[“algebra lineal es una herramienta

básica para casi todas las ramas de la

matemática. Se comienza con las
definiciones básicas de estructuras
algebraicas necesarias para definir la
noción de espacio vectorial, para
seguir con la noción de sub-espacio,
sistema de generadores e
independencia lineal. se definen y
estudian las transformaciones lineales,
el espacio dual y la teoría de
determinantes. La diagonalizacion de
matrices.”]

[ALGEBRA
LINEAL]
[Resumen del curso]

Sandro Lozano Pérez Codigo:14190171

 [ALGEBRA LINEAL]

INDICE

 MATRICES
- Definicion y tipos de
matrices………………………………………………………….1
- Operaciones con
matrices……………………………………………………………….6
- Inversa de una
matriz…………………………………………………………………….11
- Rango de una
matriz……………………………………………………………………..15
- Determinantes…………………………………………………………………
……………22
- Inversa de una matriz con
determinantes……………………………………..25
- Solución de ecuaciones
lineales…………………………………………………….31

 ESPACIOS VECTORIALES
- Definicion y
propiedades………………………………………………………………39
- Sub-espacios
vectoriales………………………………………………………………41
- Operaciones con espacios y sub-
espacios…………………………………….43

 TRANSFORMACIONES LINEALES
- Definicion………………………………………………………………………
………...53
- Matriz asociada a una
transformación…………………………………….55
- Rango de una transformación
lineal………………………………………..59
- Cambio de
base……………………………………………………………………….63
- Autovalores y
autovectores…………………………………………………….64
- Diagonalizacion………………………………………………………………
……65

1
 [ALGEBRA LINEAL]

Matriz:

Definición y elementos.

Definición: Llamaremos matriz de orden o dimensión m n a un conjunto de mxn

elementos reales dispuestos en m filas y en n columnas. Los representaremos de la siguiente
forma:

 a 11 a 12 ..........a 1n 
 
 a 21 a 22 ..........a 2n 
A
.......................... 
 
 a a ..........a 
 m1 m2 mn 

Definición: Llamamos elemento aij al que pertenece a la fila i y a la columna j.

Ejemplo: La siguiente matriz tiene dimensión 3x4.

 2 3 1 0
 
A   3  1 5 1  Además, a23 = 5 y a33 = 6
 0 2 6 4
 

Si llamamos a la matriz A, también denotaremos a dicha matriz como A  (aij ) mn donde los
aij son elementos reales. Al conjunto de todas las matrices de orden m n sobre el conjunto de
los números reales lo denotaremos como M mn () .

Vectores fila y vectores columna

2 1 3 
Dada una matriz cualquiera, por ejemplo, A    podemos escribirla separando sus filas,
3 0 2 
o bien, sus columnas, es decir,

2 1 3 
A    A1  2 1 3 A2  3 0 2 A tiene dos vectores fila
3 0 2 

2 1 3   2 1  3
A    A 1    A 2    A 3    A tiene tres vectores columna
3 0 2  3  0  2

2
 [ALGEBRA LINEAL]

Esto significa que podemos pensar en una matriz bien como una tabla de elementos,
bien como un conjunto de vectores puestos en fila, bien como un conjunto de vectores puestos
en columna.

 a 11 a 12 ..........a 1n   A1 
   
 a 21 a 22 ..........a 2n 
A
.......................... 
A 
A 2 
...

A  A1 A2 ..... An 
   
 a a ..........a  A 
 m1 m2 mn   m

Definición: Llamaremos submatriz de una matriz A de orden m n , a otra matriz M resultante

de eliminar p filas y q columnas de A, donde p y q son números naturales tales que
0 pm 0qn

 2 3 1 0
 
Ejemplo: A   3  1 5 1 
 0 2 6 4
 

 2 3 0
Al eliminar la 2ª fila y la 3ª columna, nos queda: M   
0 2 4 

Tipos de matrices.

Matriz fila.

Llamaremos matriz fila a la matriz que solo tiene una fila, es decir, a una matriz de orden 1  n

Ejemplo: A  1  4 3 0

Matriz columna.

Llamaremos matriz columna a la matriz que solo tiene una columna, es decir, a una matriz de
orden m  1

2
 
Ejemplo: A   4 
  1
 

3
 [ALGEBRA LINEAL]

Matriz nula.

Llamaremos matriz nula a aquella en la que todos sus elementos son cero.

0 0 0 
Ejemplo: 0   
0 0 0 

Matrices iguales.

Dos matrices A y B diremos que son iguales si tienen la misma dimensión y si los elementos que
ocupan la misma posición son iguales, es decir,

A = (aij) y B = (bij) son iguales si aij = bij  ij

 a 1
b3
 a b   1 3 
Ejemplo: Si      
 c d    3 5 c  3
 d  5

Matriz traspuesta.

Dada una matriz A = (aij), se llama traspuesta de A, y se representa por At, a la matriz que se
obtiene intercambiando en A las filas por las columnas. Si A es de orden m  n , At es de orden
nm

Ejemplo:

 1 0
-1 2 3  
Si A    que es de orden 2 x 3 A   2 4  que es de orden 3 x 2.
t

0 4 6  3 6
 

Propiedades de las matrices traspuestas:

1.- (At)t = A

2.- (A + B)t = At + Bt

3.- (k·A)t = k·At

4.- (A.B)t = Bt·At

4
 [ALGEBRA LINEAL]

Matriz cuadrada.

Llamamos matriz cuadrada de orden n a aquella que tiene igual número de filas que de
columnas, por tanto su orden es n  n . Al conjunto de todas las matrices de orden n sobre el
conjunto de los números reales lo denotaremos M n ( () .

4  8 3 
 
Ejemplo: A   7 1 0 
 3 5  2
 

Dada una matriz cuadrada de orden n, A=(aij), llamaremos diagonal principal de A a los
elementos aii, donde 1  i  n .

4  8 3 
 
A  7 1 0  es la diagonal principal
 3 5  2
 

De igual forma llamaremos diagonal secundaria a los elementos aij tal que i+j=n+1.

4  8 3 
 
A  7 1 0  es la diagonal secundaria
 3 5  2
 

Matriz triangular.

Dada una matriz cuadrada A entonces:

Diremos que A es una matriz triangular superior si todos los elementos por debajo de la
diagonal principal son ceros.

1 4  2
 
A  0  3 6 
0 0 1 


5
 [ALGEBRA LINEAL]

Diremos que A es una matriz triangular inferior si todos los elementos por encima de la
diagonal principal son ceros.

4 0 0 
 
B  7 1 0 
 3 5  2
 

Matriz diagonal.

Diremos que A es una matriz diagonal si es una matriz triangular superior e inferior a la
vez, es decir, es la que tiene todos sus elementos nulos excepto los de la diagonal principal.

5 0 0 
 
Ejemplo: D   0 4 0 
0 0 3
 

Matriz escalar.

Llamaremos matriz escalar a una matriz diagonal en la que todos los elementos de la
diagonal principal son iguales.

5 0 0
 
Ejemplo: E   0 5 0 
 0 0 5
 

Matriz identidad o matriz unidad.

Llamamos matriz unidad o matriz identidad de orden n, a una matriz escalar especial en
la que todos los elementos de la diagonal principal son 1. A dicha matriz la denotamos por I o
por In, donde n indica el orden de la matriz.

1 0 0
 
Ejemplo: I 3   0 1 0 
0 0 1
 

Matriz simétrica.

Dada una matriz cuadrada A, diremos que A es una matriz simétrica si es igual a su traspuesta, es
decir, si At = A. (el elemento aij = aji.)

1 2 0  1 2 0 
   
Ejemplo: A   2 4 7  y A   2 4 7  por tanto, A es simétrica
t

0 7 5  0 7 5 
   

6
 [ALGEBRA LINEAL]

Operaciones con matrices.

Suma de matrices

Dadas dos matrices A = (aij) y B = (bij), A,B  M mn () , (de la misma dimensión)
entonces, se define la matriz suma de A y B como otra matriz C = (cij)  M mn () tal que:

cij = aij + bij i, j  1,...., n

Así pues, de la anterior definición de suma de matrices extraemos como consecuencia

que, para poder sumar dos matrices, éstas tienen que tener el mismo orden, y que la suma se
hace elemento a elemento.
 2 4  1 3  3 7 
     
Ejemplo:   1 7    7 0    6 7 
 0 2  1 3  1 5
     

Propiedades de la suma de matrices:

Con la definición vista de suma de matrices elemento a elemento es fácil imaginar que
las propiedades de la suma de matrices son las mismas que la de la suma de números reales.
Considerando entonces las matrices A, B, C  M mn () , tendremos las siguientes propiedades:

1.- Asociativa: A + (B + C) = (A + B) + C

2.- Conmutativa: A + B = B + A

3.- Existe elemento neutro: El elemento neutro será la matriz nula 0, puesto que

A + 0 = A, sea cual sea la matriz A.

4.- Existe elemento opuesto: La matriz opuesta de A = (aij) será la matriz

–A = (-aij), ya que A + (-A) = 0.

7
 [ALGEBRA LINEAL]

3.2. Producto de una matriz por un escalar.

Dada la matriz A  M mn () y un número k   , entonces la matriz producto k·A será el
producto de multiplicar cada elemento de A por k, es decir si A = (aij) entonces: k·A = (k·aij)

 7 1   14 2 
   
Ejemplo: 2   5 3    10 6 
  4 1   8 2
   

Propiedades del producto de una matriz por un escalar:

Igual que decíamos antes para la suma de matrices, las propiedades del producto de una
matriz por un escalar serán las mismas que las del producto de números reales. Así sean A, B
 M mn () y  ,   tendremos las siguientes propiedades:

1.- Distributiva respecto de la suma de matrices:  ·(A + B) =  ·A +  ·B

2.- Distributiva respecto de la suma de escalares: (  +  )·A =  ·A +  ·A

3.- Asociativa mixta:  ·(  ·A) = (    )·A

4.- Existe elemento neutro: Dicho elemento será el 1 (nº real), ya que: 1·A = A

8
 [ALGEBRA LINEAL]

3.3. Producto de dos matrices.

Antes de definir el producto de dos matrices con carácter general, vamos a definir el
producto de una matriz fila por una matriz columna:

Producto de una matriz fila por una matriz columna:

Si consideramos una matriz fila A y otra matriz columna B, (ambas con el mismo número de
elementos) entonces su producto será:

 b1 
 
 b2 
 ... 
a1 a2 ...... an      a1  b1  a2  b2  .......  an  bn
 ... 
 ....
b 
 n

 6 
 
Ejemplo: 1 2 3·  4   1·6  2·(4)  3·5  6  8  15  13
 5 
 

Importante: obsérvese que el resultado de multiplicar una fila por una columna es un número.

Producto de dos matrices.

Dada una matriz A = (aij)  M mn () y otra matriz B = (bij)  M n p () , es decir, tales que el
número de columnas de A es igual al número de filas de B, entonces se define la matriz producto
A·B como otra matriz C = (cij)  M m p () , tal que cij será el producto de la fila i de A por la
columna j de B, es decir:

 b1 j 
 
 b2 j 
cij = ai1 ai 2 ...... ain    ....   ai1  b1 j  ai 2  b2 j  .......  ain  bnj o también
 
 .... 
b 
 nj 
n
cik   a ih .bhk
h 1

9
 [ALGEBRA LINEAL]

 6 1 0 5 
 1 2 3     4 15 7 10 
Ejemplo:     5 1 2  2    
 0  1 1  0 4 1 3   5 3  1 5 
 

2x3 3x4 2x4

Iguales

Explicación:

Para hallar c11 = -4 hemos hecho lo siguiente: elegimos la fila 1 de A y la multiplicamos por la
columna 1 de B :

 6 1 0 5 
 1 2 3  
    5 1 2  2   c11  1·6  2·(5)  3·0  4
 0  1 1  0 4 1 3 
 

Para hallar c23 = -1 hemos hecho lo siguiente: elegimos la fila 2 de A y la multiplicamos por la
columna 3 de B :

 6 1 0 5 
 1 2 3  
    5 1 2  2   c23  0·0  (1)·2  1·1  1
 0  1 1  0 4 1 3 
 

Consecuencias:

- Dos matrices A y B son multiplicables si el número de columnas de A es igual al número de filas

de B. (en el ejemplo anterior, A es de dimensión 2x3 y B de dimensión 3x4)
-Además, la matriz producto C tendrá tantas filas como A y tantas columnas como B. (2x4)
Propiedades del producto de matrices

Sean A  M mn () , y B,C  M n p () , entonces se verifican las siguientes propiedades:

1.- No es una ley interna, ya que las matrices que se multiplican no tienen por qué ser del mismo
orden, y la matriz resultado normalmente no es de la misma dimensión que ninguna de las que
se multiplica.

