Álg Lin 2013

INSTITUTO DE NIVEL TERCIARIO SAN FERNANDO REY
1

PROFESORES: Silvia E. POURCEL - Damin A. TOLEDO
AO: 2, COMISINES N: 1, 2 y 3

UNI DADES TEMTI CAS: CONCEPTUALES

Contenido Conceptual de la Unidad Temtica N1: Espacios Vectoriales:
Vector: Definicin. Caractersticas de un vector. Operaciones. Suma y resta de vectores.
Producto de un vector por un escalar. Ley Interna, Propiedades, Grupo, Cuerpo, Ley
Externa, Propiedades. Definicin de Espacio Vectorial. Propiedades que se deducen de los
axiomas. Producto Interior. Espacio Vectorial Euclidiano. Espacio vectorial de Matrices.

Contenido Procedimental de la Unidad Temtica N 1:
Reconocer la estructura de Espacio Vectorial.
Aplicar propiedades y operar con las propiedades las operaciones con vectores
Estructurar y comparar las estructuras de espacios vectoriales en las distintas dimensiones.

Contenido Conceptual de la Unidad Temtica N 2: Matrices y Determinantes:
Matrices: Definicin. Clasificacin. Igualdad. Matriz traspuesta, conjugada y asociada.
Matrices cuadradas particulares: diagonal, escalar, unidad, simtrica, antisimtrica,
hermtica, imaginaria pura.
Operaciones con matrices: Suma, resta y suma algebraica de matrices. Propiedades.
Producto de una matriz por un escalar. Propiedades. Combinacin lineal de matrices.
Espacio vectorial de matrices sobre un cuerpo. Producto de matrices. Propiedades. Particin
de matrices.
Determinantes: Determinantes de una matriz cuadrada. Determinante de segundo orden.
Determinante de tercer orden. Regla de Sarrus. Determinante de orden n. Trmino general.
Propiedades de los determinantes. Menor y adjunto de un elemento. Desarrollo de un
determinante por los elementos de una lnea. Mtodo de Cho.
Matrices regulares singulares: Matriz adjunta. Propiedad. Matriz inversa. Propiedades de
la matriz inversa. Matriz ortogonal. Propiedades de la matriz ortogonal.

Combinar las propiedades de las matrices.
Operar con matrices.
Combinar las propiedades de las determinantes.
Resolver determinantes de orden n.
Aplicar los conceptos tericos en la prctica del clculo.

Contenido Conceptual de la Unidad Temtica N 3: Sistema de Ecuaciones Lineales
Definicin. Notacin matricial de un sistema de ecuaciones. Clasificacin de Sistemas.
Matrices asociadas a un sistema de ecuaciones. Sistemas generales de ecuaciones lineales.
Sistema de dos ecuaciones lineales con dos incgnitas. Teoremas fundamentales.
Soluciones de sistemas lineales de ecuaciones. Sistema de ecuaciones lineales.-
Combinacin lineal. Independencia y dependencia lineal. Definicin de: Subespacio;
Espacio generador; base y dimensin de un espacio R
n
.-
2

Reconocer las diferentes ecuaciones lineales y hallar el valor de las incgnitas en los casos
posibles.-
Definir, reconocer y analizar la independencia lineal de un conjunto de vectores.-
Determinar si un conjunto de vectores es: Subespacio; Espacio Generador o Base de un
espacio vectorial.-

Contenido Conceptual de la Unidad Temtica N 4: Transformaciones Lineales:
Definicin. Ejemplos. Propiedades. Teorema fundamental de las transformaciones
lineales. Corolario. Ncleo e imagen de una transformacin lineal. Definiciones. Ejemplos.
Teorema de la dimensin del ncleo de la imagen de una transformacin lineal.
Propiedades del ncleo de la imagen. Matriz asociada a una transformacin lineal. Matriz
de cambio de base.

Combinar las propiedades de transformaciones lineales.
Reconocer una transformacin lineal.-
Formular la definicin de ncleo e imagen de una transformacin lineal.-

Contenido Conceptual de la Unidad Temtica N 5: Autovectores y Autovalores:
Definicin de autovectores y autovalores de una transformacin lineal R
N
en R
N
.
Propiedades. Ejemplos. Autovalores y autovectores de una matriz cuadrada.
Correspondencia entre Autovalores y autovectores de una transformacin lineal y de su
matriz. Clculo de los autovalores de una matriz y de una transformacin lineal. Casos
particulares. Diagonalizacin.

Combinar las propiedades de autovalores y autovectores.

ESPACIO O CONOCIMIENTOS CON QUE SE VINCULA:
Se apoya en los conocimientos previos que trae el alumno del nivel medio; del curso de
nivelacin del Taller de Matemticas y en el Espacio de Geometra Analtica.

BIBLIOGRAFA

LGEBRA y GEOMETRA Noem G. O. Ingeniera UNNE Argentina.
LGEBRA MODERNA Frank J. Ayres Mxico.
LGEBRA I y II Armando Rojo El Ateneo Argentina.
MATRICES Frank Ayres Colombia.
LGEBRA LINEAL Seymour Lipschutz Temple University.
LGEBRA LINEAL Serie de Compendios Schaums.
LGEBRA SUPERIOR May y Knight.

3

UNIDAD N I

ESPACI O VECTORI AL ( V , +, K , . )

Introduccin:
En varias aplicaciones fsicas aparecen ciertas cantidades, tales como temperatura y
rapidez (mdulo de la velocidad), que poseen solo magnitud. Estas pueden representarse
por nmeros reales y se denominan escalares. Por otra parte, tambin existen cantidades,
tales como fuerza y velocidad, que poseen tanto magnitud como direccin. Estas
pueden representarse por flechas (que tienen longitudes y direcciones apropiadas y parten
de algn punto de referencia dado, O origen-) y se denominan vectores.-
Entre las operaciones ms importantes del lgebra lineal estn la adicin y la
multiplicacin por escalar. Uno de los principales xitos matemticos del presente siglo es
llegar al conocimiento de que existen muchas estructuras matemticas (adems de R
n

vectores de dimensin n- y las matrices) que satisfacen estas mismas propiedades. En vez
de probar los mismos resultados una y otra vez por los mismos mtodos para muchas
estructuras diferentes, se trabaja con una sola estructura unificante; el concepto de espacio
vectorial. Las propiedades que definen un espacio vectorial son, con excepcin de las
propiedades de cerradura, precisamente las que se enumeran para matrices m x n y para el
espacio R
n
.-
Siendo V el conjunto de vectores (no vaco) y K el conjunto de escalares (nmeros)
( K = Q, R v C) (K: cuerpo) donde estn definidas dos operaciones: suma de vectores
(Ley de Composicin Interna) y producto de un escalar por un vector (Ley de Composicin
Externa).-

Definicin: Un conjunto de objetos (V, +, K, . ) es un espacio vectorial real (o simplemente
un espacio vectorial), y a los elementos de V los llamamos vectores, si existen dos
operaciones en V, llamadas adiccin (o suma) (denotada por +) y multiplicacin por
escalar, que satisfacen las siguientes diez propiedades o axiomas:

1) Ley de Composicin I nterna: Se denomina Ley de Composicin Interna definida para
dos elementos de un conjunto V, a una relacin tal que: tomando dos elementos
cualesquiera
1
v
y
2
v
e V, hace corresponder un tercer elemento que es su suma

1
v
+
2
v

que tambin pertenece a V y se denomina suma de
1
v
y
2
v
( se suman las componentes

correspondientes a stos).-
En smbolos:
1
v
;
2
v
e V:
1
v
+
2
v
e V.-
2) Propiedad Asociativa:
1
v
;
2
v
;
3
v
e V: (
1
v
+
2
v
) +
3
v
=
1
v
+ (
2
v
+
3
v
)
3) Propiedad Conmutativa:
1
v
;
2
v
e V:
1
v
+
2
v
=
2
v
+
1
v
.-
4) Existencia del elemento neutro: -! 0
e V / v
e V : v
+ 0
= v
.-
5) Existencia del opuesto, simtrico o inverso aditivo: v
e V : - (- v
)e V / v
+ (-
v
) = 0
.-
(Los cinco axiomas enunciados caracterizan (V, +) como Grupo Abeliano)

4

6) Ley de Composicin Externa: Se denomina Ley de Composicin Externa definida para
los elementos de un conjunto K, con operadores o escalares en un conjunto de vectores V a
toda funcin o aplicacin de KxV en K; (el producto de un nmero real k por el vector v
,
escrito k. v
, es el vector obtenido multiplicando cada componente de v
por k).-
En smbolos: v
eV ^ k eK: k. v
eV.-
7) Distributividad del producto externo respecto a la suma de vectores:

1
v
;
2
v
e V: eK: . (
1
v
+
2
v
) = .
1
v
+ .
2
v
.-
8) Distributividad del producto externo respecto a la suma de escalares:

1
;
2
eK . v
eV: (
1
+
2
) . v
=
1
. v
+
2
. v

9) Propiedad asociativa mixta:
v
eV.
1
;
2
eK:
1
.(
2
. v
) = (
1
.
2
). v

10) Producto de un vector por el neutro del producto escalar: v
eV.1eK: 1. v
=v

Ejemplos de Espacio Vectorial:

Ejemplo 1)
Sean: V = R
2
, K = R , la adicin definida en R
2
por
( a , b ) + ( c , d ) = ( a + c , b + d ) (1)
y el producto de nmero reales por elementos de R
2
definido mediante
( a , b ) = ( a , b ) (2)

Resulta ( R
2
, + , R , . ) el espacio vectorial de los pares ordenados de nmeros reales
sobre el cuerpo de los nmeros reales.

( R
2
, + ) es grupo abeliano.
Por otra parte se verifican:
A
6
. Por definicin (2).
A
7
. ( (a; b) + (c, d) ) = (a+c, b+d) = ( (a+c), (b+d) ) = ( a + c, b + d) =
= (a, b) + (c, d) = (a, b) + (c, d)

A
8
. ( + ) ( a , b ) = ( (+) a , (+) b ) = ( a + a , b + b ) = (a , b) + ( a ,
b) =
= ( a , b ) + ( a , b )
De acuerdo con (2), la distributividad del producto respecto de la suma en R, y las
definiciones (1) y (2)
A
9
. ( (a, b) ) = ( a , b ) = ( ( a) , ( b) ) = ( () a , () b ) = ( ) ( a ,
b )
Hemos aplicado la definicin (2) , la asociatividad del producto en R y de nuevo la
definicin (2).

Segn (1), (2), distributividad de la multiplicacin respecto de la adicin en R, y las
definiciones (1) y (2).
A
10
. 1 ( a, b ) = ( 1 a , 1 b ) = ( a , b )

5

Ejemplo 2)
En R
2
se definen: la suma como en el ejercicio anterior, y la ley de composicin externa
mediante: (a,b) = (a,a) (2)

Se verifica (R
2
, +) es grupo abeliano
(2) satisface A
6
y A
9
. No satisface A
8
.

NOTA: Los vectores geomtricos con K = R tienen estructura de espacio vectorial: (V, +,
R, . ) es espacio vectorial. (R
n
, + R, . ) tiene estructura de espacio vectorial.

PROPIEDADES QUE SE DEDUCEN DE LOS AXIOMAS
a) Existe un nico vector nulo.
En smbolos:
0
/ v
+ 0
= v

b) Para cada vector v
existen un nico vector.

En smbolos:
v'
/ v
+ v'
= 0

Como ( V; +) es un grupo abeliano a) y b) ya fueron probadas.-

c) El producto de un escalar por el vector nulo da el vector nulo.
En smbolos: . 0
=0

Para demostrar se utilizan, la existencia de neutro y distributiva de la
definicin de Espacio Vectorial.-
. 0
= .( 0
+0
) = . 0
+ . 0

(Por el carcter recproco de la igualdad) . 0
+ . 0
= . 0

(Sumo a ambos miembros el opuesto de . 0
) - . 0
+ . 0
+ . 0
= - . 0
+ . 0
Asocio convenientemente ( - . 0
+ . 0
) + . 0
= ( - . 0
+ . 0
)
Pero la suma de un vector con un opuesto me da el vector nulo . 0
= 0
.-

d) El producto del escalar nulo por cualquier vector da el vector nulo.
En smbolos: 0 . v
= 0
.-
Para demostrar se utilizan los axiomas de existencia de neutro y distributividad del
producto respecto
a la suma de escalares y neutro para ( K ; + ).-
0. v
= (0+0) . v
= 0. v
+ 0. v

(Por el carcter recproco de la igualdad) 0. v
+ 0. v
= 0. v

(Sumo a ambos miembros el opuesto de 0. v
) -0. v
+0. v
+ 0. v
= -0. v
+0. v

Pero la suma de un vector con un opuesto me da el vector nulo 0 . v
= 0
.-

e) Si el producto de un escalar por un vector es el vector nulo, entonces el escalar es 0
o el vector es nulo.
En smbolos: . v
= 0
= 0 v
= 0

Se presentan dos posibilidades: = 0 , o bien, 0
6

En el primer caso es verdadera la primera proposicin de la disyuncin que figura en la
tesis, y por consiguiente sta es verdadera.
En el segundo caso es necesario probar que v
= 0
. En efecto, siendo 0 , existe el

inverso multiplicativo en K,
-1
. Partiendo de la hiptesis, premultiplicando por
-1
,
usando A
9
, la propiedad anterior, el producto de inversos en K y A
10
se tiene
. v
= 0

-1
( . v
) = 0
(
-1
). v
= 0
1. v
= 0
= 0

f) El opuesto de un escalar por un vector es igual al opuesto de su producto.
En smbolos: (- ) . v
= - ( . v
)
Se utilizan los axiomas ( 4 ) y ( 6 ) de la definicin de espacio vectorial, (d)
propiedad anterior; (4) simtrico en ( K ; + ).-
Est claro que ( . v
) es el opuesto de . v
,
por (4): . v
+ [ - ( . v
) ] = 0

. v
+ [ - ( . v
) ] = . v
+ ( - ) . v
= [ + (- ) ] . v
= 0. v
= 0

nos queda por carcter transitivo de la igualdad . v
+ [ - ( . v
) ] =0

y sumando a izquierda a ambos miembros de la igualdad el opuesto de . v

- ( . v
) + . v
+ [ - ( . v
) ] = - ( . v
) + 0
- ( . v
)
= - ( . v
)
Como consecuencia si = - 1 (-1) . v
= - ( 1 . v
) = - v

SUBESPACIOS

Dados el espacio vectorial (V, +, K, .) y el conjunto no vaco S C V , si S es un espacio
vectorial sobre el mismo cuerpo K y con las mismas leyes de composicin que en V,
diremos que (S, +, K, .) es un subespacio de (V, +, K, .), o simplemente, que S es un
subespacio de V.

Definicin: S es un subespacio de (V, +, K, .) si y slo si (S, +, K, .) es un espacio
vectorial.
Cualquiera que sea (V, +, K, .), tanto V como { 0
} son subespacios de V, llamados

triviales.

TEOREMA:
Condicin Suficiente:
Si el conjunto no vaco S C V es cerrado para la suma y para el producto por escalares,
entonces (S,+,K,.) es un subespacio de (V, +, K, .).
La aplicacin de este teorema es esencial para determinar si un conjunto S es un
subespacio de (V,+,K,.) para que lo sea, deben verificarse las siguientes condiciones:

1) S
2) S C V
3) x S, y S x + y S
4) K, x S x S

7

CLASIFICACIN DE LOS ESPACIOS SEGN SU DIMENSIN
Definicines:
Los subespacios de dimensin 0 se llaman puntos.
Los subespacios de dimensin 1 se llaman rectas.
Los subespacios de dimensin 2 se llaman planos.
Los subespacios de dimensin 3 se llaman r-planos.

COMBINACIN LINEAL
Dado un conjunto de vectores {
1
v
;
2
v
; ;
n
v
} de un espacio vectorial V y un
conjunto de escalares {
1
;
2
; ;
n
} pertenecientes a un cuerpo K; se llama
combinacin lineal de
1
v
;
2
v
; ;
n
v
a todo vector de la forma:

1
.
1
v
+
2
.
2
v
+ +
n
.
n
v
=
n
i
i i
v
1
.
.-
Es decir; dado el Espacio Vectorial ( V ; + ; K ; . ); en el cual se define dos
operaciones:
1
v
;
2
v
e V:
1
v
+
2
v
e V es la suma vectorial, ley interna.-

v
e V . e K : . v
e V es el producto de un vector por un escalar (ley externa),

este producto, el de un nmero e K, por un vector v
e V, se obtiene multiplicando la
magnitud de v
por y mantiene la misma direccin si > 0, o la direccin contraria u

opuesta si < 0.-
Un vector v
es una combinacin lineal de los vectores

1
v
;
2
v
; ;
n
v
, si existen
escalares
1
;
2
; ;
n
, tales que: v
=
1
.
1
v
+
2
.
2
v
+ +
n
.
n
v
=
n
i
i i
v
1
.
.-
En estas condiciones los vectores son datos y los escalares son valores por
determinar (incgnitas) es una ecuacin vectorial que tiene solucin si existen escalares
que verifican la expresin de la combinacin lineal.-

NOTA: En particular, si todos los escalares son nulos, la combinacin lineal se llama
trivial y se obtiene el vector nulo.
n

0
= 0. v
1
+ 0. v
2
+ ....... + 0. v
n

i=1

Para investigar si un vector es combinacin lineal de un conjunto de vectores, se propone
una sumatoria de los vectores por escalares arbitrarios, que sea igual al vector en
cuestin. Si los escalares existen entonces existe combinacin lineal.

