Matrices y Determinantes

Indice de contenidos
1
MATRICES Y DETERMINANTES
1
1.1 Deniciones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Operaciones con matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Suma de matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Producto de una matriz por un n umero. . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Producto de matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.4 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Potencia de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Determinante de una matriz cuadrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Determinantes de orden 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Determinantes de orden 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Menor complementario y adjunto de un elemento . . . . . . . . . . . . . . . . . . 11
1.3.4 Determinantes de orden superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.5 Matriz adjunta. Calculo de la matriz inversa . . . . . . . . . . . . . . . . . . . . . 14
1.4 Rango de una matriz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.1 Calculo del rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Ejercicios propuestos en examenes anteriores . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2
ESPACIOS VECTORIALES.
19
2.1 Denicion y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.1 El espacio vectorial R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.2 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Combinacion lineal de vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Dependencia e independencia lineal de vectores . . . . . . . . . . . . . . . . . . . 24
2.2.2 Subespacio vectorial generado por un conjunto de vectores . . . . . . . . . . . . 27
2.3 Bases y dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.1 Base canonica de R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2 Dimension de un espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.3 Cambio de base en un espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Suma e interseccion de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.1 Suma de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.2 Interseccion de dos subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.3 Teorema de la dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.4 Suma directa de dos subespacios. Subespacios complementarios. . . . . . . . . 36
3
SISTEMAS DE ECUACIONES LINEALES.
39
3.1 Preliminares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Primeros conceptos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.2 Deniciones y notaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.3 Clasicacion de los sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
v
vi
3.1.4 Teorema de Rouche-Frobenius. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 Resolucion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.1 Sistemas diagonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.2 Sistemas triangulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.3 Sistemas equivalentes. Metodo de resolucion de Gauss . . . . . . . . . . . . . . . 47
3.2.4 Metodo de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.5 Metodo de Gauss-Jordan para el calculo de la matriz inversa . . . . . . . . . . . 52
3.2.6 Sistemas homogeneos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3 Resolucion de sistemas con Mathematica. . . . . . . . . . . . . . . . . . . . . . . . . . . 55
1 MATRICES Y DETERMINANTES
Este primer captulo esta dedicado a introducir los conceptos basicos relativos
a las matrices y determinantes. Aunque tales cuestiones son de un amplio
uso en diferentes sectores no solo de la economa sino de cualquier disciplina
del saber, nosotros inicialmente usaremos dichos conceptos como herramienta
adecuada para la resolucion, en el siguiente captulo, de sistemas de ecua-
ciones lineales. As la estructura del captulo y los conceptos en el estudiados
persiguen primordialmente dicho objetivo.
1.1 DEFINICIONES B
ASICAS
Llamamos matriz de n umeros reales con m las y n columnas, o de tipo m n, a
una lista de n umeros reales ordenados en la forma:
A = (a
ij
)
mn
=
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
donde a
ij
R, para todo i = 1, . . . , m, j = 1, . . . , n. El elemento a
ij
es el que se
encuentra en la la i y la columna j. Al conjunto de todas las matrices de orden
mn se le denota mediante /
mn
. Cuando una matriz es del tipo 1n se le llama
matriz la o vector la de orden n y una matriz columna o vector columna de orden
m si es del tipo m1.
Dos matrices se dicen iguales si tienen igual n umero de las y columnas y coinciden
elemento a elemento.
Ejemplo 1.1
La matriz A =
_
2 1 0
4 2 4
_
es una matriz de orden 2 3.
La matriz B =
_
1
0
_
es una matriz columna de orden 2.
1
2 DEFINICIONES B
ASICAS
Dada una matriz A = (a
ij
), una submatriz de A es cualquier matriz obtenida desde
A suprimiendo las y/o columnas.
Ejemplo 1.2
Dada la matriz A =
_
1 2 3 4
5 6 7 8
9 0 1 2
_
, la matriz
B =
_
6 7 8
0 1 2
_
es una submatriz de A obtenida suprimiendo la primera la y la primera columna
de A. De igual forma, la matriz
C =
_
1 2 4
5 6 8
9 0 2
_
es la submatriz de A obtenida suprimiendo la tercera columna de A.
Una matriz con igual n umero de las que de columnas (de tipo nn) se dice que es
una matriz cuadrada de orden n. Denotaremos mediante /
n
al conjunto de matrices
cuadradas de orden n.
Sea A /
mn
. La matriz transpuesta de A, A
t
/
nm
, es la matriz que se
obtiene, desde A, cambiando la posicion de las las y columnas, entre s.
Ejemplo 1.3
_
1 0 1
2 3 2
_
es la matriz transpuesta de
_
1 2
0 3
1 2
_
.
De forma evidente, se obtiene la propiedad (A
t
)
t
= A.
La matriz de orden m n con todos los elementos nulos se llama matriz cero. Se
denotara mediante 0
mn
o simplemente por 0.
0 =
_
_
_
_
_
_
0 0 0 . . . 0
0 0 0 . . . 0
0 0 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 0
_
_
_
_
_
_
.
Dada A /
n
, la diagonal principal de A es la matriz la
(a
11
, a
22
, . . . , a
nn
).
Es decir, los elementos en negrita en la gura siguiente:
A =
_
_
_
_
_
_
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
a
31
a
32
a
33
. . . a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
. . . a
nn
_
_
_
_
_
_
.
MATRICES Y DETERMINANTES 3
La traza de A /
n
, tr(A), es la suma de los elementos de la diagonal principal:
tr(A) = a
11
+a
22
+ +a
nn
=
n
i=1
a
ii
.
Ejemplo 1.4
La traza de la matriz A =
_
_
1 0 3
0 0
1
2
0 0 1
_
_
es
tr(A) = a
11
+a
22
+a
33
= 1 + 0 1 = 2.
Una matriz cuadrada A se dice triangular superior (inferior) si todos los elementos
por debajo (encima) de la diagonal principal son nulos y se llamara diagonal si es
tanto triangular superior como triangular inferior (esto es, todo elemento fuera de la
diagonal es cero). En muchas ocasiones, para simplicar la notacion, designaremos
por diag(a
1
, a
2
, , a
n
) a la matriz diagonal
diag(a
1
, a
2
, , a
n
) =
_
_
_
_
a
1
0 0 0
0 a
2
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 a
n
_
_
_
_
.
Ejemplo 1.5
Las matrices
_
_
1 0 3
0 0
1
2
0 0 1
_
_
,
_
_
_
1 0 0 0
1 1 0 0
1 1 1 0
1 1 1 1
_
_
_
y
_
1 0
0 1
_
son, respectivamente, triangular superior, triangular inferior y diagonal.
Llamamos matriz identidad de orden n y la denotaremos por I
n
o simplemente por
I, a la matriz diagonal de orden n con todos los elementos de la diagonal principal
iguales a 1.
I
n
= diag(1, 1,
n)
, 1) =
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
.
4 OPERACIONES CON MATRICES.
1.2 OPERACIONES CON MATRICES.
1.2.1 Suma de matrices.
No siempre es posible sumar dos matrices, para ello sera necesario que ambas sean
del mismo tipo. Dadas dos matrices A = (a
ij
), B = (b
ij
) /
mn
la matriz suma
de A y B es una matriz (del mismo tipo a las anteriores), A + B = C /
mn
,
cuyos elementos se obtienen sumando termino termino a termino los elementos de
A y de B, es decir, c
ij
= a
ij
+ b
ij
, i = 1, 2, , m, j = 1, 2, , n.
A +B =
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
+
_
_
_
_
b
11
b
12
. . . b
1n
b
21
b
22
. . . b
2n
.
.
.
.
.
.
.
.
.
.
.
.
b
m1
b
m2
. . . b
mn
_
_
_
_
=
_
_
_
_
a
11
+ b
11
a
12
+ b
12
. . . a
1n
+ b
1n
a
21
+ b
21
a
22
+ b
22
. . . a
2n
+ b
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
+ b
m1
a
m2
+ b
m2
. . . a
mn
+ b
mn
_
_
_
_
.
Ejemplo 1.6
Si A =
_
1 2
3 4
_
y B =
_
2 0
1 4
_
, entonces
A+B =
_
1 2
3 4
_
+
_
2 0
1 4
_
=
_
1 2
4 0
_
.
Como primeras propiedades de la suma de matrices obtenemos las siguientes:
Resultado 1.2.1 Sean A, B, C /
mn
y 0 /
mn
la matriz cero. En-
tonces se verica:
(Conmutativa) A + B = B + A.
(Asociativa) A + (B + C) = (A + B) + C.
(Elemento neutro) A + 0 = 0 + A = A.
(Elemento opuesto) Existe una matriz A /
mn
, que llamaremos matriz
opuesta de A, tal que A + A = 0.
(A +B)
t
= A
t
+ B
t
.
Resulta inmediato comprobar que la matriz A se obtiene cambiando de signo todos
los elementos de la matriz A, es decir, a
ij
= a
ij
, i = 1, 2, , n, j = 1, 2, , m.
En lo sucesivo denotaremos a esta matriz por A.
1.2.2 Producto de una matriz por un n umero.
Sea A /
mn
y R, denimos la matriz producto de por A, y la denotamos
mediante A /
mn
como:

_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
=
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
.
Con esta denicion resulta que la matriz opuesta de A es precisamente la matriz
(1) A, es decir, A = (1) A.
Ejemplo 1.7
4
_
1 1 2 0
2 3 0 0
_
=
_
4 4 8 0
8 12 0 0
_
.
Resultado 1.2.2 Sean , R y A, B /
mn
. Entonces se cumplen las
siguientes propiedades:
(Distributiva respecto a la suma de matrices) (A + B) = A + B,
(Distributiva respecto a la suma de escalares) ( + ) A = A + A,
(Elemento unidad) 1 A = A,
(Pseudoasociativa) () A = ( A),
0 = 0, 0 A = 0,
( A)
t
= A
t
,
Una matriz cuadrada A se dice simetrica si coincide con su transpuesta, esto es,
A = A
t
. Esto, a su vez, se traduce en la relacion entre coecientes siguiente: a
ij
=
a
j i
, para cualesquiera i, j = 1, . . . , n.
La matriz cuadrada A se dira antisimetrica si, cumple que A
t
= A. Esto es, si
a
ij
= a
ji
, para cualesquiera i, j = 1, . . . , n. Es facil deducir, empleando la relacion
entre coecientes anterior para el caso i = j, que los elementos de la diagonal
principal de matrices antisimetricas son todos nulos.
Ejemplo 1.8
_
1 2 1
2 4 0
1 0 6
_
es una matriz simetrica y
_
0 2 1
2 0 3
1 3 0
_
es antisimetrica.
Toda matriz cuadrada se puede expresar como suma de una matriz simetrica y otra
antisimetrica. Mas concretamente, dada la matriz A /
n
se puede escribir como
A = B +C,
donde B es la matriz simetrica B =
1
2
(A + A
t
) y C es la matriz antisimetrica
C =
1
2
(A A
t
).
6 OPERACIONES CON MATRICES.
Ejemplo 1.9
Dada la matriz A =
_
1 4 2
0 4 3
0 3 6
_
, entonces A = B +C, donde
B =
1
2
(A+A
t
) =
_
1 2 1
2 4 0
1 0 6
_
es una matriz simetrica y
C =
1
2
(AA
t
) =
_
0 2 1
2 0 3
1 3 0
_
es antisimetrica.
1.2.3 Producto de matrices.
Al igual que ocurra con la suma, no siempre sera posible multiplicar dos matrices
entre s. De hecho, solo existira la multiplicaci on cuando exista una cierta compat-
ibilidad entre el n umero de las y columnas de ambas. Mas concretamente, dadas
las matrices A /
mn
y B /
np
se dene la matriz producto de A y B, y
la notaremos por A B, como una matriz C = A B /
np
cuyos elementos se
obtienen en la forma
c
ij
=
n
r=1
a
ir
b
rj
, i = 1, . . . , m, j = 1, . . . , p.
Es decir, el elemento de la matriz A B en la posicion (i, j) se obtiene sumando los
productos termino a termino de los elementos de la la i de A y la columna j de B.
Ejemplo 1.10
_
_
_
1 1
2 3
0 2
2 0
_
_
_
42
_
2 1 0
1 1 1
_
23
=
_
_
_
1 2 + 1 1 1 (1) + 1 (1) 1 0 + 1 1
2 2 + 3 1 2 (1) + 3 (1) 2 0 + 3 1
0 2 2 1 0 (1) 2 (1) 0 0 2 1
2 2 + 0 1 2 (1) + 0 (1) 2 0 + 0 1
_
_
_
=
_
_
_
1 0 1
7 5 3
2 2 2
4 2 0
_
_
_
43
Propiedad 1.2.1 Propiedades del producto de matrices
(A B) C = A (B C), para A /
mn
, B /
np
y C /
pq
.
(A +B) C = A C +B C, para A, B /
mn
y C /
mp
.
A (B + C) = A B + A C, para A /
mn
y B, C /
mn
.
I A = A I = A, 0 A = A 0 = 0, donde las matrices I y 0 han sido
convenientemente elegidas, para que tengan sentido las operaciones, y A
/
nm
.
(A B)
t
= B
t
A
t
, para A /
mn
y B /
np
.
Una observaci on interesante es que, en general, el producto de matrices, a un cuando
este denido en ambos sentidos, no siempre es conmutativo. Es decir, dadas matrices
A /
mn
y B /
nm
, A B no tiene porque coincidir con B A. (De hecho,
A B /
m
y B A /
n
; la propiedad conmutativa tampoco es cierta, en general,
para el caso m = n).
1.2.4 Matriz inversa
Una matriz B /
n
se dice inversa de otra A /
n
si satisfacen las igualdades
A B = B A = I.
En tal caso, a la matriz B se le denotara mediante A
1
y, como es logico, tambien
A es inversa de B, (es decir, A = B
1
y A = (A
1
)
1
).
Ademas, la matriz inversa de A, en caso de existir, es siempre unica. Una matriz
A /
n
que posee inversa se le llama matriz regular. En caso contrario, se dice que
A es singular.
Ejemplo 1.11
La matriz
_
1 1
1 0
_
es inversa de
_
0 1
1 1
_
, pues
_
1 1
1 0
__
0 1
1 1
_
=
_
0 1
1 1
__
1 0
0 1
_
=
_
1 0
0 1
_
1.2.5 Potencia de una matriz
Dada una matriz cuadrada A y n umero natural k N
, donde ^
0
= N0, denimos
la potencia k-esima de A, de forma inductiva como
A
k
=
_
I si k = 0
A
k1
A si k > 0
Las potencias de matrices, como productos matriciales que son, se rigen por las
mismas propiedades del producto de matrices; sin embargo, destacamos dos nuevas
propiedades de particular interes.
Resultado 1.2.3 Propiedades de las potencias de una matriz:
Dada A /
n
y k, l N
0
,
A
k
A
l
= A
l
A
k
= A
k+l
, (A
k
)
l
= A
kl
.
Si A /
n
es una matriz diagonal, esto es,
A = diag(a
1
, a
2
, , a
n
)
y k N
0
, entonces A
k
es tambien una matriz diagonal, siendo
A
k
= diag
_
a
k
1
, a
k
2
, , a
k
n
_
.
8 DETERMINANTE DE UNA MATRIZ CUADRADA.
1.3 DETERMINANTE DE UNA MATRIZ CUADRADA.
1.3.1 Determinantes de orden 2
Supongamos que queremos resolver un sistema lineal de dos ecuaciones con dos
incognitas
S
_
a
11
x
1
+ a
22
x
2
= c
1
a
21
x
1
+ a
22
x
2
= c
2
(1.3.1)
Usando el producto matricial y la igualdad de matrices, el sistema anterior puede
escribirse matricialmente en la forma
_
a
11
a
12
a
21
a
22
__
x
1
x
2
_
=
_
c
1
c
2
_
.
La matriz A =
_
a
11
a
12
a
21
a
22
_
se denomina matriz de coecientes del sistema.
Para resolver el sistema (1.3.1) aplicamos el metodo de reduccion: (multiplicamos
la primera ecuacion por a
22
y la segunda ecuacion por a
12
)
_
a
22
(a
11
x
1
+ a
22
x
2
) = c
1
a
22
a
12
(a
21
x
1
+ a
22
x
2
) = c
2
a
12
_
a
11
a
22
x
1
+ a
12
a
22
x
2
= c
1
a
22
a
21
a
12
x
1
a
22
a
12
x
2
= c
2
a
12
Sumando ambas ecuaciones se obtiene:
(a
11
a
22
a
21
a
12
)x
1
= c
1
a
22
c
2
a
12
.
Si a
11
a
22
a
21
a
12
,= 0, entonces x
1
=
c
1
a
22
c
1
a
21
a
11
a
22
a
21
a
12
.
Procediendo de forma analoga se llegara a que x
2
=
c
2
a
11
c
1
a
21
a
11
a
22
a
21
a
12
.
El n umero a
11
a
22
a
12
a
21
se denomina determinante de la matriz A y se denota
por
det(A) = det
_
a
11
a
12
a
21
a
22
_
= [A[ =
a
11
a
12
a
21
a
22
= a
11
a
22
a
12
a
21
.
Utilizando la denicion de determinante podemos enunciar el siguiente resultado
conocido como regla de Cramer para sistemas de orden 2 2.
Resultado 1.3.1 (Regla de Cramer para sistemas de orden 2 2)
Si el determinante de la matriz de coecientes del sistema (1.3.1) es distinto de
cero, entonces las solucion de (1.3.1) viene dada por
x
1
=
c
1
a
12
c
2
a
22
a
11
a
12
a
21
a
22
, x
2
=
a
11
c
1
a
21
c
2
a
11
a
12
a
21
a
22
.
1.3.1.1 Propiedades de los determinantes de orden 2. Enunciamos a conti-
nuacion algunas de las propiedades de los determinantes de orden 2 cuya com-
probacion resulta inmediata. Dichas propiedades se generalizaran posteriormente a
determinantes de orden superior.
Resultado 1.3.2
a) El determinante de una matriz coincide con el de su transpuesta
a
11
a
12
a
21
a
22
a
11
a
21
a
12
a
22
.
(Esta propiedad nos permite que todos los resultados que enunciamos a continuacion
para las las de una matriz sean tambien validos para las columnas).
b) Si una matriz tiene una la (columna) de ceros, su determinante es cero.
c) Si intercambiamos dos las (columnas) de una matriz, el determinante cambia
de signo.
d) Si una matriz tiene sus dos las (columnas) iguales su determinante es cero.
e) Si multiplicamos cada elemento de una la (columna) por un n umero, el de-
terminante queda multiplicado por ese n umero,
a
11
a
12
a
21
a
22
a
11
a
12
a
21
a
22
.
f) Si una matriz tiene dos las (columnas) proporcionales, el determinante vale
cero.
g) Si los elementos de una la (columna) de una matriz vienen expresados como
suma de dos elementos, entonces el determinante se descompone en suma de
dos determinantes del siguiente modo
a
11
+ a
11
a
12
a
21
+ a
21
a
22
a
11
a
12
a
21
a
22
11
a
12
a
21
a
22
.
h) Si a una la (columna) le sumamos la otra la (columna) multiplicada por un
n umero, el determinante no cambia.
a
11
+ a
12
a
12
a
21
+ a
22
a
22
a
11
a
12
a
21
a
22
.
1.3.1.2 Una interpretacion geometrica del determinante. En el siguiente para-
lelogramo se representa gracamente la suma de los vectores (x
1
, y
1
) y (x
2
, y
2
).
(x
1
, y
1
)
(x
2
, y
2
)
Para calcular el area comprobamos que
y
1
y
2
x
2
x
1
A
B
C
D
E
F
Area del paralelogramo

