ÁLGEBRA

LINEAL
Flor de Marı́a Correa Romero • Marco Antonio Molina Mendoza
ÁLGEBRA
LINEAL
Flor de Marı́a Correa Romero
Profesora de matemáticas de la ESFM

México, 2022
CONTENIDO
PRÓLOGO 3

0 PRELIMINARES 5
0.1 Definición de campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1 MATRICES 7
1.1 La definición de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Suma de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Multiplicación de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Lista de ejercicios 1 (LE1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.2 Lista de ejercicios 2 (LE2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4 Operaciones entre los renglones de una matriz . . . . . . . . . . . . . . . . . . . . . 21
1.5 Matrices Elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6 Sistemas de Ecuaciones Lineales (SEL) . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.7 Operaciones elementales entre las ecuaciones de un sistema . . . . . . . . . . . . . . 33
1.8 Matrices y sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 35
1.8.1 Método de eliminación Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.8.2 Método de eliminación Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . 37
1.9 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2 ESPACIOS VECTORIALES 55
2.1 Definición y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.2 Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.3 Conjuntos generadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.4 Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.5 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.5.1 Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.6 Suma de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.7 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

3 TRANSFORMACIONES LINEALES 83
3.1 Núcleo e imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.2 Operaciones con transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 90
3.3 Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.4 Matrices y operadores lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.4.1 Vectores coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

1
BIBLIOGRAFÍA 107

Lista de figuras

Figura 1.1 Representacion de los posibles casos del conjunto solución de un SEL . . . . . 35
Figura 1.2 Diagrama de circuito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Figura 1.3 Diagrama de red de calles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

Lista de tablas

Tabla 1.1 Datos de camiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

2
PRÓLOGO
La presente obra consta de todo el contenido que dio la Prof.a Flor de Marı́a Correa Romero, quien
imparte clases en la Escuela Superior de Fı́sica y Matemáticas (ESFM) en el Instituto Politécnico
Nacional (IPN).

Es importante saber que este libro está hecho a base de notas de clase, por lo que es muy pro-
bable que pueda contener algun error ortográfico o matemático. Por favor, consulta la bibliografı́a
proporcionada al final de esta obra.

Dando continuidad al problema de resolver una ecuacion lineal (visto en el primer curso de álge-
bra), se estudiará el cómo resolver una colección de ecuaciones lineales (SEL). Antes de llegar a
resolver un sistema de ecuaciones lineales, se verá la definición y algunas propiedades elementales
de las matrices, las cuales nos serán de gran ayuda en casi todos los demás capı́tulos. Se darán los
conocimientos necesarios sobre las operaciones elementales sobre los renglones de una matriz. Una
vez visto lo que es una matriz y sus propiedades, se proporcionará un método, el de Gauss, por el
medio del cual se podrá decir si un sistema dado tiene o no soluciones; en caso de tener, decidir
si tiene una o infinitas; y en cualquiera de estos casos, llegar a encontrarlas. Después se verá una
estructura muy importante, llamada espacio vectorial, ası́ como sus propiedades elementales; y más
adelante, se estudiará una subestructura llamada subespacio vectorial. Se darán los conocimientos
básicos sobre la dependencia e independencia lineal de vectores, ası́ como sus propiedades. En el
siguiente capı́tulo veremos la definición de una transformación lineal, ası́ como sus propiedades, esto
nos da lugar a ver y entender el núcleo de una transformación lineal y una relación de equivalencia
muy importante, llamada isomorfismo. Sin pérdida de generalidad, veremos el determinante de una
matriz, y aunque no siempre se la da el mayor peso, es de suma importancia, ya que gracias a los
determinantes tenemos lo que conocemos como jacobianos. No obstante, actualmente los determi-
nantes tienen más interés teórico que práctico.

Cada capı́tulo contiene varios ejercicios y demostraciones. Estos son de diversos tipos y pueden
ayudar a tener una mejor comprensión del tema.

Cabe mencionar que este libro fue mecanografiado por Marco Antonio Molina Mendoza, estudiante
de la licenciatura en fı́sica y matemáticas.

Si lo deseas o lo requieres, puedes imprimir esta obra. No necesitas autorización.

Marco Antonio Molina Mendoza

México, 13 de diciembre de 2022

3
Capı́tulo 0

PRELIMINARES

Primeramente, debemos entender la diferencia entre el significado de un conjunto y un anillo.

Consideremos el conjunto de los enteros:
Z = {0, 1, −1, 2, −2, . . . }
Notemos que no nos dice más que solo los elementos que contiene dicho conjunto.
Ahora, consideremos el anillo de los enteros:
(Z, +, ·) (α)
(Z, +, · , 0, 1) (β)
En (α) y (β) se nos dice que está dotado de dos operaciones, la suma y el producto; y en particular,
(β) nos dice sobre la identidad aditiva y multiplicativa. Podemos decir que un anillo siempre nos
da información adicional a comparación de un conjunto.

0.1. Definición de campo

Definición 0.1.1. Sea C un conjunto no vacı́o, y sean +, ·, dos operaciones definidas sobre C.
La terna (C, +, ·) se dice que es un campo si ∀a, b, c ∈ C cumple las siguientes propiedades:

i. (a + b) + c = a + (b + c).

ii. a + b = b + a.

iii. Existe una identidad, denotada por “0”, donde 0 ∈ C tal que ∀a ∈ C, a + 0 = a.

iv. Dado a ∈ C, existe un inverso aditivo, donde b ∈ C tal que a + b = 0.

v. (a · b) · c = a · (b · c).

vi. a · b = b · a.

vii. Existe 1 ∈ C tal que ∀a ∈ C, a · 1 = a.

viii. Dado a ∈ C con a ̸= 0, existe b ∈ C tal que a · b = 1.

ix. a · (b + c) = a · b + a · c.

5
Capı́tulo 0: PRELIMINARES 0.1: Definición de campo

Proposición 0.1.1:
Sea (C, +, ·, 0, 1) un campo. Existe un único elemento 0 ∈ C tal que ∀a ∈ C, a + 0 = a.

Demostración.
Supongamos que e ∈ C y cumple ∀a ∈ C, a + e = a, entonces

0=0+e=e

Por lo tanto, 0 es la identidad para la suma.

Proposición 0.1.2:
Dado a ∈ C existe un único b ∈ C tal que a + b = 0.

Demostración.
Supongamos que b1 ∈ C cumple a + b1 = 0, entonces

b = b + 0 = b + (a + b1 ) = (b + a) + b1 = 0 + b1 = b1

Por lo tanto, al elemento b le llamaremos el inverso aditivo de a y escribiremos “−a” en lugar

de b.

Proposición 0.1.3:
Existe un único elemento 1 tal que ∀a ∈ C, a · 1 = a.

Demostración.
Se deja como ejercicio al lector.

Proposición 0.1.4:
Dada a ∈ C con a ̸= 0, existe un único elemento b ∈ C tal que a · b = 1.
A tal elemento b lo escribiremos como “a−1 ”.

Demostración.
Se deja como ejercicio al lector.

Comentario:
En la definición 0.1.1, se puede colocar un campo arbitrario, por ejemplo, Q, C, etc.

Convención:
A menos que se indique especı́ficamente otra cosa, por un campo entenderemos un campo
sobre R.

Observación 0.1.1. En la definición 0.1.1, también se puede escribir un campo como: (C, +, ·, 0, 1).

6
Capı́tulo 1

MATRICES

1.1. La definición de una matriz

Definición 1.1.1. Sea (C, +, ·, 0, 1) un campo y sean m, n números naturales, definimos una
matriz de tamaño m × n como un arreglo rectangular de la forma
 
a11 a12 ··· a1n
 a21

a22 ··· a2n 

 .
 . .. 
 . . 

am1 am2 · · · amn

donde ∀i ∈ {1, . . . , m} y ∀j ∈ {1, . . . , n}, aij ∈ C.

Aclaración:
En la definición anterior se utilizo el término “upla”, ¿pero qué significa? Una upla es una lista
o secuencia ordenada finita de elementos. En matemáticas se suele escribir una upla enume-
rando los elementos entre paréntesis “( )” y separados por comas. Por ejemplo: (2, 1, 7, 5, 6).
A una upla también se le puede decir “tupla”.

   
Definición 1.1.2. Las mn-uplas a11 a12 · · · a1n · · · am1 am2 · · · amn formarán lo
que llamaremos renglones de la matriz, las cuales denotaremos por:
     
a11 a12 · · · a1n , a21 a22 · · · a2n , . . . , am1 am2 · · · amn

Observación 1.1.1. El i-ésimo renglón de la matriz es

 
ai1 ai2 · · · ain

7
Capı́tulo 1: MATRICES 1.1: La definición de una matriz

     
a11 a12 a1n

a  
a
 21   22 

 a2n 
 
Definición 1.1.3. Las mn-uplas verticales  .  ,  .  , . . . ,  .   formarán lo que llama-
 ..   ..   .. 
    

am1 am2 amn

remos columnas de la matriz.

Observación 1.1.2. La j-ésima columna de la matriz es

 
a1j
 a2j 
 
 . 
 . 
 . 
amj

Observación 1.1.3. Los elementos aij donde i ∈ {1, . . . , m} y j ∈ {1, . . . , n} se llamarán las
componentes de la matriz.
La componente aij se encuentra en el i-ésimo renglón y la j-ésima columna.
 
a11 a12 · · · a1j · · · a1n
 
 a
 21 a22 · · · a2j · · · a2n 

.. .. .. ..
 
 

 . . . . 

ai1 ai2 · · · aij · · · ain  i-ésimo renglón
 

 

.. .. .. .. 
. . . .
 
 
am1 am2 · · · amj · · · amn
 

j-ésima columna

Notación:
Vamos a escribir a las matrices con letras mayúsculas latinas y a sus componentes con letras
minúsculas latinas. Una forma abreviada de escribir a una matriz es

A = (aij )m×n

Definición 1.1.4. Si B es una matriz que tiene el mismo número de renglones que de columnas,
entonces le llamaremos matriz cuadrada.

Definición 1.1.5. Una matriz de tamaño 1 × n se llamará matriz renglón.

Definición 1.1.6. Una matriz de tamaño m × 1 se llamará matriz columna.

8
Capı́tulo 1: MATRICES 1.2: Suma de matrices

Ejercicio:
Sea K = (kij )3×4 donde kij es igual a i + 2j, entonces
 
k3 k5 k7 k9
K = k4 k6 k8 k10 
 
k5 k7 k9 k11

Notación:
Denotaremos al conjunto de matrices por M(C), donde C es un campo.

Observación 1.1.4. No hay que confundir M(C) con Mm×n (C), ya que la primera se refiere al
conjunto de todas las matrices y la segunda al conjunto de matrices m × n.

Definición 1.1.7. Sean A = (aij )m×n y B = (bij )m×n dos matrices de tamaño m × n.
Se dice que A es igual a B (A = B), si aij = bij , ∀i ∈ {1, . . . , n} y ∀j ∈ {1, . . . , n}.

1.2. Suma de matrices

Definición 1.2.1. Sean A = (aij )m×n y B = (bij )m×n , definimos la suma de A con B como la
matriz
A + B = (cij )m×n
donde cij = aij + bij , ∀i ∈ {1, . . . , m} y ∀j ∈ {1, . . . , n}

Se puede esquematizar la suma de matrices de la siguiente manera:

 n   n   n 

 + m  = m
     
m
 •   •   • 


entrada (i, j) + entrada (i, j) = entrada (i, j)

Ejemplo:
! !
1 2 3 6 5 4
Sea A = yB= , entonces
4 5 6 3 2 1
! !
1+6 2+5 3+4 7 7 7
A+B = =
4+3 5+2 6+1 7 7 7

9
Capı́tulo 1: MATRICES 1.2: Suma de matrices

Proposición 1.2.1:
La operación suma (+) es asociativa.

Demostración.
Sea D = A + B = (dij )m×n y E = B + C = (eij )m×n .
Tenemos que D + C = (dij + cij )m×n y A + E = (aij + cij )m×n , ası́ pues

dij + cij = (aij + bij ) + cij

= aij + (bij + cij )
= aij + eij , ∀i ∈ {1, . . . , m}, ∀j ∈ {1, . . . , n}

Luego D + C = A + E =⇒ (A + B) + C = A + (B + C).
Por lo tanto, la suma es asociativa.

Proposición 1.2.2:
La suma es conmutativa.

Demostración.
Sea A = (aij )m×n y B = (bij )m×n .
Digamos que A + B = D = (dij )m×n y B + A = E = (eij )m×n , tenemos que

dij = aij + bij

= bij + aij
= eij

Luego D = E =⇒ A + B = B + A.
Por lo tanto, la suma es conmutativa.

Proposición 1.2.3:
Existe una identidad para la suma.
Sea Om×n la matriz cuyas entradas son todas iguales a 0. Tenemos que ∀A ∈ Mm×n se
cumple que A + O = A.

Proposición 1.2.4:
Existe un único elemento H en el conjunto de todas las matrices tal que ∀M ∈ M

M +H =M

Demostración.
Supongamos que W ∈ M cumple ∀L ∈ M, L + W = L, entonces

H =H +W =W

Por lo tanto, la matriz Om×n es la identidad para la suma.

10
Capı́tulo 1: MATRICES 1.2: Suma de matrices

Proposición 1.2.5. Existencia del inverso aditivo:

Sea A = (aij )m×n ∈ Mm×n y sea B = (bij )m×n ∈ Mm×n tal que ∀i ∈ {1, . . . , m},
∀j ∈ {1, . . . , n}, donde
bij = −aij
Entonces A + B = Om×n .
Por lo tanto la matriz B es un inverso aditivo para la matriz de A.

Demostración. (Unicidad)
Supongamos que existe K tal que A + K = Om×n , entonces

B = B + Om×n = B + (A + K) = (B + A) + K = Om×n + K = K

∴ B = K.
Al elemento B lo llamaremos el inverso aditivo de A, y se escribirá B = −A.

Notación:
Sean M , N ∈ Mm×n , escribiremos M + (−N ), como M − N .

Proposición 1.2.6:
Sea r ∈ C y sea A = (aij )m×n ∈ Mm×n (C), denotaremos con r · A la matriz de tamaño m × n
tal que su entrada ij es r · aij , ∀i ∈ {1, . . . , m}, ∀j ∈ {1, . . . , n}.

Ejemplo:
!
−1 0 8 √
Sea yr= 2, entonces
2 −3 1
√ √ !
−√ 2 0√ 8√ 2
r·A=
2 2 −3 2 2

Proposición 1.2.7:
Sean r, s ∈ C y sean A, B ∈ Mm×n (C):

i. r · (A + B) = r · A + r · B.

ii. (r + s) · A = r · A + s · A.

iii. (r · s) · A = r · (s · A).

iv. 1 · A = A; 0 · A = Om×n .

Demostración.
Se dejan como ejercicio al lector.

11
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

1.3. Multiplicación de matrices

Definición 1.3.1. En primer lugar, vamos a definir lo que vamos a entender por el producto de
una matriz renglón por una matriz columna.
 
b1
 b2 
   
Sean A = a1 a2 · · · an yB=  ..  , el producto de AB es

1×n .
bn n×1

AB = a1 · b1 + a2 · b2 + · · · + an · bn

Ejemplo:
1
 

−1
 
 0
 
 
 0 , entonces
Sea A = 1 2 3 4 4 3 2 y B = 
 

 1
 
 2
 
3

AB = (1 · 1) + (2 · (−1)) + (3 · 0) + (4 · 0) + (4 · 1) + (3 · 2) + (2 · 3) = 15

Definición 1.3.2. Sea A una matriz de tamaño m × s y sea B una matriz de tamaño s × n,
el producto de la matriz A con B es la matriz de tamaño m × n. Definimos el producto como:
A · B = P = (pij )m×n , ∀i ∈ {1, . . . , m}, ∀j ∈ {1, . . . , n}, donde
 
b1j
 b2j 
  s
pij = ai1 ai2 =⇒ =
X
 .. 
· · · ais  p ij aii bij

 .  l=1
bsj

Se puede esquematizar el producto de matrices de la siguiente manera:

 s   n   n 
•
... •   = m
     
 • × s •
...

m    


•
renglón i × columna j = entrada (i, j)

12
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

Ejemplo:
1 2 0
 
! −1
1 −1 0
Sea A = y B = 2 0 1 −1, entonces
 
2 3 −2
3 0 1 1

1
 
 
p11 = 1 −1 0 2 = 1 × 1 + (−1) × 2 + 0 × 3 = −1
 
3
 
  −1
p12 = 1 −1 0  0 = 1 × (−1) + (−1) × 0 + 0 × 0 = −1
 
0
2
 
 
p13 = 1 −1 0 1 = 1 × 2 + (−1) × 1 + 0 × 1 = 1
 
1
0
 
 
p14 = 1 −1 0 −1 = 1 × 0 + (−1) × (−1) + 0 × 1 = 1
 
1
1
 
 
p21 = 2 3 −2 2 = 2 × 1 + 3 × 2 + (−2) × 3 = 2
 
3
 
  −1
p22 = 2 3 −2  0 = 2 × (−1) + 3 × 0 + (−2) × 0 = −2
 
0
2
 
 
p23 = 2 3 −2 1 = 2 × 2 + 3 × 1 + (−2) × 1 = 5
 
1
0
 
 
p24 = 2 3 −2 −1 = 2 × 0 + 3 × (−1) + (−2) × 1 = −5
 
1

Por tanto ! !
p11 p12 p13 p14 −1 −1 1 1
A·B =P = =⇒
p21 p22 p23 p24 2 −2 5 −5

Observación 1.3.1. El producto

! de matrices
! no necesariamente conmuta.
1 2 5 6
En efecto, sea A = yB= , entonces
3 4 7 8
!
19 22
A·B =
43 50
!
23 34
B·A=
31 46

Ası́ que A · B ̸= B · A.

13
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

Proposición 1.3.1. El producto de matrices es asociativo:

Sean A = (aij )m×s , B = (bij )m×n y C = (cij )n×t , entonces

(A · B) · C = A · (B · C)

Demostración.
Sean A · B = D = (dij )m×n , B · C = G = (gij )s×t , D · C = H = (hij )m×t y
A · G = K = (kij )m×t .
Sean i ∈ {1, . . . , m} y j ∈ {1, . . . , t}, entonces
s s n
!
kij = aiz gzj =
X X X
aiz bzr crj
z=1 z=1 r=1

Por otro lado, tenemos que

n
hij =
X
dil clj
l=1
n s
!
=
X X
aiv bvl clj
l=1 v=1
n Xs
= aiv (bvl clj )
X

l=1 v=1
s n
!
=
X X
aiv bvl clj
v=1 l=1
= kij

1.3.1. Lista de ejercicios 1 (LE1)

Ejercicio 1. Sean A = (aij )m×s , B = (bij )s×n , C = (cij )s×n , entonces

A · (B + C) = A · B + A · C

Ejercicio 2. Sean A = (aij )m×s , B = (bij )m×s y C = (cij )s×r , entonces

(A + B) · C = A · C + B · C

Ejercicio 3. Sean A = (aij )m×s , B = (bij )s×n y sea k ∈ C, entonces

k · (A · B) = (k · A) · B = A · (k · B)

Ejercicio 4. Sea A ∈ Mm×n (C), entonces

Or×m · Am×n = Or×n

Ejercicio 5. Sea A ∈ Mm×n (C), entonces

A · On×p = Om×p

14
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

Definición 1.3.3. Sea A = (aij )n×n una matriz cuadrada. La diagonal de A es el conjunto
ordenado {a11 , a22 , . . . , ann }.
A los elementos aii , i ∈ {1, . . . , n} los llamaremos los elementos de la diagonal de A.

Ejemplo:
1 2 3 4
 

 1 2 3 4 

1 2 3 4
 
 
1 2 3 4
Entonces la diagonal es {1, 2, 3, 4}.

Notación:
Denotaremos la diagonal de A por

diag (A) = {a11 , a22 , . . . , ann }

Definición 1.3.4. Sea A = (aij )n×n una matriz cuadrada, A se dice ser una matriz diagonal si
las componentes de A que no pertenecen a la diagonal son todas iguales a 0.
Es decir, A es diagonal si dadas i, j ∈ {1, . . . , n} con i ̸= j se tiene que aij = 0.

Ejemplo:
4 0 0 0
 

 0 3 0 0 

0 0 2 0
 
 
0 0 0 1

Observación 1.3.2. La matriz On×n es una matriz diagonal.

Definición 1.3.5. La matriz identidad n × n que denotaremos con In es la matriz diagonal n × n

cuyas componentes en la diagonal son todas iguales a 1.

1 0 0 ··· 0
 
0 1 0 · · · 0
 
In =  0 0 1 ··· 0
 
 .. .. .. . .
 
. . . .


0 0 0 ··· 1

15
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

Proposición 1.3.2:
Sea A ∈ Mm×n (C), entonces I · A = A.

Demostración.
Sea Im = (eij )m×m , Im ·A = B = (bij )n×n , y sean i ∈ {1, . . . , m} y j ∈ {1, . . . , n}, entonces
 
aj1
 aj2 

 
bij = ei1 ei2 · · · eim  . 
 .. 


amj
m
=
X
eil alj
l=1
= eii aij
= 1 · aij
= aij , ∀i, j

Ejercicio:
Sea A ∈ Mm×n (C), entonces
A · In = A
Dada A ∈ Mn×n (C) se cumple que A · In = In · A = A.

Proposición 1.3.3:
Consideremos Mn×n (C), tenemos que dadas A, B, C ∈ Mn×n (C) se cumple:

i. (A + B) + C = A + (B + C).

ii. A + B = B + A.

iii. Existe On×n tal que A + On×n = A.

iv. Dado A ∈ Mm×m (C) existe −A ∈ Mn×n (C) tal que A + (−A) = On×n .

v. A · (B · C) = (A · B) · C.

vi. A · (B + C) = A · B + A · C.

vii. (A + B) · C = A · C + B · C.

viii. Existe In tal que ∀A ∈ Mn×n (C) se cumple In · A = A · In = A.

Por lo tanto (Mn×n (C), +, ·, On×n , In ) es un anillo con identidad (también se le puede
llamar anillo unitario).

Definición 1.3.6. Una matriz cuadrada A ∈ Mn×n (C) se llama matriz invertible si existe
una matriz cuadrada B ∈ Mn×n (C) tal que A · B = B · A = In .

16
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

Proposición 1.3.4:
Sea A ∈ Mn×n (C) una matriz invertible, entonces existe una única matriz B ∈ Mn×n (C)
tal que A · B = B · A = In .

Demostración
Supongamos que B, C ∈ Mn×n (C) tal que A · B = B · A = In y A · C = C · A = In , entonces

B = B · In = B · (A · C) = (B · A) · C = In · C = C

Ya tenemos que si A ∈ Mn×n (C) es invertible, entonces existe una única matriz B ∈
Mn×n (C) tal que
A · B = B · A = In
Por tanto, a B le llamaremos la inversa de la matriz A y escribiremos A−1 .

Proposición 1.3.5:
Sea A, B ∈ Mn×n (C) tal que A es una matriz invertible, entonces

A · B = In ⇐⇒ B · A = In

Demostración.
Supongamos que A · B = In , entonces

B · A = In · (B · A)
= (A−1 · A) · (B · A)
= A−1 · (A · B) · A
= A−1 · In · A
= In

Supongamos que B · A = In , entonces

A · B = (A · B) · In
= (A · B) · (A · A−1 )
= A · (B · A) · A−1
= A · In · A−1
= A · A−1
= In

Definición 1.3.7. Sea A = (aij )n×n , la traza de la matriz A, denotada por Tr (A), se define como
la suma de todas las entradas de la diagonal de A, es decir:
n
Tr (A) = a11 + a22 + · · · + ann =
X
all
l=1

17
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

Proposición 1.3.6:
Sea k ∈ C y sean A, B ∈ Mn×n (C), entonces

i. Tr (k · A) = k · Tr (A).
| {z } | {z }
Mn×n (C) C

ii. Tr (A + B) = Tr (A) + Tr (B).

| {z } | {z }
Mn×n (C) C

iii. Tr (A · B) = Tr (B · A).

iv. Tr (A · B − B · A) = 0.

v. Si A es una matriz invertible, entonces Tr (B) = Tr (A · B · A−1 ).

Demostración.

iii. Sea A = (aij )m×n , B = (bij )m×n , A · B = C = (cij )m×n y B · A = D = (dij )m×n ,
entonces
n
Tr (A · B) = Tr (C) =
X
cll
l=1
n n
!
=
X X
als · bsl
l=1 s=1
n n
!
=
X X
bsl · als
l=1 s=1
n
=
X
dss
s=1
= Tr (D)
= Tr (B · A)

Las demás se dejan como ejercicio al lector.

Definición 1.3.8. Sea A = (aij )m×n , la transpuesta de la matriz A es la matriz de tamaño

n × m cuya componente ij es aij , ∀i ∈ {1, . . . , m}, ∀j ∈ {1, . . . , n}.
Esta matriz se escribe como AT , si AT = (bij )n×m , entonces bij = aji .
BT
B
1 6 11 16
 
1 2 3 4 5 Transpuesta
 
 2 7 12 17 
 6 7 8 9 10   
A= AT =  3 8 13 18
   
 11 12 13 14 15 
 
 4 9 14 19
 
16 17 18 19 20

5 10 15 20

18
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

Ejemplo:
1 0 4
 
−1
Sea A =  2 2 10 9 tenemos que
 
−8 6 4 0

1 2
 
−8
1 0 4
 
−1  0 2 6
A= 2 2 10 9 =⇒ A = 
T
   
−1 10 4

−8 6 4 0 3×4
4 9 0 4×3

Notación:
Sea k ∈ N, A ∈ Mn×n (C), entonces

Ak = A
| ·{z
· · A}
k-veces

Definición 1.3.9. Una matriz cuadrada A, se dice ser simétrica si A = AT y se dice ser
antisimétrica si A = −AT .

Observación 1.3.3. La matriz On×n es simétrica y antisimétrica.

Ejemplo:
1 8 0 1 8 0
   

Sea A = 8 2 3, tenemos que A = AT = 8 2 3.

   
0 3 3 0 3 3

Definición 1.3.10. Una matriz cuadrada se dice ser matriz triangular superior si todas los
elementos de la matriz que se encuentran por debajo de su diagonal son iguales a 0 y se dirá
matriz triangular inferior si todas los elementos que se encuentran por arribar de su diagonal son
iguales a 0.

