LGEBRA

LINEAL
NOTAS DE CLASE

1
 NOTAS DE CLASE - ALGEBRA LINEAL

INTEGRANTES:

YAN CARLOS GUERRERO LOPEZ

JULIO MARIO ACUA XIQUES
JESUS DAVID ROSALES ALMEIDA
LUIS MIGUEL CARRASCO VILLEGAS
KEVIN DIZETT ALMEIDA

LIC: CARLOS ALBERTO SALCEDO AVILA

UNIVERSIDAD DEL ATLNTICO

FACULTAD DE INGENIERA
INGENIERIA MCANICA

BARRANQUILLA-ATLANTICO
2017-1
 ndice general
Captulos P
aginas

1. INTRODUCCION DE LOS SISTEMAS DE ECUACIONES LINEA LES 4

1.1. Igualdad de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Tipo especial de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Matrices equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Matriz reducida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2. SISTEMAS DE ECUACIONES LINEALES 7

2.1. Teorema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2. Eliminacion Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3. Igualdad de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3. ALGEBRA DE MATRICES 14
3.1. Suma de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2. Producto por un escalar . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3. Propiedades de la suma de matrices . . . . . . . . . . . . . . . . . . . . 15
3.4. Propiedades del producto de una matriz por un escalar . . . . . . . . . 15
3.5. Multiplicacion de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.6. Transpuesta de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.7. Propiedades de la transpuesta . . . . . . . . . . . . . . . . . . . . . . . 17
3.8. Matriz identidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.9. Propiedades de la multiplicacion de matrices . . . . . . . . . . . . . . . 17
3.10. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

4. SISTEMAS DE N-ECUACIONES LINEALES CON N-INCOGNITAS 21

4.1. Teorema: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2. Propiedades: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3. Traza de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

5. DETERMINANTE DE UNA MATRIZ CUADRADA 23

5.1. Determinantes por cofactores . . . . . . . . . . . . . . . . . . . . . . . 23
5.2. Calculo de determinante de matrices de cualquier orden . . . . . . . . . 24
5.3. Propiedades del determinante de una matriz n x n . . . . . . . . . . . . 25

6. ADJUNTO DE UNA MATRIZ 25

2
7. VECTORES EN EL PLANO 26
7.1. Operaciones con vectores: . . . . . . . . . . . . . . . . . . . . . . . . . 26

8. ESPACIO VECTORIAL 27
8.1. Producto escalar: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
8.2. Combinacion lineal: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
8.3. Norma de un vector en Rn . . . . . . . . . . . . . . . . . . . . . . . . . 28

9. PARALELISMO Y PERPENDICULARIDAD 29
9.1. Propiedades del producto punto . . . . . . . . . . . . . . . . . . . . . . 29
9.2. Propiedades de la norma de un vector . . . . . . . . . . . . . . . . . . . 30

10.ESTRUCTURAS ALGEBRAICAS 31
10.1. Espacio vectorial finitamente Generado . . . . . . . . . . . . . . . . . . 32
10.2. Base de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . 32
10.3. Dimensiones de un espacio vectorial . . . . . . . . . . . . . . . . . . . . 32

11.SUBESPACIO VECTORIAL 34

12.TRANSFORMACION LINEAL 34
12.1. Determinantes basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

13.AUTOVALORES Y AUTOVECTORES 37

BIBLIOGRAFIA 41

3
 Prlogo
El lgebra lineal es una rama de las matemticas que estudia los espacios vectoriales y
las transformaciones lineales. Estos conceptos han contribuido notablemente en el desarrollo
del conocimiento dentro de las matemticas y tambin en otras ciencias, especialmente en las
ciencias bsicas, la economa, la informtica, la ingeniera y las ciencias sociales. Por eso se
justifica el estudio del lgebra lineal en la mayora de las carreras universitarias.
El material contenido en estas notas tiene como objetivo iniciar al estudiante en los conceptos
bsicos del lgebra lineal. Se trata de un curso dirigido a estudiantes de segundo ao de las
carreras de matemtica, fsica e ingeniera, que han estudiado previamente nociones bsicas de
clculo diferencial e integral y lgebra.
 1. INTRODUCCION DE LOS SISTEMAS DE ECUACIONES
LINEALES

t11 t12 t13 t14 t15 t11 t12 t13 t14 t15

t21 t22 t23 t24 t25 t21 t22 t23 t24 t25


t31 t32 t33 t34 t35 t31 t32 t33 t34 t35 Filas
t41 t42 t43 t44 t45 t41 t42 t43 t44 t45



t51 t52 t53 t54 t55 t51 t52 t53 t54 t55

| {z }
Columnas

a11 a12 a13 a14 a15
a21 a22 a23 a24 a25

a ij R
a31 a32 a33 a34 a35

a41 a42 a43 a44 a45
a51 a52 a53 a54 a55

Def: Es un arreglo de componentes de entrada aij R

Ejemplo:
1 2 3

1
4
1 5

a11 = 1
1
a21 =
4
a12 = 2
a22 = 1
a13 = 3
a23 = 5

Def. Orden: Es la cantidad de filas la cantidad de columnas de una matriz M N

Mmn = Conjunto de todas las matrices
A Mmn

a1,1 a1,2 a1,n
a2,1 a2,2 a2,n
A = .. .. A Mmn ( R )

.. ..
. . . .
am,1 am,2 am,n

4

M1 1 = a R

M1 2 = a11 a12 R Vector fila

M1 n = a11 a12 ...a1n

 
a11
M2 1 =


a21






Vector columna
a11

Mm 1 = a21



am1

1.1. Igualdad de matrices

Si Aij Bij A = B si aij = bij 0 i, j

1 2 3 1 2 3
A= B=
1 1 10
4
1 5 4
1 2

Igual n
umero de filas y columnas, y sus componentes sean iguales.

