Algebra lineal del TESE

Cuaderno de Tecnologa N 4
Tecnolgico de Estudios Superiores de Ecatepec, Mxico, 2006

ISBN 968-5441-05-7
Editores: Hctor M. Poggi-Varaldo (CINVESTAV), Ma. Eugenia Btiz y Solrzano (TESE),
Jos Alfredo Pineda-Cruz (TESE), Sergio Caffarel-Mndez (TESE)
TECNOLGICO DE ESTUDIOS SUPERIORES DE ECATEPEC
"2006: Ao del Presidente de Mxico Benito Pablo Jurez Garca"
CUADERNO DE TECNOLOGA N 4
ISBN 968-5441-05-7
ALGEBRA LINEAL
PEDRO ROMANO-APORTELA y CLAUDIA LOZANO MORA Divisin de

Ingeniera Mecatrnica e Industrial; Divisin de Contadura y Administracin
e-mail: pedroromano@holmail.com
Ecatepec de Morelos, Estado de Mxico

Mxico. Ao 2006
DIRECTORIO
H. Junta Directiva del Tecnolgico de Estudios Superiores de Ecatepec
DR. ISIDRO MUOZ RIVERA
Secretario de Educacin del Gobierno del Estado de Mxico Presidente de la Junta Directiva
DR. LUIS VlDEGARAY CASO

Secretario de Finanzas del Gobierno del Estado de Mxico Vocal de la J unta Directiva
MAESTRO RAFAEL FREYRE MARTNEZ

Director General de Planeacin, Programacin y Presupuesto, Secretara de Educacin Pblica Vocal de la
Junta Directiva
M.B.A. JOS ANTONIO PARDO SAAVEDRA

Titular de la Oficina de Servicios Federales de Apoyo a la Educacin en Estado de Mxico Vocal de la J unta
Directiva
ING. JOS ALFREDO UZRRAGA DAZ

Director de Institutos Tecnolgicos Descentralizados, S EP Vocal de la Junta Directiva
C. JOS LUIS CRUZ FLORES

Presidente Municipal Sustituto de Ecatepec de Morelos, Vocal de la Junta Directiva
PROF. ROBERTO RUIZ LLANOS

Representante de I Sector Socia I Vocal de la Junta Directiva
UC. MANUEL BAUTISTA LOPEZ

Representante del Sector Productivo Vocal de la Junta Directiva
C.P. JORGE ISAAC HERNNDEZ HERNNDEZ

Director de Control y Evaluacin de Educacin Media Superior y Superior del Gobierno del Estado de Mxico
Comisario de la Junta Directiva
DR. RUBN JAIME BARAJAS VZQUEZ

Representante del Sector Privado Secretario de la Junta Directiva
Autoridades del Tecnolgico de Estudios Superiores de Ecatepec

M. en A. Uriel Galicia Hernndez
Director General
C.P. Ma. Eugenia Btiz y Solrzano

Directora Acadmica
M. en A. lvaro Gmez Carmona

Director de Apoyo y Desarrollo Acadmico
Lic. Jorge Rojas Snchez

Director de Vinculacin y Extensin
M. en A Alfonso Martnez Reyes

Director de Administracin y Finanzas
L.C. Irineo Ocaa Bruno

Contralor Interno
Lic. Jos Misael Marn Luciano

Abogado General
Lic. Jorge Arturo Unzueta Mndez

Jefe de la Unidad de Planeacin
ISBN 968-5441-05-7
MENSAJE DEL DIRECTOR GENERAL

El Tecnolgico de Estudios Superiores de Ecatepec (TESE) es un Organismo
Pblico Descentralizado del Estado de Mxico creado en el mes de septiembre de
1990. En l se imparten actualmente nueve carreras de licenciatura y cuatro
programas de posgrado, con una matrcula de 5568 alumnos en el primer nivel y
de 76 alumnos en los programas de maestra. Por ser un tecnolgico que tiene el
92% de su matrcula en programas acreditados (el 100% de sus carreras
evaluables se encuentran acreditadas por organismos reconocidos por el
COPAES), poseer varios de sus procesos certificados y tener un programa de
Maestra en el Padrn Nacional de Posgrado del Consejo Nacional de Ciencia y
Tecnologa, se le considera un Tecnolgico de Alto Desempeo. Fue el primero,
en ser creado, de los Institutos Tecnolgicos Descentralizados a nivel nacional, y
el nico a la fecha dentro de este Subsistema, en tener estas caractersticas.
Entre los objetivos del Tecnolgico, adems de la formacin de profesionales,

profesores e investigadores aptos para la aplicacin y generacin de
conocimientos, est el de promover la cultura nacional y universal especialmente
la de carcter tecnolgico. En ese sentido para el TESE es de suma importancia
propiciar acciones que conlleven a la difusin de los resultados de sus actividades
de investigacin, ya la publicacin de obra editorial propia.
As, el Tecnolgico de Estudios Superiores de Ecatepec se enorgullece en

presentar en esta ocasin la primera de esta Serie denominada "Cuadernos de
Tecnologa del TESE", que trata diversos temas relacionados con la ciencia y la
tecnologa en reas muy diversas. Entre otras tenemos la Ingeniera Bioqumica,
la Ingeniera Industrial, la Ingeniera Mecatrnica, la Ingeniera Qumica, la
4
Ingeniera Electrnica, la Ingeniera en Sistemas Computacionales, la Ingeniera

Mecnica, la Licenciatura en Informtica y la Licenciatura en Contadura.
Esta primera entrega consta de los siguientes ttulos:
1. Produccin de Hidrgeno. Una Opcin Biotecnolgica.
2. Funcionalidad de Protenas Musculares.
3. Cmo Medir la Diversidad?
4. lgebra Lineal.
5. Mecnica Clsica.
6. Electrodinmica Clsica.
El presente libro en formato electrnico -disco compacto- forma parte de la misma.
Su contenido est escrito en un lenguaje que en lo posible trata de ser sencillo,
pero apoyado en los conocimientos y experiencias de ingenieros y licenciados que
han encaminado sus esfuerzos para especializarse en alguna de las muchas
disciplinas cientficas y tecnolgicas.
A travs de un esfuerzo sin precedentes, con su publicacin se busca
proporcionar informacin de utilidad para todas aquellas personas, estudiantes,
docentes y profesionistas de las disciplinas mencionadas, que quieren ampliar su
bagaje de conocimientos.
El Tecnolgico de Estudios Superiores de Ecatepec desea que la informacin
contenida en esta serie "Cuadernos de Tecnologa del TESE" sea de utilidad en el
quehacer diario de aquellas personas interesadas en su superacin personal, y
con ello tambin de la sociedad mexiquense y mexicana en su conjunto.
No poniendo en duda el inters que generar en nuestros estudiantes, profesores
y profesionales esta obra editorial, queda pues en sus manos.
M. EN A. URIEL GALICIA HERNNDEZ

DIRECTOR GENERAL
ISBN 968-5441-05-7
LGEBRA LINEAL
Pedro Romano Aportela

Divisin de Ingeniera Mecatrnica e Industrial
Claudia Lozano Mora

Divisin de Contadura y Administracin
Acerca de los autores.
Pedro Romano Aportela. Egres de la Escuela Superior de Fsica y Matemticas

del Instituto Politcnico Nacional donde realiz los estudios de la Licenciatura en
Fsica y Matemticas, as como la Maestra y Doctorado en Fsica. Forma parte de
la planta docente del TESE desde el ao 2005 en la Divisin de Ingeniera
Mecatrnica e Industrial, impartiendo ctedra tanto en la Ingeniera como en el
programa de posgrado.
Claudia Lozano Mora es egresada de la Escuela Superior de Comercio y
Administracin del Instituto Politcnico Nacional donde realiz los estudios de la
Licenciatura en Relaciones Comerciales. Forma parte de la planta docente del
TESE desde el ao 2003 en la Divisin de Contadura y Administracin,
impartiendo diversas asignaturas de la
Academia de Ciencias Bsicas y
Econmico Administrativas
PRLOGO
La intencin de este libro de lgebra Lineal es que sirva como texto a estudiantes
de nivel licenciatura que, por primera vez se enfrentan ante este tema de gran
importancia tanto por su contenido terico as como por la gran cantidad de
aplicaciones que tiene en las diferentes disciplinas del conocimiento humano.
El texto se ha dividido en tres grandes apartados; en el capitulo 1 se dan la

herramienta y los mtodos, particularmente el de Gauss y Gauss-Jordan para
resolver e interpretar las soluciones de un sistema de ecuaciones lineales.
Tambin se introduce el concepto de determinante, as como los diferentes
mtodos para calcularlo. Tambin se estudian sus propiedades.
El capitulo 2 trata sobre una breve introduccin al concepto de vector y sobre todo
a su generalizacin, analizando con detalle las propiedades de espacio y
subespacio vectorial. Tambin son tratados los conceptos de base y dimensin,
as mismo se estudia tambin el proceso para construir bases ortonormales y para
finalizar este capitulo se trata el tema de cambio de base.
El capitulo 3 habla acerca del concepto de transformaciones lineales y las

diferentes formas de representarlas, as como el anlisis de sus elementos como
son; el ncleo y el conjunto imagen. Se estudia tambin el problema de valores y
vectores propios y su aplicacin directa en el proceso de diagonalizacin de
matrices.
Se incluyen tambin un conjunto de problemas al final de cada capitulo, con el fin

de que el estudiante refuerce los temas aprendidos.
INDICE
Pagina
8
10
10
Capitulo 1
1.1
Prologo
Matrices y Determinantes
Matrices
1.2
1.3
Determinantes
Sistemas de ecuaciones lineales
32
42
Capitulo 2
2.1
2.2
Espacios Vectoriales
Vectores en dos y tres dimensiones
Espacios Vectoriales
59
59
69
Capitulo 3
3.1
3.2
3.3
Transformaciones Lineales
Transformaciones lineales
Valores y vectores propios
Matrices semejantes y diagonalizacin
97
97
109
114
Bibliografa
119
CAPTULO 1. MATRICES Y DETERMINANTES

1.1 Matrices
Introduccin
Para iniciar el estudio del lgebra lineal, vamos a dar una interpretacin
geomtrica de las posibles soluciones que un sistema de ecuaciones lineales
puede tener, para ello trataremos primero el caso de lneas rectas en dos
dimensiones y posteriormente se generalizarn a un nmero mayor de
dimensiones.
Consideremos un sistema de dos ecuaciones con dos incgnitas.
Sea:
a11 x1 a12 x 2 b1
a 21 x1 a 22 x 2 b2
1.1
Resolver este sistema de ecuaciones significa; encontrar el (los) valores de las

variables x1 y x 2 de tal manera que al sustituirlas en cada una de las ecuaciones
se obtiene una identidad. Cuntas soluciones tiene un sistema de ecuaciones?,
la respuesta a est pregunta la daremos en trminos geomtricos. Del sistema
1.1 se sabe que cada ecuacin representa a una lnea recta, por lo tanto dadas
un par de lneas rectas la orientacin relativa que estas pueden tomar es la
siguiente: que las rectas sean diferentes y por lo tanto se intersecan en un solo
punto, en este caso se dice que el sistema tiene solucin nica. Que las lneas
rectas sean paralelas y diferentes, por lo cual ests no se intersecan, en cuyo
caso el sistema no tiene solucin. Por ltimo cuando las lneas son paralelas pero
una est sobrepuesta en la otra, en cuyo caso las rectas coinciden en todos sus
puntos y por lo tanto se dice que el sistema tiene una infinidad de soluciones.
Con el fin de ilustrar el comentario anterior resolveremos el sistema anterior de
manera general (por ejemplo usando el mtodo de Cramer) se llega a la siguiente
10
Solucin
x1
a 22 b1 a12 b2
a11a 22 a12 a 21
1.2
Para qu 1.1 tenga solucin nica debe cumplirse que a11 a 22 a12 a 21 debe
ser
diferente
de
cero
(determinante
del
sistema).
Que
pasara
si
a11a22 a12a21 0 ?
La respuesta es: el sistema no tiene solucin tiene un nmero infinito de
soluciones, esto es las rectas son paralelas y distintas, o estas coinciden en todos
sus puntos, para saber cual es el caso se debe analizar cada problema en
particular.
Por ejemplo:
xy 7
2x 2 y 14
1.3
En 1.3 tenemos nicamente una recta o bien una esta sobre la otra, por lo tanto
coinciden en todos sus puntos, esto es 1.3 tiene un nmero infinito de
soluciones, es decir la solucin de un sistema de ecuaciones se interpreta como el
punto de interseccin de las rectas por lo tanto si dos rectas coinciden en todos
sus puntos ese sistema tiene un nmero infinito de soluciones.
Ahora analicemos el siguiente sistema:
xy 7
2x 2 y 13
1.4
En 1.4 podemos notar que se tienen dos rectas paralelas y distintas, por lo tanto
no tienen ningn punto en comn, y de acuerdo al comentario anterior este
11
sistema no tiene solucin. De los ejemplos anteriores se puede inferir el siguiente

teorema:
TEOREMA. El determinante de 1.1 es cero si y slo si las rectas son paralelas
De este teorema se infiere: Si el determinante de 1.1 es diferente de cero,
entonces las rectas no son paralelas y por lo tanto se intersecan en un slo punto,
es decir el sistema tiene solucin nica.
Antes de resolver sistemas ms complicados, vamos a introducir el concepto de

vector, matrices y sus operaciones bsicas, esto con el fin de simplificar la
solucin de tales sistemas y crear con ello un algoritmo. Naturalmente que las
matrices se aplican en una gran diversidad de disciplinas y no solo como una
herramienta para resolver sistemas lineales de ecuaciones.
VECTOR RENGLN DE N COMPONENTES: Se define un vector rengln de n
componentes (o n-dimensional) como un conjunto ordenado de n nmeros (reales)
escrito de la siguiente forma:
x ,
1
x 2 , ... x n
VECTOR COLUMNA DE N COMPONENTES: Se define un vector columna de n

componentes (o n-dimensional) como un conjunto ordenado de n nmeros (reales)
escrito de la siguiente forma:
x1

x2
.

