PRIMERA PARTE

(Versión digital)

Apuntes para un libro de texto Cujae-Julio/ 2017

 Álgebra Lineal y Geometría Analítica para ingeniería

Autores:
Juan Raúl Delgado Rubí

Domingo A. Galán Martínez

Adriana Díaz Cordero

Carlos M. Cepero Morgan

Editado con la autorización del Centro de Estudios de Matemática para las

Ciencias Técnicas (CEMAT) adscrito a la Universidad Tecnológica de la
Habana “José Antonio Echeverría” (Cujae).

Ediciones Cujae. Julio del 2017.

ISBN:
Página |i
Presentación

Para ti, Presentación

estudiante de
ingeniería: El Álgebra Lineal y la Geometría Analítica en ingeniería
En el presente libro se aúnan los contenidos de ambas partes de las matemáticas con la
El Álgebra Lineal intención de que ambos se complementen a la hora de estudiar.
contribuirá a que
El Álgebra Lineal es la rama de las matemáticas que tiene como objeto el estudio los sistemas
sistematices y
de ecuaciones lineales, las matrices y los determinantes en calidad de instrumentos que
generalices los
permiten modelar y resolver una enorme variedad e problemas de otras ramas de la propia
conocimientos
Matemática, la Física, la Química y otras ciencias naturales, las ciencias aplicadas, entre las que
matemáticos que
se encuentran las ingenierías; así como de las ciencias sociales. Estos contenidos serán los que
has aprendido con
se abordarán en la Primera Parte del presente libro, organizados en tres capítulos, a saber:
anterioridad y
puedas afrontar el Capítulo I: Matrices
estudio de las Capítulo II: Determinantes
Matemáticas
Superiores con una Capítulo III: Sistemas de Ecuaciones Lineales
mirada más reflexiva Otros autores prefieren otro orden, quizás el histórico, comenzando por el estudio de los
y generalizadora. Sistemas de Ecuaciones Lineales, los Determinantes y finalmente las Matrices. Otros
Nuevas prefieren abordar los Determinantes mucho después. Los autores del presente libro, a partir
herramientas de la experiencia de muchos años de docencia universitaria, prefirieron poner a disposición
matemáticas del lector, en el menor tiempo posible, las herramientas para comenzar a utilizarlas en la
encontrarás para resolución de diferentes problemas, entre ellos los Sistemas de Ecuaciones Lineales, con
resolver viejos y su permanente presencia, tanto en la práctica doméstica, técnica y científica, como en el propio
nuevos problemas. estudio de otros contenidos del Álgebra Lineal, como se verá posteriormente. Así, cuando
se llegan a estudiar estos, ya el lector dispone de todos los recursos necesarios para
La Geometría resolverlos por diferentes vías e incluso poder adelantar sus principales características antes
Analítica Vectorial te de llegar a su solución.
permitirá visualizar
conceptos Pero no son solo estos contenidos los que aborda el Álgebra Lineal; ellos son la antesala para
abstractos, abordar el estudio de los vectores, tan necesarios en Física, e incluso para generalizar su
complementar tus concepto, propiedades y operaciones, al extremo de construir un concepto abstracto, el de
conocimientos de espacio vectorial, el cual constituye el centro de la atención de toda esta rama de las
Geometría y matemáticas: sus propiedades, su interacción con otros, a través de las aplicaciones lineales
resolver y en particular de los endomorfismos y los isomorfismos.
innumerables Para llegar a tales niveles de abstracción se sugiere profundizar primero en el estudio de la
problemas, algunos Geometría Analítica Vectorial. Así, a través del trabajo con los vectores geométricos
de ellos mucho más bidimensionales y tridimensionales se introducen las operaciones y las proyecciones; se
fácilmente, que calculan áreas y volúmenes, se demuestran propiedades; y se estudian las rectas y
como lo hacías en los planos. Todos estos conocimientos contribuyen a desarrollar la visión espacial
tus estudios del futuro ingeniero, comprender los contenidos de la Mecánica y la Física en general,
anteriores. así como de muchas materias de las propias carreras que hacen uso de ello.
P á g i n a | ii
Presentación

La Segunda Parte del libro será la que aborde los Espacios Vectoriales Reales, con énfasis en
Algunas el estudio de los espacios vectoriales ℝn, dándole seguimiento, es decir, sistematizando lo
aprendido sobre vectores, pero a un nivel de generalización un tanto superior, de manera que
características en el estudio de muchas propiedades y resultados teóricos más generales, siempre tengas
del libro: como recurso, echar una mirada, buscar una representación en los espacios vectoriales
geométricos de dos y tres dimensiones para dar sentido y poder aprehender el significado de
Al inicio de cada tales contenidos. Esta Parte del libro contará de tres capítulos, a saber:
Capítulo del libro
Capítulo IV: Espacios Vectoriales
aparecen:
Capítulo V: Combinación lineal. Independencia lineal. Espacios generados
Sumario
Objetivos Capítulo VI: Bases y dimensión de un espacio vectorial
Requisitos El presente libro es un material que brinda al estudiante un mínimo de conocimientos que le
previos permitirán adentrarse en el estudio de las llamadas matemáticas superiores, contribuyendo a
sistematizar conocimientos de la más disímil naturaleza y lograr niveles superiores de
A lo largo de cada
abstracción que generalmente no se encuentran durante el estudio de las matemáticas
Capítulo se escolares. Tras el estudio de los espacios vectoriales y en particular de los espacios Rn , el
presentan: estudiante estará preparado para penetrar en las profundidades topológicas de ellos y en
consecuencia en el estudio de las funciones de varias variables.
Problemas,
Definiciones,
Ejemplos,
Proposiciones y
Concepción didáctica del libro
Teoremas; y
algunas El libro se propone mantener de forma general la concepción didáctica del libro de Álgebra Lineal
de María Virginia Varela et al (1982), usado durante muchos años como libro de texto en
Demostraciones.
universidades cubanas; libro que ha sido apreciado por generaciones de estudiantes de ingeniería
Al final de cada como un libro que facilita el autodidactismo, que es claro en su lenguaje y que “permite aprender
Álgebra”.
Capítulo aparecen:

Resumen, No obstante, se considera por los autores del presente libro, que a la luz de los tiempos actuales
y de las necesidades propias de la enseñanza de la ingeniería, era necesario hacer algunos
Preguntas,
cambios y “actualizaciones”.
Ejercicios
Propuestos Entre las novedades se encuentran la introducción de ejercicios para ser resueltos con el uso de
Respuestas de las computadoras o móviles (teléfonos y tablets), ejercicios quizás más cercanos a los
todos los problemas que se presentan en la práctica; una disminución, en consecuencia, del volumen de
ejercicios ejercicios para realizar manualmente; o sea, se disminuye el énfasis en el desarrollo de
habilidades en el cálculo manual y un aumento en el énfasis hacia la modelación y la
propuestos.
comprensión conceptual.
P á g i n a | iii
Presentación

Además, se insiste en la búsqueda de vías ventajosas en la resolución de ejercicios, cuando

existen más de una, así como en el empleo de los conocimientos teóricos para resolver
ejercicios de una manera más eficiente, lo que refuerza la comprensión conceptual en
contraposición al uso de caminos trillados y de “recetas”.

Por otra parte, los autores se propusieron trasmitir, en la propia discusión de los ejemplos y el
tratamiento de los conceptos y procedimientos, diferentes modos de actuación de quienes
hacen o utilizan bien la matemática, entre ellos: el rigor matemático, las generalizaciones, las
técnicas de demostración o argumentación, el uso de la comprobación de los resultados, el
carácter relativo de lo general y lo particular y la necesidad de cada uno, entre otros. Se espera
que si les prestas atención a esos comentarios y eres consecuente con ellos, se desarrollen
en ti valores intelectuales que se adquieren mediante el estudio consciente de la Matemática.

Otro de los aspectos novedosos son las notas y comentarios históricos, los cuales pretendemos
que contribuyan a la consolidación de tu cultura general y puedas apreciar cómo, lo que hoy en
día se aprende en los libros y en las clases, es la obra de muchos matemáticos, físicos e
ingenieros que basándose en lo dicho por otros, contradiciéndolo o mejorándolo, fueron
construyendo ese edificio. Muchos de esos hombres de ciencia te serán desconocidos aún
cuando hayas leídos los apuntes de este libro, pues solo podemos mencionar una parte de ellos
y describir sucintamente sus aportes.

En este libro encontrarás además las direcciones de diferentes sitios y libros en la intranet de la
Universidad y en Internet donde puedes profundizar y complementar lo aprendido.

Esperamos que te sea útil el presente libro en tus estudios de matemáticas en la carrera de
ingeniería que cursas.

Colectivo de Autores
14 de julio de 2017
Página|1
Capítulo I

Capítulo I: Matrices
Sumario del Capítulo (con vínculos a las temáticas)
• La matriz como modelo matemático
• La matriz como objeto matemático. Para finalizar:
• Igualdad de matrices • Preguntas teóricas
• Algunos tipos de matrices • Ejercicios Propuestos
• Respuestas
• Matrices en forma escalonada
• Matrices en forma escalonada reducida por filas
• Álgebra de matrices
• Matrices por bloques
• Polinomios matriciales
• Opuesta, traspuesta y conjugada de una matriz
• Transformaciones elementales entre filas de una matriz
• Reducción de una matriz a la forma escalonada (Método de Gauss)
• Método de Gauss-Jordan para obtener una matriz en forma escalonada reducida por filas
• Matriz Inversa
• Rango de una matriz
• Conclusiones del Capítulo

Objetivos
Al finalizar el estudio del Capítulo el lector debe poder:

1. Modelar, a través de una matriz, información relevante de un problema que pueda ser organizada en forma de un
arreglo bidimensional o tabla de doble entrada.
2. Identificar los principales tipos de matrices que se presentan en este libro.
3. Resolver ecuaciones matriciales a partir de identificar la igualdad de matrices.
4. Efectuar operaciones con matrices (multiplicación por un escalar, adición y multiplicación de matrices) para resolver
problemas diversos donde estas se apliquen.
5. Aplicar las propiedades de las operaciones con matrices cuando sea necesario.
6. Identificar y hallar las matrices opuesta, traspuesta y conjugada de una matriz cualquiera.
7. Identificar y hallar, en caso de existir, la matriz inversa de una matriz cuadrada, basándose en su definición.
8. Reducir una matriz a la forma escalonada y escalonada reducida por filas cuando esto sea necesario.
9. Determinar el rango de una matriz escalón y de cualquier otra, tras reducirla a la forma escalonada.
10. Identificar y usar las propiedades del rango de una matriz en casos convenientes.

Requisitos previos
Para comenzar el estudio de este Capítulo y poder aprovechar al máximo el mismo, el lector debe dominar el
trabajo aritmético y algebraico con números reales y complejos.
Además, aunque en este mismo libro (Capítulo III) se estudiarán los Sistemas de Ecuaciones Lineales con más profundidad,
el lector debe tener dominio de la resolución de Sistemas de 2 ecuaciones con 2 incógnitas y de 3 ecuaciones con 3
incógnitas estudiadas en la enseñanza media.
Página|2
Capítulo I

La matriz como modelo matemático

Problema 1:
Codificar toda la información relevante de un Sistema de Ecuaciones Lineales.

Esta se encuentra básicamente contenida en los coeficientes de las variables, en las variables y en los términos independientes. Si para
cada coeficiente se toman en consideración el orden de la variable y el orden de la ecuación a las que está asociado, se pueden codificar
todos los coeficientes ordenamente en una tabla rectangular. Asimismo los términos independientes.
El siguiente ejemplo lo muestra: Tabla 1: Coeficientes y términos independientes

Ejemplo 1
Sea el Sistema de Ecuaciones Lineales:

La información relevante de la Tabla 1 puede ser extraída de diferntes formas,

acorde con los propósitos con que se desee utilizar. Así:
1 2 −1 1 1 2 −1 1
−3 −5 3 2 −3 −5 3 2
� � � � � � �
2 −3 −1 3 2 −3 −1 3
1 5 2 5 1 5 2 5
De los coeficientes de las variables De los términos independientes De la combinación de ambas informaciones
“matriz del sistema” “matriz de términos independientes” “matriz ampliada”

Problema 2:
Codificar la relación entre dos conjuntos a través de tablas de números donde se aprecie la relacion entre elementos o características.

En efecto, para ciertas relaciones es conveniente codificar las relaciones existentes entre sus elementos a través de tablas de
doble entrada. Sean los siguientes ejemplos:
• Si por un conductor eléctrico pasa la corriente (o sea, está energizado) se asigna el valor 1 y si no, se asigna el valor 0.
• Si dos PC están conectadas entre sí se asigna el valor 1 y si no, se asigna el valor 0.
• Si de una ciudad A se puede ir a otra B por carretera, se asigna el número posible de vías diferentes por las que se
puede ir. Si no están conectadas por carretera ambas ciudades, se asigna el valor 0.

Ejemplo 2
Se desea codificar la relación entre dos ciudades cualesquiera conectadas por carretera. Tal relación (relacion binaria) aparece
representada en un grafo (Ver grafo 1). Al codificar tal relación entre una ciudad 𝑖𝑖 y una ciudad 𝑗𝑗, se asigna el valor 1 si existe una
carretera que las une o el valor 0 si no existe tal carretera. La matriz que representa tal relacion se le denomina matriz de adyacencia.
Tabla 2: Codificación de las conexiones entre ciudades

Ciudades 1 2 3 4 5 0 1 1 0 0
⎡1 0 0 0 1⎤
1 0 1 1 0 0 ⎢ ⎥
2 1 0 0 0 1 𝑀𝑀 = ⎢1 0 0 0 0⎥
⎢0 0 0 0 1⎥
3 1 0 0 0 0 ⎣1 1 0 1 0⎦
4 0 0 0 0 1
5 1 1 0 1 0 Matriz de adyacencia

Los elementos interiores de la Tabla 2 indican la cantidad de conexiones de la ciudad 𝑖𝑖 con una ciudad 𝑗𝑗 por carretera.

Página|3
Capítulo I

La matriz como objeto matemático

Si hacemos abstracción del problema particular planteado, puede observarse que emerge un nuevo objeto matemático que
se definirá bajo el nombre de matriz, que tiene como función principal almacenar información relevante de forma ordenada;
información que como se verá más adelante, podrá ser transformada e interpretada, permitiendo obtener nuevas
infromaciones a partir de ello.

Definición de matriz de orden m × n

Se denomina 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 a todo arreglo rectangular de 𝑚𝑚 × 𝑛𝑛 números dispuestos en 𝑚𝑚 renglones o filas y en 𝑛𝑛 columnas.
Cada uno de los números que la conforman se denomina 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑜𝑜 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 de la matriz y su 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ó𝑛𝑛 depende de la
única fila 𝑖𝑖 y la única columna 𝑗𝑗 a las que pertenece. Así, a un elemento genérico o 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 de cierta matriz 𝐴𝐴
se le denotará como 𝑎𝑎𝑖𝑖𝑖𝑖 , destacando su pertenencia a la matriz 𝐴𝐴 y su posición en la misma.

El símbolo 𝑚𝑚 × 𝑛𝑛 se lee “m por n” y será llamado el orden 1 de la matriz. A la vez informa que la matriz posee 𝑚𝑚𝑚𝑚 elementos.
En general, toda matriz suele denotarse por una letra mayúscula; en este caso 𝐴𝐴, o simbólicamente como (𝑎𝑎𝑖𝑖𝑖𝑖 ) destacando
la pertenencia de sus elementos o entradas a la matriz 𝐴𝐴.
𝑎𝑎11 ⋯ 𝑎𝑎1𝑗𝑗 ⋯ 𝑎𝑎1𝑛𝑛
⎡ ⋮ ⋱ ⋮ ⋱ ⋮ ⎤
⎢ ⋯ 𝑎𝑎𝑖𝑖𝑖𝑖 ⎥
𝐴𝐴 = ⎢ 𝑎𝑎𝑖𝑖1 ⋯ 𝑎𝑎𝑖𝑖𝑖𝑖
⎥
⎢ ⋮ ⋱ ⋮ ⋱ ⋮ ⎥
⎣𝑎𝑎𝑚𝑚1 ⋯ 𝑎𝑎𝑚𝑚𝑚𝑚 ⋯ 𝑎𝑎𝑚𝑚𝑚𝑚 ⎦𝑚𝑚×𝑛𝑛

Se dirá que una matriz 𝐴𝐴 es de orden 𝑚𝑚 × 𝑛𝑛 o simbólicamente que 𝐴𝐴 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 , donde 𝑀𝑀𝑚𝑚×𝑛𝑛 representa al conjunto de todas
las matrices de orden 𝑚𝑚 × 𝑛𝑛. Como regla, en este libro, se trabajará con 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟; o sea, aquellas donde todos sus
elementos son números reales. En el caso en que sea necesario trabajar con 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐, o sea aquellas en la que
ℂ
todos sus elementos son números complejos, se dirá explícitamente con palabras o simbólicamente como 𝐴𝐴 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 . En
ocasiones, bastará apreciar que alguno de sus elementos posee parte imaginaria no nula y se comprenderá que se está en
presencia de una matriz compleja. Es posible que todos los elementos de una matriz sean números reales y convenga
considerarla para efectos de cálculo o estudio de propiedades cual si fuera una matriz compleja, con lo cual no se comete
ninguna incorrección, si se toma en cuenta que ℝ ⊂ ℂ.

Si 𝐴𝐴 es una matriz de orden 𝑚𝑚 × 𝑛𝑛 con 𝑚𝑚 = 𝑛𝑛, entonces A se llama 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 y se preferirá la notación 𝐴𝐴 ∈ 𝑀𝑀𝑛𝑛 y se dirá
que 𝐴𝐴 es una matriz cuadrada de orden 𝑛𝑛. Un caso particular de matriz cuadrada, es la matriz cuadrada de orden 1, o sea, aquella
que solo posee un elemento. Bajo esta consideración el objeto matemático 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 es una generalización del objeto matemático
𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚, pues todo número puede ser considerado una matriz de orden 1. Así, en lo adelante y cuando sea conveniente, un número
será considerado como un 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 (o sea, un número tal y como lo conoces hasta ahora) o como una 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 de orden 1.

Al conjunto de elementos de una matriz en los que coinciden el orden de la fila y la

columna, o sea, los elementos 𝑎𝑎𝑖𝑖𝑖𝑖 , se le denomina 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝. La
identificación de la diagonal principal será útil fundamentalmente en las matrices
cuadradas, donde también recibirá un nombre particular la otra “diagonal del
cuadrado”, a la que se llamará 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠.

1
Existen otras denominaciones como tamaño y tipo.
Página|4
Capítulo I

Igualdad de matrices
Definición de igualdad de matrices
Se define que dos matrices A y B son iguales si y solo si:
• Tienen el mismo orden.
• Todo elemento 𝑎𝑎𝑖𝑖𝑖𝑖 ∈ 𝐴𝐴 es igual al correspondiente elemento 𝑏𝑏𝑖𝑖𝑖𝑖 ∈ 𝐵𝐵.
De forma más compacta se pudiera escribir: Sea 𝐴𝐴 = 𝐴𝐴𝑚𝑚×𝑛𝑛 y 𝐵𝐵 = 𝐵𝐵𝑠𝑠×𝑡𝑡
𝑚𝑚 = 𝑠𝑠
𝐴𝐴𝑚𝑚×𝑛𝑛 = 𝐵𝐵𝑠𝑠×𝑡𝑡 ⇔ �𝑛𝑛 = 𝑡𝑡
𝑎𝑎𝑖𝑖𝑖𝑖 = 𝑏𝑏𝑖𝑖𝑖𝑖 ∀𝑖𝑖 ∈ ������
1, 𝑚𝑚 ∀𝑗𝑗 ∈ �����
1, 𝑛𝑛

Ejemplo 3
No son iguales las siguientes matrices:

Algunos tipos de matrices

Además de las matrices cuadradas y rectangulares, o reales y complejas, existen un sinnúmero de tipos de matrices a las que
se les ha asignado un nombre propio, acorde con las necesidades y la regularidad de su aparición en los problemas
matemáticos puros o de aplicación. Entre los tipos de matrices que con más frecuencia aparecen están los siguientes:

𝐹𝐹 = [𝑎𝑎11 𝑎𝑎12 ⋯ 𝑎𝑎1𝑛𝑛 ]1×𝑛𝑛 Matriz de una sola fila 𝐹𝐹 = [1 5 − 2 ]1×3

𝑎𝑎11 √2
𝑎𝑎21
𝐶𝐶 = � ⋮ � Matriz de una sola columna 𝐶𝐶 = � 0 �
𝜋𝜋
𝑎𝑎𝑚𝑚1 𝑚𝑚×1 1 4×1
Las matrices filas y las matrices columnas son de la mayor importancia porque, como se verá más adelante, intervienen
en la modelación de los sistemas de ecuaciones, en ocasiones pueden ser identificadas como vectores cuando esto sea
conveniente y por su simplicidad tienen propiedades fácilmente identificables.
0 ⋯ 0
𝑂𝑂𝑚𝑚×𝑛𝑛 = � ⋮ ⋱ ⋮� Matriz cuyos elementos todos son 𝑂𝑂1 = [0]1
0 ⋯ 0 𝑚𝑚×𝑛𝑛 ceros. Puede ser rectangular o
0 0 0
cuadrada. 𝑂𝑂 = � �
En símbolos: 𝑂𝑂𝑚𝑚×𝑛𝑛 = (0)𝑚𝑚×𝑛𝑛 0 0 0 2×3

1 0 ⋯ 0 0
0 1 ⋯ 0 0 𝐼𝐼1 = [1 ]1
𝐼𝐼𝑛𝑛 = � ⋮ ⋮ ⋱ ⋮ ⋮�
0 0 ⋯ 1 0 Matriz cuadrada de orden 𝑛𝑛 con 1 0
0 0 ⋯ 0 1 𝑛𝑛 todos los elementos iguales a cero 𝐼𝐼2 = � �
0 1 2
En símbolos: 𝐼𝐼𝑛𝑛 = �𝛿𝛿𝑖𝑖𝑖𝑖 �𝑛𝑛 donde excepto los de la diagonal principal
que son unos. 1 0 0
0 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗 𝐼𝐼2 = �0 1 0�
𝛿𝛿𝑖𝑖𝑖𝑖 = �
1 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑗𝑗 0 0 1 3
Página|5
Capítulo I

Las matrices identidad son un tipo particular de matrices que solo se distinguen unas de otras en el orden y como se verá
más adelante, vienen a ser como los "unos" en la multiplicación de matrices. El símbolo 𝜹𝜹𝒊𝒊𝒊𝒊 utilizado para denotar la
característica de los elementos de la matriz identidad es conocido como la “función delta de Kronecker” 2

𝑘𝑘 0 0 0 𝐴𝐴 = [4 ]1
0 𝑘𝑘 0 0 Matriz cuadrada de orden 𝑛𝑛 con
� � = �𝜅𝜅𝑖𝑖𝑖𝑖 �𝑛𝑛
⋮ ⋮ ⋮ ⋮ todos los elementos iguales a cero −3 0
𝐵𝐵 = � �
0 0 0 𝑘𝑘 excepto los de la diagonal principal 0 −3 2
0 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗 que son iguales todos, pudiendo 1 0 0
𝑐𝑐𝑐𝑐𝑐𝑐: 𝜅𝜅𝑖𝑖𝑖𝑖 = 𝑘𝑘𝛿𝛿𝑖𝑖𝑖𝑖 � ser incluso ceros.
𝑘𝑘 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑗𝑗 𝐶𝐶 = �0 1 0 � = 𝐼𝐼3
0 0 1

Las matrices escalares son un tipo particular de matrices que solo se distinguen unas de otras en el orden y en el escalar que
se repite en la diagonal principal. Las matrices identidad son escalares, así como las matrices cuadradas nulas. No tienen una
notacion simbólica particular, aunque como se verá posteriormente se justificaría denotarlas como 𝑘𝑘𝐼𝐼𝑛𝑛 .

La definición de matriz escalar viene a extender los dominios numéricos al dominio de las matrices, pues así todo número
puede ser considerado como una matriz cuadrada de orden 1 cuando esto sea conveniente.

𝑑𝑑11 0 0 0 3 0 0
Matriz cuadrada de orden 𝑛𝑛 con 𝐷𝐷 = �0 0 0 �
0 𝑑𝑑22 0 0
� � = �𝑑𝑑𝑖𝑖𝑖𝑖 �𝑛𝑛 todos los elementos iguales a cero 0 0
⋮ ⋮ ⋮ ⋮ √5 3
excepto quizás los de la diagonal
0 0 0 𝑑𝑑𝑛𝑛𝑛𝑛 𝑛𝑛 0 0 0
principal. 𝑅𝑅 = �0 0 0�
𝑡𝑡𝑡𝑡𝑡𝑡 𝑞𝑞𝑞𝑞𝑞𝑞: 𝑑𝑑𝑖𝑖𝑖𝑖 = 0 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗 0 0 0 3

Las matrices diagonales tienen la característica distintiva de que los elementos de la diagonal principal son suficientes para
poder obtener muchas informaciones de toda una clase de matrices, las matrices semejantes 3 a cada una de ellas. Es usual
escribirlas como matriz fila o matriz columna, por ejemplo: 𝑑𝑑 = (𝑑𝑑11 , 𝑑𝑑22 , ⋯ , 𝑑𝑑𝑛𝑛𝑛𝑛 )

Obsérvese que toda matriz identidad es una matriz diagonal, toda matriz cuadrada nula es diagonal y en particular toda
matriz cuadrada de orden 1 es también diagonal.

3 0 1 0
𝑇𝑇 𝑆𝑆 = �𝜏𝜏𝑖𝑖𝑖𝑖𝑆𝑆 � es triangular superior Matriz cuadrada de orden 𝑛𝑛 con
𝑛𝑛 𝑆𝑆 0 1 0 −3
todos los elementos nulos por 𝑇𝑇 = � �
∀𝑖𝑖, 𝑗𝑗: 𝑖𝑖 > 𝑗𝑗 ⟹ 𝜏𝜏𝑖𝑖𝑖𝑖𝑆𝑆 = 0 0 0 0 0
debajo de la diagonal principal 0 0 0 √5 4
(triangular superior) y/o todos los
𝐼𝐼 elementos nulos por encima de 3 0 0 0
𝑇𝑇 𝐼𝐼 = �𝜏𝜏𝑖𝑖𝑖𝑖 � es triangular inferior
𝑛𝑛 la diagonal principal (triangular 𝐼𝐼 2 1 0 0
𝑇𝑇 = � �
𝐼𝐼
∀𝑖𝑖, 𝑗𝑗: 𝑖𝑖 < 𝑗𝑗 ⟹ 𝜏𝜏𝑖𝑖𝑖𝑖 =0 inferior). 0 0 2 0
1 0 0 √5 4

Las matrices triangulares no tienen una notación simbólica particular.

2
Leopold Kronecker (1823-1891), matemático alemán, al que se debe tal notación. Su nombre está asociado también como se verá en el
Capítulo III, a las soluciones de los Sistemas de Ecuaciones Lineales.
3
Las matrices semejantes serán estudiadas con posterioridad. Su definición aparecerá en uno de los ejercicios propuestos al final de este
capítulo.
Página|6
Capítulo I

Observa que en cada una de las definiciones nada se dice del resto de los elementos de la matriz, eso indica que pueden
tomar cualquier valor.

Toda matriz diagonal es tanto triangular superior como triangular inferior. Por tanto, también lo son las matrices
identidad, las matrices cuadradas nulas y las matrices de orden 1.

Como se verá más adelante, el gran número de elementos iguales a cero que presentan las matrices triangulares las
convierten en matrices convenientes para efectuar operaciones con ellas.

Matriz cuadrada de orden 𝑛𝑛 3 0 1 0

donde los elementos simétricos 0 2 0 −3
�𝑠𝑠𝑖𝑖𝑖𝑖 �𝑛𝑛 𝑡𝑡𝑡𝑡𝑡𝑡 𝑞𝑞𝑞𝑞𝑞𝑞 ∀𝑖𝑖, 𝑗𝑗: 𝑠𝑠𝑖𝑖𝑖𝑖 = 𝑠𝑠𝑗𝑗𝑗𝑗 𝑆𝑆 = � �
con respecto a la diagonal principal 1 0 0 0
son iguales. 0 −3 0 √5 4

Las matrices simétricas, en particular las matrices simétricas reales presentan también propiedades que las convierten en
ventajosas para realizar ciertas operaciones. Además, constituyen modelos de determinados problemas geométricos y físicos.

Todas las matrices diagonales son simétricas. Por tanto, también lo son las matrices identidad, las matrices cuadradas
nulas y las matrices de orden 1.

Matriz cuadrada de orden 𝑛𝑛

donde los elementos simétricos 0 0 −1 0
�𝑎𝑎𝑖𝑖𝑖𝑖 �𝑛𝑛 𝑡𝑡𝑡𝑡𝑡𝑡 𝑞𝑞𝑞𝑞𝑞𝑞: ∀𝑖𝑖, 𝑗𝑗: 𝑎𝑎𝑖𝑖𝑖𝑖 = −𝑎𝑎𝑗𝑗𝑗𝑗 con respecto a la diagonal principal 0 0 0 3
𝐴𝐴 = � �
son opuestos. 1 0 0 0
Por ello, los elementos diagonales 0 −3 0 0 4
son iguales a cero.

𝑃𝑃 = �𝑝𝑝𝑖𝑖𝑖𝑖 �𝑛𝑛 ∀𝑖𝑖, 𝑗𝑗: 𝑝𝑝𝑖𝑖𝑖𝑖 ≥ 0 Ejemplo de matriz doble

Matriz cuadrada de orden 𝑛𝑛 estocástica
𝑦𝑦 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎á𝑠𝑠: cuyos elementos son números
0 0 1 0
𝑛𝑛 𝑛𝑛 reales no negativos y tales que la
1/2 0 0 1/2
� 𝑝𝑝𝑖𝑖𝑖𝑖 = 1 𝑜𝑜 � 𝑝𝑝𝑖𝑖𝑖𝑖 = 1 suma de los elementos de cada fila 𝑃𝑃 = �
1/4 3/4 0 0
�
𝑗𝑗=1 𝑖𝑖=1 y/o de cada columna sea igual a 1. 1/4 1/4 0 1/2 4

Existen dos tipos particularmente importantes de matrices que son las denominadas 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖𝑖𝑖 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 o 𝑒𝑒𝑒𝑒 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒
y la 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑝𝑝𝑝𝑝𝑝𝑝 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓.

Ambos conceptos hacen distinción entre las 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 (en las que todos sus elementos son ceros) y las 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑠𝑠 𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 (en las
que al menos un elemento es diferente de cero). En las filas no nulas es de interés destacar el denominado
𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓, el que se definirá como el primer elemento de la fila diferente de cero, contado de izquierda a
derecha.

En las matrices nulas no existen elementos pivotes.

En el siguiente ejemplo se distinguen en azul los elementos pivotes de la matriz.

Ejemplo 4
0 0 0 0 −1 0
0 0 0 0 0 0 0
𝐴𝐴 = �
0 4 0
�, 𝐵𝐵 = �
0 0 0
� , 𝐶𝐶 = [0 0 ] 
0 2 1 0 2 1
Página|7
Capítulo I
Obsérvese que la segunda fila de la matriz 𝐴𝐴 es nula, por tanto en ella no existe elemento pivote. Además, a la derecha del
elemento pivote pueden haber ceros u otros elementos que no sean ceros. En una fila, como en el caso de la fila 2 de la matriz
B, el elemento pivote puede ser el último, porque es el único diferente de cero. Los elementos pivotes existen en toda matriz no
nula, sea cuadrada o no, como en el caso de la matriz 𝐶𝐶.

Ahora se está en condiciones de definir las matrices escalón o en forma escalonada.

Matrices en forma escalonada

Definición de matriz escalón
Una matriz 𝐸𝐸 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 es una matriz escalón o está en forma escalonada si y solo si satisface uno de los siguientes casos:
1. 𝐸𝐸 es una matriz nula.
2. 𝐸𝐸 posee una sola fila no nula y esta es la primera fila de la matriz.
3. 𝐸𝐸 posee más de una fila no nula y en ese caso se debe cumplir que:
• Las filas nulas, si existen, están por debajo de las filas no nulas y
• A partir de la segunda fila, el pivote de cualquier fila no nula, siempre estará situado en una columna más a la
derecha que el pivote de la fila anterior.

Ejemplo 5
En el siguiente cuadro aparecen matrices en forma escalonada y se destaca en rojo intenso los elementos pivotes.
Están en forma escalonada Justificación
0 0 0
� 0 0 0� Matriz nula (Caso 1).
0 0 03
[0 0 2 3]1×3 y [2]1 Matrices fila (Caso 2).

2 0 0 2 3
�0� y � 0 0 0 0� Matrices que poseen una sola fila no nula (Caso 2).
0 3×1 0 0 0 0 3×4

2 1 1 0 2 3 8
� 0 3 0� y � 0 0 1 0�
0 0 03 0 0 0 4 3×4
Matrices que poseen más de una fila no nula (Caso 3). 
Es inmediato conjeturar la siguiente proposición:

Proposición:
Toda matriz cuadrada en forma escalonada es una matriz triangular superior.

Demostración:
La 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 es una técnica que
La demostración de esta proposición se basará en una 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐.
permite diseccionar un problema en subproblemas,
Sea 𝐴𝐴 ∈ 𝑀𝑀𝑛𝑛 en forma escalonada, entonces existen 3 posibilidades: de manera que sea más fácil resolver cada
subproblema por separado. En este caso, el
1. 𝐴𝐴 es una matriz nula, problema es la demostración de una proposición y
se procederá a considerar todos los casos posibles
2. 𝐴𝐴 es una matriz con una sola fila no nula, de forma que al demostrar todos y cada uno de ellos,
3. 𝐴𝐴 es una matriz con más de una fila no nula. se agote el universo de posibilidades, con lo que
quedaría demostrada su validez plenamente.
Página|8
Capítulo I
Caso 1: Toda matriz nula es triangular superior.

Caso 2: Si 𝐴𝐴 es una matriz escalón con solo una fila no nula, esa fila es la primera y el elemento pivote de ella ocupa la celda
𝑎𝑎11 , sobre la diagonal principal o se encuentra a la derecha de ella. Por tanto, la matriz es triangular superior.

Caso 3: Si 𝐴𝐴 es una matriz escalón con más de una fila no nula, entonces el caso extremo es aquel en que el pivote de la primera
fila ocupe la celda 𝑎𝑎11 , sobre la diagonal principal, obligando a que los restantes pivotes se encuentren a su derecha, es decir
manteniéndose sobre la diagonal principal o más a la derecha, con lo que la matriz será triangular superior. En cualquier otro
caso no habría ningún pivote sobre la diagonal principal y todos se encontrarían a la derecha de ella. En consecuencia, la matriz
es triangular superior. 

Para demostrar la veracidad de una proposición, debe ser constatado su cumplimiento para todos los casos posibles, pero si
estos son infinitos, como sucede en la mayoría de las ocasiones, es imposible hacerlo mostrando cada caso, por ello es
necesaria una demostración que no particularice; a lo sumo que haga una disección finita de conjuntos de casos (una partición
finita del universo de casos), sino que teóricamente evidencie el cumplimiento de lo afirmado y que esto sea irrefutable
porque se apoya en verdades aceptadas e inferencias lógicas.
Sin embargo, para demostrar que una proposición es falsa, bastará encontrar un caso particular que la impugne. Ese caso
particular recibe el nombre de 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐.
Se puede traer como un buen ejemplo de lo dicho, el recíproco de la proposición anterior, el cual es falso y por tanto bastará
con un solo 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 para probarlo.

Ejemplo 6 Un 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 no es más que un ejemplo que

sirve para refutar una afirmación. Es un método
2 1 8 utilizado desde la Antigüedad. Un contraejemplo es
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶: La matriz �0 0 0 � es triangular superior, pero no una excepción a una regla general propuesta.
0 0 1
tiene la forma escalonada. Una proposición de cuantificación universal podría
tener solo un contrajemplo, lo que basta para
Conclusión: Existen matrices triangulares superiores que no son matrices refutarla: “Todos los números primos son impares”.
escalonadas. Por tanto, el recíproco de la Proposición es falso.  Queda probada su falsedad, con solo argumentar
que 2 es un número primo y no es impar.
Ejemplo 7
Las siguientes matrices NO están en la forma escalonada, pero pudieran suscitar equivocaciones:

NO están en forma escalonada Justificación

0 0 0
� 0 0 0� Matriz con filas nulas por encima de una fila no nula, la fila 3.
0 0 13
Matriz con dos filas no nulas y el pivote de la segunda fila se encuentra en una
�0 0 2 3�
1 3 0 0 2×3 columna a la izquierda del pivote de la primera fila.
2 Matriz con dos filas no nulas y el pivote de la segunda fila se encuentra debajo del
�1�
pivote de la primera.
0 3×1
2 1 1 Matriz con dos filas no nulas y el pivote de la tercera se encuentra en una columna a
� 0 0 0� la derecha del pivote de la fila 1, pero existe una fila nula por encima de una fila no
0 0 33 nula.
Página|9
Capítulo I

Definición de matriz escalonada reducida por filas

Una matriz 𝐸𝐸 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 se dice que está en 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑝𝑝𝑝𝑝𝑝𝑝 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 si y solo si satisface las siguientes
condiciones:
1. 𝐸𝐸 es una matriz escalón
2. Todos los pivotes son iguales a 1.
3. En las columnas donde existen pivotes, el pivote es el único elemento diferente de cero.

Si una matriz no nula está en la forma escalonada reducida por filas, entonce al formar una matriz solamente con las filas y
columnas donde se encuentran los pivotes, se obtiene una matriz identidad.

Ejemplo 8
La matriz siguiente se encuentra en la forma escalonada reducida y como se observa la
matriz formada por las filas y columnas que contienen los pivotes es la matriz 𝐼𝐼2 .∎

Esta es una forma de identificar si una matriz está en la forma escalonada reducida. Como solo se abordarán las
transformaciones entre filas, a partir de aquí se utilizará la expresión más simple 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 o en la
𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟.

Ejemplo 9
Están en forma escalonada reducida Justificación
0 0 0
� 0 0 0� Matriz nula
0 0 03
[0 0 1 3]1×4 y [1]1 Matriz fila no nula con pivote 1

0 0 1 3 1
�0 0 0 0 � y �0� Matrices escalonadas con una fila no nula con pivote 1.
0 0 0 0 3×4 0 3×1
0 1 3 0 1 0 0 Matrices escalonadas con más de una fila no nula y todos los elementos de
� 0 0 0 1 � y � 0 1 0� las columnas de los pivotes iguales a cero, excepto los pivotes mismos que
0 0 0 0 3×4 0 0 13 son unos.∎

Asimismo, NO están en la forma escalonada reducida las siguientes matrices:

Ejemplo 10
NO están en forma escalonada reducida Justificación
0 0 0 1
� 0 0 0� y �0� No están en la forma escalonada
0 0 13 3 3×1
1 0 0
[2 0 3]1×3 , [5]1 y �0 2 0� Están en la forma escalonada, pero los pivotes no son unos.
0 0 13
1 2 0 3 Está en la forma escalonada, sus pivotes son unos, pero en la columna
� 0 0 1 0�
0 0 0 1 3×4 4 existe un elemento no nulo por encima del pivote. ∎
Página|10
Capítulo I

Álgebra de Matrices
Se denomina Álgebra de matrices al conjunto de tres operaciones que pueden definirse de manera inmediata y que son de la mayor
utilidad en el trabajo con las matrices, tanto cuadradas como rectangulares. Estas operaciones son:
 Multiplicación de una matriz por un escalar.
𝐸𝑠𝑐𝑎𝑙𝑎𝑟: número del mismo dominio numérico donde
 Adición de matrices
están definidos los elementos de la matriz. En este libro se
 Multiplicación de matrices. considerarán tanto escalares reales como complejos,
aunque con preferencia en los números reales.

Multiplicación por un escalar

Definición (multiplicación por un escalar):
Sea 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 y 𝛼 ∈ 𝐾 (𝐾 = ℝ 𝑜 ℂ). Se define a la operación 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑝𝑜𝑟 𝑢𝑛 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 como aquella que
multiplica cada elemento de la matriz 𝐴 por el escalar 𝛼.
En símbolos: 𝛼𝐴 = 𝛼(𝑎𝑖𝑗 )𝑚×𝑛 = (𝛼𝑎𝑖𝑗 )𝑚×𝑛

La operación de multiplicación por un escalar no se denota con ningún símbolo que enlace a los dos factores, solo se coloca
el escalar y la matriz uno al lado del otro, por yuxtaposición, con preferencia de escribir el escalar a la izquierda de la matriz.
Al igual que la operación de multiplicación entre números, la multiplicación por un escalar es siempre posible.

Calcular:
2 −1 4 6 −3 12
3( ) =( ) ∎
7 1/3 5 2×3 21 1 15 2×3

Propiedades de la multiplicación por un escalar

Sean 𝐴 ∈ 𝑀𝑚×𝑛 y 𝛼, 𝛽 ∈ 𝐾 (𝐾 = ℝ 𝑜 ℂ), entonces:
1. Si 𝛼 = 0, se cumple que: 0𝐴 = 𝑂, donde 𝑂 es la matriz nula de orden 𝑚 × 𝑛.
2. Si 𝛼 = 1, se cumple que 1𝐴 = 𝐴.

3. (𝛼𝛽)𝐴 = 𝛼(𝛽𝐴) (propiedad de asociatividad de la multiplicación por un escalar con respecto a la multiplicación de
escalares)

Las propiedades 1 y 2 son comprensibles y puedes demostrarlas fácilmente, pero no con un ejemplo particular, sino
demostrándola para una matriz de orden cualquiera. ¡Prueba demostrarlas!

Un poco más difícil es la demostración de la propiedad 3, la cual se desarrollará a continuación para que te sirva de patrón
en cómo proceder en la demostración de futuras propiedades.

Demostración de la Propiedad 3:
Sea 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 una matriz cualquiera y sea 𝛼 𝑦 𝛽 dos escalares cualesquiera. Entonces:

Miembro izquierdo: (𝛼𝛽)𝐴 = (𝛼𝛽)(𝑎𝑖𝑗 ) = 𝑘(𝑎𝑖𝑗 ) = (𝑘𝑎𝑖𝑗 ) = (𝛼𝛽𝑎𝑖𝑗 ) tras haber considerado el producto 𝛼𝛽 = 𝑘 y después restituido el
valor original.
Página|11
Capítulo I
Miembro derecho: 𝛼(𝛽)𝐴 = 𝛼(𝛽𝑎𝑖𝑗 ) = 𝛼(𝑏𝑖𝑗 ) = (𝛼𝑏𝑖𝑗 ) = (𝛼𝛽𝑎𝑖𝑗 ) tras haber considerado a la matriz (𝛽𝑎𝑖𝑗 ) = (𝑏𝑖𝑗 ) = 𝐵 y
posteriormente restituido el valor original.

Como se obtiene que ambos miembros son iguales a la matriz (𝛼𝛽𝑎𝑖𝑗 ), entonces por 𝑡𝑟𝑎𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑑𝑎𝑑 son iguales los resultados comparados
y con ello queda demostrada la validez de la propiedad.

A continuación se presentará la operación de adición de matrices, la cual a La 𝑡𝑟𝑎𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑑𝑎𝑑 es una propiedad que satisfacen
diferencia de la multiplicación por un escalar y de la adición de números a ciertos tipos de relaciones como el paralelismo de
rectas, la igualdad y la semejanza de triángulos y en
la que estás acostumbrado, no siempre se puede realizar. O sea, dos
este caso la igualdad de matrices. A saber: si una
matrices no siempre pueden ser sumadas. Cuando la operación de adición matriz A es igual a una segunda matriz B y esta a su
que a continuación se definirá es posible entre dos matrices, se dice que vez es igual a una tercera matriz C, entonces la
matriz A es igual a la matriz C.
estas matrices son 𝑐𝑜𝑛𝑓𝑜𝑟𝑚𝑒𝑠 𝑎 𝑙𝑎 𝑠𝑢𝑚𝑎.

Adición de matrices
Definición (adición de matrices):
Sean 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 𝑦 𝐵 = (𝑏𝑖𝑗 )𝑚×𝑛 . Se define la 𝑎𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 como aquella operación que suma los elementos del
mismo orden de las matrices 𝐴 𝑦 𝐵.
En símbolos: 𝐴 + 𝐵 = (𝑎𝑖𝑗 )𝑚×𝑛 + (𝑏𝑖𝑗 )𝑚×𝑛 = (𝑎𝑖𝑗 + 𝑏𝑖𝑗 )𝑚×𝑛 = (𝑐𝑖𝑗 )𝑚×𝑛 = 𝐶

2 −1 4 5 −3 12 7 −4 16
Calcular: ( ) + ( ) =( ) ∎
7 3 5 2×3 2 1 −5 2×3 9 4 0 2×3

Propiedades de la adición de matrices

Sean 𝐴, 𝐵, 𝐶 ∈ 𝑀𝑚×𝑛 entonces:
1. 𝐴 + 𝑂 = 𝐴, donde 𝑂 es la matriz nula de orden 𝑚 × 𝑛 y aparece como elemento neutro de la suma de matrices.
2. (𝐴 + 𝐵) + 𝐶 = 𝐴 + (𝐵 + 𝐶), (propiedad de asociatividad)
3. 𝐴 + 𝐵 = 𝐵 + 𝐴, (propiedad de conmutatividad)

Pero en su combinación con la operación de multiplicación por un escalar aparecen estas otras propiedades:

Para 𝐴, 𝐵 ∈ 𝑀𝑚×𝑛 𝑦 𝛼, 𝛽 ∈ 𝐾 (𝐾 = ℝ 𝑜 ℂ),

4. 𝛼(𝐴 + 𝐵) = 𝛼𝐴 + 𝛼𝐵 (propiedad de distributividad de la multiplicación por un escalar con respecto a la suma
de matrices)
5. (𝛼 + 𝛽)𝐴 = 𝛼𝐴 + 𝛽𝐴 (propiedad de distributividad de la multiplicación por un escalar con respecto a la suma
de escalares)

La demostración de todas estas propiedades pueden desarrollarse de modo análogo a como se hizo anteriormente con la
demostración de la propiedad 3 de la multiplicación por un escalar; o sea, desarrollando cada miembro de las igualdades
propuestas hasta el punto en que ambos desarrollos coinciden y por el carácter transitivo de la igualdad de matrices se puede
concluir la igualdad de ambos miembros. La demostración de ellas se deja para que las hagas.
Página|12
Capítulo I
Sustracción de matrices:
La sustracción de matrices es la operación inversa de la adición y puede ser considerada como la combinación de las
operaciones de adición y de multiplicación por el escalar 𝛼 = −1.

En símbolos: 𝐴 − 𝐵 = 𝐴 + (−1)𝐵 = (𝑎𝑖𝑗 )𝑚×𝑛 + (−𝑏𝑖𝑗 )𝑚×𝑛 = (𝑎𝑖𝑗 − 𝑏𝑖𝑗 )𝑚×𝑛

En la práctica, la operación se realiza restando al elemento 𝑎𝑖𝑗 ∈ 𝐴 el elemento 𝑏𝑖𝑗 ∈ 𝐵.

2 −1 4 5 −3 12 −3 2 −8
Calcular: ( ) − ( ) =( ) ∎
7 3 5 2×3 2 1 −5 2×3 5 2 10 2×3

Multiplicación de matrices
Definición (multiplicación de matrices):
Se define la multiplicación de una matriz fila 𝐴 de 𝑝 columnas por una matriz columna 𝐵 de 𝑝 filas como la matriz de orden
1 que resulta de sumar los productos 𝑎1𝑘 𝑏𝑘1 o más detalladamente:
𝑏11
𝑎
[ 11 ⋯ 𝑎 1𝑝 ] [ ⋯ ] = [𝑎11 𝑏11 + 𝑎12 𝑏21 + ⋯ + 𝑎1𝑝 𝑏𝑝1 ]
1
𝑏𝑝1
Se define, en general, la multiplicación de dos matrices 𝐴 y 𝐵, con tal que el número de columnas de 𝐴 sea igual al número
de filas de 𝐵, como la matriz que resulta de calcular cada elemento 𝑐𝑖𝑗 ∈ 𝐶 = 𝐴𝐵 como el resultado de la multiplicación de
la fila 𝑖 de 𝐴 por la columna 𝑗 de 𝐵, reduciéndose así el cálculo de cada elemento de la matriz 𝐶 a una multiplicación de
matrices filas por matrices columnas.
𝑝

𝐶𝑖𝑗 = [𝑓𝑖 ] [𝑏𝑗 ]𝐵 = 𝑎𝑖1 𝑏1𝑗 + 𝑎𝑖2 𝑏2𝑗 + ⋯ + 𝑎𝑖𝑝 𝑏𝑝𝑗 = ∑ 𝑎𝑖𝑘 𝑏𝑘𝑗
𝐴
𝑘=1

𝑝
En símbolos: 𝐴𝐵 = (𝑎𝑖𝑗 )𝑚×𝑝 (𝑏𝑖𝑗 )𝑝×𝑛 = (∑𝑘=1 𝑎𝑖𝑘 𝑏𝑘𝑗 )𝑚×𝑛

La 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 se definió de forma inductiva; o sea, primero para uno o varios casos particulares (el de la
multiplicación de una matriz fila por una matriz columna que sean conformes al producto) y después para el caso general.

Calcular:
5
a) [2 −1 4] [2] = [2.5 + (−1). 2 + 4.4] = [24]
4 𝐶á𝑙𝑐𝑢𝑙𝑜 𝐴𝑢𝑥𝑖𝑙𝑖𝑎𝑟 𝑑𝑒𝑙 𝑖𝑛𝑐𝑖𝑠𝑜 𝑏
b) 𝑐11 = [𝑎1 ][𝑏1 ] = 2 ∙ 5 + (−1) ∙ 2 + 4 ∙ 4 = 24
𝑐12 = [𝑎1 ][𝑏2 ] = 2 ∙ (−3) + (−1) ∙ 1 + 4 ∙ 2 = 1
𝑐21 = [𝑎2 ][𝑏1 ] = 7 ∙ 5 + 3 ∙ 2 + 5 ∙ 4 = 61
𝑐22 = [𝑎2 ][𝑏1 ] = 7 ∙ (−3) + 3 ∙ 1 + 5 ∙ 2 = −8

Con más detalle para el elemento 𝑐22 :

𝑐22 = [𝑎2 ][𝑏2 ] = 𝑎21 𝑏12 + 𝑎22 𝑏22 + 𝑎23 𝑏32 = 7 ∙ (−3) + 3 ∙ 1 + 5 ∙ 2 = −21 + 3 + 10 = −8 ∎
Página|13
Capítulo I
Obsérvese que la multiplicación de matrices se desarrolla como un proceso de multiplicación de matrices filas por matrices
columnas y así se calculan todos los elementos de la matriz producto.

Propiedades de la multiplicación de matrices

Sea 𝐴 ∈ 𝑀𝑚×𝑛 entonces:
1. Si 𝑂𝑛×𝑝 es una matriz nula, entonces 𝐴𝑂 = O𝑚×𝑝 .
2. Si 𝑂𝑘×𝑚 es una matriz nula, entonces 𝑂𝐴 = O𝑘×𝑛 .
3. Si 𝐵 ∈ 𝑀𝑛×𝑝 𝑦 𝐶 ∈ 𝑀𝑝×𝑘 , entonces (𝐴𝐵)𝐶 = 𝐴(𝐵𝐶) (propiedad de asociatividad de la multiplicación de matrices)
4. Si 𝐼𝑛 es la matriz identidad de orden 𝑛, entonces 𝐴𝐼 = 𝐴.
5. Si 𝐼𝑚 es la matriz identidad de orden 𝑚, entonces 𝐼𝐴 = 𝐴.

En su relación con las otras operaciones antes definidas, se obtienen otras propiedades:
(propiedad de distributividad por la izquierda
6. Si 𝐵 ∈ 𝑀𝑚×𝑛 𝑦 𝐶 ∈ 𝑀𝑛×𝑝 , entonces (𝐴 + 𝐵)𝐶 = 𝐴𝐶 + 𝐵𝐶,
de la multiplicación de matrices con respecto a
la suma de matrices)
7. Si 𝐵 ∈ 𝑀𝑚×𝑛 𝑦 𝐶 ∈ 𝑀𝑘×𝑚 , entonces 𝐶(𝐴 + 𝐵) = 𝐶𝐴 + 𝐶𝐵, (propiedad de distributividad por la derecha de
la multiplicación de matrices con respecto a la
suma de matrices)
8. Si 𝛼, 𝛽 ∈ 𝐾 (𝐾 = ℝ 𝑜 ℂ), entonces 𝛼(𝐴𝐵) = (𝛼𝐴)𝐵 = 𝐴(𝛼𝐵) (propiedad de asociatividad de la multiplicación
de matrices con respecto a la multiplicación por
un escalar)

La demostración de estas propiedades puedes efectuarla siguiendo el mismo esquema de demostración discutido
anteriormente.

Algunas alertas sobre la multiplicación de matrices

La multiplicación de matrices resulta ciertamente “extraña” porque muestra variadas diferencias con la multiplicación usual
en los dominios numéricos. Estas diferencias deben producir 𝑎𝑙𝑒𝑟𝑡𝑎𝑠 al operar con ellas.

Principales diferencias:

1. NO ES CONMUTATIVA en general, aunque hay elementos que conmutan entre sí.

2. EXISTEN LOS “DIVISORES DE CERO”, o sea elementos no nulos que al multiplicarse dan como resultado el elemento nulo.
3. NO EXISTE UN ÚNICO ELEMENTO UNIDAD, sino para cada uno de los órdenes de matrices y en el caso de las matrices
rectangulares, existen dos elementos unidad.
4. NO SIEMPRE EL ELEMENTO UNIDAD PUEDE OMITIRSE, pues puede conducir a serios errores.

Consecuencias de estas diferencias:

1. La multiplicación de matrices no es conmutativa.

En general, para dos matrices 𝐴 y 𝐵 conformes al producto NO SE CUMPLE que 𝐴𝐵 = 𝐵𝐴.

Si dos matrices son rectangulares de manera que sean conformes al producto aun cambiándose el orden, el resultado es
evidentemente diferente.
Página|14
Capítulo I

Sean las matrices rectangulares 𝐴2×3 𝑦 𝐵3×2 . Como se aprecia, ambas son conformes al producto aun cambiándose el orden
de los factores, pero: 𝐴2×3 𝐵3×2 = 𝐶2×2 y 𝐵3×2 𝐴2×3 = 𝐷3×3 . Evidentemente 𝐶 y 𝐷 son diferentes. ∎

De hecho, aún en el caso de que ambas matrices sean cuadradas y del mismo orden, esto no garantiza la igualdad de los
productos si se cambia el orden de los factores, lo cual se puede constatar en el siguiente ejemplo, que sirve como
𝑐𝑜𝑛𝑡𝑟𝑎𝑒𝑗𝑒𝑚𝑝𝑙𝑜 para probar el carácter no conmutativo de la multiplicación de matrices.

“El orden de los factores, a veces altera el producto”

1 1 2 1 2 2 2 1 1 1 5 6
𝐴𝐵 = ( )( )=( ) y 𝐵𝐴 = ( )( )=( ), lo cual evidencia lo dicho. ∎
3 4 0 1 6 7 0 1 3 4 3 4
Como resultado de la no conmutatividad de la multiplicación de matrices no es posible cancelar una misma matriz en una
igualdad de productos, a menos que se encuentre en la misma ubicación con respecto al producto.

En la igualdad de matrices 𝐴𝐵 = 𝐶𝐴, no puede cancelarse o simplificarse la 𝐴, pues necesariamente no tiene que cumplirse
que 𝐵 = 𝐶

1 1 2 1 2 0
Sean 𝐴 = ( ), 𝐵 = ( ) y 𝐶=( )
3 4 0 1 3 1
1 1 2 1 2 2 2 0 1 1
𝐴𝐵 = ( )( )=( )=( )( ) = 𝐶𝐴
3 4 0 1 6 7 3 1 3 4
2 1 2 0
Si se cancela la matriz A en ambos productos, se llega al contradictorio resultado: 𝐵 = ( )=( )=𝐶 ∎
0 1 3 1

Por lo anterior, tiene sentido plantearse el siguiente problema, pues en ocasiones es de interés:

Problema 3:
Dada una matriz, determinar cuáles son todas las matrices que conmutan con ella en la multiplicación, o sea aquellas para las cuales el
producto es indiferente al cambio de orden de los factores.

1 1
Determinar qué matrices conmutan con 𝐴 = ( ).
3 4
Solución:
𝑥 𝑦
El problema se debe plantear en términos de encontrar las matrices 𝐵 = ( ) tales que 𝐴𝐵 = 𝐵𝐴 (∗).
𝑧 𝑢
1 1 𝑥 𝑦 𝑥+𝑧 𝑦+𝑢
𝑀𝑖𝑒𝑚𝑏𝑟𝑜 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑜 𝑑𝑒 (∗): 𝐴𝐵 = ( )( )=( )
3 4 𝑧 𝑢 3𝑥 + 4𝑧 3𝑦 + 4𝑢
𝑥 𝑦 1 1 𝑥 + 3𝑦 𝑥 + 4𝑦
𝑀𝑖𝑒𝑚𝑏𝑟𝑜 𝑑𝑒𝑟𝑒𝑐ℎ𝑜 𝑑𝑒 (∗): 𝐵𝐴 = ( )( )=( )
𝑧 𝑢 3 4 𝑧 + 3𝑢 𝑧 + 4𝑢
𝑥+𝑧 𝑦+𝑢 𝑥 + 3𝑦 𝑥 + 4𝑦
(∗) implica: ( )=( )
3𝑥 + 4𝑧 3𝑦 + 4𝑢 𝑧 + 3𝑢 𝑧 + 4𝑢
Página|15
Capítulo I
Dos matrices son iguales si y solo si los elementos en la misma posición en cada matriz son iguales: 𝑋𝑖𝑗 = 𝑌𝑖𝑗

① 𝑥 + 𝑧 = 𝑥 + 3𝑦
② 𝑦 + 𝑢 = 𝑥 + 4𝑦
De ahí que resulte el siguiente sistema de ecuaciones:
③ 3𝑥 + 4𝑧 = 𝑧 + 3𝑢
④ 3𝑦 + 4𝑢 = 𝑧 + 4𝑢 }

Que al resolverse por el método de sustitución se obtiene:

De ① se obtiene 𝑧 = 3𝑦, que simplifica la ecuación ④ al efectuar la sustitución: ④ 3𝑦 + 4𝑢 = 𝑧 + 4𝑢 se convierte en 3𝑦 +

4𝑢 = 3𝑦 + 4𝑢 que se satisface siempre para cualesquiera valores de 𝑦 y 𝑢.

