Curso Algebra lineal

Vectores en Rn

Clase 1

1 Vectores en Rn
Denicin 1 Denimos Rn como el conjunto de todas las n tuplas ordenadas de nmeros reales
escritas como vectores la o vectores columna. De esta manera, un vector v en Rn se representa en la
forma 2 3
v1
6 v2 7
6 7
[v1 ; v2 ; :::; vn ] 6 . 7 .
4 .. 5
vn
A vi se le conoce como la i sima componente de v.
2 3 2 3
u1 v1
6 u2 7 6 v2 7
6 7 6 7
Denicin 2 (Suma de vectores y el producto por escalar) Sean u = 6 .. 7, v = 6 .. 7 vectores
4 . 5 4 . 5
un vn
en Rn y sea un escalar real. Denimos la suma de u y v, denotada por u + v, como el vector de Rn
2 3
u1 + v1
6 u2 + v2 7
6 7
6 .. 7.
4 . 5
un + vn

Por otro lado, denimos el producto por escalar de y v, denotado por v, como el vector de Rn
2 3
v1
6 v2 7
6 7
6 .. 7.
4 . 5
vn

Teorema 1 Sean u, v y w vectores en Rn y c y d escalares. Entonces:

1. u + v = v + u.
2. u + (v + w) = (u + v) + w.
3. u + ~
0 = u, donde ~
0 se entiende como el vector cuyas componentes son todas iguales a cero.
4. u + ( u) = ~
0.
5. c(u + v) = cu + cv.
6. (c + d)u = cu + du.

1
 7. c(du) = (cd)u
8. 1u = u.
2 3 2 3 2 3
1 1 1
6 2 7 6 0 7 6 1 7
Ejemplo 1 Sean v1 = 6 7
4 1 5, v2 = 4
6 7y v3 = 6
5 4
7.
2 1 5
2 0 1
Calcule: 3v1 + 2v2 v3 , v1 + v2 , v2 + v3 y 3(v1 + v2 ) + 2v2 + v3 .

Solucin:
2 3 2 3 2 3 2 3 2 3
1 1 1 3+2 1 4
6 2 7 6 0 7 6 1 7 6 6+0 1 7 6 5 7
3v1 + 2v2 v3 = 36 7 6 7 6 7 6
4 1 5 + 24 2 5 4 1 5 = 4 3 4
7=6 7.
1 5 4 8 5
2 0 1 6+0 1 5
2 3 2 3 2 3
1 1 2
6 2 7 6 0 7 6 2 7
v1 + v2 = 6 7 6 7 6 7
4 1 5+4 2 5=4 3 5
2 0 2
2 3 2 3 2 3
1 1 2
6 0 7 6 1 7 6 1 7
v2 + v3 = 6 7 6 7 6 7
4 2 5+4 1 5=4 1 5
0 1 1
02 3 2 31 2 3 2 3
1 1 1 1
B6 2 7 6 0 7C 6 0 7 6 1 7
3(v1 + v2 ) + 2v2 + v3 = 3B 6 7 6 7C 6 7 6
@4 1 5 + 4 2 5A + 2 4 2 5 + 4 1
7
5
2 0 0 1
2 3 2 3 2 3 2 3
6 2 1 9
6 6 7 6 0 7 6 1 7 6 7 7
= 6 7 6 7 6 7 6 7
4 9 5 + 4 4 5 + 4 1 5 = 4 12 5
6 0 1 7

1.1 Combinaciones Lineales

Denicin 3 Un vector v es combinacin lineal de los vectores v1 ; v2 ; :::; vk si existen escalares c1 ; c2 ; :::; ck
tales que c1 v1 + c2 v2 + ::: + ck vk . Los escalares c1 ; c2 ; :::; ck son llamados los coecientes de la combi-
nacin lineal.
2 3 2 3 2 3
1 1 1
6 2 7 6 2 7 6 3 7
Ejemplo 2 El vector u = 6 7 6 7
4 3 5 es combinacin lineal de los vectores u1 = 4 1 5 y u2 = 4 2 5
6 7

4 0 1
ya que 2 3 2 3 2 3 2 3
1 1 5 4 1
6 2 7 6 3 7 6 10 12 7 6 2 7
5u1 + 4u2 = 5 6 7 6 7 6
4 1 5 + 44 2 5 = 4 5 + 8 5 = 4 3 5.
7 6 7

0 1 0+4 4
2 3
1
6 1 7
Ejemplo 3 Es el vector v = 6 7
4 1 5 combinacin lineal de los vectores u1 y u2 ?
1

2
Solucin: La solucin de este interrogante no es tan obvia y se realizar usando la teora de sistemas
de ecuaciones lineales.

Ejemplo 4 Si u1 y u2 son los vectores dados en el ejemplo anterior, encuentre el conjunto de todas
las combinaciones lineales de dichos vectores.

Solucin: Denotemos por H al conjunto de todas las combinaciones lineales de u1 y u2 . Entonces

2 3 2 3 2 3 2 3 2 3
x x 1 1 a b
6 y 7 6 y 7 6 2 7 6 7 6 7
6 7 6 7 6 7 + b 6 3 7 = 6 2a 3b 7 ,
4 z 5 2 H $ 4 z 5 = a4 1 5 4 2 5 4 a + 2b 5
w w 0 1 b

con lo que 82 3 9
>
> a b >
>
<6 7 =
2a 3b
H= 6
4 a + 2b
7 : a; b 2 R .
5
>
> >
>
: ;
b

1.2 Longitud y ngulo

1.2.1 El producto punto
2 3 2 3
u1 v1
6 u2 7 6 v2 7
6 7 6 7
Denicin 4 Si u = 6 . 7 y v = 6 . 7 son vectores en Rn entonces el producto punto de u y v
4 .. 5 4 .. 5
un vn
est denido por
u v = u1 v1 + u2 v2 + ::: + un vn .

Teorema 2 Sean u, v y w vectores en Rn y sea c un escalar. Entonces

a. u v = v u
b. u (v + w) = u v + u w
c. (cu) v = c(u v) = u (cv)

d. u u 0 y u u = 0 si y slo si u = 0

1.2.2 Longitud
2 3
v1
6 v2 7
6 7
Denicin 5 La longitud o norma de un vector v = 6 .. 7 en Rn es el escalar kvk denido por
4 . 5
vn
p q
kvk = v v= v12 + v22 + ::: + vn2 .

2
Nota 1 La denicin anterior puede ser reescrita as: kvk = v v.

Teorema 3 Sea v en Rn y sea c un escalar. Entonces

a. kvk = 0 si y slo si v = 0.

3
 b. kcvk = jcj kvk.

Denicin 6 Un vector de longitud 1 se conoce como vector unitario.

1
Nota 2 Si v 6= 0, entonces q = kvk v es un vector unitario en la misma direccin de v.
2 3
1
6 2 7
Ejemplo 5 Sea v = 6
4
7. Encuentre un vector unitario en la misma direccin de v.
1 5
2
2 3 2 1
p 3
1 10p 10
6 2 7 6 1
10 7
Solucin: q = 1 p1 6 7=6 5 p 7
kvk v = 4 1 5 4 1 5
p 10
10
10
2 1
5 10

Teorema 4 (La desigualdad de Cauchy-Schwarz) Para todo par de vectores u y v en Rn

ju vj kuk kvk .

Teorema 5 Para todo par de vectores u y v en Rn

ku + vk kuk + kvk .

1.2.3 Distancia y ngulo

Denicin 7 La distancia entre dos vectores u y v de Rn , denotada por d(u; v), se dene como

d(u; v) = ku vk .

Denicin 8 (ngulo entre vectores) El ngulo entre dos vectores u y v de Rn se referir al ngulo
determinado por stos que satisfaga 0 ; como se muestra en la gura siguiente

Por la ley del coseno,

2 2 2
ku vk = kuk + kvk 2 kuk kvk cos( ).
2 2 2
Puesto que ku vk = kuk 2(u v) + kvk , entonces

2(u v) = 2 kuk kvk cos( ).

Por tanto, si u 6= 0 y v 6= 0 entonces el ngulo entre u y v satisface la igualdad

(u v)
cos( ) = .
kuk kvk

Por otro lado, si u = 0 v = 0, denimos = 2.

4
 3 2 2 3
1 1
6 1 7 6 1 7
Ejemplo 6 Calcule el ngulo entre u = 6 7 6
4 1 5yv=4
7.
1 5
1 1

Solucin:
(u v) 2 1
cos( ) = = =
kuk kvk 2 (2) 2
1
= arccos =
2 3

1.2.4 Vectores ortogonales

Lo que haremos ahora es generalizar el concepto de perpendicularidad a los vectores en Rn , donde se
le conoce como ortogonalidad.

Denicin 9 Dos vectores u y v son ortogonales entre s, si u v = 0.

Nota 3 Como ~
0 v = 0 para todo v en Rn , entonces ~
0 es ortogonal a todo vector de Rn .

Teorema 6 (Teorema de Pitgoras) Para todo par de vectores u y v en Rn . u es ortogonal a v si y

2 2 2
slo si ku + vk = kuk + kvk .

Prueba. Supongamos que u v = 0. Puesto que

2 2 2
ku + vk = (u + v) (u + v) = kuk + 2(u v) + kvk ; (1)

entonces
2 2 2
ku + vk = kuk + kvk .
2 2 2
Recprocamente, supongamos que ku + vk = kuk + kvk . Reemplazando en la igualdad (1)
2 2 2 2 2
kuk + kvk = ku + vk = kuk + 2(u v) + kvk .

Cancelando a ambos lados se tiene que 2(u v) = 0 con lo que u v = 0.

1.2.5 Proyecciones
Sean u y v vectores distintos de cero no paralelos, ver gura siguiente

Sea p el vector obtenido al trazar una perpendicular del punto nal de u sobre v. Notemos que p es
paralelo a v por tanto p = v: Si consideramos el vector q = u v, entonces q es ortogonal a v as
q v = 0, con lo que

(u v) v = 0,
2
u v kvk = 0,
u v
= 2.
kvk

5
De lo anterior
u v
p= 2 v.
kvk

Denicin 10 Si u y v son vectores en Rn , v 6= ~0, entonces la proyeccin de u sobre v, denotada

P royv u, se dene por
u v
P royv u = 2 v.
kvk
2 3 2 3
1 1
6 1 7 6 1 7
Ejemplo 7 Sean u = 6 7 6 7
4 1 5 y v = 4 1 5. Halle P royv u y P royu v:
1 1

Solucin: 2 3 2 3
1 1
u v 26
6 1 7 6
7= 16 1 7
7
P royv u = 2v =
kvk 44 1 5 24 1 5
1 1
y 2
3 2 3
1 1
u v 26 7
6 1 7 16
6 1 7
7.
P royu v = 2u = 4 4 1 5 = 2 4
kuk 1 5
1 1

6
 Sistema de ecuaciones Lineales

Clase 2

1 Sistema de Ecuaciones Lineales

Denicin 1 Una ecuacin lineal en las n variables x1 ; x2 ; :::; xn es una ecuacin de la forma

a1 x1 + a2 x2 + ::: + an xn = b, (1)

donde los coecientes a1 ; :::; an y b son constantes.

Ejemplo 1 Las siguientes ecuaciones son lineales

3x + 2y + z = 1, tan( )x 5y = cos( ):
2
Mientras que las ecuaciones

3xy + z + w = 2, 3 tan(x) + w = 0

no son lineales.
2 3
s1
6 s2 7
6 7
Denicin 2 Una solucin de una ecuacin lineal a1 x1 + a2 x2 + ::: + an xn = b es un vector 6 .. 7
4 . 5
sn
cuyas entradas satisfacen la ecuacin cuando se sustituye x1 = s1 ; :::; xn = sn .

Denicin 3 Un sistema de ecuaciones lineales o sistema lineal de m ecuaciones con n variables es

un conjunto de la forma

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

a21 x1 + a22 x2 + ::: + a2n xn = b2
..
.
am1 x1 + am2 x2 + ::: + amn xn = bm .

Donde los coecientes aij ; i = 1; :::; m, j = 1; 2; :::; n, b1 ; :::; bm son constantes.

Una solucin de un sistema de ecuaciones lineales es un vector que es simultneamente una solucin
de cada ecuacin del sistema. El conjunto solucin de un sistema de ecuaciones lineales es el conjunto
de todas las soluciones del sistema.

Nota 1 Se entender por resolver el sistema a encontrar el conjunto solucin de ste. Si un sistema
de ecuaciones lineales tiene, ya sea, una solucin o innitas soluciones diremos que el sistema es
consistente. Si el sistema no tiene soluciones diremos que es inconsistente.

1
1.1 Resolucin de un Sistema de Ecuaciones Lineales
Denicin 4 Dos sistemas de ecuaciones lineales se dicen equivalentes si tienen el mismo conjunto
solucin.

Armacin 1 Nuestro objetivo es disear un algoritmo para encontrar el conjunto solucin de cualquier
sistema de ecuaciones lineales. Para alcanzar esta meta debemos transformar un sistema de ecuaciones
lineales en otro que sea ms fcil de resolver.

El siguiente ejemplo nos dar una idea de lo que quiere decir fcil de resolver.

Ejemplo 2 Resuelva el siguiente sistema

x+y+z = 1
y+z = 2
3z = 6.

Tuvieron alguna dicultad?

1.2 Mtodos directos para resolver sistemas lineales

1.2.1 Matrices y forma escalonada
Denicin 5 Sea

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

a21 x1 + a22 x2 + ::: + a2n xn = b2
..
.
am1 x1 + am2 x2 + ::: + amn xn = bm .

Un sistema lineal. Deniremos las siguientes dos matrices:

2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
a. Matriz de Coecientes: 6 . . .. .. 7.
4 .. .. . . 5
am1 am2 amn
2 3
a11 a12 a1n b1
6 a21 a22 a2n b2 7
6 7
b. Matriz Aumentada: 6 . . . .. 7.
4 . . .
. . . . 5
am1 am2 amn bm

Notacin 1 Denotaremos los sistemas lineales por [A b].

Denicin 6 Una matriz se encuentra en forma escalonada si satisface las siguientes condiciones:

1. Las las de ceros se ubican en la parte inferior.

2. En cada la no nula, la primera entrada distinta de cero (denominada entrada principal) se
encuentra en una columna a la izquierda de cualquier entrada principal debajo de ella.

Nota 2 Podemos deducir que, en una matriz escalonada, todas las entradas por debajo de una entrada
principal son todas iguales a cero.

2
Ejemplo 3 Las siguientes matrices estn en forma escalonada
2 3 2 3
3 0 8 1 1 1 4 8
4 0 0 4 2 5, 4 0 2 1 0 5.
0 0 0 0 0 0 3 2
Mientras que las siguientes matrices no estn en forma escalonada
2 3
2 1 5 1 2 3
6 0 0 5 7 0 1 0 0
6 1 7 4 0 2 0 0 5.
4 0 1 0 ,
0 5
0 1 1 0
0 0 0 0

1.2.2 Operaciones Elementales de Fila

Denicin 7 En una matriz se pueden efectuar las siguientes operaciones, llamadas operaciones ele-
mentales de la

Operacin elemental Notacin

El intercambio de las las i y j Ri ! Rj
Multiplicar la la i por k, con k 6= 0 kRi
Sumarle k veces la la i a la la j Rj + kRi
Denicin 8 Dos matrices se dicen equivalentes por la si una puede transformarse en la otra me-
diante un nmero nito de operaciones elementales de la.
Teorema 1 Dos matrices son equivalentes por la si y slo si ambas pueden reducirse a la misma
forma escalonada.
Nota 3 La forma escalonada de una matriz no es nica.
Teorema 2 Sea [A b] un sistema lineal y sea [U c] una matriz escalonada obtenida a partir de [A b]
mediante un nmero nito de operaciones elementales de la. Entonces [A b] y [U c] son sistemas
lineales equivalentes.
Ejemplo 4 Resuelva el siguiente sistema
5x1 + 3x2 + x3 = 2
10x1 + 5x2 + 3x3 = 5
5x1 + x2 + 4x3 = 5
2 3
5 3 1 2
Solucin: La matriz aumentada asociada al sistema es: [A b] = 4 10 5 3 5 5. Con lo que:
5 1 4 5
2 3 2 3 2 3
5 3 1 2 R2 2R1 5 3 1 2 5 3 1 2
4 10 5 3 5 5 ! 4 0 1 1 1 5 R3 2R2 4 0 1 1 1 5.
R 3 R 1 !
5 1 4 5 0 2 3 3 0 0 1 1
As, el sistema dado es equivalente al sistema
5x1 + 3x2 + x3 = 2
x2 + x3 = 1
x3 = 1.
2 3
1
6 7
Realizando sustitucin regresiva concluimos que el sistema tiene solucin nica dada por 4 50 5.
1

3
 Eliminacin Gaussiana

Clase 3

1 Eliminacin Gaussiana
Cuando se aplican operaciones elementales de la a una matriz aumentada correspondiente a un sistema
de ecuaciones lineales para llevarla a la forma escalonada creamos un sistema equivalente que puede ser
resuelto mediante sustitucin regresiva. El proceso completo es conocido como eliminacin gaussiana.
Proceso de Eliminacin Gaussiana
1. Escriba la matriz aumentada del sistema de ecuaciones lineales.
2. Utilice operaciones elementales de la para llevar la matriz aumentada a una forma escalonada.
3. Mediante sustitucin regresiva, resuelva el sistema equivalente correspondiente a la matriz
aumentada escalonada.
Teorema 1 Un sistema de ecuaciones lineales es soluble si y slo si cualquier forma escalonada de la
matriz aumentada asociada al sistema no tiene las de la forma:
[0; :::; 0 c] , con c 6= 0.
2x + y z + 3w = 5
Ejemplo 1 Es el sistema 4x + y + z + w = 1 soluble?
6x + 2y + 4w = 1
Solucin:
2 3
2 1 1 3 5
La matriz aumentada asociada al sistema es: 4 4 1 1 1 1 5 y una matriz escalonada asociada
2 3 6 2 0 4 1
2 1 1 3 5
es:4 0 1 3 5 9 5, por tanto el sistema no es soluble.
0 0 0 0 5
Denicin 1 Para un sistema de ecuaciones lineales [A b] y su correspondiente matriz escalonada
[U c] clasicaremos las variables en dos grupos.
1. Variables principales: son aquellas que estn asociadas con las entradas principales.
2. Variables libres: son aquellas que no son principales.
Teorema 2 Un sistema de ecuaciones lineales soluble tiene innitas soluciones si tiene variables libres
y tiene solucin nica si no tiene variables libres.
Ejemplo 2 Resuelva el sistema
x+y+z+w = 2
2x + y + z + w = 1
x + y + 2z + 2w = 1.
Cuntas soluciones tiene el sistema?

1
 2 3
1 1 1 1 2
Solucin: La matriz aumentada asociada al sistema es: 4 2 1 1 1 1 5 y una matriz escalonada
1 1 2 2 1
2 3
1 1 1 1 2
asociada es: 4 0 1 1 1 3 5, por tanto el sistema dado es equivalente al sistema:
0 0 1 1 1

x+y+z+w = 2
y z w = 3
z+w = 1

Por tanto,
2 asignando
3 valores a z y w tales que z + w = 1, se tiene innitas soluciones, una de ellas
1
6 4 7
es: 6
4 1 5:
7

Denicin 2 El rango de una matriz se dene como el nmero de las distintas de cero de cualquiera
de sus formas escalonadas.

Teorema 3 (Teorema del rango) Sea A la matriz de coecientes de un sistema de ecuaciones lineales
con n variables. Si el sistema es consistente, entonces

#(variables libres) = n rango(A).

Denicin 3 Una matriz se encuentra en forma escalonada reducida si satisface las siguientes propiedades:

1. Estar en forma escalonada.

2. La entrada principal de cada la diferente de cero sea igual a 1 (denominado 1 principal).
3. Cada columna que contiene un 1 principal tiene ceros en cualquier otro sitio.
2 3
1 2 0 6
Ejemplo 3 a. 4 0 0 1 4 5 est en forma escalonada reducida.
0 0 0 0
2 3
0 1 0 8 0 3
6 0 0 1 4 0 7 7
b. 64 0 0 0 0 1
7 est en forma escalonada reducida.
0 5
0 0 0 0 0 0
2 3
1 1 2 4
c. 4 0 0 1 0 5 no est en forma escalonada reducida.
0 0 0 1

Nota 1 Despus que una matriz ha sido transformada a su forma escalonada, operaciones elementales
de la la llevarn a su forma escalonada reducida.

Mtodo de Eliminacin de Gauss-Jordan

1. Escriba la matriz aumentada del sistema lineal.
2. Utilice operaciones elementales de la para reducir la matriz aumentada.
3. Exprese las variables principales en trminos de las variables libres, si las hay.

2
Ejemplo 4 Encuentre el conjunto solucin del sistema lineal

2x + 4y + 4z = 6
4x + y + z = 11
6x + 8y + 8z = 12

usando el mtodo de Gauss-Jordan.

2 3
2 4 4 6
Solucin: La matriz aumentada asociada al sistema es 4 4 1 1 11 5, y una matriz escalonada
6 8 8 12
2 3
1 2 2 3
asociada es 4 0 7 7 1 5, este sistema no tiene solucin dada la ltima la de la matriz
19
0 0 0 7
aumentada escalonada.

1.1 Sistemas Homogneos

Denicin 4 Un sistema lineal se denomina homogneo si el trmino constante de cada ecuacin del
sistema es cero. En otras palabras si la matriz aumentada asociada al sistema es de la forma [A 0].

Nota 2 Los sistemas homogneos siempre son solubles.

Teorema 4 Si [A 0] es un sistema homogneo de m ecuaciones con n incgnitas, donde m < n,

entonces el sistema tiene innitas soluciones.
2 3 2 3 2 3 2 3
1 1 1 5
Ejemplo 5 Sean v1 = 4 2 5 ; v2 = 4 3 5 ; v3 = 4 2 5 y b = 4 9 5.
2 2 2 10

a. Encuentre una regla para determinar cundo un vector de R3 es combinacin lineal de v1 ; v2 y

v3 .
b. Es b combinacin lineal de los vectores v1 ; v2 y v3 ? En caso armativo encuentre todas las
formas de expresar el vector b como combinacin lineal de dichos vectores.
c. Encuentre todos los vectores de R3 que sean ortogonales a v1 , v2 y v3 .

Solucin:
2 3
x
a. Sea w = 4 y 5 un vector en R3 que es combinacin lineal de los vectores v1 ; v2 y v3 , entonces
z
existen escalares c1 ; c2 y c3 tales que
2 3 2 3 2 3 2 3 2 3
x 1 1 1 c1 c2 + c3
4 y 5 = c1 4 2 5 + c2 4 3 5 + c3 4 2 5 = 4 2c1 3c2 + 2c3 5 ,
z 2 2 2 2c1 2c2 + 3c3

con lo que
c1 c2 + c3 = x
2c1 3c2 + 2c3 = y (1)
2c1 2c2 + 2c3 = z

3
 De lo anterior, w es combinacin lineal de v1 ; v2 y v3 si y slo si el sistema lineal 1 es consistente.
Encontremos condiciones sobre x; y y z de tal forma que el sistema lineal anterior sea soluble.
En efecto, la matriz aumentada y su respectivo escalonamiento se muestra a continuacin:
2 3 2 3
1 1 1 x 1 1 1 x
4 2 3 2 y 5!4 0 1 0 2x + y 5 ; (2)
2 2 2 z 0 0 0 2x + z

as, la regla pedida es: 2x + z = 0.

b. S, ya que 2(5) + 10 = 0.
c. Ejercicio.

4
 Aplicaciones

Clase 4

Asignacin de recursos
Ejemplo 1 Tres compuestos se combinan para formar tres tipos de fertilizantes. Una unidad del fertilizante del
tipo I requiere 10kg del compuesto A, 10kg del B y 20kg del C; una unidad del fertilizante del tipo II requiere 30kg
del compuesto A, 40kg del B y 50kg del C; una unidad del fertilizante del tipo III requiere 20kg del compuesto A,
10kg del B y 50kg del C. Si hay disponible 250000kg del compuesto A, 200000kg del compuesto B y 550000kg
del compuesto C. Se desea saber cuntas unidades de cada tipo de fertilizante se pueden producir si se usa todo el
material qumico disponible.
a. Plantee un sistema de ecuaciones lineales que permita resolver el problema. Dena claramente las variables a
utilizar.
b. Encuentre un intervalo, para cada variable libre, donde las soluciones tienen sentido.
c. Si se tiene la cantidad mnima del fertilizante del tipo III Cuntas unidades de cada tipo de fertilizante se
puede producir?.
Solucin:
a. Denimos las variables como
x = nmero de unidades de fertilizante tipo I que se produce usando todo el material qumico disponible.
y = nmero de unidades de fertilizante tipo II que se produce usando todo el material qumico disponible.
z = nmero de unidades de fertilizante tipo III que se produce usando todo el material qumico disponible.
Entonces al utilizar todo el material qumico disponible obtenemos las ecuaciones
10x + 30y + 20z = 250000 (1)
10x + 40y + 10z = 200000
20x + 50y + 50z = 550000.

b. Primero encontremos el conjunto solucin del sistema lineal 1. La matriz aumentada asociada al sistema y su
respectiva matriz reducida se muestran a continuacin
2 3 2 3
10 30 20 250000 1 0 5 40 000
4 10 40 10 200000 5 ! 4 0 1 1 5000 5
20 50 50 550000 0 0 0 0
Por tanto
x = 40000 5z
y = 5000 + z
Por otro lado, cada una de las variables del sistema deben ser enteros positivos, as
40000 5z 0, 5000 + z 0yz 0,
De donde
8000 z, z 5000 y z 0.
Luego z es un entero entre 5000 y 8000.

1
c. La cantidad mnima de fertilizante tipo III es de 5000, y si esto se obtiene se deben tener 15000 unidades de
fertilizante tipo I y 0 unidades de fertilizante tipo II.

Balanceo de ecuaciones qumicas

Cuando se presenta una reaccin qumica, ciertas molculas (los reactantes) se combinan para formar nuevas molcu-
las (los productos). Una ecuacin qumica balanceada es una ecuacin algebraica que proporciona los nmeros
relativos de reactantes y productos en la reaccin y tiene el mismo nmero de tomos de cada tipo tanto del lado
izquierdo como del lado derecho de la ecuacin. La ecuacin por lo regular se escribe con los reactantes a la izquierda,
los productos a la derecha y una echa entre ellos para mostrar la direccin de la reaccin. Por ejemplo

2H2 + O2 ! 2H2 O.