.

xn
12
VECTOR NULO (CERO) DE N COMPONENTES: Es aquel en el cual todas y

cada una de sus componentes son iguales a cero.
Nota: Los vectores los denotaremos de la siguiente manera: a , b . las matrices

las denotaremos con letras maysculas.
Ahora definiremos algunas operaciones entre vectores.
A) IGUALDAD DE VECTORES: Dos vectores columna (rengln) a , b son iguales

si y solo si, tienen el mismo nmero de componentes y sus componentes
correspondientes son iguales.
a1
b1

a 2 b2
B) SUMA DE VECTORES: Sean a , b vectores de n componentes.
.
.

an
bn
Se define la suma:
a1 b1 a1 b1

a 2 b2 a 2 b2
ab
.
.
.

a n bn a n bn
Es decir la suma de dos vectores, es otro vector en el cul sus componentes son
la suma de sus componentes respectivas de cada vector.
a1

a2
MULTIPLICACIN DE UN VECTOR POR UN ESCALAR: Sea a . ,

an

Y es un escalar, entonces el producto a a se define como:
13
a1
a2
a
. .
an
Existen otros tipos de operaciones con vectores, pero por el momento estas
resultan ser las ms importantes para manejar el concepto de Espacio Vectorial,
tema de estudio de este curso.
Con base en estas operaciones podemos establecer el siguiente teorema.
TEOREMA. Sean a , b y c vectores, , escalares. Entonces:

1) a 0 a
( 0 vector cero )

2) 0a 0

3) a b b a ( la suma de vectores es conmutativa )

4) a b c a b c
( la suma es asociativa )
5) a b a b
( el producto por un escalar es distributivo )
6) a a a
( producto por un vector es distributivo )
7) a a
MATRICES. Una matriz A de tamao m x n es un arreglo rectangular de mn

nmeros distribuidos en m renglones y n columnas:
a11
a 21
A
.
a m1
a12
a 22
.
a m2
. a1n
. a 2n
.
.
.
. a mn
14
Al nmero que aparece en el i-simo rengln y j-sima columna se le conoce

como el elemento
ai j de la matriz. Una matriz se dice que es cuadrada cuando
m=n. Ms adelante definiremos algunas matrices especiales que aparecen con

frecuencia en el estudio del algebra lineal.
De manera similar como se defini la igualdad de vectores, definiremos la igualdad
de matrices como: Dos matrices A ai j
, B bi j
son iguales si y slo si
tienen el mismo tamao y sus componentes correspondientes son iguales.
A) SUMA DE MATRICES: Sean A ai j , B bi j dos matrices de tamao mxn.
La suma A+B es otra matriz de tamao m x n definida:
a11 b11
a 21 b21
A B
a m1 bm1
a12 b12
a 22 b22
a m 2 bm 2
a1n
a 2n
a mn
b1n
b2 n
bmn
Es decir la suma se obtiene sumando sus componentes correspondientes
una
B) MULTIPLICACIN DE UNA MATRIZ POR UN ESCALAR: Sea A ai j
matriz de tamao m x n, un escalar. Entonces la matriz A tiene tambin

tamao m x n, definida:
a11 a12 a1n
a22 a2n
a
A 21
a
m1 am 2 amn
15
Es decir, est matriz se obtiene al multiplicar cada una de las componentes de

matriz por el escalar.
Con base en estas operaciones se tiene las siguientes propiedades.
TEOREMA: Sean A, B, C matrices reales de tamao m x n, un escalar.
Entonces:
1) A+O = A
donde O es la matriz nula
2) 0A = O
3) A+B = B+A
conmutativa
4) ( A+B )+C = A+( B+C ) asociativa

5) ( A+B ) = A+ B
distributiva respecto al producto por un escalar
6) 1 A = A
multiplicacin por el elemento neutro multiplicativo
a1
b1

a 2 b2
PRODUCTO ESCALAR DE VECTORES: Sean a . , b .

an
bn
dos
vectores de n componentes.
El producto escalar (interno, o punto) se define:

n

a b a1b1 a2 b2 an bn ai bi
i 1
Nota: Para efectuar el producto interno de dos vectores, estos deben tener el
mismo nmero de componentes, adems deben tener la siguiente disposicin:
vector rengln x vector columna.
a2
b1

n
b2
a n a i bi
i 1

bn
16
De aqu se desprende el siguiente teorema.
TEOREMA: Sean a , b , c n-vectores, , escalares. Entonces
1)
2)
3)

a 0 0

a b b a

a b c a b a c
4) a b a b
una matriz m x n,
C) PRODUCTO DE MATRICES: Sean A ai j
B bi j una
matriz de tamao n x p. Entonces el producto AB resulta ser otra matriz C de

tamao m x p. Donde el elemento ci j del producto es el nmero que se obtiene
de multiplicar escalarmente el rengln i de la primera matriz con la columna j de
la segunda matriz, esto es:
n
AB C ci j ai k bk j
k 1
Nota: Para poder efectuar el producto de dos matrices, el nmero de columnas de

la primera tendr que ser igual al nmero de renglones de la segunda.
Con las operaciones entre matrices definidas anteriormente se tiene el siguiente

teorema.
TEOREMA: Sean A, B y C matrices de tamaos tales que se puedan efectuar las
operaciones indicadas. Entonces
1) A ( B+C ) = AB+AC
.
17
2) ( A+B )C = AC+BC
3) A( BC ) = ( AB )C
4) AB BA
en general
5) AB=O
esto no implica necesariamente que A=O
6) AB = AC
esto no implica necesariamente que B=C es decir en matrices no es
o B=O
vlida la propiedad cancelativa para el producto.
La demostracin queda como ejercicio para el lector.
MATRICES ESPECIALES: En el estudio del lgebra lineal se presentan con

frecuencia algunas matrices y que por tal razn se les conoce como matrices
especiales, las cuales definiremos a continuacin.
MATRIZ IDENTIDAD: Es una matriz cuadrada cuyos elementos de la diagonal
principal son unos y el reto de los elementos son cero.
1 0 0
0
1
I
0 0
0 0 1 nxn
MATRIZ TRIANGULAR SUPERIOR: Una matriz cuadrada A cuyos elementos
a ij 0 para i>j se le llama matriz triangular superior, es decir todos los elementos
abajo de la diagonal principal son igual a cero
18
a11
0
A
a1n
a 2n

a nn
a12
a 22
0
0
MATRIZ TRIANGULAR INFERIOR: Una matriz cuadrada A cuyos elementos
ai j 0 para i < j se le llama matriz triangular inferior, es decir todos los elementos
arriba de la diagonal principal son iguales a cero
a11
a 21
A
a n1
0
a 22
0
0
a ii
0
a nn
Definicin: Sean A y B matrices cuadradas del mismo tamao, se dice que A y B

conmutan si: AB = BA, y anticonmutan cuando AB = - BA.
Definicin: Una matriz A de manera que A k 1 A , siendo k un nmero positivo se
le llama matriz peridica. Si k es el menor entero para el cual A k 1 A entonces a
k se le llama perodo, en el caso de que k=1 a la matriz se le llama
IDEMPOTENTE, es decir A 2 A .
Definicin: Una matriz A tal que A 0 se le llama NILPOTENTE, si p es el
p
menor entero para el cual ocurre esto, entonces a A se le llama nilpotente de

orden p.
MATRIZ INVERSA: Sean A, B dos matrices cuadradas del mismo tamao de tal
forma que: AB = BA = I, entonces se dice que B es la inversa de A o A es la
inversa de B. La inversa la denotaremos por A 1 , usando esta notacin se tiene:
AA 1 A 1 A .
19
Con la definicin anterior surgen de manera natural las siguientes preguntas, las
cuales iremos respondiendo conforme avancemos en nuestro estudio del lgebra
lineal: todas las matrices tienen inversa?, sino es as entonces que condiciones
debe tener una matriz para tener inversa, si una matriz tiene inversa o es
inversible, est ser nica?, existe algn mtodo para calcularla?
TEOREMA: Sean A, B matrices cuadradas del mismo tamao, A 1 , B 1 sus
inversas respectivamente, entonces:
AB 1 B 1 A 1
Demostracin: Tenemos que demostrar que
AB 1 AB AB AB 1 I
Tomando el lado izquierdo
AB 1 AB B 1 A 1 AB B 1 A 1 A B B 1 B I
Ahora el otro producto
AB AB 1 AB B 1 A 1 A BB 1 A 1 AA 1 I
Ambos productos son igual a la matriz identidad, por lo cual dicho teorema queda
demostrado.
TEOREMA (UNICIDAD DE LA INVERSA) Si A es una matriz inversible, entonces

su inversa es nica.
Demostracin: Supongamos que
A tiene dos inversas, sean estas B y C,
entonces debemos demostrar que B = C.
20
Como por hiptesis B es inversa de A entonces se tiene:
1.5
AB = BA = I
multiplicando la ecuacin 1.5 por la izquierda por C se tiene
CAB = CI = C
(CA) B = C
IB = C es decir B = C. Que es lo que queramos demostrar.

MATRIZ TRANSPUESTA: La matriz transpuesta de una matriz A de tamao m x n
es la matriz
A t (transpuesta de A) de tamao n x m, la cual se obtiene
permutando renglones por columnas, por ejemplo
1 2 3
A
4 5 6
a ji
1 4
A 2 5 , es decir que el elemento
3 6
t
ai j
de A, es el elemento
de la transpuesta.
De la definicin anterior se sigue de inmediato:
t
t
1) Sean A; B matrices k escalar A , B sus transpuestas. Entonces:
a)
At t
t
b) kA kA
t
2) La transpuesta de la suma de dos matrices es la suma de las transpuestas
21
A B t A t B t
3) La transpuesta de un producto es el producto de las transpuestas en orden
contrario
AB t B t A t
MATRIZ SIMETRICA: Una matriz cuadrada A tal que A A t se le llama simtrica
es decir cuando ai j a ji , y una matriz A tal que
A A t se le llama
antisimtrica., es decir ai j a ji . Es decir si A es antisimtrica entonces los

elementos de su diagonal principal deben ser ceros.
Ahora
se
tienen
los
siguientes teoremas
sobre
matrices
simtricas
antisimtricas.
TEOREMA: Si A es una matriz cuadrada de tamao n x n, entonces A A t es

simtrica.
La demostracin se deja al lector como ejercicio.

TEOREMA: Si A es una matriz cuadrada de tamao n x n, entonces A A t es
antisimtrica.
La demostracin se deja como ejercicio para el lector.
De los teoremas anteriores se desprende el siguiente teorema.

TEOREMA: Toda matriz cuadrada A se puede descomponer en la suma de una
matriz simtrica y otra antisimtrica.
22
La demostracin se deja como ejercicio para el lector.

Definicin: Si una matriz cuadrada e inversible es tal que A 1 A t , entonces A se
le llama matriz Ortogonal.
Ahora resolveremos algunos ejercicios y se proponen otros para el lector.

EJERCICIOS RESUELTOS:
1.- Demostrar que si AB = A y BA = B, entonces las matrices A y B son

idempotentes.
Demostracin: AB AB multiplicando por la derecha ambos lados por la matriz A
se tiene
ABA AB A AA A 2 aqu asociamos y usamos la primer hiptesis del

problema, ahora si asociamos de esta expresin a las dos ltimas matrices y
usamos la segunda hiptesis se tiene ABA A BA AB A comparando las dos
ultimas expresiones se llega a A 2 A , es decir A es idempotente. Para la matriz B
es un proceso similar.
2.- Demostrar
a)
A 1 1 A
1
, b) kA
1 1
A , c)
k
A p 1 A 1 p
Solucin:
a) Obviamente se supone que la matriz A es inversible, partiremos de la definicin

de inversa:
AA 1 I
1.6
23
calculando la inversa de ambos lados de 1.6
AA 1 1 I 1
aplicando del lado izquierdo de est ecuacin la inversa de un producto de
matrices se tiene
A 1 1 A 1 I
multiplicando por la derecha ambos lados por A, se tiene
1 1
A 1 A IA
entonces: A 1
A . Como se quera demostrar.
1
b) Para esta demostracin partamos nuevamente del hecho: kA kA I ,
entonces se tiene: k A k A I , como k es un escalar entones lo pasamos del

1
otro lado
A kA
1
I
k
ahora multiplicando ambos lados por la izquierda por la matriz A 1 se tiene
A 1 A kA
1 1
A I
k
llegndose al resultado, es decir
kA 1
1 1
A . Es decir la operacin de
k
inversin acta sobre escalares como si fuera un exponente real.
c) Se deja como ejercicio para el lector.
24
3.- Sean A de tamao n x m, B de m x p y C de tamao p x q, demostrar que:

A(BC)=(AB)C, es decir que el producto es asociativo.
Demostracin.
Para demostrar que el producto de matrices es asociativo, debemos probar

primero que la matriz resultante del lado izquierdo es del mismo tamao que la
matriz del lado derecho, lo cual es obvio. La segunda parte es demostrar que el
elemento ij del lado izquierdo es igual al elemento ij del lado derecho .Lo cual
procederemos a demostrar.
Sea D=BC, entonces por definicin del producto tenemos
di j bi k ck j
1.7
k 1
Entonces A(BC)=AD=F, es decir
fi j ail dl j ail bl k ck j
l 1
l 1
k 1
Es decir
m
fi j ail bl k ck j
l 1 k 1
1.8
La expresin 1.8 es el elemento ij del producto A(BC).calculemos ahora
el
correspondiente elemento del producto (AB)C.
Sea AB=E, entonces eij
a
k 1
ik
bkj , definiendo ahora el producto EC=G se tiene:
25
gi j eil cl j ai k bk l cl j
l 1
l 1 k 1
1.9
Comparando 1.8 y 1.9 notamos que estos son iguales. Por lo tanto queda
demostrada la propiedad asociativa para el producto de matrices.
26
EJERCICIOS PROPUESTOS.
1.- Sean A y B matrices cuadradas del mismo tamao, qu condiciones deben

cumplir las matrices A y B para que se cumpla:
A B 2 A 2 2 AB B 2
2.- Suponga que A es una matriz cuadrada (inversible) que satisface
A 2 3A I O . Demuestre que A 1 3I A.
3.- Demuestre: A t
A 1
4.- Demuestre que si A y B son matrices simtricas del mismo tamao, AB es

simtrica si y solo si A y B conmutan.
5.- Si A es una matriz idempotente, demostrar que tambin lo es la matriz B=I-A, y

que AB=BA=O.
1 0
6.- Sea A
, calcule a)
2 3
A 3 , b)
A 3 , c)
A2 2A I
7.- Demuestre que el determinante del sistema es cero si y solo si las rectas son
paralelas.
8.- Suponga que A y B son matrices de tamao 4 x 5 y que C, D y E son matrices
de tamaos 5 x 2, 4 x 2 y 5 x 4, respectivamente. Determine
cuales de las
siguientes expresiones matriciales estn definidas, para las que estn definidas d
el tamao de la matriz resultante.
a) BA
b) AC + D
c) AE + B
d) AB + B
e) E (A + B)
27
9.- Resuelva la siguiente ecuacin matricial para a, b, c y d

b c 8 1
ab
3d c 2a 4d 7 6
10.- Considere las siguientes matrices
3 0
A 1 2
1 1
4 1
B
0 2
1 4 2
C
3 1 5
1 5 2
D 1 0 1
3 2 4
6 1 3
E 1 1 2
3 2 4
Calcule
a) AB
b) D+E
c) D-E
d) DE
11.- Se dice que una matriz cuadrada es una matriz diagonal, si todos los
elementos que no estn en la diagonal principal son ceros. Demuestre que el
producto de matrices diagonales tambin es una matriz diagonal. Enuncie una
regla para multiplicar matrices diagonales.
12.- Sea A una matriz inversible cuya inversa es

3 4
5 6
Encuentre la matriz A
13.- Encuentre la inversa de la siguiente matriz
cos
sen
sen
cos
28
14.- Suponga que A y B son matrices de tamao 4x5 y que C, D y E son matrices
de 5x2, 4x2 y 5x4 respectivamente. Determine cuales de las siguientes
expresiones matriciales estn definidas. Para las que estn definidas, d el
tamao de la matriz resultante.
a) BA
b) AC+D
c) AE+B
d) AB+B
e) E(AC)
15.- Se dice que una matriz cuadrada es una matriz diagonal, si todos los
elementos que no estn en la diagonal principal son ceros. Demuestre que el
producto de matrices diagonales tambin es una matriz diagonal. Enuncie una
regla para multiplicar matrices diagonales.
2
16.- Sean A y B matrices cuadradas del mismo tamao, Es AB A 2 B 2 una
identidad matricial vlida? Justifique su respuesta.
17.- Sean
2 4 7
A
1 3 0
5 1 3
B
10 9 4
2 3 5
C
8 1
0
Determine:
a) A+B
b) A+C
c) A-B
d) 3A+2B
e) 4-3B+2C
18.- Sean
1 4 2
A 3 8 5
2 0 1
4
6 1
B 2 1 4
6
3 0
0 0 1
C 4 3 2
1 6 2
Hallar:
29
a) A+C
b) C+B
c) 2A+3B
d) 5A-2C
e) A-B-2C
si A es de tamao 2 x 4 y
19.- Encuentre las componentes de la matriz A a ij
aij i j
20.- Obtenga las componentes de la matriz A a ij , si A es de tamao 2 x 3,
aij 1
i j
21.- Efecte los siguientes productos de matrices:
4 1 2 0 4 6
8 7 1
2
a) 0 5
6 3 2 5 12 4
1 6 8
11 5 7
4 9 12
b)
6 0 1
16 5 0
3 11
20 5 0 1
c) 13 5
2 4 8 3
0 2
13 8 6 4 2 31
d)
4 1 1 9 1 18
22.- En los siguientes ejercicios exprese cada ecuacin matricial como un sistema
de ecuaciones lineales:
x
4 2 8 0
a)
y
3 7 12 3
z
5 1 0 x 1 5