Ejemplo:
   
 1 2 3   7 0 0 
   
   

 0 4 5 


 8 4 0 

   
0 0 6 3 9 1
   

Triangular superior Triangular inferior

19
Capı́tulo 1: MATRICES 1.3: Multiplicación de matrices

1.3.2. Lista de ejercicios 2 (LE2)

1. Sean las matrices A, B, C, D, E, F ∈ M2×2 (R) tales que

a) A2 = I2 .
b) B 2 = O2×2 , B ̸= O2×2 .
c) C · D = −D · C, C ̸= D.
d) E · F = O2×2 , y ninguna de las entradas de E y F son iguales a 0.

2. Sean A, B ∈ Mm×m (C), k ∈ C, demostrar:

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

T
b) AT = A.
c) (k · A)T = k · AT .

3. Sea A ∈ Mm×s (C), B ∈ Ms×m (C), entonces (A · B)T = B T · AT .

4. Sea A ∈ Mn×n (C), demuestre:

a) Tr A · AT = 0 ⇐⇒ A = On×n .

b) Tr A · AT > 0 ⇐⇒ A ̸= On×n .

Definición 1.3.11. Una matriz se dice que es una matriz escalonada o que está en forma
escalonada si el número de 0 anteriores a la primera componente distinto de 0 de un renglón crece
de izquierda a derecha renglón a renglón.
Todos los renglones que tienen todas sus componente iguales a 0 (si es que las hay), deben de
estar en la parte inferior de la matriz.
Los elementos que aparecen por primera vez en cada renglón de una matriz escalonada y son
distintos de 0 se llaman los elementos distinguidos de la matriz.

Observación 1.3.4. La matriz Om×n es por definición una matriz escalonada.

Observación 1.3.5. Una matriz triangular superior no necesariamente es una matriz escalonada.

Definición 1.3.12. Una matriz escalonada se dice matriz escalonada reducida si sus elementos
distinguidos son todas iguales a 1 y son las únicas componentes de 0 en la columna que aparece.

Ejemplo:
0 0 1
 
0 0 0
 
0 0 0
 

0 0 0

20
Capı́tulo 1: MATRICES 1.4: Operaciones entre los renglones de una matriz

Ejemplo:
1 0 1 2
 
0 1 3 4
 
0 0 0 0
 
0 0 0 0
 

0 0 0 0

1.4. Operaciones entre los renglones de una matriz

 
Sea A = (aij )m×n ∈ Mm×n (C). Para i ∈ {1, . . . , m}, sea Ri = ai1 ai2 ··· ain el i-ésimo
renglón.

Operación del tipo 1.

O1 ) Intercambiar dos renglones de la matriz.

Ri ↔ Rj con i ̸= j

Operación del tipo 2.

O2 ) Remplazar un renglón de la matriz por un múltiplo de él.

Ri → kRi i ∈ {1, . . . , m} y k ∈ C − {0}

Operación del tipo 3.

O3 ) Remplazar un renglón por la suma de él con un múltiplo de otro renglón.

Ri → Ri + kRj i, j ∈ {1, . . . , m}, i ̸= j, k ∈ C − {0}

Observación 1.4.1. Cada una de las operaciones anteriores tienen una operación inversa, que
además es del mismo tipo.

O1 ) Rj ↔ Ri .

O2 ) Ri → k1 Ri .

O3 ) Ri → Ri − kRj .

Definición 1.4.1. Sean A, B ∈ Mm×n (C), se dice que la matriz A es equivalente a la matriz B
y se escribe A → B si al aplicar una sucesión finita de operaciones elementales a los renglones de
A, obtenemos B.

21
Capı́tulo 1: MATRICES 1.4: Operaciones entre los renglones de una matriz

Proposición 1.4.1:

1. ∀A ∈ Mm×n (C), A → A.

2. A, B ∈ Mm×n (C), si A → B =⇒ B → A.

3. A, B, C ∈ Mm×n (C), si A → B y B → C =⇒ A → C.

Ejemplo:
1 2 0
 
−3
Sea A = 2 4 −2 2, entonces
 
3 6 −4 3
R2 → R2 − 2R1
     
2 4 −2 2 + −2 −4 6 0 = 0 0 4 2

1 2 −3 0 1 2 −3 0 1 2 0
     
−3
R →R −2R1   R3 →R3 −3R1   R2 →−5R2 
A −−2−−−2−−−→ 0 0 4 2 −−−− −−− −→ 0 0 4 2 −−−−−−→ 0 0 −20 −10

   
3 6 −4 3 0 0 5 3 0 0 5 3
1 2 0 1 2 0 R →− 1 R 1 2 −3 0
     
−3 −3
R →4R3   R3 →R3 +R2   2 10 2 
−−3−−−→ 0 0 −20 −10 −−−−−−−→ 0 0 −20 −10 −−−−−−−→ 0 0 2 1

0 0 20 12 0 0 0 2 0 0 0 2
1 2 −3 0 R → 1 R 1 2 −3 0 1 2 0
     
3
R3 → 21 R3   2 2 2   R →R +3R2  2
−−−−− −→ 0 0 2 1 −−−−− −→ 0 0 1 12  −−1−−−1−−−→ 0 0 1 0

0 0 0 1 0 0 0 1 0 0 0 1
1 2 0 0
 
R1 →− 32 R3 
−−−−−−−→ 0 0 1 0

0 0 0 1

Ejemplo:
1
 
−i
Sea A = 2 2 , entonces
 
i 1+i
1 −i 1 1 0
     
−i
R →R −iR1   R →R −2R1   R1 →R1 +R3 
A −−3−−−3−−−→ 2 2 −−2−−−2−−−→ 0 2 + 2i −− −−−−−→ 0 2 + 2i

0 i 0 i 0 i
1 0 1 0 1 0 1 0
       
1
R2 → 2 R2   R3 →−iR3   R2 →R2 −(i+i)R3   R2 ↔R3 
−−−−−−→ 0 1 + i −−−−−−→ 0 1 + i −−−−−−−−−−−→ 0 0 −−−−−→ 0 1

0 i 0 1 0 1 0 0

22
Capı́tulo 1: MATRICES 1.5: Matrices Elementales

1.5. Matrices Elementales

Definición 1.5.1. Una matriz elemental de orden n es una matriz de tamaño m × m que se
obtiene al aplicar una sola operación elemental a un renglón de la matriz identidad de tamaño
m × m.

Ejemplo:
1 0 0
 

Sea I3 = 0 1 0, tenemos

 
0 0 1

0 0 1
 

R1 ↔ R3 = 0 1 0
 
1 0 0
1 0 0
 
√ √
R2 → R2 − 2R3 = 0 1 − 2
 
0 0 1

Notación:
Con las restricciones que ya sabemos (en la sección 1.4), denotaremos respectivamente:
Ri ↔Rj
1. In −−−−→ Eij .
R →kR
2. In −−i−−−→
i
Ei (k).
Ri →kRj
3. In −−−−−→ Eij (k).

Ejemplo:
1 0 0
 

Sea I3 = 0 1 0, tenemos

 
0 0 1

1 0 0
 

E23 = 0 0 1
 
0 1 0
1 0
 
π
E13 (π) = 0 1 0
 
0 0 1
 √
√
− 2 0 0


E1 − 2 = 0 1 0

0 0 1

23
Capı́tulo 1: MATRICES 1.5: Matrices Elementales

Nótese losiguiente:
2 3 1 4 6 7 8 2
  
R ↔R3 
Sea A = −4 5 6 9 y A −−1−−−→ −4 5 6 9, entonces
  
6 7 8 2 2 3 1 4

0 0 1 2 3 1 4
   

E13 · A = 0 1 0 · −4 5 6 9
   
1 0 0 6 7 8 2
6 7 8 2
 

= −4 5 6 9
 
2 3 1 4

2 3 1 4 2 3 1 4
   
R →kR2 
Sea A = −4 5 6 9 y A −−2−−−→ −4k 5k 6k 9k , entonces
  
6 7 8 2 0 7 8 2

1 0 0 2 3 1 4
   

E2 (k) · A = 0 k 0 · −4 5 6 9
   
1 0 1 6 7 8 2
2 3 1 4
 

= −4k 5k 6k 9k 
 
0 7 8 2

2 3 1 4 2 3 1 4
   
R →R +kR3 
Sea A = −4 5 6 9 y A −−2−−−2−−−→ −4 5 + 7k 6 + 8k 9 + 2k , entonces
  
6 7 8 2 0 7 8 2

1 0 0 2 3 1 4
   

E23 (k) · A = 0 1 k  · −4 5 6 9

   
1 0 1 6 7 8 2
2 3 1 4
 

= −4 5 + 7k 6 + 8k 9 + 2k 
 
0 7 8 2

¿Esto siempre se cumple? Veamos la siguiente proposición.

Proposición 1.5.1:
Sea A = (aij )m×n ∈ Mm×n (C), entonces el resultado de efectuar en A las operaciones
Ri ↔ Rj , Ri → kRi , Ri → Ri + kRj se obtiene el multiplicar A por su izquierda por las
matrices elementales Eij , Ej (k), Eij (k) respectivamente.

Demostración. (
0 si i ̸= j
Sea I = (eij )m×n y eij = .
1 si i = j
De i). Ri ↔ Rj .

24
Capı́tulo 1: MATRICES 1.5: Matrices Elementales

Tenemos que Eij · A = B = (bij )m×n . Queremos ver que si r ∈ {1, . . . , n} y s ∈ {1, . . . , n},
entonces 
 ars
 si k ∈
/ {i, j}
brs = ais si r = i
si r = s

 a
is

y Eij = (e′kl )m×m ; k, l ∈ {1, . . . , m}


 ekl
 si k ∈
/ {i, j}
e′kl = ejk si k = i
si k = j

 e
il

Para r = {1, . . . , m}
 
a1s
  a2s  X
  m
brs = e′r1 e′r2 ′
· · · erm  .  = e′rz · azs
 .. 


z=1
ams

Procederemos por casos

a) Sea r ∈
/ {i, j}. Entonces
z̸=r
e′rz · azs = erz · azs
z }| {

y
m
e′rz · azs
X

z=1
∴ erz · azs =⇒ brs = ars .

b) Sea r ̸= i. Entonces
m
bis = e′iz azs
X

z=1
m
=
X
ejz azs
z=1
= ejj ajs
= ajs

c) Sea r = j. Entonces
m
bjs = e′jz azs
X

z=1
m
=
X
eiz azs
z=1
= eiz ais
= ais

25
Capı́tulo 1: MATRICES 1.5: Matrices Elementales

De ii). Ri → kRi .
Tenemos Ei (k) · A = B = (bij )m×n y Ei (k) = (e′lt ), entonces
(
elt si l ̸= i
e′lt =
keit si l = i

Queremos ver r ∈ {1, . . . , m}, s ∈ {1, . . . , n}, entonces

(
ars si r ̸= i
brs =
kais si r = i
 
a1s
  a2s 
  m
brs = e′r1 = e′rn ans
X
e′r2  .. 
· · · erm  
 .  n=1
ams
Procederemos por casos

a) Si r ̸= i. Entonces
m
brs =
X
ern ans
n=1
= err ars
= ars

b) Si r = i. Entonces
m
bis =
X
eih ahs
h=1
m
=
X
keih ahs
h=1
= keii ais
= kais

De iii). Ri → Ri + kRj .
Sea Eij (k) · A = B = (bij )m×n . Eij (k) = (e′lt )m×m
(
elt si l ̸= i
e′lt =
eit + keej si l = i
Queremos ver que r ∈ {1, . . . , n}.
(
ars si r ̸= i
brs =
ais si r = i

26
Capı́tulo 1: MATRICES 1.5: Matrices Elementales

entonces si r ̸= i:
m m
brs = e′rl · ars = erl · als = err · ars = ars
X X

l=1 l=1

Si r = i, entonces
m
bis =
X
eil · als
l=1
m
= (eil + kejl ) als
X

l=1
m
= eis als + kejl als
X

l=1
m m
= eil als + k
X X
ejl als
l=1 l=1
= eii ais + kejj ajs
= ais + kajs

Proposición 1.5.2:
Cada matriz elemental es invertible y su inversa es una matriz elemental del mismo tipo.

i. (Eij )−1 = Eij .

−1  
ii. Ei (k) = Ei 1
k

−1
iii. Eij (k) = Eij (−k).

Demostración.
Sea A = (aij )n×n y B = (bij )n×n y A · B = B · A = In . Entonces

Eij Eij = I
   
Ahora tenemos Ei 1
k · Ei (k) = IEi (k) · Ei · Ei 1
k .

El inciso iii. se dejan como ejercicio al lector.

Proposición 1.5.3:
Si A ∈ Mm×n (C), entonces existen E1 , . . . , Ek matrices elementales tales que E1 · · · Ek · A =
E, donde E es una matriz escalonada reducida.

Ejercicio:
Sean A, B ∈ Mn×n (C) matrices invertibles, entonces su producto A · B es una matriz
invertible y además su inversa (A · B)−1 = B −1 · A−1 .
Entonces (A · B) · (B −1 · A−1 ) = A · I · A−1 = A · A−1 = I.
Ahora tenemos (B −1 · A−1 ) · (A · B) = B −1 · (A−1 · A) · B = B −1 · I · B = B −1 · B = I.

27
Capı́tulo 1: MATRICES 1.5: Matrices Elementales

Ejercicio:
Si A1 , . . . , Ak ∈ Mn×n (C) son matrices invertibles, entonces A1 · · · Ak es una matriz inver-
tible y
(A1 · · · Ak )−1 = A−1 −1
k · · · A1

Procederemos por inducción.

Cumple para k = 2.
Supongamos que el resultado se cumple para k = h. A1 · · · Ah es invertible y

(A1 · · · Ah )−1 = A−1 −1

h · · · A1

entonces (A1 · · · Ah ) · Ah+1 es invertible por el ejercicio anterior, y

[(A1 · · · Ah ) · Ah+1 ]−1 = A−1

h+1 · (A1 · · · Ak )
−1

= A−1 −1 −1
h+1 · (Ah · · · A1 )

Ejercicio:
Sea A = (aij )m×m tal que ∃i0 ∈ {1, . . . , m} tal que

ai0 1 = ai0 2 = · · · = ai0 n = 0

entonces ∀B = (bij )n×k se tiene que A · B = C = (cij )m×k cumple

ci0 1 = ci0 2 = · · · = ci0 k = 0

Sea l ∈ {1, . . . , k}, entonces

n
ci0 l = ai0 s bsl = 0
X

s=1

Ejercicio:
Si A es una matriz invertible, entonces A no puede tener un renglón con todas sus entradas
iguales a 0.
A · B = I, por el ejercicio anterior esto no es posible, ya que al menos tendrá un renglón con
todas sus componentes iguales a 0, y la matriz identidad no lo tiene.

Ejercicio:
Sea E = (eij )n×n una matriz escalonada reducida tal que l ∈ {1, . . . , n} existe p ∈ {1, . . . , n}
tal que elp ̸= 0, entonces E = I.

1 0 0
 
!
1 0
0 1 0
 
0 1
2×2 0 0 1 3×3

28
Capı́tulo 1: MATRICES 1.5: Matrices Elementales

Proposición 1.5.4:
Sea A ∈ Mn×n (C), entonces los siguientes enunciados son equivalentes

1) A es invertible.

2) Existen matrices elementales E1 , . . . , Ek tales que E1 · · · Ek · A = In .

3) A se puede escribir como producto de matrices elementales.

Demostración.

Tenemos:

1) ⇒ 2) Sean E1 , . . . , Ek matrices elementales tales que

E1 . . . Ek · A = E

en donde E es una matriz escalonada reducida.

Sabemos que E es invertible.
Por lo tanto todos los renglones de E tienen al menos una componente distinta de
cero.
Entonces E = I.
2) ⇒ 3) Tenemos E1 , . . . , Ek · A = I, entonces

A = (E1 · · · Ek )−1 = Ek−1 · · · E1−1

3) ⇒ 1) Se deja como ejercicio al lector.

Proposición 1.5.5:
Sean A, B ∈ Mn×n (C) tales que A · B = In , entonces el producto de B · A = In .

Demostración.
Como A·B = In , entonces sean E1 · · · Ek ·A = E donde E es una matriz escalonada reducida.
Entonces

E1 · · · Ek · A · B = E · B
E1 · · · Ek = E · B

entonces E · B es una matriz invertible, además E no puede tener ningún renglón con todas
sus componentes iguales a cero, entonces E = In , por lo que E1 · · · Ek = In · B = B. Entonces

E1 · · · Ek · A = In
B · A = In

Corolario 1.5.1. Sean A, B ∈ Mn×n (C). A · B = I ⇐⇒ B · A = I ⇐⇒ A es invertible y

B = A−1 ⇐⇒ B es invertible y A = B −1 .
Corolario 1.5.2. Sean A ∈ Mn×n (C) y sean E1 · · · Ek matrices elementales tales que
E · · · Ek · A = In

29
Capı́tulo 1: MATRICES 1.6: Sistemas de Ecuaciones Lineales (SEL)

entonces A es invertible y A−1 = E1 · · · Ek .

Ejercicio:
1 2 3
 

Sea A = 2 5 3, entonces

 
1 0 8

1 2 3 1 2 3 1 2 3
     
 R2 →R2 −2R1   R3 →R3 −R1 
A = 2 5 3 −−−−−−−−→ 0 1 −3 −−−−−−−→ 0 1 −3
 
1 0 8 1 0 8 0 −2 5

1 2 3 1 0 9 1 0 9
     
R →R +2R2   R →R −2R2   R →−R3 
−−3−−−3−−−→ 0 1 −3 −−1−−−1−−−→ 0 1 −3 −−3−−−−→ 0 1 −3

0 0 −1 0 0 −1 0 0 1

1 0 9 1 0 0
   
R →R +3R3   R −9R3 
−−2−−−2−−−→ 0 1 0 −−1−−−→ 0 1 0

0 0 1 0 0 1
Entonces E1 · · · Ek · A = In con E1 · · · Ek = A−1 , de igual forma A · (E1 · · · Ek ) = In .

1.6. Sistemas de Ecuaciones Lineales (SEL)

Una ecuación lineal con n variables sobre el campo C es una expresión de la forma

a1 x1 + a2 x2 + · · · + an xn = b (1)

en donde a1 , . . . , an ∈ C, b ∈ C y xi con i = {1, . . . , n} son variables.

A los elementos a1 , . . . , an los llamaremos coeficientes de las variables x1 , . . . , xn respectiva-

mente; y al elemento b el término constante de la ecuación.

El conjunto ordenado {s1 , . . . , sn } ⊂ C es una solución de nuestra ecuación si:

a1 s1 + · · · + an sn = b

A este conjunto lo escribiremos como (s1 , . . . , sn ).

a) Supongamos que uno de los coeficientes de nuestra ecuación (1) es distinto de cero. Por
ejemplo, ai ̸= 0

ai xi = b − a1 x1 − · · · − ai−1 xi−1 − ai+1 xi+1 − · · · − an xn

entonces n
b al
xi =
X
− kl
ai l=1 ai
l̸=i

Podemos asignar a las variables los valores

x1 = k1 , . . . , xi−1 = ki−1 , xi+1 = ki+1 , . . . , xn = kn

30
Capı́tulo 1: MATRICES 1.6: Sistemas de Ecuaciones Lineales (SEL)

entonces
 
m
k1 , . . . , ki−1 , b − al
 X 
kl , ki+1 , . . . , kn 

ia l=1
ai 
l̸=i

es una solución para (1).

Ejemplo.

3x1 + 2x2 + 0x3 + 2x4 = 10

entonces

2x2 = 10 − 3x1 − 0x3 − 2x4

3
x2 = 5 − x1 − 0x3 − 1x4
2

Asignamos valores k1 , k3 , k4 con k1 = 5, k3 = 6, k4 = 2.

El conjunto solución

3 9
k2 = 5 − ·5−0·6−2=−
2 2

9
 
5, − , 6, 2 .
2

b) Si todos los coeficientes de la ecuación (1) son iguales a 0 y el término constante es distinto
de 0, la ecuación no tiene solución.

Ejemplo.

0x1 + 0x2 + · · · + 0xn = b

0 ̸= b, pero 0 = b.

c) Supongamos que todos los coeficientes y el término constante de nuestra ecuación (1) son
nulos.
Entonces toda n-upla (k1 , . . . , kn ) de elementos de C es solución de (1).

d) Si el término constante de (1) es igual a cero, entonces la n-upla formada por (0, 0, . . . , 0) es
una solución de (1).

31
Capı́tulo 1: MATRICES 1.6: Sistemas de Ecuaciones Lineales (SEL)

Definición 1.6.1. Por un sistema de ecuaciones lineales m×n, entenderemos un conjunto formado
por m ecuaciones lineales con n variables cada una el cual escribiremos de la siguiente manera

a11 x1 + a22 x2 + · · · + a1n xn = b1




a21 x1 + a22 x2 + · · · + a2n xn = b2



.. (*)
. 


am1 x1 + am2 x2 + · · · + amn xn = bm



Para i ∈ {1, . . . , m}, j ∈ {1, . . . , n}, aij es el coeficiente de xj en la ecuación i-ésima de (*).
Una n-upla (s1 , . . . , sn ) de elementos de C es una solución del sistema (*) si es solución de cada
una de las m-ecuaciones que forman nuestro sistema (*). Se llamará solución del sistema si

b1 = b2 = · · · = bm = 0

decimos que nuestro sistema (*) es un sistema homogéneo.

Observación 1.6.1. La n-upla (0, 0, . . . , 0) es una solución para el sistema homogéneo.

Sean

a1 x1 + a2 x2 + · · · + an xn = c (1)
b1 x1 + b2 x2 + · · · + bn xn = d (2)

Sea k ∈ C, k ̸= 0

k · a1 x1 + k · a2 x2 + · · · + k · an xn = k · c (3)
(a1 + kb1 )x1 + (a2 + kb2 )x2 + · · · + (an + kbn )xn = c + kd (4)

Sea S = (s1 , . . . , sn ) una n-upla de elementos de nuestro campo C.

a) Si S es una solución de nuestra ecuación (1), entonces es una solución de (3).

Demostración.

k · a1 s1 + k · a2 s2 + · · · + k · an sn = k · (a1 s1 + a2 s2 + · · · + an sn )
=k·c

b) Si S es una solución de nuestra ecuación (3), entonces S es una solución de (1).

Demostración.

k · a1 s1 + k · a2 s2 + · · · + k · an sn = k · c
k · (a1 s1 + a2 s2 + · · · + an sn ) = k · c

Como k ̸= 0, entonces
a1 s1 + a2 s2 + · · · + an sn = c

c) Si S es una solución de (1) y (2), entonces es una solución de (4).

Demostración.

32
Capı́tulo 1: MATRICES 1.7: Operaciones elementales entre las ecuaciones de un sistema

(a1 + kb1 )s1 + (a2 + kb2 )s2 + · · · + (an + kbn )sn = a1 s1 + kb1 s1 + · · · + an sn + kbn sn
= (a1 s1 + · · · + an sn ) + (kb1 s1 + · · · + kbn sn )
= c + kd

d) Si S es una solución de (2) y (4), entonces es una solución de (1).

Demostración.
Como S es solución de (2), por el inciso a) vamos a tener

−kb1 s1 − kb2 s2 − · · · − kbn sn = −kd

Entonces

(a1 + kb1 )s1 + (a2 + kb2 )s2 + · · · + (an + kbn )sn = a1 s1 + kb1 s1 + · · · + an + kbn sn
= (a1 s1 + · · · + an sn ) + (kb1 s1 + · · · + kbn sn )
= c + kd

a1 s1 + · · · + an sn = c =⇒ (s1 , . . . , sn ) es solución de (1)

Definición 1.6.2. Sea

a11 x1 + a22 x2 + · · · + a1n xn = b1



a21 x1 + a22 x2 + · · · + a2n xn = b2



.. (†)
. 


am1 x1 + am2 x2 + · · · + amn xn = bm



Sea i ∈ {1, . . . , m}, entonces Ei = ai1 x1 + ai2 x2 + · · · + ain xn = bi será la ecuación i-ésima de (†).

1.7. Operaciones elementales entre las ecuaciones de un sistema

Las operaciones que se describen a continuación se dicen operaciones elementales entre las ecuaciones
del sistema (†).

Tipo I
Intercambiar 2 ecuaciones del sistema donde i, j ∈ {1, . . . , n}, i ̸= j y la denotaremos por Ei ↔ Ej .

Tipo II
Remplazar una ecuación del sistema por un múltiplo de ella donde i, j ∈ {1, . . . , n}, k ∈ C, k ̸= 0
y la denotaremos por Ei → kEi ; siendo kEi la ecuación

ka11 x1 + ka12 + · · · + ka1n xn = bi

Tipo III
Remplazar una ecuación del sistema por la suma de ella y un múltiplo de otra ecuación del sistema
donde i, j ∈ {1, . . . , n} con i ̸= j y k ∈ c con k ̸= 0, y la denotaremos por Ei → Ei + kEj ; siendo
la ecuación
(a12 + kaj1 )x1 + (a12 + kaj2 )x2 + · · · + (a1n + kajn )xn = bi + kbj

33
Capı́tulo 1: MATRICES 1.7: Operaciones elementales entre las ecuaciones de un sistema

Definición 1.7.1. Dos sistemas de ecuaciones lineales se dicen ser equivalentes si tienen exacta-
mente las mismas soluciones.

Teorema 1.7.1:
Si a un sistema de ecuaciones lineales le aplicamos una operación elemental de cualquiera de
los tipos I, II, III, vamos a obtener un sistema equivalente al sistema dado.

Ejemplo:
Tenemos )
x + 2y = 6
3x − y = 4
entonces ) )
x + 2y = 6 x + 2y = 6
E2 →E2 −3E1 y=2
−−−−−−−−→ =⇒
3x − y = 4 −7y = −14 x=2
∴ S = {(2, 2)}.

Ejemplo:
Tenemos )
x + 2y = 6
3x + 6y = 18
entonces
) )
x + 2y = 6 E2 →E2 −3E1x + 2y = 6 o
−−−−−−−−→ =⇒ x + 2y = 6 =⇒ x = 6 − 2y
3x + 6y = 18 0x + 0y = 0

∴ S {(6 − 2k, k) | k ∈ R}.

Ejemplo:
Tenemos )
x + 2y = 6
3x + 6y = 4
entonces ) )
x + 2y = 6 E2 →E2 −3E1x + 2y = 6
−−−−−−−−→
3x + 6y = 4 0x + 0y = −14

Notemos que la segunda ecuación lineal del sistema anterior nos dice que 0 = −14, lo cual no
puede ser.

