ÁLGEBRA

ESTRUCTURAS ALGEBRAICAS

CONCEPTO
Son operaciones definidas dentro de un conjunto, con resultado único. Las principales
estructuras son el grupo y el cuerpo.

La ley de composición interna es una operación definida en un conjunto de números no

vacío A = a1, a2,..., an , con resultado único perteneciente a ese conjunto. Esto se simboliza
como

a A, b A: a * b = c / c A

Algunos axiomas de estas leyes son:

a) Conmutatividad: a * b = b * a
b) Asociatividad: a * (b * c) = (a * b) * c
c) Distributividad a derecha: a * (b º c) = (a * b) º (a * c)
d) Distributividad a izquierda: (a º b) * c = (a * c) º (b * c)

Elementos notables:
e) Elemento neutro (e): a * e = e * a = a
f) Elemento simétrico (a’): a * a’ = a’ * a = e
g) Elemento absorbente: (m): a * m = m * a = m

Si analizamos las propiedades que, a su vez, cumplen los elementos notables, tenemos que:

El simétrico del simétrico de un elemento es ese elemento:

a A: (a’)’ = a.
Demostración: si (a’)’ = a debe cumplirse que (a’)’ * a’ = e. Luego,
a’ * a = e
 (a’)’ * a’ * a = e * a
(a’)’ * e = a
 (a’)’ = a
El simétrico de una operación es igual a la operación de los simétricos
en orden cambiado: a A, b A: (a * b)’ = b’ * a’.
Demostración: (a * b)’ es el simétrico de (a * b), entonces, debe cumplirse
que (a * b)’ * (a * b) = e
 (a * b)’ * a * b = e
 (a * b)’ * a * b * b’ = e * b’
 (a * b)’ * a * e = b’
 (a * b)’ * a * a’ = b’ * a’
 (a * b)’ * e = b’ * a’
 (a * b)’ = b’ * a’
Elemento simétrico único: Si b y c son simétricos de a, debe cumplirse que
a * b = e y que a * c = e. Como e = e, entonces a * b = a * c
 a’ * a * b = a’ * a * c  e * b = e * c  b = c
 ÁLGEBRA
2

Elemento neutro único: Si e y f son simétricos de a, debe cumplirse que

a * e = a y que a * f = a. Como a = a a * e = a * f  a’ * a * e = a’ * a * f 
e * e = e * f  e = f.

GRUPOS
Un grupo es una estructura algebraica compuesta por un conjunto de números “A” y una
operación *, y se denota (A, *). Para ello, * debe ser una ley interna que sea asociativa,
distributiva a derecha y a izquierda, debe poseer un elemento neutro y uno simétrico, y si
además es conmutativo, se denomina “grupo abeliano” o “grupo conmutativo”.

CUERPOS
Un cuerpo es una estructura algebraica que está compuesta por dos operaciones * y º
definidas en un conjunto no vacío A, que se denota (A, *, º), donde (A, *) se denomina
grupo aditivo y (A, º) grupo multiplicativo, lo que no necesariamente significa que * y º
sean sumas y productos respectivamente.

Una particularidad que cumplen estas estructuras es que el elemento neutro del grupo
aditivo funciona como elemento absorbente del grupo multiplicativo. Por ejemplo, si
consideramos al cuerpo ( , +, .), donde “+” es la suma habitual y “.” es el producto
habitual, sabemos que el neutro del grupo aditivo es e = 0, pero si hacemos el producto
entre cero y cualquier número real es cero, en consecuencia, m = 0 para el grupo
multiplicativo.

LEY DE COMPOSICIÓN EXTERNA

Es una operación definida entre elementos de dos conjuntos con resultado único en uno de
ellos, es decir

a A, B: a * =c/c A

donde se denomina escalar o elemento escalar.

Algunas propiedades de las leyes externas son:
Asociatividad mixta: a A, B, B: a * ( * ) = (a * ) *
Distributividad respecto de la ley interna: a A, b B:
* (a * b) = ( * a) * ( * b)
 ÁLGEBRA
3

MATRICES Y DETERMINANTES

MATRICES
CONCEPTO

Una matriz es una tabla de elementos organizados dispuestos en filas y columnas, que se
utilizan para analizar relaciones entre los elementos dispuestos en las filas y las columnas, y
dicha relación se expresa en un valor numérico ubicado en el casillero correspondiente a la
intersección de la fila y la columna correspondiente.

Denotamos como elemento genérico de casilleros de una matriz “A” al elemento aij, donde
el subíndice “i” nos dice a que columna pertenece y el subíndice “j” nos dice en que
columna está incluido. i, j / 1 < i < m y 1< j < n.

El orden de una matriz es de mxn, es decir, con m filas y n columnas, y el conjunto al que
pertenece es mxn.

La forma genérica de una matriz es

a11 a12 ... a1n

a21 a22 ... a2n
... ... ... ...
am1 am2 ... amn

Expresamos esta matriz del siguiente modo:

A mxn
mxn
A
A = (aij)
 ÁLGEBRA
4

SUMA DE MATRICES
Para poder sumar matrices, deben ser del mismo orden, y el resultado que arrojen debe ser
una matriz del mismo orden que las anteriores, es decir, que la suma de matrices es una ley
interna. Además, existe un elemento neutro que es la matriz nula “N mxn”, donde aij = 0 para
cualquier valor de i y de j. El elemento simétrico se denomina matriz opuesta, y es
“-A = (-aij)”. En consecuencia, (A mxn, +) es grupo abeliano.

