Está en la página 1de 105

Algebra Lineal

Marco A. Colque
14 de Julio de 2009
ii

Indice general
I Preliminares 1
1. Matrices 3
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Denicion y Ejemplos . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . 5
1.3.1. Suma de Matrices . . . . . . . . . . . . . . . . . . . . 6
1.3.2. Producto . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3. Matriz transpuesta . . . . . . . . . . . . . . . . . . . . 9
1.4. Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5. La Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6. Operaciones Elementales . . . . . . . . . . . . . . . . . . . . . 16
1.6.1. Intercambio de Filas . . . . . . . . . . . . . . . . . . . 17
1.6.2. Multiplicacion de una Fila por un escalar . . . . . . . 18
1.6.3. Suma a una Fila un m ultiplo escalar de otra . . . . . . 20
1.6.4. Operaciones Elementales por Columna . . . . . . . . . 27
1.7. Metodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . 28
2. Determinantes 31
2.1. introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2. Funcion Determinante . . . . . . . . . . . . . . . . . . . . . . 31
2.3. Propiedades del Determinante . . . . . . . . . . . . . . . . . . 33
2.4. Determinantes y Operaciones Elementales . . . . . . . . . . . 40
2.5. Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3. Sistemas de Ecuaciones 49
3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2. Soluciones de Sistemas de Ecuaciones Lineales . . . . . . . . . 49
3.3. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4. Resolucion de sistemas de Ecuaciones Lineales . . . . . . . . . 53
3.5. Sistemas inconsistentes . . . . . . . . . . . . . . . . . . . . . . 53
3.6. Sistemas consistentes . . . . . . . . . . . . . . . . . . . . . . . 55
3.6.1. Soluciones unicas . . . . . . . . . . . . . . . . . . . . . 55
3.6.2. Innitas soluciones . . . . . . . . . . . . . . . . . . . . 57
iii
iv

INDICE GENERAL
3.7. Problemas de aplicacion . . . . . . . . . . . . . . . . . . . . . 61
II Algebra Lineal 63
4. Espacios Vectoriales 65
4.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2. Denicion y ejemplos. . . . . . . . . . . . . . . . . . . . . . . 65
4.3. Propiedades de los espacio vectoriales . . . . . . . . . . . . . 68
4.4. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . 70
4.5. Subespacio generado . . . . . . . . . . . . . . . . . . . . . . . 73
4.6. Dependencia e independencia lineal . . . . . . . . . . . . . . . 77
4.7. Bases y dimension . . . . . . . . . . . . . . . . . . . . . . . . 80
4.8. Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5. Espacios con Producto Interior 89
5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.2. Denicion y ejemplos . . . . . . . . . . . . . . . . . . . . . . . 89
5.3. Norma de un vector . . . . . . . . . . . . . . . . . . . . . . . 92
5.4.

Angulo entre vectores . . . . . . . . . . . . . . . . . . . . . . 94
5.5. Proceso de Gram Schmidt . . . . . . . . . . . . . . . . . . . . 96
6. Transformaciones Lineales 101
6.1. Denicion y Ejemplos . . . . . . . . . . . . . . . . . . . . . . 101
6.2. N ucleo e Imagen . . . . . . . . . . . . . . . . . . . . . . . . . 103
Parte I
Preliminares
1
Captulo 1
Matrices
1.1. Introduccion
En el presente captulo deniremos arreglos rectangulares, los cuales lla-
maremos MATRICES y al conjunto de arreglos rectangulares del mismo
tama no le dotaremos de una estructura algebraica con la cual podremos
hacer varias operaciones simultaneamente. Nuestro estudio de las matrices
tiene, en principio, el objetivo de estudiar sistemas de ecuaciones lineales,
los cuales reduciremos al estudios de ecuaciones del tipo A X = B en donde
A, X, B son matrices. En lo que sigue consideraremos que los elementos de
las matrices estan en un campo F el cual en general se puede suponer que
son los n umeros reales o complejos. Esta consideracion obedece a lograr la
mayor generalidad posible sin un esfuerzo adicional por ejemplo en la teora
de grafos se consideran las matrices con elementos en un algebra Booleana
y en otras aplicaciones matrices con elementos en el campo Z
2
.
1.2. Denicion y Ejemplos
Diremos que una matriz A de tama no m n es un arreglo rectangular
dispuesto en m las y n columnas, es decir:
A =
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
. . . . . . . . . . . . .
a
m1
a
m2
a
mn
_
_
_
_
Nos interesa el caso en el cual los elementos de la matriz A son n umeros
reales o complejos.
La i-esima la de A es
(a
i1
a
i2
. . . a
in
) para cada i = 1, 2, ..., m.
3
4 CAP

ITULO 1. MATRICES
Del mismo modo la j-esima columna de A es:
_
_
_
_
_
a
1j
a
2j
.
.
.
a
mj
_
_
_
_
_
Para j = 1, 2, ..., n.
Usaremos tambien la notacion
A = (a
ij
)
(nm)
o simplemente A = (a
ij
)
cuando el tama no de la matriz este sobreentendida. El elemento a
ij
de A es
elemento de la i-esima la y la j-esima columna. Por ejemplo si
A =
_
_
1 2 3 4
5 1 2 0
0 1 1 1
_
_
El elemento a
2 1
= 5 es el elemento de la segunda la y primera columna.
En general si A es una matriz de n m con elementos en el campo F
escribiremos:A M
nm
(F).
Si n = m diremos que la matriz A es cuadrada de orden n.
En caso de que la matriz A es cuadrada los elementos a
11
, a
22
, ..., a
nn
de A
se denominan la diagonal principal de A y escribiremos:
diag(A) = (a
11
, a
22
, ..., a
nn
)
Veamos algunos ejemplos:
Si
A =
_
_
_
_
1 2 3 0
3 1 2 0
0 1 1 1
1 0 4 1
_
_
_
_
es una matriz de orden 4 4, es decir es cuadrada y podemos escribir A
M
4
(R). Luego
diag(A) = (1, 1, 1, 1)
Veamos un ejemplo mas: denamos la matriz A = (a
ij
) del siguiente modo
a
ij
= (i 2j)
2
, i = 1, 2, 3, 4, j = 1, 2, 3. Los elementos de la matriz A se
pueden calcular del siguiente modo:
a
11
= (1 2 1)
2
= 1
a
23
= (2 2 3)
2
= 16
a
43
= (4 2 3)
2
= 4
1.3. OPERACIONES CON MATRICES 5
as la matriz A es:
A =
_
_
_
_
1 9 25
0 4 16
1 1 9
2 0 4
_
_
_
_
A continuacion vamos a denir algunas matrices especiales.
Denicion 1. La matriz nula 0
nm
M
nm
(F) es la matriz dena por:
[0
nm
]
ij
= 0.
Es decir la matriz nula de M
23
(R) es:
0
23
=
_
0 0 0
0 0 0
_
cuando no haya confusiones escribiremos 0
nm
= 0.
Denicion 2. La matriz identidad I
n
M
nn
(F) es la matriz dena por:
[I
n
]
i j
=
_
1, i = j
0 i ,= j.
cuando no haya confusion escribiremos I = I
n
.
Por ejemplo la matriz identidad de orden 4 es por denicion:
I
4
=
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
o de manera abreviada
I =
_
_
_
_
1
1
1
1
_
_
_
_
1.3. Operaciones con Matrices
Hemos denido un conjunto M
nm
(F) donde F es el conjunto de los n umeros
reales o complejos. Vamos a aprovechar la estructura de F para denir op-
eraciones en M
nm
(F).
Para abreviar las demostraciones diremos que si A es una matriz [A]
ij
es el
elemento de la i-esima la y j-esima columna de A.
6 CAP

ITULO 1. MATRICES
1.3.1. Suma de Matrices
Denicion 3. Si A, B M
nm
(F) entonces la suma de A con B es la
matriz C M
nm
(F) que se dene por:
[C]
ij
= [A]
ij
+ [B]
ij
(1.1)
para cada valor de i, j. La suma de 1.1 es la suma del campo F. As es-
cribiremos
C = A+B.
Observacion 1. Es importante notar que el tama no de las matrices A y B
debe ser el mismo para poder realizar la suma.
Ejemplo 1. Sean A, B M
nm
(F) denidas por:
A =
_
_
1 2 1
3 2 1
1 2 3
_
_
, B =
_
_
1 1 0
2 2 3
0 3 2
_
_
entonces la suma es la matriz A+B que por denicion es:
_
_
1 2 1
3 2 1
1 2 3
_
_
. .
A
+
_
_
1 1 0
2 2 3
0 3 2
_
_
. .
B
=
_
_
1 + 1 2 + (1) 1 + 0
3 + 2 2 + (2) 3 + 1
1 + 0 2 + 3 3 + (2)
_
_
. .
A+B
luego
A+B =
_
_
2 1 1
5 0 4
1 5 1
_
_
1.3.2. Producto
Vamos a denir dos tipos de productos.
Producto por un escalar
Denicion 4. Sea A M
nm
(F) y sea F. Denimos el producto de la
matriz A por el escalar como la matriz A dada por
[ A]
ij
= [A]
ij
es decir:
A =
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
nm
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
_
_
1.3. OPERACIONES CON MATRICES 7
Ejemplo 2. Sea la matriz
A =
_
1 1 4
3 2 3
_
y el escalar = 5 entonces el producto A es la matriz
5 A = 5
_
1 1 4
3 2 3
_
=
_
5 1 5 (1) 5 4
5 3 5 (2) 5 3
_
=
_
5 5 20
15 10 15
_
El otro producto que vamos a denir se denomina Producto de matrices.
Denicion 5. Sean A M
np
y B M
pm
la Matriz producto de A por
B es la matriz A B M
nm
denido por:
[A B]
i j
=
p

k=1
[A]
i k
[B]
k j
Observacion 2. Notemos que:
1. Para que el producto de matrices este bien denido el n umero de colum-
nas de A debe ser igual al n umero de Filas de la matriz B.
2. Para obtener el elemento [AB]
i j
se multiplica las coordenadas de la i-
esima la de A y la j-esima columna de B termino a termino y luego
se las suma. Es decir:
_
a
i1
a
i2
. . . a
ip
_
. .
la i

_
_
_
_
_
b
1j
b
2j
.
.
.
b
pj
_
_
_
_
_
. .
columna j
= a
i1
b
1j
+a
i2
b
2j
+. . . +a
ip
b
pj
Veamos algunos ejemplos:
Ejemplo 3. Vamos a calcular el producto de las matrices:
A =
_
1 2 1 0
1 2 0 2
_
24
, B =
_
_
_
_
1 2 1
1 2 0
3 2 1
2 3 2
_
_
_
_
43
El producto esta bien denido pues el n umero de columnas de A, 4, es igual
al n umero de las de B (de acuerdo a la denicion 5 en nuestro ejemplo
8 CAP

ITULO 1. MATRICES
p = 4) . Luego el tama no de la matriz AB debe ser 2 3. Vamos a calcular
algunos elementos de esta matriz:
[A B]
1 1
=
4

k=1
[A]
1 k
[B]
k 1
= [A]
1 1
[B]
1 1
+ [A]
1 2
[B]
2 1
+ [A]
1 3
[B]
3 1
+ [A]
1 4
[B]
4 1
= (1 1) + (2 (1)) + ((1) 3) + (0 2) = 4
[A B]
2 3
=
4

k=1
[A]
2 k
[B]
k 3
= [A]
2 1
[B]
1 3
+ [A]
2 2
[B]
2 3
+ [A]
2 3
[B]
3 3
+ [A]
2 4
[B]
4 3
= ((1) 1) + ((2) 0) + (0 (1)) + (2 (2)) = 5.
As podemos ir llenando los elementos de la matriz AB:
AB =
_
4
5
_
Finalmente obtenemos:
AB =
_
4 0 2
5 8 5
_
Teorema 6. Sean A, B, C M
nm
(F) y , K entonces:
1. A+B = B +A, (Conmutatividad).
2. (A+B) +C = A+ (B +C), (Asociatividad).
3. Existe una unica matriz 0 M
nm
(F) tal que
A+ 0 = A.
4. Existe una unica matriz B M
nm
(F) tal que
A+B = 0
La matriz B se denota por A.
5. (A) = ()A, (Asociatividad).
6. ( +)A = (A) + (A), (Distributividad).
7. (A+B) = A+B, (Distributividad).
8. A(BC) = (AB) C, (Asociatividad).
9. A(B +C) = AB +AC.
1.3. OPERACIONES CON MATRICES 9
Demostracion. 1. Vamos a probar que A + B = B + A, dos matrices son
iguales si son iguales coordenada a coordenada.
[A+B]
ij
= [A]
ij
+ [B]
ij
= [B]
ij
+ [A]
ij
= [B +A]
ij
, i, j.
8. Supongamos que A = A
np
, B = B
pm
, C = C
pm
, entonces:
[A(B +C)]
ij
=
p

k=1
[A]
ik
[B +C]
kj
=
p

k=1
[A]
ik
([B]
kj
+ [C]
kj
)
=
p

k=1
_
[A]
ik
[B]
kj
+ [A]
ik
[C]
kj
_
=
p

k=1
[A]
ik
[B]
kj
+
p

k=1
[A]
ik
[C]
kj
= [AB]
ij
+ [AC]
ij
= [AB +AC]
ij
, i, j.
las demas propiedades se demuestran del mismo modo.
Teorema 7. Si A M
nm
(F) entonces
1. AI
m
= A
2. I
n
A = A
1.3.3. Matriz transpuesta
Denicion 8. Si A M
nm
(F) entonces la transpuesta de A es la matriz
A
t
M
mn
(F) denida por:
[A
t
]
i j
= [A]
j i
.
Ejemplo 4. Sea
A =
_
1 0 2 1
i 1 3 2
_
24
entonces la matriz transpuesta A
t
debe ser una matriz de 42 los elementos
de la primera columna de A
t
son los elementos de la primera la de A pues:
[A
t
]
11
= [A]
11
= 1
[A
t
]
21
= [A]
12
= 0
[A
t
]
31
= [A]
13
= 2
[A
t
]
41
= [A]
14
= 1.
10 CAP

ITULO 1. MATRICES
Luego tenemos que:
A
t
=
_
_
_
_
1 i
0 1
2 3
1 2
_
_
_
_
42
Teorema 9. Sean A, B M
nm
(F) entonces:
1. (A
t
)
t
= A.
2. (A+B)
t
= A
t
+B
t
.
3. (A)
t
= A
t
.
4. Si A M
nk
y B M
km
entonces (AB)
t
= B
t
A
t
.
Demostracion. consideremos:
[(AB)
t
]
ij
= [(AB)]
ji
=
p

k=1
[A]
jk
[B]
ki
=
p

k=1
[A
t
]
kj
[B
t
]
ik
=
p

k=1
[B
t
]
ik
[A
t
]
kj
= [B
t
A
t
]
ij
, i, j.
por lo tanto (AB)
t
= B
t
A
t
.
1.4. Matriz escalonada
Observemos el siguiente sistema de ecuaciones:
_

_
2x + 3y z = 0
3x 2y 2z = 0
x y 2z = 0
Los podemos expresar en terminos del producto de matrices del siguiente
modo:
_
_
2 3 1
3 2 2
1 1 2
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
1.4. MATRIZ ESCALONADA 11
por supuesto existe sistemas mas faciles de resolver que otros, por ejemplo
el sistema
_

_
x + 3y z = 0
x 2y = 1
x = 2
cuya expresion matricial es:
_
_
1 3 1
1 2 0
1 0 0
_
_
_
_
x
y
z
_
_
=
_
_
0
1
2
_
_
se la puede resolver de manera inmediata. Nos interesan las matrices cuyo
sistema asociado sea facil de resolver. Estas son precisamente las matrices
escalonadas.
Denicion 10. Una matriz A M
nm
(F) se dice que es una matriz escalon-
ada si:
1. Todas las las nulas se encuentran por debajo de las las no nulas.
2. El pivote de la linea i + 1 aparece a la derecha del pivote de la linea i
para i = 1, 2, ..., n 1.
Por ejemplo las siguientes matrices son escalonadas:
_
_
1 3 1
0 2 0
0 0 0
_
_
,
_
_
2 3 1 0
0 5 2 0
0 0 1 1
_
_
,
_
_
0 1 2 1 1
0 0 0 1 3
0 0 0 0 3
_
_
Una matriz se denomina ESCALONADA REDUCIDA si ademas de ser
escalonada ocurre que:
1. El primer elemento no nulo de cada la no nula se denomina pivote y
es igual a 1.
2. Si una columna contiene un pivote entonces todos los demas elementos
de la columna son iguales a cero.
Por ejemplo las matrices:
_
_
1 0 1
0 1 0
0 0 0
_
_
,
_
_
1 0 1 0
0 1 2 0
0 0 1 1
_
_
,
_
_
0 1 2 0 0
0 0 0 1 0
0 0 0 0 1
_
_
son ejemplos de matrices escalonadas reducidas.
12 CAP

ITULO 1. MATRICES
Observacion 3. Sea A

M
n
(F) una matriz escalonada, supongamos que
su elemento a

ii
,= 0, 1, entonces no es un pivote, luego debe existir a

ik
= 1
con k < i un pivote de A

, en realidad el i-esimo pivote de A

, pero esto es
imposible pues no pueden haber i 1 pivotes distribuidos en por lo menos
i 2 columnas. As toda matriz cuadrada escalonada tiene los elementos de
su diagonal principal iguales a ceros o unos. Por ejemplo:
_
_
_
_
1 0 0 2
0 1 0 1
0 0 0 0
0 0 0 0
_
_
_
_
,
_
_
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
,
_
_
1 0 0
0 1 0
0 0 0
_
_
as podemos decir que:
1. Si la matriz A

tiene todos los elementos de la diagonal principal


iguales a 1 entonces A

= I
n
.
2. Una matriz escalonada reducida por las A M
n
(F) es una matriz
identidad o una matriz con una la llena de ceros.
1.5. La Matriz Inversa
Todo n umero real o complejo a no nulo tiene un inverso multiplicativo a
1
tal
que aa
1
= 1. La nueva estructura que hemos construido M
nm
(F) hereda
todas las propiedades respecto de adicion del campo F y algunas multiplica-
tivas.Que ocurre con la existencia de un inverso multiplicativo? veremos
que existe aunque no en todos los casos.
Denicion 11. Dada A M
n
(F) diremos que la matriz B M
n
(F) es la
inversa de A si:
AB = BA = I
n
Si una matriz tiene inversa diremos que es inversible o que es una matriz
singular.
Veamos un ejemplo
Ejemplo 5. Si
A =
_
_
0 1 1
1 0 1
1 1 1
_
_
, B =
_
_
1 0 1
0 1 1
1 1 1
_
_
entonces
AB = BA =
_
_
1 0 0
0 1 0
0 0 1
_
_
As B es la matriz inversa de A (o A es la inversa de B).
1.5. LA MATRIZ INVERSA 13
Teorema 12. Si A M
n
(F) y la matriz inversa de A existe, esta es unica.
Demostracion. Supongamos que B, C M
n
(F) son inversas de A entonces
AB = BA = I
n
y AC = CA = I
n
luego como
BI
n
= B(AC) = (BA)C = I
n
C = C
B = C.
Denicion 13. Dada A M
n
(F) si existe la matriz inversa de A la deno-
taremos con A
1
.
Teorema 14. Si A, B M
n
(F) tienen inversa entonces
1. (A
1
)
1
2. AB tambien tiene inversa y
(AB)
1
= B
1
A
1
Demostracion. 1. Es aclaro por la unicidad de la inversa ya que dada
A
1
entonces
AA
1
= A
1
A = I
luego A es la inversa de A
1
.
2. Basta ver que
(AB)B
1
A
1
= A(BB
1
)A
1
= (AI)A
1
= AA
1
= I
luego B
1
A
1
= (AB)
1
.
Ejemplo 6. Sea la matriz
A =
_
2 3
2 2
_
queremos calcular la inversa de A, si existe, sea B =
_
a b
c d
_
entonces si
la inversa de A existe AB = I
2
es decir:
AB =
_
2a + 3c 2b + 3c
2a + 2c 2b + 2d
_
=
_
1
1
_
as tenemos un sistema de cuatro ecuaciones y cuatro incognitas, este tiene
solucion, luego la inversa existe y es
B = A
1
=
_
1
3
2
1 1
_
14 CAP

ITULO 1. MATRICES
Ejemplo 7. Si A es una matriz de orden n tal que A
k
= 0 para alg un k N
mostraremos que
(I
n
A)
1
= I
n
+A+A
2
+ +A
k1
Basta calcular:
_
I
n
+A+A
2
+ +A
k1
_
(I
n
A) = I
n
+A+A
2
+ +A
k1
A(I
n
+A+A
2
+A
3
A
k1
)
= I
n
+A+A
2
+ +A
k1
AA
2
A
k
= I
n
Ejemplo 8. Sea A dada por
A =
_
_
0 1 1
0 0 1
0 0 0
_
_
Notemos que
A
3
=
_
_
0 0 1
0 0 0
0 0 0
_
_
. .
A
2