Al sustituir en ③, resulta ③ 3𝑥 + 4𝑧 = 𝑧 + 3𝑢 ⟹ 3𝑥 + 4(3𝑦) = 3𝑦 + 3𝑢 ⟹ 3𝑥 + 9𝑦 = 3𝑢 ⟹ 𝑥 + 3𝑦 = 𝑢

Así, al simplificarse la ecuación ②, se obtiene el mismo resultado, o sea: 𝑥 + 3𝑦 = 𝑢

Como conclusión se puede afirmar que todo el sistema se reduce realmente a Existen sistemas de ecuaciones lineales
𝑧 = 3𝑦 que poseen infinitas soluciones, como el
un sistema de dos ecuaciones con infinitas soluciones, a saber: { que surge de este problema. Ellos serán
𝑢 = 𝑥 + 3𝑦 estudiados en el Capítulo III.
1 1
Resultado: Las matrices que conmutan con la matriz 𝐴 = ( ) son las que
3 4
𝑥 𝑦
tienen la estructura 𝐵 = (3𝑦 𝑥 + 3𝑦).

Comprobación:
1 1 𝑥 𝑦 𝑥 + 3𝑦 𝑥 + 4𝑦
𝑀𝑖𝑒𝑚𝑏𝑟𝑜 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑜 𝑑𝑒 (∗) 𝐴𝐵= ( )( 𝑥 + 3𝑦) = (3𝑥 + 12𝑦 )
3 4 3𝑦 4𝑥 + 15𝑦
𝑥 𝑦 1 1 𝑥 + 3𝑦 𝑥 + 4𝑦
𝑀𝑖𝑒𝑚𝑏𝑟𝑜 𝑑𝑒𝑟𝑒𝑐ℎ𝑜 𝑑𝑒 (∗) 𝐵𝐴 = (3𝑦 𝑥 + 3𝑦) (3 )=( ). Comprobado.∎
4 3𝑥 + 12𝑦 4𝑥 + 15𝑦

Se deja al lector que lo constate con un ejemplo particular (o cuantos quiera), para que aprecie el resultado obtenido y la
potencia del método empleado.

2. Existen matrices no nulas que al multiplicarse dan como resultado una matriz nula.

De la multiplicación de números se sabe que si el producto de dos números es igual a cero es porque uno de los dos números
es cero. En símbolos: 𝑎𝑏 = 0 ⟺ 𝑎 = 0 𝑜 𝑏 = 0

Sin embargo, en la multiplicación de matrices esto no ocurre necesariamente. Veremos un contraejemplo.

1 2 2 −3 0 0
𝐴𝐵 = ( )( )=( ) ∎
3 6 −1 3/2 0 0
Estas matrices reciben el nombre de 𝑑𝑖𝑣𝑖𝑠𝑜𝑟𝑒𝑠 𝑑𝑒 𝑐𝑒𝑟𝑜, algo desconocido en las operaciones usuales de multiplicación con
números reales o complejos.

La razón que produce este efecto es clara, la multiplicación de matrices combina multiplicaciones y adiciones, donde pueden
existir elementos con signo contrario, los que pueden producir valores nulos en el resultado de esas operaciones.

Otra de las propiedades que sorprenden en el trabajo con matrices, es que en el caso de las matrices rectangulares no existe
una única matriz que funja como elemento unidad, o sea, que al ser multiplicado por él, se obtenga la propia matriz.
Página|16
Capítulo I
3. No existe un único elemento unidad.

Tanto en el caso de los números reales como en el de los números complejos existe, en esos dominios numéricos, un solo elemento
unidad, lo que implica que todo número multiplicado por 1 dé como resultado el propio número. En símbolos: 𝑎1 = 𝑎 = 1𝑎

En el caso de las matrices rectangulares hay que especificar el orden de las matrices para poder definir cuál es el elemento
unidad por la derecha y cuál por la izquierda, de forma que:

Si 𝐴 es una matriz rectangular de orden 𝑚 × 𝑛, no existe un único elemento unidad para las matrices de este orden.

 Para la multiplicación por la derecha, el elemento unidad es 𝐼𝑛 . Así, 𝐴𝑚×𝑛 𝐼𝑛 = 𝐴𝑚×𝑛

 Para la multiplicación por la izquierda, el elemento unidad es 𝐼𝑚 . Así, 𝐼𝑚 𝐴𝑚×𝑛 = 𝐴𝑚×𝑛
Aun en el caso de las matrices cuadradas, es necesario especificar el orden, pues si 𝐴 es una matriz cuadrada de orden 𝑛, el
elemento unidad es la matriz identidad de orden 𝑛 y no otra. En símbolos: 𝐴𝐼 = 𝐴 = 𝐼𝐴. En este caso, ocurre al igual que en
la multiplicación de números, pero solo si tanto 𝐴 como 𝐼 tienen el mismo orden.

Además de las diferencias descritas arriba, debe destacarse otra que es causa de frecuentes errores.

4. La omisión del elemento unidad en los productos puede conducir a errores

Es usual que en los productos se omita la presencia del elemento unidad o solo se destaque cuando se desea resaltar una
propiedad, un error muy frecuente ocurre en la extracción de factor común en la suma de productos. A saber:

En la suma de productos numéricos es usual extraer como factor común, algún factor que aparece en varios términos.
Por ejemplo: 𝑎𝑏 + 5𝑎 = 𝑎(𝑏 + 5 ∙ 1) = 𝑎(𝑏 + 5). (Observa que el paso intermedio usualmente no se escribe)

En la suma de productos de matrices no se puede omitir, porque al extraer el factor común, el elemento unidad (matriz
identidad) está omitida (al igual que el 1 en los números), pero si se omite tras la extracción del factor común, se produce el
siguiente error: 𝐴𝐵 + 5𝐴 = 𝐴(𝐵 + 5), lo cual no tiene sentido porque no se puede sumar a la matriz 𝐴 el escalar 5. Por
tanto, lo correcto es: 𝐴𝐵 + 5𝐴 = 𝐴(𝐵 + 5𝐼), por lo cual no puede omitirse como se hace en el caso numérico.

Obsérvese que: 𝐴𝑚𝑥𝑛 𝐵𝑛 + 5𝐴𝑚𝑥𝑛 = 𝐴𝑚𝑥𝑛 𝐵𝑛 + 5𝐴𝑚𝑥𝑛 𝐼𝑛 = 𝐴𝑚𝑥𝑛 (𝐵𝑛 + 5𝐼𝑛 )

El producto de matrices como combinación lineal de columnas

Es muy común que aparezca la multiplicación de una matriz 𝐴 ∈ 𝑀𝑚×𝑛 por una matriz columna de 𝑛 filas.
𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑥11
𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑥21
Sea en general: 𝐴𝑋 = [ ⋮ ⋮ ⋮ ⋮ ][ ⋮ ]
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑥𝑛1
𝑎11 𝑥11 + 𝑎12 𝑥21 + ⋯ + 𝑎1𝑛 𝑥𝑛1 𝑎11 𝑎12 𝑎1𝑛
𝑎21 𝑥11 + 𝑎22 𝑥21 + ⋯ + 𝑎2𝑛 𝑥𝑛1 𝑎21 𝑎22 𝑎2𝑛
Así, 𝐴𝑋 = [ ⋮ ⋮ ⋮ ⋮ ] = [ ⋮ ] 𝑥11 + [ ⋮ ] 𝑥21 + ⋯ + [ ⋮ ] 𝑥𝑛1 (*)
𝑎𝑚1 𝑥11 + 𝑎𝑚2 𝑥21 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛1 𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛

Con lo cual resulta que el producto de una matriz 𝐴 de orden 𝑚 × 𝑛 por una matriz columna de orden 𝑛 × 1 se puede expresar
como una suma de productos resultados de las multiplicaciones de las columnas de 𝐴 por los elementos de la matriz columna.

Esa suma de productos, donde están combinadas las operaciones de adición de matrices y multiplicaciones de matrices por
escalares se denomina combinación lineal de matrices. Así, el miembro derecho de la igualdad (*) es una 𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙
de las columnas de la matriz 𝐴.
Página|17
Capítulo I
Comprendido esto, se puede proceder a considerar no la multiplicación de una matriz 𝐴 por una matriz columna, sino por
una matriz 𝐵 que sea conforme al producto con 𝐴.
Como la matriz 𝐵 puede ser considerada como un sistema de matrices columnas, entonces puede interpretarse que la
multiplicación de la matriz 𝐴 por la columna j-ésima de la matriz 𝐵 dará como resultado la j-ésima columna de la matriz
producto 𝐶 = 𝐴𝐵.
𝑎11 𝑥1𝑗 + 𝑎12 𝑥2𝑗 + ⋯ + 𝑎1𝑛 𝑥𝑛𝑗 𝑎11 𝑎12 𝑎1𝑛 𝑐1𝑗
𝑎21 𝑥1𝑗 + 𝑎22 𝑥2𝑗 + ⋯ + 𝑎2𝑛 𝑥𝑛𝑗 𝑎21 𝑎22 𝑎2𝑛 𝑐2𝑗
𝐴𝐵𝑗 = [ ] = [ ⋮ ] 𝑥1𝑗 + [ ⋮ ] 𝑥2𝑗 + ⋯ + [ ⋮ ] 𝑥𝑛𝑗 = [ ⋮ ]
⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1𝑗 + 𝑎𝑚2 𝑥2𝑗 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛𝑗 𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛 𝑐𝑚𝑗

Ilustrando este resultado en un ejemplo:

5 4
1 4 3
Sea 𝐴 = [ ] y 𝐵 = [2 −1] , entonces 𝐴 y 𝐵 son conformes al producto y se puede calcular 𝐴𝐵 como el
2 −1 0 2×3
1 2 3×2
producto de la matriz 𝐴 por cada columna de la matriz 𝐵. La matriz producto será de orden 2 × 2, o sea tendrá 2 columnas.
5
1 4 3 1 4 3 16
𝐶1 = 𝐴𝐵1 = [ ] [2] = 5[ ] + 2[ ] + 1[ ] = [ ]
2 −1 0 2×3 2 −1 0 8
1 3×1
4
1 4 3 1 4 3 6
𝐶2 = 𝐴𝐵2 = [ ] [−1] = 4[ ] − 1[ ] + 2[ ] = [ ]
2 −1 0 2×3 2 −1 0 9
2 3×1
16 6
Por tanto: 𝐴𝐵 = [ ] 
8 9

Obsérvese que los elementos de las columnas de la matriz B se han escrito como escalares multiplicando a las columnas de la matriz A
y como es usual en la operación multiplicación por un escalar, estos se escriben delante de la matriz a la que multiplican.

Resumen de las propiedades del Álgebra de Matrices

Considérense unas matrices arbitrarias 𝐴, 𝐵, 𝐶; O una matriz nula, 𝐼 una matriz identidad, 𝛼, 𝛽 ∈ 𝐾 (ℝ 𝑜 ℂ) y 0 ∈ ℝ, Se
cumplen las siguientes propiedades, siempre que las matrices que operan sean conformes a la operación en cuestión:
1. Si 𝛼 = 1, se cumple que 1𝐴 = 𝐴. En particular, las 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑛𝑢𝑙𝑎𝑠 satisfacen ciertas propiedades de las
operaciones del álgebra de matrices:
2. (𝛼𝛽)𝐴 = 𝛼(𝛽𝐴)
1. 0𝐴 = O
3. 𝐴 + (−𝐴) = −𝐴 + 𝐴 = O
2. O𝐴 = O
4. (𝐴 + 𝐵) + 𝐶 = 𝐴 + (𝐵 + 𝐶)
3. 𝐴O = O
5. 𝐴 + 𝐵 = 𝐵 + 𝐴
4. 𝐴 + O = O + 𝐴
6. 𝛼(𝐴 + 𝐵) = 𝛼𝐴 + 𝛼𝐵
5. 𝐴 + (−𝐴) = O
7. (𝛼 + 𝛽)𝐴 = 𝛼𝐴 + 𝛽𝐴
8. (𝐴 + 𝐵)𝐶 = 𝐴𝐶 + 𝐵𝐶 6. 𝐴𝐵 = O no implica que 𝐴 = O o 𝐵 = O

9. 𝐶(𝐴 + 𝐵) = 𝐶𝐴 + 𝐶𝐵 En particular, la 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑖𝑑𝑒𝑛𝑡𝑖𝑑𝑎𝑑 satisfacen ciertas propiedades de

las operaciones del álgebra de matrices:
10. 𝛼(𝐴𝐵) = (𝛼𝐴)𝐵 = 𝐴(𝛼𝐵)
1. 𝐼𝐴 = 𝐴
2. 𝐴𝐼 = 𝐴
3. 𝐴𝐼 = 𝐼𝐴 = 𝐴 si y solo si 𝐴 es una matriz cuadrada
Página|18
Capítulo I

Matrices por bloques

En muchas ocasiones es ventajoso destacar determinadas partes de una matriz para poder:

 Identificar determinadas características particulares de la matriz, o resaltar la estructura del cálculo matricial.
 Operar más fácilmente con ella.

Esas partes, que no son más que otras matrices, reciben el nombre de 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 o 𝑠𝑢𝑏𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠, en ocasiones también celdas,
y dichas matrices reciben el nombre de 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑝𝑜𝑟 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 o 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑝𝑎𝑟𝑡𝑖𝑐𝑖𝑜𝑛𝑎𝑑𝑎𝑠. Las matrices particionadas se
presentan en la mayoría de las aplicaciones modernas del Álgebra Lineal.

Algunos autores hacen una distinción entre las submatrices o bloques cuadrados y los que no lo son. En este libro no se hará
tal distinción y cuando sea necesario una determinada característica, se precisará.

Ejemplos en que es conveniente identificar determinadas características particulares de la matriz, se pueden ver en:

 La 𝑚𝑎𝑡𝑟𝑖𝑧 𝑎𝑚𝑝𝑙𝑖𝑎𝑑𝑎 de un Sistema de Ecuaciones Lineales, donde se reúnen en una sola matriz, la matriz de los
coeficientes y la matriz de los términos independientes (Ver Problema 1 al principio de este Capítulo)

Simbólicamente: (𝐴, 𝑏) o también (A|𝑏)

En este caso, tanto 𝐴 como 𝑏 aparecen como bloques de la matriz ampliada.

Si 𝐴 ∈ 𝑀𝑚×𝑛 entonces (A|𝑏)𝑚×(𝑛+1) pues en este caso solo se amplía 𝐴 con una columna.

1 2 −1 1
−3 −5 3 2
(A|𝑏) = [ | ] Matriz ampliada del sistema de ecuaciones lineales del Problema 1 ∎
2 −3 −1 3
1 5 2 5 4×(3+1)

 La matriz que se forma agregando a continuación de una matriz cuadrada 𝐴 la matriz identidad del mismo orden para de
conjunto reducirlas a la forma escalonada reducida (su utilidad se verá en el próximo epígrafe con el Método de Gauss-
Jordan)

Simbólicamente: (A|𝐼)

En este caso, tanto 𝐴 como 𝐼 aparecen como bloques de la matriz ampliada.

Si 𝐴 ∈ 𝑀𝑛 entonces (A|𝐼)𝑛×2𝑛 pues en este caso se amplía 𝐴 con las 𝑛 columnas de la matriz 𝐼.

1 1 0 1 0 0
(A|𝐼) = [−1 0 1 | 0 1 0] Matriz a la que se aplicará el Método de Gauss-Jordan 
0 −1 2 0 0 1 3×6
Más adelante, se estudiarán otras propiedades, tales como el rango, el determinante y el carácter invertible de las matrices,
en las cuales puede ser útil conocer las características de ciertas submatrices o bloques de las mismas.

También es interesante el segundo caso, pues tanto las operaciones estudiadas anteriormente, como otras por estudiar,
pueden efectuarse sobre matrices particionadas, tratando cada bloque como si este fuera un elemento de una matriz. En
muchas ocasiones, esto permite simplificar los cálculos y procedimientos.
Página|19
Capítulo I
Adición de matrices particionadas
Sean 𝐴, 𝐵 ∈ 𝑀𝑚×𝑛 , por tanto, conformes a la suma. Si ambas matrices se particionan de manera que los bloques
correspondientes sean conformes a la suma, entonces se pueden sumar los bloques tal como si fueran elementos de ambas
matrices. Sea la partición de ambas matrices en 𝑘𝑝 bloques, entonces:
𝐴11 ⋯ 𝐴1𝑝 𝐵11 ⋯ 𝐵1𝑝 𝐴11 + 𝐵11 ⋯ 𝐴1𝑝 + 𝐵1𝑝
𝐴𝑚×𝑛 + 𝐵𝑚×𝑛 = [ ⋯ ⋯ ⋯ ]+[ ⋯ ⋯ ⋯]=[ ⋯ ⋯ ⋯ ]
𝐴𝑘1 ⋯ 𝐴𝑘𝑝 𝐵𝑘1 ⋯ 𝐵𝑘𝑝 𝐴𝑘1 + 𝐵𝑘1 ⋯ 𝐴𝑘𝑝 + 𝐵𝑘𝑝

Multiplicación de matrices particionadas

Sean 𝐴 ∈ 𝑀𝑚×𝑝 𝑦 𝐵 ∈ 𝑀𝑝×𝑛 , por tanto, conformes al producto. Si ambas matrices se particionan de manera que:

 La cantidad de bloques en cada fila de la matriz A sea igual a la cantidad de bloques en cada columna de la matriz B,
 La cantidad de columnas de cada bloque de A sea igual a la cantidad de filas de cada bloque de B, de manera que los
bloques 𝐴𝑖𝑘 de A sean conformes al producto con los bloques 𝐴𝑘𝑗 , y así poder obtener los bloques 𝐶𝑖𝑗 de la matriz
producto 𝐶 = 𝐴𝐵

Entonces se puede efectuar la multiplicación como si cada bloque fuera un elemento de la matriz.
𝐴11 ⋯ 𝐴1𝑠 𝐵11 ⋯ 𝐵1𝑡 𝐶11 ⋯ 𝐶1𝑡
𝐴𝑚×𝑝 𝐵𝑝×𝑛 = 𝐴[𝑟×𝑠] 𝐵[𝑠×𝑡] [ ⋯ ⋱ ⋯]+[ ⋯ ⋱ ⋯]=[⋯ ⋱ ⋯ ] = 𝐶[𝑟×𝑡] = 𝐶𝑚×𝑛
𝐴𝑟1 ⋯ 𝐴𝑟𝑠 𝐵𝑠1 ⋯ 𝐵𝑠𝑡 𝐶𝑟1 ⋯ 𝐶𝑟𝑡
𝑝
Y cada bloque 𝐶𝑖𝑗 = ∑𝑘=1 𝐴𝑖𝑘 𝐵𝑘𝑗

En la representación simbólica anterior se encerró entre corchetes el orden de las matrices consideradas como matrices
particionadas.

1 8
2 3 1 4
3 0
𝐴3×4 𝐵4×2 = [−1 0 2 1] [ ]
9 5
3 6 8 9
−2 4

2 3 1 8 1 4 9 5 11 16 1 21 12 37
𝐶11 = 𝐴11 𝐵11 + 𝐴12 𝐵21 = [ ][ ]+[ ][ ]=[ ]+[ ]=[ ]
−1 0 3 0 2 1 −2 4 −1 −8 16 14 15 6
1 8 9 5
𝐶21 = 𝐴21 𝐵11 + 𝐴22 𝐵21 = [3 6] [ ] + [8 9] [ ] = [21 24] + [54 76] = [75 100] 
3 0 −2 4
Página|20
Capítulo I
Observación:
Como las matrices son conformes al producto, entonces siempre es posible hacer una partición en bloques de ambas matrices, de
modo que las matrices particionadas sean también conformes al producto.
La partición en bloques no es única.

Algunas otras posibles particiones:

En ocasiones, es conveniente particionar solamente la segunda matriz de un producto por sus columnas, de manera que está
garantizado de antemano la conformidad respecto al producto y que la multiplicación de las dos matrices se reduzca a la
multiplicación cómoda de una matriz por una matriz columna. Finalmente se integra el resultado obtenido. Este
procedimiento puede ser empleado en la resolución de los sistemas de ecuaciones lineales como se verá más adelante.

1 2 4 5 16 8
Calcular el producto AB descomponiendo la matriz B en bloques de una columna: 𝐴𝐵 = [2 −1 3] [2 3 9]
5 2 4 1 8 3
Solución:
5 16 8 5 16 8
Sea 𝐵 = [2 3 9] = [𝐵11 |𝐵12 |𝐵13 ][1×3] , pero 𝐵11 = [2], 𝐵12 = [ 3 ] 𝑦 𝐵13 = [9]
1 8 3 3×3 1 8 3

Así,
1 2 4 5 13 1 2 4 16 54 1 2 4 8 38
𝐴𝐵11 = [2 −1 3] [2] = [11] 𝐴𝐵12 = [2 −1 3] [ 3 ] = [ 53 ] 𝐴𝐵13 = [2 −1 3] [9] = [16]
5 2 4 1 33 5 2 4 8 118 5 2 4 3 70
Integrando los resultados hallados, se obtiene:
1 2 4 5 16 8 13 54 38
𝐴𝐵 = [2 −1 3] [2 3 9] = [11 53 16]
5 2 4 1 8 3 33 118 70
Como colofón del álgebra de matrices, se tienen los polinomios matriciales.

Polinomios matriciales
Se define como polinomio matricial a la expresión algebraica del tipo:

𝑝(𝑋) = 𝑎𝑛 𝑋 𝑛 + 𝑎𝑛−1 𝑋 𝑛−1 + ⋯ + +𝑎1 𝑋 + 𝑎0 𝐼

donde 𝑋 es una matriz cuadrada y los coeficientes 𝑎𝑖 (𝑖 = 0, ⋯ , 𝑛) de los 𝑛 + 1 términos son escalares (reales o complejos)
acordes al dominio numérico de los elementos de la matriz 𝑋, llamada indeterminada.
Página|21
Capítulo I
La expresión 𝑋 𝑛 no es más que una forma compacta de representar el producto de una matriz por sí misma 𝑛 veces, por
analogía a la potenciación entera de números como expresión abreviada de la multiplicación de factores iguales.
𝑋𝑛 = 𝑋
⏟⋯ 𝑋
𝑛 𝑣𝑒𝑐𝑒𝑠

0
Asimismo, se convendrá que 𝑋 = 𝐼

Así, un polinomio matricial es una expresión algebraica que combina las tres operaciones del álgebra de matrices: la
multiplicación de matrices, expresada en las potencias de la matriz argumento; la multiplicación por un escalar, expresada en
la multiplicación de los coeficientes por las potencias de la matriz cuadrada 𝑋; y la adición de matrices, expresada en la suma
de los términos del polinomio matricial.

Son polinomios matriciales los siguientes:

𝑎) 𝑝(𝑋) = 𝑋 2 + 2𝑋 + 𝐼

𝑏) 𝑝(𝑋) = 4𝑋 21 + 89𝑋10 + 𝑋 3

𝑐) 𝑝(𝑋) = (𝑋 + 3𝐼)(𝑋 − 2𝐼)

Obsérvese que el término independiente suele escribirse en términos de las matrices identidad y no de la potencia 𝑋 0 .

Evaluar las matrices 𝐴 y 𝐵 en el polinomio 𝑝(𝑋) = (𝑋 + 3𝐼)(𝑋 − 2𝐼):

−3 0
a) 𝐴 = [ ]
2 2
1 3
b) 𝐵 = [ ]
4 −1
Solución:
−3 0 3 0 −3 0 2 0 0 0 −5 0 0 0
a) 𝑝(𝐴) = (𝐴 + 3𝐼)(𝐴 − 2𝐼) = ([ ]+[ ]) ([ ]−[ ]) = [ ][ ]=[ ]
2 2 0 3 2 2 0 2 2 5 2 0 0 0
1 3 3 0 1 3 2 0 4 3 −1 3 8 3
b) 𝑝(𝐵) = (𝐵 + 3𝐼)(𝐵 − 2𝐼) = ([ ]+[ ]) ([ ]−[ ]) = [ ][ ]=[
4 −1 0 3 4 −1 0 2 4 2 4 −3 4 6
Nota:

A los polinomios que se anulan en una matriz; o sea, aquellos que dan como resultado la matriz nula al ser evaluados en cierta
matriz 𝐴 se les denominan 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜𝑠 𝑎𝑛𝑢𝑙𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑒 𝐴. Uno de los más importantes polinomios anuladores de una matriz
es el denominado 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑜 de una matriz, el cual se presentará formalmente en el siguiente capítulo.

En el trabajo con los polinomios matriciales es usual transferir algunas propiedades del trabajo con los polinomios numéricos,
como son el uso de la descomposición factorial basado en que la adición y la multiplicación se conservan, aunque no todas
las propiedades.

Así, si a los polinomios numéricos 𝑝(𝑥) y 𝑞(𝑥) en la indeterminada 𝑥 tal que se les hacen corresponder los polinomios
matricial 𝑝(𝑋) y 𝑞(𝑋) en la indeterminada 𝑋, entonces también existe la siguiente correspondencia entre los polinomios
numéricos y matriciales:
Página|22
Capítulo I

𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑛𝑢𝑚é𝑟𝑖𝑐𝑜 → 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑚𝑎𝑡𝑟𝑖𝑐𝑖𝑎𝑙

𝑝(𝑥) + 𝑞(𝑥) = ℎ(𝑥) → ℎ(𝑋) = 𝑝(𝑋) + 𝑞(𝑋)
𝑝(𝑥)𝑞(𝑥) = 𝑘(𝑥) → 𝑘(𝑋) = 𝑝(𝑋)𝑞(𝑋)

Esas consideraciones permiten resolver problemas como el siguiente:

Resuelve la siguiente ecuación matricial 𝑋 2 − 5𝑋 + 4𝐼2 = O (donde O es la matriz cuadrada nula de orden 2).

Solución

Asociamos al polinomio matricial 𝑝(𝑋) = 𝑋 2 − 5𝑋 + 4𝐼2 el polinomio numérico 𝑝(𝑥) = 𝑥 2 − 5𝑥 + 4

Por tanto, como 𝑝(𝑥) = 𝑥 2 − 5𝑥 + 4 = (𝑥 − 1)(𝑥 − 4), entonces por la correspondencia establecida se tiene:

𝑝(𝑋) = 𝑋 2 − 5𝑋 + 4𝐼 = (𝑋 − 𝐼)(𝑋 − 4𝐼) = O

Y como la ecuación (𝑥 − 1)(𝑥 − 4) = 0 tiene como soluciones 𝑥1 = 1 y 𝑥2 = 4, se puede inferir de manera inmediata que
las matrices escalares 𝑋1 = 𝐼2 y 𝑋2 = 4𝐼2 son soluciones de la ecuación.
2
Comprobando para 𝑋1 = 𝐼2 : 𝑝(𝐼2 ) = 𝐼2 − 5𝐼2 + 4𝐼2 = 𝐼2 − 5𝐼2 + 4𝐼2 = (1 − 5 + 4)𝐼2 = 0𝐼2 = O

Comprobando para 𝑋2 = 4𝐼2 : 𝑝(4𝐼2 ) = (4𝐼2 )2 − 5(4𝐼2 ) + 4𝐼2 = 16𝐼2 − 20𝐼2 + 4𝐼2 = (16 − 20 + 4)𝐼2 = 0𝐼2 = O

Sin embargo, entre las multiplicaciones de números y de matrices existen diferencias. Cabe la pregunta: ¿Pueden existir
matrices no escalares que satisfagan la ecuación?
Página|23
Capítulo I

Opuesta, traspuesta y conjugada de una matriz

Análogamente a los números complejos, que poseen opuestos y conjugados, las matrices también pueden exhibir estas
relaciones con otras matrices. Adicionalmente, también poseen elementos que son sus transpuestos.

Definición de matriz opuesta

Se llama 𝑚𝑎𝑡𝑟𝑖𝑧 𝑜𝑝𝑢𝑒𝑠𝑡𝑎 de una matriz 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 a la matriz (−𝑎𝑖𝑗 )𝑚×𝑛 que se denotará por −𝐴.

Debido a la definición, una matriz y su opuesta poseen el mismo orden.

La matriz opuesta de una matriz 𝐴 se obtiene cambiando cada elemento de 𝐴 por su opuesto, lo que equivale a haber
multiplicado la matriz 𝐴 por el escalar −1, lo que justifica la notación. De ahí la igualdad: (−1)𝐴 = −𝐴.

La suma de una matriz y su opuesta es la matriz nula del mismo orden. O sea, se cumple que 𝐴 + (−𝐴) = 0. En consecuencia,
la única matriz que sumada con 𝐴 da como resultado la matriz nula es su matriz opuesta – 𝐴.

1 0 −1 0
Si 𝐴 = [ ], entonces su opuesta es −𝐴 = [ ] ∎
2−𝑖 3 + 4𝑖 −2 + 𝑖 −3 − 4𝑖

Definición de matriz traspuesta

Se llama 𝑚𝑎𝑡𝑟𝑖𝑧 𝑡𝑟𝑎𝑠𝑝𝑢𝑒𝑠𝑡𝑎 (o 𝑡𝑟𝑎𝑛𝑠𝑝𝑢𝑒𝑠𝑡𝑎) de una matriz 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 a la matriz (𝑎𝑗𝑖 )𝑛×𝑚 que se denotará por 𝐴𝑡 .

La matriz traspuesta de una matriz 𝐴 se obtiene intercambiando las filas por las columnas del mismo orden de la matriz 𝐴.

En virtud de las operaciones definidas en el párrafo anterior se cumple que una matriz y su traspuesta siempre pueden ser
multiplicadas porque 𝐴𝑚×𝑛 𝐴𝑡 𝑛×𝑚 = 𝑆. El resultado de esta multiplciación será una matriz simétrica.

1 2
1 0 5 26 17
Si 𝐴 = [ ] , entonces su traspuesta es 𝐴𝑡 = [0 −1] y su producto 𝐴𝐴𝑡 = [ ] ∎
2 −1 3 2×3 17 14 2×2
5 3 3×2
Por su importancia se presentarán las propiedades de la traspuesta.

Propiedades de la traspuesta
Sea 𝐴 ∈ 𝑀𝑚×𝑛 y 𝜆 ∈ 𝐾 (𝐾 = ℝ 𝑜 ℂ), entonces se cumple que:

1. (𝐴𝑡 )𝑡 = 𝐴
2. (𝜆𝐴)𝑡 = 𝜆𝐴𝑡
3. (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵𝑡 si 𝐵 ∈ 𝑀𝑚×𝑛
4. (𝐴𝐵)𝑡 = 𝐵𝑡 𝐴𝑡 si 𝐵 ∈ 𝑀𝑛×𝑝

Demostración de las propiedades

Sea 𝐴 = (𝑎𝑖𝑗 ), entonces 𝐴𝑡 = (𝑎𝑗𝑖 )
𝑡
1. (𝐴𝑡 )𝑡 = (𝑎𝑗𝑖 ) = (𝑎𝑖𝑗 ) = 𝐴
𝑡 𝑡
2. (𝜆𝐴)𝑡 = (𝜆(𝑎𝑖𝑗 )) = (𝜆𝑎𝑖𝑗 ) = (𝜆𝑎𝑗𝑖 ) = 𝜆(𝑎𝑗𝑖 ) = 𝜆𝐴𝑡
Página|24
Capítulo I
𝑡 𝑡
3. (𝐴 + 𝐵)𝑡 = ((𝑎𝑖𝑗 ) + (𝑏𝑖𝑗 )) = (𝑎𝑖𝑗 + 𝑏𝑖𝑗 ) = (𝑎𝑗𝑖 + 𝑏𝑗𝑖 ) = (𝑎𝑗𝑖 ) + (𝑏𝑗𝑖 ) = 𝐴𝑡 + 𝐵𝑡

4. Se desarrollará cada miembro de la igualdad por separado:

Miembro izquierdo:
𝑛 𝑡
𝑡 𝑡
(𝐴𝐵)𝑡 = ((𝑎𝑖𝑗 ) (𝑏𝑖𝑗 ) ) = (∑ 𝑎𝑖𝑘 𝑏𝑘𝑗 ) = (𝑐𝑖𝑗 )
𝑚×𝑛 𝑛×𝑝
𝑘=1
Miembro derecho:
𝑛
𝑡 𝑡
𝐵𝑡 𝐴𝑡 = [(𝑏𝑖𝑗 ) ] [(𝑎𝑖𝑗 ) ] = (𝑏𝑗𝑖 ) (𝑎𝑗𝑖 ) = (∑ 𝑏𝑗𝑘 𝑎𝑘𝑖 ) = (𝑐𝑗𝑖 )
𝑛×𝑝 𝑚×𝑛 𝑝×𝑛 𝑛×𝑚
𝑘=1
𝑡
Con lo que se comprueba la veracidad de la propiedad, pues (𝑐𝑖𝑗 ) = (𝑐𝑗𝑖 ).

Definición de matriz conjugada

Se llama 𝑚𝑎𝑡𝑟𝑖𝑧 𝑐𝑜𝑛𝑗𝑢𝑔𝑎𝑑𝑎 de una matriz compleja 𝐴 = (𝑎𝑖𝑗 )𝑚×𝑛 a la matriz (𝑎
̅̅̅̅) ̅
𝑖𝑗 𝑚×𝑛 que se denotará por 𝐴.

La matriz conjugada de una matriz compleja 𝐴 se obtiene cambiando cada elemento de 𝐴 por su conjugado, lo que equivale a
conservar la parte real de cada elemento de 𝐴 y solamente cambiar la parte imaginaria por su opuesto.

En virtud de las operaciones definidas se cumple que si 𝐴 = (𝑎𝑖𝑗 ) = (𝑅𝑒(𝑎𝑖𝑗 ) + 𝐼𝑚(𝑎𝑖𝑗 )𝑖) = 𝑅𝑒𝐴 + 𝐼𝑚𝐴𝑖

Entonces, al hallar la matriz conjugada según la definición dada, se tendrá:

(𝑎
̅̅̅̅) ̅
𝑖𝑗 = (𝑅𝑒(𝑎𝑖𝑗 ) − 𝐼𝑚(𝑎𝑖𝑗 )𝑖) = 𝑅𝑒𝐴 − 𝐼𝑚𝐴𝑖 = 𝐴 lo que justifica la notación.

En virtud de las operaciones definidas en el párrafo anterior, se cumple que una matriz compleja y su conjugada siempre
pueden ser sumadas o sea, son conformes a la suma, porque 𝐴𝑚×𝑛 + 𝐴̅𝑚×𝑛 = 𝑅𝑚×𝑛 . El resultado de esta adición será una
matriz real del mismo orden, pues 𝐴 + 𝐴̅ = (𝑅𝑒𝐴 + 𝐼𝑚𝐴𝑖) + (𝑅𝑒𝐴 − 𝐼𝑚𝐴𝑖) = 2𝑅𝑒𝐴.

1 0 1 0
Si 𝐴 = [ ], entonces su conjugada es 𝐴̅ = [ ] ∎
2−𝑖 3 + 4𝑖 2+𝑖 3 − 4𝑖
En ocasiones es necesario operar con la matriz 𝑡𝑟𝑎𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑐𝑜𝑛𝑗𝑢𝑔𝑎𝑑𝑎, que no es más que la matriz que se obtiene de
trasponer la conjugada de una matriz dada.

Muchos autores denotan a la matriz

1 0 𝑡𝑟𝑎𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑐𝑜𝑛𝑗𝑢𝑔𝑎𝑑𝑎 como A*
Sea 𝐴 = [ ],
2−𝑖 3 + 4𝑖
a) Hallar la traspuesta conjugada de 𝐴.
b) Mostrar que la conjugada de la traspuesta es igual a la traspuesta de la conjugada de 𝐴.
Solución:
1 0 𝑡 1 2+𝑖
a) (𝐴̅)𝑡 = [ ] =[ ]
2 + 𝑖 3 − 4𝑖 0 3 − 4𝑖
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
1 0 𝑡 ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
1 2−𝑖 1 2+𝑖
b) ̅̅̅
𝐴𝑡 = [ ] =[ ]=[ ] = (𝐴̅)𝑡 ∎
2 − 𝑖 3 + 4𝑖 0 3 + 4𝑖 0 3 − 4𝑖
La igualdad 𝐴̅̅̅𝑡 = (𝐴̅)𝑡 siempre se cumple. Intenta demostrar esa propiedad utilizando el elemento ij-ésimo, tal y como
se ha hecho en anteriores demostraciones.
Página|25
Capítulo I

Transformaciones elementales entre filas

Además de las operaciones y transformaciones vistas anteriormente, es necesario conocer cómo puede ser tranformada una
matriz de manera que conserve determinadas propiedades suyas. A esas transformaciones se les denomina
𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙𝑒𝑠 que pueden ser efectuadas entre las filas o entre las columnas de una matriz. En este libro
se privilegiará el trabajo con las transformaciones elementales entre filas, aunque cuando sea necesario se utilizarán las
transformaciones elementales entre columnas.

Las transformaciones elementales entre filas van a tener múltiples apliaciones en el trabajo con matrices como se irá viendo a lo
largo del libro. Una de las aplicaciones más importantes e inmediatas de las transformaciones elementales entre filas se
encuentra en la resolución de sistemas de ecuaciones lineales de gran tamaño. En general, estas transformaciones permiten
estudiar características esenciales de una matriz a través de otra matriz, pero con una representación más ventajosa.

Definición de transformaciones elementales entre filas

Sea 𝐴 ∈ 𝑀𝑚×𝑛 y 𝑓𝑖 , 𝑓𝑗 dos filas cualesquiera de dicha matriz 𝐴.
Se definen como 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙𝑒𝑠 entre las filas 𝑓𝑖 𝑦 𝑓𝑗 a las siguientes:
Descripción Representación simbólica
1. Intercambio de las filas 𝑓𝑖 𝑦 𝑓𝑗 𝑓𝑖 ↔ 𝑓𝑗
2. Multiplicación de la fila 𝑓𝑖 por un escalar 𝛼 ≠ 0 𝛼𝑓𝑖 → 𝑓𝑖
3. Adición de las filas 𝑓𝑖 𝑦 𝑓𝑗 y sustitución de una de ellas por la suma. 𝑓𝑖 + 𝑓𝑗 → 𝑓𝑖 o 𝑓𝑖 + 𝑓𝑗 → 𝑓𝑗

Las transformaciones elementales entre filas no alteran el orden; o sea, la nueva matriz que resulta después de haber sido aplicada
una o varias transformaciones elementales entre filas, posee el mismo orden que la matriz original.

En general, dos matrices: una original y otra obtenida de la primera mediante transformaciones elementales entre filas, no son
iguales, sin embargo, existe una relacion entre ellas la cual se denominará 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑐𝑖𝑎 𝑝𝑜𝑟 𝑓𝑖𝑙𝑎𝑠.

Definición de matrices equivalentes por filas

Dos matrices 𝐴 y 𝐵 se denominan 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒𝑠 𝑝𝑜𝑟 𝑓𝑖𝑙𝑎𝑠 si 𝐵 se ha obtenido de 𝐴 por la aplicación de transformaciones
elementales entre las filas de 𝐴. Simbólicamente se esribirá que 𝐴~𝐵.

De inmediato, podrá observarse a través del siguiente ejemplo, que la utilización de las transformaciones entre filas, permite
encontrar una matriz escalón equivalente por filas a una matriz dada cualquiera.

1 −3
Encontrar una matriz escalón equivalente por filas a la matriz 𝐴 = (−1/4 3/4)
0 2
Solución:
1 −3 1 −3 1 −3 1 −3
(−1/4 3/4) ~ (−1 3) ~ (0 0) ~ (0 2) ∎
0 2 0 2 0 2 0 0
4𝑓2 → 𝑓2 𝑓1 + 𝑓2 → 𝑓2 𝑓2 ↔ 𝑓3
En el ejemplo anterior se utilizaron las transformaciones elementales de los tres tipos para encontrar una matriz en la forma escalonada.
A dicho procedimiento se le denomina 𝑟𝑒𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑎 𝑙𝑎 𝑓𝑜𝑟𝑚𝑎 𝑒𝑠𝑐𝑎𝑙𝑜𝑛𝑎𝑑𝑎 𝑝𝑜𝑟 𝑓𝑖𝑙𝑎𝑠.
Página|26
Capítulo I
Reducción a la forma escalonada por filas (Método de Gauss)
La reduccion de una matriz a la forma escalonada no tiene solución única, porque existen infinitas matrices escalonadas equivalentes
por filas a una matriz dada y se puede llegar a ellas realizando diferentes transformaciones entre filas; sin embargo, se puede seguir un
𝑝𝑟𝑜𝑐𝑒𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑠𝑖𝑠𝑡𝑒𝑚á𝑡𝑖𝑐𝑜 más eficiente para aplicarlo en cualquier caso, el que se conoce como 𝑀é𝑡𝑜𝑑𝑜 𝑑𝑒 𝐺𝑎𝑢𝑠𝑠 o
𝑚é𝑡𝑜𝑑𝑜 𝑑𝑒 𝑒𝑙𝑖𝑚𝑖𝑛𝑎𝑐𝑖𝑜𝑛 𝑔𝑎𝑢𝑠𝑠𝑖𝑎𝑛𝑎. Al final de la Primera Parte de este libro aparecen unos apuntes históricos donde se puede
conocer más sobre la historia de las matrices, los determinantes y los sistemas de ecuaciones lineales.

El siguiente procedimiento, al que denominaremos 𝑀é𝑡𝑜𝑑𝑜 𝑑𝑒 𝐺𝑎𝑢𝑠𝑠, no es exactamente igual al que se presenta durante el
estudio de la denominada Matemática Numérica, en tanto allí el propósito es alcanzar un método sistemático programable para la
reducción de cualquier matriz a la forma escalonada, independientemente de su configuración y de las características de sus
elementos. El que se presenta a continuación, al proponernos deliberadamente que comprendas su esencia y que puedas realizar
cálculos manualmente sin el apoyo de aplicaciones informáticas, se presentará con matrices cuyos elementos son números enteros
y en consecuencia puedas utilizar las propiedades de los mismos en aras de que todo el trabajo de 𝑒𝑠𝑐𝑎𝑙𝑜𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 se realice con
números enteros. La aplicación de este procedimiento con números reales cualesquiera, puede conducir a equivocaciones en
ciertos casos, debido a errores de redondeo y por el mal condicionamiento de las matrices, por lo cual no es recomendable utilizarlo
en estos. Para ello, existen otros recursos matemáticos que resuelven esas limitaciones.

Método de Gauss:
1. Proponerse establecer un elemento pivote en las posiciones 𝑎𝑖𝑖 , “barriendo” la matriz de izquierda a derecha y de
arriba a abajo, o sea desde la columna 1 hasta la última columna y desde la fila 1 hasta la última fila de la matriz, si
esto fuera posible. Esto puede conllevar al intercambio de una fila por otra de orden superior, o sea, una
transformación del tipo 1.
2. Si en la posición 𝑎𝑖𝑖 de la i-ésima fila no es posible establecer un pivote porque 𝑎𝑖𝑖 = 0, así como todos los elementos
de la columna por debajo de él, entonces pasar a la posición 𝑎𝑖𝑖+1 para establecer el pivote de la fila.
3. Aplicar transformaciones elementales de los tipo 2 y 3 o combinación de ellas para convertir en ceros todos los
elementos de la columna que se encuentran por debajo del pivote de cada fila.
Lo descrito anteriormente se ilustrará a través de los siguientes ejemplos:

Reducir las siguientes matrices a la forma escalonada aplicando el procedimiento sistemático descrito:
1 −3 1 3 3 1
d) 𝐷 = (0 5 1 )
0 5 1
a) 𝐴 = ( ) b) 𝐵 = ( ) c) 𝐶 = ( )
2 8 5 1 1 0 3 2 4 0 2 4
Solución: Análisis sintetizado del procedimiento seguido:
 Elemento 𝑎11 = 1 ≠ 0. Se establece como el pivote de 𝑓1 .
 Por debajo del pivote en la columna 1 existe un elemento
distinto de cero, el 𝑎21 = 2 ≠ 0.
 Hacer cero la celda 𝑎21 mediante la transformación:
−2𝑓1 + 𝑓2 → 𝑓2
Se escribirá:  La matriz obtenida está en la forma escalonada y los pivotes
establecidos son: 𝑎11 = 1 y 𝑎22 = 14
Página|27
Capítulo I

Análisis sintetizado del procedimiento seguido:

 Elemento 𝑎11 = 3 ≠ 0. Se establece como el pivote de 𝑓1 .
 Por debajo del pivote en la columna 1 existe un elemento
distinto de cero, el 𝑎21 = 1 ≠ 0.
 Hacer cero la celda 𝑎21 mediante la transformación:
Se escribirá:
𝑓1 − 3𝑓2 → 𝑓2
 La matriz obtenida está en la forma escalonada y los pivotes
establecidos son: 𝑎11 = 3 y 𝑎23 = 1

Análisis sintetizado del procedimiento seguido:

 Elemento 𝑎11 = 0, pero en la propia columna 1 existe un elemento diferente de
cero, el elemento 𝑎21 = 3 ≠ 0 . Puede haber un pivote en la celda 𝑎11 .
 Intercambiar filas: 𝑓1 ↔ 𝑓2
Se escribirá:
 La matriz obtenida está en la forma escalonada y los pivotes establecidos son:
𝑎11 = 3 y 𝑎22 = 5

Se escribirá:
Análisis sintetizado del procedimiento seguido:
 Todos los elementos de la primera columna son ceros.
 El pivote de la primera fila no está en la primera columna.
 Se establece como pivote de la fila 1 al elemento 𝑎12 = 5 ≠ 0
 Por debajo del pivote, en la columna 2, existe un elemento
distinto de cero, el 𝑎22 = 2 ≠ 0.
 Hacer cero la celda 𝑎22 mediante la transformación:
2𝑓1 − 5𝑓2 → 𝑓2
 La matriz obtenida está en la forma escalonada y los pivotes
establecidos son: 𝑎12 = 5 y 𝑎23 = −18

En el ejemplo anterior se ha detallado lo que llamamos un Cálculo Auxiliar Escrito. No hay ninguna impedimenta para que lo
hagas cuando lo creas conveniente e incluso es beneficioso que lo hagas en tus primeros ejercicios, aunque es deseable que
en la mayoría de los casos esos cálculos los puedas hacer mentalmente, cuando los números ameriten hacerlo.
Página|28
Capítulo I

Reducir las siguientes matrices a la forma escalonada aplicando el Método de Gauss:

1 −3 1 1 −3 1
a) 𝐴 = ( 2 8 5) b) 𝐵 = (2 −6 2)
Es posible realizar más de una transformación
−5 1 2 3 1 2 elemental en un solo paso, siempre que no
interfieran entre ellas, o sea, si el resultado se
coloca en diferentes filas.

Análisis sintetizado del procedimiento seguido:

 Elemento 𝑎11 = 1 ≠ 0. Se establece como el pivote de
la fila 1.
 Por debajo del pivote en la columna 1 existen dos
elementos distintos de cero, el 𝑎21 = 2 ≠ 0 y el 𝑎31 =
−5 ≠ 0
 Hacer cero las celdas 𝑎21 y 𝑎31 mediante las
transformaciones: −2𝑓1 + 𝑓2 → 𝑓2 y 5𝑓1 + 𝑓3 → 𝑓3
Se escribirá:  La matriz obtenida aún no está en la forma escalonada,
debe establecerse el pivote de la fila 2. Como la celda
𝑎22 = 14 ≠ 0, este es el pivote de 𝑓2 .
 Hacer cero la celda 𝑎23 = −14 ≠ 0 mediante la
transformación: 𝑓2 + 𝑓3 → 𝑓3
 La matriz obtenida está en la forma escalonada y los
pivotes establecidos son: 𝑎11 = 1, 𝑎22 = 14 y 𝑎33 = 10.

Análisis sintetizado del procedimiento seguido:

 Elemento 𝑎11 = 1 ≠ 0. Es el pivote de la fila 1.
 Existen dos elementos distintos de cero en la
columna 1 : el 𝑎21 = 2 ≠ 0 y el 𝑎31 = −5 ≠ 0
 Hacer cero las celdas 𝑎21 y 𝑎31 mediante las
transformaciones: −2𝑓1 + 𝑓2 → 𝑓2 y 5𝑓1 + 𝑓3 → 𝑓3
Se escribirá:  La matriz obtenida aún no está en la forma escalonada,
porque existe una fila nula, la fila 2 por encima de una
fila no nula.
 Intercambiar las filas 2 y 3
 La matriz obtenida está en la forma escalonada y los
pivotes establecidos son: 𝑎11 = 1, 𝑎22 = −14 .

En ocasiones no basta con reducir una matriz a la forma escalonada, sino que es deseable que esté en la 𝑓𝑜𝑟𝑚𝑎 𝑟𝑒𝑑𝑢𝑐𝑖𝑑𝑎 𝑝𝑜𝑟 𝑓𝑖𝑙𝑎𝑠
o como ya convinimos en llamar 𝑓𝑜𝑟𝑚𝑎 𝑒𝑠𝑐𝑎𝑙𝑜𝑛𝑎𝑑𝑎 𝑟𝑒𝑑𝑢𝑐𝑖𝑑𝑎.
El procedimiento para obtener una matriz en la forma escalonada reducida por filas toma como partida las ideas de mejorar
el Método de Gauss para la resolución de sistemas de ecuaciones lineales.
Página|29
Capítulo I
Por lo anterior, al siguiente procedimiento lo denominaremos 𝑀é𝑡𝑜𝑑𝑜 𝑑𝑒 𝐺𝑎𝑢𝑠𝑠 − 𝐽𝑜𝑟𝑑𝑎𝑛4 para la obtención de una matriz
en la forma escalonada reducida, distinguiéndolo del procedimiento abordado anteriormente.

Dos resultados importantes asociados a la reducción de matrices a la forma escalonada reducida por filas son los siguientes:

1) El Método de Gauss-Jordan, a diferencia del Método de Gauss, ofrece un resultado único, por tanto dada una matriz
cualquiera solo existe una matriz en forma escalonada reducida equivalentes por filas a ella.
2) Si una matriz de orden 𝑛 × 𝑚 tiene exactamente 𝑛 pivotes, entonces la matriz escalonada reducida equivalente por
filas a ella, solo puede ser la matriz 𝐼𝑛 (matriz identidad de orden 𝑛) o una que la contiene a ella.

Método de Gauss-Jordan para reducir una matriz a su forma escalonada reducida:

1. Reducir la matriz a la forma escalonada (Método de Gauss o trabajo hacia adelante).
2. Aplicar transformaciones elementales de tipo 2 y 3 o combinación de ellas, para convertir en ceros todos los
elementos de la columna que se encuentran por encima del pivote de cada fila. (Trabajo hacia atrás)
3. Identificar las filas en las cuales el pivote es diferente de 1 y en ese caso multiplicar la fila por el recíproco del pivote
para obtener el valor 1.

Recuérdese que una matriz en la forma escalonada reducida por filas es una matriz escalón donde todos los pivotes de las
filas no nulas son iguales a 1 y todos los elementos de las columnas de los pivotes, excepto ellos, son 0.

2 40 2 4 0 1
Reducir las siguientes matrices a la forma escalonada reducida 𝐴 = (−1 5 0) y 𝐵 = (−1 5 2 −1)
3 −1 2 3 −1 2 2
Solución:

Nota importante:
La reducción a la forma escalonada reducida por filas puede seguir dos vías, como las seguidas en los ejemplos anteriores:
Vía 1: Reducir la matriz dada a la forma escalonada (trabajo hacia adelante) y después hacer ceros en los elementos que se
encuentran en las columnas con pivotes por encima de ellos (trabajo hacia atrás), como se siguió en el inciso a).
Vía 2: Trabajar simultáneamente en cada columna, haciendo ceros por encima y por debajo de cada pivote, una vez
identificado este, como se siguió en el inciso b).

4 Wilhelm Jordan (1842-1899) ingeniero geodésico alemán que introdujo dicha mejora, al utilizarlo en sus trabajos de topografía.
Página|30
Capítulo I

Matriz inversa
En los dominios numéricos ℚ, ℝ 𝑦 ℂ de los números racionales, reales y complejos respectivamente, con excepción del cero,
todo número posee un recíproco o 𝑖𝑛𝑣𝑒𝑟𝑠𝑜 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑜. La división de números, solamente no definida para cero como
divisor, es la operación inversa de la multiplicación.

En el caso de las matrices ya quedó definida la multiplicación, pero no así la división. En la búsqueda de un modelo análogo
para las matrices, su multiplicación y el inverso multiplicativo, surge el concepto de matriz inversa, la cual está asociada a la
matriz identidad, tal y como el recíproco de un número está asociado a la unidad. Establezcamos un paralelo entre ambos
dominios en torno a la multiplicación usual definida en ellos, para encontrar qué es común y qué es necesario determinar:
Dominio numérico Dominio de matrices
Elemento unidad 1 𝐼
Elemento arbitrario 𝑎 𝐴
Elemento excluido 𝑎=0 ¿A?
Inverso multiplicativo 𝑏 𝐵
Relación 𝑎𝑏 = 1 = 𝑏𝑎 ¿ 𝐴𝐵 = 𝐼 = 𝐵𝐴?
𝑏 es el único número
Unicidad del inverso multiplicativo ¿B es único?
que satisface la relación

Las incógnitas anteriores se dilucidarán a lo largo del presente epígrafe.

Definición de matriz inversa

Sea 𝐴 ∈ 𝑀𝑛 . Si existe una matriz 𝐵 ∈ 𝑀𝑛 tal que 𝐴𝐵 = 𝐵𝐴 = 𝐼 donde 𝐼 ∈ 𝑀𝑛 es la matriz identidad de orden 𝑛, se dice que
𝐴 𝑝𝑜𝑠𝑒𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑎, 𝐴 𝑒𝑠 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑏𝑙𝑒 𝑜 𝐴 𝑒𝑠 𝑛𝑜 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟 y en ese caso se dice que 𝐵 es la inversa de 𝐴.

Esta definición, al utilizar el artículo determinado “la” para referirse a la inversa de 𝐴, sugiere que la inversa si existe, es única,
lo cual aparece refrendado en el siguiente teorema.

Teorema 1: (de unicidad de la matriz inversa)

Sea 𝐴 ∈ 𝑀𝑛 . Si 𝐴 posee inversa, entonces esta es única.
Al demostrar un 𝑡𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑢𝑛𝑖𝑐𝑖𝑑𝑎𝑑, es
Demostración: usual utilizar como técnica la 𝑑𝑒𝑚𝑜𝑠𝑡𝑟𝑎𝑐𝑖ó𝑛
𝑖𝑛𝑑𝑖𝑟𝑒𝑐𝑡𝑎, o sea suponer lo contrario de lo
Se partirá de suponer que si una matriz es invertible, entonces puede tener más que se afirma; en este caso, suponer que
de una matriz inversa, o sea que la matriz inversa no es única. Supóngase que existen dos soluciones, para concluir después
que lo supuesto es falso, porque las dos
existen al menos dos matrices inversas diferentes 𝐵 y 𝐶.
soluciones es una y la misma.
Por tanto, basándose en la definición, se debe cumplir que: 𝐴𝐵 = 𝐵𝐴 = 𝐼 y
también 𝐴𝐶 = 𝐶𝐴 = 𝐼.
En virtud de la asociatividad de la multiplicación de matrices, se cumple que 𝐵(𝐴𝐶) = (𝐵𝐴)𝐶, resultado que se empleará a
continuación.
𝐵 = 𝐵𝐼 = 𝐵(𝐴𝐶) = (𝐵𝐴)𝐶 = 𝐼𝐶 = 𝐶
Con lo que queda probado que lo supuesto es falso, no existen dos matrices inversas, pues 𝐵 = 𝐶. 

En virtud de la unicidad de la inversa de una matriz, cuando esta existe, se utilizará la notación 𝐴−1 . El superíndice −1 tendrá
la misma interpretación que cuando se utiliza para designar a la función inversa 𝑓 −1 de una cierta función biyectiva 𝑓.
Página|31
Capítulo I

3 −1
Hallar, si existe, la inversa de 𝐴 = ( )
−5 2
Solución:
Supóngase que existe cierta matriz cuadrada 𝐵 de orden 2 como la inversa de 𝐴. Como es desconocida, plantearemos que
𝑎 𝑏
sea 𝐵 = ( ), entonces:
𝑐 𝑑
3 −1 𝑎 𝑏 1 0
𝐴𝐵 = ( )( )=( ) = 𝐼2
−5 2 𝑐 𝑑 0 1
En virtud de lo visto al final del epígrafe de matrices por bloques, la ecuación anterior puede ser desglosada en 2 ecuaciones,
donde cada una de las cuales solo depende de dos variables. Bastará particionar la mariz incógnita 𝐵 en sus dos columnas.
3 −1 𝑎 1 3 −1 𝑏 0
Así, resultan las ecuaciones: 𝐴𝐵11 = ( ) ( ) = ( ) y 𝐴𝐵12 = ( )( ) = ( )
−5 2 𝑐 0 −5 2 𝑑 1
La primera ecuación conduce al sistema de ecuaciones de 2 con 2:
3𝑎 − 𝑐 = 1
{ cuya solución es 𝑎 = 2 𝑦 𝑐 = 5,
−5𝑎 + 2𝑐 = 0
La segunda ecuación conduce al sistema de ecuaciones de 2 con 2:
3𝑏 − 𝑑 = 0
{ cuya solución es 𝑏 = 1 𝑦 𝑑 = 3.
−5𝑏 + 2𝑑 = 1
2 1
Integrando los resultados obtenidos, se tiene que 𝐵 = ( ).
5 3
Comprobando:
3 −1 2 1 1 0
𝐴𝐵 = ( )( )=( ) = 𝐼2
−5 2 5 3 0 1
Como la multiplicación de matrices no es conmutativa, debe calcularse el producto 𝐵𝐴 y verificar.
2 1 3 −1 1 0
𝐵𝐴 = ( )( )=( ) = 𝐼2
5 3 −5 2 0 1
2 1
Por tanto, 𝐴−1 = ( ) y por tanto 𝐴 es invertible.∎
5 3
Procedimientos análogos pueden utilizarse para hallar la inversa de una matriz no singular de orden mayor que 2 o
determinar que la matriz dada no es invertible.