Luego, si A mxn y B mxn mxn

, entonces A mxn + B mxn = C mxn / C mxn mxn
donde cada
elemento cij = aij + bij.

Podemos, en base a los elementos notables del conjunto de las matrices, establecer que
- A+N=A
- A + (-A) = N
- -A + A = N
-
PRODUCTO DE UNA MATRIZ POR UN ESCALAR
Sea un elemento del conjunto B de los escalares, y A una matriz perteneciente al
conjunto de matrices de orden mxn, definimos a la ley externa “producto de una matriz
como un escalar” como el producto entre ese escalar y cada elemento de la matriz, es decir:

A = ( aij)

PRODUCTO ENTRE MATRICES

El producto de matrices se realiza entre matrices de distintos órdenes. Tiene la
particularidad de que la matriz que resulte de dicho producto tenga la cantidad de filas de la
primera y la cantidad de columnas de la segunda. Es por esto que el producto de matrices
no es conmutativo. Por ejemplo, A mxn . B rxp = Cmxp.
El resultado de dicho producto es una matriz C = (cij), donde cada elemento cij se determina
como la suma de los productos de los elementos de cada fila y los de cada columna.

El elemento neutro del producto de matrices se denomina matriz identidad I mxn / cij = 1 si
i = j y cij = 0 si i j. Esta matriz es sólo elemento neutro del producto de matrices
cuadradas (igual número de filas que de columnas, es decir, m = n). La matriz nula, a su
vez, funciona como elemento absorbente
 ÁLGEBRA
5

MATRIZ TRANSPUESTA
La transpuesta de una matriz, “A t” es aquella que resulta de sustituir las filas por las
columnas y las columnas por las filas, de modo tal que el elemento aij se transforme en el
elemento aji. Ejemplo

1 2
A= 5 8
6 16

1 5 6
 At = 2 8 16

CLASIFICACIÓN DE MATRICES
SEGÚN SU ORDEN:

MATRIZ FILA: tiene una sola fila y n columnas, es decir A 1xn

MATRIZ COLUMNA: tiene una sola columna y m filas, es decir, A mx1
MATRIZ CUADRADA: tiene la misma cantidad de filas que de columnas, es
decir, A nxn.

MATRICES CUADRADAS PARTICULARES

TRIANGULAR SUPERIOR : si i < j  aij = 0

TRIANGULAR INFERIOR: si i > j  aij = 0
DIAGONAL: si i j  aij = 0
ESCALAR: si i = j  aij = , y si i j  aij = 0
IDENTIDAD: si i = j  aij = 1, y si i j  aij = 0
SIMÉTRICA: A = A t
ANTISIMÉTRICA: A = - A t
IDEMPOTENTE: A n = A
INVOLUTIVA: A 2n = I y A 2n+1 = A
MATRIZ ORTOGONAL: A A t = I
 ÁLGEBRA
6

DETERMINANTES

CONCEPTO
Un determinante es una función definida en un conjunto de matrices cuadradas con
resultado es un número real. Dicho número es el que resulta de la suma de los productos de
los n factores, elegidos entre los elementos de las matrices, de modo tal que en cada
término aparezca un elemento para cada fila y cada columna, y cada elemento va precedido
por un indicador + o – si las permutaciones de los indicadores de posición i y j resulten de
clase par o impar, respectivamente, habiendo ordenado los componentes de i como en la
permutación principal.

Cuando una matriz es cuadrada y de orden 2x2 el determinante asignado resulta de la

diferencia entre los productos de la diagonal principal y la contradiagonal:

det (A) = |A| = a11 a12 =

a21 a22

a11 a22 - a12 a21

MÉTODO LAPLACIANO PARA EL DESARROLLO DE

DETERMINANTES DE ORDEN “n”
MENOR COMPLEMENTARIO: Es aquel determinante de orden (n-1) que surge de
suprimir la fila i y la columna j del elemento elegido. Si seleccionamos el elemento a11 de
|A|, el menor complementario de a11 será:

a22 a23
a32 a33

ADJUNTO O COFACTOR: El adjunto o cofactor es igual al producto del elemento elegido

por su menor complementario y por (-1)i+j, de modo tal que si el exponente es par el
adjunto sea positivo, o negativo en el caso contrario.

Hipótesis de Laplace
El valor de cualquier determinante es igual a la suma de los productos de cualquier línea y
sus adjuntos o cofactores:

|A| = a11 a22 a33 - a11 a32 a23 - a12 a21 a33 + a11 a21 a32 - a13 a22 a31
 ÁLGEBRA
7

Tesis de Laplace

Se agrupan términos a fin de extraer de ellos factor común de los elementos de la línea
elegida, pero cada factor se extrae con su signo de posición. De este modo,

|A| = a31 A31 + a32 A32 + a33 A33

donde Aij es el adjunto o cofactor de cada elemento aij.

