Departamento de Economía

Aplicada (Matemáticas)

Grado en:
Administración y
Dirección de Empresa

1: CONCEPTOS BÁSICOS DE ÁLGEBRA MATRICIAL

1.1. Introducción……………………………..…………………………………………………………… 2

1.2. Teoría de Matrices………………………………….……………………………………………… 2

1.3. Sistemas de Ecuaciones Lineales……………………………………………………….…….9

1.4. Espacio Vectorial Rn. ……………….…………….………………….………..………………14

1.5. Base y dimensión de un Espacio Vectorial. Cambio de Base…….…….……15
Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

1.1.- INTRODUCCIÓN
Esta lección se estructura en cuatro epígrafes. Y aunque el objetivo principal es el estudio de los
espacios vectoriales. Hemos creído necesario incluir un apartado introductorio para que sirva para
refrescar conocimientos a aquellos estudiantes que los tengan más flojos, de tal manera que todos puedan
incorporarse al estudio del núcleo de la lección. Así comenzaremos recordando las ideas básicas de la
teoría de matrices y sistemas de ecuaciones lineales. Las técnicas que aquí se repasan serán muy útiles
para caracterizar los vectores linealmente dependientes e independientes, determinar bases del espacio
vectorial y afrontar el cambio de base.

1.2.- TEORÍA DE MATRICES

Una matriz es una tabla rectangular de números reales dispuestos en filas y columnas del modo:

 a11 a12  a1n  

 
 a21 a22  a2 n  
A 
   
Filas de la matriz

 
a 
m1 a m2  a mn  
   
Columnas de la matriz

Abreviadamente se puede expresar A = (aij ). Cada elemento de la matriz lleva dos subíndices. El
primero de ellos “i”, indica la fila en la que se encuentra el elemento, y el segundo, “j”, la columna. Así el
elemento a23 está en la fila 2 y columna 3. Las matrices siempre se representarán con letras mayúsculas.

Ejemplos: Son ejemplos de matrices los siguientes:

3 1 0 
 
2 1  6 1 0  2 4 0 
A =   B =   C =
 3 4
 2  4 0
   1 15 2
 
1 0 0 

A tiene 2 filas y 2 columnas, diremos que su tamaño es 2 x 2.¿Qué elemento es a21?.
B tiene 2 filas y 3 columnas, diremos que su tamaño es 2 x 3.¿Qué elemento es b23?.
C tiene 4 filas y 3 columnas, diremos que su tamaño es 4 x 3.¿Qué elemento es c42?.
En general, si una matriz A tiene m filas y n columnas, diremos que su tamaño o dimensión es mx n
(se lee “m por n”), siempre en primer lugar el número de filas y en segundo lugar el de columnas.
Tipos de matrices

1. Se llama matriz nula a la que tiene todos los elementos cero.

Por ejemplo,
0 0 0 0 0
A =   es una matriz nula de tamaño 2x5.
0 0 0 0 0
2. Se llama matriz fila a la que sólo tiene una fila, es decir su dimensión es 1x n.
Por ejemplo, (1 0 −4 9) es una matriz fila de tamaño 1 x 4.

3. Se llama matriz columna a la que sólo consta de una columna, es decir su dimensión será m x1,
como, por ejemplo:
 1
 
C =  0  es una matriz columna de tamaño 3 x 1.
 
- 8 

4. Una matriz es cuadrada cuando tiene el mismo número de filas que de columnas, es decir su
dimensión es n x n. Un ejemplo de matriz cuadrada es:

Francisca Miguel García 2

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

2 1
D =  
 3 4

Dentro de las matrices cuadradas llamaremos diagonal principal a la formada por los elementos
a11, a22, a33, . . ., ann, siendo la matriz:

 a11 a12  a1n 

 
 a21 a22  a2 n 
   
 
a  ann 
 n1 an 2
En la matriz D del ejemplo anterior, su diagonal principal estaría formada por 2, 4.
Si una matriz sólo tiene elementos en la diagonal principal se denomina matriz diagonal. Un ejemplo de
matriz diagonal sería:
1 0 0 0 
 
0 - 4 0 0
G =
0 0 3 0
 
0 0 0 0 
 

Por último, si una matriz diagonal tiene en su diagonal principal sólo unos, se denomina matriz unidad o
identidad. Se suelen representar por In, donde n es el orden o tamaño de la matriz. Algunas matrices
identidad son:
1 0 0 0 
1 0 0   
 1 0     0 1 0 0
I2 =   I3 =  0 1 0  I4 = 
 0 1  0 0 1 0 0 1 0
   
 0 0 0 1
 
Operaciones con matrices

Suma y diferencia
Para sumar o restar dos matrices del mismo tamaño, se suman o restan los elementos que se
encuentren en la misma posición, resultando otra matriz de igual tamaño.