_
_
0 1 1
0 0 1
0 0 0
_
_
. .
A
= 0
por lo demostrado antes (I A)
1
existe ademas
(I A)
1
= I +A+A
2
=
_
_
1 1 2
0 1 1
0 0 1
_
_
Ejemplo 9. Sea A M
n
(F) tal que
A
2
AI = 0
demostrar que A
1
existe y calcularla.
Solucion.- Basta notar que A
2
AI = A(AI) I entonces
A(AI) = I
por lo tanto A
1
= AI.
Ejemplo 10. Sean A y B matrices cuadradas. Muestre que si A + B y A
son invertibles entonces
(A+B)
1
= A
1
(I
n
+BA
1
)
1
Nuevamente por la unicidad de la matriz inversa basta probar que
(A+B)
_
A
1
(I
n
+BA
1
)
1
_
= I
n
1.5. LA MATRIZ INVERSA 15
veamos:
(A+B)
_
A
1
(I
n
+BA
1
)
1
_
=
_
(A+B)A
1
_
(I
n
+BA
1
)
1
= (AA
1
+BA
1
)(I
n
+BA
1
)
1
= (I
n
+BA
1
)(I
n
+BA
1
)
1
= I
n
Las preguntas que debemos hacernos en este momento son:
1. Como reconocer cuando una matriz tiene inversa?
2. Si una matriz tiene inversa como la podemos hallar?
estas son preguntas importantes en este punto, veamos una respuesta parcial:
Teorema 15. Dada la matriz A M
2
(F)
A =
_
a b
c d
_
entonces A tiene inversa si y solo si ad bc ,= 0 y la inversa es
A
1
=
1
ad bc
_
d b
c a
_
Demostracion. Sea B =
_
x y
z u
_
y calculemos
AB =
_
ax +bz ay +bu
cx +dz cy +du
_
=
_
1
1
_
As tenemos el siguiente sistema de ecuaciones lineales:
_

_
ax +bz = 1
cx +dz = 0
ay +bu = 0
cy +du = 1
entonces
_
acx +bcz = c
acx adz = 0
as (cb ad)z = c es decir si ad bc ,= 0 entonces
z =
c
zb cd
16 CAP

ITULO 1. MATRICES
del mismo modo se calculan las otras soluciones
x =
d
ad bc
, y =
d
ad bc
z =
c
ad bc
, w =
a
ad bc
las cuales existen y son unicas (como la inversa de la matriz) si y solo si
ad bc ,= 0.
Ejemplo 11. Sea la matriz
A =
_
2 1
1 3
_
entonces como 2 3 1 1 = 5 ,= 0 entonces la inversa de A existe y esta es:
A
1
=
1
5
_
3 1
1 2
_
por supuesto esta no es una tecnica util para resolver nuestro problema. A
si que le vamos a dar un enfoque distinto.
1.6. Operaciones Elementales
Dada una matriz A, nuestro objetivo es obtener una forma escalonada (re-
ducida) que sea equivalente a la una matriz A. Para esto identicaremos
algunas operaciones elementales entre las las de la matriz.
Sea la matriz
A =
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
_
_
denotaremos con F
i
la i-esima la de A. luego si A tiene n las entonces
denotaremos con:
A =
_
_
_
_
_
F
1
F
2
.
.
.
F
n
_
_
_
_
_
As por ejemplo si
A =
_
_
_
_
1 2 1 1
2 3 0 1
1 1 3 1
2 1 0 0
_
_
_
_
entonces F
2
= (2 3 0 1)
1.6. OPERACIONES ELEMENTALES 17
1.6.1. Intercambio de Filas
Dada una matriz A M
nm
(F) la primera operacion que vamos a denir es
el intercambio de las: sean F
i
y F
j
las de A entonces la operacion
_
_
_
_
_
_
_
_
_
_
_
_
_
F
1
.
.
.
F
i
.
.
.
F
j
.
.
.
F
n
_
_
_
_
_
_
_
_
_
_
_
_
_
F
i
F
j

_
_
_
_
_
_
_
_
_
_
_
_
_
F
1
.
.
.
F
j
.
.
.
F
i
.
.
.
F
n
_
_
_
_
_
_
_
_
_
_
_
_
_
es el intercambio de la por ejemplo
A =
_
_
_
_
1 2 1 1
2 3 0 1
1 1 3 1
2 1 0 0
_
_
_
_
F
2
F
3

_
_
_
_
1 2 1 1
1 1 3 1
2 3 0 1
2 1 0 0
_
_
_
_
= A

por supuesto la matriz A

no es igual a la matriz A sin embargo si denimos


las matriz E
i,j
M
n
(F) de la siguiente forma:
I
n
F
i
F
j
E
i,j
(1.2)
entonces E
i,j
es invertible pues E
i,j
E
i,j
= I
n
luego E
1
i,j
= E
i,j
, ademas:
Teorema 16. Si A M
nm
(F) y A
F
i
F
j
A

entonces E
i,j
A = A

. Luego
A = E
i,j
A

.
Ejemplo 12. Veamos que E
3,4
M
4
(R) es la matriz:
E
3,4
=
_
_
_
_
1 0 0 0
0 1 0 0
0 0 0 1
0 0 1 0
_
_
_
_
luego como:
E
3,4
E
3,4
=
_
_
_
_
1 0 0 0
0 1 0 0
0 0 0 1
0 0 1 0
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 0 1
0 0 1 0
_
_
_
_
=
_
_
_
_
1
1
1
1
_
_
_
_
concluimos que E
1
3,4
= E
3,4
.
18 CAP

ITULO 1. MATRICES
Ejemplo 13. Consideremos la matriz A =
_
_
1 2 1 1
0 0 0 1
0 0 2 2
_
_
entonces
A =
_
_
1 2 1 1
0 0 0 1
0 0 2 2
_
_
F
2
F
3

_
_
1 2 1 1
0 0 2 2
0 0 0 1
_
_
= A

la nueva matriz A

se puede obtener del siguiente modo E


2,3
A = A

veamos:
Por 1.2 tenemos que:
E
2,3
=
_
_
1 0 0
0 0 1
0 1 0
_
_
es la matriz identidad de orden tres a la cual se ha intercambiado las las
segunda y tercera. Luego:
E
2,3
A =
_
_
1 0 0
0 0 1
0 1 0
_
_

_
_
1 2 1 1
0 0 0 1
0 0 2 2
_
_
=
_
_
1 2 1 1
0 0 2 2
0 0 0 1
_
_
= A

1.6.2. Multiplicacion de una Fila por un escalar


Dada una matriz A M
nm
(F) vamos a denir la multiplicacion de una la
por un escalar no nulo. Sea F, ,= 0 y F
i
la i-esima la de A. entonces
_
_
_
_
_
_
_
_
F
1
.
.
.
F
i
.
.
.
F
n
_
_
_
_
_
_
_
_
F
i

_
_
_
_
_
_
_
_
F
1
.
.
.
F
i
.
.
.
F
n
_
_
_
_
_
_
_
_
Donde
F
i
= (a
i1
a
i2
...a
im
)
Por ejemplo
A =
_
_
_
_
1 2 1 1
2 3 0 1
1 1 3 1
2 1 0 0
_
_
_
_
F
3

_
_
_
_
1 2 1 1
2 3 0 1
1 (1) 3 1
2 1 0 0
_
_
_
_
= A

si = 2 tenemos que
A =
_
_
_
_
1 2 1 1
2 3 0 1
1 1 3 1
2 1 0 0
_
_
_
_
2F
3

_
_
_
_
1 2 1 1
2 3 0 1
2 1 2 (1) 2 3 2 1
2 1 0 0
_
_
_
_
=
_
_
_
_
1 2 1 1
2 3 0 1
2 2 6 2
2 1 0 0
_
_
_
_
1.6. OPERACIONES ELEMENTALES 19
de nuevo la matriz A

no es igual a la matriz A.
Denimos
I
n
F
i
E
i
()
la matriz E
i
() M
n
(F) es invertible, para esto basta ver que
_
E
2
()
_
1
= E
i
_
1

_
Ejemplo 14. Calculemos
E
3
(2) =
_
_
_
_
1 0 0 0
0 1 0 0
0 0 2 0
0 0 0 1
_
_
_
_
, entonces si A =
_
_
_
_
1 2 1 1
2 3 0 1
1 1 3 1
2 1 0 0
_
_
_
_
tenemos que:
E
3
(2) A =
_
_
_
_
1 0 0 0
0 1 0 0
0 0 2 0
0 0 0 1
_
_
_
_

_
_
_
_
1 2 1 1
2 3 0 1
1 1 3 1
2 1 0 0
_
_
_
_
=
_
_
_
_
1 2 1 1
2 3 0 1
2 2 6 2
2 1 0 0
_
_
_
_
Ejemplo 15. Veamos que si ,= 0 entonces:
E
2
() =
_
_
_
_
1 0 0 0
0 0 0
0 0 1 0
0 0 0 1
_
_
_
_
, y E
2
_
1

_
=
_
_
_
_
1 0 0 0
0 1/ 0 0
0 0 1 0
0 0 0 1
_
_
_
_
si multiplicamos ambas matrices tenemos que:
E
2
() E
2
_
1

_
=
_
_
_
_
1 0 0 0
0 0 0
0 0 1 0
0 0 0 1
_
_
_
_

_
_
_
_
1 0 0 0
0 1/ 0 0
0 0 1 0
0 0 0 1
_
_
_
_
=
_
_
_
_
1
1
1
1
_
_
_
_
Luego E
2
() E
2
_
1

_
= I
4
por lo tanto
_
E
2
()
_
1
= E
2
_
1

_
.
Teorema 17. Si A M
nm
(F) y A
F
i
A

entonces
E
i
()A = A

.
Ejemplo 16. Consideremos la matriz A =
_
_
1 2 1 1
0 0 0 1
0 0 2 2
_
_
como antes
no esta en forma escalonada pero si
A =
_
_
1 2 1 1
0 0 0 1
0 0 2 2
_
_
F
2
F
3

_
_
1 2 1 1
0 0 2 2
0 0 0 1
_
_
(1/2)F
2

_
_
1 2 1 1
0 0 1 1
0 0 0 1
_
_
= A

20 CAP

ITULO 1. MATRICES
entonces la nueva matriz A

esta en la forma escalonada reducida. Se puede


vericar que
E
2
(1/2) E
2,3
A = A

pues si:
E
2,3
=
_
_
1 0 0
0 0 1
0 1 0
_
_
, E
2
_
1
2
_
=
_
_
1 0 0
0 1/2 0
0 0 1
_
_
entonces
E
2
_
1
2
_
E
2,3
A =
_
_
1 0 0
0 1/2 0
0 0 1
_
_
_
_
1 0 0
0 0 1
0 1 0
_
_
_
_
1 2 1 1
0 0 0 1
0 0 2 2
_
_
=
_
_
1 0 0
0 0 1/2
0 1 0
_
_
_
_
1 2 1 1
0 0 0 1
0 0 2 2
_
_
=
_
_
1 2 1 1
0 0 1 1
0 0 0 1
_
_
1.6.3. Suma a una Fila un m ultiplo escalar de otra
Dada una matriz A M
nm
(F) vamos a denir la suma a una la F
i
un
m ultiplo escalar de otra la F
j
. Sea F y F
i
la i-esima la de A queremos
_
_
_
_
_
_
_
_
_
_
_
_
_
F
1
.
.
.
F
i
.
.
.
F
j
.
.
.
F
n
_
_
_
_
_
_
_
_
_
_
_
_
_
F
i
+F
j

_
_
_
_
_
_
_
_
_
_
_
_
_
F
1
.
.
.
F
i
+F
j
.
.
.
F
j
.
.
.
F
n
_
_
_
_
_
_
_
_
_
_
_
_
_
donde
F
i
+F
j
= (a
i1
+a
j1
a
i1
+a
j2
... a
i1
+a
jm
)
Por ejemplo
A =
_
_
_
_
1 2 1 1
2 3 0 1
1 1 3 1
2 1 0 0
_
_
_
_
F
2
+(2)F
1

_
_
_
_
1 2 1 1
2 + (2)1 3 + (2)2 0 + (2)(1) 1 + (2)1
2 3 0 1
2 1 0 0
_
_
_
_
=
_
_
_
_
1 2 1 1
0 1 2 1
2 3 0 1
2 1 0 0
_
_
_
_
= A

1.6. OPERACIONES ELEMENTALES 21


Denimos
I
n
F
i
+F
j
E
i,j
()
la matriz E
i,j
()M
n
(F) es invertible, para esto basta ver que
_
E
i,j
()
_
1
= E
i,j
()
Ejemplo 17. Calculemos E
2,3
() M
4
(R) y su inversa:
E
2,3
() =
_
_
_
_
1 0 0 0
0 1 0
0 0 1 0
0 0 0 1
_
_
_
_
, E
2,3
() =
_
_
_
_
1 0 0 0
0 1 0
0 0 1 0
0 0 0 1
_
_
_
_
entonces es claro que:
E
2,3
()E
2,3
() =
_
_
_
_
1 0 0 0
0 1 0
0 0 1 0
0 0 0 1
_
_
_
_

_
_
_
_
1 0 0 0
0 1 0
0 0 1 0
0 0 0 1
_
_
_
_
=
_
_
_
_
1
1
1
1
_
_
_
_
Teorema 18. Si A M
nm
(F) y A
F
i
+F
j
A

entonces
E
i,j
()A = A

.
Ejemplo 18. Consideremos la matriz A =
_
_
1 0 1 1
2 0 0 2
0 0 1 1
_
_
esta no esta
en la forma escalonada sin embargo:
_
_
1 0 1 1
2 0 0 2
0 0 1 1
_
_
F
2
+(2)F
1

_
_
1 0 1 1
0 2 2 0
0 0 1 1
_
_
(1/2)F
2

_
_
1 0 1 1
0 1 1 0
0 0 1 1
_
_
F
2
+F
3

F
1
+F
3
_
_
1 0 0 2
0 1 0 1
0 0 1 1
_
_
entonces la nueva matriz A

esta en la forma escalonada reducida. Se puede


vericar que
E
1,3
(1) E
2,3
(1) E
2
(1/2) E
2,1
(2) A = A

22 CAP

ITULO 1. MATRICES
Dada una matriz A M
nm
(F) las operaciones elementales por las que
hemos estudiado se pueden utilizar para transformar la matriz A en otra
matriz A

escalonada reducida o simplemente escalonada, como se hizo en


el ejemplo 18. Mas a un existen E
1
, E
2
, ..., E
k
M
n
(F) matrices elementales
(una para cada operacion elemental) tales que:
E
1
E
2
E
k
A = A

En particular si A M
n
(F) entonces A

M
n
(F) ademas si A

= I
n
entonces
la matriz A es invertible y la inversa es
A
1
= E
1
E
2
E
k
que de manera mas conveniente podemos escribir
A
1
= E
1
E
2
E
k
I
n
es decir la matriz inversa de A, cuando existe, es precisamente la matriz
que se obtiene al aplicar a la matriz identidad las operaciones elementales
por la que usamos para obtener la forma escalonada reducida de A, que
ademas debe ser igual a la matriz identidad. En resumen tenemos:
Denicion 19. Si F, ,= 0, entonces las matrices E
i,j
, E
i
(), E
i,j
()
M
nm
(F) se denominan matrices elementales.
Si A M
nm
(F) y si E M
n
(F) es una matriz elemental entonces se
dice que la matriz EA es equivalente por las a la matriz A y escribiremos
A EA.
Teorema 20. Si A M
nm
(F) entonces existe un n umero nito de matrices
elementales E
1
, E
2
, ..., E
k
M
n
(F) tales que
E
1
E
2
E
3
E
k
A = A

(1.3)
donde A

es una matriz escalonada (reducida). Es decir A es equivalente por


las a una matriz escalonada (reducida).
Teorema 21. Si A M
n
(F) entonces
A tiene inversa A I
n
Ejemplo 19. Sea la matriz
_
_
_
_
1 0 1 1
2 0 4 2
0 0 1 1
2 2 2 0
_
_
_
_
1.6. OPERACIONES ELEMENTALES 23
Vamos a determinar si esta tiene inversa: el elemento [A]
11
= 1 es el pivote
para la primera la, vamos a usar este para volver cero a todos los elementos
de su columna:
_
_
_
_
1 0 1 1
2 0 4 2
0 0 1 1
2 2 2 0
_
_
_
_
F
2
+2F
1

_
_
_
_
1 0 1 1
0 0 6 4
0 0 1 1
2 2 2 0
_
_
_
_
F
4
+(2)F
1

_
_
_
_
1 0 1 1
0 0 6 4
0 0 1 1
0 2 4 2
_
_
_
_
Ahora necesitamos un pivote para la la 2, que ademas debe estar a la
derecha del pivote anterior para esto intercambiamos las las segunda y
cuarta:
_
_
_
_
1 0 1 1
0 0 6 4
0 0 1 1
0 2 4 2
_
_
_
_
F
2
F
4

_
_
_
_
1 0 1 1
0 2 4 2
0 0 1 1
0 0 6 4
_
_
_
_
(1/2)F
2

_
_
_
_
1 0 1 1
0 1 2 1
0 0 1 1
0 0 6 4
_
_
_
_
usamos al elemento [A]
22
= 1 como pivote, pero como todos los elementos
de su columna ya son iguales a cero entonces pasamos a buscar el pivote en
la tercera la:
_
_
_
_
1 0 1 1
0 1 2 1
0 0 1 1
0 0 6 4
_
_
_
_
(1)F
3

_
_
_
_
1 0 1 1
0 1 2 1
0 0 1 1
0 0 6 4
_
_
_
_
F
1
+F
3

_
_
_
_
1 0 0 0
0 1 2 1
0 0 1 1
0 0 6 4
_
_
_
_
F
2
2F
3

_
_
_
_
1 0 0 0
0 1 0 1
0 0 1 1
0 0 6 4
_
_
_
_
F
4
+6F
3

_
_
_
_
1 0 0 0
0 1 0 1
0 0 1 1
0 0 0 2
_
_
_
_
(1/2)F
4

_
_
_
_
1 0 0 0
0 1 0 1
0 0 1 1
0 0 0 1
_
_
_
_
F
3
+F
4

F
2
F
4
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
As A I
4
luego tiene inversa. Como calculamos la inversa de A? seg un lo
analizado basta con aplicar las mismas operaciones elementales a la matriz
identidad I
4
. Lo mas conveniente en estos casos es construir una matriz au-
mentada (A[I) y aplicar el metodo anterior para hallara la matriz escalonada
reducida de A aplicando las mismas operaciones a la matriz identidad as si
A tiene inversa entonces
(A[I) (I[A
1
)
24 CAP

ITULO 1. MATRICES
_
_
_
_
1 0 1 1
2 0 4 2
0 0 1 1
2 2 2 0

1
1
1
1
_
_
_
_
F
2
+2F
1

F
4
2F
1
_
_
_
_
1 0 1 1
0 0 6 4
0 0 1 1
0 2 4 2

1 0 0 0
2 1 0 0
0 0 1 0
2 0 0 1
_
_
_
_
F
2
F
4

(1/2)F
2
_
_
_
_
1 0 1 1
0 1 2 1
0 0 1 1
0 0 6 4

1 0 0 0
1 0 0
1
2
0 0 1 0
2 1 0 0
_
_
_
_
(1)F
3

_
_
_
_
1 0 1 1
0 1 2 1
0 0 1 1
0 0 6 4

1 0 0 0
1 0 0
1
2
0 0 1 0
2 1 0 0
_
_
_
_
F
1
+F
3

F
2
2F
3
_
_
_
_
1 0 0 0
0 1 0 1
0 0 1 1
0 0 6 4

1 0 1 0
1 0 2
1
2
0 0 1 0
2 1 0 0
_
_
_
_
F
4
+6F
3

(1/2)F
4
_
_
_
_
1 0 0 0
0 1 0 1
0 0 1 1
0 0 0 1

1 0 1 0
1 0 2
1
2
0 0 1 0
1
1
2
3 0
_
_
_
_
F
3
+F
4

F
2
F
4
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

1 0 1 0
0 1/2 1 1/2
1 1/2 2 0
1 1/2 3 0
_
_
_
_
As la inversa de la matriz A es
A
1
=
_
_
_
_
1 0 1 0
0 1/2 1 1/2
1 1/2 2 0
1 1/2 3 0
_
_
_
_
Ejemplo 20. Si A M
4
(R) es tal que
[A
n
]
i j
=
_

_
a , j = i + 1
1 , i = j
0 , en otro caso.
Calcular, si es que existe, A
1
.
1.6. OPERACIONES ELEMENTALES 25
Solucion.- La matriz A es:
A =
_
_
_
_
1 a 0 0
0 1 a 0
0 0 1 a
0 0 0 1
_
_
_
_
vamos a escalonar la matriz (A[I)
_
_
_
_
1 a 0 0
0 1 a 0
0 0 1 a
0 0 0 1