3 6 x 2 7
b) 0
12 4 18 x 3 2
11 21 x 1 4
c)

13 15 x 2 8
x
1 8 7 2 3
y

d) 0 3 6 1 2
z
0 3 9 18 1
w
30
23.- Sea A una matriz n x n, use la ley distributiva para probar que:
a) A 2 I A I A I
b) A 3 I A I A 2 A I
c) Obtenga una frmula sencilla para A k I , donde k es un entero no negativo y

demuestre el resultado.
24.- Sean A y B matrices n x n. El producto de Jordan A*B, est dado por
A*B
1
AB BA . Determine si el producto es:
2
a) conmutativo
b) asociativo
c) distributivo.
25.- Una matriz de probabilidad es una matriz cuadrada que tiene dos
propiedades: i) cada una de sus componentes es no negativa (mayor o igual a
cero) y ii) la suma de los elementos de cada rengln es exactamente igual a uno.
Las siguientes son matrices de probabilidad
1
3
P 14
1
1
2
0
1
3
1
4
1
6
y Q 0
1
5
6
1
1
5
2
3
0
3
5
Muestre que PQ es una matriz de probabilidad.
31
1.2 Determinantes
Para poder definir a los determinantes es necesario hablar primero de las
permutaciones de un conjunto de nmeros, por ejemplo, consideremos el conjunto
1,2,3, entonces existen 3!
= 6 permutaciones de estos, a saber: 123, 132, 231,
213, 312, 321.
Ahora en una permutacin dada se dice que existe una inversin cuando un
entero precede a otro entero menor que el. Si no hay inversin en el orden natural
de estos nmeros entonces se dice que la permutacin es par. Si el nmero de
inversiones es par, entonces la permutacin se llama par, si el nmero de
inversiones es impar, entonces la permutacin es impar.
Por ejemplo
123 par
132 impar
Definimos la siguiente funcin:
j1 j 2 j 3.... jn
donde j1 j 2 j 3... jn es alguna de las n !
permutaciones del conjunto 123.n.
Entonces
1 si la permutacion es par
1 si la permutacion es impar
j1 j 2 j 3.... jn
Determinante de una matriz cuadrada. El determinante de una matriz cuadrada

de orden n es una funcin tal que a una matriz cuadrada le asigna un nmero real,
es decir: f : Anxn R cuya regla de correspondencia describiremos ahora.
Sea A una matriz cuadrada de orden n
a11 a1n
a n1 a nn
32
y un producto de n de sus elementos elegidos de manera que slo exista un

elemento de cada rengln y uno de cada columna
1.10
a1 j 1a2 j 2a3 j 3 ....anjn
En 1.10 hemos tomado por comodidad que los primeros subndices sigan su
orden natural 1,2,3,n, y la sucesin que forman los segundos subndices
j1, j2, j3, ... jn
es una de las n! permutaciones de los enteros 1,2,3, ... n por lo
tanto el producto 1.10 con su signo es
1.11
j1 j 2 j 3... jn a1 j1a 2 j 2 a 3 j 3 .... a njn
Ahora el determinante de A se define como la suma de todos los productos con su

signo que se pueden formar con los elementos de A, de manera tal que slo
aparezca un elemento de cada rengln y de cada columna, es decir
det A A j1 j 2 j 3... jn a1 j1 a 2 j 2 a 3 j 3 .... a njn

( )
La suma se extiende sobre todas las n! permutaciones
1.12
j1, j2, j3, ... jn de los
enteros 1,2,3,n.
a11
Ejemplo: A
a 21
a12
, se tienen 2! trminos 12,21 entonces la ec. 1.12 se
a 22
escribe como:
det A 12 a11 a 22 21 a12 a 21 a11 a 22 a12 a 21

Ahora daremos algunas formas de calcular el determinante de una matriz desde
un punto de vista ms prctico, estos son por ejemplo la regla de Zarrus la cual
33
slo es aplicable para matrices de tamao 2 x 2 y 3 x 3. Otro es el desarrollo del

Laplace, el cual analizaremos ahora.
Desarrollo de Laplace (o por cofactores)
Dada una matriz A de tamao n x n, estamos interesados en las submatrices A(i,j)

que se obtienen de la matriz original suprimiendo el rengln i y la columna j,
ocupadas por el elemento
a ij .
Se llama el menor del elemento
a ij
a el
determinante de la submatriz A(i,j) es decir det A(i , j ) .

El cofactor asociado al elemento a ij (que denotaremos por c ij ) se define como:
ci j 1
i j
1.13
det A i, j
Es decir el cofactor asociado al elemento ij es el producto de su menor

multiplicado por un signo
1 i j .
Entonces el valor de un determinante por el desarrollo de Laplace, con respecto al

rengln i est dado por:
n
det A ai1ci1 ai 2 ci 2 ... ai n ci n ai k ci k

k 1
1.14
Este desarrollo se puede realizar con respecto a cualquier rengln o columna del
determinante, generalmente se recomienda hacerlo con respecto al rengln o la
columna que contenga la mayor cantidad de ceros.
Ahora daremos un conjunto de propiedades que tienen los determinantes y que

indiscutiblemente facilitarn el clculo de estos.
34
PROPIEDADES:
1.- Si todos los elementos de un rengln o columna son iguales a cero, entonces
det A = 0.
2.- Si A es una matriz y A t su transpuesta, entonces det A det A t , es decir que
para todo teorema relativo a renglones existe uno similar para columnas.
3.- Si todos los elementos de un rengln (o columna) de una matriz estn

multiplicados por un escalar k, entonces el determinante de esta matriz ser igual
al producto del escalar por el determinante de A, es decir:
ka11 ka12 ka1n

a21 a22 a2n
k
an1 an 2 ann
a11 a12 a1n

a21 a22 a2n
an1 an 2 ann
4.- Si B se obtiene de A permutando dos renglones o columnas cualesquiera

entonces
det B = - det A
5.- Si B se obtiene de A trasladando uno de sus renglones p lugares entonces:
det B 1 det A
p
6.- Si A tiene dos renglones iguales (o proporcionales) entonces el determinante

es igual a cero.
7.- Si B se obtiene de A sumando a los elementos de un rengln (columna) los

correspondientes de otro rengln multiplicados por un escalar entonces det B =
det A. Es decir el valor de un determinante no cambia si se aplican las siguientes
operaciones elementales por rengln o columna
35
Ri Ri kR j
Ci Ci kC j
8.- El determinante de un producto de matrices es igual al producto de los

determinantes:
det( AB )=det A det B.
9.- El determinante de una matriz triangular superior o inferior es igual al producto

de los elementos de la diagonal principal
a11
a 21
a 31
a 41
0
a 22
a 32
a 42
0
0
a 33
a 43
0
0
a11 a 22 a 33 a 44
0
a 44
CALCULO DE LA MATRIZ INVERSA
Anteriormente se dijo que una matriz es inversible si slo si el determinante de

est es distinto de cero, tambin se mencion que cuando exista entonces era
nica pero no se dio ningn mtodo para calcularla. Ahora estamos en posibilidad
de dar un mtodo bastante general para calcular la inversa de una matriz
cuadrada de cualquier orden. Para esto daremos un par de definiciones
previamente.
Definicin. Sea A una matriz cuadrada de orden n. La matriz cofactor de A (cof A)
es una matriz de orden n cuyas componentes son los cofactores
elemento
c ij
asociado al
ai j , es decir
36
c11
c 21
cof A
c n1
c12
c 22
cn2
c1n
c2n

c nn
Definicin. La matriz adjunta (adj A) de una matriz cuadrada A es la transpuesta

de la matriz cofactor de A esto es
adjA cof A
Teorema: Una matriz cuadrada de orden n x n tiene inversa si y slo si su

determinante es distinto de cero y adems su inversa esta dada por:
A 1
adj A
det A
EJERCICIOS
1 3
1.- Sea A
, calcular det( 2 A )
5 7
2.-
Demostrar
que
si
es
una
matriz
cuadrada
de
n,
entonces: det( A) n det A
1 2 3
3.- Sea A 4 5 6 . Determinar para esta matriz
7 8 9
a) los menores asociados a los elementos 5, 6, 7

b) los cofactores asociados a los elementos 5, 6, 7.
37
4.- Calcular el valor de los siguientes determinantes
1 3 1
a) 2 1 1
1 0 1
b)
1 1 1 1
2 0 1 1
1 1 0 0
1 1 1 1
c)
1
0
1
2
1
2 3 1 2
1 2
4
1
0 1 3 2
0 1
0
1
1 1 2
2
5.- Si A es una matriz n x n con n impar tal que aij a ji probar que detA = 0.
6.- Usando el desarrollo de Laplace, calcule el valor de los siguientes

determinantes:
a)
2 3
4 7
3 8 0
e) 2 1 5
1 3 0
b)
3 4
0 6
1 1 1
f) 3 4 2
0 5 0
c)
5 2
8 1
4 1 1
g) 2 6 9
2 7 10
d)
1 1
4 8
2 1
3
5
h) 1 2
0 1 3
7.- Obtenga el valor de los siguientes determinantes usando las propiedades

mencionadas anteriormente:
1 0 0
a) 0 2 0
0 0 4
5 0 0
b) 0 0 0
0 0 12
1 4 8
c) 0 12 3
0 0 6
1
1
1
1
d) 1 1 x
1
1
1 y
8.- En los siguientes ejercicios encuentre la matriz adjunta de las matrices dadas:
1 3
a)
1 6
0 2
b)
4 8
4 6
c)
2 7
1 5
d)
0 3
38
1 3 7
e) 4 9 2
0 5 0
0 1 0
f) 11 1 1
8 4 2
1 3 1
g) 4 0 1
0 1 1
9.- En los siguientes ejercicios calcule el determinante suponiendo que:
a11
a 21
a 31
a 31
a) a 21
a11
a 32
a 22
a12
3a11
d) 2a 21
5a 31
a 33
a 23
a13
3a12
2a 22
5a 32
a 31
b) a11
a 21
3a13
2a 23
5a 33
a12
a 22
a 32
a 32
a12
a 22
a13
a 23 8
a 33
a 33
a13
a 23
2a11 3a 21
a 31
e)
a 21
a11
c) 2a 21
a 31
2a12 3a 22
a 32
a 22
a12
2a 22
a 32
a13
2a 23
a 33
2a13 3a 23
a 33
a 23
10.- Demostrar que si es un nmero real y A es una matriz de tamao n x n ,

entonces: det A det A .
n
11.- Demuestre que:
1 x1
x2
x1
1 x2
x1
x2
x1
x2
x3
x3
1 x3
x3
xn
xn
x n 1 x1 x 2 x n
1 xn
39
12.- Una matriz es antisimtrica si A t A . Si A es una matriz antisimtrica de n x

n, demuestre que: det A 1 det A .
n
13.- Empleando el resultado anterior, demuestre que si A es una matriz

antisimtrica de tamao n x n y n es impar, entonces det A = 0.
14.- Una matriz A es ortogonal si A es inversible y si A 1 A t . Demuestre que si A
es ortogonal, entonces det A = 1 .
15.- Calcule el siguiente determinante:
n
n 2 n 4
n1 n 3 n5
n 6 n 8 n 10
16.- Aplique la reduccin en los renglones y/o columnas para demostrar que:
1
a
a2
1
b
b2
1
c b a c a c b
c2
A este determinante se le conoce como el determinante de Vandermonde.
17.- Suponga que: det A =5, donde A es de tamao 3 x 3, encuentre:
a) det 3A
1
b) det 2 A
c) det 2A
18.- Aplique la regla de Cramer para despejar a x y y en trminos de x y y
40
x x ' cos y ' sen

y x ' sen y ' cos
41
1.3 Sistemas de ecuaciones lineales

Ahora aprenderemos a resolver sistemas de ecuaciones lineales, pero primero
definiremos algunos conceptos.
Ecuacin Lineal. Una ecuacin lineal de n variables tiene la siguiente forma:
a11 x1 a12 x 2 a13 x 3 a1n x n b1
En donde consideraremos que los coeficientes ai j son nmeros reales.
Resolver una ecuacin lineal, significa encontrar el o los valores de las variables
x i de tal forma que al sustituirlos en la ecuacin se obtiene una identidad.

Sistema de lineal de ecuaciones. Un sistema lineal de m ecuaciones y n
incgnitas tiene la forma:
a11 x1 a12 x 2 a13 x 3 a1n x n b1

a x a x a x a x b
21 1
22 2
23 3
2n n
2

a m1 x1 a m2 x 2 a m3 x 3 a mn x n bm
1.15
Resolver el sistema 1.15 , significa encontrar el o los valores de las incgnitas tal
que al sustituir en cada una de las ecuaciones se obtiene una identidad. Como se
menciono en el captulo 1, un sistema de ecuaciones tiene las siguientes
alternativas de solucin: nica, infinidad y ninguna, es decir.
42
Solucin nica
Consistente
Sistema de ecuaciones
lineales
Infinidad soluciones
No tiene solucin
Inconsistente
El problema que queremos resolver ahora es como saber que tipo de solucin
tiene un sistema de ecuaciones, desde el punto de vista algebraico?
La respuesta la buscaremos en la filosofa que seguimos en los mtodos

tradicionales para resolver sistemas de dos ecuaciones con dos incgnitas vistos
desde la secundaria, por ejemplo en el mtodo de suma o resta la idea es
multiplicar por escalares adecuados las ecuaciones de forma tal que al sumarlas
se elimine una de las incgnitas, para dejarnos un subsistema que tenga una
ecuacin con una sola incgnita y despus sustituir este valor en cualquiera de las
ecuaciones originales para obtener el valor de la otra incgnita. El mtodo de
sustitucin tiene el mismo objetivo, es decir reducir el sistema original a uno que
tenga menos ecuaciones y menos incgnitas. El de igualacin sigue el mismo fin.
Por lo tanto nosotros asumiremos este mismo concepto, es decir dado el sistema
original de ecuaciones trataremos de cambiarlo por un subsistema que tenga
menos ecuaciones y menos incgnitas y continuar con el proceso hasta obtener
uno que contenga una ecuacin y una sola incgnita. La forma en que llevaremos
tal proceso se basar fundamentalmente en el mtodo de suma o resta, es decir
aplicar una serie de operaciones tales que al aplicarlas en el sistema no alteren la
solucin de este, a estas operaciones les llamaremos operaciones elementales
por rengln. Antes de sistematizar tal mtodo definiremos algunos conceptos que
emplearemos de aqu.
43
Matriz de coeficientes del sistema. Dado un sistema de ecuaciones, se llama

matriz de coeficientes del sistema a la matriz que se construye exclusivamente
con los coeficientes de las variables ubicadas estas por columnas, por ejemplo:
a11 x1 a12 x2 a13 x3 b1

a21 x1 a22 x2 a23 x3 b2
a31 x1 a32 x2 a33 x3 b3
La matriz de coeficientes es:
a11 a12
a21 a22
a31 a32
a13
a23
a33
Matriz aumentada asociada al sistema.
a11 a12
a21 a22
a31 a32
a13 b1
a23 b2
a33 b1
Matriz escalonada reducida. Se dice que una matriz se encuentra en su forma

escalonada reducida si se cumplen las siguientes condiciones:
1) Si un rengln consta exclusivamente ceros este aparece en la parte inferior de

la matriz.
2) La primer cantidad distinta de cero en cada rengln es uno.
3) El primer uno del rengln inferior se encuentra ms hacia la derecha del primer
uno del rengln superior.
44
4) En la columna donde se encuentra el primer uno de ese rengln tiene ceros en

las dems posiciones.
Nota. Si una matriz cumple con las tres primeras condiciones se dice que se
encuentra en su forma escalonada y cuando cumple con las cuatro se dice
entonces que se encuentra en su forma escalonada reducida.
Las siguientes matrices se encuentran en su forma escalonada
1 1 1 2
0 0 1 3
0 0 0 1
1 2 3
0 1 6
0 0 1
1 2 5 7
0 1 4 1
0 0 0 1
El algoritmo que seguiremos para resolver un sistema de ecuaciones tomando el

comentario anterior es el siguiente:
Matriz forma
escalonada
Sistema de
ecuaciones
Mtodo de
Gauss
Matriz
aumentada
Matriz forma
escalonada
reducida
Mtodo de
GaussJordan
Operaciones elementales por rengln:

1.- Ri pRi kRj
2.- Ri Rj
45
Es decir dado un sistema de ecuaciones como siguiente paso escribimos la matriz

aumentada asociada al sistema y esta se lleva a la forma escalonada o
escalonada reducida a travs de las operaciones elementales por rengln (las
cuales no cambian la solucin del sistema). Cuando la matriz se lleva a su forma
escalonada se dice que se empleo el mtodo de Gauss o eliminacin Gaussiana,
y cuando la matriz se lleva a su forma escalonada reducida entonces se empleo el
mtodo de Gauss-Jordan.
Una vez que la matriz se encuentra en su forma escalonada o escalonada
reducida, entonces se podr ver el tipo de solucin que tiene el sistema, para ello
daremos algunos ejemplos y analizaremos la estructura de la matriz.
Resolver el siguiente sistema de ecuaciones:
x1 x2 x3 8
6x1 5x2 3x3 5

7 x 6x 4 x 63
2
3
1
La matriz aumentada asociada al sistema:
1 1 1 8
R R 6R
2
1
6 5 3 5 2
R R3 7R1
7 6 4 63 3
R3 R3 R2
1 1 1 8
3 43
0 1
3
7
0 1
1 1 1 8
3 43
0 1
0
50
0 0
Del ltimo rengln podemos observar una inconsistencia es decir 0= 50. Por lo
tanto cuando en la matriz en su forma escalonada se presente una situacin
similar es decir del lado izquierdo de la lnea vertical ceros y del lado derecho
46
cualquier cantidad distinta de cero, esto nos indicar que el sistema no tiene
solucin.
Resolver el siguiente sistema de ecuaciones lineales
x1 5x2 3x3 11
7 x1 29 x2 283 21
8x 42 x 20x 134
2
3
1
Aplicando el mtodo de Gauss, se tiene:
1 5 3 11
7 29 28 21
8 42 20 134
1 5 3 11
0 6 7 98
2 23
0 1
R2 R2 7R1
R3 R3 8R1
R3 R2 6R3
1 5 3 11
0 6 7 98
4 46
0 2
R3
R3
2
1 5 3 11
98
0 6 7
0 0 19 236
De la ltima matriz observamos que el nmero de ecuaciones es igual al nmero

de incgnitas, entonces cuando una matriz en su forma escalonada el nmero de
incgnitas (columnas) sea igual al nmero de ecuaciones (renglones) entonces el
sistema tendr solucin nica. Para obtener esta habr que despejar de la ltima
ecuacin a x3 y sustituir este valor en la ecuacin anterior y de all despejar a x2 ,
estos dos valores se sustituyen en la ecuacin anterior y se despeja por ltimo a
x1 . Es decir:
19 x3 236
x3
236
19
De la segunda ecuacin
47
236
98 7
19
236
6 x2 7 x3 98 6 x2 7
98 x2
19
6
De la primer ecuacin
x1 5 x 2 3 x 3 11 x1 11 3 x 3 5 x 2
236
98 7
19
236
x1 11 3
5
6
19
Ahora resolvamos el siguiente sistema de ecuaciones
3x1 2 x2 x3 4
6x1 4 x2 2 x3 8
15x 10x 5x 20
1
2
3
Aplicando el mtodo de Gauss, tenemos:
3
3 2 1 4
2
1
4
R2 R2 2R1
4
2
8
6
0 0 0 0
R3 R3 5R1
15 10 5 20
0 0 0 0
La matriz se encuentra en su forma escalonada, aqu podemos ver una

caracterstica importante, a saber, el nmero de incgnitas es mayor que el
nmero de ecuaciones, por lo tanto el sistema es incapaz de dar valor a todas las
variables y se tiene entonces que el sistema de ecuaciones tiene una infinidad de
soluciones. Para obtener la solucin general procederemos de la siguiente
manera: Primero identificaremos dos tipos de variables, a la primer cantidad
distinta de cero en cada rengln se le llama variable principal y el resto de estas
48
se les llama variables libres, el nmero de variables libres que tiene un sistema
de ecuaciones con infinidad de soluciones es;
N variables libres = N incgnitas -N ecuaciones
Para este sistema la variable principal es x1 y las variables libres son x2, x3. La
solucin general consiste en expresar la(s) variable(s) principales en trminos de
la(s) variable(s) libres.
3x1 2 x2 x3 4
x1
2 x2 x3 4
3
Por lo tanto la solucin general es:
x1
x2
x3
2x2 x3 4
3
libre
libre
Otra forma de escribir la solucin general es:
2x 2 x 3 4
x1

3
2x 2 x 3 4

S x 2 x1
x2

3
x

x3
3

49
Sistema Homogneo de ecuaciones Lineales.

Este sistema esta definido de la siguiente manera
a11 x1 a12 x2 a13 x3 a1n xn 0

a x a x a x a x 0
21 1 22 2
23 3
2n n
am1 x1 am2 x2 am3 x3 amn xn 0

La manera de resolver este tipo de sistemas es anloga a la estudiada
anteriormente, salvo que estos tienen una peculiaridad distintiva y es que siempre
tienen solucin, es decir un sistema homogneo siempre es consistente, por lo
tanto solo hay que distinguir si estos tienen solucin nica o infinidad de
soluciones. Podemos observar que:
x1 x2 x3 xn 0
Es una solucin del sistema, a esta se le llama la solucin nula o trivial ( cero ), por
lo tanto lo nico que tenemos que distinguir es si un sistema tiene solucin nica
en cuyo caso ser la trivial o infinidad de soluciones en tal caso tendr como
solucin a la trivial ms soluciones distintas a la trivial.
nica
Trivial
Sistema
Homogneo
Infinidad de
Soluciones
Trivial + distintas a la
trivial
50
Regla de Cramer.
Ahora analizaremos otra forma de resolver sistemas de ecuaciones lineales,
usando fundamentalmente determinantes y aunque el proceso es simple veremos
que es muy restrictivo. A este mtodo se le llama la Regla de Cramer.
Sea el siguiente sistema de ecuaciones lineales:
a11 x1 a12 x2 a13 x3 b1

a21 x1 a22 x2 a23 x3 b2
a31 x1 a32 x2 a33 x3 b3
1.16
Definimos el determinante del sistema como sigue
a11 a12
a21 a22
a31 a32
a13
a23
a33
El valor de x1 esta dado de la siguiente manera
x1
b1
b2
b3
a12
a22
a32
a13
a23
a33
Es decir el valor de x1 es el cociente de dos determinantes, el determinante del

numerador se obtiene del determinante del sistema sustituyendo la columna de los
coeficientes de la variable a calcular por la de trminos independientes y el
determinante del denominador es el determinante del sistema. Para calcular el
valor de las otras variables el proceso es similar, es decir para x2 el determinante
del numerador se obtiene del determinante del sistema sustituyendo la columna de
51
los coeficientes de esta variable por la de trminos independientes y el

determinante del denominador es el determinante del sistema.
a111 b1
a21 b2
a31 b3
x2
a13
a23
a33
a111 a12 b1
a21 a22 b2
a31 a32 b3
x3
Podemos observar ahora las limitaciones de la regla de Cramer; est es aplicable

slo a sistemas cuadrados es decir cuando el nmero de incgnitas es igual al
nmero de ecuaciones. Es ms con solucin nica, que es el caso en que el
determinante es diferente de cero. Cuando el determinante es cero, la regla de
Cramer no proporciona informacin. Est regla no distingue si el sistema tiene
infinidad de soluciones o no tiene ninguna solucin. Pero a nosotros nos interesa
saber con precisin el tipo de solucin que tiene.
Mtodo de Gauss-Jordan para calcular la matriz inversa.

Ahora estudiaremos un mtodo para calcular la inversa de una matriz, usando en
el mtodo de Gauss-Jordan.
x
1 2
Sea A
, ahora busquemos una matriz
z
3 4
y
tal que
w
1 2 x y 1 0
3 4 z w 0 1
calculando el producto de matrices tenemos
52
x 2z y 2w 1 0

Al igualar estas matrices tenemos
3x 4z 3y 4w 0 1
x 2z 1
3x 4 z 0
y 2w 0
3 y 4 w 1
Ahora, antes de resolver este sistema de cuatro ecuaciones con cuatro incgnitas,
observamos un situacin muy especial que es la que este sistema esta
desacoplado es decir lo podemos separar en dos sistemas, y resolverlos
independientemente
x 2z 1
3x 4 z 0
1.17
y 2w 0
3y 4 w 1
1.18
Empleando el mtodo de Gauss-Jordan para resolver ambos sistemas, se tiene.

Para el sistema 1.17 , tenemos
1
1 2 1
1 2
R2 R2 3R1
3 4 0
0 2 3
Para el sistema 1.18 , tenemos
1
1 2 0
1 2
R2 R2 3R1
3 4 1
0 2 3
De las matrices anteriores para ambos sistemas observamos que ambos tienen
exactamente la misma matriz de coeficientes y adems esta es igual a la matriz a
la que queremos calcular la inversa. De este comentario por lo tanto para llevar
53
estas matrices a la forma escalonada reducida el proceso ser el mismo, entonces

ambos sistemas los podemos escribir de la siguiente manera
1 2 1 0
3 4 0 1
Donde la primer columna del lado derecho de la lnea vertical representa al

sistema 1.17 y la segunda columna al sistema 1.18
Resolviendo este nuevo supersistema tenemos;
1 0
1 2 1 0
1 2
1 0 2 1
R2 R2 3R1
R1 R1 R2
3 4 0 1
0 2 3 1
0 2 3 1
R2
R2 1 0 2 1
3
1

2 0 1
2
2
Por lo tanto, la matriz dada tiene inversa y est es la matriz qu aparece a la

derecha de la lnea vertical.
Resumiendo: para calcular la inversa de una matriz formemos una matriz tal que la
matriz del lado izquierdo de la lnea vertical es la matriz a la que se le calcular la
inversa y del lado derecho de esa lnea vertical se colocar la matriz identidad, y si
es posible que la matriz del lado izquierdo se lleve a la matriz identidad a travs de
las operaciones elementales por rengln entonces la matriz que aparece del lado
derecho es la matriz inversa, y si no es posible obtener la matriz identidad del lado
izquierdo, entonces esto indica que la matriz dada no tiene inversa.
54
Operaciones elementales por

rengln
EJERCICIOS PROPUESTOS
1.- Determine si las siguientes matrices estn en su forma escalonada, escalonada
reducida o ninguna de ellas.
1 4 3
a) 0 0 1
0 1 3
1
0
d)
0
0
1
0
0
0
0
1
0
1 2 5 7
b) 0 1 4 1
0 0 0 1
0
0
0
1
2
3
5
4
2
3
12 1 0 4
c) 0 1 0 0
0 0 0 1
2.- Resolver los siguientes sistemas lineales de ecuaciones por eliminacin

gaussiana o por el mtodo de Gauss-Jordan.
x 1 2x 2 1
a) 3x 1 5x 2 30
5x x 28
2
1
6x 1 5x 2 3x 3 5
b) x 1 x 2 x 3 8
7x 6x 4x 63
2
3
1
55
7x 1 29x 2 28x 3 21
c) 8x 1 42x 2 20x 3 134

x 5x 3x 11
1
2
3
x 1 7x 2 4x 3 33
d) 6x 1 46x 2 4x 3 86
9x 74x 16x 7
2
3
1
2x 1 6x 2 2x 3 10
e) 2x 1 5x 2 6x 3 8
14x 2x 30x 62
2
3
1
4x 1 12x 2 8x 3 4
f) x 1 10x 3 14
6x 18x 12x 6
2
3
1
6x 2 18x 3 24
g) x 1 2x 2 3x 3 6
2x 3x 9x 8
2
3
1
3x 1 9x 2 6x 3 15
h) 6x 1 11x 2 5x 3 86
3x 5x 8x 127
1
2
3
8x 1 3x 2 5x 3 1
i) 24x 1 9x 2 15x 3 3
40x 15x 25x 5
1
2
3
3x 1 2x 2 x 3 4
j) 6x 1 4x 2 2x 3 8
15x 10x 5x 20
1
2
3
x 1 3x 2 5x 3 1
k) 2x 1 10x 2 40x 3 4
4x 7x 41x 31
1
2
3
3x 1 3x 2 12x 3 3x 4 6
3x 2x 12x 8x 4
1
2
3
4
m)
x 1 4x 3 2x 4 10
9x 1 4x 2 36x 3 14x 4 58
x 1 4x 2 x 3 3x 4 10
2x 2x 14x 44
1
2
3
l)
x 1 8x 2 4x 3 8x 4 3
5x 1 17x 2 5x 3 13x 4 44
x 1 2x 2 3x 3 4x 4 1
4x 10x 6x 28x 2
1
2
3
4
n)
3x 1 3x 2 20x 3 4x 4 8
x 1 x 2 7x 3 3x 4 3
3.- Encuentre los valores de a tales que el sistema de ecuaciones
56
x 1 3x 2 x 3 1
2x 1 x 2 x 3 1
5x 1 8x 2 a 2 2 x 3 a
Tenga:
a.- infinidad de soluciones

b.- ninguna solucin
c.- exactamente una solucin
4.- Demuestre que el sistema de ecuaciones lineales
3x 1 2x 2 4x 3 a
4x 1 x 2 x 3 b
7x 1 12x 2 22x 3 c
Tiene una infinidad de soluciones si c = 5a +2b

5.- Determine para que valores de a el sistema
3x ay 0
a 2 x 5y 0
Tiene:
a.- solucin nica
b.- infinidad de soluciones
6.- Demuestre que el sistema homogneo de ecuaciones lineales
ax by 0
cx d y 0
Tiene un nmero infinito de soluciones si y slo si ad bc = 0
57
7.- Es consistente todo sistema homogneo de ecuaciones?. Explique.
8.- Demuestre que el sistema de ecuaciones lineales
x 1 2x 2 3x 3 a
2x 1 x 2 x 3 b
2x 1 4x 2 6x 3 2 a 2
Es inconsistente sin importar los valores de a o b.
9.- Para que valores de a el siguiente sistema no tiene solucin, tiene

exactamente una solucin, tiene infinidad de soluciones?
x 2 y 3z 4
3x y 5z 2
4x y a 2 14 z a 2
58
CAPITULO 2. ESPACIOS VECTORIALES