=

Area del rectangulo

Area de A

Area de B

Area de F
= (x
1
+ x
2
)(y
1
+ y
2
) x
2
y
1
x
1
y
1
/2
x
2
y
2
/2 x
2
y
2
/2 x
1
y
1
/2 x
2
y
1
= x
1
y
2
x
2
y
1
As, es facil concluir que el area del paralelogramo coincide con el valor del deter-
minante siguiente
x
1
x
2
y
1
y
2
= x
1
y
2
x
2
y
1
.
1.3.2 Determinantes de orden 3
Los determinantes de orden 3 surgen de forma analoga al considerar un sistema
lineal de 3 ecuaciones y 3 incognitas
S
_
a
11
x
1
+ a
12
x
2
+ a
13
x
3
= c
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
= c
2
a
31
x
1
+ a
32
x
2
+ a
33
x
3
= c
3
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
23
__
x
1
x
2
x
3
_
=
_
c
1
c
2
c
3
_
.
Mediante un proceso de reduccion (un poco mas engorroso) se llega a expresiones
del tipo
x
1
=

1
, x
2
=

2
, x
3
=

3
,
supuesto que ,= 0, donde
= a
11
a
22
a
33
+ a
21
a
32
a
13
+ a
31
a
12
a
23
a
31
a
22
a
23
a
21
a
12
a
33
a
11
a
32
a
23
. (1.3.2)
El valor de se llama determinante de la matriz A =
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
23
_
y se denota
por
det(A) = det
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
23
_
= [A[ =
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
23
.
Para recordar la formula (1.3.2) se recurre a la regla de Sarrus. Para ello se repiten
las dos primeras las del determinante. Las diagonales trazadas desde a
11
, a
21
y a
31
corresponden a los sumandos positivos y las diagonales trazadas desde a
13
, a
23
y a
33
a los sumandos negativos.
+ a
11
a
12
a
13
+ a
21
a
22
a
23

+ a
31
a
32
a
33

a
11
a
12
a
13
a
21
a
22
a
23
a
11
a
12
a
13

a
21
a
22
a
23

a
31
a
32
a
33

a
11
a
12
a
13
a
21
a
22
a
23
Ejemplo 1.12
1 1 0
2 2 0
3 2 1
= 1 2 1 1 0 3 2 2 0 2 3 0 + 1 2 1 + 1 2 0 = 4.
1.3.2.1 Propiedades de los determinantes de orden 3. Las propiedades de los
determinantes de orden 3 son analogas a las de los determinantes de orden 2. De
hecho las propiedades a)-g) que guran en la Proposicion 1.3.2 se enuncian exacta-
mente igual para determinantes de orden 3. Por otra parte, la propiedad h) admite
una formulaci on mas general.
Resultado 1.3.3
h) Si a una la (columna) le sumamos una combinacion lineal de las restantes
las (columnas), el determinante no vara.
i) Si una la (columna) es combinacion lineal de las restantes las (columnas),
el determinante es cero.
La propiedad h) es especialmente interesante porque nos permite efectuar transfor-
maciones en las las y columnas de una matriz A sin que se altere el valor de su
determinante. De hecho este sera el procedimiento que seguiremos para el calculo
de determinantes de orden superior.
1.3.3 Menor complementario y adjunto de un elemento
Consideremos la matriz
A =
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
23
_
.
Se llama menor complementario del elemento a
ij
, y lo representamos por
ij
, al
determinante de la submatriz de orden 2 2 obtenida al suprimir la la i y la
columna j de la matriz A, es decir, al suprimir la la y la columna en la que se
encuentra dicho elemento. Por ejemplo:
11
=
a
22
a
23
a
32
a
33
,
23
=
a
11
a
12
a
31
a
32
, a
22
=
a
11
a
13
a
31
a
33
.
Se llama adjunto del elemento a
ij
, y lo denotaremos por A
ij
, al n umero
A
ij
= (1)
i+j
ij
,
es decir, el adjunto del elemento a
ij
tiene el mismo valor que el menor complemen-
tario
ij
anteponiendo el signo + o seg un que la suma de los ndices i, j sea par
o impar. Por ejemplo:
A
11
= (1)
1+1
11
=
a
22
a
23
a
32
a
33
, A
23
= (1)
2+3
23
=
a
11
a
12
a
31
a
32
.
Resultado 1.3.4 El determinante de la matriz A se puede obtener como la
suma de los elementos de una la o columna multiplicados por sus adjuntos corre-
spondientes
Comprobemos que se cumple esta propiedad. En efecto,
[A[ = a
11
a
22
a
33
+ a
21
a
32
a
13
+ a
31
a
12
a
23
a
31
a
22
a
23
a
21
a
12
a
33
a
11
a
32
a
23
= a
11
(a
22
a
33
a
32
a
23
) a
12
(a
21
a
33
a
31
a
23
) + a
13
(a
21
a
32
a
31
a
22
)
= a
11
a
22
a
23
a
32
a
33
a
12
a
21
a
23
a
31
a
33
+ a
13
a
21
a
22
a
31
a
32
= a
11
A
11
+a
12
A
12
+ a
13
A
13
. (1.3.3)
En la expresion (1.3.3) se dice que el determinante se obtiene desarrollando los
elementos de la primera la por sus adjuntos correspondientes. De igual forma puede
comprobarse facilmente que se obtiene el mismo resultado desarrollando por los
elementos de cualquier la o columna.
1.3.3.1 Interpretacion geometrica de un determinante de orden 3. Tambien
puede darse una interpretaci on geometrica para determinantes de orden 3. En este
caso, el volumen del paraleleppedo determinado por los vectores
(x
1
, y
1
, z
1
), (x
2
, y
2
, z
2
) y (x
3
, y
3
, z
3
)
coincide (salvo el signo) con el valor del determinante de la matriz cuyas las o
columnas vienen dadas por las coordenadas de los vectores.
Ejemplo 1.13
El volumen de la siguiente gura puede calcularse mediante el determinante
(2, 0, 2)
(0, 3, 1)
(1, 0, 1)