A · B = C

(m,n) (n,p) (m,p)

Vemos que C no es de la misma dimensión que A, ni que B.

10
 [ALGEBRA LINEAL]

2.- Asociativa: Si A  M mn () , B  M n p () y C  M pq () entonces:

A·(B·C) = (A·B)·C

3.- No es conmutativa.

A·B  B·A

Lo anterior no quiere decir que eso sea siempre distinto, sino que no son necesariamente
iguales. En general ni siquiera serán comparables, a menos que p = m; en cualquier otro caso
no podremos ni hacer el producto B·A.

Ejemplos:

 2 0 1
1 3 1   
Sean A=   B=   1 4 3 
 2 4 1  0 1 2
 

 2 0 1
1 3 1   
Está claro que podemos realizar A · B   ·   1 4 3 
 2 4 1  0 1 2 
 

 2 0 1
  1 3 1 
Sin embargo es imposible realizar B · A   1 4 3  ·  
 0 1 2   2 4 1
 

Pero aún en el caso de que pudiese realizarse, tampoco es cierto que salga el
mismo resultado como prueba el siguiente ejemplo:

1 2  1 4   1 10  11  6 
Si A=   B=   entonces: A · B =   pero B · A =  
 3  1  0 3  3 9   9  3

4.- Distributiva:

A·(B + C) = A·B + A·C

Además de las propiedades anteriores, que son válidas para todas las matrices,
independientemente de su orden, si consideramos una matriz cuadrada de orden n A  M n ()
, podemos añadir las siguientes:

11
 [ALGEBRA LINEAL]

5.- Existe elemento neutro: El elemento neutro del producto de matrices ‘cuadradas’ de orden
n será la matriz unidad o matriz identidad In, puesto que:

A·In = In·A = A

1 2 3  1 0 0   1 2 3
     
Ejemplo:   1  4 5 ·  0 1 0  =   1  4 5
0 2 3   0 0 1   0 2 3 


6.- Elemento inverso: No existe, en general, elemento inverso A-1 de una matriz cuadrada A

Ejemplo:

 ... ...   0 0   1 0 
  ·   =  
 ... ...   0 1   0 1 

Sin embargo, si hay matrices que tienen inverso, es decir tal que: A·A-1 = A-1·A = In

Ejemplo:

1 2 1 0 1 1

   4 2

Si consideramos la matriz A =  0 2 0  podemos probar que la matriz =  0 1
2
0  verifica
 2 1 0 1 3 1 
   4 2 

que:

1 2 1 0 1 1
 1 0 0 0 1 1

   4 2
    4 2

 0 2 0 · 0 0  =  0 1 0  por tanto A-1= 0 0
1 1
2 2
 2 1 0 1 3 1  0 0 1 1 3 1 
   4 2     4 2 

1.- Si A·B = 0, entonces no necesariamente se tiene que verificar que A = 0 o que B = 0.

Aunque esta es una propiedad evidente de los números reales, en las matrices no tiene por qué
ocurrir. La causa o la propiedad que está detrás de esto es la existencia (para los números reales)
o la no existencia (para las matrices) de elemento inverso.

12
 [ALGEBRA LINEAL]

Ejemplo:

 1 0  0 0  0 0
       
 0 0 1 1  0 0

Ninguna de las matrices multiplicadas es la matriz nula, pero su producto sí lo es. La causa es
que ninguna de esas matrices tiene inversa.

2.- En general, (A + B)2  A2 + 2·A·B + B2.

La propiedad que subyace detrás de está afirmación es la no conmutatividad de las matrices, en

general. Veámoslo más claro:

(A + B)2 = A2 + A·B + B·A + B2  A2 + 2·A·B + B2

Puesto que en general A·B  B·A.

3.- Por la misma razón, (A - B)2  A2 - 2·A·B + B2.

4.- Y de igual forma, (A + B)·(A - B)  A2 - B2.

Matriz inversa de una matriz cuadrada.

Podemos comenzar diciendo que una matriz que no sea cuadrada, nunca tendrá inversa
y que entre las matrices cuadradas, en general, tampoco existen inversas (hemos visto en el
apartado anterior ejemplos en el que unas veces si tienen y otras no)

De existir la matriz inversa de una matriz cuadrada A, la representaremos por A-1 y la llamaremos
matriz inversa de A.

Por tanto, entre las matrices cuadradas podemos establecer una gran división: aquellas que tienen
inversa y aquellas que no la tienen.

Definición: Llamaremos matriz regular a toda matriz cuadrada que tenga inversa.

Definición: Llamaremos matriz singular a toda matriz cuadrada que no admita inversa.

13
 [ALGEBRA LINEAL]

Ejemplos:

1 2 1
 
A=  0 2 0  es una matriz regular porque tiene inversa.
 2 1 0
 

1 2 1
 
B=  0 2 0  es una matriz singular porque no tiene inversa
1 4 1
 

Cálculo de la matriz inversa.

Una manera de proceder es mediante sistemas de ecuaciones y con operaciones vectoriales

(aunque ya veremos en el tema siguiente que hay una forma mucho más rápida)

1 2 1
 
Ejemplo: Vamos a calcular la inversa de la matriz A =  0 2 0 
 2 1 0
 

Esta matriz tiene inversa pero, ¿cómo la calculamos? Planteemos la situación.

 x 11 x 12 x 13 
 
Se trata de hallar una matriz X =  x 21 x 22 x 23  que verifique que A · X = I, es decir:
x x 33 
 31 x 32

 1 2 1   x 11 x 12 x 13   1 0 0 
     
 0 2 0  ·  x 21 x 22 x 23  =  0 1 0 
 2 1 0  x x 33   0 0 1 
   31 x 32

Pero si ponemos la matriz X y la matriz I en función de sus vectores filas tendremos:

14
 [ALGEBRA LINEAL]

X1 = (x11, x12, x13); X2 = (x21, x22, x23); X3 = (x31, x32, x33)

e1 = (1, 0, 0); e2 = (0, 1, 0) ; e3 = (0, 0, 1)

por lo que el sistema anterior queda:

 1 2 1   X 1   e1 
     
 0 2 0  ·  X 2    e 2  y haciendo la multiplicación, que se convierte en:
 2 1 0  X   e 
   3  3

X 1  2 X 2  X 3  e1 

2X2  e2  donde X1, X2 y X3 son las incógnitas pero vectores.
2 X 1  X 2  e3 


Si resolvemos el sistema obtenemos

2e 3  e 2 e2 4e - 3e 2 - 2e 3
X1 = X2 = X3 = 1
4 2 4

lo que traducido a vectores significa que:

X1 = 0 1
4
1
2
 X 2 = 0 1
2 0 X 3 = 1 -3
4
1
2


luego la matriz X pedida será

 X1   0 1 1

   4 2

X =X2  =0 1
2
0
 X  1 3 1 
 3  4 2 

Podemos probar que efectivamente X = A-1 , es decir, es la inversa viendo que

15
 [ALGEBRA LINEAL]

1 2 1 0 1 1
 1 0 0
   4 2
  
 0 2 0 · 0 0  = 0 1 0
1
2
 2 1 0 1 3 1  0 0 1
   4 2   

Rango de una matriz

Antes de definir el rango de una matriz, vamos a dar una serie de definiciones
relacionadas con los vectores.

   
Definición: Dado un conjunto de vectores v1 , v2 , v3 ,......, vm  n , diremos que dichos vectores
son linealmente dependientes cuando alguno de ellos se pueda expresar en función de los otros,
o también, cuando alguno de ellos sea combinación lineal de los otros o, equivalentemente, si
existen 1 , 2 , 3 ,....., n   , alguno de ellos distinto de 0, tal que:

    
1  v1  2  v2  3  v3  ..........  n  vn  0

Ejemplo:

v1  1 0  1 2
 
Dados los vectores v2  4 2  2 1 , podemos observar que el vector v3 se obtiene a partir

v3  6 2  4 5

      
de los otros dos de la siguiente forma: 2  v1  v2  v3 o equivalentemente, 2v1  v2  v3  0 ,
  
por tanto, los vectores v1 , v2 , v3  son linealmente dependientes.

Definición: Diremos que dichos vectores son linealmente independientes cuando ninguno de
ellos se pueda expresar en función de los otros, o también, cuando ninguno de ellos sea
combinación lineal de los otros o, equivalentemente, si la única forma de conseguir que:

    
1  v1  2  v2  3  v3  ..........  n  vn  0

es cuando 1  2  3  .....  n  0

16
 [ALGEBRA LINEAL]

Ejemplo:

v1  1 1 0

Dados los vectores v2  0 1 3 , puede comprobarse que ninguno es combinación de los

v3  1  1 6
  
otros dos y para ella podemos verlo intentando escribir el vector v3 en función de v1 y de v2

  
Deberíamos encontrar entonces dos valores x e y tales que x  v1  y·v2  v3 , o también:

x·1 1 0  y0 1 3  1  1 6

Esto nos lleva a resolver el sistema:

x  0y  1 

x  y  1  y de las ecuaciones primera y tercera obtenemos x = 1, y = 2, pero esas
0 x  3 y  6
soluciones no son válidas para la segunda ecuación, por lo que el sistema no tiene solución y por
  
tanto v3 no se puede expresar en función de v1 y de v2

(Nota: Habría que comprobar todos los casos posibles pero sólo hemos hecho un ejemplo)

Una vez hechas las consideraciones oportunas anteriores referentes a vectores linealmente
dependientes e independientes, repasemos los conceptos de vector fila y vector columna con
los que iniciamos el tema:

 a 11 a 12 a 13 ... ... a 1n 
 
 a 21 a 22 a 23 ... ... a 2n 
Sea A =  ... ... ... ... ... ...  una matriz de orden mxn.
 
 ... ... ... ... ... ... 
a ... a mn 
 m1 a m2 a m3 ...

Podemos interpretar cada una de sus filas como un vector, y de esa forma la matriz A
tendría m vectores de n coordenadas y si denotamos la fila i mediante la expresión Ai,
tendríamos:

17
 [ALGEBRA LINEAL]

A1 = ( a11 a12 a13 ... ... a1n)

A2 = ( a21 a22 a23 ... ... a2n)

..............................................

Ai = ( ai1 ai2 ai3 ... ... ain )

..............................................

Am= (am1 am2 am3 ... ... amn)

 A1 
 
 A2 
 ... 
y podríamos escribir A =   es decir, hemos abreviado la matriz A .
 Ai 
 ... 
 
A 
 m

Llamamos vectores fila de una matriz a cada una de las filas de dicha matriz, pero
interpretadas como vectores (Si la matriz es de orden mxn obtendremos m vectores fila de n
componentes).

Asimismo, podemos considerar ahora como vectores, en lugar de las filas, las columnas,
con lo que tendríamos n vectores de m componentes.

Si denotamos cada columna de A mediante la expresión Aj (la columna j) tendríamos

 a 11   a 12   a 1j   a 1n 
       
 a 21   a 22   a 2j   a 2n 
A1   ...  A 2 =  ...  ......... A j =  ...  ......... A n =  ... 
       
 ...   ...   ...   ... 
a  a  a  a 
 m1   m2   mj   mn 

18
 [ALGEBRA LINEAL]

lo que nos permite abreviar la matriz A en función de sus columnas

A = ( A1 A2 ... .... Aj ... .... An)

Llamamos vectores columna de una matriz a cada una de las columnas de dicha matriz, pero
interpretadas como vectores (Si la matriz es de orden mxn obtendremos n vectores columnas
de m componentes).

Esto nos permite también hacer el razonamiento inverso, es decir, dada una serie de vectores
podemos ponerlos en forma de matriz:


v1  1 0  1 2

Ejemplo: Dados los vectores v2  4 2  2 1 podemos representarlos en forma de

v3  9 8 4  3
matriz, de dos formas:

-Considerando cada vector una fila:

1 0 1 2 
 
A = 4 2  2 1 
 9 8 4  3
 

- Considerando cada vector una columna.