PROPIEDADES DE LOS DETERMINANTES

a) El determinante de una matriz es igual al de su transpuesta.
b) Si se permutan dos líneas paralelas (filas o columnas) el determinante toma el valor
opuesto.
c) Si el determinante contiene dos líneas paralelas, el determinante es nulo.
d) El producto escalar se realiza en una sola línea del determinante. Esta propiedad
permite extraer factor de un determinante a un valor de una sola línea.
e) Si en un determinante existen dos o mas líneas paralelas, el determinante es nulo.
f) Si el determinante posee una línea de ceros es nulo
g) El determinante de la matriz identidad es det (I) = 1
h) El determinante del producto de matrices es igual al producto de los determinantes
de cada matriz
i) El valor del determinante no varía si a una línea se le suma el múltiplo de alguna
paralela. Esta propiedad permite conseguir ceros alineados para que el desarrollo
laplaciano se reduzca a un solo adjunto.
j) El determinante de una matriz diagonal o triangular es igual al producto de los
elementos de su diagonal principal
k) El determinante del producto de una matriz por un escalar es igual al producto entre
ese escalar y el determinante de la matriz.
l) Si una matriz es de orden par, entonces su determinante será igual al de su opuesta,
y si es de orden impar, tomará el valor opuesto.
m) Si el orden de una matriz antisimétrica es par, entonces su determinante es distinto
de cero, y si es de orden impar entonces será nulo
n) El determinante de una matriz idempotente es cero o uno
o) El determinante de una matriz involutiva es det (A) = |1|
p) Si el determinante de una matriz ortogonal es 1 entonces es “propio”, y si es (-1) es
“impropio”
 ÁLGEBRA
8

MATRIZ ADJUNTA DE UNA MATRIZ CUADRADA

Es la matriz que se obtiene sustituyendo cada elemento de su transpuesta por su adjunta.
Para cualquier matriz real de orden n el producto con su adjunta, en cualquier orden, es
igual al producto de la matriz identidad y ese determinante.

Partiendo de la matriz A

a11 a12 ... a1n

a21 a22 ... a23
... ... ... ...
am1 am2 ... amn

Donde los adjuntos son Aji, la matriz adjunta de A, AdjA es:

A11 A21 ... Am1

A12 A22 ... Am2
... ... ... ...
A1n A2n ... Amn

MATRIZ INVERSA
El elemento simétrico en el producto de matrices se denomina matriz inversa, es decir, que
AA-1 = I.

TIPO DE
VALOR DEL EXISTE DENOMINACIÓN
MATRICES
DETERMINANTE INVERSA
MATRICES CUADRADA |A| = 0 NO REGULAR
|A| 0 SI SINGULAR
RECTANGULARES x NO xxxxxxxxxxxxxxx

Algunas propiedades de las matrices inversas son:

a) Es única. Demostración: si A-1 es la inversa de A debe darse que A-1A= I, y si B es
la inversa de A , debe cumplirse que AB = I. Luego, como I = I, debe darse que
AB = A A-1. Luego, si componemos con A-1 de ambos lados a la izquierda de cada
miembro (o lo mismo con B), tenemos que A-1AB = A-1 A A-1 IB = IA-1 
B = A-1
b) La matriz inversa de una matriz inversa es la matriz: Demostración: Si
A = (A-1) -1 debe darse que (A-1) A-1 = I (A-1)-1A-1A = IA  (A-1)-1 I = A 
(A-1)-1 = A
c) La inversa del producto de una matriz y un escalar es igual al producto del
inverso del escalar y la matriz inversa: Demostración: Queremos ver que
( A)-1 = (1/ )A-1. Como podemos “distribuir la simetría”, hacemos -1A-1 = ( A)-1
( A)-1 = 1 A-1
 ÁLGEBRA
9

MÉTODOS PARA CALCULAR LA MATRIZ INVERSA

A) Método de la matriz adjunta: La inversa de una matriz es igual al producto entre
su adjunta y el inverso de su determinante, es decir:

A-1 = AdjA
|A|

B) Método de Gauss – Jordan: Consiste en agregarle a la matriz inversible, separada

por una barra, la matriz identidad, que, luego de una serie de operaciones, se
inviertan los lugares de la matriz identidad y la matriz inversible, pero en lugar de la
matriz inversible obtengamos la matriz inversa:

(A | I) (I | A-1)

Para ello se elige un elemento aij = 1 (si no lo hay se consigue realizando operaciones
fundamentales con las líneas1) denominado pivote. Una vez obtenido el mismo, se mantiene
su fila y se reemplaza su columna por ceros, obteniendo un vector canónico, y luego se
realiza la diferencia entre el producto del pivote y el elemento aij a modificar y el producto
de los elementos alineados a ambos. Cabe aclarar que los pivotes utilizados no deben estar
alineados.

Otro método para obtener la matriz inversa es el de realizar operaciones fundamentales con
las filas o columnas hasta obtener vectores canónicos en cada columna.

Independientemente del método usado para resolver la matriz inversa, en el caso de que los
elementos aij = 1 no queden en la diagonal principal, estos se acomodan, modificando la
ubicación de las filas hasta obtener la matriz identidad.

RANGO DE UNA MATRIZ

El rango de una matriz es el orden máximo del determinante no nulo extraído de una
matriz, es decir, es la cantidad de vectores canónicos que posea luego de ser pivoteada
(Gauss – Jordan) o de realizarle operaciones fundamentales (Gauss). Se denota r(A) = ,
donde .

