Álgebra

Lineal
Apuntes

1
Algebra Lineal forma parte del plan común de ingeniería, la asignatura
complementa y da sustento a las diversas disciplinas de la ingeniería, lo que
permite alcanzar las competencias definidas en cada especialidad. Es una
asignatura teórico orientado al desarrollar el pensamiento analítico frente a
problemas de sistemas de ecuaciones lineales y de rectas y planos en el espacio

Estos apuntes les permiten a los estudiantes del primer año de ingeniería, contar
con una herramienta pedagógica que le sirva como apoyo para profundizar y
consolidar los conocimientos adquiridos en la cátedra. Este apunte es un apoyo la
actividad académica y será complemento a las actividades de cátedras y
ayudantías.

Este material ha sido elaborado seleccionando información relevante de

diferentes textos y páginas de internet, que el alumno fácilmente puede encontrar
en la web. Al final de estos apuntes se señalan los sitios que se usaron como guía

2
 Unidad 1- Matrices sistema de ecuaciones

1.1 Matrices, tipos de matrices 6

Igualdad de matrices 7
Tipos de matrices 8

1.2 Operaciones con matrices 11

Trasposición 11
Suma y diferencia 11
Producto de una matriz por un número real 12
Producto de matrices 13

1.3 Matriz inversa 16

Método directo 16
Método de Gauss-Jordan 19

1.4 Rango de una matriz 22

Cálculo del rango por el método de Gauss 22

1.5 Determinantes 25
Cálculo de determinantes de orden 2 y 3 25
Cálculo de un determinante de orden 𝑛 27
Matriz complementaria 27
Menor complementario 27
Cofactor de un elemento de una matriz cuadrada 27
Matrices de cofactores 29
Propiedades básicas de los determinantes 31
Reducción del orden de un determinante 33
Cálculo de la matriz inversa por determinantes 35

1.6 Sistemas de ecuaciones lineales 36

Expresión matricial de un sistema 36
Tipos de sistemas 37
Teorema de Rouché-Fröbenius 37

1.7 Resolución de un sistema de ecuaciones lineales 39

Regla de Cramer 39
Método de la matriz inversa 40
El Jacobiano 42

1.8 Problemas resueltos 44

3
 Unidad 2- Espacios vectoriales

2.1 Magnitudes escalares y vectoriales 55

Magnitudes escalares 55
Magnitudes vectoriales 55

2.2 Vectores 56
Componentes de un vector 57
Tipos de vectores 58

2.3 Vectores en R2 y R3 59
Vectores en ℝ2 60
Vectores en ℝ3 61
Vectores en ℝ𝒏 62

2.4 Norma - Distancia - Vectores unitarios - Producto escalar 64

Norma o Longitud de un vector 64
Distancia 65
Vectores unitarios 66
Vectores constituyentes de un vector 68
Producto escalar o producto punto 69

2.5 Paralelismo y perpendicularidad entre vectores 72

2.6 Proyecciones, ángulos directores, producto cruz 74

Proyecciones Ortogonales 74
Proyección escalar 74
Vector proyección 76
Componente ortogonal 77
Ángulos directores 79
Producto vectorial o producto cruz 81

2.7 Rectas y planos en ℝ𝟑 84

Ecuaciones de la recta 84
Ecuación vectorial de la recta 84
Ecuación en forma paramétrica 85
Ecuación en forma continua 85
Ecuación en forma cartesiana o implícita 86
Intersección entre rectas 87
Ecuaciones del plano 88
Ecuación en forma vectorial 88
Ecuación en forma paramétrica 89
Ecuación en forma general 89
Ecuación normal 90
4
 Intersección entre una recta y un plano 92
Distancia entre un punto y un plano 93
Ejercicios 95

2.8 Definición de espacio vectorial, subespacios 98

Espacio vectorial 98
Subespacio 101
Intersección de subespacios 105
Suma de subespacios 105
Subespacios ortogonales 108
Vector ortogonal a un subespacio 108
Subespacios ortogonales 108
Complemento ortogonal 109

2.9 Dependencia e independencia lineal 111

2.10 Base y dimensión 115

Base 115
Dimensión 116

2.11 Espacio con producto interno 119

2.12 Construcción con base ortogonal 121

Vector unitario 121
Vectores ortogonales 121
Proceso de ortogonalización de Gram-Schmidt 126

5
 Unidad 3- Transformaciones Lineales

3.1 Transformación lineal, propiedades 130

Transformación lineal 130
Propiedades 136

3.2 Núcleo, imagen, nulidad y rango 136

Núcleo e Imagen de una transformación lineal 136
Procedimiento para obtener el núcleo de una transformación lineal 137
Procedimiento para obtener el recorrido de una transformación lineal 137
Nulidad y Rango de una transformación lineal 144
Teorema de la dimensión 144

3.3 Isomorfismo 151

Transformación lineal inyectiva 151
Transformación lineal sobreyectiva 151
Isomorfismo 151
Espacios vectoriales isomorfos 151

3.4 Matriz asociada a una transformación lineal 154

Matriz asociada con una transformación lineal 155
y referida a dos bases 𝐴 𝑦 𝐵 cualesquiera
Procedimiento para determinar la matriz 155
asociada con la transformación lineal
Procedimiento para determinar la regla de 156
correspondencia de una transformación lineal

3.5 Cambio de base 171

Referencias 174

6
Unidad 1- Matrices sistema de ecuaciones

1.1 Matrices, tipos de matrices

Se llama matriz a todo conjunto rectangular de números reales ordenados en líneas

horizontales (filas) y verticales (columnas) de la forma:

𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 ←

𝑎21 𝑎22 𝑎23 … 𝑎2𝑛 ←
𝐴= . . . … . ← 𝑓𝑖𝑙𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴
. . . … . ←
[𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 … 𝑎𝑚𝑛 ] ←}

Columnas de la matriz A

En forma abreviada se puede expresar 𝐴 = [𝑎𝑖𝑗 ], 𝑐𝑜𝑛 𝑖 = 1, 2, … , 𝑚; 𝑗 = 1, 2, … , 𝑛. Cada

elemento de la matriz lleva dos subíndices que indican la posición del elemento dentro de la
matriz. El primero de ellos "𝑖", indica la fila en la que se encuentra el elemento, y el segundo,"𝑗",
la columna. Así el elemento 𝑎34 está en la fila 3 y columna 4. Las matrices siempre se
representarán con letras mayúsculas.

Ejemplo:
3 2 1 4
𝐵 = [3⁄4 −1 − 1⁄3 2]
0 5 2⁄5 −2

𝐵 es una matriz que tiene 3 filas y 4 columnas, diremos que su tamaño es 3 x 4.

En general, si una matriz A tiene m filas y n columnas, diremos que su tamaño o DIMENSIÓN es
𝑚 × 𝑛 (𝑠𝑒 𝑙𝑒𝑒 m por n), siempre en primer lugar el nº de filas y en segundo lugar el de
columnas.

7
Igualdad de matrices

Dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan igual
posición son iguales.

dim(𝐴) = dim(𝐵)
𝐴 = 𝐵⇔{
𝑎𝑖𝑗 = 𝑏𝑖𝑗

Ejemplo:

1. Sean las matrices 𝐴 𝑦 𝐵 , donde:

9 𝑎 9 𝑎
𝐴(2𝑋2) = [ ] 𝐵(2𝑋2) = [ ] Entonces 𝐴 = 𝐵
−3 2 −3 2

3 −2 0 𝑥 −2 𝑦
2. 𝐶2𝑋3 = [ ] 𝐷2𝑋3 = [ ]
𝑎 1 2 4 𝑧 2

Las matrices 𝐶 𝑦 𝐷 serán igual si 𝑥 = 3, 𝑦 = 0, 𝑎 = 4 𝑦 𝑧 = 1.

(Observe que 𝐶 𝑦 𝐷 no necesitan tener una forma cuadrada o simétrica).

8
Tipos de matrices

Podemos distinguir algunos tipos particulares de matrices, dependiendo de su forma o como

son sus elementos:

Según la forma

Matriz columna: Es una matriz que tiene una sola columna, es decir, 𝑛 = 1 y por lo tanto su
dimensión es 𝑚𝑥1.

3
Ejemplo: 𝐴(3𝑋1) = [ 4 ]
−8

Matriz fila: Es una matriz que sólo tiene una fila, es decir 𝑚 = 1 y por lo tanto su dimensión es
1𝑥𝑛. 𝐴 = (𝑎11 𝑎12 … 𝑎1𝑛 ).

Ejemplo: 𝐴(1𝑥3) = [1 2 −3]

Matriz cuadrada: Es aquella que tiene el mismo número de filas que de columnas, es decir 𝑚 =
𝑛 y su dimensión es 𝑛𝑥𝑛. En estos casos, preferentemente y aunque es lo mismo, se dice que la
matriz cuadrada es de orden 𝑛, y no 𝑛𝑥𝑛.
El conjunto formado por los elementos 𝑎𝑖𝑖 se llama diagonal principal de la matriz cuadrada, y
el conjunto de los elementos 𝑎𝑖𝑗 con 𝑖 + 𝑗 = 𝑛 + 1, se llama diagonal secundaria.

1 3 0
Ejemplo: 𝐴(3𝑥3) = [−2 5 4 ]
3 7 9

La matriz 𝐴 es cuadrada de tamaño 3𝑥3 o simplemente de orden 3. La diagonal principal está

formada por [1 5 9] y la diagonal secundaria por [0 5 3]

Matriz traspuesta: Dada una matriz 𝐴, se llama traspuesta de 𝐴 y se representa por 𝐴𝑡 , a la

matriz que se obtiene de 𝐴 cambiando filas por columnas o viceversa. La primera fila de 𝐴 es la
primera columna de 𝐴𝑡 , la segunda fila de 𝐴 es la segunda columna de 𝐴𝑡 y así sucesivamente.
Es evidente que si 𝐴 es de dimensión 𝑚𝑥𝑛, entonces 𝐴𝑡 es de dimensión 𝑛𝑥𝑚.

3 1
3 −2 5
Ejemplo: 𝐴(2𝑥3) = [ ] entonces 𝐴𝑡 (3𝑥2) = [ −2 0]
1 0 −7
5 −7

9
Matriz simétrica: Una matriz cuadrada 𝐴 es simétrica si 𝐴 = 𝐴𝑡 , es decir, si 𝑎𝑖𝑗 = 𝑎𝑗𝑖

3 1 4 3 1 4
Ejemplo: 𝐴 = [ 1 0 −2 ] 𝐴𝑡 = [ 1 0 −2 ]
4 −2 √6 4 −2 √6

Matriz antisimétrica: Una matriz cuadrada 𝐴 es antisimétrica si 𝐴 = −𝐴𝑡 , es decir 𝑎𝑖𝑗 = −𝑎𝑗𝑖 .

0 1 3 0 −1 −3 0 1 3
Ejemplo: 𝐴 = [ −1 0 −2 ] 𝐴𝑡 = [ 1 0 2 ] −𝐴𝑡 = [ −1 0 −2 ]
−3 2 0 3 −2 0 −3 2 0

Según los elementos

Matriz nula: Es aquella en que todos sus elementos son cero y se representa por 0.

0 0 0
Ejemplo: 0 = [0 0 0]
0 0 0

Matriz diagonal: Es una matriz cuadrada que tiene todos sus elementos nulos salvo los de la
diagonal principal.

1 0 0
Ejemplo: 𝐴 = [ 0 −3 0 ]
0 0 7
Matriz escalar: Es una matriz diagonal (por ende, una matriz cuadrada) en la que todos los
elementos de la diagonal principal son iguales.

5 0 0 1 0 0
Ejemplo: A=[ 0 5 0 ]=5 [ 0 1 0 ] = 5𝐼
0 0 5 0 0 1
Matriz unidad o identidad: Es una matriz escalar con los elementos de la diagonal principal
iguales a 1. Se denota por el símbolo 𝐼 ó 𝐼𝑛 , donde 𝑛 es el orden de la matriz.

1 0 0
1 0
Ejemplo: 𝐼2 = [ ] 𝐼3 = [ 0 1 0 ]
0 1
0 0 1

10
Matriz Triangular: Es una matriz cuadrada en la que todos los elementos que están a un mismo
lado de la diagonal principal son nulos. Las matrices triangulares pueden ser de dos tipos:

Triangular Superior: Si todos los elementos que están por debajo de la diagonal principal son
nulos. Es decir, 𝑎𝑖𝑗 = 0 𝑠𝑖 𝑖 > 𝑗.

Triangular Inferior: Si todos los elementos que están por encima de la diagonal principal son
nulos. Es decir, 𝑎𝑖𝑗 = 0 𝑠𝑖 𝑖 < 𝑗.

Ejemplos:

Triangular Superior Triangular Inferior

3 0 3 1 3 0 0 0
𝐴(4𝑋4) =[ 0 −3 −9 25 ] 𝐴(4𝑋4) =[ 4 −3 0 0]
0 0 −8 0 0 2 −8 0
0 0 0 1 1 6 14 1

11
1.2 Operaciones con matrices
Trasposición

Dada una matriz de orden 𝑚𝑥𝑛, 𝐴 = [𝑎𝑖𝑗 ], se llama matriz traspuesta de 𝐴 y se representa por
𝐴𝑡 , a la matriz que se obtiene cambiando las filas por las columnas (o viceversa) en la matriz 𝐴.
Es decir:

𝑎11 ⋯ 𝑎1𝑛 𝑎11 ⋯ 𝑎𝑚1

𝐴=[ ⋮ ⋱ ⋮ ] ⇒ 𝐴𝑡 = [ ⋮ ⋱ ⋮ ]
𝑎𝑚1 ⋯ 𝑎𝑚𝑛 𝑎1𝑛 ⋯ 𝑎𝑚𝑛

Propiedades de la trasposición de matrices

1. Dada una matriz 𝐴, siempre existe su traspuesta y además es única.

2. (𝐴𝑡 )𝑡 = A
3. (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵 𝑡
4. (𝐴 ∙ 𝐵)𝑡 = 𝐵 𝑡 ∙ 𝐴𝑡
5. (𝑘 ∙ 𝐴)𝑡 = 𝑘 ∙ 𝐴𝑡

Suma y diferencia

La suma de dos matrices 𝐴 = [𝑎𝑖𝑗 ], 𝐵 = [𝑏𝑖𝑗 ] de la misma dimensión, es otra matriz 𝐶 =

[𝑐𝑖𝑗 ] de la misma dimensión que los sumandos y con término genérico 𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 .
Por tanto para poder sumar dos matrices estas deben tener la misma dimensión. La suma de
matrices 𝐴 𝑦 𝐵 se denota por 𝐴 + 𝐵.

Ejemplo:
−2 1 4 7
𝐴=[ ] 𝐵=[ ]
3 4 −3 1

Entonces
(−2 + 4) (1 + 7) 2 8
𝐴+𝐵 =[ ]=[ ]
(3 − 3) (4 + 1) 0 5

Propiedades de la suma de matrices

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

12
 3. Elemento neutro: 𝐴 + 0 = 0 + 𝐴 = 𝐴 (0 es la matriz nula)
4. Elemento opuesto: La matriz (– 𝐴), que se obtiene cambiando de signo todos los
elementos de 𝐴, recibe el nombre de matriz opuesta de 𝐴, ya que 𝐴 + (−𝐴) = 0, es
decir: Dos matrices son opuestas cuando su suma es la matriz nula

Gracias a esta última propiedad podemos definir la diferencia de matrices:

Dada dos matrices 𝐴 = [𝑎𝑖𝑗 ], 𝐵 = [𝑏𝑖𝑗 ] de la misma dimensión, se define la diferencia

como 𝐴 − 𝐵 = 𝐴 + (−𝐵) cuyo resultado es la matriz 𝐷 = [𝑎𝑖𝑗 ] con término general 𝑑𝑖𝑗 =
𝑎𝑖𝑗 − 𝑏𝑖𝑗 .

IMPORTANTE: La suma y diferencia de matrices no se puede definir si sus dimensiones son

distintas

Producto de una matriz por un número real

Dada una matriz 𝐴 = [𝑎𝑖𝑗 ] y un número real 𝑘, se define el producto 𝑘 ∙ 𝐴 como otra matriz
𝐵 = [𝑏𝑖𝑗 ] de la misma dimensión que 𝐴 y cuyo término general es: 𝑏𝑖𝑗 = 𝑘𝑎𝑖𝑗 , es decir que:
Para multiplicar un número real por una matriz se multiplican todos y cada uno de los
elementos de la matriz por dicho número.
Evidentemente la misma regla sirve para dividir una matriz por un número real.

Ejemplo:
−2 9 −7
𝑘=2 𝐴=[ ]
4 5 0

Entonces
−2 9 −7 2(−2) 2(9) 2(−7) −4 18 −14
𝑘 ∙ 𝐴 = 2[ ]=[ ]=[ ]
4 5 0 2(4) 2(5) 2(0) 8 10 0

Propiedades del producto de una matriz por un número real (escalar)

1. Distributiva respecto de la suma de matrices: 𝑘 ∙ (𝐴 + 𝐵) = 𝑘 ∙ 𝐴 + 𝑘 ∙ 𝐵

2. Distributiva respecto de la suma de números: (𝑘 + ℎ) ∙ 𝐴 = 𝑘 ∙ 𝐴 + ℎ ∙ 𝐴
3. Asociativa mixta: 𝑘 ∙ (ℎ ∙ 𝐴) = (𝑘 ∙ ℎ) ∙ 𝐴
4. Elemento neutro: 1 ∙ 𝐴 = 𝐴 (𝑒𝑙 1 𝑒𝑠 𝑒𝑙 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑜𝑠 𝑛ú𝑚𝑒𝑟𝑜𝑠 𝑟𝑒𝑎𝑙𝑒𝑠)

Propiedades simplificativas

1. 𝐴 + 𝐶 = 𝐵 + 𝐶 ⇒ 𝐴 = 𝐵
2. 𝑘 ∙ 𝐴 = 𝑘 ∙ 𝐵 ⇒ 𝐴 = 𝐵 𝑠𝑖 𝑘 ≠ 0
3. 𝑘 ∙ 𝐴 = ℎ ∙ 𝐴 ⇒ ℎ = 𝑘 𝑠𝑖 𝐴 ≠ 0
13
Producto de matrices
Hay que tener muy presente que no todas las matrices pueden multiplicarse. “Para multiplicar
dos matrices 𝑨 𝒚 𝑩, es condición imprescindible que el número de columnas de 𝑨 sea igual al
número de filas de 𝑩”.

Una vez comprobado que el producto 𝐴 ∙ 𝐵 se puede realizar, si 𝐴 tiene dimensión 𝑚𝑥𝑛 y 𝐵
dimensión 𝑛𝑥𝑝, entonces el producto 𝐴 ∙ 𝐵 da como resultado una matriz 𝐶 de dimensión 𝑚𝑥𝑝
obtenida de la siguiente manera:

“El elemento que se encuentra en la fila 𝑖 y la columna 𝑗 de la matriz 𝐶 = 𝐴 ∙ 𝐵 se obtiene

multiplicando los elementos de la fila 𝑖 de 𝐴 por la columna 𝑗 de 𝐵 y sumando los resultados”

Ejemplo: Obtener 𝐶 = 𝐴 ∙ 𝐵

0 −4 1
−3 2 1 4
Siendo: 𝐴𝟐𝒙𝟒 = [ ] 𝐵𝟒𝒙𝟑 = 1 −2 1
2 5 3 −2 2 0 2
[3 2 1]

Solución: Primero se comprueba que se pueda realizar el producto 𝐴 ∙ 𝐵. Puesto que el número
de columnas de 𝐴 es igual a número de filas de 𝐵, entonces la operación es factible. La matriz
resultante tendrá la dimensión 2x3, es decir, 2 filas y 3 columnas.

0 −4 1
−3 2 1 4 𝐶 𝐶12 𝐶13
𝐶=[ ] ∙ 1 −2 1 = [ 11 ]
2 5 3 −2 2 0 2 𝐶21 𝐶22 𝐶23
[3 2 1]

El elemento de la fila 1 y columna 1 de 𝐴 ∙ 𝐵 (es decir, 𝐶11 ) proviene de la sumatoria del

producto de un elemento de la fila 1 de 𝐴 por otro elemento de la columna 1 de 𝐵, es decir:

𝑐11 = 𝑎11 ∙ 𝑏11 + 𝑎12 ∙ 𝑏21 + 𝑎13 ∙ 𝑏31 + 𝑎14 ∙ 𝑏41

𝑐11 = (−3) ∙ 0 + 2 ∙ 1 + 1 ∙ 2 + 4 ∙ 3 = 0 + 2 + 2 + 12 = 16

El elemento de la fila 1 y la columna 2 de 𝐴 ∙ 𝐵 (es decir, 𝐶12 ) será igual a la sumatoria del
producto de un elemento de la fila 1 de 𝐴 por otro elemento de la columna 2 de 𝐵:

𝑐12 = 𝑎11 ∙ 𝑏12 + 𝑎12 ∙ 𝑏22 + 𝑎13 ∙ 𝑏32 + 𝑎14 ∙ 𝑏42

𝑐12 = (−3) ∙ (−4) + 2 ∙ (−2) + 1 ∙ 0 + 4 ∙ 2 = 12 − 4 + 0 + 8 = 16

14
El elemento de la fila 1 y la columna 3 de 𝐴 ∙ 𝐵 (es decir, 𝐶13 ) proviene de la sumatoria del
producto de un elemento de la fila 1 de 𝐴 por otro elemento de la columna 3 de 𝐵:

𝑐13 = 𝑎11 ∙ 𝑏13 + 𝑎12 ∙ 𝑏23 + 𝑎13 ∙ 𝑏33 + 𝑎14 ∙ 𝑏43

𝑐13 = (−3) ∙ 1 + 2 ∙ 1 + 1 ∙ 2 + 4 ∙ 1 = −3 + 2 + 2 + 4 = 5

Así, sucesivamente se obtiene:

16 16 5
𝐶2𝑥3 = [ ]
5 −22 11

Propiedades del producto de matrices

1. Asociativa: 𝐴 ∙ (𝐵 ∙ 𝐶) = (𝐴 ∙ 𝐵) ∙ 𝐶
2. El producto de matrices en general no es conmutativo 𝐴 ∙ 𝐵 ≠ 𝐵 ∙ 𝐴
3. Elemento neutro: Será la matriz identidad correspondiente, si 𝐴 es 𝑚𝑥𝑛:

𝐴 ∙ 𝐼𝑛 = 𝐴
𝐼𝑚 ∙ 𝐴 = 𝐴

Si 𝐴 es una matriz cuadrada de orden 𝑛, se tiene: 𝐴 ∙ 𝐼𝑛 = 𝐼𝑛 ∙ 𝐴 = 𝐴.

4. Dada una matriz cuadrada 𝐴 de orden 𝑛, no siempre existe una matriz 𝐵 tal que 𝐴 ∙ 𝐵 =
𝐵 ∙ 𝐴 = 𝐼𝑛 . Si existe dicha matriz 𝐵, se dice que es la matriz inversa de 𝐴 y se representa
por 𝐴−1
5. El producto de matrices es distributivo respecto de la suma: 𝐴 ∙ (𝐵 + 𝐶) = 𝐴 ∙ 𝐵 + 𝐴 ∙ 𝐶

Consecuencias de las propiedades

1. Si A ∙ B = 0 no implica que 𝐴 = 0 ó 𝐵 = 0.
2. Si 𝐴 ∙ 𝐵 = 𝐴 ∙ 𝐶 no implica que 𝐵 = 𝐶.
3. (𝐴 + 𝐵)2 = 𝐴2 + 𝐵 2 + 2𝐴 ∙ 𝐵, ya que 𝐴 ∙ 𝐵 ≠ 𝐵 ∙ 𝐴.
4. (𝐴 + 𝐵) ∙ (𝐴 − 𝐵) = 𝐴2 − 𝐵 2 , ya que 𝐴 ∙ 𝐵 ≠ 𝐵 ∙ 𝐴.

15
Ejemplo: Una compañía tiene 4 fábricas, cada una emplea administradores (𝐴), supervisores
(𝑆) y trabajadores calificados (𝑇) en la forma siguiente:

Tipo de empleado Fábrica 1 Fábrica 2 Fábrica 3 Fábrica 4

Administradores (𝐴) 1 2 1 1
Supervisores (𝑆) 4 6 3 4
Trabajadores (𝑇) 80 96 67 75

Si los administradores ganan $ 350 (𝑃𝐴 ) a la semana, los supervisores $ 275 (𝑃𝑠 ) y los
trabajadores $ 200 (𝑃𝑇 ). ¿Cuál es el monto pagado por cada fábrica?

Solución: El monto pagado por cada fábrica es igual al número de cada empleado por su
respectivo ingreso salarial. Es decir: 𝐼𝑖 = 𝑃𝐴 𝐴𝑖 + 𝑃𝑆 𝑆𝑖 + 𝑃𝑇 𝑇𝑖 , donde 𝐼𝑖 es el monto de la fábrica
𝑖.
Por ejemplo, el monto de la fábrica 1 será: 𝐼1 = 𝑃𝐴 𝐴1 + 𝑃𝑆 𝑆1 + 𝑃𝑇 𝑇1 = 350 ∙ 1 + 275 ∙ 4 +
200 ∙ 80 = 17450.

De la misma manera se pueden obtener fácilmente los 3 montos restantes. Sin embargo, si
hubiera más tipos de empleados o un mayor número de fábricas el cálculo se complicaría.
Existe otra forma para calcular directamente los montos de todas las fábricas. Si multiplicamos
las cantidades de especialistas de cada fábrica por su salario respectivo deberíamos obtener el
monto de cada fábrica. Llevando esto a matrices:

1 2 1 1 350
[ 4 6 3 4 ] [275]
80 96 67 75 200

Sin embargo, esta multiplicación no está definida, ya que la primera matriz es de orden 3x4
mientras que la segunda es de 3x1 (el número de columnas de la primera matriz no coincide con
el número de filas de la segunda matriz). La solución es trasponer la primera matriz y así
obtener una matriz de orden 4x3, de esta forma es posible multiplicar ambas matrices y obtener
una matriz del orden 4x1, con los 4 montos requeridos.

1 4 80 17450
350
[2 6 96] [ ] = [21550]
1 3 67 275 14575
1 4 75 200 16450

Así, los montos de la fábrica 1, 2, 3 y 4 son: $ 17450, $ 21550, $ 14575 𝑦 $16450,

respectivamente.

16
Matriz inversa
Dada una matriz cuadrada de orden 𝑛, se dice que 𝐴 es invertible (o que posee inversa o que es
no singular o que es regular), si existe otra matriz del mismo orden, denominada matriz inversa
de 𝐴, representada por 𝐴−1 , tal que:
𝐴 ∙ 𝐴−1 = 𝐼𝑛

𝐴−1 ∙ 𝐴 = 𝐼𝑛

Si A no tiene inversa, se dice que es singular o no invertible.

Propiedades de la inversión de matrices

1. Si una matriz tiene inversa, dicha matriz inversa es única.

2. (𝐴 ∙ 𝐵)−1 = 𝐵 −1 ∙ 𝐴−1
3. (𝐴−1 )−1 = 𝐴
1 −1
4. (𝑘 ∙ 𝐴)−1 = (𝑘∙𝐴)
5. (𝐴𝑡 )−1 = (𝐴−1 )𝑡

Para calcular la matriz inversa, podemos utilizar dos métodos:

A) Método directo: Consiste en determinar 𝐴−1 planteando un sistema de ecuaciones.

1 2
Ejemplo 1: Si queremos determinar la inversa de la matriz 𝐴 = ( ) lo que buscamos es
−1 1
otra matriz de igual tamaño (orden 2) tal que 𝐴 ∙ 𝐴 = 𝐼2 y 𝐴 ∙ 𝐴 = 𝐼2 , es decir, si 𝐴−1 =
−1 −1
𝑥 𝑦
( ), se tiene que cumplir que:
𝑧 𝑡

1 2 𝑥 𝑦 1 0 𝑥 + 2𝑧 𝑦 + 2𝑡 1 0
𝐴 ∙ 𝐴−1 = 𝐼2 ⟹ ( )∙( )=( )⟹( )=( )
−1 1 𝑧 𝑡 0 1 −𝑥 + 𝑧 −𝑦 + 𝑡 0 1

𝑥 + 2𝑧 = 1
𝑦 + 2𝑡 = 0
{
−𝑥 + 𝑧 = 0
−𝑦 + 𝑡 = 1

Resolviendo este sistema de 4 ecuaciones con 4 incógnitas, se obtiene que:

1 2 1 1
𝑥 = ,𝑦 = − ,𝑧 = ,𝑡 =
3 3 3 3
17
La matriz inversa es:
1⁄3 −2⁄3 1 1 −2
𝐴−1 = ( )= ∙( )
1⁄3 1⁄3 3 1 1

Se puede comprobar que también se cumple que 𝐴−1 ∙ 𝐴 = 𝐼2 , luego 𝐴 es invertible, tiene
inversa. Si el sistema no tiene solución, la matriz no tiene inversa.

1 1
Ejemplo 2: Para el caso en que 𝐴 = ( )
2 2

1 1 𝑥 𝑦 1 0 𝑥+𝑧 𝑦+𝑡 1 0
𝐴 ∙ 𝐴−1 = 𝐼2 ⟹ ( )∙( )=( )⟹( )=( )
2 2 𝑧 𝑡 0 1 2𝑥 + 2𝑧 2𝑦 + 2𝑡 0 1

𝑥+𝑧 =1
𝑦+𝑡 =0
{
2𝑥 + 2𝑧 = 0
2𝑦 + 2𝑡 = 1

Y por ejemplo de 2𝑥 + 2𝑧 = 0 se obtiene 𝑥 = −𝑧, si se sustituye en la primera ecuación es

−𝑧 + 𝑧 = 1, es decir 0 = 1 (imposible). El sistema no tiene solución.

∴ 𝐴 no es invertible, es singular.

Este método directo sólo se suele utilizar para matrices cuadradas de tamaño 2, puesto que
para las de tamaño 3 obtenemos un sistema difícil de resolver.

2 −1
Ejemplo 3: Dada la matriz 𝐴 = ( ) buscar una matriz que cumpla 𝐴 ∙ 𝐴−1 = 𝐼, es decir:
1 1

2 −1 𝑎 b 1 0
( )∙( )=( )
1 1 c 𝑑 0 1

Para ello planteamos el sistema de ecuaciones:

2𝑎 − 𝑐 = 1 (1)
2𝑏 − 𝑑 = 0 (2)
{
𝑎 + 𝑐 = 0 (3)
𝑏 + 𝑑 = 1 (4)

18
De la ecuación (3) despejar 𝑎 en función de 𝑐 (𝑎 = −𝑐) y luego reemplazar en (1) y así
encontrar el valor de 𝑎 𝑦 𝑐.
1
2(−𝑐) − 𝑐 = 1 ⇒ c = −
3
y luego reemplazando en (1) obtenemos
1
𝑎=
3
De la ecuación (4) despejar 𝑏 en función de 𝑑 (𝑏 = 1 − 𝑑) y luego reemplazar en (2) y así
encontrar el valor de 𝑏 𝑦 𝑑.
2
2(1 − 𝑑) − 𝑑 = 0 ⇒ d =
3
y luego reemplazando en (2) obtenemos
1
𝑏=
3

1 1
∴ 𝐴−1 =( 3 3)
1 2
−
3 3

La matriz que se ha calculado realmente sería la inversa por la derecha”, pero es fácil
comprobar que también cumple 𝐴−1 ∙ 𝐴 = 𝐼, con lo cual e realmente la inversa de 𝐴.

19
 B) Método de Gauss-Jordan:

Consiste en hacer transformaciones elementales en las filas de la matriz para llegar a obtener la
matriz identidad. Realizando estas mismas transformaciones con la matriz identidad llegamos a
la matriz 𝐴−1 .

Se llama transformación elemental en una matriz a:

 Multiplicar o dividir una fila por un número real distinto de cero.

 Sumar o restar a una fila, otra multiplicada por un número real no nulo.
 Intercambiar el lugar de dos filas entre sí.

Veamos cómo se aplica el método de Gauss-Jordan

Ejemplo 1: Obtener la inversa de la matriz

1 2
𝐴=( )
−1 1

1° Consideramos la matriz formada por 𝐴 y la matriz identidad correspondiente. En este caso:

(𝐴|𝐼2 ) = ( 1 2|1 0)
−1 1 0 1

2° Se forma la matriz triangular superior (es decir, hacemos ceros por debajo de la diagonal
principal) usando transformaciones elementales en filas.
La mejor forma de realizar esto es hacer cero los elementos por debajo de la diagonal en la
primera columna usando la fila 1. Luego, hacer cero los elementos por debajo de la diagonal en
la segunda columna usando la fila 2, y así sucesivamente.
En nuestro caso, basta sumar la fila 2 con la fila 1, y se obtiene:

𝑓2 +𝑓1 ⟶𝑓2 1 2 1
(𝐴|𝐼2 ) = ( 1 2|1 0) → ( |
0
)
−1 1 0 1 0 31 1

3° Una vez hecha la matriz triangular superior, se hace la matriz triangular inferior, haciendo
ceros a los elementos por encima de la diagonal. El proceso es similar al anterior:

Hacer cero los elementos por encima de la diagonal en la última columna usando la última fila.
Luego, hacer cero los elementos por encima de la diagonal en la penúltima columna usando la
penúltima fila, y así sucesivamente. En este caso:

20
 1 2 1 0 3∙𝑓1 −2∙𝑓2 ⟶𝑓1 3 0 1 −2
( | )→ ( | )
0 30 1 0 31 1

4° Ya tenemos una matriz diagonal. Lo único que falta es dividir a cada fila entre el número
adecuado para obtener unos en la diagonal principal, es decir, para obtener la matriz identidad
en la parte izquierda:

𝑓1 𝑓2
3 0 1 −2 3 ⟶𝑓1 , 3
⟶𝑓2
1 0 1⁄3 −2⁄3
( | )→ ( | )
0 31 1 0 1 1⁄3 1⁄3

5° Una vez se tiene la matriz identidad en la parte de la izquierda, la parte derecha es la matriz
inversa, es decir, llegamos a:

1⁄3 −2⁄3 1⁄3 −2⁄3 1 1 −2

(𝐼2 , 𝐴−1 ) = (1 0| ) ⟹ 𝐴−1 = ( )= ∙( )
0 1 1⁄3 1⁄3 1⁄3 1⁄3 3 1 1

matriz que habíamos obtenido antes por el método directo.

Si al realizar el método de Gauss-Jordan en algún momento alguna fila es de ceros, la matriz

no tiene inversa.

1 1
Ejemplo 2: Si calculamos por este método la inversa de 𝐴 = ( ) obtenemos:
2 2

(𝐴|𝐼2 ) = (1 1 1 0 𝑓2 −2∙𝑓1 ⟶𝑓2 1 1 1 0

| )→ ( | )
2 20 1 0 0 −2 1

Como aparece una fila de ceros, la matriz A no tiene inversa.

Cuanto mayor sea el orden de la matriz, mejor es este método frente al directo.

1 1 0
Ejemplo 3: Calcular la inversa de 𝐵 = (−1 1 2) por el método de Gauss-Jordan.
1 0 1

1 1 01 0 0 𝑓2 +𝑓1 ⟶𝑓2 1 1 01 0 0
(𝐵|𝐼2 ) = (−1 1 2|0 1 0) → (0 2 2|1 1 0)
1 0 10 0 1 1 0 10 0 1

𝑓3 −𝑓1 ⟶𝑓3 1 1 0 1 0 0 2∙𝑓3 +𝑓2 ⟶𝑓3 1 1 0 1 0 0

→ (0 2 2| 1 1 0) → (0 2 2| 1 1 0)
0 −1 1 −1 0 1 0 0 4 −1 1 2
21
2∙𝑓2 −𝑓3 ⟶𝑓2 1 1 0 1 0 0 4∙𝑓1 −𝑓2 ⟶𝑓1 4 0 0 1 −1 2
→ (0 4 0| 3 1 −2) → (0 4 0| 3 1 −2)
0 0 4 −1 1 2 0 0 4 −1 1 2

𝑓1 𝑓2 𝑓3
, , ⟶𝑓1 1 0 0 1⁄4 −1⁄4 2⁄4 1⁄4 −1⁄4 2⁄4
4 4 4 −1 −1
→ (0 1 0| 3⁄4 1⁄4 −2⁄4) = (𝐼3 |𝐵 ) ⟹ 𝐵 = ( 3⁄4 1⁄4 −2⁄4)
0 0 1 −1⁄4 1⁄4 2⁄4 −1⁄4 1⁄4 2⁄4

También se puede expresar, sacando factor común:

1 1 −1 2
𝐵 −1 = ∙( 3 1 −2)
4
−1 1 2

22
Rango de una matriz

El rango de una matriz es “el número de filas o columnas que son linealmente independientes”.
Una fila o columna es linealmente independiente de otra u otras cuando no se puede establecer
una combinación lineal entre ellas.
El concepto de “independencia lineal” lo aprenderemos en la próxima unidad. Es por esto que,
el cálculo del rango de una matriz lo abordaremos utilizando el método de Gauss.

Cálculo del rango por el método de Gauss

El método de Gauss para calcular el rango de la matriz consiste en transformar, mediante

operaciones elementales, la matriz en otra simplificada, de modo que el elemento 𝑎11 sea
distinto de cero, pero todos los de la primera columna que están por debajo sean ceros; el
elemento 𝑎22 también tiene que ser distinto de cero y todos los de la segunda columna
situados por debajo tienen que ser nulos; el elemento 𝑎33 tiene que ser distinto de cero pero
todos los elementos de la tercera columna situados por debajo tiene que ser ceros; y así
sucesivamente. El proceso termina cuando el elemento 𝑎𝑛𝑛 sea distinto de cero y no tenga
otros elementos debajo. Durante el proceso se eliminarán las filas o columnas con todos sus
elementos nulos.
El rango de la matriz 𝑨, representada por 𝑟𝑎𝑛𝑔(𝐴), será el número de filas no nulas de la
matriz resultante, luego de aplicarle el método de Gauss.

Las operaciones elementales que se pueden realizar en una matriz sin que varíe su rango son:

a) Cambiar dos filas o dos columnas.

b) Multiplicar o dividir todos los elementos de una fila o columna por un número real
distinto de cero.
c) Sumarle a una fila (o columna) otra paralela a ella.
d) Sumarle a una fila (o columna) otra paralela a ella multiplicada por un número.
e) Suprimir las filas o columnas cuyos elementos sean todos nulos.
f) Suprimir una fila (o columna) proporcional a otra.

Hay que tener presente, que el rango de cualquier matriz siempre es menor o igual que su
número de filas y de columnas, pues el método de Gauss se puede aplicar indistintamente
mediante operaciones elementales en filas o en columnas.

Propiedades:

1. Si 𝐴 es una matriz de tamaño 𝑚𝑥𝑛 no nula, se cumple que:

1 ≤ 𝑟𝑎𝑛𝑔(𝐴) ≤ 𝑚𝑖𝑛{𝑚, 𝑛}

2. Una matriz cuadrada 𝐴 tiene inversa ⟺ 𝑟𝑎𝑛𝑔(𝐴) es máximo.

23
Ejemplo1:

1 2 3 2∙𝑓2 −𝑓1→𝑓3 1 2 3
𝐴 = (4 5 6) → (4 5 6)
7 8 9 0 0 0

Vemos que 𝑓3 es linealmente dependiente y que 𝑓1 y 𝑓2 son linealmente independientes.

∴ 𝑅𝑎𝑛𝑔 (𝐴) = 2

Ejemplo2: Hallar el rango de A por el método de Gauss:

Solución: El rango máximo es 4 pues aunque esta matriz tiene 5 columnas sólo tiene 4 filas.

1 0 −1 2 3 1 0 −1 2 3
𝑓2 +𝑓3 −𝑓4 →𝑓4 2 −1
A = (2 −1 0 1 3) → ( 0 1 3)
3 −1 −1 3 6 3 −1 −1 3 6
5 −2 −1 4 9 0 0 0 0 0

1 0 −1 2 3
𝑓1 +𝑓2 −𝑓3 →𝑓3 2 −1
→ ( 0 1 3) ∴ 𝑅𝑎𝑛𝑔𝑜 = 2
0 0 0 0 0
0 0 0 0 0

La cuarta fila es la suma de la segunda y tercera; por lo tanto podemos suprimirla. La tercera fila
es la suma de la primera y segunda, es decir, también podemos suprimirla. Nos queda una
matriz con dos filas, por lo tanto el rango es 2.

