_

_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1j
a
1k
a
1,n1
a
1n
a
12
.
.
. a
2n
.
.
.
.
.
.
a
1j
a
jj
a
jk
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
1k
a
jk
a
kk
a
kn
.
.
.
.
.
.
a
1,n1
.
.
. a
n1,n
a
1n
a
2n
a
n1,n
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
o
_
s
ALGEBRA LINEAL
Autor
MARIO ERROL CHAVEZ GORDILLO
La Paz - Bolivia
10 de Mayo del 2013
A
B
S
+
-
S
W
u
W
ss
0
(s )
( )
W
u
0
(s )
s
s
s
+
-
+
-
W ( )
s
s
+
-
u
g
g
0
DEDICATORIA
A mi Bebe
Brandon Chavez Zapata
AGRADECIMIENTOS
Deseo comenzar expresando mi mas sincero agradecimiento a todas esas personas que, de forma
directa o indirecta, han prestado su ayuda para que este trabajo pudiera llevarse a termino.
> En primer lugar quisiera mostrar toda mi gratitud a todos y a cada uno de los alumnos
de Algebra Lineal del Primer Semestre de la gestion 2013 de la Carrera de Informatica,
quienes con sus comentarios inspiraron nuevas redacciones para muchos de los ejemplos
aqu expuestos as como de sus soluciones y la incorporacion de los problemas de aplicacion.
? Mi mas innita gratitud a todos aquellos que de manera desinteresada comparten sus conocimien-
tos en los diferentes sitios WEB, sitios que fueron el pilar fundamental en la construccion
del presente texto, tanto as que sin ellos hubiera sido imposible su divulgacion.
@ Por otra parte, quiero hacer una mencion especial a mi familia, mi esposa Elvira Zapata y a
mi hijo Brandon Chavez Zapata, a quienes estoy profundamente agradecido por su apoyo que
siempre me han brindado, y sobre todo, le doy las gracias por la paciencia que me tuvieron
al esperar interminables horas las cuales he estado alejado de ellos mientras elaboraba estos
apuntes.
A Al Licenciado Zenon Condori Gonzales Director de la Carrera de Matematicas quiero agrade-
cerle el apoyo que me ha infundido, su generosa ayuda y sus animos durante la redaccion y
sobre todo, le doy las gracias por haberme dado la oportunidad de dictar el curso de Algebra
Lineal para la FCPN-UMSA.
Doy las gracias a todos ellos y espero que estos apuntes sea merecedor de lo mucho que les debo.
Mario Errol Chavez Gordillo.

Indice general
1. Matrices 1
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Matrices. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1. Tipos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3. Matrices cuadradas especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.4. Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.5. Transformaciones elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.6. Matrices equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.7. Rango de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.8. Representacion matricial de un sistema de ecuaciones lineales . . . . . . . . . . . . 39
1.9. Metodo de eliminacion de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.10. Metodo de eliminacion de Gauss Jordan . . . . . . . . . . . . . . . . . . . . . . . 46
1.11. Sistemas homogeneos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2. La matriz Inversa 77
2.1. Matrices Invertibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.2. Metodo de Escalonamiento de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.3. Metodo de Leontief . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3. Determinantes 105
3.1. Denicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
i
v o o
_
s z ii
3.2. Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.2.1. Desarrollo de un determinante por Adjuntos . . . . . . . . . . . . . . . . . 119
3.2.2. Metodo de Chio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.3. Matrices elementales y determinantes . . . . . . . . . . . . . . . . . . . . . . . . 133
3.4. Matrices invertibles y determinantes . . . . . . . . . . . . . . . . . . . . . . . . . 135
3.5. Determinante de un producto de matrices . . . . . . . . . . . . . . . . . . . . . . 137
3.6. Calculo de la matriz inversa por determinantes . . . . . . . . . . . . . . . . . . . . 138
3.7. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
3.8. Determinante de Vandermonde . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
3.9. Calculo del rango usando determinantes . . . . . . . . . . . . . . . . . . . . . . . 180
4. Espacios vectoriales 183
4.1. Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
4.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
4.3. Combinacion lineal y Subespacio generado . . . . . . . . . . . . . . . . . . . . . . 199
4.4. Dependencia e Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 207
4.5. Base de un espacio vectorial y dimension . . . . . . . . . . . . . . . . . . . . . . . 214
4.6. Coordenadas de un vector respecto de una base . . . . . . . . . . . . . . . . . . . 240
4.7. Matriz de cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
4.8. Suma de Subespacios y Suma directa . . . . . . . . . . . . . . . . . . . . . . . . . 253
5. Transformaciones lineales 255
5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
5.2. N ucleo e imagen de una aplicacion lineal . . . . . . . . . . . . . . . . . . . . . . . 260
5.3. La matriz de una transformacion . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
5.4. Operaciones entre transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . 266
5.5. Relacion entre transformaciones lineales y matrices . . . . . . . . . . . . . . . . . 268
5.6. Cambio de base en una transformacion lineal . . . . . . . . . . . . . . . . . . . . . 269
5.7. Vectores y subespacios invariantes por una transformacion lineal . . . . . . . . . . 270
6. Valores y Vectores Propios 273
6.1. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
6.2. Subespacios Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
email [email protected] ii o
_

v o o
_
s z iii
6.3. Matrices Invertibles y Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . . 276
6.4. Producto de matrices y Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . 277
6.5. Localizacion de Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
6.6. Calculo de Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
6.7. Calculo de Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
6.8. Independencia lineal y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . 288
6.9. Valores propios de algunas matrices especiales . . . . . . . . . . . . . . . . . . . . 289
6.10. Semejanza de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
6.11. Matrices diagonalizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
6.12. Valores y Vectores Propios de una Transformacion . . . . . . . . . . . . . . . . . . 298
7. Formas canonicas elementales 301
7.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
7.2. Multiplicidad algebraica y geometrica. . . . . . . . . . . . . . . . . . . . . . . . . 301
7.3. Matrices diagonalizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
7.4. Forma canonica de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
7.5. Matrices de Jordan para matrices diagonalizables . . . . . . . . . . . . . . . . . . 309
7.6. Matrices de Jordan para matrices 2 2 . . . . . . . . . . . . . . . . . . . . . . . . 311
7.7. Matrices de Jordan para matrices 3 3 . . . . . . . . . . . . . . . . . . . . . . . . 314
7.8. Matrices de Jordan para matrices 4 4 . . . . . . . . . . . . . . . . . . . . . . . . 316
email [email protected] iii o
_

CAP

ITULO 1
Matrices
1.1. Introduccion
Vamos a introducir unas notaciones para sistemas generales de m ecuaciones con n incognitas
que nos permitiran entender los grandes sistemas. Si se designan las incognitas por x
1
, ..., x
n
, un
sistema de este tipo se escribe en la forma
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+a
m2
x
2
+ +a
mn
x
n
= b
m
(1.1)
donde a
11
, a
12
,..., a
mn
con los coecientes del sistema y b
1
, b
2
,..., b
m
son los terminos independientes.
Notese cuidadosamente el orden de colocacion de los subndices. Por ejemplo, a
12
es el coeciente
de la primera variable x
1
en la segunda ecuacion. En general a
ij
es el coeciente de la variable
jesima x
j
en la i-esima ecuacion. Algunos o muchos de estos coecientes pueden ser cero.
Una solucion del sistema (1.1) es un conjunto ordenado de n umeros s
1
, s
2
,..., s
n
que verica
todas las ecuaciones simultaneamente cuando se pone x
1
= s
1
, x
2
= s
2
,..., x
n
= s
n
. Normalmente
una solucion se designa por (s
1
, s
2
, ..., s
n
). Si el sistema (1.1) tiene al menos una solucion se le
llamara compatible caso contrario de le llamara incompatible.
Hay programas de computador que comprueban que si un sistema como (1.1) es compatible y en
caso armativo, hallan sus soluciones aunque tenga miles de ecuaciones e incognitas. A pesar de
esto, los administradores necesitan entender la teora de estos sistemas de ecuaciones para poder
1
v o o
_
s z 2
crear razonamientos teoricos y sacar conclusiones en relacion con los modelos lineales de este tipo.
1.2. Matrices. Operaciones con matrices
Las matrices aparecen por primera vez hacia el a no 1850, introducidas por J.J. Sylvester. El
desarrollo inicial de la teora se debe al matematico W.R. Hamilton en 1853. En 1858, A. Cayley
introduce la notacion matricial como una forma abreviada de escribir un sistema de m ecuaciones
lineales con n incognitas.
Las matrices se utilizan en el calculo numerico, en la resolucion de sistemas de ecuaciones lineales,
de las ecuaciones diferenciales y de las derivadas parciales. Ademas de su utilidad para el estudio de
sistemas de ecuaciones lineales, las matrices aparecen de forma natural en geometra, estadstica,
economa, informatica, fsica, etc.
La utilizacion de matrices (arrays) constituye actualmente una parte esencial de los lenguajes
de programacion, ya que la mayora de los datos se introducen en los ordenadores como tablas
organizadas en las y columnas : hojas de calculo, bases de datos.
DEFINICI

ON 1.1. Se llama matriz de orden m n a todo conjunto rectangular de n umeros

reales a
ij
dispuestos en m lneas horizontales (las) y n verticales (columnas) de la forma:
A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
Abreviadamente suele expresarse en la forma A = (a
ij
), con i = 1, 2, ..., m, j = 1, 2, ..., n. Los
subndices indican la posicion del elemento dentro de la matriz, el primero denota la la i y el
segundo la columna j. Por ejemplo el elemento a
25
sera el elemento de la la 2 y columna 5.
El conjunto de todas las matrices de orden mn, con entradas en R, se denota por M
mn
(R).
EJEMPLO 1.1.
A =
_

_
1 2 3 1
2 0 4 2
3 4 1 1
1 2 1 0
_

_
, B =
_
1 3 0 1
8 5 0 7
_
C =
_

_
9 0 0
0 5 2
0 0 0
7 5 3
_

_
son matrices. De ellas A es de orden 4 4, B es 2 4, C es 4 3.

EJEMPLO 1.2. Escribir explcitamente las siguientes matrices:

x A = (a
ij
) M
32
(R) tal que a
ij
= i + 2j.
email [email protected] 2 o
_

v o o
_
s z 3
y B = (b
ij
) M
33
(R) tal que b
ij
= 2
i
j.
z C = (c
ij
) M
34
(R) tal que c
ij
= mni, j.
{ D = (d
ij
) M
43
(R) tal que c
ij
= 2
i
(1)
j
.
SOLUCI

ON.- SOLUCI

ON.-
La matriz A = (a
ij
) de orden 3 2 cuyas entradas son dadas por la condicion a
ij
= i + 2j es:
A =
_
_
a
11
a
12
a
21
a
22
a
31
a
32
_
_
=
_
_
3 5
4 6
5 7
_
_
.

EJEMPLO 1.3. Construya un ejemplo de una matriz de orden 33, (c

ij
) que satisfaga c
ij
= c
ji
.
SOLUCI

ON.- La condicion c
ij
= c
ji
es equivalente a c
ij
+c
ji
= 0, luego un ejemplo para una
tal matriz es dada por
_
_
0 1 2
1 0 3
2 3 0
_
_

EJEMPLO 1.4. Determine la matriz de orden 3 4, A = (a
ij
) para la cual
a
ij
=
_
i +j, si i ,= j
0 si i = j
.
SOLUCI

ON.- La matriz A = (a
ij
) de orden 3 4 cuyas entradas son dadas por la condicion
anterior es:
A =
_
_
a
11
a
12
a
13
a
14
a
21
a
22
a
23
a
24
a
31
a
32
a
33
a
34
_
_
=
_
_
0 3 4 5
3 0 5 6
4 5 0 7
_
_

EJEMPLO 1.5. Una empresa produce cuatro productos A, B, C y D. El productor de cada

artculo requiere cantidades especcas de dos materiales primas X y Y , y tambien cantidades
determinadas de mano de obra. Suponga que la empresa desea comparar los n umeros de unidades
de X y Y y de mano de obra que se requieren en la produccion semanal de estos cuatro productos.
En la tabla 1 aparece informacion muestral para tal caso. Por ejemplo, la produccion de A requiere
250 unidades de X, 160 unidades de Y y 80 unidades de mano de obra
email [email protected] 3 o
_

v o o
_
s z 4
Producto A B C D
Unidades de material X 250 300 170 200
Unidades de material Y 160 230 75 120
Unidades de mano de obra 80 85 120 100
Obtener una matriz que resuma todos estos datos.
SOLUCI

ON.- Observe que los datos de esta tabla aparecen en forma natural en un arreglo rect-
angular. Si se suprimen los encabezados, obtenemos el arreglo rectangular de n umeros siguientes:
_
_
250 300 170 200
160 230 75 120
80 85 120 100
_
_
Este arreglo es ejemplo de una matriz.
EJEMPLO 1.6. (Poltica e Ingreso). Un n umero de personas fueron entrevistadas acerca de sus
convicciones polticas y su ingreso anual. Se obtuvo la siguiente informacion:
1. 517 eran ocialistas y ganaban mas de 15000 bs al a no.
2. 345 eran opositores y ganaban mas de 15000 bs al a no.
3. 189 eran conservadores y ganaban mas de 15000 bs al a no.
4. 257 eran ocialistas y ganaban menos de 15000 bs al a no.
5. 284 eran opositores y ganaban menos de 15000 bs al a no.
6. 408 eran conservadores y ganaban menos de 15000 bs al a no.
Represente la informacion anterior en una matriz. Es unica esta representacion?.
SOLUCI

ON.-
ganan mas de 15000 bs ganan menos de 15000
Ocialistas 517 257
Opositores 345 284
Conservadores 189 408
_

_
= A

email [email protected] 4 o
_

v o o
_
s z 5
1.2.1. Tipos de Matrices
Matriz cuadrada: Una matriz es cuadrada si el n umero de las es igual al numero de columnas,
es decir n = m, en este caso se llama matriz cuadrada de orden n. Si A =
_
a
ij
_
nn
, los elementos
a
11
, a
22
,..., a
nn
forman la diagonal principal de la matriz. Por ejemplo
A =
_
_
2 8 2
9 3 6
1 9 5
_
_
33
es una matriz cuadrada de orden 3 cuya diagonal principal consta de los n umeros 2, 3, 5.
Matriz columna: Es la que tiene una columna y mas de una la, es decir, una matriz n 1;
n > 1. Tambien recibe el nombre de vector. Por ejemplo
_
_
2
9
1
_
_
31
Matriz la: Es la que tiene una la y mas de una columna, es decir, una matriz 1 m; m > 1.
Tambien recibe el nombre de vector la. Por ejemplo
_
2 8 2
_
13
Matriz diagonal: Es una matriz cuadrada en la cual los a
ij
= 0 para todo i ,= j. Es decir,
D =
_
_
_
_
_
a
11
0 . . . 0
0 a
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
mn
_
_
_
_
_
Matriz identidad: Es una matriz diagonal con todos los elementos en la diagonal principal
(i = j) igual a 1. Generalmente esta matriz se denota con la letra I:
I =
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
Matriz nula: Es una matriz en la cual todos los elementos son iguales a cero. Por ejemplo
A =
_
0 0 0
0 0 0
_
33
es la matriz nula de orden 2 3.
Matriz Triangular: Es una matriz cuadrada que tiene nulos todos los elementos que estan a un
mismo lado de la diagonal principal. Las matrices triangulares pueden ser de dos tipos:
email [email protected] 5 o
_

v o o
_
s z 6
x Triangular Superior: Si los elementos que estan por debajo de la diagonal principal son
todos nulos. Es decir, a
ij
= 0 , i < j. Por ejemplo
A =
_
_
2 8 2
0 3 6
0 0 5
_
_
33
es una matriz triangular superior.
y Triangular Inferior: Si los elementos que estan por encima de la diagonal principal son
todos nulos. Es decir, a
ij
= 0, j < i. Por ejemplo
A =
_
_
2 0 0
9 3 0
1 9 5
_
_
33
es una matriz triangular inferior.
1.2.2. Operaciones con Matrices
Igualdad de Matrices
Sean A =
_
a
ij
_
, B =
_
b
ij
_
dos matrices ambos de orden n m, entonces
A = B a
ij
= b
ij
i = 1, ..., n, j = 1, ..., m
As dos matrices son iguales cuando tienen la misma dimension y los elementos que ocupan el
mismo lugar en ambas son iguales.
Adici on y substracci on de matrices
Dos matrices A y B pueden ser sumadas o restadas para formar AB si tienen el mismo orden.
Sean A =
_
a
ij
_
, B =
_
b
ij
_
dos matrices ambos de orden n m, entonces la matriz suma A+B es
A +B = (c
ij
), con c
ij
= a
ij
+b
ij
i = 1, ..., n, j = 1, ..., m
EJEMPLO 1.7. Dadas las matrices A =
_
2 4 3
4 3 9
_
y B =
_
7 4 2
1 9 6
_
, hallar
A+B.
SOLUCI

ON.-
A +B =
_
2 4 3
4 3 9
_
+
_
7 4 2
1 9 6
_
=
_
5 0 5
5 6 15
_

email [email protected] 6 o
_

v o o
_
s z 7
TEOREMA 1.1. La suma de matrices verica las siguientes propiedades
x Conmutativa: A+B = B +A, para todo A, B M
nm
(R).
y Asociativa: (A+B) + C = A+ (B +C), para todo A, B, C M
nm
(R).
z Existencia del neutro: Existe un elemento en M
nm
(R), denotado 0 y llamado llamado matriz
nula, tal que para todo A en M
nm
(R) cumple que A + 0 = A.
{ Existencia del inverso: Para todo A =
_
a
ij
_
en M
nm
(R), existe un elemento en M
nm
(R),
denotado y denido por A =
_
a
ij
_
, tal que A + (A) = 0.
EJEMPLO 1.8. Dada la matriz A =
_
_
5 8 4
3 2 5
7 6 0
_
_
. Hallar una matriz B tal que la suma A+B
de la matriz identidad.
SOLUCI

ON.- Es suciente despejar B de la ecuacion A +B = I, esto es, B = I A.

B =
_
_
1 0 0
0 1 0
0 0 1
_
_

_
_
5 8 4
3 2 5
7 6 0
_
_
=
_
_
4 8 4
3 1 5
7 6 1
_
_

Producto de un n umero por una matriz
El producto de un n umero real k por una matriz A = (a
ij
) es otra matriz B = (b
ij
) de la misma
dimension que A y tal que cada elemento b
ij
de B se obtiene multiplicando a
ij
por k, es decir,
b
ij
= ka
ij
. El producto de la matriz A por el n umero real k se designa por kA. Al n umero real k
se le llama tambien escalar, y a este producto, producto de escalares por matrices.
EJEMPLO 1.9. Dada la matriz A =
_
2 4 3
4 3 9
_
, hallar 3A.
SOLUCI

ON.-
3A = 3
_
2 4 3
4 3 9
_
=
_
6 12 9
12 9 27
_

TEOREMA 1.2. Si A, B, C M
nm
(R) y , R entonces se tiene
x (A+B) = A+B.
y ( +)A = A+B.
z ()A = (A) = (A).
email [email protected] 7 o
_

v o o
_
s z 8
EJEMPLO 1.10. Efect ue las siguientes operaciones y simplique
(a) 3
_
_
2 1
1 3
4 7
_
_
2
_
_
1 2
2 3
3 0
_
_
(b) 4
_
_
1 0 3 4
2 1 5 1
3 2 0 2
_
_
5
_
_
2 1 2 3
1 0 3 4
3 1 0 5
_
_
SOLUCI

ON.-
EJEMPLO 1.11. Sea las matrices A =
_
8 1
3 4
_
, B =
_
2 3
1 2
_
y C =
_
1 2
4 3
_
.
Hallar la matriz X en la ecuacion
3
2
(X +A) = 2
_
X + (2B C)
_
+A.
SOLUCI

ON.- Multiplicando por 2 ambos lados de la ecuacion dada se tiene:

3
2
(X +A) = 2
_
X + (2B C)
_
+A
3(X +A) = 4
_
X + 2B C
_
+ 2A
3X + 3A = 4X + 8B 4C + 2A
3X 4X = 8B 4C + 2A3A
X = A + 8B 4C
X = A 8B + 4C
Reemplazado datos tenemos:
X =
_
8 1
3 4
_
8
_
2 3
1 2
_
+ 4
_
1 2
4 3
_
=
_
8 1
3 4
_

_
16 24
8 16
_
+
_
4 8
16 12
_
=
_
12 17
27 8
_

EJEMPLO 1.12. SiA =

_
3 5
2 1
_
, B =
_
2 7
4 1
_
y C =
_
11 1
10 5
_
. Resolver la ecuacion
2(X +B) = 3
_
A2(B +X)
_
+C. Sol.- X =
_
9 10
7 4
_
.
email [email protected] 8 o
_

v o o
_
s z 9
SOLUCI

ON.-
EJEMPLO 1.13. Hallar x, y, z y w si
3
_
x y
z w
_
=
_
x 6
1 2w
_
+
_
4 x +y
z +w 3
_
SOLUCI

ON.-
EJEMPLO 1.14. (Matriz de produccion) Una empresa que fabrica calzados produce tres modelos
con distintas caractersticas en tres tama nos diferentes. La capacidad de produccion (en miles) en
su plata de Cochabamba esta dada por la matriz A.
Modelo 1 Modelo 2 Modelo 3
Tama no 1 5 3 3
Tama no 2 7 4 5
Tama no 3 10 8 4
_

_
= A
En otras palabras, la capacidad de planta es de 5000 calzados de tama no 1 del modelo 1, 3000
calzados de tama no 1 del modelo 2, etc. La capacidad de produccion en la planta de la ciudad El
Alto esta dada por la matriz B.
Modelo 1 Modelo 2 Modelo 3
Tama no 1 4 5 3
Tama no 2 9 6 4
Tama no 3 8 12 2
_

_
= B
(a) Cual es la capacidad de produccion total en las dos plantas?
(b) Si la empresa decide incrementar su produccion en la ciudad de Cochabamba en un 20 %,
cual sera la nueva produccion en su planta?.
SOLUCI

ON.-
(a) La produccion combinada en miles en las dos plantas esta dada por la suma de las matrices
A y B.
A+B =
_
_
5 3 2
7 4 5
10 8 4
_
_
+
_
_
4 5 3
9 6 4
8 12 2
_
_
=
_
_
9 8 5
16 10 9
18 20 6
_
_
Por ejemplo, las dos plantas producen 9000 calzados de tama no 1 del modelo 1.
email [email protected] 9 o
_

v o o
_
s z 10
(b) Si la produccion en Cochabamba se incrementa en un 20 %, la nueva produccion (en miles)
estara dada por la matriz:
A+ 20 %A = A + 0.20A = (1 + 0.20)A = 1.20A
= 1.2
_
_
5 3 2
7 4 5
10 8 4
_
_
=
_
_
6 3.6 2.4
8.4 4.8 6
12 9.6 4.8
_
_
Por consiguiente, se produciran 4800 calzados modelo 2, etc.

EJEMPLO 1.15. (Costos de Transporte.) Una compa na tiene plantas en tres localidades X,
Y y Z y cuatro almacenes en los lugares A, B, C y D. El costo en dolares de transportar cada
unidad de su producto de una planta a un almacen esta dado por la siguiente matriz
A
De
X Y Z
A 10 12 15
B 13 10 12
C 8 15 6
D 16 9 10
En otras palabras, el costo de transportar una unidad de producto de la localidad X al almacen
A es de 10 dolares, etc.
(a) Si los costos de transportacion de incrementan uniformemente en 1 dolar por unidad. Cual
es la nueva matriz?.
(b) Si los costos de transportacion se elevan en un 20 %, escriba los costos en forma matricial.
SOLUCI

ON.-
(a) Si los costos de transportacion de incrementan uniformemente en 1 dolar por unidad, los
nuevos costos en dolares estara dada por la matriz:
_
_
_
_
10 12 15
13 10 12
8 15 6
16 9 10
_
_
_
_
+
_
_
_
_
1 1 1
1 1 1
1 1 1
1 1 1
_
_
_
_
=
_
_
_
_
11 13 14
14 11 13
9 16 7
17 10 11
_
_
_
_
Por ejemplo, ahora el nuevo costo de transportar una unidad de producto de la localidad X
al almacen A es de 10 dolares, etc.
email [email protected] 10 o
_

v o o
_
s z 11
(b) Sea la matriz de costos iniciales. Si los costos de transportacion se elevan en un 20 %, los
nuevos costos estaran dados por la matriz:
+ 20 % = + 0.20 = (1 + 0.20) = 1.20
= 1.2
_
_
_
_
10 12 15
13 10 12
8 15 6
16 9 10
_
_
_
_
=
_
_
_
_
12 14.4 18
15.6 12 14.4
9.6 18 7.2
19.2 10.8 12
_
_
_
_
Por consiguiente, el nuevo costo de transportar una unidad de producto de la localidad X
al almacen A es de 12 dolares, etc.

EJEMPLO 1.16. (Costos de suministros). Un contratista calcula que los costos en dolares de
adquirir y transportar unidades determinadas de concreto, madera y acero desde tres diferentes
localidades estan dados por las matrices siguientes (una matriz por cada localidad).
Concreto Madera Acero
Costos de material 4 5 3
Costos de transportacion 9 6 4
_
_
_
= A
Concreto Madera Acero
Costos de material 22 36 24
Costos de transportacion 9 9 8
_
_
_
= B
Concreto Madera Acero
Costos de material 18 32 26
Costos de transportacion 11 8 5
_
_
_
= C
Escriba la matriz que representa los costos totales de material y de transportacion por unidades
de concreto, madera y acero desde cada una de las tres localidades.
SOLUCI

ON.- Las matrices A, B y C son dados por

A =
_
20 35 25
8 10 6
_
B =
_
22 36 24
9 9 8
_
C =
_
18 32 26
11 8 5
_
La matriz que representa los costos totales de material y de transportacion por unidades de
concreto, madera y acero es la suma de estas tres matrices, es decir,
A+B +C =
_
60 103 75
28 27 19
_

email [email protected] 11 o
_

v o o
_
s z 12
EJEMPLO 1.17. (Comercio Internacional) El comercio entre los pases I, II y III durante 2004
en millones de dolares americanos esta dado por la matriz A = (a
ij
), en donde a
ij
representa las
exportaciones del pas i al pas j.
A =
_
_
0 16 20
17 0 18
21 14 0
_
_
El comercio entre estos tres pases durante el a no de 2005 en millones de dolares americanos esta
dado por la matriz B.
B =
_
_
0 17 19
18 0 20
24 16 0
_
_
(a) Escriba una matriz que representa el comercio total entre los tres pases en el periodo de 2
a nos, 2004 y 2005.
(b) Si en 2004 y 2005, 1 dolar americano equivala a 5 dolares de Hong Kong, escriba la matriz
que representa el comercio total durante los 2 a nos en dolares de Hong Kong.
SOLUCI

ON.-
(a) El comercio total en millones de dolares americanos entre los tres pases en el periodo de 2
a nos, 2004 y 2005, esta dada por la suma de las matrices A y B.
A+B =
_
_
0 16 20
17 0 18
21 14 0
_
_
+
_
_
0 17 19
18 0 20
24 16 0
_
_
=
_
_
0 33 39
35 0 38
45 30 0
_
_
Por ejemplo, del pas I al pas III se exportan 39 millones de dolares americanos en el periodo
de 2 a nos, 2004 y 2005.
(b) Recordemos que las entradas a
ij
de la matriz A representa los millones de dolares americanos
que el pas i exporta al pas j.
a
ij
millones de US
1000000 de dolares US
un millon de US
5 dolar HK
1 dolar US
La matriz que representa el comercio total durante los 2 a nos en dolares de Hong Kong es:
5
_
_
0 33 39
35 0 38
45 30 0
_
_
=
_
_
0 165 195
175 0 190
225 150 0
_
_
Por ejemplo, del pas I al pas III se exportan 195 millones de dolares de Hong Kong en el
periodo de 2 a nos, 2004 y 2005.
email [email protected] 12 o
_

v o o
_
s z 13

EJEMPLO 1.18. (Matriz de produccion) Una fabrica zapatos los produce en color negro, blando
y cafe para ni nos, damas y caballeros. La capacidad de produccion en miles de pares en su planta
de Cochabamba esta dada por la matriz A.
Hombres Mujeres Ni nos
Negro 5 3 3
Gris 7 4 5
Blanco 10 8 4
_

_
= A
La capacidad de produccion en la planta de la ciudad El Alto esta dada por la matriz B.
Hombres Mujeres Ni nos
Negro 4 5 3
Gris 9 6 4
Blanco 8 12 2
_

_
= B
(a) Cual es la capacidad de produccion total en las dos plantas?
(b) Si la empresa decide incrementar su produccion en la ciudad de Cochabamba en un 50 % y
la de la ciudad de El Alto en un 20 %, cual sera la nueva produccion en las dos plantas?.
SOLUCI

ON.-
(a) La produccion combinada en miles en las dos plantas est a dada por la suma de las matrices
A y B.
A+B =
_
_
5 3 3
7 4 5
10 8 4
_
_
+
_
_
4 5 3
9 6 4
8 12 2
_
_
=
_
_
9 8 6
16 10 9
18 20 6
_
_
Por ejemplo, las dos plantas producen 9000 calzados para hombres de color negro.
(b) Si la produccion en Cochabamba se incrementa en un 50 %, la nueva produccion (en miles)
estara dada por la matriz:
A + 50 %A = A+ 0.50A = (1 + 0.50)A = 1.5A
= 1.5
_
_
5 3 2
7 4 5
10 8 4
_
_
=
_
_
7.5 4.5 4.5
10.5 6 7.5
15 12 6
_
_
Por consiguiente, se produciran 1500 calzados para hombre de color negro.
email [email protected] 13 o
_

v o o
_
s z 14
Ahora bien, si la empresa de la ciudad del alto incrementa su produccion en un 20 %, la
nueva produccion (en miles) estara dada por la matriz:
B + 20 %B = B + 0.20B = (1 + 0.20)B = 1.2B
= 1.2
_
_
4 5 3
9 6 4
8 12 2
_
_
=
_
_
4.8 6 3.6
10.8 7.2 4.8
9.6 14.4 2.4
_
_
Por lo tanto, la nueva produccion en las dos plantas sera:
1.5A+ 1.2B =
_
_
12.3 10.5 8.1
21.3 13.2 12.3
24.6 26.4 8.4
_
_

Producto escalar o producto interior
_
a
1
a
2
a
n
_

_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
= a
1
b
1
+a
2
b
2
+ +a
n
b
n
.
Multiplicaci on de matrices
Las matrices A y B pueden ser multiplicadas para formar el producto AB si el n umero de columnas
de A es igual al n umero de las de B. Sean A =
_
a
ij
_
de orden n m, B =
_
b
ij
_
de orden mk.
La matriz producto C = AB es una matriz de orden n k, cuya entrada en la iesima ja y en
la j-esima columna es c
ij
dado por:
c
ij
=
_
a
i1
a
i2
a
in
_

_
_
_
_
_
b
1j
b
2j
.
.
.
b
nj
_
_
_
_
_
= a
i1
b
1j
+a
i2
b
2j
+ +a
in
b
nj
,
que se obtiene multiplicando escalarmente la iesima la de A por j-esima columna de B.
EJEMPLO 1.19. Sean las matrices A y B dadas por
_
_
0 1 2
2 3 1
4 1 6
_
_
y
_
_
3 2
1 0
1 1
_
_
Calcular la matriz producto AB. Esta denido el producto BA?
email [email protected] 14 o
_

v o o
_
s z 15
SOLUCI

ON.- A es 3 3 y B es 3 2, luego AB es una matriz de orden 3 2. Si C = AB,

entonces cada elemento c
ij
de la matriz C es el producto interno de la la i de la matriz A por la
columna j de la matriz B. Por ejemplo, c
11
se obtiene multiplicando la primera la de A por la
primera columna de B, esto es,
c
11
=
_
a
11
a
12
a
13
_

_
_
b
11
b
21
b
31
_
_
=
_
0 1 2
_

_
_
3
1
1
_
_
= (0)(3) + (1)(1) + (2)(1) = 1 2 = 1
c
12
se obtiene multiplicando la primera la de A por la segunda columna de B, esto es,
c
12
=
_
a
11
a
12
a
13
_

_
_
b
12
b
22
b
32
_
_
=
_
0 1 2
_

_
_
2
0
1
_
_
= (0)(2) + (1)(0) + (2)(1) = 2
c
21
se obtiene multiplicando la segunda la de A por la primera columna de B, esto es,
c
21
=
_
a
21
a
22
a
23
_

_
_
b
11
b
21
b
31
_
_
=
_
2 3 1
_

_
_
3
1
1
_
_
= (2)(3) + (3)(1) + (1)(1) = 6 + 3 1 = 8
De este modo obtenemos nalmente:
AB =
_
_
0 1 2
2 3 1
4 1 6
_
_
_
_
3 2
1 0
1 1
_
_
=
_
_
1 2
8 5
5 14
_
_

TEOREMA 1.3. El producto de matrices verica las siguientes propiedades
x Asociativa: (AB)C = A(BC), para todo A, B, C M
nm
(R).
y Distributiva: A(B +C) = AB +AC, para todo A, B, C M
nm
(R).
z Existen divisores de cero: Existen A ,= 0 y B ,= 0 tales que AB = 0.
{ El producto no necesariamente es conmutativo: Existen A ,= 0 y B ,= 0 tales que AB ,= BA.
| (AB) = (A)B = A(B). Para todo A, B M
nm
(R) y todo R.
email [email protected] 15 o
_

v o o
_
s z 16
EJEMPLO 1.20. Si A es una matriz de tama no o de orden 3 4, B de 4 3, C es de 2 3 y
D de 4 5, calcule los tama nos de los productos de las siguientes matrices: AB, BA, CA, AD,
CAD, CBA.
SOLUCI

ON.-
EJEMPLO 1.21. Si A =
_
2 3
1 2
_
y B =
_
1 2 3
4 1 2
_
, hallar (a) AB y (b) Esta denido el
producto BA?
SOLUCI

ON.- (a) Dado que A tiene dos columnas y B tiene dos las, entonces AB esta denido,
entonces
AB =
_
2 3
1 2
__
1 2 3
4 1 2
_
=
_
(2)(1) + (3)(4) (2)(2) + (3)(1) (2)(3) + (3)(2)
(1)(1) + (2)(4) (1)(2) + (2)(1) (1)(3) + (2)(2)
_
=
_
14 1 12
9 0 7
_
(b) En este caso B tiene tres columnas y A dos las, por tanto la multiplicacion BA no esta
denida.
EJEMPLO 1.22. Calcular los siguientes productos de matrices:
(a)
_
4 3
7 5
__
28 93
38 126
__
7 3
2 1
_
Sol.
_
2 0
0 3
_
(b)
_
_
_
_
0 0 1
1 1 2
2 2 3
3 3 4
_
_
_
_
_
_
1 1
2 2
1 1
_
_
_
4
1
_
Sol.
_
_
_
_
5
15
25
35
_
_
_
_
SOLUCI

ON.-
EJEMPLO 1.23. Determine en cada caso alguna matriz A que hace verdadera la ecuacion
matricial siguiente:
(a) A
_
2 1
1 0
_
=
_
5 3

(b)
_
_
1 0 2
2 1 0
0 1 3
_
_
A =
_
_
7
0
11
_
_
(c)
_
_
2 0
1 1
0 1
_
_
A =
_
_
6 0
3 1
0 1
_
_
SOLUCI

ON.-
email [email protected] 16 o
_

v o o
_
s z 17
EJEMPLO 1.24. SiA =
_
_
1 3
4 2
1 0
_
_
y B =
_
_
3 9
6 12
0 15
_
_
y C =
_
4 1 5
2 1 1
_
, hallar la matriz
D =
_
2A
1
3
B
_
C.
SOLUCI

ON.- Primero calculemos la matriz 2A

1
3
B
2A
1
3
B = 2
_
_
1 3
4 2
1 0
_
_

1
3
_
_
3 9
6 12
0 15
_
_
=
_
_
2 6
8 4
2 0
_
_

_
_
1 3
2 3
0 5
_
_
=
_
_
3 9
6 0
2 1
_
_
Luego
D =
_
2A
1
3
B
_
C =
_
_
3 9
6 0
2 1
_
_
_
4 1 5
2 1 1
_
=
_
_
(3)(4) + (9)(2) (3)(1) + (9)(1) (3)(5) + (9)(1)
(6)(4) + (0)(2) (6)(1) + (0)(1) (6)(5) + (0)(1)
(2)(4) + (1)(2) (2)(1) + (1)(1) (2)(5) + (1)(1)
_
_
=
_
_
6 12 6
24 6 30
2 7 5
_
_

EJEMPLO 1.25. Hallar la matriz P = ABCD, donde:
A =
_
_
1 0
1 1
2 1
_
_
, B =
_
0 1 0 1 0
1 0 1 2 0
_
, C =
_

_
2 1 0
1 1 3
1 4 1
0 0 2
3 1 0
_

_
, D =
_
_
1 0 1 1
2 1 2 2
1 0 1 0
_
_
SOLUCI

ON.- Efectuemos el producto aplicando la propiedad asociativa, efectuemos primero

E = CD, luego F = BE y nalmente P = AF.
EJEMPLO 1.26. Dadas las matricesA =
_
_
2 1
1 3
5 2
_
_
,
_
1 2 1
3 2 4
_
y C =
_
_
3 6 1
1 4 5
2 1 2
_
_
. Si
E = ABC, hallar S = e
11
+e
23
+e
32
.
email [email protected] 17 o
_

v o o
_
s z 18
SOLUCI

ON.- Sea D = AB =
_
_
2 1
1 3
5 2
_
_
_
1 2 1
3 2 4
_
=
_
_
5 6 6
1 4 11
1 6 3
_
_
Si E = DC, entonces cada elemento e
ij
de la matriz E es el producto interno de la la i de la
matriz D por la columna j de la matriz C, esto es,
e
11
=
_
d
11
d
12
d
13
_

_
_
c
11
c
21
c
31
_
_
=
_
5 6 6
_

_
_
3
1
2
_
_
= (5)(3) + (6)(1) + (6)(2) = 15 6 12 = 3
e
23
=
_
d
21
d
22
d
23
_

_
_
c
13
c
23
c
33
_
_
=
_
8 4 11
_

_
_
1
5
2
_
_
= (8)(1) + (4)(5) + (11)(2) = 8 + 20 22 = 6
e
32
=
_
d
31
d
32
d
33
_

_
_
c
12
c
22
c
32
_
_
=
_
1 6 3
_

_
_
6
4
1
_
_
= (1)(6) + (6)(4) + (3)(1) = 6 + 24 + 3 = 21
Luego: S = e
11
+e
23
+e
32
= 3 + 6 + 21 = 24.
EJEMPLO 1.27. Hallar la suma S = 2p
11
+p
13
2p
23
. Si PABCD, donde
A =
_
2 1
3 4
_
, B =
_
3 2 10 1
8 6 4 2
_
, C =
_
_
_
_
3 1 0
0 2 4
1 6 2
4 1 1
_
_
_
_
, D =
_
_
2 1 0
2 3 3
1 4 2
_
_
SOLUCI

ON.- Sean los productos: E = AB, F = CD y P = EF.

E = AB =
_
2 1
3 4
__
3 2 10 1
8 6 4 2
_
=
_
2 10 24 0
41 18 14 11
_
F = CD =
_
_
_
_
3 1 0
0 2 4
1 6 2
4 1 1
_
_
_
_
_
_
2 1 0
2 3 3
1 4 2
_
_
=
_
_
_
_
4 6 3
8 22 2
12 9 22
11 3 1
_
_
_
_
email [email protected] 18 o
_

v o o
_
s z 19
Luego, si P = EF, entonces
p
11
=
_
e
11
e
12
e
13
e
14
_

_
_
_
_
f
11
f
21
f
31
f
41
_
_
_
_
=
_
2 10 24 0
_

_
_
_
_
4
8
12
11
_
_
_
_
= 8 80 + 288 + 0 = 200
p
13
=
_
e
11
e
12
e
13
e
14
_

_
_
_
_
f
13
f
23
f
33
f
43
_
_
_
_
=
_
2 10 24 0
_

_
_
_
_
3
2
22
1
_
_
_
_
= 6 + 20 + 528 + 0 = 554
p
23
=
_
e
21
e
22
e
23
e
24
_

_
_
_
_
f
13
f
23
f
33
f
43
_
_
_
_
=
_
41 18 14 11
_

_
_
_
_
3
2
22
1
_
_
_
_
= 123 36 + 308 + 11 = 160
Luego S = 2p
11
+p
13
2p
23
= (2)(200) + (554) (2)(160) = 634.
EJEMPLO 1.28. Hallar todas las matrices que conmutan con la matrizA =
_
_
3 1 0
0 3 1
0 0 3
_
_
.
SOLUCI

ON.- Sea B la matriz buscada, entonces B tiene que ser una matriz cuadrada de orden
3 y ademas debe vericarse que AB = BA. Supongamos que B es dado porB =
_
_
a b c
d e f
g h i
_
_
.
Hallemos
AB =
_
_
3 1 0
0 3 1
0 0 3
_
_
_
_
a b c
d e f
g h i
_
_
=
_
_
3a +d 3b +c 3c +f
3d +g 3e +h 3f +i
3g 3h 3i
_
_
BA =
_
_
a b c
d e f
g h i
_
_
_
_
3 1 0
0 3 1
0 0 3
_
_
=
_
_
3a a + 3b b + 3c
3d d + 3e e + 3f
3g g + 3h h + 3i
_
_
email [email protected] 19 o
_

v o o
_
s z 20
Puesto que AB = BA, se tiene que
_
_
3a +d 3b +c 3c +f
3d +g 3e +h 3f +i
3g 3h 3i
_
_
=
_
_
3a a + 3b b + 3c
3d d + 3e e + 3f
3g g + 3h h + 3i
_
_
igualando componente a componente tenemos:
_
_
_
3a +d = 3a
3d +g = 3d
3g = 3g
_
_
_
3b +e = a + 3b
3e +h = d + 3e
3h = g + 3h
_
_
_
3c +f = b + 3c
3f +i = e + 3f
3i = h + 3i
despejando y simplicando obtenemos
_
d = 0
g = 0
_
_
_
e = a
h = d
g = 0
_
_
_
f = b
i = e
h = 0
En consecuencia
B =
_
_
a b c
d e f
g h i
_
_
=
_
_
a b c
0 a b
0 0 a
_
_
donde a, b, c R.

EJEMPLO 1.29. Hallar matrices de orden 4 4 que sean conmutables con la matriz
_
_
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
SOLUCI

ON.-
EJEMPLO 1.30. Hallar a, b, c y d para que satisfagan la ecuacion:
_
a b c d
1 4 9 2
_
_
_
_
_
1 0 2 0
0 0 1 1
0 1 0 0
0 0 1 0
_
_
_
_
=
_
1 0 6 6
1 9 8 4
_
.
Respuesta.- a = 1, b = 6, c = 0, d = 2.
SOLUCI

ON.-
EJEMPLO 1.31. Si A =
_
1 3
4 3
_
, hallar
_
x
y
_
tal que A
_
x
y
_
= 3
_
x
y
_
. Respuesta.-
_
x
y
_
=
_
1
2/3
_
email [email protected] 20 o
_

v o o
_
s z 21
SOLUCI

ON.-
EJEMPLO 1.32. Un fabricante de muebles produce tres modelos de escritorios, que llevan
jaladores de metal y chapas especicadas por la siguiente tabla.
Modelo A Modelo B Modelo C
N umero de jaladores 8 6 4
N umero de chapas 3 2 1
_
_
_
= A
Llamaremos a este arreglo, matriz de partesmodelos. Si el fabricante recibe pedidos en el mes
de Agosto 15 del modelo A, 24 del modelo B y 17 del modelo C; y en el mes de septiembre: 25
del modelo A, 32 del modelo B y 27 del modelo C.
Agosto Septiembre
Modelo A 15 25
Modelo B 24 32
Modelo C 17 27
_

_
= B
Llamaremos a este arreglo, matriz modelomes. Cuantos jaladores y chapas debe disponer el
fabricante cada mes para poder atender los pedidos?.
SOLUCI

ON.- Para determinar el n umero de jaladores requeridos en el mes de Agosto, procede-

mos como sigue: El mes de Agosto se han vendido 15 escritorios del modelo A, y cada escritorio del
modelos A require 8 jaladores, por lo tanto se han requerido (8)(15) jaladores para escritorios del
modelo A. Por otro lado, en Agosto se han vendido 24 escritorios del modelo B, y cada escritorio
del modelos B require 6 jaladores, por lo tanto se han requerido (24)(6) jaladores para escritorios
del modelo B. Tambien en Agosto se han vendido 17 escritorios del modelo C, y cada escritorio
de este modelo require 4 jaladores, por lo tanto se han requerido (17)(4) jaladores para escritorios
del modelo C. Finalmente, el total de jaladores usados para fabricar los escritorios en el mes de
agosto es
(8)(15) + (6)(17) + (4)(17) = 332,
que se obtiene sumando el producto de cada elemento de la primera la de la matriz de partesmodelos
por el correspondiente elemento de la primera columna de la matriz modelomes.
Para estableces el n umero de chapas requeridos en el mes de Agosto se sumaran el producto de
cada elemento de la segunda la de la matriz partesmodelos por el correspondiente elemento de
la primera columna de la matriz modelomes, esto es:
(3)(15) + (2)(24) + (1)(17) = 110
En el mes de Septiembre el n umero de jaladores se obtendra sumando el producto de cada
elemento de la primera la de la matriz partesmodelos por el correspondiente elemento de la
segunda columna de la matriz modelomes, esto es:
email [email protected] 21 o
_

v o o
_
s z 22
(8)(15) + (6)(32) + (4)(27) = 500
Y para el n umero de chapas se sumaran el producto de cad elemento de la segunda la de la
partesmodelos por el correspondiente elemento de la segunda columna de la matriz modelomes,
esto es:
(3)(15) + (2)(32) + (1)(27) = 166
Con los resultados obtenidos podemos hacer el siguiente arreglo
Agosto Septiembre
N umero de jaladores 332 500
N umero de chapas 110 166
_
_
_
= C
Haciendo uso de la notacion matricial, los datos y resultados obtenidos nos expresara la multipli-
cacion de matrices del siguiente modo:
_
8 5 6
3 2 1
_
_
_
15 25
24 32
17 27
_
_
=
_
332 500
110 166
_
Observemos de inmediato que el n umero de columnas de la primera matriz es igual al primero
de las de la segunda, cuando esto ocurre se dice que las matrices son conformables para la
multiplicacion.
EJEMPLO 1.33. (Valoracion de Inventarios). Un comerciante de televisores a color tiene cinco
televisores de 26 pulgadas, ocho de 20, cuatro televisores de 18 pulgadas y diez de 12. Los televisores
de 26 pulgadas se venden en 650 $ cada uno, los de 20 en 550 $ cada uno, los televisores de 18
pulgadas en 500 $ cada uno y los de 12 se venden en 300 $ cada uno. Exprese el precio de venta
total de su existencia de televisores como el producto de dos matrices.
SOLUCI

ON.-
26 pulg 20 pulg 18 pulg 12 pulg
N umero de telivisores 5 8 4 10
_
= A
Ingresos
26 pulg 650
20 pulg 550
18 pulg 500
12 pulg 300
_

_
= B
email [email protected] 22 o
_

v o o
_
s z 23
Luego, el precio de venta total de su existencia de televisores es dado por el siguiente producto de
estas dos matrices, es decir:
_
5 8 4 10
_
_
_
_
_
26
20
18
12
_
_
_
_
= (5)(26) + (8)(20) + (4)(18) + (10)(12) = 482.
Por tanto el comerciante tiene un total de 482 $ de ingresos al vender todos sus televisores.
EJEMPLO 1.34. (Costo de materias primas). Una empresa utiliza tres tipos de materias primas
M
1
, M
2
y M
3
en la elaboracion de dos productos P
1
y P
2
. El n umero de unidades de M
1
, M
2
y
M
3
usados por cada unidad de P
1
son 3, 4 y 2, respectivamente y por cada unidad de P
2
son 4, 1
y 3, respectivamente. Suponga que la empresa produce 20 unidades de P
1
y 30 unidades de P
2
a
la semana. Exprese las respuestas a las preguntas siguientes como producto de matrices.
x Cual es el consumo semanal de las materias primas?
y Si los costos por unidad en dolares para M
1
, M
2
y M
3
son 6, 10 y 12, respectivamente,
cuales son los costos de las materias primas por unidad de P
1
y P
2
?
z Cual es la cantidad total gastaba en materias primas a las 5 semanas en la produccion de
P
1
y P
2
?.
SOLUCI

ON.- Construyamos la matriz (materias primas)productos,

Producto P
1
Producto P
2
Materia prima M
1
3 4
Materia prima M
2
4 1
Materia prima M
3
2 3
_

_
= A
Es decir, necesitamos 3 unidades de la materia prima M
1
para producir una unidad del producto
P
1
.
Podemos resumir el hecho de que la empresa produce 20 unidades de P
1
y 30 unidades de P
2
a la
semana en la siguiente matriz:
Una semana
Producto P
1
20
Producto P
2
30
_
_
_
= B
El consumo semanal de las materias primas es dado por el siguiente producto de matrices:
_
_
4 4
3 1
2 3
_
_
32
_
20
30
_
21
=
_
_
200
90
70
_
_
31
email [email protected] 23 o
_

v o o
_
s z 24
esto es
Una semana
Materia prima M
1
200
Materia prima M
2
90
Materia prima M
3
70
_

_
= C
Para responder el inciso (2) formemos la matriz
Materia prima M
1
Materia prima M
2
Materia prima M
3
Costos 6 10 12
_
= D
Por tanto, los costos de las materias primas por unidad de P
1
y P
2
son dados por:
_
6 10 12
_
13
_
_
4 4
3 1
2 3
_
_
32
=
_
78 46
_
esto es
Producto P
1
Producto P
2
Costos 78 46
_
= E

EJEMPLO 1.35. (Costo de suministros). Un contratista puede adquirir las cantidades requeridas
en cemento, madera, ladrillos, vidrio y pintura de cualesquiera de tres proveedores. Los precios
que cada proveedor ja a cada unidad de estos cinco materiales estan dados en la matriz A.
A =
_
_
8 5 7 2 4
9 4 5 2 5
9 5 6 1 5
_
_
En esta matriz, cada la se reere a un proveedor y las columnas a los materiales, en el orden listado
arriba. El contratista tiene la poltica de adquirir todos los materiales requeridos en cualquier
obra particular al mismo proveedor a n de minimizar los costos de transporte. Hay tres obras en
construccion actualmente: la obra I requiere 15, 0, 8, 8 y 2 unidades, respectivamente, y la obra II
requiere 30, 10, 20, 10 y 12 unidades respectivamente. Disponga esta informacion en una matriz
B
52
y forme la matriz AB. Interprete los elementos de este producto y uselos con el proposito
de decidir cual proveedor debiera usar en cada obra.
SOLUCI

ON.- La matriz de precios proveedormaterial A resume la siguiente informacion

cemento madera ladrillos vidrio pintura
Proveedor 1 8 5 7 2 4
Proveedor 2 9 4 5 2 5
Proveedor 3 9 5 6 1 5
_

_
= A
email [email protected] 24 o
_

v o o
_
s z 25
La matriz de requerimiento materialobra B es dado por
obra I obra II
cemento 15 30
madera 0 10
ladrillos 8 20
vidrio 8 10
pintura 2 12
_

_
= B
Hallemos el producto C = AB dado por
AB =
_
_
8 5 7 2 4
9 4 5 2 5
9 5 6 1 5
_
_
_
_
_
_
_
_
15 30
0 10
8 20
8 10
2 12
_
_
_
_
_
_
=
_
_
200 570
201 571
201 591
_
_
obra I obra II
Proveedor 1 200 570
Proveedor 2 201 571
Proveedor 3 201 591
_

_
= C
El costo de realizar la obra I usando los materiales del proveedor 1 es de 200 y el costo de realizar
la obra II usando los materiales del proveedor 1 es de 570. Por tanto el costo total es de 770. Los
cotos totales se obtienen realizando el siguiente producto de matrices:
_
_
200 570
201 571
201 591
_
_
_
1
1
_
=
_
_
770
772
792
_
_

Potencia de Matrices
Si A es una matriz cuadrada, la propiedad conmutativa nos permite escribir AA como A
2
, AAA
como A
3
y as sucesivamente. En general
A
n
= AA A A repetida n veces. (1.2)
EJEMPLO 1.36. SeaA =
_
1 1
0 1
_
. Calcular A
2
y A
3
. Deducir una formula general para A
n
.
email [email protected] 25 o
_

v o o
_
s z 26
SOLUCI

ON.- Vemos que

A
2
= AA =
_
1 2
0 1
_
, A
3
= A
2
A =
_
1 3
0 1
_
, A
4
= A
3
A =
_
1 4
0 1
_
La idea es por tanto que, para cada n umero natural n,
A
n
=
_
1 n
0 1
_
.

EJEMPLO 1.37. Si A =
_
a 1
0 a
_
, a R, hallar A
n
.
SOLUCI

ON.-
A
2
= AA =
_
a 1
0 a
__
a 1
0 a
_
=
_
a
2
2a
0 a
2
_
A
3
= A
2
A =
_
a
2
2a
0 a
2
__
a 1
0 a
_
=
_
a
3
3a
2
0 a
3
_
La idea es por tanto que, para cada n umero natural n,
A
n
=
_
a
n
na
n1
0 a
n
_
.

EJEMPLO 1.38. Dada las matrices A =

_
_
3 5 3
1 4 7
9 6 2
_
_
,
_
_
21 6 15
7 8 5
9 6 3
_
_
. Efectuar las opera-
ciones matriciales:
(a) (A+B)
3
, (b) A
3
B
3
, (c) A
2
B
2
, (b) (A+B)
2
(AB)
2
SOLUCI

ON.-
EJEMPLO 1.39. Determinar A
2
5A+ 2I para A =
_
_
1 0 0
0 2 1
0 0 3
_
_
SOLUCI

ON.-
email [email protected] 26 o
_

v o o
_
s z 27
EJEMPLO 1.40. Dadas las matrices A =
_
1 3
4 3
_
y B =
_
2 1
3 2
_
. (a) Encuentre
(A+B)
2
. (b) Encuentre A
2
+ 2AB +B
2
. (c)Es (A+B)
2
= A
2
+ 2AB +B
2
?.
SOLUCI

ON.-
EJEMPLO 1.41. Tres empresas A, B y C (tambien numeradas 1, 2 y 3) comparten este a no el
mercado de un cierto bien. La empresa A tiene el 20 % del mercado, B tiene el 60 % y C el 20 %.
A lo largo del a no siguiente ocurren los siguientes cambios:
A conserva el 85 % de sus clientes, cediendo a B el 5 % y a C el 10 %
B conserva el 55 % de sus clientes, cediendo a A el 10 % y a C el 35 %
C conserva el 85 % de sus clientes, cediendo a A el 10 % y a B el 5 %
(1.3)
Un vector de cuotas de mercado es un vector columna s cuyas componentes son no negativas y
suman 1. Denamos la matriz T y el vector de mercado s siguientes:
T =
_
_
0.85 0.10 0.10
0.05 0.55 0.05
0.10 0.35 0.85
_
_
y s =
_
_
0.2
0.6
0.2
_
_
Notese que t
ij
es la fraccion de clientes de j que se hacen clientes de i en el periodo siguiente. As,
se llama a T la matriz de transicion.
Calcular el vector Ts, probar que es tambien un vector de cuotas de mercado y dar una inter-
pretacion de el. Como se interpretan T(Ts), T(T(Ts)),...?
SOLUCI

ON.-
A B C
A 0.85 0.10 0.10
B 0.05 0.55 0.05
C 0.10 0.35 0.85
T =
_
_
0.85 0.10 0.10
0.05 0.55 0.05
0.10 0.35 0.85
_
_
_
_
0.2
0.6
0.2
_
_
=
_
_
0.25
0.35
0.40
_
_
Como 0.25+0.35+0.40 = 1, Ts es tambien un vector de cuotas de mercado. La primera componente
de Ts se obtiene del calculo
(0.85)(0.2) + (0.10)(0.6) + (0.10)(0.2) = 0.25 (1.4)
En esta expresion (0.85)(0.2) es la cuota de mercado de A que se conserva despues de 1 a no,
(0.10)(0.6) es la cuota que gana A de B y (0.10)(0.2) es la cuota que gana A de C. La suma en
email [email protected] 27 o
_

v o o
_
s z 28
(1.4) es por tanto la cuota total de mercado de A despues de un a no. Los otros elementos de Ts
tienen interpretaciones analogas, luego Ts debe ser el nuevo vector de cuotas de mercado despues
de un a no. Entonces T(Ts) es el vector de cuotas de mercado despues de transcurrido otro a no,
es decir pasados 2 a nos y as sucesivamente.
EJEMPLO 1.42. (Teora de grafos). Un grafo consiste en un n umero nito de puntos llamados
vertices, algunos de los cuales estan conectados por lneas llamadas aristas. A continuacion se dan
dos ejemplos de grafos con cuatro y cinco vertices
1
2
3
4
1
2
3
4
5
(a)
(b)
Si los puntos se enumeran como 1, 2, 3, etc denimos la matriz A poniendo a
ij
= 1, si hay una
arista uniendo los vertices i y j y a
ij
= 0 si no lo hay. Construya A para cada uno de los grafos
dados anteriormente. Construya A
2
en cada caso. Muestre que el elemento ij en A
2
da el n umero
de trayectorias de vertice i al vertice j que pasan exactamente a traves de alg un otro vertice.
Que piensa que signica los elementos de A
3
?
SOLUCI

ON.- La matriz A es de orden 4 dado por

A =
_
_
_
_
1 1 0 0
1 1 1 1
0 1 1 1
0 1 1 1
_
_
_
_
A
2
=
_
_
_
_
1 1 0 0
1 1 1 1
0 1 1 1
0 1 1 1
_
_
_
_
_
_
_
_
1 1 0 0
1 1 1 1
0 1 1 1
0 1 1 1
_
_
_
_
=
_
_
_
_
2 2 1 1
2 4 3 3
1 3 3 3
1 3 3 3
_
_
_
_

EJEMPLO 1.43. (Aplicacion de la teora de grafos). El grafo mostrado representa la conexion
de lneas telefonicas entre cuatro pueblos. Sea a
ij
la lnea telefonica que conecta el pueblo i con
el pueblo j. Construya la matriz A =
_
a
ij
_
. Eval ue A
2
y pruebe que el elemento ij de esa matriz
representa el n umero de lneas telefonicas entre el pueblo i y el pueblo j que pasa exactamente a
traves de un pueblo intermedio. Que representa los elementos de A+A
2
?.
SOLUCI

ON.-
email [email protected] 28 o
_

v o o
_
s z 29
Transpuesta de una matriz
Dada una matriz A, se llama traspuesta de A, y se representa por A
T
, a la matriz que se obtiene
cambiando las por columnas. La primera la de A es la primera la de A
T
, la segunda la de
A es la segunda columna de A
T
, etc. Para A M
mn
(R), se dene la transpuesta de A como la
matriz A
T
M
nm
(R), donde
A
T
= (b
ij
) con b
ij
= a
ji
1 i n, 1 j m (1.5)
De la denicion se deduce que si A es de orden mn, entonces A
T
es de orden n m.
EJEMPLO 1.44. Dada la matriz A =
_
2 4 3
4 3 9
_
, hallar A
T
.
SOLUCI

ON.-
A
T
=
_
_
2 4
4 3
3 9
_
_

TEOREMA 1.4. Si A, B, C M
nm
(R) y R entonces se tiene
(1)
_
A
T
_
T
= A (2)
_
A+B
_
T
= A
T
+B
T
(3)
_
A
_
T
= A
T
(4)
_
AB
_
T
= B
T
A
T
EJEMPLO 1.45. Dadas las matrices A =
_
_
3 4
1 2
2 1
_
_
y B =
_
_
x
y
4
_
_
. Hallar x + y tal que
B
T
A = 0.
SOLUCI

ON.-
B
T
A =
_
_
x
y
4
_
_
T
_
_
3 4
1 2
2 1
_
_
=
_
x y 4
_
_
_
3 4
1 2
2 1
_
_
=
_
8 + 3x y 4 + 4x 2y
_
=
_
0 0
_
_
8 + 3x y = 0
4 + 4x 2y = 0
_
3x y = 8
4x 2y = 4
_
6x + 2y = 16
4x 2y = 4
email [email protected] 29 o
_

v o o
_
s z 30
Sumando estas dos ultimas ecuaciones 6x+4x = 16+4, 2x = 12, x = 6, ademas 4(6)2y =
4, 2y = 4 24, 2y = 20, y = 10. Por tanto x +y = 6 + 10 = 16.
EJEMPLO 1.46. Hallar (X
T
+A)
T
, si AX = A
T
, donde A =
_
1 1
2 3
_
.
SOLUCI

ON.-
Supongamos que X =
_
x u
y v
_
, entonces la ecuacion AX = A
T
es
AX =
_
1 1
2 3
__
x u
y v
_
=
_
x +y u +v
2x + 3y 2u + 3v
_
=
_
1 2
1 3
_
_
x +y = 1
2x + 3y = 1
_
3x 3y = 3
2x + 3y = 1
_
x = 2
x = 2
Reemplazando x = 2, en x +y = 1, se tiene 2 +y = 1, as y = 1.
_
u +v = 2
2u + 3v = 3
_
3u 3v = 6
2u + 3v = 3
_
u = 3
u = 3
Reemplazando u = 3, en u +v = 2, se tiene 3 +v = 2, as v = 1. Por lo tanto
X =
_
x u
y v
_
=
_
2 3
1 1
_
Por tanto
(X
T
+A)
T
= (X
T
)
T
+A
T
= X +A
T
=
_
2 3
1 1
_
+
_
1 2
1 3
_
=
_
3 5
0 2
_

EJEMPLO 1.47. Sean las matrices A =
_
_
2 3 1
1 6 3
4 2 5
_
_
,
_
_
8 3 2
6 1 3
2 9 2
_
_
y la ecuacion:
1
2
(X 3A) = A
T
2B. Hallar la suma de las componentes de la diagonal principal de la matriz
X.
SOLUCI

ON.-
1
2
(X 3A) = A
T
2B
X 3A = 2(A
T
2B)
X = 2A
T
4B + 3A
email [email protected] 30 o
_

v o o
_
s z 31
X = 2A
T
4B + 3A
= 2
_
_
2 1 4
3 6 2
1 3 5
_
_
4
_
_
8 3 2
6 1 3
2 9 2
_
_
+ 3
_
_
2 3 1
1 6 3
4 2 5
_
_
=
_
_
22 5 19
21 26 7
22 36 17
_
_
Luego, la suma de las componentes de la diagonal principal de la matriz X es 22 +26 +17 = 21
1.3. Matrices cuadradas especiales
Matriz Simetrica: Una matriz cuadrada es simetrica si y solo si es igual a su transpuesta.
A M
nn
(R) es simetrica A = A
T
a
ij
= a
ji
i, j 1, ..., n
EJEMPLO 1.48. La matriz
_
_
1 1 0
1 2 3
0 3 0
_
_
es simetrica.
SOLUCI

ON.-
_
_
1 1 0
1 2 3
0 3 0
_
_
T
=
_
_
1 1 0
1 2 3
0 3 0
_
_

EJEMPLO 1.49. Hallar los elementos desconocidos x y y de la siguiente matriz simetrica
_
_
1 5
x
3
y
5
x
+ 3
y
4 2 5
x
3
y
6 5 4
_
_
SOLUCI

ON.-
Matriz Antisimetrica: Una matriz cuadrada es antisimetrica si y solo si es igual a la opuesta
de su transpuesta.
A M
nn
(R) es antisimetrica A = A
T
a
ij
= a
ji
i, j 1, ..., n
EJEMPLO 1.50. La matriz
_
_
0 1 2
1 0 3
2 3 0
_
_
es antisimetrica.
email [email protected] 31 o
_

v o o
_
s z 32
SOLUCI

ON.-
_
_
0 1 2
1 0 3
2 3 0
_
_
T
=
_
_
0 1 2
1 0 3
2 3 0
_
_
=
_
_
0 1 2
1 0 3
2 3 0
_
_

Matriz Idempotente: Una matriz cuadrada es idempotente si y solo si es igual a su cuadrado.
A M
nn
(R) es idempotente A
2
= A
EJEMPLO 1.51. La matriz
_
1
2
1
2
1
2
1
2
_
es idempotente.
SOLUCI

ON.-
_
1
2
1
2
1
2
1
2
_
2
=
_
1
2
1
2
1
2
1
2
__
1
2
1
2
1
2
1
2
_
=
_
1
2
1
2
1
2
1
2
_

Matriz Involutiva: Una matriz cuadrada es involutiva si y solo si su cuadrado es igual a la

identidad.
A M
nn
(R) es involutiva A
2
= I
EJEMPLO 1.52. La matriz
_
1 0
0 1
_
es involutiva.
SOLUCI

ON.-
_
1 0
0 1
_
2
=
_
1 0
0 1
__
1 0
0 1
_
=
_
1 0
0 1
_

EJEMPLO 1.53. Demostrar lo siguiente:
(a) AA
T
es simetrica (b) A+A
T
es simetrica (c) AA
T
es antisimetrica
SOLUCI

ON.-
_
AA
T
_
T
=
_
A
T
_
T
A
T
= AA
T
_
A +A
T
_
T
= A
T
+
_
A
T
_
T
= A
T
+A = A+A
T
_
AA
T
_
T
= A
T

_
A
T
_
T
= A
T
A = (A A
T
)

email [email protected] 32 o
_

v o o
_
s z 33
EJEMPLO 1.54. Demostrar que si A y B son matrices idempotentes y que conmutan, entonces
AB es idempotente.
SOLUCI

ON.-
_
AB
_
2
= (AB)(AB) = A(BA)B = A(AB)B = (AA)(BB) = A
2
B
2
= AB.

EJEMPLO 1.55. Demostrar que si AB = A y BA = B, entonces A, B, A

T
y B
T
son idempo-
tentes.
SOLUCI

ON.-
A
2
= AA = (AB)A = A(BA) = AB = A
B
2
= BB = (BA)B = B(AB) = BA = B
_
A
T
_
2
= A
T
A
T
= (AA)
T
=
_
A
2
_
T
= A
T
_
B
T
_
2
= B
T
B
T
= (BB)
T
=
_
B
2
_
T
= B
T

EJEMPLO 1.56. Si A es simetrica de orden n, entonces B

T
AB es simetrica para cualesquiera
B de orden n.
SOLUCI

ON.-
_
B
T
AB
_
T
= B
T
A
_
B
T
_
T
= B
T
AB.

EJEMPLO 1.57. Si A es involutiva, entonces demostrar que

1
2
(I A) es idempotente. Recordar
que una matriz es involutiva si A
2
= I y una matriz es idempotente si A
2
= A
SOLUCI

ON.-
_
1
2
(I A)
_
2
=
_
1
2
(I A)
_ _
1
2
(I A)
_
=
1
4
(I A)(I A) =
1
4
(I AA+A
2
)
=
1
4
(I AA+I) =
1
2
(I A)

email [email protected] 33 o
_

v o o
_
s z 34
1.4. Matriz escalonada
DEFINICI

ON 1.2. Diremos que una matriz A es escalonada si el primer elemento no nulo de

cada una de sus las esta a la izquierda del primer elemento no nulo de cada una de las las
subsiguientes y, ademas, las las nulas (si las hay) estan debajo de las demas.
EJEMPLO 1.58. La siguiente matriz es escalonada
_
_
6 3 7 2
0 7 5 1
0 0 0 3
_
_
El primer elemento no nulo de la la uno que es 6 esta a la izquierda del primer elemento no
nulo de la la dos que es 7. Ademas, el primer elemento no nulo de la la dos que es 7 esta a la
izquierda del primer elemento no nulo de la la tres que es 3.

EJEMPLO 1.59. Las siguientes matrices son escalonadas:

_
_
_
_
4 7 2 6
0 3 5 2
0 0 8 1
0 0 0 7
_
_
_
_
,
_
_
_
_
1 2 3 4 5
0 0 1 2 3
0 0 0 0 1
0 0 0 0 0
_
_
_
_
,
_
_
_
_
0 1 2 3 1
0 0 4 5 2
0 0 0 6 3
0 0 0 0 0
_
_
_
_

DEFINICI

ON 1.3. Diremos que una matriz A es escalonada reducida si es reducida y ademas

verica las siguientes propiedades:
El primer elemento no nulo de cada la no nula de A es igual a 1.
Cada columna de A que tiene el primer elemento no nulo de alguna la tiene todos sus
otros elementos 0.
EJEMPLO 1.60. Las siguientes matrices son escalonadas reducidas:
_
_
1 0 0 2
0 1 0 3
0 0 1 8
_
_
,
_

_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_

_
,
_

_
1 2 0 4 0
0 0 1 2 0
0 0 0 0 1
0 0 0 0 0
_

_
,
_

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

email [email protected] 34 o
_

v o o
_
s z 35
1.5. Transformaciones elementales
Dada una matriz A de orden n, se llaman transformaciones elementales sobre la matriz A a las
siguientes operaciones:
x Intercambio de dos las de A. Intercambiar la la i con la la j, se escribe f
ij
.
y Multiplicacion de una la de A por un escalar no nulo. Para la la i se escribe cf
i
, c R.
z Sumar a una de las las un m ultiplo de otra la. Si a la la i se suma k veces la la j,
entonces se escribe f
i
+kf
j
1.6. Matrices equivalentes
DEFINICI

ON 1.4. Dos matrices A y B ambos de orden n m son equivalentes por las si una
de ellas se puede obtener a partir de la otra por aplicacion de una o varias operaciones elementales.
EJEMPLO 1.61. Pruebe que las matrices
A =
_
_
_
_
1 2 3
1 2 1
2 1 0
1 2 3
_
_
_
_
y B =
_
_
_
_
1 2 3
2 4 2
0 0 0
0 3 2
_
_
_
_
son equivalentes
SOLUCI

ON.-
_
_
_
_
1 2 3
1 2 1
2 1 0
1 2 3
_
_
_
_
f
1
+f
4

_
_
_
_
1 2 3
1 2 1
2 1 0
0 0 0
_
_
_
_
2f
2

_
_
_
_
1 2 3
2 4 1
2 1 0
0 0 0
_
_
_
_
f
2
+f
3

_
_
_
_
1 2 3
2 4 2
0 3 2
0 0 0
_
_
_
_
f
34

_
_
_
_
1 2 3
2 4 2
0 0 0
0 3 2
_
_
_
_

TEOREMA 1.5. Toda matriz es equivalente a una matriz escalonada. Tambien es equivalente
a una unica matriz escalonada reducida.
EJEMPLO 1.62. Mediante operaciones elementales llevar la siguiente matriz a su forma escalon-
ada y a su forma escalonada reducida.
email [email protected] 35 o
_

v o o
_
s z 36
A =
_
_
_
_
2 5 3
1 2 2
3 4 1
2 3 2
_
_
_
_
SOLUCI

ON.- Empecemos hallando la matriz escalonada.

_
_
_
_
2 5 3
1 2 2
3 4 1
2 3 2
_
_
_
_
f
12

_
_
_
_
1 2 2
2 5 3
3 4 1
2 3 2
_
_
_
_
2f
1
+f
2

_
_
_
_
1 2 2
0 1 1
3 4 1
2 3 2
_
_
_
_
3f
1
+f
3

_
_
_
_
1 2 3
0 1 1
0 2 5
2 3 2
_
_
_
_
2f
1
+f
4

_
_
_
_
1 2 3
0 1 1
0 2 5
0 1 2
_
_
_
_
2f
2
+f
3

_
_
_
_
1 2 3
0 1 1
0 0 7
0 1 2
_
_
_
_
f
2
+f
4

_
_
_
_
1 2 3
0 1 1
0 0 7
0 0 3
_
_
_
_

3
7
f
3
+f
4

_
_
_
_
1 2 3
0 1 1
0 0 7
0 0 0
_
_
_
_
A partir de la matriz escalonada podemos hallar la matriz escalonada reducida.
_
_
_
_
2 5 3
1 2 2
3 4 1
2 3 2
_
_
_
_

_
_
_
_
1 2 3
0 1 1
0 0 7
0 0 0
_
_
_
_

1
7
f
3

_
_
_
_
1 2 3
0 1 1
0 0 1
0 0 0
_
_
_
_
f
3
+f
2

_
_
_
_
1 2 3
0 1 0
0 0 1
0 0 0
_
_
_
_
3f
3
+f
1

_
_
_
_
1 2 0
0 1 0
0 0 1
0 0 0
_
_
_
_
2f
2
+f
1

_
_
_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
_
_

EJEMPLO 1.63. Mediante operaciones elementales llevar la siguiente matriz a su forma escalon-
ada.
A =
_
_
_
_
_
_
0 2 4
1 4 5
3 1 7
0 1 0
2 3 0
_
_
_
_
_
_
email [email protected] 36 o
_

v o o
_
s z 37
SOLUCI

ON.-
_
_
_
_
_
_
0 2 4
1 4 5
3 1 7
0 1 0
2 3 0
_
_
_
_
_
_
f
12

_
_
_
_
_
_
1 4 5
0 2 4
3 1 7
0 1 0
2 3 0
_
_
_
_
_
_
3f
1
+f
3
2f
1
+f
5

_
_
_
_
_
_
1 4 5
0 2 4
0 11 22
0 1 2
0 5 10
_
_
_
_
_
_
1/2f
2
1/11f
3
1/5f
5

_
_
_
_
_
_
1 2 2
0 1 2
0 1 2
0 1 2
0 1 2
_
_
_
_
_
_
f
2
+f
3
f
2
+f
4
f
2
+f
5

_
_
_
_
_
_
1 2 2
0 1 2
0 0 0
0 0 0
0 0 0
_
_
_
_
_
_

EJEMPLO 1.64. Reducir cada una de las siguientes matrices a una matriz escalonada mediante
una sucesion nita de operaciones elementales
(a) A =
_
_
_
_
1 1 1
0 1 0
1 1 0
2 1 1
_
_
_
_
Rta.
_
_
_
_
1 1 1
0 1 0
0 0 1
0 0 0
_
_
_
_
(b) A =
_
_
_
_
2 3 1 0
1 2 4 3
2 1 3 2
1 2 3 0
_
_
_
_
Rta.
_
_
_
_
1 2 4 3
0 1 9 6
0 0 1 3
0 0 0 1
_
_
_
_
(c) A =
_
_
_
_
1 1 2 0
5 5 10 0
6 6 12 3
1 1 2 1
_
_
_
_
Rta.
_
_
_
_
1 1 2 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
_
_
SOLUCI

ON.-
EJEMPLO 1.65. Mediante una sucesion nita de operaciones elementales, demostrar que:
_
_
a a
2
a
3
a
4
b b
2
b
3
b
4
c c
2
c
3
c
4
_
_
es equivalente a
_
_
1 0 0 abc
0 1 0 (ab +bc +ca)
0 0 1 a +b +c
_
_
SOLUCI

ON.-
email [email protected] 37 o
_

v o o
_
s z 38
1.7. Rango de una Matriz
DEFINICI

ON 1.5. El rango de una matriz A de orden nm es el n umero de las no nulas de

su matriz escalonada.
EJEMPLO 1.66. Hallar el rango de la matriz A =
_
_
_
_
25 31 17 43
75 94 53 132
75 94 54 134
25 32 20 48
_
_
_
_
SOLUCI

ON.-
_
_
_
_
25 31 17 43
75 94 53 132
75 94 54 134
25 32 20 48
_
_
_
_
3f
1
+ f
2
3f
2
+ f
3
f
1
+ f
4

_
_
_
_
25 31 17 43
0 1 2 3
0 1 3 5
0 1 3 5
_
_
_
_
f
2
+ f
3
f
2
+ f
4

_
_
_
_
25 31 17 43
0 1 2 3
0 0 1 2
0 0 1 2
_
_
_
_
f
3
+ f
4

_
_
_
_
25 31 17 43
0 1 2 3
0 0 1 2
0 0 0 0
_
_
_
_
La ultima matriz escalonada tiene 3 las no nulas, luego r(A) = 3.
EJEMPLO 1.67. Dadas las matrices empleando el metodo de transformaciones elementales,
hallar el rango de cada una de ellas.
(a) A =
_
_
2 1 3 2 4
4 2 5 1 7
2 1 1 8 9
_
_
Rta. r(A) = 2 (b) B =
_
_
_
_
3 1 3 2 5
5 3 2 3 4
1 3 5 0 7
7 5 1 4 1
_
_
_
_
Rta. r(B) = 3
(c) C =
_
_
_
_
1 3 5 1
2 1 3 4
5 1 1 7
7 7 9 1
_
_
_
_
Rta. r(C) = 3 (d) D =
_
_
1 2 3 2
2 3 5 1
1 3 4 5
_
_
Rta. r(D) = 2
SOLUCI

ON.-
email [email protected] 38 o
_

v o o
_
s z 39
_
_
1 2 3 2
2 3 5 1
1 3 4 5
_
_
2f
1
+f
2
f
1
+f
3

_
_
1 2 3 2
0 1 1 3
0 1 1 3
_
_
f
2
+f
3

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

EJEMPLO 1.68. Encuentre valores de R para que A =
_
_
1 1
2 1
1 10 6
_
_
tenga rango igual
a 3.
SOLUCI

ON.-
_
_
1 1
2 1
1 10 6
_
_
2f
1
+f
2
f
1
+f
3

_
_
1 1
0 2 1 + 2
0 10 5
_
_
2f
3

_
_
1 1
0 2 1 + 2
0 20 2 10
_
_
f
2
+f
3

_
_
1 1
0 2 1 + 2
0 21 12
_
_
f
23

_
_
1 1
0 21 12
0 2 1 + 2
_
_
21f
3

_
_
1 1
0 21 12
0 21(2 + 1) 21 + 42
_
_
(2 + 1)f
2
+f
3

_
_
1 1
0 21 12
0 0 2
2
4 + 30
_
_
Resolviendo 2
2
4 + 30 = 0, tenemos que r(A) = 3 si y solo si ,= 3 y ,= 5.
1.8. Representacion matricial de un sistema de ecuaciones
lineales
Muchos problemas de la vida real nos obligan a resolver simultaneamente varias ecuaciones lineales
para hallar las soluciones comunes a todas ellas. Tambien resultan muy utiles en geometra (las
ecuaciones lineales se interpretan como rectas y planos, y resolver un sistema equivale a estudiar
la posicion relativa de estas guras geometricas en el plano o en el espacio).
email [email protected] 39 o
_

v o o
_
s z 40
Un sistema de ecuaciones lineales es un conjunto de ecuaciones lineales que podemos escribir de
forma tradicional as :
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+a
m2
x
2
+ +a
mn
x
n
= b
m
(1.6)
un sistema as expresado tiene m ecuaciones y n incognitas, donde a
ij
son n umeros reales,
llamados coecientes del sistema, los valores b
m
son n umeros reales, llamados terminos indepen-
dientes del sistema, las incognitas x
j
son las variables del sistema, y la solucion del sistema es un
conjunto ordenado de n umeros reales (s
1
, s
2
, ..., s
n
) tales que al sustituir las incognitas x
1
, x
2
, ..., x
n
por los valores s
1
, s
2
, ..., s
n
se verican a la vez las m ecuaciones del sistema.
Este mismo sistema de ecuaciones lineales en notacion matricial tiene esta forma :
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
=
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
Sean
A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
b =
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
La matriz A es la matriz de coecientes es de orden mn y esta formada por los coecientes del
sistema, x es la matriz columna formada por las incognitas y b es la matriz columna formada por
los terminos independientes.
Llamamos matriz ampliada o aumentada de dimension m(n + 1) a la matriz que se obtiene al
a nadir a la matriz de coecientes la columna de los terminos independientes, y la denotamos por
A
b
, es decir
A
b
=
_
_
_
_
_
a
11
a
12
. . . a
1n
b
1
a
21
a
22
. . . a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
b
m
_
_
_
_
_
TEOREMA 1.6. Consideremos en sistema matricial Ax = b, donde A es una matriz es de orden
mn, x de orden n 1 n es el n umero de incognitas y b de orden m1.
email [email protected] 40 o
_

v o o
_
s z 41
(a) Si r(A) = r(A
b
) = n, entonces el sistema tiene una unica solucion. Es decir, si la matriz
y su matriz aumentaba tiene rango igual al n umero de incognitas entonces el sistema tiene
una unica solucion.
(b) Si r(A) = r(A
b
) = k < n, entonces el sistema tiene innitas soluciones. Se pueden dar
valores arbitrarios a un cierto conjunto de n k variables y las restantes k variables puede
hallarse despejando estas k variables en funcion de las n k variables dadas. En este caso
decimos que el sistema tiene n k grados de libertad.
(c) Si r(A) ,= r(A
b
), entonces el sistema no tiene soluciones.
Resolver un sistema de ecuaciones es hallar todas sus soluciones. Obviamente, un sistema se puede
resolver cuando es compatible, es decir, cuando el rango de su matriz de coecientes es igual al
rango de su matriz aumentaba. En el transcurso de este curso estudiaremos los siguientes metodos
para resolver sistemas de ecuaciones:
x Metodo de Gauss (por reduccion)
y Metodo de Gauss-Jordan (por eliminacion)
z Metodo de Cramer (por determinantes)
{ Por inversion de la matriz.
1.9. Metodo de eliminacion de Gauss
Para resolver un sistema de m ecuaciones con n incognitas seguir los siguientes pasos:
x Colocar el sistema de ecuaciones lineales en notacion matricial Ax = b, donde A es una
matriz es de orden m n, x de orden n 1 n es el n umero de incognitas y b de orden
m1.
y Denir la matriz aumentada A
b
z Reducir la matriz aumentada A
b
a su forma escalonada.
{ Aplicar el Teorema 1.11:
(a) Si r(A) = r(A
b
) = n, entonces el sistema tiene una unica solucion. De la forma escalon-
ada se obtiene un nuevo sistema A

x = b

que se resuelve de abajo hacia arriba: se

halla primero el valor de la ultima incognita, se la sustituye por ese valor en la ecuacion
anterior y as sucesivamente.
(b) Si r(A) = r(A
b
) = k < n, entonces el sistema tiene innitas soluciones. Se pueden dar
valores arbitrarios a un cierto conjunto de n k variables y las restantes k variables
puede hallarse despejando estas k variables en funcion de las n k variables dadas.
email [email protected] 41 o
_

v o o
_
s z 42
(c) Si r(A) ,= r(A
b
), entonces el sistema no tiene soluciones.
EJEMPLO 1.69. Resolver el siguiente sistema por el metodo de Gauss
x +y +z = 11
2x y +z = 5
3x + 2y +z = 24
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 3.

