MATRICES, SISTEMAS DE ECUACIONES

LINEALES Y DETERMINANTES
MATRICES:
Es un arreglo rectangular de nmeros ordenandos en filas y columnas,
presenta la siguiente estructura:

(

Los a
ij
los elementos de la matriz las m-n uplas horizontales son las filas, las
m-n uplas verticales son las columna.
El orden de la matriz esta dado por el nmero de filas y columnas


A= [a
ij
]
Donde: i= 1, 2,3,.m
j=1, 2,3,..n
Observacin:
Los elementos de una matriz no necesariamente son nmeros, tambin
pueden ser funciones.

Igualdad de matrices:
Dos matrices Ay B son iguales si y solo si son idnticas, es decir si son del
mismo orden y sus respectivos elementos son iguales.

Matrices y sistemas de ecuaciones lineales
Dado el siguiente sistema:
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
=b
1

a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
=b
2

a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
=b
m
(

,(

) (

,


Donde:
A: es la matriz de los coeficientes
X: es la matriz de las incgnitas
B: es la matriz de los trminos independientes

Matrices equivalentes:
Se dice que una matriz A=[

es equivalente por filas a una matriz
B=[

si B se puede obtener de A por medio de un numero finito de las
llamadas

operaciones elementales por filas.

Operaciones elementales:

Se llaman operaciones elementales o transformaciones elementales por fila
sobre una matriz A:
[

]: intercambiar la fila i-sima y la fila j- sima

[

]: multiplicar la fila i-sima por un escalar k (k0)

[

]: reemplazar la fila i-sima por k veces la fila j- sima ms la fila i-sima

R
i
kR
j
+ R
i

Matriz escalonada:
Se dice que una matriz se encuentra en su forma escalonada si el nmero de
ceros anteriores a la primera componente distinta de cero de una fila crece fila
por fila.
A los nmeros que se encuentran solos en una columna se les llaman
elementos distinguidos.

Rango de una matriz:
Esta dada por la cantidad de filas no nulas en una matriz escalonada.

AX = B
Matriz ampliada:
Es aquella matriz que se forma por coeficientes y los trminos independientes
de un sistema de ecuaciones lineales.
Se denota: [A: B]
El siguiente diagrama resulta til para resolver un sistema de ecuaciones
lineales.

Inicio
AX=B
[A:B]
el sistema es
incompatible
no existe
solucin
r(A):r(AB)
sistema
compatible
r : n
existe
infinitas
soluciones
n-r = k
k: numero de
parametros
hallar las
soluciones
fin
existe
solucin
nica


Ejemplo: resolver
x
1
- 2x
2
+ x
3
- x
4
- x
5
= -6
2x
1
+ 2x
2
- x
3
- x
5
= -4
4x
1
- 3x
2
+ x
3
- 2x
4
- 3x
5
= -16
3x
1
- 6x
2
+ 3x
3
- 3x
4
- 3x
5
= -18
Solucin:
(




, (




,
(




, r(A) = 3 , r(AB) = 3 ,

3x
1
- x
4
-2 x
5
= -10
x
2
= 0
-3 x
3
+ 2x
4
+ x
5
= 8
x
4
= a
x
5
= b

x
2
= 0

; a y b
Ejemplo:
Resolver:
x
1
+ x
2
- x
3
+ x
4
= 0
3x
1
- x
2
+ 2x
3
+ 3x
4
= 7
x
1
+ 2x
2
- 2x
3
- x
4
= -1
3x
3
+ x
4
= 9
Solucin:
(




, (




,
r(A) = r(AB) = 4 = n x
1
= 1 x
2
= 2 x
3
=3 x
4
= 0

Ejemplo:
Para que valores de x el rango de la matriz es menor que 4.
(




,
Solucin:
(




, x 0 (




, (




,
(




,
Se dice que un sistema es homogneo cuando los trminos independientes
son ceros, es decir:

= 0
..........

= 0

CLASES DE MATRICES:
Matriz cuadrada:
Se presenta cuando el nmero de filas es igual al nmero de columnas, se
denota A
nxn

Matriz nula:
es una matriz en la cual todos sus elementos son ceros.
Ejemplo:
0 = (


)

Matriz diagonal:
Es una matriz cuadrada en la cual los elementos fuera de la diagonal principal
son ceros. Ejemplo:
(



+
Matriz escalar:
Es una matriz diagonal en al cual los determinantes d e la diagonal principal
son iguales.
Ejemplo:
(



+

Matriz identidad:
Es una matriz escalar donde los elementos de la diagonal principal es el 1.
Ejemplo:
(



+

Transpuesta de una matriz:
La transpuesta de una matriz A
mxn
es la matriz construida a partir de A
ubicando la i-sima fila de A en la j-sima columna de la, matriz transpuesta.
Notacin: A
t

Si A=[

A
t
= [

=
[

Matriz simtrica:
Se presenta cuando A= A
t
la matriz debe ser cuadrada, los elementos de la diagonal principal
permanecen fijos al efectuar la transposicin.

Matriz antisimetrica:
Se presenta cuando A= - A
t
La matriz debe ser cuadrada, los elementos de la diagonal principal son ceros.

Matriz nilpotente:
Es aquella matriz tal que si existe algn p / A
p
= 0
Se dice que el grado de nilpotencia es p.


Matriz idempotente:
Se dice que una matriz cuadrada A es idempotente si A
2
= A.

Matriz involutiva:
Se dice que una matriz cuadrada A es involutiva si A
2
= I.

