Conceptos b

asicos de

Algebra
Lineal
Noviembre 06 de 2016

Ultima
versi
on en
http://textodealgebralineal.blogspot.com.co/

Luis F. Moreno S.
AntioquiaColombia

ii

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Autor Luis F. Moreno S.

Magster en Matematicas Aplicadas
Docente
Edicion y diagramacion: Jose Luis Moreno Avenda
no y Luis F. Moreno S.
Correccion de estilo: Luis F. Moreno S.

Conceptos b
asicos de Algebra
Lineal

Realizado en AntioquiaColombia
Agosto de 2017

Indice general
Pr
ologo

Introducci
on

vii

Preliminares

ix

1 Matrices y sistemas de ecuaciones lineales

1.1

Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Multiplicacion de matrices . . . . . . . . . . . . . . . . . . . . . .

18

1.3

Propiedades de las operaciones con matrices . . . . . . . . . . . .

28

1.4

Soluci
on de sistemas de ecuaciones lineales . . . . . . . . . . . . .

32

1.5

Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . .

54

2 Determinantes

65

2.1

Propiedades de los determinantes . . . . . . . . . . . . . . . . . .

68

2.2

Determinantes por cofactores . . . . . . . . . . . . . . . . . . . .

79

2.3

Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . .

88

2.4

Uso de determinantes para calcular areas en

R2

. . . . . . . . . .

3 Vectores en Rn

91
95

Vectores en

R2

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2

Vectores en

Rn

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

3.3

Aplicaciones de vectores en R3 . . . . . . . . . . . . . . . . . . . 133

3.1

4 Espacios Vectoriales

95

153


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

iv
4.1

Rn como espacio vectorial . . . . . . . . . . . . . . . . . . . . . . 153

4.2
4.3

Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . 159

Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 168

4.4

Bases ortonormales en Rn . . . . . . . . . . . . . . . . . . . . . . 192

5 Valores propios y vectores propios

199

Pr
ologo
Surge este texto por la necesidad detectada en los estudiantes de pregrado de
ingeniera de disponer de una herramienta b
asica provechosa para seguir un curso

introductorio de Algebra Lineal en el aula de clase.

Se explican los temas de Matrices, Sistemas lineales, Determinantes, Transformaciones lineales, Vectores en Rn , Rn como espacio vectorial y, por u
ltimo,
Valores y vectores propios. Se ofrecen ejemplos pr
acticos y teoricos; y se proponen ejercicios a medida que los conceptos teoricos surgen, buena parte con sus
respuestas; siempre partiendo de lo simple a lo medianamente complejo; y en
algunos casos estimulando la creatividad. Se recomienda al profesor explicar solo
algunos ejemplos y ejercicios, y realizar y proponer los propios en el aula de clase.
Ademas, se incluyen algunas demostraciones sencillas para aquellos estudiantes
que deseen trascender de los ejercicios operativos a lo abstracto. Queda a juicio
del profesor profundizar en las demostraciones.
El seguimiento de estas notas en el aula de clase (fsica o virtual) ahorrara
tiempo al docente, pues no requerir
a escribir los conceptos, y podr
a aprovechar
este tiempo en la explicacion de nuevos ejemplos que el considere pertinentes.
Ademas, el estudiante evitara estudiar de errores que se cometen al tomar nota
en clase y de errores casuales del mismo docente.
Agradecimientos a mis alumnos, pues fueron la semilla que dio origen a estos
escritos.
En un futuro se espera enriquecer el tipo de ejemplos, que tanto ayudan al
alumno y facilitan la labor al docente; tambien se planea emplear software matem
atico en la soluci
on de problemas; y desarrollar una herramienta interactiva
en la que el estudiante se ejercite y las instituciones educativas puedan hacer
seguimiento al desarrollo de sus educandos.

vi

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Introducci
on
Se sabe hasta ahora que los orgenes del
algebra lineal se remontan a los babilonios en el siglo XXI antes de Cristo. Un ejemplo es el escrito en una de las
famosas tablillas de Croquetta:
Existen dos campos cuyas
areas suman 1800 yardas1 cuadradas. Uno
produce granos en raz
on de 2/3 de saco por yarda cuadrada, mientras
que el otro produce granos en raz
on de 1/2 saco por yarda cuadrada.
Si la producci
on total es de 1100 sacos, cual es el tama
no de cada
campo?
Se conoce tambien el papiro Rhind, del a
no 1650 antes de cristo, del sacerdo
te egipcio Ahmes,
donde se consideran ecuaciones de primer grado. Luego, los
matem
aticos chinos, durante los siglos III y IV antes de cristo, continuaron la
tradici
on de los babilonios con los primeros metodos del pensamiento lineal. Por
ejemplo, el metodo para la soluci
on de problemas lineales, que es conocido como la regla fan-chen, que trascendio en lo que hoy es conocido como el metodo
de eliminaci
on gaussiana. Luego vendran los aportes de los isl
amicos y de los
europeos.
Actualmente, el
algebra lineal estudia, entre otros, conceptos tales como:
matrices, sistemas de ecuaciones lineales, determinantes, vectores, espacios vectoriales, y valores y vectores propios. Estos conceptos tienen conexiones con areas
pr
acticas y teoricas como: las ingenieras, economa, fsica, astronoma, gr
aficas
por computador, an
alisis funcional, ecuaciones diferenciales e investigaci
on de
operaciones, entre otros.
Nos proponemos en las pr
oximas lneas entender los conceptos b
asicos de
estos temas mediante sencillos ejemplos y ejercicios operativos, pr
acticos y abstractos.
1

Medida de longitud del sistema ingles que equivale a 91,4 centmetros

viii

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Preliminares
Acerca de las pruebas matem
aticas
Comenzare la explicacion de lo que es una prueba mediante una analoga y
asumiendo que usted no sabe algo acerca de estas: suponga que deseamos fabricar
una mesa sencilla. Para ello requeriremos de materiales (madera, pegamento,
clavos . . . ) y herramientas (martillo, serrucho, metro, . . . ). Llamaremos a los
materiales y herramientas nuestra hip
otesis; y a nuestro objetivo, construir la
mesa, la tesis. Sabemos que para lograr la tesis hay una serie de pasos (comprar
la madera, transportarla, tomar medidas, cortar, untar pegamento, ensamblar,
etcetera). A esta serie de pasos le llamaremos procedimiento. Pues bien, una
prueba matem
atica consta de esos tres elementos: una hip
otesis, una tesis y
un procedimiento que partiendo de la hip
otesis alcanza la tesis. Por supuesto, el
procedimiento puede tener variaciones; no todos fabricaramos una mesa de igual
forma, aunque tuvieramos los mismos materiales y herramientas. Los procesos
pueden ser diferentes: dependen de nuestros conocimientos, gustos y objetivos.
Y as son los procedimientos en las pruebas: variados. Hay diferentes formas de
realizar pruebas, las cuales iremos observando. Veamos ahora algo m
as formal:
Una prueba matem
atica es un argumento convincente acerca de la precision
de una afirmacion. Dicho argumento debe contener los suficientes detalles para
convencer a la audiencia de la veracidad o falsedad de tal afirmacion.
Una afirmacion puede ser algo sencillo como 8 2 = 4, la cual es verdadera o
125 = 57, la cual es falsa. Pero una m
as compleja podra ser: si ax2 +bx+c = 0
con a 6= 0, entonces

b b2 4ac
.
x=
2a
Para este caso, la hip
otesis, es decir, la herramienta y materiales con los que
vamos a trabajar,
es ax2 + bx + c = 0 con a 6= 0 y la tesis, lo que vamos a probar,

b b2 4ac
, donde la prueba sera
es x =
2a


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

x
Prueba.

por hip
otesis

Sea ax2 + bx + c = 0 y a 6= 0,

x2

x2

x2 +

sumando ac a ambos lados

b 2
sumando 2a

1

3

x+
x+
x=

b
c
a x + a = 0,
b
c
ax = a,




b
b 2
b 2
x
+
=
a


2 2a b2 4ac2a
b
= 4a2 ,
2a

ac ,

b
b2 4ac
,
2a =
2a
b b2 4ac
,
2a

7 queda demostrado.
Luego, por ,

dividiendo por a

el lado izquierdo es un

trinomio cuadrado perfecto

obteniendo raz cuadrada
b
sumando 2a
a ambos lados.

Observe que la anterior prueba est

a dividida en tres columnas y varias lneas
que corresponden cada una a un paso de la prueba. La primera columna indica
el n
umero de cada paso, la segunda es el paso propiamente dicho, y la tercera
corresponde a la raz
on de el porque se dio ese paso.
El anterior conjunto de pasos no es la u
nica forma de probar una afirmacion;
por lo general, los matem
aticos prueban en prosa. El autor prefiere utilizar el
anterior metodo debido a que facilita el orden y, por su experiencia, considera
que es m
as facil de entender para los estudiantes.
Cuando hemos probado una afirmacion le llamamos proposici
on o teorema.
Un corolario es una consecuencia de una proposici
on o teorema tan evidente
que no necesita demostracion.
Existen diferentes tecnicas para probar las afirmaciones, las cuales iremos
aprendiendo, pero para prevenir algunos errores frecuentes tenga en cuenta lo
siguiente:
1. Un ejemplo no es una prueba. Es solo una verificaci
on.
2. Nunca asuma hip
otesis que no han sido dadas en la afirmacion.

Unidad 1

Matrices y sistemas de
ecuaciones lineales
El objetivo de esta unidad es conocer el concepto de matriz, sus operaciones y
propiedades, con la finalidad de representar y resolver algunos problemas pr
acticos en ingeniera, matem
aticas y administracion, empleando el metodo de GaussJordan o la inversa de una matriz. Inicialmente veremos las definiciones necesarias con sus respectivos ejemplos.

1.1

Matrices

Definici
on 1 (Matriz). Una matriz, denotada por una letra may
uscula, es un
arreglo rectangular de elementos; elementos que para nosotros ser
an n
umeros
1
reales (R).
Por ejemplo,
A=

"

1 2

2 4 5

es una matriz de dos filas y tres columnas. La fila uno (f1 ) est
a constituida por
los elementos 3, 1 y 2, y la fila dos (f2 ) por 2, 4 y 5. La columna uno (c1 ) est
a
constituida por los elementos 3 y 2, la columna dos (c2 ) est
a constituida por
1

Lo expresado en este texto tambien es v

alido para n
umeros complejos

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

los elementos 1 y 4 y la columna tres (c3 ) est

a constituida por los elementos 2 y
5.
En general, una matriz de m filas y n
o A Mmn , que en forma matricial es

a11 a12

a21 a22

A= .
..
..
.

am1 am2

donde la fila i es

y la columna j es

columnas la escribiremos como Amn

a1n

a2n

,
..
.

amn

i
h
fi = ai1 ai2 ain para i = 1, . . . , m ;

a1j

a2j

cj = . para j = 1, . . . , n .
..

amj

Por ejemplo: A23 es la matriz A de dos filas y tres columnas y B45 es la matriz
B de cuatro filas y cinco columnas. Diremos que Amn es una matriz de tama
no
m n.

Al elemento de la iesima fila y la jesima columna, de la matriz Amn , lo

denotaremos como aij , por ejemplo, en la matriz A32 , donde

0 1

,
A=
2
2

los elementos son a11 = 0, a12 = 1, a21 = 2, a22 = 2, a31 = 3 y a32 = 4. En

algunas ocasiones nos referiremos a una matriz Amn como [aij ].

Nota. La notaci
on i = 1, . . . , m quiere decir que i toma valores desde uno hasta
m enteros.
Ejemplo 1 (Notas de clase). Suponga que para el curso de algebra lineal hay
matriculados siete alumnos al final del semestre: Mara, Pedro, Monica, Luis,

Matrices y sistemas de ecuaciones lineales

Ana, John, y Camila. Podemos organizar las notas de sus tres parciales P1 , P2 y
P3 , del 25 % cada uno, y seguimiento S, del 25 %, en una matriz B de la forma
P1

4,5

3,0

5,0

B =
1,5

3,5

4,0

5,0

P2 P3

3,5 4,0 4,5

3,5 2,0
3,0 2,0
3,5 4,0
3,0 3,0
3,0 2,0
5,0 5,0

4,0

1,0

4,0

5,0

3,0

5,0

Mara
Pedro
Monica
Luis
Ana
John
Camila.

Entonces, cada bij indica la nota del alumno i en el parcial j o seguimiento.

Por ejemplo, b32 = 3,0 indica la nota obtenida por Monica en el parcial 2.
Ejercicio 1. Calcule la nota promedio de cada estudiante. Puede hacerlo manualmente, con una hoja de c
alculo o mediante programacion con dos f or, uno
dentro del otro.
Ejercicio 2. Construya una matriz N en la que represente las asignaturas que
curso el semetre anterior versus las diversas notas obtenidas durante el semetre.
Asuma igual cantidad de notas por cada asignatura. Calcule la nota promedio
de cada materia en la forma que lo desee.
Ejemplo 2 (Producci
on). Para la elaboraci
on de plastilina se requiere dos compuestos principalmente: sales de calcio y vaselina. Una empresa produce dos tipos
de plastilina: fina y suave. Para la elaboraci
on de una barra de plastilina fina se
requiere dos gramos de sales de calcio y tres de vaselina; y para la de una suave
se requieren cuatro de sales de calcio y dos de vaselina. Si la ganancia por cada
barra de plastilina fina es de $5 y la de suave es de $8 y, adem
as, la disponibilidad
diaria de sales de calcio es de 50 gramos y de vaselina es de 35 gramos, cuantas
barras de plastilina fina y cu
antas de plastilina suave se deben producir para
maximizar la ganancia?
El anterior es un problema de programacion lineal en el que se emplean
matrices para resolverlo.
Si x1 es la cantidad de barras de plastilina fina a producir y x2 es la cantidad
de barras de plastilina suave a producir, entonces se debe maximizar la ecuaci
on
z = 5x1 + 8x2 , que es la ganancia, sujeta a:
2x1 + 4x2 6 50

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

3x1 + 2x2 6 35 .
Las anteriores inecuaciones son representadas matricialmente en la forma

.
2 4 .. 50
,

.
3 2 .. 35
y se emplea en la soluci
on del problema.

Ejemplo 3 (Grafo). Suponga que tenemos un sistema de comunicaci

on compuesto por seis nodos como el que se muestra en la figura 1.1. Las flechas indican
el sentido de comunicaci
on, por ejemplo: e1 enva mensajes a e2 y viceversa; e1
tambien puede enviar mensajes a e5 y a e6 , pero ni e5 ni e6 pueden enviar a e1 .

e6
e2

e1
e5

e4

e3
Figura 1.1: grafo dirigido de un sistema de comunicacion

La representaci
on matricial de este grafo es
e1

e1 0

e2 1

e3
0
C=
e4
0

e5 1
e6

e2 e3 e4 e5 e6

1 0 0 0 1

0 0 0 0 0

0 0 0 1 0

,
0 0 0 1 1

0 0 1 0 0
0 1 0 1 0 0

Matrices y sistemas de ecuaciones lineales

donde cada cij indica que el emisor i puede enviar mensajes al receptor j solamente si cij = 1, por ejemplo: como c21 = 1, entonces e2 puede enviar mensajes
a e1 .
Ejemplo 4 (Gr
afica). Si tenemos una gr
afica en R2 y deseamos reflejarla al otro
lado de la recta y = x, tal como se ilustra en la figura 1.2,

10

-10

10

-10

Figura 1.2: Tri

angulo a ser reflejado en y = x

habra que multiplicar la matriz

"

0
1

#
1
0

por la matriz
"
8 4
2

2
10

que corresponde a los vertices del tri

angulo mostrado, para obtener
"
#
2 6 10
,
8 4
2
que corresponde a los vertices del nuevo tri
angulo. Luego unira los vertices.
Mas adelante veremos como es la multiplicaci
on de matrices y usted podr
a
verificar dicha operaci
on.

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Definici
on 2 (Matrices iguales). Dos matrices Amn = [aij ] y Bmn = [bij ] son
iguales si aij = bij para i = 1, . . . , m y j = 1, . . . , n, es decir, si el elemento a11 es
igual al b11 , si el elemento a12 es igual al elemento b12 , y as sucesivamente para
cada par de elementos.
Ejemplo 5. Diremos que las matrices

1 3 2
1
x + y 2

A=
2x + 3y 2
,
4 8 2 y B = 4
4 2 1
2x + y
2
1

son iguales si y solo si x + y = 3, 2x + 3y = 8 y 2x + y = 4.

Ejercicio 3. De acuerdo a sus conocimientos previos de algebra, en el ejemplo

5 determine los valores de x y y tales que A y B sean iguales.
Ejercicio 4. Son las matrices

1 2
1 2 2

A=
4 5 2 y B = 4 5 ,
3 2
3 2 1

iguales? Justifique su respuesta.

Respuesta: no son iguales puesto que para comparar si dos matrices son iguales,
estas deben tener igual tama
no. Para el presente caso, el tama
no de A es tres
por tres y el tama
no de B es tres por dos.
Definici
on 3 (Matriz cuadrada). Una matriz Amn es cuadrada si m = n, es
decir, si el n
umero de filas es igual al n
umero de columnas.
Ejemplo 6. La matriz A44 es cuadrada

7
5 2 7
,

A=

8 2 1 0
1 3 4 0
pues tiene cuatro filas y cuatro columnas.

Matrices y sistemas de ecuaciones lineales

En una matriz, A = [aij ], los elementos a11 , a22 , . . . , ann conforman la diagonal principal. En la matriz A44 , del ejemplo 6, la diagonal principal est
a
conformada por los elementos: a11 = 3, a22 = 5, a33 = 1 y a44 = 0.
ltimo,
Ejercicio 5. Construya una matriz A44 , una B33 , otra C22 y, por u
una D11 .
Ejercicio 6. Identifique y escriba los elementos de la diagonal principal de cada
una de las matrices del ejercicio 5.
Definici
on 4 (Matriz diagonal). Una matriz cuadrada donde los elementos por
fuera de la diagonal principal son ceros es llamada una matriz diagonal, es decir,
dada Ann = [aij ], si aij = 0 para todo () i 6= j, con i, j = 1, . . . , n, entonces
Ann es diagonal.
Ejemplo 7. A, B y C son matrices diagonales

"
#
7 0 0
3 0 0

5 0
, C =
A=
, B=
0 0 0
0 3 0
.

0 2
0 0 0
0 0 3

Ejercicio 7. Es la matriz

0 0 0

0 0 0

0 0 0

diagonal? Justifique su respuesta verbal y matem

aticamente.
Respuesta: s es diagonal porque los elementos por encima y por debajo de la
diagonal principal son todos ceros, es decir, si llamamos O = [oij ] a la matriz,
entonces podemos escibir o21 = o31 = o32 = o12 = o13 = o23 = 0, lo cual implica
que O es una matriz diagonal.
Definici
on 5 (Matriz escalar). Una matriz escalar es una matriz diagonal donde
los elementos de la diagonal principal son iguales, es decir, Ann = [aij ] es escalar
si:
1. aij = 0 i 6= j.
2. aij = c i = j.

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejemplo 8. Las matrices A, B y C dadas

"
#
4 0

3 0

A=
, B = 0 4
0 3
0 0

a continuaci
on son escalares.

1 0 0
0

0 1 0 .
y
C
=
0

4
0 0 1

Ejercicio 8. Construya una matriz escalar A22 , otra B33 y una C44 .
Ejercicio 9. Es la matriz

0 0 0

0 0 0

0 0 0

escalar? Justifique su respuesta verbal y matem

aticamente.
Definici
on 6 (Matriz identidad). Una matriz escalar donde los elementos de la
diagonal principal son todos unos es llamada matriz identidad, es decir, Ann =
[aij ] es identidad si:
1. aij = 0 i 6= j.
2. aij = 1 i = j.
Emplearemos la notaci
on In para representar a la matriz identidad de tama
no
n n.
Ejemplo 9. Son matrices identidad

1
"
#
1 0 0

1 0
0
, I4 =
I2 =
, I3 =
0 1 0

0 1
0
0 0 1
0

Ejercicio 10. Construya I5 e I6 .

0 0 0

1 0 0
.
0 1 0

0 0 1

Ejercicio 11. Toda matriz con unos en la diagonal principal y ceros por fuera
de ella es una matriz identidad? Justifique su respuesta.
Definici
on 7 (Suma de matrices). Dadas las matrices Amn = [aij ] y Bmn =
[bij ] definimos su suma como A + B = C = [cij ] donde cada cij = aij + bij para
i = 1, . . . , m y j = 1, . . . , n.

Matrices y sistemas de ecuaciones lineales

Ejemplo 10. Dadas las matrices

4 2 2
4 2 0

A=
2
y B = 4 5 0 ,
1 5
3 2 1
3
2 5

su suma es

+ 4 5 0
A+B =
1
5
2

3
2 5
3 2 1

4 + (4)
2+2
(2) + 0

= 1+4
5 + (5)
2+0

3+3
(2) + 2
1+5

0 4 2

.
=
5
0
2

6 0

Ejercicio 12. Determinar

5
2

A=
3 5
11 2

A + B, si

1 2 7 3
2 3

5 2 2
12 1
.
yB= 4
2 5 3 4
0
5

Ejercicio 13. Las matrices

A=

"

4 5

no pueden ser sumadas. Por que?

#
2
2

1 2

yB=
4
5

25 4

Teorema 1 (Suma de matrices diagonales). La suma de dos matrices diagonales

es una matriz diagonal.
Nota. Para probar un teorema debemos identificar claramente la(s) hip
otesis y
la tesis. En este caso la hip
otesis consiste en dos matrices diagonales de igual
dimension y la tesis, es decir, lo que hay que probar, es que su suma es una
matriz diagonal.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

10
Prueba.
1

Sean Ann = [aij ] y Bnn = [bij ],

matrices diagonales

hip
otesis
Para i, j = 1, . . . , n se tiene

aij = 0 para i 6= j,

1
definicion de matriz diagonal en

Sea A + B = C = [cij ],

suma de matrices

bij = 0 para i 6= j,

cij = aij + bij ,

1
definicion de matriz diagonal en
4
definicion de suma de matrices en

2 y
3 en .
5
por

cij = 0 para i 6= j,

6 C es diagonal por definicion de matriz diagonal.

Luego, por ,
Ejercicio 14. Para verificar el teorema 1, invente dos matrices diagonales y
s
umelas.
Ejercicio 15.
escalar.

Probar que la suma de dos matrices escalares es una matriz

Ejercicio 16. Para verificar las pruebas realizadas en el ejercicio 15, invente dos
matrices escalares de tama
no seis por seis y s
umelas.
Nota. Si se le dificulta realizar el ejercicio 15, primero realice al menos tres veces
el ejercicio 16. Tenga en cuenta la diferencia entre verificar y probar un teorema.
Definici
on 8 (Multiplicacion de un escalar por una matriz). Dados c R, un
escalar, y Amn = [aij ], definimos la multiplicaci
on de un escalar por una matriz
como cA = B = [bij ] donde cada
bij = caij ,
es decir, para multiplicar un escalar por una matriz, simplemente multiplicamos
el escalar por cada entrada de la matriz.
Ejemplo 11. Sean c = 3 y

,
A=
4
1

2 0

Matrices y sistemas de ecuaciones lineales

11

entonces

cA = (3)
4 1
2 0

3 2
3 3

=
3 1

3 4

Ejercicio 17. Si c = 5 y

3 (2) 3 0

6 9

=
12 3 .
6
0

B=

"

3 2

#
1

5 2 4

entonces
cB =?
Ejercicio 18. Si c = 1, d = 4,
"
#
"
#
2 5 1
0 1 4
A=
yB=
,
2 3 4
2 3 1
entonces
cA + dB =

#
"
2 9 17
6

15

Verifquelo.
Definici
on 9 (Diferencia de matrices). Dadas las matrices Amn = [aij ] y
Bmn = [bij ] definimos su diferencia (tambien llamada resta) como A + (1)B =
A B = C = [cij ] donde cada cij = aij bij para i = 1, . . . , m y j = 1, . . . , n.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

12

Ejemplo 12. Dadas las matrices

1 2 0
3 2
2

A=
4 5 2 y B = 4 5 0 ,
3 2 4
1 2 3

su diferencia es

1 2 0
3 2
2

4 5 0
AB =
4
5
2

3 2 4
1 2 3

1 (3)
22
02

=
4

4
5

(5)
2

3 (1)
22
4 (3)

2
0 2

=
0 10 2 .
2

Ejercicio 19.

1. Probar que la resta de dos matrices diagonales es una matriz diagonal.

2. Probar que la resta de dos matrices escalares es una matriz escalar.
Ejercicio 20. Para verificar las pruebas realizadas en el ejercicio 19, invente
dos matrices diagonales de tama
no seis por seis y restelas. Tambien invente dos
matrices escalares de tama
no seis por seis y restelas.
Si se le dificulta realizar el ejercicio 19, primero realice al menos tres veces el
ejercicio 20.
Definici
on 10 (Transpuesta de una matriz). Dada la matriz Amn = [aij ],
entonces su transpuesta es AT = [aji ] donde cada aTij = aji para i = 1, . . . , m y
j = 1, . . . , n, es decir, la transpuesta de una matriz es aquella que se obtiene al
convertir las filas en columnas.
Ejemplo 13. Sea
A=

"

1 0

2 4 2 5

Matrices y sistemas de ecuaciones lineales

13

entonces

0 4

AT =
3 2 .

7 5

Ejercicio 21. Si

determine su transpuesta.

3 4

4
3
,

B=

0 2
4
7

Ejercicio 22. Construya cinco matrices de diferentes tama

nos y determine la
transpuesta de cada una.
Ejemplo 14 (Resta
de matrices
y multiplicaci
on por un escalar). Dados

"
#
5 2

3 2 1

, c = 1 y d = 3; encontrar c dA B T .
A=
, B = 0 1

2 0 5
1 4
Soluci
on.

c dA B

= 1 3

"

3 2 1

#!
"
5 0 1

2 1 4
"
# "
#!
3 3 3 (2) 3 1
5 0 1
= 1

32
30
35
2 1 4
"
# "
#!
9 6 3
5 0 1
= 1

6 0 15
2 1 4
"
#!
9 (5) 6 0 3 1
= 1
62
0 1 15 4
"
#
14 6 2
= 1
4 1 11
2

14

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

"
(1) 14 (1) (6)

(1) 2

(1) 4 (1) (1) (1) 11

"
#
14 6 2
=
.
4 1 11

Ejercicio 23. Dados

"
#
5
2

4 2 1
A=
,B=
, c = 2 y d = 3; encontrar c dA + B T .
2 0

4 5 8
1 3

Definici
on 11 (Matriz simetrica). Una matriz A es simetrica si es igual a su
transpuesta, es decir, si A = AT .
Ejemplo 15. La matriz

3 5 1 4

5 8 4
7

B=
1 4
0 1

4 7 1 6
es simetrica, pues B = B T . Se puede observar que cada aij = aji .
Ejercicio 24. Es la matriz

2 1

A=
2 3 4
1 4 0

simetrica? Justifique su respuesta.

Ejercicio 25. Construya tres matrices simetricas.

Ejercicio 26. Para que una matriz sea simetrica, cual o cu
ales de las definiciones vistas hasta el momento debe cumplir? Justifique su respuesta.
Definici
on 12 (Matriz antisimetrica). Una matriz A es antisimetrica si
T
A = A.

Matrices y sistemas de ecuaciones lineales

15

Ejemplo 16. La matriz

0 1 3

A=
1
0
4

3 4
0

es antisimetrica, pues AT = A. Verifquelo.

Ejercicio 27. Construya tres matrices antisimetricas.
Ejercicio 28. Para que una matriz sea antisimetrica, cual o cu
ales de las definiciones vistas hasta el momento debe cumplir? Justifique su respuesta.
Definici
on 13 (Triangular superior). Una matriz Ann = [aij ] es triangular
superior (S) si aij = 0 i > j, es decir, si todos los elementos por debajo de
la diagonal principal son ceros.
Ejemplo 17. Las matrices A, B y C son S:

3
1 3 0

A=
0 2 2 , B = 0

0 0 5
0

2 1
0 0
0 2
0 0

c11 c12 c1n

4
0 c22 c2n

, C =
0
0
c

c
.

33
3n

..
.. . .
..

..
.
.
.
.
.

5
0
0 0 cnn

Ejercicio 29. Construya tres matrices que sean S.

Ejercicio 30. Es la matriz

0 0 0

.
O=
0
0
0

0 0 0

S? Justifique su respuesta verbal y matem

aticamente.
Teorema 2 (Suma de matrices triangulares superiores). La suma de dos matrices S es una matriz S.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

16
Prueba.
1

Sean Ann = [aij ] y Bnn = [bij ] S,

hip
otesis

aij = 0 para i > j,

1
definicion de S en

Para i, j = 1, . . . , n se tiene

bij = 0 para i > j,

cij = aij + bij ,

por definicion de suma de matrices

cij = 0 para i > j,

2 y
3 en .
5
por

1
definicion de S en

Sea A + B = C = [cij ],

suma de matrices

6 C es S por definicion de matriz S.

Luego, por ,

Ejercicio 31. Para verificar el teorema 2, invente dos matrices S y s

umelas.
Ejercicio 32. Probar que la resta de dos matrices S es una matriz S.
Definici
on 14 (Triangular inferior). Una matriz Ann = [aij ] es triangular
inferior (I) si aij = 0 i < j, es decir, si todos los elementos por encima de la
diagonal principal son ceros.
Ejemplo 18. Las matrices A, B y C son I

4
5 0 0

, B = 0
A=
2
2
0
0

3 7 4
0

Observe que B tambien es S.

0 0 0

c11

c12 c22 0

3 0 0
.. . .
..
, C = ...
.
.
.
.

0 2 0

.
.
..
.. 0
..

0 0 1
cn1 cn2 cnn

Ejercicio 33. Construya tres matrices que sean I.

Ejercicio 34. Es la matriz

0 0 0

O=
0
0
0

0 0 0

I? Justifique su respuesta verbal y matem

aticamente.

Matrices y sistemas de ecuaciones lineales

17

Ejercicio 35. Es

Onn

0 0

0 0

. . .
. . ..
=
. .
. .
..
.. ..
.

0 0

..
.

I, es S? Justifique sus respuestas verbal y matem

aticamente.
Ejercicio 36.
1. Probar que la suma de dos matrices I es una matriz I.
2. Probar que la resta de dos matrices I es una matriz I.
Ejercicio 37. Para verificar las pruebas realizadas en el ejercicio 36, invente dos
matrices S de tama
no cinco por cinco. S
umelas y luego restelas.
Si se le dificulta realizar el ejercicio 36, primero realice al menos tres veces el
ejercicio 37.
Teorema 3 (Matriz diagonal). Si una matriz es al mismo tiempo S y I,
entonces es una matriz diagonal.
Prueba.
1

Sea A = [aij ] S y I,

hip
otesis

aij = 0 para i > j,

por A ser S

aij = 0 para i 6= j,

Para i, j = 1, . . . , n se tiene

aij = 0 para i < j,

por A ser I
2 y .
3
por

4 y definicion de matriz diagonal, A es diagonal.

Luego, por
Ejercicio 38. Invente dos matrices que sean S y I al mismo tiempo. S
umelas.
El resultado debe ser una matriz diagonal de acuerdo al teorema 3.
Ejercicio 39. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

18

1.2

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Multiplicaci
on de matrices

La multiplicaci
on de matrices es una operaci
on efectuada entre dos matrices
de acuerdo a reglas que aprenderemos en la presente secci
on. Viene dada por
un algoritmo de facil implementaci
on en un computador. Es muy u
til para la
soluci
on de sistemas de ecuaciones de muchas variables. Tiene aplicaciones en el
calculo numerico, al igual que poderosas aplicaciones como diversos programas
matem
aticos. Actualmente se utiliza mucho en el calculo de microarrays y en el
area de la bioinform
atica.
Definici
on 15 (Vector). Por ahora, definiremos vector como una matriz de n
filas y una columna. Denotaremos a los vectores con letras min
usculas con una
flecha encima, por ejemplo, ~u = [ui ], con i = 1, . . . , n.
Ejemplo 19. Son vectores

" #
1


3
7

, w
~ = 3
~u = , ~v =
.
4
1

7
0

Ejercicio 40. Escriba 10 vectores de diferentes tama

nos.
Definici
on 16 (Producto escalar). Dados dos vectores


u1
v1


u2
v2


~u = . y ~v = . ,
..
..


un
vn

P
definimos su producto escalar como ~u ~v = u1 v1 + u2 v2 + + un vn = ni=1 ui vi ,
es decir, para encontrar el producto escalar entre dos vectores, estos deben ser de
igual tama
no y el resultado es un escalar que se obtiene al sumar los resultados
de las multiplicaciones efectuadas componente a componente.
Ejemplo 20. Sean los vectores

~u =
1

7

y ~v =
2 ,

1

Matrices y sistemas de ecuaciones lineales

19

entonces su producto escalar es ~u ~v = 4 1+ (3) 0+ (1) (2) + 7 1 = 13.

Ejercicio 41. Encontrar el producto escalar de


4
2


2
5

~u =
1 y ~v = 2 .


3
3

Respuesta: 9.

Ejercicio 42. Construya tres pares de vectores y encuentre el producto escalar

de cada par.
Teorema 4 (Algunas propiedades del producto escalar). Dados ~a, ~b y ~c, nvectores, y k un escalar, entonces:
1. ~a ~b = ~b ~a (conmutatividad).

2. (~a + ~b) ~c = ~a ~c + ~b ~c (distributividad).

3. (k~a) ~b = ~a (k~b) = k(~a ~b) (asociatividad).

4. ~a ~a > 0 (positividad).
5. ~a ~a = 0 si y solo si ~a = ~0.
6. ~a ~0 = 0.
Prueba de 1.
1

2

3

4

Sean ~a = [ai ] y ~b = [bi ] n-vectores,

~a ~b = a1 b1 + a2 b2 + + an bn ,
= b1 a1 + b2 a2 + + bn an ,
= ~b ~a,

hip
otesis
definicion de producto escalar
conmutatividad en R
definicion de producto escalar.

2 a .
4
Luego ~a ~b = ~b ~a por
Ejemplo 21. Dados los vectores

3
1
~

~a = y b =
2 ,
1


0
1


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

20
entonces

~a ~b = 4 1 + (3) (1) + 1 (2) + 0 1 = 5 y

~b ~a = 1 4 + (1) (3) + (2) 1 + 1 0 = 5 ,
por lo tanto se verifica que ~a ~b = ~b ~a.
Ejercicio 43. Para cada par de vectores de los que invento en el ejercicio 42,
verifique la parte 1 del teorema 4.
Prueba de 2.
2

Sean ~a = [ai ], ~b = [bi ] y ~c = [ci ] n-vectores,

(~a + ~b) ~c = (a1 + b1 )c1 + (a2 + b2 )c2 + +

= a1 c1 + b1 c1 + a2 c2 + b2 c2 + +

= (a1 c1 + a2 c2 + + an cn )+

(an + bn )cn ,

an cn + bn cn ,

(b1 c1 + b2 c2 + + bn cn ),
= ~a ~c + ~b ~c,

hip
otesis
por suma de vectores
y producto escalar
distributividad en R
conmutatividad en R
producto escalar.

2 a .
5
Luego (~a + ~b) ~c = ~a ~c + ~b ~c por
Ejemplo 22. Dados los vectores

~a =
1 ,

0

1




~b = 1 y ~c = 2 ,
2
3


1
1

entonces

1

3 1 2
~

(~a + b) ~c =
1 + 2 3

1
0
1
4

Matrices y sistemas de ecuaciones lineales

21

1

4 2

=
1 3

1
1

= (5) 1 + (4) 2 + (1) 3 + 1 (1) = 17

y

1
1
1

3 2 1 2

~a ~c + ~b ~c =
1 3 + 2 3

1
1
1
0

= [4 (1) + (3) 2 + 1 3 + 0 (1)]+

[1 (1) + (1) 2 + (2) 3 + 1 (1)]

= (7) + (10) = 17 .

Por lo tanto se verifica que (~a + ~b) ~c = ~a ~c + ~b ~c.

Ejercicio 44. Dados los vectores



3
1
3




2
2
~ 0

~a =
2 , b = 2 y ~c = 1 ,



0
3
1

realizar primero (~a + ~b) ~c y luego ~a ~c + ~b ~c.

Ejercicio 45. Elaborar la prueba de la parte 3 e inventar un ejercicio que verifique este numeral.
Ejercicio 46. Elaborar las pruebas de las partes 4,5 y 6 e inventar un ejercicio
que verifique cada numeral.
Definici
on 17 (Multiplicacion de matrices). Sean Amp = [aik ] y Bpn = [bkj ],
su producto es AB = Cmn = [cij ] donde cada cij = ai1 b1j +ai2 b2j + +aip bpj =
P
p
on escalar entre la fila i de la
k=1 aik bkj , es decir, cada cij es la multiplicaci
primera matriz y la columna j de la segunda matriz.

22

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Para multiplicar dos matrices lo que primero se debe verificar es que el n

umero
de columnas de la primera matriz debe ser igual al n
umero de filas de la segunda
matriz; si son iguales, entonces, para hallar la matriz C resultante, cuyo tama
no
es el n
umero de filas de la primera matriz por el n
umero de columnas de la
segunda matriz, procedemos de la siguiente forma:
1. El elemento c11 es igual al producto escalar entre la fila 1 de la primera
matriz y la columna 1 de la segunda matriz.
2. El elemento c12 es igual al producto escalar entre la fila 1 de la primera
matriz y la columna 2 de la segunda matriz.
3. El elemento c13 es igual al producto escalar entre la fila 1 de la primera
matriz y la columna 3 de la segunda matriz.
4. Y as sucesivamente hallamos la primera fila de C.
Ahora:
5. El elemento c21 es igual al producto escalar entre la fila 2 de la primera
matriz y la columna 1 de la segunda matriz.
6. El elemento c22 es igual al producto escalar entre la fila 2 de la primera
matriz y la columna 2 de la segunda matriz.
7. El elemento c23 es igual al producto escalar entre la fila 2 de la primera
matriz y la columna 3 de la segunda matriz.
8. Y as sucesivamente hallamos la segunda fila de C.
9. En forma similar a como hallamos las primeras dos filas, determinamos las
siguientes filas.
Ejemplo 23. Dadas
A23 =

encontrar AB.

"

1 3
2

5
1

1 2

,
y B32 =
0
3

1 4

Soluci
on. Primero verificamos que la multiplicaci
on se pueda realizar, es decir,
que el n
umero de columnas de la primera matriz, A, sea igual al n
umero de filas
de la segunda matriz, B: para este caso es tres, luego, s se puede realizar el
producto.