> Colocando el sistema en notacion matricial
_
_
1 1 1
2 1 1
3 2 1
_
_
_
_
x
y
z
_
_
=
_
_
11
5
25
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
1 1 1
2 1 1
3 2 1
_
_
, A
b
=
_
_
1 1 1 11
2 1 1 5
3 2 1 24
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada.
_
_
1 1 1 11
2 1 1 5
3 2 1 24
_
_
2f
1
+f
2
3f
1
+f
3

_
_
1 1 1 11
0 3 1 17
0 1 2 9
_
_
f
23

_
_
1 1 1 11
0 1 2 9
0 3 1 17
_
_
3f
2
+f
3

_
_
1 1 1 11
0 1 2 9
0 0 5 10
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 3, entonces el sistema tiene una unica
solucion. Para encontrarla procedemos como sigue: Primero escribamos el sistema asociado
a la matriz reducida,
x +y +z = 11
y 2z = 9
5z = 10
De la ultima ecuacion 5z = 10 despejamos la variable z = 2, que reemplazamos en la segunda
ecuacion y 2(2) = 9, para obtener que y = 5, ahora bien reemplazando z = 2 y y = 5
en la primera ecuacion x + 5 + 2 = 11 obtenemos x = 4.
email [email protected] 42 o
_

v o o
_
s z 43
EJEMPLO 1.70. Resolver el siguiente sistema por el metodo de Gauss
y + 2z + 3t = 1
2x + y + 3z = 1
3x + 4y + 2z = 1
4x + 2y + t = 1
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 4.

> Colocando el sistema en notacion matricial
_
_
_
_
0 1 2 3
2 1 3 0
3 4 2 0
4 2 0 1
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
=
_
_
_
_
1
1
1
1
_
_
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
_
_
0 1 2 3
2 1 3 0
3 4 2 0
4 2 0 1
_
_
_
_
, A
b
=
_
_
_
_
0 1 2 3 1
2 1 3 0 1
3 4 2 0 1
4 2 0 1 1
_
_
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada.
_
_
_
_
0 1 2 3 1
2 1 3 0 1
3 4 2 0 1
4 2 0 1 1
_
_
_
_
f
12

_
_
_
_
2 1 3 0 1
0 1 2 3 1
3 4 2 0 1
4 2 0 1 1
_
_
_
_
1/2f
1
+f
3
2f
1
+f
4

_
_
_
_
_
_
2 1 3 0 1
0 1 2 3 1
0
5
2

5
2
0
1
2
0 2 6 1 1
_
_
_
_
_
_
5/2f
2
+f
3
2f
2
+f
4

_
_
_
_
_
_
2 1 3 0 1
0 1 2 3 1
0 0
15
2

15
2
3
0 0 0 7
7
5
_
_
_
_
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 4, entonces el sistema tiene una unica
solucion. Para encontrarla procedemos como sigue: Primero escribamos el sistema asociado
a la matriz reducida,
2x + y + 3z = 1
y + 2z + 3t = 1

15
2
z
15
2
t = 3
7t =
7
5
Resolviendo el sistema de abajo hacia arriba, tenemos t =
1
5
, z =
1
5
, y = 0 y x =
1
5
.
email [email protected] 43 o
_

v o o
_
s z 44
EJEMPLO 1.71. Resolver el siguiente sistema por el metodo de Gauss
2x 4y + 6z = 2
y + 2z = 3
x 3y +z = 4
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 3.

> Colocando el sistema en notacion matricial
_
_
2 4 6
0 1 2
1 3 1
_
_
_
_
x
y
z
_
_
=
_
_
2
3
4
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
2 4 6
0 1 2
1 3 1
_
_
, A
b
=
_
_
2 4 6 2
0 1 2 3
1 3 1 4
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada.
_
_
2 4 6 2
0 1 2 3
1 3 1 4
_
_
1/2f
1

_
_
1 2 3 1
0 1 2 3
1 3 1 4
_
_
f
1
+f
3

_
_
1 2 3 1
0 1 2 3
0 1 2 3
_
_
f
2
+f
3

_
_
1 2 3 1
0 1 2 3
0 0 0 0
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 2 < 3. El sistema tiene innitas soluciones.
Dado que 2 < 3, entonces las 32 = 1 incognitas ( ultima incognita) toma valores arbitrarios
y a las que se les denomina valores libres o parametros.
Empecemos transformando la matriz escalonada reducida en el siguiente sistema de ecua-
ciones
x 2y + 3z = 1
y + 2z = 3
En este sistema hagamos z = t con t R y luego despejemos x y y en funcion de t
_
x 2y = 1 3z
y = 3 2z
_
x 2y = 1 3t
y = 3 2t
email [email protected] 44 o
_

v o o
_
s z 45
reemplazando y = 3 2t en la primera ecuacion x 2(3 2t) = 1 3t, obtenemos
x = 5 7t, luego el vector solucion es dado por
_
_
x
y
z
_
_
=
_
_
5 7t
3 2t
t
_
_
=
_
_
5
3
0
_
_
+
_
_
7t
2t
t
_
_
=
_
_
5
3
0
_
_
+t
_
_
7
2
1
_
_

EJEMPLO 1.72. Discutir por el metodo de Gauss el siguiente sistema:
x + 2y 3z = 4
2x + 3y + 4z = 5
4x + 7y 2z = 12
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 3.

> Colocando el sistema en notacion matricial
_
_
1 2 3
2 3 4
4 7 2
_
_
_
_
x
y
z
_
_
=
_
_
4
5
12
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
1 2 3
2 3 4
4 7 2
_
_
, A
b
=
_
_
1 2 3 4
2 3 4 5
4 7 2 12
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
_
_
1 2 3 4
2 3 4 5
4 7 2 12
_
_
2f
1
+f
2
4f
1
+f
3

_
_
1 2 3 4
0 1 10 3
0 1 10 4
_
_
f
2
+f
3

_
_
1 2 3 4
0 1 10 3
0 0 0 1
_
_
A Aplicar el Teorema 1.11. Como r(A) = 2, r(A
b
) = 3, entonces r(A) ,= r(A
b
). El sistema no
tiene soluciones. En efecto, el sistema dado es equivalente a:
x + 2y 3z = 4
3y + 10z = 3
0x + 0y + z0 = 1
lo que es, obviamente, absurdo.

email [email protected] 45 o
_

v o o
_
s z 46
1.10. Metodo de eliminacion de Gauss Jordan
Para resolver un sistema de m ecuaciones con n incognitas seguir los siguientes pasos:
x Colocar el sistema de ecuaciones lineales en notacion matricial Ax = b, donde A es una
matriz es de orden m n, x de orden n 1 n es el n umero de incognitas y b de orden
m1.
y Denir la matrices de coecientes A y la matriz aumentada A
b
.
z Reducir la matriz aumentada A
b
a su forma escalonada reducida.
{ Aplicar el Teorema 1.11.
EJEMPLO 1.73. Discutir por el metodo de Gauss Jordan el siguiente sistema:
x +y +z = 2
2x y z = 1
x + 2y z = 3
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 3.

> Colocando el sistema en notacion matricial
_
_
1 1 1
2 1 1
1 2 1
_
_
_
_
x
y
z
_
_
=
_
_
2
1
3
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
1 1 1
2 1 1
1 2 1
_
_
, A
b
=
_
_
1 1 1 2
2 1 1 1
1 2 1 3
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
email [email protected] 46 o
_

v o o
_
s z 47
_
_
1 1 1 2
2 1 1 1
1 2 1 3
_
_
2f
1
+f
2
f
1
+f
3

_
_
1 1 1 2
0 3 3 3
0 1 2 5
_
_
1/3f
2

_
_
1 1 1 2
0 1 1 1
0 1 2 5
_
_
f
2
+f
1
f
2
+f
3

_
_
1 0 0 1
0 1 1 1
0 0 3 6
_
_
1/3f
3

_
_
1 0 3 7
0 1 2 5
0 0 1 2
_
_
3f
3
+f
1
2f
3
+f
2

_
_
1 0 0 1
0 1 0 1
0 0 1 2
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 3, entonces el sistema tiene una unica
solucion dada por x = 1, y = 1, z = 2.

EJEMPLO 1.74. Discutir por el metodo de Gauss Jordan el siguiente sistema:

x + 3y +z = 6
3x 2y 8z = 7
4x + 5y 3z = 17
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 3.

> Colocando el sistema en notacion matricial
_
_
1 3 1
3 2 8
4 5 3
_
_
_
_
x
y
z
_
_
=
_
_
6
7
17
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
1 3 1
3 2 8
4 5 3
_
_
, A
b
=
_
_
1 3 1 6
3 2 8 7
4 5 3 17
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
email [email protected] 47 o
_

v o o
_
s z 48
_
_
1 3 1 6
3 2 8 7
4 5 3 17
_
_
3f
1
+f
2
4f
1
+f
3

_
_
1 3 1 6
0 11 11 11
0 7 7 7
_
_
1/11f
2
1/7f
3

_
_
1 3 1 6
0 1 1 1
0 1 1 1
_
_
3f
2
+f
1
f
2
+f
3

_
_
1 0 2 3
0 1 1 1
0 0 0 0
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 2 < 3. El sistema tiene innitas soluciones.
Dado que 2 < 3, entonces las 32 = 1 incognitas ( ultima incognita) toma valores arbitrarios
y a las que se les denomina valores libres o parametros.
Empecemos transformando la matriz escalonada reducida en el siguiente sistema de ecua-
ciones
x z = 3
y +z = 1
En este sistema hagamos z = t con t R y luego despejemos x y z en funcion de t
x = 3 +z = 3 +t
y = 1 z = 1 t
luego el vector solucion es dado por
_
_
x
y
z
_
_
=
_
_
3 +t
1 t
z
_
_
=
_
_
3
1
0
_
_
+
_
_
t
t
t
_
_
=
_
_
3
1
0
_
_
+t
_
_
1
1
1
_
_

EJEMPLO 1.75. Discutir por el metodo de Gauss Jordan el siguiente sistema:
x + y + z = 1
x y + 3z = 3
x + z = 1
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 3.

> Colocando el sistema en notacion matricial
_
_
1 1 1
1 1 3
1 0 1
_
_
_
_
x
y
z
_
_
=
_
_
1
3
1
_
_
email [email protected] 48 o
_

v o o
_
s z 49
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
1 1 1
1 1 3
1 0 1
_
_
, A
b
=
_
_
1 1 1 1
1 1 3 3
1 0 1 1
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
_
_
1 1 1 1
1 1 3 3
1 0 1 1
_
_
f
13

_
_
1 0 1 1
1 1 1 1
1 1 3 3
_
_
f
1
+f
2
f
1
+f
3

_
_
1 0 3 1
0 1 2 4
0 1 2 0
_
_
f
23

_
_
1 0 3 1
0 1 2 0
0 1 2 4
_
_
f
2
+f
3

_
_
1 0 3 1
0 1 2 0
0 0 0 4
_
_
A Aplicar el Teorema 1.11. Como r(A) = 2, r(A
b
) = 3, entonces r(A) ,= r(A
b
). El sistema no
tiene soluciones.

EJEMPLO 1.76. Destudiar la compatibilidad del siguiente sistema:

ax 2y = 4
ax + (a 1)y = 4
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 2.

> Colocando el sistema en notacion matricial
_
a 2
a a 1
__
x
y
_
=
_
4
4
_
? La matriz de coecientes M y la matriz aumentada M
a
son dados por
M =
_
a 2
a a 1
_
, M
a
=
_
a 2 4
a a 1 4
_
email [email protected] 49 o
_

v o o
_
s z 50
@ Reducir la matriz aumentada M
a
a su forma escalonada reducida.
_
a 2 4
a a 1 4
_
f
1
+f
2

_
a 2 4
0 a + 1 0
_
A Aplicar el Teorema 1.11.
Si a = 0, entonces la matriz de coecientes M y la matriz aumentada M
a
son equiva-
lentes a
M =
_
0 2
0 1
_
, M
a
=
_
0 2 4
0 1 0
_
Por tanto, r(M) = 1 y r(M
a
) = 2, entonces el sistema no tiene soluciones.
Si a = 1, entonces la matriz de coecientes M y la matriz aumentada M
a
son equiv-
alentes a
M =
_
1 2
0 0
_
, M
a
=
_
1 2 4
0 0 0
_
Por tanto, r(M) = r(M
a
) = 1 < 2, entonces el sistema tiene innitas soluciones.
Si a ,= 0 y a ,= 1, se tiene que r(M) = r(M
a
) = 2, por tanto el sistema tiene una
unica solucion.

EJEMPLO 1.77. La matriz de los coecientes de un sistema de ecuaciones lineales es:

_
1 a
a + 1 2
_
y la de los terminos independientes es:
_
2
2
_
. a) Plantear las ecuaciones del sistema. b) Estudiar
su compatibilidad en funcion de los valores de a. .En que casos tiene solucion unica?. c) Resolverlo
si a = 2.
SOLUCI

ON.-
Apartado a: El sistema asociado a las matrices dadas sera:
x +ay = 2
(a + 1)x + 2y = 2
El mismo sistema, expresado en forma matricial:
_
1 a
a + 1 2
__
x
y
_
=
_
2
2
_
Apartado b: El n umero de incognitas del sistema lineal es n = 2.
email [email protected] 50 o
_

v o o
_
s z 51
> La matriz de coecientes M y la matriz aumentada M
a
son dados por
M =
_
1 a
a + 1 2
_
, M
a
=
_
1 a 2
a + 1 2 2
_
? Reducir la matriz aumentada M
a
a su forma escalonada reducida.
_
1 a 2
a + 1 2 2
_
(a + 1)f
1
+f
2

_
1 a 2
0 a(a + 1) + 2 2(a + 1) 2
_
@ Aplicar el Teorema 1.11.
Resolvamos las ecuaciones
a(a + 1) + 2 = 0 a = 2, a = 1.
y
2(a + 1) 2 = 0 a = 2.
Si a = 1, entonces la matriz de coecientes M y la matriz aumentada M
a
son equiva-
lentes a
M =
_
1 1
0 0
_
, M
a
=
_
1 1 2
0 0 6
_
Por tanto, r(M) = 1 y r(M
a
) = 2, entonces el sistema no tiene soluciones.
Si a = 2, entonces la matriz de coecientes M y la matriz aumentada M
a
son equiv-
alentes a
M =
_
1 1
0 0
_
, M
a
=
_
1 1 2
0 0 0
_
Por tanto, r(M) = r(M
a
) = 1 < 2, entonces el sistema tiene innitas soluciones.
Si a ,= 1 y a ,= 2, se tiene que r(M) = r(M
a
) = 2, por tanto el sistema tiene una
unica solucion.
Apartado c: Si suponemos que a = 2, tendremos que:
_
x + 2y = 2
3x + 2y = 2
cuya solucion es x = 2, y = 2

EJEMPLO 1.78. Dado el sistema

(2m1)x my + (m+ 1)z = m1
(m2)x (m+ 1)y + (m2)z = m
(2m1)x + (m1)y + (2m1)z = m
Determine para que valores de m:
email [email protected] 51 o
_

v o o
_
s z 52
x El sistema tiene solucion unica. Respuesta.- m ,= 0, m ,= 1 y m ,= 1.
y El sistema tiene innitas soluciones. Respuesta.- m = 1.
z El sistema no tiene soluciones. Respuesta.- m = 0, m = 1.
SOLUCI

ON.- Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de

incognitas del sistema lineal es n = 3.
> Colocando el sistema en notacion matricial
_
_
2m1 m m+ 1
m2 m+ 1 m2
2m1 m1 2m1
_
_
_
_
x
y
z
_
_
=
_
_
m1
m
m
_
_
? Denir la matriz aumentada A
b
A
b
=
_
_
2m1 m m+ 1 m1
m2 m+ 1 m2 m
2m1 m1 2m1 m
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
email [email protected] 52 o
_

v o o
_
s z 53
A
b
1
2m1
f
1

_
_
_
_
_
_
1
m
2m1
m+ 1
2m1
m1
2m1
m2 m + 1 m2 m
2m1 m1 2m1 m
_
_
_
_
_
_
(m2)f
1
+f
2
(2m1)f
1
+f
2

_
_
_
_
_
_
_
1
m
2m1
m + 1
2m1
m1
2m1
0
1 +m3m
2
1 2m
(2 +m)
2
1 + 2m
2 + 2m +m
2
1 + 2m
0 1 + 2m 2 +m 1
_
_
_
_
_
_
_
C
23

_
_
_
_
_
_
_
1
m1
2m1
m + 1
2m1

m
2m1
0
2 + 2m+m
2
1 + 2m
(2 +m)
2
1 + 2m
1 +m3m
2
1 2m
0 1 2 +m 1 + 2m
_
_
_
_
_
_
_
f
23

_
_
_
_
_
_
_
1
m1
2m1
m + 1
2m1

m
2m1
0 1 2 +m 1 + 2m
0
2 + 2m+m
2
1 + 2m
(2 +m)
2
1 + 2m
1 +m3m
2
1 2m
_
_
_
_
_
_
_

1 + 2m
2 + 2m+m
2
f
2
+f
3

_
_
_
_
_
_
1
m1
2m1
m + 1
2m1

m
2m1
0 1 2 +m 1 + 2m
0 0 f(m) g(m)
_
_
_
_
_
_
donde
f(m) = (2 +m)
_
2 +m
1 + 2m
+
1 2m
2 + 2m +m
2
_
y
g(m) = 3
1 2m+m
2
m
3
+m
4
2 6m+ 3m
2
+ 2m
3
Las soluciones de la ecuacion f(m) = 0 son:
m = 1, m = 2, m = 1/2(5

13), m = 1/2(5 +

13)
email [email protected] 53 o
_

v o o
_
s z 54
y las soluciones de la ecuacion g(m) = 0 son:
m = 1.
A Aplicando el Teorema 1.11. Si m ,= 1, m ,= 2, m ,= 1/2(5

13), m ,= 1/2(5 +

13) y
m ,= 1 entonces f(m) ,= 0 y g(m) ,= 0, por tanto r(A) = r(A
b
) = 3, entonces el sistema tiene
solucion unica.
Por otro lado, si m = 1 o m = 2 o m = 1/2(5

13) o bien m = 1/2(5 +

13); pero
m ,= 1, entonces r(A) = 2 ,= r(A
b
) = 2. El sistema no tiene soluciones.
No existe un valor de m de modo que f(m) = g(m) = 0, entones El sistema no tiene
soluciones innitas.

EJEMPLO 1.79. Resuelva cada una de las siguientes sistemas mediante la eliminacion de Gauss-
Jordan
(a)
2x +y +z = 8
3x 2y z = 1
4x 7y + 3z = 10
(b)
x +y +z = 0
2x + 5y + 2z = 0
7x + 7y +z = 0
(c)
5x + 2y + 6z = 0
2x +y + 3z = 0
(d)
x 2y +z 4w = 1
x + 3y + 7z + 2w = 2
x 12y 11z 16w = 5
SOLUCI

ON.-
EJEMPLO 1.80. Resolver el sistema:
(a)
1
x
+
1
y
+
1
z
= 5
2
x

3
y

4
z
= 11
3
x
+
2
y

1
z
= 6
(b)
1
x
+
1
y
=
13
40
1
x
+
1
z
=
7
24
1
y
+
1
y
=
11
30
SOLUCI

ON.-
EJEMPLO 1.81. Resolver el sistema:
(a)
xy
7x 2y
=
15
11
yz
8y 7z
= 15
xz
3x 5z
=
6
7
(b)
5
2x +y
+
4
2x 3y
= 5
15
2x +y
+
2
2x 3y
= 5
email [email protected] 54 o
_

v o o
_
s z 55
SOLUCI

ON.-
EJEMPLO 1.82. Un grupo de personas se reune para ir de excursion, juntandose un total de
20 entre hombres, mujeres y ni nos. Contando hombres y mujeres juntos, su n umero resulta ser el
triple del n umero de ni nos. Ademas, si hubiera acudido una mujer mas, su n umero igualara al
del hombres. a) Plantear un sistema para averiguar cuantos hombres, mujeres y ni nos han ido de
excursion. b) Resolver el problema.
SOLUCI

ON.- Si llamamos x, y, z, al n umero de hombres, mujeres y ni nos, respectivamente,

que fueron de excursion, tendremos:
()
_
_
_
x +y +z = 20
x +y = 3z
y + 1 = x
ordenamos
_
_
_
x + y + z = 20
x + y 3z = 0
x y = 1
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 3.
> Colocando el sistema en notacion matricial
_
_
1 1 1
1 1 3
1 1 0
_
_
_
_
x
y
z
_
_
=
_
_
20
0
1
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
1 1 1
1 1 3
1 1 0
_
_
, A
b
=
_
_
1 1 1 20
1 1 3 0
1 1 0 1
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
email [email protected] 55 o
_

v o o
_
s z 56
_
_
1 1 1 20
1 1 3 0
1 1 0 1
_
_
f
1
+f
2
f
1
+f
3

_
_
1 1 1 20
0 0 4 20
0 2 1 19
_
_
f
23

_
_
1 1 1 20
0 2 1 19
0 0 4 20
_
_
1/2f
2

_
_
1 1 1 20
0 1 1/2 19/2
0 0 4 20
_
_
f
2
+f
1
8f
2
+f
3

_
_
1 0 3/2 21/2
0 1 1/2 19/2
0 0 4 20
_
_
1/4f
3

_
_
1 0 3/2 21/2
0 1 1/2 19/2
0 0 1 5
_
_
1/2f
3
+f
2
3/2f
3
+f
1

_
_
1 0 0 3
0 1 0 12
0 0 1 5
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 3, entonces el sistema tiene una unica
solucion dada por x = 3, y = 12, z = 5. Luego, habran asistido 3 hombres, 12 mujeres y 5
ni nos a la excursion.

EJEMPLO 1.83. Cierto estudiante obtuvo, en un control que constaba de 3 preguntas, una
calicacion de 8 puntos. En la segunda pregunta saco dos puntos mas que en la primera y un
punto menos que en la tercera. a) Plantear un sistema de ecuaciones para determinar la puntuacion
obtenida en cada una de las preguntas. b) Resolver el sistema.
SOLUCI

ON.- Si llamamos x, y, z, a la puntuacion obtenida en cada pregunta, respectivamente,

tendremos:
()
_
_
_
x +y +z = 8
y = x + 2
y = z 1
ordenamos
_
_
_
x + y + z = 8
x y = 2
y z = 1
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 3.
> Colocando el sistema en notacion matricial
_
_
1 1 1
1 1 0
0 1 1
_
_
_
_
x
y
z
_
_
=
_
_
8
2
1
_
_
email [email protected] 56 o
_

v o o
_
s z 57
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
1 1 1
1 1 0
0 1 1
_
_
, A
b
=
_
_
1 1 1 8
1 1 0 2
0 1 1 1
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
_
_
1 1 1 8
1 1 0 2
0 1 1 1
_
_
f
1
+f
2

_
_
1 1 1 8
0 2 1 10
0 1 1 1
_
_
f
23

_
_
1 1 1 8
0 1 1 1
0 2 1 10
_
_
2f
2
+f
3
f
2
+f
1

_
_
1 0 2 9
0 1 1 1
0 0 3 12
_
_
1/3f
3

_
_
1 0 2 9
0 1 1 1
0 0 1 4
_
_
f
3
+f
2
2f
3
+f
1

_
_
1 0 0 1
0 1 0 3
0 0 1 4
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 3, entonces el sistema tiene una unica
solucion dada por x = 1, y = 3, z = 4. Luego, habra obtenido 1 punto en la primera
pregunta, 3 en la segunda y 4 en la tercera.

EJEMPLO 1.84. Un ama de casa adquirio en el mercado ciertas cantidades de patatas, manzanas
y naranjas a un precio de 100, 120 y 150 ptas/kg., respectivamente. El importe total de la compra
fueron 1.160 ptas. El peso total de la misma 9 kg. Ademas, compro 1 kg. mas de naranjas que de
manzanas. a) Plantear un sistema para determinar la cantidad comprada de cada producto. b)
Resolver el problema.
SOLUCI

ON.- Si llamamos x, y, z, al n umero de kg. comprados de patatas, manzanas y naranjas,

respectivamente, tendremos:
_
_
_
100x + 120y + 150z = 1160
x +y + z = 9
y + 1 = z
ordenamos
_
_
_
10x + 12y + 15z = 116
x + y + y = 9
y z = 1
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 3.
email [email protected] 57 o
_

v o o
_
s z 58
> Colocando el sistema en notacion matricial
_
_
10 12 15
1 1 1
0 1 1
_
_
_
_
x
y
z
_
_
=
_
_
116
9
1
_
_
? La matriz de coecientes M y la matriz aumentada M
a
son dados por
M =
_
_
10 12 15
1 1 1
0 1 1
_
_
M
a
=
_
_
10 12 15 116
1 1 1 9
0 1 1 1
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
_
_
10 12 15 116
1 1 1 9
0 1 1 1
_
_
f
12

_
_
1 1 1 9
10 12 15 116
0 1 1 1
_
_
10f
1
+f
2

_
_
1 1 1 9
0 2 5 26
0 1 1 1
_
_
f
23

_
_
1 1 1 9
0 1 1 1
0 2 5 26
_
_
2f
2
+f
3
f
2
+f
1

_
_
1 0 2 10
0 1 1 1
0 0 7 28
_
_
1/7f
3

_
_
1 0 2 10
0 1 1 1
0 0 1 4
_
_
f
3
+f
2
2f
2
+f
1

_
_
1 0 0 2
0 1 0 3
0 0 1 4
_
_
A Aplicar el Teorema 1.11. Como r(M) = r(M
a
) = 3, entonces el sistema tiene una unica
solucion dada por x = 2, y = 3, z = 4. Por tanto, habra comprado 2 kg. de patatas, 3 kg.
de manzanas y 4 kg. de naranjas.

EJEMPLO 1.85. En una contera envasan los bombones en cajas de 250 gr., 500 gr. y 1 kg.
Cierto da se envasaron 60 cajas en total, habiendo 5 cajas mas de tama no peque no (250 gr.) que
de tama no mediano (500 gr.). Sabiendo que el precio de la caja de 250 gr. es de 1000 ptas. el
precio de la caja de 500 gr. es de 2000 ptas. y el precio de la caja de 1 kg. es de 4000 ptas. Ademas
se sabe que el importe total de los bombones envasados asciende a 125.000 ptas: a) Plantear un
sistema para determinar cuantas cajas se han envasado de cada tipo. b) Resolver el problema.
SOLUCI

ON.- Tenemos que:

email [email protected] 58 o
_

v o o
_
s z 59
precio de la caja de 250 gr.=1000 ptas.
precio de la caja de 500 gr.=2000 ptas.
precio de la caja de 1 kg.=4000 ptas.
Si llamamos x, y, z, al n umero de cajas envasadas de 250 gr. , 500 gr. y 1 kg., respectivamente,
tendremos:
x +y +z = 60
x = y + 5
1000x + 2000y + 4000z = 125000
ordenamos
x + y + y = 60
x y = 5
x + 2y + 4z = 125
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 3.
> Colocando el sistema en notacion matricial
_
_
1 1 1
1 1 0
1 2 4
_
_
_
_
x
y
z
_
_
=
_
_
60
5
125
_
_
? La matriz de coecientes M y la matriz aumentada M
a
son dados por
M =
_
_
1 1 1
1 1 0
1 2 4
_
_
M
a
=
_
_
1 1 1 60
1 1 0 5
1 2 4 125
_
_
@ Reducir la matriz aumentada M
a
a su forma escalonada reducida.
_
_
1 1 1 60
1 1 0 5
1 2 4 125
_
_
f
1
+f
2
f
1
+f
3

_
_
1 1 1 60
0 2 1 55
0 1 3 65
_
_
f
23

_
_
1 1 1 60
0 1 3 65
0 2 1 55
_
_
2f
2
+f
3
f
2
+f
1

_
_
1 0 2 5
0 1 3 65
0 0 5 75
_
_
1/5f
3

_
_
1 0 2 5
0 1 3 65
0 0 1 15
_
_
3f
2
+f
2
2f
2
+f
1

_
_
1 0 0 25
0 1 0 20
0 0 1 15
_
_
email [email protected] 59 o
_

v o o
_
s z 60
A Aplicar el Teorema 1.11. Como r(M) = r(M
a
) = 3, entonces el sistema tiene una unica
solucion dada por x = 25, y = 20, z = 15. Por tanto, se habran envasado 25 cajas peque nas,
20 medianas y 15 grandes.

EJEMPLO 1.86. El precio de entrada a cierta exposicion es de 200 ptas. para los ni nos, 500
para los adultos y 250 para los jubilados. En una jornada concreta, la exposicion fue visitada
por 200 personas en total, igualando el n umero de visitantes adultos al de ni nos y jubilados
juntos. La recaudacion de dicho da ascendio a 73.500 ptas. a) Plantear un sistema de ecuaciones
para averiguar cuantos ni nos, adultos y jubilados visitaron la exposicion ese da. b) Resolver el
problema.
SOLUCI

ON.- Si llamamos x, y, z, al n umero de ni nos, adultos y jubilados, respectivamente,

que visitaron ese da la exposicion, tendremos:
x +y +z = 200
y = x +z
200x + 500y + 250z = 73500
ordenamos
x + y + z = 200
x y + z = 0
20x + 50y + 25z = 7350
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 3.
> Colocando el sistema en notacion matricial
_
_
1 1 1
1 1 1
20 50 25
_
_
_
_
x
y
z
_
_
=
_
_
200
0
7350
_
_
? La matriz de coecientes M y la matriz aumentada M
a
son dados por
M =
_
_
1 1 1
1 1 1
20 50 25
_
_
M
a
=
_
_
1 1 1 200
1 1 1 0
20 50 25 7350
_
_
@ Reducir la matriz aumentada M
a
a su forma escalonada reducida.
email [email protected] 60 o
_

v o o
_
s z 61
_
_
1 1 1 200
1 1 1 0
20 50 25 7350
_
_
f
1
+f
2
20f
1
+f
3

_
_
1 1 1 200
0 2 0 200
0 30 5 3350
_
_
1/2f
2

_
_
1 1 1 200
0 1 0 100
0 30 5 3350
_
_
30f
2
+f
3
f
2
+f
1

_
_
1 0 1 100
0 1 0 100
0 0 5 350
_
_
1/5f
3

_
_
1 0 1 100
0 1 0 100
0 0 1 70
_
_
f
2
+f
1

_
_
1 0 0 30
0 1 0 100
0 0 1 70
_
_
A Aplicar el Teorema 1.11. Como r(M) = r(M
a
) = 3, entonces el sistema tiene una unica
solucion dada por x = 30, y = 100, z = 70. Luego, a la exposicion, habran acudido 30 ni nos,
100 adultos y 70 jubilados.

EJEMPLO 1.87. En un supermercado van a poner en oferta dos marcas de detergente (A y

B). El propietario consulta su libro de cuentas para ver las condiciones de una oferta anterior,
encontrando la siguiente informacion: el n umero total de paquetes vendidos fueron 1.000 unidades;
el precio del paquete A 500 bs; y el importe total de la oferta 440.000 bs. Pero en sus anotaciones
no aparece reejado claramente el precio del paquete B. a) Plantear un sistema para determinar el
n umero de paquetes vendidos de cada marca. Discutir su compatibilidad. b) Averiguar si el precio
del paquete B fue 400 o 408 bs. cuantos paquetes se vendieron?
SOLUCI

ON.-
Si llamamos x e y al n umero de paquetes vendidos de las marcas A y B, respectivamente, ten-
dremos:
_
x +y = 1000
500x +my = 440000
representando el parametro m el precio del paquete de marca B. El n umero de incognitas del
sistema lineal es n = 2.
> Colocando el sistema en notacion matricial
_
1 1
500 m
__
x
y
_
=
_
1000
440000
_
email [email protected] 61 o
_

v o o
_
s z 62
? La matriz de coecientes M y la matriz aumentada M
a
son dados por
M =
_
1 1
500 m
_
, M
a
=
_
1 1 1000
500 m 440000
_
@ Reducir la matriz aumentada M
a
a su forma escalonada reducida.
_
1 1 1000
500 m 440000
_
500f
1
+f
2

_
1 1 1000
0 m500 60000
_
A Aplicar el Teorema 1.11.
Si m = 500, entonces la matriz de coecientes M y la matriz aumentada M
a
son
equivalentes a
M =
_
1 1
0 0
_
, M
a
=
_
1 1 1000
0 0 60000
_
Por tanto, r(M) = 1 y r(M
a
) = 2, entonces el sistema no tiene soluciones.
Si m ,= 500, r(M) = r(M
a
) = 2, por tanto el sistema tiene una unica solucion.
B Se trata de resolver el sistema para los valores m = 400 y m = 408:
_
x +y = 1000
500x + 400y = 440000
x = 400, y = 600
_
x +y = 1000
500x + 408y = 440000
x = 8000/23, y = 15000/23
Como el n umero de paquetes vendido de cada marca debe ser un n umero entero, el precio
del paquete B tiene que haber sido 400 pesetas. En estas condiciones, se habran vendido
400 paquetes de la marca A y 600 paquetes de la marca B.

EJEMPLO 1.88. En el trayecto que hay entre su casa y el trabajo, un individuo puede llenar
gasolina en tres estaciones de servicio A, B y C. El individuo recuerda que este mes el precio de la
gasolina en A ha sido de 5 bs/litro y el precio de la gasolina en B de 4 bs/litro, pero ha olvidado
el precio en C. (Supongamos que son m bs/litro). Tambien recuerda que:
> la suma del gasto en litros de gasolina en las estaciones A y B supero en 936 bs. al gasto en
C.
? el n umero de litros de gasolina consumidos en B fue el mismo que en C.
email [email protected] 62 o
_

v o o
_
s z 63
@ el gasto de litros en A supero al de B en 252 bs.
x Plantea un sistema de ecuaciones (en funcion de m) para determinar los litros consumidos
en cada gasolinera.
y Estudiar la compatibilidad del sistema en funcion de m. Puedes dar alg un precio al que
sea imposible haber vendido la gasolina en la gasolinera C?
SOLUCI

ON.-
x Empecemos respondiendo a las siguientes preguntas: Cuales son las incognitas?, Que tengo
que buscar, averiguar o que me preguntan?, Que datos me dan?, Cuales son las condiciones
del problema?.
Sean
x el n umero de litros que se ha consumido en la gasolinera A
y el n umero de litros que se ha consumido en la gasolinera B
z el n umero de litros que se ha consumido en la gasolinera C
Entonces seg un las condiciones del problema tendremos:
()
_
_
_
5x + 4y = mz + 936
y = z
5x = 4y + 252
obteniendo
_
_
_
5x + 4y mz = 936
y z = 0
5x 4y = 252
Surgen las siguientes interrogantes: Como resolvemos este sistema de ecuaciones?, Que sig-
nica resolver un sistema de ecuaciones?, Las soluciones del sistema dependen del valor que
tome la variable m?, Para que valores de m, el sistema tiene una sola solucion, muchas
soluciones, ninguna solucion o innitas soluciones?.
Primero de todo tratemos de responder a la pregunta: Como saber que el sistema tiene
solucion o no tiene solucion?, conocemos alguna teora que pueda ayudarnos?. Si, la teora
matricial nos puede ayudar a resolverlo, empecemos transformando el sistema en la siguiente
ecuacion matricial
_
_
5 4 m
0 1 1
5 4 0
_
_
_
_
x
y
z
_
_
=
_
_
936
0
252
_
_
y Para estudiar la compatibilidad del sistema, llamemos a la matriz de coecientes M y a la
matriz aumentada con los terminos independientes M
a
, es decir
M =
_
_
5 4 m
0 1 1
5 4 0
_
_
M
a
=
_
_
5 4 m 936
0 1 1 0
5 4 0 252
_
_
email [email protected] 63 o
_

v o o
_
s z 64
Observemos que la matriz M es de orden 3 3. Ahora bien, el algebra lienal nos da la
siguiente informacion:
Si rango(M) = rango(M
a
) = 3, entonces el sistema tiene una unica solucion.
Si rango(M) = rango(M
a
) < 3, entonces el sistema tiene innitas soluciones.
Si rango(M) ,= rango(M
a
), entonces el sistema no tiene soluciones.
_
_
5 4 m 936
0 1 1 0
5 4 0 252
_
_
f
13

_
_
5 4 0 252
0 1 1 0
5 4 m 936
_
_
1/5f
1

_
_
1 4/5 0 252/5
0 1 1 0
5 4 m 936
_
_
5f
1
+f
3

_
_
1 4/5 0 252/5
0 1 1 0
0 8 m 684
_
_
8f
2
+f
3

_
_
1 4/5 0 252/5
0 1 1 0
0 0 8 m 684
_
_
4/5f
2
+f
1

_
_
1 0 4/5 252/5
0 1 1 0
0 0 8 m 684
_
_
Si m = 8, la matriz de coecientes M y a la matriz aumentada con los terminos
independientes M
a
son equivalentes a:
M =
_
_
1 0 4/5
0 1 1
0 0 0
_
_
M
a
=
_
_
1 0 4/5 252/5
0 1 1 0
0 0 0 684
_
_
Entonces r(M) = 2 y ademas r(M
a
) = 3. Ahora bien como rango(M) ,= rango(M
a
)
entonces el sistema () no tiene solucion.
Por esta razon, resultara imposible haber vendido la gasolina a 8 bs. litro en la gaso-
linera C.
Si m ,= 8, entonces rango(M) = rango(M
a
) = 3 esto implica que el sistema () tiene
solucion unica. Por ejemplo si m = 6, entonces
_
_
x
y
z
_
_
=
_
_
324
342
342
_
_
Que signica esto?, Cual es la interpretacion?.

email [email protected] 64 o
_

v o o
_
s z 65
EJEMPLO 1.89. (Punto de equilibrio de mercado). Dos productos A y B compiten. Las de-
mandas q
A
y q
B
de estos productos estan relacionadas a sus precios p
A
y p
B
por las ecuaciones de
demanda:
q
A
= 17 2p
A
+
1
2
p
B
y q
B
= 20 3p
B
+
1
2
p
A
Las ecuaciones de oferta son:
p
A
= 2 +q
A
+
1
3
q
B
y p
B
= 2 +
1
2
q
B
+
1
4
q
A
Que dan los precios a los cuales las cantidades q
A
y q
B
estaran disponibles en el mercado. En el
punto de equilibrio del mercado, las cuatro ecuaciones deben satisfacerse dado que la demanda y
la oferta deben ser iguales. Calcule los valores de equilibrio de q
A
, q
B
, p
A
y p
B
.
SOLUCI

ON.- Considerando las cuatro ecuaciones, obtenemos el siguiente sistema de ecuaciones:

q
A
+ 2p
A

1
2
p
B
= 17
q
B

1
2
p
A
+ 3p
B
= 20
q
A
+
1
3
q
B
p
A
= 2
1
4
q
A
+
1
2
q
B
p
B
= 2
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 4.
> Colocando el sistema en notacion matricial
_
_
_
_
_
_
_
_
_
_
_
_
1 0 2
1
2
0 1
1
2
3
1
1
3
1 0
1
4
1
2
0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
q
A
q
B
p
A
p
B
_
_
_
_
_
_
=
_
_
_
_
17
20
2
2
_
_
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
email [email protected] 65 o
_

v o o
_
s z 66
A =
_
_
_
_
_
_
_
_
_
_
_
_
1 0 2
1
2
0 1
1
2
3
1
1
3
1 0
1
4
1
2
0 1
_
_
_
_
_
_
_
_
_
_
_
_
, A
b
=
_
_
_
_
_
_
_
_
_
_
_
_
1 0 2
1
2
17
0 1
1
2
3 20
1
1
3
1 0 2
1
4
1
2
0 1 2
_
_
_
_
_
_
_
_
_
_
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
email [email protected] 66 o
_

v o o
_
s z 67
_
_
_
_
_
_
_
_
_
_
_
_
1 0 2
1
2
17
0 1
1
2
3 20
1
1
3
1 0 2
1
4
1
2
0 1 2
_
_
_
_
_
_
_
_
_
_
_
_
f
1
+f
3
1/4f
1
+f
4

_
_
_
_
_
_
_
_
_
_
_
_
1 0 2
1
2
17
0 1
1
2
3 20
0
1
3
3
1
2
19
0
1
2

1
2
9
8

25
4
_
_
_
_
_
_
_
_
_
_
_
_
1/3f
2
+f
3
1/2f
2
+f
4

_
_
_
_
_
_
_
_
_
_
_
_
1 0 2
1
2
17
0 1
1
2
3 20
0 0
17
6

1
2

77
3
0 0
1
4

19
8

65
4
_
_
_
_
_
_
_
_
_
_
_
_
4f
4
f
34

_
_
_
_
_
_
_
_
_
_
_
_
1 0 2
1
2
17
0 1
1
2
3 20
0 0 1
19
2
65
0 0
17
6

1
2

77
3
_
_
_
_
_
_
_
_
_
_
_
_
2f
2
+f
1
1/2f
3
+f
2
17/6f
3
+f
4

_
_
_
_
_
_
_
_
_
_
_
_
1 0 0
39
2
113
0 1 0
31
4
105
2
0 0 1
19
2
65
0 0 0
317
12
317
2
_
_
_
_
_
_
_
_
_
_
_
_
12/317f
4

_
_
_
_
_
_
_
_
_
_
1 0 0
39
2
113
0 1 0
31
4
105
2
0 0 1
19
2
65
0 0 0 1 6
_
_
_
_
_
_
_
_
_
_
39
2
f
4
+f
1

31
4
f
4
+f
2

19
6
f
4
+f
3

_
_
_
_
_
_
1 0 0 0 4
0 1 0 0 6
0 0 1 0 8
0 0 0 1 6
_
_
_
_
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 4, entonces el sistema tiene una unica
solucion dada por q
A
= 4, q
B
= 6, p
A
= 8 y p
B
= 6.

EJEMPLO 1.90. Dada la ecuacion LS: 0.3Y +100i 252 = 0 y la ecuacion LM: 0.25Y 200i
176 = 0. Determine el nivel de ingresos y la tasa de interes.
SOLUCI

ON.- El analisis LS LM trata de determinar el nivel de ingresos y la tasa de interes

a los que estaran en equilibrio tanto el mercado de bienes como el monetario. Para lograr esto se
debe resolver el sistema de ecuaciones lineales:
email [email protected] 67 o
_

v o o
_
s z 68
0.3Y + 100i = 252
0.25Y 200i = 176
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 2.
> Colocando el sistema en notacion matricial
_
0.3 100
0.25 200
__
Y
i
_
=
_
252
176
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
0.3 100
0.25 200
_
, A
b
=
_
_
_
_
3
10
100 252
1
4
200 176
_
_
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
_
_
_
_
3
10
100 252
1
4
200 176
_
_
_
_
10
3
f
1

_
_
_
_
1
1000
3
2520
3
1
4
200 176
_
_
_
_

1
4
f
1
+f
2

_
_
_
_
1
1000
3
2520
3
0
805
3
34
_
_
_
_

3
805
f
2

_
_
_
_
1
1000
3
2520
3
0 1
102
805
_
_
_
_

1000
3
f
2
+f
1

_
_
_
_
1 0
2520
3
0 1
102
805
_
_
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 2, entonces el sistema tiene solucion unica,
por tanto en equilibrio Y = 128440/161 y i = 102/805.

EJEMPLO 1.91. (Modelos de determinacion de ingresos). En general, los modelos de determi-

nacion de ingresos expresan el nivel de equilibrio de ingreso en una economa de cuatro sectores.
Como sigue: Y = C + I + G + (X M). En donde Y =ingresos, C =consumo, I =inversion,
G =gastos del gobierno, X =exportaciones y M =importaciones. Consideremos una economa
simple de dos sectores en la que Y = C + I, C = C
0
+ bY y I = I
0
. Supongase asimismo, que
C
0
= 85, b = 0.90 y I
0
= 55. Determinar el nivel de equilibrio de Y y C.
email [email protected] 68 o
_

v o o
_
s z 69
SOLUCI

ON.- Las ecuaciones dada se pueden reordenar primeramente, de tal modo que las
variables endogenas C y Y , se encuentren del lado izquierdo de la ecuacion y las variables exogenas
C
0
y I
0
a la derecha. Es decir:
Y C = I
0
bY +C = C
0
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 2.
> Colocando el sistema en notacion matricial
_
1 1
b 1
__
Y
C
_
=
_
I
0
C
0
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
1 1
b 1
_
, A
b
=
_
1 1 I
0
b 1 C
0
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
_
1 1 I
0
b 1 C
0
_
bf
1
+f
2

_
1 1 I
0
0 1 b C
0
+bI
0
_
1
1b
f
2

_
_
_
1 1 I
0
0 1
C
0
+bI
0
1 b
_
_
_
f
2
+f
1

_
_
_
_
1 0 I
0
+
C
0
+bI
0
1 b
0 1
C
0
+bI
0
1 b
_
_
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 2, entonces el sistema tiene solucion unica,
por tanto en equilibrio Y = I
0
+
C
0
+bI
0
1 b
= 55 +
85 + (0,9)55
1 0,9
= 1400 y C =
C
0
+bI
0
1 b
=
85 + (0,9)55
1 0,9
= 1345.

EJEMPLO 1.92. (Inversiones). Una persona invirtio un total de 20000 bs en tres inversiones al
6 %, 8 % y 10 %. El ingreso anual fue de 1624 bs y el ingreso de la inversion del 10 % fue dos veces
el ingreso de la inversion al 6 %. De cuanto fue cada inversion?.
email [email protected] 69 o
_

v o o
_
s z 70
SOLUCI

ON.- Denotemos por x, y y z el monto de las inversion al 6 %, 8 % y 10 % respectiva-

mente. Es decir, x bs se invertiran al 6 %, y bs se invertiran al 8 %, y z bs se invertiran al 10 %.
Ahora bien, el ingreso de invertir x bs al 6 % es
6
100
x, el ingreso de invertir y bs al 8 % es
8
100
y y
el ingreso de invertir z bs al 10 % es
10
100
z. Como el ingreso anual fue de 1624 bs, entonces tenemos
una primera ecuacion
6
100
x +
8
100
y +
10
100
z = 1624. Por otro lado la persona invirtio un total
de 20000 bs, esto es, 20000 bs se dividio en montos de x, y y z bs, as obtenemos una segunda
ecuacion x + y + z = 20000. Por ultimo, se sabe que el ingreso de la inversion del 10 % fue dos
veces el ingreso de la inversion al 6 %, lo cual implica que
10
100
z = 2
6
100
x.
Simplicando y resumiendo obtenemos el siguiente sistema de ecuaciones:
6
100
x +
8
100
y +
10
100
z = 1624
x +y +z = 20000
10
100
z = 2
6
100
y
3x + 4y + 5z = 81200
x +y +z = 20000
6x + 5z = 0
Resolvamos el sistema mediante el metodo de Gauss Jordan. El n umero de incognitas del sistema
lineal es n = 3.
> Colocando el sistema en notacion matricial
_
_
3 4 5
1 1 1
6 0 5
_
_
_
_
x
y
z
_
_
=
_
_
81200
20000
0
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
3 4 5
1 1 1
6 0 5
_
_
, A
b
=
_
_
3 4 5 81200
1 1 1 20000
6 0 5 0
_
_
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
_
_
3 4 5 81200
1 1 1 20000
6 0 5 0
_
_
f
13

_
_
1 1 1 20000
3 4 5 81200
6 0 5 0
_
_
3f
1
+f
2
6f
1
+f
3

_
_
1 1 1 20000
0 1 2 21100
0 6 11 120000
_
_
6f
2
+f
3

_
_
1 1 1 20000
0 1 2 21200
0 0 1 7200
_
_
email [email protected] 70 o
_

v o o
_
s z 71
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 3, entonces el sistema tiene una unica
solucion dada por x = 6000, y = 6800, z = 7200.

1.11. Sistemas homogeneos

Si en el sistema lineal Ax=b, en particular B es el vector nulo de orden m1, entonces Ax=0.
Recibe el nombre de sistema lineal homogeneo. Este sistema siempre tiene solucion, en efecto, el
vector nulo 0 de orden n 1 satisface el sistema lineal homogeneo, este se llama solucion trivial.
Como consecuencia del Teorema tenemos el siguiente Corolario
COROLARIO 1.1. Consideremos en sistema matricial Ax = 0, donde A es una matriz es de
orden mn, x de orden n 1 n es el n umero de incognitas y 0 de orden m1.
(a) Si el rango de la matriz de coecientes es igual al n umero de incognitas, es decir, r(A) = n,
entonces dicho sistema admite como unica solucion la trivial, esto es, x
1
= 0, x
2
= 0, , ... ,
x
n
= 0.
(b) Si el rango es menor que el n umero de variables, es decir, r(A) = r < n, el sistema tendra in-
nitas soluciones. Dado que r < n, entonces las nr incognitas toman valores arbitrarios y
a las que se les denomina valores libre o parametros.
EJEMPLO 1.93. Discutir por el metodo de Gauss Jordan el siguiente sistema:
x +y +z = 0
x y = 0
y +z = 0
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 3.

> Colocando el sistema en notacion matricial
_
_
1 1 1
1 1 0
0 1 1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
? Denimos la matriz de coecientes A
A =
_
_
1 1 1
1 1 0
0 1 1
_
_
email [email protected] 71 o
_

v o o
_
s z 72
@ Reducir la matriz A a su forma escalonada reducida.
_
_
1 1 1
1 1 0
0 1 1
_
_
f
1
+f
2

_
_
1 1 1
o 2 1
0 1 1
_
_
f
23

_
_
1 1 1
o 1 1
0 2 1
_
_
f
2
+f
1
2f
2
+f
3

_
_
1 0 0
o 1 1
0 0 1
_
_
A Aplicar el Corolario 1.1. Como r(A) = 3, entonces dicho sistema admite como unica solucion
la trivial
X = 0 =
_
_
_
_
_
0
0
.
.
.
0
_
_
_
_
_
esto es x
1
= 0, x
2
= 0, ..., x
n
= 0.

EJEMPLO 1.94. Discutir por el metodo de Gauss Jordan el siguiente sistema:

x y + 3z = 0
x +y z = 0
x z = 0
SOLUCI

ON.- El n umero de incognitas del sistema lineal es n = 3.

> Colocando el sistema en notacion matricial
_
_
1 1 3
1 1 1
1 0 1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
? Denimos la matriz de coecientes A
A =
_
_
1 1 3
1 1 1
1 0 1
_
_
@ Reducir la matriz A a su forma escalonada reducida.
email [email protected] 72 o
_

v o o
_
s z 73
_
_
1 1 3
1 1 1
1 0 1
_
_
f
13

_
_
1 0 1
1 1 3
1 1 1
_
_
f
1
+f
2
f
1
+f
3

_
_
1 0 1
0 1 2
0 1 2
_
_
f
2
+f
3

_
_
1 0 1
0 1 2
0 0 0
_
_
A Aplicar el Corolario 1.1. Como r(A) = 2 < 3. El sistema tiene innitas soluciones. Dado que
2 < 3, entonces las 3 2 = 1 incognitas ( ultima incognita) toma valores arbitrarios y a las
que se les denomina valores libres o parametros.
Empecemos transformando la matriz escalonada reducida en el siguiente sistema de ecua-
ciones
x = 0
y 2z = 0
En este sistema hagamos z = t con t R y luego despejemos x y z en funcion de t
x = 0
y = 2z = 2t
luego el vector solucion es dado por
_
_
x
y
z
_
_
=
_
_
0
2t
t
_
_
= t
_
_
0
2
1
_
_

EJEMPLO 1.95. Consideremos las matrices:
A =
_
_
_
_
1
2
1
2
0
1
4
1
4
1
2
1
3
1
3
1
3
_
_
_
_
, X =
_
_
x
y
z
_
_
, B =
_
_
1
1
1
_
_
Resolver el sistema lineal
_
X
T
A = X
T
B
T
X = 1
SOLUCI

ON.- Efectuemos primero las operaciones matriciales X

T
A = X
T
y B
T
X = 1.
email [email protected] 73 o
_

v o o
_
s z 74
X
T
A = X
T
_
x y z
_
_
_
_
_
1
2
1
2
0
1
4
1
4
1
2
1
3
1
3
1
3
_
_
_
_
=
_
x y z
_
_
1
2
x +
1
4
y +
1
3
z
1
2
x +
1
4
y +
1
2
z
1
2
y +
1
3
z
_
=
_
x y z
_
Por igualdad de matrices obtenemos el siguiente sistema de ecuaciones
_

_
1
2
x +
1
4
y +
1
3
z = x
1
2
x +
1
4
y +
1
2
z = y
1
2
y +
1
3
z = z
Multiplicando por 12 a las dos primers ecuaciones y por 6 a la tercera ecuacion ademas de reducir
terminos semejantes tenemos:
_

_
6x + 3y + 4z = 12x
6x + 3y + 4z = 12y
3y + 2z = 6z
_

_
6x 3y 4z = 0
6x 9y + 4z = 0
3y 4z = 0
(1.7)
Ahora bien la ecuacion B
T
X = 1 se transforma en
_
1 1 1
_
_
_
x
y
z
_
_
= 1, de donde obtenemos
la ecuacion
x +y +z = 1 (1.8)
Juntando las ecuaciones en (1.7) con la ecuacion (1.8) el sistema a resolver es:
_

_
6x 3y 4z = 0
6x 9y + 4z = 0
3y 4z = 0
x +y +z = 1
Aplicando en metodo de Gauss Jordan se obtiene que r(A) = r(A
b
) = 3 y la solucion es
x =
4
11
, y =
4
11
, z =
3
11
.

email [email protected] 74 o
_

v o o
_
s z 75
EJEMPLO 1.96. Resolver el sistema X
T
A = X
T
, donde:
A =
_
_
_
_
2 2 1 3
2 5 2 6
1 3 1 5
3 8 5 14
_
_
_
_
, X es una matriz columna.
SOLUCI

ON.- Sacando transpuesta a ambos lados de la ecuacion X

T
A = X
T
se sigue que
_
X
T
A
_
T
=
_
X
T
_
T
esto es A
T
X = X, transponiendo terminos, A
T
X X = 0, obtenemos una
ecuacion lineal homogeneo (A
T
I)X = 0. Aqu el n umero de incognitas del sistema lineal es
n = 4.
> El sistema a resolver es (A
T
I)X = 0
? La matriz de coecientes A
T
I es dado por
A
T
I =
_
_
_
_
2 2 1 3
2 5 3 8
1 2 1 5
3 6 5 14
_
_
_
_

_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
=
_
_
_
_
1 2 1 3
2 4 3 8
1 2 2 5
3 6 5 13
_
_
_
_
@ Reducir la matriz A a su forma escalonada reducida.
_
_
_
_
1 2 1 3
2 4 3 8
1 2 2 5
3 6 5 13
_
_
_
_
2f
1
+f
2
f
1
+f
3
3f
1
+f
4

_
_
_
_
1 2 1 3
0 0 1 2
0 0 1 2
0 0 2 4
_
_
_
_
f
2
+f
3
2f
2
+f
4

_
_
_
_
1 2 1 3
0 0 1 2
0 0 0 0
0 0 0 0
_
_
_
_
f
2

_
_
_
_
1 2 1 3
0 0 1 2
0 0 0 0
0 0 0 0
_
_
_
_
f
2
+f
1

_
_
_
_
1 2 0 1
0 0 1 2
0 0 0 0
0 0 0 0
_
_
_
_
A Aplicar el Corolario 1.1. Como r(A
T
I) = 2 < 4. El sistema tiene innitas soluciones y el
n umero de variables libres es n r = 4 2 = 2. Calculemos estas soluciones innitas:
email [email protected] 75 o
_

v o o
_
s z 76
Empecemos transformando la matriz escalonada reducida en el siguiente sistema de ecua-
ciones
x
1
+x
2
+x
4
= 0
x
3
2x
4
= 0
Sean las variables libres x
2
y x
4
. Entonces haciendo x
2
= t y x
4
= s con t, s R. Ahora
despejemos x
1
y x
3
en funcion de t y de s.
_
x
1
+t +s = 0
x
3
2s = 0
_
x
1
= t s
x
3
= 2s
luego el vector solucion es dado por
X =
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
_
_
_
t s
t
2s
s
_
_
_
_
=
_
_
_
_
t
t
0
0
_
_
_
_
+
_
_
_
_
s
0
2s
s
_
_
_
_
= t
_
_
_
_
1
1
0
0
_
_
_
_
+s
_
_
_
_
1
0
2
1
_
_
_
_

email [email protected] 76 o
_

CAP

ITULO 2
La matriz Inversa
2.1. Matrices Invertibles
Es de todos sabido que nuestra vida diaria contemporanea requiere de una cantidad de conocimien-
tos matematicos cada vez mas importantes, sin los cuales carece, virtualmente, de signicado.
El objeto de este captulo es el desarrollo y estudio de un tema basico de algebra lineal como es
el calculo de la matriz inversa y algunas aplicaciones de esta a modelos matematicos. El calculo
de la matriz inversa es una herramienta necesaria para resolver sistemas de ecuaciones lineales y
ecuaciones matriciales.
DEFINICI

ON 2.1. Se dice que una matriz cuadrada A es invertible (o no singular o regular),

si existe una matriz B con la propiedad de que AB = BA = I siendo I la matriz identidad. La
matriz B se llama inversa de A y se denota por A
1
.
De la denicion, si A
1
existe se tiene que AA
1
= A
1
A = I. Una matriz se dice que es inversible
si posee inversa. En caso contrario, se dice que es singular.
EJEMPLO 2.1. Supongamos que A =
_
2 5
1 3
_
y B =
_
3 5
1 2
_
. Entonces
AB =
_
2 5
1 3
__
3 5
1 2
_
=
_
6 5 10 + 10
3 3 5 + 6
_
=
_
1 0
0 1
_
= I
y
BA =
_
3 5
1 2
__
2 5
1 3
_
=
_
6 5 15 15
2 + 2 5 + 6
_
=
_
1 0
0 1
_
= I
Puesto que AB = BA = I, A y B son inversibles, siendo cada una la inversa de la otra.
77
v o o
_
s z 78
PROPOSICI

ON 2.1. Si existe una inversa de A en M

n
ella es unica.
DEMOSTRACI

ON. Sean B y H dos inversas de A, entonces

B = BI = B(AH) = (BA)H = IH = H.
As obtenemos que B = H luego la inversa es unica.
PROPOSICI

ON 2.2. Dada A en M
n
. Si existe B en M
n
tal que AB = I
n
entonces BA = I
n
.
La demostracion de esta proposicion se vera mas adelante. De acuerdo a esto para determinar A
1
basta resolver una de las ecuaciones AX = I
n
o XA = I
n
.
Observacion. No toda matriz de orden n tiene inversa. Por ejemplo para n = 2 y A =
_
a 0
c 0
_
.
Supongamos que B =
_
x z
y t
_
es la inversa de A, tenemos que BA = I
n
, pero
_
x z
y t
__
a 0
c 0
_
=
_
xa +zc 0
ya +tc 0
_
luego BA ,= I
n
para toda matriz B.
Mas adelante en M
n
se demuestra: Si una matriz de orden n tiene una la o columna nula, entonces
ella no tiene inversa.
EJEMPLO 2.2. Si A =
_
0 1
1 3
_
. Verique que A
1
=
_
3 1
1 0
_
SOLUCI

ON.-
_
0 1
1 3
__
3 1
1 0
_
=
_
3 0 + 1 1 (1) 0 + 0 1
3 (1) + 3 1 (1) (1) + 3 0
_
=
_
1 0
0 1
_

EJEMPLO 2.3. Si A =
_
_
0 1 2
1 3 0
1 2 1
_
_
. Verique que A
1
=
_
_
3 5 6
1 2 2
1 1 1
_
_
y resuelva la
ecuacion A
_
_
x
y
z
_
_
=
_
_
b
1
b
2
b
3
_
_
para b
1
, b
2
, b
3
en R
SOLUCI

ON.- A
1
es inversa de A si solo si AA
1
= A
1
A = I
n
,
email [email protected] 78 o
_

v o o
_
s z 79
AA
1
=
_
_
3 5 6
1 2 2
1 1 1
_
_
_
_
0 1 2
1 3 0
1 2 1
_
_
=
_
_
5 + 6 3 + 5 12 6 + 6
2 + 2 1 + 6 4 2 + 2
1 1 1 3 + 2 2 1
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
por lo tanto A
1
es inversa de A. Ahora premultiplicamos por A
1
la ecuacion
A
1
A
_
_
x
y
z
_
_
= A
1
_
_
b
1
b
2
b
3
_
_
As obtenemos
A
_
_
x
y
z
_
_
=
_
_
b
1
b
2
b
3
_
_
y luego asociando e igualando A
1
A = I, tenemos que
_
_
x
y
z
_
_
=
_
_
3 5 6
1 2 2
1 1 1
_
_
_
_
b
1
b
2
b
3
_
_
por lo tanto
x = 3b
1
+ 5b
2
+ 6b
3
y = b
1
+ 2b
2
+ 2b
3
z = b
1
b
2
b
3

En el siguiente teorema se establecen algunas propiedades de la inversa de una matriz

TEOREMA 2.1. Si A, B M
nn
son matrices invertibles y si es un n umero no nulo, entonces:
1. La matriz A
1
es invertible y
_
A
1
_
1
= A. Ademas A
n
es invertible y
_
A
n
_
1
=
_
A
1
_
n
para n = 0, 1, 2, ...
2. La matriz AB es invertible y (AB)
1
= B
1
A
1
.
3. La matriz A es invertible y (A)
1
=
1
A
1
4. La matriz A
T
es invertible y
_
A
T
_
1
=
_
A
1
_
T
.
5. Si A
1
existe, entonces AB = AC implica que A = C
email [email protected] 79 o
_

v o o
_
s z 80
DEMOSTRACI

ON.
1. Sabemos que
AA
1
= A
1
A = I
por lo tanto, la inversa de A
1
es A, y tambien la inversa de A
1
es (A
1
)
1
, y como ella es
unica tenemos, (A
1
)
1
= A
2. Como A y B son regulares entonces existen A
1
, B
1
. As,
(AB)B
1
A
1
= A(BB
1
)A
1
= AA
1
= I
y analogamente B
1
A
1
(AB) = I, por unicidad de la inversa se tiene
(AB)
1
= B
1
A
1
.

Observacion. Note que si A, B, C son matrices regulares, entonces

(ABC)
1
= C
1
B
1
A
1
EJEMPLO 2.4. Con un ejemplo vericar que se cumple (AB)
1
= B
1
A
1
SOLUCI

ON.- Sean las matrices: A =

_
1 2
1 3
_
y B =
_
3 2
2 2
_
. Entonces AB =
_
7 6
9 8
_
.
Si se aplica el resultado anterior: A
1
=
_
3 2
1 1
_
, B
1
=
_
1 1
1 3/2
_
y (AB)
1
=
_
4 3
9/2 7/2
_
. Tambien, B
1
A
1
=
_
1 1
1 3/2
__
3 2
1 1
__
4 3
9/2 1/2
_
Por consiguiente, se cumple que (AB)
1
= B
1
A
1
, como se arma en la propiedad enunciada.

EJEMPLO 2.5. Con un ejemplo vericar que se cumple

_
A
1
_
1
= A,
_
A
n
_
1
=
_
A
1
_
n
y
(kA)
1
=
1
k
A
1
.
SOLUCI

ON.- Sean A y A
1
como las matrices del ejemplo anterior; es decir, A =
_
1 2
1 3
_
y
A
1
=
_
3 2
1 1
_
. Entones

_
A
1
_
1
=
_
3 2
1 1
_
1
=
_
1 2
1 3
_
= A
A
3
=
_
1 2
1 3
__
1 2
1 3
__
1 2
1 3
_
=
_
11 30
15 41
_
. As
_
A
3
_
1
=
_
41 30
15 41
_
. Por otro
lado
_
A
1
_
3
= A
3
=
_
3 2
1 1
__
3 2
1 1
__
3 2
1 1
_
=
_
41 30
15 41
_
.
email [email protected] 80 o
_

v o o
_
s z 81
Finalmente 3A =
_
3 6
3 9
_
, entonces (3A)
1
=
_
1 2/3
1/3 1/3
_
=
1
3
_
3 2
1 1
_
=
1
3
A
1
. Con lo que quedan vericadas dichas propiedades.

EJEMPLO 2.6. Con un ejemplo vericar que se cumple

_
A
T
_
1
=
_
A
1
_
T
SOLUCI

ON.- Sean las matrices: A =

_
5 3
2 1
_
y A
T
=
_
5 2
3 1
_
. Al aplicar la propiedad
anterior, se obtiene: A
1
=
_
1 3
2 5
_
y
_
A
T
_
1
=
_
1 2
3 5
_
. Como garantiza la propiedad
anterior, estas matrices la satisfacen.

EJEMPLO 2.7. Dada la matriz A =

_
a b
c d
_
en M
2
. Determinar la matriz inversa de A, si esta
existe.
SOLUCI

ON.- Supongamos que A

1
=
_
x y
z w
_
calculemos las constantes x, y, z, w
_
a b
c d
__
x y
z w
_
=
_
1 0
0 1
_
por igualdad de matrices tenemos el siguiente sistema:
1)ax +bz = 1
2)cx +dz = 0
3)ay +bw = 0
4)cy +dw = 1
Consideremos los sistemas
(I)
1)ax +bz = 1
2)cx +dz = 0
(II)
3)ay +bw = 0
4)cy +dw = 1
En (I) Multiplicamos la ecuacion 1) por c y la ecuacion 2) por a y nalmente restando a la ecuacion
2) la ecuacion 1) obtenemos
adz cbz = c
(ad cb)z = c
Repitiendo el proceso tenemos que multiplicar la ecuacion 1) por d y la ecuacion 2) por b y
realizando la diferencia se tiene,
(ad cb)x = d
email [email protected] 81 o
_

v o o
_
s z 82
En (II) procediendo de manera analoga obtenemos
(ad cb)y = b
(ad cb)w = a
Si ad bc = 0, la matriz original es nula, luego no tiene inversa. As ad bc ,= 0 y podemos
concluir
_
x y
z w
_
=
1
ad bc
_
d b
c a
_
de otra manera
_
a b
c d
_
1
=
1
ad bc
_
d b
c a
_

El ejercicio permite determinar una condicion necesaria y suciente para que una matriz de orden
2 sea invertible. Lamentablemente el metodo empleado para matrices de orden n mayor que 2 no
es eciente, ya que tenemos que resolver n sistemas lineales con n ecuaciones y n incognitas. Es-
tudiamos a continuacion ciertas operaciones realizables a las matrices, semejantes a las empleadas
para resolver el sistema de ecuaciones lineales anterior.
DEFINICI

ON 2.2 (Operaciones y matrices elementales). Dada una matriz A, cada una

de las siguientes operaciones es llamada una operacion elemental en las las (columnas) de A.
(i) El intercambio de dos las (columnas) de A.
(ii) La multiplicacion de los elementos de una la (columna) de A por un escalar no nulo.
(iii) Reemplazar una la (columna) de A, por la suma de ella y un m ultiplo escalar no nulo de
otra la (columna) de dicha matriz.
Una matriz elemental por las (columnas) es aquella que resulta de efectuar una operacion ele-
mental sobre las las (columnas) de una matriz identidad.
TEOREMA 2.2. 1. Cada matriz elemental es invertible. Ademas, la inversa de cada matriz
elemental es una matriz elemental.
2. Sea A una matriz mn. Si B es una matriz que resulta al efectuar una operacion elemental
sobre las las de A y si E es la matriz elemental que resulta de efectuar la misma operacion
elemental sobre las las de la matriz identica I
m
, entonces E A = B.
3. Sea A una matriz mn. Si B es una matriz que resulta al efectuar una operacion elemental
sobre las columnas de A y si E es la matriz elemental que resulta de efectuar la misma
operacion elemental sobre las columnas de la matriz identica I
n
, entonces A E = B.
DEMOSTRACI

ON.
DEFINICI

ON 2.3 (Forma escalonada reducida). Se dice que una matriz R tiene la forma
escalonada reducida, si satisface las siguientes condiciones:
email [email protected] 82 o
_

v o o
_
s z 83
(i) Si una la de R es no nula, el primer elemento no nulo de dicha la, de izquierda a derecha,
es 1.
(ii) Si las las i e i + 1 de R son no nulas, el primer elemento no nulo de la la i + 1 esta a la
derecha del primer elemento no nulo de la la i.
(iii) Si una columna de R contiene el primer elemento no nulo de una la de R, los demas
elementos de dicha columna son nulos.
(iv) Si R tiene las nulas, estas aparecen en la parte inferior de R.
El siguiente teorema nos relaciona los conceptos de matrices elementales y forma escalonada
reducida para una matriz arbitraria.
TEOREMA 2.3. Para toda matriz A existen: una unica matriz R que tiene la forma escalonada
reducida y un n umero nito de matrices elementales por las E
1
, E
2
, ..., E
k
tales que:
E
k
E
2
E
1
A = R.
La matriz R mencionada en el teorema anterior se denomina la forma escalonada reducida de A.
TEOREMA 2.4. Sea A una matriz cuadrada de orden n.
1. A es invertible sii la forma escalonada reducida de A es I
n
.
2. A es invertible sii A se puede expresar como el producto de un n umero nito de matrices
elementales.
Los dos ultimos teoremas dan lugar a un metodo para decidir cuando una matriz cuadrada A es
invertible, y simultaneamente proveen un algoritmo para calcular su inversa.
El metodo consiste en lo siguiente: Forme la matriz [A[I
n
]. Seguidamente efect ue operaciones
elementales sobre la las de esta matriz hasta obtener su forma escalonada reducida; al nal se
obtiene una matriz que describiremos as [R[P]; donde R es la forma escalonada reducida de A.
Ahora: A es invertible sii R = I
n
. Si A es invertible entonces A
1
= P.
2.2. Metodo de Escalonamiento de Gauss
Veamos un metodo que a priori no nos garantiza que la matriz en cuestion sea inversible, sin
embargo, en caso de que se pueda aplicar, nos dara la inversa sin hacer operaciones demasiado
complicadas. Si la matriz no se puede invertir, llegaremos a una situacion que nos lo indicara.
El calculo de la matriz inversa por el metodo de Gauss supone transformar una matriz en otra,
equivalente por las. La demostracion rigurosa del procedimiento que a continuacion se describe
se sale del proposito del presente captulo, aqu se limita a su exposicion y comprobacion de que
efectivamente se obtiene la matriz inversa.
En esencia, el metodo consiste, para una matriz cuadrada de orden n, en:
email [email protected] 83 o
_

v o o
_
s z 84
x Formar una matriz [A[I] de orden n2n tal que las primeras columnas sean las de la matriz
A y las otras n las de la matriz identidad de orden n.
y Mediante las transformaciones elementales de las las de una matriz, convertir la matriz
anterior en otra que tenga en las n primeras columnas la matriz identidad y en las n ultimas
otra matriz que prescisamente sera A
1
, esto es [I[A
1
].
El metodo consiste, pues, en colocar juntas la matriz a invertir, y la matriz identidad.
[A[I]
transformaciones elementales
[I[A
1
]
Por medio de transformaciones elementales, vamos modicando nuestra matriz hasta obtener la
matriz identidad. Cada paso que apliquemos a la matriz se lo aplicaremos a la matriz identidad.
Cuando hayamos obtenido la matriz identidad, la de la derecha sera la inversa. Si no podemos
llegar a la matriz identidad (por ejemplo, sale alguna la de ceros), signica que la matriz no
sera inversible. Vamos a ver dos ejemplos, uno en el que se puede obtener la inversa y otro en
el que la matriz no es inversible. Ojo a lo siguiente, pues es muy importante: hemos de decidir
si haremos nuestras transformaciones elementales por las o por columnas, pues la forma que
elijamos debe mantenerse a lo largo de todo el proceso de inversion de la matriz.
Los objetivos de las operaciones elementales realizadas son: Para cada i = 1, 2, ..., n jo,
Primero, hacer que a
ii
sea igual a 1
Segundo, hacer que el resto de las entradas de columna i sean ceros.
EJEMPLO 2.8. Ver si es inversible o no y calcular (si se puede) la inversa de la siguiente matriz.
_
_
2 3 4
4 3 2
0 1 0
_
_
SOLUCI

ON.- Planteamos, como hemos dicho, las dos matrices:

_
_
2 3 4 1 0 0
4 3 2 0 1 0
0 1 0 0 0 1
_
_
En primer lugar, por simplicidad en las operaciones, vamos a intercambiar las las 2 y 3:
_
_
2 3 4 1 0 0
0 1 0 0 0 1
4 3 2 0 1 0
_
_
Ahora, multiplicamos por 1/2 a la la 1, 1/2f
1
:
email [email protected] 84 o
_

v o o
_
s z 85
_
_
1 3/2 2 1/2 0 0
0 1 0 0 0 1
4 3 2 0 1 0
_
_
Multiplicados por 4 a los elementos de la la 1 y sumamos los resultados a los correspondientes
elementos de la la 3, esto es 4f
1
+f
3
, y dejamos el resto igual:
_
_
1 3/2 2 1/2 0 0
0 1 0 0 0 1
0 3 6 2 1 0
_
_
Ahora, multiplicados por 3 a los elementos de la la 2 y sumamos los resultados a los correspondi-
entes elementos de la la 3, esto es 3f
2
+f
3
y luego multiplicados por 3/2 a los elementos de la
la 2 y sumamos los resultados a los correspondientes elementos de la la 1, esto es 3/2f
2
+f
1
.
_
_
1 0 2 1/2 0 3/2
0 1 0 0 0 1
0 0 6 2 1 3
_
_
Ahora, multiplicamos por 1/6 a la la 3, 1/6f
3
:
_
_
1 0 2 1/2 0 3/2
0 1 0 0 0 1
0 0 1 1/3 1/6 1/2
_
_
Y, por ultimo, hacemos la operacion 2f
3
+f
1

_
_
1 0 0 1/6 1/3 1/2
0 1 0 0 0 1
0 0 1 1/3 1/6 1/2
_
_
Con lo que la inversa es:
_
_
1/6 1/3 1/2
0 0 1
1/3 1/6 1/2
_
_
Comprobemoslo:
_
_
2 3 4
4 3 2
0 1 0
_
_
_
_
1/6 1/3 1/2
0 0 1
1/3 1/6 1/2
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
email [email protected] 85 o
_

v o o
_
s z 86
_
_
1/6 1/3 1/2
0 0 1
1/3 1/6 1/2
_
_
_
_
2 3 4
4 3 2
0 1 0
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_

EJEMPLO 2.9. Ver si es inversible y calcular (si es posible) la inversa de la matriz:
_
_
1 3 2
2 1 3
3 2 1
_
_
SOLUCI

ON.- De nuevo, planteamos las dos matrices:

_
_
1 3 2 1 0 0
2 1 3 0 1 0
3 2 1 0 0 1
_
_
Multiplicados por 2 a los elementos de la la 1 y sumamos los resultados a los correspondientes
elementos de la la 2, esto es 2f
1
+f
2
, y luego multiplicados por 3 a los elementos de la la 2
y sumamos los resultados a los correspondientes elementos de la la 3, esto es 3f
2
+f
3
:
_
_
1 3 2 1 0 0
0 7 7 2 1 0
0 7 7 3 0 1
_
_
Ahora, multiplicados por 1 a los elementos de la la 2 y sumamos los resultados a los correspon-
dientes elementos de la la 3, esto es f
2
+f
3
:
_
_
1 3 2 1 0 0
0 7 7 2 1 0
0 0 0 1 1 1
_
_
Por mucho que queramos, al habernos aparecido una la de ceros, ya no podremos obtener la
matriz identidad. En cuanto nos sale una la, o mas (o columna/s, si es que trabajamos por
columnas) de ceros, lo que nos esta diciendo es que la matriz no es invertible.
EJEMPLO 2.10. Encontrar la inversa de
A =
_
_
1 0 2
2 1 3
4 1 8
_
_
email [email protected] 86 o
_

v o o
_
s z 87
SOLUCI

ON.- Primero construimos la matriz (A[I),

_
_
1 0 2 1 0 0
2 1 3 0 1 0
4 1 8 0 0 1
_
_

_
_
1 0 2 1 0 0
0 1 1 2 1 0
0 1 0 4 0 1
_
_
2f
1
+f
2
4f
1
+f
3

_
_
1 0 2 1 0 0
0 1 0 4 0 1
0 1 1 2 1 0
_
_
f
23

_
_
1 0 2 1 0 0
0 1 0 4 0 1
0 0 1 6 1 1
_
_
f
2
+f
3

_
_
1 0 2 1 0 0
0 1 0 4 0 1
0 0 1 6 1 1
_
_
1f
3

_
_
1 0 0 11 2 2
0 1 0 4 0 1
0 0 1 6 1 1
_
_
2f
3
+f
1
Por lo tanto, la inversa es:
A
1
=
_
_
11 2 2
4 0 1
6 1 1
_
_

EJEMPLO 2.11. Invertir la matriz
A =
_
_
1 6 2
2 2 1
1 3 5
_
_
SOLUCI

ON.- Aumentese la matriz de coecientes con una matriz identidad

email [email protected] 87 o
_

v o o
_
s z 88
_
_
1 6 2 1 0 0
2 2 1 0 1 0
1 3 5 0 0 1
_
_

_
_
1 6 2 1 0 0
0 10 5 1 1 0
0 3 7 1 0 1
_
_
2f
1
+f
2
1f
1
+f
3

_
_
_
1 6 2 1 0 0
0 1
1
2
1
10

1
10
0
0 3 7 1 0 1
_
_
_

1
10
f
1
+f
2

_
_
_
1 0 1
1
5
3
5
0
0 1
1
2
1
10

1
10
0
0 0
11
2

2
5

3
10
1
_
_
_
3f
2
+f
3
6f
2
+f
1

_
_
_
1 0 1
1
5
3
5
0
0 1
1
2
1
10

1
10
0
0 0 1
4
55
6
110

2
11
_
_
_

2
11
f
3

_
_
_
1 0 0
7
55
36
55

2
11
0 1 0
9
55
7
55

1
11
0 0 1
4
55
3
55

2
11
_
_
_

1
2
f
3
+f
2
f
3
+f
1
Por lo tanto, la inversa es:
A
1
=
_
_
_
_
_
_
_

7
55
36
55

2
11

9
55
7
55

1
11
4
55
3
55

2
11
_
_
_
_
_
_
_

EJEMPLO 2.12. Por el metodo de Gauss-Jordan, hallar las matrices inversas
(a)
_
_
1 3 2
2 7 8
3 11 15
_
_
(b)
_
_
_
_
1 0 1 5
7 1 4 2
6 2 2 9
3 1 1 5
_
_
_
_
(c)
_
_
_
_
2 6 6 0
1 3 4 1
3 9 7 1
2 6 3 0
_
_
_
_
SOLUCI

ON.-
Una ecuacion matricial es aquella en la que sus coecientes e incognitas son matrices. Para re-
solverlas es necesario despejar la incognita, tal como si de una ecuacion con n umeros reales se
tratara. El problema aparece cuando la incognita esta multiplicada por otra matriz y, como
ya es sabido, no es posible dividir matrices. En ese caso hay que recurrir a la matriz inversa.
Veamos un ejemplo aclaratorio de ello:
email [email protected] 88 o
_

v o o
_
s z 89
EJEMPLO 2.13. Resolver la ecuacion matricial siguiente: 2A = AX+B donde : A =
_
1 0
1 1
_
y A =
_
1 2
1 1
_
SOLUCI

ON.- Despejamos y queda:

AX = 2AB = 2
_
1 0
1 1
_

_
1 2
1 1
_
=
_
2 + 1 2
1 + 3 2 1
_
=
_
3 2
1 1
_
Por tanto AX =
_
3 2
1 1
_
Si calculamos la inversa de A y la multiplicamos por la izquierda (cabe recordar que el pro-
ducto de matrices no es conmutativo), a ambos lados de la igualdad, obtenemos la matriz X
(puesto que A
1
A = I): Como A
1
=
_
1 0
1 1
_
, se tiene que X = A
1
AX = A
1
_
3 2
1 1
_
=
_
1 0
1 1
__
3 2
1 1
_
=
_
3 2
4 1
_

EJEMPLO 2.14. Resolver la ecuacion matricial:
_
2 3
5 8
_
X
_
1 2
4 7
_
=
_
1 2
3 4
_
SOLUCI

ON.-
EJEMPLO 2.15. Hallar la matriz A tal que:
_
9 8
3 4
_
A =
_
1 2 0 1
4 1 3 2
_
SOLUCI

ON.-
EJEMPLO 2.16. Si
_
1 2
3 5
_
y A
2
X = A
T
, hallar X.
SOLUCI

ON.-
EJEMPLO 2.17. Hallar la matriz inversa A
1
si existe, siendo
A
_
2 1 0
0 1 1
_
=
_
_
0 1 1
0 1 1
2 0 1
_
_
SOLUCI

ON.-
email [email protected] 89 o
_

v o o
_
s z 90
EJEMPLO 2.18. Resolver la ecuaciones matricialmente
(a) X
_
_
5 3 1
1 3 2
5 2 1
_
_
=
_
_
8 3 0
5 9 0
2 15 0
_
_
(b)
_
_
1 2 3
3 2 4
2 1 0
_
_
X =
_
_
1 2 0
10 2 7
10 7 8
_
_
SOLUCI

ON.-
EJEMPLO 2.19. Hallar la matriz B tal que ABA = A, donde A =
_
_
1 3 2
2 8 3
1 7 1
_
_
SOLUCI

ON.-
EJEMPLO 2.20. Si
_
2 1
2 3
_
y
_
7 6
9 8
_
, hallar las matrices C y D tales que: AC = B y
DA = B.
SOLUCI

ON.-
Para resolver muchos problemas matematicos es necesario plantear un sistema de ecuaciones lin-
eales. Existen diversos metodos para resolverlos (recordemos los conocidos metodos de igualacion,
substitucion e igualacion). Pero, si dichos sistemas estan formados por gran cantidad de ecuaciones
e incognitas, el aplicar los metodos anteriores resulta ser una tarea sumamente dicultosa y que,
muy probablemente, conducira a resultados erroneos.
Para solventar este problema, los sistemas de ecuaciones lineales se pueden plantear matricialmente
y resolverlos haciendo uso de la matriz inversa. Consideremos el sistema AX = B, donde A es la
matriz de los coecientes, B es la matriz de los terminos independientes y x es la matriz de las
incognitas. Para ello hay que hallar la inversa de la matriz de coecientes y multiplicarla por la
de terminos independientes.
> Fijemonos que se parte de que AX = B
? Multiplicamos a la izquierda por A
1
y se tiene A
1
AX = A
1
B
@ Como A
1
A = I, entonces queda que X = A
1
B
Veamos a continuacion unos ejemplos de esto:
EJEMPLO 2.21. Resolver el sistema dado por la matriz inversa estableciendo la ecuacion ma-
tricial: AX = B.
(a)
2x +y 3z = 2
x 2y 4z = 4
3x + 4y 5z = 1
(b)
3x y 2z = 4
2x +y + 4z = 2
7x 2y z = 4
email [email protected] 90 o
_

v o o
_
s z 91
SOLUCI

ON.-
EJEMPLO 2.22. En un consejo municipal del ayuntamiento de una ciudad se decide comprar
2 impresoras, 5 ordenadores y 3 escaners. Para determinar el costo de los artculos se sabe que 1
impresora mas 4 ordenadores mas 3 escaners valen 2600 euros, 2 impresoras mas 5 ordenadores
mas 4 escaners valen 3500 euros y 1 impresora mas 3 ordendores mas 2 escaners valen 2000 euros.
Cual es el coste total de los artculos?
SOLUCI

ON.- Para resolver este problema, se determina el coste por unidad de cada uno de los
utiles: impresora, escaner y ordenador. De acuerdo a los datos proporcionados, se puede construir
el siguiente sistema de ecuaciones:
x Precio de una impresora
y Precio de un ordenador
z Precio de un escaner
x + 4y + 3z = 2600
2x + 5y + 4z = 3500
x + 3y + 2z = 2000
Se resuelve este sistema de forma matricial:
_
_
1 4 3
2 5 4
1 3 2
_
_
_
_
x
y
z
_
_
=
_
_
2600
3500
2000
_
_
O bien: AX = B, donde:
A =
_
_
1 4 3
2 5 4
1 3 2
_
_
x =
_
_
x
y
z
_
_
B =
_
_
2600
3500
2000
_
_
Se realiza este calculo mediante el software Mathematica
_
_
x
y
z
_
_
=
_
_
1 4 3
2 5 4
1 3 2
_
_
1
_
_
2600
3500
2000
_
_
=
_
_
300
500
100
_
_
Este resultado nos indica que el x = 300, y = 500 y z = 100. Por tanto, el precio de una impresora,
un ordenador y un escaner es 300 euros, 500 euros y 100 euros, respectivamente. Y el coste total
de los artculos a comprar asciende a:
2 300 + 5 500 + 3 100 = 3400 euros

email [email protected] 91 o
_

v o o
_
s z 92
EJEMPLO 2.23. Un viajero por Europa gasto en hospedaje 30 euros al da en Italia, 20 euros
en Francia y 20 en Espa na. En alimentos gasto 20 euros al da en Italia, 30 euros en Francia y 20
en Espa na. En copas gasto 10 euros diarios en cada pas. Si al nal del viaje haba gastado 340
euros en hospedaje, 320 en alimentos y 140 en copas, calcular el n umero de das que estuvo en
cada pas.
SOLUCI

ON.- Sean x, y, z el n umero de das pasados, respectivamente, en Italia, Francia y

Espa na. Los gastos de hospedaje han sido 30x+20y+20z, los de alimentos han sido 20x+30y+20z,
y los de copas han sido 10x + 10y + 10z. Por tanto tenemos el sistema:
30x + 20y + 20z = 340
20x + 30y + 20z = 320
10x + 10y + 10z = 140
El n umero de incognitas del sistema lineal es n = 3.
> Colocando el sistema en notacion matricial
_
_
30 20 20
20 30 20
10 10 10
_
_
_
_
x
y
z
_
_
=
_
_
340
320
140
_
_
? Hallando el determinante de la matriz de coecientes A =
_
_
30 20 20
20 30 20
10 10 10
_
_
[A[ =

30 20 20
20 30 20
10 10 10

10 10 10
20 30 20
30 20 20

10 10 10
0 10 0
0 10 10

= 1000
Recordemos el siguiente resultado.
[A[ , = 0 entonces, el sistema tiene una unica
solucion.
Por lo tanto nuestro sistema de ecuaciones tiene solucion unica. Para encontrar la solucion
hallamos la matriz inversa A
1
.
@ Calculemos la matriz inversa A
1
por el metodo de Gauss. Para esto construimos la matriz
(A[I),
email [email protected] 92 o
_

v o o
_
s z 93
_
_
30 20 20 1 0 0
20 30 20 0 1 0
10 10 10 0 0 1
_
_

_
_
10 10 10 0 0 1
20 30 20 0 1 0
30 20 20 1 0 0
_
_
f
13

_
_
10 10 10 0 0 1
0 10 0 0 1 2
0 10 10 1 0 3
_
_
2f
1
+f
2
3f
1
+f
3

_
_
10 0 10 0 1 3
0 10 0 0 1 2
0 0 10 1 1 5
_
_
f
2
+f
3
f
2
+f
1

_
_
10 0 0 1 0 2
0 10 0 0 1 2
0 0 10 1 1 5
_
_
f
3
+f
1

_
_
1 0 0 1/10 0 1/5
0 1 0 0 1/10 1/5
0 0 1 1/10 1/10 1/2
_
_
1/10f
1
1/10f
2
1/10f
3
Por lo tanto, la inversa es:
A
1
=
_
_
1/10 0 1/5
0 1/10 1/5
1/10 1/10 1/2
_
_
A
_
_
x
y
z
_
_
= A
1
b =
_
_
1/10 0 1/5
0 1/10 1/5
1/10 1/10 1/2
_
_
_
_
340
320
140
_
_
=
_
_
6
4
4
_
_
Este resultado nos indica que el x = 6, y = 4 y z = 4. Por tanto, el viajero estuvo 6 das en
Italia, 4 das en Francia y 4 das en Espa na.