Definicin:
Sea A una matriz cuadrada, la traza de A: tr(A) es la suma de elementos de la
diagonal principal de la matriz A.
Tr(A) =

++a
nn

Propiedades:
Sea A y B dos matrices y C un escalar tal que son A y B se puedan hacer
operaciones, entonces:
1) tr(A+B) = tr(A) + tr(B)
2) tr(AB) = tr(BA)
3) tr(CA) = C tr(A)
4) tr(A
t
) = tr(A)
5) (A+B)
t
= A
t
+ B
t

6) (CA)
t
= CA
t

7) (AB)
t
= B
t
A
t

8) (A
t
)
t
= A

OPERACIONES CON MATRICES:
Dadas las matrices A y B del mismo orden se tiene:
A+B = B +A
k(A+B) =kA+kB ; k es un escalar
A-B = A+ (-B)

Producto de matrices:
A=[

B=[

Entonces, AB=C = [

]

Propiedades:
1) A(BC) = (AB)C
2) (A+B) =AB + BC
3) A(B+C) = AB + AC
4) No siempre: AB = BA (no conmutan)
5) 0.A = 0
6) AB = 0 no implica A= 0 B = 0
7) Si, AB=AC no implica B=C
Obtencin de la matriz inversa de una matriz mediante operaciones
elementales:
Se aplica el mtodo de Gauss-Jordn.
Sea: A=[

(A: I)
O: E
(I: B)
Entonces; B=A
-1
, I
Siendo: I la matriz identidad, B es la matriz inversa.
Ejemplo:
A = (



+
Solucin:
(



+ (



+
(



+
A
-1
= (



+
Obs: (



+(



+ = (



+

Ejemplo:
Encuentre le matriz inversa de A, si existe.
A = (




,

Solucin:
(




, (




,

Ejemplo:
Halle la inversa de la matriz A de orden n
Donde:

=0 si i=j ;

=1 si ij

Matriz triangular superior:
Una matriz cuadrada se llama triangular superior si y solo si

=0 para ij
Ejemplo:
(



+

Matriz triangular inferior:
Una matriz cuadrada A=[

es triangular inferior si y solo si

=0 para i<j
Ejemplo:
(




,

Matrices con elementos complejos:
Los elementos de una matriz pueden ser nmeros complejos Z= a + bi, el
complejo conjugado se define Z*=a-bi
Respecto a las operaciones tomemos como ejemplo:
A = (


), B = (


)
Luego:
A+B= (


) AB= (


)
2A= (


)

El conjugado de una matriz denotado por se obtiene al tomar el conjugado de
cada uno de los elementos de la matriz A.
La traspuesta conjugada de una matriz A de notada por A*=
t

Ejemplo:
A = (


)
= (


)
A
*
= (


)
Se dice que la matriz cuadra E es ermitaa si E = E*
Ejemplo:
E = (


)
= (


)
E
*
= (


) => E = E*

PROPIEDADES:
Sean A y B matrices con elementos complejos y a un nmero complejo.
1. (A + B)* = A* + B* transpuesta conjugada de una matriz
2. (aA)* = traspuesta conjugada de un mltiplo escalar
3. (AB)* = B*A* traspuesta conjugada de un producto
4. (A*)* = A traspuesta conjugada de una traspuesta conjugada
5.
Matriz Ortogonal:
Es aquella matriz cuadrada donde se cumple: (A
-1
= A
t
)
Ejemplo:
A = (



+
Es una matriz ortogonal?
A
t
= (



+
(



+(



+
(

,
A
-1
= (

,
A no es ortogonal

Matriz normal:
Una matriz es normal si conmuta con su transpuesta. Las matrices simtricas,
anti simtricas u ortogonales son necesariamente normales.
A.A
t
= A
t
.A
Ejemplo: Hallar todas las matrices de orden 4x4 que sean conmutables con la
matriz A:
A = (








)
Solucin: AB = BA
(








)(








, = (








,(








)
(








) = (








,
Luego:
B = (








)
Ejemplo: Dadas las matrices
A = [a
ij
] = [| |]
2x3
y
B = [b
ij
] = [ i+j ]
3x3
Hallar los elementos de C
69
y C
96
de C = ABA
t
= [c
ij
]

Ejemplo: Sea A = [a
ij
] una matriz triangular superior de orden n tal que a
ij
= 1 ,
si i j
De A
3
= [b
ij
] hallar el elemento b
ij
si:
a) i = 3 ; j = n
b) i = n ; j = 3
c) i = 3 ; j = -3

DETERMINANTES:
El concepto de determinante surge con el problema de solucin de un sistema
de ecuaciones lineales por ejemplo dado el sistema:
ax + by = r
cx + dy = s

donde x e y son las incgnitas eliminando variables y despejando se tiene:

x =

y =

el numero ad-bc se encuentra como denominador en x e y.

En la forma matricial se tiene:

(


) (

) = (

)

Se dice que el determinante de la matriz de los coeficientes denotado por:

det (A) = detA = || = |


| = ad-bc
el sistema tendr solucin si || 0

Definicin:
El determinante viene a ser una funcin que aplicada a una matriz cuadrada da
un nico valor numrico.

Sea A un matriz cuadrada
:K
nxn
R C

(

,

Cuyas filas son:

A
1
= (a
11
, a
12
, , a
1n
)
.
.
A = (a
n1
, a
n2
, , a
nn
)

La matriz a por filas es:
A = (A
1
, A
2
, , A
i
, , A
n
)
|| = det(A
1
, A
2
, , A
i
, , A
n
)

En el determinante se verifica que
1. det(A
1
, A
2
, , A
i
, , A
n
)
2. det(B) = det(A
1
, A
2
, , A
i
, , A
n
)= r det(A
1
, A
2
, ,A
i
, , A
n
)= r det(A)
Observacin: Si cualquier fila de A se multiplica por r , entonces || = r||
3. det(A
1
, A
2
, , A
i
+ A
j
, , A
n
) = det(A
1
, A
2
, , A
i
, , A
n
) + det(A
1
, A
2
, , A
j
, , A
n
)
para todo i = 1,2,3,, n
4. det(I
n
) = 1

Definicin:
Sea una matriz cuadrada de orden 2x2
A = (

)

El determinante de segundo orden es el nmero definido por:
|| = a
11
. a
22
+ a
12
. a
21


Definicin:
Sea una matriz cuadrada de orden 3x3

A = (

+

El determinante de segundo orden es el numero definido por:
|| = a
11
.a
22 .
a
33
+ a
21
.a
32 .
a
13
+ a
12
.a
23 .
a
33
- a
31
.a
22 .
a
13
-a
32
.a
23 .
a
11
- a
21
.a
12 .
a
33