Por ejemplo:
 2 1 3  2 0 4  0 1 1
       
  4 2 1 2 x 3  3 2 5 2 x 3   7 0  4 2 x 3

Si las matrices tienen diferente tamaño, no se pueden sumar o restar entre sí.

Propiedades de la suma (y diferencia) de matrices:

Conmutativa: A + B = B + A
Asociativa: A + (B + C) = (A + B) + C
Elemento neutro: La matriz nula del tamaño correspondiente.
Elemento opuesto de A: La matriz -A, que resulta de cambiar de signo a los elementos de A.

Producto por un número real

Dada una matriz cualquiera A y un número real α, el producto α ꞏA se realiza multiplicando todos los
elementos de A por α, resultando otra matriz de igual tamaño.

Francisca Miguel García 3

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

Por ejemplo:
 2 1 3   1  12  32 
 
1
   1

2
  4 2 1 2 x 3   2  1  2 2 x 3

Propiedades:

Distributiva respecto de la suma de matrices: αꞏ(A + B) = ꞏ α A + α ꞏB

Distributiva respecto de la suma de números: (α + β)ꞏA= α ꞏA + β ꞏA
Asociativa: α ꞏ( β ꞏA)=( α ꞏ β)ꞏA
Elemento neutro, el número 1: 1ꞏA=A

Matriz Traspuesta.
Dada una matriz A de orden m x n se denomina traspuesta de A y lo denotaremos como At, a aquella
matriz de orden n x m que resulta de intercambiar en A filas por columnas.
Por ejemplo, si
 2  3
 
 2 1 0 7  1 4 
A =   , entonces la matriz traspuesta de A es: At = 
 3 4 2 1 0 2 
 
7 1 
 
Dejamos al lector que demuestre las propiedades siguientes:
(At)t = A
(A+B)t = At + Bt
(α A)t = α At con α  R
(A B)t = Bt At
Si una matriz coincide con su traspuesta, la denominaremos Simétrica.
Matriz Simétrica  A = At
Obsérvese que solamente las matrices cuadradas pueden ser simétricas.

2 1 3 
 
Ejemplo la matriz: A = 1 0 - 2 
 
3 - 2 7 
Matrices simétricas de gran importancia son la matriz diagonal y la unidad.

Multiplicación de matrices
Dadas las matrices A = (aij) de orden mxn y B = (bij) de orden nxp, definimos el producto de A y B
como una tercera matriz C = (cij) de orden mxp cuyos elementos se obtienen mediante la relación:
n
cij   aik bkj
k 1

Ejemplo
Sean las matrices A y B de órdenes respectivos 2x2 y 2x3. El resultado del producto A B es la matriz
C de orden 2x3:

1 2 5 6 7  1 * 5  2 * 8 1 * 6  2 * 9 1 * 7  2 * 0   21 24 7 
A    B    A B      
 3 4   8 9 0   3 * 5  4 * 8 3 * 6  4 * 9 3 * 7  4 * 0   47 54 21

Francisca Miguel García 4

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

Algunas propiedades del producto de matrices:

No conmutatividad: A B  B A
Asociativa: (A B) C = A (B C)
Distributiva respecto a la suma: A (B+C) = A B + A C (A+B) C = A C + B C

Determinantes
A toda matriz cuadrada A de orden n le vamos a asociar un valor numérico al que denominamos
determinante de A y denotaremos por Det(A) o A .

si A es de orden 2x2 Det(A)= A  a11a22  a12 a21

 2 1
Por ejemplo, A    10  3   7
3 5

si A es de orden 3x3, se aplica la regla de Sarrus.

 a11 a12 a13 
 
A =  a21 a22 a23 
a 
 31 a32 a33 
el determinante de A se calcula mediante la resta de dos expresiones:

Det (A)= Sumandos positivos - Sumandos negativos.

