Algebra Liear para Cursos Universitarios

Antologa
didctica
de
lgebra Lineal para cursos
universitarios.
1ra Edicin.
Por: Wilfrido Gonzlez Garca.
Prefacio
Generales:
La obra que a continuacin se presenta es un compendio de la totalidad de los
temas enunciados en la mayora de los programas para la materia de lgebra
Lineal, que corresponde a los ttulos genricos Matemticas III o Matemticas
IV del tronco comn de todas las ingenieras y de un gran nmero de licenciaturas.
Es imprescindible mencionar que el primer capitulo de la presente obra titulado
Unidad 1: Nmeros complejos, contiene material para un adecuado desarrollo
del curso universitario denominado Variable Compleja.
El desarrollo de la presente obra incluye diversas notas y aclaraciones originales,
hechas para orientar al profesor hacia un adecuado desarrollo de los temas.
Pretendiendo que la secuencia de estos sirva simultneamente al estudiante para
avanzar gradualmente en la adquisicin del conocimiento y el desarrollo de
habilidades para la aplicacin de los conceptos de la materia mencionada.
Uno de los elementos que la presente obra contempla es el enfoque moderno en
la explicacin de los conceptos. Esta tcnica se refiere principalmente a que tanto el
alumno como el profesor relacionen 4 formas de interpretar los conceptos, los
problemas y sus soluciones.
Estas formas de anlisis son:
1)
2)
3)
4)
Numrico.
Algebraico.
Geomtrico.
Verbal.
Y a travs del uso de estas interpretaciones dar solucin a diversos problemas

tericos y de la realidad, relacionados con diversos campos de estudio.
Tambin se prest particular atencin al uso de software como una herramienta
confiable de comprobacin en la solucin de problemas, que por su forma resultan
difciles de manejar numrica y algebraicamente; y para ayudar a los estudiantes
que no estn familiarizados o tienen problemas con los dibujos en 3 dimensiones.
La presente obra incorpora talleres originales sobre la interpretacin geomtrica
de las soluciones de un sistema de ecuaciones lineales (2 x 2 y 3 x 3), entre otros.
Principalmente la presente obra hace mencin a 1 programa de computadora:
1) Maple.
Acerca del software:

1) Maple:
Maple es una poderosa herramienta de anlisis numrico por computadora y
graficacin en 2 y 3 dimensiones, adems de que incorpora tiles herramientas
para graficar curvas de nivel y sus mapas de contorno, as como campos de vector
gradiente entre otras. La presente obra pretende que el estudiante al final del curso
tenga una nocin general de los comandos ms tiles de Maple para la solucin de
problemas de lgebra lineal.
Acerca del contenido: La secuencia didctica.

En lo sucesivo denominaremos secuencia didctica, a la sucesin de los temas de
la presente obra. La secuencia didctica (orden de los temas, con el fin de lograr
el aprendizaje del alumno) se realiz de acuerdo al estudio comparativo de planes
de estudio de diferentes instituciones de educacin superior de todo el mundo.
En la secuencia didctica la sucesin de los temas y el avance en el conocimiento
y perfeccionamiento de estos es natural, al mismo tiempo que satisface los
objetivos curriculares especficos de la mayora de los programas. La secuencia
didctica tiene el propsito de lograr homogeneidad conceptual en los grupos,
optimizar la exposicin instructiva de los contenidos, y facilitar al estudiante la
comprensin de los temas, as como la adaptacin, relacin y aplicacin de los
conocimientos del lgebra lineal para resolver diversos problemas de la realidad.
Acerca del contenido: Ejercicios y demostraciones.

Adems se incluyen diversas demostraciones realizadas paso a paso y un nmero
considerable de problemas resueltos (lgebra lineal, Stanley I. Grossman, Quinta
edicin; lgebra lineal, David Poole; lgebra lineal, Howard Anton) que se espera
sirvan al estudiante interesado a resolver problemas de mayor complejidad tcnica,
al disponer de una gran variedad de desarrollos sintcticos originales.
Acerca del contenido: Las grficas.

En el desarrollo de la clase de lgebra Lineal, uno de los objetivos es que el
estudiante entienda el comportamiento de las ecuaciones lineales. Por eso se prest
particular atencin a la informacin grfica y complementos visuales de la presente
obra.
En particular se incluye un taller original sobre la interpretacin geomtrica de las
soluciones de un sistema de ecuaciones lineales 3 x 3. As como, diversas
demostraciones geomtricas de conceptos importantes en el lgebra lineal.
Se han incluido casi 100 grficas de alta resolucin para el desarrollo y
complemento de los temas de la presente obra. Como ya se menciono un nmero
considerable de estas fueron realizadas con la herramienta Maple.
Adems se incluyen alrededor de 50 grficas originales, es decir, con un formato
que ninguna obra presenta y diversas ediciones a grficos contenidos en textos de
renombre internacional.
Autor y Compilador:
Wilfrido Gonzlez Garca.

willbksb_gen@hotmail.com
TEMARIO
Unidad 1: Nmeros complejos.
1.1
1.2
1.3
1.4
1.5
1.6
Definicin y origen de los nmeros complejos.

Operaciones
fundamentales
con
nmeros
complejos.
Potencias de i, mdulo o valor absoluto de un
nmero complejo.
Forma polar y exponencial de un nmero
complejo.
Teorema de De Moivre: Potencias y extraccin
de races de un nmero complejo.
Ecuaciones polinmicas.
1
7
18
21
33
41
Unidad 2: Sistemas de ecuaciones lineales.

2.1
2.2
2.3
2.4
2.5
Definicin de sistemas de ecuaciones lineales.

Clasificacin de los sistemas de ecuaciones
lineales y tipos de solucin.
Interpretacin geomtrica de las soluciones.
Mtodos de solucin de un sistema de
ecuaciones lineales (Gauss Jordan y
eliminacin gaussiana).
Aplicaciones.
62
66
70
89
114
Unidad 3: Matrices y determinantes.

3.1
3.2
3.4
Definicin de matriz, notacin y orden.

Operaciones con matrices (suma, resta,
producto, producto de un escalar por una
matriz).
Clasificacin de la matrices (triangular superior,
triangular inferior, diagonal escalar, identidad,
potencia, nilpotente, idempotente, transpuesta,
simtrica, antisimtrica, compleja, conjugada,
hermitiana y ortogonal).
Clculo de la inversa de una matriz.
3.5
Definicin de determinante de una matriz.
3.6
3.7
Propiedades de los determinantes.

Inversa de una matriz cuadrada a travs de la
adjunta.
Solucin de un sistema de ecuaciones lineales a
travs de la inversa.
Solucin de un sistema de ecuaciones lineales
por la regla de Cramer
Aplicacin de matrices y determinantes.
3.3
3.8
3.9
3.10
128
136
151
165
175
181
189
197
202
206
Unidad 4: Espacios vectoriales.

4.1
4.2
4.3
4.4
4.5
4.6
Definicin
de
espacio
vectorial
y
sus
propiedades.
Definicin de subespacio de un espacio vectorial
y sus propiedades.
Propiedades de vectores, combinacin lineal,
dependencia e independencia lineal.
Base y dimensin de un espacio vectorial.
Espacio vectorial con producto interno y sus
propiedades.
Cambio de base, base ortonormal, proceso de
ortonormalizacin de Gram Schmidt.
219
234
241
265
274
276
Unidad 5: Transformaciones lineales.

5.1
5.6
Definicin de transformacin lineal y sus

propiedades.
Ejemplos
de
transformaciones
lineales
(reflexin, dilatacin, contraccin, rotacin).
Definicin de ncleo o kernel, e imagen de una
transformacin lineal.
La matriz de una transformacin lineal y
representacin matricial de una transformacin
lineal.
Transformaciones y sistemas de ecuaciones
lineales.
lgebra de las transformaciones lineales.
5.7
Aplicaciones de las transformaciones lineales.
5.2
5.3
5.4
5.5
302
312
325
331
341
344
347
Unidad 6: Valores y vectores caractersticos.

6.1
6.6
Definicin de valores y vectores caractersticos

de una matriz cuadrada.
Polinomio y ecuacin caracterstica.
Determinacin de los valores y vectores
caractersticos de una matriz cuadrada.
Diagonalizacin de matrices, potencias y races
de matrices.
Diagonalizacin
de
matrices
simtricas,
diagonalizacin ortogonal.
Formas cuadrticas.
6.7
Teorema de Cayley Hamilton.
6.8
Aplicaciones.
6.2
6.3
6.4
6.5
349
351
361
377
396
409
442
449
UNIDAD 1: Nmeros complejos.

Introduccin:
Antes de iniciar el tema de nmeros complejos es til repasar algunos conceptos
importantes, con la intencin de que el lector entienda claramente la problemtica que
llev al descubrimiento de este conjunto de nmeros.
lgebra: (Del rabe al chabr, la reduccin) Parte de las matemticas que trata del
anlisis de cantidades por medio de letras, nmeros y otros smbolos.
- Un poco de historia:
Se cree que al lgebra surge en la india hacia el s. II D. C., de donde pas a Egipto y
Grecia. Diofanto de Alejandria (s. IV) escribi el primer compendio de lgebra de la
antigedad.
El 1er tratado rabe de lgebra fue el del cordobs Mohamed ben Muza (s. IX).
El lgebra como hoy la conocemos (con constantes, variables y signos de
correspondencia), surge hacia 1545 con el Ars Magna de Cardano, que inclua el
mtodo general de Tartalea para resolver ecuaciones. En ese mismo siglo (s. XVI) Stifel
idea los signos + y -, Recorde el signo = y Francisco Vieta introduce las letras para
expresar cantidades, inicindose as el lgebra moderna.
- El problema de la raz cuadrada de ( n):

Bhskara (1114 1185?), matemtico y astrnomo hind. Fue el primero en dar una
exposicin del sistema numrico decimal (base 10) y el primero en plantearse un
problema algebraico cuya solucin estaba ms all de los nmeros reales.
la multiplicacin por s misma de una afirmativa o de una negativa es siempre
una afirmativa
Es decir,
3(3) = 3 + 3 + 3 = 9
-3(-3) = - [(-3) + (-3) + (-3)] = - (- 3 - 3 3) = 9
Vislumbrando en su enunciado los razonamientos sobre el alcance de los nmeros
conocidos en su tiempo.
Leonard Euler (1707 1783). Matemticas suizo que en 1748 escribi el tratado de
anlisis matemtico y geometra analtica de 3 dimensiones titulado Introductio in
analysis infinitorum, en donde se dan las frmulas que relacionan las funciones
trigonomtricas con la funcin exponencial (e). Y tambin menciona por primera vez a
la unidad imaginaria i (i =
3.1415926535897932384626433832795).
1 )
al
nmero
Pi
puesto que los nmeros concebibles son > 0, < 0, = 0; es claro que, n no se
incluyen en los nmeros posibles. En consecuencia debemos decir que son
imposibles y de ordinario imaginarios pues slo existen en la imaginacin
Carl Friedrich Gauss (1777 - 1855). Matemtico alemn el ms notable del siglo 19.
Fue un nio prodigio y a los 10 aos descubri el concepto de sumatoria.
En 1798, a los 20 aos escribi en su disertacin doctoral una demostracin del
teorema fundamental del lgebra.
todo polinomio de grado n tiene, contando multiplicidades, exactamente n
races
Aplicando por primera vez el teorema de valor absoluto para la solucin de
ecuaciones cuadrticas (de 2 grado), demostrando el hecho:
x2 x
Y formalizando su aplicacin (nota del autor):
x2 9 0
x 3
En efecto el polinomio de grado 2, x 9 0 tiene exactamente 2 races (una positiva
y una negativa, ambas reales), x = 3 cuando x > 0 y x = - 3 cuando x < 0.
2
Llegamos as de forma natural a la problemtica que origin a los nmeros complejos:
x2 1 0
x 2 1
x 1
Cuya solucin se expreso como:
x i , usando la notacin de Euler,

En sus estudios sobre el teorema fundamental del lgebra, al hallar las diferentes
races de un polinomio de grado n, Gauss desarrolla el concepto de nmero complejo.
2
Entre 1811 y 1837 desarrolla la base de lo que sera la teora de la variable compleja
de Cauchy.
1.1 Definicin y origen de los nmeros complejos.

- Conjunto de los nmeros reales (R):
Conjunto de nmeros que contiene a los nmeros racionales, los que se pueden
expresar en la forma p , donde p y q son nmeros enteros, tambin son llamados
q
nmeros fraccionarios o fracciones; a los nmeros irracionales, los que no se pueden
expresar como un cociente de 2 nmeros enteros ( 2 , 5 , 5 3 , etc. ); y a los nmeros
trascendentes, que son nmeros que tampoco se pueden expresar como cociente
(fraccin), muchos de ellos son constantes de proporcionalidad y surgen de relaciones
matemticas o geomtricas especiales (e, , constante de Plank, etc.).
El conjunto de los nmeros reales se representa:
R ...,3,2,1,0,1,2,3,...
Es claro que el intervalo para una variable real es
, .
Las operaciones vlidas para el conjunto de nmeros reales son la suma (resta) y
multiplicacin (divisin), excepto la divisin sobre CERO (n/0), que no est definida.
- Conjunto de los nmeros imaginarios (I):
Conjunto que contiene una variedad de nmeros fuera del campo real (conjunto de los
nmeros reales). Su unidad se denomina unidad imaginaria y es:
i 1
Todo el conjunto esta formado por los mltiplos de i de la forma:
ci c 1
Donde c R,
c .
- Conjunto de los nmeros complejos (C):
Tambin llamado campo complejo es el conjunto que se compone de los nmeros

reales e imaginarios.
- Definicin (nmeros complejos):
Son los nmeros que tienen una parte real y otra imaginaria.
Su forma general es:
z a bi
Donde:
z es un nmero que pertenece al conjunto C.
a y b R.
i 1
(Unidad imaginaria)
a se llama parte real.

b se llama parte imaginaria.
Consideraciones (importante):
1) Cuando a 0 y b = 0, el nmero es un nmero real.
2) Cuando a = 0 y b 0, el nmero es un imaginario puro.
3) Cuando a 0 y b 0, el nmero es un nmero complejo.
As, los nmeros reales y los imaginarios (puros) son casos especiales de nmeros
complejos.
Nota: Algunos autores llaman nmero imaginario a cualquier nmero que incluya i.
- Igualdad de 2 nmeros complejos:
Dos nmeros complejos a + bi, c + di son iguales si y slo si a = c y b = d.

Por ejemplo, si:
x 2 + 4yi = 3 + 12i
Tenemos:
x2=3
4y = 12
Ambas expresiones son iguales, slo si:

x=5
y=3
Observacin (Introduccin al lgebra lineal, Howard Anton, 2da edicin):
A diferencia de los nmeros reales, en los nmeros complejos NO EXISTE

ordenamiento segn tamao. As los smbolos de orden >, <, , NO se usan con
nmeros complejos.
- Interpretacin geomtrica de un nmero complejo en forma rectangular

(Diagrama de Argand):
Los nmeros reales pueden interpretarse como puntos sobre la recta real.
En el caso de los nmeros complejos necesitamos representar la parte real y la parte

imaginaria, para ello usamos un sistema coordenado rectangular de 2 dimensiones,
en este caso el eje horizontal representa al conjunto de los reales y el eje vertical
representa al conjunto de los imaginarios.
El plano resultante se llama plano complejo o diagrama de Argand.
El nmero
como:
z a bi
se representa en el plano complejo (diagrama de Argand)
1) Un punto denotado como el par ordenado (a, b).

2) Un vector z cuya combinacin lineal es a + bi, es decir, sus componentes son a
y b.
Un nmero complejo z se puede representar por un punto o un vector en el plano

complejo.
A la forma
z a bi , tambin se le llama forma rectangular o punto vector.
Importante:
Sea z = 4 + 3i
Re (4 + 3i) = 4
Im (4 + 3i) = 3
[Parte real de z]
[Parte imaginaria de z]
1.2 Operaciones fundamentales con nmeros complejos.
A continuacin describiremos los procedimientos para suma, resta, multiplicacin y

divisin de nmeros complejos de la forma
z a bi .
- Suma (resta) de nmeros complejos:

2
As como la suma (resta) de vectores en R se realiza sumando las componentes

correspondientes de los vectores, la adicin de nmeros complejos se realiza
sumando las correspondientes partes reales y las correspondientes partes
imaginarias.
a bi c di a c b d i
[Suma de 2 nmeros complejos]
Del mismo modo la sustraccin de 2 nmeros complejos es:
a bi c di a c b d i
[Resta de 2 nmeros complejos]
Importante:
Note que el lgebra para los nmeros complejos es la misma que para cualquier
binomio.
- Ejemplos demostrativos (Suma y resta de nmeros complejos):
1) 6 3i 2 4i 6 2 3 4 i 4 7i
2) 3 5i 5 3i 3 5 5 3i 2 8i
3) 5 i 8 2i 3 i 5 8 3 1 2 1i 0
- Multiplicacin de un nmero complejo por un escalar:
Tambin la multiplicacin de un nmero complejo por un real, se asemeja a la

operacin vectorial correspondiente para R2:
k (a bi ) ka kbi
k R.
- Interpretacin geomtrica de las operaciones fundamentales:
Debido a que las operaciones de suma, resta y multiplicacin por un escalar con
2
nmeros complejos son semejantes a las correspondientes para vectores en R , las

interpretaciones geomtricas que conocemos son vlidas para nmeros complejos.
Recuerde: El vector resultante apunta hacia el minuendo.
Importante (Teora de vectores):
Debe ser claro al lector lo siguiente:

1) La expresin (1) z z 0 se escribe z z 0 . Donde z se lee negativo de
z o menos z.
2) Sea z = c + di, el negativo de z es:
z (c di)
z c di
3) Sean z1 = a + bi y z 2 = c + di, la resta z1 z 2 es:
z1 z 2 z1 ( z 2 )
z1 z 2 (a bi ) (c di )
z1 z 2 (a c) (b d )i
Aplicando el hecho anterior a la interpretacin geomtrica, tenemos:
La regla del tringulo (o paralelogramo) es til, ya que, el vector resultante z1 z 2 se

presenta como vector de posicin, es decir, con punto inicial en el origen.
- Ejemplos demostrativos (Suma y resta de nmeros complejos con interpretacin

geomtrica):
Efecte las operaciones grficamente y compruebe.

1) 3 2i 5 2i
[Regla del paralelogramo para suma de vectores]

Comprobacin: 3 2i 5 2i 3 5 2 2 i 2
10
2) 4 5i 1 3i
[Regla del tringulo para resta de vectores]

Comprobacin: 4 5i 1 3i 4 1 5 3i 3 2i
Note en la grfica, que en efecto el vector resultante es 3 2i pero este mtodo grfico
NO entrega un vector de posicin, slo un vector general.
3) 2 5i 1 2i
[Regla del tringulo para suma de vectores]

Comprobacin: 2 5i 1 2i 2 1 5 2 i 1 7i
Note que este mtodo grfico nos entrega el vector resultante como vector de
posicin.
11
- Multiplicacin de nmeros complejos:
Hasta ahora hemos encontrado un paralelismo entre los nmeros complejos y los
2
vectores en R .
Sin embrago a continuacin se definir la multiplicacin de nmeros complejos, una
2
operacin que no tiene anlogo vectorial en R .

Pero el lector encontrar el procedimiento familiar, ya que, es semejante al de la
multiplicacin de binomios.
Sean z1 = a + bi y z 2 = c + di,
z1 z 2 es:
z1 z 2 (a bi )(c di ) ac adi cbi bdi 2 (ac bd ) (ad bc)i

Cuidado: i 2
El procedimiento siempre es el mismo:

1) Multiplique cada trmino de a + bi por cada trmino de c + di.
2) Considere i 2
1 .
3) Simplifique.
Las siguientes reglas de aritmtica son vlidas para nmeros complejos.
Sean z1 = a + bi y z 2 = c + di, 2 nmeros complejos, tenemos:
z1 z 2 z 2 z1
z1 z 2 z 2 z1
z1 z 2 z 3 z1 z 2 z 3
z1 z 2 z 3 z1 z 2 z 3 z1 z 2 z 3
z1 z 2 z 3 z1 z 2 z1 z 3
0 z z
z ( z ) 0
(1) z z
- Ejemplos demostrativos (Multiplicacin y potencias de nmeros complejos):
Resuelva usando lgebra.

1) 3 4i 5 2i 15 6i 20i 8i 2 15 8 20 6 i 7 26i
12
Recuerde: i 2 1 .
Resuelva usando frmula:

2) 7 4i 3 4i 21 16 28 12i 5 40i 5 1 8i
Recurso:
z1 z 2 a bi c di (ac bd ) (ad bc)i
Resuelva usando lgebra.

3) 4 3i 16 24i 9 7 24i
2
Recurso:
a b 2 a 2 2ab b 2
i 2 1
Resuelva usando frmula (importante):

4)
3 5i 5 3i 2 i 3 5i 5 3i 2 i 15 15 9 25i 2 i
0 34i 2 i 34i 2 i 68i 34 341 2i
- Conjugado de un nmero complejo:
Son nmeros de la forma a + bi, a bi, que tienen la misma parte real y la parte
imaginaria con signo diferente.
(a + bi) (a bi)
[Producto de 2 nmeros complejos conjugados]
- Notacin:
Sea z = a + bi, su conjugado es el nmero complejo:
z se pronuncia z barra.
13
- Interpretacin geomtrica:
- Propiedades de los conjugados complejos:
1)
2)
zw zw
3)
zw z w
4) Si
z 0 , entones ( w z ) w z .
5) z es real si y slo si z z .
6) z es imaginario puro si y slo si
z z .
El siguiente teorema establece una relacin bsica entre
zz z
- Demostracin:
Sea z = a + bi, entonces
z z a bi a bi a 2 b 2 ab ab i a 2 b 2 z
14
- Divisin de nmeros complejos:
Para calcular el cociente de 2 nmeros complejos, debemos multiplicar el numerador

y el denominador por el conjugado del denominador, es decir, introduciremos el
conjugado como elemento neutro multiplicativo (identidad multiplicativa).
- Ejemplo demostrativo:
Resuelva el cociente y exprese en la forma a+ bi.
1 2i
3 4i
Solucin:
Multiplicamos el numerador y el denominador por 3 4i 3 4i .
Recurso:
z a bi
z1 z1 z 2

z 2 z 2 z 2
(a bi )(c di ) (ac bd ) (ad bc)i
b 2 a b a b
1 2i 1 2i 3 4i 5 10i 5 10i 1
2 i
2
5
5
3 4i
3 4i 3 4i 3 4
25
Nota: Al igual que en los nmeros reales NO esta definida la divisin sobre cero (n/0).
- Demostracin (procedimiento de divisin de nmeros complejos):
Advertencia (Slo estudiantes): Se recomienda al lector aprender la UNIDAD 2 Y

UNIDAD 3, y volver a esta demostracin.
A continuacin se abordar la divisin de nmeros complejos. El objetivo es definir la
divisin como la inversa de la multiplicacin.
As si z 2 0 , entonces la definicin de z
z1
, debe ser tal que
z2
z1 z 2 z
15
El procedimiento ser demostrar que z1 z 2 z tiene una solucin nica para z si

z
z 2 0 , y luego 1 se definir con este valor de z.
z2
Si z 2 0 , entonces
z1 z 2 z
tiene una solucin nica, que es
z1 z1 z 2
1

z z
2 1 2
z2 z2 z2
z2
- Demostracin:
z 2 x2 y 2 i .
Sean z x yi , z1 x1 y1i y
z1 z 2 z
se puede escribir como:
x1 y1i
x2 y2i x yi
x2 x y2 y x2 y y2 x i
O bien
x1 y1i
Igualando las partes reales y las imaginarias, tenemos
x 2 x y 2 y x1
y 2 x x 2 y y1
Escribiendo el sistema en forma matricial, tenemos
x2
y
2
y2 x x1
x2 y y1
La matriz aumentada es:
x2 y2
y
2 x2
Como z 2 x2 y2i 0 , hacemos
de modo que el determinante
x1
y1
x2 0 y y 2 0 (que es el caso ms general),
16
x2
y2
y2
x2
x2 y 2 0
2
Por el teorema de resumen sabemos que el sistema tiene solucin nica, puesto que su
determinante es diferente de CERO.
Resolviendo el sistema por la regla de Cramer, nos queda:
x1
y2
y1
x2
y2
x2
x x y1 y 2 x1 x2 y1 y 2
1 22
2
2
y2
x2 y 2
z2
x2
x2 x1
y y1
x y x y
x y x y
y 2
2 21 1 2 2 2 1 2 1 2
x2 y 2
x2 y 2
z2
y2
x2
Por lo tanto,
z x yi
1
z2
x1 x2 y1 y2 x2 y1 x1 y2 i
Usando ( a bi )(c di ) ( ac bd ) ( ad bc )i para simplificar
z x yi
1
z2
x1 y1i x2 y 2i
z x yi
1
z2
z1 z 2
As, para z 2 0 se define
z1 z1 z 2

z 2 z 2 z 2
1

z z
2 1 2
z2
Que es la frmula para divisin de nmeros complejos.
17
1.3 Potencias de i, mdulo o valor absoluto de un nmero complejo.

- Potencias de i:
Este tema a pesar de su brevedad y sencillez, es fundamental para realizar TODAS las
operaciones con nmeros complejos.
Como ya sabemos
i 1
[Unidad imaginaria]
Evidentemente
i 2 1
Toda la serie de potencias de i, se desarrolla en un ciclo de longitud 4 y despus los
valores vuelven sobre s mismos.
3
i 0 1 , i i , i 2 1 , i i , y as sucesivamente (ciclo de longitud 4).
- Demostracin:
i0 1
i1 i
[TODO nmero elevado a la potencia CERO es 1]
[Unidad imaginaria]
i 2 ii 1 1 1
i 3 i 2i ( 1)i i
y se vuelve sobre los mismos valores.
i 4 i 2i 2 ( 1)(1) 1
i 5 i 4i (1)i i
i 6 i 5i ii 1
i 7 i 6i (1)i i
Y as sucesivamente (1, i, -1, -i,).
18
- Mdulo o valor absoluto de un nmero complejo:
Si un nmero complejo z se considera como un vector en R 2 , la longitud del vector

(magnitud o norma) se denomina mdulo de z o valor absoluto de z.
- Definicin:
El mdulo de un nmero complejo z = a + bi, denotado por z , se define como:
z a2 b2
Si b = 0, entonces z = a es un nmero real, y
z a2 a
As, el mdulo de z, tambin se llama valor absoluto de z.
- La unidad compleja:
Nmero complejo z = a + bi, tal que z 1 .

As, EXISTE un nmero infinito de combinaciones para z 1 , pero las variables a y b
slo pueden tomar valores en un intervalo definido (finito).
- Demostracin:
z a2 b2
Para que la unidad compleja EXISTA:
a 2 b2 1
a = Parte real.
b = Parte imaginaria.
a2 b2 1
Usando el plano complejo, y como a y b son variables, la ecuacin
genera una circunferencia con centro en el origen C(0, 0) y radio r = 1.
a2 b2 1
19
Cualquier punto (a, b) de la circunferencia unitaria a b 1 , donde a y b son la

parte real e imaginaria del nmero complejo z = a + bi, genera una unidad compleja.
2
Es evidente que 1 a 1 y 1 b 1 .
- Propiedades del valor absoluto para nmeros complejos:
1)
z 0
2)
z z
3)
zw z w
4) Si z 0 , entonces
5)
si slo si
z 0.
1 1
.
z
z
zw z w
20
1.4 Forma polar y exponencial de un nmero complejo.

- Forma polar de un nmero complejo:
Sabemos que un nmero complejo de la forma z = a + bi, se puede representar en el

plano complejo (diagrama de Argand) como el punto (a, b) o el vector de
componentes a y b.
Este punto (a, b) puede ser expresado en coordenadas polares como (r, ), donde
r0
y (en radianes).
Haciendo a r cos y b r sin , tenemos:
z a bi r cos r sin i r (cos i sin ) rcis

[Forma polar de z]
Observacin: La forma polar de un nmero complejo puede expresarse con en
radianes o grados, pero, sea cuidadoso para que las expresiones conserven su
significado original z = a + bi. Recuerde: 2 RAD = 360.
- Interpretacin geomtrica de un nmero complejo en forma polar:
Resulta evidente que
b
r z a 2 b 2 y arctan .
a
mide el ngulo entre el eje real positivo y el vector z.
21
- Argumento de un nmero complejo:
El ngulo
se denomina argumento de z y se denota por
b
a
arg z arctan
El argumento de z NO est determinado de manera nica, porque se puede sumar o
restar a
cualquier mltiplo de 2 para obtener otro valor equivalente del argumento.
Sin embargo, slo existe un valor del argumento de z en radianes (RAD) que satisface:

Esta expresin se llama argumento principal de z y se puede escribir como:
Arg z
El lector con dificultad para ubicar un vector (z = a + bi) en el plano complejo,

encontrar til lo siguiente.
Sea z = a + bi. Entonces:
b
arg z arctan
a
si
a0
b0
I cuadrante.
b
arg z arctan
a
si
a0
b0
IV cuadrante.
si
a0
b0
(90).
si
a0
b0
(- 90).
si
a0
b0
II cuadrante.
si
a0
b0
III cuadrante.
si
a0
b0
(0).
arg z
arg z
arg z arctan
b
a
arg z arctan
arg z 0
b
a
22
arg z
si
Si z 0 , arg 0
NO est definido.
a0
b0
(180).
- Ejemplos demostrativos (Forma polar de un nmero complejo):
Exprese en forma polar z rcis .

1) z 1 i
12 12
1
45
4
1
arctan
arg z
[II cuadrante]
3
135
4
z 2cis135 2 cos 135 i sin 135

z 2cis
3
3
3
2 cos i sin
4
4
4
2) z 1 3i
r
12
42
60
3
1
arctan
arg z
[III cuadrante]
2
120
3
2
2
z 2 cos
i sin
3
3
Nota: z 2cis 240 , tambin es una respuesta vlida.
23
- Interpretacin geomtrica de la multiplicacin y la divisin de nmeros

complejos en forma polar:
La forma polar de los nmeros complejos puede ser utilizada para proporcionar
interpretaciones geomtricas de la multiplicacin y la divisin de nmeros complejos.
Adems de brindarnos un mtodo alternativo para realizar estas operaciones en forma
polar.
- Multiplicacin de 2 nmeros complejos en forma polar:
Sean
z1 r1 (cos1 i sin 1 )
z2 r2 (cos 2 i sin 2 )
Multiplicando, tenemos:
Recurso:
(a bi )(c di) (ac bd ) (ad bc)i
z1 z2 r1r2 (cos1 cos 2 sin 1 sin 2 ) (cos1 sin 2 sin 1 cos 2 )i

Aplicando las identidades trigonomtricas:
cos1 2 cos1 cos 2 sin 1 sin 2
sin1 2 sin 1 cos 2 cos1 sin 2

Obtenemos:
z1 z2 r1r2 cos1 2 i sin1 2

[Producto de 2 nmeros complejos en forma polar]
Escrito en forma abreviada:
z1 z2 r1r2cis1 2
Que es una forma polar del nmero complejo con mdulo r1r2 y argumento
tambin se ha demostrado que:
1 2 ,
z1 z 2 z1 z 2
24
arg z1 z 2 arg z1 arg z2

En resumen:
El producto de 2 nmeros complejos en forma polar, se obtiene al multiplicar sus
mdulos y sumar sus argumentos.
- Ejemplos demostrativos (Producto de nmeros complejos en forma polar):
Efecte las operaciones y convierta el resultado a su forma z a bi (forma

rectangular).
1) 3cos22 i sin 222cos8 i sin8
Recurso:
z z1 z2 r1r2cis1 2
z 6cis30 6cos30 i sin 30

3 1
z 6
i 3 3 3i 3 3 i
2 2
2) 5cos73 i sin 732cos47 i sin 47

Recurso:
z z1 z2 r1r2cis1 2
z 10cis120 10cos120 i sin 120

1
3
z 10
i 5 5 3i 5 1 3i
2
2
3) 2cis133cis112cis6
Recurso:
z z1 z2 r1r2cis1 2
3 1
z 12cis30 12
i 6 3 6i 6 3 i
2 2
25
- Interpretacin geomtrica:
- Divisin de 2 nmeros complejos en forma polar:
El cociente de 2 nmeros complejos si
z2 0
es:
z1 r1
cos1 2 i sin 1 2
z 2 r2
Abreviando:
z1 r1
cis1 2
z 2 r2
Demostrando que:
z
z1
1
z2
z2
Si
z2 0 .
z
arg 1 arg z1 arg z 2
z2
26
En resumen:
El cociente de 2 nmeros complejos se obtiene al dividir sus mdulos y restar sus
argumentos.
- Ejemplos demostrativos (cociente de nmeros complejos en forma polar):
Efecte las operaciones y convierta el resultado a su forma z = a + bi (forma

rectangular).
1)
6cos51 i sin 51
3cis30
2cos21 i sin 21
Recurso:
z1 r1
cis1 2
z 2 r2
3 1 3 3 3
3
z 3
i
i
2
2
2
2 2
3 i
2cos78 i sin 78
2
cis60 2cis60
2 cos18 i sin 18
2
2)
Recurso:
z1 r1
cis1 2
z2 r2
1
3
2
6
z 2
i
i
2
2
2
2
3)
105cos184 i sin 184

7cis195cis30
Recurso:
z z1 z2 r1r2cis1 2
27
z1 r1
cis1 2
z2 r2
105cis184
3cis184 49 3cis135
35cis49
z 3cos135 i sin 135

1 3
3
1
z 3
i
2
2
2
2
3 2 3 2
3 2
1 i
i
2
2
2
- Casos especiales de la multiplicacin y divisin de 2 nmeros complejos:
1) El nmero complejo i tiene mdulo 1 y argumento
90 , por tanto, el
producto iz tiene el mismo mdulo que z, pero su argumento es
90 mayor
que el de z.
En resumen:
Al multiplicar z por i (iz), z gira en sentido positivo trigonomtrico (sentido
antihorario) un ngulo de 90.
28
2) Como un caso especial de la divisin de nmeros complejos, obtenemos una

frmula para el reciproco de un nmero complejo en forma polar.
Sea
z1 r1
cis1 2
z 2 r2
Si
hacemos
z1 1
(y
por
tanto
z r (cos i sin ) 0 , tenemos:
1 0 )
z2 z
( 2 ),
si
1 1
cos i sin
z r
Recuerde:
cos cos
sin sin
- Forma exponencial de un nmero complejo:

- Frmula de Euler:
Para cualquier nmero real x.
e ix cos x i sin x
[Frmula de Euler]
Si aplicamos la frmula de Euler, vemos que la forma polar de un nmero complejo

puede ser escrita de manera ms compacta como:
z r (cos i sin ) rei
29
Este ltimo resultado

complejo.
z rei
se conoce como forma exponencial de un nmero
- Ejemplo demostrativo 1:
Exprese el nmero complejo de la forma z = a + bi (forma rectangular), en su forma

exponencial.
Sea z = 1 + i.
Recurso:
r z a2 b2
b
a
arctan
Primero hallamos r, que como sabemos es el mdulo de z.
r z 12 12 2
A continuacin hallamos el argumento de z.
1
1
arctan arctan 1 4
Por lo tanto la forma exponencial de z es:
1 i 2 cos i sin 2e 4
4
4
Exprese en la forma rectangular (z = a + bi) los siguientes nmeros complejos.
a)
e i
b)
2 i
Solucin:
a) Aplicando la Frmula de Euler, tenemos:
e i cos i sin
Realizando las operaciones:
30
e i cos i sin 1 (0)i 1

El nmero complejo en forma rectangular a + bi es:
z 1
b) Empleando leyes de exponentes y frmula de Euler, tenemos:
2i
e 2e

e 2 cis
4
Realizando las operaciones:

Recurso:
1
2
1 2
2
2 2 2
1 e2
e2

2 1
e cis e
i
2
2
2
4
2
2e 2
1 i
z
2
2
2e 2
1 i
2
- Conjugado de un nmero complejo en forma exponencial:
Si
z re i r (cos i sin ) , entonces

z r (cos i sin )
Las identidades trigonomtricas:
cos cos
sin sin
Nos permiten expresar z como:
z r cos i sin re i
31
Entonces si
z rei , su conjugado es:
z re i
Slo MAESTROS.
- Demostracin de la frmula de Euler:
Se demostrar que:
e i cos i sin
Usando las series de potencias se tiene el siguiente desarrollo para
ez .
z 2 z3
e 1 z
...
2! 3!
z
Que converge para todo nmero real z. Adems este desarrollo funciona cuando z es un
nmero complejo.
Las funciones seno y coseno tambin tienen desarrollos en series de potencias:
x3 x5 x7
sin x x
...
3! 5! 7!
x2 x4 x6
cos x 1
...
2! 4! 6!
Si hacemos
z i , donde
e e
z
toma valores reales, tenemos:
2
3
4
5
i i i i
1 i
...
2!
3!
Con el hecho de que i 1 , i i , i 1 ,

repetimos un ciclo de longitud 4 y observamos que
2
4!
i5 i ,
5!
y as sucesivamente,
i 3 4 i 5 6 i 7
...
e 1 i
2!
3!
4!
5!
6!
7!
i
32
2 4 6

3 5 7
e 1
... i
...
2! 4! 6!
3! 5! 7!
e i cos i sin
Este resultado excepcional es conocido como frmula de Euler.
1.5 Teorema de De Moivre: Potencias y extraccin de races de un nmero

complejo.
- Potencias de un nmero complejo:
Si n es un entero positivo y
frmula
z r (cos i sin ) , entonces el uso repetido de la
z1 z 2 r1 r2 cos1 2 i sin1 2
[Producto de 2 nmeros complejos en forma polar]
cuando el nico actor es
de z:
z1 z , produce las frmulas para determinar las potencias

z 2 r 2 cos 2 i sin 2
z 3 r 3 cos 3 i sin 3
z 4 r 4 cis 4
La demostracin anterior, se conoce como teorema de De Moivre.
- Teorema de De Moivre:
Si
z r (cos i sin )
y n es un entero positivo, entonces

n
z n r (cos n i sin n )
Tambin tenemos que:
zn z
33
arg z n n arg z
En resumen:
El teorema de De Moivre dice que para obtener la n-sima potencia de un
nmero complejo, elevamos su valor absoluto a la n-sima potencia y
multiplicamos su argumento por n.
Calcule
1 i 6 :
Solucin:
Sea
z 1 i , tenemos r 2 y arctan 1 45 4
1
[Primer cuadrante].
Su forma polar es:
z 1 i 2 cos i sin
4
4
Usando el teorema de De Moivre:

Recurso:
z 6 1 i
6
2 cos 6 4 i sin 6 4
6
3
3
i sin
z 6 2 3 cos
2
2
3
3
i sin
z 6 8 cos
2
2
Haciendo las operaciones, tenemos:
z 6 80 i 1 8i
34
La figura nos muestra
1 i , 1 i 2 , , 1 i 6 .
- Extraccin de las races n-simas de un nmero complejo:

Tambin podemos utilizar el teorema de De Moivre para extraer las races n-simas
de nmeros complejos.
Una raz n-sima del nmero complejo z es cualquier nmero complejo w, tal que:
wn z
En forma polar, tenemos que:
w s cos i sin
z r cos i sin
De acuerdo con el teorema de De Moivre, tenemos:
s n cos n i sin n r cos i sin

Igualando los valores absolutos y los argumentos, notamos que
35
sn r
O bien
sr
r
1
n r
Y tambin
cos n cos
sin n sin
Nota:
2 nmeros complejos en forma polar son iguales si y slo si sus mdulos y sus
argumentos son iguales.
Puesto que las funciones seno y coseno tienen cada una un periodo de 2 , estas
ecuaciones implican que n y difieren en un mltiplo entero de 2 , es decir,
n 2k
Donde
2k
n
es un entero. Por consiguiente:
w scos i sin
1
2k
w r n cos
n

2k
i sin
n
describe las n posibles races n-simas cuando k tomas diferentes valores enteros.
Aunque hay mucho valores posibles de k. k = 0, 1, 2, 3,, n 1 producen valores

distintos de w que satisfacen
wn z
Y todas las dems elecciones de k producen replicas de estos valores.
36
En resumen:
Sea z r cos i sin y sea n un entero positivo. Entonces z tiene exactamente n
distintas races n-simas dadas por
1
2k
r n cos
n
2k
i sin
Para k = 0, 1, 2, , n 1.
- Interpretacin geomtrica de las n races n-simas de un nmero complejo:
En general, la frmula
2k
2k
n r cos
i sin
n
n
Para k = 0, 1, 2, , n 1.
Implica que las n races n-simas de
una circunferencia de radio
complejo.
Adems estarn espaciadas por 2
z r cos i sin estarn ubicadas sobre
con centro en el origen de un sistema coordenado
radianes (360/n), entre s.
De modo que, si podemos encontrar una raz n-sima de z, las n 1 races n-simas
restantes de z pueden ser encontradas haciendo rotar la primera raz a travs de
incrementos sucesivos de 2 radianes.
n
2
n
Importante:
Si la separacin angular de las n races n-simas de un nmero complejo es constante

( 2 ).
n
Entonces al unir los puntos (extremos de los vectores) del plano complejo que
representan a las n races n-simas generamos un polgono regular de n lados.
37
Halle las 3 races cbicas de -27.

Solucin:
En forma polar:
27 27cos i sin
Plano complejo (Diagrama de Argand):
Las 3 races cbicas de -27 estn dadas por:
2k
2k
n r cos
i sin
n
n
27 13
1
2k
27 3 cos
3

2k
i sin
3
@ k = 0:
27 13 3cos i sin 3 1
3 3 3 3
i
i
2 2
2
@ k = 1:
27 13 3cos i sin 3 1 0i 3
@ k = 2:
27 13 3cos 5 i sin 5 3 1
Cuidado:
3 3 3 3
i
i
2 2
2
5
300 60 [IV cuadrante].
3
38
Las 3 races cbicas de -27 son:
3 3 3
i
2
2
z1 z
1
3
z2 z
1
3
z3 z
1
3
3 3 3
i
2
2
[Una raz real y dos races complejo conjugadas]

2
3
radianes (120) entre s, en torno de una circunferencia de radio 3 con centro en el
origen del plano complejo.
En efecto, las 3 races cbicas de -27 se encuentran igualmente espaciadas por
[Races cbicas de -27]
Halle las races cuartas de 1.

Solucin:
En vez de aplicar el teorema de De Moivre. Se observa que w = 1 es evidentemente
una raz cuarta de 1, de modo que las 3 races restantes se generan haciendo girar
2
w 1 cos 0 i sin 0 en incrementos sucesivos de
radianes (90).
4
2
39
Es claro que las races cuartas de 1 son:
1, i,1,i
Halle las races quintas de z 1 i .

Solucin:
r 2
1
1
arctan 4 45
Recurso:
[I cuadrante]
1
2k
r n cis
@ k = 0.
z1 2
1
10
cis9
Esta vez ocuparemos , para hallar las 4 races restantes.
2 2
72
n
5
Por lo tanto:
z2 2
1
10
cis81
40
z3 2
1
10
cis153
z4 2
1
10
cis 225
z5 2
1
10
cis 297
1.6 Ecuaciones polinmicas (polinomios).
Un polinomio es una funcin p de una sola variable x que puede escribirse en la forma:
p x a0 a1 x a2 x 2 ... an x n
[Polinomio general de 1 variable y grado n]
Donde a 0 , a1 , , a n son constantes a n 0 , denominadas los coeficientes de p,

y n es un entero positivo llamado grado del polinomio.
El entero n llamado grado del polinomio, se denota grad p = n. Un polinomio de
grado cero se llama polinomio constante.
Bajo la convencin de que x 0 1 , podemos usar notacin de sumatoria para expresar
p como:
n
px a k x k
k 0
Cada uno de los trminos de la sumatoria se llama monomio.

Recuerde:
41
Monomio:
(gr. Mnos, nico y onma, nombre)

Expresin algebraica formada por el producto de un coeficiente
numrico y una o varias letras (literales).
- Ejemplo demostrativo (Importante):
Cules de las siguientes expresiones son polinomios?

a) 2 1 x 2 x 2
2
Como cumple con la forma general p x a0 a1 x a 2 x ... a n x .
2
SI es un polinomio.
b) 2
1
3x 2
2
n
Un polinomio de 1 variable de la forma general ( p x a 0 a1 x a 2 x ... a n x )
NO puede llegar a ser infinito a medida que x tiende a un valor finito,
Lim
xc
Mientras que 2
1
tiende a
3x 2
cuando
p (x)
x 0.
Por lo tanto NO es un polinomio.
c)
2x 2
Tenemos que
2 x2 2 x
Que es igual a
2 x , cuando x 0 y, 2 x , cuando x 0 .
Por lo que la expresin

As,
2 x es el empalme de 2 polinomios.
2x 2 NO es un polinomio.
42
d)
2e5 x
ln 3 x
e
Segn las leyes de exponentes y leyes de logaritmos, tenemos que
2e 5 x
ln 3 x
e
3
5 x3 3 x
ln 2e 5 x 3 x ln 2 ln e
ln 2 5 x 3 3 x
ln 2 3 x 5 x 3
2
n
Coincide con la forma general ( p x a 0 a1 x a 2 x ... a n x ).
Por lo tanto,
ln 2 3 x 5 x 3
SI es un polinomio.
x 2 5x 6
e)
x2
El dominio de esta funcin es
a
R 2, para estos valores de x, la funcin se simplifica
x 2 5 x 6 x 3x 2
x3
x2
x2
x 2 5x 6
Podemos decir que
es un polinomio sobre su dominio.
x2
f)
Esta funcin NO puede ser un polinomio (incluso sobre su dominio x 0 ), debido a

que la diferenciacin repetida de un polinomio general de 1 variable
2
n
( p x a 0 a1 x a 2 x ... a n x ) finalmente resulta CERO. Y
propiedad.
Por lo tanto,
NO tiene esta
NO es un polinomio.
43
g)
cos2 arccos x
Sabemos que el dominio de esta funcin es 1 x 1 .

Sea
arccos x
, tal que,
cos x .
Recurso:
arccoscos arccos x
Utilizando una identidad trigonomtrica, tenemos:
cos2 arccos x cos2 2 cos 2 1

Retorno a la variable x:
cos2 arccos x cos2 2 cos 2 1 2 x 2 1
Es un polinomio sobre su dominio.
h)
ex
NO es un polinomio, puesto que la derivacin sucesiva, NUNCA es CERO.

- Operaciones con polinomios (REPASO).
- Igualdad de polinomios:
Dos polinomios son iguales si los coeficientes de las correspondientes potencias de x

son TODOS iguales.
Por ejemplo:
x 2 3x 3 ax 2 bx 3
Hay una solucin nica, para los valores de los parmetros:
a 1
b3
- Suma de polinomios:
La adicin de 2 polinomios se obtiene al sumar entre s los coeficientes de las

correspondientes potencias de x.
De forma general tenemos:
44
a x a x
1
a3 x 5 b1 x b2 x 2 b3 x 5
a1 b1 x a 2 b2 x 2 a3 b3 x 5
2 4 x x 1 2 x x
2
3 x 3 2 1 4 2 x 1 1x 2 3 x 3
3 2 x 3x 3
- Resta de polinomios:
La diferencia de 2 polinomios se obtiene al restar entre s los coeficientes de las

correspondientes potencias de x.
a x a x
1
a3 x 5 b1 x b2 x 2 b3 x 5
a1 b1 x a 2 b2 x 2 a3 b3 x 5
3 x 2 x 2 x 3 2 x 3 1 1x 3 3 x 2 1 2 x 2 3
3x 3x 5
2
- Multiplicacin de polinomios:
El producto de 2 polinomios, ya es familiar al lector. Slo se multiplica cada trmino

del 1er polinomio por cada trmino del 2 polinomio.
De forma general tenemos:
a x a x b x
3
b2 x 4 a1b1 x 3 a1b2 x 5 a2b1 x 5 a2b2 x 7
a1b1 x 3 a 2 b1 a1b2 x 5 a 2 b2 x 7
Sean p 2 4 x x 2 y q 1 2 x x 2 3x 3 . Halle
2 4x x 1 2x x
2
3x 3
pq .
45
2 1 2 x x 2 3x3 4 x 1 2 x x 2 3x3 x 2 1 2 x x 2 3x3
2 4 x 2 x 2 6 x 3 4 x 8 x 2 4 x 3 12 x 4 x 2 2 x 3 x 4 3 x 5
3 x 5 13 x 4 12 x 3 9 x 2 2
Observe que
grad pq grad p grad q

- Divisin de polinomios:
Si p y q son polinomios y grad q grad p , podemos obtener el cociente de p .

q
Calcule el cociente p .
q
1 2 x x 2 3x 3 p
q
2 4x x 2
, grad q grad p .
El mtodo que usaremos se llama divisin larga.
3 x 11
x 4 x 2 3x x 2 x 1
2
3 x 3 12 x 2 6 x
11 x 2 4 x 1
11 x 2 44 x 22
40x 21
El proceso se detiene, ya que, el grado del residuo es menor que el del divisor.
El resultado se escribe:
1 2 x x 2 3x 3
40 x 21
3x 11 2
2
2 4x x
x 4x 2
El resultado anterior se generaliza en el algoritmo de la divisin.
46
- Algoritmo de la divisin:
Si f y g son polinomios con grad g grad f , entonces existen polinomios q y r,

tales que:
f x g x q x r x
Donde:
f x es el dividendo.
g x es el divisor.
qx es el cociente.
r x es el residuo.
Donde ya sea que r 0 , o bien,
grad r grad g .
- Teorema fundamental del lgebra (Importante):
Todo polinomio de grado n con coeficientes reales o complejos, tiene exactamente

(contando multiplicidades) n races (tambin llamadas CEROS) en C (conjunto de los
nmeros complejos).
Un CERO de un polinomio f es un nmero a, tal que,
pa 0
El nmero a tambin es llamado una raz de la ecuacin polinomial (o polinmica):
f x 0
Es decir, para el polinomio de grado n:
p x a0 a1 x a2 x 2 ... an x n
Tenemos exactamente n races, cada una de las cuales satisface la igualdad (o ecuacin
polinmica).
px 0
a 0 a1 x a 2 x 2 ... a n x n 0
47
La definicin del teorema fundamental del lgebra es muy importante, y nos dice que
TODO polinomio (NO constante), tiene al menos una raz (o CERO), en el conjunto
de los nmeros complejos (C).
Importante:
NO hay un mtodo garantizado para hallar los CEROS de un polinomio dado.

En la actualidad la problemtica para hallar las races de una ecuacin polinmica, es
pequea (o nula) gracias a los sistemas de lgebra por computadora, como
Mathematica, Maple o Matlab.
A continuacin expondremos algunos mtodos algebraicos para hallar las races de
una ecuacin polinomial.
- Teorema de las races racionales:
El caso de un polinomio con coeficientes enteros es particularmente interesante, a

continuacin se proporcionan los criterios para hallar las races de una ecuacin
polinomial (o CEROS del polinomio), si estas se pueden expresar como un nmero
racional.
Sea
p x a0 a1 x a2 x 2 ... an x n
Un polinomio con coeficientes enteros y sea a
b
mnimos (reducido a su mnima expresin). Si a
un nmero racional escrito en trminos

b
es un CERO de
p , entonces
a 0 es
un mltiplo de a y a n es un mltiplo de b.
Encuentre TODAS las races racionales de la ecuacin polinmica.
6 x 3 13 x 2 4 0
Solucin:
Si a
es una raz de la ecuacin, entonces 6 es un mltiplo de b y 4 es un mltiplo de
a.
a 1,2,4
b 1,2,3,6
48
Si formamos TODOS los nmeros racionales a
b
observamos que las posibles races racionales son:
posibles con los valores encontrados,
1 1 2 4 1
1,2,4, , , , ,
2 3 3 3 6
Sustituyendo en 6 x 13x 4 0 (uno a la vez) encontramos que 2,
3
2 1
,
3 2
satisfacen la igualdad.
Por lo tanto la ecuacin de grado 3 tiene 3 races racionales que son 2,
2 1
, , pero,
3 2
2 1
, son TODAS las races de la ecuacin polinmica
3 2
(o TODOS los CEROS del polinomio).
como slo tiene 3 races, 2,
Partiendo del algoritmo de la divisin, cuando el residuo es cero, tenemos:
f x g x q x
- Teorema del factor:
Sea f un polinomio y a una constante. Entonces a es un CERO de f si y slo si

x a es un factor de f x .
f x x a q x
[Teorema del factor]
Antes de continuar repasaremos algunas frmulas y conceptos del lgebra

elemental.
- Ecuaciones cuadrticas:
Generalmente a las ecuaciones (ecuaciones polinmicas) de 2 (grado 2) de las forma

general
ax 2 bx c 0
Se les denomina ecuaciones cuadrticas.
Las ecuaciones cuadrticas (de 2 grado) tienen como sabemos por el teorema
fundamental del lgebra, 2 races.
Sus 2 races estn dadas por la frmula:
49
x1, 2
b b 2 4ac
2a
Que se conoce como solucin general de ecuaciones cuadrticas de una variable.
b 2 4ac se llama discriminante de la ecuacin cuadrtica.

1) Si b 4ac 0 , EXISTEN 2 races reales.
2
2) Si b 4ac 0 , EXISTE 1 raz real.

2
3) Si b 4ac 0 , EXISTEN 2 races complejo conjugadas.

2
- Demostracin de la solucin de ecuaciones de 2 grado:
Sea la forma general de la ecuacin de 2 grado y una variable,
ax 2 bx c 0
Factorizando
a y completando el trinomio cuadrado perfecto, tenemos:
a x 2 x c
a
b
b2
b2
a x 2 x 2 2
a
4a
4a
[Identidad aditiva]
2 b
b2 b2
a x x 2 2 c
a
4a 4a
[Ley asociativa]
2 b
b2 b2
a x x 2
c
a
4a 4a
[Ley distributiva]
b
b2
a x
c

2a
4a
[Productos notables]
b
b2
c
x
2
2a
a
4a
[lgebra elemental]
b
b 2 4ac
x
2a
4a 2
[Fracciones algebraicas]
50
b
b 2 4ac
2a
4a 2
1ra raz: Cuando x
[Teorema de valor absoluto]
b
0:
2a
b
b 2 4ac
x
2a
4a 2
x
1ra raz: Cuando x
b
b 2 4ac
2a
2a
b b 2 4ac
2a
[1ra raz]
b
0:
2a
b
b 2 4ac
x
2a
4a 2
b
b 2 4ac
2a
4a 2
b 2 4ac
b
x
2a
2a
b b 2 4ac
x
2a
[2da raz]
Este resultado se escribe:
x1, 2
b b 2 4ac
2a
Que es la solucin general de ecuaciones de 2 grado y una variable.
51
- Ejemplo demostrativo 2 (Importante):
Podemos mejorar el mtodo de ensayo-error, realizado en el ejemplo demostrativo 1

(cuando usamos el teorema de las races racionales) ocupando el teorema del factor
y lgebra (solucin general de ecuaciones de 2 grado y 1 variable).
Encuentre TODAS las races de:
6 x 3 13 x 2 4 0
Supongamos que por el teorema de las races racionales, hallamos que -2 es una raz.
Ahora aplicando el teorema del factor, tenemos:
f x x a q x
[Teorema del factor]
Por lo tanto
6 x 3 13 x 2 4 x 2 q x
qx ser obtenido con el algoritmo de la divisin (usando el mtodo de divisin
larga):
6x2 x 2
x 2 6 x 3 13 x 2 4
6 x 3 12 x 2
x2 4
x2 2x
2x 4
2x 4
0
Entonces:
6 x 3 13 x 2 4 x 2 6 x 2 x 2 0
Aplicamos la frmula para resolver ecuaciones de 2 grado y una variable:
ax bx c 0
2
x1, 2
x1, 2
b b 2 4ac
2a
12 46 2
26
52
x1, 2
1 49 1 7
12
12
En efecto las races que faltaban son:
x1
1
2
x2
2
3
Las 3 races de la ecuacin polinmica son:
x1
1
2
x2
2
3
x3 2
- Ecuacin bicuadrada:
Ecuacin (ecuacin polinmica) de 4 grado de la forma general:
ax 4 bx 2 c 0
Cuyas 4 races estn dadas por:
x1, 2,3, 4
b b 2 4ac
2a
- Ecuaciones cbicas:
Ecuacin (ecuacin polinmica) de tercer grado de la forma general:
ax 3 bx 2 cx d 0
Cuyas 3 races se determinan como sigue:
La ecuacin
ax 3 bx 2 cx d 0 , se transforma en:
z 3 pz q 0
Mediante el cambio de variable z ax
b
.
3
Las 3 races de la ecuacin son:
z1 u v
53
z2
1 i 3
1 i 3
u
v
2
2
z3
1 i 3
1 i 3
u
v
2
2
Siendo u y v, tales que:

3
q
p q
u
2
3 2
3
q
p q
v
2
3 2
3
uv
p
3
Estas son las frmulas de Cardan.