Matrices y sistemas de ecuaciones lineales

23

La matriz resultante tendra tama

no: n
umero de filas de la primera matriz
por n
umero de columnas de la segunda matriz; para este caso es 2 2. Luego,

"
# 1 2

1 3 5
0 3
AB =

2 2 1
1 4
"
#
1 1 + (3) 0 + 5 1 1 2 + (3) 3 + 5 4
=
2 1 + 2 0 + (1) 1 2 2 + 2 3 + (1) 4
"
#
6 13
=
.
1 6
Ahora realicemos BA:

1 2 "

1 3

BA =
0 3 2 2
1 4

11+22

=
0 1 + 3 2
11+42

5 1 3

=
6 6 3 .
9 5

1 (3) + 2 2 1 5 + 2 (1)

0 (3) + 3 2 0 5 + 3 (1)

1 (3) + 4 2 1 5 + 4 (1)

Se observa claramente que la multiplicaci

on de matrices no es conmutativa.
Ejercicio 47. Dadas

encontrar AB.

1 2
0 3 1

A=
3 4 2 y B = 0 3 ,
1 4
2 0
5

Respuesta:
5 10 .
3 24
1


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

24

Ejemplo 24. A cualquier matriz Amn al multiplicarla por la correspondiente

matriz identidad se obtiene nuevamente A, es decir, Im Amn = Amn In = A.
Por ejemplo: sea

5 1

,
A=
1
0

5 7

entonces

#
5 1
5 1 "
5 1
1 0 0

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

0 1

5 7
5 7
5 7
0 0 1

Ejemplo 25 (Suma y

A=
3
1

multiplicaci
on de matrices). Dadas

3 1
1 0 3
0 1

4 3
, B = 4 4 1 y C = 1 2 ,
2 2
1 3 2
0 4

encontrar (A + B)C.
Soluci
on.

(A + B)C =
3
1

6 0

= 1 0

0 1

1 0 3
3 1

4 4 1 1 2
+
4 3

1 3 2
2 2
0 4

3 1
4

1 2
2

0 4
0
0

63+01+40

61+02+44

=
1 3 + 0 1 + (2) 0 1 1 + 0 2 + (2) 4

0 3 + (1) 1 + 0 0 0 1 + (1) 2 + 0 4

18 22

=
3 7 .

1 2

Matrices y sistemas de ecuaciones lineales

25

Ejercicio 48. Dadas

1 2 5
2 6 4
2 1

, B = 4 2
yC= 3
,
A=
3
4
2
1
0

1 3 3
5 3 0
4 1

encontrar (A + B)C.
Respuesta:

14 2

20 4 .

0 3

Ejemplo 26. La microempresa de manillas Macaos, entre otros, fabrica dos

tipos de manillas: la manilla sencilla (ms) y la manilla especial (me). Para cada
ms emplea 20 centmetros de hilo (h), un dije (d) y 5 minutos de mano de obra
(o); para cada me emplea 30 centmetros de hilo, 2 dijes y 10 minutos de mano
de obra.
Ambos productos son elaborados en dos lugares diferentes: la ciudad (c) y el
pueblo (p). El costo de cada centmetro de hilo en la ciudad es de $10, cada dije
$200 y la mano de obra tiene un costo de $50 el minuto. Los costos respectivos
en el pueblo son: $15, $250 y $40.
La gerente de Macaos desea saber los costos de cada manilla en cada lugar
de producci
on.
Soluci
on. Si representemos, mediante una matriz las componentes de cada manilla:
h d o
A=

"

ms 20 1

me 30 2 10

y mediante otra matriz los costos de cada componente por sucursal

10

15

B = d
200 250 ,
o 50 40

26

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

entonces,

AB =

ms

"

650

750

me 1200 1350

Lo anterior significa que el valor de producci

on de una manilla sencilla en la
ciudad es de $650, mientras que en el pueblo es de $750. Y que el valor de
producci
on de una manilla especial en la ciudad es de $1200, y en el pueblo es
de $1350.
Ejemplo 27 (Contacto con una enfermedad contagiosa). Suponga que tres individuos han contrado una enfermedad. Este grupo entra en contacto con cinco
personas de un segundo grupo y algunos de primer grupo contagian a algunos
del segundo grupo. Estos contagios, llamados contagios directos, se representan
en la matriz A35

0 1 1 0 1

A=
0 0 0 0 1 ,
1 1 0 0 1

donde aij = 1 si la i-esima persona del primer grupo contagia a la j-esima persona
del segundo grupo. Por ejemplo, a1,2 = 1 significa que la primera persona del
primer grupo contagi
o a la segunda persona del segundo grupo.
Ahora suponga que un tercer grupo de cuatro personas tiene varios contactos
directos con individuos del segundo grupo y algunos son infectados. Esto es
representado mediante la matriz

0 1 1 0

1 0 1 0

B = 0 1 1 0 ,

0 0 0 0

1 0 0 1

donde bij = 1 significa que la i-esima persona del segundo grupo infecto a la
j-esima persona del tercer grupo. Por ejemplo, b5,1 = 1 significa que la quinta
persona del segundo grupo (infectada) entr
o en contacto con la primera persona
del tercer grupo y la infecto.

27

Matrices y sistemas de ecuaciones lineales

Los contagios indirectos o de segundo orden entre individuos del primero y

tercer grupos se representan mediante la matriz C = (AB)34 . Para ver esto,
observe que una persona del grupo 3 puede quedar contagiada por alguien del
grupo 2, quien a su vez fue contagiada por alguien del grupo 1. Por ejemplo,
como a12 = 1 y b23 = 1, entonces la tercera persona del grupo 3 obtuvo contagio
(a traves de la segunda persona del grupo 2) con la primera persona del grupo
1. El n
umero total de contagios indirectos entre la primera persona del grupo 1
y la tercera persona del grupo 3 est
a dado por
c13 = a11 b13 + a12 b23 + a13 b33 + a14 b43 + a15 b53
=01+11+11+00+10

= 2.

Ahora, la matriz de contagios indirectos es

2 1 2 1

C = AB =
1 0 0 1
2 1 2 1

Observe que todas las persona del grupo 3 tienen contagios indirectos con la
enfermedad. La tercera persona de este grupo tiene 4 contagios indirectos.

Ejercicio 49 (Transmisi
on de datos). En las comunicaciones actuales la transmisi
on de datos se realiza mediante el envo de grupos de bits, unos y ceros,
llamados palabras. A veces, durante las transmisiones ocurren errores, por ejemplo, el emisor enva la palabra 0100, pero se recibe 0101. Para solucionar el
problema existen c
odigos correctores, por ejemplo, para enviar 0100 se enva
0100101. Suponga que el receptor recibe 0101101, entonces, de alguna forma, el
sabe que hay un error, pues esta u
ltima palabra no hace parte de su acervo. El receptor, mediante alg
un algoritmo, determina que la palabra correcta es 0100101
y, entonces, toma los primeros cuatro bits 0100.
Suponga que se desea transmitir palabras de cuatro bits, es decir, las siguientes:
0000 0001 0010 0011 0100 0101 0110

0111

1000 1001 1010 1011 1100 1101 1110 1111 .

Encontrar las palabras correspondientes de siete bits que deben ser transmitidas para que el receptor determine si la palabra recibida es correcta o no. Para


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

28

ello realice la multiplicaci

on de matrices

1 0

0 1
[x1 x2 x3 x4 ]
0 0

0 0

0 0 0 1 0

0 0 1 0 1
,
1 0 1 1 0

0 1 1 1 1

donde [x1 x2 x3 x4 ] es la palabra de cuatro bits a ser transmitida.

Nota. Sume en binario m
odulo dos, es decir, 0 + 0 = 0, 0 + 1 = 1, 1 + 0 = 1,
1 + 1 = 0.
Ejercicio 50. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

1.3

Propiedades de las operaciones con matrices

Teorema 5 (De la suma). Sean A, B, C matrices de tama

no m n, entonces
1. A + B = B + A (conmutatividad).
2. A + (B + C) = (A + B) + C (asociatividad).
3. Existe una u
nica matriz Omn tal que A + O = O + A = A (matriz nula).
4. Para toda matriz Amn existe una u
nica matriz Dmn tal que A + D = O.
Tal matriz la escribiremos como A y la llamaremos la inversa aditiva de
A. Entonces A + (A) = O.
Probaremos la asociatividad.
Prueba.
1

A = [aij ], B = [bij ], C = [cij ] Mmn ,

hip
otesis

A + (B + C) = D = [dij ] Mmn ,

suma de matrices

dij = aij + (bij + cij )

def. de suma de matrices

D = (A + B) + C,

Ahora, para i = 1, . . . , m y j = 1, . . . , n

= (aij + bij ) + cij

asociatividad en R
3 y .
4
de

2 a .
5
Luego, A + (B + C) = (A + B) + C por

Matrices y sistemas de ecuaciones lineales

29

Ejercicio 51. Pruebe que A + B = B + A.

Ejercicio 52. Realice dos ejemplos de cada una de las propiedades del teorema
5. Recuerde que los ejemplos sirven para verificar, mas no para probar.
Teorema 6 (De la multiplicaci
on). Sean las matrices A, B y C de los tama
nos
apropiados. Entonces:
1. A(BC) = (AB)C (asociatividad).
2. A(B + C) = AB + AC (distributividad a la izquierda).
3. (A + B)C = AC + BC (distributividad a la derecha).
Probaremos A(B + C) = AB + AC.
Prueba.
1

Sea A = [aij ] Mmp ,

B = [bij ] y C = [cij ] Mpn ,

A(B + C) = D = [dij ] Mmn ,

hip
otesis
suma y multiplicaci
on de matrices

Ahora, para i = 1, . . . , m y j = 1, . . . , n

dij =

hip
otesis

p
P

aik (bkj + ckj )

k=1
p
P

(aik bkj + aik ckj ),

k=1
p
P

aik bkj +

k=1

D = AB + AC,

p
P

aik ckj ,

definicion de suma y
multiplicaci
on de matrices
distributividad en R
propiedad de sumatoria

k=1

definicion de multiplicaci
on de matrices.

3 a .
7
Luego A(B + C) = AB + AC, por
Ejercicio 53 (Distributividad). Probar que (A + B)C = AC + BC.
Ejercicio 54. Realice dos ejemplos de cada una de las propiedades del teorema
6. Recuerde que los ejemplos sirven para verificar, mas no para probar.
Teorema 7 (De la multiplicaci
on por un escalar). Sean r, s escalares y A y B
matrices de los tama
nos adecuados, entonces:
1. r(sA) = (rs)A.
2. (r + s)A = rA + sA.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

30

3. r(A + B) = rA + rB.
4. A(rB) = r(AB) = (rA)B.
Probaremos r(A + B) = rA + rB.
Prueba.
1

A = [aij ], B = [bij ] Mmn ,

hip
otesis

r es un escalar,

hip
otesis

r(A + B) = C = [cij ] Mmn ,

suma de matrices y
multiplicaci
on por un escalar

Ahora, para i = 1, . . . , m y j = 1, . . . , n
4

cij = r(aij + bij ),

= raij + rbij ,

definicion de suma de matrices

y multiplicaci
on por un escalar

C = rA + rB,

distributividad en R
4 y .
5
por

3 = .
6
Luego, r(A + B) = rA + rB por
Ejercicio 55 (Distributividad de la suma de dos escalares por una matriz).
Probar que (r + s)A = rA + sA.
Ejercicio 56. Realice dos ejemplos de cada una de las propiedades del teorema
7. Recuerde que los ejemplos sirven para verificar, mas no para probar.
Ejercicio 57. Si usted tuviese que realizar un algoritmo en el que hay involucrada una matriz de 100 millones de entradas y se viese enfrentad@ a realizar
la operaci
on r(sA), realizara esta operaci
on? O aplicara la primera propiedad
del teorema 7, r(sA) = (rs)A, para ejecutar (rs)A. Puede justificar su respuesta
sin usar terminos matem
aticos.
Teorema 8 (De la transpuesta). Sean r un escalar y A y B matrices de los
tama
nos apropiados, entonces
1. AT

T

= A.

2. (A + B)T = AT + B T .
3. (AB)T = B T AT .
4. (rA)T = rAT .

31

Matrices y sistemas de ecuaciones lineales

Ejemplo 28. Dadas

0
y B = 4 3 1 ,
2 1 5
1 2 6

A=
3 5

verificar (A + B)T = AT + B T .
Soluci
on.
Veamos a que es igual (A + B)T .

(A + B)T =
3 5 0 + 4 3 1
2 1 5
1 2 6

T
4 2 4

= 1 2 1

1 1 1

4 1 1

=
2 2 1 .
4 1 1

Ahora veamos a que es igual AT + B T .

T

0
4 0 1

T
T

A + B = 3 5 0 + 4
2
1 2 6

4 3 1
0

= 0 5
2 + 2
1 0 6

4 1 1

=
2 2 1 .
4 1 1

3 1

1 5

4
2

3 1

3 1
5

Como (A + B)T = AT + B T , entonces hemos verificado la segunda parte del

teorema 8.

32

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejercicio 58. Realice dos ejemplos de cada una de las propiedades del teorema
8. Recuerde que los ejemplos sirven para verificar, mas no para probar.
Ejercicio 59. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

1.4

Soluci
on de sistemas de ecuaciones lineales

La palabra ecuaci
on proviene del latn aequatio que significa igualdad. Una ecuaci
on es una igualdad en la que hay algunas cantidades desconocidas; por ejemplo,
3x + 2y = 5 es una ecuaci
on en la que hay dos inc
ognitas: la x y la y llamadas
variables. La pregunta es, cual par de valores satisface la ecuaci
on? Observe que
x = 1 y y = 1 cumplen. Existen otros valores que cumplen esta igualdad? La
respuesta es s, de hecho, en este caso, hay infinitos.
Una ecuaci
on lineal es aquella ecuaci
on donde todas las variables est
an elevadas a la potencia uno. De ecuaciones lineales es sobre lo que hablaremos en
este texto. En general, una ecuaci
on lineal, de n inc
ognitas, se escribe como
a1 x1 + a2 x2 + + an xn = b, donde los ai son llamados coeficientes, las xi son
las variables y b es el termino independiente.
Ahora, un sistema de ecuaciones lineales es un conjunto finito de ecuaciones
lineales y se escribe como
a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2

..
..
..
..
.
.
.
.

am1 x1 + am2 x2 + + amn xn = bm ,

donde se indica que hay m ecuaciones y n inc
ognitas. Este sistema de ecuaciones
puede ser escrito matricialmente como

a11 x1

a12 x2

a1n xn

b1

a21 x1 a22 x2 a2n xn b2

= . ,
.
..
..
..
.
.
.

.
am1 x1 am2 x2 amn xn
bm

Matrices y sistemas de ecuaciones lineales

a11

a12

a1n

x1

b1

33

a21 a22 a2n x2 b2

= ,
.
..
..
... ...
..
.
.

bm
xn
am1 am2 amn

que en forma abreviada se representa como

A~x = ~b .
La matriz A es llamada matriz de coeficientes. Ademas, al agregar el vector ~b a
la matriz A obtenemos la matriz aumentada

a11

a12

a1n

a21 a22 a2n

.. ~
A.b =
..
..
..
.
.
.

am1 am2 amn

i

..
. b1

..

. b2

.. .. .
. .

..
. bm

Ejemplo 29. El sistema lineal

7x1 + 4x2 3x3 = 8
5x1 2x2 + x3 = 4

6x1 3x2 + 6x3 = 9

puede ser representado matricialmente como

8
7 4 3 x1

5 2 1 x2 = 4 ,

9
x3
6 3 6
donde su matriz aumentada es

..
7 4 3 . 8

.
5 2 1 .. 4 .

..
6 3 6 . 9

34

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Definici
on 18 (Matriz escalonada reducida). Una matriz Amn est
a en forma
escalonada reducida por filas si cumple las siguientes caractersticas:
1. Si existen filas de ceros (filas nulas), estas se encuentran en la parte inferior
de la matriz.
2. En las filas no nulas, el primer n
umero no nulo es un uno. Y, antes de el,
si hay n
umeros, son ceros. Este uno es llamado uno principal o pivote.
3. Cuando en una fila hay un uno principal, este se encuentra abajo y a la
derecha de los otros unos principales superiores.
4. Si una fila contiene un uno principal, entonces los dem
as elementos de la
correspondiente columna son ceros.
Una matriz Amn que satisface las tres primeras propiedades es llamada escalonada por filas.
Ejemplo 30. Las matrices

1 0 0 0 6
1 0 3
1 0 0

A=
0 1 0 , B = 0 1 0 y C = 0 0 1 0 7
0 0 0 1 0
0 0 0
0 0 1

est
an en forma escalonada reducida por filas.

Las matrices

1 0 4
1 3 3
1 0 3 2 4

, B = 0 1 0 y C = 0 0 1 0 1
A=
0
1
0

0 0 1
0 0 0
0 0 0 1
0

est
an en forma escalonada por filas.

Nota. Las definiciones y operaciones que se realicen con las filas tambien se
pueden realizar con las columnas en forma similar. Para simplificar, solo trabajaremos con filas.
Definici
on 19 (Operaciones elementales fila). Son tres las operaciones elementales fila permitidas en las matrices:
1. fi fj : intercambie las filas i y la j.

35

Matrices y sistemas de ecuaciones lineales

2. fi cfi : a la fila i asgnele la fila i multiplicada por c, c 6= 0.

3. fi fi + cfj : a la fila i asgnele la fila i m
as c veces la fila j.
Ejemplo 31. Mediante operaciones elementales fila, convierta la matriz aumentada

..
2 1
1 . 1
h
i

.. ~
..

A.b =
2 1 1 . 3
.
1 1 1 .. 0

en escalonada reducida.
Soluci
on.
El objetivo es llevar esta matriz a la forma

..
1
0
0
.
a

.
0 1 0 .. b ,

.
0 0 1 .. c
si es posible, o al menos a escalonada. Entonces, por medio de operaciones elementales fila, tenemos:

..
1 1 1 . 0
1

f2 f2 2f1
..
f1 f3 2 1 1 . 3

f3 f3 2f1 0
.
2 1
1 .. 1
0

.
1 1 1 .. 0
1

f1 f1 f2
..
1
f2 3 f2 0 1 1 . 1

f3 f3 + f2 0

..
0
0 1 3 . 1

..
1
1 0 0 . 1

.
f3 21 f3 0 1 1 .. 1
f2 f2 + f3 0

..
0
0 0 1 . 1

..
1 1 . 0

.
3 3 .. 3

..
1 3 . 1

.
0 0 .. 1

.
1 1 .. 1

..
0 2 . 2

.
0 0 .. 1

.
.
1 0 .. 2

..
0 1 . 1

36

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Nota. siempre determine un uno principal como pivote y realice las operaciones
elementales fila alrededor de el. No hacerlo puede generar errores como

..
..
1
1
1
.
3
1
1
1
.
3

.. f2 f2 f3
..
1 3 1 . 5

f3 f3 f2 0 1 0 . 1
.
.
1 4 1 .. 6
0 1 0 .. 1

luego, al sumarle a la fila tres la fila dos (f3 f3 + f2 ), la fila tres queda nula.
Lo que, como veremos m
as adelante, es un error.
Atenci
on! No cometa los siguientes errores:
1. Una fila no puede ser multiplicada por cero.
2. A una fila no le reste la misma fila.
3. A una fila no se le puede sumar un escalar.
Ejercicio 60. Dada la matriz aumentada

..
3 2 1 . 16

.
2 1 1 .. 11 ,

..
1 3 2 . 19

del ejemplo 2, llevela a escalonada reducida mediante operaciones elementales

fila.
Respuesta.

..
1 0 0 . 2

.
0 1 0 .. 3 .

..
0 0 1 . 4

Definici
on 20 (Matrices equivalentes). Dos matrices Amn y Bmn son equivalentes si una se puede obtener de la otra por medio de operaciones elementales
fila.
h . i
En el ejemplo 31, la matriz A .. ~b y las siguientes, obtenidas al ejecutar
operaciones elementales fila, son todas equivalentes entre s.

Matrices y sistemas de ecuaciones lineales

37

Teorema 9. Toda matriz Amn es equivalente por filas a una matriz escalonada
por filas.
h . i
En el ejemplo 31, la matriz A .. ~b es equivalente por filas a la pen
ultima
matriz

..
1 0 0 . 1

.
0 1 1 .. 1 ,

..
0 0 1 . 1
la cual est
a en forma escalonada.

Teorema 10. Toda matriz Amn es equivalente por filas a una u

nica matriz
escalonada reducida por filas.
h . i
En el ejemplo 31, la matriz A .. ~b es equivalente por filas a la u
ltima matriz

..
1 0 0 . 1

.
0 1 0 .. 2 ,

..
0 0 1 . 1

la cual est
a en forma escalonada reducida. Ademas, gracias al teorema 10, podemos asegurar que esta es la u
nica matriz escalonada reducida equivalente por
h . i
filas a la matriz A .. ~b , es decir, no existe otra.

~ cada uno con

Teorema 11. Dados dos sistemas lineales A~x = ~b y C~x = d,
h . i h . i
m ecuaciones y n inc
ognitas. Si las matrices aumentadas A..~b y C ..d~ son

equivalentes por filas, entonces los dos sistemas tienen la misma soluci
on.
h . i
Ejemplo 32. En el ejemplo 31, la matriz aumentada A .. ~b y la u
ltima matriz
aumentada, equivalente por filas, representan dos sistemas lineales diferentes que
tienen exactamente la misma soluci
on, es decir,

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

..
.
2 1 1 . 3 y 0 1 0 .. 2

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

38

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

representan los sistemas lineales

x1 + 0x2 + 0x3 = 1

2x1 + x2 + x3 = 1
2x1 x2 + x3 = 3

0x1 + x2 + 0x3 = 2

x1 + x2 x3 = 0

0x1 + 0x2 + x3 = 1 ,

respectivamente; y aunque ambos sistemas lineales son diferentes, tienen la misma soluci
on por sus matrices aumentadas ser equivalentes entre s.
El asunto es que del segundo sistema lineal podemos leer directamente la
soluci
on, la cual es

x
1
1

~x = x2 = 2
,
x3

que, por tanto, es la soluci

on del primer sistema lineal.

Definici
on 21 (Rango de una matriz). El rango de una matriz A es el n
umero
de filas no nulas de la matriz escalonada reducida por filas, B, que es equivalente
a A.
En el ejemplo 31, el rango de A es tres.
Hemos visto que un sistema lineal podemos representarlo en forma matricial.
Si tomamos la matriz aumentada correspondiente a un sistema lineal y la llevamos a su forma escalonada reducida por filas, entonces, de acuerdo al teorema
11, el nuevo sistema, representado por la matriz escalonada reducida por filas,
tendra exactamente la misma soluci
on que el sistema original.
Para solucionar sistemas lineales la idea es tomar su matriz aumentada y
llevarla a escalonada reducida. En esta u
ltima es posible leer la soluci
on del
sistema directamente. Este metodo se denomina reducci
on de GaussJordan. Si
la matriz aumentada solo se lleva a escalonada, entonces el metodo es denominado
eliminaci
on de Gauss. Veamos varios ejemplos.
Ejemplo 33 (GaussJordan). Determinar los valores de x1 , x2 y x3 que solucionan el sistema
x1 + x2 x3 = 1

2x1 x2 + x3 = 1

x1 + 2x2 + x3 = 4 .

39

Matrices y sistemas de ecuaciones lineales

Soluci
on.

La matriz aumentada correspondiente es 2

1
1

1 2

1 0

El objetivo es llevar esta matriz a la forma 0 1

0 0

.
1 .. 1

.
.
1 .. 1

.
1 .. 4

..
0 . a
.
, si es posible.
0 .. b

.
1 .. c

Entonces por medio de operaciones elementales fila tenemos

..
1 1 1
1 1 1 . 1
f2 f2 2f1

..
f2 f3 0 3

0
f3 f3 + f1 0 3 3 . 3

..
0 3 3
0 3
0 . 3

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

1
f2 3 f2

f1 f1 + f3
.
..
0 1

0 .. 1

f3 f3 + f2 0 1 0 .
f3 13 f3
.
.
0 1 1 .. 1
0 0 1 ..
Luego, la soluci
on del sistema es

..
. 1

..
. 3

..
. 3

.
1

~x = x2 = 1
.
2
x3

x1

Para verificar el resultado se reemplazan los valores de x1 , x2 y x3 en las

ecuaciones originales.
Note que el rango de la matriz aumentada es tres y que el rango de la matriz
de coeficientes tambien es tres.
Ejercicio 61. Determinar los valores de x1 , x2 y x3 que solucionan el sistema
x1 x2 + x3 = 2

2x1 3x2 + x3 = 1
2x2 + x3 = 7 .

Respuesta.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

40

1
x
1

~x = x2 = 2
.
3
x3
Ejemplo 34 (GaussJordan). Encontrar los valores de x1 , x2 y x3 que solucionan el sistema
3x1 + x2 + 2x3 = 13
x2 x3 = 5

x1 + x3 = 6 .
Soluci
on.
Reorganizando el sistema se

3x1 + x2 + 2x3
tiene 0x1 + x2 x3

x1 + 0x2 + x3

..
1 2 . 13

.
.
1 1 .. 5

.
0 1 .. 6

= 13
= 5
= 6.

La matriz aumentada es 0

1
Entonces, por medio de operaciones elementales fila, tenemos

f1 f3 0

f3 f3 f2 0

..
0 1 . 6

.
1 1 .. 5

..
1 2 . 13

..
0 1 . 6

.
.
1 1 .. 5

.
0 0 .. 0



x1 + x3 = 6
x1 = 6 x3

x2 x3 = 5.
x2 = x3 5.

x1

..
1 0 1 . 6

.
f3 f3 3f1 0 1 1 .. 5

..
0 1 1 . 5


x1 = 6 r
Sea x3 = r R, entonces
x2 = r 5.

6r

= r 5 .
As
x
2

x3
r

Matrices y sistemas de ecuaciones lineales

41

De lo anterior se obtiene que el sistema tiene infinitas soluciones. Para verificar

el resultado se reemplazan los valores de x1 , x2 y x3 en las ecuaciones originales.
Note que el rango de la matriz aumentada es dos y que el rango de la matriz
de coeficientes tambien es dos.
Ejercicio 62. Determinar los valores de x1 , x2 y x3 que solucionan el sistema
x1 x2 + x3 = 1

2x1 3x2 + x3 = 1

4x1 5x2 + 3x3 = 1 .

Respuesta.

4 2r

~x =
x2 = 3 r , con r R.
r
x3

x1

Ejemplo 35 (GaussJordan). Encontrar los valores de x1 , x2 y x3 que solucionan el sistema

3x1 + x2 + 2x3 = 13
x2 x3 = 5

x1 + x3 = 10 .
Soluci
on.
Reorganizando el sistema se tiene

La matriz aumentada es

3x1 + x2 + 2x3
0x1 + x2 x3

x1 + 0x2 + x3

= 13
= 5
= 10 .

..
3
1
2
.
13

..
0 1 1 . 5 .

..
1 0 1 . 10

42

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Entonces, por medio

f1 f3 0

f3 f3 f2 0

1
f1 f1 6f3

f2 f2 + 5f3 0
0

de operaciones elementales fila, tenemos

..
..
0 1 . 10
6
1 0 1 .

..
..
f3 f3 3f1 0 1 1 . 5
1 1 . 5

..
..
1 2 . 13
0 1 1 . 17

..
.
1
0
1
.
6
0 1 ..
6

..
..
f
f

3
3
1 1 . 5
12 0 1 1 . 5

..
..
0 0 0 . 1
0 0 . 12

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

..
0 0 . 1

De la tercera fila obtenemos que 0x1 + 0x2 + 0x3 = 1, lo cual es absurdo; luego
el sistema no tiene soluci
on.
Note que el rango de la matriz aumentada es tres, pero que el rango de la
matriz de coeficientes es dos.
Ejercicio 63. Determinar los valores de x1 , x2 y x3 que solucionan el sistema
x1 x2 + x3 = 1

2x1 3x2 + x3 = 1

4x1 5x2 + 3x3 = 3 .

Respuesta. Al realizar varias operaciones elementales fila sobre la matriz aumentada correspondiente, obtenemos que 0x1 +0x2 +0x3 = 2, lo cual es absurdo;
luego el sistema no tiene soluci
on.
Ejemplo 36 (GaussJordan). Encontrar los valores de x1 , x2 , x3 y x4 que
solucionan el sistema
2x1 x2 + x3 = 1

4x2 x3 + x4 = 9
x3 + x1 = 0

x1 + x2 + x3 + x4 = 2 .

43

Matrices y sistemas de ecuaciones lineales

Soluci
on.

2x1 x2 + x3 + 0x4 = 1

0x + 4x x + x = 9
1
2
3
4
Reorganizando el sistema

x1 + 0x2 + x3 + 0x4 = 0

x + x + x + x
= 2.
1
2
3
4

.
2 1 1 0 .. 1

.
0 4 1 1 .. 9
.

La matriz aumentada es

..
1 0
1 0 . 0

..
1 1
1 1 . 2

Efectuando operaciones elementales fila para llevar la matriz a escalonada

reducida, tenemos

f1 f4
1
f2 f3
0

1
0
4

2 1

1 1

f2 f2
0 1
f3 f3 + 4f2

f4 f4 3f2
0 0
0 0

f1 f1 f3
0
1

f4 4 f4
0

1
0
0

..
1 1 . 2
1

..

1 0 . 0
f2 f2 f10
f4 f4 2f1
..
0
1 1 . 9

..
1 0 . 1
0

.
1
1 .. 2
1

.. f1 f1 f2
0
0
1 . 2

.. f3 f3

1 3 . 1
f4 f4 f3 0
..
1 1 . 1
0

.
0 3 .. 1
1

f1 f1 + 3f4
..

0 1 . 2
f2 f2 f4 0

..
0
1 3 . 1
f

3f
3
3
4

..
0 1 . 0
0

x1

..
1
1
1 . 2

..
1 0 1 . 2

..
4 1 1 . 9

..
3 1 2 . 5

.
0 1 0 .. 0

..
1 0 1 . 2

..
0 1 3 . 1

..
0 0 4 . 0

.
0 0 0 .. 1

.
1 0 0 .. 2
.

.
0 1 0 .. 1

.
0 0 1 .. 0

x2 2

Entonces x1 = 1, x2 = 2, x3 = 1 y x4 = 0 o ~x =
x = 1 .
3
0
x4

44

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Para verificar se reemplazan los valores de x1 , x2 , x3 y x4 en las ecuaciones

originales.
Note que el rango de la matriz aumentada es cuatro y que el rango de la
matriz de coeficientes tambien es cuatro.
Ejercicio 64 (GaussJordan: circuitos electricos). Un circuito electrico sencillo
) y cables electricos ()
est
a constituido por bateras ( - + ), resistencias (
que los unen. La figura 1.3 ilustra un circuito electrico
I1

- +

V: voltios
: ohmios
I: intensidad

- +

I2

I3
Figura 1.3: circuito electrico

Se desea saber cu
ales son las intensidades I1 , I2 e I3 (en amperios) que circulan por los cables. Para ello, mediante la ley de voltaje y ley de intensidad,
ambas de Kirchhoff, se ha determinado que I1 , I2 e I3 satisfacen
I1 + I2 I3 = 1

I1 2I2 = 1
I2 + 3I3 = 4 .

Mediante el metodo de GaussJordan, determinar los valores de las tres intensidades de corriente.
Respuesta.

1
I
1

I~ =
I2 = 1 .
I3

Teorema 12 (Rouche-Fr
obenius). Un sistema de m ecuaciones lineales y n
~
inc
ognitas, A~x = b, tiene soluci
on si y solo si el rango de A es igual al rango de
h . i
.
~
A.b .

Matrices y sistemas de ecuaciones lineales

45

h . i
1. Si el rango de A es igual al rango de A .. ~b y es igual a n, entonces la
soluci
on es u
nica. Observe el ejemplo 33.
h . i
2. Si el rango de A es igual al rango de A .. ~b y es menor que n, entonces
existen infinitas soluciones. Observe el ejemplo 34.
h . i
3. Si el rango de A es diferente del rango de A .. ~b , entonces el sistema no
tiene soluci
on. Observe el ejemplo 35.
Ejemplo 37 (GaussJordan). Determinar los valores de a y b de tal forma
que el sistema
2x1 + 2x2 + ax3 = b 4
x1 + x2 2x3 = 0

x1 + 2x2 + x3 = 0 :
1. No tenga soluci
on. Explicar porque.
2. Tenga infinitas soluciones, explicar porque. Encontrar las soluciones.
3. Tenga soluci
on u
nica, explicar porque. Determinar alguna soluci
on.
Soluci
on. La correspondiente matriz aumentada

..
.
b

4
2
2
a
1

..
f1 f3 1
1 1 2 .
0

.
2
1 2 1 ..
0

y la soluci
on, a continuaci
on

.
0
2 1 ..

.
0
1 2 ..

.
2 a .. b 4

..
1
.
0 f f + 2f
1 2
1
1
2
f2 f2 f1

..
f

(1)f
0 1 3 .

2
0 2
f3 f3 2f1
f3 f3 2f2
..
0 2 a 2 . b 4

Entonces:

..
0
1 0 5 .

..
.
0 1
3
.
0

.
0 0 a + 4 .. b 4

1. Con a = 4 y b 6= 4, por ejemplo b = 0, el sistema no tiene soluci

on.
2. Con a = 4 y b = 4 el sistema tiene infinitas soluciones.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

46

3. Con a 6= 4, por ejemplo, a = 1 y b = 1, el sistema tiene una u

nica
soluci
on.
Veamos
1. No tenga soluci
on
Si a = 4 y b = 0, entonces

..
.
0
1
0
5

.
0 1 3 .. 0 f3 14 f3

.
0 0 0 .. 4

..
.
0
1
0
5

.
0 1 3 .. 0

.
0 0 0 .. 1

De la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo tanto el

sistema no tiene soluci
on.
h . i
Ademas, observe que el rango de A es dos y el de A .. ~b es tres, por lo
tanto, el sistema no tiene soluci
on por el teorema 12.

2. Infinitas soluciones
Si a = 4 y b = 4, entonces

..
1
0
5
.
0

.
0 1 3 .. 0 .

..
0 0 0 . 0
De donde obtenemos las ecuaciones
(
x1 5x3 = 0

x2 + 3x3 = 0 .

Lo que implica: x1 = 5x3 y x2 = 3x3 . Ahora, si x3 = r R, entonces

x1 = 5r y x2 = 3r. Luego,

5r
x1

= 3r .
~x =
x
2

r
x3

h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que la
cantidad de inc
ognitas (tres); lo que implica infinitas soluciones de acuerdo
al teorema 12.

Matrices y sistemas de ecuaciones lineales

47

3. Soluci
on u
nica
Si a = 3 y b = 5, entonces tenemos

..
..
1
0
0
.
5
1
0
5
.
0

.
. f1 f1 + 5f3
0 1 0 .. 3 .
0 1 3 .. 0

f2 f2 3f3

..
..
0 0 1 . 1
0 0 1 . 1
Luego, la soluci
on del sistema es

x1

~x =
x2 = 3
x3

h . i
Observe que el rango de A es igual al de A .. ~b y tambien es igual a la
cantidad de inc
ognitas (tres), lo que implica soluci
on u
nica de acuerdo al
teorema 12.
Ejemplo 38 (GaussJordan). Dado el sistema lineal
x1 + x2 2x3 = 2

2x1 + 3x2 2x3 = 1

x1 + 3x2 + (a2 2)x3 = a + 6 .

Encontrar los valores de a de tal forma que el sistema:
1. No tenga soluci
on, explicar porque.
2. Tenga infinitas soluciones, explicar porque. Determinar los valores de x1 ,
x2 y x3 .
3. Tenga soluci
on u
nica, explicar porque. Determinar los valores de x1 , x2 y
x3 para alg
un a.
Soluci
on.
La matriz aumentada es

2
1 1

2 3
2

1 3 a2 2

..
. 2

..
,
.
1

..
. a+6


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

48
entonces

..
.
2
4
1
1
2

1 0

f2 f2 2f1
f1 f1 f2
..

5
2
f3 f3 f1 0 1 2 .
f3 f3 2f2 0 1
.
0 0 a2 4
0 2 a2 .. a + 8

Para que el sistema:

..
. 7

..
.
.
5

..
. a2

1. No tenga soluci
on.
Con a = 2,

tenemos

..
..
0 4 . 7
1 0 4 . 7

..
.
1
f3 4 f3 0 1 2 .. 5
1 2 . 5

..
..
0 0 . 4
0 0 0 . 1

..
1 0 4 . 0
f2 f2 5f3
..

.
f1 f1 +7f3 0 1 2 . 0
.
0 0 0 .. 1
h . i
Observe que el rango de A es dos y el de A .. ~b es tres, por lo tanto, el
sistema no tiene soluci
on por el teorema 12.
Ademas, de la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo
tanto el sistema no tiene soluci
on.

2. Infinitas soluciones.
Con a = 2, tenemos

..
1
0
4
.
7

..
0 1 2 . 5 ,

..
0 0 0 . 0

De donde se obtiene x1 4x3 = 7 y x2 + 2x3 = 5. Ahora, si x3 = r R,

entonces x1 = 4r 7 y x2 = 5 2r. Luego,

4r 7
x1

~x =
x2 = 5 2r .
x3

Matrices y sistemas de ecuaciones lineales

49

h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que
la cantidad de inc
ognitas (tres), lo que implica infinitas soluciones por el
teorema 12.
3. Soluci
on u
nica.
Con a 6= 2 tenemos una u
nica soluci
on, pues en la tercera fila no tendramos
una inconsistencia como con a = 2 y tampoco se anulara la fila como
con a = 2; por ejemplo, con a = 1 tenemos

..
..
1
0
4
.
7
1
0
4
.
7

..
..
1
0 1 2 . 5 f3 ( 3 )f3 0 1 2 . 5

..
..
0 0 3 . 3
0 0 1 . 1

..
.
3
1
0
0

f1 f1 + 4f3

.
0 1 0 .. 3 .
f2 f2 2f3

.
0 0 1 .. 1
Entonces, la soluci
on del sistema es

x
3
1

~x =
x2 = 3 .
x3
1

h . i
umero de
Observe que el rango de A es igual al de A .. ~b y es igual al n
inc
ognitas (tres); lo que implica una u
nica soluci
on por el teorema 12.
Ejemplo 39. Encontrar los valores de a de tal forma que el sistema
x1 + x2 + x3 = 2
2x1 + 3x2 + 3x3 = 3
3x1 + 3x2 + (a2 + 2)x3 = a + 5 .
1. No tenga soluci
on, explicar porque.
2. Tenga infinitas soluciones, explicar porque. Determinar los valores de x1 ,
x2 y x3 .