2 0 1
0 3 0
2 1 1
= 12
1.3.4 Determinantes de orden superior
La generalizacion de la denicion de adjunto a matrices de orden n y la Proposicion
1.3.4 nos permitiran calcular, de forma inductiva, el determinante de una matriz
cuadrada de orden superior a 3. Basta observar que los menores complementarios
de los elementos de una matriz de orden 4 seran determinantes de orden 3 que ya
sabemos calcular. De hecho vamos a denir los determinantes de orden superior
utilizando un desarrollo analogo al dado en la expresion (1.3.3).
Sea A una matriz cuadrada de orden n
A =
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
,
se dene el determinante de A, y lo notaremos por cualquiera de las expresiones
siguientes,
det(A) = det
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
= [A[ =
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
,
al valor obtenido desarrollando los elementos de la primera la por sus adjuntos
correspondientes, es decir,
det(A) = a
11
A
11
+a
12
A
12
+ + a
1n
A
1n
=
n
j=1
a
1j
A
1j
. (1.3.4)
Observaciones:
El adjunto de un elemento tiene el mismo signicado que el dado para matrices
cuadradas de orden 3.
La denicion de determinante dada en (1.3.4) es inductiva, es decir, si sabemos
calcular determinantes de orden 2 sabemos calcular de orden 3 y, por tanto, de
orden 4 y, por tanto, de orden 5, etc.
Puede probarse que el valor dado en (1.3.4) no vara si hacemos el desarrollo
por los elementos de cualquier otra la o columna.
De igual forma, puede probarse por induccion, que los determinantes de orden
superior cumplen las mismas propiedades que las enunciadas para determinantes
de orden 2 y 3.
Ejemplo 1.14
7 4 1 9
2 0 6 3
5 1 6 11
1 7 2 8
=4
2 6 3
5 6 11
1 2 8
+ 0
7 1 9
5 6 11
1 2 8
7 1 9
2 6 3
1 2 8
+ 7
7 1 9
2 6 3
5 6 11
= 1628.
En el ejemplo anterior hemos calculado el determinante haciendo el desarrollo de los
elementos de la segunda columna por sus adjuntos correspondientes. El calculo del
determinante queda reducido al calculo de (como maximo) 4 determinantes de orden
3. Observemos que la presencia de un cero en el elemento a
22
de la matriz nos ahorra
el calculo del adjunto correspondiente en el desarrollo. Por tanto, resulta conveniente
utilizar para el desarrollo del determinante aquella la o columna que tenga mayor
n umero de ceros. La presencia de un cero nos ahorra calculos y tiempo. Precisamente
en esto se basa la tecnica de calculo de determinantes de orden superior: Si no hay
ceros, los hacemos. Para ello utilizaremos la propiedad h) de los determinantes:
Si a una la (columna) le sumamos una combinacion lineal de las restantes las
(columnas), el determinante no vara.
Ejemplo 1.15
7 4 1 9
2 0 6 3
5 1 6 11
1 7 2 8
=
F
1
F
1
4F
3
F
2
F
2
F
3
F
3
F
4
F
4
7F
3
=
13 0 23 35
2 0 6 3
5 1 6 11
36 0 40 69
=
desarrollando por
los elementos de la
segunda columna
= 1
13 23 35
2 6 3
36 40 69
= 1628.
Otras propiedades interesantes de los determinantes vienen recogidas en la propo-
sicion siguiente:
Resultado 1.3.5 Sean A, B /
n
, entonces
a) Si A /
n
es una matriz triangular, entonces el determinante de A se obtiene
multiplicando los elementos situados en la diagonal principal, es decir,
[A[ = a
11
a
22
a
nn
.
b) En particular, si A es una matriz diagonal A = diag(a
1
, a
2
, , a
n
), entonces
[A[ = a
1
a
2
a
n
.
En particular, [I[ = 1.
c) (Formula de Binet-Cauchy): [A B[ = [A[ [B[.
d) A es regular si, y solo si, [A[ ,= 0. Ademas, en tal caso, [A
1
[ =
1
[A[
.
e) [A
k
[ = [A[
k
, para k N
0
.
1.3.5 Matriz adjunta. Calculo de la matriz inversa
Dada una matriz A /
n
se dene la matriz adjunta de A, y se denota por adj(A),
a la matriz cuyos elementos en la posicion (i, j) son los adjuntos A
ij
de la matriz A.
El calculo de la matriz adjunta nos proporciona un metodo para calcular la matriz
inversa, A
1
, de una matriz A regular.
Resultado 1.3.6 Sea A /
n
una matriz regular, entonces
A
1
=
1
[A[
_
adj(A)
_
t
=
1
[A[
adj
_
A
t
_
.
Ejemplo 1.16
Supongamos que queremos calcular la inversa de la matriz
A =
_
_
_
1 1 1 1
1 0 0 1
1 2 1 1
3 0 0 1
_
_
_
.
En primer lugar hemos de probar que A es una matriz regular. Para ello calculamos
su determinante
[A[ =
1 1 1 1
1 0 0 1
1 2 1 1
3 0 0 1
=
F
1
F
1
F
2
F
2
F
3
F
3
F
1
F
4
F
4
=
1 1 1 1
1 0 0 1
0 1 0 2
3 0 0 1
= 1
1 0 1
0 1 2
3 0 1
= 4.
Como el determinante es distinto de cero, la matriz A es regular. Ahora determi-
namos la matriz adjunta, calculando los adjuntos de cada uno de los elementos de
la matriz A,
A
11
=
0 0 1
2 1 1
0 0 1
= 0, A
12
=
1 0 1
1 1 1
3 0 1
= 4,
La matriz adjunta viene dada por
adj(A) =
_
_
_
0 4 8 0
1 6 8 3
0 4 4 0
1 2 4 1
_
_
_
.
Finalmente, la matriz inversa sera
A
1
=
1
[A[
_
adj(A)
_
t
=
1
4
_
_
_
0 1 0 1
4 6 4 2
8 8 4 4
0 3 0 1
_
_
_
t
=
_
_
_
_
_
0
1
4
0
1
4
1
3
2
1
1
2
2 2 1 1
0
3
4
0
1
4
_
_
_
_
_
.
Tambien con ayuda del Mathematica podramos haber obtenido dicho inversa
1.4 RANGO DE UNA MATRIZ.
Si en una matriz A /
mm
seleccionamos r las y r columnas (r m, r n)
se forma una submatriz cuadrada de orden r. Al determinante de esta matriz lo
llamaremos menor de orden r de la matriz A.
El rango de A es el mayor de los ordenes de los menores de A no nulos; es decir, el
mayor orden de las submatrices cuadradas de A con determinante distinto de cero.
De forma evidente, se cumple que si A es una submatriz de B, entonces el rango de
A es siempre menor o igual que el rango de B.
Ejemplo 1.17
La matriz A =
_
_
_
1 1 1
0 0 2
1 2 1
0 0 1
_
_
_
tiene rango 3.
16 RANGO DE UNA MATRIZ.
En efecto, la submatriz cuadrada de orden 3 obtenida a partir de la matriz A selec-
cionando las 3 primeras las y las 3 primeras columnas
_
1 1 1
0 0 2
1 2 1
_
tiene determinante no nulo.
Este nuevo concepto nos permite obtener una caracterizacion de las matrices regu-
lares en funcion de el.
Resultado 1.4.1 Una matriz cuadrada A /
n
es regular si, y solo si, su
rango es n.
Como es logico, desde esta proposicion tambien se concluye una caracterizacion de
la singularidad de una matriz cuadrada: A /
n
es singular si, y solo si, su rango
es estrictamente menor que n.
1.4.1 Calculo del rango de una matriz
Para la determinacion del rango de una matriz resulta conveniente tener en cuenta
las siguientes observaciones:
De la denicion inductiva de los determinantes se deduce inmediatamente que
si todos los memores de orden r de una matriz A son nulos, entonces tambien
seran nulos todos los menores de orden mayor que r que pudieran formarse en la
matriz A. Esto nos sugiere una estrategia para calcular el rango de una matriz:
seleccionar menores no nulos comenzando por menores de orden 1, 2, etc.
Como sabemos, la operacion de sumar a una la (columna) una combinacion
lineal de las restantes las (columnas) no afecta al valor del determinante de
una matriz y, por tanto, dicha operacion tampoco afectara al rango de la matriz.
De igual modo las operaciones de permutacion de las o columnas (que solo
afectan al signo del determinante) y la de multiplicacion de los elementos de
una la o columna por un n umero distinto de cero (que solo afecta al valor del
determinante pero no al hecho de que este sea o no distinto de cero), tampoco
alterara el valor del rango de la matriz.
Estas operaciones se llamaran operaciones elementales y constituyen una buena
herramienta para simplicar el calculo del rango de una matriz.
Por otra parte, tambien sabemos que si una matriz cuadrada tiene una la
(columna) que es combinacion lineal de las restantes las (columnas), el deter-
minante vale cero. Esto se traduce en la siguiente propiedad: si una matriz tiene
una la (columna) que es combinacion lineal de las restantes las (columnas),
dicha la (columna) puede suprimirse dado que no afectara al rango de la ma-
triz.
Las observaciones anteriores nos sugieren el siguiente procedimiento para calcular el
rango de una matriz:
1) Comprobar si hay alguna la (columna) que sea combinaci on lineal de las
restantes las (columnas). En tal caso, esta se suprime.
2) Seleccionar un menor de orden 2 que sea distinto de cero y marcarlo sobre la
matriz. Si esto no es posible, el rango sera 1 (salvo en el caso trivial de que
todos los elementos de la matriz sean cero en que el rango sera 0).
3) Formar posibles menores de orden 3 que contengan al menor de orden 2 selec-
cionado anteriormente (este proceso se llama orlar las o columnas). Si todos
estos menores son cero, el rango sera 2; en caso contrario tomaramos el menor
de orden 3 y continuamos estudiando los de orden 4, etc.
Ejemplo 1.18
Para calcular el rango de la matriz
A =
_
_
_
1 3 0 1 2
0 5 1 2 3
3 1 2 1 0
3 11 4 5 6
_
_
_
,
procedemos de la siguiente manera:
1) Comprobamos si hay alguna la (columna) que sea combinacion lineal de las
restantes las (columnas). Aparentemente no.
2) Buscamos un menor de orden 2 que sea distinto de cero y lo se nalamos en la
matriz. En nuestro caso, el menor obtenido tomando las dos primeras las y las
dos primeras columnas satisface esta condicion,
1 3
0 5
= 5 ,= 0.
3) Orlamos la 3
a
la y formamos menores de orden 3 con las columnas 3
a
, 4
a
y 5
a
.
1 3 0
0 5 1
3 1 2
= 0,
1 3 1
0 5 2
3 1 1
= 0,
1 3 2
0 5 3
3 1 0
= 0.
Todos los menores de orden 3 obtenidos orlando la 3
a
la son cero, lo cual
signica que la 3
a
la es combinacion lineal de la 1
a
y 2
a
las y, por tanto, puede
suprimirse.
4) Continuamos formando determinantes de orden 3 orlando ahora la 4
a
la con las
columnas 3
a
, 4
a
y 5
a
.
1 3 0
0 5 1
3 11 4
= 0,
1 3 1
0 5 2
3 11 5
= 0,
1 3 2
0 5 3
3 11 6
= 0.
De nuevo todos los menores obtenidos orlando la 4
a
la son cero, lo cual signica
que tambien la 4
a
la es combinacion lineal de la 1
a
y 2
a
las y, por tanto, puede
suprimirse.
En consecuencia, se concluye que rango(A) = 2.
Para concluir esta seccion, indicaremos que el rango del producto de dos matrices
es menor o igual que el mnimo del rango de las dos matrices.
18 EJERCICIOS PROPUESTOS EN EX
AMENES ANTERIORES
1.5 EJERCICIOS PROPUESTOS EN EX
AMENES ANTERIORES
1.- Calcular el determinante de la matriz cuadrada de orden n, A = (a
ij
), cuyos
elementos vienen dados por
a
ij
= i +j 1, i, j = 1, 2, . . . , n.
2.- Dada la matriz
A =
_
_
0
1
3
0
1
3
0 0
0 0
1
3
_
_
calcular S = I + A + A
2
+ A
3
+ + A
n
.
3.- Obtener el valor de x para que se cumpla que
1 1 1 1
sen 0 sen
6
1 x
sen
2
0 sen
2
6
1 x
2
sen
3
0 sen
3
6
1 x
3
= 0.
4.- Sabiendo que a ,= 1, obtener el valor de x en la siguiente ecuacion:
7a + 7 a + 1 a + 1 a + 1
7 1 1 1
7 2 4 8
7 x x
2
x
3
= 0.
5.- Sabiendo que
A =
_
_
_
_
_
1 1 0 0 0
0 1 1 0 0
0 0 1 1 0
0 0 0 1 1
0 0 0 0 1
_
_
_
_
_
y A
1
=
_
_
_
_
_
1 1 1 1 1
0 1 1 1 1
0 0 1 1 1
0 0 0 1 1
0 0 0 0 1
_
_
_
_
_
,
calcular la inversa de la matriz
B =
_
_
_
_
_
2 1 0 0 0
1 2 1 0 0
0 1 2 1 0
0 0 1 2 1
0 0 0 1 1
_
_
_
_
_
sabiendo que B = A.A
.
6.- Calcular a, b, c, d R para que
A
2
(a + d)A + (ad bc)I + A =
_
1 2
0 1
_
,
siendo A =
_
a b
c d
_
.
7.- Resolver la ecuacion
a 1 1 1
a a a
2
a
3
a b b
2
b
3
a (a b) (a b)
2
(a b)
3
= 0.
2 ESPACIOS VECTORIALES.
Los espacios vectoriales constituyen una de las estructuras algebraicas mas
importantes en Matematicas. La mayora de los objetos matematicos que
usamos habitualmente: vectores, matrices, polinomios, funciones, ... tienen
estructura de espacio vectorial.
2.1 DEFINICI
ON Y EJEMPLOS
Sea 1 un conjunto, cuyos elementos llamaremos vectores y notaremos por u, v, ,
en el que tenemos denidas dos operaciones: la operacion + que llamaremos suma
de vectores y la operacion que llamaremos producto a izquierda por un n umero
real . Diremos que (1, +, ) es un espacio vectorial real si se cumple que:
1.- La suma de vectores es una operacion interna en 1, es decir, si v, w 1,
entonces v + w 1, vericando las siguientes propiedades:
a1) Conmutativa: u, v 1, u +v = v +u.
a2) Asociativa: u, v, w 1, (u +v) + w = u + (v + w).
a3) Existencia de elemento neutro: Existe un vector,

0 1, que llamaremos
vector nulo tal que v +
0 = v , para todo v V .
a4) Existencia de elemento opuesto: Para cada vector v V existe otro vec-
tor v
1, que llamaremos vector opuesto de v, tal que v +v
0.
19
20 DEFINICI
ON Y EJEMPLOS
2.- La operacion de multiplicacion a izquierda por un n umero real es una operacion
externa sobre 1, es decir, si R y v 1, entonces v 1, vericando las
siguientes propiedades:
b1) Distributiva respecto a la suma de n umeros reales: , R y v 1,
( +) v = v + v.
b2) Distributiva respecto a la suma de vectores: , R, u, v 1,
(u +v) = v + v.
b3) Pseudoasociativa: , R, v 1, () v = ( v).
b4) Elemento unidad: v 1, 1 v = v.
En lo que sigue, para simplicar la notacion, el producto de un n umero real por
un vector v 1 tambien lo notaremos simplemente por v.
Ejemplo 2.1
El conjunto de vectores del plano es un espacio vectorial. Geometricamente un vector
del plano viene representado mediante un segmento orientado. Algebraicamente, un
vector u del plano viene dado por un par de n umeros reales u = (u
1
, u
2
) que se
denominan coordenadas del vector. El conjunto de vectores del plano se identica
con el conjunto
R
2
= R R = x = (x
1
, x
2
) : x
1
, x
2
R,
en el que se denen las operaciones usuales de suma de vectores y multiplicacion por
un n umero real dadas por
x +y = (x
1
, x
2
) + (y
1
, y
2
) = (x
1
+y
1
, x
2
+y
2
),
x = (x
1
, x
2
) = (x
1
, x
2
).
(2.1.1)
Entonces (R
2
, +, ) es un espacio vectorial real.
El conjunto P
2
[x] de los polinomios grado menor o igual que 2 en la variable x,
es decir, expresiones de la forma p(x) = a
0
+ a
1
x + a
2
x
2
con a
0
, a
1
, a
2
R, tiene
estructura de espacio vectorial con las operaciones algebraicas usuales:
p(x) +q(x) = (a
0
+a
1
x +a
2
x
2
) + (b
0
+b
1
x +b
2
x
2
)
= (a
0
+b
0
) + (a
1
+b
1
)x + (a
2
+b
2
)x
2
.
p(x) = (a
0
+a
1
x +a
2
x
2
) = (a
0
) + (a
1
) + (a
2
)x
2
.
En general, el conjunto P
n
[x] (polinomios de grado menor o igual que n en la variable
x con las operaciones usuales) tiene estructura de espacio vectorial).
El conjunto de matrices cuadradas reales de orden 2 que notaremos por /
22
(R)
tiene estructura de espacio vectorial. Las operaciones de suma y producto por
escalares vienen dadas por:
A+B =
_
a
11
a
12
a
21
a
22
_
+
_
b
11
b
12
b
21
b
22
_
=
_
a
11
+b
11
a
12
+b
12
a
21
+b
21
a
22
+b
22
_
.
A =
_
a
11
a
12
a
21
a
22
_
=
_
a
11
a
12
a
21
a
22
_
ESPACIOS VECTORIALES. 21
En general, el conjunto /
mn
(R), de las matrices reales com m las y n columnas
y las operaciones usuales de suma de matrices y multiplicacion de una matriz por
un n umero real, es un espacio vectorial.
El espacio de las funciones f : R R es un espacio vectorial con las operaciones
usuales:
(f +g)(t) = f(t) +g(t), (f)(t) = ( f)(t) = f(t), t A.
Propiedad 2.1.1 En un espacio vectorial (1, +, ) se satisfacen las identidades
siguientes:
p1) 0 v =
0,
p2) v + (1)v =
0,
p3)
0 =
0.
para todo v V y R.
Observemos que la propiedad p2) nos indica que el vector opuesto de un vector v
es precisamente el vector (1)v. En lo sucesivo notaremos a este vector por v.
Asimismo, deniremos la operacion de restar dos vectores en la forma
u v = u + (v).
Ejercicio 2.2
Escribe el vector nulo en cada uno de los espacios vectoriales del Ejemplo 1.1.
Da un ejemplo concreto de un vector en cada uno de los espacios vectoriales del
Ejemplo 1.1 y escribe su vector opuesto.
2.1.1 El espacio vectorial R
n
La estructura de espacio vectorial denida sobre R
2
puede extenderse facilmente a
R
n
, conjunto de vectores de n coordenadas,
R
n
= x = (x
1
, x
2
, . . . , x
n
) : x
i
R, i = 1, 2, . . . , n,
deniendo las operaciones
x +y = (x
1
, x
2
, . . . x
n
) + (y
1
, y
2
, . . . , x
n
) = (x
1
+ y
1
, x
2
+ y
2
, . . . , x
n
+ y
n
),
x = (x
1
, x
2
, . . . x
n
) = (x
1
, x
2
, . . . x
n
).
Ejemplo 2.3
El espacio R
3
(vectores de 3 coordenadas) se identica con el conjunto de los vectores
en el espacio tridimensional.
22 DEFINICI
ON Y EJEMPLOS
Observaciones:
Aunque hemos denotado a los elementos de R
n
como vectores la de orden
n, en ocasiones, puede resultar mas ventajoso utilizar la notacion de vectores
columna de orden n,
x =
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
.
En este caso, las operaciones denidas anteriormente vendr an dadas por
x +y =
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
+
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
=
_
_
_
_
x
1
+ y
1
x
2
+ y
2
.
.
.
x
n
+ y
n
_
_
_
_
,
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
=
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
. (2.1.2)
Por otra parte, si x = (x
1
, x
2
, , x
n
) es un vector la en R
n
, tambien pode-
mos utilizar la operacion de transposicion de matrices, para denotar por x
t
=
(x
1
, x
2
, , x
n
)
t
, al correspondiente vector columna en R
n
.
x = (x
1
, x
2
, . . . , x
n
) x
t
=
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
.
En lo que sigue utilizaremos indistintamente ambas notaciones, si bien, cuando
sea necesario, distinguiremos entre vectores la y vectores columna.
2.1.2 Subespacios vectoriales
Sea (1, +, ) un espacio vectorial real y sea o un subconjunto no vaco de 1. Diremos
que o es un subespacio vectorial de 1 si (o, +, ) tiene estructura de espacio vectorial
con las operaciones + y denidas en 1.
Notemos que el hecho de que (1, +, ) sea un espacio vectorial real y que o 1,
simplica mucho las cosas a la hora de probar que (o, +, ) tiene o no estructura de
espacio vectorial.
Resultado 2.1.1 Sea (1, +, ) un espacio vectorial real y o un subconjunto no
vaco de 1. Entonces o es un subespacio vectorial de 1 si, y solo si,
i) u, v o u +v o,
ii) R, v o v o.
Ejemplo 2.4
El conjunto o de las matrices cuadradas de orden 2 de la forma
_
0 a
b c
_
es un subespacio vectorial de /
22
(R).
Soluci on: Hemos de comprobar que se cumplen las condiciones i) y ii) del Resul-
tado 2.1.1.
i) Tomemos dos matrices A, B o y veamos que A+B o.
A =
_
0 a
b c
_
, B =
_
0 a
_
,
A+B =
_
0 a
b c
_
+
_
0 a
_
=
_
0 a +a
b +b
c +c
_
o.
1.- Tomemos R y A o y probemos que A o.
A =
_
0 a
b c
_
=
_
0 a
b c
_
o.
Ejercicio 2.5
Indica si los siguientes conjuntos son subespacios vectoriales:
1) El conjunto de funciones trigonometricas de la forma
x(t) = a
0
+a
1
cos t +b
1
sent, a
0
, a
1
, b
1
R.
2) El conjunto de matrices cuadradas de orden 2 cuya traza es 0 con las operaciones
usuales.
3) El conjunto de vectores del plano cuyas coordenadas suman 1, con las operaciones
usuales.
4) El conjunto de polinomios de grado menor o igual que 2 que se anulan en el
punto x = 1, con las operaciones usuales.
2.2 COMBINACI
ON LINEAL DE VECTORES
Definici
on 1 Sea 1 un espacio vectorial. Se dice que el vector v es combinacion