1.2. Tipo especial de matrices

1. A Mmn ( R ) A = aij = 0
 
0 0 0
0 0 0

Se denomina matriz nula o matriz cero.

2. A Mmn ( R )
1 0 0 ...
0 1 0 0

0 0 1 0
0 0 0 1
Se denomina matriz identidad.

5
 3. Cuando los componentes de entrada de una matriz n n por encima de la diago-
nal son ceros se denomina triangular inferior, y si las entradas por debajo de la
diagonal son ceros, se denomina triangular superior.

Ejemplo:

3 0 0 1 2 5
A = 1 2 0 T riangula inf erior B = 0 1 3 T riangular superior
2 1 14 0 0 1
Es triangular superior siempre que aij = 0 , para i > j
Es triangular inf erior siempre que aij = 0 , para i < j

1.3. Matrices equivalentes

A B Mmn
A B si B se obtiene de una operaci
on f ila de A

1.3.1. Propiedades
1. A A T oda matriz es equivalente consigo misma (Ref lexiva)
2. A B B A (Sim
etrica)
3. A B1 B C A C (T ransitiva)

1.4. Matriz reducida

a1,1 a1,n c1,1 c1,n
a2,1 a2,n 0 c21 c2,n
..

.. .. ..
. . . 0 0 .
am,1 am,n 0 0 cm,n

x y z
c a2,n

.. Nos permite dar solucion a un sistema de ecuaciones lineales
0 c .


0 0 c

6
Para que podamos verificar equivalencias entre dos matrices se pueden realizar las
siguientes operaciones:

1. Intercambio de filas.

2. Multiplicacion de una fila por una constante no nula.

3. Cuando hacemos una fila igual a la misma fila por el m

ultiplo de otra.

Ejemplo:
1 1

1 2 2
1 2 2


5

3 2 4 f2 f2 3f1 3 2 6 2





0 1 5 0 1 5

2. SISTEMAS DE ECUACIONES LINEALES

Consideremos el sistema de ecuaciones con 2 incognitas x y

a11 x a12 y = b1
a21 x + a22 y = b2
donde aij i, j = 1, 2 son valores reales y cada ecuacion representa una lnea recta.

Una solucion al sistema (1) sera la pareja (x, y) que satisfaga (1). Tendra una, in-
finitas o ninguna solucion?

Hecho A: Si a = b c = d a + b+ = b + d
Hecho B: Si a = b c R ca = cb

En el primer hecho podemos sumar dos ecuaciones para una tercera y en el segun-
do hecho podemos multiplicar por un n
umero de ambos lados de una una ecuacion
constante diferente a cero.

Ejemplo:
 xy =7 y =5x
1. x y = 7
(2) Si se suman 1 y 2 x + y = 5 y =56
2. x + y = 5
x=6 y = 1

on : (6, 1)
Soluci

7
2.1. Teorema

a11 x a12 y = b1
a21 x + a22 y = b2
El sistema (1) de dos ecuaciones con dos incognitas (x, y) tiene solucion u
nica, no tiene
solucio o tiene infinitas soluciones.

2.2. Eliminaci
on Gaussiana
Este metodo se utiliza para resolver sistemas lineales de la forma Ax = B. Consiste en
escalonar la matriz aumentada (A : B) del sistema para obtener un sistema
equivalente.

a11 x1 + a12 x2 + . . . + a1n xn = b1

a22 x2 + . . . + a02n xn = b2
a0nn xn = bn

Nota: a0ij indica el cambio del sistema.

Ejemplo: Resolver el sistema por eliminacion Gaussiana.

2 3 5 1 7 4 1 7 4
f1  f2 f2 f2 2f1

1 7 4 2 3 5 0 17 3

1 1 7 4
f2 f2
17
3
0 1 17

21
x = 4
17
68 21
x =
17
47
x =
17

8
2.3. Igualdad de matrices

Igualdad de polinomios

Pn (x) = (an an 1 . . . a1 a0 )

Pm (x) = (am am 1 . . . a1 a0 )

Pm (x) = Pn (x)
(am = an )
am 1 = an 1
..
.
a0 a0

Polinomios de primer grado

 
a 0
= (ax, ax + b)
a b

Polinomios de segundo grado

a 0 0
a b 0
= (ax2 , ax2 + bx, ax2 + b, ax2 + bx + c)
a 0 b
a b c
Ejemplo:

Determine el valor de a y b de modo que:

P(x) = x2 + (2a + b)x 3a b

q(x) = x2 + 5x 1

(1 2a + b 3a b) = (1 5 1)
1 = 1
2a + b = 5
3a b = 1

9
La matriz ampliada del sistema sera:

1 5 1 5

2 1 5 1 1
1 2 2 2 2
f1 f1 f2 f2 + 3f1
2 1 13
3 1 1 3 1 1 0 2 2

1 5

1 1 0 4
f1 f1 1 f2
2 2
f2 2 f2
2
0 1 13 0 1 13

a = 4
b = 13

Ejercicio: Soluci
on u
nica

2x + 3y + z = 1
3x 2y 4z = 3
5x y z = 4

3 1 1 3 1 1

2 3 1 1 1 2 2 2
1 2 2 2

1
3 2 4 3 f1 f1 3 2 4
13 11 9

3 2 2
0 2
f f 3f 1

2 2

2


5 1 1 4 5 1 1 4 5 1 1 4

3 1 1 3 1 1

1 2 2 2
1 2 2 2

13 11 9

f3 f3 5f1 0 f2 2f2 0 13 11 9 3 2f3
2 2 2 f

17 7
0 2 2
3
2
0 17
2
7
2
3
2

3 1 1 3 1 1 3 1 1

1 2 2 2
1 2 2 2
1 2 2 2

0 13 11 9

f2 1 11 9

f3 f3 + 17f2 0 11 9

f2 0 1 13 13 1 13 13

13





96 192
0 17 7 3 0 17 7 3 0 0 13 13

10
 3 1 1 3 1 1

1 2 2 2
1 2 2 2

13 11

9 11 1
f3 f3 0 1 13 13
f 2 f 2 f 3
0 1 0 1
f1 f1 2 f3
96 13

0 0 1 2 0 0 1 2

3
0 12

1 2
1 0 0 1

3
0 1 0 1 f1 f1 f3 0 1 0 1


2

0 0 1 2 0 0 1 2

x = 1
y = 1
z = 2

Ejercicio: Soluciones infinitas

3x 2y + 3z = 5
2x + 4y z = 2

2 5 2 5

3 2 3 5 1 1 1 1
f1 1 f1
3 3 3 3
f2 f2 2f1
3 16 4
2 4 1 2 2 4 1 2 0 3
3 3

2 5 5 3

1 1 1 0
3 3 3
f1 f1 + 2 f2
8 2
f2 f2
16
0 1 9
16
1
4
3
0 1 9
16
1
4

5 3
x+ z =
8 2
9 1
y z =
167 4

11
  
8 3
z = x
5 2
 
16 1
z = y
9 4

Las variables x, y dependen de z y que:

3 5
x = z
2 8
1 9
y = + z
4 16

z = t tR

3 5
x = t
2 8
1 9
y = + t
4 16

z = t

Es decir, el sistema tiene infinitas soluciones dadas por el parametro t R.

Ejemplo: t=0

z = 0

3
x =
2
1
y =
4

12
Ejercicio: Sistema sin soluci
on

x + 8y 5z = 3
3x 2y + 3z = 1
2x + 3y z = 4

1 8 5 3 1 8 5 3


3 2 3 1 f2 f2 3f1 0 26 18 8 3 f3 2f1
f




2 3 1 4 2 3 1 4

1 8 5 3 1 8 5 3


0 26 18 8 f2 f2 2f3 0 0 0 4


0 13 9 2 0 13 9 2

0 = 4 Contradiccion; por lo tanto no tiene solucion.

13
 3. ALGEBRA DE MATRICES

Recordemos que una matriz es un arreglo rectangular de n

umeros reales con m filas y
n columnas.

a1,1 a1,2 a1,n
a2,1 a2,2 a2,n
Am,n = ..

.. . . ..
. . . .
am,1 am,2 am,n

A = aij con i = 1m j = 1, , n
Mmn (R) = El conjunto de las matrices m n con entrada o componentes reales.

3.1. Suma de matrices

Si tenemos dos matrices A = aij y B = bij en Mmn (R), la suma de ellas seran:

a1,1 a1,n b1,1 b1,n a1,1 + b1,1 a1,n + b1,n
a2,1 a2,n b2,1
b2,n a2,1 + b2,1
a2,n + b2,n
.. + .. .. =

.. ... ... .. ... ..
. . . . . .
am,1 am,n bm,1 bm,n am,1 + bm,1 am,n + bm,n

3.2. Producto por un escalar

Si tengo una matriz A = aij y un numero r escalar, entonces:

ra1,1 ra1,2 ra1,n
ra2,1 ra2,2 ra2,n
rA = ..

.. .. ..
. . . .
ram,1 am,2 ram,n

14
3.3. Propiedades de la suma de matrices

Sean A, B, C tres matrices m n, entonces:

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

2. Conmutativa: A+B = B+A

3. Existencia de identidad aditiva: A+0 = 0+A = A

4. Existencia del inverso aditivo: A+(-A) = 0

3.4. Propiedades del producto de una matriz por un escalar

Sean A, B matrices m n, y sean r, s escalares en R, entonces:

1. Distributiva: r(A+B) = rA + rB

2. Distributiva con respecto al escalar): (r + s)A = rA + sA

3. Asociativa: r(sA) = (rs)A

NOTA: La matriz cero o matriz nula

0 0 0
0 0 0
0 = ..

.. . . ..
. . . .
0 0 0

La matriz A cuyas entradas ij son aij .

a1,1 a1,2 a1,n
ai,1 ai,2 ai,n
A = ..