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

50

3. Tenga soluci
on u
nica, explicar porque. Determinar los valores de x1 , x2 y
x3 para alg
un a.
Soluci
on.
La matriz aumentada es

1
1 1

2 3
3

3 3 a2 + 2

entonces

1
f2 f2 2f1

f3 f3 3f1 0
0

f1 f1 f2 0

Para que el sistema:

1
1
0
0
1
0

..
.
2

..
,
.
3

..
. a+5

..
.
2

..
1
. 1

.
a2 1 .. a 1

..
0
.
3

..
.
. 1
1

.
(a 1)(a + 1) .. a 1
1

1. No tenga soluci
on.
Con a = 1, tenemos

..
1 0 0 . 3

.
0 1 1 .. 1f3 21 f3

..
0 0 0 . 2

..
1 0 0 .
f2 f2 + f3
..

f1 f1 3f3 0 1 1 .
.
0 0 0 ..

..
1 0 0 . 3

.
0 1 1 .. 1

..
0 0 0 . 1

.
0

h . i
Observe que el rango de A es dos y el de A .. ~b es tres, por lo tanto, el
sistema no tiene soluci
on por el teorema 12.

Matrices y sistemas de ecuaciones lineales

51

Ademas, de la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo

tanto el sistema no tiene soluci
on.
2. Infinitas soluciones.
Con a = 1, tenemos

..
1
0
0
.
3

.
0 1 1 .. 1 ,

.
0 0 0 .. 0

De donde se obtiene x1 = 3 y x2 + x3 = 1. Ahora, si x3 = r R, entonces

x2 = 1 r. Luego,

3
x1

= 1 r .
~x =
x
2

x3

h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que
la cantidad de inc
ognitas (tres), lo que implica infinitas soluciones por el
teorema 12.
3. Soluci
on u
nica.
Con a 6= 1 tenemos una u
nica soluci
on, pues en la tercera fila no tendramos
una inconsistencia como con a = 1 y tampoco se anulara la fila como
con a = 1; por ejemplo, con a = 0 tenemos

..
..
1 0 0 . 3
1 0 0 . 3

f3 f3

..
..
0 1 1 . 1

f2 f2 + f3 0 1 0 . 2
.
.
0 0 1 .. 1
0 0 1 .. 1
Entonces, la soluci
on del sistema es

x
3
1

~x = x2 = 2
.
x3

52

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

h . i
Observe que el rango de A es igual al de A .. ~b y es igual al n
umero de
inc
ognitas (tres); lo que implica una u
nica soluci
on por el teorema 12.
Ejercicio 65. Encontrar los valores de a de tal forma que el sistema:
x1 + x2 x3 = 2

x1 x2 + 3x3 = 4

x1 + x2 + (a2 5)x3 = a .
1. No tenga soluci
on, explicar porque.
2. Tenga infinitas soluciones, explicar porque. Determinar los valores de x1 ,
x2 y x3 .
3. Tenga soluci
on u
nica, explicar porque. Determinar los valores de x1 , x2 y
x3 para alg
un a.
Respuesta. Con a = 2 no hay soluci
on; con a = 2 se obtienen infinitas soluciones de la forma (~x)T = [3 s, 1 + 2s, s], s R; y con a 6= 2 se obtiene una
u
nica soluci
on, por ejemplo, con a = 0 se obtiene (~x)T = [5/2, 0, 1/2].

Sistema lineal homog

eneo
Un sistema lineal de m ecuaciones y n inc
ognitas de la forma
a11 x1 + a12 x2 + + a1n xn = 0

a21 x1 + a22 x2 + + a2n xn = 0

..
..
..
..
.
.
.
.
am1 x1 + am2 x2 + + amn xn = 0

es llamado sistema lineal homogeneo. Su representacion matricial es

0
a11 a12 a1n
x1

a21 a22 a2n x2 0

.
= ,
..
..
... ...
..
.
.

0
xn
am1 am2 amn

53

Matrices y sistemas de ecuaciones lineales

que en forma abreviada es

A~x = ~0 .
Una soluci
on de este sistema es la llamada trivial, que es x1 = x2 = =
xn = 0. Una soluci
on donde no todas las xi sean cero es llamada no trivial.
Teorema 13. Un sistema de ecuaciones homogeneo siempre tiene soluci
on no
trivial si el n
umero de ecuaciones es menor que el de inc
ognitas.
Ejemplo 40. Encontrar la soluci
on del siguiente sistema homogeneo.
4x1 + x2 + x3 = 0
5x1 x2 x3 = 0 .
Soluci
on.
La matriz aumentada es

4 1
1

5 1 1

..
. 0
,
..
. 0

entonces, por medio de operaciones elementales fila, tenemos

..
1 0
0
9 0
0 . 0

f1 f1 + f2
f1 19 f1
..
5 1 1
5 1 1 . 0

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

f2 f2 5f1
f2 (1)f2
.
.
0 1 1 .. 0
0 1 1 ..

x1 = 0
Si x3 = r R, entonces x2 = r. As,

x2 + x3 = 0.

x
0
1

~x =
x2 = r .
x3

..
. 0

..
. 0

0
.
0

El sistema tiene infinitas soluciones. Para verificar el resultado se reemplazan los

valores de x1 , x2 y x3 en las ecuaciones originales.

Note que el rango de la matriz aumentada es dos que es igual al rango de

la matriz de coeficientes y es menor que el n
umero de inc
ognitas, que es tres, lo
que implica infinitas soluciones por el teorema 12.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

54

Ejercicio 66. Por GaussJordan, determinar la soluci

on del sistema homogeneo
4x1 + 8x2 8x3 = 0

2x1 2x2 2x3 = 0 .

Respuesta. (~x)T =

4

r
3 r, 3 , r

, con r R.

Teorema 14. Si A Mmn , entonces el sistema homogeneo A~x = ~0 tiene:

1. Infinitas soluciones si el rango de A es menor que n.
2. Una u
nica soluci
on, la trivial, si el rango de A es igual a n
Ejercicio 67. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

1.5

Inversa de una matriz

Definici
on 22 (Matriz invertible). Una matriz A Mnn es invertible o no
singular si existe () B Mnn tal que AB = BA = In , es decir, una matriz
cuadrada tiene inversa si existe otra matriz cuadrada de igual tama
no tal que al
multiplicarlas entre s, en cualquier orden, se obtiene la matriz identidad.
Ejemplo 41. Dadas
A=

"

2 3
1 4

y B=

"

4/5
1/5

3/5
2/5

verifiquemos que B es inversa de A.

Soluci
on.
AB =

"

2 3

#"

4/5

3/5

1/5 2/5
"
#!
2 3
1 4 3
=
5 1 2
1 4
"
#"
#
4 3
1 2 3
=
5 1 4 1 2
"

1 4

Matrices y sistemas de ecuaciones lineales

55

"
#
1 8 3 6 + 6
=
5 4 4 3 + 8
"
#
1 5 0
=
5 0 5
#
"
1 0
.
=
0 1
Entonces B es inversa de A. Realice BA y tambien obtendra I2 .
Ejercicio 68. Dadas
A=

"

3 7
2 5

y B=

"

#
7
3

verifique que B es inversa de A. Realice AB y BA.

Observe que aunque la multiplicaci
on de matrices no es en general conmutativa, este es uno de esos casos donde s lo es.
De ahora en adelante, a la inversa de A la denotaremos como A1 , entonces,
si A1 existe
AA1 = A1 A = In .
C
omo determinar la inversa de una matriz?
Suponga que desea saber si A Mnn es invertible y en caso de serlo encontrar A1 . Pasos para lograr este objetivo:
.
1. Forme la matriz [A .. In ]
.
2. Ejecute operaciones elementales fila a [A .. In ], de tal forma que A quede
.
en forma escalonada reducida, obtendra la matriz [B .. C]
3. Si B = In , entonces A1 = C.
Si B tiene al menos una fila de ceros, entonces A no es invertible.
Ejemplo 42. Dada

3
,
1 3 12

A=
1

56

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

encontrar A1 .
Soluci
on.

..
5
1
..
3
..
1
2
3
.
1 3 12 ..

..
..
2
3
1
..
f1 f2 3
5
1
.
1 3 12 ..
f2 f2 3f1
f3 f3 + f1

Entonces,

3
1 2
0 1 8
0 1 9

..
.. 0 1 0
.. 1 3 0
..
. 0 1 1

..
13 .. 2 5 0
.. 1 3 0
8
.
1 .. 1 4 1

..
0 .. 15 57 13
8
0 ... 9 35
4 1
1 .. 1

f1 f1 + 2f2 1 0

f2 f2
0 1
f3 f3 f2
0 0

f2 f2 + 8f3 1 0

f1 f1 13f3 0 1
f3 f3
0 0

1 0 0
0 1 0
0 0 1

0 1 0
1 0 0
0 0 1

57 13

15

A1 =
9
1

35

8
.
1

Ejercicio 69. Verifique el ejemplo 42, es decir, verifique que AA1 = I3 .

Ejercicio 70. Si
A=

"

#
3 2
1

determinar A1 . Verifique su respuesta.

"
#
2 2
1
1
Respuesta. A = 8
.
1 3

Matrices y sistemas de ecuaciones lineales

57

Ejercicio 71. Sea

A=

"
#
2 3
1 4

la matriz del ejemplo 41, determinar A1 mediante el metodo ense

nado.
Respuesta.

A1

1
5

"

#
3
2

Ejercicio 72. Sea

A=

"

a b
c d

determinar A1 . Que condiciones deben cumplir a, b, c y d para que la inversa

exista?
"
#
d
b
1
y (ad bc) 6= 0.
Respuesta. A1 = adbc
c a
Teorema 15. Si una matriz tiene inversa, entonces es u
nica.
Hasta ahora, hemos realizado pruebas en las que partiendo de una hip
otesis
H llegamos a una tesis T a traves de inferencias logicas (pasos) =, es decir,
H = T . Pues bien, est
a demostrado que otra forma de probar es negando la tesis
T y, a traves de inferencias l
ogicas =, llegamos a una negaci
on de la hip
otesis
H, es decir, T =H, o llegamos a una contradicci
on ==. A este metodo
de demostrar se le llama reducci
on al absurdo o prueba por contradicci
on.
Por ejemplo, usted sabe que el inverso multiplicativo del 5 es 15 porque 5 51 =
1 y es el u
nico. Pues bien, una forma de probar que es el u
nico es suponiendo
que existe otro inverso multiplicativo diferente de 15 . Supongamos que existe un
b 6= 15 tal que b 5 = 1, luego b = b 1 = b (5 51 ) = (b 5) 51 = 1 51 = 15 .
Luego, b = 15 , pero habamos dicho que b 6= 51 . Entonces es una contradicci
on.
Concluimos que no existe otro inverso multiplicativo para el cinco.
Cuando se nos habla de unicidad en un teorema, entonces pensamos que la
forma de probarlo es seguramente por reduccion al absurdo. Veamos como probar
el teorema 15 por reduccion al absurdo.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

58
Prueba.
1

2

3

Sea A Mnn invertible,

hip
otesis

Suponga que existen B, C Mnn

negaci
on de la tesis

B = BIn ,

multiplicando por la identidad

diferentes tales que AB = In y AC = In ,

2 en
3

= B(AC),
= (BA)C,

asociatividad

2
por

= In C,

3
raz
on de .

= C,

3 a ,
7 entonces hay una contradicci
Como B = C, por
on porque habamos su2
puesto en que eran diferentes. Luego, la inversa es u
nica.

Teorema 16 (Propiedades de la inversa).

1. Si A Mnn es invertible, entonces A1 es tambien invertible y A1

A.

1

2. Si A, B Mnn son invertibles, entonces AB es invertible y (AB)1 =

B 1 A1 .

3. Si A es invertible, entonces AT

Prueba de 2.

1

= A1

T

59

Matrices y sistemas de ecuaciones lineales

1

2

7

8

10

11

12

13

Sean A, B Mnn invertibles,

hip
otesis

Entonces,

La inversa de (AB) es (B 1 A1 ) si y solo si (sii)

(AB)(B 1 A1 ) = I sii,

definicion de inversa

A(BB 1 )A1 = I sii,

asociatividad

A(I)A1

definicion de inversa

AA1

= I sii,

= I sii,

por matriz identidad

6
raz
on de .

I = I,
Ahora,
La inversa de (AB) es (B 1 A1 ) sii
(B 1 A1 )(AB) = I sii,

definicion de inversa

B 1 (A1 A)B

asociatividad

B 1 (I)B

= I sii,

= I sii,

definicion de inversa

B 1 B = I sii,

por matriz identidad

I = I,

raz
on de 12
.

2 a 13
Luego, por
, la inversa de AB es B 1 A1 .
Ejemplo 43.
"
#
2 1

"

#
1

, su inversa es A1 =
.
5 3
5 2
Observe

1 que la inversa de la inversa de A es la misma A, es decir,
= A.
A1

1. Sea A =

2. Sean

A=

"

1 2

, A1 =

"
#
2 7
1

"

,B =

#
2 1
3 2

y B 1 =

(por favor verifique las inversas con el metodo explicado).

(a) Entonces:
AB =

"

#"
#
2 1

1 2

3 2

"

#
1
2


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

60

"

6 + 21

3 + 14

2 6 1 4
"
#
27 17
=
.
8 5
(b) La inversa de AB es
(AB)1 =

"
#
5 17
8

27

, por favor verifquelo.

(c) Ahora,
B

"

"

"

2
3

#"
#
1 2 7
2

3
#
4 1 14 3
6+2

5 17
8

27

21 + 6
#
.

Se observa, entonces, que (AB)1 = B 1 A1 .

3. Sea
A=

"

"

2 1
7 4

entonces
A =

2 7
1 4

La inversa de la transpuesta de A es

1
AT
=

"

4
1

#
7
2

Matrices y sistemas de ecuaciones lineales

61

Ahora, A1 es
"

#
1
2

entonces
(A1 )T =

"

4
1

#
7
2

Observe que la inversa de la transpuesta de A es igual a la transpuesta de

la inversa de A, es decir,

T

1
= A1 .
AT

Corolario 1. Si A1 , A2 , . . . , Ap Mnn son invertibles, entonces

A1 A2 . . . Ap
es invertible y
1 1
(A1 A2 . . . Ap )1 = A1
p . . . A2 A1 .

Teorema 17. Dados A, B Mnn , si AB = In , entonces BA = In y B = A1 .

Teorema 18. Una matriz A Mnn es invertible si y solo si es equivalente
por filas a In .

Aplicaci
on de la inversa de una matriz
Sabemos que un sistema lineal de n ecuaciones y n inc
ognitas puede ser expresado
como A~x = ~b. Si A es invertible, entonces podemos multiplicar a ambos lados de
esta ecuaci
on por A1 , luego:
A1 (A~x) = A1~b ,
(A1 A)~x = A1~b ,
In ~x = A1~b ,
~x = A1~b .

(1.1)

Ahora, en la industria, el gobierno y la academia, diversos problemas pueden

ser expresados como sistemas lineales, de tal forma que si se desea obtener ciertos
resultados ~b, la pregunta es: que valores ~x deber
an ser ingresados en el proceso?
La ecuaci
on (1.1) responde a esta pregunta.

62

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejemplo 44. En la institucion educativa Lucrecio Jaramillo del municipio de

Medelln se requiere comprar 2 fotocopiadoras, 7 computadores y 3 escritorios.
Si se sabe, por informaci
on de otras tres instituciones, que 1 fotocopiadora, m
as
3 computadores, m
as 2 escritorios valen $9 millones; que 2 fotocopiadoras, m
as
7 computadores, m
as 1 escritorio valen $17 millones; y que 3 fotocopiadora, m
as
11 computadores, m
as 1 escritorio valen $26 millones; entonces, cuanto es el
costo por unidad y total de los artculos que la institucion desea comprar?
Soluci
on.
Sean f : valor de una fotocopiadora, c: valor de un computador y e: valor de un
escritorio. Entonces,
f + 3c + 2e = 9
2f + 7c + e = 17
3f + 11c + e = 26 ,
que en forma abreviada es A~x = ~b, donde:

9
f
1 3 2

A = 2 7 1 , ~x = c y b = 17
.
3 11 1

26

La inversa de A es

A1

4 19 11

=
3
.
1 5
1 2
1

Luego, como ~x = A1~b, entonces

9
1
4 19 11

~x = 1 5
3 17 = 2
.
1
1 2
1
26

De esta forma, la institucion educativa Lucrecio Jaramillo debe invertir 2 1 +

7 2 + 3 1 = 19 millones.

Si los valores facturados por las tres instituciones hubiesen sido 6, 10 y 15

millones, respectivamente, requerira usted resolver un nuevo sistema lineal?

Matrices y sistemas de ecuaciones lineales

63

La respuesta es no, simplemente multiplicara A1 por el vector [6, 10, 15]T

y obtendramos [1, 1, 1]T , que corresponde a los valores de cada fotocopiadora,
cada computador y cada escritorio, respectivamente. De esta forma, la institucion
debera invertir 2 1 + 7 1 + 3 1 = 12 millones.
Ejercicio 73. En el plano cartesiano un punto cualquiera (x, y) puede ser girado un angulo , en direcci
on contraria a las manecillas del reloj, mediante la
transformacion
"
#" #
cos() sen() x
A~v =
.
sen() cos()
y
Si se sabe que siete puntos fueron girados 90o con dicha transformacion y se
obtuvo el siguiente conjunto {(9, 3), (2, 4), (1, 1), (0, 0), (1, 1), (2, 4), (5, 5)},
cuales fueron los puntos originales? Grafquelos.
"
#
cos() sen()
Ayuda. La inversa de A es
.
sen() cos()
Respuesta. {(3, 9), (4, 2), (1, 1), (0, 0), (1, 1), (4, 2), (5, 5)}.

Teorema 19. Si A Mnn , entonces el sistema homogeneo

A~x = ~0
tiene soluci
on no trivial si y solo si A es no invertible.
Ejemplo 45. Dado el sistema
2x1 + 4x2 = 0
6x1 12x2 = 0 ,
que en forma matricial es
"

# "

x1

x2
6 12
{z
} | {z }
|
A

~
x

" #
0

0
|{z}

~0

A es no invertible (verificarlo). Solucionando el sistema se tiene

"
#
..
2
4
.. 0
6 12 .. 0

64

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

"
f1 12 f1 1 2
f2 f2 + 3f1 0 0

#
..
.. 0 .
.. 0

Luego, el sistema tiene infinitas soluciones

x1 = 2x2 .
Si x2 = r R, entonces la soluci
on del sistema es
"
#
2r
~x =
.
r
Teorema 20. Si A Mnn , entonces A es invertible si y solo si el sistema
lineal A~x = ~b tiene soluci
on u
nica.
Dado un sistema lineal A~x = ~b de n ecuaciones con n inc
ognitas, las siguientes
afirmaciones son equivalentes:
1. A es invertible.
2. A~x = ~b tiene soluci
on u
nica.
3. A es equivalente por filas a In .
4. El rango de A es n.
Ejercicio 74. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

Unidad 2

Determinantes
Los objetivos de esta unidad son: aprender a calcular el determinante de una
matriz, probar la existencia o no de la inversa de una matriz y calcularla, si
existe, empleando los determinantes y sus propiedades; resolver sistemas lineales empleando determinantes; y resolver problemas de areas en R2 empleando
determinantes.
El determinante de una matriz Ann es una funcion que asigna a esta un
u
nico n
umero real. Denotaremos el determinante de A como det(A) o |A|.
Primero veamos c
omo calcular el determinante de matrices de tama
no uno,
dos y tres:
1. El determinante de una matriz de tama
no uno, A = [a], es a; por ejemplo:
el determinante de A = [7] es 7, el determinante de B = [5] es 5,
etcetera.
2. El determinante de una matriz de tama
no dos por dos,
A=

#
"
a11 a12
a21 a22

es

 a11
a12



det(A) = 


 a21
a22





 = a11 a22 a12 a21 .




66

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejemplo 46. Sea

A=

"
#
2 1
3 4

entonces det(A) = (2 4) (1 3) = 5.
Ejercicio 75. Hallar el determinante de las matrices
A=

"

#
2 2
5

B=

"

5 3

y C=

"

4 3

Respuesta. det(A) = 16, det(B) = 11 y det(C) = 2.

3. Para calcular el determinante de una matriz de tama
no tres por tres,

a11 a12 a13

A=
a21 a22 a23 ,
a31 a32 a33

emplearemos la regla de Sarrus: agregamos las filas uno y dos debajo, y

trazamos seis flechas diagonales en la forma

 a11 a12 a13


 a21
a22 a23



 a31
a32 a33

a11 a
a13
12

a
a
a
21

22

23

Para encontrar el determinante de A realizamos la suma de los productos

indicados por las flechas descendentes de izquierda a derecha (verdes) y luego restamos la suma de los productos indicados por las flechas descendentes
de derecha a izquierda (rojas), de la siguiente forma:
det(A) =(a11 a22 a33 + a21 a32 a13 + a31 a12 a23 )
(a13 a22 a31 + a23 a32 a11 + a33 a12 a21 ) .

67

Determinantes

Ejemplo 47. Calcular el determinante de

1
0

A = 2 1
0

Soluci
on. Entonces,

4
.


 1 0 3


det(A) =  21


 0
2 5

1
0 3

2 1 4

luego,
det(A) = (1 (1) 5 + (2) 2 3 + 0 0 4)
(3 (1) 0 + 4 2 1 + 5 0 (2))

=(5 12 + 0) (0 + 8 + 0)
= 25 .

Ejercicio 76. Calcular el determinante de cada una de las matrices

3 0 3
4 2 1
3 4
1

A=
4 2 1 , B = 3 0 3 y C = 5 2 7 .
0 1 5
0 1 5
0 0
0

Respuesta. det(A) = 21, det(B) = 21 y det(C) = 0. Observe que

la matriz B se obtiene a partir del intercambio de las filas 1 y 2 en A.
Tambien observe que la matriz C tiene una fila de ceros.
Entonces, ya sabemos calcular el determinante de matrices de tama
no uno
por uno, dos por dos o tres por tres. Veamos a continuaci
on algunos teoremas
que nos permitiran calcular el determinante de matrices de tama
no mayor por el
metodo que llamaremos triangulaci
on. Este consiste en llevar la matriz a triangular superior (o inferior) por medio de operaciones elementales fila (o columna)
y luego realizar el producto de la diagonal principal; el resultado, habiendo considerado los teoremas siguientes, es el determinante de la matriz original.

68

2.1

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Propiedades de los determinantes

Teorema 21. Si una matriz se obtiene de una matriz Ann al intercambiar dos
filas (columnas), entonces su determinante es el mismo de A con signo inverso,
es decir, si en A intercambiamos las filas (columnas) i y j, entonces
det(Afi fj ) = det(A) o
det(Aci cj ) = det(A) .

Ejemplo 48. Al intercambiar las filas uno

Af2 f3 =
1
3
Su determinante es

y dos del ejemplo 51, obtenemos

0 1

3 4
.
2 1

det(Af1 f2 ) =(2 3 1 + 1 2 1 + 3 0 4)
(1 3 3 + 4 2 (2) + 1 0 1)

=(6 + 2 + 0) (9 16 + 0)
=3 .

Efectivamente, det(Af1 f2 ) = det(A).

Ejercicio 77. Sean

5 3

A=
3 0 2
2 2 1

Calcular det(A) y det(B).

0 2

B=
1 5 3 .
2 2 1

Respuesta. -21 y 21, respectivamente.

Ejercicio 78. Sean

2 3

A=
3 0 1
2 2 1

Calcular det(A) y det(B).

Respuesta. det(A) = 6 y det(B) = 6.

0 1

B=
2 2 1 .
1 2 3

69

Determinantes

Teorema 22. Si una matriz se obtiene de otra Ann al multiplicar una fila
(o columna) por un k R, entonces el determinante de la nueva matriz es k
veces el determinante de la matriz original, es decir, det(Afi kfi ) = k det(A)
(det(Aci kci ) = k det(A)).
Ejemplo 49. Sean
A=

"
#
2 1
3

y Af1 2f1 =

"

4 2
3

entonces det(A) = (24)(13) = 11 y det(Af1 2f1 ) = 2det(A) = 22.

Ejercicio 79. Calcular el determinante de las matrices

2
1
3
6 3
9
2 1
3

A=
3 2 1 , Af1 3f1 = 3 2 1 y Af3 5f3 = 3 2 1 .
0 10 20
0 2
4
0 2
4
Respuesta. det(A) = 6, 18 y 30, respectivamente.

Teorema 23. Si una matriz se obtiene de otra matriz Ann al sumar a la i

esima fila (o columna) kveces la jesima fila (o columna), i 6= j, entonces el
determinante de la nueva matriz es igual al de la matriz original, es decir,
det(Afi fi +kfj ) = det(A) o
det(Aci ci +kcj ) = det(A) .
Ejemplo 50. Sean

1 2 0
1 2 0

A=
0 5 1 y Af3 f3 5f1 = 0 5 1 .
5 1
0
0 11 0
Sus determinantes son:

det(A) =(1 5 0 + 0 1 0 + 5 (2) (1))

(0 5 5 + (1) 1 1 + 0 (2) 0)

=(0 + 0 + 10) (0 1 + 0)
=11

70

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

y
det(Af3 f3 5f1 ) =(1 5 0 + 0 11 0 + 0 (2) (1))
(0 5 0 + (1) 11 1 + 0 (2) 0)

=(0 + 0 + 0) (0 11 + 0)

=11 .

Hemos verificado que ambos determinantes son 11.

Ejercicio 80. Calcular el determinante de las matrices

4 1
3
13 5 0

A = 3 2 1 y Af1 f1 +3f2 = 3 2 1
.
1 2
0
1
2
0

Respuesta. Los dos resultados son 31.

Teorema 24. El determinante de la transpuesta de una matriz Ann es igual

al determinante de A, es decir,


det AT = det(A) .

Ejemplo 51. El determinante de

3 4

A=
2 0 1 ,
3 2 1

es

det(A) = (1 0 1 + (2) 2 4 + 3 3 1)
(4 0 3 + 1 2 1 + 1 3 (2))

=(0 16 + 9) (0 + 2 6)
= 3.

Ahora, la matriz transpuesta de A es

1 2 3

AT =
3 0 2 ,
4 1 1

Determinantes

71

y su determinante es


det AT = (1 0 1 + 3 1 3 + 4 (2) 2)
(3 0 4 + 2 1 1 + 1 (2) 3)

=(0 + 9 16) (0 + 2 6)
= 3.

Hemos verificado que det(A) = det AT .

Ejercicio 81. Si det(A) = 7, entonces cuanto es det AT ?

Teorema 25. Dada una matriz Ann , si dos de sus filas (columnas) son iguales,
entonces det(A) = 0.
Para entender mejor la siguiente prueba suponga una matriz A con dos filas
iguales

1
A=
4

0 3 5

3 4 0

0 3 5

0 5 7

y suponga que det(A) = c. Observe que la fila uno y la tres son iguales. Ahora
construya una matriz B obtenida al intercambiar las filas uno y tres. Por tanto,

4 0 3 5

1 3 4 0

.
B=

4
0
3
5

2 0 5 7
Como se intercambiaron dos filas, entonces det(B) = c. Pero, A y B son iguales,
entonces det(A) = det(B), por tanto c = c. El u
nico real que cumple c = c
es el 0. Se concluye que det(A) = 0. Ahora s, veamos la prueba formal.
Prueba.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

72
1

Sea A Mnn ,

hip
otesis

Sean fi y fj (ci y cj ) iguales en A, i 6= j

hip
otesis

det(B) = det(A),

por teorema 21

Sea B = Afi fj (B = Aci cj ),

construccion

det(B) = det(A),

por A y B ser iguales

det(A) = det(A),

4 y por .
5
por

4

6

6
Luego, det(A) = 0 por .
Ejemplo 52. Encontrar el determinante de

4 0 3

A=
1 3 4 .
4 0 3

Observe que las filas uno y tres son iguales, luego, considerando el teorema
25, det(A) = 0. Ahora, solo para verificar, calculemos este determinante por el
metodo explicado:
det(A) = (4 3 3 + 1 0 3 + 4 0 4)
(3 3 4 + 4 0 4 + 3 0 1)

=(36 + 0 + 0) (36 + 0 + 0)
=0 .

Ejercicio 82. Calcular el determinante de las matrices

3 0 3
3 0 8
7 2 4

A=
7 2 4 , B = 0 2 5 y C = 5 2 1 .
5 2 1
3 0 8
0 2 5

Respuesta. det(A) = 0, det(B) = 0 y det(C) = 0.

Corolario 2. Si una fila (o columna) de una matriz Ann es nula, entonces

det(A) = 0.
Prueba.
Por hip
otesis, sea Ann tal que la fila i sea nula, i [1, . . . , n]. Construyamos
una matriz B a partir de A tal que la fila i en B sea igual a una fila j en A,

73

Determinantes

j 6= i, es decir, B = Afi fi +fj . Como a la fila i le sumamos la fila j, entonces el

determinante de B es igual al determinante de A. Pero, como B tiene dos filas
iguales, entonces el determinante de B es cero. Y como ya dijimos que det(A) =
det(B), entonces el determinante de A es cero, que era lo que dese
abamos probar.
Ejemplo 53. Encontrar el determinante

A=
3
0

de
4 1

1 3
.
0 0

Puesto que la fila tres es nula, entonces, considerando el teorema 2, det(A) = 0.

Ahora calculemos este determinante por el metodo explicado:
det(A) = (2 1 0 + (3) 0 1 + 0 4 3)
(1 1 0 + 3 0 2 + 0 4 (3))

=(0 + 0 + 0) (0 + 0 + 0)
=0 .

Ejercicio 83. Calcular el determinante de las matrices

0 0 0
0 0
0
0 0 0

, B = 0 0 0 y C = 0 0 0 .
A=
3
5
1

0 2
4
7 8 5
0 0 0
Respuesta. det(A) = 0, det(B) = 0 y det(C) = 0.

Teorema 26. El determinante del producto de dos matrices Ann y Bnn es

igual al producto de sus determinantes, es decir,
det(AB) = det(A) det(B) .
Ejemplo 54. Si det(A) = 5 y det(B) = 6, entonces det(AB) = 30.
Ejercicio 84. Calcular el determinante AB si

1 0
4
1 3
2

y B = 4 2 1 .
A=
3
2
1

0 2
5
0 2
0
Respuesta. det(AB) = 16 18 = 288.

74

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Teorema 27. Si una matriz Ann = [aij ] es triangular superior (inferior),

entonces su determinante es igual al producto de los elementos de su diagonal
principal, es decir,
det(A) = a11 a22 ann .
Ejemplo 55. El determinante de

0
A=
0

es det(A) = 2 5 (2) 1 = 20.

5 5
1

0 2 1

0 0
1
3

Ejercicio 85. Si

1 3

A= 0

entonces, cual es el det(A)?

Respuesta. det(A) = 72.

1
5

2
1

0 2

15

23 ,

Considerando los teoremas 21, 22 y 23, para encontrar el determinante de

una matriz Ann podemos llevarla a triangular superior (inferior) por medio de
operaciones elementales fila (o columna), y por u
ltimo aplicar el teorema 27 para
calcular su determinante. Veamos un ejemplo.
Ejemplo 56 (Determinante por triangulacion). Sea

2 3 4 0

1 2 0 7
,

A=

1
1
2
2

0 1 4 5

encontrar |A| por triangulacion.

75

Determinantes

Soluci
on. Por medio de operaciones elementales fila, encontremos una matriz
Ai triangular superior que sea equivalente a A.

f1 f3
f2 f4

1 1 2 2

0 1 4 5
.

A1 =

2 3 4 0
1 2 0 7

Como realizamos dos intercambios de fila, entonces, por el teorema 21, el determinante de A es |A| = (1) (1) |A1 |. Ahora, obtengamos ceros debajo del
uno principal de la primera fila

f3 f3 2f1
f4 f4 f1

1 1 2

0 1
A2 =
0 1

0 1

4
8

5
.
4

De acuerdo al teorema 23, el determinante de A2 es igual al de A1 ; entonces

|A| = (1) (1) |A2 |. Ahora, obtengamos ceros debajo del uno principal de
la segunda fila

f3 f3 f2
f4 f4 f2

1 1 2

0 1 4
5
.

A3 =

0
0
4
9

0 0 2 0

Nuevamente, de acuerdo al teorema 23, el determinante de A3 es igual al de A2 ;

entonces |A| = (1) (1) |A3 |. Multipliquemos por un cuarto la tercera fila

f3

1
4 f3

1 1 2

0 1
A4 =
0 0

4
1

0 0 2

5
.
9
4
0


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

76

Ahora, por el teorema 22, el determinante de A4 es un cuarto del determinante

de A3 ; para corregir en el valor de |A|, multiplicamos por 4 el determinante de
A4 , entonces |A| = (1) (1) 4 |A4 |.

f4 f4 + 2f3

1 1 2

0 1
A5 =
0 0

0 0

4
1

5
.
9
4

18
4

De acuerdo al teorema 23, el determinante de A5 es igual al de A4 . Para finalizar

|A| = (1) (1) 4|A5 | = 4 1 1 1

18
4

Ejercicio 86. Sea

1
2
0
0

A= 1
2 2 2

0
1
5
5

2 4 4 11

encontrar |A| por triangulacion.

Respuesta. det(A) = 50.

= 18.

1 ,

Teorema 28 (Determinante de la inversa de A). Si A Mnn es no singular,

1
entonces det(A) 6= 0 y det A1 =
.
det(A)
Prueba.
1 A es no singular,

hip
otesis

A1

det(AA1 ) = det(In ),

1
de

existe,

AA1 = In ,

det(A) det

definicion de inversa

A1

= 1,

obteniendo el determinante
3
a ambos lados de

propiedad de determinante.


1
.
Luego, det(A) 6= 0 y det A1 =
det(A)

Determinantes

77

Ejemplo 57. Si el det(A) = 7, entonces det A1 = 17 .

Ejercicio 87. Si

1 1

A=
2 2 4 ,
3 1 5

calcular:

1. det(A) =


2. det A1 = (empleando el teorema 28)
3. A1 =

4. det A1 (empleando alguno de los dos metodos estudiados).

Respuesta. det(A) = 48, det(A1 ) =

1
48

A continuaci
on un ejercicio en el que se aplican las propiedades de determinante vistas hasta ahora.
Ejercicio 88. Responder aplicando
tifique su respuesta.




3 1 4


1. Si 2 0 3  = 18, entonces


3 1 5 

las propiedades de los determinantes. Jus




 3 2 3


 1 0 1 =?




4 3 5









3 1 1
3 1 1




2. Si 2 2 3  = 24, entonces 2 2 3  =?




3 1 5 
6 2 10 


2 4


1
2
3. 
2 4

 2 11


7 

8 2
=?
5 7 

0 4


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

78

4


2
4. 
0

7


4 1 0

8 0 4
=?
0 0 0

1 8 4









5
1
1
2
2
3








5. Si 2 2 3  = 38, entonces 5 1 1=?




3 1 5 
3 1 5 

6. Si det(A) = 7 y det(B) = 8, entonces det(AB) =?

7. Si det(A) = 5, entonces det A1 =?

4 0 0 0

0 1 0 0

8. El determinante de A =
0 0 5 0 =?

0 0 0 3
Respuesta.


1. -18 porque det AT = det(A).

2. 48 porque si B se obtiene de A multiplicando la tercera fila de A por 2,

entonces det(B) = 2 det(A).
3. 0 por tener dos filas iguales.
4. 0 por tener una fila de ceros.
5. -38 por tener dos filas intercambiadas.
6. 56 porque det(AB) = det(A) det(B).




1
.
7. det A1 = 51 porque det A1 = det(A)

8. |A| = 4 1 5 (3) = 60 por ser triangular (observe que tambien es

diagonal).
Ejercicio 89. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

79

Determinantes

2.2

Determinantes por cofactores

Definici
on 23 (Cofactor). Dada Ann = [aij ], se define el cofactor Aij asociado
a aij como
Aij = (1)i+j det(Mij ) ,
donde Mij es la matriz obtenida de A al eliminar la fila i y la columna j.
Ejemplo 58. Si

entonces sus cofactores son:

A11
A12
A13
A21
A22
A23
A31
A32
A33

A=
0 2 5 ,
2 0 0



2 5


= (1)
=10=0

 0 0


0 5


= (1)1+2 
 = (1) (10) = 10
2 0




1+3 0 2
= (1)
=14=4

2 0 


1 0


= (1)2+1 
 = (1) 0 = 0
0 0




2+2 3 0
= (1)
=10=0

2 0


3 1


= (1)2+3 
 = (1) (2) = 2
2 0



0
3+1  1
= (1)
=15=5

2 5


3 0


= (1)3+2 
 = (1) 15 = 15
0 5



1 
3+3 3
= (1)
 = 1 (6) = 6 .

0 2
1+1

80

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejercicio 90. Si

2 1 0

,
B=
0
2
1

3 5 0

determine sus cofactores.

Teorema 29. Sea Ann = [aij ], para cualquier fila (o columna), el determinante
de A es
det(A) =
det(A) =

n
X

j=1
n
X

aij Aij

i [1 . . . n]

aij Aij

j [1 . . . n] .

i=1

Ejemplo 59. Sea la matriz A del ejemplo 58, el determinante de A:

1. A lo largo de la primera fila es
det(A) =

3
X

a1j A1j

j=1

= 3 0 + 1 10 + 0 4
= 10 .

2. A lo largo de la segunda fila es

det(A) =

3
X

a2j A2j

j=1

= 0 0 + (2) 0 + 5 2
= 10 .

3. A lo largo de la tercera fila es

det(A) =

3
X

a3j A3j

j=1

= 2 5 + 0 (15) + 0 (6)

= 10 .

81

Determinantes

Ejercicio 91. Sea B la matriz del ejercicio 90. Calcule su determinante por cada
una de las filas. Por cu
al fila considera que es mejor calcularlo?
Respuesta. det(B) = 7.

Teorema 30. Sea Ann = [aij ], entonces

n
X

j=1
n
X

aij Akj = 0,

i, k [1 . . . n],

i 6= k ;

aij Akj = 0,

j, k [1 . . . n],

j 6= k .

i=1

Ejemplo 60. Sea la matriz A del ejemplo 58, si multiplicamos los elementos de
la primera fila por los correspondientes cofactores de la fila 2, obtenemos
3
X
j=1

a1j A2j = 3 0 + 1 0 + 0 2
= 0.

Si multiplicamos los elementos de la primera fila por los correspondientes

cofactores de la fila 3, tenemos
3
X
j=1

a1j A3j = 3 5 + 1 (15) + 0 (6)

= 0.

De forma similar obtenemos que

3
X
j=1

a2j A1j =

3
X

a2j A3j =

j=1

3
X

a3j A1j =

j=1

3
X

a3j A2j = 0 .

j=1

Ejercicio 92. Sea B la matriz del ejercicio 90. Verifique el teorema 30 en cada
una de sus filas.
Definici
on 24 (Matriz adjunta). Sea
adj(A), es

A11

A12

adj(A) = .
..