Todos los mtodos algebraicos funcionan, pero si no contamos con el tiempo necesario,
la tecnologa es de gran ayuda.
Por ltimo aprenderemos a resolver ecuaciones (ecuaciones polinmicas) de la

forma:
xn z
z C
z a bi
Ocupando el teorema de De Moivre para la extraccin de races de nmeros

complejos.
n
Nota: Debe ser claro al lector que cada una de las n races x de x , es compleja, es
decir, NO est exenta de ser un real o un imaginario puro.
Repasemos el teorema de De Moivre:
Sea z r cos i sin [Forma polar de z], y sea n un entero positivo. Entonces, z
tiene exactamente n distintas races n-simas dadas por:
1
2k
2k
r n cos
i sin
n
n
Para k = 0, 1, 2, , n 1.
54
Escrito en forma abreviada:
1
2k
r n cis
Donde:
r z a2 b2
b
a
arg z arctan
En efecto el teorema de De Moivre, satisface el teorema fundamental del lgebra.
Encuentre las 4 races cuartas de la ecuacin polinmica:
x 4 16 0
Escribiendo la ecuacin polinmica en su forma
xn z .
x 4 16
Escribiendo la ecuacin compleja en su forma polar:
x 4 16cos 0 i sin 0 16 cis 0

x 16 cis 0
Usando el teorema de De Moivre:
1
2k
r n cis
1
0 360k
x 16 4 cis
Las 4 races estn dadas por:

@k=0
x1 2cis0 2cos0 i sin 0 21 0i 2
55
@k=1
0 360
x2 2cis
2cis90 2cos90 i sin 90 20 i 2i
4
@k=2
0 720
x3 2cis
2cis180 2cos180 i sin 180 2 1 0i 2
4
@k=3
0 1080
x4 2cis
2cis270 2cos270 i sin270 20 i 2i
4
Las races son:
x1 2 , x2 2i , x3 2 , x 4 2i
[2 races reales y 2 races imaginarias puras]
Halle las 3 races de la ecuacin:
x 3 64 0
Escribiendo en la forma z a bi .
x 3 64
En forma polar:
x 3 64cis180
x 64cis 180
1
3
Aplicando el teorema de De Moivre:
1
2k
r n cis
56
1
180 360k
x 64 3 cis

@k=0
1
3
180
x1 4cis
i 2 2 3i
4cis60 4cos60 i sin 60 4
2
2
3
@k=1
180 360
540
x2 4cis
4cis
4cos180 i sin 180 4 1 0i 4
3
3
@k=2
180 720
900
x3 4cis
4cis
4cos300 i sin 300
3
3
Cuidado:
300 = 60 =
arg z
[IV cuadrante]
1
3
i 2 2 3i
4
2 2
Las races de la ecuacin polinmica x 3 64 0 son:
x1 2 2 3i , x 2 4 , x3 2 2 3i
[1 raz real y 2 races complejo conjugadas]
Encuentre TODAS las races de la ecuacin polinmica:
x 3 27i 0
57
Escribiendo en la forma x z a bi .
n
x 3 27i
En forma polar:

x 3 27cis
2

x 27cis
2
1
3
1
2k
r n cis
x 27
1
3
2k
2
cis

@k=0

x1 3cis
6
Cuidado:
3cos
30

i sin
[4 cuadrante]
3 1 3 3 3
x1 3
i
i
2
2
2 2
@k=1
2
2
x 2 3cis
3
3cis 3cos i sin 30 i 3i

2
2

2
58
@k=2
4
2
x3 3cis
3
Cuidado: 7
arg z 5
6
6
3cis 7
210 30
[3er cuadrante]
3 1 3 3 3
x3 3
i
i
2
2
2
2
Las races de la ecuacin polinmica x 27i 0 son:
3
x1
3 3 3
3 3 3
i , x2 3i , x3
i
2
2
2
2
[1 raz real y 2 races complejas]
Slo MAESTROS, propuesto EXAMEN:

Encuentre las races de la siguiente ecuacin polinmica.
x 4 4 3i 0
Escribiendo en la forma z a bi .
x 4 4 3i
En forma polar:
r 4 2 3 5
2
3
36.87
4
arctan
[IV Cuadrante]
x 4 5cis 36.87
x 5cis 36.87
59
1
2k
r n cis
1
36.87 360k
x 5 4 cis
Sugerencia: Ocupe
2 360
, despus de hallar la primera raz.
n
n

@k=0
1
1
1
36.87
x1 5 4 cis
5 4 cis 9.2175 5 4 .987 .160i
4
1.495.987 .160i 1.476 .2393i
@k=1
x2 5 4 cis80.7825 5 4 .160 .987i

1
1.495.160 .987i .2393 1.476i

@k=2
.987 .160i
1.495 .987 .160i 1.476 .2393i
x3 5 4 cis 170.7825 5
1
@k=3
.160 .987i
1.495 .160 .987i .2393 1.476i
x4 5 4 cis260.7825 5
1
En efecto los siguientes incrementos sucesivos
360
90 .
4
60
Las races de la ecuacin polinmica son:
x1 1.476 .2393i
x2 .2393 1.476i
x3 1.476 .2393i
x4 .2393 1.476i
Slo MAESTROS, propuesto PUNTO EXTRA/TAREA (labor de investigacin).
Objetivo: A pesar de los problemas del estudiante para hallar las n races n-simas de
una ecuacin polinmica de grado n. Si consigue realizar est actividad ser capaz de
encontrar las n races n-simas de cualquier polinomio de grado n, usando tecnologa.
Maple:
solve(x^4=(4-3*I),{x});
evalf(%);
61
UNIDAD 2: Sistemas de ecuaciones lineales.

Introduccin:
Muchos de los temas del lgebra lineal elemental, son una generalizacin de las
propiedades de la recta.
Lineal: (lat. linealis): Perteneciente a la lnea.
Lnea: Mat. Extensin con una sola dimensin.
Por lo tanto, antes de comenzar recordaremos los conceptos de recta y pendiente, as
como sus ecuaciones y formas generales.
Antecedentes:
Es importante que el lector conozca los orgenes del concepto de recta.
Concepto de recta: Concepto primitivo que describe el comportamiento de un rayo de
luz o un filamento cualquiera sometido a tensin.
Existen muchas y diferentes definiciones geomtricas y matemticas de la recta,
veamos algunas:
Recta general (Geometra): Lnea generada por un punto que
constantemente en la misma direccin.
Recta en el plano (Geometra):
se
mueve
Sucesin infinita de puntos, que varan con una

misma razn de cambio, llamada pendiente.
- Interpretacin geomtrica de la recta en el plano ( R 2 ):
62
- Conceptos importantes (Recta en R ):

Partiendo de la grfica anterior, recuerde:
1) La pendiente m de una recta representa a la tangente del ngulo de
inclinacin de la recta, es decir,
m tan
Recuerde:
El ngulo de inclinacin
cuando la recta es una funcin de la forma
y f x , es la abertura entre la recta y el eje positivo de las x (eje de
la variable independiente).
Por lo tanto:
m tan
C.O. y 2 y1 y
C. A. x 2 x1 x
(Si x1 x 2 ).
2) Si x 2 x1 0 y y 2 y1 , la recta es vertical. Se dice que la pendiente

( tan ) es indefinida.
El ngulo de inclinacin es 90 2 .
Comportamiento de la tangente:
En este caso la recta vertical es

corta (intersecta) al eje x.
x c , donde c es el valor en el que la recta
Donde m 0 , se define para una funcin x g y my c .
63
Nota: Para x g y my c , m tan . Donde es el ngulo que abre en

sentido horario, desde el eje positivo de las y a la recta.
En general diremos que las rectas paralelas al eje y, tienen pendiente
indefinida m indefinida, .
2
Y las rectas paralelas al eje x, tienen pendiente CERO m 0, 0 .

3) Cualquier recta (excepto una con pendiente indefinida) se puede escribir en la
forma punto pendiente:
y mx b
Donde m es la pendiente de la recta y b es el valor de y en el que la recta corta
(intersecta) al eje y.
La forma punto - pendiente se puede generar de 2 formas:
a) Conociendo 1 punto y la pendiente.
b) Conociendo 2 puntos.
Y respetando la condicin de que m tan
de x ( y f x ).
y 2 y1
, si la recta es una funcin
x 2 x1
4) 2 rectas (con ecuacin diferente) son paralelas si y slo si tienen la misma

pendiente. Algunos autores las llaman paralelas NO coincidentes.
5) Si m1 es la pendiente de la recta L1 , m2 la pendiente de la recta L2 , m1 0
y L1 y L2 , son perpendiculares, entonces:
m1m2 1
64
m2
1
m1
2 rectas son perpendiculares si, el producto de sus pendientes es -1.

6) Las rectas cuya ecuacin es una funcin de la forma y f x mx b , son
paralelas al eje x, si m 0 , es decir, y b .
2.1 Definicin de sistemas de ecuaciones lineales.

Introduccin:
Ecuacin lineal:
Ecuacin polinmica de 1er grado con 1 o varias variables,

que representa rectas, planos o espacios complicados, cuyo
comportamiento asemeja al de la recta en
R2 .
Nota: Entienda por espacios complicados, regiones generales en R n .

Sean:
a, b, c,... = Constantes (pueden ser reales o complejas).

x, y , z ,... = Variables.
La forma general de la ecuacin lineal de 2 y 3 variables, respectivamente es:
ax by c
[Rectas]
ax by cz d
[Planos]
Forma general de la ecuacin lineal con nmero infinito de variables:
ax by cz ... k
[Regin de n dimensiones]
Las ecuaciones de varias variables, tienen generalmente un nmero infinito

de soluciones, por tanto son importantes cuando forman sistemas de ecuaciones.
Sistemas de ecuaciones (Generales):
Conjunto de ecuaciones, para cuyas

incgnitas (2 o ms) se pretende hallar una
solucin nica o conjunto de soluciones,
en comn.
Los sistemas de ecuaciones ms usados son los sistemas de ecuaciones lineales.
65
Definicin:
Se llama sistema de ecuaciones lineales al conjunto de ecuaciones polinmicas
(varios trminos sumados) de primer grado y 2 o ms variables (incgnitas).
Que pueden tener una solucin comn, es decir, EXISTE un conjunto de
valores para las variables de un sistema de ecuaciones, que satisface
SIMULTNEAMENTE a TODAS las igualdades (ecuaciones) del sistema.
2x 3y 6
5 x 4 y 1
[Sistema de 2 ecuaciones con 2 incgnitas]
2 x 4 y 3z 9
4 x 5 y 7 z 23
x 2 y 6 z 2
Estos sistemas son muy usados y se basan en que 2 rectas cualesquiera en R 2

tienen necesariamente, 1 punto de interseccin o son paralelas.
Importante:
Todas las ecuaciones polinmicas de 1er grado y 2 o ms variables, tienen un
comportamiento anlogo al de la recta en R 2 .
As puede EXISTIR una regin geomtrica comn a varias ecuaciones, que
interpretamos como la solucin del sistema de ecuaciones lineales.
2.2 Clasificacin de los sistemas de ecuaciones lineales y tipos de solucin.

Los sistemas de ecuaciones lineales se pueden clasificar segn su solucin en sistemas
con:
1) Solucin nica: EXISTE slo un conjunto de valores, para las variables del
sistema de ecuaciones, que satisface SIMULTNEAMENTE a todas las
ecuaciones.
2) Nmero infinito de soluciones: EXISTE un nmero infinito de conjuntos de
valores, para las variables del sistema de ecuaciones, que satisface
SIMULTNEAMENTE a todas las ecuaciones.
66
3) Ninguna
solucin:
Ningn
conjunto
de
valores
SIMULTNEAMENTE a todas las ecuaciones del sistema.
satisface
Importante:
a) Un sistema de ecuaciones lineales es consistente, si tiene al menos 1 solucin
(o nmero infinito de soluciones).
b) Un sistema de ecuaciones lineales es inconsistente, si NO tiene solucin.
c) Un sistema de ecuaciones lineales es incompatible, si las variables de sus
ecuaciones son diferentes.
x y 4
zw2
Es imposible hallar un conjunto de
SIMULTNEAMENTE ambas ecuaciones.
valores
que
haga
verdaderas
NO EXISTE una regin geomtrica comn.

El sistema de ecuaciones es incompatible y por tanto NO tiene solucin.
d) Un sistema de ecuaciones lineales es compatible, si se puede resolver (tiene
solucin nica o nmero infinito de soluciones), por medio de las ecuaciones
que lo forman.
e) Los sistemas de ecuaciones lineales con el mismo nmero de ecuaciones y de
incgnitas, se llaman sistemas cuadrados.
2 x 4 y 3z w 9
4 x 5 y 7 z 2 w 23
x 2 y 6 z w 2
x 4 y 5 z 3w 12
Introduccin a la solucin de sistemas de ecuaciones lineales.

- Solucin de sistemas de 2 ecuaciones lineales con 2 incgnitas:
Considere el sistema general de 2 ecuaciones lineales con 2 incgnitas ( x y y ):
a11 x a12 y b1
a 21 x a 22 y b2
67
Donde:
1)
aij son constantes (reales o complejas).
2) x , y son variables (tambin llamadas incgnitas).

2
3) Cada una las ecuaciones del sistema representa una recta en R .

A continuacin resolveremos un sistema de 2 ecuaciones lineales con 2
incgnitas, ocupando lgebra y geometra.
Sea el sistema de ecuaciones lineales:
1 x y 17
4
4
3 x y 4
2
Sabemos que ambas ecuaciones representan una recta en R .

Importante:
Entonces, si EXISTE un punto de interseccin (que evidentemente es un punto comn
a ambas rectas), los valores de las coordenadas de este punto de interseccin, forman
el conjunto de valores que satisface a ambas ecuaciones SIMULTNEAMENTE, es
decir, el punto de interseccin es la solucin nica del sistema de 2 ecuaciones
lineales.
Escribamos las 2 ecuaciones en su forma y = mx + b, y hallemos, si EXISTE, el punto
comn a ambas rectas.
y 1 x 17
4
4
y 3x 4
Igualando trminos nos queda:
1 x 17 3 x 4
4
4
Resolviendo la ecuacin con lgebra:
11 x 33
4
4
x3
Sustituyendo x 3 en y 3x 4 , tenemos y 5 .
Por lo tanto el punto de interseccin es: P(3, 5).
68
La solucin del sistema se escribe:

Solucin nica: x 3 , y 5 .
O bien (3, 5). Algunos autores escriben U = 3,5 .
Maple:
plot([(1/4)*x+(17/4),3*x4],x=0..7,y=0..7,scaling=constrained);
69
2.3 Interpretacin geomtrica de las soluciones.

- Geometra de un sistema de 2 ecuaciones lineales con 2 incgnitas (1):
2
Sabemos que cada ecuacin representa una recta en R , entonces tenemos 3 casos de
solucin, cuya interpretacin geomtrica es muy simple.
2
1) Solucin nica: Si las rectas (en R ) NO son paralelas, EXISTE un

punto comn a ambas. Este punto de interseccin (x, y) es un par
ordenado que satisface a ambas ecuaciones.
2) Nmero infinito de soluciones: Si las rectas son mltiplos escalares

sus ecuaciones son equivalentes, es decir, ambas ecuaciones representan
a la misma recta. Entonces tenemos un nmero infinito de puntos (x,
y) que se suceden en una misma direccin.
2
Algunos autores dicen que las rectas en R que componen un sistema (de 2
ecuaciones lineales con 2 incgnitas) con nmero infinito de soluciones, son paralelas
coincidentes.
Entonces EXISTE un nmero infinito de puntos de interseccin, es decir un
nmero infinito de soluciones.
Nota (Mltiplos escalares):
2 ecuaciones y1 y y 2 son mltiplos escalares, si existe un escalar c, tal que:
cy1 y 2
70
[Las 2 ecuaciones representan la misma recta]
3) Ninguna solucin: Si las rectas son paralelas (y NO coincidentes).

Entonces NUNCA se intersectan, es decir, no existe un punto comn a
ambas rectas y, por tanto, el sistema NO TIENE SOLUCIN.
No existe un par ordenado (x, y) que satisfaga a ambas ecuaciones.
- Solucin algebraica de sistemas de 2 ecuaciones lineales con 2 incgnitas:
2 hechos del lgebra elemental, son fundamentales para resolver sistemas de

ecuaciones.
71
Hecho 1: Si a = b y c = d, entonces a + c = b + d.
El Hecho 1 establece que si se suman 2 ecuaciones cualesquiera, se obtiene una

3ra ecuacin correcta (verdadera).
Hecho 2: Si a = b y k es cualquier nmero real (escalar), entonces ka = kb.
El Hecho 2 establece que si se multiplican ambos lados de una ecuacin

cualquiera por una constante, se obtiene una 2da ecuacin correcta (verdadera).
Nota: El hecho 2 se cumple tambin si k es compleja (k C).
- Ejemplo demostrativo 1: Un sistema con solucin nica.
Considere el sistema:
L1 x y 7
L2 x y 5
Por el Hecho 1 al sumar L1 y L2 , tenemos:
L1 L2 2 x 12
x6
Sustituyendo en L1 o L2 , tenemos y 1 .
As, el par ordenado (6, -1) es la solucin nica del sistema.
Solucin nica:
x 6 , y 1 .
72
O bien Solucin nica: (6, -1).

Maple:
plot([x-7,-x+5],x=0..10,y=-5..5,scaling=constrained);
- Ejemplo demostrativo 2: Un sistema con nmero infinito de soluciones.
L1 x y 7
L2 2 x 2 y 14
Es claro que las ecuaciones son L1 y L2 son mltiplos escalares 2 L1 L2 .
Por lo tanto ambas ecuaciones representan la misma recta.
x y 7
Es claro que EXISTE un nmero infinito de pares ordenados (x, y), que
satisfacen la ecuacin.
Estos pares ordenados (x, y) generan la recta x y 7 .
Cada combinacin (x, y) que satisface la ecuacin L1 es un punto sobre la recta
y x7.
Por lo tanto el sistema tiene un nmero infinito de soluciones.
El conjunto de soluciones se puede expresar, mediante el par ordenado (x, x 7),
combinacin que representa a TODA solucin para el sistema, para cualquier valor real
de x.
Maple:
implicitplot([x-y=7,2*x-2*y=14],x=0..10,y=-5..5,scaling=constrained);
Nmero infinito de soluciones: (x, x 7).
73
Nota: Ms adelante aprenderemos otra forma de expresar un nmero infinito de

soluciones.
- Ejemplo demostrativo 3: Un sistema sin solucin.
L1 x y 7
L2 2 x 2 y 13
Por el Hecho 2, tenemos:
1 L2 x y 13
2
2
El nuevo sistema de ecuaciones es:
L1 x y 7
1 L x y 13
2 2
2
Ahora tenemos 2 rectas paralelas (NO coincidentes), con pendiente m 1 ,
45 4 , que NO poseen ningn punto en comn.
Esto es claro, puesto que, la recta representada por L1 corta al eje y en (0, -7); y la
recta representada por L2 corta al eje y en (0, - 6.5).
Por lo tanto, el sistema NO tiene solucin.
Ninguna solucin.
Maple:
implicitplot([x-y=7,x-y=6.5],x=0..12,y=4..4,color=[green,blue],scaling=constrained);
74
- Teorema de resumen:
Sea el sistema general de 2 ecuaciones lineales y 2 incgnitas:
a11 x a12 y b1
a 21 x a 22 y b2
Este sistema tiene necesariamente alguna de las siguientes caractersticas:
1) Solucin nica.
2) Nmero infinito de soluciones.
3) Ninguna solucin
Esto es:
1) Tiene solucin nica, si y slo si:
a11a 22 a 21a12 0
2) Tiene nmero infinito de soluciones o ninguna solucin, si y slo si:
a11a22 a21a12 0
- Ejercicios resueltos (1.2 lgebra lineal, Stanley I. Grossman, Quinta edicin):
13) Encuentre las condiciones sobre a y b , tales que, el sistema tenga una solucin
nica.
ax by c
ax by c
Solucin:
Ambas ecuaciones representan rectas en R 2 , entonces EXISTE una solucin nica, si

las rectas NO son paralelas o mltiplos escalares.
Recurso:
a11a 22 a 21a12 0
[Teorema de resumen, solucin nica]
Aplicando el teorema de resumen al sistema, para tener solucin nica, necesitamos:
ab ab 2ab 0
Las condiciones de a y b , para solucin nica son:
75
a0
b0
14) Encuentre las condiciones sobre a , b y c , tales que, el sistema tenga un nmero
infinito de soluciones.
L1 ax by c
L2 bx ay c
Solucin:
Recurso:
a11a22 a21a12 0
a ba b
[Teorema de resumen, nmero infinito de soluciones]
Aplicando el teorema de resumen, para tener nmero infinito de soluciones,

necesitamos:
a2 b2 0
Usando productos notables:
a ba b 0
Caso 1:
Caso 2:
ab 0
ab 0
a b
ab
Note que tanto el Caso 1 como el Caso 2, satisfacen la ecuacin, pero NO pueden
ocurrir simultneamente.
Ahora sabemos que las condiciones para a y b son:
a b
ab
A continuacin determinaremos las condiciones para c .

Sabemos que para que el sistema tenga un nmero infinito de soluciones, las
rectas que representan sus ecuaciones deben ser paralelas y coincidentes, es decir,
mltiplos escalares.
Partiendo de las condiciones para a y b , tenemos:
Caso 1 a b :
76
L1 ax ay c
L2 ax ay c
L1 representa a la recta y x c a
L2 representa a la recta y x c a
[Recta con m 1 , 45 , corta al eje y
en 0, c
[Recta con m 1 , 45 , corta al eje y
en 0, c
El Caso 1 slo da infinitas soluciones en
c 0.
Si c 0 las rectas son paralelas NO coincidentes (ninguna solucin).

Caso 2 a b :
L1 ax ay c
L2 ax ay c
Ambas ecuaciones representan a la
recta:
y x c
[Recta con m 1 , 45 , corta al

eje y en 0, c ]
a
77
El caso 2 por si slo da un nmero infinito de soluciones.

[Interpretacin geomtrica del conjunto de soluciones]
Importante:
La condicin para c debe hacer vlido al Caso 1 y al Caso 2.

Si el Caso 1 slo da infinitas soluciones en
c 0.
Las condiciones de a , b y c , para nmero infinito de soluciones son:
a b
ab
c0
15) Encuentre las condiciones sobre a , b , c y d , tales que, el sistema NO tenga

solucin.
L1 ax by c
L2 bx ay d
Solucin:
Recurso:
a11a22 a21a12 0
[Teorema de resumen, ninguna solucin]
Aplicando el teorema de resumen, para tener ninguna solucin, necesitamos:
a 2 b2 0
El nico caso para que 2 nmeros al cuadrado sumados sean CERO es:
78
a0
b0
a 2 b 2
Geomtricamente, para que el sistema tenga ninguna solucin las rectas que
representan L1 y L2 deben ser paralelas NO coincidentes.
Pero en este caso basta con hacer c 0 y d 0 para que las expresiones del sistema,
NO tengan sentido.
Las condiciones de a , b , c y d , para ninguna solucin son:
a0
b0
c0
d 0
16 21: Encuentre el punto de interseccin (si lo hay) de las 2 rectas.

21) 3x 4 y 5
6x 7 y 8
Solucin:
Si las rectas se intersectan, con sus ecuaciones podemos generar un sistema con
solucin nica.
L1 3x 4 y 5
L2 6 x 7 y 8
Multiplicando L1 por -2 [Hecho 2]:
2 L1 6 x 8 y 10
L2 6 x 7 y 8
Sumando 2 L1 L2 [Hecho 1]:
2 L1 L2 15 y 2
y 2 0.13333
15
Sustituyendo en L1 [la ecuacin ms simple] tenemos:
79
3x 4 2 5
15
3x 8 5
15
75
3x
8
15 15
3 x 67
15
x 67 1.48888
45
Comprobamos en L2 :
6 67
45
7215 8
14 8
15
402 42 8
45
45
360 8
45
88
402
45
Maple:
implicitplot([3*x+4*y=5,6*x7*y=8],x=1.42..1.5,y=.12...16,color=[green,blue],scaling=constrained);
80
- Geometra de un sistema de 3 ecuaciones lineales con 3 incgnitas (2):
[Taller Maple]
Sabemos que cada una de la ecuaciones de un sistema de 2 ecuaciones lineales
con 2 incgnitas, representa una recta en R 2 .
Y que se tiene solucin nica en el punto de interseccin; nmero infinito de
soluciones cuando las rectas son paralelas coincidentes (mltiplos escalares); y
ninguna solucin cuando las rectas son paralelas NO coincidentes.
Estas situaciones se pueden generalizar a ecuaciones lineales (ecuaciones de primer
grado) y 3 o ms variables (incgnitas).
La grfica de la ecuacin ax by cz d en un espacio de 3 dimensiones ( R ) es
un plano.
3
Considere el sistema general de 3 ecuaciones lineales con 3 incgnitas:
ax by cz d
ex fy gz h
[Plano 1]
jx ky lz m
[Plano 3]
[Plano 2]
En donde a, b, c, d, e, f, g, h, j, k, l y m con constante reales, NO todas CERO.

Cada ecuacin lineal de 3 incgnitas, representa un plano.
3
Cada solucin es una regin de 3 dimensiones, ya sea, un punto (x, y ,z) en ( R ) para
3
solucin nica; una recta o un plano en ( R ) cuando hay nmero infinito de

soluciones; o ninguna regin en comn si el sistema NO tiene solucin.
81
EXISTEN 6 posibilidades:
1) Los 3 planos se intersectan en un solo punto.
Entonces EXISTE, solucin nica para el sistema.
Maple:
plot3d([(-2/7)*x-(5/7)*y+(113/7),(5/4)*x(3/4)*y+(41/4),(1/6)*x(5/6)*y+(91/6)],x=3.5..4.5,y=6..7,axes=boxed,color=x*x*y,sc
aling=constrained,transparency=0.2,grid=[2,2]);
82
2) Los 3 planos se intersectan en la misma recta.

Entonces cada punto sobre la recta es una solucin y el sistema tiene nmero
Maple:
plot3d([x-2*y+12,(-1/14)*x-(3/14)*y+(103/14),(1/7)*x(4/7)*y+(58/7)],x=0..70,y=10..60,axes=boxed,lightmodel=light4,scaling=constrained,tra
nsparency=0,grid=[2,2]);
83
3) Los 3 planos coinciden [son paralelos coincidentes]. Entonces cada punto sobre
el plano resultante es una solucin y el sistema tiene nmero infinito de
soluciones.
Es claro que las 3 ecuaciones son mltiplos escalares, es decir, representan al
mismo plano.
Maple:
plot3d([(-3/7)*x-(2/7)*y+(47/7),(-6/14)*x(4/14)*y+(94/14),(-9/21)*x-(6/21)*y+(141/21)],x=-10..10,y=10..10,axes=boxed,lightmodel=light4,scaling=constrained,tra
nsparency=0.7,grid=[2,2]);
84
4) 2 de los planos coinciden e intersectan a un 3er plano en una recta.

Entonces cada punto sobre la recta de interseccin es una solucin y el sistema
tiene nmero infinito de soluciones.
Note que 2 de los planos son mltiplos escalares.
Maple:
plot3d([(-3/7)*x-(2/7)*y+(47/7),(2/3)*x+(15/6)*y-(23/6),(6/14)*x-(4/14)*y+(94/14)],x=-10..40,y=25..25,axes=boxed,color=x*y,scaling=constrained,transparenc
y=0,grid=[2,2]);
85
5) Al menos 2 de los planos son paralelos y distintos [NO coincidentes].

Entonces ningn punto puede ser comn a los 3 planos.
Por tanto el sistema, NO tiene solucin.
plot3d([(1/3)*x+(1/9)*y+2,(1/3)*x+(1/9)*y+4],x=0..8,y=4..4,axes=boxed,color=x*y,scaling=constrained,transparency=.3,grid=[2,
2]);
plot3d([(1/3)*x+(1/9)*y+2,(1/3)*x+(1/9)*y+4,(1/3)*x+(1/9)*y+6],x=0..6,
y=3..3,axes=boxed,color=2*x*y,scaling=constrained,transparency=.3,grid=[
2,2]);
86
6) 2 de los planos coinciden en una recta L. El 3er plano es paralelo a L [y NO

contiene a L], de manera que ningn punto del 3er plano se encuentra en los 2
primeros.
Entonces el sistema, NO tiene solucin. Es un sistema inconsistente.
Maple:
plot3d([(-3/7)*x-(2/7)*y+(47/7),(2/3)*x+(15/6)*y-(23/6),(3/7)*x-(2/7)*y+(94/7)],x=-7.5..7.5,y=5..10,axes=boxed,lightmodel=light4,scaling=constrained,tran
sparency=0,grid=[2,2]);
plot3d([(-3/7)*x-(2/7)*y+(47/7),(4/3)*x+(1/3)*y+(4/3),(3/7)*x-(2/7)*y+(94/7)],x=-6..20,y=13..13,axes=boxed,color=x*y,scaling=constrained,transparenc
y=0,grid=[2,2]);
87
Caso especial: Ninguna solucin.
Los planos se intersectan en pares, pero no coinciden en un punto comn, el sistema de

ecuaciones lineales es inconsistente (sin solucin).
Note que las rectas de interseccin son paralelas NO coincidentes. De NO serlo el
sistema tendra solucin nica.
Maple:
plot3d([(-3/7)*x(2/7)*y+(47/7),(4/3)*x+(1/3)*y+(4/3),(181/293)*x+(24/293)*y+(45/293)],x=8..16,y=12..12,axes=none,color=x*y,scaling=constrained,transparency=0,grid=[2,2]);
Importante:
1) Un sistema de m ecuaciones lineales con n incgnitas, SIEMPRE tiene

solucin nica, nmero infinito de soluciones o ninguna solucin.
2) De forma general podemos decir:
Las ecuaciones lineales de 1er grado y 2 o ms variables (incgnitas),
describen rectas, planos o espacios complicados en R n , cuyo comportamiento
asemeja al de la recta en R 2 .
Es decir, las ideas en el plano xy se pueden extender a espacios ms
complicados.
Recuerde:
R 2 x, y | x, y R .
88
2.4 Mtodos de solucin de un sistema de ecuaciones lineales (Gauss Jordan y

eliminacin gaussiana).
(Mtodos de solucin de sistemas de m ecuaciones lineales con n incgnitas:
Eliminacin de Gauss Jordan y eliminacin gaussiana).
Introduccin:
En secciones anteriores mencionamos que los sistemas de ecuaciones lineales,

que tienen el mismo nmero de incgnitas y de ecuaciones se llaman sistemas
cuadrados.
Hasta ahora slo hemos resuelto sistemas 2 x 2, es decir, 2 ecuaciones con 2
incgnitas.
Los sistemas de m ecuaciones lineales con n incgnitas, como se puede
suponer pueden ser de cualquier tamao, ser cuadrados o rectangulares, y tener
solucin nica, nmero infinito de soluciones o ninguna solucin.
En lo sucesivo de usaran como variables x1 , x 2 , x3 , etc., en lugar de x, y, z,.
Esta notacin se llama notacin con subndices.
- Sistema general de m ecuaciones lineales con n incgnitas:
a11 x1 a12 x2 a13 x3 ... a1n xn b1

a21 x1 a22 x2 a23 x3 ... a2 n xn b2
a31 x1 a32 x2 a33 x3 ... a3n xn b3
am1 x1 am 2 x2 am3 x3 ... amn xn bm
- Eliminacin de Gauss Jordan:
Para entender este mtodo de solucin de sistemas de ecuaciones lineales,

resolveremos un sistema 3 x 3 con solucin nica.
Pretendemos que el estudiante comprenda como resolver sistemas de
ecuaciones lineales ms generales, en vez de memorizar una serie de pasos.
89
- Ejemplo demostrativo (importante):

Sistema de 3 ecuaciones lineales con 3 incgnitas: Solucin nica.
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
(1)
3x1 x 2 2 x3 4
El mtodo de eliminacin de Gauss Jordan se basa en simplificar las ecuaciones
(aplicando el Hecho 1 y Hecho 2), de manera que al final la solucin del sistema se
pueda identificar de inmediato.
Buscamos 3 nmeros
x1 , x2
x3 , que satisfacen las 3 ecuaciones (igualdades).
NOTA: Se ha colocado (1) para REPRESENTAR al sistema 1 o sistema inicial, todos

los sistemas y ecuaciones sucesivos sern obtenidos aplicando los Hechos 1 y 2 del
lgebra fundamental. Entonces TODOS los sistemas que presentaremos son
EQUIVALENTES [TODOS REPRESENTAN LAS CONDICIONES DE (1)].
Solucin:
Aplicando el Hecho 2, multiplicamos ambos lados de la primera ecuacin de (1) por

1 .
2
x1 2 x 2 3 x3 9
4 x1 5 x 2 6 x3 24
(2)
3x1 x 2 2 x3 4
Aplicando el Hecho 2, multiplicamos ambos lados de la primera ecuacin de (2) por 4
y aplicando el Hecho 1 la sumamos a la segunda ecuacin.
4 x1 8 x 2 12 x3 36
4 x1 5 x2 6 x3 24
3 x2 6 x3 12
Tenemos ahora un nuevo sistema equivalente. Cada vez buscaremos ecuaciones
equivalentes ms simples, hasta que la solucin del sistema sea EVIDENTE.
x1 2 x2 3x3 9
(3)
3 x2 6 x3 12
3x1 x2 2 x3 4
90
Aplicando el Hecho 2, multiplicamos ambos lados de la primera ecuacin de (3) por 3

y aplicando el Hecho 1 la sumamos a la tercera ecuacin.
3x1 6 x2 9 x3 27
3 x1 x2 2 x3 4
5 x2 11x3 23
Generamos un nuevo sistema equivalente.
x1 2 x2 3x3 9
3 x 2 6 x 3 12
5 x2 11x3 23
(4)
Aplicando el Hecho 2, multiplicamos ambos lados de la segunda ecuacin de (4) por

1 .
3
x1 2 x2 3x3 9
x 2 2 x3 4
5 x2 11x3 23
(5)
Aplicando el Hecho 2, multiplicamos ambos lados de la segunda ecuacin de (5) por 5 y

aplicando el Hecho 1 la sumamos a la tercera ecuacin.
5 x 2 10 x 3 20
5 x 2 11x 3 23
x3 3
Generamos un nuevo sistema equivalente.
x1 2 x2 3x3 9
x 2 2 x3 4
(6)
x3 3
Aplicando el Hecho 2, multiplicamos ambos lados de la segunda ecuacin de (6) por -2
y aplicando el Hecho 1 la sumamos a la primera ecuacin.
x1 2 x2 3x3 9
2 x 2 4 x 3 8
x1
x3 1
Generamos un nuevo sistema equivalente. NOTE que hemos eliminado la variable

de la primera ecuacin.
x2
91
x3 1
x1
x 2 2 x3 4
x3 3
(7)
Aplicando el Hecho 2, multiplicamos ambos lados de la tercera ecuacin de (7) por 2 y

aplicando el Hecho 1 la sumamos a la segunda ecuacin.
x 2 2 x3 4
2 x 3 6
2
x2
Generamos un nuevo sistema equivalente. NOTE que hemos eliminado la variable

de la segunda ecuacin.
x3 1
x1
x2
(8)
x3
x 3 3
Aplicando el Hecho 2, multiplicamos ambos lados de la tercera ecuacin de (8) por 1

y aplicando el Hecho 1 la sumamos a la primera ecuacin.
x3 1
x1
x3 3
4
x1
Generamos un nuevo sistema equivalente. EL RESULTADO ES EVIDENTE.

4
x1
x2
x3 3
La solucin nica es: (4, -2, 3).
x1 4
x2 2
x3 3
92
[Interpretacin geomtrica de la solucin nica]
Maple:
plot3d([(-1/3)*x-(2/3)*y+3,(-2/3)*x(5/6)*y+4,(3/2)*x+(1/2)*y-2],x=0..4,y=2..2,axes=boxed,color=[red,blue,yellow,yellow],scaling=cons
trained,transparency=0,grid=[2,2]);
- Introduccin al concepto de matriz (notacin matricial para el mtodo de

eliminacin de Gauss Jordan):
A continuacin resolveremos el Ejemplo demostrativo anterior por el mtodo
de eliminacin de Gauss Jordan, pero usando una notacin que simplifica su
escritura. La notacin matricial.
Una matriz es un arreglo rectangular de nmeros.
A partir del sistema:
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
3x1 x 2 2 x3 4
93
Generamos una matriz A, llamada matriz de coeficientes del sistema. Los

coeficientes de las variables x1 , x 2 y x3 sern los componentes de la matriz.
2 4 6
A 4 5 6
3 1 2
Fila o rengln
Columna
- Matriz m x n (Importante):
Una matriz m x n, es la que tiene m renglones (filas) y n columnas.

Al usar notacin matricial nuestro sistema original se escribe como una matriz
aumentada.
2 4 6 18
4 5 6 24
3 1 2 4
Hasta ahora hemos resuelto sistemas de ecuaciones basndonos en 2 hechos del
lgebra.
Cuando ocupemos notacin matricial usaremos operaciones elementales con
renglones (operaciones vlidas entre renglones).
- Operaciones elementales con renglones (operaciones vlidas entre renglones):
1) Multiplicar (o dividir) un rengln por un nmero diferente de CERO.

2) Sumar un mltiplo de un rengln a otro rengln.
3) Intercambiar la posicin de 2 renglones.
- Notacin para operaciones entre renglones:
1) Ri cRi : Remplaza el i-simo rengln por el i-simo rengln multiplicado por c .

[Debe multiplicar cada nmero del i-simo rengln por c ]
2) Rj Rj cRi :
Sustituye el j-simo rengln por la suma del j-simo rengln

ms el i-simo rengln multiplicado por c .
94
3) Ri Rj :
Intercambiar los renglones i y j.
4) A B :
Las matrices son equivalentes.

[Si son matrices aumentadas tienen la misma solucin]
NOTA: Una matriz que NO es aumentada, NO se puede modificar, ya que, cambiara

su SIGNIFICADO.
Importante:
El procedimiento para resolver una matriz aumentada por el mtodo de

eliminacin de Gauss Jordan se llama, reduccin de la matriz aumentada a la
forma escalonada reducida por renglones.
- Forma escalonada reducida por renglones (Importante):
Una matriz se encuentra en la forma escalonada reducida por renglones si

se cumplen las siguientes condiciones:
1) TODOS los renglones (si los hay) cuyos elementos (componentes) son TODOS
CERO aparecen en la parte inferior de la matriz.
2) El primer nmero diferente de CERO (comenzando por la izquierda) en
cualquier rengln cuyos elementos NO son TODOS CERO es 1.
3) Si 2 renglones sucesivos tienen elementos distintos de CERO, entonces el
primer 1 en el rengln de abajo est ms a la derecha que el primer 1 en el
rengln de arriba.
4) Cualquier columna que contiene el primer 1 de un rengln tiene CEROS en el
resto de sus elementos (componentes).
- Ejemplos de matrices en la forma escalonada reducida por renglones:

1 0 0
0 1 0
0 0 1
1 0 0 0
0 1 0 0
0 0 0 1
1 0
0 1
1 0 0 5
0 0 1 2
1 0 2 5
0 1 3 6
0 0 0 0
95
- Solucin de sistemas de ecuaciones lineales por eliminacin de Gauss Jordan

con notacin matricial:
El sistema de ecuaciones lineales original es:
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
3x1 x 2 2 x3 4
2 4 6 18
4 5 6 24
3 1 2 4
9
1 2 3
4 5 6 24
3 1 2 4
R1 1 R1
2
R2 R2 4 R1
R3 R3 3R1
3
9
1 2
0 3 6 12
0 5 11 23
R2 1 R2
3
3
9
1 2
0 1
2
4
0 5 11 23
R1 R1 2 R2
1 0 1 1
0 1 2
4
0 0 1 3
R3 R3
1 0 1 1
0 1 2 4
0 0 1 3
R1 R1 R3
R3 R3 5R2
R2 R2 2 R3
96
1 0 0 4
0 1 0 2
0 0 1 3
[La solucin es EVIDENTE]
- Eliminacin de Gauss Jordan con pivoteo:
Es importante que contemos con diversas herramientas para la solucin de un

problema.
A continuacin se explicar paso a paso el procedimiento de reduccin por
renglones por pivoteo.
Ms adelante cuando nos ocupe el estudio de matrices este procedimiento ser
de gran utilidad.
Partiremos de la matriz aumentada del ejemplo anterior:
Pivote
2 4 6 18
4 5 6 24
3 1 2 4
Seleccionamos el componente con mayor valor absoluto, este ser nuestro primer
pivote y movemos el rengln pivote hasta arriba.
4 5 6 24
2 4 6 18
3 1 2 4
Dividimos el rengln pivote entre 4,

para hacer el pivote igual a 1.
3
1 5
6
4
2
6 18
2 4
3 1 2 4
Multiplicamos el rengln pivote por

-2 y -3 y lo sumamos con R2 y R3 ,
respectivamente.
3
1 5
6
4
2
3
6
0 3 2
11 13
0
14
4
4
Volvemos a elegir pivote y lo

dividimos entre 11 para hacerlo 1.
4
97
3
1 5
6
4
2
26
56
0 1
11
11
3
3
6
0
2
Multiplicamos el rengln pivote por 5

y 3
y lo sumamos con R1
2
respectivamente.
4
y R3 ,
4
1 0 16
11
11
26
56
0 1
11
11
6
18
0 0
11
11

11
4
1 0 16
11
11
26
56
0 1
11
11
1
3
0 0

11
26
y lo sumamos con R1 y R2 ,
y
11
respectivamente.
1 0 0 4
0 1 0 2
0 0 1 3
[El resultado es EVIDENTE]

x1 4
x 2 2
x3 3
NOTA: Revise el procedimiento de pivoteo, hasta entenderlo le ser muy til.
- Conceptos clave (pivoteo):
1) El pivote en cualquier rengln est a la derecha del pivote del rengln anterior.
2) El pivote hace CERO a los dems elementos (componentes) de la columna a la
que pertenece.
- Eliminacin gaussiana:
El mtodo de eliminacin gaussiana resulta algunas veces ms conveniente

que el de eliminacin de Gauss Jordan, ya que, las operaciones entre renglones
son menos.
Comprenderlo NO ser complicado si ya domina el mtodo de eliminacin de
Gauss Jordan, ya que, la forma de proceder es similar.
98
Importante:
El procedimiento para resolver sistemas de ecuaciones lineales por el mtodo

de eliminacin gaussiana con notacin matricial se llama, reduccin de la matriz
aumentada a la forma escalonada por renglones.
- Forma escalonada por renglones (Importante):
Es fcil entender este concepto a travs de sus ejemplos.

1 1 6 4
0 1 2 8
0 0 0 1
1 2 3
0 1 5
0 0 1
1 0 2 5
0 0 1 2
1 3 2 5
0 1 3 6
0 0 0 0
1 2
0 1
- Solucin de sistemas de ecuaciones lineales por eliminacin gaussiana con

notacin matricial y pivoteo:
A continuacin resolveremos un sistema 3 x 3 con solucin nica.

Sea el sistema:
x1 2 x 2 3 x3 11
4 x1 x 2 x3 4
2 x1 x 2 3 x3 10
Generamos la matriz aumentada:
1 2 3 11
4 1 1 4
2 1 3 10
Elegimos el pivote, lo dividimos entre 4

para hacerlo 1 y lo movemos hasta
arriba.
1
1 1
1
4
4
3 11
1 2
2 1
3 10
Multiplicamos el rengln pivote por 1 y

2 y lo sumamos con R2 y R3 ,
respectivamente.
99
1
1 1
1
4
4
9
13
10
0
34 7 4
8
0
2
2
1
1 1
4
4
13
1
0
9
3
7
0
2
2
40
9
8
1
4
4
13
1
9
4
0
3
40
9
4
3
1
4
4
1 13
9
0
1
40
9
1

4
y lo sumamos con R3 .

3
La matriz aumentada est en su

forma escalonada por renglones.
Ya conocemos el valor de una de las incgnitas.
x3 1
Ahora usamos la sustitucin hacia atrs para hallar el valor de las dems incgnitas.
De R2 (rengln 2) tenemos:
x2 13 x3 40
9
9
x 2 13 1 40
9
9
x 2 27
x 2 3
De R1 (rengln 1) tenemos:
x1 1 x 2 1 x3 1
4
4
100
x1 1 3 1 1 1
4
4
x1 1 3 1
4
4
x1 2
x1 2
x3 1
x 2 3
- Resumen:
1) Eliminacin de Gauss Jordan:

Se reduce la matriz aumentada a su forma escalonada reducida por
renglones.
2) Eliminacin gaussiana:
Se reduce la matriz aumentada a su forma escalonada por renglones, se
despaja el valor de la ltima incgnita y se usa la sustitucin hacia atrs para
hallar el valor de las dems incgnitas.
- Solucin de sistemas de ecuaciones lineales con nmero infinito de soluciones:
Hasta ahora hemos resuelto sistemas de ecuaciones lineales cuadrados (2 x 2 y

3 x 3).
Para el estudio de sistemas de ecuaciones lineales, ya sean, cuadrados o
rectangulares con nmero infinito de soluciones, usaremos el concepto de variable
libre.
- La variable libre:
La variable libre se presenta en un sistema de m ecuaciones lineales con n

incgnitas. Cuando en su matiz aumentada original o cualquiera de sus matrices
equivalentes m x n, se presenta el siguiente caso:
nm a
Donde
aR
a indica el nmero de variables libres, presentes en el sistema.
Algunos autores usan:
nr a
aR
101
Donde r indica el nmero de renglones (ecuaciones) y como sabemos

nmero de columnas (incgnitas).
indica el
Importante: [Slo estudiantes]

El lector que no se ha familiarizado con la notacin matricial puede entenderlo de la
siguiente manera:
nm a
m
n
aR
= Nmero de renglones (filas) = Nmero de ecuaciones.
= Nmero de columnas = Nmero de incgnitas.
En general podemos decir que EXISTEN variables libres, si en un sistema de

ecuaciones el nmero de incgnitas es mayor que el nmero de ecuaciones.
nm
SIEMPRE que el sistema de ecuaciones presente variables libres, tiene
nmero infinito de soluciones.
A las variables libres se asignan generalmente las letras a , b , c , o s , t , v .
- Ejemplo demostrativo 1: Solucin de un sistema de 3 ecuaciones lineales con 3

incgnitas y nmero infinito de soluciones.
Sea el sistema:
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
2 x1 7 x 2 12 x3 30
2 4 6 18 1 2 3 9
4 5 6 24 4 5 6 24
2 7 12 30 2 7 12 30
Reduciremos la matriz aumentada por renglones con pivoteo:
102
4 5 6 24
1 2 3 9
2 7 12 30
Elegimos el pivote y lo dividimos entre 4

para hacerlo 1.
3
1 5
6
4
2
3 9
1 2
2 7 12 30

respectivamente.
1 5
4
3
0
94
0
2
3
3
2
9 18
1 5
4
0
1
0 3
4
6
2
2 4
3
3
2

3 y lo sumamos con R .
3
4
1 5
4
0
1
0 0
6
2
2 4
0 0
Hasta
aqu
hemos
realizado
la
eliminacin gaussiana, y podemos usar la
sustitucin hacia atrs.
para hacerlo 1.
Pero continuaremos con la eliminacin de Gauss Jordan.
6
2
2 4

1
4
1 0 1 1
0 1 2 4
NOTE que ya NO podemos realizar

operaciones, puesto que, NO hay pivote.
1 5
4
0
1
Esta ltima matriz aumentada equivale al sistema:
x1
x3 1
x 2 2 x3 4
Tenemos un sistema de 2 ecuaciones con 3 incgnitas.
103
Aplicando el concepto de variable libre, tenemos:
nm a
aR
3 2 1
[1 variable libre]
La variable libre es
x3 a .
Nuestro nuevo sistema es:
x1 1 a
x 2 4 2a
Comprobamos en la primera ecuacin del sistema original.
2 x1 4 x 2 6 x3 18
21 a 44 2a 6a 18
2 2a 16 8a 6a 18
18 18
La solucin es:
x1 1 a
x 2 4 2a
x3 a
Esta solucin se llama solucin general del sistema.
Y representa al conjunto de soluciones del sistema, para cada valor real de
Algunos autores expresan la solucin como:
x3 a .
1 x3 ,4 2 x3 , x3 .
El sistema tiene nmero infinito de soluciones.

NOTA (Importante):
Para cada valor real de
Por ejemplo, si
x3 a , obtenemos una solucin particular del sistema.
a 3 , la solucin particular del sistema es (4, -2, 3).
No debe confundir la solucin nica con la solucin particular. SIEMPRE que

EXISTE variable libre tenemos un nmero infinito de soluciones.
104
Como hemos visto, cuando tenemos nmero infinito de soluciones en un sistema de 3

ecuaciones lineales con 3 incgnitas, los 3 planos que forman el sistema, coinciden en
una recta de interseccin.
TODOS los puntos sobre la recta de interseccin pertenecen a los 3 planos, y
constituyen un conjunto infinito de ternas ordenadas x1 , x 2 , x3 , que satisfacen a las
3 ecuaciones lineales del sistema.
Entonces podemos expresar
x 1 t
1 x3 ,4 2 x3 , x3 , como:
y 4 2t
zt
Que son las ecuaciones paramtricas de la recta de interseccin.

[Interpretacin geomtrica del nmero infinito de soluciones]
Maple:
plot3d([(-1/3)*x-(2/3)*y+3,(-2/3)*x-(5/6)*y+4,(-1/6)*x(7/12)*y+(15/6)],x=0..6,y=3..3,axes=boxed,color=[red,blue,yellow,yellow],scaling=cons
trained,transparency=0,grid=[2,2]);
105
- Ejemplo demostrativo 2: Solucin de un sistema de 2 ecuaciones lineales con 4

incgnitas y nmero infinito de soluciones.
Sea el sistema:
x1 3 x 2 5 x3 x 4 4
2 x1 5 x 2 2 x3 4 x 4 6
1 3 5 1 4
2 5 2 4 6
Reduciremos por renglones por pivoteo y eliminacin de Gauss Jordan.
2 5 2 4 6
1 3 5 1 4

para hacerlo 1.
1 5
1 2 3
2
1 3 5 1 4
Multiplicamos el rengln pivote por -1 y

lo sumamos con R2 .
1 5
1 2 3
2
1
0
1
1
para hacerlo 1.
1 5
1 2 3
2
0 1 8 2 2

1
2
1 0 19 7 2
0 1 8 2 2
NO podemos realizar ms operaciones,

puesto que, NO hay siguiente pivote.
La ltima matriz aumentada equivale al sistema:
x1
19 x3 7 x 4 2
x 2 8 x3 2 x 4 2
Tenemos un sistema de 2 ecuaciones con 4 incgnitas.

106
nm a
aR
42 2
[2 variables libres]
Las variables libres son
x3 a y x4 b , a, b R .
La solucin general, que representa a TODO el conjunto de soluciones del sistema es:
x1 2 19a 7b
x 2 2 8a 2b
x3 a
x4 b
Algunos autores expresan el nmero infinito de soluciones como:
2 19 x3 7 x 4 ,2 8 x3 2 x4 , x3 , x4
NOTA (Importante):
En un sistema de ecuaciones con 1 o varias variables libres cualquiera de las
variables puede ser considerada variable libre, pero, por comodidad elegimos las que
sobran despus de reducir la matriz aumentada a su forma escalonada reducida
por renglones.
- Sistemas de ecuaciones lineales SIN SOLUCIN:
EXISTEN 2 tipos de sistemas de ecuaciones lineales SIN SOLUCIN, estos son:

1) Los sistemas INCONSISTENTES (o sistemas SIN SOLUCIN).
2) Los sistemas INCOMPATIBLES.
- Un sistema de ecuaciones lineales INCONSISTENTE.
Sea el sistema:
2 x 2 3 x3 4
2 x1 6 x2 7 x3 15
x1 2 x 2 5 x3 10
107
0 2 3 4
2 6 7 15
1 2 5 10
Reduciremos por renglones por pivoteo y eliminacin de Gauss Jordan:
2 6 7 15
1 2 5 10
0 2 3 4

para hacerlo 1.
1 3 7 15
2
2
1 2 5 10
0 2
3
4

lo sumamos con R2 .
1 3 7 15
2
2
0 1 3 2 5 2
0
2
3
4
Multiplicamos el rengln pivote por 3 y -2

y lo sumamos con
R1 y
R3 ,
respectivamente.
1 0 8 15
0 1 3
5
2
2
0 0 0 1
Ahora es EVIDENTE que el sistema NO tiene solucin, puesto que, la expresin
0 x1 0 x 2 0 x3 1 ES IMPOSIBLE 0 1 .
El sistema NO TIENE SOLUCIN, es INCONSISTENTE.
108
[Interpretacin geomtrica ninguna solucin]
Maple:
plot3d([(-2/3)*y+(4/3),(-2/7)*x+(6/7)*y+(15/7),(1/5)*x+(2/5)*y+2],x=0..1,y=.9..0.1,axes=boxed,color=[red,blue,yellow,yellow],scaling=c
onstrained,transparency=0.,grid=[2,2]);
- Un sistema de ecuaciones lineales INCOMPATIBLE:
Este tipo de sistemas de ecuaciones lineales SIN SOLUCIN, algunas veces se

presenta al obtener las ecuaciones que describen un problema de la realidad, sobre el
cual, se brinda informacin insuficiente.
Sea el sistema:
x3
x1
x2
x4
3
x5 20
Es un sistema INCOMPATIBLE, es decir, NO EXISTE relacin entre los

componentes de sus ecuaciones y por lo tanto, NO podemos hallar una solucin comn
para sus ecuaciones.
Algunos autores dicen que el sistema, CARECE DE SENTIDO.
109
- Sistemas de ecuaciones lineales homogneos:

El sistema general de ecuaciones lineales m x n se llama sistema homogneo, si
TODAS las constantes b1 , b2 , , bm son CERO.
El sistema homogneo general es:
a11 x1 a12 x 2 ... a1n x n 0

a 21 x1 a 22 x 2 ... a 2 n x n 0
a m1 x1 a m 2 x 2 ... a mn x n 0
Los sistemas de ecuaciones lineales homogneos, tienen 2 tipos de soluciones:

1) Solucin nica:
Llamada solucin trivial o solucin CERO, SIEMPRE es una solucin del
sistema, puesto que, x1 x 2 ... x n 0 SIEMPRE SATISFACE a TODAS
las igualdades de un sistema homogneo 0 0 .
2) Nmero infinito de soluciones:
Conjunto de soluciones, llamadas soluciones NO triviales, incluyen a la
solucin trivial y se presentan cuando EXISTEN variables libres en el sistema.
Importante:
Un sistema de ecuaciones lineales homogneo tiene un nmero infinito de soluciones
si:
nm
[EXISTEN variables libres]
- Ejemplo demostrativo 1: Sistema de ecuaciones lineales homogneo con

SOLUCIN TRIVIAL (solucin nica).
Sea el sistema:
2 x1 4 x 2 6 x3 0
4 x1 5 x 2 6 x3 0
3 x1 x 2 2 x3 0
La matriz aumentada del sistema es:
110
2 4 6 0
4 5 6 0
3 1 2 0
Resolveremos el sistema por eliminacin de Gauss Jordan y pivoteo.
4 5 6 0
3 1 2 0
2 4 6 0

para hacerlo 1.
3
1 5
0
4
2
3
1
2
0
2 4
6 0
Multiplicamos el rengln pivote por -3 y -2

R2 y R3 ,
y lo sumamos con
respectivamente.
3
1 5
0
4
2
0 114 13 2 0
3
0
0 3 2
Elegimos el pivote y lo dividimos entre

11 para hacerlo 1.
4
3
1 5
0
4
2
26
0
0 1
11
3
3
0
0
2

3
y lo sumamos con
2
respectivamente.
R1
y
4
y R3 ,
1 0 16
0
11
0 1 2611 0
0 0 611 0

6 para hacerlo 1.
11
1 0 16
0
11
0 1 2611 0
0
1
0
0

11
26
11
respectivamente.
111
1 0 0 0
0 1 0 0
0 0 1 0
La solucin nica es: (0, 0, 0). La nica solucin del sistema es la solucin trivial.
[Interpretacin geomtrica de la solucin trivial]
Maple:
plot3d([(-1/3)*x-(2/3)*y,(-2/3)*x(5/6)*y,(3/2)*x+(1/2)*y],x=0..10,y=0..10,axes=normal,color=[blue,red,y
ellow],scaling=constrained,transparency=0.6,grid=[2,2]);
- Ejemplo demostrativo 2: Sistema de ecuaciones lineales homogneo con nmero

Sea el sistema:
x1 2 x2 x3 0
3x1 3x2 2 x3 0
x1 11x2 6 x3 0
112
2 1 0
1
3 3 2 0
1 11 6 0
Multiplicamos el rengln pivote por -3 y 1

R2 y R3 ,
y lo sumamos con
respectivamente.
1 2 1 0
0 9 5 0
0 9 5 0
Eliminamos R3 , puesto que, R2 R3 .
1 2 1 0
0 9 5 0
Elegimos el pivote y lo dividimos entre -9

para hacerlo 1.
1 2 1 0
0 1 5
0

lo sumamos con R1 .
1 0 1
0
9
0 1 5 9 0
NO podemos realizar ms operaciones,

puesto que, NO hay siguiente pivote.
El sistema de ecuaciones equivalente a la ltima matriz aumentada es:
x1
1 x3 0
9
x 2 5 x3 0
9
nm a
aR
3 2 1
[1 variable libre]
x3 a .