lineal de los vectores v
1
, v
2
, . . . , v
k
1, si puede escribirse en la forma
v =
1
v
1
+
2
v
2
+ +
k
v
k
.
Ejemplo 2.1
El vector v = (4, 5, 2) de R
3
es combinacion lineal de los vectores v
1
= (1, 1, 1) y
v
2
= (2, 1, 0), dado que
v = 2v
1
+ 3v
2
.
Para saber si el vector v = (3, 0, 5) es combinacion lineal de los vectores v
1
y v
2
anteriores, planteamos la igualdad
v = v
1
+ v
2
(3, 0, 5) = (1, 1, 1) +(2, 1, 0)
24 COMBINACI
que conduce al sistema
_
+ 2 = 3
= 0
= 5
Dado que el sistema anterior es incompatible (no tiene solucion) concluimos que el
vector v no es combinacion lineal de los vectores v
1
y v
2
.
En /
22
(R), para averiguar si la matriz A =
_
3 1
6 4
_
es combinacion lineal de
las matrices
A
1
=
_
1 1
2 0
_
, A
2
=
_
3 1
0 2
_
,
planteamos la igualdad
A = A
1
+ A
2

_
3 1
6 4
_
=
_
1 1
2 0
_
+
_
3 1
0 2
_
_
_
+ 3 = 3
= 0
2 = 6
2 = 4
de donde se obtiene = 3, = 2. Por tanto, la matriz A es combinacion lineal de
las matrices A
1
y A
2
ya que
A = 3A
1
+ 2A
2
.
Ejercicio 2.2
Determina si el polinomio p(x) = 1 6x
2
+ 19x x
3
es combinacion lineal de los
polinomios p
1
(x) = 1 + 3x x
3
, p
2
(x) = 2 3x +x
2
, p
3
(x) = 4x 4x
2
+ 2x
3
.
Determina si el vector v = (1, 0, 1, 4) de R
4
es combinacion lineal de los vectores
v
1
= (1, 1, 0, 1) y v
2
= (2, 1, 1, 1).
En /
23
(R), determina si la matriz A =
_
3 1 0
6 4 2
_
es combinacion lineal de
las matrices
A
1
=
_
1 1 0
2 0 1
_
, A
2
=
_
3 1 1
0 0 2
_
, A
3
=
_
0 0 1
1 0 2
_
.
2.2.1 Dependencia e independencia lineal de vectores
Definici
on 2 Un conjunto de vectores S = v
1
, v
2
, . . . , v
k
de un espacio vec-
torial 1 se dice que es linealmente independiente, si ninguno de los vectores de S
puede escribirse como combinacion lineal de los restantes vectores de S. En caso
contrario, se dice que es un conjunto de vectores linealmente dependiente.
Ejemplo 2.3
El conjunto S = (2, 1), (1, 0) de R
2
es linealmente independiente, ya que ninguno
de ellos puede ponerse como combinacion lineal del otro.
El conjunto de vectores S = (4, 5, 2), (1, 1, 1), (2, 1, 0) de R
3
es linealmente
dependiente dado que el primer vector puede escribirse como combinacion lineal de
los restantes:
(4, 5, 2) = 2(1, 1, 1) + 3(2, 1, 0).
Propiedad 2.2.1 Un conjunto de vectores S = v
1
, v
2
, . . . , v
k
es linealmente
independiente si se cumple que
1
v
1
+
2
v
2
+ +
k
v
k
=
0
1
=
2
= =
k
= 0,
es decir, si la unica forma de escribir el vector nulo como combinacion lineal de
los vectores de S es que todos los coecientes sean nulos.
La propiedad anterior tambien puede enunciarse de esta otra forma:
Propiedad 2.2.2 Un conjunto de vectores S = v
1
, v
2
, . . . , v
k
es linealmente
dependiente si es posible expresar el vector nulo como combinacion lineal de ellos
con al menos un coeciente no nulo. Dicho en terminos matematicos, es posible
encontrar n umeros
1
,
2
, ,
k
no todos nulos, de forma que
1
v
1
+
2
v
2
+ +
k
v
k
=
0
Ejemplo 2.4
Para determinar si el conjunto de vectores S = (2, 1), (1, 0) de R
2
es linealmente
independiente planteamos la igualdad
(2, 1) +(1, 0) = (0, 0),
_
2 + = 0
= 0
cuya unica solucion es = = 0. Por tanto, deducimos que el conjunto S es
linealmente independiente.
Para determinar si el conjunto de vectores S = (4, 5, 2), (1, 1, 1), (2, 1, 0) de
R
3
es linealmente independiente planteamos la igualdad
(4, 5, 2) +(1, 1, 1) +(2, 1, 0) = (0, 0, 0). (2.2.1)
_
4 + + 2 = 0
5 + = 0
2 + = 0
que admite soluciones distintas de la trivial:
_
= t
= 2t
= 3t
, t R.
26 COMBINACI
Tomando, por ejemplo, t = 1, obtenemos la solucion particular = 1, = 2,
= 3, por lo que la igualdad (2.2.1) nos asegura que es posible expresar el vector
nulo como una combinacion lineal de los vectores de S con coecientes no nulos.
En el caso particular de que trabajemos con vectores de R
n
, podemos aplicar el
siguiente resultado para determinar si son linealmente independientes:
Resultado 2.2.1 El conjunto de vectores S = v
1
, v
2
, . . . , v
k
de R
n
es lineal-
mente independiente si, y solo si,
rango (v
1
[ v
2
[ . . . [ v
k
) = k.
Ejemplo 2.5
El conjunto de vectores S = (2, 1), (1, 0) de R
2
es linealmente independiente ya
que
2 1
1 0
,= 0.
Para determinar si el conjunto de vectores S = (4, 5, 2, 4), (1, 1, 1, 1), (2, 1, 0, 2)
de R
4
es linealmente independiente calculamos el rango de la matriz
A =
_
4 5 2 4
1 1 1 1
2 1 0 2
_
.
1) En primer lugar observamos que la 4
a
columna es igual que la 1
a
por lo que
puede suprimirse, es decir,
rango
_
4 5 2 4
1 1 1 1
2 1 0 2
_
= rango
_
4 5 2
1 1 1
2 1 0
_
.
2) Por otra parte,
4 5
1 1
= 9 ,= 0,
4 5 2
1 1 1
2 1 0
= 0,
de donde se concluye que rango(A) = 2 y por tanto, el conjunto de vectores S es
linealmente dependiente.
Propiedad 2.2.3 En un espacio vectorial 1 se cumplen las siguientes
propiedades:
1) El conjunto S = v formado por un solo vector es linealmente dependiente
si, y solamente si, v =
0.
2) Si

0 S, entonces S es un conjunto linealmente dependiente.
3) El conjunto S = u, v es linealmente dependiente si, y solamente si, v = u
(vectores proporcionales).
4) Si S es un conjunto linealmente independiente y S
S, entonces S
es lin-
ealmente independiente.
5) Si S es un conjunto linealmente dependiente y S S
, entonces S
es lineal-
mente dependiente.
2.2.2 Subespacio vectorial generado por un conjunto de vectores
Sea S = v
1
, v
2
, . . . , v
n
un conjunto de vectores de un espacio vectorial 1. El
conjunto L(S) de todos los vectores que se pueden obtener como combinaci on lineal
de los vectores de S es subespacio vectorial de 1 que se llama subespacio vectorial
generado por S y se representa por
L(S) = v
1
, v
2
, . . . , v
n
) .
El conjunto S se llama sistema de generadores de L(S).
Un vector x L(S) si se puede expresar como combinacion lineal de los vectores de
S, es decir, si x se puede escribir en la forma
x =
1
v
1
+
2
v
2
+ +
n
v
n
,
1
,
2
, . . . ,
n
R.
Ejemplo 2.6
Sea S = u, v un conjunto de vectores de R
4
con u = (1, 1, 1, 2) y v = (1, 3, 2, 1).
El subespacio vectorial L(S) viene dado por el conjunto de vectores x R
4
tales
que
x = u +v, con , R.
Si tomamos x = (x
1
, x
2
, x
3
, x
4
), la igualdad anterior se escribe como
(x
1
, x
2
, x
3
, x
4
) = (1, 1, 1, 2) +(1, 3, 2, 1), , R.
La igualdad anterior se denomina ecuacion vectorial de L(S).
De la ecuacion anterior se obtienen las igualdades
_
_
x
1
= +
x
2
= + 3
x
3
= 2
x
4
= 2 +
, , R.
Los n umeros , son n umeros reales arbitrarios que reciben el nombre de par ametros.
De ah que a las ecuaciones anteriores se denominen ecuaciones parametricas de
L(S).
Las ecuaciones parametricas son utiles para obtener vectores que pertenezcan a
L(S). Para ello basta darle valores concretos a los parametros y . Por ejemplo,
para = 1 y = 1, se obtiene el vector x = (2, 2, 1, 3) L(S).
28 COMBINACI
Si despejamos (por ejemplo) en la primera igualdad = x
1
y sustituimos en
las restantes ecuaciones se obtiene
_
x
2
= (x
1
) + 3
x
3
= (x
1
) 2
x
4
= 2(x
1
) +
_
x
2
= x
1
+ 4
x
3
= x
1
3
x
4
= 2x
1

Si ahora repetimos lo mismo con el parametro (lo despejamos en la ultima ecuacion
porque es mas facil), = 2x
1
x
4
, y sustituimos en las restantes ecuaciones, se
obtiene
_
x
2
= x
1
+ 4(2x
1
x
4
)
x
3
= x
1
3(2x
1
x
4
)

_
7x
1
x
2
4x
4
= 0
5x
1
+x
3
3x
4
= 0
Se obtienen 2 ecuaciones donde no intervienen los parametros , . Estas ecuaciones
se denominan ecuaciones cartesianas o ecuaciones implcitas de L(S).
Las ecuaciones cartesianas de L(S) son utiles para comprobar si un determinado
vector pertenece o no a L(S). Por ejemplo, el vector (2, 1, 3, 4) no pertenece a
L(S) ya que no se cumplen las dos ecuaciones parametricas.
7x
1
x
2
4x
4
= 7(2) (1) 4(4) = 2 ,= 0.
El vector (3, 1, 0, 5) L(S) ya que
7x
1
x
2
4x
4
= 7(3) (1) 4(5) = 0, 5x
1
+x
3
3x
4
= 5(3) + (0) 3(5) = 0.
Sea M el subespacio vectorial de R
3
dado por las ecuaciones parametricas
_
x
1
=
x
2
=
x
3
= + 2
, , R.
Para determinar un sistema de generadores de M podemos escribir las ecuaciones
parametricas en la forma
_
x
1
x
2
x
3
_
=
_
0
1
1
_
+
_
1
1
2
_
.
Entonces resulta que S = (0, 1, 1), (1, 1, 2) es un sistema de generadores de L, es
decir, podemos escribir
M = L(S) = (0, 1, 1), (1, 1, 2))
Sea L el subespacio vectorial de R
5
determinado por las ecuaciones cartesianas
_
x
1
2x
3
+x
5
= 0
x
1
+ 2x
2
3x
3
+x
4
= 0
Para determinar un sistema de generadores de L resolvemos el sistema dado por las
ecuaciones cartesianas.
Propiedad 2.2.4 Sean S = v
1
, v
2
, . . . , v
n
y S
= v
1
, v
2
, . . . , v
n
, w. Si w es
combinacion lineal de v
1
, v
2
, . . . , v
n
, entonces se cumple que:
L(S) = L(S
),
es decir, los subespacios vectoriales generados por S y S
son el mismo.
2.3 BASES Y DIMENSI
ON
Definici
on 3 Sea 1 un espacio vectorial y L un subespacio vectorial de 1. Se

dice que L es nitamente generado si existe un conjunto de vectores S = v
1
, v
2
, . . . , v
n
de 1 de forma que
L = L(S) = v
1
, v
2
, . . . , v
n
).
El conjunto S se dice que es un sistema de generadores del subespacio L. Si ademas,
S es un conjunto de vectores linealmente independientes entonces se dice que S es
una base del subespacio vectorial L.
La propiedad 2.2.4 nos dice que si S es un sistema de generadores de L y elimi-
namos aquellos vectores de S que sean combinaci on lineal de los restantes, entonces
seguimos teniendo un sistema de generadores de L. De esta forma siempre sera
posible obtener un sistema de generadores que ademas sea linelmente independiente
y, en denitiva, siempre sera posible obtener una base de un subespacio vectorial
nitamente generado.
Ejemplo 2.7
Los vectores (1, 0), (0, 1) forman un base de R
2
.
Sea o el subespacio vectorial de R
3
generado por los vectores
v
1
= (1, 1, 1, 1), v
2
= (2, 1, 0, 1), v
3
= (0, 3, 2, 1).
El conjunto v
1
, v
2
, v
3
es un sistema de generadores de o, sin embargo no es una
base de o dado que no son linealmente independientes al ser v
3
combinacion lineal
de v
1
y v
2
,
v
3
= 2v
1
v
2
.
Ahora bien, teniendo en cuenta que
S =
v
1
, v
2
, v
3
_
=
v
1
, v
2
_
,
donde ahora los vectores v
1
y v
2
son linealmente independientes. Por tanto, podemos
concluir diciendo que v
1
, v
2
es una base de o.
Propiedad 2.3.1 Un conjunto de vectores B = v
1
, v
2
, . . . , v
n
es una base de
un espacio vectorial 1 si, y solo si, cualquier vector de 1 se expresa de forma unica
como combinacion de los vectores de B.
Sea B = v
1
, v
2
, . . . , v
n
una base de 1. Por la Propiedad 2.3.1, cualquier vector
v 1 puede escribirse como combinaci on lineal unica de los vectores de B, es decir,
v =
1
v
1
+
2
v
2
+
k
v
k
,
30 BASES Y DIMENSI
ON
donde
1
,
2
, . . . ,
k
, son n umeros reales unvocamente determinados.
Los n umeros reales
1
,
2
, . . . ,
k
se denominan coordenadas del vector v respecto de
la base B.
2.3.1 Base canonica de R
n
Como sabemos el conjunto B = (1, 0), (0, 1) es una base de R
2
. Dicha base recibe
el nombre de base canonica de R
2
y es la que suele utilizarse para estudiar los
problemas de geometra en el plano. Cualquier vector de R
2
viene determinado de
forma unica como combinaci on lineal de los vectores de B. Mas concretamente,
cualquier (x, y) R
2
, puede escribirse como
(x, y) = x(1, 0) + y(0, 1).
Los n umeros x e y se denominan coordenadas del vector (x, y).
En general, el conjunto B = e
1
, e
2
, , e
n
de vectores de R
n
, denidos por
e
i
= (0, 0, . . . ,
i
..
1 , 0, . . . , 0),
para i = 1, 2, , n, determinan una base de R
n
que se denomina base canonica de
R
n
. Cualquier vector x = (x
1
, x
2
, . . . , x
n
) R
n
se escribe como
x = x
1
e
1
+ x
2
e
2
+ + x
n
e
n
.
2.3.2 Dimension de un espacio vectorial
Un espacio vectorial 1 no tiene una base unica. As, por ejemplo, los conjuntos
B = (1, 0), (0, 1) y B
= (1, 1), (0, 1) son bases de R

