Algebra Lineal 1

November 8, 2017

1 Ecuación Lineal
a1 x + a2 y = b
Constantes (a1 , a2 , b) - Usaremos las primeras letras del alfabeto para constantes.
Variables o Incognitas (x, y, x1 , x2 , . . .) - Usaremos las ultimas letras del alfabeto, para
variables o incognitas.
Una ecuación lineal es una ecuación donde las variables e incognitas no tienen exponentes ni
aparecen dentro de funciones.
EJEMPLO DE ECUACIONES LINEALES
1. 3x + y = 3
2. 3x + 2y + 4z = 1
3. a2 x + y = 0
EJEMPLO DE ECUACIONES NO LINEALES
√
1. 2 x + y = 3
2. x2 + 2y + z = 0
3. lnx + y = 0

2 Soluciones paramétricas
Son soluciones que dependen de un parámetro, ejemplo:
4x − 2y = 1

x=t
y = −1/2 + 2t

3 Sistema de Ecuaciones Lineales

Un conjunto de ecuaciones lineales en las variables x1 , x2 , . . . , xn se denominan sistema de ecua-
ciones lineales. Una sucesión de número x10 , x20 , . . . , xn0 se denomina solución del sistema si
x1 = x10 , x2 = x20 , . . . , xn = xn0

satisface todas las ecuaciones del sistema

EJEMPLO

1. 4X1 − X2 + 3X3 = −1
2. 3X1 + X2 + 9X3 = −4
x1 = 1, x2 = 2, x3 = −1 Es solución del sistema?

1
 1. 4X1 − X2 + 3X3 = −1
4(1) − 2 + 3(1) = −1
4 − 2 − 1 = −1
4 − 5 = −1

2. 3X1 + X2 + 9X3 = −4
3(1) + 2 + 9(−1) = −4
3 + 2 − 9 = −4
5 − 9 = −4

Por tanto x1 = 1, x2 = 2, x3 = −1 es solución del sistema.

3.1
Geometría de sistemas lineales
Ejercicio 3.1. Dibujar los siguientes pares de ecuaciones (en un plano para cada par)
x + 2y = 5

x−y =0

x − 2y = 1
x − 2y = 3

x − 3y = 4
2x − 6y = 4
No todos los sistemas de ecuaciones tienen solución

Un sistema sin solución de llama: INCONSISTENTE (graca b)

Si existe una solución se denomina: CONSISTENTE (graca a y c)

y y y

x x x

a b c

Lema. Todo sistema de ecuanciones tiene, exactamente una solución, ninguna solución o una
innidad de soluciones.
Un sisteme arbitrario de m ecuaciones en n incoginitas se puede escribir como:

a11 x1 + a12 x2 + .... + a1n xn = b1

a21 x1 + a22 x2 + .... + a2n xn = b2
am1 x1 + am2 x2 + ..... + amn xn = bm

2
4 Matriz Aumentada
De las ecuaciones
a11 x1 + a12 x2 + .... + a1n xn = b1
a21 x1 + a22 x2 + .... + a2n xn = b2
am1 x1 + am2 x2 + ..... + amn xn = bm
Podemos abstraer/obtener lo que importa para el sistema en la matriz aumentada:
 
a11 a12 ...a1n b1
 a12 a22 ...a2n b2 
 
 ... ... 
am1 am2 ...amn bn

Ejercicio 4.1. Poner como matriz aumentada los sistemas de ecuaciones lineales del ejercicio 3.1
Ejercicio 4.2. De las siguientes matrices aumentadas recupere el sistemas de ecuaciones lineales.
 
1 1 2
3 3 4
 
a11 a12 b1
a21 a22 b2
 
1 1 1 6
 2 3 1 9 
 
 1 2 3 8 
3 3 −1 6

3
OPERACIONES ELEMENTALES DE ECUACIONES

1. Multiplicar una ecuación por una constante diferente de cero

2. Intercambiar 2 ecuaciones.
3. Sumar un multiplo de una ecuación a otra.

OPERACIONES ELEMENTALES DE MATRICES O MATRICES AUMENTADAS

1. Multiplicar un renglón por una constante diferente de cero.

2. Intercambiar 2 renglones.
3. Sumar un multiplo de un renglón a otro renglón
Ejemplo  
3 2 7
1 5 11

En esta matriz lo que vamos a hacer es intercambar los renglones

 
1 5 11
3 2 7

Ahora vamos a multiplicar el renglón 1 por 3 para restarle el renglón 2.

 
1 5 11
0 13 26

Ahora el segundo renglón lo multiplicamos por 1/13.

 
1 5 11
0 1 2

Multiplicamos el renglon 2 por −5 y se lo sumamos al renglón 1.

 
1 0 1
0 1 2

Así encontramos el resultado de nuestro sistema que sería x = 1 y y = 2

Ahora bien si tenemos la matriz  

1 2 2
2 2 4

Al multiplicar por 2 el renglón 1 y restarselo al reglón 2 nos quedaria

 
1 2 2
0 0 0

Eso signica que el relgón 1 es cominacion lineal de el renglón 2

4
4.1 matriz Escalonada y Matriz Escalonada Reducida
Una matriz se dice que es escalonada si:
1. Si un renglón no consta completamente de ceros, entonces el primer número diferente de cero
en el renglón es un 1, que se denomina 1 principal o pivote.
2. Si hay renglones que constan de puros 0 se agrupan en la parte inferior de la matriz.
3. En dos renglones consecutivos cualesquiera que no consten completamente de ceros, el 1
principal del renglón inferior aparece más a la derecha que el 1 principal del renglón superior.
4. Si además cada columna que tenga un 1 principal tiene ceros en todas las demás posiciones
la llamaremos Matriz escalonada reducida
Ejemplo

5
4.2 Gauss
Pasos para resolver Gauss
1. Determine la primera columna (a la izquierda) no cero.
2. Si el primer elemento de la columna es cero, intermbielo por un relón que no tenga cero.
Multiplicando apropiadamente el renglón, hagalo 1. Este primer 1 será llamado pivote o 1
principal del renglón.
3. Obtenga ceros abajo del pivote 1 sumando múltiplos adecuados a los renglones debajo del
renglón pivote en la matriz completa.
4. Cambie la columna y el renlgón del trabajo y repita el proceso comenzando el paso 1 con la
columna siguiente.

4.3 GaussJordan
1. Determine la primera columna (a la izquierda) no cero.
2. Si el primer elemento de la columna es cero, intermbielo por un relón que no tenga cero.
Multiplicando apropiadamente el renglón, hagalo 1. Este primer 1 será llamado pivote o 1
principal del renglón.
3. Obtenga ceros abajo del pivote 1 sumando múltiplos adecuados a los renglones debajo del
renglón pivote en la matriz completa.
4. Cambie la columna y el renlgón del trabajo y repita el proceso comenzando el paso 1 con la
columna siguiente.
5. Empezando con el último renglón diferente de 0 y trabajando hacia arriba, sumar múltiplos
adecuados de cada renglón a los renglones de arriba con el objeto de introducir cero arriba
de los unos principales.
6. Repetir el paso anterior las veces que sea necesario.
En el siguiente ejemplo aplicaremos el procedimiento de Gauss-Jordan
con las ecuaciones
x−y+z =0
x + 2y + 3z = 3
3x + y − z = 4
Al pasarlo a una matriz nos quedaria