1 4 9
 
 0 2 8
B= 
1  2 4
 
 2 3 
 1

Una vez recordadas las definiciones anteriores podemos estamos en condiciones de dar
la definición de Rango de una matriz.

19
 [ALGEBRA LINEAL]

 a 11 a 12 a 13 ... ... a 1n 
 
 a 21 a 22 a 23 ... ... a 2n 
Dada una matriz A =  ... ... ... ... ... ...  de orden mxn,
 
 ... ... ... ... ... ... 
a ... a mn 
 m1 a m2 a m3 ...

Definición: Se define Rango de la matriz A, y se denota K(A) o Rg A, al número de filas o columnas

de A linealmente independientes.

Por tanto, estudiar el rango de la matriz A se reduce a estudiar cuántos vectores

linealmente independientes hay en el sistema:

S = { A1, A2, A3, ...... , An} (sus vectores columnas).

Ejemplos:

1 0 0
  1 0 2 3
A = 0 1 0 B =  
0 0 1  0 1 1 2
 

- Rg(A) = 3 pues observamos que cada una de sus columnas es un vector

independiente (de hecho, son los vectores de la base canónica de R3 ),

C1 = e1=( 1 0 0 )

C2 = e2=( 0 1 0 ) luego son independientes

C3 = e3=( 0 0 1 )

- Rg(B) = 2 porque las columnas segunda y tercera son combinación lineal de las
dos primeras, que son las dos únicas independientes:

20
 [ALGEBRA LINEAL]

C1= ( 1 0 )

C2= ( 0 1 )

C3= ( 2 1 ) C3= 2C1 + 1C2

C4= ( 3 2 ) C4= 3C1 + 2C2

A la hora de estudiar el rango de una matriz existe un teorema muy importante: es el

teorema del rango.

Teorema: En una matriz cualquiera, el número de vectores columnas linealmente

independientes es igual al número de vectores filas linealmente independientes.

Por tanto, a la hora de calcular el rango de una matriz lo podemos hacer por filas o por
columnas.

Además, en una matriz cualquiera de orden mxn el rango máximo posible será el valor
más pequeño entre m y n. (Máximo Rg(A) = Min (m,n))

1 0 2 3
Ejemplo: A=  
0 1 1 2 

Máximo nº de filas independientes = 2.

Máximo nº de columnas independientes = 4

Luego, al tener que ser iguales, Rg(A) = 2 como mucho.

21
 [ALGEBRA LINEAL]

OPERACIONES EN FILAS (O COLUMNAS) QUE DEJAN INVARIANTE EL RANGO:

A la hora de calcular el rango de una matriz, podremos realizar determinadas operaciones con las
filas y las columnas de forma que el rango no varía. Vamos a ver que operaciones son esas:

1.- Si en una matriz multiplicamos una fila (o columna) por un número distinto de 0, la matriz
resultante tiene el mismo rango que la anterior.

2.- Si en una matriz a una fila (o columna) le sumamos otra fila (o columna), la matriz resultante
tiene el mismo rango que la anterior.

3.- Si en una matriz a una fila (o columna) le sumamos una combinación lineal de las restantes,
la matriz resultante tiene el mismo rango que la anterior.

4.- Si en una matriz eliminamos una fila (o columna) cuyos elementos sean todos 0, la matriz
resultante tiene el mismo rango que la anterior.

5.- Si en una matriz eliminamos una fila (o columna) que sea igual o proporcional a otra, la matriz
resultante tiene el mismo rango que la anterior.

6.- Si en una matriz intercambiamos dos filas (o columnas) entre sí, la matriz resultante tiene el
mismo rango que la anterior.

CÁLCULO DEL RANGO. MÉTODO DE GAUSS.

El método de Gauss consiste en llegar, mediante las operaciones vistas anteriormente que
me dejan invariante el rango, a una matriz escalonada a partir de nuestra matriz original, Una vez
hayamos obtenido una matriz escalonada (aij=0 cuando i>j), y después de haber eliminado las filas
o columnas nulas y las iguales o proporcionales a otras, el rango será el menor número de filas o
columnas que nos queden.

22
 [ALGEBRA LINEAL]

Aplicaciones del cálculo del rango.

* Ejemplos:

1 1 0  1 1 0  1 1 0
  f 2 ´ f 2  2 f1    
a) 2 1 1    0  1 1    0  1 1   rg  2
 1 1  2 f 3 ´ f 3  f1  0 2  2  f 3 ´ f 3  2 f 2  0 0 0 
     

 1 1 2 1 1 2  1 1 2 
  f 2  2 f1   f3 3 f 2  
b)  2 1 1   0  1  3   0  1  3   rg  3
 1 2 0 f 3  f1 0 3 2  0 0  7
    

Teorema: Una matriz cuadrada A de orden n tendrá inversa si y sólo si su rango es n.

Así la matriz del apartado a) anterior no tendrá inversa porque su orden es 3 pero su rango es 2.

Sin embargo, la matriz del apartado b) sí tiene inversa ya que su orden y su rango coinciden.

DETERMINANTE DE UNA MATRIZ

El determinante de una matriz es un escalar (un número), obtenido a partir de los elementos de
una matriz por operaciones especificadas, y que es característico de la matriz. Los determinantes
están definidos solamente para matrices cuadradas. En esta sección se estudiarán los métodos
para obtener los determinantes y las propiedades de éstos.
El determinante de una matriz 2  2 .

a a 
A   11 12
a21 a22

Está dado por:



det A  A  a11a22  a12a21

 23
 [ALGEBRA LINEAL]

Ejemplos:

3 6 3 6
Si A   entonces A   3 24 27
4 1 4 1

1 0 1 0
Si A    entonces A   10 0  10
  6 10
 6 10

Análogamente, el determinante de una matriz 3  3 ,

 a11 a12 a 
13
 
A  a21 a22 a23 

a31 a32 a33 


Está dado por:



A  a11a22a33  a12a23a31  a13a32a21  a13a22a31  a23a32a11  a33a21a12

 METODOS PARA HALLAR LOS DETERMINANTES

El determinante M i j es un menor de la matriz A. El escalar Ci j  1

i j
Mi j

 A. La matriz n x n Ci j  se denomina



se denomina cofactor del elemento ai j de la matriz
adjunta de A y se representa por adj A.

 

Como se señaló antes, el determinante de una matriz se puede obtener por un

procedimiento conocido como desarrollo por cofactores. El determinante de A puede
desarrollarse en términos de la fila i por la fórmula:

n
A a i j Ci j Para cualquier fila i = 1, 2, …, n,
j1

 y en términos de la columna j por la fórmula:

24
 [ALGEBRA LINEAL]

n
A a i j Ci j Para cualquier columna j = 1, 2, …, n
i1

 Por tanto el determinante de A33 expresado antes como

a22 a23 a21 a23 a a

A  a11  a12  a13 21 22
a32 a33 a31 a33 a31 a32

 se puede escribir
3
A  a11C11  a12C12  a13C13  a 1 j C1 j
j1

 EJEMPLO

Evalúe el determinante de la matriz

3 0 2
 
A  6 8 1

0 3 4

A  96 0  36 0  9  0  141

 o bien, desarrollando en términos de la primera fila,

8 1 6 8
A 3 02  332 3 218 0 105 36  141
3 4 0 3

 Efectuando el desarrollo en función de la segunda columna,

3 2 3 2
A  08 3  0  812 0 3312 96 45  141
0 4 6 1


25
 [ALGEBRA LINEAL]

PROPIEDADES DE LOS DETERMINANTES

Las siguientes propiedades de los determinantes frecuentemente son útiles en su evaluación:

1. El intercambio de las correspondientes filas y columnas de un determinante no altera su

valor, es decir, A  A .
2. Si todos los elementos de una fila (o de una columna) de un determinante son iguales a cero,
el valor del determinante es nulo.
3. Si todo elemento de una fila (o de una columna) de un determinante se multiplica por un

misma constante, el valor del determinante queda multiplicado por dicha constante.
4. Si se intercambian dos filas (o dos columnas) de un determinante, el signo del determinante
cambia, pero su valor absoluto no.
5. Si dos filas (o dos columnas) de un determinante son idénticas, el valor del determinante es
cero.
6. El valor de un determinante no cambia si cada elemento de cualquier fila (o cualquier
columna), o cada elemento multiplicado por la misma constante, se suma o se resta del
correspondiente elemento de cualquier otra fila (o columna).
7. El determinante del producto de dos matrices es igual al producto de los determinantes de
las dos matrices, es decir,
8. El determinante de una matriz diagonal es igual al producto de los elementos de su diagonal.

INVERSA DE UNA MATRIZ

La inversa de una matriz se emplea en la resolución de ecuaciones lineales simultáneas y en

otros análisis. En esta sección se define la inversa de una matriz y se analizan varios métodos
de inversión; tales procedimientos incluyen la inversión por medio de la eliminación
gaussiana, la inversión por medio de adjuntas y determinantes, y la inversión por medio de
adjuntas y determinantes, y la inversión de matrices subdivididas. Asimismo, se consideran
las propiedades de las inversas.
Si para una matriz A de orden n x n (cuadrada) existe otra matriz B de orden n x n
(cuadrada) tal que su producto es la matriz identidad de orden n, es decir, si

Ann Bnn  I n  Bnn Ann

 Entonces se dice que B es la recíproca o la inversa de A, y se escribe

 
B  A1  ai j   a i j  bi j 
1



26
 [ALGEBRA LINEAL]

Ejemplos:

A.

1 6
Determinar, si existe, la inversa de la matriz  
 4 3

1 6
 3 24  27, de manera que la inversa existe.
4 3 

 3 1 6 2 4 4 1 1
b11   b12   b21   b22  
27 9 27 9 27 27 27 27

 1
1 6  19 2 

    4 
9
y así,
 4 3  27 1
27 

 1 6  19 2  

1 0
   4   
9
Observemos que
 4 3  27 27  
1
0 1

B. 

3 15
Determinar, si existe, la inversa de la matriz  
 1 5

3 15
 1515  0 , de manera que no existe la inversa (es decir, la matriz es singular).
 1 5 

EJEMPLOS

A.
 0 2 3
 
Encontrar la inversa, si existe, de la matriz  1 3 3

1 2 2


Siguiendo el procedimiento ya expresado,



27
 [ALGEBRA LINEAL]

Intercambiode la primera
y segunda filas Paso1 Paso 2
 0 2 3 1 0 0  1 3 3 0 1 0 1 3 3 0 1 0 1 3 3 0 1 0
       
 1 3 3 0 1 0  0 2 3 1 0 0 0 2 3 1 0 0 0 1 2  2 0 0
3 1


1 2 2 0 0 1
 
1 2 2 0 0 1
 
0 1 1 0 1 1 
0 1 1 0 1 1

Paso 2 Paso 3 Paso 3
1 0  3 3
1 0 1 0  32 3
1 0 1 0 0 0 2 3
 2 2
  2
  
0
 1 3
2
 1
2
0 0 0 1 3
2
2
1
0 0 0 1 0 1 3 3


0 0  1 1
1 1
 
0 0 1 1 2 2
 
0 0 1 1 2 2

2 2


1
 0 2 3  0 2 3
   
Por lo tanto,  1 3 3   1 3 3

1 2 2
 
1 2 2

y esta matriz es igual a su inversa. Observemos que
 0 2 3 0 2 3 1 0 0
     
 1 3 3 1 3 3 0 1 0

1 2 2

1 2 2
 
0 0 1


 B.
 1 2 3
 
Obtener la inversa, si existe, de la matriz 1 0 4 

 0 2 2

Paso1 Paso 2 Paso 2
 1 2 3 1 0 0 1 2 3 1 0 0 1 2 3 1 0 0 1 0 4 0 1 0
        
1
 0 4 0 1 0 
 0 2 7 1 1 0 0 1 72 12 12 0 0 1 7
2
1
2
1
2
0

 0 2 2 0 0 1
 
0 2 2 0 0 1
 
0 2 2 0 0 1  
0 0 5 1 1 1

Paso 3 Paso 3
1 0 4 0 1 0 1 0 0 4
 15  45 
   5

0 1
7
2
1
2
1
2
0 0 1 0  15  15 107 

0 0 1 15 1
 15 
 
0 0 1
1 1
 15 

5 5 5


1
 1 2 3  45  15  45 
   1 
1 0 4   5  5 10 
1 7
En consecuencia,
  
 0 2 2  15 
1 1
 5 5 

28

 [ALGEBRA LINEAL]