Algunas propiedades de la inversa

De la definición se infiere directamente la primera propiedad de la inversa de una matriz y es que si 𝐴 es invertible, porque
satisface la relación 𝐴𝐵 = 𝐵𝐴 = 𝐼 y por tanto, 𝐵 = 𝐴−1 ;entonces lo mismo puede argumentarse para la matriz 𝐵, por dos
razones:

 𝐵 debe ser cuadrada y del mismo orden de 𝐴, porque si no, no conmutarían en el producto,
 La igualdad es una relacion recíproca, o sea, también se cumple que: 𝐵𝐴 = 𝐴𝐵 = 𝐼
Por tanto, 𝐵 es invertible y 𝐴 = 𝐵 −1 .
Página|32
Capítulo I
En resumen, la relación de inversibilidad entre matrices es una 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑟𝑒𝑐í𝑝𝑟𝑜𝑐𝑎:
Otras 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑟𝑒𝑐í𝑝𝑟𝑜𝑐𝑎𝑠:
El paralelismo y la perpendicularidad
Propiedad 1: “Si 𝐵 es la inversa de 𝐴, entonces 𝐴 es la inversa de 𝐵" de rectas, la relación “hermano de”, la
igualdad y la semejanza de triángulos,
En otras palabras: (𝐴−1 )−1 = 𝐴, entre otras. No son recíprocas: la
relación de orden “menor que”, la
Cabría preguntarse si no es posible que exista una matriz 𝐵, tal que 𝐴𝐵 = 𝐼, pero relación “padre de”, entre otras.
que 𝐵𝐴 ≠ 𝐼, con lo cual 𝐵 no sería la inversa de 𝐴. O en otras palabras, ¿Será
necesario cada vez que se halle una matriz cuadrada 𝐵 tal que 𝐴𝐵 = 𝐼, comprobar
si se satisface también la relación 𝐵𝐴 = 𝐼?

La respuesta a esta pregunta es que en efecto: si para ciertas matrices cuadradas 𝐴 𝑦 𝐵 se satisface la igualdad 𝐴𝐵 = 𝐼,
también se satisface la igualdad 𝐵𝐴 = 𝐼, ambas matrices son invertibles y además se cumple que 𝐵 = 𝐴−1 y que 𝐴 = 𝐵−1. La
demostración de esta proposición se hará en el capítulo siguiente cuando se estudien los 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒𝑠.

La inversión de matrices está relacionada con las dos operaciones de multiplicación del álgebra de matrices, a saber:

1
Propiedad 2: “Si A es invertible y 𝑘 es un escalar diferente de cero, entonces (𝑘𝐴)−1 = 𝑘 𝐴−1”

Demostración:
1
Considérese 𝐵 = 𝑘𝐴. Supóngase que 𝐵 −1 = 𝐴−1, entonces debe satisfacer la definición, o sea que:
𝑘
1
𝐵𝐵−1 = (𝑘𝐴) ( 𝐴−1 ) = 𝐼
𝑘
1 1
En efecto: 𝐵𝐵−1 = (𝑘𝐴)(𝑘𝐴)−1 = (𝑘𝐴) ( 𝐴−1 ) = (𝑘 ) 𝐴𝐴−1 = 1𝐼 = 𝐼
𝑘 𝑘

Como ya se adelantó, también se cumple que 𝐵 −1 𝐵 = 𝐼 y en virtud de la unicidad de la inversa, queda probada la igualdad.

Propiedad 3: “Si A y B son invertibles del mismo orden, entonces (𝐴𝐵)−1 = 𝐵−1 𝐴−1 ”
Demostración:
Considérese 𝐶 = 𝐴𝐵. Supóngase que 𝐶 −1 = 𝐵−1 𝐴−1, entonces debe satisfacer la definición, o sea que:
𝐶𝐶 −1 = (𝐴𝐵)(𝐵−1 𝐴−1 ) = 𝐼
En efecto: 𝐶𝐶 −1 = (𝐴𝐵)(𝐴𝐵)−1 = (𝐴𝐵)(𝐵−1 𝐴−1 ) = 𝐴(𝐵𝐵−1 )𝐴−1 = 𝐴𝐼𝐴−1 = 𝐴𝐴−1 = 𝐼
Como ya se adelantó, también se cumple que 𝐶 −1 𝐶 = 𝐼 y en virtud de la unicidad de la inversa, queda probada la igualdad.

Una tercera propiedad relaciona la traspuesta y la inversa de una matriz, de manera que la inversa de la traspuesta es la
traspuesta de la inversa:

Propiedad 4: “Si A es invertible, entonces (𝐴𝑡 )−1 = (𝐴−1 )𝑡 ”

Demostración:
Considérese 𝐵 = 𝐴𝑡 . Supóngase que 𝐵−1 = (𝐴−1 )𝑡 , entonces debe satisfacer la definición, o sea que:
𝐵𝐵−1 = 𝐴𝑡 (𝐴−1 )𝑡 = 𝐼
En efecto: 𝐵𝐵−1 = 𝐴𝑡 (𝐴−1 )𝑡 = (𝐴−1 𝐴)𝑡 = (𝐼)𝑡 = 𝐼
Como ya se adelantó, también se cumple que 𝐵 −1 𝐵 = 𝐼 y en virtud de la unicidad de la inversa, queda probada la igualdad.

Una quinta propiedad va a vincular la matriz inversa con la reducción de matrices a la forma escalonada:
Página|33
Capítulo I
Propiedad 5: “Si 𝐴 es invertible de orden 𝑛, entonces 𝐴 es equivalente por filas a la matriz identidad 𝐼𝑛 ”
Demostración:
Toda matriz invertible de orden 𝑛 tiene exactamente 𝑛 pivotes y en consecuencia 𝑛 filas y 𝑛 columnas no nulas, por tanto al ser
transformada a la forma escalonada reducida, estos 𝑛 pivotes serán convertidos en unos y por debajo y por encima de ellos habrá
solamente ceros, o sea se llegará por construcción a una matriz identidad de orden 𝑛, la cual es equivalente por filas con la matriz
original.
Como ya se vio anteriormente, toda matriz es equivalente a una única matriz escalonada reducida. Teniendo en cuenta lo anterior,
no existe otra matriz escalonada reducida equivalente por filas a una matriz invertible de orden 𝑛 que la matriz 𝐼𝑛 . 

Basada en la Propiedad 5 se obtiene un procedimiento general para hallar la inversa de una matriz invertible, el que se
discutirá a continuación.

Método de Gauss-Jordan para hallar la inversa de una matriz cuadrada:

Sea 𝐴 una matriz cuadrada de orden 𝑛 e 𝐼 la matriz identidad de orden 𝑛.

1. Formar la matriz de bloques (𝐴|𝐼).

2. Reducir la matriz de bloques a la forma escalonada reducida.
3. Si 𝐴 es una matriz invertible, entonces se obtendrá como resultado del paso 2, la forma escalonada reducida (𝐼|𝐴−1 )
que es una matriz equivalente por filas a la matriz de bloques (𝐴|𝐼), y en consecuencia, la matriz 𝐴 es equivalente a la
matriz identidad 𝐼 del mismo orden, pues no se han realizado transformaciones entre columnas.

1 1 0
Halla la inversa de la matriz 𝐴 = (−1 0 1) utilizando el Método de Gauss-Jordan.
0 −1 2

Solución:

Comprobación:
Página|34
Capítulo I
Observación:
Al igual que en la definición, no es necesario saber 𝑎 𝑝𝑟𝑖𝑜𝑟𝑖 si una matriz posee inversa para tratar de hallarla por el Método de
Gauss-Jordan. Si la matriz dada no fuera invertible, entonces la matriz escalonada reducida equivalente por filas a ella no sería la
matriz identidad del mismo orden.

Esto se establece en el siguiente teorema que generaliza la Propiedad 5.

Teorema 2:
Sea 𝐴 ∈ 𝑀𝑛 . 𝐴 es invertible si y solo si es equivalente por filas a la matriz identidad de orden n.

La demostración de esta propiedad se apoya en la teoría de las denominadas 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙𝑒𝑠, la cual no se abordará en este
libro y puede el lector encontrar en cualquier libro de Álgebra Lineal, por ejemplo en Grossman, S. & Flores, J. (2012). Álgebra Lineal.
7ma Edición. McGrawHill. México

Cálculo de la inversa con tecnología

En la práctica, la inversa de una matriz se determina utilizando recursos informáticos. A través de los denominados asistentes
matemáticos (MATLAB, Mathematica, Maple, Derive, entre otros) y hasta en aplicaciones para móviles y tablets es posible
calcular la inversa de una matriz. O sea, es una operación que puede realizarse en distintos soportes. En la carrera
seguramente utilizarás el MATLAB en diferentes ocasiones, por lo que sería conveniente que te pudieras familiarizar con él.
Si puedes descargar en tu móvil una aplicación que opere con matrices, te será de utilidad en el estudio de los contenidos del
Álgebra Lineal y la Geometría Analítica.
A continuación se mostrará, a través de un ejemplo, cómo puede calcularse la inversa de una matriz utilizando la aplicación Excel
del paquete de Office de Microsoft Corporation, aplicación que está al alcance de la mayoría de los lectores.

2 3 0
Calcule la inversa de la matriz 𝐴 = [ 1 3 −1] utilizando la función MINVERSA de Excel.
2 1 2
Solución:
1. Se abre una Hoja nueva de Excel.
2. Se introduce la matriz en un rango de celdas acorde al orden de la matriz; por ejemplo, columnas: D a F y filas: 23 a 25.
En total 9 celdas.
3. En una celda no contenida en el área anterior, se introduce la función MINVERSA (que debe ir precedida del signo de
igualdad porque es una función) cuyo argumento será el rango de celdas de la matriz introducida. O sea,
= 𝑀𝐼𝑁𝑉𝐸𝑅𝑆𝐴(𝐷23: 𝐹25), por ejemplo, en la celda E27.
4. Selecciona con el cursor un rango de 3 × 3 celdas vacías con la condición de que la primera celda sea precisamente
donde fue introducida la función. En este caso, el rango de celdas seleccionado fue E27:G29.
5. Oprime la tecla F2 y después simultáneamente la combinación de teclas 𝐶𝑜𝑛𝑡𝑟𝑜𝑙 + 𝑀𝑎𝑦ú𝑠𝑐𝑢𝑙𝑎𝑠 + 𝐸𝑛𝑡𝑟𝑎𝑟 y en el
rango de celdas vacías seleccionadas aparecerá la inversa de la matriz introducida.

∎
Página|35
Capítulo I
Si tienes posibilidades de utilizar el asistente matemático MATLAB, entonces el proceder es más sencillo, porque es un
software especializado en cálculos matemáticos.

2 3 0
Calcule la inversa de la matriz 𝐴 = [1 3 −1] utilizando MATLAB.
2 1 2
Solución:

Nota:
En ambos programas informáticos (Excel y MATLAB) es posible establecer por el usuario la cantidad de cifras decimales con
que se desee se expresen los resultados.
Página|36
Capítulo I

Rango de un matriz
Una de las propiedades intrínsecas de las matrices es su 𝑟𝑎𝑛𝑔𝑜, el cual tendrá aplicaciones en la resolución de los Sistemas
de Ecuaciones Lineales y en el estudio de los Espacios Vectoriales, contenidos que estudiarás con posterioridad. Debido a la
importancia de su uso, no se postergará su introducción y esta se hará a partir del rango de las matrices escalonadas, a las
cuales puede determinársele por simple inspección. Una definición formal deberá aguardar al estudio de la teoría de los
espacios vectoriales.

Definición de rango de una matriz escalón

El rango de una matriz escalón o en forma escalonada es igual al número de filas no nulas de dicha matriz.

Consecuencias inmediatas de la definición son las siguientes:

1. Las matrices nulas, como se sabe son matrices en forma escalonada, y por tanto tienen rango igual a cero.
2. Las matrices filas no nulas, en tanto son matrices escalón, tienen rango igual a uno.

2 4 0 1 1 0 0
2 4 0 1
Las matrices 𝐴 = [0 0 1 5], 𝐵 = [ ], 𝐶 = [2 4 0 1] y 𝐼3 = [0 1 0] son matrices escalón. Por
0 0 1 5
0 0 0 0 0 0 1
tanto, las matrices 𝐴 y 𝐵 tienen rango 2, la matriz 𝐶 tiene rango 1 y la matriz identidad 𝐼3 posee rango 3, coincidiendo en cada
caso con la cantidad de filas no nulas de cada una de ellas. ∎

Un resultado que permitirá extender la definición de rango a cualquier matriz es el siguiente:

Proposición:
Dos matrices 𝐴 y 𝐵 equivalentes por filas (o por columnas) poseen el mismo rango.

De la sección anterior se sabe que siempre es posible reducir una matriz a la forma escalonada, lo cual no es más que
encontrar una matriz escalón equivalente por filas (columnas) a la matriz dada.

Tomando en cuenta lo dicho anteriormente y la última proposición se puede inferir que es posible conocer el rango de una
matriz si se conoce el rango de cualquier matriz escalón equivalente por filas (columnas) a ella. Esta conclusión se asumirá
como definición provisional de rango de una matriz.

Definición provisional de rango de una matriz

Sea 𝐴 ∈ 𝑀𝑚×𝑛 una matriz real o compleja cualquiera. El 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝐴 es igual al rango de cualquier matriz escalón equivalente
por filas (o por columnas) a ella. El rango de 𝐴 se denotará por 𝑟(𝐴).

A partir de las dos definiciones dadas, pueden extraerse las siguientes cuatro conclusiones:

1. Las únicas matrices con rango cero son las matrices nulas.
2. Las matrices filas no nulas y las matrices columnas no nulas, poseen rango 1.
3. El rango de una matriz es igual al número de pivotes de cualquier matriz escalón equivalente por filas (columnas) a ella.
4. El rango de una matriz cualquiera puede determinarse reduciendo la matriz a la forma escalonada por filas.

Se deja al lector la discusión y fundamentación de cada una de estas conclusiones.

Página|37
Capítulo I
Procedimiento general para hallar el rango de un matriz
Para hallar el rango de una matriz se procederá de la siguiente forma, apoyada en las definiciones de esta sección:

 Si la matriz dada está en la forma escalonada por filas, el rango es igual al número de filas no nulas.
 Si la matriz no está en la forma escalonada por filas, se debe:
1. Reducir la matriz dada a la forma escalonada por filas.
2. Determinar el rango de la matriz escalonada hallada, contando sus filas no nulas
3. Concluir que el rango de la matriz dada es igual al rango de la matriz escalón obtenida, porque es equivalente por
filas a ella.

1 2 4
Determine el rango de la matriz 𝐴 = [2 4 8]
1 3 5

Solución:
1 2 4 1 2 4 1 2 4
𝐴 = [2 4 8] ~ [ 0 0 0 ] ~ [0 1 1] = 𝐸
1 3 5 0 1 1 0 0 0
Por tanto, 𝑟(𝐴) = 𝑟(𝐸) = 2 ∎

Algunas propiedades del rango de una matriz

1. El rango de una matriz 𝐴𝑚×𝑛 es un número natural que está acotado inferiormente por cero y superiormente por el orden
de la matriz, o sea: 0 ≤ 𝑟(𝐴𝑚×𝑛 ) ≤ 𝑚í𝑛{𝑚, 𝑛}

2. Si 𝐴 ∈ 𝑀𝑛 es triangular existen dos posibilidades:

 Todos los elementos de la diagonal principal son diferentes de cero, entonces 𝑟(𝐴) = 𝑛.
 Existe al menos un elemento de la diagonal principal que es igual a cero, entonces 𝑟(𝐴) < 𝑛.

3. El rango de una matriz es igual al rango de su transpuesta. En símbolos: 𝑟(𝐴) = 𝑟(𝐴𝑡 )

4. El rango de una matriz 𝐴 ∈ 𝑀𝑛 no singular es igual a su orden, o sea, 𝑟(𝐴) = 𝑛.

5. Si 𝐴 ∈ 𝑀𝑚𝑥𝑛 cualquiera y 𝐵 ∈ 𝑀𝑛 y 𝐶 ∈ 𝑀𝑚 no singulares, entonces 𝑟(𝐴𝐵) = 𝑟(𝐴) = 𝑟(𝐶𝐴).

Otras propiedades del rango de una matriz se estudiarán en el Capítulo II, asociadas al determinante de la matriz.

En ocasiones, es conveniente recurrir a la siguiente caracterización del rango de una matriz, para determinarlo.

Teorema 3: (Caracterización del rango)

El rango de una matriz 𝐴 ∈ 𝑀𝑚×𝑛 es igual al orden de sus submatrices cuadradas no singulares de mayor orden.

La anterior caracterización, centra el análisis para determinar el rango de una matriz en aquellas submatrices o bloques
cuadrados de una matriz y su carácter de invertibles o no.

En efecto, en ocasiones, con solo identificar a las submatrices o bloques de mayor orden que sean no singulares, bastará para
determinar el rango de una matriz. Se ilustrará con dos ejemplos sencillos, pues para mayores pretensiones será necesario
utilizar los determinantes, tema de estudio del próximo capítulo.
Página|38
Capítulo I

2 3 0
Conociendo que la matriz del Ejemplo 39, 𝑆 = [1 3 −1] es invertible, halle el rango de las siguientes matrices:
2 1 2
0 0 0 0
2 3 0 3
2 2 3 0
a) 𝐴 = [1 3 −1 48 ] , b) 𝐵 = [ ]
1 1 3 −1
2 1 2 −3
0 2 1 2

Solución:
a) 𝐴 es una matriz rectangular, por tanto, según la propiedad 1, se debe cumplir que: 0 ≤ 𝑟(𝐴3×4 ) ≤ 𝑚í𝑛{3,4}

Por tanto, 0 ≤ 𝑟(𝐴) ≤ 3

Pero 𝑟(𝐴) ≠ 0, porque 𝐴 no es una matriz nula, y estas son las únicas con rango igual a cero. Eso implica que existen tres
posibilidades: 𝑟(𝐴) = 1, 𝑟(𝐴) = 2 o 𝑟(𝐴) = 3.

Según la caracterización, el rango de 𝐴 será igual al orden de las submatrices cuadradas no singulares de mayor orden.
Como no puede haber submatrices cuadradas de orden 4, se tendrá que analizar las de orden 3. Bastaría que haya una
submatriz cuadrada no singular de orden 3, para aseverar que 3 es el rango de 𝐴. En efecto, como 𝑆 está contenida en 𝐴
en calidad de una submatriz de orden 3

y se sabe por datos que 𝑆 es no singular, se puede afirmar que 𝑟(𝐴) = 3.

b) En virtud de la propiedad 1, se tiene que 0 ≤ 𝑟(𝐵4×4 ) ≤ 𝑚í𝑛{4,4}, o lo que es lo mismo: 0 ≤ 𝑟(𝐵) ≤ 4

Por una parte 𝐵 no es una matriz nula, por tanto 𝑟(𝐵) ≠ 0.

Por otra parte, 𝐵 es una matriz cuadrada, por tanto, ella misma es una submatriz cuadrada suya. Bastaría probar que es
no singular para concluir que su rango es 4, pero como posee una fila nula, la primera, de aplicarse el procedimiento
general, se podría concluir que no existe ninguna matriz escalón de rango 4 equivalente a 𝐵, porque todas tendrían al
menos la última fila nula, como resultado de aplicar la transformación elemental de intercambio de las filas 1 y 4. Por
tanto, se concluye que 𝑟(𝐵) ≠ 4.

Por tanto, 1 ≤ 𝑟(𝐵) ≤ 3, teniendo a 3 como su valor máximo posible.

Se puede observar que:

Como 𝑟(𝐵) puede ser igual a 3 y la matriz 𝑆 está contenida en 𝐵, se puede concluir que 𝑟(𝐵) = 3. ∎

A manera de resumen, en ocasiones es posible aplicar la caracterización de rango de una matriz si se posee información
adicional o es posible obtenerla fácilmente como se verá en el Capítulo II. Esta resulta una alternativa al Procedimiento
general, el cual siempre es aplicable, pero en muchos casos innecesario.
Página|39
Capítulo I

Conclusiones del Capítulo

En el Capítulo se comenzó el estudio de las matrices, objetos matemáticos que facilitan la modelación de numerosos tipos de problemas
donde es necesario organizar información relevante con una estructura bidimensional, que permita además operar fácilmente con ella,
extraer información subyacente en la misma e incluso transformarla convenientemente para una más fácil manipulación.

Aunque la mayoría de los ejemplos se trataron con matrices reales, e incluso prácticamente con números enteros, en los problemas
de ingeniería pueden aparecer matrices tanto reales como complejas y todas las propiedades y operaciones abordadas en el capítulo
pueden realizarse independientemente de la naturaleza de los elementos de ellas.

Se definieron algunos tipos particulares de matrices, quizás los que con mayor frecuencia aparecen en la teoría y los problemas; pero
queda al lector preocuparse por otros tipos, no menos importantes como: las matrices bidiagonales, las matrices ortogonales, las
matrices hermíticas, las matrices de Jordan, por solo citar algunos ejemplos. También en el Capítulo se estudiaron otras matrices
relacionadas con una matriz dada, a saber: la opuesta, la traspuesta y la conjugada, las cuales existen para cualquier matriz.

Se definieron también las 3 operaciones que conforman la denominada álgebra de matrices, o sea: la multiplicación por un escalar, la
adición de matrices y la multiplicación de matrices; así como sus propiedades. Interesante e importante debió resultar para el lector
“lo extraño” de la multiplicación de matrices, la cual “rompe” con algunos conceptos firmemente arraigados debido a su validez en la
multiplicación de números, pero que no constituyen verdades absolutas, pues la multiplicación de matrices no es conmutativa, el cero
tiene divisores, no existe un único elemento unidad en los conjuntos de matrices rectangulares y aunque haya un factor común en una
suma de productos a veces no puede ser extraído. Asimismo, en una igualdad de productos en ocasiones no es posible la cancelación,
aunque haya un factor común a ambos productos. Por otra parte, debe tenerse cuidado en la extracción de factores comunes porque
el elemento unidad no siempre puede omitirse, como en la multiplicación nimérica.

Asociada a la multiplicación está la existencia del inverso multiplicativo en el dominio de las matrices, o sea las matrices inversas; las
cuales, también contraponiendo a lo aprendido en la multiplicación de números, no siempre existen. Estas solo tienen sentido en el
caso de las matrices cuadradas y al menos, por el momento, se presentaron dos métodos para hallarlas, si es posible: resolviendo el
sistema de ecuaciones que resulta de la definición y el Método de Gauss-Jordan.

Se dio respuesta a dos de las tres preguntas que se plantearon al principio de la sección Matriz Inversa, a saber:

Para una matriz no singular 𝐴, se cumple que: a) Siempre existe una matriz 𝐵, también no singular, tal que se satisface la
relación AB = 𝐼 = 𝐵𝐴 y b) La matriz 𝐵 que satisfaga tal relación, es única y se denomina la matriz inversa de 𝐴.

Queda por responder, qué característica particular identifica a aquellas matrices que no poseen inversa, o sea a las matrices singulares.
Eso será respondido en el próximo capítulo.

En el citado método de Gauss-Jordan para hallar la inversa de una matriz se puso de manifiesto la utilidad de las denominadas
transformaciones elementales entre filas de una matriz para obtener matrices equivalentes por filas. Sin embargo, en los próximos
capítulos se apreciará con mayor claridad la aplicabilidad de las mismas.

Al final del Capítulo se presentó una propiedad intrínseca de las matrices, su rango, que continuará siendo estudiado y utilizado en los
siguientes capítulos del libro.

Para fijar y sistematizar lo aprendido en el Capítulo, se presentará una colección de preguntas teóricas, algunas para responder
rápidamente y otras en que debe razonarse antes de contestar, las cuales sugerimos que se respondan antes de pasar a realizar los
Ejercicios Propuestos, por ti mismo o quizás algunos con ayuda de algún compañero; todos poseen respuesta, lo cual ayudará a
corroborar el resultado alcanzado o rectificar el error o descuido cometido al resolverlos.
Página|40
Capítulo I

Preguntas teóricas
1) ¿Qué significa que las matrices A y B sean iguales?
2) ¿A qué se le llama matriz fila?
3) ¿A qué se le llama matriz columna?
4) ¿A qué se le llama matriz identidad?
5) ¿Existen matrices donde todos los elementos son ceros? ¿Cómo se llaman tales matrices?
6) ¿Cómo se clasifica una matriz donde el elemento 𝑎25 sea un número complejo?
7) ¿A qué se denomina diagonal principal de una matriz cuadrada?
8) ¿Cómo se obtiene la matriz traspuesta de una matriz A?
9) ¿A qué se le llama matriz escalón?
10) ¿A qué se le llama matriz en forma escalonada reducida por filas?
11) Si una matriz es triangular inferior, ¿puede ser una matriz escalón?
12) Y si es triangular superior, ¿siempre será una matriz escalón?
13) Una matriz cuadrada con el elemento 𝑎13 = 4, ¿puede ser una matriz de probabilidad?
14) ¿La matriz identidad de orden 5 es una matriz simétrica?
15) ¿Qué valores deben tomar k y p para que las matrices 𝐴5×𝑘 y 𝐵5×𝑝 pueden ser multiplicadas?
16) ¿Qué característica deben tener los pivotes de una matriz escalonada reducida por filas?
17) Una matriz cuyas dos primeras columnas sean nulas, ¿puede estar en forma escalonada?
18) ¿Pueden existir dos matrices diferentes B y C que satisfagan la relación 𝐴𝐵 = 𝐼 = 𝐶𝐴?
19) ¿Cuándo es posible efectuar la adición de dos matrices 𝐴 y 𝐵?
20) ¿Cuándo es posible efectuar la multiplicación de dos matrices 𝐴 y 𝐵?
21) Si 𝐶 = 𝐴 + 𝐵 ¿cómo se calcula el elemento 𝑐𝑖𝑗 de la matriz 𝐶?
22) Si 𝐶 = 𝐴𝐵 ¿cómo se calcula el elemento 𝑐𝑖𝑗 de la matriz 𝐶?
23) ¿Se puede asegurar que cualesquiera sean las matrices 𝐴 y 𝐵 se cumple que 𝐴𝐵 = 𝐵𝐴?
24) ¿Es posible que existan matrices no nulas 𝐴 y 𝐵 tales que su producto sea una matriz nula, 𝐴𝐵 = 𝑂?
25) Si 𝐴 y 𝐵 son matrices tales que 𝐴𝐵 = 𝐴𝐶 ¿se puede asegurar que 𝐵 = 𝐶?
26) ¿Cuándo se dice que dos matrices son equivalentes por filas?
27) ¿En qué consiste el método de Gauss-Jordan para calcular la inversa de una matriz cuadrada?
28) ¿Qué relación existe entre el carácter invertible de una matriz 𝐴 de orden 𝑛 y su equivalencia por filas a la matriz
identidad de orden 𝑛?
29) ¿Cómo se halla el rango de una matriz escalón?
30) ¿Cómo determinaría el rango de una matriz triangular?
31) ¿Una matriz no nula, puede tener rango igual a cero? ¿Por qué?
32) ¿Cuál es el procedimiento general para hallar el rango de una matriz cualquiera?
33) Sea 𝐴 ∈ 𝑀5×3 , ¿Puede ser 𝑟(𝐴) = 4?
Página|41
Capítulo I

Ejercicios Propuestos
1 0 3 −1 1 0 1 4
1 2 3 𝑖 0 1 −𝑖
1. Sean las matrices: 𝐴 = [ ], 𝐵 = [2 2], 𝐶 = [2 1 5], 𝐷 = [ ], 𝐸 = [1 2 1], 𝐹 = [ ].
4 2 1 1 1 2 1
1 3 3 1 0 3 2 1
Si es posible, calcule:

a) 𝐶 + 𝐸 b) 𝐴𝐵 y 𝐵𝐴 c) 2𝐷 − 3𝐹 d) 𝐶𝐷 + 𝐷 e) 𝐴𝐵 + 𝐷𝐹 f) (2𝐷 + 3𝐹)𝑡 ̅ 𝑡 − 3𝐼2

g)𝐷 ̅𝑡
h)𝐷𝐷

Ejercicios del 2-5. Dado los tríos de matrices, realice las operaciones:
a) 𝐴𝐵 9 1 1 1 1 10 2 2
b) 𝐵𝑡 𝐴𝑡 2. 𝐴 = [1 2 1] , 𝐵 = [1 1] , 𝐶 = [ 2 3 2]
c) (𝐴 + 𝐼3 )2 1 18 1 1 1 2 19 2
d) 𝐴2 + 2𝐴 + 𝐼3 6 2 1 2 1 7 3 2
e) 𝐴𝐶 3. 𝐴 = [1 4 4] , 𝐵 = [2 2] , 𝐶 = [2 5 5]
f) 𝐶𝐴 2 12 1 1 4 3 13 2
5 2 1 2 1 6 3 2
g) (𝐴 + 𝐶)2
4. 𝐴 = [1 4 5] , 𝐵 = [2 2] , 𝐶 = [2 5 6]
h) 𝐴2 + 𝐴𝐶 + 𝐶𝐴 + 𝐶 2
2 10 1 1 5 3 11 2
i) 𝐴2 + 2𝐴𝐶 + 𝐶 2 4 2 1 2 1 5 3 2
5. 𝐴 = [1 4 6] , 𝐵 = [2 2] , 𝐶 = [2 5 7]
2 8 1 1 6 3 9 2
6. Sean las matrices:

1 2
3 5 7 −2 2 1 ̅
𝐴=[ ] 𝐵=[ ] 𝐶 = 𝐴𝑡 𝐵𝑡 𝐷 = 𝐴𝐵 + 5𝐼4 𝐸 = 𝐵𝐴 + 𝑖𝐼2 𝐹=𝐷
7 4 8 9 −1 11
1 8
Calcule los siguientes elementos de las matrices 𝐶, 𝐷 y 𝐸: 𝑐21 , 𝑑14 , 𝑑33 , 𝑒11 y 𝑓11.

7. Halle todas las matrices escalares que satisfacen las ecuaciones matriciales siguientes:

a) 𝐴2 − 5𝐴 + 6𝐼2 = 0 , b) 𝐴2 − 𝐼𝑛 = 0 y c) 𝐴3 − 𝐴 = 0

Además de las matrices escalares halladas ¿pueden existir matrices no escalares que satisfagan las ecuaciones
matriciales? Argumente su respuesta.

8. Transforme las siguientes matrices a la forma escalonada reducida.

3 2 1 2 −1 4
𝐴 = [0 2 2], b) 𝐵 = [−1 0 5]
0 0 −1 19 −7 3
9. Calcule la matriz inversa, siguiendo la indicación correspondiente
3 2 1
2 1 𝑖 2
Por la definición: a) 𝐴 = [], b) 𝐵 = [ ] y c) 𝐶 = [0 2 2]
3 2 1 −𝑖
0 0 −1
1 −3 0 −2
3 −12 −2 −6
Por el método de Gauss-Jordan: d) 𝐶 = [ ].
−2 10 2 5
−1 6 1 3
Página|42
Capítulo I
𝑎 𝑏
10. Encuentre todas las matrices reales de orden 2 de la forma 𝐴 = [ ] tales que 𝐴2 = 𝐼2 .
0 𝑐
11. Demuestre las propiedades 7 y 8 de la multiplicación de matrices.
12. Pruebe que si 𝐴 ∈ 𝑀𝑛 es una matriz antisimétrica (𝐴𝑡 = −𝐴) y no singular, entonces 𝐴−1 también es una matriz
antisimétrica.
13. Si 𝐴 ∈ 𝑀𝑛 , entonces se dice que A en idempotente si 𝐴2 = 𝐴.
a) Verifique que 𝐼𝑛 y 0𝑛 son idempotentes.
b) Encuentre una matriz idempotente distinta de 𝐼𝑛 y 0𝑛 .
c) Pruebe que la única matriz idempotente de orden n no singular es la matriz 𝐼𝑛 .
14. Si 𝐴𝐵 = −𝐵𝐴 se dice que las matrices A y B anticonmutan. Muestre que cada una de las siguientes matrices
anticonmutan con las otras
0 1 0 −i 1 0
σx = [ ] , σy = [ ] y σz = [ ].
1 0 i 0 0 −1
Estas matrices se utilizan en el estudio del espín de electrón en mecánica cuántica, se conocen como matrices de
Pauli, en honor al físico austriaco Wolfgang Ernst Pauli 1900-1958.
15. (*) Sea 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝑀𝑛 . Se llama la traza de la matriz A a la suma de los elementos de la diagonal principal de A,
𝑡𝑟(𝐴) = 𝑎11 + 𝑎22 + ⋯ + 𝑎𝑛𝑛 .
a) Prueba que si 𝐴 = [𝑎𝑖𝑗 ], 𝐵 = [𝑏𝑖𝑗 ] ∈ 𝑀𝑛 entonces 𝑡𝑟(𝐴 + 𝐵) = 𝑡𝑟(𝐴) + 𝑡𝑟(𝐵).
b) Utiliza la traza para probar que la igualdad 𝐴𝐵 − 𝐵𝐴 = 𝐼𝑛 es imposible.

16. Prueba que si A, B ∈ Mn , A es invertible y 𝐴𝐵 = 𝐵𝐴, entonces se tiene que 𝐴−1 𝐵 = 𝐵𝐴−1 .
17. Sean 𝑃, 𝑄 ∈ 𝑀𝑛 matrices que cumplen las siguientes propiedades:
i. Todos los elementos de la matriz son no negativos.
ii. La suma de los elementos de cada fila es exactamente igual a 1.
Prueba que entonces también cumplen las propiedades i) y ii) las matrices 𝑃2 y 𝑃𝑄.
18. Un torneo de tenis se puede organizar como sigue. Cada uno de los 𝑛 participantes juega contra cada uno de los
otros, de tal manera que el resultado de la partida entre el jugador i-ésimo y el jugador j-ésimo se recoge en el
término 𝑟𝑖𝑗 según el siguiente criterio:
1 𝑠𝑖 𝑣𝑒𝑛𝑐𝑒 𝑒𝑙 𝑗𝑢𝑔𝑎𝑑𝑜𝑟 𝑖 − é𝑠𝑖𝑚𝑜
𝑟𝑖𝑗 = { 0 𝑠𝑖 𝑣𝑒𝑛𝑐𝑒 𝑒𝑙 𝑗𝑢𝑔𝑎𝑑𝑜𝑟 𝑗 − é𝑠𝑖𝑚𝑜
0 𝑠𝑖 𝑖 = 𝑗
La matriz de los resultados de la competición es la matriz 𝑅 = (𝑟𝑖𝑗 ). Si al 𝑖 − é𝑠𝑖𝑚𝑜 jugador se le asigna la puntuación
𝑛 𝑛
1
𝑠𝑖 = ∑ 𝑟𝑖𝑗 + ∑ 𝜌𝑖𝑗
2
𝑗=1 𝑗=1
donde 𝜌𝑖𝑗 denota el elemento ij-ésimo de la matriz 𝑅2 = (𝜌𝑖𝑗 ).
s1
a) Expresa la matriz 𝑆 = [ ⋮ ] de las puntuaciones en términos de las matrices R y R2 :
sn
b) Clasifica a los jugadores según su puntuación, considerando que en un torneo con cuatro jugadores, la matriz
0 1 0 0
0 0 1 1
𝑅=[ ].
1 0 0 0
1 0 1 1
c) Interpreta el significado de la puntuación.
Página|43
Capítulo I
2 1 1 1 2
19. Dadas las matrices 𝐴 = [ ] y 𝐵=[ ]
3 2 0 2 3
Calcula 𝐴𝐵 directamente y comprueba que se obtiene el mismo resultado si se particiona la matriz 𝐵 = [𝐵1 𝐵2 𝐵3 ], donde
los bloques 𝐵𝑖 son las columnas de 𝐵, y se efectúa el producto de la matriz 𝐴 por la matriz particionada [𝐵1 𝐵2 𝐵3 ].
𝐴 𝐴12 1 2 1 4
20. Dadas las matrices particionadas 𝐴 = [ 11 ], donde 𝐴11 = [ ], 𝐴12 = [ ] , 𝐴21 = [7 1], 𝐴22 = [0 1],
𝐴21 𝐴22 0 6 3 0
𝐵 1 1 1 0
y 𝐵 = [ 11 ], donde 𝐵11 = [ ], 𝐵 = [ ] .
𝐵21 2 0 21 3 1
Verifica que las matrices particionadas cumplen las condiciones para que se pueda efectuar la multiplicación de 𝐴
por 𝐵 por bloques y compruebe que el resultado obtenido mediante la multiplicación directa es el mismo que el que
se obtiene mediante la multiplicación por bloques.
21. Sean 𝐴, 𝐵, 𝐶 y 𝐷 cuatro matrices tales que 𝐶 = 𝐴 + 𝐵 y 𝐷 = 𝐴 − 𝐵. Calcula 𝑅 = 𝐴2 − 𝐵2 en términos de 𝐶 y 𝐷.
Sugerencia: Recuerde que 𝐴2 − 𝐵2 ≠ (𝐴 + 𝐵)(𝐴 − 𝐵)

22. Determine el rango de las siguientes matrices:

0 0 0 2 4 5 1 2 3 2 4 5 0
a) 𝐴 = [0 0 0] b) 𝐵 = [0 0 8] c) 𝐶 = [1 2 3] d) 𝐷 = [1 5 8 4]
0 0 5 0 0 2 1 4 5 5 13 18 6
0 0 0 0
2 4 5 1
0 3 0 0
e) 𝐸 = [1 5 8] f) 𝐹 = [1 2 3 4] g) 𝐺 = [ ] h) 𝐻 = [2]
0 9 7 0
5 13 18
0 7 0 8
3

1 0 0 0 0 0 0
𝐼 𝐸
i) 𝐼3 = [0 1 0] j) 𝐽 = [𝑂 𝐼4 𝑂] k)𝐾 = [ 3 ] l) 𝐿 = [0]
𝑂 5𝐼4
0 0 1 𝑂 𝑂 𝐼3 𝑖
Página|44
Capítulo I

Respuestas a los Ejercicios Propuestos

3, 0 5 1 2 3
8 13 −3 + 2𝑖𝑖 3𝑖𝑖
1. a) � 3 3 6� b) � �y �10 8 8� c) � � d) No es posible.
9 7 −4 −1
6 3 1 13 8 6
8 + 𝑖𝑖 14 3 + 2𝑖𝑖 8 −3 − 𝑖𝑖 1 1 𝑖𝑖
e) � � f) � � g) � � h) � �
12 8 − 𝑖𝑖 −3𝑖𝑖 5 0 −2 −𝑖𝑖 2
11 11 94 50 14
2. a) 𝐴𝐴𝐴𝐴 = � 4 4� f) 𝐶𝐶𝐶𝐶 = �23 44 7 �
20 20 39 76 23
11 4 20 19 3 3 2 379 183 75
b) 𝐵𝐵𝑡𝑡 𝐴𝐴𝑡𝑡 = (𝐴𝐴𝐴𝐴)𝑡𝑡 = � �
11 4 20 g) (𝐴𝐴 2
+ 𝐶𝐶) = � 3 5 3� = � 81 145 33 �
102 31 13 3 37 3 177 305 129
c) (𝐴𝐴 + 𝐼𝐼3 )2 = � 14 28 6 � h) 𝐴𝐴2 + 𝐴𝐴𝐴𝐴 + 𝐶𝐶𝐶𝐶 + 𝐶𝐶 2 = 𝐴𝐴(𝐴𝐴 + 𝐶𝐶) + 𝐶𝐶(𝐴𝐴 + 𝐶𝐶)
30 91 23
= (𝐴𝐴 + 𝐶𝐶)(𝐴𝐴 + 𝐶𝐶) = (𝐴𝐴 + 𝐶𝐶)2
d) 𝐴𝐴2 + 2𝐴𝐴 + 𝐼𝐼3 = 𝐴𝐴2 + 2𝐴𝐴𝐼𝐼3 + 𝐼𝐼32 = (𝐴𝐴 + 𝐼𝐼3 )2
379 173 83
94 40 22
i) 𝐴𝐴2 + 2𝐴𝐴𝐴𝐴 + 𝐶𝐶 2 = � 74 128 34 �
e) 𝐴𝐴𝐴𝐴 = �16 27 8 �
186 304 146
48 75 40
17 14 49 50 21
3. a) 𝐴𝐴𝐴𝐴 = �14 25� f) 𝐶𝐶𝐶𝐶 = �27 84 27�
29 30 35 82 57
b) 𝐵𝐵𝑡𝑡 𝐴𝐴𝑡𝑡 = (𝐴𝐴𝐴𝐴)𝑡𝑡 13 5 32 199 185 93
53 36 17 g) (𝐴𝐴 + 𝐶𝐶)2 = � 3 9 9� = �111 321 117�
c) (𝐴𝐴 + 𝐼𝐼3 )2 = �20 75 29� 5 25 3 155 325 249
30 88 54 h) 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 𝑎𝑎 (𝐴𝐴 + 𝐶𝐶)2
d) 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 𝑎𝑎 (𝐴𝐴 + 𝐼𝐼3 )2
49 41 24 199 176 96
e) 𝐴𝐴𝐴𝐴 = �27 75 30� i) 𝐴𝐴2 + 2𝐴𝐴𝐴𝐴 + 𝐶𝐶 2 = �111 312 120�
41 79 66 161 322 258
15 14 37 44 23
4. a) 𝐴𝐴𝐴𝐴 = �15 34� f) 𝐶𝐶𝐶𝐶 = �27 84 33�
25 27 30 70 60
b) 𝐵𝐵𝑡𝑡 𝐴𝐴𝑡𝑡 = (𝐴𝐴𝐴𝐴)𝑡𝑡 11 5 3 2 151 163 97
40 32 18 g) (𝐴𝐴 + 𝐶𝐶)2 = � 3 9 11� = � 115 327 141�
c) (𝐴𝐴 + 𝐼𝐼3 )2 = �21 77 36� 5 21 3 133 277 255
26 74 56 h) 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 𝑎𝑎 (𝐴𝐴 + 𝐶𝐶)2
d) 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 𝑎𝑎 (𝐴𝐴 + 𝐼𝐼3 )2
37 36 24 151 155 98
e) 𝐴𝐴𝐴𝐴 = �29 78 36� i) 𝐴𝐴2 + 2𝐴𝐴𝐴𝐴 + 𝐶𝐶 2 = � 117 321 144�
35 67 66 138 274 261
13 14 27 38 25
5. a) 𝐴𝐴𝐴𝐴 = �16 45� f) 𝐶𝐶𝐶𝐶 = �27 80 39�
21 24 25 58 59
b) 𝐵𝐵𝑡𝑡 𝐴𝐴𝑡𝑡 = (𝐴𝐴𝐴𝐴)𝑡𝑡 9 5 3 2 111 141 101
29 28 19 g) (𝐴𝐴 + 𝐶𝐶)2 = � 3 9 13� = �119 317 165�
c) (𝐴𝐴 + 𝐼𝐼3 )2 = �22 75 43� 5 17 3 111 229 245
22 60 54 h) 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 𝑎𝑎 (𝐴𝐴 + 𝐶𝐶)2
d) 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 𝑎𝑎 (𝐴𝐴 + 𝐼𝐼3 )2 111 134 100
27 31 24 i) 𝐴𝐴2 + 2𝐴𝐴𝐴𝐴 + 𝐶𝐶 2 = �123 314 168�
e) 𝐴𝐴𝐴𝐴 = �31 77 42� 115 226 248
29 55 62
Página|45
Capítulo I
6. 𝑐𝑐21 = 20, 𝑑𝑑14 = 23, 𝑑𝑑33 = 15, 𝑒𝑒11 = 16 + 𝑖𝑖 𝑦𝑦 𝑓𝑓11 = 𝑑𝑑11 = 28
2 0 3 0
7. a) 𝐴𝐴1 = 2𝐼𝐼2 = � � , 𝐴𝐴2 = 3𝐼𝐼2 = � �
0 2 0 3
b) 𝐴𝐴1 = 𝐼𝐼𝑛𝑛 , 𝐴𝐴2 = −𝐼𝐼𝑛𝑛

c) 𝐴𝐴1 = 𝑂𝑂𝑛𝑛 , 𝐴𝐴2 = 𝐼𝐼𝑛𝑛 𝐴𝐴3 = 𝐼𝐼𝑛𝑛 , 𝐴𝐴2 = −𝐼𝐼𝑛𝑛

Puede anularse el producto de dos matrices no nulas, en el álgebra de matrices existen divisores de cero, luego además
de las matrices que anulan los factores en polinomio matricial factorizado, que ya sabemos que son matrices escalares,
pueden existir matrices no escalares que anulen el polinomio.
1 0 0
8. a) 𝐴𝐴~𝐼𝐼3 = �0 1 0�
0 0 1
La matriz 𝐴𝐴 es no singular, luego sin necesidad de realizar cálculo alguno podemos concluir en este caso que la
matriz escalonada reducida por filas es 𝐼𝐼3 .
1 0 −5
b) 𝐵𝐵 = �0 1 −14�
0 0 0
2 1 11 𝑏𝑏 𝑏𝑏12 1 0
9. a) � �� �=� �,
3 2 𝑏𝑏21 𝑏𝑏22 0 1
2 1 𝑏𝑏11 1 𝑏𝑏 2
� � � � = � �, � 11 � = � �
3 2 𝑏𝑏21 0 𝑏𝑏21 −3
2 1 𝑏𝑏12 0 𝑏𝑏 −1 𝑏𝑏 𝑏𝑏12 2 −1
� � � � = � �, � 12 � = � �, 𝐴𝐴−1 = � 11 �=� �
3 2 𝑏𝑏22 1 𝑏𝑏22 2 𝑏𝑏21 𝑏𝑏22 −3 2
𝑖𝑖 2 𝑏𝑏11 𝑏𝑏12 1 0
b) � �� �=� �
1 −𝑖𝑖 𝑏𝑏21 𝑏𝑏22 0 1
𝑖𝑖 2 𝑏𝑏11 1 𝑏𝑏 𝑖𝑖
� � � � = � �, � 11 � = � �
1 −𝑖𝑖 𝑏𝑏21 0 𝑏𝑏21 1
𝑖𝑖 2 𝑏𝑏12 0 𝑏𝑏 2 𝑏𝑏 𝑏𝑏12 𝑖𝑖 2
� � � � = � �, � 12 � = � � 𝐵𝐵−1 = � 11 �=� �
1 −𝑖𝑖 𝑏𝑏22 1 𝑏𝑏22 −𝑖𝑖 𝑏𝑏21 𝑏𝑏22 1 −𝑖𝑖
3 2 1 𝑏𝑏11 𝑏𝑏12 𝑏𝑏13 1 0 0
c) �0 2 2 � �𝑏𝑏21 𝑏𝑏22 𝑏𝑏23 � = �0 1 0�
0 0 −1 𝑏𝑏31 𝑏𝑏32 𝑏𝑏33 0 0 1
1
3 2 1 𝑏𝑏11 1 𝑏𝑏11
3
�0 2 2 � �𝑏𝑏21 � = �0�, �𝑏𝑏21 � = �0�
0 0 −1 𝑏𝑏31 0 𝑏𝑏31 0
1
3 2 1 𝑏𝑏12 1 𝑏𝑏12 −
3
�0 2 2 � �𝑏𝑏22 � = �0�, �𝑏𝑏22 � = � 1 �
0 0 −1 𝑏𝑏32 0 𝑏𝑏32 2
0
1 1 1
3 2 1 𝑏𝑏13 1 𝑏𝑏13 −
1
𝑏𝑏11 𝑏𝑏12𝑏𝑏13 − −
3 3 3
3
�0 2 2 � �𝑏𝑏23 � = �0�, �𝑏𝑏23 � = � 1 � , 𝐶𝐶 −1 = �𝑏𝑏21 𝑏𝑏22𝑏𝑏23 � = �0 1 1�
0 0 −1 𝑏𝑏33 0 𝑏𝑏33 −1 𝑏𝑏31 𝑏𝑏32𝑏𝑏33 2
0 0 −1
1 −3 0 −2 1 0 0 0 1 0 0 0 0 1 0 2
3 −12 −2 −6 0 1 0 0 0 1 0 0 1 −1 −2 2
d) (𝐷𝐷|𝐼𝐼4 ) = � � �~� � � = (𝐷𝐷 −1 |𝐼𝐼4 )
−2 10 2 5 0 0 1 0 0 0 1 0 0 1 3 −3
−1 6 1 3 0 0 0 1 0 0 0 1 −2 2 3 −2
Página|46
Capítulo I
0 1 0 2
−1 1 −1 −2 2
𝐷𝐷 = � �
0 1 3 −3
−2 2 3 −2
2 𝑎𝑎 𝑏𝑏 𝑎𝑎 𝑏𝑏 1 0
10. 𝐴𝐴 = � �� �=� � = 𝐼𝐼2 (∗)
0 𝑐𝑐 0 𝑐𝑐 0 1
2 𝑎𝑎2 = 1
�𝑎𝑎 𝑎𝑎𝑎𝑎 + 𝑏𝑏𝑏𝑏 � = �1
0
� ⟺ � 𝑎𝑎𝑎𝑎 + 𝑏𝑏𝑏𝑏 = 0
0 𝑐𝑐 2 1 0
𝑐𝑐 2 = 1
Entonces tenemos dos casos respecto al valor de 𝑏𝑏, 𝑏𝑏 = 0 𝑜𝑜 𝑏𝑏 ≠ 0 :
i. Si 𝑏𝑏 = 0 , las matrices que satisfacen la ecuación (∗) son:
1 0 1 0 −1 0 −1 0
� �, � �, � �, � �
0 1 0 −1 0 1 0 −1
ii. Si 𝑏𝑏 ≠ 0 , las matrices que satisfacen la ecuación (∗) son:
1 𝑏𝑏 −1 𝑏𝑏
� �, � �
0 −1 0 1
12. Utilice la definición de matriz inversa.
13. a) Basta sustituir en la ecuación 𝐴𝐴2 = 𝐴𝐴
b) Pruebe con alguna matriz diferente de In y On pero con muchos ceros.
c) Si 𝐵𝐵 es no singular e idempotente, 𝐵𝐵2 = 𝐵𝐵, entonces 𝐵𝐵 −1 𝐵𝐵2 = 𝐵𝐵 −1 𝐵𝐵
(𝐵𝐵 −1 𝐵𝐵)𝐵𝐵 = 𝐼𝐼𝑛𝑛
𝐼𝐼𝑛𝑛 𝐵𝐵 = 𝐼𝐼𝑛𝑛 , luego necesariamente 𝐵𝐵 = 𝐼𝐼𝑛𝑛
𝑖𝑖 0 −𝑖𝑖 0
14. 𝜎𝜎𝑥𝑥 𝜎𝜎𝑦𝑦 = � � , 𝜎𝜎 𝜎𝜎 = � � = −𝜎𝜎𝑥𝑥 𝜎𝜎𝑦𝑦
0 −𝑖𝑖 𝑦𝑦 𝑥𝑥 0 𝑖𝑖
0 −1 0 1
𝜎𝜎𝑥𝑥 𝜎𝜎𝑧𝑧 = � � , 𝜎𝜎𝑧𝑧 𝜎𝜎𝑥𝑥 = � � = −𝜎𝜎𝑥𝑥 𝜎𝜎𝑧𝑧
1 0 −1 0
0 𝑖𝑖 0 −𝑖𝑖
𝜎𝜎𝑦𝑦 𝜎𝜎𝑧𝑧 = � � , 𝜎𝜎 𝜎𝜎 = � � = −𝜎𝜎𝑦𝑦 𝜎𝜎𝑧𝑧
𝑖𝑖 0 𝑧𝑧 𝑦𝑦 −𝑖𝑖 0
15. a) 𝐴𝐴 + 𝐵𝐵 = �𝑎𝑎𝑖𝑖𝑖𝑖 + 𝑏𝑏𝑖𝑖𝑖𝑖 � ∈ 𝑀𝑀𝑛𝑛 luego, según la definición de traza de una matriz,
𝑡𝑡𝑡𝑡(𝐴𝐴 + 𝐵𝐵) = ∑𝑛𝑛𝑘𝑘=1(𝑎𝑎𝑘𝑘𝑘𝑘 + 𝑏𝑏𝑘𝑘𝑘𝑘 ) = ∑𝑛𝑛𝑘𝑘=1 𝑎𝑎𝑘𝑘𝑘𝑘 + ∑𝑛𝑛𝑘𝑘=1 𝑏𝑏𝑘𝑘𝑘𝑘 = 𝑡𝑡𝑡𝑡𝑡𝑡 + 𝑡𝑡𝑡𝑡𝑡𝑡
16. Multiplique ambos miembros de la igualdad dada por 𝐴𝐴−1 , a la izquierda y a la derecha, y apóyese en la propiedad
asociativa del producto de matrices.
17. 𝑃𝑃2 = (∑𝑛𝑛𝑘𝑘=1 𝑝𝑝𝑖𝑖𝑖𝑖 𝑝𝑝𝑘𝑘𝑘𝑘 ). Se puede ver que 𝑃𝑃2 cumple la propiedad i ya que de 𝑝𝑝𝑘𝑘𝑘𝑘 ≥ 0 se implica que ∑𝑛𝑛𝑘𝑘=1 𝑝𝑝𝑖𝑖𝑖𝑖 𝑝𝑝𝑘𝑘𝑘𝑘 ≥ 0.
Mostremos que también cumple ii.
En efecto:
∑𝑛𝑛𝑗𝑗=1( ∑𝑛𝑛𝑘𝑘=1 𝑝𝑝𝑖𝑖𝑖𝑖 𝑝𝑝𝑘𝑘𝑘𝑘 ) = ∑𝑛𝑛𝑘𝑘=1(𝑝𝑝𝑖𝑖𝑖𝑖 ∑𝑛𝑛𝑗𝑗=1 𝑝𝑝𝑘𝑘𝑘𝑘 ) = ∑𝑛𝑛𝑘𝑘=1 𝑝𝑝𝑖𝑖𝑖𝑖 = 1
Aquí se tuvo en cuenta que 𝑃𝑃 cumple la propiedad ii. y
∑𝑛𝑛𝑗𝑗=1 𝑝𝑝𝑘𝑘𝑘𝑘 = 1, suma de los elementos de la k-ésima fila de 𝑃𝑃
∑𝑛𝑛𝑘𝑘=1 𝑝𝑝𝑖𝑖𝑖𝑖 = 1, suma de los elementos de la i-ésima fila de 𝑃𝑃
Por tanto concluimos que 𝑃𝑃2 también cumple la propiedad ii.
De manera similar se prueba que 𝑃𝑃𝑃𝑃 cumplen las propiedades i y ii.
𝑠𝑠1 1
1
18. a) 𝑆𝑆 = � ⋮ � = (𝑅𝑅 + 𝑅𝑅2 ) � ⋮ �
2
𝑠𝑠𝑛𝑛 1
Página|47
Capítulo I
𝑠𝑠1 11
𝑠𝑠2 4
b) 𝑆𝑆 = �𝑠𝑠 � = � �, el primer jugador quedó en primer lugar con 11 puntos, el cuarto jugador quedó en segundo lugar
3 6
𝑠𝑠4 10
con 10 puntos, el tercer jugador quedó en tercer lugar con 6 puntos y el segundo jugador quedó en el último lugar
con 4 puntos.
c) Al i-ésimo jugador se le dan los puntos correspondientes a los juegos que ganó más la mitad de los puntos
correspondientes a los jugadores que venció.
2 4 7 2 1 1 2 1 1 2 1 2 2 4 7
19. 𝐴𝐴𝐴𝐴 = � � (directamente) 𝐴𝐴𝐴𝐴 = �� �� � � �� � � � � �� = � � (por bloques)
3 7 12 3 2 0 3 2 2 3 2 3 3 7 12
18 5
20. 𝐴𝐴𝐴𝐴 = �15 0� (directamente)
12 8
1 2 1 1 1 4 1 0
𝐴𝐴11 𝐵𝐵11 + 𝐴𝐴12 𝐵𝐵21 � �� �+� �� � 18 5
𝐴𝐴𝐴𝐴 = � �=� 0 6 2 0 3 0 3 1 �=�
𝐴𝐴21 𝐵𝐵11 + 𝐴𝐴22 𝐵𝐵21 15 0� (por bloques)
[7 1] �1 1� + [0 1] �1 0� 12 8
2 0 3 1
𝐶𝐶𝐶𝐶+𝐷𝐷𝐷𝐷
21. 𝑅𝑅 =
2
22.
𝑎𝑎) 𝑟𝑟(𝐴𝐴) = 1 𝑏𝑏) 𝑟𝑟(𝐵𝐵) = 2 𝑐𝑐) 𝑟𝑟(𝐶𝐶) = 2 𝑑𝑑) 𝑟𝑟(𝐷𝐷) = 3

𝑒𝑒) 𝑟𝑟(𝐸𝐸) = 2 𝑓𝑓) 𝑟𝑟(𝐹𝐹) = 1 𝑔𝑔) 𝑟𝑟(𝐺𝐺) = 3 ℎ) 𝑟𝑟(𝐻𝐻) = 1

𝑖𝑖) 𝑟𝑟(𝐼𝐼3 ) = 3 𝑗𝑗) 𝑟𝑟(𝐽𝐽) = 7 𝑘𝑘) 𝑟𝑟(𝐾𝐾) = 7 𝑙𝑙) 𝑟𝑟(𝐿𝐿) = 1

Página|48
Capítulo II

Capítulo II: Determinantes

Sumario del Capítulo
• A manera de presentación Para finalizar:
• Determinante y conceptos afines • Preguntas teóricas
• Propiedades de los determinantes • Ejercicios Propuestos
• Respuestas
• Algunas aplicaciones de los determinantes
• Conclusiones del Capítulo

Objetivos del Capítulo

Al terminar el estudio de los determinantes, el lector debe poder:
1. Calcular determinantes de cualquier orden, utilizando el Método de Desarrollo en Cofactores, así como utilizar
aplicaciones informáticas (Excel o Matlab) para calcular determinantes en los que sea factible utilizar el apoyo de la
tecnología. Adicionalmente, calcular determinantes de orden 3 utilizando la Regla de Sarrus.
2. Utilizar vías ventajosas de cálculo de los determinantes: aprovechando la existencia de ceros entre sus elementos,
“fabricando” ceros, y en general, utilizando las propiedades estudiadas.
3. Aplicar el cálculo de determinantes para resolver problemas de diferente índole.

Requisitos Previos
Para poder hacer un mejor aprovechamiento en el estudio de este epígrafe, debes poder:
• Identificar las matrices cuadradas y las matrices triangulares.
• Realizar transformaciones elementales entre filas en una matriz para “fabricar ceros” en ella.

A manera de presentación
Se presentará este nuevo objeto matemático a través de un problema, quizás similar al que se presentó a los matemáticos
hace cientos de años. Para más información consultar:
http://www-history.mcs.st-andrews.ac.uk/HistTopics/Matrices_and_determinants.html

Problema 1:
Encontrar una fórmula general que permita resolver cualquier sistema de ecuaciones lineales de 2 ecuaciones con 2 incógnitas que
tenga una única solución solamente mediante cálculos aritméticos.