 
1 −1 1 0
 1 2 3 3 
3 1 −1 4
Ahora tomamos el renglón 2 y se lo restamos al renglón 1 y lo posicionamos en el renglón 2 y
nos queda.  
1 −1 1 0
 0 3 2 3 
3 1 −1 4
Ahora tomamos el renglón 1 y lo multiplicamos por −3 y se lo sumamos al renglón 1
 
1 −1 1 0
 0 3 2 3 
0 4 −4 −4
Ahora multiplicamos el renglón 2 por 1/3
 
1 −1 1 0
 0 1 2/3 1 
0 4 −4 4

6
 Ahora multiplicamos el renglón 2 por −4 y se lo sumamos al renlgón 3
 
1 −1 1 0
 0 1 2/3 1 
0 0 −20/3 0

Ahora multiplicamos por −3/20 el renglón 3

 
1 −1 1 0
 0 1 2/3 1 
0 0 1 0

Multiplicamos el renglón −2/3 y lo sumamos el renglón 2

 
1 −1 1 0
 0 1 0 1 
0 0 1 0

Ahora tomaremos el renglón 3 y lo multiplicaremos por −1 y se lo sumamos al renglón 1

 
1 −1 0 0
 0 1 0 1 
0 0 1 0

Tomemos el renglón 2 y se lo sumamos el renglón 1

 
1 0 0 1
 0 1 0 1 
0 0 1 0

Por tanto el resultado de nuestro sistema es

x = 1, y = 1, z = 0

Para saber si el resultado es correcto tomamos nuestros resultados y los sustituimos en las ecua-
ciones iniciales.

7
OBSERVACIONES

1. Si hay menos ecuaciones que incognitas hay innidad de soluciones

2. Si hay mas ecuaciones que incognitas usualmente no hay soluciones
3. Un sistema de ecuacuines lineales homogeneo es aquel que tiene todos sus teminos costantes
son iguales a 0 
 x + 2y − 4z = 0
Ejemplo = x − y − z = 0.
−2x + y + 3z = 0


4.
x1 + 3x2 − 2x3 + 2x5 = 0
2x1 + 6x2 − 5x3 − 2x4 + 4x5 − 3x6 = 1
5x3 + 10x4 + 15x 6 = 5
2x1 + 6x2 + 8x4 + 5x5 + 18x6 = 6
A la hora de escribir la matriz aumentada es muy importante vericar que el coheciente de
cada variable esté en la columna correspondiente.
 
1 3 −2 0 2 0 0
 2 6
 −5 −2 4 −3 1 

 0 0 5 10 0 15 5 
2 6 0 8 4 18 6

5. Las variables correspondientes a los 1 principales les llamaremos variables principales vari-
ables principales, a los demas las llamaremos variables libres, cuando haya variables variables
libres en las solución de un sistema le asignaremos parametros usualmente s,t,o,p,q,u.

8
5 Matrices
Denición de matriz
Una matriz es un arreglo rectangular de números. Los números en el arreglo se denominan ele-
mentos de la matriz.  
1 5
 1 7 
3 4
Para saber el tamaño de la matriz pondremos el numero de renglones en este caso seria 3 y el
numero de columnas son 2. Entonces denotamos el tamaño como 3x2.

5.1 Operaciones con Matrices

SUMA
Para realizar sumas entre matrices, dichas matrices deben ser de mismo tamaño y sumando cada
entrada con la misma entrada de la otra matriz

EJEMPLO
       
1 5 1 5 1+1 5+5 2 10
1 7 + 7 −1 = 1 + 7 7 − 1 = 8 6
3 4 3 0 3+3 4+0 6 4
RESTA
La resta al igual que la suma es restar cada entrada con la misma entrada de la segunda matriz,
siempre y cuando ambas matrices sean del mismo tamaño.
EJEMPLO
       
1 5 1 5 1−1 5−5 0 0
1 7 − 7 −1 = 1 − 7 7 + 1 = −6 8
3 4 3 0 3−3 4−0 0 4

MULTIPLICACION POR UN ESCALAR

La multiplicacion se realiza multiplicando los renglones de la primer matriz por las columnas de la
segunda matriz, dando en cada renglón por columna multiples resultados por cada número:
     
1 5 1·5 5·5 5 25
5 1 7 = 1 · 5 7 · 5 =  5 35
3 4 3·5 4·5 15 20
MULTIPLICACION ESCALAR DE VECTORES
o producto punto es la suma de los productos de las correspondientes entradas en dos secuencias
de números o vectores.
MULTIPLICACION ENTRE MATRICES
Dos matrices A y B son multiplicables si el número de columnas de A coincide con el número de
las de B.
An1×m1 , Bn2×m2
m1 = n2

El elemento cij de la matriz producto se obtiene multiplicando cada elemento de la la i de la

matriz A por cada elemento de la columna j de la matriz B y sumándolos.
     
1 5   1·1+5·3 1·0+5·1 16 5
1 0
1 7 = 1 · 1 + 7 · 3 1 · 0 + 7 · 1 = 22 7
3 1
3 4 3·1+4·3 3·0+4·1 15 4

OBSERVACIONES

9
 • Matriz o vector columna Tamaño n × 1

• Matriz o vector renglón Tamaño 1 × n

• Notación A,B,C para matrices
a,b,c para número
aij la entrada ij de una matriz
(aij ) Matriz
• Dos matrices son iguales sitienen el mismo tamaño y sus elementos correspondientes son
iguales.

6 Traspuesta
Dada una matriz A, se llama matriz traspuesta de A a la matriz que se obtiene cambiando orde-
nadamente las las por las columnas
   
1 5 T 1 1
A= A =
1 7 5 7

7 Partición de Matrices.
Una partición de de una matriz es una subdivisión en matrices mas pequeñas por ejemplo:
En renglones

 
1 0 7 1
A = 3 5 3 2
5 1 2 3

 
r1
A = r2  r1 = (1, 0, 7, 1) r2 = (3, 5, 3, 2) r3 = (5, 1, 2, 3)
r3

en columnas
   

1 0
A = c1 c2 c3 c4 c1 = 3 c2 = 5 etc..
5 1

pero no tiene que ser por renglones o por columnas por ejemplo:
 
1 0 7 | 1    
 3 5 3 | 2 
 A = A11 A12 1 0 7

−− A11 =
−− −− + −− A21 A22 3 5 3
5 1 2 | 3

8 Traza de una matriz cuadrada

Sea A una matriz m × m, la traza de A se dene como la suma de los elementos de la diagonal
principal
tr(A) = a11 + a22 + ... + ann

10
EJEMPLO
 
−1 0
A= tr(A) = −1 + 3 = 2
2 3

9 Matriz identidad, matriz cero y un teorema sobre propiedades

aritméticas
La matriz identidad In×n es una matriíz cuadrada que tiene unos en la diagonal principal y ceros
fuera de la diagonal por ejemplo:
 
  1 0 0 0
  1 0 0
1 0 0 1 0 0
I2×2 = I3×3 = 0 1 0 I4×4 =   (1)
0 1 0 0 1 0
0 0 1
0 0 0 1
La matriz In×n se puede denotar por In y si se sobreentienden los tamaños se puede omitir, y sólo
se escribirá I .
La matriz 0 o 0n×m es una matriíz que tiene ceros en todas las entradas por ejemplo:
 
