Antologia AL UTEL

lgebralineal
Introduccin
n esta unidad se estudiarn los conceptos de matriz y determinante,

los cuales son una herramienta fundamental para realizar y simplificar
clculos con varias ecuaciones relacionadas entre s, con muchas
aplicaciones en ingeniera, fsica, economa, matemticas y otras ciencias.
1.1. Matrices: Conceptos generales

E1 propsito de esta seccin es sentar las bases para aprender las distintas
relaciones entre las matrices, para ello comenzaremos con la definicin de
vector rengln y vector columna.
Definicin 1.1. Un vector rengln de n componentes es un conjunto
ordenado de n nmeros escritos de la siguiente manera (n-ada):
(x1, x2,, xn)
(1)
Definicin 1.2. Un vector columna de n componentes es un conjunto

ordenado de n nmeros escritos de la siguiente manera (n-ada):
x1

x2
#

xn
(2)
En (1) o (2) x1 se llama primera componente del vector, x2 es la

segunda componente y as sucesivamente. En general, xk se llama la k-sima
componente del vector.
Cualquier vector cuyas componentes sean todas cero se llama vector cero.
17
Unidad 1
Ejemplo 1
a) ( 1, 5) es un vector rengln con dos componentes.
3
b) 2
5
es un vector columna con tres componentes.
c) 0, 0, 0, 0 es un vector rengln cero con cuatro componentes.

Nota. La palabra ordenado en la definicin de un vector es esencial.
Dos vectores con las mismas componentes escritas en diferente orden no
son iguales. Por ejemplo, los vectores (3, 5) y ( 5, 3) no son iguales (ver
definicin 1.12 ms adelante).
Las componentes de todos los vectores en este texto son nmeros reales,
los cuales llamaremos escalares. Por ejemplo, los nmeros 2 , , 7, 3 5
son escalares.
En realidad los vectores son tipos especiales de matrices, concepto que a
continuacin se define.
Definicin 1.3. Si m y n son enteros positivos, entonces una matriz es un
arreglo rectangular de m n nmeros dispuestos en m renglones y n columnas
de la forma:
a11
a21
...
A
ai1
...
am1
a12
a22
...
ai 2
...
am 2
... a1 j
... a2 j
... ...
... aij
... ...
... amj
... a1n
... a2 n
... ...
... ain
... ...
... amn
Donde cada aij es un nmero llamado entrada o componente ij de la matriz A

que se encuentra en el rengln i y en la columna j de A. En lugar del smbolo A
se usa Amn para remarcar de cuntos renglones y cuntas columnas consta.
E1 i-simo rengln de A determina un vector rengln (ai1, ai2,..., ain), y la
18
lgebralineal
a1 j

a2 j
j-sima columna de A determina un vector columna .
#

amj
Definicin 1.4. Una matriz A que cuenta con m renglones y n columnas es
de orden mn y se denota por Amn.
En ocasiones se escribir la matriz A como A = [aij]. Por lo general, las
matrices se denotarn con letras maysculas.
Ejemplo 2
5
a) A
0
1
b) B 2
8
1
es una matriz de orden 2 2. Se denota A22
7
4
c) C
5 es una matriz de orden 3 2. Se denota B32

4
1 0
es una matriz de orden 2 4. Se denota C24
2 7
Existe una matriz que contiene el mismo nmero de vectores rengln

que los vectores columna la cual se define a continuacin.
Definicin 1.5. Si A es una matriz de orden m n con m = n, entonces A es
una matriz cuadrada, de orden n y las entradas a11, a22, a33, . . ., ann forman la
diagonal principal.
19
Unidad 1
Ejemplo 3
5 3
a) A22
es una matriz cuadrada y las entradas a11 5, a22 4
1 4
son la entrada de la diagonal principal.
2 3 1
b) B33 6 0 4 es una matriz cuadrada

5 7 8
a11 2, a22 0, a33 8 forman la diagonal principal.
las
entradas
Definicin 1.6. Una matriz cuadrada de orden n n, cuyas entradas de la

diagonal principal son iguales a uno y todas las dems son cero, se llama matriz
identidad de orden n n y se denota por Inn.
Ejemplo 4
1
a) I 22
0
1
b) I 33 0
0
0
matriz identidad de orden 2 2.
1
0 0
1 0 matriz identidad de orden 3 3.

0 1
Definicin 1.7. Una matriz de orden m n cuyas entradas son todas cero se
llama matriz cero de orden m n y se denota por 0mn.
Ejemplo 5
0
a) 023
0
0
b) 032 0
0
20
0 0
matriz cero de orden 2 3.
0 0
0
0 matriz cero de orden 3 2

0
lgebralineal
Ejercicio 1
3 2 1
1. Qu afirmacin es verdadera respecto a la siguiente matriz
?
4 2 0
a) Es una matriz cuadrada.
b) Es una matriz de orden 3 2.
c) Es una matriz de orden 2 3.
d) Es una matriz identidad.
3
4
2. Dada la matriz B
0
inciso:
2
8
1
3
1
0
0 1
contesta lo que se te pide en cada
3
2
1
5
a) Identifica el tercer rengln de B.

b) Identifica la segunda columna de B.
c) Identifica las entradas b31 , b22 , b34 .
3. a) Determina el nmero de renglones y de columnas, as como el orden
de las matrices.
b) Identifica la entrada a32 de A y la entrada b13 de B.
1 0
2
A 2 3 B
4
5 1
7 5
3
6
4. a) Escribe la matriz identidad de orden 4 4.

b) Escribe la matriz cero de orden 3 4.
1.2. Tipos de matrices

En esta seccin se definen algunos tipos de matrices, los cuales sern de
utilidad a lo largo del texto.
Definicin 1.8. Una matriz cuadrada A = [aij] de orden n se llama diagonal
si todas sus entradas fuera de la diagonal principal son cero.
21
Unidad 1
Ejemplo 6
1 0 0
a) A 0 4 0 es diagonal, ya que todas las entradas fuera de la
0 0 2
diagonal principal son cero.

0 0
0
1
0 3 0 0
no es diagonal, ya que hay una entrada distinta
b) B
0
0 5
0
0 0 1
2
de cero, b41 = 2, fuera de la diagonal principal.
La existencia de matrices en las cuales por debajo o por encima de
la diagonal son cero, se definen como matriz triangular superior y matriz
triangular inferior.
Definicin 1.9. Una matriz cuadrada A = [aij] de orden n se llama triangular

superior si todas las entradas abajo de la diagonal principal son cero.
Ejemplo 7
3
1
a) A 0 1
0
0
0 es triangular superior, ya que todas las entradas abajo

4
de la diagonal principal son cero.

4
7
0 1
0
5
0
2
b) B
no es triangular superior, ya que hay una entrada
0 1 6 3
0
0
8
0
distinta de cero, b32 = 1, abajo de la diagonal principal.
Definicin 1.10. Una matriz cuadrada A = [aij] de orden n se llama
triangular inferior si todas sus entradas arriba de la diagonal principal son cero.
22
lgebralineal
Ejemplo 8
2 0 1
a) A 5 1
0 no es triangular inferior, ya que hay una entrada
0 3 4
distinta de cero, a13 = 1 arriba de la diagonal principal.

0
0 0
3
0
5
0 0
b) B
es triangular inferior, ya que todas las entradas
2
1
0 0
7 2 6
4
arriba de la diagonal principal son cero.
Asociada a cualquier matriz A = [aij] de orden m n hay una matriz de
orden n m, que es llamada transpuesta de A; sta se define como sigue:
Definicin 1.11. Si A = [aij] es una matriz de orden m n, su transpuesta
denotada por AT es la matriz de orden n m y se obtiene convirtiendo cada
rengln de A en la columna correspondiente de AT.
Ejemplo 9
2 1 3
a) Determina la transpuesta de A23
0 5 2
A1 escribir cada rengln de A como la columna correspondiente de AT se
tiene que
2 0
A 1 5 es de orden 3 2
3 2
b) Determina la
1 0 5 4
B 2 1 3 7
0 6 1 8
transpuesta
de
la
matriz
de
orden
34,
23
Unidad 1
A1 escribir cada rengln de B como la columna correspondiente de BT se
tiene que
1 2 0
0
1 6
T
de orden 4 3
B
5
3 1
4 7 8
A continuacin se definirn matrices simtricas y antisimtricas, y para
ello se requieren los siguientes conceptos.
Definicin 1.12. Dos matrices A y B son iguales, denotado A = B, si tienen
el mismo orden y sus entradas correspondientes son iguales.
Ejemplo 10
9 5 9
5
a)
3
4 4 1 2
1 3 5 1 3 5
b)
4 1 3 4 1 3
Son iguales porque todas sus entradas

correspondientes son iguales.
Son distintas porque al menos una de sus
entradas correspondientes no son iguales.
Definicin 1.13. Si A = [aij] es una matriz de orden m n, entonces se define

A como la matriz
A = [aij] de orden m n.
Ejemplo 11
2 3 5
Si A
, determina A. Por definicin de A se tiene que
1 4 6
3
5 2 3 5
( 2)
A
1 ( 4) ( 6) 1 4 6
24
lgebralineal
Definicin 1.14. Una matriz cuadrada A de n n es simtrica si A = AT.
Ejemplo 12
1 2
a) Determina si A
es simtrica.
2 3
Calculando la transpuesta de A se tiene que:
1 2
T
AT
as A A . Por lo tanto, A no es simtrica.
2
3
2
1 4
b) Determina si B 4
7
5 es simtrica.
2
5
0
Calculando la transpuesta de B se tiene que:

1
B 4
2
4
7
5
5 as B = B T, de tal manera que B es simtrica.

0
Definicin 1.15. Una matriz cuadrada A = [aij] de orden n n es antisimtrica

T
si A A
Ejemplo 13
1 6
a) Determina si A
es antisimtrica.
0
6
1 6
1 6
T
Como AT
y A
, entonces A A . As A no es
6 0
6 0
antisimtrica.
25
Unidad 1
b) Determina si B 1
1
Como B 1
1
1
0
2
1
0
2
2 es antisimtrica.
0
1
0
2 y B 1
1
0
1
1
0 2 , entonces BT B .
2 0
Por lo tanto, B es antisimtrica.
Ejercicio 2
1. Cul de las siguientes matrices
1 0 1
1 0 0
1 0 0
A 0 0 0 , B 1 0 0 , C 0 2 0 ,
1 0 0
1 0 0
0 0 5
0 3 1
0 0 0
0 1 1
D 0 0 2 , E 1 0 0 , F 0 0 2 ,
0 0 0
0 0 0
0 0 3
es de alguno de los tipos listados?

a) Triangular superior.
b) Triangular inferior.
c) Diagonal.
d) Nada de lo anterior.
2. Determina cul de las siguientes matrices es simtrica:
3
2
a) A
3 5
1 3
b) B 3
2
5
1
26
1
4
lgebralineal
2 1 0
c) C 1 4 7
0 7 3
2
d) D
3
2
0
1
7
3 4
7
1
5
6
6
9
3. Di si las siguientes matrices son antisimtricas o no:

0 3
a) A
0
3
0 2
b) B 2
0
3
5
1
c) C
4
2
5
0
1
2
3
0
5
5
0
1.3. Operaciones con matrices

En esta seccin presentaremos las operaciones matriciales bsicas: suma,
multiplicacin por escalar y multiplicacin matricial.
Definicin 1.16. Sean A = [aij] y B = [bij] matrices de orden m n, la suma
de A y B es la matriz de orden mn A + B = [aij + bij] de m n, es decir, A + B
se obtiene al sumar las componentes correspondientes de A y B.
Nota. Si A y B son de distinto orden, entonces su suma no est definida.
27
Unidad 1
Ejemplo 14
1 3
5
a) Determina la suma de A
y B
4 2 22
8 21
Como A y B tienen distinto orden no se pueden sumar.
5
2 1 3
7 1
b) Determina la suma de A
yB
1 2
4 0 5
3
Dado que A y B tienen el mismo orden se pueden sumar y
2 1 3 7
A B
4 0 5 3
1
5 2 7 1 1 3 5 9 0 8
1 2 4 3 0 1 5 2 1 1 3
Cuando trabajamos con matrices, a los nmeros los llamamos escalares.

Las matrices sern reales y la multiplicacin de un escalar por una matriz se
define como sigue:
Definicin 1.17. Si c es un escalar y A = [aij] es una matriz de orden m n,
entonces la multiplicacin del escalar c y la matriz A es la matriz cA = [caij] de
m n, es decir, cA se obtiene al multiplicar cada componente de A por c.
Ejemplo 15
3
a) Para c = 1 y A 6
5
0 , determina cA.
2
Por definicin cA (1) 6

5
1 (1)(3) (1)(1) 3

0 (1)(6) (1)(0) 6
2 (1)(5) (1)(2) 5
3 5
2
y A 1
, determina cA.
5
2 1
2 3 5 52 3 52 5 65
Por definicin cA 1
5 2 1 52 12 52 (1) 15
b) Para c
28
2
2
5
0
2
lgebralineal
La suma y la multiplicacin por un escalar de matrices cumplen ciertas
propiedades, stas se resumen en el siguiente teorema.
Teorema 1.1. Sean A, B y C matrices de orden m n cualesquiera, y sean a y
b escalares cualesquiera. Entonces son vlidas las siguientes afirmaciones:
1) A + 0 = 0 + A = A
Elemento neutro aditivo (donde 0

representa la matriz cero de m n).
2) A + B = B + A
Propiedad conmutativa para la suma.
3) (A + B) + C = A +(B + C)
Propiedad asociativa para la suma.
4) A + (A) = (A) + A = 0
Inverso aditivo.
5) a(A + B) = aA + aB
Propiedad distributiva de un escalar

para la suma de matrices.
6) (a + b)A = aA + bA
Propiedad distributiva de suma de

escalares por una matriz.
7) (ab)A = a(bA)
Propiedad asociativa de la multiplicacin

de escalares por una matriz.
8) 1A = A
Neutro multiplicativo.
Ahora definiremos el producto interno de un vector rengln y un vector

columna. Esta definicin ser de gran utilidad en el concepto de producto
matricial.
b1

b2
Definicin 1.18. Sea a = (a1, a2, . . ., an) un vector rengln y b un
#
vector columna.

bn
Se define el producto interno de a y b (tambin llamado producto escalar o
producto punto), denotado por a b, como el escalar dado por
a b= a1b1 + a2b2 +. . .+ anbn
29
Unidad 1
Nota. Al tomar el producto interno del vector rengln a y el vector columna
b es necesario que a y b tengan el mismo nmero de componentes.
Ejemplo 16
2

a) Determina el producto interno de a = (1, 4, 3) y b 1
1

Por definicin
2

a b (1, 4, 3) 1 (1)(2) (4)(1) (3)(1) 2 4 3 3
1

7
2
b) Determina el producto interno de a 0, 1, 2, 4 y b
1
1
Por definicin:
7
2
a b (0, 1, 2, 4)
1
(0)(7) (1)(2) (2)(1) (4)(1) 0 2 2 4 4
Las propiedades del producto interno se especifican en el siguiente

resultado:
Teorema 1.2. Sean a, b, c, tres n-vectores y sea un escalar, entonces son
vlidas las siguientes afirmaciones:
i)
ii)
iii)
iv)
30
a0 0
a b b a
a b c a b a c
a b a b
lgebralineal
Ahora estamos listos para definir el producto matricial.
Definicin 1.19. Sea A = [aij] una matriz de orden m n y B = [bjk] una
matriz de orden n p. Se define el producto de A y B como la matriz AB = [cik]
de orden m p, donde la entrada cik es el producto interno del i-simo rengln
de A con la k-sima columna de B; esto es
b1k

b
cik ai1 , ai 2 , ..., ain i 2 k ai1b1k ai 2b2 k " ain bnk
#

bnk
Nota. El producto de A y B slo est definido cuando el nmero de

columnas de A es igual al nmero de renglones de B.
De la definicin 1.19. tenemos que si Amn y Bnp, entonces AB tiene orden
m p. Por ejemplo,
(A35) (B57) = (AB)37
Ejemplo 17
4
5 32
Sean A 2 3
1 4
y B
, determina AB
1 3 22
Como A tiene orden 3 2 y B tiene orden 2 2, entonces AB est definida

y es de orden 3 2.
c11
Sea AB c21
c
31
c12
c22 , entonces c11 se obtiene como sigue:

c32
4
Con A 2
1
3
5 32
1 4
y B
1 3 22
b
1
as, c11 (a11 , a12 ) i 11 (4, 0) i 4 0 4
1
b21
31
Unidad 1
Para calcular c12 se toma:
b
4
c12 (a11 , a12 ) i 12 (4, 0) i 16 0 16
3
b22
Continuando con el procedimiento anterior, se tiene que:
1
c21 (2, 3) i 2 3 5 ,
1
1
c31 (1, 5) i 1 5 6
1
4
Por tanto, AB 5
6
4
c22 (2, 3) i 8 9 1 ,
3
4
y c32 (1, 5) i 4 15 11 .
3
16
1
11
Nota. La multiplicacin de matrices no es conmutativa, esto es, en general

AB BA. Por ejemplo:
1 4 4
AB

2 8 1
8 0 0
2 0 0
4 8 1 4 12 48
y BA

2 2 8 3
12
1
Las propiedades bsicas de la multiplicacin matricial definidas para
matrices de Amn, Bnp y Cpq, as como por la matriz 0 y la matriz identidad I,
son resumidas en el teorema siguiente:
Teorema 1.3. La suma y producto de matrices estn definidos, por lo que se
tienen las siguientes propiedades:
1)
2)
3)
4)
5)
32
A(BC) = (AB)C
A(B + C) = AB + AC
(A + B)C = AC + BC
IA = A y BI = B
0A = 0 y A0 = 0
Propiedad asociativa de la multiplicacin.

Propiedad distributiva izquierda.
Propiedad distributiva derecha.
Propiedad multiplicativa de la matriz identidad.
Propiedad multiplicativa de la matriz cero.
lgebralineal
De estas propiedades observamos que las matrices A, B, C, cero (0) e identidad
(I), debern cumplir con la condicin de orden para la multiplicacin.
Veamos cmo las operaciones matriciales bsicas afectan la transposicin.
Teorema 1.4. Con A y B matrices, c un escalar las propiedades para la matriz
transpuesta estn definidas como sigue:
1)
2)
3)
4)
Transpuesta de una matriz transpuesta.

Transpuesta de una suma.
Transpuesta de un producto escalar.
Transpuesta de un producto de matrices.
T
A A
T
T
T
A B A B
T
cA cA
T
T T
AB B A
T
Ejercicio 3
1. Calcula las siguientes operaciones. Si no se puede, di por qu:
1 0 1
1 1 2
a)
0
1 1 1
b) 3
1 1 1
2
c) 5
2 7
7 10
1 2
4 3
d) 1 2
2
3 7
7 3
e) 4 5 5
1
6
2. Si es posible, calcula
3
a) 1 2
4
3
b) (1 2)
4

33
lgebralineal
1.6. Solucin de sistemas lineales nn

empleando la Regla de Cramer
En esta seccin explicaremos un mtodo muy til, llamado Regla de
Cramer, para resolver un sistema lineal de n ecuaciones con n variables que
tenga una solucin nica.
El trmino lineal proviene de la palabra lnea. La ecuacin de una lnea en
el plano xy es una ecuacin de la forma:
ax + by = c
(1)
donde a, b y c son constantes, y a y b no son ambas cero. En general, una

ecuacin lineal en las variables x1, x2 , . . ., xn es una ecuacin de la forma:
a1x l + a2 x2 + ...+ anxn = b
(2)
donde a1,a2 ,. . .,an y b son constantes, y a1,...,an no son todas cero.

Una solucin de la ecuacin lineal (2) es una sucesin de nmeros t1, t2 ,...,tn,
tales que si sustituimos x1 = t1, x2 = t2 , . . . , xn = t n en (2) se cumple la
igualdad. Resolver una ecuacin lineal significa encontrar todas sus soluciones;
el conjunto de soluciones se llama conjunto solucin.
Ejemplo 25
Resuelve la ecuacin lineal 4x5y = 3.
Despejando y de la ecuacin obtenemos que y
resolver se tiene que c R con x c, por lo que y
4x 3
. Entonces para
5
4c 3
es la solucin de la
5
ecuacin.
Con frecuencia deseamos resolver varias ecuaciones lineales al mismo
tiempo. Una coleccin finita de ecuaciones lineales en las variables x l , x2 , . . .,
xn se llama sistema de ecuaciones lineales.
En esta parte daremos una regla para resolver un sistema lineal de n
ecuaciones con n variables, esto es un sistema de la forma:
43
Unidad 1
a11 x1 a12 x2 " a1n xn b1
a21 x1 a22 x2 " a2 n xn b2
(3)
#
an1 x1 an 2 x2 " ann xn bn
Una solucin del sistema lineal (3) es una sucesin de n nmeros t1, t2 ,...,t n
con la propiedad de que cada ecuacin de (3) se satisface cuando x1 = t1, x2 =
t2 ,. . ., xn = t n son sustituidas en (3).
Definicin 1.24. Un sistema lineal que no tiene solucin se llama
inconsistente. Un sistema lineal con al menos una solucin es consistente.
E1 sistema lineal (3) se puede expresar como una ecuacin matricial de la
siguiente forma:
Ax=b.
(4)
donde
a11
a
A 21
#
an1
a12 " a1n

x1
b1

a22 " a2 n
x2
b
, x
y b 2
#
#
#
#

an 2 " ann
xn
bn
La ecuacin (4) es la ecuacin matricial asociada al sistema (3), y la matriz A

es la matriz de coeficientes del sistema (3).
Ejemplo 26
Determina la ecuacin matricial del sistema lineal siguiente:
2x 3y 4 z 5
4x
z2
x y 2z 1
La ecuacin matricial del sistema est dada como:

2
4
1
44
3
0
1
4 x 5

1 y 2
2 z 1
lgebralineal
Antes de enunciar la Regla de Cramer, daremos una interpretacin
geomtrica del conjunto solucin de un sistema lineal de 22.
Considera un sistema lineal de dos ecuaciones con dos variables:
a11 x a12 y b1
a21 x a22 y b2
Cada una de estas ecuaciones es la ecuacin de una recta en el plano xy.

As, geomtricamente se tienen tres casos:
(1) Si las rectas se cortan en un punto, entonces el sistema tiene una
solucin dada por el punto de interseccin.
(2) Si las rectas son paralelas, entonces el sistema no tiene solucin.
(3) Si las rectas coinciden, entonces el sistema tiene una infinidad de
soluciones, representadas por todos los puntos sobre la recta.
Las siguientes figuras ilustran dichas condiciones:
Figura 1.1
Figura 1.2
Figura 1.3
Ahora enunciamos la Regla de Cramer, la cual proporciona un algoritmo

para resolver sistemas lineales de n ecuaciones con n variables.
Teorema 1.6. (Regla de Cramer) Sea Ax = b la ecuacin matricial de un
sistema lineal de n ecuaciones con n variables. Si el det A 0 , entonces el sistema
lineal tiene una solucin nica dada por:
x1
det ( An )
det ( A1 )
det ( A2 )
, x2
, " , xn
det ( A)
det(A)
det ( A)
45
Unidad 1
donde Ai con i = 1, 2, . . ., n es la matriz que se obtiene al reemplazar la
b1

b
i-sima columna de A por el vector columna b 2 esto es :
#

bn
a11 a12 " a1i 1 b1 a1i 1 " a1n
Ai #
#
#
#
#
a
n1 an 2 " ani 1 bn ani 1 " ann
Ejemplo 27
Aplica la Regla de Cramer para resolver el sistema:
2x y 7
4 x 3 y 1
2
A
4
1
7
7
y B
, entonces A1
3
1
1
1
,
3
2
A2
4
y det(A) = 10, det(A1) = 20 y det(A2) = 30, por lo tanto:

x
det ( A1 ) 20
2
det(A) 10
det ( A2 ) 30
3
det(A)
10
Ejemplo 28
Aplica la Regla de Cramer para resolver el sistema:
x yz 2
x yz 3
x y z 4
1
1 1
2

1 , b 3
4
1
1

Sea A 1 1
1
1 1
1
1 , A2 1
1
1
1
Entonces A1 3 1
4
46
2
3
4
1
1
1
1 , y A3 1 1
1
1
1
3
4
lgebralineal
de tal manera que
x
det ( A3 ) 14 7
det(A1 ) 10
det ( A2 ) 12
5
, y
3, z
det ( A) 4
2
det ( A)
4
4 2
det ( A)
Ejercicio 6
1. Aplica la Regla de Cramer para resolver los siguientes sistemas:
a) 2 x y 8
3x y 7
b) 2 x 3 y 4
5x 2 y 2
c) 2 x y z 1
3 x 4 y z 1
4 x y 2 z 1
d) x 2 y 3z 1
y 4z 1
z 1
e) 3x 3 y 2 z 2
x 4 y 2z 7
5x 4 y z 3
Ejercicios resueltos
3 5 4 1 0
1. Considera la siguiente matriz A 1 2 8 6 3 y encuentra:
1 1 0 8 7
a) El primer rengln:
(3 5 4 1 0)
b) La tercera columna:
4
8
0
47
lgebralineal
Introduccin
l problema de solucionar un sistema de m ecuaciones con n incgnitas

ha sido objeto de estudio desde hace mucho tiempo. En esta unidad
estudiaremos varios mtodos para dar solucin a dichos sistemas
utilizando para ello las matrices y sus propiedades.
2.1. Representacin de un sistema mediante

matrices
En esta seccin veremos la representacin matricial de un sistema de mn.
Recordemos que esto significa que tenemos m ecuaciones, cada una con n
incgnitas:
a11 x1 a12 x2 " a1n xn b1
a21 x1 a22 x2 " a2 n xn b2
#
#
#
am1 x1 am 2 x2 " amn xn bm
Vamos a formar una matriz A de orden mn con todos los coeficientes de
las ecuaciones y dos vectores columna, el x formado por las incgnitas y el b
formado por los trminos independientes. As, tenemos:
a11
a21
...
A
ai1
...
am1
a12
a22
...
ai 2
...
am 2
... a1 j
... a2 j
... ...
... aij
... ...
... amj
... a1n
... a2 n
... ...
,
... ain
... ...
... amn
x1

x2
#
x ,
xi
#

xm
b1

b2
#
b
bi
#

bm
Definicin 2.1. Si tenemos un sistema de m ecuaciones con n incgnitas.

a11 x1 a12 x2 " a1n xn b1
a21 x1 a22 x2 " a2 n xn b2
#
am1 x1 am 2 x2 " amn xn bm
#
67
Unidad 2
La representacin matricial del sistema es:
Ax = b
donde A se llama la matriz de los coeficientes, x es el vector columna cuyas
entradas son las incgnitas y b es el vector columna cuyas entradas son los
trminos independientes de las ecuaciones.
a11
a21
...
Ax b
ai1
...
am1
a12
a22
...
ai 2
...
am 2
... a1 j
... a2 j
... ...
... aij
... ...
... amj
... a1n x1 b1
... a2 n x2 b2
... .... # #

... ain xi bi
... ... # #

... amn xm bm
Ejemplo 1
Escribe los siguientes sistemas en su representacin matricial:
a) Con el sistema dado por las siguientes ecuaciones:
2 x1 4 x2 6 x3 18
4 x1 5 x2 6 x3 24
3 x1 x2 2 x3 4
2
tenemos que A 4
3
4
5
1
6 es la matriz de los coeficientes,

