Conceptos básicos de

Álgebra Lineal
Noviembre 06 de 2016

Última versión en
[Link]

Luis F. Moreno S.

Antioquia–Colombia
ii Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Autor Luis F. Moreno S.

Magı́ster en Matemáticas Aplicadas
Docente

Edición y diagramación: José Luis Moreno Avendaño y Luis F. Moreno S.

Corrección de estilo: Luis F. Moreno S.

Conceptos básicos de Álgebra Lineal

Realizado en Antioquia–Colombia
Agosto de 2017
Índice general

Prólogo v

Introducción vii

Preliminares ix

1 Matrices y sistemas de ecuaciones lineales 1

1.1 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Multiplicación de matrices . . . . . . . . . . . . . . . . . . . . . . 18
1.3 Propiedades de las operaciones con matrices . . . . . . . . . . . . 28
1.4 Solución 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 áreas en R2 . . . . . . . . . . 91

3 Vectores en Rn 95
3.1 Vectores en R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.2 Vectores en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.3 Aplicaciones de vectores en R3 . . . . . . . . . . . . . . . . . . . 133

4 Espacios Vectoriales 153

iv Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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

4.2 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . 159
4.3 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 168
4.4 Bases ortonormales en Rn . . . . . . . . . . . . . . . . . . . . . . 192

5 Valores propios y vectores propios 199

Prólogo

Surge este texto por la necesidad detectada en los estudiantes de pregrado de

ingenierı́a de disponer de una herramienta básica provechosa para seguir un curso
introductorio de Álgebra Lineal en el aula de clase.
Se explican los temas de Matrices, Sistemas lineales, Determinantes, Trans-
formaciones lineales, Vectores en Rn , Rn como espacio vectorial y, por último,
Valores y vectores propios. Se ofrecen ejemplos prácticos y teóricos; y se propo-
nen ejercicios a medida que los conceptos teóricos 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.
Además, 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 (fı́sica o virtual) ahorrará
tiempo al docente, pues no requerirá escribir los conceptos, y podrá aprovechar
este tiempo en la explicación de nuevos ejemplos que él considere pertinentes.
Además, el estudiante evitará 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; también se planea emplear software ma-
temático en la solución 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 básicos de Álgebra Lineal, Noviembre 06 de 2016
Introducción

Se sabe hasta ahora que los orı́genes del álgebra lineal se remontan a los babi-
lonios en el siglo XXI antes de Cristo. Un ejemplo es el escrito en una de las
famosas tablillas de Croquetta:

Existen dos campos cuyas áreas suman 1800 yardas1 cuadradas. Uno
produce granos en razón de 2/3 de saco por yarda cuadrada, mientras
que el otro produce granos en razón de 1/2 saco por yarda cuadrada.
Si la producción total es de 1100 sacos, ¿cuál es el tamaño de cada
campo?

Se conoce también el papiro Rhind, del año 1650 antes de cristo, del sacerdo-
te egipcio Áhmes, donde se consideran ecuaciones de primer grado. Luego, los
matemáticos chinos, durante los siglos III y IV antes de cristo, continuaron la
tradición de los babilonios con los primeros métodos del pensamiento lineal. Por
ejemplo, el método para la solución de problemas lineales, que es conocido co-
mo la regla fan-chen, que trascendió en lo que hoy es conocido como el método
de eliminación gaussiana. Luego vendrı́an los aportes de los islámicos y de los
europeos.
Actualmente, el álgebra lineal estudia, entre otros, conceptos tales como:
matrices, sistemas de ecuaciones lineales, determinantes, vectores, espacios vec-
toriales, y valores y vectores propios. Estos conceptos tienen conexiones con áreas
prácticas y teóricas como: las ingenierı́as, economı́a, fı́sica, astronomı́a, gráficas
por computador, análisis funcional, ecuaciones diferenciales e investigación de
operaciones, entre otros.
Nos proponemos en las próximas lı́neas entender los conceptos básicos de
estos temas mediante sencillos ejemplos y ejercicios operativos, prácticos y abs-
tractos.
1
Medida de longitud del sistema inglés que equivale a 91,4 centı́metros
viii Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016
Preliminares

Acerca de las pruebas matemáticas

Comenzaré la explicación de lo que es una prueba mediante una analogı́a 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 hipótesis; 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,
etcétera). A esta serie de pasos le llamaremos procedimiento. Pues bien, una
prueba matemática consta de esos tres elementos: una hipótesis, una tesis y
un procedimiento que partiendo de la hipótesis alcanza la tesis. Por supuesto, el
procedimiento puede tener variaciones; no todos fabricarı́amos una mesa de igual
forma, aunque tuviéramos los mismos materiales y herramientas. Los procesos
pueden ser diferentes: dependen de nuestros conocimientos, gustos y objetivos.
Y ası́ son los procedimientos en las pruebas: variados. Hay diferentes formas de
realizar pruebas, las cuales iremos observando. Veamos ahora algo más formal:
Una prueba matemática es un argumento convincente acerca de la precisión
de una afirmación. Dicho argumento debe contener los suficientes detalles para
convencer a la audiencia de la veracidad o falsedad de tal afirmación.
Una afirmación puede ser algo sencillo como 8 ÷ 2 = 4, la cual es verdadera o
12×5 = 57, la cual es falsa. Pero una más compleja podrı́a ser: si ax2 +bx+c = 0
con a 6= 0, entonces
√
−b ± b2 − 4ac
x= .
2a
Para este caso, la hipótesis, 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
es x = 2a , donde la prueba serı́a
x Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Prueba.
1
Sea ax2 + bx + c = 0 y a 6= 0, por hipótesis
b c
2
x2 + a x + a = 0, dividiendo por a
b c
3
x2 + ax = −a, sumando − ac a ambos lados
b 2 b 2 b 2
b




4
x2 + x + = − ac , sumando 2a
a
b


2 2a b2 −4ac2a
5
x+ 2a = 4a2 , el lado izquierdo es un
trinomio cuadrado perfecto
√
6 b ± b2 −4ac
x+ 2a =√ 2a , obteniendo raı́z cuadrada
7 −b± b2 −4ac b
x= 2a , sumando − 2a a ambos lados.
7 queda demostrado.
Luego, por ,

Observe que la anterior prueba está dividida en tres columnas y varias lı́neas
que corresponden cada una a un paso de la prueba. La primera columna indica
el número de cada paso, la segunda es el paso propiamente dicho, y la tercera
corresponde a la razón de el porque se dio ese paso.
El anterior conjunto de pasos no es la única forma de probar una afirmación;
por lo general, los matemáticos prueban en prosa. El autor prefiere utilizar el
anterior método debido a que facilita el orden y, por su experiencia, considera
que es más fácil de entender para los estudiantes.
Cuando hemos probado una afirmación le llamamos proposición o teorema.
Un corolario es una consecuencia de una proposición o teorema tan evidente
que no necesita demostración.
Existen diferentes técnicas 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 verificación.

2. Nunca asuma hipótesis que no han sido dadas en la afirmación.

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 prácti-
cos en ingenierı́a, matemáticas y administración, empleando el método de Gauss-
Jordan o la inversa de una matriz. Inicialmente veremos las definiciones necesa-
rias con sus respectivos ejemplos.

1.1 Matrices

Definición 1 (Matriz). Una matriz, denotada por una letra mayúscula, es un

arreglo rectangular de elementos; elementos que para nosotros serán números
reales1 (R).

Por ejemplo,
" #
3 1 2
A= ,
−2 4 5

es una matriz de dos filas y tres columnas. La fila uno (f1 ) está constituida por
los elementos 3, 1 y 2, y la fila dos (f2 ) por −2, 4 y 5. La columna uno (c1 ) está
constituida por los elementos 3 y −2, la columna dos (c2 ) está constituida por
1
Lo expresado en este texto también es válido para números complejos
2 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

los elementos 1 y 4 y la columna tres (c3 ) está constituida por los elementos 2 y
5.
En general, una matriz de m filas y n columnas la escribiremos como Am×n
o A ∈ Mm×n , que en forma matricial es
 
a11 a12 ··· a1n
 
 a21 a22
 ··· a2n 

A= . .. ..  ,
 .. . . 
 
am1 am2 · · · amn

donde la fila i es
h i
fi = ai1 ai2 · · · ain para i = 1, . . . , m ;

y la columna j es
 
a1j
 
 a2j 
 
cj =  .  para j = 1, . . . , n .
 .. 
 
amj

Por ejemplo: A2×3 es la matriz A de dos filas y tres columnas y B4×5 es la matriz
B de cuatro filas y cinco columnas. Diremos que Am×n es una matriz de tamaño
m × n.
Al elemento de la i–ésima fila y la j–ésima columna, de la matriz Am×n , lo
denotaremos como aij , por ejemplo, en la matriz A3×2 , donde
 
0 1
 
A=  2 −2 ,

3 4

los elementos son a11 = 0, a12 = 1, a21 = 2, a22 = −2, a31 = 3 y a32 = 4. En
algunas ocasiones nos referiremos a una matriz Am×n como [aij ].
Nota. La notación 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 álgebra lineal hay
matriculados siete alumnos al final del semestre: Marı́a, Pedro, Mónica, Luis,
 Matrices y sistemas de ecuaciones lineales 3

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 P2 P3 S
 
4,5 3,5 4,0 4,5 Marı́a
 
3,0 3,5 2,0 4,0 Pedro
 
 
5,0 3,0 2,0 1,0 Mónica
 
B =
1,5 3,5 4,0 4,0 Luis
 
3,5 3,0 3,0 5,0 Ana
 
4,0 3,0 2,0 3,0 John
 
5,0 5,0 5,0 5,0 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 Mónica en el parcial 2.
Ejercicio 1. Calcule la nota promedio de cada estudiante. Puede hacerlo ma-
nualmente, con una hoja de cálculo o mediante programación con dos f or, uno
dentro del otro.
Ejercicio 2. Construya una matriz N en la que represente las asignaturas que
cursó 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 (Producción). Para la elaboración de plastilina se requiere dos com-
puestos principalmente: sales de calcio y vaselina. Una empresa produce dos tipos
de plastilina: fina y suave. Para la elaboración 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, además, la disponibilidad
diaria de sales de calcio es de 50 gramos y de vaselina es de 35 gramos, ¿cuántas
barras de plastilina fina y cuántas de plastilina suave se deben producir para
maximizar la ganancia?
El anterior es un problema de programación 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 ecuación
z = 5x1 + 8x2 , que es la ganancia, sujeta a:
2x1 + 4x2 6 50
4 Conceptos básicos de Álgebra 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 solución del problema.

Ejemplo 3 (Grafo). Suponga que tenemos un sistema de comunicación com-

puesto por seis nodos como el que se muestra en la figura 1.1. Las flechas indican
el sentido de comunicación, por ejemplo: e1 envı́a mensajes a e2 y viceversa; e1
también 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 comunicación

La representación matricial de este grafo es

e1 e2 e3 e4 e5 e6
 
e1 0 1 0 0 0 1
 
e2 1 0 0 0 0 0
 
e3 
0 0 0 0 1 0 
C=  ,
0
e4  0 0 0 1 1 
 
e5 1 0 0 1 0 0
e6 0 1 0 1 0 0
 Matrices y sistemas de ecuaciones lineales 5

donde cada cij indica que el emisor i puede enviar mensajes al receptor j sola-
mente si cij = 1, por ejemplo: como c21 = 1, entonces e2 puede enviar mensajes
a e1 .

Ejemplo 4 (Gráfica). Si tenemos una gráfica 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: Triángulo a ser reflejado en y = −x

habrı́a que multiplicar la matriz

" #
0 −1
,
−1 0

por la matriz
" #
8 −4 2
,
2 6 10

que corresponde a los vértices del triángulo mostrado, para obtener

" #
−2 −6 −10
,
−8 4 −2

que corresponde a los vértices del nuevo triángulo. Luego unirı́a los vértices.
Más adelante veremos como es la multiplicación de matrices y usted podrá
verificar dicha operación.
6 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Definición 2 (Matrices iguales). Dos matrices Am×n = [aij ] y Bm×n = [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 ası́ sucesivamente para
cada par de elementos.

Ejemplo 5. Diremos que las matrices

   
1 3 −2 1 x + y −2
   
A= 4 8 2  y B =  4
 
,
2x + 3y 2 
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 álgebra, 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 −2 1 2
   
A= 4 5 2  y B = 4 5 ,
  
3 2 1 3 2

iguales? Justifique su respuesta.

Respuesta: no son iguales puesto que para comparar si dos matrices son iguales,
estas deben tener igual tamaño. Para el presente caso, el tamaño de A es tres
por tres y el tamaño de B es tres por dos.

Definición 3 (Matriz cuadrada). Una matriz Am×n es cuadrada si m = n, es

decir, si el número de filas es igual al número de columnas.

Ejemplo 6. La matriz A4×4 es cuadrada

 
3 4 0 5
 
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 7

En una matriz, A = [aij ], los elementos a11 , a22 , . . . , ann conforman la dia-
gonal principal. En la matriz A4×4 , del ejemplo 6, la diagonal principal está
conformada por los elementos: a11 = 3, a22 = 5, a33 = 1 y a44 = 0.

Ejercicio 5. Construya una matriz A4×4 , una B3×3 , otra C2×2 y, por último,
una D1×1 .

Ejercicio 6. Identifique y escriba los elementos de la diagonal principal de cada

una de las matrices del ejercicio 5.

Definición 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 An×n = [aij ], si aij = 0 para todo (∀) i 6= j, con i, j = 1, . . . , n, entonces
An×n es diagonal.

Ejemplo 7. A, B y C son matrices diagonales

   
" # 3 0 0 7 0 0
5 0    
A= , B=  0 3 0  , C =
 0 0 0.
0 −2
0 0 3 0 0 0

Ejercicio 7. ¿Es la matriz

 
0 0 0
 
0 0 0
 
0 0 0

diagonal? Justifique su respuesta verbal y matemáticamente.

Respuesta: sı́ 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.

Definición 5 (Matriz escalar). Una matriz escalar es una matriz diagonal donde
los elementos de la diagonal principal son iguales, es decir, An×n = [aij ] es escalar
si:

1. aij = 0 ∀ i 6= j.

2. aij = c ∀ i = j.
8 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejemplo 8. Las matrices A, B y C dadas a continuación son escalares.

   
" # 4 0 0 1 0 0
−3 0    
A= , B = 0 4
 0 y C = 0 1 0 .
 
0 −3
0 0 4 0 0 1

Ejercicio 8. Construya una matriz escalar A2×2 , otra B3×3 y una C4×4 .
Ejercicio 9. ¿Es la matriz
 
0 0 0
 
0 0 0
 
0 0 0

escalar? Justifique su respuesta verbal y matemáticamente.

Definición 6 (Matriz identidad). Una matriz escalar donde los elementos de la
diagonal principal son todos unos es llamada matriz identidad, es decir, An×n =
[aij ] es identidad si:

1. aij = 0 ∀ i 6= j.

2. aij = 1 ∀ i = j.

Emplearemos la notación In para representar a la matriz identidad de tamaño

n × n.
Ejemplo 9. Son matrices identidad
 
  1 0 0 0
" # 1 0 0  
1 0    0 1 0 0
I2 = , I3 = 0 1 0 , I4 = 

.
0 1  
0 0 1 0
0 0 1
0 0 0 1

Ejercicio 10. Construya I5 e I6 .

Ejercicio 11. ¿Toda matriz con unos en la diagonal principal y ceros por fuera
de ella es una matriz identidad? Justifique su respuesta.
Definición 7 (Suma de matrices). Dadas las matrices Am×n = [aij ] y Bm×n =
[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 9

Ejemplo 10. Dadas las matrices

   
4 2 −2 −4 2 0
   
A= 1 5  y B =  4 −5 0 ,
2  
3 −2 1 3 2 5
su suma es
   
4 2 −2 −4 2 0
   
A+B =
 1 5 2  +  4 −5 0
  
3 −2 1 3 2 5
 
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 6
Ejercicio 12. Determinar A + B, si
   
5 2 −2 3 −1 2 −7 3
   
A=  3 −5 12 −1  yB= 4

.
5 −2 2 
11 2 0 5 2 −5 3 −4
Ejercicio 13. Las matrices
 
" # −1 2
5 2 −2  
A= yB=
 4 5

4 −5 2
25 4
no pueden ser sumadas. ¿Por qué?
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) hipótesis y

la tesis. En este caso la hipótesis consiste en dos matrices diagonales de igual
dimensión y la tesis, es decir, lo que hay que probar, es que su suma es una
matriz diagonal.
10 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Prueba.
1
Sean An×n = [aij ] y Bn×n = [bij ],
matrices diagonales hipótesis
Para i, j = 1, . . . , n se tiene
2
aij = 0 para i 6= j, 1
definición de matriz diagonal en
3
bij = 0 para i 6= j, 1
definición de matriz diagonal en
4
Sea A + B = C = [cij ], suma de matrices
5
cij = aij + bij , 4
definición de suma de matrices en
6
cij = 0 para i 6= j, 2 y
por 3 en .
5
6 C es diagonal por definición de matriz diagonal.
Luego, por ,

Ejercicio 14. Para verificar el teorema 1, invente dos matrices diagonales y

súmelas.

Ejercicio 15. Probar que la suma de dos matrices escalares es una matriz
escalar.

Ejercicio 16. Para verificar las pruebas realizadas en el ejercicio 15, invente dos
matrices escalares de tamaño seis por seis y súmelas.

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.

Definición 8 (Multiplicación de un escalar por una matriz). Dados c ∈ R, un

escalar, y Am×n = [aij ], definimos la multiplicación 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

 
3 2
 
A=
 4 1,

−2 0
 Matrices y sistemas de ecuaciones lineales 11

entonces


3 2
 
cA = (−3) 
 4 1

−2 0
 
−3 × 2 −3 × 3
 
= −3 × 4 −3 × 1

−3 × (−2) −3 × 0
 
−6 −9
 
−12 −3 .
= 
6 0

Ejercicio 17. Si c = 5 y
" #
−3 2 6 −1
B= ,
2 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
" #
2 −9 17
cA + dB = .
6 15 0

Verifı́quelo.

Definición 9 (Diferencia de matrices). Dadas las matrices Am×n = [aij ] y

Bm×n = [bij ] definimos su diferencia (también llamada resta) como A + (−1)B =
A − B = C = [cij ] donde cada cij = aij − bij para i = 1, . . . , m y j = 1, . . . , n.
12 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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
   
A−B =
 4 5 2 −  4 −5 0 
  
−3 2 4 −1 2 −3
 
−1 − (−3) 2−2 0−2
 
=
 4 − 4 5 − (−5) 2 − 0 

−3 − (−1) 2−2 4 − (−3)
 
2 0 −2
 
 0 10 2  .
= 
−2 0 7

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 tamaño seis por seis y réstelas. También invente dos
matrices escalares de tamaño seis por seis y réstelas.

Si se le dificulta realizar el ejercicio 19, primero realice al menos tres veces el

ejercicio 20.
Definición 10 (Transpuesta de una matriz). Dada la matriz Am×n = [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
" #
1 0 3 7
A= ,
2 4 −2 5
 Matrices y sistemas de ecuaciones lineales 13

entonces
 
1 2
 
0 4 
AT = 
3 −2 .

 
7 5

Ejercicio 21. Si
 
−3 4
 
4 3
B=
 ,

 0 −2
4 7

determine su transpuesta.

Ejercicio 22. Construya cinco matrices de diferentes tamaños y determine la

transpuesta de cada una.

Ejemplo 14 (Resta  de matrices

 y multiplicación por un escalar). Dados
" # −5 2
3 −2 1  

A= , B =  0 1

 , c = −1 y d = 3; encontrar c dA − B T .
2 0 5
1 4
Solución.
" # " #!
T

3 −2 1 −5 0 1
c dA − B = −1 3 −
2 0 2 1 4
5
" # " #!
3 × 3 3 × (−2) 3 × 1 −5 0 1
= −1 −
3×2 3×0 3×5 2 1 4
" # " #!
9 −6 3 −5 0 1
= −1 −
6 0 15 2 1 4
" #!
9 − (−5) −6 − 0 3 − 1
= −1
6−2 0 − 1 15 − 4
" #
14 −6 2
= −1
4 −1 11
14 Conceptos básicos de Álgebra 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=−2 0 
, c = 2 y d = −3; encontrar c dA + B T .
4 5 −8
1 −3

Definición 11 (Matriz simétrica). Una matriz A es simétrica 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 simétrica, pues B = B T . Se puede observar que cada aij = aji .

Ejercicio 24. ¿Es la matriz

 
2 −11
 
A=
2 3 4

−1 4 0

simétrica? Justifique su respuesta.

Ejercicio 25. Construya tres matrices simétricas.

Ejercicio 26. Para que una matriz sea simétrica, ¿cuál o cuáles de las defini-
ciones vistas hasta el momento debe cumplir? Justifique su respuesta.

Definición 12 (Matriz antisimétrica). Una matriz A es antisimétrica si

AT = −A.
 Matrices y sistemas de ecuaciones lineales 15

Ejemplo 16. La matriz

 
0 −1 −3
 
A=
 1 0 −4 

3 4 0

es antisimétrica, pues AT = −A. Verifı́quelo.

Ejercicio 27. Construya tres matrices antisimétricas.

Ejercicio 28. Para que una matriz sea antisimétrica, ¿cuál o cuáles de las defi-
niciones vistas hasta el momento debe cumplir? Justifique su respuesta.

Definición 13 (Triangular superior). Una matriz An×n = [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:

 
  c11 c12 · · · · · · c1n
  −3 2 1 4  
1 3 0    0 c22 · · · · · · c2n 
  0 0 0 0  
A= , C =  0 0 c · · · c 
0 2 −2 , B =  0 .
   33 3n
 0 2 7
  ..
 .. .. . . .. 
0 0 −5  . . . . 
. 
0 0 0 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 matemáticamente.

Teorema 2 (Suma de matrices triangulares superiores). La suma de dos matri-

ces △S es una matriz △S.
16 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Prueba.
1
Sean An×n = [aij ] y Bn×n = [bij ] △S, hipótesis
Para i, j = 1, . . . , n se tiene
2
aij = 0 para i > j, 1
definición de △S en
3
bij = 0 para i > j, 1
definición de △S en
4
Sea A + B = C = [cij ], suma de matrices
5
cij = aij + bij , por definición de suma de matrices
6
cij = 0 para i > j, 2 y
por 3 en .
5
6 C es △S por definición de matriz △S.
Luego, por ,

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

Ejercicio 32. Probar que la resta de dos matrices △S es una matriz △S.

Definición 14 (Triangular inferior). Una matriz An×n = [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

 
  c11 0 ··· ··· 0
  4 0 0 0 
 c12 c22 · · · · · · 0 

5 0 0    
 , B = 0 3 0 0 , C =  ... .. . . .. 
   
A= −2 2 0 0 . . .
. 
 
 0 2 0

 . . . 
3 7 4  .. .. .. 0 
0 0 0 1  
cn1 cn2 · · · · · · cnn

Observe que B también es △S.

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 matemáticamente.

 Matrices y sistemas de ecuaciones lineales 17

Ejercicio 35. ¿Es

 
0 0 ··· ··· 0
 
0 0 · · · · · · 0
 
. . . .. 
On×n = . . ..
. . .
. . .. 
 .. .. . 0
 
0 0 ··· ··· 0

△I, es △S? Justifique sus respuestas verbal y matemáticamente.

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 tamaño cinco por cinco. Súmelas y luego réstelas.

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, hipótesis
Para i, j = 1, . . . , n se tiene
2
aij = 0 para i > j, por A ser △S
3
aij = 0 para i < j, por A ser △I
4
aij = 0 para i 6= j, 2 y .
por 3
4 y definición de matriz diagonal, A es diagonal.
Luego, por

Ejercicio 38. Invente dos matrices que sean △S y △I al mismo tiempo. Súmelas.
El resultado debe ser una matriz diagonal de acuerdo al teorema 3.

Ejercicio 39. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.
18 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

1.2 Multiplicación de matrices

La multiplicación de matrices es una operación efectuada entre dos matrices

de acuerdo a reglas que aprenderemos en la presente sección. Viene dada por
un algoritmo de fácil implementación en un computador. Es muy útil para la
solución de sistemas de ecuaciones de muchas variables. Tiene aplicaciones en el
cálculo numérico, al igual que poderosas aplicaciones como diversos programas
matemáticos. Actualmente se utiliza mucho en el cálculo de microarrays y en el
área de la bioinformática.
Definición 15 (Vector). Por ahora, definiremos vector como una matriz de n
filas y una columna. Denotaremos a los vectores con letras minúsculas con una
flecha encima, por ejemplo, ~u = [ui ], con i = 1, . . . , n.
Ejemplo 19. Son vectores
 
5  
  " # 1
3 7  
~u =   , ~v =
  , w
~ = −3

.
−1
  4
−7
0
Ejercicio 40. Escriba 10 vectores de diferentes tamaños.
Definición 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 tamaño 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
   
4 1
   
−3 0
~u = 
−1
 y ~v = 
−2 ,

   
7 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
   
2 4
   
5 −2
−1 y ~v = −2 .
~u =    
   
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, n-
vectores, 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
Sean ~a = [ai ] y ~b = [bi ] n-vectores, hipótesis
2
~a · ~b = a1 b1 + a2 b2 + · · · + an bn , definición de producto escalar
3
= b1 a1 + b2 a2 + · · · + bn an , conmutatividad en R
4
= ~b · ~a, definición de producto escalar.

Luego ~a · ~b = ~b · ~a por
2 a .
4

Ejemplo 21. Dados los vectores

   
4 1
   
−3 −1
~
~a =   y b = 
−2 ,
  
1
   
0 1
20 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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 inventó en el ejercicio 42,
verifique la parte 1 del teorema 4.

