglón (OPE), que no es más que el método de suma y resta, únicamente usando los
coeficientes numéricos.
1.- multiplicación de un renglón por una constante K diferente de cero.
2.- intercambio de renglones.
3.- suma algebraica de 2 renglones cualesquiera.
El método de eliminación de Gauss-Jordan se puede implementar de la siguiente manera usando
las OPE.
1.- Se divide el primer renglón para hacer igual a 1 el coeficiente de x1 en la primer ecuación.
2.- Se eliminan los términos de x1 de la segunda y tercera ecuaciones.
3.- Se repite la operación de división para hacer igual a 1 el coeficiente de x 2 , usándose como
pivote para eliminar x 2 de la segunda y tercera ecuación
4.- Se divide para hacer igual a 1 el coeficiente de x 3 usándose para eliminar x 3 de la primera
y segunda ecuación.
Deberá notar que el método se explica para un sistema de 3  3, sin embargo se extiende
fácilmente para sistemas de orden superior, también el pivote se usa para eliminar hacia abajo,
escalonando la matriz, y después hacia arriba, el método descrito anteriormente tiene
propósitos computacionales.

3
 ÁLGEBRA LINEAL

Formas Escalonadas Reducidas.

1.- Todos los renglones con ceros aparecen en la parte baja de la matriz
2.- el primer número diferente de cero es 1, empezando por la izquierda.
3.- Si dos renglones sucesivos no consisten únicamente de ceros entonces el primer 1 en el
renglón inferior está más a la derecha que el primer 1 del renglón superior.
4.- Cualquier columna que contenga al primer 1 de un renglón tendrá ceros en los demás lugares.
Por ejemplo.
1 0 0  1 0 0 0 1 0 2 5
0 1 0  0 1 0 0  1 0 0 5  0 1 3 6 
    0 0 1 2   
0 0 1 0 0 0 1   0 0 0 0 
La eliminación de Gauss-Jordan consiste en reducir la matriz de coeficientes a la forma
escalonada reducida y después llegar a la matriz inversa, mientras que la eliminación Gaussiana
consiste en reducir a la forma escalonada reducida , estableciendo un sistema equivalente y
después usar sustituciones hacia atrás en este sistema.
Sistema Homogéneo
Definición. Un sistema homogéneo de ecuaciones lineales es aquel en el que todos los términos
independientes son nulos. Un sistema homogéneo siempre es consistente puesto que admite la
solución trivial x1  x2    xn  0 ó bien puede tener un número infinito de soluciones.

Álgebra de Matrices

Definición. Una matriz A de orden m  n es un arreglo rectangular de m  n números

distribuidos en m renglones y n columnas.

  a 11 a 12  a 1 n 
 
  a 21 a 22  a 2 n 
A  renglones   A  ( a ij )
    
 a m 1 a m 2  a mn 
   
 columnas

Igualdad de matrices. Si A  ( aij ) B  ( bij )  A  B  ( aij )  ( bij )

Suma de matrices: Sí A  ( aij ) B  ( bij )  A  B  ( aij  bij )
Multiplicación por un escalar. Sí K    KA  ( Kaij )
Multiplicación entre matrices. El producto matricial no se hace elemento a elemento, la
definición es diferente. Entonces, se tiene lo siguiente.
Sea A  ( aij ) una matriz de orden mp, cuyo i-ésimo renglón se denota por a i sea B  ( bij )
una matriz de orden pn cuya j-ésima columna se denota por b j entonces el producto será una
matriz C  ( cij ) de orden mn donde C  AB  ( ai b j )
El producto se obtiene al multiplicar el renglón i de la matriz A  ( aij ) con la columna j de la
matriz B  ( bij ) , esta multiplicación será el producto punto entre vectores.

4
 ÁLGEBRA LINEAL

Matrices especiales

Potencia de matrices. Si A  ( aij ) es una matriz cuadrada entonces

Ap  
A A

 A

A
p veces

Matriz Inversa. Si A  ( aij ) es una matriz cuadrada entonces existe una matriz A1 llamada
la inversa de A. de tal manera que.
A No es singular y A A1  A1 A  I

Matriz triangular superior. Es una matriz cuadrada donde aij  0 para todo i  j

Matriz triangular inferior. Es una matriz cuadrada donde aij  0 para todo i  j

Matriz diagonal. Es una matriz cuadrada donde aii  0 al menos para algún valor.

Matriz escalar. Es una matriz cuadrada donde aii  K K .

Matriz identidad. Es una matriz cuadrada donde aii  1

Matrices permutables o conmutativas. Si A y B son dos matrices cuadradas entonces

AB  BA

Matrices antipermutables o anticonmutativas. Si A y B son dos matrices cuadradas entonces.

AB   BA
K 1
Matriz periódica. Es un matriz cuadrada de manera que A A

Matriz idempotente. Es una matriz cuadrada de manera que A2  A

Matriz nilpotente. Es una matriz cuadrada de manera que A  0

P

Matriz involutiva. Es una matriz cuadrada de manera que. A2  I

Matriz transpuesta. Es una matriz cualquiera en donde A  ( aij ) tiene un matriz transpuesta

AT  ( a ji ) , es decir se intercambian renglones por columnas ó columnas por renglones.

Matriz simétrica. Es una matriz cuadrada de manera que AT  A

Matriz antisimétrica. Es un matriz cuadrada de manera que AT   A

5
 ÁLGEBRA LINEAL

Propiedades de las Matrices.

Para la suma
1.  A  B  B  A conmutativ a
2.  A  ( B  C )  ( A  B )  C Asociativa
3.  K ( A  B )  KA  KB K   Distributiva
4.   0  A  0  A Elemento identidad
5.    A  A  (  A )  0 Elemento simétrico
Para la inversa.
1.  ( A1 )1  A
2.  ( AB ) 1  B  1 A 1
1 1
3.  ( KA ) 1  A K 
K

Para la transpuesta.
1.  ( AT )T  A
2.  AT  BT  ( A  B )T
3.  ( KA )T  KAT K 
4.  ( AB )  B AT T T

Para la multiplicación.
1.  AB  BA Anticonmutativa
2.  A( BC )  ( AB )C Asociativa
3.  A( B  C )  AB  AC Distributiva
4.   ( A  B )  A  B , (    ) A  A   B ,  (  A )  (   ) A  ,   

Determinantes.
Definición. Un determinante se define como: F : Ann   una función con dominio las
matrices cuadradas e imagen un número real, entonces para un determinante de orden 2 ó de
orden 3 se tiene.
a 11 a 12
 a 11a 22  a 12 a 21
a 21 a 22
a 11 a 12 a 13
a 21 a 22 a 23  a 11a 22 a 33  a 21a 32 a 13  a 31a 23 a 12  a 13 a 22 a 31  a 23 a 32 a 11  a 33 a 21a 12
a 31 a 32 a 33

6
 ÁLGEBRA LINEAL

Cálculo por Cofactores

Definición. Se llama menor del elemento a ij de un determinante de orden n al determinante de
orden n-1 que se obtiene al suprimir en el determinante original el renglón i y la columna j,
denominándose como m ij
Ejemplo. Dada la matriz
2 4 6

A  4 5 6 
 3 1  2 
Se tienen los siguientes menores.
5 6 4 6 2 6 4 6 2 4
m11  m12  m22  m31  m33  
1 2 3 2 3 2 5 6 4 5
Definición se llama cofactor del elemento a ij al determinante ( 1 )i  j mij representado por C ij
Ejemplo de la matriz.
2 4 6

A  4 5 6 
 3 1  2 
Se tienen los siguientes cofactores.
5 6 4 6 2 6 4 6
C 11  m11  C 12   m12   C 22  m22  C 31  m31  
1 2 3 2 3 2 5 6
2 4
C 33  m33  
4 5
Definición. El valor de un determinante se obtiene efectuando la suma de los productos de los
elementos de uno cualquiera de sus renglones ó columnas por sus cofactores correspondientes.
Ejemplo de la matriz
2 4 6

A  4 5 6 
 3 1  2 
Se tiene el cálculo del determinante.
Primer renglón
5 6 4 6 4 5
Det A  a11C11  a12C12  a13C13  2 4 6  2( 16 )  4( 26 )  6 ( 11 )  6
1 2 3 2 3 1
Segunda columna
4 6 2 6 2 6
Det A  a12C12  a22C 22  a32C 32  4 5 1  4( 26 )  5( 22 )  ( 12 )  6
3 2 3 2 4 6
Tercera columna
4 5 2 4 2 4
Det A  a13C13  a23C 23  a33C 33  6 6 2  6 ( 11 )  6 ( 10 )  2( 6 )  6
3 1 3 1 4 5

7
 ÁLGEBRA LINEAL

Propiedades de Determinantes.