La solucin general es:
19 x , 59 x , x
3
113
Otra forma de expresar el conjunto de soluciones del sistema es:
x1 1 a
9
x2 5 a
9
x3 a
aR
2.5 Aplicaciones.
- Aplicaciones de los sistemas de ecuaciones lineales (1):
A continuacin se presentan ejercicios resueltos, que muestran la forma en la

que los sistemas de ecuaciones lineales pueden resolver problemas de la realidad.
Ms adelante encontraremos aplicaciones ms especficas como el modelo de producto
insumo de Leontief.
- Ejercicios resueltos (1.2, Stanley I. Grossman, quinta edicin):
30) En un zoolgico hay aves (de 2 patas) y bestias (de 4 patas). Si el zoolgico
contiene 60 cabezas y 200 patas.
Cuntas aves y cuantas bestias viven en l?
Solucin:
Debemos determinar la cantidad de aves y la cantidad de bestias en el zoolgico.

Asignaremos a cada incgnita una variable.
Nmero de aves
Nmero de bestias
x
y
Partiendo de los datos del problema generamos un sistema de ecuaciones lineales.

Consideraciones:
1) TODOS los animales tienen 1 cabeza.

2) El nmero de patas de aves es 2 veces el nmero de aves.
3) El nmero de patas de bestias es 4 veces el nmero de bestias.
114
El sistema de ecuaciones lineales es:
[Condicin cabezas]
[Condicin patas]
x y 60
2 x 4 y 200
(1)
Multiplicando la primera ecuacin de (1) por -2, tenemos:
2 x 2 y 120
2 x 4 y 200
(2)
Sumando la 1ra y 2da ecuaciones de (2), nos queda:
2 y 80
y 40
Sustituyendo en la 1ra ecuacin de (1):
x y 60
x 40 60
x 20
Comprobamos en la 2da ecuacin de (1):
2 x 4 y 200
220 440 200
40 160 200
200 200
En el zoolgico hay:
20 aves.
40 bestias.
34) La compaa Sunrise Porcelain fabrica tazas y platos de cermica. Para cada taza o
plato un trabajador mide una cantidad fija de material y la pone en la maquina que los
forma, de donde pasa al vidriado y secado. En promedio un trabajador necesita 3
minutos para iniciar el proceso de una taza y 2 minutos para un plato. El material para
una taza cuesta 25 c y para un plato 20 c. Se asignan $44 diarios para producir tazas y
platos.
Cuntos deben fabricarse en un da de trabajo de 8 horas en condiciones ideales?
Solucin:
Primero identificamos y definimos las incgnitas.
115
Las incgnitas son el nmero de tazas y el nmero de platos. Asignamos a cada

incgnita una variable.
Nmero de tazas
Nmero de platos
x
y
Generamos un sistema de ecuaciones lineales, partiendo de los datos del problema.

Expresamos 8 horas en minutos y los centavos en unidades enteras de moneda.
El sistema de ecuaciones lineales es:
3 x 2 y 480
[Condicin tiempo]
[Condicin presupuesto]
(1)
.25 x .2 y 44
Multiplicando la segunda ecuacin de (1) por 12, tenemos:
3 x 2 y 480
3 x 2.4 y 528
(2)
.4 y 48
y 120
3 x 2 y 480
3x 2120 480
3x 240
x 80
.25 x .2 y 44
.2580 .2120 44
20 24 44
44 44
En un da de 8 horas en condiciones ideales se fabrican:
80 tazas.
120 platos.
116
Slo MAESTROS, propuesto EXAMEN:

37) Una tienda de helados vende slo helados con soda y malteadas. Se pone 1 oz de
jarabe y 4 oz de helado en un helado con soda; y 1 oz de jarabe y 3 oz de helado en una
malteada. Si la tienda usa 4 galones de helado y 5 cuartos de jarabe al da.
Cuntos helados con soda y cuantas malteadas vende?
[1 cuarto = 32 onzas; 1 galn = 128 onzas]
Solucin:

Nmero de helados con soda
Nmero de malteadas
x
y
Generamos un sistema de ecuaciones, cuidando que las unidades sean homogneas.

[Condicin cantidad de helado]
4 x 3 y 512
[Condicin cantidad de jarabe]
x y 160
(1)
Multiplicando la segunda ecuacin de (1) por 4, tenemos:
4 x 3 y 512
(2)
4 x 4 y 640
y 128
y 128
4 x 3 y 512
4 x 3128 512
4 x 128
x 32
x y 160
32 128 160
160 160
La tienda vende:
32 helados con soda.
128 malteadas.
117
- Aplicaciones de los sistemas de ecuaciones lineales (2):
A continuacin resolveremos paso a paso algunos problemas de la realidad, a

travs de sistemas de ecuaciones lineales, emplearemos TODO lo aprendido hasta
ahora.
La siguiente tabla proporciona al lector una nocin general de cmo ordenar los
datos de un problema real y plantear su correspondiente sistema de ecuaciones (o
matriz aumentada).
x1
x2
x3
a13
a 23
a33
Condicin 1
Condicin 2
Condicin 3
a11
a12
a 21
a31
a 22
a32
Condicin m
a m1
xn
Totales
a1n
a2n
a3n
b1
am2
a m3
b2
b3
a mn
bm
El sistema de ecuaciones lineales generado por la tabla anterior es:
a11 x1 a12 x2 a13 x3 ... a1n xn b1

a21 x1 a22 x2 a23 x3 ... a2 n xn b2
a31 x1 a32 x2 a33 x3 ... a3n xn b3
am1 x1 am 2 x2 am3 x3 ... amn xn bm
a11
a
21
a31

a m1
a12
a 22
a13
a 23
a1n
a2n
a32
a33
a3n
am 2
a m3
a mn
b1
b2
b3
bm
- Ejemplo demostrativo: Un problema de administracin de recursos.
Un departamento de pesca y caza proporciona 3 tipos de comida a un lago que alberga

3 espacies de peces.
Cada pez de la especie 1, consume cada semana un promedio de 1 unidad del alimento
1, 1 unidad del alimento 2 y 2 unidades del alimento 3.
Cada pez de la especie 2, consume cada semana un promedio de 3 unidades del
alimento 1, 4 unidades del alimento 2 y 5 unidades del alimento 3.
118
Cada pez de la especie 3, consume cada semana un promedio de 2 unidades del

alimento 1, 1 unidad del alimento 2 y 5 unidades del alimento 3.
Cada semana se proporcionan al lago 25 000 unidades del alimento 1, 20 000
unidades del alimento 2 y 55 000 unidades del alimento 3.
Si se supone que los peces se comen TODO el alimento.
Cuntos peces de cada especie pueden coexistir en el lago?
Solucin:

Nmero de peces especie 1
x1
x2
x3
Generamos un sistema de ecuaciones lineales, partiendo de los datos del problema:

[Condicin alimento 1]
x1 3 x 2 2 x 3 25000
x1 4 x 2 x3 20000
2 x1 5 x 2 5 x3 55000
1 3 2 25000
1 4 1 20000
2 5 5 55000
Reduccin por renglones por pivoteo y Gauss Jordan:
2 5 5 55000
1 4 1 20000
1 3 2 25000

para hacerlo 1.
1 5
2
1
4
1 3
Multiplicamos el rengln pivote por -1 y lo

sumamos con R2 y R3 .
27500
2
1 20000
2 25000
119
5
1 5
27500
2
2
0 3 2 3 2 7500
1
1
2500
0
2
2
Eliminaremos de la matriz aumentada (equivalente) R2 , ya que, es mltiplo escalar

de R3 , es decir, representan la misma ecuacin.
Observe: R2 3R3 .
La nueva matriz aumentada es:
5
1 5
27500
2
2
0 12 12 2500
1 5
2
0 1
para hacerlo 1.
27500
2
1 5000
lo sumamos con R1 .
1 0 5 40000
0 1 1 5000
El nuevo sistema equivalente es:
x1 5x3 40000
x2 x3 5000
nm a
aR
3 2 1
[1 variable libre]
x3 a .

El conjunto de soluciones del sistema es:
120
x1 40000 5a
x2 5000 a
aR
x3 a
La solucin general del sistema es:
40000 5 x3 ,5000 x3 , x3
Ahora aplicaremos esta solucin a la REALIDAD.
Las consideraciones para que el conjunto de soluciones aplique en la REALIDAD son:
1) No hay peces NEGATIVOS.
2) No hay peces FRACCIONARIOS.
3) Deben coexistir las 3 especies de peces.
Entonces:
40000 5 x3 0
x1 0
5 x3 40000
x1 40000 5 x3
x3 8000
x2 0
5000 x3 0
x3 5000
x2 5000 x3
Ahora sabemos que la poblacin de la especie 3, debe oscilar en el intervalo:
5000,8000
5000 x3 8000
Por ejemplo la solucin particular @ x3 6000 es:
10000,1000,6000
Nota:
El sistema de ecuaciones tiene un nmero infinito de soluciones sin embargo, al

problema REAL slo aplican un conjunto finito de soluciones.
EXISTEN 2 999 posibles valores para
x1 , x 2 , x3 .
121
- Aplicaciones de los sistemas de ecuaciones lineales (3): Modelo de insumo

producto de Leontief.
Este modelo es muy usado en economa y sirve para determinar la relacin de

oferta demanda de una industria.
Suponga un sistema econmico que tiene n industrias.
Existen 2 tipos de demandas en cada industria, la demanda externa, es decir, la
que est fuera del sistema, por ejemplo si el sistema es un pas, las demanda externa
proviene de otro pas; y segundo la demanda interna, por ejemplo la industria
automotriz demanda parte de la produccin de la industria de acero.
Suponga que
ei
representa la demanda externa ejercida sobre la i-sima
a ij
industria. Suponga que
representa la demanda interna que la j-sima industria
ejerce sobre la i-sima industria. De manera concreta,
a ij
representa el nmero de
unidades de produccin de la industria i que se necesitan para producir una unidad de la

industria j.
Sea xi la produccin de la industria i. Ahora suponga que la produccin de cada
industria es igual a su demanda (NO hay sobre produccin, NI sobre demanda). La
demanda total es igual a la suma de las demandas internas y externas.
Por ejemplo, para calcular la demanda interna de la industria 2 se observa que la
industria 1 necesita
a21
unidades de produccin de la industria 2 para producir una
unidad de produccin (producto) propia. Si la produccin de la industria 1 es x1 ,

entonces a21 x1 es la cantidad total (de unidades de produccin) que necesita la
industria 1 que produzca la industria 2.
As, la demanda interna total sobre la industria 2 es:
a 21 x1 a 22 x 2 ... a 2 n x n
Al igualar la demanda total a la produccin de cada industria se llega al siguiente
sistema de ecuaciones.
a11 x1 a12 x2 ... a1n xn e1 x1

a21 x2 a22 x2 ... a2 n xn e2 x2
an1 x1 an 2 x2 ... ann xn en xn
122
O bien:
1 a11 x1 a12 x2 ... a1n x n e1

a 21 x1 1 a 22 x 2 ... a 2 n x n e2
a n1 x1 a n 2 x 2 .... 1 a nn x n en
Este ltimo sistema es muy importante en el anlisis econmico.

- Ejemplo demostrativo: Modelo de insumo producto de Leontief aplicado a un
sistema econmico con 3 industrias.
Suponga que las demandas externas en un sistema econmico con 3 industrias son 10,
25 y 20, respectivamente.
Suponga que
a11 .2 ,
a12 .5 ,
a13 .15 ,
a 21 .4 ,
a 22 .1 ,
a 23 =.3,
a31 .25 , a32 .5 , a33 .15 . Encuentre la produccin de cada industria de modo que la
oferta sea exactamente igual a la demanda.
Solucin:
En este caso n = 3, 1 a11 .8 , 1 a 22 .9 , 1 - a33 .85 , el sistema es:

.8 x1 .5 x 2 .15 x3 10
.4 x1 .9 x 2 .3x3 25
.25 x1 .5 x 2 .85 x3 20
Al resolver el sistema por el mtodo de eliminacin de Gauss Jordan y trabajando
con 5 decimales tenemos:
1 0 0 110.30442
0 1 0 118.74070
0 0 1 125.81787
Por lo tanto, la produccin necesaria para que la oferta sea (aproximadamente) igual a la
demanda es:
x1 110
x2 119
x3 126
123
- Ejercicios resueltos (1.3, Stanley I. Grossman, quinta edicin):

Slo MAESTROS, propuesto EXAMEN.
38) Un viajero que acaba de regresar de Europa gast 30 diarios en Inglaterra, 20
diarios en Francia y 20 diarios en Espaa por concepto de hospedaje. En comida gast
20 diarios en Inglaterra, 30 diarios en Francia y 20 en Espaa. Sus gastos
adicionales fueron de 10 diarios en cada pas.
Los registros de viajero indican que gasto en total 340 en hospedaje, 320 en comida
y 140 en gastos adicionales.
Calcule el nmero de das que paso en cada pas o demuestre que los registros son
incorrectos debido a que las cantidades gastadas NO son compatibles una con la otra.
Solucin:
Nmero de das en Inglaterra.
x1
Nmero de das en Francia.
x2
Nmero de das en Espaa.
x3
Partiendo de los datos del problema, generamos un sistema de ecuaciones.

[Condicin Hospedaje]
[Condicin Comida]
[Condicin Adicionales]
30 x1 20 x 2 20 x3 340
20 x1 30 x 2 20 x3 320
10 x1 10 x 2 10 x3 140
Simplificaremos el sistema, dividiendo cada rengln entre 10.
3x1 2 x2 2 x3 34
2 x1 3x2 2 x3 32
x1 x 2 x3 14
3 2 2 34
2 3 2 32
1 1 1 14

para hacerlo 1.
124
34
3
32
14
1 2
3
3
2
1 1
1 2
3
5
0
3
0 13
34
3
28
2
3
3
8
1
3
3
1 2
3
0 1
0 13
34
3
28
2
5
5
8
1
3
3
3
2
1
Multiplicamos el rengln pivote por -2 y -1

R2 y R3 ,
y lo sumamos con
respectivamente.
Elegimos el pivote y lo dividimos 5
entre
para hacerlo 1.
y 1 y lo sumamos con R1
3
respectivamente.
3
y R3 ,
114
1 0 6
15
15
28
2
0 1
5
5
4
0 0 15
5
Esta vez emplearemos la eliminacin gaussiana.
El sistema equivalente es:
x1
6 x3 114
15
15
x 2 2 x3 28
5
5
1 x3 4
5
5
Entonces:
x3 4
Usando la sustitucin hacia atrs, tenemos:
x1 114 6 4
15 15
x1 6
125
x 2 28 2 4
5
5
x2 4
La solucin nica es:
6,4,4 .
Respuesta:
El viajero pas 6 das en Inglaterra, 4 das en Francia y 4 das en Espaa.
Slo MAESTROS, propuesto PUNTO EXTRA/CLASE o EXAMEN:

40) Un agente secreto sabe que 60 equipos areos, que consisten en aviones de combate
y bombarderos, estn ocultos en cierto campo areo. El agente quiere determinar
cuantos de los 60 equipos son aviones de combate y cuantos bombarderos.
Existe un tipo de cohete que llevan ambos aviones; el de combate lleva 6 y el
bombardero 2.
El agente averigua que se requieren 250 cohetes para armar todos los aviones; y que se
tiene el doble de aviones de combate que de bombarderos.
Calcule el nmero de aviones de combate y bombarderos o muestre que la informacin
es incorrecta.
Solucin:

Nmero de aviones de combate.
x1
Nmero de bombarderos.
x2
Partiendo de los datos del problema, generamos un sistema de ecuaciones.

[Condicin cantidad de aviones]
[Condicin cantidad de bombarderos]
2 x1 x 2 60
6 x1 2 x 2 250
2 1 60
3 1 125
126
3 1 125
2 1 60

para hacerlo 1.
Multiplicamos el rengln pivote por -2 y lo

sumamos con R2 .
1 125
3
3
1
60
125
1
3
3
1 70
3
3
En este punto nos es claro que la informacin del agente es FALSA, puesto que, la
cantidad de bombarderos NO puede ser -70.
NOTA: El sistema presenta solucin nica, pero, el problema REAL es inconsistente
(SIN SOLUCIN).
127
UNIDAD 3: Matrices y determinantes.

Introduccin:
El estudio de matrices y vectores es el corazn del lgebra lineal.
Su estudio comenz son Sir William Hamilton (1805 1865), que buscaba una
nueva forma de representar objetos en el plano y en el espacio, a estos nuevos
elementos les llamo cuaterniones, nombre genrico puso a lo que hoy es un vector en
R 4 , con 3 dimensiones de longitud y 1 dimensin de tiempo (r = x, y, z , t ).
Esta nocin se desarrollo hasta la teora de vectores que conocemos hoy.
Sus cuaterniones, al final del siglo 19 an NO eran aceptados. Hoy casi todas
las ramas de la fsica clsica y moderna, as como la geometra analtica en el espacio
(clculo multivariable), se representan con vectores.
Antecedentes:
Vector: Cantidad que tiene asociada una magnitud, direccin y sentido.
Vector en R 2 :
Un vector v en el plano xy es un par ordenado de nmeros

reales a y b , llamados componentes del vector v.
Se representa como:
v = < a, b >
De forma general podemos decir, que cualquier punto en el plano se puede representar
como un par ordenado (Cartesiano rectangular o polar).
a, b
Y este par ordenado es el extremo de un vector de posicin:
r = < a, b >
128
Representacin punto vector en R 2 :
Vector en R 3 :
Terna ordenada de nmeros reales (a, b, c), llamados

componentes del vector v, que se representa:
v = a , b, c
Interpretacin geomtrica del vector general v en
R3 :
Importante:
En general TODO punto (a, b, c,, n) de R n se puede representar como un vector de
posicin de la forma:
v=
a, b, c,..., n
129
3.1 Definicin de matriz, notacin y orden.

Primero adaptaremos el concepto de vector a una nueva notacin (forma de escritura),
llamada notacin matricial.
Definicin 1:
- Vector rengln de n componentes:
Se define a un vector rengln de n componentes como el conjunto ordenado de n
nmeros (reales o complejos) escritos en la forma:
O bien:
a1
a2 an
a1
a2 an
Definicin 2:
- Vector columna de n componentes:
Se define a un vector columna de n componentes como el conjunto ordenado de n
nmeros (reales o complejos) escritos en la forma:
a1

a2

a
n
o bien
a1
a
2

a n
- Componentes de un vector:
En general a1 ser la primera componente, y as sucesivamente hasta a k (k-sima
componente) y a n (n-sima componente).
- Notacin matricial (Ejemplos demostrativos):

1) [3, 6]
Vector rengln (2 vector).
2
2) 1
5
Vector columna (3 vector).
3) 2 1 0 4
Vector rengln (4 vector).
130
0
0
4)
0

0
Vector columna (vector nulo o vector CERO).
Advertencia (Stanley I. Grossman, lgebra lineal, quinta edicin):

La palabra ordenado en la definicin de un vector es esencial.
Dos vectores con los mismos componentes, escritos en diferente orden, NO son
iguales.
As, los vectores:
2 y 2 1
NO son iguales.
Los vectores surgen de diferentes maneras, NO slo de relaciones geomtricas.

Suponga que el jefe de compras de una fbrica ordena diferentes cantidades de acero,
aluminio, aceite y papel.
Para mantener el control de las cantidades a ordenar, puede ocupar un solo vector.
10
30

15

60
El vector nos indica 10 unidades de acero, 30 de aluminio, etc.
Es evidente que:
10
30

15

60
30
15

60

10
Tienen diferente significado.
Los vectores generales pueden tener componentes reales o complejas.

Se denota al conjunto de los nmeros reales por R y al de los nmeros
complejos por C .
131
- El espacio
Rn
(Campo real):
Se usa el smbolo
Rn
a1
a
para denotar al conjunto de TODOS los n vectores 2 ,

a n
donde cada a i es un nmero real.

n
- El espacio C (Campo complejo):

Se usa el smbolo C
donde cada
ci
c1
c
para denotar al conjunto de TODOS los n vectores 2 ,

c n
es un nmero complejo.
- Definicin de matriz:
Una matriz A de m x n es un arreglo rectangular de mn nmeros dispuestos en m
renglones (filas) y n columnas.
a11
a
21

A
ai1

am1
a12
a1 j
a 22
a2 j
aij
amj
ai 2
am 2
a1n
a 2 n

ain

a mn
[Matriz general de m x n]
- Renglones y columnas de una matriz:

El vector rengln
ai1
ai 2 ain se llama rengln i.
a1 j
a
2j
El vector columna se llama columna j.

a mj
132
- Componentes (elementos) de la matriz A:

El componente o elemento
ij
de A, denotado por
a ij , es el nmero del rengln i
la columna j.
Importante:
A menos que se indique lo contrario los componentes de una matriz A, sern
considerados nmeros reales.
- Matriz cuadrada:
Si A es una matriz m x n, donde m = n, entonces A se llama matriz cuadrada.
- Matriz CERO:
Una matriz m x n, cuyos componentes (elementos) son TODOS CERO, se llama
matriz CERO de m x n.
- Orden de una matriz:
El orden (o tamao) de una matriz es una descripcin de los nmeros de renglones y
columnas que tiene.
As el orden de una matriz m x n es, en efecto, m por n, es decir, su tamao es m
renglones por n columnas.
Una matriz cuadrada tiene orden n, puesto que, m = n.
Una matriz de 1 x n se conoce como matriz rengln (o vector rengln).
Una matriz de m x 1 se conoce como matriz columna (o vector columna).
Importante: Los vectores son casos especiales de matrices.
- Ejemplo demostrativo 1: Orden de una matriz.
1 3
a)
4 2
Matriz cuadrada de 2 x 2.
1 3
b) 4
0
1 2
Matriz de 3 x 2.
1 4 1
c)
3 0 2
Matriz de 2 x 3.
133
1 6 2
d) 3 1
4
2 6 5
Matriz cuadrada de orden 3 (o 3 x 3).
0 0 0 0
e)
0 0 0 0
Matriz CERO de 2 x 4.
- Ejemplo demostrativo 2: Localizacin de las componentes de una matriz.

Encuentre las componentes a12 , a31 y a 22 de la matriz:
1 6 4
A 2 3 5
7 4 0
Asociemos A con una matriz general de 3 x 3:
a11
a
21
a31
a12
a22
a32
a13
a23
a33
La componente a12 (rengln 1, columna 2) es 6.
1 6 4
2 3 5
7 4 0
Rengln 1
Columna 2
La componente a31 (rengln 3, columna 1) es 7.
1 6 4
A 2 3 5
7 4 0
Rengln 3
Columna 1
134
La componente a 22 (rengln 2, columna 2) es -3.
1 6 4
A 2 3 5
7 4 0
Rengln 2
Columna 2
- Igualdad de matrices:
2 matrices
A a ij y B bij son iguales, si son del mismo tamao (orden) y las
componentes correspondientes son iguales ( a ij
bij ).
- Ejemplo demostrativo: Matrices iguales y matrices distintas.

a)
4 1 5
A
2 3 0
1
2 3
3 1
B
1 1 4 1 6 6
Son iguales, ambas son de 2 x 3 y sus componentes correspondientes son iguales.
AB
b)
2 0
A
1 3
0 2
B
1 3
NO son iguales, tienen el mismo orden 2 x 2, pero, los componentes correspondientes

NO son TODOS iguales.
A B
c)
1 0
A
0 1
1 0 0
B
0 1 0
NO son iguales, A es de orden 2 x 2 y B de 2 x 3.
A B
Las matrices y los vectores surgen en muchas situaciones prcticas.
135
- Ejemplo demostrativo: Matriz como arreglo numrico descriptivo.

Un concesionario de V. W. tiene en existencia, en una de sus sucursales:
Bora
Golf
Jetta
Pointer
Polo
5
2
3
7
1
Y las representa como matriz columna.
5
2

3

7
1
Si el concesionario tiene 5 sucursales con los mismos productos y diferentes existencias.
Podemos generar una matriz Q que describa las existencias de los 5 productos en las 5
sucursales:
5 10 0 1 0
2 2 3 1 1
Q 3 1 2 2 6
7 0 1 1 7
1 0 1 1 2
Por esta razn los componentes de una matriz tambin se denominan entradas.
3.2 Operaciones con matrices (suma, resta, producto, producto de un escalar por
una matriz).
- Suma de matrices:
Sean
A a ij
B bij
2 matrices m x n. Entonces la suma de A y B es la
matriz m x n, A B dada por:
a11 b11
a b
A B aij bij 21 21
am1 bm1
a12 b12
a22 b22
am 2 bm 2
a1n b1n
a2 n b2 n
amn bmn
136
Es decir, A B es la matriz m x n que se obtiene al sumar las componentes

correspondientes de A y B.
Advertencia: La suma de 2 matrices est definida slo cuando las matrices son del
mismo orden (tamao).
As, por ejemplo, NO es posible sumar las matrices:
1 0
2 5
4
7
1

2
3

1 2 3
4 5 6
O las matrices:
1

2
Tampoco se pueden sumar las matrices:
1
3

1 3
Se dice que las matrices que NO se pueden sumar son incompatibles (o inconformes)
bajo la suma.
- Ejemplo demostrativo: Suma de matrices.
1 4 2 2 2 3 3 1 2 6 1 3
3 1 0 1 1 5 0 1 4 4 1 9
Recuerde: Slo se pueden sumar matrices del mismo orden.
- Multiplicacin de una matriz por un escalar:

Escalar: Magnitud que queda completamente definida por un nmero real.
Si
A a ij es una matriz de m x n y si c
es un escalar, entonces la matriz m x n,
cA , est dada por:
137
ca11 ca12 ca1n

ca
ca22 ca2 n
21
cA caij

cam1 cam 2 camn
Es decir, cA ca ij
A a ij por c .
es la matriz obtenida al multiplicar cada componente de
Importante:
Si cA B bij y
bij ca ij
para
i 1,2,..., m
j 1,2,..., n . Podemos decir
que A y B son mltiplos escalares.

- Ejemplo demostrativo: Mltiplos escalares de matrices.
Sea la matriz original:
1 3 4 2
A 3
1 4 6
2 3 5 7
2 6 8 4
2A 6
2 8 12
4 6 10 14
4
2
1
1
3
3
3
1 A 1 1 4
2
3
3
3
5
7
2
1
3
3
3
0 0 0 0
0A 0 0 0 0
0 0 0 0
- Resta de matrices:
La matriz 1A se escribe
A.
y se denomina negativa de A, A negativa o menos
138
Partiendo de este hecho si A y B son 2 matrices del mismo orden, entonces:
A B A B
- Ejemplo demostrativo: Resta de matrices.
Sean 2 matrices del mismo orden (ambas de m x n):
1 4 0
A
2 6 5
3 1 1
B
3 0 2
1 4 0 3 1 1 1 4 0 3 1 1 4 3 1
A B
2 6 5 3 0 2 2 6 5 3 0 2 5 6 3
El resultado se obtuvo restando las componentes correspondientes de B a A, es decir,
A B aij bij
- Propiedades de la suma (resta) y multiplicacin por un escalar para matrices:
Sean A, B y C matrices de m x n; y a, b y c escalares.
1) A + 0 = 0 + A = A
2) OA = 0
3) A + B = B + A
4) A A = -A + A = 0
5) A + B + C = (A + B) + C = A + (B + C)
6) c(A+ B) = cA + cB
7) (1)A=A
8) (a + b)A = aA + bA
Sugerencia: (Slo MAESTROS)

Puede en este punto aplicar la auto-evaluacin 1.5 (lgebra Lineal, Stanley I.
Grossman, quinta edicin, pp. 56).
139
- Ejercicios resueltos (1.5, lgebra Lineal, Stanley I. Grossman, quinta edicin).

44) Considera la grfica que une los puntos de la figura. Construya una matriz de 4 x 4
que tenga la propiedad aij 0 si el punto i NO est unido por una lnea con el punto j, y
aij 1 si el punto i est unido por una lnea con el punto j.
Solucin:
Generamos una matriz con las condiciones dadas:
0
1
1
0
1
0
1
1
0
1
0
0
1
a11
a
21
a31
a 41
a12
a 22
a13
a 23
a32
a33
a 42
a 43
a14
a 24
a34
a 44
El punto
a34 a43
nos indica que el punto 3 SI est unido con el punto 4.
El punto
a41 a14
nos indica que el punto 4 NO est unido con el punto 1.
Nota: Se considero que ningn punto est conectado consigo mismo,
aii
a jj
son
CERO ( a11 a 22 a33 a 44 0 ).
Slo MAESTROS, propuesto ACTIVIDAD EN CLASE.

45) Construya una matriz de 5 x 5 que represente a la figura. Considere aij 0 si el
punto i NO est unido por una lnea con el punto j, y aij 1 si el punto i est unido por
una lnea con el punto j.
140
Solucin:
0
1
1
0
1 0 1 0
0 1 1 0
1 0 0 1
1 0 0 0
0 1 0 0
- Producto de matrices:
El lector puede pensar que el producto de 2 matrices de m x n, A aij
B bij es la matriz m x n cuya componente ij es aij bij . Sin embargo para casi todas
las aplicaciones importantes se necesitan otro tipo de productos de matrices.
A continuacin explicaremos 2 diferentes productos de matrices:
1) El producto escalar.
2) El producto matricial.
- Producto escalar (producto punto):

a11
b11
a
b
21
Sean a
y b 21 2 vectores (matrices).

a m1
bm1
El producto escalar (o producto punto) de a y b, denotado a b est dado por:

a b = a11b11 a 21b21 ... a m1bm1
Este producto tambin se llama producto punto o producto interno de 2 vectores

(matrices).
Importante:
El producto punto de 2 vectores (matrices) SIEMPRE es un escalar, es decir, un

nmero del conjunto de los reales R .
Advertencia: Para realizar el producto punto de 2 vectores (matrices) a y b.
Los vectores a y b deben tener el mismo nmero de componentes.
141
Con frecuencia se tomar el producto punto (o producto escalar) de un vector

rengln de 1 x n y un vector columna de n x 1.
a b = a1
a2
b1
b
a n 2 a1b1 a 2 b2 a n bn

bn
Importante:
El producto escalar slo est definido para matrices rengln de 1 x n (vectores) y

para matrices columna de n x 1 (vectores).
Y se puede realiza SIEMPRE que las matrices rengln o matrices columna
(vectores), tengan el mismo nmero de componentes.
- Ejemplo demostrativo 1: Producto escalar de 2 vectores.
Sean
1
a = 2
3
3
b = 2
4
a b = 13 2 2 34 19
- Ejemplo demostrativo 2: Producto escalar de 2 vectores.
Sean
a = 2 3 4 6
1
2
b=
0

3
a b = 21 32 40 63 22
- Ejemplo demostrativo 3: Producto escalar de un vector de demanda y un vector

de precios.
Suponga que un fabricante produce 4 artculos. Su demanda est dada por el vector
demanda:
142
d=
30
20 40 1014
Y los precios de cada artculo por el vector precio:
p=
20
15

18

40 41
Si se cumple la demanda. Cul es la ganancia neta?

Solucin:
Es claro que el resultado es el producto punto:

p d = 3020 2015 4018 1040 2020
- Propiedades del producto punto:
Sean a, b y c, 3 n vectores y sea c un escalar.

1) a 0 = 0
2) a b = b a
3) a (b + c) = a b + a c
Y tambin: a (b - c) = a b - a c
4) ( c a) b = a ( c b) = c (a b)
- Producto matricial: Producto de 2 matrices m x n y n x p.
Sea A aij una matriz m x n y B bij una matriz n x p. Entonces el producto
(producto matricial) de A y B es una matriz m x p, C cij , donde:
cij
(Rengln i de A) (Columna j de B)
Es decir, el elemento ij de AB es el producto punto del regln i de A y la columna j

de B. Si esta idea se desarrolla se tiene:
143
cij ai1b1 j ai 2b2 j ainbnj

Importante:
Si el nmero de columnas de A, es igual al nmero de renglones de B. Se dice que A y

B son compatibles (conformes) bajo la multiplicacin.
De otro modo la operacin NO se puede realizar.
Advertencia:
2 matrices se pueden multiplicar slo si A es m x n y B es n x p, es decir, si el nmero

de columnas de A, es igual al nmero de renglones de B.
se forman por productos punto, entre
Esto es porque los componentes de C cij

renglones de A y columnas de B.
Y el producto punto slo se define si las 2 matrices (vectores) tienen el mismo

nmero de componentes, esto es:
m nn p m p
Aclararemos esto con lgebra y despus con ejemplos numricos.
- Ejemplo demostrativo 1: Producto de 2 matrices generales.

Sean:
a11
A a21
a31
a12
a22
a32 3 x 2
b
b
B 11 12
b21 b22
b13
b23
b14
b24 2 x 4
Solucin:
Podemos realizar la operacin, puesto que, se cumple

ser una matriz m p .
m nn p . El resultado AB
Procedimiento:
La matriz C cij se forma:
c11 a11
b
a12 11 a11b11 a12 b21
b21
144
a11
a
21
a31
a12
b
b
a 22 11 12
b
b
a32 3 x 2 21 22
c12 a11
a11
a21
a31
Recuerde:
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
b13
b23
3 x 4
c11
b14

b24 2 x 4
b
a12 12 a11b12 a12 b22
b22
b13
b23
c11 c12
b14

b24 2 x 4
3 x 4
cij es el producto punto del rengln i de A y la columna j de B.
Y repetimos en procedimiento:
c13 a11
a11
a
21
a31
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
c14 a11
a11
a
21
a31
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
b
a12 13 a11b13 a12 b23
b23
b13
b23
c11 c12
b14

b24 2 x 4
c13
3 x 4
b
a12 14 a11b14 a12 b24
b24
b13
b23
c11 c12
b14

b24 2 x 4
c13
c14
3 x 4
Haremos lo mismo con el 2 rengln de modo que:
b
c23 a21 a22 13 a21b13 a22b23
b23
145
a11
a
21
a31
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
b13
b23
c11 c12
b14
c21 c22
b24 2 x 4
c13
c23
c14
3 x 4
Seguiremos esta secuencia hasta hallar la componente:
b
c34 a31 a32 14 a31b14 a32b24
b24
a11
a
21
a31
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
b13
b23
c11 c12
b14
c21 c22
b24 2 x 4
c31 c32
c13
c23
c33
c14
c24
c34 3 x 4
En efecto, la matriz AB es de 3 x 4.
- Ejemplo demostrativo 2: El producto matricial NO es conmutativo.
Sean:
1 3
A
2 4
3 2
B
5 6
Halle AB y BA:
1 3 3 2
C1 AB
2 4 5 6
3
c11 1 3 13 35 18
5
2
c12 1 3 1 2 36 16
6
3
c 21 2 4 2 3 4 5 14
5
2
c 22 2 4 2 2 4 6 28
6
146
18 16
C1
14 28
3 2 1 3
C 2 BA
5 6 2 4
98 7
1
3 4
C2
5 12 15 24 7 39
C1 C 2
Importante: Generalmente el producto de matrices NO es conmutativo. Tambin
puede ocurrir que AB este definido, pero, BA NO lo este.
- Ejemplo demostrativo 3: El producto de una matriz 2 x 3 y una 3 x 4 esta

definido, pero, el producto de una matriz 3 x 4 y una 2 x 3 NO.
Sean:
2 0 3
A
4 1 5 2 X 3
7 1 4 7
B 2
5 0 4
3 1 2 3 3 X 4
Calcule AB y BA.
7 1 4 7
2 0 3
5
0
4
C1 AB
2
4 1 5 3 1 2 3
La operacin se puede realizar, ya que, el nmero de columnas de A es igual al nmero

de renglones de B.
Entonces cada producto punto que define al componente
7
c11 2 0 3 2 23
3
cij de C1 AB
EXISTE.
1
c12 2 0 3 5 5
1
147
4
c13 2 0 3 0 2
2
7
c 21 4 1 5 2 15
3
c 23
4
4 1 5 0 26
2
7
c14 2 0 3 4 5
3
c 22
c 24
1
4 1 5 5 6
1
7
4 1 5 4 39
3
23 5 2 5
C1
15 6 26 39 2 X 4
7 1 4 7
2 0 3
5 0 4
C2 BA 2
4 1 5
3 1 2 3
El producto matricial C 2 BA NO EXISTE, puesto que, los productos punto que
definen al componente
cij de C 2 BA , NO estn definidos.
- Ley asociativa para la multiplicacin de matrices:
Sea A aij una matriz de m x n, B bij una matriz de n x p y C cij una

matriz de p x q, tenemos:
ABC ABC AB C
As, ABC es una matriz de m x q.
Suponga que los productos matriciales AB, BC y CD estn definidos. Entonces:
ABCD ABCD AB C D ABC D AB CD
148
- Leyes distributivas para la multiplicacin de matrices:
Si TODAS las sumas y TODOS los productos siguientes estn definidos, entonces:
AB C AB AC
A B C AC BC
- Ejemplo demostrativo 4: Aplicacin de la multiplicacin de matrices.
Observacin: En el siguiente ejemplo note la importancia de la matriz m x p, resultado
de la multiplicacin de 2 matrices m x n y n x p.
Valeria y Carlos son estudiantes y comparten un departamento, deben elegir en que

supermercado es ms conveniente realizar las compras. Cada uno de ellos comprar
diferentes cantidades de los mismos artculos. Ocuparemos matrices para tener una
visin clara del problema y sus soluciones.
Tabla de compras:
Valeria
Carlos
Manzanas
6
4
Toronjas
3
8
Naranjas
10
5
Tablas de precios por unidad:
Manzanas
Toronjas
Naranjas
S Market
.10
. 40
.10
Maushan
.15
.30
.20
Solucin:
Si Valeria compra en S Market, gastar:
6.1 3.4 10.1 2.80

Si Valeria compra en Maushan, gastar:
6.15 3.3 10.2 3.80

Si Carlos compra en S Market, gastar:
4.1 8.4 5.1 4.10

Si Valeria compra en Maushan, gastar:
149
4.15 8.3 5.2 4.00

Note que el problema se resolvi con productos punto. Entonces podemos generar 2
matrices. Una matriz de demanda (D) y una matriz de precios (P). Su producto
matricial nos entregar una visin ms clara de la solucin.
6 3 10
D
4 8 5 2 X 3
.1 .15
P .4 .3
.1 .2 3 X 2
2.80 3.80
PD
4.10 4.00 2 X 2
La siguiente tabla interpreta la matriz m x p obtenida:
Valeria
Carlos
S Market
2.80
4.10
Maushan
3.80
4.00
Conclusin:
Valeria debe comprar en S Market.
Carlos debe comprar en Maushan.
- Forma matricial de un sistema de ecuaciones lineales:
La multiplicacin de matrices tiene una aplicacin importante a los sistemas de

ecuaciones lineales.
Considere un sistema general de m ecuaciones lineales con n incgnitas.
a11 x1 a12 x 2 a13 x 3 ... a1 n x n b1

a 21 x1 a 22 x 2 a 23 x 3 ... a 2 n x n b 2
a 31 x1 a 32 x 2 a 33 x 3 ... a 3 n x n b3
a m 1 x1 a m 2 x 2 a m 3 x 3 ... a mn x n b m
Como 2 matrices son iguales si y slo si sus elementos correspondientes son iguales,
podemos sustituir al sistema de ecuaciones lineales con la siguiente ecuacin
matricial.
150
a11 x1 a12 x 2 a13 x3 ... a1n x n b1

a x a x a x ... a x b
22 2
23 3
2n n
21 1
2

a m1 x1 a m 2 x 2 a m3 x3 ... a mn x bm
La matriz m x 1 del lado izquierdo de la ecuacin matricial se puede escribir como el
producto de 2 matrices.
a11
a
21

a m1
a1n x1 b1
a 2 n x2 b2

a mn xn bm
a12
a 22
am 2
Si estas matrices se designan por

matricial.
A , x y b respectivamente, tenemos la ecuacin

Ax=b
Donde
se llama matriz de coeficientes.
La matriz aumentada del sistema se obtiene haciendo a b la ltima columna (extra) de

A.
a11
a
A b 21

am1
a12
a 22
am 2
a1n
a2 n
amn
b1
b2
bm
Como sabemos podemos ocupar el mtodo de eliminacin de Gauss Jordan o

eliminacin gaussiana, para resolver el sistema de ecuaciones lineales.
3.3 Clasificacin de las matrices (triangular superior, triangular inferior, diagonal,

escalar, identidad, potencia, nilpotente, idempotente, transpuesta, simtrica,
antisimtrica, compleja, conjugada, hermitiana y ortogonal).
Sea
la matriz general de m x n. Tenemos:
151
a11
a
A 21

am1
Cada componente
a ij
a12
a22
am 2
a1n
a2 n

amn mXn
puede ser llamado entrada.
Las entradas diagonales de
son:
a11 , a22 , a33 ,..., amm , ann

Y si m = n,
es una matriz cuadrada.
a11
a
21
a31
a12
a 22
a32
a13
a 23
a33 3 X 3
[Matriz cuadrada de 3 x 3]
Una matriz cuadrada cuyas entradas NO diagonales sean TODAS CERO se

denomina matriz diagonal.
1 0 0
0 3 0
0 0 5 3 X 3
[Matriz diagonal de 3 x 3]
Una matriz diagonal en la que TODAS sus entradas diagonales son iguales, se llama
matriz escalar.
4
0
0 0 0
4 0 0
0 4 0
0 0 4 4 X 4
[Matriz escalar de 4 x 4]
152
Entienda el significado de matriz escalar:
1
0
4
0
0 0 0
1 0 0
0 1 0
0 0 1
[Diagonal
Principal]
Si el escalar de la diagonal principal es 1 (evidentemente el escalar que define la

matriz escalar es 1), la matriz escalar se llama matriz identidad.
1
0
I
0
0
1
0
0
0
0
1
0
0
0
0
1 4 X 4
[Matriz identidad de 4 x 4]
Podemos representar a la matriz identidad de orden n x n (o slo orden n), como

- Matriz identidad de orden n
In .
I n :
La matriz identidad de orden n (n x n), I n , es una matriz cuadrada, cuyos

elementos de la diagonal principal son 1 y TODOS los dems CERO.
Esto es:
I n bij , donde
bij
1 0 0
I 3 0 1 0
0 0 1 3 X 3
i=j
i j
1
0
I 5 0
0
0
0 0 0 0
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1 5 X 5
Generalmente slo se escribe I .

Si A es una matriz m x n y como sabemos
Entonces:
In
es una matriz n x n (o m x m).
153
AI n A
Im A A
y
En aritmtica matricial la matriz identidad
I n se asemeja al 1.
Nota: Las matrices pueden y deberan ser consideradas como formaciones, tanto de
vectores rengln, como de vectores columna, muchas de las convenciones y
operaciones vlidas para vectores lo son para matrices.
- Matrices triangular superior y triangular inferior:
Una matriz cuadrada se llama triangular superior (inferior) cuando TODAS sus
componentes abajo (arriba) de la diagonal principal son CERO.
a ij est debajo de la diagonal principal si:
i j
a ij est arriba de la diagonal principal si:
i j
a) Las matrices U y V son triangulares superiores.
2 3 5
U 0 1 6
0 0 2
1 5
V
0 2
b) Las matrices L y M son triangulares inferiores.
0 0
L
5 0
2
5
M
6
0
4
1
0
0
0
2
1
0
0
0
Nota: La eliminacin gaussiana para resolver el sistema A x = b da como resultado

una matriz triangular superior, ya que, la eliminacin gaussiana termina
cuando la matriz A est en su forma escalonada por renglones. Y la forma

escalonada por renglones de una matriz cuadrada es triangular superior.
154
- Potencias de una matriz (matriz potencia):
Cuando A y B son 2 matrices de n x n, su producto AB es una matriz de n x n. Un

caso especial se presenta cuando A = B . Tiene sentido definir A 2 AA y, en general,
k
definir A como:
A K AA... A
Si k es un entero positivo.
De esta forma
A1 A , y A 0 I n .
Si A es una matriz cuadrada y, r y s son enteros NO negativos, entonces:

1)
Ar As Ar s
2)
r s
A rs
- Matriz idempotente:
La matriz A n x n (cuadrada) es idempotente si:
A2 A
Nota: La palabra idempotente proviene del latn idem que significa lo mismo y
potere que significa tener potencia.
- Ejemplo demostrativo: 4 matrices idempotentes de 2 x 2.
1 0
0 1
1) I
Comprobacin:
1 0 1 0 1 0 1 0
I I2
0 1 0 1 0 1
0
1

2 2
2)
1 1
155
Comprobacin:
2 2 2 2 2 2 2 2
1 1 1 1 1 1 1 1
3 3
2 2
3)
Comprobacin:
3 3 3 3 3 3 3 3
2 2 2 2 2 2 2 2
5 15
4)
6
2
Comprobacin:
5 15 5 15 5 15 5 15
2
6 2
6 2
6 2
6
Las 4 matrices anteriores fueron halladas de la siguiente manera:
A2 A
a11
a
21
a12 a11
a22 a21
a12 a11
a22 a 21
a11
a
21
a12 a112 a12 a21
a22 a21a11 a22 a21
a12
a22
a11a12 a12 a22

2
a21a12 a22
a11 a11 a12 a 21

a12 a11 a12 a12 a 22
a 21 a 21 a11 a 22 a 21
2
a 22 a 21a12 a 22
156
A estas ltimas igualdades podemos llamarlas condiciones de idempotencia para

matrices 2 x 2.
- Matriz nilpotente:
La matriz A de n x n (cuadrada) se llama nilpotente o de potencia nula si:
AK 0
k>1
Donde:
1)
es la matriz CERO de n x n.
2) k se llama ndice de nilpotencia. Es el entero k ms pequeo para que
AK 0 .
Nota: La palabra nilpotente proviene del latn nihil que significa nada y potere
que significa tener potencia o poder.
- Ejemplo demostrativo: 4 matrices nilpotentes y su ndice de nilpotencia.
0 2
A
1)
0 0
ndice de nilpotencia = 2
Comprobacin:
0 2 0 2 0 0
A2
0 0 0 0
0
0
0 1 3
2) B 0 0 4
0 0 0
Comprobacin:
0 1 3 0 1 3 0 1 3 0 0 4 0 1 3 0 0 0
B 3 0 0 4 0 0 4 0 0 4 0 0 0 0 0 4 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
157
0 0 0
3) C 5 0 0
1 2 0
Comprobacin:
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
C 3 5 0 0 5 0 0 5 0 0 0 0 0 5 0 0 0 0 0
1 2 0 1 2 0 1 2 0 10 0 0 1 2 0 0 0 0
0 0
1 0
4)
1 2
3 1
0
0
0
2
0
0
0
Comprobacin:
0 0
1 0
1 2
3 1
0 0 0 0
0 0 1 0
0 0 1 2
2 0 3 1
0
0
0
0
2 0
3 4
0 0 0 0
0 0 1 0
0 0 1 2
2 0 3 1
0 0 0
0
0 0 0
0
0 0 2 0
0 0 3 4
0 0 0 0
0 0 1 0
0 0 1 2
2 0 3 1
0 0 0
0 0 0
0 0 0

0 0 0
0 0
0 0
0 0
2 0
0 0 0
0 0 0
0 0 0
0 0 0
Conclusiones:
1) TODA matriz triangular superior o triangular inferior es nilpotente.

2) El ndice de nilpotencia de una matriz triangular superior o inferior de n x
n, es k = n.
- Transpuesta de una matriz (matriz transpuesta):
Sea
A aij una matriz de m x n. Entonces la transpuesta de
se escribe
AT .
158
AT
es la matriz de n x m obtenida al hacer que los renglones de
AT .
columnas de
De manera breve se puede escribir
a11
a
A 21

am1
a12
a22
am 2
sean las
AT a ji .
a1n
a2 n

amn mXn
a11
a
T
A 12

a1n
a21 am1
a22 a m 2
a 2 n amn nXm
Importante:
1) Si A a ij es una matriz de m x n,
AT
es una matriz de n x m.
es una matriz de n x n (cuadrada), la diagonal principal de
2) Si A a ij
AT
es la misma que la diagonal principal de
A.
- Propiedades de la matriz transpuesta:
Suponga que
A aij es una matriz de m x n y B bij es una matriz de n x p.
Entonces:
1)
2)
AB T
B T AT
T T
3) Si A y B son de m x n, entonces A B A B .
T
4) Si A es invertible, entonces
AT
es invertible y
T 1
A 1
- Ejemplo demostrativo: Obtencin de la transpuesta de 3 matrices.
2 3
A
1 4
2 3 1
B
1 4 6
1 2 6
2 3 4
C
0 1
2
2 1 5
159
Las matrices transpuestas son:

2 1
B T 3 4
1 6
2 1
AT
3 4
2 0 2
1
C T 2 3 1 1
6 4 2 5
Simplemente, los renglones de A son las columnas de

columnas de A son los renglones de
AT . O lo que es igual, las
AT .
- Otra manera de escribir el producto escalar:
a1
a
2
Sean a = y b =

a n
b1
b
2
2 vectores columna con n componentes.

bn
Entonces de la definicin de producto punto (producto escalar), tenemos:

a b = a1b1 a 2 b2 ... a n bn
Ahora bien a es una matriz de n x 1, de manera que a T es una matriz de 1 x n, tal que:
a a1
T
a2
an
Entonces:
a T b = a1
a2
b1
b
a n 2 a1b1 a 2 b2 ... a n bn

bn
As, a T b es una matriz (un escalar) de 1 x 1.

Por lo tanto:
ab=a b
T
Donde a y b son 2 vectores columna de orden n (n componentes).

- Matriz simtrica:
160
La matriz A de n x n (cuadrada) se llama matriz simtrica si:
AT A
Es decir, las columnas de
son iguales a los renglones de
Una matriz cuadrada A es simtrica si y slo si
aij a ji
A.
para TODO i y j.
- Ejemplo demostrativo: 4 matrices simtricas.
1 0 0
I 0 1 0
0 0 1
1 2
A
2 3
1
2
C
4
1 4 2
B 4 7 5
2
5 0
2
7
3
5
4 6
3 5
8 0
0 4
- Matriz antisimtrica:
Una matriz cuadrada se llama antisimtrica si:
AT A
Es decir,
aij a ji .
- Ejemplo demostrativo: 2 matrices antisimtricas.
Sean:
0 6
A
6 0
1 1
0
B 1 0
2
1 2 0
Tenemos:
161
0 6
AT
6 0
En efecto, las matrices
0 1 1
B T 1
0 2
1 2
0
son antisimtricas, puesto que,
AT A
B B .
T
Importante:
Si A es una matriz real antisimtrica TODA componente en la diagonal principal

de A es CERO.
De lo contrario la condicin A A NO se cumple, ya que, las diagonales
principales de A y AT seran iguales.
T
- Matriz compleja:
La matriz A de m x n, cuyos componentes A aij
ij
C , se llama matriz compleja.
son nmeros complejos
Para describir estos componentes usaremos la notacin a bi (forma rectangular).
i
3 i 4 i
A 5
5i 3 5i
i
i
3 6i
Recuerde:
[Matriz compleja]
Los nmeros reales y los nmeros imaginarios son 2 casos de

nmeros complejos.
- Matriz conjugada y matriz transpuesta conjugada:
Si A es una matriz con componentes complejos, entonces la transpuesta conjugada

de A , que se denota por
A , se define como:
A A
Donde A (A barra) es la matriz cuyos componentes son los conjugados complejos de

T
los componentes correspondientes en A y A es la transpuesta de A .
162
- Ejemplo demostrativo: Una matriz transpuesta conjugada.
Sea:
i
0
1 i
A
2 3 2i i
Entonces:
i
0
1 i
A
2 3 2i i
De modo que:
2
1 i
T
A A i
3 2i
0
i
- Propiedades de las matrices transpuestas conjugadas:
Si A y B son matrices con componentes (elementos) complejos y k es cualquier

nmero complejo k C , tenemos:
1)
2) A B A B
3)
kA k A
4)
AB B A
- Matriz hermitiana:
Una matriz cuadrada
con componentes complejos se denomina hermitiana si:
A A
- Ejemplo demostrativo: Una matriz hermitiana.
Sea:
163
i
1 i
1
A i 5 2 i
1 i 2 i
3
Entonces:
i 1 i
1
5 2 i
A i
1 i 2 i
3
De modo que:
1 i
i
1
A A i 5 2 i
1 i 2 i
3
T
La matriz
es hermitiana, ya que,
A A .
Es fcil reconocer las matrices hermitianas por inspeccin. Los componentes de la

diagonal principal son nmeros reales y la imagen especular de cada componente
a es su conjugado complejo a .
ij
ji
i
1 i
1
A i 5 2 i
1 i 2 i
3
- Matriz ortogonal:
Una matriz cuadrada
(de n x n) con la propiedad
A 1 AT
Se denomina matriz ortogonal.
Se pueden distinguir, ya que
det A 1 .
Este concepto ser til en secciones posteriores.
164
3.4 Clculo de la inversa de una matriz.
Si
es una matriz cuadrada y si se puede encontrar una matriz
tamao, tal que,
AB BA I , entonces se dice que
denomina inversa de
del mismo
es invertible y
se
A.
3 5
2 5
es una inversa de A
.
1 2
1 3
La matriz B
Puesto que:
2 5 3 5 1 0
AB
1 3 1 2 0 1
Definicin:
Sean A y B 2 matrices de n x n. Suponga que:
AB BA I
Entones B se llama la inversa de A y se denota por
A 1 . Entonces se tiene:
AA 1 A 1 A I
Si A tiene inversa se dice que A es invertible.
Una matriz cuadrada que NO es invertible se llama matriz singular.
- Teorema 1:
Si una matriz A es invertible, entonces su inversa es nica.