2.1 Vectores en dos y tres dimensiones
En fsica se manejan dos tipos de cantidades, a saber: las cantidades fsicas
escalares y las vectoriales. Las primeras se definen como aquellas que para estar
perfectamente especificadas necesitan de un solo nmero, ejemplos; masa,
distancia, rea, la temperatura, etc, Las segundas son aquellas que necesitan tres
parmetros para estar completamente especificadas es decir; magnitud, direccin
y sentido, ejemplos: la fuerza, el peso, la aceleracin, el desplazamiento, etc.
Bajo este contexto si nos dan la magnitud, la direccin y el sentido, el vector est
completamente definido, cuando se dan estos parmetros se dice que el vector
est expresado en coordenadas polares.
Polo
Eje Polar
Sin embargo est forma de dar un vector no es la ms adecuada, sobre todo

cuando tratamos con vectores fuera del plano. Un vector puede trabajarse ms
fcilmente y sobre todo puede generalizarse si ste se da en trminos de sus
coordenadas cartesianas, es decir: v x1 , x2 la pareja ordenada nos representa

un punto del plano, pero si tomamos la convencin que este representa el punto
final del vector, cuyo punto inicial est en el origen, su direccin es el ngulo que
forma este segmento con la parte positiva del eje de las x y en sentido contrario
a las manecillas del reloj, el sentido va del origen hacia el punto final del vector.
59
Entonces con esta convencin cualquier punto del plano nos representa un vector.
V X 1, X 2
x2
x1
Las ecuaciones de transformacin para pasar un vector de coordenadas
cartesianas a polares y viceversa, son las siguientes:
Sea v x1 , x2 , la magnitud o norma del vector, esta dado por el teorema de

Pitgoras
x2
x1
v x12 x22
tan1
Que se conocen como las ecuaciones de transformacin de coordenadas

cartesianas a polares.
Si se conocen la norma y la direccin del vector, entonces sus coordenadas

cartesianas son:
x v cos
y v sen
Ahora para vectores de tres componentes; la magnitud del vector v x0 , y0 , z0
se obtiene generalizando el teorema de Pitgoras a tres dimensiones
v x02 y02 z02
60
pero la direccin de este vector esta especificada por los ngulos que forma ste
con los ejes coordenados (con la parte positiva), y que se denotan por , , . La
forma de calcularlos es a travs de los cosenos directores
x
cos 0
v
y
cos 0
v
z
cos 0
v
y la relacin que guardan entre si es:
cos2 cos2 cos2 1

Vector unitario. Se define a un vector unitario como aquel cuya norma es uno, es
decir v 1.
Si queremos construir un vector unitario con la misma direccin del

basta dividir a ste por su norma
u , entonces
u
u
u
Se tienen algunos vectores unitarios importantes, por ejemplo

i 1,0
j 0,1
Con el empleo de estos, podemos representar a cualquier vector u u1 , u2 de la

siguiente forma
u u1 , u2 u1 i u2 j
Para R 3 los vectores unitarios cartesianos son: i 1,0,0,
j 0,1,0, k 0,0,1 y
de manera similar un vector en este espacio se puede representar como:
61

u u1 , u2 , u3 u1i u2 j u3k
en trminos generales para un espacio vectorial cartesiano de n componentes se

tienen los siguientes vectores unitarios:
e1 1,0,0 ,0
e2 0,1,0.0
en 0,0 ,0,1
Las operaciones que trataremos con vectores son; suma y producto por un
escalar, cuyas definiciones estn dadas por:
u1,u 2 ,,u n v 1,v 2 ,,v n u1 v 1,u 2 v 2 ,,u n v n

k u1, u 2 ,,u n ku1, ku2 ,, kun
Si los vectores son de dos componentes entonces la
suma y la resta puede
desarrollarse geomtricamente, a travs del mtodo conocido como del

paralelogramo o del tringulo

uv
62
Trasladamos paralelamente un vector hasta que su origen coincida con el extremo

final del otro y cerramos el tringulo, la magnitud del vector suma es la longitud de
este segmento y la direccin es el ngulo que forma este con la parte positiva del
eje de las x medido en sentido contrario a las manecillas del reloj.
Otra operacin importante entre vectores es el producto interno, definido de la

siguiente manera:
Sean u u1 , u2 , , un , v v1 , v2 , , vn , entonces:

u v u1 v1 u2 v 2 un v n ui v i
i 1
Este producto no esta restringido a que los vectores tengan que ser diferentes, es
decir se puede efectuar este producto de un vector consigo mismo

u u u12 u22 un2
pero el lado derecho de est expresin es la norma del vector al cuadrado, es
decir

u u u

u u u
relacin muy importante, porque el producto interno induce una norma (distancia)
en un espacio vectorial, sin la cual no podramos efectuar mediciones y es
precisamente el concepto de distancia la que nos permite obtener una gran
riqueza de resultados de un espacio vectorial.
De la ltima expresin se obtiene:
63

u u 0,

y u u 0 si y solo si

u0
Adems de cumplir con las siguientes propiedades:

u v v u

2) u v w u v u w
1)
ngulo entre vectores
Usando el producto interno y el concepto de norma calcularemos el ngulo entre

dos vectores.

Teorema. Sean u y v dos vectores distintos de cero. Si es el ngulo entre ellos,
entonces

u v
cos
u v
Demostracin

vu
64
Empleando la ley de los cosenos:
2
2 2

v u v u 2 v u cos
2.1
Pero
2

v u v u v u

v v 2u v u u
2

v 2u v u
2.2
Igualando las ecuaciones 2.1 y 2.2 , se concluye

u v
cos
u v
Usando el teorema anterior, dos vectores son paralelos si el ngulo entre ellos es
de 0 o radianes, y por otro lado dos vectores distintos de cero son ortogonales

si y slo si u v 0 .
Otro producto importante entre vectores es el producto vectorial o cruz (producto

externo).
Sean u u1 , u2 , , un , v v1 , v2 , , vn
entonces dicho producto se define
como:
i j

u x v u1 u2
v1 v2
k
u3
v3
65
Empleando las propiedades de los determinantes, observamos directamente que

ste producto es anticomnutativo es decir;

u x v v x u
Es necesario comentar que la geometra puede desarrollarse desde un punto de
vista vectorial (adems de tener innumerables aplicaciones en otras disciplinas).
Por ejemplo, queremos encontrar la ecuacin de la recta que pasa por los puntos
P x1 , y1 y Q x2 , y2 en forma vectorial.
P x1 , y1
R x , y
Q x2 , y2
O
De la figura anterior se observa que el vector PQ esta contenido en la recta
PQ OQ OP
2.3
Sean R x , y un punto genrico de la recta, entonces el vector PR est contenido
en est, por lo tanto, el vector PR es un mltiplo del vector PQ , esto es
PR t PQ
2.4
66
pero tambin de la figura notamos que
PR OR OP
2.5
Sustituyendo la ecuacin 2.5 en 2.4 se tiene
OR OP t PQ
Entonces
OR t PQ OP
2.6
Sustituyendo 2.6 en 2.3
OR t OQ OP OP
Entonces
OR t OQ 1 t OP
2.7
Qu es la ecuacin de la recta en forma vectorial. Al variar t (parmetro)

recorremos todos los puntos de la recta.
67
EJERCICIOS PROPUESTOS:
En los siguientes problemas calcular el producto escalar de los vectores dados y el

ngulo que forman:
1.- u i j , v i j
2.- u 2 i 5 j , v 5 i 2 j
3.- u 3 i 4 j , v 2 i 7 j
4.- u 4 i 5 j , v 5 i 4 j
5.- Muestre que si y son nmeros reales cualesquiera, los vectores
u i j y v i j , son ortogonales.
6.- Sean u 3 i 4 j y v i j . Determine tal que:

a) u y v sean ortogonales.

b) u y v tengan un ngulo de
rad
4

c) u y v sean paralelos

d) u y v tengan un ngulo de
rad.
3
7.- Muestre que el vector v a i b j es ortogonal a la recta ax+by+c=0.
8.- Muestre que el vector u b i a j es paralelo a la recta ax+by+c=0
9.- Los vrtices de un tringulo son (1,3), (4,2) y (-3,6). Halle el valor de sus
ngulos interiores.
10.- Calcule la magnitud y los cosenos directores de los siguientes vectores:
a.- v i j k
d.- v 3 i 3 j 8 k
b.- v i j k
c.- v 2 i 5 j 7 k
e.- v 2 i 3 j 4 k
68

11.- Sean P=(2,1,4) y Q=(3,-2,8). Halle un vector unitario con la direccin PQ .
12.- Sean P=(-3,1,7) y Q=(8,1,7). Halle un vector unitario cuya direccin sea
opuesta a la de PQ .
13.- Demuestre que el tringulo con vrtices P(4,1,5), Q(1,0,-3) y R(3,2,-4) es un

tringulo rectngulo.
2.2 Espacios Vectoriales

Definicin. Un espacio vectorial (o lineal) consta de lo siguiente:
1.- un cuerpo de escalares

2.- un conjunto no vaco V de objetos llamados vectores
3.- un par de operaciones una llamada adicin de vectores y la otra llamada
producto por un escalar de tal forma que se satisfacen los siguientes axiomas.

a) Sean a ,b V , entonces a b V . Propiedad de la cerradura

b) a b b a
Propiedad conmutativa
c) a b c a b c .
Propiedad asociativa
d) Existe un nico vector 0 V , llamado vector nulo tal que

a 0 0 a a , a V

e) a V a V tal que: a a 0 , existe el inverso aditivo
f) Sea c R , entonces a V ; ca V
Propiedad de la cerradura

g) 1a a , a V
h) c1 , c2 R, c1c2 a c1 c2 a .
i) c a b ca cb
j)
c c a c a c a
1
Propiedad asociativa
Propiedad distributiva
Propiedad distributiva
69
Entonces dado un conjunto de objetos cualesquiera no necesariamente los

vectores tradicionales (segmentos dirigidos), por ejemplo pudieran ser polinomios,
matrices, funciones, etc., con dos operaciones definidas (adicin y producto por un
escalar) si estos cumplen con los axiomas mencionados, entonces a tal conjunto
se le llama espacio vectorial. Tambin cabe aclarar que las operaciones no tienen
porque ser las usuales, estas pueden ser definidas de cualquier forma, cuando no
se diga lo contrario supondremos que se trata de las operaciones usuales para tal
caso.
Mencionaremos algunos ejemplos de espacios vectoriales:
Sea el conjunto de vectores del plano con las operaciones usuales de suma y
producto por un escalar, es decir:
x1 , y1 x2 , y2 x1 x2 , y1 y2
k x1 , y1 kx1 , ky1
Es fcil demostrar que ste conjunto es un espacio vectorial. Esto puede

extenderse a vectores en
Rn ,
bajo las operaciones usuales de suma y producto
por un escalar.
De manera similar para el conjunto de matrices de tamao n x m, con las

operaciones usuales forman un espacio vectorial.
Sea V 0 con la suma y producto por un escalar usuales, es fcil demostrar que
este es un espacio vectorial, al cual se le llama el espacio vectorial trivial o nulo.
Sea V
x, y y mx, donde m es fijo, x R , este conjunto consiste de todos los
puntos que estn sobre la recta y mx , que pasa por el origen y tiene pendiente
m.
70
Demostraremos que V forma un espacio vectorial.

Propiedad de la cerradura: Sean x1 , y1, x2 , y2 V , entonces demostraremos que
la suma pertenece a V.
x , y x , y x , mx x , mx x x , mx mx x x , mx x
1
Este ltimo tiene la forma de los vectores que pertenecen a V, Por lo

tanto x1 x2 , m x1 x2 V , se cumple la propiedad de la cerradura bajo la suma.
Se demuestra trivialmente la propiedad conmutativa, asociativa y la existencia del
cero. As mismo las propiedades restantes, lo cual se deja al lector completar la
demostracin. Entonces se observa que el conjunto de puntos del plano que
quedan sobre la recta que pasa por el origen constituyen un espacio vectorial.
Si la recta no pasa por el origen, este conjunto de puntos forman un espacio

vectorial?
La respuesta es no. Porque el conjunto no contiene al vector nulo.
Por ejemplo demostrar que el siguiente conjunto no es un espacio vectorial
Sea V
x, y y 0
x, y y 2x 1, x R
el conjunto de puntos del plano del primero y segundo
cuadrante. Demostrar que V no es un espacio vectorial.
x, y x, y R es un espacio
vectorial, y as mismo los conjuntos: V o , V x , y y mx ,es decir dentro

2
De los ejemplos anteriores observamos que R
de los espacios vectoriales hay
subconjuntos que a su vez son espacios
vectoriales, a dichos subconjuntos se les denomina subespacios vectoriales.
71
Como podemos verificar si un subconjunto de un espacio vectorial es un espacio

vectorial a su vez? La respuesta es muy simple, este debe satisfacer los axiomas
mencionados anteriormente. Afortunadamente no es necesario verificar cada uno
de estos axiomas, basta probar slo los axiomas de la cerradura, es decir la
cerradura bajo la suma y bajo el producto por un escalar.
Teorema. Un subconjunto no vaco H de un espacio vectorial V, es un subespacio

de V si:

I.- Si x , y H , entonces x y H . Es decir es cerrado bajo la suma.
II.- Si x H , entonces x H , R . Es decir es cerrado bajo el producto por
un escalar.
Observacin: Todo subespacio de V contiene al vector nulo.
Ahora analizaremos algunos ejemplos.

Sea V Mmn el espacio vectorial de todas las matrices de tamao m x n , y sea
H A Mmn a11 o . H es subespacio de V ?

Demostracin: Sean A, B H , es decir:
0
a12 b12 a1n b1n
0 a12 a1n 0 b12 b1n
a21 a22 a2 n b21 b22 b2 n a21 b21 a22 b22 a2 n b2 n
am1 am 2 amn bm1 bm2 bmn am1 bm1 am2 bm2 amn bmn
Es decir la matriz resultante tiene como primer componente cero, por lo tanto
pertenece a H.
72
Ahora demostraremos la propiedad de la cerradura bajo el producto por un

escalar.
Sea R, y
A H , entonces
a12 a1n
0 a12 a1n 0
a21 a22 a2 n a21 a22 a2 n
am1 am 2 am2 am 2 am 2 amn

la matriz resultante tiene como primer componente 0, es decir pertenece a H. Por
lo tanto se cumple la propiedad de la cerradura bajo el producto por un escalar. Lo
cual demuestra que H es subespacio de V.
Sea V Mnn ; y sea H A Mnn A es inversible , H es subespacio de V ?.
Respuesta es no, porque un subespacio debe contener a la matriz nula y est no

es inversible, por lo tanto no pertenece a H.
Observacin: Si H1 , H2 son subespacios de V, entonces H1 H2 es un
subespacio vectorial de V.
DEPENDENCIA E INDEPENDENCIA LINEAL
Definicin. Se dice que los vectores
v , v , , v
1
de un espacio vectorial son
linealmente dependientes si existen n escalares c1 , c2 , , cn no todos cero tales

que se satisface:

c1v1 c2 v2 cn vn 0
2.8
73
Y son linealmente independientes si:

c1v1 c2 v2 cn vn 0
2.9
Se satisface si: c1 c2 cn 0 .
Para demostrar si los vectores son Linealmente Dependientes (LD) o Linealmente

Independientes (LI), esto se reduce (en el caso general) a analizar las soluciones
de un sistema homogneo de ecuaciones

Ac 0 , donde las columnas de la
matriz son los vectores dados.
En el caso de vectores en R es muy simple decir si los vectores son LD o LI,

pues si un vector es mltiplo del otro entonces son linealmente dependientes, es
decir las constantes son distintas de cero. En el caso general se tiene que analizar
el sistema homogneo antes mencionado. Si en la matriz A en forma reducida el
nmero de ecuaciones es igual al nmero de incgnitas, entonces el sistema tiene
solucin nica y est es la trivial, para este caso los vectores sern linealmente
independientes. Si en la matriz A en forma reducida el nmero de ecuaciones es
menor que el nmero de incgnitas entonces el sistema tiene una infinidad de
soluciones (las constantes sern distintas de cero), por lo tanto los vectores sern
linealmente dependientes.
Ejemplos: En los siguientes problemas verificar si los vectores dados son

linealmente dependientes o independientes.
1 1
Sean v1 , v2 , entonces formamos el siguiente sistema de ecuaciones
2
3
e investiguemos el tipo de solucin que tiene

c1v1 c2 v2 0
74
Sustituyendo los valores de los vectores y efectuando las operaciones

correspondientes, la matriz aumentada a tal sistema es:
1 1 0
1 1 0
R1 2R1 R2
2 3 0
0 1 0
Observamos de est matriz que el nmero de incgnitas es igual al nmero de

ecuaciones por lo tanto el sistema tiene solucin nica, es decir la trivial por lo
tanto los vectores son linealmente independientes, c1 c2 0
Teorema: Un conjunto de n vectores en
R m es siempre linealmente dependiente
si n > m.
Corolario: Un conjunto linealmente independiente de vectores en
R n contiene a
lo sumo n vectores.
Teorema: Sea A una matriz n x n. Entonces det A 0 si y slo si las columnas
son linealmente independientes.
COMBINACIN LINEAL Y GENERACIN DE ESPACIOS
Combinacin lineal. Sean v1 , v2 , , vn vectores en un espacio vectorial V.