∴ S = ∅.

34
Capı́tulo 1: MATRICES 1.8: Matrices y sistemas de ecuaciones lineales

Como podemos ver, existen 3 casos. Cuando existe una única solución, infinitas soluciones o el
conjunto solución es el vacı́o (véase el teorema 1.8.1.), es decir:

Única solución Infinitas soluciones Vacı́o

Figura 1.1: Representacion de los posibles casos del conjunto solución de un SEL

Ejemplo:
Tenemos 
x + 5y + 11z = −5 

2x + 3y + 8z = 4
−x + 2y + 3z = −9 


entonces
  
x + 5y + 11z = −5 
 x + 5y + 11z = −5  x + 5y + 11z = −5 

2x + 3y + 8z = 4 → 2x + 3y + 8z = 4 → 2x + 3y + 8z = 4
−x + 2y + 3z = −9  0x + 7y + 14y = −14  0x + y + 2y = −2 
  

  
x + 5y + 11z = −5 
 x + 5y + 11z = −5 
 x + 5y + 11z = −5 

→ 0x + −7y − 14z = 14 → −y − 2z = 2 → −y − 2z = 2
y + 2y = −2  y + 2y = −2 0y + 0z = 0
 
 

) ) )
x + 5y + 11z = −5 x + 0y + z = 5 x+z =5
→ →
−y − 2z = 2 y + 2z = −2 y + 2z = −2

∴ S = {(5 − k, −2 − 2k, k) | k ∈ R}.

1.8. Matrices y sistemas de ecuaciones lineales

Consideremos un sistema con m ecuaciones y n variables

a11 x1 + a22 x2 + · · · + a1n xn = b1




a21 x1 + a22 x2 + · · · + a2n xn = b2



..
. 


am1 x1 + am2 x2 + · · · + amn xn = bm



35
Capı́tulo 1: MATRICES 1.8: Matrices y sistemas de ecuaciones lineales

Tenemos
 
a11 a12 ··· a1n
 a21

a22 ··· a2n 
A=

 .. .. 
 . . 

am1 am2 · · · amn m×n
 
x1
 x2 
 
X=
 .. 

 . 
xn n×1
 
b1
 b2 
 
B=
 .. 

 . 
bm m×1

donde     
a11 a12 ··· a1n x1 b1
 a21

a22 ···   x2   b2 
a2n     
A·X =
 .. ..  .  =  .  = B
 .   . 
 . .  .   . 
am1 am2 · · · amn xn bm
A la matriz A la llamaremos la matriz asociada al sistema.

A la matriz  
a11 a12 ··· a1n b1

 a21 a22 ··· a2n b2 

 .. .. 
. .
 
 
am1 am2 · · · amn bm m×(n+1)

le llamaremos la matriz aumentada asociada al sistema.

1.8.1. Método de eliminación Gaussiana

1. Considerar la matriz aumentada del sistema, llamémosle A.

2. Aplicar a la matriz A operaciones elementales hasta obtener una matriz en forma escalonada,
llamémosle R.

3. Escribir el sistema de ecuaciones que tiene por matriz aumentada a la matriz R.

4. Se despeja el valor de la última incógnita que esté asociada a un uno principal.

5. Se usa la sustitución hacia atrás para determinar las demás incógnitas que estén asociadas a
un uno principal.

6. Escribir el conjunto solución.

36
Capı́tulo 1: MATRICES 1.8: Matrices y sistemas de ecuaciones lineales

Ejemplo:
Tenemos 
x + 8y − 5z = 3 

3x − 2y + 3z = 1
2x + 3y − z = 4 


entonces

1 8 3 1 8 3 1 8 3
     
−5 −5 −5
 3 −2 3 1 → 0 −26 18 −8  →  0 −26 18 −8 
     
2 3 −1 4 2 3 −1 4 0 −13 9 2

1 8 3 1 8 3
   
−5 −5
→ 0 −13 9 2 → 0 −13 9 2 
   
0 −26 18 −8 0 0 0 −4
Nótese que tenemos

x + 8y − 5z = 3
−13y + 9z = 2
0=4

Por lo tanto
S=∅

1.8.2. Método de eliminación Gauss-Jordan

1. Considerar la matriz aumentada del sistema, llamémosle A.

2. Aplicar a la matriz A operaciones elementales hasta obtener una matriz en forma escalonada,
llamémosle R.

3. Escribir el sistema de ecuaciones que tiene por matriz aumentada a la matriz R.

4. Despejar las incógnitas asociadas a un uno principal.

5. Escribir el conjunto solución.

Ejemplo:
Tenemos el siguiente sistema 
x + 5y + 11z = −5 

2x + 3y + 8z = 4
−x + 2y + 3z = −9



entonces la matriz aumentada asociada al sistema anterior es

1 5 11
 
−5
 2 3 8 4 
 
−1 2 3 −9

37
Capı́tulo 1: MATRICES 1.8: Matrices y sistemas de ecuaciones lineales

resolviendo el sistema, tenemos

1 5 11 1 5 11 1 5 11
     
−5 −5 −5
 2 3 8 4 → 2 3 8 4 → 2 3 8 4 
     
−1 2 3 −9 0 7 14 −14 0 1 2 −2

1 5 11 1 5 11 1 0 1 5
     
−5 −5
→ 0 −7 −14 14  →  0 −1 −2 2 → 0 1 2 −2 
     
0 1 2 −2 0 1 2 −2 0 0 0 0
entonces )
x+z =5
y + 2z = −2
∴ S = {(5 − k, −2 − 2k, k) | k ∈ R}.

Ejemplo:
Tenemos 
x + 2y + 4z = 2 

2z + 3y + 7z = 3
3x − y + 5z = 1 


entonces

1 2 4 2 1 2 4 2 1 2 4 2
     

 2 3 7 3 → 0 −1 −1 −1  →  0 −1 −1 −1 
     
3 −1 5 1 3 −1 5 1 0 −7 −7 −5

1 2 4 2 1 2 4 2 x + 2y + 4z = 2
   


→ 0 1 1 1 → 0 1 1 1  =⇒ y+z =1
   
0 −7 −7 −5 0 0 0 2 0=2



∴ S = ∅.

Ejemplo:
Tenemos
2x + 4y + 8z − 2w =4



x + y + 3z =5


4x + 6y + 14z − 2w = 14 

x − y + z + 2w = 11



entonces
2 4 8 4 1 2 4 2 1 2 4 2
     
−2 −1 −1
 1 1 3 0 5   1 1 3 0 5   0 −1 −1 1 3 
→ →
     
4 6 14 −2 14 4 6 14 −2 14 2 3 7 −1 7
 
     
1 −1 1 2 11 1 −1 1 2 11 0 −3 −3 3 9

38
Capı́tulo 1: MATRICES 1.8: Matrices y sistemas de ecuaciones lineales

1 2 4 2 1 2 4 2 1 2 4 2
     
−1 −1 −1
 0 1 1 −1 −3   0 1 1 −1 −3   0 1 1 −1 −3 
→ → →
     
2 3 7 −1 7 2 3 7 −1 7 0 −1 −1 1 3

     
0 1 1 −1 −3 0 0 0 0 0 0 0 0 0 0

1 2 4 2 1 0 2 1 8
   
−1 )
 0 1 1 −1 −3   0 1 1 −1 −3  x + 2z + w = 8
→ →  =⇒
   
 0 0 0 0 0   0 0 0 0 0  y + z − w = −3
0 0 0 0 0 0 0 0 0 0

∴ S = {(8 − 2z − w, −3 − z + w, z, w) | z, w ∈ R}.

Teorema 1.8.1:
Sea
a11 x1 + a22 x2 + · · · + a1n xn = b1



a21 x1 + a22 x2 + · · · + a2n xn = b2



.. (⋆)
. 


am1 x1 + am2 x2 + · · · + amn xn = bm



Sean A = (aij )m×n la matriz asociada al sistema, X = (xi )n×1 , B = (bi )m×1 y considere
A · X = B, entonces el sistema (⋆) cumple algunos de los siguientes 3 casos:

1. El sistema no tiene solución.

2. El sistema tiene una única solución.

3. El sistema tiene una infinidad de soluciones.

Demostración.
Supongamos que (⋆) tiene más de una solución. Sean S1 = (si )n×1 , S2 = (s′i )n×1 dos soluciones
de
A·X =B (**)
con S1 ̸= S2 .

Sea S0 = S1 − S2 ̸= On×1 . Entonces

A · S0 = A · S1 − A · S2 = B − B = On×1

Sea k ∈ C, entonces A · (S1 + kS0 ) = A · S1 + kA · S0 = A · S1 = B.

Por lo que A · (S1 + kS0 ) = B y S1 + KS0 es una solución para (**).
Sean k, k ′ ∈ C, con k ̸= k ′ y supongamos que S1 + kS0 = S1 + k ′ S0 , entonces kS0 = k ′ S0 ,
por lo que

k(S1 − S2 ) = k ′ (S1 − S2 )
kS1 − kS2 = k ′ S1 − k ′ S2
(k − k ′ )S1 = (k ′ − k ′ )S2

39
Capı́tulo 1: MATRICES 1.8: Matrices y sistemas de ecuaciones lineales

∴ S1 = S2 .

Por lo tanto S1 + kS0 es solución de (**) para toda k ∈ C.

∴ Tiene soluciones infinitas.

Sea

a11 x1 + a22 x2 + · · · + a1n xn = b1




a21 x1 + a22 x2 + · · · + a2n xn = b2



.. (*)
. 


am1 x1 + am2 x2 + · · · + amn xn = bm



Sea S el conjunto de soluciones de (*), tenemos que (0, 0, . . . , 0) ∈ S.

Supongamos que S = (s1 , . . . , sn ) y S ′ = (s′1 , . . . , s′n ) son soluciones de (*), entonces

1. Si s, s′ ∈ S =⇒ s + s′ ∈ 
S. 
0
 
x1
 x2  0
   
Sea A = (aij )m×n , X =  .. , O =  .. , entonces
  
 .  .
xn 0

A·X =O (*)

s′1
   
s1
 ′
 s2  ′  s2 
 
Sea S = 
 .. , S =  .. , entonces A · S = O y A · S = O, por lo que
   ′
. .
sn s′n

A · (S + S ′ ) = A · S + AS ′ = On×1 + On×1
 
s1
 s2 
 
2. Sea S ∈ S y sea k ∈ C, entonces k · S ∈ S, luego tenemos que A · X = O y S = 
 .. ,

.
sn
 
ks1
 ks2 
 
k·S =
 .. , entonces

 . 
ksn

A(k · S) = k · (A · S) = kOm×1 = Om×1

∴ kS ∈ S.

Observación 1.8.1. La upla (0, 0, . . . , 0) es conocida como solución trivial.

40
Capı́tulo 1: MATRICES 1.9: Ejercicios

1.9. Ejercicios
2 2
   
! ! −1 −4
−2 1 3 4 1 −2
1) Sean A = ,B= ,C= 0 6 y D =  3 5.
   
4 0 −1 5 −1 3
−3 2 −1 3
Si es que está definida, encuentre la matriz que se pide:

a) 3A.
b) A + B.
c) A · C.
d) B + C.
e) C − D.
f ) 4A − 2B.
g) A · B.
h) C · D.
i) (2A) · (5C).
j) A2 .
k) (2A − B) · D.
l) A · D · B.

3 7 6 4
   
−2 −2
2) Sean A = 6 5 4  y B = 0 1 3, encuentre:
   
0 4 9 7 7 5

a) El primer renglón de A · B.
b) La tercer columna de B · A.
c) La tercer columna de B · B.
! !
1 2 1 −1
3) Sean A = yB= , calcule (A · B)2 y A2 · B 2 , ¿son iguales?
3 4 1 −1
!
1 7
4) Sea A = . Muestre que A2 + 42A − I = 0.
−6 −43

0 1 0
 

5) Sea A = 0 0 1, entonces A3 − 6A2 + 11A − 6I = 0.

 
6 11 6
! ! !
0 1 0 −i 1 0
6) Sean A = ,B= yC= .
1 0 i 0 0 −1
Si a, b, c ∈ R, entonces (aA + bB + cC)2 = (a2 + b2 + c2 )I.

7) Sea n ∈ N, encuentre An para las siguientes matrices:

!
0 x
a) A = , x, y ∈ R.
y 0

41
Capı́tulo 1: MATRICES 1.9: Ejercicios

!
1 1
b) A = .
0 1
!
1 −1
c) A = .
1 −1
!
0 0
8) Sea A = , demuestre que para toda B ∈ M2×2 (R)
0 −1

(AB − ABA)2 = (BA − ABA)2 = 0

! !
2 3 1 −1
9) Construya dos matrices B, C, tales que B2 = y C2 = .
0 2 2 4
! !
a b c d
10) Sea P = yQ= , demuestre que P Q = QP .
b a d c

11) Encuentre dos matrices 2 × 2 A y B tales que AB ̸= BA.

2 0 0
 

12) Sea X = 0 −1 0, encuentre X 2 y X 7 .

 
0 0 1

13) Encuentre ejemplos de matrices de orden 2 × 2, tales que:

a) A2 = −I y que todas las entradas de A sean números reales.

b) B 2 = 0 y B ̸= 0.
c) CD = −DC, omitiendo el caso CD = 0.
d) EF = 0, donde ninguna entrada de E y F sea igual a cero.
e) (A + B)2 ̸= A2 + B 2 + 2AB.
! !
1 0 2 0
14) Sea n ∈ N, calcule la matriz A+AB+AB 2 +· · ·+AB n−1 , donde A = yB = .
0 2 0 3
 
0
 

 x y 

15) Sea K := B =  0 x+y 0 | x, y, z ∈ Q , demuestre que dadas A, B ∈ K, se cumple
 
0 0 0

 

A + B, AB ∈ K.
!
a 1
16) Sea a ∈ R+ yA= , para qué valores de a se cumple:
1 a

a) A2 = A.
b) A2 = I.
c) A2 = 0.

0 0
 
a
17) Sea a ∈ R, a ̸= 0 y A = a 0 0, encuentre:
 
0 0 0

42
Capı́tulo 1: MATRICES 1.9: Ejercicios

a) An , para toda n ∈ N.
b) La familia de todas las matrices que conmutan con A.

0 1 0
 

18) Sea B =  0 0 1 con x, y, z ∈ R, encuentre A3 − zA2 − yA − xI.

 
x y z

19) Definimos sobre el conjunto M2×2 (R) la siguiente operación: A ◦ B := A · B − B · A.

a) Encuentre tres matrices A, B, C ∈ M2×2 (R), tales que (A ◦ B) ◦ C ̸= A ◦ (B ◦ C).

b) Demuestre que ∀A, B, C ∈ M2×2 (R), A ◦ (B + C) = A ◦ B + A ◦ C y
(C + B) ◦ A = B ◦ A + C ◦ A.
c) Demuestre que dado r ∈ R y dados A, B ∈ M2×2 (R), r(A ◦ B) = (rA) ◦ B = A ◦ (rB).
d) Demuestre que ∀A, B ∈ M2×2 (R), A ◦ B = −(B ◦ A).

20) Sea A = (aij ) ∈ M2×2 (C), definimos A∗ := (aij ). Hallar todas las matrices A ∈ M2×2 (C)
tales que A∗ A = 0.
!
1 0
21) Sea B = , sean a, b ∈ R y M := aI + bB. Calcular M n para n ∈ N.
0 0

22) Sea A = (aij ) ∈ M2×2 (R) y k ∈ R, tales que kA = 0, entonces k = 0 o A = 0.

! ! ! !
0 0 0 −3 0 0 0 0
23) Considere las matrices F1 = , F2 = , F3 = , F4 = √ .
0 0 0 0 0 5 2 0
Demuestre que para toda A ∈ M2×2 (R), existen x, y, z, w ∈ R tales que A = xF1 + yF2 +
zF3 + wF4 , ¿los números x, y, z, w que encontró son únicos?

24) Una matriz cuadrada A se llama matriz idempotente si A2 = A.

a) Encuentre todas las matrices reales 2 × 2 idempotentes.

b) Pruebe que si AB = A y BA = B, entonces A y B son idempotentes.
c) Si A es una matriz idempotente, entonces también lo es la matriz B = I − A y además
se cumple AB = BA = 0.

25) Una matriz cuadrada A se dice matriz involutiva si A2 = I.

a) Encuentre todas las matrices complejas 2 × 2 involutivas.

1 1
b) Si A es una matriz involutiva, entonces (I + A) y (I − A) son matrices idempotentes,
2 2
1 1
tales que (I + A) (I − A) = 0.
2 2
c) A es una matriz involutiva ⇐⇒ (I − A)(I + A) = 0.

26) Sea A = (aij )m×m , tal que ∀i, j ∈ {1, . . . , m}, aij = 1. Si B ∈ Mm×m (R), entonces todas las
columnas de la matriz BA son iguales y todos los renglones de AB son iguales.

27) Escriba dos matrices A = (aij )3×2 y B = (bij )3×2 , tales que aij = i + j y bij = (−1)i+j .

28) Sean A, B ∈ Mm×n (F ) y k ∈ F , demuestre que

43
Capı́tulo 1: MATRICES 1.9: Ejercicios

 T
a) AT = A.
b) (A + B)T = AT + B T .
c) kAT = (kA)T .

29) Sean A = (aij )m×n y B = (bij )n×p , entonces (AB)T = B T AT .

30) Encuentre todas las matrices A ∈ M2×2 (F ), tales que AT A = 0.

31) Sean A = (aij )m×n y B = (bij )n×k .

a) Si la matriz A tiene un renglón cuyas entradas son todas iguales a cero, por ejemplo
∀j ∈ {1, . . . , n}, asj = 0. Demuestre que AB es una matriz que tiene un renglón con
todas sus entradas iguales a cero, ¿qué renglón es?
b) Si la matriz B tiene una columna cuyas entradas son todas iguales a cero, por ejemplo
∀i ∈ {1, . . . , n}, asj = 0. Demuestre que AB es una matriz que tiene una columna con
todas sus entradas iguales a cero, ¿qué columna es?

32) Demuestre que el producto de dos matrices diagonales es también una matriz diagonal. Escriba
una regla para multiplicar matrices diagonales.

33) Si A, B ∈ Mn×n (F ) son dos matrices triangulares superiores (inferiores), entonces AB es una
matriz triangular superior (inferior).

34) Sean A, B ∈ Mn×n (F ) matrices invertibles.

a) Entonces AB es una matriz invertible y (AB)−1 = B −1 A−1 .

b) ¿A + B es una matriz invertible?

35) Sean A1 , . . . , Am ∈ Mn×n (F ) matrices invertibles, usando inducción demuestre que

−1
A := A1 · · · Am es una matriz invertible y A−1 = A−1 m · · · A1 .

36) Si A ∈ Mn×n (F ) es una matriz que tiene un renglón o una columna con todas sus entradas
iguales a cero, entonces A no es una matriz invertible.

37) Sea A = (aij )n×n una matriz diagonal, tal que a11 · a22 · · · ann ̸= 0, demuestre que A es una
matriz invertible y encuentre su inversa.
 −1
T
38) Si A es una matriz invertible, entonces AT es invertible y AT = A−1 .

39) Encuentre ocho matrices diferentes, de tamaño 3 × 3, tales que A2 = I.

40) Sea A = (aij )n×n , tal que A2 − 3A + I = 0, demuestre que A es una matriz invertible y
A1 = 3I − A.
!
a b
41) Sea A = con a, b, c, d ∈ R, demuestre: A es invertible ⇐⇒ ad − bc ̸= 0.
c d
! ! !
a b 1 3 1 0
42) Encuentre A = , tal que A · = .
c d 1 2 0 1

44
Capı́tulo 1: MATRICES 1.9: Ejercicios

43) Sea A = (aij )n×n , la traza de la matriz A es la suma de los elementos que forman su diagonal
n
principal, y se escribe Tr(A) := all . Sean A, B, C ∈ Mn×n (F ) y k ∈ F .
X

l=1

a) Tr(k · A) = k · Tr(A).
b) Tr(A + B) = Tr(A) + Tr(B).
c) Tr(A · B) = Tr(B · A).
d) Tr(A · B · C) = Tr(C · A · B) = Tr(B · C · A).
e) Tr(A · B − B · A) = 0.
f ) Si A es invertible, entonces Tr(B) = Tr A · B · A−1 .

1 0
 
! k
0 1
44) Sean A = (aij )2×3 , B = (bij )3×2 , E = y F = 0 1 0, encuentre E · A, F · B
 
1 0
0 0 1
y compare la matriz E · A con A y F · B con B.

45) Sea A = (aij )n×n una matriz triangular estrictamente superior, es decir, una matriz que tiene
todas sus componentes tanto las que están en su diagonal como las que se hallan debajo de
ella iguales a cero. Se puede escribir aij = 0 para i ≥ j. Probar que An = 0.

46) Sea A = (aij )n×n una matriz triangular superior con all = 1, para toda l ∈ {1, . . . , n}. Sean
N := A − I, demuestre que N n+1 = 0. Observe que A = I + N . Demuestre que A es invertible
y su inverso es (I + N )−1 = 1 − N + N 2 − · · · + (−1)n N n .

47) Sea A = (aij )n×n una matriz triangular superior tal que ∀l ∈ {1, . . . , n}, all ̸= 0. Sea B =
(bij )n×n tal que bij = 0, para toda i, j ∈ {1, . . . , n} con i ̸= j y bll = a−1 ll , para toda
l ∈ {1, . . . , n}. Demuestre que AB y BA son matrices triangulares con componentes iguales
a 1 en la diagonal.

48) Si A es una matriz triangular y todas las entradas en su diagonal son iguales a k ∈ R − {0},
encuentre A−1 .

49) Si A ∈ Mn×n (F ), entonces A + AT es una matriz simétrica.

! !
cos θ − sen θ cos 2θ − sen 2θ
50) Sea A = , demuestre que A2 = , y encuentre An para
sen θ cos θ sen 2θ cos 2θ
n ∈ N.

51) Un fabricante de joyerı́a tiene pedidos para dos anillos, tres pares de aretes, cinco prendedores
y un collar. El fabricante estima que requiere 1 hora de trabajo el elaborar un anillo; 1 21 para
un par de aretes; 12 hora para un prendedor y 2 horas para un collar, Utilice el producto de
matrices para determinar el número total de horas que se requerirán para surtir los pedidos.

52) Una compañı́a le paga a sus ejecutivos su sueldo y les concede participación en las acciones
como una gratificación anual. El año pasado el presidente recibió $80 000.00 y 50 acciones,
cada uno de los tres vicepresidentes recibió $45 000.00 y 20 acciones, y el tesorero $40 000.00
y 10 acciones.

a) Exprese los pagos en dinero y en acciones por medio de una matriz 2 × 3.

b) Exprese el número de ejecutivos de cada categorı́a por medio de una matriz columna.

45
Capı́tulo 1: MATRICES 1.9: Ejercicios

c) Utilice la multiplicación de matrices para calcular la cantidad total de dinero y de acciones

que erogó la compañı́a en el pago de sus funcionarios principales el último año.
53) Aplique el método de eliminación de Gauss-Jordan para resolver los siguientes sistemas. Si
existe más de una solución, dé tanto la solución general como una solución particular.

1. 2.

2x + 3y + 4z = 1 y + 3z = 1
x − 3z = 4 −x + 2y − 7z = 1
4x + y − z = 6 2x + 3y − z = −2

3. 4.

7x − 12y + 2z = 0 2x + 6z = 9
3x + 8y − 11z = 0 5x + 8y + 4z = 3
1 1 −3x + 7y = 5
x + y + 6z = 0
2 4

5. 6.

x + 5y + 11z = −5 x + 5y + 11z = −5
2x + 3y + 8z = 4 2x + 3y + 8z = 4
−x + 2y + 3z = −9 −x + 2y + 3z = 3

7. 8.

2x + 3y + z = 3 x + y = −6
x + 2y + z = 1 2x − 2y = 4
−x + 4y = −2

9. 10.

2x + 4y = 6 2x + 4y = 6
3x + 6y = 5 3x + 6y = 9

11. 12.

x + 3y + 5z + 10w = 2 2x − y − z = 4
−x − 2x − 4w = 4 3x − 2y + 4z = 11
2x + 4y + 8z + 16w = 0 6x + 8y − 4z = 22

46
Capı́tulo 1: MATRICES 1.9: Ejercicios

13. 14.

x + 3y + 5z + 10w = 4 2x + y − z − w + m = 0
−x − 2x − 4w = 0 x − y + z + w − 2m = 0
2x + 4y + 8z + 16 = 0 3x + 3y − 3z − 3w + 4m = 0
y + z + 2w = 0 4x + 5y − 5z − 5w + 7m = 0

15. 16.

2x + 2y + 4z + 4w = 3 9x + 12y + 17w = 4
8z + 4z + 3w = 7 6x + 3y + 3z + 8w = 4
x+z+w =1 3x + 6y + 6z + 13w = 2
5x + 4y + 5z + 6z = 6 x + 6y + 6z + 13w = 0
x + 2y + 3z + 3w = 2 6x + 5z − z + 7w = 3

17. 18.

6x − y − z = 0 x + z = 800
6x + 4z = 12 x − y + w = 200
8y − 4z = 24 x − z = 500
6x + 8y = 36 x + 3y − w = 100

19. 20.

7 3 3 3y − 3z = 6
x+ y+ z =x
16 6 16 x − y + 4z = −3
5 1 5
x+ y+ z =y x + 6z = 4
16 6 16
4 1 1
x+ y+ z =z
16 3 2

21. 22.

x − y + 4z = 3 2x + 3y + w = 4
x−y =6 4x − y + 3w = 2
3x − 2y + 2z = 0 x + 4y − w = 1
3y − 4w = 6

47
Capı́tulo 1: MATRICES 1.9: Ejercicios

23. 24.

3x + 2y − 4z = 9 x + 3y − z + 5w = 3
x + 3y − 2z = 4 x − 4z = 1
x + 7y + z + w = 8

25. 26.

3x + 2y − 4z = 1 x+y+z =3
8x + 2y = 4 x + y − z = −1
2x − 3y = 5 2x + y − 3z = 1
x + 3y − 5z = 7 x + 2y − z = 1

27. 28.

x + y + 3z − 2w − v = 1 x−y+z =2
5x − 2y + 3z + 7w + 8v = 3 2x + y − z = −3
−3x − y + 2z + 7w + 5v = 2 x + 2y − 2z = −2
5x + 3y + z − 2w − 7v = 3

29. 30.

x+y+z =0 x−y+z =0
2x + y − z = −3 2x + y − z = −3
−x − 2y − 4z = −3 x − 3y + 4z = 5
2x − 4z = −6

31. 32.