Prueba de 2.
1
Sean ~a = [ai ], ~b = [bi ] y ~c = [ci ] n-vectores, hipótesis
2
(~a + ~b) · ~c = (a1 + b1 )c1 + (a2 + b2 )c2 + · · · + por suma de vectores
(an + bn )cn , y producto escalar
3
= a1 c1 + b1 c1 + a2 c2 + b2 c2 + · · · +
an cn + bn cn , distributividad en R
4
= (a1 c1 + a2 c2 + · · · + an cn )+
(b1 c1 + b2 c2 + · · · + bn cn ), conmutatividad en R
5
= ~a · ~c + ~b · ~c, producto escalar.
Luego (~a + ~b) · ~c = ~a · ~c + ~b · ~c por
2 a .
5

Ejemplo 22. Dados los vectores

    
4 1 −1
     
−3
~b = −1 y ~c =  2  ,
   
~a = 
 1 ,

−2 3
     
0 1 −1

entonces
     
4 −11
     
−3 −1  2 
~
(~a + b) · ~c = 
 1  + −2 ·  3 
     
     
0 1 −1
 Matrices y sistemas de ecuaciones lineales 21

   
5 −1
   
−4  2 
−1 ·  3 
=   
   
1 −1
= (−5) × 1 + (−4) × 2 + (−1) × 3 + 1 × (−1) = −17

y
       
4 −1 1 −1
       
−3  2  −1  2 
~a · ~c + ~b · ~c = 
 1  ·  3  + −2 ·  3 
      
       
0 −1 1 −1
= [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

     
1 3 −3
     
−2
 ~ 0
  2
 2  , b = −2 y ~c =  1  ,
~a =   
     
3 1 0

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 veri-

fique este numeral.

Ejercicio 46. Elaborar las pruebas de las partes 4,5 y 6 e inventar un ejercicio
que verifique cada numeral.

Definición 17 (Multiplicación de matrices). Sean Am×p = [aik ] y Bp×n = [bkj ],

su producto es AB = Cm×n = [cij ] donde cada cij = ai1 b1j +ai2 b2j +· · ·+aip bpj =
P p
k=1 aik bkj , es decir, cada cij es la multiplicación escalar entre la fila i de la
primera matriz y la columna j de la segunda matriz.
22 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Para multiplicar dos matrices lo que primero se debe verificar es que el número
de columnas de la primera matriz debe ser igual al número de filas de la segunda
matriz; si son iguales, entonces, para hallar la matriz C resultante, cuyo tamaño
es el número de filas de la primera matriz por el número 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 ası́ 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 ası́ 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  
" # 1 2
1 −3 5  
A2×3 = y B3×2 = 
 0 3 ,

2 2 −1
1 4

encontrar AB.
Solución. Primero verificamos que la multiplicación se pueda realizar, es decir,
que el número de columnas de la primera matriz, A, sea igual al número de filas
de la segunda matriz, B: para este caso es tres, luego, sı́ se puede realizar el
producto.
 Matrices y sistemas de ecuaciones lineales 23

La matriz resultante tendrá tamaño: número de filas de la primera matriz

por número de columnas de la segunda matriz; para este caso es 2 × 2. Luego,
 
" # 1 2
1 −3 5  
AB = 0 3
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 5
BA = 0 3 2 2

−1
1 4
 
1×1+2×2 1 × (−3) + 2 × 2 1 × 5 + 2 × (−1)
 
=0 × 1 + 3 × 2 0 × (−3) + 3 × 2 0 × 5 + 3 × (−1)

1×1+4×2 1 × (−3) + 4 × 2 1 × 5 + 4 × (−1)
 
5 1 3
 
=6 6 −3 .

9 5 1

Se observa claramente que la multiplicación de matrices no es conmutativa.

Ejercicio 47. Dadas
   
0 −3 1 −1 2
   
3 4 −2 y B =  0 3 ,
A=   
2 0 5 1 4

encontrar AB.
 
−5
1
 
−5 10 .
Respuesta:  
3 24
24 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejemplo 24. A cualquier matriz Am×n al multiplicarla por la correspondiente

matriz identidad se obtiene nuevamente A, es decir, Im Am×n = Am×n In = A.
Por ejemplo: sea
 
5 1
 
A=  1 0,

−5 7

entonces
      
1 0 0 5 1 5 1 " # 5 1
0 1 0  1 0 =  1 0 1 0 =  1 0 .
      
     0 1  
0 0 1 −5 7 −5 7 −5 7

Ejemplo 25 (Suma y multiplicación de matrices). Dadas

     
5 0 1 1 0 3 3 1
     
A= −3 4 −3  , B = 4 −4 1 y C = 1 2 ,
   
−1 2 −2 1 −3 2 0 4

encontrar (A + B)C.
Solución.
     
5 0 1 1 0 3 3 1
     
(A + B)C = 
−3
 4 −3 + 4 −4 1 1 2
  
−1 2 −2 1 −3 2 0 4
  
6 0 4 3 1
  
= 1 0
 −2 1 2
 
0 −1 0 0 4
 
6×3+0×1+4×0 6×1+0×2+4×4
 
=
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
     
A=  3 4 2 , B = 4 2
  1  yC= 3
  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 centı́metros de hilo (h), un dije (d) y 5 minutos de mano de obra
(o); para cada me emplea 30 centı́metros 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 centı́metro 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 producción.
Solución. Si representemos, mediante una matriz las componentes de cada ma-
nilla:

h d o
" #
ms 20 1 5
A=
me 30 2 10

y mediante otra matriz los costos de cada componente por sucursal

c p
 
h 10 15
 
200 250 ,
B = d 
o 50 40
26 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

entonces,

c p
" #
ms 650 750
A×B = .
me 1200 1350

Lo anterior significa que el valor de producción de una manilla sencilla en la

ciudad es de $650, mientras que en el pueblo es de $750. Y que el valor de
producción 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 in-
dividuos han contraı́do 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 A3×5
 
0 1 1 0 1
 
A= 0 0 0 0 1 ,

1 1 0 0 1

donde aij = 1 si la i-ésima persona del primer grupo contagia a la j-ésima persona
del segundo grupo. Por ejemplo, a1,2 = 1 significa que la primera persona del
primer grupo contagió 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-ésima persona del segundo grupo infectó a la
j-ésima persona del tercer grupo. Por ejemplo, b5,1 = 1 significa que la quinta
persona del segundo grupo (infectada) entró en contacto con la primera persona
del tercer grupo y la infectó.
 Matrices y sistemas de ecuaciones lineales 27

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

tercer grupos se representan mediante la matriz C = (AB)3×4 . 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 través de la segunda persona del grupo 2) con la primera persona del grupo
1. El número total de contagios indirectos entre la primera persona del grupo 1
y la tercera persona del grupo 3 está dado por

c13 = a11 b13 + a12 b23 + a13 b33 + a14 b43 + a15 b53
=0×1+1×1+1×1+0×0+1×0
= 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 (Transmisión de datos). En las comunicaciones actuales la trans-

misión de datos se realiza mediante el envı́o de grupos de bits, unos y ceros,
llamados palabras. A veces, durante las transmisiones ocurren errores, por ejem-
plo, el emisor envı́a la palabra 0100, pero se recibe 0101. Para solucionar el
problema existen códigos correctores, por ejemplo, para enviar 0100 se envı́a
0100101. Suponga que el receptor recibe 0101101, entonces, de alguna forma, él
sabe que hay un error, pues esta última palabra no hace parte de su acervo. El re-
ceptor, mediante algún 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 siguien-
tes:

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 transmi-
tidas para que el receptor determine si la palabra recibida es correcta o no. Para
28 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

ello realice la multiplicación de matrices

 
1 0 0 0 0 1 0
 
0 1 0 0 1 0 1
[x1 x2 x3 x4 ] 
0 0
,
 1 0 1 1 0

0 0 0 1 1 1 1

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

Nota. Sume en binario módulo dos, es decir, 0 + 0 = 0, 0 + 1 = 1, 1 + 0 = 1,
1 + 1 = 0.
Ejercicio 50. De los ejercicios propuestos en esta sección, entregue en forma
escrita, a su docente, aquellos que él le indique.

1.3 Propiedades de las operaciones con matrices

Teorema 5 (De la suma). Sean A, B, C matrices de tamaño m × n, entonces

1. A + B = B + A (conmutatividad).

2. A + (B + C) = (A + B) + C (asociatividad).

3. Existe una única matriz Om×n tal que A + O = O + A = A (matriz nula).

4. Para toda matriz Am×n existe una única matriz Dm×n 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 ] ∈ Mm×n , hipótesis
2
A + (B + C) = D = [dij ] ∈ Mm×n , suma de matrices
Ahora, para i = 1, . . . , m y j = 1, . . . , n
3
dij = aij + (bij + cij ) def. de suma de matrices
4
= (aij + bij ) + cij asociatividad en R
5
D = (A + B) + C, 3 y .
de 4
2 a .
Luego, A + (B + C) = (A + B) + C por 5
 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 multiplicación). Sean las matrices A, B y C de los tamaños

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 ] ∈ Mm×p , hipótesis
2
B = [bij ] y C = [cij ] ∈ Mp×n , hipótesis
3
A(B + C) = D = [dij ] ∈ Mm×n , suma y multiplicación de matrices
Ahora, para i = 1, . . . , m y j = 1, . . . , n
p
P
4
dij = aik (bkj + ckj ) definición de suma y
k=1
Pp multiplicación de matrices
5
= (aik bkj + aik ckj ), distributividad en R
k=1
Pp p
P
6
= aik bkj + aik ckj , propiedad de sumatoria
k=1 k=1
7
D = AB + AC, definición de multiplicación de matrices.
3 a .
Luego A(B + C) = AB + AC, por 7

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 multiplicación por un escalar). Sean r, s escalares y A y B

matrices de los tamaños adecuados, entonces:

1. r(sA) = (rs)A.

2. (r + s)A = rA + sA.
30 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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 ] ∈ Mm×n , hipótesis
2
r es un escalar, hipótesis
3
r(A + B) = C = [cij ] ∈ Mm×n , suma de matrices y
multiplicación por un escalar
Ahora, para i = 1, . . . , m y j = 1, . . . , n
4
cij = r(aij + bij ), definición de suma de matrices
y multiplicación por un escalar
5
= raij + rbij , distributividad en R
6
C = rA + rB, 4 y .
por 5
3 = .
Luego, r(A + B) = rA + rB por 6

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 involu-
crada una matriz de 100 millones de entradas y se viese enfrentad@ a realizar
la operación r(sA), ¿realizarı́a esta operación? O aplicarı́a la primera propiedad
del teorema 7, r(sA) = (rs)A, para ejecutar (rs)A. Puede justificar su respuesta
sin usar términos matemáticos.
Teorema 8 (De la transpuesta). Sean r un escalar y A y B matrices de los
tamaños apropiados, entonces

T
1. AT = A.

2. (A + B)T = AT + B T .

3. (AB)T = B T AT .

4. (rA)T = rAT .
 Matrices y sistemas de ecuaciones lineales 31

Ejemplo 28. Dadas

   
4 0 1 0 2 3
   
A=
−3 5 0 y B = 4 −3 1 ,
 
−1 2 −6 2 −1 5

verificar (A + B)T = AT + B T .
Solución.
Veamos a qué es igual (A + B)T .
   T
4 0 1 0 2 3
   
(A + B)T = 
−3 5 0  + 4 −3 1
   
−1 2 −6 2 −1 5
 T
4 2 4
 
= 1 2 1 
  

1 1 −1
 
4 1 1
 
=2 2 1  .

4 1 −1

Ahora veamos a qué es igual AT + B T .

 T  T
4 0 1 0 2 3
T T
   
A + B = −3 5 0  + 4
   −3 1
−1 2 −6 2 −1 5
   
4 −3 −1 0 4 2
   
= 0 5
 2  + 2
  −3 −1
1 0 −6 3 1 5
 
4 1 1
 
2 2 1  .
= 
4 1 −1

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

teorema 8.
32 Conceptos básicos de Álgebra 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 sección, entregue en forma

escrita, a su docente, aquellos que él le indique.

1.4 Solución de sistemas de ecuaciones lineales

La palabra ecuación proviene del latı́n aequatio que significa igualdad. Una ecua-
ción es una igualdad en la que hay algunas cantidades desconocidas; por ejemplo,
3x + 2y = 5 es una ecuación en la que hay dos incógnitas: la x y la y llamadas
variables. La pregunta es, ¿cuál par de valores satisface la ecuación? Observe que
x = 1 y y = 1 cumplen. ¿Existen otros valores que cumplen esta igualdad? La
respuesta es sı́, de hecho, en este caso, hay infinitos.
Una ecuación lineal es aquella ecuación donde todas las variables están ele-
vadas a la potencia uno. De ecuaciones lineales es sobre lo que hablaremos en
este texto. En general, una ecuación lineal, de n incógnitas, 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 término 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 incógnitas. 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 33

    
a11 a12 ··· a1n x1 b1
    
 a21 a22 · · · a2n   x2   b2 
    
 . .. ..    =  ,
 .. . .   ...   ... 
    
am1 am2 · · · amn xn bm

que en forma abreviada se representa como

A~x = ~b .

La matriz A es llamada matriz de coeficientes. Además, al agregar el vector ~b a

la matriz A obtenemos la matriz aumentada

 
..
a11 a12 ··· a1n . b1
 
 .. 
h
.. ~
i a21 a22 · · · a2n . b2 
A.b = 
 .. .. .. .. ..  .

 . . . . . 
 
..
am1 am2 · · · amn . bm

Ejemplo 29. El sistema lineal

7x1 + 4x2 − 3x3 = 8

5x1 − 2x2 + x3 = 4
6x1 − 3x2 + 6x3 = 9

puede ser representado matricialmente como

    
7 4 −3 x1 8
    
5 −2 1  x2  = 4 ,
    
6 −3 6 x3 9

donde su matriz aumentada es

 
..
7 4 −3 . 8
. 
5 −2 1 .. 4 .

 
..
6 −3 6 . 9
34 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Definición 18 (Matriz escalonada reducida). Una matriz Am×n está en forma

escalonada reducida por filas si cumple las siguientes caracterı́sticas:

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 número no nulo es un uno. Y, antes de él,

si hay números, 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 demás elementos de la

correspondiente columna son ceros.

Una matriz Am×n que satisface las tres primeras propiedades es llamada escalo-
nada por filas.

Ejemplo 30. Las matrices

     
1 0 0 1 0 −3 1 0 0 0 −6
     
A= 0 1 0 , B = 0 1 0  y C = 0 0 1 0 7 
    
0 0 1 0 0 0 0 0 0 1 0

están en forma escalonada reducida por filas.

Las matrices
     
1 0 −4 1 3 3 1 0 3 −2 4
     
A=  0 1 0  , B = 0 1 0 y C = 0 0 1 0 −1
    
0 0 1 0 0 0 0 0 0 1 0

están en forma escalonada por filas.

Nota. Las definiciones y operaciones que se realicen con las filas también se
pueden realizar con las columnas en forma similar. Para simplificar, solo traba-
jaremos con filas.

Definición 19 (Operaciones elementales fila). Son tres las operaciones elemen-

tales fila permitidas en las matrices:

1. fi ↔ fj : intercambie las filas i y la j.

 Matrices y sistemas de ecuaciones lineales 35

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

3. fi ← fi + cfj : a la fila i ası́gnele la fila i más c veces la fila j.

Ejemplo 31. Mediante operaciones elementales fila, convierta la matriz aumen-

tada
 
..
2 1 1 . 1
h i 
.. ~  .. 
A.b =  2 −1 1 . −3

.
1 1 −1 .. 0

en escalonada reducida.
Solución.
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 ele-

mentales fila, tenemos:
   
.. ..
1 1 −1 . 0  1 1 −1 . 0 
..  f2 ←− f2 − 2f1  .
−3 3 .. −3
 
f1 ←→ f3 2 −1 1 . −3
 f3 ←− f3 − 2f1 0

 
. ..
2 1 1 .. 1 0 −1 3 . 1
   
. .
 1 1 −1 .. 0 1 0 0 .. −1
1

 ..  f1 ←− f1 − f2  .
1 −1 .. 1 

f2 ←− − 3 f2 0 1 −1 . 1
f3 ←− f3 + f2 0

  
.. ..
0 −1 3 . 1 0 0 2 . 2
   
.. .
1 0 0 . −1 1 0 0 .. −1
. .
f3 ←− 21 f3 0 1 −1 .. 1  1 0 .. 2 
   
f2 ←− f2 + f3 0 .
   
.. ..
0 0 1 . 1 0 0 1 . 1
36 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Nota. siempre determine un uno principal como pivote y realice las operaciones
elementales fila alrededor de él. No hacerlo puede generar errores como
   
.. ..
 1 1 1 . 3   1 1 1 . 3 
 ..  f2 ←− f2 − f3  .. 
;
 f3 ←− f3 − f2 0 −1 0 . −1
1 3 1 . 5 

. .
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 más adelante, es un error.
¡Atención! 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, llévela a escalonada reducida mediante operaciones elementales

fila.
Respuesta.
 
..
1 0 0 . 2
. 
0 1 0 .. 3 .

 
..
0 0 1 . 4

Definición 20 (Matrices equivalentes). Dos matrices Am×n y Bm×n son equi-

valentes 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 sı́.
 Matrices y sistemas de ecuaciones lineales 37

Teorema 9. Toda matriz Am×n 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 penúltima
matriz
 
..
1 0 0 . −1
.
0 1 −1 .. 1  ,
 
 
..
0 0 1 . 1

la cual está en forma escalonada.

Teorema 10. Toda matriz Am×n es equivalente por filas a una única matriz
escalonada reducida por filas.
h . i
En el ejemplo 31, la matriz A .. ~b es equivalente por filas a la última matriz
 
..
1 0 0 . −1
.
0 1 0 .. 2  ,
 
 
..
0 0 1 . 1

la cual está en forma escalonada reducida. Además, gracias al teorema 10, po-
demos asegurar que esta es la única matriz escalonada reducida equivalente por
h . i
filas a la matriz A .. ~b , es decir, no existe otra.

Teorema 11. Dados dos sistemas lineales A~x = ~b y C~x = d,~ cada uno con
h . i h . i
m ecuaciones y n incógnitas. Si las matrices aumentadas A..~b y C ..d~ son
equivalentes por filas, entonces los dos sistemas tienen la misma solución.
h . i
Ejemplo 32. En el ejemplo 31, la matriz aumentada A .. ~b y la última matriz
aumentada, equivalente por filas, representan dos sistemas lineales diferentes que
tienen exactamente la misma solución, es decir,
   
.. ..
2 1 1 . 1 1 0 0 . −1
.. .
2 −1 1 . −3 y 0 1 0 .. 2 
   
   
.. ..
1 1 −1 . 0 0 0 1 . 1
38 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

representan los sistemas lineales

2x1 + x2 + x3 = 1 x1 + 0x2 + 0x3 = −1

2x1 − x2 + x3 = −3 y 0x1 + x2 + 0x3 = 2
x1 + x2 − x3 = 0 0x1 + 0x2 + x3 = 1 ,

respectivamente; y aunque ambos sistemas lineales son diferentes, tienen la mis-

ma solución por sus matrices aumentadas ser equivalentes entre sı́.
El asunto es que del segundo sistema lineal podemos leer directamente la
solución, la cual es
   
x −1
 1  
~x = x2  =  2 
  
,
x3 1

que, por tanto, es la solución del primer sistema lineal.

Definición 21 (Rango de una matriz). El rango de una matriz A es el número

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 lleva-
mos a su forma escalonada reducida por filas, entonces, de acuerdo al teorema
11, el nuevo sistema, representado por la matriz escalonada reducida por filas,
tendrá exactamente la misma solución que el sistema original.
Para solucionar sistemas lineales la idea es tomar su matriz aumentada y
llevarla a escalonada reducida. En esta última es posible leer la solución del
sistema directamente. Este método se denomina reducción de Gauss–Jordan. Si
la matriz aumentada solo se lleva a escalonada, entonces el método es denominado
eliminación de Gauss. Veamos varios ejemplos.

Ejemplo 33 (Gauss–Jordan). Determinar los valores de x1 , x2 y x3 que solu-

cionan el sistema

x1 + x2 − x3 = −1
2x1 − x2 + x3 = 1
−x1 + 2x2 + x3 = 4 .
 Matrices y sistemas de ecuaciones lineales 39

Solución.  
.
1 1 −1 .. −1
.
1 .. 1 
 
La matriz aumentada correspondiente es  2 −1 .
 
.
−1 2 1 .. 4
 
..
1 0 0 . a
. 
0 .. b 

El objetivo es llevar esta matriz a la forma 0 1 , si es posible.
 
.
0 0 1 .. c
Entonces por medio de operaciones elementales fila tenemos
   
.. ..
1 1 −1 . −1 1 1 −1 . −1
f2 ←− f2 − 2f1  ..   .. 
f2 ←→ f3 0 3
f3 ←− f3 + f1 0 −3 3 . 3  0 . 3
 
 
.. ..
0 3 0 . 3 0 −3 3 . 3
   
. .
1 1 −1 .. −1 1 0 0 .. 0
1
f2 ←− 3 f2 
.  f1 ←− f1 + f3 

..
0 .. 1 
 
0 1 .
 f3 ←− f3 + f2 0 1 0 . 1

f3 ←− 13 f3  
. .
0 −1 1 .. 1 0 0 1 .. 2

Luego, la solución del sistema es

  

x1 0
   
~x = x2  = 1
  
.
x3 2

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 también 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.
40 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

   
x 1
 1  
~x = x2  = 2
  
.
x3 3

Ejemplo 34 (Gauss–Jordan). Encontrar los valores de x1 , x2 y x3 que solucio-

nan el sistema
3x1 + x2 + 2x3 = 13
x2 − x3 = −5
x1 + x3 = 6 .

Solución. 
3x1 + x2 + 2x3
 = 13
Reorganizando el sistema se tiene 0x1 + x2 − x3 = −5


x1 + 0x2 + x3 = 6.
 
..
3 1 2 . 13 
.
1 −1 .. −5
 
La matriz aumentada es 0 .
 
.
1 0 1 .. 6
Entonces, por medio de operaciones elementales fila, tenemos
   
.. ..
1 0 1 . 6 1 0 1 . 6 
. .
1 −1 .. −5 f3 ←− f3 − 3f1 0 1 −1 .. −5
   
f1 ←→ f3 0
   
.. ..
3 1 2 . 13 0 1 −1 . −5
 
..
1 0 1 . 6
.
1 −1 .. −5
 
f3 ←− f3 − f2 0 .
 
.
0 0 0 .. 0
  
x1 + x3 = 6 x1 = 6 − x3 x1 = 6 − r
⇒ ⇒ Sea x3 = r ∈ R, entonces
x2 − x3 = −5. x2 = x3 − 5. x2 = r − 5.
   
x1 6−r
   
Ası́  x 2
  
 = r − 5 .

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 también 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.
  
x1 4 − 2r
   
x2  =  3 − r  , con r ∈ R.
~x =    
x3 r

Ejemplo 35 (Gauss–Jordan). Encontrar los valores de x1 , x2 y x3 que solucio-

nan el sistema

3x1 + x2 + 2x3 = 13
x2 − x3 = −5
x1 + x3 = 10 .

Solución.
Reorganizando el sistema se tiene

3x1 + x2 + 2x3
 = 13
0x1 + x2 − x3 = −5


x1 + 0x2 + x3 = 10 .

La matriz aumentada es
 
..
3 1 2 . 13 
 .. 
0 1 −1 . −5 .
 
..
1 0 1 . 10
42 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Entonces, por medio de operaciones elementales fila, tenemos

   
.. ..
1 0 1 . 10  1 0 1 . 6 
 ..   .. 
f1 ←→ f3 0 1 −1 . −5 f3 ←− f3 − 3f1 0 1 −1 . −5 
   
.. ..
3 1 2 . 13 0 1 −1 . −17
   
. ..
1 0 1 .. 6  1 0 1 . 6
 ..  1   ..


f3 ←− f3 − f2 0 1 −1 . −5  f ←− − f
12 0 1 −1 . −5
3 3 
 
.. ..
0 0 0 . −12 0 0 0 . 1
 
.
1 0 1 .. 0
f1 ←− f1 − 6f3  . 
f2 ←− f2 + 5f3 0
 1 −1 .. 0 
.
..
0 0 0 . 1

De la tercera fila obtenemos que 0x1 + 0x2 + 0x3 = 1, lo cual es absurdo; luego
el sistema no tiene solución.
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 au-

mentada correspondiente, obtenemos que 0x1 +0x2 +0x3 = 2, lo cual es absurdo;
luego el sistema no tiene solución.

Ejemplo 36 (Gauss–Jordan). 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 .
 Matrices y sistemas de ecuaciones lineales 43

Solución. 


 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
1 2 3 4 = 2.
 
.
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
   
.. ..
1 1 1 1 . 2 1 1 1 1 . 2
   
 ..   .. 
1
f1 ←→ f4 0 1 0 . 0  f2 ←− f2 − f10
 −1 0 −1 . −2 
f2 ←→ f3 ..  f4 ←− f4 − 2f1 .. 
0
 4 −1 1 . 9  
0
 4 −1 1 . 9  
.. ..
2 −1 1 0 . −1 0 −3 −1 −2 . −5
   
. .
1 1 1 1 .. 2 1 0 1 0 .. 0
   
f2 ←− −f2  ..  f1 ←− f1 − f2  .. 
0 1 0 1 . 2 0 1 0 1 . 2
f3 ←− f3 + 4f2 
 ..  f3 ←− −f3
 
 ..


0 0
f4 ←− f4 − 3f2  −1 −3 . 1  f4 ←− f4 − f3 0
 0 1 3 . −1 
.. ..
0 0 −1 1 . 1 0 0 0 4 . 0
   
. .
1 0 0 −3 .. 1 1 0 0 0 .. 1
   
..  f1 ←− f1 + 3f4  .
1 0 0 .. 2 
 
0
f1 ←− f1 − f3  1 0 1 . 2  f2 ←− f2 − f4 0

1 .
f4 ←− 4 f4  ..   . 
0
 0 1 3 . −1  f 3 ←− f 3 − 3f 4
0
 0 1 0 .. −1 
.. .
0 0 0 1 . 0 0 0 0 1 .. 0
   
x1 1
   
 x2   2 
Entonces x1 = 1, x2 = 2, x3 = −1 y x4 = 0 o ~x = 
x  = −1 .
  
 3  
x4 0
44 Conceptos básicos de Álgebra 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 también es cuatro.
Ejercicio 64 (Gauss–Jordan: circuitos eléctricos). Un circuito eléctrico sencillo
está constituido por baterı́as ( - + ), resistencias ( ) y cables eléctricos (—)
que los unen. La figura 1.3 ilustra un circuito eléctrico

- + I1

V: voltios - + I2
Ω: ohmios
I: intensidad

I3

Figura 1.3: circuito eléctrico

Se desea saber cuáles son las intensidades I1 , I2 e I3 (en amperios) que cir-
culan 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 método de Gauss–Jordan, determinar los valores de las tres in-

tensidades de corriente.
Respuesta.
   