Sea An una matriz cuadrada de orden n, entonces.

1.- Si una matriz Bn se obtiene de intercambiar dos renglones o columnas de An entonces.
Det Bn   Det An
Nota. Cuando se cambian dos renglones o columnas, el valor del determinante cambia de signo, si el
cambio es par; 2 veces, 4 veces, 6 veces, etc. El valor del determinante es el mismo.

2.- Si Bn se obtiene de multiplicar por un número real K cada elemento de un renglón o columna
de An entonces
Det Bn  K Det An
El determinante de B es K veces el determinante de A.
Nota. Cuando una matriz se diferencia de otra solamente en que un renglón o columna es veces. El valor
del determinante también será veces, dicho valor

3.- Sí Bn se obtiene de sumarle a cualquier renglón o columna de An K veces otro de sus

renglones o columnas en donde K es un número real, entonces.
Det Bn  Det An
Nota. Es equivalente al principio de eliminación Gaussiana, puesto que al efectuar la eliminación Gaussiana
se obtiene un sistema equivalenete, en el calculo del determinante no se altera el valor de éste.

4.-Determinante nulo. El determinante se anulará en cualquiera de los siguientes casos.

Cuando un renglón ó columna esté cubierto con ceros
Cuando dos renglones ó columnas sean iguales
Cuando dos renglones ó columnas sean múltiplos entre sí

5.- Propiedades adicionales

Det An  Det AnT
Det KAn  K n Det An
Det An Bn  Det An Det Bn
1
Det An 1 
Det An

8
 ÁLGEBRA LINEAL

Ejemplos ilustrativos
2 4 6 2 4 6

Conocido el determinante de la matriz A  4 5

6   det A  4 5 6 6

 3 1  2  3 1 2
Cambio de primera y segunda columna.
4 2 6
det B  5 4 6  6
1 3 2
Cambio de primer y tercer renglón.
3 1 2
det B  4 5 6  6
2 4 6
Cambio de primera y tercera columna
6 4 2
det B  6 5 4  6
2 1 3

Véase el primer renglón

1 2 3
1
det B  4 5 6  (6 )  3
2
3 1 2
Véase el tercer renglón
2 4 6
det B  4 5 6  3( 6 )  18
9 3 6
Véase la primer columna
2e x 4 6
det B  4 e x 5 6  6e x
3e x 1 2

9
 ÁLGEBRA LINEAL

Simplificación de un determinante

 2 4 6

  2 R1  R2  Det B  0  3  6  6
 3 1 2

2 4 6  2 0 2

Det B  4 5 6   2C 1  C 2  Det B  4  3  2  6
3 1 2  3 5 8

  2 R1  R2 2 4 6

 3  Det B  0  3  6  6
 R1  R3
 2 0  5  11

Determinantes nulos por el detalle marcado

2 4 6 0 4 6 2 4 6 2 4 6 2 4 2
0 0 0 0 0 5 6 0 1 2 3 0 3 1 2 0 4 5 4 0
3 1 2 0 1 2 3 1 2 3 1 2 3 1 3

El método de la inversa y la regla de Cramer

Un sistema de ecuaciones lineales se puede resolver por medio de la matriz inversa de la

1
siguiente manera, como AX  B  
A A X  A1 B  IX  A1 B  X  A1 B , de esta
I
manera.
X  A 1 B
Cof AT
 B
Det A
Sí
 a11 a12  a1 n   a11 a21  an 1   C11 C 21  C n 1 
a a22 
 a2 n  a 
a22  an 2  C C 22  C n 2 
A  A   Cof A  
21 T 12 T 12

              
     
an 1 an 2  ann   a1 n a2 n  ann  C 1 n C 2 n  C nn 

10
 ÁLGEBRA LINEAL

Sustituyendo, se llega a la solución de un sistema de ecuaciones por el método de la inversa.

 x1   C 11 C 21  C n 1   b1 
x    
 2   1  C 12 C 22  C n 2  b2 
   Det A     
    
 xn  C 1 n C 2 n  C nn  bn 
 C 11b1  C 21b2    C n 1bn 
 
1 C 12b1  C 22b2    C n 2 bn 

Det A   
 
C 12b1  C 22b2    C n 2 bn 

Al tomar en cuenta la última expresión se tiene por igualdad de matrices.

x1 
1
C11b1  C 21b2    C n1bn 
Det A

x2 
1
C12b1  C 22b2    C n 2 bn 
Det A


xn 
1
C12b1  C 22b2    C n 2 bn 
Det A
Las expresiones entre paréntesis es un desarrollo por cofactores del determinante de la
matriz A tomando como pivote a las columnas, es así que de la solución por la matriz inversa
también se tiene la regla de Cramer.
b1 a 12  a 1n
b2 a 22  a2n
  
bn an2  a nn
x1 
Det A
a 11 b1  a 1n
a 21 b2  a2n
  
a n1 bn  a nn
x2 
Det A

a 11 a 12  b1
a 21 a 22  b2
  
a n1 an2  bn
xn 
Det A

11
 ÁLGEBRA LINEAL

PROBLEMAS RESUELTOS
1
Problema 1.- Para la ecuación lineal x1  4 x2  2 x3  x4  5 determine cuales de los
2
siguientes conjuntos ordenados, son solución.
a)  3 ,1 ,2 ,0
 1 
b ) 1 ,4 , ,2 
 2 
c )  3 ,1 ,2 ,0
3 
d )  ,1 ,1 ,3 
2 
e ) 3 ,2 ,1 ,1
Respuesta.
1
Al despejar alguna de las incógnitas, por ejemplo x1  5  4 x2  2 x3  x4 , se tiene que
2
solamente c y d la satisfacen (son soluciones), mientras que a, b y e no son soluciones.

Problema 2.- Resolver el siguiente sistema de ecuaciones lineales.

x  2 y  3 z  5
 y  2z  5
 2 x  y  11
3 x  z  13
Respuesta.
Usando el método de eliminación de Gauss-Jordán.
 1 2 3 5  1 2 3 5  1 2  3  5 
 0 1 2 5  2 R1  R3 0 1 2 
5  5 R2  R3 0  1 2 5 
   
 2 1 0  11  3 R1  R4 0 5  6  21  6 R2  R4 0 0 4 4 
     
 3 0 1 13  0  6 10 28  0 0  2  2 
1 2  3  5 1 2  3  5
0  1 2 
5  0 1 2 5 
2
R3  R4   
4 0 0 4 4  0 0 4 4 
   
0 0  2  2 0 0 0 0 
De la última matriz (triangular superior) se tiene un sistema equivalente:
x  2 y  3 z  5
 y  2z  5
4z  4
Con solución: ( 4 ,3 ,1 ) .