Solución:
𝑎𝑎 𝑥𝑥 + 𝑎𝑎12 𝑦𝑦 = 𝑏𝑏1 ①
Sea el Sistema de Ecuaciones Lineales � 11
𝑎𝑎21 𝑥𝑥 + 𝑎𝑎22 𝑦𝑦 = 𝑏𝑏2 ②
Aplicando el método de adición-sustracción, se obtienen las nuevas ecuaciones:
Para despejar la variable 𝒙𝒙 Para despejar la variable 𝒚𝒚
③ = 𝑎𝑎22 . ① y ④ = −𝑎𝑎12 . ② ⑥ = 𝑎𝑎21 . ① y ⑦ = −𝑎𝑎11 . ②
𝑎𝑎11 . 𝑎𝑎22 𝑥𝑥 + 𝑎𝑎12 . 𝑎𝑎22 𝑦𝑦 = 𝑎𝑎22 . 𝑏𝑏1 ③ 𝑎𝑎21 . 𝑎𝑎11 𝑥𝑥 + 𝑎𝑎21 . 𝑎𝑎12 𝑦𝑦 = 𝑎𝑎21 . 𝑏𝑏1 ⑥
� �
−𝑎𝑎12 . 𝑎𝑎21 𝑥𝑥 − 𝑎𝑎12 . 𝑎𝑎22 𝑦𝑦 = −𝑎𝑎12 . 𝑏𝑏2 ④ −𝑎𝑎11 . 𝑎𝑎21 𝑥𝑥 − 𝑎𝑎11 . 𝑎𝑎22 𝑦𝑦 = −𝑎𝑎11 . 𝑏𝑏2 ⑦
Se obtiene ⑤ como resultado de sumar miembro a Se obtiene ⑧ como resultado de sumar miembro a
miembro las ecuaciones ③ y ④ miembro las ecuaciones ⑥ y ⑦
Página|49
Capítulo II

(𝑎𝑎11 . 𝑎𝑎22 – 𝑎𝑎12 . 𝑎𝑎21 )𝑥𝑥 = 𝑎𝑎22 . 𝑏𝑏1 −𝑎𝑎12 . 𝑏𝑏2 ⑤ (𝑎𝑎21 . 𝑎𝑎12 – 𝑎𝑎11 . 𝑎𝑎22 )𝑦𝑦 = 𝑎𝑎21 . 𝑏𝑏1 −𝑎𝑎11 . 𝑏𝑏2 ⑧
𝑎𝑎22 .𝑏𝑏1 −𝑎𝑎12 .𝑏𝑏2 𝑎𝑎21 .𝑏𝑏1 −𝑎𝑎11 .𝑏𝑏2
Obteniéndose: 𝑥𝑥 = 𝑎𝑎 Obteniéndose: 𝑦𝑦 =
11 .𝑎𝑎22 – 𝑎𝑎12 .𝑎𝑎21 𝑎𝑎21 .𝑎𝑎12 – 𝑎𝑎11 .𝑎𝑎22

Siempre que el denominador común 𝑎𝑎11 . 𝑎𝑎22 − 𝑎𝑎21 . 𝑎𝑎12 ≠ 0.

En aras de buscar una simetría entre los resultados obtenidos, pudiera concluirse que:
𝑎𝑎22 .𝑏𝑏1 −𝑎𝑎12 .𝑏𝑏2 𝑎𝑎11 .𝑏𝑏2 −𝑎𝑎21 .𝑏𝑏1
𝑥𝑥 = 𝑎𝑎 y 𝑦𝑦 = ∎
11 .𝑎𝑎22 – 𝑎𝑎12 .𝑎𝑎21 𝑎𝑎11 .𝑎𝑎22 −𝑎𝑎21 .𝑎𝑎12

Pueden observarse las siguientes regularidades:

• Numerador del valor de 𝒙𝒙: Diferencia de los productos del coeficiente de la variable 𝒚𝒚 en una ecuación por el término
independiente de la otra ecuación del sistema de ecuaciones,
• Numerador del valor de 𝒚𝒚: Diferencia de los productos del coeficiente de la variable 𝒙𝒙 en una ecuación por el término
independiente de la otra ecuación del sistema de ecuaciones,
• Denominador común para los valores de 𝒙𝒙 y 𝒚𝒚: Diferencia de los productos del coeficiente de una variable en cada
ecuación por el coeficiente de la otra variable en la otra ecuación.
Esas ‘diferencias de productos’ reciben el nombre de determinantes de orden 2.

Aunque actualmente suelen hacerse diferentes presentaciones de los determinantes, en el presente libro se asumirá como
definición aquella que lo considera como una operación sobre una matriz cuadrada y toma a la Regla de Laplace 1 como su
método de cálculo. Se va a construir la definición de forma inductiva en aras de una mejor comprensión.

Definición de determinante y conceptos afines

Definición (determinante de orden 2)
𝑎𝑎11 𝑎𝑎12
Sea 𝐴𝐴 = �𝑎𝑎 𝑎𝑎 � una matriz cuadrada (real o compleja) de orden 2. Se define como determinante de A al número real
21 22
o complejo que resulta de restar del producto de los elementos de la diagonal principal el producto de los elementos de
la diagonal secundaria de la matriz A.
En símbolos: 𝑑𝑑𝑑𝑑𝑑𝑑(𝐴𝐴) = 𝑎𝑎11 𝑎𝑎22 − 𝑎𝑎12 𝑎𝑎21

Nota:
Para mayor comodidad, en lo adelante se utilizarán las barras verticales, o sea:
𝑎𝑎11 𝑎𝑎12
�𝑎𝑎 𝑎𝑎22 � = 𝑎𝑎11 𝑎𝑎22 − 𝑎𝑎12 𝑎𝑎21
21
Como recurso mnemotécnico podrás imaginarte el cálculo del determinante de orden 2 como una suerte de “producto
cruzado”, a saber:

¡Como es tan sencillo y útil calcular un

determinante de orden 2, debes proponerte
calcularlos mentalmente, cuando los productos
parciales puedan ser calculados y recordados
con facilidad!

1
Pierre-Simón Marqués de Laplace (1749-1827) astrónomo, físico y matemático francés que creó la denominada Transformada de Laplace,
utilizada ampliamente como método operacional en la resolución de ecuaciones diferenciales en ingeniería.
Página|50
Capítulo II

Ejemplo 1
Calcular los siguientes determinantes de orden 2:
5 2 2+i 2
𝑎𝑎) � � 𝑏𝑏) � �
−3 4 −3i 4 − i
Solución:
5 2
𝑎𝑎) � � = 5.4 − 2. (−3) = 20 + 6 = 26
−3 4
2+i 2
𝑏𝑏) � � = (2 + 𝑖𝑖)(4 − 𝑖𝑖) + 2.3𝑖𝑖 = 9 + 2𝑖𝑖 + 6𝑖𝑖 = 9 + 8𝑖𝑖 ∎
−3i 4 − i

Retomando el problema de la presentación, los numeradores y denominadores de la solución del sistema de ecuaciones,
pueden ser reescritos como determinantes de matrices cuadradas reales, a saber:
𝑏𝑏 𝑎𝑎12
𝑎𝑎22 .𝑏𝑏1 −𝑎𝑎12 .𝑏𝑏2 � 1 � |𝐴𝐴𝑥𝑥 |
𝑏𝑏2 𝑎𝑎22
𝑥𝑥 = 𝑎𝑎 = 𝑎𝑎11 𝑎𝑎12 = | 𝐴𝐴 |
11 .𝑎𝑎22 – 𝑎𝑎12 .𝑎𝑎21 �𝑎𝑎
21 𝑎𝑎22 �
𝑎𝑎 𝑏𝑏1
𝑎𝑎11 .𝑏𝑏2 −𝑎𝑎21 .𝑏𝑏1 � 11 � �𝐴𝐴𝑦𝑦 �
𝑎𝑎21 𝑏𝑏2
𝑦𝑦 = 𝑎𝑎11 .𝑎𝑎22 −𝑎𝑎12 .𝑎𝑎21
= 𝑎𝑎11 𝑎𝑎12 = | 𝐴𝐴 |
�𝑎𝑎 �
21 𝑎𝑎22

Donde |𝐴𝐴𝑥𝑥 | es el determinante de la matriz que se obtiene de remplazar la columna de los coeficientes de 𝑥𝑥 por los términos
independientes del sistema de ecuaciones. Análogamente para el caso de �𝐴𝐴𝑦𝑦 �. Estas fórmulas fueron precisadas y
generalizadas por Gabriel Cramer (1750), por lo que se conoce como Regla de Cramer para resolver Sistemas de Ecuaciones
Lineales con igual número de ecuaciones que de incógnitas. Posteriormente, se volverá sobre ella.

Ejemplo 2
¡Recuerda que al resolver una ecuación o
Resolver el siguiente sistema de ecuaciones de 2 × 2, utilizando la
un sistema de ecuaciones, siempre debe
3𝑥𝑥 + 4𝑦𝑦 = −5
Regla de Cramer: � comprobarse cada solución hallada en la
10𝑥𝑥 − 9𝑦𝑦 = 2 ecuación o sistema de ecuaciones original!
Solución:
−5 4
|𝐴𝐴𝑥𝑥 | � 2 �
−9 = 45 − 8 = − 37
𝑥𝑥 = =
|𝐴𝐴| 3 4
� � −27 − 40 67
10 −9
3 −5
�𝐴𝐴𝑦𝑦 � �10 �
2 = 6 + 50 = − 56 ∎
𝑦𝑦 = =
|𝐴𝐴| 3 4 −67 67
� �
10 −9

Se podría seguir un procedimiento análogo al anterior, para definir los determinantes de orden 3, o sea: encontrar fórmulas
generales para calcular cada uno de los valores de las variables que dan solución a un sistema de 3 ecuaciones con 3 incógnitas
mediante cálculos aritméticos.
Página|51
Capítulo II

Durante el siglo XIX y hasta nuestros días ha sido muy popular la denominada Regla de Sarrus 2 la cual aparece explicada en
casi todos los libros de Álgebra, en varios sitios de Internet, y aún es enseñada en escuelas de nivel medio en otros países.
Puedes consultar, por ejemplo la página https://es.wikipedia.org/wiki/Regla_de_Sarrus
La Regla de Sarrus es como una extensión del recurso mnemotécnico empleado en el cálculo de los determinantes de orden
2 y consiste básicamente en 4 pasos:
1. Repetir a la derecha del determinante, las dos primeras columnas.
2. Calcular los productos de los elementos de las diagonales descendentes “completas”.
3. Calcular los productos de los elementos de las diagonales descendentes “completas”.
4. Sumar los “productos descendentes” y restar la suma de los “productos descendentes”.

Aunque en el diagrama que aparece arriba se sugiere como recurso mnemotécnico repetir las dos primeras columnas,
también se llega al mismo resultado si en su lugar se repitieran las dos primeras filas debajo. Una variante de la Regla de
Sarrus es conocida como Regla de la Canasta.

Ejemplo 3
2 3 5
Calcular el siguiente determinante de orden 3 utilizando la Regla de Sarrus: �1 −8 4�
2 5 −2
Solución: Saber calcular determinantes de orden 2 y 3 es
muy útil, porque el cálculo de los determinantes
de orden mayor, como se verá más adelante, se
reduce al cálculo de determinantes de orden 3
∎
(si usas la Regla de Sarrus) o a los determinantes
de orden 2 (si no la utilizas)

En este libro no se dedica especial atención y uso a la Regla de Sarrus, pero se

deja al lector la decisión de si aprenderla y aplicarla o no, pero en cualquier caso, debe tenerse claro que es una regla limitada y
puede aplicarse exclusivamente al cálculo de los determinantes de orden 3.

Si se aplica la Regla de Sarrus al determinante de orden 3, se obtiene:

𝑎𝑎11 𝑎𝑎12 𝑎𝑎13
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � = 𝑎𝑎11 𝑎𝑎22 𝑎𝑎33 + 𝑎𝑎12 𝑎𝑎23 𝑎𝑎31 + 𝑎𝑎21 𝑎𝑎32 𝑎𝑎13 − 𝑎𝑎13 𝑎𝑎22 𝑎𝑎31 − 𝑎𝑎12 𝑎𝑎21 𝑎𝑎33 − 𝑎𝑎23 𝑎𝑎32 𝑎𝑎11
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33

2
Regla de Sarrus: Método particular para calcular determinantes de orden 3, ideado por el matemático francés Pierre Frédéric Sarrus
(1798-1861), quien además resolvió uno de los problemas más complicados de la mecánica de las piezas articuladas: la transformación
de movimientos rectilíneos alternativos en movimientos circulares uniformes.
Página|52
Capítulo II

Sin embargo, si reacomodamos los productos anteriores extrayendo como factores comunes a los elementos de la primera
fila del determinante (en los términos donde aparecen), resulta la siguiente expresión:
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � = 𝑎𝑎11 (𝑎𝑎22 𝑎𝑎33 − 𝑎𝑎23 𝑎𝑎32 ) − 𝑎𝑎12 (𝑎𝑎21 𝑎𝑎33 − 𝑎𝑎23 𝑎𝑎31 ) + 𝑎𝑎13 (𝑎𝑎21 𝑎𝑎32 − 𝑎𝑎22 𝑎𝑎31 )
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33

Y como ya se vio, las diferencias de productos de 2 elementos pueden expresarse como el determinante de una matriz
formada convenientemente por los factores. Así,
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13
𝑎𝑎 𝑎𝑎23 𝑎𝑎21 𝑎𝑎23 𝑎𝑎21 𝑎𝑎22
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � = 𝑎𝑎11 � 22
𝑎𝑎32 𝑎𝑎33 � − 𝑎𝑎12 �𝑎𝑎31 𝑎𝑎33 � + 𝑎𝑎13 �𝑎𝑎31 𝑎𝑎32 �
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33

De tal manera, un determinante de orden 3 se puede expresar como una combinación lineal de 3 determinantes de orden 2.

Definición (determinante de orden 3)

Sea 𝐴𝐴 = (𝑎𝑎𝑖𝑖𝑖𝑖) una matriz cuadrada (real o compleja) de orden 3. Se define como determinante de A al número real o complejo
que resulta de la siguiente expresión:
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13
𝑎𝑎 𝑎𝑎23 𝑎𝑎21 𝑎𝑎23 𝑎𝑎21 𝑎𝑎22
𝑎𝑎
𝑑𝑑𝑑𝑑𝑑𝑑(𝐴𝐴) = � 21 𝑎𝑎22 𝑎𝑎23 � = 𝑎𝑎11 � 22
𝑎𝑎32 𝑎𝑎33 � − 𝑎𝑎12 �𝑎𝑎31 𝑎𝑎33 � + 𝑎𝑎13 �𝑎𝑎31 𝑎𝑎32 �
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33

Ejemplo 4
5 2 1
Calcular el determinante �−3 4 2�
2 8 3

Solución:
Al desarrollar el determinante siguiendo la definición dada (Regla de Laplace) debe identificarse el elemento de la primera fila y los
4 elementos que se necesitan considerar para calcular el determinante de orden 2 resultante.

En la siguiente ilustración se han destacado los elementos a tener en cuenta, para que aprendas a reconocerlo y realizar los cálculos
de los determinantes de orden 2 mentalmente.
𝟓𝟓 𝟐𝟐 𝟏𝟏 𝟓𝟓 𝟐𝟐 𝟏𝟏 𝟓𝟓 𝟐𝟐 𝟏𝟏 𝟓𝟓 𝟐𝟐 𝟏𝟏
𝟒𝟒 𝟐𝟐 −𝟑𝟑 𝟐𝟐 −𝟑𝟑 𝟒𝟒
�−𝟑𝟑 𝟒𝟒 𝟐𝟐� = �−𝟑𝟑 𝟒𝟒 𝟐𝟐� − �−𝟑𝟑 𝟒𝟒 𝟐𝟐� + �−𝟑𝟑 𝟒𝟒 𝟐𝟐� = 𝟓𝟓 � � − 𝟐𝟐 � � + 𝟏𝟏 � �
���
𝟖𝟖 𝟑𝟑 ��𝟐𝟐
��𝟑𝟑� ��𝟐𝟐��𝟖𝟖�
𝟐𝟐 𝟖𝟖 𝟑𝟑 �������������������������
𝟐𝟐 𝟖𝟖 𝟑𝟑 𝟐𝟐 𝟖𝟖 𝟑𝟑 𝟐𝟐 𝟖𝟖 𝟑𝟑 𝟏𝟏𝟏𝟏−𝟏𝟏𝟏𝟏 −𝟗𝟗−𝟒𝟒 −𝟐𝟐𝟐𝟐−𝟖𝟖
𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽𝑽

Una vez calculado mentalmente esos determinantes de orden 2, solo se hacen anotaciones en el papel o se introducen los números
y signos en una calculadora básica (que puedes tener en tu móvil). A saber:
5 2 1
5(−4) − 2(−13) + 1. (−32) = −20 + 26 − 32 = −26 ∎
�−3 4 2� = �������������������
2 8 3 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴

En este ejemplo, solo se anotó la suma algebraica de los productos de

¡Podrías proponerte calcular los determinantes de
cada uno de los elementos de la primera fila por los determinantes
orden 3 haciendo un mínimo de anotaciones!
correspondientes de orden 2, calculados mentalmente.
Página|53
Capítulo II

Ejemplo 5
Verifica, utilizando una calculadora básica que:
¡Si la calculadora no tiene la opción de paréntesis, entonces es
25 −102 19 mejor calcular los determinantes de orden 2 y anotarlos, y solo
�−32 478 26 � = 304506 después, introducir la combinación lineal de los elementos de
299 83 451 la primera fila por esos determinantes según corresponda!

Solución:
25 −102 19
�−32 478 26 � = (25(478.451 − 83.26) + 102(⋯ ) = 304506 ∎
�����������������������������
299 83 451 𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂ó𝑛𝑛 𝑎𝑎 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

Como puede observarse, el determinante de orden 3 se redujo al cálculo de determinantes de orden 2. Asimismo, podría definirse
el determinante de orden 2 como una combinación lineal de determinantes de orden 1; a saber:
𝑎𝑎11 𝑎𝑎12
�𝑎𝑎
21 𝑎𝑎22 � = 𝑎𝑎11 |𝑎𝑎22 | − 𝑎𝑎12 |𝑎𝑎21 | = 𝑎𝑎11 𝑎𝑎22 − 𝑎𝑎12 𝑎𝑎21
Con lo cual bastaría definir los determinantes de orden 1 convenientemente 3 como el valor del elemento 𝑎𝑎11 .
O sea: |𝑎𝑎11 | = 𝑎𝑎11
Análogamente, podría definirse el determinante de orden 4, reduciéndolo al cálculo de una combinación lineal de los determinantes
de orden 3 que resulten de eliminar la primera fila y la columna que contiene al elemento que funge como escalar en la combinación
lineal; y así sucesivamente.
En aras de simplificar la notación en la definición de los determinantes de orden n, se introducirán los conceptos de menor 𝑖𝑖𝑖𝑖 −
é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 y de cofactor 𝑖𝑖𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 de una matriz cuadrada.

Menor 𝒊𝒊𝒊𝒊 − é𝐬𝐬𝐬𝐬𝐬𝐬𝐬𝐬 de una matriz cuadrada

Se denomina Menor 𝑖𝑖𝑗𝑗 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠, o sencillamente “Menor 𝑖𝑖𝑖𝑖” de una matriz cuadrada 𝐴𝐴 = (𝑎𝑎𝑖𝑖𝑖𝑖 ) al determinante de la matriz
cuadrada que resulta de eliminar la fila i y la columna j en la matriz 𝐴𝐴.

Ejemplo 6
En el ejemplo 4, los menores empleados en el cálculo del determinante fueron:
4 2 −3 2 −3 4
𝑀𝑀11 = �
8 3
�, 𝑀𝑀12 = �
2 3
� y 𝑀𝑀13 = �
2 8
�

Cofactor 𝒊𝒊𝒊𝒊 − é𝐬𝐬𝐬𝐬𝐬𝐬𝐬𝐬 de una matriz cuadrada
Se denomina Cofactor 𝑖𝑖𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠, o sencillamente “Cofactor 𝑖𝑖𝑖𝑖”4 de una matriz cuadrada 𝐴𝐴 = (𝑎𝑎𝑖𝑖𝑖𝑖 ) al producto del alternador
(−1)𝑖𝑖+𝑗𝑗 por el Menor 𝑖𝑖𝑖𝑖 correspondiente. En símbolos: 𝐶𝐶𝑖𝑖𝑖𝑖 = (−1)𝑖𝑖+𝑗𝑗 𝑀𝑀𝑖𝑖𝑖𝑖
−3 2
Por ejemplo, el cofactor 𝐶𝐶12 = (−1)1+2 𝑀𝑀12 = (−1) � � = (−1)(−9 − 4) = 13
2 3
La matriz formada por los cofactores se denomina 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝐴𝐴 y se denotará en lo adelante por 𝐶𝐶𝐶𝐶𝐶𝐶(𝐴𝐴).

3
El determinante de orden 1 es una convención para poder generalizar una regla, al igual que lo son: 0! = 1 o a0 = 1.
4
También se le denomina adjunto 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴)𝑖𝑖𝑖𝑖 o complemento algebraico 𝑖𝑖𝑖𝑖.
Página|54
Capítulo II

En símbolos, 𝐶𝐶𝐶𝐶𝐶𝐶(𝐴𝐴) = �𝐶𝐶𝑖𝑖𝑖𝑖 (𝐴𝐴)�

La traspuesta de la matriz de los cofactores se denominará en lo adelante 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑑𝑑𝑑𝑑 𝐴𝐴 y se denotará por 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴). De
tal forma 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) = [𝐶𝐶𝐶𝐶𝐶𝐶(𝐴𝐴)]𝑡𝑡 . 5
Obsérvese que la diferencia entre el Cofactor 𝑖𝑖𝑖𝑖 y el Menor 𝑖𝑖𝑖𝑖 es solo el signo cuando la suma de los subíndices es impar.
Estas definiciones serán válidas también para determinantes de cualquier orden y se aplicarán en el cálculo de un determinante
cualquiera de orden 𝑛𝑛.

Ejemplo 7
Hallar la matriz adjunta de la matriz A del Ejemplo 4.

Solución
−4 13 −32 𝑡𝑡 −4 2 0
[𝐶𝐶𝐶𝐶𝐶𝐶(𝐴𝐴)]𝑡𝑡
𝐴𝐴𝐴𝐴𝐴𝐴(𝐴𝐴) = = � 2 13 −36� = � 13 13 −13 �
0 −13 26 −32 −36 26
¡Compruébalo!
Propiedades de la matriz adjunta
Sean A y B matrices cuadradas de orden n, entonces sus matrices adjuntas satisfacen las siguientes propiedades:
1. (𝐴𝐴−1 )−1 = 𝐴𝐴
2. (𝐴𝐴𝐴𝐴)−1 = 𝐵𝐵 −1 𝐴𝐴−1
1
3. (𝑘𝑘𝑘𝑘)−1 = 𝐴𝐴−1
𝑘𝑘
1
4. 𝐴𝐴−1 = |𝐴𝐴| 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) o equivalentemente 𝐴𝐴. 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) = |𝐴𝐴|𝐼𝐼
−1
5. �𝐴𝐴𝐴𝐴𝐴𝐴(𝐴𝐴)� = 𝐴𝐴𝐴𝐴𝐴𝐴(𝐴𝐴−1 )
1
6. |𝐴𝐴−1 | =
|𝐴𝐴|

Es importante destacar que el conocimiento de estas propiedades tiene aplicación inmediata en la demostración de algunas de las
propiedades de la inversa de una matriz.

Definición (determinante de orden n)

𝑎𝑎11 ⋯ 𝑎𝑎1𝑛𝑛
Sea 𝐴𝐴 = � ⋮ ⋱ ⋮ � una matriz cuadrada (real o compleja) de orden 𝑛𝑛. El determinante de A se define como la aplicación
𝑎𝑎𝑛𝑛1 ⋯ 𝑎𝑎𝑛𝑛𝑛𝑛
𝑑𝑑𝑑𝑑𝑑𝑑: 𝑀𝑀𝑛𝑛 → 𝐾𝐾, que asigna a cada matriz cuadrada 𝐴𝐴 un número (real o complejo, según el caso) tal que:
Si 𝑛𝑛 = 1, entonces: 𝑑𝑑𝑑𝑑𝑑𝑑(𝐴𝐴) = 𝑎𝑎11 .
Si 𝑛𝑛 > 1, entonces:
𝑛𝑛 𝑛𝑛
𝑑𝑑𝑑𝑑𝑑𝑑(𝐴𝐴) = 𝑎𝑎11 𝑀𝑀11 − 𝑎𝑎12 𝑀𝑀12 + ⋯ + (−1)1+𝑛𝑛 𝑎𝑎1𝑛𝑛 𝑀𝑀1𝑛𝑛 = � (−1)1+𝑗𝑗 𝑎𝑎1𝑗𝑗 𝑀𝑀1𝑗𝑗 = � 𝑎𝑎1𝑗𝑗 𝐶𝐶1𝑗𝑗
𝑗𝑗=1 𝑗𝑗=1
Donde 𝑀𝑀1𝑗𝑗 es el menor 1j y 𝐶𝐶1𝑗𝑗 es el cofactor del elemento 1j en la matriz A.

5
En la terminología matemática moderna se denomina ‘matriz adjunta’ a la transpuesta conjugada de una matriz compleja y se considera
a la ‘matriz de los adjuntos’ como la ‘matriz de los cofactores’, no asignándosele ningún nombre especial a la transpuesta de dicha matriz.
En la presente edición se seguirá la denominación clásica.
Página|55
Capítulo II

Notas:
1. El concepto se ha definido de forma inductiva porque se fue construyendo a partir de casos particulares y después se
generalizó que: “un determinante de orden mayor que 1 puede ser calculado reduciendo su cálculo al de determinantes
del orden inmediato inferior”.
2. La definición dada es recursiva porque define por convenio casos particulares, en este caso el determinante de orden 1, y
después define una fórmula general que se apoya en resultados de orden inferior hasta llegar a los casos previamente
definidos, en este caso: “calcular un determinante de orden 𝑛𝑛 > 1 reduciéndolo a una combinación lineal de
determinantes de orden 𝑛𝑛 − 1 y los elementos de su primera fila. En esa cadena de desarrollos, el orden de los
determinantes se va reduciendo hasta llegar a los determinantes de orden 1 que ya están definidos”.
3. El método de cálculo que brinda la definición es conocido también como Método de desarrollo por Menores, Método de
expansión por Cofactores o Regla de Laplace. Este método permite calcular un determinante de orden cualquiera.
4. Para determinantes de orden elevado es poco eficiente porque requiere de muchas operaciones. Obsérvese que en el
siguiente ejemplo, un pequeño determinante de orden 4, se aplican 21 operaciones de suma, resta y multiplicación.
5. Sin embargo, gracias a la tecnología, estos y hasta otros determinantes de mayor orden pueden ser calculados con
facilidad, a diferencia de tiempos pretéritos donde había que realizar los cálculos a mano.

Ejemplo 8
5 2 1 1
−3 4 2 2
Calcular el determinante � � utilizando la definición.
2 0 3 0
2 3 9 1
Solución:
Cálculo Auxiliar para los Menores de tercer orden correspondientes a la primera fila:
4 2 2 −3 2 2
3 0 3 0 3 0 3 0 3 0 3 0
M11 = �0 3 0� = 4 � �− 2� �+ 2� � = −6 M12 = � 1 3 0� = −3 � � −2� �+ 2� � = −5
9 1 9 1 9 1 9 1 9 1 9 1
3 9 1 291

−3 4 2 −3 4 2
3 0 3 0 3 0 3 0 3 0 3 0
M13 = � 1 0 0� = −3 � �− 4� �+ 2� �=2 M14 = � 1 0 3� = −3 � �− 4� �+ 2� � = 21
9 1 9 1 9 1 9 1 9 1 9 1
231 239

5 2 1 1
�
−3
1
4
0
2
3
2 = 5M − 2M + 1M − 1M = 5(−6) − 2(−5) + 1.2 − 1.21 = −39
0
� 11 12 13 14 
2 3 9 1
Cálculo de determinantes con tecnología
Existen programas informáticos: de software propietario, de software libre, así como de aplicaciones para móviles que permiten calcular
determinantes; por ello y a tono con los tiempos, no tiene sentido entrenar para desarrollar destrezas en el cálculo de determinantes con
uso de lápiz y papel. Si aparece un determinante de orden pequeño que no pueda calcularse mentalmente, como se sugirió arriba, podrías
quizás auxiliarte por una calculadora básica (que puedes tenerla en el móvil), y si no es de orden tan pequeño, pero se perciben propiedades
que pueden facilitar el cálculo mental con números cómodos, pues aplíquense. Cuando así no sea, será preferible recurrir a una aplicación
informática. Si puedes instalar una aplicación en tu móvil, no dudes en hacerlo, pues te será de provecho. También en la carrera
seguramente utilizarás el asistente Matlab, del que ya se habló en el Capítulo I. Es aconsejable que te comiences a relacionar con él.
Página|56
Capítulo II

A continuación se desarrollarán dos ejemplos donde se calculará el determinante utilizando la función MDETERM de la Hoja de
Cálculo Excel del paquete de Microsoft Office, o sencillamente el comando 𝑑𝑑𝑑𝑑𝑑𝑑 de Matlab.

Ejemplo 9
5 2 1 1
−3 4 2 2
Calcular el determinante � � utilizando Excel.
2 0 3 0
2 3 9 1
Solución:
En una Hoja de Cálculo nueva se introducen los elementos de la matriz colocando el elemento 𝑎𝑎11 = 5 en la celda A1 y así
sucesivamente hasta el elemento 𝑎𝑎44 = 1 en la celda D4. Esto identifica a la matriz con el rango de celdas A1:D4.
En otra celda, por ejemplo en D6 se introduce la función MDETERM(𝐴𝐴1: 𝐷𝐷4) y después se oprime la tecla ENTRAR, apareciendo
el valor del determinante


Ejemplo 10
5 2 1 1
−3 4 2 2
Sea la matriz 𝐴𝐴 = � �. Calcular 𝑑𝑑𝑑𝑑𝑑𝑑(𝐴𝐴) utilizando Matlab.
2 0 3 0
2 3 9 1
Solución:


Página|57
Capítulo II

Propiedades de los determinantes

Necesidad del estudio de las propiedades
Recordemos que en el ejemplo 8 se constató que calcular un determinante de orden 4 se reduce a desarrollar una combinación
lineal de 4 determinantes de orden 3 y cada uno de ellos, como una combinación lineal de 3 determinantes de orden 2. El uso de la
tecnología vino a auxiliarnos en el cálculo de los determinantes. Sin embargo, es falso creer que teniendo una supercomputadora
podría calcularse fácilmente cualquier determinante. Si el orden del determinante es relativamente grande, es muy elevado el
número de operaciones que deben ser realizadas para calcularlo.
La Humanidad cuenta hoy con potentes medios de cálculo que permiten realizar millones de operaciones por segundo. Piénsese en
un determinante de orden 18, el cual en problemas técnicos reales no es de gran tamaño. Si el mismo se desarrolla aplicando la
Regla de Laplace, será necesario calcular 18 determinantes de orden 17, lo que implica calcular 17 determinantes de orden 16 y así
sucesivamente hasta reducir los cálculos a 18.17.16…3 determinantes de orden 2, o sea: 18!/2≈3201186852864000 determinantes
de orden 2. Si esos cálculos los hiciera una supercomputadora que calculara un millón de determinantes de orden 2 por segundo,
necesitaría un poco más de 101 años para llegar al resultado trabajando las 24 horas del día durante todo ese tiempo. Por suerte
existen dos métodos alternativos que permiten calcular los determinantes, aún en supercomputadoras, los cuales se deben a la
aplicación de propiedades de los mismos. Uno de esos resultados, debido al propio Laplace, aunque fundamentado por Cauchy, es
que el determinante de un producto de matrices es igual al producto de los determinantes de esas matrices, los cuales pueden ser
calculables más fácilmente; el otro resultado es el de simplificar la matriz mediante la aplicación de transformaciones elementales
entre filas hasta reducirla a una matriz triangular equivalente con ella.
Para comprender estos procedimientos y otros que posibilitan aplicar vías ventajosas de cálculo es muy útil conocer las principales
propiedades de los determinantes; ellas contribuyen a minimizarlos. De hecho, en la práctica, los software que calculan
determinantes no utilizan directamente la Regla de Laplace, sino que identifican o “fabrican ceros” previamente o utilizan
características particulares de las matrices, en aras de minimizar el número de operaciones.
A continuación se expondrán las principales propiedades de los determinantes, las cuales serán demostradas plenamente cuando
la demostración contribuya a reforzar el aprendizaje de conocimientos de la asignatura; cuando no sea así, se harán demostraciones
parciales o se indicará dónde el lector puede encontrar una demostración completa de tales propiedades.

Propiedades que permiten una aplicación ventajosa de la Regla de Laplace

Propiedad 1:
El determinante de una matriz cuadrada 𝐴𝐴 y su transpuesta 𝐴𝐴𝑡𝑡 son iguales.

Ejemplo 11
Calcule el siguiente determinante aprovechando la propiedad del determinante de la transpuesta.
5 2 1 1
0 4 0 0
� �
0 0 3 0
0 3 9 1
Solución:
5 2 1 1 5 0 0 0
4 0 3 4 0 0
0 4 0 0 2 4 0 3 3 0
� �=� � = 5 � 0 3 9� = 5. � 0 3 0� = 5.4 � � = 20.3 = 60 ∎
0 0 3 0 1 0 3 9 9 1
0 0 1 3 9 1
0 3 9 1 1 0 0 1
Página|58
Capítulo II

Nota importante:
La propiedad 1 permite fundamentar que toda propiedad de los determinantes que esté referida a filas de una
matriz, también puede escribirse en términos de las columnas. En lo adelante solo expresarán las propiedades en
términos de las filas.
Propiedad 2:
El determinante de una matriz cuadrada 𝐴𝐴 puede ser desarrollado por cofactores a través de cualquier fila de 𝐴𝐴.

Ejemplo 12
5 2 1 1
−3 4 2 2
Calcula el siguiente determinante desarrollándolo por la fila o columna más conveniente: � �
2 0 3 0
2 3 9 1
Solución:
Lo primero es observar cuál de los posibles desarrollos es el más conveniente. En ocasiones hay más de una vía ventajosa de cálculo.
Evidentemente, será el desarrollo por la tercera fila, pues en ella aparecen dos ceros, lo que conlleva a que el producto de estos
elementos por sus cofactores respectivos, cualesquiera que sean estos, será cero.
5 2 1 1
2 1 1 5 2 1
−3 4 2 2
� � = 1 �4 2 2� + 3 �−3 4 2�
1 0 3 0
3 9 1 2 3 1
2 3 9 1
= 𝟏𝟏(2. (−16) − 1. (−2) + 1.30) + 𝟑𝟑(5. (−2) − 2. (−7) + 1. (−17)) = −39 ∎
Como puede observarse el determinante de este ejercicio es el mismo del Ejemplo 6, y según la Propiedad 1, el resultado debe ser
el mismo, lo cual sirve como un elemento de control de lo realizado.
Dos consejos útiles:
1. ¡Si tienes dudas sobre el valor del determinante calculado, puedes desarrollarlo a través de otra fila o columna, el resultado
debe ser el mismo! ¡Esto no ofrece garantía, pero si los resultados son diferentes, algo anda mal!
2. En lo adelante, al calcular un determinante es conveniente detenerse a meditar sobre cuáles son las distintas posibilidades
de desarrollo por cofactores del mismo, buscando aquellas filas o columnas donde aparezcan ceros, para decidir la mejor
opción.

Propiedad 3:
El determinante de una matriz triangular A es el producto de los elementos de su diagonal principal.

Ejemplo 13
5 21 184 15
0 4 212 20
Calcular: � �
0 0 3 109
0 0 0 10
Página|59
Capítulo II

Solución:
La matriz dada es una matriz triangular superior, en virtud de la Propiedad 2, es posible calcular su determinante
desarrollándolo por la última fila que es la que más ceros posee.

Pero eso ocurre en cada una de las submatrices cuadradas que resultan al eliminar la k-ésima fila y la k-ésima columna.

Por tanto, a partir de los determinantes de dichas submatrices 1 que también son triangulares superiores formadas por las k-
1 primeras filas y las k-1 primeras columnas. O sea, la propiedad 3 se aplica reiteradamente desarrollando siempre los
menores por la última fila que es la que la que más ceros posee.
5 21 184 15
5 21 184
0 4 212 20 5 21
� � = 10 � 0 4 212� = 10.3. � � = 10.3.4.5 = 600
0 0 3 109 0 4
0 0 3
0 0 0 10
Corroborándose lo descrito en la propiedad. ∎

Propiedades que permiten identificar cuándo un determinante es igual a cero

Propiedad 4:
El determinante de una matriz 𝐴𝐴 es cero si y solo si al menos una fila de A puede expresarse como una combinación
lineal de las restantes filas.

Ejemplo 14
Identificar la fila que es combinación lineal de otras y comprobar El hecho de que |𝐴𝐴| = 0 no significa que 𝐴𝐴 = 𝑂𝑂,
2 1 5 0 o sea que 𝐴𝐴 sea la matriz nula.
0 −1 2 0 ¡Si una matriz cuadrada es nula, su determinante
que el determinante � � es igual a cero.
2 0 7 3 es cero, pero el recíproco no es cierto!
6 4 13 −3
Solución:
Pareciera que la fila 3 es la suma de las filas 1 y 2, sin embargo no lo es porque la suma 𝑎𝑎14 + 𝑎𝑎24 ≠ 𝑎𝑎34 .
Sin embargo, 𝑓𝑓4 = 4𝑓𝑓1 − 𝑓𝑓3 , que no es fácilmente observable, pero se corresponde con el valor de los elementos de esas filas.
Así, la fila 𝑓𝑓4 puede expresarse como 𝑓𝑓4 = 4𝑓𝑓1 + 0. 𝑓𝑓2 − 1. 𝑓𝑓3, o sea como combinación lineal de las restantes filas de la matriz.
En virtud de la propiedad 4 el determinante es igual a cero.
Comprobación:
2 1 5 𝟎𝟎
𝟐𝟐 1 5 𝟐𝟐 1 5
0 −1 2 𝟎𝟎
� � = −3 �𝟎𝟎 −1 2 � − 3 �𝟎𝟎 −1 2�
2 0 7 𝟑𝟑
𝟔𝟔 4 13 𝟐𝟐 0 7
6 4 13 −𝟑𝟑
−1 2 1 5 −1 2 1 5
= −3 �2 � � + 6� �� − 3 �2 � � + 2� ��
4 13 −1 2 0 7 −1 2
= −3(2(−21) + 6.7) − 3(2(−7) + 2.7)
= −3(−42 + 42 − 14 + 14) = 0 ∎

1
A tales determinantes se les denomina “menores principales” de la matriz.
Página|60
Capítulo II

Casos particulares de esta propiedad son los siguientes:

Propiedad 4.1:
Si una matriz 𝐴𝐴 posee una fila nula, entonces |𝐴𝐴| = 0
Propiedad 4.2:
Si una matriz 𝐴𝐴 posee dos filas iguales, entonces |𝐴𝐴| = 0
Propiedad 4.3:
Si una matriz 𝐴𝐴 posee dos filas proporcionales, entonces |𝐴𝐴| = 0
Propiedad 4.4:
Si una matriz 𝐴𝐴 posee una fila que es la suma algebraica de otras filas, entonces |𝐴𝐴| = 0

Ejemplo 15
Fundamentar en virtud de la propiedad 4 por qué las siguientes matrices tienen determinante igual a cero.
5 2 1 5 2 1 5 −2 1 5 2 1 5 2 10
𝐴𝐴 = �−3 4 2�, 𝐵𝐵 = �−3 4 2�, 𝐶𝐶 = �−3 6/5 −3/5�, 𝐷𝐷 = �−3 4 2�, 𝐸𝐸 = �−3 4 −6�
2 6 3 0 0 0 2 6 3 5 2 1 2 0 4
Solución:
|𝐴𝐴| = 0, porque 𝑓𝑓3 = 𝑓𝑓1 + 𝑓𝑓2
|𝐵𝐵| = 0, porque 𝑓𝑓3 ≡ 0
|𝐶𝐶| = 0, porque 𝑓𝑓2 = −3/5𝑓𝑓1
|𝐷𝐷| = 0, porque 𝑓𝑓3 = 𝑓𝑓1
|𝐸𝐸| = 0, porque |𝐸𝐸| = |𝐸𝐸 𝑡𝑡 | y en la traspuesta, porque 𝑓𝑓3 = 2𝑓𝑓1 que es equivalente a decir que en 𝐸𝐸, 𝑐𝑐3 = 2𝑐𝑐1 ∎

Ejemplo 16
Fundamentar por qué la propiedad 4.4 es un caso particular de la Propiedad 4.

Solución:
Sea una matriz cuadrada cualquiera 𝐴𝐴 = �𝑎𝑎𝑖𝑖𝑖𝑖 �𝑛𝑛 . Sea la k-ésima fila de 𝐴𝐴 es igual a la suma de otras filas de 𝐴𝐴. Supóngase, sin
perder generalidad que 𝑓𝑓𝑘𝑘 = 𝑓𝑓𝑖𝑖 + 𝑓𝑓𝑗𝑗 , siendo 𝑖𝑖 y 𝑗𝑗 diferentes de 𝑘𝑘.

La fila 𝑓𝑓𝑘𝑘 puede ser expresada entonces como la combinación lineal de las restantes filas de 𝐴𝐴. Bastará considerar el escalar
1 para cada una de las filas 𝑖𝑖 y 𝑗𝑗 y el escalar 0 para las restantes filas de 𝐴𝐴 de índice diferente a 𝑖𝑖, 𝑗𝑗 y 𝑘𝑘.
𝑓𝑓𝑘𝑘 = 0. 𝑓𝑓1 + 0. 𝑓𝑓2 + ⋯ + 0. 𝑓𝑓𝑖𝑖−1 + 1. 𝑓𝑓𝑖𝑖 + 0. 𝑓𝑓𝑖𝑖+1 + ⋯ + 0. 𝑓𝑓𝑗𝑗−1 + 1. 𝑓𝑓𝑗𝑗 + 0. 𝑓𝑓𝑗𝑗+1 + ⋯ + 0. 𝑓𝑓𝑘𝑘−1 + 0. 𝑓𝑓𝑘𝑘+1 + ⋯ + 0. 𝑓𝑓𝑛𝑛 ∎

Propiedades asociadas a las transformaciones elementales entre filas

Propiedad 5:
Si se intercambian dos filas de una matriz A, el determinante de A cambia de signo.
Página|61
Capítulo II

Ejemplo 17
5 2 1 −3 4 2
¿Es posible determinar si las matrices 𝐴𝐴 = �−3 4 2� y 𝐵𝐵 = � 2 0 3� tienen el mismo determinante, sin calcularlos?
2 0 3 5 2 1
Solución:
5 2 1 −3 4 2 −3 4 2 −3 4 2
𝐴𝐴 = �−3 4 2� = − � 5 2 1� = − �− � 2 0 3�� = � 2 0 3� = |𝐵𝐵| ∎
2 0 3 2 0 3 5 2 1 5 2 1
𝑓𝑓1 ↔ 𝑓𝑓2 𝑓𝑓2 ↔ 𝑓𝑓3
¡Sin necesidad de hacer cálculos!

Propiedad 6:
Si una fila de una matriz A se multiplica por un escalar, entonces el determinante de A queda multiplicado por ese
escalar.
Demostración:
Se considerarán los dos casos para el escalar: 𝑘𝑘 ≠ 0 y 𝑘𝑘 = 0.

Si 𝑘𝑘 ≠ 0, siendo 𝑘𝑘 un número real o complejo, 𝐴𝐴 una matriz de orden 𝑛𝑛 y 𝐵𝐵~𝐴𝐴 por la transformación elemental 𝑘𝑘𝑘𝑘𝑖𝑖 → 𝑓𝑓𝑖𝑖 . Si |𝐵𝐵| se
desarrolla por 𝑓𝑓𝑖𝑖 , entonces:

|𝐵𝐵| = 𝑘𝑘𝑎𝑎𝑖𝑖1 𝐶𝐶𝑖𝑖1 + 𝑘𝑘𝑎𝑎𝑖𝑖2 𝐶𝐶𝑖𝑖2 + ⋯ + 𝑘𝑘𝑎𝑎𝑖𝑖𝑖𝑖 𝐶𝐶𝑖𝑖𝑖𝑖 = 𝑘𝑘(𝑎𝑎𝑖𝑖1 𝐶𝐶𝑖𝑖1 + 𝑎𝑎𝑖𝑖2 𝐶𝐶𝑖𝑖2 + ⋯ + 𝑎𝑎𝑖𝑖𝑖𝑖 𝐶𝐶𝑖𝑖𝑖𝑖 ) = 𝑘𝑘|𝐴𝐴|

Si 𝑘𝑘 = 0, y se obtiene una matriz 𝐵𝐵 como resultado de multiplicar una fila de 𝐴𝐴 por 𝑘𝑘 = 0 (transformación no elemental), se obtiene
una matriz con una fila nula y por la propiedad 4.1, se obtiene que |𝐵𝐵| = 0, lo que puede verse como: |𝐵𝐵| = 0|𝐴𝐴|.

Ejemplo 18
5 2 4 0
−3 4 2 4
Calcule el determinante de 𝐴𝐴 = � � evitando el trabajo con números fraccionarios en su cálculo.
2 45 23 0
1 5 8 5
Solución:
Se puede observar que en la fila 𝑓𝑓3 aparecen dos números fraccionarios, lo que implicaría que en los cálculos habría que
trabajar con ellos. Si se utilizara una calculadora o una aplicación informática, lo más probable es que el programa trabajara
con una aproximación decimal de ellos y no con el valor exacto, con lo que se podrían propagar errores en el cálculo del
determinante.
Sin embargo, si se obtiene la matriz 𝐵𝐵~𝐴𝐴 por la transformación elemental 15𝑓𝑓3 → 𝑓𝑓3 , entonces según la propiedad 6 se
cumple que |𝐵𝐵| = 15|𝐴𝐴|. Como se desea calcular el |𝐴𝐴|, entonces despejando en la igualdad anterior, se obtiene: |𝐴𝐴| = 1/15|𝐵𝐵|
5 2 4 0 5 2 4 𝟎𝟎
5 2 4 5 2 4
−3 4 2 4 1 −3 4 2 𝟒𝟒 1 1 532
|𝑨𝑨| = � � = 15 � � = 15 �𝟒𝟒 � 30 12 10� + 𝟓𝟓 �−3 4 2 �� = 15 (𝟒𝟒. 322 + 𝟓𝟓(−364)) = − ∎
2 5 3 0
4 2
30 12 10 𝟎𝟎 15
1 5 8 30 12 10
1 5 8 5 1 5 8 𝟓𝟓
Página|62
Capítulo II

Propiedad 7:
Si una matriz 𝐵𝐵 es obtenida de una matriz 𝐴𝐴 como resultado de la transformación elemental 𝑓𝑓𝑖𝑖 + 𝑓𝑓𝑗𝑗 → 𝑓𝑓𝑖𝑖 entonces
el determinante no se altera.
Puedes buscar más información sobre esta importante propiedad en Wikipedia en español y en otros libros de Álgebra Lineal
disponibles en la Biblioteca y en el sitio http://mathworld.wolfram.com/ChioPivotalCondensation.html
La propiedad anterior se deduce de forma inmediata de la denominada Regla de Chiò 2. Esta regla establece que si dos
determinantes se diferencian solo en una fila, entonces puede calcularse su suma como el determinante que resulta de repetir
las mismas filas coincidentes y la fila diferente, como la suma de las filas de cada determinante, por ejemplo:

Ejemplo 19
5 2 1 −5 2−1 5−5 2+2 1−1 0 4 0
�−3 4 2� + �−3 4 2� = � −3 4
1 5 8 1 5 8 1 5
2 � = �−3 4 2� = −4(−24 − 2) = 104
8 1 5 8

Obsérvese que los determinantes que se están sumando solo difieren en la primera fila.
¡Como la propiedad establece una igualdad, esta puede ser aplicada en los dos sentidos de la igualdad!
La Regla de Chiò puede aplicarse también en el otro sentido, o sea, dado un determinante descomponerlo en la suma de dos
determinantes cualesquiera que difieran solamente del determinante dado en la misma fila (columna). En particular es útil,
si se descompone en dos determinantes más fáciles de calcular y más aún si uno de ellos es igual a cero (según lo estudiado
en la propiedad 4)
El siguiente ejemplo muestra esta interesante propiedad y cómo puede utilizarse en la práctica para “fabricar ceros” en un
determinante sin que se altere el valor de este, pero que haga más sencillos los cálculos.

Ejemplo 20
5 2 −1 6
−3 −2 1 −6
Calcule: |𝐴𝐴| = � �
21 4 1 4
1 5 8 5

Solución:
Puede verse que al sumar las filas 1 y 2 se producen varios ceros, entonces podría hacerse la descomposición:
|𝐴𝐴| = |𝐴𝐴| + |𝐵𝐵|
Con tal que |𝐵𝐵| = 0, lo que puede lograrse si la matriz 𝐵𝐵 se construye difiriendo de A solo en la fila 1, la que será sustituida
por la fila 2. Por tanto, |𝐵𝐵| = 0 porque 𝐵𝐵 posee dos filas iguales. Al aplicar la Propiedad 7 aparecerá un determinante con
varios ceros, el cual tiene el mismo valor que el inicial.
5 2 −1 6 −3 −2 1 −6 5 + (−3) 2 + (−2) −1 + 1 6 + (−6)
−3 −2 1 −6 −3 −2 1 −6 −3 −2 1 −6
|𝐴𝐴| = |𝐴𝐴| + |𝐵𝐵| = � �+� �=� �
21 4 1 4 21 4 1 4 21 4 1 4
1 5 8 5 ��1�������
5 8����5�� 1 5 8 5
𝐸𝐸𝐸𝐸 0 𝑠𝑠𝑠𝑠𝑠𝑠ú𝑛𝑛 𝑙𝑙𝑙𝑙 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 5

2
Felice Chiò (1813-1871), matemático italiano quien aunque realizó otros trabajos, se conoce principalmente por la regla que permite
simplificar el cálculo de determinantes, antes de aplicar la Regla de Laplace.
Página|63
Capítulo II

5 2 −1 6 2 0 0 0
−2 1 −6
−3 −2 1 −6 −3 −2 1 −6
Por tanto, |𝐴𝐴| = � �=� � = 2 � 4 1 4� = 2(−108) = −216 ∎
21 4 1 4 21 4 1 4
5 8 5
1 5 8 5 1 5 8 5
𝑓𝑓1 + 𝑓𝑓2 → 𝑓𝑓1
El procedimiento seguido puede identificarse como una de las posibles formas de “fabricar ceros” en un determinante,
procedimiento que es conveniente aplicar antes de aplicar la Regla de Laplace. Los más sofisticados 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 que calculan
determinantes, utilizan esta propiedad con el objetivo de minimizar el número total de operaciones a realizar. El método
práctico seguido arriba para “fabricar ceros” podría conducir a la siguiente formulación o propiedad de los determinantes.

Propiedad 8:
Si una matriz 𝐵𝐵 es obtenida de una matriz 𝐴𝐴 como resultado de la ¡La aplicación de la Propiedad 8
también permite “fabricar ceros”!
transformación elemental 𝑘𝑘𝑓𝑓𝑖𝑖 + 𝑓𝑓𝑗𝑗 → 𝑓𝑓𝑗𝑗 , siendo 𝑘𝑘 ∈ 𝐾𝐾 (𝐾𝐾 = ℝ 𝑜𝑜 ℂ),
entonces el determinante no se altera.

Ejemplo 21
5 2 −1 6
−3 −2 3 2
Calcule: |𝐴𝐴| = � �
10 4 −2 0
1 5 8 5
Solución:
En la intersección de la fila 3 y la columna 4 aparece un cero, por lo cual reporta cierta ventaja desarrollar el determinante
por cualquiera de esas dos vías. Sin embargo, si se observa más detenidamente, puede apreciarse que las filas 1 y 3 son “casi
proporcionales”, pues solo los elementos 𝑎𝑎14 𝑦𝑦 𝑎𝑎34 no guardan la misma relación que los demás elementos de esas filas
contenidos en la misma columna; por tanto, pueden “fabricarse ceros”. Vale la pena abandonar la variante que utiliza la
ventaja del cero en el elemento 𝑎𝑎34 si se pueden ganar tres ceros utilizando la Propiedad 8.
5 2 −1 6 5 2 −1 6
5 2 −1
−3 −2 3 2 −3 −2 3 2
|𝐴𝐴| = �
10 4 −2 0
�=�
0 0 0 −12
� = 12 �−3 −2 3� = 12�5(−31) − 2(−27) − 1(−13)� = −1056
1 5 8

1 5 8 5 1 5 8 5
−2𝑓𝑓1 + 𝑓𝑓3 → 𝑓𝑓3
Observación:
Nótese que el resultado de la transformación se coloca en la fila que no ha sido multiplicada por el escalar; en este caso en la fila 3.
De hacerlo en la fila 1, el valor del determinante sí cambiaría y para mantener la igualdad habría que multiplicar el nuevo
determinante por el recíproco del escalar por el que se multiplicó la fila 1, o sea, por -1/2.

Ejemplo 22 1 2 −1 1
−3 −5 3 2
Calcule el determinante de A = � � reduciéndola primero a la forma triangular.
2 −3 −1 3
1 5 2 5
Solución:
Como no se observa ninguna propiedad inmediata que pueda aplicarse para reducir los cálculos, es conveniente reducir la
matriz cuadrada a la forma triangular, pues el cálculo de su determinante se reduciría al producto de los elementos de la
Página|64
Capítulo II

diagonal principal en esta última matriz, según se vio en la propiedad 3. O sea, reducir la matriz a una forma escalonada por
filas, mediante el uso de transformaciones elementales. La Propiedad 8 contribuye a ello.
1 2 −1 1 1 2 −1 1 1 2 −1 1 1 2 −1 1
−3 −5 3 2 0 1 0 5 0 1 0 5 0 1 0 5
|A| = � �=� �=� �=� � = −119
2 −3 −1 3 0 −7 1 1 0 0 1 36 0 0 1 36
1 5 2 5 0 3 3 4 0 0 3 −11 0 0 0 −119
3𝑓𝑓1 + 𝑓𝑓2 → 𝑓𝑓2 7𝑓𝑓2 + 𝑓𝑓3 → 𝑓𝑓3 −3𝑓𝑓3 + 𝑓𝑓4 → 𝑓𝑓4
−2𝑓𝑓1 + 𝑓𝑓3 → 𝑓𝑓3 −3𝑓𝑓2 + 𝑓𝑓4 → 𝑓𝑓4
−𝑓𝑓1 + 𝑓𝑓4 → 𝑓𝑓4
En la práctica y en muchas ocasiones no es necesario convertir la matriz a la forma triangular, porque pueden calcularse
determinantes de orden pequeño, incluso hasta de forma mental. Por ejemplo, en este caso, después de hacer ceros todos
los elementos de la primera columna bajo el pivote de la primera fila, podía calcularse el determinante con facilidad, a saber:
1 2 −1 1 1 2 −1 1
1 0 5
−3 −5 3 2 0 1 0 5
|𝐴𝐴| = � �=� � = �−7 1 1� = 1 + 5(−24) = −119 
2 −3 −1 3 0 −7 1 1
3 3 4
1 5 2 5 0 3 3 4
La reducción de una matriz a una matriz triangular es un método muy utilizado para simplificar los cálculos de determinantes
en lugar de aplicar directamente la Regla de Laplace, más ineficiente, incluso mediante el uso de las computadoras como ya
se comentó. Para una matriz cuadrada de orden n, el número de operaciones para el cálculo de un determinante, utilizando
previamente su reducción a la forma triangular es de 2𝑛𝑛3 /3 operaciones aritméticas, mucho menor que la cantidad de
operaciones a realizar utilizando la Regla de Laplace directamente en el caso general. Para una matriz de orden 18, como el
ejemplo discutido en la introducción de esta sección, serían necesarias solamente 3888 operaciones aritméticas, que
cualquier computadora puede realizar en breve tiempo.

Otras propiedades con importancia teórica

Otra propiedad trascendente de los determinantes es la que establece un nexo entre el producto de matrices y el producto
de determinantes. Esta propiedad, esbozada inicialmente por Laplace fue demostrada hacia 1812 por Cauchy.

Propiedad 9:
Si dos matrices cuadradas 𝐴𝐴 y 𝐵𝐵 tienen el mismo orden, entonces se cumple que : |𝐴𝐴𝐴𝐴| = |𝐴𝐴||𝐵𝐵|.
La demostración de esta propiedad es algo compleja y se apoya en varios lemas con sus demostraciones, por lo que no se
expondrá en este libro; no obstante puede ser encontrada en la Sección 3.5 (páginas 226-229) del libro Grossman, S. , Flores,
J. (2012). Álgebra Lineal. Capítulo 3. McGraw-Hill/Interamericana Editores S.A. de V.V. 7ma. Edición. México.
Notas:
1. Nótese que en la igualdad |𝐴𝐴𝐴𝐴| = |𝐴𝐴||𝐵𝐵|, la multiplicación del miembro izquierdo es una multiplicación de matrices,
mientras que la multiplicación del miembro derecho es una multiplicación de números, los determinantes.
2. No confundir la notación usada en esta propiedad con la parecida propiedad de los módulos de los números.
3. Existe una descomposición factorial de matrices denominada Factorización o Descomposición LU (𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 − 𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈,
por su significado en inglés), que permite expresar una matriz no singular 𝐴𝐴 como el producto de una matriz
triangular inferior L (𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿) y una matriz triangular superior U (𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈). ¡Si te interesa puedes averiguar sobre este
proceder!
Página|65
Capítulo II

Ejemplo 23
Constate la conveniencia de aplicar la propiedad 11, calculando |𝐴𝐴𝐴𝐴| y comparando con |𝐴𝐴||𝐵𝐵| si se conoce que
−2 3 2 −2 3 1
𝐴𝐴 = � 4 −2 0� y 𝐵𝐵 = � 4 5 −2�
5 8 0 2 1 3
Solución:
Para calcular |𝐴𝐴𝐴𝐴|, primero hay que calcular el producto matricial 𝐴𝐴𝐴𝐴 y solo después calcular el determinante de la matriz
producto:
−2 3 2 −2 3 1 20 11 −2
|𝐴𝐴𝐴𝐴| = �� 4 −2 0� � 4 5 −2�� = � −16 2 8 � ←No se aprecia ninguna propiedad inmediata de los determinantes
5 8 0 2 1 3 22 55 −11
= 20(−22 − 55.8) − 11(16.11 − 22.8) − 2(−16.55 − 44) = −7392

Calcular |𝐴𝐴||𝐵𝐵| significa calcular cada determinante por separado y después multiplicar los valores obtenidos. Obsérvese, en
este caso, que es conveniente aprovechar la existencia de dos ceros en la columna 3 de 𝐴𝐴 y q ue e n 𝐵𝐵 si se ap lica la
transformación 2𝑓𝑓1 + 𝑓𝑓 2 → 𝑓𝑓2 , el determinante no se altera, pero aparecen dos ceros en la fila 2. Así,

−2 3 2 −2 3 1 −2 3 𝟐𝟐 −2 3 1
|𝐴𝐴||𝐵𝐵| = � 4 −2 0� . � 4 5 −2� = � 4 −2 0� . � 0 𝟏𝟏𝟏𝟏 0� =𝟐. 42. 𝟏𝟏(−8) = −7392
5 8 0 2 1 3 5 8 0 2 1 3

Resultó en este caso más ventajoso calcular el producto de los determinantes.