Ejemplo 2 Balancee la ecuacin qumica de cada reaccin.

a. F eS2 + O2 ! F e2 O3 + SO2
b. CO2 + H2 O ! C6 H12 O6 + O2
c. N a2 CO3 + C + N2 ! N aCN + CO

Solucin:
c. Balanceemos la ecuacin qumica N a2 CO3 + C + N2 ! N aCN + CO. Sean x; y; z; w; k tales que la ecuacin

xN a2 CO3 + yC + zN2 ! wN aCN + kCO

est balanceada, entonces los nmeros de moles de N a, C, N y O deben ser iguales tanto de un lado como
del otro, as

Sodio (N a) : 2x = w (2)
Carbono (C) : x + y = w + k
Oxgeno (O) : 3x = k
Nitrgeno (N ) : 2z = w

Reescribiendo el sistema 2 obtenemos el siguiente sistema homogneo

2x w = 0 (3)
x+y w k = 0
3x k = 0
2z w = 0

cuya matriz aumentada y su respectiva forma reducida es

2 1 3
2 3 1 0 0 0 0
6 3 7
2 0 0 1 0 0 6 4 7
6 1 1 0 6 0 1 0 0 0 7
6 1 1 0 77!6 3 7
4 3 0 0 6 7.
0 1 0 5 6 0 0 1 0 1
0 7
6 7
0 0 2 1 0 0 4 3 5
2
0 0 0 1 0
3
Con lo que
1 4 1 2
x= k, y= k, z= k, w= k.
3 3 3 3

2
 2 3
x
6 y 7
6 7
Por tanto 6
6 z 7 es una solucin del sistema homogneo 3 si y slo si
7
4 w 5
k
2 1 3 2 1 3
2 3 6 3k 7 6 3 7
x 6 4 7 6 4 7
6 7 6 k 7 6 7
6 y 7 6 3 7 6 3 7
6 7=6 1 7 6
7 = k6 1
7
6 z 7 6 k 7, k 2 R.
4 w 5 6
6 3
7
7
6
6 3
7
7
6 2 7 6 2 7
k 4 k 5 4 5
3 3
k 1
Tomando k = 3, obtenemos x = 1, y = 4, z = 1, w = 2. Luego la ecuacin balanceada es
N a2 CO3 + 4C + N2 ! 2N aCN + 3CO.

Anlisis de redes
Muchas situaciones prcticas dan origen a las redes: redes de transporte, redes de comunicaciones y redes
econmicas, por nombrar unas cuantas. De particular inters son los ujos posibles a travs de las redes. Por
ejemplo, el ujo de vehculos a travs de una red de carreteras, el ujo de informacin a travs de una red de datos,
y los bienes y servicios que uyen a travs de una red econmica.
Para nosotros, una red se compondr de un nmero nito de nodos (tambin llamados uniones o vrtices)
conectados por una serie de lneas dirigidas conocidas como ramas o arcos. Cada rama estar etiquetada con un
ujo que representa la direccin indicada. La regla fundamental que gobierna el ujo a travs de una red es la de la
conservacin del ujo:
En cada nodo, el ujo que entra es igual al ujo que sale.
Ejemplo 3 Consideremos la siguiente red de transporte.
Calle1 Calle 2
800 600
x1
600
Calle 3 500
A B

x4 x2

C D
Calle 4 300
700 x3

300 400

a. Establezca y resuelva un sistema de ecuaciones lineales para encontrar los ujos posibles en la red de la gura
anterior.
b. Con respecto a las soluciones halladas en (a) indicar, para cada variable libre, un intervalo en el cual puede
tomar valores para que dichas soluciones tengan sentido en el problema.
c. Hallar los valores de x1 ; x2 ; x3 y x4 de tal forma que se obtenga el mximo ujo vehicular en la rama BD.
Solucin:
a. Las ecuaciones que se obtienen de los cruces A; B, C y D estn dadas a continuacin
Cruce A : x1 + x4 = 1400
Cruce B : x1 + x2 = 1100
Cruce C : x3 + x4 = 1000
Cruce D : x2 + x3 = 700.

3
 La matriz aumentada y su respectiva forma escalonada se muestran a continuacin
2 3 2 3
1 0 0 1 1400 1 0 0 1 1400
6 1 1 0 0 1100 7 6 0 1 0 1 300 7
6 7 6 7
4 0 0 1 1 1000 5 ! 4 0 0 1 1 1000 5
0 1 1 0 700 0 0 0 0 0

De lo anterior, el conjunto solucin de dicho sistema lineal es

82 3 2 3 2 39
>
> x1 x1 1400 x4 >
>
<6 7=
6 x2 7
7 2 R4 : 6
6 x2
7 6
7 6 300 + x4 7 .
> 4 x3 5 4 x3 5 = 4 1000 x4 5>
>
: >
;
x4 x4 x4

b. La nica variable libre del sistema es x4 . Por otro lado, x1 ; x2 ; x3 y x4 designan ujo vehicular que considerare-
mos, en este caso, positivos y enteros, as que

1400 x4 0 , 1400 x4
300 + x4 0 , x4 300
1000 x4 0 , 1000 x4
x4 0,

luego x4 es un nmero entero entre 300 y 1000.

c. Puesto que x2 = 300 + x4 , entonces cuando x4 = 300 se tiene x2 = 0 y cuando x4 = 1000 se tiene x2 = 700, as
que el mximo para x2 es 700 y se obtiene al tomar x4 = 1000, as que en este caso la distribucin de ujos
en las vas debe ser

x1 = 400
x2 = 700
x3 = 0
x4 = 1000.

4
 Conjuntos Generadores e Independencia Lineal

Clase 5

1 Conjuntos Generadores e Independencia Lineal

Denicin 1 Si S = fv1 ; v2 ; :::; vk g es un conjunto de vectores en Rn , entonces al conjunto de todas las
combinaciones lineales de v1 ; v2 ; :::; vk se denomina el espacio (generado) de v1 ; v2 ; :::; vk y se denotar
espacio(v1 ; v2 ; :::; vk ) espacio(S). Si espacio(S) = Rn , entonces S se llamar conjunto generador de
Rn .

Ejemplo 1 Resuelva
023 2 3 2 31
1 1 2
a. Encuentre H = espacio @4 1 5 ; 4 2 5 ; 4 3 5A.
2 3 5

b. Encuentre un conjunto generador para R4 .

1 2
c. Encuentre espacio ; .
1 1

Solucin:
3 2
x
a. Caractericemos los elementos de H, en efecto, sea 4 y 5 2 H, entonces existen escalares c1 ; c2 y
z
c3 tales que
2 3 2 3 2 3 2 3 2 3
x 1 1 2 c1 + c2 2c3
4 y 5 = c1 4 1 5 + c2 4 2 5 + c3 4 3 5 = 4 c1 + 2c2 3c3 5 .
z 2 3 5 2c1 + 3c2 5c3

Por igualacin de vectores obtenemos

c1 + c2 2c3 = x (1)
c1 + 2c2 3c3 = y
2c1 + 3c2 5c3 = z
2 3
x
De lo anterior, 4 y 5 2 H si y slo si el sistema lineal 1 es soluble. Para determinar sto
z
escalonemos su matriz aumentada, en efecto
2 3 2 3
1 1 2 x 1 1 2 x
4 1 2 3 y 5!4 0 1 1 x + y 5,
2 3 5 z 0 0 0 x y+z

1
 por tanto tenemos como nica restriccin x y + z = 0, con lo que
82 3 9
< x =
H = 4 y 5 2 R3 : x y + z = 0 .
: ;
z
23
x
6 y 7
b. Sea 6 7 4
4 z 5 2 R , entonces
w
e1 e2 e3 e4
2 3 z2 }| 3{ z2 }| 3{ z2 }| 3{ z2 }| 3{
x 1 0 0 0
6 y 7 6 0 7 6 1 7 6 0 7 6 0 7
6 7 = x6 7 + y 6 7 + z 6 7 + w6 7,
4 z 5 4 0 5 4 0 5 4 1 5 4 0 5
w 0 0 0 1

luego todo vector de R4 es combinacin de los vectores e1 ; e2 ; e3 y e4 , con lo que fe1 ; e2 ; e3 ; e3 g

es un conjunto generador para R4 .
1 2 x
c. Siendo H = espacio ; , si 2 H, entonces existen escalares c1 y c2 tales que
1 1 y

x 1 2 c1 + 2c2
= c1 + c2 =
y 1 1 c1 + c2

Por tanto se tiene que

c1 + 2c2 = x
c1 + c2 = y

x
y 2 H si el sistema anterior es soluble, entonces escalonemos su matriz aumentada,
y

1 2 x 1 2 x
!
1 1 y 0 3 x+y

x
tenemos entonces si 3c2 = x + y, el vector 2 H, por tanto
y

x
H= 2 R2 : x + y = 3c2 ; c2 6= 0
y

1.1 Independencia Lineal

Denicin 2 Un conjunto de vectores v1 ; v2 ; :::; vk es linealmente dependiente si existen escalares
c1 ; c2 ; :::; ck , no todos iguales a cero, tales que

c1 v1 + c2 v2 + ::: + ck vk = 0.

Un conjunto de vectores que no es linealmente dependiente se denomina linealmente independiente.

Ejemplo 2 Para cada uno de los siguientes conjuntos determinar cual es L.I. L.D.

2
 82 3 2 3 2 3 2 39
>
> 1 1 2 2 >
>
<6 7 6 7 6 1 7 6 2 7=
1 7 6 0
a. 6
4 1 5;4 1
7;6 7;6
5 4 2 5 4 2
7 .
5>
>
> >
: ;
1 0 1 2
82 3 2 3 2 39
>
> 1 1 1 >>
<6 7 6 7 6 0 7=
2 7 6 0
b. 6
4 3 5;4 3
7;6 7 .
5 4 0 5>
>
> >
: ;
4 0 1
Solucin: a. Sean c1 ; c2 ; c3 y c4 escalares reales tales que
2 3 2 3 2 3 2 3 2 3
1 1 2 2 0
6 1 7 6 0 7 6 1 7 6 2 7 6 0 7
c1 6 7 6 7
4 1 5 + c2 4 1 5 + c3 4 2
6 7 + c4 6 7 = 6
5 4 2 5 4 0
7.
5
1 0 1 2 0
Sumando e igualando componente a componente tenemos
c1 + c2 + 2c3 + 2c4 = 0
c1 + c3 + 2c4 = 0
.
c1 + c2 + 2c3 + 2c4 = 0
c1 + c3 + 2c4 = 0
En resumen, el conjunto de vectores es L:I si el sistema homogneo anterior tiene solucin
nica y es L:D si el sistema homogneo anterior tiene innitas soluciones. Ahora bien, la
matriz aumentada y una matriz escalonada asociada a sta se presentan a continuacin
2 3 2 3
1 1 2 2 0 1 1 2 2 0
6 1 0 1 2 0 7 6 0 1 1 0 0 7
6 7 6 7.
4 1 1 2 2 0 5!4 0 0 0 0 0 5
1 0 1 2 0 0 0 0 0 0
Como podemos observar, el sistema homogneo anterior tiene innitas soluciones, pues tiene
variables libres, por tanto el conjunto es linealmente dependiente.
b. Sean c1 ; c2 y c3 escalares reales tales que
2 3 2 3 2 3 2 3
1 1 1 0
6 2 7 6 0 7 6 0 7 6 0 7
c1 6 7 6 7 6 7 6 7
4 3 5 + c2 4 3 5 + c3 4 0 5 = 4 0 5 .
4 0 1 0
Sumando e igualando componente a componente tenemos
c1 + c2 + c3 = 0
2c1 = 0
.
3c1 + 3c2 = 0
4c1 + c3 = 0
Veamos si el sistema homogneo anterior tiene solucin nica o si tiene innitas soluciones.
2 3 2 3
1 1 1 0 2 0 0 0
6 2 0 0 0 7 6 0 0 7
6 7!6 0 3 7.
4 3 3 0 0 5 4 0 0 1 0 5
4 0 1 0 0 0 0 0
Como podemos ver el sistema homogneo tiene solucin nica, por tanto el conjunto de
vectores es L:I:

3
Teorema 1 Los vectores v_1; :::; v_m en Rn son L.D si y slo si al menos uno de los vectores puede
ser expresado como una C.L de los otros.

Teorema 2 Cualquier conjunto de vectores que contenga al vector cero es linealmente dependiente.

4
 Matrices

Clase 6

1 Matrices
Denicin 1 Una matriz es un arreglo rectangular de nmeros denominados entradas o elementos de
la matriz.

Ejemplo 1 Los siguientes son ejemplos de matrices

2 3
2 3 1
1 2 5 6 3 6 07
1 2
A=4 2 0 4 1 75 ; B= ; C=6 7
4 1 5; D= 1 1 2 :
3 4
3 1 2 2 3
1

Denicin 2 El orden de una matriz es una descripcin del nmero de las y columnas que tiene.
Una matriz se denomina de orden m n si tiene m las y n columnas. As, las matrices del ejemplo
anterior son matrices de rdenes 3 5; 2 2; 4 1 y 1 3 respectivamente.

Denicin 3 Una matriz de orden 1 m se conoce como matriz la y una matriz de orden n 1 se
conoce como matriz columna.

Nota 1 Usaremos notacin de subndice doble para hacer referencia a las entradas de una matriz,
es decir, la entrada de A en la la i y la columna j se notar por aij . Con esta notacin podemos
escribir una matriz en forma compacta, as, A = [aij ]m n ( [aij ]). Por tanto una matriz tiene la
2 3
a11 a12 ::: a1n
6 a21 a22 ::: a2n 7
6 7
forma A = 6 . .. .. .. 7 :
4 .. . . . 5
am1 am2 ::: amn

Si las columnas de A son los vectores b1 ; :::; bn entonces podemos representar a A por A =
[b1 b2 ::: 2 bn ] 3y si las las de A son los vectores A1 ; A2 ; :::; Am entonces podemos representar a
A1
6 A2 7
6 7
A por A = 6 . 7 :
4 .. 5
Am

Denicin 4 Sea A = [aij ]m n.

1. Las entradas diagonales de A son a11 ; a22 ; :::; akk ; :::

2. Si m = n entonces A se conoce como matriz cuadrada de orden n:
3. Si A es una matriz cuadrada y sus entradas no diagonales son todas cero, A se denomina matriz
diagonal.

1
 4. Una matriz diagonal en la cual todas las entradas diagonales sean todas iguales se conoce como
matriz escalar.
5. Si el escalar en la diagonal es 1, la matriz escalar se llama matriz identidad y es denotada por
In :

Denicin 5 Dos matrices son iguales si tienen el mismo tamao y sus entradas correspondientes
son iguales.

1.1 Adicin de matrices y multiplicacin por escalar

Si A = [aij ] y B = [bij ] son matrices m n, su suma A + B es la matriz m n cuya entrada ij es
aij + bij ; es decir, A + B = [aij + bij ] :
Si adems c es un escalar, entonces el producto escalar cA es la matriz m n obtenida al multiplicar
cada entrada de A por c: As, cA = [caij ] :

1.2 Multiplicacin de matrices

Denicin 6 Si A es una matriz de orden m n y B es una matriz de orden n r entonces el
producto C = AB es una matriz de orden m r, donde la entrada (ij) de C est dada por:

cij = ai1 b1j + ai2 b2j + ::: + ain bnj :

Nota 2 Para que el producto de A por B tenga sentido el nmero de columnas de A debe ser2igual 3
b1j
6 b2j 7
6 7
al nmero de las de B: Si la la i de A es ai1 ai2 ::: ain y la j-sima columna de B es 6 . 7
4 .. 5
bnj
2 3 2 3
ai1 b1j
6 ai2 7 6 b2j 7
6 7 6 7
entonces la entrada ij de C se computa as: cij = 6 . 7 6 .. 7 = ai1 b1j + ai2 b2j + ::: + ain bnj :
4 .. 5 4 . 5
ain bnj
2 3
2 3 1 1 1
1 1 1 2 6 1 0 17
Ejemplo 2 Sean A = 40 1 0 15 y B = 6 4 1 1
7 : Calcule si es posible, AB y BA:
15
1 1 1 1
1 0 1

Solucin: Puesto que A es de tamao 3 4 y B es de tamao 4 3, tanto el producto AB como el

producto BA pueden realizarse. Calculemos estas matrices.
a. Recordemos que para calcular la entrada ij de la matriz AB; realizamos el producto punto de los
vectores dados por la i sima la de A y la j sima columna de B: As, la matriz producto AB
se calcula como:
2 3 2 3
1(1) + ( 1)1 + 1( 1) + 2(1) 1(1) + ( 1)0 + 1(1) + 2(0) 1( 1) + ( 1)( 1) + 1( 1) + 2( 1) 1 2 3
4 0(1) + 1(1) + 0( 1) + 1(1) 0(1) + 1(0) + 0(1) + 1(0) 0( 1) + 1( 1) + 0( 1) + 1( 1) 5 = 42 0 25
1(1) + 1(1) + 1( 1) + 1(1) 1(1) + 1(0) + 1(1) + 1(0) 1( 1) + 1( 1) + 1( 1) + 1( 1) 2 2 4
2 3
0 1 0 2
60 2 0 17
b. Puede vericarse que BA = 6 4 2 1
7
2 25
0 2 0 1

2
 2 3 2 3
1 1 1 1 1 1
Ejemplo 3 Sean A = 4 1 2 15 y B = 4 1 1 1 5 : Calcule, AB y BA:
1 0 1 1 1 0

Solucin: Dado que los tamaos de las matrices lo permiten, los dos productos pueden realizarse para
obtener:
2 3
1 1 0
a. AB = 40 2 15
0 2 1
2 3
3 3 1
b. BA = 4 1 1 15
0 1 0

Nota 3 En general, el producto de matrices no es conmutativo.

Teorema 1 Todo sistema de ecuaciones lineales de m ecuaciones con n incgnitas se puede representar
en la forma AX = b, donde A es la matriz de coecientes, X es el vector que contiene las variables
del sistema y b es el vector de trminos independientes.

Ejemplo 4 Exprese el siguiente sistema lineal en la forma AX = b

3x + 2y 3z + 5w = 2 (1)
x+y+z+w = 1
5x + 2y z + w = 6
2 3
2 3 x 2 3
3 2 3 5 6y 7 2
Solucin: Si A = 41 1 1 15 ; X = 6 7 y b = 4 15
4z 5
5 2 1 1 6
w
2 3
2 3 x 2 3
3 2 3 5 6 7 2
y
Entonces 1 se puede representar como AX = b; es decir, 41 1 1 15 6
4z 5
7 = 4 15
5 2 1 1 6
w

Teorema 2 Si A es una matriz de orden m n; ei = 0 ::: 1 ::: 0 donde el 1 est en la i sima

2 3
0
6 .. 7
6.7
6 7
posicin y ej = 6 7
617 ; con el 1 en la j sima posicin. Entonces
6.7
4 .. 5
0

1. ei A = i sima la de A:
2. Aej = j sima columna de A:

3
1.3 Potencias de una matriz
Denicin 7 Para n 2 N, denimos An = A A ::: A (n veces). Si n = 0; denimos A0 = In : Para
que la denicin tenga sentido, A debe ser cuadrada.

Proposicin 1 Si A es una matriz cuadrada y r; s son enteros no negativos, entonces

1. Ar As = Ar+s
s
2. (Ar ) = Ars

1.4 Transpuesta de una matriz

Denicin 8 Sea A una matriz de orden m n: La transpuesta de A, denotada AT ; es una matriz
de orden n m que se obtiene cuando se intercambian las las y columnas de A: Es decir, la i sima
columna de A es la i sima la de AT :
2 3
1 2 1 3
Ejemplo 5 Sea A = 40 2 4 35 : Halle AT :
1 2 3 5
2 3
1 0 1
6 2 2 27
Solucin: La matriz A es de orden 3 4; por lo tanto AT es de orden 4 3 y AT = 6 4 1
7:
4 35
3 3 5

Denicin 9 Sea A una matriz cuadrada.

1. A se dice simtrica si AT = A (o de manera equivalente, si aij = aji ;para todo i; j)

2. A se dice antisimtrica si AT = A

Ejemplo 6 Determine si la matriz es simtrica o antisimtrica

2 3 2 3 2 3
1 1 1 0 1 2 0 1 2
a: A = 4 1 0 15 b: B = 41 0 35 c: C = 41 0 35
1 1 1 2 3 0 2 3 0

Solucin: Calculemos la transpuesta para cada una de las matrices anteriores

2 3 2 3 2 3
1 1 1 0 1 2 0 1 2
AT = 4 1 0 15 ; BT = 4 1 0 35 ; C T = 41 0 35
1 1 1 2 3 0 2 3 0
Note que AT 6= A, por lo tanto A no es simtrica y puesto que AT 6= A; A no es antisimtrica.
La matriz B satisface B T = B; luego es antisimtrica. Finalmente, la matriz C es tal que C T = C;
por lo tanto C es simtrica.

Nota 4 Si A es antisimtrica, entonces las entradas en su diagonal son todas ceros.

4
1.5 Algebra de matrices
Teorema 3 (Propiedades algebraicas de la adicin de matrices) Sean A; B; C matrices del mismo
tamao y sean c; d escalares. Entonces:

a. A + B = B + A
b. (A + B) + C = A + (B + C)
c. A + 0 = 0 + A = A
d. A + ( A) = 0
e. c (A + B) = cA + cB
f. (c + d) A = cA + dA
g. c(dA) = (cd) A
h. 1:A = A

Denicin 10 Sean A1 ; A2 ; :::; Ak ; B matrices del mismo tamao. Decimos que B es combinacin
lineal de A1 ; A2 ; :::; Ak si existen escalares c1 ; c2 ; :::; ck tales que B = c1 A1 + c2 A2 + ::: + ck Ak :

Denicin 11 Sean A1 ; A2 ; :::; Ak matrices del mismo tamao. Denimos el espacio de A1 ; A2 ; :::; Ak ,
denotado por espacio(A1 ; A2 ; :::; Ak ) como el conjunto de todas las combinaciones lineales de A1 ; A2 ; :::; Ak :
2 3 2 3 2 3
1 0 0 0 0 0 0 0 0
Ejemplo 7 Sean A1 = 40 0 05 ; A2 = 40 1 05 ; A3 = 40 0 05 ;
0 0 0 0 0 0 0 0 1
2 3 2 3 2 3 2 3
0 1 0 0 0 1 0 0 0 5 2 6
A4 = 41 0 05 ; A5 = 40 0 05 ; A6 = 40 0 15 ; B = 42 3 45
0 0 0 1 0 0 0 1 0 6 4 3

1. Encuentre espacio(A1 ; A2 ; :::; A6 ):

2. Es B un elemento de espacio(A1 ; A2 ; :::; A6 )?

Solucin:
1. Sabemos que espacio(A1 ; A2 ; :::; A6 ) es el conjunto de todas las combinaciones lineales de las ma-
trices A1 ; A2 ; :::; A6 : As que una matriz A est en espacio(A21 ; A2 ; :::; A6 ) si3existen escalares
a11 a12 a13
c1 ; c2 ; :::; ck tales que A = c1 A1 +c2 A2 +:::+ck Ak : Es decir, A = 4a21 a22 a23 5 2 espacio(A1 ; A2 ; :::; A6 )
a31 a32 a33
si

a11 = c1 ; a12 = c4 ; a13 = c5

a21 = c4 ; a22 = c2 ; a23 = c6
a31 = c5 ; a32 = c6 ; a33 = c3

De aqu vemos que la matriz A pertenece a espacio(A1 ; A2 ; :::; A6 ) si su entrada ij es igual a su en-
trada ji, es decir, si A es simtrica. Luego, espacio(A1 ; A2 ; :::; A6 ) = fA 2 R3 3 = A es simtricag
2. Puesto que la matriz B es simtrica es un elemento de espacio(A1 ; A2 ; :::; A6 )

Teorema 4 (Propiedades del producto de matrices)

5
 Sean A; B y C matrices (con tamaos tales que las siguientes operaciones son vlidas) y sea k un
escalar.

1. A (BC) = (AB) C
2. A (B + C) = AB + AC
3. (A + B) C = AC + BC
4. k (AB) = (kA) B = A (kB)
5. Im A = A = AIn si A es de orden m n

Teorema 5 (Propiedades de la transpuesta) Sean A; B matrices y k escalar

T
1. AT =A
T
2. (kA) = kAT
T r
3. (Ar ) = AT ; r no negativo
T
4. (A + B) = AT + B T
T
5. (AB) = B T AT

Prueba. Veamos que la propiedad 4 es verdad. Sean A; B matrices con entradas del mismo
T
tamao. Entonces, la j sima la de (A + B) es la j sima columna de A + B; la cual es obtenida
de sumar la j sima columna de A y la j sima columna de B; es decir, la j sima la de AT y la
j sima la de B T :

Teorema 6 (Ejercicio)

a. Si A es una matriz cuadrada, entonces A + AT es simtrica.

b. Para cualquier matriz A; AAT y AT A son simtricas.

Prueba.

a. Para ver que la matriz es simtrica, calculemos su transpuesta.

T T
A + AT = AT + AT (Por propiedad 4 anterior)
T
= A + A.(Por propiedad 1)
= A + AT (Por conmutatividad de la suma)

As que A + AT es simtrica.
b. Consideremos uno de los dos casos y calculemos la transpuesta de la matriz a vericar: (AAT )T =
T
AT AT = AAT ; por Propiedades 5 y 1. Luego, la matriz es AAT simtrica.

6
 Inversa de una matriz

Clase 7

1 Inversa de una matriz

Denicin 1 Si A es una matriz n n; una inversa de A es una matriz A0 con la propiedad que
AA0 = A0 A = In , si tal A existe, entonces A se dice invertible.

Teorema 1 Si A es invertible entonces su inversa es nica.

Prueba. Sea A una matriz invertible y sean A0 y A00 dos inversas de A entonces AA0 = A0 A = In
y A00 A = AA00 = In :
Luego A0 = A0 In = A0 (AA00 ) = (A0 A) A00 = In A00 = A00 : Por tanto, A0 = A00 y as la inversa es
nica.
1
Notacin 1 Si A es invertible su inversa se denotar por A :

Teorema 2 Si A es una matriz invertible de n n; entonces el sistema de ecuaciones lineales dado

1
por Ax = b tiene solucin nica dada por x = A b:

1.1 Propiedades de las matrices Invertibles

Teorema 3 Sea A una matriz invertible. Entonces
1 1 1
a. La matriz A es invertible y A = A:
1
b. Si c es un escalar diferente de cero entonces cA es invertible y (cA) = 1c A 1
:
1
c. Si B es otra matriz invertible del mismo tamao de A entonces AB es invertible y (AB) =
B 1A 1:
1 1 T
d. La matriz AT es invertible y AT = A :
1 1 n
e. Si n es un entero no negativo An es invertible y (An ) = A :

Ejercicio 1 Sean A1 ; A2 ; :::; An matrices invertibles, entonces A1 A2 An es invertible y

1
(A1 A2 An ) = An 1 A2 1 A1 1 .