Ejemplos:
1) En el sistema comn de ejes cartesianos perpendiculares coplanar, los smbolos i
y j

representan los vectores unitarios ( 1 ; 0 ) y ( 0 ; 1 ), respectivamente. El vector ( 5 ; 2 )
se representa como una combinacin lineal de i
y j
de la siguiente manera: 5 . i
2 .
j
= 5 . ( 1 ; 0 ) 2 . ( 0 ; 1 ) =
= ( 5 . 1 ; 5 . 0 ) + (2 . 0 ; 2 . 1 ) = ( 5 ; 0 ) + ( 0 ; 2 ) = ( 5 + 0 ; 0 2 ) = ( 5 ; 2 ).-
8

2) En el sistema comn de ejes cartesianos perpendiculares entre si y espaciales, los
smbolos i
; j
y k
representan los vectores unitarios: i
= ( 1; 0 ; 0 ) , j
= (0 ; 1 ; 0 ) y
k
= ( 0 ; 0 ; 1 ) que son los vectores unitarios en un espacio euclidiano en dimensin 3

( V = R
3
) . Entonces el vector ( 9; 4 ; 6 ) se representa como una combinacin lineal de i
;
j
y k
de la siguiente manera:
9i
4 j
+ 6 k
= 9 . ( 1; 0 ; 0 ) 4 . (0 ; 1 ; 0 ) + 6 . ( 0 ; 0 ; 1 ) = ( 9 ; 0 ; 0 ) + ( 0; 4; 0 )
+ ( 0 ; 0 ; 6 )
= ( 9 + 0 + 0 ; 0 4 + 0 ; 0 + 0 + 6 ) = ( 9 ; 4 ; 6 ).-

3) El vector ( 10 ; -9 ) es una combinacin lineal de los vectores u
= ( 2 ; 6 ) y v
= ( -4; 1 )
puesto que 1 . u
3 . v
= 1 . ( 2 ; 6 ) 3 . (4; 1 ) = ( 10 ; 9 )

4) El vector (7; 3; 5) es una combinacin lineal de u
= (2 ; 0 ; 4 ) , v
= (1; 1 ; 3 ) , w
= (
1 ; 1 ; 0 ) e y
= ( 4; 2 ; 8 ) ya que : 1 . u
+ 3 . v
+ 2 . w
1 . y
= 1.(2 ; 0 ; 4 ) + 3 . (1;
1 ; 3 ) + 2 . ( 1 ; 1 ; 0 ) 1 . ( 4; 2 ; 8 ) = (2 ; 0 ; 4 ) + (3 ; 3 ; 9 ) + ( 2 ; 2 ; 0 ) + (4 ; 2
; 8 ) =
= ( 2 3 + 2 4 ; 0 + 3 + 2 2 ; 4 + 9 + 0 8 ) = ( 7 ; 3 ; 5 )

Este ejemplo aclarar cmo se opera para obtener las combinaciones lineales

5) Expresar el vector ( 8 ; 5) como combinacin lineal de los vectores u
= ( 1 ; -2 ) y v
= (
2; 3 )
Se plantea la combinacin lineal
1
. u
+
2
. v
= ( 8 ; 5)
1
.( 1 ; 2 ) +
2
.( 2; 3 ) = ( 8 ;
5)
( 1 .
1
; 2 .
1
) + ( 2 .
2
; 3.
2
) = ( 8 ; 5) ( 1 .
1
+ 2 .
2
; 2 .
1
+ 3.
2
) = ( 8 ;
5)
= +
= + +
5 . 3 2
8 . 2 . 1
2 1
2 1

Resolviendo el sistema se obtiene
1
= 2 ;
2
= 3 ( 8 ; 5) = 2. u
+ 3.
v

6) Sean los vectores: V
1
= (-1, 0, 2) V
2
= (-1, 2, 4) en R
3

Determinamos si el vector u = (1, 2, 2) es combinacin lineal de V
1
y V
2
:
Tambin se puede resolver utilizando vectores columna llegando a los mismos
resultados:
1
Si u = 2 , entonces procediendo anlogamente:
2

-1 -1 1

1
. 0 +
2
. 2 = 2
2 4 2

9

-
1

2
=1
1
+
2
= -1
2
2
= 2 o bien:
2
= 1
2
1
+ 4
2
= 2
1
+ 2
2
= 1

De donde:
2
= 1
1
+ 1 = -1
1
= -2
Al sustituir en la tercera ecuacin: -2 + 2. 1 = 0 1
Entonces u no es combinacin lineal de V
1
y V
2
.

Por lo tanto resolver un problema de combinacin lineal se reduce a resolver
un sistema de ecuaciones.

DEPENDENCIA E INDEPENDENCIA LINEAL
Vimos que dado un conjunto de vectores A = {
1
v
;
2
v
; ;
n
v
} de un espacio
vectorial V y un conjunto de escalares {
1
;
2
; ;
n
} pertenecientes a un cuerpo K; si
el vector nulo 0
puede obtenerse siempre como combinacin lineal de A tomando todos los

i
= 0.
Es decir,
1
.
1
v
+
2
.
2
v
+ +
n
.
n
v
= 0.
1
v
+ 0.
2
v
+ + 0 .
n
v
= 0
. Pero, puede
ocurrir que existan otras combinaciones lineales que den el vector nulo y que existan
i
= 0; en el primer caso el conjunto es Linealmente Independiente (L.I.) y en el segundo
caso es Linealmente Dependiente (L.D.).-

Definicin de L. D.: Dado un conjunto de vectores A = {
1
v
;
2
v
; ;
n
v
} de un espacio
vectorial V, se dice que A es un conjunto L. D. si existen escalares
1
;
2
; ;
n
; no
todos nulos tales que la combinacin lineal
1
.
1
v
+
2
.
2
v
+ +
n
.
n
v
= 0
.-
En smbolos:
r

A es linealmente dependiente i /
i
v
i
= 0

i
0

i = 1

La dependencia lineal de un conjunto finito de vectores significa que tiene que existir, al
menos, una combinacin lineal de stos que d el vector nulo y que no sea trivial.

Definicin de L. I .: Dado un conjunto de vectores A = {
1
v
;
2
v
; ;
n
v
} de un espacio
vectorial V, se dice que A es un conjunto L. I. si obtenemos el vector nulo como
combinacin lineal de A solamente haciendo todos los escalares nulos, es decir
1
.
1
v
+
2
.
2
v
+ +
n
.
n
v
= 0

1
=
2
==
n
= 0; en consecuencia, se dice que A es un
conjunto L. I.-
En smbolos:
r

A es linealmente independiente V i :
i
v
i
= 0

i
= 0

i = 1

La independencia lineal de un conjunto finito y no vaco de vectores, significa que no
puede darse una combinacin lineal de dicho conjunto que d el vector nulo, con algn
escalar distinto de cero.
10

Observacin: El procedimiento parta determinar si un conjunto A = {
1
v
;
2
v
; ;
n
v
} de
un espacio vectorial V es L.I. o L. D. es sencillo. Se plantea la combinacin lineal y se
iguala al vector nulo, es decir;
1
.
1
v
+
2
.
2
v
++
n
.
n
v
= 0
; y se resuelve para
determinar el valor de las incgnitas
1
;
2
; ;
n
; Si la solucin nica es
1
=
2
=
=
n
= 0, entonces el conjunto de vectores A es L . I.. De lo contrario es L. D.

Ejemplos:
1) Sea A = {
1
v
;
2
v
;
3
v
} de un espacio vectorial V c R
3
/
1
v
= ( 2; 0; 0 ) ;
2
v
= ( 0 ; 1 ; 0 )
;
3
v
= ( 0; 0; -1 ) Planteamos la combinacin lineal

1
.
1
v
+
2
.
2
v
+
3
.
3
v
= 0
1
. ( 2 ; 0 ; 0 ) +
2
. ( 0 ; 1 ; 0) +
3
. ( 0 ; 0 ; 1 ) = ( 0 ; 0 ; 0 )
( 2.
1
; 0.
1
; 0 .
1
) + ( 0.
2
; 1.
2
; 0.
2
) + ( 0.
3
; 0.
3
; 1.
3
) = ( 0 ; 0 ; 0 )
( 2.
1
; 0 ; 0 ) + ( 0 ; 1.
2
; 0 ) + ( 0 ; 0 ; 1.
3
) = ( 0 ; 0 ; 0 )
( 2.
1
; 1.
2
; 1.
3
) = ( 0 ; 0 ; 0 ) por igualdad de ternas ordenadas, nos queda:
2.
1
= 0
1
= 0
1.
2
= 0
2
= 0 y en consecuencia A es L. I.
1.
3
= 0
3
= 0

2) Sea A = {
1
v
;
2
v
;
3
v
} de un espacio vectorial V c R
3
/
1
v
= ( 1; 1; 0 ) ;
2
v
= ( 1 ; 3 ;
1) ;
3
v
= ( 5; 3; 2 ) Planteamos la combinacin lineal

1
.
1
v
+
2
.
2
v
+
3
.
3
v
= 0
1
. ( 1; 1; 0 ) +
2
. ( 1 ; 3 ; 1) +
3
. ( 5; 3; 2 ) = ( 0 ; 0 ; 0 )
(
1
;
1
; 0.
1
) + (
2
; 3.
2
;
2
) + ( 5.
3
; 3.
3
; 2 .
3
) = ( 0 ; 0 ; 0 )
(
1
+
2
+5.
3
;
1
+ 3.
2
+ 3.
3
; 0.
1

2
2 .
3
) = ( 0 ; 0 ; 0 )

1
+
2
+5.
3
= 0

1
+ 3.
2
+ 3.
3
= 0 y resolviendo el sistema nos queda:

2
2 .
3
= 0

3
= k ;
2
= - 2.
3
;
1
= - 3.

3
y en consecuencia A es L. D.

PROPIEDADES
i) Todo vector no nulo de un espacio vectorial constituye un conjunto linealmente
independiente.
Sea v 0
en ( V, +, K, . ). Consideremos v = 0

De acuerdo con propiedad 3 de espacios vectoriales, como v 0
, se deduce que = 0 ,
y en consecuencia { v } es L. I..
11

ii) El vector nulo de cualquier espacio vectorial constituye un conjunto linealmente
dependiente.
En efecto, cualquier escalar, nulo o no, satisface la relacin 0
= 0
, segn lo
demostrado en propiedad 2 de espacios vectoriales. En consecuencia { 0
} es L. D..
iii) Todo conjunto al que pertenezca el vector nulo es L. D..
Sea: A = { v
1
, v
2
, ... , v
r
} con v
j
= 0
. Se verifica que:
0 v
1
+ 0 v
2
+ ...... +
j
v
j
+ ...... + 0 v
r
= 0

O sea:
j
v
j
=
j
0
= 0
con
j
no necesariamente nulo.

iv) Un conjunto finito y no vaco de vectores es L. D. si y slo s algn vector es
combinacin lineal de los dems.
Se puede despejar cualquiera de los vectores cuyo coeficiente sea distinto de cero; por lo
tanto existe combinacin de algn vector con respecto a los dems.

v) Un conjunto finito y no vaco de vectores es L. I. si y slo s ningn vector es
combinacin lineal de los dems.
No se puede despejar ningn vector en funcin de los dems porque todos los coeficientes
son nulos; por lo tanto no existe combinacin lineal entre ellos.

vi) Un conjunto finito y ordenado de vectores, al que no pertenece el vector nulo, es L.
D. si y slo s algn vector es combinacin lineal de los precedentes.

TEOREMAS FUNDAMENTALES
I- Si m vectores son linealmente dependientes, cualquiera de ellos se puede expresar
como combinacin lineal de los otros.
II- Si m vectores son linealmente independientes, mientras que el conjunto obtenido al
aadir otro vector x
m+1
es linealmente dependiente, el vector x
m+1
se puede expresar como
combinacin lineal de los independientes x
1
, x
2
, ... , x
m
.
III- Si entre los m vectores existen r < m linealmente dependientes, los vectores del
conjunto total son linealmente dependientes.

CONJUNTO GENERADOR
Se dice que un conjunto de vectores A = {
1
v
;
2
v
; ;
k
v
} de un espacio vectorial
V, se dice que A es un conjunto Generador de V, si todo vector de V se puede expresar
como una combinacin lineal de
1
v
;
2
v
; ;
k
v
.-
El concepto de Sistema de Generadores de un espacio vectorial es independiente de
la dependencia o independencia lineal del sistema. O sea, un Sistema de Generadores puede
ser linealmente independiente o no.
Si {
1
v
;
2
v
; ;
k
v
} es un conjunto generador de V, entonces se dice que los

vectores {
1
v
;
2
v
; ;
k
v
} generan a V. El cardinal del conjunto A, -que simbolizamos-

(# A = {
1
v
;
2
v
; ;
k
v
}) es el nmero de vectores que tiene dicho conjunto generador.-

12

Ejemplos: Los vectores
1
v
= ( 1 ; 2 ) y
2
v
= ( 3 ; 5 ) generan a R
2
.-
Solucin: se representa el vector genrico o arbitrario ( a , b ) como una
combinacin lineal de los vectores dados
1
v
y
2
v
de la siguiente manera:
1
.
1
v
+
2
.
2
v
=
(a ; b)
1
= 7a 3b y
2
=b 2
Por lo tanto, infinidad de soluciones para
1
y
2
. Entonces el vector arbitrario
(a,b) se puede representar como una combinacin lineal de los vectores dados en infinidad
de formas, siempre dentro del mismo subespacio vectorial.-

BASE DE UN ESPACIO VECTORIAL

Se dice que un conjunto de vectores A={
1
v
;
2
v
; ;
k
v
} de un espacio vectorial
V es base si:
* A es un conjunto generador.-
*Los vectores
1
v
;
2
v
; ;
k
v
son linealmente independiente.-

En consecuencia, BASE es un conjunto generador linealmente independiente.-

En un espacio de dimensin dos ( V
2
), dos vectores no paralelos constituyen una base.-
En un espacio de dimensin tres ( V
3
), tres vectores no coplanares constituyen una base.-

Si { v
1
, v
2
, ... , v
n
} es una base del espacio vectorial ( V, +, K, . ), utilizaremos el smbolo
[v] para hacer referencia a ella.

Para determinar si los vectores dados son una base, puedo realizarlo por uno de los
dos siguientes procedimientos:

1) Formo en base a los vectores columnas o vectores filas, un determinante, si es inversible
es base.-

2) Si la matriz formada por los vectores columna son linealmente independientes, es decir,
el rango coincide con el nmero de filas de la matriz original.-

Ejemplos:
1) Demostrar que los vectores
1
v
= ( 2; 1; 3 ) ;
2
v
= ( 4 ; 0 ; 6) ;
3
v
= ( 8; 2; 3 )
forman una base en R
3
.-
Formo el determinante D =
3 6 3
2 0 1
8 4 2
= -60 = 0, Los vectores dados forman una base.-

2) Probar que el conjunto de vectores:
1
v
= ( 1 ; 2 ; 6 ) ;
2
v
= ( 2 ; 1 ; 18 ) ;
3
v
= ( 5 ; 5 ; 0 ) no es base en R
3
.-
13

Formo el determinante D =
0 18 6
5 1 2
5 2 1

= 0, Los vectores dados no forman una base.-

DIMENSIN DE UN ESPACIO VECTORIAL

Definicin: dimensin de un espacio vectorial V es el nmero cardinal de cualquiera de sus
bases, es decir, es el nmero de vectores de una de sus bases.

NOTA: Si V consiste nicamente en el vector nulo, {O} diremos que su dimensin es 0.
En ambos casos, V es un espacio de dimensin finita.
Si [v] es una base de ( V, +, K, . ), escribiremos: dim
K
V = n.

NOTA: Cuando un espacio vectorial no es de dimensin finita, se dice que es de
dimensin infinita.

TEOREMA: Sea V un espacio vectorial de dimensin finita, entonces todas las bases de V
tienen el mismo nmero de elementos.

CONDICIN PARA ELIMINAR UN VECTOR DE UN CONJUNTO DE VECTORES
Y CONDICIN PARA CAMBIAR UN VECTOR POR OTRO EN UN CONJUNTO,
SIN ALTERAR EL CONJUNTO GENERADO
NOTA: Puede eliminarse un vector sin alterar el conjunto generado ste es C. L. de los
restantes.
NOTA: Siendo v =
+ 0
puede cambiarse v
1
o v
2
por v, pero no v
3
, pues su
coeficiente es 0 y por lo tanto no se lo podra expresar como C.L. de los restantes vectores.

COORDENADAS
Si [v] = {
, ... ,

} es una base de (V, + K, . ), entonces cualquier vector V
puede expresarse en forma nica como combinacin lineal de los vectores de la base, ya
que los vectores de sta son L. I. y sistema de generadores:
=
+ ... +
Estos escalares
, ... ,
se denominan las
coordenadas de relativas a la base [v], y forman la n-upla (
, ... ,
) en K
n
, llamada
el vector coordenado de relativo a [v]. Si se elige otra base en el espacio V, entonces el
mismo vector admite otras coordenadas: (
,....,
).

Dada la base [v] = {
, ... ,

} del espacio (V, +, K, . ), podemos expresar a cada
vector V como una matriz columna, cuyos elementos sean las coordenadas de
respecto de [v]; en tal caso escribiremos:

X
[v]
= (

14

BASE CANNICA

Se llama as cuando los vectores que la componen son los vectores unidad (versores) sobre
los ejes coordenados y con sentido positivo:

y En R
2
: z En R
3
:
= ( 1, 0 ) = ( 1, 0, 0 )
= ( 0, 1 ) k j y = ( 0, 1, 0 )
i
= ( 0, 0, 1 )
i
x
j x
Tambin podemos expresarlos como vectores columnas:
En R
2
: En R
3
:
= (
; = (
= (
; = (
= (

Se generaliza en R
n
: base cannica { e
1
, e
2
, ... , e
n
}

Una base de ( K
n
, +, k, . ) es el conjunto de vectores:

= ( 1, 0, 0, ... , 0 )

= ( 0, 1, 0, ... , 0 )
...............................

= ( 0, 0, 0, ... , 1 )

Expresados como vectores columna:

= (
= (
......
= (

Se puede comprobar que la familia {
, ... ,
} es linealmente independiente y un
sistema de generadores de K
n
. Tal familia recibe el nombre de base cannica.

NOTA: En esta base las coordenadas se dicen componentes de un vector.

Ejemplo de base de espacio vectorial:
Determinar las coordenadas de x = (-2, 3) perteneciente a (R
2
, + R, . ), respecto de las
bases:
i) [v] = { (1, 1) , (1, 0) }
ii)[w] = { ( -2, 3) , (1, 2) }
iii) la base cannica

15

i) Planteando la relacin lineal: (1, 1) + (1, 0) = (-2, 3)
Efectuando las operaciones, y resolviendo respecto de y , se tiene:
( + , ) = (-2, 3) + = -2 = 3 = 3 = -5
En consecuencia, las coordenadas de x, respecto de la base [v], son: 3 y -5.
Y puede escribirse:
3
X
[v]
=
-5
ii) Procediendo anlogamente, se llega a que las coordenadas de x son 1 y 0, por lo tanto:
1
X
[w]
=
0

iii)Respecto de la base cannica, es:
(-2, 3) = (-2, 0) + (0, 3) = -2 (1, 0) + 3 (0, 1)

O sea, las coordenadas de x son precisamente los elementos del par ordenado, y se escribe:

-2
X =
3

UNIDAD N II

MATRI CESY DETERMI NANTES

MATRICES:
Definicin: Sea K un cuerpo numrico conmutativo ( K = R v K = C) una expresin del
tipo:

A =
mxn
mn mj m m m
in ij i i i
n j
n j
n j
a a a a a
a a a a a
a a a a a
a a a a a
a a a a a
|
|
|
|
|
|
|
|
|
.
|
\
|

3 2 1
3 2 1
3 3 33 32 31
2 2 23 22 21
1 1 13 12 11
; A = (
donde
s s
s s
n j
m i
1
1

En la que figuran m x n nmeros de K, colocados ordenadamente en m filas y n columnas,
se llama matriz de nmeros de K con m filas y n columnas (o matriz de clase mxn, o bien
matriz mxn), a toda disposicin ordenada de m.n elementos de K en m filas y n columnas.
En el cual, el elemento genrico a
ij
, significa el elemento situado en la fila i-sima y la
columna j-sima. Ejemplo a
34
es el elemento de la fila tres y columna cuatro.
16

El conjunto de todas las matrices de clase mxn con coeficientes en K se anotar AeK
mxn
;
si no hay dudas del cuerpo K se escribe A
mxn
.