12
 ÁLGEBRA LINEAL

Sin embargo, se pueden seguir utilizando OPE, entonces.

1 2  3  5  1 2  3  5 1 2 0  2
0  1 2 5  1 0  1 2 
5   2 R3  R2 0  1 0 3 
 R3   
0 0 4 4  4 0 0 1 1  3 R3  R1 0 0 1 1 
     
0 0 0 0  0 0 0 0  0 0 0 0 
1 0 0 4 1 0 0 4 
0  1 0 
3 0 1 0  3
2 R2  R1    R2    ( x , y , z )  ( 4 ,3 ,1 )
0 0 1 1 0 0 1 1 
   
0 0 0 0 0 0 0 0 
Problema 3. Resuelva el siguiente sistema de ecuaciones lineales.
x1  2 x 2  3 x 3  2 x 4  1
 x1  2 x 2  2 x 3  5 x 4  1
2 x1  4 x 2  5 x 3  7 x 4  2
Respuesta.
Usando el método de eliminación de Gauss-Jordan
 1 2 3 2  1 1 2 3 2  1
 1 R1  R2
 2 2 5 1  0 0 1 3 0  R2  R3
 2 R1  R 3
 2 4 5 7  2  0 0 1 3 0 
1 2 3 2  1 1 2 3 2  1
 0 0 1 3 0   R2  0
 0 1 3 0 
0 0 0 0 0  0 0 0 0 0 
De la matriz escalonada se tiene el sistema equivalente.
x1  2 x 2  3 x 3  2 x 4   1
x 3  3 x4  0
De la ecuación 2. x3  3 x4
De la ecuación 1.
x1  1  2 x 2  3 x 3  2 x 4
 1  2 x2  3( 3 x4 )  2 x4  ( x1 , x2 , x3 , x4 )  ( 1  2 x2  11 x4 , x2 ,3 x4 , x4 )
 1  2 x2  11 x4
Algunas soluciones serán.
S1 : x2  x4  0  ( x1 , x2 , x3 , x4 )  ( 1 ,0 ,0 ,0 )
S 2 : x2  1 , x4  1  ( x1 , x2 , x3 , x4 )  ( 14 ,1 ,3 ,1 )
S1 : x2  1 , x4  0  ( x1 , x2 , x3 , x4 )  ( 1 ,1 ,0 ,0 )


13
 ÁLGEBRA LINEAL

Problema 4.- Resuelva el siguiente sistema de ecuaciones lineales.

2 x1  3 x 2  x 3  2
2 x1  x 2  x 3  1
4 x1  2 x 2  2 x 3  4
Respuesta.
Usando eliminación de Gauss-Jordan
2 3 1 2 2 3 1 2 2 3 1 2
 2  1 1 1  R1  R2  0  4 0  1  2 R  R  0  4 0  1
   2R  R   2 3  
 4  2 2 4  1 3
0  8 0 0  0 0 0 2 
Al escribir el sistema equivalente, se observa que en la tercer ecuación no existe ningún valor
de las incógnitas que permita resolverla 0  2! por lo tanto no tiene solución el sistema.
Problema 5. Resuelva el siguiente sistema de ecuaciones lineales.
x2  x3  3
3 x1  x 2  2 x 3  x 4  6
x1  x 3  0
2 x1  x 2  x 3  x 4  6
Respuesta
Usando el método de eliminación de Gauss-Jordan
0 1  1 0 3 1 0 1 0 0 1 0 1 0 0
3 1 2 1 6  3 1 2 
1 6   3 R1  R2 0 1  1 1 6 
 R1  R3   
1 0 1 0 0 0 1  1 0 3  2 R1  R4 0 1  1 0 3
     
2 1 1 1 0 2 1 1 1 0 0 1  1 1 6
1 0 1 0 0
 R2  R3  0 1 1 1 6 

 R2  R4 0 0 0  1  3
 
0 0 0 0 0
Sistema equivalente
x1  x 3  0
x 2  x 3  x4  6
x4  3
De la ecuación 1 x1   x3
De la ecuación 2 x 2  6  x 3  x 4  x 2  6  x 3  3  x 2  3  x 3
Por lo tanto. ( x1 , x2 , x3 , x4 )  (  x3 ,3  x3 , x3 ,3 )
Algunas soluciones.
S1 : x3  0  ( x1 , x2 , x3 , x4 )  ( 0 ,3 ,0 ,3 )
S 2 : x3  1  ( x1 , x2 , x3 , x4 )  ( 1 ,4 ,1 ,3 )
S 3 : x3  1  ( x1 , x2 , x3 , x4 )  ( 1 ,2 ,1 ,3 )


14
 ÁLGEBRA LINEAL

Problema 6. Para cada uno de los siguientes sistemas de ecuaciones lineales, determine para
que valores de K el sistema es:
a) Inconsistente
b) Consistente determinado
c) Consistente indeterminado

2 x  y  Kz  0
Sistema 6.1 x  y  2z  1
 x  2y  k
Respuesta
Usando el método de eliminación de gauss-jordan
 2 1 K 0  1 1 2 1 1  1 2 1
 1 1 2  2 R1  R2
 1 R1  R2   2  1  K
 0  
 0 1 4K  2 
R1  R3
  1 2 0 K    1 2 0 K  0 1  2 1  K 
1 1 2 1
 R2  R3  0 1 4K  2 
0 0 K  6 K  3
Por lo tanto si K  6 el sistema es inconsistente. Si K  6 el sistema es consistente
determinado, el sistema seria consistente indeterminado si K  6  K  3 , pero  6  3 por
lo que jamás puede ser indeterminado.
Kx  y  z  1
Sistema 6.2 x  Ky  z  1
x  y  Kz  1
Respuesta
Usando el determinante de la matriz de coeficientes, se tiene.
K 1 1
 1 K 1  K 3  1  1  K  K  K  K 3  3K  2
1 1 K
Resolviendo la ecuación de tercer grado, se tiene P( K )  K 3  3 K  2  0
Usando división sintética
1 0 3 2 1 0 3 2 1 1 2
2 2 4 2 1 1 1 2 1 1 2
1 2 1 0 1 1 2 0 1 2 0
K1  1

P ( K )  ( K  1 )2 ( K  2 )  0  K 2  1
K  2
 3
Entonces el sistema tendrá solución única, es decir es consistente determinado cuando
K  1,2 , veamos que sucede para cada valor de K .

15
 ÁLGEBRA LINEAL

Con K  1 :
1 1 1 1 1 1 1 1
1 1 1 1  R1  R2  0 0 0 0  Consistente indeterminado, es un plano
  R R 
1 1 1 1 1 3
0 0 0 0 
Con K  2
 2 1 1 1  1 2 1 1 1 2 1 1
 1  2 1 1 R  R    2  2 R1  R2 
  1  1 1 1  0  3 3 3
 R1  R3
2

 1 1  2 1   1 1  2 1 0 3  3 0 
El
 1 2 1 1
R2  R3  0  3 3 3
0 0 0 3
El sistema es inconsistente, no tiene solución.

Problema 7.- Obtener la inversa de la siguiente matriz

 2  3
A 
 4 5

Respuesta
Usando operaciones elementales por renglón.
 2  3 1 0 2  3 1 0 2 0  5  3
 4 2 R1  R2    3 R2  R1  
 5 0 1 
 0  1 2 1 0  1 2 1
1
R1  5  3  5  3
1 0
2  2 2   A 1
  2 2 
0 1 2 
 1  2  1
 R2  
Ó bien, usando la definición a través de la matriz adjunta.
1 Cof AT
A 
Det A
 2  3  2  4  5   3  5 3
A    AT     Cof AT   
 4 5  3 5   4 2   4 5 
5  3
2 3 1 5 3  
Det A   2  5  ( 3 )  ( 4 )  2  A  1    2 
 2  4 2    2
2
4 5  1 


16
 ÁLGEBRA LINEAL

Problema 8.- Obtener la inversa de la siguiente matriz.