I 1
 1  
I~ = 
I2  = 1 .
  
I3 1

Teorema 12 (Rouché-Fröbenius). Un sistema de m ecuaciones lineales y n

incógnitas, A~x = ~b, tiene solución 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
solución es única. 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 solución. Observe el ejemplo 35.

Ejemplo 37 (Gauss–Jordan). 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 solución. Explicar porqué.

2. Tenga infinitas soluciones, explicar porqué. Encontrar las soluciones.

3. Tenga solución única, explicar porqué. Determinar alguna solución.

Solución. La correspondiente matriz aumentada y la solución, a continuación

   
.. .
 2 2 a . b − 4  1 2 1 .. 0 
.. .
1 −2 ..
   
1 1 −2 . 0  f1 ←→ f3 1 0 
   
. .
1 2 1 .. 0 2 2 a .. b − 4

   
.. ..
1 2 1 . 0  f ← f + 2f
1 1 2 1 0 −5 . 0 
f2 ← f2 − f1  ..   .. 
0 −1 −3 . 0  2
 f ← (−1)f 2 0 1 3 . 0  .
f3 ← f3 −2f1   
.. f3 ← f3 − 2f2 .
0 −2 a − 2 . b − 4 0 0 a + 4 .. b − 4

Entonces:

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

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

46 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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

solución.
Veamos
1. No tenga solución
Si a = −4 y b = 0, entonces
   
.. ..
 1 0 −5 . 0   1 0 −5 . 0 
.
. 
0 1 3 .. 0  f3 ← − 14 f3 0 1 3 .. 0
  
   
. .
0 0 0 .. −4 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 solución.
h . i
Además, observe que el rango de A es dos y el de A .. ~b es tres, por lo
tanto, el sistema no tiene solución 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,
   
x1 5r
   
~x =  x 2
  
 = −3r .

x3 r
h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que la
cantidad de incógnitas (tres); lo que implica infinitas soluciones de acuerdo
al teorema 12.
 Matrices y sistemas de ecuaciones lineales 47

3. Solución única
Si a = −3 y b = 5, entonces tenemos
   
.. ..
1 0 −5 . 0 1 0 0 . 5 
.  f1 ←− f1 + 5f3  .
0 1 3 .. 0 0 1 0 .. −3 .
 
  f2 ←− f2 − 3f3  
.. ..
0 0 1 . 1 0 0 1 . 1

Luego, la solución del sistema es

   
x1 5
   
x2  = −3
~x =    
x3 1
h . i
Observe que el rango de A es igual al de A .. ~b y también es igual a la
cantidad de incógnitas (tres), lo que implica solución única de acuerdo al
teorema 12.
Ejemplo 38 (Gauss–Jordan). 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 solución, explicar porqué.

2. Tenga infinitas soluciones, explicar porqué. Determinar los valores de x1 ,
x2 y x3 .
3. Tenga solución única, explicar porqué. Determinar los valores de x1 , x2 y
x3 para algún a.

Solución.
La matriz aumentada es
 
..
1 1 −2 . −2 
 .. 
2 3 −2 . 1  ,
 
..
1 3 a2 − 2 . a+6
48 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

entonces
   
.. ..
 1 1 −2 . −2  1 0 −4 . −7 
f2 ← f2 −2f1  ..  f1 ← f1 − f2  .. 
.
f3 ← f3 − f1 0 1 2 . 5  f3 ← f3 −2f2 0 1 2 . 5 
 

. ..
0 2 a2 .. a + 8 0 0 a2 − 4 . a−2
Para que el sistema:
1. No tenga solución.
Con a = −2, tenemos
   
.. ..
1 0 −4 . −7 1 0 −4 . −7
.. 1

.
f3 ← − 4 f3 0 1 2 .. 5 
   
0 1 2 . 5
   
.. ..
0 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 solución por el teorema 12.
Además, de la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo
tanto el sistema no tiene solución.
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,
   
x1 4r − 7
   
x2  = 5 − 2r  .
~x =    
x3 r
 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 incógnitas (tres), lo que implica infinitas soluciones por el
teorema 12.

3. Solución única.
Con a 6= ±2 tenemos una única solución, pues en la tercera fila no tendrı́amos
una inconsistencia como con a = −2 y tampoco se anuları́a 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
 
..
1 0 0 . −3 
f1 ← f1 + 4f3  .
0 1 0 .. 3  .

f2 ← f2 − 2f3  
.
0 0 1 .. 1

Entonces, la solución del sistema es

   
x −3
 1  
~x = 
 x2  =  3  .
  
x3 1
h . i
Observe que el rango de A es igual al de A .. ~b y es igual al número de
incógnitas (tres); lo que implica una única solución 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 solución, explicar porqué.

2. Tenga infinitas soluciones, explicar porqué. Determinar los valores de x1 ,

x2 y x3 .
50 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

3. Tenga solución única, explicar porqué. Determinar los valores de x1 , x2 y

x3 para algún a.

Solución.
La matriz aumentada es
 
..
1 1 1 . 2 
 .. 
2 3 3 . 3  ,
 
..
3 3 a2 + 2 . a+5

entonces
 
..
1 1 1 . 2 
f2 ← f2 −2f1  .. 
f3 ← f3 −3f1 0
 1 1 . −1  
.
0 0 a2 − 1 .. a − 1
 
..
1 0 0 . 3 
 .. 
f1 ← f1 − f2 0 1 1 . −1  .
 
.
0 0 (a − 1)(a + 1) .. a − 1

Para que el sistema:

1. No tenga solución.
Con a = −1, tenemos
   
.. ..
1 0 0 . 3  1 0 0 . 3 
.
.
0 1 1 .. −1f3 ← − 21 f3 0 1 1 .. −1
   
   
.. ..
0 0 0 . −2 0 0 0 . 1
 
..
1 0 0 . 0
f2 ← f2 + f3  .. 
.
f1 ← f1 −3f3 0 1 1 . 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 solución por el teorema 12.
 Matrices y sistemas de ecuaciones lineales 51

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

tanto el sistema no tiene solución.

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,
   
x1 3
   
~x =  x 2
  
 = −1 − r .

x3 r
h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que
la cantidad de incógnitas (tres), lo que implica infinitas soluciones por el
teorema 12.

3. Solución única.
Con a 6= ±1 tenemos una única solución, pues en la tercera fila no tendrı́amos
una inconsistencia como con a = −1 y tampoco se anuları́a 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 solución del sistema es

   
x 3
 1  
~x = x2  = −2
  
.
x3 1
52 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

h . i
Observe que el rango de A es igual al de A .. ~b y es igual al número de
incógnitas (tres); lo que implica una única solución 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 solución, explicar porqué.

2. Tenga infinitas soluciones, explicar porqué. Determinar los valores de x1 ,

x2 y x3 .

3. Tenga solución única, explicar porqué. Determinar los valores de x1 , x2 y

x3 para algún a.

Respuesta. Con a = −2 no hay solución; con a = 2 se obtienen infinitas solu-

ciones de la forma (~x)T = [3 − s, −1 + 2s, s], s ∈ R; y con a 6= ±2 se obtiene una
única solución, por ejemplo, con a = 0 se obtiene (~x)T = [5/2, 0, 1/2].

Sistema lineal homogéneo

Un sistema lineal de m ecuaciones y n incógnitas 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 homogéneo. Su representación matricial es

    
a11 a12 · · · a1n x1 0
    
 a21 a22 · · · a2n   x2  0
    
 . .. ..    =  ,
 .. . .   ...   ... 
    
am1 am2 · · · amn xn 0
 Matrices y sistemas de ecuaciones lineales 53

que en forma abreviada es

A~x = ~0 .

Una solución de este sistema es la llamada trivial, que es x1 = x2 = · · · =

xn = 0. Una solución donde no todas las xi sean cero es llamada no trivial.
Teorema 13. Un sistema de ecuaciones homogéneo siempre tiene solución no
trivial si el número de ecuaciones es menor que el de incógnitas.
Ejemplo 40. Encontrar la solución del siguiente sistema homogéneo.
4x1 + x2 + x3 = 0
5x1 − x2 − x3 = 0 .
Solución.
La matriz aumentada es
 
..
4 1 1 . 0
 ,
..
5 −1 −1 . 0
entonces, por medio de operaciones elementales fila, tenemos
   
.. ..
9 0 0 . 0 1 0 0 . 0
f1 ←− f1 + f2  ..
 f1 ←− 19 f1  ..

5 −1 −1 . 0 5 −1 −1 . 0
   
. .
1 0 0 .. 0 1 0 0 .. 0
f2 ←− f2 − 5f1 
.
 f2 ←− (−1)f2 
.
.
0 −1 −1 .. 0 0 1 1 .. 0

x1 = 0
⇒ Si x3 = r ∈ R, entonces x2 = −r. Ası́,
x2 + x3 = 0.
   
x 0
 1  
~x =  x2  = −r .
  
x3 r

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 número de incógnitas, que es tres, lo
que implica infinitas soluciones por el teorema 12.
54 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejercicio 66. Por Gauss–Jordan, determinar la solución del sistema homogéneo

4x1 + 8x2 − 8x3 = 0

2x1 − 2x2 − 2x3 = 0 .
4 r

Respuesta. (~x)T = 3 r, 3 , r , con r ∈ R.

Teorema 14. Si A ∈ Mm×n , entonces el sistema homogéneo A~x = ~0 tiene:

1. Infinitas soluciones si el rango de A es menor que n.

2. Una única solución, la trivial, si el rango de A es igual a n

Ejercicio 67. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.

1.5 Inversa de una matriz

Definición 22 (Matriz invertible). Una matriz A ∈ Mn×n es invertible o no

singular si existe (∃) B ∈ Mn×n tal que AB = BA = In , es decir, una matriz
cuadrada tiene inversa si existe otra matriz cuadrada de igual tamaño tal que al
multiplicarlas entre sı́, en cualquier orden, se obtiene la matriz identidad.

Ejemplo 41. Dadas

" # " #
2 3 4/5 −3/5
A= y B= ,
1 4 −1/5 2/5

verifiquemos que B es inversa de A.

Solución.
" #" #
2 3 4/5 −3/5
AB =
−1/5 2/5
1 4
" " # #!
2 3 1 4 −3
=
1 4 5 −1 2
" #" #
1 2 3 4 −3
=
5 1 4 −1 2
 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 también obtendrá I2 .
Ejercicio 68. Dadas
" # " #
3 7 5 −7
A= y B= ,
2 5 −2 3
verifique que B es inversa de A. Realice AB y BA.

Observe que aunque la multiplicación de matrices no es en general conmuta-

tiva, este es uno de esos casos donde sı́ lo es.
De ahora en adelante, a la inversa de A la denotaremos como A−1 , entonces,
si A−1 existe
AA−1 = A−1 A = In .

¿Cómo determinar la inversa de una matriz?

Suponga que desea saber si A ∈ Mn×n es invertible y en caso de serlo en-
contrar A−1 . 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, obtendrá la matriz [B .. C]
3. Si B = In , entonces A−1 = C.
Si B tiene al menos una fila de ceros, entonces A no es invertible.
Ejemplo 42. Dada
 
3 5 1
 
A=
1 2 ,
3 
−1 −3 −12
56 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

encontrar A−1 .
Solución.
 
..
3 5 1 ..
..
1 0 0
1 2 3 0 1 0
.
−1 −3 −12 .. 0 0 1
 
..
1 2 3 ..
..
0 1 0
f1 ↔ f2  3 5 1 1 0 0
.
−1 −3 −12 .. 0 0 1
 
..
f2 ← f2 − 3f1 1 2 3 .. 0 1 0
.. 1 −3 0
0 −1 −8
f3 ← f3 + f1 ..
0 −1 −9 . 0 1 1
 
f1 ← f1 + 2f2 1 0 ..
−13 .. 2 −5 0
f2 ← −f2

0 1 8 .. −1 3 0
.
f3 ← f3 − f2 0 0 −1 .. −1 4 1
 
f2 ← f2 + 8f3 1 0 ..
0 .. 15 −57 −13
0 ... −9 35

f1 ← f1 − 13f3 0 1 8 
f3 ← −f3 0 0 1 .. 1 −4 −1

Entonces,
 
15 −57 −13
 
A−1 = 
−9 35 8 .
1 −4 −1

Ejercicio 69. Verifique el ejemplo 42, es decir, verifique que AA−1 = I3 .

Ejercicio 70. Si
" #
3 −2
A= ,
1 2

determinar A−1 . Verifique su respuesta.

" #
−1 1 2 2
Respuesta. A = 8 .
−1 3
 Matrices y sistemas de ecuaciones lineales 57

Ejercicio 71. Sea

" #
2 3
A=
1 4

la matriz del ejemplo 41, determinar A−1 mediante el método enseñado.

" #
1 4 −3
Respuesta. A−1 = 5 .
−1 2

Ejercicio 72. Sea

" #
a b
A= ,
c d

determinar A−1 . ¿Qué condiciones deben cumplir a, b, c y d para que la inversa

exista?
" #
1 d −b
Respuesta. A−1 = ad−bc y (ad − bc) 6= 0.
−c a

Teorema 15. Si una matriz tiene inversa, entonces es única.

Hasta ahora, hemos realizado pruebas en las que partiendo de una hipótesis
H llegamos a una tesis T a través de inferencias lógicas (pasos) =⇒, es decir,
H =⇒ T . Pues bien, está demostrado que otra forma de probar es negando la tesis
∼T y, a través de inferencias lógicas =⇒, llegamos a una negación de la hipótesis
∼H, es decir, ∼T =⇒∼H, o llegamos a una contradicción =⇒⇐=. A este método
de demostrar se le llama reducción al absurdo o prueba por contradicción.
Por ejemplo, usted sabe que el inverso multiplicativo del 5 es 15 porque 5× 51 =
1 y es el único. Pues bien, una forma de probar que es el único 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 habı́amos dicho que b 6= 51 . Entonces es una contradicción.
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 reducción al absurdo. Veamos cómo probar
el teorema 15 por reducción al absurdo.
58 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Prueba.
1
Sea A ∈ Mn×n invertible, hipótesis
2
Suponga que existen B, C ∈ Mn×n
negación de la tesis
diferentes tales que AB = In y AC = In ,
3
B = BIn , multiplicando por la identidad
4
= B(AC), 2 en
3
5
= (BA)C, asociatividad
6
= In C, 2
por
7
= C, 3
razón de .
Como B = C, por 3 a ,
7 entonces hay una contradicción porque habı́amos su-
2
puesto en que eran diferentes. Luego, la inversa es única.

Teorema 16 (Propiedades de la inversa).

−1
1. Si A ∈ Mn×n es invertible, entonces A−1 es también invertible y A−1 =
A.

2. Si A, B ∈ Mn×n son invertibles, entonces AB es invertible y (AB)−1 =

B −1 A−1 .

−1
T
3. Si A es invertible, entonces AT = A−1 .

Prueba de 2.
 Matrices y sistemas de ecuaciones lineales 59

1
Sean A, B ∈ Mn×n invertibles, hipótesis
Entonces,
2
La inversa de (AB) es (B −1 A−1 ) si y solo si (sii)
3
(AB)(B −1 A−1 ) = I sii, definición de inversa
4
A(BB −1 )A−1 = I sii, asociatividad
5
A(I)A−1 = I sii, definición de inversa
6
AA−1 = I sii, por matriz identidad
7
I = I, 6
razón de .
Ahora,
8
La inversa de (AB) es (B −1 A−1 ) sii
9
(B −1 A−1 )(AB) = I sii, definición de inversa
10
B −1 (A−1 A)B = I sii, asociatividad
11
B −1 (I)B = I sii, definición de inversa
12
B −1 B = I sii, por matriz identidad
13
I = I, razón de 12
.
, la inversa de AB es B −1 A−1 .
2 a 13
Luego, por

Ejemplo 43.
" # " #
2 1 3 −1
1. Sea A = , su inversa es A−1 = .
5 3 −5 2
Observe

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

2. Sean
" # " # " # " #
3 7 −2 −7 2 1 2 −1
A= , A−1 = ,B = y B −1 = ,
−1 −2 1 3 3 2 −3 2

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

(a) Entonces:
" #" #
3 7 2 1
AB =
−1 −2 3 2
60 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

" #
6 + 21 3 + 14
=
−2 − 6 −1 − 4
" #
27 17
= .
−8 −5

(b) La inversa de AB es
" #
−5 −17
(AB)−1 = , por favor verifı́quelo.
8 27

(c) Ahora,
" #" #
−1 −1 2 −1 −2 −7
B A =
−3 2 3 1
" #
−4 − 1 −14 − 3
=
6+2 21 + 6
" #
−5 −17
= .
8 27

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

3. Sea
" #
2 1
A= ,
7 4

entonces
" #
T 2 7
A = .
1 4

La inversa de la transpuesta de A es
" #

−1 4 −7
AT = .
−1 2
 Matrices y sistemas de ecuaciones lineales 61

Ahora, A−1 es
" #
4 −1
,
−7 2

entonces
" #
4 −7
(A−1 )T = .
−1 2
Observe que la inversa de la transpuesta de A es igual a la transpuesta de
la inversa de A, es decir,

−1
T
AT = A−1 .
Corolario 1. Si A1 , A2 , . . . , Ap ∈ Mn×n son invertibles, entonces
A1 A2 . . . Ap
es invertible y
(A1 A2 . . . Ap )−1 = A−1 −1 −1
p . . . A2 A1 .

Teorema 17. Dados A, B ∈ Mn×n , si AB = In , entonces BA = In y B = A−1 .

Teorema 18. Una matriz A ∈ Mn×n es invertible si y solo si es equivalente
por filas a In .

Aplicación de la inversa de una matriz

Sabemos que un sistema lineal de n ecuaciones y n incógnitas puede ser expresado

como A~x = ~b. Si A es invertible, entonces podemos multiplicar a ambos lados de
esta ecuación por A−1 , luego:
A−1 (A~x) = A−1~b ,
(A−1 A)~x = A−1~b ,
In ~x = A−1~b ,
~x = A−1~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: ¿qué valores ~x deberán ser ingresados en el proceso?
La ecuación (1.1) responde a esta pregunta.
62 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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

Medellı́n se requiere comprar 2 fotocopiadoras, 7 computadores y 3 escritorios.
Si se sabe, por información de otras tres instituciones, que 1 fotocopiadora, más
3 computadores, más 2 escritorios valen $9 millones; que 2 fotocopiadoras, más
7 computadores, más 1 escritorio valen $17 millones; y que 3 fotocopiadora, más
11 computadores, más 1 escritorio valen $26 millones; entonces, ¿cuánto es el
costo por unidad y total de los artı́culos que la institución desea comprar?
Solución.
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:

     
1 3 2 f 9
     
~
A = 2 7 1 , ~x =  c  y b = 17 .
    
3 11 1 e 26

La inversa de A es
 
−4 19 −11
 
A−1 =
 1 −5 .
3 
1 −2 1

Luego, como ~x = A−1~b, entonces

    
−4 19 −11 9 1
    
~x =  1 −5
 3  17 = 2
   
.
1 −2 1 26 1

De esta forma, la institución 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, ¿requerirı́a usted resolver un nuevo sistema lineal?
 Matrices y sistemas de ecuaciones lineales 63

La respuesta es no, simplemente multiplicarı́a A−1 por el vector [6, 10, 15]T
y obtendrı́amos [1, 1, 1]T , que corresponde a los valores de cada fotocopiadora,
cada computador y cada escritorio, respectivamente. De esta forma, la institución
deberı́a invertir 2 × 1 + 7 × 1 + 3 × 1 = 12 millones.

Ejercicio 73. En el plano cartesiano un punto cualquiera (x, y) puede ser gi-
rado un ángulo φ, en dirección contraria a las manecillas del reloj, mediante la
transformación
" #" #
cos(φ) − sen(φ) x
A~v = .
sen(φ) cos(φ) y

Si se sabe que siete puntos fueron girados 90o con dicha transformación y se
obtuvo el siguiente conjunto {(−9, −3), (−2, 4), (−1, 1), (0, 0), (1, 1), (2, 4), (5, 5)},
¿cuáles fueron los puntos originales? Grafı́quelos.
" #
cos(φ) sen(φ)
Ayuda. La inversa de A es .
− sen(φ) cos(φ)
Respuesta. {(−3, 9), (4, 2), (1, 1), (0, 0), (1, −1), (4, −2), (5, −5)}.

Teorema 19. Si A ∈ Mn×n , entonces el sistema homogéneo

A~x = ~0

tiene solución 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

" # " # " #
2 4 x1 0
= .
−6 −12 x2 0
| {z } | {z } |{z}
A ~
x ~0

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

" #
..
2 4 .. 0
−6 −12 .. 0
64 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

" #
f1 ← 12 f1 1 2 ..
.. 0 .
f2 ← f2 + 3f1 0 0 .. 0

Luego, el sistema tiene infinitas soluciones

x1 = −2x2 .

Si x2 = r ∈ R, entonces la solución del sistema es

" #
−2r
~x = .
r

Teorema 20. Si A ∈ Mn×n , entonces A es invertible si y solo si el sistema

lineal A~x = ~b tiene solución única.

Dado un sistema lineal A~x = ~b de n ecuaciones con n incógnitas, las siguientes

afirmaciones son equivalentes:

1. A es invertible.

2. A~x = ~b tiene solución única.

3. A es equivalente por filas a In .

4. El rango de A es n.

Ejercicio 74. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él 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 linea-
les empleando determinantes; y resolver problemas de áreas en R2 empleando
determinantes.
El determinante de una matriz An×n es una función que asigna a esta un
único número real. Denotaremos el determinante de A como det(A) o |A|.
Primero veamos cómo calcular el determinante de matrices de tamaño uno,
dos y tres:

1. El determinante de una matriz de tamaño uno, A = [a], es a; por ejemplo:

el determinante de A = [7] es 7, el determinante de B = [−5] es −5,
etcétera.

2. El determinante de una matriz de tamaño dos por dos,

" #
a11 a12
A=
a21 a22

es
 
 a11 a12 
 

det(A) =  ❅ 
 = a11 a22 − a12 a21 .
✠❅❅
❘

 
 a21 a22 
66 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejemplo 46. Sea

" #
2 1
A= ,
3 4

entonces det(A) = (2 × 4) − (1 × 3) = 5.

Ejercicio 75. Hallar el determinante de las matrices

" # " # " #
2 −2 2 1 2 1
A= , B= y C= .
5 3 5 −3 −4 −3

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

3. Para calcular el determinante de una matriz de tamaño 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❅ 12 a13
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 lue-
go 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 ) .
 Determinantes 67

Ejemplo 47. Calcular el determinante de

 
1 0 3
 
A = −2 −1

.
4
0 2 5

Solución. Entonces,
 
 1 0 3 
 
❅
 
det(A) =  −2−1
❘ 4
✠
❅ ,
 
 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.
También observe que la matriz C tiene una fila de ceros.

Entonces, ya sabemos calcular el determinante de matrices de tamaño uno

por uno, dos por dos o tres por tres. Veamos a continuación algunos teoremas
que nos permitirán calcular el determinante de matrices de tamaño mayor por el
método que llamaremos triangulación. Este consiste en llevar la matriz a trian-
gular superior (o inferior) por medio de operaciones elementales fila (o columna)
y luego realizar el producto de la diagonal principal; el resultado, habiendo con-
siderado los teoremas siguientes, es el determinante de la matriz original.
68 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

2.1 Propiedades de los determinantes

Teorema 21. Si una matriz se obtiene de una matriz An×n 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 y dos del ejemplo 51, obtenemos
 
−2 0 1
 
Af2 ↔f3 =  1 3 4.
3 2 1

Su determinante es
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 1 3
0 2
   
A=
 3 0 2
 y B=
 1 5 3 .

−2 2 1 −2 2 1

Calcular det(A) y det(B).

Respuesta. -21 y 21, respectivamente.
Ejercicio 78. Sean
   
2 3 1 0 13
   
A=
 3 0 1
 y B=
−2 2 1 .

−2 2 1 1 2 3

Calcular det(A) y det(B).

Respuesta. det(A) = 6 y det(B) = 6.
 Determinantes 69

Teorema 22. Si una matriz se obtiene de otra An×n 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

" # " #
2 −1 −4 2
A= y Af1 ←−2f1 = ,
3 4 3 4

entonces det(A) = (2×4)−(−1×3) = 11 y det(Af1 ←−2f1 ) = −2×det(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 2 4 0 2 4 0 −10 −20

Respuesta. det(A) = −6, −18 y 30, respectivamente.

Teorema 23. Si una matriz se obtiene de otra matriz An×n al sumar a la i–

ésima fila (o columna) k–veces la j–ésima 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

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 An×n es igual
al determinante de A, es decir,


det AT = det(A) .

Ejemplo 51. El determinante de

 
1 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 ¿cuánto es det AT ?

Teorema 25. Dada una matriz An×n , 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
 
4 0 3 5
 
1 3 4 0
A=
4

 0 3 5

2 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 único real que cumple c = −c
es el 0. Se concluye que det(A) = 0. Ahora sı́, veamos la prueba formal.

Prueba.
72 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

1
Sea A ∈ Mn×n , hipótesis
2
Sean fi y fj (ci y cj ) iguales en A, i 6= j hipótesis
3
Sea B = Afi ↔fj (B = Aci ↔cj ), construcción
4
det(B) = − det(A), por teorema 21
5
det(B) = det(A), por A y B ser iguales
6
det(A) = − det(A), 4 y por .
por 5
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
método 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

     
7 −2 4 3 0 −8 3 0 3
     
A= 7 −2 4 , B = 0 2 5  y C = 5 −2 1 .
    
0 2 5 3 0 −8 5 −2 1

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

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

det(A) = 0.

Prueba.
Por hipótesis, sea An×n 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,
 Determinantes 73

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 deseábamos probar.

Ejemplo 53. Encontrar el determinante de

 
2 4 1
 
A= −3 .
1 3
0 0 0

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

Ahora calculemos este determinante por el método 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
     
A=  3 −5 −1  , B = 0 0 0 y C = 0 0 0 .
    
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 An×n y Bn×n 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
   
A=  3 −2 −1  y B = 4 −2 −1 .
  
0 2 5 0 2 0

Respuesta. det(AB) = 16 × 18 = 288.

74 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Teorema 27. Si una matriz An×n = [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

 
2 3 −2 1
 
0 5 5 1
A= 0

 0 −2 1 
0 0 0 1

es det(A) = 2 × 5 × (−2) × 1 = −20.