Demostracin:
Suponga que B y C son 2 inversas de A , se puede demostrar que B C . Por

definicin tenemos:
AB BA I
AC CA I
Y por ley asociativa de la multiplicacin de matrices:
B AC BAC
165
Entonces:
B BI B AC BAC IC C
BC
La inversa de una matriz es nica.
- Teorema 2:
Sean A y B 2 matrices invertibles de n x n. Entonces AB es invertible y
AB 1 B 1 A 1
ABC 1 C 1 B 1 A 1
- Teorema 3:
La inversa de la matriz identidad, es la matriz identidad.
I I 1
I 1 I I
- Ejemplo demostrativo 1: Clculo de la inversa de una matriz de 2 x 2.
Sea:
2 3
A
4 5
Calcule
A 1 , si EXISTE.
Partimos del hecho:
AA1 A1 A I
A 1
Suponemos que
EXISTE y sabemos que tiene el mismo tamao (orden) que A ,
pero NO conocemos ninguno de sus componentes. Entonces:
166
x y
A 1
z w
Solucin:
AA1 I
2 3 x y 1 0
4 5 z w 0 1
Hacemos la multiplicacin de matrices:
2 y 3w 1 0
2 x 3z
4 x 5 z 4 y 5w 0 1
Igualando componentes:
2 x 3z 1
4 x 5z 0
2 y 3w 0
4 y 5w 1
Ahora tenemos 2 sistemas de ecuaciones lineales con 2 incgnitas. Generamos 2

matrices aumentadas:
2 3 1
4 5 0
2 3 0
4 5 1
Resolveremos ambos sistemas para conocer los valores de

Si cada sistema tiene solucin nica,
A 1
x, y, z
w.
es invertible.
Como ya vimos
es nica, entonces si
ecuaciones lineales sern inconsistentes.
NO es invertible, los sistemas de
Resolveremos los sistemas de ecuaciones lineales por eliminacin de Gauss Jordan

y pivoteo.
2 3 1
4 5 0
167
4 5 0
2 3 1

para hacerlo 1.
1 5
0
4
2 3 1

los sumamos a R2 .
1 5
0
4
1
0
1

1 para hacerlo 1.
2
1 5
0
4
1
2
0
los sumamos a R1 .
1 0 5
2
0 1 2
Ahora conocemos los valores de 2 componentes de
x 5
A 1
( x y z ).
z 2
Resolvemos el sistema restante para hallar y y w .
2 3 0
4 5 1
4 5 1
2 3 0

para hacerlo 1.
1
1 5
4
4
0
2 3

los sumamos a R2 .
1
1 5
4
4
0 12 12

1 para hacerlo 1.
2
168
1
1 5
4
4
1
1
0
los sumamos a R1 .
1 0 3
2
0 1 1
Los valores para y y w son:
y 3
w 1
Por lo tanto, la matriz inversa es:
3
5
2
A 1 2
1
2
- Ejemplo demostrativo 2: Una matriz de 2 x 2 que NO es invertible.
Sea:
2
1
A
2 4
Determine si A es invertible, si lo es calcule su inversa
A 1 .
Solucin:
Recurso:
AA1 A1 A I
Entonces:
2 x y 1 0
1
2 4 z w 0 1
169
Esto conduce a 2 sistemas de ecuaciones lineales:
y 2w 0
x 2z 1
2x 4z 0
2 y 4w 1
Es fcil notar que ambos sistemas:
y 2w 0
x 2z 1
2x 4z 0
2 y 4w 1
0 1
Son inconsistentes (ninguna solucin).
Conclusin:
Los sistemas de ecuaciones lineales que definen los componentes de

tienen solucin (son inconsistentes).
Podemos decir que,
A 1
A 1 , NO
NO EXISTE.
NO es invertible.
- Clculo de la inversa de una matriz n x n:
Considere el sistema de n ecuaciones lineales con n incgnitas, dado por la ecuacin

matricial.
Ax=b
Y suponga que A es invertible. Entonces:
A 1 A x = A1 b
x=
x=
Si A es invertible, el sistema
A1 b
A1 b
A x = b tiene solucin nica, dada por:

x=
A1 b
170
Por eso la inversa de una matriz es nica.

Importante:
Una matriz n x n es invertible si y slo si su forma escalonada reducida por

renglones es la matriz identidad, es decir, si su forma escalonada reducida por
renglones tiene n pivotes.
Si la reduccin por renglones de A produce un rengln de CEROS,

A NO es invertible.
- Ejemplo demostrativo 3: Clculo de la inversa de una matriz de 3 x 3.
Sea:
2 4 6
A 4 5 6
3 1 2
Calcule
A 1 , si EXISTE.
Solucin:
I y por medio de reduccin por renglones la

1
convertiremos en la matriz aumentada (equivalente) I A .
Haremos una matriz aumentada
AI
A 1 A IA 1
I A 1
La notacin matricial describe el procedimiento:
I I
A1
Si la matriz A de n x n es invertible su forma escalonada reducida por renglones

tendr n pivotes.
171
2 4 6 1 0 0
4 5 6 0 1 0
3 1 2 0 0 1
4 5 6 0 1 0
2 4 6 1 0 0
3 1 2 0 0 1

3
1 5
0
4
2
6 1
2 4
3 1 2 0

respectivamente.
0
4
0 0
0 1
3
1 5
0 1
0
4
2
4
3
1 1 0
0 3 2
2
11 13
3
0
1
0
4
2
4
Dividimos el rengln pivote entre

3 , para hacer el pivote igual a 1.
2
3
1
1 5
0
0
4
2
4
2
1
1
2
0
0
3
3
11 13
0
0
1
4
2
4

5 y 11 y lo sumamos con R y
1
4
4
R3 , respectivamente.
2
1 0 1 5
0
6
3
1
2
0
0 1 2
3
3
5
11
1
0 0 1
6
3
Dividimos el rengln pivote entre -1,

2
1 0 1 5
0
6
3
2
1
0
0 1 2
3
3
5
11
0
0
1
6
3

1 y 2 y lo sumamos con R1 y R2 ,
respectivamente.
7
1 0 0 8
1
3
3
13
11
2
0 1 0
3
3
5
1
0 0 1 116
3
Por lo tanto:
172
7
8
1
3
3
11
2
A 1 13
3
3
11
6
3
Comprobamos el resultado:
AA1 A1 A I
16 14 6
1
A 1 26 22 12
6
11 10 6
[Se multiplic la matriz por el

elemento neutro 6 ]
6
2 4 6 16 14 6
6 0 0 1 0 0
1
1
AA 4 5 6 26 22 12 0 6 0 0 1 0
6
6
3 1 2 11 10 6
0 0 6 0 0 1
1
- Ejemplo demostrativo 4: Una matriz de 3 x 3 que NO es invertible.
Sea:
1 3 4
A 2 5 7
0 1 1
Solucin:
I y por medio de reduccin por renglones la

1
convertiremos en la matriz aumentada (equivalente) I A .
Haremos una matriz aumentada
Recuerde: Si la reduccin por renglones de A de n x n, produce un rengln de

CEROS la matriz A NO es invertible. Puesto que, A en su forma escalonada
reducida por renglones NO sera la matriz identidad
In .
173
1 3 4 1 0 0
2 5 7 0 1 0
0 1 1 0 0 1
2 5 7 0 1 0
1 3 4 1 0 0
0 1 1 0 0 1

7
1 5
0
2
2
4 1
1 3
0 1
1 0

1 y los sumamos a R2 .
0
2
0 0
0 1
7
1 5
0
0 1
2
2
2
0 1 2 1 2 1 1 2 0
1 0
0 1
0 1

2
7
1 5
0
2
2
1
1 2
0
0 1
1
0

5 y 1 y lo sumamos con R y R ,
1
3
2
respectivamente.
0
2
1 0
0 1
1 0 1 5 3 0
0 1 1 2 1 0
0 0 0 2 1 1
Tenemos un rengln de CEROS. La matriz A NO puede reducirse a la matriz
identidad.
Por lo tanto, A NO es invertible ( A 1 NO EXISTE).
- Propiedades de las matrices invertibles:
1) Si A n x n es invertible, entonces A 1 n x n es invertible y:
1 1
174
2) Si A es una matriz invertible y c es un escalar distinto de CERO, entonces

cA es una matriz invertible y:
cA1 1 A 1
c
3) Si A y B son 2 marices invertibles del mismo tamao (n x n), entonces AB

es invertible y:
AB 1 B 1 A 1
4) Si A es una matriz invertible, entonces AT es invertible y:
T 1
A 1
5) Si A es una matriz invertible, entonces A n es invertible para TODOS los

enteros NO negativos n y:
n 1
A 1
3.5 Definicin de determinante de una matriz.

- Determinante de una matriz de 2 x 2:
Sea:
a
a
A 11 12
a21 a22 2 x 2
Su determinante es:
det A a11a22 a21a12

El procedimiento es:
det A
a11
a12
a21 a22
a11a22 a21a12
Con frecuencia se denota det A como:
175
a11 a12
A
a21 a22
Importante:
1) El determinante det es una funcin que asigna un nmero a una matriz

cuadrada.
2) Por el teorema de resumen sabemos que un sistema de ecuaciones lineales 2 x
2 tiene solucin nica si:
a11a 22 a 21a12 0
Es decir, un sistema de ecuaciones lineales n x n, con matriz de coeficientes
A , tiene solucin nica si:
det A 0
[Solucin nica]
Y nmero infinito de soluciones o ninguna solucin si:
det A 0
[Nmero infinito de soluciones o ninguna solucin]
3) La matriz A es invertible si y slo si:
det A 0
El determinante de una matriz de orden n x n, se definir de manera
inductiva (de lo particular a lo general). Se usara lo que sabemos sobre un
determinante de 2 x 2, para definir un determinante de 3 x 3 y esto para definir uno
de 4 x 4, y as sucesivamente.
- Determinante de una matriz de n x n:
Comenzaremos definiendo el determinante de una matriz de 3 x 3.

Sea:
176
a11
A a 21
a31
a13
a 23
a33
a12
a 22
a32
Entonces el determinante de A es:
det A A a11
a22
a23
a32
a33
a12
a21 a23
a31
a33
a13
a21 a22
a31
a32
Llamaremos menores a las matrices:
a 22
a
32
Menor:
a23
a33
a 21
a
31
a21 a23
a
31 a33
Sea A una matriz de n x n y sea
M ij
a 22
a32
la matriz de (n 1) x (n 1)
obtenida de A eliminando el rengln i y la columna j.
M ij
se llama, menor ij de A .
Ahora podemos expresar el determinante de
A3 X 3
como:
det A A a11 det M 11 a12 det M 12 a13 det M 13

Definamos ahora el determinante de una matriz A de 4 x 4.
Sea:
* a11
a
A 21
a 31
a 41
a12
a13
a 22
a32
a 23
a33
a 42
a 43
a14
a 24
a34
a 44
El determinante de A es:
177
a22
a23
a24
A a11 a32
a33
a34 a12 det M 12 a13 det M 13 a14 det M 14
a42
a43
a44
Note que los signos de
a12
a14
son negativos.
Una manera fcil de recordar que signo va delante de
a ij det M ij
es:
Cofactor:
Sea A una matriz n x n. El cofactor ij de A , denotado por
Cij 1
i j
C ij
es:
M ij
M ij det M ij
Observe que:
1i j
1
1
Ahora podemos escribir el determinante de
i j par
i j impar
A4 X 4
como sigue:
det A A a11C11 a12 C12 a13C13 a14 C14
El determinante de A n x n es:
178
det A A a11C11 a12C12 a13C13 a1nC1n

Escrito como sumatoria:
n
det A A a1 j C1 j
j 1
El resultado anterior se conoce como expansin por cofactores a lo largo del

primer rengln (Note que por ello hemos puesto un * en
A3 X 3
A4 X 4 ).
Nota: Este procedimiento para hallar el determinante de una matriz tambin se

llama, por menores.
Importante:
Se obtendr el mismo resultado al desarrollar por cofactores, sobre cualquier rengln

e incluso sobre cualquier columna.
Esta demostracin se llama teorema de expansin de Laplace.
- Teorema de expansin de Laplace:
El determinante de una matriz n x n,
A a ij , donde
n 2 , puede ser calculado
como:
det A A ai1Ci1 ai 2Ci 2 ai 3Ci 3 ainCin

Escrito como sumatoria:
n
det A A aij Cij

j 1
Que es la expansin por cofactores a lo largo del i-simo rengln.

Y tambin como:
det A A a1 j C1 j a2 j C2 j a3 j C3 j anj Cnj
179
det A A aij Cij

i 1
Que es la expansin por cofactores a lo largo de la j-sima columna.

Importante:
En la prctica cuando hallemos el determinante de una matriz por menores
(expansin por cofactores) elegiremos el rengln que contenga ms CEROS y 1, esto
reducir el nmero de operaciones.
Es evidente que el clculo del determinante de una matriz n x n es tedioso. Por

ejemplo, para calcular un determinante de 5 x 5 se deben calcular 5 determinantes de
4 x 4 o 20 de 3 x 3.
Pero existen tcnicas para reducir el trabajo.
- Teorema para determinantes de matrices triangulares:
Sea
A a ij una matriz n x n, triangular superior (o inferior). Entonces:
det A A a11a 22 a33 a nn

El determinante de una matriz triangular superior (o inferior), es el producto de
los componentes de su diagonal principal.
- Ejemplo demostrativo 1: Clculo del determinante de una matriz por menores.
Sea:
1 3
0 1
A
2 1
3 2
1 5 2
1 3 2
5
3
9
4
2
4
6
1 3 5
det A 2 9 6 3 2 1 6 4 2 1 9
3 4 8
3 2 8
3 2 4
180
9

4
1
4
2
2 9 1 6
2 1
2 6
3
2
3
8
3 8
3 4 2 8
3 2
3 8
9
2 9
2 1
3
5
4
3 4
3 2
6
2 6
72 24 516 18 28 27
38 12 916 18 64 3
44 18 128 27 204 3
48 10 38 12 18 6 56 228 20
160
det A 160
Afortunadamente EXISTEN tcnicas para simplificar los procedimientos. En
algunos casos ser sencillo hallar el determinante de una matriz.
3.6 Propiedades de los determinantes.
La manera ms eficiente de calcular determinantes es mediante el empleo de la

reduccin por renglones. Sin embargo, NO TODAS las operaciones entre renglones
dejan el determinante sin cambios.
A continuacin aprenderemos las propiedades de los determinantes que
necesita entender para ocupar efectivamente la reduccin por renglones.
Sea
A a ij una matriz de n x n (cuadrada):

1) Si A tiene un rengln (columna) CERO, entonces
det A 0
2) Si B se obtiene al intercambiar 2 renglones (columnas) de A , entonces
det B det A
181
3) Si A tiene 2 renglones (columnas) iguales o mltiplos escalares, entonces
det A 0
4) Si B se obtiene al multiplicar un rengln (columna) de A por un escalar k ,
entonces
det B k det A
Cuidado: Si lo que busca es
det A , tenemos det A
Adems, si el escalar es 1 , tenemos

k
1
det B .
k
1
det B det A . Si busca det A
k
det A k det B
5) Si A , B y C son idnticas excepto que el i-simo rengln (j-sima columna)
de C sea la suma de los i-simos renglones (j-simas columnas) de A y B ,
entonces
det C det A det B

6) Si B se obtiene al sumar un mltiplo de un rengln (columna) de A , a otro
rengln (columna) de A , entonces
det B det A
Adems, tenemos las siguientes operaciones matriciales con determinantes.
1) Si A es una matriz de n x n, entonces
detkA k n det A
2) Si A y B son matrices n x n, entonces
det AB det Adet B
182
3) Si A es invertible, entonces
det A 1
1
det A
4) Si det A 0 , entonces A NO es invertible.

5) Para cualquier matriz A n x n (cuadrada).
det A det AT
- Ejemplo demostrativo 2: Uso de las propiedades de los determinantes para
simplificar los clculos.
Sea:
1 3
0 1
A
2 1
3 2
Halle
5
3
9
4
2
4
6
det A .
1 3 5 2
0 1 3 4
det A A
2 1 9 6
3 2 4 8
Realizaremos la reduccin por renglones (paso a paso), pero recuerde se trata de un

determinante NO una matriz aumentada.
1 3
0 1
2 1
3 2
5
3
9
4
2
4
6
8
1 3
5
0 1 3
0 5 1
0 7 11
Multiplicamos R1 por 2 y 3 y lo sumamos

y lo sumamos con R3 y R4 .
(Propiedad 6)
2
4
2
2
Multiplicamos R2 por 5 y 7 y lo sumamos

y lo sumamos con R3 y R4 .
(Propiedad 6)
183
1 3
5
2
0 1 3
4
0 0 16 18
0 0 32 26
Multiplicamos R3 por 2 y lo sumamos con

R4 .
(Propiedad 6)
1 3
5
2
0 1 3
4
0 0 16 18
0 0
0
10
Ahora tenemos una matriz triangular

superior.
Aplicando el teorema para determinantes de matrices triangulares, tenemos:
det A A a11a22 a33 ann

Por lo tanto
det A 160
En efecto obtuvimos el resultado correcto haciendo menos clculos (Vea ejemplo
demostrativo 1).

calcular un determinante 4 x 4.
Calcule
1
3 1
A
2 7
3 7
0
5
3
2
4
2
1
5
Esta vez reduciremos por columnas.
2
3
1 0 4
1 5 2
2 7 3 1
3 7 2 5
Multiplicamos la columna 2 por 2 y 4 y la

sumamos con la columna 1 y 4, respectivamente.
(Propiedad 6)
184
0
1
1 0
1 5
0
6
Intercambiamos las columnas 1 y 2, y

multiplicamos el determinante por 1.
(Propiedad 2)
12
7 3 27
11 7 2 33
1
1
0
1
0
5
0
6
Multiplicamos la columna 2 por 5 y 6 y se

suma con la columna 3 y 4, respectivamente.
(Propiedad 6)
7
12 3 27
7 11 2 33
1
1
0
1
0
0
0
0
7
12 57 99
7 11 57
99
1
1
0
1
0
0
7
0
12 57 99
1
0
0
0
0
0
0
1
1
0
1
0
0
0
7
1
0
0
12 57 99
Sumamos R3 y R4 . (Propiedad 6)
(Vea NOTA)
Intercambiamos R4 y R3 , y multiplicamos el
determinante por 1.
(Propiedad 2)

inferior.

Por lo tanto
det A 0
Ya que, un elemento de la diagonal principal es CERO.

NOTA: En este paso, el lector atento pudo notar que
det A 0 , ya que
57 99
57 99 57 99 0
57
99
185
Y los renglones son mltiplos escalares.

Podemos decir que A NO es invertible.

calcular un determinante 5 x 5.
Calcule:
1
2
A 4
3
5
2
0
7
3 5
1 5
7
6
1 2 2 3
1 3
7 9
Observe que si sumamos R2 R4 R5 , tenemos:
1 2
2 0
A4 7
3 5 7
1 5 6
3 9 4
3
0
2 2 3
0
0 0
1
0
Por lo tanto
det A 0
- Clculo del determinante de una matriz por permutaciones:
Aprenderemos otro mtodo para calcular determinantes, llamado por

permutaciones. Este mtodo es menos complicado que el clculo por menores, y
ofrece una opcin si NO se conocen las propiedades de los determinantes.
- Ejemplo demostrativo: Clculo del determinante de una matriz 3 x 3 por
permutaciones.
Sea:
3 4 2
A 7 5 3
4 8 6
186
Halle det A A por permutaciones.

Solucin:
Primero generamos un rbol de permutaciones e identificamos las inversiones

(cambios de orden).
Si el nmero de inversiones es par tenemos signo positivo (+), si el nmero de
inversiones es impar tenemos signo negativo ().
Para la matriz A 3 x 3, el rbol de permutaciones se genera como sigue:
Explicacin:
123
es la secuencia natural, NO hay cambios de orden.
132
1 cambio de orden: 3 2.
213
231
1 cambio de orden: 2 1.
2 cambios de orden: 3 1 y 2 1.
312
2 cambios de orden: 3 1 y 3 2.
321
3 cambios de orden: 3 2, 3 1 y 2 1.
Consideraremos cada una de las ternas anteriores (1 2 3, 1 3 2, 2 1 3, etc.).

Como el respectivo nmero j de
A a ij .
Representaremos al conjunto de TODAS las ternas, como:
ji1 ji 2 ji 3
Para las i ternas diferentes.
187
Cada conjunto
ji1 ji 2 ji 3 genera un producto:
a1 ji1 a2 ji 2 a3 ji 3
Y la suma de TODOS los productos diferentes usando el signo de la permutacin,
determina la secuencia del determinante.
A continuacin escribimos la secuencia del determinante, como sigue:
a11a22a33
a11a23 a32
a12 a21a33
a12 a23a31
a13 a21a32
a13 a22 a31
Realizamos las operaciones sustituyendo

matriz A .
a ij
por su respectivo componente en la
A a11a 22 a33 a12 a 23 a31 a13 a 21a32 a11a 23 a32 a12 a 21a33 a13 a 22 a31
A 35 6 4 34 27 8 3 38 47 6 254
A 90 48 112 72 168 40
A 30
Comprobaremos el resultado
A 30
aplicando las propiedades de los
determinantes (revise los pasos hasta comprenderlos).
3 4 2
A 7 5 3
4 8 6
188
3
3
1 5
7 5 3
1 5
7
7
7
7
5
A 3 4 2 7 3 4
2 7 0 13
7
7
30
6
4 8
4 8 6
0 36
7
7
3
1 5
7
7
7
5
A 13 0 1
13 0 1
13
30
0 36
0 0
7
7
1
7
5
13
210
7 13

Por lo tanto
210
30
det A 13
7
13
Importante:
La utilidad del mtodo de permutaciones para el clculo de determinantes, radica en

que una vez que se ha desarrollado el rbol de permutaciones y hallado las
inversiones de cada permutacin, se tiene una frmula para el determinante de
cualquier matriz de ese tamao.
3.7 Inversa de una matriz cuadrada a travs de la adjunta.
A continuacin aprenderemos a obtener la inversa de una matriz n x n, por medio de

determinantes.
Partiremos de la relacin que EXISTE entre la inversa y su determinante.
- Teorema 1:
Si A es invertible, entonces
det A 0 y
det A 1
1
det A
Demostracin:
Suponga que A es invertible.
189
1 det I det AA 1 det A det A 1

Entonces:
det A 1
1
det A
- Teorema 2:
Sea A una matriz n x n. Entones:
a i1 A j1 a i 2 A j 2 a in A jn
Note que si
det A
i j
i j
i j , tenemos la expansin por cofactores sobre el rengln i.
Cambiamos la notacin de C ij 1
i j
M ij a Aij 1
i j
M ij para evitar
confusiones en una demostracin posterior.

Demostraremos que la sumatoria es CERO, cuando
para una matriz A 3 x 3.
i j , haciendo i 1 y j 3
Sea:
1 2 1
A 2 1 3
3 1 2
Para una matriz de 3 x 3 la suma es:
ai1 A j1 ai 2 A j 2 ai 3 A j 3
Haciendo
det A
0
i j
i j
i 1 y j 3 , nos queda:
a11 A31 a12 A32 a13 A33 0

Recuerde: Aij 1
i j
M ij
15 2 1 1 3 0
00
[Teorema demostrado]
190
Ahora definiremos un nuevo tipo de matriz.

- Matriz adjunta (o adjugada):
Sea A una matriz n x n y sea B :
A11
A
B 21

An1
A12 A1n
A22 A2 n
An 2 Ann nXn
La matriz de los cofactores de A ( Cij Aij 1
i j
Entonces la adjunta de A , denotada por
M ij ).
adjA , es la transpuesta de
A11
A
T
adjA B 12

A1n
B , es decir:
An1
An 2

Ann
A21
A22
A2 n
- Ejemplo demostrativo 1: Matriz adjunta de una matriz general de 2 x 2.
Sea
a
A 11
a 21
a12
a 22
Entonces:
A
adjA 11
A12
A21 a22
A22 a21
a12
a11
Advertencia: Cuando calcule la adjunta de A ( adjA ), NO olvide transponer la

matriz de cofactores.
191
- Ejemplo demostrativo 2: Clculo de la adjunta de una matriz de 3 x 3.
Sea:
2 4 3
A 0 1 1
3 5 7
Calcule
adjA
(adjunta de
A ).
Solucin:
Primero calcularemos los cofactores.
A11
1 1
7 5 12
5 7
A21
A31
4 3
5 7
A12
A22
13
3
7
1 1
0 1
3
3 7
2 3
5
3 7
A32
2 3
2
0 1
A13 3
A23 2
A33 2
La matriz de cofactores es:
12 3 3
B 13 5
2
7 2
2
La matriz adjunta es:
12 13 7
adjA B 3 5
2
3 2
2
T
- Teorema 3:
Sea A una matriz n x n. Entonces:
192
0
0
det A
0
det A
0
AadjA 0
0
det A

0
0
0
0
0
0 det AI

det A
Recuerde: det A es un escalar.

Demostracin:
Sea
C cij AadjA . Entonces:

a11
a
C 21

a n1
a12
a 22
an2
a1n A11
a 2 n A12

a nn A1n
An1
An 2

Ann
A21
A22
A2 n
Se tiene:
C ij (Rengln i de A ) (Columna j de A )
C ij ai1
As:
ai 2
A j1
A
j2
ain

A jn
C ij a i1 A j1 a i 2 A j 2 a in A jn
Y sabemos:
cij
det A
i j
i j
Note que si
i j , c ij es la expansin por cofactores sobre el i-simo rengln de
A , es decir,
cij det A .
193
- Teorema 4:
Sea A una matriz n x n. Entonces A es invertible si y slo si det A 0 .

Sabemos que:
AadjA det AI
Donde det A es un escalar.
A1 AadjA det AIA1
I adjA det AA1
adjA det AA1

Por lo tanto, la frmula para halar la inversa de
A 1
AnXn a travs de su adjunta es:
adjA adjA
det A
A
- Ejemplo demostrativo 3: Clculo de la inversa de una matriz 3 x 3 usando su

determinante y su adjunta.
Sea:
2 4 3
A 0 1 1
3 5 7
1
Determine si A es invertible y si lo es calcule A .
Solucin:
Primero calcularemos A ; para que el lector refuerce sus conocimientos lo haremos de 2

formas:
1) Determinante aplicando propiedades de los determinantes.
2) Determinante por menores.
194
1) Clculo de A aplicando propiedades de los determinantes:

Paso 1:
2 4 3
0 1 1
3 5 7
Multiplicamos R1 por 3.
(Propiedad 4)
Paso 2:
Multiplicamos R1 por 1 y lo sumamos
2
con R3 .
(Propiedad 6)
6 12 9
1
0 1 1
3
3 5 7
Paso 3:
6 12 9
1
0 1 1
3
0 1 5
2
Sumamos R2 con R3 .
(Propiedad 6)
Paso 4:
6 12 9
1
0 1 1
3
0 0 3
2
Tenemos una matriz triangular

superior.
1
3
A 6 1 3
3
2
Nota: En el Paso 2 (Propiedad 6), es importante que el lector aprenda que el rengln
cRi
que da intacto y el nuevo rengln es
R j R j cRi .
2) Clculo de A por menores:
2 4 3
A 0 1 1
3 5 7
195
El rengln 2 es el que tiene ms CEROS y 1.
2 3
3 7
2 4
3 5
14 9 10 12 5 2 3
Como det A 0 la matriz A es invertible.

Su matriz adjunta es:
12 13 7
ajdA 3 5
2
3 2
2
[Vea Ejemplo demostrativo 2]
Por el teorema 4, sabemos:
A 1
adjA adjA
det A
A
13
12 13 7 4
3
1
1
5
A 3 5
2 1
3
3
3 2
2 1 2
3
7
3
2
3
2
3
Comprobacin:
3 0 0 1 0 0
12 13 7 2 4 3
1
1
I A A 3 5
2 0 1 1 0 3 0 0 1 0
3
3
0 0 3 0 0 1
3 2
2 3 5 7
1
Observaciones:
1
1) Como ya habr notado para matrices n x n, si n 3 , A se calcula ms

fcilmente con reduccin por renglones. Sin embargo, es til calcular el
determinante de A para saber si A es invertible.
2) Cuando nuestra matriz se de en trminos de variables. Por ejemplo:
x y
A
z w
196
La mejor manera de proceder para hallar su determinante o su inversa es a

travs de determinantes por menores, de lo contrario se complica la escritura
de los clculos.
El clculo de determinantes por menores, tambin es recomendable para
matrices complejas, de tipo:
i 3 i
A
i 5i
3.8 Solucin de un sistema de ecuaciones lineales a travs de la inversa.
Ahora aprenderemos a resolver sistemas de ecuaciones lineales, a travs de la inversa.

Recordemos:
Si A es invertible, el sistema A x = b tiene solucin nica, tal que:
x=
A1 b
Donde, A ser la matriz de coeficientes del sistema de ecuaciones lineales, x el

vector de incgnitas y b el vector solucin.
- Ejemplo demostrativo 1: Uso de la inversa de una matriz para resolver un

sistema de ecuaciones lineales.
Resuelva el sistema:
2 x1 4 x 2 3x3 6
x 2 x3 4
3x1 5 x 2 7 x3 7
Recurso:
x=
A1 b
Generamos la matriz de coeficientes A .
197
2 4 3
A 0 1 1
3 5 7
Emplearemos una matriz aumentada para hallar
I I
A 1 .
A1
Algunos autores llaman a este tipo de arreglo, matriz sper aumentada.
2 4 3 1 0 0
0 1 1 0 1 0
3 5 7 0 0 1
Por medio de operaciones entre renglones llevaremos A I .
3 5 7 0 0 1
0 1 1 0 1 0
2 4 3 1 0 0
1 5
3
0 1
2 4
0 0
3
1 0 1
3 1 0

1
3
0
0

2 y los sumamos a R3 .
7
1 5
0 0 1
3
3
3
1 0 1
0
0 1
0 2
5
1 0 2
3
3
3

5 y 2 y lo sumamos con R1 y
3
3
R3 , respectivamente.
1
1 0 4 0 5
3
3
1
0
0 1 1 0
0 0 1 1 2
2
3
3
Dividimos el rengln pivote entre -1,

198
1 0 4 0 5
3
1
0 1 1 0
0 0 1 1 2
3
1
3
0
2
3

4 y 1 y lo sumamos con R1 y R2 ,
respectivamente.
7
1 0 0 4 13
3
3
5
2
0 1 0 1
3
3
2
2
0 0 1 1
3
3
Por lo tanto:
A 1
13
5
2
3
3
7
3
2
3
2
3
Sabemos que:
x=
A1 b
Entonces:
13
x1 4
3
x 1 5
2
3
x3 1 2
3
7 6
3
2 4
3
2 7
3
Haciendo operaciones:
x1 25
x 8
2
x3 4
Igualando componentes, tenemos la solucin del sistema de ecuaciones lineales.
x1 25
x2 8
x3 4
199
Esta forma de resolver sistemas de ecuaciones lineales es importante, ya que,

demuestra un teorema de las matrices inversas.
A1 b
x=
Pero es ms eficiente el mtodo:
b I
A 1b
Procedimiento que ya conocemos como eliminacin de Gauss Jordan.

Ahora que conocemos todos los conceptos haremos 2 demostraciones.
Considere un sistema de ecuaciones lineales n x n.
Donde, A es su matriz de coeficientes, x la matriz (vector) de incgnitas y b la
matriz (vector) solucin.
Sabemos que el sistema se puede escribir:
Ax=b
Generando una matriz aumentada para el sistema, tenemos:
A
Sabemos que
AA 1 I , entonces:
AA1x A1b
Ix A1b
Generando una matriz aumentada para esta ltima ecuacin, tenemos:
A 1b
Por lo tanto:
b I
A 1b
200
Describe el procedimiento para hallar la solucin nica de cualquier sistema de

ecuaciones lineales n x n (eliminacin Gauss Jordan).
Pero, tambin sirve para conocer
Partimos del hecho
Si desconocemos
A 1 .
AA 1 I .
A 1
de n x n, tenemos:
AX=I
Donde X, es una matriz de n x n ( X =
A 1 ).
Generamos una matriz sper aumentada. Se llama as, puesto que, X es una matriz de
n x n, NO de n x 1.
A
Volvemos a ocupar
AA 1 I .
A 1 AX A 1 I
IX A 1
La nueva matriz sper aumentada es:
A 1
Por lo tanto
I I
A1
Es verdadero y describe el procedimiento para hallar la matriz inversa

utilidad de la matriz identidad
I .
A 1 . Note la
201
3.9 Solucin de un sistema de ecuaciones lineales por la regla de Cramer.
El mtodo que aprenderemos se desarrollo hacia 1750 y por la gran cantidad de

clculos que requiere casi NO se emplea en la actualidad, pero, es interesante conocer la
primera solucin formal para sistemas de ecuaciones lineales de n x n.
Para un sistema general de ecuaciones lineales de 3 x 3 el mtodo de Cramer se
desarrolla como sigue.
Sea el sistema:
a11 x1 a12 x 2 a13 x3 b1

a21 x1 a22 x2 a23 x3 b2
a31 x1 a32 x2 a33 x3 b3
Escribiendo la combinacin lineal como un producto de matrices, tenemos:
a13 x1 b1
a23 x2 b2
a33 x3 b3
a11 a12
a
21 a22
a31 a32
Ahora generamos las matrices especiales
b1
D1 b2
b3
a12
a 22
a32
a13
a 23
a33
a11 b1
D2 a21 b2
a31 b3
a13
a 23
a33
a11
D3 a 21
a31
Es decir,
b.
Dj
D j , como sigue:
a12
a 22
a32
b1
b2
b3
se genera al sustituir la columna j de A , por la matriz (vector) solucin
Si el determinante de A
lineales es:
det A 0
la solucin nica del sistema de ecuaciones
202
x1
D1
x2
D2
A
x3
D3
A
- Ejemplo demostrativo 1: Solucin de un sistema de ecuaciones lineales de 3 x 3

usando regla de Cramer.
Sea el sistema:
x1 x2 x3 7
5 x3 4
2x1
3 x 2 x3 2
Generamos la matriz de coeficientes:
1 1 1
A 2 0 5
0 3 1
Obtendremos A det A aplicando propiedades de los determinantes.
1 1
2
1
5

R2 .
1 1 1
0 2 7
0
Multiplicamos R2 por 1 y multiplicamos

2
el determinante por 2.
1 1 1
20 1 7
0
1 1
20
0
2
1
1
7
19

R3 .

superior.
203

19
A 2 19
2
Definimos las matrices especiales
7 1 1
D1 4 0 5
2 3 1
Hallaremos D1 , D2 y
Dj :
1 7 1
D2 2 4 5
0 2 1
1 1 7
D3 2 0 4
0 3 2
D3 , esta vez por menores.
D1 41 3 521 2 8 115 123
D2 2 5 2 4 14 14 10 24
D3 2 2 21 43 46 12 34
Por lo tanto las soluciones son:
x1
D1 123
A
19
x2
D2 24
A 19
x3
D3 34
A 19
A continuacin emplearemos la regla de Cramer para la solucin de un sistema de

ecuaciones lineales con variable compleja. Donde la matriz de coeficientes es una
matriz compleja.
- Ejemplo demostrativo 2: Solucin de un sistema de ecuaciones lineales 2 x 2 con

variable compleja.
Observe que para sistemas de ecuaciones lineales de n x n (cuadrados), n 3 , la

regla de Cramer puede ser til.
Aplicando la regla de Cramer, resolver:
204
ix 2 y 1 2i
4 x iy 1 3i
Solucin:
Primero hallaremos la matriz de coeficientes, que es este caso es una matriz compleja.
i 2
A
4 i
Hallamos det A A .
4 i
Recurso:
det A2 X 2 a11a22 a21a12
i 2 1
A 1 8 7
Hallemos D1 , D2 y sus determinantes ( D1 y D2 ).
2
1 2i
D1
1 3i i
D1 i1 2i 21 3i i 2 2 6i 7i
i 1 2i
D2
4 1 3i
D2 i 1 3i 41 2i i 3 4 8i 7 7i
Por lo tanto:
D1 7i
i
A
7
Comprobacin en
D2 7 7i
1 i
A
7
ix 2 y 1 2i .
205
i i 21 i 1 2i
1 2 2i 1 2i
1 2i 1 2i
3.10 Aplicacin de matrices y determinantes.
- Teora de grficas:
En esta seccin relacionaremos 2 reas de la investigacin matemtica, la teora

de grficas y la teora de matrices.
Existen muchas situaciones en la que es importante modelar las interrelaciones
entre un conjunto finito de objetos. Estas redes surgen en la realidad en muchas formas:
carreteras que conectan ciudades, rutas areas de enlace internacional, enlaces de
comunicacin satelital o redes de Internet o telefona celular. Adems de extenderse a
otras reas como las redes de comercio o las relaciones presa depredador en un
ecosistema.
EXISTEN 2 formas de modelar las interrelaciones entre los elementos de una red.
1) Los grafos (grficas de enlace general).
2) Los digrafos (grficas de enlace dirigido).
Un grafo se compone de un conjunto finito de puntos (vrtices) y un conjunto finito de
lneas (aristas), cada una de las cuales conectan 2 (NO necesariamente distintos
vrtices).
Decimos que 2 vrtices son adyacentes, si son los puntos extremos de una lnea.
- Ejemplo demostrativo 1: 2 formas de representar el mismo grafo.
Ambos grafos representan las conexiones existentes entre los puntos (vrtices) A, B, C
y D.
206
Podemos registrar la informacin de un grafo (o de un digrafo) en una matriz y

utilizar el lgebra de matrices para responder algunas cuestiones acerca de l. Este
recurso es muy til si la red es muy grande, puesto que en forma matricial, una
computadora realizar rpidamente los clculos.
Generalmente los vrtices de un grafo se denotan por V1 , V2 , , Vn .
La matriz A aij de n x n que describe un grafo o digrafo se llama matriz de
adyacencia.
Definicin:
Si G es un grafo de n vrtices, su matriz de adyacencia es la matriz A aij definida

por:
aij
Si EXISTE una lnea entre los vrtices i y j .
De otro modo.
Nota: Algunos autores llaman matriz de incidencia a la matriz de adyacencia
- Ejemplo demostrativo 2: Un grafo y su matriz de adyacencia.
0
1
A
1
1 1 1
1 1 0
1 0 0
0 0 0
Importante:
1) La matriz de adyacencia de un grafo SIEMPRE es una matriz n x n

(cuadrada) y SIEMPRE es simtrica.
207
2) Las entradas a ij en la diagonal principal son CERO, a menos que exista un

lazo o bucle en el vrtice i (vea ejemplo demostrativo 2).
3) En algunas situaciones un grafo puede tener ms de una lnea entre un par de
vrtices. En tan caso puede modificarse la definicin de la matriz de
adyacencia de modo que
a ij
sea el nmero de lneas entre los vrtices i y j .
Definimos una trayectoria en un grafo como una sucesin de lneas que nos
permiten viajar de un vrtice a otro de manera continua.
La longitud de un trayectoria es el nmero de lneas (aristas) que contiene,
adems haremos referencia a una trayectoria con K lneas como una K trayectoria.
En general una K trayectoria (o K cadena) atraviesa por n aristas (y por lo
tanto por n + 1 vrtices).
Para el grafo:
Tenemos:
1) V1 V3 V2 V1
V1V3V2V1
Es una 3 trayectoria, podemos decir que es un circuito o trayectoria cerrada, ya que,

comienza y finaliza en el mismo vrtice.
2) V4 V1 V2 V2 V1 V3 V4V1V2V2V1V3
Es una 5 trayectoria. Una trayectoria que incluye la misma lnea (bucle) ms de una
vez, se llama trayectoria redundante.
3) V3 V1 V4
V3V1V4
Es Una 2 trayectoria. Una trayectoria que NO incluye la misma lnea ms de una

vez, se llama trayectoria simple.
208
Es de gran inters poder determinar la trayectoria ms corta (si la hay) que une
2 vrtices de un grafo o digrafo.
Podemos utilizar las potencias de una matriz de adyacencia de un grafo para
obtener informacin acerca de las trayectorias de diversas longitudes entre los vrtices
de un grafo.
Trabajemos con un grafo que nos es familiar.
0
1
A
1
1
1
1
1
1
0
0
0
1
0
0
Hallemos A 2 :
0
1
2
A
1
1
1
1
0
1
1
0
0
1 0
0 1
0 1
0 1
1
1
1
0
1
1
0
0
1 3
0 2
0 1

0 0
2
3
2
1
1
2
2
1
0
1
1
Examinemos la entrada 2,3 .

Recurso:
a b = a1
A
2
23
a2
b1
b
a n 2 a1b1 a 2 b2 a n bn

bn
a 21 a13 a 22 a 23 a 23 a33 a 24 a 43
La nica manera en la que esta expresin resulta en un nmero distinto de CERO, es si

por lo menos 1 de los productos
a2k ak 3
es distinto de CERO.
209
Pero a2 k ak 3 es distinto de CERO si y slo si, tanto a2 k como a k 3 son diferentes de

CERO, lo que significa que EXISTE una lnea entre V2 y Vk , adems de una lnea entre
Vk y V3 .
De este modo puede EXISTIR al menos una, 2 trayectoria entre los vrtices 2 y 3
(va el vrtice k ).
Note que esto ocurre para k 1 y k 2 , de manera que:
A
2
23
a 21 a13 a 22 a 23 a 23 a 33 a 24 a 43
11 11 10 00
2
Lo que nos dice que EXISTEN, dos 2 trayectorias entre los vrtices 2 y 3, va V1 y
V2 (bucle).
Las trayectorias son:
@ k =1
V3 V1 V2 V2 V1 V3
V2V1V3 V3V1V2
@ k =2
V3 V2 V2 V2 V2 V3
V2V2V3 V3V2V2
Teorema:
210
Si A es la matriz de adyacencia de un grafo G, entonces la entrada

es igual al nmero de k trayectorias entre los vrtices i y j .
i, j de A K
- Ejemplo demostrativo 3: La k trayectoria ms corta entre 2 vrtices de un

grafo.
Halle la k trayectoria ms corta entre V1 y V5 .

La siguiente tabla muestra las lneas de comunicacin (bidireccional) entre las
terminales de una red de telefona celular.
Terminal
1
2
3
4
5
2
X
X
X
X
X
X
El grafo y la matriz de adyacencia correspondiente son:
0
1
A 0
0
0
1 0 0 0
0 1 1 0
1 0 0 1
1 0 0 1
0 1 1 0
Puesto que, A 51 a15 a51 0 , NO EXISTE trayectoria simple (1

trayectoria) entre V5 y V1 .
Es evidente que la k trayectoria ms corta (si EXISTE) es una 2 trayectoria.
0
1
A 2 0
0
0
Notamos que
A
2
15
1 0 0 0 0
0 1 1 0 1
1 0 0 1 0
1 0 0 1 0
0 1 1 0 0
A2
51
1 0 0 0 1
0 1 1 0 0
1 0 0 1 1

1 0 0 1 1
0 1 1 0 0
0 1 1 0
3 0 0 2
0 2 2 0
0 2 2 0
2 0 0 2
0 entones NO HAY 2 trayectorias entre V1 y V5 .
211
0
1
A 3 0
0
0
Note que
V5 .
1 0 0 0 0
0 1 1 0 1
1 0 0 1 0
1 0 0 1 0
0 1 1 0 0
A
3
15
A3
51
1 0 0 0 0
0 1 1 0 1
1 0 0 1 0
1 0 0 1 0
0 1 1 0 0
1 0 0 0 0
0 1 1 0 3
1 0 0 1 0

1 0 0 1 0
0 1 1 0 2
3 0 0 2
0 5 5 0
5 0 0 4
5 0 0 4
0 4 4 0
2 entones EXISTEN, dos 3 trayectorias entre V1 y
Analicemos el producto punto, que origina al componente
a15 .
Recurso:
a b = a1
b1
b
a 2 a n 2 a1b1 a 2 b2 a n bn

bn
A 3 15 a11 a15 a12 a 25 a13 a35 a14 a 45 a15 a55
0 0 12 0 0 0 0 0 2
2
Como
a1k ak 5 0 , para k 2 .
EXISTEN, dos 3 trayectorias entre V1 y V5 , va V2 .

En efecto, las dos 3 trayectorias son:
V1 V2 V3 V5
V1 V2 V4 V5
En general los grafos indican las lneas de comunicacin (o enlace) entre los
elementos (terminales) de una red. Cuando la comunicacin es bidireccional.
En la REALIDAD se requiere alguna veces que la comunicacin ocurra de un
punto a otro, pero, NO en sentido contrario (comunicacin sin retorno o unidireccional).
As las lneas de comunicacin entre las terminales (vrtices) de una red sern lneas
dirigidas.
212
En este caso la grfica de la red es un digrafo (o grfica dirigida).
Nota: En un digrafo como la comunicacin entre 2 puntos (vrtices), NO SIEMPRE

ocurre en ambas direcciones. Su matriz de adyacencia (o incidencia)
generalmente NO es simtrica.
Si se presenta el caso de que la comunicacin entre las terminales de una red es
SIEMPRE bidireccional es mejor usar un grafo, en vez de un digrafo.
- Ejemplo demostrativo 4: Un digrafo y su matriz de adyacencia.
0
0
A
0
1
0
1
1
0
0
0
0
1
1
1
- Ejemplo demostrativo 5: Obtencin de un digrafo a partir de la matriz de

adyacencia.
0
1
A 0
1
0
1 1 0 1
0 0 1 0
1 0 0 0
0 1 0 1
1 1 1 0
Solucin:
Como la matriz de adyacencia (o incidencia) es de 5 x 5, el digrafo tiene 5 vrtices.
Halle las k trayectorias ms cortas desde V4 a V2 .

Slo analizaremos los productos punto que nos interesan
A
K
42 .
213
Como A 42 a42 0 , por lo tanto NO EXISTE trayectoria simple (1

trayectoria) desde V4 a V2 .
Aunque, SI EXISTE trayectoria simple (1 trayectoria) en sentido contrario, es decir,
desde V2 a V4 .
0
1
A 2 0
1
0
A
2
42
1
0
1
0
1
1
0
0
1
1
0
1
0
0
1
1 0
0 1
0 0
1 1
0 0
1
0
1
0
1
1
0
0
1
1
0
1
0
0
1
1
0
0
1
0
1
0

1 0 1 0 1 1 a 41 a12 a 42 a 22 a 43 a32 a 44 a 42 a 45 a52

0
1
A
2
42
11 0 0 11 0 0 11
3
Como
a4 k ak 2 0 , para k 1 , k 3 y k 5 .
EXISTEN, tres 2 trayectorias para comunicar V4 con V2 , a travs de los vrtices V1 ,

V3 y V5 .
214
En efecto, las tres 2 trayectorias son:
Recuerde:
La matriz de adyacencia de un digrafo es simtrica si y slo si, TODAS las lneas de
comunicacin fluyen en ambos sentidos. Entonces el digrafo se puede representar como
un grafo.
Slo MAESTROS, propuesto demostracin opcional CLASE.

- Interpretacin geomtrica del determinante de 2 x 2:
a b
. Graficamos en el plano xy los puntos (a, c) y (b, d) y trazamos
c d
Sea A
segmentos de recta de (0, 0) a cada punto. Se supone que estas 2 rectas NO son
colineales. Esto es lo mismo que suponer que (b, d) NO es un mltiplo de (a, c). As
garantizamos det A 0 .
El rea generada por A se define como el rea del paralelogramo con 3 vrtices en
0,0 , a, c y b, d .
215
* Esta forma general se cumple sin importar el cuadrante de A a, c y B b, d .

El rea del paralelogramo es A = OQ OA [rea = (base) (altura)].
Demostraremos que A = det A .
Suponemos que a y c son diferentes de CERO.
Demostracin:
La base del paralelogramo es OA
a2 c2 .
Aunque desconocemos el punto Q sabemos que el segmento OQ intersecta y es

perpendicular a BC .
Obtenemos la ecuacin de la recta que pasa por el segmento BC en su forma punto
pendiente y mx b .
y y1 mx x1
c
x b
a
c
bc
y x d
a
a
c
ad bc
y x
a
a
det A
c
y x
a
a
yd
216
Ahora hallamos la ecuacin de la recta que pasa por el segmento OQ . La pendiente es

a
.
c
Recuerde:
Si m1 y m 2 son las pendientes de 2 rectas, las rectas son

perpendiculares si y slo si el producto de sus pendientes es -1.
m1 m2 1
La ecuacin es:
a
x
c
Nuestro punto conocido x1 , y1 sobre la recta, fue el origen 0,0 .

Ahora hallamos el punto de interseccin de las rectas que pasan por los segmentos
BC y OQ .
Igualando las ecuaciones, tenemos:
a
c
det A
x x
c
a
a
a c det A
x
a
c a
a 2 c 2 det A

x
a
ac
c det A
x 2
a c2
c det A
x 2
a c2
Entonces:
y
y
a
x
c
a c det A
c a2 c2
a det A
a2 c2
217
c det A a det A
, 2
2
2
2 .
a c a c
El punto de interseccin es Q
Por ltimo obtenemos la longitud del segmento OQ y la multiplicamos por
OA a 2 c 2 , para hallar el rea del paralelogramo.

2
c det A a det A
2
OQ 2
2
2
c
a
c
c 2 det A
OQ
2 2
a 2 det A
c2
c2 a2
OQ det A
2
a 2 c 2
2
a2 c2
OQ det A
OQ det A
OQ
c2
1
a2 c2
det A
a2 c2
El rea del paralelogramo determinado por 0,0 , a, c y b, d es:

A
OQ OA
det A

2
2
a c
A=
En efecto, A =
det A
a2 c2
det A
es el rea del paralelogramo.

218
UNIDAD 4: Espacios vectoriales.

Introduccin (Fragmento, Introduccin al lgebra lineal, Howard Anton, pp. 203):
La idea de usar parejas de nmeros (pares ordenados) para localizar puntos en el
plano R 2 y ternas ordenadas de nmeros para localizar puntos en el espacio
tridimensional R 3 , fue explicada por primera vez a mediados del siglo 17. Al final del
siglo 19 los matemticos y los fsicos comenzaron a darse cuenta de que NO era
necesario detenerse en las ternas.
Se reconoci que las cudruplas ordenadas de nmeros
a1 , a2 , a3 , a4
podan
considerarse como puntos en un espacio de 4 dimensiones R 4 , las quntuplas

a1 , a2 , a3 , a4 , a5 como puntos en un espacio de 5 dimensiones R 5 , y as
sucesivamente.
A pesar de que nuestra representacin geomtrica se limita al espacio tridimensional,
muchos de los conceptos conocidos se pueden extender ms all del espacio de 3
dimensiones, trabajando con las propiedades analticas y numricas de puntos y
vectores, en vez de con las propiedades geomtricas.
Antecedentes: Espacios vectoriales euclidianos.

- Vectores en el espacio n dimensional:
Si n es un entero positivo, entonces una n-ada ordenada es una sucesin de n nmeros
reales a1 , a 2 ,, a n . El conjunto de TODAS las n-adas ordenadas se denomina
espacio n dimensional (o de n dimensiones) y se denota por
Rn .
n
- Forma punto vector en R :
n
Una n-ada ordenada a1 , a 2 ,, a n se puede considerar un punto general en R o
n
un vector general definido en n dimensiones (vector en R ), donde a1 , a 2 , , a n son
n
las componentes del vector general en R , en cada uno de los n ejes dimensionales.
- Espacios vectoriales euclidianos (importante):

Como sabemos un vector en R 2 de la forma r = <a, b> puede expresarse como una
combinacin lineal de 2 vectores unitarios ortogonales (vectores de la base normal i
y j), tales que:
r = ai + bj
219
3
Del mismo modo un vector en R , v = <a, b, c> puede expresarse como la
combinacin lineal
v = ai + bj + ck
Donde i, j y k son 3 vectores unitarios ortogonales (vectores de la base normal i, j y
k).
As como denominamos R 2 y R 3 al conjunto de TODOS los pares ordenados y
ternas ordenadas (respectivamente) de nmeros reales.
Denominaremos V 2 al conjunto de vectores con componentes definidos en 2
dimensiones R 2 de la forma general r = <a, b>, que se pueden expresar como una
combinacin lineal de 2 nmeros reales y 2 vectores de 2 dimensiones R 2 tales que,
r = ai + bj, donde el par ordenado (a, b) es el punto final de un vector de posicin r =
<a, b>; e i y j son los vectores de la base normal i y j.
Caso anlogo para V 3 cuyo conjunto de vectores puede representarse como una
combinacin lineal de 3 nmeros reales (escalares) y 3 vectores unitarios ortogonales
entre s, tales que, cualquier vector de V 3 se puede representar como:
v = ai + bj + ck
Entonces podemos decir que V 2 y V 3 son espacios vectoriales, puesto que, TODOS
sus vectores cumplen la ley de composicin interna para la suma y multiplicacin
por un escalar.
Importante:
Cuando el conjunto de vectores V n se expresa como una combinacin lineal de n-adas
y los vectores de la base normal i, j y k, se dice que V n es un espacio vectorial
euclidiano.
Si los vectores de V n tienen componentes sobre un conjunto cualquiera de
n
vectores definidos en R , se dice que V n es un espacio vectorial general o
simplemente espacio vectorial.
n
- Igualdad de 2 vectores en R :
n
Sean 2 vectores u = u1 , u 2 , , u n y v = v1 , v2 ,, vn en R , se denominan iguales
si
u1 v1 , u 2 v2 , , un vn
220
n
- Suma de vectores en R :
n
Sean 2 vectores u = u1 , u 2 , , u n y v = v1 , v2 ,, vn en R , tenemos:
u + v = u1 v1 , u 2 v2 ,, u n vn
n
- Multiplicacin de un vector por un escalar en R :
n
Sea u = u1 , u 2 , , u n un vector en R y k cualquier escalar, tenemos:
k u = ku1 , ku 2 ,, ku n
Si u = u1 , u 2 , , u n es cualquier vector en R , entonces el negativo (o inverso

aditivo) de u es:
- u = u1 ,u 2 ,,u n
n
n
La diferencia de vectores en R se define por:
v u = v + (- u)
O en trminos de sus componentes:
v u = v1 u1 , v2 u 2 ,, vn u n
n
- Elemento neutro para vectores en R :
n
El elemento neutro vlido para vectores en R es la identidad aditiva.
Despejemos el vector x de la ecuacin vectorial x + u = v.

(x + u) + (-u) = v + (-u)
x + (u u) = v u
x=vu
- Producto interior euclidiano:
n
Si u = u1 , u 2 , , u n y v = v1 , v2 ,, vn son vectores cualesquiera en R , entonces
el producto interior euclidiano u v se define por:
u v = u1v1 u 2 v2 u n vn
Note que cuando n = 2 o 3, el producto interior euclidiano es el producto punto.
221
- Norma y distancia en el espacio euclidiano n dimensional.

n
La norma (longitud o magnitud) de un vector u = u1 , u 2 , , u n en R es:
u = (u u)
1/ 2
u1 u 2 u n
Recuerde: a a = a2.
De manera semejante la distancia entre 2 puntos U u1 , u 2 ,, u n y V v1 , v 2 ,, v n
n
en R se define:
d(u, v) =u - v=
u1 v1 2 u 2 v2 2 u n vn 2
Que es el teorema de Pitgoras en n dimensiones.

- Ortogonalidad:
n
2 vectores u = u1 , u 2 , , u n y v = v1 , v 2 ,, vn en R , se denominan ortogonales
si
uv=0
Ya que, por la definicin de producto punto, tenemos:
u v = uv cos
Si 90 , cos 0 y u y v son ortogonales (perpendiculares).
- Ley de composicin interna:
Una operacin es vlida para los elementos de un conjunto, si tiene como resultado otro
elemento del mismo conjunto.
4.1 Definicin de espacio vectorial y sus propiedades.

Un espacio vectorial real V es un conjunto de objetos, llamados vectores, junto con 2
operaciones llamadas suma (resta) y multiplicacin por un escalar, que satisfacen los
siguientes 10 axiomas.
Estos axiomas permiten llamar vectores a cualquier clase (coleccin) de objetos que
satisfacen dichos axiomas.
222
Nota: Cuando hablamos de un espacio vectorial real significa que los escalares que se
usan son nmeros reales. Entonces un espacio vectorial complejo usar
nmeros complejos.
- Axiomas de un espacio vectorial:
1) Si x V y y V , entonces x + y V (ley de composicin interna).
2) Para TODO x y y en V , (x + y) + z = x + (y + z) (ley asociativa de la suma de
vectores).
3) EXISTE un vector 0 V , tal que, para todo x V , x + 0 = 0 + x = x (identidad
aditiva).
4) Si x V , EXISTE un vector x V , tal que, x + (- x) = 0.
5) Si x y y estn en V , entonces x + y = y + x (ley conmutativa).
6) Si x V y k es un escalar, entonces k v V (ley de composicin interna).
7) Si x y y estn en V y k es un escalar, entonces k (x + y) = k x + k y (primera
ley distributiva).
8) Si x V y a y k son escalares, entonces ( a + k )x = a x + k x (segunda ley
distributiva).
9) Si x V y a y k son escalares, entonces a ( k x) = ( a k )x = a k x (ley
asociativa de la multiplicacin por escalares).
10) Para cada vector x V , 1x = x (identidad multiplicativa).
A continuacin analizaremos diversas colecciones (conjuntos) de objetos y
determinaremos si forman o NO un espacio vectorial.
n
- Ejemplo demostrativo 1: El espacio R .
x1
x2
n
Sea V R : xi R, i 1,2,, n .
x n
Cada vector en R es un matriz de n x 1. Segn la definicin de suma de matrices, x

+ y es una matriz de n x 1 si x y y son matrices de n x 1. Y haciendo
223
0
0
0=
x1
x
x = 2

x n
Se cumplen TODOS los axiomas de un espacio vectorial.

n
Entonces R es un espacio vectorial.
- Ejemplo demostrativo 2: Un espacio vectorial trivial.