2
x1
18

x x2 y b 24 entonces el sistema se puede escribir como
x
4
3

2
Ax b 4
3
68
4
5
1
6 x1 18

6 x2 24
2 x3 4
lgebralineal
b) Sea el sistema de ecuaciones dado por:
3a 2b 5c 6d 7
4a b 3c 2d 1
a 5b 3c d 1
3
tenemos que A 4
1
2
1
5
5
3
3
a
6
7

b
2 , x
y b 1
c
1
1

, entonces
el sistema queda representado como

3
Ax b 4
1
2
1
5
5
3
3
2
1
a
7
b 1
c
1
d
Los ejemplos anteriores tienen la caracterstica de que para todos los

trminos independientes al menos uno es distinto de cero, por lo que son
sistemas de ecuaciones no homogneos, de lo que definiremos cuando todos
los trminos independientes son iguales a cero.
Definicin 2.2. Un sistema de ecuaciones de mn se llama homogneo si el
vector b de los trminos independientes es el vector cero. Ax = 0
Ejemplo 2
2 x1 4 x2 x3 0
0
El sistema x1 3 x2 4 x3 0 es un sistema homogneo ya que b 0
0
2 x1 x2 x3 0

3 x1 5 x2 x3 3
Si tenemos un sistema no homogneo 2 x1 3 x2 6 x3 2 siempre podemos
x1 2 x2 2 x3 1
3 x1 5 x2 x3 0
formar un sistema homogneo asociado a l: 2 x1 3 x2 6 x3 0 poniendo 0 en
x1 2 x2 2 x3 0
los resultados.
69
Unidad 2
Las matrices que hemos estudiado son conformadas por los coeficientes
de las ecuaciones del sistema, por lo que definiremos las que contienen una
columna ms, que incluye al vector columna de los valores independientes.
Definicin 2.3. Se llama matriz aumentada de un sistema mn a la matriz
de orden m(n+1) que se obtiene al aumentar a la matriz de los coeficientes una
columna formada por los trminos independientes.
Ejemplo 3
3 x1 5 x2 x3 3
a) Obtn la matriz aumentada del sistema 2 x1 3 x2 6 x3 2
x1 2 x2 2 x3 1
1
3 5
Sea A 2 3
6 , entonces la matriz aumentada es
1
2 2
B 2
1
5
3
2
1
6
2
2
1
Nota que A es de orden 33 y la matriz aumentada B es de orden 34.

b) Obtn la matriz aumentada del sistema
3x 2 y z 9
entonces
x 3y 6z 8
3 2 1
3 2 1
A
es la matriz de coeficientes y B 1 3 6
1 3 6
aumentada
9
es la matriz
8
Nota que A es de orden 23 y que la matriz aumentada B es de orden 24.
70
lgebralineal
Ejercicio 1
1. De los siguientes sistemas de ecuaciones lineales, encuentra:
Su representacin matricial.
La matriz aumentada.
El sistema homogneo asociado.
a) 4 x1 3 x2 5 x3 3 x4 4
2 x1 4 x2 7 x3 x4 2
7 x1 6 x2 2 x3 2 x4 0
b) 2 x1 7 x2 6
3 x1 x2 1
4 x1 2 x2 4
c) 3 x1 x2 9 x3 3 x4 18
3 x1 3 x2 2 x3 3 x4 54
2.2. Solucin de sistemas de orden mn,

mediante el mtodo de Gauss
Para resolver un sistema de m ecuaciones con n incgnitas usaremos
el mtodo de Gauss, para ello necesitamos llevar la matriz a una forma
adecuada, de tal manera que podamos obtener inmediatamente el resultado de
las incgnitas, las matrices se llevan a ceros en algunos de sus elementos en
forma de escaln.
Definicin 2.4. Una matriz A se encuentra en forma escalonada reducida
por renglones si cumple con las siguientes condiciones:
i. Todos los renglones cuyos elementos son todos ceros aparecen en la parte
inferior de la matriz.
ii. El primer nmero diferente de cero (comenzando por la izquierda) en
cualquier rengln cuyos elementos no son todos cero es 1.
iii. Si dos renglones sucesivos tienen elementos distintos de cero, entonces el
primer 1 en el rengln de abajo est ms hacia la derecha que el primer 1
en el rengln de arriba.
71
lgebralineal
Ejercicio 1
a) 4 x1 + 3 x2 5 x3 + 3 x4 = 4
2 x1 4 x2 + 7 x3 + x4 = 2
7 x1 6 x2 + 2 x3 + 2 x4 = 0
b) 2 x1 + 7 x2 = 6
3 x1 x2 = 1
4 x1 2 x2 = 4
c) 3 x1 + x2 9 x3 3 x4 = 18
3 x1 + 3 x2 2 x3 + 3 x4 = 54

forma de escaln.
71
Unidad 2
iv. Cualquier columna que contiene el primer 1 en un rengln, tiene ceros en el
resto de sus elementos. El primer nmero diferente de cero en un rengln se
llama pivote de ese rengln.
Una matriz se encuentra en forma escalonada por renglones si se cumplen
las condiciones
(i), (ii) y (iii).
Cabe sealar que:
a) La forma escalonada reducida por renglones es nica.
b) Es posible que al cambiar la sucesin de operaciones elementales sobre los
renglones se llegue a formas escalonadas distintas.
Ejemplo 4
1. Las siguientes matrices estn en la forma escalonada reducida por
renglones:
1 0 0 0
a) 0 1 0 0
0 0 1 0
1 0 2
b) 0 1 3
0 0 0
1 0 0 5
c)
0 0 1 2
1 0 0 0
d) 0 1 0 0
0 0 0 1
2. Las siguientes matrices no estn en la forma escalonada reducida por

renglones:
72
1 0 0 0
a) 0 4 0 0
0 0 1 0
Tiene un 4 en el segundo
rengln en lugar de 1.
b) 0
1
0
El tercer rengln tiene 1 a la

izquierda del 1 del segundo
rengln y debe estar a la
derecha.
0
1
0
0
0
0
0
0
lgebralineal
1 0 0
c) 0 0 0
0 0 1
El rengln de puros ceros

no est en la parte inferior
de la matriz.
Observacin: Siempre se puede llevar una matriz a la forma escalonada

reducida por renglones realizando operaciones elementales con los renglones.
Por lo anterior, requerimos conocer cules son las operaciones elementales
que se pueden realizar con los renglones de una matriz; stas surgen de
convertir una ecuacin en otra equivalente realizando ciertas operaciones como
son:
Definicin 2.5. Las operaciones elementales con renglones de una matriz
son:
i. Multiplicar o dividir un rengln por un nmero diferente de cero.
ii. Sumar un mltiplo de un rengln a otro rengln.
iii. Intercambiar dos renglones.
El proceso de aplicar las operaciones elementales con renglones para
simplificar una matriz aumentada se llama reduccin por renglones.
Notacin:
1. Ri
cRi significa reemplaza el i-simo rengln por ese mismo rengln
multiplicado por c. (Para multiplicar un rengln por c, se multiplica cada
nmero del rengln por c).
2. Rj
Rj + cRi significa sustituye el j-simo rengln por la suma del
rengln j ms el rengln i multiplicado por c.
3. Ri
Rj quiere decir intercambiar los renglones i y j.
Ejemplo 5
2
1. Lleva la matriz A= 4
3
renglones:
4
5
1
6
6 a la forma escalonada reducida por
2
73
Unidad 2
2
4
3
4
5
1
6
2
R 2 R 2 R3
1
6
3
4
4
1
6
1
R1 R 2
8
2
3
2
4
8
0
1
1
R1 R1 + R 2
0 4 10
0
1
0 11 26 R 2 1/ 4 R 2 0 11
4
4
1
8
2 R 2 2 R1
6 R
R3 R 3 3 R 1
2
2
5/ 2
26
1 0 2
1 0 2
R 2 R 2 R3
3 2 / 3R 3
0 1 5 / 2
0 1
1 R
0 0 3/ 2
0 0 3/ 2
R 3 R 3 +11R 2
0 2
1
2 R 2 R3
1
1 R
0
0
0
1
1
0
0
0
1
0
2
1 0 0
1 R1 +2R 3
0 1 0
0 R
0 0 1
1
Estamos ya en condiciones de aprender el mtodo de Gauss para resolver

un sistema de ecuaciones.
Mtodo de eliminacin de Gauss para resolver un sistema de ecuaciones.
i.
Se reduce por rengln la matriz aumentada del sistema a la forma

escalonada.
ii. Se despeja el valor de la ltima incgnita.
iii. Se usa la sustitucin hacia atrs para las dems incgnitas.
Ejemplo 6
2 x + 4 y + 6 z = 18
1. Resuelve el sistema 4 x + 5 y + 6 z = 24 usando el mtodo de Gauss.
3x + y 2 z = 4
2 4
6 18
Se forma la matriz de los coeficientes aumentada 4 5
6
24 y se
3 1 2
4
reduce a su forma escalonada por renglones:

2 4
4 5
3 1
74
6
6
2
1 2
18
1 1 / 2 R1
4 5
24 R
3 1
4
3
6
2
1
9
0
2 R 2 4 R1
24 R
R 3 R 3 3 R1
0
4
2
3
3 6
5 11
9
12
23
lgebralineal
1
2 1 / 3 R 2
R
0
0
2
1
5
3
2
11
1
9
3 R 3 5 R 2
4 R
0
0
23
2
1
0
3
2
1
9
2 R 2
4 RR
3 R 3
1 2 3 9
0 1 2 4 De aqu regresamos a un sistema de ecuaciones
0 0 1 3
x + 2 y + 3z = 9
y + 2 z = 4 donde ya tenemos el valor de z = 3; sustituyendo en la segunda
z =3
ecuacin obtenemos el valor de y: y + 2(3) = 4 y = 2 ; sustituyendo en la
primera ecuacin los valores de z y y obtenemos el valor de x: x + 2(2) + 3(3)
= 9 x = 4. Por lo que la solucin es (4, 2, 3).
2. Resuelve el sistema
x1 + 3x2 5 x3 + x4 = 4
por el mtodo de Gauss.
2 x1 + 5 x2 2 x3 + 4 x4 = 6
1 3 5 1
Se forma la matriz aumentada
2 5 2 4
renglones.
1 3 5 1
2 5 2 4
1 3 5
1
0 1 8 2
4 R 2 R 2 2 R1 1
6
0
3
1
4 R1 R1 3 R 2 1 0
2
0 1
5 1
8 2
19
8
4
y se reduce por
6
4 R 2 R 2
7
2
2
2
x1 + 19 x3 + 7 x4 = 2
x2 8 x3 2 x4 = 2
lo que evidentemente nos muestra que tenemos una infinidad de soluciones,
pues los valores de x3 y x4 pueden escogerse de manera arbitraria, y para cada
par de valores obtenemos los valores de x1 y de x2.
Si regresamos al sistema de ecuaciones obtenemos
Como mencionamos en la definicin 1.24, un sistema de ecuaciones lineales

es inconsistente si no tiene solucin y consistente si tiene al menos una
solucin.
Nota. Recordemos los sistemas homogneos; en ellos los trminos
independientes son todos cero, por lo tanto podemos decir que un sistema
homogneo siempre tiene al menos una solucin: la trivial (donde todas las
variables x1 = x2 = x3 = = 0) y por tanto siempre es consistente.
75
Unidad 2
Ejercicio 2
1. Di si las siguientes matrices se encuentran en forma escalonada por
renglones (pero no reducida por renglones), en forma escalonada reducida por
renglones o ninguna de las dos:
1 1 0
a) 0 1 0
0 0 1
1 0 1 0
b) 0 1 1 0
0 0 0 0
1 0
c) 0 1
0 0
1 0 0 4
d) 0 1 0 5
0 1 1 6
2. Usa las operaciones elementales con renglones para reducir las siguientes
matrices a la forma escalonada por renglones y a la forma escalonada reducida
por renglones:
1 1
a)
2 3
2 4 2
b)
3
1
6
2
c) 3
4
7
5
3
2 4
5
d) 3
6
0
8
8
4
3. Encuentra las soluciones (si las hay) de los siguientes sistemas usando el
mtodo de Gauss:
2x + 3 y z = 3
a) x 2 y + 2 z = 1
3x + y + 3z = 0
76
lgebralineal
b) 2 x + 3 y z = 2
x y + 2z = 1
x1 + x2 = 4
c) 2 x1 3x2 = 7
3x1 + 2 x2 = 8

mediante el mtodo de Gauss-Jordan
El mtodo de Gauss-Jordan para resolver sistemas de ecuaciones es muy
similar al mtodo de Gauss, la diferencia es que en ste se pide que la reduccin
de las matrices sea en la forma escalonada reducida, con lo que se obtienen
directamente las soluciones del sistema.
Mtodo de Gauss-Jordan para resolver un sistema de ecuaciones lineales.
i.
Se reduce la matriz aumentada a la forma escalonada reducida por

renglones.
ii. Se obtienen las soluciones del sistema.
Ejemplo 7
x + 2 y + 3z = 9
1. Resuelve el sistema 4 x + 5 y + 6 z = 24 utilizando el mtodo de Gauss3x + y 2 z = 4
Jordan:
1 2
Formamos la matriz aumentada 4 5
3 1
forma escalonada reducida por renglones:

1
4
2
5
1
3
6
2
1
9
2 R 2 4 R1
24 R
0
R 3 R 3 3 R1
0
4
1 2
3 R3 +5R 2
R
0 1
0 0
3
2
1
2
3
5
3
6
11
3
6
2
9
24 y la llevamos a la
4
1
9
2 1 / 3 R 2
0
12 R
0
23
9
1 2 3
3 R 3
4 R
0 1 2
0 0 1
3
2
3
1
2
5 11
9
4
23
9
1 R1 2 R 2
4 R
77
Unidad 2
1 0 1
0 1
2
0 0 1
1
1 0 0
0 1 0
2 R 2 2 R3
4 R
R1 R1 + R 3
0 0 1
3
4
2
3
De aqu podemos obtener las soluciones del sistema

x = 4; y = 2; z = 3.
3x1 + 6 x2 6 x3 = 9
2 x1 5 x2 + 4 x3 = 6 usando Gauss-Jordan.
x1 + 16 x2 14 x3 = 3
Formamos la matriz aumentada 2

1
6
5
16
6
4
14
9
3
1
0
3
2
6
5
16
2
9
18
2
8
16
6
4
14
9
1
R1 1 / 3 R1
6 2
1
3
3
1
R 3 1/2R 3
0 0
0
0
1
2 1 / 9 R 2
R
0
0
2
1
0
2
8 / 9
0
2
9
9
2
8
8
2
5
16
2
4
14
3
2 R 2 2R1
6 R
R 3 R 3 + R1
1
3
R 3 R 3 +R 2
0
0
0
0
3
1
1 R1 2R 2
0 R
0
0
0
0
1
0
2 / 9
8 / 9
0
2
9
0
2
8
0
3
0
0
3
0
0
Como la matriz tiene un rengln cuyos elementos son todos ceros, podemos
x 2 / 9 x3 = 3
concluir que el sistema tiene una infinidad de soluciones, ya que 1
x2 8 / 9 x3 = 0
y por lo tanto x1 y x2 dependen del valor de x3.
x+ yz=7
3. Resuelve el sistema 4 x y + 5 z = 4 usando el mtodo de Gauss-Jordan.
6 x + y + 3z = 20
Llevamos la matriz aumentada

reducida.
1
4
78
1
1
1
1
5
3
1
4
1
1
1
1
7
1
R 2 R 2 4 R1
4 R

0 5
3 R 3 6 R1
0 5
20
1
5
3
1
9
9
7
4 a su forma escalonada
20
7
2 R 2 R3
24 R
22
lgebralineal
1
0
1
0
5
1
0
9
7
1
0
1 R1 +1/5R 3
2 R
R 2 R3
0
22
0 4/5
9
5
0 0
13 / 5
22
2
Como la matriz tiene un rengln (0, 0, 0, 2) indica que el sistema no tiene

solucin ya que no existe un nmero que sea 2 y al mismo tiempo sea cero.
Ejercicio 3
1. Encuentra las soluciones (si las hay) de los siguientes sistemas de
ecuaciones usando el mtodo de Gauss-Jordan. Explica.
a)
x1 + x2 x3 = 7
4 x1 x2 + 5 x3 = 4
2 x1 + 2 x2 3x3 = 0
b)
3x1 + 6 x2 6 x3 = 9
2 x1 5 x2 + 4 x3 = 6
5 x1 + 28 x2 26 x3 = 8
c) x1 2 x2 + 3x3 = 11
4 x1 + x2 x3 = 4
2 x1 x2 + 3x3 = 10
2.4. Matriz inversa y matriz adjunta

En esta seccin definiremos dos tipos de matrices muy importantes que son
bsicas en la teora de matrices y que nos son tiles para la solucin de sistemas
de ecuaciones.
Comencemos con un ejemplo sencillo:
2 5
3 5
Sean A =
, obtengamos los productos AB y BA.
y B = 1
1
3
2
2 5 3
AB = 1 3 1
5 1 0
3
=
2 0 1 y BA = 1
5 2 5 1 0 , por
=
2 1 3 0 1
1 0
lo tanto podemos decir que AB = BA = I2, donde I2 =
es la matriz
0 1
identidad de 22.
A la matriz B se le llama matriz inversa de A y se denota B=A1.
79
lgebralineal
1
0
1
0
5
1
0
9
7
1
0
1 R1 +1/5R 3
2 R
R 2 R3
0
22
0 4/5
9
5
0 0
13 / 5
22
2

Ejercicio 3
a)
x1 x2 x3 7
4 x1 x2 5 x3 4
2 x1 2 x2 3x3 0
b)
3x1 6 x2 6 x3 9
2 x1 5 x2 4 x3 6
5 x1 28 x2 26 x3 8
c) x1 2 x2 3x3 11
4 x1 x2 x3 4
2 x1 x2 3x3 10

de ecuaciones.
2 5
3 5
Sean A =
y B = 1
1
3
2
2 5 3
AB = 1 3 1
5 1 0
3
2 0 1 y BA = 1
5 2 5 1 0 , por
2 1 3 0 1
1 0
es la matriz
0 1
identidad de 22.
79
Unidad 2
Definicin 2.7. Sean A y B dos matrices de orden nn que satisfacen AB =

BA = I donde I es la matriz identidad de orden nn,
entonces B se llama matriz inversa de A y se denota por A1.
De donde se tiene que AA1 = A1A = I. En este caso se dice que A es
invertible.
As como toda matriz, tambin existen propiedades para la matriz
identidad e inversa.
Teorema 2.1. Propiedad de la matriz identidad.
Sean A una matriz de orden nn e I la matriz identidad de orden nn,
entonces
AI = IA = A
Teorema 2.2. Propiedades de las matrices invertibles.
Sean A y B dos matrices invertibles de orden nn, entonces
1. La inversa es nica.
2. (A1)1 = A
3. (AB)1 = B1 A1
En este momento nos podemos hacer las siguientes preguntas:
1. Todas las matrices cuadradas tienen inversa?
2. Qu matrices tienen inversa?
3. Si una matriz tiene inversa, cmo se puede calcular?
En esta parte vamos a contestar esas preguntas. Comenzaremos con el caso
de 22.
2 3
Consideremos la matriz A =
y vamos a suponer que es
4
5
invertible.
x y
1
Sea A1 =
, entonces debe satisfacer que AA = I, por lo tanto:
z w
80
lgebralineal
2
AA1 =
4
3 x y 2 x 3z
5 z w 4 x 5 z
2 y 3w 1 0
4 y 5w 0 1
Recordemos que dos matrices son iguales si todas sus entradas lo son, por
lo cual
2x 3z = 1; 4x + 5z = 0; 2y 3w = 0; 4y + 5w = 1.
Con esto se forman dos sistemas de ecuaciones lineales:
2 y 3w 0
2 x 3z 1
y
y para resolverlos vamos a escribirlos en
4 y 5w 1
4 x 5z 0
la forma matricial aumentada: 2

4
3
5
1 y 2 3
0 . Al
4
0
5
1
1 0
x 1 0
y
y
reducirlas obtendremos los resultados
z 0 1
w
0 1
Como la matriz original es la misma para ambos sistemas, podemos
realizar la reduccin por renglones al mismo tiempo considerando la
2 3
1 0
nueva matriz aumentada
al hacerlo obtendremos
5
0 1
4
1 0
0 1
2
4
x y
z w
3
5
1 0 R1 1 / 2 R1 1 3 / 2

0 1
5
4
1 / 2 0 R 2 R 2 4 R1
0 1
1 3 / 2
0 1
1 0
1/ 2 0
R 2 R 2
2 1 R1 R1 3 / 2 R 2 0 1
5 / 2 3 / 2
1
2
1 0
0 1
x y
z w
De donde obtenemos las soluciones x = 5/2; z = 2; y = 3/2; w = 1

5 / 2 3 / 2
Entonces A es invertible y su inversa es A1 = 2
1
Este ejemplo nos ilustra un procedimiento para encontrar la matriz inversa

que siempre funciona y que se puede generalizar a matrices de orden nn.
81
Unidad 2
Procedimiento para encontrar la inversa de una matriz cuadrada A
1. Se escribe la matriz aumentada ( A
I) .
2. Se utiliza la reduccin por renglones para poner la matriz A en su forma

escalonada reducida por renglones.
3. Se decide si es invertible.
a. Si la forma escalonada reducida por renglones de A es la matriz identidad
I, entonces A1 es la matriz que se tiene a la derecha de la barra vertical.
b. Si la reduccin de A conduce a un rengln de ceros a la izquierda de la
barra vertical, entonces A no es invertible.
Ejemplo 8
2
1
1. Sea A =
vamos a determinar si es o no invertible.
2
1
2 4
1 0 R 2 R 2 2 R1 1 2
0 1
0 0
1 0
2 1
Como tiene un rengln de ceros a la izquierda de la barra vertical, A no es

invertible.
2
2. Sea A = 4
3
es encontrar A1.
2
4
4
5
1
6
6
2
1
0
2 R 2 4R1
R
R 3 R 3 3R1
82
4
5
1
6
6 , vamos a determinar si es o no invertible, y si lo
2
1 0 0
1
R1 1 / 2 R1
0 1 0 4
3
0 0 1
2
3
3 6
5 11
2
5
1
3
6
2
1/ 2 0 0
0 1 0
0 0 1
1/ 2 0 0
2 1/3R 2
2 1 0 R
3 / 2 0 1
lgebralineal
1
0
1/ 2
0 0
1
0
3 R 3 + 5R 2
2 / 3 1 / 3 0 R
R1 R1 2R 2
0
0 1
3 / 2
2
3
1
2
5 11
1 0 0
0 1 2
0 0 1
R 3 1R 3
R1 R1 + R 3
1 0 0
0 1 0
0 0 1
8 / 3
2/3
11 / 6
8 / 3
7/3
13 / 3 11 / 3
11 / 6
5/3
7/3
1 / 3
5/3
0
1
0
1
2
1
5 / 6
2/3
11 / 6
2/ 3 0
1 / 3 0
5 / 3 1
1
2 R 2 2R 3
0 R
1
2
1
7 / 3 1
8 / 3
2 (*)
De donde obtenemos la matriz inversa A1 = 13 / 3 11 / 3
11 / 6
5 / 3 1
6 8 / 3
7 / 3 1 1 0 0
2 4
6 13 / 3 11 / 3
2 0 1 0
Verificacin: AA1 = 4 5
3 1 2 11 / 6
5 / 3 1 0 0 1
Nota: Es importante verificar que AA1 = I.

Veamos algunos resultados importantes acerca de las matrices inversas.
Teorema 2.3. Sea A una matriz de orden nn.
Entonces A es invertible, si y slo si, det A 0
Ejemplo 9
1. Consideremos la matriz del ejemplo anterior:
2 4
A 4 5
3 1
determinante.
det A = 2
5
1
6
6 sabemos que es invertible, vamos a calcular su
2
6
4
4
2
3
6
4 5
6
2(106) 4(818) + 6(415) = 6
2
3 1
83
Unidad 2
det A 0
2
1
2. Consideremos la matriz A =
y calculemos su determinante.
det A = 4 + 4 = 0 y
2
1
2 4
invertible.
1 0 R 2 R 2 2 R1 1 2
0 1
0 0
1 0
por lo tanto no es
2 1
Vamos ahora a dar la definicin de otra matriz importante en nuestra

bsqueda de matrices inversas.
Recordemos lo que son los cofactores de una matriz A (Definicin 1.22)
i j
Aij 1 M ij
2
Si A = 4
3
5
6
A11=
1 2
A13=
6
6 entonces sus cofactores son
2
4
6
= 10 6 = 16 A12=
= (818) = 26
3 2
4
5
1
4 5
= 415 = 11
3 1
A21=
4
1
6
= (86) = 14
2
A23=
2 4
= (212) = 10
3 1
4 6
A31= 5 6 = 24 30 = 6
A22=
2
3
6
= 418 = 22
2
2 6
A32= 4 6 = (1224) = 12
A33= 2 4 = 1016 = 6
4 5
Con estos cofactores haremos una matriz de orden 33 de tal manera que
obtendremos una matriz B:
16
B 14
6
26
22
12
11
10
6
Habiendo calculado esta matriz podemos definir lo siguiente:
84
lgebralineal
Definicin 2.8. Sea A una matriz de orden nn y sea B la matriz formada
por los cofactores de A. Entonces la adjunta de A, que se denota adj A es la
transpuesta de la matriz B, es decir:
A11
A
adj A = BT= #12
A1n
A21 " An1

A22 " An 2
#
#
A2 n " Ann
Ejemplo 10
6
2 4
4
5
6
Vamos a encontrar la adjunta de
3 1 2
Sea B la matriz de los cofactores de A.