2 4 6 
A   4 5 6 
 3 1  2 
Respuesta
Usando la definición.
 5 1 4 1 4 5
   
 6 2 6 2 6 6
2 4 6 2 4 3
  4 4
6   AT   4 5 1  Cof AT   
3 2 3 2
A  4 5   
 6 2 6 2 6 6
 3 1  2  6 6  2 
 4 3 2 3 2 4
 5  
5 
 1 4 1 4
  16 14  6

Cof A   26  22
T
12 
  11 10  6 
Mientras que el determinante es.
2 4 6   16 14  6 
Det A  4 5 6  20  24  72  90  12  32  6  A 1   26  22 12 
1
6
3 1 2   11 10 4 
Comprobación.

  16 14  6   2 4 6  6 0 0   1 0 0 
A 1 A   26  22 12   4 5 6   0 6 0   0 1 0 
1 1
6 6
  11 10  6   3 1  2  0 0 6  0 0 1
Problema 9. Resuelva el siguiente sistema de ecuaciones simultáneas, utilizando la matriz
inversa.
2 x1  4 x2  6 x3  16
4 x1  5 x2  6 x3  20
3 x1  x 2  2 x 3  3
Respuesta.
Tomando en cuenta el resultado anterior, se tiene.
 x1    16 14  6  16    256  280  18   6   1
 x   1  26  22 12   20    416  440  36   1 12    2 
 2 6      6   
 x3    11 10  6   3    176  200  18   6   1 
Una ventaja de utilizar la matriz inversa es que se pueden resolver muchos sistemas con
entradas diferentes como:

17
 ÁLGEBRA LINEAL

2 x1  4 x2  6 x3  16 0 4 3 1 4 0
4 x1  5 x2  6 x3  20 1 10 2 1 3 1
3 x1  x 2  2 x 3  3 1 2 1 1 2 5
Encontrando el resultado simplemente, realizando la multiplicación entre matrices.

Problema 10. Resuelva el siguiente sistema de ecuaciones simultáneas, utilizando la regla de

Cramer.
x1  2 x 2  x 3  6
x1  x 3  0
2 x1  x 2  0
Respuesta,
Cálculo de los determinantes.

1 2 1
Det A  1 0 1  0  1 4 0  10  6
2 1 0
6 2 1
1  0 0 1  000060  6
0 1 0
1 6 1
2  1 0 1  0  0  12  0  0  0  12
2 0 0
1 2 6
3  1 0 0  0  6  0  0  0  0  6
2 1 0
1 6 2 12 3 6
 x1   1 x2   2 x3    1
Det A 6 Det A 6 Det A 6

18
 ÁLGEBRA LINEAL

Problema 11. Resuelva el determinante usando las propiedades.

Respuesta
1 0 0 1
 2 R1  R 2
2 1 1 1
  R1  R 3
1 5 3 0
2 R1  R 2
2 4 0 1
1 0 0 1
0 1 1 3  5 R2  R3

0 5 3 1  4 R 2  R4
0 4 0 3
1 0 0 1
0 1 1 3

0 0 2 14
0 0 4 15
1 0 0 1
0 1 1 3
2  4 R 3  R4
0 0 1 7
0 0 4 15
1 0 0 1
0 1 1 3
2
0 0 1 7
0 0 0  13
 2 (1)(1)(1)(13)  26
Problema 12 Resuelva el siguiente sistema homogéneo de ecuaciones lineales.
2 x1  x 2  x 3  0
x1  2 x 2  4 x 3  0
3 x1  2 x 2  3 x 3  0
Respuesta. Usando el método de eliminación de Gauss-Jordan
2 1  1 0 1 2 4 0 1 2 4 0
1 2  2 R1  R2
4 0  R1  R2   2 1
   0  3  9 0   R2
 1
  1 0
 3 R1  R3 3
 3 2 3 0   3 2 3 0  0  4  9 0 
1 2 4 0 1 2 4 0
 0 1 3 0  4 R2  R3  0
 1 3 0 
0  4  9 0  0 0 3 0 
Del sistema equivalente.

19
 ÁLGEBRA LINEAL

x1  2 x 2  4 x 3  0
x2  3 x3  0
x3  0
Se concluye la solución trivial. ( x1 , x2 , x3 )  ( 0 ,0 ,0 )

Problema 13.- Resuelva el siguiente sistema homogéneo de ecuaciones lineales.

2x  6 y  z  0
x  3y  0
 x  3 y  4z  0
Respuesta.
Usando el método de eliminación de Gauss-Jordan
 2 6 1 0  1 3 0 0 1 3 0 0
 1     2 R1  R2
 3 0 0  R1  R2   2 6 1 0  0 0 1 0   4 R2  R3
R1  R3
  1  3 4 0    1  3 4 0  0 0 4 0 
1 3 0 0
 0 0 1 0 
0 0 0 0 
Del sistema equivalente.
x  3y  0
z0
Se concluye aparte de la solución trivial. ( x , y , z )  ( 0 ,0 ,0 ) Las siguientes soluciones.
De la ecuación 1 x  3 y  ( x , y , z )  ( 3 y , y ,0 )
Por lo que.
S1 : y  1  ( x , y , z )  ( 3 ,1 ,0 )
S2 : y  2  ( x , y , z )  ( 6 ,2 ,0 )
S3 : y  1  ( x , y , z )  ( 3 ,1 ,0 )


20
 ÁLGEBRA LINEAL

Problema 14. Resuelva las siguientes operaciones con matrices.

Sean las matrices
 0  2 1
 1  3 2  1 4
A  B C   4 3 2 
0 2  3

1 5
 5 0 6 
14.1 Determinar los productos ( AB )C A( BC ) , verificando que son iguales.
Respuesta.
1  3 2 1 4    7  4  11
AB   
0 2  3
 1 5   6 2 10 
 0  2 1
 7 4  11   39  81
3 2   
2
 ( AB )C  
10   70 
4
 6 2   42 6
  5 0 6 
 0  2 1
2 14    24  7 24 
BC   3 2   
5   
4
3 1
  5   21  3 35 
0 6 
 1  3    24 7 24   39 2  81
 A( BC )   
0 2    21 3 35    42 6 70 
14.2. Mostrar que AB  BA dadas las matrices.
2 5  3  5
A  B
1 3   1 23
Respuesta.
 2 5   3  5  6  5  10  10   1 0
AB     
 1 3  1 2   3  3  5  6  0 1
 3  5   2 5   6  5 15  15   1 0
BA    
 1 2   1 3   2  2  5  6  0 1
Sean las matrices.
5  2 7    1 2  3  1 2  1
  
A  0 3 a 23  B    2  1 0  C    3  0 c 23 
 2  1  3  b31 1 3   5 1 3 
14.3 Encuentre. a 23 , b31 , c 23 Que verifiquen la igualdad. A  3 B  2C
Respuesta. Sustituyendo las matrices, se tiene.
5 2 7  1 2  3  1 2  1
0 3  
a 23   3   2  1 
0   2   3 0 c 23 

 2  1  3  b31 1 3   5 1 3
 53 26 7  9  2 4  2
 06 3  3 a 23  0     6 0 2 c 23 

 2  3b31  1  3  3  9   10 2 6 
8
 a 23  2c 23 2  3b31  10  ( a 23 , b31 , c 23 )  ( 2c 23 , , c 23 )
3
21
 ÁLGEBRA LINEAL