2x + 3y + z = 3 2x + 4y = 6
x + 2y + z = 1 3x + 6y = 5
−x + 4y = −2

48
Capı́tulo 1: MATRICES 1.9: Ejercicios

33.

9x + 12y + 17w = 4
6x + 3y + 3z + 8w = 4
3x + 6y + 6z + 13w = 2
x + 6y + 2z + 9w = 0
6x + 5y − z + 7w = 3

54) ¿Para qué valores de k tiene soluciones los siguientes sistemas?

a) b) c)

x+y+z+w =1 x+y−w =0 x − 3y + 2z = 4
x+z =1 x+z−w =k 2x + y − z = 1
y+w =k −x + y − 2z + w = −4 3x − 2y + z = k

55) ¿Para qué valores de k el siguiente sistema tiene cero soluciones, una única solución, infinidad
de soluciones?
x−y =3
2x − 2y = k
! !
a b x
56) Sea A = , con a, b, c, d ∈ R, X = y AX = 0 · · · (∗)
c d y

a) Si todo elemento de A es igual a cero, entonces toda matriz columna 2 × 1 es solución de

(∗).
!
0
b) Si ad − bc ̸= 0 la única solución de (∗) es .
0
c) Si ad! − bc ̸= 0 y algún elemento
! de A es diferente de cero, entonces existe una solución
x′ x
de (∗), tal que es solución de (∗) si y solo si existe k ∈ R, tal que x = kx′ ,
y′ y
y = ky ′ .
3 −1 2
   
x
57) Sea A = 2 1 1. ¿Para qué matrices columna 3 × 1, X = y  tiene solución la
   
1 −3 0 z
ecuación AX = 0.
1
 
−1 !
3 1
58) Sean A = 2 2 , B = . ¿Existe una matriz C tal que C · A = B?
 
−4 4
1 0
!
a b
59) Sea C = con a, b, c, d ∈ R. Demuestre que existen A, B ∈ M2×2 (R) tales que
c d
C = AB − BA si y solo si ad = 0.

49
Capı́tulo 1: MATRICES 1.9: Ejercicios

5 0 0
 

60) Sea A = 1 5 0. ¿Para qué X ∈ M3×1 (R) existe k ∈ R, tal que AX = kX?
 
0 1 5

61) Pruebe que para n ∈ N con n par, (1, 2, . . . , n) es solución del sistema:

2x1 + 2x2 + · · · + 2xn = n2 + n

−2x1 + 2x2 − · · · + 2xn = n

62) Encuentre la solución del sistema

x1 + x2 + x3 + · · · + xn = n
x2 + x3 + · · · + xn = n − 1
x3 + · · · + xn = n − 2
..
.
xn = 1

y usando esto, encuentre r1 , . . . , rn ∈ R tales que:

D = r1 D1 + r2 D2 + · · · + rn Dn

con

D1 = (1, 0, 0, . . . , 0)
D2 = (1, 1, 0, . . . , 0)
D3 = (1, 1, 1, . . . , 0)
..
.
Dn = (1, 1, 1, . . . , 1)
!
1 −1
63) Encuentre B, C ∈ M2×2 con B ̸= 0, C ̸= 0 tales que para A = se cumpla
2 −2
A · B = 0 = C · A.

64) Demuestre que el sistema

x + 2y + 3x + 4w = k1
x + 2y + 4z + 5w = k2
2x + 4y + 5z + 7w = k3

es compatible si y solo si 3k1 − k2 − k3 = 0.

65) Determine los valores de k, tales que el sistema tenga:

i. Solución única.
ii. Ninguna solución.
iii. Más de una solución.

50
Capı́tulo 1: MATRICES 1.9: Ejercicios

a) b)

x + y + kz = 2 x − 3z = −3
3x + 4y + 2z = k 2x + ky − z = −2
2x + 3y − z = 1 x + 2y + kz = 1

66) Encuentre dos polinomios f (x), g(x) ∈ R[x] de grado 4, tales que f (0) = g(0), f (1) = g(1),
f (2) = g(2) y f (−2) = g(−2), pero f (x) ̸= g(x).

67) Demuestre que si c0 , . . . , cn son n + 1 números reales distintos y b0 , . . . , bn ∈ R, entonces

existe un único polinomio p(x) ∈ R[x] de grado menor o igual a n tal que p(ci ) = bi , para toda
i ∈ {0, . . . , n}.

68) Considere el sistema

x−y+z+w =1
2x − 2y − 3z − 3w = 17
−x + y + 2z + 2w = −10

Demuestre que es posible resolver estas ecuaciones para x, z en términos de y, w y viceversa,

pero no es posible resolverlas para z, w en términos de x, y y viceversa.

69) Usando la teorı́a de sistemas de ecuaciones lineales pruebe que si p(x) y q(x) son dos polinomios
reales de grado 3, tales que p(x) = q(x) para cuatro valores diferentes, entonces p(x) = q(x)
para todo número real.

70) Considere el sistema de ecuaciones

x + y + 2z = a
x+z =b
2x + y + 3z = c

Demuestre que el sistema es compatible si c = a + b.

71) Considere los sistemas de ecuaciones:

I) II)

ax + by = k ax + by = 0
cx + dy = 1 cx + dy = 0

a) Demuestre que si (x1 , y1 ) y (x2 , y2 ) son soluciones de I, entonces (x1 − x2 , y1 − y2 ) es

solución de II.
b) Demuestre que si (x1 , y1 ) es solución de I y (x0 , y0 ) es solución de II, entonces
(x1 + x0 , y1 + y0 ) es solución de I.

51
Capı́tulo 1: MATRICES 1.9: Ejercicios

72) Si los sistemas

a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2
..
.
am1 x1 + am2 x2 + am3 x3 + · · · + amn xn = bm

a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b′1

a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b′2
..
.
am1 x1 + am2 x2 + am3 x3 + · · · + amn xn = b′m
tienen solución, demuestre que los sistemas:
a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1 + b′1
a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2 + b′2
..
.
am1 x1 + am2 x2 + am3 x3 + · · · + amn xn = bm + b′m

a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = cb1

a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = cb2
..
.
am1 x1 + am2 x2 + am3 x3 + · · · + amn xn = cbm
también tienen solución.
73) Resolver los siguientes sistemas, donde a, b y c son arbitrarias.
a) b)

x1 + x2 + x3 = a x−y =a
x2 + x3 = b x + 2y = b
x1 + x2 = c

74) Determina una condición necesaria y suficiente sobre a, b y c para que los siguientes sistemas
de ecuaciones admitan solución.
I) II)

x − 3y + z = a x + y − 2z = a
x − 5y + z = b −x + 8y − 7z = b
−x + 2y − z = c x − 2y + z = c

52
Capı́tulo 1: MATRICES 1.9: Ejercicios

75) Supongamos que tenemos un sistema de ecuaciones homogéneo. Sea (h1 , . . . , hn ) y (g1 , . . . , gn )
dos soluciones del sistema. Demuestra que (h1 + g1 , . . . , hn + gn ) y (kh1 , . . . , khn ) para toda
k ∈ K son también soluciones del sistema.

76) Supongamos que (h1 , . . . , hn ) es una solución del siguiente sistema:

a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2
..
.
am1 x1 + am2 x2 + am3 x3 + · · · + amn xn = bm

Si (g1 , . . . , gn ) es una solución del sistema homogéneo asociado.

Demuestre que (h1 + g1 , . . . , hn + gn ) es también una solución del sistema.

77) Aplicaciones de los sistemas de ecuaciones lineales.

a) EN ELECTRÓNICA.
Calcule la corriente I1 , I2 , I3 para el siguiente circuito:

5V
3Ω I1
+
−

I1

4V
4Ω I2
−
+

I2

3V
5Ω I3
−
+

I3

Figura 1.2: Diagrama de circuito

b) EN LA AGRICULTURA.
Para el conlrol de cierla enfermedad de una planla, se usan lres produclos quı́micos en
las siguienles proporciones: 10 unidades del quı́mico a, 12 unidades del quı́mico b y 8
unidades del qufmico e. Las marcas x, y, z son atomizadores comerciales yue se venden
en el mercado. Un galón de la marca x contiene los quı́micos a, b y c, en la cantidad
de 1, 2 y 1 unidades respectivamente. Un galón de la marca y contiene los quı́micos a,
b y c c en la cantidad de 2, 1 y 3 unidades respectivarnente, y un galón de la marca
z los contiene en la cantidad de 3, 2 y 1 unidades. ¿Qué cantidad de cada marca debe
emplearse para fumigar la planta en las cantidades exaclas de los quı́mivos requeridos
para el control de la enfermedad?

53
Capı́tulo 1: MATRICES 1.9: Ejercicios

c) EN CONTROL DE TRÁFICO.
El siguiente diagrama reproduce una red de calles de una sola vı́a con el flujo de tráfico
en las direcciones indicadas. En varios sitios se han colocado contadores y el número
promedio de carros que pasan por cada uno de ellos con el periodo de una hora aparece
también en la figura. Suponicndo que el flujo que llega a una intersección es igual al flujo
que sale de ella, construya un modelo matemático del flujo de tráfico. Si la calle que va
de C a A estuviera en reparación ¿Cuál serı́a el mı́nimo tráfico que se podrı́a permitir?
¿Cómo podrı́a obtenerse este mı́nimo?

300 100

200 A x1 B
400
x4 x2

250 C x3 D
300

750 400

Figura 1.3: Diagrama de red de calles

d) EN LA INDUSTRIA DEL TRANSPORTE DE FLETE.

Una firma de transporte posee tres tipos distintos de camiones A, B y C. Los camiones
están equipados para el transporte de dos clases de maquinaria pesada. El número de
maquinas de cada clase que puede trasportar cada camión es:

Camiones
Tipo A Tipo B Tipo C
Clase 1 2 1 1
Maquinas
Clase 2 0 1 2

Tabla 1.1: Datos de camiones

La firma consigue una orden para 32 máquinas de la clase 1 y 10 máquinas de la clase 2.

Encuentre el número de camiones de cada tipo que se requieren para cumplir la orden,
asumiendo que cada camión debe estar completamente cargado y el número exacto de
máquinas pedidas es el que se debe.
Si la operación de cada tipo de camión tiene el mismo costo para la firma, ¿cuál es la
solución más económica?

54
Capı́tulo 2

ESPACIOS VECTORIALES

2.1. Definición y ejemplos

Definición 2.1.1. Sea (C, +, ·) un campo y sea V un conjunto no vacı́o tales que

I) Existe una operación +, llamada adición que asocia a cada par de elementos α y β en V ,
un elemento α + β ∈ V llamado la suma del elemento de α y β tal que

a) ∀α, β, γ ∈ V , (α + β) + γ = α + (β + γ).
b) ∀α, β ∈ V , α + β = β + α.
c) Existe un elemento 0 ∈ V tal que ∀α ∈ V , α + 0 = α.
d) Dado α ∈ V , existe β ∈ V tal que α + β = 0.

II) Existe una operación ·, llamada producto escalar que asocia a cada k ∈ C y a cada α ∈ V
un elemento k · α ∈ V llamado el producto de k y α, tal que

a) ∀α ∈ V , 1 · α = α.
b) ∀k, l ∈ C y ∀α ∈ V , entonces (k · l) · α = k · (l · α).
c) ∀k ∈ C y ∀α, β ∈ V , entonces k · (α + β) = k · α + k · β.
d) ∀k, l ∈ C, ∀α ∈ V , entonces (k + l) · α = k · α + l · α.

Entonces a la terna (V, +, ·) le llamamos un espacio vectorial sobre el campo C.

Definición 2.1.2. A los elementos del campo los llamaremos escalares.

Definición 2.1.3. A los elementos de nuestro conjunto V los llamaremos vectores y los repre-
sentaremos con letras griegas minúsculas con una flecha arriba. Por ejemplo α
⃗.

55
Capı́tulo 2: ESPACIOS VECTORIALES 2.1: Definición y ejemplos

Ejemplos de espacios vectoriales

1) Consideremos el campo de los números reales (R, +, ·).
Dado n ∈ N, Rn = {(a1 , a2 , . . . , an ) | ∀i ∈ {1, . . . , n}, ai ∈ R}.
Entonces (a1 , a2 , . . . , an ), (b1 , b2 , . . . , bn ) ∈ Rn .
I) Tenemos que
(a1 , a2 , . . . , an ) + (b1 , b2 , . . . , bn ) = (a1 + b1 , a2 + b2 , . . . , an + bn )
II) Dado r ∈ R, tenemos
r · (a1 , a2 , . . . , an ) = (r · a1 , r · a2 , . . . , r · an )
∴ (Rn , +, ·) es un espacio vectorial sobre el campo R.
2) Sea (C, +, ·) un campo y sea
a11 x1 + a22 x2 + · · · + a1n xn = b1



a21 x1 + a22 x2 + · · · + a2n xn = b2



.. (*)
. 


am1 x1 + am2 x2 + · · · + amn xn = bm



un sistema m × n, sea S el conjunto de soluciones de (*), tenemos S ⊂ C n .

i) S ̸= ∅, ya que (0, 0, . . . , 0) ∈ S.
ii) Si S = (s1 , . . . , sn ), S ′ = (s′1 , . . . , s′n ) ∈ S, entonces
S + S′ ∈ S
iii) Sea k ∈ C, S ∈ S, entonces k · S ∈ S.

∴ (S, +, ·) es un espacio vectorial sobre el campo C.

3) Sea (C, +, ·) un campo y considere Mm×n (C)
I) Sea A = (aij )m×n , B = (bij )m×n ∈ Mm×n (C), entonces
A + B = (aij + bij )m×n
II) Sea k ∈ C, A = (aij )m×n ∈ Mm×n (C), entonces
k · A = (k · aij )m×n
∴ (Mm×n (C), +, ·) es un espacio vectorial sobre el campo C.
4) Sea (R, +, ·) y sea P el conjunto de todos los polinomios de grado ≥ 3 con coeficientes reales
P = {a3 x3 + a2 x2 + a1 x + a0 | a3 , a2 , a1 , a0 ∈ R}.

Sea p(x) = a3 x3 + a2 x2 + a1 x + a0 , q(x) = b3 x3 + b2 x2 + b1 x + b0 y sea r ∈ R, entonces

p(x) + q(x) = (a3 + b3 )x3 + (a2 + b2 )x2 + (a1 + b1 )x + (a0 + b0 )
y
r · p(x) = r · a3 x3 + r · a2 x2 + r · a1 x + r · a0
∴ P es un espacio vectorial sobre el campo R.

56
Capı́tulo 2: ESPACIOS VECTORIALES 2.1: Definición y ejemplos

Nota:
En la definición 2.1.1 y en los ejemplos anteriores se denotó de color azul (■) las operaciones
y/o elementos que están en el espacio vectorial y de color negro las operaciones que están
dentro del campo.

Definición 2.1.4. Si tenemos un espacio vectorial sobre el campo de los números reales, decimos
que el espacio vectorial es real.

Definición 2.1.5. Si el espacio vectorial es sobre el campo de los números complejos, decimos
que el espacio vectorial es complejo.

Proposición 2.1.1:
Sea V un espacio vectorial sobre el campo C, entonces se cumplen las siguientes propiedades:

1) ⃗0 ∈ V es el único vector tal que ∀⃗

α ∈ V tenemos que α
⃗ + ⃗0 = α
⃗.

⃗ ∈ V existe un único β⃗ ∈ V tal que α

2) Dado α ⃗ + β⃗ = ⃗0.

3) Sean α ⃗ ⃗γ ∈ V tales que α

⃗ , β, ⃗ + ⃗γ = β⃗ + ⃗γ =⇒ α ⃗
⃗ = β.

4) ∀k ∈ C se cumple k · ⃗0 = ⃗0.

5) ∀⃗
α∈V, 0·α
⃗ = ⃗0

6) Sean k ∈ C y α
⃗ ∈ V , entonces (−k) · α
⃗ = −k · α
⃗.

7) Sean k ∈ C y α
⃗ ∈ V tales que k · α
⃗ = ⃗0, entonces k = 0 o α
⃗ = ⃗0.

Demostración.
1) Supongamos que existe β⃗ ∈ V tal que ∀⃗ ⃗ + β⃗ = α
α∈V, α ⃗ , entonces
⃗0 = β⃗ + ⃗0 = β⃗

2) Supongamos que existen β⃗1 , β⃗2 ∈ V tales que α

⃗ + β⃗1 = ⃗0 y α
⃗ + β⃗2 = ⃗0, entonces
β⃗1 = β⃗1 + ⃗0 = β⃗1 + (⃗
α + β⃗2 ) = (β⃗1 + α
⃗ ) + β⃗2 = ⃗0 + β⃗2 = β⃗2
A β⃗ lo escribiremos −⃗
α y al elemento −⃗
α le llamaremos el inverso aditivo de α
⃗
3) Tenemos
⃗ = ⃗0 + β⃗ = (−⃗γ + ⃗γ ) + β⃗
β
 
= −⃗γ + ⃗γ + β⃗
= −⃗γ + (⃗
α + ⃗γ )
= −⃗γ + (⃗γ + α
⃗)
= (−⃗γ + ⃗γ ) + α
⃗
= ⃗0 + α
⃗
=α
⃗

57
Capı́tulo 2: ESPACIOS VECTORIALES 2.1: Definición y ejemplos

4) Tenemos
 
k · ⃗0 + k · ⃗0 = k · ⃗0 + ⃗0
= k · ⃗0
= k · ⃗0 + ⃗0

entonces

 ⃗0 + k · ⃗0 = 
k ·
 ⃗0 + ⃗0
k ·


k · ⃗0 = ⃗0

5) Tenemos que

⃗0 + 0 · α
⃗ =0·α
⃗
= (0 + 0) · α
⃗
=0·α
⃗ +0·α
⃗

entonces

⃗0 + 
0 ·
⃗ =0·α
α
 ⃗ +
0 ·
α
⃗


⃗0 = 0 · α
⃗

6) Tenemos que

⃗ + (−k) · α
⃗ = k + (−k) · α


k·α ⃗
=0·α ⃗
= ⃗0

entonces k · α
⃗ + (−k) · α
⃗ = ⃗0.
∴ (−k) · α
⃗ = −k⃗ α.

7) Supongamos que k ̸= 0. Tenemos que existe un inverso multiplicativo, es decir k −1 ∈ C,

entonces

⃗ =1·α
α ⃗
 
= k −1 · k · α
⃗
= k −1 · (k · α
⃗)
−1 ⃗
=k ·0
= ⃗0

Observación 2.1.1. Nótese que en el inciso 6 de la proposición anterior, −k · α

⃗ es el inverso aditivo
del vector y también puede escribirse como − (k · α
⃗ ).

58
Capı́tulo 2: ESPACIOS VECTORIALES 2.2: Subespacios Vectoriales

Notación:
Sea ρ
⃗, ⃗γ ∈ V , escribiremos ρ
⃗ − ⃗γ en vez de ρ
⃗ + (−⃗γ ).

2.2. Subespacios Vectoriales

Definición 2.2.1. Sea (V, +, ·) un espacio vectorial sobre el campo C y sea W un subconjunto
no vacı́o de V .
Se dice que W es un subespacio de V si con las operaciones de V al restringirlas de W , W es
un espacio vectorial sobre el campo C.

Proposición 2.2.1:
Sea (V, +, ·) un espacio vectorial sobre el campo C y sea W ⊂ V . Entonces W es un subes-
pacio de V si y solo si

1) W ̸= ∅.

⃗ , β⃗ ∈ W =⇒ α
2) α ⃗ + β⃗ ∈ W .

3) k ∈ C y α
⃗ ∈ W =⇒ k · α
⃗ ∈ W.

Demostración.

⇒) Es inmediato.

⇐) Sea α
⃗ ∈ W , entonces
0·α
⃗ = ⃗0 ∈ W
Sea α
⃗ ∈ W , entonces
(−1) · α
⃗ = −⃗
α∈W
Por lo tanto, cumple los incisos I y II de la definición de espacio vectorial (2.1.1).

Corolario 2.2.1. Sea (V, +, ·) un espacio vectorial y W ⊂ V . W es un subespacio de V si y solo si

1) ⃗0 ∈ W .

⃗ , β⃗ ∈ W ; k, s ∈ C =⇒ k · α
2) α ⃗ + s · β⃗ ∈ W .

Corolario 2.2.2. Sea (V, +, ·) un espacio vectorial sobre el campo C y sea W ⊂ V . W es un

subespacio de V si y solo si

1) ⃗0 ∈ W .

⃗ , β⃗ ∈ W ; k ∈ C, se tiene que α
2) α ⃗ + k · β⃗ ∈ W .

59
Capı́tulo 2: ESPACIOS VECTORIALES 2.2: Subespacios Vectoriales

Teorema 2.2.1:
Sea (V, +, ·) un espacio vectorial sobre el campo C. Sea {Wα }α∈I una familia de subespacios
vectoriales de V , entonces Wα es un subespacio de V .
\

α∈I

Demostración.
Sea Z = Wα .
\

α∈I

i. Como ∀α ∈ I, Wα es un subespacio, entonces ∀α ∈ I

⃗0 ∈ Wα =⇒ ⃗0 ∈ Z

⃗ , β⃗ ∈ Z; k, s ∈ C. Como ∀α ∈ I, α
ii. Sea α ⃗ , β⃗ ∈ Wα , entonces ∀α ∈ I

⃗ + s · β⃗ ∈ Wα =⇒ k · α
k·α ⃗ + s · β⃗ ∈ Z
n o
Corolario 2.2.3. Sea (V, +, ·) un espacio vectorial sobre el campo C. Tenemos que ⃗0 y V son
subespacios de V . Estos subespacios son conocidos como subespacios triviales.

Definición 2.2.2. Sea V un espacio vectorial sobre el campo C y sean α ⃗ n ∈ V . Un vector

⃗ 1, . . . , α
β⃗ ∈ V es una combinación lineal de α ⃗ n si existe k1 , . . . , kn ∈ C tales que
⃗ 1, . . . , α

β⃗ = k1 α
⃗ 1 + · · · + kn α
⃗n

Ejemplo:
Sea α
⃗ 1 = (1, −1, 2), α
⃗ 2 = (2, 0, 1) donde α ⃗ 2 ∈ R3 .
⃗ 1, α
Sea β⃗ = (1, 2, 3) ∈ R, ¿es β⃗ una combinación lineal de α ⃗1 y α
⃗ 2?
Solución.
Tenemos que
(1, 2, 3) = x(1, −1, 2) + y(2, 0, 1)
= (x + 2y, −x, 2x + y)
se sigue que
3
x + 2y = 1 =⇒ y =
2
−x = 2 =⇒ x = −2
2x + y = 3 =⇒ y = 7
Probemos para los valores que obtuvimos, ası́ pues:
−2(1, −1, 2) + 7(2, 0, 1) = (12, 0, 3)
3 5
 
−2(1, −1, 2) + (2, 0, 1) = 1, 2, −
2 2
Por lo que β⃗ no es combinación lineal de α
⃗1 y α
⃗ 2.

60
Capı́tulo 2: ESPACIOS VECTORIALES 2.3: Conjuntos generadores

2.3. Conjuntos generadores

Definición 2.3.1. Sea V un espacio vectorial sobre el campo C y sea S ⊂ V , tenemos

K := {W | W subespacio de V tal que S ⊂ W }

1. V ∈ K.

2. L(S) := W es un subespacio de V y S ⊂ L(S).

\

W ∈K
Además, dado W ∈ K se cumple L(S) ⊂ W .
n o
3. L(∅) = ⃗0 .

A este subespacio L(S) lo llamaremos el subespacio generado por S.

Nota:
Lo dicho anteriormente se puede resumir en la siguiente frase:

“L(S) es el subespacio más pequeño bajo contención en V que contiene al conjunto S”

Cuando S está formado por un conjunto finito de vectores de V , S = {⃗ ⃗ n }, en este caso di-
α1 , . . . , α
remos que L(S) es el subespacio generado por los vectores α ⃗ n y escribiremos L (⃗
⃗ 1, . . . , α ⃗ n)
α1 , . . . , α
en vez de L(S).

Proposición 2.3.1:
Sea V un espacio vectorial sobre el campo C, y sea S ⊂ V , S ̸= ∅, entonces L(S) es el
conjunto de todas las combinaciones lineales que se pueden hacer con los elementos de S.

Demostración.
Sea Z := {⃗
α∈V |α ⃗ se puede escribir como combinación lineal de los elementos de S}.
¿Se cumplirá que L(S) = Z?

a) Veamos que Z es subespacio de V

i. Sea β⃗ ∈ S y ρ
⃗ ∈ Z, entonces Z ̸= ∅.
⃗ , β⃗ ∈ Z =⇒ ∃⃗
ii. α ⃗ t , β⃗1 , . . . , β⃗t ∈ S y a1 , . . . , at , b1 , . . . , bt ∈ C tal que
α1 , . . . , α

⃗ = a1 α
α ⃗ 1 + · · · + at α
⃗t

y
β⃗ = b1 β⃗1 + · · · + bt β⃗t
Se sigue que
t t
⃗ + β⃗ = ⃗i + bj β⃗j ∈ Z
X X
α ai α
i=1 j=1

61
Capı́tulo 2: ESPACIOS VECTORIALES 2.3: Conjuntos generadores

⃗ ∈ Z, entonces ∃θ⃗1 , . . . , θ⃗s ∈ S y r1 , . . . , rs ∈ C, entonces

Tenemos que α

⃗ = r1 θ⃗ + · · · + rs θ⃗s
α

Sea m ∈ C, entonces

⃗ = (mr1 )θ⃗1 + · · · + (mrs )θ⃗s ∈ Z

m·α

Por lo que Z es subespacio de V y S ⊂ Z =⇒ L(S) ⊂ Z.

b) ¿Z ⊂ L(S)?
Sea α
⃗ ∈ Z =⇒ ∃⃗ ⃗ t ∈ S y ∃s1 , . . . , st ∈ C tal que
α1 , . . . , α

⃗ = s1 α
α ⃗ 1 + · · · + st α
⃗t

Tenemos que α ⃗ t ∈ L(S) =⇒ α

⃗ 1, . . . , α ⃗ ∈ L(S) =⇒ Z ⊂ L(S).