2
(De hecho, una base de
R
2
estara formada por dos vectores cualesquiera v
1
y v
2
, no nulos, que no sean
proporcionales; geometricamente signicara que tienen distinta direccion).
Sin embargo, todas las bases de un espacio vectorial 1 tienen algo en com un: el
mismo n umero de vectores. A tal n umero se le llamara dimension del espacio vec-
torial 1, y lo denotaremos mediante dim(V ).
Ejemplo 2.8
Dado que la base canonica de R
n
tiene n vectores, podemos asegurar que cualquier
base de R
n
tendra n vectores y que, por tanto, dim(R
n
) = n. .
El conjunto de polinomios 1, x, x
2
, x
3
, . . . , x
n
forman una base de P
n
[x], por lo que
dim(P
n
[x]) = n + 1.
Las matrices
_
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
_
forman una base de /
2
(R), por lo que dim(/
22
(R)) = 4.
En general, se cumple que dim(/
mm
(R)) = mn.
El siguiente resultado nos permite decidir cuando un conjunto de n vectores de R
n
forman una base de R
n
.
Resultado 2.3.1 Un conjunto B = v
1
, v
2
, . . . , v
n
de vectores de R
n
es una
base de R si, y solo si,
det (v
1
[ v
2
[ . . . [ v
n
) ,= 0.
Ejemplo 2.9
Los vectores v
1
= (1, 0, 1), v
2
= (0, 1, 3) y v
3
= (3, 1, 1) forman una base de R
3
,
dado que
det (v
1
[ v
2
[ v
3
) =
1 0 3
0 1 1
1 3 1
= 1 ,= 0.
Los vectores v
1
= (1, 2), v
2
= (2, 4) no son una base de R
2
, dado que
det (v
1
[ v
2
) =
1 2
2 4
= 0.
El resultado anterior puede establecerse de manera mas general como sigue,
Resultado 2.3.2 Sea o =
v
1
, v
2
, . . . , v
k
_
, donde v
1
, v
2
, . . . , v
k
R
n
. En-
tonces se cumple que
dim(o) = rango (v
1
[ v
2
[ . . . [ v
k
) .
Ejemplo 2.10
Sea o el subespacio vectorial de R
4
, generado por los vectores,
v
1
= (1, 1, 1, 1) , v
2
= (2, 1, 0, 1) y v
3
= (0, 3, 2, 1) .
Entonces, dim(o) = rango (v
1
[ v
2
[ v
3
) = rango
_
1 1 1 1
2 1 0 1
0 3 2 1
_
= 2.
2.3.3 Cambio de base en un espacio vectorial
Sea 1 un espacio vectorial de dimension n y supongamos que tenemos dos bases
B = u
1
, u
2
, . . . , u
n
y B
= v
1
, v
2
, . . . , v
n
. Como sabemos, cualquier vector x de
1 podra escribirse de forma unica como combinacion lineal de los vectores de B y
de B
.
Respecto de la base B, el vector x tendra unas coordenadas (x
1
, x
2
, . . . , x
n
), es decir,
se podra expresar en la forma
x = x
1
u
1
+ x
2
u
2
+ + x
n
u
n
= (x
1
, x
2
, . . . , x
n
)
_
_
_
_
u
1
u
2
.
.
.
u
n
_
_
_
_
. (2.3.1)
32 BASES Y DIMENSI
ON
Analogamente, el vector x tendra unas coordenadas (x
1
, x
2
, . . . , x
n
) respecto de la
base B
, es decir,
x = x
1
v
1
+ x
2
v
2
+ + x
n
v
n
= (x
1
, x
2
, . . . , x
n
)
_
_
_
_
v
1
v
2
.
.
.
v
n
_
_
_
_
. (2.3.2)
Que relacion existe entre (x
1
, x
2
, . . . , x
n
) y (x
1
, x
2
, . . . , x
n
)?
A partir de (2.3.1) y (2.3.2) obtenemos la igualdad en forma matricial
(x
1
, x
2
, . . . , x
n
)
_
_
_
_
u
1
u
2
.
.
.
u
n
_
_
_
_
= (x
1
, x
2
, . . . , x
n
)
_
_
_
_
v
1
v
2
.
.
.
v
n
_
_
_
_
(2.3.3)
que se llama ecuacion general del cambio de base. La ecuacion (2.3.3) puede es-
cribirse abreviadamente en la forma
(x
1
, x
2
, . . . , x
n
)B = (x
1
, x
2
, . . . , x
n
)B
, (2.3.4)
donde B y B
son las matrices cuyos vectores la son las coordenadas de los vectores
de las bases B y B
respectivamente. Dado que B y B
son bases, entonces necesari-

amente las matrices B y B
son regulares (su determinantes es distinto de cero) y,

por tanto, existen sus matrices inversas B
1
y (B
)
1
.
La ecuacion (2.3.3) nos permite conocer las coordenadas (x
1
, x
2
, . . . , x
n
) respecto de
B
conocidas las coordenadas (x

1
, x
2
, . . . , x
n
) respecto de B o viceversa, mediante las
igualdades
(x
1
, x
2
, . . . , x
n
) = (x
1
, x
2
, . . . , x
n
)B(B
)
1
,
(x
1
, x
2
, . . . , x
n
) = (x
1
, x
2
, . . . , x
n
)B
B
1
.
Ejemplo 2.11
En R
2
se consideran la base canonica B = (1, 0), (0, 1) y la base B
= (2, 1), (3, 0).

La ecuacion general del cambio de base vendra dada por
(x
1
, x
2
)
_
1 0
0 1
_
= (x
1
, x
2
)
_
2 1
3 0
_
.
Si el vector x = (1, 5) respecto de la base B para determinar sus coordenadas
respecto de la base B
utilizamos la igualdad
(1, 5)
_
1 0
0 1
_
= (x
1
, x
2
)
_
2 1
3 0
_
,
de donde se obtiene que
(x
1
, x
2
) = (1, 5)
_
1 0
0 1
__
2 1
3 0
_
1
= (1, 5)
_
0
1
3
1
2
3
_
= (13, 1),
luego x = (13, 1) respecto de B
.
Ejercicio 2.12
Si x = (1, 2, 1) respecto de la base B = (1, 1, 0), (0, 1, 1), (1, 0, 1), hallar las coor-
denadas del vector x respecto de la base canonica de R
3
.
Sean B = u
1
, u
2
, u
3
y B = v
1
, v
2
, v
3
dos bases de R
3
, tales que v
1
= u
2
+ u
3
,
v
2
= u
1
+u
3
y v
3
= u
1
+u
2
. Hallar las ecuaciones del cambio de la base B a B
y
de la base B
a B.
Dadas las bases de R
3
, B = u
1
= (2, 1, 0), u
2
= (1, 0, 1), u
3
= (0, 1, 2) y B
=
v
1
= (0, 1, 1), v
2
= (1, 0, 0), v
3
= (2, 0, 1).
a) Hallar la expresion analtica del cambio de base de B a B
, de B
a B y de B
a
la base canonica.
b) Si a = (1, 1, 1) respecto de B, cuales son sus coordenadas respecto de B
.?
c) Si

b = v
1
v
2
, escribir la expresion de

b respecto de B.
2.4 SUMA E INTERSECCI
ON DE SUBESPACIOS
2.4.1 Suma de subespacios
Definici
on 4 Sea 1 un espacio vectorial y L y M dos subespacios vectoriales

de 1. Se dene el conjunto
L + M = w : w = u +v con u L, v M,
es decir, un vector w L + M si se puede escribir como suma de un vector de L y
un vector de M.
El conjunto L + M es un subespacio vectorial de 1 que llamaremos subespacio vec-
torial suma de L y M.
Si conocemos un sistema de generadores de los espacios L y M, entonces es muy
facil determinar cual es el subespacio L + M.
Propiedad 2.4.1 Si L = L(S) y M = L(S
), entonces L + M = L(S S
).
Ejemplo 2.13
Consideremos los subespacios vectoriales de R
4
dados por
L = (1, 2, 3, 4), (1, 1, 2, 1)), M =
_
2x
2
x
3
= 0
x
1
+x
4
= 0
.
Para determinar el subespacio L+M necesitamos conocer un sitema de generadores
de L y de M. En nuestro caso, solo hemos de determinar un sistema de generadores
de M. Para ello resolvemos el sistema dado por las ecuaciones cartesianas de M.
_
2x
2
x
3
= 0
x
1
+x
4
= 0

_
x
1
= x
4
x
3
= 2x
2
_
x
1
= x
4
x
2
=
x
3
= 2x
2
x
4
=
_
x
1
=
x
2
=
x
3
= 2
x
4
=
_
_
_
x
1
x
2
x
3
x
4
_
_
_
=
_
_
_
1
0
0
1
_
_
_
+
_
_
_
0
1
2
0
_
_
_
.
34 SUMA E INTERSECCI
ON DE SUBESPACIOS
Luego M = (1, 0, 0, 1), (0, 1, 2, 0)) y, por tanto,
L +M = (1, 2, 3, 4), (1, 1, 2, 1), (1, 0, 0, 1), (0, 1, 2, 0)).
Ahora bien, dado que
1 2 3 4
1 1 2 1
1 0 0 1
0 1 2 0
= 0
dichos vectores no forman una base de L +M.
Para determinar una base de L+M debemos seleccionar un conjunto de vectores que
sean linealmente independientes. Para ello podemos calcular el rango de la matriz
A =
_
_
_
1 2 3 4
1 1 2 1
1 0 0 1
0 1 2 0
_
_
_
De esta forma sabremos cuantos vectores hay linealmente independiente y cuales
son. Para ello procedemos de la siguiente forma:
1) Seleccionamos un menor de orden 2 distinto de cero. En nuestro caso, podemos
tomar el menor formado por las dos primeras las y las dos primeras columnas
dado que
1 2
1 1
,= 0.
2) Tomamos los menores de orden 3 obtenidos orlando las y columnas al menor
de orden 2 seleccionado anteriormente hasta encontrar un menor de orden 3 que
sea distinto de cero.
Orlamos la 3
a
la y la 3
a
columna
1 2 3
1 1 2
1 0 0
= 1 ,= 0,
Por lo que concluimos que rango(A)=3 y que una base de L+M viene dada por
los vectores (1, 2, 3, 4), (1, 1, 2, 1), (1, 0, 0, 1). Por tanto, dim(L +M) = 3.
2.4.2 Interseccion de dos subespacios
Definici
on 5 Sea 1 un espacio vectorial y L y M dos subespacios vectoriales

de 1. Se dene el conjunto
L M = w : w L y w M.
El conjunto L M es un subespacio vectorial de 1 que llamaremos subespacio vec-
torial interseccion de L y M.
Propiedad 2.4.2 Las ecuaciones cartesianas de L M vienen dadas por el
sistema formado por las ecuaciones cartesianas de L y las de M.
Ejemplo 2.14
Consideremos los subespacios vectoriales de R
4
dados por
L = (1, 2, 3, 4), (1, 1, 2, 1)), M =
_
2x
2
x
3
= 0
x
1
+x
4
= 0
.
Para determinar el subespacio LM necesitamos conocer las ecuaciones cartesianas
de L y de M. En nuestro caso, solo hemos de determinar las ecuaciones cartesianas
de L. Para ello partimos de las ecuaciones parametricas
x L
_
_
_
x
1
x
2
x
3
x
4
_
_
_
=
_
_
_
1
2
3
4
_
_
_
+
_
_
_
1
1
2
1
_
_
_

_
_
x
1
=
x
2
= 2 +
x
3
= 3 + 2
x
4
= 4 +
.
Eliminando los parametros y en las ecuaciones parametricas de L se obtienen
las ecuaciones cartesianas
L =
_
x
1
5x
2
+ 3x
3
= 0
2x
1
+ 5x
2
3x
4
= 0
.
Por tanto, el subespacio vectorial L M viene dado por las ecuaciones cartesianas
L M =
_
_
x
1
5x
2
+ 3x
3
= 0
2x
1
+ 5x
2
3x
4
= 0
2x
2
x
3
= 0
x
1
+x
4
= 0
Resolviendo el sistema anterior se obtiene
_
_
x
1
=
x
2
=
x
3
= 2
x
4
=
, R
_
_
_
x
1
x
2
x
3
x
4
_
_
_
=
_
_
_
1
1
2
1
_
_
_
,
por lo que L M = (1, 1, 2, 1)) y, en consecuencia, dim(L M) = 1.
2.4.3 Teorema de la dimension
Resultado 2.4.1 Sean L y M subespacios vectoriales de 1. Entonces se
cumple que
dim(L +M) = dim(L) + dim(M) dim(L M).
Ejercicio 2.15
Probar que se cumple el Teorema de la dimension para los subespacios L y M del
Ejemplo 2.10.
Sea L el conjunto de las matrices cuadradas de orden 2 tales que la suma de sus
columnas es cero y M el conjunto de las matrices cuadradas de orden 2 tales que las
suma de sus las es cero.
a) Probar que L y M son subespacios vectoriales de /
22
(R).
b) Obtener una base de L, M, L +M y L M.
c) Calcular dim(L), dim(M), dim(L +M) y dim(L M).
36 SUMA E INTERSECCI
ON DE SUBESPACIOS
d) Comprobar que se cumple el Teorema de la dimension.
Sean L y M los siguientes subconjuntos de P
4
[x], el conjunto de los polinomios de
grado menor o igual que 4 en la variable x, dados por
L = p(x) P
4
[x] : p(1) = 0, p
(1) = 0, M = 1 x, 3 4x +x
4
).
a) Probar que L es un subespacios vectorial de P
4
[x].
b) Obtener una base de L, M, L +M y L M.
c) Calcular dim(L), dim(M), dim(L +M) y dim(L M).
4) Comprobar que se cumple el Teorema de la dimension.
2.4.4 Suma directa de dos subespacios. Subespacios complementarios.
Definici
on 6 Sean L y M dos subespacios vectoriales de 1. Si L M =
0,
entonces al subespacio vectorial L+M se le denomina suma directa de los subespacios
L y M y se denota por L M.
Aplicando el Teorema de la dimension se obtiene que:
dim(L M) = dim(L) + dim(M) .
Definici
on 7 Sean L y M dos subespacios vectoriales de 1. Se dice que L y M

son subespacios complementarios si,
1 = L M.
Ejemplo 2.16
En P
2
[x] consideramos el subespacio vectorial L formado por todos los polinomios
tales que p
(1) = 0. Nos planteamos encontrar el subespacio vectorial complemen-

tario de L, es decir, un subespacio M de P
2
[x] de forma que
L M = P
2
[x].
Cualquier polinomio p(x) P
2
[x] puede escribirse en la forma
p(x) = a
0
+a
1
x +a
2
x
2
.
Observemos que el polinomio p(x) puede identicarse con el vector de R
3
dado por
p = (a
0
, a
1
, a
2
), es decir,
P
2
[x] R
3
p(x) = a
0
+a
1
x +a
2
x
2
p = (a
0
, a
1
, a
2
)
Esta identicacion nos permite trabajar exactamente igual que lo haramos con
vectores de R
3
.
La condicion p
(1) = 0 se transforma en la ecuacion a