Sumandos positivos Sumandos negativos

Llamaremos sumandos positivos a los obtenidos al multiplicar:

 Los elementos de la diagonal principal, a11 ・ a22 ・ a33.
 Los elementos de la línea paralela superior a la diagonal principal por el elemento aislado de la esquina
inferior izquierda: a12 ・ a23 ・ a31.
 Los elementos de la línea paralela inferior a la diagonal principal por el elemento aislado de la esquina
superior derecha: a21 ・ a32 ・ a13.

Llamaremos sumandos negativos a los obtenidos al multiplicar:

 Los elementos de la diagonal secundaria, a13 ・ a22 ・ a31.
 Los elementos de la línea paralela superior a la diagonal secundaria por el elemento aislado de la
esquina inferior derecha: a12 ・ a21 ・ a33.
 Los elementos de la línea paralela inferior a la diagonal secundaria por el elemento aislado de la esquina
superior izquierda: a32 ・ a23 ・ a11.

Por ejemplo,
 2 4 5 
 
A =  6 7  3
 3 0 2 
 

Francisca Miguel García 5

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

det(A)=(-2) *7* 2 + 4* 3* (-3)+6 *5* 0 – (3* 7* 5+0* (-2) * (-3)+6* 4 *2)

ꞏ ꞏ ꞏ ꞏ ꞏ ꞏ ꞏ ꞏ ꞏ ꞏ ꞏ

= –28 – 36 – 105 – 48 = –217.

Dada la matriz cuadrada A, se denomina adjunto de un elemento de la misma, aij al producto de (-l)i+j
por el determinante que resulta de suprimir en A la fila número i y la columna número j; si llamamos Mij
a este último determinante (llamado menor complementario de aij) y Aij al adjunto del elemento en
cuestión, resultará:
Aij = (-1)i+j Mij
En general puede saberse si el signo del menor complementario y del adjunto coincide o no utilizando
una sencilla regla gráfica, por ejemplo, para matrices 3 x 3 basta fijarse en la matriz:

  
 
  
  
 
donde el + significa que el adjunto coincide con el menor complementario y el - indica que tienen signo
contrario.

Muy útiles en numerosos casos prácticos son las propiedades de los determinantes que enunciamos
a continuación:
El determinante de una matriz A es igual al de su traspuesta: Det(A) = Det(At)
Si A y B son dos matrices cuadradas de orden n, se verifica: Det (A B) = Det (A) Det (B)
Si permutamos dos líneas paralelas de una matriz cuadrada, su determinante cambia de signo.
El determinante de una matriz es igual a cero si dicha matriz:
o tiene una línea de ceros.
o tiene dos líneas paralelas iguales.
o tiene dos líneas paralelas proporcionales.
o tiene una línea combinación lineal de otras paralelas.
El determinante de una matriz no modifica su valor si a una línea cualquiera de dicha matriz se
le suma otra paralela a ella multiplicada por una constante arbitraria.

Rango de una matriz

Dada una matriz A se denomina rango de A, Rango(A), al orden del mayor determinante no nulo
contenido en dicha matriz.
Ejemplo
Obtenga el rango de las matrices:
 3 2 3 2
A    B   
6 4 1 4
Solución:
Rg ( A )  1 y Rg ( B )  2

pues el orden de mayor determinante no nulo que posee la matriz A es uno, sin embargo el B  0 y el
orden es de una matriz 2x 2.

Francisca Miguel García 6

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

Algunas observaciones y propiedades del rango:

Obsérvese que el rango de una matriz, tal y como se ha definido, es un número natural
(incluyendo el cero).
Si denominamos In a la matriz unidad de orden n, obsérvese que Rango(In)=n.
Si indicamos por Ө a la matriz nula de cualquier orden (cuadrada) resulta: Rango(Ө) = 0
Si A es una matriz de orden mxn: Rango(A)  Mínimo ( m, n )
Rango(A) = Rango(At)
Si en una matriz A intercambiamos entre sí dos o más líneas paralelas, la matriz resultante A*
verifica: Rango(A) = Rango(A*)

Veamos, a continuación, la manera de calcular el rango de una matriz dada.