Sea V 0 , es decir, V slo consiste en el nmero CERO.
Como 0 0 1 0 0 (0 0) (0 0) 0 0 .
V 0 es un espacio vectorial, comnmente llamado espacio vectorial trivial.
- Ejemplo demostrativo 3: Un conjunto (coleccin) de objetos que NO es un espacio

vectorial.
Sea V 1 , es decir, V consiste slo en el nmero 1.
NO es un espacio vectorial, ya que, viola el axioma 1) (ley de composicin interna), 1
+ 1 = 2 y 2 V . Basta demostrar que un axioma NO se cumple para afirmar que el
conjunto NO es un espacio vectorial, es decir, sus elementos NO pueden ser
considerados vectores.
- Ejemplo demostrativo 4: El conjunto de puntos en R 2 que estn en una recta que
pasa por el origen constituye un espacio vectorial.
Sea V x, y : y mx; x, y, m R. Donde m R es constante (pendiente de la
recta) y x es una variable real.
Es decir, V consiste en TODOS los puntos que estn sobre la recta y mx que pasa
por el origen y tiene pendiente m.
Para demostrar que V es un espacio vectorial, se puede verificar que se cumple cada
uno de los axiomas.
Axioma 1):
Suponga que x = x1 , y1 y y = x 2 , y 2 estn en V . Entonces y1 mx1 ,

y 2 mx 2 y
224
x + y x1 , y1 x2 , y 2 x1 , mx1 x2 , mx 2
x1 x2 , mx1 mx 2
x1 x2 , m x1 x2 V
Se cumple la ley de composicin interna para la suma de vectores.
Axioma 4):
x, y V .
Suponga
que
Entonces
x, y x, mx x, m x , de manera que
x, mx x, m x x x, mx x 0,0 0.
y mx
x, y V
y
y
Como 0 V , es fcil demostrar los axiomas restantes.

V es un espacio vectorial.
El conjunto de puntos x, y , sobre una recta en R 2 que pasa por el origen, pueden ser
considerados vectores.
Es fcil observar que TODOS los puntos x, y sobre cualquier recta que pasa por el
origen, se puede expresar como un vector de posicin de la forma x y .
Maple:
plot([99999*x,2*x,x,.5*x,.3*x,0],x=-7..7,y=7..7,scaling=constrained,color=[red,green,blue,cyan,brown,yellow]);
225
- Ejemplo demostrativo 5: El conjunto de puntos en R 2 que estn sobre una recta

que NO pasa por el origen, NO constituye un espacio vectorial.
Sea V x, y : y 2 x 1; x R . Es decir, V es el conjunto de puntos x, y sobre la
recta y 2 x 1 .
V NO es un espacio vectorial, puesto que, NO se cumple la cerradura bajo la suma
(ley de composicin interna para la suma).
Demostracin:
Suponga que los vectores x1 , y1 y x 2 , y 2 estn en V . Entonces x1 , y1 + x 2 , y 2 =
x1 x2 , y1 y 2 . Si el vector del lado derecho estuviera en V , se tendra
y1 y 2 2 x1 x 2 1 .
Pero, y1 2 x1 1 y y 2 2 x 2 1 de manera que y1 y 2 2 x1 x 2 2 , que es una
recta diferente a la que define a V .
Por lo tanto x1 x 2 , y1 y 2
si x1 , y1 y x 2 , y 2 estn en V .
Adems note que 0 = 0,0 NO esta en V .

El conjunto de elementos en R 2 sobre cualquier recta que NO pasa por el origen, NO
forman un espacio vectorial. Es decir, los pares ordenados x, y que constituyen a la
recta en R 2 , NO pueden considerarse vectores.
226
Es fcil observarlo:
Note que cuando decimos vectores hacemos referencia a vectores de posicin.

Maple:
plot([2*x+1,2*x+2],x=-3..3,y=2..4,scaling=constrained,color=[cyan,green]);
- Ejemplo demostrativo 6: El conjunto de puntos en R 3 que est en un plano que

pasa por el origen constituye un espacio vectorial.
Sea V x, y, z : ax by cz 0; a, b, c, x, y, z R. Para el plano ax by cz 0 , el
vector normal es n = <a, b, c> y P0 0,0,0 .
Esto es, V es el conjunto de puntos en R 3 que est en el plano con vector normal n =
<a, b, c> y que pasa por el origen.
Demostracin:
Suponga que x1 , y1 , z1 y x 2 , y 2 , z 2 estn en V .
227
Entonces x1 , y1 , z1 + x 2 , y 2 , z 2 = x1 x 2 , y1 y 2 , z1 z 2 V , porque
a x1 x 2 b y1 y 2 cz1 z 2 ax1 by1 cz1 ax 2 by 2 cz 2 0 0 0

Este resultado garantiza TODOS los axiomas.
As, el conjunto de puntos que est en un plano en R 3 que pasa por el origen, forma un
espacio vectorial.
x, y, z sobre un plano de la forma ax by cz 0

pueden considerar un vector x, y, z en R .
TODAS las ternas ordenadas
se
Note que el espacio vectorial V tiene 2 dimensiones.
Maple:
plot3d([(2/12)*x-(.3)*y],x=-1..5,y=3..3,axes=normal,color=[yellow],scaling=constrained,transparency
=0.3,grid=[2,2]);
- Ejemplo demostrativo 7: El espacio vectorial Pn .
Sea V Pn , el conjunto de polinomios con coeficientes reales de grado menor o igual a

n. se dice que las funciones constantes, incluyendo f x 0 son polinomios de grado
CERO.
Si P Pn , entonces:
Donde cada
ai
p x a n x n a n 1 x n 1 a1 x a0
es real. La suma de p x q x est definida de la manera usual, si
q x = bn x bn 1 x n 1 b1 x b0 , entonces:
n
228
p x q x a n bn x n a n 1 bn 1 x n 1 a1 b1 x a0 b0
Es claro que la suma de 2 polinomios de grado menor o igual a n es otro polinomio de
grado menor o igual a n (ley de composicin interna).
Si se define al polinomio 0 = 0 x n 0 x n 1 0 x 0 , 0 Pn .
Por ltimo, sea p x a n x n a n 1 x n 1 a1 x a 0 .
Por lo tanto, Pn es un espacio vectorial.
- Ejemplo demostrativo 8: El espacio vectorial
M 34 .
Si V M 34 denota el conjunto de TODAS las matrices de 3 x 4 con componentes

reales, entonces con la suma de matrices y multiplicacin por un escalar, verificamos
que M 34 es un espacio vectorial con 0 como la matriz CERO de 3 x 4 y A a ij
que tambin est en V M 34 .

V M 34 es un espacio vectorial.
De igual forma, M mn el conjunto de TODAS las matrices de m x n con componentes

reales, forma un espacio vectorial para cualesquiera enteros positivos m y n.
- Ejemplo demostrativo 9: El espacio vectorial C n .

n
Sea V C z1 , z 2 , , z n : z i C ; i 1,2, , n.
V C n forma un espacio vectorial.
Ejercicios resueltos (4.2, lgebra lineal, Stanley I. Grossman, quinta edicin):
1 20 Determine si el conjunto dado es un espacio vectorial, si NO lo es, d una lista de

los axiomas que no se cumplen.
Solucin ambos, propuesto EXAMEN.
3)
x, y : y 0; x, y R con la suma y multiplicacin por un escalar usuales.
Solucin:
V es el conjunto de vectores de 2 dimensiones, tales que, x, y representa a TODO
vector del espacio vectorial.
229
Note que el espacio vectorial corresponde a la subregin de R 2 que corresponde al 3

y 4 cuadrantes.
Si la multiplicacin por un escalar de x, y est definida, tenemos x, y x, y ,
caso posible, ya que, k R .
Pero, como y 0 TODOS los vectores de la forma k x, y , para k 0 , NO pertenecen
a V . Adems la suma de 2 vectores x1 , y1 x2 , y 2 x1 x2 , y1 y 2 NO siempre

se encuentra en V .
As, NO se cumple la cerradura bajo la suma y multiplicacin por un escalar.
V NO es un espacio vectorial.
Slo Maestros, propuesto EXAMEN.

4) Los vectores que estn en el primer cuadrante en R 2 .
Solucin:
Definimos V como V x, y : x 0, y 0; x, y R.
La multiplicacin por un escalar k R genera vectores de la forma kx,ky , pero,
x 0, y 0 , por lo que kx,ky V . Adems la suma de 2 vectores
x1 , y1 x2 , y 2 x1 x2 , y1 y2 NO siempre esta en V .
Por lo tanto, V NO genera un espacio vectorial.
230
5) El conjunto de vectores en R 3 de la forma x, x, x .

Solucin:
Interpretaremos geomtricamente la regin que describe a V x, x, x : x R .
Para que V sea un espacio vectorial TODOS los vectores x, x, x se encuentran sobre
la recta en R 3 con vector paralelo v = 1,1,1 (y sus mltiplos escalares) y pasa por
P0 0,0,0 .
Recurso: r = r 0 + tv [Ecuacin vectorial de la recta en R 3 ]
Las ecuaciones paramtricas son:
xt
yt
zt
El vector 0 = 0,0,0 V , al igual que TODOS los mltiplos escalares k x, x, x k R

y la suma x, x, x k x, x, x V , puesto que en todo momento las componentes del
vector x, x, x son reales y pertenecen a V .
V es un espacio vectorial.
231
Maple:
plot3d([[t,t,t],[-1+t,-1+t,-1+t],[-20+t,-20+t,-20+t]],t= -10 ..
10,s=-2..2,axes=normal,scaling=constrained);
10) El conjunto que consiste en un solo vector 0,0 bajo las operaciones usuales en R 2 .
Solucin:
V 0,0, k 0,0 0,0, 0,0 0,0 0,0 .

Como existe cerradura bajo la suma y multiplicacin por un escalar, V es un espacio
vectorial.
En este caso es un espacio vectorial trivial.
Ambos, propuesto EXAMEN/PUNTO EXTRA.
15) El conjunto de puntos en R 3 que estn sobre la recta con ecuaciones paramtricas
x t 1 , y 2t y z t 1 .
Solucin:
Para que V x, y, z : x t 1, y 2t , z t 1; t R , sea un espacio vectorial, el
vector 0 EXISTE y 0,0,0 V , es decir, la recta en R 3 con vector paralelo v = 1,2,1
pasa por P0 0,0,0 .
Para que esto se cumpla las variables x , y y z , deben ser CERO simultneamente, es
decir, para un mismo valor del parmetro t.
232
0 t 1
0 2t
0 t 1
t 1
t0
t 1
Entones la recta en R 3 que define a V , NO pasa por el origen.

V NO es un espacio vectorial.
Es fcil observar que los puntos

(vectores de posicin).
x, y , z ,
NO pueden ser considerados vectores
16) R 2 con la suma definida por x1 , y1 x2 , y 2 x1 x 2 1, y1 y 2 1 y la

multiplicacin por un escalar ordinaria.
Solucin:
V NO puede ser un espacio vectorial, ya que, x1 , y1 0,0 x1 1, y1 1 x1 , y1 .
As, el conjunto de pares ordenados x, y NO pueden ser considerados vectores y

V x, y : x1 , y1 x2 , y 2 x1 x2 1, y1 y 2 1; x, y R NO es un espacio
vectorial.
18) El conjunto que consiste en un objeto son la sume definida por objeto + objeto =
objeto y la multiplicacin por un escalar como objeto objeto .
Solucin:
V es un espacio vectorial trivial, podemos considerar 0 objeto , 0 0 0 y 0 0 .
233
20) El conjunto de nmeros reales de la forma a b 2 , donde a, b son nmeros

racionales, bajo la suma de nmeros reales usual y la multiplicacin por un escalar
definida slo para escalares racionales.
Solucin:
p
r
V x : x a b 2 , a , b , q 0, s 0; x, a, b, p, q, r , s R
q
s
Sea x1 a1 b1 2 R y x 2 a 2 b2 2 R , x1 x 2 R . 0 = 0 0 2 0 y si
t
k , u 0; k , t , u R , tenemos kx1 k a1 b1 2 ka1 kb1 2 donde ka1 y kb1
u
son nmeros racionales y ka1 kb1 2 sigue siendo real.
Note que tanto la suma como la multiplicacin de nmeros racionales es un nmero
racional.
Por lo tanto V , forma un espacio vectorial.
4.2 Definicin de subespacio de un espacio vectorial y sus propiedades.

- Concepto de subconjunto:
A R : A es un subconjunto de R . TODOS los

elementos de A pertenecen originalmente a R .
As, R 2 es un espacio vectorial y puede tener
diferentes subconjuntos V que tambin son
espacios vectoriales V R 2 , V R 2 .
Entonces decimos que V
vectorial de R 2 .
es un subespacio
- Definicin de subespacio vectorial:
Sea H un subconjunto NO vaco de un espacio vectorial V y suponga que H es en si

un espacio vectorial bajo las operaciones de suma y multiplicacin por un escalar
definidas en V H V . Entonces se dice que H es un subespacio de V , es decir,
los elementos del subconjunto H pueden considerarse vectores bajo la definicin de
V.
El subespacio H hereda las propiedades del espacio vectorial padre V .
Primero demostraremos un resultado que facilita determinar si un subconjunto de V ,
es el realidad un subespacio de V .
234
Teorema 1:
Un subconjunto NO vaco H de un espacio vectorial V , es un subespacio de V si se

cumplen las 2 reglas de cerradura (ley de composicin interna).
1) Si x H y y H , entonces x + y H .
2) Si x H , entonces x H , para TODO escalar .
Es evidente que si R , 0x = 0 H satisface los axiomas de un espacio vectorial
restantes.
Usando simbologa de conjuntos: H V .
Muy importante:
TODO subespacio de un espacio vectorial V contiene al vector 0.

Note que esta condicin tambin aplica a V .
Es decir, si un subconjunto H NO contiene al vector 0, H NO es un subespacio de V
(de hecho, NO es un espacio vectorial).
Note que el vector 0 en H ( H subespacio de V ), es el mismo que el vector 0 en V .
Daremos algunos ejemplos de subespacios de espacios vectoriales.
- Ejemplo demostrativo 1: El subespacio trivial.
Para cualquier espacio vectorial V , el subconjunto {0} que consiste en el vector

CERO, es un subespacio, ya que, 0 + 0 = 0 y 0 = 0 R . Llamaremos al
subconjunto H = {0}, subespacio trivial de V .
- Ejemplo demostrativo 2: Un espacio vectorial es un subespacio en s mismo.
Para cada espacio vectorial V , V es un subespacio en s mismo V V ,V V .

- Subespacios propios:
TODO espacio vectorial V contiene (al menos) 2 subespacios, {0} y V . Los

subespacios distintos a {0} y V , se llaman subespacios propios.
- Ejemplo demostrativo 3: Un subespacio propio de R 2 .
Sea H x, y : y mx; x R. Sabemos que el conjunto de puntos sobre cualquier

recta en R 2 que pasa por el origen es un espacio vectorial. Es fcil observar que
H R2 .
235
Por lo tanto, H es un subespacio propio de R 2 .

El conjunto de puntos x, y sobre cualquier recta en R 2 que pasa por el origen
y mx pertenece a un subconjunto de R 2 .
Las rectas que pasan por el origen son el nico tipo de subespacio propio de R 2 .
- Ejemplo demostrativo 4: Un subespacio propio de R 3 .
Sea H x, y, z : x at , y bt , z ct; a, b, c, t R .
Entonces H consiste en los vectores en R 3 que estn sobre una recta en R 3 que pasa
por el origen y tiene vector normal n = <a, b, c>.
Sean x = at1 , bt1 , ct1 H y y = at 2 , bt 2 , ct 2 H
x + y = at1 t 2 , bt1 t 2 , ct1 t 2 H
x = at1 , bt1 , ct1 H

Adems H R 3 , ya que, x + y R 3 y x R 3 , es decir H R 3 .
Podemos escribir H R 3 R 3 .
H es un subespacio de R 3 .
236
- Ejemplo demostrativo 5: Otro subespacio propio de R 3 .
Sea S x, y, z : ax by cz 0; a, b, c R .
As pertenecen a S el conjunto de puntos sobre el plano en R 3 , con vector normal n =
<a, b, c> y que pasa por P0 0,0,0 .
Entonces S es un espacio vectorial.
Adems S R 3 R 3 , puesto que las ternas ordenadas x, y, z de S estn en R 3 .
Por lo tanto, S es un subespacio de R 3 .
Las rectas y los planos en R 3 que pasan por el origen son los 2 nicos tipos de
subespacios propios de R 3 .
Maple:
plot3d([x,(1/6)*x-(5/6)*y,(-1/6)*x+(5/6)*y],x=-1.5..2,y=1.5..2,axes=normal,color=x*y*x,scaling=constrained,transparency=
0.4,grid=[2,2]);
Nota: TODOS los espacios vectoriales tienen un origen comn, puesto que, el vector
0 pertenece (necesariamente) a cualquier espacio vectorial o subespacio de un
espacio vectorial.
237
NO tiene subespacios propios.
Sea H un subespacio de R (espacio vectorial real de una dimensin). Si H {0},

H R (o no se tiene un espacio vectorial).
Es decir, R NO tiene subespacios propios, no obstante R R .
Teorema 2:
Sean H 1 y H 2 , 2 subespacios de un espacio vectorial V . Entonces H 1 H 2 es un

subespacio de V .
Demostracin:
Observe que H 1 H 2 NO es vaco, puesto que, contiene (necesariamente) al vector 0.

Sea x 1 H 1 H 2 y x 2 H 1 H 2 . Entonces como H 1 y H 2 son subespacios,
x 1 +x 2 H 1 y x 1 +x 2 H 2 . Esto es, x 1 +x 2 H 1 H 2 .
De manera similar, x 1 H 1 H 2 . Por lo tanto, se cumplen los axiomas de
cerradura y H 1 H 2 , es un subespacio de V .
El conjunto de interseccin de 2 subespacios, es al menos el vector CERO 0.
- Ejemplo demostrativo: La interseccin de 2 subespacios de R 3 es un subespacio.
En R 3 sea
H 1 x, y, z : 2 x y z 0; x, y, z R y H 2 x, y, z : x 2 y 3 z 0; x, y, z R
Entonces H 1 y H 2 consisten en vectores sobre 2 planos diferentes que pasan por el

origen. Claramente H 1 R 3 y H 2 R 3 .
H 1 H 2 es la interseccin de los planos que pasan por el origen. Nuestros
conocimientos de geometra analtica en el espacio nos indican que el conjunto de
interseccin lo describe una recta en R 3 .
Hallemos la recta de interseccin usando lgebra (sistemas de ecuaciones) y teora de

matrices.
2x y z 0
x 2 y 3z 0
238
2 1 1 0
1 2 3 0
Reduciremos por renglones y eliminacin de Gauss Jordan con pivoteo.
2 1 1 0
1 2 3 0

1 1 1 0
2
2
1
2
3
0

-1 y lo sumamos con R2 .
1 1 1 0
2
2
5
7
0
0
2
2

2
1 1 1 0
2
2
7
1
0
0
5

1 y lo sumamos con R1 .
2
1 0 1 0
5
7
0
0 1
5
NO hay siguiente pivote.
La ltima matriz aumentada equivale al sistema.

x 1 z 0
5
y7 z 0
5
Aplicando el concepto de variable libre, tenemos.
nr t
3 2 1
tR
[1 variable libre]
z t.
La recta de interseccin tiene ecuaciones paramtricas.
x 1 t
5
y 7 t
5
z t
239
Es una recta en R 3 con vector paralelo v = < 1 , 7 ,1 > que pasa por el origen.
5
5
As, el conjunto de ternas ordenadas que la forman pueden considerarse vectores.
Por lo tanto, H 1 H 2 es un subespacio de R 3 .
2) V R , H x, y : x y; x, y R
2
Solucin:
H es el conjunto de pares ordenados x, y sobre la recta y x , con m 1 , 45 ,

que pasa por el origen. Por lo tanto, los pares ordenados x, y se pueden considerar
vectores y H es un espacio vectorial.
Es claro, que la recta y x esta en R 2 H V .
Por lo tanto H es un subespacio de V .
Ambos, propuesto EXAMEN (puede usar R 3 y una esfera).
4) V R 2 , H x, y : x 2 y 2 1; x, y R
Solucin:
Cuando una regin est en R 2 o R 3 , la interpretacin geomtrica de esta puede ser
muy til para determinar s los conjuntos de pares o ternas de nmeros reales, pueden
ser considerados vectores y la regin constituye un espacio vectorial (o subespacio).
Si H es un espacio vectorial los pares ordenados x, y en y dentro de la
circunferencia x 2 y 2 1 , con centro C 0,0 y radio r 1 , pueden considerarse
vectores.
Para un vector x, y H si k 1 , k R , el vector k x, y H .

H NO genera un espacio vectorial.
H NO es un subespacio de V R 2 .
Note las diferencias entre subconjunto y subespacio.
240
Ambos, propuesto PUNTO EXTRA.

25) Sea H x, y, z , w : ax by cz dw 0. Donde a, b, c, d son nmeros reales
NO todos CERO. Demuestre que H es un subespacio propio de R 4 , H se llama
hiperplano en R 4 que pasa por el origen.
Solucin:
La regin descrita por ax by cz dw 0 est definida en R 4 , por el conjunto de
puntos x, y, z , w que satisfacen la igualdad. Esta regin llamada hiperplano tiene
propiedades semejantes a las del plano en R 3 . Con la ecuacin vectorial r n = r 0 n
sabemos que H contiene a 0 y es claro que H R 4 , Los axiomas se demuestran como
en R 3 , pero, ahora los vectores se definen con 4 dimensiones x, y, z , w.
H es un subespacio propio de R 4 .
De forma general podemos decir que los hiperplanos en R 4 que pasan por el origen,
son un tipo de subespacio propio de R 4 .
4.3 Propiedades de vectores, combinacin lineal, dependencia e independencia

lineal.
Antes de continuar repasaremos algunas propiedades bsicas de los vectores en R 2 y las

extenderemos a R n .
Vector:
Cualquier elemento (matemtico o fsico) con magnitud (longitud o

norma), direccin y sentido. Algunos ejemplos son la velocidad,
aceleracin, fuerza.
Escalar:
Nmeros aritmticos y conceptos fsicos a los que NO se asocia una

direccin y se describen por completo con un valor numrico. Algunos
ejemplos son la rapidez, temperatura, capacidad, distancia, 2, , 3 .
- Vector libre en R 2 :
Cualquier segmento de recta dirigido que se

define con 2 dimensiones. De forma general
v = <a, b>.
TODOS los vectores en el plano R 2 con la
misma magnitud, direccin y sentido de v,
son vectores equivalentes de v.
241
- Vector de posicin en R 2 :
Cualquier vector de la forma r =<a, b> cuyo punto inicial es el origen.
- Igualdad de vectores:
Sean a = < a1 , a 2 , a3 > y b =< b1 , b2 , b3 >, 2 vectores en R 3 . Se dice que a y b son iguales
si y slo si:
a1 b1
a 2 b2
a3 b3
Tambin se cumple a b y a = b.
Note que en conformidad con la definicin de vectores equivalentes, si a y b son
iguales pueden ser paralelos NO coincidentes.
Nota: 2 vectores iguales pueden producir 2 efectos fsicos diferentes.
- Vector unitario:
Vector de magnitud igual a 1, tal que:
U a = a/ |a|
- Vectores de la base normal i, j , k:
Tambin llamados vectores bsicos cannicos, son los vectores unitarios denotados
por i, j y k, cuya direccin coincide con la direccin positiva de los ejes coordenados x,
y, z, respectivamente.
Es decir:
i = <1, 0, 0>
j = <0, 1, 0>
k =<0, 0, 1>
242
- Vectores de la base normal i, j, k en R 3 :
Importante:
TODOS los vectores en V 3 pueden expresarse como una combinacin lineal de los
vectores i, j, k.
Entienda V 3 como el conjunto de TODOS los vectores en R 3 donde las 3 dimensiones
son de longitud.
- Multiplicacin por un escalar:
Si a R , a x es paralelo a x.
Si:
a =1
ax = x
a > 1
a x = a x > x
a < 1
a x = a x < x
a =0
ax = 0
El inverso aditivo de a es a y tiene la misma magnitud y direccin de a, pero, tiene

sentido opuesto.
a + (a) = 0
Donde 0 es el vector CERO.

243
Propiedades de los vectores:
- Geometra euclidiana:
Interpretacin geomtrica de la suma de 3 vectores en R 2 .
Interpretacin geomtrica de la resta de 2 vectores en R 2 .
c=ab
c, SIEMPRE apunta hacia el minuendo.
Note: a = c + b
- Una combinacin lineal en R 2 :
Consideremos TODOS los vectores en el plano bidimensional euclidiano (espacio

euclidiano de 2 dimensiones). Escogemos una base para este sistema de vectores
considerando 2 vectores NO paralelos (NO mltiplos escalares) y diferentes de CERO.
244
Los llamaremos a y b. Cualquier otro vector c (en R 2 ) puede escribirse como una
combinacin lineal de a y b.
Cualquier vector c expresado como una combinacin lineal de 2 vectores a y b.
x, y R .
- Combinacin lineal:
Sabemos que TODO vector v = a, b, c en R 3 se puede escribir en la forma:
v = ai + bj + ck
v es una combinacin lineal de los 3 vectores i, j, k.
Definicin 1: Combinacin lineal.
Sean v1 , v2 ,, vn vectores en un espacio vectorial V . Entonces cualquier vector de la

forma:
a1v1 a 2 v 2 a n v n
Donde a1 , a 2 , , a n son escalares se llama combinacin lineal de v1 , v2 ,, vn .
- Ejemplo demostrativo 1: Una combinacin lineal en R 3 .
7
En R , 7 es una combinacin lineal de
7
3
1 5

2 y 3 , ya que,
4 1
1 5
7
7 2 2 3

7
4 1
Nota: Los vectores se escribieron como columna.

245
- Ejemplo demostrativo 2: Una combinacin lineal en M 23 .
Recuerde que M 23 es el conjunto de matrices de 2 x 3.

3 2 8
1 0 4
0 1 2
3
2
En M 23 ,
1 9 3
1 1 5
2 3 6
3 2 8
1 0 4 0 1 2
As,
es una combinacin lineal de
y
.
1 9 3
1 1 5 2 3 6
- Ejemplo demostrativo 3: Combinaciones lineales en Pn .
Recuerde Pn es el conjunto de polinomios de grado n. En Pn todo polinomio se puede

escribir como una combinacin lineal de los monomios 1, x, x 2 , , x n .
Definicin 2: Conjunto generador.
Se dice que los vectores v1 , v2 ,, vn en un espacio vectorial V , generan a V , si

TODO vector en V se puede escribir como una combinacin lineal de v1 , v2 ,, vn .
Es decir, para TODO v V , existen escalares a1 , a 2 , , a n , tales que:
v = a1v1 a 2 v 2 a n v n
As, el conjunto de vectores v1 , v2 ,, v n V es el conjunto generador de V .
- Ejemplo demostrativo 4: Conjunto de vectores que generan R 2 y R 3 .
Esta demostracin es sencilla.

1
0
Sean i = y j = . Cualquier vector v = a1 a 2 en el plano R 2 se puede
0
1
expresar como una combinacin lineal de i y j, en este caso los escalares a1 y a 2 son
los componentes escalares (proyecciones escalares) de v sobre los ejes coordenados.
v = a1 , a 2 = a1 i + a 2 j
As, los vectores i y j son un conjunto generador de R 2 .
246
De igual forma en R 3 . Cualquier vector a = a1 , a 2 , a3 es una combinacin lineal de

los vectores i, j, k.
a = a1 , a2 , a3 = a1 i + a 2 j + a3 k
Por lo tanto, los vectores i, j, k son un conjunto generador de R 3 .
- Ejemplo demostrativo 5: n + 1 vectores que generan a Pn .
Es claro que los monomios 1, x, x 2 , , x n , son el conjunto generador de Pn .

- Ejemplo demostrativo 6: Cuatro vectores que generan a M 22 .
Recuerde: M 22 representa al conjunto de TODAS las marices reales 2 x 2.
a b
1 0 0 1 0 0
0 0
d
c
b
a
0 1
0 0 0 0 1 0
c d
Como
1 0 0 1 0 0 0 0
Los vectores
,
,
,
generan a M 22 (son el conjunto
0 0 0 0 1 0 0 1
generador de M 22 ).
Definicin 3: Espacio generado por un conjunto de vectores.
Sean v1 , v 2 ,, v k , k vectores en un espacio vectorial V . El espacio generado por

v1 , v 2 ,, vk es el conjunto de combinaciones lineales de v1 , v 2 ,, v k .
Es decir,
genv1 , v2 ,, vk v : v a1v1 a2 v2 ak vk
genv1 , v 2 ,, v k
Espacio generado por el conjunto generador v1 , v 2 ,, v k .
Donde a1 , a 2 , , a k son escalares arbitrarios.

Teorema 1: Si v1 , v 2 ,, v k son vectores en un espacio vectorial V , entonces
genv1 , v 2 ,, v k es un subespacio de V .
- Ejemplo demostrativo 7: El espacio generado por 2 vectores en R 3 .
Sean v1 2,1,4 y v 2 4,1,6 .

247
Entonces H genv1 , v 2 v : v a1 2,1,4 a 2 4,1,6

Cul es la apariencia de H?
Si v = x, y, z H , igualando componentes se tiene x 2a1 4a 2 , y a1 a 2 y
z 4a1 6a 2 .
Nuestros conocimientos de geometra analtica en el espacio nos indican que H es un
plano, subespacio de R 3 .
El subespacio H tiene 2 dimensiones, ya que, cada vector v que genera se describe
con 2 vectores en R 3 .
Hallemos el plano. Si se piensa que x, y, z est fijo, entonces tenemos un sistema de 3
ecuaciones con 2 incgnitas.
2a1 4a 2 x
a1 a 2 y
4a1 6a 2 z

2 4
1 1
4 6
x
y
z
Resolvemos por eliminacin de Gauss Jordan con pivoteo.

4 6
1 1
2 4
1 3
2
1 1
2
4
z
y
x
Multiplicamos el rengln pivote por 1 ,

4
z
4
y
x
1 3
2
0 5 2
0 1
1 3
4
2
y z 0 1
4
5
x z
0
2
2
1 3
2
0 1
5
0
2
4
x z
2
y z
4

respectivamente.
4
x z
2
y z
4
z

y 5
y lo sumamos con R1
2
respectivamente.
2
y R3 ,
248
3 x z
1 0
2
x z
0 1
5 x y 3 z
0 0
2
2
El sistema slo tiene solucin nica para:
5 x 2 y 3z 0
Sobre este plano se encuentran y TODOS los vectores que se pueden escribir como una
combinacin lineal de v1 2,1,4 y v 2 4,1,6 .
Teorema 2:
Sean
v1 , v 2 ,, v n , v n 1 , n + 1 vectores que estn en un espacio vectorial V . Si
v1 , v 2 ,, v n , genera a V , entonces v1 , v 2 ,, v n , v n 1 tambin genera a V . Es decir, si

se agregan 1 o ms vectores a un conjunto generador se obtiene otro conjunto
generador, siempre que
vn 1 V .
Es decir,
1 2 5
1 2
Si , genera a R 2 , entonces , , , tambin genera a R 2 . Y as para
2 3 2
2 3
1 2 5 2
, , , siempre que los vectores agregados al conjunto generador
2 3 2 1
pertenezcan a R 2 , en este caso podemos agregar TODOS los vectores definidos en 2

x
dimensiones .
y
Ahora,
1 7 8

0
2 1
gen , , es un subespacio de R 4 , pero, NO es un subespacio de R 3 .
1 0 8
3 4 2
En este caso el espacio generado, tiene la forma de una regin slida en R 4 [encuentre
la relacin con una recta en R 2 o un plano en R 3 ].
Note que para que un conjunto generador en R 4 , pueda generar a R 4 , requiere de al
menos 4 vectores de 4 dimensiones.
249
1 13 Determine si el conjunto dado de vectores genera el espacio vectorial dado.

1 2 2
2) En R 2 : , ,
1 1 2
Si genera a R 2 , puesto que, todos los vectores del conjunto generador pertenecen a R 2 .
Se requieren al menos 2 vectores diferentes de 2 dimensiones (no cero ni mltiplos
escalares) para generar a R 2 .
1 2 5
3) En R 2 : , ,
1 2 5
NO puede generar a R 2 . Los vectores son mltiplos escalares y generan un subespacio

de R 2 , H x, y : x y; x, y R , note que el subespacio slo tiene una dimensin.
Demostraremos que la forma del subespacio es una recta en R 2 , con ecuacin x y .
Por comodidad, NO consideraremos el 3er vector:
Generando un sistema de ecuaciones, a partir de las combinaciones lineales.
a1 2a 2 x
a1 2a 2 y
Haciendo operaciones queda 0 x y .
1 1 5
4) En R : 2, 2 , 2
3 3 3
3
NO genera a R 3 , el conjunto generador es un subespacio de R 3 , pero, los vectores

son coplanares (es fcil notarlo, vea los segundos y terceros componentes de cada
vector).
Hallaremos el plano subespacio de R 3 . Note como interpretamos el resultado.
1 1 5
1
1
5
gen 2, 2 , 2 v : v a1 2 a 2 2 a3 2

3
3
3
3 3 3
Consideramos fijo el punto en R 3 x, y, z y generamos un sistema de 3 ecuaciones con
3 incgnitas.
250
a1 a 2 5a3 x
2a1 2a 2 2a 3 y
3a1 3a 2 3a3 z
1 1 5
x
x
3 R R
3
2
2
3 2 2 2
y
y
0 0 0 3 y z
z
2
1 1 5
2 2 2
3 3 3
El sistema slo tiene solucin nica para 3 y z 0 , que es un plano que pasa por el
2
origen y describe al subespacio de R 3 generado.
1 0 0
5) En R : 1, 1, 0
1 1 1
3
Si genera a R 3 . Los 3 vectores son diferentes y pertenecen a R 3 .

Note que para que un conjunto generador pueda generar a R 3 , necesita al menos 3
vectores diferentes de 3 dimensiones.
Comprobaremos con la matriz aumentada del sistema de ecuaciones generado con las
combinaciones lineales.
1 0 0
1 1 0
1 1 1
x
x
x
1 0 0
1 0 0
y 0 1 0 x y 0 1 0 x y
0 1 1 x z
0 0 1 y z
z
Slo MAESTROS, propuesto PUNTO EXTRA.

2 3 1 7
6) En R : 0, 1 , 1, 3
1 2 1 5
3
Se puede suponer que los vectores generan R 3 , puesto que son diferentes y se definen
en R 3 .
Nos cercioraremos con la matriz aumentada del sistema de ecuaciones generado a
partir de las combinaciones lineales.
251
2 3 1 7 x
1 2 1 5 z
1
0 1 1 3 y 2 3 1 7 x 0
1 2 1 5 z
0 1 1 3 y
0
5
z
1 2 1
1 2 1
0 1 1
3
y 0 1 1
0 1 1 3 x 2 z
0 0 0
2 1
5
z
1 1 3 x 2 z
1 1
3
y
5
z
3
y
0 x y 2 z
Slo tenemos solucin nica para x y 2 z 0 .

Sobre este plano se encuentra el conjunto generador, por lo que, el espacio generado
es un subespacio de R 3 .
El conjunto NO genera a R 3 . Los vectores son coplanares.
8) En R 3 : 1 1 2, 1 1 2, 0 0 1
Comprobemos que los 3 vectores en R 3 diferentes y no mltiplos escalares, NO son
coplanares.
H gen1 1 2, 1 1 2, 0 0 1
v : v a1 1 1 2 a 2 1 1 2 a3 0 0 1
Como sabemos x, y, z H y H R 3 . Considerando x, y, z un punto fijo, tenemos:
a1 a 2 x
a1 a 2 y
2a1 2a 2 a3 z
1 1 0
1 1 0
2
2 1
x
x
1 1 0
y 0 0 0 x y
2 2 1
z
z
La solucin es evidente. Los vectores son COPLANARES el subespacio de R 3 , esta

sobre el plano x y 0 , que es un plano que pasa por el origen y por el eje z, su traza
en el plano xy es la recta y x .
El conjunto NO genera a R 3 . Los vectores son coplanares.
252
1 0 1 2 4 1 2 5
12) En M 22 :
,
,
,
1 0 0 0 3 0 6 0
El conjunto NO puede generar a M 22 (conjunto de todas las matrices de 2 x 2), ya que,
la componente m22 es SIEMPRE CERO.
Ambos, propuesto EXAMEN.
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
13) En M 23 :
, 0 0 0 , 0 0 0 , 1 0 0 , 0 1 0 , 0 0 1
0
0
0
a b c
Sea v
cualquier matriz en M 23 , v se puede escribir como una
d e f
combinacin lineal del conjunto dado.
1 0 0
0 1 0 0 0 1
0 0 0 0 0 0
v a
b
c
d
0 0 0
0 0 0 0 0 0
1 0 0 0 1 0
0 0 0
f
0 0 1
Donde a, b, c, d , e, f R .
El conjunto SI genera a M 23 .
- Dependencia e independencia lineal:
Antes de definir el concepto entendamos algo.

1
2
1) Existe una relacin especial entre los vectores v1 y v 2 ?
2
4
Se ve que v 2 2v1 . As 2v1 v 2 0. Es decir, el vector CERO se puede escribir como
una combinacin lineal, NO trivial de v1 y v 2 , es decir, los coeficientes en la
combinacin lineal NO son ambos CERO.
1
4
5
2) Qu tienen de especial los vectores v1 2 , v 2 1 y v3 8 ?

3
5
19
Aunque a simple vista no es tan evidente, es sencillo verificar v3 3v1 2v 2 . As
3v1 2v 2 v3 0
253
Se ha escrito al vector CERO como una combinacin lineal de
v1 , v 2 , v3 .
En los 2 casos se dice que los vectores del conjunto generador, son linealmente
dependientes.
Definicin 1: Dependencia e independencia lineal.
Sean v1 , v 2 , , v n , n vectores en un espacio vectorial V . Entonces se dice que los

vectores son linealmente dependientes, si existen n escalares c1 , c 2 ,, c n , NO todos
cero, tales que:
c1v1 c 2 v 2 c n v n 0
Si los vectores NO son linealmente dependientes, se dice que son linealmente
independientes.
Es decir, v1 , v 2 ,, v n son linealmente independientes, si
c1v1 c 2 v 2 c n v n 0 se cumple slo para c1 c 2 c n 0 .
la
ecuacin
Un conjunto de vectores puede ser linealmente dependiente o independiente, si

pertenece a un espacio vectorial.
Teorema 1:
2 vectores en un espacio vectorial son linealmente dependientes, si y slo si uno es
mltiplo escalar del otro (colineales).
Demostracin:
Primero suponga que v 2 cv1 para algn escalar c 0 . Entonces cv1 v 2 = 0 y v1 y

v 2 son linealmente dependientes. Ahora suponga que v1 y v 2 son linealmente
dependientes. Entonces existen constantes (escalares) c1 y c 2 , al menos uno distinto de
cero, tales que c1v1 c 2 v 2 0. Si c1 0 , entonces dividiendo entre c1 , se tiene
c
c
c
v1 2 v2 0, v1 2 v 2 , v 2 1 v1
c1
c1
c2
Es decir, v1 es un mltiplo escalar de v 2 . Si c1 0 , entonces c 2 0 y, por lo tanto,
v 2 0 0v1 .
254
- Ejemplo demostrativo 1: 2 vectores linealmente dependientes en R 4 .
6
2
3
1
Los vectores v1 y v 2 son linealmente dependientes, ya que, v 2 3v1 .
0
0

9
3
- Ejemplo demostrativo 2: 2 vectores linealmente independientes en R 3 .
1
Los vectores 2 y
4
escalar c , tal que:
2
5 son linealmente independientes; si NO lo fueran existira un

3
1
2
5 c 2 lo cual es IMPOSIBLE.

4
3
- Ejemplo demostrativo 3: Determinacin de la dependencia o independencia lineal

de 3 vectores en R 3 .
1 2 0

Determine si los vectores 2, 2, 1 son linealmente dependientes o
3 0 7
independientes.
0 0
2
1
Suponga que c1 2 c 2 2 c3 1 0 0. Entonces multiplicando y sumando

7 0
0
3
tenemos:
c1 2c 2
0
2c 2c c 0
1
2
3

3c1 7c3 0
Esto lleva al sistema homogneo de 3 ecuaciones con 3 incgnitas c1 , c 2 , c3 .

c1 2c 2
0
2c1 2c 2 c3 0
3c1 7c3
0
255
As, los vectores sern linealmente dependientes, si y slo si, el sistema tiene
soluciones NO triviales.
2 0 0
1
2 2 1 0
3
0 7 0
Resolvemos por eliminacin gaussiana y pivoteo.
2 0 0
1
2 2 1 0
3
0 7 0

respectivamente.
1 2 0 0
0 2 1 0
0 6 7 0
Multiplicamos el rengln pivote por 1 ,

2
1 2
0 1
0 6
0 0
1 0
2
7 0

6 y lo sumamos con R1 y R3 ,
respectivamente.
1 0 1 0
0 1 1 0
2
0 0 10 0
c3 0
c2 0
c1 0
El sistema slo tiene solucin trivial.

Los vectores son linealmente independientes.
- Ejemplo demostrativo 4: Determinacin de la dependencia o independencia lineal

de 3 vectores en R 3 .
1 3 11
Determine si los vectores 3, 0, 6 son linealmente dependientes o
0 4 12
independientes.
256
1
3
11 0
La ecuacin c1 3 c 2 0 c3 6 0 , igualando componentes resulta en el
12 0
4
0
sistema homogneo.
c1 3c 2 11c3 0
3c1 6c3 0
4c 2 12c3
1
3
0
1
0
0
3
0
4
0
1
0
0
1 3 11 0
1 3 11 0
6 0 0 9 27 0 0 1 3 0
0 4 12 0
0 4 12 0
12 0
2 0
1 0 2 0
3 0
0 1 3 0
0 0
11
La ltima matriz aumentada equivale al sistema (con variable libre).
c1 2t
c2 3t
c3 t
Una solucin particular cuando t 1 es 2 3 1 .

EXISTE (al menos) una combinacin lineal que describe al vector CERO (0).
As, los vectores del conjunto generador son linealmente dependientes.
Teorema 2:
Un conjunto de n vectores en R m siempre es linealmente dependiente si n m .

Es decir, si el nmero de vectores es mayor que la dimensin en la que se define el
conjunto de vectores, el conjunto es linealmente dependiente [variable libre].
257
- Ejemplo demostrativo 5: 4 vectores en R 3 que son linealmente dependientes.

2 4 18 2
Los vectores 3, 7 , 11, 7 son linealmente dependientes, ya que,
4 6 4 3
constituyen un conjunto de 4 vectores definidos en 3 dimensiones ( R 3 ).
Corolario:
Un conjunto de vectores linealmente independiente en R n contiene a lo

ms n vectores.
La afirmacin anterior se demuestra fcilmente. Si se tiene n m el sistema de

ecuaciones con los escalares de la combinacin lineal tiene variable libre, entonces el
sistema tiene nmero infinito de soluciones y cada solucin particular corresponde a
una combinacin lineal de la forma c1v1 c 2 v 2 c n v n 0.
As, los vectores v1 , v 2 ,, v n son linealmente dependientes.
Teorema 3:
Sea:
a11
a
A 21

a m1
a12 a1n
a 22 a2 n
a m 2 a mn
Entonces, las columnas de A , consideradas como vectores son linealmente

dependientes si y slo si el sistema A c = 0, tiene soluciones NO triviales.
c1
c
Aqu c = 2 .

c n
- Ejemplo demostrativo 6: Soluciones a un sistema homogneo escritas como

combinaciones lineales de vectores solucin linealmente independientes.
Sea el sistema homogneo.
x1 2 x 2 x3 2 x 4 0
3 x1 7 x 2 x3 4 x 4 0
258
1 2 1 2 0
1 2 1 2 0
1 0 9 6 0
3 7 1 4 0 0 1 4 2 0 0 1 4 2 0
La ltima matriz entrega la siguiente solucin:
x1 9 x3 6 x 4

x 2 4 x3 2 x 4
x3
x3

x4
x4
Escribiendo el lado derecho de la ecuacin como combinacin lineal, tenemos:
x1
9
6
x
4

2 x x 2
3
x3
1 4 0

0
1
x4
9 6
4 2
Entonces, y son soluciones la sistema homogneo.
1 0

0 1
Los vectores son linealmente independientes, porque NO son mltiplos escalares.
El conjunto de soluciones al sistema es un subespacio en R 4 , generado por los
vectores solucin linealmente independientes.
- Ejemplo demostrativo 7: 3 vectores en R 3 generan R 3 si su determinante es
diferente de CERO.
2 1 3
Los vectores 2,1,4, 1,0,2, 3,1,5 generan R 3 porque 1 0 1 1 0 y, por lo

4 2 5
tanto, son linealmente independientes.
Ya que, como sabemos si A es la matriz de coeficientes y det A 0 el sistema A x =b
tiene solucin nica. En este caso la solucin nica es la solucin trivial.
259
c1
c
Tambin x = 2 y b =

c n
0
0
.
Verifiquemos nuestras afirmaciones.

1 1
2 1 3 0
2
1 0 1 0 1 0
4
4 2 5 0
2
1
0
2
1 0 0
5 0
0
1
1
2
0
2 0
1 0
2
1 0
Es claro que la solucin nica es la solucin trivial, c1 c 2 c3 0 .

Veamos un espacio diferente de R n .
- Ejemplo demostrativo 8: 3 matrices linealmente independientes en M 23 .
1 0 1
1 1 4
1 0 2
En M 23 , sean A1
, A2
, A3
.
1 2 1
2 3 0
3 1 1
Determine si A1 , A2 y A3 son linealmente dependientes o independientes.
Suponga que c1 A1 c 2 A2 c3 A3 0 . En este caso 0 es la matriz CERO de 2 x 3.
Entonces:
0 0 0
1 0 2
1 1 4
1 0 1
0 0 0 c1 3 1 1 c 2 2 3 0 c3 1 2 1
c c c3
1 2
3c1 2c2 c3
c2
c1 3c2 2c3
2c1 4c2 c3
c1 c3
Esto da un sistema de 6 ecuaciones con 3 incgnitas, es sencillo verificar que la

solucin al sistema es c1 c 2 c3 0 , por lo tanto las matrices son linealmente
independientes.
260

1 22 Determine si el conjunto de vectores dado es linealmente dependiente o
independiente.
2 4
2) 1 2
4 7
El conjunto de linealmente independiente, ya que, los vectores NO son mltiplos

escalares.
1 0 1
6) 0 1 1
1 1 0
Solucin:
Si el conjunto es linealmente dependiente existen escalares c1 , c 2 , c3 , tales que:
1
0
1
c1 0 c 2 1 c3 1 0
1
1
0
Si c1 c 2 c3 0 es la nica solucin, el conjunto ser linealmente independiente.

Haciendo operaciones e igualando componentes, tenemos:
c1 c3 0
c c 0
3
2

c1 c 2 0
Que se puede expresar como un sistema homogneo de 3 x 3.

c1 c3 0
c 2 c3 0
c1 c 2 0
Definimos A :
1 0 1
A 0 1 1
1 1 0
261
A 1 1 2
A 0
Existe solucin nica.
Como el sistema es homogneo la solucin nica es la solucin trivial c1 c 2 c3 0 .

El conjunto de vectores es linealmente independiente.
3 7 1
8) 4 1 2
2 3 8
Solucin:
1 0
1 7
1 0
1 7
3 7 1 0
3
3
3
3
4 1 2 0 4 1
25
10
2
0 0
0
3
3
2
2
3
8
0
3 8 0
0 233 26 3 0
1 0
1 7
1 0 9
0
15
3
3
2
2
0
1
0 0 1
0
5
5
176
23
26
0 0
0
0
0
15
3
3
La matriz aumentada del sistema homogneo de n x n tiene n pivotes.

La solucin es:
c1 c 2 c3 0
El conjunto de vectores es linealmente independiente.
1 3 0 5
2 0 4 0
10)
1 2 1 3

1 2 1 1
Definimos una matriz A con los vectores del conjunto como columnas.
3
0 5
1
2 0
4 0 *
A
1
2 1 3
1 2 1 1
262
5 *
3
0 5 * 1 3
A 2 2 1 3 41 2
3
2 1 1
1 2 1
231 3 5 2 2 4 2 6 3 1 3 5 2 2
212 20 44 12 20 16 16 0
A 0
El sistema homogneo tiene nmero infinito de soluciones.

El conjunto de vectores es linealmente dependiente.
Slo MAESTROS, propuesto Examen.
1 4 2 7
12) 1 0 3 1
2 0 5 2
El conjunto es linealmente dependiente, puesto que, el nmero de vectores es mayor

que la dimensin en la que se define el conjunto n m .
Slo MAESTROS, propuesto PUNTO EXTRA (opcin).
15) En P2 : 1 x,1 x, x 2
Solucin:
Hagamos la analoga con los procedimientos vectoriales.
c1 1 x c 2 1 x c3 x 2 0
Haciendo operaciones:
c1 c1 x c 2 c 2 x c3 x 2 0
Arreglando trminos:
c1 c 2 c1 c 2 x c3 x 2 0
Consideramos x 0 y buscamos escalares c1 , c 2 , c3 diferentes de CERO, tales que
0
c3 x 2
c1 c 2 x 0
c1 c 2 0
263
Generamos un sistema homogneo.

c3
c1 c 2 0
c1 c 2 0

1 0 0 0
1 1 0 0
1 1 0 0
1 1 0 0
A 1 1 0 0 0 2 0 0 0 1 0 0 0 1 0 0
0 0 1 0
0 0 1 0
0 0 1 0
0 0 1 0
Slo existe solucin trivial c1 c2 c3 0 .

El conjunto de polinomios es linealmente independiente.
1 1 1 0 1 1 0 1
19) En M 22 :
0 6 3 1 1 2 1 0
Solucin:
1 1
1 0
1 1
0 1 0 0
c2
c3
c4
c1
0 6
3 1
1 2
1 0 0 0
c1 c 2 c3
3c c c
3
4
2
c1 c3 c 4 0 0
6c1 c 2 2c3 0 0
Igualando componentes tenemos el sistema homogneo:

c1 c 2 c3 0
c1 c3 c 4 0
3c 2 c3 c 4 0
6c1 c 2 2c3 0
Generamos una matriz A , tal que
1 1
1 0 1
A
0
3 1
2
6 1
* 1
0
1
1
264
1 1 1 1 1 * 1 0 1
A 3 1 1 * 0 1 1 0 3 1
6 1 0
6
2 0
1 2 0
*0
1 7 6 2 6 1 18 14 8 17 5
A 0
El sistema homogneo tiene solucin nica c1 c 2 c3 c 4 0 .

El conjunto de matrices es linealmente independiente.
Maple:
with(LinearAlgebra):
C := Matrix([[1,-1,1,0],[-1,0,1,1],[0,3,-1,1],[6,1,2,0]]);
Determinant(C);
4.4 Base y dimensin de un espacio vectorial.
Se ha visto que en R 2 es conveniente escribir vectores como una combinacin lineal

1
0
de los vectores i = y j = ; y en R 3 como una combinacin lineal de los
0
1
vectores de la base normal i, j y k.
Definicin 1: Base.
Un conjunto finito de vectores v1 , v 2 ,..., v n es una base para un espacio vectorial V

si:
1) v1 , v 2 ,..., v n es linealmente independiente.
2) v1 , v 2 ,..., v n genera a V .
Obviamente el conjunto v1 , v 2 ,..., v n es un espacio vectorial.
Todo conjunto de n vectores linealmente independiente en R n es un base en R n .
265
- Base cannica:
En R n se define:
1
0
0
0
0
1
0
0

e1 0, e2 0, e3 1, , en 0

0
0
0
1
Los vectores ei son las columnas de una matriz identidad I 1 , e1 , e2 , , en es un
conjunto linealmente independiente, por lo tanto, constituye una base en R n .
Esta base especial se llama base cannica en R n .
- Ejemplo demostrativo 1: Base cannica para M 22 .
1 0 0 1 0 0 0 0
,
,
,
generan a M 22 . Si
0 0 0 0 1 0 0 1
1 0
0 1
0 0
0 0 0 0
c1
c4
c2
c3
, entonces c1 c 2 c3 c 4 0 .
0 1 0 0
0 0
0 0
1 0
As, el conjunto de matrices de 2 x 2 es linealmente independiente y es claro que pueden
generar a TODAS las matrices de M 22 .
Las matrices forman una base para M 22 .
La base se llama base cannica para M 22 .
- Ejemplo demostrativo 2: Una base para un subespacio de R 3 .
Encuentre una base para el conjunto de vectores que est en el plano.
V y : 2 x y 3 z 0; x, y, z R
z
Sabemos que el conjunto de vectores sobre un plano en R 3 que pasa por el origen es un
espacio vectorial.
x
Si x y z se escogen arbitrariamente y y V , los vectores de V tienen la forma:
z
266
x x 0
2 x 3 z 2 x 3 z

z 0 z
1
0
x 2 z 3
0
1
1 0
As, 2 y 3 generan a V . Los vectores son linealmente independientes, puesto que,
0 1
NO son mltiplos escalares.
Los vectores forman una base para V .

Teorema 1:
Si v1 , v 2 ,..., v n es una base para V y si v V , entonces existe un conjunto nico de

escalares c1 , c 2 , , c n , tales que
v = c1v1 c 2 v 2 c n v n
Demostracin:
Existe al menos un conjunto de dichos escalares porque v1 , v 2 ,..., v n genera a V .

Suponga que v se puede escribir se 2 maneras como una combinacin lineal de los
vectores de la base.
v = c1v1 c 2 v 2 c n v n d1v1 d 2 v 2 d n v n
c1 d1 v1 c 2 d 2 v2 cn d n vn
Pero vi son linealmente independientes. As, c1 d1 c 2 d 2 c n d n . Es

decir, c1 d1 , c 2 d 2 , c n d n .
Teorema 2:
Si u1 , u 2 ,..., u m y v1 , v 2 ,..., v n son bases en un espacio vectorial V , entonces m n ;

es decir, cualesquiera 2 bases en un espacio vectorial V tienen el mismo nmero de
vectores.
Explicacin:
Para generar R 3 necesitamos 3 vectores linealmente independientes definidos en R 3

(definidos en 3 dimensiones), y as para los dems espacios vectoriales.
267
Observaciones:
1) Si el nmero de vectores es mayor que la dimensin en la que se definen

n m sern linealmente dependientes y NO forman una base para un espacio
vectorial.
2) Si el nmero de vectores es menor que la dimensin en la que se definen pueden
generar un subespacio vectorial. Pero NO forman una base para un espacio
vectorial.
Aunque podran ser una base de un subespacio vectorial.
Definicin 2: Dimensin.
Si el espacio vectorial V tiene una base finita, entonces la dimensin de V es el

nmero de vectores en TODAS las bases y V se llama espacio vectorial de dimensin
finita. De otra manera, V se llama espacio vectorial de dimensin infinita.
Si V ={0}, entonces se dice que V tiene dimensin cero.
La dimensin de V se denota por dim V .
- Ejemplo demostrativo 1: La dimensin de R n .
Como n vectores linealmente independientes en R n constituyen una base para R n , se ve

que:
dim R n = n
Teorema 3:
Suponga que dim V = n. Si u1 , u 2 ,..., u m es un conjunto de m vectores linealmente

independientes en V , entonces m n .
De otro modo, los vectores son linealmente dependientes y NO forman una base.
Teorema 4:
Sea H un subespacio de un espacio vectorial de dimensin finita V . Entonces H tiene

dimensin finita y
dim H dim V
268
Maple:
plot3d([(-2/9)*x-(1/3)*y],x=-6..19,y=6..10,axes=normal,color=x*y,scaling=constrained,transparency=.1,
grid=[2,2]);
- Ejemplo demostrativo 2: Los subespacios de R 3 .
Se puede usar el teorema 4 para encontrar TODOS los subespacios de R 3 . Sea H un

subespacio de R 3 . Existen 4 posibilidades; H = {0}, dim H = 1, dim H = 2 y dim H = 3.
Si dim H = 3, entonces H contiene una base de 3 vectores linealmente independientes
v1 , v 2 , v3 en R 3 . Pero entonces, v1 , v 2 , v3 tambin forman una base para R 3 , y as, H =
gen v1 , v 2 , v3 = R 3
H R
R 3 . Por lo tanto, la nica manera de obtener un
subespacio propio de R 3 es teniendo dim H = 1 o dim H = 2.
269
Si dim H = 1, entonces H (de una dimensin) tiene una base que consiste en un vector v
= a, b, c . Sea x en H. Entonces x = t a, b, c t R [puesto que a, b, c genera a H].
Si x = x, y, z igualando componentes, tenemos x at , y bt y z ct que son las
ecuaciones paramtricas de una recta en R 3 que pasa por el origen con vector paralelo
v= a, b, c .
Ahora, si dim H = 2 y sea v 1 a1 , b1 , c1 y v 2 a 2 , b2 , c 2 una base para H [de 2
dimensiones]. Si x = x, y, z H , entonces existen nmeros reales s y t tales que
x= s v 1 + t v 2 o bien x, y, z sa1 , b1 , c1 t a 2 , b2 , c 2 .
x sa1 ta 2
y sb1 tb2
z sc1 tc2
Sea v 3 , , = v 1 X v 2 . Entonces v 3 v 1 = v 3 v 2 = 0.
Como x = x, y, z est en el mismo plano que v 1 y v 2 .
v3 x = 0
, , x, y, z = 0
x y z sa1 ta 2 sb1 tb2 sc1 tc 2
x y z a1 b1 c1 s a 2 b2 c2 t
x y z (v 3 v 1 ) s + (v 3 v 2 ) t = 0
x y z 0
As, si x = x, y, z H , entonces x y z 0 , lo que muestra que H es un plano
que pasa por el origen con vector normal v 3 .
Los nico subespacios propios de R 3 son los conjuntos de vectores que estn en
una recta o en un plano que pasa por el origen.
Teorema 5:
Cualesquiera n vectores linealmente independientes en un espacio vectorial V de

dimensin n constituyen una base para V .
270
1 10 Determine si el conjunto de vectores dado es una base para el espacio vectorial a

que se refiere.
3 1 3 2 5 1 0 1
6) En M 22 :
0 0 0 0 0 6 0 7
Solucin:
El conjunto de matrices NO puede generar a M 22 , ya que, el componente m21 es

siempre CERO. As, el conjunto NO es una base para M 22 .
Ambos, propuesto EXAMEN/PUNTO EXTRA.
1 0 2 1 6 1 7 2 0 1
8) M 22 :
3 1 1 4 5 8 1 0 0 0
Solucin:
Como M 22 tiene una base (base cannica) consistente en 4 matrices, sabemos que
cualquier base para M 22 contiene a lo ms 4 matrices, cualesquiera 5 (o ms) matrices
en M 22 son linealmente dependientes.
Nota: Podemos decir que n m .
El conjunto de matrices NO es una base para M 22 .
10) H = x, y R 2 : x y 0; 1,1 3,3 .
Solucin:
Los vectores NO forman una base, puesto que, al ser mltiplos escalares son
linealmente dependientes.
12) Encuentre una base en R 3 para el conjunto de vectores en el plano
3x 2 y 6 z 0 .
Solucin:
El plano que pasa por el origen, tiene vector normal v 3 = n = 3,2,6 .