1
Suma del múltiplo de una línea paralela, o producto por un escalar, o modificar la ubicación de las filas
 ÁLGEBRA
10

SISTEMAS DE ECUACIONES LINEALES

CONCEPTO

Es un conjunto de ecuaciones de primer grado con m ecuaciones y n incógnitas. Los

elementos aij representan a los coeficientes, las incógnitas son las xj y los términos
independientes son bi. El subíndice i representa la ecuación a la que pertenece cada
elemento y el subíndice j representa a la variable de la que es el coeficiente. La estructura
de un sistema de ecuaciones lineales es:

a11x1 + a12x2 + ... + a1nxn = b1

a21x1 + a22x2 + ... + a2nxn = b2
... + ... + ... + ... = ...
am1x1 + am2x2 + ... + amnxn = bm

Podemos clasificar a los sistemas de ecuaciones lineales en base a tres criterios. Si tenemos
en cuenta el valor de bi podemos clasificarlos en homogéneos si bi = 0 o en no homogéneos
si bi 0. Si analizamos la forma, decimos que si tienen la misma cantidad de ecuaciones
que de incógnitas, el sistema se denomina cuadrado, mientras que si son distintos se
denominan rectangulares. Por último, si tenemos es cuenta la composición del conjunto
solución S, decimos que si S = (conjunto vacío), el sistema se denomina incompatible,
mientras que si S el sistema se denomina compatible. En esta última situación (sistema
de ecuaciones lineal compatible) la solución es única, se denominan sistemas de ecuaciones
lineales compatibles determinados, mientras que si posee infinitas soluciones el sistema se
denomina sistema de ecuaciones incompatible indeterminado, donde el grado de
indeterminación G resulta de la diferencia entre la cantidad de variables (n) y el rango de la
matriz de coeficientes, es decir:

G = n – r(A)

Podemos escribir a un sistema de ecuaciones lineales como un producto entre matrices,

igualado a otra matriz. Para ello, agrupamos a todos los elementos aij en una matriz de
coeficientes A, a las incógnitas xj en la matriz de variables X y a los términos
independientes bi en la matriz de resultados B:

AX = B
 ÁLGEBRA
11

RESOLUCIÓN POR MATRIZ INVERSA

Para poder aplicar este método debe cumplirse que

a) El sistema de ecuaciones lineales debe ser cuadrado
b) La matriz de coeficientes debe tener un determinante no nulo, es decir, debe ser
regular.

De este modo, podemos resolver el sistema de la siguiente manera:

AX = B
A AX = A-1B
-1

IX = A-1B
X = A-1B

RESOLUCIÓN POR EL MÉTODO DE CRAMER

TEOREMA

Todo sistema de ecuaciones lineales cuadrado cuyo determinante principal (el

determinante de la matriz de coeficientes) es no nulo admite solución única.

REGLA DE CRAMER

El valor único de cada incógnita se obtiene a través del cociente de dos determinantes: en el
denominador ubicamos al determinante principal y en el numerador colocamos un nuevo
determinante que se calcula a través de él sustituyendo la columna de coeficientes de la
columna que posee a los coeficientes de la variable que se está calculando por la columna
de términos independientes del sistema de ecuaciones que queremos obtener.

TEOREMA DE ROUCHÉ – FORBENIUS O TEOREMA DEL RANGO

Sean A la matriz de coeficientes del sistema de ecuaciones lineales con n incógnitas, y B la

matriz de resultados. Armamos con ellas la matriz ampliada (A|B). Luego calculamos el
rango de A y el rango de (A|B).

a) El sistema es compatible determinado cuando r(A) = r(A|B) = n

b) El sistema es compatible indeterminado si r(A) = r(A|B) < n
c) El sistema es incompatible si r(A) < r(A|B)
 ÁLGEBRA
12

Cuando, luego de pivotear, la matriz de coeficientes se transforma en la matriz identidad, y

la matriz B se halla transformado en una matriz C resultante de las operaciones realizadas
en B cuando queda incluida en (A|B), cada elemento aij nos dice la cantidad de veces que se
repite la variable (una o cero veces) y cada elemento cj será el valor correspondiente a cada
variable xj.

SISTEMAS HOMOGÉNEOS CUADRADOS

Un sistema de ecuaciones lineales se denomina homogéneos si y solo si la matriz de
resultados B es igual a la matriz nula N

AX = N
A AX = A-1N
-1

IX = N
X=N
donde xj = nj = 0 (solución trivial). Si el determinante de la matriz de coeficientes es nulo,
el sistema resulta compatible indeterminado.

Cabe aclarar que, la existencia de una solución trivial no permite la posibilidad de que el
sistema de ecuaciones lineales sea incompatible, ya que existe al menos una solución que lo
convierte en compatible determinado.

Propiedades de los sistemas homogéneos

Si el sistema es cuadrado y es compatible indeterminado, entonces el

determinante de la matriz de coeficientes es nulo.
Sea S un sistema de ecuaciones lineales de la forma AX = B, y el sistema
homogéneo asociado a el AX = N, llamamos T al conjunto solución de AX = B
y t una solución particular de ese sistema, y S el conjunto solución del sistema
homogéneo asociado, se cumple que T = t + S
 ÁLGEBRA
13

VECTORES
VECTORES EN EL PLANO
El conjunto de todos los segmentos orientados equivalentes recibe el nombre de vector.
Todo segmento orientado que pertenezca al conjunto es una representación del vector. Por
ejemplo, la representación del vector v, cuyo origen es el punto P = (0;0) y su extremo es el
punto Q = (2,3), es

Los datos generan el vector v. El

x2 segmento orientado PQ es uno de los
tantos segmentos orientados que lo
7- representan. En general, elegimos como
6- representante de cada vector al
5- segmento orientado que se origina en el
4- punto (0;0) porque de esta manera el
3- Q = (2;3) vector queda definido por el par
2- ordenado de números reales
1- correspondientes a su extremo.
x1
0 1 2 3 4 5 6 7 8 9 10 De esta forma, un vector v en el plano
xy es un par ordenado de números reales
(a;b); siendo a y b los componentes del
vector v.