 1 2 3  45  15  45  1 0 0

   1   
1 0 4  5  5 10  0 1 0
1 7
Observemos que
  
 0 2 2  15 
 
0 0 1

1 1
 5 5

 4 
 15  45   1 2 3 1 0 0
 51     
 5  5 10 1 0 4 0 1 0
1 7
y

 5
1 1
 15 
 
 0 2 2 0 0 1
  
5

INVERSIÓN MEDIANTE ADJUNTAS Y DETERMINANTES

Un método alternativo de inversión de matrices implica la obtención de la adjunta y el

determinante de la matriz que se desea invertir. Si A es no singular, es decir, si A  0 , entonces

A1 
1
adj A  
A

 EJEMPLOS

A.
Encontrar la inversa, si existe, de la matriz
 0 2 3
 
A   1 3 3 A  0  6  6  9  0  4 1

1 2 2


 o bien, desarrollando con los elementos de la primera fila,

1 3 13 1 3
A  0  21  31  0  22  3 32  3 1
12

1 2 1 2

 o efectuando el desarrollo con los elementos de la segunda columna,

1 3 22 0 3 32 0 3
A  21  31  21  22  3 30  3 200 3 1
12

1 2 1 2 1 3



29
 [ALGEBRA LINEAL]

Obteniendo las adjuntas

3 3 1 3 1 3
C11  1 C12  1  2  3  1 C13  1
11 12 13
 6  6  0  2  3 
2 2 1 2 1 2

21 2 3 0 3 0 2
C21  1  4  6  2 C22  1 C23  1  0  2
22 23
 0  3  3
2 2 1 2 1 2

31 2 3 0 3 0 2
C31  1 C32  1  0  3  3 C33  1
32 33
 6  9  3  02  2
3 3 1 3 1 3

 0 2 3  0 2 3
    
Por lo tanto, adj A  Ci j   1 3 3
 1
1
A  adj A   1 3 3
A

 1 2 2 
1 2 2



PROPIEDADES 

Las siguientes propiedades de las inversas frecuentemente son útiles en su valuación.

 
1
1. La inversa de la inversa de una matriz es la matriz original, es decir, A1  A.
2. El determinante de la inversa de una matriz es igual al recíproco del determinante de la
matriz; es decir, A1 1/ A .

3. La inversa de la transpuesta de una matriz es igual a la transpuesta de la inversa de la matriz;
   
1 
es decir, A  A1 .
 del producto de dos matrices es igual al producto de sus inversas en orden
4. La inversa
contrario; es decir, AB  B1 A1 .
1



DEPENDENCIA
 LINEAL Y RANGO

Un conjunto de m vectores a1 , a2 ,...,am cada uno con n elementos, se dice que es linealmente
dependiente si existe una combinación lineal (no trivial) de los vectores, que sea igual al vector
cero con n elementos. Es decir, si existe un conjunto de números 1 ,  2 ,... m con al menos uno
de ellos (distinto de cero).

m
1a1   2 a2  ...  m am   i ai  0 
i1
entonces el conjunto de vectores a1 , a2 ,...,am se dice que es linealmente dependiente. Si no

m
existe un conjunto de términos (excepto cuando todos valen cero) de modo que  i ai  0 ,
i1
 se dice que el conjunto de vectores es linealmente independiente.
 matriz como un conjunto de vectores fila o un conjunto de vectores
Puede considerarse a una
columna. Es demostrable que para cualquier matriz, el número de filas linealmente

independiente es igual al número de columnas linealmente independientes; este número es el

30
 [ALGEBRA LINEAL]

rango de la matriz. De modo que si una matriz es m x n y su rango se denota por r, entonces r 
min (m, n).

EJEMPLOS

A.
1 4 
 
Determinar el rango de la matriz 5 10

3 2


Min (m, n) = 2, por tanto, r  2.

Cada posible par de filas es linealmente independiente, También lo son las dos columnas. De

ahí que el rango de la matriz es 2.

B.
3 6
 
Determinar el rango de la matriz 1 2

2 4 


Min (m, n) = 2, por tanto, r  2.


Cada posible par de filas es linealmente dependiente. ya que

(primera fila) - 3(segunda fila) = 0

2(primera fila) - 3(tercera fila) = 0
2(segunda fila) - (tercera fila) = 0

Nótese que las dos columnas son también linealmente dependientes, puesto que 2 (primera
columna) - (segunda columna) = 0.

El rango de la matriz es 1.

El siguiente resultado (muy útil) proporciona un método sistemático para probar la

dependencia lineal: Considerar todas las submatrices cuadradas de A cuyos determinantes sean
distintos de cero. El rango de A es el orden del determinante de mayor orden. Por lo tanto, un
método para calcular el rango de una matriz es buscar el determinante no nulo de mayor orden
de la matriz o de una submatriz; el orden de este determinante es el rango de la matriz.
Las siguientes propiedades son útiles para determinar el rango de una matriz:

1. Puesto que el determinante de una matriz diagonal es igual al producto de sus elementos
diagonales, si A es una matriz diagonal, entonces r A es el número de elementos
diagonales distintos de cero en A . En particular r I n  n .
2. Puesto que cualquier submatriz de A es la transpuesta de una submatriz de A y como
B, entonces r A r A.
B   

3. El rango del producto de dos matrices  no puede exceder al menor rango de las dos
matrices; es decir, r AB minr A, r B.

 

 31
 [ALGEBRA LINEAL]

4. Si A es una matriz n x n, (cuadrada), entonces r A n si y sólo si A es no singular;

r A n sólo si A es singular. Luego, si una matriz cuadrada es singular; sus filas (y
también sus columnas) son linealmente dependientes; si es no singular, son linealmente
 independientes.  

 
Considere la solución de un sistema general de n ecuaciones lineales en n variables x1 , x2 ,...xn ,
y  Ax

en donde y es n x 1, A es n x n y x es n x 1. Si A es no singular, la única solución es


 x  A1 y

y  si y  Ax tiene una única solución,

recíprocamente,  entonces A es no singular.

Más generalmente, si y  Ax , entonces el conjunto completo de ecuaciones es compatible y
tiene por lo menos una solución si r A r A y . La solución es única sólo si
r A r A y n , es decir si y sólo si A es no singular.

En el caso especial (homogéneo) y  0, si A es no singular, la única solución es x  0, y no
puede haber solución distinta de  cero. Por lo tanto, cuando el conjunto de ecuaciones Ax  0
 tiene una solución diferente de cero, A debe ser singular.
Supóngase que y  Ax yA es mx n (no cuadrada), es decir, que haym ecuaciones en n
variables, en donde m puede ser menor que, igual a, o mayor que n; entonces r A minm, n
. 
El siguiente
 
resumen acerca de la solución de ecuaciones lineales simultáneas se aplica al
caso general de m ecuaciones en n variables, y también al caso especial de n ecuaciones en n

variables.

Si r A y r A, entonces todas las ecuaciones en el conjunto son lógicamente compatibles y
hay por lo menos una solución.

Si r A y r A n , hay una solución única.



Si r A y r A n , hay un número infinito de soluciones y las filas (y columnas) de A son
 linealmente dependientes.

Si r A y r A, no son lógicamente compatibles las ecuaciones del conjunto

 y no hay

solución.
SOLUCIÓN DE ECUACIONES LINEALES SIMULTÁNEAS

Hay varios métodos para resolver un sistema de ecuaciones lineales simultáneas que tiene
solución única. Varios de estos métodos se tratan en esta sección. Si uno de los métodos se
aplica a un conjunto de ecuaciones lineales que no tiene solución única, el método no puede
terminar, indicando, por consiguiente, que no hay solución única.
Como se indicó antes, un conjunto de n ecuaciones lineales simultáneas en n incógnitas se
puede escribir en forma matricial como
Ann Xn1  cn1

y la solución obtenida por inversión de A se puede denotar por Xn1  A1 c

nn n1



  32
 [ALGEBRA LINEAL]

De otra forma, el procedimiento estándar descrito previamente se puede usar para cambiar la
disposición A I c 
a la forma I A x
1

el
cual se puede obtener la solución directamente.

Un tercer método matricial para resolver ecuaciones lineales simultáneas está dado por la
regla de Cramer:

La solución de Ann Xn1  cn1

se puede obtener como los cocientes de determinantes


c1 a12 a1n a11 c1 a1n a11 a12 c1
c2 a22 a 2n a 21 c 2 a 2n a 21 a22 c2

cn an 2 a nn an1 c n a nn a n1 a n 2 cn
x1  x2  xn 
A A A

Para cada xi ,i 1,2,...,n , el denominador es el determinante de la matriz de los coeficientes,


y el numerador es el determinante de la matriz de los coeficientes con la i-ésima columna
reemplazada por la columna de los términos constantes del segundo miembro de las
ecuaciones. Observemos que si no hay solución única para un conjunto de ecuaciones lineales,

A  0 y estos cocientes no están definidos,

EJEMPLOS

A.
Resolver el sistema de ecuaciones lineales simultáneas

3x1  x 2  x 3  2
x1  2x 2  x 3  9
4 x1  3x 2  2x 3 1

Aplicar el procedimiento normal a la disposición A I c


para obtener I A x
1


Entonces la solución se puede obtener directamente de I x

o bien, obtenerse como

x  A1c

33

 [ALGEBRA LINEAL]

3 1 1 1 0 0 2 1 2 1 0 1 0 9 1 2 1 0 1 0 9

     
1 2 1 0 1 0 9 3 1 1 1 0 0 2 0 7 4 1 3 0 29

4 3 2 0 0 1 1
 
4 3 2 0 0 1 1
 
0 11 2 0 4 1 37

1 0  1 2 1
0  57  1 0 0 7 1 1
1
 7 7 7
  30 6 30

0 1  7 7 0  0 1 0  15  3
4 1 3 29 1 1 2
7 7   15
3

0 0
30
7
11 5 60  
1  7  0 0 1  11 1 7
2

7 7 30 6 30

x1  1
   
 Por tanto, leyendo directamente en la tabla x 2   3

x 3 
 
2


x1   30 7 1 1    
2 1
   1 
2    
6 30
o usando la matriz inversa, x  A1c , x2   15  13 9  3
15    

 
 7    
x3   30 1 2
30    
11 1
6

En la práctica, se 
obtendría la solución a partir de x  A1c si y sólo si A1 se hubiera obtenido

sin la tabla I A1 x .  

Por medio de la regla de Cramer.  


3 1 1
A  1 2 1  12 4  3 8  9  2 30
4 3 2

2 1 1
 9 2 1
1 3 2 8 1 27 2  6 18 30
x1     1
30 30 30
3 2 1
1 9 1
 4 1 2 54  8 1 36 3 4 90
x2    3
30 30 30

3 1 2
 1 2 9
4 3 1 6  36 6  16 811 60
x3     2
30 30 30



34
 [ALGEBRA LINEAL]

RAÍCES Y VECTORES CARACTERÍSTICOS DE UNA MATRIZ

Las raíces y vectores característicos de una matriz A de orden n x n se obtienen resolviendo la

ecuación Ax  x

para determinar un  y un vector x  0. El escalar  es una raíz característica de A , y x es un

vector característico de A .

DETERMINACIÓN
 DE LASRAÍCES CARÁCTERÍSTICAS
  


La ecuación Ax  x o A  Ix  0 tiene una solución no trivial, x  0, si y sólo si A  I

es singular, es decir, sólo si A  I  0


 
este determinante esun polinomio de n-ésimo grado en  , y por lo tanto, A tiene n raíces
características, 1 ,  2 ,..., n , que no necesariamente son distintas.

 a11 a12

Consideremos la matriz general 2 x 2 A   
 a21 a22 

De ahí que, Ax  x o A  Ix  0 puede 

expresarse como

 a11   x1  a12x2  0 a21x1  a22   x2  0

 que tiene un solución no trivial, x  0, si y sólo si A  I  0 ; es decir,

a11   a12
0

a21 a 22   

a11   a22    a122  0

2  a11  a 22   a11a 22  a12a 21  0

 cuya solución es

35
 [ALGEBRA LINEAL]

   
1  12 a11  a22 a11  a22  4a11a22  a12a21  2  12 a11  a22 a11  a22  4a11a22  a12a21
2 2

   

Para el caso especial de una matriz simétrica a12  a21, la solución es


 2   2 
1  12 a11  a22 a11  a22  2  12 a11  a22 a11  a22
2 2
 4a12   4a12 
   


 Obsérvese que las raíces características de una matriz simétrica siempre son reales, ya que la
expresión a11  a22  4a12
2 2
siempre es no negativa.