.. . . ..
. . . .
am,1 am,2 am,n

15
3.5. Multiplicaci
on de matrices

Sea Amn y BnI , respectivamente, es decir, el n umero de columnas de A es igual al

n
umero de filas de B. La matriz cuya componente ij esta dada por el producto (como
vectores) de la i esima fila de A por la j esima columna de B.

(AB)ij = aij b1j + aj2 b2j + ain bnj

n
X
= aik bkj
k=1

Ejemplo:

1 2 3 6 5
1 2 0
0 2 2 5
A=
4
y B= 1 4 AB =
1

3 2 0
2 1
0 1 2 5 2

3.6. Transpuesta de una matriz

Sea A = aij una matriz en Mmn (R), la transpuesta de A, se denota AT , y es la

matriz AT = aji Mm n(R).

a1,1 a1,n a1,1 am,1
a2,1 a2,n a1,2 am,2
T
A = .. .. A = ..

. . .. ..
. . . . . .
am,1 am,n a1,n am,n

Ejemplo:

2 0  
= T 2 1 2
A 1 4 A =

0 4 1
2 1

NOTA: Aunque se pueda definir el producto AB, no es posible definir BA ya que

no cumple con la propiedad conmutativa.
En terminos generales, para matrices A, B Mmn AB 6= BA.Solo se cumple AB = BA
si y solo si las matrices A y B sean matrices cuadradas, es decir, n n.
Por lo tanto, el producto de matrices no completa la conmutatividad.

16
3.7. Propiedades de la transpuesta

Sean A y B dos matrices, las siguientes propiedades son validas:

1. (AT )T = A

2. (A + B)T = AT + B T

3. (AB)T = B T . AT

4. (AB)T 6= AT . B T

5. (rA)T = rAT , donde r R

Def: una matriz que cumple A = AT se llama matriz simetrica.

Def: una matriz que cumple AT = A se llama matriz antisimetrica.

3.8. Matriz identidad

As como existe la matriz identidad en la suma tal que A + 0 = 0 + A = A, donde

0 = matriz nula o cero. Tambien encontramos la matriz identica de la multiplicacion:

AI = A
P ara A Mmn (R)

1 0 0
0 1 0
I = ..

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

3.9. Propiedades de la multiplicaci

on de matrices

Sea A,B,C tres matrices y r un escalar, entonces:

1. (AB)C = A(BC)

2. A(B+C)= AB + AC

17
 3. (A+B)C = AC +BC

4. r(AB) = (rA)B = A(rB)

5. IA= AI = A

NOTA: El producto punto como multiplicacion de matrices se puede evidenciar dado

a que los vectores son matrices con una sola columna.

1
..
~ = . = Rn = Mn1 (R)
n

OBSERVACION: Si A es una matriz m n y B es una matriz n k, podemos

calcular el producto AB mediante.

a1,1 a1,2 a1,n .. .. .. .. .. ..
a2,1 a2,2 a2,n
. . . . . .
.. b1 b2 bk Ab1 Ab2 Ab~k
~ ~ ~ ~ ~
AB = .. =

.. ..
. . . . .. .. .. .. .. ..
am,1 am,2 am,n . . . . . .

donde los vectores {b~1 , b~2 , . . . , b~k } son los vectores columna de la matriz B.

Ejemplo:

1 0 1 2 1 2 3 6
A= B= = AB = mientras que BA =
2 3 3 0 11 4 3 0

AB 6= BA

18
3.10. Inversa de una matriz

Decimos que una matriz Ann es invertible, y que su inversa es A1 si se cumple:

AA1 = A1 A = I, donde I, A1 Mnn

Si la matriz no tiene inverse se llama matriz singular. Si existen C y D matrices n n

inversas de A tal que:

AC = DA = I

DAC = D(AC) = DI = D

DAC = (DA)C = IC = C

Luego D = C

Conclusi nica inversa A1 tal que:

on:Una matriz invertible posee una u

AA1 = A1 A = I

Ejemplo: Forma de hallar la inversa de una matriz n n

 
a b
Sea A = A1 =?
c d
 
1 x y
Supongamos A =
z w

   
1 ax by ay bw 1 0
AA = =
zc dw cy dw 0 1

ax + bz = 1
ay + bw = 0
cx + dz = 0
cy + dw = 1

19
 0 ab 0 a1 0 ab 0 a1

a 0 b 0 1 1 1
0
a 0 b f1 1 f1
0 0 a 0 b 0 f2 1 f2
0 1 0 ab 0
c 0 d 0 0 c 0 d 0 0 c 0 d 0 0
a a

0 c 0 d 1 0 c 0 d 1 0 c 0 d 1

b 1

1 0 a
0 a
0 b
1 0 0
f3 f3 cf1 adbc
a
0 0 a
0 0
0 c 0 d 1

20
 4. SISTEMAS DE N-ECUACIONES LINEALES CON
N-INCOGNITAS

En el sistema A~x = L,~ conocer la inversa de la matriz A facilitara la solucion del

mismo. La solucion sera: multiplicar a ambos lados de la ecuacion por A1 .

A1 A~x = A1~b
~x = A1~b

Resumen: Sea una matriz n n, entonces las siguientes afirmaciones son equivalentes:
1. La matriz A es invertible.