Teorema 4 Sea A una matriz cuadrada. Si B es una matriz cuadrada, tal que AB = In BA = In
entonces A es invertible y A 1 = B:

1
 Prueba. Sean A y B matrices cuadradas tales que BA = In . Denotemos las columnas 2 de
3A
x1
6 x2 7
6 7
por a1 ; a2 ; :::; an , es decir A = [a1 a2 :::an ]. Encontremos espacio(a1 ; a2 ; :::; an ). Sea w = 6 . 7 2
4 .. 5
xn
espacio(a1 ; a2 ; :::; an ), entonces existen escalares c1 ; c2 ; :::; cn tales que

c1 a1 + c2 a2 + ::: + cn an = w,

reescribiendo 2 3 2 3 2 3 2 3
c1 x1 c1 x1
6 c2 7 6 x2 7 6 c2 7 6 x2 7
6 7 6 7 6 7 6 7
[a1 a2 :::an ] 6 .. 7=6 .. 7 , A6 .. 7=6 .. 7. (1)
4 . 5 4 . 5 4 . 5 4 . 5
cn xn cn xn

Ejercicio 2 Teorema 5 Prueba. El sistema lineal 1 siempre tiene solucin dada por
2 3 2 3
c1 x1
6 c2 7 6 x2 7
6 7 6 7
6 .. 7 = B 6 .. 7 ,
4 . 5 4 . 5
cn xn

es decir espacio(a1 ; a2 ; :::; an ) = Rn . Puesto que e1 ; e2 ; :::; en 2 Rn entonces existen b01 ; b02 ; :::; b0n tales
que
Ab0i = ei , i = 1; 2; :::; n.
Tomando B 0 = [b01 b02 :::b0n ] obtenemos que

AB 0 = [Ab01 Ab02 :::Ab0n ] = In .

Slo resta probar que B = B 0 .

B = BIn = B(AB 0 ) = (BA)B 0 = In B 0 = B 0 .

1
De lo anterior BA = AB = In , es decir, B = A .

1.2 Mtodo de Gauss Jordan

Sea A una matriz cuadrada. Si una sucesin de operaciones elementales por la reduce a A en I,
entonces A es invertible y la misma sucesin de operaciones elementales transforma a I en A 1 :

Ejemplo 1 Considere el siguiente sistema de ecuaciones lineales

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

a. Escriba el sistema lineal anterior en la forma Ax = b:

1
b. Es la matriz A invertible? En caso armativo, halle A :
c. Use el literal (b) y encuentre la solucin del sistema.

2
Solucin:
2 3
2 2 0
a. La matriz de coecientes del sistema es A = 41 2 15 ; el vector que contiene las variables del
2 3 2 0 3 2 3
x 1
sistema es X = 4y 5 y el vector de trminos independientes b = 415 : De esta manera, el sistema
z 1
se puede escribir como AX = b:
b. Para decidir si la matriz es invertible, hacemos operaciones elementales de la para obtener la
forma reducida de la matriz. La forma reducida es la matriz identidad si y slo si la matriz A
si es invertible. Ms an, si la matriz es invertible, las mismas operaciones la, realizadas para
obtener la forma reducida de la matriz A; transforman la identidad en A 1 : As que consideremos
la matriz ampliada [AjI3 ] y hagamos operaciones la hasta encontrar la forma reducida de A:
2 3 2 3
2 2 0 1 0 0 1 2 1 0 1 0
4 1 2 1 j 0 1 0 5 R1 $ R2 4 2 2 0 j 1 0 0 5
!
2 0 3 0 0 1 2 0 3 0 0 1
2 3 2 3
1 2 1 0 1 0 1 2 1 0 1 0
R2 2R1 4 0 2 2 j 1 2 0 5 R3 2R1 4 0 2 2 j 1 2 0 5
! !
2 0 3 0 0 1 0 4 5 0 2 1
2 3 2 3
1 2 1 0 1 0 1 2 1 0 1 0
1
R3 2R2 4 0 2 2 j 1 2 0 5 R2 4 0 1 1 j 12 1 0 5
! 2!
0 0 1 2 2 1 0 0 1 2 2 1
2 3 2 3
1 0 1 1 1 0 1 0 0 3 3 1
R1 + 2R2 4 0 1 1 j 21 1 0 5 R1 R3 4 0 1 1 j 12 1 0 5
! !
0 0 1 2 2 1 0 0 1 2 2 1
2 3
1 0 0 3 3 1
R2 R3 4 0 1 0 j 52 3 1 5
!
0 0 1 2 2 1

Puesto que la forma2reducida de la matriz

3 A es la identidad entonces efectivamente A es invertible y
3 3 1
adems A 1 = 4 25 3 1 5:
2 2 1
c. Ejercicio
2 3
1 1 2
Ejemplo 2 Sea C = 43 1 2 5 : Es C invertible?
2 3 1
Solucin: Encontremos la forma reducida de la matriz C:
2 3 2 3 2 3 2 3
1 1 2 1 1 2 1 1 2 1 1 2
43 1 2 5 R2 3R1 40 4 45 R3 2R1 40 4 45 R 3 2R1 40 4 45
! ! !
2 3 1 2 3 1 0 5 5 0 5 5
2 3 2 3 2 3
1 1 2 1 1 2 1 0 1
5 4 5 1 4
R3 R1 0 4 4 R2 0 1 15 R1 + R2 40 1 15
4! 4! !
0 0 0 0 0 0 0 0 0

La forma reducida de C no es la matriz identidad (recuerde que la forma reducida es nica). Por
lo tanto C no es invertible.

3
 Subespacios

Clase 8

1 Subespacios
Denicin 1 Un subespacio de Rn es cualquier coleccin S de vectores en Rn tales que:

1. El vector 0 est en S:
2. Si u y v estn en S; entonces u + v est en S:
3. Si u est en S y c es un escalar real, entonces cu est en S:
82 39
>
> 0 > >
>
<607> =
6 7
Nota 1 Los conjuntos 6 . 7 y Rn ; son subespacios de Rn y son llamados subespacios triviales.
>
> 4 .. 5>
>
>
: >
;
0

Ejemplo 1 Toda recta y plano en R3 que pasa por el origen es un subespacio de R3 :

Prueba.
i) Probemos que toda recta que pasa por el origen en R3 es un subespacio de R3 : En efecto, sea L una
recta en R3 que pasa por el origen, entonces
82 3 2 3 2 3 9
< x x a =
L = 4 y 5 2 R3 4 y 5 = 4 b 5 ; 2R ,
: ;
z z c
2 3
a
donde u = 4 b 5 es el vector director de L:
c
2 3 2 3 2 3
a 0:a 0
1. Si = 0; entonces el vector 0 4 b 5 = 4 0:b 5 = 405 est en L:
c 0:c 0
2 3 2 3
a a
2. Sean u; v en L, entonces existen 1 ; 2 en R tales que u = 1 4 b 5 y v = 2 4 b 5 : Por tanto
c c
2 3 2 3 2 3
a a a
u + v = 1 4 b 5 + 2 4 b 5 = ( 1 + 2 ) 4 b 5 ; as, u + v 2 L:
c c c
2 3 2 3
a a
3. Sea u 2 L y d un escalar real, entonces u = 4 b 5 ; con lo que du = (d ) 4 b 5 y as du est
c c
en L:

1
 De todo lo anterior L es un subespacio de R3 :

ii) Probemos que todo plano que pasa por el origen en R3 es un subespacio 3
82de3R : En efecto, sea W un 9
< x =
plano que pasa por el origen en R3 ; entonces W tiene la forma, W = 4y 5 2 R3 ax + by + cz = 0 :
: ;
z

1. Como a:0 + b:0 + c:0 = 0, entonces el vector 0 est en W:

2 3 2 3
x1 x2
2. Sean u = 4 y1 5 ; v = 4 y2 5 vectores en W; entonces ax1 +by1 +cz1 = 0 y ax2 +by2 +cz2 = 0:
z1 2 z2 3
x1 + y1
Veamos que u + v = 4 y1 + y2 5 est en W :
z1 + z2

a (x1 + x2 ) + b (y1 + y2 ) + c (z1 + z2 ) = ax1 + ax2 + by1 + by2 + cz1 + cz2 =

(ax1 + by1 + cz1 ) + (ax2 + by2 + cz2 ) = 0 + 0 = 0
2 3 2 3
x dx
3. Sea u = 4y 5 2 W y d un escalar. Veamos que cu = 4dy 5 2 W: Como a (dx)+b (dy)+c (dz) =
z dz
d(ax + by + cz) = d:0 = 0; entonces cu 2 W:
De lo anterior, W es un subespacio de R3 :

82 3 9
< x =
Ejemplo 2 Sea S = 4y 5 2 R3 x + y + z + 1 = 0 : Es S un subespacio de R3 ?
: ;
z
2 3
0
Solucin: El conjunto S no es subespacio de R ya que 05 2
3 4 = S:
0
82 3 9
< x =
Ejemplo 3 Sea S = 4y 5 2 R3 x2 + y 2 + z = 0 : Es S un subespacio de R3 ?
: ;
z

Solucin:
2 3
0
1. 405 2 S:
0
2 3 2 3 2 3
1 0 1
2. Sean u = 4 15 ; v = 4 1 5 : Los vectores u; v 2 S pero u + v = 4 0 5 2
= S: Por lo tanto S no
2 1 3
es subespacio de R3 :

x
Ejemplo 4 Sea S = 2 R2 x 0; y 0 : Es S un subespacio de R2 ?
y

Solucin:

2
 0
1. 2 S:
0

x1 x x1 + x2
2. Sean u = ; v = 2 2 S; entonces x1 0; y1 0, x2 0; y2 0: As, u + v = y
y1 y2 y1 + y2
x1 + x2 0; y1 + y2 0: Por tanto u + v 2 S:
1 1
3. Si tomamos u = ;u2S yc= 1; entonces cu = 2
= S: Luego, S no es subespacio de
2 2
R2 :

Teorema 1 Sean v1 ; v2 ; :::; vk vectores en Rn : Entonces espacio(v1 ; v2 ; :::; vk ) es un subespacio de Rn :

82 3 9
< x =
Ejemplo 5 Es el conjunto S = 4y 5 2 R3 x y + z = 0; y z = 0 un subespacio de R3 ?
: ;
z
2 3
x
Solucin: Sea u 2 S, entonces u = 4y 5 con x y+z = 0; y z = 0: As, y = z; de donde x z+z = 0 y
z2 3 2 3 02 31
0 0 0
por lo tanto x = 0: Entonces u = 4z 5 = z 415 : Por tanto S = espacio @415A y por el teorema
z 1 1
anterior S es un subespacio de R3 :
82 3 9
>
> x >
>
<6 7 =
y
Ejemplo 6 Es el conjunto W = 6 4z 5
7 2 R x + y + z + w = 0; y z w = 0 un subespacio de
4
>
> >
>
: ;
w
R4 ?
2 3
x
6y 7
Solucin: Sea u 2 W; entonces u = 6 7
4 z 5 ; satisface x + y + z + w = 0 y y z w = 0: As
w
y = 2z + w, de 3donde2 x + 3 z + w
2 3z + w = 0; lo cual implica que x = 0
+ 2z2 2w:
3 2Luego,31
2z 2w 2 2 2 2
6 z+w 7 6 7 6 7 B6 7 6 7C
u=6 7 = z 6 1 7 + w 6 1 7 con z; w 2 R y por tanto W = espacio B6 1 7 ; 6 1 7C
4 z 5 415 405 @4 1 5 4 0 5A
w 0 1 0 1
con lo que W es un subespacio de R4 :

1.1 Subespacios asociados con matrices

Denicin 2 Sea A una matriz de orden m n:

1. El espacio la de A es el espacio ren(A) de Rn generado por las las de A:

2. El espacio columna de A es el espacio col(A) de Rm generado por las columnas de A:

Nota 2 Dado un vector w 2 Rn ; w 2 ren(A) , wT 2 col(AT ):

Teorema 2 Sea B cualquier matriz equivalente por la a una matriz A: Entonces ren(B) = ren(A):

Teorema 3 Sea A una matriz de orden m n y N el conjunto de soluciones del sistema lineal
homogneo asociado a [Aj0] : Entonces N es un subespacio de Rn :

3
 Prueba. Debemos ver que N = fz 2 Rn Az = 0g satisface las condiciones de subespacio:

1. El vector 0 de Rn ;satisface A0 = 0; es decir, pertenece a N:

2. Sean X; Y vectores en N;es decir, AX = 0 y AY = 0: Ahora, A (X + Y ) = AX +AY = 0+0 = 0:
Luego, X + Y pertenece a N:
3. Si X 2 N y c es un escalar entonces A (cX) = c (AX) = c0 = 0: As que cX 2 N:
Vericadas las tres condiciones concluimos que N es un subespacio de Rn :

Denicin 3 Sea A una matriz de orden m n: El espacio nulo de A, denotado por nul(A) se dene
como el conjunto de todas las soluciones del sistema lineal homogneo asociado a [Aj0] :

Ejemplo 7
82 3 9
< a+b+c =
i) Es W = 4 a c 5 : a; b; c 2 R un subespacio de R3 ?
: ;
a+b
82 3 9
>
> x >
>
<6 7 =
6 y 7
ii) Es U = 4 5 2 R x + 2y w = 0; x + y + z + w = 0 un subespacio de R4 ?
4
>
> z >
>
: ;
w
Solucin:

i) Note que
82 3 9 82 3 2 3 2 3 9
< a+b+c = < a b c =
W = 4 a c 5 : a; b; c 2 R = W = 4a5 + 405 + 4 c5 : a; b; c 2 R
: ; : ;
a+b a b 0
8 2 3 2 3 2 3 9 02 3 2 3 2 31
< 1 1 1 = 1 1 1
= a 415 + b 405 + c 4 15 : a; b; c 2 R = espacio @415 ; 405 ; 4 15A
: ;
1 1 0 1 1 0

Luego, W es un subespacio de R3 :

ii) Un vector u 2 R4 ; pertenece a U si y slo si satisface las ecuaciones x2

+ 2y 3w = 0 y x + y + z + w =
x
1 2 0 1 6 6 y
7
7 = 0 : O de manera
0; es decir si y slo si es solucin del sistema
1 1 1 1 4 z 5 0
w
1 2 0 1
equivalente, si y slo si el vector u pertenece al espacio nulo de A = : Esto es,
1 1 1 1
U = nul(A); por lo tanto es un subespacio.
2 3 2 3 2 3
1 2 3 1 1
62 5 7 7 6 2 7 0 617
Ejemplo 8 Sean A = 64 1
7; b = 6 7; b = 6 7:
3 45 4 15 415
1 4 5 1 1

1. Encuentre el espacio columna de A mediante una expresin que permita vericar fcilmente si
un vector de R4 pertenece o no a dicho espacio

4
 2. Determine:

i) Es b un elemento de col(A)?
ii) Es b0 un elemento de col(A)?

3. Determine:
2 3
1
i) Es c = 4 15 un elemento de nul(A)?
1
2 3
2
ii) Es c0 = 4 1 5 un elemento de nul(A)?
0

4. Encuentre ren(A):

i) Es d = 1 1 2 un elemento de ren(A)?
ii) Es d0 = 1 1 3 un elemento de ren(A)?

Solucin:

1. Un vector de R4 pertenece al espacio columna si y slo si es combinacin lineal de las columnas

de A: Sean v1; v2 ; v3 dichos vectores. Entonces u 2 espacio (v 21; v32 ; v3 ) si y slo si existen escalares
x
6y 7
c1 ; c2 ; c3 que satisfacen u = c1 v1 +c2 v2 +c3 v3 : As que si u = 6 7
4 z 5 ; entonces u 2 espacio (v1; v2 ; v3 )
2 3 2 3 w
1 2 3 2 3 x
6 2 5 7 7 c1 6y 7
si el sistema 6 4 1
7 4c 5 = 6 7 es soluble. Encontremos una forma escalonada de la
3 45 2 4z 5
c3
1 4 5 w
matriz ampliada correspondiente a este sistema
2 3 2 3 2 3
1 2 3 x 1 2 3 x 1 2 3 x
6 2 5 7 y 7 6 0 1 1 y 2x 7 6 0 1 1 y 2x 7
6 j 7R 2R1 6 j 7 R 3 + R1 6 j 7
4 1 3 4 z 5 2 !4 1 3 4 z 5 !4 0 1 1 z+x 5
1 4 5 w 1 4 5 w 1 4 5 w
2 3 2 3
1 2 3 x 1 2 3 x
6 0 1 1 y 2x 7 6 0 1 1 y 2x 7
R 4 R1 6 4 j 7 R3 + R 2 6
5 4 j 7
! 0 1 1 z+x ! 0 0 0 z + x + y 2x 5
0 2 2 w x 0 2 2 w x
2 3
1 2 3 x
6 0 1 1 y 2x 7
R4 2R2 6 4 j 7
! 0 0 0 z + x + y 2x 5
0 0 0 w x 2(y 2x)

As que el sistema es consistente si y slo si z + x + y 2x = 0 y w x 2(y 2x) = 0; o de

manera ms simple x8+2 y 3 + z = 0 y 3x 2y + w = 0: 9
>
> x >
>
<6 7 =
y
Por lo tanto col(A) = 6 4
7
5 x + y + z = 0 y 3x 2y + w = 0 :
>
> z >
>
: ;
w

5
2. i) El vector b es un elemento de col(A) si satisface las restricciones encontradas en 1. Veamos:
1 + 2 + ( 1) = 0 y 3(1) 2(2) + 1 = 0. As que b 2 col(A):
ii) Veamos si el vector b0 satisface las restricciones: 1 + 1 + 1 = 1 6= 0: As que b0 no pertenece
a col(A):
3. Recordemos que un vector pertenece a nul(A) si es solucin del sistema homogneo AX = 0:

i) La pregunta se convierte en: Es Ac = 0? Haciendo el producto vemos que esto es cierto,

luego c 2 nul(A):
2 3 2 3
0 0
6 1 7 607
ii) Ahora, Ac = 6
0 7 6 7 0
4 15 6= 405 : Por lo tanto c 2= nul(A):
2 0
2 3
a
4. Puesto que ren(A) es lo mismo que col(AT ); encontremos condiciones para que un vector 4 b 5
c
T
pertenezca a col(A ):
2 3 2 3 2 3
1 2 1 1 a 1 2 1 1 a 1 2 1 1 a
4 2 5 3 4 j b 5 R2 2R1 4 0 1 1 2 j b 2a 5 R3 3R1 4 0 1 1 2 j b 2a 5
! !
3 7 4 5 c 3 7 4 5 c 0 1 1 2 c 3a
2 3
1 2 1 1 a
R3 R2 4 0 1 1 2 j b 2a 5
!
0 0 0 0 c 3a (b 2a)
2 3
a
As que 4 b 5 es un vector de col(AT ) = ren(A) si y slo si a b + c = 0:
c

i) El vector d satisface 1 1 + 2 = 0, por lo tanto pertenece a ren(A):

0
ii) En cambio el vector d = 1 1 3 no satisface la restriccin.

6
 Bases

Clase 9

1 Bases
Denicin 1 Una base para un subespacio S de Rn es un conjunto B de vectores en S tal que:

1. El conjunto B genera a S:
2. El conjunto B es linealmente independiente.
2 3
0
6 .. 7
6.7
6 7
Ejemplo 1 Una base para R es el conjunto fe1 ; e2 ; :::; en g donde ei = 6
n
617 :
7
6.7
4 .. 5
0

1 1
Ejemplo 2 Muestre que el conjunto ; es una base para R2 :
2 2

Solucin: Debemos vericar las dos condiciones:

1. El conjunto B genera a R2 si cada vector u 2 R2 se puede escribir como combinacin lineal

1 1 x
de y : Sea u = ; entonces u es C.L de estos dos vectores si el sistema asociado
2 2 y
1 1 x
a la matriz ampliada j es consistente. Escalonando la matriz obtenemos
2 2 y
1 1 x
j ; de donde el sistema tiene solucin nica dada por c2 = y 42x y
0 4 y 2x
c1 = x + y 42x : As que cada vector de R2 se puede escribir como C.L de los vectores de B:
Luego, B genera a R2 :
2. Dado que slo hay dos vectores y uno no es mltiplo escalar del otro, entonces son L.I.

De 1. y 2., B es una base para R2 :

Nota 1 Sean fv1 ; v2 ; :::; vn g n vectores en Rn : Si A = v1 v2 vn entonces fv1 ; v2 ; :::; vn g es

una base para Rn , A es invertible.
02 3 2 31
1 1
Ejemplo 3 Encuentre una base para H = espacio @415 ; 4 15A :
1 1

Solucin:

1
 2 3 2 3
1 1
1. Los dos vectores 415 y 4 15 ; generan a H:
1 1
2. Adems, por ser slo dos, puede verse fcilmente que son L.I.
82 3 2 39
< 1 1 =
Por lo tanto, 415 ; 4 15 es una base para H:
: ;
1 1

Teorema 1 Sea A una matriz de orden m n y sea R su forma escalonada.

1. Las las distintas de cero de R forman una base para ren(A) (o de manera equivalente, las las
distintas de cero de R; vistas como vectores columna, forman una base para col(AT )):
2. Los vectores columna de A que se corresponden con las columnas de R que tienen pivote forman
una base para col(A):
3. Resuelva el sistema Rx = 0 y escriba las soluciones como una combinacin lineal de k vectores
(donde k es el nmero de variables libres). Estos k vectores formarn una base para nul(A):
2 3
1 1 1 1
6 1 2 0 17
Ejemplo 4 Sea A = 6 41
7 y supongamos que una forma escalonada para A es R =
1 1 15
1 1 1 0
2 3
1 1 1 1
60 1 1 07
6 7
40 0 0 15 : Hallar una base para ren(A); col(A) y nul(A):
0 0 0 0

Solucin:
82 3 2 3 2 39
>
> 1 0 0 >
>
<6 7 6 607=
17 6 17
a. Basta escoger las las no nulas de la matriz R: As, Base para ren(A) = 6
415 ; 4
7;6 7 :
>
> 1 5 405>
>
: ;
1 0 1
b. Para el espacio columna de la matriz A; observemos que las columnas con pivote en la matriz
esacalonada R son las columnas 1,2 y 4. Luego,8las
2 columnas
3 2 3 1,2
2 y349de la matriz A, denen
>
> 1 1 1 >
<6 7 6 7 6 7> =
1 2 1
unas base para col(A): As, Base para col (A) = 6 7;6 7;6 7 :
4 1 5 4 1 5 4 1 5>
>
> >
: ;
1 1 0
c. Finalmente, para encontrar una base para el espacio nulo de A; resolvemos el sistema Rx = 0; es
decir,

x+y+z+w = 0
y+z = 0
w = 0

de donde w = 0; y = z y x = 2z: Luego, la solucin del sistema homogneo es

82 3 2 3 2 3 2 3 9
>
> x x 2z 2 >
>
<6 7 6y 7 6 z 7 6 17 =
y
6 72R 4 6 7=6 7 = z6 7; z 2 R
> 4z 5 4z 5 4 z 5 4 15 >
>
: >
;
w w 0 0

2
 82 39
>
> 2 >>
<6 7=
1
Por lo tanto, una base para el espacio nulo de A es 6 7 :
4 1 5>
>
> >
: ;
0
82 3 9
>
> a + 2b + c >
>
<6 =
6 a b 7 7
Ejemplo 5 Sea H = 4 : a; b; c 2 R
>
> a+b 5 >
>
: ;
a + 2b + c

1. Demuestre que H es un subespacio de R4 :

2. Exprese a H mediante restricciones sobre las componentes de sus vectores.

3. Encuentre una base para H:

Solucin:

1. Note que
82 3 9 82 3 2 3 2 3 9
>
> a + 2b + c >
> >
> a 2b c >
>
<6 = <6 7 6 7 6 7 =
6 a b 7 7 6 a7 6 b7 607
H= 4 : a; b; c 2 R = + + : a; b; c 2 R
>
> a+b 5 >
> >4 a 5 4 b 5 405 >
: ; > : >
;
a + 2b + c a 2b c
8 2 3 2 3 2 3 9 02 3 2 3 2 31
>
> 1 2 1 >
> 1 2 1
< 6 7 6 17 607 = B6 17 6 17 607C
1
= a6 7 6 7 6 7 B6 7 6 7 6 7C
4 1 5 + b 4 1 5 + c 405 : a; b; c 2 R> = espacio @4 1 5 ; 4 1 5 ; 405A
>
> >
: ;
1 2 1 1 2 1
y ya sabemos que el espacio generado por un conjunto de vectores es subespacio.
2 3
x
6y 7
2. Un vector u = 6 7
4 z 5 est en H si es C.L de los tres vectores que lo generan, es decir, si existen
w 2 3 2 3 2 3
1 2 1
6 17 6 17 607
escalares c1 ; c2 ; c3 tales que u = c1 6 7 6 7 6 7
4 1 5 + c2 4 1 5 + c3 405 : Lo cual es equivalente a que el
1 2 1
2 3
1 2 1 x
6 1 1 0 y 7
sistema asociado a 6 4 1 j 7 sea consistente. Una forma escalonada de esta matriz
1 0 z 5
1 2 1 w 82 3 9
2 3
1 2 1 x >
> x >
>
6 0 1 1 7 <6 7 =
x + y y
es 6
4 0 0 0 j 7, de aqu que H = 6 7 2 R y + z = 0 :
5 4 5
4
y+z >
> z >
>
: ;
0 0 0 0 w
02 3 2 3 2 31 2 3
1 2 1 1 2 1
B6 17 6 17 607C 6 1 0 7
3. Como H = espacio B 6 7 ; 6 7 ; 6 7C entonces la matriz A = 6 1 7 es tal que
@4 1 5 4 1 5 405A 4 1 1 0 5
1 2 1 1 2 1
H = col(A); el cual tiene una base dada por las columnas de A correspondientes a columnas con

3
 pivote en una de sus formas
82escalonadas,
3 2 39y ya vimos que estas columnas son 1 y 2. Luego, una
>
> 1 2 >
<6 7 6 7> =
1 7 ; 6 17 :
base para este espacio es 6
4 1 5 4 1 5>
>
> >
: ;
1 2
82 3 9
< x =
Ejemplo 6 Sea W = 4y 5 2 R3 x + y + z = 0; x + 2y + 3z = 0
: ;
z

1. Demuestre que W es un subespacio de R3 :

2. Encuentre una base para W:

Solucin:
2 3
x
1. Un vector w = 4y 5 pertenece a W si y slo si x + y + z = 0; x + 2y + 3z = 0, es decir, si
z
1 1 1
w es solucin del sistema homogneo AX = 0 donde A es la matriz A = : As que
1 2 3
W = nul(A), el cual sabemos que es un subespacio para cualquier matriz A:
2. Resolvamos el sistema homogneo descrito en la parte 1. Escalonamos la matriz A y obtenemos:
1 1 1
R= : De aqu obtenemos el sistema homogneo
0 1 2

x+y+z = 0
y + 2z = 0
82 3 2 3 2 3 2 3 9
< x x 3z 3 =
cuya solucin consiste del conjunto 4y 5 2 R3 4y 5 = 4 2z 5 = z 4 25 ; z 2 R : Por lo
: ;
82 z 39 z z 1
< 3 =
tanto, una base para W = nul(A) = 4 25 :
: ;
1

1.1 Dimensin y rango

Teorema 2 (Teorema de la base) Sea S un subespacio de Rn : Entonces cualquier par de bases de S
tiene el mismo nmero de vectores.

Denicin 2 Sea S un subespacio de Rn ; entonces al nmero de vectores de cualquier base para S se

le conoce como la dimensin de S y se denotar por dim(S):

Ejemplo 7 dim(Rn ) = n

Nota 2 Si A es una matriz de orden m n tal que rango(A) = r:

1. dim(col(A)) = r
2. dim(ren(A)) = r
3. dim(nul(A)) = #variables libres= n r

Teorema 3 Para toda matriz A, dim(ren(A)) = dim(col(A))

4
Denicin 3 El rango de una matriz A es la dimensin de col(A) de ren(A):

Nota 3 El rango de una matriz nos dice cuantas columnas o las de una matriz son linealmente
independientes.