EJEMPLO

 10 3
Obtener las raíces características de la matriz A   
 3 2 

A es una matriz simétrica, y sus raíces características están dadas por


  2 
  12 a11  a22 

2
a11  a22
2
 4a12  
 1 12 64  36 11,1
 2 

 PROPIEDADES DE LAS RAÍCES CARACTERÍSTICAS

Estos elementos tienen las siguientes propiedades:

1. Las raíces características de una matriz simétrica real son reales.

2. El producto de las raíces características de una matriz A es igual A ; es decir,  n
i1 i  A
.
3. La suma de las raíces características de una matriz A es igual a la traza* de A ; esto es,

  i  tr A.
n

i1
 
4. La raíces características de una matriz diagonal son sus elementos diagonales. Obsérvese que
 
 
 i 12  tr A.
2
i1  i 11 A
2
en el ejemplo anterior y
i1




36
 [ALGEBRA LINEAL]

DETERMINACIÓN DE LOS VECTORES CARACTERÍSTICOS

Un vector característico, x i se halla relacionado con cada raíz característica  i de A , lo cual

 
satisface el sistema homogéneo de ecuaciones A  i I x i  0

Por definición delas raíces características, A  I  0 , y siempre existe

 una solución no trivial
para x i . No obstante, los elementos de x i sólo se determinan con base en un factor de escala,

 
dado que si x i satisface a A  i I x i  0 , también lo hace kxi en donde k es una constante

arbitraria. Los vectores característicos i x j  1 para todo
suelen normalizarse de manera que x 
 
valor de i .
  

EJEMPLO

En el caso de la matriz A dada en el ejemplo anterior, las raíces características son
1 11 y  2 1. Los vectores característicos correspondientes se pueden obtener como
sigue.

Para 1  11,


10 3 11 0 x11  0

A   Ix
1 1        
  3 2  0 11x12  0
 x11  3x12  0
3x11  9x12  0
x11  3x12

Normalizando de modo que x1x1  1

 2
x11  x12
2
1
2
9x12  x12
2
1 
1 3  3 1 
x12  x11  x1  , 
10 10  10 10 

Para 2  1,

10 3 1 0x 21  0 
A  Ix 2        
  3 2 0 1x 22  0 
9x 21  3x 22  0
3x 21  x 22  0
x 22  3x 21


37
 [ALGEBRA LINEAL]

2 x2  1
Al normalizar de modo que x 

2
x21  x 22
2
1
2
x21  x 21
2
1
1 3  1 3 
x21  x 22   x2   , 
10 10  10 10 

 Observemos que x1x 2  x 

2 x1  0. Así pues, x1 y x 2 son vectores ortogonales. Un conjunto de
vectores ortogonales normalizados es un conjunto ortonormal. Como x1 y x 2 están
normalizados, constituyen un conjunto ortonormal.
  
 
PROPIEDADES DE LOS VECTORES CARACTERÍSTICOS

Estos elementos tienen las siguientes propiedades:

1. Los vectores característicos de una matriz simétrica real son ortogonales.

2. Si una raíz característica tiene multiplicidad k , esto es, si es repetida k veces, habrá k
vectores ortogonales correspondientes a esta raíz.

  

38
 [ALGEBRA LINEAL]

CONCLUSION:

Se concluye que en este capítulo, se muestra un cierto tipo de ordenamiento que facilita las
operaciones. Esto permitiría resolver problemas de diversos tipos tanto en física, matemática
hasta en la vida diaria. Ya que se ven involucrados un conjunto de variables que pueden
representar diversas cosas y más aun con un determinado ordenamiento.

39
 [ALGEBRA LINEAL]

ESPACIOS VECTORIALES

Espacio vectorial real

Un espacio vectorial real V es un conjunto de objetos, denominados vectores, junto con dos
operaciones binarias llamadas suma y multiplicación por un escalar, y que satisfacen los
siguientes diez axiomas.

i) Si x ϵ V y y ϵ V, entonces x , y ϵ V (cerradura bajo la suma).

ii)Para todo x, y y z en V, (x + y) + z = x + (y + z)
(ley asociativa de la suma de vectores).
iii)Existe un vector 0 ϵ V tal que para todo x ϵ V, x + 0 = 0 + x = x
(el 0 se llama vector cero o idéntico aditivo).
iv)Si x ϵ V, existe un vector -x ϵ V tal que x + (-x) = 0
(2x se llama inverso aditivo de x).
v)Si x y y están en V, entonces x + y = y + x
(ley conmutativa de la suma de vectores).
vi) Si x ϵ V y a es un escalar, entonces αx ϵ V
(cerradura bajo la multiplicación por un escalar).
vii) Si x y y están en V y α es un escalar, entonces α(x + y) = αx + αy
(primera ley distributiva).
viii) Si x ϵ V y α y β son escalares, entonces (α + β)x= αx + βx
(segunda ley distributiva).
ix) Si x ϵ V y α y β son escalares, entonces α(βx)=(αβ)x
(ley asociativa de la multiplicación por escalares).
x) Para cada vector x ϵ V, 1x = x

Ejemplo:
E.1 El conjunto de todas las n-nadas con componentes reales 𝑅 𝑛
Demostración:
La suma: La suma de dos vectores con n componentes es un vector también con n componentes
cuya componente i-esima es la suma de las componentes i-esimas de los vectores que se están
sumando:
(xi) + (yi) = (xi + yi)
El producto por escalares: El producto de un escalar por un vector de n componentes se también
un vector de n componentes cuya componente i-esima es el producto del escalar por la i−esima
componente del vector que se multiplica:
c · (xi) = (c · xi)

Obs: siendo c,c1, c2 escalares

40
 [ALGEBRA LINEAL]

Ii.- x + (y + z) = (x + y) + z Los vectores son iguales pues tienen la misma dimensión y al comparar
las componente i se tiene
xi + (yi + zi) = (xi + yi) + zi
Iii.-Existe el vector neutro bajo la adición: Este vector es el vector con todas sus componentes
cero 0 = (0) y cumple 0 + x = x + 0 = x pues al comparar las i-esimas componentes se cumple:
0 + xi = xi + 0 = xi

Iv.- Cada vector de tiene su inverso aditivo: Para cada vector x = (xi) el vector −x = (−xi) cumple
x+ (−x) = (−x)+x = 0 pues al comparar las i-esimas componentes se cumple:

−xi + xi = 0 = xi + −xi

v.- x + y = y + x Los vectores son iguales pues tienen la misma dimensión y al comparar las
componente i se tiene

xi + yi = yi + xi

Vii.- c(x + y) = cx + cy: Los vectores son iguales pues tienen la misma dimensión y al comparar las
componentes i se tiene

c(xi + yi) = c xi + c yi

Viii.- (c1 +c2)x = c1 x+c2 x: Los vectores son iguales pues tienen la misma dimensión y al comparar
las componentes i se tiene

(c1 + c2)xi = c1 xi + c2 xi

Ix.- (c1 · c2)x = c1 (c2 x): Los vectores son iguales pues tienen la misma dimensión y al comparar
las componentes i se tiene

(c1 · c2)xi = c1(c2xi)

x.- (xi) = (1 · xi) = (xi)

Habiéndose cumplido los 10 axiomas, concluimos que 𝑅 𝑛 con las operaciones

- (xi) + (yi) = (xi + yi)
- c(xi) = (c xi)

Si es un espacio vectorial

41
 [ALGEBRA LINEAL]

Ejemplo2:

Sea V = {1}. Es decir, V consiste únicamente del número 1. Este no es un espacio vectorial ya
que viola el axioma i) el axioma de cerradura. Para verlo con más claridad, basta con observar
que:

1 + 1 = 2 no ϵ V.

También viola otros axiomas; sin embargo, con solo demostrar que viola al menos uno de los
diez axiomas
Queda probado que V no es un espacio vectorial.

Otros ejemplos de espacios vectoriales son:

- Sea V = {0}. Es decir, V consiste solo en el número 0. Como 0 + 0 = 1 x 0 = 0 + (0 + 0) =
(0 + 0) + 0 = 0, se ve que V es un espacio vectorial. Con frecuencia se le otorga el nombre de
Espacio vectorial trivial.
- El conjunto de puntos en R2 que se encuentran en una recta que pasa por el origen constituye
un espacio vectorial
- El espacio vectorial Mmxn
- El espacio C[a, b] 5 {funciones reales continuas en el intervalo [a, b]}.

SUB-ESPACIOS VECOTRIALES

Se dice que H es un sub-espacio vectorial de V si H es un subconjunto no vacío de V, y H es un

espacio vectorial, junto con las operaciones de suma entre vectores y multiplicación por un
escalar definidas para V.

Un subconjunto no vacío H de un espacio vectorial V es un sub-espacio de V si se cumplen las

dos reglas de cerradura:

42
 [ALGEBRA LINEAL]

Reglas de cerradura para ver si un subconjunto no vacío es un sub-espacio

i) Si x ϵ H y y ϵ H, entonces x + y ϵ H.
ii) Si x ϵ H, entonces αx ϵ H para todo escalar a.

Ejemplo de algunos sub-espacios

 En 𝑹  En ℝ𝟑
𝑾 = {𝟎} 𝑾 = {(𝟎, 𝟎, 𝟎)}
𝑾=𝑹 𝑾 = 𝓛 (𝒓𝒆𝒄𝒕𝒂𝒔)
𝑾 = ℙ(𝒑𝒍𝒂𝒏𝒐𝒔)
𝑾 = ℝ𝟑
 En 𝑹𝟐
𝑾 = {(𝟎, 𝟎)}  En 𝑹𝟒
𝑾 = 𝓛 (𝒓𝒆𝒄𝒕𝒂𝒔) 𝑾 = {(𝟎, 𝟎, 𝟎, 𝟎)}
𝑾 = ℝ𝟐 𝑾 = 𝓛 (𝒓𝒆𝒄𝒕𝒂𝒔)
𝑾 = ℙ(𝒑𝒍𝒂𝒏𝒐𝒔)
𝑾 = 𝕊(𝒔ó𝒍𝒊𝒅𝒐𝒔)
𝑾 = ℝ𝟒

Conjunto Generador:

Definición:

Sea V es un espacio vectorial; 𝜙 ≠ 𝑋 ⊆ 𝑉

ℒ{𝑋} = {∑ 𝛼𝑖. 𝑣𝑖 ; 𝑣𝑖 𝜖 𝑋 ; 𝛼𝑖 𝜖 𝑅}
𝑖

Propiedades:

 ℒ{𝑋} es un subespac.vectorial(es el mínimo subespac. que contiene a X)

 𝑆𝑖 𝑋, 𝑌 ⊆ 𝑉 𝑡. 𝑞. 𝑋 ⊆ 𝑌
⇒ ℒ{𝑋} ⊆ ℒ{𝑌}

 𝑆𝑖 𝑋 𝑒𝑠 𝑢𝑛 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑉
⇒ ℒ{𝑋} = 𝑋

 𝑋 ⊆ ℒ{𝑋}

43
 [ALGEBRA LINEAL]

Ejemplo:

𝑉 𝜀 𝑅3

𝑋 = { 𝑃1 } ⇒ 𝑛𝑜 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡.