El método que vamos a seguir está basado en la última propiedad dada anteriormente. Sea la matriz A
de orden mxn

 a11 a12  a1n 

 
a a22  a2 n 
A   21
   
 
a am 2  amn 
 m1
Supongamos que n < m ==> Rango(A)  n. Llamemos, en general, Al a a11; A2 al determinante de la
matriz de orden 2 formadas por las dos primeras filas y las dos primeras columnas:

A a12 
A2  Det  1 
 a21 a22 

De forma análoga, llamemos A3 al determinante de la matriz formada con las tres primeras filas y
columnas, etc. Pues bien, el método al que antes hacíamos referencia lo llevaremos a cabo dando los
siguientes pasos:
1) Fijamos nuestra atención en a11. Si a110 le llamamos a este elemento A1 y se sigue en el paso 2);
si a11=0, intercambiaremos la línea a la que pertenece dicho elemento por otra, cuyo primer elemento, ai1
o a1j, sea distinto de cero. Luego, en definitiva, se trata de conseguir que A10 y, por tanto, podemos
afirmar que, al menos, Rango(A) = 1, pues contiene (al menos) un determinante no nulo de primer orden.
2) Consideremos A2. Si Det(A2)0 se pasa a la etapa 3). En caso contrario, intercambiamos la
segunda fila o la segunda columna de la matriz por una paralela a ella de tal forma que consigamos que
Det(A2)0. Obsérvese que el intercambio ha de hacerse de tal forma que no modifiquemos el menor
anterior (distinto de cero), que en nuestro caso es A1. Si no conseguimos que exista un determinante:
A1 a12
0
a21 a22

concluiremos con que Rango(A) = 1, pues todos los menores de orden 2 son nulos. En caso contrario,
podemos afirmar que, al menos, Rango(A) = 2 y pasamos a:
3) Consideremos A3 ... , y así sucesivamente.
Ejemplo
Calculemos el rango de:
0 1 5 
 
2 3 1
A
2 4 4 
 
2 2  6 

Solución:

Francisca Miguel García 7

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

1) Dado que a11 = 0, intercambiamos entre sí las columnas 1 y 2, resultando:

1 0 5 
 
(1)  3 2 1
A 
4 2 4 
 
2 2  6 

de tal manera que Rango(A) = Rango(A(1)) y A10. Luego, al menos, el Rango(A)=1.
2) Formamos:
1 0
A2   
3 2
como Det(A2) 0, al menos el Rango(A)=2.
3) Formamos:
1 0 5 
 
A3   3 2  1
4 2 4 
 
como Det(A3)=0, intercambiamos en A las filas 3 y 4 quedando:
1 0 5 
 
3 2 1
A( 2 ) 
2 2  6
 
4 2 4 

Siendo ahora:
1 0 5 
 
A'3   3 2  1 
 2 2  6
 
como Det(A’3) =0, resulta que todos los determinantes de orden 3 de A son nulos. Luego, el orden del
mayor determinante de A distinto de cero es 2, es decir, Rango(A) = 2.

Ejercicio
Calculemos el rango de las siguientes matrices:

1 1 0 1   2 1 1 
   
A   0  1 1  1 B 0 0 0
 0 0 1 4    2 1  1
   
Matriz Inversa
Dada una matriz cuadrada A, diremos que A-1 es matriz inversa de A si:
A A-1 = A-1 A = I
El método para calcular la inversa de una matriz A es el siguiente:
a) Verifíquese que Det (A) 0
b) Calcúlese la matriz adjunta: Adj(A).
c) Calcúlese su traspuesta: Adj(A)t.
1
d) Efectúese el producto: Adj(A) t
Det (A)

Francisca Miguel García 8

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

El lector puede determinar la inversa de matrices cualesquiera, pudiendo descubrir un posible error de
cálculo, sin más que aplicar la definición dada: la matriz que calcule A-1 ha de ser tal que A A-1 = I.
Propiedades
La inversa de una matriz es única.
(A-1)-1 = A
(A B)-1 = B-1 A-1
(A-1)t = (At)-1

