Clase a Clase de Álgebra Lineal.

Clase 1:
1. Breve presentación del curso.
2. Presentación del objeto matriz a partir de un contexto natural, esto es, dada una colección
de datos dependiendo de dos instancias, representar dichos datos en un arreglo rectangular,
que llamaremos matriz con el objeto de facilitar la lectura de la información.
3. Definición del objeto matriz, orden de una matriz de matrices, notación de los elementos y
definición de traza de una matriz.
4. Tipos de matrices: Definición de matrices particulares tales como:
a) Matriz triangular superior y triangular inferior.
b) Matriz diagonal, matriz escalar y matriz identidad como caso particular de matriz
escalar.

Clase 2:
1. Mostrar ejemplos de cada una de las definiciones presentadas anteriormente.
2. Reforzar la comprensión de la definición matemática de una matriz con ejemplos tales como:
a) Sea A = (aij ) ∈ M3×5 (R) definida por

 i+j si i < j
aij =
(−1)i−j si i ≥ j


5
X
Calcule a2j . ¿Qué tipo de matriz es A?
j=1

b) Sea A = (aij ) ∈ M4 (R) definida por aij = i(−1)i+j . Escriba por extensión la matriz A
y calcule la suma de las entradas de A que están sobre la diagonal principal.
3. Igualdad de matrices, Suma de matrices y producto escalar. Presentar las propiedades
algebraicas que cumplen estas operaciones, esto es, las propiedades que permiten mirar
Mn×m (K) como espacio vectorial sobre K, con K = R o K = C (sin decir que es un
espacio vectorial).
4. Transposici y sus propiedades respecto del álgebra de matrices y por tanto resultados re-
lativos a las definiciones de simétrica, antisimétrica y diagonal en el álgebra de matrices.
Por ejemplo, si A es una matriz cuadrada de orden n, entonces 21 (A + At ) es simétrica y
1
2
(A − At ) es antisimétrica.

1
Clase 3:
1. Resolución de ecuaciones matriciales, tales como:
 
  t 1 −1
2 −1 2
3X t − 2 = 2X − 3  −1 1 
−1 0 1
3 2

2. Multiplicación de matrices y sus propiedades algebraicas. En particular observar que la

multiplicación en Mn (K) no es conmutativa, que existe neutro multiplicativo y que hay
divisores del cero, esto es, si AB = 0 entonces no necesariamente A = 0 o B = 0.

Clase 4:
1. Ver las propiedades de la transposición actuando en la multiplicación de matrices, por
ejemplo: Sean A = (aij ), B = (bij ) y C matrices en M4 (R), definidas por:
  2
2 :i=j i :i≤j
aij = , bij = , C = 3I4 .
0 : i 6= j 0 :i>j
Resuelva la ecuación matricial para X,
4ACX t + (CXA)t = ABC

2. Potencias de una matriz cuadrada,

 por ejemplo, determinar una fórmula general para las
0 1
potencias de la matriz
−1 1
utilizando el método de inducción.

Clase 5:
1. Inversa de una matriz: Plantear una ecuación matricial cuya solución requiera el uso de
inversa y por tanto plantear las preguntas, ¿qué debieramos entender por la inversa de una
matriz?, ¿cuándo una matriz es invertible? y ¿cómo calcularla cuando existe? Responder
las preguntas anteriores en M2 (R). Un ejemplo puede ser: Una empresa fabricante de mesas
de madera, ofrece tres modelos que denota por M1 , M2 y M3 que produce en dos plantas
S1 y S2 ubicadas en la región metropolitana y en el sur del paı́s. Los requerimientos de
planchas de madera, clavos y tarros de pegamento, necesarios para la producción de cada
modelo se detallan en la tabla siguiente:

M1 M2 M3
Planchas 2 4 5
Clavos 18 13 20
Tarros 1/2 1 3/2

a) Determine la cantidad de planchas de madera, clavos y tarros de pegamento que

requiere por planta si en S1 se deben producir 120 unidades del modelo M1 , 110
del modelo M2 , 90 unidades del modelo M3 y en S2 se deben producir 80 unidades
del modelo M1 , 75 del modelo M2 , 60 unidades del modelo M3 . (El objetivo de esta
pregunta es que el alumno comprenda el tipo de operación matricial que debe realizar
para obtener la cantidad de materia prima que necesita para determinada producción).

2
 b) Si en S1 hay un stock de 108 planchas de madera, 561 clavos, 29,5 tarros de pegamen-
to y en S2 hay 80 planchas de madera, 405 clavos y 22 tarros de pegamento. Plantee
una ecuación que permita calcular la cantidad de mesas de cada tipo que se pueden
producir en cada planta, de modo de utilizar todo el stock disponible de materiales.

Se sugiere que después de plantear la ecuación matricial, se resuelva utilizando Matlab (u

otra herramienta computacional)y se motive al alumno en el estudio de la inversa de una
matriz.
Para facilitar la parte algebraica considerar el caso particular de una matriz A ∈ M2 (R)
para calcular la inversa, enfatizar la necesidad de tener un método para la solución de sis-
temas de ecuaciones cuando el orden de la matriz aumenta.

Clase 6:
1. Formalización de la definición de matriz invertible en Mn (K) y las propiedades que cumple
respecto del álgebra de matrices. Mostrar ejemplos tales como:

a) Si A, B, C y X son matrices cuadradas de orden n tales que: A es simétrica e invertible,

B es antisimétrica e invertible y X es simétrica. Resuelva para X la ecuación matricial

(AB)−1 (XA + B)t A = CA

b) Sean A, B y C matrices cuadradas de orden n invertibles tales que B y C conmutan,

A y B son simétricas. Resuelva la ecuación X(AB)t C − BC = 0.
c) Sea A una matriz cuadrada de orden n tal que A2 = A. Demuestre que 2A − I es
invertible.