Entonces toda expresin
a1v1 a2v2 an vn
Con a1 , a2 , , an escalares se le llama combinacin lineal de v1 , v2 , , vn .
75
Generacin de un espacio vectorial. Se dice que los vectores v1 , v2 , , vn del
espacio vectorial V generan a V, si todo vector v V puede expresarse como
combinacin lineal de ellos. Esto es: Para todo vector v V existen escalares
a1 , a2 , , an tales que
v a1v1 a2v2 an vn
Al conjunto v1 , v2 , , vn se le llama conjunto generador, y al espacio generado por

tales vectores se le denota por
gen v1 ,v2 , ,vn v v a1v1 a2 v2 an vn
1
0
Por ejemplo, demostrar que los vectores i , j generan
0
1
R2 .
Solucin: Para demostrar esto, es necesario encontrar las constantes a1 , a2 tal
2
v a1 i a2 j con v R vector arbitrario, es decir v con x, y fijos. Entonces
y
x
1
0 a1
a1 a2
y
0
1 a2
x a1
entonces esto nos lleva a resolver el
y a2
siguiente sistema de ecuaciones con x, y arbitrarios pero fijos
a1 x
a2 y
Por lo tanto las constantes a1 , a2 existen (debido a que el sistema tiene solucin),
entonces se tiene finalmente que cualquier vector de este espacio se puede
escribir como una combinacin lineal de los vectores dados, es decir
76
x
1
x y
y
0
0

1
De manera anloga se demuestra que i , j , k generan a
R3
n
Teorema. Un conjunto de n vectores Linealmente Independientes en R , generan

a
Rn .
Demostracin.
x1
a11
a12
a1n

a
a
a
x2
21 22
2n
v
R n arbitrario pero fijo.

v
,
v
Sean 1
,
y
sea
2

xn
a n1
an 2
ann
Entonces debemos demostrar que existen escalares c1 , c2 , , cn tales que
v c1v1 c2v2 cn vn
Sustituyendo y haciendo las operaciones correspondientes, se obtiene el siguiente
sistema de ecuaciones lineales
a11c1 a12 c2 a1n cn x1

a21c1 a22 c2 a2 n cn x2
an1c1 an 2 c2 ann cn xn
En forma matricial tiene la estructura:

A c v donde A es la matriz que se
obtiene al sustituir sus columnas por los vectores dados. Pero ya se demostr que
si los vectores (columnas) de una matriz son independientes entonces det A 0 .
77
Entonces como el determinante es distinto de cero, se tiene entonces que el

sistema tiene solucin nica.
Ejemplo. Los vectores v1 2,1,4, v2 1,0,2, v3 3,15

, , su determinante es
distinto de cero, entonces estos son linealmente independientes y como son tres,
3
entonces ellos generan a R (por el teorema anterior).
Definicin. Sean v1 , v2 , , vn , n vectores en un espacio vectorial V. El espacio

generado por tales vectores es el conjunto de todas las combinaciones lineales de

v1 , v2 , , vn . Esto es:
gen v1 , v2 , , vn v v a1v1 a2 v2 an vn
Teorema. El gen v1 , v 2 , , v n es un subespacio de V.
Teorema. Sean los n+1 vectores v1 , v2 , , vn , vn 1 de un espacio vectorial V. Si
los v1 , v2 , , vn generan a V, entonces

v1 , v2 , , vn , vn 1
tambin generan V.
Esto es la adicin de uno o ms vectores a un conjunto generador resulta otro

conjunto generador.
Ejemplos
En los siguientes problemas determinar si el conjunto de vectores dados genera al

espacio vectorial que se da.
1 3
1.- En R2 , . Empleando un teorema anterior, para demostrar que estos
2 4
generan a R2, es suficiente demostrar que ellos sean linealmente independientes,

es decir que su determinante sea distinto de cero.
78
det A
1 3
4 6 2 0
2 4
y como son dos entonces ellos generan a R2.

1 2 2
2.- En R2; , , . En este caso para poder aplicar los resultados anteriores,
1 1 2
tomaremos dos de estos vectores y probaremos que son linealmente

1 2
independientes, por ejemplo , , su determinante como puede verse
1 1
fcilmente es distinto de cero, por lo tanto son linealmente independientes, y por

un teorema anterior ellos generan a R2, por lo tanto si a este conjunto generador le
agregamos otro vector ellos siguen generando a dicho espacio.
1 2 5
3.- En R2; , , .
1 2 5
Como estos vectores son linealmente dependientes, ellos no generan R 2. En

efecto:
1
2
5
x
v a1 a2 a3
y
1
2
5
efectuando las operaciones correspondientes e
igualando, obtenemos el siguiente sistema de ecuaciones
a1 2a2 5a3 x
a1 2a2 5a3 y
con x, y fijos. Resolviendo este sistema de ecuaciones se obtiene
x
1 2 5 x
1 2 5
R2 R1 R2
1 2 5 y
0 0 0 y x
79
De la ltima matriz podemos observar que el sistema es inconsistente, por lo tanto

dichos vectores no generan a R2. De aqu surge la siguiente pregunta Si estos
vectores no generan a todo R2 entonces que subconjunto de tal espacio son
capaces de generar?
La respuesta es muy simple, hay que forzar a que el sistema se vuelva consistente
es decir
y-x = 0, el subconjunto que generan son aquellos vectores tales que x = y , esto
es:
x
H x y o dicho de otra forma H el conjunto de vectores dados
y
x
generan un subconjunto de vectores tal que su primera y segunda componente
son iguales.
BASE Y DIMENSIN
Definicin de Base. Un conjunto de vectores v1 , v2 , , vn forman una base para

V si:
a)
v , v , , v es linealmente independiente
1
b) v1 , v2 , , vn generan V.
Nota: Se observ anteriormente que todo conjunto de n vectores linealmente

independientes en
Rn ,
podemos
que:
concluir
independientes en
En
Rn
Rn
generan a
Todo
Rn .
Entonces con la definicin anterior
conjunto
forman una base para
de
vectores
linealmente
R n .
se define
80
1
0
0

0
1
0

e1 0 , e2 0 , , en 0 , son linealmente independientes y de acuerdo a la

0
0
1
n
nota anterior, ellos generan a R , por lo tanto forman una base. A una base como
esta se le llama base cannica.

Se deja como ejercicio para el lector demostrar que el conjunto
x , x , x, 1 forma
3
una base para el espacio de polinomios de grado menor o igual a 3 (P3 ). A est
base se le llama la base cannica para P3.
El primer tipo de problemas que el lector debe ejercitar es: Dado un conjunto de
vectores verificar si constituyen una base para tal espacio, para ello basta
demostrar que se cumple que son linealmente independientes y que generan a tal
espacio.
El segundo tipo de problemas que se deben atacar son del tipo: Dado un espacio
vectorial construirle una base.
El tercer tipo es primero construir un espacio vectorial y despus generarle una

base. Para esta clase de problemas usaremos los sistemas homogneos de
ecuaciones, que como sabemos sus soluciones forman un espacio vectorial.
Resolveremos ahora un problema del segundo tipo, es decir dado un espacio

vectorial le construiremos una base.
Ejemplo. Halle una base en
R 3 para el conjunto de vectores en el plano
2x y z 0
81
Solucin: Tomemos un vector de este plano
x

H y R 3
z
y 2 x z es decir todo vector de este plano tiene la forma
2 x z
Podemos observar que la ecuacin del plano nos representa un sistema

homogneo de ecuaciones con la caracterstica de tener una ecuacin y tres
incgnitas por lo tanto tiene dos variables libres, y en este caso se eligieron a x y z
Una vez que ha sido caracterizado el espacio, el nmero de vectores que
debemos extraer para construirle una base lo vamos a asociar al nmero de
variables libres que tenga el sistema, estos se obtiene de la siguiente forma:
1

Sean x=1 y z=0 entonces v1 2

0
Sean x=0 y z=1 entonces v 2 1

1
Al tomar los vectores de esta forma se garantiza la generacin del espacio, como
se muestra enseguida.
Este conjunto constituyen una base para este espacio vectorial. En efecto:

a) v1 , v2 son linealmente independientes.
82

b) v1 , v2 generan a este espacio, pues se tiene
x
1
0

2 x z = x 2 z 1 .

z
0
1
1 0

Por lo tanto de a y b se concluye el conjunto de vectores 2 , 1 forman una
0 1
3
base en R para el plano 2x-y-z = 0.
Teorema. Si
u , u , , u y v , v , , v
1
son bases del espacio vectorial V,
entonces m = n . Esto es dos bases cualesquiera en un espacio vectorial V

poseen el mismo nmero de vectores.
Definicin de Dimensin. Si el espacio vectorial V posee una base finita, la
dimensin de V es finita, y es igual al nmero de vectores en la base. En otro caso
se dice que el espacio es de dimensin infinita. Si V 0 entonces se dice que la

dimensin de V es cero.
Teorema.
Supngase que dim V = n. Si u1 , u2 , , um es un conjunto de m
vectores linealmente independientes en V entonces
Ejemplos: Sea
m n.
Am x n y sea S x Rn Ax 0 . Entonces dim S n . A S se le

llama espacio solucin del sistema homogneo A x 0 . Tambin recibe el nombre
de ncleo o Kernel de A.
Ahora resolveremos problemas del tercer tipo mencionado anteriormente, es decir

encontrar o caracterizar a un espacio vectorial y despus construirle una base,
para esto como se menciono anteriormente la solucin de un sistema homogneo
83
de ecuaciones constituye un espacio vectorial por lo cual obtendremos una base y

la dimensin del espacio solucin.
Ejemplo: Obtenga una base y la dimensin del espacio solucin del sistema
homogneo
xy 0
2x 2 y 0
Resolviendo el sistema de ecuaciones por el mtodo de Gauss, tenemos:

1 1 0
1 1 0
R2 R2 2R1
Este sistema es equivalente a x-y = 0 es
2 2 0
0 0 0
Decir x = y, por lo tanto el espacio solucin de ste sistema homogneo de
ecuaciones esta constituido por vectores de la forma
x
x x
x y 0 .
y y
x
Caracterizado el espacio vectorial, ahora le construiremos una base y el nmero
de vectores en la base como mencionamos anteriormente lo asociamos al nmero
de variables libres, que para este caso es una, por lo tanto si x = 1 tenemos
1

1
es una base para el espacio solucin del sistema homogneo, y este tiene
dimensin uno es decir dim S 1 .
84
Bases Ortonormales
Proceso de Ortonormalizacin de Gram-Schmidt.

Dada una base arbitraria de un cierto espacio vectorial, es a veces necesario
construir una base tal que sus vectores sean ortogonales entre si y de norma uno,
a una base con estas caractersticas se le llama Ortonormal, y a la manera de
construirla a partir de una base dada se le conoce como el Proceso de GramSchmidt. Antes de dar tal proceso, recordaremos algunos conceptos acerca del
producto interno entre vectores, ya que este induce una norma sobre un espacio
vectorial.
Definicin. Sea V un espacio vectorial sobre los nmeros reales. Un producto
interno real en V es una funcin que asocia a cada pareja de vectores

u y v , un
nmero real u v , con las propiedades siguientes:
a) u , v v , u
b)

u v , w u, w v , w
c) c u , v c u , v

d) u , u 0, y u , u 0 si y solo si u 0 .
La relacin que guarda el producto interno con la norma es: v

v , v , relacin
de mucha importancia, ya que como mencionamos anteriormente el producto

interno nos permite efectuar mediciones en un espacio vectorial.
85
Proceso de Ortonormalizacin de Gram - Schmidt.
Sea B u1 , u2 , , un una base arbitraria de un espacio vectorial V. El proceso de

ortonormalizacin consta de los siguientes pasos:
u1
Paso 1.- v1
u1
el cual ya es un vector unitario.
Paso 2.- Definimos un vector ortogonal al anterior de la siguiente manera
v2 u2 u2 , v1 v1
Paso 3.- Normalizamos al vector anterior
v2
v2
v2
Paso 4.- Construimos ahora un vector ortogonal a los dos anteriores de la
siguiente forma
v3 u3 u3 , v2 v2 u3 , v1 v1
Paso 5.- Normalizamos el vector anterior
v3
v3
v3
Paso 6.- Construimos un vector ortogonal a los tres anteriores, de manera similar
es decir
86
v4 u4 u4 , v3 v3 u4 , v2 v2 u4 , v1 v1
Paso 7.- Normalizamos el vector anterior
v4
v4
v4
El proceso continua de una manera similar hasta llegar al ltimo vector. Este
algoritmo para ortonormalizar una base dada se le conoce como el proceso de
Gram - Schmidt.
Corolario. Todo espacio vectorial con producto interno de dimensin finita tiene
una base ortonormal.
87
Cambio de base
Ahora intentaremos resolver un problema de gran inters y sobre todo de amplia
aplicacin en disciplinas tales como la fsica, que es el cambio de coordenadas o
cambio de base, es decir como ven dos observadores un mismo fenmeno desde
distintos marcos de referencia, dicho problema dio origen como es sabido a la
teora especial y general de la Relatividad, claro esta que con hiptesis adicionales
pero el problema fundamental es el mencionado.
Sabemos que un espacio vectorial tiene una cantidad enorme de bases, as que
un vector arbitrario de ese espacio se puede describir perfectamente en cualquiera
de esas bases, pero nosotros intuimos que dada la descripcin (coordenadas)
de un vector en una base es posible dar la descripcin (coordenadas) de ese
mismo vector en otra base. A este problema se le conoce como cambio de base.
Antes de resolver formalmente este problema definamos primero cual es el
significado de coordenadas de un vector.
Matriz de coordenadas (coordenadas de un vector).
Sea V un espacio vectorial y B v1 , v2
una base de este, por simplicidad
tomamos un espacio de dimensin dos. Sea
un vector arbitrario de este
espacio, entonces se cumple lo siguiente
v c1v1 c2 v2
Donde los escalares c1 y c 2 existen debido a que B es una base. Entonces a
c1 , c2 se le llaman las coordenadas o matriz de coordenadas de v respecto a la

base B, y se denotan de la siguiente manera:
88
v B 1
c2
Cuando no se indique respecto a que base se estn tomando las coordenadas de
un vector se sobreentiende que estas son respecto a la base cannica.
Cambio de base.
simplicidad tomemos a R2 como espacio vectorial y sean