ℒ{𝑋} = ℒ{ 𝑃1 } = {𝛼𝑃1 ; 𝛼 𝜀 𝑅}
⇒ 𝑅𝑒𝑐𝑡𝑎 𝑞𝑢𝑒 𝑝𝑎𝑠𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑜𝑟𝑖𝑔𝑒𝑛 𝑦 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑃1

⇒ 𝐸𝑠 𝑢𝑛 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙

Observación 1:

𝑋⊆𝑌

ℒ{𝑋} ⊆ ℒ{𝑌}

Observación 2:

𝑃 𝜀 𝑋 ⇒ 𝑃 = (1. 𝑃)𝜀 ℒ{𝑋}

𝑋 ⊆ ℒ{𝑋}

Ejemplo:

𝑃3 𝜀 𝑃 = ℒ1 {𝑃1 , 𝑃2 }

𝑋⊂𝑌⊂𝑍

{𝑃1 } ⊂ {𝑃1 , 𝑃2 } ⊂ {𝑃1 , 𝑃2, 𝑃3 }

Observación del ejemplo:

𝑃3 = ℒ1 {𝑃1 , 𝑃2 } = 𝑃

{𝑃1 , 𝑃2, 𝑃3 } ⊂ ℒ1 {𝑃1 , 𝑃2 }

ℒ{𝑃1 , 𝑃2, 𝑃3 } ⊂ ℒ{ℒ1 {𝑃1 , 𝑃2 }}

ℒ{𝑃1 , 𝑃2, 𝑃3 } ⊂ ℒ{𝑃1 , 𝑃2, } ⇒ 𝓛{𝑷𝟏 , 𝑷𝟐, 𝑷𝟑 } ⊂ 𝐏

44
 [ALGEBRA LINEAL]

Ejemplo 2:

Halle el generador de la siguiente ecuación:

ℙ = {(𝑥, 𝑦, 𝑧) 𝜀 𝑅 3 /𝑥 + 2𝑦 + 3𝑧 = 0}

Solución:

ℙ = (𝑥, 𝑦, 𝑧) 𝜀 ℙ ⇒ 𝑥 + 2𝑦 + 3𝑧 = 0 ⇒ 𝑥 = −2𝑦 − 3𝑧

ℙ = (𝑥, 𝑦, 𝑧) = (−2𝑦 − 3𝑧, 𝑦, 𝑧)

= (−2𝑦, 𝑦, 0) + (−3𝑧, 0, 𝑧)

= 𝑦(−2,1,0) + 𝑧(−3,0,1)

⇒ ℙ ⊂ ℒ{(−2,1,0), (−3,0,1)} … . (𝐼)

Observación del ejemplo:

(−2,1,0)𝜀ℙ
} ⇒ ℒ{(−2,1,0), (−3,1,0)} ⊂ ℒℙ = ℙ … . (II)
(−3,1,0)𝜀ℙ

De (I)y(II) :

ℒ{(−2,1,0), (−3,0,1)} = ℙ

Notación:

𝑊 ≪ 𝑉 ⇒ 𝑊 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡. 𝑑𝑒𝑙 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡. 𝑉

Definición:

Sea V un espacio vectorial.

𝑖)ℒ{𝑣1 , 𝑣2, 𝑣3 , . . . , 𝑣𝑛 } = 𝑉 𝑑𝑜𝑛𝑑𝑒 𝑣1 , 𝑣2, 𝑣3 , . . . , 𝑣𝑛 𝜀 𝑉

𝑖𝑖){𝑣1 , 𝑣2, 𝑣3 , . . . , 𝑣𝑛 } 𝑠𝑜𝑛 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠

⇒ {𝑣1 , 𝑣2, 𝑣3 , . . . , 𝑣𝑛 } 𝑒𝑠 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑉

⇒ 𝑑𝑖𝑚ℝ 𝑉 = 𝑛

45
 [ALGEBRA LINEAL]

Teoremas:

𝑖)𝑆𝑖 ℒ{𝑣1 , 𝑣2, 𝑣3 , … , 𝑣𝑛 } = 𝑉, dim(𝑉) = 𝑛

⇒ {𝑣1 , 𝑣2, 𝑣3 , . . . , 𝑣𝑛 } 𝑠𝑜𝑛 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝.

𝑖𝑖){𝑣1 , 𝑣2, 𝑣3 , . . . , 𝑣𝑛 } 𝑠𝑜𝑛 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝. 𝑦 dim(𝑉) = 𝑛

⇒ ℒ{𝑣1 , 𝑣2, 𝑣3 , … , 𝑣𝑛 } = 𝑉

Ejemplo: Si se tienen

𝑋 = {(𝑥, 𝑦, 𝑧)𝜀ℝ3 /2𝑥 + 𝑦 − 3𝑧 = 0}

𝑌 = {(𝑥, 𝑦, 𝑧)𝜀ℝ3 /𝑥 = −𝑦, 𝑥 = 𝑧}

a) Probar si son sub-espacios

b) Hallar los generadores, base y dimensión de X e Y

Solución:

a) ¿ 𝑋 ≪ ℝ3 ?

𝑖)(0,0,0) 𝜀 𝑋 , (2(0) + 1(0) − 3(0)) = 0

⇒ 𝑐𝑢𝑚𝑝𝑙𝑒

𝑖𝑖)𝑢, 𝑣 𝜀 𝑋 ; 𝛼, 𝛽 𝜀 ℝ ⇒¿ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑋 ?

𝑢 = (𝑥1 , 𝑥2 , 𝑥3 ) 𝜀 𝑋 ⇒ 𝛼(2𝑥1 − 𝑥2 − 3𝑥3 ) = 𝛼(0). . . (𝐼)

𝑣 = (𝑦1 , 𝑦2 , 𝑦3 ) 𝜀 𝑋 ⇒ 𝛽(2𝑦1 − 𝑦2 − 3𝑦3 ) = 𝛽(0). . . (𝐼𝐼)

𝑆𝑢𝑚𝑎𝑛𝑑𝑜 𝐼 𝑦 𝐼𝐼:

2(𝛼𝑥1 + 𝛽𝑦1 ) − 1(𝛼𝑥2 + 𝛽𝑦2 ) − 3(𝛼𝑥3 + 𝛽𝑦3 ) = 0

(𝛼𝑥1 + 𝛽𝑦1 , 𝛼𝑥2 + 𝛽𝑦2 , 𝛼𝑥3 + 𝛽𝑦3 ) 𝜀 𝑋

46
 [ALGEBRA LINEAL]

𝛼(𝑥1 , 𝑥2 , 𝑥3 ) + 𝛽(𝑦1 , 𝑦2 , 𝑦3 )𝜀 𝑋

⇒ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑋 (𝑐𝑢𝑚𝑝𝑙𝑒)

¿ 𝑌 ≪ ℝ3 ?

𝑖)(0,0,0)𝜀 𝑌 ,0 = −0 = −0 (𝑐𝑢𝑚𝑝𝑙𝑒)

𝑖𝑖)𝑢, 𝑣 𝜀 𝑌 ; 𝛼, 𝛽 𝜀 ℝ ⇒¿ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑌 ?

𝑢 = (𝑥1 , 𝑥2 , 𝑥3 )𝜀 𝑋 ⇒ 𝑥1 = −𝑥2 = −𝑥3 . . . (𝐼)

𝑣 = (𝑦1 , 𝑦2 , 𝑦3 )𝜀 𝑋 ⇒ 𝑦1 = −𝑦2 = −𝑦3 . . . (𝐼𝐼)

𝑆𝑢𝑚𝑎𝑛𝑑𝑜 𝛼𝑢 + 𝛽𝑣:

𝛼(𝑥1 , −𝑥1 , −𝑥1 ) + 𝛽(𝑦1 , −𝑦1 , −𝑦1 )

(𝛼𝑥1 + 𝛽𝑦1 , −(𝛼𝑥1 + 𝛽𝑦1 ), −(𝛼𝑥1 + 𝛽𝑦1 ))

⇒ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑌(𝑐𝑢𝑚𝑝𝑙𝑒)

𝑏)𝐻𝑎𝑙𝑙𝑎𝑛𝑑𝑜 𝑔𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟, 𝑏𝑎𝑠𝑒 𝑦 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛.

-Para X

(𝑥, 𝑦, 𝑧) ⇒ 2𝑥 + 𝑦 − 3𝑧 = 0

𝑦 = 3𝑧 − 2𝑥

⇒ (𝑥, 𝑦, 𝑧) = (𝑥, 3𝑧 − 2𝑥, 𝑧)

= (𝑥, −2𝑥, 0) + (0,3𝑧, 𝑧)

= 𝑥(1, −2,0) + 𝑧(0,3,1)

47
 [ALGEBRA LINEAL]

Como las 2 componentes (1, −2,0)𝑦 (0,3,1) son linealmente indep.

⇒ 𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟 ∶ ℒ{(1, −2,0), (0,3,1)}

⇒ 𝐵𝑎𝑠𝑒 ∶ {(1, −2,0), (0,3,1)}

⇒ 𝐷𝑖𝑚(𝑋) = 2

-Para Y

(𝑥, 𝑦, 𝑧)𝜀 𝑌 ⇒ 𝑥 = −𝑦 = −𝑧(𝑥, 𝑦, 𝑧)

= (𝑥, −𝑥, −𝑥)

= 𝑥(1, −1, −1)

Como solo hay una componente (1, −1, −1) entonces no hay necesidad de
analizar su dependencia lineal.

⇒ 𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟 ∶ ℒ{(1, −1, −1)}

⇒ 𝐵𝑎𝑠𝑒 ∶ {(1, −1, −1)}

⇒ 𝐷𝑖𝑚(𝑌) = 1

Intersección y unión de espacios vectoriales:

Sea 𝑋, 𝑌 ≪ 𝑉

𝑖)¿ 𝑋 ∪ 𝑌 ≪ 𝑉? . . . . . 𝑁𝑜

𝐸𝑗𝑚:

𝑉 = 𝑅2

𝑋 = {(𝑥, 0)/𝑥𝜀ℝ}, 𝑢 = (1,0)

𝑌 = {(0, 𝑦)/𝑦𝜀ℝ}, 𝑣 = (0,1)

𝑋 ∪ 𝑌 = {(𝑥, 0)/𝑥𝜀ℝ} ∪ {(0, 𝑦)/𝑦𝜀ℝ}

𝑢𝜀𝑋∪𝑌
} 𝑝𝑒𝑟𝑜 𝑢 + 𝑣 ∉ 𝑋𝑈𝑌
𝑣𝜀𝑋∪𝑌

48
 [ALGEBRA LINEAL]

𝑖𝑖)¿ 𝑋 ∩ 𝑌 ≪ 𝑉? . . . . . 𝑆𝑖

Por teorema:

𝑖)0 𝜀 𝑋 ,0 𝜀 𝑌 ⇒ 0 𝜀 𝑋 ∩ 𝑌

𝑖𝑖)𝑢, 𝑣 𝜀 𝑋 ∩ 𝑌 ; 𝛼, 𝛽 𝜀 ℝ ⇒¿ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑋 ∩ 𝑌 ?

𝑢𝜀𝑋∩𝑌

⇒ 𝑢 𝜀 𝑋 ⇒ 𝛼𝑢 𝜀 𝑋

⇒ 𝑢 𝜀 𝑌 ⇒ 𝛼𝑢 𝜀 𝑌

⇒ 𝛼𝑢 𝜀 𝑋 ∩ 𝑌

𝑣𝜀𝑋∩𝑌

⇒ 𝑣 𝜀 𝑋 ⇒ 𝛽𝑣 𝜀 𝑋

⇒ 𝑣 𝜀 𝑌 ⇒ 𝛽𝑣 𝜀 𝑌

⇒ 𝛽𝑣 𝜀 𝑋 ∩ 𝑌

𝐹𝑖𝑛𝑎𝑙𝑚𝑒𝑛𝑡𝑒:

𝛼𝑢 + 𝛽𝑣 𝜀 𝑋, 𝑝𝑢𝑒𝑠 𝑋 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜

𝛼𝑢 + 𝛽𝑣 𝜀 𝑌, 𝑝𝑢𝑒𝑠 𝑌 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜

⇒ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑋 ∩ 𝑌

Problema: Encontrar el menor sub-espacio vectorial. Que contenga a 𝑋 ∪ 𝑌

Respuesta: ℒ{𝑋 ∪ 𝑌} por propiedad del generador

Suma de espacios vectoriales:

Definición:

Sea 𝑋, 𝑌 ≪ 𝑉

𝑋 + 𝑌 = {𝑢 + 𝑣/𝑢 𝜀 𝑋, 𝑣 𝜀 𝑌}

49
 [ALGEBRA LINEAL]

Proposición:

X+Y es un sub-espacio de V tq. 𝑋 ∪ 𝑌 ⊂ 𝑋 + 𝑌

En efecto:

𝑖) 𝜃 = 𝜃𝑥 + 𝜃𝑦 ∈ 𝑋 + 𝑌

𝑖𝑖) 𝑆𝑒𝑎𝑛 𝑧, 𝑤 ∈ 𝑋 + 𝑌 ; 𝛼, 𝛽 ∈ ℝ

¿ 𝛼𝑧 + 𝛽𝑤 ∈ 𝑋 + 𝑌?