Clase 7:
 
1. Multiplicación por bloques: Si A ∈ Mm×n (K), A = C1 C2 · · · Cn e Y ∈ Mp×m (K)
realizar el producto Y A. 
F1
 F2 
Si X ∈ Mn×1 (K) y A =  ..  efectuar AX.
 
 . 
Fm

2. Definir en general lo que es una matriz dividida por bloques.

3. Realizar sumas y productos de matrices divididas por bloques

 
0 1 0 0
−1 1 0 0
4. Calcular potencias de matrices definidas por bloques, por ejemplo. A = 
0

0 2 2
0 0 2 2
Clase 8: Práctica 1 o Ajuste

Resolución de problemas graduados.

3
 1. Sea A una matriz cuadrada de orden 2 tal que traza(At A) = 0. Muestre que A = 0.

2. Sean A y B matrices cuadradas de orden n tales que A es diagonal con aii = i y B invertible.
Resuelva la ecuación para X,

2BX t A − (AXB t )t = B

3. Encuentre todas las matrices cuadradas de orden 2 que conmutan con la matriz
 
1 3
2 1
 
A11 A12
4. Si A = es una matriz por bloques de orden (2+2)×(2+2), determine condiciones
0 A22
sobre las submatrices Aij para que A sea invertible y calcule A−1 .

5. Determine la inversa de la matriz

 
1 1 −2 1
1 2 1 −1
A=
0

0 0 1
0 0 −1 0

considerando que es una matriz por bloques de orden (2 + 2) × (2 + 2).

Control 1. El alumno debe ser capaz de:

1. Aplicar las propiedades básicas del álgebra matricial para resolver ecuaciones matriciales.

2. Aplicar propiedades de las matrices invertibles en general y calcular inversas de matrices

de orden 2x2.

3. Realizar operaciones con matrices definidas por bloques.

Clase 9:

Introducción a los sistemas de ecuaciones lineales: Dado un problema en un contexto real, mo-
delarlo utilizando herramientas de Álgebra Lineal. Lo anterior consiste en definir variables y
relaciones entre ellas, ver cuál es el dominio de definición de las variables y, dependiendo de la
representación, introducir conceptos, tales como sistemas de ecuaciones lineales, matriz asociada,
matriz ampliada o clasificar qué tipo de leyes deben considerarse en el planteamiento del modelo
(flujos, asignación de recursos, circuitos eléctricos, entre otras).

Una vez planteado un modelo matemático para el problema, se pretende activar a los estudiantes
con preguntas dirigidas cuyas respuestas estén en esta unidad o en otras. Hacer supuestos con
el objeto de que el modelo tal vez cambie o tenga restricciones. Generar incertidumbre frente a
posibles variaciones del problema y discutir sobre sus soluciones. Una propuesta de un problema

4
en este registro aparece en el Anexo 2.

Clase 10:

Retomar el problema modelado en la clase pasada para determinar su solución y definir con
precisión lo que corresponde a

1. Sistemas de ecuaciones lineales y conjunto solución.

2. Primera representación matricial: matriz de coeficientes, matriz de términos independientes

y matriz aumentada de un sistema lineal.

3. Operaciones elementales de fila.

Utilizar operaciones elementales de fila (de cualquier forma) para determinar la solución al siste-
ma lineal que modela el problema. Hacer enfasis en que la solución matemática no necesariamente
es la solución al problema real ya que se deben tener encuenta las restricciones de las variables
según el contexto real.

Clase 11:

Formalización de los algoritmos para la solucion de un SEL

1. Formas escalonadas y forma escalonada reducida de una matriz.

2. Algoritmo de Gauss para determinar una forma escalonada.

3. Algoritmo de Gauss Jordan para determinar la forma escalonada reducuda de una matriz.

4. Aplicación de los algoritmos a sistemas con solución única, infinitas soluciones y a sistemas
inconsistentes. Hacer enfasis en el tipo de la forma escalonada por filas equivalente a la
matriz aumentada del sistema. Por ejemplo tomar los sistemas

  
 x+y+z = 1  x+y−z = 1  y − 4z = 8
2x − y + 2z = 0 3x + y + z = 2 2x − 3y + 2z = 1
−3x + 2y − z = −2 5x + y + 3z = 3 5x − 8y + 7z = 1
  

Clase 12:

a) Definición de rango de una matriz.

b) Cálculo del rango de una matriz.
c) Teorema de Rouché-Frobenius.
d ) Sistemas lineales homogéneos (SLH). Aplicar el teorema de Rouché- Frobenius para
decidir el tipo de solución de un SLH.

5
Clase 13:

Uso del teorema de Roché-Frobenius para el análisis de sistemas que contienen parámetros.
Por ejemplo,

En cada caso, determine los valores de los parámetros k, a, b, c ∈ R (según corresponda),

para que el sistema dado sea inconsistente, tenga solución única o infinitas soluciones. Jus-
tifique sus respuestas utilizando el teorema de Roche-Frobenius.


ax + y + z
 =1
a) x + y − z =2

2x − y + z =a



x + ay
 =0
b) ax − ay + 2z =0

2x + az =0



ax + y + z
 =a
c) x + ay + z =1

x + y + az = −1



(1 + k)x + (1 + k)y + z
 =2
d ) x + (1 + k)y + z =3

2x − y + z =1+k



2x + (2 − b)y
 =0
e) (2b + 2)x + by + 2z = 2b − 2

(b + 1)x + (b + 1)z =b−1


Clase 14:
a) Representación matricial de un sistema de ecuaciones lineales: AX = b. En particular
hacer notar que dado un sistema de ecuaciones lineales de orden o tamaño n × n (n
ecuaciones y n variables) cuya representación matricial es AX = b, entonces si A es
invertible, la solución del sistema está dada por X = A−1 B.
b) Teorema que relaciona la solución de un sistema lineal AX = b con el sistema lineal
homogóneo asociado AX = 0.
c) Dado un sistema AX = b con infinitas soluciones, tal como,


 x+y+z = 1
2x − 2y − 3z = 0


 x − 3y − 4z = −1
3x − y − 2z = 1


6
 determinar la solución general e identificar la solución particular y el conjunto solución
del SLH asociado.
d ) Dada el sistema AX = b donde A ∈ M4×4 . Si la solución del SLH asociado es X =
t(0, 1, 3, 4) + s(1, 0, 2, −1) con s, t ∈ R, realizar preguntas del tipo: ¿Es A una matriz
invertible?, ¿Cuál es el rango de A?, ¿Se puede asegurar que el sistema AX = b tiene
infinitas soluciones?, si y = (1, 1, 0, 1) es una solución particular del sistema AX = b,
¿Como se expresa en general todas sus soluciones?