Ejercicio
1 1 0
 
Determine la matriz inversa de A   0  1 1 
 0 0  1
 

1.2.- SISTEMAS DE ECUACIONES LINEALES

Tratamos en este apartado de recordar al lector las ideas fundamentales sobre resolución y discusión
de sistemas de ecuaciones lineales.
Denominamos sistemas de ecuaciones lineales a un conjunto de relaciones lineales como sigue:
a11 x1  a12 x2    a1n xn  b1 
a21 x1  a22 x2    a2 n xn  b2 

 
am1 x1  am 2 x2    amn xn  bm 

que, en este caso, consta de m ecuaciones lineales con n incógnitas: x1, x2, …, xn. Supondremos que los
coeficientes de las incógnitas aij, los términos independientes b¡ y las propias incógnitas xj pertenecen al
cuerpo R de los números reales.
La forma anterior de expresar un sistema de ecuaciones lineales suele denominarse forma canónica.
Si llamamos:
 a1 j 
 
 a2 j 
Pj    para j  1,2,  , n

 
 amj 
 
podemos dar una expresión vectorial del sistema anterior en la forma:
x1P1 + x2P2 +…+ xnPn = b
donde hemos llamado:

 b1 
 
b 
b 2 

 
b 
 m
Análogamente, podemos dar una representación matricial del sistema anterior en la forma:
Ax=b
siendo:

Francisca Miguel García 9

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

 a11 a12  a1n   x1 

   
a a22  a2 n  x 
A   21 y x 2
    
   
a am 2  amn  x 
 m1  n

Dado un sistema de ecuaciones lineales, denominamos solución s a n números reales, s1, s2, …, sn con:

 s1 
 
s 
s 2

 
s 
 n
tales que, sustituyendo respectivamente si por cada xi en el sistema, se verifican todas y cada una de las
ecuaciones:
a11s1  a12 s2    a1n sn  b1 
a21s1  a22 s2    a2 n sn  b2 

 
am1s1  am 2 s2    amn sn  bm 

Si un sistema no tiene solución se le denomina incompatible; por el contrario, si tiene al menos una
solución se le llama compatible. En este último caso, si la solución es única, el sistema es compatible
determinado, mientras que si tiene más de una solución el sistema se denomina compatible
indeterminado.
Discusión de sistemas de ecuaciones lineales
En muchos momentos no vamos a necesitar resolver un sistema de ecuaciones lineales, sino
solamente saber si posee o no solución y, en caso afirmativo, si ésta es o no única.
Al proceso mediante el cual discernimos sobre la existencia o no de soluciones para un sistema de
ecuaciones dado y, posteriormente, en caso de existir dicha solución, analizar su unicidad, le llamaremos
discusión del sistema.
El teorema de Rouché será el instrumento eficaz que utilizaremos para discutir un sistema, como
podrá apreciarse en el ejemplo que veremos más adelante.

Teorema de ROUCHÉ-FROBENIUS
Dado el sistema de ecuaciones lineales
Aꞏx = b
construimos una nueva matriz A* (matriz ampliada) añadiéndole a la matriz A una nueva columna
formada por los elementos de b; esto es:
A* = (A  b)

A) El sistema es INCOMPATIBLE si Rango(A*)>Rango(A)

B) El sistema es COMPATIBLE si Rango(A*) = Rango(A)

a. El sistema además es DETERMINADO si Rango(A*)=Rango(A)=n
b. El sistema además es INDETERMINADO si Rango(A*)=Rango(A)<n

Francisca Miguel García 10

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

Ejemplo
Discuta el siguiente sistema:
 x1  x 2  5 x 3  4 

3x1  13x 2  5x 3  4
x1  6 x 2  0 

Solución:
Observemos que Rango(A*) = Rango(A) = 2, menor que el número de incógnitas (=3), con lo cual el
sistema es compatible indeterminado y tiene infinitas soluciones

Resolución de sistemas de ecuaciones lineales

Desarrollamos dos métodos para la resolución de sistemas compatibles determinados, y luego
veremos cómo reducir un sistema compatible indeterminado a uno compatible determinado equivalente.
El primer método es el denominado de la matriz inversa:
Consideremos el sistema de ecuaciones lineales
Ax=b con
a) m = n, es decir, tiene el mismo número de ecuaciones que de incógnitas.
b) det(A)0, es decir, posee una matriz de coeficientes invertible.
Los sistemas de este tipo se les denominan sistemas de Cramer y poseen una propiedad interesante
que los caracteriza.
Propiedad
Todo sistema de Cramer posee una solución única.

La solución la podemos obtener mediante la matriz inversa o por la Regla de Cramer.