Ejemplo3: Calcular el rango de las siguientes matrices por el método de Gauss:

0 3 𝑓2 ⇆𝑓1 1 1
a) A = ( )→ ( ) hay dos filas no nulas⇒ 𝑟𝑎𝑛𝑔(𝐴) = 2.
1 1 0 3

1 1 0 𝑓2 −2∙𝑓1→𝑓2 1 1 0 𝑓3 +𝑓1 →𝑓3 1 1 0 𝑓3 +2∙𝑓2 →𝑓3

b) 𝐵 = ( 2 1 1 ) → ( 0 −1 1 ) → (0 −1 1 ) →
−1 1 −2 −1 1 −2 0 2 −2

24
 1 1 0
(0 −1 1) hay dos filas no nulas ⇒ 𝑟𝑎𝑛𝑔(𝐵) = 2.
0 0 0

2 4 6 2∙𝑓2 +𝑓1 →𝑓2 2 4 6

c) 𝐶=( )→ ( ) hay sólo una fila no nula ⇒ 𝑟𝑎𝑛𝑔(𝐶) = 1.
−1 −2 −3 0 0 0

En los ejemplos anteriores podemos observar que el rango de cualquier matriz siempre es
menor o igual que el número de filas de la matriz. Esto permite saber entre qué valores va a
estar ese rango, antes de calcular el rango de una matriz.
Por ejemplo, en el caso b) del ejemplo, como la matriz es 3𝑥3, el rango sólo puede ser 0, 1, 2 ó
3, no hay otras posibilidades.
En el caso c), como la matriz es 2𝑥3, el rango sólo puede ser 0,1 ó 2.

Ejemplo4: Calcular en función de 𝑘 el rango de la matriz:

1 1 2
𝐴=( )
3 3 𝑘

Solución: Aplicando Gauss,

1 1 2 𝑓2 −3∙𝑓1 →𝑓2 1 1 2
𝐴=( )→ ( )
3 3 𝑘 0 0 𝑘−6

Vemos que:
Si 𝑘 − 6 = 0, 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝑠𝑖 𝑘 = 6, la última fila es nula y el rango de 𝐴 es 1,
Si 𝑘 − 6 ≠ 0, 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝑠𝑖 𝑘 ≠ 6, hay 2 filas no nulas y el rango de A es 2.
Resumiendo:

𝑆𝑖 𝑘 ≠ 6, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑅𝑎𝑛𝑔(𝐴) = 2
{
𝑆𝑖 𝑘 = 6, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑅𝑎𝑛𝑔(𝐴) = 1

25
1.5 Determinantes
El determinante es un número real o escalar asociado a una matriz cuadrada, y su cálculo va a
depender del orden de la matriz. Se representa por 𝑑𝑒𝑡(𝐴)

Cálculo de determinantes de orden 2 y 3

Orden 𝟐𝒙𝟐: Se toma el producto de los dos elementos de la diagonal principal y se sustrae del
producto de los elementos de la diagonal secundaria.

𝑎11 𝑎12 𝑎11 𝑎12

𝐴 = [𝑎 𝑎22 ] ⇒ 𝑑𝑒𝑡(𝐴) = |𝑎21 𝑎22 | = 𝑎11 𝑎22 − 𝑎12 𝑎21
21

Orden 𝟑𝒙𝟑:

Regla de Sarrus: Pierre Sarrus (1798-1861) fue un matemático francés que creó un método
para calcular determinantes de orden mayor que 2. En este caso lo vamos a utilizar para calcular
el determinante de una matriz de orden 3.
Consiste en la sumatoria de 3 productos positivos (diagonal principal hacia abajo) con otros 3
negativos (diagonal secundaria hacia abajo). Observemos el esquema para entender el proceso,
vemos que en la parte inferior de tal la matriz se repiten las dos primeras filas

𝑎11 𝑎12 𝑎13

𝑎
Sea la matriz 𝐴 = ( 21 𝑎22 𝑎23 ), la multiplicación de diagonales es:
𝑎31 𝑎32 𝑎33

𝒂𝟏𝟏 𝑎12 𝑎13 𝑎11 𝑎12 𝒂𝟏𝟑

𝒂𝟐𝟏 𝒂𝟐𝟐 𝑎23 𝑎21 𝒂𝟐𝟐 𝒂𝟐𝟑
𝑑𝑒𝑡(𝐴) = 𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 − 𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑
𝑎11 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝟏 𝒂𝟏𝟐 𝑎13
( 𝑎21 𝑎22 𝒂𝟐𝟑 ) (𝒂𝟐𝟏 𝑎22 𝑎23 )

O lo que es igual:

𝑑𝑒𝑡(𝐴) = (𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 ) − (𝑎13 𝑎22 𝑎31 + 𝑎12 𝑎21 𝑎33 + 𝑎11 𝑎23 𝑎32 )

26
Ejemplo1: Usando Sarrus, obtener el determinante de la matriz

−3 1 4
𝐵 = ( 2 −2 0)
−1 6 2
Solución: Primero, se grafica la matriz/determinante, en la cual las dos primeras filas se repiten
en la parte inferior de la matriz,

Caso 1 (por filas)

−3 1 4
( 2 −2 0)
𝑑𝑒𝑡(𝐵) = −1 6 2
−3 1 4
2 −2 0
Luego, se procede a obtener los productos positivos (diagonales del medio hacia abajo). En este
caso, por tratarse de una matriz 3𝑥3, serán 3 productos:

[((−3) ∙ (−2) ∙ 2) + (2 ∙ 6 ∙ 4) + ((−1) ∙ 1 ∙ 0)] = 60.

En seguida los tres productos negativos:

−[((−1) ∙ (−2) ∙ 4) + ((−3) ∙ 6 ∙ 0) + (2 ∙ 1 ∙ 2)] = −12.

Así, el determinante será: 𝑑𝑒𝑡(𝐵) = 60 − 12 = 48

Otra forma es utilizando el método de Sarrus por columnas.

Caso 2 (por columnas)

−3 1 4 −3 1
𝑑𝑒𝑡(𝐵) = ( 2 −2 0) 2 −2
−1 6 2 −1 6
obtenemos los productos positivos:

[((−3) ∙ (−2) ∙ 2) + (1 ∙ 0 ∙ (−1)) + (4 ∙ 2 ∙ 6)] = 60.

luego los productos negativos:

−[((−1) ∙ (−2) ∙ 4) + (6 ∙ 0 ∙ (−3)) + (2 ∙ 2 ∙ 1)] = −12.

𝑑𝑒𝑡(𝐵) = 60 − 12 = 48

27
Cálculo de un determinante de orden 𝒏

Matriz complementaria

Sea 𝐴 = (𝑎𝑖𝑗 ) una matriz cuadrada de orden 𝑛 . Se llama matriz complementaria del elemento
𝑎𝑖𝑗 , a la submatriz que se obtiene de 𝐴 al suprimir todos los elementos de la fila 𝑖 y de la
columna 𝑗 en la que se encuentra el elemento 𝑎𝑖𝑗 . Se designa por 𝑀𝑖𝑗 y, evidentemente, será
una matriz de orden 𝑛 − 1.

Menor complementario

Se llama menor complementario del elemento 𝑎𝑖𝑗 𝑑𝑒 𝐴, al determinante de la matriz

complementaria y se representa por |𝑀𝑖𝑗 |.
Por ejemplo, para el caso de una matriz de orden 3
𝑎 𝑎22
|𝑀13 | = |𝑎21 𝑎32 |
31

Ejemplo2: Sea la matriz

−3 1 4
𝐵 = ( 2 −2 0)
−1 6 2
Los menores que se pueden formar son:

|𝑀11 | = |−2 0| |𝑀13 | = | 2 −2

|𝑀12 | = | 2 0
| |
6 2 −1 2 −1 6

|𝑀21 | = |1 4 |𝑀23 | = |−3 1

| |𝑀22 | = |−3 4| |
6 2 −1 2 1 6

|𝑀31 | = | 1 4| |𝑀32 | = |−3 4| |𝑀33 | = |−3 1

|
−2 0 2 0 2 −2

Cofactor de un elemento de una matriz cuadrada

Se llama cofactor del elemento 𝑎𝑖𝑗 𝑑𝑒 𝐴, y se representa por 𝐴𝑖𝑗 , al menor complementario del
elemento 𝑎𝑖𝑗 multiplicado por +1 ó − 1 dependiendo si la suma de los subíndices del elemento
sea par o impar, es decir:

𝐴𝑖𝑗 = (−1)𝑖+𝑗 |𝑀𝑖𝑗 |

28
En general se puede saber si el cofactor de un elemento es igual a su menor complementario o
tienen signo contrario utilizando una sencilla regla gráfica, por ejemplo, para matrices de orden
3 𝑦 4 se cumple que:

+ − + + − + −
(− + −) (−
+
+
−
−
+
+)
−
+ − + − + − +

donde el + significa que el cofactor es igual a su menor complementario y el - indica que tienen
signo contrario.

Proposición: El determinante de la matriz cuadrada 𝐴 = (𝑎𝑖𝑗 ) es igual a la suma de los

productos obtenidos al multiplicar los elementos de cualquier fila o columna por sus
correspondientes cofactores.

Demostración: (La haremos para los de orden 3)

𝑎11 𝑎12 𝑎13
𝑑𝑒𝑡 𝐴 = |𝑎21 𝑎22 𝑎23 |
𝑎31 𝑎32 𝑎33

aplicando la regla de Sarrus se tiene:

𝑑𝑒𝑡(𝐴) = 𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 − 𝑎13 𝑎22 𝑎31 − 𝑎11 𝑎23 𝑎32 − 𝑎12 𝑎21 𝑎33

Si sacamos factor común los elementos de la primera fila, nos queda:

𝑑𝑒𝑡(𝐴) = 𝑎11 ∙ (𝑎22 𝑎33 − 𝑎23 𝑎32 ) + 𝑎12 ∙ (𝑎23 𝑎31 − 𝑎21 𝑎33 ) + 𝑎13 ∙ (𝑎21 𝑎32 − 𝑎22 𝑎31 )

El contenido de cada uno de los paréntesis del desarrollo anterior coincide con el desarrollo de
un determinante de orden 2 y podríamos expresarlo de la forma:

𝑎22 𝑎23 𝑎23 𝑎21 𝑎21 𝑎22

𝑑𝑒𝑡(𝐴) = 𝑎11 ∙ |𝑎 𝑎33 | + 𝑎12 ∙ |𝑎33 𝑎31 | + 𝑎13 ∙ |𝑎31 𝑎32 |
32

𝑎22 𝑎23 𝑎21 𝑎23 𝑎21 𝑎22

𝑑𝑒𝑡(𝐴) = 𝑎11 ∙ (−1)1+1 ∙ |𝑎 𝑎33 | + 𝑎12 ∙ (−1)
1+2
∙ |𝑎 𝑎33 | + 𝑎13 ∙ (−1)
1+3
∙ |𝑎 𝑎32 |
32 31 31

o lo que es igual
𝑑𝑒𝑡(𝐴) = 𝑎11 ∙ 𝐴11 + 𝑎12 ∙ 𝐴12 + 𝑎13 ∙ 𝐴13

Análogamente se haría para cualquier otra fila o columna

29
Este resultado podemos generalizarlo para el determinante de una matriz cuadrada de orden 𝑛
de la siguiente forma:
𝑛

𝑑𝑒𝑡(𝐴) = 𝑎𝑖1 ∙ 𝐴𝑖1 + 𝑎𝑖2 ∙ 𝐴𝑖2 + 𝑎𝑖3 ∙ 𝐴𝑖3 + ⋯ + 𝑎𝑖𝑛 ∙ 𝐴𝑖𝑛 = ∑ 𝑎𝑖𝑗 ∙ 𝐴𝑖𝑗
𝑗=1

𝑑𝑒𝑡(𝐴) = 𝑎1𝑗 ∙ 𝐴1𝑗 − 𝑎2𝑗 ∙ 𝐴2𝑗 + 𝑎3𝑗 ∙ 𝐴3𝑗 + ⋯ + 𝑎𝑛𝑗 ∙ 𝐴𝑛𝑗 = ∑ 𝑎𝑖𝑗 ∙ 𝐴𝑖𝑗
𝑖=1

Esta regla rebaja el orden del determinante que se pretende calcular en una unidad. Para evitar
el cálculo de muchos determinantes conviene elegir la fila o columna con mayor número de
ceros.

Matrices de cofactores

Una matriz de cofactores es una matriz donde cada elemento es un determinante, en la cual
cada elemento 𝑎𝑖𝑗 es reemplazado por su cofactor |𝐴𝑖𝑗 |.

|𝐴11 | |𝐴12 | |𝐴13 |

𝐶𝑜𝑓(𝐴) = (|𝐴21 | |𝐴22 | |𝐴23 |)
|𝐴31 | |𝐴32 | |𝐴33 |

Una matriz adjunta es la transpuesta de una matriz de cofactores.

|𝐴11 | |𝐴21 | |𝐴31 |

𝑡
𝑎𝑑𝑗 (𝐴) = (𝐶𝑜𝑓(𝐴)) = (|𝐴12 | |𝐴22 | |𝐴32 |)
|𝐴13 | |𝐴23 | |𝐴33 |

Resumen

El determinante de orden n, puede desarrollarse a partir de una fila o columna, reduciendo el

problema al cálculo de un determinante de orden n-1. Para ello se toma una fila o columna
cualquiera, multiplicando cada elemento por su cofactor (es decir, el determinante de la matriz
que se obtiene eliminando la fila y columna correspondiente a dicho elemento, multiplicado por
(−1)𝑖+𝑗 donde 𝑖 es el número de fila y 𝑗 el número de columna). La suma de todos los productos
es igual al determinante y podemos usar el método de Sarrus, para mostrar que se obtienen los
mismos resultados.

30
Ejemplo 3: Sea la matriz 𝐴, obtener su determinante.

2 4 −3
𝐴 = ( 𝟑 −𝟓 𝟐)
−1 3 2
Solución: En teoría el determinante resultará de usar una fila o columna al azar, en este caso se
usa la 2𝑑𝑎 fila (3, −5,2). Luego se forman los determinantes de las submatrices
correspondientes:

|𝐴| = 3 ∙ (−1)2+1 ∙ |4 −3 2 −3 2 4
| + (−5) ∙ (−1)2+2 ∙ | | + 2 ∙ (−1)2+3 ∙ | |
3 2 −1 2 −1 3
|𝐴| = 3 ∙ (−1) ∙ (8 + 9) + (−5) ∙ (1) ∙ (4 − 3) + 2 ∙ (−1) ∙ (6 + 4)

|𝐴| = 3 ∙ (−1) ∙ (17) + (−5) ∙ (1) ∙ (1) + 2 ∙ (−1) ∙ (10)

|𝐴| = (−3) ∙ (17) + (−5) ∙ (1) + (−2) ∙ (10)

|𝐴| = −51 − 5 − 20

|𝐴| = −76

Ejemplo 4: Obtener el determinante de la matriz 𝐴

−𝟑 1 4
𝐴=( 𝟐 −2 0)
−𝟏 6 2
Solución: En este caso se usa la 1𝑒𝑟𝑎 columna (−3,2, −1). Luego se forman los determinantes
de las submatrices correspondientes:

−2 0 1 4 1 4
𝑑𝑒𝑡(𝐴) = −3 | |−2 | | − 1| |
6 2 6 2 −2 0
𝑑𝑒𝑡(𝐴) = −3 ∙ (−4 − 0) − 2 ∙ (2 − 24) − 1 ∙ (0 + 8)

𝑑𝑒𝑡(𝐴) = −3 ∙ (−4) − 2 ∙ (−22) − 1 ∙ 8

𝑑𝑒𝑡(𝐴) = 12 + 44 − 8

𝑑𝑒𝑡(𝐴) = 48

31
Ejemplo 5: Sea la matriz 𝐴, hallar 𝑑𝑒𝑡𝐴

𝟐 𝟑 𝟏
𝐴 = (4 1 2)
5 3 4
Solución:

CASO 1 Considerando la primera fila

1 2 4 2 4 1
𝑑𝑒𝑡(𝐴) = +2 | | − 3| | + 1| |
3 4 5 4 5 3
𝑑𝑒𝑡(𝐴) = 2 ∙ (4 − 6) − 3 ∙ (16 − 10) + 1 ∙ (12 − 5)

𝑑𝑒𝑡(𝐴) = 2 ∙ (−2) − 3 ∙ (6) + 1 ∙ (7)

𝑑𝑒𝑡(𝐴) = −4 − 18 + 7

𝑑𝑒𝑡(𝐴) = −15

CASO 2 Considerando la tercera columna

4 1 2 3 2 3
𝑑𝑒𝑡(𝐴) = +1 | | − 2| | + 4| |
5 3 5 3 4 1
𝑑𝑒𝑡(𝐴) = 1 ∙ (12 − 5) − 2 ∙ (6 − 15) + 4 ∙ (2 − 12)

𝑑𝑒𝑡(𝐴) = 1 ∙ (7) − 2 ∙ (−9) + 4 ∙ (−10)

𝑑𝑒𝑡(𝐴) = 7 + 18 − 40

𝑑𝑒𝑡(𝐴) = −15

Propiedades básicas de los determinantes

Propiedad 1. El determinante de una matriz A es igual que el determinante de su transpuesta.
En otras palabras, el intercambio de filas por columnas no afecta el valor del determinante:

|𝐴| = |𝐴𝑡 |
Por ejemplo:

𝑎 𝑏 𝑎 𝑐
| |=| | = 𝑎𝑑 − 𝑏𝑐
𝑐 𝑑 𝑏 𝑑

32
Propiedad 2. Si todos los elementos de una fila (o columna) de una matriz cuadrada son ceros,
su determinante vale es cero.

Propiedad 3. Si una matriz cuadrada tiene dos filas (o columnas) iguales o proporcionales, su
determinante vale cero.

Propiedad 4. El determinante de una matriz triangular o diagonal es igual al producto de los

elementos de la diagonal principal.

Propiedad 5. Si se permutan dos filas (o columnas) de una matriz cuadrada, su determinante

cambia de signo, sin variar su valor absoluto:
Por ejemplo:

𝑎 𝑏
| | = 𝑎𝑑 − 𝑏𝑐, intercambiando las dos filas:
𝑐 𝑑
𝑐 𝑑
| | = 𝑐𝑏 − 𝑎𝑑 = −(𝑎𝑑 − 𝑏𝑐)
𝑎 𝑏
Propiedad 6. Si multiplicamos todos los elementos de una fila (o columna) de un determinante
por un escalar, el determinante queda multiplicado por ese número.
Por ejemplo:

𝑘𝑎 𝑘𝑏 𝑎 𝑏
| | = 𝑘𝑎𝑑 − 𝑘𝑏𝑐 = 𝑘(𝑎𝑑 − 𝑏𝑐) = 𝑘 | |
𝑐 𝑑 𝑐 𝑑

Propiedad 7. La suma (resta) de un múltiplo de una fila (o columna) a otra fila (o columna) no
cambia el valor del determinante.

Por ejemplo: Si al determinante de 𝐴, se le suma k veces la fila superior a la segunda fila, se

obtiene el determinante original.

𝑎 𝑏
𝑑𝑒𝑡 𝐴 = | |
𝑐 𝑑

𝑎 𝑏 𝑎 𝑏
| | = 𝑎(𝑑 + 𝑘𝑏) − 𝑏(𝑐 + 𝑘𝑎) = 𝑎𝑑 − 𝑏𝑐 = | |
𝑐 + 𝑘𝑎 𝑑 + 𝑘𝑏 𝑐 𝑑

Propiedad 8. Si A tiene matriz inversa, 𝐴−1 , se verifica que:

1
𝑑𝑒𝑡(𝐴−1 ) =
𝑑𝑒𝑡(𝐴)

33
Reducción del orden de un determinante

Reducir la evaluación de un determinante de orden 𝑛 a la de uno de orden 𝑛 − 1 suele

emplearse para determinantes de orden 4 o superior. Para ello debemos seguir los siguientes
pasos:

Paso 1. Elegir un elemento 𝑎𝑖𝑗 = 1 o, en su defecto, un 𝑎𝑖𝑗 ≠ 0

Paso 2. Usando 𝑎𝑖𝑗 como pivote, efectuar las operaciones elementales entre filas (o columnas)
necesarias para colocar ceros en el resto de las posiciones de la columna (o fila) que contiene
𝑎𝑖𝑗 .
Paso 3. Desarrollar el determinante por la columna (o fila) que contiene 𝑎𝑖𝑗 .

El valor del determinante no se altera con estas operaciones en filas o columnas, tal como
indican la propiedades 5,6 y 7, sin embargo hay que ser cuidadoso al aplicarlas.

Ejemplo 6:

0 1 2 −3 0 1 2 −3 0 1 2 −3
1 3 𝑓3 −2∙𝑓2 →𝑓3 1 3 𝑓4 −3∙𝑓2 →𝑓4 1 3
| 2 −5| → | 2 −5 | → | 2 −5 |
2 4 3 1 0 −2 −1 11 0 −2 −1 11
3 −2 −8 1 3 −2 −8 1 0 −11 −14 16

1 2 −3
1 2 −3 −2 −1 11
= 1 ∙ (−1)2+3 | −2 −1 11| = −1 ∙ ||−11 −14 16 ||
−11 −14 16 1 2 −3
−2 −1 11

= −1 ∙ [(−16) + (−84) + (−242) − (−33) − (−154) − (−64)]

= −1 ∙ [(−16) + (−84) + (−242) + 33 + 154 + 64]
= −1 ∙ [−342 + 251] = −1 ∙ −91
= 91

Como dijimos anteriormente, hay que tener cuidado al realizar ciertas operaciones en el cálculo
de determinantes, analicemos esto en el siguiente ejemplo:

Ejemplo 7: Calcular el determinante de 𝐶.

1 2 3
𝐶 = (0 1 2)
4 1 5

mediante la regla de Sarrus:

34
 1 2 3
0 1 2
𝑑𝑒𝑡 𝐶 = ||4 1 5||
1 2 3
0 1 2

det 𝐶 = (1 ∙ 1 ∙ 5) + (0 ∙ 1 ∙ 3) + (4 ∙ 2 ∙ 2) − [(3 ∙ 1 ∙ 4) + (2 ∙ 1 ∙ 1) + (5 ∙ 2 ∙ 0)]

𝑑𝑒𝑡 𝐶 = 5 + 0 + 16 − (12 + 2 + 0) = 21 − 14 = 7

Al hacer ceros en la primera columna, deberíamos obtener el mismo resultado. Veamos que
sucede al hacer cero el 4 de la primera columna:

1 2 3 𝒇𝟑 −𝟒∙𝒇𝟏 →𝒇𝟑 1 2 3
1 2
|0 1 2| → |0 1 2 |=| | = −7 + 14 = 7
−7 −7
4 1 5 0 −7 −7

Obtuvimos el mismo resultado anterior. Sin embargo, al hacer cero el 1 de la primera columna
no obtenemos lo mismo:

1 2 3 𝟒∙𝒇𝟏 −𝒇𝟑 →𝒇𝟏 0 7 7

7 7
|0 1 2| → |0 1 2| = 4 ∙ (−1)1+3 | | = 4 ∙ 1 ∙ (14 − 7) = 28
1 2
4 1 5 4 1 5

Esto se debe a que hemos multiplicado por 4 la fila 1 que es la que estamos sustituyendo, lo
que alteró el valor del determinante. Por lo tanto no conviene multiplicar la fila a sustituir,
porque podemos variar el valor del determinante.

35
Cálculo de la matriz inversa por determinantes

Dada una matriz cuadrada A, su inversa será igual a la expresión:

1
𝐴−1 = 𝑎𝑑𝑗 (𝐴)
det(𝐴)

Para calcular la matriz inversa por este método daremos los siguientes pasos:

Paso 1. Calculamos el determinante de la matriz 𝐴. Si éste es igual a cero no existirá matriz

inversa.
Paso 2. Calculamos la matriz de cofactores de 𝐴
Paso 3. Trasponemos la matriz anterior para obtener la matriz adjunta.
Paso 4. Dividimos por |𝐴| (dividimos cada uno de los elementos de la matriz).

1 0 −1
Ejemplo: Calcular, si es posible, la inversa de la matriz 𝐴 = ( 0 1 −3)
−1 1 0

1 0 −1
0 1 −3
|𝐴| = ||−1 1 0 || = (0 + 0 + 0) − (1 − 3 + 0) = 2
1 0 −1
0 1 −3

∴ 𝐴 𝑡𝑖𝑒𝑛𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑎
Calculando la matriz de cofactores, se obtiene:

1 −3 0 −3 0 1
+| | −| | +| |
1 0 −1 0 −1 1 3 3 1
0 −1 1 −1 1 0
𝐶 = −| | +| | −| | = (−1 −1 −1)
1 0 −1 0 −1 1
1 0 1 −1 1 0 1 3 1
+ |
( 0 1 | − | | + | |
0 −3 0 1)

3 −1 1
⟹ 𝐴𝑑𝑗(𝐴) = 𝐶 𝑡 = (3 −1 3)
1 −1 1

3⁄2 −1⁄2 1⁄2

∴ 𝐴−1 = (3⁄2 −1⁄2 3⁄2)
1⁄2 −1⁄2 1⁄2

36
1.6 Sistemas de ecuaciones lineales
Un sistema de ecuaciones lineales es un conjunto de 𝑚 ecuaciones lineales con 𝑛 incógnitas de
la forma:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
…
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚

Los números reales 𝑎𝑖𝑗 son los coeficientes, las variables 𝑥𝑗 son las incógnitas y los números
reales 𝑏𝑖 son los términos independientes.

Expresión matricial de un sistema

El sistema anterior se puede expresar en forma matricial, usando el producto de matrices de la

forma:

𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1

( 𝑎…
21 𝑎22 … 𝑎2𝑛 ) (𝑥…2 ) = ( 𝑏2 )
… … … …
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚
𝑚𝑥𝑛 𝑛𝑥1 𝑚𝑥1

De modo simplificado suele escribirse como 𝐴𝑋 = 𝑏

𝑎11 𝑎12 … 𝑎1𝑛

…
La matriz 𝐴 = ( 𝑎…
21 𝑎22
… …
𝑎2𝑛 ) se llama matriz de coeficientes,
…
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛

𝑥1
𝑥
la matriz 𝑋 = ( …2 ) se llama matriz de incógnitas,
𝑥𝑛

𝑏1
𝑏
y la matriz 𝑏 = ( …2 ) se llama matriz de términos independientes.
𝑏𝑚

La matriz formada por A y b conjuntamente, es decir:

37
 𝑎11 𝑎12 … 𝑎1𝑛 𝑏1
𝑎 21 𝑎22 … 𝑎2𝑛 | 𝑏2 )
(𝐴|𝑏) = ( … … … … …
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑏𝑚

se llama matriz ampliada del sistema y se representa por 𝐴∗ o por (𝐴|𝑏).

Resolver un sistema de ecuaciones lineales consiste en calcular los valores de las incógnitas de
manera que sean solución a la vez de todas las ecuaciones del sistema. Diremos que dos
sistemas de ecuaciones son equivalentes si tienen las mismas soluciones.

Tipos de sistemas

Dependiendo de la cantidad de soluciones reales que tenga un sistema, estos se pueden

clasificar en:

𝑆𝐼𝑆𝑇𝐸𝑀𝐴 𝐼𝑁𝐶𝑂𝑀𝑃𝐴𝑇𝐼𝐵𝐿𝐸 (𝑆. 𝐼. ) → 𝑁𝑜 𝑎𝑑𝑚𝑖𝑡𝑒 𝑛𝑖𝑛𝑔𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛

𝑆𝐼𝑆𝑇𝐸𝑀𝐴 𝐶𝑂𝑀𝑃𝐴𝑇𝐼𝐵𝐿𝐸 (𝑆. 𝐶. ) → 𝐴𝑑𝑚𝑖𝑡𝑒 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠

Un sistema compatible puede ser:

1. 𝐷𝐸𝑇𝐸𝑅𝑀𝐼𝑁𝐴𝐷𝑂 (𝑆. 𝐶. 𝐷. ) → 𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎

2. 𝐼𝑁𝐷𝐸𝑇𝐸𝑅𝑀𝐼𝑁𝐴𝐷𝑂 (𝑆. 𝐶. 𝐼. ) → 𝐼𝑛𝑓𝑖𝑛𝑖𝑡𝑎𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠

Discutir un sistema de ecuaciones consiste en determinar de qué tipo es, según la clasificación
anterior.
Resolver un sistema de ecuaciones consiste en calcular todas las soluciones del sistema si las
hay.
Una buena herramienta que podemos usar para discutir un sistema de ecuaciones lineales sin
necesidad de resolverlo es el siguiente:

Teorema de Rouché-Fröbenius
Supongamos que tenemos un sistema de ecuaciones lineales con matriz de coeficientes 𝐴 y
matriz ampliada 𝐴∗ . Entonces:

1. Si 𝑟𝑎𝑛𝑔(𝐴) ≠ 𝑟𝑎𝑛𝑔(𝐴∗ ), el sistema es incompatible (no tiene solución).

2. Si 𝑟𝑎𝑛𝑔(𝐴) = 𝑟𝑎𝑛𝑔(𝐴∗ ), y es igual al número de incógnitas, el sistema es compatible

determinado (tiene una única solución).

3. Si 𝑟𝑎𝑛𝑔(𝐴) = 𝑟𝑎𝑛𝑔(𝐴∗ ) y es menor que el número de incógnitas, el sistema es

compatible indeterminado (tiene infinitas soluciones).
38
Un caso particular es el de los sistemas de ecuaciones lineales homogéneos, es decir, aquellos
en los que todos los términos independientes son nulos. Entonces como la matriz de términos
independientes 𝒃 es una columna de ceros, se puede suprimir de la matriz de coeficientes 𝑨∗ .
Así la matriz ampliada 𝑨, en este caso, es semejante a la matriz de coeficientes. Por lo tanto,
siempre se cumple que 𝒓𝒂𝒏𝒈𝒐(𝑨) = 𝒓𝒂𝒏𝒈𝒐(𝑨∗ ). Esto quiere decir que todos los sistemas
homogéneos son siempre compatibles. Se cumple:

1. Si 𝑟𝑎𝑛𝑔(𝐴) = número de incógnitas, el sistema es compatible determinado (tiene una

única solución), que se conoce con el nombre de solución trivial. Es aquella en la que
todas las incógnitas son nulas.

2. Si 𝑟𝑎𝑛𝑔(𝐴) < número de incógnitas, el sistema es compatible indeterminado (tiene

infinitas soluciones).

A continuación veremos cómo resolver un sistema de ecuaciones lineales, aplicando la regla de

Cramer.

39
1.7 Resolución de un sistema de ecuaciones lineales

A. Regla de Cramer

La regla de Cramer se aplica para resolver sistemas de ecuaciones lineales que cumplan las
siguientes condiciones:

 El número de ecuaciones es igual al número de incógnitas.

 El determinante de la matriz de los coeficientes es distinto de cero.

Tales sistemas son sistemas compatibles determinados y se denominan sistemas de Cramer.

El valor de cada incógnita 𝑥𝑖 se obtiene de un cociente donde el denominador es el

determinante de la matriz de coeficientes, y el numerador es el determinante que se obtiene al
sustituir la columna 𝑖 del determinante anterior por la columna de los términos independientes:

|𝐴𝑖 |
𝑥𝑖 =
|𝐴|

Ejemplo: Obtener el valor de las incógnitas del siguiente sistema de ecuaciones lineales:

2𝑥1 + 4𝑥2 − 3𝑥3 = 12

3𝑥1 − 5𝑥2 + 2𝑥3 = 13
−𝑥1 + 3𝑥2 + 2𝑥3 = 17

Solución:
El primer paso es ordenar el sistema de ecuaciones: cada columna debe corresponder a una sola
variable y todas las constantes deben pasar al lado derecho de la igualdad. Una vez ordenado el
sistema, se procede a calcular el determinante de la matriz principal o matriz de coeficientes
(𝐴):

2 4 −3
|𝐴| = | 3 −5 2 | = 2(−10 − 6) − 4(6 + 2) − 3(9 − 5) = −76
−1 3 2

Posteriormente se obtienen las matrices especiales formadas del reemplazo de la columna de

coeficientes 𝑥𝑖 con el vector columna de constantes. Para las tres variables, los determinantes
de estas matrices son:

12 4 −3
|𝐴1 | = |13 −5 2 | = 12(−10 − 6) − 4(26 − 34) − 3(39 + 85) = −532
17 3 2

40
 2 12 −3
|𝐴2 | = | 3 13 2 | = 2(26 − 34) − 12(6 + 2) − 3(51 + 13) = −304
−1 17 2

2 4 12
|𝐴3 | = | 3 −5 13| = 2(−85 − 39) − 4(51 + 13) + 12(9 − 5) = −456
−1 3 17

Una vez obtenido los determinantes, se procede fácilmente a obtener el valor de las incógnitas:

|𝐴1 | −532
𝑥1 = = =7
|𝐴| −76

|𝐴2 | −304
𝑥1 = = =4
|𝐴| −76

|𝐴3 | −456
𝑥1 = = =6
|𝐴| −76

B. Método de la matriz inversa

Si tenemos un sistema con el mismo número de ecuaciones que de incógnitas (𝑛 = 𝑚),

podemos escribir el sistema matricialmente así:

𝐴∙𝑋 =𝑏

donde 𝐴, 𝑋 𝑦 𝑏, son las matrices ya definidas de coeficientes, incógnitas y términos

independientes respectivamente.
Para calcular la matriz de incógnitas, debemos despejar 𝑋 de la ecuación. Sabemos que eso se
puede hacer sólo cuando la matriz A posea inversa, y si es el caso, operamos con esta matriz
sobre el sistema anterior
𝐴−1 ∙ 𝐴 ∙ 𝑋 = 𝐴−1 ∙ 𝑏

por la propiedad asociativa del producto:

(𝐴−1 ∙ 𝐴) ∙ 𝑋 = 𝐼 ∙ 𝑋 = 𝐴−1 ∙ 𝑏

Finalmente la solución del sistema viene dada por:

𝑿 = 𝑨−𝟏 ∙ 𝒃

es decir podríamos calcular 𝑋, y el sistema tendría solución única.

41
Si 𝐴 no posee inversa, no podemos despejar 𝑋 y el sistema no se puede resolver de esta
manera.
Si consideramos el cálculo de la matriz inversa por medio de determinantes, es decir:

1
𝐴−1 = 𝑎𝑑𝑗(𝐴)
det(𝐴)

Entonces 𝑋 también será igual a:

1
𝑋= 𝑎𝑑𝑗(𝐴) ∙ 𝑏
det(𝐴)

Si usamos este método para determinar 𝑋 es necesario calcular además del determinante de 𝐴,
la traspuesta de su matriz de cofactores, es decir, la matriz adjunta.
Antes de realizar cualquier cálculo, se debe tener en cuenta que el determinante de 𝐴 debe ser
diferente de cero, para garantizar una solución al problema.

Ejemplo: resolvamos por este método el ejemplo anterior:

2𝑥1 + 4𝑥2 − 3𝑥3 = 12

3𝑥1 − 5𝑥2 + 2𝑥3 = 13
−𝑥1 + 3𝑥2 + 2𝑥3 = 17

2 4 −3
det 𝐴 = |𝐴| = | 3 −5 2 | = −76
−1 3 2

−5 2 3 2 3 −5
+| | −| | +| |
3 2 −1 2 −1 3 −16 −8 4
| 4 −3 2 −3 2 4 |
𝐶 = −| | +| | −| | = [ −17 1 −10]
| 3 2 −1 2 −1 3|
4 −3 2 −3 2 4 −7 −13 −22
+| | −| | +| |
−5 2 3 2 3 −5

La matriz adjunta es,

−16 −17 −7
𝑡
𝑎𝑑𝑗 (𝐴) = 𝐶 = [ −8 1 −13]
4 −10 −22

Ordenando los resultados de acuerdo a:

42
 1
𝐴−1 = 𝑎𝑑𝑗(𝐴)
det(𝐴)

1 −16 −17 −7
𝐴−1 = − [ −8 1 −13]
76
4 −10 −22

Finalmente, poniendo los resultados según

𝐴−1 ∙ (𝐴 ∙ 𝑋) = 𝐴−1 ∙ (𝑏)

𝑋 = 𝐴−1 ∙ (𝑏)

16 17 7 192 + 221 + 119

76 76 76 76 𝑥1
8 −1 13 12 96 − 13 + 221 7
𝑋= [13] = 𝑥
= [4] = [ 2 ]
76 76 76 17 76 6 𝑥3
−4 10 22 −48 + 130 + 374
[ 76 76 76 ] [ 76 ]

Entonces, los valores del vector 𝑋 serán 7, 4 y 6.

El Jacobiano
Es un determinante especial que sirve para testear la dependencia funcional, tanto lineal como
no lineal. Un determinante Jacobiano está compuesto por todas las primeras derivadas
parciales. Por ejemplo, dadas las siguientes funciones,

𝑦1 = 𝑓1 (𝑥1 , 𝑥2 … 𝑥𝑛 )
𝑦2 = 𝑓2 (𝑥1 , 𝑥2 … 𝑥𝑛 )
⋮

𝑦𝑛 = 𝑓3 (𝑥1 , 𝑥2 … 𝑥𝑛 )

El Jacobiano (𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒) será igual a:

43
 𝜕𝑦1 𝜕𝑦1 𝜕𝑦1
…
|𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛 |
𝜕𝑦1 , 𝜕𝑦2 , … , 𝜕𝑦𝑛 𝜕𝑦2 𝜕𝑦2 𝜕𝑦2
|𝐽| = | | = 𝜕𝑥1 …
𝜕𝑥 , 𝜕𝑥 , … , 𝜕𝑥 𝜕𝑥2 𝜕𝑥𝑛
1 2 3 ⋯ … ⋯
⋯
|𝜕𝑦 𝜕𝑦𝑛 𝜕𝑦𝑛 |
𝑛
…
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛

Vemos que los elementos de cada fila son las primeras derivadas parciales de la función 𝑦𝑖 con
respecto a cada una de la variables independientes (𝑥1 , 𝑥2 , 𝑥3 ), mientras que los elementos de
cada columna son las primeras derivadas parciales de cada una de las funciones 𝑦1 , 𝑦2 , 𝑦3
respecto a una de las variables independientes, 𝑥𝑗 . Si |𝐽| = 0, las ecuaciones son
funcionalmente dependientes, sino son independientes.

Ejemplo : Averiguar la dependencia funcional de:

𝑦1 = 5𝑥1 + 3𝑥2

𝑦2 = 25𝑥1 2 + 30𝑥1 𝑥2 + 9𝑥2 2

Solución: Primero, se toma las derivadas parciales de primer orden:

𝜕𝑦1 𝜕𝑦1 𝜕𝑦2 𝜕𝑦2

=5 =3 = 50𝑥1 + 30𝑥2 = 30𝑥1 + 18𝑥2
𝜕𝑥1 𝜕𝑥2 𝜕𝑥1 𝜕𝑥1

5 3
|𝐽| = | |
50𝑥1 + 30𝑥2 30𝑥1 + 18𝑥2

|𝐽| = 5(30𝑥1 + 18𝑥2 ) − 3(50𝑥1 + 30𝑥2 ) = 0

|𝐽| = 0 ⇒ existe dependencia funcional entre ambas ecuaciones.

Podemos comprobar que:

(5𝑥1 + 3𝑥2 )2 = 25𝑥1 2 + 30𝑥1 𝑥2 + 9𝑥2 2

es decir:
(𝑦1 )2 = 𝑦2

44
1.8 Problemas resueltos

Ejemplo: Sean las matrices:

𝑥 2 −1 1 1 1 1 0
𝐴=[ 0 4 1 2𝑎] 𝐵 = [−1 0 1 0]
−1 −𝑥 3𝑥 0 2 1 1 −1
0 −1 1 2 −1 0 1 0

Si 𝐶 = (2𝐴𝐵)𝑡 , obtenga la suma 𝑆 = 𝑐21 + 𝑐32 + 𝑐33

Solución: Multiplicar la matriz 𝐴 𝑦 𝐵 y luego por el escalar 2.

2𝑥 − 10 2𝑥 − 2 2𝑥 + 4 2
2𝐴𝐵 = [ −4𝑎 −4 2 4𝑎 + 10 −2 ]
14𝑥 − 2 6𝑥 − 2 4𝑥 − 2 −6𝑥
2 2 4 −2

Entonces
2𝑥 − 10 −4𝑎 − 4 14𝑥 − 2 2
(2𝐴𝐵)𝑡 = [ 2𝑥 − 2 2 6𝑥 − 2 2]
2𝑥 + 4 4𝑎 + 10 4𝑥 − 2 4
2 −2 −6𝑥 −2

𝑐21 = 2𝑥 − 2; 𝑐32 = 4𝑎 + 10; 𝑐33 = 4𝑥 − 2.