Clase 15:

Con la representación matricial de los sistemas, plantear el problema de determinar cuando

una matriz A ∈ Mn es invertible a partir de su definición y de la multiplicación por bloques
y ası́ deducir que rang(A) = n. Demostrar el teorema

a) Dada A ∈ Mn (R) las siguientes proposiciones son equivalentes:

1) A es invertible
2) La ecuación AX = b tiene solución única para todo b ∈ Rn
3) La ecuación AX = 0 tiene solución trivial.
4) La forma escalonada reducida de A es la matriz identidad In
5) rang(A) = n
6) Existe una única matriz B ∈ Mn (R) tal que AB = In
b) Utilizando la última equivalencia deducir el Algoritmo de reducción para el cálculo de
la inversa de una matriz.
c) Utilizar el algoritmo para decidir si la matriz
 
1 2 0
A = 1 1 1
0 0 1

es o no invertible y en el caso de ser invertible cálcular su inversa.

Clases 16 : Práctica o Ajuste

Resolución de problemas graduados.

a) Una empresa fabrica tres modelos de guitarras electricas, stratocaster, telecaster y

FIV. El costo de producción de cada unidad del modelo stractocaster es de $60.000
pesos, del modelo telecaster es de $40.000 pesos y del modelo FIV es de $90.000 pesos.
Además la fabricación de cada modelo (por unidad) requiere la utlización de 2 tipos
de materia prima como se muestra en la tabla siguiente:

Modelo Unidades materia prima 1 Unidades materia prima 2

Stratocaster 1 2
Telecaster 3 5
FIV 4 7
Materia prima disponible 40 77

7
 1) Determine la función que permite calcular el costo total de producir x unidades
del modelo stratocaster, y unidades del modelo telecaster, z unidades del modelo
FIV.
2) Si se debe ocupar toda la materia prima disponible del tipo 1 y del tipo 2, plantee
un sistema que permita calcular la cantidad guitarras de cada modelo que deben
producirse. Resuelva el sistema.
3) Determine la cantidad de guitarras que deben producirse de cada modelo para
que el costo total sea mı́nimo, si se deben producir al menos una guitarra de cada
modelo.
     
0 1 0
−1 2 −1
 2  + t 1 + s  0  solución de un sistema lineal Ax = b de orden 3 × 4
b) Sea X =      

0 0 1

1) Determine la solución del sistema homogéneo Ax = 0.

2) Determine una matriz A.
 
1 2 3 5
c) ¿Cuál es el rango de C =  −1 4 1 7 ?
−1 1 −1 1
Si C es la matriz aumentada de un sistema ¿que tipo de solución tiene?
 
2 5 6 −8
 1 2 −4 3 
d ) ¿La matriz B =   es invertible? justifique con precisión.
 0 1 14 −14 
3 6 −12 9
 
1 1 −1 2
e) Sea B = 1 a b
 2 , determine los valores de a, b, c ∈ R, si existen, para que
1 1 c 2a
1) rang(B) = 2
2) rang(B) = 3

En cada caso, ¿ qué se puede afirmar de un sistema cuya matriz aumentada es la

matriz B?
 
3 α 0
f ) Determine los valores de α ∈ R para que la matriz α 3 1  sea invertible.
α 3 α

8
Prueba 1. El alumno debe ser capaz de:

a) Aplicar las propiedades básicas del álgebra matricial para resolver ecuaciones matriciales.

b) Aplicar propiedades de las matrices invertibles en general.

c) Modelar y resolver situaciones utilizando sistemas de ecuaciones.

d ) Aplicar el teorema de Roché-Frobenius para analizar el tipo de solución de un sistema

lineal dependiendo de parámetros.

e) Decidir cuando una matriz es o no invertible.

f ) Calcular inversas de matrices de orden n × n.

9
Clase 17:

a) Definición de matriz elemental y la relación que existe entre la operación elemental

que la define y la aplicación de esta operación elemental a una matriz, versus la
multiplicación de dicha matriz con la matriz elemental, esto es, si E es una matriz
elemental cuya operación elemental fila que la define es f , entonces f (A) = EA. Aquı́
f (A) es la matriz que resulta luego de aplicar la operación elemental f a la matriz A.

Clase 18:

a) A partir de los ejemplos vistos para n = 2 y n = 3 de matrices elementales, obser-

var que una propiedad que presentan las matrices elementales es que son invertibles.
Formalizar el resultado y caracterizar la inversa de una matriz elemental.
b) A partir de una matriz A ∈ Mm×n cosiderar el problema de factorizar A como A = BU
donde U es una forma escalonada equivalente por filas a A.
c) Relacionar lo anterior con la invertibilidad de una matriz, al considerar A como una
matriz cuadrada de orden n y querer factorizarla como en el caso anterior.
d ) Presentar y demostrar el siguiente resultado: Sea A ∈ Mn (R), entonces las siguientes
proposiciones son equivalentes:
1) A invertible.
2) A es producto de matrices elementales.
3) La forma escalonada reducida por filas de A es I. .

Clase 19:

a) Definición de determinante de una matriz. Retomar el caso n = 2 y calcular para

n = 3.
b) Teorema de Expansión de Laplace.