As:
R
2x3
es el conjunto de todas las matrices con coeficientes reales que tienen dos filas y tres
columnas.
C
2x3
es el conjunto de todas las matrices con coeficientes complejos que tienen dos filas y
tres columnas.
Las matrices se indican con letras maysculas y a los elementos, que representan nmeros
reales o complejos, con letras minsculas.
Tanto las m filas como las n columnas se llaman lneas de la matriz. A la matriz la
indicamos encerrando sus elementos entre parntesis o corchetes.

Ejemplos: A =
3 2
7 1 5
4 3 2
x
|
|
.
|
\
|
; A e R
3 2x
B =
2 3
5
4 3 4
2 3
x
i
i
i
|
|
|
.
|
\
|
+ ;
B e C
2 3x

En B el elemento a
22
= 3+4i

Por ejemplo:
Un vendedor de zapatos lleva un registro de los artculos vendidos; durante una semana
obtuvo la siguiente informacin:
zapato de zapato de zapato de total
dama caballero nio

lunes 12 7 9 28
martes 8 10 11 29
mircoles 5 8 7 20
jueves 6 4 5 15
viernes 7 4 8 19
total 38 33 40 111

Si se sabe la disposicin de los datos se puede escribir de la siguiente manera:

12 7 9 28
8 10 11 29
5 8 7 20
6 4 5 15
7 4 8 19
38 33 40 111

sta es una matriz que tiene 6 filas y 4 columnas, por lo tanto tiene 24 elementos (6.4 =24)

17

MATRICES ESPECIALES

Matriz Cuadrada: Es la matriz en la que el nmero de filas es igual al nmero de
columnas m=n.

A= (
Ejemplo. A= (

+
; A e

En consecuencia se dice que A
nxn
es una matriz de orden n, siendo a
ij
, con i = j la diagonal
principal.

Matriz rectangular: es la matriz donde el nmero de filas es distinto al nmero de
columnas: mn.

Puede ser:
i) Rectangular Horizontal: cuando m n (nmero de filas menor que el nmero de
columnas)
Ejemplo: A = (

ii) Rectangular Vertical: cuando m n (nmero de filas mayor que el nmero de
columnas)
Ejemplo: A = (

Como casos particulares de estas tenemos:

Matriz fila o vector fila: es la matriz que tiene 1 fila y n columnas.
A=(
A e

Matriz columna o vector columna: es la matriz que tiene m filas y 1 columna.

A=(
A e

Matriz Nula: es la matriz donde todos sus elementos son nulos; a
ij
= 0 a un
conjunto de ndices. Ejemplo: A=(

)
; B=(

)

Matriz escalonada:
a) Todas las filas no nulas (si las hay) preceden a las filas nulas.
b) En cada fila no nula, el nmero de ceros que precede al primer elemento distinto de
cero es mayor que el nmero de ceros de la fila anterior.
18

A=(

IGUALDAD DE MATRICES
Dos matrices A y B del mismo orden o clase son iguales si sus elementos correspondientes
son respectivamente iguales; es decir, que son iguales si los elementos que ocupan la
misma posicin en cada matriz son iguales entre s.
Sean: {

; Es A = B
con {

Ejemplo:
A = (

; B = (

)
A = B

Matriz opuesta: Dada la matriz A, su opuesta, (indicada A), es aquella que tiene por
elementos los opuestos de los elementos de A.
Si A = (
-A = (
; Ej.: A = (

)
-A = (

)

Matriz traspuesta: La matriz traspuesta de una matriz A, de elemento genrico
de clase
mxn, es la que se obtiene permutando ordenadamente las filas por las columnas, cuyo
elemento genrico es
de clase nxm. Y lo simbolizamos por A

T
.

; A = (
A
T
= (
A
T

Ejemplo: A = (

)
A
T
= (

+

Matriz conjugada: La matriz conjugada de una matriz A, de elemento genrico
de
clase mxn, es la que se obtiene conjugando los elementos imaginarios, cuyo elemento
genrico es
de clase mxn. Y lo simbolizamos por
= (
.
Ejemplo: A = (

+
= (

+

Matriz asociada: Es la matriz traspuesta de la conjugada; o a la conjugada de su traspuesta.
Y lo simbolizamos por A
#
= (
)
T
= (

Ejemplo: A = (

+
A
#
= (

)

Observacin:
El elemento
no est precedido por ningn cero.

El elemento
est precedido por un cero.-

El elemento
est precedido por tres ceros.-

19

MATRICES CUADRADAS ESPECIALES

Matriz diagonal: son las matrices cuadradas que tienen nulos todos sus elementos no
diagonales.

es diagonal {

Ejemplo: A = (

+

Matriz escalar: es la matriz diagonal cuya diagonal principal est formada por un escalar.

es escalar {

A = (

+
; A = (

+

Matriz unidad o identidad: es la matriz escalar cuando k=1; y lo simbolizamos con I.

es diagonal {

Ejemplo: A = (

+

Matriz simtrica: Una matriz cuadrada es simtrica, cuando es igual a su traspuesta.

es simtrica A = A
T

a un conjunto de ndices.
A = (

+
; A = (

+

Matriz antisimtrica: Una matriz cuadrada es antisimtrica cuando es igual a la opuesta de
su traspuesta. Los elementos de la diagonal principal de toda matriz antisimtrica son nulos;
porque
= 0; a un conjunto de ndices.

es simtrica A = -A
T

A = (

+
; A = (

+

Matriz hermtica: Una matriz cuadrada A tal que la traspuesta de su conjugada es igual a
s misma (A
T
= A) se llama hermtica o autoadjunta. Evidentemente, los elementos de la
diagonal principal de una matriz hermtica han de ser nmeros reales.

Ejemplo:
A=(

+

20

Matriz hemihermtica: Es una matriz cuadrada tal que: A
T
= - A. Se desprende
fcilmente que todos los elementos de la diagonal principal de una matriz hemihermtica
han de ser o nulos o nmeros imaginarios puros.

Ejemplo:
A=(

+

MATRICES TRIANGULARES

es:

i) Triangular superior
i j a un conjunto de ndices.
Los elementos no nulos estn en la diagonal principal y por encima de sta.

Ejemplo: A = (
A = (

+

ii) Triangular inferior
i j a un conjunto de ndices.
Los elementos no nulos estn en la diagonal principal y por debajo de sta.

Ejemplo: A = (
A = (

+

LGEBRA MATRICIAL
Suma de matrices:
Esta operacin solo est definida para matrices de la misma clase.
Sean dos matrices A y B que pertenecen a la clase
, con A = (
y B = (
,
se dice que la matriz C
es la matriz suma de A + B, si C = (
= (
Ejemplo: Sean las matrices genricas de 2x2; A = (
y B = (

A+B = (
= (
= C

A=(

)
y B = (

)
C = A + B = (

)
= (

)

La suma de dos matrices de la misma clase es otra matriz de la misma clase que las dadas,
en el cual cada trmino de esta matriz se obtiene sumando los trminos que se encuentran
en la misma posicin de las matrices dadas.
En consecuencia, la suma de matrices que pertenece a
es una operacin binaria que

verifica la ley de composicin interna o ley de cierre.
21

1.- Propiedad Asociativa: A, B, C
: (A + B) + C = A + (B + C)
Sean las matrices A = (
; B = (
y C = (
, se tiene:
(A+B)+C = [(
+ (
] + (
= (
+ (
=
=(
+ (
= (
+ *(
+ = A + (B + C)
2.- Propiedad Conmutativa: A, B,
: (A + B) = (B + A)
y B = (
, se tiene:
(A + B) = (
+ (
= (
= (
= (
+ (
=
(B + A)

3.- Existencia del elemento neutro: N (matriz nula)
: A + N = A
y N = (
, se tiene:
A + N = (
+ (
= (
= (
= A
Se prueba al derecho, porque ya se prob la propiedad conmutativa.

4.- Existencia del elemento inverso aditivo u opuesto: A
: (A) (matriz
opuesta)
[A + (-A)] = N

y A = (
, se tiene:
A + (-A) = (
+ (
= (
= (
= N

La suma de matrices al cumplir con estas propiedades tiene estructura de Grupo
Abeliano.

Diferencia de matrices:
Dadas las matrices A y B de la misma clase, para poder restar la matriz B
a la
matriz A
, se debe sumar a la matriz A la opuesta de la matriz B.

Producto de una matriz por un escalar:
Dada la matriz A
, definimos producto de la matriz A por el escalar , es la

operacin externa que d por resultado una nueva matriz de clase mxn cuyos elementos se
obtienen multiplicando todos los elementos de la matriz dada por el factor escalar ;
adems, es evidente que se trata de un producto externo, ya que se realiza entre elementos
que pertenecen a distintos conjuntos: el escalar y la matriz.-
A = (
y . A = . (
= (

Ejemplo: Sea A
y A = (
. A = (

Observacin: Si = -1; resulta (-1) . A, esto sera A ; y teniendo en cuenta que A y A son
matrices opuestas, su suma dara la matriz nula.-

Propiedades que se deducen del producto de una matriz por un escalar:
1) Ley de Composicin Externa: A
: .A

22

2) Distributividad del producto externo respecto a la suma de matrices:
A, B,
eK: . (A+ B) = .A + .B

3) Distributividad del producto externo respecto a la suma de escalares:

1
;
2
eK . A
: (
1
+
2
) . A=
1
. A +
2
. A
4) Propiedad asociativa para escalares:
A
.
1
;
2
eK:
1
.(
2
.A) = (
1
.
2
). A

5) Producto de un vector por el neutro del producto escalar: A
.1eK: 1.A =
A

Teniendo en cuenta que el conjunto de matrices de clase mxn, en el cual estn definidas dos
operaciones, una operacin binaria interna que es la suma con estructura de Grupo
Abeliano; y la operacin producto externo por un escalar (perteneciente al conjunto de
escalares con estructura de cuerpo con las operaciones suma y producto), tienen estructura
de espacio vectorial, la cuaterna (
, + , K , . ).

Producto de matrices:
Dos matrices A y B que pertenecen a la clase de matrices del tipo
, son conformes o
conformables, si el nmero de columnas de A es igual al nmero de filas de B.-

Ejemplos: A y B son conformes {

C y D son conformes {

Observacin: El producto de matrices solo se realiza con matrices conformes; las matrices
cuadradas de la misma clase son siempre conformes.
Definicin: Dadas las matrices conformes: A = (
. B = (

; definimos el producto AxB en ese orden a la matriz P = (
/ AxB = P.
P =

con {

Ejemplo:
Sean la matrices genricas A = (
= (
. B = (
=
(

AXB

= (

23

Siendo: {

Observacin:
1) El primer subndice de coincide con el primer subndice de en cada trmino.
2) El segundo subndice de coincide con el segundo subndice de en cada trmino.
3) El segundo subndice de es igual al primer subndice de en cada trmino.

Generalizando: el elemento
con
{

Propiedades del producto de matrices:
En general, dadas dos matrices cualesquiera, que pertenecen a la clase
, no
necesariamente su producto est definido, (no necesariamente puedo multiplicar siempre
dos matrices que pertenecen a la clase
); es decir, no es ley de composicin interna o

de cierre, sin embargo, si las matrices son cuadradas, -son de clase
-, SI es ley de
composicin interna o de cierre.

Propiedad asociativa del producto:
. B = (
. C = (
conformes en ese orden, se verifica que ( A . B ) . C = A . ( B . C )

(A . B ) . C = (
. (
= (
=
= [ (
= [ (
=
[ (
= = [
= (
.
(
= (
. (
=
A . ( B . C )

Propiedad conmutativa: El producto de matrices no es conmutativo
1) Sean las matrices A = (
. B = (

2) Sean las matrices A=(
. B= (
.
A.B

B.A

3)
Sean las matrices A=(
.B= (
;
y por lo general A.B

B.A

24

Ejemplo:

A = (

)
y B = (

)
.

En consecuencia, la frase el orden de los factores no altera el producto no es aplicable en
el producto de matrices y es una de las diferencias con el lgebra ordinaria de conjuntos
numricos.

Cuando A.B = B.A se dice que las matrices son permutables.

Observacin: El producto entre dos matrices es conmutable si una de las matrices es
escalar.

Propiedad de existencia de neutro:

En
: Si mn, no existe elemento neutro para el producto de matrices.

Si m = n, existe elemento neutro para el producto de matrices, esta es la matriz
identidad.
Vamos a probar que A = (
: A . I
n
= I
n
. A = A siendo I
n
, la matriz
identidad, ya que el producto solo est definido para matrices cuadradas, atento a que deben
ser permutables.-

ANILLO DE MATRICES CUADRADAS

Sea K
nxn
el conjunto de matrices cuadradas:
En K
nxn
el producto es una ley de composicin interna, asociativa, con elemento neutro
igual a la identidad nxn.
Por otra parte, como K
nxn
es un subconjunto de K
mxn
, sabemos que ( K
nxn
, +) es grupo
abeliano, y de acuerdo con las propiedades enunciadas prededentemente tenemos que ( K
nxn

, + . ) es un anillo no conmutativo con unidad de las matrices cuadradas nxn con elementos
en K.

Este anillo tiene divisores de cero; es decir, existen matrices no nulas cuyo producto es la
matriz nula.

Ejemplo:

A = (

)
B = (

)
A . B = (

)

Por lo tanto, si n N: ( K
nxn
, + . ) es un anillo con unidad y con divisores de cero.

A.B

B.A

25

PROPIEDADES DE LAS MATRICES

I ) La inversa del producto de dos matrices, que posean inversa, es igual al producto de las
inversas en orden contrario.
( A . B )
1
= B
-1
A
-1

E n efecto:
( A . B ) . ( B
-1
. A
.-1
) = A . B . B
-1
. A
-1
= A . I . A
-1
= A . A
-1
= I
( B
-1
. A
-1
) . ( A . B ) = B
-1
. A
-1
. A . B = B
-1
. I . B = B
-1
. B = I
Por lo tanto: ( A . B )
-1
= B
-1
. A
-1

II ) La matriz traspuesta de la suma de dos matrices es igual a la suma de las traspuestas.
( A + B )
T
= A
T
+ B
T

III) La Matriz traspuesta del producto de un escalar por una matriz es igual al producto del
escalar por la traspuesta de la matriz
(.A)
T
= . (A)
T

IV ) La matriz traspuesta del producto de dos matrices es igual al producto de las
traspuestas en orden contrario.
( A . B )
T
= B
T
. A
T

V) La matriz traspuesta de la traspuesta es igual a la matriz dada.
(A
T
)
T
= A

VI) La matriz conjugada de la suma de dos matrices es igual a la suma de las conjugadas.
( )

VII ) La matriz conjugada del producto de dos matrices es igual al producto de las
conjugadas consideradas en el mismo orden.
( )

VIII ) La matriz traspuesta de la conjugada de A es igual a la conjugada de la traspuesta.
()

= (
= A
*

IX ) El producto de una matriz cuadrada por su matriz traspuesta es una matriz simtrica.
A.A
T
= B siendo B una matriz simtrica B = B
T

X ) La matriz asociada del producto de dos matrices es igual al producto de las matrices
asociadas consideradas en orden inverso.
( A . B )
#
= B
#
. A
#

POTENCIA DE UNA MATRIZ CUADRADA

Sea A
. Definimos

= A
n

26

1) Matriz idempotente:
Segn las condiciones anteriores, si k = 1, esto es A
2
= A . La matriz A se llama
idempotente.
Ejemplo: Cualquiera sean los valores de y , la matriz (

+
es idempotente.

2) Matriz involutiva:
Segn las condiciones anteriores, si k = 1, esto es A
2
= I . La matriz A se llama involutiva.
Ejemplo: A = (

)

3) Matriz nilpotente:
Una matriz A tal que A
p
= 0 , siendo p un nmero entero positivo, se llama nilpotente. Si p
es el menor nmero entero y positivo para el cual A
p
= 0 , la matriz A es nilpotente de
ndice p.

Ejemplo: La matriz (

)
es nilpotente (p = 3)

4) A
p
. A
q
= A
p+q
= A
q+p
= A
q
. A
p

5) (A
m
)
p
= A
m.p
= A
p.m
= ( A
p
)
m

6) (A + B)
2
= (A+B).(A+B) = A
2
+ AB + BA +B
2

7) (A+B). (A-B) = A
2
A.B +A.B B
2

8) (A-B).(A+B) = A
2
+ A.B B.A B
2

BASE DE UNA MATRIZ

Siendo ( K
mxn
; + ; K ; . ) un espacio vectorial, una base en dicho espacio sera:

(

; (

; ; (

; ; (

Observacin: Cualquier matriz A = (
, puede ser expresada por una

combinacin lineal de las matrices de la base.

A = (
. (

. (

+
27

+
. (

PARTICIN DE MATRICES

Una matriz puede ser particionada en submatrices o bloques ms pequeos, usando rectas
horizontales y verticales, tarea que se puede realizar de diferentes maneras o tambin
eliminando cierta cantidad de filas y columnas se logra el mismo cometido.
Ejemplo:

A = (
A (1,3/1,4) =
(
;

O tambin A (1,2/3,4) = (

Veamos en un ejemplo un esquema de particin: m= 2 + 3 ; n = 2 + 3 + 2

A=
(
= (
*;

Donde:
= (

)
= (

)
;; etc.

La conveniencia de la particin en bloques, hace que las operaciones entre matrices se
pueda realizar, operando sobre los bloques.-
Es conveniente conocer que tambin se pueden particionar de la siguiente manera:

Matriz particionada en columnas:
Sea:
A = (
; si la particionamos en columnas a la matriz A, sera:

Si conservamos la primera y
tercera fila y la primera y
cuarta columna obtendremos
la submatriz
28

A = ( A
1
A
2
A
n
); donde A
1
= (
; A
2
= (
; ; A
n
= (

Cada columna es una matriz de clase mx1, me indica un vector columna.

Matriz particionada en filas:

A = (
,; donde {

Cada fila es una matriz de clase 1xn, me indica un vector fila.

DEPENDENCIA E INDEPENDENCIA LINEAL DE UNA MATRIZ

Una columna A
j
de una matriz es combinacin lineal de otras columnas paralelas A
1
, A
2
,
, A
n
; cuando resulta de sumar estas ltimas previamente multiplicados por ciertos escalares
, ,
cualquiera.
A
j
= es combinacin lineal de
. A
1
+
. A
2
+... +
. A
n
=

Sea A = (a
ij
) K
mxn
de columnas A
1
,

A
2
, A
3
, ... , A
r
con r < n:
- Las columnas A
1
, A
2
, ... , A
r
son linealmente dependientes si y slo s existen
escalares
, ... ,
K , no todos nulos, tales que:

r

.
. A
1
+
. A
2
+... +
. A
r
= [ 0 0 .... 0 ] =

i = 1
- Las filas A
1
, A
2
, ... , A
r
son linealmente independientes si y slo s no son linealmente
dependientes. Es decir, que la nica manera de expresar la matriz nula O
1xr
como
combinacin lineal de A
i
es la combinacin nula trivial.

r

.