Entonces 𝑆 = 2𝑥 − 2 + 4𝑎 + 10 + 4𝑥 − 2 = 6𝑥 + 4𝑎 + 6.

45
Ejemplo: Se tienen las siguientes matrices:

3
−2𝑎 3𝑏
2 −4 2 −6 −4
𝐴=[ 2 𝑏] 𝐵=[ ] 𝐶=[ ]
−1 𝑏 −5 1 6𝑎
−5 8 −2
Obtenga:

a) 𝐷 = 𝐴 ∙ 𝐵 ∙ 𝐶
b) 𝑆𝑖 𝑎 = 0, ¿ 𝑐ó𝑚𝑜 𝑐𝑎𝑚𝑏𝑖𝑎 𝐷 𝑒𝑛 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑎 𝑙𝑎 𝑝𝑟𝑒𝑔𝑢𝑛𝑡𝑎 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟?

Solución:

a) Primero multiplicamos las matrices 𝐴(3𝑋2) 𝑦 𝐵(2𝑋4) porque cumplen con las
dimensiones, resultando la matriz 𝐴𝐵(2𝑋4) y luego multiplicarlo con la matriz 𝐶(4𝑋1) .

−4𝑎 − 3𝑏 8𝑎 + 3𝑏 2 −4𝑎 − 15𝑏 12𝑎 + 3𝑏

𝐴∙𝐵 = [ 4−𝑏 𝑏2 − 8 4 − 5𝑏 𝑏 − 12 ]
−18 8𝑏 + 20 −50 38

3
−4𝑎 − 3𝑏 8𝑎 + 3𝑏 2 −4𝑎 − 15𝑏 12𝑎 + 3𝑏
−4
𝐴∙𝐵∙𝐶 =𝐷 =[ 4−𝑏 𝑏2 − 8 4 − 5𝑏 𝑏 − 12 ] ∙ [ 6𝑎 ]
−18 8𝑏 + 20 −50 38 −2

−24𝑎2 − 2𝑎(34 + 45𝑏) − 3𝑏(4𝑏 + 5)

𝐷=[ 6𝑎(4 − 5𝑏) − 4𝑏 2 − 5𝑏 + 68 ]
−300𝑎 − 2(16𝑏 + 105)

b) Simplemente, se reemplaza el valor 0 de a en la matriz resultante D

−3𝑏(4𝑏 + 5)
𝐷 = [−4𝑏 2 − 5𝑏 + 68]
−2(16𝑏 + 105)

46
Ejemplo: Dada la matriz 𝐻 𝑦 𝐻 −1 = 𝐷, obtenga "𝑎" sabiendo que 𝑑22 = 1

−3𝑎 −1 𝑎
𝐻=[ 1 4 1]
−2 −3 −1
Solución: Calculamos la matriz inversa de 𝐻 por medio de determinantes, es decir:

1
𝐻 −1 = 𝑎𝑑𝑗(𝐻)
det(𝐻)

1° Cálculo del determinante de H por método de Sarrus:

−3𝑎 −1 𝑎
1 4 1
𝑑𝑒𝑡𝐻 = −2 −3 −1 = (−12𝑎) + (−3𝑎) + (2) − (−8𝑎) − (9𝑎) − (1) = 8𝑎 + 1
−3𝑎 −1 𝑎
1 4 1
[ ]
2° buscamos la matriz de cofactores

+|−1| −|1| +|5| −1 −1 5

𝐶𝑜𝑓(𝐻) = ( −|3𝑎 + 1| +|5𝑎| −|9𝑎 − 2| ) = (−3𝑎 − 1 5𝑎 −9𝑎 + 2 )
+|−4𝑎 − 1| −|−4𝑎| +|−12𝑎 + 1| −4𝑎 − 1 4𝑎 −12𝑎 + 1

3° Calculamos la adjunta

𝑡
−1 −3𝑎 − 1 −4𝑎 − 1
𝑎𝑑𝑗 (𝐻) = (𝐶𝑜𝑓(𝐻)) = (−1 5𝑎 4𝑎 )
5 −9𝑎 + 2 −12𝑎 + 1
1 3𝑎 + 1 4𝑎 + 1
− − −
8𝑎 + 1 8𝑎 + 1 8𝑎 + 1
1 5𝑎 4𝑎
𝐻 −1 =𝐷= −
8𝑎 + 1 8𝑎 + 1 8𝑎 + 1
5 2 − 9𝑎 1 − 12𝑎
[ 8𝑎 + 1 8𝑎 + 1 8𝑎 + 1 ]

Por condición:
5𝑎
𝑑22 =
8𝑎 + 1

Entonces
1
𝑎=−
3
47
Ejemplo: Una tienda vende 1000 hamburguesas, 600, y 1200 leches en una semana. El precio de
la hamburguesa es 45 pesos (𝑝), una hamburguesa con queso 60𝑝 , y la leche 50𝑝. El costo de
vender una hamburguesa es 38𝑝, una hamburguesa queso es 42𝑝, y una leche es 32𝑝.
Encuentre el ingreso, costo y beneficio semanal de la firma.

Solución: Definimos y ordenamos:

1000 0.45 0.38

𝑄 = [ 600 ] 𝑃 = [0.60] 𝐶 = [0.42]
1200 0.50 0.32

El ingreso total es 𝐼 = 𝑃𝑄, pero esta operación no se puede realizar. Entonces se aplica la
transpuesta de 𝑃. Sólo así es posible la multiplicación.

1000
𝐼 = 𝑃𝑡 𝑄 = [0.45 0.60 0.50] = [ 600 ] = 1410
1200

Similarmente el costo total:

1000
𝑡
[0.38
𝐶=𝐶 𝑄= 0.42 0.32] = [ 600 ] = 1016
1200

El beneficio semanal será:

𝐵 = 𝐼 − 𝐶 = 1410 − 1016 = 394

48
 1000 45 38
𝑄 = [ 600 ] 𝑃 = [60] 𝐶 = [42]
1200 50 32

El ingreso total es 𝐼 = 𝑃𝑄, pero esta operación no se puede realizar. Entonces se aplica la
transpuesta de 𝑃. Sólo así es posible la multiplicación.

1000
𝐼 = 𝑃𝑡 𝑄 = [45 60 50] ∙ [ 600 ] = 141000
1200

Similarmente el costo total:

1000
𝑡
[38
𝐶=𝐶 𝑄= 42 32] ∙ [ 600 ] = 101600
1200

El beneficio semanal será:

𝐵 = 𝐼 − 𝐶 = 141000 − 101600 = 39400

49
Ejemplo: En una página deteriorada de un libro se encuentra la matriz

1 𝑥 0
𝐴 = (0 0 𝑦 )
0 0 𝑧

y del producto 𝐴2 ∙ 𝐴𝑡 solo se puede leer la última columna

∎ ∎ −6
(∎ ∎ 2 )
∎ ∎ −1

Obtenga 𝑥 + 𝑦 + 𝑧

Solución: Calcularemos el producto 𝐴2 ∙ 𝐴𝑡 con la matriz 𝐴

1 𝑥 0 1 𝑥 0 1 𝑥 𝑥𝑦
2
𝐴 = (0 0 𝑦 ) ∙ (0 0 𝑦 ) = (0 0 𝑦𝑧 )
0 0 𝑧 0 0 𝑧 0 0 𝑧2

1 𝑥 𝑥𝑦 1 0 0 𝑥2 + 1 𝑥𝑦 2 𝑥𝑦𝑧
2 𝑡
𝐴 ∙ 𝐴 = (0 0 𝑦𝑧 ) ∙ (𝑥 0 0) = ( 0 𝑦2𝑧 𝑦𝑧 2 )
0 0 𝑧2 0 𝑦 𝑧 0 𝑦𝑧 2 𝑧3

Es decir:

𝑥 2 + 1 𝑥𝑦 2 𝑥𝑦𝑧 ∎ ∎ −6
𝐴2 ∙ 𝐴𝑡 = ( 0 𝑦2𝑧 2
𝑦𝑧 ) = (∎ ∎ 2 )
0 𝑦𝑧 2 𝑧3 ∎ ∎ −1

Se igualan las últimas columnas de ambas matrices:

𝑥𝑦𝑧 = −6
𝑦𝑧 2 = 2
𝑧 3 = −1

se obtiene que : 𝑧 = −1, 𝑥 = 3, 𝑦 = 2.

finalmente, 𝑥+𝑦+𝑧 =4

50
Ejemplo: Hallar 𝑎, 𝑏, 𝑐 𝑦 𝑑 si se cumple que:

1 0 2 0
(
𝑎 𝑏 𝑐 𝑑 ) ∙ (0 0 1 1) = (1 0 6 6
)
1 4 9 2 0 1 0 0 1 9 8 4
0 0 1 0

Solución: Multiplicamos las matrices del lado izquierdo:

𝑎 𝑐 2𝑎 + 𝑏 + 𝑑 𝑏 1 0 6 6
( )=( )
1 9 8 4 1 9 8 4

Al igualar las matrices obtenemos: 𝑎 = 1, 𝑏 = 6, 𝑐 = 0 𝑦 𝑑 = −2

Ejemplo: Sea la matriz 𝐴 y su determinante en función de 𝑦 . Hallar:

−4 0 −5 4
−5 −3 −4 2𝑦
𝐴=( ) det(𝐴) = −4(9𝑦 2 − 2𝑦 − 43)
−2 −2 2 0
4 −𝑦 1 −1

a) La det ( 𝐴𝑡 )
b) Qué valor(es) tomará “y” para que el sistema 𝐴𝑡 sea singular, es decir, para que no tenga
solución única.

Solución:
a) Por propiedad det ( 𝐴) = det ( 𝐴𝑡 )

b) Para que el sistema sea singular es necesario que det ( 𝐴) = det ( 𝐴𝑡 ) = 0.

det ( 𝐴) = −4(9𝑦 2 − 2𝑦 − 43)

−4(9𝑦 2 − 2𝑦 − 43) = 0 ⇒ 9𝑦 2 − 2𝑦 − 43 = 0

𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑚𝑜𝑠 𝑒𝑠𝑡𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑢𝑎𝑑𝑟á𝑡𝑖𝑐𝑎

−(−2) ± √(−2)2 − 4 ∙ 9 ∙ (−43) 2 ± √4 + 1548 2 ± 39.4

𝑦= = =
2∙9 18 18

𝑦1 = 2.3 𝑦2 = −2.08

51
Ejemplo: Conforme al modelo

−4𝑥 − 5𝑦 + 23𝑧 + 11𝑤 = 0

31𝑧 + 21𝑦 + 4𝑤 = −23
69𝑧 − 12𝑥 + 33𝑤 − 15𝑦 = 0
23𝑦 + 42𝑤 − 21𝑥 − 2𝑧 = −3

Determinar los valores únicos de 𝑥, 𝑦, 𝑧, 𝑤 usando el método de Cramer.

Solución: Al ordenar las ecuaciones podemos observar que la tercera ecuación del sistema, es 3
veces la primera ecuación, es decir, una combinación lineal de la primera. Por ello, el sistema no
tendrá solución única y se puede verificar porque el determinante de la matriz formada por las
cuatro ecuaciones resulta ser cero.

− 4𝑥 − 5𝑦 + 23𝑧 + 11𝑤 = 0
21𝑦 + 31𝑧 + 4𝑤 = −23
−12𝑥 − 15𝑦 + 69𝑧 + 33𝑤 = 0
−21𝑥 + 23𝑦 − 2𝑧 + 42𝑤 = −3

−4 −5 23 11 −4 −5 23 11
𝒇 −𝟑∙𝒇 →𝒇
| 0 21 31 4 | → | 0 21 31 4 | = 𝟎
𝟑 𝟏 𝟑

−12 −15 69 33 0 0 0 0
−21 23 −2 42 −21 23 −2 42

52
 Escriba aquí la ecuación.

Ejemplo: Si 𝐶 = 𝐴𝐵 𝑦 𝑐33 = 𝑚, obtenga el valor de z, si la menor solución de m es igual a cero,

siendo:

3 4 −𝑞 4 −4 3 1 𝑎
𝐴=( −2 𝑎 𝑒 3 −3 2 −1 −1 )
𝑚 2) 𝐵=(
3 𝑧 −2 −1 5𝑚 0
1 𝑚 1 1 −1 0 4 −2

−28 + 2𝑞 17𝑞 15 − 5𝑚𝑞 3𝑎 − 12

𝐴 ∙ 𝐵 = ( 5 − 3𝑎 − 2𝑒 −6 + 2𝑎 − 𝑒 10 − 𝑎 + 5𝑚𝑒 −3𝑎 − 6 )
−16 − 2𝑚 − 3𝑧 9 + 2𝑧 − 𝑚 11 + 5𝑚2 − 𝑧 −4 + 3𝑎 − 𝑧
−7 − 3𝑚 2 + 2𝑚 5 + 4𝑚 −2 + 𝑎 − 𝑚

Solución: Al hallar el producto de la matriz 𝐴𝐵 se extrae el elemento 𝑐33 de la matriz 𝐴𝐵 (en

función de 𝑚 𝑦 𝑧)

𝑐33 = 3(1) + 𝑧(−1) + 𝑚(5𝑚) + 2(4)

𝑐33 = 3 − 𝑧 + 5𝑚2 + 8
𝑐33 = 5𝑚2 + 11 − 𝑧

Por condición
𝑐33 = 𝑚 ⇒ 5𝑚2 + 11 − 𝑧 = 𝑚
5𝑚2 − 𝑚 + (11 − 𝑧) = 0

1 ± √(−1)2 − 4 ∙ 5 ∙ (11 − 𝑧) 1 ± √1 − 20(11 − 𝑧)

𝑚= ⇒ 𝑚=
2∙5 10

Como la menor solución de m es igual a cero

1 ± √1 − 20(11 − 𝑧)
𝑚= = 0 ⇒ 𝑧 = 11
10

53
Ejemplo: Sea el sistema de ecuaciones:

𝑎𝑥 + 𝑏𝑦 = 𝑐
𝑎2 𝑥 + 𝑑𝑦 + 𝑒𝑧 = 𝑓
ℎ𝑧 + 𝑔𝑥 = 𝑖

¿Qué requisitos debe cumplir "𝑎", si es posible, para que dicho sistema tenga solución única?

Solución: Ordenando el sistema en términos matriciales:

𝑎 𝑏 0 𝑥 𝑐
[𝑎 2 𝑑 𝑒 ] [𝑦] = [𝑓 ] 𝑜 𝐴∙𝑋 =𝐵
𝑔 0 ℎ 𝑧 𝑖

Para que el sistema tenga solución única, el determinante del sistema debe ser diferente de
cero.
Usando Sarrus

𝑎 𝑏 0
𝑎2 𝑑 𝑒
|𝑔 0 ℎ|
det 𝐴 = = 𝑎𝑑ℎ + 0 + 𝑏𝑔ℎ − 0 − 0 − 𝑎2 𝑏ℎ
| 𝑎2 𝑏 0|
𝑎 𝑑 ℎ

Obteniendo det(𝐴) ≠ −𝑎2 𝑏ℎ + 𝑎𝑑ℎ + 𝑏𝑔ℎ. Haciendo "𝑎" como variable se tendrá que:

−𝑑ℎ ± √(𝑑ℎ)2 + 4(𝑏ℎ)(𝑏𝑔ℎ)

𝑎≠
−2𝑏ℎ

54
Ejemplo: Obtenga el det(𝐴) si

1 1 1 1
A = [2 0 5 0]
3 9 2 3
4 6 5 6

Solución: El determinante puede resolverse por diversas formas. La forma más sencilla es usar
la segunda fila ya que tiene dos ceros y con ello los subdeterminantes respectivos también
serán cero, reduciendo los cálculos. Así:

1 1 1 1 1 1
det(𝐴) = −2 |9 2 3| − 5 |3 9 3| = −2(−6) − 5(12) = −48
6 5 6 4 6 6
Los determinantes de 3𝑥3 pueden resolverse por Sarrus o por cofactores.

1 1 1 1 1 1
[9 2 3] [3 9 3]
𝑑𝑒𝑡(1) = 6 5 6 𝑑𝑒𝑡(2) = 4 6 6
1 1 1 1 1 1
9 2 3 3 9 3
𝑑𝑒𝑡(1) = (1 ∙ 2 ∙ 6) + (9 ∙ 5 ∙ 1) + (6 ∙ 1 ∙ 3) − [(6 ∙ 2 ∙ 1) + (1 ∙ 5 ∙ 3) + (9 ∙ 1 ∙ 6)] = 75 − 81

𝑑𝑒𝑡(1) = −6

𝑑𝑒𝑡(2) = (1 ∙ 9 ∙ 6) + (3 ∙ 6 ∙ 1) + (4 ∙ 1 ∙ 3) − [(4 ∙ 9 ∙ 1) + (1 ∙ 6 ∙ 3) + (3 ∙ 1 ∙ 6)] = 84 − 72

𝑑𝑒𝑡(2) = 12

55
Unidad 2- Espacios vectoriales

2.1 Magnitudes escalares y vectoriales

Se llaman magnitudes a aquellas propiedades físicas que pueden medirse y expresar su

resultado mediante un número y una unidad. Son magnitudes la temperatura, la longitud, la
masa, el volumen, la cantidad de sustancia, el tiempo, la fuerza, la velocidad, el voltaje, la
corriente eléctrica, etc. Encontramos dos tipos de magnitudes, las escalares y las vectoriales.

Magnitudes escalares

Son aquellas en las que las medidas quedan completamente definidas por medio de un número
y las unidades utilizadas en su medida. Ejemplos de magnitudes escalares son la masa, la
temperatura, la presión, la densidad, la energía, el volumen, etc.

Magnitudes vectoriales

Son aquellas que para quedar definidas necesitan además de un valor numérico (intensidad),
una dirección, un sentido y un punto de aplicación. Ejemplos de magnitudes vectoriales son la
velocidad, la fuerza, la aceleración, la cantidad de movimiento, el campo magnético, el flujo de
calor o de materia, el desplazamiento, el campo eléctrico, etc.
Las magnitudes vectoriales no se pueden representar, como los escalares, por puntos sobre una
recta. Hay que tomar segmentos de una longitud dada (indicadora de su intensidad) a partir de
un punto fijo, los cuales tengan la dirección y sentido correspondientes.

56
2.2 Vectores

Un vector es la expresión que proporciona la medida de cualquier magnitud vectorial. Se

representa por un segmento de recta orientado o flecha, con una dirección y longitud.

Un vector puede utilizarse para representar una magnitud física, quedando caracterizado por
los siguientes elementos:

 Origen: Es el punto exacto sobre el que actúa el vector (𝑶).

 Extremo: 𝑷
 Dirección: Viene dada por la orientación en el espacio de la recta que contiene al vector.
 Sentido: Se indica mediante una punta de flecha situada en el extremo del vector (𝑷),
indicando hacia qué lado de la línea de acción se dirige el vector.
Todos los vectores situados sobre una misma recta o sobre rectas paralelas tienen la
misma dirección. Sobre cada recta hay dos sentidos opuestos.
 Módulo: Es la longitud o tamaño del segmento, que es proporcional a la intensidad de la
magnitud representada. El módulo es una cantidad escalar siempre positiva. Si A es el vector que
tiene origen en O y extremo en P, su módulo representa la distancia entre los puntos O y P y se
expresa de cualquiera de las tres siguientes maneras:

⃗⃗⃗⃗⃗⃗ |
𝒎𝒐𝒅 𝑨 = |𝑨| = |𝑶𝑷

Para indicar un vector se usa con frecuencia una flecha encima: 𝐴 𝑜 𝑏𝑖𝑒𝑛 ⃗⃗⃗⃗⃗
𝑂𝑃.

57
Componentes de un vector
Hay que tener muy en cuenta el sistema de referencia de los vectores, que estará formado por
un origen y tres ejes perpendiculares. Este sistema de referencia permite fijar la posición de un
punto cualquiera con exactitud. El sistema de referencia que usaremos es el Sistema de
Coordenadas Cartesianas. En este sistema la posición de un punto se encuentra determinada
por tres números independientes, que se denominan componentes o coordenadas del vector y
que definen las distancias a los llamados planos coordenados.
En la Figura se pueden observar los tres planos coordenados que forman ángulos rectos entre si
y cuyas intersecciones son los llamados ejes coordenados.

Sistema de coordenadas cartesianas.

Las componentes del vector pueden escribirse entre paréntesis y separadas con comas:

𝑎 = (𝑎𝑥 , 𝑎𝑦 , 𝑎𝑧 )

los valores 𝑎𝑥 , 𝑎𝑦 , 𝑎𝑧 , salvo que se indique lo contrario, son números reales.

Para poder representar cada vector en un sistema de coordenadas cartesianas, se usan tres
vectores unitarios. Estos vectores unitarios, son unidimensionales, es decir, tienen módulo 1,
son perpendiculares entre sí y corresponderán a cada uno de los ejes del sistema de referencia.
Es decir:

 Al eje de las X, le corresponderá el vector unitario 𝑖 o también denominado 𝑖̂.

 Al eje Y, le corresponderá el vector unitario 𝑗 o también denominado 𝑗̂ .
 Al eje Z, le dejaremos corresponder el vector unitario 𝑘 ⃗ o también denominado 𝑘̂ .

De esta manera, obtendremos un eje de coordenadas cartesianas de la siguiente forma:

58
 Vectores unitarios del sistema de coordenadas cartesianas

Los vectores unitarios se expresan en la forma:

𝑖̂ = (1,0,0) 𝑗̂ = (0,1,0) 𝑘̂ = (0,0,1)

Sus módulos valen:

|𝑖̂| = √12 + 0 + 0 = 1 |𝑗̂| = √0 + 12 + 0 = 1 |𝑘̂| = √0 + 0 + 12 = 1

Nota: Los vectores unitarios o versores, cuyo módulo es la unidad, se representan

frecuentemente con un circunflejo encima, por ejemplo: 𝑖̂, 𝑗̂ 𝑦 𝑘̂.

Tipos de vectores
Vectores iguales
Dos vectores son iguales cuando tienen el mismo módulo y la misma dirección.

Vector libre
Un vector libre queda caracterizado por su módulo, dirección y sentido. El vector libre es
independiente del lugar en el que se encuentra.

Vectores equivalentes
Si dos o más vectores tienen la misma dirección, sentido y módulo se llaman vectores
equivalentes

Vectores opuestos
Dos vectores que tienen la misma dirección y módulo pero sentido contrario se llaman vectores
opuestos, indicaremos con −𝑢⃗ al vector opuesto de 𝑢
⃗.

59
2.3 Vectores en R2 y R3

La palabra “vectores” se refiere a los elementos de cualquier ℝ𝑛 . En ℝ1 = ℝ el vector es un

punto, que llamamos escalar y se puede representar en una recta numérica.

En ℝ2 el vector es de la forma (𝑎, 𝑏) y sus elementos se asocian con puntos de un plano

cartesiano formado por dos rectas perpendiculares entre sí, que definen un sistema de
coordenadas cartesianas donde la intersección de estas dos rectas representa a (0, 0) y cada
(𝑎, 𝑏) se asocia con un punto de coordenada 𝑎 en la recta horizontal (𝑒𝑗𝑒 𝑋 𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑏𝑠𝑖𝑠𝑎𝑠) y
la coordenada 𝑏 en la recta vertical (𝑒𝑗𝑒 𝑌 𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑜𝑟𝑑𝑒𝑛𝑎𝑑𝑎𝑠).

Análogamente, en ℝ3 el vector es de la forma (𝑎, 𝑏, 𝑐) y sus elementos se asocian con puntos

en el espacio definido por tres rectas perpendiculares entre sí que se cortan en un punto común
del espacio (0,0, 0). Estas rectas forman los ejes 𝑋, 𝑌 𝑦 𝑍, es común llamar a este conjunto de
ejes como sistema de coordenadas cartesianas en el espacio.

60
Vectores en ℝ𝟐

Suma de vectores

Sean 𝒂 = (𝑎1 , 𝑎2 ) 𝑦 𝒃 = (𝑏1 , 𝑏2 ) vectores en ℝ2 , entonces:

𝑎 + 𝑏 = (𝑎1 , 𝑎2 ) + (𝑏1 , 𝑏2 ) = (𝑎1 + 𝑏1 , 𝑎2 + 𝑏2 ).

La suma de vectores también se puede realizar gráficamente. Para sumar los vectores 𝒂 𝑦 𝒃 de
manera gráfica utilizaremos la Regla del paralelogramo, que consiste en dibujar un
paralelogramo a partir de los vectores 𝒂 𝑦 𝒃. Al dibujar la diagonal de este paralelogramo
obtendremos el vector suma 𝒂 + 𝒃.

Producto escalar

Sea 𝛼 ∈ ℝ y 𝒂 = (𝑎1 , 𝑎2 ) un vector en ℝ2 , entonces

𝛼 ∙ 𝒂 = 𝛼 ∙ (𝑎1 , 𝑎2 ) = (𝛼 ∙ 𝑎1 , 𝛼 ∙ 𝑎2 )

Para el producto escalar 𝛼 ∙ 𝑎, se puede observar gráficamente que si 𝛼 > 0 se alarga o se

acorta el vector 𝒂 por un factor 𝛼. Si 𝛼 < 0 se invierte la dirección del vector 𝒂.

61
Vectores en ℝ𝟑

Suma de vectores

Sean 𝒂 𝑦 𝒃 ∈ ℝ3 , entonces:

𝑎 + 𝑏 = (𝑎1 , 𝑎2 , 𝑎3 ) + (𝑏1 , 𝑏2 , 𝑏3 ) = (𝑎1 + 𝑏1 , 𝑎2 + 𝑏2 , 𝑎3 + 𝑏3 )

Producto escalar

Sea 𝛼 ∈ ℝ y 𝒂 un vector en ℝ3 , entonces:

𝛼 ∙ 𝑎 = 𝛼 ∙ (𝑎1 , 𝑎2 , 𝑎3 ) = (𝛼 ∙ 𝑎1 , 𝛼 ∙ 𝑎2 , 𝛼 ∙ 𝑎3 )

62
Vectores en ℝ𝒏

Las operaciones con vectores vistas para ℝ2 𝑦 ℝ3 las podemos generalizar estudiando las
propiedades de los vectores en ℝ𝑛 . Un vector en ℝ𝑛 es una secuencia de 𝒏 elementos de la
forma 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ), siendo 𝒏 un número natural (entero no-negativo) y cada 𝑣𝑖 ∈ ℝ . A
𝑣𝑖 se le llama componente i-ésima del vector.
Dado que el espacio vectorial ℝ𝑛 , con 𝑛 > 3, se representa en un sistema de coordenadas
involucrando 𝑛 ejes de coordenadas perpendiculares entre sí, por consiguiente no es posible
obtener una representación gráfica de estos vectores. Sin embargo, en la práctica estos
vectores son muy importantes ya que muchas propiedades físicas dependen de más de tres
variables. Por ejemplo, la densidad de un fluido homogéneo, además de depender de las tres
coordenadas espaciales, puede depender de variables adicionales tales como la temperatura
(𝑻), la presión (𝒑) y el tiempo (𝒕); en este caso particular, la densidad es función de seis
variables, y los elementos (𝑥, 𝑦, 𝑧, 𝑇, 𝑝, 𝑡) pertenecen a ℝ6 . Entonces:
El espacio vectorial ℝ𝑛 es el conjunto de todos los vectores con 𝑛 elementos de la forma 𝑣 =
(𝑣1 , 𝑣2 , … , 𝑣𝑛 ), que cumple con las siguientes operaciones:

Suma y resta de vectores

La suma y resta se hace componente a componente.

Sean 𝑢 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) ∈ ℝ𝑛 𝑦 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) ∈ ℝ𝑛 , entonces:

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

𝑢 − 𝑣 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) − (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = (𝑢1 − 𝑣1 , 𝑢2 − 𝑣2 , … , 𝑢𝑛 − 𝑣𝑛 )

Propiedades de la suma de vectores

• Clausura para la adición:

∀ 𝑢, 𝑣 ∈ ℝ𝑛 ⟹ 𝑢 + 𝑣 ∈ ℝ𝑛

• Conmutativa:
∀ 𝑢, 𝑣 ∈ ℝ𝑛 ⟹ 𝑢 + 𝑣 = 𝑣 + 𝑢

• Asociativa:
∀ 𝑢, 𝑣, 𝑤 ∈ ℝ𝑛 ⟹ (𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤)

• Elemento neutro:
∃ 0 ∈ ℝ𝑛 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑣 + 0 = 0 + 𝑣 = 𝑣 ∀ 𝑣 ∈ ℝ𝑛

• Elemento opuesto o inverso aditivo:

63
 ∀ 𝑣 ∈ ℝ𝑛 ∃(−𝑣) ∈ ℝ𝑛 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑣 + (−𝑣) = (−𝑣) + 𝑣 = 0 (0 ∈ ℝ𝑛 )

Producto de un vector por un escalar

En este caso se multiplica el escalar por cada una de las coordenadas del vector.
Sea 𝛼 ∈ ℝ y 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) un vector ∈ ℝ𝑛 , entonces:

𝛼 ∙ 𝑣 = 𝛼 ∙ (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = (𝛼 ∙ 𝑣1 , 𝛼 ∙ 𝑣2 , … , 𝛼 ∙ 𝑣𝑛 )

El vector resultante tiene las siguientes características:

1.- Tiene la misma dirección que 𝑣.

2.- Su sentido coincide con el de 𝑣, si 𝛼 es un número positivo

Su sentido es opuesto al de 𝑣, si 𝛼 es un número negativo.

3.- El módulo es 𝛼 veces la longitud que representa el módulo de 𝑣. (Si 𝛼 es 0 el resultado es el

vector nulo).

Propiedades del producto de un vector por un escalar

• Clausura para el producto escalar:

∀ 𝛼 ∈ ℝ 𝑦 𝑣 ∈ ℝ𝑛 ⟹ 𝛼 ∙ 𝑣 ∈ ℝ𝑛
• Conmutativa:

∀ 𝛼 ∈ ℝ 𝑦 𝑣 ∈ ℝ𝑛 ⟹ 𝛼 ∙ 𝑣 = 𝑣 ∙ 𝛼

• Distributiva mixta:

 Suma de vectores ∀ 𝛼 ∈ ℝ 𝑦 𝑢, 𝑣 ∈ ℝ𝑛 ⟹ 𝛼 ∙ (𝑣 + 𝑢) = (𝛼 ∙ 𝑣) + (𝛼 ∙ 𝑢)

 Suma de escalares ∀ 𝛼, 𝛽 ∈ ℝ 𝑦 𝑣 ∈ ℝ𝑛 ⟹ (𝛼 + 𝛽) ∙ 𝑣 = (𝛼 ∙ 𝑣) + (𝛽 ∙ 𝑣)

• Asociativa:

∀ 𝛼, 𝛽 ∈ ℝ 𝑦 𝑣 ∈ ℝ𝑛 ⟹ 𝛼 ∙ (𝛽 ∙ 𝑣) = (𝛼 ∙ 𝛽) ∙ 𝑣

• Elemento neutro:
∃ 1 ∈ ℝ 𝑡𝑎𝑙 𝑞𝑢𝑒 1 ∙ 𝑣 = 𝑣 ∀ 𝑣 ∈ ℝ𝑛

64
2.4 Norma - Distancia - Vectores unitarios - Producto escalar

Norma o Longitud de un vector

La figura muestra el vector geométrico que une el origen al punto 𝐴 en el plano. A partir del
teorema de Pitágoras encontramos que la longitud de 𝐴 = (𝑎1 , 𝑎2 ) ∈ ℝ2 viene dada por la
fórmula :
Longitud de 𝐴 = √𝑎1 2 + 𝑎2 2

En ℝ𝟐 , longitud de 𝑨 𝒆𝒔 √𝒂𝟏 𝟐 + 𝒂𝟐 𝟐 En ℝ𝟑 , longitud de 𝑨 𝒆𝒔 √𝒂𝟏 𝟐 + 𝒂𝟐 𝟐 + 𝒂𝟑 𝟐

En la figura se muestra también el dibujo correspondiente en ℝ3 . Aplicando el teorema de

Pitágoras dos veces, encontramos que la longitud de un vector geométrico 𝐴 = (𝑎1 , 𝑎2 , 𝑎3 ) ∈
ℝ3 viene dada por:
Longitud de 𝐴 = √𝑎1 2 + 𝑎2 2 +𝑎3 2

Observe que en uno u otro caso la longitud de 𝐴 viene dada por (𝐴 ∙ 𝐴)1⁄2 , la raíz cuadrada del
producto escalar de 𝐴 por sí mismo. Esta fórmula sugiere un método para introducir el concepto
de norma en ℝ𝑛 .

Definición: Sea 𝐴 = (𝑎1 , 𝑎2 , 𝑎3 , … , 𝑎𝑛 ) un vector en ℝ𝑛 , la norma (magnitud, módulo o

longitud) del vector, representada de la forma |𝐴| ó ‖𝐴‖, se define mediante la igualdad:

|𝑨| = ‖𝑨‖ = (𝑨 ∙ 𝑨)𝟏⁄𝟐 = √𝑨 ∙ 𝑨 = √𝒂𝟏 𝟐 + 𝒂𝟐 𝟐 +𝒂𝟑 𝟐 + ⋯ + 𝒂𝒏 𝟐

65
Las propiedades básicas de la norma quedan reflejadas en el siguiente teorema:

Teorema. Si 𝐴 𝑦 𝐵 son dos vectores ∈ ℝ𝑛 , y 𝛼 ∈ ℝ se cumplen las siguientes propiedades:

i) ‖𝐴‖ ≥ 0 y ‖𝐴‖ = 0 si y solo si 𝐴 = 0.

ii) ‖𝑨‖ = ‖−𝑨‖

iii) ‖𝛼𝑨‖ = |𝛼|‖𝑨‖

iv) ‖𝑨 − 𝑩‖ = ‖𝑩 − 𝑨‖

v) ‖𝑨 + 𝑩‖ ≤ ‖𝑨‖ + ‖𝑩‖ (Desigualdad triangular)

vi) |𝑨 ∙ 𝑩| ≤ ‖𝑨‖ ‖𝑩‖ (desigualdad de Cauchy-Schwarz)

Nota: La desigualdad triangular se satisface si y solo si 𝐴 = 𝛼𝐵 para algún escalar 𝛼 > 0.

Esta propiedad se desprende de un hecho conocido de la geometría elemental: En un triángulo,
un lado siempre es menor o igual que la suma de los otros dos. Ese es el motivo del adjetivo
triangular aplicado a la desigualdad.

Distancia

Definición: Sean 𝐴 𝑦 𝐵 vectores en ℝ𝑛 , donde 𝐴 = (𝑎1 , 𝑎2 , 𝑎3 , … , 𝑎𝑛 ) y 𝐵 =

(𝑏1 , 𝑏2 , 𝑏3 , … , 𝑏𝑛 ). La distancia entre 𝐴 𝑦 𝐵 representada por 𝑑(𝐴, 𝐵) está definida por:

𝒅(𝑨, 𝑩) = ‖𝑨𝑩‖ = ‖𝑩 − 𝑨‖ = √(𝒃𝟏 − 𝒂𝟏 )𝟐 + (𝒃𝟐 − 𝒂𝟐 )𝟐 +(𝒃𝟑 − 𝒂𝟑 )𝟐 + … + (𝒃𝒏 − 𝒂𝒏 )𝟐

Propiedades

i) 𝒅(𝑨, 𝑩) ≥ 𝟎 para cualesquier punto 𝐴 y 𝐵 ∈ ℝ𝑛 , y 𝒅(𝑨, 𝑩) = 𝟎 si y solo si

𝐴 = 𝐵.

ii) 𝒅(𝑨, 𝑩) = 𝒅(𝑩, 𝑨), para cada par 𝐴, 𝐵 ∈ ℝ𝑛 .

iii) 𝒅(𝑨, 𝑩) + 𝒅(𝑩, 𝑪) ≤ 𝒅(𝑨, 𝑪), y la igualdad se produce solo si 𝐶 pertenece al

segmento de extremos 𝐴 y 𝐵.

66
Vectores unitarios

Se denomina vector unitario a todo vector de módulo 1. Recordemos que el módulo es la cifra
que coincide con la longitud cuando el vector se representa en un gráfico.

Para calcular un vector unitario a partir de uno dado, se divide este último por su módulo. El
⃗ de módulo 1, con la misma dirección y sentido que el vector original.
resultado es un vector 𝑉

Ejemplo 1:

𝑆𝑖 ⃗⃗⃗⃗⃗⃗
𝑨𝑩 mide 3, entonces:

⃗⃗⃗⃗⃗
𝐴𝐵
⃗ 𝐴𝐵 =
𝑉
⃗⃗⃗⃗⃗ |
|𝐴𝐵

Y su módulo:
⃗ 𝐴𝐵 | = 1
|𝑉

Ejemplo 2: Dado un vector de ℝ3 , 𝑎 = (𝑎𝑥 , 𝑎𝑦 , 𝑎𝑧 ), al dividirlo por su módulo | 𝑎| =

√𝑎𝑥 2 + 𝑎𝑦 2 +𝑎𝑧 2 (escalar), se obtiene otro vector de igual dirección y sentido que 𝑎 pero de
módulo 1.
𝑎
𝑎̂ =
| 𝑎|

y sus componentes son

𝑎𝑥 𝑎𝑦 𝑎𝑧
𝑎̂ = ( , , )
| 𝑎| | 𝑎| | 𝑎|
,

67
El uso de vectores unitarios proporciona la especificación de las diferentes direcciones que
presentan las cantidades vectoriales en un determinado sistema de coordenadas
Un vector unitario puede emplearse para definir el sentido positivo de cualquier eje. Así, para
los ejes cartesianos 𝑥, 𝑦, 𝑧 se emplean los vectores 𝒊, 𝒋 𝒚 𝒌:

Vectores unitarios para los ejes cartesianos

La orientación de estos tres ejes cartesianos puede cambiarse, siempre y cuando su orientación
relativa sea la misma.

Del mismo modo pueden definirse un vector tangente y un vector perpendicular a una curva en
cada punto, o un vector unitario en las direcciones radial y angular:

Con ayuda de estos vectores unitarios puede expresarse un vector cualquiera en función de sus
vectores constituyentes.

68
Vectores constituyentes de un vector

Sobre cada uno de los ejes cartesianos ortogonales, y en el sentido positivo de los mismos,
consideramos en ℝ2 los vectores unitarios 𝑖, 𝑗 de componentes

𝑖̂ = (1,0) 𝑗̂ = (0,1)

O en ℝ3 los vectores 𝑖, 𝑗, 𝑘 de componentes

𝑖̂ = (1,0,0) 𝑗̂ = (0,1,0) 𝑘̂ = (0,0,1)

que se denominan vectores fundamentales. También se los suele representar con los símbolos
̂ Podemos comprobar que:
𝒊̂, 𝒋̂, 𝒌

|𝑖| = | 𝑗| = |𝑘| = 1

Cualquier vector 𝑎 se puede expresar en términos de sus proyecciones a lo largo de los ejes y de
estos vectores unitarios. Por ejemplo, en dos dimensiones:

Todo vector 𝑎 ∈ ℝ2 , de componentes cartesianas (𝑎𝑥 , 𝑎𝑦 ) puede escribirse en la forma:

𝑎 = 𝑎𝑥 𝑖 + 𝑎𝑦 𝑗

De forma análoga todo vector 𝑎 ∈ ℝ3 , de componentes cartesianas(𝑎𝑥 , 𝑎𝑦 , 𝑎𝑧 ), puede

escribirse de la forma:

𝑎 = 𝑎𝑥 𝑖 + 𝑎𝑦 𝑗 + 𝑎 𝑧 𝑘

Que es la forma más comúnmente que empleamos para expresar una magnitud vectorial.

Donde 𝑎𝑥 , 𝑎𝑦 , 𝑎𝑧 son las proyecciones (o componentes cartesianas). Los vectores

𝒂𝒙 𝒊, 𝒂𝒚 𝒋, 𝒂𝒛 𝒌 se denominan vectores constituyentes del vector 𝑎.

La descomposición de un vector como suma de vectores en las direcciones de los ejes

coordenados se denomina descomposición canónica.
69
Ejemplos: Efectuar la descomposición canónica de:

a. 𝐴 = (6, −2) ⇒ 𝐴 = 6𝑖 − 2𝑗
b. 𝐵 = (3, 0, −5) ⇒ 𝐵 = 3𝑖 − 5𝑘

Nota: Todo vector de ℝ2 puede escribirse como un vector de ℝ3 con componente 𝑧 igual a
cero, es decir, como caso particular de vectores de ℝ3 .