2. La matriz A es equivalente por filas a la matriz identidad.

3. El sistema de ecuaciones A~x = ~b tiene solucion u

nica para cada ~b Rn .

4. El espacio generado por las columnas de A es Rn .

Ejercicios:
   
1 2 3 2
Sea A = B=
1 3 2 2

A.B = ?
(AB)1 = ?
B 1 A1 = ?

4.1. Teorema:
A y B son matrices invertibles del mismo tama
no, entonces:

1. A.B es invertible

2. (A.B)1 = B 1 A1

Si A es una matriz cuadrada y n es un n

umero entero positivo, se define:

An = A.A.A
| {z . .}.
n veces f actores

Si A es invertible se cumple

An = (A1 )n = A1 1 1
| .A {z.A . .}.
n veces

21
4.2. Propiedades:
Si A es invertible, entonces:

1. A1 es invertible (A1 )1 = A
2. An es invertible (An )1 = (A1 )n
1
3. Si K es un escalar K 6= 0, KA es invertible (K.A)1 = (A1 )
k
4. Si r y s son enteros positivos se cumple las propiedades de potencia.

4.3. Traza de una matriz

Se llama traza de una matriz a la suma de los elementos aij , es decir, los elementos de
la diagonal principal. Se denota: Tr(A).
n
X
T r(A) = aij = a11 + a22 + . . . + ann
i=1
Ejemplo: Simetrica
1 2 1
A = AT = 2 0 4
1 4 1

Ejemplo: Antisimetrica
0 5 1 4
5 0 3 2
A=
1 3 0

1
4 2 1 0

Los elementos de la diagonal son iguales y los elementos fila - columna respectiva son
iguales pero opuestos.

Ejercicio:

A Mnn (R), A AT , es antisim

etrica?

(A AT )T = (A AT )
T = A AT T T = T
(A AT )T = AT (AT )T = AT A
= (A AT ) = T
T = A AT es antisimetrica.

22
 5. DETERMINANTE DE UNA MATRIZ CUADRADA

Un determinante es la asignacion de una matriz n n. Se denota como det(A),|A|. Ese

valor depende del orden de la matriz.

1. Orden 1:Es el mismo valor A=[ S] det(A) = S

2. Orden 2:
 
a b
A= det|A| = ad bc donde ad bc 6= 0
c d

 
a a
A = 11 12 det|A| = a11 a22 a12 a21
a21 a22

3. Orden 3: Aplicamos otras reglas que facilitan los calculos. Por ejemplo, Sarrus.

+ + +
a11 a12 a13 a11 a12

a21 a22 a23 a21 a22

a31 a32 a33 a31 a32

5.1. Determinantes por cofactores

2 1 4 + +
A = 0 0 2 +
3 1 0 + +

Nota: Escogemos la fila o columna que contenga mas ceros, este caso f2

     
1 4  2 4  2 1 
det(A) = 0  3 0  2  3 1 
 + 0   
1 0

 0 
> >0  
 2 4
1 4  2 1 
det(A) = 0  +0   2  
1 0 3 0 3 1
 

23
  
2 1 
det(A) = 2  
3 1
 
det(A) = 2 2(1) 3(1)

 
det(A) = 2 1

det(A) = 2

5.2. C
alculo de determinante de matrices de cualquier orden

1 1 2 0
2 1 3 1
Sea A =
3 1 4 3

2 1 7 0

Nota: Tomamos la fila o columna con mayor cantidad de ceros, en este caso la co-
lumna 4.
       
2 1 3 1 1 2 1 1 2 1 1 2
      
det(A) = 0 3 1 4 + 1 3 1 4 3 2 1 3 + 0 2 1 3
2 1 7 2 1 7  2 1 7  3 1 4 
0 0
       >

2 1 3 1 1 2 1 1 2 1 1 2
      
det(A) = 0 3 1 4 + 1 3 1 4 3 2 1 3 +0 2  1 3
2 1 7 2 1 7  2 1 7  3 1 4
    
1 1 2 1 1 2
   
det(A) = 3 1 4 3 2 1 3
2 1 7  2 1 7 
   
 1 1 2 1 1   1 1 2 1 1 
   
det(A) =  2 1 4 3 1  3  2 1 3 2 1 
 2 1 7 2 1   2 1 7 2 1 
   
det(A) = 5 (13) 3 5 (7)

det(A) = 18

24
5.3. Propiedades del determinante de una matriz n x n
1. det(A)=det(AT )
2. Si una matriz tiene una fila o una columna nula rightarrowdet(A) = 0
3. Si una matriz A, tiene dos filas o columnas iguales det(A) = 0
4. Si una matriz A con dos filas o columnas proporcionales entre si det(A) = 0
5. Si se intercambian dos filas o columnas de una matriz A el de (A) cambia de
signo.
6. Si multiplicamos todos los elementos de una fila o columna de una matriz A, el
determinante de A queda multiplicado por dicho n umero.
7. det(A) = det(A1 ) + det(A2 )
8. Si los elementos de una fila o columna le sumamos otra fila o columna multipli-
umero el determinante no vara.
cativa por un n

6. ADJUNTO DE UNA MATRIZ

Ejemplo: Sea A una matriz 3 3

Adj A como la transpuesta de la matriz de los cofactores asociados a la matriz A.