Ejercicio 85. Si
 
−1 3 1 −2 7
 
0 3 5 1 15 
 
 
A= 0 0 −2 1 23  ,
 
0
 0 0 4 −8
0 0 0 0 −3

entonces, ¿cuál es el det(A)?

Respuesta. det(A) = −72.

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

una matriz An×n podemos llevarla a triangular superior (inferior) por medio de
operaciones elementales fila (o columna), y por último aplicar el teorema 27 para
calcular su determinante. Veamos un ejemplo.
Ejemplo 56 (Determinante por triangulación). Sea
 
2 3 4 0
 
1 2 0 7
A=  ,

 1 1 −2 2 
0 1 4 5

encontrar |A| por triangulación.

 Determinantes 75

Solución. Por medio de operaciones elementales fila, encontremos una matriz

Ai triangular superior que sea equivalente a A.
 
1 1 −2 2
 
f1 ↔ f3 0 1 4 5
A1 = 
 .
f2 ↔ f4 2 3 4 0


1 2 0 7

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

 
1 1 −2 2
 
f3 ← f3 − 2f1 0 1 4 5
A2 =  .
f4 ← f4 − f1 0 1
 8 −4

0 1 2 5

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

 
1 1 −2 2
 
f3 ← f3 − f2 0 1 4 5
A3 = 
 .
f4 ← f4 − f2  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

 
1 1 −2 2
 
1
0 1 4 5
f3 ← 4 f3 A4 = 
0 0
.
−9 
 1 4 
0 0 −2 0
76 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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 |.
 
1 1 −2 2
 
0 1 4 5 
f4 ← f4 + 2f3 A5 = 
0 0
.
−9 
 1 4 
−18
0 0 0 4

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

−18


|A| = (−1) × (−1) × 4|A5 | = 4 × 1 × 1 × 1 × 4 = −18.

Ejercicio 86. Sea

 
3 7 1 4 2
 
1 2 0 0 1
 
 
A= 1 2 −2 2 1 ,
 
0 1 5 5 2
 
−2 −4 4 11 2

encontrar |A| por triangulación.

Respuesta. det(A) = −50.

Teorema 28 (Determinante de la inversa de A). Si A ∈ Mn×n es no singular,

1
entonces det(A) 6= 0 y det A−1 = .
det(A)

Prueba.
1 A es no singular,
hipótesis
2
A−1 existe, 1
de
3
AA−1 = In , definición de inversa
4
det(AA−1 ) = det(In ), obteniendo el determinante
3
a ambos lados de


5
det(A) · det A−1 = 1,
propiedad de determinante.

1
Luego, det(A) 6= 0 y det A−1 = .
det(A)
 Determinantes 77

Ejemplo 57. Si el det(A) = 7, entonces det A−1 = 17 .

Ejercicio 87. Si
 
1 −13
 
A=
−2 2 4  ,

3 1 5

calcular:

1. det(A) =


2. det A−1 = (empleando el teorema 28)

3. A−1 =


4. det A−1 (empleando alguno de los dos métodos estudiados).

1
Respuesta. det(A) = 48, det(A−1 ) = 48

A continuación un ejercicio en el que se aplican las propiedades de determi-

nante vistas hasta ahora.

Ejercicio 88. Responder aplicando las propiedades de los determinantes. Jus-

tifique su respuesta.
   
   
3 1 −4  3 2 3
   
1. Si 2 0 3  = −18, entonces  1 0 1 =?
 
   
3 1 5  −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 5 7 

 
1 2 8 −2
3.  =?
−2 4 5 7 
 
 2 11 0 4
78 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

 
4 4 1 0

 
2 8 0 4
4.  =?
0 0 0 0
 
7 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 A−1 =?
 
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 A−1 = 51 porque det A−1 = det(A) .

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

diagonal).

Ejercicio 89. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.
 Determinantes 79

2.2 Determinantes por cofactores

Definición 23 (Cofactor). Dada An×n = [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
 
3 1 0
 
0 −2 5 ,
A= 
2 0 0
entonces sus cofactores son:
 
−2 5
1+1
 
A11 = (−1)  =1×0=0
 0 0
 
0 5
= (−1)1+2 
 
A12  = (−1) × (−10) = 10
2 0
 
 
1+3 0 −2
A13 = (−1)  =1×4=4
2 0 
 
1 0
= (−1)2+1 
 
A21  = (−1) × 0 = 0
0 0
 
 
2+2 3 0
A22 = (−1)  =1×0=0
2 0
 
3 1
= (−1)2+3 
 
A23  = (−1) × (−2) = 2
2 0
 
 0
3+1  1
A31 = (−1)  =1×5=5
−2 5
 
3 0
= (−1)3+2 
 
A32  = (−1) × 15 = −15
0 5
 
 1 
3+3 3
A33 = (−1)   = 1 × (−6) = −6 .
0 −2
80 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejercicio 90. Si
 
2 1 0
 
B=
0 −2 1,

3 5 0

determine sus cofactores.

Teorema 29. Sea An×n = [aij ], para cualquier fila (o columna), el determinante
de A es
n
X
det(A) = aij Aij i ∈ [1 . . . n]
j=1
Xn
det(A) = 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

3
X
det(A) = a1j A1j
j=1

= 3 × 0 + 1 × 10 + 0 × 4
= 10 .

2. A lo largo de la segunda fila es

3
X
det(A) = a2j A2j
j=1

= 0 × 0 + (−2) × 0 + 5 × 2
= 10 .

3. A lo largo de la tercera fila es

3
X
det(A) = a3j A3j
j=1

= 2 × 5 + 0 × (−15) + 0 × (−6)
= 10 .
 Determinantes 81

Ejercicio 91. Sea B la matriz del ejercicio 90. Calcule su determinante por cada
una de las filas. ¿Por cuál fila considera que es mejor calcularlo?
Respuesta. det(B) = −7.
Teorema 30. Sea An×n = [aij ], entonces
n
X
aij Akj = 0, i, k ∈ [1 . . . n], i 6= k ;
j=1
Xn
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
a1j A2j = 3 × 0 + 1 × 0 + 0 × 2
j=1

= 0.

Si multiplicamos los elementos de la primera fila por los correspondientes

cofactores de la fila 3, tenemos
3
X
a1j A3j = 3 × 5 + 1 × (−15) + 0 × (−6)
j=1

= 0.

De forma similar obtenemos que

3
X 3
X 3
X 3
X
a2j A1j = a2j A3j = a3j A1j = a3j A2j = 0 .
j=1 j=1 j=1 j=1

Ejercicio 92. Sea B la matriz del ejercicio 90. Verifique el teorema 30 en cada
una de sus filas.
Definición 24 (Matriz adjunta). Sea An×n = [aij ], entonces la adjunta de A,
adj(A), es
 
A11 A21 . . . An1
 
 A12 A22 . . . An2 
 
adj(A) =  . .. .. ..  ,
 .. . . . 
 
A1n A2n . . . Ann
82 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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 An×n = [aij ], entonces

A (adj(A)) = (adj(A)) A = (det(A)) In .

Ejemplo 62. Sea A como en el ejemplo 58, entonces

  
3 1 0 0 0 5
  
A (adj(A)) = 
0 −2 5 10 0 −15
 
2 0 0 4 2 −6
 
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 An×n tal que det(A) 6= 0, entonces

1
A−1 = adj(A) .
det(A)

Prueba.
1 Sea An×n tal que det(A) 6= 0,
hipótesis
2
det(A)In = (adj(A))A, por teorema 31
3 1 1 y
2
In = det(A) adj(A)A, por
1
4
A−1 A = det(A) adj(A)A, pues In = A−1 A.
4 A−1 = 1
Entonces, de , det(A) adj(A).
 Determinantes 83

" #
a b
Corolario 4. Sea A = tal que det(A) 6= 0, entonces
c d
" #
1 d −b
A−1 = .
ad − bc −c a
#"
3 5
Ejemplo 63. Sea A = , entonces
3 7
" #
1 7 −5
A−1 = .
6 −3 3

Teorema 32. Una matriz An×n 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
A−1 = adj(A)
det(A)
 
0 0 5
1  
= 10 0 −15 .
10  
4 2 −6
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 An×n ~x = ~0 tiene solución no trivial si y solo si
det(A) = 0.
Ejemplo 65. Dado el sistema lineal homogéneo
2x1 + x2 + x3 = 0
2x1 − x2 + x3 = 0
4x1 + 2x3 = 0 .
Entonces,
 
2 1 1
 
A=
2 −1 1
 y det(A) = 0 .
4 0 2
84 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Luego, el sistema tiene solución no trivial.

Al solucionar este sistema se encuentra que
   
x −r
 1  2 
x2  =  0  ,
~x =    
x3 r

es decir, el sistema tiene infinitas soluciones.

El corolario 5 implica que el sistema An×n~x = ~0 tiene únicamente solución

trivial si y solo si det(A) 6= 0.

Ejemplo 66. Dado el sistema lineal homogéneo

2x1 + x2 + x3 = 0
x1 − x2 − x3 = 0
4x1 − x2 + 2x3 = 0 .

Entonces,
 
2 1 1
 
A=
1 −1 −1
 y det(A) = 9 .
4 −1 2

Luego, existe una única solución: la trivial.

Efectivamente, al solucionar este sistema se encuentra que
   
x 0
 1  
x2  = 0 .
~x =    
x3 0

Ejemplo 67 (Cofactores). Dada la matriz

 
2 0 4
 
A= 3 2 −1 .

1 0 5

Encontrar:
 Determinantes 85

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


5. det A−1 .

Solución.

1. Los cofactores de A son

 
2 −1
= (−1)2 

A11  = (1)(10 − 0) = 10
0 5
 
3 −1
= (−1)3 

A12  = (−1) [15 − (−1)] = −16
1 5
 
3 2
= (−1)4 

A13  = (1)(0 − 2) = −2
1 0
 
 4
3 0
A21 = (−1)   = (−1)(0 − 0) = 0
0 5
 
2 4
= (−1)4 

A22  = (1)(10 − 4) = 6
1 5
 
2 0
= (−1)5 

A23  = (−1)(0 − 0) = 0
1 0
 
0 4 
= (−1)4 

A31  = (1)(0 − 8) = −8
2 −1
 
2 4 
= (−1)5 

A32  = (−1)(−2 − 12) = 14
3 −1
 
2 0
= (−1)6 

A33  = (1)(4 − 0) = 4 .
3 2

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

det(A) = (2)(10) + (0)(−16) + (4)(−2)
86 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

= 12 .

3. Ahora, la adj(A) es
 
10 0 −8
 
adj(A) = 
−16 6 .
14 
−2 0 4

4. La inversa de A es
 
0 −810
1 1  
A−1 = adj(A) = −16 6 14  .
det(A) 12  
−2 0 4

Al realizar AA−1 se obtiene I3 (por favor, verificarlo).

5. El determinante de A−1 es
1 1
|A−1 | = = .
|A| 12

Ejemplo 68 (Cofactores). Sea la matriz

 
1 −2 0
 
A= 0 3 .
2
−1 −1 −3

Encontrar: Encontrar:

1. Los cofactores de A

2. det(A)

3. adj(A)

4. A−1


5. det A−1 .

Solución.
 Determinantes 87

1. Los cofactores de A son

 
3 2 
= (−1)2 
 
A11  = (1) [−9 − (−2)] = −7
−1 −3
 
 2 
3 0
A12 = (−1)   = (−1) [0 − (−2)] = −2
−1 −3
 
0 3 
= (−1)4 
 
A13  = (1) [0 − (−3)] = 3
−1 −1
 
 0 
3 −2
A21 = (−1)   = (−1) [6 − (−0)] = −6
−1 −3
 
1 0 
= (−1)4 
 
A22  = (1)(−3 − 0) = −3
−1 −3
 
 −2
5 1
A23 = (−1)   = (−1)(−1 − 2) = 3
−1 −1
 
−2 0
= (−1)4 
 
A31  = (1)(−4 − 0) = −4
 3 2
 
 
5 1 0
A32 = (−1)   = (−1)(2 − 0) = −2
0 2
 
1 −2
= (−1)6 
 
A33  = (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
 
−2 −3 −2 .
adj(A) =  
3 3 3
88 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

4. La inversa de A es
 
−7 −6 −4
1 1 
A−1 = adj(A) = −  .
−2 −3 −2
det(A) 3 
3 3 3

Al realizar AA−1 se obtiene I3 (por favor, verificarlo).

5. El determinante de A−1 es
1 1
|A−1 | = =− .
|A| 3

Ejercicio 96. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.

2.3 Regla de Cramer

La Regla de Cramer proporciona un método de solucionar sistemas lineales

A~x = ~b de n ecuaciones con n incógnitas 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

solución única dada por
det(Ai )
xi = ,
det(A)

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

Ejemplo 69 (Cramer ). Por el método de Cramer resolver

2x + 4y − z = 7
2y + z = 7
 Determinantes 89

x + y = 3.

Solución. Primero encontremos el determinante de la matriz de coeficientes:

 
2 4 −1
 
A= 0 2 1 
 y |A| = (0 + 0 + 4) − (−2 + 2 + 0)
1 1 0 = 4.

Como el determinante de A es diferente de cero, entonces el sistema sı́ 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 
 y |A1 | = (0 − 7 + 12) − (−6 + 7 + 0)
3 1 0 = 4.
|A1 | 4
Entonces x = |A| = 4 = 1.
2.
 
2 7 −1
 
A2 = 
0 7 1 
 y |A2 | = (0 + 0 + 7) − (−7 + 6 + 0)
1 3 0 = 8.
|A2 | 8
Entonces y = |A| = 4 = 2.
3.
 
2 4 7
 
A3 = 
 0 2 7 
 y |A3 | = (12 + 0 + 28) − (14 + 14 + 0)
1 1 3 = 12 .
|A3 | 12
Entonces z = |A| = 4 = 3.

De esta forma,
   
x 1
   
~x = y  = 2
  
.
z 3
90 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejercicio 97. Verificar la respuesta del ejemplo 69.

Ejercicio 98 (Cramer ). Por el método 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 método de Cramer resolver

x + 3y + 7z = 11
−2x − 4z = −6
−x + 3y + 3z = 5 .

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

 
1 3 7
 
A= −2 0 −4

−1 3 3
 
3 7
= (−1)3 
 
A21  = (−1)(9 − 21) = 12
3 3
 
 1 3
= (−1)5 
 
A23  = (−1)(3 + 3) = −6 .
−1 3

Entonces

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 Gauss–Jordan.

Ejercicio 100. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.
 Determinantes 91

2.4 Uso de determinantes para calcular áreas en R2

El área de un triángulo (△) en R2 , con vértices en P1 = (x1 , y1 ), P2 = (x2 , y2 ) y

P3 = (x3 , y3 ), está dado por
  
x1 y 1 1
1   
A△ = abs  det x2 y2 1 ,
2   
x3 y 3 1

donde abs() es la función valor absoluto.

Deduzcamos la anterior ecuación. Para ello recuerde que el área 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: área de un triángulo 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

Como el determinante puede ser negativo, pero el área no, se toma el valor
absoluto; luego
  
x1 y 1 1
1   
A△ = abs det x2 y2 1 .
2   
x3 y 3 1

Ejemplo 71 (Área de un triángulo en R2 ). Determinar el área del triángulo con

vértices 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: área de un triangulo en R2

Solución.
 
1 5 1
1   
A△ = abs  det 2 1 1
2   
7 2 1
= abs ((1 + 4 + 35) − (7 + 2 + 10))
= 21 .

Ejemplo 72 (Área de un paralelogramo en R2 ). Determinar el área del parale-

logramo con vértices en P1 = (10, 1), P2 = (8, 5), P3 = (−1, 3) y P4 = (1, −1)
representado en la figura 2.3.

——
Solución. La diagonal P1 P3 divide el paralelogramo P1 P2 P3 P4 en dos △s iguales.
Entonces, busquemos el área del triángulo P1 P2 P3 y lo multiplicamos por dos
 Determinantes 93

P2 = (8, 5)

P3 = (-1, 3)

P1 = (10, 1)

P4 = (1, -1)

Figura 2.3: área de un paralelogramo en R2

para obtener el área buscada.

 
x y1 1
1   1 
AP1 P2 P3 = abs 
det x2
 y2 1 
2 
x3 y3 1
  
10 1 1
1   
= abs 
det  8
 5 1 
2 
−1 3 1
1
= abs [(50 + 24 − 1) − (−5 + 30 + 8)]
2
1
= abs(73 − 33)
2
= 20 unidades cuadradas.

Luego el área del paralelogramo P1 P2 P3 P4 es 2 × 20 = 40.

Ejercicio 101 (Área de un paralelogramo en R2 ). Determinar el área del para-

lelogramo con vértices en A = (2, 3), B = (5, 4), C = (4, 5) y D = (7, 6).
Respuesta. 4
94 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016
Unidad 3

Vectores en Rn

Los vectores pueden representar entes fı́sicos como: la posición, la velocidad o

la aceleración de un cuerpo, un conjunto de apuntadores de memoria en compu-
tación, la producción de una marca por diferentes sedes de una empresa, la elabo-
ración de diferentes productos por una máquina en una empresa manufacturera,
las notas de los estudiantes de una asignatura, etcétera. También, mediante vec-
tores podemos determinar la ecuación de un plano, la ecuación de una recta,
áreas y volúmenes, entre otros.
Para el desarrollo de esta unidad se recomienda que el alumno, por cuenta
propia, estudie la sección 3.1 y, por tanto, que el profesor comience sus explica-
ciones en la sección 3.2.

3.1 Vectores en R2

Definición 25 (Vector en R2 ). En R2 , un vector es de la forma

" #
u1
~u = con u1 , u2 ∈ R.
u2

Denotaremos cada vector con una letra minúscula y una flecha encima, por
ejemplo ~u, ~v , w,
~ ~x, ~y y ~z representan vectores.
Ejemplo 73. Son vectores en R2 :
" # " # " #
3 3 1
~u = , ~v = y w
~= .
2 0 −5
96 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Los vectores en R2 tienen una correspondencia unı́voca con los puntos del
plano cartesiano, por lo tanto, también es frecuente escribir cada vector en R2
como un par ordenado (x, y) y representarlo gráficamente.
" # " # " #
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), ~ = (0, −4) .
~v = (−3, 1) y w
Ejercicio 102. Piense en tres vectores en R2 , escrı́balos de acuerdo a la defini-
ción, también como pares ordenados y represéntelos gráficamente.
Caracterı́sticas de los vectores en R2 . Observe la figura 3.2.

1. Cola: parte inicial del vector

2. Cabeza: parte final del vector
3. Dirección: ángulo θ 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 dirección está dada por el ángulo θ 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 esté localizada en (0, 0), pero sı́ es lo más conveniente.
 Vectores en Rn 97

d Cabeza
nitu

Cola
} Ma
g

Direccion

Figura 3.2: vector en R2

(-3,2)

θ
(2,-1)

Figura 3.3: vector en R2

Ejercicio 103. Dibuje el vector que tiene cola en (1, −1) y cabeza en (−1, 4).

Definición 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).

Solución.
q
d= (−3 − 2)2 + (2 − (−1))2
p
= (−5)2 + (3)2
√
= 34 .
√
Observe que 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.
98 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Definición 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).

Solución.
p
k ~u k = (−2)2 + (3)2
√
= 13 .

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

√
Respuesta. 3 5.

Definición 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 dirección e igual magnitud.

Ejemplo 78. ¿Son los vectores ~u, ~v , representados en la figura 3.4, iguales?

(1,5)

v
(4,3)

θ2
(-3,2) u

θ1
(0,0)

Figura 3.4: dos vectores iguales en R2

Solución.
p
1. La norma de ~u es k ~u k= (4 − 0)2 + (3 − 0)2 = 5.
 Vectores en Rn 99

2. La dirección de ~u es θ1 = tan−1 34 .
p
3. La norma de ~v es k ~v k= (1 − (−3))2 + (5 − 2)2 = 5.
 

5−2
4. La dirección de ~v es θ2 = tan−1 1−(−3) = tan−1 34 .

Como los dos vectores tienen igual longitud, k ~u k=k ~v k, e igual dirección,
θ1 = θ2 , entonces ~u = ~v .
Otra forma sencilla de saber si ~v es igual a ~u es trasladar ~v al origen. Ello se
logra restándole 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.

Definición 29 (Suma de vectores en R2 ). Dados ~u = (u1 , u2 ) y ~v = (v1 , v2 ) ∈ R2 ,

se define su suma como
" # " # " #
u1 v1 u1 + v1
~u + ~v = + = .
u2 v2 u2 + v2

En la figura 3.5 se muestra gráficamente su suma.

v
+
v u

Figura 3.5: suma de vectores en R2

100 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejemplo 79. Encontrar la suma de los vectores ~u = (3, −2) y ~v = (−3, 6).
Solución.
" # " #
3 −3
~u + ~v = +
−2 6
" #
0
= .
4

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).

Definición 30 (Multiplicación de un escalar por un vector en R2 ). Sea ~u =

(u1 , u2 ) ∈ R2 y c un escalar, entonces
" # " #
u1 cu1
c~u = c = .
u2 cu2
 Vectores en Rn 101

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

" # " # " #
3 −3 × 3 −9
c~u = −3 = = .
5 −3 × 5 −15

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

Respuesta. (2, −6).

Definición 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.

Solución.
" # " #!
3 −3
~u + (−~v ) = + −
−2 6
" # " #
3 3
= +
−2 −6
" #
6
= .
−8

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 grafı́quelo.

Respuesta. (−6, 8)

Definición 32 (Vector nulo en R2 ). El vector nulo en R2 es

" #
~0 = 0
.
0

Definición 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 básicos de Álgebra 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 .
p
2 2 u21 + u22 ,
Nota. Si ~u = (u√1 , u2 ), entonces ~u · ~u = u1 + u2 ; y como k ~u k=
entonces k ~u k= ~u · ~u.

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 103

Prueba de 1.
1 Sea ~u = (u1 , u2 ) ∈ R2 ,
hipótesis
2
~u · ~u = (u1 , u2 ) · (u1 , u2 ), 1
por
3
= u21 + u22 , definición de producto escalar
4
> 0, pues u21 > 0 y u22 > 0.
Luego, ~u · ~u > 0.
De 3 se deduce que u21 + u22 = 0 si y solo si u1 = 0 y u2 = 0, es decir, si y solo
si ~u = (0, 0).

Ejemplo 83. Si ~u = (−3, 5), verificar que ~u · ~u > 0.

Solución.

~u · ~u = (−3, 5) · (−3, 5)
= (−3) × (−3) + 5 × 5
= 34 > 0 .

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

Prueba de 2.
1 Sean ~u = (u1 , u2 ) y ~v = (v1 , v2 ) ∈ R2 ,
hipótesis
2
~u · ~v = (u1 , u2 ) · (v1 , v2 ), 1
por
3
= u1 v1 + u2 v2 , definición de producto escalar
4
= v1 u 1 + v2 u 2 , conmutatividad en R
5
= (v1 , v2 ) · (u1 , u2 ), definición de producto escalar
6
= ~v · ~u, 1
por .
2 a ,
Por 6 ~u · ~v = ~v · ~u.

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

Solución.

~u · ~v = (−3, 2) · (1, 4)
= (−3) × 1 + 2 × 4
= 5.

Ahora,

~v · ~u = (1, 4) · (−3, 2)
104 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

= 1 × (−3) + 4 × 2
= 5.

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

Ejercicio 111. Dé 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 , hipótesis


2 (~u + ~v ) · w
~ = (u1 , u2 ) + (v1 , v2 ) · (w1 , w2 ), 1
por
3
= (u1 + v1 , u2 + v2 ) · (w1 , w2 ), suma de vectores
4
= (u1 + v1 )w1 + (u2 + v2 )w2 , producto escalar
5
= u1 w1 + v1 w1 + u2 w2 + v2 w2 , distributividad en R
6
= u1 w1 + u2 w2 + v1 w1 + v2 w2 , conmutatividad en R
7
= (u1 , u2 ) · (w1 , w2 ) + (v1 , v2 ) · (w1 , w2 ) producto escalar
8
= ~u · w
~ + ~v · w, 1
por .
2 a ,
Luego, por 8 (~u + ~v ) · w
~ = ~u · w
~ + ~v · w.
~

~ = (1, 4), verificar que (~u + ~v ) · w

Ejemplo 85. Si ~u = (4, 3), ~v = (0, 2) y w ~ =
~u · w
~ + ~v · w.
~
Solución.

(~u + ~v ) · w
~ = [(4, 3) + (0, 2)] · (1, 4)
= (4, 5) · (1, 4)
=4×1+5×4
= 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. Dé un ejemplo de la parte 3 del teorema 34.

 Vectores en Rn 105

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, ¿realizarı́a esta operación? o mejor ¿realizarı́a (~u + ~v ) · w?
~ o ¿Serı́a
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,
hipótesis
2
(c~u) · ~v = (c(u1 , u2 )) · (v1 , v2 ), 1
por
3
= (cu1 , cu2 ) · (v1 , v2 ), escalar por un vector
4
= (cu1 )v1 + (cu2 )v2 , producto escalar
5
= c(u1 v1 ) + c(u2 v2 ), asociatividad en R
6
= c(u1 v1 + u2 v2 ), factor común
7
= c((u1 , u2 ) · (v1 , v2 )), producto escalar
8
= c(~u · ~v ), 1
por .
2 a ,
Ası́, por 8 (c~u) · ~v = c(~u · ~v ).

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 ).
Solución.

(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. Dé un ejemplo de la parte 4 del teorema 34.

106 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Teorema 35 (Ángulo entre dos vectores en R2 ). Dados los vectores ~u = (u1 , u2 )

y ~v = (v1 , v2 ) no nulos, el coseno del ángulo formado entre ellos es

~u · ~v
cos θ = .
k ~u k k ~v k

Prueba.
Primero observe la figura 3.8

(v1,v2)

v u -v

(u1,u2)

θ u

Figura 3.8: ángulo entre vectores en R2

1
Sean ~u = (u1 , u2 ) 6= ~0 y ~v = (v1 , v2 ) 6= ~0 ∈ R2 , hipótesis
2
k ~u − ~v k2 = (u1 − v1 )2 + (u2 − v2 )2 , distancia entre 2 puntos
3
k ~u − ~v k2 =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ, ley del coseno
4
(u1 − v1 )2 + (u2 − v2 )2 =
k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ, 2 =
3
5
(u21 − 2u1 v1 + v12 ) + (u22 − 2u2 v2 + v22 ) =
(u21 + u22 ) + (v12 + v22 ) − 2 k ~u kk ~v k cos θ, 4
resolviendo
−2(u1 v1 + u2 v2 )
6
= cos θ, 5
simplificando .
−2 k ~u kk ~v k
u·~
~ v
Ası́, cos θ = k~
ukk~vk .