  0 0 0 0 0
  0 0 0
0 0 0 0 0 0 0
02×2 = 03×3 = 0 0 0 04×5 =   (2)
0 0 0 0 0 0 0
0 0 0
0 0 0 0 0
La matriíz 0n×m si es cuadrada (n = m) también la escribiremos 0n , y se sobre entiende se omitirá
el tamaño, y sólo se escribirá 0.
Teorema. Suponiendo que el tamaño de las matrices son tales que las operaciones indicadas se
pueden efectuar, entonces son validas las sguientes reglas de la aritmetica matricial
• A+B=B+A
• A+(B+C)=(A+B)+C
• A(BC)=(AB)C
• A(B+C)=AB+AC
• (B+C)A= BA+CA
• a(B+C)= aB+aC
• (a+b)C=aC+bC
• a(bC)=(ab)C
• a(BC)=(aB)C
• A+0= 0+A= A
• A-A = 0
• 0-A = -A
• A0= 0A= 0
• AIn = In A = A
• (AT )T = A
• (kA)T = kAT
• (A + B)T = AT + B T
• (AB)T = B T AT

11
10 Inversa de una matriz
La inverza de una matriz A es una matriz que al multiplicarla por ella da la matriz identidad In×n
y la denotaremos por A−1 , ejemplo:
   
1 0 1 0
A= A−1 =
−1 1 1 1

Teorema (1.4.5).  
a b
A=
c d

1. A es invertible si y sólo si ad − bd 6= 0
2. Más aun  
1 d −b
A−1 =
ad − bc −c a

Teorema (1.4.4). Si B y C son ambas inversas a la matriz A, B=C

11 Evaluación de polinomios
POTENCIAS DE UNA MATRIZ
Si una matriz A es cuadrada denimos:
A0 = I
An = A(AN −1 )
A−n = (A−1 )n
Teorema (1.4.8). Si A es una matriz invertible, entonces
1. A−1 es invertible y (A−1 )−1 = A
2. (An )−1 = (A−1 )n
3. k 6= 0, (kA)−1 = k1 A−1
Teorema (1.4.10). si A es invertible entonces (AT )−1 = (A−1 )T
EVALUACION DE POLINOMIOS CON MATRICES

P (x) = x2 + x
 
1 1
A=
0 1

 2  
1 1 1 1
P (A) = +
0 1 0 1

    
1 1 1 1 1 1
P (A) = +
0 1 0 1 0 1

     
1 2 1 1 2 3
P (A) = + =
0 1 0 1 0 2

12
12 Matrices Elementales

Denición. Una matriz n × n se denomina Matriz Elemental si se puede obtener a partir de la

matriz identidad al efectuar una sola operación elemental en los renglones.
EJEMPLOS
     
1 0 0 1 0 0 1 0 0
0 5 0 0 1 0 0 0 1
0 0 1 2 0 1 0 1 0
En estes casos sólo tenemos que efectuar una operación elemental por tanto la matriz es elemental
y
Teorema (1.5.1). Si la matriz elemental E resulta de la ejecución de cierta operación elemental
en los renglones de In y A es una matriz de tamaño n × m, entonces EA se obtiene cuando las
mismas operaciones se efectuan en A.
Ejemplo
   
1 0 0 1 0 0
I = 0 1 0 E1 = 1 1 0
0 0 1 0 0 1

¾Que opereración elemental tengo que afectuar a la I para que me de E1 ?

Respuesta: Al renglón 2 le sumo el rengón 1 para que nos de E1 .
 
1 1 7 −1
Entonces si tengo una matriz A = 1 −3−4 y la múltipico por E el resultado me
0
7 2 1 9
dará el mismo, si aplico la anterior operación elemental la A.
Ejercicio
1. Por un lado hacer la multiplicación EA.
2. Por otro lado hacer la operación dicha arriba a la A.

13 Método para invertir matrices

Un método para calcular la inversa de una matriz A es escribir concatenadamente las matrices
(A|I) y luego hacer operaciones elementales hasta convertirlas en las matriz (I|B), la B será la
inverza es decir A−1 = B .
Ejemplo  
1 0 0 5 | 1 0 0 0
0
 1 0 0 | 0 1 0 0
0 0 0 1 | 0 0 1 0
0 0 1 0 | 0 0 0 1
 
1 0 0 5 | 1 0 0 0
0
 1 0 0 | 0 1 0 0
0 0 1 0 | 0 0 0 1
0 0 0 1 | 0 0 1 0
 
1 0 0 0 | 1 0 −5 0
0
 1 0 0 | 0 1 0 0
0 0 1 0 | 0 0 0 1
0 0 0 1 | 0 0 1 0

13
14 Teorema principal (creciente)
El Sitema AX = 0 es equvalente a:
  
a11 a12 ... a1n x1
 a12 a22 ... a2n   x2 
 .. .. ..   ..  = 0
  
 . . .  . 
am1 am2 ... amn xn

Y este asu vez es equivalente a las ecuaciones

a11 x1 + a12 x2 + .... + a1n xn = 0

a21 x1 + a22 x2 + .... + a2n xn = 0

..
.
am1 x1 + am2 x2 + ..... + amn xn = 0
Teorema (1.5.3). Si A es una matriz de n × n, entonces las siguientes armaciones son equiva-
lentes:
• A es invertible.

• AX = 0 Sólo tiene solución trivial.

• La forma escalonada reducida de A es In
• A se puede expresar como producto de matrices elementales

14
15 Diversos resultados sistemas de ecuaciones e invertibili-
dad sección 1.6 del libro
Teorema (1.6.1). Todo sistema de ecuaciones lineales no tiene solución, tiene exactamente una
solución o tiene innidad de soluciones
Si se tienen dos sistemas
x1 + 2x2 + 3x3 = 4 x1 + 2x2 + 3x3 = 1
2x1 + 5x2 + 3x3 = 5 2x1 + 5x2 + 3x3 = 6
x1 + 8x3 = 9 x1 + 8x3 = −6
Entonces ambos sitemas se pueden resolver al mismo tiempo:
 
1 2 3 | 4 | 1
2 5 3 | 5 | 6
1 0 8 | 9 | −6
Metodo de Gauss-Jordan y tres doritos despues
 
1 0 0 | 1 | 2
0 1 0 | 0 | 1
0 0 1 | 1 | −1

Teorema (1.6.4, principal creciente). Si A es una matriz de n × n, entonces las siguientes ar-
maciones son equivalentes:
• A es invertible.
• AX = 0 Sólo tiene solución trivial.

• La forma escalonada reducida de A es In .

• A se puede expresar como producto de matrices elementales .
• AX = b es consistente para toda matrix b de tamaño n × 1.

• AX = b tiene exacatmente una solución, para toda matrix b de tamaño n × 1.

Teorema (1.6.5). Sean A y B matrices cuadradas del mismo tamaño. Si AB es invertible, en-
tonces A y B también deben de ser invertibles.

15
16 Matrices triangulares, diagonales y simétricas
Denición. • Una matriz cuadrada en la que todos los elementos fuera de la diagonal principal
son cero se denomina matriz diagonal.
• Una matriz cuadrada en la que todos los elementos arriba de la diagonal principal son cero
se denomina matriz triangular inferior.
• Una matriz cuadrada en la que todos los elementos abajo de la diagonal principal son cero se
denomina matriz triangular superior.
• Una matriz cuadrada es simétrica si A = AT .
Ejemplos
Teorema (1.7.1). • La transpuesta de una matriz triangular inferior es triangular superior, y
la transpuesta de una matriz triangular superior es triangular inferior.
• El producto de matrices triangulares inferiores es triangular inferior, y el producto de matrices
triangulares superiores es triangular superior.
• Una matriz triangular es invertible si y sólo si todos sus elementos diagonales son diferentes
de cero.
• La inversa de una matriz triangular superior invertible es triangular superior.
• la inversa de una matriz triangular inferior invertible es triangular inferior.