Propiedad 10:
En toda matriz cuadrada 𝐴𝐴 de orden 𝑛𝑛, la combinación lineal de los elementos de una fila por los cofactores de otra
fila da como resultado cero.
Demostración:

En símbolos, la propiedad plantea que si i ≠ k, entonces: 𝑎𝑎𝑖𝑖1 𝐶𝐶𝑘𝑘1 + 𝑎𝑎𝑖𝑖2 𝐶𝐶𝑘𝑘2 + 𝑎𝑎𝑖𝑖3 𝐶𝐶𝑘𝑘3 + ⋯ + 𝑎𝑎𝑖𝑖𝑖𝑖 𝐶𝐶𝑘𝑘𝑘𝑘 = 0.
Considérense las matrices
𝑎𝑎11 ⋯ 𝑎𝑎1𝑛𝑛 𝑎𝑎11 ⋯ 𝑎𝑎1𝑛𝑛
⎡ ⋮ ⋮ ⋮ ⎤ ⎡ ⋮ ⋮ ⋮ ⎤
⎢ 𝑎𝑎𝑖𝑖1 ⋯ 𝑎𝑎𝑖𝑖𝑖𝑖 ⎥ ⎢ 𝑎𝑎𝑖𝑖1 ⋯ 𝑎𝑎𝑖𝑖𝑖𝑖 ⎥
𝐴𝐴 = ⎢ ⋮ ⋮ ⋮ ⎥ y 𝐵𝐵 = ⎢ ⋮ ⋮ ⋮ ⎥
⎢𝑎𝑎𝑘𝑘1 ⋯ 𝑎𝑎𝑘𝑘𝑘𝑘 ⎥ ⎢ 𝑎𝑎𝑖𝑖1 ⋯ 𝑎𝑎𝑖𝑖𝑖𝑖 ⎥
⎢ ⋮ ⋮ ⋮ ⎥ ⎢ ⋮ ⋮ ⋮ ⎥
⎣𝑎𝑎𝑛𝑛1 ⋯ 𝑎𝑎𝑛𝑛𝑛𝑛 ⎦ ⎣𝑎𝑎𝑛𝑛1 ⋯ 𝑎𝑎𝑛𝑛𝑛𝑛 ⎦

Las matrices 𝐴𝐴 y 𝐵𝐵 son iguales excepto en la fila k-ésima de 𝐵𝐵 que es igual a su fila i-ésima. Por tal motivo y según la propiedad 5, el
determinante de 𝐵𝐵 es igual a cero. Luego, si se desarrolla el determinante de 𝐵𝐵 por la fila k-ésima resultaría:
|𝐵𝐵| = 𝑎𝑎𝑘𝑘1 𝐶𝐶𝑘𝑘1 + 𝑎𝑎𝑘𝑘2 𝐶𝐶𝑘𝑘2 + 𝑎𝑎𝑘𝑘3 𝐶𝐶𝑘𝑘3 + ⋯ + 𝑎𝑎𝑘𝑘n 𝐶𝐶𝑘𝑘n = 0 (1)
Pero, los elementos 𝑎𝑎𝑘𝑘𝑘𝑘 de la fila k-ésima de 𝐵𝐵 son iguales respectivamente a los elementos 𝑎𝑎𝑖𝑖𝑖𝑖 de la fila i-ésima de 𝐵𝐵, pues así fue construida
dicha matriz. Por tanto, en la igualdad (1) pueden ser sustituidos los factores 𝑎𝑎𝑘𝑘𝑘𝑘 por los respectivos 𝑎𝑎𝑖𝑖𝑖𝑖 , resultando la igualdad:

|𝐵𝐵| = 𝑎𝑎𝑖𝑖1 𝐶𝐶𝑘𝑘1 + 𝑎𝑎𝑖𝑖2 𝐶𝐶𝑘𝑘2 + 𝑎𝑎𝑖𝑖3 𝐶𝐶𝑘𝑘3 + ⋯ + 𝑎𝑎𝑖𝑖𝑖𝑖 𝐶𝐶𝑘𝑘𝑘𝑘 = 0 (2)
Donde coincide la segunda igualdad de (2) con lo expresado en el Teorema, lo que lo demuestra. 
Página|66
Capítulo II

Ejemplo 24
−2 3 2
Constate en el determinante � 4 −2 8 � que la combinación lineal de los elementos de la fila 2 por los cofactores de la
5 8 −3
fila 3 es igual a cero:

Solución:
En efecto:
𝟑𝟑
3 2 −2 2 −2 3
� 𝑎𝑎2𝑗𝑗 𝐶𝐶3𝑗𝑗 = 4𝐶𝐶31 + (−2)𝐶𝐶32 + 8𝐶𝐶33 = 4 �
𝒋𝒋=𝟏𝟏
−2 8
� − 2 �− �
4 8
�� + 8 �
4 −2
� = 4 ∙ 28 + 2(−24) + 8(−8) = 0

¡Prueba plantearte lo mismo considerando otras dos filas diferentes!

Resumen de las propiedades de lo determinantes

Propiedades que brindan vías ventajosas de cálculo
El determinante de una matriz cuadrada 𝐴𝐴 puede ser desarrollado por cofactores a través de cualquier fila o
cualquier columna de 𝐴𝐴.
Consecuencia inmediata: Es conveniente desarrollar un determinante por la fila o columna que más ceros posea
El determinante de una matriz triangular A es el producto de los elementos de su diagonal principal.
Consecuencia inmediata: Si uno de los elementos de la diagonal principal es cero, el determinante es cero.
Si en una matriz 𝐴𝐴 posee una fila que es una combinación lineal de las restantes filas de 𝐴𝐴, entonces |𝐴𝐴| = 0
Consecuencia inmediata: Si por simple inspección se observa la existencia de una fila nula, dos filas iguales, dos filas
proporcionales, o una fila como suma algebraica de otras, se concluye que el determinante es cero.

Si una matriz 𝐵𝐵 es obtenida de una matriz 𝐴𝐴 como resultado de la transformación elemental 𝑘𝑘𝑓𝑓𝑖𝑖 + 𝑓𝑓𝑗𝑗 → 𝑓𝑓𝑗𝑗 , siendo
𝑘𝑘 ∈ 𝐾𝐾 (𝐾𝐾 = ℝ 𝑜𝑜 ℂ), entonces el determinante no se altera.
Consecuencia inmediata: Es posible “fabricar ceros” y con ello facilitar los cálculos, mediante la aplicación de transformaciones
elementales entre fila. En particular, es conveniente reducir una matriz a la forma escalonada por filas (matriz triangular superior)
para calcular finalmente el determinante como el producto de los elementos de la diagonal principal de esta última matriz.

El determinante del producto es igual al producto de los determinantes.

Consecuencia inmediata: Si por separado los cálculos son más simples, entonces es preferible calcular |AB|=|A||B|. También es
posible que sea más simple calcular el producto de las matrices y solo después el determinante de la matriz producto.

Por su importancia teórica debe saberse que:

|𝐴𝐴| = |𝐴𝐴𝑡𝑡 | (O sea, toda matriz y su transpuesta tienen el mismo determinante).
Si se intercambian dos filas (columnas) de una matriz, el determinante cambia de signo.
Si se suman dos filas (columnas) y el resultado se coloca en una de ellas, no cambia el determinante.
Si se multiplica una fila por un escalar, el determinante queda multiplicado por ese escalar.
∑𝑛𝑛𝑗𝑗=1 𝑎𝑎𝑖𝑖𝑖𝑖 𝐶𝐶𝑖𝑖𝑖𝑖 = |𝐴𝐴| (𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 𝑑𝑑𝑑𝑑 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿)
∑𝑛𝑛𝑗𝑗=1 𝑎𝑎𝑖𝑖𝑖𝑖 𝐶𝐶𝑘𝑘𝑘𝑘 = 0 (∀𝑘𝑘 ≠ 𝑖𝑖)
Página|67
Capítulo II

Algunas aplicaciones de los determinantes

Cálculo de la inversa de una matriz
Ya en el Capítulo I se definieron las matrices no singulares como aquellas matrices cuadradas que poseen inversa, las matrices
invertibles; y a las matrices singulares como aquellas matrices cuadradas que no son invertibles. A través de los determinantes
se pueden obtener informaciones sobre el carácter singular o no singular de una matriz.

Teorema 1
Una matriz 𝐴𝐴 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 si y solo si su determinante es igual a cero.

Demostración:

Debe probarse la proposición en las dos direcciones.

1ero: Si 𝐴𝐴 es singular, entonces |𝐴𝐴| = 0
Supóngase que 𝐴𝐴 ∈ 𝑀𝑀𝑛𝑛 es no singular, entonces existe una matriz cuadrada 𝐵𝐵 ∈ 𝑀𝑀𝑛𝑛 tal que 𝐴𝐴𝐴𝐴 = 𝐼𝐼
Si se aplican determinantes en ambos miembros de la igualdad se obtiene: |𝐴𝐴𝐴𝐴| = 1
Pero, |𝐴𝐴𝐴𝐴| = |𝐴𝐴||𝐵𝐵| según la Propiedad 9, o sea, |𝐴𝐴𝐴𝐴| = |𝐴𝐴||𝐵𝐵| = 1 de donde se infiere que |𝐴𝐴| ≠ 0.
O sea, si A es no singular, entonces |𝐴𝐴| ≠ 0, o lo es equivalente, si A es singular, entonces |𝐴𝐴| = 0, que era lo que se quería probar.
2do: Si |𝐴𝐴| = 0, entonces 𝐴𝐴 es singular.
Si |𝐴𝐴| = 0, es imposible encontrar una matriz cuadrada 𝐵𝐵, tal que 𝐴𝐴𝐴𝐴 = 𝐼𝐼, pues de:
|𝐴𝐴𝐴𝐴| = |𝐴𝐴||𝐵𝐵| = 0. |𝐵𝐵| = 0 ≠ 1 para cualquier matriz cuadrada B que se considere, con lo que queda probado. 

A partir de la equivalencia entre los conceptos de matriz invertible, matriz no singular y matriz con determinante no nulo,
aparecen algunas propiedades de la matriz inversa no estudiadas con antelación y relacionadas con los determinantes. En
efecto, partiendo de la igualdad 𝐴𝐴𝐴𝐴−1 = 𝐼𝐼 donde tanto 𝐴𝐴 como 𝐴𝐴−1 son matrices no singulares, se tiene:
Aplicando determinantes en ambos miembros que:
|𝐴𝐴𝐴𝐴−1 | = |𝐼𝐼|
|𝐴𝐴||𝐴𝐴−1 | = 1
1
|𝐴𝐴−1 | = ← Propiedad de la inversa:
|𝐴𝐴|

O en palabras fáciles para recordar: El determinante de la inversa es el inverso del determinante.

Ahora se está en condiciones de dar una fórmula para el cálculo de la inversa una matriz no singular, utilizando su
determinante.

Teorema 2
1
Si 𝐴𝐴 es una 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑛𝑛𝑛𝑛 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠, entonces 𝐴𝐴−1 = | | 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴)
𝐴𝐴

Recuerda que cuando se presentó el cofactor 𝑖𝑖𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 se definió el concepto de 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑 𝐴𝐴. A manera de
recordación
𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) ≝ (𝐶𝐶𝐶𝐶𝐶𝐶(𝐴𝐴))𝑡𝑡
Página|68
Capítulo II

Demostración
Una prueba inmediata de la fórmula que brinda el teorema comienza por calcular el producto 𝐴𝐴. 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴).

En efecto:
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 ⋯ 𝑎𝑎1𝑛𝑛 𝐶𝐶11 𝐶𝐶21 𝐶𝐶31 ⋯ 𝐶𝐶𝑛𝑛1 |𝐴𝐴| 0 0 ⋯ 0
⎡𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 ⋯ 𝑎𝑎2𝑛𝑛 ⎤ ⎡ 𝐶𝐶12 𝐶𝐶22 𝐶𝐶32 ⋯ 𝐶𝐶𝑛𝑛2 ⎤ ⎡ 0 |𝐴𝐴| 0 ⋯ 0 ⎤
⎢ ⋯ 𝑎𝑎3𝑛𝑛 ⎥⎥ ⎢⎢ 𝐶𝐶13 ⎥ ⎢ ⎥
𝐴𝐴. 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) = ⎢𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝐶𝐶23 𝐶𝐶33 ⋯ 𝐶𝐶𝑛𝑛3 ⎥ = ⎢ 0 0 |𝐴𝐴| ⋯ 0 ⎥ = |𝐴𝐴|𝐼𝐼
⎢⋯ ⋯ ⋯ ⋯ ⋯ ⎥⎢ ⋯ ⋯ ⋯ ⋯ ⋯ ⎥ ⎢⋯ ⋯ ⋯ ⋯ ⋯ ⎥
⎣𝑎𝑎𝑛𝑛1 𝑎𝑎𝑛𝑛2 𝑎𝑎𝑛𝑛3 ⋯ 𝑎𝑎𝑛𝑛𝑛𝑛 ⎦ ⎣𝐶𝐶1𝑛𝑛 𝐶𝐶2𝑛𝑛 𝐶𝐶3𝑛𝑛 ⋯ 𝐶𝐶𝑛𝑛𝑛𝑛 ⎦ ⎣ 0 0 0 ⋯ |𝐴𝐴| ⎦

Pues la combinación lineal:

|𝐴𝐴| 𝑠𝑠𝑠𝑠 𝑘𝑘 = 𝑖𝑖 (𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 𝑑𝑑𝑑𝑑 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿)
� 𝑎𝑎𝑖𝑖𝑖𝑖 𝐶𝐶𝑘𝑘𝑘𝑘 = �
0 𝑠𝑠𝑠𝑠 𝑘𝑘 ≠ 𝑖𝑖 (𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 10)
De la igualdad,
1
𝐴𝐴. 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) = |𝐴𝐴|𝐼𝐼, resulta, tras multiplicar en ambos miembros por |𝐴𝐴|
𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴)
𝐴𝐴. |𝐴𝐴|
= 𝐼𝐼

Y como se sabe, la única matriz que multiplicada por 𝐴𝐴 da como resultado la matriz identidad 𝐼𝐼 es la inversa 𝐴𝐴−1 de 𝐴𝐴. Luego queda
confirmada la fórmula y con ello el teorema. 
Como regla:
Ejemplo 25 ¡Para matrices de orden n>3, el cálculo de la
inversa mediante determinantes no es eficiente!
−1 3 0
Calcule la inversa de la matriz A = � 3 1 −2� utilizando determinantes.
1 9 2
Solución:
−1 3 0
|𝐴𝐴| = � 3 1 −2� = 2(−12) + 2(−10) = −44 ≠ 0 lo cual confirma que 𝐴𝐴 es invertible.
1 9 2
20 −6 −6
𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) = �−8 −2 −2�
26 12 −10
5 3 3
20 −6 −6 ⎡− 11 22 22⎤
−1 ⎢ 2 1 1⎥
Por tanto 𝐴𝐴−1 = �−8 −2 −2� = ⎢ 11
44
26 12 −10 ⎢ −13
22
−3
22⎥
5⎥

⎣ 22 11 22⎦

En diferentes especialidades es necesario calcular frecuentemente inversas de matrices de orden 2. Por ello, no es ocioso
automatizar un procedimiento particular para ello.
En las matrices no singulares de orden 2, existe una regla práctica para hallar la inversa, basándose en el teorema anterior.

𝑎𝑎 𝑏𝑏
Si 𝐴𝐴 = � �, entonces, la 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) se calcula intercambiando los elementos de la diagonal principal y
𝑐𝑐 𝑑𝑑
cambiándole el signo a los elementos de la diagonal secundaria. Por tanto:
𝑑𝑑 −𝑏𝑏 𝑑𝑑 −𝑏𝑏
𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴) � �
𝐴𝐴−1 = = −𝑐𝑐 𝑎𝑎 − 𝑏𝑏𝑏𝑏 𝑎𝑎𝑎𝑎 − 𝑏𝑏𝑏𝑏 �
= �𝑎𝑎𝑎𝑎−𝑐𝑐
|𝐴𝐴| 𝑎𝑎𝑎𝑎 − 𝑏𝑏𝑏𝑏 𝑎𝑎
𝑎𝑎𝑎𝑎 − 𝑏𝑏𝑏𝑏 𝑎𝑎𝑎𝑎 − 𝑏𝑏𝑏𝑏
Página|69
Capítulo II

La regla práctica es fácilmente demostrable, pues:

𝐶𝐶11𝐶𝐶12 𝑑𝑑 −𝑐𝑐
𝐶𝐶𝐶𝐶𝐶𝐶(𝐴𝐴) = � �=� �
𝐶𝐶21𝐶𝐶22 −𝑏𝑏 𝑎𝑎
𝑑𝑑 −𝑏𝑏 𝑎𝑎 𝑏𝑏
Pero 𝐴𝐴𝐴𝐴𝐴𝐴(𝐴𝐴) = (𝐶𝐶𝐶𝐶𝐶𝐶(𝐴𝐴))𝑡𝑡 = � � y |𝐴𝐴| = � � = 𝑎𝑎𝑎𝑎 − 𝑏𝑏𝑏𝑏
−𝑐𝑐 𝑎𝑎 𝑐𝑐 𝑑𝑑

Ejemplo 26
1 −2
Calcule la inversa de la matriz A = � � utilizando la regla práctica.
9 2
Solución:
1 −2
|𝐴𝐴| = � � = 2 + 18 = 20 �
2 2
�
1 1
9 2

−1 −9 1 10 10
2 2
� ⟹ 𝐴𝐴 = 20 = �−9 1
𝐴𝐴𝐴𝐴𝐴𝐴(𝐴𝐴) = � � 20 20
−9 1
A pesar de lo poco eficiente que es el cálculo de la inversa de una matriz a través de determinantes para matrices de orden
𝑛𝑛 > 3, en ocasiones el poder determinar 𝑎𝑎 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 si esta existe o no, es conveniente antes de proponerse calcularla.
Ahora se está en condiciones de completar las propiedades de la inversa, comenzadas a estudiar en el Capítulo I.

Propiedades de la inversa
Sean 𝐴𝐴 𝑦𝑦 𝐵𝐵 matrices invertibles de orden 𝑛𝑛 y 𝑘𝑘 ∈ 𝐾𝐾 ∗ (𝐾𝐾 = ℝ 𝑜𝑜 ℂ). Entonces:
1. (𝐴𝐴−1 )−1 = 𝐴𝐴
2. (𝐴𝐴𝐴𝐴)−1 = 𝐵𝐵 −1 𝐴𝐴−1
1
3. (𝑘𝑘𝑘𝑘)−1 = 𝐴𝐴−1
𝑘𝑘
1
4. 𝐴𝐴−1 = |𝐴𝐴| 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴)
−1
5. �𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴)� = 𝑎𝑎𝑎𝑎𝑎𝑎(𝐴𝐴−1 )
1
6. |𝐴𝐴−1 | =
|𝐴𝐴|

La demostración de estas propiedades se deja al lector, las cuales se basan en el uso de la definición de matriz inversa, su
unicidad y las propiedades de los determinantes y la adjunta.

Rango de una matriz y determinante

En el Capítulo I se dio una definición adelantada de rango de una matriz cualquiera, apoyándose en el rango de una matriz
escalón, en virtud de que dos matrices equivalentes por filas poseen el mismo rango. Tal definición y propiedad asociada,
brindaron un procedimiento de cálculo del determinante de una matriz.
Una definición alternativa a la que a continuación se dará en este capítulo, la encontrarás en el Capítulo V, donde se abordan
los espacios asociados a una matriz.
Al utilizar los determinantes de las submatrices de una matriz puede determinarse el rango de la misma, como se establece
en la siguiente definición, la cual se considerará en calidad de una Caracterización del Rango de una Matriz, como ya se dijo
en el Capítulo I.
Página|70
Capítulo II

Caracterización de rango de una matriz

Sea 𝐴𝐴 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 una matriz real o compleja cualquiera. El 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝐴𝐴 es el orden de las submatrices no singulares de mayor
orden contenidas en 𝐴𝐴. Si todas las submatrices son singulares, entonces 𝑟𝑟(𝐴𝐴) = 0.

A partir de esta caracterización puede calcularse fácilmente por simple inspección el rango de un gran número de matrices
de cualquier orden, pues puede determinarse más fácilmente, a partir de calcular determinantes, qué submatrices son
singulares o no singulares.

Ejemplo 27
1 2 4
Determine el rango de la matriz 𝐴𝐴 = �2 4 8�
1 3 5
Solución:
Como 𝐴𝐴 es una matriz cuadrada, ella misma es una submatriz de 𝐴𝐴. Pero como |𝐴𝐴| = 0, pues las filas 1 y 2 son proporcionales,
entonces 𝐴𝐴 es una submatriz singular. Su orden no decide el rango de 𝐴𝐴.
Se procede a buscar submatrices no singulares de orden inmediato inferior, o sea de orden 2. ¡Basta encontrar una!
4 8 4 8
En efecto, la submatriz � � por ejemplo, es no singular porque � � = −4 ≠ 0, por tanto puede afirmarse que 𝑟𝑟𝑟𝑟(𝐴𝐴) = 2. ∎
3 5 3 5
De la definición dada, se puede inferir una nueva propiedad de los determinantes, la que se agregaría a las 5 propiedades
vistas en el Capítulo I, a saber:
6. |𝐴𝐴| ≠ 0 𝑠𝑠𝑠𝑠 𝑦𝑦 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑟𝑟(𝐴𝐴𝑛𝑛 ) = 𝑛𝑛
En otras palabras, en las matrices no singulares, el rango es igual al orden. El resultado es directo, porque si |𝐴𝐴| ≠ 0, entonces
la propia matriz 𝐴𝐴 es su submatriz no singular de mayor orden y su orden es 𝑛𝑛, luego 𝑟𝑟(𝐴𝐴𝑛𝑛 ) = 𝑛𝑛.
En el otro sentido, si 𝑟𝑟(𝐴𝐴𝑛𝑛 ) = 𝑛𝑛, es porque existe al menos una submatriz no singular de orden 𝑛𝑛. Pero la única submatriz de
orden 𝑛𝑛 de 𝐴𝐴 es ella misma, luego por ser no singular, se tiene que |𝐴𝐴| ≠ 0.

Polinomio característico de una matriz

Es de mucha utilidad para resolver varios problemas que involucran a matrices, conocer el polinomio característico de una
matriz y sus ceros. En este momento solo se presentará la definición y algunos resultados inmediatos que permiten usarlo
para hallar la inversa de matrices no singulares e incluso potencias de matrices. Los valores que lo anulan, denominados
valores propios de la matriz, serán objeto de estudio más adelante.

Definición de polinomio característico de una matriz

Sea 𝐴𝐴 ∈ 𝑀𝑀𝑛𝑛 real o compleja cualquiera. Se llama 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐í𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝐴𝐴 al determinante de la matriz 𝐴𝐴 − 𝜆𝜆𝜆𝜆,
donde 𝜆𝜆 es un número real o complejo (en correspondencia con 𝐴𝐴) e 𝐼𝐼 es la matriz identidad de orden 𝑛𝑛.
En símbolos: ∆𝐴𝐴 (𝜆𝜆) = |𝐴𝐴 − 𝜆𝜆𝜆𝜆|

Ejemplo 28
1 0 4
Hallar el polinomio característico de la matriz 𝐴𝐴 = �2 4 8�
1 3 5
Página|71
Capítulo II

Solución:
1 − 𝜆𝜆 0 4
∆𝐴𝐴 (𝜆𝜆) = |𝐴𝐴 − 𝜆𝜆𝜆𝜆| = � 2 4 − 𝜆𝜆 8 � = (1 − 𝜆𝜆)[(4 − 𝜆𝜆)(5 − 𝜆𝜆) − 24] + 4�6 − (4 − 𝜆𝜆)� = − 𝜆𝜆 3 + 10𝜆𝜆2 − 𝜆𝜆 + 4 ∎
1 3 5 − 𝜆𝜆
Asociado al polinomio característico de una matriz existe un importante teorema (el cual no será demostrado porque
desborda los objetivos de este libro) que permite dar un nuevo procedimiento para calcular la inversa, hallar potencias y los
valores propios de una matriz, entre otros. Algunos de ellos serán abordados en capítulos posteriores. Nos referimos al
Teorema de Cayley-Hamilton, cuya demostración puedes encontrar en el Grossman, S., Flores, J. (2012). Álgebra Lineal.
Capítulo 3. McGraw-Hill/Interamericana Editores S.A. de V.V. 7ma. Edición. México. Pág. 636.

Teorema 3: (de Cayley-Hamilton)

Toda matriz cuadrada 𝐴𝐴 ∈ 𝑀𝑀𝑛𝑛 (real o compleja) es un cero de su polinomio característico.

En otras palabras: si de una matriz cuadrada A se halla su polinomio característico y se hace corresponder este a su polinomio
característico matricial, al evaluarse la matriz A en el mismo, se obtiene como resultado la matriz nula.

Ya en el Capítulo I se abordaron los polinomios matriciales, por lo cual este contenido no es enteramente nuevo para ti.

Ejemplo 29
1 2
Compruebe que se satisface el Teorema de Cayley-Hamilton en la matriz A = � �.
2 3
Solución:
1 − 𝜆𝜆 2
∆𝐴𝐴 (𝜆𝜆) = |𝐴𝐴 − 𝜆𝜆𝜆𝜆| = � � = (1 − 𝜆𝜆)(3 − 𝜆𝜆) − 4 = 𝜆𝜆2 − 4𝜆𝜆 − 1 → ∆𝐴𝐴 (𝑋𝑋) = 𝑋𝑋 2 − 4𝑋𝑋 − 𝐼𝐼
2 3 − 𝜆𝜆
1 2 1 2 1 2 1 0 5 8 4 8 1 0 0 0
∆𝐴𝐴 (𝐴𝐴)| = 𝐴𝐴2 − 4𝐴𝐴 − 𝐼𝐼 = � �� � − 4� �−� �=� �−� �−� �=� � ∎
2 3 2 3 2 3 0 1 8 13 8 12 0 1 0 0
Dos aplicaciones inmediatas de Teorema de Cayley-Hamilton se verán a continuación a través de los ejemplos 29 y 30.

Ejemplo 30
1 2 0
Utilizando el Teorema de Cayley-Hamilton, halle la inversa de la matriz A = �2 3 0�
0 0 1
Solución:
1 − 𝜆𝜆 2 0
1 − 𝜆𝜆 2
∆𝐴𝐴 (𝜆𝜆) = |𝐴𝐴 − 𝜆𝜆𝜆𝜆| = � 2 3 − 𝜆𝜆 0 � = (1 − 𝜆𝜆) � � = (1 − 𝜆𝜆)(𝜆𝜆2 − 4𝜆𝜆 − 1) = −𝜆𝜆3 + 5𝜆𝜆2 − 3𝜆𝜆 − 1
2 3 − 𝜆𝜆
0 0 1 − 𝜆𝜆
En virtud del Teorema de Cayley-Hamilton, al evaluar el polinomio matricial característico en la matriz 𝐴𝐴 se obtiene:
∆𝐴𝐴 (𝐴𝐴) = −𝐴𝐴3 + 5𝐴𝐴2 − 3𝐴𝐴 − 𝐼𝐼 = 0
Si se resuelve la ecuación con respecto al término independiente y se extrae como factor común a la matriz 𝐴𝐴 en el miembro
izquierdo, se obtiene:
𝐴𝐴(−𝐴𝐴2 + 5𝐴𝐴 − 3𝐼𝐼) = 𝐼𝐼
Página|72
Capítulo II

Se llega a que existe una matriz, la matriz −𝐴𝐴2 + 5𝐴𝐴 − 3𝐼𝐼, que multiplicada por la matriz 𝐴𝐴 da como resultado la identidad.
Entonces, según la definición de inversa de una matriz se concluye que:
𝐴𝐴−1 = −𝐴𝐴2 + 5𝐴𝐴 − 3𝐼𝐼 = −𝐴𝐴(𝐴𝐴 − 5𝐼𝐼) − 3𝐼𝐼,
1 2 0 −4 2 0 −3 0 0
𝐴𝐴−1 = − �2 3 0� � 2 −2 0� + � 0 −3 0 �
0 0 1 0 0 −4 0 0 −3
0 2 0 −3 0 0
𝐴𝐴−1 = �2 2 0� + � 0 −3 0�
0 0 4 0 0 −3
−3 2 0
𝐴𝐴−1 = � 2 −1 0�
0 0 1
𝐴𝐴 𝐴𝐴−1 𝐼𝐼
��
1 ��� 0 ��
2 �� ����
−3 2���
0 �����
1 0 0
Comprobando: �2 3 0� � 2 −1 0� = �0 1 0�
0 0 1 0 0 1 0 0 1
−3 2 0
Por tanto, 𝐴𝐴−1 = � 2 −1 0� ∎
0 0 1
Este método puede ser programado fácilmente en una computadora, para calcular inversas de matrices no singulares.

Ejemplo 31
1 2 0
Conocido el polinomio característico de la matriz 𝐴𝐴 = �2 3 0�, halle 𝐴𝐴3 .
0 0 1
Solución:
Ya se conoce el polinomio característico de 𝐴𝐴 pues fue hallado en el Ejemplo 27.
∆𝐴𝐴 (𝜆𝜆) = −𝜆𝜆3 + 5𝜆𝜆2 − 3𝜆𝜆 − 1
En virtud del Teorema de Cayley-Hamilton se sabe que:
∆𝐴𝐴 (𝐴𝐴) = −𝐴𝐴3 + 5𝐴𝐴2 − 3𝐴𝐴 − 𝐼𝐼 = 0
Entonces, bastará calcular 𝐴𝐴3 , despejándola en la ecuación matricial característica:
𝐴𝐴3 = 5𝐴𝐴2 − 3𝐴𝐴 − 𝐼𝐼 Notas:
Cada operación de multiplicación de dos matrices cuadradas de orden 𝑛𝑛 conlleva
a un total de 𝑛𝑛2 operaciones de multiplicación de filas por columnas y cada una
𝐴𝐴3 = 𝐴𝐴(5A − 3𝐼𝐼) − 𝐼𝐼 de estas operaciones conlleva a un cálculo de 𝑛𝑛 productos y 𝑛𝑛 − 1 sumas, por
1 2 0 2 10 0 1 0 0 tanto, en total se realizan 𝑛𝑛2 �𝑛𝑛 + (𝑛𝑛 − 1)� = 𝑛𝑛2 (2𝑛𝑛 − 1) operaciones de adición
𝐴𝐴3 = �2 3 0� �10 12 0� − �0 1 0� y multiplicación de números.
0 0 1 0 0 2 0 0 1 En el caso de matrices de orden 3, como el anterior ejemplo, de haberse calculado
22 34 0 1 0 0 𝐴𝐴3 = 𝐴𝐴 ∙ 𝐴𝐴 ∙ 𝐴𝐴, se habrían efectuado dos multiplicaciones de matrices, igual a:
𝐴𝐴3 = �34 56 0� − �0 1 0� 2. 32 (2.3 − 1) = 90 operaciones. Al procederse por la vía del Teorema de Cayley-
0 0 2 0 0 1 Hamilton, en este ejemplo, se efectuaron: 6 operaciones para hallar el polinomio
21 34 0 característico, 1 multiplicación de matrices (32 (2.3 − 1) = 45 operaciones) y
𝐴𝐴3 = �34 55 0� ∎ una suma de matrices (9 sumas de elementos); en total: 6 + 45 + 9 = 60
0 0 1 operaciones, o sea, 30 operaciones menos. Sin lugar a dudas la vía propuesta es
más eficiente. Para una matriz de mayor orden, la diferencia es más ostensible.
Página|73
Capítulo II

Conclusiones del Capítulo

En el Capítulo se abordaron los determinantes, antigua herramienta matemática para resolver Sistemas de Ecuaciones Lineales, que
al paso del tiempo han ido encontrando nuevas aplicaciones. La base del cálculo de determinantes de orden superior continúan
siendo los determinantes de orden 2 y 3, de ahí la conveniencia de dominar con eficiencia sus procedimientos de cálculo, lo que no
desdeña la conocida, aunque muy particular, Regla de Sarrus.
El procedimiento general conocido como “desarrollo por menores”, “expansión por cofactores” o simplemente Regla de Laplace es
aplicable a determinantes de cualquier orden y si bien tiene importancia desde el punto de vista teórico y funciona bien para
determinantes de órdenes pequeños, pues permite realizar cálculos mentalmente y tener importancia didáctica, es realmente muy
ineficiente cuando el orden del determinante no es tan pequeño. Eso condiciona la necesidad del conocimiento y uso de las
propiedades, para escoger vías ventajosas de cálculo, entre las que se encuentran “elegir la fila o columna con el número mayor de
ceros” o “fabricar ceros aplicando transformaciones elementales entre filas”, entre otras.
Entre las principales aplicaciones de los determinantes se abordaron: el cálculo de la inversa de una matriz no singular a través de
la denominada “fórmula de la adjunta”, que como se discutió, es conveniente aplicar cuando estamos en presencia de matrices de
orden 2 y de orden 3, por las mismas razones de la ineficiencia de la aplicación de cálculos basados en determinantes; el polinomio
característico de una matriz, lo cual brinda una vía alternativa sencilla, basada en las operaciones del álgebra de matrices, para
calcular la inversa de una matriz no singular, o también para calcular una potencia de una matriz.
También se evidenció la conveniencia de calcular determinantes para identificar si una matriz es o no singular y con ello poder hallar
el rango de una matriz a partir de las submatrices. Se incorporaron además y se resumieron las propiedades de la inversa y de la
adjunta de una matriz.
En este Capítulo aparecen destacadas primero y en un resumen después, las Propiedades de los Determinantes, el que debes revisar
porque contribuye a fijar y sistematizar el contenido. Después debes responder, como antes, las Preguntas del final del Capítulo y
estudiar los Ejemplos desarrollados a lo largo del mismo. Cuando consideres que estás en condiciones de aplicar lo aprendido a la
resolución de ejercicios, solo entonces procede a tratar de resolver los Ejercicios Propuestos.
El siguiente cuadro te puede servir como recurso para recordar las principales vías ventajosas de cálculo de determinantes:
Página|74
Capítulo II

Preguntas teóricas
1) ¿A cualquier matriz se le puede calcular el determinante?

2) ¿Cuál es el valor del determinante �𝑎𝑎 𝑏𝑏� ?

𝑐𝑐 𝑑𝑑
3) ¿Cualquier determinante puede calcularse por la Regla de Sarrus?
4) ¿El determinante de una matriz compleja puede ser un número real?
5) ¿A qué es igual el determinante de una matriz triangular inferior?
6) ¿A qué es igual el determinante de una matriz escalar?
7) ¿El determinante de una matriz escalón es siempre igual al producto de sus pivotes?
8) Si una matriz posee elementos ceros, ¿cuál es una vía ventajosa de cálculo de su determinante?
9) ¿Cuánto es el |𝐴𝐴| si el �𝐴𝐴𝑡𝑡 � = 5?
10) La matriz 𝐵𝐵 se obtuvo de la matriz 𝐴𝐴 mediante la transformación 𝑓𝑓1 + 𝑓𝑓3 → 𝑓𝑓3 .

El |𝐵𝐵| = |𝐴𝐴|: ___ siempre, ___ en algún caso, ___ nunca.

11) La matriz 𝐵𝐵 se obtuvo de la matriz 𝐴𝐴 mediante la transformación 𝑓𝑓1 + 𝑓𝑓2 → 𝑓𝑓3 .

El |𝐵𝐵| = |𝐴𝐴|: ___ siempre, ___ en algún caso, ___ nunca.

12) La matriz 𝐵𝐵 se obtuvo de la matriz 𝐴𝐴 mediante la transformación 𝑓𝑓1 + 2𝑓𝑓3 → 𝑓𝑓1 .

El |𝐵𝐵| = |𝐴𝐴|: ___ siempre, ___ en algún caso, ___ nunca.

13) Si una matriz 𝐴𝐴 es reducida a una forma escalonada por filas 𝐸𝐸,
El |𝐸𝐸| = |𝐴𝐴|: ___ siempre, ___ en algún caso, ___ nunca.
14) ¿Qué significa la expresión |𝐴𝐴| = ∑𝑛𝑛𝑗𝑗=1 𝑎𝑎3𝑗𝑗 (−1)3+𝑗𝑗 𝑀𝑀3𝑗𝑗 ?

15) ¿Es cierta la igualdad ∑𝑛𝑛𝑗𝑗=1 𝑎𝑎3𝑗𝑗 (−1)3+𝑗𝑗 𝑀𝑀3𝑗𝑗 = ∑𝑛𝑛𝑖𝑖=1 𝑎𝑎(−1)3+𝑖𝑖 𝑀𝑀𝑖𝑖3 ? en el cálculo de un determinante de orden 7?

16) ¿Es cierta la igualdad ∑𝑛𝑛𝑗𝑗=1 𝑎𝑎3𝑗𝑗 (−1)3+𝑗𝑗 𝑀𝑀3𝑗𝑗 = ∑𝑛𝑛𝑗𝑗=1 𝑎𝑎5𝑗𝑗 (−1)5+𝑗𝑗 𝑀𝑀5𝑗𝑗 ? en el cálculo de un determinante de orden 5?

17) La adjunta de �𝑎𝑎 𝑏𝑏 � es �? ?�.

𝑐𝑐 𝑑𝑑 ? ?
18) ¿Qué es el rango de una matriz?
19) ¿Qué procedimientos conoces para hallar el rango de una matriz?
20) ¿Qué es el polinomio característico de una matriz?
21) ¿Qué dice el Teorema de Cayley-Hamilton?
22) ¿Cómo puede calcularse la inversa de una matriz utilizando el Teorema de Cayley-Hamilton?
23) ¿Cómo puede calcularse una potencia de una matriz utilizando el Teorema de Cayley-Hamilton?
24) ¿En qué consiste la Regla de Sarrus?
25) ¿A qué se denomina cofactor 𝑖𝑖𝑖𝑖 − é 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 de una matriz 𝐴𝐴?
26) ¿Cuáles son los valores que toma la expresión (−1)𝑖𝑖+𝑗𝑗 en el cálculo de determinantes?
27) ¿Cuál es la función del término (−1)𝑖𝑖+𝑗𝑗 en la fórmula ∑𝑛𝑛𝑗𝑗=1 𝑎𝑎3𝑗𝑗 (−1)3+𝑗𝑗 𝑀𝑀3𝑗𝑗 ?
Página|75
Capítulo II

28) ¿La transformación 𝑓𝑓1 + 𝑓𝑓2 → 𝑓𝑓3 es una transformación elemental entre filas?

29) Si se sabe que |𝐴𝐴| = 18 y la matriz 𝐵𝐵 se obtuvo de una matriz 𝐴𝐴 por haber sustituido la fila 4 de 𝐴𝐴 por la suma
de sus filas 4 y 7, ¿Cuánto es |𝐵𝐵|?
30) Si se sabe que |𝐴𝐴| = 18 y la matriz 𝐵𝐵 se obtuvo de una matriz 𝐴𝐴 por haber sustituido la fila 4 de 𝐴𝐴 por la suma
de sus filas 5 y 7, ¿Cuánto es |𝐵𝐵|?
31) Si se sabe que |𝐴𝐴| = 18 y la matriz 𝐵𝐵 se obtuvo de una matriz 𝐴𝐴 por haber sustituido la fila 4 de 𝐴𝐴 por el producto
de su fila 4 por 7, ¿Cuánto es |𝐵𝐵|?
32) Si se sabe que |𝐴𝐴| = 18 y la matriz 𝐵𝐵 se obtuvo de una matriz 𝐴𝐴 por haber sustituido la fila 4 de 𝐴𝐴 por la suma
de su fila 4 más el producto de la fila 7 por 2, ¿Cuánto es |𝐵𝐵|?
33) Si se sabe que |𝐴𝐴| = 18 y la matriz 𝐵𝐵 se obtuvo de una matriz 𝐴𝐴 por haber sustituido la fila 4 de 𝐴𝐴 por la suma
del producto de la fila 4 por 7 más el producto de la fila 7 por 4, ¿Cuánto es |𝐵𝐵|?
34) Si 𝐴𝐴 es una matriz de orden 4 cuyo determinante es 2, ¿Cuál es el valor del determinante |3𝐴𝐴|?

35) Si 𝐴𝐴 es una matriz de orden 4 cuyo determinante es 2, ¿Cuál es el valor del determinante �𝐴𝐴−1 �?
36) ¿Se puede garantizar que siempre que el determinante de una matriz sea cero es porque una de sus filas es
combinación lineal de las otras?
37) ¿Cuándo el determinante de la opuesta es igual al determinante de la transpuesta?
38) En matrices cuadradas, ¿Cuándo la inversa es igual a la adjunta?
39) La adjunta de una matriz 𝐴𝐴 se define como la transpuesta de _________________________.
40) Si una matriz cuadrada 𝐴𝐴 se transforma a una forma escalonada por filas 𝐸𝐸, no siempre se conserva el valor del
determinante. ¿Por qué?
41) Si una matriz cuadrada 𝐴𝐴 se transforma a la forma escalonada reducida por filas 𝐸𝐸, el determinante de esta
última solo puede tomar dos valores. ¿cuáles son y por qué?
42) La combinación lineal de una fila de una matriz cuadrada 𝐴𝐴 por los cofactores de esa fila es igual a: _____
43) La combinación lineal de una fila de una matriz cuadrada 𝐴𝐴 por los cofactores de otra fila es igual a: _____
Página|76
Capítulo II

Ejercicios Propuestos
Ejercicios 1-12. Calcule los determinantes 1-12, tratando de utilizar alguna vía ventajosa para ello. Explíquela.
3 25 48 17 0 0 2 4 7 3 0 8
1. �0 5 2� 2. � 253 5 0 � 3. �10 7 19� 4. �−1 2 3�
0 0 11 −48 24 10 0 0 1 2 0 11

3 25 8 3 25 18 7 9 −5 13 16 19
5. �−1 0 3 � 6. �−1 2 3� 7. � 9 11 −7� 8. � 9 9 9�
2 25 11 3 25 11 11 13 4 22 26 28

13 16 19 −2 −10 7 0 −6 8 −5 0 0 13 16 1
9. �−4 −7 −10� 0 −5 4 −1 0 0 0 0 −3 12. �−4 −7 1�
10. � �
22 26 28 0 −10 0 0 11. ��−5 0 −5 −6 0�� 15 14 1
0 0 0 6 0 −8 0 0 2
0 −7 0 2 1
Ejercicios 13-15.Cada una de las igualdades 13-15 ilustra una propiedad de los determinantes. Enuncie la propiedad.
0 5 −2 1 −3 6
13. �1 −3 6� = − �0 5 −2�
4 −1 8 4 −1 8
2 −6 4 1 −3 2
14. �3 5 −2� = 2 �3 5 −2�
1 6 3 1 6 3
1 2 3 1 2 3
15. �0 5 −4� = �0 5 −4�
3 7 4 0 1 −5
7 6 8 5
16. Calcule el siguiente determinante “fabricando ceros” por 2 vías diferentes:� 6 7 10 6�.
7 8 8 9
8 7 9 6
17. Calcule el rango de las matrices:
0 0 0 0 2 −2 7
0 3 0 0 c) 𝑃𝑃 = � 1 4 3�
a) 𝑁𝑁 = � � b) 𝑀𝑀 = [0 2 0 4]
0 9 7 0 3 2 10
0 7 0 8
2 −5 8 0
1 −1 2
e) 𝑅𝑅 = �−2 −7 1 � f) 𝐻𝐻 = � 0�
d) 𝑄𝑄 = �2 2 3�
4 2 7 𝑖𝑖
3 1 1
18. Sea 𝐴𝐴 ∈ 𝑀𝑀2 tal que|𝐴𝐴| = −4. Halle:

a) |𝐴𝐴2 |, b) |𝐴𝐴4 |, c) |𝐴𝐴−1 |, d) |3𝐴𝐴|, e) |𝑖𝑖𝑖𝑖𝑡𝑡 |.

19. Pruebe que si 𝐴𝐴 ∈ 𝑀𝑀𝑛𝑛 , entonces |𝑎𝑎𝑎𝑎𝑎𝑎 𝐴𝐴| = |𝐴𝐴|𝑛𝑛−1 .
Ejercicios 20-21. Calcule los determinantes:
1 𝑥𝑥 𝑦𝑦 𝑥𝑥 + 𝑦𝑦
𝑥𝑥 1 1 1 𝑦𝑦 𝑧𝑧 𝑥𝑥 + 𝑦𝑦
20. �1 𝑥𝑥 1� 21. �1 𝑧𝑧 𝑡𝑡 𝑥𝑥 + 𝑦𝑦
�
1 1 𝑥𝑥
1 𝑡𝑡 𝑥𝑥 𝑥𝑥 + 𝑦𝑦
Página|77
Capítulo II

Ejercicios 22-23. Resuelva las ecuaciones:

1 2 3 4
𝑡𝑡 + 3 5 6
5 − 𝑥𝑥 2 2 3 4
22. � −1 𝑡𝑡 − 3 −6� = 0 23. � �=0
2 3 5 − 𝑥𝑥 2 1
1 1 𝑡𝑡 + 4
2 3 4 1
24. Muestre que la ecuación de la recta que pasa por los puntos (𝑥𝑥1 , 𝑦𝑦1 ) 𝑦𝑦 (𝑥𝑥2 , 𝑦𝑦2 ) se puede escribir en la forma
𝑥𝑥 𝑦𝑦 1
� 1 𝑦𝑦1 1� = 0
𝑥𝑥
𝑥𝑥2 𝑦𝑦2 1
Sugerencia: Por un lado, desarrolle el determinante y por otro halle la ecuación en la forma 𝐴𝐴𝐴𝐴 + 𝐵𝐵𝐵𝐵 + 𝐶𝐶 = 0. de la recta que pasa
por los puntos (𝑥𝑥1 , 𝑦𝑦1 ) 𝑦𝑦 (𝑥𝑥2 , 𝑦𝑦2 ) hasta el punto en que ambos resultados coincidan.

25. Halle la distancia del punto 𝑀𝑀(2, −5) a la recta que pasa por los puntos 𝑃𝑃(2, −3)𝑦𝑦 𝑄𝑄(1,7).
Sugerencia: Utilice un determinante para hallar la ecuación de la recta y aplicar después la fórmula de distancia de un punto a una
recta de la forma 𝐴𝐴𝐴𝐴 + 𝐵𝐵𝐵𝐵 + 𝐶𝐶 = 0.

26. Demostrar que las rectas 𝑙𝑙1 : 3𝑥𝑥 − 5𝑦𝑦 + 7 = 0, 𝑙𝑙2 : 2𝑥𝑥 + 3𝑦𝑦 − 8 = 0 y 𝑙𝑙3 : 6𝑥𝑥 − 7𝑦𝑦 + 8 = 0 son concurrentes.
Sugerencia: Tomar en cuenta que tres rectas son concurrentes si el determinante construido con los coeficientes de sus ecuaciones
es igual a cero.

27. Encuentre la ecuación de la circunferencia que pasa por los puntos 𝑃𝑃1 (2,1), 𝑃𝑃2 (0,1) y 𝑃𝑃3 (0, −1) conociendo que esta
puede expresarse como:
𝑥𝑥 2 + 𝑦𝑦 2 𝑥𝑥 𝑦𝑦 1
2 2 𝑦𝑦1 1
�� 𝑥𝑥1 + 𝑦𝑦1 𝑥𝑥1 �=0
𝑥𝑥22 + 𝑦𝑦22 𝑥𝑥2 𝑦𝑦2 1�
𝑥𝑥32 + 𝑦𝑦32 𝑥𝑥3 𝑦𝑦3 1
𝑥𝑥 𝑦𝑦 𝑧𝑧
28. Sabiendo que �7 0 2� = 1. Calcula el valor de los siguientes determinantes:
1 1 1
3𝑥𝑥 3𝑦𝑦 3𝑧𝑧 7x 7y 7z
𝑎𝑎) � 7 0 2 � 𝑏𝑏) � 1 0 2/7�
1 1 1 1 1 1
29. Halle el área del triángulo de vértices (5,2), (6,4), (11,6).

30. Halle el área del paralelogramo de vértices (0, −2), (6, −1), (−3,1), (3,2).
5 9 7 33
31. Pruebe, sin calcularlo, que el valor del determinante �1 20 5 10�es divisible por 3:
4 4 4 26
9 7 8 11
Sugerencia: Observe que la suma de los elementos de cada fila es un múltiplo de 3 y recuerde la regla de divisibilidad por 3.

32. Los números 20604, 53227, 25755, 20927 y 78421 son divisibles por 17. Mostrar que el siguiente determinante también
es divisible por 17.
2 0 6 0 4 Sugerencia:
5 3 2 2 7 Hacer la transformación: 𝐶𝐶1 104 + 𝐶𝐶2 103 + 𝐶𝐶3 102 + 𝐶𝐶4 10 + 𝐶𝐶5 → 𝐶𝐶5 ,
�2 5 7 5 5��
� entonces la columna 𝐶𝐶5 estará formada por los números dados que son divisibles por 17.
2 0 9 2 7
7 8 4 2 1
Página|78
Capítulo II

Ejercicios 33-36. Encuentre, si existen, las inversas de las siguientes matrices:

1 2
33. � �
4 7
0 1 2
34. �1 0 3�
4 −3 8
1 0 −2
35. �−3 1 4�
2 −3 4
1 −2 1
36. � 4 −7 3�
−2 6 −4
−2 −7 −9
37. Sea 𝐴𝐴 = � 2 5 6�. Encuentre la tercera columna de 𝐴𝐴−1 sin calcular las otras columnas.
1 3 4
Página|79
Capítulo II

Respuestas a los Ejercicios Propuestos

Respuestas 1-12

1. 165 (matriz triangular),

2. 850 (matriz triangular),
3. -26 (desarrollándolo por la fila 3 y después calculando directamente el menor de orden dos),
4. 34 (desarrollándolo por la columna 2 y después calculando directamente el menor de orden dos), 5. 0 (notando
que 𝑓𝑓1 + 𝑓𝑓2 = 𝑓𝑓3 ),

6. -217 (“fabricando ceros” en la fila 1, por ejemplo con la trasformación −𝑓𝑓3 + 𝑓𝑓1 → 𝑓𝑓3 , después haciendo el
desarrollo por esta fila y calculando directamente el menor de orden dos),
7. -52 (realizando la transformación −𝑓𝑓1 + 𝑓𝑓2 → 𝑓𝑓2 y sacando entonces factor común 2 en la fila 2 se facilita “fabricar
ceros” en los dos primeros lugares de esa fila, después se realiza el desarrollo por esa fila para culminar con el cálculo
directo de un menor de orden dos),
8. 54 (“fabricando ceros” en la fila 2, con operaciones entre columnas, después haciendo el desarrollo por esta fila y
calculando directamente el menor de orden dos),
9. 54 (conviene hacer la transformación 𝑓𝑓2 + 𝑓𝑓1 → 𝑓𝑓1 , sacar entonces factor común 9 en la primera fila para facilitar
la “fabricación de ceros” en esa fila, realizar el desarrollo por dicha fila y culminar con el cálculo de un menor de
orden dos),
10. -480 (haciendo el desarrollo por una fila o columna que tenga solo un elemento no nulo hasta llegar a una
expresión en términos de un menor de orden dos que se calcula directamente con facilidad),
11. 240 (haciendo el desarrollo por una fila o columna que tenga solo un elemento no nulo hasta llegar a una
expresión en términos de un menor de orden dos que se calcula directamente con facilidad),
12. 80 (“fabricando ceros” en la columna3, después haciendo el desarrollo por esta columna y calculando
directamente el menor de orden dos).
Respuestas 13-15
13. 𝑓𝑓2 ⇄ 𝑓𝑓1 .

14. Se sacó factor común 2 en la fila 1.

15. −3𝑓𝑓1 + 𝑓𝑓3 → 𝑓𝑓3 .
7 6 8 5
16. �6 7 10 6� = 4 .
7 8 8 9
8 7 9 6
Conviene hacer primero las transformaciones −𝑓𝑓1 + 𝑓𝑓2 → 𝑓𝑓2 , −𝑓𝑓1 + 𝑓𝑓3 → 𝑓𝑓3 , −𝑓𝑓1 + 𝑓𝑓2 → 𝑓𝑓2
y después sacar factor común 2 y resulta fácil “fabricar ceros” para hacer el desarrollo por una fila o columna que
tenga solo un elemento no nulo y el determinante quede expresado en términos de un menor de orden tres,
resultará también fácil “fabricar ceros” para expresar el menor de orden tres en términos de un menor de segundo
orden, el cual se calcula directamente.
17. a) r(N) = 3, |𝑁𝑁| = 0 (matriz triangular con 𝑛𝑛11 = 0, además existe una submatriz de orden 3 no singular,
Página|80
Capítulo II

3 0 0
�9 7 0� = 3 ∙ 7 ∙ 8 = 168 ≠ 0.
7 0 8
b) r(M) = 1, M es una matriz fila no nula
2 −2
c) r(P) = 2 , |𝑃𝑃| = 0 (𝑓𝑓1 + 𝑓𝑓2 = 𝑓𝑓2 ), además existen submatrices de orden 2 no singulares, ejemplo � �.
1 4
d) r(Q) = 3,
1 −1 2 1 −1 2 1 −1 2
𝑄𝑄 = �2 2 3� ~ �0 4 −1� ~ �0 4 −1�
3 1 1 0 4 −5 0 0 −4
−2𝑓𝑓1 + 𝑓𝑓2 → 𝑓𝑓2
−𝑓𝑓2 + 𝑓𝑓3 → 𝑓𝑓3
−3𝑓𝑓1 + 𝑓𝑓3 → 𝑓𝑓3

2 −5
e) 𝑟𝑟(𝑅𝑅) = 2, |R| = 0, (𝑓𝑓2 + 𝑓𝑓3 = 𝑓𝑓1 ), además existen submatrices de orden 2 no singulares, ejemplo � �.
−2 −7
f) r(R) = 1, R es una matriz columna no nula.

18. a) �𝐴𝐴2 � = |𝐴𝐴|2 = (−4)2 = 16

b) �𝐴𝐴4 � = |𝐴𝐴|4 = (−4)4 = 256.

1
c) �𝐴𝐴−1 � = |𝐴𝐴|−1 = (−4)−1 = − .
4

d) |3𝐴𝐴| = 32 |𝐴𝐴| = 9 ∙ (−4) = −36.

e) �𝑖𝑖𝐴𝐴𝑡𝑡 � = 𝑖𝑖2 �𝐴𝐴𝑡𝑡 � = 𝑖𝑖2 |𝐴𝐴| = (−1) ∙ (−4) = 4.

19. Sabemos que 𝐴𝐴. 𝑎𝑎𝑎𝑎𝑎𝑎 𝐴𝐴 = |𝐴𝐴|𝐼𝐼𝑛𝑛 , entonces igualando el determinante de ambos miembros tenemos:
|𝐴𝐴 𝑎𝑎𝑎𝑎𝑎𝑎 𝐴𝐴| = �|𝐴𝐴|𝐼𝐼𝑛𝑛 �, entonces:
|𝐴𝐴||𝑎𝑎𝑎𝑎𝑎𝑎 𝐴𝐴| = |𝐴𝐴|𝑛𝑛 |𝐼𝐼𝑛𝑛 | = |𝐴𝐴|𝑛𝑛 , de donde, si 𝐴𝐴 es no singular, se concluye que |𝑎𝑎𝑎𝑎𝑎𝑎 𝐴𝐴| = |𝐴𝐴|𝑛𝑛−1 .
𝑥𝑥 1 1
20. �1 𝑥𝑥 1� = 𝑥𝑥3 − 3𝑥𝑥 + 2
1 1 𝑥𝑥
1 𝑥𝑥 𝑦𝑦 𝑥𝑥 + 𝑦𝑦 1 x y 1
1 𝑦𝑦 𝑧𝑧 𝑥𝑥 + 𝑦𝑦� 1 y z 1�
21. � = (𝑥𝑥 + 𝑦𝑦) � = 0, pues tiene dos columnas iguales.
1 𝑧𝑧 𝑡𝑡 𝑥𝑥 + 𝑦𝑦 1 z t 1
1 𝑡𝑡 𝑥𝑥 𝑥𝑥 + 𝑦𝑦 1 t x 1
22. 𝑡𝑡 = −2; 𝑡𝑡 = 2; 𝑡𝑡 = −4
23. 𝑥𝑥 = 2; 𝑥𝑥 = −2; 𝑥𝑥 = 1; 𝑥𝑥 = −1

25. La distancia es 10√2.

3 −5 7
26. Son concurrentes, �2 3 −8� = 0
6 −7 8
27. La circunferencia es (𝑥𝑥 − 1)2 + 𝑦𝑦2 = 2
Página|81
Capítulo II

𝑥𝑥 𝑦𝑦 𝑧𝑧 𝑥𝑥 𝑦𝑦 𝑧𝑧 𝑥𝑥 𝑦𝑦 𝑧𝑧
2 7
28. 𝑎𝑎) 3 �7 0 2� = 3 𝑏𝑏) 7 �1 0 � = �7 0 2� = 1
7 7
1 1 1 1 1 1 1 1 1

29. El área del triángulo es 4𝑢𝑢2

30. El área del paralelogramo es 21𝑢𝑢2
−7 2
33. 𝐴𝐴−1 = � �
4 −1
9 3
− 7 −
2 2
34. 𝐴𝐴−1 = �−2 4 −1�
3 1
−2
2 2

8 3 1
35. 𝐴𝐴−1 = � 7 43 11�
10
2 2 2

36. El det(𝐴𝐴) = 0, por lo tanto no es invertible.

3
37. La tercera columna es �−6�
4
Página|82
Capítulo III

Capítulo III: Sistemas de Ecuaciones Lineales

Sumario del Capítulo
• Los Sistemas de Ecuaciones Lineales como modelo matemático
• Sistemas de Ecuaciones Lineales de m ecuaciones con n incógnitas
Para finalizar:
 Definiciones preliminares
 Clasificaciones de los Sistemas de Ecuaciones Lineales • Preguntas teóricas
• Métodos de resolución de los Sistemas de Ecuaciones Lineales: • Ejercicios Propuestos
• Respuestas
 Método de adición-sustracción
 Método de sustitución
 Método de Cramer
 Método de la Matriz Inversa
 Método de Gauss
 Método de Gauss-Jordan
 Resolviendo Sistemas de Ecuaciones Lineales con MATLAB
 Consideraciones sobre los Métodos de Resolución
• Una aplicación intramatemática: la descomposición en fracciones simples
• Una aplicación extramatemática: el balance de ecuaciones químicas
• Conclusiones del Capítulo

Objetivos
Al finalizar el estudio del Capítulo debes poder:
1. Resolver problemas que se modelen a través de Sistemas de Ecuaciones Lineales.
2. Clasificar los SEL en homogéneos o no homogéneos, compatibles o incompatibles y si tienen solución en
determinados o indeterminados.
3. Expresar la solución general de un SEL no homogéneo como la suma de la solución general del SEL homogéneo
asociado y una solución particular del SEL no homogéneo a resolver.
4. Utilizar el Teorema de Kronecker-Capelli para determinar si un SEL tiene solución o no.
5. Identificar si dos SEL son equivalentes.
6. Extender a sistemas de más de 3 ecuaciones con 3 incógnitas los métodos de adición-sustracción y de sustitución,
estudiados en la enseñanza media.
7. Resolver SEL con igual número de ecuaciones y de incógnitas por los Métodos de Cramer o de la Matriz Inversa,
cuando la matriz del SEL es no singular.
8. Resolver SEL de m ecuaciones con n incógnitas por el Método de Gauss.
9. Resolver SEL de m ecuaciones con n incógnitas por el Método de Gauss-Jordan.
10. Expresar en notación conjuntista y/o paramétrica las soluciones, general y particulares, de un SEL.
11. Descomponer una fracción como la suma de fracciones simples.