Teorema 4 Para cualquier matriz A, rango(AT ) = rango(A):

Denicin 4 La nulidad de una matriz A es la dimensin de su espacio nulo y es denotada por

nulidad(A):

Teorema 5 (Teorema del rango) Si A es una matriz de orden m n entonces rango(A)+nulidad(A) =

n:

1.2 Coordenadas
Teorema 6 Sea S un subespacio de Rn y sea B = fv1 ; v2 ; :::; vk g una base para S: Para todo vector
v en S; existe una nica manera de escribir a v como combinacin lineal de los vectores de B :
v = c1 v1 + c2 v2 + ::: + ck vk :

Prueba. Puesto que B es base para S; en particular, B genera a S: Por lo tanto cualquier
vector en S; se puede escribir como C.L de los vectores de B; as que v se puede escribir como
c1 v1 + c2 v2 + ::: + ck vk para algunos escalares c1 ; c2 ; :::; ck : Supongamos que v tambin se puede escribir
como v = d1 v1 + d2 v2 + ::: + dk vk :
As que
c1 v1 + c2 v2 + ::: + ck vk = d1 v1 + d2 v2 + ::: + dk vk
de donde c1 v1 + c2 v2 + ::: + ck vk (d1 v1 + d2 v2 + ::: + dk vk ) = 0: Conmutando y asociando tenemos
(c1 d1 )v1 + (c2 d2 )v2 + ::: + (ck dk )vk = 0; por la independencia lineal de B (puesto que B es base);
debe darse que (c1 d1 ) = 0; (c2 d2 ) = 0; :::; (ck dk ) = 0 de donde, c1 = d1 ; c2 = d2 ; :::; ck = dk ; y
as la forma de escribir a v como combinacin lineal de los vectores de B es nica.

Denicin 5 Sea S un subespacio de Rn y sea B = fv1 ; v2 ; :::; vk g una base para S: Sea v en S con
v = c1 v1 + c2 v2 + ::: + ck v2k entonces
3 c1 ; c2 ; :::; ck se denominan coordenadas de v con respecto a B; y
c1
6c2 7
6 7
el vector columna [v]B = 6 . 7 se conoce como el vector de coordenadas de v con respecto a B:
4 .. 5
ck
82 3 9
< x =
Ejemplo 8 Sea H = 4y 5 2 R3 x y z=0
: ;
z

1. Muestre que H es un subespacio de R3 :

2. Encuentre una base B para H:
2 3
1
3. Sea v = 4 15 : Es v un elemento de H? En caso armativo, halle [v]B .
2

2
4. Si [w]B = ; encuentre w:
2

Solucin:

5
1. El subespacio H es el conjunto de todas las soluciones del sistema homogneo x y z = 0:
Luego H = nul(A) donde A = 1 1 1 ; por lo tanto, H es un subespacio de R3 :

2. Para encontrar una base, encontremos el conjunto solucin de AX = 0: Puesto que la matriz
est escalonada, podemos resolver inmediatamente y obtener que el conjunto solucin es
82 3 2 3 2 3 2 3 2 3 2 3 2 3 9
< x x y+z y z 1 1 =
4y 5 2 R3 4y 5 = 4 y 5 = 4y 5 + 405 = y 415 + z 405 ; y; z 2 R
: ;
z z z 0 z 0 1
82 3 2 39
< 1 1 =
luego, una base para H es B = 415 ; 405 :
: ;
0 1

3. Veamos si v satisface la condicin para pertenecer a H : 1 ( 1) 2 = 0: Luego, v s pertenece

a H: Para encontrar [v]B necesitamos2encontrar
3 2 3 las coordenadas de v respecto a B, es decir, los
1 1
escalares nicos c1 ; c2 tales que v = c1 415+c2 405 : Esto se convierte en un sistema de ecuaciones
2 0
3 1
1 1 1
con matriz aumentada 4 1 0 j 1 5 ; el cual tiene solucin nica dada por c1 = 1; c2 = 2:
0 1 2
1
Por lo tanto, [v]B = :
2

2
4. Puesto que [w]B = ; sabemos que los escalares nicos necesarios para escribir a w como
2 2 3 2 3
1 1
combinacin lineal de los elementos de la base B son 2 y 2: As que w = 2 415 + ( 2) 405 =
2 3 0 1
0
4 2 5:
2

6
 UNA PEQUEA INTRODUCCIN DEL USO DEL PROGRAMA
MATLAB EN LGEBRA LINEAL

Clase 10

MATLAB (MATrix LABoratory) es un programa de matemticas creado por The MathWorks en 1984
para resolver problemas que pueden ser modelados en trminos de matrices, por ejemplo: Sistemas
de ecuaciones lineales, factorizacin de matrices, clculo de valores y vectores propios, sistemas de
ecuaciones diferenciales lineales, etc. Sus capacidades pueden ser ampliadas usando Toolboxes, algunas
de ellas estn destinadas al procesamiento digital de seal, adquisicin de datos, economa, inteligencia
articial, lgica difusa, etc. Tambin cuenta con otras herramientas como Simulink, que sirve para
simular sistemas.
MATLAB usa un lenguaje de programacin creado en 1970 para proporcionar un sencillo acceso al
software de matrices LINPACK y EISPACK sin tener que usar Fortran. Tambin tiene su propio
compilador.
Al iniciar MATLAB aparecer una ventana como la que se muestra en la gura siguiente. En este
grco podemos destacar tres partes importantes del entorno de trabajo de MATLAB que son: Ven-
tana de comandos (Command Windows), Directorio actual de trabajo (Current Directory) y la
Historia de comandos (Command History).

1
EJERCICIOS RESUELTOS CON AYUDA DE MATLAB:

A continuacin listaremos algunos de los comandos ms tiles en lgebra lineal. Para ello resolveremos
dos de los problemas mas representativos de esta materia.

Ejemplo 1 Una compaa de construccin ofrece cuatro tipos de casas en una urbanizacin. En la
siguiente tabla se indica el nmero de unidades de concreto, de unidades de madera para cancelera y
de unidades de madera para estructura que requiere una casa de cada tipo

Casas tipo 1 Casas tipo 2 Casas tipo 3 Casas tipo 4

unidades de concreto 10 20 10 20
unidades de madera para cancelera 20 0 10 10
unidades de madera para estructura 10 20 30 0

La compaa dispone de 1600 unidades de concreto, 1200 unidades de madera para cancelera y 1600
unidades de madera para estructura.

1. Determinar el nmero de casas de cada tipo que la compaa puede construir utilizando todo el
material disponible.
2. Calcular el nmero de casas de cada tipo que la compaa debe construir:

(a) Si desea construir el mnimo de casas de tipo 1.

(b) Si desea al menos 25 casas de tipo 2 y al menos 25 casas de tipo 4.

Solucin:
1. Si denimos las variables
x1 = nmero de casas tipo 1 que la compaa puede construir utilizando todo el material disponible.
x2 = nmero de casas tipo 2 que la compaa puede construir utilizando todo el material disponible.
x3 = nmero de casas tipo 3 que la compaa puede construir utilizando todo el material disponible.
x4 = nmero de casas tipo 4 que la compaa puede construir utilizando todo el material disponible.

Entonces al utilizar todo el material disponible obtenemos el siguiente sistema de ecuaciones

lineales 9
10x1 + 20x2 + 10x3 + 20x4 = 1600 =
20x1 + 10x3 + 10x4 = 1200 (1)
;
10x1 + 20x2 + 30x3 = 1600.
Para determinar el nmero de casas de cada tipo que la compaa puede construir utilizando
todo el material disponible hay que resolver el sistema de ecuaciones lineales dado anteriormente.
Para usar MATLAB introducimos la matriz A de coecientes del sistema lineal y el vector b de

2
trminos independientes como se muestra en la gura siguiente.

Observemos que la matriz A es ingresada por las. Ahora bien, para crear la matriz
aumentada procedemos como se muestra en la siguiente gura.

Apliquemos el metodo de reduccin de Gauss-Jordan sobre la matriz M para obtener las solu-
ciones del sistema lineal 1.

3
 De lo anterior, tenemos que el sistema lineal tiene innitas soluciones y adems podemos concluir
que

x1 = 60 x4 ,
x2 = 50 x4
x3 = x4 .

Por otro lado las variables x1 ; x2 ; x3 y x4 son enteros positivos, as

x1 = 60 x4 0 , 60 x4
x2 = 50 x4 0 , 50 x4
x3 = x4 0,

de donde x4 es un entero entre 0 y 50, luego si la compaa utiliza todo el material disponible
sta debe construir un nmero de casas de cada tipo que se encuentre en los siguientes rangos

x1 entero entre 10 y 60,

x2 entero entre 0 y 50,
x3 = x4 entero entre 0 y 50:

(a) Del literal anterior, el mnimo nmero de casas de tipo 1 es 10 y sta es obtenida cuando el
nmero de casas de tipo 4 es de 50; por tanto para que la compaa construya el mnimo de casa
tipo 1 se debe tener

x4 = 50,
x3 = 50,
x2 = 0
x1 = 10.

(b) Si se desea al menos 25 casas de tipo 2 y al menos 25 casas de tipo 4, entonces

x2 = 50 x4 25 y x4 25 , 25 x4 y x4 25 , x4 = 25.

As,

x4 = 25,
x3 = 25,
x2 = 25
x1 = 35.
2 3
1 1 1 1 1 1
6 1 1 1 1 1 1 7
6 7
6 1 1 1 1 1 1 7
Ejemplo 2 Sea B = 6
6
7.
7
6 1 1 1 1 1 1 7
4 1 1 1 1 1 1 5
1 1 1 1 1 1

1. Encuentre el polinomio caracterstico de B.

2. Encuentre los valores propios de B.
3. Encuentre una base para espacio propio de B.

4
4. Encuentre una base ortonormal para cada espacio propio de B.
5. Es B ortogonalmente diagonalizable? Justique su respuesta. En caso armativo encuentre
matrices Q ortogonal y D diagonal tales que QT BQ = D.

Solucin:
1. Introducimos la matriz B con el comando ones(6,6), ver gura siguiente.

El polinomio caracterstico de B se calcula con el comando poly(B), ver gura siguiente.

6 5 5
As, el polinomio caracterstico de B es p( ) = 6 = ( 6).
2. Los valores propios de B son: 1 =0y 2 = 6.
3. Los espacios propios de B son: E0 = null(B) y E6 = null(B 6I6 ). Para encontrar una base para
0 0
cada espacio propio de B utilizamos el comando null(B; r0 )/ y null(B 6 eye(6); r0 ), donde
eye(6) es la matriz identidad de orden 6. Ver gura siguiente.

5
 Con lo que una base para E0 es el conjunto
82 3 2 3 2 3 2 3 2 39
>
> 1 1 1 1 1 >
>
>
>6 1 7 6 0 7 6 7 6 7 6 7>
>
>
> 0 0 0 7>
<6 7 6
6 0 7 6 1 7 6
7 6 7 6
7 6
7 6
7 6
>
7=
6 7 6 7;6 0 7;6 0 7;6 0 7
1 = ;6
>6
>6 0 77 6 0 7 6
7 6 1 7 6
7 6 0 7 6
7 6 0 7>
7>
>
>4 5 4 5 4 5 4 5 4 5>
>
>
> 0 0 0 1 0 >
>
: ;
0 0 0 0 1
Por otro lado

.
Por tanto una base para E6 es 82 39
>
> 1 >
>
>
>6 7>
>
>
> 1 7>
<6
6
>
7=
1
2 = 6
6
7 .
7>
>
>6 1 7>
>
>4 5>
>
>
> 1 >
>
: ;
1
4. Para encontrar una base ortonormal para E0 procedemos como sigue: Sea C la matriz cuyas
columnas son los vectores de la base de E0 hallada en el literal 3. Puesto que esta matriz es de
columnas linealmente independiente entonces posee descomposicin QR, adems las columnas
de Q formarn una base ortonormal para E0 . Los comandos necesarios se muestran en la gura
siguiente

6
Otra forma es utilizando el comando null(B); ver siguiente gura

.
0
Entonces una base ortonormal 1 para E0 est formada por los vectores columna de la Figura.

7
 Por otro lado, con el comando null(B 6 eye(6)) obtenemos

Luego una base ortonormal para E6 est formada por el vector de la Figura.
5. Si, ya que B es simtrica. Si tomamos la matriz Q, cuyas columnas son los vectores del conjunto
= 01 [ 02 y la matriz D = diag([0; 0; 0; 0; 0; 6]) obtenemos que QT BQ = D. Ver gura
siguiente.

8
 2 3
5 2 3 0 0
6 2 5 2 3 0 7
6 7
Ejemplo 3 Sea C = 6
6 3 2 5 2 3 7.
7
4 0 3 2 5 2 5
0 0 3 2 5

1. Encuentre el polinomio caracterstico y los valores propios de C.

2. Encuentre una base para cada espacio propio asociado a un vector propio de C.
3. Encuentre una base ortonormal para cada espacio propio asociado a un vector propio de C.

Solucin:
1. Introducimos la matriz C, ver gura siguiente.

Para observar los coecientes del polinomio caracterstico como nmeros racionales, empleamos
la instruccin format rat antes de poly(C), ver gura siguiente.

9
 As, el polinomio caracterstico de C es p( ) = 5 25 4 + 207 3 533 2 682 + 3384 y los
valores propios se obtienen con la instruccin eig(C), para ello volvemos sobre el formato por
defecto del MATLAB (format short) y aplicamos la instruccin eig(C), ver gura siguiente.

Los valores propios de C son 1 = 2:1041, 2 = 4; 3 = 4:8036, 4 =9y 5 = 9:3004:

2. Los espacios propios de C son: E i = null(C i I5 ) para i = 1; 2; 3; 4; 5. Para encontrar
0 0
una base para cada espacio propio de C utilizamos el comando null(C i eye(5); r ) para
i = 1; 2; 3; 4; 5. Debemos tener en cuenta que el valor propio no es exacto, por tanto para
evitar llegar a espacios nulos triviales, almacenamos los valores propios en un vector que lla-
maremos vp (nombre arbitrario) y extraemos cada valor propio con la instruccin vp(i) para
i = 1; 2; 3; 4; 5:Ver las guras siguientes.

10
 Las bases para cada espacio propio sern:
82 39 82 39 82 39
>
> 1:0000 >
> >
> 1:0000 >
> >
> 1:0000 >
>
>
> > > 7> > 7>
<66 1:2388 7 >
7=
>
<6
6 0:5000 >
7=
>
<6
6 1:4493 >
7=
= 6 1:5421 7 7 = 6 0:0000 7 = 6 1:0317 7
1
> 6 > 2
>6 7> 3
>6 7>
>
>4 1:2388 5>> >
>4 0:5000 5>
> >
>4 1:4493 5>
>
>
: >
; >
: >
; >
: >
;
1:0000 1:0000 1:0000
82 39 82 39
>
> 1:0000 > > >
> 1:0000 >
>
>
> > > 7>
<66 2:0000 7 >
7=
>
<6
6 0:1453 >
7=
= 6 0:0000 7 = 6 1:5303 7
4
> 6 7> 5
>6 7>
>
>4 2:0000 5> > >
>4 0:1453 5>
>
>
: >
; >
: >
;
1:0000 1:0000

3. Para hallar bases ortonormales podemos emplear la instruccin [P D]=eig(C) ya que esta entrega
vectores y valores propios de C; en particular si C es simtrica entonces P es ortogonal, ver gura
siguiente.

donde 82 39
>
> 0:3664 >
>
>
> 7>
<6
6 0:4539 >
7=
b 6
= 6 0:5651 77
1
>
>4 0:4539 5>>
>
> >
>
: ;
0:3664
es una base ortonormal para el espacio propio E 1 : (Lo invitamos a mostrar que si normalizamos
cada una de las bases i obtenemos las bases dadas en la matriz P).

11
 COMANDOS COMUNES EN LGEBRA LINEAL

[a11 ; a12 ; :::; a1n ; a21 ; a22 ; :::; a2n ; ::: ; am1 ; am2 ; :::; amn ] : Crea una matriz de orden m n cuyas las
son: [ai1 :::ain ], i = 1; 2; :::; m.
[ ]: Matriz transpuesta:
dot(x,y) : Producto punto entre x e y.
cross(x,y) : Producto cruz entre x e y, vectores de R3 :
ones(m,n) : Produce la matriz de 1s de tamao m n.
zeros(m,n) : Produce la matriz de 0s de tamao m n.
eye(n) : Produce la matriz identidad de orden n.
rand(m,n) : Produce una matriz aleatoria de orden m n, con entradas entre 0 y 1.
diag(A) : Da la diagonal de A.
norm(x) : Norma de x.
diag([m,n,k] : Construye una matriz diagonal con entradas m, n y k.
triu(A) : Da la parte triangular superior de A.
tril(A) : Da la parte triangular inferior de A.
A(i,j) : Da la entrada i; j y se podra renombrar k =A(i,j).
A(i , :) : Da la la i.
A(: , j) : Da la columna j.
A(:,[m,n,k]) : Da las columnas m, n y k:
A+B
A*B
rref(A) : Reduce la matriz A mediante Gauss Jordan:
inv(A) : Inverda de A.
det(A) : Determinante de A.
poly(A) : Da los coecientes del polinomio caracterstico de A.
eig(A) : Valores propios de A.
[P D]=eig(A) : Vectores y valores propios de A. Si A es simtrica entonces P es ortogonal.
null(A) : Da una base ortogonal para el espacio nulo de A.
null(A,r) : Da una base, no ortogonal, para el espacio nulo de A.
[L U]=lu(A) : Factorizacin LU de A, si A tiene dicha factorizacin.
[L U P]=lu(A) : Factorizacin P A = LU de A, si A no tiene factorizacin LU .
[Q R]=qr(A) : Factorizacin QR de A.
An[ ] : Resuelve el sistema Ax = [ ].
whos : Describe las variables que han sido utilizadas.

12
 Introduccin a las transformaciones lineales

Clase 10

1 Introduccin a las transformaciones lineales

Denicin 1 Una transformacin lineal de Rn en Rm es una funcin T : Rn ! Rm que satisface las
siguientes condiciones
1. Para todo u; v 2 Rn ; T (u + v) = T (u) + T (v) :
2. Para todo u 2 Rn y c escalar, T (cu) = cT (u) :
02 31 2 3
x1 x1
B6 7C 6 7
Nota 1 Notaremos T @4 ... 5A = T 4 ... 5 :
xn xn
2
3 2 3
x x+y
Ejemplo 1 Sea T : R3 ! R3 ; donde T 4 y 5 = 4 y + z 5 :
z z+x

a. Muestre que T es una transformacin lineal.

2 3
1
b. Sea v = 4 2 5 ; halle T (v) :
3
2 3 2 3
1 x
c. Sea w = 4 1 5 : Encuentre, si existe, un vector u = 4 y 5 2 R3 tal que T (u) = w:
1 z
Solucin:
2 3 2 3
x1 x2
a. 1. Sean u = 4 y1 5 y v = 4 y2 5
z1 z2
02 3 2 31 2 3
x1 x2 x1 + x2
T (u + v) = T @4 y1 5 + 4 y2 5A = T 4 y 1 + y2 5
z1 z2 z1 + z2
2 3 2 3
(x1 + x2 ) + (y1 + y2 ) (x1 + y1 ) + (x2 + y2 )
= 4 (y1 + y2 ) + (z1 + z2 ) 5 = 4 (y1 + z1 ) + (y2 + z2 ) 5
(z1 + z2 ) + (x1 + x2 ) (z1 + x1 ) + (z2 + x2 )
= T (u) + T (v)

luego T (u + v) = T (u) + T (v) ; para todo u; v 2 R3 :

1
 2. Sea c un escalar
0 2 31 02 31
x1 cx1
T (cu) = T @c 4 y1 5A = T @4 cy1 5A
z1 cz1
2 3 2 3 2 3
cx1 + cy1 c (x1 + y1 ) x1 + y1
= 4 cy1 + cz1 5 = 4 c (y1 + z1 ) 5 = c 4 y1 + z1 5
cz1 + cx1 c (z1 + x1 ) z1 + x1
= cT (u)

as T (cu) = cT (u) ; para todo u 2 R3 y c escalar. Por lo tanto T es una transformacin

lineal.
2 3 2 3 2 3 2 3
1 1 1+2 3
b. Si v = 4 2 5 ; entonces T (v) = T 4 2 5 = 4 2 + 3 5 = 4 5 5 :
3 3 3+1 4
2 3 2 3
x 1
c. Hallar un u = 4 y 5 2 R3 tal que T (u) = w = 4 1 5 ; es equivalente a resolver el sistema
z 1
2 3 2 3
x+y 1
4 y + z 5 = 4 1 5;
z+x 1
2 3 2 3
x 1
1
cuya solucin es 4 y 5 = 4 1 5 :
2
z 1

uT a u:a
Ejemplo 2 Sea a 2 R3 ; a 6= 0: Sea T : R3 ! R3 ; donde T (u) = proya u = a= a:
aT a a:a
a. Muestre que T es una transformacin lineal.
2 3 2 3
1 1
b. Si a = 4 1 5 : Halle T (v) para v = 4 1 5 :
1 1
Solucin:

a. Sean u; v 2 R3

(u + v) :a u:a v:a
T (u + v) = proya (u + v) = a= a+ a
a:a a:a a:a
= proya u + proya v = T (u) + T (v) :

Sea c un escalar
cu:a u:a
T (cu) = proya (cu) = a=c a = cproya (u) = cT (u) :
a:a a:a
Luego, T es una transformacin lineal.

2
 2 3 2 3
1 1
b. Si a = 4 1 5 y v = 4 1 5 entonces
1 1
2 3 2 3
1 1
4 1 5:4 1 5 2 3
1 1 1
T (v) = 2 3 2 3 4 1 5
1 1 1
4 1 5:4 1 5
1 1
2 3
1
14 5
T (v) = 1 :
3
1
2 3
3 2 x+y+1
x 6 7
y+z
Ejemplo 3 Sea T : R ! R ; T 4 y 5 = 6
3 4
4
7 : Es T una transformacin lineal?
5
x+z
z
2x + y + 2
3 2
1
Solucin: T no es transformacin lineal, veamos un contraejemplo. Sea v = 4 1 5, no se cumple la
1
segunda condicin 2 3 2 3
2 3 5 3
2 6 4 7 6 2 7
T (2v) = T 4 2 5 = 6 7 6 7
4 4 5 6= 2 4 2 5 = 2T (v) :
2
8 5

Denicin 2 Sea T : Rn ! Rm una transformacin lineal.

1. El dominio de T es Rn :
2. El codominio de T es Rm :
3. Si v 2 Rn ; T (v) es la imagen de v bajo T:
4. El conjunto de todas las posibles imgenes se conoce como el recorrido o imagen de T y se
denotar por Im (T ) ; as,

Im (T ) = fT (v) = v 2 Rn g = fw 2 Rm = w = T (v) ; v 2 Rn g :

Teorema 1 Sea A una matriz de orden m n. Entonces la transformacin matricial TA : Rn ! Rm

denida por TA (x) = Ax, x 2 Rn es una transformacin lineal.

Prueba. Sean x; y 2 Rn y c un escalar

TA (x + y) = A (x + y) = Ax + Ay = TA (x) + TA (y)
TA (cx) = A (cx) = c (Ax) = cTA (x)

luego TA es una transformacin lineal.

2 3
3 2 x+y
x 6 7
y+z
Ejemplo 4 Sea T : R3 ! R4 ; donde T 4 y 5 = 6
4 z+x
7 : Muestre que T es una transformacin
5
z
x z
lineal.

3
Solucin: Vemos que 2 3
2 3
1 1 0 2 3
x 6 0 x
1 1 7
T4 y 5=6
4 1
74 y 5;
0 1 5
z z
1 0 1
T es una transformacin matricial, por lo tanto T es una transformacin lineal.

Teorema 2 Sea T : Rn ! Rm una transformacin lineal. Entonces T es una transformacin matri-

cial. Ms especicamente, T = TA , donde

A = [T (e1 ) T (e2 ) ::: T (en )] :

Prueba. Si x 2 Rn se cumple que x = x1 e1 + x2 e2 + ::: + xn en ya que fe1 ; e2 ; :::; en g es base de

n
R y como T es transformacin lineal

T (x) = T (x1 e1 + x2 e2 + ::: + xn en ) = x1 T (e1 ) + x2 T (e2 ) + ::: + xn T (en ) = Ax

donde A = [T (e1 ) T (e2 ) ::: T (en )] :

Ejemplo 5 Sea T : R2 ! R2 , la funcin que reeja cada punto con respecto a la recta y = x. Muestre
que T es una transformacin lineal.

x y
Solucin La transformacin T esta dada por T = (T reeja cada punto con respecto a
y x
la recta y = x). Vemos que
x 0 1 x
T = ;
y 1 0 y
T es una transformacin matricial, por lo tanto T es una transformacin lineal.

Nota 2 A se llama la matriz estndar de T y se denotar por [T ] :

Denicin 3 (Composicin de transformaciones lineales) Sean T : Rn ! Rm y S : Rm ! Rp

transformaciones lineales, denimos la compuesta de S y T como la funcin S T : Rn ! Rp ,
(S T ) (v) = S (T (v)) :

Teorema 3 Sean T : Rn ! Rm y S : Rm ! Rp transformaciones lineales. Entonces S T es una

transformacin lineal. Adems, [S T ] = [S] [T ] :

Prueba. Sean x; y 2 Rn y c un escalar

(S T ) (x + y) = S (T (x + y)) = S (T (x) + T (y)) = S (T (x)) + S (T (y)) = (S T ) x + (S T)y

(S T ) (cx) = S (T (cx)) = S (c (T (x))) = c (S (T (x))) = c (S T ) (x)

ya que T y S son transformaciones lineales. Ahora

(S T ) x = S (T (x)) = S ([T ] x) = [S] [T ] x

as [S T ] = [S] [T ] :
2 3
3 2 2
3 2 3 x+y+z
x x+y x 6 7
2y + z
Ejemplo 6 Sean T : R3 ! R3 , T 4 y 5 = 4 y + z 5 y S : R3 ! R4 ; S 4 y 5 = 6
4 x 3z
7
5
z x+z z
x y 5z
dos transformaciones lineales.