Producto escalar o producto punto

Se llama producto escalar o interno de dos vectores 𝐴 𝑦 𝐵 al escalar que se obtiene como
producto de los módulos de ambos vectores por el coseno del ángulo que forman. En símbolos:

𝑨 ∙ 𝑩 = |𝑨||𝑩|𝐜𝐨𝐬 𝜽

Propiedades del producto escalar

Consideremos los vectores en A, B, C ∈ ℝn y α ∈ ℝ entonces el producto escalar cumple con

las siguientes propiedades:

1. Conmutativa: 𝐴 ∙ 𝐵 = 𝐵 ∙ 𝐴

2. Asociativa: (𝑘 ∙ 𝐴) ∙ 𝐵 = 𝑘 ∙ (𝐴 ∙ 𝐵) siendo 𝑘 escalar.

3. Distributiva: 𝐴 ∙ (𝐵 + 𝐶) = 𝐴 ∙ 𝐵 + 𝐴 ∙ 𝐶

4. E l p r od u ct o e scalar d e u n ve ct o r n o n ulo p or sí mismo sie mp re e s

p o sit ivo . 𝐴 ≠ 0 ⇒ 𝐴 ∙ 𝐴 > 0

Además, como consecuencias inmediatas de la definición se tiene:

70
  Dado que |𝑨 |𝐜𝐨𝐬 𝜽 representa la proyección de 𝐴 en la dirección de 𝐵, como se ve en
la figura, el producto escalar resulta igual al producto entre el módulo de 𝐵 por la
proyección de 𝐴 en la dirección de 𝐵.

En general, el producto escalar d e d o s v e c t o r e s n o n u l o s resulta igual al producto

entre el módulo de uno de los vectores por la proyección del segundo en la dirección del
primero.

 𝑆𝑖 𝐴 𝑦 𝐵 ≠ 0 𝑦 𝑨 ∙ 𝑩 = 𝟎, esto implica que los vectores son perpendiculares,

(cos 90° = 0).

 Los versores fundamentales, tanto en ℝ2 como en ℝ3 , cumplen que:

𝒊∙𝒊=𝒋∙𝒋=𝒌∙𝒌= 𝟏

𝒊∙𝒋 =𝒋∙𝒌 = 𝒌∙𝒊 = 𝟎

 Dados los vectores:

𝐴 = 𝑎𝑥 𝑖 + 𝑎𝑦 𝑗 + 𝑎𝑧 𝑘 𝑦 𝐵 = 𝑏𝑥 𝑖 + 𝑏𝑦 𝑗 + 𝑏𝑧 𝑘 (en su forma canónica),

Aplicando la propiedad distributiva y las propiedades de los versores fundamentales, su

producto escalar resulta:

𝑨 ∙ 𝑩 = 𝒂𝒙 𝒃𝒙 + 𝒂𝒚 𝒃𝒚 + 𝒂𝒛 𝒃𝒛

Con esta expresión se puede calcular el producto escalar de dos vectores cuando se conocen sus
componentes.
Note que el producto escalar de vectores da como resultado un escalar, no un vector.

 El ángulo entre dos vectores se calcula a partir de

𝑨∙𝑩 𝒂𝒙 𝒃𝒙 + 𝒂𝒚 𝒃𝒚 + 𝒂𝒛 𝒃𝒛
𝐜𝐨𝐬 𝜽 = =
|𝑨||𝑩| 𝟐 𝟐 𝟐
√𝒂𝒙 𝟐 + 𝒂𝒚 𝟐 + 𝒂𝒁 𝟐 √𝒃𝒙 + 𝒃𝒚 + 𝒃𝒁

Ejemplos: Desarrollar el producto escalar y encontrar el ángulo entre los vectores:

a) 𝐴 = (−1, −1) 𝑦 𝐵 = (−2, −1)

𝐴 ∙ 𝐵 = 𝑎𝑥 𝑏𝑥 + 𝑎𝑦 𝑏𝑦 = (−1)(−2) + (−1)(−1) = 3

71
|𝐴| = √𝑎𝑥 2 + 𝑎𝑦 2 = √(−1)2 + (−1)2 = √2

|𝐵| = √𝑏𝑥 2 + 𝑏𝑦 2 = √(−2)2 + (−1)2 = √5

𝐴∙𝐵 3 3 3
cos 𝜃 = = = ⇒ 𝜃 = arccos ≅ 18,44° ≈ 18,4°
|𝐴||𝐵| √2 ∙ 5 √10 √10

b) 𝐴 = (−1, −1,3) 𝑦 𝐵 = (−2, −1, −3)

𝐴 ∙ 𝐵 = 𝑎𝑥 𝑏𝑥 + 𝑎𝑦 𝑏𝑦 + 𝑎𝑧 𝑏𝑧 = (−1)(−2) + (−1)(−1) + (3)(−3) = −6

|𝐴| = √𝑎𝑥 2 + 𝑎𝑦 2 + 𝑎𝑍 2 = √(−1)2 + (−1)2 +(3)2 = √11

|𝐵| = √𝑏𝑥 2 + 𝑏𝑦 2 + 𝑏𝑍 2 = √(−2)2 + (−1)2 (−3)2 = √14

𝐴∙𝐵 −6 −6 −6
cos 𝜃 = = = ⇒ 𝜃 = arccos ≅ 118,9° ≈ 119°
|𝐴||𝐵| √11 ∙ 14 √154 √154

72
2.5 Paralelismo y perpendicularidad entre vectores

⃗ , 𝑣 ∈ ℝ𝑛 distintos de cero:
Dos vectores 𝑢

1. Son paralelos si el ángulo entre ellos es 0 ó 𝜋. Es decir:

⃗ || 𝑣 ⟺ 𝑢
𝑢 ⃗ = 𝜆 ∙ 𝑣, 𝜆 ∈ ℝ

⃗ , de componentes (𝑢1 , 𝑢2 ) es paralelo al vector 𝑣 , de componentes (𝑣1 , 𝑣2 ) si tienen

El vector 𝑢
la misma dirección, es decir si 𝑢
⃗ =𝜆∙𝑣

𝑢1
𝑢1 = 𝜆 ∙ 𝑣1 ⇒ 𝜆 =
𝑣1
(𝑢1 , 𝑢2 ) = 𝜆 ∙ (𝑣1 , 𝑣2 ) { 𝑢2
𝑢2 = 𝜆 ∙ 𝑣2 ⇒ 𝜆 =
𝑣2

𝑢1 𝑢2
⇒ =
𝑣1 𝑣2

Es decir, dos vectores 𝑢

⃗ 𝑦 𝑣 son paralelos cuando sus componentes respectivas son
proporcionales.

73
 2. Son perpendiculares (ortogonales) si el ángulo entre ellos es 𝜋/2. Es decir:

𝑢 ⃗ ∙ 𝑣 = |𝑢
⃗ ⊥𝑣⟺ 𝑢 ⃗ ||𝑣| cos 90° = 0

⃗ , de componentes (𝑢1 , 𝑢2 ) es perpendicular al vector 𝑣 , de componentes (𝑣1 , 𝑣2 ) si

El vector 𝑢
su producto escalar es cero:

𝑢
⃗ ∙𝑣 =0

(𝑢1 , 𝑢2 ) ∙ (𝑣1 , 𝑣2 ) = 0

𝑢1 ∙ 𝑣1 + 𝑢2 ∙ 𝑣2 = 0

74
2.6 Proyecciones, ángulos directores, producto cruz
Proyecciones Ortogonales

Proyección escalar
Sean los vectores: 𝒖 = 𝑢𝑥 𝒊 + 𝑢𝑦 𝒋 + 𝑢𝑧 𝒌 𝑦 𝒗 = 𝑣𝑥 𝒊 + 𝑣𝑦 𝒋 + 𝑣𝑧 𝒌
Al proyectar ortogonalmente el vector 𝒗 sobre la dirección del vector 𝒖 se obtiene un segmento
𝒑 tal como se observa en las figuras 1 y 2.

Se denomina: “proyección escalar del vector 𝒗 sobre la dirección del vector 𝒖” a la longitud del
segmento 𝒑 asociado a un signo: positivo o negativo, que indicará si la proyección coincide o no
con el sentido que tiene el vector sobre el cual proyectamos ortogonalmente.

Para determinar 𝒑, consideremos la figura 1, observamos que el triángulo 𝑁𝑂𝑀 es rectángulo en

𝑀, por lo tanto:
𝑝
cos 𝜃 = ⇒ 𝑝 = ‖𝑣‖cos 𝜃 (𝟏)
‖𝑣‖

Es decir, la proyección del vector 𝒗 sobre la dirección del vector 𝒖 es igual a la norma del vector 𝒗
por el coseno del ángulo formado por los vectores 𝒖 𝑦 𝒗.

Por otra parte, si comparamos (𝟏) con la fórmula del producto escalar entre vectores, tendremos:

𝑢 ∙ 𝑣 = ‖𝑢‖ ‖𝑣‖ 𝑐𝑜𝑠 𝜃 (𝟐)

Entonces, despejando en (𝟐):

𝑢∙𝑣
𝒑 = ‖𝑣‖ 𝑐𝑜𝑠 𝜃 =
‖𝑢‖

Finalmente:

75
 𝒖 ∙ 𝒗 𝒖𝒙 𝒗𝒙 + 𝒖𝒚 𝒗𝒚 + 𝒖𝒛 𝒗𝒛
𝒑 = 𝒑𝒓𝒐𝒚 𝒆𝒔𝒄 𝒗𝒖 = =
‖𝒖‖
√𝒖𝒙 𝟐 + 𝒖𝒚 𝟐 + 𝒖𝒛 𝟐

Ejemplos:

1. Calcular la proyección escalar del vector 𝑢 = (1,1,1) sobre la dirección del vector 𝑣 =
(1,1,0)

(1,1,1) ∙ (1,1,0) 2
𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑢𝑣 = = = √2
√11 + 11 + 02 √2

2. Calcular la proyección escalar del vector 𝑎 = (0, −1,1) sobre la dirección del versor 𝑗 =
(0,1,0)

(0, −1,1) ∙ (0,1,0) −1

𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑎𝑗 = = = −1
√02 + 12 + 02 1

3. Calcular la proyección escalar del versor 𝑖 = (1,0,0) sobre la dirección del versor 𝑘 =
(0,0,1)

(1,0,0) ∙ (0,0,1) 0
𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑖𝑘 = = =0
√02 + 02 + 12 1

Observemos que:

 La proyección escalar es un número real negativo, cero o positivo.

 La proyección escalar es positiva cuando el ángulo entre los vectores es agudo.
 La proyección escalar es cero cuando los vectores son ortogonales.
 La proyección escalar es negativa cuando el ángulo entre los vectores es obtuso.

En todos los casos, la longitud de la proyección escalar es el valor absoluto de la proyección

escalar.

En resumen:
• La proyección escalar del vector 𝒗 sobre la dirección del vector u es:

𝑢∙𝑣
𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑣𝑢 =
‖𝑢‖

• La proyección escalar del vector u sobre la dirección del vector v es:

76
 𝑣∙𝑢
𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑢𝑣 =
‖𝑣‖
En general:
La proyección escalar de un vector sobre la dirección de otro vector, es el cociente entre el
producto escalar de los vectores y la norma del vector sobre el que proyectamos
ortogonalmente.

Vector proyección

Sean los vectores: 𝒖 = 𝑢𝑥 𝒊 + 𝑢𝑦 𝒋 + 𝑢𝑧 𝒌 𝑦 𝒗 = 𝑣𝑥 𝒊 + 𝑣𝑦 𝒋 + 𝑣𝑧 𝒌

Hemos analizado como determinar la proyección escalar del vector 𝒗 sobre la dirección del
vector 𝒖, ahora nos interesa definir “el vector 𝒑”: vector proyección del vector 𝒗 sobre la
dirección del vector 𝒖 tal como se observa en las figuras 3 y 4.

¿Cómo hallar el vector proyección 𝒑?

Por definición, la proyección escalar 𝑝 es un número real que indica la longitud de la proyección
ortogonal de un vector sobre la dirección de otro y el sentido en que se efectúa la proyección,
por lo tanto, para transformar a esta magnitud escalar en una magnitud vectorial es necesario
incorporar la característica de dirección.

Observemos que, tanto en la figura 3 como en la figura 4, la dirección del vector proyección 𝒑
coincide con la dirección del vector sobre el que proyectamos ortogonalmente. Entonces si
multiplicamos la proyección escalar 𝑝 por el versor asociado al vector sobre el que proyectamos
ortogonalmente obtendremos las componentes del vector proyección 𝒑.

Es decir:
𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑣𝑢 = 𝑝 ∙ 𝑢̂ (𝟑)

Recordando que:
𝑢∙𝑣
𝑝 = 𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑣𝑢 =
‖𝑢‖
77
y que:
1
𝑢̂ = ∙𝑢
‖𝑢‖

al reemplazar en (𝟑) obtenemos:

𝑢∙𝑣 1
𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑣𝑢 = ∙ ∙𝑢 (𝟒)
‖𝑢‖ ‖𝑢‖

Operando en la expresión (𝟒), resulta que:

El vector 𝒑 o vector proyección del vector 𝒗 sobre la dirección del vector 𝒖 es:

𝒖∙𝒗
𝒑 = 𝒗𝒆𝒄𝒕𝒐𝒓 𝒑𝒓𝒐𝒚 𝒗𝒖 = ( )∙𝒖
‖𝒖‖𝟐

Ejemplo: Calcular el vector proyección del vector 𝑢 = (1,1,1) sobre la dirección del vector 𝑣 =
(2,2,0)

(2,2,0) ∙ (1,1,1) 4 (8,8,0)

𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑢𝑣 = 2 ∙ (2,2,0) = 2 ∙ (2,2,0) = = (1,1,0)
(√22 + 22 + 02 ) (√8) 8

Componente ortogonal

Sean los vectores: 𝒖 = 𝑢𝑥 𝒊 + 𝑢𝑦 𝒋 + 𝑢𝑧 𝒌 𝑦 𝒗 = 𝑣𝑥 𝒊 + 𝑣𝑦 𝒋 + 𝑣𝑧 𝒌

Veamos ahora cómo obtener la componente vectorial del vector 𝒗 ortogonal a la dirección de
𝒖. Este corresponde al vector 𝒒 que se observa en las figuras 5 y 6.

Notemos que en ambas figuras se cumple que:

𝒗=𝒑+𝒒

78
Es decir, el vector 𝒗 es la suma del vector proyección de 𝒗 sobre la dirección del vector 𝒖 y la
componente de 𝒗 ortogonal a la dirección del vector 𝒖

Entonces:

𝒒 = 𝑐𝑜𝑚𝑝 𝑜𝑟𝑡𝑜𝑔 𝑣𝑢 = 𝒗 − 𝒑

Recordando que:
𝑢∙𝑣
𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑣𝑢 = ( )∙𝑢
‖𝑢‖2

resulta que la componente de 𝒗 ortogonal a la dirección del vector 𝒖 es:

𝒖∙𝒗
𝒒 = 𝒄𝒐𝒎𝒑 𝒐𝒓𝒕𝒐𝒈 𝒗𝒖 = 𝒗 − ( )∙𝒖
‖𝒖‖𝟐

Ejemplo: Calcular la componente de 𝑣 = (1,1,1) ortogonal a la dirección del vector 𝑢 =

(2,2,0)

En primer lugar debemos hallar el vector proyección del vector 𝒗 sobre la dirección del vector
𝒖:

(2,2,0) ∙ (1,1,1) 4
𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑣𝑢 = 2 ∙ (2,2,0) = 2 ∙ (2,2,0) = (1,1,0)
(√22 + 22 + 02 ) (√8)

Luego, la componente de 𝒗 ortogonal a la dirección del vector 𝒖 será:

𝑞 =𝑣−𝑝

es decir:
𝒒 = (1,1,1) − (1,1,0) = (0,0,1)

79
Ángulos directores

Los ángulos directores son los ángulos que forma el vector 𝐴 con cada eje

𝛼: ángulo entre el vector y el eje 𝑋

𝛽: ángulo entre el vector y el eje 𝑌
𝛾: ángulo entre el vector y el eje 𝑍

La dirección de un vector se puede obtener por medio de los cosenos de los ángulos directores.
Se llaman Cosenos directores del vector 𝐴 a los cosenos de los ángulos que forman cada uno de
los ejes coordenados. En un plano tridimensional se representan:

En la imagen se identifican 3 ángulos (𝛼, 𝛽, 𝛾). Los cosenos directores del vector ⃗A =
(Ax , Ay , Az ) son respectivamente:

𝐴𝑥 𝐴𝑥
cos 𝛼 = ⟹ 𝐴𝑥 = |𝐴| cos 𝛼 𝛼 = arccos
|𝐴| |𝐴|

𝐴𝑦 𝐴𝑦
cos 𝛽 = ⟹ 𝐴𝑦 = |𝐴| cos 𝛽 𝛽 = arccos
|𝐴| |𝐴|

𝐴𝑧 𝐴𝑧
cos 𝛾 = ⟹ 𝐴𝑧 = |𝐴| cos 𝛾 𝛾 = arccos
|𝐴| |𝐴|

Para saber el tamaño de cada ángulo se utiliza la función inversa. Observe que si 𝐴 es unitario,
entonces 𝐴 = (cos 𝛼 , cos 𝛽 , cos 𝛾).
Por lo tanto todo vector en tres dimensiones se puede expresar con los ángulos directores así:

⃗ = Ax 𝑖̂ + Ay 𝑗̂ + Az 𝑘̂
A
⃗A = |𝐴|cos 𝛼𝑖̂ + |𝐴| cos 𝛽 𝑗̂ + |𝐴| cos 𝛾 𝑘̂

80
Ejemplo: Mediante los cosenos directores determinar los ángulos de α, β, γ del vector (4, 5, 3)

Paso 1. Se hace la gráfica

Paso 2. Se obtiene el módulo del vector con la fórmula

|𝐴| = √𝐴𝑥 2 + 𝐴𝑦 2 + 𝐴𝑧 2 = √42 + 52 + 32 = √16 + 25 + 9 = √50 = 7,07

Paso 3. Sustituir el modulo del vector en la formula correspondiente a su eje.

𝐴𝑥 4 4
cos 𝛼 = = ⟹ 𝛼 = arccos = 55,6°
|𝐴| 7,07 7,07

𝐴𝑦 5 5
cos 𝛽 = = ⟹ 𝛽 = arccos = 45°
|𝐴| 7,07 7,07

𝐴𝑧 3 3
cos 𝛾 = = ⟹ 𝛾 = arccos = 64,9°
|𝐴| 7,07 7,07

Paso 4. Representar los ángulos en la gráfica.

81
Producto vectorial o producto cruz
Consideremos los vectores 𝑢 ⃗ = (𝑢1 , 𝑢2 , 𝑢3 ) ∈ ℝ3 𝑦 𝑣 = (𝑣1 , 𝑣2 , 𝑣3 ) ∈ ℝ3 . El producto vectorial
de estos dos vectores es otro vector que designaremos como 𝒖 ⃗ × 𝒗 ⃗ perpendicular al plano
definido por 𝒖⃗ ,𝒗
⃗ , es decir, perpendicular tanto a 𝑢 ⃗ como a 𝑣 y cuyo sentido lo da la regla del
"avance del tornillo" (girando de 𝒖⃗ ℎ𝑎𝑐𝑖𝑎 𝒗 ⃗ ).

Su expresión general viene dada por:

𝑖̂ 𝑗̂ 𝑘̂
𝑢
⃗ × 𝑣 = |𝑢1 𝑢2 𝑢3 |
𝑣1 𝑣2 𝑣3

Desarrollando el determinante:

𝑢2 𝑢3 𝑢1 𝑢3 𝑢1 𝑢2
𝑢
⃗ × 𝑣 = |𝑣 | 𝑖̂ − | | 𝑗̂ + | ̂
2 𝑣3 𝑣1 𝑣3 𝑣1 𝑣2 | 𝑘

⃗ × 𝑣 = (𝑢2 𝑣3 − 𝑢3 𝑣2 ) 𝑖̂ − (𝑢1 𝑣3 − 𝑢3 𝑣1 ) 𝑗̂ + (𝑢1 𝑣2 − 𝑢2 𝑣1 ) 𝑘̂

𝑢

⃗ × 𝑣 = (𝑢2 𝑣3 − 𝑢3 𝑣2 ) 𝑖̂ + (𝑢3 𝑣1 − 𝑢1 𝑣3 ) 𝑗̂ + (𝑢1 𝑣2 − 𝑢2 𝑣1 ) 𝑘̂

𝑢

Recordemos que 𝑖̂ = (1,0,0), 𝑗̂ = (0,1,0), 𝑘̂ = (0,0,1), entonces:

⃗ × 𝑣 = (𝑢2 𝑣3 − 𝑢3 𝑣2 , 𝑢3 𝑣1 − 𝑢1 𝑣3 , 𝑢1 𝑣2 − 𝑢2 𝑣1 )
𝑢

Propiedades del producto vectorial

Consideremos los vectores 𝑢 ⃗⃗ ∈ ℝ3 𝑦 𝛼 ∈ ℝ, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠

⃗ , 𝑣, 𝑤

⃗ ∙ (𝑢
1. 𝑢 ⃗ × 𝑣) = 0

2. 𝑣 ∙ (𝑢
⃗ × 𝑣) = 0

⃗ × 𝑣‖2 = ‖𝑢
3. ‖𝑢 ⃗ ‖2 ‖𝑣‖2 − (𝑢
⃗ ∙ 𝑣)2 (igualdad de Lagrange)

4. 𝑢
⃗⃗⃗ 𝑥 𝑣 ≠ 𝑣 𝑥 𝑢
⃗

5. 𝑢
⃗ × 𝑣 = −(𝑣 × 𝑢
⃗)

⃗ × (𝑣 + 𝑤
6. 𝑢 ⃗⃗ ) = (𝑢
⃗ × 𝑣) + (𝑢 ⃗⃗ )
⃗ ×𝑤

82
 7. (𝑢
⃗ + 𝑣) × 𝑤
⃗⃗ = 𝑢
⃗ × 𝑤
⃗⃗ + 𝑣 × 𝑤
⃗⃗

⃗ × 𝑣) = (𝜆𝑢
8. 𝜆(𝑢 ⃗) × 𝑣= 𝑢
⃗ × (𝜆𝑣)

⃗ × ⃗0 = ⃗0 × 𝑢
9. 𝑢 ⃗ = ⃗0

10. 𝑢
⃗ × 𝑢
⃗ =0

11. 𝑖̂ × 𝑖̂ = 𝑗̂ × 𝑗̂ = 𝑘̂ × 𝑘̂ = 0

12. 𝑖̂ × 𝑗̂ = 𝑘̂; 𝑖̂ × 𝑘̂ = 𝑗̂; 𝑗̂ × 𝑘̂ = 𝑖̂

 De la propiedad 10 y la propiedad 8 podemos deducir que si dos vectores son paralelos,

el producto cruz es cero

𝑢
⃗ ∥𝑣 ⇒ 𝑢
⃗ =𝜆𝑣 ⇒ 𝑢
⃗ × 𝑣=0

 Teniendo en cuenta la igualdad de Lagrange, propiedad 3:

⃗ × 𝑣 ‖2 = ‖𝑢
‖𝑢 ⃗ ‖2 ‖𝑣‖2 − (𝑢
⃗ ∙ 𝑣 )2

considerando 𝛼 la medida del ángulo entre 𝑢

⃗ 𝑦 𝑣 y recordando el significado geométrico
del producto escalar. Remplazamos en 𝑢⃗ ∙ 𝑣

⃗ × 𝑣 ‖2 = ‖𝑢
‖𝑢 ⃗ ‖2 ‖𝑣‖2 − (‖𝑢
⃗ ‖2 ‖𝑣‖2 𝑐𝑜𝑠 2 𝛼)

⃗ × 𝑣 ‖2 = ‖𝑢
‖𝑢 ⃗ ‖2 ‖𝑣‖2 (1 − 𝑐𝑜𝑠 2 𝛼)

⃗ × 𝑣‖2 = ‖𝑢
‖𝑢 ⃗ ‖2 ‖𝑣‖2 𝑠𝑒𝑛2 𝛼

⃗ 𝑦𝒗
como 𝛼 es la medida del ángulo formado por los vectores 𝒖 ⃗ , es claro que 0 ≤ 𝛼 ≤ 𝜋,
por lo tanto 𝑠𝑒𝑛 𝛼 ≥ 0 ∀ 𝛼: 0 ≤ 𝛼 ≤ 𝜋, en consecuencia

‖𝒖 ⃗ ‖ = ‖𝒖
⃗ × 𝒗 ⃗ ‖‖𝒗
⃗ ‖ 𝒔𝒆𝒏 𝜶

83
  Consideremos un paralelogramo determinado por dos vectores 𝑢 ⃗ , 𝑣 ∈ ℝ3 , como
podemos observar en la figura. Si 𝛼 es la medida del ángulo entre los vectores 𝑢⃗ 𝑦𝑣 y
como sabemos el área del paralelogramo se halla multiplicando la base por la altura.
Según la figura el área del paralelogramo queda expresada como:

𝐴 = ℎ‖𝑣‖

Pero la altura ℎ = ‖𝑢
⃗ ‖ 𝑠𝑒𝑛 𝛼

finalmente sustituyendo, el área del paralelogramo es:

𝑨 = ‖𝒖
⃗ ‖‖𝒗
⃗ ‖ 𝒔𝒆𝒏 𝜶 = ‖𝒖 ⃗‖
⃗ × 𝒗

∴ El producto vectorial entre dos vectores es un nuevo vector cuyo módulo es igual al área de
un paralelogramo siendo sus lados los vectores adyacentes.

84
 2.7 Rectas y planos en ℝ𝟑

Ecuaciones de la recta
⃗ llamado
Una recta en el espacio queda determinada conociendo un punto 𝑷 y un vector 𝒗
vector director o direccional de la recta.
La ecuación de una recta se puede expresar de distintas formas.
Ecuación vectorial de la recta
Para escribir la ecuación vectorial de una recta en ℝ3 , que pasa por el punto 𝑃0 = (𝑥0 , 𝑦0 , 𝑧0 ) y
tiene un vector director 𝑣 = (𝑣𝑥 , 𝑣𝑦 , 𝑣𝑧 ) debemos fijar las coordenadas de otro punto que
llamaremos 𝑃 = (𝑥, 𝑦, 𝑧), por donde pase la recta, verificándose así, la relación vectorial:

⃗⃗⃗⃗⃗⃗⃗⃗ ⃗
𝑷𝟎 𝑷 = 𝝀 ∙ 𝒗 𝑐𝑜𝑛 𝜆 ∈ ℝ

Considerando la suma de vectores se verifica que:

⃗⃗⃗⃗⃗⃗
𝑶𝑷 = ⃗⃗⃗⃗⃗⃗⃗⃗
𝑶𝑷𝟎 + ⃗⃗⃗⃗⃗⃗⃗⃗
𝑷𝟎 𝑷
Si identificamos el punto 𝑷 como el vector que va desde el origen de coordenadas hasta el
punto 𝑷, 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟, ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗𝟎 ), obtenemos la ecuación
𝑶𝑷, de igual forma lo hacemos con 𝑷𝟎 (𝑶𝑷
vectorial de la recta en ℝ3 :
⃗
𝑷 = 𝑷𝟎 + 𝝀 ∙ 𝒗
donde al variar el parámetro 𝝀, se van generando los puntos de la recta.

85
Ecuación en forma paramétrica
Desarrollando la ecuación vectorial anterior expresada en coordenadas, tenemos lo siguiente:

(𝑥, 𝑦, 𝑧) = (𝑥0 , 𝑦0 , 𝑧0 ) + 𝜆(𝑣𝑥 , 𝑣𝑦 , 𝑣𝑧 )

(𝑥, 𝑦, 𝑧) = (𝑥0 , 𝑦0 , 𝑧0 ) + (𝜆 ∙ 𝑣𝑥 , 𝜆 ∙ 𝑣𝑦 , 𝜆 ∙ 𝑣𝑧 )
(𝑥, 𝑦, 𝑧) = (𝑥0 + 𝜆 ∙ 𝑣𝑥 , 𝑦0 + 𝜆 ∙ 𝑣𝑦 , 𝑧0 + 𝜆 ∙ 𝑣𝑧 )

Al separar por componente esta igualdad vectorial obtenemos:

𝑥 = 𝑥0 + 𝜆 ∙ 𝑣𝑥
{𝑦 = 𝑦0 + 𝜆 ∙ 𝑣𝑦
𝑧 = 𝑧0 + 𝜆 ∙ 𝑣𝑧

Donde el parámetro 𝜆 toma el mismo valor en las tres ecuaciones. Esta expresión se denomina
ecuación de la recta en forma paramétrica o ecuaciones paramétricas de la recta.

Ecuación en forma continua

Si, en las ecuaciones paramétricas 𝑣𝑥 , 𝑣𝑦 𝑦 𝑣𝑧 son distintos de cero, podemos despejar en cada
una de ellas el parámetro 𝜆 .

𝑥 − 𝑥0 𝑦 − 𝑦0 𝑧 − 𝑧0
𝜆= 𝜆= 𝜆=
𝑣𝑥 𝑣𝑦 𝑣𝑧

Igualando las expresiones:

𝑥 − 𝑥0 𝑦 − 𝑦0 𝑧 − 𝑧0
= =
𝑣𝑥 𝑣𝑦 𝑣𝑧

que es la ecuación de la recta en forma continua.

Nota: De lo anterior surge que el ángulo entre dos rectas es el ángulo entre sus vectores
directores. En particular, dos rectas son paralelas si sus vectores dirección lo son, o si uno de
ellos puede escribirse como un múltiplo del otro. Para identificar la perpendicularidad entre dos
rectas, podemos emplear sus vectores directores, comprobando si estos son perpendiculares, es
decir, si su producto escalar es nulo.

86
Ejemplo: Encontrar la ecuación paramétrica de la recta que pasa por (1, −1,3) y tiene la

dirección del vector (1, −2, −1).

Solución: La ecuación es

(𝑥, 𝑦, 𝑧) = 𝑡(𝑣𝑥 , 𝑣𝑦 , 𝑣𝑧 ) + (𝑥0 , 𝑦0 , 𝑧0 ) = (1, −1,3) + 𝜆(1, −2, −1)

𝑥 =1+𝜆
también puede escribirse como { 𝑦 = −1 − 2𝜆
𝑧 = 3−𝜆

o despejando 𝜆:
𝑥−1 𝑦+1 𝑧−3
= =
1 −2 −1

Ecuación en forma cartesiana o implícita (Recta como intersección de dos

planos)

De la ecuación en forma continua, podemos obtener las dos ecuaciones siguientes:

𝑥 − 𝑥0 𝑦 − 𝑦0
= ⟹ 𝑣𝑦 (𝑥 − 𝑥0 ) = 𝑣𝑥 (𝑦 − 𝑦0 ) ⟹ 𝑣𝑦 ∙ 𝑥 − 𝑣𝑥 ∙ 𝑦 + 𝑣𝑥 ∙ 𝑦0 − 𝑣𝑦 ∙ 𝑥0 = 0
𝑣𝑥 𝑣𝑦

𝑥 − 𝑥0 𝑧 − 𝑧0
= ⟹ 𝑣𝑧 (𝑥 − 𝑥0 ) = 𝑣𝑥 (𝑧 − 𝑧0 ) ⟹ 𝑣𝑧 ∙ 𝑥 − 𝑣𝑥 ∙ 𝑧 + 𝑣𝑥 ∙ 𝑧0 − 𝑣𝑧∙ 𝑥0 = 0
𝑣𝑥 𝑣𝑧

que se pueden reescribir de la forma:

𝐴∙𝑥+𝐵∙𝑦+𝐶∙𝑧+𝐷 =0
{
𝐴′ ∙ 𝑥 + 𝐵′ ∙ 𝑦 + 𝐶′ ∙ 𝑧 + 𝐷′ = 0

y que se conocen con el nombre de ecuación implícita o cartesiana de la recta.

Como se verá más adelante, corresponde con las ecuaciones de 2 planos que se cortan en esta
recta. Se cumple que el vector director de la recta es perpendicular de los vectores directores de
los dos planos

Ejemplo: Determinar las ecuaciones de la recta 𝒓 que pasa por los puntos:

𝑃 = (1,2,3) 𝑦 𝑄 = (−1, −2, −3)

Un vector director de 𝑟 es, por ejemplo, el vector que va desde el punto 𝑃 hasta el punto 𝑄

87
⃗⃗⃗⃗⃗
𝑃𝑄 = 𝑄 − 𝑃 = (−1, −2, −3) − (1,2,3) = (−2, −4, −6)
Por lo tanto, la ecuación de la recta 𝑟 en forma vectorial es:

⃗⃗⃗⃗⃗ = (1,2,3) + 𝝀(−2, −4, −6)

(𝑥, 𝑦, 𝑧) = 𝑃 + 𝝀 ∙ 𝑃𝑄

En forma paramétrica:
𝑥 = 1 − 2𝜆
{𝑦 = 2 − 4𝜆
𝑧 = 3 − 6𝜆

En forma continua:
𝑥−1 𝑦−2 𝑧−3
= =
−2 −4 −6

En forma implícita:
2∙𝑥−𝑦 = 0
{
3∙𝑥−𝑧 = 0


Intersección entre rectas

Consideremos dos rectas L y M de ecuaciones paramétricas:

𝐿: (𝑥, 𝑦, 𝑧) = 𝜆(𝑎, 𝑏, 𝑐) + (𝑥0 , 𝑦0 , 𝑧0 )

𝑀: (𝑥, 𝑦, 𝑧) = 𝑡(𝑑, 𝑒, 𝑓) + (𝑥1 , 𝑦1 , 𝑧1 )

Para que ambas rectas se corten en un punto, deben cumplirse simultáneamente las ecuaciones

𝜆𝑎 + 𝑥0 = 𝑡𝑑 + 𝑥1
{ 𝜆𝑏 + 𝑦0 = 𝑡𝑒 + 𝑦1
𝜆𝑐 + 𝑧0 = 𝑡𝑓 + 𝑧1

Esto constituye un sistema de tres ecuaciones con dos incógnitas 𝜆 𝑦 𝑡. Por lo tanto, puede
suceder que no existan valores para 𝜆 𝑦 𝑡 que satisfagan las tres ecuaciones. En ese caso, las
rectas no tienen ningún punto en común. Pero, si una de las ecuaciones puede obtenerse como
combinación lineal de las otras dos, entonces el sistema tendrá solución única pues equivale a
un sistema de dos ecuaciones con dos incógnitas. En ese caso, obtenemos un valor para 𝜆 y un
valor para 𝑡. Al reemplazar 𝜆 en la ecuación de la recta 𝐿, obtenemos un punto. El mismo punto
resulta al reemplazar 𝑡 en la ecuación de 𝑀.

88
Ecuaciones del plano
Un plano 𝜋 queda determinado cuando se conoce un punto 𝑃 del mismo y dos vectores 𝑢 ⃗ y 𝑣
no nulos y linealmente independientes que están contenidos en el plano, llamados vectores
directores del plano.
Existen diferentes formas de expresar la ecuación de un plano. Las describimos a continuación.

Ecuación en forma vectorial

El plano 𝜋 que contiene al punto 𝑃0 = (𝑥0 , 𝑦0 , 𝑧0 ) y tiene como vectores directores los
vectores 𝒖⃗ 𝒚𝒗⃗ es el conjunto de puntos del espacio que verifican la siguiente relación vectorial:

⃗⃗⃗⃗⃗⃗⃗⃗ ⃗ +𝝁∙𝒗
𝑷𝟎 𝑷 = 𝝀 ∙ 𝒖 ⃗ con 𝝀, 𝝁 ∈ ℝ

Teniendo en cuenta que

𝑷 = 𝑷𝟎 + ⃗⃗⃗⃗⃗⃗⃗⃗
𝑷𝟎 𝑷, resulta:

⃗ +𝝁∙𝒗
𝑷 = 𝑷𝟎 + 𝝀 ∙ 𝒖 ⃗

expresión que se conoce como ecuación vectorial del plano.

89
Ecuación en forma paramétrica

Desarrollando la ecuación vectorial expresada en componentes, resulta:

𝑥 = 𝑥0 + 𝜆 ∙ 𝑢𝑥 + 𝜇 ∙ 𝑣𝑥
{ = 𝑦0 + 𝜆 ∙ 𝑢𝑦 + 𝜇 ∙ 𝑣𝑦
𝑦
𝑧 = 𝑧0 + 𝜆 ∙ 𝑢𝑧 + 𝜇 ∙ 𝑣𝑧
que son las ecuaciones paramétricas del plano.

Ecuación en forma general

Como
⃗ +𝝁∙ 𝒗
𝑷 − 𝑷𝟎 = 𝝀 ∙ 𝒖 ⃗
en el determinante
𝑥 − 𝑥0 𝑢𝑥 𝑣𝑥
| − 𝑦0
𝑦 𝑢𝑦 𝑣𝑦 |
𝑧 − 𝑧0 𝑢𝑧 𝑣𝑧

la primera columna es combinación lineal de la segunda y de la tercera. Por tanto dicho

determinante es cero. Desarrollando el determinante, agrupando términos e igualando a 0, nos
queda una ecuación de la forma:
𝝅 ∶ 𝒂𝒙 + 𝒃𝒚 + 𝒄𝒛 + 𝒅 = 𝟎

que es la ecuación en forma general, cartesiana o implícita del plano (𝑎, 𝑏, 𝑐, 𝑑 son números
reales).

90
Ecuación normal
Otra forma de determinar la ecuación de un plano es conociendo un punto del mismo y un
vector normal al plano.

Sea 𝑃0 = (𝑥0 , 𝑦0 , 𝑧0 ) un punto particular por donde pasa el plano 𝜋 y sea 𝒏 ⃗ = (𝒂, 𝒃, 𝒄) un
vector normal a 𝜋. Entonces, para cualquier punto 𝑃 = (𝑥, 𝑦, 𝑧), del plano 𝜋, el
⃗⃗⃗⃗⃗⃗⃗
vector 𝑃0 𝑃 = 𝑃−𝑃0 está contenido en el plano y es perpendicular a 𝒏 ⃗ , es decir:

𝑛⃗ ∙ ⃗⃗⃗⃗⃗⃗⃗
𝑃0 𝑃 = 0
O sea
𝑛⃗ ∙ (𝑃−𝑃0 ) = 0

Expresión que recibe el nombre de ecuación normal del plano.

Al escribir en forma explícita sus componentes, resulta:

(𝑎, 𝑏, 𝑐) ∙ (𝑥 − 𝑥0 , 𝑦 − 𝑦0 , 𝑧 − 𝑧0 ) = 0

y al efectuar el producto escalar, se obtiene:

𝑎(𝑥 − 𝑥0 ) + 𝑏(𝑦 − 𝑦0 ) + 𝑐(𝑧 − 𝑧0 ) = 0

que puede reescribirse en la forma:

𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧−𝑎𝑥0 − 𝑏𝑦0 − 𝑐𝑧0 = 0.

Dado que tanto las componentes del vector 𝒏⃗ como las coordenadas de 𝑃0 son constantes, el
resultado de −(𝑎𝑥0 + 𝑏𝑦0 + 𝑐𝑧0 ) es una constante que indicaremos con 𝑑. Luego, la ecuación
general del plano se escribe:

𝒂𝒙 + 𝒃𝒚 + 𝒄𝒛 + 𝒅 = 𝟎

91
Ejemplo: Determinar las ecuaciones del plano que contiene a los puntos:
𝑃0 = (1,0,0) 𝑃1 = (0,1,0) 𝑦 𝑃2 = (0,0,1)

Tanto
⃗⃗⃗⃗⃗⃗⃗⃗
𝑃0 𝑃1 = 𝑂𝑃1 − 𝑂𝑃0
como
⃗⃗⃗⃗⃗⃗⃗⃗
𝑃0 𝑃2 = 𝑂𝑃2 − 𝑂𝑃0

son vectores directores del plano 𝜋, de manera que:

𝑃 = 𝑃0 + 𝜇 ⃗⃗⃗⃗⃗⃗⃗⃗
𝑃0 𝑃2 + 𝜆 ⃗⃗⃗⃗⃗⃗⃗⃗
𝑃0 𝑃1
es decir:
(𝑥, 𝑦, 𝑧) = (1,0,0) + 𝜇 (−1,0,1) + 𝜆 (−1,1,0)

es la ecuación vectorial del plano 𝜋. De la cual se deduce la ecuación de 𝜋 en forma

paramétrica:
𝑥 =1−𝜇−𝜆
𝜋 { 𝑦=𝜆
𝑧=𝜇
Como (𝑥 − 1, 𝑦, 𝑧) es una combinación lineal de (−1,1,0) y de (−1,0,1) se ha de tener
que:
𝑥−1 −1 −1
| 𝑦 1 0 |=0
𝑧 0 1

de lo que se deduce la ecuación de 𝜋 en forma general, cartesiana o implícita:

𝑥+𝑦+𝑧−1=0

Ejemplo: Escribir la ecuación del plano de normal 𝑁 = (1,3, −2) que contiene al punto
(1, −2,3).