Requisitos previos
Para comenzar el estudio de este Capítulo y poder aprovechar al máximo el mismo, el lector debe dominar el trabajo
aritmético y algebraico con números reales y complejos, las operaciones del álgebra de matrices, el cálculo de determinantes
y el cálculo de la matriz inversa de una matriz no singular.
Página|83
Capítulo III

El Sistema de Ecuaciones Lineales como modelo matemático

En tus estudios en la enseñanza media aprendiste a representar y resolver problemas cuyo modelo matemático era un
Sistema de Ecuaciones Lineales de “2 con 2” o de “3 con 3” ecuaciones e incógnitas. Estos sistemas son muy sencillos y pueden
ser representados gráficamente a través de la Geometría Analítica.
Por ejemplo, sabes que cada ecuación lineal en dos variables 𝐴𝐴𝐴𝐴 + 𝐵𝐵𝐵𝐵 + 𝐶𝐶 = 0 puede ser considerada como la ecuación de
una recta y si los tres coeficientes 𝐴𝐴, 𝐵𝐵 𝑦𝑦 𝐶𝐶 son diferentes de cero se puede afirmar incluso que dicha recta no es paralela a
𝐶𝐶 𝐶𝐶
ninguno de los ejes coordenados y que no pasa por el origen, pues sus interceptos son 𝑥𝑥 = − y 𝑦𝑦 = − .
𝐴𝐴 𝐵𝐵

Si se consideran diferentes de cero los coeficientes de las ecuaciones que aparecen en el siguiente gráfico, entonces se ilustra
la relación entre las características algebraicas de la ecuación de una recta y sus características geométricas.

En el gráfico anterior solo faltaría el caso de los ejes coordenados, en cuyo caso C=0 y también es cero uno de los coeficientes
de las variables. Sus ecuaciones simplificadas son 𝑦𝑦 = 0 (eje X) y 𝑥𝑥 = 0 (eje Y).
El problema se complejiza cuando se trata de encontrar la posición relativa de dos rectas en el plano XY. Gráficamente se
puede identificar fácilmente que existen 3 posibles posiciones: se cortan, son paralelas y no se cortan o son paralelas y
coincidentes.

Esta imagen geométrica de la posición relativa de dos rectas nos conduce a preguntarnos si es posible, conocida sus
ecuaciones, determinar su posición relativa, sin necesidad de representarlas gráficamente. Cierto es que en la actualidad
existen muchos software u aplicaciones para dispositivos móviles que permiten graficar las rectas y poder determinar de
forma visual su posición relativa. Sin embargo, tales representaciones permiten visualizarlas aproximadamente, pues no son
muy precisas. Por ejemplo, si dos rectas concurrentes (que se cortan) poseen pendientes muy próximas, es difícil distinguir
visualmente si se cortan o son paralelas; e incluso, en ocasiones es poco exacta la determinación de las coordenadas del
punto de intersección. Por ello, es necesario poder recurrir a los procedimientos analíticos. Es ahí donde aparecen los sistemas
de ecuaciones lineales como modelo matemático de esos y otros problemas geométricos.
Página|84
Capítulo III
Problema 1
Determinar la posición relativa de los siguientes pares de rectas y en caso de que se corten, determinar las coordenadas del punto de
intersección:
a) 𝑟𝑟: 𝑥𝑥 + 2𝑦𝑦 − 4 = 0 y 𝑠𝑠: 𝑥𝑥 + 2𝑦𝑦 − 6 = 0
b) 𝑟𝑟: 𝑥𝑥 + 2𝑦𝑦 − 4 = 0 y 𝑠𝑠: 2𝑥𝑥 + 4𝑦𝑦 − 8 = 0
c) 𝑟𝑟: 𝑥𝑥 + 2𝑦𝑦 − 4 = 0 y 𝑠𝑠: 2𝑥𝑥 + 𝑦𝑦 − 6 = 0

Para resolver el problema 1 no basta con analizar cada ecuación por separado, porque ninguna información provechosa saldrá
de ello, será necesario el análisis conjunto de las dos ecuaciones, o sea, el planteamiento de un 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑛𝑛𝑒𝑒𝑒𝑒
como modelo matemático. Solo las soluciones del sistema serán las que resuelvan el problema.
Modelación
𝑥𝑥 + 2𝑦𝑦 − 4 = 0 𝑥𝑥 + 2𝑦𝑦 = 4
a) � o preferiblemente � Modelo matemático
𝑥𝑥 + 2𝑦𝑦 − 6 = 0 𝑥𝑥 + 2𝑦𝑦 = 6
2𝑥𝑥 + 𝑦𝑦 − 4 = 0 2𝑥𝑥 + 𝑦𝑦 = 4
b) � o preferiblemente � Modelo matemático
4𝑥𝑥 + 2𝑦𝑦 − 8 = 0 4𝑥𝑥 + 2𝑦𝑦 = 8
𝑥𝑥 + 2𝑦𝑦 − 4 = 0 𝑥𝑥 + 2𝑦𝑦 = 4
c) � o preferiblemente � Modelo matemático
2𝑥𝑥 + 𝑦𝑦 − 6 = 0 2𝑥𝑥 + 𝑦𝑦 = 6
Solución
Los sistemas anteriores son muy fáciles de resolver y sus soluciones son las siguientes:
a) No tiene solución, porque se llega a una contradicción.
b) Tiene infinitas soluciones, porque se llega a una identidad.
c) Tiene solución única, porque solo el par ordenado (8/3, 2/3) satisface ambas ecuaciones.
Interpretación Conclusión
a) Las rectas no tienen ningún punto en común. 𝑟𝑟 𝑦𝑦 𝑠𝑠 son paralelas.
b) Las rectas tienen en común todos sus puntos. 𝑟𝑟 𝑦𝑦 𝑠𝑠 son coincidentes.
c) Las rectas solo tienen un punto en común. 𝑟𝑟 𝑦𝑦 𝑠𝑠 se cortan en el punto 𝑃𝑃(8/3, 2/3)∎

Cuando estudies las rectas en el espacio tridimensional, verás que existe además una cuarta posición relativa, las rectas que
se cruzan (rectas oblicuas). Pero, los sistemas de ecuaciones que modelan ese problema no son sistemas de “2 con 2”, aunque
pueden ser reducidos a estos.

Problema 2
La denominada dieta Cambridge de leche para obesos exige que la fórmula contenga un 33% de proteína, un 45% de carbohidratos y
un 3% de grasas para ser consumido diariamente.
Una solución para esa fórmula fue mezclar leche descremada, harina de soya y suero de leche. Si se conocen las cantidades de esos
nutrientes (en gramos) que aporta cada uno de esos alimentos por cada 100g (ver tabla), determine qué cantidades de leche
descremada, de harina de soya y de suero de leche deben ser empleadas para satisfacer los requerimientos de la dieta de Cambridge. 1

1 La redacción de este problema está basada en datos extraídos de Lay, D. (2012). Álgebra Lineal y sus aplicaciones. Capítulo 1. Epígrafe
1.10, Pearson Educación de México. 4ta. Edición. pág. 80
Página|85
Capítulo III

Tabla de nutrientes en %
Nutrientes Leche descremada Harina de soya Suero de leche
Proteínas 36 51 13
Carbohidratos 52 34 74
Grasas 0 7 1,1

Modelación 1:
Una manera de pensar al modelar el problema es considerar una ecuación para cada tipo de nutrientes, con lo que obtendría
un sistema de ecuaciones lineales de “3 con 3” donde las incógnitas serían las cantidades de leche descremada, de harina de
soya y de suero de leche a mezclar, para obtener las concentraciones exigidas en la fórmula de la leche de dieta. O sea,
estableciendo las variables del problema:
𝑥𝑥: Cantidad de unidades de leche descremada
𝑦𝑦: Cantidad de unidades de harina de soya
𝑧𝑧: Cantidad de unidades de suero de leche
Así, las ecuaciones lineales por separado quedarían planteadas de la siguiente forma:
Ecuación de proteínas: 36𝑥𝑥 + 51𝑦𝑦 + 13𝑧𝑧 = 33
Ecuación de carbohidratos: 52𝑥𝑥 + 34𝑦𝑦 + 74𝑧𝑧 = 45
Ecuación de grasas: 0𝑥𝑥 + 7𝑦𝑦 + 1,1𝑧𝑧 = 3

Obsérvese que cada ecuación por separado, da infinitas formulaciones de leche de dieta; pero cada uno por separado solo
garantiza el contenido de uno solo de los nutrientes en detrimento quizás de los otros. Pero solo existe una única fórmula
que garantiza el equilibrio deseado de proteínas, carbohidratos y grasas, y esa es la solución común del sistema de ecuaciones,
o sea de:
36𝑥𝑥 + 51𝑦𝑦 + 13𝑧𝑧 = 33
�52𝑥𝑥 + 34𝑦𝑦 + 74𝑧𝑧 = 45
7𝑦𝑦 + 1,1𝑧𝑧 = 3
Solución
42933 15174 1290
La solución de este sistema de ecuaciones, en valores exactos, es: 𝑥𝑥 = , 𝑦𝑦 = , 𝑧𝑧 =
154868 38717 5531

Interpretación
42933 15174 1290
Deben ser agregadas partes de leche descremada, de harina de soya y de suero de leche.
154868 38717 5531

Conclusión
En la práctica no se trabaja con esos valores exactos, por lo que es aceptable la siguiente respuesta: Para producir una unidad
de leche de dieta, deben ser agregadas aproximadamente 0,277 unidades de leche descremada, 0,392 unidades de harina de
soya y 0,233 unidades de suero de leche.
Modelación 2:
Otra manera de llegar al modelo matemático del problema puede ser auxiliándonos de las operaciones del álgebra de
matrices, que se trataron en el Capítulo I. Un razonamiento de ese tipo sería el siguiente:
“considerar el aporte de cada uno de los ingredientes en proteínas, carbohidratos y grasas como entidades en sí mismas, o
sea, consideremos los datos de cada columna de la tabla como una matriz columna”
Página|86
Capítulo III
𝐶𝐶1 : Aporte de la leche descremada
𝐶𝐶2 : Aporte de la harina de soya
𝐶𝐶3 : Aporte del suero de leche
De tal forma que si denominamos 𝐵𝐵 como la composición requerida para la lecha de dieta, aparece primeramente un modelo
matricial del problema, a saber:
𝑥𝑥𝑥𝑥1 + 𝑦𝑦𝑦𝑦2 + 𝑧𝑧𝑧𝑧3 = 𝐵𝐵
O sea, la composición deseada para la leche de dieta (𝐵𝐵) no es más que la combinación lineal de las columnas (𝐶𝐶𝑖𝑖 ) por los
escalares 𝑥𝑥, 𝑦𝑦 y 𝑧𝑧, que identifican las cantidades necesarias de cada ingrediente a utilizar en la mezcla.
36 51 13 33
𝑥𝑥 �52� + 𝑦𝑦 �34� + 𝑧𝑧 � 74 � = �45�
0 7 1,1 3
La ecuación anterior puede también formularse utilizando la multiplicación de matrices, en lugar de la multiplicación por un
escalar y la adición de matrices, a saber:
𝐶𝐶1 𝑥𝑥 + 𝐶𝐶2 𝑦𝑦 + 𝐶𝐶3 𝑧𝑧 = 𝐵𝐵 Porque la multiplicación por un escalar es conmutativa
𝑥𝑥
Considerando cada columna como un ente y expresando la 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 como un producto
[𝐶𝐶1 𝐶𝐶2
𝐶𝐶3 ] �𝑦𝑦� = 𝐵𝐵
de matriz-fila por matriz-columna
𝑧𝑧
36 51 13 𝑥𝑥 33
�52 34 74 � �𝑦𝑦� = �45� Tras desplegar la información contenida en cada matriz columna
0 7 1,1 𝑧𝑧 3
La ecuación matricial así obtenida no es más que la representación matricial del sistema de ecuaciones lineales que modela
el problema.
Esta representación matricial del sistema de ecuaciones lineales permitirá, como se verá más adelante, poder utilizar los
conocimientos estudiados sobre matrices para facilitar su resolución. La información relevante está codificada en forma de
una matriz a la cual pueden realizársele transformaciones para obtener representaciones equivalentes más sencillas. De eso
precisamente trata uno de los nuevos métodos de solución de sistemas de ecuaciones que se abordarán en este capítulo, el
denominado Método de Gauss.
En los procesos de elaboración de alimentos, medicamentos o un material compuesto de cualquier índole, los denominados
problemas de mezcla, surge la necesidad frecuente de combinar varios ingredientes o componentes en determinadas
proporciones, de forma tal que el nuevo material obtenido satisfaga ciertos parámetros. El número de componentes puede
o no coincidir con el número de exigencias; por tanto, se puede destacar que los problemas reales no solo se modelan por
sistemas de ecuaciones lineales de igual número de ecuaciones que de incógnitas. De hecho, es frecuente que surjan sistemas
de 𝑚𝑚 ecuaciones lineales con 𝑛𝑛 incógnitas para resolver problemas reales de economía, tráfico aéreo, etc. donde 𝑚𝑚 y 𝑛𝑛
pueden tomar valores hasta del orden de los miles.
Así, los sistemas de ecuaciones lineales de 𝑚𝑚 ecuaciones con 𝑛𝑛 incógnitas son un modelo matemático para infinidad de
problemas de la economía, el procesamiento digital de señales, el análisis estructural, la estimación y la predicción, en la
programación lineal, en la solución de problemas no lineales mediante su reducción en el análisis numérico, en problemas de
redes y de balance de ecuaciones químicas, entre otros. En particular, los sistemas de ecuaciones lineales son el modelo al
que hay que recurrir en casi todos los contenidos relacionados con el Álgebra Lineal.
Página|87
Capítulo III

Sistemas de m ecuaciones lineales con n incógnitas

Ya en el epígrafe anterior se discutió sobre la existencia necesaria de los sistemas de ecuaciones lineales de más de 3
ecuaciones con 3 incógnitas e incluso en los cuales no tenía que haber coincidencia entre el número de ecuaciones que de
incógnitas. Por tanto, convendrá formalizar su definición.

Definiciones preliminares
Definición (sistemas de 𝑠𝑠 ecuaciones lineales con 𝑛𝑛 incógnitas)
Un sistema de 𝑠𝑠 ecuaciones lineales con 𝑛𝑛 incógnitas es un conjunto de 𝑠𝑠 ecuaciones lineales que poseen las mismas 𝑛𝑛
incógnitas 𝐴𝐴1 , 𝐴𝐴2 , ⋯ , 𝐴𝐴𝑛𝑛 y qu e util izando letras con dobl e índi ce para iden tificar los coef icientes, puede escribirse de l a
siguiente forma:
𝑎𝑎11 𝑥𝑥1 + 𝑎𝑎12 𝑥𝑥2 + ⋯ + 𝑎𝑎1𝑛𝑛 𝑥𝑥𝑛𝑛 = 𝑏𝑏1
𝑎𝑎21 𝑥𝑥1 + 𝑎𝑎22 𝑥𝑥2 + ⋯ + 𝑎𝑎2𝑛𝑛 𝑥𝑥𝑛𝑛 = 𝑏𝑏2
�
⋯
𝑎𝑎𝑚𝑚1 𝑥𝑥1 + 𝑎𝑎𝑚𝑚2 𝑥𝑥2 + ⋯ + 𝑎𝑎𝑚𝑚𝑚𝑚 𝑥𝑥𝑛𝑛 = 𝑏𝑏𝑚𝑚

De tal forma, los sistemas antes estudiados de “2 con 2” y de “3 con 3” son solo casos particulares. En lo adelante se utilizará
la abreviatura SEL para referirnos a los Sistemas de Ecuaciones Lineales.

Representación matricial de un SEL

En la definición de SEL de 𝑚𝑚 ecuaciones con 𝑛𝑛 incógnitas se utilizó la notación de doble índice para los coeficientes de las
variables del SEL, pues es una manera cómoda y precisa de denotar a los coeficientes de las incógnitas. Claramente se puede
apreciar que de alguna forma está relacionado este contenido con los ya estudiados de matrices y determinantes en los
capítulos I y II.
En efecto, y como se recordó en la introducción de este Capítulo, los SEL admiten una sencilla representación matricial si se
considera que un SEL es una ecuación matricial de la forma 𝐴𝐴𝐴𝐴 = 𝐵𝐵, donde 𝐴𝐴 es la matriz de los coeficientes del SEL,
ordenados de manera que cada columna se corresponda con los coeficientes de una misma variable o incógnita y que cada
fila se corresponda con los coeficientes de una misma ecuación; 𝑋𝑋 es la matriz columna de las incógnitas y 𝐵𝐵 es la matriz
columna de los términos independientes.
El SEL que aparece en la definición puede representarse matricialmente entonces como:
𝑎𝑎11 𝑎𝑎12 ⋯ 𝑎𝑎1𝑛𝑛 𝑥𝑥1 𝑏𝑏1
𝑎𝑎21 𝑎𝑎22 ⋯ 𝑎𝑎2𝑛𝑛 𝑥𝑥2 𝑏𝑏2
𝐴𝐴𝐴𝐴 = � ⋯ ⋯ ⋯ ⋯ � � ⋮ � = � ⋮ � = 𝐵𝐵
𝑎𝑎𝑚𝑚1 𝑎𝑎𝑚𝑚2 ⋯ 𝑎𝑎𝑚𝑚𝑚𝑚 𝑥𝑥𝑛𝑛 𝑏𝑏𝑚𝑚
Observe que las dos matrices columnas no tienen el mismo número de filas, mientras que por una parte hay 𝑛𝑛 incógnitas por
otra existen 𝑚𝑚 términos independientes, cuyo número depende exclusivamente del número de ecuaciones. Las matrices
𝐴𝐴 𝑦𝑦 𝑋𝑋 son conformes al producto.

Soluciones de un SEL
Todo Sistema de Ecuaciones Lineales es un conjunto de ecuaciones lineales, cada una de las cuales tiene su propio conjunto
de soluciones, o sea de valores de las incógnitas que la satisfacen. La denominación de Sistema a tal conjunto de ecuaciones
es atribuida porque las soluciones que sean consideradas como soluciones del SEL solo serán las que simultáneamente
satisfagan a todas las ecuaciones.
Página|88
Capítulo III
Así, se definirá de la siguiente forma el conjunto solución de un Sistema de Ecuaciones Lineales.

Definición (Conjunto solución de un SEL)

Sea 𝐴𝐴𝐴𝐴 = 𝐵𝐵 un sistema de 𝑠𝑠 ecuaciones lineales con 𝑛𝑛 incógnitas. Se llamará Conjunto Solución
del SEL al conjunto de todas las soluciones que satisfagan simultáneamente a las 𝑠𝑠 ecuaciones del SEL.
Si no existen tales soluciones, entonces el conjunto solución es vacío y se denota como 𝑆𝑆 = ∅.

Ejemplo 1
𝑥𝑥 + 2𝑦𝑦 − 𝑧𝑧 = 2 ①
Sea el sistema � 𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 0 ②
𝑥𝑥 + 𝑧𝑧 = 1 ③
La ecuación ①: 𝑥𝑥 + 2𝑦𝑦 − 𝑧𝑧 = 2 tiene como soluciones al conjunto de todas las ternas (𝑥𝑥, 𝑦𝑦, 𝑧𝑧) de números reales,
tales que la tercera componente es función de las dos primeras según la relación de dependencia 𝑧𝑧 = 𝐴𝐴 + 2𝐵𝐵 − 2.
En símbolos: 𝑆𝑆1 = {(𝐴𝐴, 𝐵𝐵, 𝑧𝑧)|𝑧𝑧 = 𝐴𝐴 + 2𝐵𝐵 − 2; 𝐴𝐴, 𝐵𝐵 ∈ ℝ} ←Conjunto solución de la ecuación ①
5 3
Algunas de sus soluciones son: (0,0, −2), (2,1,2), � , −1, − �
2 2
La ecuación ②: 𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 0 tiene como conjunto solución a 𝑆𝑆2 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧)|𝑧𝑧 = −𝑥𝑥 − 𝑦𝑦; 𝑥𝑥, 𝑦𝑦 ∈ ℝ}
5 3
Algunas de sus soluciones son: (0,0,0), (2,1, −3), � , −1, − �
2 2
La ecuación ③: 𝑥𝑥 + 𝑧𝑧 = 1 tiene como conjunto solución a 𝑆𝑆3 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧)|𝑧𝑧 = 1 − 𝑥𝑥; 𝑥𝑥, 𝑦𝑦 ∈ ℝ}
5 3
Algunas de sus soluciones son: (0,0,1), (2,1, −1), � , −1, − �
2 2
Como se observa cada ecuación tiene su propio conjunto solución, sin embargo hay soluciones comunes y no comunes
5 3
a las ecuaciones del SEL. La única solución común a las tres ecuaciones del SEL es ( ), lo que puede
, −1, −
2 2
5 3
comprobarse. Por tanto, se dirá que el Conjunto Solución del SEL es 𝑆𝑆 = �� , −1, − �� 
2 2

En el proceso de solución de los SEL por cualquiera de los métodos analíticos, por ejemplos los métodos de adición-sustracción
y de sustitución que estudiaste en la enseñanza media, el sistema original se transforma en otro u otros hasta obtener un
sistema en que aparece una contradicción, y por tanto no existen soluciones, o en el que todas las incógnitas están resueltas
o en el que al menos se conocen de forma explícita las relaciones de dependencia entre las incógnitas.
Más adelante se repasarán los métodos estudiados en el preuniversitario, donde se aplican transformaciones a las ecuaciones
(multiplicando por un mismo número en ambos miembros, sumando o restando ecuaciones de forma conveniente,
resolviendo una ecuación con respecto a una variable, o sea, despejando una variable), o se utilizarán los conocimientos
estudiados sobre matrices y determinantes. En cualquier caso, tanto el sistema original, como el final y los intermedios, tienen
el mismo conjunto solución, pues de lo contrario podría dudarse sobre la veracidad de la solución encontrada. Así, convendrá
definir esta característica o relación entre sistemas de ecuaciones:

Definición (Sistemas ecuaciones lineales equivalentes)

Dos sistemas de ecuaciones son 𝑠𝑠𝑒𝑒𝑒𝑒𝑠𝑠𝑒𝑒𝑠𝑠𝑒𝑒𝑠𝑠𝑛𝑛𝑠𝑠𝑠𝑠𝑠𝑠 si y solo si tienen el mismo conjunto solución.

Un SEL puede tener la misma cantidad de ecuaciones que de incógnitas, tener menos ecuaciones que incógnitas o tener más
ecuaciones que incógnitas y este hecho no dice nada sobre la cantidad de soluciones que puede tener el mismo, pues como
se vio en el Problema 1, se trataron SEL de 2 ecuaciones con 2 incógnitas y sin embargo, hubo un caso insoluble, uno con
infinitas soluciones y otro con una única solución.
Página|89
Capítulo III
Representación conjuntista
Si un SEL posee infinitas soluciones se dice que tiene una solución general, la cual debe expresarse en notación constructiva,
por ejemplo, la solución del SEL del inciso b) del Problema 1, se expresaría así:
𝑆𝑆 = {(𝑥𝑥, 𝑦𝑦)|𝑦𝑦 = 4 − 2𝑥𝑥; 𝑥𝑥 ∈ ℝ}
Tratando de que la ecuación o ecuaciones que relacionan las incógnitas, se encuentren resueltas en una o varias de ellas,
denominadas 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, quedando todas las variables dependientes expresadas exclusivamente en función
de las 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 o variables libres. En el ejemplo citado, solo existen 2 variables: 𝑥𝑥 es la variable
dependiente y 𝑦𝑦 la variable independiente, según el orden elegido; podría haber sido a la inversa en este caso.
Si existe una solución general del SEL, entonces existen infinitas soluciones particulares; que no son más que aquellas
soluciones que se satisfacen para valores concretos de las variables y se obtienen asignando valores a las variables
independientes con lo cual se pueden calcular los valores de las variables dependientes.
En el ejemplo anterior, si se desea saber cuál es el intercepto de la recta con el eje X, entonces se asume que la variable
independiente 𝑦𝑦 debe tomar el valor cero, pues la ecuación del eje X es 𝑦𝑦 = 0. Con lo que al sustituir en la ecuación de la
solución general del SEL 𝑦𝑦 = 4 − 2𝑥𝑥 por 𝑦𝑦 = 0, se obtiene el valor 𝑥𝑥 = 2, que no es más que la abscisa del intercepto con el
eje X. El par ordenado (2,0) es una solución particular del SEL.
Si un SEL tiene una única solución, entonces el conjunto solución es unitario, o sea formado por un solo elemento, la solución. En ese
caso, se denotará encerrando entre llaves esa única solución. Por ejemplo, la solución del inciso c) del Problema 1, se denotaría como:
𝑆𝑆 = {(8/3 , 2/3)}
Si un SEL no admite solución alguna, entonces se dice que su conjunto solución es vacío, o sea que no tiene elementos y se
denotará por el símbolo ∅, que es una letra del alfabeto escandinavo y no debe confundirse con la letra griega 𝜙𝜙 (phi).

Representación paramétrica
Una manera, quizás más natural, de representar las soluciones de un SEL es expresándolas a través de un SEL equivalente al
original, aquel en el cual aparecen tantas ecuaciones como incógnitas y donde las variables dependientes dependen en forma
explícita de las variables libres. A este tipo de representación de los SEL se le denominará 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡.
En el SEL del inciso b) del Problema 1, las soluciones quedarían expresadas de la siguiente forma:
𝑥𝑥 = 𝑥𝑥
�𝑦𝑦 = 4 − 2𝑥𝑥 (𝑥𝑥 ∈ ℝ)

Tal representación destaca la dependencia entre las variables y el dominio numérico de las soluciones del SEL.
En el Problema 1 las variables 𝑥𝑥 y 𝑦𝑦 tienen un significado geométrico; son las coordenadas de los puntos de la recta y es usual
expresar que ambas coordenadas dependen de cierto parámetro 𝑡𝑡 ∈ ℝ. Por ello, el SEL anterior quedaría expresado de la
siguiente forma:
𝑥𝑥 = 𝑡𝑡
𝑟𝑟: �𝑦𝑦 = 4 − 2𝑡𝑡 (𝑡𝑡 ∈ ℝ)

Esas ecuaciones, expresadas como SEL, constituyen 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑟𝑟.
Tal representación proviene de considerar una función vectorial 2 de una variable real 𝑡𝑡 cuyas imágenes son puntos del plano
cartesiano XY. La siguiente representación o 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚3 ilustra la representación paramétrica de una recta del plano.

2 Entre los contenidos a estudiar en el Cálculo Diferencial e Integral, encontrarás a las denominadas funciones vectoriales.
3 Mapping: término inglés que se utiliza para el diagrama relacional del dominio y la imagen de una función o relación en general, estando
estos en sistemas coordenados diferentes.
Página|90
Capítulo III

La representación paramétrica es muy útil para describir objetos geométricos tales como rectas y planos, así como las
denominadas curvas y superficies paramétricas que estudiarás más adelante.
Para los problemas geométricos, continuaremos utilizando las letras del sistema coordenado cartesiano, las cuales identifican
a las coordenadas de los puntos y se denominarán con otras letras a los parámetros.
En general, se pueden hacer las siguientes consideraciones sobre la representación paramétrica de las soluciones de un SEL:
Sea el SEL representado matricialmente como 𝐴𝐴𝐴𝐴 = 𝐵𝐵 un sistema de 𝑚𝑚 ecuaciones con 𝑛𝑛 incógnitas que posee solución. Por
tanto, es posible resolverlo respecto a la matriz 𝑋𝑋 de las incógnitas. Si denotamos por 𝑆𝑆 a la matriz columna de las soluciones,
entonces el sistema 𝐴𝐴𝐴𝐴 = 𝐵𝐵 se transformaría en el sistema equivalente: 𝑋𝑋 = 𝑆𝑆
La matriz 𝑆𝑆 puede estar formada solamente por elementos constantes (si el SEL tiene una única solución) o por elementos
variables (si el SEL posee infinitas soluciones).
𝑥𝑥 = 𝑥𝑥
Observe que en la representación paramétrica �𝑦𝑦 = 4 − 2𝑥𝑥 , aparecen despejadas a la izquierda todas las variables del SEL
y en el miembro derecho las expresiones o polinomios lineales 𝑙𝑙1 (𝑥𝑥) = 𝑥𝑥 y 𝑙𝑙2 (𝑥𝑥) = 4 − 2𝑥𝑥. En este caso el SEL solo posee
una variable libre, la 𝑥𝑥.
El siguiente ejemplo muestra un SEL de 2 ecuaciones y 4 incógnitas, en el cual son 2 las variables dependientes y 2 las variables
libres.

Ejemplo 2
𝑥𝑥 + 𝑧𝑧 − 𝑢𝑢 = 1
Resuelve el sistema � y representa en forma paramétrica la solución general.
𝑦𝑦 − 𝑧𝑧 + 𝑢𝑢 = 2
Solución:
El SEL es un sistema de “2 con 4” y rápidamente puede percibirse que tiene solución, porque es posible despejar en cada
ecuación una variable dependiente distinta, por ejemplo 𝑥𝑥 y 𝑦𝑦, y expresarla de forma explícita en función de las variables
libres 𝑧𝑧 y 𝑢𝑢.
𝑥𝑥 = 1 − 𝑧𝑧 + 𝑢𝑢
Así, �
𝑦𝑦 = 2 + 𝑧𝑧 − 𝑢𝑢
Representación paramétrica de la solución general:
𝑥𝑥 = 1 − 𝑧𝑧 + 𝑢𝑢
𝑦𝑦 = 2 + 𝑧𝑧 − 𝑢𝑢
𝑆𝑆𝑔𝑔 = �
𝑧𝑧 = 𝑧𝑧
𝑢𝑢 = 𝑢𝑢
Página|91
Capítulo III
1
2
Una solución particular es 𝑆𝑆𝑝𝑝 = � �. 
0
0
¡Comprueba la solución particular en el SEL original! Trata de encontrar otra solución particular distinta de la dada, ¿cómo
hacerlo?

Ejemplo 3
𝑥𝑥 + 3𝑦𝑦 − 5𝑧𝑧 + 𝑢𝑢 = 4 𝑥𝑥 = −2 − 19𝑧𝑧 − 7𝑢𝑢
𝑦𝑦 = 2 + 8𝑧𝑧 + 2𝑢𝑢
Sea el SEL �2𝑥𝑥 + 5𝑦𝑦 − 2𝑧𝑧 + 4𝑢𝑢 = 6 . Si la solución general del SEL es �
𝑧𝑧 = 𝑧𝑧
3𝑥𝑥 + 8𝑦𝑦 − 7𝑧𝑧 + 5𝑢𝑢 = 10
𝑢𝑢 = 𝑢𝑢
Exprésala en notación conjuntista.
Solución:
Como se observa, el SEL dado posee infinitas soluciones y tiene dos variables dependientes 𝑥𝑥 𝑒𝑒 𝑦𝑦 y dos variables libres 𝑧𝑧 y 𝑢𝑢.
Se puede pasar de la representación paramétrica a la representación conjuntista
fácilmente:

Observa que dos SEL equivalentes no

tienen por qué tener el mismo número de
ecuaciones; es necesario y suficiente que
tengan el mismo conjunto solución.

Clasificaciones de los Sistemas de Ecuaciones Lineales

Los SEL admiten los siguientes criterios fundamentales para clasificarlos:
• De acuerdo a sus términos independientes, en virtud de si son todos ceros o no.
• De acuerdo a si tienen solución o no.
• De acuerdo al número de soluciones, en caso de tener.

Así, si en un SEL todos los términos independientes son iguales a cero, entonces estamos en presencia de un sistema
homogéneo, denominación que encontrarás en otras partes de la Matemática. Su representación matricial sería 𝐴𝐴𝐴𝐴 = O.
Basta que alguno de los términos independientes no sea cero, para decir que es un sistema no homogéneo, en ese caso, la
representación matricial sería 𝐴𝐴𝐴𝐴 = 𝐵𝐵 (con 𝐵𝐵 ≠ O).
Si un sistema tiene solución, entonces se dice que el sistema es compatible o consistente, si no admite solución alguna,
entonces estamos hablando de un sistema incompatible o inconsistente.
Si un SEL tiene solución, entonces tiene dos posibilidades: posee una única solución, en cuyo caso se dice que es un sistema
determinado, o posee infinitas soluciones, denominándose un sistema indeterminado.
Los SEL del Problema 1 pueden ser clasificados, según lo descrito arriba, como sistemas no homogéneos. El primero,
correspondiente a las rectas paralelas, es incompatible; el segundo, correspondiente a las rectas coincidentes, es compatible
indeterminado; y el tercero, correspondiente a las rectas concurrentes, es compatible determinado.
El SEL del Problema 2 es también un SEL compatible determinado porque la leche dietética tenía una fórmula única según las
proporciones exigidas.
Página|92
Capítulo III
Teorema de Kronecker-Capelli
Una segunda aplicación de lo estudiado en capítulos anteriores es el uso del rango como medida de la compatibilidad
(consistencia) o no de un SEL e incluso de la estimación del número de sus soluciones en caso de ser compatible.

Ejemplo 4
x + 2y+ 3z = 5
El SEL � y + 2z = 4 evidentemente no tiene solución porque la última ecuación no tiene solución, por tanto y en
0𝑧𝑧 = 5
virtud de que aquellas que sean consideradas como soluciones del SEL tienen que satisfacer simultáneamente a
todas y cada una de las ecuaciones, se puede concluir que 𝑆𝑆 = ∅. 
Obsérvese que tal situación se refleja en la diferencia de los rangos de las matrices matrices asociadas al SEL, a saber:
1 2 35
𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑟𝑟 �0 1 2�4� = 3⎫
⎪
0 0 05 𝑆𝑆𝑆𝑆𝑆𝑆 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
1 2 3 ⎬
𝑟𝑟(𝐴𝐴) = 𝑟𝑟 �0 1 2� = 2 ⎪
0 0 0 ⎭
𝑥𝑥 + 2𝑦𝑦 + 3𝑧𝑧 = 5 𝑥𝑥 = −2
Sin embargo, en el SEL � 𝑦𝑦 + 2𝑧𝑧 = 4 se puede comprobar claramente que la solución única es �𝑦𝑦 = 2
5𝑧𝑧 = 5 𝑧𝑧 = 1
Obsérvese que tal situación se refleja en la igualdad de los rangos de las matrices matrices asociadas al SEL, a saber:
1 2 3 5
𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑟𝑟 �0 1 2 � 4� = 3⎫
⎪
0 0 5 5 𝑆𝑆𝑆𝑆𝑆𝑆 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑦𝑦 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎á𝑠𝑠 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑎𝑎𝑎𝑎 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑖𝑖𝑖𝑖𝑖𝑖ó𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔
1 2 3 ⎬
𝑟𝑟(𝐴𝐴) = 𝑟𝑟 �0 1 2� = 3 ⎪
0 0 5 ⎭

𝑥𝑥 + 2𝑦𝑦 + 3𝑧𝑧 = 5 𝑥𝑥 = 𝑧𝑧 − 3
Por otra parte, el SEL � posee claramente infinitas soluciones, a saber: �𝑦𝑦 = 4 − 2𝑧𝑧
𝑦𝑦 + 2𝑧𝑧 = 4
𝑧𝑧 = 𝑧𝑧
Obsérvese que tal situación se refleja en la igualdad de los rangos de las matrices matrices asociadas al SEL, a saber:
1 2 3 5
𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑟𝑟 � � �=2
0 1 2 4 � 𝑆𝑆𝑆𝑆𝑆𝑆 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑦𝑦 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑞𝑞𝑞𝑞𝑞𝑞 𝑒𝑒𝑒𝑒 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑖𝑖𝑖𝑖𝑖𝑖ó𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔
1 2 3
𝑟𝑟(𝐴𝐴) = 𝑟𝑟 � �=2
0 1 2
Las relaciones reveladas, quedan refrendadas en el siguiente teorema:

Teorema 1 (de Kronecker-Capelli) 4

El Sistema de Ecuaciones Lineales 𝐴𝐴𝐴𝐴 = 𝐵𝐵 tie ne sol ución si y s ol o si la mat riz de los coe ficientes y l a mat riz amp liada
poseen el mismo rango. Además, el SEL será compatible determinado si dicho rango coincide con el número de incógnitas
y será indeterminado si dicho rango es menor que el número de incógnitas.

4 Manteniendo la tradición se continuará denominando Teorema de Kronecker-Capelli, aunque también recibe otras denominaciones. Le
proponemos al interesado que busque más información en Wikipedia en español y con más profundidad aún el sitio de internet Mactutor of
History of Mathematics de la Universidad de Saint Andrews en Escocia.
Página|93
Capítulo III
De forma más resumida:
Sean 𝑟𝑟(𝐴𝐴) el rango de la matriz 𝐴𝐴 del SEL, 𝑟𝑟(𝐴𝐴, 𝐵𝐵) el rango de la matriz ampliada y 𝑛𝑛 el número de incógnitas, entonces:
Relación entre los rangos y el
Clasificación del SEL Número de soluciones
número de incógnitas del SEL
𝑟𝑟(𝐴𝐴) = 𝑟𝑟(𝐴𝐴, 𝐵𝐵) Compatible o consistente Al menos tiene una solución
𝑟𝑟(𝐴𝐴) = 𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑛𝑛 Determinado Tiene una única solución
𝑟𝑟(𝐴𝐴) = 𝑟𝑟(𝐴𝐴, 𝐵𝐵) < 𝑛𝑛 Indeterminado Tiene infinitas soluciones

La demostración de este importante teorema se reservará para hacerla apoyándose en la teoría de los espacios vectoriales,
en otro capítulo del libro.

Conexiones entre las clasificaciones

Existen algunas conexiones entre las clasificaciones que se han establecido. La primera de ellas, salta a la vista:

Teorema 2:
Todo SEL homogéneo es compatible.
Demostración:
Sea el SEL homogéneo 𝐴𝐴𝐴𝐴 = O donde 𝐴𝐴 representa una matriz de orden 𝑚𝑚 × 𝑛𝑛 , 𝑋𝑋 la matriz de las 𝑛𝑛 incógnitas del SEL y 𝑂𝑂𝑚𝑚×1 la
matriz nula de los términos independientes.
0
Dicho SEL, al menos admite la solución: 𝑋𝑋 = � ⋮ �
0 𝑛𝑛×1
Pues, apoyándonos en las propiedades de la multiplicación de matrices, se tiene que, con independencia de quién sea la matriz
𝐴𝐴𝑚𝑚×𝑛𝑛 , el producto 𝐴𝐴𝑚𝑚×𝑛𝑛 𝑋𝑋𝑛𝑛×1 = 𝑂𝑂𝑚𝑚×1 .
Por tanto, el SEL tiene solución, o sea, es compatible.

A la solución de un SEL homogéneo, conformada solamente por ceros, se le denomina solución trivial del SEL, pues es
evidente que el SEL tiene que admitirla como solución. Como los SEL homogéneos siempre admiten al menos la solución trivial,
entonces son compatibles pudiendo ser determinados o indeterminados. Un SEL homogéneo es determinado si y solo si la única
solución que admite es la solución trivial.
Otra conexión inmediata es la siguiente:

Teorema 3:
Si un SEL no homogéneo 𝐴𝐴𝐴𝐴 = 𝐵𝐵 es com patible, ent onces el SEL hom ogéneo aso ciado 𝐴𝐴𝐴𝐴 = 𝑂𝑂 ser á d eterm inado o
indeterminado según lo sea el SEL no homogéneo.
Demostración:
La demostración de este Teorema se basa en el Teorema de Kronecker-Capelli y se expone a continuación.
Si 𝐴𝐴𝐴𝐴 = 𝐵𝐵 es compatible determinado, entonces 𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑟𝑟(𝐴𝐴) = 𝑛𝑛, donde 𝑛𝑛 es el número de incógnitas. Por otra parte,
𝑟𝑟(𝐴𝐴, 𝑂𝑂) = 𝑟𝑟(𝐴𝐴) pues todo SEL homogéneo siempre es compatible, luego se cumple que 𝑟𝑟(𝐴𝐴, 𝑂𝑂) = 𝑟𝑟(𝐴𝐴) = 𝑛𝑛, por tanto el SEL
homogéneo es compatible determinado al igual que el no homogéneo asociado.
Asimismo, si 𝐴𝐴𝐴𝐴 = 𝐵𝐵 es compatible indeterminado, entonces 𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑟𝑟(𝐴𝐴) < 𝑛𝑛, donde 𝑛𝑛 es el número de incógnitas, pero eso
garantiza que 𝑟𝑟(𝐴𝐴, 𝑂𝑂) = 𝑟𝑟(𝐴𝐴) < 𝑛𝑛 el SEL homogéneo asociado 𝐴𝐴𝐴𝐴 = 𝑂𝑂 también tiene infinitas soluciones, o sea, es también
compatible indeterminado.

Esta segunda conexión nos lleva a una tercera:

Teorema 4:
La solución general de un SEL no homogéneo indeterminado se puede expresar como la “suma” de una solución particular
de dicho SEL más la solución general del SEL homogéneo asociado.
Página|94
Capítulo III
Lo dicho en el teorema, puede simbolizarse como: 𝑆𝑆𝑔𝑔𝑔𝑔𝑔𝑔 = 𝑆𝑆𝑝𝑝𝑝𝑝𝑝𝑝 + 𝑆𝑆𝑔𝑔𝑔𝑔

Donde dichos símbolos significan: Se denomina SEL homogéneo asociado de un

𝑆𝑆𝑔𝑔𝑔𝑔𝑔𝑔 : Solución General del Sistema No Homogéneo, SEL No Homogéneo, a aquel que posee la misma
matriz de los coeficientes.
𝑆𝑆𝑝𝑝𝑝𝑝𝑝𝑝 : Solución Particular del Sistema No Homogéneo,
𝑆𝑆𝑔𝑔𝑔𝑔 : Solución General del Sistema Homogéneo asociado.

Debido a su extensión y a no contar el lector con todos los recursos para comprenderla, no se hará la demostración de este
Teorema, aunque la puedes encontrar en otros libros.
Lo dicho en el teorema puede ser comprendido analizando las representaciones paramétricas de ambos tipos de SEL, lo cual
se ilustrará con la solución del inciso b) del Problema 1.
Interpretación geométrica:
Sistemas asociados Sistema Homogéneo Sistema No Homogéneo
𝑥𝑥 = 𝑥𝑥 𝑥𝑥 = 𝑥𝑥
Representación paramétrica �𝑦𝑦 = −2𝑥𝑥 �𝑦𝑦 = 4 − 2𝑥𝑥

Interpretación geométrica Recta que pasa por el origen Recta desplazada

Ecuación de la recta 𝑦𝑦 = −2𝑥𝑥 𝑦𝑦 = −2𝑥𝑥 + 4

Pendiente 𝑚𝑚 = −2 𝑚𝑚 = −2

Intercepto con el eje Y (0,0) (0,4)

Traslación con respecto al eje
𝑎𝑎 = 0 𝑎𝑎 = 4
de la variable dependiente

La ordenada del intercepto con el eje Y (variable dependiente) indica el desplazamiento o traslación vertical de la recta con
respecto a dicho eje.
Obsérvese que ambas rectas podrían haber sido representadas así:
𝑥𝑥 = 0 + 𝑥𝑥 𝑥𝑥 = 0 + 𝑥𝑥
� y �
𝑦𝑦 = 0 − 2𝑥𝑥 𝑦𝑦 = 4 − 2𝑥𝑥
Los términos independientes de los polinomios lineales de los miembros derechos hacen la diferencia de las dos
representaciones. Esos términos independientes son las coordenadas del punto de intersección de la recta con el eje de la
variable dependiente, en este caso, el eje Y.
También podría verse de otra forma:
𝑥𝑥 = 𝑥𝑥 𝑥𝑥 − 0 = 𝑥𝑥
�𝑦𝑦 = −2𝑥𝑥 y �
𝑦𝑦 − 4 = −2𝑥𝑥
En la representación del SEL No homogéneo puede observarse que no hubo desplazamiento en la dirección del eje X, pero sí
una traslación de 4 unidades en la dirección del eje Y.
Interpretación analítica:
Si representamos de forma matricial los sistemas de soluciones, se obtendrá:
Sistemas asociados Sistema Homogéneo Sistema No Homogéneo
𝑥𝑥 = 𝑥𝑥 𝑥𝑥 = 𝑥𝑥
Representación paramétrica �𝑦𝑦 = −2𝑥𝑥 �𝑦𝑦 = 4 − 2𝑥𝑥

𝑥𝑥 𝑥𝑥 𝑥𝑥 𝑥𝑥
Representación matricial �𝑦𝑦� = � � �𝑦𝑦� = � �
−2𝑥𝑥 4 − 2𝑥𝑥
Página|95
Capítulo III
𝑥𝑥 𝑥𝑥
Solución general 𝑆𝑆𝑔𝑔𝑔𝑔 = � � 𝑆𝑆𝑔𝑔𝑔𝑔𝑔𝑔 = � �
−2𝑥𝑥 4 − 2𝑥𝑥
Una solución particular para el 0 0
𝑆𝑆𝑝𝑝𝑝𝑝 = � � 𝑆𝑆𝑝𝑝𝑝𝑝𝑝𝑝 = � �
valor 𝑥𝑥 = 0 de la variable libre. 0 4

Puede entonces observarse la relación:

𝑥𝑥 𝑥𝑥
𝑆𝑆𝑔𝑔𝑔𝑔𝑔𝑔 = � �=�0�+� � = 𝑆𝑆𝑝𝑝𝑝𝑝𝑝𝑝 + 𝑆𝑆𝑔𝑔𝑔𝑔
4 − 2𝑥𝑥 4 −2𝑥𝑥
La operación de “suma” de soluciones tiene sentido aquí si representamos las soluciones matricialmente.
Un ejemplo podría ayudar a fijar este resultado.

Ejemplo 5
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 = 100
Resolver el siguiente SEL utilizando el resultado expuesto en el Teorema 4: �𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 = −32
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 = 68
Solución:
Resolvamos primero el SEL homogéneo asociado, o sea el SEL:
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 = 0 ①
� 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 = 0 ②
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 = 0 ③
Utilizando, por ejemplo, el método de sustitución que conoces de estudios anteriores.
Despejando la variable 𝑦𝑦 en la ecuación ①, se obtiene: 𝑦𝑦 = 𝑥𝑥 − 2𝑧𝑧.
Sustituyendo el valor de 𝑦𝑦 encontrado, lo sustituimos en las ecuaciones ② y ③, obteniendo el siguiente SEL de “2 con 2”:
𝑥𝑥 + 2(𝑥𝑥 − 2𝑧𝑧) + 𝑧𝑧 = 0 3𝑥𝑥 − 3𝑧𝑧 = 0
� , el que ya simplificado resulta � que en realidad es un SEL de una sola ecuación:
2𝑥𝑥 + (𝑥𝑥 − 2𝑧𝑧) − 𝑧𝑧 = 0 3𝑥𝑥 − 3𝑧𝑧 = 0
3𝑥𝑥 − 3𝑧𝑧 = 0, equivalente a la ecuación 𝑥𝑥 = 𝑧𝑧 donde aparece la variable 𝑥𝑥 como variable dependiente de la variable libre 𝑧𝑧.
Retornando a la ecuación resuelta en 𝑦𝑦 y sustituyendo el valor encontrado de 𝑥𝑥, se obtiene: 𝑦𝑦 = −𝑧𝑧 .
𝑥𝑥 = 𝑧𝑧
Por tanto, 𝑆𝑆𝑔𝑔𝑔𝑔 = �𝑦𝑦 = −𝑧𝑧
𝑧𝑧 = 𝑧𝑧
Para encontrar una solución particular del SEL No Homogéneo bastará asignar un valor cualquiera a una de las variables tal
que el SEL se pueda reducir a uno equivalente de menos ecuaciones y así poder determinar los valores de las restantes
variables o incógnitas. El valor más ventajoso puede ser asignar el valor cero a una de las variables; por ejemplo, sea 𝑧𝑧 = 0 ,
entonces el SEL original se convierte en:
𝑥𝑥 − 𝑦𝑦 = 100
�𝑥𝑥 + 2𝑦𝑦 = −32
2𝑥𝑥 + 𝑦𝑦 = 68
Si se despeja 𝑦𝑦 en la tercera ecuación, se obtiene 𝑦𝑦 = 68 − 2𝑥𝑥 y sustituyendo en primera ecuación, se obtiene:
𝑥𝑥 − (68 − 2𝑥𝑥) = 100
3𝑥𝑥 = 168
𝑥𝑥 = 56
Así, resulta 𝑦𝑦 = 68 − 2 ∙ (56) = −44
Se comprueba en la segunda ecuación y en efecto: 𝑥𝑥 + 2𝑦𝑦 = 56 + 2 ∙ (−44) = 56 − 88 = −32
Se ha encontrado la solución particular (56, −44,0), ya se puede expresar la solución general del SEL no homogéneo dado.
Página|96
Capítulo III
Comprobación
Recuerda que la garantía de que un SEL esté bien
Primera ecuación: 𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 = 100
resuelto, está en la comprobación de la solución
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼: 𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 = (56 + 𝑧𝑧) − (−44 − 𝑧𝑧) − 2𝑧𝑧 encontrada en el sistema original.
= 56 + 𝑧𝑧 + 44 + 𝑧𝑧 − 2𝑧𝑧
= 56 + 44 = 100: 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ℎ𝑜𝑜
Se deja al lector la comprobación de la solución encontrada en las otras dos ecuaciones del SEL original
Respuesta
𝑥𝑥 = 56 + 𝑧𝑧
𝑆𝑆𝑔𝑔𝑔𝑔𝑔𝑔 = �𝑦𝑦 = −44 − 𝑧𝑧
𝑧𝑧 = 𝑧𝑧
El SEL obtenido es compatible indeterminado, pues tiene infinitas soluciones.  
Ejemplo 6
𝑥𝑥 + 𝑧𝑧 − 𝑢𝑢 = 1
Resuelve el sistema � utilizando lo concluido en el Teorema 4.
𝑦𝑦 − 𝑧𝑧 + 𝑢𝑢 = 2
Solución:
El SEL es un sistema no homogéneo de “2 con 4” y rápidamente puede percibirse que es compatible indeterminado, porque
es posible despejar en cada ecuación una variable dependiente distinta, por ejemplo 𝑥𝑥 y 𝑦𝑦, y expresarla de forma explícita en
𝑥𝑥 = 1 − 𝑧𝑧 + 𝑢𝑢
función de las variables libres 𝑧𝑧 y 𝑢𝑢. Así, �
𝑦𝑦 = 2 + 𝑧𝑧 − 𝑢𝑢
Respuesta
𝑥𝑥 = 1 − 𝑧𝑧 + 𝑢𝑢 1
𝑦𝑦 = 2 + 𝑧𝑧 − 𝑢𝑢 2
La solución general del SEL No Homogéneo dado es: �
𝑧𝑧 = 𝑧𝑧
y una solución particular es 𝑆𝑆𝑝𝑝𝑝𝑝𝑝𝑝 = � �. 
0 
𝑢𝑢 = 𝑢𝑢 0

Ejemplo 7
𝑥𝑥 + 𝑧𝑧 − 𝑢𝑢 = 1
Resuelve el siguiente sistema de ecuaciones �𝑦𝑦 − 𝑧𝑧 + 𝑢𝑢 = 2
𝑢𝑢 = 8
Solución:
Una de las primeras acciones que debe hacerse al resolver un SEL es ordenar las variables o colocarlas en una misma posición
en columnas, para poder identificar ciertas características particulares del SEL. En este caso,
𝑥𝑥 + 𝑧𝑧 − 𝑢𝑢 = 1 1 0 1 −1
� 𝑦𝑦 − 𝑧𝑧 + 𝑢𝑢 = 2 La matriz de los coeficientes 𝐴𝐴 = �0 1 −1 1� es una matriz en forma escalonada.
𝑢𝑢 = 8 0 0 0 1
Puede apreciarse que la matriz A de los coeficientes del SEL es una matriz escalón, por tanto el SEL puede ser resuelto “de
abajo hacia arriba” fácilmente:
Cuando la matriz de los coeficientes de un SEL es una matriz escalón,
𝑢𝑢 = 8
el SEL se resuelve muy fácilmente “de abajo hacia arriba”,
𝑦𝑦 − 𝑧𝑧 + 8 = 2
despejando y sustituyendo. En ese proceso se decide cuáles serán
𝑦𝑦 = −6 + 𝑧𝑧 consideradas variables dependientes y cuáles independientes si el
𝑥𝑥 + 𝑧𝑧 − 8 = 1 SEL es indeterminado. Si el SEL es determinado todas las incógnitas
𝑥𝑥 = 9 − 𝑧𝑧 adoptan valores constantes y no arbitrarios, por tanto, no son libres, o
sea, se pueden considerar como variables dependientes.
𝑥𝑥 = 9 − 𝑧𝑧
𝑦𝑦 = −6 + 𝑧𝑧
Por tanto, la solución general del SEL es: �
𝑧𝑧 = 𝑧𝑧
 
𝑢𝑢 = 8
Página|97
Capítulo III
A manera de Resumen de lo tratado sobre las clasificaciones de los SEL puede servir el siguiente cuadro:

La solución única de un SEL Homogéneo Determinado es la solución trivial, o sea aquella donde el valor de todas las incógnitas es cero.
La Solución General de un Sistema de Ecuaciones Lineales (compatible) 𝑆𝑆𝑔𝑔 es el conjunto de todas las soluciones particulares
del SEL 𝑆𝑆𝑝𝑝 . En particular, la Solución General de un Sistema de Ecuaciones Lineales No Homogéneo 𝑆𝑆𝑔𝑔𝑔𝑔𝑔𝑔 es igual a la suma
de una solución particular del mismo 𝑆𝑆𝑝𝑝𝑝𝑝𝑝𝑝 más la Solución General del Sistema de Ecuaciones Homogéneo asociado 𝑆𝑆𝑔𝑔𝑔𝑔 .

La Solución General de un Sistema de Ecuaciones Lineales (compatible) 𝐴𝐴𝐴𝐴 = 𝐵𝐵 de 𝑚𝑚 ecuaciones con 𝑛𝑛 incógnitas, de las
cuales 𝑟𝑟 son variables dependientes, puede representarse:

• En notación constructiva:
𝑆𝑆𝑔𝑔 = {(𝑥𝑥1 , 𝑥𝑥2 , ⋯ , 𝑥𝑥𝑛𝑛 ) ∈ ℝ𝑛𝑛 | 𝐴𝐴1 𝑋𝑋 = 𝐵𝐵1 }

Siendo 𝐴𝐴1 𝑋𝑋 = 𝐵𝐵1 un SEL equivalente al SEL 𝐴𝐴𝐴𝐴 = 𝐵𝐵 dado, cuya matriz ampliada (𝐴𝐴1 , 𝐵𝐵1 ) está en forma escalonada,
no posee filas nulas, es de orden 𝑟𝑟 × 𝑛𝑛, coincidiendo la cantidad 𝑟𝑟 de sus filas con su rango y con el número de
variables dependientes.

• En representación paramétrica:
𝑦𝑦1 = 𝑙𝑙1 (𝑥𝑥1 , … , 𝑥𝑥𝑘𝑘 ) Donde las variables denotadas por 𝑥𝑥𝑖𝑖 con 𝑖𝑖 = 1, ⋯ , 𝑘𝑘 son las 𝑘𝑘 = 𝑛𝑛 − 𝑟𝑟 variables
⎧
𝑦𝑦2 = 𝑙𝑙1 (𝑥𝑥1 , … , 𝑥𝑥𝑘𝑘 ) independientes o libres del SEL y las variables denotadas por 𝑦𝑦𝑗𝑗 con 𝑗𝑗 = 1, ⋯ , 𝑟𝑟 son las
⎪
⎪⋮ 𝑟𝑟 variables dependientes SEL (despejada una distinta por cada ecuación del SEL
𝑦𝑦 = 𝑙𝑙𝑟𝑟 (𝑥𝑥1 , … , 𝑥𝑥𝑘𝑘 )
𝑆𝑆𝑔𝑔 = 𝑟𝑟 escalonado equivalente 𝐴𝐴1 𝑋𝑋 = 𝐵𝐵1 .
𝑥𝑥 = 𝑥𝑥
⎨ 1 1
⎪𝑥𝑥2 = 𝑥𝑥2 Las expresiones 𝑙𝑙𝑗𝑗 (𝑥𝑥1 , … , 𝑥𝑥𝑘𝑘 ) son polinomios lineales de las 𝑘𝑘 variables independientes
⎪⋮
⎩𝑥𝑥𝑘𝑘 = 𝑥𝑥𝑘𝑘 o libres 𝑥𝑥1 , … , 𝑥𝑥𝑘𝑘 .

En un SEL compatible 𝐴𝐴𝐴𝐴 = 𝐵𝐵 de 𝑚𝑚 ecuaciones con 𝑛𝑛 incógnitas podrán despejarse a lo sumo 𝑚𝑚 variables dependientes,
pero con exactitud solo podrán despejarse una cantidad igual al rango 𝑟𝑟 de la matriz 𝐴𝐴 del SEL, o sea:
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = 𝑟𝑟(𝐴𝐴)
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 𝑛𝑛 − 𝑟𝑟(𝐴𝐴)
Esto implica que si el SEL es compatible determinado, entonces 𝑟𝑟(𝐴𝐴) = 𝑛𝑛, por lo que no existen variables libres; la solución
es única.
Página|98
Capítulo III

Métodos de resolución de los Sistemas de Ecuaciones Lineales

Desde los estudios de Álgebra Elemental has estudiado dos métodos particulares de resolución para Sistemas de Ecuaciones
Lineales también particulares: el de adición-sustracción y el de sustitución.
La lectura de los epígrafes anteriores te introdujo en un universo más amplio de SEL y pudiste ver cómo los sistemas pueden
tener cualquier número de ecuaciones que de incógnitas e incluso algunos pueden ser muy fáciles de resolver debido a sus
características particulares.
En el presente epígrafe se sistematizará el estudio de los métodos de solución, generalizando los que conocías e introduciendo
otros nuevos.