26 11
A11 A12 A13 16
B = A21 A22 A23 14 22
10 entonces
6
12 6
A31 A32 A33
14
16
adj A =BT = 26 22
11
10
6
12
6
Ya con estos elementos podemos encontrar la inversa de una matriz usando

su determinante y su matriz adjunta como nos lo indica el siguiente teorema.
Teorema 2.4. Si A es una matriz de orden nn invertible.
Entonces
A1 =
1
adjA
det A
Ejemplo 11
2
Usaremos la matriz anterior A = 4
3
inversa.
4
5
1
6
6 y vamos a calcular su
2
85
Unidad 2
5
6
4
4
1 2
3
32 + 104 66 = 6
det A = 2
6
4 5
6
= 2(106) 4(818) +6(415) =
2
3 1
16
1
1
26
adj A =
entonces A =
6
6 11
14
22
10
6 8 / 3
7/3
12 = 13 / 3 11 / 3
6 11 / 6
5/3
1
2
1
Nota que esta matriz inversa ya la habamos obtenido con el mtodo de

Gauss-Jordan.*
Observacin: Este teorema refuerza el resultado acerca de que una matriz
invertible necesariamente debe tener un determinante distinto de cero.
Ejercicio 4
1. Encuentra la matriz inversa, si existe, usando el mtodo de GaussJordan. En caso de que no exista la matriz inversa, indica la razn:
a) 2 1
3 2
b) 1 1
3 3
1
3 2
2
c) 0 2
0 0 1
2
1 6
3
5
d) 2
7 12 4
0 2
1 3
e) 3 12 2 6
10
2
5
2
1
6
1
3
2. Encuentra la matriz inversa, si existe, usando el mtodo de la matriz

adjunta. Recuerda calcular primero el determinante para ver si existe o no.
* En este momento ya tenemos dos mtodos para calcular la matriz inversa, sin embargo, podemos notar
que si n > 3 , en general es ms fcil calcular A1 con el mtodo de la reduccin por renglones que usando
la matriz adjunta, pues aun en el caso de 44 tenemos que calcular 17 determinantes.
86
lgebralineal
a) 3
1
1
b) 1
0
2
2
2 3
1 2
1 2
2
c) 1
19
1
0
7
4
5
3
2.5. Solucin de sistemas de nn, mediante la

matriz inversa
En esta seccin encontraremos la solucin de un sistema de ecuaciones de
nn mediante la matriz inversa.
El siguiente resultado nos da una pista acerca de cmo encontrar la solucin
de un sistema si la matriz de coeficientes asociada es invertible.
Teorema 2.5. Sea A la matriz de coeficientes de un sistema de ecuaciones de
orden nn. Entonces se cumplen las siguientes condiciones:
A es invertible.
El sistema Ax = b tiene una solucin nica que es x = A1b
El sistema homogneo asociado Ax = 0 tiene una solucin nica que es
x=0
Ejemplo 12
Consideremos el siguiente sistema de ecuaciones:
2 x 4 y 3z 1
y z 2 formamos la matriz de coeficientes A =
3x 5 y 7 z 1
2
0
3
4
1
5
3
1
7
Vamos a ver si A es invertible, para eso calculamos su determinante:

det A = 2
1
5
1
4 3
4
0
3
7
5 7
1
3
= 2(7+5) + 0 + 3(43) = 3
1
87
Unidad 2
Mtodo de GaUss
Matriz inversa
MUltiplicativa
Objetivos:
Al inalizar la unidad, el alumno:
Representar un sistema de m ecuaciones lineales con n incgnitas
mediante una matriz de orden mn.
Conocer y aplicar el mtodo de Gauss para solucionar un sistema de
mn.
Conocer y aplicar el mtodo de Gauss-Jordan para solucionar un
sistema de nn.
Identificar las caractersticas de la matriz inversa multiplicativa.
Usar el mtodo de Gauss-Jordan para encontrar la matriz inversa
multiplicativa.
Usar la matriz adjunta para encontrar la matriz inversa multiplicativa.
Aplicar el mtodo de la matriz inversa para resolver sistemas de nn.
lgebralineal
Introduccin
l problema de solucionar un sistema de m ecuaciones con n incgnitas

ha sido objeto de estudio desde hace mucho tiempo. En esta unidad
estudiaremos varios mtodos para dar solucin a dichos sistemas
utilizando para ello las matrices y sus propiedades.
2.1. Representacin de un sistema mediante

matrices
En esta seccin veremos la representacin matricial de un sistema de mn.
Recordemos que esto significa que tenemos m ecuaciones, cada una con n
incgnitas:
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2 n xn = b2
am1 x1 + am 2 x2 + + amn xn = bm
Vamos a formar una matriz A de orden mn con todos los coeficientes de
las ecuaciones y dos vectores columna, el x formado por las incgnitas y el b
formado por los trminos independientes. As, tenemos:
a11
a21
...
A=
ai1
...
am1
a12
a22
...
ai 2
...
am 2
... a1 j
... a2 j
... ...
... aij
... ...
... amj
... a1n
... a2 n
... ...
,
... ain
... ...
... amn
x1

x2

x = ,
xi

xm
b1

b2

b=
bi

bm
Definicin 2.1. Si tenemos un sistema de m ecuaciones con n incgnitas.

a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2 n xn = b2
=
am1 x1 + am 2 x2 + + amn xn = bm
67
Unidad 2
La representacin matricial del sistema es:

Ax = b
donde A se llama la matriz de los coeficientes, x es el vector columna cuyas
entradas son las incgnitas y b es el vector columna cuyas entradas son los
trminos independientes de las ecuaciones.
a11
a21
...
Ax = b
ai1
...
am1
a12
a22
...
ai 2
...
am 2
... a1 j
... a2 j
... ...
... aij
... ...
... amj
... a1n x1 b1
... a2 n x2 b2
... ....
=
... ain xi bi
... ...

... amn xm bm
Ejemplo 1
Escribe los siguientes sistemas en su representacin matricial:
a) Con el sistema dado por las siguientes ecuaciones:
2 x1 + 4 x2 + 6 x3 = 18
4 x1 + 5 x2 + 6 x3 = 24
3 x1 + x2 2 x3 = 4
tenemos que A = 4
3
4
5
1
6 es la matriz de los coeficientes,

2
x1
18

x = x2 y b = 24 entonces el sistema se puede escribir como
x
4
3

2
Ax = b 4
3
68
4
5
1
6 x1 18

6 x2 = 24
2 x3 4
lgebralineal
b) Sea el sistema de ecuaciones dado por:
3a + 2b 5c + 6d = 7
4a b + 3c 2d = 1
a + 5b 3c + d = 1
3
tenemos que A = 4
1
2
1
5
5
3
3
el sistema queda representado como

3
Ax = b 4
1
2
1
5
5
3
3
2
1
a
6
7

b
2 , x =
y b= 1
c
1
1

, entonces
a
7
b= 1
Los ejemplos anteriores tienen la caracterstica de que para todos los

trminos independientes al menos uno es distinto de cero, por lo que son
sistemas de ecuaciones no homogneos, de lo que definiremos cuando todos
los trminos independientes son iguales a cero.
Definicin 2.2. Un sistema de ecuaciones de mn se llama homogneo si el

vector b de los trminos independientes es el vector cero. Ax = 0
Ejemplo 2
2 x1 4 x2 + x3 = 0
0
El sistema x1 3 x2 + 4 x3 = 0 es un sistema homogneo ya que b = 0
0
2 x1 x2 + x3 = 0

3 x1 5 x2 + x3 = 3
Si tenemos un sistema no homogneo 2 x1 3 x2 + 6 x3 = 2 siempre podemos
x1 + 2 x2 2 x3 = 1
3 x1 5 x2 + x3 = 0
formar un sistema homogneo asociado a l: 2 x1 3 x2 + 6 x3 = 0 poniendo 0 en
x1 + 2 x2 2 x3 = 0
los resultados.
69
Unidad 2
Las matrices que hemos estudiado son conformadas por los coeficientes
de las ecuaciones del sistema, por lo que definiremos las que contienen una
columna ms, que incluye al vector columna de los valores independientes.
Definicin 2.3. Se llama matriz aumentada de un sistema mn a la matriz

de orden m(n+1) que se obtiene al aumentar a la matriz de los coeficientes una
columna formada por los trminos independientes.
Ejemplo 3
3 x1 5 x2 + x3 = 3
a) Obtn la matriz aumentada del sistema 2 x1 3 x2 + 6 x3 = 2
x1 + 2 x2 2 x3 = 1
1
3 5
Sea A = 2 3
6 , entonces la matriz aumentada es
1
2 2
B = 2
1
5
3
2
1
6
2
2
1
Nota que A es de orden 33 y la matriz aumentada B es de orden 34.

b) Obtn la matriz aumentada del sistema
3x 2 y + z = 9
entonces
x 3y + 6z = 8
3 2 1
3 2 1
A=
es la matriz de coeficientes y B = 1 3 6
1 3 6
aumentada
9
es la matriz
8
Nota que A es de orden 23 y que la matriz aumentada B es de orden 24.
70
lgebralineal
Ejercicio 1
a) 4 x1 + 3 x2 5 x3 + 3 x4 = 4
2 x1 4 x2 + 7 x3 + x4 = 2
7 x1 6 x2 + 2 x3 + 2 x4 = 0
b) 2 x1 + 7 x2 = 6
3 x1 x2 = 1
4 x1 2 x2 = 4
c) 3 x1 + x2 9 x3 3 x4 = 18
3 x1 + 3 x2 2 x3 + 3 x4 = 54

forma de escaln.

71
Unidad 2
iv. Cualquier columna que contiene el primer 1 en un rengln, tiene ceros en el

resto de sus elementos. El primer nmero diferente de cero en un rengln se
llama pivote de ese rengln.
Una matriz se encuentra en forma escalonada por renglones si se cumplen
las condiciones
(i), (ii) y (iii).
Cabe sealar que:
a) La forma escalonada reducida por renglones es nica.
b) Es posible que al cambiar la sucesin de operaciones elementales sobre los
renglones se llegue a formas escalonadas distintas.
Ejemplo 4
1. Las siguientes matrices estn en la forma escalonada reducida por
renglones:
1 0 0 0
a) 0 1 0 0
0 0 1 0
1 0 2
b) 0 1 3
0 0 0
1 0 0 5
c)
0 0 1 2
1 0 0 0
d) 0 1 0 0
0 0 0 1
2. Las siguientes matrices no estn en la forma escalonada reducida por

renglones:
1 0 0 0
a) 0 4 0 0
0 0 1 0
Tiene un 4 en el segundo
rengln en lugar de 1.
0
1
0
0
El tercer rengln tiene 1 a la

izquierda del 1 del segundo
rengln y debe estar a la
derecha.
b) 0
1
0
72
0
0
0
0
lgebralineal
1 0 0
c) 0 0 0
0 0 1
El rengln de puros ceros

no est en la parte inferior
de la matriz.
Observacin: Siempre se puede llevar una matriz a la forma escalonada

reducida por renglones realizando operaciones elementales con los renglones.
Por lo anterior, requerimos conocer cules son las operaciones elementales
que se pueden realizar con los renglones de una matriz; stas surgen de
convertir una ecuacin en otra equivalente realizando ciertas operaciones como
son:
Definicin 2.5. Las operaciones elementales con renglones de una matriz

son:
i. Multiplicar o dividir un rengln por un nmero diferente de cero.
ii. Sumar un mltiplo de un rengln a otro rengln.
iii. Intercambiar dos renglones.
El proceso de aplicar las operaciones elementales con renglones para
simplificar una matriz aumentada se llama reduccin por renglones.
Notacin:
1. Ri
cRi significa reemplaza el i-simo rengln por ese mismo rengln
multiplicado por c. (Para multiplicar un rengln por c, se multiplica cada
nmero del rengln por c).
2. Rj
Rj + cRi significa sustituye el j-simo rengln por la suma del
rengln j ms el rengln i multiplicado por c.
3. Ri
Rj quiere decir intercambiar los renglones i y j.
Ejemplo 5
2
1. Lleva la matriz A= 4
3
renglones:
4
5
1
6
6 a la forma escalonada reducida por
2
73
Unidad 2
2
4
3
4
5
1
6
2
2 R 2 R3
1
6 R
3
2
4
4
1
6
1
1 R2
2
8 R
3
2
4
8
0
1
1
R1 R1 + R 2
0
0 4 10
1
0 11 26 R 2 1/ 4 R 2 0 11
2
5/ 2
26
4
4
1
8
2 R 2 2 R1
6 R
R3 R 3 3 R 1
1 0 2
1 0 2
3 R 3 +11R 2
2 R 2 R3
3 2 / 3R 3
R
0 1 5 / 2 R
0 1
1 R
0 0 3/ 2
0 0 3/ 2
0 2
1
2 R 2 R3
1
1 R
0
0
0
1
1
0
0
0
1
0
2
1 0 0
1 R1 +2R 3
0 1 0
0 R
0 0 1
1
Estamos ya en condiciones de aprender el mtodo de Gauss para resolver

un sistema de ecuaciones.
Mtodo de eliminacin de Gauss para resolver un sistema de ecuaciones.

i.
Se reduce por rengln la matriz aumentada del sistema a la forma

escalonada.
ii. Se despeja el valor de la ltima incgnita.
iii. Se usa la sustitucin hacia atrs para las dems incgnitas.
Ejemplo 6
2 x + 4 y + 6 z = 18
1. Resuelve el sistema 4 x + 5 y + 6 z = 24 usando el mtodo de Gauss.
3x + y 2 z = 4
2 4
6 18
Se forma la matriz de los coeficientes aumentada 4 5
6
24 y se
3 1 2
4
reduce a su forma escalonada por renglones:

2 4
4 5
3 1
74
6
6
2
1 2
18
R1 1 / 2 R1
24 4 5
3 1
4
3
6
2
9
1
R 2 R 2 4 R1
0
24
R 3 R 3 3 R1
0
4
2
3
3 6
5 11
9
12
23
lgebralineal
1
0
0
R 2 1 / 3 R 2
2
1
5
3
2
11
9
1
R 3 R 3 5 R 2
4
0
0
23
2
1
0
3
2
1
9
2 R 2
4 RR
3 R 3
1 2 3 9
0 1 2 4 De aqu regresamos a un sistema de ecuaciones
0 0 1 3
x + 2 y + 3z = 9
y + 2 z = 4 donde ya tenemos el valor de z = 3; sustituyendo en la segunda
z =3
ecuacin obtenemos el valor de y: y + 2(3) = 4 y = 2 ; sustituyendo en la
primera ecuacin los valores de z y y obtenemos el valor de x: x + 2(2) + 3(3)
= 9 x = 4. Por lo que la solucin es (4, 2, 3).
x1 + 3x2 5 x3 + x4 = 4
por el mtodo de Gauss.
2 x1 + 5 x2 2 x3 + 4 x4 = 6
1 3 5 1
Se forma la matriz aumentada
2 5 2 4
renglones.
1 3 5 1
2 5 2 4
1
1 3 5
0 1 8 2
4 R 2 R 2 2 R1 1
6
0
3
1
4 R1 R1 3 R 2 1 0
2
0 1
5 1
8 2
19
8
4
y se reduce por
6
4 R 2 R 2
7
2
2
2
x1 + 19 x3 + 7 x4 = 2
x2 8 x3 2 x4 = 2
lo que evidentemente nos muestra que tenemos una infinidad de soluciones,
pues los valores de x3 y x4 pueden escogerse de manera arbitraria, y para cada
par de valores obtenemos los valores de x1 y de x2.
Si regresamos al sistema de ecuaciones obtenemos
Como mencionamos en la definicin 1.24, un sistema de ecuaciones lineales

es inconsistente si no tiene solucin y consistente si tiene al menos una
solucin.
Nota. Recordemos los sistemas homogneos; en ellos los trminos
independientes son todos cero, por lo tanto podemos decir que un sistema
homogneo siempre tiene al menos una solucin: la trivial (donde todas las
variables x1 = x2 = x3 = = 0) y por tanto siempre es consistente.
75
Unidad 2
Ejercicio 2
1. Di si las siguientes matrices se encuentran en forma escalonada por
renglones (pero no reducida por renglones), en forma escalonada reducida por
renglones o ninguna de las dos:
1 1 0
a) 0 1 0
0 0 1
1 0 1 0
b) 0 1 1 0
0 0 0 0
1 0
c) 0 1
0 0
1 0 0 4
d) 0 1 0 5
0 1 1 6
2. Usa las operaciones elementales con renglones para reducir las siguientes
matrices a la forma escalonada por renglones y a la forma escalonada reducida
por renglones:
1 1
a)
2 3
2 4 2
b)
1
6
3
2
c) 3
4
7
5
3
2 4
5
d) 3
6
0
8
8
4
3. Encuentra las soluciones (si las hay) de los siguientes sistemas usando el
mtodo de Gauss:
2x + 3 y z = 3
a) x 2 y + 2 z = 1
3x + y + 3z = 0
76
lgebralineal
b) 2 x + 3 y z = 2
x y + 2z = 1
x1 + x2 = 4
c) 2 x1 3x2 = 7
3x1 + 2 x2 = 8

mediante el mtodo de Gauss-Jordan
El mtodo de Gauss-Jordan para resolver sistemas de ecuaciones es muy
similar al mtodo de Gauss, la diferencia es que en ste se pide que la reduccin
de las matrices sea en la forma escalonada reducida, con lo que se obtienen
directamente las soluciones del sistema.
Mtodo de Gauss-Jordan para resolver un sistema de ecuaciones lineales.

i.
Se reduce la matriz aumentada a la forma escalonada reducida por

renglones.
ii. Se obtienen las soluciones del sistema.
Ejemplo 7
x + 2 y + 3z = 9
1. Resuelve el sistema 4 x + 5 y + 6 z = 24 utilizando el mtodo de Gauss3x + y 2 z = 4
Jordan:
1 2
Formamos la matriz aumentada 4 5
3 1

1
4
2
5
1
3
6
2
1
9
0
2 R 2 4 R1
24 R
R 3 R 3 3 R1
1 2
0 1
0 0
R3 R3 +5R 2
3
2
1
2
3
5
3
6
11
3
6
2
9
4
1
9
2 1 / 3 R 2
12 R
0
0
23
1 2 3
9
R 3 R 3
0 1 2
4
0 0 1
3
2
3
1
2
5 11
9
1 R1 2 R 2
4 R
3
9
4
23
77
Unidad 2
1
1 0 0
R 2 R 2 2 R3
4
0 1 0
R1 R1 + R 3
0 0 1
3
1 0 1
0 1
2
0 0 1
4
2
3
De aqu podemos obtener las soluciones del sistema

x = 4; y = 2; z = 3.
3x1 + 6 x2 6 x3 = 9
2 x1 5 x2 + 4 x3 = 6 usando Gauss-Jordan.
x1 + 16 x2 14 x3 = 3
Formamos la matriz aumentada 2

1
6
5
16
6
4
14
9
3
1
0
3
2
2
9
18
6
5
16
2
8
16
1
9
1 1 / 3 R1
2
6 R
1
3
6
4
14
1
3
3 1/2R 3
0
0 R
0
0
1
2 1 / 9 R 2
R
0
0
2
1
0
2
8 / 9
0
2
9
9
2
8
8
2
5
16
2
4
14
3
2 R 2 2R1
6 R
R 3 R 3 + R1
3
1
3 R 3 +R 2
0
0 R
0
0
1
3
1 R1 2R 2
0
0 R
0
0
0
1
0
2 / 9
8 / 9
0
2
9
0
3
0
0
2
8
0
3
0
0
Como la matriz tiene un rengln cuyos elementos son todos ceros, podemos
x 2 / 9 x3 = 3
concluir que el sistema tiene una infinidad de soluciones, ya que 1
x2 8 / 9 x3 = 0
y por lo tanto x1 y x2 dependen del valor de x3.
x+ yz=7
3. Resuelve el sistema 4 x y + 5 z = 4 usando el mtodo de Gauss-Jordan.
6 x + y + 3z = 20
Llevamos la matriz aumentada

reducida.
78
1
4
1
1
1
1
5
3
1
4
1
1
1
1
1
7
R 2 R 2 4 R1

0 5
4 R
3 R 3 6 R1
0 5
20
1
5
3
1
9
9
7
4 a su forma escalonada
20
7
2 R 2 R3
24 R
22
lgebralineal
1
0
1
0
5
1
0
9
7
1
R1 R1 +1/5R 3
2
0
R 2 R3
0
22
0 4/5
9
5
0 0
13 / 5
22
2

Ejercicio 3
a)
b)
x1 + x2 x3 = 7
4 x1 x2 + 5 x3 = 4
2 x1 + 2 x2 3x3 = 0
3x1 + 6 x2 6 x3 = 9
2 x1 5 x2 + 4 x3 = 6
5 x1 + 28 x2 26 x3 = 8
c) x1 2 x2 + 3x3 = 11
4 x1 + x2 x3 = 4
2 x1 x2 + 3x3 = 10

de ecuaciones.
2 5
3 5
Sean A =
y B = 1
1
3
2
2 5 3
AB = 1 3 1
5 1 0
3
=
2 0 1 y BA = 1
5 2 5 1 0 , por
=
2 1 3 0 1
1 0
es la matriz
0 1
identidad de 22.
79
Unidad 2
Definicin 2.7. Sean A y B dos matrices de orden nn que satisfacen AB =

BA = I donde I es la matriz identidad de orden nn,
entonces B se llama matriz inversa de A y se denota por A1.
De donde se tiene que AA1 = A1A = I. En este caso se dice que A es
invertible.
As como toda matriz, tambin existen propiedades para la matriz
identidad e inversa.
Teorema 2.1. Propiedad de la matriz identidad.

Sean A una matriz de orden nn e I la matriz identidad de orden nn,
entonces
AI = IA = A
Teorema 2.2. Propiedades de las matrices invertibles.

Sean A y B dos matrices invertibles de orden nn, entonces
1. La inversa es nica.
2. (A1)1 = A
3. (AB)1 = B1 A1
En este momento nos podemos hacer las siguientes preguntas:
1. Todas las matrices cuadradas tienen inversa?
2. Qu matrices tienen inversa?
3. Si una matriz tiene inversa, cmo se puede calcular?
En esta parte vamos a contestar esas preguntas. Comenzaremos con el caso
de 22.
2 3
Consideremos la matriz A =
y vamos a suponer que es
5
4
invertible.
x y
1
Sea A1 =
, entonces debe satisfacer que AA = I, por lo tanto:
z w
80
lgebralineal
2
AA1 =
3 x y 2 x 3z
=
5 z w 4 x + 5 z
2 y 3w 1 0
=
4 y + 5w 0 1
Recordemos que dos matrices son iguales si todas sus entradas lo son, por
lo cual
2x 3z = 1; 4x + 5z = 0; 2y 3w = 0; 4y + 5w = 1.
Con esto se forman dos sistemas de ecuaciones lineales:
2 y 3w = 0
2 x 3z = 1
y
y para resolverlos vamos a escribirlos en
4 y + 5w = 1
4 x + 5z = 0
1 y 2 3
0 . Al
0
5
1
4
1 0
x 1 0
y
y
reducirlas obtendremos los resultados
z 0 1
w
0 1
Como la matriz original es la misma para ambos sistemas, podemos
realizar la reduccin por renglones al mismo tiempo considerando la
2 3
1 0
nueva matriz aumentada
al hacerlo obtendremos
5
0 1
4
la forma matricial aumentada: 2

4
1 0
0 1
2
4
x y
z w
3
5
1 3 / 2
0 1
1 0
0 1
x y
z w
3
5
1 0 R1 1 / 2 R1 1 3 / 2

0 1
5
4
1 0
1/ 2 0
R 2 R 2
R
1 R1 + 3 / 2 R 2
2 1
0 1
1 / 2 0 R 2 R 2 + 4 R1
0 1
5 / 2 3 / 2
=
1
2
De donde obtenemos las soluciones x = 5/2; z = 2; y = 3/2; w = 1

5 / 2 3 / 2
Entonces A es invertible y su inversa es A1 = 2
1
Este ejemplo nos ilustra un procedimiento para encontrar la matriz inversa

que siempre funciona y que se puede generalizar a matrices de orden nn.
81
Unidad 2
Procedimiento para encontrar la inversa de una matriz cuadrada A

1. Se escribe la matriz aumentada ( A
I) .
2. Se utiliza la reduccin por renglones para poner la matriz A en su forma

escalonada reducida por renglones.
3. Se decide si es invertible.
a. Si la forma escalonada reducida por renglones de A es la matriz identidad
I, entonces A1 es la matriz que se tiene a la derecha de la barra vertical.
b. Si la reduccin de A conduce a un rengln de ceros a la izquierda de la
barra vertical, entonces A no es invertible.
Ejemplo 8
2
1
1. Sea A =
vamos a determinar si es o no invertible.
2 4
1
2
2 4
1 0 R 2 R 2 + 2 R1 1 2
0 1
0 0
1 0
2 1
Como tiene un rengln de ceros a la izquierda de la barra vertical, A no es

invertible.
2
2. Sea A = 4
3
es encontrar A1.
2
4
4
5
1
6
6
2
0
0
R 2 R 2 4R1
R 3 R 3 3R1
82
4
5
1
6
6 , vamos a determinar si es o no invertible, y si lo
2
1 0 0
1
R1 1 / 2 R1
0 1 0 4
3
0 0 1
2
3
3 6
5 11
2
5
1
3
6
2
1/ 2 0 0
0 1 0
0 0 1
1/ 2 0 0
2 1/3R 2
2 1 0 R
3 / 2 0 1
lgebralineal
1
0
1
1/ 2
0 0
0
3 R 3 + 5R 2
2 / 3 1 / 3 0 R
R1 R1 2R 2
0
3 / 2
0 1
2
3
1
2
5 11
1 0 0
0 1 2
0 0 1
R 3 1R 3
R1 R1 + R 3
1 0 0
0 1 0
0 0 1
8 / 3
2/3
11 / 6
8 / 3
7/3
13 / 3 11 / 3
11 / 6
5/3
1
2
1
7/3
1 / 3
5/3
0
1
0
1
2
1
5 / 6
2/3
11 / 6
1
2 R 2 2R 3
0 R
2 / 3 0
1 / 3 0
5 / 3 1
7 / 3 1
8 / 3
2 (*)
De donde obtenemos la matriz inversa A1 = 13 / 3 11 / 3
11 / 6
/
5
3
1
7 / 3 1 1 0 0
6 8 / 3
2 4
2 =0 1 0
6 13 / 3 11 / 3
Verificacin: AA1 = 4 5
0 0 1
3 1 2 11 / 6
5
/
3
1
Nota: Es importante verificar que AA1 = I.

Veamos algunos resultados importantes acerca de las matrices inversas.
Teorema 2.3. Sea A una matriz de orden nn.

Entonces A es invertible, si y slo si, det A 0
Ejemplo 9
1. Consideremos la matriz del ejemplo anterior:
2 4
A = 4 5
3 1
determinante.
det A = 2
5
1
6
6 sabemos que es invertible, vamos a calcular su
2
4
6
4
2
3
4 5
6
+6
= 2(106) 4(818) + 6(415) = 6
2
3 1
83
Unidad 2
det A 0
2
1
2. Consideremos la matriz A =
y calculemos su determinante.
2 4
det A = 4 + 4 = 0 y
1
2
2 4
invertible.
1 0 R 2 R 2 + 2 R1 1 2
0 1
0 0
1 0
por lo tanto no es
2 1
Vamos ahora a dar la definicin de otra matriz importante en nuestra

bsqueda de matrices inversas.
Recordemos lo que son los cofactores de una matriz A (Definicin 1.22)
i+ j
Aij = (1) M ij
2
Si A = 4
3
5
6
A11=
1 2
A13=
6
6 entonces sus cofactores son
2
4
6
= 10 6 = 16 A12=
= (818) = 26
3 2
4
5
1
4 5
= 415 = 11
3 1
6
= (86) = 14
2
A21=
4
1
A23=
2 4
= (212) = 10
3 1
4 6
A31= 5 6 = 24 30 = 6
A22=
2
3
6
= 418 = 22
2
2 6
A32= 4 6 = (1224) = 12
A33= 2 4 = 1016 = 6
4 5
Con estos cofactores haremos una matriz de orden 33 de tal manera que
obtendremos una matriz B:
16
B = 14
6
26
22
12
11
10
6
Habiendo calculado esta matriz podemos definir lo siguiente:
84
lgebralineal
Definicin 2.8. Sea A una matriz de orden nn y sea B la matriz formada

por los cofactores de A. Entonces la adjunta de A, que se denota adj A es la
transpuesta de la matriz B, es decir:
A11
A
adj A = BT= 12
A1n
A21 An1
A22 An 2

A2 n Ann
Ejemplo 10
6
2 4
6
Vamos a encontrar la adjunta de A = 4 5
3 1 2
Sea B la matriz de los cofactores de A.

26 11
A11 A12 A13 16
B = A21 A22 A23 = 14 22
10 entonces
6
12
6
A
A
A
32
33
31
14
16
adj A =BT = 26 22
11
10
6
12
6
Ya con estos elementos podemos encontrar la inversa de una matriz usando

su determinante y su matriz adjunta como nos lo indica el siguiente teorema.
Teorema 2.4. Si A es una matriz de orden nn invertible.