Solución: La ecuación es

1𝑥 + 3𝑦 − 2𝑧 = 1 ∙ 1 + 3 ∙ (−2) − 2 ∙ 3
𝑥 + 3𝑦 − 2𝑧 = −11

92
Intersección entre una recta y un plano

Para encontrar la intersección entre una recta 𝐿 de ecuación paramétrica (𝑥, 𝑦, 𝑧) =

(𝑥0 , 𝑦0 , 𝑧0 ) + 𝜆(𝑣𝑥 , 𝑣𝑦 , 𝑣𝑧 ) y un plano 𝜋 de ecuación 𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 = 𝑞, debemos analizar
previamente las siguientes opciones:

Que la recta sea paralela al plano: Como la recta viene caracterizada por su vector dirección
𝑽 = (𝑣𝑥 , 𝑣𝑦 , 𝑣𝑧 ) y el plano por su vector normal 𝑵 = (𝑎, 𝑏, 𝑐), se comparan las direcciones de
los vectores 𝑽 𝒚 𝑵. Que la recta sea paralela al plano significa que ambos vectores son
perpendiculares. Por lo tanto, calculamos el producto escalar 𝑽 ∙ 𝑵. Si resulta nulo, dichos
vectores son perpendiculares.

Que la recta estuviera contenida en el plano: Para ver si es éste el caso, tomamos un punto
cualquiera de la recta y vemos si verifica la ecuación del plano. Concluimos que, si la recta y el
plano son paralelos y tienen un punto en común, entonces tienen todos los puntos de la recta
en común.

Supongamos ahora que la recta 𝐿 y el plano 𝜋 no son paralelos. Entonces se cortarán en un

único punto. Para determinarlo, escribimos la ecuación de la recta por componentes:

𝑥 = 𝑥0 + 𝜆 ∙ 𝑣𝑥
{𝑦 = 𝑦0 + 𝜆 ∙ 𝑣𝑦
𝑧 = 𝑧0 + 𝜆 ∙ 𝑣𝑧

y las reemplazamos en la ecuación del plano:

𝑎(𝑥0 + 𝜆 ∙ 𝑣𝑥 ) + 𝑏(𝑦0 + 𝜆 ∙ 𝑣𝑦 ) + 𝑐(𝑧0 + 𝜆 ∙ 𝑣𝑧 ) = 𝑞.

De esta expresión se obtiene un valor del parámetro 𝝀 en la forma:

𝝀𝑎𝑣𝑥 + 𝝀𝑏𝑣𝑦 + 𝝀𝑐𝑣𝑧 = 𝑞 − 𝑎𝑥0 − 𝑏𝑦0 − 𝑐𝑧0 , de donde

𝑞 − 𝑎𝑥0 − 𝑏𝑦0 − 𝑐𝑧0

𝝀=
𝑎𝑣𝑥 + 𝑏𝑣𝑦 + 𝑐𝑣𝑧

Al reemplazarlo en la ecuación de la recta, obtenemos un valor para las tres coordenadas del
punto de intersección buscado.

Ejemplo: Encontrar la intersección entre la recta 𝐿: (𝑥, 𝑦, 𝑧) = 𝑡(1,2, −1) + (1,0,3) y el plano
𝜋: 2𝑥 − 𝑦 + 3𝑧 = −1.

Solución:

93
Efectuamos el producto escalar entre los vectores 𝑉 = (1,2, −1) 𝑦 𝑁 = (2, −1,3)

(1,2, −1) ∙ (2, −1,3) = 2 − 2 − 3 = −3 ≠ 0

Concluimos que la recta y el plano no son paralelos pues los vectores 𝑽 𝑦 𝑵 no son
perpendiculares. Por lo tanto, existe un punto de intersección.
Para hallarlo, escribimos a partir de la ecuación de la recta:

𝑥 = 𝑡 + 1;
𝑦 = 2𝑡;
𝑧 = −𝑡 + 3

y sustituimos en la ecuación del plano:

2(𝑡 + 1) − 2𝑡 + 3(−𝑡 + 3) = −1 de donde

2𝑡 + 2 − 2𝑡 − 3𝑡 + 9 = −1 o sea
−3𝑡 = −1 − 2 − 9 y finalmente
𝑡 = 4.

Las coordenadas del punto de intersección son:

𝑥 = 4 + 1 = 5;
𝑦 = 2 ∙ 4 = 8;
𝑧 = −4 + 3 = −1

El punto es (5,8, −1). Se puede comprobar que este punto cumple también con la ecuación del
plano:
2 ∙ 5 − 8 + 3 ∙ (−1) = −1.

Distancia entre un punto y un plano

Para calcular la distancia entre un punto 𝑄 y un plano 𝜋 que no contiene al punto, se traza una
recta 𝐿 perpendicular al plano (paralela al vector 𝑁) que pase por 𝑄, se determina el punto 𝑅
que indica la intersección de esta recta con el plano y luego se calcula la distancia entre 𝑅 𝑦 𝑄.
La distancia 𝑑 entre 𝑄 y el plano está dada por la longitud del segmento 𝑅𝑄.

94
Otra forma más simple consiste en seleccionar un punto cualquiera 𝑃 del plano y trazar el
vector ⃗⃗⃗⃗⃗
𝑃𝑄 . La proyección de este vector en la dirección de 𝑵 tiene la misma longitud que el
segmento 𝑅𝑄. El valor de esta proyección está relacionado con el producto escalar entre los
vectores ⃗⃗⃗⃗⃗
𝑃𝑄 y 𝑵 ya que

⃗⃗⃗⃗⃗ = |𝑵||𝑃𝑄
𝑵 ∙ 𝑃𝑄 ⃗⃗⃗⃗⃗ | cos 𝛼 = |𝑵| ∙ proyección de 𝑃𝑄
⃗⃗⃗⃗⃗ en la dirección de 𝑵

Esta proyección resulta negativa si el ángulo 𝛼 toma un valor entre 𝝅⁄𝟐 𝑦 𝝅 y como la
distancia 𝑑 que estamos buscando es una cantidad positiva, se considera entonces el valor
absoluto de dicha proyección. Luego,

|𝑵 ∙ ⃗⃗⃗⃗⃗
𝑃𝑄 |
𝑑=
|𝑵|

Ejemplo: Calcular la distancia entre el punto (2, −1,3) y el plano 2𝑥 + 3𝑦 − 4𝑧 = 2.

Solución: En primer lugar, comprobemos que el punto dado no pertenece al plano. En efecto, al
reemplazar las coordenadas del punto en la ecuación del plano obtenemos
2⋅ 2 + 3⋅ (−1) − 4⋅3 = −11 ≠ 2. Elegimos ahora algún punto del plano, por ejemplo el (1,4,3) y
construimos el vector
⃗⃗⃗⃗⃗
𝑃𝑄 = 𝑄 − 𝑃 = (2, −1,3) − (1,4,3) = (1, −5,0).

Su producto escalar con la normal al plano, 𝑵 = (2,3, −4) 𝑒𝑠:

(1, −5,0) ∙ (2,3, −4) = −13.

Además, |𝑵| = √4 + 9 + 16 = √29.

Luego, la distancia es
13
𝑑=
√29

95
 Ejercicios

1. Hallar las ecuaciones paramétricas y continua de la recta dada por la intersección de los dos
planos

2𝑥 − 𝑦 + 2𝑧 − 3 = 0
{
5𝑥 − 3𝑦 − 7𝑧 + 8 = 0

Solución: Estas ecuaciones las podemos expresar como un sistema de dos ecuaciones con dos
incógnitas, tomando 𝑧 como parámetro:

2𝑥 − 𝑦 = 3 − 2𝑧
5𝑥 − 3𝑦 = −8 + 7𝑧

Despejamos 𝑥 𝑒 𝑦 en función de 𝑧:

𝑥 = 17 − 13𝑧; 𝑦 = 31 − 24𝑧

si hacemos 𝑧 = 1, tenemos las ecuaciones paramétricas pedidas:

𝑥 = 17 − 13 ∙ 1 = 4
𝑦 = 31 − 24 ∙ 1 = 7
𝑧=1

2. Hallar las ecuaciones vectorial, paramétricas y cartesiana del plano que pasa por el punto
𝐴(2,5,3) y es paralelo a los vectores 𝑣 (1,3,2) 𝑦 𝑡(4, −2,2).

Solución: Los vectores 𝑣 𝑦 𝑡 los podemos trasladar al

punto 𝐴. Ahora, estos dos vectores definen un plano.

La ecuación vectorial de este plano viene dada por:

̅̅̅̅
𝑂𝑃 = ̅̅̅̅
𝑂𝐴 + 𝜆𝑣 + 𝜇𝑡

es decir,

𝑥 = 𝑎 + 𝜆𝑣 + 𝜇𝑡

la ecuación vectorial del plano es:

(𝑥, 𝑦, 𝑧) = (2,5,3) + 𝜆(1,3,2) + 𝜇(4, −2,2)

las ecuaciones paramétricas son:

96
𝑥 = 2 + 𝜆 + 4𝜇
𝑦 = 5 + 3𝜆 − 2𝜇
𝑧 = 3 + 2𝜆 + 2𝜇

Si tomamos 𝜆 = 1 𝑦 𝜇 = 0, por ejemplo, hallamos un punto 𝐵 = (3,8,5), del plano, y después

tomamos 𝜆 = 0 𝑦 𝜇 = 1, hallamos otro punto 𝐶 = (6,3,5), del plano; de esta forma obtenemos tres
puntos 𝐴, 𝐵, 𝐶 que definen un plano y cuya ecuación viene dada por:

𝑥 𝑦 𝑧 1
|2 5 3 1| = 0
3 8 5 1
6 3 5 1

Finalmente, la ecuación cartesiana del plano que pasa por estos tres puntos es:

5𝑥 + 3𝑦 − 7𝑧 − 4 = 0

3. Hallar la ecuaciones paramétricas del plano que pasa por el punto 𝐴 = (3,2,4) y es paralelo al
plano:

3𝑥 + 2𝑦 − 5𝑧 + 3 = 0

Solución: El plano pedido es paralelo al plano 3𝑥 + 2𝑦 − 5𝑧 + 3 = 0, es decir, su vector normal

debe ser:

𝒏 = (𝟑, 𝟐, −𝟓)

el plano pedido debe tener la forma:

3𝑥 + 2𝑦 − 5𝑧 + 𝑑 = 0

Sólo nos queda hallar el valor de " 𝑑 ". Como el plano debe pasar por el punto 𝐴 = (3,2,4)
sustituimos estos valores en la ecuación anterior:

3(3) + 2(2) − 5(4) + 𝑑 = 0

𝑑=7

Por tanto, el plano pedido es:

3𝑥 + 2𝑦 − 5𝑧 + 7 = 0

Ahora hacemos 𝑥 = 𝜆 , 𝑦 = 𝜇, en la ecuación anterior:

3𝜆 + 2𝜇 − 5𝑧 + 7 = 0

97
Despejamos 𝑧 :
7 3 2
𝑧= + 𝜆+ 𝜇
5 5 5

finalmente las ecuaciones paramétricas del plano son:

𝑥=𝜆
𝑦=𝜇
{
7 3 2
𝑧= + 𝜆+ 𝜇
5 5 5

4. Hallar la ecuación cartesiana del plano que pasa por el punto 𝐴 = (5, 1, −3) y es
perpendicular a la recta:

𝑥−1 𝑦+2 𝑧+7

= =
3 −4 2
Solución: La ecuación general del plano es:

𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 = 0 {1}

como este plano pasa por el punto A(5,1,-3), se cumple:

5𝑎 + 𝑏 − 3𝑐 + 𝑑 = 0 {2}

por otra parte 𝒏 𝑦 𝒗 son vectores paralelos, o sea:

𝑎 𝑏 𝑐 4 2
= = ⟹ 𝑏 = − 𝑎, 𝑐 = 𝑎
3 −4 2 3 3

Sustituimos estos valores en {2}:

4 2 5
5𝑎 − 𝑎 − 3 ∙ 𝑎 + 𝑑 = 0 ⟹ 𝑑 = − 𝑎
3 3 3

finalmente estos valores de 𝑎, 𝑏, 𝑐 𝑦 𝑑 los sustituimos en {1}:

4 2 5
𝑎𝑥 − 𝑎𝑦 + 𝑎𝑧 − 𝑎 = 0
3 3 3

simplificando:
3𝑥 − 4𝑦 + 2𝑧 − 5 = 0

98
2.8 Definición de espacio vectorial, subespacios.

Espacio vectorial
Dado un cuerpo 𝕂 y un conjunto no vacío 𝑉 cualquiera, en el que están definidas dos
operaciones:

1. Ley de composición interna

∀ 𝑢, 𝑣 ∈ 𝑉 ⟹ 𝑢 + 𝑣 ∈ 𝑉

2. Ley de composición externa

∀ 𝛼 ∈ 𝕂 (𝕂 = ℝ ó ℂ) y 𝑣 ∈ 𝑉 ⟹ 𝛼 ∙ 𝑣 ∈ 𝑉

El conjunto 𝑉 tiene estructura de espacio vectorial sobre el cuerpo 𝕂 si y sólo si se verifican

las siguientes propiedades:

1. Conmutatividad:
𝒖+𝒗 =𝒗+𝒖 ∀ 𝑢, 𝑣 ∈ 𝑉

2. Asociatividad:
(𝒖 + 𝒗) + 𝒘 = 𝒖 + (𝒗 + 𝒘) ∀ 𝑢, 𝑣, 𝑤 ∈ 𝑉

3. Existe elemento neutro:

∃ 0𝑣 ∈ 𝑉 𝑡𝑎𝑙 𝑞𝑢𝑒 𝒗 + 𝟎𝒗 = 𝟎𝒗 + 𝒗 = 𝒗 ∀ 𝑣 ∈ 𝑉

4. Existe elemento opuesto:

∀ 𝑣 ∈ 𝑉 ∃(−𝑣) ∈ 𝑉 𝑡𝑎𝑙 𝑞𝑢𝑒 𝒗 + (−𝒗) = (−𝒗) + 𝒗 = 𝟎𝒗 (0𝑣 ∈ 𝑉)

5. Distributividad respecto de los vectores:

𝜶 ∙ (𝒖 + 𝒗) = (𝜶 ∙ 𝒖) + (𝜶 ∙ 𝒗) ∀𝛼 ∈ 𝕂 𝑦 𝑢, 𝑣 ∈ 𝑉

6. Distributividad respecto de los escalares:

(𝜶 + 𝜷) ∙ 𝒗 = (𝜶 ∙ 𝒗) + (𝜷 ∙ 𝒗) ∀ 𝛼, 𝛽 ∈ 𝕂 𝑦 𝑣 ∈ 𝑉

99
 7. Asociatividad respecto de los escalares:

𝜶 ∙ (𝜷 ∙ 𝒗) = (𝜶 ∙ 𝜷) ∙ 𝒗 ∀ 𝛼, 𝛽 ∈ 𝕂 𝑦 𝑣 ∈ 𝑉

8. Elemento neutro:
∃ 1 ∈ 𝕂 𝑡𝑎𝑙 𝑞𝑢𝑒 𝟏 ∙ 𝒗 = 𝒗 ∀ 𝑣 ∈ 𝑉

Un conjunto debe satisfacer todas las condiciones anteriores para ser un espacio vectorial.

NOTA: A los elementos del espacio vectorial 𝑉 se los suele denominar vectores, mientras que a
los números por los cuales se multiplican esos vectores se los denomina escalares.
Cuando el conjunto de escalares es el conjunto de números reales, es decir, 𝕂 = ℝ, se dice que
𝑉 es un espacio vectorial real (ℝ-espacio vectorial o 𝑉 es un espacio vectorial sobre los reales)
mientras que si 𝐾 = ℂ, se dice que 𝑉 es un espacio vectorial complejo ( ℂ-espacio vectorial o un
espacio vectorial sobre los complejos). En esta guía trabajaremos sólo con espacios vectoriales
reales.

Propiedades

Sea 𝑉 un espacio vectorial sobre un cuerpo ℝ, se verifican las siguientes propiedades:

1. 0 ∙ 𝑣 = 0𝑣 , ∀ 𝑣 ∈ 𝑉;

2. 𝛼 ∙ 0𝑣 = 0𝑣 , ∀ 𝛼 ∈ ℝ;

3. 𝛼 ∙ 𝑣 = 0, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝛼 = 0 ó 𝑣 = 0𝑣 (ó 𝑎𝑚𝑏𝑜𝑠) ∀ 𝑣 ∈ 𝑉 ∀ 𝛼 ∈ ℝ;

4. 𝑆𝑖 𝑢 ≠ 0, 𝛼 ∙ 𝑣 = 𝛽 ∙ 𝑣 ⇒ 𝛼 = 𝛽;

5. 𝑆𝑖 𝛼 ≠ 0, 𝛼 ∙ 𝑢 = 𝛼 ∙ 𝑣 ⇒ 𝑢 = 𝑣;

6. (−𝛼) ∙ 𝑣 = −(𝛼 ∙ 𝑣), ∀ 𝑢 ∈ 𝑉 ∀ 𝛼 ∈ ℝ.

100
Ejemplos:

1. Los siguientes conjuntos son espacios vectoriales:

a. ℝ𝑛 = {(𝑎1 , 𝑎2 , … , 𝑎𝑛 )/𝑎𝑖 ∈ ℝ; 𝑖 = 1, 2, … , 𝑛}

b. 𝑝𝑛 = {𝑝(𝑥) = ∑𝑛𝑖=0 𝑎𝑖 𝑥 𝑖 ≡ 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 ⁄𝑎𝑖 ∈ ℝ; 𝑖 = 0,1, 2, … , 𝑛}

donde 𝑥 es una variable.

c. 𝑀𝑚×𝑛 = {𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑐𝑜𝑛 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 (𝐴)𝑖𝑗 = 𝑎𝑖𝑗 ∕ 𝑎𝑖𝑗 ∈ ℝ; 𝑖 = 1, 2, … , 𝑚; 𝑗 =

1, 2, … , 𝑛}

En el ejemplo b se presenta al conjunto de polinomios de grado 𝑛 (entero no negativo) con 𝑥

variable, expresados en notación de suma. La suma de polinomios y la multiplicación de
polinomios por un escalar también están definidas. Dados 𝑝(𝑥) = ∑𝑛𝑖=0 𝑎𝑖 𝑥 𝑖 𝑦 𝑞(𝑥) =
∑𝑛𝑖=0 𝑏𝑖 𝑥 𝑖 :

𝑛 𝑛

𝑝(𝑥) + 𝑞(𝑥) = ∑(𝑎𝑖 + 𝑏𝑖 )𝑥 𝑖 , 𝑘 𝑝(𝑥) = ∑ 𝑘 𝑎𝑖 𝑥 𝑖

𝑖=0 𝑖=0

De igual manera, el conjunto de las matrices de orden 𝑚 × 𝑛 ( ejemplo c) con las operaciones
usuales es un espacio vectorial sobre el cuerpo de los números reales. Están definidas la suma de
matrices y la multiplicación por un escalar.

Dadas dos matrices 𝐴 𝑦 𝐵, con elementos (𝐴)𝑖𝑗 = 𝑎𝑖𝑗 𝑦 (𝐵)𝑖𝑗 = 𝑏𝑖𝑗 en la fila 𝑖 y la columna 𝑗,
respectivamente, la matriz 𝐶 = 𝐴 + 𝐵 se obtiene de la siguiente manera:

(𝐶)𝑖𝑗 = (𝐴 + 𝐵)𝑖𝑗 = (𝐴)𝑖𝑗 + (𝐵)𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗

En particular, el conjunto de matrices 1 × 𝑛 coincide con ℝ𝑛 . Por otro lado, el conjunto de

matrices 𝑛 × 1 (𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑐𝑜𝑙𝑢𝑚𝑛𝑎) contiene elementos de la forma:

𝑎11 𝑎1
𝑎12 𝑎2
( ⋮ )≡( ⋮ )
𝑎1𝑛 𝑎𝑛
101
 2. (ℝ2 , +, ∙ , ℝ) con las operaciones (𝑎, 𝑏) + (𝑐, 𝑑) = (𝑎 + 𝑐, 𝑏 + 𝑑) 𝑦 𝑘(𝑎, 𝑏) = (𝑎, 𝑘𝑏)
no es un espacio vectorial sobre ℝ, por ejemplo:

(3 + 5)(1, 3) = 8(1, 3) = (1, 24)

Sin embargo
3(1, 3) + 5(1, 3) = (1, 9) + (1, 15) = (2, 24)

Subespacio

Definición: Sea V un espacio vectorial y S un subconjunto de V (S ⊆ V). Se dice que S es

subespacio vectorial de V si S cumple las propiedades definidas en V para ser espacio vectorial.
Es decir, se debería verificar lo siguiente:

1. S no es vacío;

2. La suma y el producto definidos en 𝑉 son operaciones cerradas en 𝑆, es decir:

 (𝒖 + 𝒗) 𝑒𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑆 𝑠𝑖 𝑢 𝑦 𝑣 𝑠𝑜𝑛 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑆

 𝜶 ∙ 𝒗 𝑒𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑆 𝑠𝑖 𝛼 𝑒𝑠 𝑢𝑛 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝑎𝑟𝑏𝑖𝑡𝑟𝑎𝑟𝑖𝑜 𝑦 𝑣 𝑒𝑠 𝑢𝑛 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑆

3. se verifican las propiedades 1 a 8 de la definición de espacio vectorial.

Sin embargo no es necesario probar nuevamente el tercer punto, gracias al siguiente teorema.

Teorema: Sea V un espacio vectorial y S un subconjunto deV. Entonces S es subespacio vectorial

de V si y sólo si se verifican las siguientes condiciones:

1. 𝑆 ≠ ∅,

2. ∀ 𝑢, 𝑣 ∈ 𝑆 ⇒ (𝑢 + 𝑣) ∈ 𝑆

3. ∀ 𝑣 ∈ 𝑆 𝑦 ∀𝛼 ∈ 𝕂 ⇒ 𝛼 ∙ 𝑣 ∈ 𝑆

102
Es decir, al comprobar que se satisface las propiedades de cerradura o
𝑙𝑒𝑦 𝑑𝑒 𝑐𝑜𝑚𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑖𝑛𝑡𝑒𝑟𝑛𝑎 𝑦 𝑒𝑥𝑡𝑒𝑟𝑛𝑎, significa que las demás propiedades que definen a
un espacio vectorial serán satisfechas por el subespacio.

Observación: Si 𝑆 es un subespacio vectorial de 𝑉, entonces 𝟎𝒗 ∈ 𝑺

Nota:

𝑺 = 𝟎𝒗
} 𝐬𝐨𝐧 𝐬𝐮𝐛𝐞𝐬𝐩𝐚𝐜𝐢𝐨𝐬 𝐯𝐞𝐜𝐭𝐨𝐫𝐢𝐚𝐥𝐞𝐬 𝐝𝐞 𝑽 (conocidos como subespacios triviales).
𝑺=𝑽

Ejemplo:

𝑆𝑒𝑎 𝑆 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 ⁄𝑥 + 𝑦 − 𝑧 = 0} 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑆 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 ℝ3

El procedimiento que se realiza para este caso es el siguiente:

1° Análisis de datos:

𝑢 ∈ 𝑆 ⟺ 𝑢 = (𝑢1 , 𝑢2 , 𝑢3 ) ∈ ℝ3 ∧ 𝑢1 + 𝑢2 − 𝑢3 = 0 (∗)
𝑣 ∈ 𝑆 ⟺ 𝑣 = (𝑣1 , 𝑣2 , 𝑣3 ) ∈ ℝ3 ∧ 𝑣1 + 𝑣2 − 𝑣3 = 0 (∗∗)

𝟐° 𝑺𝒆𝒂𝒏 𝒖, 𝒗 ∈ 𝑺 𝒚 𝜶 ∈ ℝ

a. Por demostrar que (𝒖 + 𝒗) ∈ 𝑺

𝑢 + 𝑣 = (𝑢1 , 𝑢2 , 𝑢3 ) + (𝑣1 , 𝑣2 , 𝑣3 ) [(∗) 𝑦 (∗∗)]

𝑢 + 𝑣 = (𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 , 𝑢3 + 𝑣3 ) (𝑠𝑢𝑚𝑎 𝑒𝑛 ℝ3 )

∴ (𝒖 + 𝒗) ∈ ℝ𝟑 (∗∗∗)

De (∗∗∗), concluimos que (𝑢 + 𝑣) puede pertenecer a S, pero falta comprobarlo

(𝑢1 + 𝑣1 ) + (𝑢2 + 𝑣2 ) − (𝑢3 + 𝑣3 ) = 𝑢1 + 𝑣1 + 𝑢2 + 𝑣2 − 𝑢3 − 𝑣3

(𝑢1 + 𝑣1 ) + (𝑢2 + 𝑣2 ) − (𝑢3 + 𝑣3 ) = (𝑢1 + 𝑢2 − 𝑢3 ) + (𝑣1 + 𝑣2 − 𝑣3 )
(𝑢1 + 𝑣1 ) + (𝑢2 + 𝑣2 ) − (𝑢3 + 𝑣3 ) = 0 + 0 (𝑣𝑒𝑟 (∗) 𝑦 (∗∗))
(𝑢1 + 𝑣1 ) + (𝑢2 + 𝑣2 ) − (𝑢3 + 𝑣3 ) = 0

∴ (𝒖 + 𝒗) ∈ 𝑺

103
 b. Por demostrar que 𝜶 ∙ 𝒗 ∈ 𝑺

𝛼 ∙ 𝑣 = 𝛼 (𝑣1 , 𝑣2 , 𝑣3 )
𝛼 ∙ 𝑣 = (𝛼𝑣1 , 𝛼𝑣2 , 𝛼𝑣3 )

∴ 𝜶 ∙ 𝒗 ∈ ℝ𝟑
Por otra parte

𝛼𝑣1 + 𝛼𝑣2 − 𝛼𝑣3 = 𝛼 ∙ (𝑣1 + 𝑣2 − 𝑣3 )

𝛼𝑣1 + 𝛼𝑣2 − 𝛼𝑣3 = 𝛼 ∙ 0
𝛼𝑣1 + 𝛼𝑣2 − 𝛼𝑣3 = 0
∴ 𝜶∙𝒗 ∈ 𝑺

Teorema: Sea 𝑉 un espacio vectorial y {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } ⊂ 𝑉 entonces

𝑛

𝑆 = {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } = {∑ 𝑟𝑖 ⋅ 𝑣𝑖 ∕ 𝑟𝑖 ∈ 𝕂 (1 ≤ 𝑖 ≤ 𝑛)} 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑑𝑒 𝑉

𝑖=1

Sean 𝑣, 𝑤 ∈ 𝑆 𝑦 𝛼 ∈ 𝕂 entonces
𝑛

𝑢 ∈ 𝑆 ⇔ 𝑣 = ∑ 𝑎𝑖 ⋅ 𝑣𝑖 ⁄𝑎𝑖 ∈ 𝕂 (1 ≤ 𝑖 ≤ 𝑛)
𝑖=1

𝑤 ∈ 𝑆 ⇔ 𝑤 = ∑ 𝑏𝑖 ⋅ 𝑣𝑖 ⁄𝑏𝑖 ∈ 𝕂 (1 ≤ 𝑖 ≤ 𝑛)
𝑖=1

Ahora debemos demostrar que 𝑆 es subespacio de 𝑉:

a. p.d.q. (𝑢 + 𝑤) ∈ 𝑆
𝑛 𝑛

𝑣 + 𝑤 = ∑ 𝑎𝑖 ⋅ 𝑣𝑖 + ∑ 𝑏𝑖 ⋅ 𝑣𝑖
𝑖=1 𝑖=1

𝑣 + 𝑤 = ∑(𝑎𝑖 + 𝑏𝑖 ) ⋅ 𝑣𝑖
𝑖=1

∴ (𝒖 + 𝒘) ∈ 𝑺

104
 b. p.d.q. 𝛼 ∙ 𝑢 ∈ 𝑆.
𝑛

𝛼 ∙ 𝑢 = 𝛼 ∙ ∑ 𝑎𝑖 ⋅ 𝑣𝑖
𝑖=1

𝛼 ∙ 𝑢 = ∑(𝛼 ∙ 𝑎𝑖 ) ⋅ 𝑣𝑖
𝑖=1

∴ 𝜶∙𝒖∈𝑺

𝐷𝑒 𝑎 𝑦 𝑏 ⟹ 𝑺 𝒆𝒔 𝒔𝒖𝒃𝒆𝒔𝒑𝒂𝒄𝒊𝒐 𝒅𝒆 𝑽

Ejemplo:

Si 𝑆 = {(𝑥, 𝑦, 𝑧, 𝑤) ∈ ℝ4 ⁄𝑥 − 2𝑦 + 3𝑧 + 5𝑤 = 0} 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑆 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑑𝑒 ℝ4

𝑣∈𝑆 ⟺ 𝑣 = (𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 ) ∈ ℝ4 ∧ 𝑣1 − 2𝑣2 + 3𝑣3 + 5𝑣4 = 0

⟺ 𝑣 = (𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 ) ∈ ℝ4 ∧ 𝑣1 = 2𝑣2 − 3𝑣3 − 5𝑣4

⟺ 𝑣 = (2𝑣2 − 3𝑣3 − 5𝑣4 , 𝑣2 , 𝑣3 , 𝑣4 ) ∧ (𝑣2 , 𝑣3 , 𝑣4 ) ∈ ℝ3

⟺ 𝑣 = 𝑣2 (2,1,0,0) + 𝑣3 (−3,0,1,0)+𝑣4 (−5,0,0,1)

⟺ 𝑣 ∈ {(2,1,0,0), (−3,0,1,0), (−5,0,0,1)}

Luego

𝑆 = {(2,1,0,0), (−3,0,1,0), (−5,0,0,1)}

Aplicando teorema anterior ⟹ 𝐒 𝐞𝐬 𝐬𝐮𝐛𝐞𝐬𝐩𝐚𝐜𝐢𝐨 𝐝𝐞 ℝ𝟒

105
Intersección de subespacios

Definición: Sean 𝑊1 y 𝑊2 dos subespacios vectoriales de un espacio vectorial 𝑉 se define la

intersección de estos dos subespacios como:

𝑊1 ∩ 𝑊2 = { 𝑢 ∈ 𝑉 / 𝑢 ∈ 𝑊1 𝑦 𝑢 ∈ 𝑊2 }

Teorema: La intersección de subespacios vectoriales es subespacio vectorial.

Ejemplo: Sean 𝑊1 = {(𝑥, 𝑦/ 𝑥 + 𝑦 = 0)} 𝑦 𝑊2 = {(𝑥, 𝑦/ 𝑥 − 𝑦 = 0)}

Las dos ecuaciones que definen los subespacios son:

𝑥+𝑦 =0
𝑥−𝑦 =0

Debemos resolver el sistema de dos ecuaciones con dos incógnitas que tenemos planteado:

𝑥 = −𝑦
𝑥=𝑦

La única solución de este sistema es: 𝑥 = 0; 𝑦 = 0. Es decir:

𝑊1 ∩ 𝑊2 = {(0, 0)}

Suma de subespacios

Definición: Sean 𝑊1 y 𝑊2 dos subespacios vectoriales de un espacio vectorial 𝑉 se define el

subespacio suma como:

𝑊1 + 𝑊2 = { 𝑥 ∈ 𝑉 / 𝑥 = 𝑢 + 𝑣 𝑐𝑜𝑛 𝑢 ∈ 𝑊1 , 𝑣 ∈ 𝑊2 }

es decir, aquellos vectores que podamos construir sumando un vector de 𝑊1 y uno de 𝑊2 .

Teorema: La suma de dos subespacios vectoriales es un subespacio vectorial.

La definición anterior se puede extender a la suma de varios subespacios:

Definición: Sean 𝑊1 , 𝑊2 , … , 𝑊𝑛 subespacios vectoriales de 𝑉, se define la suma de estos n-

subespacios como:

106
𝑊1 + 𝑊2 + … + 𝑊𝑛 = { 𝑥 ∈ 𝑉 / 𝑥 = 𝑥1 + 𝑥2 + … + 𝑥𝑛 𝑐𝑜𝑛 𝑥1 ∈ 𝑊1 , 𝑥2 ∈ 𝑊2 , …, 𝑥𝑛 ∈ 𝑊𝑛 }

Cálculo del subespacio suma

La suma 𝑆 + 𝑇 se calcula usando la forma paramétrica de 𝑆 y de 𝑇. Esto nos permite tomar un

vector genérico de cada uno de los subespacios y sumarlos, obteniéndose una expresión
paramétrica de 𝑆 + 𝑇.
No obstante la forma paramétrica así obtenida puede tener parámetros no independientes.

Ejemplo: Consideremos los subespacios en ℝ3 dados en paramétricas por:

𝑆 = {(𝛼, 𝛼 + 𝛽, 𝛽) ∶ 𝛼, 𝛽 ∈ ℝ}
𝑇 = {(0, 0, 𝛾) ∶ 𝛾 ∈ ℝ}

Entonces:
𝑆 + 𝑇 = (𝛼, 𝛼 + 𝛽, 𝛽) + (0, 0, 𝛾) = (𝛼, 𝛼 + 𝛽, 𝛽 + 𝛾)

Es decir,
𝑆 + 𝑇 = {(𝛼, 𝛼 + 𝛽, 𝛽 + 𝛾) ∶ 𝛼, 𝛽, 𝛾 ∈ ℝ}

Teorema: Sean 𝑊1 y 𝑊2 dos subespacios vectoriales de un espacio vectorial 𝑉. Se verifica lo

siguiente:

𝒅𝒊𝒎 (𝑾𝟏 + 𝑾𝟐 ) = 𝒅𝒊𝒎 (𝑾𝟏 ) + 𝒅𝒊𝒎 ( 𝑾𝟐 ) − 𝒅𝒊𝒎 (𝑾𝟏 ∩ 𝑾𝟐 )

Ejemplo: Dados los subespacios de ℝ4

𝑊1 = {(𝑢1 = (1, −1, 1, 0), 𝑢2 = (0, 1, −1, 1), 𝑢3 = (2, −1, 1, 1))}

𝑊2 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 / 𝑥 + 𝑦 + 𝑧 = 0; 𝑥 + 𝑧 + 𝑡 = 0)}

 dim (𝑊1 ) = 𝑟𝑎𝑛𝑔(𝑢1 , 𝑢2 , 𝑢3 )

1 −1 1 0 −2𝑓 +𝑓 →𝑓 1 −1 1 0 𝑓 −𝑓 →𝑓 1 −1 1 0
1 3 3 2 3 3
𝑊1 = (0 1 −1 1) → (0 1 −1 1) → (0 1 −1 1)
2 −1 1 1 0 1 −1 1 0 0 0 0

107
𝑊1 = 〈𝑢1 = (1, −1, 1, 0), 𝑢2 = (0, 1, −1, 1)〉

𝐝𝐢𝐦 (𝑾𝟏 ) = 𝟐

 𝑊2 ⇒ 𝑥 + 𝑦 + 𝑧 = 0 ⇒ 𝑦 = −𝑥 − 𝑧

𝑥 + 𝑧 + 𝑡 = 0 ⇒ 𝑡 = −𝑥 − 𝑧

𝑊2 = {(𝑥, −𝑥 − 𝑧, 𝑧, −𝑥 − 𝑧) ∈ ℝ4 )}

𝑊2 = {𝑥(1, −1, 0, −1) + z(0, −1, 1, −1)}

𝑊2 = 〈𝑣1 = (1, −1, 0, −1), 𝑣2 = (0, −1, 1, −1)〉

𝐝𝐢𝐦( 𝑾𝟐 ) = 𝟐

 dim(𝑊1 + 𝑊2 ) = 𝑟𝑎𝑛𝑔(𝑢1 , 𝑢2 , 𝑣1 , 𝑣2 )

1 −1 1 0 1 −1 1 0
0 1 𝑓2 +𝑓4 →𝑓4 0 1 −1 1)
𝑊1 + 𝑊2 = ( −1 1 )→ (
1 −1 0 −1 1 −1 0 −1
0 −1 1 −1 0 0 0 0

𝑊1 + 𝑊2 = 〈𝑢1 = (1, −1, 1, 0), 𝑢2 = (0, 1, −1, 1), 𝑣1 = (1, −1, 0, −1)〉

𝐝𝐢𝐦(𝑾𝟏 + 𝑾𝟐 ) = 𝟑

 𝑊1 ∩ 𝑊2 ⇒ 𝑐𝑜𝑚𝑜 𝑢2 = −𝑣2 , entonces:

𝑊1 ∩ 𝑊2 = 〈𝑢2 = (0, 1, −1, 1)〉

𝒅𝒊𝒎 (𝑾𝟏 ∩ 𝑾𝟐 ) = 𝟏

 Comprobamos el teorema:

𝑑𝑖𝑚 (𝑊1 ∩ 𝑊2 ) = 𝑑𝑖𝑚 (𝑊1 ) + 𝑑𝑖𝑚 ( 𝑊2 ) − 𝑑𝑖𝑚(𝑊1 + 𝑊2 )

𝑑𝑖𝑚 (𝑊1 ∩ 𝑊2 ) = 2 + 2 − 3

𝒅𝒊𝒎 (𝑾𝟏 ∩ 𝑾𝟐 ) = 𝟏

108
Subespacios ortogonales

Vector ortogonal a un subespacio

Definición: Sea V un espacio vectorial y S un subespacio de V. Se dice que un vector 𝑣 es
ortogonal a 𝑆 (se denota 𝑣 ⊥ 𝑆 ) si 𝑣 es ortogonal a todos los vectores de 𝑆. (Basta con que 𝑣
sea ortogonal con los vectores de una base de 𝑆).

Ejemplo: En ℝ3 , el vector (0, 0, 1) es ortogonal al plano 𝑋𝑌.

Subespacios ortogonales
Definición: Sea V un espacio vectorial y S un subespacio de V. Diremos que el subespacio 𝑺
es ortogonal a otro subespacio 𝑻 (se denota 𝑆 ⊥ 𝑇) si todo vector de 𝑆 es ortogonal a todo
vector de 𝑇, es decir:
𝒖∙𝒗=𝟎 ∀ 𝑢 ∈ 𝑆, 𝑣 ∈ 𝑇

Basta con que los vectores de una base de 𝑆 sean ortogonales a los vectores de una base de 𝑇.

Propiedades

1. Si 𝑆 ⊥ 𝑇 ⇒ S ∩ T = {0𝑣 }
2. Si existe un 𝑣 ≠ 0𝑣 en la intersección ⇒ 𝑣 ∙ 𝑣 ≠ 0 𝑐𝑜𝑛 𝑣 ∈ 𝑆, 𝑣 ∈ 𝑇 ⇒ 𝑆 𝑦 𝑇 no son
ortogonales.

Ejemplo: En ℝ3 , el eje 𝑋 es ortogonal al plano 𝑌𝑍. Sin embargo, el plano 𝑋𝑌 no es ortogonal al

plano 𝑌𝑍.

Nota: Sea V un espacio vectorial y S un subespacio de V. Para este subespacio 𝑆 podemos

definir su complementario como 𝑇 tal que 𝑆 ⨁ 𝑇 sea el espacio total V.

109
Complemento ortogonal

Definición: Sea V un espacio vectorial y S un subespacio de V. Se denomina complemento

ortogonal de 𝑆 al conjunto de todos los vectores que son ortogonales a 𝑆 y se denota como S ⊥ .

O sea, S ⊥ es subespacio de V y está conformado por todos los vectores 𝑤 de V que son
ortogonales a todos y cada uno de los vectores 𝑣 de 𝑆.

Nota: Cualquier subespacio que sea ortogonal a 𝑆, estará contenido en S ⊥ .

Observación: Todo subespacio S ⊂ V (salvo el 0𝑣 y el propio V) admite infinitos subespacios

suplementarios (también llamados complementarios), pero sólo uno de ellos es complemento
ortogonal.
Por ejemplo, en el espacio euclídeo canónico ℝ3 , cualquier recta pasando por el origen y no
incluida en el 𝑝𝑙𝑎𝑛𝑜 𝑋𝑌 es suplementario (o complementario) del subespacio formado por el
𝑝𝑙𝑎𝑛𝑜 𝑋𝑌 , pero el complemento ortogonal del 𝑝𝑙𝑎𝑛𝑜 𝑋𝑌 es un subespacio único, que es la
recta que define el eje 𝑍.