EJEMPLO 2.24. Con un capital de 84000 $, cuatro socios han ganado 27195 $. Los capitales
invertidos por el primer y segundo socio estan en la relaci on tres a cuatro, las del segundo y tercero
en la relacion seis a siete y las del tercer socio respecto del cuatro en la relacion cinco a seis. Hallar
el capital y la ganancia correspondiente a cada socio.
SOLUCI

ON.- Eligiendo las incognitas

x aporte del primer socio
y aporte del segundo socio
z aporte del tercero socio
w aporte del cuarto socio
email [email protected] 93 o
_

v o o
_
s z 94
Planteando el sistema
_

_
x +y +z +w = 84000
x =
3
4
y
y =
6
7
z
z =
5
6
w
_

_
x + y + z + w = 84000
x
3
4
y = 0
y
6
7
z = 0
z
5
6
w = 0
Este sistema escrito de forma matricial, equivale a
_
_
_
_
_
_
_
_
1 1 1 1
1
3
4
0 0
0 1
6
7
0
0 0 1
5
6
_
_
_
_
_
_
_
_
_
_
_
_
x
y
z
w
_
_
_
_
=
_
_
_
_
84000
0
0
0
_
_
_
_
Aumentese la matriz de coecientes con una matriz identidad
_
_
_
_
_
_
_
_
1 1 1 1 1 0 0 0
1
3
4
0 0 0 1 0 0
0 1
6
7
0 0 0 1 0
0 0 1
5
6
0 0 0 1
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
1 1 1 1 1 0 0 0
0
7
4
1 1 1 1 0 0
0 1
6
7
0 0 0 1 0
0 0 1
5
6
0 0 0 1
_
_
_
_
_
_
_
_
f
1
+f
2

_
_
_
_
_
_
_
_
_
_
1 1 1 1 1 0 0 0
0 1
6
7
0 0 0 1 0
0
7
4
1 1 1 1 0 0
0 0 1
5
6
0 0 0 1
_
_
_
_
_
_
_
_
_
_
f
23
email [email protected] 94 o
_

v o o
_
s z 95

_
_
_
_
_
_
_
_
_
_
_
_
1 0
13
7
1 1 0 1 0
0 1
6
7
0 0 0 1 0
0 0
5
2
1 1 1
7
4
0
0 0 1
5
6
0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
7
4
f
2
+f
3
f
2
+f
1

_
_
_
_
_
_
_
_
_
_
_
_
1 0
13
7
1 1 0 1 0
0 1
6
7
0 0 0 1 0
0 0 1
5
6
0 0 0 1
0 0
5
2
1 1 1
7
4
0
_
_
_
_
_
_
_
_
_
_
_
_
f
34

_
_
_
_
_
_
_
_
_
_
_
_
1 0 0
107
42
1 0 1
13
7
0 1 0
5
7
0 0 1
6
7
0 0 1
5
6
0 0 0 1
0 0 0
37
12
1 1
7
4
5
2
_
_
_
_
_
_
_
_
_
_
_
_
5
2
f
3
+f
4
6
7
f
3
+f
2

13
7
f
3
+f
1

_
_
_
_
_
_
_
_
_
_
_
_
1 0 0
107
42
1 0 1
13
7
0 1 0
5
7
0 0 1
6
7
0 0 1
5
6
0 0 0 1
0 0 0 1
12
37

12
37

21
37

30
37
_
_
_
_
_
_
_
_
_
_
_
_

12
37
f
4
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
45
259
214
259
33
74
54
259
0 1 0 0
60
259

60
259
22
74
72
259
0 0 1 0
10
37

10
37

35
74
12
37
0 0 0 1
12
37

12
37

21
37

30
37
_
_
_
_
_
_
_
_
_
_
_
_
5
6
f
4
+f
3
5
7
f
4
+f
2

107
42
f
4
+f
1
email [email protected] 95 o
_

v o o
_
s z 96
Por lo tanto, la inversa es:
A
1
=
_
_
_
_
_
_
_
_
_
_
_
_
45
259
214
259
33
74
54
259
60
259

60
259
22
74
72
259
10
37

10
37

35
74
12
37
12
37

12
37

21
37

30
37
_
_
_
_
_
_
_
_
_
_
_
_
Por tanto
_
_
_
_
x
y
z
w
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
45
259
214
259
33
74
54
259
60
259

60
259
22
74
72
259
10
37

10
37

35
74
12
37
12
37

12
37

21
37

30
37
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
84000
0
0
0
_
_
_
_
=
_
_
_
_
540000/37
720000/37
840000/37
1008000/37
_
_
_
_

EJEMPLO 2.25. Una empresa fabrica tres productos. Para ello necesita tres materiales en las
cantidades indicadas en la tabla:
Producto 1 Producto 2 Producto 3
Material 1 2 2 2
Material 2 1 2 0
Material 3 2 1 3
Es decir, se necesitan 2 unidades del material 1 para obtener una unidad del producto 1, etc.
Supongamos que solo se dispone de 12, 5 y 13 unidades respectivamente de cada material.
(a) Hallar el plan de produccion (x, y, z) con el que se agotan las disponibilidades de cada
material.
(b) Si los precios de venta de cada producto son 15, 10 y 9, respectivamente, hallar el plan de
produccion con el que se obtenga mayores benecios.
SOLUCI

ON.- Para resolver el inciso (a) consideremos las siguientes variables

x el n umero de unidades que se planea producir del producto 1
y el n umero de unidades que se planea producir del producto 2
z el n umero de unidades que se planea producir del producto 3
email [email protected] 96 o
_

v o o
_
s z 97
Cada unidad del producto 1 requiere 2 unidades del material 1, entonces x unidades del producto 1
requerira 2x unidades del material 1, igualmente, producir y unidades del producto 2 requerira 2y
unidades del material 1, de mismo modo producir z unidades del producto 3 requerira 2z unidades
del material 1. Ahora bien, se dispone de 12 unidades del material 1. Luego agorar el material 1
en la produccion se traduce en la ecuacion 2x + 2y + 2z = 12. Un analisis similar conduce a las
siguientes dos ecuaciones: x+2y = 5 y 2x+y +3z = 13. Juntando estas tres ecuaciones obtenemos
el siguiente sistema de ecuaciones lineales:
2x + 2y + 2z = 12
x + 2y = 5
x + y + 3z = 13
El n umero de incognitas del sistema lineal es n = 3.
> Colocando el sistema en notacion matricial
_
_
2 2 2
1 2 0
2 1 3
_
_
_
_
x
y
z
_
_
=
_
_
12
5
13
_
_
? La matriz de coecientes A y la matriz aumentada A
b
son dados por
A =
_
_
2 2 2
1 2 0
2 1 3
_
_
, A
b
=
_
_
2 2 2 12
1 2 0 5
2 1 3 13
_
_
Recordemos el siguiente resultado.
[A[ , = 0 si y solo si rango(A) = rango(A
b
) = 3.
Por tanto, el sistema tiene una unica solucion.
En nuestro caso tenemos:
[A[ =

2 2 2
1 2 0
2 1 3

= 0
El hecho de que [A[ = 0 garantiza que rango(A) < 3. Luego se presentan dos casos posibles
rango(A) = rango(A
b
) < 3 o rango(A) ,= rango(A
b
). Recordemos el siguiente resultado:
Si rango(A) = rango(A
b
) < 3, entonces el sistema tiene innitas soluciones.
Si rango(A) ,= rango(A
b
), entonces el sistema no tiene soluciones.
Ahora bien, solo necesitamos calcular los rangos de la matriz de coecientes A y el de la
matriz aumentada A
b
.
email [email protected] 97 o
_

v o o
_
s z 98
@ Reducir la matriz aumentada A
b
a su forma escalonada reducida.
_
_
2 2 2 12
1 2 0 5
2 1 3 13
_
_
f
12

_
_
1 2 0 5
2 2 2 12
2 1 3 13
_
_
2f
1
+f
2
2f
1
+f
3

_
_
1 2 0 5
0 2 2 2
0 3 3 3
_
_
1/2f
2

_
_
1 2 0 5
0 1 1 1
0 3 3 3
_
_
3f
2
+f
3

_
_
1 2 0 5
0 1 1 1
0 0 0 0
_
_
A Aplicar el Teorema 1.11. Como r(A) = r(A
b
) = 2 < 3. El sistema tiene innitas soluciones.
Dado que 2 < 3, entonces las 32 = 1 incognitas ( ultima incognita) toma valores arbitrarios
y a las que se les denomina valores libres o parametros.
Empecemos transformando la matriz escalonada reducida en el siguiente sistema de ecua-
ciones
x + 2y = 5
y z = 1
En este sistema hagamos z = t con t R y luego despejemos x y z en funcion de t
y = z 1 = t 1
x = 5 2y = 5 2(t 1) = 7 2t
luego el vector solucion es dado por
_
_
x
y
z
_
_
=
_
_
7 2t
t 1
t
_
_
=
_
_
7
1
0
_
_
+
_
_
2t
t
t
_
_
=
_
_
7
1
0
_
_
+t
_
_
2
1
1
_
_
B Las condiciones necesarias para que haya produccion es que x > 0, y > 0 y z > 0, esto es:
7 2z > 0, z 1 > 0, z > 0
De aqu se obtiene que 1 < z <
7
2
. Por tanto z que es un n umero entero puede valer 2 o 3.
Si z = 2, seran x = 3 y y = 1 y los ingresos seran (15)(3) + (10)(1) + (9)(2) = 73.
Si z = 3, seran x = 1 y y = 2 y los ingresos seran (15)(1) + (10)(2) + (9)(3) = 62.
Por tanto el mayor ingreso sale si z = 2.

email [email protected] 98 o
_

v o o
_
s z 99
2.3. Metodo de Leontief
Un modelo que se usa en Economa es el modelo de entradas y salidas de Leontief (Pre-
mio Novel de Economa en 1973). Supongamos que un sistema economico tiene n industrias y
cada industria tiene dos tipos de demanda: externa (procedente de fuera del sistema) e interna
(procedente del mismo sistema). Se utiliza la siguiente notacion:
e
1
demanda externa ejercida sobre la industria 1
e
2
demanda externa ejercida sobre la industria 2
.
.
.
e
n
demanda externa ejercida sobre la industria n
Se considera la matriz A = (a
ij
)
1i,jn
siendo:
a
11
n umero de unidades que se le piden a la industria 1 para que
la industria 1 produzca una unidad
a
12
n umero de unidades que se le piden a la industria 1 para que
la industria 2 produzca una unidad
.
.
.
a
21
n umero de unidades que se le piden a la industria 2 para que
la industria 1 produzca una unidad
a
22
n umero de unidades que se le piden a la industria 2 para que
la industria 2 produzca una unidad
.
.
.
a
ij
n umero de unidades que se le piden a la industria i para que
la industria j produzca una unidad
Se denomina x
i
al n umero de unidades producidas por la industria i, entonces:
email [email protected] 99 o
_

v o o
_
s z 100
a
11
x
1
n umero de unidades que se le piden a la industria 1 para que
la industria 1 produzca x
1
unidades
a
12
x
2
n umero de unidades que se le piden a la industria 1 para que
la industria 2 produzca x
2
unidades
.
.
.
a
1n
x
n
n umero de unidades que se le piden a la industria 1 para que
la industria n produzca x
n
unidades
Entonces es claro que a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
+ e
1
es la demanda total (externa e interna)
sobre la industria 1. Por tanto al igualar la demanda total a al salida de la industria 1 se obtiene:
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
+e
1
= x
1
Haciendo lo mismo con el resto de industrias obtenemos el sistema:
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
+e
1
= x
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
+e
2
= x
2
.
.
.
a
n1
x
1
+a
n2
x
2
+ +a
nn
x
n
+e
n
= x
n
(2.1)
A la matriz del sistema A = (a
ij
)
1i,jn
se le denomina matriz tecnologica y sus coecientes a
ij
se denominan coecientes tecnicos o de produccion
EJEMPLO 2.26. Sea un sistema economico con tres industrias A, B y C. La tabla de demandas
internas es:
A B C
A 0.2 0.5 0.15
B 0.4 0.1 0.3
C 0.25 0.5 0.15
mientras que las demandas externas son 10, 25 y 20. Hallar la salida de cada industria para que
la oferta iguale a la demanda.
SOLUCI

ON.- El n umero 0.25, por ejemplo, es el n umero de unidades que se le piden a la

industria C para que la industria A produzca una unidad. Sean x, y, z el n umero de unidades
producidas por A, B y C. El modelo Leontief es:
0.2x + 0.5y + 0.15z + 10 = x
0.4x + 0.1y + 0.3z + 25 = y
0.25x + 0.5y + 0.15z + 20 = z
email [email protected] 100 o
_

v o o
_
s z 101
Se deja al lector usar cualquier metodo y obtener la siguiente solucion del sistema:
x = 125.82106, y = 118.74292, z = 110.30578
Por tanto el n umero de unidades que las industrias A, B y C deben producir para que la oferta
iguale a la demanda debe ser, aproximadamente, de 110, 119 y 126 unidades, resectivamente.
EJEMPLO 2.27. Sea un sistema economico con tres industrias A, B y C. La tabla de demandas
internas y externas (en miles de euros) son:
A B C
A 0.293 0 0
B 0.014 0.207 0.017
C 0.044 0.5 010.216
Demanda externa
A 13.213
B 17.597
C 1.786
Obtener el modelo de Leontief y el valor en miles de euros de los productos de A, B y C para
equilibrar la oferta y la demanda.
SOLUCI

ON.- Sean x, y, z los valores respectivos de los productos A, B y C. El modelo Leontief

es:
0.293x + 13.213 = x
0.14x + 0.207y + 0.017z + 17.597 = y
0.044x + 0.010y + 0.216z + 1.786 = z
Se deja al lector usar cualquier metodo y obtener la siguiente solucion del sistema:
x = 18.688826, y = 3.6151619, z = 22.597858

EJEMPLO 2.28. Resolver el modelo Leontief, donde las matrices de demandas internas y ex-
ternas son:
A =
_
_
_
_
_
_
_
_
1
3
1
2
1
6
1
4
1
4
1
8
1
12
1
3
1
6
_
_
_
_
_
_
_
_
D =
_
_
10
15
30
_
_
SOLUCI

ON.- El modelo Leontief es:

1
3
x +
1
2
y +
1
6
z + 10 = y
1
4
x +
1
4
y +
1
8
z + 15 = y
1
12
x +
1
3
y +
1
6
z + 30 = y
email [email protected] 101 o
_

v o o
_
s z 102
Se deja al lector usar cualquier metodo y obtener la siguiente solucion del sistema:
x = 72.653061, y = 55.102041, z = 65.306122

El Modelo de Leontief (2.1) se puede escribir en la forma:

_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
+
_
_
_
_
_
e
1
e
2
.
.
.
e
n
_
_
_
_
_
=
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
Sean
A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
_
x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
D =
_
_
_
_
_
e
1
e
2
.
.
.
e
n
_
_
_
_
_
Luego es sistema puede escribirse como Ax +D = x, de aqu x Ax = D, esto es
(I A)x = D
o
(1 a
11
)x
1
a
12
x
2
a
1n
x
n
= e
1
a
21
x
1
+ (1 a
22
)x
2
a
2n
x
n
= e
2
.
.
.
a
n1
x
1
a
n2
x
2
+ + (1 a
nn
)x
n
= e
n
(2.2)
A la matriz de este sistema: I A, se le denomina matriz de Leontief. Si esta matriz es invertible
entonces existe solucion unica para el modelo.
EJEMPLO 2.29. Una antena esta formada por 3 crucetas, 6 tornillos y 3 barras. A su vez cada
cruceta consta de 1 tornillo y 2 barras. Cuantas antenas, crucetas, tornillos y barras se deben
fabricar para atender a un pedido de 2 antenas, 3 crucetas, 4 tornillos y 5 barras?
SOLUCI

ON.- La tabla siguiente resume la informacion del enunciado:

Antena Cruceta Tornillo Barra
Antenea 0 0 0 0
Cruceta 3 0 0 0
Tornillo 6 1 0 0
Barra 3 2 0 0
email [email protected] 102 o
_

v o o
_
s z 103
En cada columna de detalla lo que el correspondiente producto necesita de los demas. La matriz
que se obtiene es la matriz de demanda interna de este producto A, mientras que el pedido
constituye la matriz de demanda externa D:
A =
_
_
_
_
0 0 0 0
3 0 0 0
6 1 0 0
3 2 0 0
_
_
_
_
D =
_
_
_
_
2
3
4
5
_
_
_
_
El modelo de Leontief es Ax + D = x, donde x =
_
_
_
_
x
y
z
w
_
_
_
_
representa la produccion necesaria de
antenas, crucetas, tornillos y barras . Despejando x obtenemos la solucion
x = (I A)
1
D =
_
_
_
_
2
9
25
29
_
_
_
_
Es decir, hay que fabricar 2 antenas, 9 crucetas, 25 tornillos y 19 barras.
EJEMPLO 2.30. Una percha esta esta compuesta de una barra grande, una base y cuatro barras
chicas. La base se une a la barra grande con cuatro tornillos. Las barras chicas se unen a la grande
con 2 tornillos cada una. Cuantas perchas, bases, etc. deben fabricarse para atender un pedido
de 5 perchas, 3 bases y dos barras chicas?.
SOLUCI

ON.- La tabla siguiente resume la informacion del enunciado:

Percha Barra grande Base Barra chica Tornillo
Percha 0 0 0 0 0
Barra grande 1 0 0 0 0
Base 1 0 0 0 0
Barra chica 4 0 0 0 0
Tornillo 0 0 4 2 0
En cada columna de detalla lo que el correspondiente producto necesita de los demas. La matriz
que se obtiene es la matriz de demanda interna de este producto A, mientras que el pedido
constituye la matriz de demanda externa D:
A =
_
_
_
_
_
_
0 0 0 0 0
1 0 0 0 0
1 0 0 0 0
4 0 0 0 0
0 0 4 2 0
_
_
_
_
_
_
D =
_
_
_
_
_
_
5
0
3
2
0
_
_
_
_
_
_
email [email protected] 103 o
_

v o o
_
s z 104
Por tanto la solucion x viene dada por
x = (I A)
1
D =
_
_
_
_
_
_
5
5
8
22
76
_
_
_
_
_
_
Es decir, hay que fabricar 5 perchas, 5 barras grandes, 8 bases, 22 barras chicas y 76 tornillos.
email [email protected] 104 o
_

CAP

ITULO 3
Determinantes
El determinante de una matriz cuadrada es un unico n umero que se asocia a dicha matriz; es
por tanto una funcion del conjunto de las matrices cuadradas en el conjunto numerico al que
pertenecen los elementos de las matrices. En nuestro caso estos n umeros seran los reales o los
complejos, pero se puede dar sobre conjuntos numericos mas generales.
El uso del determinante surgio de las formulas que dan las soluciones de sistemas de n ecuaciones
con n incognitas, luego fue identicado (en el caso 3 por 3) como area de paralelogramo o volumen
de un paraleleppedo, hasta extenderse a deniciones mas generales que la que nosotros daremos
en este curso (funcion multilineal alternada).
Mas adelante se vera que podemos hablar del determinante de una transformacion lineal entre
espacios vectoriales, a la que se puede asociar matrices de una manera sencilla. En particular las
matrices invertibles son las unicas que tienen determinantes distinto de cero. As, una propiedad
tan denitoria de una matriz (su invertibilidad) estara caracterizada por la no nulidad de su
determinante (o sea por el valor de un unico n umero).
3.1. Denicion
La denicion de determinante de una matriz cuadrada sera dada de manera inductiva en el n umero
de las (o de columnas). O sea, daremos la denicion de determinante de una matriz nn a partir
del conocimiento de los determinantes de matrices (n1)(n1). El determinante de una matriz
A se representa con el smbolo [A[; tratandose de una matriz dada por sus coecientes, en general
no escribiremos los parentesis con los que en general encerramos el cuadrado de los n umeros.
DEFINICI

ON 3.1. Sea A = ((a

ij
)) una matriz n n, se dene la matriz adjunta del ele-
105
v o o
_
s z 106
mento a
ij
como la submatriz A
ij
de la matriz A que se obtiene eliminado la la i y la columna j
de A
EJEMPLO 3.1. Si A =
_
_
3 4 3
1 2 7
2 4 0
_
_
, la matriz adjunta del elemento a
21
= 1, se obtiene
eliminando la la 2 y la columna 1 de A:
_
_
4 3

4 0
_
_
, obteniendose la matriz adjunta A
21
=
_
4 3
4 0
_

Observaci on 3.1. Si la matriz cuadrada A es de tama no n, las matrices adjuntas A
ij
son de
tama no (n 1) (n 1) .
DEFINICI

ON 3.2. (Inductiva en el tama no de la matriz) El determinante de una matriz

1 1 es el propio n umero. El determinante de la matriz 2 2, A =
_
a b
c d
_
es el n umero
[A[
def
= ad bc. El determinante de una matriz A n n se dene como el n umero
[A[
def
= (1)
1+1
a
11
[A
11
[ +. . . + (1)
i+1
a
i1
[A
i1
[ +. . . + (1)
n+1
a
n1
[A
n1
[
EJEMPLO 3.2. (a) Calculemos el determinante de la matriz A =
_
3 1
7 2
_
[A[ = (3) (2) (7) (2) = 8
(b) Calculemos el determinante de la matriz A =
_
_
3 4 3
1 2 7
2 4 0
_
_
[A[ = (1)
1+1
a
11
[A
11
[ + (1)
2+1
a
21
[A
21
[ + (1)
3+1
a
31
[A
31
[ =
= 3

2 7
4 0

(1)

4 3
4 0

+ (2)

4 3
2 7

=
= 3 (28) + (12) + (2) (22) = 52
(c) Calculemos el determinante de la matriz A =
_
_
_
_
2 0 1 1
2 2 4 1
3 1 1 1
2 2 0 0
_
_
_
_
[A[ = (1)
1+1
a
11
[A
11
[ + (1)
2+1
a
21
[A
21
[ + (1)
3+1
a
31
[A
31
[ + (1)
4+1
a
41
[A
41
[
= 2

2 4 1
1 1 1
2 0 0

0 1 1
1 1 1
2 0 0

+ (3)

0 1 1
2 4 1
2 0 0

0 1 1
2 4 1
1 1 1

email [email protected] 106 o

_

v o o
_
s z 107
Ahora bien, los determinantes de tama no 3 3 se calculan del mismo modo que en (b). Vericar
que respectivamente, los determinantes tres por tres valen 6, 0, 6, 3 por lo cual
[A[ = 2 (6) 3 (6) 2 (3) = 24

3.2. Propiedades de los determinantes

1. Linealidad (respecto a una la)
a) Aditividad (respecto a una la)
Si todos los elementos de una la de una matriz cuadrada se descomponen en dos
sumandos, entonces su determinante es igual a la suma de dos determinantes que tienen
en esa la los primeros y segundos sumandos respectivamente, y en las demas los mismos
elementos que el determinante inicial.

5 3 1
6 4 2
7 1 4

2 + 3 3 1
1 + 5 4 2
3 4 1 4

C
1

2 3 1
1 4 2
3 1 4

3 3 1
5 4 2
4 1 4

21 =

3 6 9
1 3 5
7 4 8

1 + 2 2 + 4 3 + 6
1 3 5
7 4 8

1 2 3
1 3 5
7 4 8

2 4 6
1 3 5
7 4 8

= 7 + 14 = 21
[C[ =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
+b
i1
a
i2
+b
i2
a
in
+b
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
b
i1
b
i2
b
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= [A[ +[B[
DEMOSTRACI

ON.
email [email protected] 107 o
_

v o o
_
s z 108
Por induccion completa
Para n = 2. Por un lado
[C[ =

a
11
a
12
a
21
+b
21
a
22
+b
22

= a
11
a
22
+a
11
b
22
a
12
a
21
a
12
b
21
y por otro
[A[ +[B[ =

a
11
a
12
a
21
a
22

a
11
a
12
b
21
b
22

= (a
11
a
22
a
12
a
21
) + (a
11
b
22
a
12
b
21
)
Con lo cual [C[ = [A[ +[B[ .
Hipotesis inductiva: La propiedad es valida para matrices de orden menor que n
Tesis inductiva: La propiedad es valida para matrices de orden n. En efecto
[C[
def
= (1)
1+1
a
11
[C
11
[ +. . . +
+(1)
i+1
(a
i1
+b
i1
) [C
i1
[ +. . . + (1)
n+1
a
n1
[C
n1
[
(3.1)
Observemos que si k ,= i, como la matriz C
k1
es de orden n1, por la hipotesis inductiva
se tiene que
[C
k1
[ =

a
12
a
1n
.
.
.
.
.
.
a
k12
a
k1n
a
k+12
a
k+1n
.
.
.
.
.
.
.
.
.
a
i2
+b
i2
a
in
+b
in
.
.
.
.
.
.
.
.
.
a
n2
a
nn

a
12
a
1n
.
.
.
.
.
.
a
k12
a
k1n
a
k+12
a
k+1n
.
.
.
.
.
.
.
.
.
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
n2
a
nn

a
12
a
1n
.
.
.
.
.
.
a
k12
a
k1n
a
k+12
a
k+1n
.
.
.
.
.
.
.
.
.
b
i2
b
in
.
.
.
.
.
.
.
.
.
a
n2
a
nn

= [A
k1
[ +[B
k1
[ ;
luego si sustituimos en (3.1) se tiene que
[C[ = (1)
1+1
a
11
[[A
11
[ +[B
11
[] +. . . + (1)
i+1
(a
i1
+b
i1
) [C
i1
[ +. . .
. . . + (1)
n+1
a
n1
[[A
n1
[ +[B
n1
[]
= (1)
1+1
a
11
[A
11
[ +. . . + (1)
i+1
a
i1
[C
i1
[ +. . . + (1)
n+1
a
n1
[A
n1
[
+(1)
1+1
a
11
[B
11
[ +. . . + (1)
i+1
b
i1
[C
i1
[ +. . . + (1)
n+1
a
n1
[B
n1
[
email [email protected] 108 o
_

v o o
_
s z 109
Pero como [C
i1
[ =

a
12
a
1n
.
.
.
.
.
.
a
i12
a
i1n
a
i+12
a
i+1n
.
.
.
.
.
.
.
.
.
a
n2
a
nn

= [A
i1
[ = [B
i1
[ resulta que
[C[ = (1)
1+1
a
11
[A
11
[ +. . . + (1)
i+1
a
i1
[A
i1
[ +. . . + (1)
n+1
a
n1
[A
n1
[ +
+(1)
1+1
a
11
[B
11
[ +. . . + (1)
i+1
b
i1
[B
i1
[ +. . . + (1)
n+1
a
n1
[B
n1
[
= [A[ +[B[

Observaci on 3.2. No es cierto que [A+B[ = [A[ +[B[

[A[ =

1 3
4 2

= 10, [B[ =

1 0
0 2

= 2 pero
[A+B[ =

3 3
4 4

= 0 ,= 7 = [A[ +[B[ .
b) Homogeneidad (respecto a una la)
Si todos los elementos de una la contienen un factor com un, este puede sacarse fuera
del determinante. Si B es una matriz que se obtiene de A multiplicando una de sus las
por un n umero entonces
[B[ =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= [A[
DEMOSTRACI

ON. Por induccion completa

Para n = 2. Por un lado
[B[ =

a
11
a
12
a
21
a
22

= a
11
a
22
a
12
a
21
=
= (a
11
a
22
a
12
a
21
) =

a
11
a
12
a
21
a
22

= [A[
Hipotesis inductiva: La propiedad es valida para matrices de orden menor que n.
Tesis inductiva: La propiedad es valida para matrices de orden n. En efecto
[B[
def
= (1)
1+1
a
11
[B
11
[ +. . . +
+ (1)
i+1
a
i1
[B
i1
[ +. . . + (1)
n+1
a
n1
[B
n1
[ (3.2)
email [email protected] 109 o
_

v o o
_
s z 110
Observemos que si k ,= i, como la matriz C
k1
es de orden n1, por la hipotesis inductiva
se tiene que
[B
k1
[ =

a
12
a
1n
.
.
.
.
.
.
a
k12
a
k1n
a
k+12
a
k+1n
.
.
.
.
.
.
.
.
.
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
n2
a
nn

a
12
a
1n
.
.
.
.
.
.
a
k12
a
k1n
a
k+12
a
k+1n
.
.
.
.
.
.
.
.
.
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
n2
a
nn

= [A
k1
[
y que [B
i1
[ =

a
12
a
1n
.
.
.
.
.
.
a
i12
a
i1n
a
i+12
a
i+1n
.
.
.
.
.
.
.
.
.
a
n2
a
nn

= [A
i1
[
luego si sustituimos en (3.2) se tiene que
[B[ = (1)
1+1
a
11
[A
11
[ +. . . + (1)
i+1
a
i1
[A
i1
[ +. . . + (1)
n+1
a
n1
[A
n1
[
=
_
(1)
1+1
a
11
[A
11
[ +. . . + (1)
i+1
a
i1
[A
i1
[ +. . . + +(1)
n+1
a
n1
[A
n1
[

= [A[

Veamos un ejemplo

6 3 9
3 4 1
1 2 4

(3)(2) (3)(1) (3)(3)

3 4 1
1 2 4

3f
1

= 3

2 1 3
3 4 1
1 2 4

COROLARIO 3.1. Se deduce de la propiedad anterior que [A[ =

n
[A[ .
email [email protected] 110 o
_

v o o
_
s z 111
DEMOSTRACI

ON. En efecto
[A[ =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= . . .

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

=
n
[A[

2. Intercambio de las
Si se intercambian dos las o dos columnas de un determinante, este cambia de signo. Si B
es la matriz que se obtiene de A intercambiando dos de sus las entonces
[B[ =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= [A[
DEMOSTRACI

ON. Por induccion completa. Para n = 2. Por un lado [B[ =

a
21
a
22
a
11
a
12

=
a
12
a
21
a
11
a
22
, y por otro [A[ =

a
11
a
12
a
21
a
22

= (a
11
a
22
a
12
a
21
) . As [B[ = [A[ .
Hipotesis inductiva: La propiedad es valida para matrices de orden menor que n
Tesis inductiva: La propiedad es valida para matrices de orden n
Primer caso: La matriz B se ha obtenido de A intercambiando las las consecutivas i e i +1
A =
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
a
i+11
a
i+12
a
i+1n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
y B =
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i+11
a
i+12
a
i+1n
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
email [email protected] 111 o
_

v o o
_
s z 112
Por la denicion, se tiene que
[B[ = (1)
1+1
a
11
[B
11
[ +. . . + (1)
i+1
a
i+11
[B
i1
[
+ (1)
i+2
a
i1
[B
i+11
[ . . . + (1)
n+1
a
n1
[B
n1
[ (3.3)
Pero siendo
B =
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i+11
a
i+12
a
i+1n
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
.
.
.
.
.
.
Fila i
Fila i + 1
.
.
.
.
.
.
se tiene que B
i1
= A
i+11
y B
i+11
= A
i1
, por lo cual
[B
i1
[ = [A
i+11
[ , [B
i+11
[ = [A
i1
[
y si k ,= i y k ,= i+1, se tiene que B
k1
es una matriz de orden n1 con dos las intercambiadas
respecto de A, por lo cual, por la hipotesis inductiva [B
k1
[ = [A
k1
[ . Sustituimos en (3.3)
[B[ = (1)
1+1
a
11
[[A
11
[] +. . . + (1)
i+1
a
i+11
[A
i+11
[
+ (1)
i+2
a
i1
[A
i1
[ +. . . + (1)
n+1
a
n1
[[A
n1
[]
Pero
(1)
i+1
a
i+11
[A
i+11
[ = (1)
i+1
(1)
2
a
i+11
[A
i+11
[ = (1)
i+1
(1) a
i+11
(1) [A
i+11
[
= (1)
i+2
a
i+11
[[A
i+11
[] = (1)
i+1
(1) a
i1
[A
i1
[
= (1)
i+1
a
i1
[[A
i1
[]
con lo cual
[B[ = (1)
1+1
a
11
[[A
11
[] +. . . + (1)
i+2
a
i+11
[[A
i+11
[]
+(1)
i+1
a
i1
[[A
i1
[] +. . . + (1)
n+1
a
n1
[[A
n1
[]
= [(1)
1+1
a
11
[A
11
[ +. . . + (1)
i+2
a
i+11
[A
i+11
[
+(1)
i+1
a
i1
[A
i1
[ +. . . + (1)
n+1
a
n1
[A
n1
[] = [A[
Segundo caso La matriz B se ha obtenido de A intercambiando las las i y j = k + 1. La
matriz B se puede obtener de A realizando varios cambios de las consecutivas. En primer
email [email protected] 112 o
_

v o o
_
s z 113
lugar realizamos k cambios consecutivos de la la i de A hasta colocarla en la la j = i +k.
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
a
i+11
a
i+12
a
i+1n
a
i+21
a
i+22
a
i+2n
.
.
.
.
.
.
.
.
.
a
k+11
a
k+12
a
k+1n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
.
.
.
.
.
la i de A
la i + 1 de A
la i + 2 de A
.
.
.
la i + k de A
.
.
.
.
.
.
cambio de la la i por la i + 1 de A

A
1
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i+11
a
i+12
a
i+1n
a
i1
a
i2
a
in
a
i+21
a
i+22
a
i+2n
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
.
.
.
.
.
la i de A
1
la i + 1 de A
1
la i + 2 de A
1
.
.
.
la i + k de A
1
.
.
.
.
.
.
cambio de la la i + 1 por la i + 2 de A
1

A
2
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i+11
a
i+12
a
i+1n
a
i+21
a
i+22
a
i+2n
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
.
.
.
.
.
la i de A
2
la i + 1 de A
2
la i + 2 de A
2
.
.
.
la i + k de A
2
.
.
.
.
.
.

email [email protected] 113 o
_

v o o
_
s z 114
A
k1
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i+11
a
i+12
a
i+1n
a
i+21
a
i+22
a
i+2n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
a
i+k1
a
i+k2
a
i+kn
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
.
.
.
.
.
la i de A
k1
la i + 1 de A
k1
.
.
.
la i + k 1 de A
k1
la i + k de A
k1
.
.
.
.
.
.
cambio de la la i + k 1 por la i + k de A
k1

A
k
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i+11
a
i+12
a
i+1n
a
i+21
a
i+22
a
i+2n
.
.
.
.
.
.
.
.
.
a
i+k1
a
i+k2
a
i+kn
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
.
.
.
.
.
la i de A
k
la i + 1 de A
k
.
.
.
la i + k 1 de A
k
la i + k de A
k
.
.
.
.
.
.
Como los k cambios de las son consecutivos, por la primer parte, se tiene que
[A
1
[ = [A[
[A
2
[ = [A
1
[
.
.
.
[A
k
[ = [A
k1
[
Con lo cual [A
k
[ = (1)
k
[A[ .
En segundo lugar, (repetimos el procedimiento hacia arriba) realizamos k 1 cambios
consecutivos de la la i +k 1 de A
K
hasta colocarla en la la i, obteniendose la matriz B
y se cumple, aplicando la primer parte [B[ = (1)
k1
[A
k
[ De las dos ultimas igualdades se
deduce [B[ = (1)
2k1
[A[ = [A[ .

Veamos un ejemplo

2 3 1
1 4 2
3 1 4

f
13

3 1 4
1 4 2
2 3 1

email [email protected] 114 o

_

v o o
_
s z 115
3. Determinantes nulos
a) Si una matriz cuadrada tiene una lnea con todos los elementos nulos, su determinante
vale cero. Si A tiene una la de ceros entonces [A[ = 0
DEMOSTRACI

ON. En efecto
[A[ =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
1 1 1 1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

=
=

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= 0

b) Si un determinante tiene dos las iguales, es igual a cero. Si A tiene dos las iguales
entonces [A[ = 0
DEMOSTRACI

ON. En efecto, si se intercambian dos las, sabemos que el determi-

nante cambia de signo, con lo cual
[A[ =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= [A[
As 2 [A[ = 0 [A[ = 0

2 3 2
1 4 1
3 1 3

C
1
= C
3

= 0
email [email protected] 115 o
_

v o o
_
s z 116
c) Si A tiene dos las proporcionales entonces [A[ = 0
DEMOSTRACI

ON. En efecto
[A[ =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= 0

d) Si A tiene una la combinacion lineal de las otras las entonces [A[ = 0

DEMOSTRACI

ON. Sin perdida de generalidad, para simplicar la notacion, supong-

amos que la ultima la es combinacion lineal de las anteriores. Aplicando la propiedad
de linealidadad
[A[ =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
n11
a
n12
a
n1n
.
.
.
.
.
.
.
.
.
.
.
.
i=n1

i=1

i
a
i1
i=n1

i=1

i
a
i2

i=n1

i=1

i
a
in

=
=
i=n1

i=1

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
n11
a
n12
a
n1n
.
.
.
.
.
.
.
.
.
.
.
.

i
a
i1

i
a
i2

i
a
in

=
=
i=n1

i=1

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
n11
a
n12
a
n1n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in

= 0
(pues los determinantes tienen dos las iguales)

En la siguiente matriz A la la 1 es m ultiplo de la la 2.

6 8 10
3 4 5
1 1 0

(2)(3) (2)(4) (2)(5)

3 4 5
1 1 0

3f
1

= 2

3 4 5
3 4 5
1 1 0

= 2(0) = 0
email [email protected] 116 o
_

v o o
_
s z 117
4. Combinacion lineal de las
a) Si en un determinante, se a nade a una la una combinacion lineal de las otras las el
valor del determinante no vara. Si B es una matriz que se obtiene de A sumado a una
la de A un m ultiplo de otra la de A entonces [B[ = [A[
DEMOSTRACI

ON. En efecto
[B[ =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
j1
+a
i1
a
j2
+a
i2
a
jn
+a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

=
=

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= [A[

En el siguiente ejemplo B se obtiene de A sumando 2 veces la la 3 a la la 1, entonces

det(B) = det(A).

2 3 1
1 4 2
3 1 4

2f
3
+f
1

4 5 7
1 4 2
2 3 1

b) Si B es una matriz que se obtiene de A cambiando la la A

j
por la combinacion lineal
A
j
+A
i
con ,= 0 (i ,= j). Entonces [B[ = [A[
DEMOSTRACI

ON. En efecto

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
j1
+a
i1
a
j2
+a
i2
a
jn
+a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

=
email [email protected] 117 o
_

v o o
_
s z 118
=

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

= [A[

5. Propiedades por columnas Tambien se puede probar que el determinante de una

matriz A y el de su traspuesta A
t
son iguales: que
[A[ =

A
t

con lo cual en todas las propiedades anteriores se puede cambiar la palabra la por colum-
na, es decir que las propiedades valen para las columnas

2 3 1
1 4 2
3 1 4

2 1 3
3 4 1
1 2 4

= 15
EJEMPLO 3.3. Si A es una matriz triangular, entonces su determinante es igual al producto
de los elementos diagonales.
SOLUCI

ON.- Supongamos que A =

_
_
_
_
_
a
11
a
12
a
1n
0 a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
nn
_
_
_
_
_
(ceros por debajo de la diagonal
principal), entonces [A[ = a
11
a
22
. . . a
nn
.
EJEMPLO 3.4. Calcular el siguiente determiante

0 1 5
3 6 9
2 6 1

SOLUCI

ON.- Realizando las siguientes operaciones

(A) Se intercambian las las 1 y 2 (B) La la 1 es m ultiplo de 3
(C) A la la 3 se le resto 2 veces la la 1 (D) La la 3 es m ultiplo de 5
(E) A la la 3 se le resto 2 veces la la 2
email [email protected] 118 o
_

v o o
_
s z 119
obtenemos:

0 1 5
3 6 9
2 6 1

(A)
=

3 6 9
0 1 5
2 6 1

(B)
= 3

1 2 3
0 1 5
2 6 1

(C)
= 3

1 2 3
0 1 5
0 10 5

(D)
= (3) (5)

1 2 3
0 1 5
0 2 1

(E)
= (3) (5)

1 2 3
0 1 5
0 0 11

= (3) (5)

1 5
0 11

= (3) (5) (11) = 165

3.2.1. Desarrollo de un determinante por Adjuntos
Sea A M
mn
(R), la matriz complementaria del elemento a
ij
es la matriz A
ij
M
mn
(R) que se
obtiene de A eliminando la la i y la columna j.
A
ij
=
_
_
_
_
_
_
_
_
_
a
11
a
1(j1)
a
1(j+1)
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
(i1)1
a
(i1)(j1)
a
(i1)(j+1)
a
(i1)n
a
(i+1)1
a
(i+1)(j1)
a
(i+1)(j+1)
a
(i+1)n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n(j1)
a
n(j+1)
a
nn
_
_
_
_
_
_
_
_
_
DEFINICI

ON 3.3. Se llama menor del elemento a

ij
, al determinante de la matriz complemen-
taria del elemento a
ij
, es decir es el escalar [A
ij
[.
DEFINICI

ON 3.4. Se llama cofactor de un elemento a

ij
(o adjunto de a
ij
) al escalar
c
ij
= (1)
i+j
[A
ij
[
Desarrollo por cualquier la o columna.- El determinante se ha denido usando los elementos
de la primer columna de la matriz A con sus respectivas matrices adjuntas
[A[
def
= (1)
1+1
a
11
[A
11
[ +. . . + (1)
i+1
a
i1
[A
i1
[ +. . . + (1)
n+1
a
n1
[A
n1
[
(desarrollo por la primera columna)
Pero se puede probar
1
que dicha denicion coincide con cualquier desarrollo por cualquier columna
o la de A:
1
Es engorroso y no lo haremos aqu pero el lector puede consultar por ejemplo (Teorema 3 y 5 pag 87 del texto
Algebra y geometra de E. Hernandez)
email [email protected] 119 o
_

v o o
_
s z 120
Para cualesquiera i = 1, 2, ..., n el desarrollo del determinante det(A) por los elementos de la la
i-esima es dado por
(desarrollo por la i esima la)
det(A) = [A[
def
=
n

j=1
a
ij
c
ij
=
n

j=1
(1)
i+j
a
ij
[A
ij
[
= (1)
i+1
a
i1
[A
i1
[ + (1)
i+2
a
i2
[A
i2
[ +. . . + (1)
i+n
a
in
[A
in
[
(3.4)
Para cualesquiera j = 1, 2, ..., n el desarrollo del determinante det(A) por los elementos de la
columna j-esima es dado por
(desarrollo por la j esima columna)
det(A) = [A[
def
=
n

i=1
a
ij
c
ij
=
n

i=1
(1)
i+j
a
ij
[A
ij
[
= (1)
j+1
a
1j
[A
1j
[ + (1)
j+2
a
2j
[A
2j
[ +. . . + (1)
j+n
a
nj
[A
nj
[
(3.5)
En resumen, el determinante de una matriz cuadrada es igual a la suma de los elementos de una la
o columna cualquiera, multiplicados por sus respectivos adjuntos. A las expresiones para calcular
el determinante dadas en las ecuaciones (3.5) y (3.4) se les denomina expansion del determinante
de Laplace.
EJEMPLO 3.5. Calcular el siguiente determinante

3 0 2
1 1 0
5 2 3

desarrollando por los elementos

de la primera la
SOLUCI

ON.-

3 0 2
1 1 0
5 2 3

= (1)
1+1
3

1 0
2 3

+ (1)
1+2
0

1 0
5 3

+ (1)
1+3
2

1 1
5 2

= (3)[3 0] 0 + (2)[2 5] = 5

EJEMPLO 3.6. Probar que

1 a a
2
1 b b
2
1 c c
2

= (b a)(c a)(c b)
email [email protected] 120 o
_

v o o
_
s z 121
SOLUCI

ON.-

1 a a
2
1 b b
2
1 c c
2

= (1)
1+1
1

b b
2
c c
2

+ (1)
1+2
a

1 b
2
1 c
2

+ (1)
1+3
a
2

1 b
1 c

= 1[bc
2
cb
2
] a[1c
2
1b
2
] +a
2
[c b]
= bc
2
cb
2
ac
2
ab
2
+a
2
c a
2
b
No es facil ver directamente que esta suma de 6 terminos es igual a (b a)(c a)(c b). Lo que
hay que hacer es desarrollar (b a)(c a)(c b) y comprobar la igualdad de esa forma.
EJEMPLO 3.7. Calcular el siguiente determinante

3 0 0 2
6 1 c 2
1 1 0 0
5 2 0 3

SOLUCI

ON.- Como el elemento c esta en la la 2 y la columna 3, se ha escrito su adjunto

correspondiente. Para hallar en valor del determinante desarrollamos por los elementos de la
tercera columna del determinante porque tienen muchos ceros. Esto da:

3 0 0 2
6 1 c 2
1 1 0 0
5 2 0 3

= (1)
2+3
c

3 0 2
1 1 0
5 2 3

= (1)(c)(5) = 5c.

El criterio para preferir el desarrollo por una u otra la es claro: conviene desarrollar por aquellas
las que tengan el maximo n umero de elementos iguales a cero. Si los ceros no estuviesen de entrada
all, podramos crearlos recurriendo a la propiedad (7). Vamos a ilustrar esto con ejemplos:
EJEMPLO 3.8. Calcular

3 1 2
0 1 1
6 1 2

SOLUCI

ON.-

3 1 2
0 1 1
6 1 2

2f
1
+f
3
=

3 1 2
0 1 1
0 3 2

(1)
=3

1 1
3 2

= 3(2 + 3) = 15
La igualdad (1), se obtiene desarrollando por cofactores en la primera columna.
EJEMPLO 3.9. Calcular

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

email [email protected] 121 o

_

v o o
_
s z 122
SOLUCI

ON.-

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

(1)
= (1)
2+2
4

2 3 1
0 1 2
3 5 3

3/2f
1
+f
3
= 4

2 3 1
0 1 2
0 1/2 3/2

(2)
= (4)(2)

1 2
1/2 3/2

= 8
_
3
2

2
2
_
= 4
La igualdad (1), se obtiene desarrollando por cofactores en la la 2; la (2), desarrollando por
cofactores en la columna 1.
EJEMPLO 3.10. Evaluar el siguiente determinante:
[A[ =

2 0 1 0 1
3 2 1 5 0
0 1 1 1 5
1 0 1 1 1
0 0 1 0 1

SOLUCI

ON.-

2 0 1 0 1
3 2 1 5 0
0 1 1 1 5
1 0 1 1 1
0 0 1 0 1

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

1C
5
+C
3
i = 1, 3, 4, ..., n
= (1)
5+5
(1)

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

Desarrollo por cofac-

tores en la quinta la
= (1)
1+1
(2)

2 1 5
1 6 1
0 0 1

Desarrollo por cofac-

tores en la primera la
= (2)(1)
3+3
(1)

2 1
1 6

Desarrollo por cofac-

tores en la tercera la
= (2)(1)
_
(2)(6) (1)(1)
_
= 22

EJEMPLO 3.11. Hallar

1 1 1
35 37 34
23 26 25

email [email protected] 122 o

_

v o o
_
s z 123
SOLUCI

ON.- Usando el metodo de Cofactores o desarrollo por Adjuntos tenemos:

1 1 1
35 37 34
23 26 25

1 1 1
0 2 1
0 3 2

35f
1
+f
2
23f
1
+f
3
= (1)
1+1
(1)

2 1
3 2

Desarrollo por cofac-

tores en la primera
columna
= (2)(2) (3)(1) = 7

EJEMPLO 3.12. Hallar

1 z y
z 1 x
y x 1

SOLUCI

ON.- Usando el metodo de Cofactores o desarrollo por Adjuntos tenemos:

1 z y
z 1 x
y x 1

1 z y
0 1 +z
2
x yz
0 x yz 1 +y
2

zf
1
+f
2
yf
1
+f
3
= (1)
1+1
(1)

1 +z
2
x yz
x yz 1 +y
2

Desarrollo por cofac-

tores en la primera
columna
= (1 +z
2
)(1 +y
2
) (x yz)(x yz)
= (1 +z
2
)(1 +y
2
) + (x +yz)(x yz)
= 1 +y
2
+z
2
+z
2
y
2
+x
2
y
2
z
2
= 1 +y
2
+z
2
+x
2

EJEMPLO 3.13. Hallar

1 1 1 1
1 2 3 4
1 3 6 10
1 4 10 20

SOLUCI

ON.- Usando el metodo de Cofactores o desarrollo por Adjuntos tenemos:

email [email protected] 123 o
_

v o o
_
s z 124

1 1 1 1
1 2 3 4
1 3 6 10
1 4 10 20

1 1 1 1
0 1 2 3
0 2 5 9
0 3 9 19

f
1
+f
j
j = 2, 3, 4
= (1)
1+1
(1)

1 2 3
2 5 9
3 9 19

Desarrollo por cofac-

tores en la primera
columna
=

1 2 3
0 1 3
0 3 10

2f
1
+f
2
3f
1
+f
3
= (1)
1+1
(1)

1 3
3 10

Desarrollo por cofac-

tores en la primera
columna
= 1

EJEMPLO 3.14. Hallar

1 2 3 2
3 7 2 5
6 2 4 6
7 8 9 7

SOLUCI

ON.- Usando el metodo de Cofactores o desarrollo por Adjuntos tenemos:

1 2 3 2
3 7 2 5
6 2 4 6
7 8 9 7

1 2 3 2
0 1 7 1
0 10 14 6
0 6 12 7

3f
1
+f
2
6f
1
+f
3
7f
1
+f
4
= (1)
1+1
(1)

1 7 1
10 14 6
6 12 7

Desarrollo por cofac-

tores en la primera
columna
=

1 7 1
0 84 16
0 54 13

10f
1
+f
2
6f
1
+f
3
= (1)
1+1
(1)

84 16
54 13

Desarrollo por cofac-

tores en la primera
columna
= (84)(13) (54)(16) = 1092 864 = 228

email [email protected] 124 o

_

v o o
_
s z 125
EJEMPLO 3.15. Hallar

a 1 1 1
1 a 1 1
1 1 a 1
1 1 1 a

SOLUCI

ON.- Usando el metodo de Cofactores o desarrollo por Adjuntos tenemos:

a 1 1 1
1 a 1 1
1 1 a 1
1 1 1 a

a 1 1 1
1 a a 1 0 0
1 a 0 a 1 0
1 a
2
1 a 1 a 0

C
1
+C
2
C
1
+C
3
aC
1
+C
4
= (1)
4+1
(1)

1 a a 1 0
1 a 0 a 1
1 a
2
1 a 1 a

Desarrollo por cofac-

tores en la cuarta
columna
=

1 a a 1 0
1 a 0 a 1
2 a
2
a 1 a 0

C
2
+C
3
= (1)
3+2
(a 1)

1 a a 1
2 a
2
a 1 a

Desarrollo por cofac-

tores en la tercera
columna
= (1 a)
_
(1 a)
2
(2 a
2
a)(a 1)
_
= (1 a)
_
1 2a +a
2
(2a a
3
a
2
2 +a
2
+a)
_
= (1 a)
_
1 2a +a
2
2a +a
3
+a
2
+ 2 a
2
a
_
= (1 a)
_
3 5a +a
2
+a
3
_
= (3 5a +a
2
+a
3
3a + 5a
2
a
3
a
4
)
= 3 + 8a 6a
2
+a
4

EJEMPLO 3.16. Hallar

0 1 1 1
1 b + c a a
1 1 c +a b
1 1 c a +b

SOLUCI

ON.- Usando el metodo de Cofactores o desarrollo por Adjuntos tenemos:

email [email protected] 125 o
_

v o o
_
s z 126

0 1 1 1
1 b +c a a
1 1 c +a b
1 1 c a +b

0 1 1 1
1 b +c a a
1 1 c +a b
0 0 a a

1f
3
+f
4
=

0 1 2 1
1 b +c 2a a
1 1 c +a +b b
0 0 0 a

C
4
+C
3
= (1)
4+4
(a)

0 1 2
1 b +c 2a
1 1 c +a +b

Desarrollo por cofac-

tores en la cuarta la
= a

1 1 c +a +b
1 b +c 2a
0 1 2

Cambiando las las 1

y 3
= a

1 1 c +a +b
0 b +c 1 a c b
0 1 2

f
1
+f
2
= a(1)
1+1
(1)

b +c 1 a c b
1 2

Desarrollo por cofac-

tores en la primera la
= (a)
_
2(b +c 1) (a c b)
_
= a
_
2b + 2c 2 a +c +b
_
= a(3b + 3c a 2)
= 3ab 3ac +a
2
+ 2a = a
2
+ 2a 3ab 3ac

EJEMPLO 3.17. Sea

a b c
d e f
g h i

= 5. Calcule (a)

d e f
g h i
a b c

y (b)

a b c
2d 2e 2f
g h i

SOLUCI

ON.-

d e f
g h i
a b c

= (1)

a b c
d e f
g h i

= 5

a b c
2d 2e 2f
g h i

= (1)(2)(1)

a b c
d e f
g h i

= (2)(5) = 10

email [email protected] 126 o

_

v o o
_
s z 127
EJEMPLO 3.18. Sin desarrollar directamente, demuestre que: si A =
_
_
1 1 1
b +c c +a a +b
bc ca ab
_
_
,
el determinante de A es igual a (a b)(a c)(b c).
SOLUCI

ON.-

1 1 1
b +c c +a a +b
bc ca ab

1 1 1
0 c +a b c a +b b c
0 ca bc ab bc

1 1 1
0 a b a c
0 c(a b) b(a c)

a b a c
c(a b) b(a c)

= (a b)b(a c) c(a b)(a c)

= (a b)b(a c) c(a b)(a c)
= (a b)(a c)(b c)

EJEMPLO 3.19. Aplicando propiedades de determinante, demostrar:

1 1 1 1
1 1 +a 1 1
1 1 1 +b 1
1 1 1 1 +c

= abc
SOLUCI

ON.-

1 1 1 1
1 1 +a 1 1
1 1 1 +b 1
1 1 1 1 +c

1 0 0 0
1 a 0 0
1 0 b 0
1 0 0 c

1C
1
+C
j
j = 2, 3, 4
= (1)
4+4
(c)

1 0 0
1 a 0
1 0 b

Desarrollo por cofac-

tores en la cuarta
columna
= (1)
3+3
(c)(b)

1 0
1 a

Desarrollo por cofac-

tores en la tercera
columna
= abc

email [email protected] 127 o

_

v o o
_
s z 128
EJEMPLO 3.20. Demuestre que

1 1 1
a b c
a
2
b
2
c
2

= (b a)(c a)(c b)
SOLUCI

ON.-
EJEMPLO 3.21. Vericar que

1 a bc
1 b ac
1 c ab

= (b a)(c a)(c b)
SOLUCI

ON.-

1 a bc
1 b ac
1 c ab

1 a bc
0 b a ac bc
0 c a ab bc

1f
1
+f
i
i = 2, 3
= (1)
1+1
(1)

b a ac bc
c a ab bc

Desarrollo por cofac-

tores en la primera la
= (b a)(ab bc) (c a)(ac bc)
= (b a)b(a c) (c a)c(a b)
= (b a)b(a c) (a c)c(b a)
= (b a)(a c)(b c)

EJEMPLO 3.22. Suponga que

a b c
d e f
g h i

= 7. Encuentre

a +d b +e c +f
d e f
g h i

SOLUCI

ON.-

a +d b +e c +f
d e f
g h i

a b c
d e f
g h i

d e f
d e f
g h i

= 7 + 0 = 7.

EJEMPLO 3.23. Si det(A) = 3, hallar det(A

5
).
SOLUCI

ON.-
det(A
5
) =
_
det(A)
_
5
= 3
5
= 243.

email [email protected] 128 o

_

v o o
_
s z 129
EJEMPLO 3.24. Calcular
[A[ =

1 2 2 . . . 2
2 2 2 . . . 2
2 2 3 . . . 2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 2 2 . . . n

SOLUCI

ON.-

1 2 2 . . . 2
2 2 2 . . . 2
2 2 3 . . . 2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 2 2 . . . n

1 0 0 . . . 0
2 2 2 . . . 2
0 0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . n 2

2f
2
+f
i
i = 1, 3, 4, ..., n
= (1)
1+1
(1)

2 2 . . . 2
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . n 2

Desarrollo por cofac-

tores en la primera la
= (1)(1)
1+1
(2)

1 . . . 0
.
.
.
.
.
.
.
.
.
0 . . . n 2

Desarrollo por cofac-

tores en la primera
columna
= 2(n 2)!

EJEMPLO 3.25. Eval ue det(M) siendo M = [1]

n1
[1]
1n
I
n
SOLUCI

ON.-
M =
_
_
_
_
_
_
_
1
1
1
.
.
.
1
_
_
_
_
_
_
_
_
1 1 1 1
_

_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
1 1 1 1
1 1 1 1
1 1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 1
_
_
_
_
_
_
_

_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
0 1 1 1
1 0 1 1
1 1 0 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 0
_
_
_
_
_
_
_
email [email protected] 129 o
_

v o o
_
s z 130

0 1 1 1
1 0 1 1
1 1 0 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 0

1 0 0 1
0 1 0 1
0 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 0

1C
n
+C
j
j = 1, 3, 4, ..., n
=

1 0 0 1
0 1 0 1
0 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 0

f
i
+f
n
i = 1, 3, 4, ..., n 1
n1 veces
..
1 + + 1 = n 1
=

1 0 0 1
0 1 0 1
0 0 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 n 1

=
n1 veces
..
(1)(1) (1)(n 1) = (1)
n1
(n 1)

3.2.2. Metodo de Chio

El metodo de Chio consiste en reducir un determinante de orden n a otro de orden n 1, a
los efectos de facilitar el calculo del mismo. El procedimiento puede reiterarse hasta lograr un
determinante de orden 2 o 1. El metodo consiste en:
x Elegir una la o columna en el determinante que tenga todos sus elementos ceros excepto
uno que debera ser distinto de cero.
y El elemento distinto de cero necesariamente debera tener el valor 1 al que llamaremos pivote
y lo marcaremos como 1
ij
si este se encuentra en la la i y columna j.
z Si la la o columna elegida no re une estas condiciones, mediante transformaciones elemen-
tales en las matrices siempre podremos lograr la condicion (1).
{ El valor del determinante sera igual al cofactor del elemento pivote.
| Reiteramos el metodo hasta lograr un determinante de orden 2 o 1, cuyo proceso de solucion
ya es conocida.
email [email protected] 130 o
_

v o o
_
s z 131
EJEMPLO 3.26. Calcular, usando el metodo de Chio
det(A) =

2 0 1 2
3 2 2 3
0 2 1 2
2 3 0 1

SOLUCI

ON.-
(1) Elegimos una la que tenga el mayor n umero de ceros. observamos varias alternativas, por
ejemplo elegimos la la 4. Es decir.
det(A) =

2 0 1 2
3 2 2 3
0 2 1 2
2 3 0 -1

(3) La la elegida no re une la condicion 2, en esta la debemos determinar el elemento pivote

que debera tener el valor 1, para ello existe dos alternativas: (i) Multiplicar la la 4 por -1
para lograr que el elemento -1 sea 1. (ii) Sumar la columna 4 a la columna 1. Decidimos la
segunda alternativa y obtenemos:
det(A) =

2 0 1 2
3 2 2 3
0 2 1 2
2 3 0 1

C
4
+C
1
=

4 0 1 2
0 2 2 3
2 2 1 2
1
41
3 0 1

Reducimos a ceros todos los elementos de la la 4, excepto el pivote, aplicando operaciones

elementales por columnas, es decir:
det(A) =

4 0 1 2
0 2 2 3
2 2 1 2
1
41
3 0 1

3C
1
+C
2
C
1
+C
4
=

4 12 1 6
0 2 2 3
2 8 2 4
1
41
0 0 0

(4) El valor del determinante sera igual al cofactor del elemento pivote, es decir:
det(A) = (1)
4+1

12 1 6
2 2 3
8 2 4

12 1 6
2 2 3
8 2 4

Observe que el determinante es de orden 3.

email [email protected] 131 o
_

v o o
_
s z 132
(5) Repetimos el proceso para reducir el determinante de orden 3 a otro equivalente de orden 2,
considerando como lnea de desarrollo, la columna 2, que la multiplicamos por 1.
det(A) = (1)(1)

12 1 6
2 2 3
8 2 4

12 1 6
2 2 3
8 2 4

Elegimos como elemento pivote 1, es decir:

det(A) =

12 1
12
6
2 2 3
8 2 4

2f
1
+f
2
2f
1
+f
3
=

12 1
12
6
26 0 15
16 0 8

= (1)
1+2

26 15
16 8

= 1[(26)(8) (16)(15)] = (208 + 240) = 448

EJEMPLO 3.27. Demostrar la identidad:

a
1
+b
1
x a
1
b
1
x c
1
a
2
+b
2
x a
2
b
2
x c
2
a
3
+b
3
x a
3
b
3
x c
3

= 2x

a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3

SOLUCI

ON.-

a
1
+b
1
x a
1
b
1
x c
1
a
2
+b
2
x a
2
b
2
x c
2
a
3
+b
3
x a
3
b
3
x c
3

C
2
+C
1
=

2a
1
a
1
b
1
x c
1
2a
2
a
2
b
2
x c
2
2a
3
a
3
b
3
x c
3

2a
1
a
1
c
1
2a
2
a
2
c
2
2a
3
a
3
c
3

2a
1
b
1
x c
1
2a
2
b
2
x c
2
2a
3
b
3
x c
3

La columna 2 es suma
de dos terminos
= 2

a
1
a
1
c
1
a
2
a
2
c
2
a
3
a
3
c
3

+ 2

a
1
b
1
x c
1
a
2
b
2
x c
2
a
3
b
3
x c
3

Factorizando 2 de los
determinantes
= 2(0) + 2(x)

a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3

= 2x

a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3

EJEMPLO 3.28. Demostrar que el determinante de la matriz A =
_
_
1 1 1
x y z
x
2
y
2
z
2
_
_
que divide
por x y, x z y z y.
email [email protected] 132 o
_

v o o
_
s z 133
SOLUCI

ON.-
det(A) =

1 1 1
x y z
x
2
y
2
z
2

1C
2
+C
1
1C
3
+C
2
=

0 0 1
x y y z z
x
2
y
2
y
2
z
2
z
2

= (1)
1+3

x y y z
x
2
y
2
y
2
z
2

=
_
x y
__
y
2
z
2
_

_
x
2
y
2
__
y z
_
= (x y)(y +z)(y z) (x +y)(x y)(y z) = (x y)(y z)
_
(y +z) (x +y)
_
luego
det(A) = (x y)(y z)(z x)

EJEMPLO 3.29. Calcular el determinante de la matriz A =

_
_
_
_
1 1 1 3
1 0 2 0
1 1 1 2
2 0 0 2
_
_
_
_
SOLUCI

ON.- Usemos el metodo de Chio:

det(A) =

1 1 1 3
1 0 2 0
1 1 1 2
2 0 0 2

2f
4

= 2

1 1 1 3
1 0 2 0
1 1 1 2
1 0 0 1
44

C
4
+C
1

= 2

2 1 1 3
1 0 2 0
1 1 1 2
0 0 0 1
44

= 2(1)
4+4

2 1 1
1 0 2
1 1
32
1

f
3
+f
1

= 2

3 0 2
1 0 2
1 1
32
1

= 2(1)
3+2

3 2
1 2

= 2(6 + 2) = 8

3.3. Matrices elementales y determinantes

PROPOSICI

ON 3.1. Toda matriz elemental tiene determinante no nulo

email [email protected] 133 o
_

v o o
_
s z 134
DEMOSTRACI

ON.
1- La matriz E
1
(ver ??) que esta asociada a la operacion elemental e
1
multiplicar la la i por la
constante ,= 0 tiene determiante
[E
1
[ = [I[ = ,= 0
pues E
1
se obtiene de la matriz identidad I aplicando dicha propiedad
2- La matriz E
2
(ver ??) que esta asociada a la operacion elemental e
2
intercambiar la la i por
la la j tiene determinante
[E
2
[ = [I[ = 1
pues E
2
se obtiene de la matriz identidad I aplicando dicha propiedad
3- La matriz E
3
(ver ??) que esta asociada a la operacion elemental e
3
sumarle a la i un m ultiplo
de la la j tiene determinante
[E
3
[ = [I[ = 1
pues E
3
se obtiene de la matriz identidad I aplicando dicha propiedad.
PROPOSICI

ON 3.2. Si A es una matriz n n y E una matriz elemental n n se cumple que

[EA[ = [E[ [A[
DEMOSTRACI

ON.
1- Sea E
1
la matriz que esta asociada a la operacion elemental multiplicar la la i por la constante
,= 0 (ver ??)
Por la Proposicion 3.1
[E
1
[ = [I[ = (3.6)
Si B es la matriz que se obtiene al aplicar la operacion e
1
, por las propiedades de determinantes
[B[ = [A[ (3.7)
y por el Teorema 2.2 se cumple que E
1
A = B, con lo cual
[E
1
A[ = [B[ (3.8)
al sustituir (3.6) y (3.7) en (3.8)
[E
1
A[ = [E
1
[ [A[
2- Sea E
2
la matriz que esta asociada a la operacion elemental e
2
intercambiar la la i por la la
j (ver ??)
Por la Proposicion 3.1
[E
2
[ = [I[ = 1 (3.9)
email [email protected] 134 o
_

v o o
_
s z 135
Si B es la matriz que se obtiene al aplicar la operacion e
2
, por las propiedades de determinantes
[B[ = [A[ (3.10)
y por el Teorema 2.2 se cumple que E
2
A = B, con lo cual
[E
2
A[ = [B[ (3.11)
al sustituir (3.9) y (3.10) en (3.11)
[E
1
A[ = [E
1
[ [A[
3- Sea E
3
la matriz que esta asociada a la operacion elemental e
3
sumarle a la i un m ultiplo de
la la j (ver ??)
Por la Proposicion 3.1
[E
3
[ = [I[ = 1 (3.12)
Si B es la matriz que se obtiene al aplicar la operacion e
3
, por las propiedades de determinantes
[B[ = [A[ (3.13)
y por el Teorema 2.2 se cumple que E
3
A = B, con lo cual
[E
3
A[ = [B[ (3.14)
al sustituir (3.12) y (3.13) en (3.14)
[E
1
A[ = [E
1
[ [A[
pues E
3
se obtiene de la matriz identidad I aplicando dicha propiedad.
3.4. Matrices invertibles y determinantes
Ya vimos que una matriz A de orden n n es invertible si y solo si rango(A) = n
Veamos otra condicion equivalente de invertibilidad
LEMA 3.1. Si A no es invertible la forma escalerizada de A tiene por lo menos una la de ceros
DEMOSTRACI

ON. Como A no es invertible, se tiene que rango(A) < n

Al aplicar el proceso de escalerizacion de Gauss, ( es decir que aplicamos una sucesion de opera-
ciones elementales) obtenemos la matriz B (forma escalerizada de A)
A
operacion e
1

operacion e
k
B
email [email protected] 135 o
_

v o o
_
s z 136
Es decir que
E
k
, . . . E
2
E
1
A = B
donde E
i
es la matriz asociada a la operacion elemental e
i
y por lo tanto
A = E
1
1
E
1
2
. . . E
1
k
B
Como
rango(A) = cantidad de escalones no nulos de B
Concluimos que cantidad de escalones no nulos de B< n, es decir que B tiene por lo menos una
la de ceros.
TEOREMA 3.1. Sea A una matriz cuadrada de orden n n.
A es invertible [A[ , = 0
DEMOSTRACI

ON. () Si A es invertible, por el Teorema 2.4, A puede puede factorizarse como

un producto de matrices elementales
A = E
1
E
2
. . . E
k
Luego, por la proposicion 3.2
[A[ = [E
1
E
2
. . . E
k
[ = [E
1
[ [E
2
[ . . . [E
k
[
por la proposicion 3.1 [E
i
[ , = 0, con lo cual [A[ , = 0
() Supongamos, por absurdo, que A no es invertible, Si B es la forma escalerizada de A, existe
una sucesion de matrices elementales tales que
E
k
, . . . E
2
E
1
A = B
Pero como [E
i
[ , = 0 y [B[ = 0 (pues por el Lema 3.1 B tiene por lo menos una la de ceros),
concluimos que [A[ = 0, lo cual contradice nuestra hipotesis
EJEMPLO 3.30. Es invertible la matriz
A =
_
_
2 3 1
4 6 2
1 0 1
_
_
?
SOLUCI

ON.- Al calcular el determinante se comprueba que este es igual a cero, por lo que se
puede armar que dicha matriz no posee inversa.
det(A) =

2 3 1
4 6 2
1 0 1

= 12 + 6 6 12 = 0

email [email protected] 136 o

_

v o o
_
s z 137
3.5. Determinante de un producto de matrices
El determinante del producto de dos matrices cuadradas del mismo orden es igual al producto de
los determinantes:
TEOREMA 3.2 (Binet-Cauchy). Si A y B son matrices n n se cumple que
[AB[ = [A[ [B[
DEMOSTRACI

ON. Primer caso A no es invertible. Si A no es invertible, entonces [A[ = 0

de donde [A[ [B[ = 0. Por otro lado, si A

es la forma escalerizada de A, existe una sucesion de

matrices elementales tales que
E
k
, . . . E
2
E
1
A = A

es decir que
A = E
1
1
E
1
2
. . . E
1
k
A

Luego
[AB[ =

E
1
1
E
1
2
. . . E
1
k
A

y aplicando la proposicion 3.2

[AB[ =

E
1
1

E
1
2

. . .

E
1
k

[A

B[
Pero por el Lema 3.1, A

tiene una la de ceros, y por lo tanto A

B tambien (por la denicion del

producto de matrices), con lo cual [A

B[ = 0, por tanto [AB[ = 0. As, hemos probado que

[AB[ = [A[ [B[ = 0
Segundo caso A es invertible. Si A es invertible, por el Teorema 2.4
A = E
1
E
2
. . . E
k
con cada E
i
matriz elemental
[AB[ = [(E
1
E
2
. . . E
k
) B[
y aplicando la proposicion 3.2
[AB[ = [E
1
[ [E
2
[ . . . [E
k
[ [B[ = [E
1
E
2
. . . E
k
[ [B[ = [A[ [B[ .

EJEMPLO 3.31.

2 1 0
1 2 0
1 2 1

= 3,

1 2 3
3 4 5
1 1 0

= 2

2 1 0
1 2 0
1 2 1

1 2 3
3 4 5
1 1 0

5 8 11
7 10 13
8 11 13

= 6
email [email protected] 137 o
_

v o o
_
s z 138
COROLARIO 3.2. Si A es una matriz invertible, entonces det(A
1
) =
_
det(A)
_
1
=
1
det(A)
DEMOSTRACI

ON. Puesto que AA

1
= I, entonces det(AA
1
) = det(A) det(A
1
) = det(I) =
1, de donde se deduce el resultado.
EJEMPLO 3.32. Suponga que det(A) = 5. Encontrar det
_
(2A)
1
_
donde A =
_
_
a b c
d e f
a b c
_
_
.
SOLUCI

ON.-
det
_
(2A)
1
_
=
1
det(2A)
=
1
2
3
det(A)
=
1
(8)(5)
=
1
40

3.6. Calculo de la matriz inversa por determinantes

Sea A una matriz cuadrada de orden n. Se llama matriz complementaria del elemento a
ij
a la
matriz A
ij
que se obtiene de A eliminando la la i y la columna j. El desarrollo del determinante
de la matriz A = (a
ij
) por su i-esima la es
[A[ = (1)
i+1
a
i1
[A
i1
[ +(1)
i+2
a
i2
[A
i2
[ + +(1)
i+j
a
ij
[A
ij
[ + +(1)
i+n
a
in
[A
in
[ (3.15)
DEFINICI

ON 3.5 (Menor). Se llama menor del elemento a

ij
, al determinante de la matriz
complementaria del elemento a
ij
, es decir es el escalar [A
ij
[.
DEFINICI

ON 3.6 (Cofactor). Se llama cofactor c

ij
del elemento a
ij
(o adjunto de a
ij
) de
la matriz A al n umero real:
c
ij
= (1)
i+j
[A
ij
[
Por lo tanto podemos reescribir el desarrollo (3.15) de la siguiente manera
[A[ = a
i1
c
i1
+a
i2
c
i2
+. . . +a
ij
c
ij
+. . . +a
in
c
in
(3.16)
DEFINICI

ON 3.7 (Matriz de Cofactores). Se llama Matriz de cofactores de la matriz A a

la matriz que contiene los cofactores de cada elemento a
ij
. Se escribe cof(A) = A
c
.
cof(A) =
_
_
_
_
_
c
11
c
12
. . . c
1n
c
21
c
22
. . . c
2n
.
.
.
.
.
.
.
.
.
.
.
.
c
n1
c
n2
. . . c
nn
_
_
_
_
_
email [email protected] 138 o
_

v o o
_
s z 139
DEFINICI

ON 3.8 (Matriz de Adjunta). Se llama Matriz Adjunta de la matriz A a la matriz

transpuesta de la matriz de cofactores. Se escribe adj(A) =
_
cof(A)
_
T
.
adj(A) =
_
cof(A)

T
=
_
_
_
_
_
c
11
c
21
. . . c
n1
c
12
c
22
. . . c
n2
.
.
.
.
.
.
.
.
.
.
.
.
c
1n
c
2n
. . . c
nn
_
_
_
_
_
LEMA 3.2. Si
_
cof (A)

T
es la matriz transpuesta de la matriz de cofactores de A, entonces
A
_
cof (A)

T
=
_
_
_
_
_
[A[ 0 . . . 0
0 [A[ . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . [A[
_
_
_
_
_
.
DEMOSTRACI

ON. Si A
_
cof (A)

T
= ((d
ii
)) queremos probar que:
1. Los elementos de la diagonal de la matriz A
_
cof (A)

T
son todos iguales a [A[, esto es
d
ii
= [A[ .
2. Los elementos que no son de la diagonal de la matriz A
_
cof (A)

T
son todos nulos, esto es
d
ij
= 0 (i ,= j)
Probemos 1. Para ello calculamos el elemento d
ii
de la matriz A
_
cof (A)

T
_
_
_
_
_
. . . . . . c
i1
. . . . . .
. . . . . . c
i2
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . c
in
. . . . . .
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
.
.
.
.
. . . .
.
.
.
.
.
.
.
.
. . . .
.
.
.
a
i1
a
i2
. . . a
in
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
.
.
.
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
. . . . . . . . . . . .
. . . . . . . . . . . .
d
ii
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . . . . . . . . . .
_
_
_
_
_
_
_
Por lo tanto d
ii
= a
i1
c
i1
+a
i2
c
i2
+. . . +a
ij
c
ij
+. . . +a
in
c
in
, pero por (3.16) [A[ = a
i1
c
i1
+a
i2
c
i2
+
. . . +a
ij
c
ij
+. . . +a
in
c
in
, con lo cual d
ii
= [A[ .
email [email protected] 139 o
_

v o o
_
s z 140
Probemos 2. Calculamos el elemento d
ij
de la matriz A
_
cof (A)

T
_
_
_
_
_
. . . . . . . . . c
j1
. . .
. . . . . . . . . c
j2
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . . . . c
jn
. . .
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
.
.
.
.
. . . .
.
.
.
.
.
.
.
.
. . . .
.
.
.
a
i1
a
i2
. . . a
in
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
.
.
.
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
. . . . . . . . . . . .
. . . . . . . . . . . .
d
ij
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . . . . . . . . . .
_
_
_
_
_
_
_
Por lo tanto d
ij
= a
i1
c
j1
+a
i2
c
j2
+. . . +a
ik
c
jk
+. . . +a
in
c
jn
.
Por otro lado consideremos la matriz B que se obtiene de A cambiando la la j por la la i:
B =
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_


la i

la j
.
.
.