Método de la inversa: s = A-1 b
Regla de Cramer

a11  b1  a1n
Establezcamos:
a21  b2  a2n
det( A j ) 
    
an1  bn  ann
columna j

en donde hemos elegido la columna j-ésima de A. Entonces, se demuestra que:

det( A j )
xj  para j=1,2,…,n
det( A)
que es la manera de obtener las componentes del vector solución del sistema.
Ejemplo
Resolver, aplicándole el método de Cramer, el sistema:

x1  x2  9

x1  x2  1
Aplicando las expresiones anteriores a este sistema obtenemos:

Francisca Miguel García 11

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

9 1
det( A1 ) 1 1  9 1
x1    5
det( A) 1 1 11
1 1

1 9
det( A2 ) 1 1 1 9
x2    4
det( A) 1 1 2
1 1

Resolución de Sistemas Compatibles Indeterminado

Estudiemos a continuación la resolución de sistemas de ecuaciones lineales en forma general:

a11 x1  a12 x2    a1n xn  b1 
a21 x1  a22 x2    a2 n xn  b2 
 donde Rango(A*) = Rango(A)= r < n
 
am1 x1  am 2 x2    amn xn  bm 

es decir, el sistema es compatible indeterminado. Veremos a continuación que tales sistemas se pueden
reducir a uno de Cramer equivalente.

Como Rango(A) = r, sólo existen r filas y r columnas que nos da información sobre la solución.
Sea
a11 a12  a1r
a 21 a 22  a 2n
0
   
a r1 a r 2  a rr

En el caso de las filas, como cada una de ellas representa una ecuación, de las m sólo r nos aportan
algún tipo de información y las restantes m - r no nos dicen nada y por ello las podemos eliminar. En
cuanto a las columnas, sólo r columnas nos aporta información, pasemos las n - r restantes al miembro de
la derecha. En estas condiciones obtendremos:

a11 x1  a12 x2    a1r xr  b1  (a1r 1 xr 1    a1n xn ) 

a21 x1  a22 x2    a2 r xr  b2  (a2 r 1 xr 1    a2 n xn )

 
ar1 x1  ar 2 x2    arr xr  br  (ar r 1 xr 1    arr xn ) 

En este momento, el sistema puede ser considerado de Cramer en las incógnitas x1,x2,…,xr. Si lo
resolvemos, obtendremos unas incógnitas (las r primeras a las que podemos llamar principales) en
función de las restantes (a las que llamaremos secundarias); dando valores a estas últimas obtendremos
distintas soluciones.

Francisca Miguel García 12

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

Ejemplo Resolver
 x1  x 2  5 x 3  4 

3x1  13x 2  5x 3  4
x1  6 x 2  0 
Solución:
Ya hemos visto anteriormente que este sistema es compatible indeterminado, puesto que Rango(A*)
= Rango(A) = 2 < número de incógnitas. Ello nos dice que de las tres ecuaciones, sólo dos nos da
información. Como
1 1
0
3  13

esto nos indica que las dos primeras ecuaciones nos resume toda la información del sistema, ya que la
tercera repite la información, 3ª = (1ª +2ª)/2, por lo que la eliminamos.
Por otra parte, las incógnitas asociadas a los elementos del determinante de orden 2 no nulo serán las
principales, es decir, x1, x2. Luego el sistema a resolver sería:
 x1  x2  4  5 x3 

3 x1  13 x2   4  5 x3 

Resolviendo por la regla de Cramer en x1, x2:

4  5 x3 1
 4  5 x3  13 24
x1   6 x3 
1 1 5
3  13
4
x2  x3 
5
Luego la solución del sistema propuesto será:

 24 
 6a  
 5 
 4 
x a con a  R
 5 
 a 
 
 
para cada valor de “a” obtendremos una solución distinta.

Sistemas Homogéneos
En gran número de casos surge la necesidad de discutir un sistema de ecuaciones lineales homogéneo;
denominamos así a aquéllos cuyos términos independientes son nulos: b = 0. Este tipo de sistemas tiene
la particularidad de que siempre tienen solución (obsérvese que Rango(A) = Rango(A0), ya que al menos
poseen la denominada solución trivial, esto es:
xi = 0 para i=l, 2, ... , n
Entonces, en el caso de aplicar el teorema de Rouché a un sistema homogéneo, si es determinado su
única solución será la trivial, mientras que si es indeterminado tendrá, además de la trivial, infinitas más.