A1n

Ann = [aij ], entonces la adjunta de A,

A21

. . . An1

A22
..
.

. . . An2

,
..
..
.
.

. . . Ann

A2n


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

82

donde Aij es el cofactor asociado a aij .

Ejemplo 61. En la matriz A del ejemplo 58, la adjunta de A es

0 0
5

adj(A) =
10 0 15 .
4 2 6

Ejercicio 93. Sea B la matriz del ejercicio 90, calcule adj(B).

Teorema 31. Dada Ann = [aij ], entonces
A (adj(A)) = (adj(A)) A = (det(A)) In .
Ejemplo 62. Sea A como en el ejemplo 58, entonces

0 0
5
3 1 0

A (adj(A)) =
0 2 5 10 0 15
4 2 6
2 0 0

10 0 0

=
0 10 0
0 0 10
= det(A)In .

Ejercicio 94. Sea B la matriz del ejercicio 90. Verifique el teorema 31.
Corolario 3. Sea Ann tal que det(A) 6= 0, entonces
A1 =

1
adj(A) .
det(A)

Prueba.
1 Sea Ann tal que det(A) 6= 0,

2

hip
otesis

det(A)In = (adj(A))A,

por teorema 31

1
det(A) adj(A)A,
1
A1 A = det(A)
adj(A)A,

1 y
2
por

In =

4 A1 =
Entonces, de ,

1
det(A) adj(A).

pues In = A1 A.

83

Determinantes

Corolario 4. Sea A =

"

a b

c d

A1

tal que det(A) 6= 0, entonces

"
#
d b
1
.
=
ad bc c a

"

#
3 5
Ejemplo 63. Sea A =
, entonces
3 7
"
#
7
5
1
A1 =
.
6 3 3
Teorema 32. Una matriz Ann es invertible si y solo si su determinante es
diferente de cero.
Ejemplo 64. Como el determinante de la matriz A del ejemplo 58 es diferente
de cero, entonces su inversa existe y es
1
adj(A)
det(A)

0 0
5

1
10 0 15 .
=

10
4 2 6

A1 =

Ejercicio 95. Sea B la matriz del ejercicio 90. Determine su inversa empleando
cofactores. Verifique su respuesta calculando BB 1 .
Corolario 5. El sistema lineal Ann ~x = ~0 tiene soluci
on no trivial si y solo si
det(A) = 0.
Ejemplo 65. Dado el sistema lineal homogeneo
2x1 + x2 + x3 = 0
2x1 x2 + x3 = 0

4x1 + 2x3 = 0 .

Entonces,

A=
2 1 1
4 0 2

det(A) = 0 .


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

84

Luego, el sistema tiene soluci

on no trivial.
Al solucionar este sistema se encuentra que

r
x
1 2

~x =
x2 = 0 ,
x3

es decir, el sistema tiene infinitas soluciones.

El corolario 5 implica que el sistema Ann~x = ~0 tiene u

nicamente soluci
on
trivial si y solo si det(A) 6= 0.
Ejemplo 66. Dado el sistema lineal homogeneo
2x1 + x2 + x3 = 0
x1 x2 x3 = 0

4x1 x2 + 2x3 = 0 .
Entonces,

2 1
1

A=
1 1 1
4 1 2

det(A) = 9 .

Luego, existe una u

nica soluci
on: la trivial.
Efectivamente, al solucionar este sistema se encuentra que

0
x
1

~x =
x2 = 0 .
x3
0

Ejemplo 67 (Cofactores). Dada la matriz

2 0 4

A=
3 2 1 .
1 0

Encontrar:

Determinantes

1. Los cofactores de A
2. det(A)
3. adj(A)
4. A1


5. det A1 .

Soluci
on.

1. Los cofactores de A son

A11
A12
A13
A21
A22
A23
A31
A32
A33


2

= (1)2 
0

3

= (1)3 
1

3

= (1)4 
1


3 0
= (1) 
0

2

= (1)4 
1

2

= (1)5 
1

0

= (1)4 
2

2

= (1)5 
3

2

= (1)6 
3


1
 = (1)(10 0) = 10
5

1
 = (1) [15 (1)] = 16
5

2
 = (1)(0 2) = 2
0

4
 = (1)(0 0) = 0
5

4
 = (1)(10 4) = 6
5

0
 = (1)(0 0) = 0
0

4 
 = (1)(0 8) = 8
1

4 
 = (1)(2 12) = 14
1

0
 = (1)(4 0) = 4 .
2

2. El determinante de A, por la primera fila, es

det(A) = (2)(10) + (0)(16) + (4)(2)

85


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

86

= 12 .
3. Ahora, la adj(A) es

10

0 8

adj(A) =
16 6
2

14
.
4

4. La inversa de A es

A1

0 8

1
1
16 6 14 .
adj(A) =
=

det(A)
12
2 0 4

10

Al realizar AA1 se obtiene I3 (por favor, verificarlo).

5. El determinante de A1 es
|A1 | =

1
1
=
.
|A|
12

Ejemplo 68 (Cofactores). Sea la matriz

1 2 0

A=
3
2
.
0
1 1 3
Encontrar: Encontrar:

1. Los cofactores de A
2. det(A)
3. adj(A)
4. A1


5. det A1 .

Soluci
on.

Determinantes

1. Los cofactores de A son

A11
A12
A13
A21
A22
A23
A31
A32
A33




3
2


= (1)2 
 = (1) [9 (2)] = 7
1 3



2 
3 0
= (1) 
 = (1) [0 (2)] = 2
1 3



0
3


= (1)4 
 = (1) [0 (3)] = 3
1 1



0 
3 2
= (1) 
 = (1) [6 (0)] = 6
1 3



1
0


= (1)4 
 = (1)(3 0) = 3
1 3



2
5 1
= (1) 
 = (1)(1 2) = 3
1 1


2 0


= (1)4 
 = (1)(4 0) = 4
 3 2




5 1 0
= (1) 
 = (1)(2 0) = 2
0 2


1 2


= (1)6 
 = (1)(3 0) = 3 .
0 3 

2. El determinante de A es

det(A) = a11 A11 + a12 A12 + a13 A13

= 1 (7) + (2) (2) + 0 (3)

= 3 .
3. Ahora, la adj(A) es

7 6 4

adj(A) =
2 3 2 .
3
3
3

87


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

88

4. La inversa de A es
A1

7 6 4

1
1
=
adj(A) =
2 3 2
.

det(A)
3
3
3
3

Al realizar AA1 se obtiene I3 (por favor, verificarlo).

5. El determinante de A1 es
|A1 | =

1
1
= .
|A|
3

Ejercicio 96. De los ejercicios propuestos en esta secci

on, entregue en forma
escrita, a su docente, aquellos que el le indique.

2.3

Regla de Cramer

La Regla de Cramer proporciona un metodo de solucionar sistemas lineales

A~x = ~b de n ecuaciones con n inc
ognitas siempre y cuando det(A) 6= 0.
Teorema 33. Dado el sistema de ecuaciones lineales
a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2

..
..
..
..
.
.
.
.

an1 x1 + an2 x2 + + ann xn = bn ,

que en forma abreviada es A~x = ~b, si det(A) 6= 0, entonces el sistema tiene
soluci
on u
nica dada por
xi =

det(Ai )
,
det(A)

donde Ai es la matriz obtenida de A al reemplazar la columna i por ~b.

Ejemplo 69 (Cramer ). Por el metodo de Cramer resolver
2x + 4y z = 7

2y + z = 7

89

Determinantes

x + y = 3.
Soluci
on. Primero encontremos el determinante de la matriz de coeficientes:

2 4 1

A=
y
|A| = (0 + 0 + 4) (2 + 2 + 0)
0
2
1

= 4.
1 1 0

Como el determinante de A es diferente de cero, entonces el sistema s se puede

resolver por la Regla de Cramer. Ahora encontremos los determinantes de A1 ,
A2 y A3 , y los valores de x, y y z:
1.

7 4 1

A1 =
7
2
1

3 1 0

Entonces x =

|A1 |
|A|

4
4

|A1 | = (0 7 + 12) (6 + 7 + 0)
= 4.

= 1.

2.

2 7 1

A2 =
0 7 1
1 3 0

Entonces y =

|A2 |
|A|

8
4

|A2 | = (0 + 0 + 7) (7 + 6 + 0)
= 8.

= 2.

3.

2 4 7

A3 =
0
2
7

1 1 3

Entonces z =

|A3 |
|A|

12
4

|A3 | = (12 + 0 + 28) (14 + 14 + 0)

= 12 .

= 3.

De esta forma,

1
x

~x = y = 2
.
3
z

90

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejercicio 97. Verificar la respuesta del ejemplo 69.

Ejercicio 98 (Cramer ). Por el metodo de Cramer resolver
3x1 + 4x2 x3 = 2
x1 + x3 = 2

2x1 3x2 = 3 .
Respuesta. ~x = [x1 , x2 , x3 ]T = [0, 1, 2]T .
Ejemplo 70 (Cramer ). Por el metodo de Cramer resolver
x + 3y + 7z = 11
2x 4z = 6

x + 3y + 3z = 5 .

Soluci
on. Calculamos el det(A), por cofactores, por la segunda fila

1 3 7

A=
2 0 4
A21
A23
Entonces

1 3 3


3 7


= (1)3 
 = (1)(9 21) = 12
3 3


 1 3


= (1)5 
 = (1)(3 + 3) = 6 .
1 3

det(A) = (2)(12) + (0)A22 + (4)(6)

= 24 + 24
= 0.

Como det(A) = 0, entonces no se puede resolver por la regla de Cramer.

Ejercicio 99. Resolverlo por GaussJordan.
Ejercicio 100. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

91

Determinantes

2.4

Uso de determinantes para calcular

areas en R2

El area de un tri
angulo () en R2 , con vertices en P1 = (x1 , y1 ), P2 = (x2 , y2 ) y
P3 = (x3 , y3 ), est
a dado por

x1 y 1 1

1
x2 y2 1 ,
A = abs
det

2
x3 y 3 1
donde abs() es la funci
on valor absoluto.

Deduzcamos la anterior ecuaci

on. Para ello recuerde que el area de un trapecio
es la semisuma de las bases multiplicada por la altura. Observe la figura 2.1.

P2 = (x2,y2)

P3 = (x3,y3)
P1 = (x1,y1)

a = (x3,0)

b = (x2,0)

c = (x1,0)

Figura 2.1:
area de un triangulo en R2

A = AaP3 P2 b + AbP2 P1 c AaP3 P1 c

= 12 ((y3 + y2 )(x2 x3 )) + 12 ((y2 + y1 )(x1 x2 )) 12 ((y1 + y3 )(x1 x3 ))


= 12 (y3 x2 y3 x3 + y2 x2 y2 x3 ) + (y2 x1 y2 x2 + y1 x1 y1 x2 )

(y1 x1 y1 x3 + y3 x1 y3 x3 )


= 12 (x1 y2 + x2 y3 + x3 y1 ) (y1 x2 + y2 x3 + y3 x1 )




x1 y1 1


= 12 x2 y2 1 .


x3 y3 1

92

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Como el determinante puede ser negativo, pero el area no, se toma el valor
absoluto; luego

x1 y 1 1

1
x2 y2 1 .
A = abs
det

2
x3 y 3 1

Ejemplo 71 (Area
de un tri
angulo en R2 ). Determinar el area del tri
angulo con
vertices en P1 = (1, 5), P2 = (2, 1) y P3 = (7, 2) representado en la figura 2.2.
P1 = (1, 5)

P3 = (7, 2)
P2 = (2, 1)

Figura 2.2:
area de un triangulo en R2

Soluci
on.

1 5 1

1
2 1 1
= abs
det

2
7 2 1

= abs ((1 + 4 + 35) (7 + 2 + 10))

= 21 .

Ejemplo 72 (Area
de un paralelogramo en R2 ). Determinar el area del paralelogramo con vertices en P1 = (10, 1), P2 = (8, 5), P3 = (1, 3) y P4 = (1, 1)
representado en la figura 2.3.

Soluci
on. La diagonal P1 P3 divide el paralelogramo P1 P2 P3 P4 en dos s iguales.
Entonces, busquemos el
area del tri
angulo P1 P2 P3 y lo multiplicamos por dos

93

Determinantes

P2 = (8, 5)

P3 = (-1, 3)

P1 = (10, 1)

P4 = (1, -1)

Figura 2.3:
area de un paralelogramo en R2

para obtener el area buscada.

AP1 P2 P3

1
1

= abs
det x2
2
x3

10

= abs
det 8
2
1

y1 1

y2 1

y3 1

1 1

5 1

3 1

1
= abs [(50 + 24 1) (5 + 30 + 8)]
2
1
= abs(73 33)
2
= 20 unidades cuadradas.
Luego el area del paralelogramo P1 P2 P3 P4 es 2 20 = 40.

Ejercicio 101 (Area

de un paralelogramo en R2 ). Determinar el area del paralelogramo con vertices en A = (2, 3), B = (5, 4), C = (4, 5) y D = (7, 6).
Respuesta. 4

94

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Unidad 3

Vectores en Rn
Los vectores pueden representar entes fsicos como: la posici
on, la velocidad o
la aceleraci
on de un cuerpo, un conjunto de apuntadores de memoria en computacion, la producci
on de una marca por diferentes sedes de una empresa, la elaboraci
on de diferentes productos por una m
aquina en una empresa manufacturera,
las notas de los estudiantes de una asignatura, etcetera. Tambien, mediante vectores podemos determinar la ecuaci
on de un plano, la ecuaci
on de una recta,
areas y vol
umenes, entre otros.
Para el desarrollo de esta unidad se recomienda que el alumno, por cuenta
propia, estudie la secci
on 3.1 y, por tanto, que el profesor comience sus explicaciones en la secci
on 3.2.

3.1

Vectores en R2

Definici
on 25 (Vector en R2 ). En R2 , un vector es de la forma
" #
u1
con u1 , u2 R.
~u =
u2
Denotaremos cada vector con una letra min
uscula y una flecha encima, por
ejemplo ~u, ~v , w,
~ ~x, ~y y ~z representan vectores.
Ejemplo 73. Son vectores en R2 :
" #
" #
3
3
~u =
, ~v =
2
0

y w
~=

"

96

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Los vectores en R2 tienen una correspondencia unvoca con los puntos del
plano cartesiano, por lo tanto, tambien es frecuente escribir cada vector en R2
como un par ordenado (x, y) y representarlo gr
aficamente.
" #
" #
" #
2
3
0
Ejemplo 74. Los vectores ~u =
, ~v =
yw
~ =
son representados
0
1
4
en la figura 3.1

v = (-3,1)

u = (2,0)

w =(0,-4)
Figura 3.1: vectores en R2

y pueden ser escritos como

~u = (2, 0),

~v = (3, 1) y w
~ = (0, 4) .

Ejercicio 102. Piense en tres vectores en R2 , escrbalos de acuerdo a la definicion, tambien como pares ordenados y representelos gr
aficamente.
Caractersticas de los vectores en R2 . Observe la figura 3.2.
1. Cola: parte inicial del vector
2. Cabeza: parte final del vector
3. Direccion: angulo entre el vector y el eje positivo x
4. Magnitud o norma: es la longitud del vector.
Ejemplo 75. El vector ~u de la figura 3.3 tiene cola en (2, 1) y cabeza en
(3, 2). Su direcci
on est
a dada por el
angulo formado entre la recta paralela
al eje positivo x y el propio vector.
Nota. Tal como se observa en este ejemplo, no es necesario que la cola de un
vector este localizada en (0, 0), pero s es lo m
as conveniente.

97

Vectores en Rn

nitu

}
g
Ma

Cabeza

Cola

Direccion

Figura 3.2: vector en R2

(-3,2)

(2,-1)

Figura 3.3: vector en R2

Ejercicio 103. Dibuje el vector que tiene cola en (1, 1) y cabeza en (1, 4).
Definici
on 26 (Distancia entre dos puntos en R2 ). Lap
distancia entre los puntos
2
(u1 , u2 ) y (v1 , v2 ) pertenecientes a R es d =k ~u ~v k= (u1 v1 )2 + (u2 v2 )2 ,
donde ~u = (u1 , u2 ), ~v = (v1 , v2 ) y k ~u ~v k es la norma del vector ~u ~v .
Ejemplo 76. Encontrar la distancia entre (3, 2) y (2, 1).

Soluci
on.

d=
=
=
Observe que

(3 2)2 + (2 (1))2
(5)2 + (3)2

34 .

34 es la longitud del vector dado en el ejemplo 75.

Ejercicio 104. Calcule la distancia entre los puntos (1, 1) y (5, 2).

Respuesta. 5.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

98

Definici
on 27 (Longitud de un vector en R2 ). La longitud (magnitud o norma)
de un vector ~u = (u1 , u2 ) R2 es
q
k ~u k= u21 + u22 .

Ejemplo 77. Encontrar la magnitud del vector ~u = (2, 3).

Soluci
on.
p
k ~u k = (2)2 + (3)2

= 13 .

Ejercicio 105. Calcular la magnitud del vector ~v = (3, 6).

Respuesta. 3 5.
Definici
on 28 (Vectores iguales en R2 ). Dos definiciones:
1. Dos vectores ~u = (u1 , u2 ) y ~v = (v1 , v2 ) son iguales si u1 = v1 y u2 = v2 .
2. Dos vectores ~u, ~v R2 son iguales si tienen igual direcci
on e igual magnitud.
Ejemplo 78. Son los vectores ~u, ~v , representados en la figura 3.4, iguales?

(1,5)

(4,3)

(-3,2)

1
(0,0)

Figura 3.4: dos vectores iguales en R2

Soluci
on.
1. La norma de ~u es k ~u k=

(4 0)2 + (3 0)2 = 5.

Vectores en Rn

99

2. La direcci
on de ~u es 1 = tan1 34 .
p
3. La norma de ~v es k ~v k= (1 (3))2 + (5 2)2 = 5.




52
4. La direcci
on de ~v es 2 = tan1 1(3)
= tan1 34 .

Como los dos vectores tienen igual longitud, k ~u k=k ~v k, e igual direcci
on,
1 = 2 , entonces ~u = ~v .
Otra forma sencilla de saber si ~v es igual a ~u es trasladar ~v al origen. Ello se
logra rest
andole a las coordenadas de la cabeza, las de la cola. Veamos:
~v = (1, 5) (3, 2)

= (1 (3), 5 2)

= (4, 3) ,

que son las mismas coordenadas del vector ~u. Luego, ~u y ~v son iguales.
Definici
on 29 (Suma de vectores en R2 ). Dados ~u = (u1 , u2 ) y ~v = (v1 , v2 ) R2 ,
se define su suma como
#
" # " # "
u1 + v1
v1
u1
.
=
+
~u + ~v =
u2 + v2
v2
u2
En la figura 3.5 se muestra gr
aficamente su suma.

Figura 3.5: suma de vectores en R2

100

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejemplo 79. Encontrar la suma de los vectores ~u = (3, 2) y ~v = (3, 6).

Soluci
on.

~u + ~v =
=

"

2
" #
0
4

"

#
3
6

La figura 3.6 representa su suma.

(-3,6)

u +v
v

u
(3,-2)

Figura 3.6: suma de vectores en R2

Ejercicio 106. Determinar la suma de los vectores ~u = (2, 3) y ~v = (1, 2).

Dibujar ~u, ~v y su suma.
Respuesta. (1, 5).
Definici
on 30 (Multiplicacion de un escalar por un vector en R2 ). Sea ~u =
(u1 , u2 ) R2 y c un escalar, entonces
c~u = c

"

u1
u2

"

cu1
cu2

101

Vectores en Rn

Ejemplo 80. Si c = 3 y ~u = (3, 5), entonces

c~u = 3

" #
3
5

"

3 3

3 5

"

15

Ejercicio 107. Si c = 2, ~u = (2, 4) y ~v = (3, 7), determinar c(~u + ~v ).

Respuesta. (2, 6).
Definici
on 31 (Inverso de un vector en R2 ). El inverso de ~u = (u1 , u2 ) es
~u = (u1 , u2 ).
Ejemplo 81. En el ejemplo 79, encontrar ~u + (~v ) y graficarlo.
Soluci
on.
~u + (~v ) =
=
=

"

"

2
#
6
8

2
" #
3

"

" #!
3
6

El vector ~u + (~v ) es representado en la figura 3.7.

Nota. Para abreviar, escribiremos ~u + (~v ) como ~u ~v .
Ejercicio 108. Ahora, en el ejemplo 79, determine ~v ~u y grafquelo.
Respuesta. (6, 8)

Definici
on 32 (Vector nulo en R2 ). El vector nulo en R2 es
~0 =

" #
0
0

Definici
on 33 (Producto escalar en R2 ). Sean los vectores ~u = (u1 , u2 ) y ~v =
(v1 , v2 ) R2 , se define su producto escalar como
~u ~v = u1 v1 + u2 v2 .

102

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

u
(3,-2)

-v
u -v

(6,-8)

Figura 3.7: suma del inverso (resta) de un vector en R2

Ejemplo 82. Sean ~u = (2, 5) y ~v = (3, 2), entonces

~u ~v = 2 3 + 5 (2)
= 6 10
= 4 .

2
2
Nota. Si ~u = (u
1 , u2 ), entonces ~u ~u = u1 + u2 ; y como k ~u k=
entonces k ~u k= ~u ~u.

u21 + u22 ,

Ejercicio 109. Dados los vectores ~u = (3, 4), ~v = (2, 3) y w

~ = (0, 4), determine
~u ~u, ~v ~v , w
~ w,
~ ~u ~v , ~u w
~ y ~v w.
~
Respuesta. 25, 13, 16, 6, 16 y 12, respectivamente.
Teorema 34 (Propiedades del producto escalar en R2 ). Si ~u, ~v , w
~ R2 y c es
un escalar, entonces
1. ~u ~u > 0 y ~u ~u = 0 si y solo si ~u = ~0
2. ~u ~v = ~v ~u
3. (~u + ~v ) w
~ = ~u w
~ + ~v w
~
4. c(~u ~v ) = (c~u) ~v = ~u (c~v ).

Vectores en Rn

Prueba de 1.
1 Sea ~u = (u1 , u2 ) R2 ,

2

~u ~u = (u1 , u2 ) (u1 , u2 ),
=

u21

u22 ,

103

hip
otesis
1
por

definicion de producto escalar

pues u21 > 0 y u22 > 0.

> 0,

Luego, ~u ~u > 0.

3 se deduce que u21 + u22 = 0 si y solo si u1 = 0 y u2 = 0, es decir, si y solo

De
si ~u = (0, 0).
Ejemplo 83. Si ~u = (3, 5), verificar que ~u ~u > 0.
Soluci
on.
~u ~u = (3, 5) (3, 5)

= (3) (3) + 5 5
= 34 > 0 .

Ejercicio 110. De un ejemplo de la parte 1 del teorema 34.

Prueba de 2.
1 Sean ~u = (u1 , u2 ) y ~v = (v1 , v2 ) R2 ,

hip
otesis

~u ~v = (u1 , u2 ) (v1 , v2 ),
= u1 v1 + u2 v2 ,

definicion de producto escalar

= v1 u 1 + v2 u 2 ,

conmutatividad en R

= (v1 , v2 ) (u1 , u2 ),

definicion de producto escalar

1
por

1
por .

= ~v ~u,

2 a ,
6 ~u ~v = ~v ~u.
Por

Ejemplo 84. Si ~u = (3, 2) y ~v = (1, 4), verificar que ~u ~v = ~v ~u.

Soluci
on.
~u ~v = (3, 2) (1, 4)

= (3) 1 + 2 4

= 5.
Ahora,

~v ~u = (1, 4) (3, 2)

104

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

= 1 (3) + 4 2

= 5.
Hemos verificado que ~u ~v = ~v ~u.

Ejercicio 111. De un ejemplo de la parte 2 del teorema 34.

Prueba de 3.
1 Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ) y w

~ = (w1 , w2 ) R2 ,


2 (~u + ~v ) w

~ = (u1 , u2 ) + (v1 , v2 ) (w1 , w2 ),
3

= (u1 + v1 , u2 + v2 ) (w1 , w2 ),

hip
otesis
1
por

suma de vectores

= (u1 + v1 )w1 + (u2 + v2 )w2 ,

producto escalar

= u1 w1 + v1 w1 + u2 w2 + v2 w2 ,

distributividad en R

= u1 w1 + u2 w2 + v1 w1 + v2 w2 ,

conmutatividad en R

= (u1 , u2 ) (w1 , w2 ) + (v1 , v2 ) (w1 , w2 )

producto escalar

= ~u w
~ + ~v w,

1
por .

2 a ,
8 (~u + ~v ) w
Luego, por
~ = ~u w
~ + ~v w.
~
Ejemplo 85. Si ~u = (4, 3), ~v = (0, 2) y w
~ = (1, 4), verificar que (~u + ~v ) w
~ =
~u w
~ + ~v w.
~
Soluci
on.

(~u + ~v ) w
~ = [(4, 3) + (0, 2)] (1, 4)
= (4, 5) (1, 4)

=41+54

= 24 .
Ahora,

~u w
~ + ~v w
~ = (4, 3) (1, 4) + (0, 2) (1, 4)

= (4 1 + 3 4) + (0 1 + 2 4)

= 16 + 8
= 24 .

Hemos verificado que (~u + ~v ) w

~ = ~u w
~ + ~v w.
~
Ejercicio 112. De un ejemplo de la parte 3 del teorema 34.

105

Vectores en Rn

Ejercicio 113. Si usted tuviese que realizar un algoritmo, para implementar

en un computador, y se viera enfrentado a realizar ~u w
~ + ~v w
~ varios millones
de veces, realizara esta operaci
on? o mejor realizara (~u + ~v ) w?
~ o Sera
indiferente realizar cualquiera de las dos operaciones? Explique su respuesta.
Prueba de 4.
1 Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ) R2 y c un escalar,

2

(c~u) ~v = (c(u1 , u2 )) (v1 , v2 ),

= (cu1 , cu2 ) (v1 , v2 ),

hip
otesis
1
por

escalar por un vector

= (cu1 )v1 + (cu2 )v2 ,

producto escalar

= c(u1 v1 ) + c(u2 v2 ),

asociatividad en R

= c(u1 v1 + u2 v2 ),

factor com
un

= c((u1 , u2 ) (v1 , v2 )),

producto escalar

= c(~u ~v ),

1
por .

2 a ,
8 (c~u) ~v = c(~u ~v ).
As, por
Nota. (c~u) ~v = ~u (c~v ) se prueba en forma similar.
Ejemplo 86. Si c = 2, ~u = (3, 2) y ~v = (1, 3), verificar que (c~u) ~v = c(~u ~v ).
Soluci
on.

(c~u) ~v = [(2)(3, 2)] (1, 3)

= (6, 4) (1, 3)

= (6) 1 + 4 3

= 6.
Ahora,

c(~u ~v ) = (2)[(3, 2) (1, 3)]

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

= 6.
Hemos verificado que (c~u) ~v = c(~u ~v ).
Ejercicio 114. De un ejemplo de la parte 4 del teorema 34.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

106

Teorema 35 (Angulo
entre dos vectores en R2 ). Dados los vectores ~u = (u1 , u2 )
y ~v = (v1 , v2 ) no nulos, el coseno del
angulo formado entre ellos es
cos =

~u ~v
.
k ~u k k ~v k

Prueba.
Primero observe la figura 3.8

(v1,v2)
u -v

(u1,u2)

Figura 3.8:
angulo entre vectores en R2

Sean ~u = (u1 , u2 ) 6= ~0 y ~v = (v1 , v2 ) 6= ~0 R2 ,

hip
otesis

k ~u ~v k2 =k ~u k2 + k ~v k2 2 k ~u kk ~v k cos ,

ley del coseno

k ~u ~v

k2 =
)2

(u1 v1

)2

)2

+ (u2 v2

(u1 v1

(u21

2(u1 v1 + u2 v2 )
= cos ,
2 k ~u kk ~v k

As, cos =

+ (u2 v2
k ~u

k2

)2 ,

+ k ~v k2 2 k ~u kk ~v k cos ,

2u1 v1 + v12 ) + (u22 2u2 v2 + v22 )

(u21 + u22 ) + (v12 + v22 ) 2 k ~u kk ~v

~
u~
v
k~
ukk~
vk

distancia entre 2 puntos

k cos ,

2 =
3

4
resolviendo
5
simplificando .

Ejemplo 87. Encontrar el

angulo entre los vectores ~u y ~v de la figura 3.9
Soluci
on. Traslademos el vector ~v al origen denot
andolo como w
~
w
~ = (2 1, 4 2) = (1, 2) .

107

Vectores en Rn

(2,4)

v
(5,2)
(1,2)

Figura 3.9:
angulo entre vectores en R2

Como w
~ = ~v , entonces tienen igual direcci
on. Luego, el angulo entre ~u y w
~ es


~u w
~
= cos1
k ~u kk w
~k


(5, 2) (1, 2)
1

= cos
52 + 22 12 + 22


5+4
1

= cos
29 5


9
1

= cos
.
29 5
Ejercicio 115. Determinar el
angulo entre los vectores ~u = (3, 4) y ~v = (1, 5).


23

.
Respuesta. cos1
5 26
Definici
on 34 (Vectores ortogonales en R2 ). Dos vectores no nulos ~u, ~v R2
son ortogonales si forman un
angulo recto.
Nota. Si ~u y ~v son ortogonales, entonces el angulo entre ellos es
cos

2,

luego

~u ~v
= 0,
k ~u kk ~v k

lo que implica que su producto escalar es cero, es decir, ~u ~v = 0.

Ejemplo 88. Los vectores ~u = (3, 5) y ~v = (5, 3) de la figura 3.10 son ortogonales, pues
~u ~v = (3, 5) (5, 3)

108

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

= 15 + 15 = 0 .

(3,5)

(-5,3)
u

Figura 3.10: vectores ortogonales en R2

Ejercicio 116. Son los vectores ~u = (2, 3) y ~v = (3, 2) ortogonales? Explique

porque. Dib
ujelos.
Definici
on 35 (Vectores paralelos en R2 ). Dos definiciones:
1. Dos vectores no nulos ~u, ~v R2 son paralelos si el angulo entre ellos es
cero o , es decir, si ~u ~v =k ~u kk ~v k o ~u ~v = k ~u kk ~v k.
2. Dos vectores no nulos ~u, ~v R2 son paralelos si c R tal que ~u = c~v .
Ejemplo 89. Los vectores ~u = (2, 3) y ~v = (6, 9) son paralelos pues:
Su producto escalar es
~u ~v = 2 (6) + (3) 9
= 12 27

= 39 ,
y el producto de sus normas es
k ~u kk ~v k =

(2)2 + (3)2

(6)2 + (9)2

109

Vectores en Rn

13 117

= 13 117
p
= 13 (13 9)

= 13 3

= 39 .

Como (~u ~v ) = 39 = k ~u kk ~v k, entonces ~u y ~v son paralelos.

Observe que ~u = 31 ~v . En la figura 3.11 se muestran estos vectores.

u
Figura 3.11: vectores paralelos en R2

Esta figura no corresponde

Ejercicio 117. Son los vectores ~u = (2, 5) y ~v = (6, 15) paralelos? Justifique
su respuesta.
Definici
on 36 (Vectores con igual direcci
on en R2 ). Dos definiciones:
1. Dos vectores no nulos ~u, ~v R2 tienen igual direcci
on si el angulo entre
ellos es cero, es decir, si ~u ~v =k ~u kk ~v k.
2. Dos vectores no nulos ~u, ~v R2 tienen igual direcci
on si c R, c > 0, tal
que ~u = c~v .
De la anterior definicion podemos concluir que si dos vectores tiene igual
direcci
on, entonces tambien son paralelos.
Ejemplo 90. Los vectores ~u = (8, 4) y ~v = (2, 1) tienen igual direcci
on pues
Su producto escalar es
~u ~v = 8 2 + 4 1

110

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

= 16 + 4
= 20 ,
y el producto de sus normas es
p
p
82 + 42 22 + 12

= 64 + 16 4 + 1

= 80 5

= 16 5 5

k ~u kk ~v k =

=45
= 20 .

Como ~u ~v = 20 =k ~u kk ~v k, entonces ~u y ~v tienen igual direcci

on.
Observe que ~u = 4~v y que, adem
as, estos dos vectores tambien son paralelos.
En la figura 3.12 se ilustra este ejemplo.

u
v

Figura 3.12: vectores con igual direcci

on en R2

Ejercicio 118. Tienen los vectores ~u = (2, 4) y ~v = (8, 16) igual direcci
on?
Justifique su respuesta.
Definici
on 37 (Vector unitario en R2 ). Un vector unitario en R2 es aquel cuya
magnitud es uno.
Ejemplo 91. Encontrar un vector unitario w
~ en la direcci
on de ~u = (1, 3).
Soluci
on. La magnitud de ~u es
p

k ~u k = (1)2 + 32 = 10 ,

111

Vectores en Rn

~u
(1, 3)
w
~=
=
=
k ~u k
10

1
3
,
10
10

entonces w
~ es un vector unitario en la direcci
on de ~u.
Ejercicio 119. Encontrar un vector unitario w
~ en la direcci
on de ~u = (3, 4).
Soluci
on. (3/5, 4/5).
Definici
on 38 (Vectores coordenados unitarios en R2 ). En R2 existen dos vectores importantes llamados vectores coordenados unitarios: = (1, 0) y = (0, 1).
La figura 3.13 ilustra estos vectores.
j
i
Figura 3.13: vectores coordenados unitarios en R2

En terminos de los vectores coordenados unitarios se puede expresar facilmente cualquier otro vector en R2 .
Ejemplo 92. Expresar el vector ~u = (3, 4) en terminos de y .

Soluci
on.

~u = (3, 4)

= (3, 0) + (0, 4)

= 3(1, 0) + (4)(0, 1)
= 3 + (4)

= 3 4
.
Ejercicio 120. Expresar el vector ~u = (5, 8) en terminos de y .
A continuaci
on veamos dos ejemplos pr
acticos de aplicaci
on de vectores en R2 .
Ejemplo 93. Suponga que la tierra es plana y que usted se encuentra en la casa
va telefonica, le ha dicho
de una granja y un amigo requiere de su ayuda. El,
que se encuentra a 10 kilometros de distancia. Su misi
on es encontrarlo.
Esta informaci
on no es precisa para localizar inmediatamente al amigo. Si solo
tuviera este dato, requerira desplazarse, en cualquier direcci
on, 10 kilometros

112

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

y comenzar a caminar describiendo una circunferencia con centro en la casa (la

distancia a recorrer sera menor a 20 km que es la longitud de la circunferencia).
Usted requiere saber en que direcci
on ha de empezar a caminar, es decir, usted
requiere un vector de tama
no dos. La figura 3.14 ilustra este caso.

Casa
10 Km

Figura 3.14: necesidad de una longitud y una direcci

on

Ejemplo 94 (Fuerzas). Cuando varias fuerzas act

uan sobre un cuerpo se obtiene
una sola fuerza llamada fuerza resultante. Por ejemplo, una silla es halada por
dos personas, una lo hace en sentido norte y la otra en sentido oeste tal como se
indica en la figura 3.15.

f 1=12 N

f 2=16 N

Silla

Figura 3.15: vectores representando una silla halada por dos personas

Si la primera persona aplica una fuerza f~1 de 12 newtons y la segunda una

fuerza f~2 de 16 newtons, cual es la fuerza resultante y en que direcci
on?
Soluci
on. Representando los vectores en el plano cartesiano se obtiene que f~1 =
(0, 12) y f~2 = (16, 0). Sea f~ la fuerza resultante, entonces su magnitud es
p
k f~ k = (0 (16)2 + (12 0)2

= 256 + 144
= 20 .
La direcci
on est
a dada por
= tan

12
16

= tan

Vectores en Rn

113

La figura 3.16 muestra el vector resultante

f 1=12 N

f =20 N

f 2=16 N

Silla

Figura 3.16: fuerza resultante de una silla halada por dos personas

Ejercicio 121. Si f1 = 6 N en sentido este y f2 = 8 N en sentido sur, cual es

la fuerza resultante y en que direcci
on?
Ejercicio 122. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

3.2

Vectores en Rn

Definici
on 39. Un vector ~u en Rn es un arreglo de la forma

u1

u2

~u = . (u1 , u2 , . . . , un ) ,
..

un

donde u1 , u2 , . . . , un R.
Ejemplo 95.

1. Un vector en R5 es ~u = (3, 0, 8, 2, 1).

2. Un vector en R4 es ~v = (1, 0, 3, 2).

0

3

3. Un vector en R es w
~ = 2
.
1

4. Un vector en R6 es ~0 = (0, 0, 0, 0, 0, 0).

114

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Caractersticas de los vectores en Rn

Al igual que en R2 , en Rn los vectores poseen ciertas caractersticas: cola, cabeza,
direcci
on y longitud (llamada tambien magnitud o norma). Por ejemplo, la figura
3.17 muestra un vector en R3 .
z

Cola

itud
Magn

Angulo con el eje x

Cabeza
x

Figura 3.17: vector en R3

Ejemplo 96. Dibujar el vector ~u = (2, 3, 4).

z
(2,3,4)

Figura 3.18: vector en R3

Ejercicio 123. Dibujar los vectores ~u1 = (2, 3, 2), ~u2 = (2, 3, 2) y ~u3 =
(1, 1, 2).
Definici
on 40 (Direcci
on de un vector en R3 y angulos directores). La direcci
on de un vector ~v en R3 se define como el vector unitario ~u = k~~vvk =
(cos , cos , cos ), donde , , , llamados angulos directores, son los angulos
formados por el vector ~v con los ejes x, y, z, respectivamente.



Ejemplo 97. La direcci

on del vector ~v = (3, 2, 3) es ~u = k~~vvk = 34 , 12 , 43 . Y
 




sus angulos directores son: = cos1 34 , = cos1 12 y = cos1 43 .

Vectores en Rn

115

Ejercicio 124. Sean ~v = (2, 2, 1), determinar la direcci

on de ~v y sus angulos
directores.
Definici
on 41 (Distancia entre dos puntos en Rn ). Dados los puntos (u1 , u2 , . . . , un )
y (v1 , v2 , . . . , vn ) Rn , su distancia se define como
p
d =k ~u ~v k= (u1 v1 )2 + (u2 v2 )2 + + (un vn )2 ,

donde ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) y k ~u ~v k es la norma del vector

~u ~v .
Ejemplo 98. Sean ~u = (3, 4, 1, 2) y ~v = (3, 0, 2, 1), encontrar k ~u ~v k.
Soluci
on.
p
d =k ~u ~v k = (3 3)2 + (4 0)2 + (1 (2))2 + (2 1)2

= 0 + 16 + 9 + 9

= 34

= 2 17 .
Ejercicio 125. Sean ~u = (0, 2, 3, 1) y ~v = (1, 2, 5, 3), encontrar k ~u ~v k.
Respuesta. 3.