Problema 15.- Encuentre la inversa de la matriz

 1 1 1
A  0 2 3
5 5 1
Usando el método de eliminación de Gauss-Jordan, escribiendo en el lado derecho el producto
de las matrices elementales obtenidas.
Respuesta.
 1 1 1 1 0 0
 5 R1  R3 0 2 3 0 1 0 
5 5 1 0 0 1
1 1 1 1 0 0  1 0 0   1 1 1  1 1 1
1 
 R 3 0 2 3 0 1 0   E 1 A   0 1 0   0 2 3   0 2 3 
4    
0 0  4  5 0 1   5 0 1 5 5 1 0 0  4 
   
1 1 1 1 0 0 1 0 0  1 1 1  1 1 1
 3 R 3  R 2 0 2 3 0 1 0  E 2 A  0 1 0  0 2 3   0 2 3 
 5 1 5 1    
0 0 1 0    0   5 5 1 0 0 1
 4 4 4 4
   
1 1 1 1 0 0  1 0 0  1 1 1  1 1 1
 3  15 3 
3   0 2 0 
15
 R 3  R1  0 2 0  1   E 3 A   1  0 2
 4 4  4 4 
 1 0 0 1
0 0 1 5
0  
1  5 0  1  5 5
 4 4   4 4 
 1 1  1 1
1 1 0  4 0 4  4 0 4  1 1 1  1 1 0 
 3  15 3 
3   0 2 0 
1 15
R 2 0 2 0  1   E 4 A   1  0 2
2  4 4  4 4 
0 0 1 5
0  
1  5 0  1  5 5 1 0 0 1
 4 4  4 4 
 1 1  1 1
1 1 0  4 0 4   
4
0
4  1 1 1  1 1 0 
 3  15 1 3 
3   0 1 0 
15 1
 R 2  R1  0 1 0    E 5 A    0 2
 8 2 8  8 2 8 
 5 1  5 1  5 5 1 0 0 1
 0 0 1 0  0 
4 4   4 4 
 1 1  13 1 1
1 0 0  4 0 4  8  2  8 1
 15  1 1  1 0 0 
 3 3 
2 3   0 1 0 
15 1 1
0 1 0    E 6 A    0
 8 2 8  8 2 8 
 5 1  5 1  5 5 1 0 0 1
0 0 1 0    0  
4 4  4 4
Por lo que se tiene la matriz inversa.
 13 1 1
  
8 2 8  13 4  1
 3 1 
3
15 1
E 6  A 1      15 4
 8 2 8 8  
 5 1 
 10 0  2

 0  
 4 4

22
 ÁLGEBRA LINEAL

Problema 16.- Ecuaciones matriciales.

1 1 1 1  1 2
Sean las matrices A    B  C  encuentre la matriz X tal que.
1 1 0  1  1 0 
a. BX  I
b.  XA  B  2C
c. XA  XB  C
d .  2 X  BT  C T  B 2
e. AX  B 2  CX

Respuesta.
La solución a este problema consiste básicamente en hacer un buen uso del álgebra de
matrices, esencialmente el no cumplimiento de la conmutatitividad y la propiedad distributiva
por el lado derecho o por el lado izquierdo, entonces se presentan los despejes correctos
1
Si BX  I  
B B 1 I  X  B  1
BX  
B 1
I

1 1 1
Si XA  B  2C  X   ( B  2C ) A  X  ( B  2C ) A
AA
I

Si XA  XB  C  X ( A  B )  C  X ( A  B ) ( A  B ) 1  C ( A  B ) 1  X  C ( A  B ) 1
  
IZQUIERDA I

1 T
Si 2 X  BT  C T  B 2  2 X  C T  B 2  BT  X 
2
C  B 2  BT  
Si AX  B 2  CX  AX  CX  B 2  ( A  C ) X  B 2  ( A  C )1 ( A  C ) X  ( A  C )1 B 2
  
DERECHA I
1
 X  ( AC ) B 2

A continuación el resultado numérico del inciso ( e), será.

1 1  1 1   2 2  1 1  1 1  1 0 
AC        B2     
1 1 0  1  1 0  0  1 0  1 0 1
Como el determinante de A  C es –2 existe la inversa y la ecuación tiene solución.
La inversa es:
1  0  2
( A  C ) 1   
2  1 2 
Entonces:

1  0  2 1 0  1  0  2 0 1
X         X  1 
2  1 2  0 1 2   1 2   2  1


23
 ÁLGEBRA LINEAL

Unidad II ESPACIOS VECTORIALES

ESPACIO VECTORIAL REAL.

Definición.

Es un conjunto de objetos llamados vectores, , junto con dos

operaciones llamadas suma y multiplicación por escalar, que satisfacen los 10 axiomas
siguientes.

1.- (Axioma de cerradura). Si

2.- (Ley asociativa). Para todo

3.- (Elemento neutro aditivo). Existe un vector tal que Para todo.

4.- (Inverso aditivo). Si existe elvector tal que.

5.- (Ley conmutativa).Si , entonces.

6.- (Axioma de cerradura). Si y es un escalar, entonces.

7.- (Primera ley distributiva). Si si es un escalar, entonces.

8.- (Segunda ley distributiva). Si y son escalares, entonces.

9.- (Ley asociativa). Si y son escalares, entonces.

10.- (Elemento neutro multiplicativo). Para todo vector

24
 ÁLGEBRA LINEAL

SUBESPACIO VECTORIAL
Definición.
Sea un subconjunto de un espacio vectorial y supongamos que es un espacio
vectorial con las operaciones de suma y multiplicación por un escalar definidas sobre .
Entonces es un subespacio de .
Para determinar si un subconjunto no vacio es un subespacio de .
1) Si entonces +
2) Si entonces donde
Que en esencia son los dos axiomas de cerradura.
Se tiene también un resultado importante.
Todo sub espacio de un espacio vectorial contiene el vector nulo

COMBINACIÓN LINEAL DE VECTORES.

Definición.
Sea un conjunto de vectores, entonces se define una combinación
lineal de vectores como.

Dónde. Son números reales.

Es decir, una combinación lineal de vectores es la suma de los vectores del conjunto
multiplicados cada uno de ellos por un número real.

INDEPENDENCIA LINEAL.

Independencia lineal de vectores.

Definición.
Un conjunto de vectores son linealmente independientes sí.

Entonces.
Es decir, si se iguala la combinación lineal con el vector nulo, entonces la única
posibilidad es que todos los números reales sean igual a cero.
A partir de la definición de la independencia lineal, se tiene la definición de dependencia
lineal.
El conjunto de de vectores son linealmente dependiente sí.

Entonces, existen diferentes de cero.

Es decir, si se iguala la combinación lineal con el vector nulo, entonces se tienen algunos
números reales diferentes de cero.

25
 ÁLGEBRA LINEAL

Independencia lineal de funciones.

Como una particularidad de la definición anterior se tiene lo siguiente.
Un conjunto de funciones son linealmente independientes en un
intervalo , sí.

Entonces.
Es decir, si se iguala la combinación lineal de las funciones con la función nula, entonces
la única posibilidad es que todos los números reales sean igual a cero.
Si existen algunos (que existan números reales diferentes de cero), entonces las
funciones serán linealmente dependientes.
Wronskiano.
Una forma rápida de determinar la independencia lineal de las funciones es por medio del
wronskiano.

Definición.
Considerando que, cada una de las funciones es derivable por lo menos
veces en el intervalo , entonces la ecuación.

Se puede derivar sucesivamente veces, así.

.
.
.

Obteniéndose un sistema homogéneo de ecuaciones con incógnitas ( ). Donde el

determinante de la matriz de coeficientes es.