Propiedades

Para cualquier subespacio 𝑆 de un espacio vectorial 𝑉 , se verifican las siguientes propiedades:

1. (S ⊥ )⊥ = 𝑆
2. S ∩ S ⊥ = {0𝑣 }
3. S + S ⊥ = 𝑉
4. 𝑑𝑖𝑚 𝑆 + 𝑑𝑖𝑚 S ⊥ = 𝑑𝑖𝑚𝑉 = 𝑛
En particular, de las propiedades 2 y 3 se tiene S ⨁ S ⊥ = 𝑉 (suma directa).

Construcción del complemento ortogonal

 Se trata de encontrar todos los vectores ortogonales a S. Basta con que sean ortogonales
a su base.
 Planteamos un sistema de ecuaciones.
 Es un sistema compatible indeterminado, cuyo espacio solución será S ⊥ .
 Observemos que la 𝑑𝑖𝑚𝑆 + 𝑑𝑖𝑚 𝑆 ⊥ = dim 𝑉

110
Ejemplo: Calculemos el complemento ortogonal del siguiente subespacio de ℝ4 :

𝑇 = {(𝑎, 0, 2𝑎, 𝑏) /𝑎, 𝑏 ∈ ℝ}

 Primero buscamos una base de 𝑇:

(𝑎, 0, 2𝑎, 𝑏) = (𝑎, 0, 2𝑎, 0) + (0, 0,0, 𝑏) = 𝑎(1, 0, 2, 0) + 𝑏(0, 0,0,1)

∴ 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑇 = {(1, 0, 2, 0), (0, 0,0,1)}

 Buscamos vectores que sean ortogonales a estos vectores base de 𝑇, es decir, (𝑥, 𝑦, 𝑧, 𝑤)
tales que:

𝑥
𝑦
(1, 0, 2, 0) ( 𝑧 ) = 0
𝑤
𝑥
𝑦
(0, 0, 0, 1) ( 𝑧 ) = 0
𝑤
Es decir:
𝑥
1 0 2 0 𝑦 0
( )( ) = ( )
0 0 0 1 𝑧 0
𝑤

𝑥 + 2𝑧 = 0 ⇒ 𝑥 = −2𝑧
𝑤=0

(𝑥, 𝑦, 𝑧, 𝑤) = (−2𝑧, 𝑦, 𝑧, 0)

Es un sistema compatible indeterminado (admite infinitas soluciones). Si consideramos 𝑦 =

𝜇; 𝑧 = −𝜆 , su solución es: {(2𝜆, 𝜇, −𝜆, 0)/ 𝜆, 𝜇 ∈ ℝ }

 Obtenemos una base de 𝑇 ⊥ :

(2𝜆, 𝜇, −𝜆, 0) = (2𝜆, 0, −𝜆, 0) + (0, 𝜇, 0, 0) = 𝜆(2, 0, −1, 0) + 𝜇(0,1, 0, 0)

∴ 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑇 ⊥ = {(2, 0, −1, 0), (0,1, 0, 0)}

 Comprobamos que:
𝑑𝑖𝑚𝑇 + 𝑑𝑖𝑚 𝑇 ⊥ = 2 + 2 = 4

111
 2.9 Dependencia e independencia lineal

Definición: Sea 𝑉 un espacio vectorial sobre un cuerpo 𝕂 y 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉.

Se dice que un vector 𝑣 ∈ 𝑉 es combinación lineal de los vectores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 si y sólo si
existen 𝛼1 , 𝛼2 , . . . , 𝛼𝑛 ∈ 𝕂 tales que
𝑛

𝑣 = ∑ 𝛼𝑖 𝑣𝑖 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛
𝑖=1

Definición: Sea 𝑉 un espacio vectorial sobre un cuerpo 𝕂 y 𝑆 ⊆ 𝑉.

𝑆 es un sistema generador del espacio vectorial 𝑉 si y sólo si cualquier vector 𝑣 ∈ 𝑉 es
combinación lineal de vectores de 𝑆, es decir,

∀ 𝑣 ∈ 𝑉 ∃ 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑆 ∃ 𝛼1 , 𝛼2 , . . . , 𝛼𝑛 ∈ 𝕂, tales que
𝑛

𝑣 = ∑ 𝛼𝑖 𝑣𝑖
𝑖=1

Definición: Sean 𝑉 un espacio vectorial y 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉.

Se dice que los vectores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 son linealmente independientes si y sólo si ninguno de
los vectores se puede escribir como combinación lineal de los restantes.

En caso contrario se dice que los vectores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 son linealmente dependientes

Proposición: Sean 𝑉 un espacio vectorial sobre un cuerpo 𝕂 y 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉.

Los vectores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 son linealmente independientes si y sólo si ∀ 𝛼1 , 𝛼2 , . . . , 𝛼𝑛 ∈ 𝕂
𝑛

∑ 𝛼𝑖 𝑣𝑖 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛 = 0𝑣 ⇒ 𝛼1 = 𝛼2 = . . . = 𝛼𝑛 = 0
𝑖=1

Proposición: Sean 𝑉 un espacio vectorial sobre un cuerpo 𝕂 y 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉.

Los vectores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 son linealmente dependientes si y sólo si existen escalares
𝛼1 , 𝛼2 , . . . , 𝛼𝑛 ∈ 𝕂, no todos nulos, tales que
𝑛

∑ 𝛼𝑖 𝑣𝑖 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛 = 0𝑣
𝑖=1

112
Ejemplo1: Dado 𝑆 = {(1,1,0), (0,2,3), (1,2,3)}. Determinar si 𝑆 es L.I. o L.D.

𝛼(1,1,0) + 𝛽(0,2,3) + 𝛾 (1,2,3) = (0,0,0)

(𝛼, 𝛼, 0) + (0,2𝛽, 3𝛽) + (𝛾, 2𝛾, 3𝛾) = (0,0,0)
(𝛼 + 𝛾, 𝛼 + 2𝛽 + 2𝛾, 3𝛽 + 3𝛾) = (0,0,0)

𝛼+𝛾 =0
𝛼 + 2𝛽 + 2𝛾 = 0
3𝛽 + 3𝛾 = 0

1 0 1 0 𝐹2 =𝐹2 −𝐹1 1 0 1 0 𝐹2 =𝐹2 1 0 1 0 𝐹 =𝐹 −3𝐹 1 0 1 0

2 3 3 2
(1 2 2|0) → (0 2 1|0) → (0 1 1⁄2|0) → (0 1 1⁄2|0)
0 3 30 0 3 30 3 3 3⁄2 0 0 0 3⁄2 0

2
𝐹3 = 𝐹3 1 0 1 0
3
→ (0 1 1⁄2|0)
0 0 1 0

∃ 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎 ⇒ 𝑆 𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒

Ejemplo2: Dado 𝑀 = {(1,1,3), (3,5,5), (2,1,8)}. Determinar si 𝑀 es L.I. o L.D.

𝛼(1,1,3) + 𝛽(3,5,5) + 𝛾 (2,1,8) = (0,0,0)

(𝛼, 𝛼, 3𝛼) + (3𝛽, 5𝛽, 5𝛽) + (2𝛾, 𝛾, 8𝛾) = (0,0,0)
(𝛼 + 3𝛽 + 2𝛾, 𝛼 + 5𝛽 + 𝛾, 3𝛼 + 5𝛽 + 8𝛾) = (0,0,0)

𝛼 + 3𝛽 + 2𝛾 = 0
𝛼 + 5𝛽 + 𝛾 = 0
3𝛼 + 5𝛽 + 8𝛾 = 0

1 3 2 0 𝐹𝐹2=𝐹
=𝐹2 −𝐹1
1 3 2 0 𝐹3 =𝐹3 +2𝐹2 1 3 2 0
3 3 −3𝐹2
(1 5 1|0) → (0 2 −1|0) → (0 2 −1|0)
3 5 80 0 −4 2 0 0 0 0 0

∃ ∞ 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 ⇒ 𝑀 𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒

113
Ejemplo 3: Dado 𝐴 = {2𝑡 2 + 𝑡, 𝑡 2 + 3, 𝑡}. Determinar si 𝐴 es L.I. o L.D.

𝛼(2𝑡 2 + 𝑡) + 𝛽(𝑡 2 + 3) + 𝛾 (𝑡) = (0,0,0)

(2𝛼𝑡 2 + 𝛼𝑡) + (𝛽𝑡 2 + 3𝛽) + (𝛾𝑡) = (0,0,0)
(3𝛽, 𝛼𝑡 + 𝛾𝑡, 2𝛼𝑡 2 + 𝛽𝑡 2 ) = (0,0,0)
[3𝛽, 𝑡(𝛼 + 𝛾), 𝑡 2 (2𝛼 + 𝛽)] = (0,0,0)

3𝛽 = 0
𝛼+𝛾 =0
2𝛼 + 𝛽 = 0
𝐹3 =𝐹3 −2𝐹1
1
0 3 0 0 𝐹2 =𝐹1 1 0 10 𝐹2 = 𝐹2 1 0 1 0 𝐹3 =𝐹3 −𝐹2 1 0 1 0
3
(1 0 1|0) → (0 3 0|0) → (0 1 0 |0) → (0 1 0 |0)
2 1 00 2 1 00 0 1 −2 0 0 0 −2 0

1
𝐹3 =− 𝐹3 1 0 10
2
→ (0 1 0|0)
0 0 10

∃ 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎 ⇒ 𝐴 𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒

Ejemplo 4: Dado 𝐵 = {2𝑡 2 + 𝑡 + 1, 3𝑡 2 + 𝑡 − 5, 𝑡 + 13}. Determinar si 𝐵 es L.I. o L.D.

𝛼(2𝑡 2 + 𝑡 + 1) + 𝛽(3𝑡 2 + 𝑡 − 5) + 𝛾 (𝑡 + 13) = (0,0,0)

(2𝛼𝑡 2 + 𝛼𝑡 + 𝛼) + (3𝛽𝑡 2 + 𝛽𝑡 − 5𝛽) + (𝛾𝑡 + 13𝛾) = (0,0,0)
(𝛼 − 5𝛽 + 13𝛾, 𝛼𝑡 + 𝛽𝑡 + 𝛾𝑡, 2𝛼𝑡 2 + 3𝛽𝑡 2 ) = (0,0,0)
[𝛼 − 5𝛽 + 13𝛾, 𝑡(𝛼 + 𝛽 + 𝛾), 𝑡 2 (2𝛼 + 3𝛽)] = (0,0,0)

𝛼 − 5𝛽 + 13𝛾 = 0
𝛼+𝛽+𝛾 =0
2𝛼 + 𝛽 = 0

1 −5 13 0 𝐹𝐹2==𝐹𝐹2−2𝐹
−𝐹1
1 −5 13 0 𝐹3 = 6𝐹3 −13𝐹2 1 −5 13 0
3 3 1
(1 1 |
1 0 ) → ( 0 6 −12|0) → (0 6 −12|0)
2 3 0 0 0 13 −26 0 0 0 0 0

∃ ∞ 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 ⇒ 𝐵 𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒

114
Ejemplo5: Dado 𝐶 = {(1 − 𝑡)3 , (1 − 𝑡)2 , (1 − 𝑡)}. Determinar si 𝐶 es L.I. o L.D.

𝛼(1 − 3𝑡 + 3𝑡 2 − 𝑡 3 ) + 𝛽(1 − 2𝑡 + 𝑡 2 ) + 𝛾 (1 − 𝑡) = (0,0,0,0)

(𝛼 − 3𝛼𝑡 + 3𝛼𝑡 2 − 𝛼𝑡 3 ) + (𝛽 − 2𝛽𝑡 + 𝛽𝑡 2 ) + (𝛾 − 𝛾𝑡) = (0,0,0,0)
(𝛼 + 𝛽 + 𝛾, −3𝛼𝑡 − 2𝛽𝑡 − 𝛾𝑡, 3𝛼𝑡 2 + 𝛽𝑡 2 , −𝛼𝑡 3 ) = (0,0,0,0)
[𝛼 + 𝛽 + 𝛾, 𝑡(−3𝛼 − 2𝛽 − 𝛾), 𝑡 2 (3𝛼 + 𝛽), −𝛼𝑡 3 ] = (0,0,0,0)

𝛼+𝛽+𝛾 =0
−3𝛼 − 2𝛽 − 𝛾 = 0
3𝛼 + 𝛽 = 0
−𝛼 = 0

𝐹2 = 𝐹2 +3𝐹1
1 1 1 0 𝐹3 = 𝐹3 −3𝐹1 1 1 1 0 𝐹3 = 𝐹3 +2𝐹2 1 1 1 0
𝐹 = 𝐹 +𝐹 2 |0) →𝐹4 = 𝐹4 +𝐹2 (0
(−3 −2 −1|0) → (0 1 1 2 |0)
4 2 1
3 1 0 0 0 −2 −3 0 0 0 1 0
−1 0 0 0 0 1 1 0 0 0 −1 0

1 1 10
𝐹4 = 𝐹4 +𝐹3
→ (0 1 2|0)
0 0 10
0 0 00

∃ 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎 ⇒ 𝐶 𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒

115
 2.10 Base y dimensión.

Base

Definición: Sean 𝑉 un espacio vectorial y 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑉.

Se dice que {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } es una base del espacio vectorial 𝑉 si y sólo si:

 Es un conjunto linealmente independiente.

 Es un sistema generador de 𝑉 .

Esto significa que cualquier elemento de 𝑉 puede expresarse como combinación lineal del
conjunto {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } y que ninguno de los vectores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 puede expresarse como
combinación lineal de los otros. Existe un número infinito de conjuntos que satisfacen las
condiciones anteriores y por lo tanto existe también un número infinito de bases para un
espacio vectorial dado. Excepto para el espacio vectorial 𝑉 = {0}, cuya única base es el
conjunto vacío (∅).

Ejemplos:

1. La base canónica de ℝ𝑛 es {𝑒1 , 𝑒2 , . . . , 𝑒𝑛 }, con

𝑒1 = (1, 0, … 0); 𝑒2 = (0, 1, … , 0); . . . ; 𝑒𝑛 = (0, 0, … , 0, 1)

2. El conjunto {𝑖̂ = (1,0,0), 𝑗̂ = (0,1,0), 𝑘̂ = (0,0,1)} es una base para ℝ3 .

1 1 −1 0 0 0 0 −1
3. El conjunto {( ),( ),( ),( )} es una base para el conjunto de
−1 0 1 0 0 1 −1 0

matrices 2 × 2 (𝑀2×2 ).

116
Dimensión

Definición: Sea 𝑉 un espacio vectorial tal que 𝑉 ≠ {0}. Se denomina dimensión del espacio
vectorial 𝑉, y se representa por 𝐝𝐢𝐦 𝑽, al número de vectores que tiene una base de 𝑉.

De manera equivalente podemos definir la dimensión del espacio vectorial 𝑉 como:

 El número máximo de vectores en 𝑉 linealmente independientes.

 El número mínimo de vectores que generan 𝑉.

Propiedades de la dimensión

1. Significado físico de la dimensión: el espacio tiene dimensión 3, los planos dimensión 2, las
rectas dimensión 1, el punto dimensión 0. El subespacio {0} es el único de dimensión 0.

2. La dimensión de un subespacio en ℝ𝑛 , coincide con el número de parámetros libres en su

forma paramétrica. (1 parámetro=recta, 2 parámetros= plano ...)

3. Si 𝑆 𝑦 𝑇 son subespacios y 𝑆 está contenido en 𝑇, entonces

dim 𝑆 ≤ dim 𝑇
Además, si se da la igualdad,

dim 𝑆 = dim 𝑇,
entonces ambos espacios coinciden.

4. El rango de una familia de vectores, es igual a la dimensión del subespacio que generan.
Es decir: si 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 generan un cierto subespacio 𝑆, y si el rango de este conjunto es 𝑟,
entonces:
dim 𝑆 = 𝑟

117
Ejemplos:

1. (ℝ2 , +, ∙ , ℝ) es un espacio vectorial de dimensión 2, pues {(1,0), (0,1)} son base al ser
linealmente independientes y generadores de ℝ2 .

2. (ℝ3 , +, ∙ , ℝ) es un espacio vectorial de dimensión 3, pues {(1,0,0), (0,1,0), (0,0,1)} son

base, al ser linealmente independientes y generadores de ℝ3 .

3. (𝑀𝑚×𝑛 , +, ∙ , ℝ) es un espacio vectorial de dimensión 𝑚 ∙ 𝑛. Por ejemplo:

1 0 0 1 0 0 0 0
𝑀2×2 tiene dimensión 4, pues {( ),( ),( ),( )} son base al ser
0 0 0 0 1 0 0 1

linealmente independientes y generadores de 𝑀2×2 .

4. 𝑃𝑛 es un espacio vectorial de dimensión 𝑛 + 1, pues {1, 𝑥, 𝑥 2 , … , 𝑥 𝑛 } son base al ser

linealmente independientes y generadores de 𝑃𝑛 .

Ejemplo 1: Determinar el valor de x para que el vector (1, x, 5) ∈ ℝ3 pertenezca al subespacio

〈(1,2,3), (1,1,1)〉.

Solución: (1, x, 5) pertenece al subespacio 〈(1,2,3), (1,1,1)〉 si y sólo si (1, x, 5) es combinación

lineal de (1,2,3) 𝑦 (1,1,1), o sea, si existen 𝛼, 𝛽 ∈ ℝ tales que:

(1, x, 5) = 𝛼(1,2,3) + 𝛽(1,1,1)

Entonces:
𝛼+𝛽 =1
2𝛼 + 𝛽 = 𝑥
3𝛼 + 𝛽 = 5

resolviendo el sistema anterior, obtenemos:

𝛼 = 2, 𝛽 = −1 𝑦 𝑥 = 3.

118
Ejemplo 2: Encontrar una base y la dimensión del subespacio vectorial

𝑆 = 〈(1,2, −1,3), (2,1,0, −2), (0,1,2,1), (3,4,1,2)〉.

Solución: Un sistema generador de 𝑆 es 𝐴 = {(1,2, −1,3), (2,1,0, −2), (0,1,2,1), (3,4,1,2)}.

Recordemos que un sistema generador cuyos vectores componentes son todos linealmente
independientes entre sí (ninguno de los vectores se puede expresar como combinación lineal de
los otros) se denomina una base. Pero 𝐴 no cumple con esta condición ya que:

(0,0,0,0) = 𝛼1 (1,2, −1,3), +𝛼2 (2,1,0, −2) + 𝛼3 (0,1,2,1), +𝛼4 (3,4,1,2)

𝛼1 + 2𝛼2 + 3𝛼4 = 0
2𝛼1 + 𝛼2 + 𝛼3 + 4𝛼4 = 0
{
−𝛼1 + 2𝛼3 + 𝛼4 = 0
3𝛼1 − 2𝛼2 + 𝛼3 + 2𝛼4 = 0

el sistema anterior tiene por solución

𝛼1 = 𝛼2 = 𝛼3 = −𝛼4

Es decir, (3,4,1,2) es combinación lineal de los anteriores, luego:

𝐴 − {3,4,1,2} = {(1,2, −1,3), (2,1,0, −2), (0,1,2,1)} es también un sistema generador de S.

Pero:

(0,0,0,0) = 𝛽1 (1,2, −1,3) + 𝛽2 (2,1,0, −2) + 𝛽3 (0,1,2,1)

𝛽1 + 2𝛽2 = 0
2𝛽 + 𝛽2 + 𝛽3 = 0
{ 1
−𝛽1 + 2𝛽3 = 0
3𝛽1 − 2𝛽2 + 𝛽3 = 0

el sistema anterior sólo tiene por solución:

𝛽1 = 𝛽2 = 𝛽3 = 0.

Es decir, {(1,2, −1,3), (2,1,0, −2), (0,1,2,1)} es linealmente independiente.

∴ Una base de 𝑺 es {(𝟏, 𝟐, −𝟏, 𝟑), (𝟐, 𝟏, 𝟎, −𝟐), (𝟎, 𝟏, 𝟐, 𝟏)} y la dimensión de 𝑺 𝒆𝒔 𝟑.

119
 2.11 Espacio con producto interno

Sea V un espacio vectorial real, un producto interno en V es una función

〈,〉 ∶ 𝑉 ×𝑉 → ℝ

que asigna a cada par de vectores 𝑢, 𝑣 ∈ 𝑉 un real denotado por ( 𝑢, 𝑣) y que satisface las
siguientes propiedades:

a) 〈𝑢, 𝑣〉 = 〈𝑣, 𝑢〉 ∀ 𝑢, 𝑣 ∈ 𝑉

b) 〈𝑢, 𝑣 + 𝑤〉 = 〈𝑢, 𝑣〉 + 〈𝑢, 𝑤〉 ∀ 𝑢, 𝑣 𝑦 𝑤 ∈ 𝑉

c) 〈𝛼 ∙ 𝑢, 𝑣〉 = 𝛼 ∙ 〈𝑢, 𝑣〉 ∀ 𝑢, 𝑣 ∈ 𝑉 ∀ 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝛼 ∈ ℝ

d) 〈𝑢, 𝑢〉 ≥ 0, ∀ 𝑢 ∈ 𝑉 𝑦 〈𝑢, 𝑢〉 = 0 ⟺ 𝑢 = 0

Un espacio vectorial real V se denomina euclidiano (o euclídeo) si en V está definido un

producto interno.

Ejemplo:

𝐷𝑒𝑓𝑖𝑛𝑖𝑟 𝑠𝑖 𝑒𝑠 𝑢𝑛 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑖𝑛𝑡𝑒𝑟𝑛𝑜 𝑒𝑛 ℝ2 〈(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 )〉 = 2𝑥1 𝑦1 + 3𝑥2 𝑦2

a) 𝑆𝑒𝑎𝑛 (𝑥1 , 𝑥2 ) 𝑦 (𝑦1 , 𝑦2 ) 𝑒𝑛 ℝ2

〈(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 )〉 = 2𝑥1 𝑦1 + 3𝑥2 𝑦2

〈(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 )〉 = 2𝑦1 𝑥1 + 3𝑦2 𝑥2

〈(𝒙𝟏 , 𝒙𝟐 ), (𝒚𝟏 , 𝒚𝟐 )〉 = 〈(𝒚𝟏 , 𝒚𝟐 ), (𝒙𝟏 , 𝒙𝟐 )〉

b) 𝑆𝑒𝑎𝑛 (𝑥1 , 𝑥2 ), (𝑥1 , 𝑥2 ) 𝑦 (𝑧1 , 𝑧2 ) 𝑒𝑛 ℝ2

〈(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 ) + (𝑧1 , 𝑧2 )〉 = 〈(𝑥1 , 𝑥2 ), (𝑦1 + 𝑧1 , 𝑦2 + 𝑧2 )〉

〈(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 ) + (𝑧1 , 𝑧2 )〉 = 2𝑥1 (𝑦1 + 𝑧1 ) + 3𝑥2 (𝑦2 + 𝑧2 )

120
〈(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 ) + (𝑧1 , 𝑧2 )〉 = 2𝑥1 𝑦1 + 2𝑥1 𝑧1 + 3𝑥2 𝑦2 + 3𝑥2 𝑧2

〈(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 ) + (𝑧1 , 𝑧2 )〉 = 2𝑥1 𝑦1 + 3𝑥2 𝑦2 + 2𝑥1 𝑧1 + 3𝑥2 𝑧2

〈(𝒙𝟏 , 𝒙𝟐 ), (𝒚𝟏 , 𝒚𝟐 ) + (𝒛𝟏 , 𝒛𝟐 )〉 = 〈(𝒙𝟏 , 𝒙𝟐 ), (𝒚𝟏 , 𝒚𝟐 )〉 + 〈(𝒙𝟏 , 𝒙𝟐 ), (𝒛𝟏 , 𝒛𝟐 )〉

c) 𝑆𝑒𝑎𝑛 (𝑥1 , 𝑥2 ) 𝑦 (𝑦1 , 𝑦2 ) 𝑒𝑛 ℝ2 𝑦 𝛼 ∈ ℝ

〈𝛼(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 )〉 = 〈(𝛼𝑥1 , 𝛼𝑥2 ), (𝑦1 , 𝑦2 )〉

〈𝛼(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 )〉 = 2𝛼𝑥1 𝑦1 + 3𝛼𝑥2 𝑦2

〈𝛼(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 )〉 = 𝛼(2𝑥1 𝑦1 + 3𝑥2 𝑦2 )

〈𝜶(𝒙𝟏 , 𝒙𝟐 ), (𝒚𝟏 , 𝒚𝟐 )〉 = 𝜶〈(𝒙𝟏 , 𝒙𝟐 ), (𝒚𝟏 , 𝒚𝟐 )〉

d) 𝑆𝑒𝑎𝑛 (𝑥1 , 𝑥2 ) ∈ ℝ2 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:

1° 〈(𝑥1 , 𝑥2 ), (𝑥1 , 𝑥2 )〉 = 2𝑥1 𝑥1 + 3𝑥2 𝑥2

〈(𝑥1 , 𝑥2 ), (𝑥1 , 𝑥2 )〉 = 2𝑥1 2 + 3𝑥2 2 ≥ 0

2° 〈(𝑥1 , 𝑥2 ), (𝑥1 , 𝑥2 )〉 = 0 ⟹ 2𝑥1 2 + 3𝑥2 2 = 0 ⟺ 𝑥1 = 𝑥2 = 0

121
 2.12 Construcción con base ortogonal

Vector unitario

Sea 𝑉 un espacio euclidiano con producto interno. Se llama vector unitario a cualquier vector
de norma uno. Si 𝑢 ≠ 0 entonces:

𝑢
‖𝑢‖
es un vector unitario

Vectores ortogonales

Sea 𝑉 un espacio euclidiano con producto interno. Se dice que dos vectores 𝑢, 𝑣 ∈ 𝑉 son
ortogonales si:

〈𝑢, 𝑣〉 = 0

Recordemos que si 𝑢 𝑦 𝑣 son vectores no nulos ∈ 𝑉, se define el ángulo entre ellos como el
único número real 𝜃 ∈ [0, 𝜋] que satisface la ecuación:

〈𝑢, 𝑣〉
cos 𝜃 =
‖𝑢‖‖𝑣‖

Entonces, dos vectores no nulos ∈ 𝑉 son ortogonales si y sólo si el ángulo entre ellos es 𝜋⁄2.
Es decir:
〈𝑢, 𝑣〉 0
cos 𝜃 = = =0
‖𝑢‖‖𝑣‖ ‖𝑢‖‖𝑣‖

𝜃 = cos−1 (0) = 90° = 𝜋⁄2

Proposición: Si 𝑢1 , … , 𝑢𝑛 son vectores ortogonales en 𝑉 se cumple el teorema de Pitágoras, es

decir:

‖𝑢1 + … + 𝑢𝑛 ‖2 = ‖𝑢1 ‖2 + ⋯ + ‖𝑢𝑛 ‖2

122
Ejemplo 1: Sean los vectores 𝑢 = (0, −1,1,2) 𝑦 𝑣 = (2, 1, 1, 0). Al aplicar el producto escalar
obtenemos:

〈𝑢, 𝑣〉 = (0, −1,1,2) ∙ (2, 1, 1, 0)

〈𝑢, 𝑣〉 = (0)(2) + (−1)(1) + (1)(1) + (2)(0)
〈𝑢, 𝑣〉 = 0 + (−1) + 1 + 0
〈𝑢, 𝑣〉 = 0

∴ 𝑠𝑜𝑛 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑒𝑠

Ejemplo 2: Sean los vectores 𝑢 = (1,2) 𝑦 𝑣 = (3,4) ∈ ℝ2 .

‖𝑢‖ = √12 + 22 = √5
‖𝑣‖ = √32 + 42 = √25 = 5

∴ 𝑛𝑜 𝑠𝑜𝑛 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜𝑠

〈𝑢, 𝑣〉 = (1,2) ∙ (3,4) = (1)(3) + (2)(4)

〈𝑢, 𝑣〉 = 3 + 8
〈𝑢, 𝑣〉 = 11

∴ 𝑛𝑜 𝑠𝑜𝑛 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑒𝑠

〈𝑢, 𝑣〉 11 11
cos 𝜃 = = ⟹ 𝜃 = 𝑎𝑟𝑐𝑐𝑜𝑠 ≈ 10.3
‖𝑢‖‖𝑣‖ 5√5 5√5

123
Proposición: Un subconjunto no vacío 𝑆 de 𝑉 se dice que es un conjunto ortogonal cuando
cada uno de sus vectores es ortogonal a los demás vectores del conjunto. Es decir, 𝑺 es un
conjunto ortogonal cuando:
〈𝑢, 𝑣〉 = 0 ∀ 𝑢 ≠ 𝑣 ∈ 𝑆.

El conjunto 𝑆 se dice que es ortonormal si 𝑆 es ortogonal y además ‖𝒖‖ = 𝟏 para cada 𝑢 ∈ 𝑆.

Ejemplo 3: Dados los vectores 𝑝(𝑥) = −𝑥 2 + 𝑥 − 1 𝑦 𝑞(𝑥) = 𝑎𝑥 2 + 𝑥 − 2, encontrar los

valores de 𝑥 ∈ ℝ tales que los dos polinomios sean ortonormales, si se define:

〈𝑝(𝑥), 𝑞(𝑥)〉 = ∑ 𝑎𝑖 𝑏𝑖
𝑖=0

Si el espacio vectorial es 𝑃2 = {𝑎2 𝑥 2 + 𝑎1 𝑥 + 𝑎0 / 𝑎0 , 𝑎1 , 𝑎2 ∈ ℝ}.

Como el producto entre los dos vectores debe ser nulo:

0 = (−1)(𝑎) + (1)(1) + (−1)(−2)

0 = −𝑎 + 3
𝑎=3

Al obtener las respectivas normas de los polinomios se obtiene que

‖𝑝(𝑥)‖ = √(−1)2 + 12 + (−1)2 = √3

‖𝑞(𝑥)‖ = √32 + 12 + (−2)2 = √14

Los vectores ortonormales son:

1 1 1
𝑝′(𝑥) = − 𝑥2 + 𝑥−
√3 √3 √3

3 1 2
𝑞′(𝑥) = 𝑥2 + 𝑥−
√14 √14 √14

124
Proposición: Sea 𝑉 un espacio euclidiano y 𝑆 un conjunto ortogonal de vectores no nulos.
Entonces, 𝑆 es linealmente independiente. En particular, si 𝑉 es de dimensión finita 𝑛 ≥ 1
entonces cada conjunto de 𝑛 vectores ortogonales no nulos conforman una base de 𝑉.

Demostración: Sea S un conjunto ortogonal de vectores en el espacio vectorial euclídeo 𝑉.

S = {u1 , u2 , … , un }

Al establecer la ecuación de dependencia lineal con los elementos de V se tiene que:

0𝑣 = 𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑛 𝑢𝑛

Si se toma un elemento ui del conjunto S y se aplica a la ecuación de dependencia del producto

interno para el cual S es ortogonal se obtiene que:

〈0, 𝑢𝑖 〉 = 〈𝛼1 𝑢1 , 𝑢𝑖 〉 + 〈𝛼2 𝑢2 , 𝑢𝑖 〉 + ⋯ + 〈𝛼𝑛 𝑢𝑛 , 𝑢𝑖 〉

0 = 𝛼1 〈𝑢1 , 𝑢𝑖 〉 + 𝛼2 〈𝑢2 , 𝑢𝑖 〉 + ⋯ + 𝛼𝑛 〈𝑢𝑛 , 𝑢𝑖 〉

Como el conjunto es ortogonal, entonces el producto 〈𝑢𝑗 , 𝑢𝑖 〉 = 0 ∀ 𝑖 ≠ 𝑗, la ecuación se

reduce a:
0 = 𝛼𝑖 〈𝑢𝑖 , 𝑢𝑖 〉

∴ 𝜶𝒊 = 𝟎

Este procedimiento es válido para cualquier vector, es decir, se cumple si sólo si todos los
escalares son nulos.

∴ 𝐄𝐥 𝐜𝐨𝐧𝐣𝐮𝐧𝐭𝐨 𝐒 = {𝐮𝟏 , 𝐮𝟐 , … , 𝐮𝐧 } es linealmente independiente.

125
Ejemplo 4: El conjunto de vectores ∈ ℝ3

{u1 = (1,1,0); u2 = (1, −1,0); u3 = (0,0,1)}

es linealmente independiente, ya que:

u1 ∙ u2 = u1 ∙ u3 = u2 ∙ u3 = 0

∴ forman una base 𝐨𝐫𝐭𝐨𝐠𝐨𝐧𝐚𝐥

‖u1 ‖ = √12 + 12 + 02 = √2

‖u2 ‖ = √12 + (−1)2 + 02 = √2

‖u3 ‖ = √02 + 02 + 12 = 1

Una base ortonormal es:

u1 1 1 u2 1 −1 u3
{u1′ = =( , , 0) ; u2 ′ = =( , , 0) ; u3 ′ = = (0,0,1)}
‖u1 ‖ √2 √2 ‖u2 ‖ √2 √2 ‖u3 ‖

126
Proceso de ortogonalización de Gram-Schmidt

El proceso de ortogonalización de Gram-Schmidt nos permite convertir una base cualquiera

{𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 } de un espacio vectorial euclidiano 𝑉, en una base ortogonal {𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒏 }.

Para comprender la idea fundamental de este método veamos el caso especial en el que
tenemos solamente dos vectores linealmente independientes, 𝒗𝟏 𝒚 𝒗𝟐 . El método para
conseguir una base ortogonal es el siguiente:

En primer lugar, se elige cualquier vector de la base original sobre el cual se operará. Se define
entonces:

𝑢1 = 𝑣1

Para obtener el segundo vector de la base ortogonal se debe hacer una resta del segundo vector
de la base original menos su proyección sobre vector obtenido en el paso anterior. Es decir:

𝑣2 . 𝑢1
𝑢2 = 𝑣2 − 𝑝𝑟𝑜𝑦𝑢1 (𝑣2 ) = 𝑣2 − ( )𝑢
𝑢1 ∙ 𝑢1 1

De manera que pasamos de la base {𝒗𝟏 , 𝒗𝟐 } a la base ortogonal {𝒖𝟏 , 𝒖𝟐 }

Este proceso puede repetirse el número de veces que sea necesario para convertir cualquier
conjunto de vectores en un conjunto ortogonal.

𝒗𝒊+𝟏 ∙ 𝒖𝟏 𝒗𝒊+𝟏 ∙ 𝒖𝒊
𝒖𝒊+𝟏 = 𝒗𝒊+𝟏 − 𝒑𝒓𝒐𝒚𝒖𝒊 (𝒗𝒊+𝟏 ) = 𝒗𝒊+𝟏 − ( ) 𝒖𝟏 − ⋯ − ( ) 𝒖𝒊
𝒖𝟏 ∙ 𝒖𝟏 𝒖𝒊 ∙ 𝒖𝒊

Por ejemplo, si partimos de tres vectores independientes 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , éstos quedarían

transformados en un conjunto ortogonal en tres pasos:

𝑢1 = 𝑣1

𝑣2 ∙ 𝑢1
𝑢2 = 𝑣2 − 𝑝𝑟𝑜𝑦𝑢1 (𝑣2 ) = 𝑣2 − ( )𝑢
𝑢1 ∙ 𝑢1 1

Para obtener el tercer vector se realiza la resta del tercer vector de la base original menos la
proyección sobre el primer vector menos la proyección sobre el segundo vector de la base
ortogonal obtenido en el paso anterior:

127
 𝑣3 ∙ 𝑢1 𝑣3 ∙ 𝑢2
𝑢3 = 𝑣3 − 𝑝𝑟𝑜𝑦𝑢1 (𝑣3 ) − 𝑝𝑟𝑜𝑦𝑢2 (𝑣3 ) = 𝑣3 − ( ) 𝑢1 − ( )𝑢
𝑢1 ∙ 𝑢1 𝑢2 ∙ 𝑢2 2

 Se debe tener presente que los vectores 𝒖𝒊 que se van obteniendo en cada paso pueden
ser sustituidos por un múltiplo escalar cualquiera, con el fin de eliminar denominadores
de las fracciones que pudieran haberse obtenido y de esta forma facilitar los cálculos del
paso siguiente.

 El operador proyección:

𝒗∙𝒖
𝒑𝒓𝒐𝒚𝒖 𝒗 = ( )𝒖
𝒖∙𝒖

proyecta el vector 𝑣 ortogonalmente en el vector 𝑢

 Para obtener una base ortonormal {𝑒1 , 𝑒2 , … , 𝑒𝑛 }, se divide cada vector ortogonal
obtenido {𝑢1 , 𝑢2 , … , 𝑢𝑛 }, por su norma. Es decir:

𝑢1 𝑢2 𝑢𝑛
{ , ,…, }
‖𝑢1 ‖ ‖𝑢2 ‖ ‖𝑢𝑛 ‖

donde:

𝑢1 𝑢2 𝑢𝑛
𝑒1 = ; 𝑒2 = ; … ; 𝑒𝑛 =
‖𝑢1 ‖ ‖𝑢2 ‖ ‖𝑢𝑛 ‖

128
Ejemplo: Consideremos el subespacio 𝑆 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 /𝑥 + 𝑦 + 𝑧 + 𝑡 = 0} entonces
usando el producto interno usual de ℝ4 , determinemos una base ortogonal para 𝑆.

Paso 1. Determinamos una base de 𝑆

𝑢 ∈ 𝑆 ⟺ 𝑢 = (𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 ∧ 𝑥 + 𝑦 + 𝑧 + 𝑡 = 0

⟺ 𝑢 = (𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 ∧ 𝑡 = −𝑥 − 𝑦 − 𝑧

⟺ 𝑢 = (𝑥, 𝑦, 𝑧, −𝑥 − 𝑦 − 𝑧); (𝑥, 𝑦, 𝑧) ∈ ℝ3

⟺ 𝑢 = 𝑥(1,0,0, −1) + 𝑦(0,1,0, −1) + 𝑧(0,0,1, −1); (𝑥, 𝑦, 𝑧) ∈ ℝ3

∴ 𝑺 = 〈{(𝟏, 𝟎, 𝟎, −𝟏), (𝟎, 𝟏, 𝟎, −𝟏), (𝟎, 𝟎, 𝟏, −𝟏)}〉

Además {(1,0,0, −1), (0,1,0, −1), (0,0,1, −1)} es una base de 𝑆, pues son linealmente
independientes.

Paso 2. Ortogonalizamos, usando el proceso de G. Schmidt.