Definici
on 42 (Longitud de un vector en Rn ). La longitud (magnitud o norma)
de un vector ~u = (u1 , u2 , . . . , un ) Rn es
q
k ~u k= u21 + u22 + + u2n .
Ejemplo 99. Encontrar la magnitud del vector ~u = (3, 3, 0, 5).
Soluci
on.
p
k ~u k = 32 + (3)2 + 02 + 52

= 43 .

Ejercicio 126. Sea ~u = (1, 2, 0, 1, 3), determinar su magnitud.

Respuesta. 3 5.
Definici
on 43 (Vectores iguales en Rn ). Dos definiciones:
1. Dos vectores ~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) Rn son iguales si
u1 = v1 , u2 = v2 , . . ., un = vn .

116

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Figura 3.19: dos vectores iguales en R3

2. Dos vectores ~u, ~v Rn son iguales si tienen igual direcci

on e igual magnitud.
Ejemplo 100. Son los vectores ~u = (4, 3, 2) y ~v con cabeza en (1, 5, 2) y cola
en (3, 2, 0), representados en la figura 3.19, iguales?
Soluci
on. Una forma sencilla de saber si ~v es igual a ~u es trasladar ~v al origen.
Ello se logra rest
andole a las coordenadas de la cabeza, las de la cola. Veamos:
~v = (1, 5, 2) (3, 2, 0)

= (1 (3), 5 2, 2 0)
= (4, 3, 2) ,

que son las mismas coordenadas del vector ~u. Luego, ~u y ~v s son iguales.
Ejercicio 127. Sea ~u = (2, 1, 3), graficar ~u y determinar:
1. Un vector ~u1 igual a ~u con cola en (1, 0, 0) y dibujarlo.
2. Un vector ~u2 igual a ~u con cola en (0, 1, 0) y dibujarlo.
3. Un vector ~u3 igual a ~u con cola en (0, 0, 1) y dibujarlo.
4. Un vector ~u4 igual a ~u con cola en (0, 2, 1) y dibujarlo.
Definici
on 44 (Suma de vectores en Rn ). Dados los vectores ~u = (u1 , u2 , . . . , un )
y ~v = (v1 , v2 , . . . , vn ) Rn , entonces se define su suma como

u1
v1
u 1 + v1

u2 v2 u2 + v2

~u + ~v = . + . =
.
..
.. ..

un
vn
un + vn

Vectores en Rn

117

Ejemplo 101. Encontrar la suma de ~u = (4, 5, 2, 1) y ~v = (2, 3, 0, 1).

Soluci
on.

~u + ~v = (4, 5, 2, 1) + (2, 3, 0, 1)

= (4 + 2, 5 + 3, 2 + 0, 1 + (1))
= (6, 8, 2, 0) .

Ejercicio 128. Escriba tres vectores ~u1 , ~u2 , ~u3 R5 y determine ~u1 +~u1 , ~u1 +~u2 ,
~u1 + ~u3 , ~u2 + ~u2 , ~u2 + ~u3 y ~u3 + ~u3 .
Definici
on 45 (Multiplicacion de un escalar por un vector en Rn ). Sea ~u =
(u1 , u2 , . . . , un ) Rn y c un escalar, entonces

u1
cu1

u2 cu2

c~u = c . = . .
.
.
. .

un
cun

Ejemplo 102. Si c = 3 y ~u = (3, 5, 2, 4), entonces

9
33
3


5 3 5 15


c~u = 3
2 = 3 (2) = 6 .


34
12
4

Ejercicio 129. Dados c = 2 y los vectores ~u = (1, 2, 4, 1) y ~v = (1, 3, 2, 0)

determine c(~u + ~v ).
Respuesta. (0, 2, 4, 2).

Definici
on 46 (Inverso de un vector en Rn ). El inverso de ~u = (u1 , u2 , . . . , un )
es ~u = (u1 , u2 , . . . , un ).
Al igual que en R2 , en Rn denotaremos ~u + (~v ) como ~u ~v .

Ejemplo 103. El inverso del vector ~u = (6, 4, 3, 0, 2) es ~u = (6, 4, 3, 0, 2).

Definici
on 47 (Vector nulo en Rn ). El vector nulo en Rn es

0

0

~0 =
. .
..

0

118

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Definici
on 48 (Producto escalar en Rn ). Sean los vectores ~u = (u1 , u2 , . . . , un )
y ~v = (v1 , v2 , . . . , vn ) Rn , se define su producto escalar como
~u ~v = u1 v1 + u2 v2 + + un vn =

n
X

u i vi .

i=1

Ejemplo 104. Sean ~u = (2, 3, 1, 2, 0) y ~v = (3, 0, 1, 2, 5), entonces

~u ~v = (2, 3, 1, 2, 0) (3, 0, 1, 2, 5)

= 2 3 + 3 0 + 1 1 + (2) 2 + 0 5

= 6+0+14+0
= 3.

Ejercicio 130. Determine el producto escalar entre ~u = (1, 5, 3, 1, 0) y (2, 0, 2, 4, 15).

Respuesta. 8.
Nota. Como k ~u k=

u21 + u22 + + u2n y ~u ~u = u21 + u22 + + u2n , entonces

k ~u k2 = ~u ~u .

Teorema 36 (Propiedades del producto escalar en Rn ). Si ~u, ~v Rn y c es un

escalar, entonces:
1. ~u ~u > 0 y ~u ~u = 0 si y solo si ~u = ~0
2. ~u ~v = ~v ~u
3. (~u + ~v ) w
~ = ~u w
~ + ~v w
~
4. c(~u ~v ) = c~u (~v ) = ~u (c~v ).
Prueba de 1.

119

Vectores en Rn

Sea ~u = (u1 , u2 , . . . , un ),

hip
otesis

~u ~u = (u1 , u2 , . . . , un ) (u1 , u2 , . . . , un ),

1
por

= u21 + u22 + + u2n ,

Como u21 > 0, u22 > 0, . . . , u2n > 0,
Entonces u21 + u22 + + u2n > 0,

definicion de producto escalar

propiedad en R
4
por .

2
3 y .
5
Luego, ~u ~u > 0 por ,
6

~u ~u = 0 si y solo si

si y solo si u21 + u22 + + u2n = 0,

(u1 , u2 , . . . , un ) (u1 , u2 , . . . , un ) = 0,

si y solo si u1 = 0, u2 = 0, . . . , un = 0,
si y solo si ~u = ~0,

1
por
definicion de producto escalar
propiedad en R
1
por .

6 a ,
9 ~u ~u = 0 si y solo si ~u = ~0.
Luego, por
Ejemplo 105. Si ~u = (2, 3, 4, 1), verificar que ~u ~u > 0.
Soluci
on.
~u ~u = (2, 3, 4, 1) (2, 3, 4, 1)

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

= 30 > 0 .

Ejercicio 131. De un ejemplo de la parte 1 del teorema 36.

Prueba de 2.
1 ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) Rn ,

2

~u ~v = (u1 , u2 , . . . , un ) (v1 , v2 , . . . , vn ),
= u1 v1 + u2 v2 + + un vn ,

hip
otesis
1
de

definicion de producto escalar

= v1 u1 + v2 u2 + + vn un ,

conmutatividad en R

= ~v ~u,

1 en .
5

= (v1 , v2 , . . . , vn ) (u1 , u2 , . . . , un ),

2 a ,
6 ~u ~v = ~v ~u.
Luego, por

definicion de producto escalar

Ejemplo 106. Si ~u = (1, 3, 5, 4, 2) y ~v = (1, 1, 2, 0, 1), verificar que ~u ~v = ~v ~u.

Soluci
on.
~u ~v = (1, 3, 5, 4, 2) (1, 1, 2, 0, 1)


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

120

= 1 1 + (3) 1 + 5 2 + 4 0 + 2 1

= 10 .
Ahora,

~v ~u = (1, 1, 2, 0, 1) (1, 3, 5, 4, 2)

= 1 1 + 1 (3) + 2 5 + 0 4 + 1 2

= 10 .

Hemos verificado que ~u ~v = ~v ~u.

Ejercicio 132. De un ejemplo de la parte 2 del teorema 36.
Prueba de 3.
1 Sean ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn )

2

yw
~ = (w1 , w2 , . . . , wn ) Rn ,


(~u + ~v ) w
~ = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn )
(w1 , w2 , . . . , wn ),

hip
otesis
1
de

= (u1 + v1 , u2 + v2 , . . . , un + vn )

= (u1 + v1 )w1 + (u2 + v2 )w2

= u1 w1 + v1 w1 + u2 w2 + v2 w2

= (u1 w1 + u2 w2 + + un wn )+

conmutatividad en R

= (u1 , u2 , . . . , un ) (w1 , w2 , . . . , wn )+

definicion de
producto escalar

= ~u w
~ + ~v w,
~

1 en .
7

(w1 , w2 , . . . , wn ),
+ + (un + vn )wn ,

+ + un wn + vn wn ,

(v1 w1 + v2 w2 + + vn wn ),

(v1 , v2 , . . . , vn ) (w1 , w2 , . . . , wn ),

suma de vectores
definicion de
producto escalar
distributividad en R

2 a ,
8 (~u + ~v ) w
Luego, por
~ = ~u w
~ + ~v w.
~
Ejemplo 107. Si ~u = (1, 2, 3, 0, 1), ~v = (3, 1, 2, 1, 2) y w
~ = (2, 0, 4, 1, 1),
verificar que (~u + ~v ) w
~ = ~u w
~ + ~v w.
~
Soluci
on.
(~u + ~v ) w
~ = [(1, 2, 3, 0, 1) + (3, 1, 2, 1, 2)] (2, 0, 4, 1, 1)

Vectores en Rn

121

= (4, 3, 5, 1, 3) (2, 0, 4, 1, 1)

= 4 2 + 3 0 + 5 (4) + (1) 1 + 3 1

= 10 .
Ahora,

~u w
~ + ~v w
~ = (1, 2, 3, 0, 1) (2, 0, 4, 1, 1) + (3, 1, 2, 1, 2) (2, 0, 4, 1, 1)

= (1 2 + 2 0 + 3 (4) + 0 1 + 1 1) + (3 2 + 1 0 + 2 (4) + (1) 1 + 2 1)

= (9) + (1)
= 10 .

Hemos verificado que (~u + ~v ) w

~ = ~u w
~ + ~v w.
~
Ejercicio 133. De un ejemplo de la parte 3 del teorema 36.
Ejercicio 134. Probar 4 y dar un ejemplo.
Ejercicio 135. Si usted tuviese que realizar un algoritmo, para implementar en
un computador, y se viera enfrentado a realizar c~u (~v ) varios millones de veces,
realizara esta operaci
on? o mejor realizara ~u (c~v ) o realizara c(~u ~v )? O sera
indiferente realizar cualquiera de las tres operaciones? Explique su respuesta.

Teorema 37 (Angulo
entre dos vectores en Rn ). Dados los vectores ~u y ~v Rn ,
no nulos, el coseno del
angulo formado entre ellos es
cos =

~u ~v
.
k ~u k k ~v k

Prueba.
Observe la figura 3.20.
Por la ley del coseno sabemos que
k ~u ~v k2 =k ~u k2 + k ~v k2 2 k ~u kk ~v k cos .
Ahora, como k w
~ k2 = w
~ w,
~ entonces
(~u ~v ) (~u ~v ) =k ~u k2 + k ~v k2 2 k ~u kk ~v k cos .
Desarrollando el lado izquierdo
~u ~u 2(~u ~v ) + ~v ~v =k ~u k2 + k ~v k2 2 k ~u kk ~v k cos .


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

122

u -v

Figura 3.20:
angulo entre vectores en Rn

As,
k ~u k2 2(~u ~v )+ k ~v k2 =k ~u k2 + k ~v k2 2 k ~u kk ~v k cos .
Simplificando
2(~u ~v ) = 2 k ~u kk ~v k cos .
As, cos =

~
u~
v
k~
ukk~
vk

Ejemplo 108. Encontrar el

angulo entre los vectores ~u = (2, 3, 0, 2) y ~v =
(3, 4, 2, 1)
Soluci
on.
cos =

~u ~v
k ~u kk ~v k

(2, 3, 0, 2) (3, 4, 2, 1)
p
22 + 32 + 02 + (2)2 32 + 42 + 22 + (1)2
6 + 12 + 0 + 2

=
17 30
20
=
17 2 3 5
22 5
=
17 2 3 5

2 25
=
.
17 3
 
7 2
.
Entonces, = cos1 1735
=p

123

Vectores en Rn

Ejercicio 136. Encontrar el

angulo entre los vectores ~u = (1, 3, 0, 2) y ~v =
(1, 0, 4, 2).
Respuesta.

5 .
7 23

Definici
on 49 (Vectores ortogonales). Dos vectores ~u, ~v Rn , no nulos, son
ortogonales si ~u ~v = 0.
Ejemplo 109. Los vectores ~u = (2, 2, 4) y ~v = (0, 2, 1), representados en la
figura 3.21, son ortogonales puesto que
~u ~v = (2, 2, 4) (0, 2, 1)

= 2 0 + (2) 2 + 4 1
= 0.

u
v
y
x

Figura 3.21: dos vectores ortogonales en R3

Ejemplo 110. Los vectores ~u = (1, 3, 0, 1) y ~v = (6, 3, 7, 3) son ortogonales

puesto que
~u ~v = (1, 3, 0, 1) (6, 3, 7, 3)

= 1 6 + 3 (3) + 0 7 + 1 3

= 0.

Ejercicio 137. Construya cinco pares de vectores en R4 que sean ortogonales.

Definici
on 50 (Vectores paralelos). Dos definiciones:
1. Dos vectores no nulos ~u, ~v Rn son paralelos si el angulo entre ellos es
cero o , es decir, si ~u ~v =k ~u kk ~v k o ~u ~v =k ~u kk ~v k.

124

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

2. Dos vectores no nulos ~u, ~v Rn son paralelos si c R tal que ~u = c~v .

Ejemplo 111. Los vectores ~u = (2, 4, 1) y ~v = (1, 2, 21 ), representados en
la figura 3.22 son paralelos, pues:
z

v
y

u
x

Figura 3.22: dos vectores paralelos en R3

Su producto escalar es
~u ~v = 2 (1) + 4 (2) + (1)
= 2 8
=

1
2

1
2

21
,
2

y el producto de sus normas es

p
k ~u kk ~v k = 22 + 42 + (1)2
r

21
= 21
4
r
2
21
=
22
21
.
=
2

Como (~u ~v ) = ( 21
2 )=

21
2

(1)2 + (2)2 +

 2
1
2

=k ~u kk ~v k, entonces ~u y ~v son paralelos.

Observe tambien que ~u = 21 ~v .

Vectores en Rn

125

Ejemplo 112. Los vectores ~u = (3, 2, 1, 1) y ~v = (6, 4, 2, 2) son paralelos

pues:
Su producto escalar es
~u ~v = 3 (6) + 2 (4) + (1) 2 + 1 (2)
= 18 8 2 2

= 30 ,

y el producto de sus normas es

p

32 + 22 + (1)2 + 12

= 15 60

= 15 4 15

k ~u kk ~v k =

(6)2 + (4)2 + 22 + (2)2

= 15 2 = 30 .

Como (~u ~v ) = (30) = 30 =k ~u kk ~v k, entonces ~u y ~v son paralelos. Observe

tambien que ~u = 12 ~v .


Ejercicio 138. Son los vectores ~u = (3, 2, 1, 9, 6) y ~v = 2, 43 , 23 , 6, 4
paralelos? Pruebe su respuesta.
Ejercicio 139. Construya cinco pares de vectores en R4 que sean paralelos.
Definici
on 51 (Vectores con igual direcci
on). Dos definiciones:
1. Dos vectores no nulos ~u, ~v Rn tienen igual direcci
on si el angulo entre
ellos es cero, es decir, si y solo si ~u ~v =k ~u kk ~v k.
2. Dos vectores no nulos ~u, ~v Rn tienen igual direcci
on si c R, c > 0, tal
que ~u = c~v .
Ejemplo 113. Los vectores ~u = (2, 4, 4) y ~v = (1, 2, 2), mostrados en la figura
3.23, tienen igual direcci
on pues
Su producto escalar es
~u ~v = 2 1 + 4 2 + 4 2
=2+8+8

126

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

u
v
y
x

Figura 3.23: dos vectores con igual direcci

on en R3

= 18 ,
y el producto de sus normas es
p
p
22 + 42 + 42 12 + 22 + 22

= 4 + 16 + 16 1 + 4 + 4

= 36 9

k ~u kk ~v k =

=63
= 18 .

Como ~u ~v = 18 =k ~u kk ~v k, entonces ~u y ~v tienen igual direcci

on. Observe que
~u = 2~v y que estos dos vectores tambien son paralelos.
Ejemplo 114. Los vectores ~u = (0, 3, 1, 2, 0) y ~v = (0, 6, 2, 4, 0) tienen igual
direcci
on pues
Su producto escalar es
~u ~v = 0 0 + 3 6 + 1 2 + (2) (4) + 0 0
= 0 + 18 + 2 + 8 + 0
= 28 ,
y el producto de sus normas es
k ~u kk ~v k =

02 + 32 + 12 + (2)2 + 02

02 + 62 + 22 + (4)2 + 02

127

Vectores en Rn

0 + 9 + 1 + 4 + 0 0 + 36 + 4 + 16 + 0

= 14 56
p
= 2 7 23 7
=

= 22 7
= 28 .

Como ~u ~v = 28 =k ~u kk ~v k, entonces ~u y ~v tienen igual direcci

on. Observe que
1
~u = 2 ~v y que estos dos vectores tambien son paralelos.
Ejercicio 140. Tienen los vectores ~u = (1, 5, 1, 2, 4) y ~v = (2, 10, 2, 4, 8)
igual direcci
on? Pruebe su respuesta.
Ejercicio 141. Construya cinco pares de vectores en R4 tales que cada par tenga
igual direcci
on.
Teorema 38 (Desigualdad de CauchySchwarz ). Si ~u, ~v Rn , entonces
|~u ~v | 6k ~u kk ~v k .
Ejemplo 115. Sean los vectores ~u = (1, 2, 3, 0, 2) y ~v = (1, 0, 3, 1, 2), verificar
el teorema de CauchySchwarz.
Soluci
on.
|~u ~v | = |(2, 3, 1, 2) (0, 3, 1, 2)|
= | 4|
= 4.
Ahora,
p

22 + 32 + 12 + 22

= 18 14
p

= 2 32 2 7
p
= 22 32 7

= 2 3 7.

k ~u kk ~v k =

02 + (3)2 + 12 + 22

Luego, se verifica que |~u ~v | 6k ~u kk ~v k.

Ejercicio 142. Dados los vectores ~u = (0, 3, 1, 4, 2) y ~v = (1, 0, 3, 5, 2), verificar
el teorema de CauchySchwarz.

128

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Teorema 39 (Desigualdad triangular). Dados ~u, ~v Rn , entonces

k ~u + ~v k6k ~u k + k ~v k .
Prueba.
1 Sean ~u, ~v Rn ,

p
2 k ~u + ~v k= (~u + ~v ) (~u + ~v ),

3

= ~u ~u + ~u ~v + ~v ~u + ~v ~v ,
p
4

= k ~u k2 +2(~u ~v )+ k ~v k2 ,
p
5

6 k ~u k2 +2 k ~u kk ~v k + k ~v k2 ,
p
6

= (k u k + k v k)2 ,
7

hip
otesis
~ k=
w
~ Rn , k w

w
~ w
~

propiedad del producto escalar

2 y
3
razones de

pues ~u ~v 6k ~u kk ~v k

5 es trinomio cuadrado perfecto

6
simplificando .

=k ~u k + k ~v k,

2 a ,
7 k ~u + ~v k6k ~u k + k ~v k.
Luego, por
La figura 3.24 ilustra el anterior teorema. El lector puede verificar que la
distancia de (0, 0) a (6, 5) es menor que la distancia entre (0, 0) y (4, 1) m
as la
distancia entre (4, 1) y (6, 5).

Figura 3.24: ilustraci

on de la desigualdad triangular en R2

Ejemplo 116. Sean ~u = (3, 2, 0, 4) y ~v = (3, 2, 2, 1), verificar el teorema 39.

Primero calculemos la norma del vector resultante de la suma de los dos vectores
k ~u + ~v k =k (3, 2, 0, 4) + (3, 2, 2, 1) k
=k (6, 0, 2, 3) k

Vectores en Rn

=
=

129

62 + 02 + 22 + (3)2

49

= 7.
Ahora, las normas individuales
k ~u k + k ~v k =k (3, 2, 0, 4) k + k (3, 2, 2, 1) k
p
p
= 32 + 22 + 02 + (4)2 + 32 + (2)2 + 22 + 12

= 29 + 18

= 29 + 3 2 .

Como 7 < 29 + 3 2, entonces se verifica que k ~u + ~v k6k ~u k + k ~v k.

Ejercicio 143. Sean ~u = (1, 2, 0, 4, 2) y ~v = (3, 0, 2, 4, 3), verificar el teorema
39.
Definici
on 52 (Vector unitario). Un vector unitario en Rn es aquel cuya longitud es uno.
Ejemplo 117. Encontrar un vector unitario w
~ en la direcci
on de ~u = (2, 3, 4, 1)
Soluci
on. La magnitud de ~u es
p
k ~u k = 22 + (3)2 + 42 + 12

= 4 + 9 + 16 + 1

= 30

= 2 3 5.
As,
~u
k ~u k
(2, 3, 4, 1)

=
30


2
3
4
1
= , , ,
.
30
30
30 30

w
~=

Ejercicio 144. Encontrar un vector unitario w

~ en la direcci
on de ~u = (2, 4, 2, 3, 4)


2 4 2 3
4
Respuesta. 7 , 7 , 7 , 7 , 7 .


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

130

Definici
on 53 (Vectores coordenados unitarios en R3 ). En R3 existen tres vectores unitarios, ortogonales entre s, llamados vectores coordenados unitarios;
ellos son: = (1, 0, 0), = (0, 1, 0) y k = (0, 0, 1).
La figura 3.25 ilustra estos vectores
k

Figura 3.25: vectores coordenados unitarios en R3

En terminos de los vectores coordenados unitarios se puede expresar facilmente cualquier otro vector en R3 .

Ejemplo 118. Expresar el vector ~u = (2, 4, 1) en terminos de , y k.

Soluci
on.

~u = (2, 4, 1)

= (2, 0, 0) + (0, 4, 0) + (0, 0, 1)

= 2(1, 0, 0) + (4)(0, 1, 0) + 1(0, 0, 1)

= 2 + (4)
+ 1k
= 2 4
+ k .

Ejercicio 145. Expresar el vector ~u = (5, 8, 4) en terminos de , y k.

En general, en Rn , cualquier vector ~u = (u1 , u2 , . . . , un ) puede ser expresado
facilmente en terminos de los siguientes vectores coordenados unitarios:
e1 = (1, 0, . . . , 0) Rn

e2 = (0, 1, . . . , 0) Rn
..
.

en = (0, 0, . . . , 1) Rn ,
de la forma ~u = u1~e1 + u2~e2 + + un~en .
Los vectores ~e1 , ~e2 , . . ., ~en son mutuamente ortogonales y unitarios.
A continuaci
on, veamos un ejemplo general de lo aprendido hasta el momento
sobre vectores en Rn .

Vectores en Rn

131

Ejemplo 119 (Operaciones con vectores). Sean los vectores ~u1 = (0, 2, 1, 3),
~u2 = (2, 1, 3, 1) y ~u3 = (1, 3, 6, 0).
Soluci
on.

1. Su longitud, magnitud o norma

p

k ~u1 k = 02 + 22 + (1)2 + 32 = 14
p

k ~u2 k = 22 + 12 + 32 + 12 = 15
p

k ~u3 k = 12 + (3)2 + (6)2 + 02 = 46 .

2. La suma de ~u1 , ~u2 y ~u3 es

~u1 + ~u2 + ~u3 = (0, 2, 1, 3) + (2, 1, 3, 1) + (1, 3, 6, 0)

= (0 + 2 + 1, 2 + 1 3, 1 + 3 6, 3 + 1 + 0)
= (3, 0, 4, 4) .

3. Son ortogonales estos vectores?

(a) ~u1 ~u2 = 0 2 + 2 1 + (1) 3 + 3 1 = 2,
luego ~u1 y ~u2 no son ortogonales.
(b) ~u1 ~u3 = 0 1 + 2 (3) + (1) (6) + 3 0 = 0,
luego ~u1 y ~u3 son ortogonales.
(c) ~u2 ~u3 = 2 1 + 1 (3) + 3 (6) + 1 0 = 19,
luego ~u2 y ~u3 no son ortogonales.
4. El angulo 1 entre ~u1 y ~u2 es
2
2
~u1 ~u2
=
=
k ~u1 k k ~u2 k
2735
14 15


2
1 = cos1
.
2735

cos 1 =

Ejercicio 146. Encontrar el

angulo 2 entre ~u1 y ~u3 , y el angulo 3 entre,
~u2 y ~u3 .
5. El vector unitario ~v1 en la direcci
 on de ~u1 es

2
1
3
(0, 2, 1, 3)
~u1

=
= 0, , ,
.
~v1 =
k ~u1 k
14
14
14
14

132

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejercicio 147. Encontrar el vector unitario ~v2 en la direcci

on de ~u2 y el
vector unitario ~v3 en la direcci
on de ~u3 .
6. Encontrar alg
un vector w
~ 1 en la direcci
on de ~u1 .
on que ~u1 .
Cualquier vector w
~ 1 = c~u1 , con c > 0, tiene igual direcci
Prueba. Observe la figura 3.26

u1

w1

Figura 3.26: vectores con igual direcci

on

w
~ 1 ~u1 = (c~u1 ) ~u1

= c(~u1 ~u1 )

= c k ~u1 k2

kw
~ 1 k k ~u1 k =k c~u1 k k ~u1 k

= |c| k ~u1 k k ~u1 k

(3.1)

(3.2)

Como c > 0, entonces |c| = c, as (3.1) = (3.2) y por tanto w

~ 1 ~u1 =k w
~1 k
k ~u1 k . Luego w
~ 1 y ~u1 tienen igual direcci
on.
Nota. Si c < 0, entonces |c| = c. Luego, w
~ 1 y ~u1 son paralelos pero con
sentido contrario. Observe la figura 3.27.
7. Encontrar un vector ~x ortogonal a ~u2 , diferente de ~u1 .
Sea ~x = (x1 , x2 , x3 , x4 )
~x ~u2 = 0

(x1 , x2 , x3 , x4 ) (2, 1, 3, 1) = 2x1 + 1x2 + 3x3 + 1x4 = 0 .

Una ecuaci
on con cuatro inc
ognitas. Esto implica que hay infinitos vectores.
Por ejemplo si x1 = 1, x2 = 1 y x3 = 1, entonces x4 = 6. Luego ~x =
(1, 1, 1, 6) es ortogonal a ~u1 . Se verifica realizando ~x ~u2 .

Vectores en Rn

133

u1

w1

Figura 3.27: vectores paralelos

Ejercicio 148. Encontrar:

1. tres vectores paralelos a ~u1 ,
2. tres vectores paralelos a ~u2 ,
3. tres vectores paralelos a ~u3 ,
4. tres vectores con igual direcci
on que ~u1 ,
5. tres vectores con igual direcci
on que ~u2 ,
6. tres vectores con igual direcci
on que ~u3 ,
7. tres vectores perpendiculares a ~u1 ,
8. tres vectores perpendiculares a ~u2 ,
9. tres vectores perpendiculares a ~u3 .
Ejercicio 149. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

3.3

Aplicaciones de vectores en R3

Definici
on 54 (Producto cruz). En R3 , dados los vectores ~u = (u1 , u2 , u3 ) =
u1 + u2 + u3 k y ~v = (v1 , v2 , v3 ) = v1 + v2 + v3 k se define su producto cruz
como




k 



~u ~v = u1 u2 u3 
(3.3)


 v1 v2 v3 

134

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

2 v1 + u3 v2 + v3 u1 )
= (u2 v3 + u1 v2 k + v1 u3 ) (ku
= (u2 v3 u3 v2 ) + (u3 v1 u1 v3 )
+ (u1 v2 u2 v1 )k .
Note que (3.3) no es un determinante pero se soluciona como un determinante.
El vector ~u ~v es ortogonal a los vectores ~u y ~v y su direcci
on est
a dada
por la regla de la mano derecha: oriente los dedos de su mano derecha (excepto
el pulgar que estar
a ortogonal a los primeros) en la direcci
on de ~u y desplacelos
hacia el vector ~v a traves del
angulo m
as peque
no, entonces, hacia donde apunte
el dedo pulgar, es la direcci
on del vector ~u ~v , observe la figura 3.28.

Figura 3.28: regla de la mano derecha

encontrar w
Ejemplo 120. Dados ~u = 2 + k y ~v = + 2
k,
~ = ~u ~v .
Soluci
on.




k 



w
~ = 2 1 1 


1 2 1
= ( + 4k + ) (k + 2 2
)
= + 3
+ 5k .

El vector w
~ es representado en la figura 3.29.
determinar w
Ejercicio 150. Dados ~u = + 2k y ~v = + 2
+ k,
~ = ~u ~v .
Dibuje los tres vectores.

Respuesta. 5 + + 3k.

Vectores en Rn

135

w = u +v

u
v

Figura 3.29: producto cruz entre los vectores ~u y ~v

Teorema 40 (Propiedades del producto cruz). Sean ~u, ~v y w

~ R3 y c un
escalar, entonces:
1. ~u ~v = (~v ~u)
2. ~u (~v + w)
~ = ~u ~v + ~u w
~
3. (~u + ~v ) w
~ = ~u w
~ + ~v w
~
4. c(~u ~v ) = (c~u) ~v = ~u (c~v )
5. ~u ~u = ~0
6. ~0 ~u = ~u ~0 = ~0
7. ~u (~v w)
~ = (~u w)~
~ v (~u ~v )w
~
8. (~u ~v ) w
~ = (w
~ ~u)~v (w
~ ~v )~u
9. (~u ~v ) w
~ = ~u (~v w).
~

136

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Prueba de 1. ~u ~v = (~v ~u)

1 Sean ~u = (u1 , u2 , u3 ) y ~v = (v1 , v2 , v3 ) R3 ,



k 



2 ~u ~v = u1 u2 u3 ,



 v1 v2 v3 




k 



3

=  v1 v2 v3 ,


u1 u2 u3 
4

= (~v ~u),
2 a .
4
Luego, ~u ~v = (~v ~u), por

hip
otesis
1 y definicion de producpor
to cruz

propiedad de determinante
2
raz
on de .

encontrar ~u ~v y ~v ~u.
Ejemplo 121. Dados ~u = + 3
k y ~v = 2 + k,
Soluci
on.





k 



~u ~v = 1 3 1


2 1 1 

= (3 k 2
) (6k + + )
= 2 3
7k .

Ahora,




k 



~v ~u = 2 1 1 


1 3 1

= ( + 6k + ) (k + 3 2
)
= 2 + 3
+ 7k .

Luego, ~u ~v = (~v ~u), por tanto, hemos verificado la parte 1 del teorema 40.
Ejercicio 151. Invente dos vectores en R3 y verifique la parte 1 del teorema 40.

137

Vectores en Rn

Prueba de 2. ~u (~v + w)
~ = ~u ~v + ~u w
~
1 Sean ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y

2

w
~ = (w1 , w2 , w3 ) R3 ,

~u (~v + w)
~ =~u (v1 + w1 , v2 + w2 , v3 + w3 ),





k 



= u1
u2
u3 ,


v1 + w1 v2 + w2 v3 + w3 

= [u2 (v3 + w3 ) u3 (v2 + w2 )] +

= (u2 v3 u3 v2 ) + (u3 v1 u1 v3 )
+
(u1 v2 u2 v1 )k + (u2 w3 u3 w2 )+

[u3 (v1 + w1 ) u1 (v3 + w3 )]

+

[u1 (v2 + w2 ) u2 (v1 + w1 )]k,

 + (u1 w2 u2 w1 )k,
 3 )
(u3 w1 u1 w

 

k  
k 


 

=u1 u2 u3  +  u1 u2 u3 ,

 

 v1 v2 v3  w1 w2 w3 

7

= ~u ~v + ~u w,
~
2 a .
7
Luego, ~u (~v + w)
~ = ~u ~v + ~u w,
~ por

hip
otesis
1 y suma de
por
vectores
definicion de producto cruz

3
resolviendo

propiedades en R

5
resolviendo
3
raz
on de .

~v = 2
encontrar
Ejemplo 122. Dados ~u = 2
+ k,
+ 2k y w
~ = + 2
+ k,
~u (~v + w)
~ y ~u ~v + ~u w.
~
Soluci
on.


( 2
+ ( + 2

~u (~v + w)
~ = ( 2
+ k)
+ 2k)
+ k)
(2 + 0

= ( 2
+ k)
+ 3k)




 k


= 1 2 1


2 0 3
= (6 + 0k + 2
) (4k + 0 + 3
)
= 6 + 4k .


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

138
Ahora,

 k   k 

 

~u ~v + ~u w
~ = 1 2 1 + 1 2 1

 

1 2 2 1 2 1

= (4 2k + ) (2k 2 + 2
) +


(2 + 2k + ) (2k + 2 + )

+ (4 + 0

= (2 + 0k)
+ 4k)
= 6 + 4k .

Luego, ~u (~v + w)
~ = ~u ~v + ~u w,
~ por tanto, hemos verificado la parte 2 del
teorema 40.
Ejercicio 152. Invente tres vectores en R3 y verifique la parte 2 del teorema
40.
Ejercicio 153. Probar 3, (~u + ~v ) w
~ = ~u w
~ + ~v w,
~ y realizar un ejemplo.
Prueba de 4. c(~u ~v ) = (c~u) ~v = ~u (c~v )
1 Sean ~u = (u1 , u2 , u3 ) y

3

4

5

6

7

~v = (v1 , v2 , v3 ) R3 , y c un escalar,


k 



c(~u ~v ) = c u1 u2 u3 ,


 v1 v2 v3 





k 



c
= cu1 cu2 cu3 ,
c

 v1 v2 v3 
= (c~
u) ~v ,




k 



c(~u ~v ) = c u1 u2 u3 ,


 v1 v2 v3 





k 



c
=  u1 u2 u3 ,
c

cv1 cv2 cv3 
= ~u (c~v ),

hip
otesis

1 y definicion de producto cruz

por

propiedad de determinante
3 y definicion de producto cruz
de
2
raz
on de

3
raz
on de
6 y definicion de producto cruz.
de

Vectores en Rn

139

2 a
7
Luego, c(~u ~v ) = (c~u) ~v = ~u (c~v ), por
encontrar c(~u ~v )
Ejemplo 123. Dados c = 2, ~u = 2
+ k y ~v = 2 2
+ 2k,
y (c~u) ~v .

Soluci
on.





 k


c(~u ~v ) = 2 1 2 1


1 2 2

= 2 (4 2k + ) (2k 2 + 2
)

= 2(2 + 0k)
= 4 2
+ 0k .

Ahora,


( 2

(c~u) ~v = 2( 2
+ k)
+ 2k)
( 2

= (2 4
+ 2k)
+ 2k)




 k


= 2 4 2


1 2 2

= (8 4k + 2
) (4k 4 + 4
)
= 4 2
+ 0k .

Luego, c(~u ~v ) = (c~u) ~v , por tanto, hemos verificado la parte 4 del teorema
40.
Ejercicio 154. Invente un escalar c y dos vectores en R3 . Verifique (c~u) ~v =
~u (c~v ).
Prueba de 5. ~u ~u = ~0

140
1

2

3

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Sea ~u = (u1 , u2 , u3 )  R3 ,


k 



~u ~u = u1 u2 u3 ,


u1 u2 u3 

= (u2 u3 u3 u2 ) + (u3 u1 u1 u3 )
+

(u1 u2 u2 u1 )k,

4

= 0 + 0
+ 0k,
2 y
3
Luego, ~u ~u = ~0, por

hip
otesis
1 y definicion
por
de producto cruz

2
resolviendo

3
simplificando .

encontrar ~u ~u.
Ejemplo 124. Dado ~u = 2 2
4k,
Soluci
on.




k 



~u ~u = 2 2 4


2 2 4

= (8 4k 8
) (4k + 8 8
)
= ~0 .

Luego, ~u ~u = ~0, por tanto, hemos verificado la parte 5 del teorema 40.
Ejercicio 155. Invente un vector ~u R3 . Verifique que ~u ~u = ~0.
Prueba de 6. ~0 ~u = ~u ~0 = ~0
1 Sea ~u = (u1 , u2 , u3 ) R3 , hip

otesis





k 



2 ~0 ~u =  0 0 0 ,
1 y definicion de producto cruz

por


u1 u2 u3 

3
2

= 0
+ 0k,
resolviendo

 + 0


k 



2
4 ~u ~0 = u1 u2 u3 ,
raz
on de



0 0 0

5
4

= 0 + 0
+ 0k,
resolviendo .
2 a
5
Luego, ~0 ~u = ~u ~0 = ~0, por

Vectores en Rn

141

encontrar ~u ~0.
Ejemplo 125. Dado ~u = 6 3
k,

Soluci
on.





k 



~u ~0 = 6 3 1


0 0
0

= (0 + 0k + 0
) (0k + 0 + 0
)
= ~0 .

Luego, ~u ~0 = ~0, por tanto, hemos verificado la parte 6 del teorema 40.
Ejercicio 156. Invente un vector ~u R3 . Verifique que ~0 ~u = ~0.




 u1 u2 u3 


Ejercicio 157. Probar que ~u (~v w)
~ =  v1 v2 v3  con ~u = (u1 , u2 , u3 ),


w1 w2 w3 

~v = (v1 , v2 , v3 ) y w
~ = (w1 , w2 , w3 ) R3 .

Prueba de 9. (~u ~v ) w
~ = ~u (~v w)
~
1
Sean ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 )

hip
otesis

R3 ,

4

5

yw
~ = (w1 , w2, w3 )



 u1 u2 u3 


(~u ~v ) w
~ =  v1 v2 v3 ,


w1 w2 w3 




w1 w2 w3 


=  v1 v2 v3 ,


 u1 u2 u3 




v
v
v
 1
2
3


= () w1 w2 w3 ,


 u1 u2 u3 
= (~v w)
~ ~u,

= ~u (~v w),
~

2 a .
6
Luego (~u ~v ) w
~ = ~u (~v w),
~ por

1 y tarea 157
por

propiedad de determinantes
f1 f3
propiedad de determinantes
f1 f2
2
raz
on de

conmutatividad del producto

escalar.