1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
F
1
aF
2

F
2
aF
3
_
_
_
_
1 0 a
2
0
0 1 0 a
2
0 0 1 a
0 0 0 1

1 a 0 0
0 1 a 0
0 0 1 0
0 0 0 1
_
_
_
_
F
1
+a
2
F
3

_
_
_
_
1 0 0 a
3
0 1 0 a
2
0 0 1 a
0 0 0 1

1 a a
2
0
0 1 a 0
0 0 1 0
0 0 0 1
_
_
_
_
F
3
aF
4

F
2
+a
2
F
4
_
_
_
_
1 0 0 a
3
0 1 0 0
0 0 1 0
0 0 0 1

1 a a
2
0
0 1 a a
2
0 0 1 a
0 0 0 1
_
_
_
_
F
3
aF
4

F
2
+a
2
F
4
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

1 a a
2
a
3
0 1 a a
2
0 0 1 a
0 0 0 1
_
_
_
_
. .
A
1
por lo tanto A
1
existe y ademas
A
1
_
_
_
_
1 a a
2
a
3
0 1 a a
2
0 0 1 a
0 0 0 1
_
_
_
_
Observacion 4. Supongamos que A M
n
(F) y X M
1n
(F) entonces la
ecuacion matricial
AX = 0 (1.4)
tiene solucion X = 0, esta es unica cuando A
1
existe, pues si X
1
, X
2

M
1n
(F) son tales que AX
1
= 0 y AX
2
= 0 entonces AX
1
= AX
2
luego
A
1
(AX
1
) = A
1
(AX
2
) por lo tanto X
1
= X
2
El recproco tambien es cierto. Supongamos que AX = 0 tiene solucion
unica, por el Teorema 20 existen E
1
, E
2
, . . . , E
k
matrices elementales tales
26 CAP

ITULO 1. MATRICES
que E
1
E
2
E
k
A = A

donde A

es una matriz escalonada reducida entonces


A

X = 0 as por la Observacion 3 la matriz A

es la identidad o tiene una la


de ceros, si ocurre lo segundo podemos suponer, sin perdida de generalidad,
que la la F
n
= 0, entonces hay por lo menos una columna de A

que no
contiene un pivote, podemos parametrizar la variable correspondiente a la
variable asociada a esta columna de modo que :
X
t
, es solucion de AX = 0 para cada t R
esto es una contradiccion a la unicidad de las soluciones del sistema, por lo
tanto A

= I as A
1
existe.
Ejemplo 21. Sea la matriz escalonada reducida
A

=
_
_
_
_
1 0 0 0
0 1 0 1
0 0 1 0
0 0 0 0
_
_
_
_
el sistema homogeneo asociado a esta matriz es A

X = 0 es decir:
_
_
_
x
1
= 0
x
2
+ x
4
= 0
x
3
= 0
la columna cuatro no contiene pivote, luego hacemos x
4
= t y obtenemos
que:
X
t
=
_
_
_
_
0
t
0
t
_
_
_
_
, es solucion, pues:
_
_
_
_
1 0 0 0
0 1 0 1
0 0 1 0
0 0 0 0
_
_
_
_
_
_
_
_
0
t
0
t
_
_
_
_
=
_
_
_
_
0
0
0
0
_
_
_
_
para cada t R, as el sistema tiene innitas soluciones, por lo tanto la
matriz A

no tiene inversa.
De acuerdo a la denicion de la inversa de una matriz A para ver que B =
A
1
se debe vericar que: AB = BA = I esto se puede mejorar:
Proposicion 22. Si A, B M
n
(F) son tales que BA = I entonces AB = I.
Demostracion. Si A, B M
n
(F) son tales que BA = I vamos a probar que
la inversa de A existe.
Supongamos que X M
1n
(F) es solucion de AX = 0 entonces (BA)X = O
luego X es solucion de (BA)X = 0 o de manera equivalente IX = 0 luego
X = 0, as el sistema AX = 0 tiene solucion unica, por la Observacion 4
A
1
existe.
Si A
1
existe entonces
B = BI = B(AA
1
) = (BA)A
1
= IA
1
= A
1
luego es claro que AB = I.
1.6. OPERACIONES ELEMENTALES 27
Veamos otra aplicacion de la Observacion 4
Proposicion 23. Sean A, B M
n
(F) si AB tienen inversa entonces A
1
y B
1
tambien existen.
Demostracion. Supongamos que AB tiene inversa entonces el sistema (AB)X =
0 tiene solucion unica X = 0 si la inversa de B no existe entonces e3xiste
X
0
M
1n
(F) no nulo tal que BX
0
= 0 luego A(BX
0
) = 0 lo que contradice
la hipotesis por lo tanto B
1
existe as como A = (AB)B
1
la inversa de A
tambien existe.
1.6.4. Operaciones Elementales por Columna
Hemos denido operaciones elementales por la , para esto utilizamos ma-
trices elementales por la:
E
i,j
, E
i
(), E
i,j
()
notemos que
_
E
i,j

t
= E
i,j
,
_
E
i
()

t
,
_
E
i,j
()

t
= E
j,i
()
Del mismo modo podemos denir operaciones elementales por columna, y
sus respectivas matrices elementales:
I
i,j
, I
i
(), I
i,j
()
As si A M
nm
(F) entonces:
1. Si A
C
i
C
j
A

entonces A I
ij
= A

.
2. Si A
C
i
A

entonces A I
i
() = A

.
3. Si A
C
i
+C
j
A

entonces A I
ij
() = A

.
Ejemplo 22. Por ejemplo:
I
1,3
=
_
_
0 0 1
0 1 0
1 0 0
_
_
, I
2
() =
_
_
1 0 0
0 0
0 0 1
_
_
, I
1,3
() =
_
_
1 0 0
0 1 0
0 1
_
_
y si consideramos la matriz
A =
_
_
a b c
d e f
g h i
_
_
28 CAP

ITULO 1. MATRICES
entonces
A I
1,3
=
_
_
a b c
d e f
g h i
_
_
_
_
0 0 1
0 1 0
1 0 0
_
_
=
_
_
c b a
f e d
i h g
_
_
A I
2
() =
_
_
a b c
d e f
g h i
_
_
_
_
1 0 0
0 0
0 0 1
_
_
=
_
_
a b c
d e f
g h i
_
_
A I
1,3
() =
_
_
a b c
d e f
g h i
_
_
_
_
1 0 0
0 1 0
0 1
_
_
=
_
_
a +c b c
d +f e f
g +i h i
_
_
Ademas resulta claro que:
I
i,j
= E
i,j
, I
i
() = E
i
(), I
i,j
() = E
j,i
()
Supongamos que A M
n
(F) tenga inversa entonces existen matrices E
1
, . . . , E
k
tales que:
E
k
E
1
A = I
n
entonces
A
t
E
t
1
E
t
k
= I
n
por lo tanto:
E
k
E
1
A = A
t
I
t
1
I
t
k
donde I
1
, I
2
, . . . , I
k
son matrices elementales por columna.
1.7. Metodo de Gauss-Jordan
Vamos a dar un metodo algortmico: Dada una matriz A M queremos
determinar una matriz escalonada (reducida) equivalente por las a la matriz
A. Las unicas operaciones permitidas son las elementales por la.
1. Todas las las nulas deben ir al nal de la matriz.
Por ejemplo:
_
_
1 0 2
0 0 0
2 0 4
_
_
F
2
F
3

_
_
1 0 2
2 0 4
0 0 0
_
_
2. El primer elemento no nulo de la la F
i
se denomina PIVOTE si todos
los elementos a su izquierda y abajo son iguales a cero.
Por ejemplo: en
_
_
3 0 6
2 0 0
2 0 4
_
_
,
_
_
0 3 9
0 2 0
0 0 0
_
_
1.7. M

ETODO DE GAUSS-JORDAN 29
el 3 es el primer pivote en ambas matrices. Del mismo modo el 1 es
pivote en las siguientes matrices:
_
_
2 3 6
0 1 0
0 2 4
_
_
,
_
_
0 3 9 2
0 0 0 1
0 0 0 3
_
_
3. Hacemos el pivote igual a uno con una operacion elemental.
Por ejemplo:
_
_
3 0 6
2 0 0
2 0 4
_
_
(1/3)F
1

_
_
1 0 2
2 0 0
2 0 0
_
_
o de manera similar:
_
_
0 3 9
0 2 0
0 0 0
_
_
F
1
F
2

_
_
0 1 9
0 2 0
0 0 0
_
_
4. Eliminamos todos los elementos por debajo (y arriba) del pivote.
_
_
1 0 2
2 0 0
2 0 0
_
_
F
2
2F
1

F
3
2F
1
_
_
1 0 2
0 0 4
0 0 4
_
_
o de manera similar:
_
_
0 1 9
0 2 0
0 0 0
_
_
F
2
2F
1

_
_
0 1 9
0 0 18
0 0 0
_
_
5. Volvemos al paso (1.) con i + 1.
Es decir buscaremos el siguiente pivote en la siguiente la. Por ejemplo
en las matrices
_
_
3 0 6
0 2 0
0 4 4
_
_
,
_
_
0 3 9 5
0 0 0 2
0 0 0 7
_
_
3 es el primer pivote y 2 es el segundo.
30 CAP

ITULO 1. MATRICES
Captulo 2
Determinantes
2.1. introduccion
En el T.15 establecemos una condicion necesaria y suciente para la ex-
istencia de la inversa de una matriz cuadrada de orden 2, esta depende
simplemente de ver si una determinada expresion es diferente de cero. Se
puede llegar a un resultado similar para matrices de orden n? este captulo
se dedica a dar una respuesta a esta pregunta.
2.2. Funcion Determinante
Dada una matriz A M
2
(F) diremos que el Determinante de A es la funcion
denida del siguiente modo:
det : M
2
(F) R (2.1)
A [A]
11
[A]
22
[A]
12
[A]
21
(2.2)
Por ejemplo si
A =
_
2 3
2 1
_
entonces det(A) = 2 1 3 2 = 4
Vamos a dar una denicion recursiva del Determinante de una matriz de
orden n > 2. para esto primero veamos algunas deniciones previas.
Denicion 24. Dada A M
nm
(F) el menor M
ij
de la matriz A el la
matriz que se obtiene al eliminar la i-esima la y la j-esima columna de la
matriz A. Por lo tanto M
ij
M
(n1)(m1)
(F).
Si A M
n
(F) el Cofactor C
ij
de A es
C
ij
= (1)
i+j
det(M
ij
) (2.3)
31
32 CAP

ITULO 2. DETERMINANTES
Es decir si
A =
_
_
_
_
_
_
_
_
_
_
_
_
a
11
. . . a
1(j1)
a
1j
a
1(j+1)
. . . a
1m
.
.
. . . .
.
.
.
.
.
.
.
.
. . . .
.
.
.
a
(i1)1
. . . a
(i1)(j1)
a
(i1)j
a
(i1)(j+1)
. . . a
(i1)m
a
i1
. . . a
i(j1)
a
ij
a
i(j+1)
. . . a
im
a
(i+1)1
. . . a
(i+1)(j1)
a
(i+1)j
a
(i+1)(j+1)
. . . a
(i+1)m
.
.
. . . .
.
.
.
.
.
.
.
.
. . . .
.
.
.
a
n1
. . . a
n(j1)
a
nj
a
n(j+1)
. . . a
nm
_
_
_
_
_
_
_
_
_
_
_
_
entonces el menor M
ij
de A es la matriz:
M
ij
=
_
_
_
_
_
_
_
_
_
_
a
11
. . . a
1(j1)
a
1(j+1)
. . . a
1m
.
.
. . . .
.
.
.
.
.
. . . .
.
.
.
a
(i1)1
. . . a
(i1)(j1)
a
(i1)(j+1)
. . . a
(i1)m
a
(i+1)1
. . . a
(i+1)(j1)
a
(i+1)(j+1)
. . . a
(i+1)m
.
.
. . . .
.
.
.
.
.
. . . .
.
.
.
a
n1
. . . a
n(j1)
a
n(j+1)
. . . a
nm
_
_
_
_
_
_
_
_
_
_
Ejemplo 23. Si
A =
_
_
2 3 3
2 1 4
4 7 8
_
_
entonces
M
11
=
_
1 4
7 8
_
, M
23
=
_
2 3
4 7
_
, M
32
=
_
2 3
2 4
_
entonces
C
11
= (1)
1+1
det
_
1 4
7 8
_
= 20, C
32
= (1)
3+2
det
_
2 3
2 4
_
= 2
Denicion 25. Dada A M
n
(F) con n > 2 entonces denimos
det(A) =
n

j=1
(1)
1+j
[A]
1j
det(M
1j
) (2.4)
el determinante de la matriz A.
Observacion 5. Para aplicar la formula 2.4 se debe se debe calcular el
determinante det(M
1j
) pero notemos que el menor M
ij
M
n1
F es de un
orden menor que A. As tenemos que
1. Por la denicion 2.4 si
A =
_
a
11
a
12
a
21
a
22
_
entonces det(A) = a
11
a
22
a
12
a
21
2.3. PROPIEDADES DEL DETERMINANTE 33
2. Supongamos que
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
entonces
det(A) =
3

j=1
(1)
1+j
a
1j
det(M
1j
)
= a
11
det(M
11
) a
12
det(M
12
) +a
13
det(M
13
)
= a
11
det
_
a
22
a
23
a
32
a
33
_
a
12
det
_
a
21
a
23
a
31
a
33
_
+a
13
det
_
a
21
a
22
a
31
a
32
_
det(A) = a
11
a
22
a
33
+a
12
a
23
a
31
+a
13
a
21
a
32
a
13
a
22
a
31
a
12
a
21
a
33
a
11
a
23
a
32
Ejemplo 24. Sea la matriz
A =
_
_
2 3 3
2 1 4
1 2 1
_
_
entonces aplicando la Observacion 5 tenemos que:
det(A) = 2 + (12) + 12 (3) (6) 16 = 9
2.3. Propiedades del Determinante
Para denotar el determinante de la matriz A escribiremos tambien
det(A) =

a
11
a
1n
.
.
.
.
.
.
.
.
.
a
n1
a
nn

Dada la matriz A M
n
(F) el cofactor C
ij
de la matriz A se puede escribir:
C
ij
= (1)
i+j
[M
ij
[ (2.5)
con esta notacion:
det(A) =
n

j=1
a
1j
C
1j
se denomina el desarrollo en COFACTORES del determinante de A.
Lema 26. Supongamos que
A =
_
a b
c

+c

+d

_
[A[ =

a b
c

a b
c

34 CAP

ITULO 2. DETERMINANTES
del mismo modo si
A =
_
a

+a

+b

c d
_
[A[ =

c d

c d

Demostracion. Basta calcular:


det(A) =
_
a b
c

+c

+d

_
=a(d

+d

) b(c

+c

) = (ad

bc

) +(bd

bc

)
=

c d

c d

Teorema 27. Sea la matriz A M


n
(F) en donde la i-esima la
F
i
= F

i
+F

i
donde alpha, F entonces
det(A) = det
_
_
_
_
_
_
_
_
F
1
.
.
.
F

i
+F

i
.
.
.
F
n
_
_
_
_
_
_
_
_
= det
_
_
_
_
_
_
_
_
F
1
.
.
.
F

i
.
.
.
F
n
_
_
_
_
_
_
_
_
+ det
_
_
_
_
_
_
_
_
F
1
.
.
.
F

i
.
.
.
F
n
_
_
_
_
_
_
_
_
Demostracion. Vamos a usa el principio de induccion para la demostracion.
Para n = 2 la proposicion es verdadera por el L. 26. Supongamos que la
proposicion es verdadera para matrices de orden n 1. Sea A M
n
(F)
vamos a considerar dos casos:
Caso 1. Si
A =
_
_
_
_
_
F

1
+F

1
F
2
.
.
.
F
n
_
_
_
_
_
y A

=
_
_
_
_
_
F

1
F
2
.
.
.
F
n
_
_
_
_
_
, A

=
_
_
_
_
_
F

1
F
2
.
.
.
F
n
_
_
_
_
_
entonces como se elimina la primera la:
det(A) =
n

j=1
(a

1j
+a

1j
) C
1j
=
n

j=1
a

1j
C
1j
+a

1j
C
1j
=
n

j=1
a

1j
C

1j
+
n

j=1
a

1j
C

1j
det(A) = [A

[ +[A

[
2.3. PROPIEDADES DEL DETERMINANTE 35
Caso 2. Supongamos que i > 1 entonces
det(A) =
n

j=1
a
1j
C
1j
=
n

j=1
a
1j
(C

1j
+ C

1j
) Por H. I.
=
n

j=1
a
1j
C

1j
+
n

j=1
a
1j
C

1j
det(A) = [A

[ +[A

[
Corolario 28. Si A M
n
(F) y tiene una la de ceros entonces
det(A) = 0
Demostracion. Si la la nula es F
i
entonces podemos escribir F
i
= 0 F

i
+0 F

i
donde F

i
, F

i
son las cualesquiera luego por el T.27
det(A) = det
_
_
_
_
_
_
_
_
F
1
.
.
.
0 F

i
+ 0 F

i
.
.
.
F
n
_
_
_
_
_
_
_
_
= 0 det
_
_
_
_
_
_
_
_
F
1
.
.
.
F

i
.
.
.
F
n
_
_
_
_
_
_
_
_
+ 0 det
_
_
_
_
_
_
_
_
F
1
.
.
.
F

i
.
.
.
F
n
_
_
_
_
_
_
_
_
= 0
Por denicion el desarrollo en cofactores para el calculo del determinante de
la matriz A se debe realizar con respecto de los elementos de la primera la.
Esto se puede mejorar sustancialmente.
Designaremos con e
i
la i-esima la de la matriz identidad, por ejemplo si I
5
entonces
e
1
= (1 0 0 0 0), e
3
= (0 0 1 0 0)
Ejemplo 25. Veamos que si:
A =
_
a b
0 1
_
, B =
_
_
a b c
1 0 0
d e f
_
_
36 CAP

ITULO 2. DETERMINANTES
entonces
det(A) = det
_
a b
0 1
_
= a,
det(B) = det
_
_
a b c
1 0 0
d e f
_
_
= ce bf
= (1) det
_
b c
e f
_
Lema 29. Sea una matriz A M
n
(F) tal que F
i
= e
k
para alg un k entonces
det(A) = C
ik
Demostracion. Vamos a proceder por induccion. El resultado es evidente si
n = 2, 3 supongamos entonces que el Lema es verdadero para matrices de
orden n 1 consideremos dos casos:
Caso 1. Si i = 1 entonces
det(A) =
n

j=1
(1)
1+j
a
1j
M
1j
por hipotesis F
1
= e
k
luego a
1j
= 0 para j ,= k y a
1k
= 1 entonces
det(A) = (1)
1+k
det(M
ik
) = C
ik
.
Caso 2. Supongamos que i > 1 entonces
det(M
ik
) =

j=k
(1)
1+j
a
1j
det(B
j
)
donde B
j
es el cofactor 1j (con j = 1, 2, ..., k 1, k + 1, .., n) de la
matriz M
ik
. Ademas podemos escribir:
det(M
ik
) =

j<k
(1)
1+j
a
1j
det(B
j
) +

j>k
(1)
1+(j1)
a
1j
det(B
j
)
(2.6)
y para la matriz A tenemos:
det(A) =
n

j=1
(1)
1+j
a
1j
det(M
1j
)
Por otro para el menor M
1j
su i 1 la de esta matriz es:
1. e
k1
si j < k pues hemos quitado un cero a la izquierda del uno
de esta la.
2.3. PROPIEDADES DEL DETERMINANTE 37
2. e
k
si j > k pues hemos quitado un cero a la derecha del uno de
esta la
3. Una la de ceros si j = k.
As aplicando la H. I. a los menores M
1j
de A tenemos que:
det(M
1j
) =
_

_
(1)
(i1)+(k1)
det(B
j
), j < k,
(1)
(i1)+k
det(B
j
), j > k,
0 j = k.
por lo tanto
det(A) =
n

j=1
(1)
1+j
a
1j
det(M
1j
)
=

j<k
(1)
1+j
a
1j
(1)
(i1)+(k1)
det(B
j
) +

j>k
(1)
1+j
a
1j
(1)
(i1)+k
det(B
j
)
= (1)
i+k
_

j<k
(1)
j1
a
1j
det(B
j
) +

j>k
(1)
1+(j1)
a
1j
det(B
j
)
_
as por (2.6) hemos terminado la demostracion.
Ahora vamos a aplicar este Lema para probar el:
Teorema 30. Si A M
n
(F) entonces
det(A) =
n

k=1
a
ik
C
ik
para cualquier 1 i n.
Demostracion. Sea F
i
la i-esima la de A entonces podemos escribir:
F
i
=
n

k=1
a
ik
e
k
38 CAP

ITULO 2. DETERMINANTES
por el Teorema 27 tenemos que
det(A) = det
_
_
_
_
_
_
_
_
F
1
.
.
.