Corolario 2.3.1. Sea β⃗1 , . . . , β⃗n ∈ V , entonces

  n o
L β⃗1 , . . . , β⃗n = α ⃗ = a1 β⃗1 + · · · + an β
⃗ ∈ V | ∃a1 , . . . , an ∈ C tal que α ⃗n

Proposición 2.3.2:
Sea V un espacio vectorial sobre el campo C:

1. Dado un subconjunto arbitrario y dado S ⊂ V . Se tiene que L (L(S)) = L(S).

2. Sean S, T ⊂ V tal que S ⊂ T , entonces L(S) ⊂ L(T ).

3. Sean α ⃗ n ∈ V , entonces se cumple:

⃗ 1, . . . , α

a) Dado i ∈ {1, . . . , n} y k ∈ C, k ̸= 0,

L (⃗
α1 , . . . , α ⃗ n ) = L (⃗
⃗ i, . . . , α α1 , . . . , k⃗ ⃗ n)
αi , . . . , α

b) Dado i, j ∈ {1, . . . , n} con i < j,

L (⃗
α1 , . . . , α
⃗ i, . . . , α ⃗ n ) = L (⃗
⃗ j, . . . , α α1 , . . . , α
⃗ j, . . . , α ⃗ n)
⃗ i, . . . , α

c) Dados i, j ∈ {1, . . . , n} con i ̸= j y k ∈ C, k ̸= 0,

L (⃗
α1 , . . . , α
⃗ i, . . . , α ⃗ n ) = L (⃗
⃗ j, . . . , α α1 , . . . , α ⃗ j + k⃗
⃗ i, . . . , α ⃗ n)
αi , . . . , α

Demostración.
Solo se demostrará el inciso 3, los demás se dejan como ejercicio al lector.

3. Tenemos:

a) Sea β ∈ L (⃗
α1 , . . . , α ⃗ n ) =⇒ ∃t1 , . . . , tn ∈ C tal que
⃗ i, . . . , α

β⃗ = t1 α
⃗ 1 + · · · + ti α
⃗ i + · · · + tn α
⃗n

62
Capı́tulo 2: ESPACIOS VECTORIALES 2.3: Conjuntos generadores

se sigue que
ti
β⃗ = t1 α ⃗ 1 + · · · + (k⃗ αi ) + · · · + tn α
⃗n
k
Sea ρ
⃗ ∈ L (⃗
α1 , . . . , k⃗ ⃗ n ) =⇒ ∃s1 , . . . , sn ∈ C tal que
αi , . . . , α

⃗ = s1 α
ρ ⃗ 1 + · · · + (si k)⃗
αi + · · · + sn α
⃗n

entonces
⃗ ∈ L (⃗
ρ α1 , . . . , α ⃗ n)
⃗ i, . . . , α
b) Se deja como ejercicio al lector.
c) Sea β⃗ ∈ L (⃗
α1 , . . . , α
⃗ i, . . . , α ⃗ n ) =⇒ ∃s1 , . . . , sn ∈ C tal que
⃗ j, . . . , α

β⃗ = s1 α
⃗ 1 + · · · + si α
⃗ i + · · · + si α
⃗ j + · · · + sn α
⃗n

Sea k ∈ C, k ̸= 0. Se sigue que

β⃗ = s1 α
⃗ 1 + · · · + si α αi + · · · + sj α
⃗ i − sj k⃗ ⃗ j + sj k⃗
αi + · · · + sn α
⃗n

entonces
⃗ = s1 α
β ⃗ 1 + · · · + (si − sj k)⃗
αi + · · · + sj (⃗
αj + k⃗
αi ) + · · · + sn α
⃗n

Sea θ⃗ ∈ L (⃗
α1 , . . . , α ⃗ j + k⃗
⃗ i, . . . , α ⃗ n ) =⇒ a1 , . . . , an ∈ C tal que
αi , . . . , α

θ⃗ = a1 α
⃗ 1 + · · · + ai α
⃗ i + · · · + aj (⃗
αj + k⃗
α i ) + · · · + an α
⃗n

y
θ⃗ = a1 α
⃗ 1 + · · · + (ai + aj k)⃗
αi + · · · + aj α
⃗ j + · · · + an α
⃗n
por lo que
θ⃗ ∈ L (⃗
α1 , . . . , α
⃗ i, . . . , α ⃗ n)
⃗ j, . . . , α

Observación 2.3.1. Sea V un espacio vectorial sobre el campo C y sean α ⃗n ∈ V .

⃗ 1, . . . , α
Analicemos la siguiente ecuación:

⃗ 1 + x2 α
x1 α ⃗ 2 + · · · + xn α
⃗ n = ⃗0 (1)

a) Tenemos que x1 = · · · = xn = 0 es una solución para (1), conocida como solución trivial.

b) Supongamos que (x1 , . . . , xn ) es una solución de (1) y existe i ∈ {1, . . . , n} tal que xi ̸= 0.
Entonces
x1 xi−1 xi+1 xn
       
⃗i = −
α ⃗1 + · · · + −
α ⃗ i−1 + −
α ⃗ i+1 + · · · + −
α α
⃗n
xi xi xi xi
Por lo que α
⃗ i ∈ L (⃗
α1 , . . . , α
⃗ i−1 , α ⃗ n ), entonces
⃗ i+1 , . . . , α

L (⃗
α1 , . . . , α
⃗ i−1 , α ⃗ n ) ⊂ L (⃗
⃗ i, . . . , α α1 , . . . , α
⃗ i−1 , α ⃗ n)
⃗ i+1 , . . . , α

Como {⃗
α1 , . . . , α
⃗ i−1 , α ⃗ n } ⊂ {⃗
⃗ i+1 , . . . , α α1 , . . . , α
⃗ i−1 , α
⃗ i, α ⃗ n }, entonces
⃗ i+1 , . . . , α

L (⃗
α1 , . . . , α
⃗ i−1 , α ⃗ n ) ⊂ L (⃗
⃗ i+1 , . . . , α α1 , . . . , α
⃗ i−1 , α
⃗ i, α ⃗ n)
⃗ i+1 , . . . , α

63
Capı́tulo 2: ESPACIOS VECTORIALES 2.4: Dependencia e independencia lineal

se sigue que

L (⃗
α1 , . . . , α
⃗ i−1 , α
⃗ i, α ⃗ n ) = L (⃗
⃗ i+1 , . . . , α α1 , . . . , α
⃗ i−1 , α ⃗ n)
⃗ i+1 , . . . , α

2.4. Dependencia e independencia lineal

Definición 2.4.1. Sea V un espacio vectorial sobre el campo C y sean α ⃗n ∈ V .

⃗ 1, . . . , α

1. Se dice que α ⃗ n son linealmente dependientes (l.d) si existen a1 , . . . , an ∈ C no

⃗ 1, . . . , α
todos iguales a cero tales que a1 α ⃗ 1 + · · · + an α
⃗ n = ⃗0.

2. Si los vectores no son linealmente dependientes se dice que son linealmente independientes
(l.i).

3. Si los vectores α
⃗ 1, . . . , α⃗ n son linealmente dependientes (o independientes) se dice que que
el conjunto {⃗ ⃗ n } es un conjunto linealmente dependiente (o independiente).
α1 , . . . , α

Observaciones
1. α ⃗ n son l.i ⇐⇒ la ecuación
⃗, . . . , α

⃗ 1 + · · · + xn α
x1 α ⃗ n = ⃗0

tiene como única solución x1 = · · · = xn = 0.

2. Dada β⃗ ∈ V con β⃗ ̸= ⃗0 se tiene que β⃗ es l.i, ya que

x · β⃗ = ⃗0 =⇒ x = 0 o β⃗ = ⃗0
n o
3. Sean α ⃗ , β⃗ ∈ V . α
⃗ , β⃗ es l.d ⇐⇒ ∃a ∈ C tal que α ⃗
⃗ = aβ.
⃗ , β⃗ son l.d =⇒ x⃗
Si α ⃗ = ⃗0, con x ̸= 0 o y ̸= 0:
α + yβ

Si x ̸= 0:
y ⃗
 
⃗= −
α β
x
Si y ̸= 0:
x
 
β⃗ = − α
⃗
y
En pocas palabras, es l.d si es múltiplo del otro.

4. α ⃗ n son l.d ⇐⇒ al menos uno de ellos se puede escribir como combinación lineal de
⃗ 1, . . . , α
los otros vectores.

5. α ⃗ n son l.d ⇐⇒ existe i ∈ {1, . . . , n} tal que

⃗ 1, . . . , α

L (⃗
α, . . . , α
⃗ i−1 , α
⃗ i, α ⃗ n ) = L (⃗
⃗ i+1 , . . . , α α1 , . . . , α
⃗ i−1 , α ⃗ n)
⃗ i+1 , . . . , α

64
Capı́tulo 2: ESPACIOS VECTORIALES 2.5: Bases

6. Supongamos que existe i ∈ {1, . . . , n} tal que α ⃗ i = 0, entonces α ⃗ n son l.d.

⃗ 1, . . . , α
Sean
⃗ 1 + · · · + xi−1 α
x1 α ⃗ i−1 + xi α
⃗ i + xi+1 α⃗ i+1 + · · · + xn α ⃗ n = ⃗0
Sea p ∈ C y p ̸= 0, entonces

0⃗
α1 + · · · + 0⃗
αi−1 + p⃗
αi + 0⃗
αi+1 + · · · + 0⃗
αn

7. Todo conjunto de vectores que contenga un conjunto l.d es l.d.

8. Todo subconjunto de un conjunto de vectores l.i es l.i.

9. Como ∀A ⊂ V se cumple que ∅ ⊂ A, entonces definimos al ∅ como l.i.

10. Sean α ⃗ n ∈ V tales que α

⃗ 1, . . . , α ⃗ i ̸= ⃗0. Entonces α ⃗ n son l.d ⇐⇒ al menos uno de ellos
⃗ 1, . . . , α
se puede escribir como una combinación lineal de los vectores que le preceden.

⇐) Supongamos que existe i ∈ {2, . . . , n} y existen a1 , . . . , ai−1 ∈ C tal que

⃗ i = a1 α
α ⃗ 1 + · · · + ai−1 α
⃗ i−1

entonces
⃗0 = a1 α
⃗ 1 + · · · + ai−1 α
⃗ i−1 + (−1)⃗
αi + 0⃗
αi+1 + · · · + 0⃗
αn
∴α ⃗ n son l.d.
⃗ 1, . . . , α
⇒) Supongamos que α ⃗ n son l.d y α
⃗ 1, . . . , α ⃗ 1 ̸= 0. Entonces existen a1 , . . . , an ∈ C tal que
⃗ 1 + · · · + an α
a1 α ⃗ n = ⃗0 y existe i ∈ {1, . . . , n} tales que ai ̸= 0.

Sea l ∈ {1, . . . , n} el mayor subı́ndice tal que al ̸= 0.

Si l = 1, entonces
⃗ 1 = 0 =⇒ a1 = 0 o α
a1 α ⃗1 = 0
entonces a1 = 0 y por lo tanto l ∈ {2, . . . , n}. Ası́ que

a1 al−1
   
⃗l = −
α ⃗1 + · · · + −
α α
⃗ l−1
al al

11. Tenemos α ⃗ n ∈ V tales que V = L (⃗

⃗ 1, . . . , α ⃗ n ), entonces dado β⃗ ∈ V se tiene que
α1 , . . . , α
⃗ α
β, ⃗ n son l.d y V = L β,
⃗ 1, . . . , α ⃗ α ⃗n .
⃗ 1, . . . , α

2.5. Bases

Definición 2.5.1. Sea V un espacio vectorial sobre el campo C. Un subconjunto B ⊂ V es una

base para V si se cumple:

1. B es l.i.

2. B genera a V , es decir, L(B) = V .

65
Capı́tulo 2: ESPACIOS VECTORIALES 2.5: Bases

Ejemplo:
Sea R3 y sea ⃗e1 = (1, 0, 0), ⃗e2 = (0, 1, 0), ⃗e3 = (0, 0, 1), entonces {⃗e1 , ⃗e2 , ⃗e3 } es una base para
R3 .
Solución.
1. Probemos que es l.i, ası́ pues:

a⃗e1 + b⃗e2 + c⃗e3 = ⃗0

(a, 0, 0) + (0, b, 0) + (0, 0, c) = (0, 0, 0)
(a, b, c) = (0, 0, 0) =⇒ a = b = c = 0

2. Probemos que L (⃗e1 , ⃗e2 , ⃗e3 ) = R3 .

Sea (x, y, z) ∈ R3 , entonces

w1 = x
(x, y, z) = (w1 , w2 , w3 ) =⇒ w2 = y
w3 = z

Ejemplo:
Demuestre que α
⃗ 1 = (1, 0, 0), α
⃗ 2 = (1, 2, 0), α
⃗ 3 = (1, 2, 3) es una base para R3 .
Solución.
1. Probemos que es l.i, ası́ pues:

α1 + y⃗
x⃗ α2 + z⃗
α3 = ⃗0
(x, 0, 0) + (y, 2y, 0) + (z, 2z, 3z) = (0, 0, 0)
(x + y + z, 2y + 2z, 3z) = (0, 0, 0)

se sigue que 
x+y+z =0   x=0
2y + 2z = 0 =⇒ y = 0
3z = 0  z =0


2. Probemos que L (⃗ α1 , α ⃗ 3 ) = R3 .
⃗ 2, α
Sea (a, b, c) ∈ R3 , entonces

(a, b, c) = r1 α
⃗ 1 + r2 α
⃗ 2 + r3 α
⃗3
= (r1 , 0, 0) + (r2 , 2r2 , 0) + (r3 , 2r3 , 3r3 )
= (r1 + r2 + r3 , 2r2 + 2r3 , 3r3 )

se sigue que
1 2
 
r1 = a − b− c
 2 3

r1 + r2 + r3 = a 

1 2
2r2 + 2r3 = b =⇒ r2 = b− c
3r3 = c

 2 3
c
r3 =
3

66
Capı́tulo 2: ESPACIOS VECTORIALES 2.5: Bases

Ejercicio:
Sean

⃗e1 = (1, 0, . . . , 0)
⃗e2 = (0, 1, . . . , 0)
..
.
⃗en = (0, 0, . . . , 1)

Demostrar que {⃗e1 , ⃗e2 , . . . , ⃗en } es una base para Rn .

Ejercicio:
Sean

⃗ 1 = (1, 0, . . . , 0)
α
⃗ 2 = (1, 2, . . . , 0)
α
⃗ 3 = (1, 2, 3, . . . , 0)
α
..
.
⃗ n = (1, 2, 3, . . . , n)
α

Demostrar que {⃗
α1 , α ⃗ n } es una base para Rn .
⃗ 2, . . . , α

Ejercicio:
Sea (C, +, ·, 0, 1) un campo. Tenemos que C es un espacio vectorial sobre C y dado p ∈ C,
p ̸= 0 se tiene que {⃗
p} es una base para el espacio vectorial C.

Demostración. n o
Como p ̸= 0, entonces ⃗0 es l.i.

Sea r ∈ C, entonces
r
⃗r = p⃗
p
por lo que es generador.

Proposición 2.5.1:
Sea V un espacio vectorial sobre el campo C y sean α ⃗n ∈ V .
⃗ 1, . . . , α
B = {⃗ ⃗ n } es una base para V ⇐⇒ dado β⃗ ∈ V , existen a1 , . . . , an ∈ C únicos tales
α1 , . . . , α
que
β⃗ = a1 α
⃗ + · · · + an α
⃗n

Demostración.

⇒) Supongamos que B es una base para V .

Sea β⃗ ∈ V = L (⃗ ⃗ n ) =⇒ ∃a1 , . . . , an ∈ C tales que β⃗ = a1 α
α1 , . . . , α ⃗ 1 + · · · + an α
⃗ n.

67
Capı́tulo 2: ESPACIOS VECTORIALES 2.5: Bases

Supongamos que b1 , . . . , bn ∈ C tales que β⃗ = b1 α

⃗ 1 + · · · + bn α
⃗ n . Entonces

⃗0 = (a1 − b1 )⃗
α1 + · · · + (an − bn )⃗
αn

Se sigue que a1 − b1 = 0, . . . , an − bn = 0 =⇒ a1 = b1 , . . . , an = bn .

⇐) Sea θ⃗ ∈ V =⇒ existen r1 , . . . , rn ∈ C tales que

θ⃗ = r1 α
⃗ 1 + · · · + rn α
⃗ n =⇒ V = L (⃗ ⃗ n)
α1 , . . . , α

Sean l1 , . . . , ln ∈ C tales que

)
⃗ 1 + · · · + ln α
l1 α ⃗ n = ⃗0
=⇒ l1 = 0, . . . , ln = 0
0⃗α1 + · · · + 0⃗ αn = ⃗0

Definición 2.5.2. Sea V un espacio vectorial sobre el campo C y sean α ⃗n ∈ V .

⃗ 1, . . . , α
El conjunto {⃗ ⃗ n } es un subconjunto máximo de vectores linealmente independientes si se
α1 , . . . , α
cumple:

1. α ⃗ n son l.i.
⃗ 1, . . . , α

2. Dado β⃗ ∈ V − {⃗
α1 , . . . , α ⃗ α
⃗ n }, los vectores β, ⃗ n son l.d.
⃗ 1, . . . , α

En pocas palabras y de forma coloquial, cuando se agrega un vector, se vuelve l.d.

Proposición 2.5.2:
Sea V un espacio vectorial sobre el campo C y sean α ⃗ 1, . . . , α⃗n ∈ V .
{⃗ ⃗ n } es un subconjunto máximo l.i ⇐⇒ {⃗
α1 , . . . , α ⃗ n } es una base para V .
α1 , . . . , α

Demostración.
⇒) Sea {⃗ ⃗ n } un subconjunto máximo l.i. Se sigue que es l.i.
α1 , . . . , α

Probemos que L (⃗ ⃗ n) = V .
α1 , . . . , α
⃗
Sea β ∈ V .

1. Supongamos que existe i ∈ {1, . . . , n} tal que β⃗ = α ⃗ i.

n o
2. β⃗ ∈
/ {⃗
α1 , . . . , α ⃗ α
⃗ n } =⇒ β, ⃗ n es l.d.
⃗ 1, . . . , α
Entonces ∃a1 , . . . , an , an+1 ∈ C =⇒ ⃗0 = a1 α ⃗ n + an+1 β⃗ y existe
⃗ 1 + · · · + an α
j ∈ {1, . . . , n, n + 1} tal que aj ̸= 0.
Supongamos que an+1 = 0 =⇒ α ⃗ n es l.d. Luego an+1 ̸= 0 y
⃗ 1, . . . , α
a1 an
   
β⃗ = − ⃗1 + · · · + −
α ⃗ n =⇒ β⃗ ∈ L (⃗
α ⃗ n)
α1 , . . . , α
an+1 an+1

⇐) {⃗ ⃗ n } es una base para V . Tenemos que {⃗

α1 , . . . , α ⃗ n } es l.i.
α1 , . . . , α
Sea θ⃗ ∈ V − {⃗ ⃗ n }, entonces
α1 , . . . , α

V = L {⃗
α1 , . . . , α ⃗ α
⃗ n } =⇒ θ, ⃗ n es l.d
⃗ 1, . . . , α

68
Capı́tulo 2: ESPACIOS VECTORIALES 2.5: Bases

Ejercicio*:
 
Sean α ⃗ n , β⃗ ∈ V tales que α
⃗ 1, . . . , α ⃗ α
⃗ 1 ∈ L β, ⃗ n , entonces
⃗ 2, . . . , α
 
L (⃗
α1 , α
⃗ 2, . . . , α ⃗ α
⃗ n ) ⊂ L β, ⃗ 2, . . . , α
⃗n

Tenemos que α ⃗ 1 = bβ⃗ + a2 α ⃗ 2 + · · · + an α

⃗ n con b, a2 , . . . , an ∈ C.
⃗
Sea θ ∈ L (⃗
α1 , α ⃗ n ), entonces
⃗ 2, . . . , α

θ⃗ = d1 α
⃗ 1 + d2 α
⃗ 2 + · · · + an α
⃗n
h i
= d1 bβ⃗ + a2 α ⃗ n + d2 α
⃗ 2 + · · · + an α ⃗ 2 + · · · + dn α
⃗n
 
= d1 bβ⃗ + (d1 a2 + d2 )⃗
α2 + · · · + (d1 an + dn )⃗ ⃗ α
αn ∈ L β, ⃗ 2, . . . , α
⃗n

Teorema 2.5.1:
Sea {⃗ ⃗ n } una base para V y sean β⃗1 , . . . , β⃗k ∈ V con n < k, entonces β⃗1 , . . . , β⃗k
α1 , . . . , α
son l.d.

Demostración.
Si tenemos que existe i ∈ {1, . . . , k} tal que β⃗i = ⃗0, entonces se tiene el resultado (por
la observación n.◦ 6 vista en la pág. 64).
Supongamos que ∀i ∈ {1, . . . , k}, β⃗i =
̸ ⃗0. Tenemos que 1 ≤ m < k.

Paso 1.
Sea β⃗i ∈ V = L (⃗ ⃗ n ) =⇒ ∃x1 , . . . , xn ∈ C tales que
α1 , . . . , α
β⃗i = x1 α
⃗ 1 + · · · + xn α
⃗n
Como β⃗i ̸= ⃗0, podemos suponer que x1 ̸= 0,
1 ⃗ x2 xn
     
⃗1 =
α β1 + − ⃗2 + · · · + −
α α
⃗n
x1 x1 x1
   
por lo que α⃗ 1 ∈ L β⃗1 , α⃗ 2, . . . , α
⃗n =⇒ L (⃗
α1 , . . . , α ⃗ α
⃗ n ) ⊂ L β, ⃗ 2, . . . , α
⃗n (por el
ejercicio anterior). 
Por tanto, V = L β, ⃗ α ⃗n .
⃗ 2, . . . , α

Paso 2.
Sea β⃗2 ∈ V =⇒ ∃x1 , . . . , xn ∈ C tales que
β⃗2 = x1 β⃗1 + x2 β⃗2 + · · · + xn α
⃗n
i. Supongamos nque x1 o = · · · = xn =n0, entoncesoβ⃗2 = x1 β⃗1 .
Se sigue que β⃗1 , β⃗2 es l.d =⇒ β⃗1 , . . . , β⃗k es l.d.
ii. Supongamos que existe i ∈ {2, . . . , n} tal que x1 ̸= 0.
Podemos suponer que x2 ̸= 0, ası́ pues
1 ⃗ x1 ⃗ x3 xn
       
⃗2 =
α β2 + − β1 + − ⃗3 + · · · + −
α α
⃗n
x2 x2 x2 x2

69
Capı́tulo 2: ESPACIOS VECTORIALES 2.5: Bases

 
⃗ 2 ∈ L β⃗1 , β⃗2 , α
Por lo que α ⃗ n , y por el ejercicio anterior, se tiene
⃗ 3, . . . , α
   
L β⃗1 , α ⃗ n ⊂ L β⃗1 , β⃗2 , α
⃗ 2, . . . , α ⃗n ⊂ V
⃗ 3, . . . , α
 
Por tanto, L β⃗1 , β⃗2 , α ⃗n = V .
⃗ 3, . . . , α

Observación. Si n = 3, para n < k, entonces V = L (⃗

α1 , α ⃗ 3 ).
⃗ 2, α
 
En el paso 3 se tiene V = L β⃗1 , β⃗2 , β⃗3 .
 
Se tiene que β⃗4 ∈ L β⃗1 , β⃗2 , β⃗3 =⇒ ∃a1 , a2 , a3 ∈ C, entonces
n o n o
β⃗4 = a1 β⃗1 + a2 β⃗2 + a3 β⃗3 =⇒ β⃗1 , . . . , β⃗4 es l.d =⇒ β⃗1 , . . . , β⃗k es l.d

Entonces vamos a suponer que 3 < n.

Sea s ∈ N tal que 1 ≤ s < n − 2 < n − 1 < n.
En el paso s, se tiene que
 
V = L β⃗1 , . . . , β
⃗s , α
⃗ s+1 , . . . , α
⃗n

Ası́ pues β⃗s+1 ∈ V =⇒ ∃x1 , . . . , xn ∈ C tales que

β⃗s+1 = x1 β⃗1 + · · · + xs β⃗s + xs+1 α

⃗ s+1 + · · · + xn α
⃗n (I)

i. Si xs+1 = · · · = xn = 0, entonces
n o
β⃗s+1 = x1 β⃗1 + · · · + xs β⃗s =⇒ β⃗1 , . . . , β⃗s , β⃗s+1 es l.d
n o
Entonces β⃗1 , . . . , β⃗k es l.d.

ii. Supongamos que existe i ∈ {s + 1, . . . , n} tal que xi ̸= 0.

Podemos suponer que xs+1 ̸= 0, entonces de (I) se sigue que

1 x1 xs xs+2 xn
         
⃗ s+1 =
α β⃗s+1 + − β⃗1 +· · ·+ − β⃗s + − ⃗ s+2 +· · ·+ −
α α
⃗n
xs+1 xs+1 xs+1 xs+1 xs+1
 
Por lo que α ⃗1 , . . . , β⃗s , β⃗s+1 , α
⃗ s+1 = L β ⃗n y
⃗ s+2 , . . . , α
 
V = L β⃗1 , . . . , β⃗s , β
⃗s+1 , α
⃗ s+2 , . . . , α
⃗n

Tenemos que s + 2 ≤ n y n < k.

  n o
En el paso n, se tiene que β⃗k ∈ L β
⃗1 , . . . , β⃗n , entonces β⃗1 , . . . , β
⃗n , β⃗k es
l.d.

70
Capı́tulo 2: ESPACIOS VECTORIALES 2.5: Bases

2.5.1. Dimensión
Corolario 2.5.1. Sea V un espacio n vectorial
o sobre el campo C.
Si B1 = {⃗ ⃗ n } y B2 = β⃗1 , . . . , β⃗n son dos bases para V , entonces m = n.
α1 , . . . , α

Ya que m y n son naturales, entonces por tricotomı́a:

1. m < n no cumple.

2. n < m no cumple.

3. m = n es inmediato.

n o
Definición 2.5.3. Sea V un espacio vectorial sobre el campo C y sea B = β⃗1 , . . . , β⃗n una base
para V . Entonces se dice que V es un espacio vectorial de dimensión n y se escribe dim(V ) = n.

Nota:
n o
Si V = ⃗0 , entonces definimos dim(V ) = 0.

Corolario 2.5.2. Si la dim(V ) = n, entonces todo subconjunto maximo l.i de V tiene n elementos.