Clase 20:

a) Propiedades del determinante relativas a las operaciones elementales filas.

b) Propiedades del determinante de matrices elementales.
c) Caracterización de invertibilidad de una matriz con el determinante. Aplicación de
este resultado a un problema del tipo: ¿Para qué valores de a ∈ R, la matriz
 
−1 0 1
Ma =  −a 1 2a2 
0 0 1

es invertible? ¿Cuál es la inversa de Ma para los valores de a encontrados?

Clase 21:

a) Resultados relativos al determinante, tales como:

1) det(kA) = k n det(A)
2) det(AB) = det(A) det(B)

10
 3) det(A−1 ) = det(A)−1 , si A es invertible.
4) det(A) = det(At )
b) Problema aplicando lo anterior: Sea A una matriz cuadrada de orden 2 tal que A2 = 0.
Calcule el valor de det(αI − A) en términos de traza(A) y det(A) para cualquier valor
de α ∈ R.
Clase 22: Para cerrar esta unidad y dar paso a la siguiente de manera continua, es decir,
los objetos estudiados hasta ahora verlos desde otra perpectiva para conectar con la unidad
de Espacios Vectoriales, se sugiere la siguiente actividad:
 
1 2 3
Considere la matriz A =
4 5 6
a) Encuentre la forma escalonada reducida por filas de A.

Una vez encontrada la forma escalonada reducida por filas de A, establecer que las filas
de A son vectores en R3 y las columnas de A son vectores en R2 (este lenguaje es cono-
cido por los alumnos puesto que fue visto en el curso de Álgebra). Luego mostrar que la
forma escalonada indica que para cualquier α ∈ R se cumple que (1, 2, 3) 6= α(4, 5, 6),
es decir que los vectores (1, 2, 3) y (4, 5, 6) son linealmente independientes y por tanto
generan un plano en el espacio. Mientras que (3, 6) = −1(1, 4) + 2(2, 5), es decir los
vectores (1, 4), (2, 5) y (3, 6) son linealmente dependientes en el plano.

De esta forma, dada la matriz A, los conjuntos

F il(A) = {α(1, 2, 3) + β(4, 5, 6) : α, β ∈ R}

Col(A) = {α(1, 4) + β(2, 5) : α, β ∈ R}

llamados espacio fila de A y espacio columna de A respectivamente, son conjuntos con

cierta estructura algebraica que es llamada espacio vectorial que será estudiada en
detalle en la siguiente unidad.
b) Ahora, utilizar la forma escalonada reducida por filas de A para determinar explı́ci-
tamente el conjunto solución del sistema AX = 0. Una vez encontrado el conjunto
solución, mostrar que si X1 y X2 son soluciones de AX = 0, entonces también es so-
lución X1 + X2 . De manera similar, mostrar que si X es solución de AX = 0 y α ∈ R,
entonces αX es solución de AX = 0. De aquı́ desprender el concepto subespacio
vectorial, en este ejemplo, subespacio de R3 . Luego

Ker(A) = {X ∈ R3 : AX = 0}

llamado espacio nulo o kernel de A será otro espacio vectorial asociado a una matriz.
c) Para concluir esta introducción a espacios vectoriales considerando los objetos cono-
cidos, considerar el sistema AX = Y , luego el conjunto

Im(A) = {Y ∈ R2 : ∃X ∈ R3 , AX = Y } = {AX : X ∈ R3 }

Mostrar que la suma y ponderación en Im(A) es cerrada, por tanto otro ejemplo de
subespacio asociado a la matriz A.
Mostrar que Im(A) = Col(A).

11
Clase 23:

a) Definición de espacio vectorial.

b) Ejemplos de espacios vectoriales, tales como:
1) Rn como R espacio vectorial.
2) Mn×m (R) como R espacio vectorial.
3) Los polinomios de grado menor o igual a n con coeficientes en R y variable x como
R espacio vectorial.
4) C como R espacio vectorial y como C espacio vectorial. En general Cn como R
espacio vectorial y C espacio vectoral.
5) El espacio de funciones reales como R espacio vectorial.
c) Inducir a partir de los ejemplos anteriores el concepto de conjunto generador. Por
ejemplo, dado que los alumnos han trabajado en R2 y R3 desde un punto de vista
vectorial, observar que C como C espacio vectorial esta generado por 1, miéntras que
C como R espacio vectorial esta generado por 1 e i. Lo anterior es solo para compreder
la diferencia que se tiene cuando se cambia el cuerpo donde están los escalares. El
concepto de conjunto generador será presentado más adelante.

Clase 24:

a) Definición de subespacio vectorial.

b) Ejemplos de subespacios vectoriales, tales como:
1) Dada la matriz A ∈ Mn×m (R), entonces F il(A), Col(A) y N ul(A) son subespacios
de Rm , Rn y Rm respectivamente.
2) En Mn×n (R), el conjunto de todas las matrices simétricas es un subespacio al
igual que el conjunto de todas las matrices antisimétricas.
3) En el espacio vectorial de todas las funciones reales, el subconjunto de las funciones
derivables es un subespacio.
c) Presentación y demostración de criterio para decidir cuando un conjunto es un subes-
pacio, esto es: Sea V un K espacio vectorial. Un subconjuto no vacı́o S es un subesoacio
de V si y solo si:
i) Para todo s1 y s2 en S, s1 + s2 ∈ S.
ii) Para todo s en S y α ∈ K, αs ∈ S.
d ) Aplicación del criterio de subespacio. Determine cuales de los siguiente conjuntos son
subespacios:
1) S = {(x, y, z) ∈ R3 : xz = 0}
2) S = {A ∈ Mn×n (R) : traza(A) = 0}
3) S = {f : R −→ R : f continua}
e) Si S1 y S2 son subespacios de un espacio vectorial V , ¿S1 ∩S2 y S1 ∪S2 son subespacios
de V ?

Clase 25:

12
 a) Definición de combinación lineal y ejemplos.
     