Entonces
A1 =
1
adjA
det A
Ejemplo 11
2
Usaremos la matriz anterior A = 4
3
inversa.
4
5
1
6
6 y vamos a calcular su
2
85
Unidad 2
4
5
6
4
3
1 2
32 + 104 66 = 6
det A = 2
4 5
6
+6
= 2(106) 4(818) +6(415) =
2
3 1
16
1
1
26
adj A =
entonces A =
6
6 11
14
22
10
6 8 / 3
7/3
12 = 13 / 3 11 / 3
6 11 / 6
5/3
1
2
1
Nota que esta matriz inversa ya la habamos obtenido con el mtodo de

Gauss-Jordan.*
Observacin: Este teorema refuerza el resultado acerca de que una matriz
invertible necesariamente debe tener un determinante distinto de cero.
Ejercicio 4
1. Encuentra la matriz inversa, si existe, usando el mtodo de GaussJordan. En caso de que no exista la matriz inversa, indica la razn:
a) 2 1
3 2
b) 1 1
3 3
1
3 2
2
c) 0 2
0 0 1
2
1 6
3
5
d) 2
7 12 4
0 2
1 3
e) 3 12 2 6
10
2
5
2
1
6
1
3
2. Encuentra la matriz inversa, si existe, usando el mtodo de la matriz

adjunta. Recuerda calcular primero el determinante para ver si existe o no.
* En este momento ya tenemos dos mtodos para calcular la matriz inversa, sin embargo, podemos notar
que si n > 3 , en general es ms fcil calcular A1 con el mtodo de la reduccin por renglones que usando
la matriz adjunta, pues aun en el caso de 44 tenemos que calcular 17 determinantes.
86
lgebralineal
a) 3
1
1
b) 1
0
2
2
2 3
1 2
1 2
2
c) 1
19
1
0
7
4
5
3
2.5. Solucin de sistemas de nn, mediante la

matriz inversa
En esta seccin encontraremos la solucin de un sistema de ecuaciones de
nn mediante la matriz inversa.
El siguiente resultado nos da una pista acerca de cmo encontrar la solucin
de un sistema si la matriz de coeficientes asociada es invertible.
Teorema 2.5. Sea A la matriz de coeficientes de un sistema de ecuaciones de

orden nn. Entonces se cumplen las siguientes condiciones:
A es invertible.
El sistema Ax = b tiene una solucin nica que es x = A1b
El sistema homogneo asociado Ax = 0 tiene una solucin nica que es
x=0
Ejemplo 12
Consideremos el siguiente sistema de ecuaciones:
2 x + 4 y + 3z = 1
y z = 2 formamos la matriz de coeficientes A =
3x + 5 y + 7 z = 1
2
0
3
4
1
5
3
1
7
Vamos a ver si A es invertible, para eso calculamos su determinante:

det A = 2
1
5
1
4
4 3
+0
+3
1
5 7
7
3
= 2(7+5) + 0 + 3(43) = 3
1
87
Unidad 2
Como el determinante es distinto de cero, la matriz es invertible y por lo
tanto el sistema tiene solucin nica.
Usando alguno de los mtodos vistos con anterioridad encontramos que
4 13/3 7/3
5/3
2/3 por lo tanto la solucin del sistema ser
A = 1
1
2/3
2/3
4 13/3 7/3 1
1
5/3
2/3 2 = (7 / 3 5 / 3 1 / 3) de donde
x = A b = 1
1
2/3
2/3 1
x = 7/3
2(7/3)+4(5/3)+3(1/3) = 1
1
y = 5/3
comprobando tenemos
z = 1/3
5/3 (1/3) = 2
3(7/3)+5(5/3)+7(1/3)= 1
Ejercicio 5
1. Considera los siguientes sistemas de ecuaciones lineales y encuentra:
1)
ii)
iii)
iv)
El determinante de la matriz de coeficientes asociada.

Con base en lo anterior indica si el sistema tiene o no solucin nica.
Encuentra la matriz inversa, si la hay.
Encuentra la solucin del sistema, si tiene, usando la matriz inversa.
a) x1 2 x2 + 3x3 = 0
4 x1 + x2 x3 = 0
2 x1 x2 + 3x3 = 0
b) x + 6 y = 2
4 x + 2 y = 1
c) 2 x 4 y + 8 z = 1
3x + 5 y + 8 z = 0
6 x + 4 z = 2
88
lgebralineal
1. Lleva a la forma escalonada reducida por renglones la matriz
3
1
2
4 1
5
3
6 7
1
1
1 R2
2
12 R
3
7
7
3
6
2
4
3
3
1
6
1
2
2 R 2 R3
1
5 R
3
7
3
7
6
1
0
0
7
17
1
12
1
3 R2
0
23 R
0
2
12
7
1
3 R 3 17 R 2
0
1 2 R
0
17 23
1
2 R 2 2R1
0
RR
3 R 3 3R1
0
1
1 R1 + 7R 2
R
0
0
1 0 0
0 1 0
0 0 1
7
17
27
0
1
0
12
1
3 R3 R 2
0
23 R
0
43
2
1
3 1/11R 3
0
2 R
0
11
7
17
10
12
1
7
12
3 1 / 10 R 3
23 R
20
7
1
0
12
2
11
0 2
2 R 2 + 2R 3
1 2 R
R1 R1 + 2R 3
0
1
2. Considera el siguiente problema:

Una compaa quiere comprar maquinaria y recibe de cuatro proveedores
los siguientes presupuestos:
Proveedor
Nm. compresoras
Nm. de medidores
Nm. vlvulas
Nm. reguladores
Costo total
millones de dlares
A
B
2
0
0
4
4
4
1
2
_______ _______
6
5
C
1
2
0
2
______
5
D
1
2
4
0
_______
4
Si sabemos que todos los proveedores tienen el mismo precio para cada tipo
de maquinaria, cuntos millones de pesos cuesta cada una de las mquinas?
89
Unidad 2
Para resolver este problema vamos a convertirlo a un sistema de ecuaciones
de la siguiente manera: sea x el precio de las compresoras, y el precio de los
medidores, z el precio de las vlvulas y w el precio de los reguladores, por lo
tanto tenemos:
2
0
1
1
2 x+ 4 z + w = 6
4 y + 4 z + 2w = 5
x + 2 y + 2w = 5 Consideremos la matriz aumentada
x + 2 y + 4z = 4
4
4
0
4
Resolveremos este sistema por el mtodo de Gauss-Jordan:
1
1 6
2 5 R1 R 3 0
2 5
2
1
0 4
1
2
0
2
0
1
1
1/2
R 2 1 / 4 R 2

4 3
0 4
0
0
4 2
2
0
1
1
0
4
2
2
0
4
2
2
4
4
0
4
1
0
3 1 / 8 R 3
R
0
0
1
0
4 2/3R 4
R
2
1
1
4
0
1
0
0
0
1
0
0
8
0
R3 R3 + R 4
5R
2
2
4
0
R1 R1 6R 4
0
1
1/2
1/8
2
0 6/8
0 5/8
1 1/8
0
1
0
8
0
0
0
0
8
0
0
0
0
1
1
2
2
0
0 2 5
2
0
1
4 2 5 R 3 R 3 2R1 0
4
4
4 1 6 R 4 R 4 R1 0 4
4
0
4 0 4
0
4
0 2
1
5
1
5/4 R 3 R 3 + 4R 2 0
1
1 1/2
R1 R1 2R 2
4
0
8 1
0
0
1
0
4
2
2
4
0
2
1
5/2
5/4 R 4 R 4 4R 3 0
R 2 R3
1/8 RR12
0
R1 + 2R 3
1
0
8
22/8
9/8 R1 8R1 0
8R 2
1/8 RR 32
0
8R 3
0
1
16
1
4 R1 1 / 8 R1 0
1 / 8 R 2
2 RR 32
0
1/ 8R3
0
1
0
8
0
0
0
1
0
0
0
0
8
0
0
0
1
0
0
1
0
0
0
0
1
0
6
5
1
1
0
0
0
1
6/8
5/8
1/8
3/2
22
9
1
1
6
5
5
4
2
5
2
5
3 4
2 1
5/ 2
5/4
1
1
22/8
9/8
1/8
3/2
2
1 / 2
1/ 4
1
de donde obtenemos las soluciones x = 2, y = 1/2, z = 1/4, w = 1 por lo

tanto el precio de cada mquina es:
compresora
medidores
vlvulas
reguladores
90
$ 2 millones
$ 500 mil
$ 250 mil
$ 1 milln
lgebralineal
1
3. Encuentra la matriz inversa de A= 3
0
Gauss-Jordan:
1
3
1 0 0
1
1 0
R 2 R 2 3R1
0 1 1
0 1 0
0 2 1
0 0 1
1 0
2 1
2 1
1 1
0 1
0 0
R 2 R 2
R 3 R 3 +2R 2
1 0
0 1
0 0
1
1
1
1
2
2
2
3
6
1
1
2
0
1
1
1
3
6
0 0
R 3 R 3
1 0 R
1 R1 R 2
2 1
0
1 0 0
R 2 R
R 2 + R3
0
0 1 0
R1 R1 R 3
0 0 1
1
4
por lo tanto la matriz inversa es A1 = 3
6
Vamos a comprobar:
1
AA = 3
0
1 0 4
2 1 3
2 1 6
1
1
2
0
1 con el mtodo de
1
1
1
2
1 1 0 0
1 = 0 1 0
1 0 0 1
1
1
1
1 0 0
3 1 0
0 0 1
4
3
6
1
1
2
1
1
1
3 1
2
2 usando la matriz
4. Encuentra la matriz inversa de A= 1 1
1
2 1
adjunta.
Primero vamos a calcular el determinante.

2
3 1
det A = 1 1
2 = 2(14) 3(12) 1(2+1) = 6+3+1 = 2, entonces
1
2 1
s tiene inversa.
Vamos a calcular los cofactores para obtener la adjunta.
1
1
2
1
2
A11 = 2 1 = 3 A12 = 1 1 = 1 A13 = 1
3 1
A21 = 2 1 = 1
2 1
A22 = 1 1 = 1
3
A31 = 1
2
A32 = 1
1
2 =5
1
2 = 3
1
2 = 1
2 3
A23 = 1 2 = 1
2
A33 = 1
3
1 = 1
91
Unidad 2
1 1
3
B = 1 1 1 entonces adj A = BT =
5 3
1
por lo tanto A1 =
1
2
1
5
3
1 1 3
1 1
1
1
5 3/ 2
3
1 1 3 = 1 / 2
1 1
1 1 / 2
1 / 2
1/ 2
1/ 2
5 / 2
3/ 2
1 / 2
Vamos a comprobar que efectivamente sea la inversa.

2
1
1
3
1
2
1 3/2
2 1/2
1 1/2
1/2
1/ 2
1/2
5/2 1 0 0
3/2 = 0 1 0
1/2 0 0 1
5. Resuelve el sistema de ecuaciones lineales usando la inversa.

2x + 3y z = 1
x y + 2z = 3
x + 2 y z = 2
2
Vamos a encontrar su matriz de coeficientes A = 1
1
3
1
2
1
2
1
Como podemos constatar, se trata de la matriz del ejemplo anterior, por

lo tanto sabemos que es invertible, y por lo tanto el sistema tiene una nica
solucin. Usando la matriz inversa obtenemos:
3/2
x = A b = 1/2
1/2
1/2
1/2
1/2
5/2 1
3/2 3
1/2 2
= (5 2 3) x = 5, y = 2, z = 3
Comprobamos
2(5)+3(2 )3 = 1063 = 1
5 (2)+2(3) = 5+2+6 = 3 con lo que sabemos que son las soluciones.
5+2(2)3 = 543 = 2
92
lgebralineal
Ejercicios propuestos
1. Reduce la matriz A a la forma escalonada por renglones:
2
A = 1
1
3 1
1
2
1 2
2. Lleva la matriz A a la forma escalonada reducida por renglones:

3 4 1
A = 5 2 3
2 1 0
3. Resuelve el sistema de ecuaciones usando el mtodo de Gauss-Jordan:

2x + 3y z = 3
x 2y + z = 0
2x + 2 y + z = 1
4. Di si el siguiente sistema tiene una solucin, infinitas soluciones o

ninguna solucin. Usa el mtodo de Gauss-Jordan:
x 3z = 0
y + 2z = 0
x+ yz=0
5. Encuentra la matriz inversa, si existe, usando el mtodo de GaussJordan:

4 3 2
0 6 3
1 2 1
6. En los siguientes ejercicios, haz lo que se te pide:

4 3 2
a) Encuentra la matriz adjunta de A = 0 6 3
1 2 1
b) Encuentra la inversa de A usando la matriz adjunta.
93
Unidad 2
Autoevaluacin
1. De las siguientes matrices escoge la que est en la forma escalonada
reducida por renglones:
1 0 1
a) 0 0 0
0 1 0
1 0 0 1
b) 0 1 0 1
1 0 0 0
1 0 3
c) 0 4 1
0 0 1
1 0 0
d) 0 1 0
0 0 1
2x + 3y z = 2
2. Cul es la representacin matricial del sistema x + 2 y + 3z = 0 ?
x + y 2 z = 1
2 3 1 x 2
3 y = 0
a) 1 2
1 1 2 z 1
2 1 1
1
b) 3 2
1 3 2
2 3
c) 1 2
1 1
2 3
d) 1 2
1 1
94
1
3
2
x 2

y = 0
z 1

1
3
2
2
0
1
lgebralineal
3. De las siguientes afirmaciones elige la que describe la diferencia entre el

mtodo de Gauss y el mtodo de Gauss-Jordan:
a) No hay diferencia.
b) El mtodo de Gauss pide que la matriz est escalonada por renglones y
el mtodo de Gauss-Jordan pide la matriz escalonada reducida por renglones.
c) El mtodo de Gauss es para sistemas de ecuaciones y el mtodo de
Gauss-Jordan para matrices.
d) El mtodo de Gauss-Jordan se usa para matrices de nn y el de Gauss
para matrices de mn.
4. Di cul de las siguientes operaciones con renglones se us para pasar de
la matriz A a la B:
1 0
1 0 1 3
B = 0 1
A = 2 1 0 1
1 0
1 0 0 1
1
2
0
3
5
1
a) R1 R1 + R 3
b) R 2 R 2 + R1
c) R 2 R 2 2 R1
d) R 2 R 2 + 2R1
2x + 3y z = 1
5. Cuntas soluciones tiene el sistema 3x y + 2 z = 0 (utiliza el mtodo de
Gauss)?
a) No tiene solucin.
b) Tiene slo una solucin.
c) Tiene infinitas soluciones.
d) Tiene dos soluciones.
2x + 3y z = 3
6. Es la solucin del sistema x y + z = 0 (utiliza el mtodo de Gaussx 2 y 2z = 3
Jordan):
a) x = 1; y = 0; z = 1
b) x = 1; y = 0; z = 1
c) x = 1; y = 1; z = 2
95
Unidad 2
d) No tiene solucin.
1
2
7. Es la matriz adjunta de A = 0 1
1 1
2
1
3
a) 2 5 3
5
4 2
3
2 :
1
5
3 2
b) 2 5 4
1
3 2
5
3 2
c) 2 5 4
1
3 2
2
d) 1
3
0
1
2
1
1
1
4
8. Es la matriz inversa de A = 2
4
a) No tiene inversa.
2 4
4
2
3
b)
1
1 1
1 0
c) 0 1
0 0
1
d) 0
0
1
7
7
3 1
2 1 :
3 1
5 / 14
1 / 7
0
1/ 2
1
1
2x y + z = 0
9. Es la solucin del sistema homogneo 3x + y z = 0
x y+z=0
a) x = 1; y = 1; z = 0
b) x = 0; y = 0; z = 0
c) No tiene solucin.
d) x = 0; y = 1; z = 1
96
lgebralineal
10. Elige la opcin que diga cules de las siguientes afirmaciones son
equivalentes:
1. A es invertible
2. det A = 0
3. det A 0
4. El sistema Ax = b tiene solucin nica.
5. El sistema Ax = b no tiene solucin.
6. El sistema Ax =0 slo tiene la solucin trivial.
a) 1; 2; 4
b) 1; 3; 4; 6
c) 1; 3; 5; 6
d) 1; 3; 5
97
lgebralineal
Respuestas a los ejercicios

Ejercicio 1
a)
La representacin matricial es 2
7
La matriz aumentada es 2
7
3
4
6
x
5 3 1 4
x
7 1 2 = 2
x
2 2 3 0
x4
5 3
4
7 1 2
2 2
0
3
4
6
4 x1 + 3x2 5 x3 + 3x4 = 0
El sistema homogneo asociado es 2 x1 4 x2 + 7 x3 + x4 = 0
7 x1 6 x2 + 2 x3 + 2 x4 = 0
La representacin matricial es 3
4
b)
2
La matriz aumentada es 3
4
7
1
2
7
6
x1
1 = 1
x
2 2 4
6
1
4
2 x1 + 7 x2 = 0
El sistema homogneo asociado es 3x1 x2 = 0
4 x1 2 x2 = 0
c)
3 1 9
La representacin matricial es
3 3 2
3 1 9
La matriz aumentada es
3 3 2
3
3
3
18
54
x1

x2 = 18
x3 54

x4
3x + x 9 x 3x = 0
El sistema homogneo asociado es 3x1 + 32x 23x + 34x = 0
1
2
3
4
99
Unidad 2
Ejercicio 2
1.
a) Escalonada.
b) Escalonada reducida.
c) Escalonada reducida.
d) Ninguna de las 2.
2.
1 1 1 0
a)
;
0 1 0 1
1 2
b) 0
1
1
;
9 / 7
1 12 1 0
c) 0 1 ; 0 1
0 0 0 0
1
d) 0
0
2
4
1 24 ;
0
1
1 0 11 / 7
0 1 9/7
1 0 0
0 1 0
0 0 1
3.
a) x = 1; y = 0; z = 1
b) Tiene una infinidad de soluciones.
c) No tiene solucin.
Ejercicio 3
1.
a) x1 = 9; x2 = 30; x3 = 14
b) No tiene solucin.
c) x1 = 2; x2 = 3; x3 = 1
Ejercicio 4
1.
2
a)
1
2
b) No es invertible porque tiene un rengln de ceros.
100
lgebralineal
1 / 3 1 / 3 1 / 3
1/ 2
1
c) 0
0
0
1
d) No es invertible porque hay un rengln de ceros.

0
e) 1
0
2
1
1
1
2
0
2
3
3
2
2
3
2
a) 1 / 2 1 / 2
3/ 4
1 / 4
1 1
0
b) 2 2 1
1
1
1
2.
c) No es invertible pues su determinante es cero.
Ejercicio 5
1.
a) det A = 12
El sistema tiene como nica solucin la trivial (x1 = 0, x2 = 0, x3 = 0)
(teorema 2.5.)
1 / 4 1 / 12
1/ 6
/
/ 4 13 / 12
7
6
1
La matriz inversa es
1 / 2 1 / 4
3 / 4
b) det A = 26
Tiene slo una solucin.
2 / 26 6 / 26
4 / 26 1 / 26
La solucin del sistema es x = 10/26; y = 7/26
c) det A = 520
Tiene solucin nica
1
260
10 8 36
30 28
4
15 12
11
La solucin es x = 82/260; y = 38/260; z = 7/260
101
Unidad 2
Respuestas a los ejercicios propuestos

1 1
1) 0 1
0 0
2
3
1
1 0 0
2) 0 1 0
0 0 1
3) x= 1; y = 0; z = 1
4) El sistema tiene una infinidad de soluciones: x = 3z; y = 2z
0 1 / 3
5) A = 1 2 / 3
2
5/3
6)
1
0
2
a) Adj A = 3
6 5
0 1/3
b) A1 = 1 2/3
2
5/3
1
4
8
3
12
24
1
4
8
Respuestas a la autoevaluacin
1. d)
2. a)
3. b)
4. c)
5. c)
6. a)
7. b)
8. a)
9. b)
10. b)
102
lgebralineal
Introduccin
l estudio de vectores comenz con el trabajo del gran matemtico irlands

sir William Hamilton (18051865). Aunque en su poca se consider que
los vectores no tenan ninguna utilidad, en la actualidad se usan cada vez
ms frecuentemente en fsica clsica y moderna y aun en las ciencias biolgicas
y sociales1.
En la unidad 1 se manej a los vectores como un conjunto ordenado o n ada

de nmeros reales, y como matrices de orden 1n, ejemplos de ellos son los puntos
del plano cartesiano R2 y del espacio R3.
Para muchas aplicaciones fsicas (incluyendo nociones de fuerza, velocidad,
aceleracin y momento) es importante pensar en el vector no como un punto
sino como una entidad que tiene longitud y direccin.. Es decir, vamos a
representar los vectores (x,y) de R2 como una flecha que parte del origen y que
termina en el punto (x,y).
Figura 3.1.
A lo largo de esta unidad definiremos espacios vectoriales cuyos
elementos no sean flechas sino objetos ms abstractos; sin embargo, siempre
regresaremos a R2 como ejemplo con el fin de visualizar los conceptos,
propiedades o resultados.
3.1. Definicin de espacio vectorial

La notacin de los vectores ser con letras minsculas en negritas y la de
los escalares reales con letras minsculas.
La siguiente definicin nos permite tener una generalizacin de espacios
vectoriales donde los objetos no necesariamente son neadas de puntos de Rn.
1
Vase el libro de Morris Kline, Mathematical Thought from Ancient to Modern Times, Oxford
University Press, 1972.
105
Unidad 3
Definicin 3.1. Sea V un conjunto de objetos, junto con dos operaciones
llamadas suma y multiplicacin por un escalar. Entonces V se llama espacio
vectorial real si se satisfacen los siguientes axiomas:
Si x V y y V entonces la suma x + y V.
(Cerradura bajo la suma.)
ii)
Para todo x, y y z en V, (x + y) + z = x + (y + z).
(Ley asociativa de la suma.)
iii) Existe un vector 0 V tal que para todo x V, x + 0 = 0 + x = x.
(El 0 se llama vector cero o idntico aditivo.)
iv) Si x V existe un vector x en V tal que x + (x) = 0
(x se llama inverso aditivo de x.)
v)
Si x y y estn en V, entonces x + y = y + x.
(Ley conmutativa de la suma de vectores.)
vi) Si x V y es un escalar, entonces x V.
(Cerradura bajo la multiplicacin por un escalar.)
vii) Si x y y estn en V y es un escalar, entonces (x + y) = x + y
(Primera ley distributiva.)
viii) Si x V y y son escalares, entonces () x = x + x
(Segunda ley distributiva.)
ix) Si xV y y son escalares, entonces (x) = ()x
(Ley asociativa de la multiplicacin por escalares.)
x)
Para cada vector x V, 1x = x.
i)
3.2. Ejemplos de espacios vectoriales

Vamos a considerar en este apartado diversas clases de ejemplos de
conjuntos que son espacios vectoriales y otros que no lo son:
1. Consideremos los vectores en el plano cartesiano R2. Vamos a probar que
R es un espacio vectorial:
2
Tomando los vectores a = (x1, y1) y b = (x2, y2), entonces definimos la suma
de a y b como a + b = (x1, y1) + (x2, y2) = (x1 + x2, y1 + y2) R2 y por lo
tanto satisface i). Los puntos ii) hasta el x) se obtienen de la definicin de suma
de matrices, ya que los puntos de R2 se consideran matrices de 12. Podemos
generalizar este resultado a las nadas reales (x1, x2,, xn) de Rn.
2. Sea V = {0}. Es decir, V consiste slo del nmero 0. Vamos a demostrar
que V es un espacio vectorial que recibe el nombre de espacio vectorial
trivial.
106
lgebralineal
i)
ii)
iii)
iv)
v)
vi
vii
viii)
ix)
x)
Como 0 + 0 = 0 V
(0 + 0) + 0 = 0 = 0 + (0 + 0)
0+0=0
0 + (0) = 0
0+0=0+0
V
1(0) = 0
Por lo tanto, V es un espacio vectorial.

3. Sea V = {1}. Tal que los elementos de V pertenecen a los naturales.
Este no es un espacio vectorial ya que 1 + 1 = 2 V, es decir no es cerrado
bajo la suma.
4. El conjunto de puntos de R2 que estn en una recta que pasa por el
origen.
Sea V = {(x,y) R2, tales que y = mx, donde m es un nmero real fijo}.
Sean x = (x1, y1) y y = (x2, y2) en V. Entonces y1 = mx1 y y2 = mx2 y
podemos escribir a x y y como sigue: x = (x1, mx1) y y = (x2, mx2)
x + y = (x1, mx1) + (x2, mx2) = (x1 + x2, mx1 + mx2); si factorizamos el
segundo trmino obtenemos mx1 + mx2 = m(x1 + x2), entonces x + y =
(x1 + x2, m[x1 + x2]) que es un elemento de V.
iv) Supn que x = (x, y) est en V, entonces y = mx. Definimos x = (x, y)
de donde obtenemos que y = (mx) = m(x). Por lo tanto x est en V.
i)
De igual manera se prueban todas las dems propiedades ya que R2 es un

espacio vectorial.
5. El conjunto de puntos de R2 que estn en una recta que no pasa por el
origen no es un espacio vectorial.
Sea V = {(x,y) R2, tales que y = mx + b, donde m y b son nmeros reales
fijos}.
107
Unidad 3
Si x = (x1, y1) y y = (x2, y2) en V, entonces y1 = mx1 + b y y2 = mx2 + b, de
donde x + y = (x1, mx1 + b) + (x2, mx2 + b) = (x1 + x2, mx1 + b + mx2 + b) , pero
mx1 + b + mx2 + b = m(x1 + x2) + 2b, y por lo tanto este elemento no est en V,
es decir V no es cerrado bajo la suma.
6. Sea Mmn el conjunto de matrices de mn con entradas en R.
Por las propiedades de las matrices de suma y producto por un escalar es
claro que el conjunto Mmn es un espacio vectorial.
7. El conjunto Pn, formado por polinomios de coeficientes reales de grado
menor o igual a n.
Si p Pn, entonces p = anxn + an1xn1 + + a1x + a0 donde todas las ai son
reales.
Si p y q Pn, donde q = bnxn + bn1xn1 + + b1x + b0 entonces, p + q =
(an + bn)xn + (an1 + bn1) xn1 + (a1 + b1) x + (a0 + b0) Pn.
Las propiedades ii) y v) a x) son consecuencia de la suma y producto de
polinomios.
iii) Definimos el polinomio 0 = 0xn + 0xn1 + + 0x + 0 Pn
iv) Definimos el polinomio p = anxn an1xn1 a1x a0 Pn
Por lo que podemos concluir que Pn es un espacio vectorial.
8. Sea C [0,1] el conjunto de todas las funciones continuas de valores reales
definidas en el intervalo [0,1].
Si f y g C [0,1] definimos ( f + g) (x) = f(x) + g(x) y (f ) (x) = [ f(x)].
Como la suma de funciones continuas es continua, el axioma i) se cumple;
los otros axiomas se cumplen si definimos las funciones cero como 0(x) = 0; y
(f )(x) = [ f(x)]. Por lo que C [0,1] es un espacio vectorial.
0
9. Sea H el conjunto de las matrices de 22 de la forma
donde
0 0
0 1
0 1
Consideremos las matrices A =
yB=
tenemos que A, B
0 0
0 0
0 0
0 1 0 1 0 0
y sin embargo A+B =

. Como la matriz cero
0 0
0 0 0 0 0 0
no est en H, podemos asegurar que H no es un espacio vectorial.
108
lgebralineal
0
10. Sea F el conjunto de matrices de 22 definida como
y sean
0 0
0 5
y escalares. Hagamos un primer caso, en el cual tenemos una matriz
0 0
de la cual =5 y sea =2, tenemos que al efectuar el producto del escalar
0 5 0 10
por la matriz se tiene que: (2)
, esta matriz es un espacio