4
a. Halle [T ] y [S] :
2 3
1
b. Encuentre S T en forma explcita y halle (S T ) (v) donde v = 4 1 5 :
1
Solucin:
2 3
2 3 2 3 2 32 3 2 3 2 3 x+y+z
x x+y 1 1 0 x 1 1 0 x 6 2y + z 7
a. T 4 y 5 = 4 y+z 5=4 0 1 1 5 4 y 5 as [T ] = 4 0 1 1 5 : Ahora S 4 y 5 = 6 7
4 x 3z 5 =
z x+z 1 0 1 z 1 0 1 z
2 3 2 3 x y 5z
1 1 1 2 3 1 1 1
6 0 2 7 x 6 0 2
6 1 74 6 1 77:
4 1 0 y 5 ; luego [S] = 4
3 5 1 0 3 5
z
1 1 5 1 1 5

b. Por denicin, S T es la transformacin lineal de R3 ! R4 denida por

2 3 2 3
2 3 1 1 1 2 32 3 2 2 2 2 3
x 6 0 2 7 1 1 0 x 6 1 7 x
1 74 2 3 74
(S T ) (v) = [S] [T ] 4 y 5 = 6 4 1 0 0 1 1 54 y 5 = 6 y 5
3 5 4 2 1 3 5
z 1 0 1 z z
1 1 5 4 0 6
2 3
2 3 2x + 2y + 2z
x 6 x + 2y + 3z 7
(S T ) 4 y 5 = 6 4 y 2x 3z 5 :
7
z
4x 6z
2 3
2 3 2 3 6
1 1 6 6 7
Si v = 4 1 5 ; (S T ) 4 1 5 = 6 4
7:
4 5
1 1
10

Denicin 4 Sea T : Rn ! Rn una transformacin lineal. Diremos que T es invertible si existe una
transformacin lineal T 0 : Rn ! Rn tal que

T T 0 = T 0 T = IdRn ;

donde IdRn : Rn ! Rn ; IdRn (v) = v; es la transformacin identidad.

Nota 3 Cuando esto ocurre diremos que T y T 0 son invertibles.

Teorema 4 Sea T : Rn ! Rn una transformacin lineal invertible. Entonces [T ] es una matriz

invertible y
1
T 1 = [T ] :
2 3 2 3
x x+y
Ejemplo 7 Es la transformacin lineal T : R3 ! R3 , T 4 y 5 = 4 y + z 5 invertible? En caso
z x+z
armativo halle T 1 :

Solucin:
2 T es una
3 transformacin lineal invertible 2 si [T ] es3 una matriz invertible, como [T ] =
1 1 0 1 1 0
4 0 1 1 5 y la forma escalonada de [T ] es 4 0 1 1 5 ; [T ] es matriz invertible.y por tanto
1 0 1 0 0 2

5
 2 3
1 1 1
1 14
T es una transformacin lineal invertible. Dado que [T ] = 1 1 1 5 la transfor-
2
1 1 1
macin lineal inversa esta denida por
2 3 2 32 3
x 1 1 1 x
14
T 14 y 5 = 1 1 1 54 y 5
2
z 1 1 1 z
2 3 2 3
x x y+z
14
T 14 y 5 = x + y z 5:
2
z y x+z
2 3 2 3
x x + y + 2z
Ejemplo 8 Sea S : R3 ! R3 , S 4 y 5 = 4 x + y + 2z 5 :
z x+y
Es T una transformacin lineal invertible?

Solucin:
2 S es una
3 transformacin lineal invertible
2 si [S] es 3una matriz invertible, como [S] =
1 1 2 1 1 2
4 1 1 2 5 y la forma escalonada de [S] es 4 0 0 2 5 ; S no es una transformacin lineal
1 1 0 0 0 0
invertible.

6
 Determinantes

Clase 11

1 Determinantes
a11 a12
Denicin 1 Sea A = : Denimos el determinante de A, denotado por det (A) jAj ;
a21 a22
como el escalar
det (A) = a11 a22 a12 a21 :
Denicin 2 Sea A una matriz de orden n n: Denimos el ij esimo menor de A, denotado por
Aij , como la matriz de orden n 1 obtenida al eliminar de A la i esima la y la j esima columna.
Denicin 3 Sea A una matriz de orden n. Denimos el ij esimo cofactor de A; como el escalar
i+j
Cij = ( 1) det (Aij ) :
Denicin 4 Sea A una matriz de orden n; n 2: Entonces el determinante de A, es el escalar
det (A) = a11 C11 + a12 C12 + ::: + a1n C1n :
A esta denicin se le conoce como el desarrollo por cofactores a lo largo de la primera la.
Teorema 1 (Teorema de expansin de Laplace) El determinante de una matriz n n, A = [aij ] ;
n 2 puede ser calculado como
det (A) = ai1 Ci1 + ai2 Ci2 + ::: + ain Cin
y tambin como
det (A) = a1j C1j + a2j C2j + ::: + ain Cin :
Ejemplo 1 Hallar el determinante de la matriz
2 3
2 4 6 8
6 2 4 5 7 7
A=6 4 4
7:
9 0 15 5
4 9 0 16
Solucin: Empleando la tercera columna, tenemos que
2 4 7 2 4 8
1+3 2+3
jAj = ( 1) 6 4 9 15 + ( 1) 5 4 9 15 +0+0
4 9 16 4 9 16
2 4 7
4 9 15 = 2 (9 16 9 15) 4 (4 16 4 15) + 7 (4 9 4 9) = 2
4 9 16
2 4 8
4 9 15 = 2 (9 16 9 15) 4 (4 16 4 15) + 8 (4 9 4 9) = 2
4 9 16
luego jAj = 6 (2) 5 (2) = 2.

1
Nota 1 El determinante de una matriz triangular es el producto de las entradas sobre su diagonal
principal.

Teorema 2 (Propiedades de los determinantes) Sea A = [aij ] una matriz cuadrada.

1. Si A tiene una la (columna) nula, entonces det (A) = 0:
2. Si B se obtiene al intercambiar dos las (columnas) de A, entonces det (B) = det (A) :
3. Si A tiene dos las (columnas) idnticas, entonces det (A) = 0:
4. Si B se obtiene al multiplicar una la (columna) de A por k, entonces det (B) = k det (A) :
5. Si A, B y C son matrices idnticas excepto que la i esima la (columna) de C sea la suma
de las i esimas las (columnas) de A y B, entonces det (C) = det (A) + det (B) :
6. Si B se obtiene al sumar un mltiplo de una la (columna) de A a otra la (columna), entonces
det (B) = det (A) :
2 3
a11 a12 a13
7
Ejemplo 2 Sea A = 4 a21 a22 a23 5 ; con det (A) = : Hallar el determinante de las siguientes
5
a31 a32 a33
matrices
2 3 2 3
a11 a12 a13 a11 a12 a13
A1 = 4 a31 a32 a33 5 A2 = 4 3a11 + 2a21 3a12 + 2a22 3a13 + 2a23 5
2 a21 a22 a23 3 2 a31 a32 a33 3
a12 a11 a13 a11 a12 a13
A3 = 4 a22 a21 a23 5 A4 = 4 a21 a22 a23 5
2 a32 a31 a33 3 a31 2a21 a32 2a22 a33 2a23
a11 4a11 + 2a12 a13
A5 = 4 a21 4a21 + 2a22 a23 5
a31 4a31 + 2a32 a33

7
Solucin: det (A1 ) = det (A3 ) = det (A) = ya que tenemos cambio de las en A1 y cambio de
5
columnas en A3 :
7
det (A2 ) = det (A4 ) = det (A5 ) = det (A) =ya que A2 ; A4 y A5 se obtienen al sumar un mltiplo
5
de una la (columna) de A otra la (columna).

Ejemplo 3 Demuestre que si A es una matriz de orden n n; entonces det (kA) = k n det (A) :

Solucin: kA se obtiene de multiplicar cada la de A por k y por teorema det (kA) = k::::k
| {z } det (A) =
n veces
k n det (A) :

Teorema 3 Sea A una matriz de orden n n. A es invertible si y slo si det (A) 6= 0

Ejemplo 4 Hallar el determinante de la matriz

2 3
2 4 6 8
6 2 4 5 7 7
A=6 4 4
7:
9 0 15 5
4 9 0 16

Es A invertible?

2
Solucin: Calculando la forma escalonada de A
2 3 2 3 2 3
2 4 6 8 2 4 6 8 2 4 6 8
6 2 4 5 7 7 R 2 R1 6 0 0 1 1 7 6 0 1 12 1 7
6 7 6 7R ! R3 6 7
4 4 9 0 15 5 R3 2R1 4 0 1 12 1 5 2 !4 0 0 1 1 5
R4 2R1
4 9 0 16 ! 0 1 12 0 0 1 12 0
| {z } | {z } | {z }
A B C
2 3
2 4 6 8
6 0 1 12 1 7
R 4 R2 64
7;
! 0 0 1 1 5
0 0 0 1
| {z }
D

tenemos que det (A) = det (B) = det (C) = det (D) = (2) (1) ( 1) (1) = 2: Dada la forma
escalonada de la matriz A, vemos que A s es invertible.

Teorema 4 Sean A y B matrices de orden n n; entonces

1. det (AB) = det (A) det (B) :
1
2. Si A es invertible, det A 1 = :
det (A)
3. det (A) = det AT :

1.1 Adjunta de una matriz

Denicin 5 Sea A una matriz de orden n n.
1. Se dene la matriz de cofactores de A; como la matriz
2 3
C11 C12 C1n
6 C21 C22 C2n 7
6 7
C=6 . . .. 7
4 .. .. . 5
Cn1 Cn2 Cnn

2. Se dene la adjunta de A, denotada por adj (A) ; como la matriz

2 3
C11 C21 Cn1
6 C12 C22 Cn2 7
6 7
adj (A) = C T = 6 . . .. 7
4 .. .. . 5
C1n C2n Cnn

Teorema 5 Sea A una matriz invertible, entonces

1 1
A = adj (A) :
det (A)
n 1
Ejemplo 5 Muestre que para toda matriz A invertible de orden n n, det (adj (A)) = (det (A)) :

1 1 1
Solucin: Si A es invertible, A = adj (A) y adj (A) = det (A) A ; luego
det (A)

1 1 1
det (adj (A)) = det det (A) A = det (A) :::: det (A) det A = det (A) :::: det (A) :
| {z } | {z } det (A)
n veces n veces

3
 2 3
1 2 3
Ejemplo 6 Sea A = 4 2 3 4 5 hallar:
1 2 5

1. adj (A)
1
2. Es A invertible? En caso armativo halle A :
3. Halle det (adj (A))

Solucin:

1. Si 2 3
C11 C21 C31
adj (A) = C T = 4 C12 C22 C32 5
C13 C23 C33
i+j
y Cij = ( 1) det (Aij ), entonces

1+1 3 4
C11 = ( 1) =7
2 5
2 3
C21 = = 4
2 5

obtenemos 2 3
7 4 1
adj (A) = 4 6 2 2 5:
1 0 1

2. A es invertible si det (A) 6= 0

1 2 3
2 3 4 = 1 (15 8) 2 (10 4) + 3 (4 3) = 2;
1 2 5

luego 2 3
7 4 1
1 14
A 1
= adj (A) = 6 2 2 5:
det (A) 2
1 0 1
n 1
3. Por el ejemplo anterior sabemos que si A es matriz invertible det (adj (A)) = (det (A)) ; luego
2
det (adj (A)) = ( 2) = 4:

a b 1 1 d b
Ejemplo 7 Sea A = : Mostrar que A = siempre que ad cb 6= 0:
c d ad cb c a

Solucin A es invertible si det (A) 6= 0; es decir ad cb 6= 0 adems

d b
adj (A) = :
c a

4
 Valores y vectores propios

Clase 12

1 Valores y vectores propios

Denicin 1 Sea A una matriz de orden n n. Un escalar es llamado un valor propio de A si
existe un vector x distinto de cero tal que Ax = x: Un vector x de esta naturaleza se conoce como
vector propio de A correspondiente a :
2 3
3 2 4
Ejemplo 1 Sea A = 4 2 0 2 5 :
4 2 3
2 3
2
a. Es x = 4 1 5 un vector propio de A? En caso armativo diga a qu valor propio corresponde.
2
2 3
1
b. Es x = 4 1 5 un vector propio de A?
1
Solucin: x es vector propio de A si cumple Ax = x para algn escalar : Veamos:
2 32 3 2 3 2 3
3 2 4 2 16 2
a. Ax = 4 2 0 2 5 4 1 5 = 4 8 5 = 8 4 1 5 ; luego x es vector propio de A y corresponde al
4 2 3 2 16 2
valor propio = 8:
2 32 3 2 3 2 3
3 2 4 1 9 1
b. Ax = 4 2 0 2 5 4 1 5 = 4 4 5 6= 4 1 5 ; luego x no es vector propio de A:
4 2 3 1 9 1

Nota 1 Sea A una matriz de orden n n y sea un valor propio de A, entonces por la denicin
anterior x 6= 0 es un vector propio de A correspondiente a si y slo si

Ax = x

pero esto es equivalente a

Ax x=0
es decir,
(A In ) x = 0
por tanto, x 6= 0 es un vector propio de A asociado al valor propio si y slo si x 2 nul (A In ) y
x 6= 0:

De lo anterior, es un valor propio de A si y slo si nul (A In ) 6= f0g :

1
Denicin 2 Sea A una matriz de orden n n y sea un valor propio de A: La coleccin de todos
los vectores propios de A asociados a junto con el vector cero, se denomina espacio propio de y se
denota por E :
Podemos demostrar que E = nul (A In ) :
Hemos resuelto el problema de encontrar los vectores propios asociados a un valor propio dado,
ahora resolveremos el problema de encontrar los valores propios de una matriz. En efecto, sea A una
matriz de orden n n y un escalar
1. Si nul (A In ) = f0g, entonces no es un valor propio para A, ya que no existe un x 6= 0 tal
que Ax = x:
2. Si nul (A In ) 6= f0g, entonces es un valor propio para A y por lo tanto A In no es
invertible con lo que det (A In ) = 0:
De lo anterior tenemos:
Lema 1 Sea A una matriz de orden n n. Entonces los valores propios de A son las soluciones de la
ecuacin det (A In ) = 0:
Nota 2 Sea A una matriz de orden n n. Cuando desarrollamos det (A In ) obtenemos un poli-
n
nomio de grado n en ; donde el coeciente de n es ( 1) y el trmino independiente es det (A) :
A este polinomio se le llama el polinomio caracterstico de A y a la ecuacin det (A In ) = 0 se le
llama ecuacin caracterstica de A:
Por otro lado, si A es una matriz de orden n n, entonces su polinomio caracterstico p ( ) =
n r1 r2 rk
det (A In ) ser de grado n, por tanto si factorizamos p ( ) = ( 1) ( 1) ( 2 ) ::: ( k)
entonces k n y 1 ; 2 ; :::; k son los valores propios de A. Por lo tanto A tendr a lo ms n valores
propios.
Denicin 3 Sea A una matriz de orden n n con polinomio caracterstico
n r1 r2 rk
p ( ) = ( 1) ( 1) ( 2) ::: ( k) :
Entonces
1. La multiplicidad algebraica del valor propio i ; denotada por ma ( i ) ser el entero positivo ri :
2. La multiplicidad geomtrica del valor propio i ; denotada por mg ( i ) ser el entero positivo
mg ( i ) = dim (E i ) :
2 3
3 2 4
Ejemplo 2 Sea A = 4 2 0 2 5
4 2 3
a. Halle el polinomio caracterstico de A:
b. Halle los valores propios de A:
c. Halle los espacios propios de A:
d. Halle una base para cada espacio propio de A.
e. Halle las multiplicidades algebraicas y geomtricas de cada valor propio de A.
Solucin:
a. El polinomio caracterstico de A est dado por p ( ) = det (A I3 ) :
3 2 4
2 2 2 2
p( ) = 2 2 = (3 ) 2 +4
2 3 4 3 4 2
4 2 3
p( ) = (3 )( (3 ) 4) 2 (2 (3 ) 8) + 4 (4 + 4 )
3 2
p( ) = +6 + 15 + 8
2
p( ) = ( 8) ( + 1)

2
b. Los valores propios de A son 1 = 1y 2 = 8:
c. El espacio propio asociado al valor propio 1 =
1 est dado por E 1 = nul (A 1 I3 )
2 3 2 3
4 2 4 4 2 4
A 1 I3 = A + I3 =
4 2 1 2 5E G4 0 0 0 5;
!
4 2 4 0 0 0
1 1
as, x = 4 ( 2y 4z) = 2y z; es decir,
02 1
3 2 31
2 1
E 1
= espacio @4 1 5 ; 4 0 5A :
0 1

El espacio propio asociado al valor propio 2 = 8 est dado por E 2 = nul (A 2 I3 )

2 3 2 3
5 2 4 5 2 4
A 1 I3 =A 8I3 = 4 2 8 2 5E G4 0 2 1 5;
!
4 2 5 0 0 0

por sustitucin regresiva sobre

5x + 2y + 4z = 0
2y + z = 0

obtenemos que 02 31
1
E 2 = espacio @4 1
2
5A :
1

d. Las bases para cada uno de los espacios propios son

82 1 3 2 39 82 39
< 2 1 = < 1 =
= 4 1 5;4 0 5 ; = 4 21 5 :
1
: ; 2
: ;
0 1 1

e. De la parte a y d tenemos que las multiplicidades algebraicas y geomtricas son

ma ( 1) = 2; mg ( 1) =2
ma ( 2) = 1; mg ( 2 ) = 1:

Ejemplo 3 Los valores propios de una matriz triangular y de una matriz diagonal son las entradas
de su diagonal principal.

Solucin: Consideremos una matriz triangular superior U de orden n n

2 3
u11 u12 u1n
6 0 u22 u2n 7
6 7
6 .. 7
U =6 6 0 0 . u3n 7
7
6 . .. .. .. .. 7
4 .. . . . . 5
0 0 0 unn

3
 su polinomio caracterstico est dado por

u11 u12 u1n

0 u22 u2n
..
det (U I) = 0 0 . u3n
.. .. .. .. ..
. . . . .
0 0 0 unn

y como el determinante de una matriz triangular es el producto de los elementos diagonales

det (U I) = (u11 ) (u22 ) ::: (unn )

obtenemos que los valores propios de U son los elementos de su diagonal principal. Si considera-
mos una matriz triangular inferior y una matriz diagonal llegamos al mismo resultado.

Nota 3 En general si A es una matriz cuadrada y U es una matriz escalonada denida a partir de A
va operaciones elementales de la, entonces los valores propios de A y U son diferentes.

Teorema 1 Sea A una matriz cuadrada de orden n. A es invertible si y slo si = 0 no es un valor

propio de A.

Teorema 2 Sea A una matriz cuadrada de orden n con valor propio y x un vector propio de A
correspondiente a :
n
a. Para cualquier entero positivo n, es un valor propio de An con vector propio correspondiente x:
1 1
b. Si A es invertible entonces es un valor propio de A con vector propio correspondiente x.
n
c. Si A es invertible y n es un entero negativo, entonces es un valor propio de An con vector propio
correspondiente x.

Teorema 3 Sea A una matriz n n y sean 1 ; 2 ; :::; k valores propios distintos de A con los vectores
propios correspondientes x1 ; x2 ; :::; xk : Entonces x1 ; x2 ; :::; xk son linealmente independientes.

4
 Semejanza y diagonalizacin

Clase 13

1 Semejanza y diagonalizacin
Denicin 1 Sean A y B matrices de orden n n. Decimos que A es semejante a B si existe una
matriz P invertible de orden n n tal que P 1 AP = B. Si A es semejante a B escribimos A B.
Teorema 1 Sean A y B matrices de orden n n con A B. Entonces
a. det (A) = det (B) :
b. A es invertible si y slo si B es invertible.
c. A y B tienen el mismo rango.
d. A y B tienen el mismo polinomio caracterstico.
e. A y B tienen los mismos valores propios.
Denicin 2 (Diagonalizable) Sea A una matriz de orden n n. Decimos que A es diagonalizable si
existe P matriz invertible de orden n y D diagonal tales que
1
P AP = D;
es decir, A D:
Nota 1 Si D es diagonal y A es semejante a D, entonces A y D tienen los mismos valores propios. Por
tanto las entradas diagonales de D son los valores propios de A repetidos de acuerdo a su multiplicidad
algebraica.
Teorema 2 Sea A una matriz de orden n n. A es diagonalizable si y slo si A tiene n vectores
propios linealmente independientes.
Prueba. Si A es diagonalizable existe P matriz invertible y D diagonal tal que P 1 AP = D; esto
es AP = P D: Sean p1 ; :::; pn las columnas de P y sean 1 ; :::; n los elementos de la diagonal de D,
entonces
2 3
1
6 7
6 2 7
A [p1 p2 ::: pn ] = [p1 p2 ::: pn ] 6 .. 7
4 . 5
n
[Ap1 Ap2 ::: Apn ] = [ 1 p1 2 p2 ::: n pn ]

de aqu que Api = i pi para i = 1; :::; n; y por denicin de valor y vector propio las columnas de P
son los vectores propios de A, como P es invertible (sus columnas son L.I.) concluimos que A tiene n
vectores propios L.I.
Si A tiene n vectores propios L.I. p1 ; :::; pn con valores propios correspondientes 1 ; :::; n ; entonces
Api = i pi para i = 1; :::; n que es equivalente a AP = P D y como los vectores pi son L.I. P es
invertible y P 1 AP = D; A es diagonalizable.

1
Nota 2 As, A es diagonalizable si y slo si existen matriz P con columnas los n vectores propios
linealmente independientes de A y matriz diagonal D con entradas diagonales los valores propios de A
correspondientes a los vectores propios en P en el mismo orden.

Teorema 3 Sea A una matriz de orden n n y sean 1 ; 2 ; :::; k valores propios distintos de A. Si
i es una base para E i , entonces 1 [ 2 [ ::: [ k es linealmente independiente.
2 3
3 2 4
Ejemplo 1 Es la matriz A = 4 2 0 2 5 diagonalizable?
4 2 3

Solucin: Sabemos que A tiene como bases para los espacios propios
82 1 3 2 39 82 39
< 2 1 = < 1 =
= 4 1 5;4 0 5 = 4 12 5 ;
1
: ; 2
: ;
0 1 1

A es diagonalizable ya que tiene 3 vectores propios linealmente independientes.

Teorema 4 Si A es una matriz de orden n n con n valores propios distintos, entonces A es diago-
nalizable.

Teorema 5 (Teorema de diagonalizacin) Sea A una matriz de orden n n cuyos distintos valores
propios son 1 ; 2 ; :::; k : Los enunciados siguientes son equivalentes

a. A es diagonalizable.
b. La unin de las bases de los espacios propios de A contiene n vectores.
c. La multiplicidad algebraica de cada valor propio es igual a su multiplicidad geomtrica.

Ejemplo 2 Sea A una matriz de orden 3 3 con valores propios 1 = 2 y 2 = 2: Si los espacios
propios son
82 3 9 02 3 2 31
< x = 1 2
E2 = 4 y 5 2 R3 = x y z = 0 ; E 2 = espacio @4 1 5 ; 4 2 5A
: ;
z 1 2

responda las siguientes preguntas justicando su respuesta.

a. Es A una matriz diagonalizable? En caso armativo, halle matrices P invertible y D diagonal tal
que P 1 AP = D:
b. Cul es el determinante de A?
c. Es A invertible?

d. Es la matriz B = 2A + 3I3 diagonalizable? En caso armativo, halle matrices C invertible y

diagonal tal que C 1 BC = :
e. Es la matriz B invertible?
f. Halle el polinomio caracterstico de A:

Solucin:

2
a. A3 3 es una matriz diagonalizable (por teorema) si la unin de las bases de los espacios propios de
A contiene 3 vectores. Tenemos que:
82 3 9 02 3 2 31
< x = 1 1
E2 = 4 y 5 2 R3 = x y z = 0 = espacio @4 1 5 ; 4 0 5A
: ;
z 0 1
02 3 2 31 02 31
1 2 1
E 2 = espacio @4 1 5 ; 4 2 5A = espacio @4 1 5A ;
1 2 1
por tanto A es una matriz diagonalizable.
b. Como A es una matriz diagonalizable (por teorema) la multiplicidad algebraica de cada valor
propio es igual a su multiplicidad geomtrica, es decir, los valores propios de A son 1 = 2 con
2
ma ( 1 ) = 2 y 2 = 2 con ma ( 2 ) = 1: Luego det (A) = (2) ( 2) = 8 ya que det (A) =
det P DP 1 = det (D) donde
2 3 2 3
2 0 0 1 1 1
D=4 0 2 0 5 y P =4 1 0 1 5:
0 0 2 0 1 1

c. Dado que det (A) 6= 0, A es invertible.

d. Veamos si la matriz B = 2A + 3I3 es diagonalizable. Como A es diagonalizable existen matrices P
invertible y D diagonal tales que P 1 AP = D
A = P DP 1
1
2A + 3I3 = 2 P DP + 3I3
1 1
2A + 3I3 = 2 P DP + 3P I3 P
1
B = P (2D + 3I3 ) P
e = 2D+3I3 diagonal tales que P
luego B es diagonalizable ya que existen P invertible y D 1
BP =
e
D:
e tiene todas sus entradas
e. B es invertible si sus valores propios son no nulos, es decir, si la matriz D
de la diagonal diferentes de cero
2 3
7 0 0
De = 2D + 3I3 = 4 0 7 0 5 ;
0 0 1
luego B es invertible.
2
f. El polinomio caracterstico de A est dado por p ( ) = ( 2) ( + 2) :
2 3
1 0 1
Ejemplo 3 Sea A = 4 0 1 1 5 Es A diagonalizable?
1 1 0
Solucin: Hallemos el polinomio caracterstico para la matriz A
1 0 1
1 1 0 1
p( ) = 0 1 1 = (1 ) 0+1
1 1 1
1 1
p( ) = (1 )( (1 ) + 1) (1 )
p( ) = (1 )[ (1 ) + 1 1]
2
p( ) = (1 ) :

3
 los valores propios de A son 1 = 0 con ma ( 1 ) = 1 y 2 = 1 con ma ( 2 ) = 2: Ahora,
encontremos bases para los espacios propios E = nul (A I3 ) asociados a los valores propios
: 2 3 2 3
1 0 1 1 0 1
A 1 I3 = A =
4 0 1 1 5E G4 0 1 1 5
!
1 1 0 0 0 0
as 31 02
1
E 1 = espacio @4 1 5A :
1
2 3 2 3
0 0 1 1 1 1
A 2 I3 = A I3 = 4 0 0 1 5E G4 0 0 1 5
!
1 1 1 0 0 0
donde 31 02
1
E 2 = espacio @4 1 5A :
0
A no es matriz diagonalizable ya que 2 = ma ( 2) 6= mg ( 2) = 1:
1
Ejemplo 4 Sea A una matriz diagonalizable. Si A es invertible entonces A es diagonalizable?

Prueba. Si A una matriz diagonalizable, existen matrices P invertible y D diagonal tal que
1
P AP = D

ya que A es invertible entonces D es invertible, as

1 1 1
P AP = D
1 1 1
P A P = D
1 1
como D es diagonal, A es diagonalizable.