=
= ... =
= 0

i = 1

Ejemplo:
1) A = (

+
La primera y la segunda filas son linealmente dependientes, ya que:

(-1) . A
1
+ 2 . A
2
= (-1) . ( ) + 2 . ( ) = ( ) + ( ) = ( )
29

2) B = (

)
Son filas linealmente independientes, ya que:

. B
1
+
. B
2
=
. ( ) +
. ( ) = ( ) (
) + (
) =
( )

{
2 .
+ 3 .
= 0 5 .
= 0
= 0
= 0

OPERACIONES ELEMENTALES

Las operaciones elementales que se pueden realizar en una matriz son:

a - Permutacin de dos filas entre s, o de dos columnas entre s.
b - Adicin de una fila a otra, o adicin de una columna otra.
c - Multiplicacin de una fila o de una columna por un escalar no nulo.
Si se efectan operaciones elementales sobre una matriz (filas o columnas), se obtiene otra
matriz equivalente a la dada (pero su rango y dimensin no varan).

NOTA: las operaciones b y c indican C. L. de filas o columnas.

Matrices equivalentes:
Sean A y B dos matrices pertenecientes a
diremos que A es equivalente a B si y

slo s B puede obtenerse efectuando un nmero finito de operaciones elementales sobre A.
B ~ A (se lee: B es equivalente a A)

La equivalencia de matrices es reflexiva, simtrica y transitiva, o sea, es una relacin de
equivalencia en K
mxn
.

INVERSA DE UNA MATRIZ CUADRADA
La matriz A K
nxn
es inversible o regular o no singular si y slo si existe unas
matriz B K
nxn
tal que su producto por A, a izquierda y a derecha, es la identidad (I).
A K
nxn
es no singular existe B K
nxn
/ A . B = B . A = I
(A es regular, si el rango r = n) ( como veremos en la prxima Unidad: A 0 )
Propiedad:
En el anillo ( K
nxn
, + , . ), si una matriz admite inversa, entonces sta es nica. En efecto,
sabemos que si un elemento admite inverso respecto de una ley de composicin interna
asociativa, entonces ste es nico.
En efecto: A . A
-1
= A
-1
.A = I
Por lo tanto: ( A
-1
)
-1
= A
30

MTODO DE GAUSS JORDAN
Este mtodo puede utilizarse para determinar el rango de una matriz, hallar la inversa de
una matriz no singular, y tambin para facilitar la resolucin de sistemas de ecuaciones
lineales. Esto mediante operaciones elementales del tipo:
- multiplicacin de una fila por un escalar no nulo.
- Adicin de una fila a otra.
Esencialmente, mediante las operaciones elementales indicadas, se trata de formar el
mximo nmero posible de vectores cannicos linealmente independientes. Tal nmero, es
precisamente, el rango de la matriz.
El mtodo consiste en:

Sea A una matriz no nula:
Se elige cualquier elemento 0, al cual se lo llama PIVOTE.
Supongamos que el pivote es a
11
= a, y sea la matriz:
solo indicamos algunos elementos

Se divide la fila del pivote por l mismo, de esta manera lo transformamos en 1 (si algn
elemento de la matriz es la unidad, es conveniente elegirlo, para facilitar los clculos). Se
obtiene:

Luego se deben reducir a cero los restantes elementos que figuran en la columna del
pivote. Entonces, a la segunda fila se le suma la primera (la fila del pivote) multiplicada por
d / a , de esta manera d se transforma en cero.

Se obtiene:

Siguiendo este procedimiento se obtiene en la columna del pivote un vector cannico.
Por lo tanto en la matriz dada, todo elemento que no figure en la fila, ni en la columna del
pivote, forma con ste una diagonal de un rectngulo. Los otros dos vrtices determinan
lo que llamamos contradiagonal.
a b c
d e f
1 b c
a a
d e f
...
1 b c
a a
0 e db f dc
a a
..
31

Por ej.:

Como el transformado de e es: e - db , operaremos as:
a

El transformado de cada elemento que no figure en la fila y columna del pivote es igual a:

la diferencia entre dicho elemento y el producto contradiagonal
dividido por el pivote.

A esto se lo llama regla del rectngulo.
En las etapas siguientes se reitera el procedimiento eligiendo un pivote que no figure ni en
las filas ni en las columnas de los pivotes anteriores. De este modo las operaciones
elementales indicadas preservan los vectores cannicos (de lo contrario dejaran de ser
cannicos).

El procedimiento se termina cuando no es posible obtener ningn pivote (distinto de cero)
en las condiciones ya sealadas.

INVERSIN DE MATRICES POR GAUSS JORDAN

Este mtodo nos permite determinar la inversa de una matriz no singular.
Sea A K
nxn
no singular.
A su derecha se escribe la identidad en K
nxn
.

A ambas matrices se les aplica el mtodo de Gaus Jordan hasta lograr que A se transforme
en la identidad I, as la identidad queda transformada en la matriz A
-1
.

La transformacin de A en la identidad siempre es posible, ya que, siendo A no singular,
su rango es n, y en consecuencia es posible obtener n vectores cannicos linealmente
independientes mediante las operaciones elementales.

a b c .

d e f

A I
I A
-1

32

Si los vectores cannicos obtenidos no resultan ordenados de modo que constituyan una
matriz diagonal, la identidad se logra mediante una adecuada permutacin de filas de la
matriz completa (AI). La matriz resultante a la derecha es la inversa de A.

Las operaciones elementales realizadas sobre las filas de A, que la convierten en la
identidad, son las mismas que las efectuadas sobre las filas de I y que la transforman en A
-1
.

Ejemplo 1:
2 5 Realizando operaciones elementales:
Sea A = 1 3

2 5 1 0
1 3 0 1
2 5 1 0
0 1 -1 2 2 F
2
- F
1

2 0 6 -10 F
1
- 5 F
2

0 1 -1 2 F
1
: 2
1 0 3 -5 Su inversa es A
-1
= 3 -5
0 1 -1 2 -1 2

Por lo tanto: 2 5 . 3 -5 3 -5 . 2 5
1 3 -1 2 = I = -1 2 1 3

Ejemplo 2:

1 0 -1
Sea A = 1 2 -2 Aplicando la regla del rectngulo:
2 -1 1

33

1 0 -1 1 0 0
1 2 -2 0 1 0
2 -1 1 0 0 1
1 0 -1 1 0 0
0 2 -1 -1 1 0
0 -1 3 -2 0 1
1 0 -1 1 0 0
0 1 - - 0
0 0 5/2 -5/2 1
1 0 0 0 1/5 2/5
0 1 0 -1 3/5 1/5
0 0 1 -1 1/5 2/5

Por lo tanto: 0 1/5 2/5
A
-1
= -1 3/5 1/5
-1 1/5 2/5

MATRICES ORTOGONALES

Una matriz cuadrada no singular es ortogonal si y slo si su inversa es igual a su traspuesta.
Sea A K
nxn
no singular: A es ortogonal A
-1
= A
T

Propiedad 1:
Una matriz cuadrada es ortogonal si y slo si el producto de dicha matriz por su traspuesta
es la identidad.
En efecto:
A es ortogonal A
-1
= A
T
A.A
-1

= A.A
T
^ A
-1
.A = A
T
.A A.A
T
= A
T
.A =I
Propiedad 2:
El producto de dos matrices ortogonales es ortogonal.
A y B son ortogonales A . B es ortogonal
En efecto:
( A . B ) . ( A . B )
T
= A . B . B
T
. A
T
= A . I . A
T
= A . A
T
= I
34

(por traspuesta del producto y por propiedad 1 de matrices ortogonales)
Anlogamente es: ( A . B )
T
. ( A . B )
En consecuencia, por propiedad 1 de matrices ortogonales resulta A . B ortogonal.

DETERMINANTES

Definicin funcional: Es toda funcin que asigna a cada matriz cuadrada perteneciente a
un escalar denominado determinante de la matriz.

Dicho de otra manera, determinante de orden o clase n es toda funcin D:
, es
decir, la funcin D asigna a cada matriz nxn un escalar llamado determinante.
El orden o la clase del determinante es igual al orden o clase de la matriz de la cual es
imagen.
Sea la matriz A =
(
que admite a los vectores columnas:

(

) siendo A
j
= (
; es decir a la matriz A la particionamos

en columnas, siendo cada columna un vector, de donde el determinante de A es:
D (A) =
|
|
|
|
= |

| Esta notacin
aclara que la aplicacin es funcin de las n columnas de la matriz A.-

Definicin Axiomtica: El determinante de orden n es una funcin de los vectores
columnas de una matriz cuadrada que verifica los siguientes cuatro axiomas:

Axioma 1: |

| = |

| +
|

|

Axioma 2: |

| = . |

|

Este axioma determina que si una columna (fila) de un determinante de A son mltiplos de
un escalar k, se puede sacar el factor comn en dicho determinante.

35

Axioma 3: |

| = - |

|

Este axioma determina que si permuto dos columnas (filas); el determinante cambia de
signo

Axioma 4: El determinante de la matriz identidad vale 1

|

| = 1 |

|

= 1 || = 1 Ejemplo: A

= |

| = 1 0 = 1

Esto tiene tambin validez si en vez de tomar vectores columnas tomamos vectores filas.

Ejemplo: Dado el determinante A = |

| = -3.6 3.5 = -18 15 = -33

Aplicando axioma 1: |

| = |

| + |

| (-3 6 ) + ( -15 -9 ) = -9 24 = -
33

Aplicando axioma 2: |
()

| = |

| 3 . (-6 5 ) = 3 . ( -11) = -33

Aplicando axioma 3: A

= |

| = 5 . 3 6 .(-3 ) = 15 + 18 = 33

Nota: Los Axiomas 1 y 2 indican que la funcin es multilineal (lineal para cada columna) y
el axioma 3 indica que la funcin es alternada.-

PROPIEDADES DE LA FUNCIN DETERMINANTE

Propiedad 1: Si dos columnas (filas) del determinante de una matriz son iguales, entonces
su determinante es nulo.
Por Axioma 3, considerando A
j
= A
k

|

| = - |

|
|| = || || + || = 0 (1+1). || = 0 || = 0; ya que ( 1+1 ) = 2 0

Ejemplo: |

| = -3.5 (-3).5 = -15 + 15 = 0

Propiedad 2: Si una columna (fila) de una matriz cuadrada A es el vector nulo, entonces su
determinante es nulo.
|| = |
| = |
| = 0.
|
| = 0

36

Ejemplo: |

| = -3.0 (-3).0 = 0 + 0 = 0

Propiedad 3: El determinante de una matriz no vara si a una columna (fila) se le suma una
combinacin lineal de otras:
h j || = |
| = |
| =

= |
| =
|
|
|
| =

= |
| + |
| =

= |
| + |
| = || + 0
= ||

Ejemplo: A = |

| = 20 6 = 14

A = |

| = |

| = |

| = 65 - 51 = 14 esto es porque;

|

| = |

| + |

| |

| + 3. |

| = 14 + 3.0 = 0

Propiedad 4: Si en un determinante de una matriz, existen vectores columnas (fila)
linealmente dependientes, el determinante es nulo.
Si son L. D. existe una combinacin lineal, entonces podemos expresar una columna como
C. L. de las restantes:

|| = |
| = |
| =
|
)| =
. |
| +

+
. |
| +
. |
| + +
.
|
| =
= 0 + 0 + 0 + + 0 = 0
37

Ejemplo: || = |

| = 45 45 = 0

esto es porque; |

| = |

| = 3 . |

| = 3 . 0 = 0

Propiedad 5: El determinante de una matriz cuadrada es igual al determinante de su matriz
traspuesta.
Sea A K
nxn
, entonces: D (A) = D (A
T
).

Propiedad 6: El determinante de un producto de matrices cuadradas es igual al producto de
los determinantes de las matrices.
Sean A y B dos matrices cualesquiera de la misma clase n; en estas condiciones: | | =
||. ||

VALOR DE UN DETERMINANTE

Determinante de segundo orden
Sea A K
nxn
: Si n = 2 D (A) = || = |
| = a
11
. a
22
a
21
. a
12

(Al producto de la diagonal principal se le resta el producto de la diagonal secundaria)

Determinante de tercer orden
Sea A K
nxn
: Si n = 3

D (A) = || = |
| =

= a
11
. a
22
. a
33
+ a
12
. a
23
. a
31
+ a
21
. a
32
. a
13
a
31
. a
22
. a
13
a
21
. a
12
. a
33
a
32
. a
23
. a
11

Para resolver, se suman los productos de la diagonal principal y sus paralelas con el vrtice
opuesto y se restan los productos de la diagonal secundaria y sus paralelas con el vrtice
opuesto.

REGLA DE SARRUS

Se la utiliza para hallar el determinante de una matriz de tercer orden, solamente.

Procedimiento:
- Se repiten las dos primeras filas de la matriz.
- Se suman los productos de la diagonal principal y sus paralelas, y a
estos se le restan los productos de la diagonal secundaria y sus paralelas.

Sea la matriz de tercer orden A:
38

D (A) = || =
|
|
|
|
=

= a
11
. a
22
. a
33
+ a
21
. a
32
. a
13
+ a
31
. a
12
. a
23
a
31
. a
22
. a
13
a
11
. a
32
. a
23
a
21
. a
12
. a
33

Si repetimos las dos primeras columnas en vez de las dos primeras filas, se llega al mismo
resultado final.

Menores Complementarios:
Al suprimir en una matriz cualquiera, varias filas e igual nmero de columnas, se obtiene
otra matriz llamada menor de la primera o submatriz.

Sea A= (
A = (

Si la matriz es cuadrada, se extraen submatrices cuadradas, entonces podemos hablar del
determinante de esa submatriz.

DETERMINANTE DE ORDEN N

Dada una matriz A K
nxn
tal que A = [a
ij
]
nxn
, con 1 i n y 1 j n , llamamos
determinante de A , al elemento del cuerpo K , que la siguiente funcin le hace
corresponder a A:
a
11
si n = 1
D : K
nxn
K / D (A) =
a
11
. A
11
+ a
21
.A
21
+ a
31
.A
31
+ ........ + a
n1
.A
n1
si n >1
(A
ij
: de un elemento a
ij
)

MENOR COMPLEMENTARIO DE UN ELEMENTO a
ij

Sea A = (

A=
(

Para cada elemento a
ij
, se define el menor complementario del elemento a
ij
como el
determinante de la matriz de clase u orden (n-1), que se obtiene de A, suprimiendo la fila
39

i y la columna j. Es decir, dada A = (
. El menor complementario del elemento a

ij

de la matriz, es el determinante de la misma de orden (n-1) (un orden menor), que se
obtiene suprimiendo la fila i y la columna j. A este determinante se lo denomina
corrientemente menor del elemento a
ij
, y lo designamos M
ij
.

Ejemplo:

Sea A = (
= |
|; otro sera
= |
|; otro sera
= |
| ; etc

ADJUNTO O COFACTOR DEL ELEMENTO aij

Al producto (-1)
i+j
. M
ij
, recibe el nombre de adjunto o cofactor del elemento a
ij
, es decir
que adjunto del elemento a
ij
, es su menor complementario con su propio signo o con signo
contrario, segn que la suma i + j sea par o impar. Lo designamos A
ij
.

Ejemplos:
A
11
= ( - 1 )
1+1
. M
11
= M
11

A
12
= ( - 1 )
1+2
. M
12
= -M
12
A
13
= ( - 1 )
1+3
M
13
= M
13

En sntesis: A
ij
= {

Ejemplo: Sea A = (
= ()
| =
(positivo porque 2+2 es par)

otro sera
= ()
= |
| = -
(negativo porque 2 + 3 es impar)

DESARROLLO DE UN DETERMINANTE POR LOS ELEMENTOS DE UNA LNEA O
MTODO DE LAPLACE

Consideremos un determinante de 3
er
orden y aplicamos Sarrus para su desarrollo:

Sea A = (
D (A) = || =
|
|
|
|
=

40

= a
11
. a
22
. a
33
+ a
21
. a
32
. a
13
+ a
31
. a
12
. a
23
a
31
. a
22
. a
13
a
11
. a
32
. a
23
a
21
. a
12
. a
33=

(Sacamos factor comn los elementos de la primera columna)

= a
11
.( a
22
. a
33
- a
32
. a
23
) + a
21
.(a
32
. a
13
- a
12
. a
33
) + a
31
.( a
12
. a
23
- a
22
. a
13
) =

= a
11
.( a
22
. a
33
- a
32
. a
23
) + a
21
.(-1) . (a
12
. a
33
- a
32
. a
13
) + a
31
.( a
12
. a
23
- a
22
. a
13
) =

= a
11
. |
| + (-a
11
) . |
| + a
31
. |
| = a
11
. A
11
+ a
21
. A
21
+ a
31
. A
31
=

GENERALIZANDO:

Desarrollo por los elementos de una columna j-esima:

|| = a
1j
. A
1j
+ a
2j
. A
2j
+ + a
nj
. A
nj

Desarrollo por los elementos de una fila i-esima:

|| = a
i1
. A
i1
+ a
i2
. A
i2
+ + a
in
. A
in

Ejemplo:
|| = |

| = 6 + 2 + 4 [ (-1) + (-8) + 6 ] = 12 + 3 = 15

Desarrollamos por la primera fila
|| = |

| = 3 . (-1)
(1+1)
. |

| + 2 . (-1)
(1+2)
. |

| + 1 . (-1)
(1+3)
. |

| =
= 3 . 0 2 . (-5) + 1 . 5 = 0 + 10 + 5 = 15
Desarrollamos por la segunda columna

|| = |

| = 2 . (-1)
( 1 + 2 )
. |

| + (-1) . (-1)
( 2 + 2 )
. |

| + 2 . (-1)
( 3 + 2 )
.
|

| =
= -2 . (-5) 1 . (-7) -2 . 1 = 10 + 7 - 2 = 15

41

PROPIEDADES DEL DESARROLLO DE UN DETERMINANTE POR LOS
ELEMENTOS DE UNA LNEA

Propiedad 1: El producto de los elementos de una lnea por los adjuntos de una paralela es
igual a cero.

Ejemplo:
|| = |

| = desarrollo por los elementos de la primera columna y multiplico cada
elemento por los adjuntos de la segunda columna; esto es: 3 . A
21
+ 2 . A
22
+ 1 . A
32
= 3 . (-
1)
( 1 + 2 )
. |

| +
+ 2 . (-1)
( 2 + 2 )
. |

| + 1 . (-1)
( 3 + 2 )
. |

| = -2 . (-5) 1 . (-7) -2 . 1 = 10 + 7 - 2 = 15

Propiedad 2: Si todos los elementos de una lnea son nulas, menos uno, el determinante se
reduce al producto del elemento no nulo por su correspondiente adjunto.-

|| = |

| = 3 . (-1)
(1+1)
. |

| = 3 . 0 = 0

Propiedad 3: El determinante de una matriz triangular es el producto de los elementos de
la diagonal principal.

|| = |

| = 3 . ( -1 ) . ( -2 ) = 6

MATRIZ REGULAR Y MATRIZ SINGULAR

Matriz regular: Una matriz cuadrada es regular, cuando su determinante no es nulo.

||

Matriz Singular: Una matriz cuadrada es singular, cuando su determinante es nulo.

||

MATRIZ ADJUNTA:

Dada una matriz A, cuadrada y regular, se llama matriz adjunta de A, que notaremos Adj
(A), a la matriz que se obtiene reemplazando cada elemento de la traspuesta de A, por su
adjunto.