Ejemplo del cuarto punto

   
1 3 −1 1 −3/2 7/6
A = 0 2 4 A−1 = 0 1/2 −2/5
0 0 5 0 0 1/5

Demostración del segundo punto.

    
a11 a12 a13 b11 b12 b13 a11 b11 a11 b12 + a12 b22 a11 b13 + a12 b23 + a13 b33
 0 a22 a23   0 b22 b23  =  0 a22 b22 a22 b23 + a23b33 
0 0 a33 0 0 b33 0 0 a33 b33

Teorema (1.7.2). Si Ay B son matrices simétricas del mismo tamaño y si k es un esacalar,

entonces.
1. AT es simétrica
2. A+B y A-B es simétrica
3. kA es simétrica

Observación: El producto de dos matrices simétricas no necesariamente es simétrica.

Teorema (1.7.3). Si A es una matriz simétrica invertible, entonces A−1 es simétrica.
Teorema (1.7.4). Si A es una matriz invertible, entonces AAT y AT A también son invertibles

16
17 Determinantes
 
a b a b
det = = ad − bc
c d c d

a11 a12 a13

a21 a22 a23 = a11 a22 a33 + a12 a23 a31 + a21 a32 a13 − a13 a22 a31 − a12 a21 a33 − a23 a32 a11
a31 a32 a33

Otro metodo para calcular el determinante seria

a11 a12 a13
a a23 a a23 a a22
a21 a22 a23 = a11 22 − a12 21 + a13 21
a32 a33 a31 a33 a31 a32
a31 a32 a33

= a11 (a22 a33 ) − a11 (a23 a32 ) − (a12 (a21 a33 ) − a12 (a23 a31 )) + a13 (a21 a32 ) − a13 (a22 a31 )

EJEMPLO
1 5 −1
2 6 −2 = (1 · 6 · (−3)) + (5 · (−2) · 3) + (2 · 7 · (−1)) − ((−1) · 6 · 3) − ((−2) · 7 · 1) − (5 · 2 · (−3)) = 0
3 7 −3

Teorema (2.2.1). Si A es una matriz cuadrada

1. Si A tiene un renglón de 0 o una columna de 0 det(A) = 0
2. det(A) = det(AT )

Teorema (2.2.2). Si A es una matriz triangular n×n, entonces el determinante de A es el producto

de la diagonal principal.

18 Matrices Elementales y Determinantes

Teorema (2.2.4). Sea E una matriz elemental de nxn
1. Si E se obtiene al multiplicar una k en un renlgón de In entonces det(E) = k
2. Si E se obitiene al intercambiar 2 renglones det(E) = −1
3. Si E se obtiene al sumar un multiplo de un renglón a otro renglón, entonces el det(E) = 1
EJEMPLO
k 0 0 1 0 0 0 0 1
det 0 1 0 =k det 0 1 0 =1 det 0 1 0 = −1
0 0 1 0 0 1 1 0 0

Teorema (2.2.5). Si A es una matriz con dos renglones o dos columnas proporcionales entonces
el det(A) = 0
EJEMPLO
 
2 6 8
det 1 3 4 = 0
0 0 1

17
Teorema (2.3.1). Sean A, B y C matrices n × n que solo dieren en un renglón por ejemplo el
r-ésimo, y suponiendo que en renglón r-ésimo de C se obtiene mediante la suma de dos renglones
r-ésimos de A y B .
Entonces det(C) = det(A) + det(B)
EJEMPLO
     
1 2 1 2 1 2
A= , B= , C=
3 5 7 2 10 7
det(A) + det(B) = det(C)
−1 − 12 = −13
Teorema (2.3.3). Una matriz A es invertible si det(A) 6= 0
Teorema (2.3.6). Si A es una matriz de n×n, entonces las siguientes armaciones son equivalentes
• A es invertible

• Ax = 0 Solo si tiene solución trivial

• La forma escalonada reducida de A es In
• A se puede expresar como producto de matrices elementales

• Ax=b es consistente para toda matriz b de tamaño n × 1

• Ax=b sólo una solución para toda matriz b de tamaño n × 1
• det(A) 6= 0

19 Determinantes por menores

Denición. Si A es una matriz cuadrada, entonces el menor del elemento aij se denota por Mij
y se dene como el determinante de la submatriz que queda después de quitar el i-esimo renglón
y la j -esima columna de A. El número (−1)i+j Mij se denota por Cij y se demina cofactor del
elemento aij .

18
Denición. Si A es cualquier matriz nxn y Cij es el cofactor de aij Entonces la matriz
 
C11 C12 · C1n
 C21 C22 · C2n 
 .. .. .. .. 
 
 . . . . 
Cn1 Cn2 · Cnn

Se denomina matriz de cofactores de A, la transpuesta de esa matriz se denomina adjunta de A y

se denota adj(A)

19
20 Vectores Geométricos
Vectores que tienen la misma dirección y longitud son equivalentes

21 Vectores Propiedades

La suma de vectores se hace componente a componente.

V = (v1 , v2 , v3 , v4 )

W = (w1 , w2 , w3 , w4 )
V + W = (v1 + w1 , v2 + w2 , v3 + w3 , v4 + w4 )

W +V =V +W

El vector de longuitud 0 se denomina vector cero y se denota 0.

−V el negativo de V es el vector con la misma magnitud de V con la direcion opuesta de v .

V + (−V ) = 0

Si v 6= 0 y k ∈ R − {0}, entonces el producto kv , se denen como el vector cuya longitud es |k|

veces la longitud de v y cuya dirección es la misma que v si k > 0 y es la opuesta a v si k < 0. Si
k = 0, v = 0 entonces kv = 0
Teorema (3.2.1). Si U,V,W son vectores en el espacio dimensional o tridimensional (k, l ∈ R) se
cumplen las siguientes relaciones
1. U + V = V + U
2. (U + V ) + W = U + (V + W )
3. (U + 0) = (0 + U ) = U

20
 4. U + (−U ) = 0
5. k(lU ) = (kl)U
6. k(U + V ) = kU + kV
7. (k + l)U = kU + lU
8. 1(U ) = U

22 Norma de un vector
Para calcular la norma de un vector se utiliza la formula
q
||V || = V22 + V12

Denición. Si U y V son vectores en el espacio bidimencional o tridimensional y Q es un angulo

entre U y V, el producto punto (producto interior o producto escalar) se dene como
U · V = ||U ||||V ||cosθ

Lema.
U · V = U1 V1 + U2 V2 + U3 V3
donde
U = (U1 , U2 , U3 ) V = (V1 , V2 , V3 )

U ·V
cosθ =
||U ||||V ||
EJEMPLO
Calcular el angulo entre U = (2, −1, 1) V = (1, 1, 2)
(2, −1, 1) · (1, 1, 2)
cos θ = p p
(22 + (−1)2 + 11 ) · (12 + 12 + 22 )
(2 − 1 + 2)
√ √
cos θ =
6· 6
3 1
cos θ = =
6 2
 