142

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Hacer ejemplo

Teorema 41 (Angulo
entre dos vectores en R3 ). Dados ~u, ~v R3 , el
angulo
entre ~u y ~v est
a dado por
sen =

k ~u ~v k
.
k ~u kk ~v k

Ejemplo 126 (Area

de un tri
angulo () en R3 ). Dado el delimitado por los
vectores ~u, ~v y ~u ~v , figura 3.30, con ~u, ~v R3 , su area es

u -v
h

Figura 3.30:
area de un en R3

k ~u k h
2
k ~u k (k ~v k sen )
=
2
k ~u ~v k
k ~u kk ~v k

=
2
k ~u kk ~v k
k ~u ~v k
=
.
2

A =

Ejemplo 127. Encontrar el

area del delimitado por los vectores ~u = (3, 1, 2)
y ~v = (1, 3, 1).
Soluci
on. En la figura 3.31 se muestra






~u ~v =  3
1

1 3

el tri
angulo


k

2

1

143

Vectores en Rn

v = (-1,-3,1)

y
u = (3,2,1)
x
Figura 3.31:
area de un en R3

= ( 9k 2
) (k 6 + 3
)
= 7 5
8k .
Ahora, el area del tri
angulo es
1p 2
1
7 + (5)2 + (8)2
k ~u ~v k=
2
2
1
1
=
138 =
2 3 23
2
2
r
3 23
.
=
2

A =

Ejercicio 158. Determinar el

area del delimitado por los vectores ~u = (1, 3, 2)
y ~v = (2, 1, 1). Dibujar el tri
angulo.

Respuesta.

83
2 .

Ejemplo 128. Encontrar el

area del delimitado por los puntos P1 = (3, 1, 0),
P2 = (2, 3, 2) y P3 = (2, 0, 3).

Soluci
on. Sea ~u = P1 P2 = (1, 4, 2) y ~v = P1 P3 = (5, 1, 3) como se muestra
en la figura 3.32




 k


~u ~v = 1 4 2


5 1 3
= (12 k 10
) (20k + 2 3
)
= 10 7
+ 19k

= (10, 7, 19) .

144

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

P3

v
P2
u
P1
Figura 3.32:
area de un en R3

Ahora, el area del tri

angulo es
1p 2
1
10 + (7)2 + (19)2
k ~u ~v k=
2
2
1
=
510 .
2
Ejercicio 159. Determinar el
area del delimitado por los puntos P1 =
(1, 2, 2), P2 = (0, 2, 1) y P3 = (2, 1, 1). Dibujar el tri
angulo.
q
Respuesta. 73
2 .
A =

Area
de un paralelogramo en R3 . El
area de un paralelogramo en R3 , definido por los vectores ~u y ~v (figura 3.33) es

A =k ~u ~v k .

Ejemplo 129. Encontrar al

area del paralelogramo determinado por los vectores
~u y ~v del ejemplo 128.

Soluci
on. Como A es 21 510, entonces A = 510.
Ejercicio 160. Determinar el
area del paralelogramo delimitado por los vectores
~u = (1, 4, 1) y ~v = (1, 3, 3). Dibujar el paralelogramo.

Respuesta. 2 73.
Realizar ejemplo de torque

Vectores en Rn

145

v
u

Figura 3.33:
area de un paralelogramo en R3

Volumen de un paraleleppedo. Dado un paraleleppedo determinado por

los vectores ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y w
~ = (w1 , w2 , w3 ), figura 3.34, su
volumen est
a determinado por
Vp =k ~v w
~ k (k ~u k cos ), base por altura

v w)~
~ u
= abs (~u (~v w))
~ , pues cos = k~(~
v wkk~
~ uk




 u u2 u3 
 1

 v1 v2 v3  , por ejercicio 157.
= abs




w1 w2 w3 

Ejemplo 130. Encontrar el volumen del paraleleppedo determinado por los

vectores ~u = (1, 7, 3), ~v = (2, 1, 1) y w
~ = (1, 0, 4).
Soluci
on. Al dibujar los tres vectores se obtiene el paraleleppedo mostrado en
la figura 3.35.




 1 7 3


2 1 1
Vp = abs




1 0 4


= abs (4 + 0 7) (3 + 0 56)
= 56 .

Ejercicio 161. Encontrar el volumen del paraleleppedo determinado por los

vectores ~u = (1, 5, 0), ~v = (3, 2, 1) y w
~ = (2, 0, 4).
Respuesta. 58.

146

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

v xw

||u ||cos

v
Figura 3.34: volumen de un paraleleppedo

w =(-1,0 ,4)

v =(-2,1,1)

u =(1,7,3)

Figura 3.35: volumen de un paraleleppedo

Rectas en R3 . Para determinar una recta l en R3 basta conocer un punto

P0 = (x0 , y0 , z0 ) l y un vector ~u = (a, b, c) paralelo a l. Veamos como hacerlo:
de acuerdo a la figura 3.36, w
~ 0 = (x0 , y0 , z0 ) y P = (x, y, z) un punto cualquiera

de l, entonces P0 P = t~u con t R, luego, por suma de vectores, el vector

Vectores en Rn

147

~x = w
~ 0 + t~u .

(3.4)

~x = (x, y, z) es

P o=(x o,y o,z o)

w0

tu
y
x
P=(x ,y ,z )

u =(a ,b,c)
Figura 3.36: recta en R3

Entonces, de (3.4), se sigue que

(x, y, z) = (x0 , y0 , z0 ) + t(a, b, c)
(x, y, x) = (x0 + ta, y0 + tb, z0 + tc) .
Luego,
x = x0 + ta
y = y0 + tb

(3.5)

z = z0 + tc ,
llamadas ecuaciones parametricas.
Al despejar t en (3.5) se obtiene
y y0
z z0
x x0
=
=
,
a
b
c
llamada la forma simetrica de l.
Ejemplo 131. Encontrar las ecuaciones parametricas y la forma simetrica de la
recta l que es paralela al vector ~u = (2, 4, 1) y pasa por el punto P0 = (1, 2, 5).

148

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

z
l

x =(x ,y ,z )

P 0 =(1,-2,5)

w0

u =(-2,4,1)

Figura 3.37: recta en R3

Soluci
on. Observe la figura 3.37.
Tenemos los siguientes datos: P0 = (1, 2, 5), w
~ 0 = (1, 2, 5), ~u = (2, 4, 1) y
~x = (x, y, z). Entonces
~x = w
~ 0 + t~u
(x, y, z) = (1, 2, 5) + t(2, 4, 1) .
De donde
x = 1 2t

y = 2 + 4t

(3.6)

z = 5 + t,

son las ecuaciones parametricas. Despejando t en (3.6) obtenemos la forma

simetrica
t=

y+2
x1
=
= z 5.
2
4

Ejercicio 162. Determinar las ecuaciones parametricas y la forma simetrica de

la recta l que es paralela al vector ~u = (1, 3, 5) y pasa por el punto P0 =
(3, 3, 4). Trazar la recta.
Ejemplo 132. Encontrar las ecuaciones parametricas y la forma simetrica de
la recta l que pasa por los puntos P0 = (2, 2, 1) y P1 = (1, 1, 3).

149

Vectores en Rn

z
P 1= (-1, 1, 3)

P= (x , y , z )

tu

P 0 = (2, -2, 1)
x

P0
x
Figura 3.38: recta en R3

Soluci
on. Observe la figura 3.38

Un vector paralelo a l es

~u = P0 P1
= (1 2, 1 (2), 3 1)
= (3, 3, 2) .

Entonces
P~ = P~0 + t~u
(x, y, z) = (2, 2, 1) + t(3, 3, 2)

(x, y, z) = (2 3t, 2 + 3t, 1 + 2t) .

Luego, las ecuaciones parametricas son
x = 2 3t

y = 2 + 3t
z = 1 + 2t .

Y la forma simetrica es
y+2
z1
x2
=
=
.
3
3
2

150

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejercicio 163. Determinar las ecuaciones parametricas y la forma simetrica de

la recta l que pasa por los puntos P0 = (1, 3, 2) y P1 = (2, 4, 0). Trazar la
recta.
Planos en R3 . Para determinar la ecuaci
on de un plano p basta conocer un
punto P0 = (x0 , y0 , z0 ) p y un vector ~n = (a, b, c) perpendicular a p como se
muestra en la figura 3.39.

z
n =(a ,b,c)
P = (x ,y ,z )

P 0 = (x 0 ,y 0 ,z 0 )
y

x
Figura 3.39: plano en R3

Sea un punto P = (x, y, z) p, entonces como el producto escalar entre dos

vectores ortogonales es cero, se tiene

~n (P0 P ) = 0

(a, b, c) (x x0 , y y0 , z z0 ) = 0

a(x x0 ) + b(y y0 ) + c(z z0 ) = 0

ax + by + cz (ax0 + by0 + cz0 ) = 0

ax + by + cz = (ax0 + by0 + cz0 ) .

Ejemplo 133. Encontrar la ecuaci

on del plano que pasa por el punto P0 =
(2, 2, 4) y es perpendicular al vector ~n = (1, 3, 2).
Soluci
on. Observe una aproximacion al plano en la figura 3.40

Sea P = (x, y, z) un punto cualquiera perteneciente al plano, entonces P0 P =

(x 2, y + 2, z 4), luego

~n P0 P = 0

151

Vectores en Rn

z
n =(1,3,2)
P 0 = (2,-2,4)

P= (x ,y ,z )

x
Figura 3.40: plano en R3

(1, 3, 2) (x 2, y + 2, z 4) = 0

1(x 2) + 3(y + 2) + 2(z 4) = 0

x + 3y + 2z 4 = 0 .

Ejercicio 164. Determinar la ecuaci

on del plano que pasa por el punto P0 =
(1, 4, 2) y es perpendicular al vector ~n = (1, 2, 3).
Respuesta. x + 2y + 3z = 15.
Ejemplo 134. Encontrar la ecuaci
on del plano que pasa por los puntos P1 =
(3, 1, 1), P2 = (0, 5, 1) y P3 = (1, 1, 4).
Soluci
on. Observe la figura 3.41
Dos vectores pertenecientes al plano son

P1 P2 = (0 3, 5 (1), 1 1) = (3, 6, 0)

P1 P3 = (1 3, 1 (1), 4 1) = (4, 2, 3) .
Un vector ~n perpendicular al plano es

~n = P1 P2 P1 P3




 k


= 3 6 0


4 2 3

152

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

P 3=(-1,1,4)

P= (x ,y ,z )
P 2= (0 ,5,1)
n
y
P 1=(3,-1,1)
x
Figura 3.41: plano en R3

= (18 0) + (0 (9))
+ (6 (24))k
= 18 + 9
+ 18k
= (18, 9, 18) .
Entonces, la ecuaci
on del plano es

~n P1 P = (18, 9, 18) (x 3, y (1), z 1)

= 18(x 3) + 9(y + 1) + 18(z 1)

= 18x + 9y + 18z + (54 + 9 18)

= 18x + 9y + 18z 63 = 0 ,
que es equivalente a 2x + y + 2z = 7.

Ejercicio 165. Encontrar la ecuaci

on del plano que pasa por los puntos P1 =
(3, 1, 1), P2 = (0, 3, 1) y P3 = (0, 3, 2). Graficar el plano.

Respuesta. 14x + 3y + 18z = 27.

Ejercicio 166. De los ejercicios propuestos en esta secci

on, entregue en forma
escrita, a su docente, aquellos que el le indique.

Unidad 4

Espacios Vectoriales
4.1

Rn como espacio vectorial

Los vectores en Rn , con las operaciones + y (aca significa simplemente la

multiplicaci
on de un escalar por un vector), conforman una terna llamada espacio
vectorial real, denotada (Rn , +, ), en el que se cumplen las 10 propiedades dadas
en el siguiente teorema.
Teorema 42 (Propiedades de vectores en Rn ). La terna (Rn , +, ) forma un
espacio vectorial, pues cumple las siguientes propiedades.
Dados ~u, ~v , w
~ Rn y c, d escalares, entonces:
1. ~u + ~v Rn
2. ~u + ~v = ~v + ~u
3. (~u + ~v ) + w
~ = ~u + (~v + w)
~
4. ~0 Rn tal que, ~u Rn , ~u + ~0 = ~u
5. ~u Rn , ~u Rn tal que ~u + (~u) = ~0
6. c~u Rn
7. c(~u + ~v ) = c~u + c~v
8. (c + d)~u = c~u + d~u
9. c(d~u) = (cd)~u = d(c~u)


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

154
10. 1~u = ~u.

Prueba de 1.
1 ~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) Rn ,

2

~u + ~v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ),

ui + vi R para i = 1, . . . , n,

= (u1 + v1 , u2 + v2 , . . . , un + vn ),

hip
otesis
1
por

suma de vectores
clausuratividad en R.

2 a .
4
Luego, ~u + ~v Rn por

Ejemplo 135. Sean ~u = (4, 3, 5) y ~v = (5, 2, 1) dos vectores en R3 . Verifiquemos el teorema

~u + ~v = (4, 3, 5) + (5, 2, 1)
= (4 5, 3 + 2, 5 1)
= (1, 1, 4) R3 .

Luego, en R3 , hemos verificado la parte 1 del teorema 42.

Note que, de acuerdo a la definicion 44, la suma de vectores fue definida para
sumar siempre dos vectores del mismo tama
no y que como resultado siempre
obtenemos un vector de ese mismo tama
no. Por ejemplo, al sumar dos vectores
en R2 , obtenemos un vector en R2 ; similar para R3 ; y as sucesivamente. Es decir,
nosotros no sabemos sumar vectores de diferente tama
no, es algo que no hemos
definido. Por ejemplo, no podemos sumar un vector que pertenezca a R2 con uno
que pertenezca a R3 .
Ejercicio 167. Cree dos vectores en R3 y s
umelos, cree dos vectores en R4 y
s
umelos, cree dos vectores en R5 y s
umelos y, por u
ltimo, cree dos vectores en
R6 y s
umelos.
El primero es un vector en R3 , el segundo lo es en R4 , el tercero lo es en R5 y
el cuarto en R6 . Si luego de la prueba qued
o con dudas, los ejercicios numericos
le ayudar
an a convencerse.

Prueba de 2.

155

Espacios vectoriales

~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) Rn ,

~u + ~v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ),

hip
otesis
1
por

= (u1 + v1 , u2 + v2 , . . . , un + vn ),

suma de vectores

= (v1 + u1 , v2 + u2 , . . . , vn + un ),

conmutatividad en R

= (v1 , v2 , . . . , vn ) + (u1 , u2 , . . . , un ),

suma de vectores

= ~v + ~u,

1
por .

2 a .
6
Luego, ~u + ~v = ~v + ~u por

Ejemplo 136. Suponga que ~u = (u1 , u2 ) y ~v = (v1 , v2 ) son dos vectores cualesquiera en R2 . Verifiquemos el teorema
~u + ~v = (u1 , u2 ) + (v1 , v2 )
= (u1 + v1 , u2 + v2 )
= (v1 + u1 , v2 + u2 )
= (v1 , v2 ) + (u1 , u2 )
= ~v + ~u .
Luego, en R2 , hemos verificado la parte 2 del teorema 42.
Ejercicio 168. Repita el anterior ejemplo, pero con n
umeros en los dos vectores.
Ejercicio 169. Pruebe que para R3 , la parte 2 del teorema 42 se cumple.

Prueba de 3.
1

u1

v1

w1

u2
v2
w2



Sean ~u = . , ~v = . y w
~ = . Rn ,
..
..
..



un
vn
w
n
u1
v1
w1

u2 v2 w2

(~u + ~v ) + w
~ = . + . + . ,
.. .. ..

un
vn
wn

hip
otesis

1
por


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

156

7

8

u 1 + v1

w1

u2 + v2 w2

=
+ . ,
..
..

wn
un + vn

(u1 + v1 ) + w1

(u2 + v2 ) + w2

=
,
..

(un + vn ) + wn

u1 + (v1 + w1 )

u2 + (v2 + w2 )

=
,
..

un + (vn + wn )

v1 + w1
u1

u2 v2 + w2

= . +
,
..

..
.

vn + w n
un

w1
v1
u1

u2 v2 w2

= . + . + . ,
.. .. ..

wn
vn
un
= ~u + (~v + w),
~

suma de vectores.

suma de vectores

asociatividad en R

suma de vectores

suma de vectores

1
por .

2 a .
8
Luego (~u + ~v ) + w
~ = ~u + (~v + w),
~ por
Ejemplo 137. Suponga que ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y w
~ = (w1 , w2 , w3 )
son tres vectores cualesquiera en R3 . Verifiquemos el teorema


(~u + ~v ) + w
~ = (u1 , u2 , u3 ) + (v1 , v2 , v3 ) + (w1 , w2 , w3 )
= (u1 + v1 , u2 + v2 , u3 + v3 ) + (w1 , w2 , w3 )

= (u1 + v1 ) + w1 , (u2 + v2 ) + w2 , (u3 + v3 ) + w3

= u1 + (v1 + w1 ), u2 + (v2 + w2 ), u3 + (v3 + w3 )

= (u1 , u2 , u3 ) + (v1 + w1 , v2 + w2 , v3 + w3 )

157

Espacios vectoriales

= (u1 , u2 , u3 ) + (v1 , v2 , v3 ) + (w1 , w2 , w3 )
= ~u + (~v + w)
~ .

Luego, en R3 , hemos verificado la parte 3 del teorema 42.

Ejercicio 170. Repita el anterior ejemplo, pero con n
umeros para los vectores.
Ejercicio 171. Pruebe que para R2 , la parte 3 del teorema 42 se cumple.
Prueba de 4. El vector ~0 = (0, 0, . . . , 0) Rn es el vector nulo. Veamos que
~u + ~0 = ~u.
1 Sea ~u = (u1 , u2 , . . . , un ) y ~0 = (0, 0, . . . , 0) Rn , hip

otesis
2 ~u + ~0 = (u1 , u2 , . . . , un ) + (0, 0, . . . , 0),
1

por
3

= (u1 + 0, u2 + 0, . . . , un + 0),

suma de vectores

= (u1 , u2 , . . . , un ),

propiedad en R

= ~u,

1
por .

2 a .
5
Luego ~u + ~0 = ~u, por
Ejemplo 138. El vector ~0 = (0, 0, 0, 0), es el vector nulo en R4 . Veamos que
~u = (u1 , u2 , u3 , u4 ) R5 se cumple que ~u + ~0 = ~u.
~u + ~0 = (u1 , u2 , u3 , u4 ) + (0, 0, 0, 0)

= (u1 + 0, u2 + 0, u3 + 0, u4 + 0)
= (u1 , u2 , u3 , u4 )
= ~u .
Luego, en R4 , hemos verificado la parte 4 del teorema 42.
Ejercicio 172. Repita el anterior ejemplo, pero con n
umeros para el vector ~u.
Ejercicio 173. Pruebe que para R5 , la parte 4 del teorema 42 se cumple.
Prueba de 5. Para todo ~u = (u1 , u2 , . . . , un ) Rn su inverso es
~u = (u1 , u2 , . . . , un ). Veamos que ~u + (~u) = ~0.
1 ~u = (u1 , u2 , . . . , un ) y ~u = (u1 , u2 , . . . , un ) Rn , hip

otesis
2

~u + (~u) = (u1 , u2 , . . . , un ) + (u1 , u2 , . . . , un ),

1
por

= (u1 + (u1 ), u2 + (u2 ), . . . , un + (un )),

suma de vectores

= (u1 u1 , u2 u2 , . . . , un un ),

propiedad en R

= (0, 0, . . . , 0),
= ~0,

suma en R
1 en prueba 4.
por

158

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

2 a .
6
Luego, ~u + (~u) = ~0 por
Ejemplo 139. Sea ~u = (u1 , u2 , u3 ) R3 , entonces su inverso es ~u = (u1 , u2 , u3 ).
Veamos:
~u + (~u) = (u1 , u2 , u3 ) + (u1 , u2 , u3 )
= (u1 u1 , u2 u2 , u3 u3 )

= (0, 0, 0)
= ~0 .

Luego, en R3 , hemos verificado la parte 5 del teorema 42.

Ejercicio 174. Repita el anterior ejemplo, pero con n
umeros para ~u.
Ejercicio 175. Pruebe que para R4 , la parte 5 del teorema 42 se cumple.

Prueba de 6.
1 Sean ~u = (u1 , u2 , . . . , un ) Rn y c un escalar,

2

c~u = c(u1 , u2 , . . . , un ),

cui R para i = 1, . . . , n,

= (cu1 , cu2 , . . . , cun ),

hip
otesis
1
por

escalar por un vector

clausuratividad en R.

2 a .
4
Luego, c~u Rn por

Ejemplo 140. Sean c = 2 y ~u = (2, 4, 5, 7, 0, 2) R6 , entonces

2~u = 2(2, 4, 5, 7, 0, 2)

= (4, 8, 10, 14, 0, 4) R6 .

Luego, en R6 , hemos verificado la parte 6 del teorema 42.

Ejercicio 176. Repita el anterior ejemplo con ~u = (u1 , u2 , u3 , u4 , u5 ) R5 .
Prueba de 7.

159

Espacios vectoriales

~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) Rn y

hip
otesis

c(~u + ~v ) = c[(u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn )],

1
por

c un escalar,

= c(u1 + v1 , u2 + v2 , . . . , un + vn ),

suma de vectores

= (c(u1 + v1 ), c(u2 + v2 ), . . . , c(un + vn )),

escalar por un vector

= (cu1 + cv1 , cu2 + cv2 , . . . , cun + cvn ),

distributividad en R

= (cu1 , cu2 , . . . , cun ) + (cv1 , cv2 , . . . , cvn ),

suma de vectores

= c(u1 , u2 , . . . , un ) + c(v1 , v2 , . . . , vn ),

escalar por un vector

= c~u + c~v ,

1
por .

2 a
8
Luego c(~u + ~v ) = c~u + c~v , por
Ejemplo 141. Suponga que c es un escalar, y ~u = (u1 , u2 ) y ~v = (v1 , v2 ) son
dos vectores cualesquiera en R2 . Verifiquemos el teorema


c(~u + ~v ) = = c (u1 , u2 ) + (v1 , v2 )
= c(u1 + v1 , u2 + v2 )

= c(u1 + v1 ), c(u2 + v2 )

= (cu1 + cv1 , cu2 + cv2 )

= (cu1 , cu2 ) + (cv1 , cv2 )
= c(u1 , u2 ) + c(v1 , v2 )
= c~u + c~v .

Luego, en R2 , hemos verificado la parte 7 del teorema 42.

Ejercicio 177. Repita el anterior ejemplo, pero con n
umeros para ~u y ~v .
Ejercicio 178. Pruebe que para R4 , la parte 7 del teorema 42 se cumple.
Ejercicio 179. Probar 8, 9 y 10.
Ejercicio 180. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

4.2

Espacios vectoriales

Definici
on 55 (Espacio vectorial). Un espacio vectorial es una tripleta (V, , ),
donde V es un conjunto no vaco, por ejemplo Rn , dotado de dos operaciones:

160

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

operaci
on cruz (entre dos elementos pertenecientes a V ) y operaci
on punto
(entre un escalar y un elemento perteneciente a V ), en el que se satisfacen las
siguientes 10 propiedades:
Dados ~u, ~v , w
~ V y c, d escalares, entonces:
1. ~u ~v V
2. ~u ~v = ~v ~u
3. (~u ~v ) w
~ = ~u (~v w)
~
4. ~0 V tal que, ~u V , ~u ~0 = ~u
5. ~u V , ~u V tal que ~u (~u) = ~0
6. c ~u V
7. c (~u ~v ) = c ~u c ~v
8. (c + d) ~u = c ~u d ~u
9. c (d ~u) = (cd) ~u = d (c ~u)
10. 1 ~u = ~u.
A los elementos de V los llamamos vectores. Tambien, para denotar el espacio
vectorial (V, , ), emplearemos V , cuando no de lugar a confusi
on.
Ejemplo 142 (Espacio vectorial). Sea W el conjunto formado por los vectores
de la forma (0, x) con x R. Dadas las operaciones: = +, suma normal
de vectores, y = , multiplicaci
on de un escalar por un vector. Es la terna
(W, +, ) un espacio vectorial?
Soluci
on. Sean los vectores ~u = (0, u1 ), ~v = (0, v1 ) y w
~ = (0, w1 ) W , y los
escalares c, d R. Veamos que s se cumplen las 10 propiedades:
1. ~u ~v pertenece a W ?
~u ~v = ~u + ~v ,

por hip
otesis

= (0, u1 ) + (0, v1 ) ,

por hip
otesis

= (0 + 0, u1 + v1 ) ,

por suma de vectores

= (0, u1 + v1 ) ,

propiedad en R.

Como el primer elemento es un cero y u1 +v1 R, se concluye que el vector

~u + ~v W .

161

Espacios vectoriales

2. ~u ~v = ~v ~u?
~u ~v = ~u + ~v ,

por hip
otesis

= (0, u1 + v1 ) ,

por propiedad 1

= (0 + 0, v1 + u1 ) ,

propiedades en R

= (0, v1 ) + (0, u1 ) ,

suma de vectores

= ~v + ~u ,

por hip
otesis

= ~v ~u ,

por hip
otesis.

Luego, la suma, +, es conmutativa en W .

3. ~u (~v w)
~ = (~u ~v ) w?
~
~u (~v w)
~ = ~u + (~v + w),
~


= (0, u1 ) + (0, v1 ) + (0, w1 ) ,
= (0, u1 ) + (0, v1 + w1 ),


= 0, u1 + (v1 + w1 ) ,


= 0, (u1 + v1 ) + w1 ,

por hip
otesis
por hip
otesis
suma de vectores
suma de vectores
asociatividad en R

= (0, u1 + v1 ) + (0, w1 ),


= (0, u1 ) + (0, v1 ) + (0, w1 ),

suma de vectores
suma de vectores

= (~u + ~v ) + w
~,

por hip
otesis

= (~u ~v ) w
~,

por hip
otesis.

Luego la suma, +, es asociativa en W .

4. Existe un elemento neutro ~0 W , tal que ~u ~0 = ~u?
S, el elemento es ~0 = (0, 0). Observese:
~u ~0 = ~u + ~0 ,

por hip
otesis

= (0, u1 ) + (0, 0) ,

por hip
otesis

= (0 + 0, u1 + 0) ,

suma de vectores

= (0, u1 ) ,

suma de reales

= ~u ,

por hip
otesis.

Luego, ~0 = (0, 0) es el elemento neutro.

162

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

5. Existe un elemento inverso para todo ~u W ?

S, el elemento inverso para alg
un ~u = (0, u1 ) es ~u = (0, u1 ).
Observese:
~u (~u) = ~u + (~u) ,

por hip
otesis

= (0, u1 ) + (0, u1 ) ,


= 0, u1 + (u1 ) ,

= (0, 0) ,
= ~0 ,

por hip
otesis
suma de vectores
propiedad en R
por hip
otesis de 4.

6. c ~u W ?
c ~u = c~u ,

por hip
otesis

= c(0, u1 ) ,

por hip
otesis

= (c0, cu1 ) ,

multiplicaci
on por un escalar

= (0, cu1 ) ,

propiedad en R.

Como el primer elemento es un cero y cu1 R, se concluye que el vector

c ~u W .
7. c (~u ~v ) = c ~u c ~v ?
c (~u ~v ) = c(~u + ~v ) ,

por hip
otesis

= c (0, u1 ) + (0, v1 ) ,

= c(0, u1 + v1 ) ,

suma de vectores

= (c0, c(u1 + v1 )) ,

multiplicaci
on por un escalar

= (0, cu1 + cv1 ) ,

propiedad en R

= (0, cu1 ) + (0, cv1 ) ,

suma de vectores

= c(0, u1 ) + c(0, v1 ) ,

multiplicaci
on por un escalar

= c~u + c~v ,

por hip
otesis

= c ~u c ~v ,

por hip
otesis.

por hip
otesis

8. (c + d) ~u = c ~u d ~u?
(c + d) ~u = (c + d)~u ,

por hip
otesis

= (c + d)(0, u1 ) ,

por hip
otesis

= (c + d)0, (c + d)u1 ,

multiplicaci
on por un escalar

Espacios vectoriales

163

= (0, cu1 + du1 ) ,

propiedad en R

= (0, cu1 ) + (0, du1 ) ,

suma de vectores

= c(0, u1 ) + d(0, u1 ) ,

multiplicaci
on por un escalar

= c~u + d~u ,

por hip
otesis

= c ~u d ~u ,

por hip
otesis.

9. c (d ~u) = (cd) ~u?

c (d ~u) = c(d~u) ,

por hip
otesis

= c d(0, u1 ) ,

= c(0, du1 ) ,

multiplicaci
on por un escalar

= (0, c(du1 )) ,

multiplicaci
on por un escalar

= (0, (cd)u1 ) ,

asociatividad en R

= (cd)(0, u1 ) ,

multiplicaci
on por un escalar

= (cd)~u ,

por hip
otesis

= (cd) ~u ,

por hip
otesis.

por hip
otesis

c (d ~u) = d (c ~u) se prueba en forma similar.

10. (1 ~u) = ~u?
1 ~u = 1~u ,

por hip
otesis

= 1(0, u1 ) ,

por hip
otesis

= (0, 1u1 ) ,

multiplicaci
on por un escalar

= (0, u1 ) ,

propiedad en R

= ~u ,

por hip
otesis.

Luego, por 1 a 10, (W, +, ) s es un espacio vectorial.

Ejemplo 143 (Espacio no vectorial). Dados W , conjunto formado por los vectores de la forma (1, x), con x R, y las operaciones: = +, suma normal de
vectores en R2 , y = , multiplicaci
on de un escalar real por un vector. Es
(W, , ) un espacio vectorial?
Soluci
on. Sean ~u = (1, u1 ) y ~v = (1, v1 )
1. Pertenece ~u ~v a W ?
No, porque

~u ~v = ~u + ~v


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

164

= (1, u1 ) + (1, v1 )
= (1 + 1, u1 + v1 )
= (2, u1 + v1 )
/ W.
Luego, ~u ~v no pertenece a W porque el primer elemento no es un uno. Por
tanto, (W, , ) no es un espacio vectorial.
Ejemplo 144 (Espacio no vectorial). Considere el conjunto V = R2 . Si ~u =
(u1 , u2 ), ~v = (v1 , v2 ), c es un escalar y las operaciones y son definidas como
~u ~v = ~u + ~v , suma normal de vectores, y
c ~u = (cu1 , u2 ) ,
es (R2 , , ) un espacio vectorial?

Soluci
on. Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ), w
~ = (w1 , w2 ) R2 y c, d R.
1.

~u ~v = ~u + ~v

= (u1 , u2 ) + (v1 , v2 )

= (u1 + v1 , u2 + v2 ) R2 .
2.

~u ~v = ~u + ~v

= (u1 , u2 ) + (v1 , v2 )

= (u1 + v1 , u2 + v2 )
= (v1 + u1 , v2 + u2 )
= (v1 , v2 ) + (u1 , u2 )
= ~v + ~u
= ~v ~u .
3.

~u (~v w) = ~u + (~v + w)
~


= (u1 , u2 ) + (v1 , v2 ) + (w1 , w2 )
= (u1 , u2 ) + (v1 + w1 , v2 + w2 )

= u1 + (v1 + w1 ), u2 + (v2 + w2 )


= (u1 + v1 ) + w1 , (u2 + v2 ) + w2

= (u1 + v1 , u2 + v2 ) + (w1 , w2 )


= (u1 , u2 ) + (v1 , v2 ) + (w1 , w2 )

= (~u + ~v ) + w
~

= (~u ~v ) w
~.

Espacios vectoriales

4.

165

El elemento neutro es ~0 = (0,0) .

~u ~0 = ~u + ~0

= (u1 , u2 ) + (0, 0)

= (u1 + 0, u2 + 0)
= (u1 , u2 )
= ~u .
5.

El inverso de ~u es ~u = (u1 , u2 ).

~u ~u = ~u + (~u)

= (u1 , u2 ) + (u1 , u2 )

= u1 + (u1 ), u2 + (u2 )

= (0, 0)
= ~0 .
6.

7.

c ~u = c (u1 , u2 )

= (cu1 , u2 ) R2 .


c (~u ~v ) = c (u1 , u2 ) + (v1 , v2 )
= c (u1 + v1 , u2 + v2 )


= c(u1 + v1 ), u2 + v2

= (cu1 + cv1 , u2 + v2 )
= (cu1 , u2 ) + (cv1 , v2 )

= c (u1 , u2 ) + c (v1 , v2 )

= c ~u c ~v .
8.

(c + d) ~u = (c + d) (u1 , u2 )


= (c + d)u1 , u2
= (cu1 + du1 , u2 ) .

(4.1)

Por otra parte

c ~u d ~u = c (u1 , u2 ) + d (u1 , u2 )
= (cu1 , u2 ) + (du1 , u2 )

= (cu1 + du1 , 2u2 ) .

(4.2)

Como (4.1) 6= (4.2), entonces la propiedad 8 no se cumple. Luego (R2 , , ) no

es un espacio vectorial por la forma como est
a definida la operaci
on .

166

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejercicio 181. Probar que la terna (V, , ), donde V es el conjunto formado

por las matrices reales de dos por dos, es la suma normal de matrices y es
la multiplicaci
on de un escalar real por una matriz, es un espacio vectorial; es
decir, probar que (M22 , +, ) es un espacio vectorial.
Ayuda.
#
#
"
#
"
"
c1 c2
b1 b2
a1 a2
M22 , y d, e R.
,C=
,B=
Defina A =
c3 c4
b3 b4
a3 a4
Ejemplo 145 (Espacio vectorial). Sea P2 el conjunto formado por todos los
polinomios de grado menor o igual a dos, es la operaci
on suma normal de
polinomios y es la operaci
on multiplicaci
on de un escalar real por un polinomio.
Es (P2 , , ) un espacio vectorial?
Soluci
on. Sean p(t) = a2 t2 +a1 t+a0 , q(t) = b2 t2 +b1 t+b0 , r(t) = c2 t2 +c1 t+c0
P2 y d, e R.
1.

p(t) q(t) = (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )

= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 ) P2 .

2.

p(t) q(t) = (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 )

= (b2 + a2 )t2 + (b1 + a1 )t + (b0 + a0 )

= (b2 t2 + b1 t + b0 ) + (a2 t2 + a1 t + a0 )
= q(t) p(t) .
3.

p(t) (q(t) r(t)) =



= (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 ) + (c2 t2 + c1 t + c0 )


= (a2 t2 + a1 t + a0 ) + (b2 + c2 )t2 + (b1 + c1 )t + (b0 + c0 )






= a2 + (b2 + c2 ) t2 + a1 + (b1 + c1 ) t + a0 + (b0 + c0 )






= (a2 + b2 ) + c2 t2 + (a1 + b1 ) + c1 t + (a0 + b0 ) + c0






= (a2 + b2 )t2 + c2 t2 + (a1 + b1 )t + c1 t + (a0 + b0 ) + c0


= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 ) + (c2 t2 + c1 t + c0 )


= (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 ) + (c2 t2 + c1 t + c0 )

= (p(t) q(t)) r(t) .

4.

El elemento neutro es ~0 = 0t2 + 0t + 0 .

p(t) ~0 = (a2 t2 + a1 t + a0 ) + (0t2 + 0t + 0)
= (a2 + 0)t2 + (a1 + 0)t + (a0 + 0)

Espacios vectoriales

= a2 t2 + a1 t + a0
= p(t) .
5.

El inverso de p(t) es p(t) = a2 t2 a1 t a0 .

p(t) p(t) = (a2 t2 + a1 t + a0 ) + (a2 t2 a1 t a0 )

= a2 + (a2 ) t2 + a1 + (a1 ) t + a0 + (a0 )
= 0t2 + 0t + 0
= ~0 .

6.

d p(t) = d (a2 t2 + a1 t + a0 )

= da2 t2 + da1 t + da0 P2 .



7. d p(t) q(t) = d (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )


= d (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 )
= d(a2 + b2 )t2 + d(a1 + b1 )t + d(a0 + b0 )

= da2 t2 + db2 t2 + da1 t + db1 t + da0 + db0

= (da2 t2 + da1 t + da0 ) + (db2 t2 + db1 t + db0 )
= d(a2 t2 + a1 t + a0 ) + d(b2 t2 + b1 t + b0 )
= d p(t) d q(t) .
8.

(d + e) p(t) = (d + e) (a2 t2 + a1 t + a0 )

= (d + e)a2 t2 + (d + e)a1 t + (d + e)a0

= da2 t2 + ea2 t2 + da1 t + ea1 t + da0 + ea0

= d(a2 t2 + a1 t + a0 ) + e(a2 t2 + a1 t + a0 )
= d p(t) e p(t) .

c (d p(t)) = c d (a2 t2 + a1 t + a0 )
= c (da2 t2 + da1 t + da0 )
= cda2 t2 + cda1 t + cda0
= cd(a2 t2 + a1 t + a0 )
= cd p(t) .
c (d p(t)) = d (c p(t)) se prueba en forma similar.

10.

1 p(t) = 1 (a2 t2 + a1 t + a0 )

167

168

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

= 1a2 t2 + 1a1 t + 1a0

= a2 t2 + a1 t + a0
= p(t) .
Luego, como cumple las 10 propiedades, (P2 , +, ) es un espacio vectorial.
Ejercicio 182. Probar que P1 , polinomios de grado menor o igual a uno, bajo la
suma usual de polinomios y la multiplicaci
on usual por un escalar, es un espacio
vectorial.
Ejercicio 183. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

4.3

Subespacios vectoriales

Definici
on 56 (Subespacio vectorial). Dado un espacio vectorial (V, , ) y W
un subconjunto de V , W 6= , decimos que W es un subespacio de V si y solo si
(W, , ) es un espacio vectorial.
Ejemplo 146 (Subespacio vectorial). En el ejemplo 142, W es un subespacio
de R2 , pues W R2 y cumple las 10 propiedades.
Ejemplo 147 (Subespacio vectorial). Todo espacio vectorial (V, , ) tiene por
lo menos dos subespacios: el mismo V y el conjunto {~0}, donde ~0 es el elemento
nulo de V .
Teorema 43 (Subespacio vectorial). Dado un espacio vectorial (V, , ) y W
un subconjunto de V , W 6= . Entonces W es subespacio de V si y solo si,
~u, ~v W y c escalar, se cumple:
1. ~u ~v W
2. c ~u W .
Ejemplo 148 (Subespacio vectorial). Recordemos el ejemplo 142. Sea W el
conjunto formado por los vectores de la forma (0, x) con x R. Dadas las
operaciones: = +, suma normal de vectores, y = , multiplicaci
on de un
escalar por un vector. Es la terna (W, +, ) un espacio vectorial?
Soluci
on. Claramente W es subconjunto de R2 . Entonces, para responder a
la pregunta solo es necesario mostrar que la suma de dos vectores cualesquiera

169

Espacios vectoriales

pertenecientes a W y la multiplicaci
on de un escalar por un vector perteneciente
a W , pertenecen a W .
Sean los vectores ~u = (0, u1 ) y ~v = (0, v1 ) W , y el escalar c R, entonces:
1. ~u ~v pertenece a W ?
~u ~v = (0, u1 ) + (0, v1 ) ,

por hip
otesis

= (0 + 0, u1 + v1 ) ,

por suma de vectores

= (0, u1 + v1 ) ,

m
odulo 0 en R.