𝒖𝟏 = (𝟏, 𝟎, 𝟎, −𝟏)

〈(0,1,0, −1), (1,0,0, −1)〉

𝑢2 = (0,1,0, −1) − (1,0,0, −1)
〈(1,0,0, −1), (1,0,0, −1)〉

1
𝑢2 = (0,1,0, −1) − (1,0,0, −1)
2
1 1
𝑢2 = (− , 1,0, − ) 𝑎𝑚𝑝𝑙𝑖𝑓𝑖𝑐𝑎𝑛𝑑𝑜 𝑝𝑜𝑟 (2)
2 2

𝒖𝟐 = (−𝟏, 𝟐, 𝟎, −𝟏)

〈(0,0,1, −1), (−1, 2, 0, −1)〉

𝑢3 = (0,0,1, −1) − (−1, 2, 0, −1)
〈(−1, 2, 0, −1), (−1, 2, 0, −1)〉

〈(0,0,1, −1), (1,0,0, −1)〉

− (1,0,0, −1)
〈(1,0,0, −1), (1,0,0, −1)〉

129
 1 1
𝑢3 = (0,0,1, −1) − (−1, 2, 0, −1) − (1,0,0, −1)
6 2
1 1 1
𝑢3 = (− , − , 1, − ) 𝑎𝑚𝑝𝑙𝑖𝑓𝑖𝑐𝑎𝑛𝑑𝑜 𝑝𝑜𝑟 (3 )
3 3 3

𝒖𝟑 = (−𝟏, −𝟏, 𝟑, −𝟏 )

∴ {(𝟏, 𝟎, 𝟎, −𝟏), (−𝟏, 𝟐, 𝟎, −𝟏), (−𝟏, −𝟏, 𝟑, −𝟏 )} 𝒆𝒔 𝒖𝒏𝒂 𝒃𝒂𝒔𝒆 𝒐𝒓𝒕𝒐𝒈𝒐𝒏𝒂𝒍 𝒅𝒆 𝑺

𝑢1 (1,0,0, −1) 1 −1
𝑒1 = = = ( , 0, 0, )
‖𝑢1 ‖ √2 √2 √2

𝑢2 (−1, 2, 0, −1) −1 2 −1
𝑒2 = = =( , , 0, )
‖𝑢2 ‖ √6 √6 √6 √6

𝑢3 (−1, −1, 3, −1 ) −1 −1 3 −1
𝑒3 = = =( , , , )
‖𝑢3 ‖ 2√3 2√3 2√3 2√3 2√3

𝟏 −𝟏 −𝟏 𝟐 −𝟏 −𝟏 −𝟏 𝟑 −𝟏
{( , 𝟎, 𝟎, ),( , , 𝟎, ),( , , , )} 𝒆𝒔 𝒖𝒏𝒂 𝒃𝒂𝒔𝒆 𝒐𝒓𝒕𝒐𝒏𝒐𝒓𝒎𝒂𝒍 𝒅𝒆 𝑺
√𝟐 √𝟐 √𝟔 √𝟔 √𝟔 𝟐√𝟑 𝟐√𝟑 𝟐√𝟑 𝟐√𝟑

130
Unidad 3- Transformaciones Lineales

3.1 Transformación lineal, propiedades

Transformación lineal

Definición: Sean V y W dos espacios vectoriales sobre el cuerpo 𝕂. Una función 𝑇: V → W es

una transformación lineal si:

1. 𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑣1 ) + 𝑇(𝑣2 ) ∀ 𝑣1 , 𝑣2 ∈ 𝑉 (𝑷𝒓𝒊𝒏𝒄𝒊𝒑𝒊𝒐 𝒅𝒆 𝒔𝒖𝒑𝒆𝒓𝒑𝒐𝒔𝒊𝒄𝒊ó𝒏)

2. 𝑇(λv) = λ 𝑇(𝑣) ∀ 𝑣 ∈ 𝑉 𝑦 𝜆 ∈ 𝕂 (𝑷𝒓𝒊𝒏𝒄𝒊𝒑𝒊𝒐 𝒅𝒆 𝒉𝒐𝒎𝒐𝒈𝒆𝒏𝒆𝒊𝒅𝒂𝒅)

Ejemplo 1: Verificar que la transformación 𝑇 ∶ M(n, ℝ) → M(n, ℝ) tal que 𝑇(𝐴) = 𝑀𝐴 +

𝐴𝑀 𝑑𝑜𝑛𝑑𝑒 𝑀 𝑒𝑠 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑓𝑖𝑗𝑎 𝑒𝑛 M(n, ℝ), es una transformación lineal.

Solución:

1. 𝑻(𝑨 + 𝑩) = 𝑻(𝑨) + 𝑻(𝑩)

Sean 𝐴, 𝐵 ∈ M(n, ℝ) entonces:

𝑇(𝐴 + 𝐵) = 𝑀(𝐴 + 𝐵) + (𝐴 + 𝐵)𝑀

𝑇(𝐴 + 𝐵) = (𝑀𝐴 + 𝑀𝐵) + (𝐴𝑀 + 𝐵𝑀)
𝑇(𝐴 + 𝐵) = (𝑀𝐴 + 𝐴𝑀) + (𝑀𝐵 + 𝐵𝑀)
𝑇(𝐴 + 𝐵) = 𝑇(𝐴) + 𝑇(𝐵)

2. 𝑻(𝛌𝑨) = 𝛌𝑻(𝑨)

Sean 𝐴 ∈ M(n, ℝ) y λ ∈ 𝕂 entonces:

𝑇(λ𝐴) = 𝑀(λ𝐴) + (λ𝐴)𝑀

𝑇(λ𝐴) = λMA + λAM
𝑇(λ𝐴) = λ(𝑀𝐴 + 𝐴𝑀)
𝑇(λ𝐴) = λ𝑇(𝐴)

∴ 𝑻 𝒆𝒔 𝒖𝒏𝒂 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍

131
Ejemplo 2: Verificar que la transformación 𝑇: ℝ2 → ℝ3 tal que 𝑇(𝑥, 𝑦) = (𝑥 + 𝑦, 𝑦, 𝑥 − 𝑦), es
una transformación lineal.

Solución:

1. 𝑻(𝒗𝟏 + 𝒗𝟐 ) = 𝑻(𝒗𝟏 ) + 𝑻(𝒗𝟐 )

Sean 𝑣1 = (𝑥, 𝑦), 𝑣2 = (𝑝, 𝑞) ∈ ℝ2 , entonces:

𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑥 + 𝑝, 𝑦 + 𝑞)
𝑇(𝑣1 + 𝑣2 ) = ((𝑥 + 𝑝) + (𝑦 + 𝑞), 𝑦 + 𝑞, (𝑥 + 𝑝) − (𝑦 + 𝑞))
𝑇(𝑣1 + 𝑣2 ) = ((𝑥 + 𝑦) + (𝑝 + 𝑞), 𝑦 + 𝑞, (𝑥 − 𝑦) + (𝑝 − 𝑞))
𝑇(𝑣1 + 𝑣2 ) = (𝑥 + 𝑦, 𝑦, 𝑥 − 𝑦) + (𝑝 + 𝑞, 𝑞, 𝑝 − 𝑞)
𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑥, 𝑦) + 𝑇(𝑝, 𝑞)
𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑣1 ) + 𝑇(𝑣2 )

2. 𝑇(𝝀𝒗) = 𝝀𝑻(𝒗)

Sean 𝑣 = (𝑥, 𝑦) ∈ ℝ2 𝑦 λ ∈ ℝ, entonces:

𝑇(λ𝑣) = 𝑇(λ𝑥, λ𝑦)

𝑇(λ𝑣) = (λ𝑥 + λ𝑦, λ𝑦, λ𝑥 − λ𝑦)
𝑇(λ𝑣) = λ(𝑥 + 𝑦, 𝑦, 𝑥 − 𝑦)
𝑇(λ𝑣) = λ𝑇(𝑥, 𝑦)
𝑇(λ𝑣) = λT(𝑣)

∴ 𝑻 𝒆𝒔 𝒖𝒏𝒂 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍

Ejemplo 3: Sean los espacios vectoriales:

𝑎 𝑏
𝑉 = {( ) /𝑎, 𝑏, 𝑐, 𝑑 ∈ ℝ}
𝑐 𝑑

𝑊 = {𝑎/𝑎 ∈ ℝ}

Ambos sobre el campo de los reales. Verificar si las transformaciones 𝑇: V → W y 𝑆: W → V son

transformaciones lineales, donde

𝑎 𝑏
𝑇( ) = 2𝑎 − 𝑏 + 𝑐 − 𝑑
𝑐 𝑑
132
 𝑎 −𝑎
𝑆(𝑎) = ( )
−𝑎 𝑎+1

Solución:

 Para el caso de la transformación T se tiene lo siguiente:

1. 𝑻(𝒗𝟏 + 𝒗𝟐 ) = 𝑻(𝒗𝟏 ) + 𝑻(𝒗𝟐 )

𝑎 𝑏1 𝑎 𝑏2
Sea 𝑣1 = ( 1 ) 𝑦 𝑣2 = ( 2 ) 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
𝑐1 𝑑1 𝑐2 𝑑2

𝑎 𝑏1 𝑎 𝑏2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 (( 1 )+( 2 ))
𝑐1 𝑑1 𝑐2 𝑑2

𝑎1 +𝑎2 𝑏1 + 𝑏2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 ( )
𝑐1 + 𝑐2 𝑑1 + 𝑑2

𝑇(𝑣1 + 𝑣2 ) = 2(𝑎1 + 𝑎2 ) − (𝑏1 +𝑏2 ) + (𝑐1 + 𝑐2 ) − (𝑑1 + 𝑑2 )

𝑇(𝑣1 + 𝑣2 ) = (2𝑎1 −𝑏1 + 𝑐1 − 𝑑1 ) + (2𝑎2 −𝑏2 + 𝑐2 − 𝑑2 )

𝑎1 𝑏1 𝑎 𝑏2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 ( )+𝑇( 2 )
𝑐1 𝑑1 𝑐2 𝑑2

𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑣1 ) + 𝑇(𝑣2 )

2. 𝑻(𝛌𝐯) = 𝛌 𝑻(𝒗)

𝑎
𝑆𝑒𝑎𝑛 𝑣 = ( ) 𝑦 λ ∈ ℝ 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
𝑏

133
 𝑎 𝑏1
𝑇(λv) = 𝑇 (λ ( 1 ))
𝑐1 𝑑1

λ𝑎 λ𝑏1
𝑇(λv) = 𝑇 ( 1 )
λ𝑐1 λ𝑑1

𝑇(λv) = 2λ𝑎1 −λ𝑏1 + λ𝑐1 − λ𝑑1

𝑇(λv) = λ(2𝑎1 −𝑏1 + 𝑐1 − 𝑑1 )

𝑎 𝑏1
𝑇(λv) = λ𝑇 ( 1 )
𝑐1 𝑑1

𝑇(λv) = λ𝑇(𝑣)

∴ 𝑻 𝒆𝒔 𝒖𝒏𝒂 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍

 Para la transformación S probaremos primero la homogeneidad, es decir:

𝑺(𝝀𝒂) = 𝝀 𝑺(𝒂)

𝑆𝑒𝑎𝑛 𝑎 ∈ ℝ y λ ∈ ℝ 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:

𝑆(λ𝑎) = λ𝑆(𝑎)

λ𝑎 −λ𝑎 𝑎 −𝑎
( ) ≠ λ( )
−λ𝑎 λ𝑎 + 1 −𝑎 𝑎+1

λ𝑎 −λ𝑎 λ𝑎 −λ𝑎
( )≠( )
−λ𝑎 λ𝑎 + 1 −λ𝑎 λ𝑎 + λ

La igualdad no se cumple. No es necesario probar la primera condición

(𝑃𝑟𝑖𝑛𝑐𝑖𝑝𝑖𝑜 𝑑𝑒 𝑠𝑢𝑝𝑒𝑟𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛) ya que S no cumple con la segunda
(𝑃𝑟𝑖𝑛𝑐𝑖𝑝𝑖𝑜 𝑑𝑒 ℎ𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑑𝑎𝑑) .

∴ 𝑺 𝒏𝒐 𝒆𝒔 𝒖𝒏𝒂 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍

134
 𝑎 𝑎+𝑏
Ejemplo 4: Verificar si la función 𝑇: ℝ2 → ℝ2 definida por 𝑇 ( ) = ( ) es una
𝑏 1
transformación lineal

Solución:

1. 𝑻(𝒗𝟏 + 𝒗𝟐 ) = 𝑻(𝒗𝟏 ) + 𝑻(𝒗𝟐 )

𝑎1 𝑎2
Sea 𝑣1 = (𝑏 ) 𝑦 𝑣2 = (𝑏 ) 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
1 2

𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑣1 ) + 𝑇(𝑣2 )

𝑎1 𝑎2 𝑎1 𝑎2
𝑇 [(𝑏 ) + (𝑏 )] = 𝑇 ( 𝑏 ) + 𝑇 ( 𝑏 )
1 2 1 2

𝑎1 +𝑎2 𝑎 + 𝑏1 𝑎 +𝑏
𝑇 [(𝑏 )] = ( 1 ) + ( 2 2)
1 +𝑏2 1 1

𝑎1 + 𝑎2 + 𝑏1 + 𝑏2 𝑎 + 𝑎2 + 𝑏1 + 𝑏2
( )≠( 1 )
1 2

∴ 𝑻 𝒏𝒐 𝒆𝒔 𝒖𝒏𝒂 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍

𝑥+𝑦
𝑎
Ejemplo 5: Verificar si la función 𝑇: ℝ2 → ℝ3 definida por 𝑇 ( ) = (𝑥 − 𝑦) es una
𝑏
𝑥
transformación lineal

Solución:

1. 𝑻(𝒗𝟏 + 𝒗𝟐 ) = 𝑻(𝒗𝟏 ) + 𝑻(𝒗𝟐 )

𝑎1 𝑎2
Sea 𝑣1 = (𝑏 ) 𝑦 𝑣2 = (𝑏 ) 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
1 2

𝑎1 𝑎2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 [(𝑏 ) + ( 𝑏 )]
1 2

𝑎1+𝑎2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 [(𝑏 )]
1 +𝑏2

135
 (𝑎1 + 𝑎2 ) + (𝑏1 + 𝑏2 )
𝑇(𝑣1 + 𝑣2 ) = ((𝑎1 + 𝑎2 ) − (𝑏1 + 𝑏2 ))
𝑎1 + 𝑎2

𝑎1 + 𝑎2 + 𝑏1 + 𝑏2
𝑇(𝑣1 + 𝑣2 ) = (𝑎1 + 𝑎2 − 𝑏1 − 𝑏2 )
𝑎1 + 𝑎2

(𝑎1 + 𝑏1 ) + (𝑎2 + 𝑏2 )
𝑇(𝑣1 + 𝑣2 ) = ((𝑎1 − 𝑏1 ) + (𝑎2 − 𝑏2 ))
𝑎1 + 𝑎2

𝑎1 +𝑏1 𝑎2 +𝑏2
𝑇(𝑣1 + 𝑣2 ) = (𝑎1 −𝑏1 ) + (𝑎2 −𝑏2 )
𝑎1 𝑎2
𝑎1 𝑎2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 ( 𝑏 ) + 𝑇 (𝑏 )
1 2

𝑻(𝒗𝟏 + 𝒗𝟐 ) = 𝑻(𝒗𝟏 ) + 𝑻(𝒗𝟐 )

2. 𝑻(𝛌𝐯) = 𝛌 𝑻(𝒗)

𝑎
𝑆𝑒𝑎𝑛 𝑣 = ( ) 𝑦 λ ∈ ℝ
𝑏
λ𝑎
𝑇(λv) = 𝑇 ( )
λ𝑏

λ𝑎 + λ𝑏
𝑇(λv) = (λ𝑎 − λ𝑏)
λ𝑎

𝑎+𝑏
𝑇(λv) = λ (𝑎 − 𝑏)
𝑎
𝑎
𝑇(λv) = λ𝑇 ( )
𝑏

𝑻(𝛌𝐯) = 𝛌 𝑻(𝒗)

∴ 𝑻 𝒆𝒔 𝒖𝒏𝒂 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍

136
Propiedades

Sea 𝑇: V → W una transformación lineal. Entonces:

1. 𝑻(𝟎𝒗 ) = 𝟎 𝒘

2. 𝑻(−𝒗) = −𝑻(𝒗)

3. 𝑻 𝒆𝒔 𝒍𝒊𝒏𝒆𝒂𝒍 ⟺ 𝑻(𝛂𝒗𝟏 + 𝜷𝒗𝟐 ) = 𝛂𝑻(𝒗𝟏 ) + 𝜷𝑻(𝒗𝟐 ) ∀ 𝒗𝟏 , 𝒗𝟐 ∈ 𝑽, ∀ 𝛂, 𝜷 ∈ 𝕂

3.2 Núcleo, imagen, nulidad y rango

Núcleo e Imagen de una transformación lineal

Definición: Sea 𝑻: 𝐕 → 𝐖 una transformación lineal. Se definen:

 El núcleo de 𝑻 como:

𝑲𝒆𝒓(𝑻) = {𝒗 ∈ 𝑽/𝑻(𝒗) = 𝟎𝑾 }

 El recorrido o imagen de 𝑻 como:

𝑰𝒎(𝑻) = {𝒘 ∈ 𝑾/𝑻(𝒗) = 𝒘, 𝒗 ∈ 𝑽}

Proposición: Sea 𝑻: 𝐕 → 𝐖 una transformación lineal, se cumple que:

 El núcleo de 𝑻 es un subespacio de 𝑽

𝑲𝒆𝒓(𝑻) ⊂
⏟ 𝑽
𝒔.𝒆.𝒗.

 La imagen de 𝑻 es un subespacio de 𝑾

𝑰𝒎(𝐓) ⊂
⏟ 𝑾
𝒔.𝒆.𝒗.

137
Procedimiento para obtener el núcleo (𝑲𝒆𝒓(𝑻)) de una transformación
𝑻: 𝑽 → 𝑾

 Formular un vector 𝑣 que pertenezca al dominio 𝑉.

 Calcular la imagen 𝑇(𝑣) e igualarla con el vector cero del codominio W, es decir:

T(v) = 0W

 Comparar uno a uno los términos de esta igualdad. Se originan una o varias ecuaciones
lineales homogéneas que, al ser resueltas permiten determinar la forma específica del
vector 𝑣 buscado, que es el vector genérico que constituye el núcleo y que se escribe
como:

𝐾𝑒𝑟(𝑇) = {𝑣 ∈ 𝑉/𝑇(𝑣) = 0𝑊 }

Procedimiento para obtener el recorrido (𝑰𝒎(𝑻)) de una transformación

𝑻: 𝑽 → 𝑾

Proposición: Sea 𝑇: 𝑉 → 𝑊 una transformación lineal. Si 𝐵 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 } es una base

del dominio 𝑉, entonces el siguiente conjunto:

𝐶𝐺 = {𝑇(𝑣1 ), 𝑇(𝑣2 ), 𝑇(𝑣3 ), … , 𝑇(𝑣𝑛 )}

es un conjunto generador del recorrido 𝑇(𝑣) .

El procedimiento para obtener el recorrido de una transformación 𝑇: V → W es:

• Determinar una base del dominio 𝑽 (siendo la más usual la base canónica), denominada:

𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝑉 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 }

• Obtener las imágenes 𝑇(𝑣) de los vectores de la base canónica anterior. Estas imágenes
constituirán el conjunto generador del recorrido:

𝐶𝐺 = {𝑇(𝑣1 ), 𝑇(𝑣2 ), 𝑇(𝑣3 ), … , 𝑇(𝑣𝑛 )}

138
• Para obtener la imagen o recorrido 𝑇(𝑉) de la transformación, se determina el “espacio
renglón’’ de la matriz cuyos renglones son los vectores del conjunto 𝐶𝐺 anterior. Es decir:

a) Transformar la matriz a su forma canónica escalonada, en la cual, los renglones

diferentes de cero constituyen los vectores de la base canónica del recorrido.

𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝑇(𝑉) = {𝑐1 , 𝑐2 , 𝑐3 , … , 𝑐𝑛 }

b) Determinar un vector genérico 𝑤, escribiéndolo como combinación lineal de los

vectores de la base canónica anterior:

𝑤 = 𝛼1 𝑐1 + 𝛼2 𝑐2 + 𝛼3 𝑐3 + ⋯ + 𝛼𝑛 𝑐𝑛

c) Este vector genérico indica la forma general del recorrido o imagen y se expresa como:

𝑰𝒎(𝑻) = {𝒘 ∈ 𝑾/𝑻(𝒗) = 𝒘, 𝒗 ∈ 𝑽}

Ejemplo 1: Sea 𝑻: ℝ𝟑 → ℝ𝟐 una transformación lineal definida por T(𝑥1 , 𝑥2 , 𝑥3 ) =

(𝑥1 , 𝑥2 ). Entonces:

 El núcleo se define como

𝐾𝑒𝑟(𝑇) = {(𝑥1 , 𝑥2 , 𝑥3 ) ∈ ℝ3 /𝑇(𝑥1 , 𝑥2 , 𝑥3 ) = 0𝑊 }

 Se propone un vector:
Sea 𝑣 = (𝑥1 , 𝑥2 , 𝑥3 ) ∈ ℝ3

 Se iguala la imagen de 𝑣 con el vector cero del codominio (0𝑊 ):

T(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 , 𝑥2 ) = (0, 0)

 Igualando términos en los vectores anteriores:

𝑥1 = 0

139
 𝑥2 = 0

 El vector propuesto se transforma en:

𝑣 = (𝑥1 , 𝑥2 , 𝑥3 ) = (0, 0, 𝑥3 )

 Finalmente, el núcleo o 𝐾𝑒𝑟(𝑇) es:

𝐾𝑒𝑟(𝑇) = {(0, 0, 𝑥3 ) / 𝑥3 ∈ ℝ}

Como:
(0, 0, 𝑥3 ) = 𝑥3 (0, 0, 1)

∴ 𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝐾𝑒𝑟(𝑇) = {(0, 0, 1)}

Ejemplo 2: Hallar la imagen o recorrido de la transformación lineal 𝑓: ℝ3 → ℝ3 definida por

𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥2 , −𝑥1 + 𝑥2 , 2𝑥1 − 2𝑥2 + 𝑥3 ).

 La imagen es un conjunto de la forma:

𝐼𝑚(𝑓) = {𝑦 ∈ ℝ3 /𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = 𝑦, (𝑥1 , 𝑥2 , 𝑥3 ) ∈ ℝ3 }

 La imagen o recorrido de la transformación se determina a partir de la base canónica del

dominio

𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 ℝ3 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}

 Se obtienen las imágenes de los vectores de la base canónica anterior:

𝑓(1, 0, 0) = (1, −1, 2)

𝑓(0, 1, 0) = (−1, 1, −2)

𝑓(0, 0, 1) = (0, 0, 1)

 Las imágenes anteriores constituyen el Conjunto Generador de la imagen o recorrido:

140
 𝐶𝐺 = {(1, −1, 2), (−1, 1, −2), (0, 0, 1)}

 Para obtener la imagen 𝑇(𝑉) de la transformación, se determina el “espacio renglón’’

generado por el conjunto 𝐶𝐺 anterior:

1 −1 2 𝑓2 →𝑓1 +𝑓2 1 −1 2
(−1 1 −2) → (0 0 0)
0 0 1 0 0 1

 Los renglones diferentes de cero constituyen los vectores de la base canónica de la

imagen.

𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝑇(𝑉) = {(1, −1,2), (0,0,1)}

 Determinar el vector genérico 𝑤, escribiéndolo como combinación lineal de los vectores

de la base canónica anterior:

𝑤 = 𝑎(1, −1,2) + 𝑏(0,0,1)

𝑤 = (𝑎, −𝑎, 2𝑎) + (0,0, 𝑏)

𝑤 = (𝑎, −𝑎, 2𝑎 + 𝑏)

 Finalmente, la imagen es:

𝐼𝑚(𝑇) = {(𝑎, −𝑎, 2𝑎 + 𝑏) / a, b ∈ ℝ}

141
Ejemplo 3: Hallar el núcleo y la imagen de la transformación lineal 𝑇: ℝ4 → ℝ3 definida por
𝑇(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = (𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4, 𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 , 3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4 )

a) 𝐾𝑒𝑟(𝑇) = {𝑣 ∈ 𝑉/𝑇(𝑣) = 0𝑊 }

 Se define el núcleo:

𝐾𝑒𝑟(𝑇) = {(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) ∈ ℝ4 /𝑇(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = 0𝑊 }

 Proponemos un vector:

Sea 𝑣 = (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) ∈ ℝ4

 Se iguala la imagen de 𝑣 con el vector cero del codominio (0𝑊 ):

𝑇(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = (0, 0, 0)

(𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4, 𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 , 3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4 ) = (0, 0, 0)

 Igualando términos en los vectores anteriores generamos un sistema de ecuaciones

lineales:

𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4 = 0
𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 = 0
3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4 = 0

 Resolvemos matricialmente:

𝑓1 −𝑓2 →𝑓2
1 2 3 1 3𝑓 1 2 3 1 −𝑓−𝑓+𝑓
2 →𝑓2 1 2 3 1
1 −𝑓3 →𝑓3 2 3 →𝑓3
(1 3 5 −2 ) → (0 −1 −2 3) → (0 1 2 −3)
3 8 13 −3 0 −2 −4 6 0 −1 −2 3

𝑓2 +𝑓3 →𝑓3
1 2 3 1 −2𝑓2 +𝑓1 →𝑓1 1 0 −1 7
→ (0 1 2 −3) → (0 1 2 −3)
0 0 0 0 0 0 0 0

142
  Replanteando el sistema de ecuaciones:

𝑥1 − 𝑥3 + 7𝑥4 = 0 𝑥1 = 𝑥3 − 7𝑥4
}
𝑥2 + 2𝑥3 − 3𝑥4 = 0 𝑥2 = −2𝑥3 + 3𝑥4

 El vector propuesto se transforma en:

𝑣 = (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = (𝑥3 − 7𝑥4, − 2𝑥3 + 3𝑥4 , 𝑥3 , 𝑥4 )

 Finalmente, el núcleo o 𝐾𝑒𝑟(𝑇) es:

𝐾𝑒𝑟(𝑇) = {(𝑥3 − 7𝑥4, − 2𝑥3 + 3𝑥4 , 𝑥3 , 𝑥4 )/ 𝑥3 , 𝑥4 ∈ ℝ}

Como:

(𝑥3 − 7𝑥4, − 2𝑥3 + 3𝑥4 , 𝑥3 , 𝑥4 ) = (𝑥3 , −2𝑥3 , 𝑥3 , 0) + (−7𝑥4, 3𝑥4 , 0, 𝑥4 )

(𝑥3 − 7𝑥4, − 2𝑥3 + 3𝑥4 , 𝑥3 , 𝑥4 ) = 𝑥3 (1, −2,1,0) + 𝑥4 (−7, 3, 0, 1)

∴ 𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝐾𝑒𝑟(𝑇) = {(1, −2,1,0), (−7, 3, 0, 1)}

b) 𝐼𝑚(𝑇) = {𝑦 ∈ ℝ3 /𝑇(𝑥) = 𝑦, 𝑥 ∈ ℝ4 }

 La imagen es un conjunto de la forma:

𝐼𝑚(𝑇) = {𝑦 ∈ ℝ3 /(𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4, 𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 , 3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4
= 𝑦, (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) ∈ ℝ4 }

 La imagen o recorrido de la transformación se determina a partir de la base canónica del

dominio
𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 ℝ4 = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}

143
  Obtenemos las imágenes de los vectores de la base canónica:

𝑇(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = (𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4, 𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 , 3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4 )

𝑓(1, 0, 0,0) = (1, 1, 3)

𝑓(0, 1, 0, 0) = (2, 3, 8)

𝑓(0, 0, 1, 0) = (3, 5, 13)

𝑓(0, 0, 0, 1) = (1, −2, −3)

 Estas imágenes constituyen el Conjunto Generador de la imagen o recorrido:

𝐶𝐺 = {(1, 1, 3), (2, 3, 8), (3, 5, 13), (1, −2, −3)}

 Una vez establecido el espacio generado, ubicamos los vectores en filas de una matriz. Al
escalonar esta matriz obtenemos la imagen o recorrido 𝑇(𝑉) de la transformación.

𝑓2 → −𝑓2 +2𝑓1 𝑓2 → −𝑓2

1 1 3 𝑓3 → −𝑓3 +3𝑓1 1 1 3 𝑓3 →𝑓3 −𝑓2 1 1 3 𝑓3 →𝑓3 +𝑓2 1 1 3
𝑓 → − 𝑓 + 𝑓 𝑓 →−𝑓 −2𝑓 2 ) 𝑓→4 →𝑓4 +𝑓2 (0
(2 3 8 )→ (0 −1 −2) → (0 1 1 2)
4 4 1 4 4 2
3 5 13 0 −2 −4 0 −1 −2 0 0 0
1 −2 −3 0 3 6 0 −1 −2 0 0 0

1 0 1
𝑓1 →𝑓1 −𝑓2
→ (0 1 2)
0 0 0
0 0 0

 Los renglones diferentes de cero constituyen los vectores de la base canónica de la

imagen.

𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝑇(𝑉) = {(1,0,1), (0,1,2)}

 Determinamos el vector genérico 𝑤, escribiéndolo como combinación lineal de los

vectores de la base canónica anterior:

𝑤 = 𝑎(1, 0, 1)) + 𝑏(0, 1, 2)

144
 𝑤 = (𝑎, 0, 𝑎) + (0, 𝑏, 2𝑏)

𝑤 = (𝑎, 𝑏, 𝑎 + 2𝑏)

 Finalmente, la imagen es:

𝐼𝑚(𝑇) = {(𝑎, 𝑏, 𝑎 + 2𝑏)/𝑎, 𝑏 ∈ ℝ}

Nulidad y Rango de una transformación lineal

Definición: Sea 𝑻: 𝐕 → 𝐖 una transformación lineal.

 Se llama nulidad de 𝑻 a la dimensión del 𝑲𝒆𝒓(𝑻) y se define como:

𝝂(𝑻) = 𝒅𝒊𝒎 (𝑲𝒆𝒓(𝑻))

 Se llama rango de 𝑻 a la dimensión de la 𝑰𝒎(𝑻) y se define como:

𝝆(𝑻) = 𝒅𝒊𝒎 (𝑰𝒎(𝑻))

Teorema de la dimensión

Sean V y W dos espacios vectoriales sobre el cuerpo 𝕂, 𝑉 de dimensión finita, y sea 𝑇: V → W

una transformación lineal. Entonces se cumple que:

𝒅𝒊𝒎 (𝑽) = 𝒅𝒊𝒎 (𝑲𝒆𝒓(𝑻)) + 𝒅𝒊𝒎 (𝑰𝒎(𝑻))

𝒅𝒊𝒎 (𝑽) = 𝝂(𝑻) + 𝝆(𝑻)

145
Ejemplo 1: Determine el rango y la nulidad de la siguiente transformación lineal

𝒂
𝒂
𝑻( ) = (𝒂 + 𝒃)
𝒃
𝒃

a) Núcleo

Sabemos que:

𝐾𝑒𝑟(𝑇) = {𝑣 ∈ 𝑉/𝑇(𝑣) = 0𝑊 }

 Entonces definimos el núcleo:

𝑎 𝑎 0
2
𝐾𝑒𝑟(𝑇) = {( ) ∈ ℝ /𝑇 ( ) = (0)}
𝑏 𝑏
0

 Proponemos un vector:

𝑎
Sea 𝑣 = ( ) ∈ ℝ4
𝑏

 Se iguala la imagen de 𝑣 con el vector cero del codominio (0𝑊 ):

𝒂 0
(𝒂 + 𝒃) = (0)
𝒃 0

 Para hallar el núcleo de la transformación lineal igualamos la regla de correspondencia

de la misma con el vector nulo de ℝ3

𝑎=0
{𝑎+𝑏 =0
𝑏=0

 El vector propuesto se transforma en:

𝑎 0
𝑣=( )=( )
𝑏 0

146
  Finalmente, el núcleo o 𝐾𝑒𝑟(𝑇) es:

0
𝐾𝑒𝑟(𝑇) = {( )}
0

𝑑𝑖𝑚 (𝐾𝑒𝑟(𝑇)) = 0

b) Recorrido o imagen:

Por definición:

𝐼𝑚(𝑇) = {𝑤 ∈ 𝑊/𝑇(𝑣) = 𝑤, 𝑣 ∈ 𝑉}

Entonces:
𝑥 𝑥
𝑎 𝑎
𝐼𝑚(𝑇) = {(𝑦) ∈ ℝ /𝑇 ( ) = (𝑦), ( ) ∈ ℝ2 }
3
𝑏 𝑏
𝑧 𝑧

 La imagen de la transformación se determina a partir de la base canónica del dominio

1 0
𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 ℝ2 = { ( ) , ( )}
0 1

 Obtenemos las imágenes de los vectores de la base canónica:

𝑎
𝑎
Recordar que 𝑇 ( ) = (𝑎 + 𝑏 )
𝑏
𝑏
1
1
𝑇 ( ) = (1)
0
0

0
0
𝑇 ( ) = (1)
1
1

 Estas imágenes componen el Conjunto Generador de la imagen o recorrido:

1 0
𝐶𝐺 = {(1) , (1)}
0 1

147
 Para hallar la imagen de la transformación lineal igualamos la regla de correspondencia
con el vector típico de la imagen, luego planteamos la matriz aumentada y simplificamos
hasta obtener la mayor cantidad de filas llenas de ceros.

1 0 𝑥 𝑓2 →𝑓2 −𝑓1 1 0 𝑥 𝑓2 →𝑓2 −𝑓3 1 0

𝑥
(1 1|𝑦) → (0 1|𝑦 − 𝑥 ) → ( 0 0 |𝑦 − 𝑥 − 𝑧)
0 1𝑧 0 1 𝑧 0 1 𝑧

𝑦−𝑥−𝑧 = 0

𝑦 =𝑥+𝑧

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

𝒙
𝑰𝒎(𝑻) = {(𝒙 + 𝒛) / 𝒙, 𝒛 ∈ ℝ}
𝒛

𝑑𝑖𝑚(𝐼𝑚(𝑇)) = 2

 Comprobamos el teorema de la dimensión

𝑣(𝑇) + 𝜌(𝑇) = dim 𝑉

0+2=2
2=2

148
Ejemplo 2: Para la transformación lineal 𝑇: ℝ3 → 𝑀2𝑥2 definida por:

𝑥 − 2𝑦 𝑦+𝑧
𝑇(𝑥, 𝑦, 𝑧) = ( )
𝑦+𝑧 𝑥−𝑦+𝑧

donde 𝑀2𝑥2 es el espacio vectorial real de las matrices simétricas de orden dos con elementos
reales, obtener:

a) 𝐾𝑒𝑟𝑡(𝑇), su dimensión y una de sus bases.

a) 𝐼𝑚(𝑇), su dimensión y una de sus bases.
b) Demostrar que:
𝑣(𝑇) + 𝜌(𝑇) = dim 𝑉

Solución:

0 0
a) 𝐾𝑒𝑟𝑡(𝑇) = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 / 𝑇(𝑥, 𝑦, 𝑧) = ( )}
0 0

𝑥 − 2𝑦 𝑦+𝑧 0 0
𝑇(𝑥, 𝑦, 𝑧) = ( )=( )
𝑦+𝑧 𝑥−𝑦+𝑧 0 0

𝑥 − 2𝑦 = 0
{ 𝑦+𝑧=0
𝑥−𝑦+𝑧 = 0

Resolviendo matricialmente:

1 −2 0 0 𝑓3 →𝑓3 −𝑓1 1 −2 0 0 𝑓3 →𝑓3 −𝑓2 1 −2 0 0

(0 1 1|0) → (0 1 1|0) → (0 1 1|0)
1 −1 1 0 0 1 10 0 0 00

𝑥 − 2𝑦 = 0 𝑥 = −2𝑧
𝑦 + 𝑧 = 0} 𝑦 = −𝑧
0𝑧 = 𝑧 𝑧=𝑧

Es decir, el vector (𝑥, 𝑦, 𝑧) se transforma en:

149
 (𝑥, 𝑦, 𝑧) = (−2𝑧, −𝑧, 𝑧)
Por lo tanto:

𝑲𝒆𝒓𝒕(𝑻) = {(−𝟐𝒛, −𝒛, 𝒛)/ 𝒛 ∈ ℝ } ⇒ 𝒗(𝑻) = 𝟏

Si 𝐾𝑒𝑟𝑡(𝑇) = {(−2𝑧, −𝑧, 𝑧)}

𝐾𝑒𝑟𝑡(𝑇) = {𝑧(−2, −1, 1)}

Una base canónica es:

𝑩𝒄𝒂𝒏ó𝒏𝒊𝒄𝒂 𝒅𝒆 𝑲𝒆𝒓(𝑻) = {(−𝟐, −𝟏, 𝟏)}

b) 𝐼𝑚(𝑇) = {𝑤 ∈ 𝑊/𝑇(𝑣) = 𝑤, 𝑣 ∈ 𝑉}

 La base canónica del dominio es:

𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 ℝ3 = {(1, 0, 0), (0, 1, 0, ), (0, 0, 1)}

 Obtenemos las imágenes de los vectores de la base canónica:

𝑥 − 2𝑦 𝑦+𝑧
Recordar que 𝑇(𝑥, 𝑦, 𝑧) = ( )
𝑦+𝑧 𝑥−𝑦+𝑧

1 0
𝑇(1, 0, 0) = ( )
0 1

−2 1
𝑇(0, 1, 0) = ( )
1 −1

0 1
𝑇(0, 0, 1) = ( )
1 1

 Estas imágenes constituyen el Conjunto Generador de la imagen o recorrido:

1 0 −2 1 0 1
𝐶𝐺 = {( ),( ),( )}
0 1 1 −1 1 1

150
 Se obtiene el espacio renglón generado por el conjunto anterior

1 0 0 1 𝑓2→𝑓3 1 0 0 1 𝑓3 → 𝑓3 +2𝑓1 1 0 0 1 𝑓3 → 𝑓3 −𝑓2 1 0 0 1

(−2 1 1 −1) → ( 0 1 1 1 )→ (0 1 1 1) → (0 1 1 1)
0 1 1 1 −2 1 1 −1 0 1 1 1 0 0 0 0

 Los renglones diferentes de cero constituyen los vectores de la base canónica de la

imagen.
1 0 0 1
𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝑇(ℝ3 ) = {( ),( )}
0 1 1 1

 Determinamos el vector genérico del recorrido, escribiéndolo como combinación lineal

de los vectores de la base canónica anterior:

𝑤 = 𝑎(
1 0) + 𝑏 (0 1)
0 1 1 1

𝑤=(
𝑎 0) + (0 𝑏)
0 𝑎 𝑏 𝑏

𝑤 = (𝑎 𝑏 )
𝑏 𝑎+𝑏

 Finalmente, la imagen es:

𝑎 𝑏
𝐼𝑚(𝑇) = {( ) /𝑎, 𝑏 ∈ ℝ}
𝑏 𝑎+𝑏

𝑑𝑖𝑚(𝐼𝑚(𝑇)) = 𝜌(𝑇) = 2

 Comprobamos el teorema de la dimensión

𝑑𝑖𝑚 (𝑉) = 𝑑𝑖𝑚 (𝐾𝑒𝑟(𝑇)) + 𝑑𝑖𝑚 (𝐼𝑚(𝑇))

𝑑𝑖𝑚 (𝑉) = 𝜈(𝑇) + 𝜌(𝑇)

3=1+2
3=3

151
 3.3 Isomorfismo

Transformación lineal inyectiva

Definición: Sea 𝑇: V → W una transformación lineal. Se dice que 𝑇 es inyectiva si:

∀ 𝑣1 , 𝑣2 ∈ 𝑉 {𝑇(𝑣1 ) = 𝑇(𝑣2 ) ⇒ 𝑣1 = 𝑣2 }

Teorema: Sea 𝑇: V → W una transformación lineal entonces:

𝑻 𝒆𝒔 𝒊𝒏𝒚𝒆𝒄𝒕𝒊𝒗𝒂 ⟺ 𝑲𝒆𝒓(𝑻) = {𝟎𝒗 }

Transformación lineal sobreyectiva

Definición: Sea 𝑇: V → W una transformación lineal. Se dice que 𝑇 es sobreyectiva si todo

vector de 𝑊 es la imagen de al menos un vector de 𝑉. Es decir:

∀ 𝑤 ∈ 𝑊 ∃ 𝑣 ∈ 𝑉 / 𝑤 = 𝑇(𝑣)

Teorema: Sea 𝑇: V → W una transformación lineal entonces:

𝑻 𝒆𝒔 𝒔𝒐𝒃𝒓𝒆𝒚𝒆𝒄𝒕𝒊𝒗𝒂 ⟺ 𝑰𝒎(𝑻) = 𝑾

Isomorfismo

Definición: Sea 𝑇: V → W una transformación lineal. Se dice que 𝑇 es un isomorfismo si 𝑇 es

inyectiva y 𝑇 es sobreyectiva. Es decir, 𝑇 es isomorfismo si 𝑇 es biyectiva.

Espacios vectoriales isomorfos

Definición: Sean 𝑉 𝑦 𝑊 dos espacios vectoriales. Se dice que 𝑉 𝑦 𝑊 son espacios vectoriales
isomorfos, denotados como 𝑉 ≅ 𝑊, si existe un isomorfismo 𝑇: 𝑉 → 𝑊 entre ellos.

152
Teorema: Sea 𝑇: 𝑉 → 𝑊 una transformación lineal definida entre espacios vectoriales de
dimensión finita, tales que dim 𝑉 = dim 𝑊, entonces:

1. Si 𝑇 es inyectiva ⟹ 𝑇 es sobreyectiva.

2. Si 𝑇 es sobreyectiva ⟹ 𝑇 es inyectiva.

Teorema: Sean 𝑉 𝑦 𝑊 dos espacios vectoriales de dimensión finita. Sea 𝑇: V → W una

transformación lineal. Entonces:

1. Si dim 𝑉 > dim 𝑊 , 𝑇 no es inyectiva.

2. Si dim 𝑉 < dim 𝑊 , 𝑇 no es sobreyectiva.

Es decir:

Si dim 𝑉 ≠ dim 𝑊 ⟹ 𝑇 no es un isomorfismo.