B u1 , u2 , B v1 , v2 dos bases de este espacio. Ahora expresaremos a los
Por
vectores de la base B en trminos de los vectores de la base B .
u1 a v1 b v2
2.10
es decir las coordenadas de u1 respecto a B son
1 B
a

b
2.11
De manera anloga para u2
u2 c v1 d v2
2 B
c

d
2.12
2.13
Sea w un vector arbitrario de R2
w e u1 f u2
2.14
89
w B
f
2.15
que son las coordenadas de este vector en la base B. Sustituyendo en 2.14 las
expresiones 2.10 y 2.12 tenemos
w e a v1 b v2 f c v1 d v2
Reagrupando:
w e a f c v1 e b f d v2
Esto no es otra cosa que las coordenadas de
en la base
B , es decir
e a f c
w B
e b f d
Dada la forma de este vector pensamos que este se puede escribir como el
producto de una matriz por un vector
wB
no es difcil determinar quien es la matriz y quien es el vector
a c e

b d f
w B
El vector es la ec 2.15 , es decir son las coordenadas de w en la base B.
90
w B
w B
b d
A esta ltima expresin se le conoce como el problema del cambio de base, es
decir dadas las coordenadas de un vector en una base, se pueden conocer las
coordenadas del mismo vector en otra base y para esto basta multiplicarlas por
una matriz numrica llamada la matriz de transicin.
w B P w B
2.16

Donde las columnas de la matriz de transicin P son las coordenadas de los u1 , u2

con respecto a la base
B .
a
b
c
d
u u
1 B
2 B
De esta manera se construye la matriz de transicin para espacios de dimensin

mayor.
La ecuacin 2.16 nos proporciona el cambio de coordenadas de la base B hacia
B , de manera anloga se da el cambio de B hacia B, aunque se espera que

exista una relacin entre ambas matrices de transicin, y esta es de que una es la
inversa de la otra:
w B P 1 w B
2.17
Se dejan al lector las siguientes preguntas P es inversible?, cul es la razn?
91
EJERCICIOS
En los ejercicios que siguen se da un conjunto de objetos, junto con las

operaciones de adicin y multiplicacin por un escalar. Determine cuales de los
conjuntos son espacios vectoriales bajo las operaciones dadas. Para aqullos que
no lo son liste los axiomas que no se cumplen.
1.- El conjunto de todas las ternas de nmeros reales (x,y,z) con las operaciones
(x,y,z) + (x,y,z) = (x+x, y+y, z+z) y k(x,y,z) = (kx,y,z).
2.- El conjunto de todas las ternas de nmeros reales (x,y,z) con las operaciones
(x,y,z) + (x,y,z) = (x+x,y+y,z+z) y k(x,y,z) = (0,0,0)
3.- El conjunto de todas las parejas de nmeros reales (x,y) con las operaciones
(x,y) + (x,y) = (x+x,y+y) y k(x,y) = (2kx,2ky).
4.- El conjunto de todos los nmeros reales positivos x con las operaciones x+x=
xxy kx x k .
5.- El conjunto de todas las matrices de tamao 2x2 de la forma
a 1
1 b
con la adicin matricial y la multiplicacin por un escalar usuales.

a 0
0 b
92
con la adicin matricial y la multiplicacin por un escalar usuales.

a b
a
b
a b
Con la adicin matricial y la multiplicacin por un escalar usuales.
8.- El conjunto de polinomios de grado menor o igual a n con trmino constante

igual a cero.
9.- El conjunto de todas las funciones continuas en 0,1 con f(0) = 0 y f(1) = 0 con
las operaciones usuales.
En los siguientes ejercicios determinar cules son subespacios de P3

1.- Todos los polinomios a0 a1x a2 x2 a3x3 para los cuales a0 =0
2.- Todos los polinomios a0 a1x a2 x2 a3x3 para los cuales a0 a1 a2 a3 0
3.- Todos los polinomios a0 a1x a2 x2 a3x3 para los cuales a 0 , a1 . a 2 y a 3 son
enteros
4.- Pruebe que el conjunto de todas las matrices diagonales n x n son un

subespacio de M nxn
En los siguientes ejercicios determine si el subconjunto dado H del espacio

vectorial V es o no un subespacio de V.
93
1- V R2 ; H x , y y 0
x, y x y
; H x, y x y 1
2.- V R 2 ; H
3.- V R2
a b
4.- V M 22 ; H A M 22 A
b c
a 1 a
5.- V M 22 ; H A M 22 A
0
0
0 a
6.- V M22 ; H A M22 A
b 0
7.- V P4 ; H p P4 p 0 0
8.- V Pn ; H p Pn p 0 1
9.- V C 0,1 ; H f C 0,1 f 0 f 1 0
10.- V C0,1 ; H f C0,1 f 0 2
11.-
V C a , b ,
a b; H f Ca, b
donde
a,
son
nmeros
reales
f
x
dx
94
12.- V Ca, b; H f Ca, b
f x dx 1

13.- Sea A una matriz de tamao n x m y sea H x Rm Ax 0 . Muestre que H
es un subespacio de Rm . H recibe el nombre de Kernel de la matriz A.
Cules de los siguientes conjuntos de vectores en R 3 son linealmente

dependientes?
1.- (2,-1,4), (3,6,2), 2,10,-4)

3.- (6,0,-1), (1,1,4)
2.- (3,1,1), (2,-1,5), (4,0,-3)

4.- (1,3,3), (0,1,4), 5,6,3), (7,2,-1)
Cules de los siguientes conjuntos de polinomios en P2 son linealmente

dependientes?
1.- 2 x 4x2 ; 3 6x 2x2 ; 2 10x 4x2
2.- 1 3x 3x2 , x 4x2 , 5 6x 3x2 , 7 2x x2
3.- 3 x x2 , 2 x 5x2 , 4 3x2

4.- Para que valores de los vectores que siguen forman un conjunto
linealmente dependiente en R 3 ?

1 1 1
1 1 1
V1 , , , v2 , , , v3 , ,
2
2 2
2 2
2
5.- Determine si el siguiente conjunto de matrices es linealmente dependiente o

independiente:
95
2 1
4 0
1 0
,
3 1
1 1
,
1 2
3 2
,
2 1
6.- Utilice el wroskiano para demostrar que los siguientes conjuntos de vectores
son linealmente independientes
a ) 1, x , ex
b) sen x , cos x , x sen x
c) ex , xex , x 2 ex
d ) 1 , x , x2
96
CAPITULO 3. TRANSFORMACIONES LINEALES

3.1 Transformaciones Lineales
Introduccin. Indiscutiblemente uno de los conceptos ms importantes en todas
las ramas de las matemticas es el concepto de funcin, en este captulo
analizaremos un tipo especial de funcin, tal que manda elementos de un espacio
vectorial a otro, pero que preserve las operaciones de linealidad, es decir; la suma
y producto por un escalar, a este tipo especial de funcin se le llama
transformacin Lineal (por lo tanto una transformacin lineal es funcin pero no
todas las funciones de un espacio vectorial a otro son transformaciones lineales).
Definicin: Sea T una funcin de un espacio vectorial V a un espacio vectorial W.

Entonces T es una transformacin lineal si cumple con las siguientes propiedades:
a.- Para todo u , v en V, T u v T u T v

b.- Para todo
u en V y
cualquier escalar, T u T u
T u
W
V
97
Dada una funcin de un espacio V hacia otro espacio W, para que est sea una
transformacin lineal deber satisfacer las dos propiedades mencionadas
anteriormente, es necesario comentar que existen varias formas de representar a
una transformacin, por ejemplo a travs de una regla de correspondencia
explcita, otra es conociendo la accin de la transformacin sobre los vectores de
alguna base de ese espacio vectorial y otra muy til para atacar el problema de
valores y vectores propios es su representacin matricial, iremos analizando cada
una de estas a lo largo de este captulo.
Ejemplo. Demostrar si la funcin T: R2 R2 , definida por
T x , y 2 x , y
Es o no una transformacin lineal?
Demostracin
Primero demostraremos la propiedad de la suma, es decir
T u v T u T v
3.1
Para esto seguiremos la siguiente mecnica: calcularemos el lado izquierdo y el

lado derecho por separado de acuerdo a la regla de correspondencia dada y
simplemente los compararemos, si son iguales entonces obviamente se cumplen,
de otra manera no ser una transformacin lineal.
Sean x1 , y1 , x2 , y2 R2 , el lado izquierdo de la ec 3.1 es entonces
T x1 , y1 x2 , y2 T x1 x2 , y1 y2 2 x1 x2 , y1 y2
3.2
98
Ahora calculando el lado derecho de la ecuacin 3.1
T x1 , y1 T x2 , y2 2 x1 , y1 2 x2 , y2 2 x1 x2 , y1 y2
3.3
Comparando las ecuaciones 3.2 y 3.3 observamos que estas son iguales por lo
tanto se cumple la propiedad para la suma.
De manera anloga para el producto por un escalar
T u T u
3.4
El lado izquierdo de la ec. 3.4 es
T x1 , y1 T x1 , y1 2 x1 , y1
3.5
El lado derecho de la ec. 3.4 es
T x1 , y1 2x1 , y1 2 x1 , y1
3.6
Comparando 3.5 y 3.6 , observamos que son iguales por lo tanto la ec. 3.4 se
cumple, entonces de
3.1
y 3.4 concluimos que la funcin dada es una
transformacin lineal.
Ejemplo. Sea la funcin T: R2 R2 definida por
T x , y x 1, y
Demostrar si es una transformacin lineal.
99
Demostracin. Procediendo de manera similar al problema anterior, vamos

primero a verificar la propiedad de la suma
Sean x1 , y1, x2 , y2 R2 , entonces
T x1 , y1 x2 , y2 T x1 x2 , y1 y2 x1 x2 1, y1 y2
3.7
Por otro lado se tiene
T x1 , y1 T x2 , y2 x1 1, y1 x2 1, y2
x x 2, y y
1
3.8
Comparando 3.7 y 3.8 se tiene que estas son distintas, por lo tanto la funcin
dada no es una transformacin lineal. No es necesario verificar la propiedad del
producto por un escalar.
Ejemplo. Sea A una matriz m x n fija. Entonces
T: Rn Rm definida por
T x A x
Demostrar que T es una transformacin lineal.
Demostremos la propiedad de la suma. Sean x , y R entonces se tiene usando

n
la propiedad distributiva de matrices

T x y A x y Ax Ay T x T y
Lo anterior demuestra la propiedad de linealidad bajo la suma.
Ahora demostraremos la propiedad del producto por un escalar

100
T x A x Ax T x
Lo cual demuestra la propiedad para el producto por un escalar.

Ejemplo. Sea T: R2 R2 una transformacin lineal con T i 1, 2 y T j 3, 2 ,
encontrar T 4,6
Solucin:
Puesto que se puede escribir
4,6 4i 6 j , entonces aplicando la transformacin
a ambos lados de esta expresin obtenemos
T 4,6 T 4i 6 j 4Ti 6T j
Ahora usamos la accin de la transformacin sobre la base cannica se tiene
T 4,6 41,2 6 3,2 22, 4
Este ejercicio tiene como objeto mostrar otra manera de representar a una
transformacin lineal, que es si conocemos la accin de la transformacin sobre
alguna base de ese espacio, entonces podemos conocer la accin de la
transformacin sobre cualquier vector de ese espacio, en este caso no es
necesario conocer la regla de correspondencia explcitamente. Tambin como
comentamos anteriormente una transformacin se puede representar por medio
de una matriz numrica (fija), para ello por ejemplo si la transformacin es
T: Rn Rm , entonces la matriz que representa a tal transformacin es una matriz

A de tamao m x n en la cual sus columnas son la accin de la transformacin
sobre la base cannica, a tal matriz se le conoce como la matriz estndar de la
transformacin. Para el ejemplo anterior la matriz estndar es:
101
1 3
A
2 2
Ti
T j
Es decir T x Ax
4 1 3 4 22
T

6 2 2 6 4
Esto ser de gran utilidad para el tema que analizaremos a continuacin.
KERNEL E IMAGEN DE UNA TRANSFORMACIN LINEAL

Dada una transformacin lineal T:V W definiremos dos subespacios de
fundamental importancia ya que estos proporcionan informacin til acerca de las
transformaciones lineales, as como de los espacios vectoriales, tales subespacios
son: ncleo o kernel y la imagen de T.
Definicin. Sea T:V W una transformacin lineal.

a.- El conjunto de todos los vectores v V tales que T v 0 se llama ncleo o
kernel de la transformacin. De manera simblica

Ker T v V T v 0
b.- El conjunto de todos los w W tales que existe por lo menos un elemento
v V , de modo que T v w , se le llama imagen de T. De manera simblica
Im g T w W T v w,para a lg un
v V
102
V
W
T:V W
0
Ker (T)
Img (T)
Ejemplo. Sea T: R 3 R2 una transformacin lineal, definida por
T x ,y , z x 2 y , y 3z
a.- Encontrar Ker (T)
b.- Determinar Img (T)
103
Solucin.
a.- Para determinar el Ker (T) se encuentra una base para el espacio solucin del
siguiente sistema homogneo
T x, y , z x 2 y, y 3z 0, 0
Es decir
x 2y 0
y 3z 0
Encontramos que est tiene infinidad de soluciones, cuya solucin general es:
6z
3z dando el valor de z =1 se obtiene una base del espacio solucin de tal

z
sistema homogneo
6

Ker ( T ) 3
1
A la dimensin del Kernel se le llama nulidad (T), es decir
dimKer T T 1.
b.- Para obtener el conjunto imagen de T, se determinan todos los vectores a , b
tales que existe un vector x , y , z con la propiedad de que
104
T x , y , z x 2 y , y 3z a , b
Entonces se tiene que
T x , y , z x 2 y , y 3z x , 0 2 y , y 0, 3z
x 1, 0 y 2, 1 z 0, 3
Por lo tanto una base para el conjunto imagen de T es;
img T 1, 0, 2, 1, 0, 3 R2
Y a la dimensin de la imagen se le llama rango de T, y se le denota por T
dim img T T 2 .
Nota: Una forma simple de encontrar una base y la dimensin del conjunto
imagen es que est es el espacio columna de la matriz estndar, pero como
nosotros slo sabemos operar por renglones, entonces una base para la imagen
es el espacio rengln de la transpuesta de la matriz estndar de la transformacin.
Teorema de la dimensin. Sea T :V W una transformacin lineal, en donde V

es de dimensin n. Entonces
dim Ker ( T ) + dim Img ( T ) = n
105
Ejercicios.
En los siguientes ejercicios, determine si la funcin dada es o no una
transformacin lineal. Justifique su respuesta.
1.- T: R 2 R 2 , T x, y 3x 2 y, x
2.- T: R 2 R 2 , T x, y x 2 ,0
3.- T: R 3 R 3 , T x, y, z xy, yz, zx

4.- T: R 3 R 3 , T x, y, z 0, x y, y z
x 1 3 x
5.- T: R 2 R 2 , T

y 4 2 y
6.- T: P2 P2 , T ax 2 bx c ax 2 bx c 1
7-. T: P2 P2 , T ax 2 bx c 3ax 2 2bx
8.- T: P2 P2 , T ax 2 bx c a b x 2 b 3c x a b
9.- Sea i , j , k la base cannica de R 3 y T: R 3 R 2 una transformacin lineal tal

que:
Ti 2,3, T j 1,4, T k 0,2 . Determinar:

a) T1,2,3
b) T 1,0,2
,,
c) T 111
106
10.- Sea B una matriz inversible n x n fija. Pruebe que la funcin T: M nn M nn

definida por T A B 1 AB es una transformacin lineal.
En los siguientes ejercicios calcule el kernel y el recorrido de cada una de las

siguientes transformaciones lineales.
11.- T: R 2 R 2 , T x, y 2 x, x y
12.- T: R 2 R 3 , T x, y x 3y,2 x 3y,5x y
13.- T: R 3 R 2 , T x, y, z x 2 y,0
14.- T: R 3 R 3 , T x, y, z 2 x y z, x 4 y 2z,4 x 5z
a b a b b c
15.- T: M 22 M 22 ; T

c d c d a d
a b 2a b d
16.- T: M 22 M 22 ; T

c d a d
2a 2b c 5d
2c 3d
En los siguientes ejercicios obtenga la matriz cannica que represente a la

transformacin lineal dada:
17.- T: R 2 R 2 , T x, y x y, y

T x, y, z x y, y z
18.- T: R 2 R 3 , T x, y 2 x y, y, x y
19.- T: R 3 R 2 ,
107
En los siguientes ejercicios determine el rango y la nulidad para las

transformaciones lineales dadas;
20.- T: R 2 R 3 , T x, y x y,3x,2 y
21.- T: R 2 R 2 , T x, y 5x y, x 2 y
108
3.2 Valores y vectores propios