Si calculamos el determinante de B desarrollando por la j-esima la se tiene que
[B[ = (1)
j+1
b
j1
[B
j1
[ + (1)
j+2
b
j2
[B
j2
[ + + (1)
j+k
b
jk
[B
jk
[ + + (1)
j+n
b
jn
[B
jn
[
pero como b
jk
= a
ik
y B
jk
= A
jk
, resulta que
[B[ = (1)
j+1
a
i1
[A
j1
[ + (1)
j+2
a
i2
[A
j2
[ + + (1)
j+k
a
ik
[A
jk
[ + + (1)
j+n
a
in
[A
jn
[
pero c
jk
= (1)
j+k
[A
jk
[, por lo cual
[B[ = a
i1
c
j1
+a
i2
c
j2
+. . . +a
ik
c
jk
+. . . +a
in
c
jn
.
Esto prueba que [B[ = d
ij
. Como [B[ = 0 (pues tiene dos las iguales), se prueba lo deseado.
TEOREMA 3.3 (Metodo de la Adjunta). Si A es invertible, entonces
A
1
=
1
[A[
_
cof(A)

T
=
1
det(A)
adj(A)
email [email protected] 140 o
_

v o o
_
s z 141
DEMOSTRACI

ON. Por el lema anterior

A
_
cof(A)

T
=
_
_
_
_
_
[A[ 0 . . . 0
0 [A[ . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . [A[
_
_
_
_
_
= [A[
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
= [A[ I
Siendo A invertible se tiene que [A[ , = 0, con lo cual
1
[A[
A
_
cof(A)

T
= I esto es
A
_
1
[A[
_
cof(A)

T
_
I,
lo cual prueba que A
1
=
1
[A[
_
cof(A)

T
.

EJEMPLO 3.33. La matriz A =

_
_
1 1 2
4 2 4
5 0 1
_
_
es invertible pues [A[ = 34 ; calculemos los
cofactores de A
SOLUCI

ON.- A
11
=
_
2 4
0 1
_
[A
11
[ =

2 4
0 1

= 2 c
11
= 2
y trabajando de la misma manera se obtienen
[A
21
[ =

1 2
0 1

= 1 c
21
= 1; [A
31
[ =

1 2
2 4

= 8 c
31
= 8;
[A
12
[ =

4 4
5 1

= 16 c
12
= 16; [A
22
[ =

1 2
5 1

= 9 c
22
= 9;
[A
32
[ =

1 2
4 4

= 4 c
32
= 4; [A
13
[ =

4 2
5 0

= 10 c
13
= 10;
[A
23
[ =

1 1
5 0

= c
23
= 5; [A
33
[ =

1 1
4 2

= 6 c
33
= 6
Por lo tanto cof (A) =
_
_
2 16 10
1 9 5
8 4 6
_
_
con lo cual
A
1
=
1
[A[
[cof (A)]
t
=
1
34
_
_
2 1 8
16 9 4
10 5 6
_
_
=
_
_

1
17

1
34
4
17

8
17
9
34

2
17
5
17
5
34

3
17
_
_
.

EJEMPLO 3.34. Dada la matriz

_
a b
c d
_
, calcular su matriz inversa A
1
email [email protected] 141 o
_

v o o
_
s z 142
SOLUCI

ON.- Primeramente calculamos la matriz de cofactores:

cof (A) =
_
(1)
1+1
[d[ (1)
1+2
[c[
(1)
2+1
[b[ (1)
2+2
[a[
_
=
_
d c
b a
_
Por tanto, la matriz Adjunta adj(A) es:
adj(A) =
_
cof(A)
_
T
=
_
d b
c a
_
Si el determinante es no nulo:
det(A) =

a b
c d

= ad bc ,= 0.
Entonces, aplicando la denicion anterior obtenemos la matriz inversa de A:
A
1
=
1
det(A)
adj(A) =
1
ad bc
_
d b
c a
_

EJEMPLO 3.35. Hallar la inversa de la matriz:
_
_
1 3 2
2 5 0
0 1 2
_
_
SOLUCI

ON.- Resolvemos este problema por etapas:

x Calculo del valor de su determinante:

1 3 2
2 5 0
0 1 2

= 10 4 12 = 26 ,= 0
Al ser el determinante diferente de cero sabemos, pues, que la matriz tendra inversa.
y Calculo de la matriz de cofactores cof (A). Los cofactores de los nueve elementos de A son:
email [email protected] 142 o
_

v o o
_
s z 143
c
11
= +

5 0
1 2

= 10 c
12
=

2 0
0 2

= 4 c
13
=

2 5
0 1

= 2
c
21
=

3 2
1 2

= 8 c
22
= +

1 2
0 2

= 2 c
23
=

1 3
0 1

= 1
c
31
= +

3 2
5 0

= 10 c
32
=

1 2
2 0

= 4 c
33
= +

1 3
2 5

= 11
Por tanto, la matriz de cofactores o adjuntos es:
cof (A) =
_
_
10 4 2
8 2 1
10 4 11
_
_
z Calculo de la matriz Adjunta, la traspuesta de la matriz de cofactores.
adj(A) =
_
cof(A)
_
T
=
_
_
10 8 10
4 2 4
2 1 11
_
_
{ Entonces, aplicando la denicion anterior obtenemos la matriz inversa de A:
A
1
=
1
det(A)
adj(A) =
1
26
_
_
10 8 10
4 2 4
2 1 11
_
_
=
_
_
5/13 4/13 5/13
2/13 1/13 2/13
1/13 1/26 11/26
_
_

EJEMPLO 3.36. Hallar la inversa de la matriz:
_
_
1 2 1
0 3 2
2 1 5
_
_
SOLUCI

ON.- Resolvemos este problema por etapas:

x Calculo del valor de su determinante:

1 2 1
0 3 2
2 1 5

= 15 + 8 + 0 6 2 = 15 ,= 0
Al ser el determinante diferente de cero sabemos, pues, que la matriz tendra inversa.
email [email protected] 143 o
_

v o o
_
s z 144
y Calculo de la matriz de cofactores cof (A). Los cofactores de los nueve elementos de A son:
c
11
= +

3 2
1 5

= 17 c
12
=

0 2
2 5

= 4 c
13
= +

0 3
2 1

= 6
c
21
=

2 1
1 5

= 11 c
22
= +

1 1
2 5

= 7 c
23
=

1 2
2 1

= 3
c
31
= +

2 1
3 2

= 1 c
32
=

1 1
0 2

= 2 c
33
= +

1 2
0 3

= 3
Por tanto, la matriz de cofactores o adjuntos es:
cof (A) =
_
_
17 4 6
11 7 3
1 2 3
_
_
z La traspuesta de la matriz de los cofactores anteriores proporciona el adjunto de A:
adj(A) =
_
cof(A)
_
T
=
_
_
17 11 1
4 7 2
6 3 3
_
_
{ Entonces, aplicando la denicion anterior obtenemos la matriz inversa de A:
A
1
=
1
det(A)
adj(A) =
1
15
_
_
17 11 1
4 7 2
6 3 3
_
_

EJEMPLO 3.37. Vamos a calcular la matriz inversa A
1
de la matriz A
_
_
1 0 1
0 2 3
1 1 1
_
_
SOLUCI

ON.- Para que la matriz tenga matriz inversa dbe reunir dos condiciones: Debe ser una
matriz cuadrada y su determinante debe ser distinto de cero.
x Nuestra matriz es cuadrada de orden 3 y su determinante es distinto de cero, en efecto:

1 0 1
0 2 3
1 1 1

= 2 + 0 + 0 + 2 + 3 + 0 = 7 ,= 0
Al ser el determinante diferente de cero sabemos, pues, que la matriz tendra inversa.
email [email protected] 144 o
_

v o o
_
s z 145
y Calculo de la matriz de cofactores cof (A). Los cofactores de los nueve elementos de A son:
c
11
= +

2 3
1 1

= 5 c
12
=

0 3
1 1

= 3 c
13
= +

0 2
1 1

= 2
c
21
=

0 1
1 1

= 1 c
22
= +

1 1
1 1

= 2 c
23
=

1 0
1 1

= 1
c
31
= +

0 1
2 3

= 2 c
32
=

1 1
0 3

= 3 c
33
= +

1 0
0 2

= 2
Por tanto, la matriz de cofactores o adjuntos es:
cof (A) =
_
_
5 3 2
1 2 1
2 3 2
_
_
z El siguiente paso consiste en transponer la matriz de los cofactores obtenida en el paso
previo.
adj(A) =
_
cof(A)
_
T
=
_
_
5 1 2
3 2 3
2 1 2
_
_
{ Entonces, aplicando la denicion anterior obtenemos la matriz inversa de A:
A
1
=
1
det(A)
adj(A) =
1
7
_
_
5 1 2
3 2 3
2 1 2
_
_
=
_
_
_
_
_
_
_
_
5
7
1
7
2
7
3
7
2
7

3
7

2
7
1
7
2
7
_
_
_
_
_
_
_
_
| Comprobando que se cumple la propiedad fundamental de la matriz inversa
_
_
1 0 1
0 2 3
1 1 1
_
_
_
_
_
_
_
_
_
_
5
7
1
7
2
7
3
7
2
7

3
7

2
7
1
7
2
7
_
_
_
_
_
_
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_

email [email protected] 145 o

_

v o o
_
s z 146
EJEMPLO 3.38. Calcular la matriz inversa A
1
de la matriz A
_
_
1 2 3
5 1 2
3 4 3
_
_
SOLUCI

ON.- Para que la matriz tenga matriz inversa dbe reunir dos condiciones: Debe ser una
matriz cuadrada y su determinante debe ser distinto de cero.
x Nuestra matriz es cuadrada de orden 3 y su determinante es distinto de cero, en efecto:

1 2 3
5 1 2
3 4 3

= 103 ,= 0
Al ser el determinante diferente de cero sabemos, pues, que la matriz tendra inversa.
y Calculamos todos los cofactores de la matriz A.
c
11
= +

1 2
4 3

= 5 c
12
=

5 2
3 3

= 21 c
13
= +

5 1
3 4

= 17
c
21
=

2 3
4 3

= 6 c
22
= +

1 3
3 3

= 12 c
23
=

1 2
3 4

= 2
c
31
= +

2 3
1 2

= 1 c
32
=

1 3
5 2

= 13 c
33
= +

1 2
5 1

= 9
z con las respuestas formo la matriz cof (A) y luego obtengo
_
cof(A)
_
T
que es la adj(A)
cof (A) =
_
_
5 21 17
6 12 2
1 13 9
_
_
adj(A) =
_
cof(A)
_
T
=
_
_
5 6 1
21 12 13
17 2 9
_
_
{ Entonces, aplicando la denicion anterior obtenemos la matriz inversa de A:
A
1
=
1
det(A)
adj(A) =
1
103
_
_
5 6 1
21 12 13
17 2 9
_
_

EJEMPLO 3.39. Dada la matriz
_
_
2 3 4
2 1 1
1 1 2
_
_
, calcular su matriz inversa A
1
email [email protected] 146 o
_

v o o
_
s z 147
SOLUCI

ON.- Primeramente calculamos la matriz de cofactores:

cof (A) =
_
_
_
_
_
_
_
_
_
_
_
(1)
1+1

1 1
1 2

(1)
1+2

2 1
1 2

(1)
1+3

2 1
1 1

(1)
2+1

3 4
1 2

(1)
2+2

2 4
1 2

(1)
2+3

2 3
1 1

(1)
3+1

3 4
1 1

(1)
3+2

2 4
2 1

(1)
3+3

2 3
2 1

_
_
_
_
_
_
_
_
_
_
_
=
_
_
1 3 1
2 0 1
1 6 4
_
_
Por tanto, la matriz Adjunta adj(A) es:
adj(A) =
_
cof(A)
_
T
=
_
_
1 2 1
3 0 6
1 1 4
_
_
Hallamos ahora el determinante:
det(A) =

2 3 4
2 1 1
1 1 2

= 3 ,= 0
Entonces, aplicando la denicion anterior obtenemos la matriz inversa de A:
A
1
=
1
det(A)
adj(A) =
1
3
_
_
1 2 1
3 0 6
1 1 4
_
_

EJEMPLO 3.40. Hallar la matriz Adjunta y su matriz inversa usando: A
1
=
Adj(A)
[A[
.
(a)
_
_
5 0 4
3 1 2
9 4 6
_
_
(b)
_
_
_
_
1 0 2 7
0 1 3 2
2 2 4 9
1 1 2 5
_
_
_
_
(c)
_
_
_
_
1 2 1 3
2 5 4 5
3 9 10 9
4 11 12 16
_
_
_
_
SOLUCI

ON.-
EJEMPLO 3.41. Hallar

A
1

2
si Adj(A) =
_
_
1 2 0
2 1 1
2 4 3
_
_
.
email [email protected] 147 o
_

v o o
_
s z 148
SOLUCI

ON.-
EJEMPLO 3.42. Una persona dispona de 60000 euros y los repartio en tres fondos de inversion
diferentes (A, B y C), obteniendo as 4500 euros de benecios. Sabemos que en el fondo A invirtio el
doble que en los fondos B y C juntos; sabemos tambien que el rendimiento de la inversion realizada
en los fondos A, B y C fue del 5 %, 10 % y 20 % respectivamente. a) Plantear un sistema para
determinar las cantidades invertidas en cada uno de los fondos. b) Resolver el sistema anterior.
SOLUCI

ON.- Si 0 r 100, entonces el r % de a es calculado mediante la siguiente formula:

p =
r
100
a.
Eligiendo las incognitas
x la cantidad de euros invertida en el fondos de inversion A
y la cantidad de euros invertida en el fondos de inversion B
z la cantidad de euros invertida en el fondos de inversion C
El capital inicial de ambos amigos es de 60000 euros. Esto conduce a establecer nuestra primera
ecuacion x +y +z = 60000.
Puesto que el rendimiento de la inversion realizada en los fondos A es del 5 %, entonces se invierte
x euros al 5 %, de modo similar obtenemos que la inversion de y euros es al 10 % y z euros al 20 %.
Al cabo del a no los x euros se convierten en x mas el 5 % de x, esto es, este amigo percibe 0.04x
euros adicionales. Ahora bien, por invertir y euros al 10 % al cabo de primer a no recibe 0.05y euros
adicionales y nalmente recibe 0.06z euros. Como se obtienen 4500 euros de benecios. Entonces
al sumar las cantidades mencionadas debemos tener:
0.05x + 0.10y + 0.20z = 4500
Por otro lado, sabemos que en el fondo A invirtio el doble que en los fondos B y C juntos, esto
conduce a la siguiente ecuacion:
x = 2(y +z)
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
x + y + z = 60000
0.05x + 0.10y + 0.20z = 4500
x 2y 2z = 0
Este sistema escrito de forma matricial, equivale a
_
_
1 1 1
0.05 0.10 0.20
1 2 2
_
_
_
_
x
y
z
_
_
=
_
_
60000
4500
0
_
_
email [email protected] 148 o
_

v o o
_
s z 149
Primeramente calculamos la matriz de cofactores de la matriz de coecientes A:
cof (A) =
_
_
_
_
_
_
_
_
_
_
_
(1)
1+1

0.10 0.20
2 2

(1)
1+2

0.05 0.20
1 2

(1)
1+3

0.50 0.10
1 2

(1)
2+1

1 1
2 2

(1)
2+2

1 1
1 2

(1)
2+3

1 1
1 2

(1)
3+1

1 1
0.05 0.10

(1)
3+2

1 1
0.05 0.20

(1)
3+3

1 1
0.05 0.10

_
_
_
_
_
_
_
_
_
_
_
=
_
_
0.2 0.3 0.2
0 3 3
0.1 0.15 0.05
_
_
Por tanto, la matriz Adjunta adj(A) es:
adj(A) =
_
cof(A)
_
T
=
_
_
0.2 0 0.1
0.3 3 0.15
0.2 3 0.05
_
_
Hallamos ahora el determinante:
det(A) =

1 1 1
0.05 0.10 0.20
1 2 2

= 0.3 ,= 0
Entonces, aplicando la denicion anterior obtenemos la matriz inversa de A:
A
1
=
1
det(A)
adj(A) =
_
_
0.666667 0 0.333333
1 10 0.5
0.666667 1 0.166667
_
_
_
_
x
y
z
_
_
=
_
_
0.666667 0 0.333333
1 10 0.5
0.666667 1 0.166667
_
_
_
_
60000
4500
0
_
_
=
_
_
40000
15000
5000
_
_

3.7. Regla de Cramer
Llamaremos sistema lineal de n ecuaciones con n incognitas a un sistema de ecuaciones de la forma
email [email protected] 149 o
_

v o o
_
s z 150
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
a
n1
x
1
+a
n2
x
2
+ +a
nn
x
n
= b
n
(3.17)
que escrito de forma matricial, equivale a
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
=
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
(3.18)
Denotemos por A la matriz de coecientes, x el vector de incognitas y b el vector de terminos
independientes, esto es
A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
_
x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
b =
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
luego 3.18 puede escribirse abreviadamente como Ax = b. Sean: A
1
, A
2
, A
3
,...,A
n
las matrices que
se obtiene al sustituir los terminos independientes en la 1ra columna , en la 2da columna, en la
3ra columna y en la enesima columna respectivamente. Esto es, la matriz A
j
con j = 1, 2, 3, ..., n
se obtiene de la matriz A al sustituir la j-esima columna por el vector b.
A
1
=
_
_
_
_
_
b
1
a
12
. . . a
1n
b
2
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
b
n
a
n2
. . . a
nn
_
_
_
_
_
, A
2
=
_
_
_
_
_
a
11
b
1
. . . a
1n
a
21
b
2
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
b
n
. . . a
nn
_
_
_
_
_
, ...., A
n
=
_
_
_
_
_
a
11
a
12
. . . b
1
a
21
a
22
. . . b
2
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . b
n
_
_
_
_
_
TEOREMA 3.4 (Regla de Cramer 1). Sea A una matriz de orden n n Si [A[ , = 0 entonces
el sistema Ax = b es compatible y determinado y su solucion ( unica) es
x
j
=
[A
j
[
[A[
j = 1, 2 . . . , n
donde A
j
es la matriz que se obtiene de A sustituyendo la columna j por b
DEMOSTRACI

ON. Como [A[ , = 0, existe A

1
, por lo tanto Ax = b x = A
1
b lo que prueba
email [email protected] 150 o
_

v o o
_
s z 151
la existencia y la unicidad de la solucion, para encontrarla proseguimos como sigue
x = A
1
b
x =
_
1
[A[
_
cof(A)

T
_
b
_
_
_
_
_
_
_
x
1
.
.
.
x
j
.
.
.
x
n
_
_
_
_
_
_
_
=
1
[A[
_
_
_
_
_
_
_
c
11
c
21
. . . c
n1
.
.
.
.
.
.
.
.
.
.
.
.
c
1j
c
2j
. . . c
nj
.
.
.
.
.
.
.
.
.
.
.
.
c
1n
c
2n
. . . c
nn
_
_
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
_
_
_
_
_
_
_
x
1
.
.
.
x
j
.
.
.
x
n
_
_
_
_
_
_
_
=
1
[A[
_
_
_
_
_
_
_
c
11
b
1
+c
21
b
2
+. . . +c
n
b
n
.
.
.
c
1j
b
1
+c
2j
b
2
+. . . +c
nj
b
n
.
.
.
c
1n
b
1
+c
2n
b
2
+. . . +c
n
2b
n
_
_
_
_
_
_
_
Por lo tanto
x
j
=
1
[A[
(c
1j
b
1
+c
2j
b
2
+. . . +c
nj
b
n
) j = 1, 2 . . . , n (3.19)
Por otro lado si consideramos la matriz
A
j
=
_
_
_
_
_
a
11
b
1
a
1n
a
i1
b
2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
b
n
a
nn
_
_
_
_
_
que se obtiene de A sustituyendo la columna j por b, y desarrollamos el determinante de A
j
por
la columna j se tiene que
[A
j
[ = (1)
j+1
b
1
[A
1j
[ + (1)
j+2
b
2
[A
2j
[ +. . . + (1)
j+n
b
j
[A
nj
[
= c
1j
b
1
+c
2j
b
2
+. . . +c
nj
b
n
Al sustituir en (3.19) se obtiene x
j
=
[A
j
[
[A[
j = 1, 2 . . . , n.

EJEMPLO 3.43. Vamos a resolver el sistema

_
_
_
x + 2y z = 7
2x +y +z = 6
x y + 3z = 1
usando la regla de Cramer.
En este caso A =
_
_
1 2 1
2 1 1
1 1 3
_
_
y b =
_
_
7
6
1
_
_
email [email protected] 151 o
_

v o o
_
s z 152
Como [A[ = 3 ,= 0 el sistema es compatible y determinado y sus soluciones son
x =
[A
1
[
[A[
=

7 2 1
6 1 1
1 1 3

3
=
5
3
,
y =
[A
2
[
[A[
=

1 7 1
2 6 1
1 1 3

3
=
8
3
, z =
[A
3
[
[A[
=

1 2 7
2 1 6
1 1 1

3
= 0

TEOREMA 3.5 (Cramer 2). Si [A[ = 0 y existe j

0
tal que [A
j
0
[ , = 0 entonces el sistema Ax = b
es incompatible
EJEMPLO 3.44. Como [A[ = 0 se tiene que rango (A) < n. Por otro lado si

A = (A[ b) es la
matriz ampliada del sistema, como las columnas de A
j
0
son tambien columnas de

A se tiene que
rango
_

A
_
rango (A
j
0
)
Ademas rango (A
j
0
) = n, por ser [A
j
0
[ , = 0, con lo cual n rango
_

A
_
. Por lo tanto
rango (A) < rango
_

A
_
y por el teorema de Rouche - Frobenius el sistema Ax = b es incompat-
ible.
Observaci on 3.3. Un error frecuente es decir que: Si [A[ = 0 y [A
j
[ = 0 entonces el sistema
Ax = b es indeterminado. Veamos ejemplos.
EJEMPLO 3.45. Para el sistema de ecuaciones
_
_
_
x +y +z = 1
x +y +z = 1
x +y +z = 0
se tiene que
A =
_
_
1 1 1
1 1 1
1 1 1
_
_
b =
_
_
1
1
0
_
_
Por lo tanto [A[ = [A
1
[ = [A
2
[ = [A
3
[ = 0, sin embargo es evidente que el sistema es incompatible.
Mientras que para el sistema de ecuaciones
_
_
_
x +y +z = 1
x +y +z = 1
x +y +z = 1
se tiene que A =
_
_
1 1 1
1 1 1
1 1 1
_
_
,
b =
_
_
1
1
1
_
_
y tambien se cumple que [A[ = [A
1
[ = [A
2
[ = [A
3
[ = 0, pero el sistema es compatible
e indeterminado.
email [email protected] 152 o
_

v o o
_
s z 153
EJEMPLO 3.46. Resolver el siguiente sistema por la regla de Cramer.
2x + 3y + z = 3
x y + z = 5
y + z = 2
SOLUCI

ON.-
La expresion matricial es
_
_
2 3 1
1 1 1
0 1 1
_
_
_
_
x
y
z
_
_
=
_
_
3
5
2
_
_
El determinante de la matriz de coecientes toma el valor
=

2 3 1
1 1 1
0 1 1

= 6 ,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos

1
=

3 3 1
5 1 1
2 1 1

= 24,
1
=

2 3 1
1 5 1
0 2 1

= 9,
1
=

2 3 3
1 1 5
0 1 2

= 3.
De donde obtenemos la solucion del sistema
x =
24
6
= 4, y =
9
6
=
3
2
, z =
3
6
=
1
2
.

EJEMPLO 3.47. Resolver el sistema de ecuaciones lineales usando la regla de Cramer. Hacer
la comprobacion.
3x + 5y = 1
x + 2y = 7
SOLUCI

ON.- Primero calculamos el determinante del sistema:

= det(A) =

3 5
1 2

= 11
El determinante es no nulo, por lo tanto el sistema tiene una solucion unica y se puede aplicar
la regla de Cramer. Calculamos los determinantes de las matrices A
1
y A
2
y los componentes del
vector solucion:
email [email protected] 153 o
_

v o o
_
s z 154

1
= det(A
1
) =

1 5
7 2

= 33 x =

1

=
33
11
= 3

2
= det(A
2
) =

3 1
1 7

= 22 y =

2

=
22
11
= 2
Respuesta:
x =
_
3
2
_
.
Comprobacion:
Ax =
_
3 5
1 2
__
3
2
_
=
_
9 + 10
3 + 4
_
=
_
1
7
_
.

EJEMPLO 3.48. Utiliza la regla de Cramer para resolver el sistema:

2x 3y = 4
5x + 7y = 1
SOLUCI

ON.- Este sistema escrito de forma matricial, equivale a

_
2 3
5 7
__
x
y
_
=
_
4
1
_
Primero calculamos el determinante de la matriz de coecientes del sistema:
= det(A) =

2 3
5 7

= (2)(7) (5)(3) = 14 + 15 = 29
El determinante es no nulo, por lo tanto el sistema tiene una solucion unica y se puede aplicar
la regla de Cramer. Calculamos los determinantes de las matrices A
1
y A
2
y los componentes del
vector solucion:

1
= det(A
1
) =

4 3
1 7

= 25 x =

1

=
25
29

2
= det(A
2
) =

2 4
5 1

= 22 y =

2

=
22
29

EJEMPLO 3.49. Usando la regla de Cramer resolver el sistema de tres ecuaciones lineales:
x 2z = 3
y + 3z = 1
2x + 5z = 0
email [email protected] 154 o
_

v o o
_
s z 155
SOLUCI

ON.- Este sistema escrito de forma matricial, equivale a

_
_
1 0 2
0 1 3
2 0 5
_
_
_
_
x
y
z
_
_
=
_
_
3
1
0
_
_
El determinante de la matriz de coecientes A toma el valor
=

1 0 2
0 1 3
2 0 5

= (1)

1 2
2 5

= 1[(1)(5) (2)(2)] = 9 ,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes

x
=

3 0 2
1 1 3
0 0 5

= (1)

3 2
0 5

= 1[(3)(5) (0)(2)] = 15

y
=

1 3 2
0 1 3
2 0 5

= (1)
1+1
(1)

1 3
0 5

+ (1)
3+1
(2)

3 2
1 3

= 1[(1)(5) (0)(3)] + 2[(3)(3) (1)(2)] = 27

z
=

3 0 3
1 1 1
0 0 0

= (1)

1 3
2 0

= 1[(1)(0) (2)(3)] = 6
De donde obtenemos la solucion del sistema
x =

x

=
15
9
=
5
3
, y =

y

=
27
9
= 3, z =

z

=
6
9
=
2
3
.

EJEMPLO 3.50. Tres lneas de ensamble A, B y C trabajan durante 15, 22 y 23 horas respec-
tivamente. Se ensamblan tres productos L, M y N en estas lneas como sigue: una unidad de L
esta en A durante 1 hora, en B durante 2 horas y en C durante 1 horas; una unidad de M esta en
A durante 2 hora, en B durante 2 horas y en C durante 3 horas; una unidad de N esta en A
durante 1 hora, en B durante 2 horas y en C durante 2 horas. Si las lneas se usan a maxima
capacidad encontrar el n umero de unidades que es posible ensamblar de cada producto.
SOLUCI

ON.- La siguiente matriz lneasproductos resume todos los datos

L M N
A 1 2 1
B 2 2 2
C 1 3 2
email [email protected] 155 o
_

v o o
_
s z 156
Sean
x el n umero de unidades que es posible ensamblar del producto L
y el n umero de unidades que es posible ensamblar del producto M
z el n umero de unidades que es posible ensamblar del producto N
Puesto que la lnea de ensamble A trabaja durante 15 horas, entonces obtenemos la siguiente
ecuacion
x + 2y + 1z = 15
Por otra parte la lnea de ensamble B trabaja durante 22, esto se traduce en la ecuacion
2x + 2y + 2z = 22
y nalmente C trabaja durante 23 , esto es:
x + 3y + 2z = 23
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
x + 2y + 1z = 15
2x + 2y + 2z = 22
1x + 2y + 2z = 23
Este sistema escrito de forma matricial, equivale a
_
_
1 2 1
2 2 2
1 3 2
_
_
_
_
x
y
z
_
_
=
_
_
15
22
23
_
_
El determinante de la matriz de coecientes A toma el valor
=

1 2 1
2 2 2
1 3 2

1 2 1
0 2 0
1 3 2

= 2

1 1
1 2

= 2[2 1] = 2 ,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes

x
=

15 2 1
22 2 2
23 3 2

15 2 1
8 2 0
7 1 0

= (1)
1+3
(1)

8 2
7 1

= 8 14 = 6

y
=

1 15 1
2 22 2
1 23 2

1 15 1
0 8 0
1 23 2

= (1)
2+2
(8)

1 1
1 2

= 8[2 1] = 8
email [email protected] 156 o
_

v o o
_
s z 157

z
=

1 2 15
2 2 22
1 3 23

1 2 15
0 2 8
0 1 8

= (1)
1+1
(1)

2 8
1 8

= 16 + 8 = 8
De donde obtenemos la solucion del sistema
x =

x

=
6
2
= 3, y =

y

=
8
2
= 4, z =

z

=
8
2
= 4.

EJEMPLO 3.51. Una persona coloca parte de su capital al 5 %, otra parte al 4 % y el resto al
3 %. La primera parte representa los tres quintos de la segunda y la tercera la suma de las otras
dos. Al a no retira todo, recibiendo en conjunto Bs 15926.40, calcular el monto de cada una de las
partes.
SOLUCI

ON.- Si 0 r 100, entonces el r % de a es calculado mediante la siguiente formula:

p =
r
100
a.
Eligiendo las incognitas
x 1ra parte del capital
y 2da parte del capital
z 3ra parte del capital
El capital inicial de esta persona es x +y +z. Puesto que esta persona coloca x bs al 5 %, y bs al
4 % y z bs al 3 %. Al cabo del a no los x bs se convierten en x mas el 5 % de x, esto es x + 0.05x,
los y bs se convierten en y +0.04y y los z bs se convierten en z +0.03z. Por tanto el capital inicial
al cabo del a no es (x + 0.05x) + (y + 0.04y) + (z + 0.03z) que es igual a 15926.40. Por tanto,
obtenemos nuestra primera ecuacion
(x + 0.05x) + (y + 0.04y) + (z + 0.03z) = 15926.40
esto es
1.05x + 1.04y + 1.03z = 15926.40
Por otra parte, se sabe que la primera parte representa los tres quintos de la segunda, que se
traduce en la ecuacion x =
3
5
y. Finalmente, la frase: la tercera es la suma de las otras dos, se
escribe en forma de ecuacion como z = x +y
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
1.05x + 1.04y + 1.03z = 15926.40
5x 3y = 0
x + y z = 0
email [email protected] 157 o
_

v o o
_
s z 158
Este sistema escrito de forma matricial, equivale a
_
_
1.05 1.04 1.03
5 3 0
1 1 1
_
_
_
_
x
y
z
_
_
=
_
_
15926.40
0
0
_
_
El determinante de la matriz de coecientes A toma el valor
=

1.05 1.04 1.03

5 3 0
1 1 1

2.08 2.07 0
5 3 0
1 1 1

= 1

2.08 2.07
5 3

= 1[(2.08)(3) (5)(2.07)] = 1(6.24 10.35) = 16.59

por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes

x
=

15926.40 1.04 1.03

0 3 0
0 1 1

= 15926.40

3 0
1 1

= 15926.40(3) = 47779.2

y
=

1.05 15926.40 1.03

5 0 0
1 0 1

= (1)
1+2
(15926.40)

5 0
1 1

= 15926.40[5] = 79632

z
=

1.05 1.04 15926.40

5 3 0
1 1 0

= (1)
1+3
(15926.40)

5 3
1 1

= 15926.40[5 + 3] = 127411.2
De donde obtenemos la solucion del sistema
x =

x

=
47779.2
16.59
= 2880, y =

y

=
79632
16.59
= 4800, z =

z

=
127411.2
16.59
= 7680.

EJEMPLO 3.52. Dos amigos invierten 20000 $ cada uno. El primero coloca una cantidad x al
4 % de interes, una cantidad y al 5 % y el resto al 6 %. El otro invierte la misma cantidad y al 5 %,
la y al 6 % y el resto al 4 %. Determina las cantidades x, y y z sabiendo que el primero obtiene
unos intereses de 1050 $ y el segundo de 950 $.
SOLUCI

ON.- Si 0 r 100, entonces el r % de a es calculado mediante la siguiente formula:

p =
r
100
a.
Eligiendo las incognitas
email [email protected] 158 o
_

v o o
_
s z 159
x 1ra parte del capital invertido
y 2da parte del capital invertido
z 3ra parte del capital invertido
El capital inicial de ambos amigos es de 20000 $. Esto conduce a establecer nuestra primera
ecuacion x +y +z = 20000.
Puesto que este amigo invierte x $ al 4 %, y $ al 5 % y z $ al 6 %. Al cabo del a no los x $ se
convierten en x mas el 4 % de x, esto es, este amigo percibe 0.04x $ adicionales. Ahora bien, por
invertir y $ al 5 % al cabo de primer a no recibe 0.05y $ adicionales y nalmente recibe 0.06z $.
Como el primero obtiene unos intereses de 1050 $. Entonces al sumar las cantidades mencionadas
debemos tener:
0.04x + 0.05y + 0.06z = 1050
Por otro lado, el segundo obtiene unos intereses de 950 $, un analisis similar con las cantidades
invertidas por el segundo amigo conduce a la siguiente ecuacion:
0.05x + 0.06y + 0.04z = 950
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
x + y + z = 20000
0.04x + 0.05y + 0.06z = 1050
0.05x + 0.06y + 0.04z = 950
Este sistema escrito de forma matricial, equivale a
_
_
1 1 1
0.04 0.05 0.06
0.05 0.06 0.04
_
_
_
_
x
y
z
_
_
=
_
_
20000
1050
950
_
_
El determinante de la matriz de coecientes A toma el valor
=

1 1 1
0.04 0.05 0.06
0.05 0.06 0.04

1 1 1
0 0.01 0.02
0 0.01 0.01

= 1

0.01 0.02
0.01 0.01

= [(0.01)(0.01) (0.01)(0.02)] = 0.0003

por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes

x
=

20000 1 1
50 0 0.01
250 0 0.02

= (1)
1+2
(1)

50 0.01
250 0.02

= 1.5
email [email protected] 159 o
_

v o o
_
s z 160

y
=

1 20000 1
0.04 1050 0.06
0.05 950 0.04

1 20000 1
0 250 0.02
0 50 0.01

= 1.5

z
=

1 1 20000
0 0.01 250
0 0.01 50

= (1)
1+1
(1)

0.01 250
0.01 50

= 3
De donde obtenemos la solucion del sistema
x =

x

=
1.5
0.0003
= 5000, y =

y

=
1.5
0.0003
= 5000, z =

z

=
3
0.0003
= 10000.

EJEMPLO 3.53. Una tienda ha vendido 600 ejemplares de un videojuego por un total de 6384
$. El precio original era de 12 $, pero tambien ha vendido copias defectuosas con descuentos del
30 % y del 40 %. Sabiendo que el n umero de copias defectuosas vendidas fue la mitad del de copias
en buen estado, calcula a cuantas copias se le aplico el 30 % de descuento.
SOLUCI

ON.- Si 0 r 100, entonces el r % de a es calculado mediante la siguiente formula:

p =
r
100
a.
Eligiendo las incognitas
x el n umero de copias que se vendio a 12 $
y el n umero de copias que se le aplico el 30 % de descuento
z el n umero de copias que se le aplico el 40 % de descuento
Puesto que la tienda ha vendido 600 ejemplares del videojuego, entonces tenemos que x+y +z =
600. Por otro lado, el 30 % de 12 es calculado mediante la siguiente formula:
p =
30
100
12 = 3.6 $,
por tanto, si a una copia le aplicamos el 30 % de descuento de su precio, entonces esta unidad se
vende a (12 3.6) $, de aqu se deduce que se obtiene un ingreso de (12 3.6)y $ por la venta de
y ejemplares. Un analisis similar muestra que se obtiene un ingreso de (12 4.8)z $ por la venta
de z videojuegos. Ahora bien, la tienda ha vendido los 600 videojuegos por un total de 6384 $, de
donde se obtiene nuestra segunda ecuacion
12x + (12 3.6)y + (12 4.8)z = 6384.
email [email protected] 160 o
_

v o o
_
s z 161
La ultima ecuacion la obtenemos del hecho de que el n umero de copias defectuosas vendidas fue
la mitad del de copias en buen estado, es decir y +z =
1
2
x.
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
x + y + z = 600
12x + 8.4y + 7.2z = 6384
x 2y 2z = 0
Este sistema escrito de forma matricial, equivale a
_
_
1 1 1
12 8.4 7.2
1 2 2
_
_
_
_
x
y
z
_
_
=
_
_
600
6384
0
_
_
El determinante de la matriz de coecientes M toma el valor
[M[ =

1 1 1
12 8.4 7.2
1 2 2

= 3.6
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes y la solucion
del sistema
[M
x
[ =

600 1 1
6384 8.4 7.2
1 2 2

= 1440 x =
[M
x
[
[M[
= 400
[M
y
[ =

1 600 1
12 6384 7.2
1 0 2

= 432 y =
[M
y
[
[M[
= 120
[M
z
[ =

1 1 600
12 8.4 6384
1 2 2

= 288 z =
[M
z
[
[M[
= 80

EJEMPLO 3.54. Un cajero automatico contiene 95 billetes de 10, 20 y 50 $ y un total de 2000

$. Si el n umero de billetes de 10 $ es el doble que el n umero de billetes de 20 $, averigua cuantos
billetes hay de cada tipo.
SOLUCI

ON.- Eligiendo las incognitas

email [email protected] 161 o
_

v o o
_
s z 162
x el n umero de billetes de 10 $
y el n umero de billetes de 20 $
z el n umero de billetes de 50 $
Puesto que cajero automatico contiene 95 billetes de 10, 20 y 50 $, entonces tenemos que x +
y +z = 95. Por otro lado, hay un total de 2000 $, de donde se obtiene nuestra segunda ecuacion
10x+20y+50z = 2000. La ultima ecuacion la obtenemos del hecho de que el n umero de billetes de
10 $ es el doble que el n umero de billetes de 20 $, es decir x = 2y. Juntando estas tres ecuaciones
obtenemos el siguiente sistema lineal:
x + y + z = 95
10x + 20y + 50z = 2000
x 2y = 0
Este sistema escrito de forma matricial, equivale a
_
_
1 1 1
10 20 50
1 2 0
_
_
_
_
x
y
z
_
_
=
_
_
95
2000
0
_
_
El determinante de la matriz de coecientes M toma el valor
[M[ =

1 1 1
10 20 50
1 2 0

= 110
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes y la solucion
del sistema
[M
x
[ =

95 1 1
2000 20 50
0 2 0

= 5500 x =
[M
x
[
[M[
= 50
[M
y
[ =

1 95 1
10 2000 50
1 0 0

= 2750 y =
[M
y
[
[M[
= 25
[M
z
[ =

1 1 95
10 20 2000
1 2 0

= 2200 z =
[M
z
[
[M[
= 20

email [email protected] 162 o

_

v o o
_
s z 163
EJEMPLO 3.55. Se dispone de tres cajas A, B y C con monedas de 1 euro. Se sabe que en total
hay 36 euros. El n umero de monedas de A excede en 2 a la suma de las monedas de las otras dos
cajas. Si se traslada 1 moneda de la caja B a la caja A, esta tendra el doble de monedas que B.
Averigua cuantas monedas haba en cada caja.
SOLUCI

ON.- Eligiendo las incognitas

x el n umero de monedas de un euro que tiene la caja A
y el n umero de monedas de un euro que tiene la caja B
z el n umero de monedas de un euro que tiene la caja C
Como hay un total de 36 euros en las cajas, entonces x+y +z = 36. El n umero de monedas de A
excede en 2 a la suma de las monedas de las otras dos cajas, este dato se traduce en la ecuacion
x = y +z + 2. Si se traslada 1 moneda de la caja B a la caja A, esta tendra el doble de monedas
que B, de donde de obtiene la ultima ecuacion que es: x + 1 = 2(y 1), esto es, x + 1 = 2y 2.
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
x + y + z = 36
x y z = 2
x 2y = 3
Este sistema escrito de forma matricial, equivale a
_
_
1 1 1
1 1 1
1 2 0
_
_
_
_
x
y
z
_
_
=
_
_
36
2
3
_
_
El determinante de la matriz de coecientes M toma el valor
[M[ =

1 1 1
1 1 1
1 2 0

= 4
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes y la solucion
del sistema
email [email protected] 163 o
_

v o o
_
s z 164
[M
x
[ =

36 1 1
2 1 1
3 2 0

= 76 x =
[M
x
[
[M[
= 19
[M
y
[ =

1 36 1
1 2 1
1 3 0

= 44 y =
[M
y
[
[M[
= 11
[M
z
[ =

1 1 36
1 1 2
1 2 3

= 24 z =
[M
z
[
[M[
= 6

EJEMPLO 3.56. Una empresa dispone de 27200 $ para actividades de formacion de sus cien
empleados. Despues de estudiar las necesidades de los empleados, se ha decidido organizar tres
cursos: A, B y C. La subvencion por persona para el curso A es de 400 $, para el curso B es de
160 $, y de 200 $ para el C. Si la cantidad que se dedica al curso A es cinco veces mayor que la
correspondiente al B, cuantos empleados siguen cada curso?
SOLUCI

ON.- Eligiendo las incognitas

x el n umero de empleados que sigue el curso A
y el n umero de empleados que sigue el curso B
z el n umero de empleados que sigue el curso C
La empresa dispone de 27200 $ para actividades de formacion de sus cien empleados. Luego la
primera ecuacion es x + y + z = 100. Puesto que la subvencion por persona para el curso A
es de 400 $, para el curso B es de 160 $, y de 200 $ para el C. Entonces tenemos la ecuacion
400x + 160y + 200z = 27200. Por ultimo, se sabe que la cantidad que se dedica al curso A es
cinco veces mayor que la correspondiente al B, esto es, x = 5y. Juntando estas tres ecuaciones
obtenemos el siguiente sistema lineal:
x + y + z = 100
400x + 160y + 200z = 27200
x 5y = 0
Este sistema escrito de forma matricial, equivale a
_
_
1 1 1
400 160 200
1 5 0
_
_
_
_
x
y
z
_
_
=
_
_
100
27200
0
_
_
El determinante de la matriz de coecientes M toma el valor
email [email protected] 164 o
_

v o o
_
s z 165
[M[ =

1 1 1
400 160 200
1 5 0

= 1560
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes y la solucion
del sistema
[M
x
[ =

100 1 1
27200 160 200
0 5 0

= 86000 x =
[M
x
[
[M[
=
2150
39
[M
y
[ =

1 100 1
400 27200 200
1 0 0

= 17200 y =
[M
y
[
[M[
=
430
39
[M
z
[ =

1 1 100
400 160 27200
1 5 0

= 52800 z =
[M
z
[
[M[
=
440
13

EJEMPLO 3.57. Un fabricante produce 42 electrodomesticos. La fabrica abastece a 3 tiendas

que demandan toda la produccion. En una cierta semana, la primera tienda solicito tantas unidades
como la segunda y tercera juntas, mientras que la segunda pidio un 20 % mas que la suma de la
mitad de lo pedido por la primera mas la tercera parte de lo pedido por la tercera. Que cantidad
solicito cada una?.
SOLUCI

ON.- Eligiendo las incognitas

x el n umero de electrodomesticos que solicito primera la tienda
y el n umero de electrodomesticos que solicito segunda la tienda
z el n umero de electrodomesticos que solicito tercera la tienda
La fabricante produce 42 electrodomesticos, as x +y +z = 42. En una cierta semana, la primera
tienda solicito tantas unidades como la segunda y tercera juntas, lo cual implica que x = y +z.
El 20 % de 100 es 20. As 120 es igual a 100 mas 20 % de 100. 100 mas su 20 % es 120. Luego 120
es 20 % mas que 100.
Ahora bien, la segunda tienda pidio un 20 % mas que la suma de la mitad de lo pedido por la
primera mas la tercera parte de lo pedido por la tercera. Esta oracion se traduce en la ecuacion:
y =
x
2
+
z
3
+
30
100
_
x
2
+
z
3
_
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
email [email protected] 165 o
_

v o o
_
s z 166
EJEMPLO 3.58. Una empresa fabrica tres tipos de ordenadores: JP1, JP2 y JP3. Para armar
un JP2 se necesitan 10 horas, otras 2 para probar sus componentes y 2 horas mas para instalar
el software. El tiempo requerido por el JP3 es de 12 horas para su ensamblado, 2.5 horas para
probarlo y 2 horas para instalar software. El JP1, el mas sencillo de la lnea, necesita 6 horas
de ensamblado, 1.5 horas de prueba y 1.5 horas de instalacion de software. Si la fabrica de esta
empresa dispone de 1560 horas de trabajo por mes para armar, 340 horas para probar y 320 horas
para instalar. Cuantos ordenadores de cada tipo puede producir en un mes?
SOLUCI

ON.- La siguiente matriz ordenadoreshoras resume todos los datos

JP1 JP2 JP3
ensamblado 6 10 12
probar 1.5 2 2.5
instalar 1.5 2 2
_

_
= A
Sean
x el n umero de ordenadores de tipo JP2 que se puede producir en un mes
y el n umero de ordenadores de tipo JP3 que se puede producir en un mes
z el n umero de ordenadores de tipo JP1 que se puede producir en un mes
Puesto que la fabrica de esta empresa dispone de 1560 horas de trabajo por mes para armar o
ensamblar los ordenadores, entonces obtenemos la siguiente ecuacion
6x + 10y + 12z = 1560
Por otra parte la fabrica dispone de 340 horas para probar, esto se traduce en la ecuacion
1.5x + 2y + 2.5z = 340
y nalmente se dispone de 320 horas para instalar, esto es:
1.5x + 2y + 2z = 320
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
6x + 10y + 12z = 1560
1.5x + 2y + 2.5z = 340
1.5x + 2y + 2z = 320
Este sistema escrito de forma matricial, equivale a
_
_
_
6 10 12
3
2
2
5
2
3
2
2 2
_
_
_
_
_
x
y
z
_
_
=
_
_
1560
340
320
_
_
email [email protected] 166 o
_

v o o
_
s z 167
El determinante de la matriz de coecientes A toma el valor
=

6 10 12
3
2
2
5
2
3
2
2 2

= 2
1
2
1
2

3 5 6
3 4 5
3 4 4

=
1
2

3 5 6
0 1 1
0 1 2

=
3
2
[2 1] =
3
2
,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes

x
=

1560 10 12
340 2
5
2
320 2 2

40 0 2
20 0
1
2
320 2 2

= (1)
3+2
(2)

40 2
20
1
2

= 120

y
=

6 1560 12
3
2
340
5
2
3
2
320 2

= 2
1
2
1
2

3 780 6
3 680 5
3 640 4

=
1
2

3 780 6
0 100 1
0 140 2

=
3
2
[200 140] = 90

z
=

6 10 1560
3
2
2 340
3
2
2 320

6 10 1560
0 0 20
3
2
2 320

= (1)
2+3
(20)

6 10
3
2
2

= 20[12 15] = 60
De donde obtenemos la solucion del sistema
x =

x

=
120
3/2
= 80, y =

y

=
90
3/2
= 60, z =

z

=
60
3/2
= 40.

EJEMPLO 3.59. Un empresario estadounidense necesita, en promedio, cantidades jas de yenes

japoneses, libras inglesas y marcos alemanes durante cada viaje de negocios. Este a no viajo 3 veces.
La primera vez cambio un total de $2550 con las siguientes tasas: 100 yenes por dolar, 0.6 libras
por dolar y 1.6 marcos por dolar. La segunda vez cambio $2840 en total con tasas de 125 yenes,
0.5 libras y 1.2 marcos por dolar. La tercera vez cambio un total de $2800 a 100 yenes, 0.6 libras y
1.2 marcos por dolar. Cual es la cantidad ja de yenes, marcos y libras que cambia en los viajes?
SOLUCI

ON.- La siguiente matriz ordenadoreshoras resume todos los datos

yenes/dolar marcos/dolar libras/dolar
Primer viaje 100 1.6 0.6
Segundo viaje 125 1.2 0.5
Tercer viaje 100 1.2 0.6
_

_
= A
email [email protected] 167 o
_

v o o
_
s z 168
Sean
x la cantidad ja de yenes que cambia en los viajes
y la cantidad ja de marcos que cambia en los viajes
z la cantidad ja de libras que cambia en los viajes
En el primer viaje, se tiene que
100 yenes 1 dolar
x yenes ?
Si 100 yenes cuesta 1 dolar, entonces x yenes costaran
x
100
dolares.
Si 1.6 marcos cuesta 1 dolar, entonces y marcos costaran
y
1.6
dolares.
Si 0.6 libras cuesta 1 dolar, entonces z libras costaran
z
0.6
dolares.
Ahora bien con el primer viaje cambio un total de $2550, entonces obtenemos la siguiente ecuacion
x
100
+
y
1.6
+
z
0.6
= 2550
De mismo modo obtenemos que
x
125
+
y
1.2
+
z
0.5
= 2840 y
x
100
+
y
1.2
+
z
0.6
= 2800.
Juntando estas tres ecuaciones obtenemos el siguiente sistema lineal:
_

_
x
100
+
y
1.6
+
z
0.6
= 2550
x
125
+
y
1.2
+
z
0.5
= 2840
x
100
+
y
1.2
+
z
0.6
= 2800
_

_
x
100
+
10y
16
+
10z
6
= 2550
x
125
+
10y
12
+
10z
5
= 2840
x
100
+
10y
12
+
10z
6
= 2800
Este sistema escrito de forma matricial, equivale a
_
_
_
_
_
_
_
1
100
5
8
5
3
1
125
5
6
2
1
100
5
6
5
3
_
_
_
_
_
_
_
_
_
x
y
z
_
_
=
_
_
2550
2840
2800
_
_
El determinante de la matriz de coecientes A toma el valor
email [email protected] 168 o
_

v o o
_
s z 169
=

1
100
5
8
5
3
1
125
5
6
2
1
100
5
6
5
3

1
100
5
8
5
3
1
125
5
6
2
0
10
48
0

=
5
24

1
100
5
3
1
125
2

=
5
24
[1/50 1/75] =
1
720
,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes

x
=

2550
5
8
5
3
2840
5
6
2
2800
5
6
5
3

=
1000
9

y
=

1
100
2550
5
3
1
125
2840 2
1
100
2800
5
3

=
5
3

z
=

1
100
5
8
2550
1
125
5
6
2840
1
100
5
6
2800

=
5
6
De donde obtenemos la solucion del sistema
x =

x

= 80000, y =

y

= 1200, z =

z

= 600.

EJEMPLO 3.60. Se combinan tres factores seg un tres procesos productivos obteniendose en
cada proceso un producto diferente. La informacion tecnologica de la tabla adjunta indica las
unidades de cada factor necesarias para obtener una unidad de producto en cada proceso:
Proceso
Factor 1 2 3
1 2 4 8
2 6 11 6
3 8 1 2
email [email protected] 169 o
_

v o o
_
s z 170
Es decir, se necesitan 2 unidades del factor 1 para obtener una unidad de producto en el proceso 1,
se necesitan 4 unidades del factor 1 para obtener una unidad de producto en el proceso 2, etc. La
disponibilidad de los factores son : 122, 178 y 68 unidades respectivamente. Los precios de venta
de cada unidad de producto son: 220, 320 y 68 u.m. respectivamente.
(a) Hallar el plan de produccion con el que se agotan las disponibilidades de los factores.
(b) Hallar los precios imputables a los factores para que los ingresos de cada unidad producida
igualen a los costes en el plan de produccion.
(c) Formular el modelo lineal de maximizacion del ingreso.
SOLUCI

ON.- Para resolver el inciso (a) consideremos las siguientes variables

x el n umero de unidades de producto obtenidas en el proceso 1
y el n umero de unidades de producto obtenidas en el proceso 2
z el n umero de unidades de producto obtenidas en el proceso 3
luego debemos resolver el siguiente sistema de ecuaciones lineales:
2x + 4y + 8z = 122
6x + 11y + 6z = 178
8x + y + 2z = 68
Este sistema escrito de forma matricial, equivale a
_
_
2 4 8
6 11 6
3 1 2
_
_
_
_
x
y
z
_
_
=
_
_
122
178
68
_
_
El determinante de la matriz de coecientes A toma el valor
=

2 4 8
6 11 6
3 1 2

= 160 ,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes

x
=

122 4 8
178 11 6
68 1 2

= 2400

y
=

2 122 8
6 178 6
3 68 2

= 380
email [email protected] 170 o
_

v o o
_
s z 171

z
=

2 4 122
6 11 178
3 1 68

= 1650
De donde obtenemos la solucion del sistema
x =

x

= 15, y =

y

=
19
8
, z =

z

=
165
16
.
Para resolver el inciso (b), consideremos la siguiente tabla
factor
Proceso 1 2 3
1 2 6 3
2 4 11 1
3 8 6 2
Es decir, en el proceso 1 se necesitan 2 unidades del factor 1 para obtener una unidad de producto,
en el proceso 1 se necesitan 6 unidades del factor 2 para obtener una unidad de producto, etc.
Tenemos que hallar los precios imputables a los factores para que los ingresos de cada unidad
producida igualen a los costes en el plan de produccion. Recordemos que los precios de venta
de cada unidad de producto son: 220, 320 y 68 u.m. respectivamente. Tomemos las siguientes
variables
x el precio imputable al factor 1
y el precio imputable al factor 2
z el precio imputable al factor 3
luego debemos resolver el siguiente sistema de ecuaciones lineales:
2x + 6y + 3z = 220
4x + 11y + 1z = 320
8x + 6y + 2z = 68
Este sistema escrito de forma matricial, equivale a
_
_
2 6 3
4 11 1
8 6 2
_
_
_
_
x
y
z
_
_
=
_
_
220
320
68
_
_
El determinante de la matriz de coecientes A toma el valor
email [email protected] 171 o
_

v o o
_
s z 172
=

2 6 3
4 11 1
8 6 2

= 160 ,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes

x
=

220 6 3
320 11 1
68 6 2

= 3604

y
=

2 220 3
4 320 1
8 68 2

= 5720

z
=

2 6 220
4 11 320
8 6 68

= 2696
De donde obtenemos la solucion del sistema
x =

x

=
901
40
, y =

y

=
143
4
, z =

z

=
337
20
.

EJEMPLO 3.61. Para la construccion de un almacen se precisa una unidad de hierro y ninguna
de madera. Para la construccion de un piso se precisa una unidad de cada material y para la
de una torre 4 unidades de hierro y una de madera. Se dispone de 16 unidades de hierro y 5 de
madera.
(a) Hallar cuantos almacenes, pisos y torres se pueden construir empleando todas las unidades
disponibles.
(b) Si el precio de cada almacen es de 6 u.m., el de cada piso 2 u.m. y el de cada torre de 4 u.m.,
hay alg un plan de produccion que cueste 36 u.m.?
SOLUCI

ON.- La siguiente matriz ordenadoreshoras resume todos los datos

almacen piso torre
hierro 1 1 4
madera 0 1 1
Para resolver el inciso (a) consideremos las siguientes incognitas
x el n umero de almacenes que se pueden construir
y el n umero de pisos que se pueden construir
z el n umero de torres que se pueden construir
email [email protected] 172 o
_

v o o
_
s z 173
Puesto que se dispone de 16 unidades de hierro y 5 de madera, entonces tenemos que resolver el
siguiente sistema de ecuaciones:
x + y + 4z = 16
y + z = 5

EJEMPLO 3.62. Arizmendi y Amigos, empresa de bienes races, planea construir un nuevo
complejo de apartamentos de 1, 2 y 3 habitaciones. Se planea un total de 192 apartamentos, y
el n umero de apartamentos familiares (de dos o tres habitaciones) sera igual al n umero aparta-
mentos de una habitacion. Si el n umero de apartamentos de una habitacion sera igual al triple
de apartamentos de 3 habitaciones, determinar cuantas unidades de cada tipo de apartamento
habra en el conjunto.
SOLUCI

ON.- Consideremos las siguientes variables para las incognitas

x el n umero de apartamentos de 1 habitacion
y el n umero de apartamentos de 2 habitaciones
z el n umero de apartamentos de 3 habitaciones
Puesto que se planea un total de 192 apartamentos, entonces obtenemos la siguiente ecuacion
x + y + z = 192. La oracion: el n umero de apartamentos familiares (de dos o tres habitaciones)
sera igual al n umero apartamentos de una habitacion. Se traduce en la ecuacion y + z = x. Y
la frase: el n umero de apartamentos de una habitacion ser a igual al triple de apartamentos de 3
habitaciones es transformada en la ecuacion x = 3z. Juntando estas tres ecuaciones obtenemos el
siguiente sistema lineal:
_
_
_
x +y +z = 192
y +z = x
x = 3z
_
_
_
x + y + z = 192
x y z = 0
x 3z = 0
Este sistema escrito de forma matricial, equivale a
_
_
1 1 1
1 1 1
1 0 3
_
_
_
_
x
y
z
_
_
=
_
_
192
0
0
_
_
El determinante de la matriz de coecientes A toma el valor
=

1 1 1
1 1 1
1 0 3

1 1 1
2 0 0
1 0 3

= (1)
2+1
(2)

1 1
0 3

= 2[(1)(3) (0)(1)] = 6 ,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes
email [email protected] 173 o
_

v o o
_
s z 174

x
=

192 1 1
0 1 1
0 0 3

= (1)
1+1
(192)

1 1
0 3

= 192[(1)(3) (0)(1)] = 576

y
=

1 192 1
1 0 1
1 0 3

= (1)
1+2
(192)

1 1
1 3

= 192[(1)(3) (1)(1)] = 384

z
=

1 1 192
1 1 0
1 0 0

= (1)
1+3
(192)

1 1
1 0

= 192[(1)(0) (1)(1)] = 192

De donde obtenemos la solucion del sistema
x =

x

=
576
6
= 96, y =

y

=
384
6
= 64, z =

z

=
192
6
= 32.

EJEMPLO 3.63. El centro comercial La Galera oferta esta semana a un precio especial el
lavavajillas, el te y un champ u. tres consumidores hacen cada uno de ellos una compra con el
consiguiente gasto:
Productos (unidades) Consumidor 1 Consumidor 2 Consumidor 3
Lavavajillas 2 4 1
Caja de te 4 1 2
Champ u 1 2 4
Coste de Compra 12 18 10
Cual es el precio de los tres productos?
SOLUCI

ON.- Consideremos las siguientes variables para las incognitas

x el precio del lavavajillas
y el precio del te
z el precio del champ u
Usando la tabla obtenemos la siguiente ecuacion matricial
_
_
2 4 1
4 1 2
1 2 4
_
_
_
_
x
y
z
_
_
=
_
_
12
18
10
_
_
El determinante de la matriz de coecientes A toma el valor
email [email protected] 174 o
_

v o o
_
s z 175
=

2 4 1
4 1 2
1 2 4

0 0 7
0 7 14
1 2 4

= (1)
2+1
(2)

1 1
0 3

= 2[(1)(3) (0)(1)] = 6 ,= 0
por lo tanto, el sistema tiene solucion unica. Calculamos los siguientes determinantes
solo quiero que seas feliz cerca de mi o lejos de mi.

x
=

12 4 1
18 1 2
10 2 4

= (1)
1+1
(192)

1 1
0 3

= 192[(1)(3) (0)(1)] = 576

y
=

2 12 1
4 18 2
1 10 4

= (1)
1+2
(192)

1 1
1 3

= 192[(1)(3) (1)(1)] = 384

z
=

2 4 12
4 1 18
1 2 10

= (1)
1+3
(192)

1 1
1 0

= 192[(1)(0) (1)(1)] = 192

De donde obtenemos la solucion del sistema
x =

x

=
576
6
= 96, y =

y

=
384
6
= 64, z =

z

=
192
6
= 32.

EJEMPLO 3.64. Un agente inmobiliario puede realizar 3 tipos de operaciones: venta de un piso
nuevo, venta de un piso usado y alquiler. Por la venta de cada piso nuevo recibe una prima de
120.000 ptas. Si la operacion es la venta de un piso usado recibe 60.000 ptas. Se desconoce la
prima cuando la operacion es un alquiler. Este mes el n umero total de operaciones fue 5. La prima
total por venta de pisos fue superior en 200.000 ptas. a la obtenida por alquileres, y la prima total
por venta de pisos nuevos fue el triple que por alquileres.
x Plantea un sistema de ecuaciones (sin resolverlo) para obtener el n umero de operaciones de
cada tipo realizadas (en funcion de la prima de alquiler de valor desconocido).
y Indica una prima a la que es imposible que se hayan podido pagar los alquileres.
z Indica tres primas a las que es posible que se hayan podido pagar los alquileres.
{ Si la prima de alquileres fue de 20.000 ptas. cuantas operaciones de cada tipo se realizaron?
SOLUCI

ON.-
email [email protected] 175 o
_

v o o
_
s z 176
x Empecemos respondiendo a las siguientes preguntas: Cuales son las incognitas?, Que tengo
que buscar, averiguar o que me preguntan?, Que datos me dan?, Cuales son las condiciones
del problema?. Llamamos x, y, z, al n umero operaciones de cada tipo que ha realizado y m
a la prima desconocida (en miles de pesetas):
Sean
x el n umero de pisos nuevos
y el n umero de pisos usados
z el n umero de alquileres
Con lo que tendremos:
()
_
_
_
x +y +z = 5
120x + 60y = mz + 200
120x = 3mz
obteniendo
_
_
_
x + y + z = 5
120x + 60y mz = 200
120x 3mz = 0
Surgen las siguientes interrogantes: Como resolvemos este sistema de ecuaciones?, Que sig-
nica resolver un sistema de ecuaciones?, Las soluciones del sistema dependen del valor que
tome la variable m?, Para que valores de m, el sistema tiene una sola solucion, muchas
soluciones, ninguna solucion o innitas soluciones?.
Primero de todo tratemos de responder a la pregunta: Como saber que el sistema tiene
solucion o no tiene solucion?, conocemos alguna teora que pueda ayudarnos?. Si, la teora
matricial nos puede ayudar a resolverlo, empecemos transformando el sistema en la siguiente
ecuacion matricial
_
_
5 4 m
0 1 1
5 4 0
_
_
_
_
x
y
z
_
_
=
_
_
936
0
252
_
_
y Para estudiar la compatibilidad del sistema, llamemos a la matriz de coecientes M y a la
matriz aumentada con los terminos independientes M
a
, es decir
M =
_
_
1 1 1
120 60 m
120 0 3m
_
_
M
a
=
_
_
1 1 1 5
120 60 m 200
120 0 3m 0
_
_
Observemos que la matriz M es de orden 3 3. Ahora bien, el algebra lienal nos da la
siguiente informacion:
[M[ , = 0 si y solo si rango(M) = rango(M
a
) = 3.
Por tanto, el sistema tiene una unica solucion.
email [email protected] 176 o
_

v o o
_
s z 177
Entonces es suciente asegurar que el determinante de la matriz M no sea cero. Como lo-
gramos esto?. Calculemos todos los valores de m para los cuales el determinante de M se haga
cero, es decir resolvamos la ecuacion [M[ = 0. Luego al evitar estos numeros aseguraremos
que [M[ , = 0.

1 1 1
120 60 m
120 0 3m

1 1 1
60 0 60 m
120 0 3m

= (1)
1+2
(1)

60 60 m
120 3m

=
_
(60)(3m) (120)(60 m)
_
=
_
180m+ 7200 + 120m
_
= 7200 + 60m
Ahora bien, [M[ = 0 se traduce en la ecuacion 7200 + 60m = 0, de aqu se tiene que
m = 120.
Si m ,= 120, entonces [M[ , = 0, por lo tanto el sistema () tiene solucion unica. Como
hallamos esta solucion?. Usemos el metodo de Cramer para hallar estas soluciones.
[M[ =

1 1 1
120 60 m
120 0 3m

= 60m7200
[M
x
[ =

5 1 1
200 60 m
0 0 3m

= 300m x =
[M
x
[
[M[
=
300m
60m7200
[M
y
[ =

1 5 1
120 200 m
120 0 3m

= 600m24000 y =
[M
y
[
[M[
=
600m24000
60m7200
[M
z
[ =

1 1 5
120 60 200
120 0 0

= 12000 z =
[M
z
[
[M[
=
12000
60m7200
Si m = 120, en este caso tenemos que [M[ = 0. Que hacer?, observemos que las matrices
M y M
a
son las siguientes:
M =
_
_
1 1 1
120 60 120
120 0 360
_
_
M
a
=
_
_
1 1 1 5
120 60 120 200
120 0 360 0
_
_
El hecho de que [M[ = 0 garantiza que rango(M) < 3. Luego se presentan dos casos
posibles rango(M) = rango(M
a
) < 3 o rango(M) ,= rango(M
a
). Recordemos el siguiente
resultado:
email [email protected] 177 o
_

v o o
_
s z 178
Si rango(M) = rango(M
a
) < 3, entonces el sistema tiene innitas soluciones.
Si rango(M) ,= rango(M
a
), entonces el sistema no tiene soluciones.
Ahora bien, solo necesitamos calcular los rangos de la matriz de coecientes M y el de
la matriz aumentada M
a
.
Es claro que rango(M) = 2, puesto que es posible encontrar en la matriz M un menor
complementario de orden 2 y distinto de cero; por ejemplo:

1 1
120 60

; por otra parte

rango(M
a
) = 3 puesto que es posible encontrar en la matriz Ma un menor complemen-
tario de orden 3 y distinto de cero; por ejemplo:

1 1 5
120 60 200
120 0 0

,= 0
Ahora bien como
rango(M) ,= rango(M
a
)
entonces el sistema () no tiene solucion. Por esta razon, resultara imposible que las
primas por alquileres fueran 120.000 ptas.
z Si la prima de alquileres hubiera sido de 35.000 ptas, tendramos: m = 35, para este valor
se tiene que
x =
300m
60m7200
=
35
17
, y =
600m24000
60m7200
=
10
17
, z =
12000
60m7200
=
40
17
{ Si la prima de alquileres hubiera sido de 20.000 ptas, tendramos: m = 20
x =
300m
60m7200
= 1, y =
600m24000
60m7200
= 2, z =
12000
60m7200
= 2
Con lo que habra vendido 1 piso nuevo, 2 pisos usados y realizado 2 alquileres.

3.8. Determinante de Vandermonde

El determinante de Vandermonde tiene m ultiples usos en otras ramas de la Matematica (sobre
todo en los problemas de interpolacion). Dicho determinante es, en su forma mas general, de la
forma:

1 1 . . . 1
a
1
a
2
. . . a
n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
1
a
n1
2
. . . a
n1
n

email [email protected] 178 o

_

v o o
_
s z 179
O sea, la primera la esta formada solo por unos. La segunda por n umeros diferentes. La tercera
y siguientes por los mismos n umeros que la segunda elevados a potencias de exponente 2 hasta
n 1. Los determinantes de Vandermonde de los diferentes ordenes son:
De segundo orden:

1 1
a b

= b a
De tercer orden: Dejando igual la primera y multiplicando la segunda la por a y sumando a la
tercera la y multiplicando la primera la por a y sumando a la segunda la:

1 1 1
a b c
a
2
b
2
c
2

af
2
+f
3
=

1 1 1
a b c
0 b
2
ab c
2
ac

af
1
+f
2
=

1 1 1
0 b a c a
0 b
2
ab c
2
ac

= (1)
1+1

b a c a
b
2
ab c
2
ac

b a c a
b(b a) c(c a)

= (b a)(c a)

1 1
b c

= (b a)(c a)(c b)
De cuarto orden:
email [email protected] 179 o
_

v o o
_
s z 180

1 1 1 1
a b c d
a
2
b
2
c
2
d
2
a
3
b
3
c
3
d
3

af
3
+f
4
=

1 1 1 1
a b c d
a
2
b
2
c
2
d
2
0 b
3
ab
2
c
3
ac
2
d
3
ad
2

af
2
+f
3
=

1 1 1 1
a b c d
0 b
2
ab c
2
ac d
2
ad
0 b
3
ab
2
c
3
ac
2
d
3
ad
2

af
1
+f
2
=

1 1 1 1
0 b a c a d a
0 b
2
ab c
2
ac d
2
ad
0 b
3
ab
2
c
3
ac
2
d
3
ad
2

1 1 1 1
0 b a c a d a
0 b(b a) c(c a) d(d a)
0 b
2
(b a) c
2
(c a) d
2
(d a)

= (1)
1+1

b a c a d a
b(b a) c(c a) d(d a)
b
2
(b a) c
2
(c a) d
2
(d a)

= (b a)(c a)(d a)

1 1 1
b c d
b
2
c
2
d
2

= (b a)(c a)(d a)(c b)(d b)(d c)

En general podemos decir que a cada elemento se le restan todos los anteriores y se multiplican
todos los resultados de esas diferencias.
3.9. Calculo del rango usando determinantes
Se llama menor de orden p de una matriz al determinante que resulta de eliminar ciertas las y
columnas hasta quedar una matriz cuadrada de orden p. Es decir, al determinante de cualquier
submatriz cuadrada de A (submatriz obtenida suprimiendo alguna la o columna de la matriz A).
En una matriz cualquiera A
mn
puede haber varios menores de un cierto orden p dado.
DEFINICI

ON 3.9. El rango de una matriz es el orden del mayor de los menores distintos de
cero.
El rango o caracterstica de una matriz A se representa por rg(A). El rango no puede ser mayor
al n umero de las o de columnas.
email [email protected] 180 o
_

v o o
_
s z 181
Si a un menor M de orden h de la matriz A se le a nade la la p y la columna q de A (que antes no
estaban en el menor), obtenemos un menor N de orden h + 1 que se dice obtenido de M orlando
este menor con la la p y la columna q.
Consideremos la matriz
A =
_
_
_
_
1 1 3 2
1 0 5 2
4 1 3 1
0 1 2 3
_
_
_
_
La matriz M =
_
1 1
1 0
_
es un menor de orden 2 de la matriz A. Las matrices
_
_
1 1 3
1 0 5
4 1 3
_
_
y
_
_
1 1 2
1 0 2
0 1 3
_
_
son menores de orden 3 que se han obtenido orlando M
El metodo para el calculo del rango es un proceso iterado que sigue los siguientes pasos:
x Se busca un elemento no nulo, ya que si todos los elementos son 0, el rango sera 0. El
elemento encontrado sera el menor de orden k = 1 de partida.
y Se orla el menor de orden k hasta encontrar un menor de orden k + 1 no nulo. Cuando se
encuentra un menor de orden k + 1 no nulo se aplica a este el metodo.
z Si todos los menores orlados obtenidos a nadiendole al menor de partida los elementos de una
lnea i
0
son nulos, podemos eliminar dicha lnea porque es combinacion de las que componen
el menor de orden k.
{ Si todos los menores de orden k + 1 son nulos el rango es k. (Si aplicamos bien el metodo
en realidad, al llegar a este punto, la matriz tiene orden k).
EJEMPLO 3.65. Calcular el rango de la siguiente matriz
A =
_
_
_
_
2 3 1 0 1 0
1 0 1 2 0 0
1 6 5 6 2 0
0 0 1 0 1 1
_
_
_
_
SOLUCI

ON.-
1 ,= 0, entonces r(A) 1

2 0
1 1

= 2 ,= 0, entonces r(A) 2
email [email protected] 181 o
_

v o o
_
s z 182

2 0 0
6 2 0
0 1 1

= 4 ,= 0, entonces r(A) 2

1 0 1 0
1 2 0 0
5 6 2 0
1 0 1 1

1 0 1
1 2 0
5 6 2

= 4 + 6 10 = 0

3 0 1 0
0 2 0 0
6 6 2 0
0 0 1 1

3 0 1
0 2 0
6 6 2

= 12 + 12 = 0

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

2 0 1
1 2 0
1 6 2

= 8 6 2 = 0
Por tanto r(A) = 3
email [email protected] 182 o
_

CAP

ITULO 4
Espacios vectoriales
El concepto de espacio vectorial es sin duda uno de los mas importantes del

Algebra Lineal. El
espacio vectorial es una estructura algebraica que generaliza, hasta el mayor nivel de abstraccion, la
idea de los vectores geometricos del plano y el espacio eucldeos ordinarios, as como las magnitudes
vectoriales que aparecen en Fsica; esencialmente, son conjuntos cuyos elementos se pueden sumar
entre s, y multiplicar por n umeros. Son numerosmos y muy variados, como ya puede verse desde
los primeros ejemplos, los espacios vectoriales que aparecen de manera natural en distintas ramas
de las matematicas. Todo espacio vectorial lleva siempre asociado un conjunto con estructura de
cuerpo, cuyos elementos llamaremos escalares, que jugaran el papel de n umeros. Los elementos
del espacio vectorial seran los vectores.
Motivaci on.- Veamos un ejemplo para introducir el concepto de las ideas invariantes en la
solucion a un sistema de ecuaciones lineales.
EJEMPLO 4.1. Resolver el sistema homogeneo:
x + 2y + w + 2t = 0
2x + 4y z + w + 5t = 0
x + 2y + 2w + t = 0
z + w t = 0
SOLUCI

ON.- Si utilizamos el orden x y z w t la matriz aumentada reducida queda:

_
_
_
_
1 2 0 1 2 0
2 4 1 1 5 0
1 2 1 2 1 0
0 0 1 1 1 0
_
_
_
_

_
_
_
_
1 2 0 1 2 0
0 0 1 1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
183
v o o
_
s z 184
De donde la formula para las soluciones son:
_
_
_
_
_
_
x
y
z
w
t
_
_
_
_
_
_
= y
_
_
_
_
_
_
2
1
0
0
0
_
_
_
_
_
_
+w
_
_
_
_
_
_
1
0
1
1
0
_
_
_
_
_
_
+t
_
_
_
_
_
_
2
0
1
0
1
_
_
_
_
_
_
Si utilizamos el orden x y w z t la matriz aumentada reducida queda:
_
_
_
_
1 2 1 0 2 0
2 4 1 1 5 0
1 2 2 1 1 0
0 0 1 1 1 0
_
_
_
_

_
_
_
_
1 2 0 1 3 0
0 0 1 1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
De donde la formula para las soluciones son:
_
_
_
_
_
_
x
y
z
w
t
_
_
_
_
_
_
= y
_
_
_
_
_
_
2
1
0
0
0
_
_
_
_
_
_
+z
_
_
_
_
_
_
1
0
1
1
0
_
_
_
_
_
_
+t
_
_
_
_
_
_
3
0
0
1
1
_
_
_
_
_
_
Si utilizamos el orden x y t z w la matriz aumentada reducida queda:
_
_
_
_
1 2 2 0 1 0
2 4 5 1 1 0
1 2 1 1 2 0
0 0 1 1 1 0
_
_
_
_

_
_
_
_
1 2 0 2 3 0
0 0 1 1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
De donde la formula para las soluciones son:
_
_
_
_
_
_
x
y
z
w
t
_
_
_
_
_
_
= y
_
_
_
_
_
_
2
1
0
0
0
_
_
_
_
_
_
+z
_
_
_
_
_
_
2
0
1
0
1
_
_
_
_
_
_
+w
_
_
_
_
_
_
3
0
0
1
1
_
_
_
_
_
_
Si utilizamos el orden y x z w t la matriz aumentada reducida queda:
_
_
_
_
2 1 0 1 2 0
4 2 1 1 5 0
2 1 1 2 1 0
0 0 1 1 1 0
_
_
_
_

_
_
_
_
1 1/2 0 1/2 1 0
0 0 1 1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
email [email protected] 184 o
_

v o o
_
s z 185
De donde la formula para las soluciones son:
_
_
_
_
_
_
x
y
z
w
t
_
_
_
_
_
_
= x
_
_
_
_
_
_
1
1/2
0
0
0
_
_
_
_
_
_
+w
_
_
_
_
_
_
0
1/2
1
1
0
_
_
_
_
_
_
+t
_
_
_
_
_
_
0
1
1
0
1
_
_
_
_
_
_

Todas las soluciones previas aparentan ser diferentes, sin embargo, todas representan el mismo
conjunto solucion. Necesitamos una teora que nos de conanza en los resultados obtenidos; que nos
indique las cosas que permanecen y las cosas que pueden cambiar en las m ultiples respuestas
validas en R
n
que podemos obtener. Ademas de los conjuntos solucion en R
n
, existen otras areas
de la ingeniera que requieren un apoyo matematico: las matrices tienen su importancia y uso
en ingeniera industrial y en control; las series trigonometricas en procesamiento de se nales; los
conjuntos de polinomios y las series de potencias para los IFIs, etc..
Como desarrollar una teora comodn que se pueda aplicar a diferentes contextos sin ning un
cambio importante?
Abstracci on y Generalizaci on.- Si se hace una encuesta entre los matematicos sobre que
palabras describen a las matematicas se notara que la mayora responde al menos dos palabras
claves: abstraccion y generalizacion. La abstraccion tiene que ver con representar cantidades por
medio de smbolos, y la generalizacion tiene que ver con la construccion de estructuras o teoras
que engloban ciertas cosas o hechos conocidos. La que nos interesa mas para abrir este tema es el
aspecto de la generalizacion. La generalizacion tambien tiene que ver con la economa del trabajo
realizado para investigar, y con determinar cuales son los elementos mnimos responsables de que
ciertos resultados ocurran.
Para entender como ocurre la generalizacion en nuestra materia recordemos algunos conceptos
hemos visto en diferentes cursos de matematicas: 1. vectores en el espacio n dimensional (R
n
),
2. matrices con entradas reales (M
nm
), 3. polinomios reales, 4. series de pontencias, 5. series
trigonometricas, y 6. soluciones a ecuaciones diferenciales lineales homogeneas entre otros elemen-
tos.
Objetivo.- El objetivo que se persigue en el presente tema consiste en introducir aquella estruc-
tura abstracta que engloba las anteriores construcciones, y que resultados se pueden obtener en
lo general sin importar a cual de las estructuras especcas se haga referencia.
Es as que en este captulo se introduce el concepto de espacio vectorial. Este concepto generaliza
los vectores de R
n
y las matrices de orden mn. El concepto es abstracto y por tanto tiene alguna
dicultad natural; se le pide al estudiante un esfuerzo extra para pensar las cosas desde un punto
de vista general.
email [email protected] 185 o
_

v o o
_
s z 186
4.1. Espacios Vectoriales
El concepto de operaci on.- Antes que el concepto de espacio vectorial esta el concepto de
operacion. Veamos algunos ejemplos de operaciones para ir entendiendo que las operaciones de
suma o de multiplicacion por escalares podran ser diferentes de las que conocemos. Lo que es
importante recordar es el uso de los parentesis: sirven para indicar un orden en las operaciones.
EJEMPLO 4.2. Suponga que V = R
2
y que se dene la operacion:
(x, y) (z, w) = (5x +z, 2w + 2y)
Si a = (2, 3), b = (1, 3), c = (1, 1) calcule: a b, b a, (a b) c, a (b c).
SOLUCI

ON.-
a b = (5 (x = 2) + (z = 1), 2 (w = 3) + 2 (y = 3)) = (11, 0)
b a = (5 (1) + (2), 2 (3) + 2 (1)) = (7, 0)
(a b) c = (11, 0) (1, 1) = (5 (11) + (1), 2 (1) + 2 (0)) = (56, 2)
a (b c) = (2, 3) (6, 4) = (16, 2)

EJEMPLO 4.3. Suponga que V = R

2
y que se denen las operaciones:
(x, y) (z, w) = (2x, 3w +y) y t (x, y) = (2tx, 3ty)
Si a = (1, 0) , c
1
= 1, c
2
= 4 calcule: (c
1
+c
2
) a, (c
1
a) (c
2
a), (c
1
c
2
) a, c
1
(c
2
a).
SOLUCI

ON.-
(c
1
+c
2
) a = 3 (1, 0) = (2(3)(1), 3(3)(0)) = (6, 0)
(c
1
a) (c
2
a) = (2, 0) (8, 0) = (4, 0)
(c
1
c
2
) a = 4 (1, 0) = (8, 0)
c
1
(c
2
a) = 1 (8, 0) = (16, 0)

DEFINICI

ON 4.1. Consideremos un conjunto V ,= cuyos elementos los llamaremos vectores

y los denotamos mediante u, v, w, etc. Un cuerpo K, cuyos elementos los llamaremos escalares.
El conjunto V se dice que es un espacio vectorial sobre el cuerpo K (si K es R se dice que es
un espacio vectorial real y si K es C se dice que es un espacio vectorial complejo), si en el se
han denido dos operaciones: Una llamada suma de vectores y otra llamada multiplicacion de
email [email protected] 186 o
_

v o o
_
s z 187
un escalar por un vector. La suma de vectores, o simplemente suma, es una regla o funcion que
asocia a dos vectores, digamos u y v un tercer vector, a este se le representara como u v. La
multiplicacion es una regla que asocia a un escalar y a un vector, digamos c y u un segundo vector
representado por c u. Estas operaciones suma y producto por escalares, cumplen todos y cada
uno de los siguientes axiomas:
(S1) Para cualquiera dos vectores u y v en V , u v V . Este axioma se conoce como el axioma
de cerradura bajo la suma: La suma de dos elementos del conjunto debe dar como resultado
tambien un elemento del conjunto.
(S2) Para cualquiera dos vectores u y v en V u v = v u. Este axioma se conoce como el
axioma de la conmutatividad de la suma: El orden de los sumandos no altera el resultado de
la suma.
(S3) Para cualquiera tres vectores u, v y w en V u (v w) = (u v) w. Este axioma se
conoce como axioma de la asociatividad de la suma: En una suma de vectores, no importa
el orden como asocien la sumas entre dos; el resultado sera siempre el mismo.
(S4) Existe un unico vector en V que se simbolizara por 0 y que se llamara el vector cero tal que
para cualquier vector u V se cumple u 0 = 0 u = u. Este axioma se conoce como el
axioma de la existencia del elemento neutro: Existe en el conjunto un elemento distinguido
que sumado con cualquier elemento da el mismo segundo elemento.
(S5) Para cualquier vector u V existe un unico vector tambien en V y simbolizado por u que
cumple u (u) = (u) u = 0. Este axioma se conoce como axioma de la existencia
de inversos aditivos: Cada elemento del conjunto posee un inverso aditivo; un elemento del
conjunto que sumado con el da el neutro aditivo.
(M1) Para cualquier vector u V y para cualquier escalar c K se cumple cu V . Este axioma
se conoce como el axioma de cerradura bajo la multiplicacion por escalares: El resultado del
producto entre cualquier escalar por cualquier elemento del conjunto debe dar como resultado
tambien un elemento del conjunto.
(M2) Para cualquiera dos vectores u y v en V , y para cualquier escalar c en K se cumple
c (u v) = (c u) (c v).
Este axioma se conoce como la propiedad distributiva del producto (por escalares) sobre la
suma (de vectores): En un producto de un escalar por una suma de vectores, da lo mismo
realizar la suma de los vectores y el resultado multiplicarlo por el vector que individualmente
multiplicar cada vector por el escalar y despues sumar los resultados.
(M3) Para cualquier vector u V y para cualquiera dos escalares a y b en K se cumple
(a +b) u = (a u) (b u).
Este axioma se conoce como la propiedad distributiva del producto (por escalares) sobre la
suma (de escalares).
email [email protected] 187 o
_

v o o
_
s z 188
(M4) Para cualquier vector u V y para cualquiera dos escalares a y b en K se cumple
a (b u) = (ab) u.
Esta propiedad se conoce como la ley asociativa del producto entre escalares y el producto de
escalar con vector. Lo llamaremos simplemente como la propiedad asociativa del producto.
(M5) Para cualquier vector u V se cumple 1 u = u
Cuando se elabora una argumentacion en alg un calculo o demostracion uno debe hacer referencia
a los axiomas. Por ellos es que es conveniente y elegante llamarlos por su descripcion. Se le pide
al alumno que entienda la logica de cada uno de ellos y memorice sus descripciones.
Observaci on 4.1. La suma de escalares (suma dentro de K) se escribio con el smbolo + pero
no hay que confundirla con la suma dentro de V , que desde ahora se representa tambien con el
smbolo +. = +.
Observaci on 4.2. Un espacio vectorial sobre un cuerpo K, es una cuadrupla ordenada V, K, +,
que verica los axiomas mencionados en la denicion.
Observaci on 4.3. El lector comparara estas propiedades de la denicion de espacio vectorial
con las propiedades de los vectores de R
n
, de las n-uplas de n umeros reales, o de las matrices con
sus operaciones de suma y producto por un escalar.
PROPOSICI

ON 4.1. En todo espacio vectorial V, K, +, se cumple:

1) el neutro es unico.
2) Cada vector u V su opuesto u es unico..
DEMOSTRACI

ON. 1) Sean 0
1
y 0
2
dos neutros: 0
1
= 0
1
+ 0
2
= 0
2
, luego son iguales.
2) Sean (u)
1
y (u)
2
dos opuestos de u:
(u)
1
= 0 + (u)
1
= ((u)
2
+u) + (u)
1
= (u)
2
+ (u + (u)
1
) = (u)
2
+ 0 = (u)
2
, luego
coinciden.
Observaci on 4.4. A los espacios vectoriales sobre R se los llamara espacios vectoriales reales,
o Respacios vectoriales. A los espacios vectoriales sobre C, espacios vectoriales complejos, o C
espacios vectoriales. A veces, por abuso de lenguaje los espacios vectoriales se indican por el
conjunto de vectores V , sobreentendiendo el cuerpo K y las operaciones + y .
EJEMPLOS DE ESPACIOS VECTORIALES
EJEMPLO 4.4. El plano cartesiano R
2
de puntos de la forma (x, y) con x, y R, es un espacio
vectorial real respecto de las siguientes operaciones:
(x
1
, y
1
) + (x
2
, y
2
) = (x
1
+ x
2
, y
1
+ y
2
)
a.(x, y) = (ax, ay)
email [email protected] 188 o
_

v o o
_
s z 189
EJEMPLO 4.5. V es el conjunto de ternas ordenadas de n umeros reales V = R
3
y K =R y
denimos las operaciones + y como sigue:
suma: (a
1
, a
2
, a
3
) + (b
1
, b
2
, b
3
)
def
= (a
1
+b
1
, a
2
+b
2
, a
3
+b
3
)
producto: (a
1
, a
2
, a
3
)
def
= (.a
1
, .a
2
, .a
3
) para todo R y todas las ternas de R
3
.
Notacion: El smbolo
def
= quiere decir que el miembro de la izquierda esta siendo denido mediante
la expresion de la derecha.
EJEMPLO 4.6. Sea n un n umero natural 1. El espacio R
n
= R R . . . R de n-plas
ordenadas de n umeros reales en la forma (x
1
, . . . , x
n
) es un espacio vectorial real respecto de las
siguientes operaciones:
(x
1
, . . . , x
n
) + (y
1
, . . . , y
n
)
def
=(x
1
+ y
1
, . . . , x
n
+ y
n
)
a.(x
1
, . . . , x
n
)
def
=(ax
1
, . . . , ax
n
)
Es facil vericar que R
n
, R, +, es un espacio vectorial sobre R, con 0 = (0, 0, , 0) y
(a
1
, a
2
, , a
n
) = (a
1
, a
2
, , a
n
) .
Las operaciones denidas en este ejemplo se llaman usuales de R
n
. Este ejemplo se generaliza al
caso de un cuerpo cualquiera K, obteniendose el K-espacio canonico K
n
.
EJEMPLO 4.7. El conjunto M
2
[R] de matrices reales 22 con las operaciones usuales de adicion
y multiplicacion de matriz por escalar, conforma un espacio vectorial sobre los reales.
EJEMPLO 4.8. El conjunto de matrices de dimension mn
M
mn
(R) = A = (a
ij
) : a
ij
R, 1 i n, 1 j m
con las operaciones: suma de matrices y producto por n umeros reales. es un espacio vectorial sobre
R. M
nn
(R) es el espacio vectorial sobre R de matrices simetricas n n.