Ejemplo 87. Encontrar el ángulo θ entre los vectores ~u y ~v de la figura 3.9

Solución. Traslademos el vector ~v al origen denotándolo como w
~

~ = (2 − 1, 4 − 2) = (1, 2) .
w
 Vectores en Rn 107

(2,4)
v

(5,2)
(1,2)
u

Figura 3.9: ángulo entre vectores en R2

Como w
~ = ~v , entonces tienen igual dirección. Luego, el ángulo entre ~u y w
~ es
 
~u · w
~
θ = cos−1
k ~u kk w ~k
 
−1 (5, 2) · (1, 2)
= cos √ √
52 + 22 12 + 22
 
−1 5+4
= cos √ √
29 5
 
−1 9
= cos √ .
29 × 5
Ejercicio 115. Determinar el ángulo θ entre los vectores ~u = (3, 4) y ~v = (1, 5).
 
−1 23
Respuesta. cos √ .
5 26
Definición 34 (Vectores ortogonales en R2 ). Dos vectores no nulos ~u, ~v ∈ R2
son ortogonales si forman un ángulo recto.
π
Nota. Si ~u y ~v son ortogonales, entonces el ángulo entre ellos es 2, luego

π

~u · ~v
cos 2 = = 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 ortogo-
nales, pues

~u · ~v = (3, 5) · (−5, 3)
108 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

= −15 + 15 = 0 .

(3,5)

(-5,3)
u
v

Figura 3.10: vectores ortogonales en R2

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

Definición 35 (Vectores paralelos en R2 ). Dos definiciones:

1. Dos vectores no nulos ~u, ~v ∈ R2 son paralelos si el ángulo θ entre ellos es

cero o π, 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

p p
k ~u kk ~v k = (2)2 + (−3)2 (−6)2 + (9)2
 Vectores en Rn 109

√ √
= 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.

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.
Definición 36 (Vectores con igual dirección en R2 ). Dos definiciones:

1. Dos vectores no nulos ~u, ~v ∈ R2 tienen igual dirección si el ángulo θ entre

ellos es cero, es decir, si ~u · ~v =k ~u kk ~v k.

2. Dos vectores no nulos ~u, ~v ∈ R2 tienen igual dirección si ∃c ∈ R, c > 0, tal

que ~u = c~v .

De la anterior definición podemos concluir que si dos vectores tiene igual

dirección, entonces también son paralelos.
Ejemplo 90. Los vectores ~u = (8, 4) y ~v = (2, 1) tienen igual dirección pues

Su producto escalar es

~u · ~v = 8 × 2 + 4 × 1
110 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

= 16 + 4
= 20 ,

y el producto de sus normas es

p p
k ~u kk ~v k = 82 + 42 22 + 12
√ √
= 64 + 16 4 + 1
√ √
= 80 5
√
= 16 × 5 × 5
=4×5
= 20 .
Como ~u · ~v = 20 =k ~u kk ~v k, entonces ~u y ~v tienen igual dirección.

Observe que ~u = 4~v y que, además, estos dos vectores también son paralelos.
En la figura 3.12 se ilustra este ejemplo.

Figura 3.12: vectores con igual dirección en R2

Ejercicio 118. ¿Tienen los vectores ~u = (2, 4) y ~v = (8, 16) igual dirección?
Justifique su respuesta.
Definición 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 dirección de ~u = (−1, 3).
Solución. La magnitud de ~u es
p √
k ~u k = (−1)2 + 32 = 10 ,
 Vectores en Rn 111

 
~u (−1, 3) −1 3
w
~= = √ = √ ,√ ,
k ~u k 10 10 10
entonces w
~ es un vector unitario en la dirección de ~u.
Ejercicio 119. Encontrar un vector unitario w
~ en la dirección de ~u = (−3, 4).
Solución. (−3/5, 4/5).
Definición 38 (Vectores coordenados unitarios en R2 ). En R2 existen dos vecto-
res importantes llamados vectores coordenados unitarios: ı̂ = (1, 0) y ̂ = (0, 1).

La figura 3.13 ilustra estos vectores.

j
i

Figura 3.13: vectores coordenados unitarios en R2

En términos de los vectores coordenados unitarios se puede expresar fácil-

mente cualquier otro vector en R2 .
Ejemplo 92. Expresar el vector ~u = (3, −4) en términos de ı̂ y ̂.
Solución.

~u = (3, −4)
= (3, 0) + (0, −4)
= 3(1, 0) + (−4)(0, 1)
= 3ı̂ + (−4)̂
= 3ı̂ − 4̂ .

Ejercicio 120. Expresar el vector ~u = (−5, 8) en términos de ı̂ y ̂.

A continuación veamos dos ejemplos prácticos de aplicación de vectores en R2 .

Ejemplo 93. Suponga que la tierra es plana y que usted se encuentra en la casa
de una granja y un amigo requiere de su ayuda. Él, vı́a telefónica, le ha dicho
que se encuentra a 10 kilómetros de “distancia”. Su misión es encontrarlo.
Esta información no es precisa para localizar inmediatamente al amigo. Si solo
tuviera este dato, requerirı́a desplazarse, en cualquier dirección, 10 kilómetros
112 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

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

distancia a recorrer serı́a menor a 20π km que es la longitud de la circunferencia).
Usted requiere saber en qué “dirección” ha de empezar a caminar, es decir, usted
requiere un vector de tamaño dos. La figura 3.14 ilustra este caso.

Casa
10 Km

Figura 3.14: necesidad de una longitud y una dirección

Ejemplo 94 (Fuerzas). Cuando varias fuerzas actúan 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, ¿cuál es la fuerza resultante y en qué dirección?
Solución. 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 dirección está dada por
   
−1 12 −1 3
θ = tan = tan − .
−16 4
 Vectores en Rn 113

La figura 3.16 muestra el vector resultante

f =20 N f 1=12 N

θ
Silla
f 2=16 N

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, ¿cuál es

la fuerza resultante y en qué dirección?

Ejercicio 122. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.

3.2 Vectores en Rn

Definición 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

Caracterı́sticas de los vectores en Rn

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

itud Cola
Magn
}

θ y

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).
Definición 40 (Dirección de un vector en R3 y ángulos directores). La di-
rección de un vector ~v en R3 se define como el vector unitario ~u = k~~vvk =
(cos α, cos β, cos γ), donde α, β, γ, llamados ángulos directores, son los ángulos
formados por el vector ~v con los ejes x, y, z, respectivamente.
√  √ 
Ejemplo 97. La dirección del vector ~v = (3, 2, 3) es ~u = k~~vvk = 34 , 12 , 43 . Y


√ 
sus ángulos directores son: α = cos−1 34 , β = cos−1 12 y γ = cos−1 43 .
 Vectores en Rn 115

Ejercicio 124. Sean ~v = (−2, 2, 1), determinar la dirección de ~v y sus ángulos

directores.

Definición 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.

Solución.
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.

Definición 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).

Solución.
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.

Definición 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

z
v

u y

Figura 3.19: dos vectores iguales en R3

2. Dos vectores ~u, ~v ∈ Rn son iguales si tienen igual dirección 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?
Solución. Una forma sencilla de saber si ~v es igual a ~u es trasladar ~v al origen.
Ello se logra restándole 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 sı́ 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.
Definición 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).

Solución.
~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 .
Definición 45 (Multiplicación 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
     
3 3×3 9
     
 5   3 × 5   15 
−2 = 3 × (−2) = −6 .
c~u = 3      
     
4 3×4 12
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).
Definición 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).
Definición 47 (Vector nulo en Rn ). El vector nulo en Rn es
 
0
 
0
~0 = 
. .

 .. 
 
0
118 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Definición 48 (Producto escalar en Rn ). Sean los vectores ~u = (u1 , u2 , . . . , un )

y ~v = (v1 , v2 , . . . , vn ) ∈ Rn , se define su producto escalar como

n
X
~u · ~v = u1 v1 + u2 v2 + · · · + un vn = 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+1−4+0
= 3.

Ejercicio 130. Determine el producto escalar entre ~u = (1, 5, 3, −1, 0) y (2, 0, −2, 4, 15).
Respuesta. −8.

p
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.
 Vectores en Rn 119

1
Sea ~u = (u1 , u2 , . . . , un ), hipótesis
2
~u · ~u = (u1 , u2 , . . . , un ) · (u1 , u2 , . . . , un ), 1
por
3
= u21 + u22 + · · · + u2n , definición de producto escalar
4
Como u21 > 0, u22 > 0, . . . , u2n > 0, propiedad en R
5
Entonces u21 + u22 + · · · + u2n > 0, 4
por .
2
Luego, ~u · ~u > 0 por , 3 y .
5

6
~u · ~u = 0 si y solo si
1
por
(u1 , u2 , . . . , un ) · (u1 , u2 , . . . , un ) = 0,
7
si y solo si u21 + u22 + · · · + u2n = 0, definición de producto escalar
8
si y solo si u1 = 0, u2 = 0, . . . , un = 0, propiedad en R
9
si y solo si ~u = ~0, 1
por .
9 ~u · ~u = 0 si y solo si ~u = ~0.
6 a ,
Luego, por

Ejemplo 105. Si ~u = (−2, 3, 4, 1), verificar que ~u · ~u > 0.

Solución.

~u · ~u = (−2, 3, 4, 1) · (−2, 3, 4, 1)
= (−2) × (−2) + 3 × 3 + 4 × 4 + 1 × 1
= 30 > 0 .

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

Prueba de 2.
1 ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) ∈ Rn ,
hipótesis
2
~u · ~v = (u1 , u2 , . . . , un ) · (v1 , v2 , . . . , vn ), 1
de
3
= u1 v1 + u2 v2 + · · · + un vn , definición de producto escalar
4
= v1 u1 + v2 u2 + · · · + vn un , conmutatividad en R
5
= (v1 , v2 , . . . , vn ) · (u1 , u2 , . . . , un ), definición de producto escalar
6
= ~v · ~u, 1 en .
5
2 a ,
Luego, por 6 ~u · ~v = ~v · ~u.

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

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

120 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

= 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. Dé un ejemplo de la parte 2 del teorema 36.

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

hipótesis
yw ~ = (w1 , w2 , . . . , wn ) ∈ Rn ,
 
2
~ = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ) ·
(~u + ~v ) · w 1
de
(w1 , w2 , . . . , wn ),
3
= (u1 + v1 , u2 + v2 , . . . , un + vn )·
suma de vectores
(w1 , w2 , . . . , wn ),
4
= (u1 + v1 )w1 + (u2 + v2 )w2 definición de
+ · · · + (un + vn )wn , producto escalar
5
= u1 w1 + v1 w1 + u2 w2 + v2 w2
distributividad en R
+ · · · + un wn + vn wn ,
6
= (u1 w1 + u2 w2 + · · · + un wn )+
conmutatividad en R
(v1 w1 + v2 w2 + · · · + vn wn ),
7
= (u1 , u2 , . . . , un ) · (w1 , w2 , . . . , wn )+ definición de
(v1 , v2 , . . . , vn ) · (w1 , w2 , . . . , wn ), producto escalar
8
= ~u · w
~ + ~v · w,
~ 1 en .
7
2 a ,
Luego, por 8 (~u + ~v ) · w
~ = ~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.
~
Solución.

(~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. Dé 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,
¿realizarı́a esta operación? o mejor ¿realizarı́a ~u ·(c~v ) o realizarı́a c(~u ·~v )? ¿O serı́a
indiferente realizar cualquiera de las tres operaciones? Explique su respuesta.

Teorema 37 (Ángulo entre dos vectores en Rn ). Dados los vectores ~u y ~v ∈ Rn ,

no nulos, el coseno del ángulo formado entre ellos es
~u · ~v
cos θ = .
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 θ .

~ k2 = w
Ahora, como k w ~ · w,
~ entonces

(~u − ~v ) · (~u − ~v ) =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .

Desarrollando el lado izquierdo

~u · ~u − 2(~u · ~v ) + ~v · ~v =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .
122 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

θ
u

v
u -v

Figura 3.20: ángulo entre vectores en Rn

Ası́,

k ~u k2 −2(~u · ~v )+ k ~v k2 =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .

Simplificando

−2(~u · ~v ) = −2 k ~u kk ~v k cos θ .

u·~
~ v
Ası́, cos θ = k~
ukk~vk .

Ejemplo 108. Encontrar el ángulo θ entre los vectores ~u = (2, 3, 0, −2) y ~v =

(3, 4, 2, −1)
Solución.
~u · ~v
cos θ =
k ~u kk ~v k
(2, 3, 0, −2) · (3, 4, 2, −1)
=p 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 2×5
=√ .
17 × 3
 √ 
7 2
Entonces, θ = cos−1 √17×3×5 .
 Vectores en Rn 123

Ejercicio 136. Encontrar el ángulo θ entre los vectores ~u = (1, 3, 0, −2) y ~v =

(1, 0, 4, −2).
√
Respuesta. √ 5 .
7 2×3

Definición 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

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.

Definición 50 (Vectores paralelos). Dos definiciones:

1. Dos vectores no nulos ~u, ~v ∈ Rn son paralelos si el ángulo θ entre ellos es

cero o π, es decir, si ~u · ~v =k ~u kk ~v k o −~u · ~v =k ~u kk ~v k.
124 Conceptos básicos de Álgebra 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:

y
u
x

Figura 3.22: dos vectores paralelos en R3

Su producto escalar es

1
~u · ~v = 2 × (−1) + 4 × (−2) + (−1) ×
2
1
= −2 − 8 −
2
21
=− ,
2

y el producto de sus normas es

s  2
p 1
k ~u kk ~v k = 22 + 42 + (−1)2 (−1)2 + (−2)2 +
2
r
√ 21
= 21
4
r
21 2
=
22
21
= .
2
Como −(~u · ~v ) = −(− 21
2 )=
21
2 =k ~u kk ~v k, entonces ~u y ~v son paralelos.
Observe también 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 p
k ~u kk ~v k =32 + 22 + (−1)2 + 12 (−6)2 + (−4)2 + 22 + (−2)2
√ √
= 15 60
√
= 15 × 4 × 15
= 15 × 2 = 30 .

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

también 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.

Definición 51 (Vectores con igual dirección). Dos definiciones:

1. Dos vectores no nulos ~u, ~v ∈ Rn tienen igual dirección si el ángulo θ 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 dirección 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 dirección pues

Su producto escalar es

~u · ~v = 2 × 1 + 4 × 2 + 4 × 2
=2+8+8
126 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

v
y

Figura 3.23: dos vectores con igual dirección en R3

= 18 ,

y el producto de sus normas es

p p
k ~u kk ~v k = 22 + 42 + 42 12 + 22 + 22
√ √
= 4 + 16 + 16 1 + 4 + 4
√ √
= 36 9
=6×3
= 18 .

Como ~u · ~v = 18 =k ~u kk ~v k, entonces ~u y ~v tienen igual dirección. Observe que

~u = 2~v y que estos dos vectores también son paralelos.

Ejemplo 114. Los vectores ~u = (0, 3, 1, −2, 0) y ~v = (0, 6, 2, −4, 0) tienen igual
dirección 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

p p
k ~u kk ~v k = 02 + 32 + 12 + (−2)2 + 02 02 + 62 + 22 + (−4)2 + 02
 Vectores en Rn 127

√ √
= 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 dirección. Observe que

~u = 12 ~v y que estos dos vectores también son paralelos.
Ejercicio 140. ¿Tienen los vectores ~u = (1, 5, −1, 2, 4) y ~v = (2, 10, −2, 4, 8)
igual dirección? Pruebe su respuesta.
Ejercicio 141. Construya cinco pares de vectores en R4 tales que cada par tenga
igual dirección.
Teorema 38 (Desigualdad de Cauchy–Schwarz ). 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 Cauchy–Schwarz.
Solución.

|~u · ~v | = |(2, 3, 1, 2) · (0, −3, 1, 2)|

= | − 4|
= 4.

Ahora,
p p
k ~u kk ~v k = 22 + 32 + 12 + 22 02 + (−3)2 + 12 + 22
√ √
= 18 14
p √
= 2 × 32 2 × 7
p
= 22 × 32 × 7
√
= 2 × 3 7.

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 Cauchy–Schwarz.
128 Conceptos básicos de Álgebra 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 ,
hipótesis
p √
2 k ~u + ~v k= (~u + ~v ) · (~u + ~v ),
~ ∈ Rn , k w
∀w ~ k= ~ ·w
w ~
√
3
= ~u · ~u + ~u · ~v + ~v · ~u + ~v · ~v , propiedad del producto escalar
p
4
= k ~u k2 +2(~u · ~v )+ k ~v k2 , 2 y
razones de 3
p
5
6 k ~u k2 +2 k ~u kk ~v k + k ~v k2 , pues ~u · ~v 6k ~u kk ~v k
p
6
= (k u k + k v k)2 , 5 es trinomio cuadrado perfecto

7
=k ~u k + k ~v k, 6
simplificando .
2 a ,
Luego, por 7 k ~u + ~v k6k ~u k + k ~v k.

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) más la
distancia entre (4, 1) y (6, 5).

v
+
u v

Figura 3.24: ilustración 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

p
= 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.
Definición 52 (Vector unitario). Un vector unitario en Rn es aquel cuya longi-
tud es uno.
~ en la dirección de ~u = (2, −3, 4, 1)
Ejemplo 117. Encontrar un vector unitario w
Solución. La magnitud de ~u es
p
k ~u k = 22 + (−3)2 + 42 + 12
√
= 4 + 9 + 16 + 1
√
= 30
√
= 2 ×3 × 5.

Ası́,

~u
w
~=
k ~u k
(2, −3, 4, 1)
= √
30
 
2 −3 4 1
= √ ,√ ,√ , .
30 30 30 30
~ en la dirección de ~u = (2, 4, −2, 3, −4)
Ejercicio 144. Encontrar un vector unitario w
2 4 −2 3 4


Respuesta. 7 , 7 , 7 , 7 , − 7 .
130 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Definición 53 (Vectores coordenados unitarios en R3 ). En R3 existen tres vec-

tores unitarios, ortogonales entre sı́, llamados vectores coordenados unitarios;
ellos son: ı̂ = (1, 0, 0), ̂ = (0, 1, 0) y k̂ = (0, 0, 1).

La figura 3.25 ilustra estos vectores

j
i

Figura 3.25: vectores coordenados unitarios en R3

En términos de los vectores coordenados unitarios se puede expresar fácil-

mente cualquier otro vector en R3 .
Ejemplo 118. Expresar el vector ~u = (2, −4, 1) en términos de ı̂, ̂ y k̂.
Solución.

~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)
= 2ı̂ + (−4)̂ + 1k̂
= 2ı̂ − 4̂ + k̂ .

Ejercicio 145. Expresar el vector ~u = (−5, 8, 4) en términos de ı̂, ̂ y k̂.

En general, en Rn , cualquier vector ~u = (u1 , u2 , . . . , un ) puede ser expresado

fácilmente en términos 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 continuación, 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).
Solución.

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 ángulo θ1 entre ~u1 y ~u2 es

~u1 · ~u2 2 2
cos θ1 = =√ √ =√
k ~u1 k · k ~u2 k 14 · 15 2×7×3×5
 
2
θ1 = cos−1 √ .
2×7×3×5

Ejercicio 146. Encontrar el ángulo θ2 entre ~u1 y ~u3 , y el ángulo θ3 entre,

~u2 y ~u3 .

5. El vector unitario ~v1 en la dirección

 de ~u1 es 
~u1 (0, 2, −1, 3) 2 −1 3
~v1 = = √ = 0, √ , √ , √ .
k ~u1 k 14 14 14 14
132 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejercicio 147. Encontrar el vector unitario ~v2 en la dirección de ~u2 y el

vector unitario ~v3 en la dirección de ~u3 .

6. Encontrar algún vector w ~ 1 en la dirección de ~u1 .

Cualquier vector w~ 1 = c~u1 , con c > 0, tiene igual dirección que ~u1 .

Prueba. Observe la figura 3.26

u1

w1

Figura 3.26: vectores con igual dirección

~ 1 · ~u1 = (c~u1 ) · ~u1

w
= c(~u1 · ~u1 )
= c k ~u1 k2 (3.1)

kw
~ 1 k · k ~u1 k =k c~u1 k · k ~u1 k
= |c| k ~u1 k · k ~u1 k (3.2)
Como c > 0, entonces |c| = c, ası́ (3.1) = (3.2) y por tanto w
~ 1 · ~u1 =k w
~1 k
k ~u1 k . Luego w
~ 1 y ~u1 tienen igual dirección.

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 ecuación con cuatro incógnitas. 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 dirección que ~u1 ,

5. tres vectores con igual dirección que ~u2 ,

6. tres vectores con igual dirección 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 sección, entregue en forma
escrita, a su docente, aquellos que él le indique.

3.3 Aplicaciones de vectores en R3

Definición 54 (Producto cruz). En R3 , dados los vectores ~u = (u1 , u2 , u3 ) =

u1 ı̂ + u2 ̂ + u3 k̂ y ~v = (v1 , v2 , v3 ) = v1 ı̂ + v2 ̂ + v3 k̂ se define su producto cruz
como
 
 
 ı̂ ̂ k̂ 
 
~u × ~v = u1 u2 u3  (3.3)
 
 v1 v2 v3 
134 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

= (ı̂u2 v3 + u1 v2 k̂ + v1 ̂u3 ) − (k̂u2 v1 + u3 v2 ı̂ + v3 ̂u1 )

= (u2 v3 − u3 v2 )ı̂ + (u3 v1 − u1 v3 )̂ + (u1 v2 − u2 v1 )k̂ .

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 dirección está dada
por la regla de la mano derecha: oriente los dedos de su mano derecha (excepto
el pulgar que estará ortogonal a los primeros) en la dirección de ~u y desplácelos
hacia el vector ~v a través del ángulo más pequeño, entonces, hacia donde apunte
el dedo pulgar, es la dirección del vector ~u × ~v , observe la figura 3.28.

u x v

v
θ

Figura 3.28: regla de la mano derecha

Ejemplo 120. Dados ~u = 2ı̂ − ̂ + k̂ y ~v = ı̂ + 2̂ − k̂, encontrar w

~ = ~u × ~v .
Solución.
 
 
 ı̂ ̂ k̂ 
 
w
~ = 2 −1 1 
 
1 2 −1
= (ı̂ + 4k̂ + ̂) − (−k̂ + 2ı̂ − 2̂)
= −ı̂ + 3̂ + 5k̂ .

El vector w
~ es representado en la figura 3.29.

Ejercicio 150. Dados ~u = ı̂ − ̂ + 2k̂ y ~v = ı̂ + 2̂ + k̂, determinar w

~ = ~u × ~v .
Dibuje los tres vectores.
Respuesta. −5ı̂ + ̂ + 3k̂.
 Vectores en Rn 135

w = u +v

u
v

Figura 3.29: producto cruz entre los vectores ~u y ~v

~ ∈ R3 y c un
Teorema 40 (Propiedades del producto cruz). Sean ~u, ~v y w
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 ~ · ~u)~v − (w
~ = (w ~ · ~v )~u

9. (~u × ~v ) · w
~ = ~u · (~v × w).
~
136 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Prueba de 1. ~u × ~v = −(~v × ~u)

1 Sean ~u = (u1 , u2 , u3 ) y ~v = (v1 , v2 , v3 ) ∈ R3 ,
hipótesis
 
 ı̂ ̂ k̂ 
 
2 ~u × ~v = u1 u2 u3 ,
por 1 y definición de produc-

 v1 v2 v3 
 to cruz
 
 
 ı̂ ̂ k̂ 
 
3
= −  v1 v2 v3 , propiedad de determinante
 
u1 u2 u3 
4
= −(~v × ~u), 2
razón de .
2 a .
Luego, ~u × ~v = −(~v × ~u), por 4

Ejemplo 121. Dados ~u = ı̂ + 3̂ − k̂ y ~v = 2ı̂ − ̂ + k̂, encontrar ~u × ~v y ~v × ~u.

Solución.
 
 
 ı̂ ̂ k̂ 
 
~u × ~v = 1 3 −1
 
2 −1 1 
= (3ı̂ − k̂ − 2̂) − (6k̂ + ı̂ + ̂)
= 2ı̂ − 3̂ − 7k̂ .

Ahora,

 
 
 ı̂ ̂ k̂ 
 
~v × ~u = 2 −1 1 
 
1 3 −1
= (ı̂ + 6k̂ + ̂) − (−k̂ + 3ı̂ − 2̂)
= −2ı̂ + 3̂ + 7k̂ .

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.
 Vectores en Rn 137

Prueba de 2. ~u × (~v + w)
~ = ~u × ~v + ~u × w ~
1 Sean ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y

hipótesis
~ = (w1 , w2 , w3 ) ∈ R3 ,
w
2
~u × (~v + w)
~ =~u × (v1 + w1 , v2 + w2 , v3 + w3 ), por 1 y suma de
  vectores
 
 ı̂ ̂ k̂ 
 
3
= u1 u2 u3 , definición de pro-
 
v1 + w1 v2 + w2 v3 + w3  ducto cruz
4
= [u2 (v3 + w3 ) − u3 (v2 + w2 )] ı̂+
[u3 (v1 + w1 ) − u1 (v3 + w3 )]̂+ 3
resolviendo
[u1 (v2 + w2 ) − u2 (v1 + w1 )]k̂,
5
= (u2 v3 − u3 v2 )ı̂ + (u3 v1 − u1 v3 )̂+
(u1 v2 − u2 v1 )k̂ + (u2 w3 − u3 w2 )ı̂+ propiedades en R

(u3 w1 − u1 w
 3 )̂ + (u1 w2 − u2 w1 )k̂,
   
 ı̂ ̂ k̂   ı̂ ̂ k̂ 
   
6
=u1 u2 u3  +  u1 u2 u3 , 5
resolviendo
   
 v1 v2 v3  w1 w2 w3 
7
= ~u × ~v + ~u × w,
~ 3
razón de .
Luego, ~u × (~v + w)
~ = ~u × ~v + ~u × w, 2 a .
~ por 7

Ejemplo 122. Dados ~u = ı̂ − 2̂ + k̂, ~v = ı̂ − 2̂ + 2k̂ y w

~ = ı̂ + 2̂ + k̂, encontrar
~u × (~v + w)
~ y ~u × ~v + ~u × w.
~
Solución.