42

A =
(
A
T
=
(

Adj (A) =
(

Tambin podemos hallar la adjunta de una matriz determinando primero el adjunto de cada
elemento y luego trasponiendo
Adj (A) =
(

Propiedad de la matriz adjunta: El producto de una matriz
por su adjunta, da
por resultado una matriz escalar, donde el escalar tiene el valor del determinante de esa
matriz. A.
Adj (A) = (||)

Este resultado lo obtenemos recordando: Producto de matrices, la definicin de matriz
adjunta, desarrollo de un determinante por los elementos de una lnea y la propiedad de los
determinantes: la suma de los productos de los elementos de una lnea de una matriz
cuadrada por los adjuntos de otra lnea paralela a ella es igual a cero.

A. Adj (A) = (||)
||
||
||

43

De la propiedad de la matriz adjunta podemos extraer factor || de donde:

A . Adj (A) = (
||
||
||
, = || . (

) = || . I ; siendo I la matriz
identidad; en consecuencia: A . Adj (A) = || . I

Propiedad 1:
Si la matriz A, es tal que || 0, tenemos que I =
()
||

Propiedad 2:
Si A y B son matrices cuadradas de orden n se verifica:
Adj (A.B) = Adj (B) . Adj (A)

Ejemplo:
Sea la matriz A = (

+
, calcular:
a) Adj (A)

b) A. Adj (A)=Adj (A).A

a) || = 0 + 84 + 96 (105 +0 +48) = 180 153 = 27

A
T
= (

+ ()
(
|

| |

| |

|
|

| |

| |

|
|

| |

| |

|
)
= (

+
b)

A.Adj
(A)

Adj
(A).A

44

RANGO O CARACTERSTICA DE UNA MATRIZ
MEDIANTE OPERACIONES ELEMENTALES

Dada la matriz A = (
, definimos rango de una matriz al mximo nmero

de filas y columnas linealmente independientes que tiene una matriz.

Clculo del rango de una matriz:
Aplicando las trasformaciones elementales de una matriz, escalonamos, hasta dejar
invariante el rango de la matriz, obteniendo lneas con algn elemento no nulo; el nmero
de esas lneas determina el rango.

NOTA: El rango de una matriz nula es 0.

Matriz inversa de una matriz cuadrada:

Sean A y B dos matrices cuadradas de orden n, de forma que A. B = B. A = I (Matriz
Identidad), en estas condiciones, B es la matriz inversa de A , ( B = A
-1
) , y
recprocamente, A es la inversa de B , ( A = B
-1
) .

NOTA: Si una matriz posee inversa decimos que es inversible.

Teorema :
- La condicin necesaria y suficiente para que una matriz cuadrada A posea
inversa es que sea regular; es decir que su determinante sea distinto de cero.
- La inversa de una matriz regular de orden n es nica.

Si existe la inversa de A, sta es:

Por propiedad anterior A. Adj (A) = ||. I A =
||
()
A.A
-1
=
||
()
I =
||
()

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

UNIDAD N III

SI STEMA DE ECUACIONES LI NEALES

Definicin: se llama Sistema de Ecuaciones Lineales a un conjunto de ecuaciones lineales
que deben verificarse todas simultneamente.

Un sistema de m ecuaciones lineales con n incgnitas es una expresin de la forma:

45

= + + + + +
= + + + + +
= + + + + +
= + + + + +
m n mn j mj m m
i n in j ij i i
n n j j
n n j j
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
. ... . ... . .
. ... . ... . .
. ... . ... . .
. ... . ... . .
2 2 1 1
2 2 1 1
2 2 2 2 22 1 21
1 1 1 2 12 1 11

Donde los
ij
a son los coeficientes de las incgnitas y
i
b son los trminos independientes;
tanto
ij
a como
i
b pertenecen al cuerpo K, este debe ser especificado previamente, nosotros
trabajaremos en general con K= R.
1
x ,
2
x ;;
n
x , son smbolos llamados variables,
indeterminadas o incgnitas, que pertenecen por lo general al mismo cuerpo de escalares
K.-

CLASIFICACIN DE LOS SISTEMAS

General: si m n (son m ecuaciones con n incgnitas)

El sistema se llama Cuadrado: Si m = n (n ecuaciones con n incgnitas)
Homogneo: Si
i
b = 0, i = 1, 2, 3, , n con n eN
(naturales)

SOLUCIN DE UN SISTEMA DE ECUACIONES LINEALES

Se llama solucin del sistema de ecuaciones lineales en un cuerpo de escalares K, a todo
conjunto de valores de las incgnitas {
1
x ,
2
x ;;
n
x } e K y que deben satisfacer
simultneamente las m ecuaciones.

Si el sistema tiene solucin se denomina COMPATIBLE; en caso contrario
INCOMPATIBLE.-

Un sistema compatible puede tener una solucin y se dice COMPATIBLE
DETERMINADO o infinitas soluciones que se dice COMPATIBLE INDETERMINADO.-

En un sistema de dos ecuaciones con dos incgnitas grfica y analticamente, despus de
aplicar el mtodo de Gauss sera:
r
1
= +
= +
g y f x d
c y b x a
. .
. .

y tambin
Ecuacin lineal en n variables (1)
r
1
r
2
46

a . y = b v a . y = 0 0 . y = 0 0 . y = b con
b 0
a 0 Sistema Sistema Compatible Sistema Incompatible
Compatible Determinado Indeterminado

NOTACIN MATRICIAL DE UN SISTEMA DE ECUACIONES LINEALES
Al sistema (1), lo podemos escribir en forma matricial de la siguiente manera:
mxn
mn m m
n
n
a a a
a a a
a a a
|
|
|
|
|
.
|
\
|
2 1
2 22 21
1 12 11
.
1
2
1
nx
n
x
x
x
|
|
|
|
|
.
|
\
|
=
1
2
1
mx
m
b
b
b
|
|
|
|
|
.
|
\
|

A . X = B

Donde A es la matriz de los coeficientes; X es la matriz de las incgnitas y B es la
matriz de los trminos independientes.-
Para un Sistema Homogneo la expresin matricial es A . X = N Siendo N la matriz
columna nula.-
CONJUNTO SOLUCIN
Una solucin de tal sistema es una n-upla
|
|
|
|
|
.
|
\
|
'
'
2
'
1
n
x
x
x
que satisface SIMULTANEAMENTE

TODAS las ecuaciones del sistema.- vector solucin
Al conjunto solucin lo denotamos: S = { X / A . X = 0 }

O bien de la manera ms compacta A . X = B; se ve
con solo realizar el producto.-
47

MATRICES ASOCIADAS A UN SISTEMA DE ECUACIONES LINEALES

Cada sistema de m ecuaciones lineales con n incgnitas est asociado a dos
matrices:

a) Matriz de los coeficientes del sistema.-
b) Matriz Ampliada [a la matriz de los coeficientes (anterior) se le agrega como ltima
columna la matriz de los trminos independientes]

a) A =
mxn
mn m m
n
n
a a a
a a a
a a a
|
|
|
|
|
.
|
\
|
2 1
2 22 21
1 12 11
b) A =
) 1 (
2 1
2 2 22 21
1 1 12 11
+
|
|
|
|
|
.
|
\
|
n mx
m mn m m
n
n
b a a a
b a a a
b a a a

EQUIVALENCIA DE SISTEMAS DE ECUACIONES LINEALES

Dos sistemas de ecuaciones lineales, sobre un mismo cuerpo F, de igual nmero de
incgnitas se llaman equivalentes cuando toda solucin de uno de ellos lo es tambin del
otro.
Para obtener un sistema equivalente a uno dado se pueden efectuar una o ms de las
transformaciones siguientes:
a) Permutar dos ecuaciones.
b) Multiplicar una ecuacin por una constante distinta de cero.
c) Sumar una ecuacin a otra multiplicada por una constante.

Resolver un sistema de ecuaciones compatible consiste en sustituir el sistema dado por otro
equivalente.

TEOREMA:
Supongamos que un sistema de ecuaciones lineales se obtiene de otro, mediante una
sucesin finita de operaciones elementales, entonces ambos tienen el mismo conjunto
solucin.
Es decir que podemos usar las operaciones elementales para reducir el sistema a uno
equivalente ms simple (en forma triangular o escalonada).

TEOREMA:
Supongamos que un sistema de ecuaciones lineales contiene la ecuacin degenerada:
0
1
x + 0
2
x + . + 0
n
x = b
- Si b = 0, sta ecuacin puede suprimirse del sistema sin alterar el conjunto solucin.
- Si b 0, el sistema no tiene solucin.

48

SISTEMAS CRAMERIANOS

Sea un sistema CUADRADO (nmero de ecuaciones igual al nmero de incgnitas)
= + + + + +
= + + + + +
= + + + + +
= + + + + +
n n nn j nj n n
i n in j ij i i
n n j j
n n j j
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
. ... . ... . .
. ... . ... . .
. ... . ... . .
. ... . ... . .
2 2 1 1
2 2 1 1
2 2 2 2 22 1 21
1 1 1 2 12 1 11

Si adems de ser cuadrado el determinante de los coeficientes A 0, es decir la matriz A
es regular, no singular o inversible el sistema con estas dos condiciones se llama
CRAMERIANO.-
Podemos enunciar que un sistema es Crameriano m = n . A 0

Observacin: La matriz de los coeficientes particionada en columnas es:

A =
nxn
nn n n
n
a a a
a a a
|
|
|
.
|
\
|
2 1
1 12 11
= ( A
1
; A
2
; ; A
n
)

TEOREMA DE CRAMER

Un sistema A . X = B crameriano admite una solucin nica.
Como A 0; -A
-1
/ A . A
-1
= A
-1
. A = I (matriz unidad o identidad);
Como A . X = B premultiplicamos (multiplicamos a izquierda) por A
-1

nos queda A
-1
. A . X = A
-1
. B asociando convenientemente queda I . X = A
-1
. B
y como I . X = X, nos queda, X = A
-1
. B. Y
Como la matriz A
-1
es nica y la matriz B se conoce por ser dato o estar dada, la matriz (
A
-1
. B ) es la nica solucin del sistema.-
Observacin: Este teorema proporciona adems un mtodo de resolucin:
Por Matriz inversa (Se halla A
-1
y se la multiplica por B).-

REGLA DE CRAMER O MTODO DE LOS DETERMINANTES

Veremos un procedimiento para resolver un sistema cuadrado, no homogneo
compatible.-

O sea A
nxn
. X
nx1
= B
nx1
49

Enunciado: Todos los sistemas cramerianos son compatibles determinados y su nica
solucin esta dada por:
x
i
=
A
A
i
con n i s s 1

Ejemplo: Resolverle siguiente sistema aplicando la regla de Cramer:

= + +
= + +
= +
= + + +
2 . 3 . 2 . 2 . 2
8 . 2 . 6 . 3
1 . 4 . 3
5 . 5 . 2
4 3 2 1
4 3 2 1
4 3 2 1
4 3 2 1
x x x x
x x x x
x x x x
x x x x
Del cual se desprenden cinco determinantes de orden cuatro:

A =
3 2 2 6
1 2 6 3
4 3 1 1
1 5 1 2

= -120 ;
1
A =
3 2 2 2
1 2 6 8
4 3 1 1
1 5 1 5

= -240 ;
2
A =
3 2 2 2
1 2 8 3
4 3 1 1
1 5 5 2

= -24 ;

3
A =
3 2 2 2
1 8 6 3
4 1 1 1
1 5 1 2

= 0 ;
4
A =
2 2 2 2
8 2 6 3
1 3 1 1
5 5 1 2

= -96
x
1
=
A
A
1
=
120
240
= 2 ; x
2
=
A
A
2
=
120
24
=
5
1
; x
3
=
A
A
3
=
120
0
= 0 ; x
4
=
A
A
4
=
120
96
=
5
4

x
1
= 2 ; x
2
=
5
1
; x
3
= 0 ; x
4
=
5
4
S = 2 ;
5
1
; 0 ;
5
4

50

Dado el sistema:

= + + + + +
= + + + + +
= + + + + +
= + + + + +
n n nn j nj n n
i n in j ij i i
n n j j
n n j j
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
. ... . ... . .
. ... . ... . .
. ... . ... . .
. ... . ... . .
2 2 1 1
2 2 1 1
2 2 2 2 22 1 21
1 1 1 2 12 1 11

Adjunta de A
T
De donde
|
|
|
|
|
.
|
\
|
3
2
1
x
x
x
=
A
1
.
nxn
nn n n
n
n
A A A
A A A
A A A
|
|
|
|
|
.
|
\
|
2 1
2 22 12
1 21 11
.
|
|
|
|
|
.
|
\
|
n
b
b
b
2
1
Desarrollando el producto se tiene:

x
1
=
A
b A b A b A
n n
. . .
1 2 21 1 11
+ + +

x
2
=
A
b A b A b A
n n
. . .
2 2 22 1 12
+ + +

x
n
=
A
b A b A b A
n nn n n
. . .
2 2 1 1
+ + +

1
A =
nn n n
n
n
a a b
a a b
a a b
2
2 22 2
1 12 1
= b
1
.A
11
+ b
2
.A
21
+ +b
n
. A
n1

2
A =
nn n n
n
n
a b a
a b a
a b a
1
2 2 21
1 1 11
= b
1
.A
12
+ b
2
.A
22
+ +b
n
. A
n2

Tiene por solucin X=A
-1
.B
recordemos que A
-1
=
El numerador de las x
i
es el desarrollo por los adjuntos de la
columna del determinante de los coeficientes; donde se
reemplaza la columna i por la columna de los trminos
independientes.
51

n
A =
n n n
b a a
b a a
b a a
2 1
2 22 21
1 12 11
= b
1
.A
1n
+ b
2
.A
2n
+ +b
n
. A
nn

x
1
=
A
A
1
; x
2
=
A
A
2
= ; ; x
n
=
A
A
n

Y por matriz inversa obtenemos X = A
-1
. B
A
-1
. B
|
|
|
|
|
.
|
\
|
n
b
b
b
2
1

A
1
.
|
|
|
|
|
.
|
\
|
nn n n
n
n
A A A
A A A
A A A
2 1
2 22 12
1 21 11

|
|
|
|
|
.
|
\
|
3
2
1
x
x
x
= X

Del ejemplo:
A =
|
|
|
|
|
.
|
\
|

3 2 2 6
1 2 6 3
4 3 1 1
1 5 1 2
A =
3 2 2 6
1 2 6 3
4 3 1 1
1 5 1 2

= -120 adems reobserva que es
cuadrada de 4x4

Por consiguiente existe A
-1
, calculamos primero su transpuesta
52

A
T
=
|
|
|
|
|
.
|
\
|

3 1 4 1
2 2 3 5
2 6 1 1
6 3 1 2
Adj. A
T
=
|
|
|
|
|
.
|
\
|
44 34 24 14
43 33 23 13
42 32 22 12
41 31 21 11
A A A A
A A A A
A A A A
A A A A
=
|
|
|
|
|
.
|
\
|
+

40 8 8 24
40 5 35 15
80 17 73 69
120 0 120 120

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
.
|
\
|

+

+
2 3 5
6 1 1
3 1 2
2 3 5
2 1 1
2 1 2
2 2 5
2 6 1
2 3 2
2 2 3
2 6 1
2 3 1
1 4 1
6 1 1
3 1 2
3 4 1
2 1 1
2 1 2
3 1 1
2 6 1
2 3 2
3 1 4
2 6 1
2 3 1
1 4 1
2 3 5
3 1 2
3 4 1
2 3 5
2 1 2
3 1 1
2 2 5
2 3 2
3 1 4
2 2 3
2 3 1
1 4 1
2 3 5
6 1 1
3 4 1
2 3 5
2 1 1
3 1 1
2 2 5
2 6 1
3 1 4
2 2 3
2 6 1

A
-1
=
A
A Adj.
A
-1
. B =
A
A Adj.
. B ^ A = - 120

A
-1
=
A
A Adj.
= -
120
1
.
|
|
|
|
|
.
|
\
|
+

40 8 8 24
40 5 35 15
80 17 73 69
120 0 120 120
=
|
|
|
|
|
|
|
|
.
|
\
|
120
40
120
8
120
8
120
24
120
40
120
5
120
35
120
15
120
80
120
17
120
73
120
69
120
120
120
0
120
120
120
120
=

53

A
-1
. A
|
|
|
|
|
.
|
\
|

3 2 2 2
1 2 6 3
4 3 1 1
1 5 1 2

|
|
|
|
|
|
|
.
|
\
|

3
1
15
1
15
1
5
1
3
1
24
1
24
7
8
1
3
2
120
17
120
73
40
23
1 0 1 1

|
|
|
|
|
.
|
\
|
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
= ( )
4 4x
I

A
-1
. B
|
|
|
|
|
.
|
\
|
2
8
1
5

|
|
|
|
|
|
|
.
|
\
|

3
1
15
1
15
1
5
1
3
1
24
1
24
7
8
1
3
2
120
17
120
73
40
23
1 0 1 1

|
|
|
|
|
|
.
|
\
|
5
4
0
5
1
2
=
|
|
|
|
|
.
|
\
|
4
3
2
1
x
x
x
x

SISTEMAS EQUIVALENTES
Definicin: Sistemas equivalentes son aquellos sistemas que tienen el mismo conjunto
solucin.

TEOREMA DE ROCH FROBENIUSS

Enunciado: El sistema de ecuaciones A . X = B es compatible, si el rango de A (Matriz de
los coeficientes del sistema) y el rango de A (matriz ampliada) son iguales, es decir Rg.
(A) = Rg.(A) = r.-
Si el rango r es igual al nmero de incgnitas del sistema de ecuaciones lineales, se
dice determinado ( r = n ).-
54

Si el rango r es menor al nmero de incgnitas del sistema de ecuaciones lineales, se
dice indeterminado ( r < n ) .-
NO Sistema Incompatible S =
Sintetizando:
A . X = B Rg. ( A ) = Rg. ( A ) = r ? SI Sistema Compatible S

CONCECUENCIAS DE ROCH FROBENUISS

En el sistema A.X = 0 (Sistema Homogneo) siempre son compatibles, ya que Rg.(A) =
Rg.(A)
Si r = n el Sistema es Compatible Determinado; la nica solucin es la trivial
(x
1
= x
2
= = x
n
= 0).
Si r < n el Sistema es Compatible Indeterminado; existen infinitas soluciones,
adems de la trivial.