El subespacio en R 3 H = x, y, z R 3 : 3x 2 y 6 z 0 se define con 2 dimensiones
(dim H = 2). As, necesitamos 2 vectores v 1 y v 2 en R 3 linealmente independientes,
que sean perpendiculares a v 3 .
271

x 0
x

y
0 y
1 x 1 y 1 x 1 y
3 2 3
2
x 0
1
2
0

y 1
1
3
Los vectores son linealmente independientes, puesto que, NO son mltiplos escalares.
1 0

Los vectores 0 y 1 son una base para el subespacio H de R 3 definido por el

1 1
2 3
plano 3x 2 y 6 z 0 .
14) Encuentre una base en

x 3t , y 2t , z t .
R 3 para el conjunto de vectores en la recta
Solucin:
Note que el subespacio de R 3 , H =

dimensin, dim H = 1.
x, y, z R
: x 3t , y 2t , z t se define en 1
Entones cualquier vector mltiplo escalar del vector paralelo v = 3,2,1 es una base
para el subespacio H de R 3 .
16) En R 4 sea H = x, y, z , w : ax by cz dw 0 , donde abcd 0 .
a) Demuestre que H es un subespacio de R 4 .
b) Encuentre una base para H.
c) Cunto vale dim H?
Solucin:
a) H R 4 , puesto que, sus vectores x, y, z , w se definen en R 4 .

Y H es un espacio vectorial, ya que, es un hiperplano en R 4 que pasa por el origen.
H es un subespacio de R 4 .
b) Procedemos como en R 3 . Si x, y y z pueden variar libremente y x, y, z , w R 4 .
272
x 0
0 y
y
0 0
z
a

x b y c z a x b
d
d d d
d
1
0
x
0
a
d
0
0
y c z
d
0
0
1
0
y
z
0
1
b
c
d
d
1 0 0
0 1 0
,
,
, abcd 0 forman una base
TODOS los vectores de la forma
0 0 1
a b c
d d d
para H.
c) El subespacio H se define con una base de 3 vectores en R 4 .
As, dim H = 3.
18) En R 5 encuentre una base para el hiperplano.
H = x1 , x 2 , x3 , x 4 , x5 : 2 x1 3x 2 x3 4 x 4 x5 0
Si x1 , x 2 , x3 , x 4 varan libremente y x1 , x 2 , x3 , x 4 , x5 H , tenemos:
x1
x1 0 0 0
0 x 0 0
x2
0 0 x3 0
x3
x4
0 0 0 x4
2 x1 3x 2 x3 4 x 4 2 x1 3x 2 x3 4 x 4
1
0
0
0
0
1
0
0

x1 0 x 2 0 x3 1 x 4 0

0
0
0
1
2
3
1
4
273
1 0 0 0
0 1 0 0

As, los vectores 0, 0 , 1, 0 forman una base para el subespacio H de R 5 sobre

0 0 0 1
2 3 1 4
el hiperplano 2 x1 3 x 2 x3 4 x 4 x5 0 .
4.5 Espacio vectorial con producto interno y sus propiedades.
Sabemos que existe un producto de 2 vectores en R n que resulta en un escalar, este

producto lo conocemos como producto escalar o producto punto.
Este producto escalar tambin se llama producto interno.
En R n el producto interno de 2 vectores es un escalar real. En otros espacios el
resultado del producto interno es un escalar complejo. Por esto, para incluir todos los
casos se supone que el producto interno es un nmero complejo.
Definicin 1: Espacio con producto interno.
Un espacio vectorial complejo V se llama espacio con producto interno, si para cada
par ordenado de vectores u y v en V , existe un nmero complejo nico (u, v), llamado
producto interno de u y v, tal que si u, v y w estn en V y C , entonces.
1) (v, v) 0
2) (v, v) = 0 si y slo si v = 0
3) (u, v + w) = (u, v) + (u, w)
4) (u + v, w) = (u, w) + (v, w)
5) (u, v) = (v, u)
6) ( u, v) = (u, v)
7) (u, v) = (u, v)
Recuerde: La barra denota complejo conjugado.
En C n el producto interno (x, y) de x = x1 , x 2 , , x n y y = y1 , y 2 , , y n se define
(x, y) = x1 y 1 x 2 y 2 x n y n
274
- Ejemplo demostrativo 1: Producto interno de 2 vectores en C 3 .
En C 3 sean x = 1 i,3,4 3i y y = 2 i,i,2 i . Entonces

(x, y) = 1 i 2 i 3 i 4 3i 2 i
(x, y) = 1 i 2 i 3i 4 3i 2 i
(x, y) = 1 3i 3i 5 10i 6 10i
Definicin 2:
Sea V un espacio con producto interno y suponga que u y v estn en V , entonces:

1) u y v son ortogonales si (u, v) = 0.
2) La norma de u, denotada por u, est dada por
u = (u, u)
- Ejemplo demostrativo 2: 2 vectores ortogonales en C 2 .
En C 2 los vectores 3,i y 2,6i son ortogonales porque
3,i2,6i 32 i 6i 32 i 6i 6 6 0
Definicin 3: Conjunto ortonormal.
El conjunto de vectores v1 , v 2 , , v n es un conjunto ortonormal en V si:

1)
v , v 0
i
para
2) vi
i j.
vi , vi 1
Si slo 1) se cumple, se dice que el conjunto es ortogonal.
Importante:
Si los vectores son reales, es decir, se definen en R n , la notacin nos es ms familiar.

El conjunto de vectores v1 , v 2 ,..., v n en R n es un conjunto ortonormal si:
1) vi v j 0
Para
i j.
275
2) vi vi vi 1
Teorema 1: Cualquier conjunto finito de vectores ortogonales diferentes de CERO en
un espacio con producto interno es linealmente independiente.
Teorema 2: Cualquier conjunto finito linealmente independiente en un espacio con
producto interno se puede convertir en un conjunto ortonormal, mediante
el proceso de Gram Schmidt. En particular, cualquier espacio con
producto interno tiene una base ortonormal.
Nota: El teorema 2 nos es familiar recuerde la base i, j, k para R 3 y la definicin de

producto punto.
Definicin 4: Proyeccin ortogonal.
Sea H un subespacio del espacio con producto interno V con una base ortonormal
u1 , u 2 ,, u k . Si v V , entonces la proyeccin ortogonal de v sobre H denotada por
proy H v , est dada por:
proy H v v, u1 u1 v, u 2 u 2 v, u k u k
Para vectores reales, tenemos:
proy H v v u1 u1 v u 2 u 2 v u k u k
4.6 Cambio de base, base ortonormal, proceso de ortonormalizacin de Gram

Schmidt.
- Cambio de base:
1
0
En R 2 se expresaron vectores en trminos de la base cannica i = , j = . En R n
0
1
se defini la base cannica e1 , e2 , , en . Estas bases se usan ampliamente porque es
sencillo trabajar con ellas, pero en ocasiones es mejor usar otra base.
Existe un nmero infinito de bases a escoger, ya que, en un espacio vectorial de
dimensin n cualesquiera n vectores linealmente independientes forman una base.
Aprenderemos a cambiar de una base a otra mediante el clculo de una matriz.
276
- Ejemplo demostrativo 1: Cambio de base en R 2 .
0
1
Sean u1 y u 2 . Entonces, B1 u1 ,u 2 es la base cannica en R 2 . Sean
1
0
1
1
v1 y v 2 . Como v1 y v 2 son linealmente independientes [NO son
3
2
mltiplos escalares], B2 v1 , v 2 es una segunda base en R 2 .
x
Sea x = 1 un vector en R 2 .
x2
x
1
0
x = 1 = x1 x 2 x1u1 x 2 u 2
0
1
x2
En este caso, x = x1
x 2 = x1 i + x 2 j.
Podemos escribir:
x1
x2
x B1
Que quiere decir que x est expresado como una combinacin lineal de los vectores de
la base B1 .
Como B2 es otra base en R 2 , existen escalares c1 y c 2 tales que:
x c1v1 c 2 v 2
c1
c 2
x B 2
Para encontrar los nmeros c1 , c 2 , se escribe la base B1 u1 , u 2 en trminos de la

nueva base B2 v1 , v 2 .
1
1
1
u1 2 3 2 v1 3 v 2
5
5
5
5
0
3
2
0
1
1
u 2 1 1 1 v1 1 v 2
5 3
5 2
5
5
1
277
Es decir,
u1 B 2
2
5
35
u 2 B 2
1
5
15
Entonces:
x = x1u1 x 2 u 2 x1 2 v1 3 v 2 x 2 1 v1 1 v 2
5
5
5
5
x = 2 x1 1 x 2 v1 3 x1 1 x 2 v 2
5
5
5
5
As, los escalares son:

c1 2 x1 1 x 2
5
5
c 2 3 x1 1 x 2
5
5
O bien:
c1 2 5 x1 15 x 2 2 5
c 2 3 5 x1 15 x 2 3 5
x B 2
1 x
5 1
1 x 2
5
3
, entonces
4
Por ejemplo, si x B1
x B 2
2
5
3 5
1 3 2
5
5
1 4 13
5
5
Comprobacin:
2 v1 13 v 2 2 1 13 1 3 31 4 0 3u1 4u 2
0
1
5
5
5 3
5 2 4

2
La matriz A 5
3 5
1
5 se llama matriz de transicin de B a B .
1
2
1
5
Hemos demostrado que:
x B 2 Ax B1
Es sencillo generalizar este ejemplo, pero primero es necesario ampliar la notacin.

Sea B1 u1 , u 2 , , u n y B2 v1 , v 2 , , v n , 2 bases para un espacio vectorial de
dimensin n y x V . Entonces x se puede expresar en trminos de ambas bases:
278
x = b1u1 b2 u 2 bn u n
x = c1v1 c 2 v 2 c n v n
b1
b
Donde bi y ci son nmeros reales y x B1 2 denota la representacin de x como

bn
una combinacin lineal de los vectores de la base B1 .
c1
c
De igual manera x B 2 2 denota la representacin de x como una combinacin

c n
lineal de los vectores de la base B2 .
Ahora como B2 es una base, cada u j en B1 se puede escribir como una combinacin
lineal de los vectores vi . As, existe un conjunto nico de escalares a1 j , a 2 j ,, a nj , para
j 1,2,, n , tales que

u j a1 j v1 a 2 j v 2 a nj v n
O sea
j B2
a1 j
a
2j

a nj
Para cambiar de una base a otra usamos una matriz de transicin.
Definicin 1: Matriz de transicin.
La matriz A de n x n cuyas columnas estn dadas por u j B 2 se llama matriz de

transicin de la base B1 a la base B2 .
Esto es,
a11
a
A 21

a n1
a12 a1n
a 22 a 2 n
a n 2 a nn
u1 B 2 u 2 B 2
u n B 2
279
Nota: Si se cambia el orden en el que se escriben los vectores de la base, entonces

tambin debe cambiarse el orden de las columnas en la matriz de transicin.
Teorema 1:
Sean B1 y B2 bases para un espacio vectorial V . Sea A la matriz de transicin de B1

a B2 . Entonces para todo x V .
x B 2 Ax B1
Teorema 2:
Si A es la matriz de transicin de B1 a B2 , entonces A 1 es la matriz de transicin

de B2 a B1 .
Sea C la matriz de transicin de B2 a B1 . Entonces
Pero, x B 2 A x B1 .
x B1 C x B 2
x B1 CAx B1
Los cual, slo se cumple si C A 1 CA I .

Este teorema hace especialmente sencillo encontrar la matriz de transicin a partir de
una base cannica B1 e1 , e2 , , en en R n a cualquier otra base en R n .
Sea B2 v1 , v 2 , , v n cualquier otra base. Sea C la matriz cuyas columnas son los
vectores v1 , v 2 ,, v n . Entonces C es la matriz de transicin de B2 a B1 , ya que, cada
vector vi est expresado ya en trminos de la base cannica.
As, la matriz de transicin de B1 a B2 es C 1 .
- Procedimiento para encontrar la matriz de transicin de la base cannica a la

base B2 v1 , v 2 , , v n :
1) Se escribe la matriz C cuyas columnas son v1 , v 2 ,, v n .

2) Se calcula C 1 . sta es la matriz de transicin de B1 (cannica) a B2 .
280
- Ejemplo demostrativo 1: Expresin de vectores en R 3 en trminos de una nueva

base.
1 3 0
x

3
En R sea B1 {i, j, k} y sea B2 0 1 1 . Si x = y R 3 , escriba x en
2 0 2
z

trminos de los vectores en B2 .
Primero se verifica que el conjunto B2 es una base.
1
0 1
2
1 2 6 8 0
2
Los vectores son linealmente independientes y pertenecen a R 3 .

La matriz de transicin C es:
1
0
2
1
0
0
1
0
0
0
1 3
C 0 1 1
2 0 2
3
0 1 0 0
0
1 0 0
1 3
0 1 0
1 1 0 1 0 0 1 1
0 6 2 2 0 1
0 2 0 0 1
3
0
1
0 0
1
3 0
1 0 3
1 1 0 1 0 0 1 1 0 1 0
0 0 8 2 6 1
6 2 2 0 1
3
3
1 0 0 1
0 3
1
3
0
8
4
4
1 1 0 1 0 0 1 0 1 1 1
4
4
8
3
1
3
1
1
0 1 1
0
0
1
4
4
8
4
4
8
La matriz de transicin de B1 a B2 es:
AC
Por ejemplo, si x B1
3
2 6
1 2 2 1
8
2 6 1
1
2
4
281
x B 2
1
3 1
2 6
2 4
1 2 2 1 2 1 2 1
8
8
4
2 6 1 4
14 7
4
Comprobemos:
3
1
1
3
0 14 4 0 1
2 1 0 1 1 7 1 0 1 7 2

4
4
4 4 4
4
2
0
2 1
0 7 4
2
2
- Ejemplo demostrativo 2: Conversin de una base a otra en R 2 .
b1
2 5
3 2
Sean B1 y B2 2 bases en R 2 . Si x B1 , exprese x
b2
4 3
1 1
en trminos de los vectores de B2 .
Solucin:
El primer paso es expresar B1 como una combinacin lineal de los vectores de B2 . Es
decir, deben encontrarse constantes a11 , a 21 , a12 , a 22 , tales que
3
2
5
1 a11 4 a 21 3

2
2
5
1 a12 4 a 22 3

Esto conduce a los sistemas.

2a11 5a 21 3
2a12 5a 22 2
4a11 3a 21 1
4a12 3a 22 1
Sistema 1:
1 5
2 5 3
2
4 3 1
4
3
3
3
1 5
2
2
2
1
0
13
5
3
1 0 7
1 5
13
2
2
5
1
0 1 5
0
13
13
282
Sistema 2:
1 5
1 5
2 5 2
1
1
2
2
4 3 1
1
3
0 13 5
4
1 5
1 0 1
1
26
2
5
5
1
0
0 1
13
13
Las soluciones son:

a11 7
a12 1
13
26
a 21 5
a 22 5
13
13

A 1
1
14
26 10 10
1 b1 126 14b1 b2
b 10
10
10
b
b
2
26 1 2
x B 2 126
14
7
Por ejemplo, sea x = en base cannica.
4
7
Primero hallaremos .
4 B1
La matriz de transicin de B1 a la base cannica es:
3 2
1 1
Hallaremos su inversa:
1 2
3 2 1 0
3
1 1 0 1
1 1
1 2
3
0 1
1 2
1 0
3
3
5
0
0 1
3
1
1 0
0
3
1 3
0 1
5
5
1
0
3
1 1
3
1
2
5
5
1 3
5
5
283
As, la matriz de transicin de la base cannica a B1 es:

1
5
15
2
5
3
5
7 1 1 2 7 1 15 3
4 5 1 3 4 5 5 1
B1

7
Ahora expresaremos como una combinacin lineal de los vectores de la base B2 .
4
1 3 4126
7 3
14
1
4 1 26 10 10 1 20
B1 B 2

26
B2
Slo MAESTROS, ACTIVIDAD CLASE.

Comprobaremos nuestros resultados.
3 2 7
7
4 31 1 4

7 41 2 20 5 7
4 26 4 26 3 4

Teorema 3:
Sea B1 v1 , v 2 , , v n una base del espacio vectorial V de dimensin n suponga que
x1 B1
a1n
a12
a11
a
a
a
21
22
2n
, x 2 B1 , , x n B1

a nn
a n 2
a n1
Sea
a11
a
A 21

a n1
a12
a 22
an2
a1n
a 2 n

a nn
Entonces x1 , x 2 ,, x n son linealmente independientes si y slo si det A 0 .

284
x
1 5 Escriba R 2 en trminos de la base dada.
y
2 3
2)
3 2
Solucin:
La matriz de transicin de B1 a la base cannica en R 2 es:
3
2
C
3 2
A C 1 es la matriz de transicin de la base cannica a B1 .
Recurso: A I I
A 1
1 3
3 1 0
2
2
3 2 0 1
3
2
1 3
2
0 1
1
3
1 3
0
2
2
0 5 2
0 1
3
1
2
1
3
1 0 2
0
5
5
2
2
0 1 3
5
5
5
La matriz de transicin de la base cannica en R 2 a B1 es:

3
2
5
5
2
3
5
5
As,
x 2 5 35 x 2 5 x 35 y

y 3
3
2
2
y
x
y
5
5 B1
5 5

1 1
4)
2 2
Solucin:
285
1 1
C
2 2
Recurso: A I I
A 1
1 1 1 0
1 1 1 0
1 1 1 0
2 2 0 1 2 2 0 1 0 4 2 1
1 1 1
1
0 1
2
1 0 1 1
0
2
4
1 0 1 1
1
4
2
4

1 1
4
2
1
1
2
4
As,
x 12 14 x 14 2 x y

y 1
2 14 y 14 2 x y B1
x
6 10 Escriba y R 3 en trminos de la base dada.
z
1 0 1
6) 0 0 1
0 1 1
Solucin:
La matriz de transicin de la base B1 a la base cannica en R 3 es:
1 0 1
C 0 0 1
0 1 1
Recurso: A I I
A 1
286
1 0 0 1 1 0
1 0 1 1 0 0
1 0 1 1 0 0
0 0 1 0 1 0 0 1 1 0 0 1 0 1 0 0 1 1
0 0 1 0 1 0
0 0 1 0 1 0
0 1 1 0 0 1

1 1 0
0 1 1
0 1 0
As,
x 1 1 0 x x y
y 0 1 1 y y z

z 0 1 0 z y B1

1 1 0
8) 0 1 1
1 0 1
Solucin:
La matriz de transicin de la base B1 a la base cannica en R 3 es:
1 1 0
C 0 1 1
1 0 1
1 0 1 1 1 0
1 1 0 1 0 0
1 1 0 1 0 0
0 1 1 0 1 0 0 1 1 0 1 0 0 1 1 0 1 0
0 0 2 1 1 1
0 1 1 1 0 1
1 0 1 0 0 1
1 0 1 1
0 1 1 0
0 0 1 1
2
1
1
1
2
1 0 0 1
0
2
0 0 1 0 1
2
1
1
0
0
1
2
2
1
2
1 1
2
2
1
1
2
2
287
1
2
12
1
2
x 12
y 1
2
z 1
2
1
2
1 1
2
2
1
1
2
2
1 x
1 x 1 y 1 z
x yz
2 2
2
2
1 1 y 1 x 1 y 1 z 1 x y z
2
2
2
2
2
2
1
1 z 1 x 1 y 1 z
x y z
2
2
2
2
2
1 2
2
17) En R 2 suponga que x B1 , donde B1 . Escriba x en trminos de
1
1 3
0 5
la base B2 .
3 1
Solucin:
Primero expresaremos los vectores de B1 en trminos de los vectores de B2 .
Buscamos escalares a11 , a 21 , a12 , a 22 , tales que
5
0
1
1 a11 3 a 21 1

5
0
2
3 a12 3 a 22 1


5a 21 1
5a 22 2
3a11 a 21 1
3a12 a 22 3
Las soluciones son:

a11 2 , a 21 1 , a12 17 , a 22 2
5
5
15
5

2 17
15
A 5
15 2 5
As,
2
17 2 1
15
1 3
2
5
5 0
x B 2 15
288
Es decir,
1
2
1 3
B1 0 B 2

2 7
4
18) En R 2 , x B1 , donde B1 . Escriba x en trminos de la base
1
5 3
2 3
B2 .
1 2
Expresamos B1 en trminos de los vectores de B2 .

Buscamos escalares a11 , a 21 , a12 , a 22 , tales que
3
2
2
5 a11 1 a 21 2

3
2
7
3 a12 1 a 22 2


2a11 3a 21 2
2a12 3a 22 7
a11 2a 21 5
a12 2a 22 3
Sistema 1:
1 3
1
1 3
2 3 2
1
2
2
1
2 5
0 12 4
1 2 5
1 3
1 0 11
1
2
0 1 8
0 1 8
Sistema 2:
7
1 3
7
1 3
2 3 7
2
2
2
2
1
13
1
2
3
0
1
2
3
2
2
7
1 3
1 0 23
2
2
13
0 1 13
0 1
289
Las soluciones son:

a11 11 a12 23
a 21 8 a 22 13

11 23
A
8 13
11 23 4 67
1 45
8
13
x B 2
- Bases ortonormales:
En R n se vio que n vectores linealmente independientes constituyen una base. La de

uso ms comn es la base cannica E e1 , e2 , , en . Estos vectores tienen 2
propiedades:
1) ei e j 0
si i j
2) ei ei 1
[Son perpendiculares]
[Son unitarios]
Definicin 1: Conjunto ortonormal en R n .
Se dice que un conjunto de vectores S u1 , u 2 ,, u k en R n es un conjunto

ortonormal si:
1) u i u j 0
si i j
2) u i u i 1
Recordemos algunos hechos bsicos del producto escalar.
Si u , v, w estn en R n y es un nmero real, entonces:
u v v u
u v w u w v w
u v w u v u w
u v u v
u v u v
290
Definicin 2: Longitud o norma de un vector.
Si v R n , entonces la longitud o norma de v , denotada por v , est dada por

v vv
Nota: v v 0 y v v 0 si y slo si v 0.
Un conjunto de vectores es ortonormal si cualquier par de ellos es ortogonal
y cada uno tiene longitud 1
Ahora se probar que cualquier conjunto finito de vectores ortogonales diferentes de

CERO es linealmente independiente.
Teorema 1:
Si S v1 , v 2 ,, v k es un conjunto ortogonal de vectores diferentes de CERO,

entonces S es linealmente independiente.
Demostracin:
Suponga que c1v1 c 2 v 2 c k v k 0. Entonces para cualquier i 1,2,, k .

0 = 0 vi c1v1 c 2 v 2 ci vi c k v k vi
c1 v1 vi c 2 v 2 vi ci vi vi c k v k vi
2
c1 0 c 2 0 ci vi c k 0 ci vi
Como vi 0, vi 0 , y se tiene ci 0 , para i 1,2,, k .

Ahora se ver cmo cualquier base en R n se puede convertir en una base ortonormal.
A continuacin se describe el proceso de ortonormalizacin de Gram Schmidt.
Teorema 2: Proceso de ortonormalizacin de Gram Schmidt.
Sea H un subespacio de dimensin m de R n . Entonces H tiene una base ortonormal.

Demostracin:
Sea S v1 , v 2 , , v m una base de H. Se probar el teorema construyendo una base

ortonormal a partir de los vectores en S .
291
Antes de dar los pasos para esta construccin, se observa que un conjunto de vectores
linealmente independiente NO contiene al vector CERO.
Paso 1: Eleccin del primer vector unitario.
Sea
u1
v1
v1
Entonces
v v
u1 u1 1 21 1
v
1
u1 1
Paso 2: Eleccin de un 2 vector ortogonal a u1 .
Sabemos que w u
u v
2
v es ortogonal a v . En este caso, en R 2 , el vector
v
la proyeccin de u sobre v .
u v
v
v es
Resulta que el vector w es ortogonal a v cuando w y v estn en R n para cualquier

v u1
n 2 . Observe que como u1 es un vector unitario,
u1 v u1 u1 para cualquier
2
u1
vector v .
Sea
v 2 ' v 2 v 2 u1 u1
292
Entonces
v 2 'u1 v 2 u1 v 2 u1 u1 u1 v 2 u1 v2 u1 0
De manera que v 2 es ortogonal a u1 . Ms an, u1 y v 2 son linealmente

v u
independientes. v 2 0 porque de otra manera v 2 v 2 u1 u1 2 1 v1 , lo que
v1
contradice la independencia de v1 y v 2 , ya que, v1 y v 2 seran mltiplos escalares
[linealmente dependientes].
Paso 3: Eleccin de un 2 vector unitario.
Sea
u2
v2
v2
Entonces es evidente que u1 ,u 2 es un conjunto ortonormal.

Suponga que se han construido los vectores u1 , u 2 ,, u k
conjunto ortonormal. Se mostrar como construir u k 1 .
k m
y que forman un
Paso 4: Continuacin del proceso.
Sea
vk 1 vk 1 vk 1 u1 u1 vk 1 u 2 u 2 vk 1 u k u k
Entonces para i 1,2,, k .
vk 1 u i v k 1 u i v k 1 u1 u1 u i
v k 1 u 2 u 2 u i v k 1 u i u i u i v k 1 u k u k u i
Pero u j u i 0 si i j y u i u i = 1.
Por lo tanto
vk 1 u i v k 1 u i v k 1 u i 0
As, u1 , u 2 ,, u k , vk 1 es un conjunto linealmente independiente, ortogonal y

vk 1 0.
293
Paso 5: Fin del proceso (obtencin de la base ortonormal).
Sea
u k 1
vk 1
vk 1
Entonces u1 , u 2 ,, u k , u k 1 es un conjunto ortonormal (base ortonormal) y se

puede continuar hasta que k 1 m.
Nota: Como cada u i es una combinacin lineal de vectores vi , genu1 , u 2 , , u k , u k 1
es un subespacio de genv1 , v 2 , , v m y como cada espacio tiene dimensin m,
los espacios generados son iguales.
294
La demostracin formal del proceso de ortonormalizacin de Gram

Schmidt maneja una notacin, que aunque familiar puede ser difcil de recordar.
A continuacin presentamos una forma simplificada del proceso de
ortonormalizacin de Gram Schmidt, que hace fcil su aplicacin.
Importante:
- Resumen del proceso de ortonormalizacin de Gram Schmidt.
S v1 , v 2 , , v m
[Conjunto generador inicial (base general)]
u1
v1
v1
[Primer vector de la base ortonormal]
u2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
[Segundo vector de la base ortonormal]
u3
v3 v3 u1 u1 v3 u 2 u 2
v3 v3 u1 u1 v3 u 2 u 2
[Tercer vector de la base ortonormal]
S u1 , u 2 , , u k 1
[Base ortonormal (resultado)]
k 1 m
Comprobacin:
u1 1
u1u 2 0
[Perpendiculares]
u2 1
Recuerde: vu v u , hemos usado tambin la notacin v, u .

Nota: Cuando los vectores son complejos se usa doble barra para indicar modulo y
no confundirlo con el valor absoluto.
Generaremos una base ortonormal partiendo de la base general dada.
Sea
S 5,43,2
Primero verificamos que los vectores del conjunto forman una base.
295
Los vectores son linealmente independientes, puesto que, NO son mltiplos

escalares.
As, forman una base en R 2 .
u1
v1 5,4 5
,4
41
41
v1
41
u2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
15
v 2 u1 3,2 5
8
23
,4
41
41
41
41
41
v 2 v 2 u1 u1 3,2 115
v 2 v 2 u1 u1
u2
5
1 115,92 115 , 92
,4
41
41 41
41
41
41
v 2 u1 u1 23
41
, 92
8 41, 10 41
41
8 41 10 41
2
164
41
2 41
41
v 2 v 2 u1 u1 4
, 5
41
41
v 2 v 2 u1 u1
4
, 5
,4
S 5
41
41
41
41
[Base ortonormal]
Comprobacin:
2
41
4
1
u1 5

41
41
41
[Unitarios]
2
41
5
1
u 2 4

41
41
41
4
20
u1u 2 5
,4
, 5
20
0
41
41
41
41
41
41
[Ortogonales]
296
S 2,1,3, 0,1,5, 0, 1 ,3
2
Primero verificamos que el conjunto es una base.

Generamos una matriz A con los vectores de S como sus columnas y obtenemos su
determinante.
2 0 0
A 1 1 1 2 3 5 2 11 11 0
2
2
2
3 5 3
Los vectores son linealmente independientes. Forman una base en R 3 .

u1
v1 2,1,3 2
, 1
, 3
14
14
14
v1
14
u2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
1
v 2 u1 0,1,5 2
15
16
, 1
, 3
14
14
14
14
14
14
2
16 , 8 , 24
,1
, 3
7 7
7
14 14
14
14
v 2 u1 u1 16
v 2 v 2 u1 u1 0,1,5 16 , 8 , 24 16 , 1 ,11
7 7
7
7
7 7
16 7 17 117
2
v 2 v 2 u1 u1
v 2 v 2 u1 u1 16
, 1
,11
378
378
378
v 2 v 2 u1 u1
u3
v3 v3 u1 u1 v3 u 2 u 2
v3 v3 u1 u1 v3 u 2 u 2
14
, 1
14
, 3
378
u2
v3 u1 0, 1 ,3
2
17
1
9
14
2 14
14 2 14
297
17 2
17 , 17 , 51
, 1
,3
14
28
28
14
14
14
2 14
34 , 17 , 51
28
28
28
v3 u1 u1
v3 v3u1 u1 0, 1 ,3 34 , 17 , 51 34 , 31 , 33
2
28
28
28
28 28
28
1
33
, 1
,11
v3 u 2 0, 1 ,3 16
2
378
378
378
2 378
378
67
2 378
67 16
536
, 1
,11
, 67
, 737
378
756
756
378
378
378
2 378
, 67
, 737
1072
756
756
756
v3 u 2 u 2
28 , 3128 , 33 28 1072 756 , 67 756 , 737 756

1072 756 , 67 756 , 737 756
918
, 837
, 891
756
756
756
1154 , 5554 , 1154
, 770
, 154
154
756
756
756
v3 v3u1 u1 v3 u 2 u 2 34
v3 v3u1 u1 v3 u 2 u 2
u3
1154 5554 1154

2
1
3267
54
v3 v3 u1 u1 v3u 2 u 2 11
, 55
, 11
3267
3267
3267
v3 v3 u1 u1 v3u 2 u 2
16
1
,3
, 1
,11
14 ,
14
378
378
378
14
S
55
11
11
,
,
3267
3267
3267
[Base ortonormal]
Comprobacin:
u1 1
u2 1
u3 1
u1u 2 0
[Unitarios]
u1u 3 0
[Ortogonales]
u 2 u 3 0
298
1 13 Construya una base ortonormal para el espacio o subespacio vectorial dado.

2) H x, y R 2 : x y 0
Solucin:
El conjunto de vectores es un subespacio vectorial, puesto que, se describe con una recta
en R 2 que pasa por el origen.
As, cualquier vector x, y , tal que, y x es una base para H .
S 1,1 es una base para H .
S 1 , 1 es una base ortonormal para H .
2
2
Nota: El subespacio H se define con 1 dimensin ( dim H 1 ).

6) H x, y, z : 3x 2 y 6 z 0; x, y, z R
Solucin:
El conjunto de vectores x, y, z sobre un plano en R 3 que pasa por el origen es un
espacio vectorial (subespacio de R 3 ).
Si x y y pueden variar libremente y x, y, z H , tenemos:
x 0
x
x
0
y
y
z 1 x 1 y 1 x 1 y
3 2 3
2
x 0
1
2
0

y 1
1
3
1 0

Los vectores 0 y 1 son linealmente independientes.

1 1
2 3
1 0

S 0 1 es una base para H .

1 1
2 3
299
Obtendremos una base ortonormal usando el proceso de ortonormalizacin de Gram

Schmidt.
u1
1,0, 1
v1
2 2 ,0, 1
5
v1
5
5
2
u2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
1
v 2 u1 0,1, 1 2 ,0, 1
3 5
5 3 5
v 2 u1 u1
1 2
,0, 1 2 ,0, 1
15
15
5
3 5 5
v 2 v 2 u1 u1 0,1, 1 2 ,0, 1 2 ,1, 4

3
15
15
15
15
v 2 v 2 u1 u1
u2
215 1 415
2
1
245
15
v 2 v 2 u1 u1 2
2 5 , 3 5 , 4 5
,15
,4
245
245
245 35
7
35
v 2 v 2 u1 u1
S 2 ,0, 1 2
,15
,4
5
245
245
245
5
[Base ortonormal]
Note que H se define con 2 dimensiones ( dim H 2 ).

Comprobacin:
u1 1
u2 1
[Unitarios]
u1u 2 0
[Ortogonales]
Adems verificaremos que los vectores de la base ortonormal se encuentran sobre el

plano 3x 2 y 6 z 0 .
@ P1 2 ,0, 1
5
5
3 2 20 6 1 0
5
5
6 6
0
5
5
00
300

@ P2 2
,15
,4
245
245
245
215
6 4
0
3 2

245
245
245
00

8) L x, y, z : x 3t , y 2t , z t ; x, y, z , t R
Solucin:
El conjunto de vectores sobre una recta en R 3 que pasa por el origen forman un espacio
vectorial.
Note que el espacio vectorial se define con 1 dimensin ( dim L 1 ).
Es decir, sus bases constan de un solo vector, mltiplo escalar del vector paralelo
v 3,2,1 .
S 3,2,1 es una base para L .
es una base ortonormal para L .

S 3
, 2
, 1
14
14
14
301
UNIDAD 5: Transformaciones lineales.

5.1 Definicin de transformacin lineal y sus propiedades.
Introduccin:
Estudiaremos funciones de la forma w = F(x), donde la variable independiente
(x) es un vector en R n y la variable dependiente (w) es un vector en R m .
Nos centraremos en una clase especial de estas funciones llamadas transformaciones
lineales.
Antecedentes:
Funcin:
Regla (regla de correspondencia) f que asocia a cada elemento de un

conjunto A uno y slo uno del conjunto B . Si f asocia al elemento b con
el elemento a, se escribe b f a y se dice que b es la imagen de a bajo
f, o que b est en funcin de a. El conjunto A se denomina dominio y el
conjunto B contradominio (imagen).
Comnmente A y B son conjuntos de nmeros reales [ A B R ], en este

caso f se llama, funcin de valor real de variable real.
Otras funciones comunes ocurren cuando B es un conjunto de nmeros reales y A es un
conjunto de vectores en R n .
Frmula
Ejemplo
f (x)
f ( x) x 2
f ( x, y )
f ( x, y ) x 2 y 2
f ( x, y , z )
f ( x1 , x 2 , , x n )
Clase
Funcin de valor real de 1
variable real.
variables reales.
f ( x, y , z )
x y z
f ( x1 , x 2 , , x n )
2
x1 x 2 x n
2

variables reales.
Descripcin
Funcin de
R a R.
Funcin de
R2 a R .
Funcin de
R3 a R .
Funcin de valor real de n

variables reales.
Funcin de
Rn a R .
302
Aclaremos la columna descripcin.

y f ( x) x 2
Asocia un subconjunto de
R con un subconjunto de R .
z f ( x, y ) x 2 y 2
Asocia un subconjunto de R 2
con un subconjunto de R .
w f ( x, y , z ) x 2 y 2 z 2
Asocia un subconjunto de R 3
con un subconjunto de R .
- Funciones de R n a R m :
Si el dominio de una funcin f es R n y el contradominio es R m (m y n pueden ser

iguales). Entonces f se denomina, transformacin de R n a R m .
La transformacin de R n a R m , se denota:
f : Rn Rm
En la tabla anterior m 1 para todos los ejemplos.
Para el caso especial donde m n , la transformacin f : R n R n se llama operador
sobre R n .
303
Para ilustrar una forma importante en la que pueden surgir las transformaciones,
suponga que f1 , f 2 , , f m son funciones de valores reales de n variables reales.
w1 f 1 x1 , x 2 , , x n
w2 f 2 x1 , x 2 , , x n
wm f m x1 , x 2 ,, x n
Estas m ecuaciones asignan un punto nico w1 , w2 , , wm en R m a cada punto
x1 , x 2 ,, x n en
R n . As, definen una transformacin de R n a R m .
Si esta transformacin se denota por T , entonces T : R n R m y

T x1 , x 2 , , x n w1 , w2 ,, wm
Expresado en forma vectorial:
T(v) = w
- Ejemplo demostrativo 1: Una transformacin de R 2 a R 3 ( T : R 2 R 3 ).
Las ecuaciones
w1 x1 x 2
w2 3 x1 x 2
w3 x1 x 2
2
Definen una transformacin T : R 2 R 3 .

Con esta transformacin la imagen del punto x1 , x 2 es
T x1 , x 2 w1 , w2 , w3 x1 x 2 ,3 x1 x 2 , x1 x 2
As, por ejemplo:
T 1,2 1,6,3
- Transformaciones lineales de R n a R m :
En el caso de que las ecuaciones que definen la transformacin T : R n R m

sean ecuaciones lineales la transformacin se denomina transformacin lineal (u
operador lineal, si m n ).
As, una transformacin lineal T : R n R m se define por ecuaciones lineales de la
forma:
304
w1 a11 x1 a12 x 2 a1n x n

w2 a 21 x1 a 22 x 2 a 2 n x n
wm a m1 x1 a m 2 x 2 a mn x n
En notacin matricial:
w1 a11
w a
2 21

wm a m1
a12
a 22
am2
a1n x1
a 2 n x 2

a mn x n
Abreviando:
w = Ax
La matriz A aij se llama matriz estndar de la transformacin lineal T .

Otra forma de escritura es:
T A x Ax
- Ejemplo demostrativo 2: Una transformacin lineal T : R 4 R 3 .
Sean las ecuaciones que definen la transformacin lineal:

w1 2 x1 3x 2 x3 5 x 4
w2 4 x1 x 2 2 x3 x 4
w3 5 x1 x 2 4 x3
O bien
x1
w1 2 3 1 5
w 4 1 2 1 x 2
x
2
w3 5 1 4
0 3
x4
As, por ejemplo si x1 , x2 , x3 , x4 1,3,0,2 .

T 1,3,0,2 1,3,8
Tambin se usa:
T 1,3,0,2 1,3,8
305
- Geometra de las transformaciones lineales:
Dependiendo de si las n adas ordenadas se consideran puntos o vectores, el efecto

geomtrico de un operador T : R n R n es transformar cada punto o vector en R n
en otro punto o vector en R n .
Definicin 1: Transformacin lineal.
Sean V y W espacios vectoriales reales. Una transformacin lineal T de V en W , es

una funcin que asigna a cada vector v V un vector nico T v W y que satisface,
para cada u y v en V y cada escalar ,
T u v Tu Tv
1)
T v Tv
2)
A las condiciones 1) y 2) podemos llamarlas propiedades bsicas de las

transformaciones lineales.
Ms adelante aprenderemos ms sobre los efectos geomtricos de las transformaciones
lineales.
Ejercicios resueltos (8.1, Introduccin al lgebra lineal, Howard Anton, 2da ed.):
12) Considrese la base S v1 , v 2 para R 2 , donde v1 1,1 y v 2 1,0 , y sea

T : R 2 R 2 el operador lineal, tal que
T v1 1,2
T v 2 4,1
Obtener una frmula para T x1 , x 2 y usarla para encontrar T 5,3 .
306
Solucin:
Como sabemos este tipo de transformacin (transformacin lineal) se obtiene al
multiplicar por una matriz estndar, tal que,
1 a b 1
2 c d 1

4 a b 1
1 c d 0

Generamos 2 sistemas de ecuaciones lineales:

a b 1
a 4
c d 2
c 1
Las soluciones son:
a 4, b 5, c 1, d 3
La frmula para una transformacin lineal bajo estas condiciones en forma matricial es:
w 4 5 x1
T x1 , x 2 1

w2 1 3 x 2
O en forma de ecuaciones lineales:

w1 4 x1 5 x 2
w2 x1 3 x 2
O bien:
T x1 , x 2 4 x1 5 x 2 , x1 3x 2
Por ejemplo T 5,3 es:

w 4 5 5 35
T 5,3 1

w2 1 3 3 14
Slo MAESTROS, propuesto ACTIVIDAD CLASE/PUNTO EXTRA.

13) Considrese la base S v1 , v 2 para R 2 , donde v1 2,1 y v 2 1,3 , y sea
T : R 2 R 3 la transformacin lineal, tal que
T v1 1,2,0
T v 2 0,3,5
Obtener una frmula para T x1 , x 2 y usarla para encontrar T 2,3 .

Solucin:
Buscamos una matriz estndar tal que:
307
1 a
2 c

0 e
0 a
3 c

5 e
b
2
d
1
f
b
1
d
3
f
Generamos 2 sistemas de ecuaciones lineales:

2a b 1
a 3b 0
2c d 2
2e f 0
c 3d 3
e3f 5
Reacomodamos y resolvemos:
2a b 1
a 3b 0
2
1
2
0
2
0
2e f 0
e3f 5
2c d 2
c 3d 3
1 1
3 0
1 1
7 1
2
1
2
0
2
0
1 1
1 1
7
2 0 6
7
0 1
7
1 0 3
7
0 1
7
1 2
3 3
1 2
7 4
1
2
1 4
7
2 0 18
7
0 1
7
1 0 9
7
0 1
7
2 1 0
1 3 5
1 1 0
2
5
1 3
1 1 0
2
7
5
0
2
1 1
0
2
1 10
0
7
1 0 5
7
0 1 10
7
La matriz estndar es:

3 1
1 9 4
7
5 10
La frmula para esta transformacin bajo las condiciones dadas es:

3 1
w1
x
T x1 , x 2 w2 1 9 4 1
7
x
5 10 2
w3
O bien:
T x1 , x 2 3 x1 1 x 2 , 9 x1 4 x 2 , 5 x1 10 x 2
7
7
7
7
7
7
308
Calculemos T 2,3 :
T 2,3 9 , 6 , 20
7
7
7

14) Considrese la base S v1 , v 2 , v3 para R 3 , donde v1 1,1,1 , v 2 1,1,0 y
v3 1,0,0 y sea T : R 3 R 3 el operador lineal, tal que
T v1 2,1,4
T v 2 3,0,1
T v3 1,5,1
Obtener una frmula para T x1 , x 2 , x3 y usarla para calcular T 2,4,1 .

Solucin:
Buscamos una matriz estndar, tal que:
2 a
1 d

4 g
b
e
h
c 1
f 1
i 1
3 a
0 d

1 g
b
e
h
c 1
f 1
i 0
1 a
5 d

1 g
b
e
h
c 1
f 0
i 0
Generamos los sistemas:

abc 2
ab 3
a 1
d e f 1
g hi 4
d e0
g h 1
d 5
g 1
Las soluciones son:
a 1, b 4, c 1, d 5, e 5, f 1, g 1, h 0, i 3
1 4 1
5 5 1
1
0
3
La frmula para la transformacin lineal T x1 , x 2 , x3 bajo estas condiciones es:

w1 1 4 1 x1
T x1 , x 2 , x3 w2 5 5 1 x 2
w3 1
0
3 x3
O bien:
T x1 , x 2 , x3 x1 4 x 2 x3 ,5 x1 5 x 2 x3 , x1 3 x3
309
Calculemos T 2,4,1 :
T 2,4,1 15,9,1
Slo MAESTROS, propuesto EXAMEN/PUNTO EXTRA.

15) Considrese la base S v1 , v 2 , v3 para R 3 , donde v1 1,2,1 , v 2 2,9,0 y
v3 3,3,4 y sea T : R 3 R 2 la transformacin lineal, tal que
T v1 1,0
T v 2 1,1
T v3 0,1
Obtener una frmula para T x1 , x 2 , x3 y usarla para calcular T 7,13,7 .

Solucin:
Buscamos una matriz estndar, tal que:
1 a b
0 d e

1
c
2
f
1
1 a b
1 d e

2
c
9
f
0
0 a b
1 d e

3
c
3
f
4
Generamos los sistemas:

a 2b c 1
d 2e f 0
2a 9b 1
2 d 9e 1
3a 3b 4c 0
3d 3e 4 f 1
Reagrupando, tenemos 2 sistemas de 3 x 3:

a 2b c 1
3a 3b 4c 0
2a 9b 1
d 2e f 0
3d 3e 4 f 1
2 d 9e 1
1 2 1 1
3 3 4 0
2 9 0 1
1 2 1 0
3 3 4 1
2 9 0 1
1
1
1 2
0 3 1 3
0 5 2 3
1
1
1 2
0 1 1
1
3
0 5 2 3
1 0
1 2
0 3 1 1
0 5 2 1
1
0
1 2
0 1 1 1
3
3
0 5 2
1
310
2
1 0 5
3
3
0 1 1 1
3
3
1
0
0
3
3
2
1 0 5
3
3
0 1 13 13
8
1
0 0
1 0 0 14
0 1 0 3
0 0 1 8
1 0 5
1
3
0 1 13 1
0 0 13 8
1 0 5
1
3
0 1 13 1
1
24
0 0
1 0 0 41
0 1 0
9
0 0 1 24

41 9 24
14 3 8
La frmula para cualquier transformacin lineal T x1 , x 2 , x3 bajo estas condiciones es:

x1
w1 41 9 24
T x1 , x 2 , x3
x2
w2 14 3 8 x
3
O bien:
T x1 , x 2 , x3 41x1 9 x 2 24 x3 ,14 x1 3 x 2 8 x3
Calculemos T 7,13,7 :
T 7,13,7 2,3
311
5.2 Ejemplos de transformaciones lineales (reflexin, dilatacin, contraccin,

rotacin).
- Operadores reflexin:
Considerar el operador T : R 2 R 2 que transforma a cada vector en su imagen

simtrica con respecto al eje y.
Si se hace w = T(x), entonces las ecuaciones que relacionan las componentes de x y w

son:
w1 x x 0 y
w2 y 0 x y
O bien, en forma matricial:
w1 1 0 x
w 0 1 y

2
Es claro que la matriz estndar de esta transformacin es:

1 0
0 1
En general, los operadores sobre R 2 y R 3 que transforman cada vector en su imagen

simtrica con respecto a alguna recta o plano se llaman operadores reflexin.
A continuacin se presentan los operadores reflexin ms comunes.
Operador: Reflexin respecto al eje y.
w1 x
w2 y
1 0
0 1
312
Operador: Reflexin respecto al eje x.
w1 x
w2 y
1 0
0 1
Operador: Reflexin respecto a la recta y = x.
w1 y
w2 x
0 1
1 0
Operador: Reflexin respecto al plano xy.
w1 x
w2 y
w3 z
1 0 0
0 1 0
0 0 1
313
Operador: Reflexin respecto al plano xz.
w1 x
w2 y
w3 z
1 0 0
0 1 0
0 0 1
Operador: Reflexin respecto al plano yz.
w1 x
w2 y
w3 z
1 0 0
0 1 0
0 0 1
- Operadores dilatacin y contraccin:
Si k es un escalar NO negativo, entonces el operador T(x) = k x sobre R 2 o R 3 se

denomina contraccin con factor k si 0 k 1 , y dilatacin con factor k si k 1 .
El efecto geomtrico de una contraccin es comprimir cada vector, y el efecto de la
dilatacin es estirar cada vector.
Una contraccin comprime R 2 o R 3 uniformemente hacia el origen desde todas las
direcciones, y una dilatacin estira R 2 o R 3 desde el origen hacia todas las direcciones.
314
La contraccin ms extrema ocurre cuando k 0 , en cuyo caso T(x) = k x se reduce al

operador CERO T(x) = 0, que comprime cada vector a un punto, el origen.
Si k 1 , entonces T(x) = k x se reduce al operador identidad T(x) = x, que deja sin
cambio cada vector.
El lector familiarizado con el concepto de por ciento (%) entiende que k 1 equivale
al 100% del vector dado.
As, k .5 entrega un vector del 50% del tamao del vector original. Y k 2 entrega
un vector 2 veces ms largo que el vector original (200%).
A continuacin se muestran operadores dilatacin y contraccin comunes en R 2 y
R3 .
Operador: Contraccin con factor k sobre R 2 .
w1 kx
w2 ky
k 0
0 k
0 k 1
Operador: Dilatacin con factor k sobre R 2 .
w1 kx
w2 ky
k 0
0 k
k 1
315
Operador: Contraccin con factor k sobre R 3 .
w1 kx
w2 ky
w3 kz
k 0 0
0 k 0
0 0 k
0 k 1
Operador: Dilatacin con factor k sobre R 3 .
w1 kx
w2 ky
w3 kz
k 0 0
0 k 0
0 0 k
k 1
- Operadores proyeccin:
Considerar el operador T : R 2 R 2 que transforma cada vector en su proyeccin

ortogonal sobre el eje x.
Las ecuaciones que relacionan las componentes de x y w = T(x) son:

w1 x 0 y x
w2 0 x 0 y 0
316
O en forma matricial:
w1 1 0 x
w 0 0 y

2
As, la matriz estndar de la transformacin lineal es:

1 0
0 0
En general un operador proyeccin (o ms precisamente un operador proyeccin

ortogonal) sobre R 2 o R 3 es cualquier operador que transforma cada vector en su
proyeccin ortogonal sobre una recta o un plano que pasan por el origen.
A continuacin se muestran algunos operadores proyeccin sobre R 2 y R 3 .
Operador: Proyeccin ortogonal sobre el eje x.
w1 x
w2 0
1 0
0 0
Operador: Proyeccin ortogonal sobre el eje y.
w1 0
w2 y
0 0
0 1
317
Operador: Proyeccin ortogonal sobre el plano xy.
w1 x
w2 y
w3 0
1 0 0
0 1 0
0 0 0
Operador: Proyeccin ortogonal sobre el plano xz.
w1 x
w2 0
w3 z
1 0 0
0 0 0
0 0 1
Operador: Proyeccin ortogonal sobre el plano yz.
w1 0
w2 y
w3 z
0 0 0
0 1 0
0 0 1
318
- Operadores rotacin:
Un operador que hace girar TODO vector en R 2 hasta describir un ngulo fijo se
denomina operador rotacin sobre R 2 .
Considere el operador rotacin que hace girar en sentido contrario a las manecillas del
reloj (sentido positivo trigonomtrico) cada vector por un ngulo positivo fijo .
Para encontrar ecuaciones que relacionen x y w = T(x), sea el ngulo la abertura
desde el eje x positivo a x, y sea r la longitud comn de x y w.
Entonces por trigonometra bsica, tenemos:
x r cos
y rsen
w1 r cos
w2 rsen
Usando identidades trigonomtricas, tenemos:

Recurso:
cosa b cos a cos b sen a sen b

sena b sen a cos b cos a sen b
w1 r cos cos rsensen

w2 rsen cos r cos sen
Como x r cos y y rsen , tenemos:
w1 x cos ysen
w2 xsen y cos
T es un operador lineal, su matriz estndar es:
cos
sen
sen
cos
319
Operador: Rotacin a travs de un ngulo .
w1 x cos ysen
w2 xsen y cos
cos
sen
sen
cos
- Ejemplo demostrativo 1: Una transformacin lineal de rotacin.
x
Si cada vector x = en R 2 se hace girar un ngulo (ngulo de rotacin)
y
6 30 , entonces la imagen w bajo esa transformacin es:
3
w cos 6 sen 6 x 2

w = 1
w2 sen 6 cos 6 y 1
2
1 x 3 x 1 y
2
2
2
3 y
1 x 3 y
2
2
2
[+ Tringulo 30]
1
Por ejemplo, la imagen del vector x = bajo esa transformacin es:
1
3
T 1,1 w = 2
1
2
3 1
1 1
2 2
3 1 1 3
2
2
1) Encontrar el dominio y el codominio de la transformacin definida por las

ecuaciones, y determinar si la transformacin es lineal.
a)
w1 3x1 2 x 2 4 x3
w2 5 x1 8 x 2 x3
Solucin:
El dominio es TODOS los vectores de la forma x1 , x 2 , x3 ( R 3 ), el codominio (o
contradominio) es TODOS los vectores de la forma 3 x1 2 x 2 4 x3 ,5 x1 8 x 2 x3
( R 2 ).
320
La transformacin T : R 3 R 2 es lineal, puesto que, se define con ecuaciones lineales.
w1 2 x1 x 2 x 2
b) w2 x1 3x1 x 2
w3 x1 x 2
T : R 2 R 3 NO es una transformacin lineal, puesto que, sus ecuaciones NO son

lineales.
Su dominio es R 2 y su contradominio R 3 .

5) Encontrar la matriz estndar para la transformacin lineal T definida por la frmula.
a) T x1 , x 2 x 2 , x1 , x1 3x 2 , x1 x 2
Solucin:
Tenemos una transformacin lineal T : R 2 R 4 :
w1 a
w c
T x1 , x 2 2
w3 e

w4 g
b
d x1
f x 2
Es fcil obtener los valores de los componentes de la matriz estndar.

As, la matriz estndar es:
0 1
1 0
1
3
1 1
b) T x1 , x 2 , x3 , x 4 7 x1 2 x 2 x3 x 4 , x 2 x3 , x1
Solucin:
Tenemos una transformacin lineal T : R 4 R 3 .
321
x1
w1 7 2 1 1
x
T x1 , x 2 , x3 , x 4 w2 0 1 1 0 2
x
w3 1 0 0 0 3
x4

7 2 1 1
0 1 1 0
1 0 0 0
c) T x1 , x 2 , x3 0,0,0,0,0
Solucin:
Tenemos una transformacin CERO, T : R 3 R 5 .
w1 0
w 0
2
T x1 , x 2 , x3 w3 0

w4 0
w5 0
0 0
0 0 x1
0 0 x 2
0 0 x3
0 0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
d) T x1 , x 2 , x3 , x 4 x 4 , x1 , x3 , x 2 , x1 x3
Solucin:
Tenemos una transformacin lineal T : R 4 R 5 .
w1 0
w 1
2
T x1 , x 2 , x3 , x 4 w3 0

w4 0
w5 1
1
x1
0
x2
0 1 0
x3
1 0 0
x4
0 1 0
0
0
0
0
322

0
1
0
1
0 0
0 0
0 1
1 0
0 1
1
0
0
0
0
8) Por medio de la multiplicacin matricial hallar la reflexin de 1,2 con respecto a:

a) El eje x.
b) El eje y.
c) La recta y = x.
Solucin:
1 0 1 1
a) T 1,2

0 1 2 2
1 0 1 1
b) T 1,2

0 1 2 2
0 1 1 2
c) T 1,2

1 0 2 1

9) Usar la multiplicacin matricial para encontrar la reflexin de 2,5,3 respecto al
a) Plano xy
b) Plano xz
c) Plano yz
1 0 0 2 2
a) T 2,5,3 0 1 0 5 5
0 0 1 3 3
1 0 0 2 2
b) T 2,5,3 0 1 0 5 5
0 0 1 3 3
1 0 0 2 2
c) T 2,5,3 0 1 0 5 5
0 0 1 3 3
323
Slo MAESTROS, propuesto ACTIVIDAD/CLASE.