Corolario 2.5.3. Si la dim(V ) = n y α ⃗ n ∈ V l.i, entonces {⃗

⃗ 1, . . . , α ⃗ n } es una base para V .
α1 , . . . , α

Corolario 2.5.4. Si dim(V ) = n y V = L (⃗ ⃗ k ), entonces n ≤ k.

α1 , . . . , α

Corolario 2.5.5. Sea V un espacio vectorial sobre el campo C y sea W un subespacio de V , en-
tonces dim(W ) ≤ dim(V ).

Corolario 2.5.6. Sea V un espacio vectorial sobre el campo C y sea W y subespacio de V tal que
dim(V ) = dim(W ), entonces V = W .

Proposición 2.5.3:
Sea V un espacio vectorial sobre el campo C tal que dim(V ) = n y sea k ∈ N tal que k < n.
Si {⃗ ⃗ k } ⊂ V es l.i, entonces existen α
α1 , . . . , α ⃗ n ∈ V tales que
⃗ k+1 , . . . , α
{⃗
α1 , . . . , α
⃗ k, α ⃗ n } son una base para V .
⃗ k+1 , . . . , α

Demostración.
Como k < n, tenemos que B = {⃗ ⃗ k } no n
α1 , . . . , α es una base paraoV . Luego no es un conjunto
⃗
máximo l.i. Por lo tanto, ∃β1 ∈ V tal que B1 = α ⃗ k , β⃗1 es l.i.
⃗ 1, . . . , α

Si B1 es máximo l.i, entonces B1 es una base para V . Si B1 no es máximo l.i, enton-

71
Capı́tulo 2: ESPACIOS VECTORIALES 2.6: Suma de subespacios

n o
ces ∃β⃗2 ∈ V tal que B2 = α ⃗ 1, . . . , α
⃗ k, α ⃗2 es l.i.
⃗ 1, β
Si B2 es máximo l.i, entonces B2 es una base para V ...
n o
En el paso n − k, tenemos que el conjunto α ⃗ 1, . . . , α⃗ k , β⃗1 , . . . , β⃗n−k el cual es l.i y
tiene n vectores. n o
Como dim(V ) = n, se debe tener que α ⃗ k , β⃗1 , . . . , β⃗n−k es máximo l.i.
⃗ 1, . . . , α
Ası́ tenemos la base deseada.

2.6. Suma de subespacios

Proposición 2.6.1:
Sea V un espacio vectorial sobre el campo C y sean U , W subespacios de V . Entonces
n o
⃗ + β⃗ | α
U + W := α ⃗ ∈ U y β⃗ ∈ W

es un subespacio de V .
A U + W se le dice la suma de U y W .

Demostración.

1. U + W ̸= ∅, ta que ⃗0 ∈ U , ⃗0 ∈ W y

⃗0 = ⃗0 + ⃗0 ∈ U + W

2. Sean α
⃗ 1, α
⃗ 2 ∈ U + W y sea k1 , k2 ∈ C, entonces ∃u1 , u2 ∈ U, w1 , w2 ∈ W tal que

⃗ 1 = u1 + w1
α ⃗ 2 = u2 + w2
α

Ası́ pues
α1 + k2 α
k⃗ ⃗ 2 = (k1 u1 + k2 u2 ) + (k1 w1 + k2 w2 ) ∈ U + W
| {z } | {z }
∈U ∈W

Definición 2.6.1. Sea V un espacio vectorial sobre el campo C y sean U , W subespacios de V .

1. Si V = U + W , se dice que V es la suma de U y W .

n o
2. Si V es la suma de U y W y U ∩ W = ⃗0 , se dice que V es la suma directa de U y W y
se escribe V = U ⊕ W .

Proposición 2.6.2:
V = U ⊕ W ⇐⇒ dado α
⃗ ∈ V existe un único ⃗u ∈ U y un único w
⃗ ∈ W tales que

⃗ = ⃗u + w
α ⃗

72
Capı́tulo 2: ESPACIOS VECTORIALES 2.6: Suma de subespacios

Demostración.

⇒) Sea α
⃗ =⇒ ∃⃗u ∈ U, ∃w
⃗ ∈ W tales que α⃗ = ⃗u + w.
⃗
Supongamos que ⃗u1 ∈ U y w⃗ 1 ∈ W tales que α⃗ = ⃗u1 + w
⃗ 1.
Entonces n o
⃗u − ⃗u1 = w
⃗ −w ⃗ 1 ∈ U ∩ W = ⃗0
| {z } | {z }
∈U ∈W

Se sigue que
⃗u = ⃗u1 y ⃗ =w
w ⃗1

⇐) Sea β⃗ ∈ V y sean ⃗u ∈ U , w
⃗ ∈ W tales que

β⃗ = ⃗u + w
⃗ =⇒ V = U + W

Sea θ⃗ ∈ U ∩ W ,
∈U ∈W
z}|{ z}|{
θ⃗ = |{z}
⃗0 + θ⃗ = θ⃗ + ⃗0 =⇒ θ⃗ = ⃗0
|{z}
∈U ∈W

Proposición 2.6.3:
n o
Sean U y W subespacios de V y sean B1 = {⃗ β⃗1 , . . . , β⃗m dos bases
⃗ l } y B2 =
α1 , . . . , α
n o
para U y W respectivamente. Entonces V = U ⊕ W ⇐⇒ α ⃗ l , β⃗1 , . . . , β⃗m es una
⃗ 1, . . . , α
base para V .

Demostración.
⇒) Tenemos que
 
a) Sea L α⃗ 1, . . . , α ⃗1 , . . . , β⃗m = V .
⃗ l, β
Sea ρ
⃗ ∈ V = U + W =⇒ ∃⃗u ∈ U y ∃w ⃗ ∈ W tales que

⃗ = ⃗u + w
ρ ⃗

Entonces ∃a1 , . . . , al , b1 , . . . , bm ∈ C tales que

⃗ = a1 α
ρ ⃗ l + b1 β⃗1 + · · · + bm β⃗m
⃗ 1 + · · · + al α

b) Sean x1 , . . . , xl , y1 , . . . , yn ∈ C tales que

⃗ l + y1 β⃗1 + · · · + ym β⃗m = ⃗0
⃗ 1 + · · · + xl α
x1 α

entonces

(−x1 )⃗ αl = y1 β⃗1 + · · · + ym β⃗m ∈ U ∩ W

α1 + · · · + (−xl )⃗
| {z } | {z }
∈U ∈W

se sigue que

(−x1 )⃗
α1 + · · · + (−xl )⃗ αl = ⃗0 x1 = · · · = xl = 0
=⇒
⃗ ⃗
y1 β 1 + · · · + ym β m = 0
⃗ y1 = · · · = ym = 0

73
Capı́tulo 2: ESPACIOS VECTORIALES 2.6: Suma de subespacios

⇐) Sea α
⃗ ∈ V =⇒ ∃a1 , . . . , al , b1 , . . . , bm ∈ C tales que

⃗ = a1 α
α ⃗ l + b1 β⃗1 + · · · + bm β⃗m
⃗ 1 + · · · + al α
| {z } | {z }
∈U ∈W

entonces α
⃗ ∈ U + W =⇒ V = U + W .

Sea ξ⃗ ∈ U ∩ W . ∃a1 , . . . , al , b1 , . . . , bm ∈ C, entonces

ξ⃗ = a1 α ⃗ l = b1 β⃗1 + · · · + bm β⃗m
⃗ 1 + · · · + al α

ası́ pues
ξ⃗ = a1 α ⃗ l + (−b1 )β⃗1 + · · · + (−bm )β⃗m
⃗ 1 + · · · + al α
se sigue que a1 = · · · n= oal = b1 = · · · = bm = 0 =⇒ ξ⃗ = ⃗0.
Por tanto, U ∩ W = ⃗0 .

n o
Corolario 2.6.1. Si U , W son subespacios del espacio vectorial V tales que U ∩ W = ⃗0 entonces
dim(U + W ) = dim(U ) + dim(W ).

Ejercicio:
Sean U , W subespacios del espacio vectorial V tales que U ⊂ W entonces U + W = W .

Proposición 2.6.4:
Sea V un espacio vectorial sobre el campo C y sean U , W subespacios de V , entonces

dim(U + W ) = dim(U ) + dim(W ) − dim(U ∩ W )

Demostración.
n o
a) Supongamos que U ∩ W = ⃗0 . Por el corolario anterior se tiene el resultado.
n o
b) Supongamos que U ∩ W ̸= ⃗0 .
Sea {⃗ ⃗ k } una base para U ∩ W .
α1 , . . . , α
Sea dim(U ) = m y dim(W ) = n, entonces k ≤ m y k ≤ n.
i. Supongamos que k = m = n, entonces
U ∩ W = U y U ∩ W = W =⇒ U = W
Luego U + W = U y
dim(U + W ) = dim(U ) = dim(U ) + dim(W ) − dim(U ∩ W )
ii. Supongamos que k = m y k < n, entonces U ⊊ W =⇒ U ∩ W = U y U + W = W .
Ası́ pues
dim(U + W ) = dim(W ) = dim(U ) + dim(W ) − dim(U ∩ W )
n o
iii. Supongamos que k < m y k < n, entonces α ⃗ k , β⃗1 , . . . , β⃗m−k forma una
⃗ 1, . . . , α
base para U y {⃗ ⃗ k , ⃗γ1 , . . . , ⃗γn−k } forma una base para W .
α1 , . . . , α

74
Capı́tulo 2: ESPACIOS VECTORIALES 2.6: Suma de subespacios

Sea ρ
⃗ ∈ U + W =⇒ ∃⃗u ∈ U , w
⃗ ∈ W tal que

⃗ = ⃗u + w
ρ ⃗

entonces ∃a1 , . . . , ak , b1 , . . . , bm−k ∈ C tal que

⃗u = a1 α ⃗ k + b1 β⃗ + · · · + bm−k β⃗m−k
⃗ 1 + · · · + ak α

∃d1 , . . . , dk , e1 , . . . , en−k ∈ C tales que

⃗ = d1 α
w ⃗ 1 + · · · + dk α
⃗ k + e1⃗γ1 + · · · + en−k⃗γn−k

Entonces

⃗ = (a1 + d1 )⃗
ρ αk + b1 β⃗1 + · · · + bm−k β⃗m−k + e1⃗γ1 + · · · + en−k⃗γn−k
α1 + · · · + (ak + dk )⃗

Supongamos que

⃗0 = x1 α ⃗ k + y1 β⃗1 + · · · + ym−k β
⃗ 1 + · · · + xk α ⃗m−k + z1⃗γ1 + · · · + zn−k⃗γn−k (I)

se sigue que

(−z1 )⃗γ1 + · · · + (−zn−k )⃗γn−k = x1 α ⃗ k + y1 β⃗1 + · · · + ym−k β⃗m−k

⃗ 1 + · · · + xk α
| {z } | {z }
∈W ∈U
∈U ∩W

entonces ∃s1 , . . . , sk ∈ C tales que

(−z1 )⃗γ1 + · · · + (−zn−k )⃗γn−k = s1 α

⃗ 1 + · · · + sk α
⃗k

se sigue que

(−z1 )⃗γ1 + · · · + (−zn−k )⃗γn−k + (−s1 )⃗

α1 + · · · + (−sk )⃗
αk = ⃗0

entonces z1 = · · · = zn−k = 0.

De (I), se tiene

⃗0 = x1 α ⃗ k + y1 β⃗1 + · · · + ym−k β
⃗ 1 + · · · + xk α ⃗m−k

entonces x1 = · · · = xk = y1 = · · · = ym−k = z1 = · · · = zn−k = 0.

Por lo tanto

dim(U + W ) = k + m − k + n − k
=m+n−k
= dim(U ) + dim(W ) − dim(U ∩ W )

75
76
Capı́tulo 2: ESPACIOS VECTORIALES 2.7: Ejercicios

2.7. Ejercicios
1. Determine cuáles de los siguientes conjuntos junto con las operaciones ⊕, ⊙ forman un espacio
vectorial sobre el campo (R, +, ·); y para aquellos que no lo sean, diga qué propiedades no se
cumplen.
a) A = {(x, 0) | x ∈ R}, con (x, 0) ⊕ (y, 0) = (x + y, 0) y k ⊙ (x, 0) = (k · x, 0), k ∈ R.
b) B = {(x, y) | x, y ∈ R}, con (x, y) ⊕ (z, w) = (x + 2y, y + 2w) y k ⊙ (x, y) = (k · x, k · y),
k ∈ R.
c) C = {(x, y) | x, y ∈ R}, con (x, y) ⊕ (z, w) = (x + z, y + w) y k ⊙ (x, y) = (k · y, k · x),
k ∈ R.
d) D = {(x, y) | x, y ∈ R}, con (x, y) ⊕ (z, w) = (x + z, y + w) y k ⊙ (x, y) = (k · x, y),
k ∈ R.
e) E = {(x, y) | x, y ∈ R}, con (x, y) ⊕ (z, w) = (x + z, y + w) y k ⊙ (x, y) = (0, 0), k ∈ R.
f ) F = {f : [0, 1] −→ R | f es una función continua}, para f, g ∈ F y r ∈ R, f ⊕ g y r ⊙ f
son las funciones definidas por (f ⊕ g)(x) = f (x) + g(x) y (r ⊙ f )(x) = r · f (x), x ∈ [0, 1].
2. Considere al espacio vectorial real (R3 , +, ·). ¿Cuáles de los siguientes conjuntos son subes-
pacios de él?
A = {(x, y, z) | x = z = 0}. B = {(x, y, z) | y = z = 1}.
C = {(x, y, z) | y = x + z}. D = {(x, y, z) | y = x + z + 1}.
E = {(x, y, z) | x = 2y}. F = {(x, y, z) | x ≤ y ≤ z}.
G = {(x, y, z) | x · y = 0}. H = {(x, y, z) | x = y = z}.
I = {(x, y, z) | x = y 2 }. J = {(x, y, z) | x + y + z = 0}.
K = {(x, y, z) | x + y + z ≤ 1}. L = {(x, y, z) | x − y + z = 0}.
M = {(x, y, z) | x2 = 0}. N = {(x, y, z) | 2x − 3y = 0}.
3. Pruebe que W = {f : [0, 1] −→ R | f existe} es un subespacio del espacio (F, ⊕, ⊙) del
problema 1.
4. Considere el espacio vectorial (V, +, ·) definido sobre el campo F y W un subespacio de V .
Si α ⃗ k ∈ W y l1 , . . . , lk ∈ F , entonces l1 · α
⃗ 1, . . . , α ⃗ 1 + · · · + lk · α
⃗k ∈ W.
5. Sean α⃗ 1 = (1, −1, 3), α
⃗ 2 = (2, 4, 0) ∈ R3 .
¿Cuáles de los siguientes vectores son combinaciones lineales de α
⃗2 y α
⃗ 2?
⃗ = (3, 3, 3), β⃗ = (4, 2, 6), ⃗γ = (1, 2, 3), θ⃗ = (0, 1, 0)
α
!
1 2
6. ¿Cuáles de las siguientes matrices son combinaciones lineales de las matrices A1 = ,
−1 3
! !
0 1 4 −2
A2 = , A3 = ?
2 4 0 −2
! ! ! !
6 3 −1 7 6 −1 1 2
A= , B= , C= , D=
0 8 5 1 −8 −8 3 4

7. Sea m ∈ N y sea Pm el conjunto de todos los polinomios de grado menor o igual a m con
coeficientes reales. Demuestre que con la suma usual entre polinomios y el producto de un
número real y un elemento de Pm , (Pm , +, ·) es un espacio vectorial real.

77
Capı́tulo 2: ESPACIOS VECTORIALES 2.7: Ejercicios

8. Determine si los siguientes polinomios generan a P2 :

p(x) = −x2 + 2x + 2 q(x) = x2 + 3
r(x) = −x2 + 4x + 5 s(x) = −2x2 + 2x − 2
9. Encuentre una base para los subespacios de P5 generado por los vectores:
a) x5 − 2x2 + x − 1, 3x4 + x2 , x5 + 2x4 + x3 , x3 + 3x2 + x.
b) x, x2 + x, x3 + x2 , x4 + x3 + x2 + x, x5 + x4 + x3 + x2 + x.
10. Considere el espacio vectorial definido sobre el campo de los números racionales
n √ √ o
G = a + b 2 + c 3 | a, b, c ∈ Q
encuentre una base para el subespacio de G generado por los vectores:
√ √
a) 1, 2, 3.
√ √ √ √ √
b) 1 + 2 2 + 3 3, 2 + 2 3, 3.
11. ¿Cuáles de los siguientes conjuntos de vectores de R3 son l.d?
a) {(2, −4, 1), (3, 6, 2), (2, 10, −4)}.
b) {(3, 1, 1), (2, −1, 5), (4, 0, −3)}.
c) {(6, 0, −1), (1, 1, 4)}.
d) {(1, 3, 3), (0, 1, 4), (5, 6, 3), (7, 2, −1)}.
12. Considere el espacio vectorial real M2×2 (R) y encuentre una base para los subespacios gene-
rados por los siguientes vectores:
! ! !
−1 −1 2 0 2 −1
a) , , .
4 3 2 −2 3 2
! ! !
−1 1 3 −3 9 0
b) , , .
−2 0 6 0 0 3
13. Determine la dimensión del espacio de soluciones del sistema que se define en cada inciso y
encuentre una base para cada espacio.
a) b)

x1 + x2 − x3 = 0 x+y+z =0
−2x1 − x2 + 2x3 = 0 3x + 2y − 2z = 0
−x1 + x3 = 0 4x + 3y − z = 0
6x + 5y + z = 0

c) d)

3x1 + x2 + x3 + x4 = 0 2x1 + x2 + x3 = 0
5x1 − x2 + x3 − x4 = 0 x1 + 5x3 = 0
x2 + x3 = 0

78
Capı́tulo 2: ESPACIOS VECTORIALES 2.7: Ejercicios

14. Encuentre las dimensiones de los siguientes subespacios de R4 .

a) {(a, b, c, 0) | a, b, c ∈ R}.
b) {(a, b, c, d) | a = b = c = d}.

15. Sea (C, +, ·) un campo y F un subcampo de C, entonces C junto con las operaciones +, · es
un espacio vectorial sobre el campo F . ¿Cuál es su dimensión?

16. Encuentre la dimensión del subespacio de P3 que consta de todos los polinomios

a3 + x3 + a2 x2 + a1 x

17. Encuentre un vector α⃗ 3 que se pueda agregar al conjunto {⃗ ⃗ 2 }, para obtener una base R3 ,
α1 , α
donde α
⃗ 1 = (−1, 2, 3), α
⃗ 2 = (1, −2, −2).

18. Si {⃗
α1 , α ⃗ 3 } es una base para el espacio vectorial V , entonces {⃗
⃗ 2, α ⃗2 + α
α1 , α ⃗1 + α
⃗ 1, α ⃗2 + α
⃗ 3}
también es una base para V .

19. Pruebe que en R2 (R3 ) los vectores que están sobre una recta forman un subespacio vectorial⇐⇒la
recta pasa por el origen.

20. Pruebe que en R3 los vectores que están en un mismo plano forman un subespacio vectorial⇐⇒el
plano pasa por el origen.
n o
21. Demuestre que los únicos subespacios de R2 son ⃗0 y R2 y las rectas que pasan por el origen.
¿Qué pasa en R3 ?

22. Sea V un espacio vectorial y U , W subespacios de V , entonces W ∩ U es un subespacio de V .

23. Sea V un espacio vectorial y U1 , . . . , Un subespacios de V , entonces U1 ∩ · · · ∩ Un es un

subespacio de V .

24. La intersección de cualquier número de subespacios de un espacio vectorial V es un subespacio

de V .

25. Sean U = (a, b, c) ∈ R3 | a + b = 0 , W = (a, b, c) ∈ R3 | c = 0 . Demuestre que U y W

 

son subespacios de R⊯ , pero U ∪ W no lo es.

26. Sean U , W subespacios del espacio vectorial V . U ∪ W es subespacio de V ⇐⇒ U ⊂ W o

W ⊂ U.

27. Encuentre k ∈ R para que los vectores (1, −1, k − 1), (2, k, −4) y (0, k + 2, −8) de R3 sean
l.d.
n o
⃗ = (a, b) y β⃗ = (c, d) en R2 , demuestre: α
28. Sean α ⃗ , β⃗ es l.d⇐⇒ ad − bc = 0.

29. Pruebe que los vectores (1, 2, 0), (0, 5, 7) y (−1, 1, 3) forman una base de R3 y escriba a
(0, 13, 17) y (2, 3, 1) como combinación lineal de los anteriores vectores.

30. Dada la base α ⃗ 1 = (1, 1, 1, 1), α

⃗ 2 = (0, 1, 1, 1), α
⃗ 3 = (0, 0, 1, 1), α
⃗ 4 = (0, 0, 0, 1) ∈ R4 ,
exprese a ⃗ei con i ∈ {1, 2, 3, 4} como combinación lineal de los α ⃗ ’s.

31. Si V es un espacio vectorial sobre el campo F , escribimos VF . Ver si los siguientes vectores
son l.i.

79
Capı́tulo 2: ESPACIOS VECTORIALES 2.7: Ejercicios

a) (1, 0, 1), (0, 2, 2), (13, 7, 1) en Q3Q y R3R .

b) (0, 0, 0), (1, 0, 0), (0, 1, 1) en R3R .
c) (1, i, 1 + i), (i, −1, 2 − i), (0, 0, 3) en C3R .
d) (1, 1, 0), (1, 0, 1), (0, 0, 1) en R3R .

32. Si F es un campo, pruebe que F puede ser considerado como un espacio vectorial sobre si
mismo y encuentre su dimensión.

33. Encuentre una base para el espacio vectorial V de los ejercicios 1 y 2.

34. Sea V un espacio vectorial sobre R. Si (a11 , . . . , a1n ), . . . , (am1 , . . . , amn ) son m vectores de
Rn linealmente independientes, y α ⃗ n son vectores de V linealmente independientes,
⃗ 1, . . . , α
⃗
entonces β1 = a11 α
⃗ 1 + · · · + a1n α ⃗
⃗ n , . . . , βm = am1 α ⃗ 1 + · · · + amn α ⃗ n son los vectores de V
linealmente independientes.

35. Sea V un espacio vectorial sobre el campo F .

Si {⃗ ⃗ n } es una base de V y c1 , . . . , cn ∈ F − {0}, entonces {c1 α
α1 , . . . , α ⃗ n } es una
⃗ 1 , . . . , cn α
base de V , interprete geométricamente para n = 3.

36. Sea {⃗e1 , . . . , ⃗en } la base canónica de Rn y

⃗ 1 = a11⃗e1
α
⃗ 2 = a21⃗e1 + a22⃗e2
α
..
.
⃗ n = an1⃗e1 + an2⃗e2 + · · · + ann⃗en
α

con aij ∈ R y aij ̸= 0, ∀i, j ∈ {1, . . . , n}, tal que i = j.

Pruebe que α ⃗ n generan a Rn .
⃗ 1, . . . , α

37. Sean α
⃗ 1, α ⃗ 3 ∈ R3 l.i, entonces α
⃗ 2, α ⃗1 + α ⃗1 + α
⃗ 2, α ⃗2 + α
⃗ 3, α ⃗ 3 son l.i.

38. Sea A = (aij )m×n una matriz triangular, es decir, aij = 0 si i > j y aii ̸= 0, ∀i, j ∈ {1, . . . , m}.
Demuestre que los renglones de A son l.i y si cualquier elemento de la diagonal es cero, entonces
los renglones son l.d.

39. Encuentre una base para el subespacio {(a, b, p, p) | a, b, p ∈ R} de R4 .

40. Demuestre que el conjunto de todas las soluciones del sistema

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

es un subespacio vectorial de R4 y encuentre una base para dicho subespacio.

41. ¿Para qué valores de k los vectores (3 − k, −1, 0), (−1, 2 − k, −1), (0, −1, 3 − k) generan un
subespacio de R3 de dimensión 2?

42. Demuestre que el conjunto {(1, 0, 1, 0), (0, 1, 0, 1)} ∈ R4 es l.i y extiéndalo a una base de
R4 .

80
Capı́tulo 2: ESPACIOS VECTORIALES 2.7: Ejercicios

43. Sean W1 , W2 , . . . , Wn sub espacios del espacio vectorial V y demuestre que

W1 + · · · + Wn = L (W1 ∪ · · · ∪ Wn )

44. Sea V un espacio vectorial sobre el campo F .

a) Si S1 y S2 son subespacios de V tales que S2 ⊂ S1 , pruebe que S1 ∩(S2 +S) = S2 +(S1 ∩ S)

para todo subespacio S de V .
n o
b) Si S1 , S2 y S3 son tres subespacios propios de V , tales que S1 ∩ (S2 + S3 ) = ⃗0 y
n o n o
S2 ∩ S3 = ⃗0 . Pruebe que S2 ∩ (S1 + S3 ) = ⃗0 .
n o
45. Encuentre dos subespacios S1 y S2 de R3 tales que S1 ∩ S2 = ⃗0 y S1 + S2 = R4 (lo mismo
para R4 ).

46. Sea V un espacio vectorial de dimensión n sobre el campo F . Pruebe

n o que si S es un subespacio
de V , entonces existe un subespacio R de V tal que S ∩ R = ⃗0 y S + R = V (R se llama
complemento de S). Demuestre que R no es único si S es un subespacio propio de V .

47. Sean S = {(0, y, z) | y, z ∈ Q} y T = {⃗

α = r(1, 2, 0) + s(3, 1, 2) | r, s ∈ Q}. Demuestre que
S y T son subespacios de Q3 considerando como espacio vectorial sobre Q y encuentre S ∩ T
y S + T.
   
48. Si S = L (⃗ ⃗ 2 ) y T = L β⃗1 , β⃗2 , β⃗3 , entonces S + T ⊂ L α
α1 + α ⃗ 2 , β⃗1 , β⃗2 , β⃗3 .
⃗ 1, α
   
⃗ + c2 β⃗ + c3⃗γ = {0} y c1 c3 ̸= 0, entonces L α
49. Si c1 α ⃗ , β⃗ = L β,
⃗ ⃗γ .

50. Encuentre dos subespacios S y T de V (ver ejercicio 2) con dim(S) = 2, tales que S ⊕ T = V .

51. Sea V un espacio vectorial sobre F .

a) Si A, B son subconjuntos de V , entonces:

i. A ⊂ B =⇒ L(A) ⊂ B.
ii. L (A ∪ B) = L(A) + L(B).
iii. L (L(A)) = L(A).
b) Si W1 , W2 , . . . , Wn son subespacios de V , entonces W1 +W2 +· · ·+Wn = L (W1 W2 · · · Wn ).