0 0 0 0
vectorial de F, ya que se define para cualquier matriz de 2 2.
0 0
Un segundo caso es que tenemos una matriz de la forma
y =6 un
0 0
0 0
escalar, que al efectuar el producto del escalar por la matriz tenemos:
0 0
que es la matriz cero, que tambin es un espacio vectorial de F.
0 2
Un tercer caso es que se tiene la matriz
y un escalar =0, de
0 0
igual manera al efectuar el producto de este escalar por la matriz tenemos
0 2 0 0
(0)
, de lo que se observa que se obtiene la matriz cero, que es

0 0 0 0
un espacio vectorial de F.
De los ejemplos anteriores se puede ver demostrado el siguiente teorema.
Teorema 3.1. Sea V un espacio vectorial. Entonces:

i)
ii)
iii)
iv)
0 = 0 para todo escalar

0 x = 0 para todo x en V
Si x = 0, entonces = 0 o x = 0 (o ambos)
(1)x = x para todo x en V.
109
Unidad 3
Ejercicio 1
Menciona si los siguientes conjuntos son o no espacios vectoriales. En caso
de no serlo menciona cul de las propiedades es la que no se cumple:
1. El conjunto de puntos de R2 de la forma {(x,y) R2, tales que y = 3x}
2. El conjunto de puntos de R2 de la forma {(x,y) R2, tales que y = 3x + 2}
3. Los puntos de R2 que se encuentran en el primer cuadrante, es decir {(x,y)
R2, tales que x 0, y 0}.
0 a
4. El conjunto de matrices de orden 22 que tienen la forma
, a, b
b 0
escalares.
5. R2 con la suma definida por (x1, y1) + (x2, y2) = (x1 + x2 + 1, y1 + y2 + 1),
y la multiplicacin por escalar ordinaria.
6. El conjunto de vectores (x, y, z) en R3 donde 2x y 12z = 0.
3.3. Subespacios vectoriales

En la seccin anterior se vio que tanto R2 como un subconjunto de R2 son
espacios vectoriales, como ejemplo sea V = {(x, y) tales que y = mx}; ve los
ejemplos 1 y 4 seccin 3.2. Es evidente que VR2, y por lo tanto el espacio
vectorial R2 tiene un subconjunto que tambin es espacio vectorial.
Definicin 3.2. Sea H un subconjunto no vaco de un espacio vectorial V.
Entonces H se llama subespacio vectorial de V si H es un espacio vectorial
bajo las operaciones de suma y multiplicacin por escalar definidas en V.
Se puede decir que un subespacio vectorial H hereda las operaciones del
espacio vectorial V. De donde se desprende el siguiente teorema:
Teorema 3.2. Un subconjunto no vaco H de un espacio vectorial V es un
subespacio vectorial de V si se cumplen las propiedades de cerradura:
i) Si x H y y H, entonces x + y H.
ii) Si x H , entonces x H para todo escalar .
110
lgebralineal
Notas:
1. Este teorema nos dice que basta probar que la suma de elementos de H y
el producto por un escalar estn en H para que H sea un subespacio vectorial.
2. Se encuentra contemplado en el resultado anterior que Todo subespacio
de un espacio vectorial contiene a 0.
Ejemplo 1
a) Para cualquier espacio vectorial V, el subconjunto H = {0} es un
subespacio vectorial llamado subespacio trivial.
i) 0 + 0 = 0 H
ii0 = 0 H
Por lo tanto H = {0} es subespacio vectorial de V.
b) Sea V cualquier espacio vectorial, entonces V es un subespacio de s
mismo.
c) Sea H = {(x, y, z) R3 tales que x = at, y = bt, z = ct }, entonces H es un
subconjunto de R3.
i) Sean x = (x1, y1, z1) y y = (x2, y2, z2) H, entonces
x1 = at1,
y1 = bt1,
z1 = ct1 y
x2 = at2, y2 = bt2, z2 = ct2
x + y = (x1 + x2, y1 + y2, z1 + z2), de donde tenemos que:

x1 + x2 = at1 + at2 = a(t1 + t2)
y1 + y2 = bt1 + bt2 = b(t1 + t2)
z1 + z2 = ct1 + ct2 = c(t1 + t2) y por lo tanto x + y H
ii) Sea x = (x1, y1, z1)H y un escalar, entonces x1 = at1, y1 = bt1, z1 = ct1
x = (x1, y1, z1) = (x1, y1, z1) de donde tenemos que:

x1 = (at1) = a(t1); y1 = (bt1) = b(t1); z1 = (ct1) = c(t1)
y por tanto, x H
111
Unidad 3
iii) 0 = (0, 0, 0) H ya que 0 = 0t.
Por lo tanto podemos asegurar que H es un subespacio vectorial de R3.
d) Consideremos el espacio vectorial Mnn y sea H = {A Mnn A es
invertible}.
(Recordemos que una matriz es invertible si su determinante es distinto de
cero).
Consideremos la matriz cero de Mnn , como su determinante es cero no
es invertible, por lo tanto la matriz cero no est en H y en consecuencia H
no es subespacio vectorial de Mnn
e) Sea H = {(x, y, z) R3 tales que z = 1} es un subconjunto de R3.
i) Sean x = (x1, y1, z1) y y = (x2, y2, z2) H, entonces z1 = z2 = 1
x + y = (x1 + x2, y1 + y2, z1 + z2) de donde tenemos que:
z1 + z2 = 1 + 1 = 2 y por lo tanto, x + y H y H no es subespacio vectorial.
El siguiente teorema nos dice que podemos intersectar espacios vectoriales
para obtener otros subespacios vectoriales.
Teorema 3.3. Si H1 y H2 son subespacios vectoriales de V.
Entonces H1 H2 es un subespacio vectorial de V.
Ejemplo 2
Sean H1 = {(x, y) R2, tales que 2x y = 0} y
H2 = {(x, y) R2, tales que x + 2y = 0} subespacios vectoriales de R2
entonces, por el teorema anterior
H1 H2 = {(x, y) R2, tales que 2x y = 0 y x + 2y = 0} es un subespacio
vectorial de R2, por lo tanto H1 H2 = {(0,0)} es subespacio vectorial.
112
lgebralineal
Ejercicio 2
Determina en cada caso si el subconjunto dado H del espacio vectorial V es
un subespacio vectorial de V.
1. V = R2: H = {(x, y) tales que x = y}.
2. V = R2: H = {(x, y) tales que x2 + y2 1}.
3. V = Mnn: H = {A Mnn donde A es triangular superior}.
a b
4. V = M22: H = A M 22 tal que A =

.
b c
3.4. Combinacin lineal y vectores generadores

de un espacio vectorial
En esta seccin veremos cundo un conjunto de vectores puede generar
un espacio vectorial. Para esto necesitaremos los conceptos de combinacin
lineal, conjunto que genera y espacio generado.
Definicin 3.3. Sean v1, v2, ... ,vn vectores en un espacio vectorial V.
Entonces cualquier vector de la forma v=a1v 1 + a 2v 2 + ... + a nvn
donde a1, a2, ..., an son escalares, se llama combinacin lineal de v1, v2, ..., vn.
Ejemplo 3
a) Consideremos los siguientes vectores en R2, (1, 0) y (0, 1), entonces
cualquier vector de R2 se puede escribir como combinacin lineal de (1, 0) y (0, 1)
ya que
(x, y) = x (1, 0) + y (0, 1).
b) En R3, (7, 7, 7) es una combinacin lineal de (1, 2, 4) y (5, 3, 1) ya
que (7, 7, 7) = 2(1, 2, 4) (5, 3, 1).
113
Unidad 3
3 2 8 1 0
c) Consideremos en M23
= 3
1 9 3 1 1
3 2 8
1
lo que
es una combinacin lineal de
1 9 3
1
4 0 1
+ 2
5 2 3
0 4 0
y
1 5 2
2
por
6
1 2
.
3 6
d) Cualquier polinomio de Pn (polinomios de grado menor o igual a n) se

puede escribir como combinacin lineal de los polinomios: 1, x, x2 , x3, ... xn1, xn.
Definicin 3.4. Un conjunto de vectores {v1, v2, ..., vn} de V generan a V si
todo vector de V se puede escribir como combinacin lineal de ellos. Es decir, si
para todo v en V existen a1, a2, ..., an, escalares de modo que v = a1v1 + a2v2
+ ... + anvn.
Ejemplo 4
a) En el ejemplo 3a) de la definicin 3.3. vimos que cualquier vector de R2
poda escribirse como combinacin lineal de los vectores i = (1, 0) y j = (0, 1)
de R2 ; por lo tanto podemos decir que {i, j} generan a R2.
b) De igual manera podra probarse que los vectores de R3:
i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1) generan a todo R3.
a b
c) Consideremos
en M22, entonces:
c
d
a b 1 0 0 1 0 0 0 0
=a
+b
+c
+d
por lo que podemos
c d 0 0 0 0 1 0 0 1
1 0 0 1 0 0 0 0
decir que las matrices
y
,
,
generan a M22.
0 0 0 0 1 0 0 1
d) Los polinomios 1, x, x2 , x3, ... xn1, xn
inciso d).
generan a Pn (vase ejemplo 3
e) El conjunto de vectores de R2 H = {(1, 1), (3, 3)} no puede generar a R2.
114
lgebralineal
Considera el vector (1, 0) de R2, si H generara a R2, entonces existiran a y b
escalares de modo que (1, 0) = a(1, 1) + b(3, 3) de donde tenemos el siguiente
sistema de ecuaciones:
a 3b = 1 y a 3b = 0 pero el sistema no tiene solucin, por lo tanto
H no genera a R2.
f) Consideremos el conjunto H = {(2, 3), (1, 2)}. Vamos a ver si H genera a R2.
Sea (x, y) en R2, si H generara a R2, existiran a y b de modo que (x, y) =
a(2, 3) + b(1, 2), de donde obtenemos el sistema de ecuaciones:
2a + b = x, 3a 2b = y
resolviendo el sistema obtenemos que a =
podemos asegurar que H s genera a R2.
2x + y
3x 2 y
, b=
, de donde
7
7
De acuerdo con los ejemplos anteriores, no podemos suponer que cualquier

conjunto de vectores genera a todo el espacio vectorial. La siguiente definicin
nos aclara este asunto:
Definicin 3.5. Sean {v1, v2, ..., vk} k vectores de un espacio vectorial V.
Denotado por gen {v1, v2, ..., vk}, el espacio generado por {v1, v2, ..., vk} es el
conjunto de todas las combinaciones lineales de v1, v2, ..., vk, es decir,
gen {v1, v2, ..., vk} = {v V tales que v = a1v1 + a2v2 + ... + akvk}
Aqu surge una pregunta: el espacio generado por un conjunto de vectores
es un espacio vectorial? El siguiente teorema contesta esa pregunta.
Teorema 3.4. Si v1, v2, ..., vk son k vectores de un espacio vectorial V,
entonces
gen {v1, v2, ..., vk} es un subespacio vectorial de V.
Ejemplo 5
a) Sean v1 = (2, 1, 4) y v2 = (4, 1, 6) elementos de R3 .
Sea H = gen {v1, v2} = {a1v1 + a2v2} se tiene que si (x, y, z) est en H, entonces
115
Unidad 3
(x, y, z) = a1v1 + a2v2 = a1(2, 1, 4) + a2(4, 1, 6) = (2a1 + 4a2, a1 + a2, 4a1 + 6a2)
de donde obtenemos x = 2a1 + 4a2, y = a1 + a2 , z = 4a1 + 6a2 para algunas
a1 y a2.
Usaremos el teorema 3.2 para probar que H es un subespacio vectorial de R3.
i) Sean x = (x1, y1, z1) y y = (x2, y2, z2) elementos de H, entonces existen
a1, a2, b1 y b2 tales que x1 = 2a1 + 4a2 , y1 = a1 + a2, z1 = 4a1 + 6a2 y x2 = 2b1
+ 4b2, y2 = b1 + b2, z2 = 4b1 + 6b2
entonces x + y = (x1 + x2, y1 + y2, z1 + z2) de donde,
x1 + x2 = 2(a1 + b1) + 4( a2 + b2)
y1 + y2 = (a1 + b1) + (a2 + b2)
z1 + z2 = 4(a1 + b1) + 6(a2 + b2)
por lo cual x + y est en H.
ii) Sea un escalar, entonces x = (x1, y1, z1) = (x1, y1, z1) de donde
x1 = (2a1 + 4a2 ) = 2a1 + 4a2

y1 = (a1 + a2 ) = a1 + a2
z1 = (4a1 + 6a2) = 4a1 + 6a2
por lo cual x est en H.
Por lo tanto, H es un subespacio vectorial de R3.
El siguiente teorema nos indica que si agregamos un vector a un conjunto
generador, el conjunto que resulta tambin es generador del mismo espacio
vectorial.
Teorema 3.5. Sean {v1, v2, ..., vn, vn+1} vectores de un espacio vectorial V.
Si {v1, v2, ..., vn} genera a V, entonces {v1, v2, ..., vn, vn+1} tambin genera a V.
Ejemplo 6
Sean v1=(1,0) y v2=(0,2) elementos de R2.
116
lgebralineal
Propongamos que sea F el espacio vectorial generado por v1 y v2 de tal
manera que:
F= gen {v1, v2} = { v1 + v2} y sean y dos escalares, de tal manera que:
(x1 , x2 ) = (1, 0 ) + (0, 2 ) = ( + 0, 0 + 2 ) = ( , 2 )
por lo que x1= y x2=2 que pertenecen a R2 , entoces v1 y v2 generan a F.
Sea v3 = (3,4) tendremos que
(x1 ,x2 ) = (1, 0 ) + (0, 2 ) + (3, 4 ) = ( + 0 + 3 , 0 + 2 + 4 ) = ( + 3 , 2 + 4 )
de donde x1= +3 y x2=2+4 que son elementos de R2 por lo que v1, v2

y v3 son vectores que generan a F.
Ejercicio 3
1. Responde si son falsas o verdaderas las siguientes afirmaciones:
a) (3, 5) est en el espacio generado por {(1, 1), (2, 4)}.
b) (1, 2, 3) est en el espacio generado por {(2, 0, 4), (1, 0, 3)}.
c) Si {(1, 2), (2, 3)} genera a R2, entonces {(1, 2), (2, 3), (2, 3)} tambin
genera a R2.
2. Determina si los siguientes conjuntos de vectores generan el espacio
vectorial dado:
a) En R2: H = {(1, 2), (3, 4)}.
b) En R2: K = {(1, 1), (2, 2), (5, 5)}.
c) En R3: M = {(1, 1, 2), (1, 1, 2), (0, 0, 1)}.
1 0 1 2 4 1 2 5
d) En M22:
,
,
.
,
0 6 0
1 0 0 0 3
117
Unidad 3
3.5. Vectores linealmente dependientes e

independientes
En la seccin anterior vimos cmo un conjunto de vectores poda o no
generar a todo un espacio vectorial. En esta seccin veremos qu condiciones
debe cumplir un conjunto de vectores para asegurar que genere un espacio
vectorial; para ello necesitaremos introducir los conceptos de conjunto
linealmente independiente y dependiente.
Definicin 3.6. Sean {v1, v2, ..., vn} n vectores de un espacio vectorial V.
Entonces se dice que los vectores son linealmente independientes si la nica
combinacin lineal de ellos igual a cero, es aquella cuyos escalares son cero.
Es decir, si a1v1 + a2v2 + ... + anvn = 0 entonces a1 = a2 = a3 = ... = an = 0.
Definicin 3.7. Sean {v1, v2, ..., vn} n vectores de un espacio vectorial V.
Entonces se dice que los vectores son linealmente dependientes si existe una
combinacin lineal de ellos igual a cero, cuyos escalares no son todos cero.
Es decir existen a1, a2, a3,... ,an no todas cero tales que a1v1 + a2v2 + ... + anvn = 0.
Ejemplo 7
a) Consideremos los siguientes vectores en R4. v1 = (2, 1, 0, 3) y v2 = (6,
3, 0, 9).
Vamos a tomar una combinacin lineal de ellos igual a cero a1v1 + a2v2 = 0.
Entonces a1(2, 1, 0, 3) + a2(6, 3, 0, 9) = (0, 0, 0, 0), por lo tanto tenemos
2a1 6a2 = 0
el sistema a1 + 3a2 = 0 que si a1 = 3 y a2 = 1 se cumple la igualdad, por lo
3a1 9a2 = 0
tanto v1 y v2 son linealmente dependientes.
b) Consideremos los vectores en R3. v1 = (1, 2, 4) y v2 = (2, 5, 3).
Al tomar una combinacin lineal igual a cero b1v1 + b2v2 = 0 tenemos que
b1(1, 2, 4) + b2(2, 5, 3) = (0, 0, 0) de donde obtenemos el sistema
118
b1 + 2b2 = 0
2b1 + 5b2 = 0 cuya solucin es b1 = b2 = 0,
4b1 3b2 = 0
lgebralineal
por lo tanto v1 y v2 son linealmente independientes.
c) Determinar si los vectores de R3 v1 = (1, 3, 0) , v2 = (3, 0, 4) y v3 =
(11, 6, 12) son linealmente independientes o dependientes.
Consideremos una combinacin lineal de ellos igual a cero,
c1(1, 3, 0) + c2(3, 0, 4) + c3(11, 6, 12) = (0, 0, 0), entonces tenemos el
c1 + 3c2 + 11c3 = 0
c1 + 2c3 = 0
sistema de ecuaciones 3c1 6c3 = 0 de donde obtenemos que
c2 + 3c3 = 0
4c2 + 12c3 = 0
haciendo c3 = 1 obtenemos c2 = 3 y c1 = 2, por lo tanto v1, v2 y v3 son
linealmente dependientes.
Cuntos vectores deber tener un conjunto para ser linealmente
dependiente?
Teorema 3.6. Un conjunto de m vectores en Rn siempre es linealmente
dependiente si m > n.
Ejemplo 8
Consideremos el conjunto H = {(1,0,0), (0,1,0), (0,0,1), (1,2,3)} de 4 vectores
de R3 y una combinacin lineal de ellos igual a cero.
a (1,0,0) + b(0,1,0) + c(0,0,1) + d(1,2,3) = (0,0,0) entonces tenemos que:
a+d =0
a = d
b + 2d = 0 de donde obtenemos b = 2d el sistema tiene una infinidad de
c + 3d = 0
c = 3d
soluciones y por lo tanto el conjunto H es linealmente dependiente.
Corolario 3.1. Un conjunto de vectores linealmente independientes en Rn
contiene a lo ms n vectores.
Consideremos ahora un sistema homogneo (definicin 2.2.) de m ecuaciones

con n incgnitas.
119
Unidad 3
a11c1 + a12 c2 + ... + a1n cn = 0
a21c1 + a22 c2 + ... + a2 n cn = 0
am1c1 + am 2 c2 + + amn cn = 0
y sea la matriz asociada
a11
a
A= 21

am1
a12 ... a1n
a22 ... a2 n
am 2 ... amn
entonces tenemos el siguiente resultado.

Teorema 3.7. Las columnas de A, consideradas como vectores, son
linealmente dependientes si y slo si el sistema homogneo asociado tiene
soluciones diferentes de cero.
Ejemplo 9
x + 2 x2 x3 + 2 x4 = 0
Considera el sistema homogneo 1
y su matriz
3 x1 + 7 x2 + x3 + 4 x4 = 0
1 2 1 2 0
asociada A =
sus columnas son linealmente dependientes
1 4 0
3 7
(4 vectores en R2, teorema 3.6) por lo tanto, el sistema homogneo tiene ms
de una solucin no trivial. Vamos a encontrarla: Reduciendo por renglones
1 0 9
6 0
obtenemos
4 2 0
0 1
de donde el sistema asociado es x1 9 x3 + 6 x4 = 0 despejamos x1 y x2
x2 + 4 x3 2 x4 = 0
x1 = 9 x3 6 x4
x2 = 4 x3 + 2 x4
Se ve que este sistema tiene un nmero infinito de soluciones que se
pueden escribir como combinacin lineal de los vectores columna:
120
lgebralineal
x1 9 x3 6 x4
9

x2 = 4 x3 + 2 x4 = x 4
x3
3 1
x3

x4
0
x4
2
y
0
+ x 2
4 0
. Comprobaremos que
4
1
son soluciones linealmente independientes del sistema original.
Vamos a sustituir cada una de ellas en el sistema original:

9 + 2(4) 1 + 2(0) = 9 8 1 + 0 = 0
6 + 2(2) 0 + 2(1) = 6 + 4 + 2 = 0
3(9) + 7(4) + 1 + 4(0) = 27 28 + 1 + 0 = 0
3(6) + 7(2) + 0 + 4(1) = 18 + 14 + 4 = 0
por lo tanto (9, 4, 1, 0) y (6, 2, 0, 1) son soluciones del sistema original.
Probaremos ahora que son linealmente independientes:
Tomemos una combinacin lineal de ellos igual a cero:
a(9, 4, 1, 0) + b(6, 2, 0, 1) = 0
9a 6b = 0
a=0
4a + 2b = 0
entonces
de donde
b=0
a=0
b=0
por lo que (9, 4, 1, 0) y (6, 2, 0, 1) son linealmente independientes.
De aqu se desprende el siguiente teorema que agrupa varios resultados.
121
Unidad 3
Teorema 3.8. Sea A una matriz de nn. Entonces las siguientes afirmaciones
son equivalentes:
i)
ii)
iii)
iv)
v)
vi)
A es invertible.
La nica solucin al sistema homogneo Ax = 0 es la solucin trivial.
El sistema Ax = b tiene una solucin nica.
A es equivalente a la matriz identidad.
det A 0.
Las columnas de A (y sus renglones) son linealmente independientes.
Como consecuencia de los teoremas 3.5 y 3.6 tenemos el siguiente

resultado que nos ser muy til en la siguiente unidad.
Teorema 3.9. Cualquier conjunto de n vectores linealmente independientes
en Rn genera a Rn.
Como consecuencia de los teoremas 3.8 y 3.9 tres vectores en R3 generan a
R3, si y slo si, su determinante es diferente de cero.
Ejemplo 10
a) Los vectores (2, 1, 4), (1, 0, 2) y (3, 1, 5) generan a R3 ya que su
2 1
3
determinante 1
0 1 = 2(2) 1(5+4) +3(2) = 1 y por lo tanto son
4 2
5
linealmente independientes.
2
1 1 4
1 0
1 0 1
b) En M23 sean A1 =
y A3 =
, A2 =
2 3 0
3 1 1
1 2 1
Determinar si A1, A2 y A3 son linealmente independientes o dependientes.
Suponga que c1A1 + c2 A2 + c3A3 = 0,
1 0
entonces c1
3 1
122
2
1 1 4
1 0 1 0 0 0
+ c2
+ c3
=
1
2 3 0
1 2 1 0 0 0
lgebralineal
Introduccin
n la unidad anterior vimos cuando un conjunto de vectores linealmente

independientes generaba todo el espacio vectorial. Vimos tambin
que tener ese conjunto era muy cmodo, pues cualquier vector poda
escribirse como combinacin lineal de los vectores de ese conjunto. En esta
unidad definiremos formalmente el concepto de base de un espacio vectorial y
conoceremos sus caractersticas. Veremos tambin que un espacio vectorial puede
tener varias bases, se mostrar cmo alguna de stas son ms cmodas que
otras y el modo de cambiar de una a otra.
4.1. Definicin de base de un espacio vectorial

Un espacio vectorial siempre tiene al menos un conjunto de vectores que lo
generan lo que nos lleva a la siguiente definicin.
Definicin 4.1. Sea V un espacio vectorial y {v1, v2, . . .,vn} un conjunto finito
de vectores de V. Entonces {v1, v2, . . ., vn} se llama base de V si satisface las
siguientes condiciones:
i) {v1, v2, . . ., vn} es linealmente independiente.
ii) {v1, v2, . . ., vn} genera V.
Esta definicin nos proporciona las caractersticas que debemos buscar en
un conjunto para que sea una base.
Ejemplo 1
a) Recordemos que en la unidad pasada vimos que en R 2 los vectores i =
(1, 0) y j = (0, 1) eran linealmente independientes y que generaban a R2 , por
lo tanto podemos decir que el conjunto {i, j} es una base para R2.
b) Tambin recordemos que el teorema 3.9. nos indica que cualquier
conjunto de n vectores linealmente independientes de Rn genera a Rn , por lo
tanto, podemos afirmar el siguiente resultado:
135
Unidad 4
Todo conjunto de n vectores linealmente independiente en Rn es una base
de Rn.
Ahora veremos en el siguiente apartado ejemplos de bases para espacios

vectoriales distintos de Rn.
4.2. Bases en varios tipos de espacios

vectoriales
En este apartado consideraremos ejemplos de espacios vectoriales distintos
a Rn. Para manejar ms fcilmente al espacio vectorial en su conjunto,
encontraremos tambin algunas de las llamadas bases cannicas.
1. Consideremos el espacio vectorial formado por
H = {(x, y, z) en R3 tales que 2x y + 3z = 0}
Vamos a encontrar una base para H.
Tomemos un vector (x, y, z) en H, entonces satisface el hecho de que
2x y + 3z = 0;
podemos reescribir esta condicin como y = 2x + 3z, de donde tenemos que
los vectores de H los podemos escribir de la siguiente manera:
x x 0
1 0
2 x 3 z 2 x 3 z x 2 z 3 de donde podemos decir que los
z 0 z
0 1

1 0
vectores 2 y 3 generan H.
0 1

1 0
Vamos ahora a probar que 2 y 3 son linealmente independientes.
0 1

Consideremos una combinacin lineal de ellos igual a cero:
136
lgebralineal
1
0 0

a 2 b 3 = 0 , entonces tenemos que a = 0; 2a + 3b = 0 y b = 0, por
0
1 0

1 0
lo tanto 2 y 3 son linealmente independientes.
0 1

Podemos concluir que, como son linealmente independientes y generan H,
1 0
entonces 2 y 3 son una base para H.
0 1

2. Consideremos el espacio vectorial formado por todas las matrices de
22 de la forma
0 a
D22
/ a y b R'
b 0
Vamos a encontrar una base para este espacio vectorial.
0 a
Tomemos una matriz de este espacio
, entonces podemos
b
0
0 0
0 1
0 a
reescribirla como
a 0 0 b 1 0 de donde podemos afirmar que
b
0
0 1
0 0 generan todo el espacio vectorial. Claramente observamos
0 0 y 1 0
que tambin son linealmente independientes, por lo que podemos afirmar que
son base del espacio D22.
3. Consideremos el sistema homogneo de ecuaciones lineales
x 2y z 0
2 x y 3z 0
Vamos a encontrar el conjunto solucin S del sistema.
Para encontrar el conjunto solucin consideremos la matriz aumentada
asociada al sistema y llevmosla a la forma escalonada reducida por renglones.
137
Unidad 4
1
2
2
1
1
3
0 1
0 0
2
5
1
5
0 1 2 1
0 0 1 1
0 1 0
0 0 1
1
1
0
0
x z
xz0
de donde
,
yz
yz0
de manera que todas las soluciones del sistema son de la forma
De aqu obtenemos el siguiente sistema
x z
y z
z z

1
z 1
, por lo que
1
1
1
es una base para S.
Probaremos que S es un subespacio vectorial:

Sean a y b en S, entonces existen a y b nmeros tales que a = a(1,1,1) =
(a, a, a) y b = b (1,1,1) = (b, b, b).
i) a + b = (a, a, a) + (b, b, b) = (ab, a+b, a+b) = ((a+b), a+b, a+b)
est en S.
ii a = (a, a, a) = (a), a, a) = ( a, a, a) est en S.
Entonces, por el teorema 3.2, S es un subespacio vectorial de R3.
4. Consideremos el espacio vectorial P2 (los polinomios de grado menor o
igual a 2). Vamos a encontrar una base para P2.
Sea p un polinomio de P2, entonces p = ax2+bx+c de donde podemos
observar que el conjunto formado por { x2, x, 1} genera a P2.
Probemos ahora que { x2, x, 1} es un conjunto linealmente independiente.
Tomemos una combinacin lineal igual a cero, entonces ax2 + bx +c = 0 de
donde obtenemos que existe la solucin trivial para a = b = c = 0 por lo que el
conjunto es linealmente independiente.
Podemos entonces concluir que { x2, x, 1} es una base para P2.
5. Sea P3 un espacio vectorial, detemina si el conjunto B = {1, 1+x, 1+x2,
1+x3}es una base para P3.
138
lgebralineal
Sea p un polinomio de P3, entonces p = a1x3 + a2 x2 + a3x + a4.
Si B es una base, entonces genera a P3 y, por lo tanto, p es una combinacin
lineal de B.
Sea la combinacin lineal p = b11 + b2(1+x) + b3(1+x2) + b4(1 + x3),
entonces
p = b1 + b2 + b2 x + b3 + b3x2 + b4 + b4x3 = (b1 + b2 + b3 + b4) + b2 x + b3x2 + b4x3
de donde igualando ambas expresiones tenemos que:
a1= b4;
a2 = b3;
a 3 = b 2;
a4 = b1 + b2 + b3 + b4 = b1 + a3 + a2 + a1
por lo tanto B s genera a P3.