4
 Aplicaciones

Clase 14

1 Sistemas de ecuaciones diferenciales lineales

Sabemos que si x = x (t) es una funcin diferenciable y satisface la ecuacin diferencial x0 = kx donde
k es una constante, entonces la solucin de la ecuacin diferencial es x (t) = cekt y si tenemos una
condicin inicial x (0) = x0 entonces la constante c ser x0 , as la solucin ser x (t) = x0 ekt :
Ahora, supongamos que tenemos n funciones diferenciables x1 = x1 (t) ; x2 = x2 (t) ; :::; xn = xn (t)
que satisfacen un sistema de ecuaciones diferenciales

x01 = a11 x1 + a12 x2 + ::: + a1n xn

x02 = a21 x1 + a22 x2 + ::: + a2n xn
..
.
x0n = an1 x1 + an2 x2 + ::: + ann xn

Podemos escribir este sistema de ecuaciones diferenciales en forma matricial x0 = Ax donde

2 3 2 0 3
x1 (t) x1 (t)
6 x2 (t) 7 6 x02 (t) 7
6 7 6 7
x = x (t) = 6 .. 7; x0 = x0 (t) = 6 .. 7 y A = [aij ]n n :
4 . 5 4 . 5
xn (t) x0n (t)

Ejemplo 1 Resolver el sistema de ecuaciones diferenciales

x01 = 4x1
x02 = 9x2
x03 = 3x3 :

Solucin: En este caso cada ecuacin se puede resolver por separado. La solucin ser

x1 = c1 e4t
x2 = c2 e 9t
x3 = c3 e3t :

Si representamos el sistema de ecuaciones diferenciales matricialmente obtenemos que

2 3
4 0 0
x0 = 4 0 9 0 5x
0 0 3

los valores propios de la matriz 4, -9 y 3 aparecen en la solucin.

Qu pasar con un sistema cuya matriz no sea diagonal?

1
Teorema 12 Sea A una matriz diagonalizable
3 de n n y P = [v1 v2 vn ] tal que
1 0 0
6 0 0 7
6 2 7
P 1 AP = 6 . . . .. 7 : Entonces la solucin general del sistema de ecuaciones diferen-
4 .. .. .. . 5
0 0 n
ciales x0 = Ax es
1t 2t nt
x = c1 e v1 + c2 e v2 + + cn e vn :

Ejemplo 2 Dos especies X y Z viven en relacin simbitica, es decir, ninguna de las especies puede
sobrevivir por s misma y cada una depende de la otra para su supervivencia. Inicialmente se cuenta con
150 unidades de X y 100 unidades de Z. Si x = x(t) y z = z(t) son los tamaos de las poblaciones de
las especies X y Z respectivamente al cabo de t meses y las tasas de crecimiento de las dos poblaciones
estn gobernadas por el sistema

x0 = 8x + 4z
z0 = 4x 2z

a. Encuentre las poblaciones de las especies X y Z para cualquier instante t.

b. Cunto tiempo debe transcurrir para que el tamao de la poblacin X sea de 110 especies?
Solucin:
a. Dado que

x = x (t) ; es el tamao de la poblacin de la especie X al cabo de t meses

z = z (t) ; es el tamao de la poblacin de la especie Z al cabo de t meses

para hallar las poblaciones de las especies X y Z para cualquier instante t buscamos las funciones
x y z:
Representando el sistema de ecuaciones diferenciales en forma matricial

x0 8 4 x
=
z0 4 2 z
| {z }
A

vericamos si A es diagonalizable y de serlo, hallamos los valores propios y sus respectivos vectores
propios.

8 4
det (A I) =
4 2
= ( 8 )( 2 ) 16
= ( + 10)

Los valores propios de A son 1 = 0 y 2 = 10, luego A es diagonalizable y

8 9 8 9
>
> >
> >
> >
>
>
< >
= >
< >
=
1 2
= = :
1
>
> 2 > >
2
>
> 1 > >
>
:| {z }>
; >
:| {z }>
;
v1 v2

2
 La solucin general del sistema de ecuaciones diferenciales es

x
x = c1 e0t v1 + c2 e 10t
v2
z
x 1 2
x = c1 + c2 e10t
z 2 1

es decir,
10t
x = c1 2c2 e
10t
z = 2c1 + c2 e :

Dado que inicialmente se cuenta con 150 unidades de X y 100 unidades de Z; es decir x (0) = 150
y z (0) = 100

150 = x (0) = c1 2c2

100 = z (0) = 2c1 + c2

resolviendo c1 = 70 y c2 = 40: Las poblaciones de las especies X y Z para cualquier instante t

estn dadas por

x = 70 + 80e 10t
z = 140 40e 10t :

b. El tiempo que debe transcurrir para que el tamao de la poblacin X sea de 110 especies se obtiene
resolviendo para t
70 + 80e 10t = 110
ln( 21 )
sto se cumple cuando t = 10 = 0:069315; es decir, aproximadamente en 2 das.

3
 Ortogonalidad en Rn

Clase 15

1 Conjuntos de vectores ortogonales

Denicin 1 Un conjunto de vectores fv1 ; v2 ; :::; vk g en Rn se denomina conjunto ortogonal si todos
los pares de vectores distintos del conjunto son ortogonales, es decir, vi vj = 0 siempre que i 6= j,
i; j = 1; 2; :::; k:
Si adems, vi vi = 1 entonces diremos que el conjunto es ortonormal.

Ejemplo 1 En Rn , el conjunto fe1 ; e2 ; :::; en g es un conjunto ortogonal.

82 3 2 3 2 39
< 1 0 0 =
Ejemplo 2 En R3 , el conjunto 4 1 5 ; 4 1 5 ; 4 0 5 es un conjunto ortogonal.
: ;
1 1 0
8 9
>
> 2 3 2 3 2 3>
>
>
> >
>
>
> 2 2 1 >
>
<6 7 6 7 6 7=
4 6 1 7 6 1 7 6 1 7
Ejemplo 3 En R , el conjunto 4 ; ; no es un conjunto ortogonal.
>
> 1 5 4 1 5 4 1 5> >
>
> >
>
>
> 2 0 0 >>
:| {z } | {z } ;
u w

Vemos que u w = 6 6= 0:

Teorema 1 Si fv1 ; v2 ; :::; vk g es un conjunto ortogonal de vectores distintos de cero en Rn , entonces

estos vectores son linealmente independientes.

Prueba. Sean c1 ; :::; ck escalares tales que

c1 v1 + c2 v2 + ::: + ck vk = 0

veamos que ci = 0 para i = 1; :::; n: Tomemos un vi del conjunto ortogonal

vi (c1 v1 + c2 v2 + ::: + ck vk ) = vi 0
c1 (vi v1 ) + c2 (vi v2 ) + ::: + ck (vi vk ) = 0

como fv1 ; v2 ; :::; vk g es un conjunto ortogonal vi vj = 0 para i 6= j. De la C.L. slo queda el trmino
ci (vi vi ) = 0 donde vi es vector no nulo, esto es, ci = 0 para i = 1; :::; n:

Denicin 2 Una base ortogonal de un subespacio W de Rn es una base de W que es un conjunto

ortogonal.
Una base ortonormal de un subespacio W de Rn es una base de W que es un conjunto ortonormal.

Nota 1 1. Sea W un subespacio de Rn y sea = fv1 ; v2 ; :::; vk g una base ortogonal para W ,
1
entonces si qi = vi ; i = 1; 2; :::; k, fq1 ; q2 ; :::; qk g es una base ortonormal para W .
kvi k

1
 2. Si es una base ortonormal para W , entonces es una base ortogonal para W . El recproco no
es cierto.

Ejemplo 4 El conjunto fe1 ; e2 ; :::; en g es una base ortonormal para Rn .

82 3 9
< x =
Ejemplo 5 Sea W = 4 y 5 2 R3 = x 2y z = 0 : Encuentre una base ortonormal para W .
: ;
z

Solucin: Dado que x = 2y + z 023 2 31

2 1
W = espacio @4 1 5 ; 4 0 5A ;
0 1
primero encontramos una base (de dimensin 2) ortogonal para W , = fu; vg y luego la nor-
malizamos.
2 3 2 3
1 x
Tomemos u = 4 0 5 ; v = 4 y 5 tal que v 2 W y v u = 0; esto es
1 z

x 2y z = 0
x+z = 0
2 3 2 3
x 1
luego v = 4 y 5 = z 4 1 5 ; z 2 R: Una base ortogonal para W es
z 1
82 3 2 39
< 1 1 =
= 4 0 5;4 1 5 ;
: ;
1 1

as, una base ortonormal para W ser

8 2 3 2 39
< 1 1
1
1 =
0
= p 4 0 5; p 4 1 5 :
: 2 3 ;
1 1

/ de Rn y sea w 2 W .
Teorema 2 Sea = fu1 ; u2 ; :::; uk g una base ortogonal de un subespacio W
Entonces w se puede escribir como combinacin lineal de los vectores de la base ortogonal como
sigue
u1 w u2 w uk w
w= u1 + u2 + ::: + uk ;
u1 u1 u2 u2 uk uk
2 u w 3
1
6 u1 u1 7
6 7
6 u2 w 7
6 7
6 u2 u2 7
6
as, [w] = 6 7:
.. 7
6 7
6 . 7
6 7
4 uk w 5
uk uk
Prueba. Si w 2 W
/ ; existen escalares c1 ; :::; ck tales que

w = c1 u1 + c2 u2 + ::: + ck uk ;

2
tomemos un ui de
ui w = ui (c1 u1 + c2 u2 + ::: + ck uk )
ui w = c1 (ui u1 ) + c2 (ui u2 ) + ::: + ck (ui uk )
ui w = ci (ui ui )
ui w
ci =
ui ui
u1 w u2 w uk w
luego w = u1 + u2 + ::: + uk :
u1 u1 u2 u2 uk uk

1.1 Matrices ortogonales

Teorema 3 Las columnas de una matriz Q de orden m n forman un conjunto ortonormal si y slo
si QT Q = In :
Denicin 3 Una matriz Q de orden n n cuyas columnas forman un conjunto ortonormal se de-
nomina matriz ortogonal.
Nota 2 Si Q es una matriz ortogonal, entonces QT Q = In ; por tanto, en este caso, Q 1
= QT :
1
Corolario 1 Una matriz cuadrada Q es ortogonal si y slo si Q = QT :
2 3
1 1 1
2 3 6 p x+ p y p z 7
x 6 12 6 3 7
3 3 4 5 6 p x p1 y + p1 z 7
Ejemplo 6 Sea T : R ! R ; T y =6 7:
6 2 6 3 7
z 4 2 1 5
p y+ p z
6 3
a. Muestre que [T ] es una matriz ortogonal.
2 3
2
b. Halle kT (x)k donde x = 4 4 5 :
6
1
c. Es T invertible? En caso armativo halle T explcitamente.
2 3 2 3
1 1
d. Halle el ngulo entre T (x) y T (y), si x = 4 1 5 y y = 4 0 5 :
0 1
Solucin:
a. La matriz estndar de la transformacin lineal T es
2 3
1 1 1
p p p
6 2 6 3 7
6 1 1 1 7
6 p p p 7
[T ] = 6 7;
6 2 6 3 7
4 2 1 5
0 p p
6 3
T
si [T ] es una matriz ortogonal entonces [T ] [T ] = I3
2 32 3
1 1 1 1 1
p p 0 p p p
6 76 2 7 2 3
6 12 2
1 2 76 1 6
1 1
3 7 1 0 0
T 6 76 p 7 4
[T ] [T ] = 6 p p p 76 p p 7 = 0 1 0 5 = I3 :
6 6 6 6 76 2 6 3 7
4 1 1 1 54 2 1 5 0 0 1
p p p 0 p p
3 3 3 6 3

3
b. Para calcular kT (x)k observemos primero que si notamos a [T ] como Q; T (x) = Qx y
q p p
T
kT (x)k = kQxk = (Qx) (Qx) = xT QT Qx = xT x = kxk
2 3
2
por tanto, si x = 4 4 5
6
p p
kT (x)k = kxk = 4 + 16 + 36 = 56:

c. T es transformacin invertible ya que [T ] es matriz invertible (por ser ortogonal), y su inversa es

T
[T ] ; luego
2 3
1 1
2 3 p p 0
6 72 3
x 6 12 2
1 2 7 x
6 7
T 14 y 5 = 6 p p p 74 y 5
6 6 6 6 7
z 4 1 1 1 5 z
p p p
3 3 3
2 3 2 1
p 1
p 3
x p 2 2xp + 2 2y p
T 1 4 y 5 = 4 16 p6x 16 p 6y + 13 p6z 5 :
z 1 1 1
3 3y 3 3x + 3 3z

d. El ngulo entre T (x) y T (y) para x; y no nulos est dado por

T
T (x) :T (y) (Qx) (Qy) xT QT Qy xT y
cos ( ) = = = =
kT (x)k kT (y)k kxk kyk kxk kyk kxk kyk

es decir, si T es una transformacin con [T ] matriz ortogonal el ngulo entre las imgenes es
igual al ngulo entre las preimgenes.
2 3 2 3
1 1
Para x = 4 1 5 y y = 4 0 5 el ngulo es
0 1

1 1
cos ( ) = p p =
2 2 2
o
= 60 :

4
 Complementos ortogonales y proyecciones ortogonales

Clase 17

1 Complementos ortogonales y proyecciones ortogonales

Denicin 1 Sea W un subespacio de Rn : Decimos que un vector v en Rn es ortogonal a W si v es
ortogonal a todo vector en W . El conjunto de todos los vectores que son ortogonales a W se denomina
el complemento ortogonal de W , denotado como W ? . Es decir,

W ? = fv 2 Rn j v w = 0 para todo w 2 W g :

Teorema 1 Sea W un subespacio de Rn : Entonces W ? es un subespacio de Rn :

Nota 1 Si B = fv1 ; v2 ; : : : ; vk g es una base para W : v 2 W ? si y slo si v vi = 0 para i = 1; 2; :::; k:

82 3 9
>
> a+b+c+d >
>
<6 =
6 a + 2b + c + 2d 7 7
Ejemplo 1 Sea W = 4 j a; b; c; d 2 R :
>
> 2a + 3b + 2c + 3d 5 >
>
: ;
2a + 3b + 2c + 4d

1. Muestre que W es un subespacio de R4 :

2. Encuentre una base para W .
3. Encuentre el complemento ortogonal para W .
4. Halle una base para W ? :

Solucin:
1. W es subespacio de R4 ya que
02 3 2 3 2 3 2 31 02 31
1 1 1 1 1 1 1 1
B6 1 7 6 2 7 6 1 7 6 2 7C B61 2 1 27C
W = espacio B 6 7 6
@4 2 5 ; 4 3
7;6 7;6
5 4 2 5 4 3
7C = col B6
5A @42
7C :
3 2 3 A
5
2 3 2 4 2 3 2 4

2. Una base para W es el conjunto

8 9
>
> >
>
> 2 3 2 3 2 3>
>
> 2 3 2 3
>
> 1 1 1 >
> 1 1 1 1 1 1 1 1
>
<6 7 6 7 6 >
1 7= 6 1 2 7 6 0 1 0 1 7
BW = 6 7 6 7 6 2
2 7 ya que 6
2 1 7G J 6 7:
> 4 2 5; 4 3 5; 4 3 5> 4 2 3 2 3 5 !4 0 0 0 1 5
>
> >
>
>
> 2 3 4 >
> 2 3 2 4 0 0 0 0
>
> }>
>
:| {z } | {z } | {z ;
w1 w2 w3

1
3. El complemento ortogonal para W est dado por

W ? = v 2 R4 j v w = 0 para todo w 2 W = v 2 R4 j v wi = 0 para i = 1; 2; 3 :

2 3
x
6 y 7
Si v = 6 7
4 z 5, v 2 W debe cumplir
k

x + y + 2z + 2k = 0
x + 2y + 3z + 3k = 0
x + 2y + 3z + 4k = 0

resolviendo el sistema 2 3 2 3
1 1 2 2 1 1 2 2
4 1 2 3 3 5G J 4 0 1 1 1 5
!
1 2 3 4 0 0 0 1
se tiene que
2 3 2 3 02 31
x 1 1
6 y 7 6 7 B6 1 7C
6 7 = z6 1 7: Luego, W ? = espacio B6 7C
4 z 5 4 1 5 @4 1 5A :
k 0 0

4. Una base para W ? es 82 39

>
> 1 >
>
<6 7=
1
BW ? = 6
4 1
7 :
5>
>
> >
: ;
0

Teorema 2 Sea A una matriz de orden m n. Entonces

?
1. (ren (A)) = nul (A) :
?
2. (col (A)) = nul AT :
?
3. (nul (A)) = ren (A) :
?
4. nul AT = col (A) :

Nota 2 La matriz A tiene cuatro subespacios asociados:

col (A) ; ren (A) ; nul (A) y nul AT

llamados los subespacios fundamentales de A:

82 3 9
>
> x >
>
<6 =
y 7 x+y+z+w =0
Ejemplo 2 Sea H = 6 7 4
4 z 5 2 R j x + y + 2z = 0 :
>
> >
>
: ;
w

1. Halle H y H ? :
2. Halle bases para H y H ? respectivamente.

2
Solucin:
1. El conjunto H lo podemos ver como el espacio nulo de la matriz A donde

1 1 1 1
A= :
1 1 2 0
?
As H = nul (A), entonces H ? = (nul (A)) = ren (A) : Como

1 1 1 1 1 1 1 1
A= G J
1 1 2 0 ! 0 0 1 1

resolviendo

x+y+z+w = 0
z w = 0

obtenemos 3 2
02 31
2 1
B6 0 7 6 1 7C
H = nul (A) = espacio B 6 7 6
@4 1 5 ; 4 0
7C :
5A
1 0

2. Una base para H es 82 3 2 39

>
> 2 1 >
>
<6 7 6 1 7=
0
BH = 6 7 6
4 1 5;4 0
7
5>
>
> >
: ;
1 0
y una base para H ? es 82 3 2 39
>
> 1 0 >
>
<6 7 6 7=
1 7 6 0
BH ? = 6
4 1 5;4 1
7 :
5>
>
> >
: ;
1 1

1.1 Proyecciones ortogonales

Denicin 2 Sea W un subespacio de Rn y fu1 ; u2 ; : : : ; uk g una base ortogonal para W . Para
cualquier vector v en Rn , la proyeccin ortogonal de v sobre W est denida como
u1 v u2 v uk v
proyW (v) = u1 + u2 + + uk
u1 u1 u2 u2 uk uk

y la componente de v ortogonal a W es el vector perpW (v) = v proyW (v) :

8 9
>
> >
82 3 9 >
> 2 3 2 3>
>
>
< x = >
< 1 1 >
=
Ejemplo 3 Sea W = 4 y 5 2 R j x y z = 0 : Muestre que B = 4 1 5; 4 1 5 es una
3
: ; >
> >
>
z >
> 0 2 >
>
>
: | {z } | {z }>
;
u1 2 u32

1
base ortogonal para W . Use esta informacin para calcular proyW (v) ; donde v = 4 1 5 :
1

3
Solucin: Vemos que W es un plano que pasa por el origen, luego dim (W ) = 2. As, B es base
ortogonal de W si es un conjunto ortogonal y cada elemento de B est en W . Tenemos
2 32 3
1 1
u1 u2 = 4 1 5 4 1 5 = 0; u1 2 W (pues 1 1 0 = 0) y u2 2 W (pues 1 ( 1) 2 = 0) :
0 2

Luego
2 3 2 3 2 3
1 1 4
u1 v u2 v 24 5 24 1
proyW (v) = proyu1 v + proyu2 v = u1 + u2 = 1 + 1 5 = 4 2 5:
u1 u1 u2 u2 2 6 3
0 2 2

Nota 3 Sea H un subespacio de Rn y sea v 2 Rn

1. proyH (v) = v si y slo si v 2 H:

2. proyH (v) = 0 si y slo si v 2 H ? .
3. perpH (v) 2 H ? :

Prueba.
1. Sea v 2 Rn ; tal que proyH (v) = v, entonces como proyH (v) 2 H se tiene que v 2 H: Por otro
lado, si v 2 H; entonces
u1 v u2 v uk v
v= u1 + u2 + + uk = proyH (v) :
u1 u1 u2 u2 uk uk

2. Si proyH (v) = 0 entonces

u1 v u2 v uk v
u1 + u2 + + uk = 0:
u1 u1 u2 u2 uk uk
Como fu1 ; u2 ; : : : ; uk g es un conjunto linealmente independiente, entonces u1 v = 0; u2 v =
0; : : : ; uk v = 0. As v 2 H ? .

Recprocamente, si v 2 H ? entonces u1 v = 0; u2 v = 0; : : : ; uk v = 0, as
u1 v u2 v uk v
proyH (v) = u1 + u2 + + uk = 0:
u1 u1 u2 u2 uk uk

3. Sea p = perpH (v) = v proyH (v) : Para ver si p 2 H ? es suciente con mostrar que p ui = 0
para i = 1; 2; : : : ; k:

p ui = (v proyH (v)) ui = v ui proyH (v) ui

u1 v u2 v uk v
= v ui u1 + u2 + + uk ui
u1 u1 u2 u2 uk uk
u1 v uk v
= v ui (u1 ui ) (uk ui )
u1 u1 uk uk
ui v
= v ui (ui ui )
ui ui
= v ui v ui = 0:

4
1.2 Teorema de la descomposicin ortogonal
El siguiente teorema muestra que siempre podemos descomponer un vector con respecto a un subespacio
y su complemento ortogonal.

Teorema 3 Sea W un subespacio de Rn y sea v un vector de Rn . Entonces existen vectores nicos

w 2 W y w? 2 W ? tales que
v = w + w? :

Prueba. Sea v 2 Rn . Tome w = proyW (v) 2 W y w? = perpW (v) 2 W ? , entonces

proyW (v) + perpW (v) = proyW (v) + (v proyW v) = v:

La unicidad se deja como lectura en el texto.

Lema 1 Sea W un subespacio de Rn y sean B1 = fu1 ; u2 ; : : : ; uk g y B2 = fw1 ; w2 ; : : : ; wp g bases para

W y W ? respectivamente: Entonces

B1 [ B2 = fu1 ; u2 ; : : : ; uk ; w1 ; w2 ; : : : ; wp g

es una base para Rn :

Teorema 4 Si W es subespacio de Rn ; entonces

dim (W ) + dim W ? = n:

Corolario 1 Si A es una matriz de orden m n; entonces

rango (A) + nulidad (A) = n

rango (A) + nulidad AT = m:

3 2 82 3 9
1 < x =
Ejemplo 4 Halle la descomposicin ortogonal de v = 4 1 5 con respecto a W = 4 y 5 j x y z=0 :
: ;
1 z

Solucin: Aplicando el teorema 3 al ejemplo 3, se sigue que

2
3 2 3
4 1
1 1
w = proyW (v) = 4 2 5 y w? = perpW (v) = 4 1 5
3 3
2 1
es la descomposicin ortogonal de v con respecto al subespacio W . Notemos que
2 3
3
1 1
w + w? = 4 3 5 = v y w w? = ( 4 + 2 + 2) = 0:
3 9
3

5
 Proceso de Gram-Schmidt y la factorizacin QR

Clase 18

Resumen

En esta clase desarrollaremos un mtodo algortmico, conocido como el proceso de Gram-Schmidt,

para encontrar una base ortogonal de un subespacio de Rn a partir de una base dada. Tambin de-
scribiremos una forma de encontrar la factorizacin QR de una matriz cuyas columnas sean linealmente
independientes.

1 Proceso de Gram-Schmidt y la factorizacin QR.

Teorema 1 (Proceso de Gram-Schmidt) Sea fx1 ; x2 ; :::; xk g una base de un subespacio W de Rn y
denamos lo siguiente:
v1 = x1 ,
v1 x2
v2 = x2 v1 ,
v1 v1
v1 x3 v2 x3
v3 = x3 v1 v2 ,
v1 v1 v2 v2
..
.
v1 xk v2 xk vk 1 xk
vk = xk v1 v2 ::: vk 1 .
v1 v1 v2 v2 vk 1 vk 1

Si Wi = espacio(x1 ; :::; xi ), i = 1; 2; :::; k, entonces fv1 ; v2 ; :::; vi g es una base ortogonal de Wi .

En particular, fv1 ; v2 ; :::; vk g es una base ortogonal de W .

1
Nota 1 Si en el teorema anterior tomamos qi = vi , i = 1; 2; :::; k, entonces fq1 ; q2 ; :::; qk g es una
kvi k
base ortonormal de W .
02
3 2 3 2 31 2 3
0 1 2 1
Ejemplo 1 Sea H = espacio @4 1 5 ; 4 0 5 ; 4 3 5A y sea b = 4 1 5.
1 1 1 1

a. Encuentre una base ortogonal para H.

b. Halle proyH b y perpH b.
c. Encuentre H ? y una base para ste.

Solucin:

1
 2 3
0 1 1
a. Primero que todo encontremos una base para H. Si A = 4 1 0 1 5 ; entonces H = ren(A).
2 3 1
Escalonemos la matriz A
2 3 2 3 2 3 2 3
0 1 1 1 0 1 1 0 1 1 0 1
4 1 0 1 5!4 0 1 1 5!4 0 1 1 5!4 0 1 1 5 = U.
2 3 1 2 3 1 0 3 3 0 0 0

Luego una base para H est formada por las las no nulas de la matriz escalonada U , es decir
8 2 3 2 39
< 1 0 =
= x1 = 4 0 5 ; x2 = 4 1 5
: ;
1 1

es una base para H. Apliquemos el proceso de Gram-Schmidt a :

2 3 2 3
1 1
v1 x 2 1 1
v1 = x1 = 4 0 5 y v2 = x2 v1 = x2 v1 = 4 2 5:
v1 v1 2 2
1 1

Luego, una base ortogonal para H es

8 2 3 2 39
< 1
1
1 =
v = 4 0 5 ; v2 = 4 2 5 .
: 1 2 ;
1 1

b. Por denicin
v1 b v2 b 2 1
proyH b = v1 + v2 = v1 + v
v1 v1 v2 v2 2 1 4 1 2
( + + )
2 3 2 34 24 4 3 2 3
1 1 2=3 1
4 1 2
= v1 + v2 = 4 0 5 + 4 2 5 = 4 2=3 5 = 4 1 5 .
6 3 3
1 1 4=3 2

Por otro lado

2 3 2 3 2 3 2 3
1 1 1=3 1
24 5 4 1
perpH b = b proyH b = 4 1 5 1 = 1=3 5 = 4 1 5.
3 3
1 2 1=3 1

c. Como H = ren(A), entonces H ? = nul(A). Para encontrar una base de nul(A) debemos resolver
el sistema homogneo U x = 0. Las ecuaciones de U x = 0 son:

x + z = 0, y + z = 0,

por tanto la solucin general del sistema U x = 0 est dada por:

2 3 2 3 2 3
x z 1
4 y 5 = 4 z 5 = z4 1 5, z 2 R.
z z 1

Con lo que una base para H ? es 82 39

< 1 =
4 1 5 .
: ;
1

2
Ejemplo 2 Encuentre una base ortonormal para el subespacio
82 3 9
>
> x >
>
<6 7 =
6 y 7 4
W = 4 2 R : x y z w = 0 .
>
> z 5 >
>
: ;
w

Solucin: Si A = [1 1 1 1] entonces W = nul(A). La matriz A tiene una sola la, por tanto
est en su forma escalonada. As que, slo debemos encontrar la solucin general del sistema
homogneo Ax = 0. Sea [x y z w]T una solucin del sistema homogneo Ax = 0 entonces
2 3 2 3 2 3 2 3 2 3
x y+z+w 1 1 1
6 y 7 6 y 7 6 1 7 6 0 7 6 0 7
6 7 6 7 = y 6 7 + z 6 7 + w 6 7 , y; z; w 2 R.
4 z 5=4 z 5 4 0 5 4 1 5 4 0 5
w w 0 0 1

Luego una base para W es

8 2 3 2 3 2 39
>
> 1 1 1 >
>
< 6 1 7 6 0 7 6 0 7=
x1 = 6
4 0
7 ; x2 = 6 7 ; x3 = 6
5 4 1 5 4 0
7 .
5>
>
> >
: ;
0 0 1

Sean
2 3
1
6 1 7
v1 = x1 = 6 7
4 0 5,
0
2 3 2 3
1=2 1
v1 x2 1 6 1=2 7 6 1 7
v2 = x2 v1 = x2 v1 = 6 7= 16 7,
v1 v1 2 4 1 5 24 2 5
0 0
v1 x3 v2 x3 1 (1=2)
v3 = x3 v1 v2 = x3 v1 v2
v1 v1 v2 v2 2 (1=4)(6)
2 3 2 3 2 3 2 3 2 3
1 1 1 1=3 1
1 1 6 0 7 1 6 1 7 16 1 7 6 1=3 7 16 1 7
= x3 v1 v2 = 6
4
7 6 7 6 7=6 7= 6 7.
2 3 0 5 24 0 5 64 2 5 4 1=3 5 34 1 5
1 0 0 1 3

Con lo que una base ortogonal para W es

8 2 3 2 3 2 39
>
> 1 1 1 >>
< 6 1 7 6 =
7 ; v2 = 1 6 1 7 6
7;v = 1 6 1 7
v1 = 6
4 5
7 .
>
> 0 24 2 5 3 34 1 5>
>
: ;
0 0 3

Si hacemos
2
3 2 3 2 3
1 1 1
1 1 6 1 7 6
7 , q2 = 1 v2 = p1 6 1 7
7 , q2 = 1 v3 = p1 6
6 1 7
q1 = v1 = p 6 7.
kv1 k 24 0 5 kv2 k 64 2 5 kv3 k 12 4 1 5
0 0 3

Entonces fq1 ; q2 ; q3 g es una base ortonormal de W .