52. Sean U , W subespacios de R4 , tales que

L ((1, 0, 2, 3), (0, 1, −1, 2)) = U y L ((1, 2, 3, 4), (−1, −1, 5, 0)) = W

encuentre las dimensiones de U , W y U + W .

53. Si {⃗ ⃗ n } es una base del espacio vectorial V y U = L (⃗

α1 , . . . , α ⃗ k ), W = L (⃗
α1 , . . . , α ⃗ n ),
αk+1 , . . . , α
entonces V = U ⊕ W .

54. Sea V un espacio vectorial de dimensión n.

a) Si U , W son subespacios de V tales que U ⊂ W y dim(U ) = dim(W ), entonces U = W .

n o
b) Si U , W son subespacios de V tales que V = U ⊕ W y {⃗ ⃗ r }, β⃗1 , . . . , β⃗s son
α1 , . . . , α
n o
bases de U y W respectivamente, entonces α ⃗ r , β⃗1 , . . . , β⃗s es una base de V .
⃗ 1, . . . , α

81
Capı́tulo 2: ESPACIOS VECTORIALES 2.7: Ejercicios

n o
55. Sea α ⃗ 1 = (−1, 1, 2), construir dos bases {⃗ α1 , α ⃗ 1 , β⃗2 , β⃗3 para R3 y probar que si
⃗ 3 }, α
⃗ 2, α
n o
⃗ 3 ̸= k β⃗3 , ∀k ∈ R, entonces: α
α ⃗ 3 , β⃗3 es tambien una base de R3 .
⃗ 2, α

56. Considere V = Q3 como espacio vectorial sobre Q y sean U = {(0, y, z) | y, z ∈ Q}, W =

{a(1, 2, 0) + b(3, 1, 2) | a, b ∈ Q}. Demuestre que U y W son subespacios de V y encuentre
U ∩ W y U + W.

57. Sea V un espacio vectorial sobre F , Sn un ⃗ , β⃗ ∈ V tales que β⃗ ∈

o subespacio de V y α / S y
⃗
β = L (S ∪ {⃗
α}), entonces α
⃗ ∈L S∪ β . ⃗

82
Capı́tulo 3

TRANSFORMACIONES LINEALES

Definición 3.0.1. Sean (V, +, ·), (W, +, ·) dos espacios vectoriales sobre el campo C.
Una función T : V −→ W se dice una transformación lineal (o también aplicación lineal) si
cumple:
   
α, β⃗ ∈ V , T α
1. ∀⃗ α) + T β⃗ .
⃗ + β⃗ = T (⃗

2. ∀⃗
α ∈ V , T (k · α
⃗ ) = k · T (⃗
α).

Ejercicio:
α, β⃗ ∈ V y
Sea T : V −→ W una función. T es una transformación lineal si y solo si ∀⃗
∀r, s ∈ C se cumple    
T r·α ⃗ + s · β⃗ = rT (⃗
α) + sT β⃗

Proposición 3.0.1:
Sean V , W un espacio vectorial sobre el campo C y sea T : V −→ W U transformación lineal,
entonces

1. Si α ⃗ n ∈ V y k1 , . . . , kn ∈ C, entonces
⃗ 1, . . . , α

T (k1 · α
⃗ + · · · + kn α
⃗ n ) = k1 · T (⃗
α1 ) + · · · + kn · T (⃗
αn )

2. ∀⃗
α ∈ V , T (−⃗
α) = −T (⃗
α).
 
3. T ⃗0 = ⃗0.

4. Si α ⃗m es una base para V y conocemos T (⃗

⃗ 1, . . . , α α1 ), . . . , T (⃗
αm ), entonces podemos
conocer T β⃗ , para toda β⃗ ∈ V .

Demostración.

1. Se deja como ejercicio al lector (utilice inducción).

83
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.1: Núcleo e imagen

2. Sea α
⃗ ∈ V , entonces −⃗
α = (−1)⃗
α. Se sigue que

T (−⃗
α) = T (−1)⃗
α)
= (−1)T (⃗
α)
= −T (⃗
α)

3. Sea ⃗0 ∈ V , entonces ⃗0 = 0 · ⃗0. Se sigue que

   
T ⃗0 = T 0 · ⃗0
 
= 0 · T ⃗0
= ⃗0

4. Sean α ⃗ m una base para V y sea β⃗ ∈ V , entonces ∃k1 , . . . , km ∈ C tales que

⃗ 1, . . . , α
 
T β⃗ = T (k1 · α
⃗ 1 + · · · + km α
⃗ m)
= k1 · T (⃗
α1 ) + · · · + km · T (⃗
αm )

Ejemplo:
Sean V , W dos espacios vectoriales sobre el campo C.
1. La función I : V −→ V tal que ∀⃗
α ∈ V , I(⃗
α) = α
⃗ es una transformación lineal y se dice la
transformación identidad.

2. La funcion O : V −→ W definida por ∀⃗

α ∈ V , O(⃗
α) = ⃗0 es una transformación lineal y se
llama la transformación cero.
Demostración.
⃗ , β⃗ ∈ V , r, s ∈ C y
1. Sean α
   
⃗ + s · β⃗ = r · α
I r·α ⃗ + s · β⃗ = r · I(⃗
α) + s · I β⃗

⃗ , β⃗ ∈ V , r, s ∈ C y
2. Sean α
   
⃗ + s · β⃗ = ⃗0 = r · O(⃗
O r·α α) + s · O β⃗

3.1. Núcleo e imagen

Proposición 3.1.1:
Sean V , W espacios vectoriales sobre el campo C y sea T : V −→ W una transformación
lineal. Definimos n o
KerT := α ⃗ ∈ V | T (⃗
α) = ⃗0

84
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.1: Núcleo e imagen

y n o
ImT := β⃗ ∈ W | ∃⃗ α) = β⃗
α ∈ V tal que T (⃗
donde KerT se llama el kernel o núcleo de T , y es un subespacio de V .

ImT se dice la imagen de T y es un subespacio de W .

Si {⃗ ⃗ n } es una base para V , entonces

α1 , . . . , α

ImT = L T (⃗
α1 ), . . . , T (⃗
αn )

Demostración.
n o
1. Sea KerT := α
⃗ ∈ V | T (⃗
α) = ⃗0 .

Tenemos que T (⃗0) = ⃗0 =⇒ ⃗0 ∈ KerT .

   
⃗ , β⃗ ∈ KerT , T α
Sean α ⃗ + β⃗ = T (⃗
α) + T β⃗ = ⃗0 + ⃗0 = ⃗0 =⇒ α
⃗ + β⃗ ∈ KerT .
Sea α
⃗ ∈ KerT , l ∈ C, T (l · α
⃗ ) = l · T (⃗
α) = l · ⃗0 = ⃗0 =⇒ l · α
⃗ ∈ KerT .
n o
2. Sea ImT := β⃗ ∈ W | ∃⃗ α) = β⃗ .
α ∈ V tal que T (⃗
 
T ⃗0 = ⃗0 =⇒ ⃗0 ∈ ImT .

β⃗1 , β⃗2 ∈ ImT =⇒ ∃⃗ α1 ) = β⃗1 y T (⃗

⃗ 2 ∈ V tal que T (⃗
α1 , α α2 ) = β⃗2 . Entonces

β⃗ + β⃗2 = T (⃗
α1 ) + T (⃗
α2 ) = T (⃗
α1 + α
⃗ 2)

β⃗ ∈ ImT , s ∈ C =⇒ ∃⃗
α ∈ V tal que T (⃗ ⃗ entonces
α) = β,

s · β⃗ = s · T (⃗ ⃗ ) =⇒ s · β⃗ ∈ ImT
α) = T (s · α

3. Tenemos que {⃗ ⃗ n } es base de V .

α1 , . . . , α
Sea β⃗ ∈ ImT =⇒ ∃⃗ ρ ∈ V tal que T (⃗ ⃗ entonces ∃s1 , . . . , sm ∈ C tal que
ρ) = β,

⃗ = s1 α
ρ ⃗ + · · · + sm α
⃗m

Se sigue que
T (⃗
ρ) = s1 · T (⃗
α1 ) + · · · + sm · T (⃗
αm )
y
β⃗ ∈ L T (⃗
α1 ), . . . , T (⃗
αm )

Ejemplo:
Demuestre que la función T : R2 −→ R2 definida como T (x, y) = (2x − 3y, x + y) es una
transformación lineal. Además, encuentre KerT y ImT .
Solución.

85
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.1: Núcleo e imagen

Sea α
⃗ 1 = (x1 , y1 ), α
⃗ 2 = (x2 , y2 ), r, s ∈ R. Entonces
 
⃗ + s · β⃗ = T (rx1 , ry1 ) + (sx2 , sy2 )


T r·α
= T (rx1 + sx2 , ry1 + sy2 )

= 2(rx1 + sx2 ) − 3(ry1 + sy2 ), rx1 + sx2 + ry1 + sy2 )

= r(2x1 − 3y1 ) + s(2x2 − 3y2 ), r(x1 + y1 ) + s(x2 + y2 )

= r · (2x1 − 3y1 , x1 + y1 ) + s · (2x2 − 3y2 , x2 + y2 )

= r · T (⃗
α1 ) + s · T (⃗
α2 )

Encontremos KerT .
Sea α
⃗ = (x, y) ∈ KerT , entonces

T (⃗
α) = (0, 0) =⇒ (2x − 3y, x + y) = (0, 0)

se sigue que
) ! ! )
2x + 3y = 0 2 −3 1 1 x+y =0 x=0
=⇒ → =⇒ =⇒
x+y =0 1 1 0 −5 −5y = 0 y=0
n o
∴ KerT = ⃗0 .

Encontremos ImT .
Nótese que {⃗e1 = (1, 0), ⃗e2 = (0, 1)} es base de R2 .
Entonces ImT = L (T (⃗e1 ), T (⃗e2 )), entonces

T (⃗e1 ) = (2, 1)
T (⃗e2 ) = (−3, 1)

Por lo que ImT = L (2, 1), (−3, 1) = R2 .

Nótese también que {(2, 1), (−3, 1)} son l.i y es una base para R2 .

Proposición 3.1.2:
Sean V , W dos espacios vectoriales sobre el campo C. Sea {⃗ ⃗ n } una base para V .
α1 , . . . , α
Si β⃗1 , . . . , β⃗n son vectores arbitrarios de W , entonces existe una única transformación lineal
T : V −→ W tal que ∀i ∈ {1, . . . , n}, T (⃗ α) = β⃗i .

Demostración.
Sea {⃗ ⃗ n } una base para V . Sea α
α1 , . . . , α ⃗ ∈ V , entonces ∃k1 , kn ∈ C únicos tales que
⃗ = k1 α
α ⃗ 1 + · · · + kn α
⃗n
α) = k1 β⃗1 + · · · + kn β⃗n .
Definamos la función T : V −→ W por T (⃗
Sea i ∈ {1, . . . , n}, T (⃗ ⃗
αi ) = βi .
1. Veamos que T es una transformación lineal.
n n
⃗ , β⃗ ∈ V =⇒ ∃s1 , . . . , sn , r1 , . . . , rn ∈ C tales que α
Sea α ⃗= ⃗ i y β⃗ = rj β⃗j .
X X
si α
i=1 j=1

86
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.1: Núcleo e imagen

Sea p, q ∈ C
n
!
 
⃗ + q · β⃗ = T (p · sl + q · rl )⃗
X
T p·α αl
l=1
n
!
= (p · sl + q · rl )β⃗l
X

l=1
n n
=p sl β⃗ + q rl β⃗
X X

l=1 l=1
 
α) + q · T β⃗
= p · T (⃗

2. Supongamos que existe L : V −→ W transformación lineal tal que ∀i ∈ {1, . . . , n} se

cumple L(⃗αi ) = β⃗i .
⃗
Sea θ ∈ V =⇒ ∃a1 , . . . , an ∈ C tales que
n
θ⃗ =
X
ai α
⃗i
i=1

luego
  n
T θ⃗ = al β⃗l
X

l=1
y
  n n
L θ⃗ = αi ) = ai β⃗i
X X
ai L(⃗
i=1 i=1
   
Por lo que ∀θ⃗ ∈ V , T θ⃗ = L θ⃗ .
Por lo tanto, L = T .

Ejercicio:
Encuentre una aplicación lineal T : R3 −→ R2 tal que T (⃗e1 ) = (1, 2), T (⃗e2 ) = (1, −1),
T (⃗e3 ) = (1, 1). Además, encuentre KerT , ImT y una base para cada una de estos subespacios.

Solución.
Sabemos que {⃗e1 , ⃗e2 , ⃗e3 } es base de R3 , entonces {(1, 2), (1, −1), (1, 1)} ⊂ R2 .
Sea α
⃗ ∈ R3 , tenemos
⃗ = (a, b, c) = a⃗e1 + b⃗e2 + c⃗e3
α
se sigue que

T (⃗
α) = aT (⃗e1 ) + bT (⃗e2 ) + cT (⃗e3 )
= a(1, 2) + b(1, −1) + c(1, 1)
= (a + b + c, 2a − b + c)

Por lo que Im = L (T (⃗e1 ), T (⃗e2 ), T (⃗e3 )) y ImT = L (1, 2), (1, −1), (1, 1) .

Entonces ImT ⊂ R2 y una base para ImT es {(1, 2), (1, 1)} (puede ser cualquier par).

87
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.1: Núcleo e imagen

Encontremos KerT .
Sea (a, b, c) ∈ KerT =⇒ T (a, b, c) = (0, 0). Ası́ pues

a(1, 2) + b(1, −1) + c(1, 1) = (a + b + c, 2a − b + c)

y ) ! ! )
a+b+c=0 1 1 1 1 1 1 a+b+c=0
=⇒ → =⇒
2a − b + c = 0 2 −1 1 0 −3 −1 −3b − c = 0
c 2
Entonces b = − y a = − c.
3  3
2 1
 
Por lo tanto, S = − c, − c, c | c ∈ R .
3 3
2 1
  
Por lo tanto, KerT = − c, − c, c | c ∈ R y una base serı́a {(−2, −1, 3)}.
3 3

Ejercicio:
Encuentre una aplicación lineal definida T : R4 −→ R3 cuya imagen esté generada por
(1, 0, 3) y (2, 1, 0).

Solución.  
Sea {⃗e1 , ⃗e2 , ⃗e3 , ⃗e4 } bases de R4 , entonces L ⃗0, (1, 0, 3), (2, 1, 0), ⃗0 = ImT .
Por lo que

T (⃗e1 ) = ⃗0
T (⃗e2 ) = (1, 0, 3)
T (⃗e3 ) = (2, 1, 0)
T (⃗e4 ) = ⃗0

Se sigue que

(a, b, c, d) = a⃗e1 + b⃗e2 + c⃗e3 + d⃗e4

= a⃗0 + b(1, 0, 3) + c(2, 1, 0) + d⃗0
= (b + 2c, c, 3b)

Entonces ImT = L (1, 0, 3), (2, 1, 0) .

Encontremos KerT .
Sea (a, b, c, d) ∈ KerT =⇒ T (a, b, c, d) = (0, 0, 0). Ası́ pues

T (a, b, c, d) = (b + 2c, c, 3b) = (0, 0, 0)

entonces b = c = 0 y KerT = {(a, 0, 0, d) | a, d ∈ R}.

La base para el kernel serı́a {(1, 0, 0, 0), (0, 0, 0, 1)}.

n oConsidere la transformación lineal O : V −→ W ∀⃗

Observación 3.1.1. α ∈ V . Entonces O(⃗
α) = ⃗0,
KerO = V , ImO = ⃗0 .

88
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.1: Núcleo e imagen

Proposición 3.1.3:
Sean V , W espacios vectoriales sobre C y sea T : V −→ W una transformación lineal,
entonces
dim(V ) = dim(KerT ) + dim(ImT )

Demostración.
Sea dim(V ) = n.
n o
1. Si T = O, entonces KerT = V y ImT = ⃗0 . Ası́ pues

dim(V ) = n + 0
= dim(KerT ) + dim(ImT )

2. Supongamos que T ̸= O.
Si T ̸= O =⇒ KerT es un subespacio propio del dominio de T .
Sea {⃗ ⃗ m } una base para KerT , donde m < n.
α1 , . . . , α
Entonces
n {⃗ ⃗ m } ⊂ V es l.i.
α1 , . . . , α o
Sea α ⃗ m , β1 , . . . , β⃗n−m una base para V .
⃗ 1, . . . , α ⃗
    
Sabemos que ImT = L T (⃗ αm ), T β⃗1 , . . . , T β⃗n−m .
α1 ), . . . , T (⃗
    
Entonces ImT = L T β⃗1 , . . . , T β⃗n−m .
n    o
Veamos que T β⃗1 , . . . , T β⃗n−m es una base para ImT .
n    o
Ya tenemos que T β⃗1 , . . . , T β
⃗n−m genera a ImT .
n    o
Probemos que T β⃗1 , . . . , T β⃗n−m es l.i.
Sean a1 , . . . , an−m ∈ C tales que
   
a1 T β⃗1 + · · · + an−m T β⃗n−m = ⃗0
 
T a1 β⃗1 + · · · + an−m β⃗n−m = ⃗0

Se sigue que
a1 β⃗1 + · · · + an−m β⃗n−m ∈ KerT
entonces existen b1 , . . . , bm ∈ C tales que

a1 β⃗1 + · · · + an−m β⃗n−m = b1 α

⃗ 1 + · · · + bm α
⃗m

entonces a1 = · · · = an−m = 0 y dim(ImT ) = n − m.

Por lo tanto,

n = dim(V ) = m + (n − m)
= dim(KerT ) + dim(ImT )

89
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.2: Operaciones con transformaciones lineales

3.2. Operaciones con transformaciones lineales

Definición 3.2.1. Sean (V, +, ·), (W, +, ·) dos espacios vectoriales sobre el campo C. Sea

L(V, W ) : {T : V −→ W | T es una transformación lineal}

Para T1 , T2 ∈ L(V, W ), definimos, dado α

⃗ ∈ V , la función T1 + T2 : V −→ W por

(T1 + T2 )(⃗
α) = T1 (⃗
α) + T2 (⃗
α)

Proposición 3.2.1:
T1 + T2 ∈ L(V, W ).

Demostración.
     
⃗ + s · β⃗ = T1 r · α
(T1 + T2 ) r · α ⃗ + s · β⃗ + T2 r · α
⃗ + s · β⃗
   
α) + s · T1 β⃗ + r · T2 (⃗
= r · T1 (⃗ α) + s · T2 β⃗
h    i
= r [T1 (⃗ α)] + s T1 β⃗ + T2 β⃗
α) + T2 (⃗
 
α) + s(T1 + T2 ) β⃗
= r(T1 + T2 )(⃗

Ya que T1 , T2 ∈ L(V, W ) =⇒ T1 + T2 ∈ L(V, W ).

Por lo tanto, + es una operación definida sobre L(V, W ).

Proposición 3.2.2:

1. + es asociativa.

2. ∀T1 , T2 ∈ L(V, W ), se cumple T1 + T2 = T2 + T1 .

3. ∀T ∈ L(V, W ), se tiene T + O = T .

4. Dada T
∈ L(V, W ), definimos −T : V −→ W como la función dada ∀⃗

α ∈ V , −(T )(⃗
α) =
− T (⃗
α) . Tenemos que −T ∈ (V, W ) y además, T + (−T ) = O.

Demostración.

1. Sea α
⃗ ∈V.

[(T1 + T2 ) + T3 ] (⃗
α) = (T1 + T2 )(⃗
α) + T3 (⃗
α)
= T1 (⃗
α) + T2 (⃗
α) + T3 (⃗
α)

= T1 (⃗
α) + T2 (⃗
α) + T3 (⃗
α)

= T1 (⃗
α) + (T2 + T3 )(⃗
α)
= T1 + (T2 + T3 ) (⃗
α)

2. Se deja como ejercicio al lector.

90
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.2: Operaciones con transformaciones lineales

3. Se deja como ejercicio al lector.

4. La demostración −(T )(⃗

α) = − T (⃗
α) se deja como ejercicio al lector.

Se demostrará T + (−T ) = O.
Sea α
⃗ ∈V

T + (−T ) (⃗
α) = T (⃗
α) + (−T )(⃗
α)

= T (⃗
α) − T (⃗
α)
= ⃗0

Proposición 3.2.3:
Sean V , W espacios vectoriales sobre C. Sea dim(V ) = m y dim(W ) = n, entonces

dim L(V, W ) = m · n

Demostración. n o
Sea {⃗ ⃗ m } una base para V y sea β⃗1 , . . . , β⃗n una base para W .
α, . . . , α
Dado i ∈ {1, . . . , m} y j ∈ {1, . . . , n} definimos la función Tij : V −→ W por
(
β⃗j si i = k
Tij (⃗
α) := ⃗0 para k ∈ {1, . . . , m}
si i =
̸ k

Como {⃗ ⃗ m } es una base para V , entonces Tij ∈ L(V, W ), y además, es la única

α1 , . . . , α
transformación lineal tal que Tij (⃗ αi ) = β⃗j y Tij (⃗
αk ) = ⃗0 si i ̸= k.

Veamos que B = {Tij | i ∈ {1, . . . , m}, j ∈ {1, . . . , n}} es una base para L(V, W ).
Sea T ∈ L(V, W )

α1 ) = a11 β⃗1 + a12 β⃗2 + · · · + a1n β⃗n

T (⃗
α2 ) = a21 β⃗1 + a22 β⃗2 + · · · + a2n β⃗n
T (⃗
..
.
αm ) = am1 β⃗1 + am2 β⃗2 + · · · + amn β⃗n
T (⃗

Sea k ∈ {1, . . . , m}, α

⃗k
 
m X
n m X
n
aij Tij (⃗
αk ) = aij Tij (⃗
αk )
X X
 
i=1 j=1 i=1 j=1
n
= akj Tkj (⃗
αk )
X

j=1
n
= akj β⃗j
X

j=1

= T (⃗
αk )

Por lo tanto, L(B) = L(V, W ).

91
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.2: Operaciones con transformaciones lineales

Veamos que B es l.i.

m X
n
Sean bij ∈ C, i ∈ {1, . . . , m}, j ∈ {1, . . . , n}; bij Tij = O.
X

i=1 j=1
Sea k ∈ {1, . . . , m}

⃗0 = O(⃗
α)
 
m X
n
= bij Tij  (⃗
αk )
X

i=1 j=1
m X
n
= bij Tij (⃗
α)
X

i=1 j=1
n
= bkj Tkj (⃗
αk )
X

j=1
n
= bkj β⃗j
X

j=1

= bk1 β⃗1 + bk2 β⃗2 + · · · + bkn β⃗n

por lo que bk1 = bk2 = · · · = bkn = 0, ∀k ∈ {1, . . . , n}.

Por lo tanto, B es l.i.
Luego

dim L(V, W ) = m · n

= dim(V ) · dim(W )

Definición 3.2.2. Sean V , W , U espacios vectoriales sobre el campo C. Sea T ∈
L(V, U ) y

S ∈ L(U, W ), entonces la función S ◦ T : V −→ W definida por (S ◦ T )(⃗
α) = S T (⃗
α) , para toda
⃗ ∈ V es una transformación lineal.
α

Demostración.
Se demostrará que la anterior función es una transformación lineal.
⃗ , β⃗ ∈ V , r, s ∈ C, entonces
Sean α
    
α + sβ⃗ = S T r⃗
(S ◦ T ) r⃗ α + sβ⃗
  
α) + sT β⃗
= S rT (⃗
  
α) + sS T β⃗
= rS T (⃗


 
α) + s(S ◦ T ) β⃗
= r(S ◦ T )(⃗

Definición 3.2.3. Sea V un espacio vectorial sobre el campo C. Si T : V −→ V es una transfor-

mación lineal, diremos que T es un operador lineal definido sobre V .

92
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.2: Operaciones con transformaciones lineales

Notación:
Si T ∈ L(V, V ), denotaremos a T ◦ T por T 2 , luego T ◦ T 2 = T 3 .
Es decir, para n > 2, T ◦ T n−1 = T n .

Proposición 3.2.4:
Sea T una transformación lineal y S, R ∈ L(V, U ), entonces T ◦ (S + R) = T ◦ S + T ◦ R.

Demostración.
Sea α
⃗ ∈V

T ◦ (S + R) (⃗
α) = T (S + R)(⃗
α)

= T S(⃗
α) + R(⃗
α)

= T S(⃗
α) + T (R(⃗
α)

= (T ◦ S)(⃗
α) + (T ◦ R)(⃗
α)
= (T ◦ S + T ◦ R)(⃗
α)

Tarea:
Se deja como ejercicio al lector verificar si se cumple la siguiente propiedad:

(S + R) ◦ T = S ◦ T + R ◦ T

y decidir en dónde pertenece T , S, R; es decir:

S ∈ L( , )
R ∈ L( , )
T ∈ L( , )

Proposición 3.2.5:
Sea T ∈ L(U, W ), S ∈ L(V, U ) y k ∈ C, entonces k · (T ◦ S) = (k · T ) ◦ S = T ◦ (k · S).

Demostración.
Sea α
⃗ ∈V

k · (T ◦ S) (⃗
α) = k · (T ◦ S)(⃗
α)

 


= k · T S(⃗
α)
= (k · T ) S(⃗
α)

= (k · T ) ◦ S (⃗
α)

La otra igualdad se propone como ejercicio al lector.

93
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.2: Operaciones con transformaciones lineales

Recordatorio.
Sean A, B conjuntos y f : A −→ B una función

1. f es inyectiva si dados a, b tales que f (a) = f (b), entonces se tiene a = b.

2. f es suprayectiva si dado b ∈ B, existe a ∈ A tal que f (a) = b.

3. f es biyectiva si es inyectiva y suprayectiva.

Si f : A −→ B es biyectiva, entonces podemos definir una función g : B −→ A, dado b ∈ B,

tenemos que existe un único a ∈ A tal que f (a) = b.

Sea g(b) = a.
A g se le dice la inversa de la función f y se escribe como f −1 . Además:

f ◦ f −1 = B −→ B
f −1 ◦ f = A −→ A

(f ◦ f −1 )(b) = b
(f −1 ◦ f )(a) = a

Definición 3.2.4. Sean V , W dos espacios vectoriales sobre el campo C. Sea T ∈ L(V, W ), T
se dice no singular si dado α
⃗ ∈ V tal que T (⃗
α) = ⃗0, se tiene que α
⃗ = ⃗0. En caso contrario, T se
dice ser singular.