k
a
ik
e
k
.
.
.
F
n
_
_
_
_
_
_
_
_
=
n

k=1
a
ik
det
_
_
_
_
_
_
_
_
F
1
.
.
.
e
k
.
.
.
F
n
_
_
_
_
_
_
_
_
det(A) =
n

k=1
a
ik
C
ik
Por el L.29
Veamos algunos ejemplos en los cuales podemos aplicar esta nuevas her-
ramientas.
Ejemplo 26. Sean las matrices:
A =
_
_
_
_
2 3 4 1
0 1 0 3
2 1 0 2
1 2 2 0
_
_
_
_
, B =
_
_
_
_
2 3 4 1
2 1 0 3
0 2 0 0
0 4 0 0
_
_
_
_
1. Para calcular el determinante de A podemos elegir cualquier la para el
desarrollo por cofactores gracias al Teorema 30 por supuesto elegimos
la que tiene mayor cantidad de ceros as:
det(A) = (1)
2+2
1

2 4 1
2 0 2
1 2 0

+ (1)
2+4
3

2 3 4
2 1 0
1 2 2

= 1 4 + 3 4 = 16
2. Para la matriz B elegimos la la 3 as tenemos que:
det(B) = (1)
3+2
2

2 4 1
2 0 3
0 0 0

como la matriz M
23
tiene una la de ceros det(B) = 0.
Corolario 31. Si A M
n
(F) tiene dos las iguales entonces det(A) = 0.
Demostracion. Si n = 2 el resultado es facil de vericar. Si n > 2 supong-
amos que el resultado es verdadero para matrices de orden n1 y tomemos
A M
n
(F) entonces si las las iguales de A son F
l
y F
k
sea i diferente de l
y k entonces por la H. I. tenemos que
det(A) =
n

j=1
[A]
ij
C
ij
=
n

j=1
[A]
ij
0 = 0
2.3. PROPIEDADES DEL DETERMINANTE 39
pues los menores M
ij
tienen dos las iguales (se elimino la la i ,= l, k ) y
es una matriz de orden n 1.
Ejemplo 27. Sea la matriz
A =
_
_
_
_
2 3 2 1
0 2 4 3
0 0 3 2
0 0 0 2
_
_
_
_
Vamos a calcular su determinante. Primero apliquemos el T.30 a la cuarta
la de A, entonces
det(A) = (2)

2 3 2
0 2 4
0 0 3

aplicando nuevamente el T.30 a la tercera la de esta nueva matriz tenemos:


det(A) = (2) 3

2 3
0 2

= (2) 3 2 2 = 24
Denicion 32. Una matriz A M
nm
(F) se dice que es:
1. Triangular superior si [A]
ij
= 0, i > j.
2. Triangular inferior si [A]
ij
= 0, i < j.
Ejemplo 28. Mas matrices
_
_
_
_
1 0 2 1
0 1 5 3
0 0 3 6
0 0 0 4
_
_
_
_
,
_
_
_
_
2 4 2 1 2
0 0 4 3 4
0 0 3 3 6
0 0 0 0 4
_
_
_
_
son triangulares superiores, las siguientes son triangulares inferiores:
_
_
1 0 0 0
2 1 0 0
1 2 2 0
_
_
,
_
_
_
_
2 0 0 0 0
6 0 0 0 0
1 2 2 0 0
1 0 0 0 0
_
_
_
_
Proposicion 33. Si A M
n
(F) es triangular inferior (superior) entonces
det(A) = [A]
11
[A]
22
[A]
nn
Demostracion. La demostracion es inmediata por induccion.
Demostraremos en T.35 que det(A) = det(A
t
), esto nos dice que podemos
aplicar la regla de cofactores a las columnas de A. Ademas:
40 CAP

ITULO 2. DETERMINANTES
1. El determinante de estas matrices se calcula de manera inmediata para
matrices triangulares.
2. Si A es una matriz escalonada entonces es tambien triangular superior.
Recordemos que mediante operaciones elementales por la tenemos un meto-
do para escalonar matrices. Existe una relacion entre el determinante y las
operaciones elementales?.
2.4. Determinantes y Operaciones Elementales
Vamos a ver como se comportan las operaciones elementales por la con
respecto a la funcion determinante.
Teorema 34. Sea A M
n
(F) y F entonces:
1. Si E
i
()A = A

entonces det(A) = (1/) det(A

).
2. Si E
i,j
A = A

entonces det(A) = det(A

).
3. Si E
i,j
()A = A

entonces det(A) = det(A

).
Demostracion. La primera parte es inmediata a partir del Teorema 27.
2. Por el teorema 27 y su corolario basta considerar:
0 =

F
1
.
.
.
F
i
+F
j
.
.
.
F
i
+F
j
.
.
.
F
n

F
1
.
.
.
F
i
.
.
.
F
i
.
.
.
F
n

F
1
.
.
.
F
i
.
.
.
F
j
.
.
.
F
n

F
1
.
.
.
F
j
.
.
.
F
i
.
.
.
F
n

F
1
.
.
.
F
j
.
.
.
F
j
.
.
.
F
n

= 0+det(A)+det(A

)+0
entonces det(A) = det(A

).
3. Para la tercera basta ver que por el Teorema 27 su colorario y la primera
parte de este teorema podemos escribir
det(A

) =

F
1
.
.
.
F
i
+F
j
.
.
.
F
j
.
.
.
F
n

F
1
.
.
.
F
i
.
.
.
F
j
.
.
.
F
n

F
1
.
.
.
F
j
.
.
.
F
j
.
.
.
F
n

= det(A) + 0 = det(A)
2.4. DETERMINANTES Y OPERACIONES ELEMENTALES 41
Si bien las operaciones elementales por la alteran la matriz, el determi-
nante se comporta bastante bien con lo que las tecnicas de escalonamiento
se pueden usar para el calculo del determinante teniendo en cuenta este
teorema. Es mas no es difcil comprobar que:
1. El det(E
i
()) = . Luego si E
i
()A = A

entonces
det(A

) = det(E
i
()) det(A)
2. det(E
i,j
) = 1 entonces
det(A

) = det(E
i,j
) det(A)
3. Como det(E
i,j
()) = luego
det(A

) = det(E
i,j
()) det(A)
4. La inversa de una matriz elemental es una matriz elemental del mismo
tipo.
En resumen si E es una matriz elemental entonces
det(EA) = det(E) det(A) (2.7)
Teorema 35. Sea A M
n
(F) entonces
1. A tiene inversa si y solo si det(A) ,= 0.
2. Si B M
n
(F) entonces det(AB) = det(A) det(B).
3. det(A
t
) = det(A).
Demostracion. Consideremos A, B M
n
(F) entonces
1. Atiene inversa si y solo si existen operaciones elementales E
1
, E
2
, ..., E
k
tales que
E
1
E
2
E
k
A = I
luego por (2.7) tenemos que
[E
1
[ [E
2
[ [E
k
[ [A[ = 1
esto ocurre si y solo si [A[ ,= 0.
42 CAP

ITULO 2. DETERMINANTES
2. Supongamos que [A[ = 0 entonces A no tiene inversa, por la Proposi-
cion 23 la matriz AB no tiene inversa, luego det(AB) = 0. Si ahora
suponemos que [A[ ,= 0 entonces la inversa de A existe y
E
1
E
2
E
k
A = I
para algunas E
j
entonces como la inversa de una matriz elemental es
elemental entonces
A = E
1
k
E
1
k1
E
1
1
luego por la primera parte:
det(AB) = det(E
1
k
E
1
k1
E
1
k
B)
= det(E
1
k
) det(E
1
k1
) det(E
1
1
) det(B)
= det(A) det(B)
3. De a cuerdo a la Sec. 1.6.4 es claro que el determinante de una matriz
elemental por columnas es igual al determinante de su transpuesta que
es una matriz elemental por las.Ademas por el item 2 del presente
teorema basta considerar el caso en que A tiene inversa luego como
existen E
1
, ..., E
k
tales que
E
1
E
k
A = A
t
I
k
I
1
donde I
m
= E
t
m
entonces si det(I
m
) = det(E
m
) por el item 2 de este
teorema tenemos que det(A) = det(A
t
).
Observacion 6. Supongamos que det(A) ,= 0 por el teorema A
1
existe
ademas det(AA
1
) = det(I) = det(A) det(A
1
) entonces
det(A
1
) =
1
det(A)
Hasta aqu el T.35 resuelve parte del problema planteado al inicio de este
captulo: Una matriz A M
n
(F) tiene inversa si y solo si det(A) ,= 0. Por
supuesto en el camino hemos dado varias propiedades que nos ayudan al
calculo del determinante de una matriz, es mas el item 3 del Teorema 35 nos
dice que toda propiedad de determinantes referente a las las de una matriz
son tambien propiedades referentes a las columnas.
Ejemplo 29. Vamos a calcular el determinante de
A =
_
_
_
_
_
_
2 1 0 0 1
0 1 1 2 1
1 2 1 0 1
1 1 0 3 1
0 4 8 8 0
_
_
_
_
_
_
2.4. DETERMINANTES Y OPERACIONES ELEMENTALES 43
recordemos que podemos utilizar las operaciones elementales, entonces
det(A) =

2 1 0 0 1
0 1 1 2 1
1 2 1 0 1
1 1 0 3 1
0 4 8 8 0

F
4
+F
3
=
(1/4)F
5
4

2 1 0 0 1
0 1 1 2 1
1 2 1 0 1
0 1 1 3 0
0 1 2 2 0

F
1
2F
3
=
F
1
F
3
(4)

1 2 1 0 1
0 1 1 2 1
0 3 2 0 3
0 1 1 3 0
0 1 2 2 0

Ahora podemos usar el metodo de cofactores, pero en la primera columna de


la ultima matriz, (Esto gracias a que [A
t
[ = [A[) .
det(A) = (4)

1 2 1 0 1
0 1 1 2 1
0 3 2 0 3
0 1 1 3 0
0 1 2 2 0

= (4)

1 1 2 1
3 2 0 3
1 1 3 0
1 2 2 0

(1)F
1
=
F
3
F
1
(4)

1 1 2 1
3 2 0 3
0 2 5 1
1 2 2 0

F
4
F
1
=
F
2
+3F
1
4

1 1 2 1
0 5 6 6
0 2 5 1
0 1 0 1

= 4

5 6 6
2 5 1
1 0 1

= 4 37 = 141
As det(A) = 148.
Ejemplo 30. Encontrar el valor de x tal que el determinante de
A =
_
_
x 3 0 3
0 x + 2 0
5 0 x + 5
_
_
sea igual al cero.
[A[ =

x 3 0 3
0 x + 2 0
5 0 x + 5

= (x + 2)

x 3 3
5 x + 5

= (x + 2)
_

x 0
0 x

x 0
5 5

3 3
0 x

3 3
5 5

_
[A[ = (x + 2) x(x + 2) = x(x + 2)
2
44 CAP

ITULO 2. DETERMINANTES
por lo tanto [A[ = si y solo si x = 0 o x = 2
Ejemplo 31. Calcular el determinante de la matriz
A =
_
_
1 1 1
b +c c +a a +b
bc ca ab
_
_
Usemos el elemento [A]
11
como pivote:
[A[ =

1 1 1
b +c c +a a +b
bc ca ab

F
2
(b+c)F
1
=
F
3
(bc)F
1

1 1 1
0 a b a c
0 c(a b) b(a c)

1 0 0
1 a b c(a b)
1 a c b(a c)

a b c(a b)
a c b(a c)

= (a b)(a c)

1 c
1 b

= (a b)(a c)(b c)
por lo tanto det(A) = (a b)(a c)(b c)
Ejemplo 32. Mostrar que :
det
_
_
a b b c c a
b c c a a b
c a a b b c
_
_
= 0
Solucion.-
det
_
_
a b b c c a
b c c a a b
c a a b b c
_
_
F
3
+F
1
=

a b b c c a
b c c a a b
c b a c b a

F
3
+F
2
=

a b b c c a
b c c a a b
0 0 0

= 0
Ejemplo 33. Calcular el determinante de:
A =
_
_
_
_
_
_
_
a
1
+ 1 a
2
a
3
a
n
a
1
a
2
+ 1 a
3
a
n
a
1
a
2
a
3
+ 1 a
n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
1
a
2
a
3
+ 1 a
n
+ 1
_
_
_
_
_
_
_
Primero realizamos la operacion : F
i
F
1
para cada i = 2, 3, ..., n es decir:
(a
1
a
2
. . . a
i
+ 1 . . . a
n
) (a
1
+ 1 a
2
. . . a
i
. . . a
n
) = (1 0 . . . 1 . . . 0)
2.4. DETERMINANTES Y OPERACIONES ELEMENTALES 45
entonces
[A[ =

a
1
+ 1 a
2
a
3
a
n
1 1 0 0
1 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 0 0 1

ahora realizamos la siguiente operacion: F


1
a
i
F
i
para i = 2, 3, ..., n, es
decir
(a
1
+1 a
2
. . . a
i
. . . a
n
) (a
i
0 . . . a
i
. . . 0) = (1 +a
1
+a
i
a
2
. . . 0 . . . a
n
)
de esto obtenemos:
[A[ =

1 +

n
i=1
a
i
0 0 0
1 1 0 0
1 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 0 0 1

=
_
1 +
n

i=1
a
i
_

1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1

=
_
1 +
n

i=1
a
i
_
Ejemplo 34. Calcular los siguientes determinantes:
i) det
_
_
_
_
1 1 0 1
0 1 1 1
2 4 6 2
9 3 9 3
_
_
_
_
, ii) det
_
_
_
_
_
_
_
_
_
n 1 1 1 1
n 2 1 1 1
n 1 3 1 1
n 1 1 4 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n 1 1 1 n
_
_
_
_
_
_
_
_
_
Solucion.-
46 CAP

ITULO 2. DETERMINANTES
i)
det
_
_
_
_
1 1 0 1
0 1 1 1
2 4 6 2
9 3 9 3
_
_
_
_
=2 3

1 1 0 1
0 1 1 1
1 2 3 1
3 1 3 1

F
3
F
1
= 6

1 1 0 1
0 1 1 1
0 3 3 0
3 1 3 1

= 6 3

1 1 0 1
0 1 1 1
0 1 1 0
3 1 3 1

F
4
3F
1
= 18

1 1 0 1
0 1 1 1
0 1 1 0
0 4 3 4

= 18

1 1 1
1 1 0
4 3 4

=18 [4 3 4 4] = 18 (15) = 270


ii) Haciendo
F
i
F
1
=(n 1 1 . . . i . . . 1) (n 1 1 . . . 1 . . . 1)
=(0 0 0 . . . i 1 . . . 0), i = 2, 3, ..., n
entonces tenemos que
det
_
_
_
_
_
_
_
_
_
n 1 1 1 1
n 2 1 1 1
n 1 3 1 1
n 1 1 4 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n 1 1 1 n
_
_
_
_
_
_
_
_
_
=

n 1 1 1 1
0 1 0 0 0
0 0 2 0 0
0 0 0 3 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 n 1

=n (2 3 (n 1)) = n!
2.5. Matriz Adjunta
Vamos a ahora dar respuesta a la segunda interrogante. Se puede encontrar
una formula para el calculo de la inversa?
primero veamos algunas deniciones.
Denicion 36. Dada la matriz A M
n
(F) si C
ij
= (1)
i+j
det(M
ij
) es un
cofactor de A entonces la matriz de cofactores se dene como
Cof(A) =
_
C
ij
_
entonces la matriz adjunta de A se dene como
Adj(A) = Cof(A)
t
2.5. MATRIZ ADJUNTA 47
Ejemplo 35. Sea la matriz
A =
_
_
2 1 0
1 0 1
1 2 1
_
_
entonces la matriz de cofactores es:
Cof(A) =
_
_
2 2 2
1 2 5
1 2 1
_
_
, luego Adj(A) =
_
_
2 1 1
2 2 2
2 5 1
_
_
Lema 37. Sea A M
n
(F) si i ,= j entonces
[A]
i1
C
j1
+ [A]
i2
C
j2
+ + [A]
in
C
jn
= 0 (2.8)
Demostracion. Sea la matriz A

M
n
(F) que se obtiene a partir de la matriz
A sustituyendo la la j-`esima por la i-esima la es decir:
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
F
1
.
.
.
F
i
.
.
.
F
j
.
.
.
F
n
_
_
_
_
_
_
_
_
_
_
_
_
_
, A

=
_
_
_
_
_
_
_
_
_
_
_
_
_
F
1
.
.
.
F
i
.
.
.
F
i
.
.
.
F
n
_
_
_
_
_
_
_
_
_
_
_
_
_
Es claro que det(A

) = 0 pues tiene dos las iguales, ademas C


jk
= C

jk
en-
tonces si utilizamos la formula de cofactores en la j-esima la de A

tenemos
0 = det(A

) =
n

k=1
[A

]
jk
C

jk
=
n

k=1
[A]
ik
C
jk
=
Teorema 38. Sea A M
n
(F) es una matriz invertible, entonces
A
1
=
1
det(A)
Adj(A)
Demostracion. Calculemos vamos a multiplicar A por Adj(A) = Cof(A)
t
,
por denicion tenemos que:
[A Adj(A)]
ij
=
n

k=1
[A]
ik
[Adj(A)]
kj
=
n

k=1
[A]
ik
[Cof(A)]
jk
=
n

k=1
[A]
ik
C
jk
48 CAP

ITULO 2. DETERMINANTES
por el Lema 37 y el Teorema 30 tenemos que:
[A Adj(A)]
ij
=
_
det(A) , i = j
0 , i ,= 0.
As tenemos que A Adj(A) = det(A) I si A es invertible entonces
A =
1
det(A)
Adj(A)
Captulo 3
Sistemas de Ecuaciones
3.1. Introduccion
Dado un sistema de ecuaciones lineales
_

_
a
11
x
1
+ a
12
x
2
+ + a
1m
x
m
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2m
x
m
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
x
1
+ a
n2
x
2
+ + a
nm
x
m
= b
n
(3.1)
Se lo puede modelar como una ecuacion matricial:
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
_
_
. .
A
nm

_
_
_
_
_
x
1
x
2
.
.
.
x
m
_
_
_
_
_
. .
X
n1
=
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
. .
b
1n
(3.2)
buscamos soluciones de la ecuacion AX = b donde X M
n1
(F), es claro
que podemos considerar estas soluciones como elementos de R
n
.
A lo largo del presente captulo la ecuacion AX = b denotara un sistema de
ecuaciones donde A M
nm
(F), X M
m1
(F) y b M
n1
(F).
3.2. Soluciones de Sistemas de Ecuaciones Lineales
Denicion 39. Dado un sistema AX = b una solucion del sistema es una
matriz X
0
tal que
AX
0
= b
El sistema AX = 0 se denomina Homogeneo, por supuesto A0 = 0 por lo
tanto siempre tiene solucion.
49
50 CAP

ITULO 3. SISTEMAS DE ECUACIONES


Teorema 40. Si un sistema tiene dos soluciones distintas entonces tiene
innitas soluciones.
Demostracion. Sea el sistema AX = b si X
0
, X
1
son soluciones distintas de
este sistema, entonces sea
X
t
= (1 t)X
0
+tX
1
, t R
as tenemos que:
AX
t
= A[(1 t)X
0
+tX
1
]
= (1 t)AX
0
+tAX
1
= (1 t)b +tb
= b
por lo tanto X
t
es solucion del sistema para cada t R.
Es decir las soluciones de un sistema de ecuaciones se pueden clasicar como:
Caso 1. Un conjunto vaco.
Caso 2. Una sola solucion.
Caso 3. Innidad de Soluciones.
Un caso sencillo, pero interesante es cuando A M
n
(F) en este caso podemos
hacer
X = A
1
b
Teorema 41. Dada A M
n
(F) si A
1
existe si y solo si el sistema AX = b
tiene solucion unica.
Demostracion. Ver la observacion 4.
Ejemplo 36. Sea el sistema:
_
_
_
x + y + z = 1
x + y = 0
y z = 1
As tenemos que:
A =
_
_
1 1 1
1 1 0
0 1 1
_
_
y A
1
=
_
_
1 0 1
1 1 1
1 1 2
_
_
entonces la solucion unica del sistema es:
X = A
1
b =
_
_
1 0 1
1 1 1
1 1 2
_
_

_
_
1
0
1
_
_
=
_
_
2
2
3
_
_
3.3. REGLA DE CRAMER 51
3.3. Regla de Cramer
A continuacion vamos a dar un metodo para el calculo de las soluciones de
un sistema AX = b donde A M
n
(F) y ademas det(A) ,= 0, conocida como
la Regla de Cramer.
Sea A M
n
(F) tal que det(A) ,= 0 entonces vimos que el sistema de ecua-
ciones AX = b tiene solucion unica, dada por X = A
1
b, ademas por el T.
38
A
1
=
1
det(A)
Adj(A) X =
1
det(A)
Adj(A) b
entonces podemos escribir:
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
=
1
det(A)