𝑧 ∈ 𝑋 + 𝑌 → 𝑧 = 𝑧1 + 𝑧2 ; 𝑧1 ∈ 𝑋 ∧ 𝑧2 ∈ 𝑌

𝑤 ∈ 𝑋 + 𝑌 → 𝑤 = 𝑤1 + 𝑤2 ; 𝑤1 ∈ 𝑋 ∧ 𝑤2 ∈ 𝑌

𝛼𝑧 = 𝛼𝑧1 + 𝛽𝑧2 → ∈ 𝑋 + 𝑌

𝛽𝑤 = 𝛽𝑤1 + 𝛽𝑤2 → ∈ 𝑋 + 𝑌

𝛼𝑧 + 𝛽𝑤 = (𝛼𝑧1 + 𝛽𝑧2 ) + (𝛽𝑤1 + 𝛽𝑤2 )

𝛼𝑧 + 𝛽𝑤 ∈ 𝑋 + 𝑌

Observación:

𝑊 = {𝜃} 𝑒𝑠 𝑢𝑛 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜, ¿ 𝑠𝑢 𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛 𝑒𝑠 ≠ 0?

Supongamos que:

dim(𝑊) = 1 ⇒ 𝑏𝑎𝑠𝑒{𝑣} ∧ 𝑣 ≠ 𝜃

𝑣 𝜀 𝑊 = {𝜃}

⇒ 𝑣 = 𝜃(→/←)

Su dimensión es = 0

50
 [ALGEBRA LINEAL]

Teorema:

X+Y es el menor subespacio que contiene a XUY

X+Y= ℒ{𝑋 ∪ 𝑌}

Observación:

Sea cualquier conjunto X:

𝑋 ⊂ ℒ{𝑋} ← 𝑚𝑒𝑛𝑜𝑟 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑋

𝑆𝑒𝑎 𝑢 𝜀 𝑋 ⇒ 𝑢 = 1. 𝑢 + 1.0 ⇒ 𝑢 𝜀 ℒ{𝑋}

𝑅𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑎𝑛𝑑𝑜:

⇒ 𝑋 ∪ 𝑌 ⊂ ℒ{𝑋 ∪ 𝑌}

Ejemplo: Probar que X + X = X

𝑖)𝑋 ∪ 𝑋 ⊂ 𝑋 + 𝑋

⇒𝑋 ⊂𝑋+𝑋

𝑖𝑖)𝑧 𝜀 𝑋 + 𝑋 ⇒ 𝑧 𝜀 𝑢 + 𝑣, 𝑢 𝜀 𝑋, 𝑣 𝜀 𝑋

⇒𝑋+𝑋 ⊂𝑋

Finalmente se comprueba que X+X=X

Propiedades:

1) X+X=X

2) X+Y=Y+X

3) 𝑋 + {𝜃} = 𝑋

Teorema:

Sean 𝑋, 𝑌 ≪ 𝑉

𝐷𝑖𝑚(𝑋 + 𝑌) = 𝐷𝑖𝑚(𝑋) + 𝐷𝑖𝑚(𝑌) − 𝐷𝑖𝑚(𝑋 ∩ 𝑌)

Ejercicio: Halle la dimensión de P+Q:

Se aprecia que la intersección es una recta, que tiene dimensión 1.

Reemplazando en el teorema comprobaremos:

𝐷𝑖𝑚(𝑋 + 𝑌) = 𝐷𝑖𝑚(𝑋) + 𝐷𝑖𝑚(𝑌) − 𝐷𝑖𝑚(𝑋 ∩ 𝑌)

3=2+2−𝐷𝑖𝑚(𝑋 ∩ 𝑌)

51
 [ALGEBRA LINEAL]

𝐷𝑖𝑚(𝑋 ∩ 𝑌) = 1

Suma de Sub-espacios vectoriales

Sean X,Y dos sub-espacios vectoriales de V. Si X ∩ Y = {𝜃}, entonces al espacio suma X+Y se le
llama suma directa de S1 y S2 y se denota por: X ⊕ Y

𝑋 ⊕ 𝑌 = {𝑥 + 𝑦 / 𝑥 𝜀 𝑋 ∧ 𝑦 𝜀 𝑌}

Es claro que: 𝑋 ⊕ 𝑌 ≪ 𝑉

dim(𝑋 ⊕ 𝑌 ) = 𝑑𝑖𝑚𝑋 + 𝑑𝑖𝑚𝑌

Propiedad:

𝑆𝑖 𝑋 ≪ 𝑌 ∧ 𝐷𝑖𝑚(𝑋) = 𝐷𝑖𝑚(𝑌) ⇒ 𝑋 = 𝑌

⇒𝑋=𝑌

Ejercicio: Halle la suma directa de los siguientes sub-espacios:

Por teorema:

dim(𝑋 ⊕ 𝑌 ) = 𝑑𝑖𝑚𝑋 + 𝑑𝑖𝑚𝑌 Y

𝑋 𝑒𝑠 𝑢𝑛 𝑝𝑙𝑎𝑛𝑜 ↦ 𝐷𝑖𝑚(𝑋) = 2

𝑌 𝑒𝑠 𝑢𝑛 𝑟𝑒𝑐𝑡𝑎 ↦ 𝐷𝑖𝑚(𝑌) = 1

O
Reemplazando:

dim(𝑋 ⊕ 𝑌 ) = 2 + 1 = 3

52
 [ALGEBRA LINEAL]

CONCLUSION:

Este capítulo tiene un campo de acción enorme, ya que para definir cualquier operación
o cálculo se define primero el espacio en el que se trabaja. Siendo este un espacio
vectorial, un sub espacio, un cuerpo, un anillo, etc. Cada una de estos espacios con
determinadas propiedades y características únicas. El mundo está hecho de vectores.

53
 [ALGEBRA LINEAL]

TRANSFORMACIONES LINEALES O APLICACIONES LINEALES

Sean V y W espacios vectoriales reales. Una transformación lineal T de V en W es una Función

que asigna a cada vector v ϵ V un vector único Tv ϵ W y que satisface, para cada u y v en V y cada
escalar α,

E L F

En nuestro tema E y F son espacios vectoriales y E → F es una función o aplicación lineal L.

Nota: En teoría de conjuntos se suele reservar el nombre de función para aplicaciones
numéricas.

La aplicación L es lineal si cumple las siguientes propiedades:

( L1 ) L(u  v)  L(u )  L(v) u, v  E

( L2 ) L( u )   L(u ) u  E ,   R

Que se pueden escribir juntas como la ley de combinaciones lineales:

( LC ) L( u   v)   L(u)   L(v) u, v  E, ,   R

54
 [ALGEBRA LINEAL]

Ejemplo 1. Aplicaciones entre espacios de una dimensión

R

L
R
R: conjunto de los números reales

uR
L(u )  L(u  1)  u  L(1)  au
L(u )  au

El ejemplo de transformacion lineal en R se resume en la función lineal (rectas).

La cantidad a  L(1) es libre. La aplicación lineal se resume anotando la constante (que es una
matriz 1x1 ), L  (a)

Ejemplo 2. Aplicación en dos dimensiones. E=F=𝑹𝟐

En R2

E 
L
 F
( e1 ,e2 ) ( f 1, f 2 )

Los espacios están referidos a sus bases (no son la misma en principio).

Sea u  E un vector arbitrario, se tiene que u x1e1  x2 e2

Luego por linealidad:

(1) L(u) L( x1 e2 )  L( x2 e2 )  x1L(e1 )  x2 L(e2 )

L(e1 ) Puede elegirse libremente en F (2) L(e1 )  a11 f 1  a21 f 2

L(e2 ) puede elegirse libremente en F (3) L(e2 )  a12 f 1  a22 f 2

Sustituyendo (2) y (3) en (1), y agrupando, me queda:

X 
L
 Y
u  ( x1 , x2 ) L ( u )  ( y 1 , y2 )

55
 [ALGEBRA LINEAL]

y1  x1 a11  x 2 a12
Donde (4):
y 2 x1 a 21  x 2 a 22

Resumen

Las aplicaciones lineales de 𝑅 2 a 𝑅 2 pueden codificarse en forma de matriz.

a a12 
A   11 
 a 21 a 22 
La cual permite expresar las coordenadas de L(u) en función de las coordenadas de u.

 y1   a11 a12   x1 
       
 y 2   a 21 a 22   x2 

En lenguaje abreviado escribo la fórmula matricial de cálculo de coordenadas.

Y AX

Nota: las columnas de A tienen su propio sentido: son las coordenadas de las imágenes de cada
uno de los vectores de base, L(ei)

Matriz de una transformación lineal

En vista de esta lección podemos definir una transformación lineal como una operación que
toma un vector en coordenadas y lo premultiplica por una matriz para hallar las coordenadas de
la imagen. Esta matriz operativa se llama la matriz de la aplicación lineal.

Se tiene una transformación lineal L de E en F, espacios a los que nos referimos por sus bases.

L : E 
 F
e1 ,e2 f 1, f 2

Las imágenes de e1 y e2 vienen dadas por las expresiones:

L(e1 )  a11 f 1  a21 f 2 a a 

lo que equivale a  L(e1 ) L(e2 )    f1 f 2   11 12 
L(e2 )  a12 f 1  a22 f 2  a21 a22 

Tenemos un vector u cualquiera expresado en la base del espacio E.

u  x1 e1  x2 e2
L(u )  y1 f 1  y2 f 2

56
 [ALGEBRA LINEAL]

Sustituyendo tenemos:

x   a11 a12  x1 
  x1 

L(u )  L(e1 ) L(e 2 )  1   f 1 f 2   
 a21
 
a22  x2 
 y   y  a a12  x1 
 
L(u )  f 1 f 2  1    1    11
 y2   y2   a21
 
a22  x2 

Caso general

Se tiene un vector u cualquiera en un espacio 𝐸𝑛 = 𝑅 2

El sistema { e1 ,..., en } constituye una base del espacio y x1 ,..., xn son las coordenadas del vector
u respecto de esa base.

e1 , ..., e n
u
 x1 , ..., xn

Si L es una transformacion lineal En 

 Fm , donde 𝐹𝑚 = 𝑅 𝑚 , tenemos:

 f , ..., f m
L(u )  1
 y1 ,..., ym

Existen aplicaciones lineales entre espacios de dimensiones distintas, por lo que m no coincide
necesariamente con n, y existe una matriz A de la aplicación lineal L.

En resumen,

L( B1 )  ( B2 ) A

Donde B1 y B2 son las bases de E y F respectivamente.

Las columnas de la matriz de aplicación lineal A son las coordenadas de las imágenes de los
vectores de la base del espacio E.

 Le1 , Le2 , ..., Len    f1 , ..., f m  | | ...

A  M mxn
El número de columnas de la matriz A coincide con la dimensión del primer espacio, y el número
de filas con la dimensión del segundo.

Las transformaciones lineales entre espacios de dimensión distinta utilizan matrices no

cuadradas.

57
 [ALGEBRA LINEAL]

Núcleo

Definición. El núcleo de una transformación lineal es el conjunto de vectores del primer espacio
(espacio de partida) cuya imagen es nula. El núcleo se denota como K(L), del inglés kernel.


K ( L )  v  E : L( v )  0 
Propiedades de K(L):

(1) 0  K ( L) . El vector nulo siempre está contenido en el núcleo.

(2) K(L) es un sub-espacio de E:

v, w  K ( L)  L(v)  0, L( w)  0
L(v  w)  L(v)  L( w)  0  0  0  (v  w)  K ( L)
L ( v )   L (v )    0  0

Ecuación. Si las coordenadas de v son X y las coordenadas de L( v ) son Y, tenemos la ecuación

matricial: AX  Y , donde Y, como hemos dicho, vale cero; la ecuación del núcleo en
coordenadas nos queda:

AX  0

En la ecuación AX  0 , el rango de la matriz A nos dice cuántas ecuaciones son independientes.