MENORES Y COFACTORES:
Sea la siguiente matriz cuadrada de orden nxn

A=
(

Sea M
ij
la submatriz cuadrada de orden n-1 que resulta de elimina la fila i y la
columna j de la matriz A.
Entonces:
1) |

| se llama menor complementario del elemento a

ij
de A.
2) El cofactor del elemento a
ij
que se simboliza por A
ij
se define por:

| |

Como i+j puede ser par o impar
A
ij
= |

|

Desarrollo de una determinante por cofactores:
El determinante de una matriz cuadrada A = [a
ij
]
nxn
es igual a la suma de los
productos de los elementos de cualquier fila o columna por sus respectivos
cofactores.
Para aplicar este desarrollo es necesario elegir una fila o una columna y
efectuar el desarrollo por dicha fila o dicha columna.

a) Si elegimos la fila k el desarrollo del determinante es:

|| =

)

b) Si elegimos la columna j el desarrollo del determinante es:

|| =

)

Ejemplo: A = (



+
Si elegimos la 1
ra
:
|| =

) =

= 3|


| + 6(-1)|


| + 4(-1)|


| = 87

Obs:si elegimos la primera columna
|| =

) =

= 3|


| + 0(-1)|


| + 3|


| = 87

MATRIZ DE COFACTORES:
Sea A una matriz cuadrada de orden nxn y A
ij
es el cofactor de a
ij
entonces la
matriz:

Cofact A = (

+

Se llama matriz de cofactores de A. La traspuesta de esta matriz es conocida
como Matriz adjunta de A


Propiedades de la matriz adjunta de A:
1) adj (I
n
) = I
n

2) adj (A
t
) = (Adj (A))
t

3) adj (A
n
) = (Adj (A))
n

4) adj (AB) = Adj (B) Adj (A)
5) adj (A
-1
) = (Adj (A))
-1
=

||

6) ||= ||

7) adj (xA) = x
-1
adj (A)

TEOREMA:
una matriz A de orden n es no singular si y solo si el determinante no es nulo
(|| 0).

PROPIEDAD:
La matriz A es invertible si y solo si el determinante no es nulo.
det(A
-1
) = (det A)
-1
= det A

TEOREMA:
Si A es una matriz cuadrada de orden n entonces:
A (adj A) = det A (I
n
)
Prueba:
Sea adj A = B y D = AB
La componente ( i , j ) de D:
d
ij
= a
i1
. b
1j
+ a
i2
. b
2j
+ + a
in
. b
bj
d
ij
= a
i1
. c
j1
+ a
i2
. c
j2
+ + a
in
. c
jn

d
ij
= a
i1
. c
j1
+ a
i2
. c
i2
+ + a
in
. c
in
= det (A)
d
ij
= 0 si i j si el desarrollo se hace por una fila distinta a los cofactores,
entonces:
A .adj(A) = det(A) (I
n
)




COLORARIO:
Si A es una matriz no singular de orden n entonces:

A
-1
= adj(A) .

||
= (cofact (A))
t
.

||
; || 0

Ejemplo: Halle la matriz inversa de A:
A = (



+ A
-1
= (



+.

=
(

Observacin:
1. Si una matriz tiene inversa entonces esta es nica.
2. Si B es una matriz inversa de A entonces tambin se puede decir que A es la
matriz de B.
3. No siempre una matriz cuadrada tiene inversa.
4. Se dice que una matriz cuadrada A es singular si y solo si su determinante
es cero.
5. Si una fila o columna de una matriz A se le suma el mltiplo de otra fila o
columna, entonces el valor del determinante no vara.
6. Si los elementos de una fila o columna cualquiera constan de dos trminos,
el determinante puede expresarse como la suma de otros dos
determinantes.
7. El determinante de una matriz triangular superior o inferior es igual al
producto de los elementos de la diagonal principal.
8. det(A + B) det(A) + det(B)
En general el determinante de una matriz triangular superior o inferior es igual
al producto de los elementos de la diagonal principal.
9. del(AB) = det(A)det(B)
En general el determinante de un producto de matrices es igual al producto de
los determinantes de las matrices siempre y cuando las matrices sea
cuadradas del mismo orden.


DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES:
REGLA DE CRAMER:
Es un teorema en el lgebra lineal que da solucin a un sistema de ecuaciones
lineales trabajando utilizando los determinantes.
Recibe el nombre en honor a Gabriel Cramer (1704 1752) quien publico un
trabajo dando nociones sobre el mtodo.
Si: AX = B es un sistema de ecuaciones lineales siendo: X = (x
1
, x
2
, , x
n
)
el vector de las incgnitas; B el vector de los trminos independientes y A es la
matriz de los coeficientes, entonces las soluciones del sistema se representan:

x
j
=
(

Donde A
j
es la matriz q resulta al remplazar la J-esima columna de A por el
vector columna B.

Ejemplo: Sea
X = (

, ; A = (

; B = (

,
A
j
=
(

Usando propiedades:
AX = B
A
-1
AX = A
-1
B
I X = A
-1
B
X = A
-1
B
X =

||

X = A
-1
B =

||
=

||
=
(

+
||
=
(

)
||

X
i
=

||

Ejemplo 1:
Resolver utilizando la regla de Cramer el siguiente sistema de ecuaciones
lineales:
x
1
+ 3x
2
+ 3x
3
= -2
2x
1
+ 2x
2
+ 3x
3
= -5
x
1
+ 2x
2
+ 3x
3
= 6
Ejemplo 2:
Sea: (m + 1)x + y + z = 2-m
x+(m + 1)y + z = -2
x + y + (m + 1)z= m
Halle m para que el sistema tenga solucin nica
Solucin:
|| |



| |



|=
|



| |



|

|


|
Para m=0



(

+ (

+

r(A)=1 r(A
a
)=2
Solucin
Para m=
(

+ (

+
r(A)=2 = r(A
a
) < 3 depende de un parmetro

Conclusin:
1 Para que tenga solucin nica: m 0 3
2 Solucin: m= 0
3 Ms de una solucin: m = -3