1
+ 2a
2
= 0. En efecto,
p
(x) = a
1
+ 2a
2
x, p
(1) = 0 a
1
+ 2a
2
= 0,
que determina la ecuacion cartesiana del subespacio L. Resolviendo esta ecuacion
obtenemos
a
1
+ 2a
2
= 0
_
a
0
=
a
1
= 2
a
2
=
_
a
0
a
1
a
2
_
=
_
1
0
0
_
+
_
0
2
1
_
por lo que un sistema de generadores de L viene dado por los vectores p
1
= (1, 0, 0) y
p
2
= (0, 2, 1) que se corresponden con los polinomios p
1
(x) = 1 y p
2
(x) = 2x+x
2
,
es decir,
L = p
1
, p
2
) = (1, 0, 0), (0, 2, 1)) = p
1
(x), p
2
(x)) = 1, 2x +x
2
).
Ademas, puesto que los vectores p
1
y p
2
son linealmente independientes podemos
asegurar que p
1
, p
2
forman una base de L.
Para determinar el subespacio M lo que se hace es completar la base de L hasta
obtener una base de R
3
. Para ello basta a nadir un vector p
3
de forma que
det( p
1
[ p
2
[ p
3
) ,= 0.
En nuestro caso, podemos considerar el vector p
3
= (0, 0, 1) dado que
det( p
1
[ p
2
[ p
3
) =
1 0 0
0 2 1
0 0 1
= 2 ,= 0.
El subespacio M complementario de L sera el generado por el vector p
3
= (0, 0, 1)
que se corresponde con el subespacio vectorial de P
2
[x] generado por el polinomio
p
3
(x) = x
2
, es decir,
M = p
3
) = (0, 0, 1)) = p
3
(x)) = x
2
).
Ejercicio 2.17
Sea L el subespacio vectorial de /
22
(R) formado por las matrices tales que la suma
de las las es cero. Determinar el espacio complementario de L.
En R
4
se consideran los subespacios dados por
L =
_
x
1
+x
2
+x
3
+x
4
= 0
x
1
x
4
= 0
, M = (1, 0, 1, 0), (0, 2, 0, 1)).
Probar que L M = R
4
.
AMENES ANTERIORES
1.- En el espacio vectorial /
23
(R) se considera el conjunto de matrices
o =
__
a b a
0 c 0
_
: a, b, c R
_
.
a) ] Probar que o es un subespacio vectorial de /
23
(R).
b) Escribir las ecuaciones cartesianas y parametricas de o.
c) Calcular la dimension de o y encontar una base de o.
d) Encontrar un subespacio T de /
23
(R) de forma que
o T = /
23
(R).
2.- Sea H el conjunto de las matrices cuadradas de orden 2 dado por
H =
__
+

_
: , R
_
.
38 EJERCICIOS PROPUESTOS EN EX
AMENES ANTERIORES
a) Probar que H es un subespacio vectorial de /
22
(R).
b) Escribir las ecuaciones cartesianas y parametricas de H.
c) Calcular la dimension de H y encontrar una base de H.
d) Dado el subespacio
H
1
=
__
0 1
a 0
_
,
_
1 0
0 1
__
,
obtener, si es posible, el valor de a para que H
1
= H.
3.- Dados los subespacios vectoriales L y M de R
4
denidos por
L = (1, 2, , 1), (1, 0, 1, 1)),
M = (x
1
, x
2
, x
3
, x
4
) R
4
: x
2
x
3
= 0, x
1
x
2
+ x
4
= 0,
determinar, si es posible, el valor de para que L M = R
4
.
4.- Sean B y B
dos bases de R
2
. Obtener la base B sabiendo que B
= (1, 1), (2, 1)

y que la matriz del cambio de base de B a B
es
_
1 2
2 5
_
.
5.- Sea T el espacio vectorial de las funciones continuas de R en R. Se considera
el subespacio vectorial L generado por las funciones f
1
(x) = 1, f
2
(x) = sen
2
x,
f
3
(x) = cos
2
x, f
4
(x) = sen 2x y f
5
(x) = cos 2x.
a) Determinar una base de L.
b) Calcular las coordenadas de f(x) = cos 2x +sen 2x respecto de la base ante-
rior.
Nota: Se sabe que sen
2
x =
1 cos 2x
2
y cos
2
x =
1 + cos 2x
2
.
6.- Sea P
2
[x] el espacio vectorial de los polinomios de grado menor o igual que 2 y
W
1
el subespacio vectorial vectorial de P
2
[x] dado por
W
1
= p(x) P
2
[x] : p(x) = a + c + (2b + c a)x + (b + c)x
2
, a, b, c R.
a) Encontrar las ecuaciones implcitas de W
1
.
b) Determinar un subespacio vectorial W
2
de P
2
[x] de forma que
W
1
W
2
= P
2
[x].
7.- Dados los subespacios vectoriales de /
22
(R) denidos por
F = A /
22
(R) : tr(A) = 0, G = I
2
).
a) Determinar las ecuaciones cartesianas y parametricas de F.
b) Probar que F G = /
22
(R).
3 SISTEMAS DE ECUACIONES LINEALES.
Los sistemas de ecuaciones lineales aparecen en cualquier campo de la ciencia.
Este captulo trata sobre los topicos relativos a la resolucion de sistemas de
ecuaciones lineales. Estudiaremos su clasicacion y algunos metodos de res-
olucion de los mismos, como el teorema de Rouche-Frobenius y el metodo de
Gauss.
3.1 PRELIMINARES.
3.1.1 Primeros conceptos
Consideremos los siguientes sistemas de ecuaciones de orden 2 2.
S
1

_
x + 2y = 3
2x y = 1
, S
2

_
2x y = 1
4x 2y = 8
, S
3

_
2x y = 1
4x 2y = 2
.
Estos sistemas pueden resolverse utilizando cualquiera de los metodos algebraicos
conocidos (reduccion, igualacion o sustitucion).
Por otra parte, si consideramos cada una de las ecuaciones de los sistemas anteriores
como la ecuacion de una recta en el plano podemos dar una interpretacion graca
de la soluciones de cada uno de los sistemas.
Las soluciones seran precisamente los
puntos de intersecci on de ambas rectas.
El sistema S
1
esta formado por las ecua-
ciones de dos rectas r y s que se cortan
en el punto (1, 1). El sistema S
1
tiene
solucion unica:
_
x = 1
y = 1
.
(1, 1)
s
:
2
x
y
=
1
r
:
x
+
2
y
=
3
39
40 PRELIMINARES.
r
:
2
x
y
=
1
r
:
4
x
2
y
=
8
El sistema S
2
esta formado por las ecua-
ciones de dos rectas r y s que son
paralelas. Por tanto, las rectas r y s
no tienen ning un punto en com un, lo
que signica que el sistema S
2
no tiene
solucion.
Finalmente, el sistema S
3
esta formado
por las ecuaciones de dos rectas coinci-
dentes. El sistema tiene, por tanto, in-
nitas soluciones. Cualquier punto de la
recta r es solucion del sistema. Para obte-
ner soluciones particulares del sistema
damos un valor a la incognita x y, susti-
tuyendo en la ecuacion 2x y = 1, obte-
nemos el correspondiente valor de y.
x = 1 y = 1.
r
:
2
x
y
=
1
s
:
4
x
2
y
=
2
Para expresar la solucion general del sistema damos a x un valor arbitrario (x =
, R) y calculamos el correspondiente valor de y.
x = y = 2 1.
La solucion general del sistema S
3
sera,
_
x =
y = 2 1
, R.
El n umero se llama parametro. Observese que la solucion general del sistema viene
dada, precisamente, por las ecuaciones parametricas de la recta r.
Resolvamos algebraicamente los sistemas anteriores, utilizando el metodo de re-
duccion, para ver como se traducen estas tres situaciones:
S
1

_
x + 2y = 3
2x y = 1

E
1
E
1
E
2
E
2
2E
1
_
x + 2y = 1
5y = 5
.
La segunda ecuacion del sistema resultante nos permite despejar la incognita y. Se
obtiene y = 1. Sustituyendo este valor en la primera ecuacion se llega a que x = 1.
S
2

_
2x y = 1
4x 2y = 8

E
1
E
1
E
2
E
2
2E
1
_
2x y = 1
0 = 6
.
La segunda ecuacion del sistema resultante es una contradicci on. Esto signica que
las ecuaciones del sistema son incompatibles. El sistema no tiene solucion.
S
2

_
2x y = 1
4x 2y = 2

E
1
E
1
E
2
E
2
2E
1
_
2x y = 1
0 = 0
.
SISTEMAS DE ECUACIONES LINEALES. 41
La segunda ecuacion del sistema resultante es una identidad. Esto signica que la
ecuacion 4x 2y = 2 no aporta nada al sistema y podra suprimirse. De hecho, se
observa que esta ecuacion es combinacion lineal de la primera (E
1
= 2E
2
).
3.1.2 Deniciones y notaciones
Un sistema lineal de m ecuaciones y n incognitas es un conjunto de ecuaciones de
la forma
S
_
_
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= c
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= c
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
a
m1
x
1
+ a
m2
x
2
+ +a
mn
x
n
= c
m
, (3.1.1)
siendo a
ij
R, los coecientes, c
i
R, los terminos independientes y x
j
las
incognitas, para i = 1, . . . , m y j = 1, . . . , n.
Una solucion del sistema (3.1.1) es cualquier conjunto de n valores reales
(x
1
, x
2
, . . . , x
n
) R
n
que satisfacen el sistema. Resolver un sistema lineal consistira en:
1.- determinar si tiene solucion y,
2.- en caso armativo, hallar el conjunto de todas sus soluciones, que notaremos
por C
S
.
Ejemplo 3.1
Las ternas (3, 0, 0) y (2, 4, 1) son soluciones del sistema
S
_
_
x + 2y + 3z = 3
y + 4z = 0
x y +z = 3
x + 5z = 3
En este caso, el conjunto solucion del sistema S es
C
S
= (3 5, 4, ), R,
que habitualmente se indica en la forma
_
x = 3 5
y = 4
z =
, R.
La expresion anterior recibe el nombre de solucion general del sistema o ecuaciones
parametricas del sistema.
3.1.2.1 Expresion matricial de un sistema. El sistema (3.1.1) puede escribirse
en forma matricial como
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
mn
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
=
_
_
_
_
c
1
c
2
.
.
.
c
m
_
_
_
_
.
42 PRELIMINARES.
Llamando
A =
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
mn
_
_
_
_
, X =
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
, C =
_
_
_
_
c
1
c
2
.
.
.
c
m
_
_
_
_
,
el sistema (3.1.1) puede escribirse abreviadamente como
A X = C. (3.1.2)
La matriz A se denomina matriz de coecientes del sistema, X vector columna de
incognitas y C vector columna de terminos independientes.
En lo que sigue tambien consideraremos la matriz
B =
_
_
_
_
a
11
a
12
a
1n
c
1
a
21
a
22
a
2n
c
2
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
mn
c
m
_
_
_
_
que llamaremos matriz ampliada del sistema.
Ejemplo 3.2
El sistema S
_
_
x + 2y + 3z = 3
y + 4z = 0
x y +z = 3
x + 5z = 3
puede escribirse matricialmente como
_
_
_
1 2 3
0 1 4
1 1 1
1 0 5
_
_
_
_
x
y
z
_
=
_
_
_
3
0
3
3
_
_
_
.
En este caso,
A =
_
_
_
1 2 3
0 1 4
1 1 1
1 0 5
_
_
_
, X =
_
x
y
z
_
, C =
_
_
_
3
0
3
3
_
_
_
, B =
_
_
_
1 2 3 3
0 1 4 0
1 1 1 3
1 0 5 3
_
_
_
.
3.1.3 Clasicacion de los sistemas lineales
Los ejemplos que hemos comentado en la seccion 2.1 muestran las 3 situaciones
que nos podemos encontrar cuando resolvamos un sistema de ecuaciones lineales.
Atendiendo al conjunto de soluciones, los sistemas pueden ser:
Sistema
_
_
COMPATIBLE Tiene solucion
_
_
_
DETERMINADO Solucion unica
INDETERMINADO Innitas soluciones
INCOMPATIBLE No tiene solucion
Por otra parte, atendiendo al vector de terminos independientes un sistema se dice
homogeneo si la matriz C = 0; en caso contrario, el sistema se dice completo.
Observese que cualquier sistema homogeneo admite siempre como solucion a la
solucion trivial (0, , 0), as todo sistema homogeneo es compatible.
Ejemplo 3.3
El sistema S
_
x +y +z = 0
x y z = 0
2x + 2y +z = 0
es un sistema homogeneo y compatible determi-
nado con solucion trivial (x, y, z) = (0, 0, 0).
3.1.4 Teorema de Rouche-Frobenius.
El siguiente teorema nos permite clasicar los sistemas de ecuaciones lineales medi-
ante el calculo de los rangos de la matriz de coecientes y de la matriz ampliada.
Teorema 3.1.1 Consideremos el sistema
S
_
_
a
11
x
1
+a
12
x
2
+ + a
1n
x
n
= c
1
a
21
x
1
+a
22
x
2
+ + a
2n
x
n
= c
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
a
m1
x
1
+ a
m2
x
2
+ +a
mn
x
n
= c
m
Entonces se cumple que el sistema S es
i) compatible determinado si, y solo si, rango(A) = rango(B) = n,
ii) compatible indeterminado si, y solo si, rango(A) = rango(B) < n.
iii) Incompatible si, y solo si, rango(A) ,= rango(B).
Resulta evidente que no existe la posibilidad de que rango(A) = rango(B) > n, pues
A /
mn
.
Ejemplo 3.4
Consideremos el sistema
_
_
x +t = 1
y +z +t = 1
y +z = 0
x +y = 1
x t = 0
_
_
_
_
_
1 0 0 1
0 1 1 1
0 1 1 0
1 1 0 0
1 0 0 1
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
=
_
_
_
_
_
1
1
0
1
0
_
_
_
_
_
.
En primer lugar observemos que rango(A) = 4, dado que podemos seleccionar un
menor de orden 4 en la matriz A que es distinto de cero,
1 0 0 1
0 1 1 0
1 1 0 0
1 0 0 1
1 0 1
1 1 0
1 0 1
1 1
1 1
= 2 ,= 0.
A continuacion estudiamos el rango de la matriz ampliada
B =
_
_
_
_
_
1 0 0 1 1
0 1 1 1 1
0 1 1 0 0
1 1 0 0 1
1 0 0 1 0
_
_
_
_
_
.
44 RESOLUCI
ON DE SISTEMAS
Puesto que [B[ = 1 ,= 0, resulta que rango(B) = 5.
Como rango(A) ,= rango(B), el teorema de Rouche-Frobenius nos asegura que el
sistema es incompatible.
Ejercicio 3.5
Clasicar el siguiente sistema seg un los diferentes valores de m
_
(m+ 2)x
1
+x
2
+x
3
+mx
4
= 0
mx
1
+ (m1)x
2
+x
3
+ (m1)x
4
= 1 m
(m+ 1)x
1
+ (m+ 1)x
3
= 4
Soluci on: Estudiamos el rango de la matriz
A =
_
m+ 2 1 1 m
m m1 1 m1
m+ 1 0 m+ 1 0
_
.
Para ello, calculamos el valor de los posibles menores de orden 3 de la matriz A,
1 1 m
m1 1 m1
0 m+ 1 0
= (m+ 1) (m1)
2
m+ 2 1 m
m 1 m1
m+ 1 m+ 1 0
= m
2
+ 1
m+ 2 1 m
m m1 m1
m+ 1 0 0
= (m+ 1)
_
2m1 m
2
_
m+ 2 1 1
m m1 1
m+ 1 0 m+ 1
= (m1) m(m+ 1) .
Todos los menores de orden 3 se anulan simultaneamente solo cuando m = 1. As resulta
que, para m ,= 1, rango(A) = 3. Sustituyendo el valor m = 1 en la matriz A se deduce
facilmente que, en este caso, rango(A) = 2.
Estudiaremos, a continuacion, el rango de la matriz ampliada. Puede comprobarse que
para cualquier valor de m
rango(B) = rango
_
m+ 2 1 1 m 0
m m1 1 m1 1 m
m+ 1 0 m+ 1 0 4
_
= 3.
Resumiendo, pueden presentarse los siguientes casos:
1.- m ,= 1 rango(A) = rango(B) = 3 = n umero de incognitas sistema compatible
determinado
2.- m = 1 rango(A) = 2 ,= rango(B) = 3 sistema incompatible.
3.2 RESOLUCI
ON DE SISTEMAS
3.2.1 Sistemas diagonales
Obviamente, los sistemas de ecuaciones lineales mas faciles de resolver son los que
ya estan resueltos. En estos sistemas, la matriz de coecientes es la matriz iden-
tidad,
_
_
_
_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
=
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
,
y las ecuaciones del sistema son sencillamente de la forma x
i
= c
i
, i = 1, 2, , n.
Estos sistemas son un sistema particular de sistemas diagonales. Un sistema se dice
diagonal si la matriz de coecientes del sistema es una matriz diagonal. En forma
matricial, un sistema diagonal, viene dado por
_
_
_
_
a
11
0 0
0 a
22
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
nn
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
=
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
.
Las ecuaciones de un sistema diagonal son de la forma
a
ii
x
i
= c
i
, i = 1, 2, , n.
Si a
ii
,= 0, para cada i = 1, 2, , n, la solucion se obtiene directamente en la
forma x
i
= c
i
/a
ii
, i = 1, 2, , n, y el sistema sera compatible determinado. Por
el contrario, si a
ii
= 0 para alg un valor de i, el sistema sera indeterminado si el
correspondiente c
i
= 0 (la ecuacion i-esima sera de la forma 0 = 0) o incompatible
si c
i
,= 0 (la ecuacion i-esima resulta una contradicci on 0 = c
i
,= 0).
3.2.2 Sistemas triangulares
Un sistema de ecuaciones lineales de orden mn se llama triangular superior si se
verica que
a
ii
,= 0, i = 0, 1, , k ; a
ij
= 0, si i > j,
siendo k = minm, n; es decir, la matriz de coecientes verica que los elementos
situados en la diagonal principal son todos distintos de cero y los elementos situados
debajo de la diagonal principal son todos nulos.
3.2.2.1 Resolucion de sistemas triangulares. Podemos encontrarnos con las si-
guientes situaciones:
1.- m = n El n umero de ecuaciones es igual al n umeros de incognitas.
En este caso, el sistema sera de la forma
_
_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= c
1
a
22
x
2
+ + a
2n
x
n
= c
2