Francisca Miguel García 13

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

1.3.- EL ESPACIO VECTORIAL Rn

Sea R el cuerpo de los números reales. Establezcamos el producto cartesiano:

R x R x…x R
n veces (con n natural) y señalemos simbólicamente a este producto como Rn. Un elemento de este
conjunto será de la forma:
(x1,x2,…,xn)  Rn donde cada xi  R.
Lo escribimos:

 x1 
 
x 
x   2  , por motivos de comodidad se suele utilizar x = (x1, x2,…,x n )

 
x 
 n
Pues bien, vamos a definir sobre Rn dos operaciones:
1) La suma:
Rn x Rn Rn
 x, y  Rn , x + y = (x1, x2,…, xn)+ (y1, y2,…, yn) = (x1+y1, x2+y2,…, xn+yn)
Es fácil comprobar que Rn con la operación antes definida, verifica las siguientes propiedades:
 Conmutativa: x + y = y + x
 Asociativa: (x + y) + z = x + (y +z)
 Elemento neutro:  0 = (0,0,….0)  Rn tal que x + 0 = x

 Elemento opuesto o simétrico:  x  Rn  (-x)  Rn tal que x + (-x) = 0

2) El producto por un escalar:
RxRn x Rn
de tal manera que αR, xRn:

α x =α (x1,x2,…,xn) = (α x1,α x2,…,α xn)  Rn

Puede comprobarse que la operación así definida verifica las propiedades:
 Pseudoasociativa α (β x) = (α β) x
 Distributiva respecto a la suma de escalares: (α + β)x = α x + β x
 Distributiva respecto a la suma de elementos de Rn : α (x + y) = α x + α y

 Elemento unidad: 1.x = x

α,β  R, x,y  Rn y donde hemos denotado por 1 a la unidad del cuerpo de escalares, R.

Por tanto, (Rn,+,.( R))es un espacio vectorial, es decir, Rn con las operaciones antes dadas, tiene
estructura de Espacio Vectorial sobre R, y a sus elementos se les llama Vectores.
Ejemplo
El conjunto de las matrices de orden mxn (M mxn ) con las operaciones(M mxn ,+,.( R)) definidas en el
primer epígrafe, tiene estructura de espacio vectorial sobre R.

Francisca Miguel García 14

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

1.4. BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL. CAMBIO DE BASE

Dependencia e Independencia Lineal
Consideremos el espacio vectorial Rn. Sean un conjunto finito de elementos del mismo (vectores):
W ={v1, v2, …, vn}
Se denomina combinación lineal de W ={v1, v2, …, vn} a una expresión de la forma:
α 1v1+ α 2v2+ … + α nvn [1]
con αi R (i=1,2,…,n)

Si los vectores v1, v2, …, vn  Rn son tales que el vector 0Rn puede expresarse como combinación
lineal de {v1, v2, …, vn}:
α 1v1+ α 2v2+ … + α nvn = 0Rn [2]
con algún αi0 diremos que los vectores son Linealmente Dependientes. En caso contrario, si la
expresión anterior [2] sólo se verifica cuando todos los αi = 0 (i = 1,2, ... , n), se dice que los n vectores
son Linealmente Independientes.
Ejemplo
Sea un conjunto de vectores de R3:
v1=(2,0,-5), v2=(5,3,-14), v3=(9,-3,4)
analice si son linealmente dependientes.
Solución:
Los tres vectores v1, v2, v3 son linealmente dependientes si:
α1v1 + α 2v2 + α 3v3 = 0 con algún α i no nulo.
Sustituyendo cada vi por su valor y operando obtenemos el siguiente sistema:
21  5 2  9 3  0

3 2  3 3  0 
 5 114 2  4 3  0 

que es un sistema homogéneo.

Pasemos a discutir el sistema. Dado que:
 2 5 9 
 
Rg(A) = Rg  0 3  3  = 2 < 3 (número de incógnitas)
  5  14 4 
 
el sistema es indeterminado (tiene infinitas soluciones); lo que quiere decir que, además de la solución
trivial, existen infinitas no triviales y, por tanto, alguna no totalmente nula. En conclusión, los vectores
dados son linealmente dependientes.
A efectos prácticos, para averiguar si los vectores {v1, v2, …, vn} son LI ó LD, tenemos que
averiguar con que valores de αi se verifica la expresión [2], lo que siempre nos conducirá a un Sistema
Lineal Homogéneo (SLH) con n incógnitas α 1, α 2, … ,α n. Así, {v1, v2, …, vn} son LI si el SLH tiene
sólo la solución trivial, y sucede eso si Rg(A) = n. Si Rg(A) < n, el SLH no tiene sólo la solución trivial,
por lo que {v1, v2, …, vn} son LD.