SISTEMAS CUADRADOS
(Homogneos o no Homogneos)

m = n Si r = n A 0 Determinado
Si r < n A = 0 Indeterminados

UNIDAD N IV

TRANSFORMACI ONES LI NEALES

Vamos ahora a trabajar con dos funciones definidas entre dos espacios vectoriales,
esto es, funciones para los cuales los conjuntos alcance y rango son espacios vectoriales.-
Por ejemplo, consideremos la funcin:
f: R
3
R
2
/ f (x
1
; x
2
; x
3
) = ( x
1
+x
2
; x
2
x
3
)
Tenemos una funcin que a cada elemento de R
3
(una terna ordenada) le hace
corresponder un elemento de R
2
(un par ordenado) y que se determinan de la siguiente
forma:
La primera componente del par es la suma de la primera y segunda componente de
la terna y la segunda componente del par es la diferencia entre la segunda y tercera
componente de la terna.-

Ejemplo:
f ( 0 ; 1 ; 2 ) = ( 0 + 1 ; 1 2 ) = ( 1 ; -1 )
^
f ( 2 ; 1 ; 0 ) = ( 2 + 1 ; 1 0 ) = ( 3 ; 1 )

Nos interesa aquellas funciones que conservan las dos operaciones bsicas
55

(suma vectorial = ley Interna; y producto de un vector por un escalar = ley externa).
Si seguimos trabajando con el ejemplo se observa:
x = ( 0 ; 1 ; 2 ) f ( x ) = ( 1 ; -1 )
^
x = ( 2 ; 1 ; 0 ) f ( x ) = ( 3 ; 1 )
Si hallamos la suma de las imgenes estamos sumando dos elementos del segundo
espacio:
f ( x ) + f ( y ) = ( 1 ; -1 ) + ( 3 ; 1 ) = ( 4 ; 0 )
En cambio, si sumamos los elementos del primer espacio y luego hallamos la
imagen de su suma tenemos:
x + y = ( 0 ; 1 ; 2 ) + ( 2 ; 1 ; 0 ) = ( 2 ; 2 ; 2 )
f ( x + y ) = f ( 2 ; 2 ; 2 ) = ( 2 + 2 ; 2 2 ) = ( 4 ; 0 )
Por lo que concluimos la siguiente propiedad:

Algo parecido sucede con el producto de un escalar por la imagen de x o de y
(cualquiera de los dos).-
Ejemplo: sea k = 2
2 . f ( x ) = 2 . f ( 0 ; 1 ; 2 ) = 2 . ( 1 ; -1 ) = ( 2 ; -2 )
Ahora si calculamos primero el producto del escalar por el vector x en el primer
espacio vectorial y luego hallamos su imagen tenemos:
2 . x = 2 . ( 0 ; 1 ; 2 ) = ( 0 ; 2 ; 4 )
f ( 2.x ) = f ( 0 ; 2 ; 4 ) = ( 0 + 2 ; 2 4 ) = ( 2 ;-2)
Por lo tanto concluimos la siguiente propiedad:

No con todas las funciones pasa lo mismo, sea por ejemplo:
h : R
3
R
2
/ h ( x
1
; x
2
; x
3
) = ( x
1
+x
2
+ 1 ; x
2
x
3
)
Calculamos con los mismos puntos y tenemos:
h ( x + y ) = h ( 2 ; 2 ; 2 ) = ( 5 ; 0 ) la imagen de la suma
h ( x ) + h ( y ) = h ( 0 ; 1 ; 2 ) + h ( 2 ; 1 ; 0 ) = ( 2 ; -1 ) + ( 4 ; 1 ) = ( 6 ; 0 ) la
suma de las imgenes.-
En consecuencia, la suma de las imgenes es distinta a la imagen de la suma.-
La imagen del producto de un escalar por un vector sera:
h ( 2 x ) = h [ 2 ( 0 ; 1 ; 2 ) ] = h ( 0 ; 2 ; 4 ) = ( 3 ; -2 )
y , el producto del escalar por la imagen del vector sera:
2 [ h ( x ) ] = 2 [ h ( 0 ; 1 ; 2 ) ] = 2 ( 2 ; -1 ) = ( 4 ; -2 )
La imagen de la suma es igual a la suma de las imgenes es decir:
f ( x + y ) = f ( x ) + f ( y )
La imagen del producto de un escalar por un vector es igual al producto del
escalar por la imagen del vector es decir: f (k x ) = kf ( x )
56

En consecuencia la imagen del producto de un vector por un escalar es distinto al
producto del escalar por la imagen del vector.-
Es decir; h no conserva la suma de vectores, ni el producto de un escalar por un
vector, por lo tanto, a las funciones como f que s conservan estas dos operaciones se
llaman transformaciones lineales u homomorfismo.-

Definicin de Transformaciones Lineales:
Dados dos espacios vectoriales ( V ; + ; K ; . ) y ( W ; + ; K ; . ) definidos ambos
sobre el cuerpo K de los nmeros reales, se llama transformacin lineal a toda funcin
f : V W verifica las siguientes propiedades:
a) Distributividad: respecto de la suma de vectores: f ( x
+ y
) = f ( x
) + f ( y
); x
;
y
e V
b) Homogeneidad: Si k e K ^ v
e V : f ( k . v
) = k . f ( v
)

Las dos propiedades se reducen en una sola expresin, diciendo que f : V W es una
transformacin lineal si y solo si : f ( k. x
+ k. y
) = k . f ( x
) + k . f ( y
)

Clasificacin:
Si adems:
f es inyectiva Se dice que f es un monomorfismo
f es sobreyectiva Se dice que f es un epimorfismo
f es biyectiva Se dice que f es un isomorfismo
Si V = W Se dice que f es un endomorfismo
Si V= W y f es biyectiva Se dice que f es un automorfismo

PROPIEDADES
Demostraremos a continuacin dos propiedades que caracterizan a todas las
transformaciones lineales:
Sea f : V W una transformacin lineal.
Denotaremos mediante
V
0
y
W
0
a los vectores nulos en V y en W respectivamente.-

I) imagen del vector nulo del primer espacio por toda transformacin lineal es el
vector nulo del segundo espacio f (
V
0
) =
W
0
.-
Demostracin:
Sea
V
0
el vector nulo de V como el producto de cualquier vector por el escalar

0 es el vector nulo, tenemos: f (
V
0
) = f ( 0 . v
) , v
eV.-
x
y
x + y
f ( x )
f ( y )
f (x + y) = f (x) + f (y)
f (k x) = k f (x )
57

V W
N (f )
Pero como f es lineal: f ( 0 . v
) = 0 . f ( v
) =
W
0
; porque W es tambin un
espacio vectorial y la imagen de cualquier vector por el escalar 0 es el vector nulo.
f (
V
0
) = f ( 0 . v
) = 0 . f ( v
) =
W
0

II) La imagen del opuesto de cualquier vector del primer espacio, es igual al opuesto
de la imagen de ese vector en el segundo espacio.
Es decir:
f ( - x
) = - f ( x
) ; x
e V recordar que x = ( -1) . x

f ( - x
) = [ f ( -1) . x
] = ( - 1 ) . f ( x
) = - f ( x
)

NCLEO E IMAGEN DE UNA TRANSFORMACIN LINEAL

Definicin: El ncleo de f (kernel, kern, ker) es el conjunto de elementos de V cuya imagen
por f es el vector nulo en W sobre un mismo cuerpo K.-

f

W
0

Un vector perteneciente a V es un elemento del ncleo, si y solo si, su imagen es el
vector nulo, es decir, x
eN ( f ) f ( x ) =
W
0

Ejemplo: De nuestro ejemplo tenemos:
N (f ) = { (x
1
; x
2
; x
3
) e R
3
/ f (x
1
; x
2
; x
3
) = ( 0 ; 0 ) }
se tiene:
(x
1
; x
2
; x
3
) eN ( f ) f ( x
1
; x
2
; x
3
) = ( 0 ; 0 ) ( x
1
+x
2
; x
2
x
3
) = ( 0 ; 0 )
x
1
+ x
2
= 0 . x
2
x
3
= 0 x
1
= x
2
. x
2
= x
3
, es decir, aquellos vectores que
cumplan esta

condicin van a pertenecer al N ( f )

Ejemplo:
Sea x
= ( 2; -2; -2) f ( x ) = [ 2 + (-2) ; ( -2 ) (-2 )] = ( 0 ; 0 ) =

W
0

Definicin: La imagen de una transformacin lineal f : V W es el conjunto
imagen e la totalidad de las imgenes de los vectores del primer espacio vectorial.
f ( ) =
por ser f lineal
El smbolo N ( f ) se lee ncleo de f o
Kernel
N ( f ) = { V / f ( ) = }
58

V f W

V
0

W
0

I (f)

Otra definicin de imagen ( f ) = { y
eW / - x
eV . y
= f ( x
) }

Proposicin: El ncleo de cualquier transformacin lineal es un subespacio de V y la
imagen un subespacio de W.-

Demostracin: Dada cualquier transformacin lineal f, observemos primero que es:
N (f) e Im (f) (distinto de vaco), dado que ya se ha probado para toda
transformacin lineal que f (
V
0
) =
W
0
(Luego, el vector nulo del primer espacio vectorial

pertenece al N ( f ) y el vector nulo del segundo espacio pertenece a la Im ( f ).-
Por lo tanto, solo es necesario probar las otras dos condiciones que caracterizan a los
subespacios (espacio vectorial dentro o incluido en otro espacio vectorial); lo hacemos para
cada uno de ellos:
I) Para N ( f ):
1) Tesis: x
eN (f ) ; y
eN ( f ) ( x
+ y
) eN ( f )
Demostracin:
Sean x
, y
eN ( f ) cuyas imgenes cumpla la condicin de que f ( x
) = f ( y
) =
W
0
por
definicin de N (f) f ( x
+ y
) = f ( x
) + f ( y
) =
W
0
+
W
0
=
W
0
+ y
eN ( f ).-
2) Tesis: x
eN (f ) ; k eK (k. x
) eN ( f ).-
Demostracin:
Sea x
eN ( f ) f ( x
) =
W
0
adems dado k eK se cumple por definicin de

homogeneidad que: f (k. x
) = k . f ( x
) = k.
W
0
=
W
0
(k. x
) eN ( f ).-
N ( f ) es un subespacio de V dado que N ( f ) c V .-

II) Para Im ( f ):
1) Tesis: x
, y
eI ( f ) ( x
+ y
) eI ( f )
Demostracin:
Sean x
, y
e Im ( f ) por definicin de imagen - ' x
e ' y
/ f ( ' x
) = x
y f ( ' y
) = y

f ( ' x
+ ' y
) = f ( ' x
) + f ( ' y
) = x
+ y
y como ( ' x
+ ' y
) e V ( x
+ y
) eIm ( f )
por definicin de la transformacin lineal.-
2) Tesis: x
e Im ( f ), k eK ( k. x
) e Im ( f )
Demostracin:
Sea x
e Im ( f ) por definicin de imagen - ' x
e V / f ( ' x
) = x

Imagen de f = I (f) = {f (x) / V }
Sabemos que f ( ) = . En
consecuencia I (f), lo que
significa que I (f ) .
59

Sea k e K: f (k . ' x
) = k . f ( ' x
) = k . x
y como k . ' x
e V k . x
e Im ( f ) por
definicin de transformacin lineal. Luego, Im (f) es subespacio de W, es decir, Im (f) c
W.-

Teorema: Vamos a aceptar sin demostrar el enunciado del siguiente teorema: Si V es un
espacio vectorial de dimensin finita y f : V W una aplicacin lineal, entonces se
verifica que
dim [ Im ( f ) ] + dim [ N ( f ) ] = dim ( V ) dim = dimensin

Por ejemplo: Sea la funcin f : R
3
R
3
y la transformacin lineal dada por f ( x, y, z) = (
x, y, 0)
Sea un vector v
e R
3
cualquiera con coordenadas ( a, b, c ) e R
3
, la imagen de este
elemento por f ser f ( v
) = ( a, b, 0); lo que significa que la imagen de la funcin [ Im ( f )

] es el plano xy Im (f) = { ( x, y, z ) e R
3
/ z = 0}
por lo tanto estamos en presencia de un plano la dimensin es igual a dos dim [ Im (
f ) ] = 2
Para hallar la dimensin del ncleo, debemos buscar los elementos de R
3
cuya
imagen es el vector nulo, es decir, tomo un elemento h e R
3
/ f ( h
) =
w
0
.-
Sea h
= ( x; y; z ) e R
3
f ( h
) = f ( x; y; z ) = ( 0; 0; 0 ) ( x; y; 0) = (
0; 0; 0 )
x = 0 e y = 0

N ( f ) es el eje Z N ( f ) = { ( x; y; z) e R
3
/ x = y = 0} x = y = 0 ^ z 0 se trata
de una recta ( eje Z ) y por ser una recta la dimensin es 1 dim [ N ( f ) ] = 1 .-

dim ( V ) = dim ( R
3
) = 3
y
dim [ Im ( f ) ] + dim [ N ( f ) ] = 2 + 1 = 3

GENERADORES
Definicin: Sea {
1
x
;
2
x
; ;
n
x
} c V. Se dice que el conjunto de vectores {

1
x
;
2
x
; ;
n
x
} es un conjunto de generadores de V o que genera V; si y solo s, todo elemento de V

se puede escribir como una combinacin lineal de
1
x
;
2
x
; ;
n
x
.-
El conjunto {
1
x
;
2
x
; ;
n
x
} genera V x
e V : - k
1
; k
2
; ; k
n
e K
(conjunto de escalares) tales que: k
1
.
1
x
+ k
2
.
2
x
; ; k
n
.
n
x
=
n
i
i i
x k
1
.

Una definicin anloga vale para subespacios.-

Ejemplos:
1).- { ( 1; 2 ) ; ( -1 ; 0 ) } genera R
2
.-
Vamos a probar que cualquier elemento x
e R
2
se puede escribir como
Combinacin Lineal del conjunto generador.-
Sea x
e R
2
/ x
= ( x
1
; x
2
) ; busco k
1
; k
2
(incgnitas) e R, tal que:
Como queramos demostrar en el ejemplo
60

( x
1
; x
2
) = k
1
. ( 1; 2 ) + k
2
. ( -1 ; 0 ) por igualdad de pares:
k
1
k
2
= x
1
Sistema de dos ecuaciones con dos incgnitas k
1
y k
2
; resolviendo por
2 . k
1
= x
2
cualquier mtodo nos queda: k
1
=
2
2
x
y k
2
=
2
. 2
2 1
x x

Esto significa que cualquier x
e R
2
se puede escribir como combinacin lineal de
los vectores dados; calculando los coeficientes a travs de las expresiones encontradas.-

BASE Y DIMENSIN DE UN ESPACIO VECTORIAL

Definicin: Sea V un espacio vectorial sobre un cuerpo K y sea {
1
x
;
2
x
; ;
n
x
} un
conjunto de vectores incluido en V que verifica las condiciones:
a) El conjunto de vectores {
1
x
;
2
x
; ;
n
x
} genera V.-
b) El conjunto de vectores {
1
x
;
2
x
; ;
n
x
} es linealmente independiente.-
Entonces, el conjunto de vectores {
1
x
;
2
x
; ;
n
x
} con estas condiciones es una

base de V.-

Definicin: Se llama dimensin de un espacio vectorial al nmero de elementos de una
cualquiera de sus bases. [ Se abrevia dim ( V ) ] .-

CLASIFICACIN DE SUBESPACIOS
Definiciones:
Los subespacios de dimensin 1 se llaman recta
Los subespacios de dimensin 2 se llaman planos
Los subespacios de dimensin 1 se llaman espacio de 3 o llamado de 3 - planos
y los de dimensin n, se llaman n planos.-

Ejemplos que verifican que son Transformaciones Lineales y clculo del Ncleo:
:
3
9
2
9 definida por ( x
1
; x
2
; x
3
) = ( x
2
; x
1
)
a) ( x
+ y
) = ( x
) + ( y
)
x
: ( x
1
; x
2
; x
3
)
y
: ( y
1
; y
2
; y
3
)
: ( x
+ y
) = [ ( x
1
; x
2
; x
3
) + ( y
1
; y
2
; y
3
) ] = ( x
1
+ y
1
; x
2
+ y
2
; x
3
+ y
3
) =
( x
2
+ y
2
; x
1
+ y
1
) = ( x
2
; x
1
) + ( y
2
; y
1
) = ( x
) + ( y
)
( x
) ( y
)
( x
+ y
) = ( x
) + ( y
) Verifica la primera condicin

b) : ( k. x
) = k. ( x
)
: ( k. x
) = [ k.( x
1
; x
2
; x
3
) ] = ( k. x
1
; k. x
2
; k. x
3
) = ( k. x
2
; k. x
1
) = k ( x
2
; x
1
) =
k. ( x
)
( x
)
: ( k. x
) = k. ( x
) Verifica la segunda condicin

:
3
9
2
9 definida por ( x
1
; x
2
; x
3
) = ( x
2
; x
1
) es una transformacin lineal
61

c) Clculo del ncleo:
N ( ) = { x
e V / ( x
) =
W
0
} N ( ) = { x
e
3
9 / ( x
) =
2
0
9
}
( x
1
; x
2
; x
3
) = ( x
2
; x
1
) = ( 0; 0)
x
2
= 0
x
1
= 0

C :
3
9
2
9 definida por ( x
1
; x
2
; x
3
) = (x
1
+ x
2
; x
1
+ x
3
; x
1
)
a) ( x
+ y
) = ( x
) + ( y
)

x
: ( x
1
; x
2
; x
3
)
y
: ( y
1
; y
2
; y
3
)

: ( x
+ y
) = [ ( x
1
; x
2
; x
3
) + ( y
1
; y
2
; y
3
) ] = ( x
1
+ y
1
; x
2
+ y
2
; x
3
+ y
3
) =
=(x
1
+ y
1
+ x
2
+ y
2
; x
1
+ y
1
+ x
3
+ y
3
; x
1
+ y
1
)=(x
1
+ x
2
; x
1
+ x
3
; x
1
) + (y
1
+ y
2
; y
1
+ y
3
; y
1
)=

( x
) ( y
)
= ( x
) + ( y
)
( x
+ y
) = ( x
) + ( y

b) : ( k. x
) = k. ( x
)
: ( k. x
) = [ k.( x
1
; x
2
; x
3
) ] = ( k. x
1
; k. x
2
; k. x
3
) = ( k. x
1
+ k. x
2
; k. x
1
+ k. x
3
; k.
x
1
) =
= [ k ( x
1
+ x
2
) ; k ( x
1
+ x
3
) ; k x
1
] = k. ( x
1
+ x
2
; x
1
+ x
3
; x
1
) = k. ( x
)

( x
)
: ( k. x
) = k. ( x

:
3
9
2
9 definida por ( x
1
; x
2
; x
3
) = (x
1
+ x
2
; x
1
+ x
3
; x
1
) es una
transformacin lineal
N ( ) = { x
e V / ( x
) =
W
0
} N ( ) = { x
e
3
9 / ( x
) =
3
0
9
}
( x
1
; x
2
; x
3
) = ( x
1
+ x
2
; x
1
+ x
3
; x
1
) = ( 0; 0; 0)

x
1
+ x
2
= 0 0 + x
2
= 0 x
2
= 0
x
1
+ x
3
= 0 0 + x
3
= 0 x
3
= 0
x
1
= 0

C :
2
9
2
9 definida por ( x
1
; x
2
) = ( - x
1
; -x
2
)
a) ( x
+ y
) = ( x
) + ( y
)
x
: ( x
1
; x
2
)
y
: ( y
1
; y
2
)
N ( ) = { ( 0; 0; x
3
) } pertenece al primer espacio vectorial
N ( ) = { ( 0; 0; 0) }
pertenece al primer espacio vectorial
62