Veamos ahora si B es linealmente independiente.
Consideremos una combinacin lineal igual a cero,
b11 + b2(1+x) + b3(1+x2) + b4(1 + x3) = 0
entonces b1 + b2 + b2 x + b3 + b3x2 + b4 + b4 x3 = (b1 + b2 + b3 + b4) + b2 x
+ b 3 x2 + b4 x3 = 0
de tal manera, b1 + b2 + b3 + b4 = 0; b2 = 0; b3 = 0; b4 = 0 de donde
b1 = 0.
Por lo tanto, B es linealmente independiente y B es base de P3.
6. Vamos a probar que {(1, 0), (0, 1)} es base para R2.
Sea (x, y) en R2, entonces (x, y) = x (1, 0) + y (0, 1) por lo tanto genera a R2.
Si a(1, 0) + b(0, 1) = (0, 0) entonces a = 0 y b = 0, y es linealmente
independiente, por tanto {(1, 0), (0, 1)} es una base para R2 y recibe el nombre
de base cannica.
7. De igual manera se puede probar que {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es la
base cannica para R3.
8. Sea p en P3 donde p = a1 + a2 x + a3 x2 + a4 x3, entonces {1, x, x2, x3}
generan a P3.
139
Unidad 4
Consideremos una combinacin lineal de ellos igual a cero, entonces
a1 + a2 x + a3x2 + a4 x3 = 0, esto implica que a1 = a2 = a3 = a4 = 0 por lo cual
tambin son linealmente independientes.
Esto nos lleva a asegurar que {1, x, x2, x3} es una base para P3, llamada
base cannica de P3.
Ejercicio 1
1. Detemina si el conjunto de vectores dado es base para el espacio vectorial
referido:
a) En P2, {x21, x22, x2 3}
3 1 3 2 5 1 0
1
b) En M22
,
,
,
0 0 0 0 0 6 0 7
2. Encuentra una base para cada uno de los espacios vectoriales:
a) {(x, y, z) en R3 tales que 2x y z = 0}
b) {(x, y) en R2 tales que x + y = 0}
3. Encuentra una base para el espacio solucin del sistema homogneo
dado:
a) x 2 y 0
3x y 0
b)
x 3y z 0
2 x 2 y 3 z 0
4 x 8 y 5 z 0
4. Encuentra una base cannica para el espacio vectorial M22.

5. Encuentra una base cannica para el espacio vectorial R4.
4.3. Coordenadas de un vector, relativas a

alguna base
Como vimos anteriormente, si un espacio vectorial V tiene al menos una
base que genera a todo el espacio vectorial, entonces cualquier vector se puede
escribir como combinacin lineal de los vectores de la base; sin embargo, surge
140
lgebralineal
la pregunta: esta combinacin lineal es nica o hay varias? Consideremos el
siguiente resultado.
Teorema 4.1. Si {v1, v2, . . . , vn} es una base para el espacio vectorial V y si
v est en V, entonces existe un conjunto nico de escalares c1, c2, . . ., cn tales
que
v = c1v1 + c2v2 + . . . + cnvn
Este teorema nos indica que la expresin de un vector como combinacin
lineal de los vectores de una base es nica. A continuacin veremos algunos
ejemplos de ello.
Ejemplo 2
a) En R2 {(1, 0), (0, 1)} forman la base cannica, por lo tanto
(x, y) = x (1, 0) + y (0, 1)
Supongamos que hay otra combinacin lineal de estos vectores que nos dan
el vector (x, y)
(x, y) = a (1, 0) + b(0, 1), como ambas combinaciones dan el mismo
vector tenemos que x (1, 0) + y (0, 1) = a (1, 0) + b(0, 1) de donde tenemos
que (x, y) = (a, b) por lo tanto x = a, y = b y la combinacin lineal es nica.
b) Veamos ahora cmo podemos encontrar las coordenadas de un vector
con respecto a una base dada.
Consideremos el conjunto {(1, 3), (1, 2)}, veremos que es base de R2.
Para ello lo nico que tenemos que hacer es mostrar que es linealmente
independiente, ya que el teorema 3.9. nos indicara que generan R2.
Sea a (1, 3) + b(1, 2) = 0 una combinacin lineal, entonces a b= 0,
3a + 2b = 0 de donde obtenemos que a = b = 0; por lo que es linealmente
independiente y por tanto base de R2.
Tomemos ahora un vector cualquiera de R2 (x, y), por el teorema 4.1. existen
escalares c1 y c2 nicos de manera que (x, y) = c1 (1, 3) + c2 (1, 2). Entonces
tenemos que
141
Unidad 4
x c1 c2 , y 3c1 2c2 ; al resolver el sistema para c1 y c2 obtenemos que
2x y
3 x y
, c2
que son las coordenadas de (x, y) con respecto a la
5
5
base {(1, 3), (1, 2)}.
c1
c) Usando el ejemplo anterior vamos a encontrar las coordenadas del vector

(1, 2) con respecto a la base {(1, 3), (1, 2)}.
2(1) 2
4
Sean c1 y c2 las coordenadas, entonces c1

5
5
3(1) 2
1
c2
, de tal manera que, para (x, y) = (1, 2) obtenemos

5
5
(1, 2) = 4/5 (1, 3) 1/5 (1, 2).
Ejercicio 2
1. Encuentra las coordenadas de los vectores dados relativas a la base
indicada:
a) x = (3, 2); {(1, 3), (1, 2)}
b) x = (2, 4); {(2,5), (0, 3)}
c) x = (3, 5, 1); {(1, 0, 3), (0, 2, 0), (0, 0, 1)}
4.4. Dimensin de un espacio vectorial

Si hablamos de que un espacio vectorial puede tener muchas bases surge
la pregunta: contienen todas las bases el mismo nmero de vectores? La
respuesta para Rn es s, ya que el teorema 3.9. nos indica que cualquier conjunto
de n vectores linealmente independientes en Rn lo generan, y el corolario
3.1. nos dice que un conjunto linealmente independiente contiene a lo ms
n vectores. Al unir ambos resultados obtenemos que todas las bases de Rn
contienen n vectores.
El siguiente teorema nos da la respuesta para todos los espacios
vectoriales.
Teorema 4.2. Si {u1, u2, . . ., um} y {v1, v2, ..., vn} son bases de un espacio
vectorial V, entonces m = n; es decir, cualesquiera dos bases en un espacio
vectorial V tienen el mismo nmero de vectores.
142
lgebralineal
Y debido a l podemos definir el siguiente concepto que es uno de los ms
importantes del lgebra lineal.
Definicin 4.2. Si el espacio vectorial V tiene una base finita, entonces la
dimensin de V es el nmero de vectores de todas sus bases y se dice que V es
un espacio vectorial de dimensin finita. A la dimensin de V se le denota por
dim V.
En los siguientes ejemplos encontraremos la dimensin de varios espacios

vectoriales.
Ejemplo 3
a) Si V = {0} entonces se dice que V tiene dimensin cero y dim V = 0. ste
es el nico espacio con esta dimensin.
b) Consideremos el espacio vectorial de todos los polinomios de grado
menor o igual a 3, P3.
Probaremos que el conjunto {1, x, x2, x3} es una base para P3.
Consideremos una combinacin lineal de ellos igual a cero, entonces
a(1) + b(x) + c(x2) + d(x3) = 0, entonces a = b = c = d = 0, por lo tanto
es linealmente independiente. Es obvio que el conjunto genera P3; por lo tanto
podemos afirmar que {1, x, x2, x3} es una base para P3 y por lo tanto dim P3 = 4.
c) Como las bases de R n contienen n vectores podemos afirmar que dim
R = n.
n
d) Consideremos el espacio vectorial de las matrices de orden 32, (M32)

y el conjunto formado por las matrices
1 0 0 1 0 0 0 0 0 0 0 0
0 0 , 0 0 , 1 0 , 0 1 , 0 0 , 0 0 , comprobaremos que
0 0 0 0 0 0 0 0 1 0 0 1
son una base para M32.
Tomemos una combinacin lineal igual a cero.
143
Unidad 4
a
c
e
b
1 0
0 1 0 0
0 0 0 0
0 0
d a 0 0 b 0 0 c1 0 d 0 1 e 0 0 f 0 0
0 0
0 0 0 0
0 0 1 0
0 1
f
lo que indica que generan a M32.

1 0
0 1 0 0
0 0 0 0
a 0 0 b 0 0 c1 0 d 0 1 e 0 0
0 0
0 0 0 0
0 0 1 0

a
c
e
0 0
f 0 0
0 1
b 0 0
d 0 0
f 0 0
esto implica claramente que a = b = c = d = e = f = 0 y que el conjunto

es linealmente independiente.
Por lo anterior podemos afirmar que forma una base para M32 y que
dim M32 = 6.
Consideremos en R 3 el subespacio vectorial H = {(x, y, z) tales que
2x y +3z = 0
1 0
En el ejemplo 1 de la seccin 4.2. se demostr que 2 y 3 son una base
0 1

para H; podemos concluir que dim H = 2 y sabemos que dim R3 = 3; suceder
esto con todos los subespacios vectoriales? El siguiente resultado nos da la
respuesta.
Teorema 4.3. Sea H un subespacio de un espacio vectorial V de dimensin
finita. Entonces H es de dimensin finita y dim H dim V.
Usaremos el teorema anterior para encontrar todos los subespacios de R3.
Ejemplo 4
Como dim R3 = 3, entonces los subespacios de R3 tendrn dimensiones 0, 1,
2 y 3.
El nico subespacio de dimensin 0 es {0}.
144
lgebralineal
Vamos a encontrar todos los subespacios de dimensin 1.
Sea H un subespacio de R3 de dimensin 1, por lo tanto tiene una base
formada por un solo vector v = (a, b, c). Sea x = (x, y, z) en H, entonces existe
t escalar tal que x = t (a, b, c), por lo tanto (x, y, z) = t (a, b, c) = (ta, tb, tc) de
donde x = ta, y = tb, z = tc. Pero esta es la ecuacin de una recta en R3 que
pasa por el origen.
Vamos a encontrar todos los subespacios de dimensin 2.
Sea H un subespacio de R3 de dimensin 2, por lo tanto tiene una base
formada por dos vectores v1 = (a1, b1, c1) y v2 = (a2, b2, c2) . Sea x = (x, y, z) en
H, entonces existen escalares s y t tales que x = s (a1, b1, c1) + t (a2, b2, c2), por
lo tanto (x, y, z) = s (a1, b1, c1) + t (a2, b2, c2) de donde x =sa1+ ta2, y = sb1 + tb2,
z = sc1+ tc2.
Esta es la ecuacin de un plano en R3 que pasa por el origen.
Por lo tanto los nicos subespacios de R3 son los vectores que estn en una
recta o en un plano que pasa por el origen.
Ser necesario probar que un conjunto de vectores linealmente
independientes genera a un espacio vectorial para asegurar que es una base?
El siguiente teorema nos da una condicin para asegurarnos que tenemos una
base.
Teorema 4.4. Cualesquiera n vectores linealmente independientes en un
espacio vectorial V de dimensin n forman una base para V.
Veamos algunos ejemplos donde usaremos este resultado para encontrar

bases de espacios vectoriales.
Ejemplo 5
Consideremos a R3, el conjunto {(2, 3, 5), (1,0,0), (2, 1, 0)} es una base
de R3?
Por el teorema anterior basta probar que es linealmente independiente ya
que dim R3 = 3.
145
Unidad 4
1 3 1 0 1 3 1 0 1 3 0
0 2 1 0 0 2 1 0 0 2 0

0 0 2 0 0 0 1 0 0 0 1

entonces dim R A = 3 = (A).
0 1 3 0
0 0 1 0
0 0 0 1
0 1 0 0
0 0 1 0
0 0 0 1
Vamos a encontrar la nulidad de A. El kernel de A es x = y = z = 0, por tanto

(A) = 0 y entonces (A) +(A) = 3 + 0 = 3
Ejercicio 4
1. Encuentra el rango y la nulidad de las siguientes matrices:
1
a)
2
1
b) 3
5
3
2
6 4
1 2
1 4
1 8
2. Encuentra una base para la imagen y el espacio nulo de las matrices

anteriores.
4.6. Matriz de transicin. Cambio de bases

En la seccin anterior se manej que un espacio vectorial poda tener
muchas bases, y que por lo tanto cualquier vector del espacio vectorial poda
tener coordenadas en cada una de ellas. Sin embargo, surge la pregunta: se
podr cambiar de base fcilmente?
En la presente seccin se dar respuesta a esta pregunta a travs de una
matriz especial.
Consideremos un ejemplo en R2.
Sean i = (1, 0) y j = (0, 1) la base cannica (B1) para R2 ; y sean v1= (1, 3)
y v2 = (1, 2) vectores de R2. Consideremos una combinacin lineal de v1 y v2
igual a cero.
a(1, 3) + b(1, 2) = 0 entonces a b = 0, 3a + 2b = 0 de donde a = b = 0 y por
tanto son linealmente independientes y forman otra base B2 = {v1, v2} para R2.
154
0
0
0
lgebralineal
x
0
1
Sea x = (x1, x2) en R2, por lo tanto x = 1 x1 x2 x1 i + x2 j
1
0
x2
en trminos de la base cannica (B1) y para hacer hincapi en este hecho se
x
escribe (x) B1 x1
2
Como B2 es otra base de R2, existen escalares c1 y c2 tales que
c
x = c1v1 + c2v2 y por lo tanto se escribe (x) B2 c1 .
2
Para encontrar los escalares c1 y c2 vamos a proceder de la siguiente
manera:
Se escriben los elementos de la base B1 en trminos de la base B2.
1
1
1 0
1
1
a1 b1 y a2 b2 entonces,
0
3
2 1
3
2
a1 b1 1
a2 b2 0
y
de estos obtenemos:
3a1 2b1 0
3a2 2b2 1
a1 = 2/5; b1 = 3/5; a2 = 1/5; b2 = 1/5
por lo tanto: i = (2/5)v1 (3/5)v2 j = (1/5)v1 + (1/5)v2
Despus se escribe el vector sustituyendo las nuevas coordenadas:
x
x = x1 x1i + x2 j = x1(2 / 5) v1 (3 / 5) v 2 x 2 (1 / 5) v1 (1 / 5) v 2
2
(2 / 5) x1 (1 / 5) x 2 v1 (3 / 5) x1 (1 / 5) x 2) v 2
de donde c1= (2 / 5) x1 (1 / 5) x 2 y c 2 (3 / 5) x1 (1 / 5) x 2 .
Por ltimo formamos una matriz cuyas columnas sean las coordenadas
de los vectores de la primera base en trminos de la segunda.
Por tanto tenemos que
c1 2 / 5 x1 1 / 5 x2 2 / 5 1 / 5 x1
x =

c2 3 / 5 x1 1 / 5 x2 3 / 5 1 / 5 x2
A continuacin daremos la definicin para esta matriz.
155
Unidad 4
Definicin 4.7 A la matriz cuyas columnas son las coordenadas de los
vectores de la base B1 en trminos de la base B2 se llama matriz de transicin
de la base B1 a la base B2.
Para obtener las coordenadas de cualquier vector en esta nueva base B2,
basta multiplicar la matriz de transicin por las coordenadas del vector en la
base B1.
Ejemplo 14
a) Consideremos el vector x = (3, 4), entonces las coordenadas en la base
B2 del ejemplo anterior sern:
2 / 5 1/ 5 3 2 / 5
(x) B2 =

para verificarlo tenemos que
3 / 5 1 / 5 4 13 / 5
(2/5)v1 (13/5)v2 = 2/5(1, 3) 13/5(1, 2) = (3, 4)
Los siguientes teoremas nos indican formalmente el procedimiento
realizado anteriormente que nos permitir cambiar de una base a otra.
Teorema 4.11 Sean B1 y B2 bases de un espacio vectorial V. Sea A la matriz
de transicin de B1 a B2. Entonces para todo x en V tenemos:
(x) B2 = A(x) B1
Teorema 4.12 Si A es la matriz de transicin de B1 a B2, entonces A1 es
la matriz de transicin de B2 a B1.
Este teorema hace que sea sencillo encontrar la matriz de transicin a partir
de una base cannica en Rn a cualquier otra base de Rn.
156
lgebralineal
Ejemplo 15
Encontrar la matriz de transicin de la base cannica de R 3 a la base B2
1 3 0
= 0 , 1 , 1

2 0 2

Para ello escribiremos la matriz C cuyas columnas son los vectores de B2.
3 0
1
C = 0 1 1 esta matriz es la de transicin de la base B2 a la base
cannica, ya que los vectores de la base B2 se encuentran expresados en

trminos de la base cannica. Entonces, por el teorema anterior, la matriz C1
ser la matriz que estamos buscando. Es fcil verificar
2 / 8 6 / 8 3/ 8
C1 = 2 / 8 2 / 8 1 / 8
2 / 8 6 / 8 1 / 8
2 / 8 6 / 8 3 / 8 1 1/ 4
Si (x) B1 = (1, 2, 4), entonces (x) B2 = 2 / 8 2 / 8 1 / 8 2 1 / 4

2 / 8 6 / 8 1 / 8 4 7 / 4
1
3
0

1
de donde 1 / 4 0 1 / 4 1 7 / 4 1 2 .
2
0
2 4

Ejercicio 5
1. Encuentra la matriz de transicin de la base B1 a la base B2:
1 0
B1 = , B2 =
0 1
2 3
,
3 4
2 1 3
2. Escribe (x, y, z) de R en trminos de la base 1 , 4 , 2

3 5 4

3
157
lgebralineal
Introduccin
n unidades anteriores manejamos diferentes clases de espacios

vectoriales, entre ellos definimos los vectores columna y vectores
rengln como conjuntos ordenados de n nmeros reales pertenecientes
al espacio vectorial Rn. En esta unidad usaremos como ejemplos el espacio
vectorial R2 con el fin de introducir dos conceptos nuevos: la norma de un
vector y el producto interno de dos vectores. Posteriormente, generalizaremos
estos conceptos a espacios vectoriales diferentes.
Iniciaremos con el manejo geomtrico del espacio vectorial R2 tambin
llamado espacio euclideano.
5.1. El espacio vectorial R2: longitud, direccin

y distancia
Como se defini anteriormente, los vectores del espacio vectorial R2 son
parejas ordenadas (x, y) de nmeros reales, las cuales podemos representar
en el plano cartesiano; sin embargo, para muchas aplicaciones que incluyen
fuerza, velocidad, aceleracin, momento, etc., es importante pensar en un
vector no como un punto sino como una entidad que tiene longitud y direccin.
Esto nos lleva a la siguiente definicin:
Definicin 5.1 Sean P y Q dos puntos en el plano cartesiano. Entonces el
segmento de recta dirigido de P a Q, que se denota por PQ , es el segmento de

recta que va de P a Q.
Nota que el segmento PQ y el QP son diferentes pues tienen sentidos

opuestos (figuras 5.1. a y 5.1. b).
Figura 1.a.
Figura 1.b.
169
Unidad 5
Al punto P del segmento dirigido PQ se le llama punto inicial y a Q punto

terminal.
Si desplazamos el segmento PQ en forma paralela de modo que P

se encuentre exactamente en el origen, obtendremos un segmento dirigido
equivalente al original, ya que tienen la misma longitud, direccin y el mismo
sentido (figura 5.2).
Figura 5.2.
Esta equivalencia ser muy til ya que podremos identificar a cada punto
P del plano cartesiano como un vector dirigido que tiene como punto inicial
al origen y a P como punto terminal; a sus coordenadas (x, y) se les llama
componentes del vector.
Ejemplo 1
a) Consideremos al punto O cuyas coordenadas son (0,0); este vector es el
vector cero y su representacin grfica es el origen de los ejes coordenados.
b) Consideremos el punto P (3,4) y cuya grfica se observa en la figura 5.3.
Figura 5.3.
170
lgebralineal
Al inicio de la unidad mencionamos que los vectores del plano tienen
longitud y direccin. Intuitivamente entendemos por longitud el tamao del
vector, ahora definiremos formalmente longitud o magnitud de un vector.
Definicin 5.2 Consideremos un vector v = (a,b) en el plano cartesiano.
Entonces la longitud o magnitud de v, que se denota por v = magnitud de
v=
a 2 b2 .
Observa que la magnitud es un escalar que siempre es positivo.

Esta definicin no es arbitraria, sino que se deduce directamente del
teorema de Pitgoras (figura. 5.4), ya que si se observa, siempre se formar un
tringulo rectngulo entre los ejes coordenados y el vector de nuestro inters.
Figura 5.4.
Ejemplo 2
Calcular la magnitud de los siguientes vectores:
a) v = (2,2)
v = 22 22 4 4 8 2 2
b) v = (3, 3 2 )
v (3) 2 (3 2 ) 2 9 18 27 3 3
Definiremos ahora lo que es la direccin; intuitivamente, la direccin es el

grado de inclinacin del vector y por lo tanto:
Definicin 5.3. Sea v = (a,b) un vector del plano cartesiano. La direccin

de v se define como el ngulo , medido en radianes, que forma el vector con
el lado positivo del eje x.
171
Unidad 5
Por conveniencia se escoge de tal manera que 0 2 .
b
; sin embargo, debemos
a
tener cuidado, ya que la funcin tangente es peridica con periodo y por tanto
b
existen 2 valores de que satisfacen tan en el intervalo de 0 2 , de
a
tal modo que para tener un valor nico debemos determinar el cuadrante donde
se encuentra el vector.
De la figura 5.4 podemos deducir que tan
Ejemplo 3
Encontrar la direccin de los siguientes vectores:
2
a) v = (2, 2) ya que tan = 1 y como v se encuentra en el primer
2
1
cuadrante entonces tan (1) =
2
= 1, y como v se encuentra en el tercer
2
cuadrante por lo que al ngulo tan 1(1)= se le debe sumar
b) v = (2,2) de tan
para obtener
172
lgebralineal
2
= 1 y como v se encuentra en el segundo
2
cuadrante entonces a tan 1(1) = se le suma para obtener
c) v = (2,2) de tan
2
= 1 y como v se encuentra en el
2
cuarto cuadrante, entonces a tan 1(1) = se le suma 2 para
obtener el ngulo
d) v = (2, 2) ya que tan
Resumiendo, si el vector se encuentra en el segundo o tercer cuadrante, el

b
ngulo se obtiene sumando al ngulo tan 1 ; si el vector se encuentra
a
b
en el cuarto cuadrante al ngulo tan 1 se le suma 2.
a
Cul ser el significado de multiplicar un vector por un escalar positivo o
por uno negativo?
Consideremos el vector v = (1,1), su magnitud v 12 12 2
1
tan 1 y su direccin es
1
Tomemos ahora el producto del vector por un escalar dados por u = 3v y
173
Unidad 5
w = 3v, entonces u = 3(1,1) = (3,3) y w = 3(1,1) = (3,3)
Vamos ahora a encontrar su magnitud y direccin.
u 32 32 18 3 2 3 v
w (3) 2 (3) 2 18 3 2 3 v
Si y son los ngulos de inclinacin de u y w respectivamente,
entonces:
3
3
1 , pero como w est en el
1 y /4, sin embargo tan
3
3
tercer cuadrante eso quiere decir que u tiene la misma direccin que
tan
v pero w tiene direccin opuesta (vase las figuras 5.12 b y 5.12 c).
De donde podemos generalizar que al multiplicar un vector por un escalar

positivo, su magnitud se multiplica por el escalar y conserva la misma
direccin; al multiplicar por un escalar negativo, su magnitud se multiplica
por el valor absoluto del escalar y tiene direccin opuesta, es decir, su ngulo
aumenta radianes.
De lo anterior podemos observar que es ms comodo tener vectores cuya
magnitud sea 1 y trabajar con ellos, lo que nos lleva a dar la siguiente
definicin.
Definicin 5.4. Sea v un vector, entonces v se le llama vector unitario si su
magnitud es 1:
v 1
174
lgebralineal
Esta definicin nos permite tener una caracterizacin de los vectores
unitarios.
Ejemplo 4
Consideremos los vectores cannicos i = (1,0) y j (0,1)
Vamos a encontrar su magnitud
i 12 02 1
j 02 12 1
por lo que podemos decir que i y j son vectores unitarios.

De aqu nos surge la siguiente pregunta: dado un vector cualquiera,
podremos encontrar un vector que tenga la misma direccin pero que sea
unitario? La respuesta es s, y para ello retomaremos el hecho de lo que
significa multiplicar un vector por un escalar.
v
Teorema 5.1. Sea v un vector, entonces el vector u =
es un vector
v
unitario.
Vamos a encontrar vectores unitarios a partir de vectores que no lo son

usando el teorema anterior.
Ejemplo 5
Consideremos el vector v = (3, 2), calculemos su magnitud
v 32 22 9 4 13 entonces definamos al vector
u=
v (3, 2)
(3 / 13 , 2 / 13 ) calculemos la magnitud de u
v
13
u (3 / 13 )2 (2 / 13 )2 9 / 13 4 / 13 13 / 13 1 por tanto u s es
unitario.
175
Unidad 5
Por ltimo, introduciremos el concepto de distancia entre dos puntos. Para
ello usaremos el concepto de geometra analtica y la relacionaremos con el
concepto de longitud.
Consideremos los siguientes vectores v = (2, 3) y u = (1,2); vamos a
encontrar la distancia entre ellos como puntos en el plano cartesiano.
Sabemos por geometra analtica que la distancia entre los puntos (2,3) y
(1,2) la podemos obtener sustituyendo en la siguiente frmula:
( x2 x1 ) 2 ( y2 y1 ) 2 (2 1) 2 (3 2) 2 1 25 26
Si consideramos los puntos como vectores, observamos que esta distancia
se conforma sacando la magnitud del vector formado por la diferencia entre los
vectores u y v.
v u (2 1, 3 2) (1, 5) 12 52 26
de lo anterior obtenemos la siguiente definicin:
Definicin 5.5. Sean u y v dos vectores, entonces la distancia entre u y v es
la longitud del vector vu, es decir: d (v,u) = v u
La distancia, definida de esta manera, posee las siguientes propiedades y

nos va a permitir generalizarla a espacios vectoriales distintos de Rn.
176
lgebralineal
Teorema 5.2. Si d (v,u) = v u es la distancia entre u y v, entonces
i)
ii)
iii)
iv)
d (v, u) > 0,
d (v, u) = 0 si v = u
d (v, u) = d (u, v)
d (v, u) d (v, w) + d(w, u) (Desigualdad del tringulo)
Viendo las caractersticas que debe cumplir una distancia surge la pregunta,
ser sa la nica forma de definir una distancia? La respuesta es no.
Pondremos ejemplos en las siguientes secciones.
Ejercicio 1
1. Encuentra la magnitud y direccin de los siguientes vectores:
a) x = (3,4)
b) y = (1,0)
c) u = (2/3, 1/2)
d) w = (0, 5)
2. Encuentra el vector unitario que tenga la misma direccin que el vector
dado:
a) u = (2, 3)
b) v = (3, 4)
c) w = (2, 3)
3. Encuentra la distancia entre las siguientes parejas de vectores:
a) a = (1,2), b = (3, 2)
b) c = (2, 3), d = (4, 0)
c) e = (0, 3), f = (0, 2)
5.2. Producto interno, ngulo entre vectores

en R2
En la unidad 1 definimos el producto escalar de dos vectores en Rn de la
siguiente manera:
177
Unidad 5
si u = (u1, u2, ..., un) y v = (v1, v 2, ..., v n) son dos vectores en R n , entonces
uv = u1v1 + u2v2 + ... + unvn. Si trasladamos este resultado a R2 tenemos la
siguiente definicin:
Definicin 5.6. Sean u = (a1, b1) y v = (a2, b2), entonces el producto interno
de u y v es
uv = a1a2 + b1b2.
Al producto interno tambin se le llama producto punto.
Recordemos que el producto interno es un nmero real al igual que la
magnitud de un vector. Habr alguna relacin entre ellos?
El siguiente teorema nos indica cul es esa relacin y nos brinda otra
manera (que vamos a poder generalizar), de encontrar la magnitud de un
vector.
Teorema 5.3. Sea v un vector de R2, entonces v v v
2
Vamos a probar que ste es otro mtodo para encontrar la magnitud de un

vector:
Ejemplo 6
Consideremos el vector v = (3,5), entonces
v 32 (5) 2 9 25 34
usando el teorema anterior tenemos que
vv = (3)(3) + (5)(5) = 9 + 25 = 34 = v
y como podemos observar, ambos mtodos dan el mismo resultado.