_
_
_
_
_
C
11
C
21
C
n1
C
12
C
22
C
n2
.
.
.
.
.
.
.
.
.
.
.
.
C
1n
C
2n
C
nn
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
(3.3)
luego
x
i
=
1
det(A)

_
C
1i
b
1
+C
2i
b
2
+C
3i
b
3
+ +C
ni
b
n
_
Si consideramos la matriz
A
i
=
_
_
_
_
_
a
11
a
12
a
1(i1)
b
1
a
1(i+1)
a
1n
a
21
a
22
a
2(i1)
b
2
a
2(i+1)
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n(i1)
b
n
a
n(i+1)
a
nn
_
_
_
_
_
el desarrollo por cofactores respecto de la columna i es
det(A
i
) = C
1i
b
1
+C
2i
b
2
+C
3i
b
3
+ +C
ni
b
n
por lo tanto
x
i
=
det(A
i
)
det(A)
, i = 1, 2, ..., n
donde A
i
es la matriz que se obtiene de A al reemplazar la columna i por la
columna b.
Ejemplo 37. Considere el sistema
_
_
_
x + y + z = 1
2x + y 2z = 1
x + y z = 0
En terminos de matrices tenemos:
_
_
1 1 1
2 1 2
1 1 1
_
_
. .
A

_
_
x
y
z
_
_
. .
X
=
_
_
1
1
0
_
_
. .
b
det(A) = 5 3 = 8
52 CAP

ITULO 3. SISTEMAS DE ECUACIONES


el sistema tiene solucion unica, luego por la regla de Cramer sus soluciones
son:
x =

1 1 1
1 1 2
0 1 1

8
, y =

1 1 1
2 1 2
1 0 1

8
, z =

1 1 1
2 1 1
1 1 0

8
entonces la solucion del sistema es:
_
_
x
y
z
_
_
=
_
_
5/8
1/2
1/8
_
_
Ejemplo 38. Sea el sistema de ecuaciones:
_

_
x y + z w = 1
x + y w = 0
x y + 2z = 2
x y + 3z = 3
La ecuacion matricial asociada a este sistema es:
_
_
_
_
1 1 1 1
1 1 0 1
1 1 2 0
1 1 3 0
_
_
_
_
. .
A
_
_
_
_
x
y
z
w
_
_
_
_
. .
X
=
_
_
_
_
1
0
2
3
_
_
_
_
. .
b
det(A) = 0
La regla de Cramer no nos dice nada cuando det(A) = 0, en este caso el
sistema tiene soluciones basta ver
X
0
=
_
_
_
_
1
1
0
0
_
_
_
_
, X
1
=
_
_
_
_
1
1
1
0
_
_
_
_
por el T.40 en realidad tiene innitas soluciones.
Ejemplo 39. Sea el sistema de ecuaciones:
_
x y = 1
x + y = 0
(3.4)
La ecuacion matricial asociada a este sistema es:
_
1 1
1 1
_
. .
A
_
x
y
_
. .
X
=
_
1
0
_
. .
b
det(A) = 0
es claro que el sistema no tiene soluciones, pues si existiesen x, y R que
veriquen (3.4) entonces sumando ambas se tiene que 0 = 1 lo cual es
imposible.
3.4. RESOLUCI

ON DE SISTEMAS DE ECUACIONES LINEALES 53


Desafortunadamente este metodo solo es aplicable a sistemas cuya matriz
de coecientes es cuadrada y ademas tiene determinante diferente de cero.
Como vimos en los anteriores ejemplos si el determinante es cero puede o
no existir soluciones. Para el caso de un sistema en general o cuya matriz
de coecientes sea cuadrada pero tenga determinante nulo necesitamos otro
tipo de procedimiento.
3.4. Resolucion de sistemas de Ecuaciones Lineales
Las operaciones elementales por la, que estudiamos en los captulos ante-
riores, aplicadas a la matriz aumentada:
(A[b) =
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm

b
1
b
2
.
.
.
b
n
_
_
_
_
_
son precisamente operaciones efectuadas a las ecuaciones de (3.1), estas op-
eraciones son:
1. Intercambio de ecuaciones.
2. Multiplicar a una ecuacion un escalar no nulo.
3. Suma a una ecuacion un m ultiplo escalar de otra ecuacion.
As si E es una matriz elemental entonces dada X
0
una solucion del sistema
(3.2), X
0
es tambien solucion de (EA)X
0
= Eb y viceversa pues E
1
existe.
Luego X es solucion de (3.2) si y solo si es solucion de A

X = b

donde
(A[b) (A

[b

) es decir basta analizar las soluciones de A

X = b

donde
(A

[b

) es escalonada (reducida).
Teorema 42. Si A M
nm
(F) entonces X es solucion de AX = b si y
solo si es solucion de A

X = b

donde (A[b) (A

[b

).
Vamos a analizar esta situacion con calma, estudiando las posibles formas
que puede adquirir (A

[b

) la cual asumiremos que es una matriz escalona.


3.5. Sistemas inconsistentes
Dado el sistema AX = b supongamos que (A[b) (A

[b

) si el n umero de
las no nulas de A

es menor al n umero de las no nulas de (A

[b

) o de
54 CAP

ITULO 3. SISTEMAS DE ECUACIONES


manera equivalente hay un pivote en la la b

, entonces el sistema
_

_
a
11
x
1
+ a
12
x
2
+ + a
1m
x
m
= b
1
a
22
x
2
+ + a
2m
x
m
= b
2
.
.
.
.
.
.
.
.
.
+ a
(n1)m
x
m
= b
n1
0 = b
n
no tiene solucion.
Observacion 7. Es decir el sistema no tiene soluciones si la matriz (A

[b

)
tiene un pivote en la columna b

.
Ejemplo 40. Sea el sistema
_

_
x + y + 3z + w = 0
x + z w = 1
y + z w = 0
x y + 2z 2w = 2
la ecuacion matricial asociada a este sistema es:
_
_
_
_
1 1 3 1
1 0 1 1
0 1 1 1
1 1 2 2
_
_
_
_
. .
A
_
_
_
_
x
y
z
w
_
_
_
_
. .
X
=
_
_
_
_
0
1
0
2
_
_
_
_
. .
b
para resolverlo primero escribimos la matriz aumentada asociada a este sis-
tema:
(A[b) =
_
_
_
_
1 1 3 1
1 0 1 1
0 1 1 1
1 1 2 2

0
1
0
2
_
_
_
_
ahora procedemos a encontrar su forma escalonada:
(A[b) =
_
_
_
_
1 1 3 1
1 0 1 1
0 1 1 1
1 1 2 2

0
1
0
2
_
_
_
_
F
2
F
2

F
4
F
1
_
_
_
_
1 1 3 1
0 1 2 2
0 1 1 1
0 2 1 3

0
1
0
2
_
_
_
_
(1)F
2

F
3
+F
2
_
_
_
_
1 1 3 1
0 1 2 2
0 0 3 1
0 2 1 3

0
1
3
2
_
_
_
_
F
4
+2F
2

_
_
_
_
1 1 3 1
0 1 2 2
0 0 3 1
0 0 3 1

0
1
1
0
_
_
_
_
F
4
F
3

_
_
_
_
1 1 3 1
0 1 2 2
0 0 3 1
0 0 0 0

0
1
1
1
_
_
_
_
= (A

[b

)
3.6. SISTEMAS CONSISTENTES 55
como el n umero de las de A

es menor que el n umero de las de (A

[b

)
(o hay un pivote en la la b

), el sistema no tiene solucion, basta ver el


sistema equivalente
_

_
x + y + 3z + w = 0
y + 2z + 2w = 1
3z + w = 1
0 = 1
3.6. Sistemas consistentes
Dado el sistema AX = b y su equivalente (A

[b

) vimos que si el n umero de


las no nulas de A

es menor al n umero de las no nulas de (A

[b

) el sistema
es inconsistente (No tiene soluciones).
Si el n umero de las no nulas de A

es igual al n umero de las no nulas de


(A

[b

) el sistema tiene solucion.


Entonces restan estudiar dos casos:
3.6.1. Soluciones unicas
Dado el sistema AX = b supongamos que (A[b) (A

[b

) si
1. El n umero de las no nulas de A

es igual al n umero de las no nulas


de (A

[b

). (El sistema tiene solucion).


2. El n umero de las no nulas de A

es igual a m el n umero columnas de


A.
el sistema tiene solucion unica.
Ejemplo 41. Sea el sistema:
_

_
x y + z = 1
x + y = 0
x y + 2z = 2
y z = 1
La ecuacion matricial asociada a este sistema es:
_
_
_
_
1 1 1
1 1 0
1 1 2
0 1 1
_
_
_
_
. .
A
_
_
x
y
z
_
_
. .
X
=
_
_
_
_
1
0
2
1
_
_
_
_
. .
b
56 CAP

ITULO 3. SISTEMAS DE ECUACIONES


ahora escalonamos la matriz aumentada del sistema:
(A[b) =
_
_
_
_
1 1 1
1 1 0
1 1 2
0 1 1

1
0
2
1
_
_
_
_
F
2
+F
1

F
3
F
1
_
_
_
_
1 1 1
0 0 1
0 0 1
0 1 1

1
1
1
1
_
_
_
_
F
2
F
4

F
4
F
3
_
_
_
_
1 1 1
0 1 1
0 0 1
0 0 0

1
1
1
0
_
_
_
_
= (A

[b

)
As el sistema tiene solucion unica, para determinarla basta resolver el
sistema asociado a (A

[b

) o seguir escalonando hasta conseguir la matriz


escalona reducida.
Forma 1: El sistema asociado a (A

[b

) es:
_
_
_
x y + z = 1
y z = 1
z = 1
entonces z = 1, y = 2 y x = 1 +y z = 1 +2 1 = 2 luego la solucion
unica del sistema es:
X =
_
_
2
2
1
_
_
Forma 2: Continuemos el proceso de escalonamiento:
(A[b)
_
_
_
_
1 1 1
0 1 1
0 0 1
0 0 0

1
1
1
0
_
_
_
_
F
1
+F
2

F
2
+F
3
_
_
_
_
1 0 0
0 1 0
0 0 1
0 0 0

2
2
1
0
_
_
_
_
as la solucion es
_
_
x
y
z
_
_
=
_
_
2
2
1
_
_
Ejemplo 42. Resolver el sistema
_
_
_
3x y + z = 1
x + y 2z = 2
2x z = 5
3.6. SISTEMAS CONSISTENTES 57
Solucion.- Consideremos la matriz aumentada del sistema y escalonamos:
_
_
3 1 1
1 1 2
2 0 1

1
2
5
_
_
F
1
F
3

_
_
1 1 2
1 1 2
2 0 1

4
2
5
_
_
F
2
F
1

F
3
2F
1
_
_
1 1 2
0 2 4
0 2 5

4
6
13
_
_
F
3
F
2

1/2F
2
_
_
1 1 2
0 1 2
0 0 1

4
3
7
_
_
. .
! solucion
F
1
+F
2

F
2
2F
3
_
_
1 0 0
0 1 0
0 0 1

1
11
7
_
_
As la solucion unica del sistema es
_
_
x
y
z
_
_
=
_
_
1
11
7
_
_
3.6.2. Innitas soluciones
Dado el sistema AX = b supongamos que (A[b) (A

[b

) si
1. El n umero de las no nulas de A

es igual al n umero de las no nulas


de (A

[b

). (El sistema tiene solucion).


2. El n umero de las no nulas de A

es diferente al n umero de pivotes de


A

.
el sistema tiene innitas soluciones, ademas hay un parametro por cada
columna de A

que no tiene pivote.


Ejemplo 43. Sea el sistema:
_
x y + z w = 1
2x + y + 5z + w = 1
La ecuacion matricial asociada a este sistema es:
_
1 1 1 1
2 1 5 1
_
. .
A
_
_
_
_
x
y
z
w
_
_
_
_
. .
X
=
_
1
1
_
. .
b
ahora escalonamos la matriz aumentada del sistema:
(A[b) =
_
1 1 1 1
2 1 5 1

1
1
_
F
2
2F
1

(1/3)F
2
_
1 1 1 1
0 1 1 1

1
1
_
= (A

[b

)
58 CAP

ITULO 3. SISTEMAS DE ECUACIONES


las columnas tres y cuatro de A

no contienen pivotes, las variables z, w


asociadas a estas columnas son las que se deben parametrizar para resolver
el sistema.
_
x y + z w = 1
y + z + w = 1
despejando tenemos que:
y = 1 z w, z = 1 +y z +w
y parametrizando z = t y w = r tenemos que
_

_
x = 2t
y = 1 t r
z = t
w = r
o de manera equivalente
X =
_
_
_
_
1
0
0
0
_
_
_
_
+t
_
_
_
_
1
2
1
0
_
_
_
_
+r
_
_
_
_
1
0
0
1
_
_
_
_
, t, r R
por ejemplo algunas soluciones del sistema son:
X
1
=
_
_
_
_
1
0
0
0
_
_
_
_
+ 0
_
_
_
_
1
2
1
0
_
_
_
_
+ (1)
_
_
_
_
1
0
0
1
_
_
_
_
=
_
_
_
_
0
0
0
1
_
_
_
_
X
2
=
_
_
_
_
1
0
0
0
_
_
_
_
+ (2)
_
_
_
_
1
2
1
0
_
_
_
_
+ 3
_
_
_
_
1
0
0
1
_
_
_
_
=
_
_
_
_
2
4
2
3
_
_
_
_
Ejemplo 44. Sea la matriz
A =
_
_
1 1 1 1
0 1 1 2
2 1 1 0
_
_
Resuelva el sistema AX = 0.
Solucion.- El sistema homogeneo es:
_
_
1 1 1 1
0 1 1 2
2 1 1 0
_
_

_
_
_
_
x
y
z
w
_
_
_
_
=
_
_
0
0
0
_
_

_
_
_
x y + z + w = 0
y + z + 2w = 0
2x y + z = 0
3.6. SISTEMAS CONSISTENTES 59
Para resolver el sistema consideremos:
_
_
1 1 1 1
0 1 1 2
2 1 1 0
_
_
F
3
2F
1

_
_
1 1 1 1
0 1 1 2
0 1 1 2
_
_
F
3
+F
2

_
_
1 1 1 1
0 1 1 2
0 0 0 0
_
_
F
1
F
2

_
_
1 0 0 1
0 1 1 2
0 0 0 0
_
_
El sistema tiene innitas soluciones, parametrizamos z = t, w = r, luego
_
x w = 0
y + z + 2w = 0
, x = r, y = t + 2r
as las soluciones son:
_
_
_
_
x
y
z
w
_
_
_
_
= t
_
_
_
_
0
1
1
0
_
_
_
_
+r
_
_
_
_
1
2
0
1
_
_
_
_
, t, r R
Ejemplo 45. Resolver el sistema
_
_
_
x y + z w + u = 1
2x + z 2w = 3
x + y w u = 4
Solucion.- Consideremos:
_
_
1 1 1 1 1
2 0 1 2 0
1 1 0 1 1

1
3
4
_
_
F
3
F
1

F
2
2F
1
_
_
1 1 1 1 1
0 2 1 0 2
0 2 1 0 2

1
5
5
_
_
F
3
F
2

_
_
1 1 1 1 1
0 2 1 0 2
0 0 0 0 0

1
5
0
_
_
Hacemos z = t, w = r, u = s entonces y = 5/2 +z/2 +u, x = 1 +y z +
w u luego
y =
5
2
+
t
2
+s, x =
3
2

t
2
+r, entonces
_
_
_
_
_
_
x
y
z
w
u
_
_
_
_
_
_
=
_
_
_
_
_
_
3/2
5/2
0
0
0
_
_
_
_
_
_
+t
_
_
_
_
_
_
1/2
1/2
1
0
0
_
_
_
_
_
_
+r
_
_
_
_
_
_
1
0
0
1
0
_
_
_
_
_
_
+s
_
_
_
_
_
_
0
1
0
0
1
_
_
_
_
_
_
, t, r, s R
60 CAP

ITULO 3. SISTEMAS DE ECUACIONES


Ejemplo 46. Resuelva el sistema AX = b donde:
A =
_
_
_
_
0 1 2 1 1 0
0 1 1 1 1 0
0 0 0 1 1 0
0 1 1 0 0 0
_
_
_
_
y b =
_
_
_
_
1
0
1
1
_
_
_
_
Solucion.- Consideremos la matriz aumentada del sistema:
_
_
_
_
0 1 2 1 1 0
0 1 1 1 1 0
0 0 0 1 1 0
0 1 1 0 0 0

1
0
1
1
_
_
_
_
F
2
+F
1

F
4
F
1
_
_
_
_
0 1 2 1 1 0
0 0 3 2 0 0
0 0 0 1 1 0
0 0 3 1 1 0

1
1
1
2
_
_
_
_
F
4
+F
2

_
_
_
_
0 1 2 1 1 0
0 0 3 2 0 0
0 0 0 1 1 0
0 0 0 1 1 0

1
1
1
1
_
_
_
_
F
4
+F
3

(1)F
3
_
_
_
_
0 1 2 1 1 0
0 0 3 2 0 0
0 0 0 1 1 0
0 0 0 0 0 0

1
1
1
0
_
_
_
_
As el sistema tiene innitas soluciones:
_
_
_
x
2
+ 2x
3
+ x
4
+ x
5
= 1
3x
3
+ 2x
4
= 1
x
4
x
5
= 1
ponemos x
1
= t, x
5
= r, x
6
= s entonces x
4
= 1 + x
5
, x
3
= (1/3)
(2/3)x
4
, x
2
= 1 + 2x
3
+x
4
+x
5
entonces las soluciones del sistema son:
x
1
= t, x
2
=
2
3
r, x
3
= 1
2
3
r, x
4
= 1 +r, x
5
= r, x
6
= s o
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
x
6
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
1
1
0
0
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
1
0
0
0
0
0
_
_
_
_
_
_
_
_
t +
_
_
_
_
_
_
_
_
0
2/3
2/3
1
1
0
_
_
_
_
_
_
_
_
r +
_
_
_
_
_
_
_
_
0
0
0
0
0
1
_
_
_
_
_
_
_
_
s, r, t, s R
Ejemplo 47. Dado el sistema
_
_
_
ax + y + z = 2a 1
x + ay + z = a
ax + y + az = 3a + 3
3.7. PROBLEMAS DE APLICACI

ON 61
La ecuacion matricial asociada a este sistema es:
_
_
a 1 1
1 a 1
1 1 a
_
_
_
_
x
y
z
_
_
=
_
_
2a 1
a
3a + 3
_
_
Vamos a formar la matriz aumentada del sistema y a escalonar:
(A[b)
_
_
a 1 1
1 a 1
1 1 a

2a 1
a
3a + 3
_
_
F
1
F
3

_
_
1 1 a
1 a 1
a 1 1

3a + 3
a
2a 1
_
_
F
2
F
1

_
_
1 1 a
0 a 1 1 a
a 1 1

3a + 3
4a 3
2a 1
_
_
F
3
aF
1

_
_
1 1 a
0 a 1 1 a
0 1 a 1 a
2

3a + 3
4a 3
3a
2
a 1
_
_
F
3
+F
2

_
_
1 1 a
0 a 1 1 a
0 0 a
2
a + 2

3a + 3
4a 3
3a
2
+ 3a 4
_
_
Analicemos primero: Si a = 1 entonces el sistema
_
_
1 1 1
0 0 0
0 0 0

0
1
2
_
_
no tiene solucion. Supongamos que a ,= 1 y como a
2
a +2 = 0 si a = 2
entonces
_
_
1 1 2
0 3 3
0 0 0

9
15
2
_
_
tampoco tiene solucion. Si a ,= 1, 2 entonces el sistema tiene solucion
unica.
3.7. Problemas de aplicacion
Ejemplo 48. Un espa sabe que en cierto aeropuerto secreto hay estaciona-
dos 60 aviones, entre cazas y bombarderos. El espa desea determinar cuantos
de los 60 aviones son cazas y cuantos son bombarderos. Hay un tipo de co-
hete que es transportado por ambas clases de aviones; el caza porta seis de
estos cohetes y el bombardero solo dos. El agente sabe que con 280 cohetes
quedan pertrechados por completo todos los aviones que se hallan en el aerop-
uerto. Ademas, se entera de que en esa base el n umero de aviones caza es
62 CAP