Como el primer elemento es un cero y u1 +v1 R, se concluye que el vector

1
~u ~v W .

2. c ~u pertenece a W ?
c ~u = c(0, u1 ) ,

por hip
otesis

= (c0, c(u1 + v1 )) ,

multiplicaci
on de un escalar por un vector

= (0, cu1 + cv1 ) ,

distributividad en R.

Como el primer elemento es un cero y cu1 + cv1 R, se concluye que el

2
vector c ~u W .

1 y ,
2 se concluye que W s es un subespacio de M32 .
Luego, de
Ejemplo 149 (Subespacio vectorial). Al principio del curso conocimos las matrices de tama
no m n y sus propiedades, pues bien, se puede probar que Mmn
con las operaciones = +, suma de matrices, y = , multiplicaci
on de un escalar por una matriz, conforman un espacio vectorial (se reta al estudiante a
hacerlo).
Ahora, dado

a
0

S = 0 a2 / a1 , a2 , a3 , R ,

0
3

es (S, +, ) subespacio del espacio vectorial (M32 , +, )?

Soluci
on.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

170

b1 0
a1 0

~ = 0 b2 con a1 , a2 , a3 , b1 , b2 , b3 R.
~ = 0 a2 y B
1. Sean A

b3 0
a3 0

a1 0
b1 0

~+B
~ = 0 a2 + 0 b2
A

a3 0
b3 0

a 1 + b1
0

=
a 2 + b2
.
0
a 3 + b3
0

~ +B
~ son cero,
como a1 + b1 , a2 + b2 y a3 + b3 R y las otras entradas de A
~+B
~ S.
1
entonces A

a1 0

~ = 0 a2 , entonces
2. Sea d R y A

a3

a1

~ = d 0
dA

a3

da1

=
0

da3

a2

da2
.
0

~ son cero, entonces

Como da1 , da2 y da3 R y las otras entradas de dA
~ S.
2
dA

1 y ,
2 se concluye que S s es un subespacio de M32 .
Luego, de
Ejemplo 150 (Subespacio vectorial). Dado el espacio vectorial (Pn , +, ) donde
Pn son los polinomios de grado menor o igual que n. Mostrar que P2 es un
subespacio de Pn , para n 2.

Soluci
on.

171

Espacios vectoriales

1. Sean los polinomios p~1 = a2 t2 + a1 t + a0 y ~p2 = b2 t2 + b1 t + b0 P2 con

a2 , a1 , a0 , b2 , b1 , b0 R, entonces
p1 + p~2 = (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )
~
= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 ) .
Como a2 + b2 , a1 + b1 y a0 + b0 R, entonces p~1 + ~p2 P2 .

2. Sea c R y p~ = a2 t2 + a1 t + a0 P2 , entonces
c~
p = c(a2 t2 + a1 t + a0 )
= c a2 t 2 + c a1 t + c a0 .
Como ca2 , ca1 y ca0 R, entonces c~
p P2 .

1 y ,
2 se concluye que P2 s es un subespacio de Pn .
Luego, de
Ejemplo 151 (No subespacio vectorial). Dado el espacio vectorial (Pn , +, )
donde Pn son los polinomios de grado menor o igual que n. Mostrar que (V, +, )
donde V son los polinomios de grado igual a 2 no es un subespacio de Pn .
Soluci
on.
1. Sean los polinomios p~1 = a2 t2 + a1 t + a0 y ~p2 = b2 t2 + b1 t + b0 P2 con
a2 , a1 , a0 , b2 , b1 , b0 R, entonces
p1 + p~2 = (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )
~
= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 ) .
Aunque a2 + b2 , a1 + b1 y a0 + b0 R, si b2 = a2 , entonces a2 + b2 = 0.
Luego, ~p1 + p~2
/ V . Luego, se concluye que V no es un subespacio de Pn .

Aunque no es necesario, mostremos que tampoco cumple la segunda condici

on cuando c es cero:

2. Sea c R y p~ = a2 t2 + a1 t + a0 P2 , entonces
c~
p = c(a2 t2 + a1 t + a0 )
= c a2 t 2 + c a1 t + c a0 .
Aunque a2 + b2 , a1 + b1 y a0 + b0 R, si c = 0, entonces c~
p
/ V . Luego, se
concluye que V no es un subespacio de Pn .

172

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Definici
on 57 (Combinaci
on lineal). En un espacio vectorial V , un vector ~u se
dice que es combinaci
on lineal (CL) de un conjunto de vectores {~u1 , ~u2 , . . . , ~un } si
existe una forma de expresarlo como una suma de todos estos vectores multiplicados cada uno de ellos por un coeficiente escalar, es decir, si existen c1 , c2 , . . . , cn
tales que
~u = c1 ~u1 + c2 ~u2 + + cn ~un .
Ejemplo 152 (Combinaci
on lineal). En R2 , el vector ~u = (7, 5) es CL de los
vectores ~u1 = (2, 3) y ~u2 = (3, 1) pues con c1 = 2 y c2 = 1 se puede verificar
que ~u = c1 ~u1 + c2 ~u2 . Observe la figura 4.1.

u =2u 1 - u 2
u1
u2

Figura 4.1: ~u es combinaci

on lineal de los vectores ~u1 y ~u2

Ejemplo 153 (Combinaci

on lineal). En (R3 , +, ), es el vector ~u = (10, 2, 2)
CL de los vectores ~u1 = (3, 2, 5), ~u2 = (5, 0, 1) y ~u3 = (0, 2, 4)?

Soluci
on. El vector ~u es CL de los vectores ~u1 , ~u2 y ~u3 si existen c1 , c2 , c3
escalares tales que
c1 ~u1 + c2 ~u2 + c3 ~u3 = ~u .
Al sustituir los valores de ~u1 , ~u2 , ~u3 y ~u en (4.3) obtenemos
c1 (3, 2, 5) + c2 (5, 0, 1) + c3 (0, 2, 4) = (10, 2, 2)

(3c1 , 2c1 , 5c1 ) + (5c2 , 0c2 , 1c2 ) + (0c3 , 2c3 , 4c3 ) = (10, 2, 2)

(3c1 + 5c2 + 0c3 , 2c1 + 0c2 2c3 , 5c1 + c2 + 4c3 ) = (10, 2, 2) .

De donde se deriva el sistema lineal
3c1 + 5c2 + 0c3 = 10

(4.3)

173

Espacios vectoriales

2c1 + 0c2 2c3 = 2

5c1 + c2 + 4c3 = 2 .

Al resolver por Gauss-Jordan (hacerlo) obtenemos que c1 = 0, c2 = 2 y c3 = 1.

Se puede verificar que 0(3, 2, 5) + 2(5, 0, 1) (0, 2, 4) = (10, 2, 2). Entonces ~u
s es CL de ~u1 , ~u2 y ~u3 .
Ejemplo 154 (Combinaci
on lineal). En el espacio vectorial (M22 , +, ), es el
vector
"
#
2 5
~v =
4 0
combinaci
on lineal de los vectores
"
#
"
#
"
#
2 0
0 10
0 0
~v1 =
, ~v2 =
y ~v3 =
?
0 0
0 0
2 0
Soluci
on.
c1~v1 + c2~v2 + c3~v3 = ~v
# "
"
#
"
2
0 0
0 10
=
+ c3
+ c2
c1
2 0
4
0 0
0 0
# "
"
2
2c1 + 0c2 + 0c3 0c1 + 10c2 + 0c3
=
4
0c1 + 0c2 + 2c3 0c1 + 0c2 + 0c3
#
"
2 0

5
0
5
0

#
#

Igualando termino a termino tenemos

2c1
10c2
2c3
0

=2

=5

c1 = 1
c2 = 1/2

= 4

c = 2 .

=0

As, 1~v1 + 21 ~v2 2~v3 = ~v , entonces ~v s es CL de ~v1 , ~v2 , y ~v3 .

Ejemplo 155 (Combinaci
on lineal). En P2 , es el vector p~ = 4t2 10t + 16 CL
de p~1 = 2t2 + t + 3 y ~
p2 = 3t + 5?


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

174
Soluci
on.

c1 ~
p1 + c2 ~
p2 = p~
2

c1 (2t + t + 3) + c2 (3t + 5) = 4t2 10t + 16

2c1 t2 + (c1 + 3c2 )t + (3c1 + 5c2 ) = 4t2 10t + 16 .

De donde se obtiene

= 4t2

2c1 + 0c2 = 4
c1 t + 3c2 t = 10t c1 + 3c2 = 10

3c + 5c = 16 .
3c1 + 5c2 = 16
1
2
2c1 t2

Resolviendo por Gauss-Jordan

1
3

1
f2 f2 f1
0
f3 f3 3f1
0

f3 f3 f2
0

0
3
5
0
3
5
0
1

0 0

..
.
4

..
. 10
..
. 16

..
.
2

..
. 12
..
. 10

..
. 2

..
. 4
.
..
. 6

f1 12 f1 1
3

1
f3 15 f3

f2 13 f2 0
0

..
.
2

..
. 10
..
. 16

.
0 .. 2

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

El sistema es inconsistente, pues cero es diferente de seis, luego, no existen c1 y

c2 tales que c1 ~p1 + c2 ~
p2 = p~. Se concluye que p~ no es CL de p~1 y p~2 .
Definici
on 58 (Generado de S). Al conjunto de todos los vectores que son CL
del conjunto de vectores S = {~u1 , ~u2 , . . . , ~un } se le denota como
gen S o gen {~u1 , ~u2 , . . . , ~un } ,
y se lee generado de S.
Ejemplo 156 (Generado de S). Si ~u = (1, 0) y ~v = (0, 1), entonces
gen{~u, ~v } = c1 ~u + c2~v

Espacios vectoriales

175

= c1 (1, 0) + c2 (0, 1)
= (c1 , c2 ) ,
es decir, ~u y ~v generan a cualquier vector en R2 .
"
#
"
#
1
0
0
0
~=
~ =
Ejemplo 157 (Generado de S). Si A
yB
, entonces
0 0
0 1
~ B}
~ = c1 A
~ + c2 B
~
gen{A,
"
#
"
#
0 0
1 0
+ c2
= c1
0 1
0 0
#
"
c1 0
,
=
0 c2
~ B}
~ genera el conjunto de matrices diagonales de dimension dos por
es decir, {A,
dos.
Ejercicio 184. Con que matrices generaramos el conjunto de matrices escalares
de dimension dos por dos?
"
#
Respuesta.
1 0
0 1

Ejemplo 158 (Generado de S). Determinar el espacio generado por los vectores
p~1 y p~2 P2 , donde p~1 = 2t2 + 5 y ~
p2 = t + 8.
Soluci
on. Sean a y b R, entonces

gen {~
p1 , p~2 } = a~
p1 + b~
p2

= a(2t2 + 5) + b(t + 8)
= 2at2 + bt + (5a + 8b) .

(4.4)

Concluimos que los vectores generados por ~p1 y ~p2 son de la forma expresada en
(4.4).
Teorema 44. Dado el conjunto S = {~u1 , ~u2 , . . . , ~un } en un espacio vectorial
(V, , ), entonces gen S es subespacio de V .
Definici
on 59 (Conjunto generador). Un espacio vectorial (V, , ) es generado
por S = {~u1 , ~u2 , . . . , ~un } V si cada vector en V puede ser expresado como CL
de los vectores en S, es decir, si gen S = V .

176

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejemplo 159 (Conjunto generador). En el espacio vectorial (R2 , +, ), los vectores ~u1 = (1, 1) y ~u2 = (1, 1) generan a R2 ?
Soluci
on. En general, un vector en R2 es de la forma ~u = (a, b) con a, b R.
Expresemos el vector ~u en terminos de los vectores ~u1 y ~u2 , es decir, c1 ~u1 +c2 ~u2 =
~u. Ahora, sino existen restricciones para c1 y c2 , en terminos de a y b, diremos
que ~u1 y ~u2 s generan a R2 . Veamos.
c1 (1, 1) + c2 (1, 1) = (a, b)
(c1 , c1 ) + (c2 , c2 ) = (a, b)
(c1 c2 , c1 + c2 ) = (a, b) .
Obtenemos el sistema lineal
c1 c2 = a

c1 + c2 = b .
Resolviendo este sistema por GaussJordan (hacerlo) encontramos que
c1 =

a+b
2

y c2 =

ba
.
2

Como no existen restricciones para c1 ni para c2 , entonces ~u1 y ~u2 s generan a

R2 .
Ejercicio 185. Mostrar que los vectores ~u1 = (1, 1) y ~u2 = (1, 1) generan
a R2
Respuesta.
c1 =

ba
2

y c2 =

a+b
.
2

Ejemplo 160 (Espacio generado). Los vectores ~u1 = (1, 1, 1), ~u2 = (1, 1, 1)
y ~u3 = (1, 1, 1) generan el espacio vectorial (R3 , +, )?
Soluci
on.
1. Un vector en R3 es de la forma ~v = (a, b, c) con a, b, c R.
2. Si ~v puede ser expresado como combinaci
on lineal de S = {~u1 , ~u2 , ~u3 } sin
alguna restriccion, entonces se dice que S genera a R3 .

Espacios vectoriales

177

3. Sea
~v = c1 ~u1 + c2 ~u2 + c3 ~u3
(a, b, c) = c1 (1, 1, 1) + c2 (1, 1, 1) + c3 (1, 1, 1)

(a, b, c) = (c1 , c1 , c1 ) + (c2 , c2 , c2 ) + (c3 , c3 , c3 )

(a, b, c) = (c1 + c2 + c3 , c1 c2 + c3 , c1 + c2 c3 ) .
4. De donde se obtiene
c1 + c2 + c3 = a
c1 c2 + c3 = b

c1 + c2 c3 = c ,
que corresponde a un sistema de tres ecuaciones con tres inc
ognitas.
5. Al resolver por GaussJordan (hacerlo) se obtiene:
b+c
,
2
ab
c2 =
,
2
ac
c3 =
.
2

c1 =

6. Se observa que c1 , c2 y c3 pueden tomar cualquier valor real, es decir, no

hay restricciones. Luego S s genera a R3 .
Ejemplo 161 (Conjunto no generador). En el espacio vectorial (R2 , +, ), los
vectores ~u1 = (1, 1) y ~u2 = (2, 2) generan a R2 ?

Soluci
on. En general, un vector en R2 es de la forma ~u = (a, b) con a, b R.
Expresemos el vector ~u en terminos de los vectores ~u1 y ~u2 , es decir, c1 ~u1 +c2 ~u2 =
~u. Ahora, sino existen restricciones para c1 y c2 , en terminos de a y b, diremos
que ~u1 y ~u2 s generan a R2 . Veamos.
c1 (1, 1) + c2 (2, 2) = (a, b)

(c1 , c1 ) + (2c2 , 2c2 ) = (a, b)

(c1 2c2 , c1 2c2 ) = (a, b) .

Obtenemos el sistema lineal

c1 2c2 = a

178

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

c1 2c2 = b .
Resolviendo este sistema por GaussJordan (hacerlo) encontramos que 0 = ba,
es decir, a = b. Luego, u~1 y u~2 generan u
nicamente vectores en R2 de la forma
~u = (u, u), es decir, aquellos vectores donde la primera componente es igual a la
segunda. Por tanto, no generan un vector como (3, 7), por ejemplo.
Ejercicio 186 (Conjunto no generador). En el espacio vectorial (R2 , +, ), mostrar que los vectores ~u1 = (1, 1) y ~u2 = (3, 3) no generan a R2 .
Ejemplo 162 (Espacio no
"
~1 = 1
A
0

generado). Sean los vectores

#
"
#
"
#
0
0
1
0
0
~2 =
~3 =
,A
yA
.
0
0 0
1 0

~1, A
~2, A
~ 3 } genera el espacio vectorial (M22 , , ) donde
El conjunto S = {A
M22 son matrices reales de 2 2, es la operaci
on suma entre matrices y
es la multiplicaci
on de un real por una matriz?
Soluci
on.
"
#
a
b
~ =
1. Sea B
con a, b, c, d R.
c d
2.
c1

~ 1 + c2 A
~ 2 + c3 A
~3 = B
~
c1 A
"
# "
"
#
0 0
a
0 1
=
+ c3
+ c2
1 0
c
0 0
0 0
# "
"
a
c1 c2
=
c3 0
c

"
#
1 0

d
#
b

3. Entonces c1 = a, c2 = b, c3 = c y d = 0.
4. Se observa que c1 , c2 y c3 pueden tomar cualquier valor real, pero d tiene
que tomar siempre el valor nulo, luego, existe esta restriccion. El espacio
generado por S es de la forma
"
#
a b
.
c 0
Se concluye que S no genera a M22 .

179

Espacios vectoriales

Ejemplo 163 (Espacio generado). El conjunto S = {t2 , t, 1} genera a P2 ,

polinomios de grado menor o igual que dos?
Soluci
on.
1. Un vector en P2 es de la forma
at2 + bt + c .

(4.5)

2. Expresando (4.5) como combinaci

on lineal de S, se tiene
c1 t2 + c2 t + c3 = at2 + bt + c .
3. Luego, c1 = a, c2 = b y c3 = c.
4. Se concluye que S s genera a P2 , pues no hay restricciones.
Ejemplo 164 (Conjunto generador). Dado S = {p~1 = t2 + t + 1, p~2 = 2t2 t +
2, p~3 = t2 + 2} Genera S a P2 ?
Soluci
on. Un vector en P2 es de la forma p~ = at2 + bt + c, entonces
c1 p~1 + c2 p~2 + c3 p~3 = p~
c1 (t2 + t + 1) + c2 (2t2 t + 2) + c3 (t2 + 2) = at2 + bt + c

(c1 + 2c2 + c3 )t2 + (c1 c2 )t + (c1 + 2c2 + 2c3 ) = at2 + bt + c ,

es decir,
c1 + 2c2 + c3 = a
c1 c2 + 0c3 = b

c1 + 2c2 + 2c3 = c .
Resolviendo este sistema por GaussJordan se tiene

.
1
1 2 1 .. a
f2 f2 f1

..

1 1 0 . b
f3 f3 f1 0
..
0
1 2 2 . c

.
1 2 0 ..
2a c
1
f2
f2 f2 +f3

.
f2
0 3 0 .. b + c 2a
0
f1 f1 f3
3
.
0 0 1 ..
ca
0

.
2
1 ..
a

.
3 1 .. b a
.
0
1 .. c a

.
2 0 .. 2a c

1 0 .. (2abc)
3
..
0 1 .
ca

180

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

.
1 0 0 ..

.
f1 f1 2f2 0 1 0 ..
.
0 0 1 ..

Entonces

2a+2bc
3

2abc .
3

ca

(2a + 2b c)
3
(2a b c)
c2 =
3
c3 = c a .
c1 =

Como no existen restricciones para c1 , c2 o para c3 , entonces S s genera a P2 .

Independencia lineal
Definici
on 60 (Conjunto linealmente independiente y conjunto linealmente dependiente). Dado un espacio vectorial (V, , ), se dice que un conjunto de vectores S = {~v1 , ~v2 . . . , ~vk } V es linealmente independiente (LI) si la expresi
on
c1~v1 + c2~v2 + + ck ~vk
es igual al vector nulo u
nicamente cuando c1 = c2 = = ck = 0.

Si alg
un ci es diferente de cero, entonces diremos que S es linealmente dependiente (LD).
Ejemplo 165 (Vectores LI). En el espacio vectorial (R2 , +, ), los vectores ~u1 =
(1, 1) y ~u2 = (1, 1) son LI pues
c1 ~u1 + c2 ~u2 = ~0
c1 (1, 1) + c2 (1, 1) = (0, 0)
(c1 c2 , c1 + c2 ) = (0, 0) .
De donde se obtiene el sistema lineal
c1 c2 = 0

c1 + c2 = 0 .
Resolviendo por GaussJordan

..
1 1 . 0

..
1 1 . 0

..
1 1 . 0

f2 f2 f1
..
0 2 . 0

181

Espacios vectoriales

.
1 1 .. 0

f2 f2 /2
..
0 1 . 0

.
1 0 .. 0
.
f1 f1 +f2
..
0 1 . 0

De donde se obtiene que c1 = c2 = 0. Entonces ~u1 y ~u2 s son LI. Observe la

figura 4.2.

u2

u1

Figura 4.2: vectores en R2 LI

Ejemplo 166 (Vectores LD). En el espacio vectorial (R2 , +, ), los vectores

~u1 = (1, 1) y ~u2 = (1, 1) son LD pues
c1 ~u1 + c2 ~u2 = ~0
c1 (1, 1) + c2 (1, 1) = (0, 0)

(c1 c2 , c1 c2 ) = (0, 0) .

De donde se obtiene el sistema lineal

c1 c2 = 0

c1 c2 = 0 .
Resolviendo por GaussJordan

..
1 1 . 0

..
1 1 . 0

..
1 1 . 0
.
f2 f2 f1
..
0 0 . 0

De donde se obtiene que c1 = c2 . Si c2 = r R, entonces c1 = r. As, c1 y c2

pueden tomar infinitos valores reales. Luego, ~u1 y ~u2 son LD. Ellos son mostrados
en la figura 4.3; observe que ~u1 = ~u2 .
Pregunta. Generan ~u1 y ~u2 a R2 ?
Ejemplo 167 (Vectores LI). En (R3 , +, ), los vectores ~u1 = (2, 1, 0), ~u2 =
(0, 1, 2) y ~u3 = (0, 0, 1) son LI o LD?
Soluci
on.

182

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

u1

u2

Figura 4.3: vectores en R2 LD

1. Igualemos al vector nulo

c1 ~u1 + c2 ~u2 + c3 ~u3 = ~0
c1 (2, 1, 0) + c2 (0, 1, 2) + c3 (0, 0, 1) = (0, 0, 0)
(2c1 + 0c2 + 0c3 , 1c1 + 1c2 + 0c3 , 0c1 + 2c2 + 1c3 ) = (0, 0, 0) .
2. Lo anterior origina el sistema lineal
2c1 + 0c2 + 0c3 = 0
1c1 + 1c2 + 0c3 = 0
0c1 + 2c2 + 1c3 = 0 .

1

2

1 se obtiene c1 = 0
De

4 en
2 se obtiene c2 = 0
Al reemplazar

5 en
3 se obtiene c3 = 0
Reemplazando
3. Como c1 = c2 = c3 = 0, entonces ~u1 , ~u2 y ~u3 son LI.
Ejemplo 168 (Vectores LD). En (R3 , +, ), determine si los vectores ~v1 =
(1, 2, 3), ~v2 = (1, 1, 0) y ~v3 = (1, 0, 1) son LI o LD.
Soluci
on.
c1~v1 + c2~v2 + c3~v3 = ~0
c1 (1, 2, 3) + c2 (1, 1, 0) + c3 (1, 0, 1) = (0, 0, 0)
(c1 c2 + c3 , 2c1 + c2 , 3c1 + c3 ) = (0, 0, 0) .
Entonces
c1 c2 + c3 = 0

183

Espacios vectoriales

2c1 + c2 = 0
3c1 + c3 = 0 .
Por GaussJordan

2
3

f3 f3 f2 0
0

f1 f1 + f2 0
0

.
1 1 .. 0
1
.. f2 f2 2f1
1 0 . 0 f f 3f 0
3
3
1
.
0 1 .. 0
0

.
1 1 .. 0
1

..
1
f
f

2
3 2 . 0
3 2 0
..
0
0 . 0
0

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

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

Esto implica que, si c3 = r R, entonces c2 = 2r

3 y c1 =
tiene infinitas soluciones, entonces ~v1 , ~v2 y ~v3 son LD.

r
3 .

Ejemplo 169 (Vectores LI). En (M22 , +, ), los vectores

"
#
"
#
2 0
0 0
~v1 =
y ~v2 =
0 0
1 1
son LI o LD?
Soluci
on.

c1

Esto implica que

"

c1~v1 + c2~v2 = ~0
"
# "
0 0
0
=
+ c2
1 1
0
0 0
# "
"
0
2c1 0
=
0
c2 c2
#
2 0

2c1 = 0
0=0
c2 = 0

0
0
0
0

#
#

Luego, el sistema


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

184

c2 = 0 .
Tenemos un sistema consistente de cuatro ecuaciones y dos inc
ognitas, con
c1 = 0 y c2 = 0. Luego ~v1 y ~v2 son LI.
Ejemplo 170 (Vectores LI). En P2 , los vectores p~1 = t2 + t, p~2 = t + 1 y
p~3 = t2 + 1 son LI o LD?
Soluci
on.
c1 p~1 + c2 p~2 + c3 p~3 = ~0
c1 (t2 + t) + c2 (t + 1) + c3 (t2 + 1) = 0t2 + 0t + 0
(c1 + c3 )t2 + (c1 + c2 )t + (c2 + c3 ) = 0t2 + 0t + 0 .
Entonces
c1 + c3 = 0
c1 + c2 = 0
c2 + c3 = 0 .
Por GaussJordan

.
1
1 0 1 .. 0

..
1 1 0 . 0f2 f2 f1 0
.
0
0 1 1 .. 0

.
1 0 1 .. 0
1 0

.
f3 f3 f2 0 1 1 .. 0f3 12 f3 0 1
.
0 0 2 .. 0
0 0

.
1 0 0 .. 0
f1 f1 f3
.
0 1 0 .. 0.
f2 f2 +f3
.
0 0 1 .. 0

Luego, c1 = c2 = c3 = 0, es decir, p~1 , p~2 y p~3 son LI.

Ejemplo 171 (Vectores LD). Dados los vectores
p1 (t) = 2t2 + 1 ,
p2 (t) = t 2 ,

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

185

Espacios vectoriales

p3 (t) = 2t2 t 1 .
Es S = {p1 (t), p2 (t), p3 (t)} LI o LD?
Soluci
on.
c1 p1 (t) + c2 p2 (t) + c3 p3 (t) = 0

1.
2

(4.6)
2

c1 (2t + 1) + c2 (t 2) + c3 (2t t 1) = 0t + 0t + 0

(2c1 + 2c3 )t2 + (c2 c3 )t + (c1 2c2 c3 ) = 0t2 + 0t + 0 .

2c1 + 2c3 = 0

2. Luego

c2 c3 = 0

c1 2c2 c3 = 0 .
3. Al resolver por GaussJordan se encuentra que, con c3 = r R, c1 = c2 =
r. Luego, S es LD, por ejemplo, si c1 = c2 = 1 y c3 = 1, entonces (4.6)
se hace cero.
Teorema 45. En un espacio vectorial (V, , ), un conjunto de vectores S =
{~v1 , ~v2 , . . . , v~n }, no nulos, es LD si y solo si al menos uno de los vectores es CL
de los vectores que le preceden.
Prueba.
=
Puesto que S es LD, entonces, en
c1~v1 + c2~v2 + + cn~vn = ~0
existe al menos un cj 6= 0.
Dividiendo por cj se obtiene
c1
v1
cj ~

c2
v2
cj ~

cj1
vj1
cj ~

+ +

+ ~vj +

cj+1
vj+1
cj ~

+ +

cn
vn
cj ~

= ~0 .

Sumando ~vj a ambos lados y multiplicando por 1 se obtiene

cc1j ~v1

c2
v2
cj ~

Luego, existen k fracciones

cj1
vj1
cj ~

cj+1
vj+1
cj ~

cn
vn
cj ~

ci
cj ,

= ~vj .

con 1 6 k < n e i tomando valores entre 1 y n,

menos j, diferentes de cero, pues ~vj 6= ~0 por hip
otesis. Tales ci se pueden agrupar
cj

de tal forma que

ci1
vi1
cj ~

ci2
vi2
cj ~

+ +

cik
vik
cj ~

= ~vj .

186

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

As,
ci1
vi1
cj ~

ci2
vi2
cj ~

+ +

cik
vik
cj ~

~vj + 0~vi(k+2) + + 0~vin = ~0 .

=
Puesto que existe un vector ~vj S, j [1, . . . , n], que es CL de los que le
preceden, entonces
~vj = c1~v1 + c2~v2 + + cj1~vj1 .
Entonces, sumando ~vj a ambos lados se tiene
~0 = c1~v1 + c2~v2 + + cj1~vj1 ~vj .
Y agregando los vectores restantes con coeficiente cero al lado derecho, tenemos
~0 = c1~v1 + c2~v2 + + cj1~vj1 ~vj + 0~vj+1 + + 0~vj+1 .
Luego, S es LD puesto que existe al menos un coeficiente, el de ~vj , diferente de
cero.
Ejemplo 172 (Vectores LD). En el espacio vectorial (R2 , +, ), los vectores
~u1 = (1, 0), ~u2 = (0, 1) y ~u3 = (3, 4) son LD pues ~u3 se puede expresar como CL
de ~u1 y ~u2 . Verifiquemos esto.
c1 ~u1 + c2 ~u2 = ~u3
c1 (1, 0) + c2 (0, 1) = (3, 4)
(c1 , c2 ) = (3, 4) .
De donde se obtiene que c1 = 3 y c2 = 4. Entonces ~u1 , ~u2 y ~u3 s son LD; observe
la figura 4.4.
Ejercicio 187. En (R3 , +, ), los vectores ~u1 = (1, 0, 0), ~u2 = (0, 1, 0), ~u3 =
(0, 0, 1) y ~u4 = (2, 3, 4) son LI o LD?
Lema: Si un conjunto de vectores S = {~v1 , ~v2 , . . . , ~vk } genera un espacio vectorial
V y existe un vector v~j S que es CL de los vectores que le preceden, entonces
S = {~v1 , ~v2 , . . . , ~vj1 , ~vj+1 , . . . , ~vk } tambien genera a V .
Prueba.
Puesto que S genera a V , entonces todo vector ~v V puede ser expresado como
una CL de los vectores en S.
~v = c1~v1 + c2~v2 + + cj ~vj + + ck~vk .

(4.7)

Espacios vectoriales

187

u 3=3u 1+4u 2

u2
u1

Figura 4.4: vectores en R2 LD

Ahora, ya que existe un ~vj que es CL de los vectores que le preceden, entonces
~vj = b1~v1 + b2~v2 + + bj1~vj1 .

(4.8)

Reemplazando (4.8) en (4.7) obtenemos

~v = c1~v1 + c2~v2 + + cj (b1~v1 + b2~v2 + + bj1~vj1 ) + + ck ~vk .
Luego, agrupando se tiene
~v = (c1 + cj b1 )~v1 + (c2 + cj b2 )~v2 + + (cj1 + cj bj1 )~vj1 + cj+2~vj+2 + + ck~vk .

Se concluye que cualquier vector ~v V puede ser expresado como una CL de

los vectores en S {vj }.
Ejemplo 173. En el ejemplo 172, se puede verificar que los tres vectores generan
a R2 . Ahora, como ~u3 es CL de ~u1 y ~u2 , entonces estos dos vectores tambien
generan a R2 . Es tarea verificarlo.
Bases y dimensi
on
Definici
on 61 (Base). En un espacio vectorial (V, , ), un conjunto de vectores
S = {~v1 , ~v2 , . . . , ~vn } es base para V si S es LI y genera a V .
Ejemplo 174 (Base para R2 ). Considerando los ejemplos 159 y 165, los vectores
~u1 = (1, 1) y ~u2 = (1, 1) son una base para (R2 , +, ) pues son LI y generan a
R2 .
Ejemplo 175 (Base para R3 ). En el espacio vectorial (R3 , +, ), los vectores
~u1 = (1, 0, 0), ~u2 = (0, 1, 0) y ~u3 = (0, 0, 1) son una base para R3 pues son LI y
generan a R3 . Verificarlo.

188

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Se puede probar que los vectores coordenados unitarios en Rn (p

agina 130)
n
son base para el espacio vectorial (R , +, ).
Ejemplo 176 (Base para R3 ). Mostrar que S = {~v1 , ~v2 , ~v3 } con ~v1 = (1, 1, 1),
~v2 = (1, 1, 1) y ~v3 = (1, 1, 1) es una base para R3 .
Soluci
on.
1. Primero veamos que S es LI.
(a) c1~v1 + c2~v2 + c3~v3 = ~0
c1 (1, 1, 1) + c2 (1, 1, 1) + c3 (1, 1, 1) = (0, 0, 0)

(b) De aca se obtiene el sistema

c1 + c2 + c3 = 0
c1 c2 + c3 = 0

c1 + c2 c3 = 0 .
(c) Al resolver este sistema por Gauss-Jordan (hacerlo) se encuentra que
1
c1 = c2 = c3 = 0, luego S es un conjunto LI .
2. Ahora se probara que S genera a R3 .
(a) Sea ~v = (a, b, c) un vector cualquiera en R3
(b) c1~v1 + c2~v2 + c3~v3 = ~v
c1 (1, 1, 1) + c2 (1, 1, 1) + c3 (1, 1, 1) = (a, b, c).
(c) Se obtiene el sistema

c1 + c2 + c3 = a
c1 c2 + c3 = b

c1 + c2 c3 = c .
(d) Al resolver este sistema por Gauss-Jordan (hacerlo) se obtiene
c1 =

ab
ac
b+c
, c2 =
, c3 =
2
2
2

(e) Como no hay restricciones para c1 , c2 y c3 , entonces S s genera a V

2
.
1 y
2 se concluye que S es una base para R3 .
De

189

Espacios vectoriales

~ ~ ~ ~
Ejemplo
" 177
# (No base
" para
# matrices
" sim
# etricas)." Es #S = {A1 , A2 , A3 , A4 } con
~1 = 1 0 , A
~2 = 0 1 , A
~3 = 0 0 y A
~ 4 = 0 0 una base para el espacio
A
0 0
0 0
1 0
0 1
vectorial de matrices simetricas de dimension 2 2?
Soluci
on.
1. Veamos si S es LI.
~ 1 + c2 A
~ 2 + c3 A
~ 3 + c4 A
~ 4 = ~0
(a) c1 A
# "
"
#
"
#
"
#
"
0
0 0
0 0
0 1
1 0
=
+ c4
+ c3
+ c2
c1
0
0 1
1 0
0 0
0 0

(b)

c1
1c1 + 0c2 + 0c3 + 0c4 = 0

c2
0c1 + 1c2 + 0c3 + 0c4 = 0

c3
0c1 + 0c2 + 1c3 + 0c4 = 0

c4
0c1 + 0c2 + 0c3 + 1c4 = 0 .

0
0

=0
=0
=0
=0

(c) Luego S es LI.

2. Veamos si S genera a M22 simetricas.

~ =
(a) Una matriz simetrica real de 2 2 es de la forma A

"

a b

b c

, con

a, b, c R.
~ 1 + c2 A
~ 2 + c3 A
~ 3 + c4 A
~4 = A
~
(b) c1 A
"
# "
#
"
#
"
#
"
#
0 0
a b
0 0
0 1
1 0
=
.
+ c4
+ c3
+ c2
c1
0 1
b c
1 0
0 0
0 0
3. De donde se obtiene que c1 = a, c2 = b, c3 = b y c4 = c.
4. Se observa que c2 debe ser igual a c3 , lo cual es una restriccion.
Luego, aunque S es LI no es base para M22 simetricas por no generarlo. S
genera a todo M22 .
#
#
"
"
0
1
1
0
~2 =
~1, A
~2, A
~ 3 } con A
~1 =
y
,A
Ejercicio 188. Probar que S = {A
1 0
0 0
"
#
0
0
~3 =
A
s es base para M22 simetricas.
0 1

190

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejercicio 189. Probar que S = {t3 , t2 , t1 , t0 } es una base para P3 .

Teorema 46. Dado un espacio vectorial (V, , ). Si S = {~v1 , ~v2 , . . . , ~vn } es una
base para el espacio vectorial V , entonces cada vector ~v V puede escribirse de
una forma u
nica como combinaci
on lineal de los vectores en S.
Prueba.
Suponga que ~v puede expresarse como CL de los vectores en S de al menos dos
formas diferentes, es decir,
c1~v1 + c2~v2 + + cn~vn = ~v ,

d1~v1 + d2~v2 + + dn~vn = ~v ,

donde al menos un ci es diferente del correspondiente di .

Al restarle a la primera CL la segunda tenemos
(c1 d1 )~v1 + (c2 d2 )~v2 + + (cn dn )~vn = ~0 .
Como S es LI, entonces c1 d1 = c2 d2 = = cn dn = 0. De donde
obtenemos que c1 = d1 , c2 = d2 , . . . , cn = dn ; lo que contradice el supuesto de
que hay al menos dos formas diferentes de escribir ~v como CL de los vectores
en S. En conclusion, existe una y solo una forma de escribir ~v como CL de los
vectores en S.
Ejemplo 178. Los vectores coordenados unitarios ~e1 y ~e2 conforman una base
para el espacio vectorial R2 . En el ejemplo 172 vimos que (3, 4) = 3~e1 + 4~e2 ,
pues bien, esta es la u
nica forma de expresar ~u3 como CL de los vectores en
S = {~e1 , ~e2 }.
Es importante anotar que existen otras formas de expresar ~u3 como CL de
vectores, pero de otras bases para R2 . Por ejemplo, si S = {~u1 , ~u2 } con ~u1 = (1, 1)
y ~u2 = (1, 1), entonces (3, 4) = 72 ~u1 + 21 ~u2 (verificarlo).
Teorema 47. Dado un espacio vectorial (V, , ). Si S = {~v1 , ~v2 , . . . , ~vn } es
un conjunto de vectores no nulos en V , entonces alg
un subconjunto de S es una
base para gen S.
Ejemplo 179. En (R3 , +, ), dado el conjunto S = {(1, 0, 0), (0, 1, 0), (2, 3, 0)},
entonces el conjunto S = {(1, 0, 0), (0, 1, 0)}, que es subconjunto de S, es base
para gen S. Observe que (2, 3, 0) es CL de (1, 0, 0) y (0, 1, 0). El gen S es {(a, b, 0) :
a, b R}.