: ( x
+ y
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) = [ -( x
1
+ y
1
) ; -( x
2
+
y
2
)] =
= ( - x
1
- y
1
) ; ( - x
2
- y
2
) = ( - x
1
; -x
2
) + ( - y
1
; - y
2
) = ( x
) + ( y
)
( x
+ y
) = ( x
) + ( y

b) ( k. x
) = k. ( x
)
: ( k. x
) = [ k.( x
1
; x
2
) ] = ( k. x
1
; k. x
2
;

) = ( - k. x
1
; - k. x
2
) = k. ( -x
1
; - x
2
) = k.
( x
)

( x
)
( k. x
) = k. ( x

:
2
9
2
9 definida por ( x
1
; x
2
) = ( - x
1
; -x
2
) es una transformacin lineal
N ( ) = { x
e V / ( x
) =
W
0
} N ( ) = { x
e
2
9 / ( x
) =
2
0
9
}
( x
1
; x
2
) = (- x
1
; - x
2
) = ( 0; 0 )
- x
1
= 0 x
1
= 0
- x
2
= 0 x
2
= 0

:
2
9
2 2x
9 definida por ( x
1
; x
2
) =
|
|
.
|
\
|
+
0
1 2
2 1 2 1
x x
x x x x

a) ( x
+ y
) = ( x
) + ( y
)
x
: ( x
1
; x
2
)
y
: ( y
1
; y
2
)

: ( x
+ y
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
=
|
|
.
|
\
|
+
+ + + +
0
1 1 2 2
2 2 1 1 2 2 1 1
y x y x
y x y x y x y x
=
|
|
.
|
\
|
+
0
1 2
2 1 2 1
x x
x x x x
+
|
|
.
|
\
|
+
0
1 2
2 1 2 1
y y
y y y y
= ( x
)+ ( y
)

( x
) ( y
)

( x
+ y
) = ( x
) + ( y

b) ( k. x
) = k. ( x
)
: ( k. x
) = [ k.( x
1
; x
2
) ] = ( k. x
1
; k. x
2
;

) =
|
|
.
|
\
|
+
0 . .
. . . .
1 2
2 1 2 1
x k x k
x k x k x k x k
=
=
|
|
.
|
\
|
+
0 ) .(
) .( ) .(
1 2
2 1 2 1
x x k
x x k x x k
= k.
|
|
.
|
\
|
+
0 ) (
) ( ) (
1 2
2 1 2 1
x x
x x x x
= k. ( x
)

( x
)
( k. x
) = k. ( x

N ( ) = { ( 0; 0 ) } pertenece al primer espacio vectorial
63

:
2
9
2 2x
9 definida por ( x
1
; x
2
) =
|
|
.
|
\
|
+
0
1 2
2 1 2 1
x x
x x x x
es una transformacin
lineal
N ( ) = { x
e V / ( x
) =
W
0
} N ( ) = { x
e
2
9 / ( x
) =
2 2
0
x
9
}
( x
1
; x
2
) =
|
|
.
|
\
|
+
0 ) (
) ( ) (
1 2
2 1 2 1
x x
x x x x
=
|
|
.
|
\
|
0 0
0 0
por igualdad de matrices

x
1
+ x
2
= 0 2. x
2
= 0 x
2
= 0
x
1
- x
2
= 0 x
1
= x
2

x
2
x
1
= 0 x
2
= x
1

0 = 0

C :
2
9
2
9 definida por ( x
1
; x
2
) = ( x
1
; 0 )
a) ( x
+ y
) = ( x
) + ( y
)
x
: ( x
1
; x
2
)
y
: ( y
1
; y
2
)
: ( x
+ y
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) = [ ( x
1
+ y
1
) ; 0 ] =
= ( x
1
; 0 ) + ( y
1
; 0 ) = ( x
) + ( y
)
( x
) ( y
)
( x
+ y
) = ( x
) + ( y

b) ( k. x
) = k. ( x
)
: ( k. x
) = [ k.( x
1
; x
2
) ] = ( k. x
1
; k. x
2
;

) = ( k. x
1
; 0 ) = k. ( x
1
; 0 ) = k. ( x
)
( x
)
( k. x
) = k. ( x

:
2
9
2
9 definida por ( x
1
; x
2
) = ( x
1
; 0 ) es una transformacin lineal
N ( ) = { x
e V / ( x
) =
W
0
} N ( ) = { x
e
2
9 / ( x
) =
2
0
9
}
( x
1
; x
2
) = ( x
1
; 0

) = ( 0; 0 ) por igualdad de pares x
1
= 0
0 = 0
N ( ) = { ( 0; 0 ) } pertenece al primer espacio vectorial

Ejemplos que verifican que no son Transformaciones Lineales:
O :
2
9
3
9 definida por ( x
1
; x
2
) = ( x
1
+ 1 ; x
2
+ 3 ; x
2
)
a) ( x
+ y
) = ( x
) + ( y
)
x
: ( x
1
; x
2
)
y
: ( y
1
; y
2
)

N ( ) = { ( 0; 0 ) }
pertenece al primer espacio
vectorial
reemplazando
64

: ( x
+ y
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
= [ ( x
1
+ y
1
+ 1) ; ( x
2
+ y
2
+ 3) ; ( x
2
+ y
2
) ] = ( x
1
+ 1 ; x
2
+ 3 ; x
2
) + ( y
1
; y
2
; y
2
)

( x
) = ( y
)
( x
+ y
) = ( x
) + ( y
) No se verifica la primera condicin

NO ES TRANSFORMACIN LINEAL

O :
2
9
3
9 definida por ( x
1
; x
2
) = ( x
1
- 1 ; x
2
; 0 )
a) ( x
+ y
) = ( x
) + ( y
)
x
: ( x
1
; x
2
)
y
: ( y
1
; y
2
)

: ( x
+ y
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
= [ ( x
1
+ y
1
- 1) ; ( x
2
+ y
2
) ; 0 ] = ( x
1
- 1 ; x
2
; 0 ) + ( y
1
; y
2
; 0

)

( x
) = ( y
)
( x
+ y
) = ( x
) + ( y


O :
3
9
2
9 definida por ( x
1
; x
2
; x
3
) = ( x
1
+ x
2
+ 1 ; x
2
- x
3
)
a) ( x
+ y
) = ( x
) + ( y
)
x
: ( x
1
; x
2
)
y
: ( y
1
; y
2
)
: ( x
+ y
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
=[( x
1
+ y
1
+ x
2
+ y
2
+ 1); ( x
2
+ y
2
x
3
y
3
)] =( x
1
+ x
2
+ 1; x
2
x
3
) + ( y
1
+ y
2
; y
2
- y
3
)

( x
) = ( y
)
( x
+ y
) = ( x
) + ( y


O :
3
9
2
9 definida por ( x
1
; x
2
; x
3
) = ( x
1
x
3
; x
2
- x
3
+ 1 )
a) ( x
+ y
) = ( x
) + ( y
)
x
: ( x
1
; x
2
)
y
: ( y
1
; y
2
)
: ( x
+ y
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
= [ ( x
1
+ y
1
- x
3
y
3
) ; ( x
2
+ y
2
x
3
y
3
+ 1) ] = ( x
1
x
3
; x
2
x
3
+ 1 ) + ( y
1
- y
3
; y
2
-
y
3
)

( x
) = ( y
)
( x
+ y
) = ( x
) + ( y


65

UNIDAD N V

AUTOVALORES Y AUTOVECTORES

Polinomio de matrices
Consideremos un polinomio P(x) sobre el cuerpo K; por ejemplo,
P (x) = a
n
. x
n
+ a
n-1
. x
n-1
+ + a
1
.x + a
0
.
Recurdese que si A es una matriz cuadrada sobre K, definimos: P(A) = a
n
. A
n
+
+ a
1
.A + a
0
. I; donde I es la matriz identidad.-
En particular decimos que A es una raz o cero del polinomio P(A) si P (A) = 0.-

Ejemplo: Sea A =
|
|
.
|
\
|
4 3
2 1
y sean f (A) = 2.A
2
3 . A + 7 . I y g (A) = A
2
5 . A 2 . I ;
Entonces:
f (A) = 2 .
2
4 3
2 1
|
|
.
|
\
|
- 3 .
|
|
.
|
\
|
4 3
2 1
+ 7 .
|
|
.
|
\
|
1 0
0 1
=
|
|
.
|
\
|
39 21
14 18
y
g (A) =
2
4 3
2 1
|
|
.
|
\
|
- 5 .
|
|
.
|
\
|
4 3
2 1
- 2 .
|
|
.
|
\
|
1 0
0 1
=
|
|
.
|
\
|
0 0
0 0

De este modo, A es un cero de g (A).-

Propiedad: Sean f y g dos polinomios sobre un cuerpo K y A una matriz n cuadrada
sobre K. Se cumple:
i) ( f + g ) A = f (A) + g (A)
ii) ( f . g ) A = f (A) . g (A)
iii) y para todo escalar k e K : (k . f ) . A = K . f (A)

Ms aun, como f (K) . g ( K ) = g ( K ) . f ( K ) para todo par de polinomios g ( K ) y
f ( K ); f ( A ) . g ( A ) = g ( A ) . f ( A ); es decir, dos polinomios cualesquiera en la matriz
A conmutan.-

AUTOVECTORES Y AUTOVALORES

Son vectores y valores de una transformacin lineal.-
Consideremos un espacio vectorial ( V, + , K , . ) y un endomorfismo T: V V.-
Definicin:
El escalar k de K es un valor propio de T - v
no nulo . v
e V / T( v
) = k . v
.-
Todo vector no nulo que satisfaga la condicin anterior se llama vector propio de T,
asociada al valor propio k.-
k recibe el nombre de autovalor, valor propio, valor caracterstico o ligenvalor (del
alemn ligen = propio) y v
recibe el nombre de autovector, vector propio, vector

caracterstico o ligenvector.-
66

Para cualquier matriz A
nxn
es necesario conocer los vectores caractersticos, junto
con los correspondientes valores caractersticos.-

En consecuencia, un vector propio de una transformacin lineal es un vector no nulo cuya
imagen es un mltiplo escalar del mismo.-

MATRIZ Y POLINOMIO CARACTERSTICO
Consideremos una matriz n cuadrada sobre un cuerpo K.

A =
nxn
nn n n
n
n
a a a
a a a
a a a
|
|
|
|
|
.
|
\
|
2 1
2 22 21
1 12 11

La matriz k . I
n
A, donde I
n
es la matriz identidad y k un escalar indeterminado
(cualquiera); se denomina matriz caracterstica de A:
k . I
n
A =
nxn
nn n n
n
n
a k a a
a a k a
a a a k
|
|
|
|
|
.
|
\
|

2 1
2 22 21
1 12 11

Su determinante
) (k
A = A I k . que es un polinomio caracterstico en k, recibe el
nombre de polinomio caracterstico de A. Asimismo, llamamos ecuacin caracterstica al
polinomio caracterstico igualado a cero, es decir, a
) (k
A = A I k . = 0.-
Recordemos que la traza de A: es la suma de los elementos de la diagonal
principal de una matriz.-
A veces resulta ms conveniente resolver I k A . = 0, que el A I k . = 0, cuando
se calculan vectores propios. Por supuesto, ambos sistemas conducen al mismo espacio
solucin.-
Esto se resuelve suponiendo que k es un valor caracterstico de A.
Entonces existe v
=
|
|
|
|
|
.
|
\
|
n
x
x
x
2
1
0 tal que A. v
= k . v
; Al segundo miembro podemos

escribir:
k . v
= k . I . v
; reemplazando nos queda A . v
= k . I . v
; o sea, A . v
- k . I . v
= 0;
sacando v
como factor comn nos queda:

( A k . I ) . v
= 0 ( k . I A ) . v
= 0 multiplicando por (-1) ambos miembros

(A k . I) . = 0
67

De aqu podemos decir que el vector v
debe ser 0, ya que si v
= 0
k no es un valor caracterstico de A. Por lo tanto ( A k . I ) . v
=
0 representa un sistema homogneo de n ecuaciones con n incgnitas
x
1
,x
2
, ,x
n
.-
Este sistema solo va a tener solucin no trivial cuando el determinante
) (k
A =
A I k . = 0
Por lo tanto concluimos diciendo que: Sea A una matriz n x n y v
un vector n x 1,
con v
0.
Entonces k es un valor caracterstico de A el determinante
) (k
A = A I k . = 0

MATRICES DIAGONALIZABLES
Se dice que una matriz A es diagonalizable si existe una matriz no singular (inversible) P
(matriz de paso) tal que D = P
-1
. A . P es una matriz diagonal, es decir: A K
nxn
es
diagonalizable -P no singular / D = P
-1
. A . P .-

PASOS A SEGUIR PARA EL CLCULO DE VALORES Y VECTORES PROPIOS,
MATRIZ DE PASO Y DIAGONALIZACIN DE MATRICES

La entrada es una matriz n-cuadrada A cualquiera:
1 ).- Hallar el polinomio caracterstico
) (k
A = A I k .
2 ).- Hallar las races de
) (k
A para obtener los valores propios de A.-
3 ).- a) Construir M = A k . I restando k a los elementos diagonales de A, o M = k .
I A.- b) Encontrar una base para el espacio solucin de M . X = 0 (Los
vectores de la base son vectores propios linealmente independiente de A pertenecientes a
k).-
4 ).- Considerar el conjunto S = {
1
v
,
2
v
, ,
n
v
} de todos los vectores propios

obtenidos en el punto 3 ).-
a) si m n, A no es diagonalizable.-
b) si m = n, sea P la matriz cuyas columnas son
los vectores propios
1
v
,
2
v
, ,
n
v

D = P
-1
. A . P =
nxn
n
k
k
k
|
|
|
|
|
.
|
\
|
0 0 0
0 0 0
0 0 0
0 0 0
2
1
donde k
i
es el valor propio correspondiente al vector
propio
i
v
.-

Ejemplo 1: Apliquemos el algoritmo de diagonalizacin a: A =
|
|
.
|
\
|
1 3
2 4

68

1 ).- El polinomio caracterstico
) (k
A = I k A . es el determinante
|
|
.
|
\
|
|
|
.
|
\
|
k
k
0
0
1 3
2 4
=
k
k

1 3
2 4
= ( 4 k ) . ( - 1 k ) 6 = - 4 4 . k + k + k
2
6 =
k
2
3.k 10

2 ).- La ecuacin caracterstica es k
2
3.k 10 = 0
k
1,2
=
2
40 9 3 +
=
2
49 3
=
2
7 3
=
=
+ =
2
5
2
1
k
k

Alternativamente traza de A= 4 1= 3 (suma de la diagonal principal) y A = - 4 6= - 10,
de modo que P (k) = k
2
3.k 10.-
3 ).- a) Hallamos un vector propio
1
v
de A perteneciente al valor propio k

1
= 5.-
Restamos k
1
= 5 a los elementos diagonales de A para conseguir la matriz M
=
|
|
.
|
\
|
6 3
2 1
.- Los vectores propios pertenecientes a k
1
= 5 forman la solucin del
sistema homogneo M.X=0, es decir,
|
|
.
|
\
|
6 3
2 1
.
|
|
.
|
\
|
y
x
=
|
|
.
|
\
|
0
0
o
=
= +
0 6 3
0 2
y x
y x
o

o y =
2
x
; El sistema solo tiene una solucin independiente; por ejemplo: x = 2; y = 1.
As
1
v
=
|
|
.
|
\
|
1
2
es un vector propio que genera el valor propio de k
1
= 5.-
b) Hallamos un
vector propio
2
v
de A perteneciente al valor propio k

2
= -2; restamos -2 ( o sumamos 2 ) a
los elementos diagonales de A para conseguir M =
|
|
.
|
\
|
1 3
2 6
que conduce a :

= +
= +
0 3
0 2 6
y x
y x
o

o y = -3x El sistema solo tiene una solucin independiente; por ejemplo: x = -1; y =
3. As
1
v
=
|
|
.
|
\
|
3
1
es un vector propio que genera el valor propio de k
2
= -2
Son los valores propios de A
-x + 2y = 0
3x + y = 0
69

Sea P (matriz de paso) la matriz cuyas columnas son los vectores propios precedentes, es
decir, es la base constituida por los vectores propios ( P ).-
P =
|
|
.
|
\
|

3 1
1 2
clculos mediante P
-1
=
|
|
.
|
\
|
7
2
7
1
7
1
7
3
y D = P
-1
. A . P es la matriz
diagonal que tiene por entradas diagonales los respectivos valores propios.-
D = P
-1
. A . P =
|
|
.
|
\
|
7
2
7
1
7
1
7
3
.
|
|
.
|
\
|
1 3
2 4
.
|
|
.
|
\
|

3 1
1 2
=
|
|
.
|
\
|
2 0
0 5
; De acuerdo con ello, A
posee la factorizacin diagonal; tambin podemos obtener A, a partir de D y de la matriz
de paso P, de la siguiente manera: A = P . D . P
-1
=
|
|
.
|
\
|

3 1
1 2
.
|
|
.
|
\
|
2 0
0 5
.
|
|
.
|
\
|
7
2
7
1
7
1
7
3
=
|
|
.
|
\
|
1 3
2 4
.-

Aclaracin: A travs de este ejemplo vemos que si A K
nxn
-n autovalores;
pero para cada autovalor existen infinitos autovectores. Es decir, cuando necesitamos hallar
un autovector debemos fijarnos en las caractersticas del problema para elegirlo
adecuadamente.-

Ejemplo 2: Consideremos la matriz A =
|
|
.
|
\
|
1 4
1 5
; aqu la traza de A = 5 + 1 = 6 y A = 5
+ 4 = 9; por lo tanto P ( K ) = k
2
6k + 9 = ( k 3 )
2
es el polinomio caracterstico de A; en
consecuencia, k = 3 es el nico valor propio de A; restamos k= 3 a los elementos
diagonales de A obteniendo M =
|
|
.
|
\
|
2 4
1 2
que corresponde a
=
= +
0 2 4
0 2
y x
y x
o

o y = -2x ; El sistema solo tiene una solucin independiente; por ejemplo: x = 1; y = -
2. As v
=
|
|
.
|
\
|
2
1
es el nico vector propio que genera el valor propio de k

= 3 de la
matriz A. Podemos decir que A no es diagonalizable, por no existir una base constituida por
vectores propios de A.-
Ejemplo 3: Consideremos A =
|
|
.
|
\
|
2 1
5 2
; Tr. ( A ) = 2 2 = 0 y A = -4 + 5 = 1 por
consiguiente:
P ( K ) = K
2
+1 es el polinomio caracterstico de A. Estudiaremos dos casos posibles:
2x + y = 0
70

a) A es una matriz sobre un cuerpo real R. Entonces P ( K ) no tiene
races reales, de modo que A no tiene valores propios, ni vectores propios y por
ende no es diagonalizable.-
b) A es una matriz sobre el cuerpo complejo C. En este caso, P ( K ) =
(k i) . ( k+ i) tiene dos races complejas conjugadas; as pues, A tiene dos valores
propios diferentes; i y i, y dos vectores propios independientes. En consecuencia,
existe una matriz no singular P sobre el cuerpo complejo para la cual P
-1
. A . P =
|
|
.
|
\
|
i
i
0
0
; por esta razn, A es diagonalizable sobre C.-

TEOREMA DE CAYLEY - HAMILTON

Toda matriz es un cero de su polinomio caracterstico.-

Ejemplo: Sea B =
|
|
.
|
\
|
2 3
2 1
su polinomio caracterstico es
) (k
B = B I k .