Francisca Miguel García 15

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

   
 n  vectores LI
Rg       
 n  vectores LD
   
   
v1 v2  vn

Ejemplo
¿Son linealmente independientes los vectores {(2, 0, 1), (1, 3, 0), (0, 0, 1), (1, 2, 3)}?
Solución.
2 1 0 1
 
Sea la matriz A =  0 3 0 2  cuyas columnas son los vectores.
1 0 1 3
 
Como A tiene 3 filas, sin realizar ninguna operación sabemos que Rg( A) ≤ 3: por tanto los vectores
son LD. Ahora bien,
2 1 0
0 3 0  6  0  Rg ( A)  3 , entonces los tres primeros vectores son LI
1 0 1

Se denomina dimensión de un espacio vectorial al número máximo de vectores Linealmente

Independientes que pueden encontrarse en él.
La dim (Rn)= n, es decir, n es el número máximo de vectores LI que pueden encontrarse en Rn
Se llama Base de Rn a todo subconjunto de Rn formado por n vectores linealmente independientes;
o sea, a todo subconjunto B={u1, u2,…,un} de Rn tal que

   
 
Rg u1 u 2  un   n
    

Si B={u1, u2,…,un}es una base de Rn , todo vector x de Rn es combinación lineal de u1, u2,…,un
pues la ecuación vectorial
x = x1u1 + x2u2 + … + xnun
tiene solución (x1, x2, … xn) y además es única, ya que Rg[u1, u2,…,un] = n.
Llamaremos Componentes del vector x referidos a la base B a esos n elementos de R que son
solución (x1, x2, … xn)B . Obviamente, las componentes de un vector referidas a una base B, son únicas.
Ejemplo
Sea el espacio vectorial R2(R). Sea B ={(2, -1), (4, 8)} una base del mismo. Determine las
componentes de (2, 2) respecto a B.
Solución:
Si referimos dicho vector a la base B dada:
2 3
(2,2)  1 (2,1)   2 (4,8)  1  , 2 
5 10
Luego las componentes de (2,2) respecto a B son (2/5,3/10).

Consideremos el espacio vectorial, Rn. Es inmediato comprobar que los n vectores siguientes forman
una base de Rn:

Francisca Miguel García 16

Matemáticas para la Economía y la Empresa GADE

LECCIÓN 1

{(l, 0,…,0), (0,1,…,0),…,(0,0,…,1)}  Rn

Pues bien, si se desea obtener las componentes de un vector cualquiera x de Rn, x = (x1, x2, …, xn)
respecto a esta base, puede fácilmente comprobarse que son las mismas x1, x2, …, xn.. A esta base se la
denomina base canónica. En general, se considerará que cualquier vector está dado en función de dicha
base canónica.
Cambio de base en un espacio vectorial
Sea el espacio vectorial Rn, un vector del mismo x  Rn y dos bases:
La canónica BC={e1,…,en} y otra B={u1,…,un}.
Denotemos por x = (x1,…,xn)C las componentes conocidas de x respecto de la base canónica. Se
trata de conocer las componentes de x respecto de B a las que llamaremos x*= (x1*,…,xn*)B
Al anterior le llamaremos “problema del cambio de la base BC a la B en el espacio vectorial Rn
Su resolución práctica se hace mediante la siguiente expresión sería:
x = P x*
donde:
- P es una matriz que tiene, por columnas, las componentes de los vectores de la base B. Se le
denomina matriz del cambio de base.
- x son las componentes del vector x referidos a la base BC
- x* son las componentes del vector x referidos a la base B
Ejemplo
Calcule las componentes del vector ( -3, 2, 6) respecto de la base B={(1,0,1),(0,-1,0),(0,0,1)}
Solución:
La matriz del cambio de base de BC a la base B
1 0 0
 
P   0 1 0
1 0 1
 
La expresión matricial del cambio de base será en este caso:

  3   1 0 0  x1 
*
    *
 2    0  1 0  x2  
 6   1 0 1  x * 
    3 
1
 x1*   1 0 0    3   1 0 0   3    3 
 *         
 x2    0  1 0   2    0  1 0  2     2 
 *          
 x3   1 0 1   6    1 0 1  6   9 

Francisca Miguel García 17