3 3 1 −1 0 0
1) El vector es combinación lineal de los vectores ,
 −2
 −3 1 0 1 1
1 2
y .
−1 −1
2) El polinomio 1 − 3x + 7x2 es combinación lineal de los polinomios 1 − x + 2x2 y
1 + x − 3x3 .
3) Verificar que (1, 2, 3) es combinación lineal de los vectores (1, 0, −1), (0, 1, 1) y
(1, 1, 1). Luego ver que (1, 2, 1) también es combinación lineal de los vectores
(1, 0, −1), (0, 1, 1) y (1, 1, 1) y generalizar para cualquier vector (x, y, z) con el
objeto de inducir el siguiente punto.
b) Relacionar el concepto de combinación lineal con el de sistema consistente, es decir,
si A ∈ Mn×m (R), X ∈ Mm×1 (R) y B ∈ Mn×1 (R), entonces AX = B es consistente si
y solo si B es combinación lineal de las columnas de A.
c) Dado un espacio vectorial V sobre K y v1 , . . . , vk vectores en V , definir espacio gene-
rado por v1 , . . . , vk y conjunto generador.
d ) Ver ejemplos tales como:
1) Mostrar que R2 está generado por (1, 0) y (0, 1), que R3 esta generado por (1, 0, 0),
(0, 1, 0) y (0, 0, 1) y generalizar para Rn .
2) El espacio vectorial de todos los polinomios de grado menor o igual a n con
coeficientes en R y variable x, está generado por 1, x, x2 ,. . . ,xn .
       
1 0 0 1 0 0 0 0
3) M2×2 (R) está generado por , , y .
0 0 0 0 1 0 0 1
Clase 26:

a) Definición de conjunto linealmente independiente y linealmente dependiente. Observar

que de la definición se tiene que:
1) Todo conjunto que contiene un conjunto linealmente dependiente es linealmente
dependiente.
2) Todo subconjunto de un conjunto linealmente independiente es linealmente inde-
pendiente.
3) Todo conjunto que contiene el vector cero o nulo es linealmente dependiente.
b) Ejemplos de conjuntos linealmente independientes y dependientes.
1) Si e1 , e2 , . . . , en son los vectores canónicos de Rn , entonces {e1 , e2 , . . . , en } es un
conjunto linealmente independiente.
2) En el espacio de las funciones reales, el conjunto {cos(x), sin(x)} es linealmente
independiente.
3) Introducir el Wronskiano para determinar la dependencia e independencia de un
conjunto finito de funciones.
4) El conjunto {(3, 0, −3), (−1, 1, 2), (4, 2, −2), (2, 1, 1)} es linealmente dependiente.
5) ¿Los vectores (1, 1, 2, 4), (2, −1, −5, 2), (1, −1, −4, 0), (2, 1, 1, 6) son linealmente de-
pendientes?

13
 c) Utilizar los dos últimos ejemplos anteriores para relacionar la independencia y depen-
dencia lineal de las columnas y filas de una matriz y mostrar los siguientes resultados:
1) Sea A ∈ Mn×m (R). Las columnas de A que son m vectores en Rn son linealmente
dependientes si y solo si el sistema lineal homogéneo AX = 0 tiene una solución
no trivial.
2) Sea A ∈ Mn×m (R). Las filas de A que son n vectores en Rm son linealmente
dependientes si y solo si rango(A) < n.
d ) Usar lo anterior en el siguiente problema: Considere la matriz
 
1 2 3 5
A =  −1 4 1 7 
−1 1 −1 1

¿Las filas de A forman un conjunto de vectores linealmente independiente en R4 ? ¿Las

columnas de A formasn un conjunto de vectores linealmente depenediente en R3 ? ¿Es
el vector (−1, 7, 3, 13) combinación lineal de las filas de A?
Clase 27:

a) Del resultado anterior, mostrar el siguiente caso particular: Si A ∈ Mn×n (R), entonces
las siguientes proposiciones son equivalentes:
i) A invertible.
ii) Las columnas de A forman un conjunto linealmente independiente en Rn .
iii) Las filas de A forman un conjunto linealmente independiente en Rn .
iv) Las columnas de A generan a Rn .
v) Las filas de A generan a Rn .
b) Demostrar los siguientes teoremas:
1) Todo subconjunto de un conjunto LI
2) Si G = {v1 , v2 , . . . , vs } es un sistema de generadores de un espacio vectorial V y
G es LD, existe vi ∈ G talque G − {vi } es un sistema de generadores de V .
3) Si G = {v1 , v2 , . . . , vs } es un sistema de generadores de un espacio vectorial V ,
cualquier conjunto linealmente independiente de V contienen a lo más s vectores.

Clase 28

a) Definición de base para un espacio vectorial. Mostar que toda base de un espacio
vectorial tiene el mismo número de vectores y de esta forma definir dimensión.
b) Ejemplos tales como:
1) El conjunto C2 = {(z1 , z2 ) : z1 , z2 ∈ C} junto con la suma y ponderación usual
puede ser pensado como un R espacio vectorial y como un C espacio vectorial.
Encuentre una base para C2 como R espacio vectorial y una base para C2 como
C espacio vectorial e indique las dimensiones respectivas.
2) Sea W = h(1, 0, 1, 1), (−1, −1, 1, 1), (1, −1, 3, 3), (1, −2, 5, 5)i. Determine la dimen-
sión de W .
3) Encuentre una base de R3 que contenga a los vectores v1 = (1, 1, 1) y v2 =
(−1, 2, −1).