Proposición 3.2.6:
Sea T ∈ L(V, W ), entonces los siguientes enunciados son equivalentes:

1. T es inyectiva.

2. T es no singular.
n o
3. KerT = ⃗0 .

Demostración.

1) ⇒ 2) Sea α
⃗ ∈V tal que T (⃗
  α) = ⃗0.  
Como T ⃗0 = ⃗0, tenemos que T (⃗
α) = T ⃗0 , entonces α
⃗ = ⃗0.
 
2) ⇒ 3) Sea β⃗ ∈ KerT =⇒ T β⃗ = ⃗0.
n o
Entonces β⃗ = ⃗0 =⇒ KerT = ⃗0 .
   
⃗ , β⃗ ∈ V tales que T (⃗
3) ⇒ 1) Sean α α) = T β⃗ , entonces T (⃗
α) − T β⃗ = ⃗0.
Entonces α ⃗ − β⃗ ∈ KerT =⇒ α ⃗ − β⃗ = ⃗0 =⇒ α ⃗
⃗ = β.

94
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.2: Operaciones con transformaciones lineales

Proposición 3.2.7:
Sea T ∈ L(V, W ). T es no singular si y solo si T aplica a cada subconjunto l.i de V sobre un
subconjunto l.i de W .

Demostración.

⇒) Supongamos que T es no singular.

Sea S ⊂ V l.i, sean α ⃗ n ∈ S y sean a1 , . . . , an ∈ C
⃗ 1, . . . , α

a1 T (⃗
α1 ) + · · · + an T (⃗
αn ) = ⃗0
T (a1 α
⃗ 1 + · · · + an α
⃗ n ) = ⃗0

Se sigue que
n o
⃗ 1 + · · · + an α
a1 α ⃗ n ∈ KerT = ⃗0
⃗ 1 + · · · + an α
a1 α ⃗ n = ⃗0

entonces a1 = · · · = an = 0.

⇐) Sea α
⃗ ∈V, α ⃗ ̸= ⃗0.
α} es l.i, entonces {T (⃗
{⃗ α)} es l.i.
Entonces T (⃗ α) ̸= ⃗0 =⇒ T es no singular.

Proposición 3.2.8:
Swan V , W espacios vectoriales sobre el campo C tales que dim(V ) = dim(W ).
Sea T ∈ L(V, W ), entonces las siguientes afirmaciones son equivalentes:

1. T es invertible.

2. T es no singular.

3. T es inyectiva.

Demostración.

1) ⇒ 2) T es biyectiva, entonces T es inyectiva, entonces T es no singular.

n o
2) ⇒ 3) T es no singular, entonces KerT = ⃗0 , entonces dim(KerT ) = 0.
Pero dim(V ) = dim(ImT ) + dim(KerT ), entonces dim(V ) = dim(ImT ) = dim(W ).
Pero ImT es un subespacio de W , entonces ImT = W .
Sea β⃗ ∈ W =⇒ β⃗ ∈ ImT =⇒ ∃⃗ α) = β⃗ =⇒ T es suprayectiva.
α ∈ V tal que T (⃗
3) ⇒ 1) Como T es suprayectiva, entonces W = ImT y

dim(V ) = dim(ImT ) + dim(KerT )

= dim(W )
n o
Ası́ pues, dim(KerT ) = 0 =⇒ KerT = ⃗0 =⇒ T es inyectiva.

95
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.2: Operaciones con transformaciones lineales

Ejemplo:
Sea C un campo y sean Ars ∈ M2×3 (C) con r ∈ {1, 2} y s ∈ {1, 2, 3}
! ! !
1 0 0 0 1 0 0 0 1
A11 = ; A12 = ; A13 =
0 0 0 0 0 0 0 0 0
! ! !
0 0 0 0 0 0 0 0 0
A21 = ; A22 = ; A23 =
1 0 0 0 1 0 0 0 1
entonces Ars = (aij )2×3 y (
1 si i = r y j = s
aij =
0 si i ̸= r o j ̸= s
Pruebe que B = {Ars | r ∈ {1, 2}, s ∈ {1, 2, 3}} es una base para M2×3 (C).
Solución.
Probemos que es generador.
Sea Z = (zij )2×3 ∈ M2×3 (C), entonces
!
z11 z12 z13
= z11 A11 + z12 A12 + z13 A13 + z21 A21 + z22 A22 + z23 A23
z21 z21 z23

entonces L(B) = M2×3 (C).

Probemos que es l.i.

Sea
x11 A11 + x12 A12 + x13 A13 + x21 A21 + x22 A22 + x23 A23 = O2×3
entonces !
x11 x12 x13
= O2×3
x21 x21 x23

Por lo que dim M2×3 (C) = 2 × 3 = 6.

Ejercicio:
Sean m, n ∈ N y sean Ars ∈ Mm×n (C), Ars = (aij )m×n y
(
1 si i = r y j = s
aij =
0 si i ̸= r o j ̸= s

Demuestre que B = {Ars | r ∈ {1, . . . , m}, s ∈ {1, . . . , n}} es una base para Mm×n (C).

96
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.3: Rango de una matriz

3.3. Rango de una matriz

Notación:
Sea A ∈ Mm×n (C), A = (aij )m×n y sea i ∈ {1, . . . , n}.
Denotaremos a los elementos del renglón i-ésimo por
⃗ i = (ai1 , a12 , . . . , ain ) ∈ C n
R

No hay que confundir con el renglón i-ésimo de una matriz (observación 1.1.1), ya que son
cosas totalmente diferentes.
Análogamente, sea j ∈ {1, . . . , n}
⃗ j = (a1j , a2j , . . . , amj ) ∈ C m
C

Definición 3.3.1. Sean n o

RA := R
⃗ 1, . . . , R
⃗ m ⊂ Cn

y análogamente n o
CA := C
⃗ 1, . . . , C
⃗n ⊂ Cm

Al espacio L(RA ) le llamaremos el espacio renglón de A.

Análogamente, al espacio L(CA ) le llamaremos el espacio columna de A.

Ejemplo:
2 1
 

Sea A = 6 −1, se sigue que

 
0 4

RA = {(2, 1), (6, −1), (0, 4)} ⊂ R2

análogamente
CA = {(2, 6, 0), (1, −1, 4)} ⊂ R3

Definición 3.3.2. La dimensión del espacio renglón de A, se dice el rango renglón de A.

Definición 3.3.3. La dimensión del espacio columna de A, se dice el rango columna de A.

Observación 3.3.1. Si A = (aij )m×n y aplicamos operaciones al renglón i-ésimo de A, tenemos

Ri ↔Rj
O1 ) A −−−−→ B.
R →kR
O2 ) A −−i−−−→
i
B.
Ri →Ri +kRj
O3 ) A −−−−−−−−→ B.

97
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.3: Rango de una matriz

con las restricciones dadas en la sección 1.4.

Entonces
L(RB ) ⊂ L(RA )
Análogamente si se tiene que B −→ A, entonces

L(RA ) ⊂ L(RB )

luego, L(RA ) = L(RB ).

Si E es una matriz escalonada (incluso puede ser una matriz escalonada reducida), y A −→ E,
se sigue que
L(RA ) = L(RB )

Proposición 3.3.1:
Matrices equivalentes tienen el mismo espacio renglón.

Corolario 3.3.1. Matrices equivalentes tienen el mismo rango renglón.

Proposición 3.3.2:
Los renglones distintos del vector cero de una matriz escalonada son l.i.

Demostración.
Sea E = (eij )m×n una matriz escalonada.
Sean R1 , . . . , Rk los renglones de E que tienen al menos una componente distinta de cero.

Veamos que R1 , . . . , Rk son l.i.

Supongamos que Rk , . . . , R1 son l.d.
Entonces existe t ∈ N tal que 1 ≤ t < k tal que Rt es una combinación lineal de los vectores
anteriores a él. Por tanto
Rt = at+1 Rt+1 + · · · + ak Rk
y
Rt = (et1 , . . . , etn ) = O ←− renglón cero
Sea etj la primer componente de Rt con etj ̸= 0

Rt+1 et+1 = 0
Rt+2 et+2 = 0
..
.
Rk ekj = 0

Tenemos que
Rt = at+1 + · · · + ak Rk
entonces e(t+1)j = e(t+2)j = · · · = ekj = 0 y

0 0 0
etj = at+1
e(t+1)j + at+2
e(t+2)j + · · · + ak
ekj

98
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.3: Rango de una matriz

entonces etj = 0.

Por lo tanto, no existe t ∈ N, donde 1 ≤ t < k tal que Rt es combinación lineal de

los vectores anteriores a él.

Entonces R1 , . . . , Rk son l.i.

Definición 3.3.4. Si A ∈ Mm×n (C) y E es una matriz escalonada (o escalonada reducida) tal
que A −→ E, entonces el número de renglones distintos del renglón cero de E es el rango renglón
de A.

Nota:
¿Cómo obtener el rango columna de una matriz A?

Si tenemos que E y F son matrices escalonadas y

A −→ E
AT −→ F

El número de renglones distintos del renglón cero de F es el rango renglón de AT y el rango

renglón de AT es el rango columna de A.

Proposición 3.3.3:
Sea A = (aij )m×n , entonces el rango renglón de A y el rango columna de A son iguales.

Demostración.
Sea A = (aij )m×n , i ∈ {1, . . . , m}; R ⃗ i = (ai1 , ai2 , . . . , ain ).
Supongamos que el rango renglón de A es r.
Supongamos que S ⃗1 = (bi1 , bi2 , . . . , bin ), . . . , S
⃗n = (br1 , br2 , . . . , brn ) forman una base para
el espacio renglón de A.
Luego para i ∈ {1, . . . , m} existen ki1 , . . . , kir ∈ C tales que
⃗ i = ki1 S
R ⃗1 + · · · + kir S
⃗r

Sea j ∈ {1, . . . , n} y aij = ki1 b1j + · · · + kir brj , se sigue que

k11 b1j + k12 b2j + · · · + k1r brj

   
a1j
 2j   21 b1j + k22 b2j + · · · + k2r brj
a k
   
 . =

 .   .. 
 .   .


amj km1 b1j + km2 b2j + · · · + kmr brj
     
k11 k12 k1r

k
 21 
 
k
 22 
 
k
 2r 

= b1j  .  + b2j  .  + · · · + brj  . 
 ..   ..   .. 
    

km1 km2 kmr

99
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.4: Matrices y operadores lineales

Sea

Z1 = (k11 , k21 , . . . , km1 )

Z2 = (k21 , k22 , . . . , km2 )
..
.
Zr = (k1r , k2r , . . . , kmr )

entonces L(CA ) = L(Z1 , . . . , Zr ).

Por lo que

rango columna de A ≤ rango renglón de A

Al considerar AT , obtenemos que

rango renglón de A ≤ rango columna de A

entonces

rango renglón de A = rango columna de A

Corolario 3.3.2. Sea A ∈ Mn×n (C) tal que su rango es n, entonces A es invertible.

3.4. Matrices y operadores lineales

3.4.1. Vectores coordenadas

Definición 3.4.1. Sea V un espacio vectorial sobre el campo C y sea B = {⃗ ⃗ n } una base
α1 , . . . , α
para V . Dado α
⃗ ∈ V , existen a1 , . . . , an ∈ C únicos tales que

⃗ = a1 α
α ⃗ 1 + · · · + an α
⃗n

donde  
a1
 a2 
 
⃗ =
α  .. 

 . 
an
 
a1
 a2 
 
Al vector columna 
 ..  lo llamaremos vector coordenada de α
 ⃗ respecto a la base B y se escribe
 . 
an
[⃗
α]B .

100
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.5: Ejercicios

3.5. Ejercicios
1. Determine cuáles de las siguientes aplicaciones T son lineales.

a) Sea T : R2 −→ R2 definida por T (x, y) = (sen x, y).

b) Sea T : R2 −→ R2 definida por T (x, y) = (y, x).
c) Sea T : R2 −→ R2 definida por T (x, y) = (ky, kx + ky) con k ∈ R.
d) Sea T : R2 −→ R2 definida por T (x, y) = (x cos θ − y sen θ, x sen θ + y cos θ).
e) Sea T : R2 −→ R2 definida por T (x, y) = (1 + x, y).
f ) Sea T : R2 −→ R2 definida por T (x, y) = (2x − 3y, x + y).
g) Sea T : R2 −→ R2 definida por T (x, y) = (5x + y, 3x − 2y).
h) Sea T : R3 −→ R3 definida por T (x, y, z) = (2x − 2y − 4z, 3x + y + 4z, 6x − 8y + z).
i) Sea T : R3 −→ R3 definida por T (x, y, z) = (x − 2y, x + 3z, y − z).
j) Sea T : R3 −→ R3 definida por T (x, y, z) = (x + 2y − z, y + z, x + y − 2z).
k) Sea T : R3 −→ R3 definida por T (x, y, z) = (2x + y − z, 3x − 2y + 4z, 0).
l) Sea T : R3 −→ R3 definida por T (x, y, z) = (2x + y, y − z, x + y + z).
m) Sea T : R3 −→ R3 definida por T (x, y, z) = (x, y, z − 2).
n) Sea T : R4 −→ R2 definida por T (x, y, z, w) = (3x − 2y − z − 4w, x + y − 2z − 3w).
ñ) Sea T : R2 −→ R definida por T (x, y) = ax + by con a, b ∈ R.

Sea P el espacio vectorial de todos los polinomios con coeficientes reales de grado ≤ 2.
o) Sea T : P −→ P definida por T a0 + a1 x + a2 x2 = (a0 + 1) + a1 x + a2 x2 .

2. Sean n, k ∈ N con k < n, definimos la aplicación Tk : Rn −→ Rn por

Tk (x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xk , 0, . . . , 0)

Demuestre que T es un operador lineal sobre Rn y encuente ImTk y KerTk .

3. Describe explı́citamente una aplicación lineal T : R3 −→ R3 tal que ImT = L((1, 0, −1), (1, 2, 2)).
¿T es única?

4. Encuentre una aplicación lineal T : R2 −→ R3 tal que T (1, 4) = (6, −1, 0) y T (0, 4) = (8, 2, 3).
¿T es única?

5. Encuentre una aplicación lineal T : R3 −→ R3 tal que ImT = L((5, 0, −1), (1, 3, 3)) y KerT =
L((0, 1, 1)). ¿T es única?

6. ¿Existe una aplicación lineal T : R4 −→ R3 tal que T (1, 0, 1, 0) = (0, 2, 1), T (2, 1, 1, 1) =
(1, 1, 1), T (4, 1, 3, 1) = (1, 3, 1)?

7. ¿Existe una aplicación lineal T : R3 −→ R4 tal que T (1, 1, 0) = (0, 0, 1, 2), T (1, 1, 2) =
(1, 1, 0, 1) y T (2, 2, 2) = (0, 1, 2, 5)?
n o
8. Si T es un operador lineal sobre el espacio vectorial V , tal que ImT ∩ KerT = ⃗0 , pruebe que
n o
T T (⃗
α) = ⃗0 implica T (⃗
α) = ⃗0.

101
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.5: Ejercicios

9. Pruebe el recı́proco del problema 8.

10. Sea T : C −→ C definida por T (z) = z̄. Demueste que no es un operador lineal si C se
considera un espacio vectorial sobre si mismo. ¿T es un operador lineal si C se considera como
espacio vectorial sobre R?

11. Sea T : R3 −→ R3 definida por T (x, y, z) = (x − y + 2z, 2x + y, −x + 2y + 2z).

a) ¿T es un operador lineal?
b) Si T es un operador lineal, ¿cuáles son las condiciones sobre a, b, c ∈ R para que T (a, b, c) ∈
ImT ?
c) ¿Cuáles son las condiciones sobre a, b, c ∈ R para que T (a, b, c) ∈ KerT ?

12. Sea V un espacio vectorial sobre el campo F con dim(V ) = n. Si T : V −→ V es un operador

lineal tal que KerT = ImT , entonces n es un número par.

13. Sea V un espacio vectorial sobre el campo F con dim(V ) = n y T : V −→ V un operador

lineal. Pruebe que los siguientes enunciados son equivalentes.

a) T es inyectiva. b) T es no singular.

c) T es suprayectiva. d) T es invertible.

14. Sea V un espacio vectorial sobre el campo F con dim(V ) = n y T : V −→ V un operador

lineal. Demuestre que dim(V ) = dim (ImT ) ⇐⇒ T es no singular.

15. Sea V un espacio vectorial sobre el campo F conndim(V

o ) = n y T : V −→ V un operador
lineal tal que ImT 2 = ImT . Pruebe KerT ∩ ImT = 0 .
⃗

16. Sean V y W espacios vectoriales sobre el campo F con dim(V ) = n y T : V −→ W una

aplicación lineal suprayectiva. Pruebe que dim(W ) ≤ dim(V ).

17. Encuentre todas las aplicaciones lineales no singulares T : Rn −→ Rm con m < n.

18. Encuentre todas las aplicaciones lineales T : Rn −→ Rm que son suprayectivas con m > n.

19. Sea V un espacio vectorial sobre el campo F . Si T1 y T2 son operadores lineales sobre V tales
que T1 ◦ T2 es no singular, entonces T1 y T2 son no singulares.

20. Sea V un espacio vectorial sobre el campo F de dimensión n. Si T1 , T2 , . . . , Tn son operadores

lineales no singulares sobre V , entonces T1 ◦ T2 ◦ · · · ◦ Tn es no singular y

(T1 ◦ T2 ◦ · · · ◦ Tn )−1 = T1−1 ◦ T2−1 ◦ · · · ◦ Tn−1

21. Considere el operador lineal T sobre R3 definido por T (x, y, z) = (2x + y, y − z, x + y + z).

a) Pruebe que T es no singular.

b) Encuentre T −1 .
c) Pruebe que {T (e⃗1 ) , T (e⃗2 ) , T (e⃗3 )} es una base de R3 .

102
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.5: Ejercicios

22. Considere el operador lineal T sobre R2 definido por

T (x, y) = (x cos θ − y sen θ, x sen θ + y cos θ)

Encuentre T −1 .
!
2 0 4
23. Sea T : R3 −→ R2 la aplicación definida por la matriz . Encuentre ImT y
−1 4 −2
KerT .

1 2 1
 

24. Sea T un operador lineal definido sobre R3 tal que [T ]B =  0 1 1  con B = {⃗e1 , ⃗e2 , ⃗e3 }.
 
−1 3 4
Encuentre una base para ImT y KerT .

25. Sea V un espacio vectorial

 sobre el campo F , dim(V ) = 3, B una base de V y T ∈ L(V, V ) tal
2 0 0


que [T ]B =  0 3 0 , encuentre ImT y KerT .

 
0 0 1

26. Encuentre la representación matricial de cada uno de los siguientes operadores lineales respecto
a las bases B1 = {⃗e1 , ⃗e2 , ⃗e3 } y B2 = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}.

a) T1 (x, y, z) = (x − 2y, x + 3z, y − z).

b) T2 (x, y, z) = (2x − 2y − 4z, 3x + y + 4z, 6x − 8y + z).
c) Encuentre [T1 + T2 ]B1 , [T1 + T2 ]B2 , [T1 ◦ T2 ]B1 , [T2 ◦ T1 ]B2 , [T1 + (T1 ◦ T2 )]B1 ,
[T2 + (T2 ◦ T1 )]B2 .
!
a b
27. Si T es un operador lineal sobre R2 , B una base de R2 y [T ]B = , entonces
c d

T 2 − (a + d)T + (ad − bc)I = O

28. Considere el operador lineal T sobre R3 definido por T (x, y, z) = (x+2y −z, y +z, x+y −2z) y
las bases de R3 siguientes B1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} y B2 = {(2, 1, 1), (0, 3, 0), (1, 0, 1)}.

a) Encuentre la matriz de cambio de base P de B1 a B2 .

b) Encuentre la matriz de cambio de base Q de B2 a B1 .
c) Verifique Q = P −1 .
d) Demuestre que ∀⃗
α ∈ R3 , P [⃗
α]B2 = [⃗
α]B1 .
e) Demuestre [T ]B2 = P −1 [T ]B1 P .

29. Considere la aplicación lineal T : R3 −→ R2 definida por T (x, y, z) = (2x + y − z, 3x − 2y + 4z)

y las bases B1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} de R3 y B2 = {(1, 3), (1, 4)} de R2 .

a) Encuentre [T ]B
B1 .
2

α ∈ R3 , [T ]B
b) Verifique ∀⃗ B1 [⃗
2
α]B1 = [T (⃗
α)]B2 .

103
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.5: Ejercicios

30. Sean a, b, c, d ∈ R, encuentre un operador lineal sobre R2 tal que T (⃗e1 ) = (a, b) y T (⃗e2 ) =
(c, d).

31. Encuentre un operador lineal T definido sobre R3 tal que ImT = L((1, 0, −1), (1, 2, 2)).

32. Describa geométricamente los efectos de cada uno de los siguientes operadores lineales.

a) Sea T : R2 −→ R2 definido por T (x, y) = (kx, y) con k ∈ R.

b) Sea T : R2 −→ R2 definido por T (x, y) = (x, ky).
c) Sea T : R2 −→ R2 definido por T (x, y) = (k1 x, k2 y) con k1 , k2 ∈ R.
d) Sea T : R2 −→ R2 definido por T (x, y) = (x, x).
e) Sea T : R2 −→ R2 definido por T (x, y) = (ky, kx + kay).
f ) Sea T : R3 −→ R3 definido por T (x, y, z) = (0, 3y, 3z).
g) Sea T : R3 −→ R3 definido por T (x, y, z) = (x + 2y + z, y, z).

33. Sea V un espacio vectorial sobre R y T ∈ L(V, V ) tal que T 2 = I. Si U = {⃗

α ∈ V | T (⃗
α) = α
⃗}
y W = {⃗α ∈ V | T (⃗
α) = −⃗α}, entonces V = U ⊕ W. Encuentre KerT −I + ImT +I .

34. Sea T ∈ L R3 , R3 definida por T (x, y, z) = (x − y + 2z, 2x + y, −x + 2y + z). Encuentre ImT

y KerT .

35. Encuentre los operadores lineales T1 y T2 definidos sobre R3 tales que

ImT1 = ImT2 = L((1, 1, −1), (1, 2, −2))

36. Sea V un espacio sobre el campo F con dim(V ) = n tal que dim (ImT ) = dim (KerT ), entonces
n debe ser un número par.

37. ¿Puede dar un ejemplo de un operador T ∈ L R4 , R4 tal que ImT = KerT ?

38. Sea V un espacio vectorial sobre el campo F y T ∈ L(V, V ). Pruebe que los siguientes enun-
ciados son equivalentes:
n o
a) ImT ∩KerT = ⃗0
b) Si T 2 (⃗
α) = ⃗0, entonces T (⃗
α) = ⃗0.

39. Sean T ∈ L R3 , R2 y L ∈ L R2 , R3 , entonces L ◦ T no es invertible.

40. Encuentre T , L ∈ L R2 , R2 tales que T ̸= O, L ̸= O y T ◦ L = O.

41. Encuentre T ∈ L R2 , R2 tal que T 2 = O pero T ̸= O. ¿Qué relación hay entre KerT y ImT ?

42. Sea V un espacio

n ovectorial sobre el campo F tal que dim(V ) = n y ImT 2 = ImT . Pruebe que
ImT ∩ KerT = ⃗0 .

2 0 4
 

43. Sea T ∈ L R3 , R3 tal que [T ]{⃗e1 , ⃗e2 , ⃗e3 } =  −1 4 −2 . Encuentre ImT y KerT

 
1 0 1

104
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.5: Ejercicios

44. Sean V un espacio vectorial sobre el campo F y U , W subespacios de V tal que V = U ⊕ W .

Sean PU y PW ∈ L(V, V ) definidos por: PU (⃗
α) = ⃗u y PW (⃗
α) = w
⃗ para α
⃗ ∈ V con α
⃗ = ⃗u + w,
⃗
⃗u ∈ U y w
⃗ ∈ W . Encuentre ImPU , ImPW , KerPU , KerPW y pruebe PU ◦ PW = PW ◦ PU = O,
PU2 = PU y PW
2 =P .
W

1 2 1
 

45. Sea T ∈ L R3 , R3 tal que [T ]{⃗e1 , ⃗e2 , ⃗e3 } =  0 1 1 , encuentre una base para ImT y una

 
−1 3 4
base para KerT .

46. Sea T ∈ L R3 , R3 definida por T (x, y, z) = (3x + z, −2x + y, −x + 2y + 4z). Pruebe que T es

invertible y encuentre T −1 .

47. Sea V un espacio vectorial sobre R con dim(V ) = n y B = {⃗ ⃗ n } una base para V .
α1 , . . . , α
Pruebe:

a) Existe una única T ∈ L(V, V ) tal que T (⃗

αj ) = α
⃗ j+1 para j = 1, 2, . . . , n−1 y T (⃗
αn ) = ⃗0.
b) Encuentre [T ]B .
c) Pruebe T n = O pero T n−1 ̸= O.
d) Sea S ∈ L(V, V ) tal que S n = O pero S n−1 ̸= O. Pruebe que existe B ′ base de V tal que
[S]B′ = [T ]B .

48. Sean T ∈ L R3 , R2 definida por T (x, y, z) = (x + y, 2z − x), B1 = {⃗e1 , ⃗e2 , ⃗e3 } y B1′ =

{(1, 0, −1), (1, 1, 1), (1, 0, 0)} bases de R3 y B2 = {⃗e1 , ⃗e2 } , B2′ = {(0, 1), (3, 2)} bases de R2
B′
encuentre [T ]B21 y [T ]B B′ .
2
1

49. Sea T ∈ L (Rn , Rn ) y [T ]{⃗e1 , ⃗e2 , ⃗e3 } = A. ¿Qué relación hay entre el rango de A y dim(ImT )?

105
Capı́tulo 3: TRANSFORMACIONES LINEALES 3.5: Ejercicios

106
BIBLIOGRAFÍA
[1] Introducción al álgebra lineal,
H. Anton,
Limusa Wiley.

[2] Linear Algebra,

Addison Wesley.

[3] Álgebra Lineal,

Stanley I. Grossman,
Mc Graw-Hill.

[4] Álgebra Lineal y sus aplicaciones,

Gilbert Strang,
Addison-Wesley.

Libros recomendados
- Escalante B. Curso de Redacción, EDITORIAL PORRÚA.

- Courant R. y Robbins H., ¿Qué son las matemáticas?, Fondo de Cultura Económica.

107