11) Utilizar la multiplicacin matricial para encontrar la proyeccin ortogonal de
2,1,3 sobre el
a) Plano xy
b) Plano xz
c) Plano yz
1 0 0 2 2
a) T 2,1,3 0 1 0 1 1
0 0 0 3 0
1 0 0 2 2
b) T 2,1,3 0 0 0 1 0
0 0 1 3 3
0 0 0 2 0
c) T 2,1,3 0 1 0 1 1
0 0 1 3 3

12) Usar la multiplicacin matricial para encontrar la imagen del vector 3,4 cuando
se hace girar un ngulo de
a) 30
b) 60
3
cos 30 sen30 3 2
a) T 3,4

sen30 cos 30 4 1
2
[tringulo 30]
c) 45
1 3 3 3 2
2
2
3 4
3 2 2 3
2
cos 60 sen 60 3 12
b) T 3,4

sen 60 cos 60 4 3
2
[tringulo 30]
1
cos 45 sen45 3 2
c) T 3,4

sen45 cos 45 4 1
2
d) 90
3 2 3
3 3
2
2
3 3
1 4
2 2
2
7
7 2
3
2
2 2
1 4 1 2
2
2
2
[tringulo 45]
324
cos 90 sen90 3 0 1 3 4
d) T 3,4

sen90 cos 90 4 1 0 4 3
5.3 Definicin de ncleo o kernel, e imagen de una transformacin lineal.
La palabra kernel (ncleo) se deriva de la palabra del ingles antiguo cyrnel, una
forma de corn, que significa semilla o grano.
El kernel es el ncleo de una transformacin lineal, en el sentido que lleva
informacin acerca de muchas de las propiedades de la transformacin.
Definicin 1: Ncleo e imagen de una transformacin lineal.
Sean V y W 2 espacios vectoriales y sea T : V W una transformacin lineal.

Entonces
1) El ncleo de T , denotado por nuT (o ker T ), est dado por:
nuT {v V : T v = 0}
2) La imagen de T , denotada por imT o imagenT , esta dada por:

imT { T (v): v V } = {w W : w = T (v) para algn v V }
Observacin 1: Sobre el ncleo.
Observe que nuT en NO vaco porque, T (0) = 0 de manera que 0 nuT para cualquier
transformacin lineal T . Se tiene inters en encontrar otros vectores en V que se
transformen en 0.
De nuevo, observe que cuando escribimos
T (0) = 0
El cero de la izquierda esta en V y el de la derecha en W .
Observacin 2: Sobre la imagen.
La imagen de T ( imT ) es simplemente el conjunto de imgenes de los vectores en V

bajo la transformacin T .
De hecho, si w = T (v), se dice que w es la imagen de v bajo T .
Antes de dar ejemplos de ncleos e imgenes, se demostrar un teorema til.
325
Teorema 1:
Si T : V W es una transformacin lineal, entonces:

1) nuT es un subespacio de V .
2) imT es un subespacio de W .
- Ejemplo demostrativo 1: Ncleo e imagen de un operador de proyeccin.

x x
Sea T : R R definida por T y y , T es el operador de proyeccin de R 3
z 0
sobre el plano xy.
x x
0
T y y 0 0
z 0
0
3
Entonces x y 0 .
As, nuT x, y, z : x y 0 eje z.
Y imT x, y, z : z 0; x, y R = plano xy.
Observe que dim nuT 1 y dim imT 2 .
1 10 Encuentre la matriz estndar, ncleo e imagen de la transformacin lineal dada.

x
z
2) T : R R ; T y
y
z
3
x
x
w1 0 0 1
y
T y
w2 0 1 0
z
z

0 0 1
0 1 0
326
El ncleo de T es:
x
0
z
T y = 0 =
y
0
z
ker T x, y, z : z y 0 = eje x
dim ker T 1
La imagen es:
imT z , y : z , y R = plano yz
dim Im T 2

x
y
x z
4) T : R 4 R 2 ; T
z y w

w
x
x
y

w1 1 0 1 0 y
T
z w2 0 1 0 1 z

w
w
1 0 1 0
0 1 0 1
El ncleo de T es:
x
y
x z
0=
T
z y w

w
0
0

nuT x, y, z , w : x z , y w
La imagen de T es:
imT x z , y w; x, y, z , w R
327
Slo MAESTROS, propuesto PUNTO EXTRA/CLASE.

10) T : R 2 R 2 ; T es una rotacin de .
3
x w1 cos 3
T
y w2 sen 3
sen x 1
3
2

cos y 3
3
2
3 x
2

1 y

cos
3
sen
3
sen 1
3 2
cos
3
3 2
3
2
1
2
El ncleo es:
x 3y
x w
0
T 1 2 0
y w2 3 x y
0
2
nuT x, y : x 3 y, y 3 x
Como el conjunto anterior NO EXISTE, puesto que, sus condiciones NO pueden ser
simultneas, tenemos:
nuT x, y : x y 0
nuT {0}
La imagen de T es:
x 3 y 3 x
imT
,
2
2
y
: x, y R
15) Encuentre todas las transformaciones lineales de R 2 en R 2 , tales que, la recta y 0

se transforma en la recta x 0 .
Solucin:
x
v x R describe el conjunto de vectores (puntos) sobre la recta y 0 .
0
Usaremos un operador rotacin con 90 .
2
328
x cos 2 sen 2 x 0 1 x 0

0
0 1 0 0 x
sen
cos

2
2
x 0
T x R describe el conjunto de vectores (puntos) sobre la recta x 0 .
0 x
Es claro que el conjunto de todas las transformaciones lineales bajo esta condicin es:
x 0 a x
T
; a, b, c R
0 b c 0
O bien:
w1 0
x w
T 1
0 w2
w2 kx
k R

17) Encuentre una transformacin lineal T : R 3 R 3 tal que
nuT x, y, z : 2 x y z 0
Solucin:
x w1
0
T y w2 0 0
z w3
0
x 2 1 1 x 2 x y z
0
T y 2 1 1 y 2 x y z = 0 0
z 2 1 1 z 2 x y z
0
La transformacin lineal es:
329
x w1 2 x y z
T y w2 2 x y z
z w3 2 x y z
T x, y, z 2 x y z ,2 x y z ,2 x y z
x
0
Es claro que T y 0 0 , cuando 2 x y z 0 .

z
0
18) Encuentre una transformacin lineal T : R 3 R 3 tal que
imT x, y, z : 2 x y z 0
Solucin:
x
Buscamos una transformacin lineal que transforme vectores de la forma y R 3 en
z
w1
vectores w2 R 3 sobre el plano 2 x y z 0 .
w3
Si x y y pueden variar libremente y x, y, z R 3 .

x x
y y

z 2 x
x 0
0 y

y 2 x y
1
x 0
2
0
y 1
1
1 0
As, 0 y 1 son una base para Im T dim imT 2 .
2 1
Cualquier vector de Im T se puede expresar como una combinacin lineal.

x w1
T y w2
z w3
1
x 0
2
0
y 1
1
x, y R
As, el conjunto de TODOS los vectores generador por T ( imT ) tiene la forma:
x w1 x
T y w2 y
z w3 2 x
Adecuando el resultado a nuestras necesidades ( T : R 3 R 3 ), tenemos:

330
x w1 1 0 0 x x
T y w2 0 1 0 y y
z w3 2 1 0 z 2 x
O bien:
w1 x
T x , y , z x , y , 2 x y
w2 y
w3 2 x y
x
La condicin se cumple, puesto que, para TODO T y , z 2 x y .
z
Es decir, 2 x y z 0 .
5.4 La matriz de una transformacin lineal y representacin matricial de una

transformacin lineal.
El lector atento notar que ya estamos familiarizados con esta notacin, pero, haremos
algunas aclaraciones.
Si A es una matriz de m x n y T : R n R m est definida por T (x) = A x, T es una
transformacin lineal definida por la multiplicacin de x (x R n ) y una matriz.
Hemos llamado a A matriz estndar (o matriz de transformacin).
Ahora se ver que para TODA transformacin lineal de R n en R m existe una matriz A
de m x n, tal que
T (x) = A x
x Rn
As, para evaluar T (x) para cualquier x R n basta una multiplicacin de matrices.
Cualquier transformacin lineal entre espacios vectoriales de dimensin finita se
puede representar con una matriz.
Teorema 1:
Sea T : R n R m una transformacin lineal.

Entonces EXISTE una matriz nica de m x n denotada A (algunos autores ocupan
AT ), tal que
T (x) = A x
x Rn
Este teorema supone que TODO vector en R n y R m est expresado en trminos de los
vectores de la base estndar en esos espacios.
331
Definicin 1: Matriz de transformacin.
La matriz AT (o simplemente A ), tal que T (x) = A x, se llama matriz de

transformacin o representacin matricial de T .
Nota: La matriz de transformacin AT est definida usando las bases estndar tanto en
R n como en R m . Por esto tambin se llama matriz estndar. Si se usan otras
bases se obtendr una matriz de transformacin diferente.
- Ejemplo demostrativo 1: Representacin matricial de una transformacin de

proyeccin.
Encuentre la matriz de transformacin AT correspondiente a la proyeccin de un

vector en R 3 sobre el plano xy.
Solucin:
x w1 x
T y w2 y
z w3 0
x 1 0 0 x x
T y 0 1 0 y y
z 0 0 0 z 0
[Representacin matricial]
La matriz de transformacin es:

1 0 0
0 1 0
0 0 0
- Ejemplo demostrativo 2: Representacin matricial de una transformacin de R 3

en R 4 ( T : R 3 R 4 ).
Defina T : R 3 R 4 por
x y
x
y z
T y
2x y z
z
x y 2 z
332
w1 1 1 0
x
x
w2
0 1
1
y
T y
w3 2 1 1
z
z
2
w4 1 1
[Representacin matricial]
La matriz de transformacin es:

1 1 0
0 1 1
2 1 1
2
1 1
- Ejemplo demostrativo 3: Representacin matricial de una transformacin de

rotacin en R 2 .
Sabemos que si T es la funcin que rota a TODO vector en R 2 un ngulo su matriz

de transformacin es:
cos
AT
sen
sen
cos
La representacin matricial de T es:

x cos
T
y sen
sen x
cos y
Teorema 2:
Sean V un espacio vectorial de dimensin n , W un espacio vectorial de dimensin

m y T : V W una transformacin lineal. Sea B1 v1 , v 2 , , v n una base para V y
sea B2 w1 , w2 , , wm una base para W . Entonces EXISTE una matriz nica AT de
m x n, tal que
T x B 2 AT xB1
Nota: En este caso la matriz de transformacin AT NO puede llamarse matriz
estndar.
333
Observacin:
Si x V , x c1v1 c 2 v 2 c n v n , entonces
xB1
c1
c1
c
c
2
. Sea c 2 ,

c n
c n
d1
d
entonces AT c es un m vector que se denota d 2 . As,

d m
d1
d
T x B 2 2

d m
Es decir,
T x d1 w1 d 2 w2 d m wm
As, la unicidad de AT es relativa a las bases B1 y B2 . Si las bases cambian, AT

cambia. Si se usan bases estndar, AT es la matriz estndar que ya conocemos.
- Ejemplo demostrativo 4: Representacin matricial relativa a 2 bases NO estndar

en R 2 .
1 3
x x y
Defina T : R 2 R 2 por T
. Usando las bases B1 B2 .
y x y
1 2
Calcule AT .
Solucin:
Ocuparemos TODO lo aprendido sobre cambio de base (espacios vectoriales) y lo
aplicaremos a transformaciones lineales.
1 3
A
1 2
Hallemos C A 1 .
0
1 0 2 3
1 3 1
1 3 1 0
1 3 1 0
1 2 0 1 0 1 1 1 0 1 1 1 0 1 1 1

334
2 3
C
1 1
As,
x 2 3 x 2 x 3 y
y 1 1 y x y
B1

Y tenemos,
5 x y
x y 2 3 x y 2 x 2 y 3x 3 y
x y 1 1 x y x y x y 2 x
B1
B1

Adecuemos la informacin a nuestras necesidades.

5 x y a b 2 x 3 y
2 x c d x y
5 x y 2ax 3ay bx by 2a b x 3a b y
2 x 2cx 3cy dx dy 2c d x 3c d y
Generamos 2 sistemas de ecuaciones de 2 x 2.

2a b 5
3a b 1
2c d 2
3c d 0
2 1 5
3 1 1
5
1 1
2
2
3 1 1
5
1 1
2
2
17
1
0
2
2
5
1 1
2
2
0 1 17
1 0 6
0 1 17
2 1 2
3 1 0
1 1 1
2
3 1 0
1 1 1
2
1
3
0
2
1 1 1
2
0 1 6
1 0 2
0 1 6
Finalmente la matriz de transformacin que buscamos es:

6 17
AT
2 6
335
1 3
Que es la matriz de transformacin de T respecto a la base B1 B2 .
1 2
Nota: Para evitar confusin, a menos que se establezca lo contrario explcitamente,

SIEMPRE calcularemos AT respecto a la base cannica.
Teorema 3:
Sea T : R n R m una transformacin lineal. Suponga que C es la matriz de

transformacin de T respecto a las bases estndar S n y S m en R n y R m ,
respectivamente.
Sea A1 la matriz de transicin de B1 a la base S n en R n y sea A2 la matriz de
transicin de B2 a la base S m en R m .
Si AT denota la matriz de transformacin de T respecto a las bases B1 y B2 ,

entonces
1
AT A2 CA1
Ms adelante se ver que dada una transformacin de R n en R n
( T : R n R n ), con frecuencia es posible encontrar una base B tal que la matriz de
transformacin de T respecto a B es diagonal.
1 30 Encuentre la matriz de transformacin AT , nuT , imT de la transformacin

lineal T . A menos que se especifique lo contrario, suponga que B1 y B2 son bases
cannicas.
x y
x
2) T : R R ; T x y
y 2 x 3 y
Hallemos AT :
2
1 1
x
x
T 1 1
y 2 3 y
As, la matriz de transformacin es:
336
1 1
AT 1 1
2 3
Hallemos nuT ( ker T ):

x y
x
T x y = 0 =
y 2 x 3 y
0
0

0
Las condiciones son: x y 0 , x y 0 , 2 x 3 y 0 .

La nica forma de satisfacer simultneamente las 3 condiciones es x y 0 .
As,
ker T {0}
Hallemos la imagen:
imT x y, x y,2 x 3 y ; x, y R
Ocupando la informacin de la matriz de transformacin, tenemos:

1 1
imT gen1 , 1
2 3

dim imT 2

x x 2 y z
6) T : R R ; T y 2 x 4 y 2 z
z 3x 6 y 3z
3
Hallemos AT :
1 x
x 1 2
T y 2 4 2 y
z 3 6
3 z
As, la matriz de transformacin es:

1
1 2
AT 2 4 2
3 6
3
Hallemos nuT :
337
x x 2 y z
T y 2 x 4 y 2 z = 0 =
z 3 x 6 y 3z
0
0

0
Evaluemos el sistema homogneo:

1 0
1 2
2 4 2 0
3 6
3 0
R1 , R2 y R3 son mltiplos escalares, por lo tanto,

el sistema homogneo tiene nmero infinito de
soluciones.
El conjunto de soluciones se representa por
x 2y z 0
Si x y y varan libremente y x, y, z R 3 :
x x x 0
y y 0 y

z x 2 y x 2 y
1
x 0
1
0
y 1
2
Entonces,
1 0
nuT gen0, 1
1 2

nuT x, y, z : x 2 y z 0; x, y, z R
El ncleo corresponde al plano en R 3 , x 2 y z 0 .

dim nuT 2
Hallemos imT :
imT x 2 y z ,2 x 4 y 2 z ,3 x 6 y 3 z ; x, y, z R
Por la matriz de transformacin sabemos:

1 2 1
1

imT gen 2 4 2 gen 2

3 6 3
3

La imagen corresponde a la recta en
x t , y 2t , z 3t .
R3
con ecuaciones paramtricas,
dim imT 1
338
Slo MAESTROS, propuesto PUNTO EXTRA.

1 0 0
x y
2 1
x
12) T : R R ; T 2 x y ; B1 ; B2 1 2 2
y y
1 2
0 0 5
Hallemos AT .
Recurso:
1
AT A2 CA1
La matriz de transicin de B1 a S 2 es:
2 1
A1
1 2
La matriz de transicin de B2 a S 3 es:
1 0 0
A2 1 2 2
0 0 5
1 0 0 1 0 0
1 2 2 0 1 0
1 2 2 0 1 0
1 2 2 0 1 0 1 0 0 1 0 0 1 0
0 1 0 0
0 0 5 0 0 1
0 0 5 0 0 1
0 0
5 0 0 1
1 2 2 0 1 0
1 2 2
0 2
1
2 1 1 0 0 1
0 0
0 0
5 0 0 1
5
1 0 0
0 1 1
0 0 5
1
1
2
0
1 0 0
0 0
1 0 0 1 1
2
0 1
0 0 1
1
1
2
0
0
1
2
0
0
1
2
0
1 0
1 0
2
0 1
1 0 0
0
0 0 1 0
1
0 0 1
1
1
2
0
0
0
1 1
2
5
1
0
5
La matriz de transicin de S 3 a B2 es:
A2
1
2
0
0
0
1 1
2
5
1
0
5
339
La matriz de transformacin para T en la base estndar es:

x y
x
T 2 x y
y y
x y 1 1
2 x y 2 1 x

y
y 0 1
1 1
C 2 1
0 1
Finalmente AT es:
1
AT 1
2
0
1
0
0 1 1
1
1 1 2 1 2 1 3
1 2 1
1 2 2
5 1 2
2
5
1
1
0
1
0
0
5
5
1
1
AT 14 11
1 5 210
5
5
imT B 2
1 1

gen14 11
5
10
1 2
5 5
340
5.5 Transformaciones y sistemas de ecuaciones lineales.

Como hemos visto los conceptos de transformacin y sistema de ecuaciones
se encuentran relacionados, puesto que, para una transformacin de la forma:
T(x) = w
Cada componente de w se define como una funcin de x.
- Ejemplo demostrativo 1: La relacin entre una transformacin y un sistema de
ecuaciones.
Sea T : R 2 R 3 la transformacin definida por:
w1
T x w w2
w3
x x1 , x 2 V 2
Donde
w1 x1 2
2
w2 x1 x 2 2
3
w3 x1 x 2
Es claramente un sistema de 3 ecuaciones con 2 incgnitas.
Si la transformacin, est definida por ecuaciones lineales se llama

transformacin lineal, y las ecuaciones que la definen se puede interpretar como un
sistema de ecuaciones lineales de m x n.
Donde el conjunto de partida (le hemos llamado generalmente x) se define en
R n y el conjunto de llegada (le hemos llamado generalmente w) se define en R m .
Recuerde que una transformacin lineal puede ser definida como una
multiplicacin de matrices.
Si la transformacin lineal se define T(x) = w = A x, la matriz de
transformacin A es de m x n y la matriz (vector) x es de n x 1. Por la definicin de
producto de matrices, tenemos que T(x) = w es una matriz (vector) de m x 1.
En otras palabras hemos generado una imagen de x definido en R n , llamada w
definida en R m .
As, una transformacin lineal T : R n R m se define por un sistema de
ecuaciones lineales de la forma:
341
a11 x1 a12 x 2 a1n x n w1

a 21 x1 a 22 x 2 a 2 n x n w2
a m1 x1 a m 2 x 2 a mn x n wm
En notacin matricial:
a11
a
21

a m1
a12
a 22
am2
a1n x1 w1
a 2 n x 2 w2

a mn x n wm
Abreviando:
a11
a
21

a m1
a12
a 22
am2
a1n w1
a 2 n w2

a mn wm
Hemos aclarado esta relacin entre transformaciones lineales y sistemas de

ecuaciones lineales, puesto que, resulta til poder determinar x de T(x) = w si
conocemos la matriz (vector) w.
Lo cual, se hace resolviendo un sistema de ecuaciones lineales de la forma:
a11 x1 a12 x 2 a1n x n w1
a 21 x1 a 22 x 2 a 2 n x n w2
a m1 x1 a m 2 x 2 a mn x n wm
- Ejemplo demostrativo 2: Hallar el vector x de T(x) = w conociendo w para

T : R4 R3 .
Tomaremos el ejemplo demostrativo 2 (pp. 305) y hallaremos x x1 , x 2 , x3 , x 4 R 4 si

w = 1 3 8 y x 4 2 .
Nuestra matriz aumentada es:

2 3 1 5 1
4 1 2 1 3
5 1 4
0 8
Como n m ( n m 4 3 1 variable libre), tenemos 1 variable libre, x 4 t .

342
Resolvamos el sistema:
1 5t
1 5t
3
3
1
1
1
2 3 1 1 5t
1
2
2
2
2
2
2
4 1 2 3 t 4
1
7
2 3t 0
4 1 11t
11 25t
3
5 1 4
8
4
8
5 1
0 13
2
2
2
1 5t
3
5
1
1 0
1
7
2
2
2
1 11t
4
0 1 4
1
0
7
7
7
11 25t
0 0 73
0 13
3
2
2
4
2
5
1 0
7
0 1 4
7
0 0
1
Comprobacin:
5t
7
1 11t
7
32 16t
7
5t
365 73t
1 0 0
7
511
1 11t
47 133t
0 1 0
7
73
64 32t
0 0 1 64 32t
73
73
x4 2
x3 0
47 1332 47 266 219
3
73
73
73
365 732 365 146 511
x1
1
511
511
511
x2
En efecto, bajo esta transformacin:

T 1,3,0,2 1,3,8
Es sencillo notar que esto es particularmente til para operadores lineales

T : Rn Rn .
343
5.6 lgebra de las transformaciones lineales.
A continuacin desarrollaremos
transformaciones lineales.
algunas
propiedades
bsicas
de
las
Teorema 1:
Sea T : V W una transformacin lineal. Entonces para todos los vectores

u, v, v1 , v 2 , , v n en V y todos los escalares 1 , 2 ,, n :
1) T (0) = 0
2) T u v T u T v
3) T 1v1 2 v 2 n v n 1T v1 2T v 2 nT v n
Un hecho importante sobre las transformaciones lineales es que estn

completamente determinadas por el efecto sobre los vectores de la base.
Teorema 2:
Sea V un espacio vectorial de dimensin finita con base B v1 , v 2 , , v n .

Sean w1 , w2 , , wn , n vectores en W . Suponga que T1 y T2 son 2 transformaciones
lineales de V en W tales que T1 vi T2 vi wi para i 1,2,, n . Entonces para
cualquier vector v V , T1 v T2 v ; es decir, T1 T2 .
El teorema 2 dice que si T : V W y V tiene dimensin finita, entonces slo es
necesario conocer el efecto de T sobre los vectores de la base en V . Esto es, si se
conoce la imagen de cada vector bsico, se puede determinar la imagen de cualquier
vector en V ( v V ).
Esto determina T por completo. Para ver esto, sean v1 , v 2 ,, v n una base en V
y sea v otro vector en V , tenemos:
T v 1T v1 2T v 2 nT v n
As, se puede calcular T v para cualquier vector v V si se conocen

T v1 , T v 2 , , T v n .
Si se conoce el efecto de una transformacin lineal sobre los vectores de la base,

entonces se conoce el efecto sobre cualquier otro vector.
344
Sea T una transformacin lineal de R 3 en R 2 ( T : R 3 R 2 ) y suponga que

1
0
0
2
5
T 0 , T 1 y T 0 .
3
4
3
0
1
0
3
Calcule T 4 .
5
Solucin:
3
1
0
0

Se tiene 4 3 0 4 1 5 0 .
5
0
0
1
Entonces
3
1
0
0
T 4 3T 0 4T 1 5T 0
5
0
0
1
3
1 5 6 4 25 35
2
T 4 3 4 5
3
4 3 9 16 15 22
Surge otra pregunta: si w1 , w2 , , wn son n vectores en W , Existe una

transformacin lineal T tal que T vi wi para i 1,2,, n ? La respuesta es s, como
lo muestra el siguiente teorema.
Teorema 3:
Sea V un espacio vectorial de dimensin finita con base B v1 , v 2 , , v n . Sea

W un espacio vectorial que contiene los vectores w1 , w2 , , wn . Entonces existe una
transformacin lineal nica T : V W tal que T vi wi para i 1,2,, n .
Observacin: En los teoremas 2 y 3 los vectores w1 , w2 , , wn NO tienen que ser

independientes y, de hecho, ni siquiera tienen que ser diferentes.
Ms an, se hace hincapi en que los teoremas se cumplen si V es
cualquier espacio vectorial de dimensin finita, NO slo R n .
Observe tambin que la dimensin de W NO tiene que ser finita.
345
- Ejemplo demostrativo 2: Definicin de una transformacin lineal de R 2 en un

subespacio de R 3 .
Encuentre una transformacin lineal de R 2 en el plano

W y : 2 x y 3 z 0

Solucin:
Sabemos que W es un subespacio definido con 2 dimensiones en R 3 ( dim W 2 ).

Primero hallamos los vectores bsicos de W :
x
Si x y y pueden variar y y R 3 , tenemos:
z
x x
y 2 x 3z

z z
1
0
x 2 z 3
0
1
1 0
As, 2, 3 es una base para W .

0 1

Adecuando la informacin a nuestras necesidades, tenemos:
1 0
x
x
x
T 2 3 2 x 3 y
y 0 1 y y
346
5.7 Aplicaciones de las transformaciones lineales.
- Interpretacin geomtrica de la transformacin de R 2 a R 3 T : R 2 R 3 :

Funcin inyectiva: Regla de correspondencia entre 2 conjuntos tal que cada elemento
del conjunto de llegada tiene como mximo un antecedente en el
conjunto de partida.
Sea V un subespacio (vectorial) de R 3 y W un subespacio de R 2 . Si T : V W es

una funcin inyectiva, la transformacin nos brinda una interpretacin de cada punto
(vector) x, y, z R 3 en R 2 .
De igual forma T : R 2 R 3 nos brinda una interpretacin del punto (vector)
x y R 2 en R 3 .
- Ejemplo demostrativo: Interpretacin geomtrica de una transformacin lineal

de R 3 en R 2 T : R 3 R 2 , su ncleo e imagen.
x
z
Sea T : R R ; T y
y
z
3
ker T x
z : y z 0 = eje x
dim ker T 1
imT z
y : z , y R = plano yz
dim imT 2
347
Interpretacin geomtrica:
Maple:
plot3d([[t,0,0],[0,t,s]],t=-100..100,s=100..100,lightmodel=light2,axes=boxed,scaling=constrained,grid=[2,2],
transparency=.3);
348
UNIDAD 6: Valores y vectores caractersticos.

6.1 Definicin de valores y vectores caractersticos de una matriz cuadrada.
Introduccin:
En esta unidad, para una matriz cuadrada A nos preguntaremos si existen
vectores x distintos de CERO (x 0) tales que, A x sea justamente un mltiplo escalar
de x.
Si A es una matriz n x n (cuadrada) y x es un vector en R n , entonces NO hay
ninguna relacin geomtrica general entre el vector x y el vector A x. Sin embargo, a
menudo existen ciertos vectores x diferentes de CERO tales que, x y A x so mltiplos
escalares.
Estos vectores surgen de manera natural en el estudio de las vibraciones,
sistemas elctricos, gentica, mecnica cuntica, esfuerzo mecnico y otras.
Definicin: Eigenvalor y eigenvector.

Sea A una matriz de n x n con componentes reales. El nmero (real o complejo) se
llama eigenvalor (valor propio o valor caracterstico) de A si existe un vector
diferente de CERO v en C n tal que:
Ax = x
El vector v 0 se llama eigenvector de A correspondiente al eigenvalor .
Nota: El adjetivo alemn eigen significa propio o caracterstico de.
Los eigenvalores tambin se llaman valores propios o valores caractersticos.
En este texto usaremos los 3 trminos.
- Interpretacin geomtrica de los eigenvectores:
Si A es una matriz de n x n, se denomina eigenvalor de A si EXISTE un
vector x 0 tal que:
349
Ax = x
o equivalentemente
I A x = 0
Los vectores x 0 que satisfacen la ecuacin se denominan eigenvectores de

A correspondientes al eigenvalor .
Los eigenvalores y eigenvectores tambin se pueden definir para operadores
lineales en R n ; estas definiciones son paralelas a las correspondientes para matrices.
Definicin:
Si T : R n R n es un operador lineal, entonces el escalar se denomina eigenvalor de
T si en R n EXISTE un vector x 0 tal que
T (x) x
Los vectores x 0 se llaman eigenvectores (vectores propios o vectores
caractersticos) de T correspondientes al eigenvalor (valor propio o valor
caracterstico) .
Note que si A es la matriz estndar de c podemos escribir:
Ax = x
De donde se deduce:
1) Los eigenvalores de T son precisamente los eigenvalores de su matriz estndar
A.
2) x es un eigenvector de T correspondiente a si y slo si x es un eigenvector
de A correspondiente a .
Si es un eigenvalor de A y x es su eigenvector correspondiente, entonces A x =
x de modo que la multiplicacin de A transforma x en un mltiplo escalar de s
mismo.
En R 2 y R 3 , esto significa que la multiplicacin por A transforma cada
eigenvector x en un vector A x mltiplo escalar de si mismo.
350
6.2 Polinomio y ecuacin caracterstica.

- Sistemas lineales de la forma A x = x:
Muchas aplicaciones del lgebra lineal estn relacionadas con sistemas de n ecuaciones
lineales con n incgnitas de la forma:
Ax = x
Donde (lambda) es un escalar. Estos sistemas son realmente sistemas lineales
homogneos, ya que podemos escribir:
I A x = 0
- Ejemplo demostrativo 1: Un sistema lineal A x = x.
Sea el sistema:
x1 3 x 2 x1
4 x1 2 x 2 x 2
En forma matricial:
x1
1 3 x1
4 2 x x
2
2
[ A x = x]
Reacomodando trminos:
x 1 3 x
1
1
x 2 4 2 x 2 0
351
1 0 x1 1 3 x1 0

0 1 x 2 4 2 x 2 0
1 0 1 3 x1

0
0 1 4 2 x 2
1 3 x1
4 2 x 0
1 3
I A
4 2
El problema esencial es determinar los valores para los cuales el sistema lineal
NO tiene solucin trivial; ese valor de se llama valor caracterstico o eigenvalor
(valor propio) de A .
Si es un eigenvalor de A , entonces las soluciones NO triviales de
I A x = 0
Se denominan eigenvectores de A correspondientes al eigenvalor .
Como sabemos el sistema homogneo I A x = 0 tiene solucin NO trivial (nmero
infinito de soluciones) si y slo si:
det I A 0
[Ecuacin caracterstica]
Esta se denomina ecuacin caracterstica de A ; los eigenvalores de A se pueden

encontrar resolviendo esta ecuacin para .
- Ejemplo demostrativo 2: Determinacin de los eigenvalores y eigenvectores de

una matriz n x n.
La ecuacin caracterstica de A es:
det I A
1
4
3
0
2
[Ecuacin caracterstica]
(Vea ejemplo demostrativo 1)

O bien
2 3 2 12 0
2 3 10 0
[Polinomio caracterstico]
352
La solucin de esta ltima ecuacin (polinomio caracterstico de A ) nos entrega los

eigenvalores de A .
2 3 10 0
5 2 0
5
Por definicin
x
x = 1
x2
es un eigenvector de A si y slo si x es una solucin NO trivial de I A x = 0, es

decir,
1 3 x1 0
4 2 x 0
2
@ 2
3 3 x1 0
4 4 x 0
3 0 1 1 0 1 t
Tenemos 1 variable libre, x 2 t .

Las soluciones del sistema son:
x1 t
x2 t
As, los eigenvectores correspondientes al eigenvalor 2 son los vectores x 0

de la forma
t
x=
t
tR
@ 5
1 3 x1 0
4 2 x 0
2
4 3 x1 0
4 3 x 0
353

4 3 0
4 3 0
Como R1 es mltiplo escalar de R2 , tenemos:
3 0 4 3t 1 3 t
4

Las soluciones del sistema homogneo son:
x1 3 t
4
x2 t
As, los eigenvectores correspondientes al eigenvalor 5 son los vectores x 0 de

la forma
3 t
x= 4
t
tR
14) Exprese los siguientes sistemas lineales en la forma I A x = 0.

a)
x1 2 x 2 x1
2 x1 x 2 x 2
Recurso: A x = x
x1
1 2 x1
2 1 x x
2
2
1 0 1 2 x1 0

2 1 x 0
0
1
1 2 x1 0
2 1 x 0
b)
2 x1 3 x 2 x1
4 x1 3 x 2 x 2
Recurso: A x = x
354
x1
2 3 x1
x
4 3 x
2
2
1 0 2 3 x1 0

0 1 4 3 x 2 0
2 3 x1 0
4 3 x 0
c)
3x1 x 2 x1
5 x1 3 x 2 x 2
Recurso: A x = x
1 x1
x1
3
5 3 x x
2
2
1 0 3
1 x1 0

0 1 5 3 x 2 0
3 1 x1 0
5
3 x 2 0
15) Para cada uno de los sistemas lineales de 14), encontrar

1) La ecuacin caracterstica.
2) Los eigenvalores.
3) Los eigenvectores para cada eigenvalor.
a) Sea
1 2 x1 0
2 1 x 0
La ecuacin caracterstica es:
det I A 0
1
2
2
0
1
El polinomio caracterstico es:
2 2 1 4 0
2 2 3 0
355
3 1 0
Los eigenvalores son:
@ 3
1 2 x1 0
2 1 x 0
2
2 2 x1 0
2 2 x 0

2 2 0
2 2 0
2 0 1 1 0 1 t

x1 t
x2 t

la forma
t
x=
t
tR
@ 1
1 2 x1 0
2 1 x 0
2
2 2 x1 0
2 2 x 0

2 2 0
2 2 0
356
2 0 1 1 0 1 t

x1 t
x2 t

la forma
t
x=
t
tR
b) Sea
2 3 x1 0
4 3 x 0
det I A 0
2
4
3
0
3
2 5 6 12 0
2 5 6 0
1 6 0
@ 1
2 3 x1 0
4 3 x 0
2
3 3 x1 0
4 4 x 0

357
3 3 0
4 4 0
3 0 1 1 0 1 t

x1 t
x2 t

la forma
t
x=
t
tR
@ 6
2 3 x1 0
4 3 x 0
2
4 3 x1 0
4 3 x 0

4 3 0
4 3 0
3 0 1 3
0 1 3 t
4

x1 3 t
4
x2 t

la forma
358
3 t
x= 4
t
tR
c) Sea
3 1 x1 0
5
3 x 2 0
det I A 0
3
5
1
0
3
2 9 5 0
2 4 0
2 4
2
0
2
2
0
2
@ 2
3 1 x1 0
5
3 x 2 0
5 1 x1 0
5
1 x 2 0

5 1 0
5
1 0
1 0 1 1 0 1 1 t
5
5
359

x2 t
x1 1 t
5

de la forma
1 t
x= 5
t
tR
@ 2
3 1 x1 0
5
3 x 2 0
1 1 x1 0
5
5 x 2 0

1 1 0
5 5 0
1 0 1 t

x1 t
x2 t

la forma
t
x=
t
tR
Importante (Resumen):
1) El escalar lambda ( ) es un eigenvalor de A si

Ax = x
360
2) El vector x 0 es un eigenvector de A correspondiente a si el sistema

homogneo
I A x = 0
tiene soluciones NO triviales (nmero infinito de soluciones).
3) La ecuacin
det I A 0
se llama ecuacin caracterstica de A .

4) El polinomio p 0 se llama polinomio caracterstico de A .
5) Significan lo mismo eigenvalor, valor propio y valor caracterstico.
6) Significan lo mismo eigenvector, vector propio y vector caracterstico.
7) Segn el teorema fundamental del lgebra, contando multiplicidades TODA
matriz de n x n tiene exactamente n eigenvalores.
6.3 Determinacin de los valores y vectores caractersticos de una matriz

cuadrada.
Antes de continuar aprenderemos 2 teoremas importantes.
Teorema 1:
Sea un valor propio de la matriz A de n x n y sea E v : Av v . Entonces E

es un subespacio de C n .
Definicin: Espacio propio.
Sea un valor propio de A . El subespacio E se llama espacio propio de A

correspondiente al valor propio .
Teorema 2:
Sea A una matriz de n x n y sean 1 , 2 , , m valores propios distintos de A

(es decir i j si i j ) con vectores propios correspondientes v1 , v 2 , , v m .
Entonces v1 , v 2 , , v m son linealmente independientes.
361
Esto es:
Los vectores propios correspondientes a valores propios distintos
son linealmente independientes.
- Procedimiento para calcular valores y vectores propios (Importante):
1) Sea encuentra
p det I A 0
2) Se encuentran las races 1 , 2 , , m de p 0

3) Se resuelve el sistema homogneo
i I A x = 0
para cada valor propio i .
- Ejemplo demostrativo 1: Clculo de valores y vectores caractersticos de una
matriz 2 x 2.
4 2
Sea A
determinaremos los valores de tales que
3 3
Ax = x
x1
4 2 x1
3 3 x x
2
2
1 0 4 2 x1 0

0 1 3 3 x 2 0
4 2 x1 0
3 3 x 0

det I A 0
4
3
2
0
3
2 7 12 6 0
362
2 7 6 0
1 6 0
@ 1
4 2 x1 0
3 3 x 0
2
3 2 x1 0
3 2 x 0

3 2 0
3 2 0
Resolviendo el sistema:
2 0 1 2
0 1 2 t
3

x1 2 t
3
x2 t

la forma
2 t
x= 3
t
2
Un espacio propio de A es E1 gen
3
tR
(@ t 3 ).
@ 6
4 2 x1 0
3 3 x 0
2
2 2 x1 0
3 3 x 0
363

2 2 0
3 3 0
1 0 1 t

x1 t
x2 t

la forma
t
x=
t
tR
1
Un espacio propio de A es E 6 gen
1
(@ t 1 ).
2
1
Hagamos v1 y v 2 observe que v1 y v 2 son linealmente independientes,
3
1
puesto que, NO son mltiplos escalares.
- Ejemplo demostrativo 2: Clculo de valores y vectores caractersticos de una

matriz 3 x 3.
Sea
1 1 4
A 3 2 1
2 1 1
Determinaremos los valores de , tales que

Ax = x
1 1 4 x1
x1
3 2 1 x x
2
2
x3
2 1 1 x3
364
1 0 0 1 1 4 x1 0

0 1 0 3 2 1 x 2 0
0 0 1 2 1 1 x3 0
1
4 x1 0
1
3 2
1 x 2 0
2
1 1 x3 0
det I A 0
12 2 1 3 3 2 43 2 4 0
12 1 3 1 4 8 0
12 1 5 5 0
3 22 1 5 5 0
3 22 5 6 0
Como sabemos la ecuacin polinmica
(grad p 3 ).
p 0 tiene exactamente 3 races
Por comodidad ocuparemos software.

Maple:
solve(x^3-2*x^2-5*x+6=0,{x});
evalf(%);
Los valores caractersticos de A son:
@ 1
1
4 x1 0
1
3 2
1 x 2 0
2
1 1 x3 0
365
1 4 x1 0
0
3 1 1 x 0
2
2 1 2 x3 0
Resolviendo el sistema homogneo:

1 1 1 0
1 4 0
3 1 1 0
0
3
3
3 1 1 0 2 1 2 0 2 1
2
0
0
2 1 2 0
0
4 0
1 4 0
1
1 1
1 0
1
3
3
4
0 1
0 0
3
3
0
0
1
4 0
1 1 0
3
3
1
1
4 0
0
1
4 0
1 1 0
3
3
1
4 0
Tenemos 1 variable libre, x3 t .

1
1
3
1
1 t
1 0 t
3
4t
0 1 4t

x1 t
x 2 4t
x3 t

la forma
t
x = 4t
t
1
Un espacio propio de A es E1 gen 4

1

(@ t 1 ).
@ 2
1
4 x1 0
1
3 2
1 x 2 0
2
1 1 x3 0
366
3 1 4 x1 0
3 4 1 x 0
2
2 1 1 x3 0

1 1
3 1 4 0
3
3 4 1 0 3 4
2 1
2 1 1 0
1 1
0
3
3
1 0 0 5
0 5
1 0
3
0
3
5 0
5 0
3
R2 es mltiplo escalar de R3 .

1 1
3
0 5
1 1
0
3
3
5 0
1
0
0
1 0 t
1 0 1 0
3
1 0
0 1 t
0 1 1 0

x1 t
x2 t
x3 t

de la forma
t
x = t
t
Un espacio propio de A es E 2
gen 1
1

(@ t 1 ).
@ 3
1
4 x1 0
1
3 2
1 x 2 0
2
1 1 x3 0
1 4 x1 0
2
3 1
1 x 2 0
2 1 4 x3 0
367

1 4 0
2
3 1
1 0
2 1 4 0
1
2 1 4 0
2 1 4t
3 1 1 0 3 1 t
3
1 1 2t
2t
2
2
5
5t
0
1 t
2
2t
1 0 t
2
1 2t
0 1 2t

x1 t
x3 t
x 2 2t

la forma
t
x = 2t
t
1

Un espacio propio de A es E3 gen2
1

(@ t 1 ).
- Ejemplo demostrativo 3: Una matriz de 2 x 2 con uno de sus valores propios

igual a CERO.
Sea
2 1
A
4 2
Determinaremos valores de tales que
Ax = x
368
x1
2 1 x1
x
4 2 x
2
2
1 0 2 1 x1 0

0 1 4 2 x 2 0
1 x1 0
2
4
2 x 2 0

det I A 0
2
4
1
0
2
2 4 4 4 0
2 4 0
4 0
@ 0
1 x1 0
2
4
2 x 2 0
2 1 x1 0
4 2 x 0

2 1 0
4 2 0
1 0 1 1
0 1 1 t
2

369

x1 1 t
2
x2 t

la forma
1 t
x= 2
tR
t
1
2
(@ t 2 ).
@ 4
1 x1 0
2
4
2 x 2 0
2 1 x1 0
4 2 x 0

2 1 0
4 2 0
1 0 1 1
0 1 1 t
2

x1 1 t
2
x2 t

la forma
1 t
x= 2
tR
t
1
2
(@ t 2 ).
370
Teorema 3:
Los valores propios de una matriz triangular son las componentes diagonales
la matriz.
Demostracin:
a11 a12 a1n
a11 a12
0 a
a 22
a2n
0
22
Si A
entonces I A

0 a nn
0
0
0
como el determinante de una matriz triangular es igual al
componentes de la diagonal.
a1n
a 2 n
y

a nn
producto de los
As, la ecuacin caracterstica:

det I A a11 a 22 a nn 0
Tiene CEROS a11 , a 22 ,, a nn .
- Ejemplo demostrativo 4: Valores propios de una matriz triangular.
Sea
2 5 6
A 0 3 2
0 0 5
[Triangular superior]
Segn el teorema 3 los valores propios son:
Haremos todos los clculos como demostracin del teorema 3.

Buscamos valores de tales que
Ax = x
2 5 6 x1
x1
0 3 2 x x
2
2
x3
0 0 5 x3
1 0 0 2 5 6 x1 0

0 1 0 0 3 2 x 2 0
0 0 1 0 0 5 x3 0
371
6 x1 0
2 5
0
3 2 x 2 0
0
5 x3 0
0
2
0
0
det I A 0
5
6
3 2 2 3 5 0
5
0
As, los valores propios son:
1 20 Calcule los valores propios y espacios propios de la matriz dada.

12 7
2)
7 2
Solucin:
Buscamos valores de tales que
Ax = x
x1
12 7 x1
7 2 x x
2
2
1 0 12 7 x1 0

0 1 7 2 x 2 0
12 7 x1 0
7
2 x 2 0

det I A 0
12
7
7
0
2
372
2 10 24 49 0
2 10 25 0
5 5 0
52 0
El eigenvalor es:
@ 5
12 7 x1 0
7
2 x 2 0
7 7 x1 0
7 7 x 0

7 7 0
7 7 0
7 0 1 1 0 1 t

x1 t
x2 t

de la forma
t
x=
tR
t
1
1
(@ t 1 ).
373
Slo MAESTROS, propuesto EXAMEN/PUNTO EXTRA TAREA/ACTIVIDAD

CLASE.
7 2 4
14) 3 0 2
6 2 3
Buscamos valores de , tales que

Ax = x
x1
7 2 4 x1
3 0 2 x x
2
2
x3
6 2 3 x3
1 0 0 7 2 4 x1 0

0 1 0 3 0 2 x 2 0
0 0 1 6 2 3 x3 0
4 x1 0
7 2
3
2 x 2 0
6 2 3 x3 0
det I A 0
7 2
3
6
4
2 0
2 3
7 3 4 2 3 3 12 4 6 6 0
7 2 3 4 2 3 9 12 46 6 0
7 2 3 4 2 3 3 24 24 0
7 1 4 6 6 24 24 0
7 1 4 30 30 0
7 1 4 30 1
2 3 28 30 0
2 3 2 0
1 2 0
374
@ 1
4 x1 0
7 2
3
2 x 2 0
6 2 3 x3 0
6 2 4 x1 0
3 1 2 x 0
2
6 2 4 x3 0
Haciendo x1 x , x 2 y y x3 z .
3x y 2 z 0
Si x y z pueden variar y x
z R 3 .
x x
y 3x 2 z

z z
Los eigenvectores correspondientes al eigenvalor 1 son los vectores x 0 de la

forma
x
x = 3 x 2 z
z
El espacio generado esta vez tiene 2 vectores como base (2 dimensiones).
x
x = 3 x 2 z
z
1
0
x 3 z 2
1
0
1 0

Un espacio propio de A es E1 gen3 2 .
0 1

375
@ 2
4 x1 0
7 2
3
2 x 2 0
6 2 3 x3 0
5 2 4 x1 0
3 2 2 x 0
2
6 2 5 x3 0

1 2
4 0
1 2
4 0
5 2 4 0
5
5
5
5
3 2 2 0 3
4
2
2
2 0 0
0
5
5
6 2 5 0
2
5 0
6
0 2 5 15 0
1 2
4 0
1 0 1 0
5
5
1 0 t
1
0
1 0 0 1 1 0
2
2
0 1 12 t
2
1
0 0
0
0 0
0 5
5

x1 t
x2 1 t
2
x3 t

la forma
t
x = 1 t
2
t
2

Un espacio propio de A es E 2 gen1
2

(@ t 2 ).
376
6.4 Diagonalizacin de matrices, potencias y races de matrices.
Aprenderemos como encontrar una base para R n integrada por eigenvectores de

una matriz A n x n. Las bases se pueden usar para estudiar las propiedades geomtricas
de A y para simplificar algunos clculos. Adems de surgir naturalmente en algunos
eventos de la realidad.
- El problema de la diagonalizacin de matrices:
Se mostrarn 2 problemas diferentes a simple vista, pero equivalentes.

1) Problema del eigenvector: Dada una matriz A n x n. Existe una base para R n
integrada por eigenvectores de A ?
2) Problema de diagonalizacin (forma matricial): Dada una matriz A n x n.
Existe una matriz invertible P tal que, P 1 AP sea una matriz diagonal?
Definicin 1: Diagonalizacin.
Se dice que una matriz cuadrada A es diagonalizable si existe una matriz

invertible P tal que, P 1 AP es una matriz diagonal; se dice que la matriz P
diagonaliza a A .
El siguiente teorema muestra que el problema del eigenvector y el problema
de diagonalizacin (forma matricial) son equivalentes.
Teorema 1:
Si A es una matriz de n x n, entonces las siguientes proposiciones son

equivalentes.
a) A es diagonalizable.
b) A tiene n eigenvectores linealmente independientes.
Demostracin:
Como se supone que A es diagonalizable, entonces existe una matriz invertible P :

P11
P
P 21

Pn1
P12
P22
Pn 2
P1n
P2 n

Pnn
Tal que P 1 AP es diagonal, por ejemplo P 1 AP D , donde

377
1
0
D
0
0
Por la frmula P 1 AP D se deduce que AP PD ; es decir,

P11
P
AP 21

Pn1
P12
P22
Pn 2
P1n 1
P2 n 0

Pnn 0
0 1 P11
0 1 P21

n 1 Pn1
2 P12 n P1n
2 P22 n P2 n
2 Pn 2
n Pnn
Si ahora p1 , p 2 ,, p n denotan los vectores columna de P , entonces las

columnas sucesivas de AP son 1 p1 , 2 p 2 ,, n p n .
Sin embargo, por la definicin de multiplicacin de matrices las columnas
sucesivas de AP son Ap1 , Ap 2 , , Ap n .
a11
a
21

a n1
a12 a1n P11

a 22 a 2 n P21
a n 2 a nn Pn1
p1
P12 P1n
P22 P2 n
Pn 2 Pnn
p2
pn
As, igualando columnas se tiene:

Ap1 1 p1 , Ap 2 2 p 2 ,, Ap n n p n
Como P es invertible, NO todos sus vectores son CERO; as se concluye que

1 , 2 ,, n son eigenvalores de A y que p1 , p 2 ,, p n son los eigenvectores
correspondientes.
Como P es invertible sabemos que p1 , p 2 ,, p n son linealmente
independientes. Por lo tanto, A tiene n eigenvectores linealmente independientes.
Ahora, supngase que A tiene n eigenvectores linealmente independientes
p1 , p 2 ,, p n , con los eigenvalores correspondientes 1 , 2 ,, n , y sea
378
P11
P
P 21

Pn1
P12
P22
Pn 2
P1n
P2 n

Pnn
la matriz cuyos vectores columna son p1 , p 2 ,, p n .

Los vectores columna del producto AP son
Ap1 , Ap 2 , , Ap n
Pero
Ap1 1 p1 , Ap 2 2 p 2 ,, Ap n n p n
De modo que
1 P11
P
AP 1 21

1 Pn1
2 P12 n P1n
2 P22 n P2 n
P12
P22
2 Pn 2
Pn 2
P11
P
21

n Pnn Pn1
P1n 1
P2 n 0

Pnn 0
0
0
PD
Donde D es la matriz diagonal que tiene los eigenvalores 1 , 2 ,, n sobre la

diagonal principal.
Como los vectores columna de P son linealmente independientes, P es invertible. As
P 1 AP D ; es decir, A es diagonalizable.
- Procedimiento para diagonalizar una matriz.

Paso 1: Encontrar n eigenvectores linealmente independientes de A , por
ejemplo p1 , p 2 ,, p n .
Paso 2: Formar la matriz P con p1 , p 2 ,, p n como sus vectores columna.
Paso 3: Entonces, la matriz P 1 AP ser diagonal con 1 , 2 ,, n como sus
elementos diagonales sucesivos, donde i es el eigenvalor correspondiente a

pi , para i 1,2, n .
Para efectuar el paso 1 de este procedimiento primero es necesario determinar

si una matriz dada A n x n tiene n eigenvalores linealmente independientes. Y luego se
requiere un mtodo para encontrarlos. Ambos problemas se pueden manejar a la vez
determinando las bases de los eigenespacios de A .
379
De modo que si en total hay n vectores, A de n x n es diagonalizable y los n

vectores bsicos se pueden usar como los vectores columna de la matriz de
diagonalizacin P .
Si hay menos de n vectores bsicos, la matriz A de n x n NO es diagonalizable.
- Ejemplo demostrativo 1: Encontrar una matriz P que diagonalice a A n x n.
Sea
0 0 2
A 1 2 1
1 0 3
Primero verificaremos que existen 3 vectores bsicos para los eigenespacios de A .

Hallaremos valores de tales que
Ax = x
x1
0 0 2 x1
1 2 1 x x
2
2
x3
1 0 3 x3
1 0 0 0 0 2 x1 0

0 1 0 1 2 1 x 2 0
0 0 1 1 0 3 x3 0
0
2 x1 0
1 2 1 x 0
2
1
0
3 x3 0
det I A 0
1 2
1
2
1 0
2 3 2 2 0
2 3 2 2
380
2 3 2 0
1 2 0
@ 1
0
2 x1 0
1 2 1 x 0
2
1
0
3 x3 0
0
2 x1 0
1
1 1 1 x 0
2
1 0 2 x3 0
2 0
1 0
1 1 1 0
1 1 1 0
1 1 1 0 1 0
2 0
1 0 2 0
1 1 1 0
1 0 2 0
1 0 2 0
1 0 2t
0 1 1 0
0 1 1 0
0 1 1 0
0 1 t
x1 2t
x3 t
x2 t

forma
2t
x = t
t
2

1

(@ t 1 ).
@ 2
0
2 x1 0
1 2 1 x 0
2
1
0
3 x3 0
381
2 0 2 x1 0
1 0 1 x 0
2
1 0 1 x3 0
2x 2z 0
xz 0
Si x y y pueden variar y x
z R 3 .
x x
y y

z x

forma
x
x = y
x
x
x = y
x
1
x 0
1
0
y 1
0
1 0
Un espacio propio de A es E 2 gen 0 1 .

1 0

Existen 3 vectores bsicos, por lo tanto, A de 3 x 3 es diagonalizable, y
1 0 2
P 0 1 1
1 0 1
diagonaliza a A .
Hallaremos P 1 y comprobaremos P 1 AP D .
1 0 0 1 0 2
1 0 2 1 0 0
1 0 2 1 0 0
0 1 1 0 1 0 0 1 1 0 1 0 0 1 0 1 1 1
1 0 1 0 0 1
0 0 1 1 0 1
0 0 1 1 0 1
382
P 1
1 0 2
1 1 1
1 0 1
1 0 2 0 0 2 1 0 2
P AP D 1 1 1 1 2 1 0 1 1
1 0 1 1 0 3 1 0 1
1
2 0 4 1 0 2 2 0 0
2 2 2 0 1 1 0 2 0
1 0 1 1 0 1 0 0 1
Importante: NO existe ningn orden de preferencia para las columnas de P . Como el

i-simo elemento de la diagonal de P 1 AP es un eigenvalor para el isimo vector columna de P al cambiar el orden de las columnas de P
simplemente cambia el orden de los eigenvalores sobre la diagonal de
P 1 AP .
- Ejemplo demostrativo 2: Una matriz A de n x n NO diagonalizable.
Encontrar una matriz P que diagonalice a

1 0 0
A 1 2 0
3 5 2
Como sabemos A es una matriz triangular. Entonces sus valores propios son:
1
Encontremos
I A x = 0
x1
1 0 0 x1
1 2 0 x x
2
2
x3
3 5 2 x3
1 0 0 1 0 0 x1 0

0 1 0 1 2 0 x 2 0
0 0 1 3 5 2 x3 0
383
0
0 x1 0
1
1 2
0 x 2 0
3
5 2 x3 0
@ 1
0
0 x1 0
1
1 2
0 x 2 0
3
5 2 x3 0
0
0 x1 0
0
1 1 0 x 0
2
3 5 1 x3 0

1 5
3 5 1 0
3
1 1 0 0
1
1
1 5
3
1
0
1 5
1 0
3
3
8
0
0 0
3
1 0
3
1
0
1 t
1 0 1 0
1 0
8 1 0
8
3
1
1
1
0
0
0 1 8 t
0 1
8
8
x1 1 t
8
x2 1 t
8
x3 t

la forma
1 t
8
x = 1 t
8
t
1
8
(@ t 1 ).
8
1

@ 2
0
0 x1 0
1
1 2
0 x 2 0
3
5 2 x3 0
384
0 0 x1 0
1
1 0 0 x 0
2
3 5 0 x3 0

0 0 0
1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0
3 5 0 0
0 5 0 0
0 1 0
3 5 0 0

x1 0
x2 0
x3 t

la forma
0
x = 0
t
0

1

(@ t 1 ).
A es de 3 x 3 y slo hay 2 vectores bsicos.