MÓDULO O NORMA DE UN VECTOR

Sea V = (v1, v2) un vector de 2 y su representación el segmento 0A, es la hipotenusa del
triángulo 0AB. Entonces, aplicando el teorema de Pitágoras obtenemos el valor de la
distancia entre 0 y A, que es el módulo o norma de un vector V

|V| = (v21 + v22) 1/2

0 B X
 ÁLGEBRA
14

OPERACIONES CON VECTORES

1. Dos vectores son iguales si y sólo si sus componentes son iguales
2. La suma de vectores es igual a otro vector cuyos elementos resultan de la suma de
los elementos de los vectores sumados
3. El producto entre un escalar y un vector es igual al producto del escalar por los
componentes del vector
4. Se define una operación denominada producto escalar que consiste en la sumatoria
de los n productos entre los elementos de igual posición de los vectores que se
operen.
 ÁLGEBRA
15

ESPACIOS VECTORIALES
CONCEPTO
Dado un cuerpo conmutativo (K, +, .), cuyos elementos serán llamados escalares, y un
conjunto V no vacío, cuyos elementos serán denominados vectores, con una ley interna “+”
(suma de vectores) y una ley externa “.” (producto escalar), puede decirse que V tiene
estructura de espacio vectorial sobre el cuerpo K, o bien que (V, +, K, .) es un espacio
vectorial, si se verifican los siguientes axiomas:
♠ La suma de vectores es una ley interna
♠ La suma de vectores es asociativa
♠ La suma de vectores es conmutativa
♠ El elemento neutro se denomina vector nulo “o”, y sus componentes son nulos: o =
(0, 0, ..., 0)
♠ El elemento simétrico se denomina vector opuesto y sus elementos son los opuestos
del vector que pertenezca al grupo
♠ El producto de un vector y un escalar es otro vector
♠ El producto entre un escalar y el producto de otro escalar y un vector es igual al
producto de los dos escalares y el vector
♠ El producto entre la suma de dos vectores y un escalar es igual a la suma de los
productos de los vectores y ese escalar
♠ El producto entre la suma de dos escalares y un vector es igual a la suma de los
productos del vector por cada escalar
♠ El producto entre un escalar igual a la unidad y un vector es igual a ese vector.

PROPIEDADES DE LOS ESPACIOS VECTORIALES

- Si el producto entre un escalar y un vector es el vector nulo  o el escalar es igual a
cero o el vector es el vector nulo, o ambos.
- El producto entre el opuesto de un escalar y un vector es igual al opuesto del
producto del escalar por ese vector

SUBESPACIOS
Se llama subespacio de un espacio vectorial a todo subconjunto de ese espacio que, a su
vez, cumple con los axiomas de un espacio vectorial respecto de las mismas operaciones
del primero. Para determinar que un conjunto S es un subespacio vectorial en un espacio V,
es necesario comprobar que se cumple la condición de espacio vectorial.

Cabe aclarar que todo subespacio S de un espacio vectorial V contiene el vector nulo: si S
es un subespacio de V, entonces S es un espacio vectorial. Luego, (S,+) es grupo abeliano,
por lo tanto, el neutro aditivo, que es el vector nulo, pertenece a S.

Esta es una condición necesaria pero no suficiente, es decir, si o no pertenece a S entonces

S no es un espacio vectorial, pero si o pertenece a S, no podemos afirmar que S lo sea.
Condición Necesaria y suficiente de un subespacio
 ÁLGEBRA
16

(S, +, K, .) es un subespacio vectorial de (V, +, K, .) si y sólo si se verifica que

S está incluido en V
S no es un conjunto vacío
La suma de dos vectores de un subespacio pertenece al mismo subespacio
El producto entre un vector de un subespacio y un escalar pertenece a dicho
subespacio.
Demostración de la condición necesaria: Si S es un subespacio de V, entonces S
está incluido en V, y además se cumplen todas las condiciones de la definición, en
particular que S no sea vacío, que la suma de dos vectores de un subespacio
pertenezcan a ese subespacio, y que el producto entre un escalar y un subespacio
sea otro vector perteneciente a ese subespacio.

Demostración de la condición suficiente: Si se cumplen las cuatro condiciones se

debe poder demostrar que S es un subespacio de V. Por la primera condición se
puede decir que S es un subconjunto de V. Falta verificar que S satisface las
condiciones de la definición de espacio vectorial, considerando las mismas leyes
que en V: Por la segunda condición al menos hay un elemento en S.

Sea V cualquier vector de S, por la cuarta condición, el producto entre un escalar y

un vector también pertenece a S. Si ese escalar es igual a cero, entonces dicho
producto es el vector nulo, y si el escalar es = -1 el vector toma su valor opuesto
y está incluido en S.

Ahora bien, todos los demás requisitos son propiedades de la suma de vectores y
del producto por un escalar, cuya validez hereda S de su validez en V, ya que S está
incluido en V, y las operaciones son las mismas.

Si se cumple la ley interna (suma) y la ley externa (producto), suele decirse que S
es cerrado para la suma de vectores y el producto original.

Subespacios Triviales
Todo espacio vectorial (V, +, K, .) tiene dos subespacios triviales:
Todo espacio vectorial es un subespacio de si mismo
El conjunto de números cuyo único elemento es el vector nulo es un subespacio

Subespacios Matriciales
El conjunto de matrices simétricas de orden “nxn” es un subespacio vectorial de
las matrices cuadradas de orden “n”
El conjunto de matrices triangulares de ornen “nxn” es un subespacio vectorial
de las matrices cuadradas de orden “n”

Espacio Solución de Sistemas Homogéneos

Si AX = B es un sistema de ecuaciones lineales con “n” incógnitas, entonces
todo vector S que pertenece a n que lo satisface es una solución del sistema.
Si AX = N es un sistema homogéneo de “m” ecuaciones y “n” incógnitas,
entonces el conjunto solución de un subespacio de n es S = (0, 0, ..., 0)
 ÁLGEBRA
17

COMBINACIÓN LINEAL
Dado un conjunto de vectores del espacio vectorial (V, +, K, .), el vector w V es una
combinación lineal de los vectores del conjunto si y sólo si existen n escalares 1, 2, ..., n
que pertenecen al cuerpo K tales que la sumatoria de los productos entre los escalares i y
los vectores vi de como resultado al vector w.