Denominado el wronskiano de las funciones.

Entonces se tiene la condición necesaria y suficiente para determinar la independencia lineal
de las funciones.
Si las funciones son linealmente independientes.
Si las funciones son linealmente dependientes.

26
 ÁLGEBRA LINEAL

BASE Y DIMENSIÓN
Definición.
Un conjunto de vectores es una base para un espacio vectorial si.
i) son linealmente independientes.
ii) son generadores del espacio vectorial
Observación. El conjunto será una base cuando cumpla con las dos
condiciones, no será una base si es linealmente independiente pero no generador, tampoco será
una base si es generador pero no es linealmente independiente.
O bien.
i) son linealmente independientes si

ii) son generadores si, cualquier vector se puede escribir como una
combinación lineal del conjunto de vectores .

Definición.
Dimensión finita. Sea el espacio vectorial , si este espacio vectorial tiene una base finita,
entonces la dimensión de , es el número de vectores en todas las bases.
Dimensión infinita. Sea el espacio vectorial , si este espacio vectorial no tiene una base
finita, entonces, se tiene una dimensión infinita.
Dimensión cero. Sea el espacio vectorial entonces la dimensión la dimensión de es
cero.
Observación. La dimensión de una base es el número de vectores linealmente independientes

Construcción de una base.

i) Un sistema de ecuaciones lineales homogéneo , puede tener únicamente la
solución trivial.

Sin embargo también puede tener soluciones diferentes de la trivial, en tal caso se dice que se
construye una base para el espacio solución del sistema de ecuaciones.
Se resuelve el sistema de ecuaciones consistente e indeterminado
ii) Una matriz de orden está asociada a un espacio nulo, entonces la base para
el espacio nulo de la matriz será.
iii) Una base para el conjunto de vectores en un hiperplano.

Es la solución de la ecuación lineal.

27
 ÁLGEBRA LINEAL

Bases canónicas.
1) Base canónica en . Espacio Euclidiano , los vectores.

Son linealmente independientes y generan cualquier vector en , porque.

2) Base canónica en . Matrices cuadradas de orden 2, las matrices.

Son linealmente independientes y generan cualquier matriz en , porque.

3) Base canónica en . Polinomios de grado menor o igual a , los polinomios.

Son linealmente independientes y generan cualquier polinomio en , porque.

Cambio de base.
Sean las bases y de un espacio vectorial , donde es
una base canónica y es una base no canónica, para expresar cualquier vector en
términos de la base no canónica se requiere de una transición entre las bases. Esto se logra por
medio de una matriz denominada precisamente matriz de transición.

Desarrollo del cambio de base.

Se tiene que, un vector expresado en términos de la base canónica, se quiere expresar en
términos de la base no canónica.

Sea un vector del espacio vectorial , entonces.

Base canónica. Se tiene que.

Base no canónica. Se desea que.

Para calcular los escalares se escriben los vectores de la base canónica en términos
de la base no canónica, es decir.

De tal manera que.

Donde es la matriz de transición.

28
 ÁLGEBRA LINEAL

Espacio de renglones y Espacio de columnas.

Sea una matriz cuadrada, entonces.

Las columnas son vectores linealmente independientes si
Los renglones son vectores linealmente independientes si
En el caso de que entonces tanto los vectores columna como los vectores renglón
son linealmente dependientes.
Nota. Cuando la matriz no es cuadrada, entonces no se puede afirmar nada sobre la
independencia o dependencia lineal de los renglones o las columnas.

Núcleo e imagen
Sea una matriz de orden entonces, se tienen
las siguientes definiciones.

Definición 1.
Se define el Núcleo o Kernell de la matriz al conjunto de vectores.

Es decir, es el conjunto de vectores linealmente independientes que pertenece al espacio

Euclidiano , tal que, es la solución del sistema de ecuaciones lineales
homogéneo.

Definición 2.
Se define la imagen de la matriz al conjunto de vectores.

Es decir, es el conjunto de vectores linealmente independientes que pertenecen al espacio

Euclidiano , tal que, son las columnas de la matriz .

Definición 3.
El número se le llama la nulidad de o bien es el número de vectores
linealmente independientes que tiene .

Definición 4.
El número se le llama el rango de o bien es el número de vectores
linealmente independientes que tiene .

Observación. La suma de la nulidad de la matriz más el rango de la matriz es igual al

número de columnas de la matriz ( es el número de columnas de la matriz )

29
 ÁLGEBRA LINEAL

PROBLEMAS RESUELTOS
Problema 1.- Muestre que el conjunto es un espacio vectorial.

Solución.

1.- (Axioma de cerradura).

2.- (Ley asociativa).

3.- (Elemento neutro aditivo).

4.- (Inverso aditivo).

5.- (Ley conmutativa).

6.- (Axioma de cerradura).

7.- (Primera ley distributiva).

8.- (Segunda ley distributiva). .

9.- (Ley asociativa).

10.- (Elemento neutro multiplicativo).

Problema 2.- Muestre que el conjunto de rectas en donde es un

espacio vectorial.

Solución.

1.- (Axioma de cerradura).

2.- (Ley asociativa).

3.- (Elemento neutro aditivo).

4.- (Inverso aditivo).

5.- (Ley conmutativa).

6.- (Axioma de cerradura).

7.- (Primera ley distributiva).

8.- (Segunda ley distributiva).

9.- (Ley asociativa). Si y son escalares, entonces.

10.- (Elemento neutro multiplicativo).

30
 ÁLGEBRA LINEAL

Problema 3.- Muestre que el conjunto de matrices diagonales con la suma común de matrices y
la multiplicación escalar común es un espacio vectorial, donde.

Solución.
1.- (Axioma de cerradura).

2.- (Ley asociativa).

3.- (Elemento neutro aditivo).

4.- (Inverso aditivo).

5.- (Ley conmutativa).

6.- (Axioma de cerradura).

7.- (Primera ley distributiva).

8.- (Segunda ley distributiva).

9.- (Ley asociativa).

10.- (Elemento neutro multiplicativo).

31
 ÁLGEBRA LINEAL

Problema 4.- Muestre que el conjunto formado por un único elemento real

no es un espacio vectorial.
Solución.
No es un espacio vectorial porque no cumple el primer axioma.
1.- (Axioma de cerradura). Si
No cumple
Problema 5.- Muestre que el conjunto de rectas en donde

no es un espacio vectorial.
Solución.
No es un espacio vectorial porque no cumple el primer axioma.
1.- (Axioma de cerradura).
Si
No cumple
Problema 6.- Muestre que el conjunto de puntos en el semiplano superior de donde

no es un espacio vectorial.
Solución.
1.- (Axioma de cerradura).
Si
Si cumple Porque
2.- (Ley asociativa).

Si cumple
3.- (Elemento neutro aditivo).
Si cumple
4.- (Inverso aditivo).
Si el vector porque
No cumple.
Problema 7.- Muestre que el conjunto de matrices cuadradas dónde.

No es un espacio vectorial.
Solución.
No es un espacio vectorial porque no cumple el primer axioma.
1.- (Axioma de cerradura).

No cumple

32
 ÁLGEBRA LINEAL

Problema 8.-Muestre que el conjunto de puntos en dónde.

No es un espacio vectorial
Solución.
No es un espacio vectorial porque no cumple el primer axioma.
1.- (Axioma de cerradura).
Como

Entonces.

No cumple.

Problema 9.- Muestre que

Es un subespacio vectorial del espacio vectorial de los números reales .

Solución.
(Axioma de cerradura para la suma).

(Axioma de cerradura para la multiplicación por un escalar).

Si cumple los dos axiomas de cerradura.