EJEMPLO 4.9. El conjunto de todos los polinomios con coecientes reales en la variable x:
R[x] =
_
n

k=0
a
k
x
k
: n R, a
k
R
_
con las clasicas operaciones de suma y producto por n umeros reales, es un espacio vectorial real. Si
cambiamos R por un cuerpo cualquiera K obtenemos el K -espacio vectorial K [x] de polinomios
con coecientes en K.
email [email protected] 189 o
_

v o o
_
s z 190
EJEMPLO 4.10. El conjunto de todos los polinomios, con coecientes reales en la variable x,
de grado menor o igual que n:
R
n
[x] =
_
n

k=0
a
k
x
k
: a
k
R
_
con las mismas operaciones anteriores es un espacio vectorial sobre R. Sin embargo El conjunto de
los polinomios en una variable x, de grado igual a n, con coecientes reales, K = R y la suma y el
producto denidos como en el ejemplo 1.5, no forman un espacio vectorial ( Estudiar por que no).

EJEMPLO 4.11. El conjunto de todas las sucesiones de n umeros reales:

S = (x
n
)

n=0
: x
n
R, n 1
con las operaciones: suma de sucesiones y producto por n umeros reales denidas como sigue:
Dadas a
n
y b
n
V , y dado R:
a
n
+b
n

def
= (a
1
+b
1
, a
2
+b
2
, ..., a
n
+b
n
, ...) = a
n
+b
n

(la suma de dos sucesiones es denida como la sucesion que se obtiene sumando los terminos
n-esimos de las sucesiones dadas),
a
n
= (a
1
, a
2
, . . . , a
n
)
def
= ( a
1
, a
2
, . . . , a
n
) = a
n

Es facil comprobar que es un espacio vectorial real . El vector nulo es la sucesion que tiene todos
sus terminos iguales a cero. Se verica ademas a
n
= a
n

EJEMPLO 4.12. Sea X un conjunto no vaco. El conjunto R

X
de todas las funciones de X en
R es un espacio vectorial real bajo las siguientes operaciones:
f+g
def
=h donde h( x)
def
=f(x)+g(x) x X.
f
def
= k donde k (x)
def
= f (x) x X , R
Si X = R entonces se obtiene el espacio de todas las funciones de variable real a valor real. Si X
es un intervalo abierto, por ejemplo (a, b) o R, y C(X) es el conjunto de funciones continuas de X
en R , entonces C(X) es un espacio vectorial real. Si X = N es el conjunto de n umeros naturales,
entonces resulta el espacio de las sucesiones reales.
EJEMPLO 4.13. El conjunto de las n-uplas ordenadas de n umeros complejos V = C
n
con
las operaciones denidas como en el ejemplo 1.3 tomando K = C forma un C-espacio vectorial
C
n
, C, +, ).
EJEMPLO 4.14. Si K = R, y las operaciones en C
n
se denen en forma analoga al ejemplo
anterior (y en forma analoga al ejemplo 1.3), resulta C
n
, R, +, un espacio vectorial real (distinto
del ejemplo 1.7 , puesto que dieren en el cuerpo K).
email [email protected] 190 o
_

v o o
_
s z 191
EJEMPLO 4.15. Las sucesiones de n umeros complejos con la suma de sucesiones y el producto
de una sucesion por un n umero complejo denidos en forma similar al ejemplo 1.4 constituyen un
C-espacio vectorial.
EJEMPLO 4.16. El conjunto 0 es un K-espacio vectorial, donde se dene 0+0=0 y 0 =
0 , K.
EJEMPLO 4.17. Dado un sistema de ecuaciones lineales homogeneo con coecientes reales
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= 0
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= 0
.
.
.
a
n1
x
1
+a
n2
x
2
+ +a
nn
x
n
= 0
(4.1)
de m ecuaciones con n incognitas. El conjunto de soluciones del sistema
W = (a
1
, a
2
, ..., a
n
) R
n
: (a
1
, a
2
, ..., a
n
) es solucion de (4.1)
es un espacio vectorial (W, R, +, ).

EJEMPLO 4.18. Con las operaciones usuales R, C, +, no es un espacio vectorial.

Observaci on 4.5. En todos los ejemplos anteriores, para vericar que efectivamente son espacios
vectoriales, hay que vericar que se cumplen las propiedades incluidas en la denicion 1.1, para la
suma y el producto por escalares.
Observaci on 4.6. Se denota u v a la suma u + (v) con u, v V .
PROPOSICI

ON 4.2. 0 u = 0 , u V
DEMOSTRACI

ON.
0 u = 0 u + 0 = 0 u + (u u) = (0 u + 1 u) u
= (0 + 1) u u = 1 u u = u u = 0

PROPOSICI

ON 4.3. 0 = 0 , K
DEMOSTRACI

ON. Sea u un vector cualquiera de V ,

0 = u u = (0 +u) u
= ( 0 + u) u = 0 + ( u u)
= 0 + 0 = 0.

email [email protected] 191 o

_

v o o
_
s z 192
PROPOSICI

ON 4.4. Sean K , u V . Entonces , u = 0 si y solo si : = 0 y/o u = 0.

DEMOSTRACI

ON. Directo: Supongamos que ,= 0. Como u = 0,

1

( u) =
1

0 de
donde
_
1

_
u = 0, o sea 1 u = 0; u = 0.
Recproco: son las Proposiciones 4.2 y 4.3.
PROPOSICI

ON 4.5. (1) .v = v v V
DEMOSTRACI

ON. Basta ver que (1) v es el opuesto de v, es decir

v + (1) .v = 1.v + (1) v = (1 + (1)) v = 0.v = 0

4.2. Subespacios
DEFINICI

ON 4.2. Sea V, K+, un espacio vectorial y W un subconjunto de V . Diremos que

W es un subespacio de V , si se cumple:
a) w
1
+ w
2
W para todo w
1
W y w
2
W
b) w W para todo w W y K
Es decir, un subespacio de un espacio vectorial es un conjunto no vaco, cerrado frente a la suma
y al producto de escalares por vectores.
Observaci on 4.7. Si W es un subespacio, entonces 0 W (debido a que 0.v pertenece a W y
por la Proposicion 1.2).
EJEMPLOS DE SUBESPACIOS VECTORIALES
EJEMPLO 4.19. En cualquier espacio vectorial, el conjunto 0 es un subespacio. Obviamente,
es el subespacio mas peque no que puede haber.

EJEMPLO 4.20. En R
2
, el eje de abscisas (x, 0) : x R es un subespacio vectorial. Igualmente
lo es el eje de ordenadas.

EJEMPLO 4.21. La circunferencia (x, y) : x

2
+y
2
= 1 no es subespacio vectorial. Por ejemplo,
si multiplicas por 2 un vector, se sale fuera de la circunferencia. Otra razon: el 0 no pertenece a
la circunferencia.

EJEMPLO 4.22. El conjunto U formado por la union de los dos ejes de ordenadas de R
2
(es
decir, U = (x, y) R
2
: xy = 0) no es un subespacio vectorial. Observese que el producto por
escalares no da problema. Sin embargo, la suma s. Por ejemplo, los vectores (1, 0), (0, 1) estan los
dos en U, pero su suma, (1, 1), no.

email [email protected] 192 o

_

v o o
_
s z 193
EJEMPLO 4.23. En R
3
, R, +, W=(a
1
, a
2
, a
3
) R
3
tales que a
3
= 0 entonces W es un
subespacio de V .
EJEMPLO 4.24. En R
n
, R, +, sea W = (a
1
, ..., a
n
) R
n
: a
i
= 0 con i jo 0 < i n,
es decir W es el conjunto de las n-uplas con la i-esima componente nula, . Entonces W es un
subespacio de R
n
.
EJEMPLO 4.25. Demuestra que el plano : x y +z = 0 es un subespacio vectorial, mientras
que la recta L:
_
_
_
x = t
y = 2 +t
z = 2t
no lo es.
SOLUCI

ON.- Ambos lugares geometricos pueden reescribirse como

x y +z = 0, y = x +z, (x, y, z) = (x, x +z, z) = (x, x, 0) + (0, z, z) = x(1, 1, 0) +z(0, 1, 1)
= p : p = x(1, 1, 0) +z(0, 1, 1) x, z R
Ahora bien, si x = t, y = 2 +t, z = 2t, entonces
(x, y, z) = (t, 2 +t, 2t) = (t, t, 2t) + (0, 2, 0) = t(1, 1, 2) + (0, 2, 0)
L = p : p = t(1, 1, 2) + (0, 2, 0) t R
que forman subconjuntos del espacio vectorial R
3
.
PLANO : Cerradura para la suma de vectores: Sean p, q en el plano , entonces p = r(1, 1, 0) +
s(0, 1, 1) para r, s R y q = a(1, 1, 0) +b(0, 1, 1) para a, b R, entonces
p +q = r(1, 1, 0) +s(0, 1, 1) +a(1, 1, 0) +b(0, 1, 1) = (r +a)(1, 1, 0) + (s +b)(0, 1, 1)
Cerradura para la multiplicacion por un escalar: sea R entonces
p = (r(1, 1, 0) +s(0, 1, 1)) = r(1, 1, 0) +s(0, 1, 1)
Por lo tanto, el plano es un subespacio vectorial.
RECTA L. Cerradura para la suma de vectores: Sean p, q en la recta L, entonces p = t(1, 1, 2) +
(0, 2, 0) para t R y q = s(1, 1, 2) + (0, 2, 0) para s R, entonces
p +q = t(1, 1, 2) + (0, 2, 0) +s(1, 1, 2) + (0, 2, 0) = (t +s)(1, 1, 2) + (0, 4, 0) / L
Se observa que la componente y = (t +s) 4 no coincide con las ecuaciones parametricas de L; es
decir, la suma de dos puntos de la recta no pertenece a dicho lugar geometrico. En consecuencia
la recta L no es un subespacio vectorial.
email [email protected] 193 o
_

v o o
_
s z 194
EJEMPLO 4.26. Sea un plano del espacio. La direccion de forma un subespacio de los
vectores del espacio. De la misma forma, si la recta r es paralela al plano , entonces la direccion
de r forma un subespacio de la direccion de .
EJEMPLO 4.27. Consideremos el espacio vectorial K
n
, (K = R o C) y A M
mn
(K). El
conjunto de todas las soluciones de un sistema de ecuaciones lineales homogeneas de m ecuaciones
y n incognitas
S = x K
n
: Ax = 0
es un subespacio vectorial del espacio vectorial K
n
, siendo la dimension igual a n menos el rango de
la matriz de los coecientes, es decir dimS = nrango(A). Para comprobarlo usamos nuevamente
el teorema del subespacio.
i) S no es vaco porque 0 S, ya que A0 = 0.
ii) Sean u y v S. Por lo tanto Au = 0 y Av = 0. Entonces A(u +v) = Au +Av = 0 + 0, con
lo cual u +v S.
iii) Supongamos u S. Entonces Au = 0. Para comprobar que v = u con un escalar
arbitrario pertenece a S, veamos que Av = 0. Pero Av = A(u) = (Au) = 0 = 0. Con
esto ultimo queda demostrado que S es subespacio.
A partir de este resultado se puede deducir en forma analtica que toda recta en R
2
que pase por
el origen es subespacio. En efecto, si S es una recta que pasa por el origen, sus puntos verican
una ecuacion de la forma ax
1
+ bx
2
= 0, es decir, S = x R
2
: ax
1
+ bx
2
= 0. Si llamamos
A = [a b], tenemos que S = x R
2
: Ax = 0, que es subespacio por lo que ya vimos. En forma
similar se demuestra que una recta S en R
3
que pase por el origen es subespacio. En este caso los
puntos de S son solucion de un sistema de dos ecuaciones lineales homogeneas, es decir,
S = x R
3
: ax
1
+bx
2
+cx
3
= 0 y dx
1
+ex
2
+fx
3
= 0.
Si ahora consideramos la matriz A =
_
a b c
d e f
_
, tenemos que S = x R
3
: Ax = 0, que es
subespacio de R
3
.

EJEMPLO 4.28. Consideremos T(K) el espacio vectorial de polinomios con coecientes en K.

El conjunto de polinomios de grado menor o igual a n junto con el polinomio nulo.
T
n
(K) = p T(K) : deg(f) n
es un subespacio vectorial de T(K). Aqu se utiliza el acuerdo que deg(0) = .
Tomemos p T
n
(K), entonces p = a
n
t
n
+a
n1
t
n1
+ +a
0
. Por ejemplo, p = t
3
+t y q = 2t
2
t+1
son elementos de T
3
(K); q tambien es elemento de T
2
(K), mientras que p no lo es.
T
n
(R) es subespacio de T(R) y, por ende, es un espacio vectorial real. En efecto, T
n
(R) no es
vaco porque T
n
(R) contiene al polinomio nulo. Por otra parte, la suma de dos polinomios de
email [email protected] 194 o
_

v o o
_
s z 195
grado menor o igual a n es de grado menor o igual a n, y el producto de un polinomio de grado
menor o igual a n por una constante es un polinomio de grado menor o igual a n, con lo cual las
operaciones suma y producto son cerradas en T
n
(R).

EJEMPLO 4.29. Consideremos M

n
(K) el espacio vectorial de matrices de orden n n con
entradas en K. El conjunto de matrices triangulares superiores
ts
n
(K) = A M
n
(K) : i, j 1, ..., n, si i > j a
ij
= 0
es un subespacio vectorial de M
n
(K).

EJEMPLO 4.30. Consideremos M

n
(K) el espacio vectorial de matrices de orden n n con
entradas en K. El conjunto de matrices triangulares inferiores
ti
n
(K) = A M
n
(K) : i, j 1, ..., n, si i < j a
ij
= 0
es un subespacio vectorial de M
n
(K).

EJEMPLO 4.31. Consideremos M

n
(K) el espacio vectorial de matrices de orden n n con
entradas en K. El conjunto de matrices diagonales
Diag
n
(K) = A M
n
(K) : i, j 1, ..., n, si i ,= j a
ij
= 0
es un subespacio vectorial de M
n
(K).

EJEMPLO 4.32. Consideremos M

n
(K) el espacio vectorial de matrices de orden n n con
entradas en K. El conjunto de matrices simetricas
S
n
(K) = A M
n
(K) : A
T
= A
es un subespacio vectorial de M
n
(K).

EJEMPLO 4.33. Consideremos M

n
(K) el espacio vectorial de matrices de orden n n con
entradas en K. El conjunto de matrices antisimetricas
A
n
(K) = A M
n
(K) : A
T
= A
es un subespacio vectorial de M
n
(K).

EJEMPLO 4.34. Consideremos M

n
(K) el espacio vectorial de matrices de orden n n con
entradas en K. El conjunto de matrices con traza nula
tr
n
(K) = A M
n
(K) : tr(A) = 0
es un subespacio vectorial de M
n
(K).
email [email protected] 195 o
_

v o o
_
s z 196

EJEMPLO 4.35. En el espacio vectorial de todas las matrices cuadradas de orden n, el sub-
conjunto de las matrices matrices regulares no es un subespacio vectorial ni el de las matrices
singulares.
EJEMPLO 4.36. Consideremos C(R) el espacio vectorial de todas la funciones continuas f :
R R. El conjunto de funciones continuas pares
S = f C(R) : x R f(x) = f(x)
es un subespacio vectorial de C(R).

EJEMPLO 4.37. Consideremos C(R) el espacio vectorial de todas la funciones continuas f :

R R. El conjunto de funciones continuas impares
S = f C(R) : x R f(x) = f(x)
es un subespacio vectorial de C(R).

EJEMPLO 4.38. Sea T(R) = f : R R el espacio vectorial de las funciones reales. Son
subespacios vectoriales:
S
1
= f T(R) : f(0) = 0 S
2
= f T(R) : f continua
S
3
= f T(R) : f acotada S
4
= f T(R) : f derivable
y no lo son
S
5
= f T(R) : f(x) > 0, x R S
6
= f T(R) : [f(x)[ 1, x R
EJEMPLO 4.39. Son subespacios vectoriales del espacio vectorial T(K), de todos los polinomios
en x con coecientes reales, los siguientes:
S
1
= p T(R) : p

(0) = 0 S
2
= p T(R) : a
0
= a
1
= 0
donde a
0
y a
1
son los coecientes de grado 0 y 1, respectivamente. No son subespacios vectoriales:
S
3
= p T(R) : grado(p) = 4 S
4
= p T(R) : el grado de p es par
EJEMPLO 4.40. Son subespacios vectoriales de M
22
(R):
S
1
=
__
0 a
b 0
_
: a, b R
_
, S
2
=
__
0 a
a 0
_
: a R
_
y no lo es
S
3
=
__
0 1
a 0
_
: a R
_
email [email protected] 196 o
_

v o o
_
s z 197
EJEMPLO 4.41. En las sucesiones de n umeros reales (ejemplo 1.4) sea W el conjunto formado
por las sucesiones que a partir de alg un termino, tienen todos los terminos restantes iguales a cero.
W es un subespacio del espacio vectorial V .
EJEMPLO 4.42. Sea V el espacio vectorial del ejemplo 1.6, y sea C[a, b] el conjunto de las
funciones f que son continuas. f : [a, b] R. Entonces C[a, b] es un subespacio de V . Recordar
que la suma de funciones continuas es una funcion continua, as como tambien lo es el producto
de una funcion continua por un escalar.
EJEMPLO 4.43. En el espacio de las n-uplas de complejos (ejemplo 1.7) sea W un subconjunto
de las n-uplas cuya suma de terminos da cero. Se puede vericar que es un subespacio de C
n
.
EJEMPLO 4.44. En el espacio del ejemplo 1.7 C
n
, C, +, sea W el subconjunto de las n-
uplas cuyo primer termino es 5+2i . Este subconjunto W no es un subespacio, porque al sumar
dos elementos de W, el resultado no pertenece a W.
EJEMPLO 4.45. Sea C
n
, R, +, el espacio vectorial del ejemplo 1.8. Sea W el subconjunto
formado por las n-uplas de n umeros complejos cuyos terminos tienen parte real igual a cero. Es
un subespacio. En este ejemplo es importante que el cuerpo K sea R y no C. Observar que el
mismo subconjunto W, considerado como subconjunto del espacio vectorial C
n
, C, +, no es
un subespacio.
EJEMPLO 4.46. En el ejemplo 1.9 de las sucesiones de n umeros complejos sobre el cuerpo C,
con las operaciones usuales, sea W el subconjunto de las sucesiones que tienen igual a cero los
terminos que estan en lugar par: W = a
n
: a
n
C, a
2k
= 0. Entonces W es un subespacio.
TEOREMA 4.1. Si W es un subespacio de V, K, +, entonces W, K+, con las operaciones
que + y heredadasde V , es un espacio vectorial sobre el mismo cuerpo K.
DEMOSTRACI

ON. Hay que probar que si V, K, +, es espacio vectorial y W V es sube-

spacio de V entonces W, K, +, tambien es un espacio vectorial.. Las operaciones + y en W
se entienden que son las + y restringidas a W.
En primer lugar el conjunto W es distinto de vaco, porque W es un subespacio. La operaci on +
en W, es la operacion + de V , pero restringida a W (eso quiere decir aplicada solo a parejas de
vectores en W). Esta bien denida (da un vector de W), por a) de la denicion 2.1. Cumple las
propiedades conmutativa y asociativa porque estas se cumplen para todos los vectores de V . Luego
en particular se cumplen para los vectores de W. Veamos ahora que existe un vector neutro para la
suma en W. Por la Nota 2.1., el neutro de V esta en W y satisface 0+w

= w

+0 = w

W;
por tanto es el neutro de W y 0 es el vector que estamos buscando.
Ahora veamos la existencia del opuesto (w)
w
en W de un vector w W. Sabemos que existe
w V , opuesto de W V , que cumple: w+(w) = 0. Mostraremos que este opuesto de W en
V , es tambien opuesto de W en W; por la proposicion 1.5: w = (1) w.
Ademas (1) w W porque w W y W es un subespacio. Entonces w cumple: w W y
w + (w) = 0
W
= 0, o sea w verica las condiciones requeridas para ser opuesto de w en W,
como queramos probar.
email [email protected] 197 o
_

v o o
_
s z 198
En cuanto a las propiedades de la funcion en W requeridas en la denicion 1.1 se cumplen todas
en W puesto que por denicion se cumplen en V que incluye a W. Queda probado entonces que
si W es un subespacio de un espacio vectorial V , entonces tambien W es un espacio vectorial.

Nota 2.3: Este teorema permite ver en forma facil si un cierto conjunto W sobre un cuerpo K,
con ciertas operaciones + y es un espacio vectorial. En efecto, en lugar de vericar todas las
condiciones de la denicion 1.1, alcanza ver si W es un subespacio de alg un V , que ya se sepa tiene
estructura de espacio vectorial. Para lo cual alcanza con probar que W es cerrado con respecto a
la suma y cerrado con respecto al producto de un escalar por un vector.
Otros ejemplos de subespacio vectoriales, ademas de los anteriores son los llamados subespacios
triviales. Uno de ellos es W = 0 (conjunto formado por un unico elemento, el vector nulo). El
otro subespacio trivial es W = V . En ambos casos, W es subespacio de V .
TEOREMA 4.2. Sean W
1
, W
2
, ..., W
n
, subespacios de un mismo espacio V . Entonces W =
n

i=1
W
i
es tambien un subespacio de V .
DEMOSTRACI

ON. En primer lugar W ,= ; en efecto: el vector 0 pertenece a todos los sube-

spacios W
i
, y por lo tanto pertenece tambien a su interseccion W.
Ademas W V puesto que W W
i
V i = 1, 2, ..., n
Falta probar que W es cerrado frente a la suma de vectores y al producto de un escalar por un
vector. Sean w y w W. Entonces w y w pertenecen a todos los subespacios w W
i
i =
1, 2, ..., n (porque W es la interseccion de ellos), wy w

W
i
para cada i = 1, 2, ..., n, .Luego
w +w

W
i
i = 1, 2, ..., n (puesto que W
i
son subespacios). Entonces w +w

W.
Ahora sean K y w W. Se tiene w W
i
i = 1, 2, ..., n. De all w W
i
i = 1, 2, ..., n
(puesto que W
i
son subespacios). Entonces w pertenece a la interseccion de todos los W
i
, o sea
a W.
email [email protected] 198 o
_

v o o
_
s z 199
4.3. Combinacion lineal y Subespacio generado
Espacio generado por un conjunto de elementos de un espacio vectorial.- Hemos visto que para
describir una recta se necesita solo un vector y que para describir un plano se necesitan dos vectores
no colineales. Visto desde el lado de los vectores podemos decir que el vector genera la recta,
o que los dos vectores generan un plano. Las siguientes deniciones generalizan este concepto en
cualquier espacio vectorial.
DEFINICI

ON 4.3. Sea V un espacio vectorial, v

1
, v
2
, ..., v
n
vectores de V . Decimos que V es
combinacion lineal de v
1
, v
2
, ..., v
n
cuando existen escalares
1
,
2
, ...,
n
tales que :
v =
1
v
1
+
2
v
2
+... +
n
v
n
EJEMPLO 4.47. En R
3
, para averiguar si el vector v = (1, 2, 3) es combinacion lineal de v
1
=
(1, 1, 1), v
2
= (2, 4, 0) y v
3
= (0, 0, 1), se plantea la ecuacion vectorial:
(1, 2, 3) = a(1, 1, 1) +b(2, 4, 0) +c(0; 0, 1)
que equivale al siguiente sistema de ecuaciones, cuyas soluciones son las que se indican:
_
_
_
a + 2b = 1
a + 4b = 2
a +c = 3
=
_
_
_
a = 0
b = 1/2
c = 3
Luego v = 0v
1
+
1
2
v
2
+3v
3
, y el vector v es combinacion lineal de v
1
, v
2
, v
3
(y tambien de v
2
, v
3
).
EJEMPLO 4.48. Mostrar que el vector (1, 1, 1) es combinacion lineal de los vectores (1, 1, 0),
(0, 1, 1) y (1, 0, 1). En efecto:
(1, 1, 1) = a(1, 1, 0) +b(0, 1, 1) +c(1, 0, 1)
_
_
_
a + c = 1
a + b = 1
b + c = 1
Aplicando el metodo de Gauss se tiene:
_
_
1 0 1 1
1 1 0 1
0 1 1 1
_
_
(1)f
1
+ f
2

_
_
1 0 1 1
0 1 1 0
0 1 1 1
_
_
(1)f
2
+ f
3

_
_
1 0 1 1
0 1 1 0
0 0 2 1
_
_
(1/2)f
3

_
_
1 0 1 1
0 1 1 0
0 0 1 1/2
_
_
de donde (1, 1, 1) =
1
2
(1, 1, 0) +
1
2
(0, 1, 1) +
1
2
(1, 0, 1).

EJEMPLO 4.49. En M
22
(R), para averiguar si la matriz A =
_
1 0
2 4
_
es combinacion lineal
de A
1
=
_
1 1
2 2
_
y A
2
=
_
3 2
3 5
_
, se plantea la ecuacion matricial:
_
1 0
2 4
_
= a
_
1 1
2 2
_
+b
_
3 2
3 5
_
=
_

_
a + 3b = 1
a + 2b = 0
2a + 3b = 2
2a + 5b = 4
email [email protected] 199 o
_

v o o
_
s z 200
Este sistema es incompatible, luego A no es combinacion lineal de A
1
, A
2
.
EJEMPLO 4.50. f(x) = sen
_
x +

4
_
es combinacion lineal de f
1
(x) = cos(x) y f
2
(x) = sen(x)
en c(R). En efecto, usando la identidad trigonometrica sen(a +b) = sen(a) cos(b) + cos(a) sen(b),
tenemos que para x R, sen
_
x +

4
_
= cos
_

4
_
sen(x) + sen
_

4
_
cos(x), con lo cual
f(x) =

2
2
f
1
(x) +

2
2
f
2
(x) x R,
es decir f =

2
2
f
1
+

2
2
f
2
.
DEFINICI

ON 4.4. Sean A V, V un espacio vectorial. El conjunto de todas las combinaciones

lineales de los elementos de A se llama conjunto generado por A y se denota como Gen(A) o por
A), tambien se llama capsula lineal. En formula tendramos que
A) =
1
v
1
+... +
p
v
p
tale que p R, v
i
A,
i
K, i = 1, ..., p .
Lo primero que debemos armar es que el conjunto generado por un subconjunto de un espacio
vectorial es un subespacio vectorial:
TEOREMA 4.3. Sean V un espacio vectorial y A ,= , A V . Entonces A) es un subespacio
de V . Mas a un, A) es el menor subespacio vectorial de V que contiene al conjunto A, esto es, si
A W, con W un subespacio vectorial de V , entonces A) W.
DEMOSTRACI

ON. A) es distinto de vaco porque dado alg un vector V de A, se tiene 0 = 0v

0 es combinacion lineal de V 0 A). Sean ahora v,w A). Esto quiere decir que existen
vectores v
1
, v
2
, ..., v
n
; w
1
, w
2
, ..., w
m
pertenecientes a A (no necesariamente distintos) y existen

1
,
2
, ...,
n
;
1
,
2
, ...,
m
tales que v =
1
v
1
+
2
v
2
+... +
n
v
n
y w =
1
w
1
+
2
w
2
+... +
m
w
m
.
Entonces v +w =
1
v
1
+
2
v
2
+... +
n
v
n
+
1
w
1
+
2
w
2
+... +
m
w
m
. O sea, v+w es combinacion
lineal de elementos de A. Hasta ahora hemos probado que A) es cerrado respecto a la suma.
Sea ahora K y sea v A). Existen escalares
1
,
2
, ...,
n
y vectores v
1
, v
2
, ..., v
n
A, tales
que: v =
1
v
1
+
2
v
2
+... +
n
v
n
Entonces: v = (
1
v
1
+
2
v
2
+... +
n
v
n
) = (
1
) v
1
+ ... + (
n
) v
n
y obtenemos que v
tambien es combinacion lineal de vectores de A. O sea, A) es cerrado respecto al producto de un
escalar por un vector. Luego, A) es un subespacio.
EJEMPLO 4.51. Describa el conjunto generado por (1, 3) .
SOLUCI

ON.- El conjunto generado por (1, 3) por denicion es

(1, 3)/ R
esta es la ecuacion vectorial de una recta que pasa por el origen y tiene direccion (1, 3). Podemos
encontrar la ecuacion cartesiana de la recta escribir (x, y) = (1, 3) = (1, 3). Por tanto x =
y y = 3. La ecuacion cartesiana de esta recta es y = 3x. Vericamos que en efecto este conjunto
es un subespacio de R
2
.
email [email protected] 200 o
_

v o o
_
s z 201
EJEMPLO 4.52. Demostrar que gen (1, 3) = gen (1, 3).
SOLUCI

ON.- El hecho de que los dos conjuntos son iguales es evidente geometricamente pues
la recta generada por (1, 3) es igual a la recta generada por (1, 3).
En otros ejemplos que no es tan obvio esto vamos a utilizar la siguiente idea si B B

entonces
genB genB

Argumente por que es cierta la aseveracion anterior.

EJEMPLO 4.53. El conjunto generado por B = x, x
2
son los polinomios de segundo grado
con termino independiente cero. En efecto
gen(B) = ax +bx
2
/a, R R
EJEMPLO 4.54. Determinar si la funcion h(x) = cos 2x, es elemento de gensen
2
x, cos
2
x.
SOLUCI

ON.- Para que sea elemento debe ser combinacion lineal, pero considerando que
sen
2
x + cos
2
x = cos 2x
podemos concluir que h si es elemento de gen de B. Demuestre si sen 2x esta en el genB.
EJEMPLO 4.55. En T, gen1, t, t
2
coincide con T
2
, el subespacio compuesto por todos los
polinomios de grado menor o igual a 2 y el polinomio nulo, pues todo polinomio de T
2
se obtiene
combinando linealmente los polinomios p
1
= 1, p
2
= t y p
3
= t
2
. Por ejemplo,
1 + 2t t
2
= 1p
1
+ 2p
2
+ (1)p
3
.
EJEMPLO 4.56. Sea S = p R
3
: 2x + y + z = 0. S es subespacio de R
3
por estar denido
por una ecuacion lineal homogenea. Por otra parte,
p S 2x +y +z = 0 z = 2x y.
Entonces p S si y solo si p = (x, y, 2x y) = x(1, 0, 2) + y(0, 1, 1); en consecuencia,
p S si y solo si p es combinacion lineal de v
1
= (1, 0, 2) y v
2
= (0, 1, 1). En otra palabras,
S = genv
1
, v
2
.
DEFINICI

ON 4.5 (Subespacio generado, conjunto generador). Sea V un espacio vecto-

rial, A un subconjunto de V . Decimos que A) es el subespacio generado por A y que A es
un generador de A). Se dice que un subespacio S de un espacio vectorial V esta generado por
los vectores v
1
, . . . , v
r
si y solo si S = v
1
, ..., v
r
). En esta situacion se dice que v
1
, ..., v
r
es
un conjunto generador de S y que S es un subespacio nitamente generado.
EJEMPLO 4.57. R
2
= e
1
, e
2
) con e
1
= (1, 0), e
2
= (0, 1). En efecto, dado cualquier
vector (x, y) de R
2
, se tiene que
(x, y) = x(1, 0) +y(0, 1) = xe
1
+ye
2
.
email [email protected] 201 o
_

v o o
_
s z 202
R
3
= e
1
, e
2
, e
3
) con e
1
= (1, 0, 0), e
2
= (0, 1, 0), e
3
= (0, 0, 1). En efecto, dado cualquier
vector (x, y, z) de R
3
, se tiene que
(x, y, z) = x(1, 0, 0) +y(0, 1, 0) +z(0, 0, 1) = xe
1
+ye
2
+ze
3
.
R
n
= e
1
, e
2
, ..., e
n
) con e
1
= (1, 0, ..., 0), e
2
= (0, 1, ..., 0),..., e
n
= (0, ..., 0, 1).
En R
3
, (1, 0, 0), (0, 1, 0), (1, 1, 0)) = (x, y, z) R
3
: z = 0.
En R
2
, el eje de abscisas (x, 0) : x R = (1, 0))
R
2
= (1, 1), (1, 1)).
T
n
= 1, t, ..., t
n
)
M
22
(R) = E
11
, E
12
, E
21
, E
22
) con
E
11
=
_
1 0
0 0
_
, E
12
=
_
0 1
0 0
_
, E
21
=
_
0 0
1 0
_
, E
22
=
_
0 0
0 1
_
En efecto, si A = (a
ij
), A = a
11
E
11
+a
12
E
12
+a
21
E
21
+a
22
E
22
.
Los vectores (0, 1, 3), (0, 2, 1), (0, 1, 1) no son sistema de generadores de R
3
, ya que
cualquier combinacion lineal de esos vectores vale cero en su primera componente.

EJEMPLO 4.58. El espacio vectorial de polinomios T no es un espacio vectorial nitamente

generado.
SOLUCI

ON.- Para demostrarlo procedamos por el absurdo. Supongamos que T es nitamente

generado. Entonces existe un n umero nito de polinomios no nulos, p
1
, p
2
, . . . , p
N
tales que
T = genp
1
, ..., p
N
.
Llamemos n
i
al grado del polinomio p
i
y sea n
max
el maximo entre los grados de los p
i
, es decir
n
max
= maxn
1
, n
2
, ..., n
N
.
Entonces, cualquier combinacion lineal de los polinomios p
i
es nula o tiene a lo sumo grado n
max
,
con lo cual
T = genp
1
, ..., p
N
T
nmax
,
lo que es absurdo, pues el polinomio q = t
nmax+1
T pero no a T
nmax
. Como suponer que T es
nitamente generado nos lleva a una contradiccion, concluimos que T no es nitamente generado.

En el siguiente ejemplo vamos a ver que pueden haber vectores sobrantes en un conjunto B,
vectores sin los cuales el genB seguira siendo el mismo. Mas precisamente vamos a ver un ejemplo
donde B B

y genB = genB

email [email protected] 202 o

_

v o o
_
s z 203
EJEMPLO 4.59. Sea B = i, j y B

= i, j, 2i + j . Es evidente que genB = R

2
, y que
genB

= R
2
. Es claro que el vector 2i + j es combinacion lineal de los otros vectores por tanto
no genera nada nuevo. Encuentre un ejemplo similar al anterior en R
3
. Esto nos conduce a
preguntarnos cuantos vectores se necesitan para generar un conjunto y que condiciones deben
cumplir los mismos.

PROPOSICI

ON 4.6. Sea V un subespacio vectorial y A un subconjunto nito de V , o sea

A = v
1
, v
2
, ..., v
n
V . Si v
k
es combinacion lineal de los demas vectores de A, entonces
A) =
_
v
1
, v
2
, ..., v
n

_
=
_
v
1
, v
2
, ...v
k1
, v
k+1
, ..., v
n

_
DEMOSTRACI

ON. Toda combinacion lineal de vectores de v

1
, v
2
, ...v
k1
, v
k+1
, ..., v
n
es tam-
bien una combinacion lineal de vectores (basta agregar el vector v
k
multiplicado por el escalar 0),
es decir v
1
, v
2
, ...v
k1
, v
k+1
, ..., v
n
A). Ahora hay que probar al reves: que toda combinacion
lineal de vectores de A es combinacion lineal de vectores de v
1
, v
2
, ...v
k1
, v
k+1
, ..., v
n
. Se sabe
que
v
k
=
1
v
1
+
2
v
2
+...
k1
v
k1
+
k+1
v
k+1
+... +
n
v
n
(4.2)
Si elegimos u que sea combinacion lineal de A, tendremos: u =
1
v
1
+
2
v
2
+ ...
k1
v
k1
+

k
v
k
+
k+1
v
k+1
+... +
n
v
n
. Sustituyendo v
k
por la expresion (4.2), resulta: u = (
1
+
k

1
) v
1
+
... + (
k1
+
k

k1
) v
k1
+ (
k+1
+
k

k+1
) v
k+1
+ ... + (
n
+
k

n
) v
n
. O sea, u es combinacion
lineal de v
1
, v
2
, ...v
k1
, v
k+1
, ..., v
n
como queramos probar.
El siguiente teorema se usa para establecer cuando un conjunto nito de vectores de R
n
es un
conjunto generador.
TEOREMA 4.4. Dados un conjunto de vectores en R
n
, esos vectores seran sistema de gener-
adores si y solo si la matriz correspondiente (es decir, aquella que esta formada por esos vectores
dispuestos por columnas) tiene rango igual a n.
EJEMPLO 4.60. Los vectores (1, 1, 0), (1, 0, 1), (2, 1, 1) de R
3
son sistema de generadores de
R
3
?.
SOLUCI

ON.- Esos vectores seran sistema de generadores si dado cualquier (x, y, z) existe al
menos una solucion de la ecuacion:
a(1, 1, 0) +b(1, 0, 1) +c(2, 1, 1) = (x, y, z)
De ah llegamos al sistema de ecuaciones:
a + b + 2c = x
a + c = y
b + c = z
email [email protected] 203 o
_

v o o
_
s z 204
en el que las incognitas, recordemoslo, son a, b, c. En denitiva, esos vectores son sistemas de
generadores si este sistema de ecuaciones es compatible para todo x, y, z. Formamos ahora la
matriz de coecientes y la ampliada:
A =
_
_
1 1 2
1 0 1
0 1 1
_
_
, A

=
_
_
1 1 2 x
1 0 1 y
0 1 1 z
_
_
1. Si A tiene rango igual al n umero de ecuaciones (en nuestro caso, tres), el sistema sera compat-
ible. Sera determinado o indeterminado dependiendo del n umero de incognitas. En cualquier
caso, tendramos un sistema de generadores.
2. Si en cambio el rango de A es menor que tres, siempre se podran elegir x, y, z para hacer
que rg(A

) > rg(A), es decir, para que el sistema sea incompatible. As pues, esos vectores
no seran sistema de generadores.
En nuestro caso, el rango es tres, y eso quiere decir que son sistema de generadores.
EJEMPLO 4.61. Descripci on de los subespacios de R
n
.- Los subespacios W de R
n
pueden
describirse de tres formas: generica, implcita y parametrica.
1. Forma generica.- Mediante un sistema generador de W. El subconjunto
W = (1, 2, 1), (2, 3, 1)) (4.3)
es un subespacio de R
3
.
2. Forma parametrica.- Mediante una expresion parametrica, es decir, las coordenadas de
los vectores de un subespacio vienen dadas en funcion de unos ciertos parametros. Dichas
funciones deben de ser necesariamente lineales, esto es, expresiones del tipo (2t + 3s, t
s, 5t + 2s) en las que cada expresion es suma de constantes por parametros.
El subespacio W anterior se escribe con ecuaciones parametricas del siguiente modo:
W
_
_
_
x = t + 2s
y = 2t + 3s
z = t +s
; t, s R (4.4)
donde t, s son parametros (es decir, valores arbitrarios de R). Para obtener vectores de W
solo tenemos que dar valores concretos a t y a s.
3. Forma implcita.- Mediante unas ecuaciones que deben de cumplir los vectores del sube-
spacio. Dichas ecuaciones son siempre ecuaciones lineales homogeneas. Se dice que el sube-
spacio esta dado en ecuaciones implcitas.
La ecuacion implcita del subespacio W anterior es
W 5x + 3y +z = 0. (4.5)
email [email protected] 204 o
_

v o o
_
s z 205
Para pasar de una a otra forma:
De la forma implcita a la parametrica: Basta considerar las ecuaciones implcitas como un
sistema, y resolverlo. La solucion general del sistema (que podra depender de parametros)
es la expresion parametrica.
Partiendo de la ecuacion (4.3), tomemos (x, y, z) W, entonces existen t, s R de modo
que
(x, y, z) = t(1, 2, 1) +s(2, 3, 1)
de donde obtenemos las ecuaciones (4.4).
De la forma parametrica a la implcita: Podemos decir, aunque no es un metodo riguroso,
que se trata de describir mediante ecuaciones como es el vector generico del subespacio.
Para pasar de las ecuaciones (4.4) a la ecuacion (4.5) es necesario eliminar los parametros t
y s de las ecuaciones implcitas. Para este n consideramos la matriz
(A[X) =
_
_
1 2 x
2 3 y
1 1 z
_
_
Para que (x, y, z) sean las coordenadas de un vector de W necesitamos que el rango de
la matriz (A[X) sea 2 (que es el rango de A). Esto lo conseguimos calculando una matriz
escalonada de (A[X)
_
_
1 2 x
0 1 2x +y
0 0 5x + 3y +z
_
_
he imponiendo la condicion de que dicha matriz tenga rango igual al de A, es decir imponien-
do 5x + 3y +z = 0.
Ayudara el conocer que n umero de ecuaciones es necesario (lo que se vera mas adelante).

Relaci on entre la forma implcita y parametrica.- Si S es un subespacio de R

n
, (n es
el numero de incognitas). La forma implcita y parametrica de S satisfacen en general la siguiente
relacion:
Numero de ecuaciones implcitas + Numero de parametros = n .
Tambien los parametros deben ser independientes entre s: por ejemplo en la expresion parametrica
(s+t, s+t, 0), que en R
3
corresponde a la forma implcita x = y, z = 0, no se cumple la relacion
anterior: 2+2 ,= 3. Esto ocurre porque los dos dos parametros no son independientes. En realidad
puede sustituirse s+t por un solo parametro y as tendramos (, , 0) y ya se cumple 2+1 = 3.
Esto sera mas facil de comprobar mas adelante, en el punto Bases y dimension, pues el n umero
de parametros independientes es igual a la dimension del subespacio.
email [email protected] 205 o
_

v o o
_
s z 206
EJEMPLO 4.62. Si V = R
3
y A = v
1
= (1, 0, 1), v
2
= (1, 1, 1), entonces
A) = v = av
1
+bv
2
: a, b R = v = (a +b, b, a b) : a, b R
Las ecuaciones
_
_
_
x = a +b
y = b
z = a b
; a, b R
se llaman ecuaciones parametricas de A). Las ecuaciones parametricas son utiles para obtener,
dando valores reales a los parametros a y b, los diferentes vectores de A). As, por ejemplo, para
a = 2 y b = 1 se obtiene el vector v = (1, 1, 3) A). Eliminando parametros en las ecuaciones
parametricas, se obtiene:
(A[X) =
_
_
1 1 x
0 1 y
1 1 z
_
_

_
_
1 1 x
0 1 y
0 2 x z
_
_

_
_
1 1 x
0 1 y
0 0 x z 2y
_
_
por tanto
x 2y z = 0
que se llaman ecuaciones implcitas de A) (en este caso solo una). Las ecuaciones implcitas son
utiles para comprobar si un determinado vector pertenece a A) (el vector debe vericar todas las
ecuaciones). Por ejemplo, el vector (3, 1, 1) A) pues 32(1)1 = 0, y el vector (1, 2, 1) / A),
pues 1 2(2) 1 ,= 0.

EJEMPLO 4.63. 1. En R
2
, la recta bisectriz del primer cuadrante puede describirse en im-
plcitas como y = x, y en parametricas como (t, t) : t R.
2. En R
2
, dado el subespacio en parametricas (s, t, s t) : s, t R, su forma implcita es la
ecuacion z = x y
3. En R
3
, dado el subespacio en parametricas (t, t, 3t) : t R, para describirlo en forma
implcita necesitamos dos ecuaciones:
_
y = x
z = 3x
4. Consideremos el subespacio de R
3
dado en implcitas por
_
x +z = 0
x + 2y +z = 0
Cual es su
forma parametrica? Para ello resolvemos el sistema, que es compatible indeterminado. La
solucion depende de un parametro y es (t, 0, t) : t R.
5. El subespacio cero y el subespacio total constituyen un caso especial. Por ejemplo en R
3
: El
subespacio (0, 0, 0) tiene como ecuaciones implcitas
_
_
_
x = 0
y = 0
z = 0
. Su forma parametrica
es (0, 0, 0): no hay parametros, pues como se trata de un solo punto, no se puede variar nada.
email [email protected] 206 o
_

v o o
_
s z 207
Por el contrario el subespacio total R
3
tiene como forma parametrica (r, s, t) : r, s, t R
(tres parametros variando libremente, pues no hay ninguna limitacion). Ecuaciones implcitas
no tiene ninguna, pues no hay restriccion alguna que imponer.

Ahora estudiamos la relacion entre la inclusion y el hecho de ser sistema de generadores:

TEOREMA 4.5. Sea V un espacio vectorial
Si A un sistema de generadores de V y A B. Entonces B tambien es un sistema de
generadores.
Si A = v
1
, v
2
, ..., v
n
un sistema de generadores de V y v
n
es combinacion lineal de los
demas, entonces A = v
1
, v
2
, ..., v
n1
es tambien sistema de generadores de V .
4.4. Dependencia e Independencia lineal
Vamos a dar el concepto de vectores linealmente dependientes e independientes. Intuitivamente,
si consideramos el espacio R
3
y tenemos 3 vectores (todos ellos distintos del vector 0) decir que
son linealmente dependientes quiere decir que estan en una misma recta, o bien, que estan en
un mismo plano. Por el contrario, si son linealmente independientes quiere decir que dos de ellos
estan en un mismo plano y el tercero esta fuera de ese plano.
Como hemos dicho antes en el ejemplo 4.59, es posible que un subespacio nitamente generado de
un espacio vectorial tenga diferentes conjuntos generadores; por ejemplo, cada uno de los conjuntos
(1, 0), (0, 1), (1, 1), (1, 1) y (1, 1), (1, 1), (1, 0) genera R
2
.
Ya vimos que el primero lo hace, veamos ahora que el segundo tambien genera R
2
.
Dado x = (x
1
, x
2
),
(x
1
, x
2
) = r(1, 1) +s(1, 1) x
1
= r +s y x
2
= r s.
Resolviendo el sistema de ecuaciones obtenemos
r = (x
1
+x
2
)/2 y s = (x
1
x
2
)/2,
con lo cual todo x R
2
es combinacion lineal de (1, 1) y (1, 1) (observe que r y s estan unvo-
camente determinados por x).
Respecto del ultimo conjunto, es obvio que genera R
2
una vez que hemos visto que el conjunto
(1, 1), (1, 1) lo hace, ver la Proposicion 4.6. Sin embargo hay una diferencia fundamental entre
los dos primeros conjuntos y el ultimo: mientras que para los dos primeros conjuntos de generadores
la combinacion lineal que hay que efectuar para obtener un determinado vector es unica, con el
ultimo conjunto de generadores es posible combinar los generadores de diferentes formas y obtener
el mismo vector, por ejemplo:
(1, 3) = 2(1, 1) + (1)(1, 1) + 0(1, 0) y (1, 3) = 2.5(1, 1) + (0.5)(1, 1) + (1)(1, 0).
email [email protected] 207 o
_

v o o
_
s z 208
Esta diferencia hace que sea preferible trabajar con conjuntos de generadores con las caractersti-
cas de los dos primeros, es decir, con conjuntos de generadores tales que la combinacion lineal
que hay que efectuar para obtener cada vector del subespacio sea unica. La razon por la cual
es posible obtener el mismo vector combinando de diferentes maneras los vectores del conjunto
(1, 1), (1, 1), (1, 0), es que uno de sus elementos depende linealmente del resto. En efecto, como
(1, 0) = 0.5(1, 1) + 0.5(1, 1),
si x admite la expresion
x = r(1, 1) +s(1, 1) +t(1, 0),
entonces tambien admite la expresion
x = (r + 0.5t)(1, 1) + (s + 0.5t)(1, 1) + 0(1, 0).
Consideremos ahora el caso de un subespacio S generado por un solo vector v. Si v ,= 0, combina-
ciones lineales diferentes de v dan origen a diferentes vectores, ya que, por una de las propiedades
elementales que dimos al principio, u = v entonces = . Obviamente, si v = 0, distintas
combinaciones de v dan origen al mismo vector, por ejemplo, 1v = 2v = 0.
Los ejemplos anteriores nos sugieren que la condicion que debe cumplir un conjunto de generadores
para que cada vector del subespacio pueda obtenerse combinando los generadores de una unica
forma es que, en el caso en que haya mas de un generador, ninguno de ellos dependa linealmente
del resto y, en el caso en que haya un solo generador, que este no sea nulo. Antes de enunciar la
condicion mencionada conviene introducir algunas deniciones.
Se dice que un conjunto de dos o mas vectores v
1
, v
2
, ..., v
n
es linealmente dependiente si alguno
de los v
i
depende linealmente del resto. En el caso en que el conjunto este formado por un solo
vector v
1
, el conjunto es linealmente dependiente si v
1
= 0. Por otra parte, se dice que v
1
, v
2
, ..., v
n

es linealmente independiente si no es linealmente dependiente, lo que es equivalente a que ninguno

de los v
i
dependa linealmente del resto en el caso en que haya mas de un vector en el conjunto, o
a que v
1
,= 0 en el caso en que el conjunto este formado por un unico vector.
Existe una denicion de independencia lineal equivalente a la que dimos recien, pero mas sencilla
de vericar:
DEFINICI

ON 4.6 (Dependencia e independencia lineal). Sea V un K-espacio vectorial

y sean v
1
, v
2
, ..., v
n
V . Se dice que el conjunto de vectores A = v
1
, v
2
, ..., v
n
es linealmente
independiente (l.i.) (sistema libre o familia libre) si la unica combinacion lineal que vale 0 V es la
que tiene todos los coecientes nulos; esto es, dados
1
,
2
,...,
n
K, si
1
v
1
+
2
v
2
+ +
n
v
n
= 0
entonces
1
=
2
= =
n
= 0. Esto equivale a decir que ning un vector de A se puede poner como
combinacion lineal del resto. Se dice que la familia de vectores A = v
1
, v
2
, ..., v
n
es linealmente
dependiente (l.d.) (o un sistema ligado) si no es linealmente independiente, esto es, si existen
1
,

2
,...,
n
K, no todos nulos, tales que:
1
v
1
+
2
v
2
+ +
n
v
n
= 0, dicho de otro modo, si existe
un vector v
i
A que se puede poner como combinacion lineal del resto.
Es decir, un conjunto es linealmente independiente cuando ning un vector es combinacion lineal
de los otros, porque si alg un
io
,= 0 se puede despejar v
io
como combinacion lineal de los
email [email protected] 208 o
_

v o o
_
s z 209
otros vectores. A continuacion demostramos que un conjunto de mas de un vector es linealmente
dependiente si y solo si uno de los vectores es combinacion lineal de los demas. Mas a un, probaremos
que la dependencia lineal se da solo cuando un vector del conjunto se puede despejar en funcion
(lineal) de los anteriores.
PROPOSICI

ON 4.7. Sea V un espacio vectorial, y A un conjunto ordenado contenido en V ,

que tiene mas de un elemento, tal que v
1
no es el vector nulo: A = v
1
, v
2
, ..., v
n
V con n >
1, v
1
,= 0. Entonces: A es linealmente dependiente si y solo si existe v
k
A (1 k n) tal que
v
k
es combinacion lineal de los k 1 vectores anteriores v
1
, ..., v
k1
.
DEMOSTRACI

ON. () Sabemos que existe v

k
A, 1 k n, tal que v
k
es combinacion
lineal de los anteriores:
v
k
=
1
v
1
+
2
v
2
+... +
k1
v
k1
o sea

0 =
1
v
1
+
2
v
2
+ +
k1
v
k1
+ (1)v
k
+ 0 v
k+1
+ + 0 v
n
.
Tenemos as una combinacion lineal de los vectores de A, con no todos los coecientes iguales a
cero (porque el coeciente de v
k
es 1), que da el vector nulo. Por denicion A es linealmente
dependiente
() Ahora, sabiendo que A es linealmente dependiente y que v
1
,= 0, hay que probar que un v
k
es combinacion de los anteriores vectores de A.
Por ser linealmente dependiente existe una combinacion lineal:

1
v
1
+
2
v
2
+... +
n
v
n
= 0 con alg un ,= 0.
Sea k el mayor i tal que
i
,= 0
i
= 0 i > k y
k
,= 0. Resulta k > 1, porque sino sera

i
v
1
= 0,
1
,= 0 v
1
= 0 (contrario a la hipotesis). Entonces
1
v
1
+ ... +
k
v
k
= 0 y
despejando,
k
v
k
=
1
v
1
...
k1
v
k1
y como
k
,= 0v
k
=

k
v
1
...

k1

k
v
k1
, entonces
v
k
es combinacion lineal de v
1
, ..., v
k1
.
EJEMPLO 4.64. En R
4
, los vectores v
1
= (1, 0, 1, 2), v
2
= (1, 1, 0, 1) y v
3
= (2, 1, 1, 1) son
linealmente independientes, pues
av
1
+bv
2
+ cv
3
= 0, =
_

_
a + b + 2c = 0
b + c = 0
a c = 0
2a + b + c = 0
=a = b = c = 0

EJEMPLO 4.65. En R
4
, los vectores v
1
, v
2
, y v
3
, del ejemplo anterior, y v
4
= (1, 0, 1, 4) son
linealmente dependientes, pues
av
1
+bv
2
+cv
3
+dv
3
= 0, =
_

_
a + b + 2c + d = 0
b + c = 0
a c d = 0
2a + b + c + 4d = 0
=
_

_
a = 2t
b = t
c = t
d = t
t R
que admite soluciones no nulas. Por ejemplo, para t = 1, 2v
1
+v
2
v
3
v
3
= 0.
email [email protected] 209 o
_

v o o
_
s z 210

EJEMPLO 4.66. 1, x 1, x
2
+ 2x + 1 es linealmente independiente en T. Para comprobarlo
escribamos
r +s(x 1) +t(x
2
+ 2x + 1) = 0.
Operando en el lado derecho de la ecuacion llegamos a la ecuacion
(r s +t) + (s + 2t)x +tx
2
= 0.
Como un polinomio es nulo si y solo si todos sus coecientes lo son, necesariamente
r s +t = 0
s + 2t = 0
t = 0,
con lo cual, resolviendo el sistema, obtenemos r = 0, s = 0 y t = 0.
EJEMPLO 4.67.
_
sen(x), cos(x), sen
_
x +

4
__
es linealmente dependiente en c(R), ya que,
como vimos en el ejemplo 4.50,
sen
_
x +

4
_
=

2
2
sen(x) +

2
2
cos(x) x R,
Note que esto ultimo implica que la ecuacion
r sen(x) +s cos(x) +t sen
_
x +

4
_
= 0 x R,
admite soluciones no triviales; una de ellas es, por ejemplo, r =

2
2
, s =

2
2
y t = 1.
EJEMPLO 4.68. sen(x), cos(x) es linealmente independiente en c(R). Para probarlo, supong-
amos que r y s son escalares tales que
r sen(x) +s cos(x) = 0 x R
Como suponemos que la igualdad vale para todo x R, en particular vale para x = 0, con lo cual
r sen(0) +s cos(0) = s = 0.
Considerando ahora x = /2, y teniendo en cuenta que s = 0, resulta
r sen(/2) = r = 0,
con lo cual demostramos que necesariamente r = 0 y s = 0, y con ello que conjunto es linealmente
independiente. Para nalizar, observe que no nos hubiese servido considerar como segundo punto
x = , o, mas generalmente, x = k con k entero, para probar la independencia lineal.
email [email protected] 210 o
_

v o o
_
s z 211
EJEMPLO 4.69. Sean u = (1, 0, 0), v = (0, 2, 0) dos vectores en R
3
. Claramente, u, v es
linealmente independiente. Observemos ademas que cualquier combinacion lineal de u y v tendra
la tercera componente igual a cero. Por tanto, el vector w = (1, 1, 1) no se pone como combinacion
de u, v. Como consecuencia, el conjunto u, v, w es linealmente independiente.

EJEMPLO 4.70. Son linealmente independientes los vectores (1, 1, 0), (1, 0, 1), (2, 1, 1) en
R
3
?.
SOLUCI

ON.- Igualamos una combinacion lineal a cero, es decir:

a(1, 1, 0) +b(1, 0, 1) +c(2, 1, 1) = (0, 0, 0)
De ah llegamos al sistema de ecuaciones:
a + b + 2c = 0
a + c = 0
b + c = 0
El sistema de ecuaciones es homogeneo y por tanto siempre es compatible (recordemos que al
menos una solucion hay, a = b = c = 0). Formamos ahora la matriz de coecientes:
A =
_
_
1 1 2
1 0 1
0 1 1
_
_
Si A tiene rango igual al n umero de incognitas (es decir, el n umero de vectores: en nuestro caso,
tres), el sistema sera compatible determinado. Eso quiere decir que solo hay una solucion, que
debera ser a = b = c = 0. As pues, los vectores seran linealmente independientes.
Si, en cambio, A tiene rango menor de tres, el sistema sera compatible indeterminado. Eso quiere
decir que hay soluciones aparte de a = b = c = 0 (de hecho, innitas), y por tanto los vectores
seran linealmente dependientes.
Este ejemplo nos muestra que para estudiar la dependencia lineal de un n umero de vectores,
basta con formar la matriz correspondiente y calcular su rango. Si es igual al n umero de vectores,
estos son linealmente independientes. Si no, estos son linealmente dependientes. En nuestro caso,
det A ,= 0, por lo que los vectores son linealmente independientes.
Dada una matriz A M
nk
(R), cada una de sus columnas puede ser interpretada como un vector
de R
n
. Entonces, si denominamos A
i
a la i-esima columna de A, tenemos que A
i
R
n
y que
A =
_
A
1
A
2
A
k

A la matriz A podemos asociarle dos subespacios, denominados, respectivamente, espacios columna

y la. El espacio columna es el subespacio de R
n
generado por las columnas de A y se denota
Col(A). En otras palabras
Col(A) = A
1
, ..., A
k
) R
n
.
email [email protected] 211 o
_

v o o
_
s z 212
En forma analoga se dene el espacio la, que es el subespacio de R
r
generado por las las de A
y se denota Fil(A), es decir,
Fil(A) = F
1
, ..., F
n
) R
k
.
Se dene rango por columnas de A, y se denota por rango
c
(A), como rango
c
(A) = dim(Col(A)).
Se dene rango por las de A, y se denota por rango
f
(A), como rango
f
(A) = dim(Fil(A)). Se
demuestra que rango
f
(A) = rango
c
(A), por tanto tenemos la siguiente denicion de rango de una
matriz.
DEFINICI

ON 4.7. El rango de una matriz A se dene como el rango por las de A o el

rango por columnas de A y se denotara por rango(A). Esto es rango(A) es tanto el n umero
maximo de columnas linealmente independientes de A como el n umero maximo de las linealmente
independientes de A.
Para calcular el rango de A, podemos realizar operaciones elementales en las las o columnas de
A hasta obtener una matriz E escalonada por las y luego usamos el hecho de que
rango(A) = rango(E) =n umero de las no nulas de E, (4.6)
Notese que las las no nulas de E forman un sistema de vectores linealmente independientes de
R
n
.
Observe ademas que si A M
nn
(R), entonces.
rango(A) = n si, y solo si, det(A) ,= 0 (4.7)
Ahora bien, en R
n
podemos usar (4.6) para saber si un sistema de vectores S = v
1
, v
2
, ...., v
k

R
n
es linealmente dependiente o es un sistema generador de R
n
, tomamos la matriz cuyas columnas
son los vectores de S, esto es:
A =
_
v
1
v
2
v
k

Luego aplicamos los siguientes resultados:

S es linealmente independiente rango(A) = k Ax = 0 tiene unica solucion x = 0.
S es sistema generador de R
n
rango(A) = n Ax = b tiene solucion b R
n
.
EJEMPLO 4.71. Calculemos el rango del sistema de vectores siguiente
(1, 0, 3, 2), (0, ,1, 1, 0), (3, 0, ,1, 1), (2, 1, ,5, ,1)
y deducir si el sistema es linealmente independiente o sistema generador de R
4
.
Si lo ponemos en forma de matriz el problema se reduce a calcular el rango de la siguiente matriz
A =
_
_
_
_
1 0 3 2
0 1 1 0
3 0 1 1
2 1 5 1
_
_
_
_
email [email protected] 212 o
_

v o o
_
s z 213
lo cual se puede hacer escalonandola. En primer lugar le a nadimos la primera la a la tercera
(multiplicada por 3) y a la cuarta (multiplicada por 2)
(3)F
1
+F
3
(2)F
1
+F
4
_
_
_
_
1 0 3 2
0 1 1 0
0 0 10 5
0 1 11 5
_
_
_
_
Seguidamente le sumamos a la cuarta la la segunda
F
2
+F
4
_
_
_
_
1 0 3 2
0 1 1 0
0 0 10 5
0 0 10 5
_
_
_
_
Y por ultimo le restamos la tercera a la cuarta para obtener la siguiente escalonacion de la matriz
inicial
(1)F
3
+F
4
_
_
_
_
1 0 3 2
0 1 1 0
0 0 10 5
0 0 0 0
_
_
_
_
lo cual nos indica que el rango es 3 (nos han salido 3 vectores no nulos). Por tanto los vectores no
son linealmente independientes (el rango no es igual al numero de vectores, 4) ni constituyen un
sistema generador de R
4
(pues el rango no coincide con dimR
4
= 4).
EJEMPLO 4.72. Estudiar la dependencia o independencia lineal de los vectores de R
3
: (1, 3, 2),
(2, 1, 3) y (4, 7, 1)
SOLUCI

ON.-
_
_
-1 3 2
2 1 3
4 7 1
_
_
v
1
v
2
v
3

_
_
1 3 2
0 5 7
0 5 7
_
_
v
1

= v
1
v
2

= 2v
1
+v
2
v
3

= 4v
1
+v
3

_
_
1 3 2
0 5 7
0 0 0
_
_
v
1

= v
1

v
2

= v
2

v
3

= v
2

+v
3

0 = v
3

= v
2

+v
3

= (2v
1
+v
2
) + (4v
1
+v
3
)
= 2v
1
v
2
+v
3
, = v
2
= 2v
1
+v
3

EJEMPLO 4.73. Est udiese si los vectores de R

4
v
1
=
_
_
_
_
1
1
0
0
_
_
_
_
y v
2
=
_
_
_
_
2
0
1
1
_
_
_
_
son linealmente
independientes.
email [email protected] 213 o
_

v o o
_
s z 214

EJEMPLO 4.74. Sea V un espacio vectorial, entonces

1. v
1
es linealmente independiente si y solo si v
1
,= 0.
2. 0 es linealmente dependiente
3. 0, v
1
, v
2
, ...., v
n
es linealmente dependiente
4. Sean u, v V dos vectores. Entonces el conjunto u, v es linealmente dependiente si y
solo si uno es m ultiplo del otro. Efectivamente, supongamos que existen a
1
, a
2
tales que
a
1
u +a
2
v = 0. Si, por ejemplo, a
1
,= 0, entonces se tiene que u =
a
2
a
1
v.
Nota 3.1: Las deniciones linealmente independiente e linealmente dependiente se dieron para
conjuntos nitos, pero son aplicables tambien a conjuntos con una cantidad innita de vectores en
un espacio vectorial. Si A es innito., AV . V espacio vectorial, decimos que A es linealmente
independiente cuando cualquier subconjunto nito de A es linealmente independiente Decimos
que A es linealmente dependiente cuando no es linealmente independiente (es decir, cuando alg un
subconjunto nito de A es linealmente dependiente).
En el siguiente teorema, estudiamos la relacion de la dependencia lineal con la inclusion de con-
juntos:
TEOREMA 4.6. Sea V espacio vectorial,
Si A = v
1
, v
2
, ..., v
n
es un conjunto linealmente independiente, y sea B A. Entonces B
es tambien linealmente independiente.
Si A = v
1
, v
2
, ..., v
n
es un conjunto linealmente independiente, y sea v
n+1
V que no se
ponga como combinacion lineal de vectores de A. Entonces v
1
, v
2
, ..., v
n
, v
n+1
es tambien
linealmente independiente.
Si A = v
1
, v
2
, ..., v
n
es un conjunto linealmente dependiente, y sea B tal que A B.
Entonces B es tambien linealmente dependiente.
4.5. Base de un espacio vectorial y dimension
Ahora vamos a plantearnos una pregunta central en el algebra lineal. Hemos visto que muchos
vectores se pueden expresar en terminos de otros. Por ejemplo todo vector en R
2
se puede expresar
en terminos de i y j. Tambien observamos que estos dos vectores son linealmente independientes.
Dado un espacio vectorial, es posible describir cualquiera de sus elementos en terminos de un
grupo de elementos jos de ese espacio? Cuantos de estos elementos se requiere? Que condiciones
deben cumplir?
email [email protected] 214 o
_

v o o
_
s z 215
Para responder esta pregunta vamos a considerar los siguientes tres conceptos: ESPACIO GEN-
ERADO POR UN CONJUNTO, BASE DE UN ESPACIO VECTORIAL, DIMENSION DE UN
ESPACIO VECTORIAL.
DEFINICI

ON 4.8. Base de un espacio vectorial: Sea V un espacio vectorial y A= v

1
, v
2
, ..., v
n

V (A nito). Decimos que A es base de V si y solo si

a) A es un conjunto linealmente independiente
b) A genera a V , es decir A) = V
EJEMPLO 4.75. En R
3
, los vectores (1, 0, 0), (0, 1, 0), (0, 0, 1), son base. De hecho, esta es la
llamada base canonica, tambien representados por las letras i, j, k. Anteriormente hemos llegado
a la conclusion de que los vectores (1, 1, 0), (1, 0, 1), (2, 1, 1) son linealmente independiente y
sistema de generadores de R
3
; por tanto, son base de R
3
. En R
n
,
_
e
1
= (1, 0, 0, ..., 0), e
2
= (0, 1, 0, ..., 0), e
3
= (0, 0, 1, ..., 0), ..., e
n
= (0, 0, 0, ..., 1)
_
.
que tambien se llama base canonica.

Ahora discutiremos los siguientes aspectos relativos a las bases: existencia, unicidad y cardinalidad
(cantidad de elementos). El punto de partida sera el teorema sobre existencia de bases en cualquier
espacio vectorial. La prueba de este teorema se apoya en el Lema de Zorn (axioma de eleccion),
el cual representa uno de los supuestos basicos de la teora clasica de conjuntos. El lector no
interesado en la prueba puede simplemente asumir el Teorema 4.5 como un axioma.
TEOREMA 4.7 (Teorema de existencia de la Base). Todo subespacio vectorial posee al
menos una base.
Con respecto a la unicidad de las bases se puede decir que, en general, un espacio vectorial tiene
innitas bases. En efecto, si el espacio V es no nulo (si V es nulo su unica base es ) y si X es
una base cualquiera de V y x es un elemento de X, entonces cambiando x por a.x en X, con cada
a K 0, se obtienen bases distintas en V . Cuando K es innito esta coleccion de bases es
innita. En realidad, el unico espacio con base unica es el espacio nulo.
Mucho mas interesante que la pregunta sobre la unicidad de las bases es el problema sobre el
tama no de estas. Las siguientes proposiciones constituyen la prueba del Teorema 2 que se enun-
ciara mas adelante.
PROPOSICI

ON 4.8. Sea V un espacio vectorial. Sea A = v

1
, ..., v
n
un conjunto que genera
a V y B = w
1
, ..., w
m
un conjunto linealmente independiente de V . Entonces m n.
DEMOSTRACI

ON. Considere el conjunto w

m
, v
1
, ..., v
n
Es linealmente dependiente porque
por hipotesis, w
m
es combinacion lineal de los demas. (Observe que w
m
no es un vector nulo, pues
B es linealmente independiente). Por las Proposiciones 3.1 y 3.2 resulta:
w
m
, v
1
, ..., v
n
) = w
m
, v
1
, ..., v
i1
, v
i+1
, ..., v
n
) = V
email [email protected] 215 o
_

v o o
_
s z 216
Se ha obtenido un nuevo conjunto generador substituyendo v
i
por w
m
. Repetimos ahora el razon-
amiento, tomando el conjunto linealmente dependiente
w
m1,
w
m
, v
1
, ..., v
i1
, v
i+1
, ..., v
n
. Por aplicacion de 3.2 y 3.1 obtenemos un nuevo conjunto gen-
erador eliminando otro elemento v
k
de A ( observe que el elemento que es combinacion lineal de
los anteriores no puede ser w
m
, pues B es linealmente independiente).
Por tanto hemos agregado w
m1
, w
m
, eliminando dos vectores v y obtenido un nuevo conjunto
generador. Este algoritmo (tener un conjunto generador y agregarle ordenadamente un elemento
de B) no se puede continuar cuando se hayan acabado los elementos de B. En este caso, o bien se
han acabado simultaneamente los de A (m = n), o bien quedan algunos de A (m < n). En ambos
casos se obtiene un conjunto generador con todos los elementos de B y los que quedan de A.
TEOREMA 4.8. Sea A = v
1
, v
2
, ..., v
n
V . Entonces A es base si y solo si A es linealmente
independiente y todo conjunto con mas de n vectores es linealmente dependiente
DEMOSTRACI

ON. () Para probar que A es base , alcanza probar que A es generador de

todo el espacio, puesto que A es linealmente independiente por hipotesis.
Por hipotesis, el conjunto v
1
, v
2
, ..., v
n
, v es linealmente dependiente (con V V cualquiera).
Entonces
1
v
1
+
2
v
2
+... +
n
v
n
+v = 0 con alg un escalar distinto de cero Debe ser ,= 0, ya
que si fuera igual a cero, quedara
1
v
1
+
2
v
2
+... +
n
v
n
= 0 con alg un escalar distinto de cero
y esto contradice la independencia lineal de A asegurada por hipotesis.
Entonces tenemos ,= 0. Despejando V se tiene:
v =

v
1

v
2
...

n

v
n
Hemos probado que V es combinacion lineal de A. Como V es un vector cualquiera de V , se tiene
que A genera a V , como queramos probar.
() Ahora sabemos por hipotesis que A es base. O sea A es linealmente independiente y generador
de V . Tenemos que probar que todo conjunto con mas de n vectores es linealmente dependiente Sea
W un conjunto con mas de n vectores (con m vectores, m > n) Por absurdo, si fuera linealmente
independiente, la proposicion 4.8 implicara mn, contradiciendo lo anterior.
PROPOSICI

ON 4.9. Si un espacio vectorial V posee una base nita, entonces todas sus bases
son nitas.
La proposicion anterior permite clasicar los espacios vectoriales en dos categoras: los de bases
nitas y los de bases innitas.
PROPOSICI

ON 4.10. Sea V un espacio vectorial con bases nitas X = x

1
, . . . , x
n
y Z =
z
1
, . . . , z
m
. Entonces n = m.
PROPOSICI

ON 4.11. Sea V un espacio vectorial con bases innitas X, Y . Entonces card (X) =
card (Y ).
email [email protected] 216 o
_

v o o
_
s z 217
Para cada espacio vectorial V se cumple que todas las bases tienen la misma cardinalidad.
COROLARIO 4.1 (Teorema de la dimension). Sea V un espacio vectorial. Si una base tiene
n elementos, entonces todas las demas bases tienen n elementos.
DEMOSTRACI

ON. Sean A y B bases de V , A con n elementos y B con p elementos. Como A

es linealmente independiente y B es generador, aplicando la proposicion 4.1 tenemos np. Como
B es linealmente independiente y A es generador, por lo mismo, tenemos p n. O sea n=p.
El teorema anterior permite denir la nocion de dimension en un espacio vectorial V como el
tama no de cualquiera de sus bases ; se denotara este invariante de V por dim
K
(V ), o simplemente
por dim(V ), si es claro sobre que cuerpo se esta trabajando. Si V es de bases innitas se dira que
V es de dimension innita. De alguna forma, la dimension mide el tama no del espacio vectorial.
DEFINICI

ON 4.9 (Dimension de un espacio vectorial). Sea V un espacio vectorial. Si

existe una base de V que tenga n elementos, se dice que n es la dimension de V (observese
en virtud del corolario anterior, n no depende de la base que se halla encontrado). Notaremos
dim (V ) = n. Si V = 0 (ejemplo 1.11), se conviene en decir que V tiene dimension 0. Si
V ,= 0 y no existe una base de V con una cantidad nita de elementos, entonces decimos que la
dimension de V es innita.
DEFINICI

ON 4.10. Si S es un subconjunto de V , se dene el rango de S, rango(S), como la

dimension del espacio generado por S, es decir, rango(S) = dim
K
< S >.
EJEMPLO 4.76. El conjunto de vectores B = e
1
, e
2
, ..., e
n
donde e
i
= (0, 0, .., 1, .., 0) con
todas las componentes igual a cero excepto la i-esima componente es una base para R
n
. Para
vericar esto debemos mostrar 1) que e
1
, e
2
, ..., e
n
es un conjunto linealmente independiente 2)
que
gene
1
, e
2
, ..., e
n
= R
n
.
Para mostrar que B es un conjunto linealmente independiente partimos de la combinacion lineal
igualada al vector cero

1
e
1
+
2
e
2
+
3
e
3
+.....
n
e
n
= 0
a la izquierda sumando obtenemos
(
1
,
2
, ....,
n
) = (0, 0, ..., 0)
por tanto
i
= 0. Podemos concluir que B es linealemente independiente. Ahora mostramos que
genB = R
n
. Para esto tomamos un elemento cualquiera de R
n
y demostramos que esta en gen B
es decir que es combinacion lineal de e
1
, e
2
, ...e
n
. Sea x = (x
1
, x
2
, .., x
n
) R
n
. Es claro que
(x
1
, x
2
, .., x
n
) = x
1
e
1
+x
2
e
2
+... +x
n
e
n
Por tanto cualquier elemento de R
n
es combinacion lineal de B. A este conjunto se le llama base
canonica de R
n
. Puesto que este conjunto base tiene n elementos la dimR
n
= n.
email [email protected] 217 o
_

v o o
_
s z 218
DEFINICI

ON 4.11. Se llama base can onica de R

n
, R, +, o de
C
n
, C, +, a la base
_
e
1
= (1, 0, 0, ..., 0), e
2
= (0, 1, 0, ..., 0), e
3
= (0, 0, 1, ..., 0), ..., e
n
= (0, 0, 0, ..., 1)
_
.
Por tanto, ambos espacios vectoriales tienen dimension n.
EJEMPLO 4.77. Interpretaci on geometrica de subespacios. Sean V = R
n
y S R
n
es un subespacio vectorial.
1. Si dimS = 0, S = 0 es un punto (el origen).
2. Si dimS = 1, S = u) es la recta que pasa por el origen con vector de direccion u.
3. Si dimS = 2, S = u, v) es el plano que pasa por el origen con vectores de direccion u y v.
4. Si 2 < k = dimS < n 1, S es un k-plano que pasa por el origen.
5. Si dimS = n 1, S es un hiperplano que pasa por el origen.
6. Si dimS = n, S = R
n
es todo el espacio.