~u × (~v + w)
~ = (ı̂ − 2̂ + k̂) × (ı̂ − 2̂ + 2k̂) + (ı̂ + 2̂ + k̂)
= (ı̂ − 2̂ + k̂) × (2ı̂ + 0̂ + 3k̂)
 
 
 ı̂ ̂ k̂ 
 
= 1 −2 1
 
2 0 3
= (−6ı̂ + 0k̂ + 2̂) − (−4k̂ + 0ı̂ + 3̂)
= −6ı̂ − ̂ + 4k̂ .
138 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ahora,
   
   
 ı̂ ̂ k̂   ı̂ ̂ k̂ 
   
~u × ~v + ~u × w
~ = 1 −2 1 + 1 −2 1
   
1 −2 2 1 2 1


= (−4ı̂ − 2k̂ + ̂) − (−2k̂ − 2ı̂ + 2̂) +


(−2ı̂ + 2k̂ + ̂) − (−2k̂ + 2ı̂ + ̂)
= (−2ı̂ − ̂ + 0k̂) + (−4ı̂ + 0̂ + 4k̂)
= −6ı̂ − ̂ + 4k̂ .
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

~v = (v1 , v2 , v3 ) ∈ R3 , y c un escalar, hipótesis
 
 ı̂ ̂ k̂ 
 
2
c(~u × ~v ) = c u1 u2 u3 , 1 y definición de producto cruz
por
 
 v1 v2 v3 
 
 
 ı̂ ̂ k̂ 
c  
3
= cu1 cu2 cu3 , propiedad de determinante
c 
 v1 v2 v3 
4
= (c~u) × ~v ,  3 y definición de producto cruz
de
 
 ı̂ ̂ k̂ 
 
5
c(~u × ~v ) = c u1 u2 u3 , 2
razón de
 
 v1 v2 v3 
 
 
 ı̂ ̂ k̂ 
c  
6
=  u1 u2 u3 , 3
razón de
c 
cv1 cv2 cv3 
7
= ~u × (c~v ), 6 y definición de producto cruz.
de
 Vectores en Rn 139

2 a
Luego, c(~u × ~v ) = (c~u) × ~v = ~u × (c~v ), por 7

Ejemplo 123. Dados c = 2, ~u = ı̂ − 2̂ + k̂ y ~v = 2ı̂ − 2̂ + 2k̂, encontrar c(~u × ~v )

y (c~u) × ~v .
Solución.
 
 
 ı̂ ̂ k̂ 
 
c(~u × ~v ) = 2 1 −2 1
 
1 −2 2


= 2 (−4ı̂ − 2k̂ + ̂) − (−2k̂ − 2ı̂ + 2̂)
= 2(−2ı̂ − ̂ + 0k̂)
= −4ı̂ − 2̂ + 0k̂ .

Ahora,

(c~u) × ~v = 2(ı̂ − 2̂ + k̂) × (ı̂ − 2̂ + 2k̂)
= (2ı̂ − 4̂ + 2k̂) × (ı̂ − 2̂ + 2k̂)
 
 
 ı̂ ̂ k̂ 
 
= 2 −4 2
 
1 −2 2
= (−8ı̂ − 4k̂ + 2̂) − (−4k̂ − 4ı̂ + 4̂)
= −4ı̂ − 2̂ + 0k̂ .

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 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

1
Sea ~u = (u1 , u2 , u3 ) ∈ R3 , hipótesis
 
 ı̂ ̂ k̂ 
 
2
~u × ~u = u1 u2 u3 , 1 y definición
por

u1 u2 u3 
 de producto cruz
3
= (u2 u3 − u3 u2 )ı̂ + (u3 u1 − u1 u3 )̂+
(u1 u2 − u2 u1 )k̂, 2
resolviendo
4
= 0ı̂ + 0̂ + 0k̂, 3
simplificando .
Luego, ~u × ~u = ~0, por 2 y 3

Ejemplo 124. Dado ~u = 2ı̂ − 2̂ − 4k̂, encontrar ~u × ~u.

Solución.
 
 
 ı̂ ̂ k̂ 
 
~u × ~u = 2 −2 −4
 
2 −2 −4
= (8ı̂ − 4k̂ − 8̂) − (−4k̂ + 8ı̂ − 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 , hipótesis
 
 
 ı̂ ̂ k̂ 
 
2 ~0 × ~u =  0 0 0 ,
1 y definición de producto cruz
por
 
u1 u2 u3 
3
= 0ı̂
 + 0̂ + 0k̂, 2
resolviendo
 
 ı̂ ̂ k̂ 
 
4
~u × ~0 = u1 u2 u3 , 2
razón de
 
0 0 0
5
= 0ı̂ + 0̂ + 0k̂, 4
resolviendo .
Luego, ~0 × ~u = ~u × ~0 = ~0, por
2 a 5
 Vectores en Rn 141

Ejemplo 125. Dado ~u = 6ı̂ − 3̂ − k̂, encontrar ~u × ~0.

Solución.
 
 
 ı̂ ̂ k̂ 
 
~u × ~0 = 6 −3 −1
 
0 0 0
= (0ı̂ + 0k̂ + 0̂) − (0k̂ + 0ı̂ + 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 
~ = (w1 , w2 , w3 ) ∈ R3 .
~v = (v1 , v2 , v3 ) y w

Prueba de 9. (~u × ~v ) · w
~ = ~u · (~v × w)
~
1
Sean ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) hipótesis
yw ~ = (w1 , w2, w3 ) ∈ R3 , 
 
 u1 u2 u3 
 
2
(~u × ~v ) · w
~ =  v1 v2 v3 , 1 y tarea 157
por
 
w1 w2 w3 
 
 
w1 w2 w3 
 
3
= −  v1 v2 v3 , propiedad de determinantes

 u1 u2 u3 
 f1 ↔ f3
 
 
v
 1 v 2 v 3
 
4
= −(−) w1 w2 w3 , propiedad de determinantes

 u1 u2 u3 
 f1 ↔ f2
5
= (~v × w)
~ · ~u, 2
razón de
6
= ~u · (~v × w),
~ conmutatividad del producto
escalar.
Luego (~u × ~v ) · w
~ = ~u · (~v × w), 2 a .
~ por 6
142 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Hacer ejemplo

Teorema 41 (Ángulo entre dos vectores en R3 ). Dados ~u, ~v ∈ R3 , el ángulo

entre ~u y ~v está dado por

k ~u × ~v k
sen θ = .
k ~u kk ~v k

Ejemplo 126 (Área de un triángulo (△) en R3 ). Dado el △ delimitado por los

vectores ~u, ~v y ~u − ~v , figura 3.30, con ~u, ~v ∈ R3 , su área es

u -v
h
u

θ v

Figura 3.30: área de un △ en R3

k ~u k h
A△ =
2
k ~u k (k ~v k sen θ)
=
2
k ~u kk ~v k k ~u × ~v k
= ×
2 k ~u kk ~v k
k ~u × ~v k
= .
2
Ejemplo 127. Encontrar el área del △ delimitado por los vectores ~u = (3, 1, 2)
y ~v = (−1, −3, 1).
Solución. En la figura 3.31 se muestra el triángulo
 
 
 ı̂ ̂ k̂ 
 
~u × ~v =  3
 1 2
 
−1 −3 1
 Vectores en Rn 143

z
v = (-1,-3,1)

u = (3,2,1)
x

Figura 3.31: área de un △ en R3

= (ı̂ − 9k̂ − 2̂) − (−k̂ − 6ı̂ + 3̂)

= 7ı̂ − 5̂ − 8k̂ .

Ahora, el área del triángulo es

1 1p 2
A△ = k ~u × ~v k= 7 + (−5)2 + (−8)2
2 2
1√ 1√
= 138 = 2 × 3 × 23
2
r 2
3 × 23
= .
2
Ejercicio 158. Determinar el área del △ delimitado por los vectores ~u = (1, 3, 2)
y ~v = (2, −1, 1). Dibujar el triángulo.
√
83
Respuesta. 2 .

Ejemplo 128. Encontrar el área del △ delimitado por los puntos P1 = (3, −1, 0),
P2 = (2, 3, 2) y P3 = (−2, 0, 3).
−→ −→
Solución. Sea ~u = P1 P2 = (−1, 4, 2) y ~v = P1 P3 = (−5, 1, 3) como se muestra
en la figura 3.32
 
 
 ı̂ ̂ k̂
 
~u × ~v = −1 4 2
 
−5 1 3
= (12ı̂ − k̂ − 10̂) − (−20k̂ + 2ı̂ − 3̂)
= 10ı̂ − 7̂ + 19k̂
= (10, −7, 19) .
144 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

P3

v
P2

P1

Figura 3.32: área de un △ en R3

Ahora, el área del triángulo es

1 1p 2
A△ = k ~u × ~v k= 10 + (−7)2 + (19)2
2 2
1√
= 510 .
2
Ejercicio 159. Determinar el área del △ delimitado por los puntos P1 =
(1, −2, 2), P2 = (0, 2, 1) y P3 = (2, 1, −1). Dibujar el triángulo.
q
Respuesta. 73 2 .

Área de un paralelogramo en R3 . El área de un paralelogramo en R3 , defi-

nido por los vectores ~u y ~v (figura 3.33) es
A =k ~u × ~v k .
♦

Ejemplo 129. Encontrar al área del paralelogramo determinado por los vectores
~u y ~v del ejemplo 128.
√ √
Solución. Como A△ es 21 510, entonces A = 510.
♦

Ejercicio 160. Determinar el área 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

Figura 3.33: área de un paralelogramo en R3

Volumen de un paralelepı́pedo. Dado un paralelepı́pedo determinado por

los vectores ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y w
~ = (w1 , w2 , w3 ), figura 3.34, su
volumen está determinado por

Vp =k ~v × w
~ k (k ~u k cos θ), base por altura
~ , pues cos θ = k~(~
= abs (~u · (~v × w)) v ×w)·~
~ u
v ×wkk~
~ uk
 
 
 u u2 u3 
 1 
= abs 

 v1 v2 v3  , por ejercicio 157.

 
w1 w2 w3 

Ejemplo 130. Encontrar el volumen del paralelepı́pedo determinado por los

vectores ~u = (1, 7, 3), ~v = (−2, 1, 1) y w
~ = (−1, 0, 4).
Solución. Al dibujar los tres vectores se obtiene el paralelepı́pedo mostrado en
la figura 3.35.
 
 
 1 7 3
 
Vp = abs 

−2 1 1

 
−1 0 4


= abs (4 + 0 − 7) − (−3 + 0 − 56)
= 56 .
Ejercicio 161. Encontrar el volumen del paralelepı́pedo determinado por los
vectores ~u = (1, 5, 0), ~v = (−3, 2, 1) y w
~ = (−2, 0, 4).
Respuesta. 58.
146 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

v xw

||u ||cos θ

θ
w

Figura 3.34: volumen de un paralelepı́pedo

w =(-1,0 ,4)

v =(-2,1,1)
u =(1,7,3)

y
x

Figura 3.35: volumen de un paralelepı́pedo

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 cómo 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 = (x, y, z) es

~x = w
~ 0 + t~u . (3.4)

z
l
P o=(x o,y o,z o)

w0
tu

y
x
P=(x ,y ,z )
x
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 paramétricas.

Al despejar t en (3.5) se obtiene
x − x0 y − y0 z − z0
= = ,
a b c
llamada la forma simétrica de l.

Ejemplo 131. Encontrar las ecuaciones paramétricas y la forma simétrica de la

recta l que es paralela al vector ~u = (−2, 4, 1) y pasa por el punto P0 = (1, −2, 5).
148 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

z
x =(x ,y ,z )
l

P 0 =(1,-2,5)

w0
u =(-2,4,1)

y
x

Figura 3.37: recta en R3

Solución. 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 paramétricas. Despejando t en (3.6) obtenemos la forma

simétrica
x−1 y+2
t= = = z − 5.
−2 4
Ejercicio 162. Determinar las ecuaciones paramétricas y la forma simétrica 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 paramétricas y la forma simétrica de
la recta l que pasa por los puntos P0 = (2, −2, 1) y P1 = (−1, 1, 3).
 Vectores en Rn 149

z
x
P= (x , y , z )
P 1= (-1, 1, 3) x

tu u

P 0 = (2, -2, 1)
x y
l P0
x

Figura 3.38: recta en R3

Solución. 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 paramétricas son

x = 2 − 3t
y = −2 + 3t
z = 1 + 2t .

Y la forma simétrica es
x−2 y+2 z−1
= = .
−3 3 2
150 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejercicio 163. Determinar las ecuaciones paramétricas y la forma simétrica 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 ecuación 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.

n =(a ,b,c)

P = (x ,y ,z ) x
P 0 = (x 0 ,y 0 ,z 0 )
y

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 ecuación del plano que pasa por el punto P0 =
(2, −2, 4) y es perpendicular al vector ~n = (1, 3, 2).
Solución. Observe una aproximación 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
 Vectores en Rn 151

z
n =(1,3,2)

P 0 = (2,-2,4)

P= (x ,y ,z ) y

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 ecuación 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 ecuación del plano que pasa por los puntos P1 =
(3, −1, 1), P2 = (0, 5, 1) y P3 = (−1, 1, 4).

Solución. 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
 
 
 ı̂ ̂ k̂ 
 
= −3 6 0
 
−4 2 3
152 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

z
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)ı̂ + (0 − (−9))̂ + (−6 − (−24))k̂

= 18ı̂ + 9̂ + 18k̂
= (18, 9, 18) .

Entonces, la ecuación 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 ecuación 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 sección, entregue en forma

escrita, a su docente, aquellos que él le indique.
Unidad 4

Espacios Vectoriales

4.1 Rn como espacio vectorial

Los vectores en Rn , con las operaciones + y · (acá · significa simplemente la

multiplicación 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.
~ ∈ Rn y c, d escalares, entonces:
Dados ~u, ~v , w

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)

154 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

10. 1~u = ~u.

Prueba de 1.
1 ~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) ∈ Rn ,
hipótesis
2
~u + ~v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ), 1
por
3
= (u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
ui + vi ∈ R para i = 1, . . . , n, clausuratividad en R.
Luego, ~u + ~v ∈ Rn por
2 a .
4

Ejemplo 135. Sean ~u = (4, −3, 5) y ~v = (−5, 2, −1) dos vectores en R3 . Verifi-
quemos 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 definición 44, la suma de vectores fue definida para
sumar siempre dos vectores del mismo tamaño y que como resultado siempre
obtenemos un vector de ese mismo tamaño. Por ejemplo, al sumar dos vectores
en R2 , obtenemos un vector en R2 ; similar para R3 ; y ası́ sucesivamente. Es decir,
nosotros no sabemos sumar vectores de diferente tamaño, 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 súmelos, cree dos vectores en R4 y

súmelos, cree dos vectores en R5 y súmelos y, por último, cree dos vectores en
R6 y súmelos.
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 quedó con dudas, los ejercicios numéricos
le ayudarán a convencerse.

Prueba de 2.
 Espacios vectoriales 155

1
~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) ∈ Rn , hipótesis
2
~u + ~v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ), 1
por
3
= (u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
= (v1 + u1 , v2 + u2 , . . . , vn + un ), conmutatividad en R
5
= (v1 , v2 , . . . , vn ) + (u1 , u2 , . . . , un ), suma de vectores
6
= ~v + ~u, 1
por .
2 a .
Luego, ~u + ~v = ~v + ~u por 6

Ejemplo 136. Suponga que ~u = (u1 , u2 ) y ~v = (v1 , v2 ) son dos vectores cuales-
quiera 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 números en los dos vectores.

Ejercicio 169. Pruebe que para R3 , la parte 2 del teorema 42 se cumple.

Prueba de 3.      
u1 v1 w1
     
 u2   v2   w2 
~ =  .  ∈ Rn ,
     
1
Sean ~u =  . , ~v =  .  y w hipótesis
 ..   ..   .. 
     
un vn w
     n 
u1 v1 w1
     
 u2   v2   w2 
     
2
(~u + ~v ) + w
~ =  .  +  .  +  . , 1
por
 ..   ..   .. 
     
un vn wn
156 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

   
u 1 + v1 w1
   
 u2 + v2   w2 
   
3
= ..  +  . , suma de vectores.
 .   .. 
   
un + vn wn
 
(u1 + v1 ) + w1
 
 (u2 + v2 ) + w2 
 
4
= .. , suma de vectores

 . 

(un + vn ) + wn
 
u1 + (v1 + w1 )
 
 u2 + (v2 + w2 ) 
 
5
= .. , asociatividad en R

 . 

un + (vn + wn )
   
u1 v1 + w1
   
 u2   v2 + w2 
   
6
= . + .. , suma de vectores
 ..   . 
   
un vn + w n
     
u1 v1 w1
     
 u2   v2   w2 
     
7
=  .  +  .  +  . , suma de vectores
 ..   ..   .. 
     
un vn wn
8
= ~u + (~v + w),
~ 1
por .
Luego (~u + ~v ) + w 2 a .
~ por
~ = ~u + (~v + w), 8

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 )
 Espacios vectoriales 157

= (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 números 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 , hipótesis
2 ~u + ~0 = (u1 , u2 , . . . , un ) + (0, 0, . . . , 0), por 1
3
= (u1 + 0, u2 + 0, . . . , un + 0), suma de vectores
4
= (u1 , u2 , . . . , un ), propiedad en R
5
= ~u, 1
por .
Luego ~u + ~0 = ~u, por
2 a .
5

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 números 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 , hipótesis
2
~u + (−~u) = (u1 , u2 , . . . , un ) + (−u1 , −u2 , . . . , −un ), 1
por
3
= (u1 + (−u1 ), u2 + (−u2 ), . . . , un + (−un )), suma de vectores
4
= (u1 − u1 , u2 − u2 , . . . , un − un ), propiedad en R
5
= (0, 0, . . . , 0), suma en R
6
= ~0, 1 en prueba 4.
por
158 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Luego, ~u + (−~u) = ~0 por

2 a .
6

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 números 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,
hipótesis
2
c~u = c(u1 , u2 , . . . , un ), 1
por
3
= (cu1 , cu2 , . . . , cun ), escalar por un vector
4
cui ∈ R para i = 1, . . . , n, clausuratividad en R.
Luego, c~u ∈ Rn por
2 a .
4

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.
 Espacios vectoriales 159

1
~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) ∈ Rn y
hipótesis
c un escalar,
2
c(~u + ~v ) = c[(u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn )], 1
por
3
= c(u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
= (c(u1 + v1 ), c(u2 + v2 ), . . . , c(un + vn )), escalar por un vector
5
= (cu1 + cv1 , cu2 + cv2 , . . . , cun + cvn ), distributividad en R
6
= (cu1 , cu2 , . . . , cun ) + (cv1 , cv2 , . . . , cvn ), suma de vectores
7
= c(u1 , u2 , . . . , un ) + c(v1 , v2 , . . . , vn ), escalar por un vector
8
= c~u + c~v , 1
por .
2 a
Luego c(~u + ~v ) = c~u + c~v , por 8

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 números 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 sección, entregue en forma
escrita, a su docente, aquellos que él le indique.

4.2 Espacios vectoriales

Definición 55 (Espacio vectorial). Un espacio vectorial es una tripleta (V, ⊕, ⊙),

donde V es un conjunto no vacı́o, por ejemplo Rn , dotado de dos operaciones:
160 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

operación cruz ⊕ (entre dos elementos pertenecientes a V ) y operación punto ⊙

(entre un escalar y un elemento perteneciente a V ), en el que se satisfacen las
siguientes 10 propiedades:
~ ∈ V y c, d escalares, entonces:
Dados ~u, ~v , w

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. También, para denotar el espacio

vectorial (V, ⊕, ⊙), emplearemos V , cuando no dé lugar a confusión.
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 ⊙ = ·, multiplicación de un escalar por un vector. ¿Es la terna
(W, +, ·) un espacio vectorial?
~ = (0, w1 ) ∈ W , y los
Solución. Sean los vectores ~u = (0, u1 ), ~v = (0, v1 ) y w
escalares c, d ∈ R. Veamos que sı́ se cumplen las 10 propiedades:

1. ¿~u ⊕ ~v pertenece a W ?
~u ⊕ ~v = ~u + ~v , por hipótesis
= (0, u1 ) + (0, v1 ) , por hipótesis
= (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 .
 Espacios vectoriales 161

2. ¿~u ⊕ ~v = ~v ⊕ ~u?

~u ⊕ ~v = ~u + ~v , por hipótesis
= (0, u1 + v1 ) , por propiedad 1
= (0 + 0, v1 + u1 ) , propiedades en R
= (0, v1 ) + (0, u1 ) , suma de vectores
= ~v + ~u , por hipótesis
= ~v ⊕ ~u , por hipótesis.

Luego, la suma, ‘+’, es conmutativa en W .

3. ¿~u ⊕ (~v ⊕ w)
~ = (~u ⊕ ~v ) ⊕ w?
~

~u ⊕ (~v ⊕ w)
~ = ~u + (~v + w),
~ por hipótesis
 
= (0, u1 ) + (0, v1 ) + (0, w1 ) , por hipótesis
= (0, u1 ) + (0, v1 + w1 ), suma de vectores


= 0, u1 + (v1 + w1 ) , suma de vectores


= 0, (u1 + v1 ) + w1 , asociatividad en R
= (0, u1 + v1 ) + (0, w1 ), suma de vectores
 
= (0, u1 ) + (0, v1 ) + (0, w1 ), suma de vectores
= (~u + ~v ) + w
~, por hipótesis
= (~u ⊕ ~v ) ⊕ w
~, por hipótesis.

Luego la suma, ‘+’, es asociativa en W .

4. ¿Existe un elemento neutro ~0 ∈ W , tal que ~u ⊕ ~0 = ~u?

Sı́, el elemento es ~0 = (0, 0). Obsérvese:

~u ⊕ ~0 = ~u + ~0 , por hipótesis
= (0, u1 ) + (0, 0) , por hipótesis
= (0 + 0, u1 + 0) , suma de vectores
= (0, u1 ) , suma de reales
= ~u , por hipótesis.

Luego, ~0 = (0, 0) es el elemento neutro.

162 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

5. ¿Existe un elemento inverso para todo ~u ∈ W ?

Sı́, el elemento inverso para algún ~u = (0, u1 ) es −~u = (0, −u1 ).
Obsérvese:

~u ⊕ (−~u) = ~u + (−~u) , por hipótesis

= (0, u1 ) + (0, −u1 ) , por hipótesis


= 0, u1 + (−u1 ) , suma de vectores
= (0, 0) , propiedad en R
= ~0 , por hipótesis de 4.

6. ¿c ⊙ ~u ∈ W ?

c ⊙ ~u = c~u , por hipótesis

= c(0, u1 ) , por hipótesis
= (c0, cu1 ) , multiplicación 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 hipótesis

= c (0, u1 ) + (0, v1 ) , por hipótesis
= c(0, u1 + v1 ) , suma de vectores
= (c0, c(u1 + v1 )) , multiplicación por un escalar
= (0, cu1 + cv1 ) , propiedad en R
= (0, cu1 ) + (0, cv1 ) , suma de vectores
= c(0, u1 ) + c(0, v1 ) , multiplicación por un escalar
= c~u + c~v , por hipótesis
= c ⊙ ~u ⊕ c ⊙ ~v , por hipótesis.

8. ¿(c + d) ⊙ ~u = c ⊙ ~u ⊕ d ⊙ ~u?

(c + d) ⊙ ~u = (c + d)~u , por hipótesis

= (c + d)(0, u1 ) , por hipótesis


= (c + d)0, (c + d)u1 , multiplicación 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 ) , multiplicación por un escalar
= c~u + d~u , por hipótesis
= c ⊙ ~u ⊕ d ⊙ ~u , por hipótesis.

9. ¿c ⊙ (d ⊙ ~u) = (cd) ⊙ ~u?

c ⊙ (d ⊙ ~u) = c(d~u) , por hipótesis

= c d(0, u1 ) , por hipótesis
= c(0, du1 ) , multiplicación por un escalar
= (0, c(du1 )) , multiplicación por un escalar
= (0, (cd)u1 ) , asociatividad en R
= (cd)(0, u1 ) , multiplicación por un escalar
= (cd)~u , por hipótesis
= (cd) ⊙ ~u , por hipótesis.

c ⊙ (d ⊙ ~u) = d ⊙ (c ⊙ ~u) se prueba en forma similar.

10. ¿(1 ⊙ ~u) = ~u?

1 ⊙ ~u = 1~u , por hipótesis

= 1(0, u1 ) , por hipótesis
= (0, 1u1 ) , multiplicación por un escalar
= (0, u1 ) , propiedad en R
= ~u , por hipótesis.

Luego, por 1 a 10, (W, +, ·) sı́ es un espacio vectorial.

Ejemplo 143 (Espacio no vectorial). Dados W , conjunto formado por los vec-
tores de la forma (1, x), con x ∈ R, y las operaciones: ⊕ = +, suma normal de
vectores en R2 , y ⊙ = ·, multiplicación de un escalar real por un vector. ¿Es
(W, ⊕, ⊙) un espacio vectorial?
Solución. Sean ~u = (1, u1 ) y ~v = (1, v1 )

1. ¿Pertenece ~u ⊕ ~v a W ?

No, porque ~u ⊕ ~v = ~u + ~v
164 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

= (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?

~ = (w1 , w2 ) ∈ R2 y c, d ∈ R.
Solución. Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ), w

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 165

4. 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. c ⊙ ~u = c ⊙ (u1 , u2 )
= (cu1 , u2 ) ∈ R2 .
 
7. 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 está definida la operación ⊙.
166 Conceptos básicos de Álgebra 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 multiplicación de un escalar real por una matriz, es un espacio vectorial; es
decir, probar que (M2×2 , +, ·) es un espacio vectorial.
Ayuda. " # " # " #
a1 a2 b1 b2 c1 c2
Defina A = ,B= ,C= ∈ M2×2 , y d, e ∈ R.
a3 a4 b3 b4 c3 c4
Ejemplo 145 (Espacio vectorial). Sea P2 el conjunto formado por todos los
polinomios de grado menor o igual a dos, ⊕ es la operación suma normal de
polinomios y ⊙ es la operación multiplicación de un escalar real por un polinomio.
¿Es (P2 , ⊕, ⊙) un espacio vectorial?
Solución. 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 167

= 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) .


9 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 )

168 Conceptos básicos de Álgebra 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 multiplicación usual por un escalar, es un espacio
vectorial.