Ejemplo 3:
Realice un anlisis de la compatibilidad del sistema para todos los valores de a
y b si:
ax +by + z =1
x + aby + z =b
x+ by + az = 1
Solucin:
Analizando para la existencia de una solucin :
|



| |


| |


| |


|

Problemas:
1Halle el rango de la matriz A para todos los valores de a y b.
(

)

2 Determine el rango de la matriz , para cualquier valor de t
(

+
3Halle la inversa de la matriz de orden n donde:
a
ij
=0 , si i=j
a
ij
=1 , si i j
4 Indique si es verdadero (v) o falso (f) (fundamente)
A) Si A y B son matrices cuadradas de orden n tal que AB=A y BA=B
A y B son idempotentes.
B) Si A es una matriz cuadrada de orden n entonces A + A
T
, A
T
A y AA
T
son
matrices simtricas.
C) Si A y B son matrices ortogonales entonces A + B tambin es ortogonal.
D) Si A es nilpotente entonces es invertible.
E) Si

es simtrico entonces A es simtrico.

ESPACIOS VECTORIALES:
Un espacio vectorial sobre un cuerpo (en general reales o complejos) es un
conjunto V sobre el cual se define:
Axiomas de cerradura:
1 u+ v existe y es un elemento de V (V cerrado bajo la adicin).
2 c.u es un elemento de V ( V es cerrado bajo la multiplicacin por un escalar).
Axiomas de adicin:
3 u + v= v + u (propiedad conmutativa)
4 u + ( v + w) = (u + v) + w (propiedad asociativa)
5 un elemento de V denominado vector cero o vector nulo tal que: u + 0 = u
6 elemento de V existe un elemento llamado el negativo de u tal que:
u + (-u) = 0
Axiomas de la multiplicacin por un escalar:
7 c(u + v) = cu + cv
8 (c + d)u= cu + du
9 c(du)=(cd)u
10 1.u=u
Un espacio vectorial es el conjunto V de elementos llamados vectores, cuyas
operaciones de adicin y multiplicacin por un escalar se encuentran definidas
en l y satisfacen los axiomas mencionados donde u, v y w son vectores de V ,
c, d son escalares.
Ejemplo:
Dado el conjunto A definido por :
(x
1
,y
1
) + (x
2
,y
2
) = (x
1
+ x
2
+ 1; y
1
+ y
2
+1)
(x;y)= ( ; y -1)
Verifique si dicho conjunto se puede considerar como un espacio vectorial.
Solucin:
Axiomas de la cerradura
Sea:
u=(x
1
;y
1
)
v=(x
2
;y
2
)
1 u+ v= (x
1
+ x
2
+ 1; y
1
+ y
2
+1) =( z
1
;z
2
) A
2 (x
1
;y
1
)= ( ; =(d
1
,d
2
) A
Axiomas de la adicin:
3 (x
1
;y
1
) + (x
2
;y
2
) = ( x
1
+ x
2
+ 1 ; y
1
+ y
2
+ 1) = ( x
2
+ x
1
1 ; y
1
+ y
2
+ 1)
=(x
1
;y
2
) + ( x
1
; y
1
)
4 (u
1
;u
2
) + ( v
1
;v
2
) + ( w
1
;w
2
) =(u
1
;u
2
) + ( v
1
+ w
1
+ 1; v
2
+ w
2
+ 1)
=(u
1
+ v
1
+ w
1
+ 2 ; u
2
+ v
2
+ w
2
+ 2)= (u
1
;u
2
) + ( v
1
;v
2
) + ( w
1
;w
2
)
5 Sea a = (a
1
;a
2
) el vector nulo tal que:
(u
1
,u
2
) + (a
1
;a
2
) = (u
1
,u
2
) (u
1
+ a
1
+ 1,u
2
+ a
2
+ 1)= (u
1
,u
2
)
a=(-1;-1) vector nulo de A.
6 (u
1
;u
2
) + (b
1;
b
2
)=(-1,-1)
(u
1
+b
1
+ 1; u
2
+ b
2
+ 1)= (-1;-1) (b
1
;b
2
)=(-2-u
1
,-2-u
2
)
Axiomas de la multiplicacin por un escalar:
7 c(u+v)=c(u
1
+v
1
+1;u
2
+v
2
+1)=(c+c(u
1
+v
1
+1)-1;c+c(u
2
+v
2
+1)-1)
cu+cv=(c+cu
1
-1;c+cu
2
-1)+(c+cv
1
-1;c+cv
2
-1)
=(2c+cu
1
+cv
1
-1;2c+cu
2
+cv
2
-1)
=(c+c(u
1
+v
1
+1)-1;c+c(u
2
+v
2
+1)-1)
8(c+d)u=cu+du
(c+d+(c+d)u
1
-1;c+d+(c+d)u
2
-1)
cu+du= ( c+cu
1
-1;c+cu
2
-1)+(d+du
1
-1;d+du
2
-1)
=(c+d+(c+d)u
1
-1;c+d+(c+d)u
2
-1)

Los siguientes ejemplos son espacios vectoriales:
1.El conjunto de n-uplas de nmeros reales.

[x=(x
1
,x
2
,x
3
,x
4
,x
5
.x
n-1
,x
n
) = x
i
1 i n ; x
i
, 1 i n]
con las operaciones x+y = (x
1
+y
1
,x
2
+y
2
.x
n
+y
n
)
x=(x
1
, x
2
,.. x
n
)
Ejemplo Sea V={} no es un espacio vectorial, si 1+1=2, pero 2 V no se
cumple la ley de la clausura o cerradura en la adicin.
2. El conjunto de matrices de dimensin nxm:
M
nxm
( )= { }
con las operaciones: suma de matrices y productos por nmeros reales.
3. El conjunto de todos los polinomios con coeficientes reales el la variable x.
P( )={

}
con las operaciones de suma y producto por nmeros reales
4. El conjunto de todas las funciones reales:
F( )= { } con las operaciones suma de funciones y product por nmeros
reales.
5. El conjunto de todas las sucesiones de nmeros reales:
S={

}
Ejemplo:
1) Sea V={} satisface los 10 axiomas, es un espacio vectorial, se le conoce
como ESPACIO VECTORIAL TRIVIAL
2) Sea V={ }
(x
1
,y
1
)+(x
2
,y
2
)=(x
1
+x
2
,y
1
+y
2
)
=(x
1
+x
2
;2x
1
+1+2x
2
+1) = (x
1
+x
2
;2(x
1
+x
2
)+2)
No es un espacio vectorial, no cumple con el Axioma de la cerradura.