Espacios vectoriales

191

Ejemplo 180. Dado el espacio vectorial (R2 , +, ), se puede verificar (hacerlo)

que el conjunto de vectores S = {~e1 , ~e2 , (3, 4)} genera a R2 . Pues bien, existe un
subconjunto de S que es base para R2 . Ese subconjunto es {~e1 , ~e2 }.
Teorema 48. Dado un espacio vectorial (V, , ). Si S = {~v1 , ~v2 , . . . , ~vn } es una
base para el espacio vectorial V , y T = {w
~ 1, w
~ 2, . . . , w
~ r } V es LI, entonces
r 6 n.
Ejemplo 181. Dada la base can
onica S = {~e1 , ~e2 , ~e3 , ~e4 } del espacio vectorial
4
(R , +, ), se puede verificar que el conjunto de vectores T = {(2, 0, 0, 0), (0, 0, 5, 0),
(0, 0, 0, 3)} es LI. Por lo tanto se verifica el teorema, pues tres es menor que cuatro.
Corolario. Dado un espacio vectorial (V, , ). Si S = {~v1 , ~v2 , . . . , ~vn } y T =
{w~1 , w
~ 2, . . . , w
~ m } son bases para el espacio vectorial V , entonces n = m.
Prueba.
1. Puesto que S es base para V , entonces S es LI, as, por el teorema 48,
n 6 m.
2. Puesto que T es base para V , entonces T es LI, as, por el teorema 48,
m 6 n.
Luego, n = m.
Ejemplo 182. En el ejemplo 178 vimos que dos bases para R2 son S = {(1, 0), (0, 1)}
y T = {(1, 1), (1, 1)}. Se verifica entonces el teorema, pues 2 = 2.
Definici
on 62 (Dimensi
on de un espacio vectorial). Dado un espacio vectorial
(V, , ) no nulo. Su dimension es la cantidad de vectores que hay en alguna de
sus bases.
Ejemplo 183. De acuerdo a lo visto en los ejemplos 182, 175 y 181, la dimension
de R2 es dos, la de R3 es tres, y la de R4 es cuatro, respectivamente. En general,
la dimension de Rn es n.
Ejemplo 184. Se puede probar que la dimension de P2 es tres, la de P3 es
cuatro, y en general la de Pn es n + 1.
Teorema 49. Dado un espacio vectorial (V, , ) de dimensi
on finita y S V .
Si S es LI, entonces existe una base para V que contiene a S.

192

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejemplo 185. En el espacio vectorial (R4 , +, ), el conjunto de vectores S =

{~u1 , ~u2 }, con ~u1 = (2, 0, 0, 0) y ~u2 = (0, 3, 0, 0) es LI. Podemos formar el conjunto
T = {~u1 , ~u2 , ~e3 , ~e4 }, el cual es una base para R4 . Verificarlo.
Teorema 50. Dados un espacio vectorial (V, , ) de dimensi
on n y S =
{~v1 , ~v2 , . . . , ~vn } V .
1. Si S es LI, entonces S es base para V .
2. Si S genera a V , entonces S es base para V .
Ejemplo 186. En el espacio vectorial (R5 , +, ).
1. Si tenemos un conjunto de vectores S = {~u1 , ~u2 , ~u3 , ~u4 , ~u5 } que es LI, entonces podemos asegurar que S es base para R5 .
2. Si tenemos un conjunto de vectores T = {w
~ 1, w
~ 2, w
~ 3, w
~ 4, w
~ 5 } que genera a
5
5
R , entonces podemos asegurar que T es base para R .
Ejercicio 190. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

4.4

Bases ortonormales en Rn

En esta secci
on mostraremos como construir, a partir de una base dada para un
espacio vectorial Rn , una base para dicho espacio vectorial, de tal forma que cada
elemento de la nueva base es ortogonal a todos los otros y adem
as es unitario.
Definici
on 63 (Conjunto ortogonal). Dado un espacio vectorial real (Rn , +, ),
decimos que un conjunto de vectores S = {~u1 , ~u2 , . . . , ~un } es ortogonal si cualesquier par de vectores diferentes en S son ortogonales, es decir, S es ortogonal si
~ui , ~uj S, i 6= j, ~ui ~uj = 0.
Ejemplo 187. En el espacio vectorial (R3 , +, ), los vectores ~u1 = (1, 1, 1), ~u2 =
(2, 4, 6) y ~u3 = (5, 4, 1) son mutuamente ortogonales, pues ~u1 ~u2 = ~u1 ~u3 =
~u2 ~u3 = 0. Entonces el conjunto de vectores S = {~u1 , ~u2 , ~u3 } es ortogonal.
Ejercicio 191. Dados los vectores ~u1 = (1, 1, 1) y ~u2 = (2, 1, 3), encuentre el
conjunto de vectores que sean ortogonales a ellos.
Ayuda. Construya un tercer vector como u~3 = (x, y, z) y plantee dos ecuaciones
con tres inc
ognitas. Obtendr
a infinitas soluciones. Ese es el conjunto.

193

Espacios vectoriales

Definici
on 64 (Conjunto ortonormal). Dado un espacio vectorial real (Rn , +, ),
decimos que un conjunto de vectores S = {~u1 , ~u2 , . . . , ~un } es ortonormal si es
ortogonal y la magnitud de cada vector en S es uno.




1 2 2
3
Ejemplo
 188. En
 el espacio
 vectorial R, +, , los vectores ~u1 = 3 , 3 , 3 ,
4
2
5
4
,
~u2 = 2
y ~u3 = 32
son mutuamente ortogonales, pues
, 0, 2
,
5
5
5 3 5 3 5
~u1 ~u2 = ~u1 ~u3 = ~u2 ~u3 = 0; y k ~u1 k=k ~u2 k=k ~u3 k= 1. Entonces el conjunto
de vectores S = {~u1 , ~u2 , ~u3 } es ortonormal.




1
2 , 1 , 3
y
~
u
=
,
Ejercicio 192. Dados los vectores ~u1 = 13 , 13 ,
2
3
14
14
14
encuentre el conjunto de vectores que sean ortonormales a ellos.
Ejemplo 189. En el espacio vectorial (Rn , +, ), su base can
onica {~e1 , ~e2 , . . . , ~en },
es un conjunto ortonormal de vectores, pues ~ei ~ej = 0, si i 6= j; y k ~ei k= 1, para
i [1, . . . , n].
Teorema 51. En el espacio vectorial (Rn , +, ), si S = {~u1 , ~u2 , . . . , ~un } es ortogonal, entonces S es LI.
Prueba. Por reduccion al absurdo. Supongamos que S no es LI, luego S es LD.
Entonces u~j tal que
c1 u~1 + c2 u~2 + + cj1 uj1
~ = u~j .
Al realizar el producto escalar por u~j a ambos lados, tenemos
(c1 u~1 ) u~j + (c2 u~2 ) u~j + + (cj1 uj1
~ ) u~j = u~j u~j .
Luego, por S ser ortogonal
0 + 0 + + 0 = ||u~j ||2 .
De donde se concluye que es un absurdo, pues
u~j 6= ~0 .
En conclusion, S es LI.
Corolario. En el espacio vectorial (Rn , +, ), si S = {~u1 , ~u2 , . . . , ~un } es ortonormal, entonces S es LI.

194

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejercicio 193.
1. Verificar que el conjunto S del ejemplo 187 es LI.
2. Verificar que el conjunto S del ejemplo 188 es LI.
Teorema 52. En el espacio vectorial (Rn , +, ), si S = {~u1 , ~u2 , . . . , ~un } es ortogonal, entonces S es una base para Rn .
Prueba. Puesto que S es ortogonal es LI; ahora como la dimension de Rn es n,
entonces, por el teorema 50, concluimos que S es base para Rn .
Corolario. En el espacio vectorial (Rn , +, ), si S = {~u1 , ~u2 , . . . , ~un } es ortonormal, entonces S es una base para Rn .
Ejercicio 194.
1. Verificar que el conjunto S del ejemplo 187 es base para Rn .
2. Verificar que el conjunto S del ejemplo 188 es es base para Rn .
Definici
on 65 (Base ortogonal (ortonormal)). Una base ortogonal (ortonormal) para un espacio vectorial Rn es aquella cuyos vectores forman un conjunto
ortogonal (ortonormal).
Ejemplo 190.
1. El conjunto S del ejemplo 187 es una base ortogonal para R3 .
2. El conjunto S del ejemplo 188 es una base ortonormal para R3 .
Teorema 53. Sea S = {~u1 , ~u2 , . . . , ~un } una base ortonormal para Rn y ~v un
vector en Rn , si
~v = c1 ~u1 + c2 ~u2 + + cn ~un ,
entonces
ci = ~v ~ui .

Espacios vectoriales

Prueba.
1 c1 ~u1 + c2 ~u2 + + cn ~un = ~v ,

2

3

4

5

hip
otesis

(c1 ~u1 + c2 ~u2 + + cn ~un ) ~ui = ~v ~ui ,

1
producto escalar en

ci (~ui ~ui ) + + cn (~un ~ui ) = ~v ~ui ,

2
resolviendo

ci k ~ui k2 + + cn 0 = ~v ~ui ,

por S ser ortogonal

c1 (~u1 ~ui ) + c2 (~u2 ~ui ) + +

c1 0 + c2 0 + +

ci = ~v ~ui ,

195

por k ~ui k= 1.

Ejercicio 195. Dados S = {~u1 , ~u2 , . . . , ~un }, una base ortogonal para Rn , y ~v un
vector en Rn . Probar que si
~v = c1 ~u1 + c2 ~u2 + + cn ~un ,
entonces
ci =

~v ~ui
.
k ~ui k2

Ejemplo 191 (Combinaci

on lineal). Sea S = {~u1 , ~u2 , ~u3 } una base ortogonal
para R3 con
!
!
!
1
1
1
1
1
1
~u1 = , 0, , ~u2 = , 1, , ~u3 = , 1, .
2
2
2
2
2
2
Escribir el vector ~v = (1, 2, 3) como una combinaci
on lineal de S considerando el
resultado obtenido en la tarea 195.
Soluci
on.
!
~v ~u1
1
1
c1 =
= (1, 2, 3) , 0,
1
k u1 k2
2
2

1
3
2
= + 0 = = 2 .
2
2
2
!
1
~v ~u2
1
2
= (1, 2, 3) , 1,
c2 =
k u2 k2
2
2
!
!

1
4
3
= +2+
2= 2+
2 = 1 + 2.
2
2
2


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

196

!
1
1
2
, 1,
2
2
!
!

1
3
4
+ 2
2 = 2
2 = 1 2.
2
2
2

~v ~u3
= (1, 2, 3)
c3 =
k u3 k2
=

As, ~v = 2 ~u1 + (1 + 2)~u2 + (1 2)~u3 .

Teorema 54 (Teorema de GramSchmidt). Sean el espacio vectorial (Rn , +, )
y S = {~u1 , ~u2 , . . . , ~un } una base para Rn , entonces existe una base W ortonormal
para Rn .
M
etodo para calcular una base ortonormal mediante el proceso de
GramSchmidt.
Dada una base S = {~u1 , ~u2 , . . . , ~un } para Rn , entonces:
1. Construya una base ortogonal T = {~v1 , ~v2 , . . . , ~vn } a partir de S
~v1 = ~u1
~v2
~v3
~v4

~vn


~u2 ~v1
~v1
= ~u2
~v1 ~v1




~u3 ~v2
~u3 ~v1
~v1
~v2
= ~u3
~v1 ~v1
~v2 ~v2






~u4 ~v1
~u4 ~v2
~u4 ~v3
= ~u4
~v1
~v2
~v3
~v1 ~v1
~v2 ~v2
~v3 ~v3
..
.








~un ~v2
~un ~v3
~un ~vn1
~un ~v1
~v1
~v2
~v3
~vn1 .
= ~un
~v1 ~v1
~v2 ~v2
~v3 ~v3
~vn1 ~vn1

2. Obtenga una base ortonormal W = {w

~ 1, w
~ 2, . . . , w
~ n } a partir de T
~v1
k ~v1
~v2
w
~2 =
k ~v2
~v3
w
~3 =
k ~v3
~v4
w
~4 =
k ~v4
w
~1 =

k
k
k
k

197

Espacios vectoriales

..
.
w
~n =

~vn
.
k ~vn k

Ejemplo 192 (GramSchmidt). Utilice el proceso de GramSchmidt para transformar la base S = {(1, 1, 1), (1, 1, 0), (2, 1, 3)} de R3 en una base ortonormal.

Soluci
on.

1. Los vectores originales son

~u1 = (1, 1, 1)
~u2 = (1, 1, 0)
~u3 = (2, 1, 3) .
2. Una base ortogonal T = {~v1 , ~v2 , ~v3 } construida a partir de S es
~v1 = (1, 1, 1)
!
~u2 ~v1
~v2 = ~u2
~v1
~v1 ~v1
!
2
= (1, 1, 0)
(1, 1, 1) =
3

!
1 1 2
.
, ,
3 3 3

Para evitar los fraccionarios, multiplicamos ~v2 por tres, entonces ~v2 =
(1, 1, 2). Note que el nuevo ~v2 tambien es ortogonal a ~v1 . Continuamos
con ~v3 :
!
!
~u3 ~v1
~u3 ~v2
~v3 = ~u3
~v1
~v2
~v1 ~v1
~v2 ~v2
!
!
6
3
= (2, 1, 3)
(1, 1, 1)
(1, 1, 2)
3
6
!
1 1
, ,0 .
=
2 2
Al multiplicarlo por dos se obtiene ~v3 = (1, 1, 0).

198

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

3. Ahora, determinemos la base ortonormal W = {w

~ 1, w
~ 2, w
~ 3 } a partir de T .
!
1 1
1
w
~1 = , ,
3
3 3
!
1
1 2
w
~2 = , ,
6
6 6
!
1
1
w
~3 = , , 0 .
2
2
As, W = {w
~ 1, w
~ 2, w
~ 3 } es una base ortonormal para R3 construida a partir
de S.
Ejercicio 196. De los ejercicios propuestos en esta secci
on, entregue en forma
escrita, a su docente, aquellos que el le indique.

Unidad 5

Valores propios y vectores

propios
Una transformacion matricial de un vector en Rn en otro en Rm es una transformaci
on lineal denotada como
T : Rn Rm

~x 7 T (~x) = A(~x) ,

donde hemos visto que se cumple

A(c~x + d~y ) = cA(~x) + dA(~y ) ,
siendo c y d escalares.
Estas trasnsformaciones lineales desempe
nan un papel importante en diversas
areas de la matem
atica, fsica, biologa, economa e ingeniera, entre otras. Pero
una cuesti
on de considerable importancia en estas es la determinacion de vectores
~x, si los hay, tales que ~x y A~x sean paralelos. Veamos como determinar esos
vectores.
Definici
on 66 (Valor propio y vector propio). Dada una matriz Ann , decimos
que un n
umero es un valor propio de A (o autovalor) si existe un vector ~x,
diferente del vector nulo, tal que
A~x = ~x .
En tal caso, al vector ~x le llamamos vector propio (o autovector) de A asociado
a .

200

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Ejemplo 193. Sea la matriz

A=

"

#
2 1
2 3

Es = 4 un valor propio de A y ~x = 12 , 1 un vector propio de A asociado a
?
Soluci
on. Determinemos A~x
"
#" # " #
2
2 1 21
=
.
A~x =
4
2 3 1
Ahora encontremos ~x
~x = 4

" #
1
2

" #
2
4

Como A~x = ~x, entonces s es un valor propio de A y ~x es un vector propio

de A asociado a . Observe la figura 5.1.

A x = x =(2,4)

x =(1/ 2,1)

Figura 5.1: vector propio ~x =

1
2,1

asociado al valor propio = 4 de A

El estudiante puede verificar que el vector ~y = (2, 4) tambien es un autovector de A asociado a = 4.

Afirmaci
on 1. En general, si ~x es un vector propio de una matriz A asociado
a un valor propio , entonces cualquier vector paralelo a el, es un vector propio
de A asociado a .
Ejercicio 197. Pruebe la anterior afirmacion.

Valores propios y vectores propios

201

Definici
on 67 (Polinomio caracterstico y ecuaci
on caracterstica). Dada Ann ,
al determinante
fA () = det(A In )
se le llama polinomio caracterstico de A; y a det(A In ) = 0 se le llama
ecuaci
on caracterstica de A.
Teorema 55. Sea Ann , los valores propios de A son las races del polinomio
caracterstico de A.
Ejemplo 194. Encontrar los valores propios y los vectores propios asociados a
"
#
1 1
A=
.
4 1
Soluci
on. Se tiene que
A~x = ~x
A~x = I~x
A~x I~x = ~0
(A I)~x = ~0 .
Realizando las operaciones respectivas obtenemos
"
#" # " #
1
1
x1
0
=
.
4
1 x2
0

(5.1)

1. Valores propios. De (5.1) se obtiene un sistema de dos ecuaciones con

dos inc
ognitas; este sistema tiene soluci
on no trivial si y solo si fA () = 0,
entonces
fA () = 0
det(A I2 ) = 0

(1 )(1 ) 4 = 0
1 + + + 2 4 = 0
2 + 2 3 = 0

( + 3)( 1) = 0 .
Entonces, 1 = 3 y 2 = 1 son los valores propios de A.

202

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

2. Vectores propios
(a) Para 1 = 3
Reemplazando en (5.1) se tiene
"
1 (3)
1

1 (3)

#"

x1
x2

" #
0
0

Su matriz aumentada es

..
2 1 . 0

..
4 2 . 0

Resolviendo por GaussJordan se obtiene x2 = 2x1 . Por lo tanto,

los vectores propios asociados a 1 = 3 son de la forma
"
#
r
con r R {0} .
2r
Con r = 1 un vector propio asociado a 1 = 3 es
" #
1
.
2
(b) Para 2 = 1 se tiene
"
1 1
4

1
1 1

#" #
x1
x2

" #
0
0

Su matriz aumentada es

2
4

..
. 0

..
2 . 0
1

Resolviendo por GaussJordan se obtiene x2 = 2x1 . Entonces, los

vectores asociados a 2 = 1 son de la forma
" #
s
con s R {0} .
2s

Valores propios y vectores propios

203

" #
1
Con s = 1 se obtiene el vector propio
.
2
Ejemplo 195. Encontrar los valores propios y los vectores propios de

2 2 3

.
A=
1
2
1

2 2 1

Soluci
on. Se tiene que
A~x = ~x
A~x = I~x
A~x I~x = ~0
(A I)~x = ~0 .
Realizando las operaciones respectivas obtenemos

x
0
2
2
3
1

1
2
1 x2 = 0
.

0
x3
2
2 1

(5.2)

1. Para encontrar los valores propios se escribe el polinomio caracterstico de

A
fA () = det(A I3 )

 

= (2 )(2 )(1 ) 6 + 4 6(2 ) 2(2 ) + 2(1 )

 

= (4 4 + 2 )(1 ) 2 12 6 4 + 2 + 2 2
= [4 4 + 2 4 + 42 3 2] [10 6]

= 3 + 52 2 8 .

Entonces, la ecuaci
on caracterstica es
3 + 52 2 8 = 0

3 52 + 2 + 8 = 0

204

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

( + 1)( 2)( 4) = 0 .
Luego, los valores propios de A son: 1 = 1, 2 = 2 y 3 = 4.
Nota: recuerde que posibles ceros de fA son los factores del termino independiente (8 en este caso), es decir, 1, 2, 4 y 8, divididos por los
factores del coeficiente de la variable de m
as alto exponente (3 para este
caso), es decir, 1.
2. Los vectores propios son:
(a) Para 1 = 1
Reemplazando en (5.2) se tiene

0
x
3 2 3
1

1 3 1 x2 = 0 .

0
x3
2 2 2
Su matriz aumentada es

..
3 2 3 . 0

.
1 3 1 .. 0 .

..
2 2 2 . 0
Resolviendo por GaussJordan se obtiene x1 = x3 y x2 = 0. Por lo
tanto, los vectores propios asociados a 1 = 1 son de la forma

0 con r R {0} .

r
Con r = 1 un vector propio asociado a 1 = 1 es

0 .

1

Valores propios y vectores propios

205

(b) Para 2 = 2

0
x
0 2
3
1

1 0
1
x2 = 0 .

0
2 2 1 x3
Su matriz aumentada es

3
0 2

1 0
1

2 2 1

..
. 0
..
.
. 0

..
. 0

Resolviendo por GaussJordan se obtiene que x1 = x3 y x2 = 23 x3 .

Entonces, los vectores asociados a 2 = 2 son de la forma

2s

3s con s R {0} .

2s

Con s = 1 se obtiene el vector propio

3 .
2

(c) Para 3 = 4

2 1 x2 = 0
.
0
x3
2 3
2

Su matriz aumentadad es

3
2 2

1 2 1

2 2 3

x1

..
. 0
..
.
. 0

..
. 0


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

206

Resolviendo por GaussJordan se obtiene que x1 = 4x3 y x2 = 52 x3 .

Luego, los vectores propios asociados a 3 = 4 son de la forma

8t

5t con t R {0} .

2t

Para t = 1 se obtiene el vector propio 5

.
2

Nota: Al desarrollar f () = det(A In ) obtenemos un polinomio de grado n

tal que
f () = c0 + c1 + + cn1 n1 + cn n = det(A In ) .
Entonces, f (0) = c0 = det(A).
Teorema 56. Una matriz Ann es no invertible si y solo si = 0 es un autovalor
de A.
Prueba. =
1 Ann es no invertible,

2

hip
otesis

det(A) = 0,

por hip
otesis

det(A In ) = c0 + c1 + + cn

c0 = 0,

n ,

caracterstico de A

det(A In ) = c1 + c2 2 + + cn n
= (c1 + c2 + + cn

0 = (c1 + c2 + + cn

desarrollo del polinomio

n1

n1 )

2 y det(A) = c0 en
3
por
4 en
3

5
factor com
un en

los valores propios de A son

las races de la ecuaci

on
caracterstica de A

= 0 o c1 + c2 + + cn

n1

=0

8 = 0 es un valor propio de A.
Luego, por ,

7
de

Ejercicio 198. Realizar =.

Ayuda: comience con c0 + c1 + c2 2 + + cn n = 0.

Valores propios y vectores propios

207

Ejemplo 196. Sea un valor propio de Ann . Probar que el subconjunto S de

Rn , consistente en todos los vectores propios de A asociados con forma, junto
con el vector nulo, un subespacio de (Rn , +, ). Este subespacio se llama espacio
propio asociado a .

Prueba.
1 Sean un valor propio de A y ~x, ~y dos

vectores propios de A asociados a ,
2

A~x = ~x y A~y = ~y ,

A(~x + ~y ) = A~x + A~y

= (~x + ~y),

= ~x + ~y
3 a ,
5 ~x + ~y S
a
Luego, por

Sea d R, entonces d(A~x) = d(~x)

A(d~x) = (d~x)

hip
otesis
1
por

linealidad de la transformacion matricial

2 en
3

distributividad .
2
por

multiplicaci
on de un escalar por un vector.

b
Luego d~x S

a y ,
b S s es un subespacio de Rn .
En conclusion, por

Ejemplo 197. Si es un valor propio de Ann con vector propio asociado ~x,
probar que k es un valor propio de Ak , k N, con vector propio asociado ~x.

Soluci
on.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

208
1

A~x = x,

hip
otesis

A2 ~x

= A(A~x),

pues A2 = AA y asociatividad

= A(~x),

1
por

= (A~x),

multiplicaci
on de un escalar por un vector

= (~x),

= 2 ~x,

1
por

10

11

12

Luego,

4 .
raz
on de

es un autovalor de A2 con el vector propio asociado ~x.

Sea Ak1 ~x = k1 ~x,

hip
otesis inductiva

Ak ~x

2
raz
on de

A(Ak1 ~x),

A(k1 ~x),

k1 (A~x),

k1 (~x),

= k ~x,

7
por

4
raz
on de

1
por

4 .
raz
on de

Luego, k es un autovalor de Ak con el vector propio asociado ~x.

Definici
on 68 (Matriz semejante). Una matriz Ann es semejante a una matriz
B, si existe una matriz P invertible tal que
A = P 1 BP .
Ejemplo 198. El estudiante puede verificar que la matriz
"
#
2 1
A=
2 3
del ejemplo 193 es semejante a la matriz
"
#
1 0
B=
,
0 4
pues A = P 1 BP , donde
"
#
"
#
1
1
1 2 1
P =
y P 1 =
.
3 1 1
1 2

209

Valores propios y vectores propios

Ejemplo 199. Sean

D=

"

0 3

, B=

"

2 2
2

yP =

"
1

2 1

Puede verifircarse que D = P 1 BP . Por lo tanto D es semejante a B.

Teorema 57 (Relaci
on de equivalencia en semejanza). Sean A, B, C Mnn ,
entonces:
1. A es semejante a A
Prueba.
1 Sea I la matriz identidad

2

A = I 1 AI .

Luego, A es semejante a A.
2. Si A es semejante a B, entonces B es semejante a A
Prueba.
1 A es semejante a B,

2

P invertible tal que A =

P AP 1

hip
otesis
P 1 BP ,

P (P 1 BP )P 1 ,

por hip
otesis
multiplicando por P y P 1

(P 1 )1 AP 1 = IBI,

por P = (P 1 )1 e I = P P 1

B = (P 1 )1 AP 1

4 .
de

5 B es semejante a A.
Luego, por ,

3. Si A es semejante a B y B es semejante a C, entonces A es semejante a

C
Prueba.
1 A es semejante a B y B es semejante a C,

2

P invertible tal que A = P 1 BP ,

Q invertible tal que B =

A=P 1 (Q1 CQ)P ,

Q1 CQ,

hip
otesis
por hip
otesis
por hip
otesis
3 en
2

A=(P 1 Q1 )C(QP ),

asociatividad

A=(QP )1 C(QP ),

propiedad de la inversa.

210

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

6 A es semejante a C.
Luego, de ,
Definici
on 69 (Matriz diagonalizable). Una matriz Ann es diagonalizable si
es semejante a una matriz diagonal.
Ejemplo 200. Por lo visto en el ejemplo 198, la matriz del ejemplo 193 es
diagonalizable, pues

"

A = P 1 DP
# "
#"
#
2 1
1 1 1 0
=
2 3
1 2 0 4

"
#!
1 2 1
.
3 1 1

Teorema 58. Sean A, B matrices semejantes. Entonces ambas matrices tienen

los mismos valores propios.
Prueba. Como A y B son semejantes, entonces existe una matriz P invertible
tal que A = P 1 BP , luego
fA () = det(A In )

= det(P 1 BP In )

= det(P 1 BP In P 1 P )

= det(P 1 BP P 1 In P )

= det(P 1 (B In ) P )

= det(P 1 ) det(B In ) det(P )

= det(P 1 ) det(P ) det(B In )

= det(B In )
= fB () .

Entonces, A y B tienen el mismo polinomio caracterstico. Luego, tienen los

mismos valores propios.
Teorema 59. Una matriz Ann es diagonalizable si y solo si tiene n vectores
propios linealmente independientes.
Teorema 60. Si todos los valores propios de una matriz Ann son diferentes
entre s, entonces A es diagonalizable.

Valores propios y vectores propios

211

Ejemplo 201. La matriz A del ejemplo 195 es diagonalizable, pues sus valores
propios son 1 = 1, 2 = 2 y 3 = 4. Ahora, como A es diagonalizable,
encontrar P tal que P 1 AP = D.
Soluci
on. Tres vectores propios LI, asociados a 1 = 1, 2 = 2 y 3 = 4,
respectivamente, son:



1
2
8

0 ,
3

y


5 .
1
2
2

La matriz P se construye con estos tres vectores:

1
2 8

P =
3 5
.
0
1 2 2

De donde se obtiene

P 1 =

Ahora,

Notas:

16

5
30
3

20 14
10
0

5 .

D = P 1 A P

16 20 14
2
2
3
1
2
8

=
5 10
5
1
2
1
3
5

30

2
2
1
1
2
2
3
0
3

1 0 0

= 0 2 0
.
0 0 4

1. Si no todos los valores propios de A son distintos, entonces A puede ser o

no diagonalizable.


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

212

2. Si una raz de un polinomio caracterstico se repite, se dice que es una

raz de multiplicidad dos; si se obtiene tres veces, entonces es una raz de
multiplicidad tres; y as sucesivamente.
3. Cuando, por cada valor propio i de una matriz Ann que se repite ki
veces, es posible encontrar ki vectores propios de A, asociados a i , que
sean LI, entonces A es diagonalizable.
Ejemplo 202. Dada la matriz

3
,
3 3 3

A=
3

encontrar los valores propios, los vectores propios y, si es posible, una matriz P
invertible tal que D = P 1 AP con D matriz diagonal.
Soluci
on.

A~x = ~x
A~x ~x = ~0
(A I3 )~x = ~0

0
x
3
1

3 x2 = 0
.

3
3

3
3

3
3 3

1. Valores propios

x3

(5.3)

fA () = det(A I3 )


= (3 )(3 )(3 ) 27 27


9(3 ) 9(3 ) + 9(3 )

 

= (9 6 + 2 )(3 ) 54 27 + 9 27 + 9 27 9
= [27 9 + 18 + 62 32 3 54] [81 + 9]

= 3 + 32

= 2 (3 ) = 0 .
As los valores propios son 1 = 0, 2 = 0 y 3 = 3.

Valores propios y vectores propios

2. Vectores propios
(a) Reemplazando 1,2 = 0 en (5.3) se tiene

0
x
1

3
3
3 x2 = 0
.

0
3 3 3 x3

Al resolver este sistema por Gauss-Jordan se obtiene

x1 = x2 x3 = r s

x2 = r

x3 = s .
Dos vectores propios LI son

1 y 0 .


0
1

(b) Reemplazando en (5.3) se tiene

0
x
1

3
0
3
x2 = 0 .

3 3 6 x3
0

Al resolver el sistema por GaussJordan se obtiene

x1 = x3 = r

x2 = x3 = r .
Si r = 1, un vector propio es

1 .

1

213


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

214

As, se tienen tres vectores LI. Luego A s es diagonalizable.

1
1
1
1
0
1

P =
1
, P = 1 1 2 y
1 0
0 1 1
1
1
1

D = P 1 AP

1
1
1
0 0 0
3
3
3
1
0
1

= 0 0 0 .
1 0
3
=
1
3
3
1
1
2

0 1 1
0 0 3
3 3 3
1
1
1

Ejemplo 203. Pruebe que si D = P 1 AP , entonces An = P D n P 1 .

Soluci
on. Puesto que D = P 1 AP entonces D n = (P 1 AP )n . Desarrollando
el lado derecho, tenemos D n = (P 1 AP )(P 1 AP ) (P 1 AP ). Ahora, como
|
{z
}
nveces

P P 1 = I, entonces D n = P 1 An P . Entonces, P D n = P (P 1 An P ). Luego,

P D n P 1 = An P P 1 . Por u
ltimo, P D n P 1 = An .
Ejemplo 204. Si
A=

"

#
5 6
3 4

calcular A6 empleando el anterior resultado.

Soluci
on. Los valores propios de A son 1 = 2 y 2 = 1, con vectores propios
asociados
" #
" #
2
1
y
,
1
1
respectivamente. Luego,
P =

"
#
2 1
1 1

Entonces,
A6 = P D 6 P 1

y P 1 =

"

#
1
2

215

Valores propios y vectores propios

"

"

"

"

2 1

#"
2

#6 "

#
1

0 1
1 2
#"
#"
1
2 1 (2)6
0

1 1

0
(1)6 1
#"
#"
#
2 1 64 0
1 1
1 1

1 1

127 126
63

62

1
#

1
2

Ejercicio 199. Si
A=

"

#
2 2
0 2

calcular A6 empleando el anterior resultado.

Teorema 61. Sea A una matriz simetrica, entonces todos sus valores propios
son n
umeros reales.
Teorema 62. Si A es una matriz simetrica, entonces los vectores propios correspondientes a valores propios diferentes de A son ortogonales.
Prueba. Falta hacer prueba
Ejemplo 205. Encontrar los valores propios y los vectores propios de

2 3
1

A=
3 2 1 .
1 1

Soluci
on. Se tiene que

A~x = ~x
A~x ~x = ~0
A~x I~x = ~0

(A I)~x = ~0 .


Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

216

Realizando las operaciones respectivas obtenemos

0
x
2
3
1
1

3
2 1
x2 = 0 .

0
1
1 0 x3

(5.4)

1. Para encontrar los valores propios escribimos la ecuaci

on caracterstica
fA () = 0.


det(A I3 ) = 0
 

(2 )(2 )(0 ) 3 3 (2 ) + (2 ) + (9) = 0

 
(4 4 + 2 )() 6 4 11] = 0
3 + 42 4 6 4 + 11 = 0
3 42 7 + 10 = 0

( + 2)( 1)( 5) = 0 = 0 .
Entonces, los valores propios de A son: 1 = 2, 2 = 1 y 3 = 5.
2. Los vectores propios son:
(a) Para 1 = 2, reemplazando

4 3

3 4

1 1

en (5.4) se obtiene

0
x
1
1

1
x2 = 0 .
0
x3
2

Su matriz aumentada es

..
.
0
3
2
3

..
1 3 1 . 0 .

..
2 2 2 . 0

Resolviendo por GaussJordan se obtiene x1 = x3 y x2 = x3 . Por

lo tanto, los vectores propios asociados a 1 = 2 son de la forma

r

r con r R {0} .

r

217

Valores propios y vectores propios

Con r = 1 un vector propio asociado a 1 = 2 es

1

~u1 =
1 .
1
(b) Para 2 = 1, reemplazando en (5.4) se obtiene

0
x
1 3
1
1

3 1 1 x2 = 0 .

0
1 1 1 x3
Su matriz aumentada es

..
1
3
1
.
0

..
3 1 1 . 0 .

..
1 1 1 . 0
Resolviendo por GaussJordan se obtiene que x1 = 21 x3 y x2 = 21 x3 .
Entonces, los vectores asociados a 2 = 1 son de la forma

s

s con s R {0} .

2s

Con s = 1 se obtiene el vector propio ~u2 =

1.
2

(c) Para 3 = 5, reemplazando en

3 3

3 3

1 1

(5.4) se obtiene

x
1
0
1

1 x2 = 0
.
5
x3
0

218

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

Su matriz aumentadad es

1
3 3

3 3 1

1 1 5

..
. 0
..
. 0

..
. 0

Resolviendo por GaussJordan se obtiene que x1 = x2 y x3 = 0.

Luego, los vectores propios asociados a 3 = 5 son de la forma

t

t con t R {0} .

0

Para t = 1 se obtiene el vector propio ~u3 =

1.
0

Al realizar los productos punto ~u1 ~u2 , ~u1 ~u3 y ~u2 ~u3 , se encuentra que todos
son cero. Por lo tanto se verifica el teorema 62.
Ejercicio 200. Verificar que los valores propios de la matriz
"
#
5 2
A=
2 5
son 1 = 3 y 2 = 7. Y que los vectores propios asociados, respectivamente, que
son de la forma
" #
" #
r
s
, r, s R ,
y
s
r
son ortogonales.
Definici
on 70 (Matriz ortogonal). Una matriz A invertible es llamada ortogonal
si
A1 = AT .

Valores propios y vectores propios

219

Ejemplo 206. La siguiente matriz es ortogonal

A=

1
13

3
1

1
6
1

6
2
6

1
2
1 ,
2

pues se puede verificar que A1 = AT .

Teorema 63. Una matriz Ann es ortogonal si y solo si sus columnas forman
un conjunto ortonormal de vectores en Rn .
Ejemplo 207. El estudiante puede verificar que las columnas de la matriz A
del ejemplo 206 forman un conjunto ortonormal de vectores en R3 .
Teorema 64. Si Ann es una matriz simetrica, entonces existe una matriz
ortogonal P tal que P 1 AP = D es una matriz diagonal. Adem
as, los valores
propios de A est
an sobre la diagonal principal de D.
Cuando una matriz A se diagonaliza mediante una matriz P ortogonal, decimos que A se ha diagonalizado ortogonalmente.
Ejemplo 208. Diagonalizar ortogonalmente la matriz
A=

"

#
2 1
1 2

Soluci
on. Sabemos que
A~x = ~x
A~x = I~x
A~x I~x = ~0
(A I)~x = ~0 .
Realizando las operaciones respectivas obtenemos
"

2
1

1
2

#" #
x1
x2

" #
0
0

(5.5)

220

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

1. Valores propios. De (5.5) se obtiene un sistema de dos ecuaciones con

dos inc
ognitas; este sistema tiene soluci
on no trivial si y solo si fA () = 0,
entonces
fA () = det(A I2 )

= (2 )(2 ) 1 = 0

= 4 4 + 2 1 = 0

= 2 4 + 3 = 0

= ( 1)( 3) = 0 .
Entonces, 1 = 1 y 2 = 3 son los valores propios de A.
2. Vectores propios
(a) Para 1 = 1, reemplazando en (5.5) se tiene
"
#" # " #
0
21
1
x1
=
,
0
1
2 1 x2
Su matriz aumentada es

.
1 1 .. 0

.
..
1 1 . 0

Resolviendo por GaussJordan se obtiene x2 = x1 . Por lo tanto, los

vectores propios asociados a 1 = 1 son de la forma
" #
r
con r R {0} .
r
Con r = 1 un vector propio asociado a 1 = 1 es
" #
1
.
1
(b) Para 2 = 3 se tiene
"

23
1

1
23

#" #
x1
x2

" #
0
0

221

Valores propios y vectores propios

Su matriz aumentada es

1
1

..
. 0
.
.
1 .. 0
1

Resolviendo por GaussJordan se obtiene x2 = x1 . Entonces, los vectores asociados a 2 = 3 son de la forma
" #
s
con s R {0} .
s
" #
1
Con s = 1 se obtiene el vector propio
.
1
3. Determinar P. Al normalizar los vectores propios
" #
" #
1
1
y
,
1
1
se obtiene
"

1
2
12

1
2
1
2

1
2
1
2

12

"

respectivamente. Entonces
P =

"

1
2

12

Luego, su inversa es
P

"

1
2
1
2

1
2

4. Determinar D
D = P 1 AP =

"

1
2
1
2

12
1
2

#"
#"
2 1
1 2

1
2
12

1
2
1
2

222

Conceptos b
asicos de Algebra
Lineal, Noviembre 06 de 2016

"

"

1
2
1
2

"

1
2
1
2

"

#
1 0

1
2
1
2

12

#"

12

#"

1
2

1
2

1
2
1
2

0 3

3
2
3
2

2
2
1
2

1
2
2
2

1
2
12

3
2
3
2

3
2
3
2

2
2
1
2

+
+

1
2
2
2

Ejemplo 209. Diagonalizar ortogonalmente la matriz A del ejemplo 205.

Soluci
on. Al normalizar la matriz formada por los vectores ~u1 , ~u2 y ~u3 , determinados en dicho ejemplo, se obtiene la matriz

13

P =
3
1

1
6
1

6
2
6

1
2
1 .
2

3
1

6
1
2

3
2 .
6

Y como P 1 = P T , entonces

P 1 =

1
13

6
1
2

Entonces

2 0 0

P 1 AP =
0 1 0 .
0 0 5

Teorema 65. Una matriz Ann es diagonalizable ortogonalmente si y solo si es

simetrica.