 
1
 2 1
A = 0 3 2 
2 1 5
   
3 2 1
 + 2 2

det|A| =  3 = 17 + 2 = 15
1 5 2
           
3 2 0 3 2 1 1 1
 a12 0 2
 1 2 
Adj(A) = a11  a  a  a  a  ...
1 5  2 5 13 2 1  21 1 5  22 2 5  23 2 1

     
 2 1  1 0 1 2 
. . . a31  a  a 
3 2  32 1 2 33 0 3


   
17 4 6  17 11 1 
   
Cof (A) = 11 7 3  ddj(A) =  4 7 2
 1 2 3  6 3 3

25
 7. VECTORES EN EL PLANO

~ al segmento orientado que tiene su origen en A y su extremo

Llamamos vector fijo AB
en B. ~u, ~v w
~

~
odulo: Es la longitud del vector y se representa |AB|.
M

Direcci
on: Es la direccion de la recta que contiene. Si dos vectores son paralelos tienen
la misma direccion.

Sentido: Es el que va del orige al extremo. Lo representamos con la punta de la flecha.

Vectores equivalentes: Son los vectores que tienen el mismo modulo, direccion y
sentido.

7.1. Operaciones con vectores:

El producto de un n
umero por un vector es otro vector representado por ~u

Si > 0, .~u tiene el mismo sentido a > 1 ampla la longitud.

Si < 0, .~u tiene sentido contrario a < 1 reduce la magnitud.

Si = 0, .~u es el vector nulo.

26
 8. ESPACIO VECTORIAL

Es un conjunto real, donde sus objetos o elementos son llamados vectores y ademas
tiene dos operaciones: suma y multiplicacion de escalar, y lo notamos (v,t,) sobre un
campo K(R) que satisface las propiedades o axiomas dados en el teorema anterior.

Ejemplo: El espacio de todas las funciones reales y los escalares en R.

V = 0 si es espacio vectorial.

V = 1 No es un espacio vectorial.

Ejemplo: Sea = (x, y) y = 2x + 1 xR

y1 = (x1 , 2x1 + 1)
y2 = (x2 , 2x2 + 1)

y1 + y2 = (x1 + x2 , 2x1 + 1 + 2x2 + 1)

y1 + y2 = (x1 + x2 , 2x1 + 2x2 + 2)
y1 + y2 = (x1 + x2 , 2(x1 + x2 ) + 2)

(x, 2x + 2) N o es
(v, t) N o es

8.1. Producto escalar:

Si u, v Rns

u = (u1 , u2 . . . , un )
v = (v1 , v2 . . . , vn )
u v = (u1 v1 + u2 v2 + + un vn )

Ejemplo:

u = (1, 2, 3)
v = (2, 3, 5)

u v = (2 6 + 15)
u + v = (3, 1, 8)

27
8.2. Combinaci
on lineal:

Una combinacion lineal de n vectores en Rn , v1 , v 2, . . . , vn es un vector Rn de la

forma:

v = r1 v1 + r2 v2 + + rn vn
donde r1 . . . rn son escalares.

Ejemplo:

v = (7, 7, 7) es una combinacion lineal de los vectores:

v1 = (1, 2, 4)
v2 = (5, 3, 1)

(7, 7, 7) = r1 (1, 2, 4) + r2 (5, 3, 1)

1 5
= r1 2 + r2 3

4 1

= 2 5 = 7
4+3 = 7
81 = 7

(7, 7, 7) = 2(1, 2, 4) 1(5, 3, 1)

En general, dos vetores en Rn conforman un plano que pasa por el origen cuando no
son paralelos (cuando uno no es m
ultiplo escalar de otro). Ademas, cada vector de ese
plano se puede escribir como combinacion lineal de esos dos vectores.

8.3. Norma de un vector en Rn

Sea U = (u1 , u2 , . . . , un ) se define la norma del vector U como:

q
||u|| = U12 + U22 + + Un2

28
Ejemplo:
u = (1, 2, 3)
p
||u|| = (1)2 + (2)2 + (3)2
= 14
Relacion entre la suma y el producto escalar de un vector.
v = (v1 , v2 , . . . , vn )

v v = v1 v1 + v2 v2 + + vn vn
v v = v12 + v22 + + vn2
1
||v|| = v v = (v v) 2

Recordemos que en un plano, dado dos vectores V1 V2 :

V1 .V2 = ||V1 || ||V2 || cos
donde es el angulo comprendido entre ellos.
 
V1 .V2
= arc cos = (V1 , V2 )
||V1 || ||V2 ||

9. PARALELISMO Y PERPENDICULARIDAD

Dos vectores son perpendiculares u ortogonales si u v = 0

Dos vectores W1 W2 son paralelos si W2 = rW1 , donde r 6= 0

9.1. Propiedades del producto punto

Sean u, v, w tres vectores en Rn R

1. Conmutativa: u v = w c
2. Distributiva:u(v + w) = uv + uw
3. Homogeneidad: (v w) = (v)w
4. Positividad: v v 0 v v = 0 v = 0v
Las propiedades anteriores ayudan a definir las siguientes propiedades de la norma.