PROPIEDADES:
Si V es n espacio vectorial, entonces:
1 0.u=0
2 (-1).u=-u u

SUBESPACIOS VECTORIALES:
Se llama subespacio vectorial de un espacio vectorial V a cualquier
subconjunto no vacio SV que es un espacio vectorial con las mismas
operaciones definidas sobre V
Si V es un espacio vectorial y SV , S
V es un subespacio vectorial de V { }
{ }

TEOREMA:
Sea U un Subespacio de un espacio Vectorial V , U tiene como elemento al
vector cero de V



COMBINACIN LINEAL DE VECTORES:
Sea V un espacio vectorial, se dice que v V es combinacin lineal de los
vectores {

} V, si existen

tal que:
V=

Ejemplo:
Expresar el vector (4,4,5) como una combinacin lineal de los vectores (1,2,3);
(-1,1,4) y (3,3,2)
Solucin:
(4,4,5)= x(1,2,3) + y(-1,1,4) + z(3,3,2)
x y + 3z= 4
2x + y + 3z = 4
3x + 4y + 2z = 5
(

+ (

+ x, y, z

Ejemplo:
Determinar si la matriz (


) es una combinacin lineal de las matrices
(


) (


) (


) en el espacio vectorial M
2x2

Solucin:
(


) (


) (


) (


)
(


) (


*
Luego: x+2y= -1
-3x+z= 7
2x+2z=8
(

+ (

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




DEPENDENCIA E INDEPENDENCIA LINEAL
Sea V un espacio vectorial, se dice que el conjunto de vectores
{

} es linealmente dependiente si y solo si

que pertenecen a , con algn

En caso contrario se dice que el conjunto {

} es linealmente
independiente.
Observacin:
Para estudiar si un conjunto de vectores {

} es linealmente
dependiente o independiente se plantea la ecuacin

Se estudian las soluciones, si admite alguna solucin no nula el conjunto de
vectores es linealmente dependiente y si solo admite la solucin nula es
linealmente independiente.
Ejemplo:
v
1
=(1,0,-1,2) , v
2
=(1,1,0,1) y v
3
=(2,1,-1,1)
Indique sin son linealmente independiente.
Solucin:
x(1,0,-1,2) + y(1,1,0,1) + z(2,1,-1,1) = 0
x + y + 2z = 0
y + z = 0
-x z = 0
2x + y + z = 0
(

) (

)
x=0, y=0 , z=0
Son vectores linealmente independientes

PROPIEDADES:
1 {} es linealmente dependiente si y solo si v = 0
2
3 { } es linealmente dependiente u = v (
4 Si A es L.I. y BA B es linealmente independiente
5 A linealmente dependiente y A B B es linealmente dependiente.
6 A linealmente dependiente v A que es combinacin lineal de A.

OBSERVACIN:
1. El conjunto {

} se llama conjunto dependiente o

independiente segn sean los vectores L.D. L.I.
2. Se define al conjunto vaci como independiente
3. Si dos de los vectores {

} son iguales entonces los vectores

son dependientes
4. Dos vectores v1 y v2 son dependientes si y solo s uno de ellos es mltiplo
escalar del otro.

Ejemplo:
Indique si el conjunto de vectores {

) (

)

Es un conjunto L.I.

Ejemplo:
Sea V=

, Luego es un subespacio
W1= {

}
Solucin:
El nico punto que satisface es (0, 0, 0) W
1
es un subespacio de

Ejemplo:
W
2
={ }
Solucin:
Con un contraejemplo:
u e W
2

Para = 1
(1) (3 , 2 , 0) (4) + 3 (0) 0 (F)
W
2
no es un subespacio

Lema:
Si V es un espacio vectorial y A = {v
1
, v
2
, , v
n
} est contenido en V,
entonces:
L(A) = { o

=
, o
i
e K} es un subespacio vectorial de V que se llama
subespacio generado por A. El conjunto A se llama Sistema de Generadores
de L(A).
Ejemplo:
Si V = R
3
y A = {v
1
= (1,0,1) , v
2
= (1,1,1)}, entonces:
L(A) = {v = ov
1
+ |v
2
; o, | e R} = {v = (o+|,|,o|) ; o,| e R}
Las ecuaciones:
X = o + |
Y = |
Z = o |
Se llaman ecuaciones paramtricas de L(A)

Proposicin:
Sea V un espacio vectorial y {v
1
, v
2
, , v
n
} c V, si v
m
es una combinacin
lineal de {v
1
, v
2
, , v
m-1
} entonces L({v
1
, v
2
, , v
m
}) = L({v
1
, v
2
, , v
m-1
})

BASE DE UN ESPACIO VECTORIAL:
Se llama base de un espacio vectorial cualquiera de sus sistemas de
generadores que est formado por vectores linealmente independientes.
Ejemplo:
Halle una base del sistema:
3x
1
+ x
2
8x
3
+ 2x
4
+ x
5
= 0
2x
1
2x
2
3x
3
7x
4
+ 2x
5
= 0
x
1
+ 11x
2
12x
3
+ 34x
4
5x
5
= 0
x
1
5x
2
+ 2x
3
16x
4
+ 3x
5
= 0
Solucin:




8x
1
19x
3
3x
4
+ 4x
5
= 0
8x
2
7x
3
+ 25x
4
4x
5
= 0

Sea: x
3
= a x
1
=

x
4
= b x
2
=

x
5
= c
(x
1
, x
2
, x
3
, x
4
, x
5
) = (

, a , b , c)
= a(19/8,7/8,1,0,0) + b(3/8,-25/8,0,1,0) + c(-4/8,4/8,0,0,1)
Una base del sistema es {(19/8,7/8,1,0,0) , (3/8,-25/8,0,1,0) , (-4/8,4/8,0,0,1)}
tambin es una base {(19,7,8,0,0) , (3,-25,0,8,0) , (-1,1,0,0,2)}
V = o(19,7,8,0,0) + |(3,-25,0,8,0) + (-1,1,0,0,2) = (0,0,0,0)
19o + 3| - = 0
7o - 25| + = 0
8o = 0
8| = 0
2 = 0
como estos vectores son Linealmente Independientes entonces forman una
base.