ITULO 3. SISTEMAS DE ECUACIONES


el doble del n umero de bombarderos. Calcule el n umero de aviones caza y
bombarderos que hay en el aeropuerto.
Solucion 1. Sea C en n umero de cazas y B el de bombarderos, entonces
tenemos es sistema:
_
_
_
C + B = 60
6C + 2B = 280
C 2B = 0
resolviendo tenemos que C = 40 y B = 20
Ejemplo 49. Un industrial de la mueblera fabrica sillas, mesas para cafe y
mesas para comedor. Se necesitan 10 minutos para lijar una silla, 6 para
pintarla y 12 para barnizarla. Se necesitan 12 minutos para lijar una mesa
para cafe, 8 para pintarla y 12 para barnizarla. Se necesitan15 minutos para
lijar una mesa de comedor, 12 para pintarla y 18 para barnizarla. La mesa
de lijado esta disponible 16 horas a la semana, la mesa de pintura 11 horas
a la semana y la mesa de barnizado 18 horas. Cuantas unidades de cada
mueble deben fabricarse por semana de modo que las mesas de trabajo se
ocupen todo el tiempo disponible?
Solucion 2. Sea x en n umero de sillas, y el n umero de mesas para cafe y z el
n umero de mesas para comedor, entonces si pensamos en minutos podemos
formar el sistema:
_
_
_
10x + 12y + 15z = 960
6x + 8y + 12z = 660
12x + 12y + 18z = 1080
Podemos resolver este sistema utilizando MatLab del siguiente modo:
1. Escribimos A = [10 12 15; 6 8 12; 12 12 18] y presionamos
ENTER.
2. Luego escribimos b = [960; 660; 1080] y presionamos ENTER.
3. Finalmente escribimos: A b. (o de manera equivalente inv(A) b)
as tenemos que:
_
_
x
y
z
_
_
=
_
_
30
30
20
_
_
Parte II
Algebra Lineal
63
Captulo 4
Espacios Vectoriales
4.1. Introduccion
Vamos a estudiar la estructura de Espacio Vectorial, la cual es en esencia,
una generalizacion del espacio R
n
, es por esta razon que este sera nuestro
principal modelo de espacio vectorial, en realidad los espacio vectoriales que
nos interesan son los de dimension nita, los cuales son identicos a R
n
.
4.2. Denicion y ejemplos.
Un campo F es un conjunto en el cual se denen dos operaciones, suma y
producto las cuales cumplen todos los axiomas de los n umeros reales. En
nuestro caso F siempre sera R o C.
Denicion 43. Un Espacio Vectorial es un conjunto V y un campo F en
el cual estan denidas dos operaciones +, (Suma y producto). los el-
ementos de V se denominan vectores y los elementos de F escalares, la
primera operacion se denomina Suma de Vectores y el segunda producto por
un escalar, las cuales cumplen las siguientes propiedades: Sean u, v, w V
y , F entonces
65
66 CAP

ITULO 4. ESPACIOS VECTORIALES


S1. Clausura
u +v V
P1. Clausura
u V
S2. Asociatividad
u + (v +w) = (u +v) +w
P2. Asociatividad
( ) v = ( v) = ( v)
S3. Conmutatividad
u +v = v +u
S4. Neutro aditivo
! 0 V : v + 0 = v
P3. Neutro multiplicativo
1 v = v
S5. Inverso aditivo
! (v) V : v + (v = 0)
D. Distributividad
(u +v) = u + u
( +) u = u + u
Es importante notar que un e.v. es un conjunto V y campo F, junto a dos
operaciones, es decir al conjunto V se le puede asociar otro campo F
1
y otras
operaciones, no existe una sola forma de hacer a V un espacio vectorial.
Si V es un espacio vectorial sobre el campo F con las operaciones +, es-
cribiremos (V
F
, +, ) si las operaciones se asumen conocidas escribiremos V
F
.
Las operaciones de espacio vectorial tienen una interpretacion geometrica:
4.2. DEFINICI

ON Y EJEMPLOS. 67
Ejemplo 50. Dado n N el conjunto
R
n
= (a
1
, a
2
, ..., a
n
) : a
1
, a
2
, ..., a
n
R
se denomina Espacio vectorial Euclidiano n dimensional. Este es efectiva-
mente un espacio vectorial sobre el campo R, con las operaciones:
u +v =(u
1
, u
2
, ..., u
n
) + (v
1
, v
2
, ..., v
n
) = (u
1
+v
1
, u
2
+v
2
, ..., u
n
+v
n
)
v =(v
1
, v
2
, ..., v
n
) = (v
1
, v
2
, ..., v
n
)
El elemento Neutro aditivo es el vector nulo 0 = (0, 0, ..., 0). Dado v =
(v
1
, v
2
, ..., v
n
) el inverso aditivo de u es v = (v
1
, v
2
, ..., v
n
).
Notemos que si n = 1 entonces R
n
= R, es decir R es un espacio vectorial
sobre si mismo. En los casos de n = 2, 3, se denomina plano euclidiano y
espacio euclidiano tridimensional, respectivamente.
Ejemplo 51. El conjunto (M
nm
(F), +, ) donde el producto es el producto
por un escalar, es tambien un e.v. el elemento neutro aditivo es la matriz
nula y dada A M
nm
(F) el inverso aditivo es la matriz A dada por
[A]
ij
= [A]
ij
.
Ejemplo 52. Sea X un conjunto no vaco y sea F un campo, denimos el
conjunto:
T(X; F) = f : es un funcion de X en F
Denimos las operaciones de suma y producto por un escalar:
1. Si f, g T(X; F) la suma defunciones f +g denida por:
(f +g)(x) = f(x) +g(x), x F
entonces f +g T(X; F).
2. Si y f T(X; F) entonces denimos el producto f por:
( f)(x) = f(x), x F
entonces f T(X; F).
As T(X; F) con estas operaciones es un e.v. sobre el campo F. el elemento
Neutro aditivo en T(X; F) es la funcion constante igual a 0 y dado f
T(X; F) el neutro aditivo es f.
Existen muchos otros ejemplos de espacios vectoriales, veremos mas ejemplos
mas adelante.
68 CAP

ITULO 4. ESPACIOS VECTORIALES


4.3. Propiedades de los espacio vectoriales
Para poder trabajar con los e.v. con mas comodidad veamos el siguiente:
Teorema 44. Sea V
F
un espacio vectorial y u, v, w V , , F entonces
1. u +w = v +w u = v.
2. Si 0 F entonces 0 u = 0 V . Del mismo modo si 0 V entonces
0 = 0.
3. Si v = 0 si y solo si = 0 o v = 0.
4. (1) v = v.
Demostracion. 1. Supongamos que u +w = v +w entonces
u = u + 0 =u + (w + (w))
=(u +w) + (w)
=(v +w) + (w)
=v + (w + (w))
=v + 0 = v.
por lo tanto u = v, el recproco es evidente.
2. 0 u = (0+0) u = 0 u+0 u si 0
V
= 0 como 0+(0 u) = 0 u entonces
0 + 0 u = 0 u = 0 u + 0 u
por el item anterior 0 u = 0.
3. Supongamos que ,= 0 entonces existe
1
luego si v = 0 tenemos
que:

1
( v) =
1
0 = 0
por lo tanto v = 0.
4.
v + (1) v = 1 v + (1) v = (1 + (1)) v = 0 v = 0.
Observacion 8. De la primera parte del T.44 se tiene que si w +u = w =
w + 0 entonces u = 0.
De aqu en adelante escribiremos u + (v) = u v y v = v.
Diremos que dos vectores v, u V son paralelos si uno es m ultiplo escalar
del otro. Es decir si existe F tal que u = v.
4.3. PROPIEDADES DE LOS ESPACIO VECTORIALES 69
Ejemplo 53. Los vectores (1, 2), (2, 4) R
2
son paralelos pues
(2, 4) = 2 (1, 2)
Ejemplo 54. Sean (2, 3, 1), (2, 1, 1) R
3
, no son paralelos pues si existe
R tal que (2, 3, 1) = (2, 1, 1) esto ocurre si y solo si existe R
tal que (2, 3, 1) = (2, , ) luego
_
_
_
2 = 2
3 =
1 =
as de la primera y segunda ecuacion tenemos que = 1 y = 1, lo cual
es imposible.
Proposicion 45. Supongamos que u, w V
R
son paralelos a v V
R
, en-
tonces si R , u +w es paralelo a v.
Demostracion. Si u, w son vectores paralelos a v existen
1
,
2
R tales que
u =
1
v y w =
2
v entonces
u +w =(
1
v) +(
2
v)
=(
1
v) + (
2
) v
=(
1
+
2
)v
por lo tanto existe =
1
+
2
R tal que u + w = v luego son
paralelos.
Observacion 9. Sean u = (a, b) y v = (c, d) vectores en R
2
, supongamos
que son vectores no nulos, son paralelos si y solo si existe ,= 0 tal que
u = v luego a = c, b = d si y solo si
ad = cd, bc = cd
luego u, v son paralelos si y solo si ad bc = 0.
70 CAP

ITULO 4. ESPACIOS VECTORIALES


4.4. Subespacios vectoriales
De aqu en adelante V denotara un espacio vectorial sobre el campo F, el
cual puede ser R o C.
Consideremos W V donde V
F
es un espacio vectorial, el conjunto W con
las operaciones de V hereda de forma natural las propiedades S2, S3, P2, P3, D
pues son propiedades generales respecto a los elementos de V .
Las otras propiedades, en general no se hereda, por ejemplo sea
S = (1, b) : b R R
2
es claro que 0 , S, ademas (1, 1) S pero (1, 1) = (1, 1) , S. Dado
W V nos interesa el caso en que W con las operaciones de V , a un es un
espacio vectorial dentro de V .
Denicion 46. Sea V
F
un espacio vectorial, si W V no vaco, tal que
W es un espacio vectorial, con las operaciones de V , se dice que W es un
Subespacio Vectorial de V sobre el campo F. En tal caso escribiremos
W
F
V, o simplemente W V
Es decir un Subespacio Vectorial o simplemente un subespacio de V , es un
subconjunto de V que cumple todas las propiedades de espacio vectorial.
Como ya dijimos algunas propiedades las hereda cualquier subconjunto de
V , as nos podemos concentrar solo en la vericacion de S1, S4, S5, P1, en
realidad esto es un poco mas facil.
Teorema 47. W V es un subespacio de V
F
si y solo si:
1. 0 W.
2. Para todo v, u W y F se tiene que
u +v W. (4.1)
Demostracion. ) Si W V y v, u W, F se tiene, de manera trivial,
que u +v W, por S1, P1.
) Para probar S1 basta toma = 0 en la ecuacion (4.1). Por el item 1, W
tiene neutro aditivo, luego S4 es verdad. Para probar S5, sea v V
entonces como 0 V y tomando = 1 , nuevamente por (4.1)se
tiene que 0 + (1)v = v W. Finamente haciendo u = 0 en (4.1) si
v W y F entonces v W por lo tanto W V .
La demostracion del siguiente resultado es inmediata.
4.4. SUBESPACIOS VECTORIALES 71
Proposicion 48. Si V es un espacio vectorial, entonces si 0 V
0 V, V V
Ejemplo 55. Denamos el conjunto W =
__
a 0
b 0
_
: a, b R
_
M
2
(R)
entonces
1. Poniendo a = b = 0 entonces
_
0 0
0 0
_
W.
2. Dadas
_
a
1
0
b
1
0
_
,
_
a
2
0
b
2
0
_
W y R entonces
_
a
1
0
b
1
0
_
+
_
a
2
0
b
2
0
_
=
_
a
1
+a
2
0
b
1
+b
2
0
_
W
por lo tanto W M
2
(R).
Ejemplo 56. Sea V un e.v. sobre R, dado v
0
V denamos
L = v
0
: R
entonces
1. Si = 0 entonces 0 v
0
= 0 L.
2. Supongamos que u, v L y sea R, entonces existen
1
,
2
R
tales que u =
1
v
0
, v =
2
v
0
luego
u +v =
1
v
0
+(
2
v
0
) = v
0
(
1
+
2
)
. .
R
entonces por denicion u +v L, por lo tanto L V .
Supongamos que V = R
n
, entonces L es una recta, el vector v
0
se denomina
vector direccional de L, como 0 L, se dice que la recta pasa por el origen
de coordenadas.
En general un recta en R
n
es el conjunto
L = v
0
+P
0
: R
72 CAP

ITULO 4. ESPACIOS VECTORIALES


por ejemplo en R
2
la recta
L = (1, 2) + (1, 2) : R
tiene a (1, 2) como vector direccional y pasa por el punto (1, 2), es un
subespacio de R
2
? para ser un subespacio de R
2
un condicion necesaria es
(0, 0) L pero si esto fuese as, existira R tal que
(0, 0) = (1, 2) + (1, 2) = ( + 1, 2 2)
pero esto nos lleva a que 1 = = 1 lo cual es imposible, luego (0, 0) , L,
es decir no es un subespacio de R
2
.
En R
n
todas las rectas que pasan por el origen son subespacios de R
n
.
Vamos a ver una generalizacion del ejemplo anterior.
Ejemplo 57. Sean v
1
, v
2
, ..., v
n
V denamos
W =
1
v
1
+
2
v
2
+ +
n
v
n
:
1
,
2
, ...,
n
F
entonces
1. Si
1
=
2
= ... =
n
= 0 entonces 0 W.
2. Supongamos que

1
v
1
+
2
v
2
+ +
n
v
n
,
1
v
1
+
2
v
2
+ +
n
v
n
W
y sea F, entonces
(
1
v
1
+
2
v
2
+ +
n
v
n
) +(
1
v
1
+
2
v
2
+ +
n
v
n
) =
(
1
+
1
)
. .
F
v
1
+ (
2
+
2
)
. .
F
v
2
+ + (
n
+
n
)
. .
F
v
n
W
por lo tanto W
F
V .
4.5. SUBESPACIO GENERADO 73
Ejemplo 58. Del E.52 sabemos que T(X; F) es un espacio vectorial, si
F = R escribiremos T(X; F) = T(X) y si X = R entonces escribimos
T(X) = T.
Consideremos 1, x, x
2
, ..., x
n
T, entonces por el E.57 el conjunto
T
n
= a
0
+a
1
x +a
2
x
2
+ +a
n
x
n
: a
0
, a
1
, ..., a
n
R (4.2)
es un subespacio vectorial sobre T, denominado el conjunto de los polinomios
de grado n. El conjunto de los polinomios de cualquier orden es tambien un
espacio vectorial, este lo denotamos por T

.
Ejemplo 59. Sea A M
nm
(F) y consideremos el conjunto
^ = X M
m1
(F) : AX = 0
el conjunto de soluciones del sistema homogeneo AX = 0. Entonces
1. Como A 0 = 0 entonces 0 ^.
2. Supongamos que A X
1
= 0 y A X
2
= 0 y F entonces
A(X
1
+X
2
) = AX
1
+A(X
2
) = 0 +0 = 0
luego X
1
+X
2
^.
por lo tanto ^ M
m1
(F).
4.5. Subespacio generado
Vamos a analizar el ejemplo 57 con mas profundidad. Para esto veamos
primero algunos ejemplos:
Ejemplo 60. Sea V = R
2
, y consideremos
W = (1, 1) +(2, 2) : , R R
2
notemos que (1, 1) +(2, 2) = ( 2 )(1, 1) entonces
W = t (1, 1) : t R, pues
2 = t siempre tiene solucion.
Ejemplo 61. Sea el subespacio
W = (2, 1) +(2, 1) : , R R
2
Dado (a, b) R
2
notemos que (a, b) W si y solo si existen , R tales
que
(a, b) = (2, 1) +(2, 1)
74 CAP

ITULO 4. ESPACIOS VECTORIALES


si y solo si el siguiente sistema tiene solucion
_
2 2 = a
= b
, como det
_
2 2
1 1
_
= 4 ,= 0
resulta que (a, b) W por lo tanto W = R
2
.
Ejemplo 62. Sea el subespacio
W

= (2, 1) +(2, 1) + (0, 2) : , , R R


2
entonces W

R
2
, sea (a, b) R
2
notemos que (a, b) W

si y solo si el
siguiente sistema tiene solucion
_
2 + 2 = a
1 + + 2 = b
se puede hacer vericar que:
_
2 2 0
1 1 2

a
b
_

_
1 3 2
0 3 2

a +b
a + 2b
_
luego W

= R
2
.
De estos ejemplos se desprenden algunas interrogantes:
1. Todo subespacio de un espacio V es de la forma del E.57?
2. En los casos en que esto sea verdad Es n umero de vectores para
escribir W como en el E. 57, es unico?
3. Como identicarlos?.
Para la primera interrogante podemos pensar en el espacio T

pues dado
un conjunto p
1
(x), p
2
(x), ..., p
m
(x) T

siempre podemos encontrar un


polinomio p(x) de grado mas grande que el grado de los polinomios p
i
(x), i =
1, 2, ..., m luego no existen a
1
, a
2
, ..., a
m
R tales que
a
1
p
1
(x) +a
2
p
2
(x) +... +a
m
p
m
(x) = p(x)
Por lo tanto no todo espacio vectorial se puede escribir como en el E.57. En
realidad los espacios vectoriales que son de interes en el algebra lineal son
aquellos que s se pueden representar de esta forma y son nuestro objeto
de estudio. Bajo esta consideracion la segunda y tercera interrogante seran
estudiadas en lo que va del captulo.
Denicion 49. Sean v
1
, v
2
, ..., v
n
V
F
una Combinacion Lineal de estos
elementos es un vector

1
v
1
+
2
v
2
+... +
n
v
n
donde
1
,
2
, ...,
n
F.
4.5. SUBESPACIO GENERADO 75
Sea S = v
1
, v
2
, ..., v
n
V entonces el subespacio
S) =
1
v
1
+
2
v
2
+... +
n
v
n
:
1
,
2
, ...,
n
F
se denomina Espacio Generado por S.
Ejemplo 63. En el E.55 vimos que W =
__
a 0
b 0
_
: a, b R
_
M
2
(R)
notemos que
W =
__
a 0
b 0
_
: a, b R
_
=
_
a
_
1 0
0 0
_
+b
_
0 0
1 0
_
: a, b R
_
es decir W =
__
1 0
0 0
_
,
_
1 0
0 0
___
Proposicion 50. Sean W, U
F
V entonces W U V .
Demostracion. Como WU V entonces 0 W 0 U luego 0 WU.
Ahora sean u, v W U y F entonces u, v W, u, v U por el T.47
u +v W y u +v U luego
u +v W U
El subespacio S) es el mas peque no tal que contiene a conjunto S, en el
siguiente sentido:
Teorema 51. Sea

W : S W W V , entonces es claro que S S)
as
S)

W : S W W V
por otro lado si S W y W V entonces S) W por la clausura de la
suma de vectores y el producto por un escalar, entonces

W : S W W V S)
por lo tanto

W : S W W V = S).
Como dijimos antes los e.v. que nos interesan son precisamente del tipo S).
recordemos que:
Veamos por ejemplo:

(2, 1), (2, 1)


_
=

(2, 1), (2, 1) , (0, 2)
_
= R
2
Supongamos que S = (2, 1), (2, 1) , (0, 2) y notemos que
a (2, 1) +b (2, 1) = (0, 2) donde a = 1, b = 1
76 CAP

ITULO 4. ESPACIOS VECTORIALES


entonces si v

(2, 1), (2, 1) , (0, 2)


_
existen , , R tales que
v =(2, 1) + (2, 1) + (0, 2)
=(2, 1) + (2, 1) +
_
a (2, 1) +b (2, 1)

=( +a) (2, 1) + ( +b) (2, 1)


=( 1) (2, 1) + ( + 1) (2, 1)
es decir si S

= (2, 1), (2, 1) hemos probado que S) S

), ademas si
u S

) existen , R tales que


u = (2, 1) + (2, 1) = (2, 1) + (2, 1) + 0 (0, 2) S)
por lo tanto
S) = S

)
as el elemento (0, 2) no es indispensable para que S) = R
2
, esto gracias a
que es combinacion lineal de los otros elementos de S. Esto nos da la pauta
que debemos seguir.
Proposicion 52. Sea S = v
1
, v
2
, ..., v
n
V
F
1. Si S

S entonces S

) S).
2. Si v S

) entonces S

) =

S

v
_
Demostracion. 1. Supongamos, sin perdidas de generalidad, que S

=
v
1
, v
2
, .., v
n1
entonces si
v =
1
v
1
+
2
v
2
+... +
n1
v
n1
S

)
se tiene que
v =
1
v
1
+
2
v
2
+... +
n1
v
n1
+ 0 v
n
S)
por lo tanto S

) S). El caso general es evidente.


2. Supongamos que S

= v
1
, v
2
, ..., v
m
si v S

) entonces existen
escalares a
1
, a
2
, ..., a
m
F tales que
a
1
v
1
+a
2
v
2
+... +a
m
v
m
= v
por el la primera parte de esta proposicion sabemos que
S

v
_
entonces sea w S

v, por denicion existen b


1
, b
2
, ..., b
m
, b
m+1
F
tales que
w =b
1
v
1
+b
2
v
2
+... +b
m
v
m
+b
m+1
v
=b
1
v
1
+b
2
v
2
+... +b
m
v
m
+b
m+1
_
a
1
v
1
+a
2
v
2
+... +a
m
v
m

=(b
1
+b
m+1
a
1
)
. .