EJEMPLO 4.78. Sea v = (a, b, c, d) R

4
. Entonces
v = a (1, 0, 0, 0) +b (0, 1, 0, 0) +c (0, 0, 1, 0) +d (0, 0, 0, 1) ,
y el vector de componentes de v en la base canonica de R
4
es (a, b, c, d) . Mas a un, para cualquier
v R
n
, el vector de componentes de V en la base canonica de R
n
, coincide con v.
EJEMPLO 4.79. Pero, si en R
n
se elige otra base distinta de la canonica, el vector de
componentesde un vector v R
n
es distinto del vector v. Por ejemplo, sea la base B =
(1, 1, 1) , (1, 1, 0) , (1, 0, 0) de R
3
. Tomemos v R
3
, o sea v = (a, b, c). Se tiene
v = (a, b, c) = c (1, 1, 1) + (b c) (1, 1, 0) + (a b) (1, 0, 0) .
El vector v = (a, b, c) tiene componentes (c, b c, a b) en la base B.
Hay que aclarar en cada caso, cuando se da una n-upla de R
n
, si se trata de los vectores en si,
o si se trata de las componentes en alguna base distinta de la canonica. Solo puede omitirse esta
aclaracion cuando la base es la canonica.
EJEMPLO 4.80. Sea C
n
, R, +, .
Verifquese que
(1, 0, ..., 0) , (0, 1, ..., 0) , ..., (0, 0, ..., 1)
no es base. Sugerencia: El vector (i, 0, ..., 0) donde i es la unidad imaginaria no es combinacion
lineal del conjunto anterior.
Verifque que:
(1, 0, ..., 0) , (i, 0, ..., 0) , (0, 1, ..., 0) , (0, i, ..., 0) , (0, 0, ..., 1) , (0, 0, ..., i)
es base de C
n
, R, +, . Entonces dim(C
n
) = 2n sobre el cuerpo R.
email [email protected] 218 o
_

v o o
_
s z 219
EJEMPLO 4.81. Una base para T
n
el espacio vectorial de polinomios de grado menor o igual
a n es el conjunto 1, x, x
2
, x
3
, ..., x
n
. Es claro que este conjunto genera P
n
pues todo polinomio
es una combinacion de estos n + 1 polinomios, ademas se puede mostrar facilmente que este es
un conjunto linealmente independiente. Puesto que este conjunto tiene n + 1 elementos entonces
la dimT
n
= n + 1. Por ejemplo el espacio de polinomios de grado menor o igual a 3, P
3
tiene
dimension 4.
EJEMPLO 4.82. Sea E
ij
la matriz mn que tiene todas sus entradas nulas excepto la entrada
ij que vale 1. El conjunto
B = E
ij
: i = 1, ..., m, j = 1, ..., n
es una base de M
mn
(R). La dimension del espacio M
nm
R es nm. Por ejemplo la base para
M
22
(R) es el conjunto de matrices
_
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
_
La dimension de M
22
es 4.
Hasta ahora hemos provisto la base y vericado que es tal. Pero como encontrar la base y dimension
de un espacio vectorial?
EJEMPLO 4.83. Vamos a encontrar la base del subespacio de R
3
, W = (x, y, z)/2x +y z = 0
podemos ver que W es un plano que pasa por el origen. La idea para encontrar un conjunto base
para este plano es expresar los elementos (x, y, z) en terminos de dos vectores. Por que 2? Geo-
metricamente sabemos que la dimension del plano es 2. Ahora sabemos que los puntos (x, y, z)
cumplen con la ecuacion de plano por tanto
(x, y, z) = (x, y, 2x +y)
aqui podemos ver que x e y son dos variables libres, z queda determinado por estas dos variables.
La libertad de escoger tambien debe coincidir con la dimension del espacio, 2 variables libres,
dimension 2. Ahora podemos descomponer este vector, separando la parte que contiene x con la
parte que contiene y :
(x, y, 2x +y) = x(1, 0, 2) +y(0, 1, 1)
De aqui que la base es B = (1, 0, 2), (0, 1, 1). Debemos mostra que gen B = W . Esto es claro
de la ultima igualdad que dice que todo elemento de W es combinacion lineal de B. Debemos
ademas mostrar que B es linealmente independiente.
Demostrar que B es linealmente independiente.
EJEMPLO 4.84. Considere el conjunto W = gencos
2
x, sen
2
x, 1. Determine una base para
este conjunto. Sabemos que todos los elementos de W deben ser combinacion lineal de las funciones
cos
2
x, sen
2
x, 1. Asi que obviamente un candidato de base es el conjunto cos
2
x, sen
2
x, 1. Para
que sea base debe ser linealmente independiente pero es debido a que
1 = cos
2
x + sen
2
x
podemos concluir que el conjunto es dependiente. En otras palabras hay un elemento sobrante,
podemos escoger 2 de los 3 elementos por ejemplo 1, sen
2
x es base. La dimW = 2.
email [email protected] 219 o
_

v o o
_
s z 220
EJEMPLO 4.85. Consideremos el conjunto V = f : [0, 1] R : f(x) = (a
0
+a
1
x +a
2
x
2
)e
x
.
V es un espacio vectorial real con las operaciones suma y producto que hemos denido para
funciones, ya que con esas operaciones es un subespacio del espacio vectorial C([0, 1]). Mas a un,
V = gene
x
, xe
x
, x
2
e
x
. Armamos que dim(V ) = 3. Para constatarlo basta con ver que el
conjunto e
x
, xe
x
, x
2
e
x
es linealmente independiente. Supongamos
re
x
+sxe
x
+tx
2
e
x
= 0 x [0, 1] (4.8)
Evaluando ambos lados de la igualdad en los puntos del intervalo [0, 1], x = 0, x = 0.5 y x = 1,
obtenemos el sistema de ecuaciones
r = 0
e
0.5
r + 0.5e
0.5
s + 0.5
2
e
0.5
t = 0
e
1
r +e
1
s +e
1
t = 0,
que tiene como unica solucion r = 0, s = 0 y t = 0.
Otra forma de demostrar la independencia lineal del conjunto es la siguiente. Como e
x
,= 0 para
todo x [0, 1], (4.8) es equivalente a
r +sx +tx
2
= 0 x [0, 1] (4.9)
Como el lado derecho de la ecuacion es una funcion polinomica, para que se cumpla (4.9) es
necesario que r = 0, s = 0 y t = 0, ya que en caso contrario estaramos en presencia de un
polinomio no nulo que se anula en un n umero innito de puntos (todo punto del intervalo [0, 1]),
lo cual es imposible.
EJEMPLO 4.86. Responda las siguientes preguntas argumentando sus respuestas con argumen-
tos logicos o ejemplos seg un sea el caso. 1) Es posible tener un conjunto de 4 vectores linealmente
independientes en R
3
?. 2) Es posible tener un conjunto de tres vectores linealmente dependientes
en R
3
?. 3) Es posible tener un conjunto de dos vectores que generen R
3
?
SOLUCI

ON.-
Uso de operaciones elementales para obtenci on de bases.- Sea W un subespacio de R
n
.
Un conjunto de vectores v
1
, v
2
, ..., v
k
se dice conjunto generador de W si W = v
1
, v
2
, ..., v
m
).
Si, ademas, el conjunto v
1
, v
2
, ..., v
m
es linealmente independiente, diremos que es una base de
W.
1. Si W tiene una base B, llamaremos dimension de W al n umero de elementos de B y lo
denotaremos como dimW.
email [email protected] 220 o
_

v o o
_
s z 221
2. Habamos denido el rango de una matriz como el n umero de las no nulas en una matriz
escalonada. Una interpretacion en terminos de subespacios es que el rango es la dimension
del subespacio generado por las las de la matriz. Puede comprobarse que el rango coincide
tambien con la dimension del subespacio generado por las columnas de la matriz.
3. De lo anterior se deduce que si W = v
1
, v
2
, ..., v
k
), para calcular una base de W procedi-
endo de la siguiente manera: Construimos una matriz A cuyas las son los vectores v
1
, v
2
,
... ,v
k
y calculando la matriz escalonada reducida de A al que denotamos por A
r
, entonces
una base de W = v
1
, v
2
, ..., v
k
) esta formada por los vectores correspondientes a las las
no nulas de A
r
.
4. Por otro lado si W es un subespacio de R
n
de dimension r, para calcular una base de R
n
nos inventamos n k vectores, con la precaucion de que al juntarlos con los de la base de
W sean linealmente independientes (es decir su matriz escalonada no nos de las nulas).
De todo lo anterior deducimos la siguiente consecuencia:
COROLARIO 4.2. Sea S = v
1
, v
2
, ..., v
n
un conjunto de n vectores de R
n
. Entonces son
equivalentes: 1) S es base de R
n
. 2) S es linealmente independiente. 3) S es un conjunto generador
de R
n
.
Por tanto, a la vista de este resultado, si nos dan un conjunto con tantos vectores como la dimension
de R
n
para que sea base de R
n
bastara probar que son linealmente independientes.
EJEMPLO 4.87. Consideremos el subespacio W de R
3
dado por las ecuaciones implcitas:
x y +z = 0
x z = 0
_
Para calcular una base de W, resolvemos dicho sistema, teniendo en cuenta que, para ello, debemos
introducir 1 variable libre
n
o
variables libres = n
o
componentes n
o
ecuaciones implcitas linealmente independientes
Obtenemos la solucion
W = (a, 2a, a) : a R.
El subespacio W de R
3
esta generado por el conjunto (1, 2, 1), as W = (1, 2, 1)). Como es
claramente independiente se tiene que B = (1, 2, 1) es base de W con lo que dimW = 1.

EJEMPLO 4.88. La solucion de la ecuacion lineal x y z t = 0 en R

4
es
W = (a +b +c, a, b, c) : a, b, c R.
email [email protected] 221 o
_

v o o
_
s z 222
Cualquier vector solucion (a +b +c, a, b, c) W se expresa de la forma
(a +b +c, a, b, c) = (a, a, 0, 0) + (b, 0, b, 0) + (c, 0, 0, c)
= a(1, 1, 0, 0) +b(1, 0, 1, 0) +c(1, 0, 0, 1).
Por tanto
W = (1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)).
Ademas esos tres vectores son linealmente independientes como se puede comprobar al hacer la
matriz escalonada. Con lo cual
B = (1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)
es base de W y as dimW = 3. Si queremos ampliar dicha base hasta una base de R
4
bastara a nadir
un cuarto vector que sea linealmente independiente con los de la base de W, podemos tomar
(1, 0, 0, 0) (compruebese!!).

Observacion. Siempre que nos den un subespacio W de R

n
en forma de sistema generador, para
calcular una base de W tenemos que comprobar que dichos vectores son linealmente independientes
calculando una matriz escalonada de esos vectores puestos por las.
Todo lo anterior es igualmente valido cuando V es un espacio vectorial arbitrario con base nita,
y sus vectores vienen expresados por sus coordenadas respecto de dicha base.
EJEMPLO 4.89. Hallar una base del subespacio generado por
A = v
1
= (1, 3, 4), v
2
= (2, 1, 1), v
3
= (3, 2, 5), v
4
= (5, 15, 20)
SOLUCI

ON.- Si A = v
1
= (1, 3, 4), v
2
= (2, 1, 1), v
3
= (3, 2, 5), v
4
= (5, 15, 20) R
3
,
entonces
_
_
_
_
1 3 4
2 1 1
3 2 5
5 15 20
_
_
_
_

_
_
_
_
1 3 4
0 7 7
0 7 7
0 0 0
_
_
_
_

_
_
_
_
1 3 4
0 1 1
0 0 0
0 0 0
_
_
_
_
y B = u
1
= (1, 3, 4), u
2
= (0, 1, 1) es una base de A). Para hallar las coordenadas del vector
v = (2, 1, 1) respecto de dicha base, se procede as:
v = au
1
+bu
2
, (2, 1, 1) = a(1, 3, 4) +b(0, 1, 1) =
_
_
_
a = 2
3a +b = 1
4a +b = 1

_
a = 2
b = 7
de donde v = 2u
1
7u
2
= (2, 7)
B
. En referencia a esta base, las ecuaciones parametricas e
implcitas de A) son:
_
_
_
x = a
y = 3a +b
z = 4a +b
; a, b R = x +y z = 0

email [email protected] 222 o

_

v o o
_
s z 223
EJEMPLO 4.90. Hallar una base del subespacio generado por
A = p
1
= 1 x
3
, p
2
= x x
3
, p
3
= 1 x, p
4
= 1 +x 2x
3

SOLUCI

ON.- Antes de proceder a hallar una base del subespacio generado por A T
3
(R) se
expresan los vectores (polinomios) respecto de la base usual:
A = p
1
= (1, 0, 0, 1), p
2
= (0, 1, 0, 1), p
3
= (1, 1, 0, 0), p
4
= (1, 1, 0, 2)
Entonces
_
_
_
_
1 0 0 1
0 1 0 1
1 1 0 0
1 1 0 2
_
_
_
_

_
_
_
_
1 0 0 1
0 1 0 1
0 1 0 1
0 1 0 1
_
_
_
_

_
_
_
_
1 0 0 1
0 1 0 1
0 0 0 0
0 0 0 0
_
_
_
_
y una base de A) es:
A = q
1
= (1, 0, 0, 1) = 1 x
3
, q
2
= (0, 1, 0, 1) = x x
3

Para hallar las coordenadas del polinomio p = 1 + 2x x

3
= (1, 2, 0, 1) respecto de dicha
base, se procede as:
p = (1, 2, 0, 1) = (1, 0, 0, 1)+(0, 1, 0, 1) =
_

_
= 1
= 2
0 = 0
= 1
=
_
= 1
= 2
de donde p = q
1
+ 2q
2
= (1, 2)
B
. En referencia a esta base, y representando un polinomio
arbitrario por p = a +bx +cx
2
+dx
3
= (a, b, c, d), las ecuaciones parametricas e implcitas de A)
son:
_

_
a =
b =
c = 0
d =
; , R =
_
a +b +d = 0
c = 0

EJEMPLO 4.91. Hallar una base del subespacio generado por

A =
_
M
1
=
_
1 1
0 1
_
, M
2
=
_
0 0
1 1
_
, M
3
=
_
2 2
2 2
_
, M
4
=
_
3 3
5 3
_
, M
5
=
_
1 1
3 1
__
SOLUCI

ON.- Antes de proceder a hallar una base del subespacio generado en M

22
(R) por A
se expresan los vectores (matrices) respecto de la base usual:
A =
_
M
1
= (1, 1, 0, 1), M
2
= (0, 0, 1, 1), M
3
= (2, 2, 2, 2), M
4
= (3, 3, 5, 3),
M
5
= (1, 1, 3, 1)
_
email [email protected] 223 o
_

v o o
_
s z 224
Entonces
_
_
_
_
_
_
1 1 0 1
0 0 1 1
2 2 2 2
3 3 5 3
1 1 3 1
_
_
_
_
_
_

_
_
_
_
_
_
1 1 0 1
0 0 1 1
0 0 2 0
0 0 5 0
0 0 3 0
_
_
_
_
_
_

_
_
_
_
_
_
1 1 0 1
0 0 1 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
_
_
_
_

_
_
_
_
_
_
1 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
_
_
_
_
y una base de A) es
_
N
1
= (1, 1, 0, 0) =
_
1 1
0 0
_
, N
2
= (0, 0, 1, 0) =
_
0 0
1 0
_
, N
3
= (0, 0, 0, 1) =
_
0 0
0 1
__
Puesto que la base se ha obtenido llegando hasta la matriz escalonada, ahora es mucho mas facil
obtener las coordenadas de una matriz respecto de ella. De esta manera
M =
_
2 2
3 2
_
= (2, 2, 3, 2) = 2N
1
+ 3N
2
2N
3
= (2, 3, 2)
B
En referencia a esta base, y representando una matriz arbitraria por
M =
_
x y
z w
_
= (x, y, z, w)
las ecuaciones parametricas e implcitas de A) son:
_

_
x = a
y = b
z = b
w = c
; a, b, c R = x +y = 0

TEOREMA 4.9. Sea V un espacio vectorial de dimension n 1, W y B subconjuntos de V

(nitos). Se cumplen las siguientes propiedades:
1) Si B genera a V , existe B contenido en B, tal que B es base de V .
2) Si W es linealmente independiente, existe W que contiene a W, tal que W es base de V
(dicho de otra forma, todo conjunto generador, contiene a alguna base; y todo linealmente inde-
pendiente se puede agrandar hasta formar una base).
DEMOSTRACI

ON. 1) Sea B = v
1
, v
2
, ..., v
k
. Si B es l.i:, entonces es base (porque por hipotesis
B genera a V ). Si B es linealmente dependiente, o bien esta formado por un unico vector, que tiene
que ser el vector nulo (porque B es linealmente dependiente), o bien esta formado por mas de un
vector. En el caso en que B = 0, como por hipotesis B genera a V , sera el caso en que V = 0.
Pero este caso esta excludo, porque por hipotesis n1. De esta forma, resta solo estudiar el caso
email [email protected] 224 o
_

v o o
_
s z 225
en que B es linealmente dependiente y esta formado por mas de un vector. Por la Proposicion 3.2,
hay un vector de B, que es combinacion lineal de los demas vectores de B. Quitando ese vector v
r
de B, se obtiene un conjunto B
1
. Por la proposicion 3.1 A) = B
1
) y entonces B genera a V .
Si B
1
es L.I: ya esta probado. Si es linealmente dependiente aplicando el mismo razonamiento
a B
1
en lugar de B, se obtiene un nuevo conjunto B
2
B
1
B tal que genera a V . Si se
repite el razonamiento, se obtendra nalmente un conjunto B contenido en B, que es linealmente
independiente y que se obtuvo de B retirando sucesivamente aquellos vectores que se expresaban
como combinacion lineal de los restantes. Por la proposicion 3.1, este conjunto B tambien genera
a V . Por denicion es base de V , probando 1).
2) Supongamos W = w
1
, ..., w
p
es un conjunto linealmente independiente Si W genera a V ,
entonces W es base y tomamos W = W. Si W no genera a V , entonces existe alg un vector de V que
no es combinacion lineal de W. Llamemos w
p+1
a este vector. Mostremos que:w
1
, w
2
, ..., w
p
, w
p+1

es linealmente independiente
En efecto:
1
w
1
+
2
w
2
+ ... +
p
w
p
+
p+1
w
p+1
= 0
p+1
= 0, porque sino se podra
despejar w
p+1
en funcion de los demas, y eso no es posible porque w
p+1
no es combinacion
lineal de w
1
, w
2
, ..., w
p
. Entonces:
1
w
1
+
2
w
2
+ ... +
p
w
p
= 0. Luego, todos los coecientes

i
son ceros, porque W es linealmente independiente Tenemos entonces que el conjunto W =
w
1
, w
2
, ..., w
p
, w
p+1
es linealmente independiente Repitiendo la construccion anterior a W
1
en
lugar de W, vamos agregando vectores hasta obtener un conjunto linealmente independiente y que
genere a V (sea hasta obtener una base de V ). Siempre se llega, en una cantidad nita de pasos,
a un conjunto que genere a V , porque por el teorema 4.2 los conjuntos linealmente independiente
no pueden tener mas de n elementos, donde n es la dimension del espacio.
A continuacion se presentaran algunas propiedades interesantes de los espacios de dimension nita
COROLARIO 4.3. Sea V un K-espacio vectorial de dimension n 1. Entonces,
(a) Cada conjunto de n elementos linealmente independientes de V conforman una base.
(b) Cada conjunto de n generadores de V conforman una base de V .
DEMOSTRACI

ON. 1) Si A = v
1
, ..., v
n
no genera V, existe v V tal que v / A). En-
tonces v
1
, ..., v
n
, v es linealmente independiente (como en la demostracion del teorema anterior)
pero tiene n + 1 vectores, lo que contradice el teorema 4.2. Absurdo. Luego A) = V .
2) Si A = v
1
, ..., v
n
, con A) = V y A es linealmente dependiente existe A
1
A con
A
1
) = V , y [A
1
[ = p < n. Luego A
1
sera base y dim (V ) = p < n. Absurdo.
PROPOSICI

ON 4.12. Sea V un espacio vectorial de dimension nita n. Sea W un subespacio

de V . Entonces W tiene tambien dimension nita, que es menor o igual que n.
DEMOSTRACI

ON. Si W = 0, entonces dim W=0 y ya esta probado, pues 0 n.

Si W ,= 0, alcanza probar que existe una base de W con una cantidad nita de elementos p.
Una vez demostrado eso, por la proposicion 4.1 resulta p n, pues una base de W, es un conjunto
linealmente independiente, con p elementos, y una base de V es un conjunto que genera a todo el
espacio, con n elementos.
email [email protected] 225 o
_

v o o
_
s z 226
Como W ,= 0 entonces existe alg un vector w
1
W, w
1
,= 0. Si w
1
genera a W, es base de W,
y ya esta probado. Si w
1
no genera a W, existe un vector w
2
W que no es combinacion lineal
de w
1
.
Armamos que w
1
, w
2
es linealmente independiente . En efecto, si
1
w
1
+
2
w
2
= 0,
2
= 0
pues de lo contrario se podra despejar w
2
en funcion de w
1
, lo cual no es posible porque w
2
no
es combinacion lineal de w
1
. Entonces
2
= 0, y entonces
1
w
1
= 0. Como w
1
,= 0 se deduce

1
= 0.Tenemos ahora que w
1
, w
2
es linealmente independiente . Si genera a W, ya tenemos una
base. Si no genera a W, existe un tercer vector w
3
W que no es combinacion lineal de los dos
primeros. Igual que antes se prueba que el conjunto w
1
, w
2
, w
3
es linealmente independiente. Se
puede repetir el razonamiento en una cantidad menor que n + 1 de pasos hasta construir una
base de W, porque de lo contrario tendramos un conjunto linealmente independiente de n + 1
vectores, contradiciendo el teorema 4.2 que dice que los conjuntos linealmente independiente no
pueden tener mas de n elementos, donde n es la dimension del espacio.
PROPOSICI

ON 4.13. Sea W un subespacio de V , con dim(V ) = n, se tiene que dimF

dimE. Si dim(W) = dim(V ), entonces W=V .
DEMOSTRACI

ON. Sea w
1
, ..., w
n
base de W. Entonces es linealmente independiente y esta for-
mado por n vectores de W V . Si v V ; w
1
, ..., w
n
, v es linealmente dependiente (por Teo-
rema 4.2.) y como antes, vemos que V se escribe como combinacion lineal de w
1
, ..., w
n
, luego
w
1
, ..., w
n
= V .
A continuacion veremos que un espacio vectorial de dimension nita es nitamente generado y
tiene una base nita. De hecho puede tener mas de una base, por ejemplo en R
2
, C = e
1
, e
2
y
B = (1, 1), (2, 3) son bases.
TEOREMA 4.10. Sea V un espacio vectorial de dimension n, y sea S un sistema de generadores
de V . Entonces, obligatoriamente, S tiene al menos n vectores. Ademas, a partir de S se puede
extraer una base, eliminando uno a uno los vectores que sean combinacion lineal de los demas.
DEMOSTRACI

ON. Notese que ya que V ,= 0 todo conjunto de generadores de V tiene al

menos un vector distinto de 0. Si S es linealmente independiente ya es una base. En caso contrario,
existe v S que es combinacion lineal de los restantes y S) = S v).
Si este nuevo conjunto de generadores es linealmente independiente ya es una base de V . En otro
caso existe v

S v tal que es combinacion lineal de los vectores de S v y

S v) = S v

, v)
Repitiendo el proceso, tantas veces como sea necesario, se llega a un sistema de generadores
linealmente independiente ya que, en el peor de los casos, encontraramos un conjunto generador
con un unico vector que al ser distinto de 0 ya es linealmente independiente.
EJEMPLO 4.92. Sea V el subespacio de R
4
generado por
S = v
1
= (1, 1, 0, 0), v
2
= (0, 1, 0, 0), v
3
= (1, 1, 0, 0), v
4
= (1, 2, 0, 0), v
5
= (0, 2, 3, 3).
email [email protected] 226 o
_

v o o
_
s z 227
Encontrar una base de V . Puesto que v
3
= v
1
entonces
S) = v
1
, v
2
, v
4
, v
5
)
Ahora la ecuacion v
4
= v
1
+v
2
implica que
v
1
, v
2
, v
4
, v
5
) = v
1
, v
2
, v
5
).
El conjunto S = v
1
= (1, 1, 0, 0), v
2
= (0, 1, 0, 0), v
5
= (0, 2, 3, 3) es linealmente independiente y
por tanto base de V .
No podemos dejar de mencionar un resultado motivado por la siguiente pregunta: Dado un con-
junto linealmente independiente v
1
, ..., v
r
de vectores de un espacio vectorial V de dimension
nita forman parte de alguna base B de V ?. El siguiente es el Teorema de prolongacion de una
base y responde armativamente a esta pregunta: S V un K-espacio vectorial de dimension nita.
Todo conjunto linealmente independiente de vectores puede completarse hasta obtener una base.
TEOREMA 4.11 (Teorema de Steinitz o de la base incompleta). Sea V un espacio vec-
torial de dimension n, y sea A V un conjunto de vectores linealmente independiente. Entonces,
obligatoriamente, A tiene como maximo n vectores. Ademas, A se puede extender a una base,
a nadiendo vectores en V que no sean combinacion lineal del resto.
DEMOSTRACI

ON. Sea V un espacio vectorial y B = v

1
, ..., v
n
una base de V . Si S =
u
1
, ..., u
s
es un subconjunto de V linealmente independiente entonces demostraremos que s n
y que existen n s vectores v
i
1
, ..., v
i
ns
B tales que el conjunto u
1
, ..., u
s
, v
i
1
, ..., v
i
ns
es una
base de V . Es decir que todo subconjunto de V linealmente independiente se puede ampliar a una
base. En efecto:
Sabemos que todo conjunto con mas de n elementos es linealmente dependiente y por tanto s n.
Si s < n entonces S no puede ser base y
u
1
, ..., u
s
) v
1
, ..., v
n
) = V
As, existira v
i
1
v
1
, ..., v
n
tal que v
i
1
/ u
1
, ..., u
s
y entonces u
1
, ..., u
s
, v
i
1
es un conjunto
linealmente independiente con s + 1 elementos. Repitiendo el proceso n s veces se tiene el
resultado.
EJEMPLO 4.93. Si S = (1, 1, 1, 1), (1, 2, 3, 4) R
4
veamos como se puede ampliar a una base
de R
4
.
Sabemos que
u
1
= (1, 1, 1, 1), u
2
= (1, 2, 3, 4))
u
2
u
1
= (1, 1, 1, 1), (0, 1, 2, 3)).
Ademas,
R
4
= (1, 1, 1, 1), (0, 1, 2, 3), (0, 0, 1, 0), (0, 0, 0, 1))
porque son 4 vectores escalonados y entonces linealmente independientes. Como,
(1, 1, 1, 1), (0, 1, 2, 3), (0, 0, 1, 0), (0, 0, 0, 1)) = (1, 1, 1, 1), (1, 2, 3, 4), (0, 0, 1, 0), (0, 0, 0, 1))
se tiene que (1, 1, 1, 1), (1, 2, 3, 4), (0, 0, 1, 0), (0, 0, 0, 1) es una base de R
4
.
email [email protected] 227 o
_

v o o
_
s z 228
EJEMPLO 4.94. Como ejemplo, U = (x, y, 0) R
3
: x, y R. Claramente, los vectores
(1, 0, 0), (0, 1, 0) son base de U, y por tanto su dimension es dos. Eso quiere decir que tres vectores
cualesquiera en U, por ejemplo, (2, 7, 0), (1, 2, 0), (18, , 0) deben ser forzosamente linealmente
dependientes. Igualmente, cualquier vector, por ejemplo u = (1, 2, 0) no puede ser sistema de
generadores de U.

Como consecuencia de los dos resultados previos, tenemos lo siguiente:

COROLARIO 4.4. Sea V un espacio vectorial de dimension n, y sea A V un conjunto
con n vectores. Entonces son equivalentes: i) A es linealmente independiente. ii) A es sistema de
generadores. iii) A es base.
COROLARIO 4.5 (Propiedades de las bases y la dimension.). Sea V un K-espacio vec-
torial de tipo nito (es decir, generado por un n umero nito de vectores) y sea L V , L ,= 0
un subespacio vectorial. Sea S = u
1
, u
2
, ..., u
p
un conjunto de vectores de L, entonces se verica
que:
1. Si S es un conjunto generador de L, entonces p dim(L).
2. Si S es un conjunto linealmente independiente, entonces p dim(L).
3. Si S es generador de L y dim(L) = p, entonces S es base de L.
4. Si S es linealmente independiente y dim(L) = p, entonces S es base de L.
Por tanto, la dimension de un subespacio vectorial L es el n umero maximo de vectores de L
linealmente independientes. Ademas, la dimension de L es el n umero mnimo de vectores de un
conjunto generador de L.
EJEMPLO 4.95. (1, 1), (2, 1) es base de R
2
pues es linealmente independiente y dim(R
2
) = 2.
EJEMPLO 4.96. 1t, 1+t, t
2
es base de T
2
pues lo generan y dim(T
2
) = 3. Para comprobar
que genera T
2
basta con ver que 1, t y t
2
son combinaciones lineales de 1 t, 1 + t, t
2
. Pero,
1 = 0.5(1 t) + 0.5(1 +t), t = 0.5(1 t) + 0.5(1 +t) y t
2
obviamente es combinacion lineal por
formar parte del conjunto.
EJEMPLO 4.97. Subespacios generados por un conjunto de vectores.- Sea S el
espacio generado por los vectores v
1
, v
2
, ..., v
m
. Queda claro que entonces estos vectores forman
un sistema de generadores de S (por denicion). Por tanto, dimS m. Ademas, la dimension
de S sera el maximo n umero de vectores linealmente independientes en v
1
, v
2
, ..., v
m
, gracias al
Teorema 4.10.
Si estamos trabajando en R
n
(o en coordenadas), recuerdese que el maximo n umero de vectores
linealmente independientes en v
1
, v
2
, ..., v
m
es exactamente el rango de la matriz formada por
dichos vectores dispuestos por las. Entonces, por lo anterior, dicho rango sera exactamente la
dimension de S.
email [email protected] 228 o
_

v o o
_
s z 229
Por ejemplo, si S = (1, 0, 1, 2), (0, 1, 1, 1), (1, 1, 0, 3)) R
4
, entonces dimS 3. Ahora bien,
el rango de la matriz:
A =
_
_
1 0 1 2
0 1 1 1
1 1 0 3
_
_
es igual a dos. Por tanto, dimS = 2. Una base estara formada, por ejemplo, por los vectores
(1, 0, 1, 2), (0, 1, 1, 1), ya que son linealmente independientes entre s (no son proporcionales).

EJEMPLO 4.98. Consideremos el siguiente subconjunto de R

4
:
S = (x
1
, x
2
, x
3
, x
4
) : x
1
x
4
= 0 y x
2
x
4
= x
3

1. Comprobar que S es subespacio vectorial de R

4
.
2. Obtener dos bases distintas B
1
y B
2
de S y hallar la dimension de S.
3. Hallar un sistema generador G de S que no sea base de S.
4. Hallar un sistema generador G de S que no sea linealmente independiente.
5. Hallar un conjunto linealmente independiente F de S que no sea base de S.
6. Hallar un conjunto linealmente independiente F de S que no sea sistema generador de S.
7. Sea F = B
1
B
2
. Es F linealmente independiente? Es F sistema generador de S? Hallar
r(F).
8. Completar la base B
1
hasta obtener una base B

de R
4
.
SOLUCI

ON.-
1. Comprobar que S es subespacio vectorial de R
4
.
Solucion.- Para demostrar que S es un subespacio vectorial de R
4
encontraremos un sis-
tema generador G de S (S = G)). Como?: Resolviendo el sistema lineal homogeneo que
satisfacen las componentes de cualquier vector de S. Tomemos
(x
1
, x
2
, x
3
, x
4
) S = (x
1
, x
2
, x
3
, x
4
) : x
1
x
4
= 0 y x
2
x
4
= x
3

entonces
_
x
1
x
4
= 0
x
2
x
4
= x
3
_
x
4
= x
1
x
3
= x
2
x
1
por tanto
(x
1
, x
2
, x
3
, x
4
) = (x
1
, x
2
, x
2
x
1
, x
1
)
email [email protected] 229 o
_

v o o
_
s z 230
Cuando conseguimos escribir los vectores de S de esta forma, ya resulta inmediato encontrar
un sistema generador de S.
(x
1
, x
2
, x
2
x
1
, x
1
) = (x
1
, 0, x
1
, x
1
) + (0, x
2
, x
2
, 0) = x
1
(1, 0, 1, 1) +x
2
(0, 1, 1, 0)
Llamando x
1
= a, x
2
= b tenemos
S = a(1, 0, 1, 1) +b(0, 1, 1, 0) : a, b R =
_
u
1
= (1, 0, 1, 1), u
2
= (0, 1, 1, 0)
_
S =
_
u
1
, u
2

_
=
_
S es subespacio vectorial de R
4
B = u
1
, u
2
es sistema generador de S
2. Obtener dos bases distintas B
1
y B
2
de S y hallar la dimensi on de S.
Solucion.- En el apartado anterior hemos encontrado un sistema generador de S, ahora
debemos comprobar si se trata de un conjunto linealmente independiente o no. Si se trata de
un conjunto linealmente independiente tenemos ya una base de S y por tanto conocemos su
dimension, lo cual nos sera de gran utilidad de cara a encontrar nuevas bases del subespacio
S.
Para comprobar si B es un conjunto linealmente independiente, como solamente consta de
dos vectores, podemos utilizar un resultado que resulta muy comodo:
TEOREMA 4.12. Una familia formada por dos vectores no nulos u y v es un conjunto
linealmente dependiente si y solo si existe R tal que u = v
Este resultado solamente se puede utilizar para comprobar si una familia de dos vectores
es un conjunto linealmente dependiente. Si tenemos un conjunto formado por mas de dos
vectores y queremos estudiar su dependencia o independencia lineal tendremos que recurrir
a la denicion o al teorema del rango.
Por tanto, si se verican las siguientes dos condiciones:
B
1
= u
1
, u
2
es sistema generador de S
u
1
,= u
2
R, entonces B
1
es conjunto linealmente independiente
_
Entonces B
1
= u
1
, u
2
es base de S, por tanto dimS = 2
Para hallar una segunda base B
2
de S, en primer lugar construiremos un sistema de dos
vectores de S que habremos de comprobar son linealmente independientes, por ejemplo:
B
2
= v
1
= u
1
+u
2
= (1, 1, 0, 1), v
2
= u
1
u
2
= (1, 1, 2, 1) S
v
1
,= v
2
R =B
2
es un conjunto linealmente independiente
Solamente hemos comprobado que B
2
es un conjunto linealmente independiente. No podemos
asegurar, todava, que se trate de una base de S. No sera necesario comprobar que se trata
de un sistema generador de S, pues al conocer dimS podemos utilizar un atajo:
email [email protected] 230 o
_

v o o
_
s z 231
B
2
S es linealmente independiente
dimS = 2 = cardB
2
_
= B
2
es base de S
El cardinal de un conjunto (card) es el n umero de elementos que pertenecen al conjunto.
3. Hallar un sistema generador G de S que no sea base de S.
4. Hallar un sistema generador G de S que no sea linealmente independiente.
Solucion.- Vamos a responder a las dos preguntas al mismo tiempo. Elegimos un conjunto
G formado por los vectores de una base de S y a nadimos una combinacion lineal de los
mismos. Por ejemplo:
G = u
1
= (1, 0, 1, 1), u
2
= (0, 1, 1, 0), u
3
= u
1
+u
2
= (1, 1, 0, 1)
Para demostrar que este conjunto G cumple las condiciones pedidas en el enunciado podemos
proceder de varias maneras:
G es sistema generador de S, podemos llegar a esta conclusion de dos maneras difer-
entes:
Por ser B
1
base de S, B
1
es sistema generador de S, ahora como B
1
G, entonces
G es tambien sistema generador de S,
o bien:
Puesto que u
3
= u
1
+ u
2
, entonces S =
_
u
1
, u
2

_
=
_
u
1
, u
2
, u
3

_
, esto implica
que G sistema generador de S
G no es base de S (no es conjunto linealmente independiente), esto es debido a alguno
de los siguientes hechos:
Como dimS = 2 < 3 = cardG entonces G no es linealmente independiente, por
tanto G no es base de S.
o bien:
Como u
3
= u
1
+u
2
entonces G no es linealmente independiente, por tanto G no es
base de S
5. Hallar un conjunto linealmente independiente F de S que no sea base de S.
6. Hallar un conjunto linealmente independiente F de S que no sea sistema
generador de S.
Solucion.- Elegimos un conjunto F obtenido eliminando, al menos, un vector de una base
de S. Por ejemplo: F = u
1
= (1, 0, 1, 1). Para demostrar que este conjunto F cumple las
condiciones pedidas en el enunciado podemos proceder de varias maneras:
F es un conjunto linealmente independiente de S, pues:
email [email protected] 231 o
_

v o o
_
s z 232
Como B
1
es base de S, entonces B
1
es linealmente independiente, por otro lado
F B
1
, esto implica que F es linealmente independiente.
Tambien llegamos a la misma conclusion del siguiente modo:
Es sabido que una familia formada por un unico vector es linealmente independi-
ente si y solo si este vector es no nulo. Ahora bien, como u
1
,= 0, entonces F es
linealmente independiente
F no es base de S (no es sistema generador de S), llegamos a esta conclusion de dos
maneras distintas:
Como dimS = 2 > 1 = cardF entonces F no es base de S, en particular F no es
sistema generador de S
o bien:
No todo vector de S pertenece a F) = u
1
), por ejemplo: u
2
,= u
1
R, por
tanto F no es sistema generador de S de donde se deduce que F no es base de S
7. Sea F = B
1
B
2
. Es F linealmente independiente? Es F sistema generador
de S? Hallar r(F).
Solucion.-
F =
_
u
1
= (1, 0, 1, 1), u
2
= (0, 1, 1, 0), v
1
= (1, 1, 0, 1), v
2
= (1, 1, 2, 1)
_
a) F es un conjunto linealmente dependiente. Para demostrar esta armacion podemos
proceder de dos maneras: Como v
1
= u
1
+u
2
entonces F no es linealmente independiente
o bien: como dimS = 2 < 4 = cardF entonces F no es linealmente independiente.
b) F es un sistema generador de S. Al igual que en el caso anterior, podemos comprobarlo
de varios modos:
Como B
1
base de S entonces B
1
sistema generador de S, ademas B
1
F entonces
F sistema generador de S
o bien:
La ecuacion v
1
= u
1
+ u
2
implica que S = u
1
, u
2
) = u
1
, u
2
, v
1
) y de la
ecuacion v
2
= u
1
u
2
se deduce que u
1
, u
2
, v
1
)) = u
1
, u
2
, v
1
, v
2
). Entonces F
sistema generador de S
c) r(F) = 2. Vamos a presentar tambien dos metodos para su demostracion:
De la ecuacion v
2
= u
1
u
2
se sigue que u
1
, u
2
, v
1
, v
2
) = u
1
, u
2
, v
1
) y de
la ecuacion v
1
= u
1
+ u
2
obtenemos u
1
, u
2
, v
1
) = u
1
, u
2
) = S. Por lo tanto
r(F) = dim(F)) = dimS = 2.
o bien:
email [email protected] 232 o
_

v o o
_
s z 233
Escribimos los vectores de F como las de una matriz A y calculamos el rango de
esta matriz utilizando operaciones elementales de la, pues r(A) = r(F).
A =
_
_
_
_
1 0 1 1
0 1 1 0
1 1 0 1
1 1 2 1
_
_
_
_
(1)f
1
+ f
4
(1)f
1
+ f
4

_
_
_
1 0 1 1
0 1 1 0
0 1 1 0
0 1 1 0
_
_
_
(1)f
2
+ f
3
f
2
+ f
4

_
_
_
1 0 1 1
0 1 1 0
0 0 0 0
0 0 0 0
_
_
_
= B
Como las matrices A y B son equivalentes, tienen el mismo rango. Es inmediato
calcular el rango de B pues, al tratarse de una matriz escalonada, su rango coincide
con el n umero de las entradas principales, luego: 2 = r(B) = r(A) = r(F)
8. Completar la base B
1
hasta obtener una base B

de R
4
.
Solucion.- Como sabemos que dimR
4
=4 y cardB
1
= 2, resulta evidente que B
1
no es base
de R
4
. Debemos, por tanto, ir a nadiendo vectores a B
1
para que, sin perder la condicion
de conjunto linealmente independiente, consigamos tambien un sistema generador de R
4
.
Conviene realizar este proceso con cierto cuidado y, en principio, se puede sugerir que:
se a nadan los vectores de uno en uno, y
se a nadan vectores lo mas sencillos posibles. Cuales? Los vectores de la base canonica,
por ejemplo.
Sin embargo, vamos a utilizar la relacion que existe entre el rango de una familia de vectores
y el rango de la matriz cuyas las son esos vectores para ampliar la base B
1
hasta conseguir
una base B

de R
4
y lo vamos a hacer a nadiendo todos los vectores necesarios de una sola
vez.
Se trata de construir una matriz cuadrada de orden 4, A, cuyo rango sea 4, es decir, tal que
det A ,= 0, pero dos de sus las han de ser los vectores de la base B
1
de S:
A =
_
_
_
_
1 0 1 1
0 1 1 0


_
_
_
_
Tenemos que a nadir dos las a A que se correspondan, preferentemente, con vectores de la
base canonica de R
4
de modo que det A ,= 0. Para ello localizamos en las las escritas en
A una submatriz de orden 2 (pues solo tenemos dos las) cuyo determinante sea no nulo).
Debajo de esa submatriz rellenamos las las que nos faltan con ceros y los huecos restantes
los llenamos de modo que a nadamos dos vectores diferentes de la base canonica de R
4
. Por
ejemplo:
A =
_
_
_
_
1 0 1 1
0 1 1 0


_
_
_
_
A =
_
_
_
_
1 0 1 1
0 1 1 0
0 0
0 0
_
_
_
_
A =
_
_
_
_
1 0 1 1
0 1 1 0
0 0 1 0
0 0 0 1
_
_
_
_
email [email protected] 233 o
_

v o o
_
s z 234
De esta forma, al desarrollar el determinante de A por las las a nadidas resulta trivial de
comprobar que es no nulo. Podemos justicar la respuesta al ejercicio del modo siguiente:
Sea A la matriz cuyas las son los vectores de B

, siendo:
B

= u
1
= (1, 0, 1, 1), u
2
= (0, 1, 1, 0), e
3
= (0, 0, 1, 0), e
4
= (0, 0, 0, 1)
Se tiene que:
det A =

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

,= 0
Aqu hay que justicar que esta armacion es cierta y lo podemos hacer como hemos expli-
cado antes desarrollando el determinante por las las que hemos a nadido. Se tiene entonces
que:
Puesto que det A ,= 0 entonces r(B

) = r(A) = 4 por tanto B

es linealmente independiente,
y como dimR
4
= 4 = cardB

se sigue que B

es base de R
4
.

EJEMPLO 4.99. Sea la matriz:

A =
_
_
1 1
1 1
1 1
_
_
M
32
(R)
1. Hallar una base B y la dimension del subespacio S formado por las matrices X tales que
AX = (0)
33
.
2. Hallar un sistema generador G de S que no sea base de S. Calcular r(G).
3. Hallar un conjunto linealmente independiente F de S que no sea base de S. Calcular r(F).
4. Ampliar la base B de S hasta obtener una base B

de M
23
(R).
SOLUCI

ON.-
1. Hallar una base B y la dimensi on del subespacio S formado por las matrices
X tales que AX = (0)
33
.
Solucion.- Lo primero que tenemos que hacer es ver que condiciones han de cumplir los
elementos de una matriz X M
32
(R) para que pertenezca a S. Para ello debemos realizar
el producto AX, donde
A =
_
_
1 1
1 1
1 1
_
_
M
32
(R)
email [email protected] 234 o
_

v o o
_
s z 235
e igualarlo a la matriz nula de M
33
(R). Esto nos llevara a un sistema de ecuaciones lin-
eales homogeneo con tantas incognitas como elementos tiene la matriz X, es decir, con 6
incognitas, y con tantas ecuaciones como elementos tiene la matriz AX (9 ecuaciones).
AX =
_
_
1 1
1 1
1 1
_
_
_
a b c
d e f
_
=
_
_
a +d b +e c +f
a +d b +e c +f
a +d b +e c +f
_
_
=
_
_
0 0 0
0 0 0
0 0 0
_
_
Entonces
_
_
_
a +d = 0
b +e = 0
c +f = 0
_
_
_
=
_
_
_
d = a
e = b
f = c
En este caso al igualar los nueve elementos de la matriz AX con los nueve elementos cor-
respondientes de la matriz nula de M
33
(R), observamos que de las nueve ecuaciones que
en principio obtenemos solamente hay tres ecuaciones diferentes y son las unicas que hemos
escrito.
A continuacion se procede del mismo modo que en cualquier problema de espacios vectoriales,
utilizando las mismas tecnicas explicadas para los espacios vectoriales R
n
y T
n
y que ya
hemos utilizado anteriormente, pero sin olvidarnos de que estamos trabajando con matrices.
S =
_
_
_
X M
23
(R) :
_
_
1 1
1 1
1 1
_
_
X = (0)
33
_
_
_
=
__
a b c
a b c
_
: a, b, c R
_
Cuando conseguimos escribir los vectores de S de esta forma, ya resulta inmediato encontrar
un sistema generador de S.
S =
_
a
_
1 0 0
1 0 0
_
+b
_
0 1 0
0 1 0
_
+c
_
0 0 1
0 0 1
_
: a, b, c R
_
=
__
A
1
=
_
1 0 0
1 0 0
_
, A
2
=
_
0 1 0
0 1 0
_
, A
3
=
_
0 0 1
0 0 1
___
Hemos demostrado entonces:
S =
_
A
1
, A
2
, A
3

_
=
_
S es subespacio vectorial de M
23
(R)
B = A
1
, A
2
, A
3
es sistema generador de S
Vamos a comprobar si B es tambien un conjunto linealmente independiente. Como B consta
de tres matrices, si queremos demostrar que es un sistema linealmente independiente no
podemos utilizar ning un atajo. Debemos recurrir a la denicion. Pero lo que si podemos
utilizar es un resultado de la teora de matrices que dice que un sistema de n vectores es
linealmente independiente si y solo si el rango de la matriz que tiene como las a esos vectores
es n. De hecho el rango de una familia de vectores y el rango de la matriz cuyas las son los
vectores de esa familia coinciden. Este resultado es de gran utilidad.
email [email protected] 235 o
_

v o o
_
s z 236
Surge inevitablemente una pregunta. Como escribimos las matrices A
1
, A
2
, A
3
como las
de una matriz? La respuesta es bien sencilla e intuitiva. Basta con identicar cada una de
las matrices con un vector de R
6
es este caso de modo que si A = (a
ij
)
23
, el vector con el
que identicamos la matriz A es el vector:
x = (a
11
, a
12
, a
13
, a
21
, a
22
, a
23
)
de modo que escribimos como las primeras componentes del vector la primera la de la
matriz, a continuacion escribimos la segunda la de la matriz y as hasta terminar con todas
las las de A. Si consideramos la matriz
A =
_
_
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
_
_
tenemos que r(A) = r(B) donde B es el sistema generador de S que hemos encontrado.
Ademas es trivial calcular el rango de la matriz A pues al tratarse de una matriz escalonada
bastara con contar el n umero de las entradas principales de la matriz. Tenemos entonces
que:
r(B) = r(A) siendo A =
_
_
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
_
_
r(B) = r(A) = 3 = card(B) entonces B es linealmente independiente
Como hemos podido comprobar este metodo resulta muy sencillo para calcular el rango de
una familia de vectores de los espacios vectoriales R
n
, T
n
y M
mn
(R). Tenemos entonces
que:
B = A
1
, A
2
, A
3
es generador de S
B = A
1
, A
2
, A
3
es linealmente independiente
_
= B = A
1
, A
2
, A
3
es base de S, por
tanto dimS = 3
Como ya conocemos la dimension del subespacio vectorial S resulta mas sencillo, como ya se
explico en un ejercicio anterior, hallar otras bases de este mismo subespacio. Recordar que
basta con hallar un conjunto linealmente independiente de S que conste de tantas matrices
como la dimension de S, que es 3.
2. Hallar un sistema generador G de S que no sea base de S. Calcular r(G).
Solucion.- Una base del subespacio vectorial S es un sistema generador de S que ademas
es linealmente independiente, de modo que si a esa base a nadimos vectores de S seguire-
mos teniendo un sistema generador de S pero habremos perdido la condicion de conjunto
linealmente independiente porque el vector que hemos a nadido es forzosamente una combi-
nacion lineal de los vectores de esa base. Sin embargo, si a esa base quitamos alguno de los
email [email protected] 236 o
_

v o o
_
s z 237
vectores perdemos la condicion de sistema generador de S pero todava seguimos teniendo
un conjunto linealmente independiente pues todo subconjunto de un conjunto linealmente
independiente es tambien un conjunto linealmente independiente. Estos comentarios nos
ayudaran a entender mejor las respuestas a los apartados 1.- y 2.- de este ejercicio.
Escogemos un conjunto G formado por las siguientes matrices:
G =
_
A
1
, A
2
, A
3
, A
4
= A
1
+A
2
+A
3
_
y procedemos a demostrar que cumple las condiciones pedidas en el enunciado como en
cualquier ejercicio de espacios vectoriales y podemos proceder de distintas maneras:
G es sistema generador de S, pues:
B base de S entonces B sistema generador de S, B G entonces G sistema
generador de S
o bien:
la ecuacion A
4
= A
1
+A
2
+A
3
implica que S = A
1
, A
2
, A
3
) = A
1
, A
2
, A
3
, A
4
)
entonces G sistema generador de S
G no es base de S (no es conjunto linealmente independiente), pues:
dimS = 3 < 4 = cardG entonces G no es base de S (G no es linealmente indepen-
diente)
o bien:
A
4
= A
1
+ A
2
+ A
3
entonces G no es es linealmente independiente entonces G no
es base de S
Un metodo muy sencillo para calcular el rango de G es el siguiente:
r(G) = dim(G)) = dimS = 3
3. Hallar un conjunto linealmente independiente F de S que no sea base de S.
Calcular r(F).
Solucion.- Teniendo en cuenta los comentarios anteriores escogemos F el siguiente conjunto:
F = A
1
, A
2

Para demostrar que este conjunto F cumple las condiciones pedidas en el enunciado podemos
proceder de varias maneras:
F es un conjunto linealmente independiente de S, pues:
B es base de S entonces B es linealmente independiente, F B entonces F es
linealmente independiente
email [email protected] 237 o
_

v o o
_
s z 238
o bien:
Se sabe que un sistema de dos vectores no nulos es linealmente independiente si y
solo si no son m ultiplos uno del otro. As como A
1
,= A
2
R entonces F es
linealmente independiente
F no es base de S (no es sistema generador de S), pues:
dimS = 3 > 2 = cardF entonces F no es sistema generador de S, en particular F
no es base de S.
o bien:
No todo vector de S pertenece a F) = A
1
, A
2
), por ejemplo:
A
3
,=
1
A
1
+
2
A
2

1
,
2
R
entonces F no es sistema generador de S entonces F no es base de S
En este caso para calcular el rango de F lo mas sencillo es utilizar el hecho de que F es
un conjunto linealmente independiente como ya hemos demostrado: Si F es linealmente
independiente, entonces r(F) = cardF = 2.
4. Ampliar la base B de S hasta obtener una base B

de M
23
(R).
Solucion.- Utilizamos la misma tecnica explicada en el problema de espacios vectoriales.
En este caso es si cabe mas sencillo todava pues la base B de S que hemos encontrado nos
lleva a una matriz escalonada y por tanto nos va a resultar muy sencillo el ampliar B hasta
conseguir una base B

de M
23
(R).
_
_
_
_
_
_
_
_
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1



_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
0 0 0
0 0 0
0 0 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
_
_
_
_
_
_
_
_
Dado que la matriz A es triangular superior su determinante es el producto de los elementos
de la diagonal principal, es decir, no nulo, y ademas el rango de la matriz A coincide, como
hemos explicado en otro apartado, con el rango de la familia de vectores (o matrices) B

siguiente:
B

= A
1
, A
2
, A
3
, E
21
, E
22
, E
23

email [email protected] 238 o

_

v o o
_
s z 239
donde
E
21
=
_
0 0 0
1 0 0
_
, E
22
=
_
0 0 0
0 1 0
_
, E
23
=
_
0 0 0
0 0 1
_
Podemos justicar la respuesta al ejercicio del modo siguiente: Sea A la matriz cuyas las
son los vectores (matrices) de B

, siendo:
B

= A
1
, A
2
, A
3
, E
21
, E
22
, E
23

donde
E
21
=
_
0 0 0
1 0 0
_
, E
22
=
_
0 0 0
0 1 0
_
, E
23
=
_
0 0 0
0 0 1
_
Se tiene que:
det A =

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

,= 0
Aqu hay que justicar que esta armacion es cierta y en este caso lo podemos hacer facil-
mente pues la matriz es triangular, luego su determinante es el producto de los elementos
de su diagonal principal. Se tiene entonces que:
det A ,= 0 entonces r(B

) = r(A) = 6 entonces B

es linealmente independiente
dimM
23
(R) = 6 = cardB

_
=
B

base de M
23
(R)

EJEMPLO 4.100. Subespacios dados por ecuaciones implcitas.- Supongamos que ten-
emos el subespacio vectorial:
U =
_

_
(x
1
, x
2
, ..., x
n
) R
n
:
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= 0
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= 0
.
.
.
a
n1
x
1
+a
n2
x
2
+ +a
nn
x
n
= 0
_

_
Los vectores de U son las soluciones del sistema de ecuaciones, que debe ser compatible. Si es
compatible determinado, entonces U = 0, y por tanto dimU = 0. En cambio, si es compatible
indeterminado, habra innitas soluciones dependientes de ciertos parametros. Pues bien, es facil
darse cuenta de que el n umero de parametros necesitados es igual a la dimension de U (ver ejemplo
mas adelante). Por otro lado, el n umero de parametros que se necesitan es n rg(A), donde A es
la matriz de coecientes del sistema de ecuaciones. As pues,
dimU = n rg(A)
email [email protected] 239 o
_

v o o
_
s z 240
Por ejemplo, estudiemos la dimension del subespacio
U =
_
(x, y, z, t) R
4
:
2x + y z + 3t = 0
x + 2z + t = 0
_
Observese que las las de la matriz
A =
_
2 1 1 3
1 0 2 1
_
no son proporcionales, y por tanto su rango es igual a dos. As pues, dimU = 4 2 = 2. Para
hallar una base, basta con resolver el sistema compatible indeterminado: llamando z = a, t = b,
nos queda:
2x + y = a 3b
x = 2a b
es decir, x = 2a b, y = 5a b. Por tanto,
U = (2a b, 5a b, a, b) : a, b R = (2, 5, 1, 0), (1, 1, 0, 1))

4.6. Coordenadas de un vector respecto de una base
En R
2
la base canonica esta dada por los vectores (1, 0) y (0, 1). Estos vectores generan las rectas
horizontal y vertical que usualmente trazamos en el plano cartesiano para ubicar puntos o trazar
curvas. Cuando escribimos el punto (2, 3) en realidad estamos diciendo que (2, 3) = 2(1, 0)+3(0, 1).
Decimos que 2 es la primera coordenada y 3 es la segunda, estas cantidades representan los
coecientes que debemos mulitiplicar a los elementos de la base para obtener una combinacion
lineal que sea igual al vector. Cualquier punto tiene una representacion en forma de coordenadas
respecto a la base canonica. Que sucede con estas coordenadas cuando cambiamos de base, y
que interpretacion geometrica tenemos? A continuacion vamos a responder estas dos preguntas a
traves de un ejemplo
Consideremos la base de R
2
dada por B = (1, 1) , (1, 2). Vamos a encontrar como representar
el punto (2, 3) en esta base. Queremos escribir (2, 3) como combinacion lineal de los elementos de
la base, es decir,
(2, 3) = a(1, 1) +b(1, 2)
De aqu podemos determinar el sistema
_
a b = 2
a + 2b = 3
cuya solucion es: b =
1
3
, a =
7
3
. Por tanto
(2, 3) = 7/3(1, 1) + 1/3(1, 2)
Ahora introducimos una notacion para describir esta informacion
[(2, 3)]
B
= (7/3, 1/3)
canonica
email [email protected] 240 o
_

v o o
_
s z 241
El subndice indica en que base estamos expresando el vector. Los coecientes de la combinacion
lineal se llaman coordenadas o componenetes.
Geometricamente, podemos visualizar la nueva base, cada vector genera dos rectas con la direccion
de cada vector. Estas dos rectas representan un nuevo sistema de coordenadas. En este sistema
tenemos que medir 7/3 en el eje dado por (1, 1) , y 1/3 en el eje dado por (1, 2). Podemos tambien
expresar los vectores canonicos en la nueva base
(1, 0) = 2/3(1, 1) 1/3(1, 2)
(0, 1) = 1/3(1, 1) + 1/3(1, 2)
Es decir [(1, 0)]
B
= (2/3, 1/3) y [(0, 1)]
B
= (1/3, 1/3)
Si tenemos solo como eje de coordenadas las rectas dadas en el graco anterior que debemos hacer
para ubicar el punto [(1, 2)]
B
?. Podemos generalizar la pregunta anterior a un vector cualquiera
(a, b), una manera de responder esto es la siguiente:
(a, b) = a(1, 0) +b(0, 1)
ahora reemplazamos los vectores (1, 0) y (0, 1)
(a, b) = a(2/3(1, 1) 1/3(1, 2)) +b (1/3(1, 1) + 1/3(1, 2))
= (2/3a + 1/3b) (1, 1) + (1/3a + 1/3b) (1, 2)
es decir [(a, b)]
B
=
_
(2/3a + 1/3b) , (1/3a + 1/3b)
_
. Esta formula se puede poner como una
multiplicacion de matrices de la siguiente manera
_
a
b
_
B
=
_
2/3 1/3
1/3 1/3
__
a
b
_
canonica
esta matriz se llama matriz de cambio de base de la base canonica a la base B y nos sirve para
encontrar rapidamente las nuevas componentes.
Dado un espacio vectorial V , a continuacion demostramos que: B es base de V si y solo si , todo
vector del espacio se escribe en forma unica como combinacion lineal de los vectores de la base,
(es decir, los coecientes de la combinacion lineal son unicos). Esto nos permitira trabajar en un
K-espacio vectorial V de dimension nita n como si estuvieramos en K
n
.
TEOREMA 4.13. Un conjunto de vectores B = v
1
, ..., v
n
de V es una base de V si y solo si
todo vector v V puede escribirse de forma unica en la forma v = t
1
v
1
+ +t
n
v
n
. En este caso,
(t
1
, ..., t
n
)
B
se llaman las coordenadas de v en la base B.
DEMOSTRACI

ON. () En primer lugar, como B genera a V , entonces cualquier vector de V

se puede escribir como combinacion lineal de vectores de B. Veremos ahora que esa combinacion
lineal es unica.
email [email protected] 241 o
_

v o o
_
s z 242
En efecto, supongamos que pueda escribirse un vector V como combinacion lineal de B, en dos
formas distintas:
v =
1
v
1
+... +
n
v
n
, v =
1
v
1
+... +
n
v
n
Restando ambas igualdades: 0 = (
1

1
) v
1
+ ... + (
n

n
) v
n
Tenemos entonces una combi-
nacion lineal de B, igualada a 0. Por hipotesis B es base, entonces B es linealmente independiente.
Por denicion de linealmente independiente los coecientes de la combinacion lineal anterior deben
ser ceros. O sea:

1
=
1
,
2
=
2
, ... ,
n
=
n
Por lo tanto las dos formas de escribir V como combinacion lineal de B, son la misma.
() Por la unicidad de las combinaciones lineales:
0 = 0v
1
+ 0v
2
+... + 0v
n
0 =
1
v
1
+
2
v
2
+... +
n
v
n
_
Por denicion, resulta que B = v
1
, v
2
, ..., v
n
es linealmente independiente
Una base ordenada de un espacio vectorial V de dimension nita es una base en la cual se ha
establecido un orden. Por ejemplo, si consideramos la base ordenada de R
2
, B
1
= (1, 0); (0, 1),
(1, 0) es el primer elemento de B
1
, mientras que (0, 1) es el segundo elemento de B
1
. La base
ordenada de R
2
, B
2
= (0, 1); (1, 0), es distinta de la base B
1
, a pesar de que los vectores que las
componen son los mismos.
En general emplearemos la notacion B = v
1
; v
2
; ...; v
n
para indicar que la base esta ordenada,
es decir, separaremos los vectores con punto y coma.
Sea B = v
1
; v
2
; ...; v
n
una base ordenada de V . Como hemos visto, a cada v V corresponde
un unico conjunto de escalares t
1
, t
2
, . . . , t
n
tales que
v = t
1
v
1
+t
2
v
2
+ +t
n
v
n
.
Entonces, con los escalares t
1
, t
2
, . . . , t
n
formemos el vector columna
[t
1
t
2
t
n
]
T
=
_
_
_
t
1
.
.
.
t
n
_
_
_
K
n
,
que esta univocamente determinado por el vector v V . A tal vector v se lo denomina vector de
coordenadas de v respecto de la base B, y se lo denota [t
1
t
2
t
n
]
T
= [v]
B
.
DEFINICI

ON 4.12 (Coordenadas de un vector respecto de una base). Dado un K-

espacio vectorial V de dimension nita n y dada una base B = v
1
; v
2
; ...; v
n
, cada vector v V
tiene una unica expresion en funcion de los vectores de B de la forma
v = t
1
v
1
+ +t
n
v
n
Llamaremos a [t
1
t
2
t
n
]
T
K
n
coordenadas de v respecto de la base B y lo representaremos por
[v]
B
= [t
1
t
2
t
n
]
T
.
email [email protected] 242 o
_

v o o
_
s z 243
Por otra parte, si y = [s
1
s
2
s
n
]
T
K
n
, entonces existe un vector v de V , tal que [v]
B
= y. En
efecto, tal vector es v = s
1
v
1
+s
2
v
2
+ +s
n
v
n
.
Entonces, de acuerdo con lo que acabamos de decir, ja una base ordenada B de V podemos
establecer una correspondencia biunvoca entre los vectores de V y los vectores de K
n
; tal corre-
spondencia consiste en asociar cada vector de V con su vector de coordenadas en la base B.
EJEMPLO 4.101. Desde un punto de vista practico, determinar las coordenadas de un vector
respecto de una base de R
n
cualquiera consiste en resolver un sistema de ecuaciones compatible
(determinado).
En concreto, consideremos en el espacio vectorial R
3
y el conjunto
B = (1, 2, 4), (2, 2, 1), (0, 3, 2).
Entonces es facil comprobar que B es una base de R
3
(!!compruebese!!). Vamos a calcular las
coordenadas del vector (3, 1, 1) R
3
respecto de dicha base. Se trata de encontrar tres elementos
de R, a, b y c, tales que
a(1, 2, 4) +b(2, 2, 1) +c(0, 3, 2) = (3, 1, 1).
Esta ecuacion vectorial se puede expresar como un sistema de ecuaciones lineales en las incognitas
a, b, c:
a + 2b = 3
2a + 2b + 3c = 1
4a +b + 2c = 1
_
_
_
Resolviendo el sistema por el metodo de Gauss obtenemos que a = 0, b = 4 y c = 1. Por tanto las
coordenadas de (3, 3, 1) respecto de la base B son (0, 4, 1)
B
. Comprobemos esto ultimo:
0(1, 2, 4) + 4(2, 2, 1) + 1(0, 3, 2) = (8, 8, 4) + (0, 3, 2) = (8, 11, 6) = (3, 1, 1).
Si tenemos una base B, podemos identicar los vectores con sus coordenadas respecto a B. En
particular, un conjunto de vectores es generador o independiente si y solo si sus coordenadas lo
son como vectores de R
n
.

EJEMPLO 4.102. Determinar las coordenadas de (2, 3, 5) R

3
y de (1, 3, 6) R
3
en la base
B = (0, 1, 3), (0, 2, 7), (2, 3, 5).
(2, 3, 5) = 0(0, 1, 3) + 0(0, 2, 7) + 1(2, 3, 5)
_
Las coordenadas del vector
(2, 3, 5) en la base B son (0, 0, 1)
Por otra parte,
(1, 3, 6) = a(0, 1, 3) +b(0, 2, 7) +c(2, 3, 5)
_
_
_
2a = 1
a + 2b + 3c = 3
3a + 7b + 5c = 6

_
_
_
a + 2b + 3c = 3
b 4c = 3
c = 1/2

_
_
_
c = 1/2
b = 1
a = 7/2
es decir,las coordenadas del vector (1, 3, 6) en la base B son (7/2, 1, 1/2).
email [email protected] 243 o
_

v o o
_
s z 244

EJEMPLO 4.103. En el espacio de polinomios K

n
[x], se considera la base B = 1, x, x
2
, ..., x
n
.
Dado un polinomio P(x) = a
0
+ a
1
x + ... + a
n
x
n
, su vector de coordenadas respecto a B es
[P]
B
= (a
0
, a
1
, ..., a
n
) K
n+1
.

EJEMPLO 4.104. En el espacio vectorial de polinomios R

3
[x], se considera la base
1, x 3, (x 3)
2
, (x 3)
3
.
Calcular las coordenadas en dicha base del polinomio 2x
3
3x
2
x + 2.
SOLUCI

ON.- Llamando P al polinomio dado, lo podremos expresar como combinacion lineal

de los de la base, de la forma
P(x) = a
0
+a
1
(x 3) +a
2
(x 3)
2
+a
3
(x 3)
3
,
en donde los coecientes a
j
R son las coordenadas pedidas. Observamos que la coordenada a
0
es el valor P(3). As, empezamos evaluando en x = 3 ambas expresiones de P(x), es decir:
P(3) = a
0
= 26.
Si ahora derivamos ambas expresiones para P(x), tenemos
P

(x) = a
1
+ 2a
2
(x 3) + 3a
3
(x 3)
2
= 6x
2
6x 1,
igualdad que, al evaluarla en x = 3, nos da:
P

(3) = a
1
= 35.
Volviendo a derivar y a evaluar en x = 3,
P

(x) = 2a
2
+ 6a
3
(x 3) = 12x 6, = P

(3) = 2a
2
= 30, = a
2
= 15.
Y, nalmente, derivando una vez mas,
P

(x) = 6a
3
= 12, = a
3
= 2.
Luego las coordenadas pedidas son [P]
B
= (26, 35, 15, 2).
Otra forma de resolverlo: Si desarrollamos
P(x) = a
0
+a
1
(x 3) +a
2
(x 3)2 +a
3
(x 3)
3
= a
0
3a
1
+ 9a
2
27a
3
+ (a
1
6a
2
+ 27a
3
)x + (a
2
9a
3
)x
2
+a
3
x
3
email [email protected] 244 o
_

v o o
_
s z 245
y lo igualamos coeciente a coeciente a 2x
3
3x
2
x + 2, obtenemos el sistema lineal
a
3
= 2
a
2
9a
3
= 3
a
1
6a
2
+ 27a
3
= 1
a
0
3a
1
+ 9a
2
27a
3
= 2
en las incognitas a
0
, a
1
, a
2
, a
3
, sistema de matriz triangular cuya sencilla resolucion nos lleva al
mismo resultado antes calculado.
EJEMPLO 4.105. Hemos visto que B = (1, 1, 0), (1, 0, 1), (2, 1, 1) es una base de R
3
.
As pues, por ejemplo, el vector v = (1, 3, 2)
B
no es otra cosa que:
v = 1(1, 1, 0) + 3(1, 0, 1) 2(2, 1, 1) = (0, 1, 5)
Por otro lado, si queremos escribir el vector u = (1, 0, 3) en coordenadas con respecto a B, basta
con resolver el siguiente sistema de ecuaciones:
(1, 0, 3) = a(1, 1, 0) +b(1, 0, 1) +c(2, 1, 1)
En este caso, queda a = 2, b = 1, c = 2, es decir,
u = (2, 1, 2)
B
.

EJEMPLO 4.106. Para ejemplicar lo expresado, consideremos la base ordenada B = x

1; x + 1; x
2
+ 1 de T
2
(verifquelo). Busquemos las coordenadas de p = x
2
x + 1 en la base B.
Para ello es necesario encontrar los escalares r, s y t que verican
p = r(x 1) +s(x + 1) +t(x
2
+ 1).
Operando en el segundo miembro de la igualdad llegamos a la ecuacion
x
2
x + 1 = tx
2
+ (r +s)t + (r +s +t).
Por lo tanto t = 1, r+s = 1 y r+s+t = 1. Resolviendo el sistema de ecuaciones, obtenemos r =
0.5, s = 0.5 y t = 1, con lo cual [p]
B
= [0.5 0,5 1]
T
. Por otra parte, dado v = [0,5 0.5 2]
T
,
para encontrar f en T
2
tal que [f]
B
= v, calculamos f = 0.5(x1)0.5(x+1)+2(x
2
+1) = 2x
2
+1.
Efectuemos ahora la suma de las coordenadas de f con las de p:
u = [f]
B
+ [p]
B
= [0 1 3]
T
.
Calculemos el elemento g de T
2
tal que [g]
B
= u:
g = (x + 1) + 3(x
2
+ 1) = 3x
2
x + 2.
email [email protected] 245 o
_

v o o
_
s z 246
Por otra parte p +f = 3x
2
x + 2 = g, con lo cual
[f]
B
+ [p]
B
= [f +p]
B
.
Ahora multipliquemos el vector de coordenadas de p por 2:
2[p]
B
= [1 12]
T
= w.
Determinemos el vector q de T
2
que tiene a w como vector de coordenadas:
q = (x 1) (x + 1) + 2(x
2
+ 1) = 2x
2
2x + 2 = 2p.
Entonces tenemos que
2[p]
B
= [2p]
B
.
El ultimos ejemplo nos sugieren que la suma de los vectores de coordenadas de dos vectores es
igual al vector de coordenadas de la suma de esos vectores, y que el producto de un escalar por
el vector de coordenadas de un vector es el vector de coordenadas del producto de ese escalar con
ese vector. Probemos tal conjetura:
TEOREMA 4.14. Sea V un K-espacio vectorial de dimension nita n y sea B una base de V .
Si u, v V , entonces:
1. [u +v]
B
= [u]
B
+ [v]
B
.
2. [au]
B
= a[u]
B
.
3. Dado un conjunto de vectores S = v
1
, ..., v
r
de V , tendremos que S es linealmente inde-
pendiente, linealmente dependiente, sistema de generadores o base de V si y solo si lo son
sus vectores de coordenadas respecto de B en K
n
.
DEMOSTRACI

ON. Sea B = v
1
, ..., v
n
una base ordenada de V y sean u y v V . Supongamos
[u]
B
= [s
1
s
2
s
n
]
T
y [v]
B
= [t
1
t
2
t
n
]
T
.
Entonces u = s
1
v
1
+s
2
v
2
+ +s
n
v
n
y v = t
1
v
1
+t
2
v
2
+ +t
n
v
n
.
Por lo tanto
u +v = (s
1
+t
1
)v
1
+ (s
2
+t
2
)v
2
+ + (s
n
+t
n
)v
n
,
con lo cual,
[u +v]
B
= [s
1
+t
1
s
2
+t
2
s
n
+t
n
]
T
= [u]
B
+ [v]
B
.
Sea ahora a un escalar cualquiera,
au = a(s
1
v
1
+s
2
v
2
+ +s
n
v
n
) = (as
1
)v
1
+ (as
2
)v
2
+ + (as
n
)v
n
y, por lo tanto,
[au]
B
= [as
1
as
2
as
n
]
T
= a[u]
B
.