Ejercicio 183. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.

4.3 Subespacios vectoriales

Definición 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 ⊙ = ·, multiplicación de un
escalar por un vector. ¿Es la terna (W, +, ·) un espacio vectorial?
Solución. Claramente W es subconjunto de R2 . Entonces, para responder a
la pregunta solo es necesario mostrar que la suma de dos vectores cualesquiera
 Espacios vectoriales 169

pertenecientes a W y la multiplicación 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 hipótesis

= (0 + 0, u1 + v1 ) , por suma de vectores
= (0, u1 + v1 ) , módulo 0 en R.

Como el primer elemento es un cero y u1 +v1 ∈ R, se concluye que el vector

~u ⊕ ~v ∈ W . 1

2. ¿c ⊙ ~u pertenece a W ?

c ⊙ ~u = c(0, u1 ) , por hipótesis

= (c0, c(u1 + v1 )) , multiplicación 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

vector c ⊙ ~u ∈ W . 2

1 y ,
Luego, de 2 se concluye que W sı́ es un subespacio de M3×2 .

Ejemplo 149 (Subespacio vectorial). Al principio del curso conocimos las ma-
trices de tamaño m × n y sus propiedades, pues bien, se puede probar que Mm×n
con las operaciones ⊕ = +, suma de matrices, y ⊙ = ·, multiplicación de un es-
calar por una matriz, conforman un espacio vectorial (se reta al estudiante a
hacerlo).
Ahora, dado
  


 a1 0 



S =  0 a2  / a1 , a2 , a3 , ∈ R ,
 

 

 a 0 
3

¿es (S, +, ·) subespacio del espacio vectorial (M3×2 , +, ·)?

Solución.
170 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

   
a1 0 b1 0
   
~ =  0 a2  y B
1. Sean A ~ =  0 b2  con a1 , a2 , a3 , b1 , b2 , b3 ∈ R.
   
a3 0 b3 0
   
a1 0 b1 0
   
~+B
A ~ =  0 a2  +  0 b2 
   
a3 0 b3 0
 
a 1 + b1 0
 
= 0 .
a 2 + b2 
a 3 + b3 0

~ +B
como a1 + b1 , a2 + b2 y a3 + b3 ∈ R y las otras entradas de A ~ son cero,
~+B
entonces A ~ ∈ S. 1
 
a1 0
 
2. Sea d ∈ R y A ~ =  0 a2 , entonces
 
a3 0
 
a1 0
 
~ = d 0
dA a2 
 
a3 0
 
da1 0
 
=
 0 .
da2 
da3 0

~ son cero, entonces

Como da1 , da2 y da3 ∈ R y las otras entradas de dA
~ ∈ S.
dA 2

1 y ,
Luego, de 2 se concluye que S sı́ es un subespacio de M3×2 .

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.
Solución.
 Espacios vectoriales 171

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 . 1

2. Sea c ∈ R y p~ = a2 t2 + a1 t + a0 ∈ P2 , entonces

p = c(a2 t2 + a1 t + a0 )
c~
= c a2 t 2 + c a1 t + c a0 .

Como ca2 , ca1 y ca0 ∈ R, entonces c~

p ∈ P2 . 2

1 y ,
Luego, de 2 se concluye que P2 sı́ es un subespacio de Pn .

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 .
Solución.

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 con-
dición cuando c es cero:

2. Sea c ∈ R y p~ = a2 t2 + a1 t + a0 ∈ P2 , entonces

p = c(a2 t2 + a1 t + a0 )
c~
= 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

Definición 57 (Combinación lineal). En un espacio vectorial V , un vector ~u se

dice que es combinación lineal (CL) de un conjunto de vectores {~u1 , ~u2 , . . . , ~un } si
existe una forma de expresarlo como una suma de todos estos vectores multipli-
cados 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 (Combinación 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 combinación lineal de los vectores ~u1 y ~u2

Ejemplo 153 (Combinación 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)?
Solución. 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 . (4.3)
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

 Espacios vectoriales 173

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
sı́ es CL de ~u1 , ~u2 y ~u3 .

Ejemplo 154 (Combinación lineal). ¿En el espacio vectorial (M2×2 , +, ·), es el

vector
" #
2 5
~v =
−4 0

combinación lineal de los vectores

" # " # " #
2 0 0 10 0 0
~v1 = , ~v2 = y ~v3 = ?
0 0 0 0 2 0

Solución.

c1~v1 + c2~v2 + c3~v3 = ~v

" # " # " # " #
2 0 0 10 0 0 2 5
c1 + c2 + c3 =
0 0 0 0 2 0 −4 0
" # " #
2c1 + 0c2 + 0c3 0c1 + 10c2 + 0c3 2 5
= .
0c1 + 0c2 + 2c3 0c1 + 0c2 + 0c3 −4 0

Igualando término a término tenemos


2c1 =2 


c1 = 1

 

10c2 =5 
⇒ c2 = 1/2
2c3 = −4




c = −2 .

 3
0 =0

Ası́, 1~v1 + 21 ~v2 − 2~v3 = ~v , entonces ~v sı́ es CL de ~v1 , ~v2 , y ~v3 .

Ejemplo 155 (Combinación lineal). ¿En P2 , es el vector p~ = 4t2 − 10t + 16 CL

de p~1 = 2t2 + t + 3 y ~
p2 = 3t + 5?
174 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Solución.

c1 ~
p1 + c2 ~
p2 = p~
c1 (2t + t + 3) + c2 (3t + 5) = 4t2 − 10t + 16
2

2c1 t2 + (c1 + 3c2 )t + (3c1 + 5c2 ) = 4t2 − 10t + 16 .

De donde se obtiene
 
2c1 t2 = 4t2 

 2c1 + 0c2 = 4


c1 t + 3c2 t = −10t ⇒ c1 + 3c2 = −10

 

3c1 + 5c2 = 16  3c + 5c = 16 .
1 2

Resolviendo por Gauss-Jordan

 ..   .. 
2 0 . 4 1 0 . 2
.. ..
f1 ← 12 f1 1
   
1 3 . −10 3 . −10
.. ..
3 5 . 16 3 5 . 16
 ..   . 
1 0 . 2 1 0 .. 2
f2 ← f2 − f1  .. f3 ← 15 f3  .
1 .. −4
 
f3 ← f3 −3f1
0 3 . −12 f2 ← 13 f2 0

.. .
0 5 . 10 0 1 .. 2
 .. 
1 0 . 2
 .. 
f3 ← f3 − f2 
0 1 . −4 .
..
0 0 . 6

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 .

Definición 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}
gen{A, ~ = c1 A
~ + c2 B
~
" # " #
1 0 0 0
= c1 + c2
0 0 0 1
" #
c1 0
= ,
0 c2

~ B}
es decir, {A, ~ genera el conjunto de matrices diagonales de dimensión dos por
dos.
Ejercicio 184. Con qué matrices generarı́amos el conjunto de matrices escalares
de dimensión 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.
Solución. 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 .
Definición 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejemplo 159 (Conjunto generador). En el espacio vectorial (R2 , +, ·), ¿los vec-
tores ~u1 = (1, 1) y ~u2 = (−1, 1) generan a R2 ?
Solución. En general, un vector en R2 es de la forma ~u = (a, b) con a, b ∈ R.
Expresemos el vector ~u en términos de los vectores ~u1 y ~u2 , es decir, c1 ~u1 +c2 ~u2 =
~u. Ahora, sino existen restricciones para c1 y c2 , en términos de a y b, diremos
que ~u1 y ~u2 sı́ 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 Gauss–Jordan (hacerlo) encontramos que

a+b b−a
c1 = y c2 = .
2 2

Como no existen restricciones para c1 ni para c2 , entonces ~u1 y ~u2 sı́ generan a
R2 .

Ejercicio 185. Mostrar que los vectores ~u1 = (−1, 1) y ~u2 = (−1, −1) generan
a R2
Respuesta.

b−a a+b
c1 = y c2 = − .
2 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 , +, ·)?
Solución.

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 combinación lineal de S = {~u1 , ~u2 , ~u3 } sin
alguna restricción, 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 incógnitas.

5. Al resolver por Gauss–Jordan (hacerlo) se obtiene:

b+c
c1 = ,
2
a−b
c2 = ,
2
a−c
c3 = .
2

6. Se observa que c1 , c2 y c3 pueden tomar cualquier valor real, es decir, no

hay restricciones. Luego S sı́ 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 ?
Solución. En general, un vector en R2 es de la forma ~u = (a, b) con a, b ∈ R.
Expresemos el vector ~u en términos de los vectores ~u1 y ~u2 , es decir, c1 ~u1 +c2 ~u2 =
~u. Ahora, sino existen restricciones para c1 y c2 , en términos de a y b, diremos
que ~u1 y ~u2 sı́ 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

c1 − 2c2 = b .

Resolviendo este sistema por Gauss–Jordan (hacerlo) encontramos que 0 = b−a,

es decir, a = b. Luego, u~1 y u~2 generan únicamente 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 , +, ·), mos-
trar que los vectores ~u1 = (−1, 1) y ~u2 = (3, −3) no generan a R2 .

Ejemplo 162 (Espacio no generado). Sean los vectores

" # " # " #
A~1 = 1 0 ~2 =
,A
0 1
yA~3 = 0 0
.
0 0 0 0 1 0

¿El conjunto S = {A ~1, A

~2, A
~ 3 } genera el espacio vectorial (M2×2 , ⊕, ⊙) donde
M2×2 son matrices reales de 2 × 2, ⊕ es la operación suma entre matrices y ⊙
es la multiplicación de un real por una matriz?
Solución.
" #
~ = a b
1. Sea B con a, b, c, d ∈ R.
c d
2. ~ 1 + c2 A
c1 A ~ 2 + c3 A
~3 = B
~
" # " # " # " #
1 0 0 1 0 0 a b
c1 + c2 + c3 =
0 0 0 0 1 0 c d
" # " #
c1 c2 a b
= .
c3 0 c d

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 restricción. El espacio
generado por S es de la forma
" #
a b
.
c 0

Se concluye que S no genera a M2×2 .

 Espacios vectoriales 179

Ejemplo 163 (Espacio generado). ¿El conjunto S = {t2 , t, 1} genera a P2 ,

polinomios de grado menor o igual que dos?
Solución.

1. Un vector en P2 es de la forma

at2 + bt + c . (4.5)

2. Expresando (4.5) como combinación 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 sı́ 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 ?
Solución. 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 Gauss–Jordan se tiene

 .   . 
1 2 1 .. a 1 2 1 .. a
..  f2 ← f2 −f1  .
−3 −1 .. b − a
 
1 −1 0 . b 
f3 ← f3 −f1 0

.. .
1 2 2 . c 0 0 1 .. c − a
 .   . 
1 2 0 .. 2a − c 1 2 0 .. 2a − c
f2 ← f2 +f3  . f2  .
0 −3 0 .. b + c − 2a 1 0 .. (2a−b−c)
 
f2 ← 0 
f1 ← f1 −f3 . −3 .. 3
0 0 1 .. c−a 0 0 1 . c−a
180 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

 . 
1 0 0 .. 2a+2b−c
3
.
f1 ← f1 − 2f2 0 1 0 ..
 
2a−b−c  .
. 3
0 0 1 .. c−a
Entonces
(2a + 2b − c)
c1 =
3
(2a − b − c)
c2 =
3
c3 = c − a .
Como no existen restricciones para c1 , c2 o para c3 , entonces S sı́ genera a P2 .

Independencia lineal
Definición 60 (Conjunto linealmente independiente y conjunto linealmente de-
pendiente). Dado un espacio vectorial (V, ⊕, ⊙), se dice que un conjunto de vec-
tores S = {~v1 , ~v2 . . . , ~vk } ⊆ V es linealmente independiente (LI) si la expresión
c1~v1 + c2~v2 + · · · + ck ~vk
es igual al vector nulo únicamente cuando c1 = c2 = · · · = ck = 0.
Si algún ci es diferente de cero, entonces diremos que S es linealmente de-
pendiente (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 Gauss–Jordan
   
.. ..
1 −1 . 0 1 −1 . 0

..
 f2 ← f2 −f1  ..

1 1 . 0 0 2 . 0
 Espacios vectoriales 181

   
. .
1 −1 .. 0 1 0 .. 0
f2 ← f2 /2  ..
 f1 ← f1 +f2  ..
.
0 1 . 0 0 1 . 0

De donde se obtiene que c1 = c2 = 0. Entonces ~u1 y ~u2 sı́ 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 Gauss–Jordan
   
.. ..
1 −1 . 0 1 −1 . 0

..
 f2 ← f2 −f1  ..
.
1 −1 . 0 0 0 . 0
De donde se obtiene que c1 = c2 . Si c2 = r ∈ R, entonces c1 = r. Ası́, 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?
Solución.
182 Conceptos básicos de Álgebra 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 1

1c1 + 1c2 + 0c3 = 0 2

0c1 + 2c2 + 1c3 = 0 . 3

1 se obtiene c1 = 0
De 4

4 en
Al reemplazar 2 se obtiene c2 = 0 5

5 en
Reemplazando 3 se obtiene c3 = 0

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.
Solución.

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
 Espacios vectoriales 183

2c1 + c2 = 0
3c1 + c3 = 0 .

Por Gauss–Jordan
 .   . 
1 −1 1 .. 0 1 −1 1 .. 0
..  f2 ← f2 −2f1  . 
3 −2 .. 0

2 1 0 . 0 f ← f −3f 0
. 3 3 1 .
3 0 1 .. 0 0 3 −2 .. 0
 .   .. 
1 −1 1 .. 0 1 −1 1 . 0
..  1 . 
1 −2/3 .. 0
 
f3 ← f3 − f2 0 3 −2 . 0 f 2 ← f
3 2 0
.. ..
0 0 0 . 0 0 0 0 . 0
 . 
1 0 1/3 .. 0
. 
1 −2/3 .. 0 .

f1 ← f1 + f2 0
..
0 0 0 . 0

Esto implica que, si c3 = r ∈ R, entonces c2 = 2r 3 y c1 =

−r
3 . Luego, el sistema
tiene infinitas soluciones, entonces ~v1 , ~v2 y ~v3 son LD.

Ejemplo 169 (Vectores LI). ¿En (M2×2 , +, ·), los vectores

" # " #
2 0 0 0
~v1 = y ~v2 =
0 0 1 1

son LI o LD?
Solución.

c1~v1 + c2~v2 = ~0
" # " # " #
2 0 0 0 0 0
c1 + c2 =
0 0 1 1 0 0
" # " #
2c1 0 0 0
= .
c2 c2 0 0

Esto implica que 2c1 = 0

0=0
c2 = 0
184 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

c2 = 0 .

Tenemos un sistema consistente de cuatro ecuaciones y dos incógnitas, 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?
Solución.

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 Gauss–Jordan
 .   . 
1 0 1 .. 0 1 0 1 .. 0
..  . 
1 −1 .. 0
 
1 1 0 . 0f2 ← f2 − f1 0
. .
0 1 1 .. 0 0 1 1 .. 0
 .   . 
1 0 1 .. 0 1 0 1 .. 0
.  . 
f3 ← f3 − f2 0 1 −1 .. 0f3 ← 12 f3 0 1 −1 .. 0
 
. .
0 0 2 .. 0 0 0 1 .. 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 ,
 Espacios vectoriales 185

p3 (t) = 2t2 − t − 1 .

¿Es S = {p1 (t), p2 (t), p3 (t)} LI o LD?

Solución.

1. c1 p1 (t) + c2 p2 (t) + c3 p3 (t) = 0 (4.6)

2 2 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 .

2. Luego 2c1 + 2c3 = 0

−c2 − c3 = 0
c1 − 2c2 − c3 = 0 .

3. Al resolver por Gauss–Jordan 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
cj−1 cj+1
c1
cj ~
v1 + c2
cj ~
v2 + ··· + cj ~vj−1 + ~vj + cj ~vj+1 + ··· + cn
cj ~
vn = ~0 .

Sumando −~vj a ambos lados y multiplicando por −1 se obtiene

cj−1 cj+1
− cc1j ~v1 − c2
cj ~
v2 − ··· − cj ~vj−1 − cj ~vj+1 − ··· − cn
cj ~
vn = ~vj .
ci
Luego, existen k fracciones cj ,
con 1 6 k < n e i tomando valores entre 1 y n,
menos j, diferentes de cero, pues ~vj 6= ~0 por hipótesis. Tales ci se pueden agrupar cj
de tal forma que
ci1 ci2 cik
cj ~vi1 + cj ~vi2 + ··· + cj ~vik = ~vj .
186 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ası́,
ci1
cj ~vi1 + ci2
cj ~vi2 + ··· + cik
cj ~vik − ~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 + · · · + cj−1~vj−1 .

Entonces, sumando −~vj a ambos lados se tiene

~0 = c1~v1 + c2~v2 + · · · + cj−1~vj−1 − ~vj .

Y agregando los vectores restantes con coeficiente cero al lado derecho, tenemos
~0 = c1~v1 + c2~v2 + · · · + cj−1~vj−1 − ~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 sı́ 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 , . . . , ~vj−1 , ~vj+1 , . . . , ~vk } también 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 + · · · + bj−1~vj−1 . (4.8)

Reemplazando (4.8) en (4.7) obtenemos

~v = c1~v1 + c2~v2 + · · · + cj (b1~v1 + b2~v2 + · · · + bj−1~vj−1 ) + · · · + ck ~vk .

Luego, agrupando se tiene
~v = (c1 + cj b1 )~v1 + (c2 + cj b2 )~v2 + · · · + (cj−1 + cj bj−1 )~vj−1 + 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 también
generan a R2 . Es tarea verificarlo.

Bases y dimensión
Definición 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

Se puede probar que los vectores coordenados unitarios en Rn (página 130)

son base para el espacio vectorial (Rn , +, ·).

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 .
Solución.
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 acá 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 probará 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

b+c a−b a−c

c1 = , c2 = , c3 =
2 2 2

(e) Como no hay restricciones para c1 , c2 y c3 , entonces S sı́ genera a V

2
.

2 se concluye que S es una base para R3 .

1 y
De
 Espacios vectoriales 189

~ ~ ~ ~
Ejemplo
" 177 # (No base
" para# matrices
" simétricas).
# " ¿Es #S = {A1 , A2 , A3 , A4 } con
~1 = 1 0 , A
A ~2 = 0 1 , A ~3 = 0 0 y A ~ 4 = 0 0 una base para el espacio
0 0 0 0 1 0 0 1
vectorial de matrices simétricas de dimensión 2 × 2?
Solución.
1. Veamos si S es LI.
~ 1 + c2 A
(a) c1 A ~ 2 + c3 A
~ 3 + c4 A
~ 4 = ~0
" # " # " # " # " #
1 0 0 1 0 0 0 0 0 0
c1 + c2 + c3 + c4 = .
0 0 0 0 1 0 0 1 0 0
 
(b) 1c1 + 0c2 + 0c3 + 0c4 = 0   
 c1 =0

 

0c1 + 1c2 + 0c3 + 0c4 = 0   c2 =0
⇒
0c1 + 0c2 + 1c3 + 0c4 = 0  



 c3 =0

 

0c1 + 0c2 + 0c3 + 1c4 = 0 . c4 =0

(c) Luego S es LI.

2. Veamos si S genera a M2×2 simétricas.
" #
~ = a b
(a) Una matriz simétrica real de 2 × 2 es de la forma A , con
b c
a, b, c ∈ R.
~ 1 + c2 A
(b) c1 A ~ 2 + c3 A
~ 3 + c4 A
~4 = A~
" # " # " # " # " #
1 0 0 1 0 0 0 0 a b
c1 + c2 + c3 + c4 = .
0 0 0 0 1 0 0 1 b c
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 restricción.

Luego, aunque S es LI no es base para M2×2 simétricas por no generarlo. S

genera a todo M2×2 .
" # " #
~1, A
~2, A~ 3 } con A
~1 = 1 0 ~2 = 0 1
Ejercicio 188. Probar que S = {A ,A y
0 0 1 0
" #
~3 = 0 0
A sı́ es base para M2×2 simétricas.
0 1
190 Conceptos básicos de Álgebra 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 única como combinación 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 conclusión, 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 única 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 algún 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 ~ r } ⊆ V es LI, entonces
~ 2, . . . , w
r 6 n.

Ejemplo 181. Dada la base canónica S = {~e1 , ~e2 , ~e3 , ~e4 } del espacio vectorial
(R4 , +, ·), 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 cua-
tro.

Corolario. Dado un espacio vectorial (V, ⊕, ⊙). Si S = {~v1 , ~v2 , . . . , ~vn } y T =

{w~1 , w ~ m } son bases para el espacio vectorial V , entonces n = m.
~ 2, . . . , w

Prueba.

1. Puesto que S es base para V , entonces S es LI, ası́, por el teorema 48,
n 6 m.

2. Puesto que T es base para V , entonces T es LI, ası́, 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.

Definición 62 (Dimensión de un espacio vectorial). Dado un espacio vectorial

(V, ⊕, ⊙) no nulo. Su dimensión 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 dimensión
de R2 es dos, la de R3 es tres, y la de R4 es cuatro, respectivamente. En general,
la dimensión de Rn es n.

Ejemplo 184. Se puede probar que la dimensión 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 dimensión finita y S ⊆ V .

Si S es LI, entonces existe una base para V que contiene a S.
192 Conceptos básicos de Álgebra 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 dimensión 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, en-
tonces podemos asegurar que S es base para R5 .

2. Si tenemos un conjunto de vectores T = {w

~ 1, w
~ 2, w
~ 3, w ~ 5 } que genera a
~ 4, w
5
R , entonces podemos asegurar que T es base para R . 5

Ejercicio 190. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.

4.4 Bases ortonormales en Rn

En esta sección 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 además es unitario.

Definición 63 (Conjunto ortogonal). Dado un espacio vectorial real (Rn , +, ·),

decimos que un conjunto de vectores S = {~u1 , ~u2 , . . . , ~un } es ortogonal si cuales-
quier 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 incógnitas. Obtendrá infinitas soluciones. Ese es el conjunto.
 Espacios vectoriales 193

Definición 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.
3

1 2 −2


Ejemplo  188. En  vectorial R, +, · , los vectores ~u1 = 3 , 3 , 3 ,
 el espacio
4 2
~u2 = 2√ 5
, 0, 2√ 5
y ~u3 = 3−2 √ , √ 5 4
, √
5 3 5 3 5
son mutuamente ortogonales, pues
~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.
   
Ejercicio 192. Dados los vectores ~u1 = √13 , √13 , √ −1
3
y ~
u 2 = √2 , √1 , √3
14 14 14
,
encuentre el conjunto de vectores que sean ortonormales a ellos.

Ejemplo 189. En el espacio vectorial (Rn , +, ·), su base canónica {~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 orto-
gonal, entonces S es LI.

Prueba. Por reducción al absurdo. Supongamos que S no es LI, luego S es LD.

Entonces ∃ u~j tal que

c1 u~1 + c2 u~2 + · · · + cj−1 uj−1

~ = u~j .

Al realizar el producto escalar por u~j a ambos lados, tenemos

(c1 u~1 ) · u~j + (c2 u~2 ) · u~j + · · · + (cj−1 uj−1

~ ) · 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 conclusión, S es LI.

Corolario. En el espacio vectorial (Rn , +, ·), si S = {~u1 , ~u2 , . . . , ~un } es ortonor-

mal, entonces S es LI.
194 Conceptos básicos de Álgebra 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 orto-
gonal, entonces S es una base para Rn .

Prueba. Puesto que S es ortogonal es LI; ahora como la dimensión 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 ortonor-

mal, 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 .

Definición 65 (Base ortogonal (ortonormal)). Una base ortogonal (ortonor-

mal) 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 195

Prueba.
1 c1 ~u1 + c2 ~u2 + · · · + cn ~un = ~v ,
hipótesis
2
(c1 ~u1 + c2 ~u2 + · · · + cn ~un ) · ~ui = ~v · ~ui , 1
producto escalar en
3
c1 (~u1 · ~ui ) + c2 (~u2 · ~ui ) + · · · +
ci (~ui · ~ui ) + · · · + cn (~un · ~ui ) = ~v · ~ui , 2
resolviendo
4
c1 × 0 + c2 × 0 + · · · +
ci k ~ui k2 + · · · + cn × 0 = ~v · ~ui , por S ser ortogonal
5
ci = ~v · ~ui , 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

~v · ~ui
ci = .
k ~ui k2

Ejemplo 191 (Combinación 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 combinación lineal de S considerando el

resultado obtenido en la tarea 195.
Solución.
!
~v · ~u1 1 1
c1 = = (1, 2, 3) · √ , 0, − √ 1
k u1 k2 2 2
1 3 2 √
= √ + 0 − √ = −√ = − 2 .
2 2 2
!
~v · ~u2 1 1
c2 = = (1, 2, 3) · √ , 1, √ 2
k u2 k2 2 2
! !
1 3 4 √
= √ +2+ √ 2= 2+ √ 2 = 1 + 2.
2 2 2
196 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

!
~v · ~u3 1 1
c3 = = (1, 2, 3) · − √ , 1, − √ 2
k u3 k2 2 2
! !
1 3 4 √
= −√ + 2 − √ 2 = 2− √ 2 = 1 − 2.
2 2 2
√ √ √
Ası́, ~v = − 2 ~u1 + (1 + 2)~u2 + (1 − 2)~u3 .
Teorema 54 (Teorema de Gram–Schmidt). Sean el espacio vectorial (Rn , +, ·)
y S = {~u1 , ~u2 , . . . , ~un } una base para Rn , entonces existe una base W ortonormal
para Rn .

Método para calcular una base ortonormal mediante el proceso de

Gram–Schmidt.
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
 
~u2 · ~v1
~v2 = ~u2 − ~v1
~v1 · ~v1
   
~u3 · ~v1 ~u3 · ~v2
~v3 = ~u3 − ~v1 − ~v2
~v1 · ~v1 ~v2 · ~v2
     
~u4 · ~v1 ~u4 · ~v2 ~u4 · ~v3
~v4 = ~u4 − ~v1 − ~v2 − ~v3
~v1 · ~v1 ~v2 · ~v2 ~v3 · ~v3
..
.
       