1 π
θ = arccos = 1.0471 =
2 3
Teorema (3.3.1). Sean U y V vectores en el espacio bidimensional o tridimensional
• V · V = ||V ||2
• Si los vectores V y U son diferentes de cero y θ es el ángulo entre ellos, entonces

θ es agudo ⇔ U · V > 0

θ es obtuso ⇔ U · V < 0
π
θ = ⇔U ·V =0
2
Lema. n = (a, b) es un vector y ax + by + c = 0 es una recta entonces n = (a, b) y ax + by + c = 0
son ortogonales o perpendiculares.
Teorema (3.3.2). Si U, V y W son vectores en el espacio bidimensional y k es cualquier escalar,
entonces
• U ·V =V ·U
• U (V + W ) = U V + U W

21
 • k(U V ) = (kU )V = U (kV )

• V V > 0 si V 6= 0
• V V = 0 sólo si V = 0
Teorema (3.3.3). Si U y A son vectores en el espacio bidimensional o el espacio tridimensional y
si A 6= 0entonces

P royA U = U ·A
||A||2 A Componente vectrorial de U a lo largo de A
U − P royA U = U − (U Componente vectorial de U ortogonal a A
·A)
||A||2 A

EJEMPLO
U = (2, −1, 3) y V = (4, −1, 2)

((2, −1, 3) · (4, −1, 2)

P royV U = √ (4, −1, −2)
( 42 − 12 + 22 )2

(8 + 1 + 6) 15
P royV U = (4, −1, 2) = (4, −1, 2)
16 + 1 + 4 21
60 −15 30
P royV U = ( , , )
21 21 21
Lema. La distancia del punto (x0 , y0 ) a la recta ax + by + c = 0 es
|ax0 + by0 + c = 0|
D= √
a2 + b2
EJEMPLO
Calcular la distancia a la recta 2x + 3y + 1 = 0 del punto (−1, 1)
2(−1) + 3(1) + 1
D= √
22 + 3 2
−2 + 3 + 1
D= √
4+9
2
D =√
13

23 Producto Cruz
Si U = (u1 , u2 , u3 ) y V = (v1 , v2 , v3 ) son vectores en el espacio tridimencional entonces el producto
cruz UxV es el vector denido por
u2 u3 u u3 u1 u2
U ×V =( ,− 1 , )
v2 v3 v1 v3 v1 v2

EJEMPLO
Obtener el producto punto de los vectores U=(2,-1,3) y V=(4,-1,2)
−1 3 2 3 2 −1
U ×V =( ,− , )
−1 2 4 2 4 −1

U × V = (1, 8, 2)
Teorema (3.4.1). Si U,V y W son vectores en el espacio tridimencional, entonces
• U (U × V ) = 0
• V · (U × V )

• ||U × V ||2 = ||U ||2 ||V ||2 − (U · V )2

22
 • U × (V × W ) = (U · W )V − (U · V )W
• (U × V ) × W = (U · V )V − (U · W )W
Teorema (3.4.2). Si U, V y W son vectores cualesquiera en el espacio tridimensional y k cua-
lesquier escalar entonces:

• U × V = −V × U
• U × (V + W ) = U × V + U × W
• (U + V ) × W = (U × W ) + (V × W )
• k(U × V ) = (kU ) × V = U × (kV )
• U ×0=0×U =0
• A = ||U × V || = ||U ||||V ||senθ

A es el area del paralelogramo determinado por U y v

U h
θ
V
h
sin θ =
||U ||
h = ||U || sin θ
h · ||v|| = A
A = ||U ||||V || sin θ

Del teorema (3.4.1)

||U × V ||2 = ||U ||2 ||V ||2 − (U · V )2
||U × V ||2 = ||U ||2 ||V ||2 − (||U ||||V || cos θ)2
||U × V ||2 = ||U ||2 ||V ||2 − ||U ||2 ||V ||2 cos2 θ
||U × V ||2 = ||U ||2 ||V ||2 (1 − cos2 θ)
||U × V ||2 = ||U ||2 ||V ||2 sen2 θ
Denición. Si U, V y W son vectores en el espacio tridimensional entonces: U · (V xW ) se
denomina triple producto escalar
1.
U1 U2 U3
U · (V × W ) = V1 V2 V3
W1 W2 W3

2.
U · (V × W ) = W · (U × V ) = V · (W × U )

Teorema (3.4.4). .
• El valor absoluto del
u1 u2
det
v1 v2
es igual al area determinada por los vectores U = (u1 , u2 ), V = (v1 , v2 )
• El valor absoluto del determinante
u1 u2 u3
det v1 v2 v3
w1 w2 w3

es igual al volumen del paralelepípedo en el espacio tridimensional determinado por los vec-
tores U = (u1 , u2 , u3 ), V = (v1 , v2 , v3 ), W = (w1 , w2 , w3 )

23
24 Ecuación del plano
Teorema. La ecuación del plano que tiene como vector normal n = (a, b, c) y pasa por
P0 = (x0 , y0 , z0 ) es 0 = a(x − x0 ) + b(y − y0 ) + c(z − z0 )

0 = n · v = (a, b, c) · (x − x0 , y − y0 , z − z0 )
0 = a(x − x0 ) + b(y − y0 ) + c(z − z0 )
n = (P1 − P0 )x(P2 − P0 )
EJEMPLO
P1 = (1, 1, 0) P2 = (1, −1, 2) P3 = (3, 1, −2)
P2 − P1 = (0, −2, 2)
P3 − P1 = (2, 0, −2)

−2 2 0 2 0 −2
( ,− , )
0 −2 2 −2 2 0
n = (4, 4, 4)
0 = n · ((x, y, z) − P1 )
0 = (4, 4, 4) · ((x − 1), (y − 1), z)
0 = 4x − 4 + 4y − 4 + 4z
4x + 4y + 4z = 8

x y z
+ + =1
2 2 2
Teorema (3.5.1). Si a, b, c y d son constantes y no todas las contrantes a,b,c, son ceros entonces
la graca de la ecuación ax + by + cz + d = 0 en un plano cuya normal es el vector n = (a, b, c).

25 Ecuación paramétrica de la recta

Ecuacion vectorial de la recta:

V0 + tV
EJEMPLO
Los puntos V0 = (1, 1, 2) V1 = (1, 1, 1) estan sobre una recta, encontrar la ecuación vectorial de la
recta
(1, 1, 0) + t(V1 − V0 )
(1, 1, 0) + t(0, 0, 1)

Ecuación parametrica de la recta

x = 1, y = 1, z = t

Ecuaciones paramétricas de una recta

x = a1 + tb1
y = a2 + tb2
z = a3 + tb3
Encontrar las eciaciones vectoriales y paramétricas de la recta que pasa por V0 = (1, 2, 3),
V1 = (1, 1, 1)

24
 Ecuación vectorial
(1, 2, 3) + t(0, 1, 2)

(1, 2, 3) + (0, t, 2t)

= (1, 2 + t + 3t + 2t)

Ecuación paramétrica
x=1

y =2+t
z = 3 + 2t
Teorema (3.5.2). La distancia D entre un punto P0 = (x0 , y0 , z0 ) ax + by + cz + d = 0
|ax0 + by0 + cz0 + d|
D= √
a2 + b2 + c2

26 Espacios vectoriales euclidianos

Denición. Si n es un entero positivo, entonces una n-ada ordenada es una sucesión de n números
reales (a1 , a2 , ..., an ). El conjunto de todas las n-adas ordenadas se denomina espacio n dimensional
y se denota por Rn .