Combinación lineal trivial: una combinación lineal es trivial si y solo si todos los escalares
i son nulos.

Combinación lineal convexa: una combinación lineal es convexa si y sólo si todos los
escalares i son no negativos ( i > 0) y su suma es igual a uno. “w” es una combinación
lineal convexa de los vectores de V si y sólo si la sumatoria de todos los i K converja
en 1.

SUBESPACIO GENERADO
Dado un conjunto A no vacío de vectores del espacio (V, +, K, .), se puede obtener el
subconjunto de V cuyos elementos son todas las combinaciones lineales de los vectores de
A.

Conjunto de generadores de un espacio vectorial

Un conjunto no vacío G de vectores de un espacio (V, +, K, .) es un conjunto de
generadores del espacio vectorial si y sólo si el subespacio que genera es V. Esto equivale a
decir que todo vector v es combinación lineal de los vectores de G.

DEPENDENCIA E INDEPENDENCIA LINEAL

Un conjunto de vectores de un espacio vectorial V es linealmente independiente (LI) si y
sólo si la única combinación lineal entre ellos que da por resultado al vector nulo es aquella
en la que se anulan todos los escalares simultáneamente (caso trivial). Este caso conduce al
planteo de un sistema de ecuaciones lineales homogéneo que resulta ser compatible
determinado.

Un conjunto de vectores contenido en un espacio vectorial V es linealmente dependiente

(LD) si y sólo si la única combinación lineal entre ellos da por resultado el vector nulo, de
 ÁLGEBRA
18

modo que no todos los escalares se anulen simultáneamente (caso no trivial). En este caso
se plantea un sistema de ecuaciones lineales que resulta ser compatible indeterminado.

Propiedades
1. Si un vector es combinación lineal de un conjunto de vectores LI, entonces dicha
combinación lineal es única.
2. El conjunto formado por un vector no nulo de un espacio vectorial es LI.
3. Un conjunto finito y no vacío de un espacio vectorial es LD si y sólo si al menos
uno de los vectores puede expresarse como una combinación lineal de los demás.
4. Todo conjunto de vectores incluido en un conjunto LI es LI, mientras que todo
conjunto incluido en un conjunto LD puede ser LI o LD.
5. Todo conjunto unitario que contenga a un vector no nulo es LI.
6. El conjunto unitario que contenga al vector nulo es LD.
7. Cualquier conjunto que contenga al vector nulo es LD.
8. Todo conjunto de vectores que incluya a otro conjunto LD también es LD. Todo
conjunto de vectores que incluya a otro LI puede ser LD o LI.
9. Un conjunto de dos vectores no nulos es LD si y sólo si ambos vectores son
proporcionales.
10. Un conjunto de dos vectores no nulos es LI si y sólo si ambos vectores no son
proporcionales.

De esto se deduce que un conjunto es LD cuando el número de cardinales (cantidad de

vectores) es mayor a la cantidad de componentes de esos vectores. En el caso de que sea
menor o igual, hay que realizar el análisis anteriormente detallado para averiguarlo.

BASE DE UN ESPACIO VECTORIAL

Sea (V, +, K, .) un espacio vectorial y B = v1, v2, ..., vn un conjunto de vectores incluidos
en V, el conjunto B es una base de (V, +, K, .) si y sólo si B es un conjunto LI que genera el
espacio vectorial (V, +, K, .).

Coordenadas de un vector respecto a una base

Si B es una base de (V, +, K, .), entonces cada vector de V puede expresarse de modo único
como combinación lineal de los vectores de la base B. O sea, si w pertenece a V, entonces
existen y son únicos los escalares i tales que

Luego, el vector w queda caracterizado por la combinación lineal. Los escalares i se

denominan coordenadas del vector w respecto de la base B. Si se considera otra base en
el espacio vectorial (V, +, K, .), entonces el mismo vector w admite otras coordenadas
( 1, 2, ..., n)
 ÁLGEBRA
19

Propiedades:
a) Si B = v1, v2, ..., vn es una base del espacio vectorial (V, +, K, .), entonces todo
conjunto que tiene mas de n vectores es LD
b) Si un espacio vectorial (V, +, K, .) tiene una base con n vectores, entonces toda base
de (V, +, K, .) tiene n vectores

Dimensión de un espacio vectorial

Si un espacio vectorial (V, +, K, .) tiene una base que consta de n vectores, entonces el
número n se denomina dimensión de (V, +, K, .) y se simboliza dim(V) = n. Si V consiste
únicamente en el vector nulo, diremos que dim(V) = 0. En ambos casos, V es un espacio de
dimensión finita.

Propiedades:
1. Si W es un subespacio n-dimensional  dim(W) < n
2. Si dim(W) = dim(V)  (W, +, K, .) = (V, +, K, .)
3. Un conjunto de n vectores de un espacio vectorial de dimensión n es una base si y
solo si es LI o sistema de generadores. En consecuencia, podemos afirmar que:
n vectores linealmente independientes de un espacio vectorial n dimensional
constituyen una base de dicho espacio
Todo conjunto de generadores de n vectores de un espacio vectorial de
dimensión n es una base del mismo.