14
 c) Mostar los resultados que relacionan el rango de una matriz con los espacios asociados
a ella, esto es:
i) dim(F il(A)) = dim(Col(A)) = rang(A)
ii) Si A ∈ Mn×m (R), entonces rango(A) + dim(N ul(A)) = m.
d ) Aplicar los resultados anteriores: Encuentre una base para el espacio fila de A, para
el espacio columna de A y determine la dimensión del espacio nulo de A, donde
 
1 −2 1 3
A =  3 −6 2 −1 
7 −14 4 −9

Clase 29
a) Definir coordenadas de un vector respecto de una base.
b) Ver ejemplos tales como:
1) Sea B = {(1, 1, 1), (1, 2, 3), (1, 0, 1)} base ordenada de R3 . Encuentre las coorde-
nadas del vector (4, −2, 4) respecto de la base B.
2) Sea V el espacio vectorial real de todos los polinomios de grado menor o igual a
3 con coeficientes en R y variable x. Si B = {1, x − 1, (x − 1)2 , x3 } es una base de
V , encuentre las coordenadas del vector (x − 1)3 respecto de la base B.
c) Definición de matriz de cambio de base y teorema de cambio de base.
d ) Se sugieren los siguientes ejemplos:
1) Sean B1 = {(1, 1, 1), (1, 2, 3), (1, 0, 1)} y B2 = {(0, 1, 1), (1, 0, 0), (1, 0, 1)} bases
ordenadas de R3 . Encuentre la matriz de cambio de base de B2 a B1 .
2) Sea S subespacio de R4 , B1 = {(1, 3, 2, −1), (−2, −5, −5, 4)} y B2 = {(−1, −2, −3, 3), (3, 8, 7, −
bases ordenadas de S. Determine la matriz de cambio de base de B1 a B2 .
3) Sean C1 = {v1 , v2 , v3 } y C2 = {(1, 3, 3), (1, 5, 6), (1, 4, 5)} bases ordenadas de R3 .
Encuentre los vectores de la base C1 , sabiendo que la matriz de cambio de base
de C1 a C2 es  
1 1 −1
 −3 2 −1 
3 −3 2
Clase 30
a) Demostrar las siguientes propiedades de las matrices de cambio de bases.
1) La matriz de cambio de base de B1 a B2 es la inversa de la matriz de cambio de
base de B2 a B1 .
MB2 ←B1 = [MB1 ←B2 ]−1
2) Si se multiplica por la izquierda la matriz de cambio de base de B1 a B2 por la
matriz de cambio de base de B2 a B3 se tiene la matriz de cambio de base de B1
a B3 .
MB3 ←B1 = MB3 ←B2 · MB2 ←B1
b) Utilizar las propiedades anteriores para calcular las matrices de cambio de bases pa-
sando por la base canónica C.
MB2 ←B1 = [MC←B2 ]−1 · MC←B1

15
 c) Utilizar lo anterior para deducir el método de Gauss-Jordan para encontrar la matriz
de cambio de bases.
Si P = MC←B1 y Q = MC←B2 , entonces el escalonamiento de Gauss- Jordan

[Q|P ] → [I|R]

produce la matriz de cambio de bases R = MB2 ←B1 .

Clase 31

Práctica o Ajuste

Resolución de problemas graduados.

a) Muestre que el conjunto W de los polinomios de la forma a + bx − bx2 + ax3 es un

subespacio vectorial de P3 [R].
 
2 5
b) Determine si la matriz C = pertenece al subespacio generado por las matrices
   1 2
1 −1 0 2
A= yB=
1 0 −1 1
c) Determine si el conjunto de vectores A = {(1, 2, 3, 4), (−1, 0, −1, 0), (0, 1, 1, 2)} es li-
nealmente independiente.
d ) Encuentre una base para el conjunto de las matrices A ∈ M3 [R] simétricas y con traza
0.
e) Encuentre una base para el espacio Fila de A y una base para el Kernel (Espacio Nulo)
de A.  
1 0 1 0
A =  −1 −1 1 −1 
0 1 −2 1
Clase 32

a) Considerar un sistem dinámico lineal, para introducir la importancia de calcular las

potencias de una matriz.
b) Introducir el problema de los valores propios. .
λ es valor propio asociado a la matriz cuadrada A si existe un vector no nulo x tal que
Ax = λx. En ese caso se dice que x es un vector propio de A, asociado al valor propio λ.

c) Mostrar ejemplos como:

 
3 1
1) Verificar que el vector (1, 1) es vector propio de la matriz A = y encuentre
1 3
el correspondiente valor propio. Verifique que 2 es otro valor propio para la misma
matriz.  
1 2
2) Muestre que 5 es un valor propio de A = y determine todos los vectores
4 3
propios asociados a ese valor.

16
 d ) Definir Eλ el espacio propio de A, asociado al valor propio λ. Caracterizar como el
kernel de la matriz A − λI.
e) Mostrar ejemplos como:
 
7 1 −2
1) Mostrar que λ = 6 es valor propio de la matriz A = −3 3
 6  y encuentre
2 2 2
una base para el correspondiente espacio propio.
 
1 0
2) Encuentre los valores y los vectores propios de la matriz A = geométri-
0 −1
camente.
f ) Definir polinomio y ecuación caracterı́sticos y caracterizar los valores propios como las
soluciones de la e.c.
Ejemplo: Encuentre
 los valores
 propios y los correspondientes espacios propios de la
0 1 0
matriz A =  0 0 1 .
2 −5 4
Clase 33

a) Definir multiplicidad algebraica y multiplicidad geométrica. Discutir que MA≥ MG.

b) Demostrar resultados sobre valores y vectores propios.
1) Los valores propios de una matriz triangular, son las entradas en su diagonal
principal.
2) Una matriz cuadrada es invertible si y solo si 0 no es valor propio de A.
3) Si λ es v.p. de A, entonces λn es v.p. de An para el mismo vector propio x.
4) Si A es invertible con v.p. λ, entonces 1/λ es v.p. de A−1 para el mismo vector
propio x.
c) Demostrar que vectores propios asociados a distintos valores propios de A son lineal-
mente independientes entre sı́.

Clase 34

a) Definir una matriz diagonalizable: A ∈ Mn [R] es diagonalizable si existe una matriz

diagonal D tal que A es semejante a D.

P −1 AP =D
 
−1 0 1
Ejemplo: Diagonalizar la matriz A =  3 0 −3 .
1 0 −1
b) Caracterizar las matrices diagonalizables: A ∈ Mn [R] es diagonalizable si y solo si A
tiene n vectores propios linealmente independientes.
 