1
v
1
+ (b
2
+b
m+1
a
2
)
. .

2
v
2
+... + (b
m
+b
m+1
a
m
)
. .

m
v
m
=
1
v
1
+
2
v
2
+... +
m
v
m
S

4.6. DEPENDENCIA E INDEPENDENCIA LINEAL 77


luego S

= S

v.
4.6. Dependencia e independencia lineal
Dado un conjunto nito S V
F
diremos que es un conjunto de generadores
de V si
S) = V
es decir S = v
1
, v
2
, ..., v
n
es un conjunto de generadores de V si para todo
v V existen
1
,
2
, ...,
n
F tales que

1
v
1
+
2
v
2
+... +
n
v
n
= v
Ejemplo 64. los conjuntos
(2, 1), (2, 1), , (2, 1), (2, 1), (0, 2), (1, 0), (0, 1)
son conjuntos de de generadores de R
2
.
Ejemplo 65. El conjunto S = e
1
, e
2
, ..., e
n
R
n
donde
e
1
= (1, 0, ..., 0), e
2
= (0, 1, 0, ..., 0), ..., e
n
= (0, 0, ..., 0, 1)
es un conjunto de generadores de R
n
pues dado (a
1
, a
2
, ..., a
n
) R
n
podemos
escribir
(a
1
, a
2
, ..., a
n
) =
n

i=1
a
i
e
i
Ejemplo 66. El espacio vectorial T no tiene un conjunto nito de gener-
adores, sin embargo T
n
T si esta generado por un conjunto nito, basta
considerar 1, x, x
2
, ..., x
n
.
Ejemplo 67. Sea S = (1, 1, 2), (0, 1, 1), (1, 2, 1), (2, 3, 3), (0, 2, 2)
R
3
, entonces v S) si y solo si existen escalares x
1
, x
2
, x
3
, x
4
, x
5
tales que
_
_
v
1
v
2
v
3
_
_
= x
1
_
_
1
1
2
_
_
+x
2
_
_
0
1
1
_
_
+x
3
_
_
1
2
1
_
_
+x
4
_
_
2
3
3
_
_
+x
5
_
_
0
2
2
_
_
es decir si y solo si el siguiente sistema tiene solucion:
_
_
_
x
1
x
3
2x
4
= v
1
x
1
+ x
2
+ 2x
3
+ 3x
4
+ 2x
5
= v
2
2x
1
+ x
2
x
3
3x
4
+ 2x
5
= v
2
78 CAP

ITULO 4. ESPACIOS VECTORIALES


escalonando tenemos:
_
_
1 0 1 2 0
1 1 2 3 2
2 1 1 3 2

v
1
v
2
v
3
_
_

_
_
1 0 1 2 0
0 1 1 1 2
0 0 0 0 0

v
1
v
1
+v
2
3v
1
v
2
+v
3
_
_
este sistema tiene solucion si y solamente si 3v
1
v
2
+v
3
= 0 es decir si
y solo si
_
_
v
1
v
2
v
3
_
_
= t
_
_
1/3
1
0
_
_
+r
_
_
1/3
0
1
_
_
, t, r R
as S) =

(1/3, 1, 0), (1/3, 0, 1)
_
.
Hemos encontrado un conjunto mas simple que genera el mismo espacio que
S, a un queda por determinar si este conjunto es el mas peque no posible, en
el camino hemos perdido informacion acerca de los elementos de S.
Denicion 53. Dado V
F
un espacio vectorial, el conjunto S = v
1
, v
2
, ..., v
n

V se denomina Linealmente Independientes (L.I.) si dado
1
,
2
, ...,
n
F
tales que

1
v
1
+
2
v
2
+... +
n
v
n
= 0
1
=
2
= ... =
n
= 0.
Si S no es linealmente independiente diremos que es Linealmente Dependi-
ente (L.D.). Es decir S es L.D. si existen
1
,
2
, ...,
n
F no todos iguales
a cero, tales que

1
v
1
+
2
v
2
+... +
n
v
n
= 0.
Observacion 10. Notemos que si S = v
1
, ..., v
n
es L.D. entonces existen

1
,
2
, ...,
n
F no todos iguales a cero, tales que

1
v
1
+
2
v
2
+... +
n1
v
n1
+
n
v
n
= 0.
supongamos que
n
,= 0 entonces
v
n
=
_

n
_
v
1

_

n
_
v
2
...
_

n
_
v
n1

_

n

n1
_
v
n1
es decir, si S

= S v
n
por denicion v
n
S

) entonces como S =
S

v
n
por la P.52 tenemos que S) = S

).
Nuevamente podemos preguntarnos si S

es L.I. si no lo es, encontraremos


S

S tal que S

) = S

) = S), eventualmente podemos encontrar


B S tal que B = S).
Resumiendo hemos probado:
4.6. DEPENDENCIA E INDEPENDENCIA LINEAL 79
Teorema 54. Si S V
F
es un conjunto de generadores de V , entonces
existe B S tal que B) = V . Ademas ning un subconjunto propio de B
genera V (B es L.I.).
Demostracion. En la Ob. 10 hemos probado que existe B S L.I. que
genera V , supongamos que B = v
1
, v
2
, ..., v
m
y sea A B, sin perdida de
generalidad podemos suponer que A = v
2
, v
3
, ..., v
m
.
Si A) = V entonces v
1
A), luego existen
2
,
3
, ...,
m
F tales que
v
1
=
2
v
2
+
3
v
3
+... +
m
v
m
entonces
(1) v
1
+
2
v
2
+
3
v
3
+... +
m
v
m
= 0
luego B no es L.I. lo cual es una contradiccion, con lo que queda demostrado
el teorema.
Ejemplo 68. Sean S = (1, 2, 1), (1, 0, 1), (2, 1, 1), (1, 2, 1) vamos a
determinar si es L.I o no. Supongamos que

1
_
_
1
2
1
_
_
+
2
_
_
1
0
1
_
_
+
3
_
_
2
1
1
_
_
+
4
_
_
1
2
1
_
_
=
_
_
0
0
0
_
_
(4.3)
el conjunto S sera L.I. si los unicos escalares que hacen esto posible son
todos iguales a cero caso contrario el conjunto sera L.D. notemos que (4.3)
es equivalente a un sistema de ecuaciones, que en su forma matricial es:
_
_
1 1 2 1
2 0 1 2
1 1 1 1
_
_
_
_
_
_

4
_
_
_
_
=
_
_
0
0
0
_
_
es importante notar que las columnas de la matriz de coecientes son los
vectores de S. Escalonando tenemos:
_
_
1 1 2 1
2 0 1 2
1 1 1 1
_
_

_
_
1 1 2 1
0 2 1 0
0 0 0 0
_
_
as existen una innidad de escalares
1
,
2
,
3
,
4
que satisfacen (4.3) no
todos iguales a cero, luego el conjunto es L.D.
Resolviendo el sistema podemos escribir:
3
= t,
4
= r luego
2
= t/2,
1
=
(3/2)t r. Entonces
_

3
2
tr
_
_
_
1
2
1
_
_

t
2
_
_
1
0
1
_
_
+t
_
_
2
1
1
_
_
+r
_
_
1
2
1
_
_
=
_
_
0
0
0
_
_
(4.4)
80 CAP

ITULO 4. ESPACIOS VECTORIALES


Siguiendo los pasos de la Ob. 10 podemos decir que (1, 2, 1) es combinacion
lineal de (1, 2, 1), (1, 0, 1), (2, 1, 1), Este conjunto el L.I.? igual que
antes podemos observar
_
_
1 1 2
2 0 1
1 1 1
_
_

_
_
1 1 2
0 2 1
0 0 0
_
_
nuevamente el sistema tiene innidad de soluciones, son L.D. entonces ha-
ciendo
3
= t tenemos que

3
2
t
_
_
1
2
1
_
_

t
2
_
_
1
0
1
_
_
+t
_
_
2
1
1
_
_
=
_
_
0
0
0
_
_
(4.5)
entonces (2, 1, 1) es combinaci on lineal de (1, 2, 1), (1, 0, 1) por la Ob.
10, el conjunto (1, 2, 1), (1, 0, 1) es L.I. ? basta ver:
_
_
1 1
2 0
1 1
_
_

_
_
1 1
0 2
0 0
_
_
tiene solucion unica, luego son L.I. as

(1, 2, 1), (1, 0, 1), (2, 1, 1), (1, 2, 1)


_
=

(1, 2, 1), (1, 0, 1)
_
En resumen dado un subconjunto nito S R
n
, para determinar un sub-
conjunto S

de S que sea L.I. y S) = S

) basta escalonar la matriz cuyas


columnas son los vectores de S y S

son los vectores correspondientes a las


columnas en donde existen pivotes.
4.7. Bases y dimension
Denicion 55. Dado un espacio vectorial V
F
, un conjunto B V se dice
que es un a base de V si
i) Genera V , es decir B) = V .
ii) Es linealmente independiente.
Ejemplo 69. El conjunto (1, 2, 1), (1, 0, 1) R
2
es base de R
2
.
Observacion 11. Dado un sistema de ecuaciones AX = 0 donde A
M
nm
(F) siempre tiene solucion, supongamos que m > n, hay mas columnas
que las, si AA

entonces si A

es una matriz escalonada puede tener a


mas n pivotes, luego hay columnas que no contiene pivotes, por lo tanto
AX = 0 tiene innitas soluciones.
4.7. BASES Y DIMENSI

ON 81
Proposicion 56. Supongamos que o = v
1
, v
2
, ..., v
n
V es un conjunto
de generadores de V , entonces dado w
1
, w
2
, ..., w
m
V , con m > n, es
L.D.
Demostracion. Supongamos que x
1
w
1
+x
2
w
2
+... +x
m
w
m
= 0, queremos
demostrar que esta ecuacion tiene alguna solucion no trivial. Como o) = V
entonces dado w
j
V existen escalares
1j
,
2j
, ...,
nj
tales que
w
j
=
1j
v
1
+
2j
v
2
+... +
nj
v
n
, j = 1, 2, ..., m.
luego x
j
w
j
= x
j

1j
v
1
+x
j

2j
v
2
+... +x
j

nj
v
n
as se tiene que:
m

j=1
x
j
w
j
=
_
m

j=1
x
j

1j
_
v
1
+
_
m

j=1
x
j

2j
_
v
2
+.... +
_
m

j=1
x
j

nj
_
v
n
= 0
esto es verdad, por ejemplo, si cada

m
j=1
x
j

ij
= 0 para cada i = 1, ..., n.
es decir si el sistema:
_

_
x
1

11
+ x
2

12
+ + x
m

1m
= 0
x
1

21
+ x
2

22
+ + x
m

2m
= 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
1

n1
+ x
2

n2
+ + x
m

nm
= 0
La matriz de coecientes de este sistema tiene el n umero de las n menor
que el n umero de columnas m, por la Ob. 11 este existen x
1
, ..., x
m
F no
todos iguales a cero tales que satisfacen este sistema y por lo tanto tales que
x
1
w
1
+x
2
w
2
+... +x
m
w
m
= 0, luego w
1
, w
2
, ..., w
m
es L.D.
Corolario 57. Supongamos que o = v
1
, v
2
, ..., v
n
V es un conjunto de
generadores de V , si w
1
, w
2
, ..., w
m
V es L.I. , entonces n m.
Teorema 58. Dado B V base de V , cualquier otra base de V tiene la
misma cantidad de elementos de B.
Demostracion. Supongamos que B tiene n elementos y sea B

V una base
de V de m elementos, entonces
1. Como B genera V y B es L.I. entonces por el C.57 m n.
2. Como B

genera V y B es L.I. entonces por el C.57 n m.


por lo tanto n = m.
Denicion 59. Diremos que un espacio vectorial es de dimension nita, si
contiene un conjunto nito que es base de V .
Si n es n umero de elementos de una una base de V , entonces diremos que
V es un espacio de dimension n y escribiremos
dimV = n.
82 CAP

ITULO 4. ESPACIOS VECTORIALES


Enunciaremos algunas consideraciones importantes acerca de la base y la
dimension de un espacio vectorial en el siguiente teorema:
Teorema 60. Sea V
F
un espacio vectorial de dimension nita n. Entonces
1. Todo conjunto de generadores de V contiene una base de V .
2. Todo conjunto L.I. de V esta contenido en alguna base de V .
3. Si W V tiene dimension nita menor o igual a n.
4. Si W V tiene dimension n, entonces V = W.
5. Si S es subconjunto de V con n elementos. Es un conjunto de gener-
adores si y solo si es L.I.
Demostracion. 1. Si S es un conjunto de generadores entonces por el T. 54
existe S

S tal que S

) = S), por la Ob. 10 S

es L.I. luego es una


base de V .
2. Sea S un conjunto L.I. con m elementos, como dimV = n entonces
contienen una base de n elementos, por el C. 57 n m.
Si S) = V entonces S es una base de V , si no es as, existe v
V S) entonces sea S

= v S este conjunto es L.I. pues si S =


v
1
, v
2
, ..., v
m
entonces si

1
v
1
+
2
v
2
+ +
m
v
m
+v = 0
= 0 pues v , S), luego como S es L.I.
i
= 0, i = 1, 2, ..., m.
Si S

) = V entonces es base de V , si no procedemos como antes hasta


encontrar un base. Esto siempre es posible pues cuando el n umero de
elementos de S

sea n, si existe w V S

) entonces S

w sera un
con junto L.I. de n + 1 elementos, lo cual es imposible por el C.57.
Observacion 12. 1. El espacio R
n
tiene dimension n, una base para
este espacio es el conjunto e
1
, e
2
, ..., e
n
el cual se denomina Base
canonica de R
n
.
2. Si B = v
1
, v
2
, ..., v
n
es un subconjunto de R
n
por el T.60, es una base si
y solo si son L.I. esto ocurre si y solo si el sistema homogeneo AX = 0,
cuyas columnas son los vectores v
1
, v
2
, ..., v
n
, tiene solucion unica si
y solo si det(A) ,= 0.
3. El espacio M
nm
(F) tiene dimension n m, para ver esto basta con-
siderar el conjunto B de las matrices A
i,j
dadas por
[A
i,j
]
r,s
=
_
1, r = s
0 s ,= s.
4.8. COORDENADAS 83
Por ejemplo M
32
(R) tiene como base el conjunto
B =
__
1 0
0 0
0 0
_
,
_
0 1
0 0
0 0
_
,
_
0 0
1 0
0 0
_
,
_
0 0
0 1
0 0
_
,
_
0 0
0 0
1 0
_
,
_
0 0
0 0
0 1
__
4. El conjunto P
n
denido en el E.4.2 tiene como generadores a conjunto
1, x, x
2
, ..., x
n

si
0
1 +
1
x +
2
x
2
+ +
n
x
n
= 0 donde 0 T
n
podemos escribir

0
1 +
1
x +
2
x
2
+ +
n
x
n
= 0 1 + 0 x + 0 x
2
+ + 0 x
n
por igualdad de polinomios tenemos que
i
= 0 para cada i = 0, 1, ..., n.
Por lo tanto
B = 1, x, x
2
, ..., x
n

el L.I. luego es una base de T


n
, as dimT
n
= n + 1.
Ejemplo 70. El conjunto (1, 2, 1), (2, 3, 5), (1, 1, 6) R
3
no es base de
R
3
pues
det
_
_
1 2 1
2 3 5
1 1 6
_
_
= 0
Sin embargo el conjunto (1, 1, 0), (1, 1, 1), (0, 2, 2) R
3
si es una base
pues:
det
_
_
1 1 0
1 1 1
0 2 2
_
_
= 6
Observacion 13. Como algunas consecuencias inmediatas del T.60 pode-
mos decir que:
1. En un espacio de dimension n ning un conjunto de mas de n vectores
puede ser L.I.
2. En un espacio de dimension n ning un conjunto con menos de n vec-
tores puede generar a todo el espacio.
4.8. Coordenadas
Supongamos que B = v
1
, v
2
, ..., v
n
es una base de V
F
, entonces dado v V
existen
1
,
2
, ...,
n
F tales que

1
v
1
+
2
v
2
+ +
n
v
n
= v
84 CAP

ITULO 4. ESPACIOS VECTORIALES


Si existen
1
,
2
, ...,
n
F tales que

1
v
1
+
2
v
2
+ +
n
v
n
= v
entonces (
1

1
)v
1
+ (
2

2
)v
2
+ + (
n

n
)v
n
= v v = 0 como B
es base entonces
i

i
= 0 para cada i = 1, 2, ..., n luego tenemos que:
Proposicion 61. Si B es una base de V
F
y v V , entonces existen UNICOS

1
,
2
, ...,
n
F tales que

1
v
1
+
2
v
2
+ +
n
v
n
= v
Si B es una base de V , de aqu en adelante consideraremos a los elementos
de B ordenados, as nos referiremos a B como una base ordenada.
Denicion 62. Sea B una base ordenada de V
F
y v V , entonces si

1
,
2
, ...,
n
F son tales que

1
v
1
+
2
v
2
+ +
n
v
n
= v,
las coordenadas de v en la base ordenada B es la n-upla
[v]
B
= (
1
,
2
, ...,
n
)
Ejemplo 71. Si en R
n
consideramos la base ordenada B = e
1
, e
2
, ... , e
n

entonces es claro que dado u R


n
[u]
B
= u
Ejemplo 72. Sea B = (1, 1, 1)
. .
v
1
, (1, 0, 0)
. .
v
2
, (1, 1, 0)
. .
v
3
R
3
como
det
_
_
1 1 1
1 0 0
1 1 0
_
_
= 1
entonces es un conjunto L.I. y como dimR
3
= 3 entonces es una base de R
3
.
Para calcular las coordenadas del vector v = (2, 1, 3) en la base B buscamos
escalares
1
,
2
,
3
tales que

1
v
1
+
2
v
2
+
3
v
3
= v
es decir tenemos que resolver el sistema:
_
_
1 1 1
1 0 0
1 1 0
_
_
_
_

3
_
_
=
_
_
2
1
3
_
_
4.8. COORDENADAS 85
escalonando o por cualquier otro metodo tenemos que:
_
_

3
_
_
=
_
_
1
4
1
_
_
es decir
[(2, 1, 3)]
B
= (1, 4, 1)
Ejemplo 73. Sea S = 1+x, 2+x
2
, 1+xx
2
, 2+2x
2
T
2
como dimT
2
= 3
este conjunto es L.D. vamos a determinar una base de T
2
utilizando S, esto
siempre es posible por el T. 60. Consideremos la combinacion lineal

1
(1 +x) +
2
(2 +x
2
) +
3
(1 +x x
2
) +
4
(2 + 2x
2
) = 0
haciendo operaciones es facil comprobar que:
(
1
+ 2
2
+
3
+ 2
4
) 1 + (
1
+
3
) x + (
2

3
+ 2
4
) x
2
= 0
por igualdad de polinomios tenemos que esto es equivalente a:
_
_
_

1
+ 2
2
+
3
+ 2
4
= 0

1
+
3
= 0

2

3
+ 2
4
= 0
este es un sistema de ecuaciones lineales, para estudiar el sistema procede-
mos a escalonar:
_
_
1 2 1 2
1 0 1 0
0 1 1 2
_
_

_
_
1 2 1 2
0 1 0 1
0 0 1 1
_
_
as tenemos que
S ) =

1 +x, 2 +x
2
, 1 +x x
2

_
ademas B = 1 +x, 2 +x
2
, 1 +x x
2
es L.I. luego es una base de T
2
.
Dado el vector 1 + 2x + x
2
T
2
las coordenadas de este vector en la base
ordenada B son las soluciones de:

1
(1 +x) +
2
(2 +x
2
) +
3
(1 +x x
2
) = 1 + 2x +x
2
por igualdad de polinomios tenemos que
_
_
_

1
+ 2
2
+
3
= 1

1
+
3
= 2

2

3
= 1
entonces la solucion unica del sistema es
1
= 7/2,
2
= 1/2,
3
= 3/2.
Por lo tanto
[1 + 2x +x
2
]
B
= (7/2, 1/2, 3/2).
86 CAP

ITULO 4. ESPACIOS VECTORIALES


Sea V
F
un espacio vectorial de dimension n y sean B = v
1
, v
2
, ..., v
n
y B

=
u
1
, u
2
, ..., u
n
bases ordenadas de V . Dado un vector u V supongamos
que
u =
1
v
1
+
2
v
2
+ +
n
v
n
(4.6)
entonces [u]
B
= (
1
,
2
, ...,
n
) como B

es base de V entonces podemos


encontrar escalares tales que:
v
j
= c
1j
u
1
+c
2j
u
2
+ +c
nj
u
n
, j = 1, 2, ..., n
entonces
u =
1
_
n

i=1
c
i1
u
i
_
+
2
_
n

i=1
c
i2
u
i
_
+ +
n
_
n

i=1
c
in
u
i
_
agrupando tenemos que
u = (c
11

1
+c
12

2
+ +c
1n

n
) u
1
+ (c
21

1
+c
22

2
+ +c
2n

n
) u
2
+ +
+ (c
n1

1
+c
n2

2
+ +c
nn

n
) u
n
por lo tanto las coordenadas de u en la base B

son:
[u]
B
=
_
_
_
_
_
c
11
c
12
c
1n
c
21
c
22
c
2n
.
.
.
.
.
.
.
.
.
.
.
.
c
n1
c
n2
c
nn
_
_
_
_
_
. .
P
_
_
_
_
_