Cambio de base
Dados un espacio vectorial (V, +, K, .) / dim(V) = 2 y dos bases del mismo B = v1, v2 y
B’ = w1, w2 , un vector X perteneciente a V se expresa de forma única como combinación
lineal de los vectores de una base, podemos afirmar que
Por ser B una base, 1, 2 / X = 1v1 + 2v2 (01)

Por ser B’ una base 1, 2 / X = 1v1 + 2v2 (02)

Para determinar la relación entre los componentes del vector X en las bases B y B’,
respectivamente ( 1, 2) y ( 1, 2), expresamos los vectores de la base B como combinación
lineal de los vectores de la base B’:

v1 = a11w1 + a12w2
v2 = a21w1 + a22w2

Luego, reempleando v2 y v1 en (01) obtenemos que X = 1(a11w1 + a12w2) + 2(a21w1 + a22w2)

y, operando convenientemente, obtenemos que X = w1( 1a11 + 2a12) + w2( 1a21 + 2a22).

Considerando la igualdad (02) y teniendo en cuenta que las componentes de un vector en

una base son únicas, se verifica que

1 = a +
1 11 a
2 12

2 = a +
1 21 a
2 22
 ÁLGEBRA
20

Cuto sistema matricial será

1x2
= A2x2 1x2

La matriz A2x2 es la matriz de cambio de base o de transición y sus columnas son los
componentes de la base B expresados en la base B’.

Algunas propiedades importantes son:

a) |A| 0
b) C-1 es la matriz de transición de la base B’ a la base B
 ÁLGEBRA
21

SISTEMAS DE INECUACIONES LINEALES

CONCEPTO
Es un conjunto de desigualdades, que cumple con la misma estructura de un sistema de
ecuaciones lineales, y la diferencia entre ambos radica en que en lugar de igualdades
tendremos desigualdades. Existen cuatro tipos de desigualdades:
a) Menor o igual: el resultado del sistema comprende a todas las x que hacen que
se cumpla la restricción. Si consideramos el intervalo de números x que cumplen
con las restricciones, incluimos en dicho intervalo a x = a que delimita la
restricción.
b) Menor: son todas las x , delimitadas por x = a tales que x es menor a “a” y
dicho número x = a no está incluido en el intervalo de resultado (porque a = a y no
menor).
c) Mayor o igual: son todas las x delimitadas por x = a tales que todas las x del
conjunto sean mayores que a, incluyendo al número x = a en dicho intervalo.
d) Mayor: son todas las x delimitadas por x = a tales que todas las x del conjunto
sean mayores que a, excluyendo al número x = a del intervalo.

Dicho intervalo se denomina conjunto solución del sistema.

PROPIEDADES DE LAS DESIGUALDADES

a , b : a < b  -a > -b
a , b : a > b  -a < -b
-
a , b , : a > b  a < b/
-
a , b , : a < b  a > b/

RESOLUCIÓN
Para resolver un sistema de inecuaciones lineales se resuelve su sistema de ecuaciones
asociado (aquel que resulta de sustituir las desigualdades por las igualdades) y luego se
elige un punto por sobre y por debajo de las rectas obtenidas como solución y tomamos los
puntos para los cuales se cumplen simultáneamente todas las condiciones, obteniendo un
área como resultado
 ÁLGEBRA
22

PROGRAMACIÓN LINEAL
n
CONJUNTOS CONVEXOS EN

Puntos en n
Los elementos de n, con n = 2 o n = 3 se pueden representar gráficamente tanto por
segmentos orientados como por puntos.

De ahí que, como es habitual en este tema, llamaremos a los elementos de n puntos en
lugar de vectores, y su notación P, Q, R, etcétera, pese a que para n > 3 no tenga
representación gráfica.
n
Segmento en

Dos puntos P y Q en 2 y 3 definen el segmento PQ cuyos extremos son P y Q. Este

segmento se puede definir como el conjunto de todas las combinaciones lineales convexas
posibles de P y Q.
n
Análogamente, aunque no sea posible graficarlo para n>3, definimos en al conjunto
n
PQ = t / t = P + (1 - ) 0< <1

Conjuntos convexos en n
Sea D un subconjunto de n, diremos que ese conjunto es convexo si y solo si, dados dos
puntos P y Q que pertenecen a D, el segmento PQ está incluido en D.

La intersección entre dos conjuntos convexos es también un conjunto convexo. En efecto,

si D y F son dos conjuntos convexos e I es la intersección de ambos, y P y Q son dos
puntos cualesquiera de I, entonces pertenecen también a D y a F. Luego, por ser D y F
convexos el segmento PQ está incluido en ambos y, en consecuencia, también en I, es decir
que I también es un conjunto convexo.

Hiperplanos y semiespacios
Un hiperplano se define como el conjunto de puntos X = (x1, x2,..., xn) que pertenecen a n
tales que “b” es la suma de los productos de cada componente del punto xi por distintos
escalares i / 1< i < n, donde, a su vez, i y b pertenecen a , es decir, al conjunto de
soluciones de una ecuación lineal. Si llamamos A = ( 1, 2,..., n) a los coeficientes, se
puede definir como hiperplano en n al conjunto H = x n
/ AX = B . Casos
particulares son cuando n = 2 la representación gráfica es una recta, y cuando n = 3 es un
plano.