0 1 0
Ejemplo: Verificar que la matriz A =  0 0 1  no es diagonalizable.
2 −5 4
c) Caracterizar las matrices diagonalizables: A ∈ Mn [R] es diagonalizable si y solo si
todos sus valores propios tienen multiplicidades geométricas y algebraicas iguales.

17
 d ) Verificar que si A ∈ Mn [R] es una matriz con n valores propios distintos, entonces A
es diagonalizable.

Clase 35

a) Utilizar la diagonalización para calcular potencias de una matriz, asociandolo a un

problema que se modele por un sistema dinámico discreto lineal. Como por ejemplo:

1) La producción de harina de cierto paı́s es el promedio de los dos años anteriores.

Si en el 2012 y en el 2013 se produjeron 1000 y 1500 millones de toneladas de
harina. Determine si ha largo plazo la producción de harina tiende a un valor
determinado. 
1 1
2) Dada A = ,
2 0
- Determine
  una fórmula general para el sistema dinámico Xn = AXn−1 con
1
X0 = .
0
- ¿lı́mn→∞ Xn existe?

b) Dada una matriz A ∈ Mn (R) definir valor propio dominante y espacio propio domi-
nante.
c) Utilizar el valor propio dominante para estimar el estado de un sistema dinámico
Xk = Ak X0 para valores grandes de k.

Utilizar los ejemplo anterior, para estimar:

- La producción de harina en el año 2018, utilizando el vector propio dominante.
(Primer ejemplo propuesto) - El vector de estado X101 . (Segundo ejemplo propuesto)

Clase 36

Con el objeto de introducir la importancia de los conceptos de ortogonalidad, tomar el

ejemplo siguiente: Supongamos que una compañia fabrica tazas y platos de cerámica. Para
cada taza o plato un trabajador mide una cantidad fija de materia prima y la coloca en una
máquina que los forma, a continuación pasa al vidriado y por último al secado automático.
Se ha podido determinar que en promedio un trabajador necesita tres minutos para iniciar
el proceso de una taza y dos minutos para un plato. El material para una taza cuesta $125
pesos y el de un plato $100 pesos. Si se asignan un presupuesto determinado, por ejemplo
de $22,000 pesos diarios para la materia prima de las tazas y platos, el fabricante estará
interesado en saber cuántos platos y tazas se podrán fabricar en un dı́a de trabajo de 8
horas, suponiendo que sus obreros trabajan cada minuto y se gasta diariamente el total del
presupuesto asignado para materiales. Además supongamos que por razones de almacena-
miento el número total de unidades, tanto de tazas como de platos, debe ser 80.
Al modelar el problema se obtiene el sistema inconsistente

 3x + 2y = 480
125x + 100y = 22000
x+y = 80,


18
donde x: cantidad de tazas fabricadas en un dı́a de trabajo e y: cantidad de platos fabrica-
dos en un dı́a de trabajo.
Puesto que en la vida real, hay que dar respuesta a este tipo de problemas es decir: dado un
sistema S de ecuaciones lineales inconsistente representado matricialmente como Ax = b,
donde A es una matriz de tamaño m × n, x es un vector en Rn y b es un vector fijo en
Rm , ¿ cómo definir el concepto de solución aproximada del sistema S? Como sabemos,
M = {Az : z ∈ Rn } = Col(A) es un subespacio de Rm y b no pertenece a M . Si pudie-
ramos encontrar un vector en M , digamos Ax0 para algún x0 ∈ Rn , que estuviera lo más
cerca posible de b, podrı́amos pensar que x0 serı́a un candidato razonable para ser solución
aproximada del sistema. En este caso, informalmente, tendrı́amos que Ax0 ≈ b. Como lo
que se desea es encontrar x0 de modo que la distancia entre Ax0 y b sea lo más pequeña
posible, es necesario tener alguna forma de medir distancia entre un vector y un subespacio,
lo que es posible con los conceptos de ortogonalidad que serán estudiados.

a) A partir de la base canónica de R2 y de la base B = {(1, 1), (−1, 1)} hacer notar su
caracterı́stica de ortogonalidad y la facilidad que se tiene para determinar las coorde-
nadas de un vector cualquiera de R2 respecto a esas bases.
b) Definir Conjuntos ortogonales y ortonormales de Rn .
c) Demostrar que todo conjunto ortogonal es linealmente independiente.
d ) Definir lo que significa una base ortogonal y ortonormal para un subespacio S de Rn .

Clase 37

a) Demostrar el teorema siguiente: Sea M un subespacio de Rn y B = {u1 , u2 , . . . , us }

una base ortogonal de M . Para todo x ∈ M ,
 x·u1 
||u1 ||2
 
 x·u 
 2 
[x]B =  ||u2 ||2 
 . 
 .. 
x·us
||us ||2

b) Proceso de ortogonalización de Gram-Schimdt.

c) Dado W = {(x, y, z) ∈ R3 |x − 2y + 5z = 0}.
1) Determine una base ortogonal B de W .
2) Determine [(7, −4, −3)]B .

Clase 38

a) Definir el complemento ortogonal de un subespacio M de Rn .

b) Si W = {(x, y, z) ∈ R3 |x − 2y + 5z = 0}, determinar W ⊥ . Enfatizar que la base
ortogonal determinada en la clase anterior para W , no tiene nada que ver con W ⊥ .
c) Definir la proyección ortogonal de un vector v ∈ Rn sobre un subespacio M de Rn .

19
 d ) Demostrar que dado v ∈ Rn el vector P erpM v = v − P royM v es ortogonal a todo
vector de M , es decir que P erpM v ∈ M ⊥
- Considerar M = h{(1, 0, 0), (0, 1, 0)}i y x = (2, 0, 1) para determinar P royM x y
P erpM (v). Medir la norma de P erpM (v) y relacionar este procedimiento con el cálculo
de la distancia de v al plano, utilizando los métodos del curso de álgebra.