2
.
.
.

n
_
_
_
_
_
. .
[u]
B
(4.7)
Es decir si [u]
B
entonces podemos escribir u en la base B

haciendo [u]
B
=
P [u]
B
donde P es la matriz que obtiene de
(u
1
u
2
u
n
[v
1
[v
2
[ [v
n
) (I[P)
La matriz P se denomina matriz de cambio de Base, pues tomamos un vector
u escrito en la base B es decir (4.6)y la transformamos a la base B

como se
muestra en (4.7) la matriz de transicion es precisamente la que obtiene de
(B

[ B) (I[P)
esta matriz se denota por
P
B

B
As podemos escribir:
P
B

B
: (V, B) (V, B)
[v]
B
[v]
B
4.8. COORDENADAS 87
Ejemplo 74. En R
3
consideremos las bases B = (1, 0, 0), (0, 1, 0), (0, 0, 1)
y B

= (1, 2, 1), (1, 1, 1), (1, 0, 1), entonces la matriz de cambio de co-
ordenadas de la base B a la base B

es la que se obtiene de
(B

[B) = (B

[I)
por lo tanto (B

[I)
_
I[(B

)
1
_
luego
P = (B

)
1
=
_
_
1 1 1
2 1 0
1 1 1
_
_
1
=
1
4
_
_
1 2 1
2 0 2
1 2 3
_
_
as dado u = (1, 1, 1) vamos a calcular
[u]
B
= P [u]
B
como B es la base canonica entonces [u]
B
= u por el E.71. Luego
[u]
B
=
1
4
_
_
1 2 1
2 0 2
1 2 3
_
_
_
_
1
1
1
_
_
=
_
_
1
1
1
_
_
es decir (1, 1, 1) = 1 (1, 2, 1) + (1) (1, 1, 1) + 1 (1, 0, 1)
88 CAP

ITULO 4. ESPACIOS VECTORIALES


Captulo 5
Espacios con Producto
Interior
5.1. Introduccion
Hemos estudiado los espacios vectoriales los cuales son estructuras que gen-
eralizan a R
n
. En este capitulo vamos a dotar a un espacio vectorial de
la nocion de distancia y de ortogonalidad, lograremos esto introduciendo
una funcion denominada Producto Interno. A los largo de este captulo V
denotara un espacio vectoriales sobre el campo de los numeros reales.
5.2. Denicion y ejemplos
Dado un espacio vectorial V sobre el campo de los n umero reales una funcion
, ) : V V R
tal que si v, u, w V y , R entonces
I1. u, u) 0.
I2. u, u) = 0 si y solo si u = 0.
I3. u, v) = v, u).
I4. u, v) = u, v).
I5. u, v +w) = u, v) +u, w)
Observacion 14. Las propiedades I3, I4 y I5 dicen que el producto interior
es lineal respecto de cada variable, es decir
u, v +w) = u, v) +u, w) = u, v) +u, w)
89
90 CAP

ITULO 5. ESPACIOS CON PRODUCTO INTERIOR


ademas
v +w, u) =u, v +w) = u, v) +u, w)
=u, v) +u, w) = , v, u) +w, u)
as v +w, u) = , v, u) +w, u).
Notemos tambien que las propiedades I4, I5 se pueden resumir en
u, v +w) = u, v) +u, w)
Ejemplo 75. Vamos a denir un producto interior en R
n
.
Sean v = (v
1
, v
2
, ..., v
n
), u = (u
1
, u
2
, ..., u
n
) vectores y R, entonces sea
u, v) = u
1
v
1
+u
2
v
2
+ +u
n
v
n
(5.1)
vamos a mostrar que es un producto interior:
1. u, u) = u
1
u
1
+u
2
u
2
+ +u
n
u
n
= u
2
1
+u
2
2
+ +u
2
n
0.
2. u, u) = 0 si y solo si u
2
1
+u
2
2
+ +u
2
n
= 0 esto es verdad si y solamente
si u
1
= u
2
= = u
n
= 0.
3. u, v) = u
1
v
1
+u
2
v
2
+ +u
n
v
n
= v
1
u
1
+v
2
u
2
+ +v
n
u
n
= v, u).
4. Vamos a probar que
u, v +w) = u, v) +u, w)
donde w = (w
1
, w
2
, ..., w
n
).
u, v +w) = u
1
(v
1
+w
1
) +u
2
(v
2
+w
2
) + +u
n
(v
n
+w
n
)
= (u
1
v
1
+u
1
w
1
) + (u
2
v
2
+u
2
w
2
) + + (u
n
v
n
+u
n
w
n
)
= ( u
1
v
1
+ u
2
v
2
+ + u
n
v
n
) + ( u
1
w
1
+u
2
w
2
+ +u
n
w
n
)
= u, v) +u, w)
Por lo tanto (5.1) dene un producto interior den R
n
, este producto interior
se denomina producto interior Euclidiano.
Ejemplo 76. Veamos algunos ejemplos en R
3
con este producto interior:
Sean u = (1, 2, 3), v = (0, 1, 2), w = (0, 1, 0).
1. Calcular u, v), w, (2)v).
a) u, v) = (1, 2, 3), (0, 1, 2)) = 4.
b) w, (2)v) = (2)w, v) = (2)(0, 1, 0), (0, 1, 2)) = 2.
5.2. DEFINICI

ON Y EJEMPLOS 91
2. Hallar un vector que sea ortogonal a u y v.
Queremos encontrar (x, y, z) R
3
tal que (x, y, z), ((1, 2, 3))) = 0 y
(x, y, z), (0, 1, 2)) = 0 es decir queremos hallar las soluciones de:
_
x 2y + 3z = 0
y + 2z = 0
Resolviendo tenemos que x = 7t, y = 2t, z = t para cada t R.
Por ejemplo si t = 1 entonces (7, 2, 1) es ortogonal a u y v.
3. Calcular u, v + (3)w + 2u).
u, v + (3)w + 2u) =u, v) +u, (3)w + 2u)
=u, v) +u, (3)w) +u, 2u)
=u, v) + (3)u, w) + 2 u, u)
=4 + (3)(2) + 2 14 = 38
Proposicion 63. Sea V un espacio con producto interior, entonces
1. u, 0) = 0.
2. Si u, v) = u, w) para todo u V entonces v = w.
Demostracion. 1. Si 0 V y O
R
R entonces como O
R
0 = 0 podemos
escribir:
u, 0) = u, O
R
0) = O
R
u, 0) = 0.
2. Supongamos que u, v) = u, w) entonces
u, v) u, w) = 0, luego
u, v w) = 0
tomemos en particular v w = u entonces v w, v w) = 0 pero
esto ocurre si y solo si v w = 0 si y solo si v = w.
Denicion 64. Diremos que dos vectores son Ortogonales si su producto
interior es cero, es decir u, v V son ortogonales si y solo si u, v) = 0. En
este caso escribiremos
u v u, v).
Ejemplo 77. Los vectores (1, 2), (2, 1) R
2
son ortogonales pues:
(1, 2), (2, 1)) = 1 (2) + 2 1 = 0
as podemos decir que
(1, 2) (2, 1)
Los vectores (2, 1), (3, 2) no son ortogonales pues
(2, 1), (3, 2)) = 8 ,= 0.
92 CAP

ITULO 5. ESPACIOS CON PRODUCTO INTERIOR


Ejemplo 78. Sea u V denamos el conjunto u

= v V : u, v) = 0
entonces notemos que
1. 0 u

pues u, 0) = 0.
2. Sean v, w u

y R entonces u, v) = u, w) = 0
u, v +w) = u, v) +u, w) = 0 + 0 = 0
luego v +w u

.
por lo tanto hemos probado que u

V .
Ejemplo 79. Vamos a calcular una base para (1, 2, 1)

.
Por denicion (1, 2, 1)

= (x, y, z) R
3
: (1, 2, 1), (x, y, z)) = 0 es
decir (x, y, z) (1, 2, 1)

si y solo si
x + 2y z = 0
parametrizando z = t, y = r tenemos x = 2r +t luego
(1, 2, 1)

= (1, 1, 0)t + (2, 1, 0)r : t, r R


por lo tanto (1, 1, 0), (2, 1, 0) es una base de (1, 2, 1)

.
5.3. Norma de un vector
Vamos a denir la norma de un vector como una funcion denida por:
| | : V R
u
_
u, u)
esta bien denida pues u, u) 0.
Observacion 15. Notemos que |u|
2
= u, u).
Ejemplo 80. Si (1, 2) R
3
entonces
|(1, 2)| =
_
1
2
+ 2
2
=

5
Geometricamente tenemos:
5.3. NORMA DE UN VECTOR 93
Ejemplo 81. Si (1, 2, 2) R
3
entonces
|(1, 2, 2)| =
_
(1)
2
+ 2
2
(2)
2
=

9 = 3
Geometricamente esto representa el tama no del vector (1, 2, 2).
||u||
Geometricamente la norma de un vector es el tama no del vector o la distancia
del origen al vector. La distancia d entre dos vectores u, v V se dene como:
d(u, v) = |u v|
Geometricamente tenemos que:
Por ejemplo en R
3
si u = (1, 1, 2), v = (2, 0, 1) entonces
d(u, v) = |(1, 1, 2) (2, 0, 1)| = |(1, 1, 3)| =

11
Proposicion 65 (Desigualdad de Schwartz). Sean u, v V entonces
[u, v)[ |u| |v| (5.2)
Demostracion. Notemos que |u v| 0 entonces
|u v|
2
= u v, u v)
= u, u) 2u, v) +
2
v, v)
Si > 0 entonces
2u, v)
1
|u|
2
+|v|
2
poniendo = |u|/|v| tenemos que
u, v) |u| |v|
Notemos que la igualdad se cumple si y solo si u v = 0 es decir si y solo
si u = v.
94 CAP

ITULO 5. ESPACIOS CON PRODUCTO INTERIOR


Teorema 66. Sea V un espacio vectorial, entonces: Si u, v V y , R
1. |u| 0 y |u| = 0 si y solamente si u = 0.
2. | u| = [[ |u|.
3. |u +v| |u| +|v| Desigualdad triangular.
Demostracion. Las dos primeras propiedades son inmediatas recordando que
|u|
2
= u, u).
Para la ultima:
|u +v|
2
=u +v, u +v) = u, u) + 2 u, v) +v, v)
=|u|
2
+u, v) +|v|
2
|u|
2
+|u| |v| +|v|
2
= (|u| +|v|)
2
Si u V es un vector no nulo, entonces |u| ,= 0 luego por la parte 2. del
T.66 tenemos que
_
_
_
_
_
u
|u|
_
_
_
_
_
=
_
_
_
_
_
1
|u|
u
_
_
_
_
_
=
1
|u|
|u| = 1 (5.3)
Observacion 16. Un vector de norma igual a uno se denomina unitario.
Por (5.3) dado un vector u se puede encontrar un vector unitario u/|u| que
es paralelo a u, este proceso se denomina normalizacion.
5.4.

Angulo entre vectores
Analicemos el producto interior en R
3
, la norma que genera el producto inte-
rior euclidiano es precisamente una generalizacion del teorema de Pitagoras.
5.4.

ANGULO ENTRE VECTORES 95
entonces si tenemos los vectores u, v:
por la regla de los cosenos
|u v|
2
= |u|
2
+|v|
2
2|u| |v| cos
entonces tenemos que
u v, u v) =u, u) +v, v) 2|u| |v| cos
u, u) 2 u, v) +v, v) =u, u) +v, v) 2|u| |v| cos
as tenemos que: 2 u, v) = 2|u| |v| cos por lo tanto
cos =
u, v)
|u| |v|
esto nos motiva a dar la siguiente denicion.
Denicion 67. Si u, v V
R
son vectores no nulos, el angulo entre u y v
se dene por
cos =
u, v)
|u| |v|
(5.4)
As decir que dos vectores son ortogonales si el angulo entre ellos es de 90
o
o /2.
Proposicion 68 (Teorema de Pitagoras). Si u, v V
R
son vectores
ortogonales y no nulos entonces
|u|
2
+|v|
2
= |u +v|
2
Demostracion.
|u +v|
2
=u +v, u +v)
=u, u) + 2u, v) +v, v)
=|u|
2
+ 2u, v) +|v|
2
como u, v) = 0 entonces |u|
2
+|v|
2
= |u +v|
2
.
96 CAP

ITULO 5. ESPACIOS CON PRODUCTO INTERIOR


5.5. Proceso de Gram Schmidt
Denicion 69. Un conjunto de vectores no nulos se denomina ortogonal si
todos sus vectores son ortogonales entres si. Y se denomina ortonormal si
ademas de ortogonal todos sus elementos tienen norma uno.
Por la Ob.16 dado un conjunto ortogonal se puede encontrar un conjunto
ortonormal por el proceso de normalizacion.
Ejemplo 82. En R
n
el conjunto e
1
, e
2
, ..., e
n
es un conjunto ortonormal.
En particular, en R
3
el conjunto (1, 0, 0), (0, 0, 1), (0, 0, 1) es ortonormal.
Ejemplo 83. El conjunto (1, 1, 1), (1, 0, 1), (1, 2, 1) R
3
es ortogonal.
Como
|(1, 1, 1)| =

3, |(1, 0, 1)| =

2, |(1, 2, 1)| =

6
entonces normalizando tenemos que:
_
_
1

3
,
1

3
,
1

3
_
,
_
1

2
, 0,
1

2
_
,
_
1

6
,
2

6
,
1

6
_
_
es un conjunto ortonormal.
Teorema 70. Sea o = v
1
, v
2
, ..., v
n
V
R
un conjunto ortogonal, si
v =
1
v
1
+
2
v
2
+ +
n
v
n
entonces
i
=
v,v
i

v
i
,v
i

para cada i = 1, 2, ..., n


Demostracion. Si v =
1
v
1
+
2
v
2
+ +
n
v
n
entonces
v, v
i
) =
_
n

j=1

j
v
j
, v
i
_
=
n

j=1

j
v
j
, v
i
)
=
i
v
i
, v
i
)
para cada i = 1, 2, ..., n , por lo tanto

i
=
v, v
i
)
v
i
, v
i
)
El teorema nos dice un poco mas: Si o = v
1
, v
2
, ..., v
n
V
R
es un conjunto
ortogonal, entonces v o) si y solo si
v =
n

i=1
v, v
i
)
v
i
, v
i
)
v
i
(5.5)
Corolario 71. Todo conjunto ortogonal (ortonormal) es L.I.
5.5. PROCESO DE GRAM SCHMIDT 97
Demostracion. Supongamos que S = v
1
, v
2
, ..., v
n
V
R
es un conjunto
ortogonal, entonces si

1
v
1
+
2
v
2
+ +
n
v
n
= 0
por T.70 se tiene que para cada i = 1, 2, ..., n

i
=
0, v
i
)
v
i
, v
i
)
= 0
luego S es L.I.
Una pregunta natural en este punto es: Todo espacio vectorial, de dimension
nita, tiene una base ortogonal (ortogonal)?
Para dar una respuesta veamos primero:
Observacion 17. Sean u, v V queremos hallar R tal que v, uv) =
0 es decir
entonces como
v, u v) = v, u) v, v)
tenemos que v, u v) = 0 si y solo si
=
u, v)
v, v)
entonces el vector
Proy
v
u =
u, v)
v, v)
v
se denomina proyeccion ortogonal de u sobre v.
Es un vector en la direccion de v tal u Proy
v
u es ortogonal a v.
Si u, v no son paralelos entonces el conjunto u, v es L.I. luego es base del
espacio que generan W = u, v).
Si w = u Proy
v
u es claro que v, w u, v) entonces v, w) u, v)
y como u = w + Proy
v
u w, v) tenemos que u, v) w, v) por lo
tanto
v, w) = u, v)
es decir v, w genera a W luego hemos conseguido una base de W en donde
sus elementos son ortogonales.
98 CAP

ITULO 5. ESPACIOS CON PRODUCTO INTERIOR


W
o
El siguiente teorema generaliza este hecho:
Teorema 72. Dado un conjunto S = v
1
, v
2
, ...., v
n
V L.I. Entonces los
vectores S

= u
1
, u
2
, ..., u
n
denidos por
_
u
1
= v
1
u
k
= v
k

k1
j=1
v
k
,u
j

u
j
,u
j

u
j
(5.6)
forma un conjunto L.I. tal que
S) = S

).
Demostracion. La demostracion se hara por induccion sobre n el n umero de
elementos del conjunto. La proposicion es verdadera para n = 1 de forma
trivial y para n = 2 por la Ob.17.
Supongamos que el conjunto S

k
= u
1
, u
2
, ...., u
k
ha sido construido usando
la ecuacion (5.6) y S
k
) = S

k
) donde S
k
= S = v
1
, v
2
, ...., v
k
.
Entonces sea S
k+1
= v
1
, v
2
, ...., v
k
, v
k+1
L.I. y sea
u
k+1
= v
k+1

k

j=1
v
k+1
, u
j
)
u
j
, u
j
)
u
j
si u
k+1
= 0 entonces v
k+1
=

k
j=1
v
k+1
,u
j

u
j
,u
j

u
j
S

k
) lo cual nos dice que
S
k+1
es L.D. que nos lleva a una contradiccion. Por lo tanto u
k+1
,= 0 ademas
5.5. PROCESO DE GRAM SCHMIDT 99
dado 1 i k
u
k+1
, u
i
) =
_
v
k+1

k

j=1
v
k+1
, u
j
)
u
j
, u
j
)
u
j
, u
i
_
=v
k+1
, u
i
)
k

j=1
v
k+1
, u
j
)
u
j
, u
j
)
u
j
, u
i
)
=v
k+1
, u
i
)
v
k+1
, u
i
)
u
i
, u
i
)
u
i
, u
i
)
=0
entonces S

k+1
es un conjunto ortogonal. Como u
i
S

k
) = S
k
) para cada
i = 1, 2, ..., k entonces u
k+1
S
k+1
) por lo tanto S

k+1
) S
k+1
) pero
como S

k+1
es L.I. y la dimS
k+1
) = k + 1 tenemos que
S

k+1
) = S
k+1
)
con lo que hemos terminado la demostracion.
Observacion 18. Se sigue del teorema T.72 que todo espacio de dimension
nita admite una base ortonormal.
Ejemplo 84. Sea
B = (0, 1, 1)
. .
v
1
, (1, 1, 0)
. .
v
2
, (1, 1, 0)
. .
v
3
R
3
entonces como
det
_
_
0 1 1
1 1 1
1 0 0
_
_
= 2
B es una base de R
3
. Vamos a aplicar el proceso de Gram Schmidt a esta
100 CAP

ITULO 5. ESPACIOS CON PRODUCTO INTERIOR


base.
u
1
= v
1
= (0, 1, 1)
u
2
= v
2

v
2
, u
1
)
u
1
, u
1
)
u
1
= (1, 1, 0)
(1, 1, 0), (0, 1, 1))
(0, 1, 1), (0, 1, 1))
(0, 1, 1)
= (1, 1, 0) +
1
2
(0, 1, 1)
= (1, 1/2, 1/2)
u
3
= v
3

v
3
, u
1
)
u
1
, u
1
)
u
1

v
3
, u
2
)
u
2
, u
2
)
u
2
= (1, 1, 0)
(1, 1, 0), (0, 1, 1))
(0, 1, 1), (0, 1, 1))
(0, 1, 1)

(1, 1, 0), (1, 1/2, 1/2))


(1, 1/2, 1/2), (1, 1/2, 1/2))
(1, 1/2, 1/2)
= (1, 1, 0)
1
2
(0, 1, 1) +
1
3
(1, 1/2, 1/2)
= (2/3, 2/3, 2/3)
As el conjunto
(0, 1, 1), (1, 1/2, 1/2), (2/3, 2/3, 2/3)
forma una base ortogonal de R
3
. Podemos normalizar para obtener una base
ortonormal:
B

=
_
(0, 1, 1),
_
1,
1
2
,
1
2
_
,
_

2
3
,
2
3
,
2
3
__
Ejemplo 85. Analizando nuevamente el ejemplo anterior, los vectores v
2
, v
3
son ortogonales, entonces podemos poner
u
1
= v
2
= (1, 1, 0)
u
2
= v
3
= (1, 1, 0)
u
3
= v
1

v
1
, u
1
)
u
1
, u
1
)
u
1

v
1
, u
2
)
u
2
, u
2
)
u
2
= (0, 0, 1)
luego otra base ortogonal de R
3
es (1, 1, 0), (1, 1, 0), (0, 0, 1).

Indice alfabetico
101