27 Desigualdad de Cauchy Shartz

|U · V | ≤ ||U ||||V ||
||U || = 0 si U = 0
||kU || = |k|||U ||
||U + V || ≤ ||U || + ||V ||
AU · V = U · AT V
U · AV = AT U · V
EJEMPLO
1 −2 3 −1 −2
A= 2 4 1 u= 2 v= 0
−1 0 1 4 5
1 2 −1 −2 −7
AT = 2 4 0 0 = 4
3 1 1 5 −1

−1 −7
2 4 = 7 + 8 − 4 = 17
4 −1
AU · V = U · AT V
7 −2
10 0 = −14 + 25 = 11
5 5

25
28 Funciones o Transformaciones
EJEMPLOS

T :R→R
f (x) = x + x2

f : R3 → R

f (x, y, z) = xy + z
f (x, y, z) = x2 + y 2 + z 2

f : R3 → R2

f (x, y, z) = (xy + z, x2 + y 2 + z)
T : R n → Rm
Dado una f : A → B denimos
• imagen o valor de un elemento

• Dominio
• codominio.
• rango o recorrido.
• inyectiva.

• sobreyectiva.
• biyectiva.

29 Transformaciones lineales
Una transformación lineal de Rn a Rm es una función con n variables y con imagen un vector de
m entradas, cada una de ellas lineal en las n variables.
R 3 → R2
f (x, y, z) = (2x + 3y, 3x + z + 1)
R4 → R2
f (x1 , x2 , x3 , x4 ) = (x1 + 2x2 − x3 , x1 + 3x2 + 4x4 )
R4 → R2
f (x1 , x2 , x3 , x4 ) = (w1 , w2 )
Con
w1 = x1 + 2x2 − x3

w2 = x1 + 3x2 + 4x4
2 2
R →R
√
f (x1 , x2 ) = ( 2x1 + x2 , x1 + log(3)x2 , x2 )
Lema. Toda transformación lineal tiene asociada una matriz y toda matriz se le puede asociar
una transformación lineal.

26
 Ejemplos     
2x1 + x2 2 1 0 x1
T (x1 , x2 , x3 ) = 2x1 − x2  = 2 −1 0 x2 
x3 0 0 1 x3

1. Decir las dimensiones del dominio y contradominio

2. Decir cuál es la matriz asociada
y

• (x, y)

Reejar respecto al eje

(x, −y)

Ejemplos •
 
x
f (x, y) =
−y
  
1 0 x
f (x, y) =
0 −1 y

• (x, y, z)

Reejar respecto al plano

y
•

• (x, y, −z)
  
1 0 0 x
f (x, y, z) = 0 1 0  y 
0 0 −1 z

30 Notación
Si T : Rn → Rm es equivalente a la multiplicación por A entonces A se le llamara matriz estandar
de T y se denotará por [T ] Y viceversa si A es una matriz a la transformación que asocia a cada
x, Ax le llamaremos TA Así

27
 TA (x) = Ax

T (x) = [T ]x
y

[TA ] = A

31 Más geometría de las transformaciones lineales

28
29
30
31
32 operaciones entre transformaciones
• Suma
• composición

Teorema (4.3.4 creciente). A es una matriz de n × n TA :Rn → Rn , entonces las siguientes

armaciones son equivalentes
• A es invertible

• Ax = 0 sólo tiene solución trivial

• La forma escalonada A es In
• A se puede expresar como producto de matrices elementales
• Ax = b es consistente para toda matriz b

• Ax = b tiene exactamente una solución para cada b

• det A 6= 0
• TA es sobreyectiva

• TA es inyectiva

33 Propiedades de las transformaciones

• Inversa de una transformación

• Eigen vector o vector propio.

• Eigen valor o valor propio.
• combinación lineal.
• Vectores canónicos, base canónica,

32
34 ESPACIOS VECTORIALES
Denición. Sea V un conjunto cualesquiera no vacío de elementos sobre el que están denidas
dos operaciones. La suma y la multiplicación por un escalar V se denomina espacio vectorial y sus
elementos se llaman vectores si:
• u, v ∈ V ⇒ u + v ∈ V
• u+v =v+u
• u + (v + w) = (u + v) + w
• ∃ 0 ∈ V tal que 0 + v = u + 0 = u
• ∀ n ∈ V, ∃ − u ∈ V tal que u + (−u) = 0
• si k es un escalar y v ∈ V , kv ∈ V
• k(u + v) = ku + kv
• (k + l)v = ku + lv
• k(lv) = (kl)v
• 1·v =v

Ejemplos:
Denición. Se dice que W es subespacio vectorial del espacio V si W ⊆ V y W es también un
espacio vectorial.
EJEMPLO
V = Funciones R ⇒ R es un espacio vectorial
W = Funciones continuas R ⇒ R en un sub-espacio vectorial de V

EJEMPLO

V = R2
w = {(x, y); y = 2x}
W ⊂V

33
 v1 , v2 ∈ w ⇒ v1 + v2 ∈ W
(x1 , 2x1 ), (x2 , 2x2 ) ∈ W
(x1 + x2 , 2(x1 + x2 )) ∈ N
0 = (0, 0) ∈ W k(x1 , 2x1 ) = (kx1 , 2kx1 ) ∈ W
0 = 2(0) ((−x1 ), 2(x1 )) ∈ W

Teorema (5.1). Si W es un conjunto formado por uno o más vectores de un espacio vectorial V,
entonces W es un subespacio de V si y solo si se cumplen las siguientes dos condiciones
• Si u, v ∈ w entonces u + v ∈ w
• Si k es culesquier escalar y u cualesquier vector de w, entonces ku esta en w

EJEMPLO
v=R
Wα = {(c, y)/y = αx, α real jo }
?'Wα es subespacio de v ?
(x1 , αx1 ) (x1 , αx1 ) + (x2 , αx2 ) = (x1 + x2 , α(x1 , x2 )) k(x1 , αx1 ) = (kx1 , α(kx1 )

34
35
36
37
Teorema (5.3.3.). S = {v1 , v2 , . . . , vr } un conjunto de vectores en Rn . Si r > n, entonces S es
linealmente dependiente.

38
Ejemplos:

39
 BASE
Si V es un espacio vectorial y S = {v1 , v2 , . . . , vn } es un conjunto de vectores, entonces S se llama
base de V si se cumplen las condiciones siguientes:
• S es linealmente independiente
• S genera a todo V .
Demostrar que
{1, x, x2 , ..., xn } es una base para el conjunto de plinomios de grado n.
P (x) = a0 + a1 x + a2 x2 + ... + an xn
a0 + a1 x + a2 x2 + ... + an xn = 0
solo es = 0 si las aij = 0
La base estandar de Pn es S = {1, x, x2 , ..., xn }
El espacio de polinomios de grado menor o igual a n es de dimencion innita?
No, la base sería {1, x, x2 , x3 , ..., xn , xn } lo cual es nito.