Teorema: Sea 𝑇: V → W una transformación lineal, se cumple que:

1. Si 𝑇 es inyectiva y 𝑆 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 } es linealmente independiente en 𝑉, entonces

𝑆 ′ = {𝑇(𝑣1 ), 𝑇(𝑣2 ), 𝑇(𝑣3 ), … , 𝑇(𝑣𝑛 )} es linealmente independiente en 𝑊

2. Si 𝑇 es sobreyectiva y 𝐺 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 } genera a 𝑉, entonces 𝐺 ′ = {𝑇(𝑣1 ), 𝑇(𝑣2 ),

𝑇(𝑣3 ), … , 𝑇(𝑣𝑛 )} genera a 𝑊

3. Si 𝑇 es un isomorfismo y 𝐵 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 } es una base de 𝑉, entonces 𝐵 ′ =

{𝑇(𝑣1 ), 𝑇(𝑣2 ), 𝑇(𝑣3 ), … , 𝑇(𝑣𝑛 )} es una base de 𝑊

153
Ejemplo: Determine si la transformación dada es inyectiva, sobreyectiva o ambas.

𝑥 𝑥−𝑦
𝑇: ℝ2 → ℝ2 ⇒ 𝑇 (𝑦) = (2𝑥 + 𝑦)

Solución:
𝑥 𝑥 0
𝐾𝑒𝑟𝑡(𝑇) = {(𝑦) ∈ ℝ2 / 𝑇 (𝑦) = ( )}
0

𝑥 𝑥−𝑦 0
𝑇 (𝑦) = (2𝑥 + 𝑦) = ( )
0

𝑥−𝑦= 0
}𝒙 = 𝒚 = 𝟎
2𝑥 + 𝑦 = 0

𝟎
∴ 𝑲𝒆𝒓𝒕(𝑻) = {( )} ⇒ 𝑻 𝐞𝐬 𝐢𝐧𝐲𝐞𝐜𝐭𝐢𝐯𝐚
𝟎

Aplicando teorema de la dimensión

𝑑𝑖𝑚 (𝑉) = 𝑑𝑖𝑚 (𝐾𝑒𝑟(𝑇)) + 𝑑𝑖𝑚 (𝐼𝑚(𝑇))

𝑑𝑖𝑚 (𝑉) = 𝜈(𝑇) + 𝜌(𝑇)

Considerando que:

𝑑𝑖𝑚 (𝐾𝑒𝑟(𝑇)) = 𝜈(𝑇) = 0

Entonces:

𝜌(𝑇) = 𝑑𝑖𝑚 (𝑉) − 𝜈(𝑇) = 2 − 0 = 2

∴ 𝑰𝒎(𝑻) = ℝ𝟐 ⇒ 𝑻 𝐞𝐬 𝐬𝐨𝐛𝐫𝐞𝐲𝐞𝐜𝐭𝐢𝐯𝐚

∴ 𝐓 es isomorfismo

Nota: De esta forma comprobamos que si dim V = dim W, entonces:

Si T es inyectiva ⟹ T es sobreyectiva.

154
 3.4 Matriz asociada a una transformación lineal

La representación matricial de una transformación lineal T: V → W sirve para obtener la

imagen de un vector; ya que con sólo multiplicar la matriz asociada (representación matricial de
𝑇) por un vector del dominio, se obtiene la imagen de este (recorrido).

Con la representación matricial, también es posible determinar la “regla de

correspondencia” de una transformación lineal, basta con conocer la matriz asociada y los
espacios vectoriales a los que está referida.

La representación matricial de una transformación lineal va a depender de las bases

utilizadas. La más sencilla y utilizada de estas representaciones es la matriz asociada, que se
obtiene con la base canónica del dominio.

El procedimiento para determinar la matriz asociada 𝑀(𝑇) de una transformación lineal 𝑇: 𝑉 →

𝑊, es el siguiente:

1. Determinar la base canónica del dominio.

2. Calcular las imágenes de los vectores de la base canónica aplicadas a la transformación

𝑇.
3. Las imágenes obtenidas se expresan en columnas, constituyendo de esta forma las
columnas de la matriz asociada 𝑀(𝑇) a la transformación 𝑇: 𝑉 → 𝑊.

La matriz asociada 𝑀(𝑇) con la transformación 𝑇: 𝑉 → 𝑊, permite obtener la imagen 𝑇(𝑣) de

cualquier vector del dominio 𝑉 con la expresión:

𝑻(𝒗) = 𝑴( 𝑻) (𝒗)

155
Matriz asociada con una transformación lineal y referida a dos bases
𝑨 𝒚 𝑩 cualesquiera

Definición: Sean V y W espacios vectoriales de dimensión finita, donde 𝑑𝑖𝑚(𝑉) =

𝑛 𝑦 𝑑𝑖𝑚(𝑊) = 𝑚 y sea 𝑇: V → W una transformación lineal. Supongamos que 𝐴 =
{𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 } ⊂ 𝑉 𝑦 𝐵 = {𝑤1 , 𝑤2 , 𝑤3 , … , 𝑤𝑚 } ⊂ 𝑊 son bases de 𝑉 𝑦 𝑊 respectivamente.
Entonces existe una y sólo una matriz 𝑀𝐵𝐴 (𝑇) asociada con la transformación 𝑇, tal que:

[𝑻(𝒗)]𝑩 = 𝑴𝑨𝑩 (𝑻) (𝒗)𝑨 ∀ 𝒗 ∈ 𝑽

Donde las 𝑛 columnas de dicha matriz son los vectores de coordenadas, en la base 𝐵, de las
imágenes de los elementos que integran la base 𝐴:

[𝑇(𝑣1 )]𝐵 , [𝑇(𝑣2 )]𝐵 , … , [𝑇(𝑣𝑛 )]𝐵

Considerando que:

𝑀𝐵𝐴 (𝑇)= Matriz asociada con la transformación lineal 𝑇 y referida a las bases 𝐴 𝑦 𝐵.

(𝑣)𝐴 = Vector de coordenadas de 𝑣 en la base 𝐴, donde 𝑣 ∈ dominio.

[𝑇(𝑣)]𝐵 = Vector de coordenadas de 𝑇(𝑣) en la base 𝐵, donde 𝑇(𝑣) ∈ recorrido y es la imagen

de 𝑣.

Procedimiento para determinar la matriz 𝑀𝐵𝐴 (𝑇) asociada con la

transformación 𝑻: 𝐕 → 𝐖:

1. Obtener las imágenes de los vectores de la base 𝐴 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 }; es decir,

determinar: 𝑇(𝑣1 ), 𝑇(𝑣2 ), … , 𝑇(𝑣𝑛 ).

2. Expresar a cada una de las imágenes anteriores, como una combinación lineal de los
vectores de la base 𝐵 = {𝑤1 , 𝑤2 , 𝑤3 , … , 𝑤𝑚 }; es decir:

𝑇(𝑣1 ) = 𝛼1 𝑤1 + 𝛼2 𝑤2 + 𝛼3 𝑤3 + … + 𝛼𝑛 𝑤𝑚

𝑇(𝑣2 ) = 𝛽1 𝑤1 + 𝛽2 𝑤2 + 𝛽3 𝑤3 + … + 𝛽𝑛 𝑤𝑚 , etc.

3. De las combinaciones lineales anteriores, determinar los vectores de coordenadas

156
 𝛼1 𝛽1
𝛼
[𝑇(𝑣1 )]𝐵 = ( ⋯2 ) , [𝑇(𝑣2 )]𝐵 = ( 𝛽2
⋯ ), etc.
𝛼𝑚 𝛽𝑚

4. Los vectores de coordenadas anteriores, constituyen las columnas de la matriz buscada

𝑀𝐵𝐴 (𝑇) .

Procedimiento para determinar la regla de correspondencia (imagen) de

una transformación lineal

Para el caso particular en que datos son la matriz 𝑀𝐵𝐴 (𝑇) y las bases 𝐴 𝑦 𝐵, y se desea conocer
la regla de correspondencia de la transformación 𝑻: 𝑽 → 𝑾:

• Se propone un vector 𝑣 que represente a los vectores del dominio.

• Se escribe el vector 𝑣 como una combinación lineal de los vectores de la base 𝐴, para
determinar el vector de coordenadas (𝑣)𝐴 .

• Se realiza la multiplicación [𝑇(𝑣)]𝐵 = 𝑀𝐵𝐴 (𝑇) (𝑣)𝐴 para obtener el vector de coordenadas de
𝑇(𝑣) en la base 𝐵.

• Una vez obtenido el vector de coordenadas, [𝑇(𝑣)]𝐵 , se escribe como combinación lineal de los
vectores de la base 𝐵, con la finalidad de obtener la regla de correspondencia o imagen, 𝑇(𝑣),
buscada.

NOTA: La determinación de la regla de correspondencia de una transformación lineal con el

procedimiento anterior, puede aplicarse en todos los casos en los que se cuente con la
representación matricial de esta transformación.

157
Ejemplo 1:

1. Demostrar que la función 𝑇: 𝑀2 (ℝ) → 𝑀2 (ℝ) definida mediante la siguiente regla de

correspondencia es una transformación lineal:

3 −5
𝑇(𝑋) = 𝑋𝐴, donde 𝐴=( )
4 7

2. Hallar la matriz asociada a 𝑇 respecto a la base canónica 𝐵 = (𝐵1 , 𝐵2 , 𝐵3 , 𝐵4 ) de 𝑀2 (ℝ),

donde

1 0 0 0
𝐵1 = ( ) 𝐵2 = ( )
0 0 1 0

0 1 0 0
𝐵3 = ( ) 𝐵4 = ( )
0 0 0 1

3. Para comprobar la respuesta calcule 𝑇(𝑌) de dos maneras diferentes:

a) Usando la matriz asociada;

b) Aplicando la regla de correspondencia de 𝑇.

3 −8
𝑌=( ) ∈ 𝑀2 (ℝ)
5 1

Solución:

1. Demostramos que 𝑇 es lineal usando definición:

𝑻(𝑿 + 𝒀) = 𝑻(𝑿) + 𝑻(𝒀)

𝑇(𝑋 + 𝑌) = (𝑋 + 𝑌)𝐴
𝑇(𝑋 + 𝑌) = 𝑋𝐴 + 𝑌𝐴
𝑇(𝑋 + 𝑌) = 𝑇(𝑋) + 𝑇(𝑌)

𝑻(𝛌𝑿) = 𝛌𝑻(𝑿)

𝑇(λ𝑋) = (λ𝑋)𝐴
𝑇(λ𝑋) = λ(XA)
𝑇(λ𝑋) = λ𝑇(𝑋)

∴ 𝑻 𝒆𝒔 𝒖𝒏𝒂 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍

158
 2. Para hallar la matriz asociada calculamos las imágenes de las matrices 𝐵1 , 𝐵2 , 𝐵3 , 𝐵4 de
la base canónica 𝐵, aplicadas a la transformación 𝑇 y sus coordenadas respecto a la
base 𝐵:

1 0 3 −5 3 −5
𝑇(𝐵1 ) = ( )( )=( ) = 3𝐵1 + 0𝐵2 − 5 𝐵3 + 0𝐵4
0 0 4 7 0 0

0 0 3 −5 0 0
𝑇(𝐵2 ) = ( )( )=( ) = 0𝐵1 + 3 𝐵2 + 0𝐵3 , −5𝐵4
1 0 4 7 3 −5

0 1 3 −5 4 7
𝑇(𝐵3 ) = ( )( )=( ) = 4𝐵1 + 0𝐵2 + 7𝐵3 + 0𝐵4
0 0 4 7 0 0

0 0 3 −5 0 0
𝑇(𝐵4 ) = ( )( )=( ) = 0𝐵1 + 4𝐵2 + 0𝐵3 + 7𝐵4
0 1 4 7 4 7

Se pueden escribir las columnas de coordenadas de 𝑇(𝐵1 ), 𝑇(𝐵2 ), 𝑇(𝐵3 ), 𝑇(𝐵4 ) respecto a la
base canónica𝐵 (paso que por ser muy sencillo se puede omitir):

3
(𝑇(𝐵1 ))𝐵 = ( 0 )
−5
0

0
(𝑇(𝐵2 ))𝐵 = ( 3 )
0
−5

4
( 𝑇(𝐵3 ))𝐵 = (0)
7
0

0
(𝑇(𝐵4 ))𝐵 = (4)
0
7

La acomodamos en un arreglo matricial

3 0 4 0
𝑀(𝑇) = ( 0 3 0 4)
−5 0 7 0
0 −5 0 7

159
 3. Para comprobar la respuesta calculamos (𝑇(𝑌))𝐵 de dos maneras diferentes:

3 −8
Recordar que 𝑌 = ( ) ∈ 𝑀2 (ℝ)
5 1

a) Usando la matriz asociada, es decir, la representación matricial de 𝑇:

3 0 4 0 3
(𝑇(𝑌))𝐵 = ( 0 3 0 4) ( 5 )
−5 0 7 0 −8
0 −5 0 7 1

9 + 0 − 32 + 0
(𝑇(𝑌))𝐵 = ( 0 + 15 + 0 + 4 )
−15 + 0 − 56 + 0
0 − 25 + 0 + 7

−23
(𝑇(𝑌))𝐵 = ( 19 )
−71
−18

b) Aplicando la regla de correspondencia de 𝑇.

Usando la definición de 𝑇:

3 −8 3 −5 9 − 32 −15 − 56 −23 −71

𝑇(𝑌) = ( )( )=( )=( )
5 1 4 7 15 + 4 −25 + 7 19 −18

Entonces:

−23
(𝑇(𝑌))𝐵 = ( 19 )
−71
−18

160
Ejemplo 2: Sea la transformación 𝑇: ℝ3 → ℝ4 definida por:

𝑇(𝑥, 𝑦, 𝑧) = (𝑥 − 𝑦 + 𝑧, −2𝑥, −3𝑦 − 2𝑧, 𝑥 − 𝑦 − 𝑧)

Utilizando la base canónica 𝐵 = {𝐵1 , 𝐵2 , 𝐵3 } ∈ ℝ3 en el dominio, obtenemos las siguientes

transformaciones:

𝑇(𝐵1 ) = 𝑇(1, 0, 0) = (1, −2,0,1)

𝑇(𝐵2 ) = 𝑇(0, 1, 0) = (−1, 0, −3, −1)

𝑇(𝐵3 ) = 𝑇(0, 0, 1) = (1, 0, −2, −1)

Acomodamos estas transformaciones en un arreglo matricial, donde cada vector es una

columna de dicha matriz

1 −1 1
𝑀(𝑇) = (−2 0 0)
0 −3 −2
1 −1 −1

Donde 𝑀(𝑇) es la matriz asociada a la transformación lineal 𝑇.

Como vimos anteriormente, esta matriz puede utilizarse para obtener la imagen de cualquier
vector bajo la transformación 𝑇.

Por ejemplo, para este caso, si deseamos obtener la trasformación lineal del vector 𝑣 =
(1, −2, 4), podemos utilizar la regla de correspondencia o la matriz asociada.

a) Por la regla de correspondencia de 𝑇:

𝑇(1, −2, 4) = (7, −2, −2, −1)

b) Mediante la matriz asociada:

1 −1 1 1
𝑇(1, −2, 4) = (−2 0 0 ) ( −2 )
0 −3 −2
4
1 −1 −1

161
 7
𝑇(1, −2, 4) = ( −2 )
−2
−1

Observamos que, por ambos métodos, las transformaciones tienen el mismo resultado.

Ejemplo3: Dada la aplicación lineal 𝑇: ℝ3 → 𝑀2𝑥2 definida por:

𝑎
𝑎−𝑏 𝑏
𝑇 (𝑏 ) = ( )
𝑐 𝑏 𝑏−𝑐

a) Hallar la representación matricial de 𝑇 respecto a las bases canónicas.

b) Encuentre 𝐾𝑒𝑟𝑡(𝑇), 𝐼𝑚(𝑇), 𝑣(𝑇), 𝜌(𝑇)

Para hallar la representación matricial de 𝑇 debemos encontrar los vectores coordenadas

de las transformaciones de los vectores de la base del espacio de partida.

1
1 0 1 0 0 1 0 0 0 0
𝑇 (0 ) = ( ) = (1) ( ) + (0) ( ) + (0) ( ) + (0) ( )
0 0 0 0 0 0 1 0 0 1
0
1
1
⇒ [𝑇 (0)] = (0)
0
0 0
0
−1 1 1 0 0 1 0 0 0 0
𝑇 (1 ) = ( ) = (−1) ( ) + (1) ( ) + (1) ( ) + (1) ( )
1 1 0 0 0 0 1 0 0 1
0
−1
0
⇒ [𝑇 (1)] = ( 1 )
1
0 1
0
0 0 1 0 0 1 0 0 0 0
𝑇 (0 ) = ( ) = (0) ( ) + (0) ( ) + (0) ( ) + (−1) ( )
0 −1 0 0 0 0 1 0 0 1
1

162
 0
0
⇒ [𝑇 (0)] = ( 0 )
0
1 −1
Estos vectores coordenadas representan las columnas de la matriz asociada a 𝑇:

1 −1 0
𝑀(𝑇) = (0 1 0)
0 1 0
0 1 −1
b)

Núcleo

 El núcleo se define como

𝑎 𝑎
3 0 0
𝐾𝑒𝑟𝑡(𝑇) = {(𝑏 ) ∈ ℝ / 𝑇 (𝑏 ) = ( )}
𝑐 𝑐 0 0

 Se propone un vector:
𝑎
Sea 𝑣 = (𝑏 ) ∈ ℝ3
𝑐

 Aplicamos el procedimiento ya visto en ejercicios anteriores de igualar la regla de

correspondencia con el vector nulo del codominio (0𝑊 ):

𝑎
𝑎−𝑏 𝑏 0 0
𝑇 (𝑏 ) = ( )=( )
𝑐 𝑏 𝑏−𝑐 0 0

 Igualando términos en los vectores anteriores:

𝑎−𝑏 =0→𝑎 =0
{ 𝑏=0
𝑏=0
𝑏−𝑐 =0→𝑐 =0

 El vector propuesto se transforma en:

163
 0
𝑣 = (0 )
0

 Finalmente, el núcleo o 𝐾𝑒𝑟(𝑇) es:

0
𝐾𝑒𝑟(𝑇) = {(0)}
0

Imagen:

 La imagen es un conjunto de la forma:

𝐼𝑚(𝑇) = {𝑦 ∈ 𝑀2𝑥2 /𝑇(𝑥) = 𝑦, 𝑥 ∈ ℝ3 }

𝑎−𝑏 𝑏
𝐼𝑚(𝑇) = {𝑦 ∈ 𝑀2𝑥2 / ( ) = 𝑦, (𝑎, 𝑏, 𝑐) ∈ ℝ3 }
𝑏 𝑏−𝑐

 La imagen o recorrido de la transformación se determina a partir de la base canónica del

dominio
𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 ℝ3 = {(1, 0, 0), (0, 1, 0, ), (0, 0, 1)}

 Obtenemos las imágenes de los vectores de la base canónica:

𝑎
𝑎−𝑏 𝑏
𝑇 (𝑏 ) = ( )
𝑐 𝑏 𝑏−𝑐

1 0
𝑇(1, 0, 0) = ( )
0 0

−1 1
𝑇(0, 1, 0) = ( )
1 1

0 0
𝑇(0, 0, 1) = ( )
0 −1
164
 Estas imágenes constituyen el Conjunto Generador de la imagen o recorrido:

1 0 −1 1 0 0
𝐶𝐺 = {( ),}( ),( )
0 0 1 1 0 −1

 Una vez establecido el espacio generado, ubicamos los vectores en filas de una matriz. Al
escalonar esta matriz obtenemos la imagen o recorrido 𝑇(𝑉) de la transformación.

 Resolviendo matricialmente:

1 −1 0 1 −1 0
0 1 0 𝑓3 →𝑓3 −𝑓2 0 1 0
( )→ ( )
0 1 0 0 0 0
0 1 −1 0 1 −1

 Los renglones diferentes de cero constituyen los vectores de la base canónica de la

imagen.

𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝑇(𝑉) = {(1, −1,0), (0,1,0), (0, 1, −1)}

 Determinamos el vector genérico 𝑤, escribiéndolo como combinación lineal de los

vectores de la base canónica anterior:

𝑤 = 𝑎(1, −1,0) + 𝑏(0,1,0) + 𝑐(0, 1, −1)

𝑤 = (𝑎, −𝑎, 0) + (0, 𝑏, 0) + (0, 𝑐, −𝑐)

𝑤 = (𝑎, −𝑎 + 𝑏 + 𝑐, −𝑐)

 Finalmente, la imagen es:

𝐼𝑚(𝑇) = {(𝑎, −𝑎 + 𝑏 + 𝑐, −𝑐)/𝑎, 𝑏, 𝑐 ∈ ℝ}

𝜌(𝑇) = 3

165
Comprobamos teorema de la dimensión:

𝑣(𝑇) + 𝜌(𝑇) = dim 𝑉

0+3=3
3=3

Ejemplo 4: Sean 𝑃≤2 𝑦 𝑃≤3 los espacios vectoriales de lo polinomios de grado menor o igual a
dos y menor o igual a tres, respectivamente, y sea 𝑇: 𝑃≤2 → 𝑃≤3 la transformación definida por:

𝑇(𝑝(𝑥)) = 𝑥 ∙ 𝑝(𝑥)

a) Determinar la matriz asociada con 𝑇.

b) Obtener la matriz asociada con T y referida a las bases:

𝐴 = {1 − 𝑥 2 , 1 + 3𝑥 + 2𝑥 2 , 5 + 4𝑥 + 4𝑥 2 } 𝑦 𝐵 = {1, 𝑥, 𝑥 2 , 𝑥 3 }

c) Con las matrices obtenidas calcular la imagen del vector 𝑣 = 1 + 5𝑥 − 𝑥2 .

Solución:

a) Para obtener la matriz asociada a 𝑇, 𝑀(𝑇) , se calculan las imágenes de la base canónica
del dominio 𝑃≤2 = {𝑎 + 𝑏𝑥 + 𝑐𝑥 2 / 𝑎, 𝑏, 𝑐 ∈ ℝ}

 Imágenes de 𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝑃≤2 = {1, 𝑥, 𝑥 2 }:

𝑇(1) = 𝑥

𝑇(𝑥) = 𝑥2

𝑇(𝑥2 ) = 𝑥3

 Estas imágenes escritas como columnas son las columnas de la matriz buscada:

0 0 0
Matriz asociada con 𝑇 → 𝑀(𝑇) = (1 0 0)
0 1 0
0 0 1

166
 b) La imagen del vector 𝑣 = 1 + 5𝑥 − 𝑥2 se determina con la expresión 𝑇(𝑣) = 𝑀(𝑇) ∙ 𝑣,
es decir:

0 0 0 0
1
𝑇(𝑣) = 𝑀(𝑇) ∙ 𝑣 = (1 0 0) ( 5 ) = ( 1 )
0 1 0 5
0 0 1 −1 −1

∴ 𝑇(1 + 5𝑥 − 𝑥2 ) = 𝑥 + 5𝑥2 − 𝑥3

c) Para determinar la matriz asociada con 𝑇 y referida a las bases 𝐴 𝑦 𝐵, se calculan

primero las imágenes de los vectores de la base 𝐴 :

𝑇(𝑎1 ) = 𝑇(1 − 𝑥 2 ) = 𝑥 − 𝑥 3

𝑇(𝑎2 ) = 𝑇(1 + 3𝑥 + 2𝑥 2 ) = 𝑥 + 3𝑥2 + 2𝑥 3

3
𝑇(𝑎3 ) = 𝑇(5 + 4𝑥 + 4𝑥 2 ) = 5𝑥 + 4𝑥2 + 4𝑥

• Se escriben a las imágenes anteriores como combinación lineal de los vectores de la base 𝐵 ,
es decir:

𝑻(𝒂𝟏 ) = 𝒙 − 𝒙𝟑 = 𝜶𝟏 (𝟏) + 𝜶𝟐 (𝒙) + 𝜶𝟑 (𝒙𝟐 ) + 𝜶𝟒 (𝒙𝟑 )

Igualando términos:

𝛼1 = 0 0
𝛼2 𝑥 = 𝑥 ⇒ 𝛼2 = 1
[𝑇(𝑎1 )]𝐵 = ( 1 )
𝛼3 𝑥 2 = 0𝑥 2 ⇒ 𝛼3 = 0 0
3 3
𝛼4 𝑥 = −𝑥 ⇒ 𝛼4 = −1 } −1

𝑻(𝒂𝟐 ) = 𝒙 + 𝟑𝒙𝟐 + 2𝑥 3 = 𝜷𝟏 (𝟏) + 𝜷𝟐 (𝒙) + 𝜷𝟑 (𝒙𝟐 ) + 𝜷 𝟒 (𝒙𝟑 )

Igualando términos:

𝛽1 = 0 0
𝛽2 𝑥 = 𝑥 ⇒ 𝛽2 = 1
[𝑇(𝑎2 )]𝐵 = (1)
𝛽3 𝑥 2 = 3𝑥 2 ⇒ 𝛽3 = 3 3
3 3
𝛽4 𝑥 = 2𝑥 ⇒ 𝛽4 = 2 } 2

167
 𝟑
𝑻(𝒂𝟑 ) = 𝟓𝒙 + 𝟒𝒙𝟐 + 𝟒𝒙 = 𝜸𝟏 (𝟏) + 𝜸𝟐 (𝒙) + 𝜸𝟑 (𝒙𝟐 ) + 𝜸 𝟒 (𝒙𝟑 )

Igualando términos:

𝜸1 = 0 0
𝜸2 𝑥 = 5𝑥 ⇒ 𝜸2 = 5
[𝑇(𝑎3 )]𝐵 = (5)
𝜸3 𝑥 2 = 4𝑥 2 ⇒ 𝜸3 = 4 4
3 3
𝜸4 𝑥 = 4𝑥 ⇒ 𝜸4 = 4 } 4

Finalmente la matriz buscada es:

𝟎 𝟎 𝟎
𝑴𝑨𝑩 (𝑻) =( 𝟏 𝟏 𝟓) → 𝑴𝒂𝒕𝒓𝒊𝒛 𝒂𝒔𝒐𝒄𝒊𝒂𝒅𝒂 𝒄𝒐𝒏 𝑻 𝒚 𝒓𝒆𝒇𝒆𝒓𝒊𝒅𝒂 𝒂 𝒍𝒂𝒔 𝒃𝒂𝒔𝒆𝒔 𝑨 𝒚 𝑩
𝟎 𝟑 𝟒
−𝟏 𝟐 𝟒

d) La imagen del vector 𝑣 = 1 + 5𝑥 − 𝑥 2 se obtiene con la expresión:

[𝑻(𝒗)]𝑩 = 𝑴𝑨𝑩 (𝑻) ∙ (𝒗)𝑨

• Escribiendo el vector 𝑣 = 1 + 5𝑥 − 𝑥2 como combinación lineal de la base 𝐴 = {1 − 𝑥 2 , 1 +

3𝑥 + 2𝑥 2 , 5 + 4𝑥 + 4𝑥 2 }:

𝑣 = 𝛼(1 − 𝑥 2 ) + 𝛽(1 + 3𝑥 + 2𝑥 2 ) + 𝛾(5 + 4𝑥 + 4𝑥 2 )

1 + 5𝑥 − 𝑥 2 = (𝛼 − 𝛼𝑥2 ) + (𝛽 + 3𝛽𝑥 + 2𝛽𝑥2 ) + (5𝛾 + 4𝛾𝑥 + 4𝛾𝑥2 )

1 + 5𝑥 − 𝑥 2 = (𝛼 + 𝛽 + 5𝛾) + (3𝛽 + 4𝛾)𝑥 + (−𝛼 + 2𝛽 + 4𝛾)𝑥2

• Igualando términos:
𝛼 + 𝛽 + 5𝛾 = 1

3𝛽 + 4𝛾 = 5

−𝛼 + 2𝛽 + 4𝛾 = −1

168
• Resolviendo el sistema de ecuaciones anterior matricialmente:

1 1 5 1 𝑓1 +𝑓3 →𝑓3 1 1 5 1 𝑓3 −𝑓2 →𝑓3 1 1 5 1

( 0 3 4| 5 ) → (0 3 4|5) → (0 3 4| 5 )
−1 2 4 −1 0 3 90 0 0 5 −5

1
𝑓 →𝑓 1 1 5 1
5 3 3
→ (0 3 4| 5 )
0 0 1 −1

• Llegamos a:

𝛼 + 𝛽 + 5𝛾 = 1
3𝛽 + 4𝛾 = 5
𝜸 = −𝟏

3𝛽 + 4𝛾 = 5

5 − 4𝛾
𝛽=
3

5 − 4(−1)
𝛽=
3
𝜷=𝟑

𝛼 + 𝛽 + 5𝛾 = 1
𝛼 = 1 − 𝛽 − 5𝛾
𝛼 = 1 − 3 − 5(−1)
𝜶=𝟑

𝟑
(𝒗)𝑨 = ( 𝟑 )
−𝟏

• Realizando la multiplicación:

0 0 0 0
3
[𝑇(𝑣)]𝐵 = 𝑀𝐵 (𝑇) ∙ (𝑣)𝐴 = ( 1
𝐴 1 5) ( 3 ) = ( 3 + 3 − 5 )
0 3 4 0+9−4
−1
−1 2 4 −3 + 6 − 4
169
 𝟎
[𝑻(𝒗)]𝑩 = 𝑴𝑨𝑩 (𝑻) ∙ (𝒗)𝑨 = ( 𝟏 ) → 𝑽𝒆𝒄𝒕𝒐𝒓 𝒅𝒆 𝒄𝒐𝒐𝒓𝒅𝒆𝒏𝒂𝒅𝒂𝒔 𝒅𝒆 𝑻(𝒗) 𝒆𝒏 𝒍𝒂 𝒃𝒂𝒔𝒆 𝑩
𝟓
−𝟏

• Escribiendo 𝑻(𝒗) como combinación lineal de la base 𝐵 = {1, 𝑥, 𝑥 2 , 𝑥 3 }:

𝑇(𝑣) = 𝛼1 + 𝛽𝑥 + 𝛾𝑥 2 + 𝛿𝑥 3

𝑇(𝑣) = (0)(1) + (1)(𝑥) + (5)(𝑥 2 ) + (−1)(𝑥 3 )

• Finalmente:

𝑻(𝒗) = 𝑻(𝟏 + 𝟓𝒙 − 𝒙𝟐 ) = 𝒙 + 𝟓𝒙𝟐 − (𝒙𝟑 ) → 𝑰𝒎𝒂𝒈𝒆𝒏 𝒅𝒆𝒍 𝒗𝒆𝒄𝒕𝒐𝒓 𝒗

Ejemplo 5: Sea la transformación lineal 𝑇: ℝ2 → ℝ3 , cuya matriz asociada es

1 1
𝑀𝐵𝐴 = (0 1 )
1 0

referida a las bases 𝐴 = {(1, 1), (0, −1)} del dominio y 𝐵 = {(1, 0, 1), (0, 1, 1), (1, 1, 0)} del
codominio. Determinar la regla de correspondencia de la transformación 𝑇.

• Para determinar la regla de correspondencia se utiliza la expresión:

𝑴𝑨𝑩 (𝑻) (𝒗)𝑨 = [𝑻(𝒗)]𝑩

• Se propone al vector 𝒗 = (𝒙, 𝒚) ∈ ℝ2

• Se escribe 𝒗 como combinación lineal de la base A:

𝑣 = 𝛼1 𝑎1 + 𝛼2 𝑎2

170
• Sustituyendo e igualando términos se obtiene:

(𝑥, 𝑦) = 𝛼1 (1, 1) + 𝛼2 (0, −1) = (𝛼1 , 𝛼1 −𝛼2 )

𝛼1 = 𝑥

𝛼2 = 𝑥 − 𝑦

𝑥
(𝒗)𝑨 = (𝛼1 , 𝛼2 )𝑇 = (𝑥 − 𝑦) → 𝑉𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑜𝑟𝑑𝑒𝑛𝑎𝑑𝑎𝑠 𝑑𝑒 𝑣 𝑒𝑛 𝑙𝑎 𝑏𝑎𝑠𝑒 𝐴

• Realizando la multiplicación 𝑀𝐵𝐴 (𝑇) (𝑣)𝐴 = [𝑇(𝑣)]𝐵 , se obtiene el vector de coordenadas de

𝑇(𝑣) en la base 𝐵:

1 1 𝑥+𝑥−𝑦 2𝑥 − 𝑦 𝛽1
𝑥
(0 1) ∙ (𝑥 − 𝑦) = (0 + 𝑥 − 𝑦) = ( 𝑥 − 𝑦 ) = (𝛽2 ) = [𝑻(𝒗)]𝑩
0 1 𝑥+0 𝑥 𝛽3

• Escribiendo a 𝑇(𝑣) como combinación lineal de 𝑣:

𝑇(𝑣) = 𝛽1 𝑏1 + 𝛽2 𝑏2 +𝛽3 𝑏3

• Sustituyendo valores:

𝑇(𝑣) = (2𝑥 − 𝑦)(1, 0, 1) + (𝑥 − 𝑦)(0, 1, 1) + 𝑥(1, 1, 0)

𝑇(𝑣) = (2𝑥 − 𝑦, 0, 2𝑥 − 𝑦) + (0, 𝑥 − 𝑦, 𝑥 − 𝑦) + (𝑥, 𝑥, 0)

𝑇(𝑣) = (2𝑥 − 𝑦 + 𝑥, 𝑥 − 𝑦 + 𝑥, 2𝑥 − 𝑦 + 𝑥 − 𝑦)

• Finalmente la regla de correspondencia pedida es:

𝑇(𝑣) = (3𝑥 − 𝑦, 2𝑥 − 𝑦, 3𝑥 − 2𝑦)

171
 3.5 Cambio de base

Consideremos la transformación lineal identidad de un espacio vectorial 𝑉, que denotamos

como 𝐼, no debe confundirse 𝐼 con la matriz identidad. Sean 𝐴 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 } 𝑦 𝐵 =
{𝑤1 , 𝑤2 , 𝑤3 , … , 𝑤𝑛 } bases para 𝑉 del dominio y recorrido respectivamente. Llamaremos matriz
de 𝐼 en las bases 𝐴 𝑦 𝐵 a la expresión:

𝑰𝑨𝑩

Recordemos la definición de matriz asociada con la transformación lineal 𝑇 y referida a las

bases 𝐴 𝑦 𝐵, 𝑀𝐵𝐴 (𝑇):

[𝑻(𝒗)]𝑩 = 𝑴𝑨𝑩 (𝑻) ∙ (𝒗)𝑨 ∀ 𝒗 ∈ 𝑽

De lo anterior podemos deducir que:

[𝑰(𝒗)]𝑩 = 𝑰𝑨𝑩 ∙ (𝒗)𝑨 = (𝒗)𝑩 ∀ 𝒗 ∈ 𝑉

Luego 𝑰𝑨𝑩 tiene el efecto de cambiar las coordenadas de 𝑣 de la base 𝐴 a la base 𝐵.

Definición: Si 𝐴 𝑦 𝐵 son dos bases de un mismo espacio 𝑉 e 𝐼 la transformación identidad de

𝑉, se llama matriz de cambio de base de 𝐴 a 𝐵 a la matriz:

𝑰𝑨𝑩

Donde las 𝑛 columnas de dicha matriz son los vectores de coordenadas, en la base 𝐵, de las
imágenes de los elementos que integran la base 𝐴:

[𝐼(𝑣1 )]𝐵 , [𝐼(𝑣2 )]𝐵 , … , [𝐼(𝑣𝑛 )]𝐵

172
Ejemplo: Sea 𝑇: V → V una transformación lineal y sean 𝐴 𝑦 𝐵 algunas bases de un espacio
vectorial V. Dada la matriz 𝑀𝐴 asociada a 𝑇 respecto a la base 𝐴 y la matriz de cambio de base
𝐼𝐴𝐵 :

a) Calcular la matriz 𝐼𝐵𝐴 .

b) Comprobar la igualdad 𝐼𝐴𝐵 ∙ 𝐼𝐵𝐴 = 𝐼.

c) Calcular la matriz 𝑀𝐵 asociada a 𝑇 respecto a la base 𝐵.

4 −1 1 1 1 0
𝑀𝐴 = (1 2 −2) 𝐼𝐴𝐵 = (1 4 1)
3 −2 2 1 3 1

Solución:

a) Calculamos la matriz inversa de la matriz 𝐼𝐴𝐵 .

1 1 01 0 0 𝑓2 −𝑓3 →𝑓2 1 1 0 1 0 0
[𝐼𝐴𝐵 ]−1 = (1 4 1|0 1 0) → (0 1 0|0 1 −1)
1 3 10 0 1 1 3 10 0 1

𝑓1 −𝑓2 →𝑓1
𝑓3 −3𝑓2 →𝑓3
1 0 0 1 −1 1 𝑓3 −𝑓1 →𝑓3 1 0 0 1 −1 1
→ (0 1 0|0 1 −1) → (0 1 0 | 0 1 −1)
1 0 1 0 −3 4 0 0 1 −1 −2 3

 De aquí

1 −1 1
𝐼𝐵𝐴 = [𝐼𝐴𝐵 ]−1 = ( 0 1 −1)
−1 −2 3

173
 b) Comprobamos que 𝐼𝐵𝐴 ∙ 𝐼𝐴𝐵 = 𝐼3

1 −1 1 1 1 0 1−1+1 1−4+3 0−1+1 1 0 0

(0 ) (
1 −1 1 4 1) = ( 0+1−1 0+4−3 0+1−1 ) = ( 0 1 0)
−1 −2 3 1 3 1 −1 − 2 + 0 −1 − 8 + 9 0 − 2 + 3 0 0 1

c) Calculamos la matriz 𝑀𝐵 , sabiendo que 𝑀𝐵 = 𝐼𝐵𝐴 ∙ 𝑀𝐴 ∙ 𝐼𝐴𝐵

1 −1 1 4 −1 1 4 − 1 + 3 −1 − 2 − 2 1 + 2 + 2
𝐼𝐵𝐴 𝑀𝐴 = ( 0 1 −1) (1 2 −2) = ( 0 + 1 − 3 0+2+2 0−2−2 )
−1 −2 3 3 −2 2 −4 − 2 + 9 1 − 4 − 6 −1 + 4 + 6

6 −5 5
𝐼𝐵𝐴 𝑀𝐴 = (−2 4 −4)
3 −9 9

6 −5 5 1 1 0
𝑀𝐵 = [𝐼𝐵𝐴 𝑀𝐴 ] 𝐼𝐴𝐵 = (−2 4 −4) (1 4 1)
3 −9 9 1 3 1

6−5+5 6 − 20 + 15 0−5+5
𝑀𝐵 = (−2 + 4 − 4 −2 + 16 − 12 0 + 4 − 4)
3−9+9 3 − 36 + 27 0−9+9

6 1 0
𝑀𝐵 = (−2 2 0)
3 −6 0

174
 REFERENCIAS

 UNAM, División de ciencias básicas, facultad de ingeniería. Universidad Nacional

Autónoma de México.
http://www.dcb.unam.mx/users/normapla/

 Descartes, Matemáticas interactivas. Instituto Nacional de Tecnologías Educativas y de

Formación del Profesorado (Intef). Secretaría de Estado de Educación, Formación
Profesional y Universidades. Gobierno de España.
http://recursostic.educacion.es/descartes/web/materiales_didacticos/

 José Luis Lorente Aragón, profesor de matemáticas.

http://joseluislorente.es/

 Álgebra lineal, Departamento de Matemática. Universidad Politécnica-Campus de

Montegancedo . Madrid - España
http://www.dma.fi.upm.es/mreyes/Algebra/

 Páginas personales docentes, Departamento de Matemática Aplicada y Ciencias de la

Computación. Universidad de Cantabria, España.
http://personales.unican.es/

 Departamento de Matemática, Facultad de Ciencias Exactas y Naturales. Universidad

de Buenos Aires, Argentina.
http://mate.dm.uba.ar/

 Facultad de Ingeniería. Universidad de la República, Uruguay.

http://www.fing.edu.uy/~jana/clases/

 Egor Maximenko, Apuntes y ejercicios de matemáticas

http://esfm.egormaximenko.com/

 Física Práctica, libro on-line sobre física (mecánica clásica- electricidad-

electromagnetismo).
http://www.fisicapractica.com/

 Profesora Nilsa Toro Jiménez, Departamento de Ciencias Naturales y Matemáticas.

Recinto de Bayamón. Universidad Interamericana de Puerto Rico
http://facultad.bayamon.inter.edu/ntoro/

 Ingeniero Aldo Jiménez Arteaga, Facultad de Ingeniería. Universidad Nacional

Autónoma de México, UNAM.
http://samhain.softgot.com/algebralineal/notasclase/
175