3 1 -8 2 1 0
2 -2 -3 -7 2 0
1 11 -12 34 -5 0
1 -5 2 16 3 0

8 0 -19 -3 4 0
0 -8 7 -25 4 0
0 0 0 0 0 0
0 0 0 0 0 0

Definicin:
Se dice que un espacio vectorial V tiene dimensin finita n o es n-dimensional
denotado: dimV = n, si existen vectores linealmente independientes e
1
, e
2
, ,
e
n
que generan a V. el conjunto { e
1
, e
2
, , e
n
} se llama base de V.

Ejemplo:
1. Para qu valor de a o valores el conjunto:
{(


),(


),(


)} es linealmente dependiente.
Solucin:
o(


) + |(


) + (


) = (


)
ou + |v + w = 0
Es L.I. si o=|==0
|a = 0
oa + | + = 0
o + |a + a = 0
(







+ (







+ , a = 0
Para a=1:
(







+ (







+
o + = 0 o = , | = 0
Para a = -1:
(







+
o - = 0 o = , | = 0
Para a e { -1,0,1} es un conjunto L.D.

2. Sean los vectores: (1+a,1,1,1) ; (1,1+a,1,1) ; (1,1,1+a,1) ; (1,1,1,1+a)
Determine segn los valores del parmetro a, la dimensin y una base del
subespacio que generan.

Solucin:
x(1+a,1,1,1) + y(1,1+a,1,1) + z(1,1,1+a,1) + w(1,1,1,1+a) = 0
x(1+a) + y + z + w = 0
x + y(1+a) + z + w = 0
x + y + z(1+a) + w = 0
x + y + z + w(1+a) = 0

, a = -4 , a = 0


x = y = z = w = 0
Para a = -4 a = 0 {(1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1)} es una base, dim =4. Es
la base cannica usual.

3. Determine un vector v de R
3
sabiendo que:
- La suma de sus coordenadas es 3.
- v es combinacin lineal de (2,2,2) y (-1,1,0)
- Los vectores (1,0,1),(0,1,0) y v son linealmente dependientes.
Solucin:
Sea v = (a,b,c) eR
3

a + b + c = 3
x(2,2,2) + y(-1,1,0) = (a,b,c)
o(1,0,1) + |(0,1,0) + (a,b,c) = (0,0,0)
2x y = a
2x + y = b
2x = c
x = 1/2 , c = 1 , a + b = 2
Luego: o(1,0,1) + |(0,1,0) = (a,b,c)
o
1
= a |
1
= b
o
1
= c = 1 = a b = 1
v = (1,1,1)
1+a 1 1 1
1 1+a 1 1
1 1 1+a 1
1 1 1 1+a

1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

4. Sea F un subespacio vectorial de R
3
formado por los vectores v = (x,y,z)
tales que x 2y + 4z = 0. Halle una base {a,b,c}e R
3
tal que a,b e F.
Solucin:
F = {(x,y,z) / (x,y,z) e R
3
. x -2y + 4z = 0}
(2y 4z,y,z) = y(2,1,0) + z(-4,0,1)
{(2,1,0) , (-4,0,1)}
o(2,1,0) + |(-4,0,1) + (u
1
,u
2
,u
3
) = 0
2o - 4| + u
1
= 0
o + u
2
= 0
| + u
3
= 0
Para: u
3
= 0 | = 0
u
2
= 0 o = 0
u
1
= 0 = 0
Es una base: {(2,1,0),(-4,0,1),(1,0,0)}

5. Sean S y T subespacios de R
4
definidos por S = {(x , y, z , t) / x + y + z + t =
0, 2x y + 2z t = 0, 4x + y + 4z + t = 0}
T = {(x , y , z , t) / x = a + b + 2c, y = b + c, z = -a + b, t = 3b +3c}
Obtener una base y la dimensin de T + S.
Solucin:
En S: (x, y , z , t)
x + y + z + t = 0
2x y + 2z t = 0
4x + y + 4z + t = 0



x + z = 0
y + t = 0
(x , -t , -x , t) = x(1,0,-1,0) + t(0,-1,0,1)
{(1,0,-1,0) , (0,-1,0,1)}

1 1 1 1 0
2 -1 2 -1 0
4 1 4 1 0

1 0 1 0 0
0 1 0 1 0
0 0 0 0 0

En T:
(a+b+2c,b+c,-a+b,3b+3c) = a(1,0,-1,0) + b(1,1,1,3) + c(2,1,0,3)
{(1,0,-1,0) , (1,1,1,3) , (2,1,0,3)}
S + T:





{(1,0,0,2) , (0,1,0,-1) , (0,0,1,2)}


SUMA DIRECTA
La suma V
1
y V
2
subespacios de V se llama suma directa si V
1
V
2
= 0, en
este caso se dice que dicha suma es directa y se denota V
1
V
2
, tanto V
1
como
V
2
se llaman sumandos directos, ejemplo:
- En R
3
sea U el plano xy y W el eje z, luego:
U = {(a,b,0) / a,b e R}
W = {(0,0,c) / c e R}
Cualquier vector (a,b,c) e R
3
se puede escribir como la suma de un vector u
y un vector w, es decir:
(a,b,c) = (a,b,0) + (0,0,c)
En consecuencia R
3
es la suma directa de U y W:
R
3
= U W

COORDENADAS:
Para indicar que [v
1
,v
2
, ,v
n
] es una base del espacio vectorial definido por (V,
+, K, . ) se utiliza la notacin [v], es decir cada vector v se puede expresar de
modo nico como la combinacin lineal de la base, dado que los vectores son
linealmente independientes, es decir si x e V siendo x
1
, x
2
, ,x
n
escalares
entonces:
x = x
1
v
1
+ x
2
v
2
+ + x
n
v
n
1 0 -1 0
0 -1 0 1
1 0 -1 0
1 1 1 3
2 1 0 3

1 0 0 2
0 1 0 -1
0 0 1 2
0 0 0 0
0 0 0 0

Respecto a la base dada el vector x e V queda caracterizado por los
coeficientes de la combinacin lineal.