a
nn
x
n
= c
n
La solucion del sistema se obtiene de forma recursiva:
46 RESOLUCI
ON DE SISTEMAS
Despejamos x
n
en la ultima ecuacion.
Sustituimos su valor en la ecuacion anterior y despejamos x
n1
.
Continuamos el proceso hasta determinar el valor de cada una de las incognitas.
Observemos que esto es posible por la condicion de que a
ii
,= 0, i =
1, 2, , n.
La solucion viene dada por
x
nn
=
c
n
a
nn
, x
i
=
1
a
ii
_
c
i
j=i
a
ij
x
j
_
, i = n 1, , 1.
El sistema tiene, por tanto, solucion unica, es decir, se trata de un sistema
compatible determinado.
2.- m > n El n umero de ecuaciones es mayor que el n umeros de incognitas.
El sistema sera de la forma
_
_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= c
1
a
22
x
2
+ + a
2n
x
n
= c
2

a
nn
x
n
= c
n
0 = c
n+1
.
.
.
0 = c
m
Si alguno de los c
i
, i = n+1, , m, es distinto de cero, entonces se presenta una
contradiccion, es decir, el sistema es incompatible. En cambio, si c
i
= 0 para
i = n + 1, , m, las ultimas mn ecuaciones quedan reducidas a igualdades
del tipo 0 = 0, es decir, no aportan nada al sistema y pueden suprimirse. A
continuacion se procede como en el caso a).
3.- m < n El n umero de ecuaciones es menor que el n umero de incognitas
El sistema sera del tipo
_
_
a
11
x
1
+ a
12
x
2
+ + a
1m
+ + a
1n
x
n
= c
1
a
22
x
2
+ + a
2m
+ + a
2n
x
n
= c
2

a
mm
+ a
mn
x
n
= c
m
En este caso se dice que las incognitas x
m+1
, , x
n
no estan sometidas a
control y, por tanto, podran tomar valores arbitrarios. Para resolver el sistema
procedemos de la siguiente manera:
Asignamos a las variables x
m+1
, , x
n
valores arbitrarios
x
n+1
=
1
, x
n
=
nm
.
A continuaci on despejamos el resto de las incognitas x
i
, j = m, , 1, si-
guiendo el procedimiento descrito en el caso a). Los valores de estas incog-
nitas vendran dados en funcion de
1
, ,
mn
que se llaman parametros.
El sistema es, por tanto, compatible indeterminado (con nm parametros).
Ejemplo 3.6
El sistema
S
_
x + 2y + 3z 3t = 3
y + 4z 2t = 11
,
es un sistema triangular con 2 ecuaciones y 4 incognitas. Las incognitas z y t no
estan sometidas a control. Para resolver el sistema asignamos a estas incognitas
valores arbitrarios,
S
_
_
x + 2y + 3z 3t = 3
y + 4z 2t = 11
z =
t =
, , R.
Ahora podemos despejar el valor de las incognitas y y x, de forma recursiva,
_
_
x = 19 6 + 3
y = 11 4 + 3
z =
t =
, , R.
Se trata de un sistema compatible indeterminado (con 2 parametros).
3.2.3 Sistemas equivalentes. Metodo de resolucion de Gauss
Dos sistemas de ecuaciones S y S
se dicen equivalentes cuando ambos tienen el

mismo conjunto de soluciones, es decir, toda solucion de S es tambien solucion de
S
y viceversa. Resolver un sistema sera, por tanto, lo mismo que resolver otro que
sea equivalente a el.
Resultado 3.2.1 Las operaciones que permiten pasar de un sistema lineal a
otro equivalente son:
1.- Cambiar de orden las incognitas.
2.- Cambiar de orden las ecuaciones.
3.- Multiplicar una ecuacion por un n umero distinto de cero.
4.- Sumar a una ecuacion una combinacion lineal de las restantes.
5.- Suprimir del sistema una ecuacion que sea combinacion lineal de las restantes.
Observemos que estas operaciones guardan una estrecha relacion con las operaciones
elementales sobre matrices que no alteraban el rango de una matriz. De hecho,
en el metodo de Gauss (que exponemos a continuaci on), las operaciones b)-e) se
traduciran en hacer operaciones elementales en las las de la matriz ampliada del
sistema.
3.2.3.1 Metodo de Gauss. El metodo de Gauss consiste en aplicar operaciones
elementales sobre un sistema S para transformarlo en otro que sea equivalente a el
y ademas sea triangular superior.
48 RESOLUCI
ON DE SISTEMAS
Consideremos el sistema
S
_
_
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= c
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= c
2

a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
= c
m
El metodo de Gauss consiste en lo siguiente:
1) Suponemos que a
11
,= 0. Si esto no fuera cierto reordenamos las ecuaciones y/o
las incognitas del sistema para situar en la posicion (1, 1) un coeciente distinto
de cero.(En la practica es aconsejable que a
11
= 1, esto podra conseguirse
dividiendo la primera ecuacion por a
11
o reordenando las ecuaciones y/o las
incognitas, seg un lo que mas interese).
2) A continuaci on mantenemos la 1
a
ecuacion E
1
E
1
y transformamos el resto
de las ecuaciones sumandoles la primera ecuacion multiplicada por a
i1
/a
11
,
E
i
E
i
a
i1
a
11
E
1
, i = 2, , m.
Tras esta operacion se consigue un sistema S
, equivalente al anterior, dado por

S
_
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ + a
1n
x
n
= c
1
a
22
x
2
+ a
23
x
3
+ + a
2n
x
n
= c
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
a
m2
x
2
+a
m3
x
3
+ + a
mn
x
n
= c
m
donde, a
ij
= a
ij

a
i1
a
1j
a
11
, c
i
= c
i
a
i1
c
1
a
11
, i = 2, , m, j = 2, , n.
3) Ahora repetimos el procedimiento anterior para el subsistema (), suponiendo
que a
22
,= 0. En caso contrario reordenamos las ecuaciones y/o las incognitas
del subsistema () para conseguir situar un elemento en la posicion (2, 2) que
sea distinto de cero, ... (En el caso de que sea necesaria una reordenacion de
las incognitas esta tambien afectara a la ecuacion primera).
4) Reiteramos el procedimiento hasta encontrarnos con alguna de las siguientes
situaciones:
Hemos agotado todas las ecuaciones.
Hemos agotado todas las incognitas.
Todos los coecientes del subsistema obtenido son cero.
La resolucion del sistema triangular resultante se hara teniendo en cuenta la tecnica
descrita en la seccion 3.2.2.
Ejercicio 3.7
Resolver el sistema S
_
x +y = 2
2x y + 2z = 3
2x 4z = 2
aplicando el metodo de Gauss
Soluci on:
S
_
x +y = 2
2x y + 2z = 3
2x 4z = 2
E
1
E
1
E
2
E
2
+ 2E
1
E
3
E
3
2E
1
_
x +y = 2
y + 2z = 1
2z 4z = 2
E
1
E
1
E
2
E
2
E
3
E
3
+ 2E
2
_
x +y = 2
y + 2z = 1
0 = 0
La incognita z no esta sometida a control, por lo que le asignamos un valor arbitrario
_
x +y = 2
y + 2z = 1
z =
, R.
Despejando las incognitas y y x se obtiene
_
x = 1 + 2
y = 1 2
z =
, R.
Se trata de un sistema compatible indeterminado (con 1 parametro).
En la practica, con objeto de simplicar las notaciones, las transformaciones anteriores
se aplican directamente sobre la matriz de coecientes del sistema. Las operaciones sobre
cada una de las ecuaciones del sistema se traducen en las correspondientes operaciones
elementales sobre las las de la matriz ampliada.
_
x +y = 2
2x y + 2z = 3
2x 4z = 2
_
1 1 0 2
2 1 2 3
2 0 4 2
_

F
1
F
1
F
2
F
2
+ 2F
1
F
3
F
3
2F
1
_
1 1 0 2
0 1 2 1
0 2 4 2
_

F
1
F
1
F
2
F
2
F
3
F
3
+ 2F
2
_
1 1 0 2
0 1 2 1
0 0 0 0
_

_
x +y = 2
y + 2z = 1
0 = 0
Por otra parte, las transformaciones que hemos efectuado sobre las las de la matriz
ampliada pueden expresarse matricialmente en la forma
F
1
F
1
F
2
F
2
+ 2F
1
F
3
F
3
2F
1
_
F
1
F
2
F
3
_
_
1 0 0
2 1 0
2 0 1
__
F
1
F
2
F
3
_
F
1
F
1
F
2
F
2
F
3
F
3
+ 2F
2
_
F
1
F
2
F
3
_
_
1 0 0
0 1 0
0 2 1
__
F
1
F
2
F
3
_
.
Las matrices
M
1
=
_
1 0 0
2 1 0
2 0 1
_
y M
2
=
_
1 0 0
0 1 0
0 2 1
_
,
se llaman matrices de cambio correspondientes a cada una de las transformaciones. El
efecto producido sobre la matriz ampliada del sistema por cada una de estas transfor-
maciones puede obtenerse multiplicando a izquierda por cada una de estas matrices de
cambio. Mas concretamente, la transformacion 1
a
puede expresarse como
M
1
B =
_
1 0 0
2 1 0
2 0 1
__
1 1 0 2
2 1 2 3
2 0 4 2
_
=
_
1 1 0 2
0 1 2 1
0 2 4 2
_
= B
50 RESOLUCI
ON DE SISTEMAS
y la transformacion 2
a
se corresponde con el producto,
M
2
B
=
_
1 0 0
0 1 0
0 2 1
__
1 1 0 2
0 1 2 1
0 2 4 2
_
= B
.
La matriz B
resultante tras estas transformaciones se puede escribir