~un · ~v1 ~un · ~v2 ~un · ~v3 ~un · ~vn−1
~vn = ~un − ~v1 − ~v2 − ~v3 − · · · − ~vn−1 .
~v1 · ~v1 ~v2 · ~v2 ~v3 · ~v3 ~vn−1 · ~vn−1

2. Obtenga una base ortonormal W = {w

~ 1, w ~ n } a partir de T
~ 2, . . . , w

~v1
w
~1 =
k ~v1 k
~v2
w
~2 =
k ~v2 k
~v3
w
~3 =
k ~v3 k
~v4
w
~4 =
k ~v4 k
 Espacios vectoriales 197

..
.
~vn
w
~n = .
k ~vn k

Ejemplo 192 (Gram–Schmidt). Utilice el proceso de Gram–Schmidt para trans-

formar la base S = {(1, 1, 1), (1, 1, 0), (2, 1, 3)} de R3 en una base ortonormal.
Solución.

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 −2
= (1, 1, 0) − (1, 1, 1) = , , .
3 3 3 3

Para evitar los fraccionarios, multiplicamos ~v2 por tres, entonces ~v2 =
(1, 1, −2). Note que el nuevo ~v2 también 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 básicos de Álgebra Lineal, Noviembre 06 de 2016

3. Ahora, determinemos la base ortonormal W = {w

~ 1, w ~ 3 } a partir de T .
~ 2, w
!
1 1 1
~1 = √ , √ , √
w
3 3 3
!
1 1 −2
~2 = √ , √ , √
w
6 6 6
!
1 1
~3 = √ , −√ , 0 .
w
2 2

Ası́, W = {w
~ 1, w ~ 3 } es una base ortonormal para R3 construida a partir
~ 2, w
de S.

Ejercicio 196. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.
Unidad 5

Valores propios y vectores

propios

Una transformación matricial de un vector en Rn en otro en Rm es una transfor-

mación 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 desempeñan un papel importante en diversas
áreas de la matemática, fı́sica, biologı́a, economı́a e ingenierı́a, entre otras. Pero
una cuestión de considerable importancia en estas es la determinación de vectores
~x, si los hay, tales que ~x y A~x sean paralelos. Veamos como determinar esos
vectores.
Definición 66 (Valor propio y vector propio). Dada una matriz An×n , decimos
que un número λ es un valor propio de A (o autovalor) si existe un vector ~x,
diferente del vector nulo, tal que

A~x = λ~x .

En tal caso, al vector ~x le llamamos vector propio (o autovector) de A asociado

a λ.
200 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ejemplo 193. Sea la matriz

" #
2 1
A= .
2 3


¿Es λ = 4 un valor propio de A y ~x = 12 , 1 un vector propio de A asociado a
λ?
Solución. Determinemos A~x
" #" # " #
2 1 21 2
A~x = = .
2 3 1 4

Ahora encontremos λ~x

" # " #
1
2 2
λ~x = 4 = .
1 4

Como A~x = λ~x, entonces λ sı́ es un valor propio de A y ~x es un vector propio

de A asociado a λ. Observe la figura 5.1.

A x = λx =(2,4)

x =(1/ 2,1)

1


Figura 5.1: vector propio ~x = 2,1 asociado al valor propio λ = 4 de A

El estudiante puede verificar que el vector ~y = (−2, −4) también es un auto-

vector de A asociado a λ = 4.

Afirmación 1. En general, si ~x es un vector propio de una matriz A asociado

a un valor propio λ, entonces cualquier vector paralelo a él, es un vector propio
de A asociado a λ.

Ejercicio 197. Pruebe la anterior afirmación.

 Valores propios y vectores propios 201

Definición 67 (Polinomio caracterı́stico y ecuación caracterı́stica). Dada An×n ,

al determinante

fA (λ) = det(A − λIn )

se le llama polinomio caracterı́stico de A; y a det(A − λIn ) = 0 se le llama

ecuación caracterı́stica de A.
Teorema 55. Sea An×n , los valores propios de A son las raı́ces del polinomio
caracterı́stico de A.
Ejemplo 194. Encontrar los valores propios y los vectores propios asociados a
" #
−1 1
A= .
4 −1

Solución. Se tiene que

A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .

Realizando las operaciones respectivas obtenemos

" #" # " #
−1 − λ 1 x1 0
= . (5.1)
4 −1 − λ x2 0

1. Valores propios. De (5.1) se obtiene un sistema de dos ecuaciones con

dos incógnitas; este sistema tiene solución no trivial si y solo si fA (λ) = 0,
entonces

fA (λ) = 0
det(A − λI2 ) = 0
(−1 − λ)(−1 − λ) − 4 = 0
1 + λ + λ + λ2 − 4 = 0
λ2 + 2λ − 3 = 0
(λ + 3)(λ − 1) = 0 .

Entonces, λ1 = −3 y λ2 = 1 son los valores propios de A.

202 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

2. Vectores propios

(a) Para λ1 = −3
Reemplazando en (5.1) se tiene
" #" # " #
−1 − (−3) 1 x1 0
= .
4 −1 − (−3) x2 0

Su matriz aumentada es
 
..
2 1 . 0
 
..
4 2 . 0

Resolviendo por Gauss–Jordan se obtiene x2 = −2x1 . Por lo tanto,

los vectores propios asociados a λ1 = −3 son de la forma
" #
r
con r ∈ R − {0} .
−2r

Con r = 1 un vector propio asociado a λ1 = −3 es

" #
1
.
−2

(b) Para λ2 = 1 se tiene

" #" # " #
−1 − 1 1 x1 0
= .
4 −1 − 1 x2 0

Su matriz aumentada es
 
..
−2 1
. 0
 
..
4 −2 . 0

Resolviendo por Gauss–Jordan se obtiene x2 = 2x1 . Entonces, los

vectores asociados a λ2 = 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

Solución. Se tiene que

A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .

Realizando las operaciones respectivas obtenemos

    
2−λ 2 3 x 0
   1  
 1
 2−λ 1  x2  = 0
   
. (5.2)
2 −2 1 − λ x3 0

1. Para encontrar los valores propios se escribe el polinomio caracterı́stico de

A

fA (λ) = det(A − λI3 )

   
= (2 − λ)(2 − λ)(1 − λ) − 6 + 4 − 6(2 − λ) − 2(2 − λ) + 2(1 − λ)
   
= (4 − 4λ + λ2 )(1 − λ) − 2 − 12 − 6λ − 4 + 2λ + 2 − 2λ
= [4 − 4λ + λ2 − 4λ + 4λ2 − λ3 − 2] − [10 − 6λ]
= −λ3 + 5λ2 − 2λ − 8 .

Entonces, la ecuación caracterı́stica es

−λ3 + 5λ2 − 2λ − 8 = 0
λ3 − 5λ2 + 2λ + 8 = 0
204 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

(λ + 1)(λ − 2)(λ − 4) = 0 .

Luego, los valores propios de A son: λ1 = −1, λ2 = 2 y λ3 = 4.

Nota: recuerde que posibles ceros de fA son los factores del término in-
dependiente (8 en este caso), es decir, ±1, ±2, ±4 y ±8, divididos por los
factores del coeficiente de la variable de más alto exponente (λ3 para este
caso), es decir, ±1.

2. Los vectores propios son:

(a) Para λ1 = −1
Reemplazando en (5.2) se tiene
    
3 2 3 x 0
   1  
1 3 1 x2  = 0 .
    
2 −2 2 x3 0

Su matriz aumentada es
 
..
3 2 3 . 0
. 
1 3 1 .. 0 .

 
..
2 −2 2 . 0

Resolviendo por Gauss–Jordan se obtiene x1 = −x3 y x2 = 0. Por lo

tanto, los vectores propios asociados a λ1 = −1 son de la forma
 
r
 
 0  con r ∈ R − {0} .
 
−r

Con r = 1 un vector propio asociado a λ1 = −1 es

 
1
 
 0 .
 
−1
 Valores propios y vectores propios 205

(b) Para λ2 = 2
    
0 2 3 x 0
   1  
 x2  = 0 .
1 0 1    

2 −2 −1 x3 0

Su matriz aumentada es
 
..
0 2 3 . 0
 .. 
1 0 1 . 0 .
 
..
2 −2 −1 . 0

Resolviendo por Gauss–Jordan se obtiene que x1 = −x3 y x2 = − 23 x3 .

Entonces, los vectores asociados a λ2 = 2 son de la forma
 
2s
 
 3s  con s ∈ R − {0} .
 
−2s
 
2
 
Con s = 1 se obtiene el vector propio 
 3 .

−2

(c) Para λ3 = 4
    
−2 2 3 x10
    
1
 −2 1  x2  = 0
   
.
2 −2 −3 x3 0

Su matriz aumentadad es
 
..
−2 2 3 . 0
 .. 
 1 −2 1 . 0 .
 
..
2 −2 −3 . 0
206 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Resolviendo por Gauss–Jordan se obtiene que x1 = 4x3 y x2 = 52 x3 .

Luego, los vectores propios asociados a λ3 = 4 son de la forma
 
8t
 
5t con t ∈ R − {0} .
 
2t
 
8
 
Para t = 1 se obtiene el vector propio 5

.
2

Nota: Al desarrollar f (λ) = det(A − λIn ) obtenemos un polinomio de grado n

tal que

f (λ) = c0 + c1 λ + · · · + cn−1 λn−1 + cn λn = det(A − λIn ) .

Entonces, f (0) = c0 = det(A).

Teorema 56. Una matriz An×n es no invertible si y solo si λ = 0 es un autovalor
de A.

Prueba. ’=⇒’
1 An×n es no invertible,
hipótesis
2
det(A) = 0, por hipótesis
3
det(A − λIn ) = c0 + c1 λ + · · · + cn λn , desarrollo del polinomio
caracterı́stico de A
4
c0 = 0, 2 y det(A) = c0 en
por 3
5
det(A − λIn ) = c1 λ + c2 λ2 + · · · + cn λn 4 en
3
6
= λ(c1 + c2 λ + · · · + cn λn−1 5
factor común en
7
0 = λ(c1 + c2 λ + · · · + cn λn−1 ) los valores propios de A son
las raı́ces de la ecuación
caracterı́stica de A
8
λ = 0 o c1 + c2 λ + · · · + cn λn−1 =0 7
de
8 λ = 0 es un valor propio de A.
Luego, por ,

Ejercicio 198. Realizar ’⇐=’.

Ayuda: comience con c0 + c1 λ + c2 λ2 + · · · + cn λn = 0.
 Valores propios y vectores propios 207

Ejemplo 196. Sea λ un valor propio de An×n . Probar que el subconjunto S de

Rn , consistente en todos los vectores propios de A asociados con λ forma, junto
con el vector nulo, un subespacio de (Rn , +, ·). Este subespacio se llama espacio
propio asociado a λ.

Prueba.
1 Sean λ un valor propio de A y ~x, ~y dos
hipótesis
vectores propios de A asociados a λ,
2
A~x = λ~x y A~y = λ~y , 1
por
3
A(~x + ~y ) = A~x + A~y linealidad de la transformación matricial
4
= λ~x + λ~y 2 en
3
5
= λ(~x + ~y), distributividad .
3 a ,
Luego, por 5 ~x + ~y ∈ S
a
6
Sea d ∈ R, entonces d(A~x) = d(λ~x) 2
por
7
A(d~x) = λ(d~x) multiplicación de un escalar por un vector.
b
Luego d~x ∈ S
b S sı́ es un subespacio de Rn .
a y ,
En conclusión, por

Ejemplo 197. Si λ es un valor propio de An×n con vector propio asociado ~x,
probar que λk es un valor propio de Ak , k ∈ N, con vector propio asociado ~x.

Solución.
208 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

1
A~x = λx, hipótesis
2
A2 ~x = A(A~x), pues A2 = AA y asociatividad
3
= A(λ~x), 1
por
4
= λ(A~x), multiplicación de un escalar por un vector
5
= λ(λ~x), 1
por
6
= λ2 ~x, 4 .
razón de
Luego, λ2 es un autovalor de A2 con el vector propio asociado ~x.
7
Sea Ak−1 ~x = λk−1 ~x, hipótesis inductiva
8
Ak ~x = A(Ak−1 ~x), 2
razón de
9
= A(λk−1 ~x), 7
por
10
= λk−1 (A~x), 4
razón de
11
= λk−1 (λ~x), 1
por
12
= λk ~x, 4 .
razón de
Luego, λk es un autovalor de Ak con el vector propio asociado ~x.

Definición 68 (Matriz semejante). Una matriz An×n 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 2 −1 1 1
P = y P −1 = .
3 1 1 −1 2
 Valores propios y vectores propios 209

Ejemplo 199. Sean

" # " # " #
2 0 −2 2 1 2
D= , B= yP = .
0 −3 2 1 2 −1

Puede verifircarse que D = P −1 BP . Por lo tanto D es semejante a B.

Teorema 57 (Relación de equivalencia en semejanza). Sean A, B, C ∈ Mn×n ,
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,
hipótesis
2
∃P invertible tal que A = P −1 BP , por hipótesis
3
P AP −1 = P (P −1 BP )P −1 , multiplicando por P y P −1
4
(P −1 )−1 AP −1 = IBI, por P = (P −1 )−1 e I = P P −1
5
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,
hipótesis
2
∃P invertible tal que A = P −1 BP , por hipótesis
3
∃Q invertible tal que B = Q−1 CQ, por hipótesis
4
A=P −1 (Q−1 CQ)P , 3 en
2
5
A=(P −1 Q−1 )C(QP ), asociatividad
6
A=(QP )−1 C(QP ), propiedad de la inversa.
210 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

6 A es semejante a C.
Luego, de ,

Definición 69 (Matriz diagonalizable). Una matriz An×n 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 1 2 −1
= .
2 3 −1 2 0 4 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 (λ) = det(A − λIn )

= det(P −1 BP − λIn )
= det(P −1 BP − λIn P −1 P )
= det(P −1 BP − P −1 λIn P )
= det(P −1 (B − λIn ) P )
= det(P −1 ) det(B − λIn ) det(P )
= det(P −1 ) det(P ) det(B − λIn )
= det(B − λIn )
= fB (λ) .

Entonces, A y B tienen el mismo polinomio caracterı́stico. Luego, tienen los

mismos valores propios.

Teorema 59. Una matriz An×n es diagonalizable si y solo si tiene n vectores

propios linealmente independientes.

Teorema 60. Si todos los valores propios de una matriz An×n son diferentes
entre sı́, 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 λ1 = −1, λ2 = 2 y λ3 = 4. Ahora, como A es diagonalizable,
encontrar P tal que P −1 AP = D.
Solución. Tres vectores propios LI, asociados a λ1 = −1, λ2 = 2 y λ3 = 4,
respectivamente, son:
     
1 2 8
     
 0 , y 5 .
3  
   
−1 −2 2

La matriz P se construye con estos tres vectores:

 
1 2 8
 
P = 0 3 5 .
−1 −2 2

De donde se obtiene
 
16 −20 −14
1  
P −1 =
 
−5 10 −5  .
30  
3 0 3

Ahora,

D = P −1 A P
   
16 −20 −14 2 2 3 1 2 8
1 


  
= −5 10 −5  1 2 1 0 3 5 
30    
3 0 3 2 −2 1 −1 −2 2
 
−1 0 0
 
=  0 2 0

.
0 0 4

Notas:

1. Si no todos los valores propios de A son distintos, entonces A puede ser o

no diagonalizable.
212 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

2. Si una raı́z de un polinomio caracterı́stico se repite, se dice que es una

raı́z de multiplicidad dos; si se obtiene tres veces, entonces es una raı́z de
multiplicidad tres; y ası́ sucesivamente.

3. Cuando, por cada valor propio λi de una matriz An×n que se repite ki
veces, es posible encontrar ki vectores propios de A, asociados a λi , que
sean LI, entonces A es diagonalizable.

Ejemplo 202. Dada la matriz

 
3 3 3
 
A=
3 3 ,
3
−3 −3 −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.
Solución.

A~x = λ~x
A~x − λ~x = ~0
(A − λI3 )~x = ~0
    
3−λ 3 3 x 0
   1  
 3
 3−λ 3  x2  = 0
   
. (5.3)
−3 −3 −3 − λ x3 0

1. Valores propios

fA (λ) = det(A − λI3 )

 
= (3 − λ)(3 − λ)(−3 − λ) − 27 − 27 −
 
− 9(3 − λ) − 9(3 − λ) + 9(−3 − λ)
   
= (9 − 6λ + λ2 )(−3 − λ) − 54 − − 27 + 9λ − 27 + 9λ − 27 − 9λ
= [−27 − 9λ + 18λ + 6λ2 − 3λ2 − λ3 − 54] − [−81 + 9λ]
= −λ3 + 3λ2
= λ2 (3 − λ) = 0 .

Ası́ los valores propios son λ1 = 0, λ2 = 0 y λ3 = 3.

 Valores propios y vectores propios 213

2. Vectores propios

(a) Reemplazando λ1,2 = 0 en (5.3) se tiene

    
3 3 x 3 0
   1  
3
 3 3  x2  = 0
   
.
−3 −3 −3 x3 0

Al resolver este sistema por Gauss-Jordan se obtiene

x1 = −x2 − x3 = −r − s
x2 = r
x3 = s .

Dos vectores propios LI son

   
1 1
   
−1 y  0  .
   
0 −1

(b) Reemplazando en (5.3) se tiene

    
0 3 x 3 0
   1  
 x2  = 0 .
3 0 3    

−3 −3 −6 x3 0

Al resolver el sistema por Gauss–Jordan se obtiene

x1 = −x3 = r
x2 = −x3 = r .

Si r = 1, un vector propio es
 
1
 
 1 .
 
−1
214 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Ası́, se tienen tres vectores LI. Luego A sı́ es diagonalizable.

   
1 1 1 1 0 1
  −1
 
P = −1 0 1 , P = −1 −1 −2 y
 
0 −1 −1 1 1 1
D = P −1 AP
     
1 0 1 3 3 3 1 1 1 0 0 0
     
=−1 −1 −2  3
 3 3  −1 0
 1  = 0 0 0 .
  
1 1 1 −3 −3 −3 0 −1 −1 0 0 3

Ejemplo 203. Pruebe que si D = P −1 AP , entonces An = P D n P −1 .

Solución. 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 }
n−veces
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 último, P D n P −1 = An .

Ejemplo 204. Si
" #
5 −6
A= ,
3 −4

calcular A6 empleando el anterior resultado.

Solución. Los valores propios de A son λ1 = 2 y λ2 = −1, con vectores propios
asociados
" # " #
2 1
y ,
1 1

respectivamente. Luego,
" # " #
2 1 1 −1
P = y P −1 = .
1 1 −1 2

Entonces,

A6 = P D 6 P −1
 Valores propios y vectores propios 215

" #" #6 " #

2 1 2 0 1 −1
=
1 1 0 −1 −1 2
" #" #" #
2 1 (2)6 0 1 −1
=
1 1 0 (−1)6 −1 2
" #" #" #
2 1 64 0 1 −1
=
1 1 0 1 −1 2
" #
127 −126
= .
63 −62

Ejercicio 199. Si
" #
2 −2
A= ,
0 −2

calcular A6 empleando el anterior resultado.

Teorema 61. Sea A una matriz simétrica, entonces todos sus valores propios
son números reales.

Teorema 62. Si A es una matriz simétrica, entonces los vectores propios co-
rrespondientes 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 0

Solución. Se tiene que

A~x = λ~x
A~x − λ~x = ~0
A~x − λI~x = ~0
(A − λI)~x = ~0 .
216 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Realizando las operaciones respectivas obtenemos

    
2−λ 3 1 x 0
   1  
2 − λ −1   x2  = 0 . (5.4)
 3    

1 −1 0 − λ x3 0

1. Para encontrar los valores propios escribimos la ecuación caracterı́stica

fA (λ) = 0.
det(A − λI3 ) = 0
   
(2 − λ)(2 − λ)(0 − λ) − 3 − 3 − (2 − λ) + (2 − λ) + (−9λ) = 0
  
(4 − 4λ + λ2 )(−λ) − 6 − 4 − 11λ] = 0
−λ3 + 4λ2 − 4λ − 6 − 4 + 11λ = 0
λ3 − 4λ2 − 7λ + 10 = 0
(λ + 2)(λ − 1)(λ − 5) = 0 = 0 .
Entonces, los valores propios de A son: λ1 = −2, λ2 = 1 y λ3 = 5.
2. Los vectores propios son:
(a) Para λ1 = −2, reemplazando en (5.4) se obtiene
    
4 3 1 x 0
   1  
−1 x2  = 0 .
3 4    

1 −1 2 x3 0

Su matriz aumentada es
 
..
 3 2 3 . 0 
 .. 
1 3 1 . 0 .
 
..
2 −2 2 . 0

Resolviendo por Gauss–Jordan se obtiene x1 = −x3 y x2 = x3 . Por

lo tanto, los vectores propios asociados a λ1 = −2 son de la forma
 
r
 
−r con r ∈ R − {0} .
 
−r
 Valores propios y vectores propios 217

Con r = 1 un vector propio asociado a λ1 = −2 es

 
1
 
~u1 = 
−1 .

−1

(b) Para λ2 = 1, reemplazando en (5.4) se obtiene

    
1 3 1 x 0
   1  
3 1 −1 x2  = 0 .
    
1 −1 −1 x3 0

Su matriz aumentada es
 
..
 1 3 1 . 0
 .. 
3 1 −1 . 0 .
 
..
1 −1 −1 . 0

Resolviendo por Gauss–Jordan se obtiene que x1 = 21 x3 y x2 = − 21 x3 .

Entonces, los vectores asociados a λ2 = 1 son de la forma
 
s
 
−s con s ∈ R − {0} .
 
2s
 
1
 
Con s = 1 se obtiene el vector propio ~u2 = 
−1.

2

(c) Para λ3 = 5, reemplazando en (5.4) se obtiene

    
−3 3 1 x 0
   1  
 3 −3
 −1 x2  = 0
   
.
1 −1 −5 x3 0
218 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

Su matriz aumentadad es
 
..
−3 3 1 . 0
 .. 
 3 −3 −1 . 0
 
..
1 −1 −5 . 0

Resolviendo por Gauss–Jordan se obtiene que x1 = x2 y x3 = 0.

Luego, los vectores propios asociados a λ3 = 5 son de la forma
 
t
 
 t  con t ∈ R − {0} .
 
0
 
1
 
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 λ1 = 3 y λ2 = 7. Y que los vectores propios asociados, respectivamente, que

son de la forma
" # " #
r s
y , r, s ∈ R ,
−r s

son ortogonales.

Definición 70 (Matriz ortogonal). Una matriz A invertible es llamada ortogonal

si

A−1 = AT .
 Valores propios y vectores propios 219

Ejemplo 206. La siguiente matriz es ortogonal

 
√1 √1 √1
 −13 −1
6 2
A= √ √ √1  ,
 3 6 2
−1 √2
√
3 6
0

pues se puede verificar que A−1 = AT .

Teorema 63. Una matriz An×n 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 An×n es una matriz simétrica, entonces existe una matriz
ortogonal P tal que P −1 AP = D es una matriz diagonal. Además, los valores
propios de A están sobre la diagonal principal de D.

Cuando una matriz A se diagonaliza mediante una matriz P ortogonal, de-

cimos que A se ha diagonalizado ortogonalmente.

Ejemplo 208. Diagonalizar ortogonalmente la matriz

" #
2 1
A= .
1 2

Solución. Sabemos que

A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .

Realizando las operaciones respectivas obtenemos

" #" # " #
2−λ 1 x1 0
= . (5.5)
1 2−λ x2 0
220 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

1. Valores propios. De (5.5) se obtiene un sistema de dos ecuaciones con

dos incógnitas; este sistema tiene solución no trivial si y solo si fA (λ) = 0,
entonces

fA (λ) = det(A − λI2 )

= (2 − λ)(2 − λ) − 1 = 0
= 4 − 4λ + λ2 − 1 = 0
= λ2 − 4λ + 3 = 0
= (λ − 1)(λ − 3) = 0 .

Entonces, λ1 = 1 y λ2 = 3 son los valores propios de A.

2. Vectores propios

(a) Para λ1 = 1, reemplazando en (5.5) se tiene

" #" # " #
2−1 1 x1 0
= ,
1 2 − 1 x2 0

Su matriz aumentada es
 
.
1 1 .. 0
 .
..
1 1 . 0

Resolviendo por Gauss–Jordan se obtiene x2 = −x1 . Por lo tanto, los

vectores propios asociados a λ1 = 1 son de la forma
" #
r
con r ∈ R − {0} .
−r

Con r = 1 un vector propio asociado a λ1 = 1 es

" #
1
.
−1

(b) Para λ2 = 3 se tiene

" #" # " #
2−3 1 x1 0
= .
1 2−3 x2 0
 Valores propios y vectores propios 221

Su matriz aumentada es
 
..
−1 1. 0
 .
.
1 −1 .. 0

Resolviendo por Gauss–Jordan se obtiene x2 = x1 . Entonces, los vec-

tores asociados a λ2 = 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 √1
2 y 2 ,
− √12 √1
2

respectivamente. Entonces
" #
√1 √1
P = 2 2 .
− 12
√ √1
2

Luego, su inversa es
" #
√1 − √12
−1 2
P = .
√1 √1
2 2

4. Determinar D
" #" #" #
√1 − √12 2 1 √1 √1
D = P −1 AP = 2 2 2
√1 √1 1 2 − √12 √1
2 2 2
222 Conceptos básicos de Álgebra Lineal, Noviembre 06 de 2016

" #" #
√1 − √12 √2 − √1 √2 + √1
= 2 2 2 2 2
√1 √1 √1 − √2 √1 + √2
2 2 2 2 2 2
" #" #
√1 − √12 √1 √3
= 2 2 2
√1 √1 − √12 √3
2 2 2
" #
1 1 3 3
2 + 2 2 − 2
= 1 1 3 3
2 − 2 2 + 2
" #
1 0
= .
0 3

Ejemplo 209. Diagonalizar ortogonalmente la matriz A del ejemplo 205.

Solución. Al normalizar la matriz formada por los vectores ~u1 , ~u2 y ~u3 , deter-
minados en dicho ejemplo, se obtiene la matriz
 
√1 √1 √1
 −13 −1
6 2
P = √ √ √1  .
 3 6 2
−1 √2
√
3 6
0

Y como P −1 = P T , entonces
 
√1 −1
√ −1
√
 13 3 3
P −1 = √
 6
−1
√
6
√2  .
6
√1 √1 0
2 2

Entonces
 
−2 0 0
 
P −1 AP = 
 0 1 0 .

0 0 5

Teorema 65. Una matriz An×n es diagonalizable ortogonalmente si y solo si es

simétrica.