Clase 39

a) Demostrar el teorema: Sea M un subespacio de Rn de dimensión k. La proyección

ortogonal de un vector x ∈ Rn sobre M no depende de la elección de la base ortogonal
de M .

b) Demostrar el teorema de la proyección ortogonal: Sea M un subespacio de Rn . Sea x

un vector en Rn que no pertenece a M . Entonces, existe un único vector p ∈ M tal
que :

1) x − p ∈ M ⊥ .
2) ∀u ∈ M, ||x − u|| ≥ ||x − p||
c) Definir lo que se entiende por la distancia de un vector x ∈ Rn a un subespacio M de
Rn .
 
1 1 1 1
1 1 1 1
d ) Sea A = 1 1 2 2 y x = (1, 3, −1, 1). Determine la distancia de x al ker(A).


1 1 3 3

Clase 40

a) Dado un sistema inconsistente AX = b definir lo que se entiende por una solución

aproximada del sistema: Diremos que z es la mejor solución aproximada del sistema
lineal inconsistente Ax = b si ||b − Az|| = mı́n {||b − Ax|| : x ∈ Rn }.
b) Deducir las ecuaciones normales: At Az = At b .
c) Método de minimos cuadrados en general:Supongamos que conocemos n puntos en
el plano, digamos (x1 , y1 ), (x2 , y2 ), · · · , (xn , yn ). Consideremos m + 1 funciones dadas,
digamos, f0 , f1 , · · · , fm . Nuestro principal objetivo es encontrar escalares c0 , c1 , · · · , cm
de modo que

y1 = c0 f0 (x1 ) + c1 f1 (x1 ) + · · · + cm fm (x1 )

y2 = c0 f0 (x2 ) + c1 f1 (x2 ) + · · · + cm fm (x2 )
..
.
yn = c0 f0 (xn ) + c1 f1 (xn ) + · · · + cm fm (xn ).

Este sistema generalmente es inconsistente, por lo que utilizamos las ecuaciones nor-
males para determinar la solución aproximada al sistema, de esta manera determinar
la mejor función de la forma f (x) = z0 f0 (x) + z1 f1 (x) + · · · + zm fm (x) que aproxima
a los datos dados.

20
 d ) Ejemplificar el método de mı́nimos cuadrados con el siguiente problema :La produc-
ción, en miles de kilos, de café colombiano en el departamento de Caldas durante los
últimos 4 años se muestran en la tabla siguiente:

Año 2006 2007 2008 2009

Producción 70 90 65 80

Supongamos que la producción de café depende del tiempo x medido en años y que
x = 1 corresponde al año 2006. determinar por el método de mı́nimos cuadrados el
polinomio de grado dos que mejor ajusta los datos dados y utilı́celo para estimar la
producciı́on de café para el año 2016.

Clase 41

a) Definición de Matrices ortogonales

b) Demostrar el teorema: Sea P ∈ Mn (R). Las siguientes afirmaciones son equivalentes:
i) P es invertible y P −1 = P t .
ii) Las columnas de P forman un conjunto ortonormal en Rn .
iii) Las filas de P forman un conjunto ortonormal en Rn .
c) Diagonalización ortogonal

Teoremas importantes en esta parte, demostrar sólo 1.

d ) Sea A ∈ Mn (R). A es ortogonalmente diagonalizable si y solo si A tiene n vectores
propios que formen un conjunto ortonormal en Rn .
e) Si A ∈ Mn (R) es simétrica entonces dos vectores propios de A asociados a valores
propios distintos son ortogonales.
f ) Sea A ∈ Mn (R). A es ortogonalmente diagonalizable si y solo si A es simétrica.
 
1 2 2
Ejemplo: Diagonalice ortogonalmente la matriz A = 2 1 2.
2 2 1
Clase 42

a) Definición de formas cuadráticas.

b) Diagonalización de una forma cuadrática y Teorema de los ejes principales.
c) Determinar un cambio de variable que transforme la forma cuadrática g(x, y) = 4x2 +
10xy + 4y 2 en una que no tenga productos cruzados.

Clase 43

a) Utilizar un cambio de variable para identificar y graficar la cónica de ecuación 4x2 +

10xy + 4y 2 = 9.
b) Clasificación de formas cuadráticas y uso de los valores propios para su clasificación.

Clase 44

21
 a) Definición de transformación lineal y ejemplos. Hacer notar que si T : Rn → Rm
siempre existe una matriz A ∈ Mm×n (R) tal que T (X) = AX.
b) Teorema: Toda transformación lineal queda determinada por su efecto en una base.
c) Sea T : R2 → R3 una transformación lineal, tal que T (1, 1) = (1, 0, 1) y T (2, −1) =
(1, 1, −2). Determine T (x, y) para todo (x, y) ∈ R2 .
d ) Determinar la transformación de rotación en el plano y reflexión.

Clase 45

a) Definir el kernel e imagen de una transformación lineal. Rango y nulidad de una trnas-
formación lineal.

b) teorema de la dimensión (o del rango).

c) Ejemplificar con diferentes
 transformaciones:
 T (x, y, z) = (x + 2y + z, x − 2y + z),
a + b a + b + c
T (ax2 + bx + c) = , etc.
2b − c b + a − c
d ) Demostrar que T inyectiva si y solo si ker(T ) = {0}.

Clase 46

a) Matriz de una transformación lineal

b) Determinar la matriz asociada a diferentes transformaciones lineales. Por ejemplo:
- T (x, y, z) = (x − 2y, x + y − 2z) respecto a las bases canónicas de R3 y R2 respecti-
vamente.
- T (p(x)) = p0 (x) (operador diferencial) de P3 en P2 respecto a las bases canónicas.
- Sea V = h{e2x , e2x cos x, e2x sin x}i y T : V → V definida por T (f (x)) = f 0 (x).
Determine la matriz asociada a T respecto a la base {e2x , e2x cos x, e2x sin x}. Utilice
la matriz encontrada para calcular la derivada de g(x) = 3e2x − e2x cos x + 2e2x sin x.

22