Método de adición-sustracción
Para resolver un SEL de m ecuaciones con n incógnitas por el método aditivo o de adición-sustracción se procede de forma
general al igual que lo hacías en los sistemas de “2 con 2” y de “3 con 3”, es decir:
1. Todas las ecuaciones diferentes del SEL dado se combinan de a 2 como sistemas de 2 ecuaciones con 𝑛𝑛
incógnitas y se elimina en cada pareja la misma incógnita, mediante adición o sustracción, pudiendo ser
necesario multiplicar cada ecuación por números convenientes para poder eliminar la incógnita
deseada, obteniéndose un total de 𝑚𝑚 − 1 ecuaciones con 𝑛𝑛 − 1 incógnitas.
2. Se procede de igual forma tantas veces como sea posible hasta obtener un SEL donde sea posible
comenzar a despejar las variables dependientes.
3. Se sustituirá la variable despejada en todas las ecuaciones del SEL precedente para continuar
despejando el valor de las restantes variables dependientes.
Si durante la ejecución del procedimiento anterior surge alguna contradicción lógica, es porque el SEL original es
incompatible, o sea, no tiene solución.

Ejemplo 8
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
Resolver el siguiente SEL utilizando el Método de adición-sustracción: � 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68
Solución:
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100 ①
Enumerando las ecuaciones se tiene: � 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32 ②
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68 ③
Hubiera sido posible también formar el SEL
Dos sistemas de 2 ecuaciones con 3 incógnitas son posibles: ②-③, pero es innecesario.
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100 ① 𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100 ①
� �
𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32 ② 2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68 ③
①+② -2①+②
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 = 68 ④ 3𝑦𝑦 + 3𝑧𝑧 = −132 |:3
𝑦𝑦 + 𝑧𝑧 = −44 ⑤

2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 = 68 ④
El nuevo SEL obtenido es un SEL de 2 ecuaciones con 3 incógnitas: � el que por encontrarse en forma
𝑦𝑦 + 𝑧𝑧 = −44 ⑤
escalonada, puede ser resuelto “de abajo hacia arriba”.
Página|99
Capítulo III
Así,
𝑦𝑦 = −44 − 𝑧𝑧 ⑥
2𝑥𝑥 + (−44 − 𝑧𝑧) − 𝑧𝑧 = 68
2𝑥𝑥 = 112 + 2𝑧𝑧
𝑥𝑥 = 56 + 𝑧𝑧 ⑦
Sustituyendo los valores de 𝑥𝑥 y 𝑦𝑦 (obtenidos en las ecuaciones ⑥ y ⑦) en cualquiera de las ecuaciones del SEL original, por
ejemplo en la ecuación ①, se obtiene:
(56 + 𝑧𝑧) − (−44 − 𝑧𝑧) − 2𝑧𝑧 + 𝑢𝑢 = 100 ①
100 + 𝑢𝑢 = 100
𝑢𝑢 = 0
Así, se han obtenido los valores de las 3 variables dependientes 𝑥𝑥, 𝑦𝑦 y 𝑢𝑢, las cuales son funciones de la variable libre 𝑧𝑧.
Comprobación:
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
(56 + 𝑧𝑧) − (−44 − 𝑧𝑧) − 2𝑧𝑧 + (0) = 100
� ①
100 + 2𝑧𝑧 − 2𝑧𝑧 = 100
100 = 100
𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32
(56 + 𝑧𝑧) + 2(−44 − 𝑧𝑧) + 𝑧𝑧 − (0) = −32
� ②
56 − 88 − 𝑧𝑧 + 𝑧𝑧 = −32
−32 = −32
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68
2(56 + 𝑧𝑧) + (−44 − 𝑧𝑧) − 𝑧𝑧 + 2(0) = 68� ③
112 − 44 + 2𝑧𝑧 − 2𝑧𝑧 = 68
68 = 68
Por lo tanto, la solución general del SEL es:
𝑥𝑥 = 56 + 𝑧𝑧
𝑦𝑦 = −44 − 𝑧𝑧
𝑆𝑆𝑔𝑔 = � ∎
𝑧𝑧 = 𝑧𝑧
𝑢𝑢 = 0
A manera de resumen de la aplicación Método de Adición-Sustracción se puede decir, que:
• Su aplicación no está limitada a los SEL de igual número de ecuaciones que de incógnitas,
• En ocasiones y dadas las características particulares de determinados SEL es el método más conveniente a aplicar,
por lo cual no debe ser desdeñado de forma absoluta, con preferencia por otros.
• En general, cuando el número de ecuaciones es grande, el método es poco eficiente y se elevan las posibilidades de
cometer errores en los cálculos numéricos, despejes y sustituciones de variables.
• No se tiene ningún criterio 𝑎𝑎 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 para saber si el SEL es incompatible o no, solo se sabrá en el proceso de
resolución, al aparecer o no contradicciones.

• Si el propósito de resolver un SEL compatible, aun cuando sea indeterminado, es hallar una solución particular cualquiera,
la eliminación sucesiva de incógnitas permite llegar a la misma rápidamente, pero si se desea hallar la solución general,
debe observarse la relación entre el número de ecuaciones y el número de incógnitas en los SEL equivalentes más simples.
Página|100
Capítulo III

Método de Sustitución
Para resolver un SEL de 𝑚𝑚 ecuaciones con 𝑛𝑛 incógnitas por el método de sustitución se procede de forma general al igual que
lo hacías en los sistemas de “2 con 2” y de “3 con 3”. Baste considerar el caso en que 𝑚𝑚 ≤ 𝑛𝑛. El procedimiento es el siguiente:
1. Se despeja una variable cualquiera en una de las ecuaciones, con preferencia si su coeficiente es 1 o −1.
2. Se sustituye el valor de esa variable en las restantes ecuaciones del SEL, obteniéndose un total de 𝑚𝑚 − 1
ecuaciones con 𝑛𝑛 − 1 incógnitas.
3. Se procede de igual forma para ir reduciendo el número de ecuaciones y de incógnitas, hasta llegar a un
SEL de 1 ecuación con 𝑛𝑛 − 𝑚𝑚 incógnitas; donde se despejará una de las variables, la cual será
considerada una variable dependiente de las restantes.
4. Se sustituirá la variable despejada en todas las ecuaciones del SEL precedente para continuar
despejando el valor de las restantes variables dependientes.
Si durante la ejecución del procedimiento anterior surge alguna contradicción lógica, es porque el SEL
original es incompatible, o sea, no tiene solución.

Ejemplo 9
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
Resolver el siguiente SEL utilizando el Método de Sustitución: � 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68
Solución:
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100 ①
Enumerando las ecuaciones se tiene: � 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32 ②
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68 ③
Despejando la variable 𝑥𝑥 en la ecuación ①, se obtiene: 𝑥𝑥 = 100 + 𝑦𝑦 + 2𝑧𝑧 − 𝑢𝑢 ④
Sustituyendo el valor obtenido para la variable 𝑥𝑥 en las ecuaciones restantes, se obtiene el nuevo SEL equivalente:
(100 + 𝑦𝑦 + 2𝑧𝑧 − 𝑢𝑢) + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32
�
2(100 + 𝑦𝑦 + 2𝑧𝑧 − 𝑢𝑢) + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68
Que tras simplificarse resulta:
3𝑦𝑦 + 3𝑧𝑧 − 2𝑢𝑢 = −132 ⑤
�
3𝑦𝑦 + 3𝑧𝑧 = −132 ⑥
Despejando la variable 𝑦𝑦 en la ecuación ⑥, se obtiene: 𝑦𝑦 = −44 − 𝑧𝑧

Sustituyendo el valor obtenido para la variable dependiente 𝑦𝑦, en la ecuación ⑤ se obtiene:

3(−44 − 𝑧𝑧) + 3𝑧𝑧 − 2𝑢𝑢 = −132
−132 ± 3𝑧𝑧 + 3𝑧𝑧 − 2𝑢𝑢 = −132
𝑢𝑢 = 0
Sustituyendo los valores obtenidos para las variables dependientes 𝑦𝑦 y 𝑢𝑢, en la ecuación ④ se obtiene:
𝑥𝑥 = 100 + (−44 − 𝑧𝑧) + 2𝑧𝑧 − (0)
𝑥𝑥 = 56 + 𝑧𝑧
𝑥𝑥 = 56 + 𝑧𝑧
𝑦𝑦 = −44 − 𝑧𝑧
Obteniéndose la solución general: 𝑆𝑆𝑔𝑔 = � ∎ La comprobación ya se realizó en el Ejemplo 8.
𝑧𝑧 = 𝑧𝑧
𝑢𝑢 = 0
Página|101
Capítulo III
Sabiendo que el siguiente SEL tiene infinitas soluciones, halle una solución particular del mismo:
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
� 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68
Solución:
Bastará asignar un valor arbitrario, por ejemplo el valor cero a una de las variables, de manera que el SEL resultante conserve
su consistencia. Por ejemplo, a la variable 𝑥𝑥.
Sustituyendo el valor 𝑥𝑥 = 0 en todas las ecuaciones del SEL se obtiene un SEL de “3 con 3”:
−𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100 ①
� 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32 ②
𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68 ③
Despejando 𝑦𝑦 en la ecuación ③ se obtiene 𝑦𝑦 = 68 + 𝑧𝑧 − 2𝑢𝑢 ④
Sustituyendo en las ecuaciones ① y ② el valor de 𝑦𝑦 despejado:
−(68 + 𝑧𝑧 − 2𝑢𝑢) − 2𝑧𝑧 + 𝑢𝑢 = 100
�
2(68 + 𝑧𝑧 − 2𝑢𝑢) + 𝑧𝑧 − 𝑢𝑢 = −32
Después de simplificar:
−3𝑧𝑧 + 3𝑢𝑢 = 168 ⑤
�
3𝑧𝑧 − 5𝑢𝑢 = −168 ⑥
Despejando 𝑧𝑧 en la ecuación ⑤, se obtiene: 𝑧𝑧 = −56 + 𝑢𝑢 ⑦
y sustituyendo su valor en la ecuación ⑥:
3(−56 + 𝑢𝑢) − 5𝑢𝑢 = −168
−168 − 2𝑢𝑢 = −168
𝑢𝑢 = 0
Sustituyendo en ⑦ el valor de 𝑢𝑢 hallado, se obtiene: 𝑧𝑧 = −56
Sustituyendo en ④ los valores de 𝑢𝑢 y 𝑧𝑧 hallados, se obtiene: 𝑦𝑦 = 12
𝑥𝑥 = 0
𝑦𝑦 = 12
Así, la solución particular encontrada es 𝑆𝑆𝑝𝑝 = � ∎
𝑧𝑧 = −56
𝑢𝑢 = 0
A manera de resumen de la aplicación Método de Sustitución se puede decir, que:
• Su aplicación no está limitada a los SEL de igual número de ecuaciones que de incógnitas,
• En ocasiones y dadas las características particulares de determinados SEL es el método más conveniente a aplicar,
por lo cual no debe ser desdeñado de forma absoluta, con preferencia por otros.
• Es un método muy general, pues incluso es aplicable a sistemas de ecuaciones de otra índole.
• En general, cuando el número de ecuaciones es grande, el método es poco eficiente y se elevan las posibilidades de
cometer errores en los cálculos numéricos, despejes y sustituciones de variables.
• No se tiene ningún criterio 𝑎𝑎 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 para saber si el SEL es incompatible o no, solo se sabrá en el proceso de
resolución, al aparecer o no contradicciones.
• Si el propósito es hallar una solución particular de un SEL compatible, aun con determinadas características, es muy
cómodo, porque bastará asignar un valor conveniente a una de las variables, reduciendo la cantidad de ecuaciones e
incógnitas y resolviendo el SEL resultante para determinar los restantes valores desconocidos.
Página|102
Capítulo III

Método de Cramer
Ya en la introducción del Capítulo II se hizo alusión a la Regla de Cramer para resolver sistemas de ecuaciones lineales con el
mismo número de ecuaciones que de incógnitas. Dicha Regla no es un método general como los tratados anteriormente,
pero fue el resultado de muchos intentos de matemáticos de Europa y del Lejano Oriente por tratar de resolver los SEL con
solo ejecutar operaciones aritméticas, sin tener que recurrir a despejes y trabajo algebraico con incógnitas, o sea, en el afán
de encontrar un algoritmo de resolución ventajoso.
Se acredita a Gabriel Cramer (1704-1752) la invención del procedimiento de resolver SEL basado exclusivamente en el cálculo
de determinantes, reconocida su publicación de 1750 5.

Teorema 5 (Regla de Cramer)

Si 𝐴𝐴𝐴𝐴 = 𝐵𝐵 es un sistema de ecuaciones lineales de 𝑛𝑛 ecuaciones y 𝑛𝑛 incógnitas y |𝐴𝐴| ≠ 0 , entonces el SEL posee una única
solución y el valor de cada una de las incógnitas puede calcularse por la fórmula
�𝐴𝐴𝑗𝑗 �
𝑥𝑥𝑗𝑗 =
|𝐴𝐴|
Donde 𝐴𝐴𝑗𝑗 es la matriz que resulta de sustituir en la matriz 𝐴𝐴, la columna j-ésima por la columna 𝐵𝐵 de los términos
independientes del sistema.

Demostración
La demostración de este teorema puede encontrarse en el libro referido en el pie de página 6; aquí solo se hará una justificación de
las fórmulas de Cramer para la resolución de una de las incógnitas en el caso de un SEL de “3 con 3”
Sea el SEL 𝐴𝐴𝐴𝐴 = 𝐵𝐵 de “3 con 3” tal que |𝐴𝐴| ≠ 0, que son las premisas del teorema:
𝑎𝑎11 𝑥𝑥 + 𝑎𝑎12 𝑦𝑦 + 𝑎𝑎13 𝑧𝑧 = 𝑏𝑏1
𝑎𝑎21 𝑥𝑥 + 𝑎𝑎22 𝑦𝑦 + 𝑎𝑎23 𝑧𝑧 = 𝑏𝑏2 (1)
𝑎𝑎31 𝑥𝑥 + 𝑎𝑎32 𝑦𝑦 + 𝑎𝑎33 𝑧𝑧 = 𝑏𝑏3
O en forma matricial,
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑥𝑥 𝑏𝑏1
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � �𝑦𝑦� = �𝑏𝑏2 � (2)
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝑧𝑧 𝑏𝑏3
Directamente no se pueden aplicar propiedades de los determinantes para resolverlo, porque las matrices
𝑥𝑥 𝑏𝑏1
𝑋𝑋 = �𝑦𝑦� y 𝐵𝐵 = �𝑏𝑏2 �
𝑧𝑧 𝑏𝑏3
no son matrices cuadradas, pero podría buscarse una solución mediante matrices particionadas cuadradas, lo cual no variaría la
solución del SEL, o sea se construiría un SEL equivalente a (1).
A partir de la ecuación (2), se sustituye la matriz columna 𝑋𝑋, por la matriz cuadrada particionada [𝑋𝑋, 𝑗𝑗 , 𝑘𝑘], donde 𝑗𝑗 y 𝑘𝑘 son las
columnas 2 y 3 de la matriz identidad de orden 3.
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑥𝑥 0 0 𝑎𝑎11 𝑥𝑥 + 𝑎𝑎12 𝑦𝑦 + 𝑎𝑎13 𝑧𝑧 𝑎𝑎12 𝑎𝑎13
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � �𝑦𝑦� 1 0� = �𝑎𝑎21 𝑥𝑥 + 𝑎𝑎22 𝑦𝑦 + 𝑎𝑎23 𝑧𝑧 𝑎𝑎22 𝑎𝑎23 �
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝑧𝑧 0 1 𝑎𝑎31 𝑥𝑥 + 𝑎𝑎32 𝑦𝑦 + 𝑎𝑎33 𝑧𝑧 𝑎𝑎32 𝑎𝑎33
Si se sustituye la primera columna por los términos independientes, en virtud de las iguales del SEL (1), entonces se obtiene la ecuación
matricial:
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑥𝑥 0 0 𝑏𝑏1 𝑎𝑎12 𝑎𝑎13
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � �𝑦𝑦� 1 0� = �𝑏𝑏2 𝑎𝑎22 𝑎𝑎23 � (3)
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝑧𝑧 0 1 𝑏𝑏3 𝑎𝑎32 𝑎𝑎33
Las ecuaciones matriciales (2) y (3) poseen el mismo conjunto solución, como puede comprobarse.

5 Existen autores que atribuyen al matemático escocés Colin Maclaurin haber publicado en 1748 un resultado semejante y que incluso ya
había llegado al mismo desde 1729. (Ver Carl Boyer (1968). A History of Mathematics. 2nd Edition, Wiley, p.431)
6 Grossman, S. & Flores, J. (2012). Álgebra Lineal. Capítulo 3. McGraw-Hill/Interamericana Editores S.A. de V.V. 7ma. Edición. México,

págs. 219-220.
Página|103
Capítulo III
Aplicando determinantes en ambos miembros de (3),
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑥𝑥 0 0 𝑏𝑏1 𝑎𝑎12 𝑎𝑎13
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � �𝑦𝑦 1 0� = �𝑏𝑏2 𝑎𝑎22 𝑎𝑎23 �
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝑧𝑧 0 1 𝑏𝑏3 𝑎𝑎32 𝑎𝑎33
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑥𝑥 0 0
Y como �𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � ≠ 0 por hipótesis, entonces se puede despejar el �𝑦𝑦 1 0� tal y como sigue:
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝑧𝑧 0 1
𝑏𝑏1 𝑎𝑎12 𝑎𝑎13
� 𝑏𝑏2 𝑎𝑎22 𝑎𝑎23 �
𝑥𝑥 0 0 𝑏𝑏3 𝑎𝑎32 𝑎𝑎33 |𝐴𝐴1 |
�𝑦𝑦 1 0� = 𝑎𝑎 =
11 𝑎𝑎12 𝑎𝑎13 |𝐴𝐴|
𝑧𝑧 0 1 �𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 �
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33
𝑥𝑥 0 0
|𝐴𝐴 |
Y como �𝑦𝑦 1 0� = 𝑥𝑥 ∙ 1 ∙ 1 por ser una matriz triangular inferior, entonces resulta: 𝑥𝑥 = |𝐴𝐴|1
𝑧𝑧 0 1
Análogamente, puede utilizarse este razonamiento para las variables 𝑦𝑦 y 𝑧𝑧. 

Ejemplo 10
𝑥𝑥 − 𝑦𝑦 + 𝑧𝑧 = 100
Resuelve, de ser posible, el sistema de ecuaciones � 𝑥𝑥 + 2𝑦𝑦 − 𝑧𝑧 = −32 utilizando el Método de Cramer:
2𝑥𝑥 + 𝑦𝑦 + 2𝑧𝑧 = 68
Solución:
El primer paso debe ser comprobar si se cumplen las condiciones del teorema, para poder aplicar la Regla de Cramer. El SEL
es cuadrado de 4 × 4, por tanto solo basta comprobar si el determinante de la matriz del SEL es diferente de cero.
1 −1 1 1 −1 1
Sea 𝐴𝐴 = �1 2 −1�, entonces |𝐴𝐴| = �1 2 −1� = 5 + 4 − 3 = 6 ≠ 0
2 1 2 2 1 2
Por tanto, pueden aplicarse las fórmulas de Cramer para resolver el SEL.
100 −1 1
�−32 2 −1�
500 + 4 − 168 Comprobación:
𝑥𝑥 = 68 1 2 = = 56
6 6 56 − (−44) + 0 = 56 + 44 = 100
1 100 1 � 56 + 2(−44) − 0 = 56 − 88 = −32
�1 −32 −1� 2 ∙ 56 + (−44) + 2 ∙ 0 = 112 − 44 = 68
4 − 400 + 132
𝑦𝑦 = 2 68 2 = = −44
6 6
1 −1 100
�1 2 −32�
168 + 132 − 300 𝑥𝑥 = 56
𝑧𝑧 = 2 1 68 =
6 6
=0 La solución del SEL es 𝑆𝑆 = �𝑦𝑦 = −44
𝑧𝑧 = 0


Ejemplo 11
Factorizar la expresión trigonométrica 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 + 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 para dos números reales cualesquiera 𝛼𝛼 y 𝛽𝛽.
Solución:
Expresemos los ángulos 𝛼𝛼 y 𝛽𝛽 como la suma y la diferencia de dos números reales 𝑥𝑥 y 𝑦𝑦, problema que siempre tiene solución.
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 + 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = 𝑠𝑠𝑠𝑠𝑠𝑠(𝑥𝑥 + 𝑦𝑦) + 𝑠𝑠𝑠𝑠𝑠𝑠(𝑥𝑥 − 𝑦𝑦) = 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 + 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 + 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 − 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = 2𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
Ahora solo resta expresar la solución, o sea el término 2𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐, en función de los ángulos iniciales 𝛼𝛼 y 𝛽𝛽.
Página|104
Capítulo III
Se dijo que el problema de hallar dos números 𝑥𝑥 y 𝑦𝑦 que sumados diese 𝛼𝛼 y que restados diese 𝛽𝛽 siempre tenía solución.
En efecto, eso conduce al planeamiento del SEL de “2 con 2”
𝑥𝑥 + 𝑦𝑦 = 𝛼𝛼
�
𝑥𝑥 − 𝑦𝑦 = 𝛽𝛽
El cual es compatible determinado, porque la matriz del SEL es no singular, pues su determinante es distinto de cero,
condición necesaria y suficiente para poder aplicar el Método de Cramer.
1 1
|𝐴𝐴| = � � = −2 ≠ 0
1 −1
La solución del SEL viene dada por:
𝛼𝛼 1
|𝐴𝐴x | �𝛽𝛽 −1� −𝛼𝛼 − 𝛽𝛽 𝛼𝛼 + 𝛽𝛽
𝑥𝑥 = = = =
|𝐴𝐴| −2 −2 2
1 𝛼𝛼
�𝐴𝐴y � �1 𝛽𝛽 � β − 𝛼𝛼 𝛼𝛼 − 𝛽𝛽
𝑦𝑦 = = = =
|𝐴𝐴| −2 −2 2
Sustituyendo los valores encontrados de 𝑥𝑥 y 𝑦𝑦 en el miembro derecho de la identidad, se tiene:
𝛼𝛼+𝛽𝛽 𝛼𝛼−𝛽𝛽
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 + 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = 2 𝑠𝑠𝑠𝑠𝑠𝑠 𝑐𝑐𝑐𝑐𝑐𝑐 ∎
2 2

A manera de resumen de la aplicación Método de Cramer se puede decir, que:

• Es fácilmente programable porque requiere de cálculos puramente aritméticos para hallar las soluciones de un SEL,
• A pesar de ser fácilmente programable, es muy ineficiente cuando deben resolverse SEL con un no tan elevado número
de ecuaciones e incógnitas, debido a que se basa en el cálculo de determinantes.
• Es útil para resolver SEL de “2 con2” y “3 con 3” porque muchos cálculos pueden hacerse mentalmente o con auxilio
hasta de la calculadora básica de un teléfono celular.
• Es un método particular, porque solo es aplicable a SEL del mismo número de ecuaciones que de incógnitas, pero
además con la restricción de que la matriz del SEL sea no singular.
• En la actualidad tiene gran importancia como modelo teórico más que como procedimiento práctico, pues permite
justificar determinados resultados en determinadas partes de la Matemática y la Física.
No obstante, como ha ocurrido anteriormente más de una vez en la historia, cambios tecnológicos podrían hacer válida su
utilización en el futuro.

Método de la Matriz Inversa

En el Capítulo II se adelantó que es posible resolver ecuaciones matriciales multiplicando por la inversa de matrices no
singulares en ambos miembros de la ecuación, en virtud de la propia definición de matriz inversa, o sea: Si A es invertible,
entonces 𝐴𝐴𝐴𝐴−1 = 𝐼𝐼
En virtud de que todo SEL puede ser representado matricialmente como puede ser 𝐴𝐴𝐴𝐴 = 𝐵𝐵. Si 𝐴𝐴 ∈ 𝑀𝑀𝑛𝑛 , invertible, entonces
es posible resolver el SEL como si fuera una ecuación matricial. A saber:
𝐴𝐴𝐴𝐴 = 𝐵𝐵 |𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛𝑛𝑛 𝑝𝑝𝑝𝑝𝑝𝑝 𝐴𝐴−1
𝐴𝐴−1 𝐴𝐴𝐴𝐴 = 𝐴𝐴−1 𝐵𝐵
𝐼𝐼𝐼𝐼 = 𝐴𝐴−1 𝐵𝐵
𝑋𝑋 = 𝐴𝐴−1 𝐵𝐵
Página|105
Capítulo III
Por tanto, todo SEL no homogéneo de igual número de ecuaciones que de incógnitas, cuya matriz sea invertible, puede ser
resuelto mediante la multiplicación de la inversa de la matriz del SEL por la matriz columna de los términos independientes.

Ejemplo 12
Resuelve, de ser posible, el siguiente sistema de ecuaciones utilizando el Método de la matriz invera:
𝑥𝑥 − 𝑦𝑦 + 𝑧𝑧 = 100
� 𝑥𝑥 + 2𝑦𝑦 − 𝑧𝑧 = −32
2𝑥𝑥 + 𝑦𝑦 + 2𝑧𝑧 = 68
Solución:
El primer paso del método es verificar si puede ser aplicado, o sea si la matriz del SEL es no singular.
1 −1 1
|𝐴𝐴| = �1 2 −1� = 6, por tanto 𝐴𝐴 es invertible y se puede resolver el SEL por el Método de la Inversa.
2 1 2
𝑥𝑥 5 3 −1
Sea 𝑋𝑋 = �𝑦𝑦� la matriz de las incógnitas, entonces, si 𝐴𝐴𝐴𝐴𝐴𝐴(𝐴𝐴) = �−4 0 2�, se tiene que:
𝑧𝑧 −3 −3 3
1 −1 1 −1 100 5 3 −1 100 56
−1 1
𝑋𝑋 = 𝐴𝐴 𝐵𝐵 = �1 2 −1� �−32� = �−4 0 2� �−32� = �−44�
6
2 1 2 68 −3 −3 3 68 0
La solución del SEL es:
𝑥𝑥 = 56
𝑆𝑆 = �𝑦𝑦 = −44 ∎ La comprobación aparece en el Ejemplo 9.
𝑧𝑧 = 0
A manera de resumen de la aplicación Método de la Matriz Inversa se puede decir, que:
• Es un método fácilmente programable y eficiente para resolver SEL pues existen métodos avanzados para calcular la
inversa de una matriz, que no dependen de los determinantes.
• Es útil para resolver SEL de “2 con2” y “3 con 3” sin ayuda del ordenador porque muchos cálculos pueden hacerse
mentalmente o con auxilio hasta de la calculadora básica de un teléfono celular.
• Es un método particular, porque solo es aplicable a SEL del mismo número de ecuaciones que de incógnitas, pero
además con la restricción de que la matriz del SEL sea no singular.
• Todo SEL resoluble por el Método de Cramer también lo es por el Método de la Inversa y viceversa, porque tienen las
mismas exigencias.

Método de Gauss
El Método de Gauss para resolver SEL es el más general y eficiente entre los métodos que se presentan en este libro y se basa
básicamente en la reducción de la matriz ampliada del SEL a la forma escalonada, para una vez obtenido un SEL escalonado
poderlo resolver fácilmente “de abajo hacia arriba”. Esa es la esencia del Método de Gauss.
Pasos del Método de Gauss
1. Extraer la matriz ampliada del SEL 𝐴𝐴𝐴𝐴 = 𝐵𝐵.
2. Reducir la matriz ampliada (𝐴𝐴, 𝐵𝐵) a la forma escalonada por filas.
3. Investigar si el SEL es compatible o no y determinado o no aplicando el Teorema de Kronecker-Capelli una vez
escalonada la matriz ampliada.
4. Si el SEL original es compatible, formular el SEL equivalente cuya matriz ampliada está en la forma escalonada.
5. Resolver el SEL escalonado “de abajo hacia arriba”
Página|106
Capítulo III

Ejemplo 13
Resuelve el siguiente sistema de ecuaciones utilizando el Método de Gauss:
𝑥𝑥 − 𝑦𝑦 + 𝑧𝑧 = 100
� 𝑥𝑥 + 2𝑦𝑦 − 𝑧𝑧 = −32
2𝑥𝑥 + 𝑦𝑦 + 2𝑧𝑧 = 68
Solución:
1 −1 1 100 1 −1 1 100 1 −1 1 100
(𝐴𝐴, 𝐵𝐵) = �1 2 −1� −32� ~ �0 −3 2 � 132� ~ �0 −3 2 � 132�
2 1 2 68 0 −3 0 132 0 0 2 0
𝑓𝑓1 − 𝑓𝑓2 → 𝑓𝑓2
𝑓𝑓2 − 𝑓𝑓3 → 𝑓𝑓3
2𝑓𝑓1 − 𝑓𝑓3 → 𝑓𝑓3
𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑟𝑟(𝐴𝐴) = 3 = 𝑛𝑛, por tanto el SEL es compatible determinado, según el Teorema de Kronecker-Capelli.
El SEL equivalente con matriz ampliada escalonada es:
𝑥𝑥 − 𝑦𝑦 + 𝑧𝑧 = 100
� − 3𝑦𝑦 + 2𝑧𝑧 = 132 Resolver de abajo hacia arriba
2𝑧𝑧 = 0
𝑧𝑧 = 0
𝑦𝑦 = −44
𝑥𝑥 = 56
𝑥𝑥 = 56
Por tanto la solución del SEL es: 𝑆𝑆 = �𝑦𝑦 = −44 ∎ La comprobación aparece en el Ejemplo 9.
𝑧𝑧 = 0

Ejemplo 14
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
Resuelve el siguiente sistema de ecuaciones utilizando el Método de Gauss: � 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68
Solución:
1 −1 −2 1 100 1 −1 −2 1 100 1 −1 −2 1 100
(𝐴𝐴, 𝐵𝐵) = �1 2 1 −1� −32� ~ �0 −3 −3 2 � 132� ~ �0 −3 −3 2 � 132�
2 1 −1 2 68 0 −3 −3 0 132 0 0 0 2 0
𝑓𝑓1 − 𝑓𝑓2 → 𝑓𝑓2
𝑓𝑓2 − 𝑓𝑓3 → 𝑓𝑓3
2𝑓𝑓1 − 𝑓𝑓3 → 𝑓𝑓3
𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑟𝑟(𝐴𝐴) = 3 < 4 = 𝑛𝑛, por tanto el SEL es compatible indeterminado, según el Teorema de Kronecker-Capelli.
El SEL equivalente con matriz ampliada escalonada es:
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
� −3𝑦𝑦 − 3𝑧𝑧 + 2𝑢𝑢 = 132 Resolver de abajo hacia arriba
2𝑢𝑢 = 0
𝑢𝑢 = 0
𝑦𝑦 = −44 − 𝑧𝑧
𝑥𝑥 = 56 + 𝑧𝑧
𝑥𝑥 = 56 + 𝑧𝑧
𝑦𝑦 = −44 − 𝑧𝑧
Por tanto la solución del SEL es: 𝑆𝑆 = � ∎ La comprobación aparece en el Ejemplo 8.
𝑧𝑧 = 𝑧𝑧
𝑢𝑢 = 0
Página|107
Capítulo III

Ejemplo 15
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
Resuelve el siguiente sistema de ecuaciones utilizando el Método de Gauss: � 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 = 32
Solución:
1 −1 −2 1 100 1 −1 −2 1 100 1 −1 −2 1 100
(𝐴𝐴, 𝐵𝐵) = �1 2 1 −1� −32� ~ �0 3 3 −2� −132� ~ �0 3 3 −2� −132�
2 1 −1 0 32 0 3 3 −2 −168 0 0 0 0 −36
𝑓𝑓1 − 𝑓𝑓2 → 𝑓𝑓2
𝑓𝑓2 − 𝑓𝑓3 → 𝑓𝑓3
2𝑓𝑓1 − 𝑓𝑓3 → 𝑓𝑓3
𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 3 ≠ 2 = 𝑟𝑟(𝐴𝐴), por tanto el SEL es incompatible, no tiene solución, según el Teorema de Kronecker-Capelli.
Por tanto la solución del SEL es: 𝑆𝑆 = ∅ ∎
A manera de resumen de la aplicación Método de Gauss se puede decir, que:
• Es un método fácilmente programable y eficiente para resolver SEL, aunque al programarse se sigue un procedimiento
sistemático para la reducción de la matriz ampliada a la forma escalonada.
• Cuando usamos este Método sin el empleo del ordenador, convendremos en utilizar el procedimiento heurístico de
selección conveniente de los escalares para “fabricar ceros” por debajo de las posiciones pivotes de la matriz ampliada
del SEL, evitando el trabajo con fracciones y realizando los cálculos solamente con números enteros. Si esto no fuera
posible, entonces debe recurrirse a las aplicaciones que existen en los móviles o en asistentes matemáticos
profesionales tales como el MATLAB, Maple, Mathematica y otros.
• El Método de Gauss puede aplicarse en la resolución de cualquier SEL, coincidan o no el número de ecuaciones y de
incógnitas.

Método de Gauss-Jordan
El Método de Gauss-Jordan surge a partir de los trabajos de topografía del geodesta alemán Wilhelm Jordan (1842–1899) en
Alemania y África, donde al resolver SEL se propuso modificar el método de Gauss para evitar el posterior paso de resolver el
problema “de abajo hacia arriba” y obtener las soluciones de forma directa.
Este Método se diferencia con el descrito arriba, solamente en que en el proceso de escalonamiento de la matriz ampliada,
el proceso concluye cuando se ha llegado a la forma escalonada reducida.
Desde el punto de vista práctico, el Método tiene utilidad si se implementa en un programa de computación.

Ejemplo 16
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
Resuelve el siguiente sistema de ecuaciones utilizando el Método de Gauss-Jordan: � 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68
Solución:
1 −1 −2 1 100 1 −1 −2 1 100 3 0 −3 1 168 −6 0 6 0 336 1 0 −1 0 56
(𝐴𝐴, 𝐵𝐵) = �1 2 1 −1� −32� ~ �0 3 3 −2� −132� ~ �0 3 3 −2� −132� ~ � 0 3 3 0� −132� ~ �0 1 1 0� −44�
2 1 −1 2 68 0 3 3 0 −132 00 0 2 0 0 0 0 2 0 00 01 0
−1/6𝑓𝑓1 → 𝑓𝑓1
𝑓𝑓1 − 𝑓𝑓2 → 𝑓𝑓2 𝑓𝑓2 − 𝑓𝑓3 → 𝑓𝑓3 𝑓𝑓3 + 𝑓𝑓2 → 𝑓𝑓2
1/3𝑓𝑓2 → 𝑓𝑓2
2𝑓𝑓1 − 𝑓𝑓3 → 𝑓𝑓3 𝑓𝑓2 + 3𝑓𝑓1 → 𝑓𝑓1 𝑓𝑓3 − 2𝑓𝑓1 → 𝑓𝑓1 1/2𝑓𝑓 → 𝑓𝑓 3 3

𝑟𝑟(𝐴𝐴, 𝐵𝐵) = 𝑟𝑟(𝐴𝐴) = 3 < 4 = 𝑛𝑛, por tanto el SEL es compatible indeterminado, según el Teorema de Kronecker-Capelli.
Página|108
Capítulo III
El SEL equivalente con matriz ampliada en la forma escalonada reducida es:
𝑥𝑥 − 𝑧𝑧 = 56
� 𝑦𝑦 + 𝑧𝑧 = −44 Solo hay que despejar las variables dependientes en cada ecuación.
𝑢𝑢 = 0
𝑥𝑥 = 56 + 𝑧𝑧
𝑦𝑦 = −44 − 𝑧𝑧
Por tanto la solución del SEL es: 𝑆𝑆 = � ∎ La comprobación aparece en el Ejemplo 6.
𝑧𝑧 = 𝑧𝑧
𝑢𝑢 = 0

Resolviendo SEL con MATLAB

Uno de los 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 más usados en casi la totalidad de las carreras de ingeniería es el MATLAB (Matrix Laboratory), por ello
y aunque no es el único, haremos una breve presentación de cómo resolver SEL usándolo.
Introducción de Matrices
Las matrices se introducen en MATLAB separando los elementos de una fila por coma (,) o por un espacio, y las filas se separan
unas de otros mediante punto y coma (;). Todos los elementos de una matriz deben quedar encerrados entre paréntesis.
Algunos comandos y la sintaxis para introducir elementos que permiten resolver SEL utilizando MATLAB.
Así se introduce en
Objeto o acción a introducir Así se introduce en MATLAB Objeto o acción a introducir
MATLAB
1 2 4 Formar la matriz ampliada
𝐴𝐴 = �2 −1 0� 𝐴𝐴 = [1,2,4; 2, −1,0; 3,2,5] 𝐷𝐷 = [𝐴𝐴 𝐵𝐵]
(A,B)
3 2 5
5 Reducir la matriz 𝐴𝐴 a la forma
𝐵𝐵 = � 2� 𝐵𝐵 = [5; 2; −1] 𝐶𝐶 = 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟(𝐴𝐴)
escalona reducida por filas
−1
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 2 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝐴𝐴 𝐴𝐴(2, : ) Hallar la inversa de la matriz A 𝐸𝐸 = 𝑖𝑖𝑖𝑖𝑖𝑖(𝐴𝐴)

𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 3 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝐴𝐴 𝐴𝐴(: ,3) Hallar el determinante de A 𝑑𝑑𝑑𝑑𝑑𝑑(𝐴𝐴)

𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑎𝑎23 𝐴𝐴(2,3) Hallar el producto AB 𝐴𝐴 ∗ 𝐵𝐵

Ejemplo 17
𝑥𝑥 − 𝑦𝑦 − 2𝑧𝑧 + 𝑢𝑢 = 100
Resolver el SEL � 𝑥𝑥 + 2𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢 = −32 utilizando MATLAB
2𝑥𝑥 + 𝑦𝑦 − 𝑧𝑧 + 2𝑢𝑢 = 68
Solución:
Introducir en MATLAB la matriz del SEL o directamente la matriz ampliada:
𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 = [1, −1, −2,1,100; 1,2,1, −1, −32; 2,1, −1,2,68]
Transformar la matriz ampliada a la forma escalonada reducida por filas:
𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟(𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴)
MATLAB, devuelve el siguiente resultado:
𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = [1, 0, −1, 0, 56; 0, 1, 1, 0, −44; 0, 0, 0, 1, 0]
Traduciendo el resultado a la representación matricial usual:
Página|109
Capítulo III

1 0 −1 0 56
𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = � 0 1 1 0 −44�
0 0 0 1 0
Multiplicando la matriz reducida del SEL por la matriz de las incógnitas. Para ello hay que seleccionar las primeras 4 columnas
de la matriz 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 por la matiz columna de las incógnitas.
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆ó𝑛𝑛 = 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅(: [1,2,3,4]) ∗ [𝑥𝑥; 𝑦𝑦; 𝑧𝑧; 𝑢𝑢]
𝑆𝑆𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜ó𝑛𝑛 = [𝑥𝑥 − 𝑧𝑧; 𝑦𝑦 + 𝑧𝑧; 𝑢𝑢]
Por tanto:
𝑥𝑥 − 𝑧𝑧 56
�𝑦𝑦 + 𝑧𝑧� = �−44�
𝑢𝑢 0
De donde:
𝑥𝑥 = 56 + 𝑧𝑧
𝑦𝑦 = −44 − 𝑧𝑧
𝑆𝑆 = � ∎
𝑧𝑧 = 𝑧𝑧
𝑢𝑢 = 0

Consideraciones sobre los Métodos de Resolución de los Sistemas de Ecuaciones Lineales

En el presente epígrafe se han generalizado los SEL de adición-sustracción y de sustitución estudiados en el Álgebra Elemental
durante la Enseñanza Media Superior, sistematizándolos en la resolución con otros métodos tanto generales como particulares.
Entre los métodos particulares se encuentran el Método de Cramer y el Método de la Matriz Inversa, los cuales presentan las
mismas exigencias para su aplicación: solo pueden aplicarse a SEL de igual número de ecuaciones que de incógnitas y la matriz
de los coeficientes debe ser invertible o no singular.
• El Método de Cramer en la actualidad solo es de interés teórico, porque permite fundamentar ciertos resultados
muy fácilmente, mientras que quedaron atrás los tiempos en que era muy utilizado para resolver SEL desde el punto
de vista práctico, debido a su ineficiencia por el gran volumen de operaciones a realizar tanto con o sin el apoyo de
medios de cómputo. Sin embargo, puede ser útil para resolver SEL de “2 con 2” y “3 con 3” porque pueden ser
resueltos mediante cálculos mentales o con el apoyo de una calculadora básica.
• El Método de la Matriz Inversa, es fácilmente programable y puede ser de utilidad para resolver SEL. Como actualmente
existen aplicaciones para móviles y productos informáticos que calculan la inversa de una matriz, no es imprescindible
tener que calcular previamente el determinante de la matriz del SEL para poder aplicar el Método, pues puede pedirse
que se calcule directamente el producto de la matriz inversa por la matriz de los términos independientes. Si la matriz no
fuera invertible, el software no daría respuesta alguna. En caso de serlo, se obtendría rápidamente la solución del SEL,
pudiendo así resolverse SEL, aunque la aplicación no tenga programada dicha prestación.
Los métodos de Gauss y de Gauss-Jordan son métodos generales que permiten resolver cualquier SEL o determinar que no tiene
solución. En el caso del primero se establece una combinación de trabajo matricial durante la reducción a la forma escalonada,
con trabajo algebraico, al despejar variables en las ecuaciones más simples del SEL ya escalonado e ir sustituyendo en otras
con más variables. En el caso del Método de Gauss-Jordan, el trabajo es completamente matricial, pues al transformarse la
matriz ampliada del SEL a la forma escalonada reducida, en el sistema equivalente todas las variables dependientes tienen
coeficiente 1 y el despeje es trivial, obteniéndose de inmediato la solución del SEL.
Es conveniente, antes de comenzar a resolver un SEL, analizar la estructura que posee, de acuerdo a diversos criterios: si es
homogéneo o no, si tiene el mismo número de ecuaciones que de incógnitas, si están presentes todas las variables en todas
las ecuaciones, si hay variables que tienen coeficiente 1 o -1, si se puede simplificar una ecuación multiplicando o dividiendo
Página|110
Capítulo III
por un mismo número en ambos miembros para evitar el trabajo manual con fracciones o números enteros grandes, si hay
ecuaciones redundantes, si las variables están organizadas de la misma forma en todas las ecuaciones, o sea, si el SEL está
ordenado, entre otras consideraciones. Después de este primer análisis, será que se decida el método a emplear.
No necesariamente en la resolución de un SEL hay que emplear de forma obligatoria un solo método. En ocasiones, es
conveniente combinar dos métodos para llegar más rápidamente a la solución. En el epígrafe anterior vimos la posibilidad de
escalonar la matriz del SEL y encontrar por otra vía una solución particular del sistema no homogéneo para con los dos
resultados conformar la solución general del sistema no homogéneo. Veamos otros ejemplos:

Ejemplo 18
𝑥𝑥 + 3𝑦𝑦 − 𝑧𝑧 + 𝑢𝑢 = 10
𝑦𝑦 + 2𝑧𝑧 + 𝑢𝑢 = 4
Resuelve el sistema de ecuaciones �
−𝑧𝑧 − 𝑢𝑢 = 1
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 + 𝑢𝑢 = 0
Solución:
Las tres primeras ecuaciones del SEL tienen una forma escalonada, por tanto puede pensarse en resolver el SEL .
𝑥𝑥 + 3𝑦𝑦 − 𝑧𝑧 + 𝑢𝑢 = 10
� 𝑦𝑦 + 2𝑧𝑧 + 𝑢𝑢 = 4
−𝑧𝑧 − 𝑢𝑢 = 1
Y sustituir las soluciones encontradas en la cuarta ecuación para dar la solución del SEL original.
Resolviendo el SEL escalonado de 3 ecuaciones, de abajo hacia arriba, se tiene:
𝑧𝑧 = −1 − 𝑢𝑢
𝑦𝑦 = 4 − 2𝑧𝑧 − 𝑢𝑢 =
𝑦𝑦 = 4 − (−1 − 𝑢𝑢) − 𝑢𝑢
𝑦𝑦 = 5
𝑥𝑥 = 10 − 3𝑦𝑦 + 𝑧𝑧 − 𝑢𝑢
𝑥𝑥 = 10 − 3 ∙ 5 + (−1 − 𝑢𝑢) − 𝑢𝑢
𝑥𝑥 = −6 − 2𝑢𝑢
Sustituyendo los valores obtenidos en la cuarta ecuación, se obtiene:
(−6 − 2𝑢𝑢) + 5 + (−1 − 𝑢𝑢) + 𝑢𝑢 = 0
−2 − 2𝑢𝑢 = 0
𝑢𝑢 = −1
Ahora se recalculan los valores para las variables 𝑥𝑥 y 𝑧𝑧, sustituyendo el valor de 𝑢𝑢 = −1.
Comprobación:
𝑥𝑥 = −4
𝑦𝑦 = 5 −4 + 3 ∙ 5 − 0 + (−1) = −4 + 15 − 1 = 10
𝑆𝑆 = � ∎
𝑧𝑧 = 0 5 + 2 ∙ 0 + (−1) = 5 − 1 = 4
𝑢𝑢 = −1 �
−0 − (−1) = 1
−4 + 5 + 0 + (−1) = −4 + 5 − 1 = 0

Ejemplo 19
−𝑧𝑧 + 𝑢𝑢 = 10
𝑦𝑦 + 2𝑧𝑧 + 𝑢𝑢 = 4
Resuelve el sistema de ecuaciones �
𝑦𝑦 − 𝑧𝑧 − 𝑢𝑢 = 1
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 + 𝑢𝑢 = 0
Página|111
Capítulo III
Solución
Una vía de solución
Asumiendo 𝑎𝑎 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 que el SEL admite alguna solución, utilicemos el método de sustitución y resolvamos el SEL “de arriba
hacia abajo” pues la ecuación más simple aparece arriba y en las restantes se incrementa el número de variables. Así,
De arriba hacia abajo Sustituyendo el valor de u en ① y ② Sustituyendo en la última ecuación
−𝑧𝑧 + 𝑢𝑢 = 10 33 𝑥𝑥 + 21/5 + (−17/5) + 33/5 = 0
𝑧𝑧 = 𝑢𝑢 − 10 ① 𝑧𝑧 = − 10
5
21 − 17 + 33
𝑦𝑦 + 2(𝑢𝑢 − 10) + 𝑢𝑢 = 4 17 𝑥𝑥 + =0
𝑦𝑦 − 20 + 3𝑢𝑢 = 4 𝑧𝑧 = − 5
5
𝑦𝑦 = 24 − 3𝑢𝑢 ② 37
33 𝑥𝑥 = −
𝑦𝑦 − 𝑧𝑧 − 𝑢𝑢 = 1 𝑦𝑦 = 24 − 3 ∙ 5
(24 − 3𝑢𝑢) − (𝑢𝑢 − 10) − 𝑢𝑢 = 1 5
34 − 5𝑢𝑢 = 1 21
𝑦𝑦 =
33 5
𝑢𝑢 =
5
Comprobación:
17 33 1 1
⎧ − �−
�+ = (17 + 33) = (50) = 10
⎪ 5 5 5 5
33 1 1
⎪ (21/5) + 2(−17/5) + = (21 − 34 + 33) = (20) = 4
5 5 5
⎨ 17 33 1 1
(21/5) − �− � − = (21 + 17 − 33) = (5) = 1
⎪ 5 5 5 5
⎪ 33 1 1
(−37/5) + (21/5) + (−17/5) + = (−37 + 21 − 17 + 33) = (0) = 0
⎩ 5 5 5
𝑥𝑥 = −37/5
𝑦𝑦 = 21/5
El SEL es compatible determinado y su solución es 𝑆𝑆 = �
𝑧𝑧 = −17/5 
𝑢𝑢 = 33/5
Otra vía de solución
También hubiera sido posible resolver el subsistema formado por las 3 primeras ecuaciones que dependen de las mismas 3
variables utilizando el Método de Cramer, e incluso no para todas las variables, y después utilizar los resultados obtenidos
para calcular los valores de las restantes variables.
Resolviendo por Cramer Para la variable 𝑧𝑧 Para la variable 𝑢𝑢
−𝑧𝑧 + 𝑢𝑢 = 10 0 10 1 0 −1 10
� 𝑦𝑦 + 2𝑧𝑧 + 𝑢𝑢 = 4 �1 4 1� �1 2 4�
𝑦𝑦 − 𝑧𝑧 − 𝑢𝑢 = 1 𝑦𝑦 = 1 1 −1 = 11 + 6 = − 17 𝑧𝑧 = 1 −1 1 = −9 − 24 = 33
0 −1 1 −5 −5 5 −5 −5 5
|𝐴𝐴| = �1 2 1 � = −5 ≠ 0
1 −1 −1

Se prefirió calcular los valores para 𝑧𝑧 y 𝑢𝑢 para poder aprovechar la ventaja del 0 en el elemento 𝑎𝑎11 de los determinantes.
Sustituyendo los valores de 𝑧𝑧 y 𝑢𝑢 en la tercera y la cuarta ecuaciones del SEL original se obtiene:
Sustituyendo en la tercera ecuación para calcular 𝑦𝑦 Sustituyendo en la cuarta ecuación para calcular 𝑥𝑥
17 33 33
𝑦𝑦 − �− � − =1 𝑥𝑥 + (21/5) + (−17/5) + =0
5 5 5
1 1
𝑦𝑦 + (17 − 33) = 1 𝑥𝑥 + (21 − 17 + 33) = 0
5 5
𝑦𝑦 =
21
5
𝑥𝑥 = −
37
5 
Página|112
Capítulo III
Existen, por supuesto, otras posibles vías de solución, unas tan o más eficientes que otras. Solo se mostraron estas dos como
un ejemplo de que en la medida que más conocimientos y recursos poseas para resolver SEL, más posibilidades tienes de
resolverlos con mayor facilidad.
Además de los presentados en este libro, existen otros métodos algebraicos que no serán abordados, como el de la
descomposición LU, de descomposición QR y de descomposición de Cholesky y que dejamos a tu interés profundizar en los
mismos. Estos métodos requieren de nuevos conocimientos que necesitarás aprender, algunos de los cuales los encontrarás
más adelante en este propio libro. Esos métodos aparecen explicados detalladamente en videos en español que puedes
encontrar en el sitio http://www.youtube.com con solo introducir el nombre del método. Además, con más detalle puedes
encontrar información sobre ello en numerosos libros de Álgebra Lineal, entre los que se encuentran los siguientes:
• Strang, G. (2009). Linear Algebra and its Application. Fourth Edition. MIT.USA
• Lay, D. (2012). Álgebra Lineal y sus aplicaciones. Cuarta Edición. Pearson Educación, México.
• Grossman, S. & Flores. J. (2012). Álgebra Lineal. 7ma Edición. McGraw-Hill. México.
Además, de los métodos algebraicos existen los denominados métodos numéricos (de Gauss-Seidel y de Jacobi, entre otros)
los cuales estudiarás en otras asignaturas de contenido matemático de la carrera.
Página|113
Capítulo III

Algunas aplicaciones de los Sistemas de Ecuaciones Lineales

Una aplicación intramatemática: la descomposición en fracciones simples
Una inmediata aplicación de los Sistemas de Ecuaciones Lineales hacia dentro de la propia Matemática es el problema de la
descomposición de una fracción racional en fracciones simples, problema que tendrá aplicación inmediata cuando estudies
los métodos para calcular integrales en tu primer año de cualquiera de las carreras de ingeniería. La técnica del cálculo de
integrales de funciones racionales por el método de descomposición en fracciones simples fue introducida por el matemático
suizo John Bernoulli en 1702.
¿Qué es una fracción racional?
Una fracción racional es el cociente de dos polinomios en una misma indeterminada. Si 𝑃𝑃(𝐴𝐴) y 𝑄𝑄(𝐴𝐴) son dos polinomios en
𝑃𝑃(𝑥𝑥)
la indeterminada 𝐴𝐴, su cociente 𝑅𝑅 (𝐴𝐴) = 𝑄𝑄(𝑥𝑥) es una fracción racional de la variable 𝐴𝐴.
Análogamente a las fracciones numéricas, las fracciones racionales pueden ser propias o impropias. Una fracción racional es
impropia si el grado del polinomio del numerador es mayor o igual al grado del polinomio del denominador. En caso contrario,
se dice que la fracción es propia.
Entre las fracciones propias se encuentran las llamadas
𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 o fracciones parciales. Los distintos
tipos se distinguen por las características de sus polos,
valores que anulan el polinomio del denominador e
indefinen la fracción racional).
Estas características son: su naturaleza numérica (real o
compleja) y su multiplicidad algebraica (simple o múltiple).
La combinación de ellas produce una división en 4 clases,
cada una identificada con un tipo de fracción simple. El
esquema que se encuentra a la derecha lo ilustra:
Un resultado a tener en cuenta, aunque no será demostrado en el libro, es el siguiente:
Teorema 6 (de existencia y unicidad de la descomposición en fracciones simples)
Toda fracción racional 𝑅𝑅(𝐴𝐴) puede ser expresada como la suma de fracciones simples y tal representación es única, salvo
el orden en que aparezcan dispuestas las fracciones sumandos.