Todo lo dicho hasta aqu puede resumirse en el siguiente

email [email protected] 246 o
_

v o o
_
s z 247
TEOREMA 4.15. Sea B = v
1
, ..., v
n
una base ordenada de un espacio vectorial V sobre K
(K = R o C). Consideremos la aplicacion c
B
: V K
n
, denida por c
B
(v) = [v]
B
. Entonces:
1. c
B
es biyectiva y c
1
B
([s
1
s
2
s
n
]
T
) = s
1
v
1
+s
2
v
2
+ +s
n
v
n
.
2. c
B
es lineal, es decir, c
B
(u +v) = c
B
(u) +c
B
(v) y c
B
(au) = ac
B
(u) a K, u, v V .
A la aplicacion c
B
se la denomina usualmente isomorsmo de coordenadas.
Como hemos visto recien, ja una base ordenada B de V podemos reducir todas las operaciones
entre vectores de V a operaciones entre vectores de K
n
. Mas a un, como veremos a continuacion,
tambien es posible determinar la dependencia o independencia lineal de un conjunto de vectores
de V a partir de la dependencia o independencia lineal de sus vectores coordenados.
PROPOSICI

ON 4.14. Sea B = v
1
, v
2
, ..., v
n
una base ordenada de un espacio vectorial V
sobre K (K = R o C). Sea u
1
, u
2
, ..., u
r
un conjunto de vectores de V , entonces son equivalentes
1. u
1
, ..., u
r
es linealmente independiente en V .
2. [u
1
]
B
, ..., [u
r
]
B
es linealmente independiente en K
n
.
DEMOSTRACI

ON. Por el Teorema 4.15 tenemos que

a
1
[u
1
]
B
+ +a
r
[u
r
]
B
= 0 [a
1
u
1
+ +a
r
u
r
]
B
= 0 a
1
u
1
+ +a
r
u
r
= 0.
Por lo tanto, la ecuacion a
1
[u
1
]
B
+ + a
r
[u
r
]
B
= 0 tiene como unica solucion a
1
= 0,...,a
r
= 0
si y solo si la unica solucion de la ecuacion a
1
u
1
+ + a
r
u
r
= 0 es a
1
= 0,...,a
r
= 0. En otras
palabras, u
1
, ..., u
r
es linealmente independiente en V si y solo si [u
1
]
B
, ..., [u
r
]
B
es linealmente
independiente en K
n
.
EJEMPLO 4.107. Determinar si B = 1 + t; 1 + t t
2
, 1 + 2t t
2
es base de T
2
. Como
dim(P) = 3 bastara con ver si son o no l.i.
Las coordenadas de los vectores en la base canonica de T
2
, E = 1; t; t
2
son: [1 +t]
E
= [1 1 0]
T
,
[1 +t t
2
]
E
= [1 1 1]
T
y [1 + 2t t
2
]
E
= [1 2 1]
T
. Entonces B es base de T
2
si y solo si
los vectores coordenados son linealmente independientes.
Para estudiar la independencia lineal de estos vectores de R
3
disponemos de varios metodos; por
ejemplo, podemos formar una matriz de 3 3 poniendo cada uno de esos vectores como la y
determinar su rango, si este es igual al n umero de las de la matriz, los vectores son linealmente
independientes. Apliquemos ese metodo a este caso. La matriz con la cual trabajamos es
A =
_
_
1 1 0
1 1 1
1 2 1
_
_
Para calcular su rango aplicamos eliminacion gaussiana (triangulacion):
_
_
1 1 0
1 1 1
1 2 1
_
_
(1)f
1
+ f
2
f
1
+ f
3

_
_
1 1 0
0 0 1
0 3 1
_
_
f
2
f
3

_
_
1 1 0
0 3 1
0 0 1
_
_
email [email protected] 247 o
_

v o o
_
s z 248
Como el rango de la ultima matriz es 3, el rango de la matriz inicial tambien es 3, ya que, como
es sabido, en cada paso de triangulacion cambia la matriz pero no el espacio la. Por lo tanto los
vectores coordenados son linealmente independientes y B es base de T
2
.
Otra forma de proceder es la siguiente: como A es cuadrada y solo nos interesa saber si su rango es
3, calculamos su determinante, si este es distinto de cero entonces rango(A) = 3, en caso contrario
rango(A) < 3. Como det(A) = 3, el rango de A es 3 y B es base de T
2
.
EJEMPLO 4.108. Sea v
1
; v
2
; v
3
; v
4
una base ordenada de un espacio vectorial V . Hallar una
base del subespacio S = genw
1
, w
2
, w
3
, con w
1
= v
1
+ v
2
v
3
, w
2
= 2v
1
+ v
2
+ v
4
y w
3
=
4v
1
+ 3v
2
2v
3
+v
4
.
Para resolver el problema debemos eliminar, si los hay, vectores del conjunto w
1
, w
2
, w
3
que sean
combinacion lineal del resto. Para ello trabajamos con las coordenadas de los vectores en la base
B:
[w
1
]
B
=
_
_
_
_
1
1
1
0
_
_
_
_
, [w
2
]
B
=
_
_
_
_
2
1
0
1
_
_
_
_
, [w
3
]
B
=
_
_
_
_
4
3
2
1
_
_
_
_
.
Igual que en el ejemplo anterior armamos una matriz, en este caso de 3 4, poniendo como las
a los vectores coordenados, y aplicamos eliminacion gaussiana
_
_
1 1 1 0
2 1 0 1
4 3 2 1
_
_
(1)f
1
+ f
2
f
1
+ f
3

_
_
1 1 1 0
0 1 2 1
0 1 2 1
_
_
f
2
f
3

_
_
1 1 1 0
0 1 2 1
0 0 0 0
_
_
Como no se efectuo ning un intercambio de las, podemos concluir que las dos primeras las de la
matriz original son linealmente independientes y que la tercer la depende linealmente de las dos
primeras. Por lo tanto w
1
y w
2
son linealmente independientes y w
3
depende linealmente de estos
dos. Luego w
1
, w
2
es base S y dim(S) = 2.
Otra base de S es u
1
, u
2
con u
1
y u
2
los vectores cuyas coordenadas son las las no nulas
de la ultima matriz que obtuvimos al aplicar eliminacion gaussiana, ya que, como dijimos en el
punto anterior, si bien las matrices que se van obteniendo durante el proceso de triangulacion son
distintas, las las de cada matriz generan el mismo subespacio. Entonces u
1
, u
2
con
u
1
= v
1
+v
2
v
3
y u
2
= v
2
+ 2v
3
+v
4
,
tambien es base de S.
Observacion: Supongamos que tenemos V un espacio vectorial de dimension n y B una base.
Entonces, si trabajamos en coordenadas respecto de B, a todos los efectos podemos razonar como
si estuviesemos en R
n
. Por ejemplo, supongamos que queremos estudiar si ciertos vectores son lin-
ealmente independientes, o sistema de generadores. Basta formar una matriz con las coordenadas
respecto a B de los vectores dispuestas por columnas y estudiar su rango, al igual que se haca en
R
n
.
email [email protected] 248 o
_

v o o
_
s z 249
4.7. Matriz de cambio de base
Como hemos visto, dada una base ordenada B de un espacio vectorial V de dimension n podemos
identicar cada vector de V con su vector de coordenadas en la base B, y operar con los vectores
de V como si estuviesemos en K
n
. En algunas aplicaciones es posible que comencemos describiendo
un problema usando las coordenadas de los vectores en una base B, pero que su solucion se vea
facilitada si empleamos las coordenadas de los vectores en otra base ordenada C. Entonces aparece
naturalmente el siguiente problema:
Dadas las coordenadas de v en la base ordenada B, obtener las coordenadas de v en la base
ordenada C.
Una manera obvia de resolver el problema consiste en hacer lo siguiente: dado [v]
B
obtenemos v
combinando los vectores de la base B y luego, a partir de este, calculamos [v]
C
. Sin embargo esta
no es la solucion que deseamos, ya que no es implementable en forma computacional, en el sentido
que una computadora digital solo trabaja con vectores y matrices de n umeros. Lo que queremos
es obtener las coordenadas de los vectores en la base C efectuando solo operaciones algebraicas
con las coordenadas de los vectores en la base B.
Dado un espacio vectorial V de dimension nita n y dadas dos bases distintas
B = v
1
, ..., v
n
y C = u
1
, ..., u
n
,
queremos determinar la relacion entre las coordenadas de un mismo vector x respecto de las dos
bases. Consideremos las coordenadas de los vectores de B en la base C:
v
1
= a
11
u
1
+a
21
u
2
+ +a
n1
u
n
.
.
.
v
n
= a
1n
u
1
+a
2n
u
2
+ +a
nn
u
n
Sea w V con coordenadas [w]
C
= (t
1
, ..., t
n
) y [w]
B
= (s
1
, ..., s
n
) respecto de las bases C y B,
esto es,
t
1
u
1
+ +t
n
u
n
= w = s
1
v
1
+ +t
n
v
n
.
Entonces
t
1
u
1
+ +t
n
u
n
= s
1
_
a
11
u
1
+ +a
n1
u
n
_
+ +s
n
_
a
1n
u
1
+ +a
nn
u
n
_
Reordenando terminos, queda:
t
1
u
1
+ +t
n
u
n
=
_
a
11
s
1
+ +a
1n
s
n
_
u
1
+ +
_
a
n1
s
1
+ +a
nn
s
n
_
u
n
De modo que:
t
1
= a
11
s
1
+a
12
y
2
+ +a
1n
s
n
.
.
.
t
n
= a
n1
s
1
+a
n2
y
2
+ +a
nn
s
n
email [email protected] 249 o
_

v o o
_
s z 250

Estas son las ecuaciones de cambio de base de B a C. Si P es la matriz

P =
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
entonces tenemos que
[w]
C
= P[w]
B
,
esto es,
_
_
_
t
1
.
.
.
t
n
_
_
_
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
s
1
.
.
.
s
n
_
_
_
(4.10)
Resumimos todo lo dicho en el siguiente
TEOREMA 4.16. Sean B y C bases ordenadas del espacio vectorial V y sea B = v
1
, v
2
, ..., v
n
.
Entonces, existe una unica matriz P M
nn
(R) tal que [v]
C
= P[v]
B
para todo v V . Ademas,
P es la matriz cuyas columnas son los vectores coordenados de los vectores de la base B en la base
C, es decir P = [[v
1
]
C
[v
2
]
C
[v
n
]
C
].
A la ecuacion (4.10) le denominaremos ecuacion matricial del cambio de coordenadas de la base
B a la C. A la matriz M que tiene por columnas las coordenadas de los vectores de la base B
respecto de la base C se le denomina matriz de cambio de coordenadas de la base B a la base
C (o matriz cambio de base de B a C), escribiendose P = c
BC
, y nos permite determinar las
coordenadas de un vector v en la base C a partir de sus coordenadas en la base B, esto es:
[v]
C
= c
BC
[v]
B
donde c
BC
= [[v
1
]
C
[v
2
]
C
[v
n
]
C
] (4.11)
Las siguientes propiedades de las matrices de cambio de bases son de utilidad
TEOREMA 4.17. Sean B, C y D tres bases ordenadas de un espacio vectorial V de dimension
nita. Entonces
1. c
BD
= c
CD
c
BC
2. c
BC
es inversible y c
1
BC
= c
CB
.
DEMOSTRACI

ON. Empecemos por el punto 1. Queremos ver que M = c

CD
c
BC
= c
BD
. Para
ello es suciente comprobar que [v]
D
= M[v]
B
para todo v V , ya que la matriz de cambio de
base es

Unica. Pero
M[v]
B
= (c
CD
c
BC
)[v]
B
= c
CD
(c
BC
[v]
B
) = c
CD
[v]
C
= [v]
D
.
Probemos ahora el punto 2. En primer lugar notemos que c
BB
= I, donde I es la matriz identidad.
En efecto, como para todo v V , [v]
B
= I[v]
B
, nuevamente por la unicidad de las matrices de
email [email protected] 250 o
_

v o o
_
s z 251
cambio de base tenemos que c
BB
= I. Entonces, usando el punto 1 deducimos que c
BC
c
CB
=
c
CC
= I y que c
CB
c
BC
= c
BB
= I y con ello que c
BC
es inversible y c
1
BC
= c
CB
.
Observese que P es regular y, por tanto, [x]
B
= P
1
[x]
C
, formula que nos da las coordenadas de
un vector x en la base B a partir de sus coordenadas en la base C. Escribimos P
1
= c
CB
.
EJEMPLO 4.109. Consideremos la base C = 1 x; 1 +x; 1 +x+x
2
de T
2
y supongamos que
deseamos hallar las coordenadas de p(x) = a
0
+a
1
x+a
2
x
2
en la base C. Para resolver el problema
podemos proceder de dos maneras: a) plantear la igualdad p(x) = r(1x)+s(1+x)+t(1+x+x
2
)
y resolver las ecuaciones lineales que resulten; b) teniendo en cuenta que B = 1, x, x
2
es la base
canonica de T
2
, se tiene que [p]
B
= [a
0
a
1
a
2
]
T
, calculamos c
BC
y luego obtenemos [p]
C
haciendo
[p]
C
= c
BC
[p]
B
.
Sigamos el segundo camino. Para hallar c
BC
podemos hacer dos cosas, calcular los vectores coor-
denados de los elementos de la base canonica, 1, x, x
2
, en la base B y luego formar con ellos c
BC
,
o, calcular c
CB
para luego, invirtiendo esa matriz, calcular c
BC
. Hagamoslo de las dos formas.
Para calcular [1]
B
planteamos la igualdad
1 = r(1 x) +s(1 +x) +t(1 +x +x
2
),
la que nos lleva, luego de aplicar la propiedad distributiva y agrupar los terminos de igual grado,
a la igualdad
1 = (r +s +t) + (r +s +t)x +tx
2
y de all al sistema de ecuaciones
r +s +t = 1
r +s +t = 0
t = 0
que tiene por solucion r = 0.5, s = 0.5 y t = 0. Entonces
[1]
B
= [0.5 0.5 0]
T
.
Procediendo en la misma forma con x y x
2
se obtienen, para [x]
B
el sistema
r +s +t = 0
r +s +t = 1
t = 0
cuya solucion es r = 0.5, s = 0.5 y t = 0, con lo cual [x]
B
= [0.5 0.5 0]
T
, y para x
2
el sistema
r +s +t = 0
r +s +t = 0
t = 1
email [email protected] 251 o
_

v o o
_
s z 252
cuya solucion es r = 0, s = 1 y t = 1 y por lo tanto [x
2
]
B
= [0 1 1]
T
.
Luego, armamos la matriz c
BC
poniendo los vectores coordenados [1]
B
, [x]
B
, [x
2
]
B
como columnas
de esa matriz:
c
BC
=
_
_
0.5 0.5 0
0.5 0.5 1
0 0 1
_
_
.
Como dijimos, tambien podemos hallar c
BC
invirtiendo c
CB
. c
CB
es facil de calcular, pues los
vectores coordenados de 1 x, 1 +x y 1 +x +x
2
en la base canonica se obtienen directamente y
son
[1 x]
E
= [1 1 0]
T
, [1 +x]
E
= [1 1 0]
T
y[1 +x +x
2
]
E
= [1 1 1]
T
,
con lo cual
c
CB
=
_
_
1 1 1
1 1 1
0 0 1
_
_
Entonces, invirtiendo c
CB
obtenemos nuevamente
c
BC
=
_
_
0.5 0.5 0
0.5 0.5 1
0 0 1
_
_
.
Para nalizar, una vez calculada c
BC
hallamos [p]
C
haciendo, como ya dijimos,
[p]
C
= c
BC
[p]
B
=
_
_
0.5 0.5 0
0.5 0.5 1
0 0 1
_
_
_
_
a
0
a
1
a
2
_
_
=
_
_
0.5a
0
0.5a
1
0.5a
0
+ 0.5a
1
a
2
a
2
_
_
.
EJEMPLO 4.110. Dada la base C de R
3
formada por los vectores u
1
= (1, 1, 1), u
2
= (0, 1, 1),
u
3
= (1, 0, 1), encontrar la base B = v
1
, v
2
, v
3
tal que las ecuaciones del cambio de coordenadas
vengan dadas por:
t
1
= s
1
2s
3
t
2
= s
2
+ 5s
3
t
3
= s
1
3s
3
SOLUCI

ON.- Sean [x]

C
= (t
1
, t
2
, t
n
) y [x]
B
= (s
1
, s
2
, s
n
) las coordenadas de un vector cualquiera
x respecto de las bases C y B, respectivamente. Las ecuaciones dadas se pueden escribir en forma
matricial como
[x]
C
= P[x]
B
, siendo P =
_
_
1 0 2
0 1 5
1 0 3
_
_
por lo que P es la matriz del cambio de base. En consecuencia, la nueva base sera:
_
v
1
v
2
v
3
_
=
_
u
1
u
2
u
3
_
P =
_
_
1 0 1
1 1 0
1 1 1
_
_
_
_
1 0 2
0 1 5
1 0 3
_
_
=
_
_
2 0 5
1 1 3
2 1 0
_
_
Es decir, v
1
= (2, 1, 2), v
2
= (0, 1, 1), v
3
= (5, 3, 0).
email [email protected] 252 o
_

v o o
_
s z 253
4.8. Suma de Subespacios y Suma directa
TEOREMA 4.18. F G es un subespacio vectorial de E. La union de F y G, podemos denirla
como: F G F + G = u + v [ u F, v G y es el mas peque no de los subespacios que
contienen F y G.
TEOREMA 4.19 (Formula de Grassman). Sean F E y G E, entonces dimF +dimG =
dim(F +G) + dim(F G).
TEOREMA 4.20. Si (F G) =

0 dimF + G = F G, es decir, es suma directa si la

expresion de un vector como suma de uno de F y uno de G es unica. Ademas, si dimE es nita,
se tiene que: E = F G.
DEFINICI

ON 4.13. Suma de subespacios: Sea V un espacio vectorial. se llama suma de los

subespacios V
1
, V
2
, ..., V
n
de V , (y se denota como V
1
+V
2
+... +V
n
) al subconjunto de vectores W
denido por:
W = v V : , v
1
V
1
, v
2
V
2
, ..., v
n
V
n
, v = v
1
+v
2
+... +v
n

TEOREMA 4.21. La suma de subespacios de V es un subespacio de V .

DEMOSTRACI

ON. Es facil ver que 0 W, porque 0 = 0 + + 0 y 0 V

i
i = 1, 2, ..., n.
Tambien es sencillo vericar que el vector u se puede descomponer como suma de un vector de
V
1
, uno de V
2
, , uno de V
n
; entonces u tambien se descompone de esa forma. Es claro que
W es cerrado con respecto al producto por escalares. Para vericar que W es cerrado respecto
a la suma sean u y u tales que u = v
1
+ v
2
+ ... + v
n
y u

= v

1
+ v

2
+ ... + v

n
con v
1
y v

1

V
1
; v
2
y v

2
V
2
; ... ; v
n
y v

n
V
n
. Entonces u +u

= (v
1
+v

1
) +(v
2
+v

2
) +... +(v
n
+v

n
), donde
v
1
+v

1
V
1
; v
2
+v

2
V
2
; ... ; v
n
+v

n
V
n
, porque V
1
, V
2
, ..., V
n
son subespacios.
DEFINICI

ON 4.14. Suma directa: Dados los subespacios V

1
, V
2
, ..., V
n
, el subespacio suma de
ellos se llama suma directa cuando todo vector de el puede expresarse de forma unica como suma
de vectores de los subespacios V
1
, V
2
, ..., V
n
. Cuando la suma es directa se representa V
1
V
2
...V
n
.
EJEMPLO 4.111. Sean en R
3
los subespacios V
1
= (a
1
, a
2
, a
3
) : a
3
= 0 y V
2
= (a
1
, a
2
, a
3
) : a
1
= 0 .
Todo vector de R
3
se puede escribir como suma de un vector de V
1
y uno de V
2
, pero no de forma
unica:
(1, 1, 1) = (1, 1, 0) + (0, 0, 1)
(1, 1, 1) = (1, 1/2, 0) + (0, 1/2, 1)
Entonces la suma de V
1
y V
2
es todo R
3
. Pero esta suma no es directa.
TEOREMA 4.22. Si V = V
1
V
2
... V
n
y si B
1
, B
2
, ..., B
n
son las bases de V
1
, V
2
, ..., V
n
,
respectivamente entonces: B = B
1
B
2
... B
n
es una base de V .
email [email protected] 253 o
_

v o o
_
s z 254
DEMOSTRACI

ON. Probaremos que B genera a V , y que B es linealmente independiente

Todo vector de V es suma de vectores de V
1
, V
2
, ..., V
n
, y a su vez, estos son combinaciones lineales
de sus respectivas bases. Entonces V es combinacion lineal de la union de esas bases, que es B.
Hemos probado que todo vector de V es combinacion lineal de B,o sea B genera a V . Veremos que
B es linealmente independiente. Sea B
1
= v
11
, v
12
, ..., v
1p
1
; B
2
= v
21
, v
22
, ..., v
1p
2
; B
n
=
v
n1
, v
n2
, ..., v
npn
. Tomemos una combinacion lineal de B igualada a 0:
a
11
v
11
+a
12
v
12
+... +a
1p
1
v
1p
1
+a
21
v
21
+a
22
v
22
+...
+a
2p
2
v
2p
2
+... +a
n1
v
n1
+a
n2
v
n2
+... +a
npn
v
npn
= 0; como 0 V y V = V
1
V
2
... V
n
, existe
una unica manera de expresar el vector nulo como suma de vectores de V
1
, V
2
, ..., V
n
. Esa unica
manera tiene que ser entonces 0 = 0 + 0 + 0 +... + 0.
La combinacion lineal de mas arriba implica entonces que:
a
11
v
11
+a
12
v
12
+... +a
1p
1
v
1p
1
= 0
a
21
v
21
+a
22
v
22
+... +a
2p
2
v
2p
2
= 0

a
n1
v
n1
+a
n2
v
n2
+... +a
npn
v
npn
= 0.
Siendo B
1
una base de V
1
, se tiene que B
1
es linealmente independiente, y de la primera igualdad
de mas arriba se deduce a
11
= a
12
= ... = a
1n
= 0. Analogamente para los demas coecientes a
ij
.
Entonces tenemos probado que B es linealmente independiente
COROLARIO 4.6. Si V es suma directa de V
1
, V
2
, ..., V
n
entonces
dimV = dimV
1
+dimV
2
+... +dimV
n
DEMOSTRACI

ON. Es inmediata a partir de la denicion de dimension y del teorema anterior.

TEOREMA 4.23. Sean V

1
y V
2
dos subespacios de V tales que V = V
1
+V
2
. Entonces, V
1
V
2
=
0 si y solo si V = V
1
V
2
.
DEMOSTRACI

ON. () Supongamos v = v
1
+ v
2
y v

= v

1
+ v

2
con v
1
, v

1
V
1
, v
2
, v

2
V
2
.
Luego, v
1
v

1
= v
2
v

2
V
1
y V
2
, por lo que , por hipotesis v
1
v

1
= v
2
v

2
= 0, lo que prueba
que la suma es directa.
() Sea v V
1
V
2
luego v V
1
V
2
. Por lo tanto: 0 = v + (v) = 0 + 0 y por denicion
de suma directa, 0 = v = v. Entonces V
1
V
2
= 0.
email [email protected] 254 o
_

CAP

ITULO 5
Transformaciones lineales
5.1. Introduccion
El concepto de linealidad es muy intuitivo y aparece en m ultiples situaciones de la vida cotidiana.
As, si una persona, efectuando un trabajo x percibe un salario T(x), trabajando el doble, por
ejemplo, cabe esperar que su salario tambien se duplique, es decir: T(2x) = 2T(x). Si realiza un
trabajo extra y, sus ingresos seran la suma de los salarios percibidos por ambas ocupaciones:
T(x +y) = T(x) +T(y)
Las dos propiedades anteriores que van a caracterizar las aplicaciones o transformaciones lineales
entre espacios vectoriales, se llaman condiciones de linealidad. Nos centraremos en el estudio de
las transformaciones lineales de un espacio vectorial en s mismo, son las llamadas endomorsmos.
Una vez jada una base en el espacio vectorial, a cada endomorsmo le asociaremos una matriz
cuadrada de forma unvoca. Hablaremos indistintamente de un endomorsmo o de su matriz
asociada. Analizaremos bajo que condiciones existe una base del espacio vectorial tal que la matriz
asociada al endomorsmo respecto de dicha base sea una matriz diagonal, con la que es mucho
mas sencillo operar.
Se demostrara el teorema de la dimension del n ucleo y la imagen, enfatizara las cuestiones relativas
a inyectividad y sobreyectividad de las transformaciones, y se discutiran las matrices asociadas y
cambios de base.
A lo largo del tema, V y W seran dos espacios vectoriales de tipo nito sobre el mismo cuerpo
conmutativo K.
DEFINICI

ON 5.1 (Transformacion Lineal). Sean V y W dos espacios vectoriales. T : V

W se llama transformacion lineal si
255
v o o
_
s z 256
1. T (u +v) = T (u) +T (v) , para todo u, v V
2. T (au) = aT (u) , para todo a R y para todo u V
Nota Ambas condiciones anteriores son equivalentes a la siguiente condicion unica:
T(ax +by) = aT(x) +bT(y), a, b K, x, y V
Nota Empleando el metodo de induccion, se demuestra que si f es una aplicacion lineal, entonces:
T(a
1
x
1
+ +a
p
x
p
) = a
1
T(x
1
) + +a
p
T(x
p
), a
i
K, x
i
V, i = 1, 2, ..., p
Veamos algunos ejemplos de transformaciones lineales
EJEMPLO 5.1. Sean V = W = K = R, siendo R el conjunto de numeros reales con su estructura
correspondiente en cada caso (de espacio vectorial o de cuerpo). La aplicacion T : R R, x 3x
es lineal.
SOLUCI

ON.- En efecto, para cualesquiera x, y V y K, se verican las dos condiciones:

T(x +y) = 3(x +y) = 3x + 3y = T(x) +T(y), T(x) = 3(x) = (3x) = T(x)

EJEMPLO 5.2. Sean de nuevo, V = W = K = R. La aplicacion T : R R, x x

2
no es
lineal.
SOLUCI

ON.- De hecho no cumple ninguna de las dos condiciones de linealidad:

T(x +y) = (x +y)
2
= x
2
+y
2
+ 2xy, T(x) +T(y) = x
2
+y
2
Luego, en general, T(x +y) ,= T(x) +T(y). Por otro lado
T(x) = (x)
2
=
2
x
2
, T(x) = x
2
Por tanto, T(x) ,= T(x), salvo para = 0, = 1 o x = 0.
EJEMPLO 5.3. Sea T : R
2
R
2
tal que (x, y) (x, 0) . Vista geometricamente esta trans-
formacion toma un vector y le proyecta en el eje x. Vamos a demostrar que T es trasformacion
lineal. Para ello demostramos primero la propiedad 1 de la denicion. Vamos a calcular ambos
lados de igualdad por separado y compararlos. Sean u = (u
1
, u
2
) y v = (v
1
, v
2
) dos vectores en R
2
,
entonces
T (u +v) = T (u
1
+v
1
, u
2
+v
2
) = (u
1
+v
1
, 0)
El lado derecho por otro lado esta dado por (aplicando la denicion de T)
T (u) +T (v) = (u
1
, 0) + (v
1
, 0) = (u
1
+v
1
, 0)
email [email protected] 256 o
_

v o o
_
s z 257
Vemos que los dos lados coinciden. Ahora demostramos la propiedad 2
T (au) = T (au
1
, au
2
) = (au
1
, 0)
El lado derecho nos da
aT (u) = a (u
1
, 0) = (au
1
, 0)
Hemos comprobado que T es una trasformacion lineal.
EJEMPLO 5.4. La transformacion identidad dada en cualquier espacio vectorial I : V V tal
que I (u) = u.
EJEMPLO 5.5. La operacion diferenciacion es una trasformacion lineal. Sea C
1
(R) el conjunto
de todas las funciones diferenciables con dominio en R y C
0
(R) el conjunto de funciones continuas
con dominio en R. Sea D la operacion derivada:
D : C
1
(R) C
0
(R)
f Df = f

Para mostrar que D es lineal basta recordar las dos propiedades fundamentales de la derivada
D(f +g) = (f +g)

= f

+g

D(cf) = (cf)

= cf

, donde R
EJEMPLO 5.6. Sea C
0
([a, b], R) = f : [a, b] R : f es continua. El operador integracion
T : C
0
([a, b], R) R dada por T(f) =
_
b
a
f(t)dt
es una transformacion lineal, en efecto: La integral de la suma coincide con la suma de integrales:
_
b
a
(f(x) +g(x))dx =
_
b
a
f(x)dx +
_
b
a
f(x)dx
Ademaa, la integral del producto de una constante por una funcion es igual a la constante por la
integral de la funcion, es decir, las constantes que se multiplican o dividen se pueden sacar fuera
del signo integral:
_
b
a
kf(x)dx = k
_
b
a
f(x)dx
donde k es una constante.
EJEMPLO 5.7. Sea T : R R, T (x) = sen x no es una transformacion lineal puesto que
T (x +y) = sen (x +y) ,= sen x + sen y.
email [email protected] 257 o
_

v o o
_
s z 258
EJEMPLO 5.8. Es posible encontrar una formuala generica para toda transformcion lineal de
R en R? Observemos que x = 1x para x R. Por tanto si T es transformacion lineal:
T (x) = T (1x) = xT (1)
esto quiere decir que el valor de T (x) es siempre una constante (igual a T (1)) por x. Por tanto toda
transformacion lineal de R en R tiene la forma T (x) = cx donde c es un numero real cualquiera.
EJEMPLO 5.9. Demostrar que si T:V W es transformacion lineal, entonces T(O) = O

donde O es el neutro en V y O

es el neutro en W. Sugerencia escribir O = 0O

EJEMPLO 5.10. Sea T : P
2
P
3
tal que T (p (x)) = xp (x) + x
2
p

(x) . Para mostrar que T es

lineal aplicamos la denicion:
T (p (x) +q (x)) = x(p (x) +q (x)) +x
2
(p (x) +q (x))

= xp (x) +x
2
p

(x) +xq (x) +x

2
q

(x)
= T (p (x)) +T (q (x))
Ademas
T (ap (x)) = x(ap (x)) +x
2
(ap (x))

= axp (x) +x
2
ap

(x)
Por tanto T es transformacion lineal.
EJEMPLO 5.11. Supongamos que i = (0, 1), j = (0, 1), T : R
2
R
3
de forma que T (i) = 2ij
y que T (j) = 3i +j. Encontrar el valor de T (3, 5) y generalizar cual es el valor de T (x, y) .
Vamos a aprovechar el hecho de que T es lineal para calcular el valor de T (3, 5) expresando el
vector en terminos de i y j
T (3, 5) = T (3i + 5j)
= 3T (i) + 5T (j)
= 3 (2i j) + 5 (3i +j)
= 21i + 2j
= (21, 2)
En general
T (x, y) = T (xi +yj)
= xT (i) +yT (j)
= x(2i j) +y (3i +j)
= (2x + 3y)i + (x +y)j
= (2x + 3y, x +y)
email [email protected] 258 o
_

v o o
_
s z 259
Este ejercicio nos muestra un hecho importante: Una transformacion lineal queda determinada por
el valor que toma en la base del conjunto de salida.
TEOREMA 5.1. Sea T : V W una transformacion lineal. Sean B
V
= v
1
, v
2
, ..., v
n
una base
de V y B
W
= w
1
, w
2
, ..., w
m
una base de W . Si w W, y
u =
1
u
1
+
2
u
2
+ +
n
u
n
los valores de T (u
i
) = w
i
esta dados
entonces
T (u) =
1
w
1
+
2
w
2
+..... +
n
w
n
DEMOSTRACI

ON.
T(u) = T(
1
u
1
) +T(
2
u
2
) + +T(
n
u
n
) =
1
T(u
1
) +
2
T(u
2
) + +
n
T(u
n
)

DEFINICI

ON 5.2 (Tipos de transformaciones lineales). Sea T una transformacion lineal

de V en W. T es un monomorsmo cuando es inyectiva. T es un epimorsmo cuando es suprayec-
tiva. T es un isomorsmo cuando es biyectiva. Si V = W, T es un endomorsmo de V . Si T es
biyectiva y V = W, T es un automorsmo.
TEOREMA 5.2. Salvo isomorsmos, el unico K-espacio de dimension n 1 es K
n
. Mas
exactamente, si V es un K-espacio de dimension n 1, entonces V es sisomorfo a K
n
.
DEMOSTRACI

ON. Sea X = x
1
, . . . , x
n
una base de V y C = e
1
, . . . , e
n
la base canonica
de K
n
. Las funciones t : X C dado por t(x
i
) = e
i
, s : C X dado por s(e
i
) = x
i
con
1 i n, inducen de manera unica transformaciones lineales T : V K
n
y S : K
n
V que
coinciden con t en X y s en C, respectivamente. Las transformaciones S T y T S son tales que
S T (x
i
) = x
i
y T S(e
i
) = e
i
, para cada 1 i n. Nuevamente, por el Teorema 2, S T = I
V
y
T S = I
K
n. Esto indica que T es un isomorsmo y la prueba ha terminado.
Debido a este isomorsmo, se identican con frecuencia los espacios vectoriales de dimension n
con K
n
y se hace equivaler cada vector v con sus coordenadas respecto de una determinada base
B.
LEMA 5.1. Consecuencias de la denicion de aplicacion lineal: 1) T(0
V
) = 0
V
. 2) T(x) =
T(x) para cada x V .
DEMOSTRACI

ON. 1. Por ser T lineal, se verica T(0

V
) = T(0
V
+ 0
V
) = T(0
V
) + T(0
V
).
Restando T(0
V
) en ambos miembros, se obtiene por n que T(0
V
) = 0
V
.
2. Para demostrar que los vectores T(x) y T(x) son opuestos, comprobemos que al sumarlos se
obtiene el vector 0
V
:
T(x) +T(x) = T(x +x) = T(0
V
) = 0
V
aplicando que T es lineal y la consecuencia 1 recien demostrada.
A partir de este momento, escribiremos 0 para referirnos tanto 0
V
como a 0
W
.
email [email protected] 259 o
_

v o o
_
s z 260
5.2. N ucleo e imagen de una aplicacion lineal
Podemos asociar a cada aplicacion lineal T sendos subespacios vectoriales de V y W respectiva-
mente, que juegan un papel importante en el estudio de la aplicacion; son los llamados n ucleo e
imagen de T.
DEFINICI

ON 5.3. Llamamos nucleo de la aplicacion lineal T : V W, y lo representamos

por N(T), al sistema de vectores de V cuya imagen es el 0. Es decir, N(T) = x V : T(x) = 0
La imagen de T, en cambio, es el sistema de vectores de W que son imagen de alg un vector de V .
Lo representamos por Im(T): Im(T) = y W : x V con T(x) = y
Busquemos el n ucleo y la imagen de algunas de las aplicaciones lineales expuestas anteriormente
como ejemplos.
EJEMPLO 5.12. N ucleo e imagen de la aplicacion del ejemplo 5.1: T : R R x 3x.
SOLUCI

ON.- Por denicion de n ucleo, x N(T) si y solo si T(x) = 3x = 0; es decir, si y solo

si x = 0. Luego, N(T) = 0. Para todo y R, se verica que y = T(y/3), luego, Im(f) = R
TEOREMA 5.3. Sea T : V W una aplicacion lineal. Se verican las siguientes propiedades:
1 Si F es un subespacio vectorial de V , entonces T(F) es un subespacio vectorial de W.
2 Si G es un subespacio vectorial de W, entonces T
1
(G) es un subespacio vectorial de V .
3 El n ucleo de T es un subespacio vectorial de V .
4 La imagen de T es un subespacio vectorial de W.
5 Si S es un sistema generador de V , entonces, T(S) es un sistema generador de Im(f).
6 Si S es un conjunto linealmente dependiente de V , entonces, T(S) es un conjunto linealmente
dependiente de W.
7 Si R es un conjunto linealmente independiente de W, entonces, T
1
(R) es un conjunto lineal-
mente independiente de V .
DEMOSTRACI

ON.
1 Sean x

, y

vectores de T(F). Existen entonces vectores x, y de F tales que T(x) = x

y T(y) = y

.
Sean , escalares de K. Por ser T lineal se verica:
x

+y

= T(x) +T(y) = T(x +y)

Como F es un subespacio vectorial de V , el vector x+y y pertenece a F, luego, su imagen
x

+y

pertenece a T(F). Esta probado pues que T(F) es un subespacio vectorial de W.

email [email protected] 260 o
_

v o o
_
s z 261
2 Sean x, y vectores de T
1
(G). Sus imagenes T(x), T(y) son vectores de G. Sean , escalares
de K. Por ser G un subespacio vectorial de W, se verica que T(x) + T(y) G. Como
T es lineal, lo anterior es equivalente a escribir T(x +y) G. Luego, x +y T
1
(G).
Por tanto, T
1
(G) es un subespacio vectorial de V .
3 Por denicion, es N(T) = T
1
(0). Como 0 es un subespacio vectorial de W, aplicando la
propiedad 1.7.2, se obtiene que N(T) es un subespacio vectorial de V .
4 Por denicion, es Im(T) = T(V ). Como V es un subespacio vectorial de V , aplicando la
propiedad 1.7.1,se obtiene que Im(T) es un subespacio vectorial de W.
PAGINA 9
5 Sea S = x
1
, x
2
, ..., x
p
un sistema generador de V . Sea y Im(T). Existe un vector x V tal
que T(x) = y. Como S engendra V , existen escalares
1
,
2
,...,
p
, tales que
x =
1
x
1
+
2
x
2
+ +
p
x
p
As, aplicando que T es lineal, se tiene que
y = T(x) = T
_

1
x
1
+
2
x
2
+ +
p
x
p
_
=
1
T(x
1
) +
2
T(x
2
) + +
p
T(x
p
)
Luego, cualquier vector y de Im(T) es combinacion lineal de los vectores T(x
1
), T(x
2
),...,T(x
p
)
y, consecuentemente T(S) es un sistema generador de Im(T).
6 Sea S = x
1
, x
2
, ..., x
p
un conjunto linealmente dependiente de V . Existen entonces escalares

1
,
2
,...,
p
no todos nulos tales que
1
x
1
+
2
x
2
+ +
p
x
p
= 0. Usando que T es lineal,
se obtiene:
T
_

1
x
1
+
2
x
2
+ +
p
x
p
_
=
1
T(x
1
) +
2
T(x
2
) + +
p
T(x
p
) = T(0) = 0
Luego T(S) = T(x
1
), T(x
2
), ..., T(x
p
) es ligado.
7 Sea R un conjunto linealmente independiente de W. Si T
1
(R) fuera ligado, existira un vector
x T
1
(R) que seria combinacion lineal de ciertos vectores x
1
, x
2
, ..., x
p
de T
1
(R). Es decir,
existirian escalares
1
,
2
,...,
p
de K tales que x =
1
x
1
+
2
x
2
+ +
p
x
p
. As,
T(x) = T
_

1
x
1
+
2
x
2
+ +
p
x
p
_
=
1
T(x
1
) +
2
T(x
2
) + +
p
T(x
p
)
Luego, T(x) seria combinacion lineal de T(x
1
), T(x
2
),...,T(x
p
), perteneciendo estos p + 1
vectores a R que era un conjunto linealmente independiente. Hemos llegado al absurdo
suponiendo que T
1
(R) era ligado. En consecuencia, T
1
(R) es linealmente independiente.

COROLARIO 5.1. Si B = x
1
, x
2
, ..., x
p
es una base de V , puede obtenerse una base de Im(T)
a partir del sistema de vectores de Im(T), T(B) = T(x
1
), T(x
2
), ..., T(x
p
), eliminando del mismo
los vectores que sean combinacion lineal de los demas.
email [email protected] 261 o
_

v o o
_
s z 262
DEMOSTRACI

ON. Este resultado es una consecuencia inmediata del teorema 5), ya que cualquier
base de V es por denicion un sistema generador de V .
A partir de la siguiente proposicion, observemos como las imagenes de los vectores de una base
de V determinan de forma unica la aplicacion lineal.
PROPOSICI

ON 5.1. Una aplicacion lineal queda determinada si se conocen las imagenes de

los vectores de una base. Es mas: Sea B = x
1
, x
2
, ..., x
n
una base del espacio vectorial V . Sea
S = y
1
, y
2
, ..., y
n
un sistema cualquiera de vectores del espacio vectorial W. Existe una unica
aplicacion lineal T : V W tal que T(x
i
) = y
i
, i = 1, 2, ..., n.
DEMOSTRACI

ON. Para cada vector x =

1
x
1
+
2
x
2
+ +
n
x
n
de V , con
i
K, i =
1, 2, ..., n, denimos:
T(x) =
1
y
1
+
2
y
2
+ +
n
y
n
Se verica:
1. T(x
i
) = y
i
, i = 1, 2, ..., n, por la propia denicion de T.
2. T es lineal: Sean x, z V , K. Por ser B una base de V , existen escalares
i
,
i
K,
i = 1, 2, ..., n, tales que
x =
n

i=1

i
x
i
, z =
n

i=1

i
x
i
As, x +z =
n

i=1
_

i
+
i
_
x
i
, y, por denicion de T se tiene que
T
_
x +z
_
=
n

i=1
_

i
+
i
_
y
i
=
n

i=1

i
y
i
+
n

i=1

i
y
i
= T(x) +T(z)
Luego, T es lineal.
3. T es unica: Sea G : V W otra aplicacion lineal tal que G(x
i
) = y
i
, i = 1, 2, ..., n,. Para
cualquier vector x =
1
x
1
+
2
x
2
+ +
n
x
n
de V , con
i
K, i = 1, 2, ..., n, por ser G lineal,
se verica que
G(x) =
1
G(x
1
) +
2
G(x
2
) + +
n
G(x
n
) =
1
y
1
+
2
y
2
+ +
n
y
n
= T(x)
por la propia denicion de T.
Probemos ahora un par de resultados relativos a los subespacios n ucleo e imagen de T, al segundo
de los cuales nos hemos referido ya anteriormente.
PROPOSICI

ON 5.2. Una aplicacion lineal T de V en W es inyectiva si y solo si N(T) = 0.

DEMOSTRACI

ON. (=) Condicion necesaria: Supongamos que T es inyectiva. Si existiera

un vector x N(T) tal que x ,= 0, tendramos dos vectores diferentes con la misma imagen,
T(x) = T(0) = 0, lo cual es absurdo ya que, por hipotesis, T es inyectiva. Por tanto, N(T) = 0
email [email protected] 262 o
_

v o o
_
s z 263
(=) Condicion suciente: Supongamos ahora que N(T) = 0. Sean x, y V tales que T(x) =
T(y). Por ser T lineal, T(x y) = T(x) T(y). Luego x y N(T). Consecuentemente, por
hipotesis, x y = 0, es decir x = y. Y esta probado que T es inyectiva.
PROPOSICI

ON 5.3. Sea T : V W una aplicacion lineal. Se verica que

dimV = dimN(T) + dimIm(T).
DEMOSTRACI

ON. Supongamos que dimV = n y que dimN(T) = p. Sea B

N
= x
1
, x
2
, ..., x
p

una base de N(T). Completamos B

N
hasta obtener una base B de V , B = x
1
, x
2
, ..., x
p
, x
p+1
, x
p+2
, ..., x
n
.
Demostremos que B
I
= T(x
p+1
), T(x
p+2
), ..., T(x
n
) es una base de Im(T). En efecto: Sea
y Im(T). Sea x V tal que T(x) = y. Por ser B una base de V , existen escalares
1
,
2
,...,
n
de K tales que x =
1
x
1
+
2
x
2
+ +
n
x
n
.
Como T es lineal, se tiene que
T(x) =
1
T(x
1
) +
2
T(x
2
) + +
n
T(x
n
).
Pero, por ser x
1
, x
2
, ..., x
p
vectores de N(T), sus imagenes mediante T son el vector 0, luego
y = T(x) =
p+1
T(x
p+1
) +
p+2
T(x
p+2
) + +
n
T(x
n
).
Queda as demostrado que B
I
engendra Im(T).
Veamos ahora que B
I
es linealmente independiente. Si
p+1
T(x
p+1
)+
p+2
T(x
p+2
)+ +
n
T(x
n
) =
0, como T es lineal, se tendra que T
_

p+1
x
p+1
+
p+2
x
p+2
+ +
n
x
n
_
= 0. Luego, el vector

p+1
x
p+1
+
p+2
x
p+2
+ +
n
x
n
N(T) y se puede escribir como combinacion lineal de los
vectores de B
N
:

p+1
x
p+1
+
p+2
x
p+2
+ +
n
x
n
=
1
x
1
+
2
x
2
+ +
p
x
p
es decir,

1
x
1
+
2
x
2
+ +
p
x
p

p+1
x
p+1

p+2
x
p+2

n
x
n
= 0,
As,
1
=
2
= =
p
=
p+1
=
p+2
= =
n
= 0 por ser B una base de V y, por tanto, un
conjunto linealmente independiente.
5.3. La matriz de una transformacion
De ahora en adelante, a lo largo del tema consideraremos V = W, con dimV = n. Es decir, vamos
a estudiar los endomorsmos de un espacio vectorial V . Empecemos por su expresion analtica.
Expresion analtica de una transformacion lineal. Sea B = u
1
, u
2
, ..., u
n
una base del espacio
vectorial V . Si un vector x tiene de coordenadas (x
1
, x
2
, ..., x
n
) respecto de la base B, cuales son
las coordenadas (y
1
, y
2
, ..., y
n
) de T(x) respecto de la base B?
T(x) = T
_
x
1
u
1
+x
2
u
2
+ +x
n
u
n
_
= x
1
T(u
1
) +x
2
T(u
2
) + +x
n
T(u
n
)
email [email protected] 263 o
_

v o o
_
s z 264
por ser T lineal. Supongamos que
T(u
1
) = a
11
u
1
+ a
12
u
2
+ +a
1n
u
n
T(u
2
) = a
21
u
1
+ a
22
u
2
+ +a
2n
u
n
.
.
.
.
.
.
T(u
n
) = a
n1
u
1
+a
n2
u
2
+ +a
nn
u
n
para ciertos a a
ij
K, i = 1, ..., n, j = 1, ..., n. Se tiene entonces que:
T(x) = x
1
T(u
1
) +x
2
T(u
2
) + +x
n
T(u
n
)
= x
1
_
n

j=1
a
1j
u
j
_
+x
2
_
n

j=1
a
2j
u
j
_
+ +x
n
_
n

j=1
a
nj
u
j
_
=
_
n

i=1
x
i
a
i1
_
u
1
+
_
n

i=1
x
i
a
i2
_
u
2
+ +
_
n

i=1
x
i
a
in
_
u
n
Por tanto,
y
1
= x
1
a
11
+x
2
a
21
+ +x
n
a
n1
y
2
= x
1
a
12
+x
2
a
22
+ +x
n
a
n2
.
.
.
.
.
.
y
n
= x
1
a
1n
+x
2
a
2n
+ +x
n
a
nn
estas son las ecuaciones o la expresion analtica de T respecto de la base B. Conociendo [x]
B
=
(x
1
, x
2
, ..., x
n
), las ecuaciones anteriores permiten calcular [T(x)]
B
= (y
1
, y
2
, ..., y
n
).
Estas ecuaciones pueden escribirse en forma matricial:
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
=
_
_
_
_
_
a
11
a
21
. . . a
n1
a
12
a
22
. . . a
n2
.
.
.
.
.
.
.
.
.
.
.
.
a
1n
a
2n
. . . a
nn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
[T(x)]
B
=
_
[T(u
1
)]
B

[T(u
2
)]
B

[T(u
n
)]
B
_
[x]
B
es decir,[T(x)]
B
= A[x]
B
, siendo A =
_
_
_
_
_
a
11
a
21
. . . a
n1
a
12
a
22
. . . a
n2
.
.
.
.
.
.
.
.
.
.
.
.
a
1n
a
2n
. . . a
nn
_
_
_
_
_
M
n
(R).
email [email protected] 264 o
_

v o o
_
s z 265
A la matriz A se la llama matriz asociada a T respecto de la base B; se escribe A = [T]
B
y tiene
por columnas a las imagenes de los vectores de la base B expresadas en la misma base B.
EJEMPLO 5.13. Consideremos el espacio vectorial V = R
2
sobre el cuerpo K = R. Sea T :
R
2
R
2
, T(x, y) = (2x, y 3x).
SOLUCI

ON.- La matriz A asociada a T respecto de la base canonica tendra por vectores

columna:
c
1
= T(1, 0) = (2, 3)
c
2
= T(0, 1) = (0, 1)
Es decir, A =
_
2 0
3 1
_
. Y dado, por ejemplo, el vector (1, 2) quien sera T(1, 2)? T(x, y) =
A(x, y), es decir,
_
x

_
=
_
2 0
3 1
__
1
2
_
=
_
2
1
_
. Luego T(1, 2) = (2, 1).
Cabe observar que cuando la base que manejamos es la canonica , se puede proceder de otra forma
muy sencilla para el calculo de A: Es claro que
x

= 2x
y

= y 3x
por denicion de T; lo que es equivalente a escribir:
_
x

_
=
_
2 0
3 1
__
x
y
_
Asi, T(x, y) = A
_
x
y
_
para A =
_
2 0
3 1
_
.
Una vez escrita la aplicacion T en esta forma, podramos haber demostrado que T era lineal de
una manera muy sencilla: Si p = (x, y), y q = (x

, y

) son vectores cualesquiera de R

2
y , R,
aplicando las propiedades de las operaciones con matrices, se tiene que:
T(p +q) = A(p +q) = A(p) +A(q) = Ap +Aq = T(p) +T(q).

PROPOSICI

ON 5.4. Siguiendo con la misma notacion que en la expresion analtica de una

transformacion lineal T, se verica:
1) Los vectores columna de A son un sistema generador de Im(T).
2) La dimension de Im(T) coincide con el rango de A.
email [email protected] 265 o
_

v o o
_
s z 266
DEMOSTRACI

ON. 1. Por la quinta propiedad de las aplicaciones lineales, la imagen de un

sistema generador de V es un sistema generador de Im(T). Pero, los vectores columna de A son
precisamente las imagenes de los vectores de la base B, que por denicion es un sistema generador
de V .
2. La dimension de Im(T) es, por el apartado anterior, el n umero de vectores columna linealmente
independientes de A, es decir, coincide con el rango de A por el teorema del rango.
EJEMPLO 5.14. Hallar el n ucleo y la imagen de la transformacion lineal del ejemplo 2.3,
T : R
2
R
2
, T(x, y) = (2x, y 3x).
SOLUCI

ON.- N(T) = p R
2
: T(p) = 0, pero T(p) = 0 si y solo si Ap = 0. Luego, para
hallar el n ucleo de T hay que resolver el sistema homogeneo:
_
2 0
3 1
__
x
y
_
=
_
0
0
_
Por ser det
_
2 0
3 1
_
= 2 ,= 0, el sistema anterior solo admite la solucion trivial y N(T) = 0.
Im(T) = vectores columna de A)=(2, 3), (0, 1)).
Como det
_
2 0
3 1
_
,= 0 dichos vectores columna son linealmente independientes e Im(T) = R
2
.
Tambien podramos haber obtenido este ultimo resultado teniendo en cuenta que dimR
2
=
dimN(T) + dimIm(T).
5.4. Operaciones entre transformaciones lineales
PROPOSICI

ON 5.5. Sea L(V ) = T : V V : T es lineal. Sean T, S L(V ) y K. Sea

B una base de V .
1. Denimos la suma de T y S como la aplicacion T + S : V V tal que (T + S)(x) =
T(x)+S(x). Se verica: a) T+S es una transformacion lineal de V . b) [T+S]
B
= [T]
B
+[S]
B
.
c) (L(V ), +) es un grupo conmutativo.
2. Denimos el producto de un escalar por un endomorsmo T como la aplicacion T :
V V tal que (T)(x) = T(x). Se verica: a) T es una transformacion lineal de V . b)
[T]
B
= [T]
B
. c) (L(V ), +, ) es un espacio vectorial sobre el cuerpo K.
3. El producto o composicion de los endomorsmos T y S es la aplicacion: S T : V V ,

ST
V
T
V
S
V tal que (S T)(x) = S(T(x)) para todo x V . Se verica: a) S T es
una transformacion lineal de V . b) [S T]
B
= [S]
B
[T]
B
. c) (L(V ), +, ) es un anillo no
conmutativo.
DEMOSTRACI

ON.
email [email protected] 266 o
_

v o o
_
s z 267
1. a) Aplicamos la denicion de suma en L(V ) y que T y S son lineales. Sean x, y V , , K,
entonces
(T +S)(x +y) = T(x +y) +S(x +y)
= T(x) +T(y) +S(x) +S(y)
=
_
T(x) +S(x)
_
+
_
T(y) +S(y)
_
= (T +S)(x) +(T +S)(y)
b) Puesto que T(p) = [T]
B
p y S(p) = [S]
B
p. Se verica que
(T +S)(p) = T(P) +S(p) = [T]
B
p + [S]
B
p = ([T]
B
+ [S]
B
)p
Luego [T +S]
B
= [T]
B
+ [S]
B
.
c) Por ser
_
M
n
(K), +
_
un grupo conmutativo y teniendo en cuenta la relacion entre trans-
formaciones lineales y matrices, se verica que (L(V ), +) es tambien un grupo conmutativo.
2. Se deja como ejercicio por ser analoga a la del apartado anterior.
3. a) Por la propia denicion de ST y por ser T y S lineales. Sean x, y V , , K, entonces
(S T)(x +y) = S(T(x +y))
= S(T(x) +T(y)) = S(T(x)) +S(T(y))
= (S T)(x) +(S T)(y)
Luego, S T es una transformacion lineal de V .
b) Para cada x V , se verica que:
(S T)(p) = S(T(P)) = S([T]
B
p) = ([S]
B
[T]
B
)p
Luego, [S T]
B
= [S]
B
[T]
B
.
c) (L(V ), +, ) es un anillo no conmutativo por serlo
_
M
n
(K), +,
_
.

A continuacion demostramos el Teorema de caracterizacion de las transformaciones lineales biyec-

tivas.
TEOREMA 5.4. Sea T : V V una transformacion lineal del espacio vectorial V de dimension
n. Sea B una base de V y A = [T]
B
. Las siguientes armaciones son equivalentes: 1) T es
biyectiva. 2) T es inyectiva. 3) N(T) = 0. 4) T es sobreyectiva. 5) rango(A) = n. 6) det A ,= 0.
7) La imagen de un conjunto linealmente independiente de V es tambien un sistema linealmente
independiente de V .
email [email protected] 267 o
_

v o o
_
s z 268
DEMOSTRACI

ON. (1 = 2).- Por la propia denicion de aplicacion biyectiva (inyectiva y

sobreyectiva).
(2 = 3).- Esta probado anteriormente en 1.10 (pag 11) para aplicaciones lineales en general.
(3 = 4).- Por hipotesis, dimN(T) = 0 y dimV = n, luego dim Im(T) = n por vericarse que
dimV = dimN(T) + dimIm(T). Por tanto, Im(T) = V , es decir T es sobreyectiva.
(4 = 5).- Por ser T sobreyectiva, Im(T) = V . En consecuencia, los vectores columna de A son
una base de V y por tanto son linealmente independientes. Aplicando el teorema del rango se
colige que r(A) = n.
(5 = 6).- Por denicion de rango de una matriz.
(6 = 7).- Sea S = x
1
, x
2
, ..., x
p
un conjunto linealmente independiente de V . Si
1
T(x
1
) +

2
T(x
2
) + +
p
T(x
p
) = 0, entonces, por ser T lineal:
T
_

1
x
1
+
2
x
2
+ +
p
x
p
_
= 0 A
_

1
x
1
+
2
x
2
+ +
p
x
p
_
= 0
Por ser det A ,= 0, A es inversible y multiplicando por A
1
por la izquierda en los dos miembros
de la igualdad anterior, se obtiene:
1
x
1
+
2
x
2
+ +
p
x
p
= 0.
Y como S es un conjunto linealmente independiente, se colige que
1
=
2
= =
p
= 0, luego
T(x
1
), T(x
2
), ..., T(x
p
) es linealmente independiente.
(7 = 1).- Para demostrar que T es biyectiva, probemos que es sobre e inyectiva. Por hipotesis, los
vectores columna de A = [T]
B
son linealmente independientes por ser las imagenes de los vectores
de la base B. As pues, r(A) = dimIm(T) = n. Por tanto, Im(T) = V , es decir, T es sobreyectiva.
Se verica que dimN(T) = dimV dimIm(T) = n n = 0. Luego, N(T) = 0 y T es inyectiva.
5.5. Relacion entre transformaciones lineales y matrices
Dada una transformacion lineal T : V V , una vez jada una base B de V , podemos asociar a
T, una matriz A M
n
(R
2
) que determina T de forma unica, A = [T]
B
.
Recprocamente, dada una matriz A M
n
(R
2
), podemos construir el endomorsmo T : K
n
K
n
tal que A = [T]
B
c , siendo B
c
la base canonica de K
n
. Dicho endomorsmo es unico ya que queda
determinado por las imagenes de los vectores de la base can onica, es decir, por los vectores columna
de A. Por tanto, una vez jada una base B de V , referirnos a T o a A = [T]
B
, es equivalente. Si
no se dice lo contrario la base B sera la canonica.
Ahora bien, si tenemos la matriz A = [T]
B
que representa a T : V V con respecto a la base
B de V , entonces, v = Tu si y solo si y = [v]
B
= [T]
B
[u]
B
= Ax. Por tanto podemos decir que
hay una correspondencia 1 a 1 entre matrices y transformacione lineales, a esta corresponden-
cia se le denomina un isomorsmo entre el espacio de transformaciones y el espacio de matrices.
Todas las operaciones y propiedades de matrices se traducen en operaciones y propiedades de
transformaciones. Asi, la suma de transformaciones es suma de matrices, el producto por escalar
email [email protected] 268 o
_

v o o
_
s z 269
de transformaciones es producto escalar por una matriz, la multiplicacion de matrices es la com-
posicion de transformaciones. A continuacion explicamos estas armaciones:
Si A es la matriz que representa a T : V W. Encontrar el n ucleo de T es equivalente a resolver la
ecuacion Tu = 0. Es decir queremos encontrar todas las preimagenes del neutro. Si reemplazamos
T con su representacion matricial A, tenemos que
encontrar el n ucleo de T es equivalente a resolver el sistema de ecuaciones Ax = 0
Recordemos el teorema que arma que T es inyectiva si el ker T = O
V
, o la dimension del ker T
es igual a 0. Si Ax = 0, tiene una solucion la trivial, x = 0, esto quiere decir ker T = O
V
. Por
tanto, teniendo en cuanta las dos ultimas aseveraciones tenemos que:
T es inyectiva si y solamente si Ax = 0 tiene unica solucion x = 0 K
n
La dimension del n ucleo de T o de su representante A se llama nulidad por tanto
T tiene nulidad cero si y solamente si Ax = 0 tiene unica solucion x = 0
Ahora, si T es inyectiva sabemos que es invertible su inversa se denota T
1
(este es un resultado que
talvez recuerden de calculo, cualquier funcion inyectiva tiene inversa). La matriz que representa
T
1
es obviamente [T
1
]
B
= [T]
1
B
= A
1
. Por tanto
T es invertible si y solamente Ax = 0 tiene unica solucion x = 0
Finalmente, si V = W esto quiere decir que dimV = dimW = n , La matriz que representa T
1
es obviamente [T
1
]
B
= A
1
(A es una matriz cuadrada n por n )
A es invertible si y solamente T es inyectiva si y solamente si A tiene nulidad 0.
Debido al teorema de la dimension tenemos que nulidad de T + dimension del recorrido de T = n,
si la nulidad de A es cero entonces dimension del recorrido de T es n. La dimension del recorrido
de T se llama rango de T o de A. Por tanto
A es invetible si y solamente A tiene rango n.
En este caso vemos que como la dimension del recorrido es n el recorrido es igual a W. Por tanto
T es sobreyectiva y podemos decir que
A es invertible si y solamente T es uno a uno y sobreyectiva.
5.6. Cambio de base en una transformacion lineal
Sea T una transformacion lineal de un espacio vectorial V . Sean B y B

dos bases distintas de V .

Sean las matrices A = [T]
B
y A

= [T]
B
. Buscamos la relacion existente entre A y A

. Sea P la
matriz de cambio de base de B

a B. En esquema, la situacion que tenemos es la siguiente:

email [email protected] 269 o
_

v o o
_
s z 270
-
-
?
6
[x]
B
[T(x)]
B

[x]
B
[T(x)]
B
A

P
1
A
P
Por la propia denicion de las matrices que intervienen en el esquema anterior, se verica:
[T(x)]
B
= P
1
[T(x)]
B
= P
1
A[x]
B
= P
1
AP[x]
B

Luego, la relacion buscada es:

A

= P
1
AP
EJEMPLO 5.15. Demostramos en el ejemplo 2.3 que la transformacion lineal T : R
2
R
2
,
T(x, y) = (2x, y 3x) tiene como matriz asociada respecto de la base canonica a la matriz
A =
_
2 0
3 1
_
.
SOLUCI

ON.- Si consideramos ahora la base de R

2
, B = u
1
= (1, 1), u
2
= (2, 0). cual es la
matriz A

asociada a T respecto de esta nueva base B? A

= P
1
AP siendo P la matriz de cambio
de base de B a la base canonica.
Es, por tanto, P =
_
1 2
1 0
_
, que tiene por matriz inversa a P
1
=
_
0 1
1/2 1/2
_
. De esta forma,
se tiene que:
A

=
_
0 1
1/2 1/2
__
2 0
3 1
__
1 2
1 0
_
=
_
2 6
2 5
_
Observese que la matriz A

podra haberse hallado directamente buscando sus vectores columna:

c
1
= [T(u
1
)]
B
, c
2
= [T(u
2
)]
B
.
T(u
1
) = (2, 2) = 2(1, 1) + 2(2, 0) = 2u
1
+ 2u
2
= [(2, 2)]
B
T(u
2
) = (4, 6) = 6(1, 1) + 5(2, 0) = 6u
1
+ 5u
2
= [(6, 5)]
B

5.7. Vectores y subespacios invariantes por una transfor-

macion lineal
Sea T una transformacion lineal de V .
DEFINICI

ON 5.4. Un vector x de V es un vector invariante por (o de) T cuando T(x) = x.

email [email protected] 270 o
_

v o o
_
s z 271
PROPOSICI

ON 5.6. El sistema F de vectores invariantes por f es un subespacio vectorial de

V , llamado subespacio vectorial de vectores invariantes de T.
DEMOSTRACI

ON. Sean x, y F y , K. Por ser T lineal y ser x e y vectores invariantes

por T, se tiene: T(x + y) = T(x) + T(y) = x + y Luego x +y F y esta probado que
F es un subespacio vectorial de V .
DEFINICI

ON 5.5. Un subespacio cualquiera F de V decimos que es un subespacio invariante

por (o de) T cuando T(F) F; es decir, si x F, entonces tambien T(x) F.
Observaciones: 1) Si T es biyectiva, F es un subespacio invariante cuando T(F) = F. 2) El
subespacio de vectores invariantes de T es un subespacio invariante de T.
PROPOSICI

ON 5.7. Si F y G son subespacios invariantes de T, entonces: 1) F G es un

subespacio invariante de T. 2) F +G es tambien un subespacio invariante de T.
DEMOSTRACI

ON. 1) Sea x F G. Se verica entonces que x F y x G. As, por ser F y G

subespacios invariantes, tambien T(x) F y T(x) G. Luego, T(x) F G. 2) Sea x F +G. Es
entonces, x = u+v con u F v G. Por ser T lineal se verica: T(x) = T(u+v) = T(u) +T(v).
Como F y G son subespacios invariantes de T, se tiene que T(u) F y T(v) G. Luego, teniendo
en cuenta la igualdad anterior, esta probado que T(x) F +G.
EJEMPLO 5.16. 0, V , Im(T) y N(T) son subespacios vectoriales de cualquier transformacion
lineal T.

EJEMPLO 5.17. Consideremos el endomorsmo de R

3
dado por: T(x, y, z) = (x + 3y +
6z, 6x + 8y + 16z, 2x 2y 4z)
SOLUCI

ON.- La matriz asociada a T respecto de la base canonica es

A =
_
_
1 3 6
6 8 16
2 2 4
_
_
Consideremos los vectores u
1
= (0, 2, 1), u
2
= (3, 2, 2), u
3
= (1, 1, 0). Calculemos sus imagenes:
T(u
1
) = (0, 0, 0) = 0u
1
, T(u
2
) = (3, 2, 2) = 1u
2
, T(u
3
) = (2, 2, 0) = 2u
1
Los subespacios F = u
1
, u
2
) y G = u
3
) son invariantes (verlo). u
1
, u
2
y u
3
son bases de F y
G respectivamente y B

= u
1
, u
2
, u
3
es una base de R
3
(luego, R
3
= F G).
La matriz asociada a T respecto de la base B

es A =
_
_
0 0 0
0 1 0
0 0 2
_
_
. Respecto de esta base (formada
por vectores cuyas imagenes son proporcionales respectivamente a dichos vectores), f viene pues
representada por una matriz diagonal.
email [email protected] 271 o
_

v o o
_
s z 272
La matriz A

permite estudiar ciertos aspectos de T de una forma mucho mas sencilla que con la
matriz A. Por ejemplo: r(A

) = 2, luego dimIm(T) = 2; de hecho, Im(T)u

2
, u
3
) y N(T) = u
1
).
No todos los endomorsmos T de un espacio vectorial V pueden representarse mediante una matriz
diagonal. En el siguiente capitulo analizaremos bajo que condiciones existe una base de V tal que
la matriz asociada a T respecto de dicha base sea una matriz diagonal.
email [email protected] 272 o
_

CAP

ITULO 6
Valores y Vectores Propios
En este captulo presentaremos los conceptos basicos de valor propio, vector propio, espacio pro-
pio y espectro de una matriz. Ademas, presentaremos algunos de los resultados mas relevantes
relacionados con tales conceptos.
Debido a que en un estudio de los valores y vectores propios es imposible no hablar de n umeros
complejos, debemos hacer algunas observaciones respecto a la terminologa que utilizaremos en
este captulo. La palabra escalar se utilizara para referirnos a un n umero que puede ser real o
complejo. Un vector n 1 sera una matriz n 1 cuyas componentes pueden ser n umeros reales o
complejos.
6.1. Valores y Vectores Propios
DEFINICI

ON 6.1. Sea A M
nn
(R). Un escalar es un valor propio de A si existe un vector
n 1 x ,= 0 tal que Ax = x. Ahora, si Ax = x con x ,= 0, entonces x es un vector propio de A
asociado al valor propio .
EJEMPLO 6.1. 2 es un valor propio de la matriz
A =
_
_
2 0 1
5 1 2
3 2 5/4
_
_
ya que
_
_
2 0 1
5 1 2
3 2 5/4
_
_
_
_
1
3
4
_
_
=
_
_
2
6
8
_
_
= 2
_
_
1
3
4
_
_
273
v o o
_
s z 274
Ademas,
_
_
1
3
4
_
_
es un vector propio de A asociado al valor propio 2.

EJEMPLO 6.2. Para la matriz A =

_
1 2
2 1
_
indique cuales vectores son vectores propios: v
1
=
_
1
1
_
, v
2
=
_
2
3
_
, v
3
=
_
1
1
_
, v
4
=
_
0
2
_
.
SOLUCI

ON.- Debemos multiplicar cada vector por la matriz A y ver si el vector resultante es
un m ultiplo escalar del vector.
Av
1
=
_
1 2
2 1
__
1
1
_
=
_
3
3
_
= 3
_
1
1
_
v
1
s es vector propio de A asociado al valor propio 3.
Av
2
=
_
1 2
2 1
__
2
3
_
=
_
7
8
_
,= k
_
2
3
_
v
2
no es vector propio de A.
Av
3
=
_
1 2
2 1
__
1
1
_
=
_
1
1
_
= 1
_
1
1
_
v
3
s es vector propio de A asociado al valor propio 1.
Av
4
=
_
1 2
2 1
__
0
2
_
=
_
4
2
_
,= k
_
0
2
_
v
4
no es vector propio de A.
EJEMPLO 6.3. El vector v =
_
_
2
4
4
_
_
es un vector propio de la matriz A =
_
_
5 0 3
16/5 1 18/5
2 0 2
_
_
.
Determine el valor propio al cual esta asociado.
SOLUCI

ON.- Determinemos Av:

_
_
5 0 3
16/5 1 18/5
2 0 2
_
_
_
_
2
4
4
_
_
=
_
_
2
4
4
_
_
= 1
_
_
2
4
4
_
_
Por tanto, v esta asociado al valor propio = 1 de la matriz A.
email [email protected] 274 o
_

v o o
_
s z 275
EJEMPLO 6.4. Los vectores
_
_
3
2
1
_
_
,
_
_
1
2
2
_
_
,
_
_
0
6
0
_
_
,
_
_
9
6
3
_
_
si son vectores propios de la matriz
A =
_
_
5 0 3
16/5 1 18/5
2 0 2
_
_
. Determine los valores propios a los cuales estan asociados.

TEOREMA 6.1. Sea A M

nn
(R). Entonces ning un vector propio de A puede estar asociado
a valores propios distintos de A.
DEMOSTRACI

ON. Si suponemos que x es un vector propio de A asociado a valores propios

distintos
i
,
j
de A, entonces (
i

j
) ,= 0 y
(
i

j
)x =
i
x
j
x = Ax Ax = 0.
Luego
(
i

j
)
1
(
i

j
)x = (
i

j
)0 = 0
Entonces x = 0, lo cual es absurdo. Por tanto, ning un vector propio de A puede estar asociado a
valores propios distintos de A.
DEFINICI

ON 6.2. Sea A M
nn
(R), el espectro de A es
(A) = escalar : es un valor propio de A.
El smbolo R[x] denotara al conjunto de los polinomios en la variable x y coecientes en R. La
evaluacion de un polinomio p(x) = a
0
+ a
1
x + + a
t
x
t
de R[x] en una matriz A M
nn
(R) es
la matriz
p(A) = a
0
I
n
+a
1
A+ +a
t
A
t
,
donde A
i
para todo i = 2, ..., t es el producto usual de matrices de A con sigo misma i veces.
EJEMPLO 6.5. Sean A =
_
1 1
1 2
_
y p(x) = 1 3x + 2x
2
. Entonces
p(A) = 1
_
1 0
0 1
_
3
_
1 1
1 2
_
+ 2
_
1 1
1 2
__
1 1
1 2
_
=
_
1 0
0 1
_
+
_
3 3
3 6
_
+
_
0 6
6 6
_
=
_
2 3
3 1
_
TEOREMA 6.2. Sean A M
nn
(R), p(x) R[x], (A) y x un vector propio de A asociado
a . Entonces p() (p(A)) y x es un vector propio de p(A) asociado a p().
DEMOSTRACI

ON. Supongamos que p(x) = a

0
+a
1
x + +a
t
x
t
, entonces
p(A)x = a
0
x +a
1
Ax + +a
t
A
t
x,
pero
A
j
x = A
j1
Ax = A
j1
x = A
j1
x = =
j
x
para todo j = 1, ..., t. Luego
p(A)x = a
0
x +a
1
x + +a
t

t
x = (a
0
+a
1
+ +a
t

t
)x = p()x.

email [email protected] 275 o

_

v o o
_
s z 276
6.2. Subespacios Propios
TEOREMA 6.3. Sean A M
nn
(R) y un valor propio de A. Entonces
E
A
() = x vectores n 1: Ax = x =
es un subespacio del espacio de los vectores n 1 sobre los n umeros complejos.
DEMOSTRACI

ON. Claramente A0 = 0, por tanto 0 E

A
(). Ahora, si x, y E
A
() y c
escalar, entonces
A(cx +y) = cAx +Ay = cx +y = (cx +y),
por tanto (cx+y) E
A
(). Luego E
A
() es un subespacio de los vectores n1 sobre los n umeros
complejos.
Notese que E
A
() es igual a 0 unido con el conjunto formado por todos los vectores propios de
A asociados al valor propio . Ademas, por Teorema 6.1 se tiene que si
i
,
j
son valores propios
distintos de A, entonces
E
A
(
i
) E
A
(
j
) = 0.
DEFINICI

ON 6.3 (Multiplicidad geometrica). El subespacio E

A
() se denomina subespacio
propio de A asociado al valor propio . Ademas, la dimension de E
A
(), dim(E
A
()), se llama la
multiplicidad geometrica del valor propio de A y se le denota por m
g
(A), es decir
m
g
(A) = dim(E
A
())
De la denicion de vector propio, es claro que E
A
() tiene al menos un vector no nulo, por tanto
dim(R
n
) = n dim(E
A
()) 1.
TEOREMA 6.4. Dado E
A
() un subespacio propio de A M
nn
(R), entonces
dim(E
A
()) = n rango(AI)
6.3. Matrices Invertibles y Valores Propios
TEOREMA 6.5. Sea A M
nn
(R). Entonces = 0 es un valor propio de A si, y solo si, A es
no invertible.
DEMOSTRACI

ON. Si = 0 es valor propio de A, el sistema lineal homogeneo Au = 0 admite

soluciones distintas de la trivial (los vectores propios asociados al valor propio = 0) y, por tanto,
[A[ = 0. Luego A no es inversible.
Si, por el contrario, = 0 no es valor propio de A, el sistema Au = 0 solo tiene la solucion trivial,
luego, [A[ , = 0 y A es inversible.
email [email protected] 276 o
_

v o o
_
s z 277
TEOREMA 6.6. Sea A M
nn
(R). Entonces A es invertible si, y solo si, ning un valor propio
de A es cero.
DEMOSTRACI

ON. Este resultado es equivalente al Teorema 6.4.

TEOREMA 6.7. Sea A M
nn
(R) una matriz invertible. Entonces es un valor propio de A
si, y solo si,
1
es un valor propio de A
1
. A un mas, x es un vector propio de A asociado a
si, y solo si, x es un vector propio de A
1
asociado a
1
.
DEMOSTRACI

ON. Puesto que A es invertible, ninguno de sus valores propios es cero. Luego,
un escalar es un valor propio de A y x es un vector propio de A asociado a , Ax = x,
A
1
Ax = A
1
x, A
1
x =
1
x si, y solo si,
1
es un valor propio de A
1
y x es un vector propio
de A
1
asociado a
1
.
6.4. Producto de matrices y Valores Propios
TEOREMA 6.8. Sean A, B M
nn
(R). Entonces (AB) = (BA).
DEMOSTRACI

ON. Ejercicio.
6.5. Localizacion de Valores Propios
Existen muchos teoremas que dan informacion acerca de la localizacion en el plano complejo de
los valores propios de una matriz. El mas famoso de ellos es el Teorema de Gershgorin, el cual
constituye el centro de esta peque na seccion.
DEFINICI

ON 6.4. Sea A M
nn
(R). El radio espectral de A es el n umero real no negativo
rad(A) = max[
j
[ : (A).
[
j
[ signica modulo de si es complejo o valor absoluto de si es real.
El radio espectral de una matriz A M
nn
(R) es justamente el radio del disco cerrado mas
peque no centrado en el origen del plano complejo que contiene a todos los valores propios de A.
DEFINICI

ON 6.5. Sea A M
nn
(R). Los n discos de Gershgorin de A son:
D
p
= z escalar : [z a
pp
[ R
p
(A) p = 1, ..., n.
Donde
R
p
(A) = [a
p1
[ + +[a
p(p1)
[ +[a
p(p+1)
[ + +[a
pn
[
La region del plano complejo formada por la union de esos n discos sera llamada region de Ger-
shgorin y denotada por G(A).
TEOREMA 6.9 (De Gershgorin). . Sea A M
nn
(R). Entonces (A) esta contenido en
G(A).
DEMOSTRACI

ON. Ejercicio.
email [email protected] 277 o
_

v o o
_
s z 278
6.6. Calculo de Valores Propios
TEOREMA 6.10. Sea A M
nn
(R). Entonces
es un valor propio de A si, y solo si, det(I
n
A) = 0.
DEMOSTRACI

ON. valor propio de A si y solo si existe x ,= 0 tal que Ax = x si y solo si

existe x ,= 0 : (I
n
A)x = 0 si y solo si (I
n
A) es no invertible si y solo si det(I
n
A) = 0.

DEFINICI

ON 6.6 (Polinomio caracterstico). Sea A M

nn
(R). El polinomio caracterstico
de A es el polinomio de R[x] dado por
P
A
(x) = det(xI
n
A) = det
_

_
x a
11
a
12
a
1n
a
21
x a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
x a
nn
_

_
.
La expresion P
A
(x) = 0 se llama ecuacion caracterstica de A.
Seg un Teorema 6.9, es un valor propio de A M
nn
(R) si, y solo si, es solucion de la ecuacion
caracterstica de A. Esto ultimo equivale a que es una raz de P
A
(x).
EJEMPLO 6.6. Hallemos el polinomio caracterstico y los valores propios de A =
_
_
1 2 3
4 5 6
7 8 9
_
_
.
En efecto,
P
A
(x) = det(xI
3
A) = det
_
_
x 1 2 3
4 x 5 6
7 7 x 9
_
_
= x
3
15x
2
18x.
Una simple inspeccion visual muestra que
1
= 0 es una raz de P
A
(x). Con esa informacion es
facil probar (con ayuda de la Formula General Cuadratica) que las otras races de P
A
(x) son

2
=
15
2

3
2

33 y
3
=
15
2
+
3
2

33. As, (A) =

_
15
2

3
2

33,
15
2
+
3
2

33
_
.
Por lo general, es difcil o imposible hallar las races de P
A
(x). Sin embargo, si P
A
(x) tiene coe-
cientes enteros, algunas veces es util un resultado de

Algebra elemental que dice: si p(x) es un
polinomio con coecientes enteros, entonces toda raz entera de p(x) divide al termino independi-
ente de este.
EJEMPLO 6.7. Hallemos los valores propios de una matriz A que tiene como polinomio carac-
terstico a
P
A
(x) = x
3
+ 2x
2
3x 6.
email [email protected] 278 o
_

v o o
_
s z 279
Si P
A
(x) tiene una raz entera, esa raz debe ser un divisor del termino constante. Los divisores
de 6 son: 1, 2, 3, 6. Si sustituimos x = 2 en P
A
(x) se obtiene cero. De tal hecho podemos
deducir que 2 es una raz de P
A
(x) y que x + 2 divide exactamente a P
A
(x). Con ayuda de la
Formula General Cuadratica encontramos que
P
A
(x) = (x + 2)(x

3)(x +

3).
Luego los valores propios de A son 2,

3 y

3.
DEFINICI

ON 6.7 (Multiplicidad algebraica). Sea es un valor propio de A M

nn
(R).
El n umero de veces que se repita como raz del polinomio caracterstico asociado a A P
A
(x)
es la multiplicidad algebraica del valor propio de A y se denota por m
a
(). En otras palabras,
llamamos multiplicidad algebraica del autovalor al mayor exponente m
a
() para el cual el factor
(x )
ma()
aparece en la factorizacion de P
A
(x). Es decir, si P
A
(x) puede factorizarse como
P
A
(x) = (x )
ma()
q(x), entonces q(x) es un polinomio (de grado m m
a
()) que no se anula
para , q() ,= 0.
EJEMPLO 6.8. La matriz
A =
_
_
_
_
_
_
1 0 0 0 0
0 2 0 0 0
1 0 5 6 0
1 0 3 4 0
0 0 0 0 2
_
_
_
_
_
_
cuyo polinomio caracterstico es
P
A
(x) = x
5
7x
3
+ 2x
2
+ 12x 8 = (x + 2)2(x 1)2(x 2),
tiene como valores propios
1
= 2 con multiplicidad algebraica 2,
2
= 1 con multiplicidad
algebraica 2 y
3
= 2 con multiplicidad algebraica 1.
TEOREMA 6.11. 1. Sea A M
22
(K), el polinomio caracterstico de A es el polinomio de
grado dos p
A
() =
2
tr(A) +[A[.
2. En el caso de ser A M
33
(K), se tiene: p
A
() =
3
+tr(A)
2
(a
11
+a
22
+a
33
) +[A[.
3. En general, si A M
nn
(K), el termino de grado n de p
A
() es (1)
n

n
, el de grado n 1
es (1)
n1
tr(A)
n1
y el termino independiente es [A[. Es decir, p
A
() es de la forma
P
A
() = (1)
n

n
+ (1)
n1
tr(A)
n1
+a
n2

n2
+ +a
1
x +[A[.
DEMOSTRACI

ON. Ejercicio.
1. Sea A =
_
a
11
a
12
a
21
a
22
_
M
22
(K). Entonces:
p
A
() = [AI[ =

a
11
a
12
a
21
a
22

=
2
(a
11
+a
22
)+(a
11
a
22
a
12
a
21
) =
2
tr(A)+[A[
email [email protected] 279 o
_

v o o
_
s z 280
2. Sea A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
M
33
(K). Desarrollando el determinante mediante la regla de
Sarrus, se obtiene:
p
A
() = [AI[ =

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

3
+ (a
11
+a
22
+a
33
)
2

_
(a
22
a
33
a
23
a
32
) + (a
11
a
33
a
13
a
31
) + (a
11
a
22
a
12
a
21
)
_
+
_
a
11
a
22
a
33
+a
21
a
32
a
13
+a
31
a
12
a
23
a
13
a
22
a
31
a
12
a
21
a
33
a
11
a
23
a
32
_
=

3
+ tr(A)
2
(a
11
+ a
22
+a
33
) + [A[
3. Solo uno de los n! productos del desarrollo del determinante p
A
() = [AI[ puede contener
terminos en
n
o
n1
, y es precisamente (a
11
)(a
22
) (a
nn
), ya que en los demas
productos interviene alg un a
ij
con i ,= j, luego no interviene a
ii
ni a
jj
; y, por tanto,
estos n! 1 productos son polinomios de grado menor o igual que n 2. Por otra parte, se
tiene que:
(a
11
)(a
22
) (a
nn
) = (1)
n

n
+ (1)
n1
(a
11
+a
22
+ +a
nn
)
n1
+
Luego, esta demostrado que el termino de grado n de p
A
() es (1)
n

n
, y el de grado n 1
es (1)
n1
tr(A)
n1
. Ademas, el termino independiente de p
A
() es p
A
(0) = [A0I[ = [A[.

TEOREMA 6.12. Sean A M

nn
(R) y
1
,...,
n
los valores propios de A. Entonces
det(A) =
1

n
y tr(A) =
1
+ +
n
.
DEMOSTRACI

ON. Ejercicio.
TEOREMA 6.13. Sea A M
nn
(R). Se verica que:
1. A y A
T
tienen el mismo polinomio caracteristico, por tanto A y A
T
tienen los mismos valores
propios con las mismas multiplicidades algebraicas correspondientes.
2. Si es valor propio de A, entonces
n
es valor propio de A
n
.
3. Si A es invertible y tiene valores propios
1
,
2
,...,
n
, entonces los valores propios de A
1
son
1

1
,
1

2
,...,
1

n
.
email [email protected] 280 o
_

v o o
_
s z 281
DEMOSTRACI

ON.
1. Bastara probar que P
A
(x) = P
A
T (x). En efecto,
P
A
(x) = det(xI
n
A) = det((xI
n
A)
T
) = det(xI
n
A
T
) = P
A
T (x).
Ahora bien, el hecho de que A y A
T
tienen los mismos valores propios es consecuencia
inmediata de que P
A
(x) = P
A
T (x).
2. Empleamos el metodo de induccion completa en la demostracion. Para n = 2: Por ser un
valor propio de A, existe un vector no nulo x R
n
tal que Ax = x. Entonces:
A
2
x = A(Ax) = A(x) = (x) =
2
x
Luego,
2
es valor propio de A
2
. Supongamos cierta la armacion para n 1 y probemosla
para n:
A
n
x = A(A
n1
x) = A(
n1
x) =
n1
(x) =
n
x
Por tanto,
n
es valor propio de A
n
.
3. Siguiendo con la misma notacion del apartado anterior, se verica:
Ax = x, A
1
(Ax) = A
1
(x), x = (A
1
x), A
1
x =
1

x
Luego,
1

es valor propio de A
1
.

6.7. Calculo de Vectores Propios

TEOREMA 6.14. 6.13. Sean A M
nn
(R) y un valor propio de A. Entonces x es un vector
propio de A asociado a si, y solo si, x es una solucion no trivial del sistema homogeneo de
ecuaciones lineales (I
n
A)y = 0.
DEMOSTRACI

ON. x es solucion no trivial del sistema (I

n
A)y = 0, si, y solo si, x ,= 0 y
(I
n
A)x = 0 si, y solo si, x ,= 0 y Ax = x.
Presentamos a continuacion algunos ejemplos que ilustran la forma como se pueden hallar valores
propios y vectores propios.
EJEMPLO 6.9. Hallemos los valores propios y los espacios propios de la matriz A =
_
2 12
1 5
_
.
email [email protected] 281 o
_

v o o
_
s z 282
SOLUCI

ON.- La ecuacion caracterstica de A es

det(xI
n
A) = det
_
x 2 12
1 x + 5
_
= x
2
+ 3x + 2 = (x + 1)(x + 2) = 0,
de donde se obtiene que
1
= 1 y
2
= 2 son los valores propios de A. Para determinar
los vectores propios correspondientes se resuelven los sistemas homogeneos (
1
I
2
A)x = 0 y
(
2
I
2
A)x = 0:
Para
1
= 1, la matriz de coecientes es
(1)I
2
A =
_
1 2 12
1 1 + 5
_
=
_
3 12
1 4
_
,
que se reduce por las a
_
1 4
0 0
_
. Por consiguiente, x
1
4x
2
= 0. Se concluye que todo vector
propio de A asociado a
1
= 1 es de la forma
x =
_
x
1
x
2
_
=
_
4x
2
x
2
_
= x
2
_
4
1
_
, x
2
,= 0.
Luego E
A
(
1
) = gen
__
4
1
__
.
Para
2
= 2, la matriz de coecientes es
(2)I
2
A =
_
2 2 12
1 2 + 5
_
=
_
4 12
1 3
_
,
que se reduce por las a
_
1 3
0 0
_
. Por consiguiente, x
1
3x
2
= 0. Luego todo vector propio de
A asociado a
1
= 2 es de la forma
x =
_
x
1
x
2
_
=
_
3x
2
x
2
_
= x
2
_
3
1
_
, x
2
,= 0.
Luego E
A
(
2
) = gen
__
3
1
__
.

Despues de lo anteriormente visto podemos concluir que para determinar los valores y vectores
caractersticos seguimos estos pasos. Sea A una matriz n n
Forme la ecuacion caracterstica [I A[ = 0. Sera una ecuacion polinomial de grado n en
la variable .
Determine las races reales de la ecuacion caracterstica. Estas son los valores caractersticos
de A.
email [email protected] 282 o
_

v o o
_
s z 283
Para todo valor caracterstico de
i
, determine los vectores caractersticos correspondientes
a
i
, al resolver el sistema homogeneo (
i
I A) = 0. Para llevar a cabo lo anterior se
requiere reducir por renglones una matriz n n. La forma resultante escalonada reducida
debe contener por lo menos un renglon de ceros.
EJEMPLO 6.10. Hallemos los valores propios y los espacios propios de la matriz A =
_
_
2 1 2
0 2 0
0 0 2
_
_
.
SOLUCI

ON.- La ecuacion caracterstica de A es

det(xI
3
A) =
_
_
x 2 1 2
0 x 2 0
0 0 x 2
_
_
= (x 2)
3
= 0.
Por tanto,
1
= 2 es el unico valor propio de A. Ahora,
2I
3
A =
_
_
0 1 0
0 0 0
0 0 0
_
_
implica que en la solucion del sistema homogeneo (2I
3
A)x = 0 tiene que x
2
= 0 y las variables
x
1
, x
3
estan linealmente independientes. Luego todo vector propio de A asociado a
1
= 2 es de
la forma
x =
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
0
x
3
_
_
= x
1
_
_
1
0
0
_
_
+x
3
_
_
0
0
1
_
_
.
Luego E
A
(
1
) = gen
_
_
_
_
_
1
0
0
_
_
,
_
_
0
0
1
_
_
_
_
_
.