29
9.2. Propiedades de la norma de un vector

Sea u v dos vectores en Rn y R, entonces:

1. Positividad: ||v|| 0 ||u|| = 0 u = 0u

2. Homogeneidad: ||u|| = || ||u||

3. Desigualdad triangula: ||u + v|| ||u|| + ||w||

4. Desigualdad Schwarz: ||u, w|| ||u|| ||w||

Ejemplo:
Sea u = (1, 1) v = (0, 1) w = (1, 3)

Conmutativa:

u v = 1
u u = 1
u w = 2

Distributiva

u(v + w) = (1, 1)(1, 4)

= 1 + (4) = 3

Homogeneidad

(uw) = 4
u = (2, 2)

30
 10. ESTRUCTURAS ALGEBRAICAS

Operaci on binaria interna: dado dos elementos de un conjunto cualquiera y una

operacion . Esta operacion es binaria interna si el resultado de esos elementos con la
operacion, es otro elemento del conjunto.

La Operacion binaria interna debe cumplir las siguientes propiedades:

A = Conjunto a, b, c, A Operaci on binaria I N +
i). Clausura por def a b A
ii). Asociativa a (b c) = (a b) c
iii). Conmutativa: a b = b a iv). Distributiva: a (b 4 c) = a b 4 a c v). Elemento
0
neutro: a e = a vi). Simetrico: a a = e

A A
a, b a b
4: AA
a, b a 4 b
Semigrupo: Es la estructura algebraica que solo cumple la propiedad asociativa
Ejemplo: (N, +)
x, y N x + y N O.B.Int

Asociativa:
a + (b + c) = (a + b) + c

Cualquier conjunto (Z, ) * es un binario interno y cumple asociatividad llama-

mos (z, *) semigrupo.

Monoide: Es un semigrupo que ademAs tiene elemento neutro.

Si el monoide ademas cumple la propiedad conmutativa, se llama, monoide conmutativo.

trico.
Grupo: Es un monoide que ademas tiene el inverso o simA c

* LCI (Ley de composicion interna u Operacion binomio interno)

Asociativa
Neutro
Inverso
Si el grupo ademas tiene la propiedad conmutativa entonces se llamara Grupo Abe-
liano.

Si tenemos el conjunto G, con las operaciones , 

y(G, ) es un grupo abeliano

31
y(G, ) es un semigrupo
(G, ) Se llama anillo
Si (G, ) es ademas de semigrupo, conmutativo, entonces (G, , ).

Cuerpo o Campo: Una estructura algebraica (B, ) (B, +) es un grupo abeliano.

(B, ) es un grupo abeliano, si se cumple la distributiva entre las operaciones

10.1. Espacio vectorial finitamente Generado

Si tenemos V (espacio vectorial), sobre un cuerpo K decimos que V es un espacio
vectorial finitamente generado R-e.v.f.g si existe un subconjunto finito.

S = {v~1 , ..., v~n } tal que < v~1 , ..., v~n >= V

Generar el espacio

Ejemplo: eu v = R2
S = {(1, 0), (0, 1)}
(3, 2) R2 = 3(1, 0) + 2(0, 1)

10.2. Base de espacio vectorial

Consideremos v, k e.v.f.g

B = {v~1 , ..., v~n } V

Se llama base si:

i). v~1 , ..., v~n son LI (Vectores libres).
ii). B genera el espacio V .

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

Cuando 1 = 2 = ... = n = 0
Teorema: En un K-e.v.f.g todo conjunto finito de vectores que generan el espacio con-
tiene un subconjunto que es base.

o nica en un k-e.v.f.g.
Corolario: La existencia de la base no A

10.3. Dimensiones de un espacio vectorial

Si tenemos en un K-e.v.f.g una base

B = {v~1 , ..., v~n } V

32
Llamamos dimension de v al cardinal de B.

|B| = Cardinal de B

Dimv = |B| =Numero de elemento de la base.

Si B B V *|B| = |B 0 |
0

dimv = N

Propiedades

Un sistema de vectores L.I, es una base

Todo conjunto N + 1 elementos o vectores es un conjunto de vectores Ld (ligador)

Ejemplo: comprobar si los vectores L = {(1, 1), (0, 1)} es una base de R2
i). L es conjunto LI
Tomamos y
(1, 1) + (0, 1) = (0, 0)
( ) + (0, ) = (0, 0)
+0=0=0
+ = 0 0 + = 0 = 0
(i) L genera a R2 (, y) R2

(x + y) = (1, 1) + (0, 1)

(x, y)( ) + (0, )

x=
y = + = x + = y + x
(x, y) = x(1, 1) + (y + x)(0, 1)
Ejemplo:
(1, 3) = 1(1, 1) + (3 + 1)(0, 1)
(1, 1) + (0, 4)
(1, 3)

L es una base de R2

dimv = 2

33
 11. SUBESPACIO VECTORIAL

Si v es un espacio vectorial y se supone que H es un espacio vectorial en s mismo

bajo la operacion suma y multiplicacion definida en el espacio V , decimos que H es un
subconjunto de V (H V ).

Teorema: Un subconjunto (H 6= )H de un espacio vectorial U es un subespacio

de V si cumple las dos reglas de cerradura.