Por otra parte, llamamos semiespacio cerrado en n o simplemente semiespacio al conjunto

n
S= x / AX < B , es decir, al conjunto de soluciones de una inecuación lineal. Tanto
H como S son conjuntos convexos.
 ÁLGEBRA
23

Conjuntos poliédricos convexos

La intersección de dos o mas semiespacios cerrados de n es un conjunto convexo
n
denominado conjunto poliédrico convexo y se puede definir como el conjunto C = x /
mxn mxn
AX < B A B

Vértice de un conjunto poliédrico convexo

V es un punto extremo o vértice del conjunto poliédrico C si y sólo si para cualquier punto
P y para cualquier punto Q, pertenecientes a dicho conjunto, V = P o bien V = Q. Por
ejemplo, en el siguiente gráfico los vértices de la región son A, B, C y D que resultan de la
intersección de las cuatro inecuaciones f(x), g(x), h(x) e i(x)

FUNCIÓN LINEAL DE n VARIABLES

Llamamos función lineal de n variables a aquella función definida en n con un conjunto

de soluciones que pertenecen al cuerpo real tales que la función de cada variable pueda ser
expresada como el producto entre la variable y el coeficiente que la acompaña; y la suma de
todos ellos

n
f:  / f(x1, x2,..., xn) =

Propiedades

n n
Dados dos puntos de u y w y la función f:  / f(x1, x2,..., xn) =
 ÁLGEBRA
24

Puede afirmarse que:

f(u + w) = f(u) + f(w)
: f(u) = f( u)

Función lineal definida sobre un segmento

Sea la función lineal f: n  , si el segmento PQ n
y el punto X pertenece a dicho
segmento, entonces puede decirse que:
f(P) < f(Q)  f(P) < f(x) < f(Q)
f(P) > f(x) > f(Q)

Función lineal definida sobre un conjunto poliédrico convexo

Sea la función f: n  y C un conjunto poliédrico convexo incluido en n que posea al
menos un vértice, si f tiene un valor máximo (mínimo) en C entonces existe algún vértice V
de C tal que f(V) = Fmax (f(V) = Fmin).

CONJUNTOS ACOTADOS

Sea C un subconjunto acotado de n se dice que C es acotado si y sólo si existe un escalar

k > 0 y para cualquier punto X perteneciente a C se cumple que la suma de las variables
independientes elevadas cada una de ellas al cuadrado, sea menor o igual a ese escalar k.

Propiedades
Si C es un subconjunto acotado y no vacío de n, entonces cualquier función
lineal f: n necesariamente toma su valor máximo o mínimo en algún
vértice de C.
Si C es un subconjunto no acotado puede ocurrir que f tenga máximo pero no
mínimo en C, mínimo pero no máximo en C o carezca de ambos en C.

ALGORITMO SIMPLEX
El algoritmo simplex es un método utilizado para hallar el máximo o mínimo en un
conjunto poliédrico convexo C de una función f: n recorriendo todos los vértices de
C. Deben cumplirse las siguientes restricciones:
AX < B
bij <0
xij <0

Maximización de funciones lineales

Dada una función f a maximizar, podemos escribir dicha función en forma matricial

f(x1, x2,..., xn) = C1xn Xnx1

n
y esta función se encuentra sujeta a subconjunto de , C, determinada por el sistema de
inecuaciones AX < B / B>N.
 ÁLGEBRA
25

El primer paso consiste en agregarle al sistema AX < B variables de holgura si que lo

transformen en el sistema AX = B, donde

De esta forma, el sistema será el inicial mas la variable de holgura, y luego se arma la tabla
simplex inicial:

x1 ... xn s1 ... sm B
a11 ... a1n 1 ... 0 b1
... ... ... ... ... ... ...
am1 ... amn 0 ... 0 bm
c1 ... cn 0 0 1 f

En esta instancia la tabla simplex está compuesta por 4 matrices: la matriz A de

coeficientes, la matriz S de variables de holgura que resulta ser igual a la matriz identidad,
la matriz C de coeficientes de la función, llamados indicadores, y la matriz B de términos
independientes.

El próximo paso consiste en pivotear la tabla hasta obtener vectores canónicos (variables
básicas) en la matriz A. Para elegir los pivotes hay una serie de restricciones:
el indicador de sus columna debe ser positivo
bi/aij debe ser el menor entre las filas
bi >0
aij >0

En el casillero donde aparece f quedará, luego de pivotear, “f - ” / = Fmax. Se

alcanza en el punto P = (x1, x2,..., xn). Cuando xk es una variable básica, bi = aii.

Minimización por maximización de la función opuesta

Dada una función f a maximizar, armamos una función g = -f que maximizamos a través
del algoritmo simplex. Si es el valor máximo de g, entonces - será el valor máximo de la
función opuesta, es decir, de f.

Minimización por método dual

Cuando hay que minimizar una función

n
f:  / f(x1, x2,..., xn) =

sujeta a un sistema de inecuaciones AX > B, se obtiene un problema dual que plantea la

maximización de f’(x1, x2,..., xn) con los coeficientes bij en lugar de aij sujeta al sistema
 ÁLGEBRA
26

AX < Ct

El valor máximo de f’ es igual al valor máximo de f, y el punto en donde esto sucede está
determinado por el opuesto de las variables de holgura. Por ejemplo, dada la tabla simplex
final, Fmax = 48 en el punto P = (3,5,7)

X1 X2 X3 S1 S2 S3 Ct
1 0 -1 0 4 325 136
0 0 3 1 8 482 248
0 1 5 2 150 324 366
0 0 -4 -3 -5 -7 f’ - 48