Teorema (5.4.1). Si S={v1 , v2 , ..., vn } es una base de un espacio vectorial V , entonces todo vector
v ∈ V se puede expresar de forma unica como
v = c1 v1 + c2 v2 + c3 v3 + ... + cn vn
Demostración. Por b, ∃ c1 , c2 , c3 , ...cn tal que
v = c1 v1 + c2 v2 + ... + cn vn
supongamos ∃ k1 , k2 , ..kn tal que
−→ v = k1 v1 + k1 v2 + .. + kn vn
0 = (c1 − k1 )v1 + (c2 − k2 )v2 + ... + (cn − kn )vn
Como son L.I. entonces para cada i, ci − ki = 0 por tanto ci = ki para cada i.
Teorema (5.4.2). Si V es de dimensión nita y si {v1 , v2 , ...vn } es cualquier base, entonces:
• Todo conjunto con mas de n vectores es L.D
• Ningun conjunto con menos de n vectores genera a V.
Coordenadas de una base
Si S = v1 , v2 , ...vn es una base para un espacio vectorial V y v ∈ V se escribe v = (c1 v1 + c2 v2 +
... + cn vn entonces c1 , c2 , .., cn en Rn que se obtiene a partir de coordenadas se llama vector de
coordenadas de v con respecto a S , y se denota por (v)s = (c1 , c2 , ..., cn )

EJEMPLO

S1 = (1, 0, 0), (0, 1, 0), (0, 0, 1)

S2 = (1, 0, 1), (1, 1, 0), (0, 1, 1)

EJERCICIO
En ambas bases encontrar el vector de coordenadas de (1,2,3)

(1, 2, 3)s1 = (1, 2, 3) = 1(1, 0, 0) + 2(0, 1, 0) + 3(0, 0, 1)

(1, 2, 3)s2 = k1 (1, 0, 2) + k2 (1, 1, 0) + k3 (0, 1, 1)
1 = k1 + k2 1 = 3 − k3 + k2
2 = k2 + k3 1 − 3 + k3 = k2
3 = k1 + k3 − 2 + k3 = k2
3 − k3 = k1
k1 = 1 k2 = 0 k3 = 2

40
Denición. Base estandar o canónica para R
e1 = (1, 0, 0, ..., 0)

e2 = (0, 1, 0, ..., 0)
..
.
en = (0, 0, 0, ..., 1)
Denición. Se dice que un espacio vectorial es de dimensión nita si existe un conjunto nito de
vectores v1 , v2 , .., vn que forman una base. En caso de que no exista base nita se dice que es de
dimensión nita.
Teorema (5.4.3). Todas las bases de un espacio vectorial de dimensión nita tiene el mismo
número de vectores.
Denición. La dimensión de un espacio vectorial V de dimensión nita, denotada por dim(V ),
se dene como el número de vectores que hay en una base V . Además, la dimensión del espacio
vectorial 0 es cero.
EJEMPLO

dim(Rn ) = n (toda base tiene n vectores)

dim(Pn ) = n + 1 base {1, x, x2 , . . . , xn }
dim(Mmn ) = mn base estándar
     
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
M23 =
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
dim(M23 ) = 6
EJERCICIO
Determinar una base y la dimención del espacio solución del sistema homogeneo.
2x1 + 2x2 − x3 + x5 = 0
−x1 − x2 + 2x3 + x4 + x5 = 0
x1 + x2 − 2x3 − x5 = 0
x3 + x4 + x5 = 0
Aplicamos operaciones elementales
  
2 2 −1 0 1 2 2 −1 0 1
−1 −1 2 1 1 −1 −1 2 1 1
  
1 1 −2 0 −1  0 0 0 1 0
0 0 1 1 1 0 0 1 1 1

Teorema (5.4.4). Sea S un conjunto no vacio de vectores en un espacio vectorial V .

• Si S es un conjunto linealmente independiente y v es un vector en V que no pertenece
lin(S) =< S > = generado(S ), entonces {v} d S es L.I
• Si v es un vector en S que se puede expresar como combinación lineal de los demás vectores
en S , entonces < S >=< S − {v} >.
Teorema (5.4.5). Si V es un espacio vectorial de dimensión n y si S es un conjunto con exacta-
mente n vectores, entoncecs S es una base de V si una de las siguientes condiciones se cumplen
• S genera a V
• S es L.I
Teorema (5.4.6). Sea S un conjunto de vectores en un espacio vectorial V de dimensión nita.
• Si S genera a V pero no es una base de V , entonces S se puede reducir a una base de V
quitando elementos de S
• Si S es un conjunto L.I que no es base para V , se le puede agregar vectores apropiados para
ampliarla a una base

41
EJEMPLO
Borrar los vectores adecuados para que S sea una base de R3
       
1 1 1 0
S = 0 , 1 , 1 , 0
1 0 1 1

Con los tres primeros vectores se genera la base ya que el det 6= 0

Agregar el vector/vectores adecuados para que sea base de R4
   
1 1
0 1
0 , 0
S=   

1 0

En este caso se le agregaria

   
0 0
0 0
 , 
1 0
0 1

Teorema (5.4.7). Si W es un subespacio de un espacio vectorial V de dimensión nita, entonces

dim(W )≤ dim(V).Adems, sidim(W)=dim(V), entoncesW=V.

Denición. Para una matriz m × n

 
a11 a12 ... a1n
A =  ... ..
.
..
.
.. 
. 


am1 am2 ... amn

Los vectores

r1 = [a11 , a12 , ..., a1n ]

r2 = [a21 , a22 , ..., a2n ]
..
.
rn = [am1 , am2 , ..., amn ]
en Rn se denominan vectores renglón de la matriz A.

Los vectores      
a11 a12 a1n
 a21   a22   a2n 
c1 =  .  c2 =  .  , . . . , cn =  . 
     
 ..   ..   .. 
am1 am2 amn
en Rm se denomina vectores columna de A.
Al espacio generado por los vectores renglones de A se denomina espacio renglón de A.
Al subespacio de Rn generado por las columnas de A se denomina espacio columna de A.
El espacio solución del sistema homogeneo Ax = 0, que es subespacio de Rn se denominan
espacio nulo de A.
Teorema (5.5.1). Un sistema de ecuaciones lineales Ax = 0 es consistente si y solo si b está en
el espacio columna de A.

42
 Matriz Cuadrada
Dim espacio renglon + Dim espacio nulo = tamaño de A
Matriz no Cuadrada
La suma es el número de columnas de A
Teorema (5.6.1). Si A es cualquier matriz, entonces el espacio renglón y el espacio columna de
A tienen la misma dimensión
Denición. La dimension común del espacio renglón y del espacio columna de una matriz A, se
denomina rango de A y se denota por rango (A); la dimensión del espacio nulo de A se denomina
nulidad de A y se denota por nulidad(A).
Teorema (5,6,2). Si A es cualquier matriz, entonces el rango(A)= rango(AT )
Teorema (5,6,3). Si A es una matriz con n columnas rango(A)+nulidad(A)=n
Teorema (5,6,4). Si A es una matriz n × n
• Rango (A)=Número de variables principales que hay en una solución Ax = 0
• Nulidad(A)= Número de parametros que hay en la solución de Ax = 0
Lema. A es de tamaño n × m, rango(A) ≤ min(m, n)
EJEMPLO

 
−1 2 0 4 5 −3
3
 −7 2 0 1 4 
2 −5 2 4 6 1
4 −9 2 −4 −4 7

43
Calcular
• Calcular una base para el espacio nulo
• Calcular el rango de A
Para resolver el problema efectuamos Gauss Jordan y nos quedaria
 
1 −2 0 −4 −5 3
0
 1 −2 −12 −16 5
0 0 0 0 0 0
0 0 0 0 0 0

por tanto el Rango de (A) = 2

la base del espacio nulo es:
(1, −2, 0, −4, −5, 3)
(0, 1, −2, −12, −16, 5)