Problema 10. Muestre que

Es un subespacio vectorial del espacio vectorial de los puntos en el plano

Solución.
(Axioma de cerradura para la suma).

(Axioma de cerradura para la multiplicación por un escalar).

Si cumple los dos axiomas de cerradura.

Problema 11. Muestre que.

Es un subespacio vectorial del espacio vectorial de los puntos en el espacio

Solución.
(Axioma de cerradura para la suma).
Como

Entonces.

(Axioma de cerradura para la multiplicación por un escalar).

Si cumple los dos axiomas de cerradura.

33
 ÁLGEBRA LINEAL

Problema 12. Muestre que el conjunto de matrices diagonales de orden 3.

Es un subespacio del espacio vectorial de las matrices de orden 3

Solución.
(Axioma de cerradura para la suma).

(Axioma de cerradura para la multiplicación por un escalar).

Si cumple los dos axiomas de cerradura.

Problema 13. Muestre que el conjunto de números reales.

Es un subespacio del espacio vectorial de los números reales

Solución.
(Axioma de cerradura para la suma).

(Axioma de cerradura para la multiplicación por un escalar).

Solamente si es un número racional

Si cumple los dos axiomas de cerradura.

Problema 14.- Determinar si son linealmente independientes las funciones del siguiente
conjunto

Primera solución. Por medio de la definición.

Entonces.

Por lo que.

Segunda solución. Por medio del Wronskiano.

Por lo tanto son LI

34
 ÁLGEBRA LINEAL

Problema 15.- Determinar si son linealmente independientes las funciones del siguiente
conjunto

Primera solución. Por medio de la definición.

Entonces.

Por lo que.

Segunda solución. Por medio del Wronskiano.

Por lo tanto son LI

Problema 16. Determinar si son linealmente independientes las funciones del siguiente
conjunto

Primera solución. Por medio de la definición.

Entonces.

Por lo que.

Segunda solución. Por medio del Wronskiano.

Si entonces , por lo que.

Así que, una función se puede expresar como la combinación lineal de las otras dos funciones.

Por lo tanto son LD

35
 ÁLGEBRA LINEAL

Problema 17. Determinar si son linealmente independientes las funciones del siguiente

conjunto

Primera solución. Por medio de la definición.

Entonces.

Segunda solución. Por medio del Wronskiano.

Si entonces , por lo que.

Así que, una función se puede expresar como la combinación lineal de las otras dos funciones.

Identidad trigonométrica elemental muy bien conocida

Por lo tanto son LD

Problema 18. Determine si el conjunto de matrices siguientes es una base.

Solución.

Independencia lineal. Por definición.

Entonces.

Se tienen valores de distintos de cero, por lo que, el conjunto de matrices son

linealmente dependientes.

Por lo tanto no es una base.

36
 ÁLGEBRA LINEAL

Problema 19. Determine si el conjunto de matrices siguientes es una base.

Solución.
Independencia lineal. Por definición.

Entonces.

Como el determinante de la matriz de coeficientes es igual a entonces, la solución es.

El conjunto de matrices son LI.

Generación del espacio.
Sea cualquier matriz de orden 2, entonces.

Por lo que.

Al resolver el sistema de ecuaciones, es posible expresar en función de ,

entonces este conjunto genera a las matrices de orden 2.
Por lo tanto es una base.

Problema 20. Determine si el conjunto de polinomios de a lo más de grado 3, , siguientes es

una base.

Independencia lineal. Por medio del Wronskiano.

Por lo que las funciones son LI

Generación del espacio.
Sea cualquier Polinomio de grado 3 a lo más, entonces.

Desarrollando.

Entonces.

Por lo que las funciones son generadoras de .

Por lo tanto es una base.

37
 ÁLGEBRA LINEAL

Problema 21. Encuentre el Kernel y la nulidad, determine la imagen y el rango de la siguiente

matriz.

Solución.

Resolviendo el sistema homogéneo se tiene.

Teniéndose el sistema equivalente, consistente e indeterminado.

Por lo que.

El kernel es , la nulidad es

La imagen es , el rango es

Problema 22. Encuentre el Kernel y la nulidad, determine la imagen y el rango de la siguiente

matriz.

Solución.

Resolviendo el sistema homogéneo se tiene.

Teniéndose el sistema equivalente, consistente e indeterminado.

Por lo que.

El kernel es , la nulidad es

La imagen es Im , el rango es

38
 ÁLGEBRA LINEAL

Problema 23. Encuentre el Kernel y la nulidad, determine la imagen y el rango de la siguiente

matriz.

Solución.

Resolviendo el sistema homogéneo se tiene.

Teniéndose el sistema equivalente, consistente e indeterminado.

Por lo que.

El kernel es , la nulidad es

La imagen es Im , el rango es

Problema 24.-Escriba el vector en términos de la base no canónica

Solución.

Como.

Entonces.

Obteniéndose un sistema de dos ecuaciones simultáneas lineales con dos incógnitas, así.

Por lo que.

Por lo tanto.

39
 ÁLGEBRA LINEAL

Problema 25. Escriba el Polinomio en términos de la base no canónica

Solución.

Como.

Entonces.

Obteniéndose un sistema de tres ecuaciones simultáneas lineales con tres incógnitas, así.

Por lo que, se tiene un sistema equivalente.

Por lo tanto.

40
 ÁLGEBRA LINEAL

UNIDAD III TRANSFORMACIONES LINEALES.

Definición.

Transformación vectorial.

Si y son dos espacios vectoriales una función.

 Recibe el nombre de transformación de en .

 La transformación también se le llama aplicación ó mapeo.
 El espacio se llama dominio de la transformación.
 El espacio se llama codominio de la transformación.
 Observación. Si y entonces , se tiene una relación funcional.

Transformación lineal.

Definición.

Si y son dos espacios vectoriales, una transformación es lineal si para

todo.

i)
ii)

Es decir.

i) La transformación de una suma es igual a la suma de las transformaciones.

ii) La transformación de una constante por un vector es igual a la constante por la
transformación del vector.

41
 ÁLGEBRA LINEAL

Geometría de las transformaciones.

1) tal que

PROYECCIÒN
x

2) tal que

REFLEJO EJE X

3) tal que

PROYECTA, ROTA y AGRANDA

4) tal que

PROYECTA, ROTA y AGRANDA

42
 ÁLGEBRA LINEAL

5) tal que

6) tal que

REFLEJO EJE Y

7) tal que –

43
 ÁLGEBRA LINEAL

MATRIZ DE TRANSFORMACIÓN

Definición.

Sea una transformación lineal , entonces existe una matriz única de orden
tal que.

Donde es la matriz de transformación.

Que se lee: “La transformación de vector es igual al producto de la matriz de transformación

por el vector ”.

Observaciones.

i) mientras que
ii) Como la matriz es de orden y el vector es de orden entonces
es de orden
iii) Por notación, se puede escribir la transformación como en cualquier
caso se lee “la transformación del vector ” o bien “ de “
iv) Por notación, se puede escribir la matriz de transformación como
v) Para cualquier transformación lineal se tiene una matriz de
transformación.

Obtención de la matriz de transformación.

Para obtener la matriz de transformación de la transformación lineal se requiere de

la forma en que está definida la transformación lineal o regla de correspondencia y hacer la
transformación lineal de la base canónica correspondiente para el espacio .

Para el caso de la transformación lineal se transforma a la base canónica.

Para el caso de la transformación lineal se transforma a la base canónica

Para el caso de la transformación lineal se transforma a la base canónica.

44
 ÁLGEBRA LINEAL

NUCLEO Y RECORRIDO

Definición 1.

Se define el Núcleo o Kernel de la transformación lineal al conjunto de vectores.