En est seccin estudiaremos un tema de gran importancia tanto desde el punto
de vista terico como prctico, este se refiere al problema de valores y vectores
propios
tambin
conocido
como
eigenvalores
eigenvectores
(valores
caractersticos).
El matemtico suizo Leonhard Euler al estudiar el movimiento planetario sent las

bases tericas para el problema de valores y vectores propios. Este tipo de
problemas tambin se encuentran involucrados en la descripcin de los estados
cunticos de las partculas subatmicas, los cuales se encuentran dados por la
solucin o soluciones de la ecuacin de Schrdinger H En (para partculas
de spin cero o entero, llamados bosones). Este como puede observarse tambin
es un problema de valores y vectores propios.
Consideremos un tipo especial de transformaciones lineales tales que T:V V , es
decir aquellas que van de un espacio vectorial V hacia el mismo, de forma tal que
cuando aplicamos la transformacin a un vector, la transformacin lo manda a un
mltiplo de l mismo, este es el problema de valores y vectores propios, cuya
definicin es la siguiente.
n
n
Definicin. Sea T:R R una transformacin lineal. Un vector v R es un
vector propio de T si existe un escalar real llamado valor propio, tal que
Tv v.
Nota: De acuerdo a los comentarios de la seccin anterior toda transformacin
lineal puede expresarse por medio de una matriz y para este tipo de
transformaciones la matriz es de tamao n x n, de tal forma que el problema de
valores y vectores propios se expresa como:
109
Av v .
De la definicin, excluimos al vector nulo como vector propio de A, ya que A0 0

se satisface para cualquier A y cualquier valor propio, entonces el problema se
reduce a calcular todos los vectores propios no nulos de A, junto con sus
correspondientes valores propios.

Si v 0 y Av v , entonces Av I v
I Av 0
El cual es un sistema homogneo, y como se pide que la solucin sea la no trivial

es decir v 0 , entonces dicho sistema tiene solucin no trivial si y slo si
det I A 0
3.9
Entonces de aqu surge el siguiente teorema.

Teorema. Sea A una matriz n x n. Entonces es una valor propio de A si y slo si
es una solucin real de la ecuacin det I A 0 . A dicha ecuacin se lo

conoce como la ecuacin caracterstica.
0 1
Ejemplo. Sea A
, calcular sus valores propios.
1 0
Solucin: Usando la ecuacin caracterstica se tiene
1
det I A det
2 1 0
1
110
A est ltima expresin se le conoce como el polinomio caracterstico, por lo tanto

los valores propios son: 1 y 1.
2 5
Ejemplo. Obtener los valores propios de la matriz A
.
2 1
Solucin. Usando la ecuacin caracterstica se tiene
1 0 2 5
2
5

det

detI A det
1
0 1 2 1
2
2 1 10 2 12 0
Es decir 2 12 4 3 0 , por lo tanto los valores propios son:
4 y 3 .
De los ejemplos anteriores se desprende de manera obvia que si A es una matriz

de tamao n x n entonces el polinomio caracterstico es de grado n, lo cual implica
que este tendr n soluciones o races, de las cuales slo consideraremos a las
races reales.

Dado que el problema de valores propios I Av 0 es un sistema homogneo
de ecuaciones entonces sus soluciones forman un subespacio vectorial como se
menciona en el siguiente teorema.
Teorema. Sea un valor propio de una matriz A de tamao n x n. El conjunto E
n
n
de todos los vectores v R , tales que A v v es un subespacio de R .
111
Definicin. Sea un valor propio de una matriz A. El subespacio E se le llama

el espacio propio o caracterstico de A asociado al correspondiente valor propio .
Para
obtener
los
vectores
propios
asociados
los
valores
propios
correspondientes se propone el siguiente mecanismo:

1.- Se calculan los valores propios 1 , 2 , , n .

2.- Se encuentra el espacio solucin de i I Av 0 , con i = 1, 2, , n.
9 12
Ejemplo. Calcular los valores y vectores propios de la matriz A
.
7 11
Solucin. Primero calcularemos los valores propios, usando su correspondiente

ecuacin caracterstica
1 0 9 12
9
12

det

det I A det
0 1 7 11
7 11
9 11 84 2 2 15 0
Resolviendo la ecuacin anterior, encontramos que sus valores propios (reales)

son: 3 y 5 .
Ahora calcularemos el espacio propio asociado a 3 , para ello se calcula el
espacio solucin del siguiente sistema homogneo de ecuaciones
12 x 6 12 x 0
3 9

7 3 11 y 7 14 y 0
3I A v
Escalonando este sistema de ecuaciones llegamos a:
112
6 12
1 2
1 2
1 2
7 14
7 14
1 2
0 0
Por lo tanto la solucin general:
2y
x 2 y 0 , es decir x=2y, tomando y=1, tenemos entonces que el espacio
y
2
E3 s
1
solucin es:
Que de hecho es una base para este espacio propio.

Ahora de manera similar calcularemos el espacio propio asociado al valor 5 .
12 x 14 12 x 0
5 9

5 11 y 7 6 y 0
7
5I A v
Escalonando la matriz anterior se tiene

14 12
7 6
7 6
7 6
7 6
0 0
6 y
Por lo tanto la solucin general es: 7 tomando y = 1, se tiene que el
y
espacio solucin esta dado por

6
E 5 s 7 .
1
113
Teorema. Sean 1 , 2 , , m valores caractersticos distintos de una matriz A de
tamao n x n con vectores propios correspondientes v1 , v2 , , vm . Entonces
v , v , , v es un conjunto linealmente independiente.

1
Corolario. Sea A una matriz n x n con n valores propios distintos 1 , 2 , , n . Si

v1 , v2 , , vn son los vectores propios de A correspondientes a 1 , 2 , , n ,
respectivamente entonces v1 , v2 , , vn una base de R n .
Surge aqu la siguiente pregunta: Cul es la representacin matricial de la

transformacin con respecto a la base mencionada en el corolario anterior?
3.3
MATRICES SEMEJANTES Y DIAGONALIZACIN
La representacin matricial de una transformacin lineal T:V V , depende de la

base elegida de tal espacio, por ejemplo cuando se emplea la base cannica a
esta matriz se le llama la matriz estndar, aunque como ya hemos visto esta
matriz no necesariamente toma una forma simple, en esta seccin analizaremos si
es posible elegir alguna base de forma tal que esta tome una forma simple, y
como sabemos la forma ms simple que puede tomar una matriz es naturalmente
una matriz diagonal, por lo tanto el problema fundamental de esta seccin es ver si
es posible encontrar una base de tal forma que la representacin matricial de una
transformacin lineal sea una matriz diagonal. Tambin podemos observar que a
fin de cuentas este es un problema de cambio de base, tema visto anteriormente,
al final de la seccin propondremos un problema que relaciona estos aspectos.
114
Antes de atacar tal problema daremos algunas definiciones importantes.
Definicin. Sean A y B matrices n x n. Se dice que una matriz A es semejante ( o

bien similar o equivalente ) a B si y slo si existe una matriz inversible C tal que
A C1BC .
Corolario. Dos matrices son semejantes si y slo si representan la misma
transformacin lineal relativa a diferentes bases.
Definicin. Una matriz n x n es diagonalizable si y slo si es semejante a una

matriz diagonal.
Teorema. Una matriz A de tamao n x n es diagonalizable si y slo si A tiene n

vectores propios linealmente independientes.
Corolario. Sea A una matriz n x n. Si A tiene n valores propios distintos, entonces
A es diagonalizable.
Para diagonalizar una matriz (si esto es posible) se sugiere el siguiente algoritmo.
1.- Obtener los vectores propios de A.
2.- Si A no tiene n vectores propios linealmente independientes, entonces A no es

diagonalizable.
3.- Si A tiene n vectores propios linealmente independientes v1 , v2 , , vn , entonces
sea C la matriz cuya i-sima columna es el vector vi . La matriz C diagonaliza a A.

Es decir
D C 1 AC .
115
9 12
Ejemplo. Determinar si la matriz A
es diagonalizable o no. En caso
7 11
afirmativo encontrar la matriz C que diagonaliza a A.
Solucin.
Para
esta
matriz
se
encontr
anteriormente
que
sus
valores
propios
son: 3 y 5 . Por un corolario anterior se tiene que esta matriz tiene dos
vectores propios linealmente independientes y por lo tanto la matriz A es
diagonalizable, y la matriz C que diagonaliza a A se forma con los vectores propios
correspondientes.
2 6
C
1 7
1 7 6
Entonces C 1
8 1 2
Por lo tanto
1 7 6 9 12 2 6 3 0
C 1 A C
8 1 2 7 11 1 7 0 5
Finalmente se propone al lector el siguiente problema que establece de manera

natural la relacin que existe entre la diagonalizacin de una matriz con el
problema de cambio de base (y por supuesto la definicin de semejanza de
matrices con el cambio de base).
116
Problema. Sea T:V V una transformacin lineal y V un espacio vectorial de

dimensin finita. Sean T B y T B las matrices de T con respecto a las bases
B y B de V. Entonces demuestre que ests matrices son semejantes
T B C1 T B C
donde C es la matriz de transicin.
Ejercicios
Para las siguientes matrices determine si son o no diagonalizables, si es as
calcule la matriz C que diagonaliza a la matriz dada.
3 2
1.-
1 0
6 12
2.-
1 1
1 1 0
3.- 0 1 0
0 0 1
1 2 4
4.- 0 1 4
0
0 0
3 1 1
5.- 2 6 2
3 3 5
1
1 1
4
0
6.- 0
1 1 1
1 1
1
7.- 0 1 1
3
0 4
1 4 1
3
1
8.- 0
0 2 0
3 1 1
1
9.- 1 2
1 1 1
7 2 4
10.- 3 0 2
6 2 3
117
4
6
6
11.- 1
3
2
1 5 2
1
4
3
2
12.-
2 1
2 1
2 2
5 1
13.-
0
0
0
0
3 7 5
14.- 2
4
3
2
2
1
0 0
0 0
2 1
5 2
0 1
0 1
2 3
0 5
118
BIBLIOGRAFA
1.- Anton, Howard. Introduccin al Algebra Lineal. Tercer edicin, Mxico. Noriega
editores. 1988.
2.- Grossman, Stanley. Algebra Lineal con aplicaciones. Cuarta edicin, Mxico.
Mc Graw Hill, 1992.
3.- Gerber, Harvey. Algebra Lineal. Primer edicin, Mxico, Iberoamrica, 1992.
4.- Perry, William. Algebra Lineal con aplicaciones. Primer edicin, Mxico, Mc
graw Hill, 1990.
5.- Carre Carbo, Ramn. Algebra matricial y lineal. Segunda edicin, Mxico. Mc
Graw Hill, 1987.
6.- Hoffman, Charles. Algebra lineal. Prentice Hall, 1972.
119

Algebra lineal del TESE

Загружено:

Сведения о документе

Исходное описание:

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

Algebra lineal del TESE

Загружено:

Авторское право:

Доступные форматы

Cuaderno de Tecnologa N 4

Tecnolgico de Estudios Superiores de Ecatepec, Mxico, 2006

TECNOLGICO DE ESTUDIOS SUPERIORES DE ECATEPEC

"2006: Ao del Presidente de Mxico Benito Pablo Jurez Garca"

PEDRO ROMANO-APORTELA y CLAUDIA LOZANO MORA Divisin de

Ecatepec de Morelos, Estado de Mxico

DR. LUIS VlDEGARAY CASO

MAESTRO RAFAEL FREYRE MARTNEZ

M.B.A. JOS ANTONIO PARDO SAAVEDRA

ING. JOS ALFREDO UZRRAGA DAZ

C. JOS LUIS CRUZ FLORES

PROF. ROBERTO RUIZ LLANOS

UC. MANUEL BAUTISTA LOPEZ

C.P. JORGE ISAAC HERNNDEZ HERNNDEZ

DR. RUBN JAIME BARAJAS VZQUEZ

Autoridades del Tecnolgico de Estudios Superiores de Ecatepec

C.P. Ma. Eugenia Btiz y Solrzano

M. en A. lvaro Gmez Carmona

Lic. Jorge Rojas Snchez

M. en A Alfonso Martnez Reyes

L.C. Irineo Ocaa Bruno

Lic. Jos Misael Marn Luciano

Lic. Jorge Arturo Unzueta Mndez

MENSAJE DEL DIRECTOR GENERAL

Entre los objetivos del Tecnolgico, adems de la formacin de profesionales,

As, el Tecnolgico de Estudios Superiores de Ecatepec se enorgullece en

Ingeniera Electrnica, la Ingeniera en Sistemas Computacionales, la Ingeniera

M. EN A. URIEL GALICIA HERNNDEZ

Pedro Romano Aportela

Claudia Lozano Mora

Acerca de los autores.

Pedro Romano Aportela. Egres de la Escuela Superior de Fsica y Matemticas

Academia de Ciencias Bsicas y

El texto se ha dividido en tres grandes apartados; en el capitulo 1 se dan la

El capitulo 3 habla acerca del concepto de transformaciones lineales y las

Se incluyen tambin un conjunto de problemas al final de cada capitulo, con el fin

CAPTULO 1. MATRICES Y DETERMINANTES

Resolver este sistema de ecuaciones significa; encontrar el (los) valores de las

sistema no tiene solucin. De los ejemplos anteriores se puede inferir el siguiente

Antes de resolver sistemas ms complicados, vamos a introducir el concepto de

VECTOR COLUMNA DE N COMPONENTES: Se define un vector columna de n

VECTOR NULO (CERO) DE N COMPONENTES: Es aquel en el cual todas y

Nota: Los vectores los denotaremos de la siguiente manera: a , b . las matrices

Ahora definiremos algunas operaciones entre vectores.

A) IGUALDAD DE VECTORES: Dos vectores columna (rengln) a , b son iguales

Con base en estas operaciones podemos establecer el siguiente teorema.

TEOREMA. Sean a , b y c vectores, , escalares. Entonces:

( producto por un vector es distributivo )

MATRICES. Una matriz A de tamao m x n es un arreglo rectangular de mn

Al nmero que aparece en el i-simo rengln y j-sima columna se le conoce

ai j de la matriz. Una matriz se dice que es cuadrada cuando

m=n. Ms adelante definiremos algunas matrices especiales que aparecen con

De manera similar como se defini la igualdad de vectores, definiremos la igualdad

de matrices como: Dos matrices A ai j

son iguales si y slo si

tienen el mismo tamao y sus componentes correspondientes son iguales.

A) SUMA DE MATRICES: Sean A ai j , B bi j dos matrices de tamao mxn.

La suma A+B es otra matriz de tamao m x n definida:

Es decir la suma se obtiene sumando sus componentes correspondientes

B) MULTIPLICACIN DE UNA MATRIZ POR UN ESCALAR: Sea A ai j

matriz de tamao m x n, un escalar. Entonces la matriz A tiene tambin

a11 a12 a1n