Qu significado geomtrico tendr el producto interno de dos vectores en R2?
La siguiente definicin nos ayudar a aclararlo.
178
lgebralineal
Definicin 5.7. Sean u y v dos vectores diferentes de cero. El ngulo
entre u y v es el ngulo no negativo ms pequeo ( 0 ) que hay entre
ellos.
Si v = u, entonces = 0 si y = si < 0 (Figura. 5.14).
En la figura 5.14. se observa grficamente cmo es que se toma el ngulo

, el ms pequeo de los dos ngulos que se forma entre dos vectores.
El siguiente resultado nos da una manera de encontrar el ngulo entre dos

vectores.
Teorema 5.4. Si u y v son dos vectores diferentes de cero y es el ngulo
uv
entre ellos, entonces cos
u v
Este teorema nos permite tener una expresin para el producto interno
u v u v cos en trminos del ngulo entre dos vectores y sus magnitudes.
En el siguiente ejemplo usaremos este teorema para encontrar el ngulo
entre dos vectores.
179
Unidad 5
Ejemplo 7
Sean u = (2,3) y v = (7,1) el producto interno es uv = (2)(7) +
(3)(1) = 14 + 3 = 11, las magnitudes son u 22 32 4 9 13
v (7) (1) 49 1 50
2
por lo tanto: cos
uv
11
11
11
y
u v
13 50
650
1350
11
cos 1

650
Existen particularidades entre dos vectores cuyos ngulos son 0, /2 (90),

(180), 3y 2 (360).
La siguiente definicin nos dice en qu consisten las particularidades.
Definicin 5.8. Dos vectores diferentes de cero, u y v son:
a) paralelos si el ngulo entre ellos es cero o (180)
b) ortogonales (perpendiculares) si el ngulo entre ellos es /2 (90) o 3/2
(270).
En el siguiente ejemplo verificaremos vectores que son paralelos u

ortogonales y posteriormente generalizaremos los resultados obtenidos.
180
lgebralineal
Ejemplo 8
a) Consideremos los vectores u = (2,1) y v = (4, 2), determina si son
paralelos u ortogonales.
Vamos a encontrar el producto interno uv = (2)(4) + (1)(2) = 8 + 2 = 10;
sus magnitudes u 22 12 4 1 5 y
v (4) 2 (2) 2 16 4 20
y el ngulo que hay entre ellos.
cos
uv
10
10
10
1 y = cos 1(1)
u v
5 20
100 10
de donde podemos concluir que u y v son paralelos.
b) Consideremos los vectores u = (2,1) y v = (4, 2), determina si son

paralelos u ortogonales.
El producto interno uv = (2)(4) + (1)(2) = 8 + (2) = 10;
sus magnitudes u 22 12 4 1 5
y
v (4) 2 (2) 2 16 4 20
y el ngulo que hay entre ellos

cos
uv
10
10 10
1 y cos 1(1)18
u v
5 20
100 10
181
Unidad 5
de donde podemos concluir que u y v son paralelos.
c) Sean u = (2,1) y v = (1, 2), determina si son paralelos u ortogonales.

El producto interno uv = (2)(1) + (1)(2) = 2 + 2 = 0;
sus magnitudes u 22 12 4 1 5 y
v (1) 2 (2) 2 1 4 5
y el ngulo que hay entre ellos
cos
uv
0
0
0
0 y cos 1(0)9
u v
5 5
25 5
de donde podemos concluir que u y v son ortogonales.
En el ejemplo anterior observamos que si los vectores son ortogonales, el

coseno de su ngulo es cero, pero como el coseno es un cociente, el numerador
debe ser cero, de donde se desprende el siguiente resultado:
182
lgebralineal
Teorema 5.5. Dos vectores u y v , diferentes de cero, son ortogonales, si y
slo si, su producto interno es cero, es decir uv = 0.
Este resultado nos va a ser muy til cuando generalicemos la nocin de

ortogonalidad en espacios vectoriales distintos de Rn.
Ejemplo 9
Considera la pareja de vectores u = (3, 4) y v = (2, 6), su producto
interno uv = (3)(2) + (4)(6) = 6 + (24) = 30, por lo tanto podemos
asegurar que u y v no son ortogonales.
Ejercicio 2
1. Encuentra el producto interno de las siguientes parejas de vectores:
a) (3, 2), (3, 4)
b) (0,3), (1,0)
c) (5,1), (5, 1)
2. Encuentra el ngulo entre las parejas de vectores del ejercicio anterior.
3. Di si las siguientes parejas de vectores son paralelos, ortogonales o
ninguna de las dos cosas:
a) (2, 4), (1, 2)
b) (8, 1), (1, 8)
c) (3, 0), (1,1)
4. Cules debern ser las coordenadas del vector u para que sea ortogonal
al vector v = (2, 3)?
183
Unidad 5
5.3. Espacios vectoriales no euclideanos con

producto interno
En esta seccin generalizaremos los conceptos que vimos en las secciones
anteriores a espacios vectoriales no euclideanos, es decir, espacios vectoriales
que no tengan ninguna relacin con Rn. Comenzaremos con el concepto de
producto interno.
Definicin 5.9. Sea V un espacio vectorial. Decimos que V tiene producto
interno, si para cada pareja de vectores u y v en V existe un escalar nico (u, v),
llamado producto interno de u y v que satisface las siguientes propiedades:
Si u, v y w estn en V y es un escalar;
i)
ii)
iii)
iv)
v)
vi)
vii)
(v, v) 0
(v, v) = 0 si y slo si v = 0
(u, v + w) = (u, v) + (u, w)
(u + v, w) = (u, w) + (v, w)
(u, v) = (v, u)
(u, v) = (u, v)
(u, v) = (u, v)
Nota: En otros textos el producto interno se representa por <v, v>

Daremos varios ejemplos de espacios vectoriales con producto interno.
Ejemplo 10
a) Consideremos el espacio vectorial Dn de las matrices diagonales de
orden nn. Sean A, B en Dn, definimos (A, B) = a11b11 + a22b22 + ... + annbnn
vamos a probar que es un producto interno. Sean A, B, C en Dn
(A, A) = a11a11 + a22 a22 + ... + annann = a112 + a222 + ... + ann2 0
ya que todos son cuadrados.
ii) (A, A) = 0, entonces
a11a11 + a22 a22 + ... + annann = a112 + a222 + ... + ann2 = 0
lo cual sucede slo si todas las aii = 0, entonces A es la matriz cero.
iii) (A, B + C) = a11 (b11+ c11) + a22 (b22 + c22) + ... + ann (bnn + cnn)
= [a11b11 + a11c11] + [a22b22 + a22 c22 ]+ ... + [annbnn + anncnn]
= [a11b11 + a22b22 + ... + annbnn] + [ a11c11 + a22 c22 + ... + anncnn]
i)
184
lgebralineal
= (A, B) + (A, C)
iv) (A + B, C) = (a11 + b11) c11 + (a22 + b22) c22 + ... + (ann + bnn ) cnn
= [a11c11 + b11c11] + [a22 c22 + b22 c22 ]+ ... + [anncnn + bnncnn]
= [a11c11 + a22c22 + ... + anncnn] + [ b11c11 +b22c22 + ... + bnncnn]
= (A, C) + (B, C)
v) (A, B) = a11b11 + a22b22 + ... + annbnn como el producto de nmeros es
conmutativo, se tiene que:
(A, B) = b11a11 + b22 a22 + ... + bnnann = (B, A)
vi) (A, B) = a11b11 + a22b22 + ... + annbnn; factorizando tenemos
que:
(A, B) = ( a11b11 + a22b22 + ... + annbnn ) = (A, B)
vii) (A, B) = a11 ( b11) + a22 ( b22) + ... + ann ( bnn); factorizando
tenemos que
(A, B) = ( a11b11 + a22b22 + ... + annbnn ) = (A, B)
Por lo tanto (A, B) = a11b11 + a22b22 + ... + annbnn satisface las caractersticas
de producto interno.
b) Consideremos C[a, b] el espacio vectorial de las funciones continuas en
el intervalo [a, b].
Definimos en C[a, b] a ( f, g) =
producto interno.
f t g t dt , vamos a probar que es un
Sean f, g, h en C[a, b], entonces:

( f, f ) =
ii) ( f, f ) =
i)
iii) ( f, g+h) =
f (t ) f (t )dt f 2 (t )dt 0, ya que f 2 no es negativa.

a
f 2 (t )dt = 0 nicamente si f(t) = 0
f (t ) g t h t dt f t g t f t h t dt ;
a
propiedad de la integral
b
f (t ) g (t )dt f (t ) h(t ) dt = ( f, g) + ( f, h)
iv) ( f + g, h) =
f t g t h t dt f t h t g t h t dt ;
a
a
propiedad de la integral
b
f t h t dt g t h t dt = ( f, h) + (g, h)
a
a
185
Unidad 5
b
vi) (f, g) =
vii) ( f, g) =
f (t ) g (t )dt f (t ) g (t ) dt = f, g)
a
f (t ) g (t ) dt f (t ) g (t )dt = f, g)
Por lo anterior ( f, g) =
f (t ) g (t )dt es un producto interno en C[a,b].
5.4. Norma. Propiedades

En esta seccin, definiremos y generalizaremos el concepto de longitud,
tambin llamado norma.
Definicin 5.10. Sea V un espacio vectorial con producto interno definido
y u en V.
La norma de u, que se denota u est dada por u (u, u) .
Esta definicin nos muestra un modo de encontrar la longitud de objetos

que en apariencia no la tienen. Veamos los siguientes ejemplos:
Ejemplo 11
a) Consideremos el espacio D3 con el producto interno definido en el
ejemplo 10a; encontraremos la norma de una matriz en D3.
3 0 0
Sea A = 0 5 0 en D3, entonces (A, A) = 32 + (5)2 + 42 = 9 + 25 +
0 0 4
16 = 50
y la norma de A es A = (A, A) 50
b) Consideremos el espacio P2[0,1], de todos los polinomios de grado
menor o igual a dos continuos en el intervalo [0, 1]. Como P2[0,1] es un
subespacio de C[0,1], podemos usar el producto interno definido en el ejemplo
10b.
186
lgebralineal
Sea f (t) = t2 3t en P2[0,1],
( f, f ) =
t5
t4
t3
6
9
5
4
3
f 2 (t )dt t 2 3t dt t 4 6t 3 9t 2 dt
0
0
1
1/5 6/4 + 9/3 = 17/10
f ( f , f ) 17 / 10
la norma de f es
por lo tanto podemos decir que: f ( f , f )
f 2 (t ) dt
En el siguiente teorema se enuncian las propiedades que satisfacen cualquier

norma independientemente del producto interno del que provenga.
Teorema 5.6. Sea V un espacio vectorial con producto interno, y una norma
definida, entonces:
i)
u 0
ii)
u = 0 si y slo si u = 0
iii)
iv)
uv u v
Nota que las primeras tres propiedades se deducen de las propiedades que
cumple el producto interno. Vamos a probar que se cumple la cuarta propiedad
en un ejemplo.
Ejemplo 12
Consideremos el espacio vectorial D3 con la norma definida en el ejemplo
11a.
0 0
0
1
2 0
0 en D3, entonces:
Sean A = 0 1 0 y B = 0 3
0
0 0 1
0 3
A + B ( A B, A B )
187
Unidad 5
3 0 0
A + B = 0 2 0 ; (A + B, A + B) = 9 + 4 + 4 = 17 de donde:
0 0 2
A + B 17
A ( A, A) 1 1 9 11 y B ( B, B ) 4 9 1 14
y por lo tanto
17 11 14 que implica A B A B
En R2 vimos que los vectores unitarios tenan caractersticas especiales

y eran fciles de manejar, suceder lo mismo en otros espacios vectoriales?
Consideremos la siguiente definicin, que es una generalizacin de la definicin
de vector unitario en R2.
Definicin 5.11. Sea V un espacio vectorial con producto interno y sea u
un vector de V.
Decimos que u es vector unitario si u = 1
Veamos los vectores unitarios de los ejemplos 11a y 11b.
Ejemplo 13
Consideremos el espacio D3 con la norma definida A ( A, A) .
a 0 0
Sea A = 0 b 0
0 0 c
Si A es unitario, entonces: A ( A, A) a 2 b 2 c 2 1 eso seala

que a 2 b 2 c 2 = 1. Lo que nos indica que las matrices diagonales de 33
unitarias son aquellas cuya suma de los cuadrados de la diagonal es 1.
Podremos construir vectores unitarios? La respuesta nos la da el siguiente
resultado, que utilizaremos ms adelante para construir bases llamadas
ortonormales.
188
lgebralineal
Teorema 5.7. Sea V un espacio vectorial con producto interno y una norma
definida.
Sea u un vector en V, entonces el vector v =
u
es un vector unitario.
u
Este teorema nos proporciona un mtodo para construir vectores unitarios.

Usaremos como ejemplo el espacio vectorial de las matrices diagonales
(ejemplo 13).
Ejemplo 14
3 0
Sea A = 0 2
0 0
0 , entonces su norma es:

1
A ( A, A) 32 22 (1) 2 14
Construyamos el vector unitario
B=
1
14
3 0
0 2
0 0
0 =
1
3 / 14
0
0
0
2 / 14
0
1 / 14
0
0
vamos a encontrar la norma de B

B ( B, B ) (3 / 14 ) 2 (2 / 14 ) 2 (1 / 14 ) 2
9 / 14 4 / 14 1 / 14 14 / 14 1
por lo que efectivamente B es un vector unitario.
189
Unidad 5
Ejercicio 3
1. Encuentra la norma de las siguientes matrices en D3:
0
3 0
a) A = 0 7
0
0 0 10
1 0 0
b) B = 0 1 0
0 0 1
2. Usa el teorema 5.7. para construir, a partir del vector f(t) = t2 +3 de

P2[0,1] un vector unitario en P2[0,1]
5.5. Distancia. Propiedades

Una vez definida la norma de un vector podemos generalizar el concepto
de distancia, de la siguiente manera:
Definicin 5.12. Sea V un espacio vectorial con producto interno. Sean u
y v elementos de V.
La distancia entre u y v se define como la norma de la diferencia de los
vectores u y v.
d (u, v) = u v
Esta definicin nos permitir encontrar la distancia entre vectores que

no son de Rn y en los cuales ser importante definir conceptos como discos
abiertos y discos cerrados los cuales se requieren en conceptos ms complejos
como lmites y derivadas en clculo vectorial.
Ejemplo 15
Encontrar la distancia entre las funciones f(t) = 2t2 3 y g(t) = 5t2 1 que
son elementos del espacio vectorial C[0, 1] con la norma definida en el ejemplo
11b.
190
lgebralineal
f g = 2t2 3 (5t2 1) = 2t2 3 + 5t2 + 1 = 7t2 2,
( 7t
0
2) 2 dt
(49t
0
28t 2 4)dt
49 5 28 3
49 28
1
t t 4t 0
4 2.11
5
3
5
3
La distancia cumple ciertas propiedades que tienen relacin con aquellas

que cumplen tanto la norma como el producto interno del cual est definido.
Estas propiedades se muestran en el siguiente teorema:
Teorema 5.8. Sean V un espacio vectorial con producto interno y d una
distancia definida en V tal que si u , w y v son vectores de V, entonces:
i)
ii)
iii)
iv)
d (u, v) 0
d (u, v) = 0 si y slo si u = v
d (u, v) = d (v, u)
d( u, w) d (u, v) + d (v, w)
Las tres primeras propiedades son consecuencia directa de la definicin de

la norma; en cuanto a la cuarta, es una propiedad conocida como desigualdad
del tringulo.
Probaremos la segunda en el caso de las matrices diagonales en D2 con la
norma definida en el ejemplo 13.
Ejemplo 16
c 0
a 0
Sean A y B matrices en D2, entonces A =
y B = 0 d ,
0
b
supongamos que
d (A, B) = 0, esto implica que
A B ( A B, A B ) (a c) 2 (b d ) 2 0
de donde (a c)2 + (b d)2 = 0, por lo tanto a c = b d = 0
esto nos conduce a que a = c y b = d
y A = B.
191
Unidad 5
Ejercicio 4
1. Encuentra la distancia entre las funciones f(t) = 3t + 4 y g(t) = t2 + 4 de
P2[0,1] con la distancia definida como en el ejemplo 15.
5.6. ngulo entre dos vectores. Proyeccin de

un vector sobre otro
Otro de los conceptos que vale la pena generalizar es el de ngulo entre
vectores, ya que nos proporciona un modo de definir vectores ortogonales,
los cuales sern importantes en la construccin de bases ortonormales para
un espacio vectorial, pues tienen caractersticas especiales que ayudarn en el
manejo de solucin de ecuaciones usando vectores y valores propios.
Definicin 5.13. Sea V un espacio vectorial con producto interno y sean u,
v vectores en V.
El ngulo entre u y v es un nmero real en el intervalo 0 tal
que
cos
u, v
u v
Vamos a encontrar el ngulo entre dos matrices A y B del espacio vectorial D2.
Ejemplo 17
0
1
y B = 0
0
1
Consideremos A =
0
(A, B ) = 1 + (2) = 1
2
A ( A, A) a 2 b 2 1 1 2
B ( B, B ) a 2 b 2 1 4 5
entonces, cos
192
A, B
1
1
0.316227 de donde
A B
2 5
10
lgebralineal
Construiremos ahora lo que se denomina proyeccin de un vector sobre

otro.
En esta parte usaremos el espacio euclideano R2 para ejemplificar el
significado de la proyeccin, aunque la definicin se dar para espacios
vectoriales con producto interno cualquiera.
Definicin 5.14. Sean u y v dos vectores diferentes de cero en un espacio
vectorial V con producto interno. Entonces la proyeccin de u sobre v es un
u, v
vector denotado por proyv u que se define como proyv u =
v
2
v
Haremos una ejemplificacin en R2 para ver cul es su significado.
Ejemplo 18
Encontrar la proyeccin del vector u = (2,3) sobre el vector v = (4,1)
2
(u, v) = 83 = 5; v = 16 +1 = 17 entonces
proy v u =
u, v
2
v =
5
(4, 1) = (20/17, 5/17)
17
v
Observemos que la proyv u es un vector en la misma direccin de v.
Este concepto permitir encontrar la proyeccin ortogonal de un vector

sobre otro, que se manejar en la siguiente unidad.
193
Unidad 5
Ejercicio 5
1. Sean f, g C[0, 1], encuentra el ngulo entre las funciones f(t) = t y
g(t) = et.
2. Encuentra la proyeccin del vector u = (2, 1) sobre el vector v = (3, 2).
3. Cul debe ser el ngulo entre u y v para que proyv u = 0?
1. Encuentra la magnitud y direccin del vector u = (5, 1)
u 52 (1) 2 25 1 26
tan
1
1
tan 1 348D 41' 6.08 radianes.
5
5
2. Encuentra el vector unitario en la misma direccin que v = (1, 2):

v 12 (2) 2 1 4 5
u=
v (1, 2)
(1 / 5 , 2 / 5 )
v
5
Vamos a checar que u es unitario.

u (1 / 5 ) 2 (2 / 5 ) 2 1 / 5 4 / 5 5 / 5 1
3 0
3. Encuentra el vector unitario de D2 a partir de la matriz B
0 1
B ( B, B ) (3) 2 12 10
Construyamos la matriz
A
194
1
B
B
1 3 0 3 / 10
0
10 0 1
1 / 10
lgebralineal
Probaremos que la matriz A es unitaria:
A ( A, A) (3 / 10 ) 2 (1 / 10 ) 2 9 / 10 1 / 10 1
4. Encuentra la proyeccin del vector u = (2, 5) sobre v = (4, 1)
u, v
Segn nuestra frmula proyv u =
v.
2
v
(u, v) = 85 = 3; v
=16 + 1 = 17, entonces:
proyv u = 3/17(4,1) = (12/17, 3/17).
Ejercicios propuestos
1. Encuentra la magnitud y direccin del vector v = (2,
5 ).
2. Encuentra el vector unitario en la misma direccin que v = (4, 3).

3. Encuentra un vector ortogonal al vector v = (a, b).
2
4. Encuentra la norma de la matriz A = 0
0 0
1 0 de D3.
0 3
5. Encuentra un vector unitario en D3 a partir de la matriz A = 0

0
0 0
1 0 .
0 3
6. Encuentra la distancia en P 2 [0,1] entre las funciones f(t) = t+1 y

g(t) = 2t + 1.
1
7. Encuentra el ngulo entre las matrices de D2 A
0
0
1 0
y B 0 1
1
8. Encuentra la proyeccin de u = (1, 0) sobre v = (1, 1)
195
Unidad 5
Autoevaluacin
1. Es la longitud del vector (3, 4):
a) 25
b) 7
c) 5
d) 1
2. La direccin del vector (4, 8) es:
a)
1
b) tan (8 4)
c) 8/4
d) tan 1 ( 84 )
3. El vector unitario en la direccin de u = (4,3) es:
a) (7, 13)
b) (8, 6)
c) (4/5, 3/5)
d) (4/7, 3/7)
4. Es el producto interno de (3,4) y (3, 2):
a) (3+3)(4+2) = 36
b) 3(3) + 4(2) = 17
c) (3 3)(2 4) = 0
d) 3(3) 4(2) = 1
5. Los vectores (2, 12) y (3, 1/2) son:
a) Ni paralelos ni ortogonales.
b) Paralelos.
c) Ortogonales.
d) Idnticos.
6. Es la expresin para la proyeccin del vector u sobre el vector v:
a)
u, v
v
b)
v , u
u
196
lgebralineal
c)
u, v
u
d)
u, v
v
7. Es el producto interno de las funciones f(t) = t y g(t) = t3 en C[0, 1]:

a)
b)
c)
d)
1/2
1/3
1/4
1/5
3 0 0
8. Es la norma de la matriz 0 2 0 en D3:

0
0 8
a) 3
b) 77
c) 77
d) 69
3 0
9. Es el vector unitario en D2 a partir de
:
0 5
3 / 34
0
a)
0
5
/ 34
3 / 34
b)
0
5 / 34
0
9 / 34
0
c)
25 / 34
0
5 0
d)
0 3
10. Encuentra el ngulo entre las funciones f(t) = sen t y g(t) = cos t en
C[0,2]
a)
b)
c)
d)
0
180
90
45
197
lgebralineal
Respuestas a los ejercicios

Ejercicio 1
1.
a) Magnitud = 5; direccin = 306.87 = 5.36 radianes.
b) Magnitud = 1; direccin = 180 = radianes.
c) Magnitud = 5/6; direccin = 143.13 = 2.5 radianes.
d) Magnitud = 5; direccin = 270 = 3radianes.
2.
a) (2 / 13 , 3 / 13 )
b) (3/5, 4/5)
c) (2 / 13 , 3 / 13 )
3.
a) 4
b) 45
c) 5
Ejercicio 2
1.
a) 1
b) 0
c) 26
2.
a) 86.82
b) 90
c) 180
3.
a) Son paralelos.
b) Son ortogonales.
c) No son parelelos ni ortogonales.
199
Unidad 5
4. Cualquiera de la forma k(3, 2) con k real.
Ejercicio 3
1.
a) 158
b) 3
2. g(t) =
1
56
5
(t 2 3)
5 2
(t 3)
56
Ejercicio 4
77 / 10
1. d ( f, g) =
Ejercicio 5
1. 14.18
2. (24/13, 16/13)
3. 90
Respuestas a los ejercicios propuestos

1.
2.
3.
4.
magnitud = 3; radianes = 0.84; direccin = 48.19

(4/5, 3/5)
(b, a)
14
5. 2/ 14
0
0
6.
0
1/ 14
0
7. 180 = radianes
8. (1/2, 1/2)
200
0
0
3/ 14
lgebralineal
Respuestas a la autoevaluacin
1. c)
2. d)
3. c)
4. b)
5. c)
6. a)
7. d)
8. c)
9. b)
10. c)
201
lgebralineal
Introduccin
n la unidad anterior analizamos el concepto de ngulo entre dos vectores;

en el plano cartesiano R2 es frecuente encontrar vectores cuyo ngulo
es de 90, estos vectores, se dice, son perpendiculares u ortogonales.
En esta unidad vamos a generalizar el concepto de ortogonalidad a espacios
vectoriales cualesquiera.
Se analiz tambin el concepto de vectores unitarios; al unir ambos
conceptos obtendremos el concepto de vectores ortonormales. Ahora veremos
las propiedades de estos vectores y las ventajas de trabajar con una base cuyos
vectores son ortonormales, as como un procedimiento mediante el cual se
pueden construir dichas bases.
6.1. Definicin de conjunto de vectores

ortogonales. Bases ortogonales
Conocemos a R2 como el concepto de vectores cuyo ngulo es de 90.
Ahora generalizaremos este resultado con la definicin 6.1.
Definicin 6.1. Sea V un espacio vectorial con producto interno y u, v
vectores de V. Se dice que u y v son ortogonales si su producto interno es cero,
es decir
(u, v) = 0
Comprobaremos que la definicin anterior es equivalente en R2 al tener

un ngulo de 90 o de 270. De ser comprobable la tomaremos como definicin
general y analizaremos su significado y las propiedades que tienen en otros
espacios vectoriales.
Ejemplo 1
a) Consideremos los vectores u = (2, 0) y v = (0, 3) en R2
Recordemos la definicin de vectores ortogonales: son aquellos que tienen
entre ellos un ngulo de 90 o de 270 (/2 o 3/2).
(Definicin 5.8)
205
Unidad 6
Vamos a encontrar el ngulo entre u y v.
cos
uv
(2, 0) (0, 3)
0
0
0 por tanto = cos 1 0 =

2
2
2
2
u v
(2)(3) 6
2 0 0 3
90 o 270
Entonces u y v son ortogonales. Observemos que el producto interno de u
y v es cero.
Podemos concluir que estas dos definiciones son equivalentes.
b)Consideremos ahora el espacio vectorial C[0, 2].
Sean f(t) = sen t y g(t) = cos t en C[0, 2].
Entonces ( f, g) =
2
0
f (t ) g (t )dt
2
0
sent cost dt 12 (sen t )
| 0 por lo
0
tanto podemos asegurar que f y g son ortogonales.

c) Sea D2 el espacio vectorial de las matrices diagonales de orden 22 con
el producto interno definido como la suma de los productos de los elementos de
la diagonal principal. (A, B)=a11b11+a22b22 (vase unidad 5, seccin 5.3 ejemplo
10a).
1 0
2 0
Sean A =
yB=
.
0 2
0 1
Vamos a probar que son ortogonales:
(A, B) = (1)(2) + (2)(1) = 2 + 2 = 0 y por tanto son ortogonales.
Basados en lo anterior, podemos tener un conjunto de vectores que
sean ortogonales, pero, tendrn propiedades especiales?
Consideremos la definicin 6.2.
Definicin 6.2. Sea V un espacio vectorial con producto interno. Sea
{v1, v2, ..., vn} un conjunto de vectores de V, entonces es un conjunto ortogonal
si satisface que
(vi, vj) = 0 para i j
206
lgebralineal
Es decir, cuando cada uno de los vectores del conjunto es ortogonal a los
dems elementos.
Daremos algunos ejemplos de conjuntos ortogonales, especialmente en R2
3
yR.
Ejemplo 2
a) Considera los vectores de R3 i = (1, 0, 0), j = (0, 1, 0), k = (0, 0, 1).
A continuacin probaremos que forman un conjunto ortogonal:
(i, j) = (1)(0) + (0)(1) + (0)(0) = 0
(i, k) = (1)(0) + (0)(0) + (0)(1) = 0
( j, k) = (0)(0) + (1)(0) + (0)(1) = 0
de donde forman un conjunto ortogonal.
Sea D3 el espacio vectorial de las matrices diagonales de 33,
0 0 0
0 0 0
1 0 0
Sean A = 0 0 0 , B = 0 5 0 , C = 0 0 0
0 0 3
0 0 0
0 0 0
Probaremos que forman un conjunto ortogonal en D3.