Es decir, es el conjunto de vectores linealmente independientes que pertenecen al espacio

tales que su imagen es el espacio nulo en .

Definición 2.

Se define el recorrido o imagen de una transformación lineal al conjunto de

vectores.

Es decir, es el conjunto de vectores linealmente independientes que pertenecen al espacio

W, que son las columnas de la matriz de transformación .

Definición 3.

El número se le llama la nulidad de o bien es el número de vectores

linealmente independientes que tiene .

Definición 4.

El número se le llama el rango de o bien es el número de vectores

linealmente independientes que tiene .

Nota. La nulidad y el rango de la transformación corresponden a, la nulidad y el rango de la

matriz de transformación .

45
 ÁLGEBRA LINEAL

ÁLGEBRA DE TRANSFORMACIONES
Igualdad de transformaciones. Sean las transformaciones lineales y
donde las matrices de transformación correspondientes son y entonces, la igualdad de
las transformaciones es.

Cuando

Dos transformaciones son iguales cuando sus matrices de transformación son iguales

Suma de transformaciones. Sean las transformaciones lineales y donde

las matrices de transformación correspondientes son y entonces la suma de las
transformaciones y es.

Cuando

i) La suma de dos transformaciones lineales es igual a la suma de sus matrices de

transformación.
ii) Para la resta de transformaciones, es semejante .

Multiplicación de un escalar por una transformación. Sea la transformación lineal y

entonces.

Cuando

La multiplicación de un escalar por una transformación es igual a la multiplicación del escalar

por la matriz de transformación

Composición de transformaciones. Sean las transformaciones lineales y

donde las matrices de transformación correspondientes son y entonces la composición
de las transformaciones o bien, la transformación de en definida como es.

Cuando

i) La composición de dos transformaciones es igual a la multiplicación de sus

respectivas matrices de transformación.
ii) Generalmente no se cumple la conmutatividad

Inversa de una transformación. Sea la transformación lineal , entonces existe una

única transformación lineal llamada la transformación inversa, tal que.

i) Observe que la transformación identidad en el espacio

, la transformación identidad en el espacio .
ii) Para calcular la transformación inversa, se calcula la inversa de la matriz de
transformación, es decir

46
 ÁLGEBRA LINEAL

Valores y vectores propios de las transformaciones.

Sea una transformación lineal de un espacio al mismo espacio , es decir.

Será de gran utilidad encontrar algún vector o algunos vectores , tal que, al transformar
dichos vectores se encuentren vectores paralelos. Entonces

En palabras se dice: al transformar el vector se encuentra el mismo vector multiplicado por

un escalar .

Geometría.

En las dos primeras figuras es positiva, en las dos segundas figuras es negativa.

i) En la primer figura
ii) En la segunda figura
iii) En la tercer figura
iv) En la tercer figura

Nomenclatura. A los vectores se les llama vectores propios, a los valores resultantes
se les llama valores propios. También se tiene.

Vectores propios= Vectores característicos=Eigenvectores=Autovectores=Vectores latentes

Valores propios= Valores característicos= Eigenvalores=Autovalores=Valores latentes

47
 ÁLGEBRA LINEAL

Cálculo de los valores propios.

Como se tiene la transformación lineal.
Entonces.
Por otro lado, se sabe que a una transformación lineal se le asocia una matriz de
transformación, así.

Igualando las dos últimas expresiones.

Entonces, igualando con cero

Para poder efectuar la operación matricial en el lado izquierdo, se tiene.

Donde es la matriz identidad del mismo orden que la matriz de transformación .

Siguiendo con el álgebra matricial.

Obteniéndose un sistema homogéneo de ecuaciones lineales, de donde

i) Si se obtiene la solución trivial
ii) Si se obtiene la solución no trivial.

Notación.
 La matriz resultante se llama matriz característica.
 El determinante resultante es un polinomio de grado en función de ,
, se llama polinomio característico, entonces
 La ecuación resultante se llama ecuación característica.

Teorema de Cayley-Hamilton
Sea cualquier matriz de orden entonces si es su polinomio
característico, se tiene que .
En otras palabras, este teorema dice que toda matriz cuadrada satisface a su polinomio
característico.

48
 ÁLGEBRA LINEAL

Problema 26.-Determine la matriz de transformación lineal si tal que.

Solución. Haciendo la transformación de la base canónica en , se tiene.

Entonces.

Por lo tanto.

Problema 27.- Determine la matriz de transformación lineal si tal que.

Solución. Haciendo la transformación de la base canónica en , se tiene.

Entonces.

Por lo tanto.

49
 ÁLGEBRA LINEAL

Problema 28.- Determine la matriz de transformación lineal si , tal que.

Solución. Se tiene como transformación lineal, la derivada de un polinomio de grado 3,

haciendo la transformación de la base canónica.

Entonces.

Por lo tanto.

Problema 29.- Determine el Núcleo (kernel) y el recorrido (rango) de la transformación lineal.

, tal que.

Solución, del problema 26, se tiene

Entonces al resolver el sistema de ecuaciones .

Del sistema equivalente, se tiene.

Por lo tanto.

El kernel es , la nulidad es

La imagen es Im , el rango es

50
 ÁLGEBRA LINEAL

Problema 30.- Determine el Núcleo (kernel) y el recorrido (rango) de la transformación lineal.

, tal que.
Solución, del problema 28, se tiene

Entonces al resolver el sistema de ecuaciones .

Del sistema equivalente, se tiene.

Por lo tanto.
El kernel es , la nulidad es
La imagen es Im , el rango es

Problema 31.- Sean las transformaciones lineales, y , Tal que.

Obtenga. ,
Solución.
Las matrices de transformación respectivas son.

Entonces.

51
 ÁLGEBRA LINEAL

Problema 32.- Sean las transformaciones lineales, y , Tal que.

Obtenga. ,
Solución. Como las matrices de transformación respectivas son.

Entonces.

Problema 33.- Sea la transformación lineal , Tal que.

Obtenga
Solución.
Como la matriz de transformación es.

Entonces, se calcula la matriz inversa. Usando la Matriz adjunta.

Sea

Por lo que.

52
 ÁLGEBRA LINEAL

Problema 34.- Determine los valores y vectores propios de la siguiente matriz.

Solución.
Cálculo del polinomio propio.

Entonces. Se tiene que los valores propios son.

Para obtener los vectores propios.

Por lo que,

Por lo que,

Problema 35.- Determine los valores y vectores propios de la siguiente matriz.

Solución.
Cálculo del polinomio propio.

Entonces. Se tiene que los valores propios son.

Para obtener los vectores propios.

Por lo que.

Se tienen los mismos vectores propios, porque las raíces son repetidas.

53
 ÁLGEBRA LINEAL

Problema 36.- Determine los valores y vectores propios de la siguiente matriz.

Solución.

Cálculo del polinomio propio.

Entonces. Se tiene que los valores propios son.

Resolviendo la ecuación cuadrática por fórmula general.

Para obtener los vectores propios.

Del sistema equivalente.

Por lo que,

Del sistema equivalente.

Por lo que.

54
 ÁLGEBRA LINEAL

Problema 37.- Sea la transformación lineal , Tal que.

Encuentre los valores y vectores propios.

Solución.
Como la matriz de transformación es.

Se hace el análisis de los valores y vectores propios para esta matriz.

Cálculo del polinomio propio.

Entonces. Se tiene que los valores propios son.

Al utilizar la división para calcular las 3 raíces, se tiene.

Las posibles raíces racionales son.

Entonces.

Para obtener los vectores propios.

Por lo que,

Se tienen los mismos vectores propios, porque las raíces son repetidas.

De esta última matriz.

Del sistema equivalente.

Por lo que.

55