1. Si x, y H x + y H

2. Si x H R = x H

Ejemplo:
w = (x, y, z) R : 2x + y = 0
(0, 0, 0) = 2(0) + 0 = 0
1. w1 = (x1 , 2x1 , z1 )
w2 = (x2 , 2x2 , z2 )

w1 + w2 = (x1 + x2 , 2x1 2x2 , z1 + z2 )

= (x1 + x2 , 2(x1 + x2 ), z1 + z2 ) EW

2. R w1 = (x1 2x1 , z1 )
w1 = (x1 , 2x1 , z1 ) EW
H es un subespacio vectorial de R3 .

12. TRANSFORMACION LINEAL

Una funcion, aplicacion o transformacion es el conjunto de operaciones que se realizan

sobre el elemento de un espacio vectorial V para convertirlo en un elemento de otro
espacio vectorial W .
T :V W
V~ V W~ W

1. T (V~ + W
~ ) = T (V~ + T (W
~)

~ ) = T (W
2. T (W ~

34
 Ejemplo: T : R3 R2 T (x, y, z) = (x + y, y z)

~v = (v1 , v2 , v3 )
w
~ = (w1 , w2 , w3 )

~v + w
~ = (v1 w1 , v2 w2 , v3 w3 )

T (~v + w)
~ = T (v1 + w1 )(v2 + w2 , v3 , w3 )
= (v1 + w1 + v2 + w2 , v2 + w2 , v2 + w2 (v3 + w3 ) . . .
. . . (v1 + v2 + w1 w2 , v2 v3 + w2 w3 )
= T (~v ) + T (w)
~

T (w)
~ = T (w)
~

w
~ = (w1 , w2 , w3 )
|{z} |{z} |{z}
x y z

~ = T (w1 , w2 , w3 ) = (w1 , w2 , w2 w3 )
T (w)

(w1 + w2 ), (w2 w3 ) = T (w)

~

12.1. Determinantes b
asicas

Ker(T ) = N u(T ) = {v V : T (v) = 0w}N

ucleo

Im(T ) = Ran(T ) = {w W : (v) V /T (v) = w} Rango o imagen.

N u|(T ) (la nulidad de T) se define de la dimension de Ker(T ) como subespacio vecto-

rial dimKert(T ) = N u|(T ).

Nota:Toda transformacion lineal se puede representar a traves de una matriz que la

genera.

El rango es el n
umero de vectores LI de la dimension de la matriz, se calcula re-
duciendola por Gauss e igualada a cero.

35
El rango es el n
umero de unos que tenga la diagonal principal

La nulidad de la tranformacion son el numero de vectores LI, se calcula por Gauss

y son el n
umero de ceros de la diagonal principal.

Ejemplo: T : R3 R3

3x 2y + 5z
T (x, y, z) = 4x + 5y 3z
7x + 3y + 2z
Bc de R3

3 2 5
T (1, 0, 0) = 4
T (0, 1, 0) = 5 T (0, 0, 1) = 3
7 3 2

3 2 5 0
A = 2 5 3 0
7 3 2 0

19

1 0 23
0

29

0 1 23
Aplicando Gauss A = 0


0 0 0 0

Ran(A) = 2
N u(A) = 1
DimR3 = 3
Dim(v) = Ran(A) + N u(A)

36
 13. AUTOVALORES Y AUTOVECTORES

Notaci
on:

A = Matriz n x n
I = Matriz identica
= Valor propio

  a
a
= V ector , b , etc
b
c

F
ormula:

1. det|A I| = 0

2. Av = v
Sea A una matriz n n diremos que un escalar K(R o %) es un autovalor de A si
un vector v Rn V 6= 0 tal que Av = v en cuyo caso se dice que v es el autovalor.

Ejemplo: Determinarlos autovalores y autovectores de:

 
2 12
A=
1 5

det(A I) = 0
   
 2 12 1 0 
det  =0
1 5 0 1 

   
 2 12 0 
det 
 =0
1 5 0 

 
2 12 
det  =0
1 5 

(2 )(5 ) + 12 = 0
10 2 + 52 + 12 = 0

37
 2 + 3 + 2 = 0 Polinomio cartesiano
( + 2)( + 1) = 0

1 = 2
2 = 1

Av = v

    
2 12 x x
=
1 5 y y

   
2x 12y x
=0
x 5y y

 
2x x 12y
=0
x y 5y

 
x(2 ) 12y
=0
x y(5 + )

1 = 2

x(2 + 2) 12y = 0
x y(5 2) = 0
4x 12y = 0
x = 3y

3y 3
V1 = = y
y 1

38
 2 = 1

x(2 + 1) 12y = 0
3x 12y = 0
x = 4y

4y 4
V2 = =y
y 1

3 4
Vectores propios y
1 1

39
BIBLIOGRAFIA

[1] Algebra lineal por Grossman, Stanley I. Edicin: 3a. ed. Editor: Mxico: McGraw-Hill

[2] lgebra lineal por Kolman, Bernard; Hill, David R. Edicin: 8a. ed. Editor: Mxico:
Pearson

[3] Algebra lineal por Johnson, Richard E. Edicin: 1a. ed. Editor: Mxico: Continental

[4] Algebra lineal por Kolman, Bernard. Edicin: 8a. ed. Editor: Mxico: Pearson