3
Teorema 2 (Factorizacin QR) Sea A una matriz de m n con columnas linealmente independientes.
Entonces A puede ser factorizada como
A = QR
donde Q es una matriz de m n con columnas ortonormales y R es una matriz triangular superior
invertible.

2 3
1 1 1
6 1 0 0 7
6
Ejemplo 3 Halle la factorizacin QR para la matriz A = 4 7.
0 1 0 5
0 0 1

Solucin: Como las columnas de A son linealmente independientes, ellas forman una base para el
subespacio col(A). Es decir
8 2 3 2 3 2 39
>
> 1 1 1 >>
< 6 1 7 6 0 7 6 =
0 7
= x1 = 6 7 6 7 6
4 0 5 ; x2 = 4 1 5 ; x3 = 4
7
>
> 0 5>
>
: ;
0 0 1

es una base para col(A). Encontremos una base ortonormal para col(A) a partir de sta. El
proceso de Gram-Schmidt aplicado sobre estos vectores es

v1 = x1 , x1 = v1 ,
1 1
v2 = x2 v1 , x2 = v1 + v2 ,
2 2
1 1 1 1
v3 = x3 v1 v2 () x3 = v1 + v2 + v3 .
2 3 2 3
Por otro lado v1 = kv1 k q1 , v2 = kv2 k q2 y v3 = kv3 k q3 . reemplazando obtenemos que

x1 = kv1 k q1
1
x2 = kv1 k q1 + kv2 k q2
2
1 1
x3 = kv1 k q1 + kv2 k q2 + kv3 k q3 .
2 3
Con lo que

1 1 1
x1 x2 x3 = kv1 k q1 kv1 k q1 + kv2 k q2 kv1 k q1 + kv2 k q2 + kv3 k q3
2 2 3
2 1 1 3
kv1 k kv1 k kv1 k
6 2 2 7
= q1 q2 q3 6 4 0 kv2 k
1
kv2 k 5
7
3
0 0 kv3 k
2 p 3
p
2 p p 3 1p 1p
1=p2 1= p6 1= p12 6 2 2 2
6 1= 2 2p 2p 7
1=p 6 1=p12 7 6 1 1 7
= 6 76 0
6 6 6 7.
4 0 2= 6 1=p 12 4 5 2 6p 7 5
2
0 0 3= 12 0 0 3
| {z }| {z 3 }
Q
R

4
 Espacios vectoriales y subespacios

Clase 19

1 Espacios vectoriales y subespacios

En esta seccin estudiaremos uno de los conceptos ms centrales del lgebra lineal que es el de espacio
vectorial. La idea es tomar propiedades particulares de Rn y llevarlas a un entorno ms general.

Denicin 1 Sea V un conjunto en el cual dos operaciones, llamadas adicin y multiplicacin

escalar, han sido denidas. Si u y v son elementos de V , la suma de u y v se denotar por u + v, y
si c es un escalar, el mltiplo escalar de u por c se denotar por cu. Si las siguientes condiciones son
vlidas para todo u, v y w en V y para todos los escalares c y d, entonces V se denomina espacio
vectorial y sus elementos son llamados vectores.

1. u + v 2 V (Cerradura bajo la adicin)

2. u + v = v + u (Conmutatividad)
3. (u + v) + w = u + (v + w) (Asociatividad)
4. Existe un elemento 0 en V , denominado vector cero o nulo, tal que u + 0 = u
5. Para cada u 2 V existe u 2 V tal que u + ( u) = 0.
6. cu 2 V (Cerradura bajo multiplicacin escalar)
7. c(u + v) = cu + cv (Distributividad)
8. (c + d)u = cu + du (Distributividad)
9. c(du) = (cd)u
10. 1u = u

Nota 1 a. Cuando decimos "escalares" nos referiremos a nmeros reales. Por tanto, deberamos
referirnos a V como espacio vectorial real. Tambin es posible que los escalares sean nmeros
complejos, en cuyo caso, V sera espacio vectorial complejo. En este curso, cuando digamos
espacio vectorial nos estamos reriendo a espacio vectorial real.
b. La denicin de espacio vectorial no especica de que est compuesto V . Tampoco especica que
las operaciones "suma" y "multiplicacin escalar" sean las operaciones a las que estamos acos-
tumbrados. Esta observacin se aclarar con los siguientes ejemplos.

Ejemplo 1 Para cualquier n 1, Rn es un espacio vectorial con las operaciones habituales de adicin
y multiplicacin por escalar.

Ejemplo 2 El conjunto de las matrices de orden m n es un espacio vectorial con las operaciones de
adicin de matrices y el producto de un escalar por una matriz. Este espacio vectorial se denotar por
Mm n (R) o simplemente Mm n .

1
Ejemplo 3 Sea P3 el conjunto de todos los polinomios de grado menor o igual a 3, con coecientes
reales, es decir,
P3 = a0 + a1 x + a2 x2 + a3 x3 : a0 ; a1 ; a2 ; a3 2 R .
Denamos la adicin y multiplicacin por escalar como se muestra a continuacin: Sean p; q en P3 ,
esto equivale a que existan nmeros reales a0 ; a1 ; a2 ; a3 ; b0 ; b1 ; b2 ; b3 , tales que p = a0 +a1 x+a2 x2 +a3 x3
y q = b0 + b1 x + b2 x2 + b3 x3 , entonces

p + q = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + (a3 + b3 )x3 .

Si c es un escalar,
cp = (ca0 ) + (ca1 )x + (ca2 )x2 + (ca3 )x3 :
Con las operaciones descritas anteriormente, P3 es un espacio vectorial.

Ejemplo 4 Sea F el conjunto de todas las funciones con valores reales denida sobre la recta de los
nmeros reales. Si f y g son funciones de este tipo y c es un escalar, entonces f + g y cf estn
denidas mediante (f + g)(x) = f (x) + g(x) y (cf )(x) = cf (x). F junto con estas dos operacioes es
un espacio vectorial.

Ejemplo 5 El conjunto de las matrices de orden m n no es un espacio vectorial con las operaciones
"adicin" producto usual de matrices y el producto de un escalar por una matriz:

1.1 Subespacios vectoriales

Denicin 2 Un subconjunto W de un espacio vectorial V se denomina subespacio de V si W mismo
es un espacio vectorial con los mismos escalares, adicin y multiplicacin por escalares que V .

Teorema 1 Sea V un espacio vectorial, y W un subconjunto no vaco de V . Entonces W es un

subespacio de V si y slo si se complen las siguientes condiciones:

1. Si u, v 2 W , entonces u + v 2 W .
2. Si u 2 W y c es cualquier escalar, entonces cu 2 W .

Ejercicio 1 Cul de los siguientes subconjuntos del espacio vectorial V dado es subespacio?

a. W = fA 2 Mn n : A es simtricag, V = Mn n.

b. C = ff 2 F : f es diferenciableg, V = F.
c. S = ff 2 F : f 00 + f = 0g, V = F.
d. H = ff 2 F : f 00 + f = 1g, V = F.
e. G = a0 + a1 x + a2 x2 + a3 x3 : a0 ; a1 ; a2 ; a3 2 R y a1 = a2 = a3 , V = P3 .
f. K = fA 2 M3 3 : a11 = a22 a33 g, V = M3 3.

El siguiente lema nos muestra una condicin necesaria, pero no suciente para que un subconjunto
de un espacio vectorial sea subespacio.

Lema 1 Si W es un subespacio de V , entonces 0 2 W .

Ejemplo 6 Es S = fA 2 M2 2 : a11 a22 = 0g un subespacio de M2 2?

0 1 1 1 1 2
Solucin: No. Sean A = yB= . A y B estn en S pero A + B = no
1 1 1 0 2 1
est en S.

2
1.2 Conjuntos generadores
Denicin 3 Si S = fv1 ; v2 ; :::; vk g es un conjunto de vectores en un espacio vectorial V , entonces el
conjunto de todas las combinaciones lineales de v1 ; v2 ; :::; vk se conoce como espacio generado por
v1 ; v2 ; :::; vk y se denota mediante la expresin espacio(v1 ; v2 ; :::; vk ) o espacio(S). Si V = espacio(S),
entonces S se denomina conjunto generador para V y se dice que V es generado por S.

Teorema 2 Sean v1 ; v2 ; :::; vk vectores en un espacio vectorial V , entonces espacio(v1 ; v2 ; :::; vk ) es un

subespacio de V .

Ejemplo 7 Muestre que H = fasen(x) + b cos(x) : a; b 2 Rg es un subespacio de F.

Solucin: H = espacio(sen(x); cos(x)), as, por el teorema anterior H es un subespacio de F.

Ejemplo 8 Muestre que W = fa0 + a1 x + a2 x2 + a3 x3 : a0 ; a1 ; a2 ; a3 2 R y a1 a2 a3 = 0g es un

subespacio de P3 .

Solucin: W = fa0 + a1 x + a2 x2 + a3 x3 : a0 ; a1 ; a2 ; a3 2 R y a1 = a2 + a3 g = fa0 + (a2 + a3 )x +

a2 x2 + a3 x3 : a0 ; a2 ; a3 2 Rg. Con lo que W = fa0 + a2 (x + x2 ) + a3 (x + x3 ) : a0 ; a2 ; a3 2 Rg =
espacio(1; x + x2 ; x + x3 ), as, por el teorema anterior W es un subespacio de P3 .

3
 Independencia lineal, base y dimensin

Clase 20

1 Independencia lineal, base y dimensin

1.1 Independencia lineal
Denicin 1 Un conjunto de vectores fv1 ; v2 ; :::; vk g de un espacio vectorial V es linealmente de-
pendiente si existen escalares c1 ; c2 ; :::; ck , al menos uno de los cuales no sea cero, tal que

c1 v1 + c2 v2 + + ck vk = 0.

Un conjunto de vectores que no es linealmente dependiente se dice que es linealmente independiente.

Teorema 1 Un conjunto de vectores fv1 ; v2 ; : : : ; vk g de un espacio vectorial V es linealmente depen-

diente si y slo si al menos uno de los vectores puede ser expresado como combinacin lineal de los
otros.

Ejemplo 1 Cules de los siguientes subconjuntos del espacio vectorial dado es linealmente depen-
diente?

a. 1; x; x2 , V = P2 .

b. 1, sen2 (x), cos2 (x) , V = F.

Solucin:
a. Sean a; b y c tales que a + bx + cx2 = 0. Derivando obtenemos b + 2cx = 0 y derivando nuevamente
tenemos 2c = 0, con lo que c = 0; b = 0 y a = 0. Es decir f1; x; x2 g es un conjunto linealmente
independiente.
b. Puesto que 1 cos2 (x) sen2 (x) = 0 entonces al tomar a = 1, b = 1 y c = 1 se tiene que
a1 + b cos2 (x) + csen2 (x) = 0, con lo que el conjunto en cuestin es linealmente dependiente.

Ejemplo 2 Sea fv1 ; v2 ; v3 g un conjunto linealmente independiente en un espacio vectorial V .

a. Es el conjunto fv1 + v2 + v3 ; v1 v2 ; v2 v3 g linealmente independiente?

b. Es el conjunto fv1 + v2 + v3 ; v1 v2 v3 ; 2v2 + 2v3 g linealmente independiente?

Solucin:

a. Sean a, b y c tales que a(v1 + v2 + v3 ) + b(v1 v2 ) + c(v2 v3 ) = 0. Agrupando trminos semejantes

(a + b)v1 + (a b + c)v2 + (a c)v3 = 0.

1
 Puesto que v1 ; v2 ; v3 son linealmente independientes a + b = 0, a b+c = 0 y a c = 0. de
donde 2 32 3 2 3
1 1 0 a 0
4 1 1 1 54 b 5 = 4 0 5.
1 0 1 c 0
Ahora bien 2 3
2 3 0 1 0 1
1 1 0 0
4 1 6 0
1 0 7. 2
1 1 0 5! !4 5
3
1 0 1 0 0 0 0
2
Con lo que a = b = c = 0, por tanto el conjunto es linealmente independiente:
b. Con a, b y c tales que a(v1 + v2 + v3 ) + b(v1 v2 v3 ) + c(2v2 + 2v3 ) = 0. Agrupando trminos
semejantes
(a + b)v1 + (a b + 2c)v2 + (a b + 2c)v3 = 0.
Como v1 ; v2 ; v3 son linealmente independientes a + b = 0, a b + 2c = 0 y a b + 2c = 0, por
tanto 2 32 3 2 3
1 1 0 a 0
4 1 1 2 54 b 5 = 4 0 5.
1 1 2 c 0
Ahora bien 2 3 2 3
1 1 0 0 1 1 0 0
4 1 1 2 0 5! !4 0 2 2 0 5.
1 1 2 0 0 0 0 0
Con lo que a = b= c, por tanto el conjunto es linealmente dependiente:

1.2 Base
Denicin 2 Un subconjunto de un espacio vectorial V es una base para V si

1. genera a V y 2. es linealmente independiente.

Ejemplo 3 (Bases estndares)
a. fe1 ; e2 ; :::; en g es una base para Rn , denominada base estndar para Rn .
b. 1; x; x2 ; :::; xn es una base para Pn , denominada base estndar para Pn .
j=1;2;:::;n
c. fEij gi=1;2;:::;m , donde Eij es una matriz de orden m n con entrada ij igual a 1 y las dems
entradas son ceros, es una base para Mm n , denominada base estndar para Mm n .
Ejemplo 4 Encuentre una base para los siguientes subespacios del espacio vectorial correspondiente.
a. W = A 2 M2 2 : AT = A , V = M2 2:

b. H = espacio(1; sen2 (x); cos2 (x)), V = F.

Solucin:
0 a 0 1
a. Sea A 2 W , entonces existe a real tal que A = = a , por tanto W =
a 0 1 0
1 0 0 1
espacio . Con lo que = .
1 0 1 0
b. Puesto que 1 es combinacin lineal de sen2 (x) y cos2 (x) entonces H = espacio(sen2 (x); cos2 (x)).
Luego si = fsen2 (x); cos2 (x)g, entonces genera a H y es linealmente independiente, es decir
es una base de H.

2
 Coordenadas. Dimensin.

Clase 21

1 Coordenadas
Teorema 1 Sea V un espacio vectorial y una base para V . Para todo vector v en V existe una
nica forma de expresar el vector v como combinacin lineal de los vectores de .

Denicin 1 Sea = fv1 ; v2 ; :::; vn g una base para un espacio vectorial V: Sea v 2 V , tal que v =
c1 v1 + c2 v2 + ::: + cn vn . Entonces c1 ; c2 ; :::; cn se conocen como las coordenadas de v con respecto
a , y el vector 2 3
c1
6 c2 7
6 7
[v] = 6 . 7
4 .. 5
cn
se denomina vector coordenado de v con respecto a .

2 13Sea p = 2 + 3x
Ejemplo 4x2 . Halle [p] donde es la base estndar de P2 . Si q 2 P2 es tal que
2
[q] = 4 0 5 halle q.
2
32 2 3
2 2
Solucin: Por denicin [p] = 4 3 5. Por otro lado, si [q] = 4 0 5, entonces q = 2 + 2x2 .
4 2

2 3
Ejemplo 2 Sea A = , halle [A] , donde es la base estndar de M2 2.
2 2

Solucin: Por denicin [A] = [ 2; 3; 2; 2]T .

Teorema 2 Sea una base para un espacio vectorial V . Sean u; v vectores en V y sea c un escalar.
Entonces

1. [u + v] = [u] + [v] .
2. [cv] = c[v] :

Teorema 3 Sea = fv1 ; v2 ; :::; vn g una base para n un espacio vectorial

o V y sean u1 ; :::; uk vectores en
V: Entonces fu1 ; :::; uk g es L.I en V si y slo si [u1 ] ; :::; [uk ] es L.I. en Rn :

1
2 Dimensin
Teorema 4 Sea = fv1 ; v2 ; :::; vn g una base para un espacio vectorial V:

1. Cualquier conjunto con ms de n vectores en V debe ser linealmente dependiente.

2. Cualquier conjunto con menos de n vectores en V no puede generar a V .

Teorema 5 Si un espacio vectorial V tiene una base con n vectores, entonces toda base para V tiene
exactamente n vectores.

Denicin 2 Sea V un espacio vectorial. La dimensin de V , denotada dim(V ), es el nmero de

vectores en una base para V . La dimensin del espacio vectorial {0}, se dene como cero.

Ejemplo 3 Halle la dimensin de los siguientes subespacios del espacio vectorial dado.

a. W = A 2 M2 2 : AT = A , V = M2 2:

b. S = espacio(sen(x); cos(x); sen(2x)), V = F.

c. H = A 2 M3 3 : AT = A , V = M3 3: Qu puede decir para el caso n n?

d. L = A 2 M2 2 : AT = A , V = M2 2: Qu puede decir para el caso n n?

Solucin:
0 1
a. Sabemos que una base para W es = , por tanto dim(W ) = 1.
1 0
b. Sea = fsen(x); cos(x); sen(2x)g. Es claro que genera a S, veamos que es un conjunto
linealmente independiente, en efecto. Sean a; b; c reales tales que

asen(x) + b cos(x) + csen(2x) = 0.

Entonces
Para x = se tiene que a = 0.
2
Para x = se tiene que b=0
Para x = se tiene que c=0
4
Con lo que es un conjunto linealmente independiente y por tanto una base para S. As,
dim(S) = 3.
c. Sea A una matriz en H, entonces existen reales a; b; c tales que
v1 v2 v3
2 3 }|z23{ z
2 }| 3{ z
2 }| 3{
0 a b 0 1 0 0 0 1 0 0 0
A=4 a 0 c 5 = a4 1 0 0 5 + b4 0 0 0 5 + c4 0 0 1 5.
b c 0 0 0 0 1 0 0 0 1 0

Si = fv1 ; v2 ; v3 g entonces genera a H y adems se prueba que es un conjunto linealmente

independiente, por tanto es una base para H y as, dim(H) = 3.
1 0 0 0 0 1
d. Procediendo de forma anloga que en el ejercicio anterior se prueba que = ; ;
0 0 0 1 1 0
es una base para L con lo que dim(L) = 3.

Ejemplo 4 Halle la dimensin de Pn y de Mm n.

2
Solucin: dim(Pn ) = n + 1 y dim(Mm n) = mn.

Teorema 6 Sea V un espacio vectorial con dim(V ) = n. Entonces

1. Cualquier conjunto linealmente independiente con exactamente n vectores en V es una base para
V.
2. Cualquier conjunto generador de V compuesto con exactamente n vectores es una base para V .

Ejemplo 5 Verique si el conjunto S dado es una base para el subespacio vectorial V correspondiente.

a. S = 2; 1 + x; 1 + x2 , V = P2 .
82 3 2 39
< 0 1 0 0 1 0 =
b. S = 4 1 0 0 5 ; 4 1 0 1 5 , V = A 2 M3 3 : AT = A .
: ;
0 0 0 0 1 0
82 3 2 3 2 39
< 0 1 0 0 1 0 0 1 1 =
c. S = 4 1 0 0 5 ; 4 1 0 1 5;4 1 0 1 5 , V = A 2 M3 3 : AT = A .
: ;
0 0 0 0 1 0 1 1 0

Solucin:
a. Puesto que dim(V ) = 3 y S es un subconjunto de V con exactamente 3 vectores, entonces S es
una base de V si y slo si es linealmente independiente. Ahora bien, sean a; b; c reales tales que
2a + b(1 + x) + c(1 + x2 ) = 0, con lo que (2a + b + c) + bx + cx2 = 0. Como 1; x; x2 son linealmente
independientes, entonces 2a + b + c = 0, b = c = 0, de donde a = b = c = 0. De lo anterior S es
una base de V .
b. S no es una base ya que dim(V ) = 3 y S tiene 2 elementos.
c. Se procede de la misma forma que en el literal a ya que dim(V ) = 3.

Teorema 7 Sea W un subespacio de un espacio vectorial de dimensin nita V: Entonces

a. W es de dimensin nita y dim W dim V:
b. dim W = dim V si y slo si W = V:

3
Matrices de cambio de base y el proceso de Gauss-Jordan para
computarlas

Clase 22

Resumen
Muchos de los problemas que surgen de las diferentes aplicaciones de las matemticas pueden ser
resueltos ms fcilmente haciendo un apropiado cambio de coordenadas, transformacin que se consigue
por medio de un cambio de variable. En esta seccin deniremos lo que es una matriz de cambio de
base, veremos algunas propiedades de estas matrices y desarrollaremos un proceso, conocido como el
proceso de Gauss-Jordan, para computar tales matrices.

1 Matrices de cambio de bases

En esta seccin nos concentraremos en la denicin de matriz de cambio de base y algunas de sus
propiedades. Estas propiedades se resumirn en un solo teorema.
Denicin 1 Sean = fv1 ; v2 ; :::; vn g y C = fu1 ; u2 ; :::; un g bases para un espacio vectorial V . La
matriz de n n cuyas columnas son los vectores coordenados [v1 ]C , [v2 ]C ; :::; [vn ]C de los vectores en
con respecto a la base C se denota mediante PC y es llamada la matriz de cambio de base de
con respecto a C. Es decir,
PC = [[v1 ]C [v2 ]C ; :::; [vn ]C ] .
Ejemplo 1 Sea V un espacio vectorial y sea = fv1 ; v2 ; v3 g una base para V .
a. Muestre que C = fv1 + v2 + v3 ; v1 v3 ; v2 + v3 g es otra base para V .
b. Encuentre la matriz de cambio de base de C con respecto a . Es decir, halle P C:

Solucin:
a. Puesto que dim(V ) = 3 y C tiene 3 elementos entonces C es una base para V si y slo si es linealmente
independiente. Se prueba que en efecto es un conjunto L.I. y por tanto una base para V .
b. Por denicin
2 3
h i 1 1 0
P C = [v1 + v2 + v3 ] [v1 v3 ] [v2 + v3 ] =4 1 0 1 5.
1 1 1

Ejemplo 2 Sea C = 1; x; x2 ; x3 la base estndar de P3 . Si es otra base para P3 tal que

2 3
1 1 0 1
6 1 1 1 0 7
PC =6 4 1
7.
0 1 1 5
1 1 1 1
Halle la base .

1
Solucin: = f1 x + x2 x3 ; 1 + x + x3 ; x + x2 + x3 ; 1 x2 + x3 g.
Teorema 1 Sean = fv1 ; v2 ; :::; vn g y C = fu1 ; u2 ; :::; un g bases para un espacio vectorial V y PC
la matriz de cambio de base de a C. Entonces.
1. PC es la nica matriz tal que PC [x] = [x]C para todo x en V .
1
2. PC es invertible y (PC ) =P C.

Ejemplo 3 Con respecto al Ejemplo 1 halle PC y exprese cada elemento de la base de como
combinacin lineal de los elementos de la base C.
Solucin: Puesto que 2 3
1 1 0
P C =4 1 0 1 5
1 1 1
entonces 2 3
1 1 1
PC = (P C)
1
=4 0 1 1 5:
1 2 1
Y por tanto, siendo C = fv1 + v2 + v3 ; v1 v3 ; v2 + v3 g = fc1 ; c2 ; c3 g, se tiene entonces que
= fc1 c3 ; c1 + c2 + 2c3 ; c1 c2 c3 g.
Nota 1 Se puede probar que si = fv1 ; v2 ; :::; vn g es una base para un espacio vectorial V y C =
hfu1 ; u2 ; :::; un g es un subconjunto
i de V entonces C es otra base para V si y slo si la matriz R =
[u1 ] [u2 ] ; :::; [un ] es invertible. Ademas, si lo anterior ocurre PC = R 1 (o equivalente-
mente P C = R)
A partir de este resultado, si = fv1 ; v2 ; :::; vn g es una base para un espacio vectorial V , entonces
por cada matriz invertible P podemos construir una base C de tal que PC = P.
Ejemplo 4 = 1; x; x2 es una base para P2 . Sea
2 3
1 1 1
R=4 1 1 0 5.
1 0 1
Existir una base C para P2 tal que P C = R?
Solucin: S ya que P es invertible (det(P ) = 1). Si tomamos C = f1 x + x2 ; 1 + x; 1 x3 g,
entonces P C = R.

2 Mtodo de Gauss-Jordan para calcular una matriz de cam-

bio de base
Como se pudo observar en la seccin anterior el cmputo de la matriz de cambio de base hacia una
base estndar es sencillo. Encontrar la matriz de cambio de base desde una base estndar es casi igual
de sencillo, pero requiere calcular la inversa de una matriz lo cual se puede hacer mediante eliminacin
de Gauss-Jordan. En esta seccin desarrollaremos una modicacin del mtodo de Gauss-Jordan que
puede ser utilizado para encontrar la matriz de cambio de base entre dos bases no estndar.
Teorema 2 Sean = fv1 ; v2 ; :::; vn g, C = fu1 ; u2 ; :::; un gy E bases para un espacio vectorial V . Si
B = [[v1 ]E [v2 ]E ::: [vn ]E ] y C = [[u1 ]E [v2 ]E ::: [un ]E ]. Entonces, la reduccin por rengln aplicada a la
matriz aumentada [C j B] produce
[C j B] ! [I j PC ].