EJEMPLO 6.11. Hallemos los valores propios y los espacios propios de la matriz
A =
_
_
_
_
1 0 0 0
0 1 5 10
1 0 2 0
1 0 0 3
_
_
_
_
.
SOLUCI

ON.- La ecuacion caracterstica de A es

det(xI
4
A) = det
_
_
_
_
x 1 0 0 0
0 x 1 5 10
1 0 x 2 0
1 0 0 x 3
_
_
_
_
= (x 1)
2
(x 2)(x 3) = 0
email [email protected] 283 o
_

v o o
_
s z 284
As los valores propios de A son
1
= 1,
2
= 2 y
3
= 3. Una base para el espacio propio de

1
= 1 se encuentra como sigue:
(1)I
3
A =
_
_
_
_
0 0 0 0
0 0 5 10
1 0 1 0
1 0 0 2
_
_
_
_
y se reduce a la matriz
_
_
_
_
1 0 0 2
0 0 1 2
0 0 0 0
0 0 0 0
_
_
_
_
Lo cual implica que x
1
+ 2x
4
= 0, x
3
2x
4
= 0 y x
2
esta linealmente independiente. As, todo
vector propio de A asociado a
1
= 1 es de la forma
x =
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
_
_
_
2x
4
x
2
2x
4
x
4
_
_
_
_
== x
2
_
_
_
_
0
1
0
0
_
_
_
_
+x
4
_
_
_
_
2
0
2
1
_
_
_
_
.
Luego E
A
(
1
) = gen
_

_
_
_
_
_
0
1
0
0
_
_
_
_
,
_
_
_
_
2
0
2
1
_
_
_
_
_

_
. Para
2
= 2 y
3
= 3, se sigue el mismo patron para
obtener E
A
(
2
) = gen
_

_
_
_
_
_
0
5
1
0
_
_
_
_
_

_
y que E
A
(
3
) = gen
_

_
_
_
_
_
0
5
0
1
_
_
_
_
_

_

EJEMPLO 6.12. Encontrar los valores propios y vectores propios de A =
_
2 3
3 6
_
SOLUCI

ON.- Empecemos formando su polinomio caracterstico para encontrar los valores pro-
pios. Son las soluciones de det(AI) = (2)(6)9 = 0. Es un polinomio de grado dos que
tiene dos soluciones. Luego hay dos valores propios
1
= 3 y
2
= 7. Para encontrar los vectores
propios asociados a cada valor propio tenemos que buscar los vectores tales que (A I)x = 0.
Es decir, buscamos x N(A I) para cada uno de los valores propios que hemos encontrado.
Para
1
= 3:
A 3I =
_
1 3
3 9
_

_
1 3
0 0
_
, V (3) = gen
__
3
1
__
.
Para
2
= 7:
email [email protected] 284 o
_

v o o
_
s z 285
A+ 7I =
_
9 3
3 1
_

_
9 3
0 0
_
, V (7) = gen
__
1
3
__
.

EJEMPLO 6.13. Determine los valores y los vectores propios correspondiente a la matriz A =
_
1 2
2 1
_
SOLUCI

ON.-
P
A
() = det(AI) = det
__
1 2
2 1
_

_
1 0
0 1
__
= det
__
1 2
2 1
_

_
0
0
__
= det
_
1 2
2 1
_
= (1 )
2
4 =
2
2 3 = ( 3)( + 1)
Por tanto, los unicos valores propios de A son
1
= 3 y
2
= 1.
Vector propio para
1
= 3. Debe ser solucion al sistema homogeneo: (AI
2
)x = 0. Es decir:
__
1 2
2 1
_
3
_
1 0
0 1
__
x = 0
Desarrollando y nalmente aplicando Gauss-Jordan:
_
1 3 2
2 1 3
__
x
y
_
=
_
0
0
_
,
_
2 2 0
2 2 0
_

_
1 1 0
0 0 0
_
Convirtiendo en ecuacion y poniendo en la notacion vectorial:
x y = 0, x = y,
_
x
y
_
= y
_
1
1
_
Lo anterior indica que cualquier vector de la forma: y
_
1
1
_
es un vector propio asociado a
1
= 3;
nosotros nos conformaremos con uno: digamos el que se obtiene para y = 1:
_
1
1
_
.
Vector propio para
2
= 1. Debe ser solucion al sistema homogeneo: (AI
2
)x = 0. Es decir:
__
1 2
2 1
_
(1)
_
1 0
0 1
__
x = 0
Desarrollando y nalmente aplicando Gauss-Jordan:
_
1 + 1 2
2 1 + 1
__
x
y
_
=
_
0
0
_
,
_
2 2 0
2 2 0
_

_
1 1 0
0 0 0
_
email [email protected] 285 o
_

v o o
_
s z 286
Convirtiendo en ecuacion y poniendo en la notacion vectorial:
x +y = 0, x = y,
_
x
y
_
= y
_
1
1
_
Lo anterior indica que cualquier vector de la forma: y
_
1
1
_
es un vector propio asociado a

2
= 1; nosotros nos conformaremos con uno: digamos el que se obtiene para y = 1:
_
1
1
_

EJEMPLO 6.14. Determine los valores y los vectores propios correspondiente a la matriz A =
_
1 1
0 1
_
SOLUCI

ON.-
P
A
() = det(AI) = det
__
1 1
0 1
_

_
1 0
0 1
__
= det
__
1 1
0 1
_

_
0
0
__
= det
_
1 1
0 1
_
= (1 )
2
Por tanto, el unico valor propio de A es
1
= 1.
Vector propio para
1
= 1. Debe ser solucion al sistema homogeneo: (AI
2
)x = 0. Es decir:
__
1 1
0 1
_
1
_
1 0
0 1
__
x = 0
Desarrollando y nalmente aplicando Gauss-Jordan:
_
1 1 1
0 1 1
__
x
y
_
=
_
0
0
_
,
_
0 1 0
0 0 0
_

_
0 1 0
0 0 0
_
Convirtiendo en ecuacion y poniendo en la notacion vectorial:
y = 0,
_
x
y
_
= x
_
1
0
_
Lo anterior indica que cualquier vector de la forma: x
_
1
0
_
es un vector propio asociado a
1
= 1;
nosotros nos conformaremos con uno: digamos el que se obtiene para x = 1:
_
1
0
_
.

email [email protected] 286 o

_

v o o
_
s z 287
EJEMPLO 6.15. Determine los valores y los vectores propios correspondiente a la matriz A =
_
1 2
1 2
_
SOLUCI

ON.-
P
A
() = det
__
1 2
1 2
_

_
0
0
__
= det
_
1 2
1 1
_
El polinomio caracterstico queda: P
A
(t) = t
2
3t+4. Como este polinomio tiene races complejas,
A no tiene valores ni vectores propios.
EJEMPLO 6.16. Determina los valores propios y vectores propios de la matriz A =
_
_
2 1 1
2 3 2
3 3 4
_
_
SOLUCI

ON.- Los valores propios son las raices del polinomio caracterstico, que es
f () = det (I A) = det
_
_

_
_
1 0 0
0 1 0
0 0 1
_
_

_
_
2 1 1
2 3 2
3 3 4
_
_
_
_
= det
_
_
2 1 1
2 3 2
3 3 4
_
_
= 15 9
2
+
3
7 =
3
9
2
+ 15 7 = ( 7) ( 1)
2
f () = ( 7) ( 1)
2
Por tanto, los valores propios son:
1
= 7 y
2
=
3
= 1. As, el valor propio 1, tiene multiplicidad
2.
Para calcular el vector propio, correspondiente al valor propio 7, debemos resolver el sistema de
ecuaciones
_
_
2 1 1
2 3 2
3 3 4
_
_
_
_
x
y
z
_
_
= 7
_
_
x
y
z
_
_
,
_
_
2x +y + z
2x + 3y + 2z
3x + 3y + 4z
_
_
7
_
_
x
y
z
_
_
=
_
_
5x +y + z
2x 4y + 2z
3x + 3y 3z
_
_
=
_
_
0
0
0
_
_
Multiplicando la primer ecuacion por 4, y sumandola a la segunda, obtenemos 18x + 6z = 0
as que z = 3x
Multiplicando la primera por 3, y sumandola a la tercera, obtenemos 12x+6y = 0 as que y = 2x
Por tanto, los vectores propios son t (1, 2, 3) con t ,= 0
Para calcular los vectores propios, correspondientes al valor propio 1, debemos resolver el sistema
de ecuaciones
email [email protected] 287 o
_

v o o
_
s z 288
_
_
2 1 1
2 3 2
3 3 4
_
_
_
_
x
y
z
_
_
=
_
_
x
y
z
_
_
,
_
_
2x +y +z
2x + 3y + 2z
3x + 3y + 4z
_
_

_
_
x
y
z
_
_
=
_
_
x +y +z
2x + 2y + 2z
3x + 3y + 3z
_
_
=
_
_
0
0
0
_
_
Es claro que tenemos una sola ecuacion, x +y +z = 0.
Poniendo a x y y como parametros y denotandolos respectivamente como s y t, tenemos z = st.
Por tanto, los vectores correspondientes al valor propio 1 son
(s, t, s t) = s (1, 0, 1) +t (0, 1, 1)
donde s ,= 0 o t ,= 0. Resumen:
Valor propio Vectores propios Dim E ()
7 t (1, 2, 3) con t ,= 0 1
1,1 s (1, 0, 1) +t (0, 1, 1), s o t ,= 0 2

6.8. Independencia lineal y vectores propios
TEOREMA 6.15. Si los vectores v
1
, v
2
,..., v
k
son vectores propios asociados a valores propios
diferentes entonces el conjunto formado por ellos v
1
, v
2
, ..., v
k
es linealmente independiente.
DEMOSTRACI

ON. Llamemos
i
al valor propio al cual esta asociado el vector vi. Supongamos
que el conjunto de vectores es linealmente dependiente. Puesto que ning un vector propio puede
ser el vector cero , de esta suposicion deducimos entonces que un vector vi debe ser combinacion
lineal de los anteriores. Escojamos aquel que tiene el menor ndice posible, digamos j , as: v
j
es
combinacion lineal de los vectores v
1
,. . . ,v
j1
y ning un vector v
i
es combinacion lineal de los
anteriores para i = 2, 3, ..., j 1. Tenemos
v
j
= c
1
v
1
+c
2
v
2
+ +c
j1
v
j1
Multiplicando por A, y utilizando que cada v es vector propio, obtenemos

j
v
j
= c
1

1
v
1
+c
2

2
v
2
+ +c
j1

j1
v
j1
Si multiplicamos la primera de estas ecuaciones por
j
y se la restamos a la segunda obtenemos:
0 = c
1
(
1

j
)v
1
+c
2
(
2

j
)v
2
+ +c
j1
(
j1

j
)v
j1
Como el conjunto formado por los vectores v
1
, v
2
,..., v
j1
es linealmente independiente, al no ser un
vector combinacion de los restantes , se deduce que todos los coecientes de esta ultima ecuacion
deben ser cero: c
i
(
i

j
)v
i
= 0 para i = 1, ..., j 1 Como los valores propios son diferentes entre
si:
i

j
,= 0. As son los c
i
= 0 para i = 1, ..., j 1. As la formula inicial de este teorema queda:
v
j
= 0v
1
+ + 0v
j1
= 0
email [email protected] 288 o
_

v o o
_
s z 289
Pero esto es imposible pues ning un vector propio es el vector cero. Esta contradiccion arma que
el conjunto formado por los vectores es linealmente independiente.
TEOREMA 6.16. Sean
1
,...,
r
valores propios distintos de A M
nn
(R). Si para cada i
1, ..., r S
i
es un conjunto linealmente independiente de vectores propios de A asociados a
i
,
entonces S = S
1
S
r
es todava un conjunto linealmente independiente.
DEMOSTRACI

ON. Ejercicio.
TEOREMA 6.17. Sea A M
nn
(R) y
i
un valor propio de A. Entonces
1 multiplicidad geometrica de
i
= m
g
(A) m
a
(A) = multiplicidad algebraica de
i
.
DEMOSTRACI

ON. Ejercicio.
Observacion.
Si es raz simple entonces existe a lo mas un vector propio.
Si es raz doble entonces existen 1 o 2 vectores propios.
6.9. Valores propios de algunas matrices especiales
TEOREMA 6.18. Los valores propios de una matriz simetrica son reales.
DEMOSTRACI

ON. Ejercicio.
TEOREMA 6.19. Sean U M
nn
(R) ortogonal y es un valor propio de U. Entonces [[ = 1.
DEMOSTRACI

ON. Sea x un vector propio de U asociado al valor propio , entonces

|x|
2
= |Ux|
2
= |x|
2
= [[|x|
2
Luego [[ = 1.
TEOREMA 6.20. Sea U M
nn
(R) ortogonal. Entonces [ det(U)[ = 1.
DEMOSTRACI

ON. Si
1
,...,
n
son los valores propios de U (algunos
i
pueden ser iguales),
entonces por Teorema 6.11,det(U) =
1

n
y como [
i
[ = 1 para i = 1, ..., n, entonces
[ det(U)[ = [
1

n
[ = [
1
[ [
n
[ = 1 1 = 1.

TEOREMA 6.21. Sea A M

nn
(R) es tal que AA
T
= A
T
A, entonces para todo valor propio
de A, se tiene que E
A
() = E
A
T ().
DEMOSTRACI

ON. Ejercicio.
TEOREMA 6.22. Sean A M
nn
(R) es tal que AA
T
= A
T
A y
i
,
j
valores propios distintos
de A. Entonces E
A
(
i
)E
A
(
j
).
DEMOSTRACI

ON. Ejercicio.
email [email protected] 289 o
_

v o o
_
s z 290
6.10. Semejanza de Matrices
DEFINICI

ON 6.8. Sean A, B M
nn
(R). Decimos que A es semejante a B, si existe P
M
nn
(R) invertible tal que A = P
1
BP.
TEOREMA 6.23 (Lema de Schur). Toda matriz A M
nn
(R) es semejante a una matriz
triangular superior.
DEMOSTRACI

ON. Ejercicio.
TEOREMA 6.24. Sean A, B M
nn
(R). Si A y B son semejantes, entonces A y B tienen
el mismo polinomio caracterstico, y por consiguiente los mismos valores propios con las mismas
multiplicicades algebraicas respectivas, el mismo determinante y la misma traza.
DEMOSTRACI

ON. Como A y B son semejantes, existe P M

nn
(R) invertible tal que A =
P
1
BP, luego
P
A
(x) = det(xI
n
A) = det(xI
n
P
1
BP)
= det(P
1
xI
n
P P
1
BP) = det(P
1
(xI
n
B)P)
= det(P
1
) det(xI
n
B) det(P) = det(xI
n
B) = P
B
(x).
Por ser P
A
(x) = P
B
(x), ambos polinomios tienen iguales todos sus terminos. En particular, tienen
iguales los terminos independientes. Es decir, [A[ = [B[.
Analogamente, igualando los terminos de grado n1 de los polinomios P
A
(x) y P
B
(x), se obtiene
que tr(A) = tr(B).
Observacion.- El recproco de la proposicion anterior no es cierto; es decir, dos matrices A y A

pueden tener el mismo polinomio caracterstico sin ser semejantes. Esto ocurre, por ejemplo, con
las matrices:
A =
_
0 0
0 0
_
, A

=
_
0 1
0 0
_
En efecto: P
A
() =

0
0

=
2
y, tambien P
A
() =

1
0

=
2
. A es diagonalizable
(es semejante a si misma que es diagonal). En cambio, A

no es diagonalizable ya que dimV

0
=
1 ,= 2 =orden de multiplicidad de = 0 como raz de P
A
(). Demostremos que efectivamente
V
0
esta engendrado por un unico vector u = (1, 0). Un vector u = (x, y) V
0
si y solo si
_
0 1
0 0
__
x
y
_
=
_
0
0
_
. Es decir, si y solo si y = 0. Luego, V
0
= (x, 0) : x R =
_
(1, 0)
_
.
TEOREMA 6.25. Sean A, B M
nn
(R) semejantes con A = P
1
BP. Entonces para todo
(A) se tiene que E
B
() = Px : x E
A
().
DEMOSTRACI

ON. Ejercicio.
email [email protected] 290 o
_

v o o
_
s z 291
TEOREMA 6.26. Sean A, B M
nn
(R) semejantes, entonces para todo (A) se tiene que
dim(E
A
()) = dim(E
B
()).
DEMOSTRACI

ON. Ejercicio.
6.11. Matrices diagonalizables
A la matriz diagonal de orden n cuyos elementos de la diagonal principal son
1
,
2
,...,
n
la
denotaremos por
diag(
1
,
2
, ...,
n
) =
_
_
_
_
_

1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . .
n
_
_
_
_
_
Los valores propios de diag(
1
,
2
, ...,
n
) son
1
,
2
,...,
n
.
DEFINICI

ON 6.9 (Diagonalizable). Una matriz A M

nn
(R) es diagonalizable si es seme-
jante a una matriz diagonal. Es decir, una matriz cuadrada A es diagonalizable si existen matrices
D digonal y P invertible tales que: A = PDP
1
EJEMPLO 6.17. La matriz A =
_
_
3 1 0
1 2 1
0 1 3
_
_
es diagonalizable, ya que la matriz P =
_
_
1 1 1
2 0 1
1 1 1
_
_
es invertible y
P
1
AP =
_
_
1/6 2/6 1/6
3/6 0/6 3/6
2/6 2/6 2/6
_
_
_
_
3 1 0
1 2 1
0 1 3
_
_
_
_
1 1 1
2 0 1
1 1 1
_
_
= diag(1, 3, 4).
LEMA 6.1. Sea A M
nn
(R) diagonalizable, con A = PDP
1
, D = diag(
1
,
2
, ...,
n
), entonces
los valores propios de A son
1
,
2
,...,
n
.
TEOREMA 6.27. Sea A M
nn
(R) y sean
1
,
2
,...,
r
R los autovalores de A de multipli-
cidades algebraicas m
a
(
1
), m
a
(
2
),...,m
a
(
r
). Entonces A es diagonalizable si y solo si:
i) m
a
(
1
) +m
a
(
2
) + +m
a
(
r
) = n (todas las races de p
A
() son reales).
ii) Para cada autovalor
i
se tiene que m
g
(
i
) = m
a
(
i
).
DEMOSTRACI

ON. Ejercicio.
TEOREMA 6.28. Sea A M
nn
(R).
email [email protected] 291 o
_

v o o
_
s z 292
i) Si A tiene n valores propios distintos, entonces A es diagonalizable.
ii) Si A es diagonalizable con autovalores
1
,
2
,...,
r
, entonces se tiene la suma directa R
n
=
E
A
(
1
) E
A
(
r
) y E
A
(
i
)

j=i
E
A
(
j
)
_
para todo i 1, ..., r.
DEMOSTRACI

ON. Ejercicio.
Algoritmo para diagonalizar una matriz A
x Calculo de los valores propios de la matriz A:
1
,
2
,...,
p
comprobando si todos pertenecen
al cuerpo K.
y Obtencion de la dimension de los subespacios propios asociados a los valores propios con
ordenes de multiplicidad mayor que uno, observando si coinciden las dimensiones con los
ordenes de multiplicidad respectivos.
z Determinacion de sendas bases B
1
, B
2
,...,B
p
para los subespacios propios V
1
, V
2
,...,V
p
.
{ Construccion de la base de autovectores: B = B
1
B
2
B
p
.
| La matriz P que tiene por columnas a los vectores de B, permite la diagonalizacion de A:
D = P
1
AP. La matriz diagonal D tiene en la diagonal principal a los valores propios, en el
mismo orden que sus vectores propios correspondientes en la base B y repitiendose p
j
veces
cada
j
, j = 1, ..., p
EJEMPLO 6.18. Diagonalizar, si es posible, la siguiente matriz
A =
_
_
1 3 3
3 5 3
3 3 1
_
_
SOLUCI

ON.- El algoritmo sigue los siguientes pasos:

Paso I: Encontrar los valores propios de A.
Resolvemos la ecuacion caracterstica, det(A I) = 0. Esta ecuacion contiene un polinomio de
grado n en .
El determinante de (A I) es en este ejemplo
det
_
_
1 3 3
3 5 3
3 3 1
_
_
= ( 1)( + 2)
2
y por tanto tenemos como valores propios = 1 y = 2 (doble).
CUIDADO! Si hay n autovalores distintos la matriz es diagonalizable. En caso contrario (como
en el ejemplo) no podemos armar si es diagonalizable o no.
email [email protected] 292 o
_

v o o
_
s z 293
Paso II: Encontrar los vectores propios asociados a los valores propios.
Este es el paso crtico. Necesitamos n vectores propios linealmente independientes para que la
matriz sea diagonalizable. Para encontrar los vectores propios tenemos que encontrar una base
de N(A I) para cada uno de los valores propios. Los vectores que formen esas bases seran
los vectores propios asociados a A. Cada valor propio tiene como maximo tantos vectores propios
asociados como multiplicidad tenga como raz de la ecuaci on caracterstica.
En nuestro caso, A sera diagonalizable si tiene tres vectores propios linealmente independientes.
= 1: Calculamos una base para N(A I):
(AI) =
_
_
0 3 3
3 6 3
3 3 0
_
_

_
_
3 6 3
0 3 3
0 3 3
_
_

_
_
1 2 1
0 1 1
0 0 0
_
_
Por tanto la dimension de N(AI) es 1 y una base para este espacio es v
1
=
_
_
1
1
1
_
_
.
= 2: Calculamos una base para N(A+ 2I):
(A + 2I) =
_
_
3 3 3
3 3 3
3 3 3
_
_

_
_
1 1 1
0 0 0
0 0 0
_
_
La dimension de N(A+ 2I) es 2 (hay dos variables linealmente independientes) y una base
para este espacio es
v
2
=
_
_
1
1
0
_
_
, v
3
=
_
_
1
0
1
_
_
.
Hay tres vectores propios linealmente independientes entonces la matriz A es diagonalizable
Paso III: Escribir A = PDP
1
.
La matriz D es diagonal, tiene los valores propios colocados en la diagonal y 0 en el resto. Cada
valor propio aparece tantas veces como sea su multiplicidad. El orden en que se colocan los valores
propios no importa, determina el orden en el que hay que colocar los vectores propios en P. La
columna en la que este situado un valor propio en D tiene que corresponder a la columna en la
que este el vector propio asociado en P.
Formamos las matrices D y P con los datos del ejemplo:
D =
_
_
1 0 0
0 2 0
0 0 2
_
_
, P = (v
1
[v
2
[v
3
) =
_
_
1 1 1
1 1 0
1 0 1
_
_
.
Conviene comprobar que A = PDP
1
(si las cuentas estan bien hechas, P tiene columnas lineal-
mente independientes y por tanto es invertible).
email [email protected] 293 o
_

v o o
_
s z 294
EJEMPLO 6.19. El polinomio caracteristico de la matriz A =
_
1 0
1 1
_
, es
p
A
() = (1 )
2
Los valores propios de A son, por tanto, las races de este polinomio: (1 )
2
= 0, as = 1 es
una raz doble. Los vectores propios de A son las soluciones no triviales del sistema homogeneo:
(AI)v = 0,
_
0 0
1 0
__
x
y
_
=
_
0
0
_
, x = 0
Consecuentemente, los vectores propios de A son los vectores de la forma (0, y) para cualquier
escalar no nulo y R.
Ahora bien, puesto que A posee un unico valor propio = 1 que es raz doble de su polinomio
caracterstico, es decir, su orden de multiplicidad es 2. El subespacio propio asociado es V
1
=
(0, y) : y R, vericandose, por tanto que dimV
1
= 1 ,= 2. Al no coincidir la dimension de
V
1
con el orden de multiplicidad de = 1 como raz del polinomio caracterstico, concluimos,
mediante este procedimiento, que A no es diagonalizable.

EJEMPLO 6.20. Sea la matriz A =

_
_
7 0 0
0 2 4
0 6 0
_
_
.
SOLUCI

ON.- Sus valores propios son las races de su polinomio caracterstico:

p
A
() = [AI[ =

7 0 0
0 2 4
0 6

= ( 7)( + 6)(4 ) = 0,

1
= 7,
2
= 6,
3
= 4
A es diagonalizable por poseer tres valores propios reales y distintos entre si. Los vectores propios
asociados a
1
= 7 son las soluciones no triviales del sistema homogeneo:
(A7I)v = 0,
_
_
0 0 0
0 9 4
0 6 7
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
,
_
9y + 4z = 0
6y 7z = 0
,
_
_
_
x =
y = 0
z = 0
Luego, V
7
= (, 0, 0) : R =
_
u
1
= (1, 0, 0)
_
. Observemos que dimV
7
= 1, como ya
esperabamos por ser
1
= 7 un valor propio simple de A.
Procedemos de igual modo para el calculo de los vectores propios asociados a
2
= 6:
(A + 6I)v = 0,
_
_
13 0 0
0 4 4
0 6 6
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
,
_
13x = 0
y +z = 0
,
_
_
_
x = 0
y =
z =
email [email protected] 294 o
_

v o o
_
s z 295
Por tanto, V
6
= (0, , ) : R =
_
u
2
= (0, 1, 1)
_
, tambien de dimension uno.
De manera analoga se obtiene que V
4
= (0, 2, 3) : R =
_
u
3
= (0, 2, 3)
_
.
La matriz A es, en consecuencia, semejante a la matriz diagonal D =
_
_
7 0 0
0 6 0
0 0 4
_
_
, y la relacion
entre ambas matrices es: D = P
1
AP siendo P la matriz que permite la diagonalizacion y que
tiene por columnas a sendos vectores propios asociados a cada uno de los tres valores propios de
A: P =
_
_
1 0 0
0 1 2
0 1 3
_
_
.
Si hicieramos la interpretacion de A como la matriz asociada al endomorsmo T de R
3
tal que
T(x) = Ax, x R
3
, de los calculos anteriores deduciramos que T es una transformacion lineal
diagonalizable y que D = [T]
B
, siendo B la base de R
3
formada por vectores propios de T:
B =
_
u
1
= (1, 0, 0), u
2
= (0, 1, 1), u
3
= (0, 2, 3)
_

EJEMPLO 6.21. Sea la matriz A =
_
_
7 0 0
0 2 4
0 6 0
_
_
.
SOLUCI

ON.- Sus valores propios son las races de su polinomio caracterstico:

p
A
() = [AI[ =

1 2 3
1 2 3
1 2 3

=
2
(6 ) = 0,
1
= 6,
2
= 0, raz doble
Los vectores propios asociados al valor propio
2
= 0, son las soluciones no triviales del sistema
homogeneo:
(A0I)v = 0,
_
_
1 2 3
1 2 3
1 2 3
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
,
_
x + 2y + 3z = 0 ,
_
_
_
x = 2 3
y =
z =
Luego, V
0
= (2 3, , ) : , R =
_
v
2
= (2, 1, 0), v
3
= (3, 0, 1)
_
.
Como dimV
0
= 2 =orden de multiplicidad del valor propio 0 como raz del polinomio caracterstico,
deducimos que A es una matriz diagonalizable.
La matriz A es semejante a la matriz D =
_
_
6 0 0
0 0 0
0 0 0
_
_
. Para obtener la relacion existente entre
ambas matrices A y D, necesitamos calcular el subespacio propio asociado al valor propio
1
= 6,
cuya dimension conocemos (dimV
6
= 1) por ser 6 una raz simple de p
A
().
email [email protected] 295 o
_

v o o
_
s z 296
Los vectores propios asociados al valor propio
1
= 6, son las soluciones no triviales del sistema
homogeneo:
(A 6I)v = 0,
_
_
5 2 3
1 4 3
1 2 3
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
,
_
x 4y + 3z = 0
x + 2y 3z = 0
,
_
_
_
x =
y =
z =
Luego, V
6
= (, , ) : R =
_
v
1
= (1, 1, 1)
_
.
Con una notacion similar a la utilizada en la teora que sustenta este ejemplo, una base de V
6
es
B
1
=
_
v
1
= (1, 0, 0)
_
y una base de V
0
es B
2
=
_
u
2
= (2, 1, 0), v
3
= (3, 0, 1)
_
. As, una base de
vectores propios de R
3
(cuya existencia es condicion necesaria y suciente para la diagonalizacion
de la matriz A) es:
B = B
1
B
2
=
_
v
1
= (1, 0, 0), u
2
= (2, 1, 0), v
3
= (3, 0, 1)
_
Ya puede escribirse la relacion entre las matrices A y D: D = P
1
AP siendo la matriz que permite
la diagonalizacion P =
_
_
1 2 3
1 1 0
1 0 1
_
_
.

EJEMPLO 6.22. Demostrar que la matriz

A =
_

_
1 1 1
1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1
_

_
es diagonalizable.
SOLUCI

ON.- Vamos a demostrar que los unicos valores propios de A son n y 0, ademas veremos
que dim(E (n)) = 1 y que dim(E (0)) = n1. El resultado es entonces consecuencia del Teoream
.
Notese que en efecto A(1, ..., 1)
T
= n. (1, ..., 1)
T
. Ademas, sea (x
1
, ..., x
n
)
T
E (n), entonces
A(x
1
, ..., x
n
)
T
= n. (x
1
, ..., x
n
)
T
, es decir, x
1
+ + x
n
= nx
1
, ..., x
1
+ + x
n
= nx
n
, o sea que,
nx
1
= = nx
n
, lo cual implica que x
1
= = x
n
, es decir, (x
1
, ..., x
n
)
T
es m ultiplo de (1, ..., 1)
T
.
Veamos ahora los vectores propios de 0: notese que 0 es valor propio con vector propio (0, 0...., 1, 1)
T
.
Sea (x
1
, ..., x
n
)
T
E (0), entonces A(x
1
, ..., x
n
)
T
= 0, es decir, se obtiene la unica ecuacion
x
1
+ +x
n
= 0, la cual evidentemente se satisface por todas las n-plas de la forma
(x
1
, ..., x
n1
, x
1
x
2
x
n1
)
T
.
La dimension de este espacio es claramente n 1.
email [email protected] 296 o
_

v o o
_
s z 297
TEOREMA 6.29. Sea A M
nn
(R) con valores propios
1
,
2
,...,
n
, entonces los valores
propios de A
k
son
k
1
,
k
2
,...,
k
n
. Cada vector propio de A sigue siendo vector propio de A
k
, y si P
diagonaliza a A, entonces P tambien diagonaliza a A
k
.
DEMOSTRACI

ON. Supongamos que A es una matriz diagonalizable semejante a la matriz

diagonal D = P
1
AP, para una cierta matriz inversible P, entonces debemos demostrar que:
A
k
= PD
k
P
1
para cualquier numero natural k.
Utilizamos el metodo de induccion completa en la demostracion. Para k = 2:
A
2
= (PDP
1
)(PDP
1
) = PD
2
P
1
.
Supongamos la igualdad cierta para k 1 y probemosla para k:
A
k
= AA
k1
= (PDP
1
)(PD
k1
P
1
) = PD
k
P
1
.
Si A es inversible, entonces = 0 no es valor propio de A, por consiguiente existe D
1
y sera
A
1
=
_
PDP
1
_
1
= PD
1
P
1
De nuevo por induccion se demostrara para cualquier numero entero k.
Observacion Para obtener D
k
simplemente se elevan los elementos de la diagonal principal de D
a la k-esima potencia y entonces, utilizando la proposicion anterior, es facil y rapido calcular A
k
a partir de P y D.
EJEMPLO 6.23. Calcular A
5
, siendo A =
_
_
1 2 3
1 2 3
1 2 3
_
_
SOLUCI

ON.- Seg un se demostro en el ejemplo 3.13, A es diagonalizable y se verica que D =

P
1
AP para
D =
_
_
6 0 0
0 0 0
0 0 0
_
_
, P =
_
_
1 2 3
1 1 0
1 0 1
_
_
Entonces,
A
5
= PD
5
P
1
=
_
_
1 2 3
1 1 0
1 0 1
_
_
_
_
6
5
0 0
0 0 0
0 0 0
_
_
_
_
_
_
_
_
_
_
1
6
1
3
1
2

1
6
2
3

1
2

1
6

1
3
1
2
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
6
4
6
5
3
6
5
2
6
4
6
5
3
6
5
2
6
4
6
5
3
6
5
2
_
_
_
_
_
_
_
_
_
.

email [email protected] 297 o

_

v o o
_
s z 298
6.12. Valores y Vectores Propios de una Transformacion
El texto lamentablemente solo habla de valores propios de una matriz y de su uso para obtener
matrices similares en forma diagonal. El concepto de valor y vector propio es mas profundo que esto
y nosotros veremos desde otra perspectiva lo que esta presentado en su libro. Primero deniremos
que es un valor y vector propio de una transformacion y luego lo restringiremos a matrices. Luego
veremos que signica diagonalizar y nalmente algunas aplicaciones importantes de este tema.
DEFINICI

ON 6.10. Sea T : V V, una transformacion lineal, si existe un valor y un

elemento v V, v ,= 0 de forma que
Tv = v
se dice que es valor propio de T y que v es el vector propio correspondiente.
Observacion: v = 0 siempre es solucion de Tv = v, pero vamos a buscar otras soluciones no
triviales.
EJEMPLO 6.24. Para la transformacion lineal T : R
2
R
2
denida por T(x, y) = (2x, 3y),
a = 2 es un valor propio con vector propio (6, 0); a = 3 es tambien un valor propio de T con vector
propio (0, 2).

DEFINICI

ON 6.11. Sea T : V V una transformacion lineal y a K , el conjunto E(a) =

v V [ T(v) = a . v es un subespacio de V ; notese que E(a) ,= 0 si y solo si a es un valor
propio de T, en tal caso E(a) se denomina el espacio propio de T correspondiente al valor propio
a.
EJEMPLO 6.25. Existen transformaciones lineales sin valores propios, es decir, E(a) = 0 , para
cada a K. En efecto, la transformacion T : R
2
R
2
denida por T(x, y) = (y, x) no tiene
valores propios.

EJEMPLO 6.26. Sea D : C

1
C
0
la operacion derivada sobre el conjunto de funciones difer-
enciables, encontramos los valores propios escribiendo la ecuacion correspondiente
Df = f
Esta es una ecuacion diferencial que podemos resolver por variables separables:y

= y, Exact
solution is : y (x) = e
x
C
1
y

= y
y (x) = e
x
C
1
Aqui vemos que puede ser cualquier valor real y que f el valor propio correspondiente debe ser
de la forma f (x) = e
x
C
1
. Observamos que la derivada tiene un numero innito de valores propios
y que para cada valor propio hay un numero innito de vectores propios asociados. Sin embargo
la dimension del espacio de vectores propios asociados con el valor propio , es E

= f/f (x) =
e
x
C
1
tiene dimension 1.
email [email protected] 298 o
_

v o o
_
s z 299

Ahora vamos a suponer que la dimension del espacio V es nita:

El problema de encontrar valores propios se puede plantear de la siguiente manera:
Tv = v
Tv v = 0
Si A es la matriz que representa a T entonces podemos reescribir esta ultima igualdad como:
Av v = 0
(A
i
)v = 0
Esto es un sistema de ecuaciones homogeneo, el cual siempre tiene como solucion trivial v = 0.
Esta solucion no nos interesa. Para que un sistema no homogeneo tenga una solucion no trivial
(es decir la solucion no sea unica) debe suceder que:
det(A
i
) = 0
Esta ultima igualdad resulta en un polinomio de grado n donde n es el orden de la matriz. Por
tanto poderemos encontrar n raices complejas de este polinomio. A este polinomio se le llama
polinomio carateristico. En conclusion si V tiene dimension nita, T tiene una matriz A que le
representa, para encontrar los valores propios de T resolvemos el polinomio carateristico asociado
a A.
No entendieron nada? Miren el siguiente ejemplo antes de gritar auxilio o tirar la computadora
por la ventana.
EJEMPLO 6.27. Sea T : R
2
R
2
, tal que T (x, y) = (x + 2y, x) , para encontrar los valores
propios de T procedemos a encontrar la matriz que representa a T respecto a la base canonica:
T (i) = (1, 1)
T (j) = (2, 0)
Por tanto
A =
_
1 2
1 0
_
Ahora encontramos el polinomio caracteristico de A utilizando la igualdad det(A
i
) = 0

_
1 2
1 0
_

_
1 0
0 1
_

1 2
1

= +
2
2
Igualamos el polinomio caracteristico +
2
2 = 0, = 1 , = 2 y obtenemos las solu-
ciones = 1 , = 2 . Por tanto T tiene dos valores propios
1
= 1,
2
= 2. Para encontrar
email [email protected] 299 o
_

v o o
_
s z 300
los vectores propios regresamos a la denicion de vector propio, poniendo v = (x, y):
Tv v = 0
(A
i
)v = 0
_
1 2
1
__
x
y
_
=
_
0
0
_
Este es el sistema de ecuaciones reemplazando
1
= 1 tenemos:
_
2 2
1 1
__
x
y
_
=
_
0
0
_
_
2x + 2y = 0
x +y = 0
De este sistema claramente obtenemos que y = x. Por tanto el espacio de vectores asociado a

1
= 1 es
E

1
=
_
x
x
_
/x R
Una base para este conjunto es el vector v
1
= (1, 1) .
Ahora encontramos el espacio del valor propio
2
= 2, de la misma manera:
_
1 2 2
1 2
__
x
y
_
=
_
0
0
_
_
1 2
1 2
__
x
y
_
=
_
0
0
_
De aqui obtenemos que x = 2y y por tanto
E

2
=
__
2y
y
_
/y R
_
Una base para este espacio es el vector v
2
= (2, 1) .
OBSERVACI

ON : Podemos notar que B = v

1
, v
2
es una base para R
2
y que la la matriz que
representa a T respecto a esta base es la matriz diagonal:
_
1 0
0 2
_
Demuestre que esta matriz es la matriz que representa a T en la base B.

TEOREMA 6.30. Sea T : V V una transformacion lineal de un espacio V . Sean a

1
, . . . , a
r
valores propios diferentes con vectores propios v
1
, . . . , v
r
, respectivamente. Entonces v
1
, . . . , v
r
son LI. En particular, si V es de dimension nita n 1, entonces T tiene a lo sumo n valores
propios diferentes. Si T tiene exactamente n valores propios diferentes, entonces v
1
, . . . , v
n
es
una base de V .
El recproco de la proposicion anterior no es siempre cierto, por ejemplo, si T = I
V
,cualquier base
de V pertenece a 1, que es el unico valor propio de I
V
.
email [email protected] 300 o
_

CAP

ITULO 7
Formas canonicas elementales
7.1. Introduccion
Se enuncia sin demostracion el resultado referente a la existencia de la forma canonica de Jordan
para matrices cuadradas de terminos complejos. Se detalla, con ejemplos resueltos, el calculo de
la forma canonica y de la matriz de cambio de base de Jordan para matrices diagonalizables nn
y para matrices cualesquiera 2 2, 3 3 y 4 4.
7.2. Multiplicidad algebraica y geometrica.
Sea A una matriz cuadrada n n con terminos complejos. Sea v un vector de C
n
: v =
_
_
_
x
1
.
.
.
x
n
_
_
_
.
DEFINICI

ON 7.1. v es vector propio de A con valor propio si v ,= 0 y Av = v.

Se supone conocido por el lector el metodo para hallar los valores propios y vectores propios de
A, y los siguientes resultados:
x es valor propio de A si y solo si det(A I) = 0. El determinanate de la matriz A I
es un polinomio de grado n en , llamado polinomio caracterstico de A. Sus races son los
valores propios de A.
301
v o o
_
s z 302
y En el campo complejo
det(AI) = (
1
)
m
1
(
2
)
m
2
(
k
)
m
k
donde
1
,
2
,...,
k
son las k races diferentes del polinomio caractstico, y m
1
, m
2
,...,m
k
son
sus multiplicidades respectivas. Se tiene m
1
+m
2
+ +m
k
= n.
z Se llama subespacio propio de valor propio
i
al subespacio E(
i
) = ker(A
i
I) formado
por todos los vectores v tales que (A
i
I)v = 0. Es decir, E(
i
) esta formado por el vector
nulo y todos los vectores propios de valor propio
i
. Es un subespacio de dimension r
i
con
1 r
i
m
i
. El subespacio E(
i
) se obtiene resolviendo el sistema lineal homogeneo
(A
i
I)
_
_
_
x
1
.
.
.
x
n
_
_
_
=
_
_
_
0
.
.
.
0
_
_
_
que es siempre compatible e indeterminado con r
i
grados de libertad.
{ Eligiendo r
i
vectores linealmente independientes que veriquen el sistema anterior, se ten-
dra una base del subespacio propio E(
i
) (formada por r
i
vectores propios de A, todos con
el mismo valor propio
i
).
DEFINICI

ON 7.2. Al n umero m
i
, multiplicidad de la raz
i
en el polinomio caracterstico de
A, se le llama multiplicidad algebraica de
i
. Al n umero r
i
, dimension del subespacio propio E(
i
)
de valor propio
i
, igual a la cantidad de grados de libertad del sistema compatible indeterminado
(A
i
I)v = 0, se le llama multiplicidad geometrica de
i
.
TEOREMA 7.1. Para cada valor propio
i
se cumple: 1 r
i
m
i
7.3. Matrices diagonalizables
DEFINICI

ON 7.3. Una matriz cuadrada A, n n, se dice diagonalizable si existe una base de

C
n
(es decir n vectores linealmente independientes) formada exclusivamente con vectores propios
de A.
Es inmediato que A es diagonalizable si y solo si la union de bases de sus subespacios propios es
una base de C
n
, es decir, si y solo si r
1
+r
2
+ +r
k
= n.
El nombre diagonalizable proviene del hecho que estas matrices tienen forma canonica de Jordan
que es una matriz diagonal, como se vera mas adelante.
Observese que si A es diagonal,es decir si todos sus terminos fuera de la diagonal principal son
nulos, entonces la base canonica esta formada por vectores propios de A, y resulta, por denicion
que A es diagonalizable. En el ejemplo 7.2 veremos una matriz diagonalizable que no es diagonal.
email [email protected] 302 o
_

v o o
_
s z 303
TEOREMA 7.2. A es diagonalizable si y solo si r
i
= m
i
para todo valor propio
i
de A.
DEMOSTRACI

ON. A es diagonalizable si y solo si r

1
+r
2
+ +r
k
= n. Como siempre r
i
m
i
y m
1
+m
2
+ +m
k
= n, lo anterior se cumple si y solo si r
i
= m
i
.
COROLARIO 7.1. Si m
i
= 1 para todo valor propio
i
(o sea, si hay exactamente n races
diferentes del polinomio caracterstico), entonces A es diagonalizable.
DEMOSTRACI

ON. Si m
i
= 1, como 1 r
i
m
i
, se tiene r
i
= 1, y entonces r
i
= m
i
aplicandose
el teorema anterior.
El recproco del corolario es falso, como lo muestra el ejemplo que sigue:
EJEMPLO 7.1. A =
_
4 0
0 4
_
es diagonalizable porque es diagonal. Tiene un solo valor propio

1
= 4 con m
1
= 2 y r
1
= 2.

EJEMPLO 7.2.
A =
_
4 2
1 1
_
, det(AI) =

4 2
1 1

=
2
5 + 6 = 0,
1
= 3,
2
= 2
A es 2 2 y tiene dos valores propios diferentes, entonces es diagonalizable . En este caso m
1
= 1
m
2
= 1 (multiplicidades algebraicas). Entonces r
1
= 1 r
2
= 1 (multiplicidades geometricas).
Hallemos una base de C
2
formada por vectores propios de A.
Para
1
= 3:
(A3I)v = 0,
_
(4 3)x
1
2x
2
= 0
x
1
+ (1 3)x
2
= 0
, x
1
= 2x
2
.
Un grado de libertad, entonces r
1
= 1. Eligiendo, por ejemplo x
2
= 1, se tiene una base de
E(3) (subespacio propio de valor propio 3), formada por el vector v
1
=
_
2
1
_
Para
2
= 2:
(A 2I)v = 0,
_
(4 2)x
1
2x
2
= 0
x
1
+ (1 2)x
2
= 0
, x
1
= x
2
.
Un grado de libertad r
2
= 1. Eligiendo, por ejemplo x
2
= 1, se tiene una base de E(2)
(subespacio propio de valor propio 2), formada por el vector v
2
=
_
1
1
_
v
1
y v
2
son linealmente independientes, y forman una base de C
2
integrada con vectores propios
de A.

email [email protected] 303 o

_

v o o
_
s z 304
7.4. Forma canonica de Jordan
Estudiaremos el caso cuando la matriz resulta no diagonalizable, que por teorema se tiene para
r
i
< m
i
, esto es, cuando se obtienen menos vectores propios que la multiplicidad de
i
. En este
caso, si deseamos calcular la forma de jordan, necesitamos obtener de alguna manera m
i
r
i
vectores. A estos vectores que necesitamos, se denominan vectores propios generalizados.
Dado un vector propio v, Av =
i
v, el vector propio generalizado v
1
se obtiene resolviendo el
sistema
(A
i
)v
1
= v
Si para completar el espacio necesitamos otro vector generalizado v
2
, es posible obtenerlo resolvien-
do el sistema
(A
i
)v
2
= v
1
y as sucesivamente.
Los vectores v
1
, v
2
,...,v
s
as obtenidos forman una cadena, que llamaremos la cadena de Jordan de
largo s asociada al vector propio v.
Supongamos que tenemos una matriz A tiene un valor propio
1
de multiplicidad algebraica 5
m
1
= 5 y multiplicidad geometrica 3 r
1
= 3 (esto es, tenemos 3 vectores propios u, v y w aso-
ciados a
1
). Luego, tenemos que obtener los 2 vectores restantes (vectores propios generalizados).
Dichos vectores pueden ser obtenidos con solo uno de estos esquemas:
_

_
Au =
1
u
Au
1
=
1
u
1
+u
Av =
1
v
Av
1
=
1
v
1
+v
Aw =
1
w
_

_
Au =
1
u
Au
1
=
1
u
1
+u
Av =
1
v
Aw =
1
w
Aw
1
=
1
w
1
+w
_

_
Au =
1
u
Av =
1
v
Av
1
=
1
v
1
+v
Aw =
1
w
Aw
1
=
1
w
1
+w
_

_
Au =
1
u
Au
1
=
1
u
1
+u
Au
2
=
1
u
2
+u
1
Av =
1
v
Aw =
1
w
_

_
Au =
1
u
Av =
1
v
Av
1
=
1
v
1
+v
Av
2
=
1
v
2
+v
1
Aw =
1
w
_

_
Au =
1
u
Av =
1
v
Aw =
1
w
Aw
1
=
1
w
1
+w
Aw
2
=
1
w
2
+w
1
Con estos conceptos, procedemos a estudiar la forma que tendra la matriz de Jordan, la cual va a
depender del n umero de cadenas que se necesiten formar para completar los vectores necesarios.
Pasamos ahora a denir las celdas, bloques y matrices de Jordan. Sea K un cuerpo cualquiera y

1
un elemento de K, la matriz
email [email protected] 304 o
_

v o o
_
s z 305
J

1
,k
=
_

1
1 0 0
0
1
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 1
0 0 0
1
_

_
kk
de orden k 1 se denomina celda o bloque elemental de Jordan de orden k correspondiente al
elemento
1
. El caso k = 1 debe entenderse como la matriz [
1
] de tama no 1 1.
DEFINICI

ON 7.4 (Celda de Jordan). La celda de Jordan de tama no k k y valor propio

1
es la matriz cuadrada k k que tiene
el n umero
1
en la diagonal principal
el n umero 1 en la supradiagonal principal
el n umero 0 en los restantes terminos
EJEMPLO 7.3. La celda de Jordan de tama no 3 3 y valor propio 5 es
_
_
5 1 0
0 5 1
0 0 5
_
_
. La celda
de Jordan de tama no 2 2 y valor propio 4 es
_
4 1
0 4
_
. La celda de Jordan de tama no 1 1
y valor propio 8 es [8]

LEMA 7.1.
1
es el unico valor propio del bloque de Jordan de tama no k k y valor propio
1
,
con multiplicidad algebraica k y con multiplicidad geometrica 1.
DEMOSTRACI

ON.
Nota 7.1 En alguna bibliografa se dene celda de Jordan poniendo 1 en la subdiagonal principal,
en vez de hacerlo en la supradiagonal. La teora resulta similar a la que se expone aqu, pero el
calculo de las matrices de cambio de base que veremos mas adelante es diferente.
La matriz J

1
con m 1 celdas de Jordan, J

1
,k
1
, J

1
,k
2
, . . . , J

1
,km
de ordenes k
1
k
2
k
m
,
J

1
=
_

_
J

1
,k
1
0
.
.
.
.
.
.
.
.
.
0 J

1
,km
_

_
,
se denomina bloque de Jordan correspondiente al elemento
1
.
DEFINICI

ON 7.5 (Bloque de Jordan). Un bloque de Jordan de tama no mm y valor propio

1
es una matriz cuadrada mm formada por
email [email protected] 305 o
_

v o o
_
s z 306
una o mas celdas de Jordan de diversos o iguales tama nos, todos con el mismo valor propio

1
, ubicados diagonalmente (es decir, tales que la diagonal principal de cada bloque es parte
de la diagonal principal del suprabloque)
ceros en los restantes terminos del bloque.
EJEMPLO 7.4. Un suprabloque de Jordan de tama no 6 6 de valor propio 7, formado por tres
bloques de Jordan de tama nos 2 2, 3 3 y 1 1 respectivamente es:
_

_
7 1 0 0 0 0
0 7 0 0 0 0
0 0 7 1 0 0
0 0 0 7 1 0
0 0 0 0 7 0
0 0 0 0 0 7
_

_

Como ejercicio verifquese que
1
es el unico valor propio del suprabloque de Jordan de tama no
m m, con multiplicidad algebraica igual a m y multiplicidad geometrica igual a r que es la
cantidad de bloques de Jordan que forman el suprabloque.
Sean
1
, . . . ,
k
elementos diferentes pertenecientes al cuerpo K, k 1,la matriz
_

_
J

1
0
.
.
.
.
.
.
.
.
.
0 J

k
_

_
,
donde J

i
es un bloque de Jordan correspondiente al valor
i
se denomina matriz de Jordan
correspondiente a los elementos
1
, . . . ,
k
.
DEFINICI

ON 7.6 (Forma Canonica de Jordan). Una matriz cuadrada nn es una forma

canonica de Jordan si esta formada por
uno o mas bloques de Jordan, ubicados diagonalmente.
ceros en los restantes terminos de la matriz
EJEMPLO 7.5. Una forma canonica de Jordan con un suprabloque 2 2 formado por dos
bloques de valor propio 7, un suprabloque 3 3 formado por dos bloques de valor propio 0, y un
suprabloque 1 1 de valor propio 3, es:
_

_
7 0 0 0 0 0
0 7 0 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 0
0 0 0 0 0 3
_

_
email [email protected] 306 o
_

v o o
_
s z 307
Vease que en este ejemplo la matriz tiene valores propios
1
= 7 con multiplicidad algebraica 2 y
geometrica 2,
2
= 0 con multiplicidad algebraica 3 y geometrica 2, y
3
= 3 con multiplicidad
algebraica 1 y geometrica 1.

Es facil probar el siguiente teorema:

TEOREMA 7.3. Una forma canonica de Jordan tiene como valores propios a los n umeros de
la diagonal, con multiplicidad algebraica igual a la cantidad de veces en que esta repetido en la
diagonal (o sea igual al tama no del suprabloque respectivo), y multiplicidad geometrica igual a la
cantidad de bloques que forman el respectivo suprabloque.
Nota 7.2.- En particular la forma de Jordan es diagonal (es decir, todos sus terminos fuera de
la diagonal principal son nulos) si y solo si los bloques de Jordan tienen todos tama no 1 1, y
esto ocurre si y solo si la cantidad de bloques que forman cada suprabloque es igual al tama no
del suprabloque, o sea, la multiplicidad geometrica es igual a la algebraica para todo valor propio.
Usando el teorema 7.4 se concluye que una forma canonica de Jordan es diagonalizable si y solo
si es diagonal.
El teorema que sigue es el teorema fundamental de las formas canonicas de Jordan, y dice esen-
cialmente que toda matriz cuadrada, mediante un cambio de base, se puede llevar a una forma
canonica de Jordan:
TEOREMA 7.4 (Forma canonica de Jordan). Sea A una matriz cuadrada n n. Entonces
existe una matriz J que es una forma canonica de Jordan, y una matriz P invertible, ambas nn
con terminos complejos, tales que: A = PJP
1
DEFINICI

ON 7.7. La matriz J del teorema anterior se llama forma canonica de Jordan de A.

La matriz P se llama matriz de cambio de base de Jordan.
Nota 7.3.- La forma canonica de Jordan J y la matriz P de cambio de base de Jordan para la
matriz dada A no son unicas. En efecto, permutando los suprabloques de J, o los bloques dentro
de cada suprabloque, se obtiene otra forma canonica de Jordan para A. Se puede demostrar que
J es unica a menos de permutaciones de sus bloques.
El teorema que sigue permite, en muchos casos, calcular la forma canonica de Jordan de A,
mediante el calculo de los valores propios de A y de la dimension de sus subespacios propios.
TEOREMA 7.5. Sea A una matriz nn. Sean
1
,...,
k
sus valores propios diferentes, con mul-
tiplicidades algebraicas m
1
,...,m
k
y multiplicidades geometricas r
1
,...,r
k
respectivamente. Entonces
la forma canonica de Jordan de A tiene k bloques, cada uno de valor propio
i
, tama no m
i
m
i
,
y formado por r
i
celdas.
As
J =
_

_
J
m
1

1
0
.
.
.
.
.
.
.
.
.
0 J
m
k

k
_

_
nn
, J
m
i

i
=
_

_
J

i
,1
0 0
0 J

i
,2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 J

i
,r
i
_

_
m
i
m
i
email [email protected] 307 o
_

v o o
_
s z 308
donde para 1 r r
i
se tiene
J

i
,r
=
_

i
1 0 0
0
i
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 1
0 0 0
i
_

_
rr
Si P es la matriz que reduce A a su forma de Jordan, entonces sus m
1
primeras columnas satisfacen:
Av
1
=
1
v
1
, esto es v
1
es un autovector correspondiente a
1
Av
i
=
1
v
i
+v
i1
, i = 2, ..., m
1
Los vectores v
i
i = 2, ..., m
1
se llaman autovectores generalizados de A, y la sucesion v
i
,...,v
m
1
se dice que es una cadena de Jordan correspondiente a
1
. Naturalmente, cada bloque tiene su
cadena correspondiente.
EJEMPLO 7.6. Hallemos la forma canonica de Jordan de A =
_
_
_
_
1 0 0 0
1 1 0 2
0 0 4 0
0 0 0 1
_
_
_
_
SOLUCI

ON.- Los valores propios: det(A I) = ( 4)( + 1)

3
, entonces
1
= 4
2
= 1
con multiplicidades algebraicas respectivas m
1
= 1 y m
2
= 3. Entonces J va a estar formada por
dos bloques: uno de valor propio 4 y tama no 1 1, y otro de valor propio 1 y tama no 3 3.
Para determinar completamente la matriz J necesitamos saber cuantos celdas forman el bloque
de tama no 3 3, o sea la multiplicidad geometrica r
2
del valor propio 1. Para ello hallemos el
subespacio propio:
(A+I)
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
_
_
_
0
0
0
0
_
_
_
_
,
_
_
_
x
1
= 2x
4
x
3
= 0
x
2
, x
4
cualesquiera
r
2
= 2
Luego, el bloque 3 3 de valor propio 1, esta formado por dos celdas. Entonces estos dos celdas
tendran tama nos 11 y 22, ya que 1 y 2 son los unicos dos n umeros naturales mayores o iguales
que 1 que suman 3. Entonces:
J =
_

_
4 0 0 0
0 -1 0 0
0 0 -1 1
0 0 0 -1
_

_
=
_
_
_
_
4 0 0 0
0 1 0 0
0 0 1 1
0 0 0 1
_
_
_
_
a menos de una permutacion de sus bloques.
email [email protected] 308 o
_

v o o
_
s z 309
Nota 7.4.- Si la matriz dada A ya es una forma canonica de Jordan, es innecesario hacer calculos
para determinar J y P tales que A = PJP
1
. En efecto basta tomar J = A y P = I (I indica la
matriz identidad).
Las siguientes propiedades de la forma canonica de Jordan pueden deducirse en forma sencilla de
los resultados ya vistos. Demuestrense como ejercicio.
PROPOSICI

ON 7.1. Sea A una matriz n n.

La forma canonica de Jordan es diagonal si y solo si las multiplicidades geometricas son
iguales a las algebraicas para todo valor propio de A. (Usando el teorema 7.4 esto sucede si
y solo si A es diagonalizable).
Si A es diagonalizable entonces su forma canonica de Jordan es la matriz que tiene en la
diagonal los valores propios de A repetidos tantas veces como sus multiplicidades algebraicas,
y ceros en todos los demas terminos.
Si la matriz A es 2 2 y tiene un solo valor propio doble
1
con multiplicidad geometrica
igual a 1, entonces su forma canonica de Jordan es J =
_

1
1
0
1
_
DEMOSTRACI

ON.
Existen procedimientos, que no veremos en general, para encontrar una matriz P de cambio de
base de Jordan: es decir una matriz invertible P tal que A = PJP
1
.
EJEMPLO 7.7. En el ejemplo 3.11 verifquese que PJP
1
= A siendo:
P =
_
_
_
_
0 2 0 0
0 0 2 0
1 0 0 0
0 1 0 1
_
_
_
_
, P =
_
_
_
_
0 0 1 0
1/2 0 0 0
0 1/2 0 0
1/2 0 0 1
_
_
_
_
Luego P es una matriz de cambio de base de Jordan para A.

En las siguientes secciones veremos como hallar una matriz de cambio de base de Jordan cuando
la matriz A es diagonalizable n n, o cuando no es diagonalizable pero es 2 2.
7.5. Matrices de Jordan para matrices diagonalizables
Usaremos la siguiente notacion:
P = [v
1
, v
2
, , v
n
]
para la matriz nn formada colgando en sus columnas los vectores v
i
, es decir: la columna i-esima
de la matriz P es la columna formada con las componentes del vector v
i
de C
n
. Por ejemplo, si
v
1
=
_
2
1
_
y v
2
=
_
1
1
_
, entonces [v
1
, v
2
] indica la matriz
_
2 1
1 1
_
.
email [email protected] 309 o
_

v o o
_
s z 310
Los vectores v
1
, v
2
, ..., v
n
son linealmente independientes si y solo si la matriz [v
1
, v
2
, , v
n
]
tiene determinante no nulo.
TEOREMA 7.6 (Calculo de J y P cuando A es diagonalizable). Sea A, n n, diagonal-
izable. Sea v
1
, v
2
, ..., v
n
una base de C
n
formada con vectores propios de A, de valores propios
respectivos
1
,
2
,...,
n
(aqu cada valor propio esta repetido tantas veces como su multiplicidad
geometrica, que es igual a su multiplicidad algebraica, porque A es diagonalizable). Entonces la
forma canonica de Jordan de A es, a menos de permutaciones de su diagonal principal, la matriz
diagonal
J =
_

1
0 0 0
0
2
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n1
0
0 0 0
n
_

_
y una matriz de cambio de base de Jordan (es decir, una matriz invertible P tal que A = PJP
1
),
es
P = [v
1
, v
2
, , v
n
]
que se obtiene colgando en sus columnas los vectores propios de A (en el mismo orden en que se
escribieron los valores propios respectivos para formar la matriz J).
DEMOSTRACI

ON. En la proposicion 7.1,punto 2, ya se dedujo como es J. Siendo v

1
, v
2
, ..., v
n

linealmente independientes, el determinante de P es no nulo, y entonces P es invertible. Falta

probar que PJP
1
= A, o, lo que es lo mismo, que AP = PJ.
La primera columna de una matriz M, cuadrada n n es igual a M
_
_
_
_
_
1
0
.
.
.
0
_
_
_
_
_
. Probemos que las
primeras columnas de AP y de PJ son iguales:
AP
_
_
_
_
_
1
0
.
.
.
0
_
_
_
_
_
= Av
1
=
1
v
1
=
1
P
_
_
_
_
_
1
0
.
.
.
0
_
_
_
_
_
= P
1
_
_
_
_
_
1
0
.
.
.
0
_
_
_
_
_
= P
_
_
_
_
_

1
0
.
.
.
0
_
_
_
_
_
= PJ
_
_
_
_
_
1
0
.
.
.
0
_
_
_
_
_
Luego, las primeras columnas de AP y PJ son iguales. Analogamente se prueba que las columnas
j-esimas son iguales.
EJEMPLO 7.8. Sea la matriz A del ejemplo 7.2. Calculemos la forma canonica de Jordan y la
matriz de cambio de base de Jordan. A =
_
4 2
1 1
_
. Ya vimos en 7.2 que una base de vectores
email [email protected] 310 o
_

v o o
_
s z 311
propios de A es v
1
, v
2
con v
1
=
_
2
1
_
con valor propio
1
= 3 y v
1
=
_
1
1
_
con valor propio

2
= 2.
Entonces:
J =
_
3 0
0 2
_
P =
_
2 1
1 1
_
Veriquemos que A = PJP
1
:
P
1
=
_
1 1
1 2
_
PJ =
_
6 2
3 2
_
PJP
1
=
_
4 2
1 1
_
= A

7.6. Matrices de Jordan para matrices 2 2

Vamos a determinar todas las posibles formas de Jordan de matrices 2 2. Si A M
22
(K) su
polinomio caracterstico sera de grado 2, supongamos que sus races pertenecen al cuerpo K, se
presenta tres casos posibles:
x Dos races diferentes (en el campo complejo)
y Una raz doble a con multiplicidad geometrica 2.
z Una raz doble a con multiplicidad geometrica 1.
Analicemos cada caso:
x Dos autovalores simples. Si A admite dos autovalores simples a y b, es decir: p() =
( a)( b) con a ,= b, entonces A es diagonalizable, en particular existe una base u, v
cuyos elementos se determinan por las condiciones
_
u N(A aI)
v N(AbI)
o equivalentemente
_
Au = au
Av = bv
de modo que la forma canonica de Jordan de A es J =
_
a 0
0 b
_
y ademas la matriz P = [u, v]
es una matriz de cambio de base de Jordan para A.
DEMOSTRACI

ON. La matriz A es diagonalizable (por el corolario 7.1), y se aplica el

teorema 7.6 para calcular la forma canonica de Jordan J y una matriz de cambio de base
de Jordan P.
y Un autovalor doble. Si A admite un autovalor doble a, es decir p() = (a)
2
, aqu hay
dos posibilidades:
email [email protected] 311 o
_

v o o
_
s z 312
a) Si dim(N(AaI)) = 2 entonces A es diagonalizable, en particular si u, v es cualquier
base de N(AaI),
_
u N(AaI)
v N(A aI)
o equivalentemente
_
Au = au
Av = av
entonces la forma canonica de Jordan de A es J =
_
a 0
0 a
_
y ademas la matriz P = [u, v]
es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A aI)) = 1 entonces A no es diagonalizable, en particular existe una base
u, u
1
cuyos elementos se determinan por las condiciones
_
u
1
/ N(A aI)
u = (AaI)(u
1
)
o equivalentemente
_
Au = au
Au
1
= au
1
+u
de modo que la forma canonica de Jordan de A es J =
_
a 0
1 a
_
, ademas la matriz
P = [u, u
1
] es una matriz de cambio de base de Jordan para A.
DEMOSTRACI

ON.
J =
_

1
1
0
1
_
=
_

1
0
0
1
_
+
_
0 1
0 0
_
=
1
I +N
donde
N =
_
0 1
0 0
_
, N
2
= NN =
_
0 0
0 0
_
= O
Sea Q una matriz de cambio de base de Jordan para A, que existe en virtud del teorema
7.4,y cumple:
A = QJQ
1
= Q(
1
I+N)Q
1
=
1
QIQ
1
+QNQ
1
=
1
QQ
1
+QNQ
1
=
1
I+QNQ
1
entonces
A
1
I = QNQ
1
por tanto
(A
1
I)
2
= QNQ
1
QNQ
1
= QNNQ
1
= QN
2
Q
1
= QOQ
1
= OQ
1
= O
de aqu
(A
1
I)
2
v = 0, v
Tomemos u
1
que no pertenece al subespacio propio E(
1
), entonces (A
1
I)u
1
,= 0.
As el vector u = (A
1
I)u
1
satisface u ,= 0. Ademas (A
1
I)u = (A
1
I)
2
u
1
= 0.
Entonces u es un vector no nulo del subespacio propio, es decir, un vector propio.
email [email protected] 312 o
_

v o o
_
s z 313
Sea
1
u+
2
u
1
= 0. Aplicando AI a la combinacion lineal anterior resulta el vector
nulo, es decir:
1
(A
1
I)u +
2
(A I)u
1
= 0, 0 +
2
(A I)u
1
= 0, de donde
0 +
2
u = 0, como u ,= 0, se tiene que
2
= 0. Ahora bien, como
1
u = 0,
1
= 0
As, u y u
1
son linealmente independientes, y la matriz P tiene determinante no nulo,
o sea, es invertible. Para probar que A = PJP
1
, basta mostrar que AP = PJ, y para
esto alcanza probar que sus respectivas columnas son iguales. Notese que la primera
columna de una matriz M 2 2, cualquiera, es M
_
1
0
_
y que su segunda columna es
M
_
0
1
_
.
AP
_
1
0
_
= Au =
1
u =
1
P
_
1
0
_
= P
1
_
1
0
_
= P
_

1
0
_
= PJ
_
1
0
_
Se concluye que las primeras columnas de AP y de PJ son la misma.
AP
_
0
1
_
= Au
1
=
1
u
1
+u =
1
P
_
0
1
_
+P
_
1
0
_
= P
1
_
0
1
_
+P
_
1
0
_
= P
_
0

1
_
+P
_
1
0
_
= P
_
0

1
_
= PJ
_
0
1
_
Se concluye que las segundas columnas de AP y de PJ son la misma. Luego AP = PJ,
lo que termina la prueba.

EJEMPLO 7.9. A =
_
2 1
1 4
_
, det(AI) =
2
+ 6 + 9 = ( + 3)
2
= 0, entonces
1
= 3
doble, m
1
= 2.
Subespacio propio E(
1
):
_
2 + 3 1
1 4 + 3
__
x
1
x
2
_
=
_
0
0
_
,
_
x
1
= x
2
x
2
cualesquiera
r
1
= 1
Entonces J =
_
3 1
0 3
_
.
Elijamos v
2
/ E(
1
): Tomando x
2
= 0, x
1
,= 0, por ejemplo x
1
= 1, se tiene v
2
=
_
1
0
_
. Entonces
v
1
= (A+ 3I)v
2
=
_
1 1
1 1
__
0
0
_
=
_
1
1
_
As P =
_
1 1
1 0
_
. Veriquemos que A = PJP
1
:
P
1
=
_
0 1
1 1
_
PJ =
_
3 2
3 1
_
PJP
1
=
_
2 1
1 4
_
= A
email [email protected] 313 o
_

v o o
_
s z 314

Nota 7.5.- Sea ahora una matriz A, 2 2, con todos sus terminos reales. Si sus valores propios
son ambos reales (iguales o distintos) se concluye que la matriz canonica de Jordan es real. De
los procedimientos vistos, observese que los vectores v
1
y v
2
que forman las columnas de la matriz
de cambio de base de Jordan, se encuentran mediante ecuaciones lineales con coecientes reales,
cuando la matriz A y sus valores propios son reales. Luego, se concluye lo siguiente: Si la matriz
A tiene terminos reales y todos sus valores propios son reales, entonces la forma canonica de
Jordan es una matriz real, y puede elegirse una matriz de cambio de base de Jordan tambien real.
Esto signica que no es necesario pasar al campo complejo cuando los valores propios son reales.
Sin embargo, aunque la matriz dada sea real, si sus valores propios no lo son, entonces la forma
canonica de Jordan y la matriz de cambio de base de Jordan no son reales, como lo muestra el
ejemplo ??.
7.7. Matrices de Jordan para matrices 3 3
Analicemos ahora las posibles formas de Jordan de las matrices 33. Si A M
22
(K) su polinomio
caracterstico sera de grado 3, supongamos que sus races pertenecen al cuerpo K, se presentan
los siguientes casos:
x Tres autovalores simples. Si A admite tres autovalores simples a, b y c, es decir:
p() = ( a)( b)( c), entonces A es diagonalizable, en particular existe una base
u, v, w cuyos elementos se determinan por las condiciones
_
_
_
u N(A aI)
v N(A bI)
w N(A cI)
o equivalentemente
_
_
_
Au = au
Av = bv
Aw = cw
de modo que la forma canonica de Jordan de A es J =
_
_
a 0 0
0 b 0
0 0 c
_
_
y ademas la matriz
P = [u, v, w] es una matriz de cambio de base de Jordan para A.
y Un autovalor simple y otro doble. Si A admite un autovalor simple a y otro doble b,
su polinomio caracterstico sera p() = (a)(b)
2
con a ,= b, aqu hay dos posibilidades:
a) Si dim(N(A bI)) = 1 entonces existe una base u, v, v
1
de K
3
, cuyos elementos se
determinan por las condiciones
_
_
_
u N(A aI)
v
1
/ N(A bI)
v = (AbI)(v
1
)
o equivalentemente
_
_
_
Au = au
Av = bv
Av
1
= bv
1
+v
email [email protected] 314 o
_

v o o
_
s z 315
de modo que la forma canonica de Jordan de A es J =
_
_
a 0 0
0 b 0
0 1 b
_
_
y ademas la matriz
P = [u, v, v
1
] es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A bI)) = 2 entonces existe una base u, v, w de K
3
, cuyos elementos se
determinan por las condiciones
_
_
_
u N(A aI)
w N(A bI)
v N(A bI), independiente con w
o equivalentemente
_
_
_
Au = au
Av = bv
Aw = bw
de modo que la forma canonica de Jordan de A es J =
_
_
a 0 0
0 b 0
0 0 b
_
_
y ademas la matriz
P = [u, v, w] es una matriz de cambio de base de Jordan para A.
z Un autovalor triple. Si A admite un autovalor triple a, tendremos que su polinomio
caracterstico sera p() = ( a)
3
, aqu hay tres posibilidades:
a) Si dim(N(A aI)) = 1 entonces existe una base u, u
1
, u
2
de K
3
, cuyos elementos se
determinan por las condiciones
_
_
_
u
2
/ N(A aI)
2
u
1
= (AaI)(u
2
)
u = (AaI)
2
(u
2
)
o equivalentemente
_
_
_
Au = au
Au
1
= au
1
+u
Au
2
= au
2
+u
1
de modo que la forma canonica de Jordan de A es J =
_
_
a 0 0
1 a 0
0 1 a
_
_
y ademas la matriz
P = [u, u
1
, u
2
] es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A aI)) = 2 entonces existe una base u, v, v
1
de K
3
, cuyos elementos se
determinan por las condiciones
_
_
_
v
1
/ N(A aI)
v (AaI)(v
1
)
u N(A aI), independiente con v
o equivalentemente
_
_
_
Au = au
Av = av
Av
1
= av
1
+v
de modo que la forma canonica de Jordan de A es J =
_
_
a 0 0
0 a 0
0 1 a
_
_
y ademas la matriz
P = [u, v, v
1
] es una matriz de cambio de base de Jordan para A.
c) Si dim(N(A aI)) = 3 entonces A es diagonalizable, en particular si u, v, w es
cualquier base de N(AaI),
_
_
_
u N(A aI)
v N(A aI)
w N(A aI)
o equivalentemente
_
_
_
Au = au
Av = av
Aw = aw
email [email protected] 315 o
_

v o o
_
s z 316
entonces la forma canonica de Jordan de A es J =
_
_
a 0 0
0 a 0
0 0 a
_
_
y ademas la matriz
P = [u, v, w] es una matriz de cambio de base de Jordan para A.
EJEMPLO 7.10. El operador lineal de R
3
cuya matriz asociada en la base canonica es A =
_
_
2 4 1
0 7 0
0 5 2
_
_
no es diagonalizable.
SOLUCI

ON.- Sus valores propios son 2 y 7, S2 = [(1, 0, 0)] y S7 = [(1, 1, 1)] y m

a
(2) = 2. En
consecuencia la forma de Jordan del operador es
J =
_
_
2 0 0
1 2 0
0 0 7
_
_
Calculemos una base de Jordan v
1
, v
2
, v
3
de R
3
asociada al operador. Para esto observemos que
Av
1
= 2v
1
+ v
2
, Av
2
= 2v
2
y Av
3
= 7v
3
. Por lo tanto v
2
y v
3
son vectores propios asociados a
2 y 7 respectivamente por lo cual podemos elegir v
2
= (1, 0, 0) y v
3
= (1, 1, 1). Elijamos ahora
v
1
= (x, y, z). Sabemos que Av
1
= 2v
1
+v
2
por lo tanto (A2I)v
1
= v
2
. Entonces
(A2I)v
1
=
_
_
0 4 1
0 5 0
0 5 0
_
_
_
_
x
y
z
_
_
=
_
_
1
0
0
_
_
resolviendo el sistema se deduce que v
1
= (x, 0, 1) con x R elijamos entonces v
1
= (0, 0, 1) con
lo cual la base de Jordan B resulta B = (0, 0, 1), (1, 0, 0), (1, 1, 1). Verique que efectivamente
la matriz asociada al operador en la base B es J.
7.8. Matrices de Jordan para matrices 4 4
Analicemos ahora las posibles formas de Jordan de las matrices 44. Si A M
44
(K) su polinomio
caracterstico sera de grado 4, supongamos que sus races pertenecen al cuerpo K, se presentan
los siguientes casos:
x Cuatro autovalores simples. Si A admite cuatro autovalores simples a, b, c y d, es
decir: p() = ( a)( b)( c)( d), entonces A es diagonalizable, en particular existe
una base u, v, p, q cuyos elementos se determinan por las condiciones
_

_
Au = au
Av = bv
Ap = cp
Aq = dq
email [email protected] 316 o
_

v o o
_
s z 317
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 b 0 0
0 0 c 0
0 0 0 d
_
_
_
_
y ademas la matriz
P = [u, v, p, q] es una matriz de cambio de base de Jordan para A.
y Dos autovalores simples y uno doble. Si A admite dos autovalores simples a y b, y
otro doble c, su polinomio caracterstico sera p() = ( a)( b)( c)
2
, aqu hay dos
posibilidades:
a) Si dim(N(A cI)) = 1 entonces existe una base u, v, w, w
1
de K
4
, cuyos elementos
se determinan por las condiciones
_

_
Au = au
Av = bv
Aw = cw
Aw
1
= cw
1
+w
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 b 0 0
0 0 c 0
0 0 1 c
_
_
_
_
y ademas la
matriz P = [u, v, w, w
1
] es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A cI)) = 2 entonces existe una base u, v, p, q de K
4
, cuyos elementos se
determinan por las condiciones
_

_
Au = au
Av = bv
Ap = cp
Aq = cq
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 b 0 0
0 0 c 0
0 0 0 c
_
_
_
_
y ademas la
matriz P = [u, v, p, q] es una matriz de cambio de base de Jordan para A.
z Un autovalor simple y otro triple. Si A admite un autovalor simple a y otro triple b,
su polinomio caracterstico sera p() = ( a)( b)
3
, aqu se presentaran tres alternativas
seg un N(A bI) tenga dimension uno, dos o tres.
a) Si dim(N(A bI)) = 1 entonces existe una base u, v, v
1
, v
2
de K
4
, cuyos elementos
se determinan por las condiciones
_

_
Au = au
Av = bv
Av
1
= bv
1
+v
Av
2
= bv
2
+v
1
email [email protected] 317 o
_

v o o
_
s z 318
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 b 0 0
0 1 b 0
0 0 1 b
_
_
_
_
y ademas la
matriz P = [u, v, v
1
, v
2
] es una matriz de cambio de base de Jordan para A.
b) Si dim(N(A bI)) = 2 entonces existe una base u, v, w, w
1
de K
4
, cuyos elementos
se determinan por las condiciones
_

_
Au = au
Av = bv
Aw = bw
Aw
1
= bw
1
+w
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 b 0 0
0 0 b 0
0 0 1 b
_
_
_
_
y ademas la
matriz P = [u, v, w, w
1
] es una matriz de cambio de base de Jordan para A.
c) Si dim(N(A bI)) = 3 entonces existe una base u, v, p, q de K
4
, cuyos elementos se
determinan por las condiciones
_

_
Au = au
Av = bv
Ap = bp
Aq = bq
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 b 0 0
0 0 b 0
0 0 0 b
_
_
_
_
y ademas la
matriz P = [u, v, p, q] es una matriz de cambio de base de Jordan para A.
{ Dos autovalores dobles. Si A admite dos autovalores dobles a y b, se tendra p() =
( a)
2
( b)
2
, aqu se presentaran los siguientes casos.
a) Si dim(N(A aI)) = dim(N(A bI)) = 1 entonces existe una base u, u
1
, v, v
1
de
K
4
, cuyos elementos se determinan por las condiciones
_

_
Au = au
Au
1
= au
1
+u
Av = bv
Av
1
= bv
1
+v
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
1 a 0 0
0 0 b 0
0 0 1 b
_
_
_
_
y ademas la
matriz P = [u, u
1
, v, v
1
] es una matriz de cambio de base de Jordan para A.
email [email protected] 318 o
_

v o o
_
s z 319
b) Si dim(N(AaI)) = 2, dim(N(AbI)) = 1 entonces existe una base u, v, w, w
1
de
K
4
, cuyos elementos se determinan por las condiciones
_

_
Au = au
Av = av
Aw = bw
Aw
1
= bw
1
+w
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 a 0 0
0 0 b 0
0 0 1 b
_
_
_
_
y ademas la
matriz P = [u, v, w, w
1
] es una matriz de cambio de base de Jordan para A.
c) Si dim(N(A aI)) = dim(N(A bI)) = 2 entonces existe una base u, v, p, q de K
4
,
cuyos elementos se determinan por las condiciones
_

_
Au = au
Av = av
Ap = bp
Aq = bq
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 a 0 0
0 0 b 0
0 0 0 b
_
_
_
_
y ademas la
matriz P = [u, v, p, q] es una matriz de cambio de base de Jordan para A.
| Un autovalor cu adruple. Si A admite un autovalor cuadruple a, tendremos que su
polinomio caracterstico sera p() = ( a)
4
, aqu hay tres posibilidades:
a) Si dim(N(AaI)) = 1 entonces existe una base u, u
1
, u
2
, u
3
de K
3
, cuyos elementos
se determinan por las condiciones
_

_
Au = au
Au
1
= au
1
+u
Au
2
= au
2
+u
1
Au
3
= au
3
+u
2
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
1 a 0 0
0 1 a 0
0 0 1 a
_
_
_
_
y ademas la
matriz P = [u, u
1
, u
2
, u
3
] es una matriz de cambio de base de Jordan para A.
email [email protected] 319 o
_

v o o
_
s z 320
b) Si dim(N(A aI)) = 2 y dim(N(A aI)
2
) = 3 entonces existe una base u, v, v
1
, v
2

de K
3
, cuyos elementos se determinan por las condiciones
_

_
Au = au
Av = av
Av
1
= av
1
+ v
Av
2
= av
2
+ v
1
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 a 0 0
0 1 a 0
0 0 1 a
_
_
_
_
y ademas la
matriz P = [u, v, v
1
, v
2
] es una matriz de cambio de base de Jordan para A.
c) Si dim(N(A aI)) = 2 y dim(N(A aI)
2
) = 4 entonces existe una base u, u
1
, v, v
2

de K
3
, cuyos elementos se determinan por las condiciones
_

_
Au = au
Au
1
= au
1
+u
Av = av
Av
1
= av
1
+v
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
1 a 0 0
0 0 a 0
0 0 1 a
_
_
_
_
y ademas la
matriz P = [u, u
1
, v, v
2
] es una matriz de cambio de base de Jordan para A.
d) Si dim(N(A aI)) = 3 entonces existe una base u, v, w, w
1
de K
3
, cuyos elementos
se determinan por las condiciones
_

_
Au = au
Av = av
Aw = aw
Aw
1
= aw
1
+w
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 a 0 0
0 0 a 0
0 0 1 a
_
_
_
_
y ademas la
matriz P = [u, v, w, w
1
] es una matriz de cambio de base de Jordan para A.
e) Si dim(N(A aI)) = 4 entonces existe una base u, v, p, q de K
3
, cuyos elementos se
determinan por las condiciones
_

_
Au = au
Av = av
Ap = ap
Aq = aq
email [email protected] 320 o
_

v o o
_
s z 321
de modo que la forma canonica de Jordan de A es J =
_
_
_
_
a 0 0 0
0 a 0 0
0 0 a 0
0 0 0 a
_
_
_
_
y ademas la
matriz P = [u, v, p, q] es una matriz de cambio de base de Jordan para A.
email [email protected] 321 o
_