) (k
B = B I k . =
|
|
.
|
\
|
|
|
.
|
\
|
2 3
2 1
1 . 0
0 1 .
k
k
=
2 3
2 1

k
k
= ( k - 1). ( k 2 ) ( - 3 ) . ( - 2 )
=
= k
2
2.k k + 2 6 = k
2
3.k 4 y por el Teorema de Cayley Hamilton; B es un cero
de
) (k
B
) (k
B = B
2
3 . B 4 . I =
|
|
.
|
\
|
10 9
6 7
+
|
|
.
|
\
|

6 9
6 3
+
|
|
.
|
\
|
4 0
0 4
=
|
|
.
|
\
|
0 0
0 0
.-

71

TRABAJO PRCTICO N1
ESPACIO VECTORIAL:
1) Determinar si las siguientes cuaternas denotan espacio vectorial con las operaciones + y .
definidas normalmente: a) ( R, +, Q , . ) b) ( R, +, Z , . )
2) Determinar si ( C
2
, + , C , . ) es un espacio vectorial , definido:
+ : ( z1 , z2 ) + ( z1` , z2`) = ( z1 + z1`, z2 + z2`)
. : z . ( z1 , z2 ) = ( z . z1 , z . z2 )
3) Sean V = R
2
y K = R . Determinar si las siguientes operaciones definen sobre V una
estructura de espacio vectorial: (a, b) + (a`, b`) = ( a + a, b + b`)
(a, b) = ( a, b )

PROPIEDADES DE ESPACIOS VECTORIALES:
4) Sea ( V, + , K , .) espacio vectorial; x, y, z V y , K:
Demostrar aplicando los axiomas y las propiedades de espacios vectoriales:
a) x + y = x => y = O b) x + y = x + z 0 => y = z
c) x = x ^ x O => =
5) Determinar , sabiendo que y O y que: ( 1 ) x + (x y ) = x y

TRABAJO PRCTICO N2
MATRICES:
1) Sean A y B dos matrices:
a) Cul es la condicin para que dichas matrices se puedan sumar?
b) y para que se puedan multiplicar?

2) Demostrar que las siguientes matrices son idempotentes:
2 -2 -4
B = -1 3 4
A = 1 -2 -3

3) Demostrar que siguiente es una matriz nilpotente de ndice 3:
1 1 3
C = 5 2 6
-2 -1 -3
4) Dadas las matrices: -2 1 -2 2 0 -1
-1 -1 2 B = 3 3 C = 1 2 -1 -2
A = 1 -2 -1 0 -2 -2 0 -2 0

-1 0 -2 -1 1 0 3 -1
D = 0 -1 2 E = 1 2 0 F = 0 -1
0 -2 -6 0 4 0 4 1
-5 1 -1 0 2
Resolver las siguientes operaciones:

a) A + B
T
= b) 3/2 B 2 A
T
= c) A . B d) B
T
. C =
e) ( D . B )
T
+ A = f) ( C + E
T
) . F = g) D
2
= h) F
T
. E + A =
72

i) B . A . D = j) ( F ) . ( 1/3 A ) = k) (B . A + D) . C = l) -2 E C
T
=
m) (A
T
+ B)
T
= n) -A B
T
= ) ( - E + C
T
) =

5) Dadas las siguientes matrices: 3 1 2 0 1 0
A = 1 0 -1 B = 2 -1 0
-1 -2 0 -2 0 1
Comprobar si se cumplen las siguientes igualdades:
a) A . B = B . A b) ( A + B )
T
= A
T
+ B
T
c) ( A . B )
T
= A
T
. B
T
d) ( A . B )
T
= B
T
. A
T

6) Hallar el rango de las siguientes matrices, aplicando el mtodo de Gauss Jordan:
-2 4 2 -2 1 1 -3 -1
A = -1 -1 1 0 B = 2 1 -2 1
-2 1 2 -1 1 1 1 3
1 2 -2 1

7) Hallar las inversas de las siguientes matrices aplicando Gauss Jordan (son todas
inversibles):
1 -1 0 1 3 4 0 2 1 1 2 0 0
2 -3 Q = 0 1 -1 R = 3 -1 6 S = 2 1 -1 T = -1 -1 1 2
P = 1 3 -1 0 2 -1 5 1 5 2 3 0 2 1 -2
4 -1 0
8) Determinar la inversa de A (por Gauss Jordan):
1 -p 0 0
A = 0 1 -p 0
0 0 1 -p
0 0 0 1

9) Demostrar que la siguiente es una matriz ortogonal:

cos - sen 0
A = sen cos 0 ( R)
0 0 1

TRABAJO PRCTICO N 3

DETERMINANTES:
1) Dadas las siguientes matrices:

1 0 2 -1 2 3 -2 3 1
A = 2 -1 -1 B = -4 -5 1 C = -4 4 0
1 2 0 0 2 1 1 -1 1

-2 0 1 -2 2 -1 2 3 -1
D = 3 -1 2 E = 1 1 0 F = 2 -2 1
1 0 1 -1 -2 -3 0 -3 4
73

a) Hallar el determinante de cada una de ellas, aplicando la regla de Sarrus.
b) Indicar el rango de cada una.
c) Decir si cada una de ellas es regular o singular.
d) Hallar la adjunta de cada matriz.

e) Si es posible hallar la inversa de cada una, por medio de la adjunta.
f) Verificar si la matriz inversa hallada es la correcta.

2) Dadas las siguientes matrices:

-1 1 2 3 1 2 -2 -1 1 1 2 -2
1 -2 -2 -2 2 -2 3 -1 -1 1 -1 -2
A = 1 1 -2 0 B = 1 1 0 1 C = -3 3 2 1
2 3 -1 1 1 -1 -1 -1 1 -1 1 0

1 2 -2 -1 1 2 1 3 -1 -2 1 0
1 1 -2 -3 -1 2 -2 2 1 2 -2 -3
D = -1 1 0 0 E = -4 3 2 1 F = 3 -4 2 1
-1 2 -1 2 1 0 1 1 0 0 1 1

-2 -1 -1 1 2 -2 -3 3 0 -1 -2 -3
0 -2 3 3 -4 1 1 -1 4 0 2 1
G = 2 -1 1 1 H = -1 0 2 -1 J = 1 -1 -2 -3
-2 1 1 0 2 -2 0 -3 3 3 -2 1

a) Calcular los determinantes de las matrices A, B, C, aplicando el procedimiento
gaussiano.
b) Hallar el determinante de la matriz D, desarrollando por los elementos de la primera fila.
c) Hallar el determinante de la matriz E, desarrollando por los elementos de la segunda fila.
d) Hallar el determinante de la matriz F, desarrollando por los elementos de la tercera
columna.
e) Calcular los determinantes de las matrices G, H, J por medio de operaciones elementales.
(Gauss)

3) Hallar los determinantes de las siguientes matrices, aplicando las propiedades (explicar
la propiedad aplicada):

0 1 5 -2 3 -1 3 1 -1 0 1 1 3 4 5 7
0 2 6 3 2 0 2 2 0 2 1 2 0 -1 3 2
A= 0 3 7 1 B = -1 2 -1 3 C= 0 -1 0 -1 D = 0 0 -11 5
0 -1 2 0 6 1 6 4 0 1 1 1 0 0 0 -2

0 3 0 1 1 2 -1 2 1 0 2 -2 7 4 -2 -1
. 0 1 3 -1 3 5 0 1 -1 0 1 4 0 8 3 2
E = 2 -1 2 2 F = 1 2 -1 2 G = 1 0 3 1 H= 0 0 -1 2
0 2 1 0 1 -1 3 -1 1 2 -2 2 0 0 0 -1
74

TRABAJO PRCTICO N 4

COMBINACIN LINEAL:
1) Sean los vectores: v1 =(2, 0, 3) v2 = (-1, 1, 0 ) v3 = (0,1, 1)
y lo vectores: v = (1, 1, 2) y u = (-1, 1, 0) que son C. L. de v1, v2 y v3.
Determinar los valores de para C. L.

2) Determinar si los vectores (1, 1, 1) ; (1, 1, 0) y (0, 1, -1) son L. I. en (R
3
, +, R, . ).

3)Determinar si cada uno de los siguientes conjuntos de vectores definidos sobre el cuerpo
de nmeros reales son L. D. o L. I. :
a) x1 = (-1, -1, 3) b) y1 = (1, 2, 1) (Trabajar con vectores columna)
x2 = (1, 3, 0) y2 = (2, 1, 0)
x3 = (0, -5, 1 ) y3 = (4, 0, 6)

4) En el espacio vectorial (R
2
, +, R, . ) analizar la dependencia o independencia lineal de los
siguientes vectores: (-2, 4) y (1, -2)

5) Expresar en cada caso, si es posible, el vector v como C. L. de v1 y v2 . El espacio
vectorial es ( R
2
, + , R .).
a) v = ( 2, -1 ) ; v1 = (2, 2) ; v2 = (-2, 2) b) v = (2, 4) ; v1 = (-1, 3) ; v2 = (2,-6)

6) a) Comprobar que los vectores de R
3
: v1 = (-1, 3, 1) ; v2 = (3, -1, 1) y v3 = (4, 0, 2)
son L. D.
b) Expresar v3 como C. L. de v1 y v2 .

7) Dados los vectores (1, -4, 6); (1, 4, 4) y (0, -4, x) del espacio R
3
sobre el cuerpo de los
reales, determinar x para que sean L. D.

8) En ( R
2
, +, R, . ), los vectores (a, b) y (c, d) verifican la condicin: ad bc 0 .
Demostrar que son L. I.

COORDENADAS:
9) Determinar las coordenadas de x = (-2,3) perteneciente a (R, +, R, . ) , respecto de las
bases :
a) [v] = { (1, 1) , (1, 0 ) } b) [w] = { (-2, 3) , (1, 2) } c) Cannica

10) Hallar con respecto a la base [z] = { (1, 1, 2) , (2, 2, 1) , (1, 2, 2) }
Las coordenadas de los vectores: a) x = (1, 1, 0) b) y = (1, 0, 1) c) z = (1, 1, 1)

SISTEMA DE ECUACIONES LINEALES:
11) Hallar la matriz de los coeficientes y la matriz ampliada del siguiente sistema de
ecuaciones:
x + 2 y 3 z = 4
3 y 4 z + 7 x = 5
6 z + 8 x 9 y = 1

75

12) Dados los siguientes sistemas de ecuaciones:
a) 2 x y + 2 z = 1 b) - x + y + 2 z = 7 c) x + y + 2 z = -1
x + y + z = 2 x - 2 z = -5 2 x y + 2 z = -4
2 x y + z = 5 2 x 2 y + z = 1 4 x + y + 5 z = -6

d) x + 2 z = 10 e) x + 3 y + z = 1 f) x + y + z = 2
2 x y z = -3 x 2 y + 2 z = 2 2 x y z = 1
x = -3z 4 x + 5 y + 3 z = 7 x + 2 y z = -
3

g) x1 x2 x3 + x4 = -2
x1 x2 + x3 + x4 = 2
- x1 + 2 x2 x3 + x4 = -7
- 2 x1 + 2 x2 + 2 x3 x4 = 2
i) Expresarlos en forma matricial.
ii) Resolverlos aplicando la regla de Cramer.

13) Resolver por el mtodo gaussiano, los siguientes sistemas:
a) 2 x y + 2 z = 1 b) x + 3 y + z = 6
x + y + z = 2 3 x 2 y 8 z = 7
2 x y + z = 5 4 x + 5 y 3 z = 17

14) Resolver por eliminacin gaussiana:
a) x 2 y + z = 7 b) 2x 5y + 3z 4s + 2t = 4 c) x + 2y 3z + 4t = 2
2 x y + 4 z = 17 3x 7y + 2z 5s + 4t = 9 2 x + 5y 2z + t = 1
3 x 2 y + 2 z = 14 5x 10y 5z 4s + 7t = 22 5x + 12y 7z + 6t =7

15) Resolver aplicando la matriz ampliada:
a) x 2 y + 4 z = 2 b) x + 2 y z = 3
2 x 3 y + 5 z = 3 x + 3 y + z = 5
3 x 4 y + 6 z = 7 3 x + 8 y + 4 z = 17

16) Determinar si cada uno de los siguientes sistemas tiene una solucin no nula:

a) x 2 y + 3 z 2 w = 0 b) x + 2 y 3 z = 0 c) x + 2 y z = 0
3 x 7 y 2 z + 4 w = 0 2 x + 5 y + 2 z = 0 2 x + 5 y + 2 z = 0
4 x + 3 y + 5 z + 2 w = 0 3 x - y 4 z = 0 x + 4 y + 7 z = 0
x + 3 y + 3 z = 0

17) Hallar el conjunto solucin de los siguientes sistemas, por medio de la inversa:

a) x + y + z = 3 b) 2 x 3 y = 1
x + y = 2 x + 3 y = -2
x = -2

76

TRABAJO PRCTICO N 5

TRANSFORMACIONES LINEALES:
1) Determinar cuales de las siguientes aplicaciones de R
3
en R
3
son transformaciones
lineales, donde K=R:
a) f ( x, y, z ) = ( y, x, z )
b) f ( x, y, z ) = ( x + 1, y + 2, 0 )
c) f ( x, y, z ) = ( 0, x + y, 0 )
d) f ( x, y, z ) = ( x y, z, x )

2) Investigar cuales de las siguientes aplicaciones f son lineales:
a) f : R
3
R
2
definida por f ( x, y, z ) = ( y, x )
b) f : R
2
R
3
definida por f ( x, y ) = ( x, y, 0 ) + ( -1, 0, 0 )
c) f : R
2
R
2
definida por f ( x, y ) = ( 2x y, x )
d) f : R
2
R definida por f ( x, y ) = x y

3) Sea f : V W una T. L. y sean x e y en V / f ( x ) = z . Sabiendo que f ( y ) = Ow ,
demostrar que:
f ( x + y ) = z

4) Sea f: R
3
R
2
una T. L. definida por: f ( x, y, z ) = ( x 2 z , y + z ) :
i) Hallar la matriz A de f , respecto de las bases:
[ v ] = { ( 1, 1, 1 ) , ( 2, 2, 0 ) , ( 3, 0, 0 ) }
[ w ] = { ( 2, 0 ) , ( 0, 2 ) }

ii) Determinar la matriz B de f , respecto de las bases cannicas en ambos espacios.

5) Sea f : R
3
R
2
una T. L. definida por: f ( a, b, c ) = ( a + b c , a b ) :

i) Hallar la matriz de f respecto de las bases cannicas en R
3
y en R
2
.

ii) Obtener las matrices de pasaje de las bases anteriores a las bases:
[ v] = { ( 0, 1, 1 ) , ( 1, -1, -2 ) , ( 1, -1, -1 ) }
[ w] = { ( 1, 3 ) , ( 0, -2 ) }
iii) Calcular la matriz B de f, respecto del nuevo par de bases.

TRABAJO PRCTICO N 6

AUTOVALORES Y AUTOVECTORES:

VALOR Y VECTOR PROPIO DE UNA T.L.:
1) Sea F : R
2
R
2
(endomorfismo) una T.L. definida por f (x1 , x2 ) = ( 4x1 +3x2 , 3x1
4x2 )
i) Hallar los valores propios de f.
ii) Hallar los vectores propios de f.

77

VALOR Y VECTOR PROPIO DE UNA MATRIZ CUADRADA:
2) Sea la matriz A = 2 1
0 3
Hallar los vectores propios (x) de A asociados a los correspondientes valores propios .

POLINOMIIO CARACTERSTICO:

3) Consideremos el polinomio P(x) = x
3
- x + 1y y la matriz A = -1 1
1 2
Hallar P(A) (polinomio de la matriz dada)

Álg Lin 2013

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Álg Lin 2013

Загружено:

Авторское право:

Доступные форматы

INSTITUTO DE NIVEL TERCIARIO SAN FERNANDO REY

e V, hace corresponder un tercer elemento que es su suma

( se suman las componentes

, es el vector obtenido multiplicando cada componente de v

existen un nico vector.

. En efecto, siendo 0 , existe el

} son subespacios de V, llamados

a todo vector de la forma:

e V es la suma vectorial, ley interna.-

e V es el producto de un vector por un escalar (ley externa),

por y mantiene la misma direccin si > 0, o la direccin contraria u

es una combinacin lineal de los vectores

representan los vectores unitarios: i

= ( 0 ; 0 ; 1 ) que son los vectores unitarios en un espacio euclidiano en dimensin 3

puede obtenerse siempre como combinacin lineal de A tomando todos los

= ( 0; 0; -1 ) Planteamos la combinacin lineal

= ( 5; 3; 2 ) Planteamos la combinacin lineal

} es un conjunto generador de V, entonces se dice que los

} generan a V. El cardinal del conjunto A, -que simbolizamos-

}) es el nmero de vectores que tiene dicho conjunto generador.-

son linealmente independiente.-

= -60 = 0, Los vectores dados forman una base.-

= 0, Los vectores dados no forman una base.-

de clase nxm. Y lo simbolizamos por A

de clase mxn. Y lo simbolizamos por

no est precedido por ningn cero.

est precedido por un cero.-

est precedido por tres ceros.-

es una operacin binaria que

, se debe sumar a la matriz A la opuesta de la matriz B.

, definimos producto de la matriz A por el escalar , es la

); es decir, no es ley de composicin interna o

conformes en ese orden, se verifica que ( A . B ) . C = A . ( B . C )

: Si mn, no existe elemento neutro para el producto de matrices.

, puede ser expresada por una

; si la particionamos en columnas a la matriz A, sera:

K , no todos nulos, tales que:

La primera y la segunda filas son linealmente dependientes, ya que:

Son filas linealmente independientes, ya que:

diremos que A es equivalente a B si y

un escalar denominado determinante de la matriz.

que admite a los vectores columnas:

; es decir a la matriz A la particionamos

. El menor complementario del elemento a

(positivo porque 2+2 es par)

(negativo porque 2 + 3 es impar)

, definimos rango de una matriz al mximo nmero

que satisface SIMULTANEAMENTE

a los vectores nulos en V y en W respectivamente.-

el vector nulo de V como el producto de cualquier vector por el escalar

e V recordar que x = ( -1) . x

= ( 2; -2; -2) f ( x ) = [ 2 + (-2) ; ( -2 ) (-2 )] = ( 0 ; 0 ) =

(Luego, el vector nulo del primer espacio vectorial

eN ( f ) cuyas imgenes cumpla la condicin de que f ( x

adems dado k eK se cumple por definicin de

e Im ( f ) por definicin de imagen - ' x

e Im ( f ) por definicin de imagen - ' x

) = ( a, b, 0); lo que significa que la imagen de la funcin [ Im ( f )

} c V. Se dice que el conjunto de vectores {

} es un conjunto de generadores de V o que genera V; si y solo s, todo elemento de V

} con estas condiciones es una

) Verifica la primera condicin

) Verifica la segunda condicin