PRODUCTO INTERNO
Sea V un espacio vectorial, un producto interno o producto escalar sobre V es
una aplicacin < , >: V . V C que verifica:
1. <au + bv , w> = a<u , w> + b<v , w>
2. <u , v> = <v , u>
3. <u , u> > 0 , u e V, <u , u> = 0 u = 0
Un espacio vectorial necesita de una mtrica, el producto interno, llamado
tambin producto escalar, garantiza una mtrica en un espacio vectorial.
El smbolo se lee producto interno entre los vectores x e y. Para que
la aplicacin se llame producto interno, entonces deber cumplir los siguientes
axiomas:
i.
ii.
iii.
iv.

Todo producto interno en un espacio vectorial real asigna a cada par de
vectores un nico escalar real.

ESPACIO EUCLIDIANO:
Es todo espacio vectorial real en producto interno, la adjuncin de un producto
interno permite establecer una mtrica en l, los conceptos de: distancia,
mdulo de un vector, ortogonalidad, y ngulo entre dos vectores; son nociones
que dependen de un producto interno que se establezca en un espacio.
Ejemplo:
Se define sobre
2
:

Donde:

Indique si es un producto interno.

Solucin:
Para que se llamado producto interno, entonces deber cumplir los 4
axiomas.
i)
.

ii)
.

iii)
.

iv)
.

Ejemplo:
En (

) se define:

Donde: (

, (

, Indique si es un producto interno.

Solucin:
i)

,
ii)

iii)

iv)

PROPIEDAD:
En todo espacio con producto interno, el producto interno de cualquier vector y
el vector nulo es cero.

Definicin:
La norma de todo vector v que pertenece a V es un nmero real no negativo:
||
En el espacio Euclidiano R
n
representa la longitud del segmento de extremo O
y

en general la distancia entre dos puntos P y Q.

ORTOGONALIDAD
Sea un espacio vectorial con producto interno, se dice que dos
vectores son ortogonales s y slo s su producto interno es nulo.
ORTOGONALIDAD
Sea (V, +, R, .) un espacio vectorial con producto interno, se dice que dos
vectores son ortogonales s y slo s su producto interno es nulo.
Ejemplo:
Sea el conjunto de funciones reales continuas sobre el intervalo []

Es una funcin definida en dicho espacio. Indique si los polinomios

son
ortogonales.
Solucin:
Realicemos el producto interno:

Como vemos, el producto interno si es nulo, por lo tanto si son ortogonales.

PROPIEDADES:
1.- Desigualdad de Schawrs
En todo espacio vectorial euclidiano se cumple que el valor absoluto del
producto interno es menor o igual que el producto d los mdulos de dichos
vectores.
| | ||||
2.- Desigualdad triangular
En todo espacio con producto interno, el modulo de la suma de dos vectores
cualquiera es menor o igual que la suma de sus mdulos.
| | || ||
3.- ngulo entre dos vectores
Sean x e y dos vectores no nulos en un espacio con producto interno. De la
desigualad de Schawrs:
| | ||||
|||| ||||


||||

Para


||||

||||

CONJUNTO ORTOGONAL DE VECTORES
Un conjunto de vectores {

} en un espacio vectorial con producto interno

es ortogonal s y slo s dos vectores cualesquiera y distintos son ortogonales.
Es decir si

Proposicin:
Todo conjunto ortogonal de vectores al que no pertenece el vector nulo es
linealmente independiente.
Demostracin:
Sea {

} un conjunto ortogonal tal que

y sea la
combinacin lineal:

Entonces para cada consideramos:

Luego

Como

, la sumatoria se reduce a un nico termino que se

obtiene si es decir

siendo

entonces

lo que
indica que

Finalmente decimos que {

} es L.I.

Definicin:
Un conjunto de vectores en un espacio vectorial V se dice que es un conjunto
ortogonal si cada par de vectores es ortogonal.
Se dice que es un conjunto ortonormal si es ortogonal y cada vector es unitario.
Ejemplo:
Un conjunto ortonormal es: { (

} debido a que:
- (

son vectores unitarios

- El producto interno, tomado de dos en dos, es 0

TEOREMA:
Un conjunto ortogonal de vectores diferentes del vector nulo en un espacio
vectorial V es L.I. en consecuencia determinan una base.



DEFINICIN
Una base que es un conjunto ortogonal se dice que es una base ortogonal. Una
base que es un conjunto ortonormal, se dice que es una base ortonormal.
Observacin
Hay muchas bases para un espacio vectorial, la base que se utilice depende
del problema en consideracin, se recomienda utilizar la base ms
conveniente, a menudo la base ms adecuada es un conjunto ortogonal o un
conjunto ortonormal.