B
= M
2
B
= M
2
(M
1
B) = (M
2
M
1
) B = M B,
donde M = M
2
M
1
=
_
1 0 0
0 1 0
0 2 1
_
_
1 0 0
0 1 0
0 2 1
_
=
_
1 0 0
2 1 0
2 2 1
_
.
Podemos decir que la matriz M es la matriz que sintetiza todos las transformaciones que
hemos de efectuar sobre las las de la matriz ampliada o sobre las ecuaciones del sistema
para convertirlo en un sistema triangular equivalente.
Ademas, puesto que la 3
a
la de la matriz nal es nula, la 3
a
la de la matriz M tiene un
signicado especial:
2F
1
+ 2F
2
+ 3F
3
= 0 F
3
= 2F
1
2F
2
,
lo que nos dice que la 3
a
la de la matriz B es combinacion lineal de la 1
a
y la 2
a
las, o
lo que es lo mismo, que la 3
a
ecuacion del sistema S es combinacion lineal de la 1
a
y de la
2
a
. De hecho, E
3
= 2E
1
+ 2E
2
como puede comprobarse directamente.
3.2.4 Metodo de Cramer
Un sistema lineal de n ecuaciones y n incognitas se dice que es un sistema de Cramer
si la matriz de coecientes del sistema es regular.
Si escribimos el sistema en la forma matricial abreviada
A X = C, (3.2.1)
donde A /
n
, entonces la condicion para que (3.2.1) sea un sistema de Cramer es
que det(A) ,= 0. Esta condicion es equivalente a que rango(A) = n, lo que implica
que tambien rango(B) = n. Por tanto, aplicando el Teorema de Rouche-Frobenius
concluimos que todo sistema de Cramer es compatible determinado. Ademas, la
unica solucion del sistema (3.2.1) se puede obtener como
X = A
1
C, (3.2.2)
o equivalentemente, en cada coordenada
i
..
x
i
=
a
11
c
1
a
1n
a
21
c
2
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
c
n
a
nn
[A[
, i = 1, 2, , n, (3.2.3)
donde el determinante que gura en el numerador es el determinante de la matriz de
coecientes en la que hemos sustituido la i-esima columna por el vector de terminos
independientes.
Ejemplo 3.8
El sistema
_
x z = 0
2x y +z = 3
x y + 3z = 4
_
1 0 1
2 1 1
1 1 3
_
_
x
y
z
_
=
_
0
3
4
_
,
es un sistema de Cramer, dado que
det(A) =
1 0 1
2 1 1
1 1 3
= 1 ,= 0.
Para calcular la solucion del sistema podemos utilizar la igualdad (3.2.2),
X = A
1
C
_
x
y
z
_
=
_
1 0 1
2 1 1
1 1 3
_
1
_
0
3
4
_
=
_
2 1 1
5 4 3
1 1 1
__
0
3
4
_
=
_
1
0
1
_
.
El mismo resultado obtendramos si hacemos uso de la formula (3.2.3):
x =
0 0 1
3 1 1
4 1 3
[A[
= 1, y =
1 0 1
2 3 1
1 4 3
[A[
= 0, z =
1 0 0
2 1 3
1 1 4
[A[
= 1.
3.2.4.1 Metodo de Cramer generalizado. La formula (3.2.3) puede aplicarse
tambien para resolver sistemas compatibles que no son de Cramer; es decir, a sis-
temas donde A no es cuadrada o A no es regular. El metodo consistira en reducir
el sistema inicial a otro sistema que sea de Cramer eliminando las ecuaciones que
sean combinaci on lineal de las restantes y pasando al segundo termino las incognitas
que no esten controladas (a las que asignaremos valores arbitrarios). Ilustramos el
metodo con el siguiente ejemplo.
Ejemplo 3.9
Consideremos el sistema S
_
3x 2y 2z = 8
x + 3y + 4z = 5
2x + 5y + 2z = 13
En primer lugar, observamos que no es de Cramer, dado que
det(A) =
3 2 4
1 3 4
2 5 2
= 0,
lo que signica que rango(A) 3.
Veamos si se trata de un sistema compatible. Para ello estudiamos los rangos de la
matriz A y de la matriz ampliada del sistema.
A =
_
3 2 4
1 3 4
2 5 2
_
, B =
_
3 2 4 8
1 3 4 5
2 5 2 13
_
.
Puesto que
3 2
1 3
= 11 ,= 0 rango(A) = 2,
3 2 8
1 3 5
2 5 13
= 0 rango(B) = 2.
52 RESOLUCI
ON DE SISTEMAS
Luego, rango(A) = rango(B) = 2 < 3 = n umero de incognitas y el sistema es com-
patible indeterminado. Para resolver el sistema procedemos de la siguiente forma:
1) Tomamos el menor distinto de cero que hemos seleccionado para determinar el
rango del sistema,
x y

E
1
3 2
E
2
1 3
obtenido tomando las dos primeras las de la matriz A y las dos primeras colum-
nas (que corresponden a las variables x e y).
2) Suprimimos aquellas ecuaciones que no intervienen en este menor (dado que
seran combinacion lineal de las ecuaciones que s intervienen en el). En nuestro
caso, suprimimos la 3
a
.
3) Aquellas incognitas que no intervengan en el menor seleccionado (en nuestro
caso la z) las pasamos al otro termino y le asignamos un valor arbitrario (tales
incognitas no estan sometidas a control).
Tras estas operaciones, el sistema resultante sera:
_
3x + 2y = 8 + 2z
x + 3y = 5 4z
Finalmente, resolvemos el sistema anterior aplicando la formula de Cramer (3.2.3),
x =
8 + 2z 2
5 4z 3
3 2
1 3
=
14 + 14z
11
,
4 8 + 2z
1 5 4z
3 2
1 3
=
23 10z
11
, z = , R.
La solucion vendra dada por
_
_
x =
14
11
+
14
11

y =
23
11

20
11

z =
, R.
3.2.5 Metodo de Gauss-Jordan para el calculo de la matriz inversa
En la practica, la formula
X = A
1
C,
para resolver sistemas de Cramer resulta muy poco operativa debido a que el calculo
de la matriz inversa (utilizando la matriz adjunta) es demasiado engorroso para
n 2. Por otra parte, el calculo de la matriz inversa es una operacion que tiene
interes en si mismo dado que tiene muchas aplicaciones. El metodo de Gauss-Jordan
simplica notablemente el calculo de la inversa de una matriz regular por medio de
la realizacion de combinaciones lineales sobre las las de esta y esta fundamentado
en la siguiente propiedad que ya pusimos de maniesto en la segunda parte del
Ejemplo 2.5.
Resultado 3.2.2 El efecto de la multiplicacion M N es equivalente a realizar
combinaciones lineales en las las de la matriz N. Los coecientes que guran en
estas combinaciones lineales son precisamente los elementos de las las de la matriz
M.
Ejemplo 3.10
Sean M =
_
1 1 3
2 1 1
_
y N =
_
1 2 0
3 0 1
1 3 2
_
, cuyo producto viene dado por
M N =
_
1 1 3
2 1 1
_
_
1 2 0
3 0 1
1 3 2
_
=
_
7 7 5
0 1 3
_
.
Observemos que el primer vector la de la matriz M N puede escribirse como
(7, 7, 5) = 1(1, 2, 0) 1(3, 0, 1) +3(1, 3, 2),
es decir, la primera la de M N se obtiene como combinacion lineal de las las de
la matriz N utilizando como coecientes los elementos de la primera la de M. Lo
mismo ocurre con la segunda la de la matriz M N,
(0, 1, 3) = 2(1, 2, 0) +1(3, 0, 1) +1(1, 3, 2),
donde ahora los coecientes son los elementos de la 2
a
la de la matriz M.
Una situacion analoga se produce sobre las columnas de la matriz M cuando efec-
tuamos el producto M N. Mas concretamente, las columnas de la matriz M N se
obtienen como combinacion lineal de las columnas de M donde los coecientes son
los elementos de las columnas de N. As, por ejemplo, la 2
a
columna de la matriz
M N, puede escribirse como
_
7
1
_
= 2
_
1
2
_
+0
_
1
1
_
3
_
3
1
_
.
Se trata de una combinacion lineal de las columnas de la matriz M utilizando como
coecientes los elementos de la 2
a
columna de la matriz N.
Sea A una matriz regular y sea M = A
1
. Entonces se cumple que
M A = I. (3.2.4)
De acuerdo con la Proposicion 3.2.2, los vectores la de la matriz MA son combina-
ciones lineales de los vectores la de la matriz A. Por tanto, la igualdad (3.2.4) nos
dice que podemos transformar la matriz A en la matriz I efectuando combinaciones
lineales de los vectores la de A. La matriz M es, entonces, la matriz que nos indica
cuales son las combinaciones lineales necesarias para conseguir esta transformacion.
Por otra parte, se tiene que
M I = M = A
1
,
lo que nos indica que si realizamos con los vectores la de la matriz I las mismas
combinaciones lineales que hemos realizado anteriormente en la matriz A, entonces
la matriz I se transforma en A
1
.
Esto nos da un procedimiento para encontrar la inversa de una matriz regular que
se conoce como metodo de Gauss-Jordan. Consiste en lo siguiente:
54 RESOLUCI
ON DE SISTEMAS
a) Hagamos en la matriz A las combinaciones lineales de sus las que sean nece-
sarias para transformarla en la matriz I.
b) Hagamos esas mismas combinaciones lineales con los vectores la de la matriz
I.
c) Cuando la matriz A se haya transformado en la matriz I, entonces la matriz
I se habra convertido en la matriz A
1
.
En la practica consideraremos la matriz (A[I) obtenida ampliando la matriz A con
la matriz I. El metodo de Gauss-Jordan se sintetiza en el siguiente esquema:
(A[I) mediante combinaciones lineales de las (I[A
1
).
Ejercicio 3.11
Calcular la matriz inversa de la matriz A =
_
1 0 3
0 2 1
1 0 0
_
Soluci on:
(A[I) =
_
1 0 3 1 0 0
0 2 1 0 1 0
1 0 0 0 0 1
_
F
1
F
3
F
2
F
2
F
3
F
1
_
1 0 0 0 0 1
0 2 1 0 1 0
1 0 3 1 0 0
_
F
1
F
1
F
2
F
2
F
3
F
3
F
1
_
1 0 0 0 0 1
0 2 1 0 1 0
0 0 3 1 0 1
_
F
1
F
1
F
2

1
2
F
2
F
3

1
3
F
3
_
_
1 0 0 0 0 1
0 1
1
2
0
1
2
0
0 0 1
1
3
0
1
3
_
_
F
1
F
1
F
2

1
2
F
3
F
3
F
3
_
_
1 0 0 0 0 1
0 1 0
1
6
1
2

1
6
0 0 1
1
3
0
1
3
_
_
= (I[A
1
).
La matriz inversa sera A
1
=
_
_
0 0 1
1
6
1
2

1
6
1
3
0
1
3
_
_
.
3.2.6 Sistemas homogeneos.
Una clase de sistemas particularmente sencillos de clasicar son los sistemas ho-
mogeneos. En la primera seccion del captulo ya vimos que un sistema A X = C
es homogeneo cuando C = 0, (todos los c
i
= 0, i = 1, 2, m). De forma evidente,
la solucion trivial es siempre solucion del sistema. Por consiguiente concluimos que
todo sistema homogeneo es un sistema compatible. Ademas, en este tipo de sistemas
el rango de A siempre coincide con el rango de la matriz ampliada B. En denitiva,
el Teorema 3.1.1 se concreta en el siguiente resultado:
Corolario 3.2.1 Un sistema lineal homogeneo es compatible determinado si,
y solo si, rango(A) es igual al n umero de incognitas. En caso contrario, el sistema
es compatible indeterminado.
Ejemplo 3.12
El sistema
_
x +y +z = 0
x y z = 0
2x + 2y +z = 0
es un sistema homogeneo y compatible determinado con solucion trivial (x, y, z) =
(0, 0, 0), cuya forma matricial es
_
1 1 1
1 1 1
2 2 1
__
x
y
z
_
=
_
0
0
0
_
.
3.3 RESOLUCI
ON DE SISTEMAS CON MATHEMATICA.

Mathematica lleva implementado una serie de comandos para la clasicacion y reso-
lucion de sistemas.
Ejemplo 3.13
El sistema
_
_
x +t = 1
y +z +t = 1
y +z = 0
x +y = 1
x t = 0
es incompatible (vease Ejemplo 3.4).
El siguiente comando de Mathematica nos facilita la misma conclusion
Reduce@8x + t 1, y + z + t 1, y + z 0, x + y 1, x t 0<D
False
La solucion del sistema
_
x z = 0
2x y +z = 3
x y + 3z = 4
es (1, 0, 1).
La solucion puede obtenerse com Mathematica mediante el comando
Reduce@8x z 0, 2 x y + z 3, x y + 3 z 4<D
x == 1 y == 0 z == 1
o el comando
Solve@8x z 0, 2 x y + z 3, x y + 3 z 4<D
88x 1, z 1, y 0<<
56 RESOLUCI
ON DE SISTEMAS CON MATHEMATICA.

Tambien podemos emplear el comando siguiente, donde las matrices que aparecen
son la matriz de coecientes A y la de terminos independientes C,
LinearSolveA
i
k
j
j
j
j
j
jj
1 0 1
2 1 1
1 1 3
y
{
z
z
z
z
z
z
,
i
k
j
j
j
j
j
j
0
3
4
y
{
z
z
z
z
z
z
E
i
k
j
j
j
j
j
j
jj
1
0
1
y
{
z
z
z
z
z
z
zz
Para discutir y resolver el sistema
_
(m+ 2)x
1
+x
2
+x
3
+mx
4
= 0
mx
1
+ (m1)x
2
+x
3
+ (m1)x
4
= 1 m
(m+ 1)x
1
+ (m+ 1)x
3
= 4
seg un los valores de m utilizamos el comando
Reduce@8Hm + 2L x
1
+ x
2
+ x
3
+ m x
4
0,
m x
1
+ Hm 1L x
2
+ x
3
+ Hm 1L x
4
1 m, Hm + 1L x
1
+ Hm + 1L x
3
4<D
m == 1 x
2
== -2 x
1
- x
4
+ 2 x
3
== -x
1
- 2 x
2
==
-m
2
+ x
1
m-3 m+ x
1
- 4

m
2
- 1

x
3
==
-m x
1
- x
1
- 4

m+1
x
4
==
-x
1
m
2
- x
1
m+m+7

m
2
- 1
m-1 0 m+ 1 0
A la vista de este resultado se concluye que
a) Si m = 1, el sistema es compatible indeterminado con soluciones
(x
1
, 2x
1
x
4
+ 2, x
1
2, x
4
), x
1
, x
4
R.
b) Si m ,= 1, 1, el sistema es compatible indeterminado con soluciones
_
x
1
,
m
2
+mx
1
3m+x
1
4
m
2
1
,
mx
1
x
1
4
m+ 1
,
m
2
x
1
mx
1
+m+ 7
m
2
1
_
.
c) Si m = 1, el sistema es incompatible.
AMENES ANTERIORES
1.- Discutir y resolver, cuando sea posible, el siguiente sistema de ecuaciones seg un
los valores de a y b,
_
a x + b y +z = 1
x + a b y +z = 1
x + b y + a z = 1
.
2.- Analizar y resolver cuando sea posible el siguiente sistema de ecuaciones seg un
los valores de a y b,
_
_
a x + y + z + t = 1
x + a y + z +t = b
x + y + a z +t = b
2
x + y + z +t = b
3
.
3.- Discutir y resolver, cuando sea posible, el siguiente sistema de ecuaciones seg un
los valores de p y q,
_
x + p(y + z) = q
y + p(x + z) = q
z + p(x + y) = q
.

Matrices y Determinantes

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Matrices y Determinantes

Uploaded by

Copyright:

Available Formats

Indice de contenidos

Area del paralelogramo

1, que llamaremos vector opuesto de v, tal que v +v

on 1 Sea 1 un espacio vectorial. Se dice que el vector v es combinacion

on 3 Sea 1 un espacio vectorial y L un subespacio vectorial de 1. Se

= (1, 1), (0, 1) son bases de R

respectivamente. Dado que B y B

son bases, entonces necesari-

son regulares (su determinantes es distinto de cero) y,

conocidas las coordenadas (x

= (2, 1), (3, 0).

on 4 Sea 1 un espacio vectorial y L y M dos subespacios vectoriales

on 5 Sea 1 un espacio vectorial y L y M dos subespacios vectoriales

on 6 Sean L y M dos subespacios vectoriales de 1. Si L M =

on 7 Sean L y M dos subespacios vectoriales de 1. Se dice que L y M

(1) = 0. Nos planteamos encontrar el subespacio vectorial complemen-

(1) = 0 se transforma en la ecuacion a

= (1, 1), (2, 1)

se dicen equivalentes cuando ambos tienen el

, equivalente al anterior, dado por

resultante tras estas transformaciones se puede escribir

ON DE SISTEMAS CON MATHEMATICA.

ON DE SISTEMAS CON MATHEMATICA.

You might also like