(A, B) = (1)(0) + (0)(5) + (0)(0) = 0
(A, C) = (1)(0) + (0)(0) + (0)(3) = 0
(B, C) = (0)(0) + (5)(0) + (0)(3) = 0
As concluimos que forman un conjunto ortogonal.
Considerando el espacio euclideano R2, si dos vectores ortogonales tienen
entre ellos un ngulo de 90 o de 270, sern linealmente independientes?
Recordemos que en R2 para que dos vectores fueran linealmente dependientes,
uno tena que ser mltiplo del otro, y por tanto el ngulo que formaran
entre ellos sera de 0 o 180. Esto nos lleva a enunciar que dos vectores
en R2 ortogonales, deben ser linealmente independientes. Suceder esto con
cualquier espacio vectorial? Veamos el teorema 6.1.
207
Unidad 6
Teorema 6.1. Sea V un espacio vectorial con producto interno. Sea S = {v1,
v2, ..., vn} un conjunto finito de vectores ortogonales en V. Entonces S es un
conjunto linealmente independiente.
Daremos un ejemplo de este teorema en un espacio vectorial diferente

de R 2.
Ejemplo 3
Consideremos el espacio vectorial D3 de las matrices diagonales de 33.
Retomando las matrices A, B, C del ejemplo 2.
1 0 0
0 0 0
0 0 0
A = 0 0 0 , B = 0 0 0 , C = 0 5 0
0 0 0
0 0 0
0 0 3
Ya comprobamos en este ejemplo que el conjunto de las matrices {A, B, C}

es ortogonal, ahora vamos a probar que son linealmente independientes.
Tomemos una combinacin lineal de ellas igual a cero:
c1 A + c 2 B + c 3 C = 0
0 0 0
0 0 0
1 0 0
c1 0 0 0 + c2 0 5 0 + c3 0 0 0 = 0
0 0 3
0 0 0
0 0 0
c1 0 0 0 0

entonces 0 0 0 + 0 5c2
0 0 0 0 0
0 0 0 0
0 0 0

0 0
0 = 0 0 0
0 +
0 0 0 3c3 0 0 0
Donde c1 = 0; 5c2 = 0; 3c3 = 0; por tanto, c1 = c2 = c3 = 0 siendo el conjunto

linealmente independiente.
Lo que nos lleva a considerar un conjunto como base ortogonal slo con
pedirle que genere al espacio vectorial.
208
lgebralineal
Definicin 6.3. Sea V un espacio vectorial con producto interno. Sea B un
conjunto ortogonal de vectores en V. Entonces B es una base ortogonal de V si
V = gen B
Consideremos como ejemplo la base cannica de R2.
Ejemplo 4
(Ver unidad 4, seccin 4.3, ejemplo 2a.)
Sea B = {i, j}, con i = (1, 0) y j = (0, 1) la base cannica de R2
Probaremos que es un conjunto ortogonal:
(i, j) = (1)(0) + (0)(1) = 0; entonces B es un conjunto ortogonal pero como B
genera a R2, entonces podemos asegurar que B es una base ortogonal para R2.
Vamos ahora a unir el teorema 4.6 (cualesquiera n vectores linealmente
independientes en un espacio vectorial de dimensin n forman una base para
el espacio), con el teorema 6.1 para obtener un resultado que nos indica que
cualquier espacio vectorial finito tiene una base ortogonal.
Teorema 6.2 Sea V un espacio vectorial finito de dimensin n. Sea
B = {v1, v2, ..., vn} un conjunto ortogonal de n vectores, entonces B es una base
ortogonal de V.
Este teorema nos da una condicin para tener una base ortogonal de un
espacio vectorial de dimensin finita. Veamos algunos ejemplos:
Ejemplo 5
Consideremos el espacio vectorial D2 de las matrices diagonales de orden
22.
Vamos a probar que la dimensin de D 2 es 2. Sea A una matriz de D 2 ,
a 0
A =
entonces A se puede escribir como
0 b
209
Unidad 6
0 0
a 0
1 0
A =
= a
+ b 0 1 ;
0 b
0 0
1 0 0 0
por tanto el conjunto formado por
;
genera a D2, lo que
0 0 0 1
nos indica que la dimensin de D2 es 2.
2 0
1 0
En el ejemplo 1c) se prob que las matrices A =
y B = 0 1 son
0 2
ortogonales, y como son dos forman una base ortogonal para D2.
Ejercicio 1
1. Determina si los siguientes pares de vectores de R3 son ortogonales o no:
a) u = (3, 2, 4), v = (2, 3, 4)
b) u = (1, 0, 0), v = (0, 0, 1)
c) u = (2/3, 1/2, 1), v = (1/2, 2/3, 0)
d) u = (0, 5, 0), v = (4, 1, 0)
2. Encuentra los vectores en R2 que sean ortogonales a cada uno de los
siguientes vectores:
a) u = (2, 3)
b) v = (3, 4)
c) w = (2, 3)
3. Determina si los siguientes conjuntos son ortogonales o no:
a) {(3, 1), (1, 3), (1, 0)}
1 0 0 0 2
0
b)
,
,
0 2 0 0 0 1
4. Determina si las siguientes afirmaciones son verdaderas o falsas:
a) {(1, 0, 0), (0, 0, 1)} es una base ortogonal para R3.
b) {(1, 1, 1), (2, 2, 2); (0, 0, 0)} es una base ortogonal para R3.
c) Todo conjunto linealmente independiente es ortogonal.
d) Todo conjunto ortogonal es linealmente independiente.
e) Si V es un espacio vectorial de dimensin n, un conjunto ortogonal de m
vectores es una base para V.
210
lgebralineal
6.2. Definicin de conjunto de vectores

ortonormal. Bases ortonormales
En la seccin anterior determinamos cmo obtener un conjunto ortogonal
de vectores. En la unidad 5 analizamos vectores cuya norma era 1, es decir,
vectores unitarios que tienen importantes propiedades adems de un manejo
ms fcil.
En esta seccin nos ocuparemos de las bases ortonormales, es decir, de
conjuntos de vectores ortogonales con norma 1.
Consideremos la definicin 6.4 (que es una ampliacin de la definicin 6.1).
Definicin 6.4. Sea V un espacio vectorial con producto interno y u, v dos

vectores de V, entonces, u y v son vectores ortonormales si son ortogonales y
su norma es 1, es decir, (u, v) = 0 y adems u = 1, v = 1
Vamos a dar un ejemplo de esta definicin en R2 y en D3.
Ejemplo 6
a) Consideremos en R2 los vectores i = (1, 0) y j = (0, 1), veremos si son
ortonormales.
(i, j) = (1)(0) + (0)(1) = 0, por tanto son ortogonales;
u 12 02 = 1 y v 02 12 = 1, son unitarios
De ambos resultados decimos que i y j son ortonormales.
1 0 0
0 0 0
b) Sean A = 0 0 0 , B = 0 1 0 en D3; veremos si son ortonormales.

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

(A, B) = 0 0 0 0 1 0 = (1)(0) + (0)(1) + (0)(0) = 0 y son ortogonales;
0 0 0 0 0 0
211
Unidad 6
A ( A, A) 12 02 02 1 y B ( B, B) 02 12 02 1
de donde son unitarias.
Uniendo ambos resultados tenemos que A y B son ortonormales.
Del mismo modo que en la seccin anterior, podemos tener un conjunto de
vectores ortonormales. Consideremos la definicin 6.5.
Definicin 6.5. Sea V un espacio vectorial con producto interno y sea

S = {v1, v2, ..., vn} un conjunto de vectores de V; entonces S es un conjunto
ortonormal si es un conjunto ortogonal y todos los vectores de S son unitarios.
Es decir, (vi, vj) = 0 si i j y adems v i = 1 para i = 1, 2,...n
Vamos a dar un ejemplo en R3 en el cual se encuentra la definicin 6.5 de
un conjunto ortonormal.
Ejemplo 7
Consideremos en R 3 el conjunto de vectores i = (1, 0, 0); j = (0, 1, 0);
k = (0, 0, 1).
Veamos si el conjunto {i, j, k}es ortonormal.
En el ejemplo 2a) probamos que el conjunto {i, j, k) es un conjunto
ortogonal, por lo que nos faltara probar que todos son vectores unitarios.
Consideremos las normas de cada uno de ellos:
i 12 02 02 1, j 02 12 02 1, k 02 02 12 1
Todos son unitarios, por lo que el conjunto es ortonormal.
De igual manera podemos pensar en tener bases ortonormales (definicin
6.6) que, como veremos ms adelante, poseen propiedades muy especiales y
son bastante ms fciles de manejar que cualquier otra base.
212
lgebralineal
Definicin 6.6. Sea V un espacio vectorial con producto interno y B una

base para V.
Entonces B se llama base ortonormal de V si es una base y es un conjunto
ortonormal.
En el ejemplo 7 tenemos un conjunto ortonormal para R3, {i, j, k), y

sabemos que este conjunto es la conocida base cannica, por tanto es una base
ortonormal para R3.
Las bases ortonormales nos permiten definir un tipo especial de matriz, lo
cual haremos a continuacin.
Definicin 6.7. Sea A una matriz de nn, entonces A se llama matriz

ortogonal si
A1 = AT
Daremos un ejemplo en M33
Ejemplo 8
Consideremos la matriz de M33
ortogonal:
1 / 2
A = 0
1 / 2
T
1 / 2 0 1 / 2
A = 1 / 2 0 1 / 2 veamos si es
1
0
0
1 , entonces
1 / 2 0
1/ 2
0
1 / 2 0 1 / 2 1 / 2
1/ 2 0 1 0 0
0
1 0 1 0
A AT = 1 / 2 0 1 / 2 0
1
0 1 / 2 1 / 2 0 0 0 1
0
1
T
Donde A = A y por tanto A es ortogonal.
213
Unidad 6
Teorema 6.3. Una matriz Q de orden nn es ortogonal, si y slo si, sus

columnas forman una base ortonormal para Rn.
El teorema 6.3 nos brinda una manera de construir matrices ortogonales

usando conjuntos de vectores ortonormales.
Ejemplo 9
1 0 0
Usando este teorema podemos afirmar que la matriz A = 0 1 0 es

0 0 1
ortogonal pues sus columnas forman una base ortonormal para R3.
Ejercicio 2
1. Determina si los siguientes vectores son ortonormales o no. Si no lo son,
describe cul es la propiedad que no se cumple en cada caso:
a) u = (1, 0) y v = (0, 3)
b) u = (2/3, 1/3, 2/3) y v = (1, 0, 1)
c) u = (1/ 2 , 1/ 2 , 0) y v = (0, 1, 0)
2. Encuentra una base ortonormal para R4(generaliza la base de R3).
2 / 3 2 / 3 1 / 3
2 / 3 es ortogonal (utiliza el
3. Determina si la matriz A = 2 / 3 1 / 3
1 / 3
2 / 3 2 / 3
teorema 6.3).
6.3. Coordenadas de un vector relativas a una

base ortogonal y a una base ortonormal
En esta seccin manejaremos las coordenadas de un vector relativas a una
base ortogonal y a una base ortonormal, veremos sus diferencias entre ellas y
214
Unidad 6
Teorema 6.3. Una matriz Q de orden nn es ortogonal, si y slo si, sus

columnas forman una base ortonormal para Rn.
El teorema 6.3 nos brinda una manera de construir matrices ortogonales

usando conjuntos de vectores ortonormales.
Ejemplo 9
1 0 0
Usando este teorema podemos afirmar que la matriz A = 0 1 0 es

0 0 1
ortogonal pues sus columnas forman una base ortonormal para R3.
Ejercicio 2
1. Determina si los siguientes vectores son ortonormales o no. Si no lo son,
describe cul es la propiedad que no se cumple en cada caso:
a) u = (1, 0) y v = (0, 3)
b) u = (2/3, 1/3, 2/3) y v = (1, 0, 1)
c) u = (1/ 2 , 1/ 2 , 0) y v = (0, 1, 0)
2. Encuentra una base ortonormal para R4(generaliza la base de R3).
2 / 3 2 / 3 1 / 3
2 / 3 es ortogonal (utiliza el
3. Determina si la matriz A = 2 / 3 1 / 3
1 / 3
2 / 3 2 / 3
teorema 6.3).
6.3. Coordenadas de un vector relativas a una

base ortogonal y a una base ortonormal
En esta seccin manejaremos las coordenadas de un vector relativas a una
base ortogonal y a una base ortonormal, veremos sus diferencias entre ellas y
214
lgebralineal
con otras bases cualesquiera. Usaremos el espacio euclideano Rn para nuestros
ejemplos.
Sea B = {(1, 1), (1, 1)}una base ortogonal para R 2. Con x = (x, y) un vector
de R 2. Como B es una base, existen c1 y c 2 escalares, tal que x = (x, y) = c1(1,
1) + c2(1, 1) de donde tenemos que c1 = (xy)/2 y c2 = (x+y)/2
En este caso obtuvimos las coordenadas del vector porque conocamos los
vectores de la base; sin embargo, habr una manera general de encontrar las
coordenadas de un vector aun sin conocer explcitamente los vectores de la
base?
El teorema 6.4 nos determina la respuesta:
Teorema 6.4 Sea V un espacio vectorial con producto interno y sea B = {e1,
e2,...,en} una base ortogonal de V. Si u es un vector de V entonces
u=
(u, e n )
(u, e 2 )
(u, e1 )
e1 +
e2 + ... +
e
(e n , e n ) n
(e 2 , e 2 )
(e1 , e1 )
Daremos un ejemplo en R3:
Ejemplo 10
Considera el conjunto B = {e = (2, 2, 1), f = (2, 1, 2), g = (1, 2, 2)}; es
una base ortogonal para R3.
Sea u = (1, 2, 1) un vector de R3, entonces vamos a usar el teorema 6.4,
para encontrar las coordenada del vector u con respecto a la base B.
(u, e) = (1, 2, 1)(2, 2, 1) = 2 + 4 + 1 = 7
(e, e) = (2, 2, 1)(2, 2, 1) = 4 + 4 +1 = 9
(u, f) = (1, 2, 1)(2, 1, 2) = 2 2 2 = 2
(f, f) = (2, 1, 2)(2, 1, 2) = 4 + 1 + 4 = 9
(u, g) = (1, 2, 1)(1, 2, 2) = 1 + 4 2 = 1 (g, g) = (1, 2, 2)(1, 2, 2) = 1 + 4 + 4 = 9

por tanto las coordenadas de u con respecto a B son (u) B = (7/9, 2/9, 1/9);
es decir,
(1, 2, 1) = 7/9 (2, 2, 1) 2/9 (2, 1, 2) + 1/9 (1, 2, 2)
215
Unidad 6
Sin embargo, pasar lo mismo con las bases ortonormales?
En el caso de las bases ortonormales las normas de todos los vectores de
la base es 1, y por tanto las coordenadas de un vector se simplifican como lo
indica el siguiente teorema.
Teorema 6.5. Sea V un espacio vectorial con producto interno y B = {e1,
e2,...,en} una base ortonormal para V. Si u es cualquier vector de V entonces:
u = (u, e1) e1 + (u, e2) e2 + ... + (u, e n)e n
Usaremos el teorema 6.5, para encontrar las coordenadas de un vector con
referencia a una base ortonormal de R3.
Ejemplo 11
Consideremos en R3 el conjunto B formado por los vectores
a = (1 / 2 , 1 / 2, 0) ; b = (0, 0, 1) y c = (1 / 2, 1 / 2, 0) ; este
conjunto constituye una base ortonormal para R3 (ejemplo 8).
Sea x = (2, 4, 1) un vector de R3. Vamos a encontrar las coordenadas de x
con respecto a la base B.
(x, a) = (2, 4, 1) (1 / 2 , 1 / 2, 0) 2 / 2 4 / 2 0 2 / 2
(x, b) = (2, 4, 1)(0, 0, 1) = 0 + 0 +1 = 1
(x, c) = (2, 4, 1) (1 / 2 , 1 / 2, 0) 2 / 2 4 / 2 0 6 / 2
Por tanto las coordenadas de x con respecto a B son (x)B = ( 2 / 2 , 1, 6 / 2 )
Ejercicio 3
1. Considera la base ortogonal B = {e = (2, 2, 1), f = (2, 1, 2), g = (1, 2, 2)}.
Encuentra las coordenadas con respecto a esta base de los siguientes
vectores:
216
lgebralineal
a) u = (1, 0, 0)
b) v = (0, 3, 0)
c) x = (2, 1, 1)
2. Considerando la base ortonormal B = {a = (1 / 2 , 1 / 2, 0) ; b = (0,
0, 1); c = (1 / 2, 1 / 2, 0) }; encuentra las coordenadas con respecto a esta
base de los siguientes vectores:
a) u = (2, 1,4)
b) v = (4, 1, 0)
c) w = (0, 0, 3)
6.4. Matriz de transicin entre bases

ortonormales
En la seccin anterior encontramos una base ortonormal para R3:
B = {a = (1 / 2, 1 / 2, 0) ; b = (0, 0, 1); c = (1 / 2,
1 / 2, 0) };
sabemos que la base cannica tambin es una base ortonormal para R3. Ahora
vamos a encontrar la matriz de transicin entre las dos bases y analizar sus
propiedades.
Sea B1 = {(i = (1, 0, 0); j = (0, 1, 0); k = (0, 0, 1)} y
B2 = {a = (1 / 2,
1 / 2, 0; b = (0, 0, 1); c = (1 / 2, 1 / 2, 0) }; entonces
la matriz de transicin de B1 a B2 se obtiene definiendo como columnas las

coordenadas de los vectores de B1 en funcin de la base B2 (ver definicin 4.7).
Procedemos a encontrar las coordenadas de i, j y k en trminos de a, b y c.
Como B2 es una base ortonormal usaremos el teorema 6.5 para encontrar
sus coordenadas:
(i, a) = (1, 0, 0) (1 / 2, 1 / 2, 0) 1 / 2
(i, b) = (1, 0, 0)(0, 0, 1) = 0;
(i, c) = (1, 0, 0) (1 / 2,
1 / 2, 0) 1 / 2
de donde (i) B2 = ( 1 / 2 , 0, 1 / 2 ).
( j, a) = (0, 1, 0) (1 / 2, 1 / 2, 0) 1 / 2
217
Unidad 6
( j, b) = (0, 1, 0)(0, 0, 1) = 0;
( j, c) = (0, 1, 0) (1 / 2,
1 / 2, 0) 1 / 2
de donde ( j) B2 = ( 1 / 2 , 0, 1 / 2 ).
(k, a) = (0, 0, 1) (1 / 2 , 1 / 2, 0) 0
(k, b) = (0, 0, 1)(0, 0, 1) = 1;
(k, c) = (0, 0, 1) (1 / 2, 1 / 2, 0) 0
de donde (k) B2 = (0, 1, 0)
1 / 2
Por tanto la matriz de transicin es A = 0
1 / 2
1 / 2 0
Vamos a encontrar la matriz de transicin de la base B2 a B1:
(a, i) = (1 / 2 , 1 / 2 , 0) i (1, 0, 0) 1 / 2
1/ 2
0
(a, j) = (1 / 2, 1 / 2, 0) i (0, 1, 0) 1 / 2 ;
(a, k) = (1 / 2, 1 / 2, 0) i (0, 0, 1) 0
de donde, (a ) B1 (1 / 2 , 1 / 2 , 0)
(b, i) = (0, 0, 1) i (1, 0, 0) 0
(b, j) = (0, 0, 1) i (0, 1, 0) 0
(b, k) = (0, 0, 1) i (0, 0, 1) 1
de donde (b) B1 (0, 0, 1)
(c, i) = (1 / 2, 1 / 2, 0)i(1, 0, 0) 1 / 2
(c, j) = (1 / 2, 1 / 2, 0) i (0, 1, 0) 1 / 2 ;
(c, k) = (1 / 2, 1 / 2, 0) i (0, 0, 1) 0
de donde, (a ) B1 (1 / 2 , 1 / 2 , 0)
1 / 2 0 1 / 2
Por tanto la matriz de transicin es C 1 / 2 0 1 / 2 .
1
0
0
En este caso las columnas de C son las coordenadas de los vectores a, b y

c; por tanto es ortogonal. Observemos que la matriz A es la transpuesta de la
matriz C de donde podemos asegurar que tambin es ortogonal.
218
lgebralineal
Podemos generalizar este resultado en el teorema 6.6
Teorema 6.6. Sea V un espacio vectorial con producto interno, sean B1 y B2
dos bases ortonormales para V, entonces la matriz de transicin de B1 a B2 y la
matriz de transicin de B2 a B1 son ortogonales.
Ejemplo 12
Consideremos las bases ortonormales de R2.
B1 = {i = (1, 0); j = (0, 1)} y B2 = {a = (1 / 5 , 2 / 5 ) ; b = (2 / 5 , 1 / 5 ) }
1 / 5 2 / 5
Entonces la matriz de transicin de B1 a B2 es A
2 / 5 1/ 5
1 / 5 2 / 5
; como podemos observar son
y la de B2 a B1 es C
2 / 5 1/ 5
iguales y sus columnas son los vectores a y b que son ortogonales y por tanto
las matrices son ortogonales.
Este resultado nos ser de mucha utilidad en la unidad 10.
Ejercicio 4
1. Encuentra la matriz de transicin entre las bases ortonormales de R2
B1 = {(1 / 2 , 1 / 2 ); (1 / 2 , 1 / 2 )}
y
B2 = {(2 / 5, 1 / 5 ); (1 / 5,
2 / 5 )}
2. Verifica que la matriz de transicin del ejercicio anterior es ortogonal.
219

Antologia AL UTEL

Uploaded by

Document Information

Original Description:

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

Antologia AL UTEL

Uploaded by

Copyright:

Available Formats

lgebralineal

n esta unidad se estudiarn los conceptos de matriz y determinante,

1.1. Matrices: Conceptos generales

Definicin 1.2. Un vector columna de n componentes es un conjunto

En (1) o (2) x1 se llama primera componente del vector, x2 es la

es un vector columna con tres componentes.

c) 0, 0, 0, 0 es un vector rengln cero con cuatro componentes.

Donde cada aij es un nmero llamado entrada o componente ij de la matriz A

5 es una matriz de orden 3 2. Se denota B32

Existe una matriz que contiene el mismo nmero de vectores rengln

b) B33 6 0 4 es una matriz cuadrada

a11 2, a22 0, a33 8 forman la diagonal principal.

Definicin 1.6. Una matriz cuadrada de orden n n, cuyas entradas de la

1 0 matriz identidad de orden 3 3.

0 matriz cero de orden 3 2

a) Identifica el tercer rengln de B.

4. a) Escribe la matriz identidad de orden 4 4.

1.2. Tipos de matrices

diagonal principal son cero.

Definicin 1.9. Una matriz cuadrada A = [aij] de orden n se llama triangular

0 es triangular superior, ya que todas las entradas abajo

de la diagonal principal son cero.

distinta de cero, a13 = 1 arriba de la diagonal principal.

Son iguales porque todas sus entradas

Definicin 1.13. Si A = [aij] es una matriz de orden m n, entonces se define

Calculando la transpuesta de B se tiene que:

5 as B = B T, de tal manera que B es simtrica.

Definicin 1.15. Una matriz cuadrada A = [aij] de orden n n es antisimtrica

Por lo tanto, B es antisimtrica.

es de alguno de los tipos listados?

3. Di si las siguientes matrices son antisimtricas o no:

1.3. Operaciones con matrices

Nota. Si A y B son de distinto orden, entonces su suma no est definida.

Cuando trabajamos con matrices, a los nmeros los llamamos escalares.

Por definicin cA (1) 6

Elemento neutro aditivo (donde 0

Propiedad conmutativa para la suma.

Propiedad asociativa para la suma.

Propiedad distributiva de un escalar

Propiedad distributiva de suma de

Propiedad asociativa de la multiplicacin

Ahora definiremos el producto interno de un vector rengln y un vector

(0)(7) (1)(2) (2)(1) (4)(1) 0 2 2 4 4

Las propiedades del producto interno se especifican en el siguiente

Nota. El producto de A y B slo est definido cuando el nmero de

Como A tiene orden 3 2 y B tiene orden 2 2, entonces AB est definida

c22 , entonces c11 se obtiene como sigue:

Nota. La multiplicacin de matrices no es conmutativa, esto es, en general

Propiedad asociativa de la multiplicacin.

Transpuesta de una matriz transpuesta.

1.6. Solucin de sistemas lineales nn

donde a, b y c son constantes, y a y b no son ambas cero. En general, una

donde a1,a2 ,. . .,an y b son constantes, y a1,...,an no son todas cero.

a12 " a1n

La ecuacin (4) es la ecuacin matricial asociada al sistema (3), y la matriz A

La ecuacin matricial del sistema est dada como:

Cada una de estas ecuaciones es la ecuacin de una recta en el plano xy.

Ahora enunciamos la Regla de Cramer, la cual proporciona un algoritmo

n1 an 2 " ani 1 bn ani 1 " ann

y det(A) = 10, det(A1) = 20 y det(A2) = 30, por lo tanto:

l problema de solucionar un sistema de m ecuaciones con n incgnitas

2.1. Representacin de un sistema mediante

Definicin 2.1. Si tenemos un sistema de m ecuaciones con n incgnitas.