ALGUNAS APLICACIONES DEL PRODUCTO INTERNO.
01) Una recta que pasa por

y en la direccin es un conjunto
{

}
Si

es un punto arbitrario de y es un vector ortogonal a tal que

Entonces

Es decir la ecuacin cartesiana de es:
Si

Donde: {

}
02) DISTANCIA DE UN PUNTO A UNA RECTA
La distancia de un punto

a la recta {

}
, es la longitud del segmento

, donde











| |, vemos que , con
O sea de donde
, siendo
En la ecuacin

|

| |

03) REA DEL TRINGULO







h es
la
dist
ancia desde el punto final del radio vector a la recta / { }
{

} donde

| |

| |
||

rea del triangulo=

| |







04) FUNCIONES TRIGONOMTRICAS












| |

||

||

||||
Pero | |

||

||

Adems vemos que
Luego:


||||
|| ||
(

)

||||



||||


TEOREMA:
Sea {

} una base ortonormal, sea un vector en , el vector se

puede expresar como una C.L de los vectores de las base de la manera
siguiente:

Es decir

Ejemplo:
Dado el vector se puede trabajar como C.L de los vectores:

) , que determinan una base

ortonormal donde:

.
(

) (

)

Definicin:
La proyeccin de un vector sobre un vector , denotada por

se
define:

PROCESO DE ORTOGONALIZACIN DE GRAM-SCHIMDT
Sea {

} una base para el espacio vectorial , el conjunto de vectores

{

} definido de la manera siguiente es ortogonal (

) Para
Obtener una base ortonormal de , se normaliza cada uno de los vectores

es decir:

Ejemplo:
El conjunto { } es L.I en

, los vectores forman una

base para el subespacio de 3 dimensiones de

. Construya una base

ortonormal para
Solucin:
Sean

, aplicando Gram-Schmidt
para construir un conjunto ortogonal.
Sea:

El conjunto ortogonal { } es una base ortogonal
para .
{(

) (

) (

)} es una base ortonormal de .

LEMA:
Un conjunto ortonormal {

} es L.I y cualquier vector "" que pertenece a

, el vector

es ortogonal a cada
uno de los

.

OBS:
Las bases ortonormales desempean un papel importante en las espacios con
producto interno, el teorema siguiente muestra que siempre existe una base
ortonormal.

TEOREMA:
Sea {

} una base arbitraria con producto interno entonces existe una

base ortonormal {

} de talque la matriz de transicin de {

} {

} es
triangular para . Se cumple:

Prueba:
Consideremos

entonces {

} es ortonormal, luego consideramos

un

es ortogonal a

, entonces {

}
es ortogonal.
Por el lema

es ortogonal a

, entonces {

} es un conjunto ortogonal.

, tal que

, nuevamente por el lema

es ortogonal, en general al obtener {

} consideramos los siguiente:

se puede observar
que

, {

} es ortonormal que forma una

base de .

Ejemplo:
Sea {

} una base de

, encuentre una
base
ortonormal utilizando el proceso de ortogonalizacin de Gram Schmidt.
Solucin:
Sea

)
Hacemos:

) (

) , luego

) (

) ,

)

La base ortonormal es {

)}.

PROYECCIN DE UN VECTOR SOBRE UN SUBESPACIO
Sea un subespacio de

, sea {

} una base ortonormal para . Si

es un vector en

, la proyeccin de sobre , denotada

se
define como:

TEOREMA:
Sea un subespacio de

, cada vector en

se puede expresar de forma

nica de la siguiente manera:

Donde se encuentra en W y

es ortogonal a W, los vectores

son:

Ejemplo:
Considere el vector en

, ser es subespacio de

que consta
de todos los vectores . Descomponga en la suma de un vector que se
encuentra en y vector ortogonal a .
Solucin:
Se requieres una base ortonormal para , cualquier vector de se pueda
expresar de la siguiente manera: .
El conjunto { } genera a W, es L.I formara una base para .Los
vectores son ortogonales, busquemos una base ortonormal
{

}
Para donde

) ,

) (

, luego se
obtiene tiene lo pedido:


Ejemplo:
Dado los vectores: . Determine un
vector de

que es la proyeccin ortogonal de sobre el plano generado por

Solucin:
(


) (


)
Sea { } donde

, H es
ortogonal.

)
Otro mtodo:
Sea vectores que pertenecen a H entonces

*



OBS:
Sea una espacio euclideo y un subespacio vectorial de . Se llama
ortogonal de en al conjunto de todos los vectores de ortogonales a
cualquier

{ }

PROPIEDADES:
1) Si es ortogonal a todos lo elementos de una base de , entonces

2) Si

.

TEOREMA DE LA MEJOR APROXIMACIN:
Sea un espacio vectorial euclideo y un subespacio vectorial de
dimensin finita. Dado Se cumple:

TRANSFORMACIONES LINEALES
TRANSFORMACION LINEAL ENTRE DOS ESPACIOS
VECTORIALES SOBRE UN MISMO CUERPO:
Sean dos espacios vectoriales sobre un mismo cuerpo
.La funcin : es una transformacin lineal u homomorfismo si y solo
si:
1) La imagen de la suma de dos vectores cualquiera de es igual a la suma
de sus imgenes en es decir:

2) La imagen del producto de cualquier escalar por todo vector de es igual al
producto del escalar por la imagen de dicho vector:

Ejemplo:
Sean los espacios vectoriales

. La funcin:

definida por

indique si es una transformacin

lineal.
Solucin:
1) [

2) (

Se comprueba las dos condiciones por los tanto si una transformacin lineal.
Ejemplo:
Supongamos que

es una transformacin lineal que verifica

Halle la imagen de
Solucin:
( ) () ()




PROPIEDADES DE TRANSFORMACIONES LINEALES:
Sea : una transformacin lineal, denotemos mediante

a los
vectores nulos en respectivamente.
1) La imagen del vector nulo del primer espacio por toda transformacin lineal
es el vector nulo del segundo espacio.

2) La imagen del opuesto de todo vector del primer espacio es igual al opuesto
del su imagen.
()

NUCLO DE UNA TRANSFORMACIN LINEAL:
El ncleo de una transformacin lineal entre dos espacios vectoriales sobre
un mismo cuerpo, es el conjunto de los vectores del dominio cuyas imgenes
por son el vector nulo del codominio. El smbolo

se lee nucleo de , por

definicin

}. El nucleo de toda transformacin lineal es

la preimagen del vector nulo del segundo espacio.

Ejemplo:
Sean los espacios vectoriales

la funcin

definida por:

. Determine el nucleo de
Solucin:
1) [ ] [ ] (


) (


)
(


)
( ) (


) (


)
Si cumple las dos condiciones es una T.L
Hallando su ncleo:

(


)
(

{ }
Hallando su imagen:

} (


)

* (


)

esta dado por (

), La matriz (


) es un sistema de generadores de

, constituye una base de dimensin 1.