44
Denición. Un conjunto de vectores en un espacio con productos interior se denominan conjunto
ortogonal si todas las parejas de vectores distintos en el conjunto son ortogonales.
Un conjunto ortogonal en el que cada vector tiene norma 1 se denomina conjunto ortonormal.
Una base que consta de vectores ortonormales se denomina base ortonormal y una base que consta
vectores ortogonales se denomina base ortogonal.
EJEMPLO
i = (1, 0, 0), j = (0, 1, 0), k = (0, 0, 1)
i·j =0 i·k =0 j·k =0
||i|| = 1 ||j|| = 1 ||k|| = 1
por tanto es base ortogonal y ortonormal
Teorema (6.3.1). Si S = {v1 , v2 , ..., vn } es una base ortonormal para un espacio V , u ∈ V entonces
u =< u1 , v1 > v1 + < u1 , v2 > +...+ < u1 , un > vn

EJEMPLO

(1, 2, 3) =< (1, 2, 3)·(1, 0, 0) > (1, 0, 0)+ < (1, 2, 3)·(0, 1, 0) > (0, 1, 0)+ < (1, 2, 3, )·(0, 0, 1) > (0, 0, 1)
(1, 2, 3) = 1(1, 0, 0) + 2(0, 1, 0) + 3(0, 0, 1)
1 1 −1 1 1
(1, 2, 3) < (1, 2, 3) · (√ ,√ , 0) + (√ )(√ ,√ , 0) + 3(0, 0, 1)
2 2 2 2 2
Teorema (6.3.3). Si S = {v1 , v2 , ..., vn } es un conjunto ortogonal de vectores con producot interior
entonces S es L.I.
Teorema (6.3.6). Todo espacio no nulo de dimensión nita con producto interior tiene una base
ortonormal
Proceso de Gramm-Schmidt

{u1 , u2 , ..., un } −→ {v1 , v2 , ..., vn }

v1 = u 1
u2 · v1
v 2 = u2 − v1
||v1 ||2
u3 · v1 u3 · v2
v3 = u3 − v1 − v2
||v1 ||2 ||v2 ||2
u4 · v1 u4 · v2 u4 · v3
v4 = u4 − 2
v1 − 2
v2 − v3
||v1 || ||v2 || ||v3 ||2
Denición. W es un subespacio de un espacio V con producto interior, se dice que un vector u
en V es ortogonal a W si es ortogonal a todo vector en W ; y el conjunto de todos los vectores en
V que son ortogonales a W se denomina complemento ortogonal de W y se denota como W ⊥

EJEMPLOS
1. W = R2 W = {(t, 0) : t ∈ R}

W ⊥ = {(s, 0) : s ∈ R}

W⊥
V

45
2. W = R2 W = {t(1, 1) : t ∈ R}

−1
• • W ⊥ = {s(−1, 1) : s ∈ R}
−1 1

3. W = R3

W = {t(0, 1, 0) : t ∈ R}
W : eje y

W ⊥ = {(s1 , 0, s2 ) : s1 , s2 ∈ R}
x

4. W = R3 W = {(t1 + t2 , t1 , t2 ) : t1 , t2 , t3 ∈ R}

t1 (1, 1, 0) + t2 (1, 0, 1)

W ⊥ = {s(1, −1, −1) : s ∈ R}

(a, b, c) · (1, 1, 0) = 0
(a, b, c) · (1, 0, 1) = 0

a+b=0
a+c=0
b = −a
c = −a
a=s

(a, b, c) = (s, −s, −s)

= s(1, −1, −1)

46
5. W = R3 W = t1 (1, 1, 1) + t2 (1, 1, 0) + t3 (1, 0, 0) : t1 , t2 , t3 ∈ R

(a, b, c) · (1, 1, 0) = 0
(a, b, c) · (1, 1, 0)
(a, b, c) · (1, 0, 0)

a + b + c = 0 c = −b − a = 0
a+b=0 b = −a = 0 b=0
a=0

W⊥ = 0
 
1 1 1
A = 1 1 0 El complemento ortogonal del espacio nulo de A es R3
1 0 0

47
48
Denición. Se dice que una matriz cuadrada A es diagonizable si existe una matriz invertible P
tal que P − 1AP es una matriz diagonal, se dice que tal matriz P diagonaliza a A.
Teorema (7.2.1). Si A es una matriz n × n entonces las siguienes propociciones son equivalentes.
• A es diagonalizable
• A tiene n eigen-vectores linealmente independientes

OBSERVACIONES
Si An×n es diagonalizable y P1 , P2 , ..., Pn son los eigen-vectores de A entonces P = (P1 |P2 |...|Pn )
diagonaliza a A i.e P − 1AP es diagonal y ademas
 
λ1 0 ·s 0
 0 λ2 ·s 0 
P − 1AP =  .

.. .. .. 

(3)
 .. . . . 
0 0 ·s λn
donde λ1 , λ2 , ..., λn son los eigen-vectores correspondientes a los eigen-vectores P1 , P2 , .., Pn respec-
tivamente.
EJEMPLO  
1 1
A= det(A − λI) = 0
1 0
 
1−λ 1
0=
1 −λ
x2 − λ − 1 Ax = λ 1 x
√
1± 5
Ax = λ 2 x
2
   √  
1 1 x1 1 ± 5 x1
=
1 0 x2 2 x2
√
1± 5
x1 + x2 = x1
2
√
1± 5
x1 = x2
2
 √ 
x2 = 1±2 5 22 x1

√
−1 + 5
x2 = x1
2
√
2x2 1+ 5
x1 = √ · √
−1 + 5 1 + 5
√
2+2 5
x1 =
5−1
√
1+ 5
x2 = x1
2
x2 = s
√
1+ 5
x1 = s
2
   √ 
x1 1+ 5
=s 2
x2 1
   √  
1 1 x1 1 + 5 x1
=
1 0 x2 2 x2

49
  √ 
1− 5
P2 = 2
1
P = [P1 |P2 ]

 √ √ 
1+ 5 1− 5
P = 2 2
1 1
√ !
1+ 5
 
−1 λ1 0 2 0√
P AP = =
0 λ2 0 1− 5
2
√ !
√1 −1−√ 5
−1 5 2 √5
P = −1 1+√ 5
√
5 2 5
√ !
√1 −1−√ 5
  √ √ 
1 1 1+ 5 1− 5
P −1 AR = −1
5 2 √5 2 2
√ 1+√ 5 1 0 1 1
5 2 5
√ ! √ √ 
√1 1−√ 5 √1
5
− 2 √5 5
1+ 5 1− 5
= −1 1+√ 5
2 2
√
5
+ 2 5
− √15 1 1
 √ √ √ 
1+√ 5 1−√ 5 (1− 5)2
2
− 41−5
√ + √1 − √ + √1
=  √5 √5 5 2 5 √ 4 5 5
−1+ (1+ 5)2 −1−
√ 5 + √ − √1 √ 5 + 1−5
√ − √1
2 5 4 5 5 2 5 4 5 5
√ √ √ !
2+2 √ 5+4+4 2−2 5−(1−2 5+5)+4
√
= √ 4 5 √ 4√ 5
−2−2 5+1+2
√ 5+5−4 −2+2 √5−4−4
4 5 4 5
√ ! √ !
10+2
√ 5 1+ 5
4 5
0 0√
= √ = 2
−10+2
√ 5 1− 5
0 4 5
0 2

50