2
Ejemplo 5 Muestre que = 2; 1 + x; 12+ x2 3y C = 1 + x + x2 ; 1 + x; x + x2 son bases para P2 y
1
halle PC . Si p 2 P2 es tal que [p] = 4 1 5 exprese a p como combinacin lineal de los elementos
1
de la base C.
2 3 2 3
1 1 0 2 1 1 1 0 0 2 0 2
Solucin: 4 1 1 1 0 1 0 5 ! ::: ! 4 0 1 0 0 1 1 5.
1 0 1 0 0 1 0 0 1 2 0 1
De lo anterior 2 3
2 0 2
PC =4 0 1 1 5.
2 0 1
Por otro lado PC [p] = [p]C , as,
2 32 3 2 3
2 0 2 1 4
[p]C = 4 0 1 1 54 1 5=4 2 5.
2 0 1 1 3

Con lo que p = 4(1 + x + x2 ) 2(1 + x) 3(x + x2 ) = 2 x + x2 .

3
 Transformaciones Lineales

Clase 23

Resumen

Denimos transformaciones lineales en el contexto de las transformaciones matriciales de Rn en Rm .

En esta seccin deniremos transformaciones lineales en el contexto general de los espacios vectoriales.

Denicin 1 Una transformacin lineal de un espacio vectorial V a un espacio vectorial W es una

funcin (mapeo) T : V ! W tal que para todo u y v en V y todo escalar c:

1. T (u + v) = T (u) + T (v).
2. T (cu) = cT (u):

Ejemplo 1 Cul de las siguientes funciones es una transformacin lineal? En caso de no ser d un
contraejemplo.

a. T : Mn n ! Mn n, T (A) = AT .
b. Sea D = ff 2 F : f es diferenciableg. D es un subespacio de F (prubelo), en particular es un
espacio vectorial. Denamos
S : D ! F, S(f ) = f 0 .

c. Sea C[a; b] el conjunto de las funciones continuas en F. C[a; b] es un subespacio de F (prubelo),

en particular es un espacio vectorial. Denamos

Zb
H : C[a; b]!R, H(f ) = f (t)dt:
a

d. T : M2 2 ! R, T (A) = det(A).
e. Sea V un espacio vectorial y sea = fv1 ; v2 ; :::; vn g una base para V . Sea T : V ! Rn , denida
por T (v) = [v] .

1
Solucin:
a. Sean A; B en Mn n y sea c un escalar real, puesto que:

i) T (A + B) = (A + B)T = AT + B T = T (A) + T (B) y

ii) T (cA) = (cA)T = cAT = cT (A),
entonces T es una transformacin lineal.

b. y c. Se prueba que son transformaciones lineales aplicando propiedades de la derivada y la integral.

d. No es transformacin lineal. Si tomamos A = I y c = 2 entonces T (2I) = det(2I) = 22 6= 2 =

2 det(I).
e. Sean v y w en V y sea c un real, puesto que

i) T (v + w) = [v + w] = [v] + [w] = T (v) + T (w).

ii) T (cv) = [cv] = c[v] = cT (v),
entonces T es una transformacin lineal.

Teorema 1 Sea T : V ! W una transformacin lineal. Entonces

1. T (0) = 0:
2. T ( v) = T (v) para todo v 2 V .
3. T (u v) = T (u) T (v) para todo u y v en V .

Denicin 2 Si T : V ! W y S : W ! U son transformaciones lineales, entonces la composicin de

S con T es la funcin S T denida por

(S T )(v) = S(T (v)), donde v est en V .

Teorema 2 Si T : V ! W y S : W ! U son transformaciones lineales, entonces S T : V ! U , es

una transformacin lineal.

Notacin 1 Sea V un espacio vectorial. La funcin identidad de V en V , denotada por IV , es la

funcin
IV : V ! V , IV (v) = v, para todo v 2 V .
Es claro que IV es una transformacin lineal.

Denicin 3 Una transformacin lineal T : V ! W es invertible si existe una transformacin lineal

T 0 : W ! V tal que
T T 0 = IV y T 0 T : IW .

Teorema 3 Si T es una transformacin lineal invertible, entonces su inversa es nica y la denotaremos

por T 1

Ejemplo 2 Sea T : Mn n ! Mn n , T (A) = AT Halle T T . Es T una transformacin lineal

invertible? En caso aifrmativo halle T 1 .

Solucin: T T : Mn n ! Mn n , (T T )(A) = T (AT ) = (AT )T = A. Como podemos observar

T T = IMn n , entonces T es invertible y T 1 = T .

2
Ejemplo 3 Dena las transformaciones lineales S : Pn ! Pn y T : Pn ! Pn mediante

S(p(x)) = p(x + 1) y T (p(x)) = xp0 (x).

Encuentre S T yT S.

Solucin: (S T )(p(x)) = S(T (p(x)) = S(xp0 (x)) = (x + 1)p0 (x + 1). Por otro lado (T S)(p(x)) =
T (p(x + 1)) = (x + 1)p0 (x + 1).

Ejemplo 4 Sean S : P2 ! P1 y T : P1 ! P2 funciones denidas por

b1 2
S(a0 + a1 x + a2 x2 ) = a1 + 2a2 x y T (b0 + b1 x) = b0 x + x .
2
a. Halle S T yT S.
1
b. Es S = T ? Justique su respuesta.
b1 2
Solucin: a. (S T )(b0 +b1 x) = S(b0 x+ x ) = b0 +b1 x y (T S)(a0 +a1 x+a2 x2 ) = T (a1 +2a2 x) =
2
a1 x + a2 x2 .
b. No, ya que T S no es la transformacin identidad.

3
 El nucleo y la imagen de una transformacin lineal

Clase 24

Resumen

En esta seccin extenderemos las nociones de imagen y espacio nulo a las transformaciones lineales.

1 Ncleo e imagen de una transformacin lineal.

Denicin 1 Sea T : V ! W una transformacin lineal. El ncleo (tambin conocido como kernel)
de T , denotado como nucleo(T ), es el conjunto de todos los vectores en V que son mapeados por T al
0: Es decir,
nucleo(T ) = fv 2 V : T (v) = 0g .
La imagen (o recorrido) de T , denotado por Im(T ), es el conjunto de todos los vectores en W que
son imagenes de los vectores en V bajo T . Es decir,

Im(T ) = fT (v) : v 2 W g .

Ejemplo 1 Halle el ncleo y la imagen de las siguientes transformaciones lineales.

a. S : P2 ! R, donde S(p(x)) = p0 (0).

b. T : P2 ! P2 , donde T (p(x)) = xp0 (x).

Solucin:
a. Por denicin

i) nucleo(S) = a + bx + cx2 : S(a + bx + cx2 ) = 0 = fa + bx + cx2 : (a + bx + cx2 )0 (0) = 0g =

a + bx + cx2 : (b + 2cx)(0) = 0 = a + cx2 : a; c 2 R = espacio(1; x2 ).
ii) Im(S) = fS(a + bx + cx2 ) : a; b; c 2 Rg = f(b + 2cx)(0) : b; c 2 Rg = fb : b 2 Rg = espacio(1).

b. Se resuelve de forma similar y se obtiene:

i) nucleo(T ) = fa + bx + cx2 : a 2 R, b = c = 0g = espacio(1).

ii) Im(T ) = fbx + 2cx2 : b; c 2 Rg = espacio(x; x2 ).

Teorema 1 Sea T : V ! W una transformacin lineal. Entonces,

1. El ncleo de T es un subespacio de V .
2. La imagen de T es un subespacio de W .

Denicin 2 Sea T : V ! W una transformacin lineal. El rango de T es la dimensin de la imagen

de T y se denotar por rango(T ). La nulidad de T es la dimensin del ncleo de T y se denota como
nulidad(T ).

1
Ejemplo 2 Halle el rango y la nulidad de las transformaciones lineales del Ejemplo 1.
Solucin:
a. nulidad(S)=2 y rango(S)=1
b. nulidad(T )=1 y rango(T )=2
Teorema 2 Sea T : V ! W una transformacin lineal y sea = fv1 ; v2 ; :::; vn g un conjunto generador
para V entonces T ( ) = fT (v1 ); T (v2 ); :::; T (vn )g es un conjunto generador para la imagen de T .
Denicin 3 Sea T : V ! W una transformacin lineal.
1. T se denomina inyectiva si, para todo u y v en V tales que T (u) = T (v) implica que u = v.
2. T se denomina sobreyectiva si Im(T ) = W . Es decir, si para todo w 2 W existe v 2 V tal que
T (v) = w.
Teorema 3 Una transformacin lineal T : V ! W es inyectiva si y slo si nucleo(T ) = f0g.
Ejemplo 3 Son las transformaciones lineales del Ejemplo 1 inyectivas? sobreyectivas?
Solucin: No. Como nucleo(S) 6= f0g, S no es inyectiva, y como Im(S) 6= R, entonces S tampoco es
sobreyectiva.
Como nucleo(T ) 6= f0g y Im(T ) 6= P2 , entonces T no es ni inyectiva ni sobreyectiva.
Ejemplo 4 Determine si la transformacin lineal T : Mn n ! Mn n, T (A) = AT es inyectiva:
Solucin: Puesto que nucleo(T ) = fA 2 Mn n : T (A) = 0g = A 2 Mn n : AT = 0 = f0g, en-
tonces T es inyectiva.
Teorema 4 Sea T : V ! W una transformacin lineal inyectiva. Si = fv1 ; v2 ; :::; vk g es un conjunto
linealmente independiente en V , entonces T ( ) = fT (v1 ); T (v2 ); :::; T (vk )g es un conjunto linealmente
independiente en W .
Teorema 5 Sean V y W espacios vectoriales tales que dim(V ) = dim(W ). Sea T : V ! W
una transformacin lineal inyectiva. Si = fv1 ; v2 ; :::; vn g es una base para V , entonces T ( ) =
fT (v1 ); T (v2 ); :::; T (vn )g es una base para W .
Teorema 6 Una transformacin lineal T : V ! W es invertible si y slo si es inyectiva y sobreyectiva.
Ejemplo 5 Determine si la transformacin lineal T : Mn n ! Mn n, T (A) = A AT es invertible.
Solucin: Puesto que
nucleo(T ) = fA 2 Mn n : T (A) = 0g = A 2 Mn n :A AT = 0 = A 2 Mn n : AT = A 6= f0g
entonces T no es inyectiva y por tanto no es invertible.
Ejemplo 6 Es la transformacin lineal T : M2 2 ! R4 , donde
2 3
a
a b 6 b 7
T =6
4 c 5,
7
c d
d
invertible?
Solucin: Por un lado nucleo(T ) = f0g, es decir, T es inyectiva. Por otro lado dim(M2 2) =4=
dim(R4 ), entonces T es sobreyectiva. Con lo que T es invertible.

2
 Isomorsmo de espacios vectoriales

Clase 25

Resumen
En esta seccin describiremos lo que signica que dos espacios vectoriales sean esencialmente el
mismo.

1 Isomorsmo de espacios vectoriales

Denicin 1 Una transformacin lineal T : V ! W se denomina isomorsmo si es inyectiva y
sobreyectiva (invertible). Si V y W son dos espacios vectoriales tales que exista un isomorsmo de V
a W , entonces decimos que V es isomorfo a W y escribimos V = W .
Teorema 1 Sean V y W espacios vectoriales de dimensin nita. Entonces V es isomorfo a W si y
slo si dim(V ) = dim(W ).

1.1 Algunos ejemplos sobre isomorsmos

Ejercicio 1 Sea T : P2 ! P2 , una transformacin lineal tal que T (1) = 1 x, T (x) = 1 + x y
T (x2 ) = 1 + x + x2 .
a. Para p = 2 3x + 5x2 halle T (p).
b. Encuentre nucleo(T ).
c. Encuentre Im(T ).
d. Es T inyectiva? Es T sobreyectiva? Es T isomorsmo?
Ejercicio 2 Diga si las parejas de espacios vectoriales dados a continuacin son isomorfos o no.
a. V = M2 2 y W = P3 .
b. V = fp 2 P3 : p(0) = 0g y W = R3 .
c. V = fp 2 P3 : p0 (0) = 0g y W = fp 2 P3 : p00 (0) = 0g.
d. V = P3 y W = R3 .

2 La matriz de una transformacin lineal

Teorema 2 Sean V y W espacios vectoriales de dimensin nita con bases y C, respectivamente,
donde = fv1 ; v2 ; :::; vn g. Si T : V ! W es una transformacin lineal, entonces la matriz
A= [T (v1 )]C [T (v2 )]C [T (v3 )]C
satisface
A [v] = [T (v)]C , para todo v 2 V .

1
Denicin 2 La matriz del teorema anterior se conoce como la matriz de T con respecto a las bases
y C. Si V = W y = C, entonces A se llamar la matriz de T con respecto a la base .

2.1 Algunos ejemplos sobre la matriz de una transformacin lineal

8 u1 u2 9
>
>z }| { z }| {>
>
< =
p(0) 1 1
Ejemplo 1 Sea T : P2 ! R2 , tal que T (p(x)) = . Sean = 1; x; x2 yC= ;
p(1) >
> 0 1 > >
: ;
bases para P2 y R2 respectivamente.

a. Halle la matriz de la transformacin T con respecto a las bases y C.

b. Sea p(x) = 2 + 3x x2 . Exprese el vector T (p(x)) como combinacin lineal de los vectores de la
base C.
c. Puede ser T un isomorsmo?
Solucin:
a. Por denicin
0 1 1
[P ]C = [T (1)]C [T (x)]C T (x2 ) C
= :
1 1 1

b. Por el Teorema 2,
2 3
2
0 1 1 4 3+1 2
[T (p(x))]C = [P ]C [p(x)] = 3 5= = :
1 1 1 2+3 1 4
1

Por tanto, T (p(x)) = 2u1 + 4u2 .

c. No, ya que dim(P2 ) = 3 6= 2 = dim(R2 ).

Ejemplo 2 Sea W = espacio(cos(x); sin(x); x cos(x); x sin(x)) y la transformacin lineal D : W ! W ,

denida por D(f ) = f 0 .

a. Encuentre la matriz de D con respecto a la base = fcos(x); sin(x); x cos(x); x sin(x)g.

b. Calcule la derivada de f (x) = cos(x) + 2x cos(x) utilizando la matriz [D] .
Solucin:
a. Puesto que D(cos(x)) = sin(x), D(sin(x)) = cos(x), D(x cos(x)) = cos(x) x sin(x) y D(x sin(x)) =
sin(x) + x cos(x), entonces 2 3
0 1 1 0
6 1 0 0 1 7
[D] = 6 4 0 0
7.
0 1 5
0 0 1 0

b. Por Teorema 2
2 32 3 2 3
0 1 1 0 1 2
6 1 0 0 1 7 6 0 7 6 1 7
[D(f (x))] = [D] [f (x)] = 6
4
76 7=6 7;
0 0 0 1 54 2 5 4 0 5
0 0 1 0 0 2

con lo que f 0 (x) = 2 cos(x) sin(x) 2x sin(x).

2
Ejemplo 3 Sean V y W espacios vectoriales con bases = fv1 ; v2 ; v3 g y C = fw1 ; w2 ; w3 g ; respecti-
vamente, tales que la matriz de T con respecto a y C es
2 3
1 1 1
A = 42 2 25 .
3 3 3

a. Halle [T (2v1 + 2v2 + 3v3 )]C .

b. Halle T (v1 ), T (v2 ) y T (v3 ).
c. Es T inyectiva?
Solucin:
a. Por Teorema 2,
3 2 2 32 3 2 3
2 1 1 1 2 7
[T (2v1 + 2v2 + 3v3 )]C = [T ]C [2v1 + 2v2 + 3v3 ] = A 4 2 5 = 42 2 25 4 2 5 = 4 14 5 :
3 3 3 3 3 21

2 3
1 1 1
b. Por denicin, [T ]C = [T (v1 )]C [T (v2 )]C [T (v2 )]C = 42 2 25, con lo que:
3 3 3
2 3
1
[T (v1 )]C = 425 , T (v1 ) = w1 + 2w2 + 3w3
3
2 3
1
[T (v2 )]C = 425 , T (v2 ) = w1 + 2w2 + 3w3
3
2 3
1
[T (v3 )]C = 425 , T (v3 ) = w1 + 2w2 + 3w3
3

c. No, ya que v1 6= v2 , pero T (v1 ) = w1 + 2w2 + 3w3 = T (v2 ).

Ejemplo 4 Sea T : P3 ! P2 una tranformacin lineal tal que T (1) = 1 + x, T (x) = x + x2 , T (x2 ) =
1+x2 y T (x3 ) = 1+x+x2 . Sean = 1; x; x2 ; x3 y C = 1; x; x2 bases para P3 y P2 respectivamente.

a. Encuentre el ncleo y la imagen de T .

b. Halle el rango y la nulidad de T .
c. Para p = 2 3x + 5x2 halle T (p).
d. Halle la matriz de T con respecto a las bases y C.
Solucin:
a. Por denicin nucleo(T ) = a + bx + cx2 + dx3 : T (ax + bx + cx2 + dx3 ) = 0 , reemplazando ob-
tenemos que

nucleo(T ) = a + bx + cx2 + dx3 : a(1 + x) + b(x + x2 ) + c(1 + x2 ) + d(1 + x + x2 ) = 0

= a + bx + cx2 + dx3 : (a + c + d) + (a + b + d)x + (b + c + d)x2 = 0 .

3
 Ahora bien, f1; x; x2 g es un conjunto linealmente independiente, por lo tanto a + c + d = 0,
d
(a+b+d) = 0 y (b+c+d) = 0. Resolviendo este sistema homogneo se tiene que a = b = c = .
2
Reemplazando

d
nucleo(T ) = a + bx + cx2 + dx3 : a = b = c =
2
d d d
= + x+ x2 + dx3 : d 2 R
2 2 2
d
= (1 + x + x2 2dx3 ) : d 2 R = espacio(1 + x + x2 2dx3 ).
2

Por tanto nulidad(T )=1.

b. Puesto que nulidad(T ) + rango(T ) = dim(P3 ) = 4, entonces rango(T ) = 3 = dim(P2 ) y puesto
que rango(T ) P2 , entonces Im(T ) = P2 .
2 3
1 0 1 1
c. Por denicin [T ]C = [T (1)]C [T (x)]C T (x2 ) C T (x3 ) C = 4 1 1 0 1 5.
0 1 1 1

4
 Matrices de transformaciones lineales compuestas e inversas.
Cambio de base y semejanza.

Clase 26

1 Matrices de transformaciones lineales compuestas e inversas

Teorema 1 Sean U; V y W espacios vectoriales de dimensin nita con bases , C y D, respectiva-
mente. Sean T : U ! V y S : V ! W transformaciones lineales. Entonces

[S T ]D = [S]D C [T ]C .

Ejemplo 1 Sean T : P2 ! M2 2 (R) y S : M2 2 (R) ! P3 transformaciones lineales denidas por

1 0 0 1 0 0
T (1) = , T (x) = , T (x2 ) = , S(E11 ) = 1 + x, S(E12 ) = x + x2 + x3 ,
0 0 0 0 0 1
S(E21 ) = x2 + x3 y S(E22 ) = 1 + x + x2 .

a b
1. Halle T (a + bx + cx2 ) y S :
c d

2. Si = f1; x; x2 g, C = fE11 ; E12 ; E21 ; E22 g y D = f1; x; x2 ; x3 g son bases para P2 , M2 2 (R) y P3
respectivamente, halle:

(a) [T ]C .
(b) [S]D C.
(c) [S T ]D .

Solucin:
1 0 0 1 0 0 a b
1. T (a+bx+cx2 ) = aT (1)+bT (x)+cT (x2 ) = a +b +c = . De
0 0 0 0 0 1 0 c
a b
la misma forma se muestra que S = a(1+x)+b(x+x2 +x3 )+c(x2 +x3 )+d(1+x+x2 ) =
c d
(a + d) + (a + b + d)x + (b + c)x2 + (b + c)x3 .
2 3
1 0 0
6 0 1 0 7
2. (a) [T ]C =64 0 0 0 5.
7

0 0 1
2 3
1 0 0 1
6 1 1 0 1 7
(b) [S]D C = 6 4 0 1 1 1 5
7

0 1 1 0

1
 2 32 3 2 3
1 0 0 1 1 0 0 1 0 1
6 1 1 0 1 7 6 0 1 0 7 6 1 1 1 7
(c) [S T ]D = [S]D [T ]C =6
4 0
76 7=6 7.
C 1 1 1 54 0 0 0 5 4 0 1 1 5
0 1 1 0 0 0 1 0 1 0

Teorema 2 Sea T : V ! W una transformacin lineal entre espacios vectoriales de dimensin n y

sean y C bases para V y W respectivamente. Entonces, T es invertible si y slo si la matriz [T ]C
es invertible. En este caso,
1
1
T C
= [T ]C .

dw(x)
Ejemplo 2 Sea W = espacio(e2x cos x; e2x sin x) y sea T : W ! W tal que T (w(x)) = dx .

1. Halle [T ] con respecto a la base = fe2x cos x; e2x sin xg.

2. Es T invertible? en caso armativo halle T 1 .
R R
3. Halle (e2x cos x 2e2x sin x)dx, usando el hecho de que T 1
(v(x)) = v(x)dx.

Solucin:
2 1
1. [T ] = [T (e2x cos(x))] [T (e2x sin(x))] = .
1 2
1 1
R 1
2. Si, ya que det([T ] ) = 5 6= 0. T : W ! W , donde T (v(x)) = v(x)dx. Adems T =
1 1 2 1
[T ] = .
5 1 2

1 1 2 1 1
3. Puesto que T (e2x cos x 2e2x sin x) = [T 1
] [(e2x cos x 2e2x sin x)] = =
5 1 2 2
1 4
. Con lo que
5 3
Z
1 2x
(e2x cos x 2e2x sin x)dx = T 1
(e2x cos x 2e2x sin x) = (4e cos x 3e2x sin(x)).
5

1.1 Cambio de base y semejanza

0
Teorema 3 Sea V un espacio vectorial de dimensin nita con bases y y sea T : V ! V una
transformacin lineal. Entonces
[T ] 0 = P 1 [T ] P ,
0
donde P es la matriz de cambio de base de a .

Ejemplo 3 Sea T : P2 ! P2 una tranformacin lineal tal que T (1) = 1, T (x) = x x2 y T (x2 ) =
x + x2 . Halle una base 0 tal que [T ] en la base 0 sea diagonal.
2 3
1 0 0
Solucin: Sea = f1; x; x2 g, entonces [T ] = 4 0 1 1 5. El polinomio caracterstico de [T ]
0 1 1
es x3 3x2 +2x = x (x
82 39 1) (x 2). Los valores propios
82 de [T ] son 1 = 0, 2 = 1 y832 = 2. 3
39 Una
9
< 0 = < 1 = < 0 =
base para E0 es 4 1 5 ; una base para E1 es 4 0 5 y una base para E2 es 4 1 5 .
: ; : ; : ;
1 0 1

2
 Puesto que la unin de estas tres bases es un conjunto formado por tres elementos y la matriz
[T ] es de orden 3, entonces dicha matriz es diagonalizable y si tomamos
2 3 2 3
0 1 0 0 0 0
P =4 1 0 1 5 y D = 4 0 1 0 5,
1 0 1 0 0 2
1 0
entonces P [T ] P = D. Sea = fx + x2 ; 1; x + x2 g, entonces P 0 = P y por tanto
1
[T ] 0 =P [T ] P = D.

Denicin 1 Sea V un espacio vectorial de dimensin nita y sea T : V ! V una transformacin

lineal. T se denomina diagonalizable si existe una base 0 para V tal que la matriz [T ] en dicha base
es diagonal.

Teorema 4 Sea T : V ! V una transformacin lineal y sea una base de V . T es diagonalizable si

y slo si [T ] es diagonalizable. En este caso si P es una matriz invertible y D es una matriz diagonal
tal que P 1 [T ] P = D al tomar 0 la base de V tal que P 0 = P obtenemos que [T ] 0 = D.

3
Comandos de MATLAB para lgebra Lineal
Semestre 01/2009 Escuela de Matemticas
Cdigo 1000 003 Facultad de Ciencias

Instruccin Accin

A = [a11 ,a12 ,...,a1n ; a21 ,a22 ,...,a2n ; crea una matriz m n y la nombra como A:
...; am 1 ,am 2 ,...,am n ] Nota. Las comas se pueden substituir por espacios.
Los puntos y comas separan las las de A.

x + y calcula la suma vectorial x + y.

c*x calcula el producto escalar cx.
norm (x) calcula la norma de x.
dot (x, y) calcula el producto punto entre x e y.
cross (x, y) calcula el producto cruz entre x y y.

eye(n) produce la matriz identidad de orden n.

ones(m, n) produce la matriz de 1s de tamao m n.
zeros(m, n) produce la matriz de 0s de tamao m n.
rand(m, n) produce una matriz aleatoria m n con entradas en (0; 1).
diag ( [a, b, c ] ) construye una matriz diagonal con entradas a, b y c.

A ( i, :) genera la la i-sima de A.
A ( :, j ) genera la columna j-sima de A.
A ( :, [ m, n, k ] ) genera la columnas m, n y k de A.
triu ( A ) genera la parte triangular superior de A.
tril ( A ) genera la parte triangular inferior de A.
diag ( A ) genera la diagonal de A:

[ A b ] genera la matriz aumentada A j b.

rref ( A ) reduce A mediante la eliminacin Gauss-Jordan.

A + B calcula la suma matricial A + B:

c*A calcula el producto escalar cA:
A*B calcula el producto matricial AB (si est denido)
A genera la transpuesta de A:
A^k calcula Ak .
inv( A ) calcula la inversa de A.
det( A ) calcula el determinante de A:
poly( A ) genera los coecientes de pA ( ) = an n + + a1 + a0 en el orden:
an ; : : : ; a1 ; a0 :
eig( A ) calcula los valores propios de A:
[ P D ] = eig( A ) calcula vectores y valores propios de A.
Nota. Si A es simtrica entonces P es ortogonal.

null( A, r ) genera una base racional (no ortogonal) para nul (A) :
null( A ) genera una base ortogonal para nul (A) :
[ Q R ] = qr( A ) produce la factorizacin QR de A.

[ L U ] = lu( A ) produce (de existir) la factorizacin LU de A.

[ L U P ] = lu( A ) produce la factorizacin P A = LU de A, si A no factoriza LU:

whos describe las variables que han sido utilizadas.

format rat Formato de nmeros racional.
format long, format short Formato de nmeros con 15 y 5 dgitos decimales, respectivamente.
 Distribucin de comandos por clase

Clase # Comando de MATLAB

1. Formato corto, largo, racional (format short, format long, format rat)
2. Cmo entrar vectores.
1 3. Operaciones con vectores.
4. Norma.
5. Producto punto.

1. Cmo entrar matrices.

2 2. Matriz aumentada.
3. Reduccin Gauss-Jordan.

1. Potencias de una matriz

6 2. Operaciones con matrices.
3. Transpuesta.
4. Cmo generar matrices aleatorias, matrices de unos, ceros y la identidad.

7 1. Clculo de la inversa.

10 1. Espacio Nulo de una matriz.

1. Determinantes.
13 2. Valores propios ( null(A,r) )
3. Vectores propios.

1. Factorizacin QR.
18 2. Hallar valores y vectores propios con el comando [P D] = eig(A).