Si r(A) es el rango de la matriz A y n la dimensión de E se tiene

dim K ( L)  n  r ( A)

Cálculo de una base del núcleo

Partimos de la ecuación matricial AX  0

rr 0
 X =

Todos los sistemas homogéneos tienen al menos la solución trivial.

En la matriz A, tenemos un menor principal de orden r  r (r es el rango), cuyo determinante es

distinto de cero. Las filas restantes serán combinaciones lineales de las anteriores (zona
sombreada).

58
 [ALGEBRA LINEAL]

Las incógnitas que sobran después de encontrar el menor r  r , son coordenadas libres y las
pasamos al otro miembro de la ecuación. Pasan a ser parámetros y les podemos dar un valor
cualquier para resolver el sistema.

A1 
 x1 + A2  x2 = 0

rr r r  (n  r ) nr

Nos queda la ecuación matricial:

A1 X1  ( A2 )( X 2 )

Como xr 1 ... xn son parámetros, les puedo dar valores:

xr 1  1, xr 2  0, ..., xn  0 y calculo x1 ,..., xr , coordenadas del vector wr 1

xr 1  0, xr 2  1, ..., xn  0 y calculo x1 ,..., xr , coordenadas del vector wr  2

...

xr 1  0, xr 2  0, ..., xn  1 y calculo x1 ,..., xr , coordenadas del vector wn

Salen tantos vectores w como columnas libres hay en la matriz A.

Si hay variables libres, hay núcleo. Son estas variables libres las que generan el núcleo. Estos
vectores constituyen una base del núcleo.

Recordamos

* K ( L) n  r es un sub-espacio de E.
* dim K ( L)  n  r ( A) donde A es la matriz de la transformación L

El conjunto de vectores wr 1 , wr 2 ,..., wn  es una base del espacio K(L).

59
 [ALGEBRA LINEAL]

Completando una base de E

Para tener una base completa de E, necesito completar el sistema con vectores w1 ,..., wr . Por
conveniencia, utilizo los vectores de la base canónica de L.
w1  e1 , w2  e2 , ..., wr  er

Pero he comprobar la ind. Lineal del conjunto obtenido

wr 1 , wr 2 ,..., wn  es base del sub-espacio K(L) de dimensión n-r

e1 ,..., er  es la base de un sub-espacio de E de dimensión r

Son dos bases totalmente independientes. La suma de estos dos espacios genera el espacio E.
Se dice entonces que es una suma directa.

Definición:
E1  E2  E es una suma directa si y sólo si E1 E2  0
Notación: E1  E2  E
La condición suficiente y necesaria es dim E1  dim E2  dim E
Demostración:
Tenemos la regla dim E1  dim E2  dim E  dim( E1 E2 ) , luego dim( E1 E 2)  0

Ojo: todos los espacios tienen en común el sub-espacio nulo, notación {0}.

Al sub-espacio de E generado por e1 ,..., er  lo denominamos E2 y escribimos:

E  K ( L)  E2

Estudio de la Imagen o Rango de la transformación lineal

Se llama L( E ) al conjunto de vectores del espacio final F que son imagen de algún vector de E.

Se demuestra que es un sub-espacio de F y se le llama espacio imagen.

Es fácil ver que lo generan las imágenes de los vectores de base de E

Vamos a demostrar también que su dimensión es r. Equivale a L( E2 ) . Para ello demostramos

que los r vectores de la base del espacio complementario E2 dan como imagen vectores
independientes.

60
 [ALGEBRA LINEAL]

Proposición

Sea e1 ,..., er  una base de E2

Entonces Le1 ,..., Ler  es un conjunto linealmente independiente

El sistema Le1 ,..., Ler  genera el sub-espacio imagen L(E)

Demostración

Sea 1Le1   r Ler  0 ,

por linealidad: L(1e1   r er )  0
Como la imagen es nula: 1e1   r er  K ( L)
Recordamos que 1e1   r er  E2
Luego si el vector se encuentra en los dos espacios complementarios, que como ya
hemos dicho antes tienen como único elemento común el espacio nulo.
1e1   r er  0  1 , r  0
Al ser e1 ,..., er  un sistema linealmente independiente.

L(E) está generado por Le1 ,..., Ler  y es un sub-espacio de F.

Comprobación:

v1 , v 2  L( E ) V  1 v1  2 v 2  L( E )
v1  L(u1 ), v 2  L(u 2 )
por linealidad :
v  1 u1  2 u 2  L(1 u1  2 u 2 )  L(u )
 u  1 u1  2 u 2
L(E) es un sub-espacio vectorial de F.

Compruebo los generadores:

v   L( E )
v  L(u ), u  E

u  1 e1   r e r  r 1 wr 1   n wn
v  L(1 e1   r e r  r 1 wr 1   n wn )
 1 Le1   r Le r  r 1 Lwr 1   n Lwn
 1 Le1   r Le r

61
 [ALGEBRA LINEAL]

Como wr 1 , wr 2 ,..., wn pertenecen al núcleo, su imagen es cero.


El sistema de vectores 1 Le1  
 r Ler genera el sub-espacio imagen.

Se llama Coimagen a todo sub-espacio generado por los vectores que faltan para
completar una base de F. Hay infinitos espacios coimagen, pero cualquier conjunto
de vectores independientes que completen la base 1 Le1  
 r Ler bastará
para generar todo el espacio.

Teorema de los cuatro espacios

E E1  E2
F  F1  F2

E1 = K(L) es el núcleo y E2 el conúcleo

F1 = L(E) es el espacio imagen y F2 la coimagen.

K(L) L(E)
F2

E2

L
E F

62
 [ALGEBRA LINEAL]

Ejercicio.
La matriz A determina una aplicación lineal de 𝑅 4en 𝑅 3. Encontrar una base y la dimensión de
la imagen y el núcleo de la aplicación.

1 2 0 1 
 
A   2 1 2 1 
 1 3 2 2 
 

1 2 
r ( A)  2, porque det  0
 2 1

En la ecuación AX  0 tenemos dos variables independientes, a las que doy valores arbitrarios
y obtengo dos vectores. Esos dos vectores generan el núcleo; son base del sub-espacio K(L).

 4 / 3   1/ 5 
   
 2/5   3 / 5 
w3  ; w4 
 1   0 
   
 0   1 

Estos vectores están en el núcleo porque se verifica que Aw1  0, Aw2  0 .

Podemos completar la base de 𝑅 4 con los vectores de la base canónica e1 y e2 .

Ya que las imágenes de e1 y e2 son vectores independientes, Le1 y Le 2 generan el espacio

imagen L(E).

1 2
   
L(e1 )  Ae1   2  L(e 2 )  Ae 2   1  .
1  3 
   
Para completar la base de 𝑅 3 basta con añadir un vector de 𝑅 3 que no sea linealmente
dependiente de los otros dos. Por ejemplo:

1
 
f 1   0  . Este vector genera el espacio coimagen.
0
 

63
 [ALGEBRA LINEAL]

Cambios de Base

Tenemos una transformación lineal de E en F , donde A es la matriz de la aplicación lineal L.

B1 y B2 son bases de E y F respectivamente, y B1' y B2' son bases de los mismos espacios
buscadas de tal manera que A ' es la matriz más simple posible.

E 
L
 F
B1 A B2
B1' A' B2'

Tenemos la ecuación matricial Y AX

Si X  C1 X ' y Y  C2Y ' , donde C1 y C2 son matrices (columna) de las nuevas bases de E y
F. Al sustituir en la ecuación matricial nos queda:

C2Y '  AC1 X '

Y '  C21 AC1 X '

Tenemos X e Y expresados en nuevas bases, luego tenemos una nueva matriz de la

transformación lineal.

A '  C21 AC1

El caso deseado

E=F=𝑅 𝑁 C1  C2  C

La matriz A’ será la más simple posible.

 1 
 
2
A'   
 
 
 n 

64
 [ALGEBRA LINEAL]

Auto valores y Auto vectores

Problema:
Tenemos una aplicación lineal L de En 
 En (un endomorfismo).

En coordenadas toma forma matricial: Y = AX, donde A es la matriz de aplicación.

Nuestro objetivo es cambiar los ejes del espacio de forma que la misma a aplicación L se represente en
las nuevas coordenadas mediante una matriz A’ lo más simple posible. Para ello es necesario cambiar las
bases.

P P

P es una matriz de cambio de base. Las antiguas coordenadas X e Y del vector y su imagen son
expresadas en la nueva base como X’ e Y’, y A’ es la matriz simplificada que las relaciona y que estamos
buscando. En fórmulas:

Y = AX X=PX’ Y=PY’
Y’ = A’X’

Sustituimos X e Y en la ecuación Y=AX

PY’ = A P X’
Y’ = P-1 APX’  A’ = P-1AP

La nueva matriz viene dada por la fórmula A’ = P-1AP.

Se dice entonces que las matrices A y A’ están conjugadas o que son semejantes.

Def: A’ está conjugada con A (A’~A) si existe una matriz P no singular tal que A’ = P-1AP. Se dice
también que es semejante A a A’.

Relación de equivalencia. La conjugación satisface las tres propiedades básicas de las

relaciones de equivalencia de la teoría de conjuntos
(1) Reflexiva: Una matriz A está conjugada con ella misma. P es la matriz de identidad.
A~A  P = I
(2) Simétrica: Si A está conjugada con B, B está conjugada con A.

65
 [ALGEBRA LINEAL]

Demostración:
B = P-1AP, A= Q-1BQ
PB P = A  QBP = Q BQ  Q = P-1  B~A
-1 -1 -1

(3) Transitiva: Si A~B y B~C, entonces A~C

B P11 AP2
C  P21 BP1
C  P21 P11 APP 1
1 2  Q AQ

Nuestro deseo es asociar a una matriz dada una matriz diagonal semejante por cambio de base. Ello se
puede hacer casi siempre pero no siempre.

Diagonalización de Matrices
El modelo deseado es una matriz del tipo

 1 
 
2
J    diag ( , , n )
  1

 
 n 

Como punto de partida tenemos la matriz A de aplicación lineal, y tenemos que calcular los auto valores
i y la matriz de cambio de base P. Escribimos la matriz P descompuesta por columnas.

J  P1 AP

PJ  AP
 1 
 
 2   Av | v |
 v1 | v2 | | vn    1 2 | vn 
 
 n 
 1v1 | 2v2 | | n vn    Av1 | Av2 | | Avn 
Así tenemos

Av1  1v1 ... Avn  n vn

Av   v

66
 [ALGEBRA LINEAL]

Problema de los auto valores

Se define mediante la fórmula

Av   v

 son los auto valores

v los auto vectores

La matriz P que hallemos tiene que ser NO singular para representar un cambio de base.

Ejemplo:
Se nos da la matriz A de una aplicación lineal de E2 en E2 .
 2 3
A 
 1 5
 x
Av   v v 
 y
Sustituimos los datos que tenemos en la ecuación:

 2 3  x   x
      
 1 5  y   y

nos queda un sistema:

2 x  3 y   x (2   ) x  3 y  0
  
 x  5y   y  x  (5   ) y  0
El sistema es homogéneo. Todos los sistemas homogéneos tienen al menos una solución trivial, pero
ésta no nos interesa porque la matriz P tiene que ser no singular.
2 3
 0   2  7  7  0
1 5

1
1  (7  2)
2
1
2  (7  2)
2

El determinante de la matriz de coeficientes del sistema nos dará el llamado polinomio característico de
la matriz A. Este es un objeto matemático muy importante en las aplicaciones de las matrices. Se
demuestra fácilmente que el polinomio característico es el mismo para todas las matrices semejantes de
lo que se deduce que hay un mismo polinomio para la aplicación L en todas las bases.

Las raíces del polinomio son los auto valores que buscamos y J es.
   58 
J  1  
 2   1 2 

67
 [ALGEBRA LINEAL]

CONCLUSION:

Las transformaciones lineales son aplicaciones entre dos espacios vectoriales y podemos
concluir que su se ve involucrado en muchos campos en la geometría en reflexión, expansión,
contracción y rotación. También las transformaciones nos permite visualizar mucho más sobre
simetría,rotación, proyección, etc. tiene un uso es más abstracto.

68