A NO es diagonalizable.
- Clculo de las potencias de una matriz:
En matemticas aplicadas se presentan muchos problemas en los que es

necesario calcular potencias grandes de una matriz cuadrada.
Aprenderemos a usar la diagonalizacin para simplificar los clculos.
Si A es una matriz n x n y P es una matriz invertible, entonces:
AP P 1 APP 1 AP P 1 AIAP P 1 A 2 P
2
De manera ms general, para cualquier entero positivo k , tenemos:
AP P 1 A k P
k
385
As, si A es diagonalizable y P 1 AP D es una matriz diagonal, entonces
P 1 Ak P P 1 AP D k
k
Despejando A k de esta ecuacin se obtiene:
A k PD k P 1
La ltima ecuacin expresa la k-sima potencia de A en trminos de la k-sima
potencia de D .
Pero calcular D k es fcil; por ejemplo si
d1
0
D
d1 k
0
k
D

0
d2
0
k
d2
0
0
dn
0

k
d n
- Ejemplo demostrativo 3: Clculo de las potencias de A n x n usando

diagonalizacin.
Sea
0 0 2
A 1 2 1
1 0 3
Encontrar A13 usando diagonalizacin.

En el ejemplo demostrativo 1 se mostr que A es diagonalizada por
1 0 2
P 0 1 1
1 0 1
386
2 0 0
Y que D P 1 AP 0 2 0 .
0 0 1
Recurso:
A k PD k P 1
A13 PD 13 P 1
13
1 0 2 2
0 1 1 0
1 0 1 0
0
213
0
0 1 0 2
0 1 1 1
113 1 0 1
0
0 1 0 2
1 0 2 8192
8192 0 1 1 1
0 1 1 0
1 0 1 0
0
1 1 0 1
2 1 0 2
0
8192
0
8192 1 1 1 1
8192
0
1 1 0 1
0
16382
8190
8191 8192
8191
8191
0
16383
Observacin: Con este mtodo todo el trabajo consiste en diagonalizar A . Una vez
hecho esto, se puede usar para calcular cualquier potencia de A .
As, para A1000 basta cambiar el exponente de 13 a 1000.
8 11 Hallar una matriz P que diagonalice a A , y determinar P 1 AP D .

1 0
9) A
6 1
Solucin:
Primero, encontraremos valores de tales que
Ax = x
387
x1
1 0 x1

6 1 x 2
2
1 0 1 0 x1 0

0 1 6 1 x 2 0
0 x1 0
1
6 1 x 0

det I A 0
2 1 0
2 1
1
0
1
1
0
1
@ 1
0 x1 0
1
6 1 x 0
2
2 0 x1 0
6 0 x 0

2 0 0
6 0 0
388
0 0 1 0 0 1 0

x1 0
x2 t

la forma
0
tR
x=
t
0
1
(@ t 1 ).
@ 1
0 x1 0
1
6 1 x 0
2
0 0 x1 0
6 2 x 0

0 0 0
6 2 0
2 0 1 1 0 1 1 t
3
3

x1 1 t
3
x2 t

la forma
1 t
x= 3
tR
t
389
1
3
(@ t 3 ).
La matriz A es diagonalizable, puesto que, existen 2 vectores bsicos.

La matriz P que diagonaliza a A es:
1 0
P
3 1
Hallemos P 1 :
1 1 0
1 0 1 0
3 1 0 1
3
3 1 0 1
1 0 1 0
1 0 1
1
0
3
1 3
1 1
1
0 1
3
3
3
0 13 1 13
0
1
1 0 1 0
3
1
0 1 3 1
1 0
P 1
3 1
Entonces
P 1 AP D
1 0 1 0 1 0 1 0 1 0 1 0
3 1 6 1 3 1 3 1 3 1 0 1

2 0 2
11) A 0 3 0
0 0 3
Solucin:
Como tenemos una matriz triangular los valores propios son:
Para, tener confianza en este teorema desarrollaremos los clculos.

Ax = x
390
2 0 2 x1
x1
0 3 0 x x
2
2
0 0 3 x3
x3
1 0 0 2 0 2 x1 0

0 1 0 0 3 0 x 2 0
0 0 1 0 0 3 x3 0
0
2 x1 0
2
0
0 x 2 0
3
0
0
3 x3 0
@ 2
0
2 x1 0
2
0
0 x 2 0
3
0
0
3 x3 0
2 x1 0
0 0
0 1 0 x 0
2
0 0 1 x3 0
2 0
0 0
0 0 1 0
0 1 0 0 0 1 0 0 0 1 0 0
0 0 1 0
0 0 1 0
0 0 1 0

La soluciones del sistema homogneo son:
x1 t
x2 0
x3 0

la forma
t
x = 0
0
391
1

(@ t 1 ).
0

@ 3
0
2 x1 0
2
0
0 x 2 0
3
0
0
3 x3 0
1 0 2 x1 0
0 0 0 x 0
2
0 0 0 x3 0
0 2 0
x 2z 0
z R 3 .
x
y

z
y
1 x
2

forma
x
x= y
1 x
2
x=
y
1 x
2
x 0
1
2
0
y 1
0
O bien
2 z
x = y
2
z 0
1
0
y 1
0
392
2 0
Un espacio propio de A es E3 gen 0 1 .

1 0

Como A es de 3 x 3 y existen 3 vectores bsicos. A es diagonalizable.
1 2 0
P 0 0 1
0 1 0
Hallemos P 1 .
1 0 0 1 0 2
1 2 0 1 0 0
1 2 0 1 0 0
0 0 1 0 1 0 0 1 0 0 0 1 0 1 0 0 0 1
0 0 1 0 1 0
0 0 1 0 1 0
0 1 0 0 0 1
1 0 2
0 0 1
0 1 0
Comprobacin:
1 2 0 1 0 2 1 0 0
0 0 1 0 0 1 0 1 0
0 1 0 0 1 0 0 0 1
Comprobemos:
P 1 AP D
1 0 2 2 0 2 1 2 0
0 0 1 0 3 0 0 0 1
0 1 0 0 0 3 0 1 0
2 0 4 1 2 0 2 0 0
0 0 3 0 0 1 0 3 0
0 3 0 0 1 0 0 0 3

18) Usando diagonalizacin, calcule A10 , donde
393
1 0
A
1 2
Solucin:
Tenemos una matriz triangular. As los valores propios son:
2
Ax = x
x1
1 0 x1
1 2 x x
2
2
1 0 1 0 x1 0

0 1 1 2 x 2 0
0 x1 0
1
1
2 x 2 0
@ 1
0 x1 0
1
1
2 x 2 0
0 0 x1 0
1 1 x 0
1 0 1 t

x1 t
x2 t

la forma
t
x=
tR
t
1
1
(@ t 1 ).
394
@ 2
0 x1 0
1
1
2 x 2 0
1 0 x1 0
1 0 x 0
0 0 1 0

x1 0
x2 t

la forma
0
x=
tR
t
0
1
(@ t 1 ).
Como A es de 2 x 2 y existen 2 vectores bsicos. A es diagonalizable.

1 0
P
1 1
Hallemos P 1 .
1 0 1 0
1 1 0 1
1 1 0 1
1 1 0 1 1 0 1 0 0 1 1 1
1 1 0 1
1 0 1 0
0 1 1 1
0 1 1 1
1 0
P 1
1 1
Sabemos que:
1 0
D
0 2
395
Ahora usaremos A k PD k P 1 .
A10 PD10 P 1
1 0 110
A
1 1 0
10
0 1 0
210 1 1
0 1 0
1 0 1
A10
1 1 0 1024 1 1
0 1 0 1
0
1
A10
1 1024 1 1 1023 1024
6.5 Diagonalizacin de matrices simtricas, diagonalizacin ortogonal.
Abordaremos el problema de determinar una base ortonormal para R n con el

producto interior euclidiano, integrada por eigenvectores de una matriz A n x n.
Usaremos conceptos sobre matrices simtricas y matrices ortogonales.
- Problema de la diagonalizacin ortogonal de una matriz:
Demostraremos que los 2 problemas siguientes son equivalentes.

1) Problema del eigenvector ortonormal: Dada una matriz A de n x n, existe
una base ortonormal para R n con el producto interior euclidiano integrada por
eigenvectores de A ?
2) Problema de la diagonalizacin ortogonal (forma matricial): Dada una
matriz A de n x n, existe una matriz ortogonal P tal que la matriz
P 1 AP P T AP es diagonal?
En caso de que exista la matriz, entonces se dice que A es diagonalizable
ortogonalmente, y se dice que P diagonaliza ortogonalmente a A .
Para el segundo problema es necesario considerar 2 preguntas:
-
Qu matrices son diagonalizables ortogonalmente?
- Cmo encontrar una matriz ortogonal a fin de efectuar la diagonalizacin?

Con respecto a la primera pregunta, se observa que NO hay posibilidad de diagonalizar
ortogonalmente una matriz A , a menos que A sea una matriz simtrica ( A AT ).
Para notar este hecho suponga que
P T AP D
396
Donde P es una matriz ortogonal y D es una matriz diagonal. Como P es ortogonal,

PP T P T P I , de modo que
A PDP T
Como D es una matriz diagonal, se tiene D D T , de modo que al transponer ambos
miembros obtenemos:
AT PDP T
P
T
T T
D T P T PDP T A
As que, A debe ser simtrica.
- Condiciones para diagonalizacin ortogonal:
El siguiente teorema muestra que toda matriz simtrica es, de hecho,

diagonalizable ortogonalmente.
Teorema 1:
Si A es una matriz n x n, entonces las siguientes proposiciones son equivalentes.

a) A es diagonalizable ortogonalmente.
b) A tiene un conjunto ortonormal de n eigenvectores.
c) A es simtrica.
- Algunas propiedades de las matrices simtricas:
El siguiente objetivo es establecer un procedimiento para diagonalizar

ortogonalmente una matriz simtrica, pero antes aprenderemos un teorema sobre
eigenvalores y eigenvectores de matrices simtricas.
Teorema 2:
Si A es una matriz simtrica, entonces:

a) TODOS los eigenvalores de A son nmeros reales.
b) Eigenvectores de eigenespacios diferentes son ortogonales.
- Diagonalizacin de matrices simtricas:
Como una consecuencia del teorema anterior se obtiene el siguiente

procedimiento para diagonalizar ortogonalmente una matriz simtrica.
Paso 1:
Encontrar una base para cada eigenespacio de A .
397
Paso 2:
Aplicar el proceso de ortonormalizacin de Gram Schmidt a cada

base a fin de obtener una base ortonormal para cada eigenespacio.
Paso 3:
Formar la matriz P cuyas columnas son los vectores bsicos obtenidos

en el paso 2; esta matriz diagonaliza ortogonalmente a A .
La justificacin de este procedimiento debe ser evidente.

Sabemos que los eigenvectores de eigenespacios diferentes son ortogonales,
mientras que la aplicacin del proceso de ortonormalizacin de Gram Schmidt
asegura que los eigenvectores obtenidos del mismo eigenespacio son ortonormales.
As, todo el conjunto de eigenvectores obtenidos con este procedimiento es
ortonormal.
- Ejemplo demostrativo 1: Una matriz ortogonal P que diagonaliza a A .
Sea
4 2 2
A 2 4 2
2 2 4
[Note que la matriz es simtrica]
Primero hallamos los valores caractersticos de A .
Ax = x
x1
4 2 2 x1
2 4 2 x x
2
2
2 2 4 x3
x3
1 0 0 4 2 2 x1 0

0 1 0 2 4 2 x 2 0
0 0 1 2 2 4 x3 0
2 x1 0
4 2
2 4 2 x 0
2
2
2 4 x3 0
det I A 0
4
2
2
2
2
4 2 0
2 4
398
4 42 4 2 2 4 4 24 2 4 0
42 8 16 4 44 2 4 0
42 8 12 44 2 8 0
4 6 2 42 4
4 6 2 8 2
2 10 24 8 0
2 10 16 0
2 8 0
@ 2
2 x1 0
4 2
2 4 2 x 0
2
2
2 4 x3 0
2 2 2 x1 0
2 2 2 x 0
2
2 2 2 x3 0
2 2 0 1 1 1 0
x yz 0
z R 3 .
x x
y y

z x y

forma
399
x
x = y
x y

x
x = y
x y
Si y y z pueden variar y x
1
x 0
1
0
y 1
1
z R 3 .
y z
x = y
z
1
1
y 1 z 0
1
0
1 1
Un espacio propio de A es E 2 gen 1 0 .

0 1

@ 8
2 x1 0
4 2
2 4 2 x 0
2
2 4 x3 0
2
4 2 2 x1 0
2 4 2 x 0
2
2 2 4 x3 0

1 1 1 0
1 1 1 0
4 2 2 0
2
2
2
2
2 4 2 0 2
4
2
0
0
3
3
0
2 2 4 0
2 2
4 0
0 3
3 0
1 1
1 1 1 0
1 1 1 0
2
2
2
2
2
3
3 0
1
1 0
1
0
0
0
1 t
1 0 t
2
t
0 1 t

x1 t
x2 t
x3 t
400

la forma
t
x = t
t
1

Un espacio propio de A es E8 gen1
1

(@ t 1 ).
Comenzaremos el proceso de ortonormalizacin, haciendo:

1
v1 1
0
1
v 2 0
1
1
v3 1
1
Aplicamos el proceso de ortonormalizacin de Gram Schmidt a los eigenvectores

(bsicos) correspondientes a 2 .
1 1
S 1 0
0 1

u1
u1
u2
v1
v1
1 0 1

2
2
1
2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
v 2 u1 1 0 1 1
v2 u1 u1
1
2
2
1
2
v 2 v 2 u1 u1 1
0 1
2
v 2 v 2 u1 u1 1 0 1 1
6 6
0 1
0 1
2
401
u2
v 2 v 2 u1 u1 1

6
v 2 v 2 u1 u1
2
6
Por ltimo aplicamos el proceso de ortonormalizacin de Gram Schmidt al

eigenvector (bsico) correspondiente a 8 .
u3
v3 1 1 1 1
3
v3
3
1
3
Haciendo u1 , u 2 y u 3 las columnas de P se obtiene

1
2
P 1
2
1
1
3
1
3
1
3
1
6
6
2
6
Que diagonaliza ortogonalmente a A .
402
2 9 Encontrar una matriz P que diagonalice ortogonalmente a A , y determinar
P 1 AP .
3 1
2) A
1 3
Solucin:
Buscamos valores de , tales que:
Ax = x
x1
3 1 x1
1 3 x x
2
2
1 0 3 1 x1 0

0 1 1 3 x 2 0
3 1 x1 0
1 3 x 0

det I A 0
32 1 0
2 6 9 1 0
2 6 8 0
2 4 0
Los valores caractersticos son:
@ 2
403
1 1 x1 0
1 1 x 0

1 1 0
1 1 0
1 0 1 1 0 1 t

x1 t
x2 t

la forma:
t
x=
t
tR
1
Un eigenespacio de A es E 2
1
(@ t 1 ).
@ 4
1 1 x1 0
1 1 x 0
2
1 1 0
1 1 0
1 0 1 t

x1 t
x2 t

la forma:
404
t
x=
t
tR
1
1
(@ t 1 ).
A es de 2 x 2 y existen 2 vectores bsicos.

A es diagonalizable.
Aplicando el proceso de ortonormalizacin de Gram Schmidt a cada vector bsico,

tenemos:
Recurso:
v
u1 1
v1
Hagamos:
1
v1
1
1
v2
1
Tenemos:
1
2
u1
1
1
u2 2
1
2

1
2
P
1
2
2
1
2
1
Comprobaremos hallando P 1 AP .
Hallemos P 1 :
1
2
2
1
0
1
2 1 0
2
1
1
0 1
2
2
1
0
2
2 1
1 1
2
1
0 1
1
2 0 1
1
1
1 0
2
1
0
2
1
1
2
1 0 22
2 0 1
2
2
2
0
2 1
2
2
2
2
405
2
2
2
2
2
2
Comprobacin:
1
2
2
2
2
1 2
2
2
1
2 1 0
2 0 1
2
Hallemos P 1 AP .
2
2
2 3 1 1
2
2
2 1 3 1
2
2
2 2
1 2 2
2
1
1
2
2
1
2 2
2
1
2
1
2 0
P 1 AP D
0 4
6 2
4) A
2 3
Solucin:
Ax = x
x1
6 2 x1
2 3 x x
2
2
1 0 6 2 x1 0

0 1 2 3 x 2 0
2 x1 0
6
2
3 x 2 0

det I A 0
406
6
2
2
0
3
6 3 4 0
2 9 18 4 0
2 9 14 0
2 7 0
@ 2
2 x1 0
6
2
3 x 2 0
4 2 x1 0
2 1 x 0

4 2 0
2 1 0
1 0 1 1
0 1 1 t
2

x1 1 t
2
x2 t

la forma:
1 t
x= 2
t
tR
407
1
Un eigenespacio de A es E 2 2
1
(@ t 1 ).
@ 7
2 x1 0
6
2
3 x 2 0
1 2 x1 0
2 4 x 0
2
1 2 0
2 4 0
2 0 1 2t

x1 2t
x2 t

la forma:
2t
x=
tR
t
2
1
(@ t 1 ).

La matriz Q que diagonaliza a A es:
1 2
Q 2
1
1
Comprobaremos hallando Q 1 AQ .
Hallemos Q 1 :
408
1 0 1
1 0
1
1
1
1 2 1 0
0 5 1 1
2
1 2
1 0
1 0 1
1
2
2
2
1 1 0
2
5
0 1
4
5
1
5
1 0 2
1
5
1
2
0
1
5
5
2
Q 1 5
2 5
4
5
1
5
Comprobacin:
1 2 2 5
2
1 2 5
1
4 1 0
5
1 0 1
5
Hallemos Q 1 AQ .
2
5
2 5
4 6 2 1
4
2 5
5
2
1 2 3 1
1 14 5
8 1
5 2 2
7 1
1
5
2 0
Q 1 AQ D
0 7
6.6 Formas cuadrticas.
Una expresin de la forma

ax 2 by 2 cxy
Se denomina forma cuadrtica en x y y . De manera similar

ax 2 by 2 cz 2 dxy exz fyz
es una forma cuadrtica en x , y y z .

Resumiendo, una forma cuadrtica es una suma de trminos, cada uno de los cuales
tiene grado 2 en todas las variables.
As, 5 x 2 3 y 2 2 xy es una forma cuadrtica, pero x 2 y 2 x NO lo es.
Podemos representar las formas cuadrticas utilizando matrices como se muestra a
continuacin:
409
a
y
c 2
ax 2 by 2 cxy x
c x
2

b y
Y
ax 2 by 2 cz 2 dxy exz fyz x
z d
2
e
2
2
b
e
2 x
f y
2
c z
Cada una tiene la forma x T A x, donde la matriz A es simtrica.

As, tenemos la siguiente definicin general.
Definicin: Forma cuadrtica.
Una forma cuadrtica en n variables es una funcin f : R n R de la forma
f (x) = x T A x
Donde A es una matriz simtrica de n x n y x est en R n . Haremos referencia a A
como matriz asociada con f .
- Ejemplo demostrativo 1: Forma cuadrtica asociada a una matriz.
2 3
Cul es la forma cuadrtica con matriz asociada A
?
3 5
x
Si x = 1 , entonces
x2
2 3 x1
x 2
2 x1 3 x 2
3 5 x 2
f (x) = x T A x = x1
x
3 x1 5 x 2 1
x2
2 x1 3 x1 x 2 3 x1 x 2 5 x 2 2 x1 5 x 2 6 x1 x 2
2
Observe que las entradas fuera de la diagonal a12 a 21 3 de A son combinadas para
proporcionar el coeficiente 6 de x1 x 2 , lo cual generalmente es verdadero.
Podemos expandir una forma cuadrtica en n variables x T A x como sigue:
xT Ax =
a11 x1 a22 x2 ann xn 2aij xi x j

2
i j
De este modo, si i j , el coeficiente de xi x j es 2aij .
410
- Ejemplo demostrativo 2: Matriz asociada a una forma cuadrtica.

Sea:
f x1 , x 2 , x3 2 x1 x 2 5 x3 6 x1 x 2 3 x1 x3
2
Solucin:
2
Los coeficientes de los trminos cuadrados xi van sobre la diagonal como aii ,
mientras que los coeficientes de los trminos con productos cruzados xi x j son
repartidos entre aij y a ji .
Por lo tanto
2
3 3
2
A 3
1
0
3
0
5
2
As,
f x1 , x 2 , x3 = x T A x = x1
x2
2
3 3 x1
2
x3 3
0 x 2
1
3
0
5 x3
2
En el caso de una forma cuadrtica f x, y de 2 variables, la grfica de
z f x, y es una superficie en R 3 .
Observe que el efecto de mantener x o y constantes es tomar una seccin

transversal de la grfica paralela a los planos yz o xz .
En general la matriz de una forma cuadrtica es simtrica y por tanto
diagonalizable.
Usaremos este hecho para demostrar que, para TODA forma cuadrtica
podemos eliminar los trminos con productos cruzados con un cambio de variable.
Sea f (x) = x T A x una forma cuadrtica en n variables y A una matriz
simtrica de n x n, entonces EXISTE una matriz ortogonal Q tal que Q T AQ D .
Donde D es la matriz diagonal que exhibe los eigenvalores de A .
Hagamos x = Q y equivalente a y = Q 1 x = Q T x.
La sustitucin en la forma cuadrtica original produce:
x T A x = ( Q y) T A ( Q y) = y T Q T A Q y = y T D y
411
Lo que es una forma cuadrtica sin trminos con productos cruzados, puesto que D
es diagonal.
Adems, si los eigenvalores de A son 1 , 2 , , n , entonces Q puede seleccionarse
de modo que:
1 0
D
0 n
Si y = y1 y n en las nuevas variables, la forma cuadrtica es:

T
y T D y = 1 y1 n y n
2
Este proceso es llamado diagonalizacin de una forma cuadrtica. Acabamos

de demostrar el siguiente teorema, conocido como teorema de los ejes principales.
Teorema 1: Teorema de los ejes principales.

Toda forma cuadrtica puede ser diagonalizada. Especficamente, si A es la matriz
simtrica de n x n asociada con la forma cuadrtica x T A x y si Q es una matriz
ortogonal tal que Q T AQ D sea una matriz diagonal, entonces el cambio de variable
x = Q y transforma la forma cuadrtica x T A x en la forma cuadrtica y T D y, la cual
NO tiene trminos con productos cruzados. Si los eigenvalores de A son 1 , 2 , , n
y y = y1 y n , entonces:
T
x T A x = y T D y = 1 y1 n y n
2
- Ejemplo demostrativo 3: Cambio de variable para una forma cuadrtica.
Encuentre un cambio de variable que transforme la forma cuadrtica

f x1 , x 2 5 x1 4 x1 x 2 2 x 2
2
en una que NO tenga trminos con productos cruzados.

Solucin:
La matriz de f es
5 2
A
2 2
412
Con eigenvalores 1 6 y 2 1 . Los eigenvectores unitarios correspondientes son:

2
u1 5
1
5
5
u2
2
As,
2
Q 5
1
5
5
2
5
6 0
D
0 1
Note que u1 es perpendicular a u 2 ( u1 u 2 0 ).

El cambio de variable x = Q y, donde
x
x = 1
x2
y
y = 1
y2
Convierte a f en
f (y) = f y1 , y 2 y1
6 0 y1
2
2
y 2
6 y1 y 2
0 1 y 2
La forma cuadrtica original x T A x y la nueva forma y T D y (a la que se hace

referencia en el teorema de los ejes principales) son iguales en el sentido siguiente.
1
Suponga que para este ejemplo, deseamos evaluar f (x) = x T A x en x = .
3
Tenemos que
2
2
f 1,3 5 1 4 13 23 11
En trminos de las nuevas variables, tenemos

2
y1
T
5
y y = Q x = 1
2
5
5
5 1

2 3 7
5
5
De manera que
f y1 , y 2 6 y1 y 2
2
6 1 7 55 11
5
5
5
- Graficacin de ecuaciones cuadrticas:
La forma general de una ecuacin cuadrtica en 2 variables x y y es
413
ax 2 bxy cy 2 dx ey f 0
Donde al menos una de las constantes a, b y c es distinta de cero. Las grficas

de tales ecuaciones cuadrticas son conocidas como secciones cnicas (o cnicas),
puesto que, pueden ser obtenidas al tomar cortes transversales de un doble cono
(rebanndolo con un plano).
Las secciones cnicas ms importantes son las elipses (con las circunferencias
como un caso especial), las hiprbolas y las parbolas. TODAS estas se denominan
cnicas NO degeneradas.
[Cnicas NO degeneradas]
Tambin es posible que una seccin transversal de un cono resulte en un

punto simple, una lnea recta o un par de rectas. Estas formas geomtricas son
llamadas cnicas degeneradas.
414
Se dice que la grfica de una cnica NO degenerada est en posicin estndar

en relacin con un sistema de ejes coordenados, si su ecuacin puede ser expresada en
una de las siguientes formas:
Las cnicas NO degeneradas en posicin estndar son:
- Elipse y circunferencia:
x2 y2
1
a2 b2
a, b 0
415
- Parbola:
y kx 2 ; k 0
x ky 2 ; k 0
y kx 2 ; k 0
x ky 2 ; k 0
- Hiprbola:
x2 y2
1 ; a, b 0
a2 b2
y2 x2
1 ; a, b 0
b2 a2
416
- Ejemplo demostrativo 4: Cnicas en posicin estndar.
Si es posible, escriba cada una de las siguientes ecuaciones cuadrticas en la forma de

una cnica en posicin estndar e identifique la grfica resultante.
a) 4 x 2 9 y 2 36
b) 4 x 2 9 y 2 1 0
c) 4 x 2 9 y 0
Solucin:
a) La ecuacin 4 x 2 9 y 2 36 puede ser expresada en la forma:
x2 y2
1
9
4
[Multiplicando ambos lados de la ecuacin por 1 ]

36
Elipse:
Centro C(0, 0)
Intersecta eje x 3,0
Intersecta eje y 0,2
b) La ecuacin 4 x 2 9 y 2 1 0 puede ser expresada en la forma:

4 x 2 9 y 2 1
9 y 2 4x 2 1
y2 x2
1
1
1
9
4
Hiprbola:
Centro C(0, 0)
Intersecta eje y 0, 1
3
Maple:
implicitplot([(y^2/(1/9))-(x^2/(1/4))=1],x=-3..3,
y=-3..3,color=[red],scaling=constrained);
417
c) La ecuacin 4 x 2 9 y 0 puede expresarse en la forma:

y 4 x2
9
Parbola:
Vrtice V(0, 0)
Abre sobre el eje x.
Crece hacia el positivo del eje y.
Eje de parbola = Eje y.
Maple:
plot([(4/9)*x^2],
x=-4..4,y=0..4,scaling=constrained,color=[red]);
Si una ecuacin cuadrtica contiene demasiados trminos para ser expresada en

una de las formas mostradas, entonces su grfica NO se encuentra en posicin
estndar.
Cuando existen trminos adicionales, pero, NO hay un trmino xy

(trmino con productos cruzados), la grfica de la cnica ha sido trasladada
fuera de la posicin estndar.
- Ejemplo demostrativo 5: Una elipse con traslacin.
Identifique y grafique la cnica cuya ecuacin es

x 2 2 y 2 6x 8 y 9 0
Solucin:
Agrupando trminos semejantes, tenemos:
6 x 2 y 2 8 y 9
6 x 9 2 y 2 8 y 8 9 9 8
x
x 32 2 y 22 8
6 x 9 2 y 2 4 y 4 8
[Multiplicando ambos lados de la ecuacin por 1 ]
8
x 32 y 22
8
1
418
Elipse con traslacin:

Centro C(3, - 2)
Haciendo el cambio de variable x x 3 y y y 2 , tenemos:
x2 y2
8
Que es la ecuacin de una elipse en posicin estndar en el sistema coordenado xy .
Intersecta eje x 2 2 ,0
Intersecta eje y 0,2
[Elipse con traslacin]
Maple:
implicitplot([x^2+2*y^2-6*x+8*y+9=0],x=-2..8,
Si una ecuacin cuadrtica contiene un trmino con productos cruzados ( xy ),

entonces representa una cnica que ha sufrido una rotacin.
- Ejemplo demostrativo 6: Una elipse con rotacin.

5 x 2 4 xy 2 y 2 6
Solucin:
El lado izquierdo de la ecuacin es una forma cuadrtica, de modo que podemos
expresarla en forma matricial como:
xT Ax = 6
Donde
5 2
A
2 2
419
En el ejemplo demostrativo 3, encontramos que los eigenvalores de A son 6 y

1 , y una matriz Q que diagonaliza ortogonalmente a A es
2
Q 5
1
5
5
2
5
1
Usaremos
1
5
Q
2
5
5
1
5
Nota: Siempre es posible reacomodar las columnas de una matriz ortogonal Q para
hacer que su determinante sea igual a 1 .
Sabemos que
1 0
Q 1 AQ Q T AQ D
0 6
El cambio de variable x = Q x convierte x T A x = 6, en x T D x = 6 por medio de una
rotacin 63.43 (IV Cuadrante).
x
Si x = , tenemos:
y
1 0 x
x
x T D x = x y
x 6 y
0 6 y
y
x2 6 y2 6
O bien
x2
y2 1
6
Que representa una elipse en el sistema coordenado x y .

Para graficar esta elipse, necesitamos conocer la interpretacin de los vectores
1
e1
0
0
e2
1
en el nuevo sistema coordenado x y . Estos 2 vectores son los que ubican las posiciones
de los ejes x y y .
Como x = Q x, sabemos que
420
1
5
Qe1
2
5
1
5
Qe2
2
5
5 1
5
1 0 2
5
5
2
5 0 5
1 1 1
5
5
Donde Q [matriz de transformacin] es una matriz de rotacin con 63.43 .

stas son las columnas q1 y q 2 de Q . Que son los eigenvectores de A !
[Elipse con rotacin]
Ahora puede ver porqu el teorema de los eje principales se llama as.
Si una matriz simtrica real A surge como la matriz de coeficientes de una
ecuacin cuadrtica, los eigenvectores de A dan las direcciones de los ejes
principales de la grfica de la cnica (o de la superficie cuadrtica) correspondiente.
Es posible que la grfica de una cnica sufra tanto una rotacin

como una traslacin fuera de la posicin estndar.
421
- Ejemplo demostrativo 7: Una elipse con rotacin y traslacin.

5 x 2 4 xy 2 y 2 28
x 4
y40
Solucin:
La estrategia es eliminar el trmino con productos cruzados. En forma matricial, la
ecuacin es:
xT Ax + B x + 4 = 0
Donde
5 2
A
2 2
B 28
Tenemos la forma cuadrtica x T A x del ejemplo demostrativo 6 y sabemos que

x = Q x, donde
2
1
5
5
Q
1
2
5
5
As
x T A x = x T D x = x2 6 y2
Adems tenemos:
1
28
4
B x = BQ x =
5
5 2
5 x 4 x12 y
1 y
5
De esta forma, en trminos de x y y , la ecuacin dada se convierte en

x2 6 y2 4 x12 y4 0
Completando los trinomios cuadrados perfectos, tenemos:

x2 4 x4 6 y2 12 y6 6
x22 6y2 2 y12 6
x22 6 y12 6
x22 y12 1
6
422
Que es una elipse con una traslacin respecto a los ejes x y y . Es decir, el centro es
C 2,1 en el sistema coordenado x y .
Haciendo x x2 y y y1 , tenemos:
x2 y2 1
6
Hemos obtenido una elipse con rotacin y traslacin.

[Elipse con rotacin y traslacin]
Maple:
implicitplot([5*x^2+4*x*y+2*y^2-(28/(5^(1/2)))*x
-(4/(5^(1/2)))*y+4=0],x=0..5,
423
Ejercicios resueltos (5.5, lgebra lineal, David Poole, 1ra ed.):

23 28 Evale la forma cuadrtica f (x) = x T A x para A y x que se dan.
x
x=
y
2 3
23) A
3 4
2 3 x
x
y
2 x 3 y 3 x 4 y
3 4 y
y
f (x) = x T A x = x
2 x 2 3 xy 3 xy 4 y 2
2 x 2 6 xy 4 y 2
29 34 Encuentre la matriz simtrica A asociada con la forma cuadrtica dada.
29) x1 2 x 2 6 x1 x 2
2
1 3
A
3 2
31) 3 x 2 3 xy y 2
3
3
2
A
3 2 1

33) 5 x1 x 2 2 x3 2 x1 x 2 4 x1 x3 4 x 2 x3
2
1 2
5
A 1 1 2
2
2 2
35 40 Diagonalice las formas cuadrticas y encuentre una matriz ortogonal Q tal que
el cambio de variable x = Q y transforme la forma dada en una que NO tenga trminos
con productos cruzados.
35) 2 x1 5 x 2 4 x1 x 2
2
2 2
A
2 5
Ax = x
424
x1
2 2 x1
2 5 x x
2
2
1 0 2 2 x1 0

0 1 2 5 x 2 0
2 x1 0
2
2
5 x 2 0
det I A 0
2 5 4 0
2 7 10 4 0
2 7 6 0
1 6 0
@ 1
2 x1 0
2
2
5 x 2 0
1 2 x1 0
2 4 x 0

1 2 0
2 4 0
2 0 1 2 0 1 2t

425
x1 2t
x2 t
As, los eigenvectores correspondientes al eigenvalor 1 son los vectores x 0 de la

forma:
2t
x=
t
tR
2
Un eigenespacio de A es E1
1
(@ t 1 ).
@ 6
2 x1 0
2
2
5 x 2 0
4 2 x1 0
2 1 x 0

4 2 0
2 1 0
1 0 1 1
0 1 1 t
2

x1 1 t
2
x2 t

la forma:
1 t
x= 2
tR
t
1
2
(@ t 2 ).
426
tenemos:
Recurso:
v
u1 1
v1
Hagamos:
2
v1
1
1
v2
2
2
u1 5
1
5
1
5
u2
2
Tenemos:
La matriz Q que diagonaliza a A es:

2
1
5
5
Q
2
1
5
5
1 0
D
0 6
La importancia de Q es que sus vectores columna indican la direccin del sistema

coordenado (alternativo) x y .
f (y) = y T D y = y1
1 0 y1
y 2
y1
0 6 y 2
y
2
2
6 y 2 1 y1 6 y 2
y2
Slo MAESTROS, propuesto EXAMEN (opcin).

37) 7 x1 x 2 x3 8 x1 x 2 8 x1 x3 16 x 2 x3
2
4
7 4
A 4 1 8
4 8 1
det I A 0
427
4
4
4
8 0
1
7 1 1 64 4 4 1 32 4 32 4 1 0
7 2 2 1 64 4 4 4 32 4 32 4 4 0
7 2 2 63 8 4 36 0
3 92 49 441 32 288 0
3 92 81 729 0
Usando software (Maple 9.5), tenemos:
Maple:
solve(x^3-9*x^2-81*x+729=0,{x});
evalf(%);
1 9
3 9
2 9
9 y1 9 y 2 9 y 3
2
61 66 Identifique la grfica de la ecuacin dada.

61) x 2 5 y 2 25
Elipse en posicin estndar:
Centro C 0,0
x2 y2
1
25 5
63) x 2 y 1 0
y x2 1
o bien
y 1 x 2
Parbola con traslacin:

Vrtice V 0,1
Crece hacia el positivo del eje y.
Eje de parbola = Eje y (x = 0).
428
65) 3 x 2 y 2 1
3x 2 y 2 1
y 2 3x 2 1
y2
x2
1
1
3
Hiprbola en posicin estndar:

Vrtices 0,1
Eje de hiprbola = Eje y (x = 0)
67 72 Aplique una traslacin de ejes para situar la cnica en posicin estndar.

Identifique la grfica, proporcione su ecuacin en el sistema coordenado trasladado y
dibuje la curva.
67) x 2 y 2 4 x 4 y 4 0
Solucin:
Completando los trinomios cuadrados perfectos, tenemos:
x 2 4x 4 y 2 4 y 4 4
x 2 2 y 2 2 4
429
Circunferencia con traslacin:

Centro C 2,2
Radio r 2
Haciendo x x 2 y y y 2 .
x2 y2 4

69) 9 x 2 4 y 2 4 y 37
9 x 2 4 y 2 4 y 1 37 1
9 x 2 4 y 2 4 y 1 36
9 x 2 4 y 2 y 1 36
4
2
9x 2 4 y 1
36
2
y 1
x2
2
9
4
Haciendo x x y y y 1 .
2
x2 y2
1
4
9
Hiprbola con traslacin:
Vrtices 2, 1
2
Abre sobre el eje y.
Eje de hiprbola = Paralelo eje x (y = 1 ).
2
430

71) 2 y 2 4 x 8 y 0
4x 2 y 2 8 y 8 8
4x 2 y 2 4 y 4 8
4 x 2 y 2 8
2
4 x 8 2 y 2
4 x 2 2 y 2
x 2 1 2 y 2 2
Haciendo x x 2 y y 2 .
x 1
y2
Parbola con traslacin:

Vrtice V 2,2
Crece hacia el negativo del eje x.
Eje de parbola = Paralelo eje x y 2 .
431
77 80 Identifique la cnica con la ecuacin dada y proporcione su ecuacin en la

forma estndar.
77) 3 x 2 4 xy 3 y 2 28 2 x 22 2 y 84 0
Solucin:
Generamos una ecuacin de la forma
x T A x + B x + 84 = 0
Como sabemos, la direccin de los ejes rotados (sistema coordenado alternativo con
rotacin) es indicada por los eigenvectores de la matriz A .
As,
3 2
A
2 3
B 28 2
22 2
Hallamos los eigenvalores de A .
I A x = 0
2 x1 0
3
2
3 x 2 0
432
det I A 0
3
2
2
0
3
32 4 0
2 6 9 4 0
2 6 5 0
1 5 0
@ 1
2 x1 0
3
2
3 x 2 0
2 2 x1 0
2 2 x 0

2 2 0
2 2 0
2 0 1 1 0 1 t

x1 t
x2 t

forma:
t
x=
t
tR
433
1
1
(@ t 1 ).
@ 5
2 x1 0
3
2
3 x 2 0
2 2 x1 0
2 2 x 0

2 2 0
2 2 0
2 0 1 1 0 1 t

x1 t
x2 t

forma:
t
x=
tR
t
1
1
(@ t 1 ).

tenemos:
Recurso:
v
u1 1
v1
Hagamos:
434
1
v1
1
1
v2
1
1
u1 2
1
2
1
2
u2
1
Tenemos:
La matriz Q que diagonaliza ortogonalmente a A es:

1
2
Q
1
2
1
1 0
D
0 5
Note que A 1 y cos 2 sen 2 1 , y sabemos que

cos
R
sen
sen
cos
[Matriz de rotacin]
El ngulo de rotacin es 45 (I cuadrante).

Recuerde que los eigenvectores de A indican la direccin de los ejes x y y .
Una forma cuadrtica sin trminos con productos cruzados es:
x T A x = x T D x
x T D x = x2 5 y2
Ahora escribiremos B x en trminos de las nuevas variables x y y . Por medio del
cambio de variable x = Q x.
B x = B Q x
28
1
2
22 2
1
2 x
1
y
2
x
50 6 x50 y
y
La forma cuadrtica original se transforma en:

x2 5 y2 6 x50 y84 0
435
x2 6 x5 y2 50 y84 0
x2 6 x9 5 y2 50 y125 84 9 125
x32 5 y52 50
x32 y52
50
10
x2 y2
50
10
Elipse con rotacin y traslacin:

Centro C 3,5
Intersecta eje y 0,
[En sistema coordenado alternativo x y ]
10
Intersecta eje x 5 2 ,0
Maple:
implicitplot([3*x^2-4*x*y+3*y^228*2^(1/2)*x+22*2^(1/2)*y+84=0],x=0..12,
436

79) 2 xy 2 2 x 1 0
Solucin:
Generamos una ecuacin de la forma
xT A x + B x 1 = 0
Como sabemos, la direccin de los ejes rotados (sistema coordenado alternativo con
rotacin) es indicada por los eigenvectores de la matriz A .
As,
0 1
A
1 0
B 2 2
Hallamos los eigenvalores de A .
I A x = 0
1 x1 0
1 x 0
2
det I A 0
2 1 0
2 1
2 1
1
@ 1
437
1 x1 0
1 x 0
2
1 1 x1 0
1 1 x 0
1 0 1 1 0 1 t

x1 t
x2 t

la forma:
t
x=
t
tR
1
1
(@ t 1 ).
@ 1
1 x1 0
1 x 0
1 1 x1 0
1 1 x 0
2
1 0 1 t

x1 t
x2 t

forma:
438
t
x=
t
tR
1
1
(@ t 1 ).

tenemos:
Recurso:
v
u1 1
v1
Hagamos:
1
v1
1
1
v2
1
Tenemos:
1
2
u1
1
1
u2 2
1
2
La matriz Q que diagonaliza ortogonalmente a A es:

1
2
Q
1
2
1
1 0
D
0 1
Note que A 1 y cos 2 sen 2 1 , y sabemos que

cos
R
sen
sen
cos
[Matriz de rotacin]
El ngulo de rotacin es 45 (I cuadrante).

Recuerde que los eigenvectores de A indican la direccin de los ejes x y y .
Una forma cuadrtica sin trminos con productos cruzados es:
x T A x = x T D x
439
x T D x = x2 y2
Ahora escribiremos B x en trminos de las nuevas variables x y y . Por medio del
cambio de variable x = Q x.
B x = B Q x
1
0 2
1
2
2 x
1
y
2
x
2 2 x2 y
y
La forma cuadrtica original se transforma en:

x2 y2 2 x2 y1 0
x2 2 x y2 2 y 1
x2 2 x1 y2 2 y1 1 1 1
x12 y12 1
x2 y2 1
Hiprbola con rotacin y traslacin:
Centro C 1,1
[En sistema coordenado alternativo x y ]
Vrtices 0,1 y 2,1
[En sistema coordenado alternativo xy ]

Eje de hiprbola = Paralelo eje x (y = 1).
440
Maple:
implicitplot([2*x*y+2*2^(1/2)*x-1=0],x=-4..4,y=5..3,color=[red],scaling=constrained);
441
6.7 Teorema de Cayley Hamilton.

Introduccin:
Existen muchos resultados interesantes sobre los valores propios de una matriz.
En esta seccin se estudiara una de ellos. Que dice que cualquier matriz satisface su
propia ecuacin caracterstica.
Sea p x x n a n 1 x n 1 a1 x a0 un polinomio y sea A una matriz
cuadrada. Entonces las potencias de A estn definidas y se define
p A A n a n 1 A n 1 a1 A a 0 I
- Ejemplo demostrativo 1: Evaluacin de p A .
1 4
Sea A
y px x 2 5 x 3 .
3 7
20 3 0 21 4
13 24 5
Entonces p A A 2 5 A 3I
.
18 61 15 35 0 3 3 29
La expresin p A A n a n 1 A n 1 a1 A a 0 I es un polinomio con
coeficientes escalares definido para una matriz variable. Tambin se puede definir un
polinomio cuyos coeficientes son matrices cuadradas de m x m por
Q B0 B1 B2 2 Bn n
Si A es una matriz del mismo tamao que las matrices B , entonces se define
Q A B0 B1 A B2 A 2 Bn A n
Debe tenerse cuidado ya que las matrices NO conmutan bajo la multiplicacin.
Teorema 1: Si P y Q son polinomios en la variable escalar con coeficientes
de matrices cuadradas y si P Q A I , entonces P A 0 .
Demostracin:
Si Q est dado por la ecuacin Q B0 B1 B2 2 Bn n , entonces
P B0 B1 B2 2 Bn n A I
B0 A B1 A B2 A2 Bn An B0 B12 B2 3 Bn n 1
442
Entonces sustituyendo A en lugar de en la ltima ecuacin, se obtiene:

P A B0 A B1 A 2 B2 A 3 Bn A n 1 B0 A B1 A 2 B2 A 3 Bn A n 1 0
Observacin: NO se puede probar este teorema sustituyendo A para obtener
P A Q A A A 0 . Esto se debe a que es posible encontrar
polinomios P y Q pero F A P AQ A .
Ahora establezcamos el teorema principal.
- Teorema de Cayley Hamilton:
Toda matriz cuadrada satisface su propia ecuacin caracterstica. Es decir, si

p 0 es la ecuacin caracterstica de A , entonces p A 0 .
Demostracin:
Se tiene
a11
a
p det A I 21

a n1
a1n
a 22
a 2 n
an2
a nn
a12
Es claro que cualquier cofactor de A I es un polinomio en . As, la

adjunta de A I es una matriz de n x n en la que cada componente es un polinomio en
. Es decir:
p11 p12
p p
22
adj A I 21

p n1 p n 2
p1n
p 2 n

p nn
Esto significa que se puede pensar en adj A I como en un polinomio, Q ,

en cuyos coeficientes son matrices de n x n.
- Ejemplo demostrativo 2: Ilustracin del teorema de Cayley Hamilton.

1 1 4
Sea A 3 2 1 . Su ecuacin caracterstica es 3 22 5 6 0 .
2 1 1
Ahora se calcula:
443
11 3 22
A 3 29 4 17
16 3
5
6 1 1
A 2 7 0 11
3 1 8
A3 2 A 2 5 A 6 I
20 6 0 0
5
11 3 22 12 2 2 5
29 4 17 14 0 22 15 10
5 0 6 0

16 3
5 6
2 16 10 5
5 0 0 6
0 0 0
0 0 0
0 0 0
En algunas situaciones el teorema de Cayley Hamilton es til para calcular la

inversa de una matriz. Si existe A 1 y p A 0 , entonces A 1 p A 0 . Para ilustrar
esto, si p n a n 1n 1 a1 a 0 , entonces
p A A n a n 1 A n 1 a1 A a 0 I 0
A 1 p A A n 1 a n 1 A n 2 a 2 A a1 I a0 A 1 0
A 1
1
A n 1 a n 1 A n 2 a 2 A a1 I
a0
Observe que a 0 0 porque a 0 det A y se supuso que A era invertible.
- Ejemplo demostrativo 3: Aplicacin del teorema de Cayley Hamilton para

calcular A 1 .
1
Sea A 3
2
a 2 2 , a1 5 , a 0
1 4
2 1 . Entonces
1 1
6 y
p 3 22 5 6 . Aqu
n 3,

- Detalle de operaciones:
444
3
2
1 2 1 1 3 1 2 43 2 2
1
1
1 2 2 1 3 3 2 43 2 4
2
2
1 3 1 8 4
1 3 1 42 1
3 22 1 3 1 8 4
3 22 5 6 0
A 1
1
A 2 2 A 5I
6
6 1 1 2 2 8 5 0 0
1 3 7
1
1
7 0 11 6 4 2 0 5 0 1 9 13
6
6
3 1 8 4 2 2 0 0 5
1
3 5
Observe que se calcul A 1 haciendo slo una divisin y calculando slo un
determinante (al encontrar p det A I ). Este mtodo en ocasiones es muy
eficiente en una computadora.
445
Ejercicios resueltos (6.8, lgebra lineal, Stanley I. Grossman, 5ta ed.):

1 9 a) Encuentre la ecuacin caracterstica p 0 de la matriz dada; b) verifique
que p A 0 ; c) utilice el inciso b) para calcular A 1 .
2 2
1)
5 1
Solucin:
a):
2
5
2
0
1
2 1 10 0
2 2 10 0
El polinomio p 0 es:
2 12 0
b)
p 2 12
p A A 2 A 12
Slo MAESTROS, propuesto ACTIVIDAD/CLASE:

Detalle de operaciones:
2 2 2 2 14 2
5 1 5 1 5 11
14 2 2 2 12 0 0 0
5 11 5 1 0 12 0 0
c) [Analice hasta entender]

Recurso:
p n a n 1n 1 a1 a 0
446
A 1
1
A n 1 a n 1 A n 2 a 2 A a1 I
a0
A 1
A 1
1
A I
12
1 2 2 1 0
12 5 1 0 1
1 1 2 112 16

1
12 5 2 5
6
12
Comprobacin:
2 2 112 16 1 0
5 1 5
12 16 0 1

1 1 0
3) 1 2 1
0 1 1
Solucin:
a):
1
0
2
1
0
1 0
1
1 2 1 1 1
12 3 2 1 1
12 3 1 1
3 42 4 1 1
3 42 3 0
El polinomio p 0 es:
p 3 42 3
447
b)
p A A 3 4 A 2 3 A

Detalle de operaciones:
1 1 0 1 1 0 2 3 1
1 2 1 1 2 1 3 6 3
0 1 1 0 1 1 1 3 2
2 3 1 1 1 0 5 9 4
3 6 3 1 2 1 9 18 9
1 3 2 0 1 1 4 9 5
12
4
2 3 1 8
4 3 6 3 12 24 12
1 3 2 4
12 8
1 1 0 3 3 0
3 1 2 1 3 6 3
0 1 1 0 3 3
12
4 3 3 0 0 0 0
5 9 4 8
9 18 9 12 24 12 3 6 3 0 0 0
4 9 5 4
12 8 0 3 3 0 0 0
c):
Recurso:
p n a n 1n 1 a1 a 0
A 1
Sea:
1
A n 1 a n 1 A n 2 a 2 A a1 I
a0
p 3 42 3
La matriz A NO es invertible ( A 1 NO EXISTE).
Nota: a 0 0 .
448
6.8 Aplicaciones.
- Modelo de crecimiento de poblacin:
En esta seccin se muestra la manera en la que se puede usar la teora de los

valores y vectores propios para analizar un modelo de crecimiento de una poblacin de
pjaros.
Primero se estudiar un modelo sencillo de crecimiento de poblacin. Se supone
que cierta especie crece a una tasa constante; es decir, la poblacin de la especie
despus de un periodo (que puede ser 1 hora, una semana, un mes, un ao, etc.) es un
mltiplo constante de la poblacin del periodo anterior. Una forma de que esto suceda,
por ejemplo, es que cada generacin es distinta y cada organismo produce r cros y
despus muere. Si p n denota la poblacin despus de n periodos, se puede tener
p n rp n 1
Por ejemplo, este modelo puede describir una poblacin de bacterias, donde, en
un tiempo dado, un organismo se divide en 2 organismos separados. Entonces r 2 .
Sea p 0 la poblacin inicial. Entonces p1 rp 0 , p 2 rp1 r rp 0 r 2 p 0 ,
p3 rp 2 r r 2 p0 r 3 p 0 , y as sucesivamente, de manera que

pn r n p0
De este modo se ve que la poblacin aumenta sin cota si r 1 y disminuye a
cero si r 1 . Si r 1 la poblacin permanece en un valor constante p 0 .
Es evidente que este modelo es simplista. Una objecin obvia es que el nmero
de cros producidos depende, en muchos casos, de las edades de los adultos. Por
ejemplo, en una poblacin humana las hembras adultas de ms de 50 aos promedio sin
duda producirn menos nios que las hembras de 21 aos promedio. Para manejar esta
dificultad, se introduce un modelo que permita agrupar por edades y asignar tasas de
fertilidad diferentes.
Se estudiar un modelo de crecimiento de la poblacin para una especie de
pjaros. En esta poblacin se supone que el nmero de pjaros hembra es igual al
nmero de machos. Sea p j ,n 1 la poblacin juvenil (inmadura) de hembras en el ao
n 1
y sea p a ,n 1 el nmero de hembras adultas en el mismo ao. Algunos de los
pjaros jvenes morirn durante el ao. Se supone que cierta porcin de los pjaros
jvenes sobrevivirn para llegar a adultos en la primavera del ao n . Cada hembra que
sobrevive produce huevos en la primavera, los incuban y producen, en promedio, k
pjaros hembras jvenes en la siguiente primavera. Los adultos tambin mueren y la
proporcin de adultos que sobreviven de una primavera a la siguiente es .
Esta tasa constante de supervivencia de los pjaros NO es una suposicin
simplista. Parece que ocurre en la mayora de las poblaciones de pjaros naturales que
se han estudiado. Esto significa que la tasa de supervivencia de los adultos en muchas
449
especies de pjaros es independiente de la edad. Quiz muy pocos pjaros en su hbitat

natural sobreviven lo suficiente para exhibir los efectos de la edad. Ms an, en muchas
especies la edad de la madre parece NO influir en el nmero de cros.
En la notacin introducida p j ,n y p a ,n representan, respectivamente, la
poblacin de hembra jvenes y adultas en el ao n . Incorporando toda la informacin
se llega al siguiente sistema de 2 x 2:
p j ,n kp a ,n 1
p a ,n p j ,n 1 p a ,n 1
pn = A pn - 1
p j ,n
0 k
Donde p n
y A
. Es evidente de p n = A p n 1 que p 1 = A p 0 , p 2

p a ,n
= A p 1 = A ( A p 0 ) = A 2 p 0 , , y as sucesivamente. Entonces
pn = A p0
donde p 0 es el vector de las poblaciones iniciales de hembras jvenes y adultas.

La ecuacin p n = A p 0 es parecida a la ecuacin p n r n p 0 , pero ahora se
puede distinguir entre las tasas de supervivencia de pjaros jvenes y adultos.
450

Algebra Liear para Cursos Universitarios

Uploaded by

Document Information

Original Title

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

Algebra Liear para Cursos Universitarios

Uploaded by

Copyright:

Available Formats

Antologa

Por: Wilfrido Gonzlez Garca.

Y a travs del uso de estas interpretaciones dar solucin a diversos problemas

Acerca del software:

Acerca del contenido: La secuencia didctica.

Acerca del contenido: Ejercicios y demostraciones.

Acerca del contenido: Las grficas.

Wilfrido Gonzlez Garca.

Definicin y origen de los nmeros complejos.

Unidad 2: Sistemas de ecuaciones lineales.

Definicin de sistemas de ecuaciones lineales.

Unidad 3: Matrices y determinantes.

Definicin de matriz, notacin y orden.

Definicin de determinante de una matriz.

Propiedades de los determinantes.

Unidad 4: Espacios vectoriales.

Unidad 5: Transformaciones lineales.

Definicin de transformacin lineal y sus

Aplicaciones de las transformaciones lineales.

Unidad 6: Valores y vectores caractersticos.

Definicin de valores y vectores caractersticos

Teorema de Cayley Hamilton.

UNIDAD 1: Nmeros complejos.

- El problema de la raz cuadrada de ( n):

Llegamos as de forma natural a la problemtica que origin a los nmeros complejos:

x i , usando la notacin de Euler,

1.1 Definicin y origen de los nmeros complejos.

El conjunto de los nmeros reales se representa:

- Conjunto de los nmeros complejos (C):

Tambin llamado campo complejo es el conjunto que se compone de los nmeros

- Definicin (nmeros complejos):

a se llama parte real.

- Igualdad de 2 nmeros complejos:

Dos nmeros complejos a + bi, c + di son iguales si y slo si a = c y b = d.

Ambas expresiones son iguales, slo si:

Observacin (Introduccin al lgebra lineal, Howard Anton, 2da edicin):

A diferencia de los nmeros reales, en los nmeros complejos NO EXISTE

- Interpretacin geomtrica de un nmero complejo en forma rectangular

En el caso de los nmeros complejos necesitamos representar la parte real y la parte

se representa en el plano complejo (diagrama de Argand)

1) Un punto denotado como el par ordenado (a, b).

Un nmero complejo z se puede representar por un punto o un vector en el plano

z a bi , tambin se le llama forma rectangular o punto vector.

1.2 Operaciones fundamentales con nmeros complejos.

A continuacin describiremos los procedimientos para suma, resta, multiplicacin y

- Suma (resta) de nmeros complejos:

As como la suma (resta) de vectores en R se realiza sumando las componentes

[Suma de 2 nmeros complejos]

Del mismo modo la sustraccin de 2 nmeros complejos es:

[Resta de 2 nmeros complejos]

- Ejemplos demostrativos (Suma y resta de nmeros complejos):

- Multiplicacin de un nmero complejo por un escalar:

Tambin la multiplicacin de un nmero complejo por un real, se asemeja a la

- Interpretacin geomtrica de las operaciones fundamentales:

nmeros complejos son semejantes a las correspondientes para vectores en R , las

Recuerde: El vector resultante apunta hacia el minuendo.

Importante (Teora de vectores):

Debe ser claro al lector lo siguiente:

Aplicando el hecho anterior a la interpretacin geomtrica, tenemos:

La regla del tringulo (o paralelogramo) es til, ya que, el vector resultante z1 z 2 se

- Ejemplos demostrativos (Suma y resta de nmeros complejos con interpretacin

Efecte las operaciones grficamente y compruebe.

[Regla del paralelogramo para suma de vectores]