El procedimiento para descomponer una fracción racional propia en fracciones simples es el siguiente:
Procedimiento
1. Descomponer en factores irreducibles el polinomio del denominador de la fracción racional.
2. Clasificar los polos de la fracción racional según las características descritas en la Tabla.
3. Expresar la fracción racional propia como una suma de fracciones simples de acuerdo al siguiente criterio:
• Cada polo generará tantas fracciones simples diferentes (con igual polo), como sea su multiplicidad algebraica.
• Si 𝑛𝑛 > 1, las 𝑛𝑛 fracciones simples generadas tendrán el mismo polo, pero la multiplicidad de cada uno variará desde
1 hasta 𝑛𝑛.
• En su formulación, todas las fracciones simples generadas tendrán numeradores diferentes, los cuales pueden
coincidir una vez calculados.
4. Sumar las fracciones simples generadas y aplicar el Método de Coeficientes Indeterminados para calcularlos.
5. Expresar la fracción racional dada como la suma única de las fracciones simples encontradas.
Página|114
Capítulo III

Ejemplo 20
𝑥𝑥
Descomponer en fracciones simples la fracción racional propia 𝑅𝑅(𝑥𝑥) =
𝑥𝑥 2 +5𝑥𝑥+6

Solución:
El primer paso es descomponer el polinomio 𝑄𝑄(𝑥𝑥) = 𝑥𝑥 2 + 5𝑥𝑥 + 6 del denominador en factores, posteriores denominadores
de las fracciones simples.
𝑄𝑄(𝑥𝑥) = 𝑥𝑥 2 + 5𝑥𝑥 + 6 = (𝑥𝑥 + 2)(𝑥𝑥 + 3)
Luego la fracción racional:
𝑥𝑥 𝑥𝑥
𝑅𝑅(𝑥𝑥) = =
𝑥𝑥 2 + 5𝑥𝑥 + 6 (𝑥𝑥 + 2)(𝑥𝑥 + 3)
Como los polos de 𝑅𝑅(𝑥𝑥) son reales y simples, eso permitirá expresar a 𝑅𝑅(𝑥𝑥) como la suma de dos fracciones simples del tipo I.
𝑥𝑥 𝑥𝑥 𝐴𝐴 𝐵𝐵
𝑅𝑅(𝑥𝑥) = 2 = = +
𝑥𝑥 + 5𝑥𝑥 + 6 (𝑥𝑥 + 2)(𝑥𝑥 + 3) 𝑥𝑥 + 2 𝑥𝑥 + 3
Solo resta encontrar los valores de los numeradores incógnitos A y B.
Como dos fracciones son iguales si y solo sus numeradores y denominadores son iguales respectivamente, entonces:
𝑥𝑥 𝐴𝐴 𝐵𝐵 𝐴𝐴(𝑥𝑥 + 3) + 𝐵𝐵(𝑥𝑥 + 2)
2
= + =
𝑥𝑥 + 5𝑥𝑥 + 6 𝑥𝑥 + 2 𝑥𝑥 + 3 (𝑥𝑥 + 2)(𝑥𝑥 + 3)
Como los denominadores son iguales y sin incógnitas, bastará plantear la igualdad de los numeradores:
𝐴𝐴(𝑥𝑥 + 3) + 𝐵𝐵(𝑥𝑥 + 2) = 𝑥𝑥 ①
Como el polinomio del miembro derecho de ① es un polinomio expandido, entonces deberá expandirse y ordenarse el
polinomio del miembro izquierdo para poder comparar los coeficientes correspondientes entre cada uno.
𝐴𝐴𝐴𝐴 + 3𝐴𝐴 + 𝐵𝐵𝐵𝐵 + 2𝐵𝐵 = 1
(𝐴𝐴 + 𝐵𝐵)𝑥𝑥 + 3𝐴𝐴 + 2𝐵𝐵 = 1 ②
Por otra parte, dos polinomios en una misma indeterminada son iguales si y solo si los coeficientes de los términos de igual
grado son iguales. Si la igualdad ② la reescribiéramos como:
(𝐴𝐴 + 𝐵𝐵)𝑥𝑥 + 3𝐴𝐴 + 2𝐵𝐵 = 1𝑥𝑥 + 0
donde los coeficientes de los términos lineales son 𝐴𝐴 + 𝐵𝐵 y 1 respectivamente, y los términos independientes son 3𝐴𝐴 + 2𝐵𝐵
y 0 respectivamente.
Ahora se está en condiciones de aplicar el denominado 𝑀𝑀é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼s. Al establecer la
igualdad entre coeficientes de términos homólogos, se conforma el siguiente Sistema de Ecuaciones Lineales:
𝐴𝐴 + 𝐵𝐵 = 1
�
3𝐴𝐴 + 2𝐵𝐵 = 0
El Método de los Coeficientes Indeterminados es
1 1 un método general de resolución de problemas
Aplicando el Método de Cramer, resulta: ∆= � � = −1
3 2 matemáticos, físicos e ingenieriles que aparece con
1 1 mucha regularidad en la práctica y se aplica siempre
� � 2
𝐴𝐴 = 0 2 =
que se conozca o se proponga la forma, estructura o
= −2
−1 −1 patrón de la solución del problema y solo haya que
determinar los valores de ciertos parámetros
1 1
� � −3 (coeficientes indeterminados) para resolver el mismo.
𝐵𝐵 = 3 0 = =3
−1 −1
Página|115
Capítulo III
Resultado que se comprueba fácilmente en el SEL.
Así, retornando a la descomposición en fracciones simples propuesta, tenemos la solución:
𝑥𝑥 −2 3
𝑅𝑅(𝑥𝑥) = = +
𝑥𝑥 2 + 5𝑥𝑥 + 6 𝑥𝑥 + 2 𝑥𝑥 + 3
Comprobación:
−2 3 −2(𝑥𝑥 + 3) + 3(𝑥𝑥 + 2) −2𝑥𝑥 − 6 + 3𝑥𝑥 + 6 𝑥𝑥
+ = = = 2 ∎
𝑥𝑥 + 2 𝑥𝑥 + 3 (𝑥𝑥 + 2)(𝑥𝑥 + 3) 𝑥𝑥 2 + 5𝑥𝑥 + 6 𝑥𝑥 + 5𝑥𝑥 + 6

Ejemplo 21
𝑥𝑥 2 + 4𝑥𝑥
Descomponer en fracciones simples la fracción racional propia 𝑅𝑅(𝑥𝑥) =
𝑥𝑥 3 + 2𝑥𝑥 2 – 20𝑥𝑥 + 24

Solución:
Descomponer el denominador 𝑄𝑄(𝑥𝑥) = 𝑥𝑥 3 + 2𝑥𝑥 2 – 20𝑥𝑥 + 24 en factores.
𝑄𝑄(𝑥𝑥) = 𝑥𝑥 3 + 2𝑥𝑥 2 – 20𝑥𝑥 + 24 = (𝑥𝑥 − 2)2 (𝑥𝑥 + 6)
Identificar los polos de 𝑄𝑄(𝑥𝑥):

• 𝑥𝑥 = 2 es un polo real doble una fracción de Tipo I más una de Tipo II.
• 𝑥𝑥 = 6 es un polo real simple una fracción de Tipo I
Formulando la descomposición en fracciones simples:
𝑥𝑥 2 + 4𝑥𝑥 𝑥𝑥 2 + 4𝑥𝑥 𝐴𝐴 𝐵𝐵 𝐶𝐶
𝑅𝑅(𝑥𝑥) = = = + +
𝑥𝑥 3 + 2𝑥𝑥 2 – 20𝑥𝑥 + 24 (𝑥𝑥 − 2)2 (𝑥𝑥 + 6) 𝑥𝑥 − 2 (𝑥𝑥 − 2)2 𝑥𝑥 + 6
𝑥𝑥 2 + 4𝑥𝑥 𝐴𝐴(𝑥𝑥 − 2)(𝑥𝑥 + 6) + 𝐵𝐵(𝑥𝑥 + 6) + 𝐶𝐶(𝑥𝑥 − 2)2
𝑅𝑅(𝑥𝑥) = =
(𝑥𝑥 − 2)2 (𝑥𝑥 + 6) (𝑥𝑥 − 2)2 (𝑥𝑥 + 6)
Ecuación de los numeradores:
𝐴𝐴(𝑥𝑥 − 2)(𝑥𝑥 + 6) + 𝐵𝐵(𝑥𝑥 + 6) + 𝐶𝐶(𝑥𝑥 − 2)2 = 𝑥𝑥 2 + 4𝑥𝑥
Expandiendo y organizando el miembro izquierdo:
(𝐴𝐴 + 𝐶𝐶)𝑥𝑥 2 + (4𝐴𝐴 + 𝐵𝐵 − 4𝐶𝐶)𝑥𝑥 − 12𝐴𝐴 + 6𝐵𝐵 + 4𝐶𝐶 = 𝑥𝑥 2 + 4𝑥𝑥
Aplicando el Método de los Coeficientes Indeterminados:
𝐴𝐴 + 𝐶𝐶 = 1
� 4𝐴𝐴 + 𝐵𝐵 − 4𝐶𝐶 = 4 𝐴𝐴 = 1 − 𝐶𝐶
−12𝐴𝐴 + 6𝐵𝐵 + 4𝐶𝐶 = 0
Se resolverá el SEL por el Método de Sustitución aprovechando que en la primera ecuación aparecen solo dos variables.
Despejando 𝐴𝐴 en la primera ecuación y sustituyendo en las restantes, se obtiene:
4(1 − 𝐶𝐶) + 𝐵𝐵 − 4𝐶𝐶 = 4 4 − 4𝐶𝐶 + 𝐵𝐵 − 4𝐶𝐶 = 4
� �
−12(1 − 𝐶𝐶) + 6𝐵𝐵 + 4𝐶𝐶 = 0 −12 + 12𝐶𝐶 + 6𝐵𝐵 + 4𝐶𝐶 = 0
𝐵𝐵 − 8𝐶𝐶 = 0
� 𝐵𝐵 = 8𝐶𝐶
6𝐵𝐵 + 16𝐶𝐶 = 12
Despejando 𝐵𝐵 en la primera ecuación y sustituyendo en la segunda, se obtiene:
6(8𝐶𝐶) + 16𝐶𝐶 = 12
64𝐶𝐶 = 12
Página|116
Capítulo III
3 13 3
𝐶𝐶 = , por tanto 𝐴𝐴 = y 𝐵𝐵 =
16 16 2

Así, retornando a la descomposición en fracciones simples propuesta, tenemos la solución:

13 3 3
𝑥𝑥 2 + 4𝑥𝑥 16 2 16
𝑅𝑅(𝑥𝑥) = 3 = + +
𝑥𝑥 + 2𝑥𝑥 2 – 20𝑥𝑥 + 24 𝑥𝑥 − 2 (𝑥𝑥 − 2)2 𝑥𝑥 + 6
Comprobación:
13 3 3 13
16
(𝑥𝑥 − 2)(𝑥𝑥 + 6) + 32(𝑥𝑥 + 6) + 16
3
(𝑥𝑥 − 2)2
+ 2
+ 16 = 16
𝑥𝑥 − 2 (𝑥𝑥 − 2)2 𝑥𝑥 + 6 (𝑥𝑥 − 2) (𝑥𝑥 + 6)
2

13
(𝑥𝑥 2 + 4𝑥𝑥 − 12) + 32(𝑥𝑥 + 6) + 16
3
(𝑥𝑥 2 − 4𝑥𝑥 + 4) 𝑥𝑥 2 + 4𝑥𝑥
= 16 = ∎
𝑥𝑥 3 + 2𝑥𝑥 2 – 20𝑥𝑥 + 24 𝑥𝑥 3 + 2𝑥𝑥 2 – 20𝑥𝑥 + 24

Ejemplo 22
4𝑥𝑥+5
Descomponer en fracciones simples la fracción racional propia 𝑅𝑅(𝑥𝑥) =
(𝑥𝑥 2 + 𝑥𝑥+1)(𝑥𝑥−1)

Solución:
El polinomio del denominador ya está descompuesto en el producto de factores irreducibles en el dominio de los números
reales, pues el trinomio 𝑥𝑥 2 + 𝑥𝑥 + 1 posee un discriminante 𝐷𝐷 = 1 − 4 = −3 < 0.
Identificar los polos de 𝑄𝑄(𝑥𝑥):

• 𝑥𝑥 = 1 es un polo real simple una fracción de Tipo I

2
• 𝑥𝑥 + 𝑥𝑥 + 1 produce dos polos complejos conjugados simples una fracción de Tipo III
Formulando la descomposición en fracciones simples:
4𝑥𝑥 + 5 𝐴𝐴 𝐵𝐵𝐵𝐵 + 𝐶𝐶
𝑅𝑅(𝑥𝑥) = = + 2
(𝑥𝑥 2 + 𝑥𝑥 + 1)(𝑥𝑥 − 1) 𝑥𝑥 − 1 𝑥𝑥 + 𝑥𝑥 + 1
4𝑥𝑥 + 5 𝐴𝐴(𝑥𝑥 2 + 𝑥𝑥 + 1) + (𝐵𝐵𝐵𝐵 + 𝐶𝐶)(𝑥𝑥 − 1)
𝑅𝑅(𝑥𝑥) = =
(𝑥𝑥 2 + 𝑥𝑥 + 1)(𝑥𝑥 − 1) (𝑥𝑥 2 + 𝑥𝑥 + 1)(𝑥𝑥 − 1)
Ecuación de los numeradores:
𝐴𝐴(𝑥𝑥 2 + 𝑥𝑥 + 1) + (𝐵𝐵𝐵𝐵 + 𝐶𝐶)(𝑥𝑥 − 1) = 4𝑥𝑥 + 5
Expandiendo y organizando el miembro izquierdo:
(𝐴𝐴 + 𝐵𝐵)𝑥𝑥 2 + (𝐴𝐴 − 𝐵𝐵 + 𝐶𝐶)𝑥𝑥 + 𝐴𝐴 − 𝐶𝐶 = 4𝑥𝑥 + 5
Aplicando el Método de los Coeficientes Indeterminados:
𝐴𝐴 + 𝐵𝐵 = 0
�𝐴𝐴 − 𝐵𝐵 + 𝐶𝐶 = 4
𝐴𝐴 − 𝐶𝐶 = 5
Aplicándose el Método de Sustitución, en la primera ecuación 𝐴𝐴 = −𝐵𝐵 y sustituyéndolo en las restantes ecuaciones, se
obtiene:
−2𝐵𝐵 + 𝐶𝐶 = 4
�
−𝐵𝐵 − 𝐶𝐶 = 5
−3𝐵𝐵 =9
𝐵𝐵 = −3
𝐴𝐴 = 3
𝐶𝐶 = −2
Página|117
Capítulo III
Así, retornando a la descomposición en fracciones simples propuesta, tenemos la solución:
4𝑥𝑥 + 5 3 −3𝑥𝑥 − 2
𝑅𝑅(𝑥𝑥) = = + 2
(𝑥𝑥 2 + 𝑥𝑥 + 1)(𝑥𝑥 − 1) 𝑥𝑥 − 1 𝑥𝑥 + 𝑥𝑥 + 1

Comprobación:
3 −3𝑥𝑥 − 2 3(𝑥𝑥 2 + 𝑥𝑥 + 1) + (−3𝑥𝑥 − 2)(𝑥𝑥 − 1) 3𝑥𝑥 2 + 3𝑥𝑥 + 3 − 3𝑥𝑥 2 + 𝑥𝑥 + 2 4𝑥𝑥 + 5
+ 2 = = = ∎
𝑥𝑥 − 1 𝑥𝑥 + 𝑥𝑥 + 1 (𝑥𝑥 − 1)(𝑥𝑥 2 + 𝑥𝑥 + 1) (𝑥𝑥 − 1)(𝑥𝑥 2 + 𝑥𝑥 + 1) (𝑥𝑥 − 1)(𝑥𝑥 2 + 𝑥𝑥 + 1)

Ejemplo 23
𝑥𝑥 2 +1
Descomponer en fracciones simples la fracción racional propia 𝑅𝑅(𝑥𝑥) =
𝑥𝑥(𝑥𝑥 2 + 𝑥𝑥+1)2

Solución:
El polinomio del denominador ya está descompuesto en el producto de factores irreducibles en el dominio de los números
reales, pues el trinomio 𝑥𝑥 2 + 𝑥𝑥 + 1 posee un discriminante 𝐷𝐷 = 1 − 4 = −3 < 0.
Identificar los polos de 𝑄𝑄(𝑥𝑥):

• 𝑥𝑥 = 0 es un polo real simple una fracción de Tipo I

2
• 𝑥𝑥 + 𝑥𝑥 + 1 produce dos polos complejos conjugados dobles una fracción de Tipo III y una de Tipo IV
Formulando la descomposición en fracciones simples:
𝑥𝑥 2 + 1 𝐴𝐴 𝐵𝐵𝐵𝐵 + 𝐶𝐶 𝐷𝐷𝐷𝐷 + 𝐸𝐸
𝑅𝑅(𝑥𝑥) = = + 2 + 2
𝑥𝑥(𝑥𝑥 2 + 𝑥𝑥 + 1)2 𝑥𝑥 𝑥𝑥 + 𝑥𝑥 + 1 (𝑥𝑥 + 𝑥𝑥 + 1)2
𝐴𝐴(𝑥𝑥 2 + 𝑥𝑥 + 1)2 + (𝐵𝐵𝐵𝐵 + 𝐶𝐶)𝑥𝑥(𝑥𝑥 2 + 𝑥𝑥 + 1) + (𝐷𝐷𝐷𝐷 + 𝐸𝐸)𝑥𝑥
𝑅𝑅(𝑥𝑥) =
(𝑥𝑥 + 6)2 (𝑥𝑥 2 + 𝑥𝑥 + 1)2
Ecuación de los numeradores:
𝐴𝐴(𝑥𝑥 2 + 𝑥𝑥 + 1)2 + (𝐵𝐵𝐵𝐵 + 𝐶𝐶)𝑥𝑥(𝑥𝑥 2 + 𝑥𝑥 + 1) + (𝐷𝐷𝐷𝐷 + 𝐸𝐸)𝑥𝑥 = 𝑥𝑥 2 + 1
Expandiendo y organizando el miembro izquierdo:
(𝐴𝐴 + 𝐵𝐵)𝑥𝑥 4 + (2𝐴𝐴 + 𝐵𝐵 + 𝐶𝐶)𝑥𝑥 3 (3𝐴𝐴 + 𝐵𝐵 + 𝐶𝐶 + 𝐷𝐷)𝑥𝑥 2 + (2𝐴𝐴 + 𝐶𝐶 + 𝐸𝐸)𝑥𝑥 + 𝐴𝐴 = 𝑥𝑥 2 + 1
Aplicando el Método de los Coeficientes Indeterminados:
𝐴𝐴 + 𝐵𝐵 = 0
⎧ 2𝐴𝐴 + 𝐵𝐵 + 𝐶𝐶 = 0
⎪
3𝐴𝐴 + 𝐵𝐵 + 𝐶𝐶 + 𝐷𝐷 = 1
⎨ 2𝐴𝐴 + 𝐶𝐶 + 𝐸𝐸 = 0
⎪
⎩ 𝐴𝐴 = 1
Sustituyendo el valor 𝐴𝐴 de en todas las restantes ecuaciones:
Página|118
Capítulo III
Mediante una cadena de sustituciones pueden ser determinados los valores de las variables:
Sustituyendo para 𝐴𝐴 = 1 → Sustituyendo para 𝐵𝐵 = −1 → Sustituyendo para 𝐶𝐶 = −1
𝐴𝐴 = 1 𝐴𝐴 = 1 𝐴𝐴 = 1
⎧ ⎧ ⎧
⎪ 𝐵𝐵 = −1 ⎪ 𝐵𝐵 = −1 ⎪𝐵𝐵 = −1
𝐵𝐵 + 𝐶𝐶 = −2 − − −→ 𝐶𝐶 = −1 − − −→ ⎨𝐶𝐶 = −1
⎨ ⎨
⎪𝐵𝐵 + 𝐶𝐶 + 𝐷𝐷 = −2 ⎪ 𝐶𝐶 + 𝐷𝐷 = −1 ⎪𝐷𝐷 = 0
⎩ 𝐶𝐶 + 𝐸𝐸 = −2 ⎩ 𝐶𝐶 + 𝐸𝐸 = −2 ⎩𝐸𝐸 = −1

Así, retornando a la descomposición en fracciones simples propuesta, tenemos la solución:

𝑥𝑥 2 + 1 1 −𝑥𝑥 − 1 −1
𝑅𝑅(𝑥𝑥) = = + 2 +
𝑥𝑥(𝑥𝑥 2 + 𝑥𝑥 + 1)2 𝑥𝑥 𝑥𝑥 + 𝑥𝑥 + 1 (𝑥𝑥 2 + 𝑥𝑥 + 1)2
Comprobación:
1 −𝑥𝑥 − 1 −1 (𝑥𝑥 2 + 𝑥𝑥 + 1)2 + (−𝑥𝑥 − 1)𝑥𝑥(𝑥𝑥 2 + 𝑥𝑥 + 1) − 𝑥𝑥 𝑥𝑥 2 + 1
+ 2 + 2 = = ∎
𝑥𝑥 𝑥𝑥 + 𝑥𝑥 + 1 (𝑥𝑥 + 𝑥𝑥 + 1)2 2
𝑥𝑥(𝑥𝑥 + 𝑥𝑥 + 1)2 𝑥𝑥(𝑥𝑥 + 𝑥𝑥 + 1)2
2

Ejemplo 24
𝑥𝑥 4 +1
Descomponer en fracciones simples la fracción racional impropia 𝑅𝑅(𝑥𝑥) =
𝑥𝑥 2 −5

Solución:
La fracción racional dada no es una fracción propia, por tanto, el procedimiento discutido no puede ser aplicado de forma
inmediata. Primeramente, hay que expresar dicha fracción como la suma de un polinomio más una fracción propia.
Sea 𝑅𝑅(𝑥𝑥) = 𝑝𝑝(𝑥𝑥) + 𝑟𝑟(𝑥𝑥), donde 𝑝𝑝(𝑥𝑥) es un polinomio y 𝑟𝑟(𝑥𝑥) es una fracción racional propia.
El procedimiento general para lograr la representación anterior de una fracción impropia será el de
dividir el polinomio del numerador entre el polinomio del denominador, tal y como se aprecia a la
izquierda. De tal forma, el cociente será el polinomio y el resto sobre el divisor será la fracción propia.
𝑥𝑥 4 + 1 26
𝑅𝑅(𝑥𝑥) = 2
= 𝑥𝑥 2 + 5 + 2
𝑥𝑥 − 5 𝑥𝑥 − 5
26
Por tanto, el polinomio es: 𝑝𝑝(𝑥𝑥) = 𝑥𝑥 2 + 5 y la fracción propia es: 𝑟𝑟(𝑥𝑥) =
𝑥𝑥 2 −5

Ahora se puede aplicar el método de descomposición en fracciones simples a la fracción propia:

26 26 𝐴𝐴 𝐵𝐵 𝐴𝐴�𝑥𝑥 + √5� + 𝐵𝐵�𝑥𝑥 − √5�
𝑟𝑟(𝑥𝑥) = 2 = = + =
𝑥𝑥 − 5 �𝑥𝑥 − √5��𝑥𝑥 + √5� 𝑥𝑥 − √5 𝑥𝑥 + √5 �𝑥𝑥 − √5��𝑥𝑥 + √5�
Igualando los numeradores:

𝐴𝐴�𝑥𝑥 + √5� + 𝐵𝐵�𝑥𝑥 − √5� = 26

(𝐴𝐴 + 𝐵𝐵)𝑥𝑥 + √5𝐴𝐴 − √5𝐵𝐵 = 26

𝐴𝐴 + 𝐵𝐵 = 0
�
√5𝐴𝐴 − √5𝐵𝐵 = 26
Dividiendo la segunda ecuación por √5 en ambos miembros, el SEL se simplifica
Página|119
Capítulo III

𝐴𝐴 + 𝐵𝐵 = 0
�
𝐴𝐴 − 𝐵𝐵 = 26/√5
2𝐴𝐴 = 26/√5
𝐴𝐴 = 13/√5
𝐵𝐵 = −13/√5
26 13/√5 −13/√5 13 13
Por tanto: 𝑟𝑟(𝑥𝑥) = = + = −
𝑥𝑥 2 − 5 𝑥𝑥 − √5 𝑥𝑥 + √5 √5�𝑥𝑥 − √5� √5�𝑥𝑥 + √5�

Y la respuesta final será:

𝑥𝑥 4 + 1 13 13
𝑅𝑅(𝑥𝑥) = 2 = 𝑥𝑥 2 + 5 + − ∎
𝑥𝑥 − 5 √5�𝑥𝑥 − √5� √5�𝑥𝑥 + √5�

Ejemplo 25
𝑥𝑥
Descomponer en fracciones simples la fracción propia 𝑅𝑅(𝑥𝑥) = (la misma del Ejemplo 20)
𝑥𝑥 2 +5𝑥𝑥+6

Solución:
En ocasiones como esta existe una vía alternativa para calcular los coeficientes de los numerados de las fracciones simples,
la cual se discutirá a continuación.
𝑥𝑥 𝐴𝐴 𝐵𝐵
Al resolver el Ejemplo 20, se encontró la descomposición = + , la cual generaba la ecuación ① de los
𝑥𝑥 2 +5𝑥𝑥+6 𝑥𝑥+2 𝑥𝑥+3
numeradores:
𝐴𝐴(𝑥𝑥 + 3) + 𝐵𝐵(𝑥𝑥 + 2) = 𝑥𝑥 ①
Esta ecuación puede ser resuelta muy fácilmente si se evalúa cada vez en aquellos números que hacen cero los términos
entre paréntesis, que no son otros que los polos de las fracciones propias modeladas:

Evaluando ① en 𝑥𝑥 = −3 se obtiene: Evaluando ① en 𝑥𝑥 = −2 se obtiene:

𝐴𝐴(−3 + 3) + 𝐵𝐵(−3 + 2) = −3 𝐴𝐴(−2 + 3) + 𝐵𝐵(−2 + 2) = −2
−𝐵𝐵 = −3 𝐴𝐴 = −2
𝐵𝐵 = 3

Por tanto, la descomposición buscada es:

𝑥𝑥 −2 3
= +
𝑥𝑥 2 + 5𝑥𝑥 + 6 𝑥𝑥 + 2 𝑥𝑥 + 3
La comprobación está en el Ejemplo 20.

Una característica común a todos los Sistemas de Ecuaciones Lineales que han aparecido en el proceso de
descomposición de una fracción racional en fracciones parciales o simples, es que como tal descomposición siempre es
posible y única, los SEL son compatibles determinados, o sea, este tipo de problemas siempre conduce a la resolución de
SEL compatibles determinados.

A continuación se verá un tipo de problema, en este caso de aplicación extramatemática, aunque también podrían
haberse citados muchísimos problemas intramatemáticos similares, que conduce siempre al planteamiento de un
Sistema de Ecuaciones Lineales compatible indeterminado.
Página|120
Capítulo III

Una aplicación extramatematica: balance de ecuaciones químicas

Las ecuaciones químicas pueden balancearse a través de resolver sistemas de ecuaciones lineales si cada molécula de una
sustancia (ya sea un reactivo o una sustancia resultante) se modela como una matriz columna donde cada entrada de la
matriz indica la cantidad de átomos de cada elemento químico que compone la molécula. Se establece el convenio que todas
las moléculas de las sustancias intervinientes en la reacción poseen todos los elementos.
Por ejemplo: La reacción de la alúmina (óxido de aluminio) y el carbono produce aluminio y dióxido de carbono, lo cual se
expresa mediante la ecuación química sin balancear:
𝐴𝐴𝑒𝑒2 𝑂𝑂3 + 𝐶𝐶 = 𝐴𝐴𝑒𝑒 + 𝐶𝐶𝑂𝑂2
En la ecuación intervienen 3 elementos químicos: el aluminio (𝐴𝐴𝑒𝑒), el ox ígeno (𝑂𝑂) y e l car bono (𝐶𝐶), por tant o es p osi ble
construir una “molécula” abstracta compuesta por átomos de los 3 elementos que se modela por una matriz columna de 3
filas, donde el primer elemento sea la cantidad de átomos de aluminio; el segundo, la cantidad de átomos de oxígeno y el
tercero, la cantidad de átomos de carbono. Así, la codificación sería:
2 0 1 0
𝐴𝐴𝑒𝑒2 𝑂𝑂3 = �3� , 𝐶𝐶 = �0� , 𝐴𝐴𝑒𝑒 = �0� y 𝐶𝐶 𝑂𝑂 2 = �1�
0 1 0 2
Y lo que queda por determinar son las cantidades de moléculas que de cada sustancia deben combinarse para que la ecuación
esté balanceada, es decir:
(𝐴𝐴𝑙𝑙2 𝑂𝑂3 )𝑥𝑥 + (𝐶𝐶)𝑦𝑦 = (𝐴𝐴𝐴𝐴)𝑧𝑧 + (𝐶𝐶𝑂𝑂2 )𝑢𝑢
2 0 1 0 0
Igualando la combinación lineal de matrices columnas a la matriz nula: �3� 𝑥𝑥 + �0� 𝑦𝑦 − �0� − �1� 𝑢𝑢 = �0�
0 1 0 2 0
𝑥𝑥
2 0 −1 0 𝑦𝑦 0
Se obtiene un SEL homogéneo: �3 0 0 −1� � � = �0�
𝑧𝑧
0 1 0 −2 𝑢𝑢 0
𝑥𝑥
1 0 0 −1/3 0
𝑦𝑦
El cual tras la aplicación del Método de Gauss-Jordan se obtiene: �0 1 0 −2 � � � = �0�
𝑧𝑧
0 0 1 −2/3 0
𝑢𝑢
1 2
De donde resulta la solución 𝑆𝑆 = �(𝑥𝑥, 𝑦𝑦, 𝑧𝑧, 𝑢𝑢)�𝑥𝑥 = 𝑢𝑢; 𝑦𝑦 = 2𝑢𝑢; 𝑧𝑧 = 𝑢𝑢; 𝑥𝑥, 𝑦𝑦, 𝑧𝑧, 𝑢𝑢 ∈ ℕ∗ �. El SEL es indeterminado; es decir
3 3
que existen infinitas combinaciones de cantidades de moléculas que balancean la ecuación, pero las soluciones deben ser
enteras positivas, por tanto 𝑢𝑢 debe ser múltiplo de 3; de esa manera todos los valores son enteros positivos. El problema lo
que pide sencillamente es una solución particular con esas características. No interesa la solución general.
Si 𝑢𝑢 = 3, se obtiene la siguiente ecuación balanceada:
𝐴𝐴𝑙𝑙2 𝑂𝑂3 + 6𝐶𝐶 = 2𝐴𝐴𝐴𝐴 + 3𝐶𝐶𝑂𝑂2
El balance de ecuaciones químicas conduce siempre a resolver SEL indeterminados con la característica que desde el punto
de vista práctico, no interesa la solución general, sino solo una solución particular, donde los valores de todas las incógnitas
al resolverse deben ser enteros positivos que produzcan la combinación de los menores valores posibles. En el ejemplo
anterior se asignó a la variable independiente 𝑢𝑢 el valor 3, pues produce valores enteros positivos en todas las variables
dependientes y constituye la solución más simple.
Página|121
Capítulo III

Conclusiones del Capítulo

En el Capítulo se hizo un estudio de los Sistemas de Ecuaciones Lineales, sus conceptos asociados, diferentes clasificaciones
y sus interrelaciones, así como los más sencillos métodos de resolución.
En cuanto a los métodos de resolución de los Sistemas de Ecuaciones Lineales se extendió su aplicación a los ya conocidos métodos de
adición-sustracción y de sustitución, que solo habías aplicado a sistemas de “2 con 2” y “3 con 3”. Se introdujeron los Método de Gauss
y de Gauss-Jordan, en los cuales puedes aplicar tus conocimientos sobre matrices. Además, se presentaron los métodos particulares
de Cramer y de la Matriz Inversa que solo pueden ser aplicados a sistemas de igual número de ecuaciones que de incógnitas.
También se discutió la ineficiencia del Método de Cramer aún en el caso de sistemas con no tantas incógnitas, debido a su apoyo en el
cálculo de determinantes. El Método de la Inversa, si no se utiliza el método de la adjunta para su determinación, es más eficiente.
Además de los métodos estudiados existen otros, tanto algebraicos como numéricos; algunos de ellos los estudiarás con
posterioridad y sobre otros puedes buscar información en libros y sitios de internet como los referidos.
Se presentaron dos problemas de aplicación al principio del Capítulo, uno geométrico y un problema de mezclas, y dos al final
del Capítulo. El primero de ello con inmediata aplicación en tus estudios de primer año, en el Cálculo Integral: la
descomposición de una fracción racional en fracciones simples de la cual se estudiaron cada uno de los casos generales. Esa
aplicación siempre produce SEL compatibles determinados, pues toda fracción racional admite una y solo una
descomposición en fracciones simples, salvo el orden de esas en la suma.
La otra aplicación, fue el balance de ecuaciones químicas, que sirvió para mostrar varios aspectos importantes: la codificación
de datos a través de matrices columnas, la visualización de un SEL como una ecuación matricial donde los términos
independientes aparecen como combinación lineal de matrices columnas de los coeficientes de las incógnitas y además, cómo
de las infinitas soluciones de un SEL (indeterminado) solo se necesita una, aquella solución particular con los menores valores
enteros positivos que satisfagan el SEL.
Página|122
Capítulo III

Preguntas teóricas
Después de haber estudiado el contenido del Capítulo mide tus conocimientos teóricos respondiendo las siguientes
preguntas.
1. ¿Solo los SEL que tienen la misma cantidad de ecuaciones que de incógnitas son los que pueden tener solución?
2. ¿Cómo se clasifican los SEL de acuerdo a sus términos independientes?
3. ¿Cómo se clasifican los SEL de acuerdo al número de sus soluciones?
4. ¿Qué otra denominación recibe un SEL incompatible?
5. ¿Cuál es la posición relativa de dos rectas que el sistema de sus ecuaciones es incompatible?
6. Si dos rectas se cortan, ¿cómo clasificas al sistema de sus ecuaciones?
7. ¿Por qué una representación paramétrica de una recta permite encontrar fácilmente las coordenadas de un punto
de la recta?
8. ¿Qué relación existe entre la solución general de un SEL indeterminado y sus soluciones particulares?
9. ¿Tiene sentido hablar de solución general y solución particular en un SEL incompatible?
10. ¿Qué significa que dos SEL son equivalentes?
11. Mencione dos formas en que pudieras encontrar un SEL equivalente a otro dado.
12. ¿Cuándo se puede aplicar el Método de Sustitución para resolver un SEL compatible?
13. Al aplicar el Método de adición-sustracción en la resolución de un SEL, ¿cuándo se puede conocer si el SEL es
compatible o no?
14. ¿Cuándo se puede aplicar el Método de Cramer para resolver SEL?
15. ¿Cuál es la fórmula para calcular el valor de una incógnita por el Método de Cramer?
16. Si un SEL es compatible, pero indeterminado, con igual número de ecuaciones que de incógnitas, ¿es posible aplicar
el Método de Cramer? ¿Por qué?
17. ¿Por qué el Método de Cramer no es eficiente para resolver un SEL de 20 ecuaciones con 20 incógnitas?
18. ¿Cuándo se puede aplicar el Método de la Matriz Inversa para resolver SEL?
19. Si tuvieras que resolver un SEL utilizando el Método de la Matriz Inversa sin apoyo de recursos informáticos y el SEL
es de “6 con 6”, ¿qué método utilizarías para calcular la inversa de la matriz del SEL?
20. ¿Siempre es posible aplicar el Método de Gauss para resolver SEL de m ecuaciones con n incógnitas?
21. ¿En qué consiste el Método de Gauss para resolver SEL?
22. ¿En qué se diferencia el Método de Gauss-Jordan del Método de Gauss?
23. ¿Qué expresa el Teorema de Kronecker-Capelli?
24. Si se conoce o es fácil hallar una solución particular de un SEL no homogéneo indeterminado, ¿cuál sería la forma
más ventajosa de hallar su solución general? ¿Por qué?
25. ¿Cuáles son los 4 tipos de fracciones simples?
26. ¿Qué criterios se siguen para identificar la cantidad y tipos de fracciones simples necesarias para descomponer una
fracción propia en la suma de ellas?
27. Si existe un polo real y cuádruple en una fracción propia, ¿cuántas y de qué tipos son las fracciones simples que
genera?
28. Al resolver un SEL, ¿es obligatorio utilizar un único método para resolverlo?
Página|123
Capítulo III

Ejercicios Propuestos
Ejercicios 1-4. Usa el método de Cramer para hallar las soluciones de los siguientes SEL:
5𝑥𝑥 + 7𝑦𝑦 = 3 4𝑥𝑥1 + 𝑥𝑥2 = 6
1. � 2. �
2𝑥𝑥 + 4𝑦𝑦 = 1 5𝑥𝑥1 + 2𝑥𝑥2 = 7
2𝑥𝑥 + 𝑦𝑦 = 7 2𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 4
3. � −3𝑥𝑥 + 𝑧𝑧 = −8 4. � −𝑥𝑥1 + 2𝑥𝑥3 = 2
𝑦𝑦 + 2𝑧𝑧 = −3 3𝑥𝑥1 + 𝑥𝑥2 + 3𝑥𝑥3 = −2
5. Encuentra para qué valores de 𝑎𝑎, 𝑏𝑏 𝑦𝑦 𝑐𝑐 el sistema de ecuaciones lineales es compatible, si cuya matriz ampliada es:
1 1 −2 𝑎𝑎
(𝐴𝐴, 𝐵𝐵) = �2 −1 −1� 𝑏𝑏�.
4 1 −5 𝑐𝑐
6. Utiliza determinantes para probar que el siguiente problema siempre tiene solución, independientemente de quiénes
sean los números 𝑎𝑎 𝑦𝑦 𝑏𝑏.
“𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑑𝑑𝑑𝑑𝑑𝑑 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑎𝑎 𝑦𝑦 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑏𝑏”
2 3 −1 1
7. Dadas las matrices 𝑀𝑀 = � � y 𝑁𝑁 = � �, halla una matriz 𝑋𝑋 tal que 𝑋𝑋𝑀𝑀𝑡𝑡 = 2𝑁𝑁.
1 1 2 2
1 −1 0 1 −1 0
8. Dadas las matrices 𝐴𝐴 = � � , 𝐵𝐵 = � � y 𝐶𝐶 = � � halla una matriz 𝑋𝑋 tal que 𝐵𝐵 + 2𝐶𝐶 = 𝑋𝑋𝑋𝑋.
0 1 −1 1 1 0
1 2 0 −1 2 −1
9. Dadas las matrices 𝑀𝑀 = � � , 𝑁𝑁 = � � y 𝑆𝑆 = � � halla una matriz 𝑋𝑋 tal que𝑁𝑁𝑁𝑁 + 𝑀𝑀𝑡𝑡 = 𝑆𝑆.
1 −1 2 1 1 1
10. La distancia entre dos ciudades 𝐴𝐴 y 𝐵𝐵, es de 325𝑘𝑘𝑘𝑘. Un automóvil sale de 𝐴𝐴 hacia 𝐵𝐵 a una velocidad de 95 𝑘𝑘𝑘𝑘/ℎ. Al
mismo tiempo, sale otro automóvil de 𝐵𝐵 hacia 𝐴𝐴 a una velocidad de 75 𝑘𝑘𝑘𝑘/ℎ. Suponiendo que su velocidad es constante,
calcula el tiempo que tardan en encontrarse, y la distancia que han recorrido cada uno hasta el momento del encuentro.
Ejercicios 11-15. Usa el Método de Gauss para resolver los siguientes SEL:
𝑥𝑥1 − 2𝑥𝑥2 + 3𝑥𝑥3 − 4𝑥𝑥4 = 1 3𝑥𝑥 + 2𝑦𝑦 − 𝑧𝑧 = −15 2𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 1
4𝑥𝑥1 − 10𝑥𝑥2 + 6𝑥𝑥3 − 28𝑥𝑥4 = 2 5𝑥𝑥 + 3𝑦𝑦 + 2𝑧𝑧 = 0 𝑥𝑥 + 𝑧𝑧 − 𝑤𝑤 = −1
11. � 3𝑥𝑥 − 3𝑥𝑥 + 20𝑥𝑥 − 4𝑥𝑥 = 8 12. � 13. �
1 2 3 4 3𝑥𝑥 + 𝑦𝑦 + 3𝑧𝑧 = 11 3𝑥𝑥 − 𝑦𝑦 − 𝑤𝑤 = 2
𝑥𝑥1 − 𝑥𝑥2 + 7𝑥𝑥3 − 3𝑥𝑥4 = 3 11𝑥𝑥 + 7𝑦𝑦 = −30 𝑦𝑦 + 2𝑧𝑧 + 𝑤𝑤 = 1
𝑥𝑥 + 𝑦𝑦 − 3𝑧𝑧 + 𝑢𝑢 = 5
6𝑥𝑥 − 5𝑦𝑦 + 7𝑧𝑧 = −9
14. � 2𝑥𝑥 − 𝑦𝑦 + 𝑧𝑧 − 2𝑢𝑢 = 2 15. �
4𝑥𝑥 + 3𝑦𝑦 + 6𝑧𝑧 = 4
7𝑥𝑥 + 𝑦𝑦 − 7𝑧𝑧 + 3𝑢𝑢 = 3
Ejercicios 16-19. Resuelve los siguientes SEL
𝑥𝑥1 + 3𝑥𝑥2 + 2𝑥𝑥3 = 0 2𝑥𝑥1 − 𝑥𝑥2 + 3𝑥𝑥3 = 3
2𝑥𝑥1 − 𝑥𝑥2 + 3𝑥𝑥3 = 0 3𝑥𝑥 + 𝑥𝑥2 − 5𝑥𝑥3 = 0
16. � 17. � 1
3𝑥𝑥1 − 5𝑥𝑥2 + 4 𝑥𝑥3 = 0 4𝑥𝑥1 − 𝑥𝑥2 + 𝑥𝑥3 = 3
𝑥𝑥1 +17𝑥𝑥2 + 4𝑥𝑥3 = 0 𝑥𝑥1 + 3𝑥𝑥2 −13𝑥𝑥3 = −6
2𝑥𝑥1 + 𝑥𝑥2 − 𝑥𝑥3 + 𝑥𝑥4 = 1 𝑥𝑥 − 2𝑦𝑦 + 3𝑧𝑧 − 4𝑢𝑢 = 4
3𝑥𝑥 − 2𝑥𝑥2 + 2𝑥𝑥3 − 3𝑥𝑥4 = 2 𝑦𝑦 − 𝑧𝑧 + 𝑢𝑢 = −3
18. � 1 19. �
5𝑥𝑥1 + 𝑥𝑥2 − 𝑥𝑥3 + 2𝑥𝑥4 = −1 𝑥𝑥 + 3𝑦𝑦 − 3𝑢𝑢 = 1
2𝑥𝑥1 − 𝑥𝑥2 + 𝑥𝑥3 − 3𝑥𝑥4 = 4 −7𝑦𝑦 + 3𝑧𝑧 + 𝑢𝑢 = −3

20. Diga si las rectas: 𝑥𝑥 − 4𝑦𝑦 = 1, 2𝑥𝑥 − 𝑦𝑦 = −3, −𝑥𝑥 − 3𝑦𝑦 = 4 tiene un punto de intersección común.
Página|124
Capítulo III
Ejercicios 21-24. En los siguientes SEL, obtener los valores de α para los cuales el sistema es incompatible, determinado o
indeterminado.
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 2
𝑥𝑥 − 2𝛼𝛼𝛼𝛼 = 3
21. � 22. �−𝑥𝑥 + 2𝑦𝑦 + 2𝑧𝑧 = −10
5𝑥𝑥 + 𝑦𝑦 = −𝛼𝛼
4𝑥𝑥 + 𝑦𝑦 + 𝛼𝛼 2 𝑧𝑧 = 14
𝑥𝑥1 + 𝑥𝑥2 − 𝑥𝑥3 = 3 𝑥𝑥 + 2𝑦𝑦 − 3𝑧𝑧 = 4
23. � 𝑥𝑥1 − 𝑥𝑥2 + 3𝑥𝑥3 = 4 24. � 3𝑥𝑥 − 𝑦𝑦 + 5𝑧𝑧 = 2
(𝛼𝛼 2
𝑥𝑥1 + 𝑥𝑥2 + − 10)𝑥𝑥3 = 𝛼𝛼 4𝑥𝑥 + 𝑦𝑦 + (𝛼𝛼 − 14)𝑧𝑧 = √𝛼𝛼 + 2
25. Sabiendo que toda matriz triangular superior invertible 𝐴𝐴 = (𝑎𝑎𝑖𝑖𝑖𝑖 ) tiene como inversa otra matriz triangular superior 𝐵𝐵
que se caracteriza porque los elementos (𝑏𝑏𝑖𝑖𝑖𝑖 ) = 1/𝑎𝑎𝑖𝑖𝑖𝑖 .
3 2 1
a) Calcule 𝐴𝐴−1 utilizando la definición de inversa y la información anterior si 𝐴𝐴 = �0 1 0�
0 0 2
𝑎𝑎𝑎𝑎𝑎𝑎 𝐴𝐴
b) Calcule la inversa utilizando la fórmula: 𝐴𝐴−1 = |𝐴𝐴|

4𝑥𝑥 2 −15𝑥𝑥−1 𝐴𝐴 𝐵𝐵 𝐶𝐶
26. Calcule las constantes 𝐴𝐴, 𝐵𝐵 y 𝐶𝐶 de modo que:(𝑥𝑥−1)(𝑥𝑥+2)(𝑥𝑥−3) = + +
𝑥𝑥−1 𝑥𝑥+2 𝑥𝑥−3

Ejercicios 27-31. Descomponga las siguientes fracciones racionales en la suma de fracciones simples:
𝑥𝑥 2 + 2𝑥𝑥 − 1 28. 𝑥𝑥 4 − 𝑥𝑥 3 − 𝑥𝑥 − 1 𝑥𝑥 2
27. 29.
2𝑥𝑥 3 + 3𝑥𝑥 2 − 2𝑥𝑥 𝑥𝑥 3 − 𝑥𝑥 2 𝑥𝑥 3 + 5𝑥𝑥 2 + 8𝑥𝑥 + 4
𝑥𝑥 3 + 𝑥𝑥 2 + 𝑥𝑥 + 2 31. 2𝑥𝑥 4 − 10𝑥𝑥 3 + 7𝑥𝑥 2 + 4𝑥𝑥 + 3
30.
𝑥𝑥 4 + 3𝑥𝑥 2 + 2 𝑥𝑥 5 −2𝑥𝑥 3 + 2𝑥𝑥 2 − 3𝑥𝑥 + 2
32. [Hidráulica] Para necesidades del autoconsumo en una Cooperativa de Producción
Agropecuaria (CPA) se utiliza un tanque de 500 litros de capacidad para almacenar
el agua bombeada desde un pozo cercano. Dicho tanque solo posee una tubería de
entrada y 2 tuberías de salida del mismo diámetro (vea la figura). Se conoce que, si
se pone a llenar el tanque estando abiertos los dos tubos de salida, el tanque
necesita 8 horas para llenarse, pero si uno de ellos está cerrado, solo se demora 5
horas. Encuentre los flujos (en litros por hora) de entrada y de salida del tanque.
33. [Química]Un ingeniero químico posee tres soluciones A, B y C que contienen un
15%, 35% y 55% respectivamente de cierto ácido. Desea mezclar las tres soluciones,
de manera que de la solución C se use el doble que de la solución B, para obtener 50 litros de una disolución que contenga
un 36% del ácido. ¿Cuántos litros de cada solución deberá usar?
34. [Electrónica] Si dos resistencias 𝑅𝑅1 y 𝑅𝑅2 de un circuito eléctrico están conectadas en paralelo, la resistencia total 𝑅𝑅 del
circuito se calcula a través de la fórmula que relaciona las conductancias (inversos de las resistencias)
1 1 1
= +
𝑅𝑅 𝑅𝑅1 𝑅𝑅2
Teniendo en cuenta lo anterior, calcule las resistencias 𝑅𝑅1 , 𝑅𝑅2 𝑦𝑦 𝑅𝑅3 si la información con que se
cuenta es cuando solo dos de ellas están conectadas en paralelo. Así, si estuvieran conectadas
𝑅𝑅1 𝑦𝑦 𝑅𝑅2 la resistencia total sería de 68 Ω, si estuvieran conectadas 𝑅𝑅2 𝑦𝑦 𝑅𝑅3 , la resistencia total
sería de 90 Ω, y si estuvieran conectadas 𝑅𝑅1 𝑦𝑦 𝑅𝑅3 , la resistencia total sería de 50 Ω. (Ω es el Circuito con dos
símbolo de ohmio, unidad de resistencia eléctrica en el Sistema Internacional de Unidades) resistencias en paralelo

35. [Industrial] Una empresa productora de fertilizantes nitrogenados produce los tipos 𝐺𝐺1 , 𝐺𝐺2 y 𝐺𝐺3 que tienen contenidos
de nitrógeno al 35%, al 25% y al 20%, respectivamente. Se ha planteado mezclar los tres tipos para obtener 600
kilogramos de fertilizantes con un contenido de nitrógeno al 30%. Esta mezcla debe contener 125 kilogramos más del
tipo 𝐺𝐺3 que del tipo 𝐺𝐺2 . ¿Cuántos kilogramos se deben usar de cada tipo?
Página|125
Capítulo III
36. [Industrial] Una tienda se especializa en la preparación de mezclas de café para conocedores. El dueño desea preparar
bolsas de 1 kilogramo que se venderán a $359.00 CUP usando cafés Serrano, Turquino y Arriero. El precio por kilogramo
de estos tres tipos de café es de $361.25 CUP, $368.75 CUP y $342.50 CUP, respectivamente. Determine la cantidad de
cada tipo de café a mezclar, si la mezcla solo debe tener la quinta parte de café Arriero.
37. [ Mecánica] Un cuadro de 2 kg de masa cuelga de dos cables que forman los ángulos de
30° y 60° como se muestra en la figura. Calcule los valores de las tensiones 𝑇𝑇1 y 𝑇𝑇2 ,
sabiendo que la suma de ambas fuerza es modularmente igual, pero con signo contrario
a la masa del cuadro.
38. [Civil] La ley de la palanca de Arquímedes dice: dos masas en una palanca se equilibran cuando
sus pesos son inversamente proporcionales a sus distancias del punto de apoyo. Partiendo de
este principio calcule los pesos 𝑤𝑤1 , 𝑤𝑤2 , 𝑤𝑤3 y 𝑤𝑤4 para balancear las palancas de la figura.

Ejercicios 39-42. Los sistemas de ecuaciones lineales surgen de manera natural cuando los Problema 37
ingenieros estudian el 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 de cantidades (de datos, de vehículos, de carga eléctrica, de volúmenes de agua, de
mercancías, etc.) a través de una 𝑟𝑟𝑟𝑟𝑟𝑟 (de computadoras, vial, eléctrica, hidráulica, de distribución, etc.) Una red consiste
en un conjunto de puntos llamados 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛, con líneas o arcos llamados ramas que conectan a algunos o a todos los nodos.
La dirección del flujo se indica en cada rama y la cantidad de flujo se muestra por medio de una variable. El principio básico
del flujo de redes es que el flujo que entra a un nodo es igual al flujo saliente del nodo.
39. [Informática] Un ingeniero informático tiene que estudiar el flujo del tráfico en una
rotonda, para de esta forma poder programar los semáforos antes y después de
esta. Suponga que el tráfico se mueve en dirección mostrada. Encuentre la
solución general del flujo de la red y el mínimo valor posible para 𝑥𝑥6 .
40. [Eléctrica] Se quiere conocer los flujos de corriente en la siguiente red eléctrica.
Establezca el sistema de ecuaciones lineales y resuelva. ¿Cuál es el flujo mínimo
Problema 39
para 𝑥𝑥4 y cuando este se produce?
41. El siguiente diagrama reproduce una red de calles de una sola vía con el flujo de tráfico en las direcciones indicadas.
El número de carros está dado como promedio de carros por hora. Construya un modelo matemático del flujo de
tráfico. Si la calle que va de 𝐶𝐶 a 𝐴𝐴 estuviera en reparación, ¿cuál sería el mínimo tráfico que se podría permitir? ¿Cómo
podría obtenerse este mínimo?

Problema 40

Problema 40
Página|126
Capítulo III
42. [Metalurgia] Un aspecto importante en el estudio de la Transferencia de
Calor es determinar la temperatura en estado estable de una placa
delgada cuando se conocen las temperaturas alrededor de la placa.
Suponga que la figura representa una sección transversal de la placa. Si la
temperatura de un nodo es el promedio de las 4 temperaturas más
cercanas a él, o sea la temperatura de arriba, abajo y a cada lado. Sean
𝑇𝑇1 , 𝑇𝑇2 , 𝑇𝑇3 y 𝑇𝑇4 las temperaturas interiores de los nodos de la red diga cuales
son sus valores.
Ejercicios 43-45. Balancea las siguientes reacciones químicas utilizando Sistemas de Ecuaciones Lineales:
43. 𝑥𝑥CH4 + 𝑦𝑦O2 → 𝑧𝑧CO2 + 𝑢𝑢H2 O
44. 𝑥𝑥B2 S3 + 𝑦𝑦H2 O → 𝑧𝑧H3 BO3 + 𝑢𝑢H2 S
45. 𝑥𝑥KMnO4 + 𝑦𝑦MnSO4 + 𝑧𝑧H2 O → 𝑢𝑢MnO2 + 𝑣𝑣K 2 SO4 + 𝑤𝑤H2 SO4
 Página|127
Capítulo III

Respuestas a los Ejercicios Propuestos

Respuestas del 1-4:
3
5 5 𝑥𝑥 = 𝑥𝑥 = −4
𝑥𝑥 = 𝑥𝑥 = 2
6 3
1) � 1 2) � 2 3) �𝑦𝑦 = 4 4) �𝑦𝑦 = 13
𝑦𝑦 = − 𝑦𝑦 = − 7 𝑧𝑧 = −1
6 3 𝑧𝑧 = −
2

5) El SEL es compatible si − 2𝑎𝑎 − 𝑏𝑏 + 𝑐𝑐 = 0

6) Utilizando el Teorema de Cramer se puede probar que el SEL es compatible determinado para cualesquiera términos independientes
a y b.

Respuestas del 7-9:

8 −6 −2 −1 0 0
7) 𝑋𝑋 = � � 8) 𝑋𝑋 = � � 9) 𝑋𝑋 = � �
2 0 1 2 −1 2
65
10) Se encuentran en 𝑡𝑡 = ℎ (en 1 hora y 54 min). El automóvil que salió de A ha recorrido 181,6 𝑘𝑘𝑘𝑘 y el que salió de B 143,4 𝑘𝑘𝑘𝑘.
34
Respuestas del 11-15:
31 1
𝑥𝑥1 = −6 − 53𝑥𝑥4 𝑥𝑥 = 1 ⎧𝑥𝑥 = 27 + 27 𝑢𝑢 𝑥𝑥 = 𝑦𝑦 −
51 41
𝑥𝑥 = −2 − 21𝑥𝑥4 𝑥𝑥 = −4 ⎪ 32 46 8 4
𝑦𝑦 = −1
11) � 2 𝑥𝑥4 ∈ ℝ 12) �𝑦𝑦 = 2 13) � 14) 𝑦𝑦 = 27 − 27 𝑢𝑢 𝑢𝑢 ∈ ℝ 15) �𝑦𝑦 = 𝑦𝑦 𝑦𝑦 ∈ ℝ
𝑥𝑥3 = 1 + 5𝑥𝑥4 𝑧𝑧 = 0 ⎨ 8 2 15 19
𝑧𝑧 = 7 ⎪𝑧𝑧 = 9 + 9 𝑢𝑢 𝑧𝑧 = − 𝑦𝑦
𝑥𝑥4 = 𝑥𝑥4 𝑤𝑤 = 2 2 4
⎩𝑢𝑢 = 𝑢𝑢
Respuestas del 16-19:
𝑥𝑥1 = −
11
𝑥𝑥3 𝑥𝑥1 = −8
7 𝑥𝑥1 = 1
𝑥𝑥2 = 3 + 𝑥𝑥4
16) � 𝑥𝑥 = − 𝑥𝑥 1 𝑥𝑥3 ∈ ℝ 17) �𝑥𝑥2 = 2 18) 𝑆𝑆 = ∅ 19) � 𝑥𝑥4 ∈ ℝ
2 7 3 𝑥𝑥3 = 6 + 2𝑥𝑥4
𝑥𝑥3 = 1
𝑥𝑥3 = 𝑥𝑥3 𝑥𝑥4 = 𝑥𝑥4
13 5
20) Se intersecan en el punto �− ,− �
7 7
1 1
21) Incompatible para α = − . Determinado para α ≠ − . No existe α para que sea indeterminado.
10 10
22) Incompatible para α = ±1. Determinado para α ≠ ±1. No puede ser indeterminado
23) Incompatible para α = −3. Indeterminado para α = 3. Determinado para α ≠ ±3.
24) Compatible para α ∈ K (ℝ o ℂ). Indeterminado para α = 16. Determinado para α ≠ 16.
1
−23 −16
3
−1
25) 𝐴𝐴 = �0 1 0�
0 0 12
26) 𝐴𝐴 = 2; 𝐵𝐵 = 3; 𝐶𝐶 = −1
Respuestas de 27-31:
𝑥𝑥 2 +2𝑥𝑥−1 1/5 −1/10 1/2 1 1 1 𝑥𝑥 4 −𝑥𝑥 3 −𝑥𝑥−1 1 2 2
27) = + + = − + 28) = 𝑥𝑥 + + −
2𝑥𝑥 3 +3𝑥𝑥 2 −2𝑥𝑥 2𝑥𝑥−1 𝑥𝑥+2 𝑥𝑥 5(2𝑥𝑥−1) 10(𝑥𝑥+2) 2𝑥𝑥 𝑥𝑥 3 −𝑥𝑥 2 𝑥𝑥 2 𝑥𝑥 𝑥𝑥−1

𝑥𝑥 2 1 4 𝑥𝑥 3 +𝑥𝑥 2 +𝑥𝑥+2 𝑥𝑥 1 2𝑥𝑥 4 −10𝑥𝑥 3 +7𝑥𝑥 2 +4𝑥𝑥+3 3 1 2 𝑥𝑥−3

29) = − 30) = + 31) = + − +
𝑥𝑥 3 +5𝑥𝑥 2 +8𝑥𝑥+4 𝑥𝑥+1 (𝑥𝑥+2)2 𝑥𝑥 4 +3𝑥𝑥 2 +2 𝑥𝑥 2 +2 𝑥𝑥 2 +1 𝑥𝑥 5 −2𝑥𝑥 3 +2𝑥𝑥 2 −3𝑥𝑥+2 𝑥𝑥+2 (𝑥𝑥−1)2 𝑥𝑥−1 𝑥𝑥 2 +1

32) El flujo de entrada es de 137.5 litros por hora y el de salida es de 75 litros por hora.
33) Se debe usar 10.625 L de la solución A, 26.25 L de la solución B y 13.125 L de la solución C.
30600 30600 30600
34) Las resistencias son: 𝑅𝑅1 = ≈ 84,765 Ω, 𝑅𝑅2 = ≈ 343,820 Ω y 𝑅𝑅3 = ≈ 121,912 Ω
361 89 251
35) Se deben usar 385 kilogramos del fertilizante 𝐺𝐺1 , 170 kilogramos del fertilizante 𝐺𝐺2 y 45 kilogramos del fertilizante 𝐺𝐺3 .
36) La composición de la mezcla debe ser: 3/5 partes de café Serrano, 1/5 parte de café Turquino y 1/5 de café Arriero.
49 49√3
37) 𝑇𝑇1 = 𝑁𝑁; 𝑇𝑇2 = 𝑁𝑁
5 5
Página|128
Capítulo III
392 56 9
38) 𝑤𝑤1 = 𝑤𝑤4 ; 𝑤𝑤2 = 𝑤𝑤4 ; 𝑤𝑤3 = 𝑤𝑤4 ; 𝑤𝑤4 ∈ ℝ
75 25 5
Respuestas de 39-41:
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑥𝑥1 = 100 + 𝑥𝑥6 El mínimo valor de 𝑥𝑥4 = 500
ℎ𝑜𝑜𝑜𝑜𝑜𝑜
⎧𝑥𝑥 = 𝑥𝑥 𝑥𝑥1 = 𝑥𝑥5 − 10
⎧𝑥𝑥 = 30 − 𝑥𝑥 𝑥𝑥1 = 𝑥𝑥4 − 100 y para que esto ocurra
⎪ 2 6
⎪ 2 5 El valor mínimo de 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑥𝑥3 = 50 + 𝑥𝑥6 𝑥𝑥 = 𝑥𝑥4 − 400 ⎧𝑥𝑥1 = 400 ℎ𝑜𝑜𝑜𝑜𝑜𝑜
39) 40) 𝑥𝑥3 = 𝑥𝑥5 − 5 𝑥𝑥4 = 25 y ocurre 41) � 2 ⎪
⎨𝑥𝑥4 = 𝑥𝑥6 − 70 ⎨𝑥𝑥 = 15 + 𝑥𝑥 cuando 𝑥𝑥5 = 10.
𝑥𝑥3 = 𝑥𝑥4 − 500
𝑥𝑥2 = 100
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
⎪𝑥𝑥5 = 80 + 𝑥𝑥6 ⎪ 4 5
𝑥𝑥4 ≥ 500 ℎ𝑜𝑜𝑜𝑜𝑜𝑜
.
⎩𝑥𝑥5 ≥ 10 ⎨
⎩𝑥𝑥6 ≥ 70 ⎪𝑥𝑥3 = 0 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
⎩ ℎ𝑜𝑜𝑜𝑜𝑜𝑜
649 677 599 547
42) 𝑇𝑇1 = 24
℃; 𝑇𝑇2 =
24
℃; 𝑇𝑇3 =
24
℃; 𝑇𝑇4 =
24
℃.
Respuestas de 43-45: Ecuaciones balanceadas
43) CH4 + 2O2 → CO2 + 2H2 O
44) B2 S3 + 6H2 O → 2H3 BO3 + 3H2 S
45) 2KMnO4 + 3MnSO4 + 2H2 O → 5MnO2 + K 2 SO4 + 2H2 SO4 .
Página|129
Capítulo IV

Capítulo IV: Espacios Vectoriales

Sumario del Capítulo
• Una mirada retrospectiva a los dominios numéricos
• La operación producto cartesiano de dos conjuntos
 El conjunto ℝ𝑛𝑛 como producto cartesiano
 Principales subconjuntos de ℝ𝑛𝑛
Para finalizar
 Subconjuntos de ℝ𝑛𝑛 expresados a través de desigualdades • Preguntas teóricas
• Operaciones y estructuras algebraicas. El cuerpo • Ejercicios Propuestos
• Respuestas
 Operaciones
 Estructuras
• Espacio vectorial
 El concepto de espacio vectorial sobre un cuerpo
 Ejemplos de espacios vectoriales
 El espacio vectorial real ℝ𝑛𝑛
 Conjuntos finitos de vectores
 Subespacios vectoriales
• Espacios vectoriales euclídeos, normados y métricos
 La operación producto escalar. Propiedades. Ortogonalidad. Conjuntos ortogonales. El producto escalar
euclidiano en el espacio vectorial ℝ𝑛𝑛 . Complemento ortogonal de un subconjunto de ℝ𝑛𝑛 .
 La operación norma de un vector. Propiedades. Norma inducida en espacios euclídeos. Vectores unitarios.
Conjuntos ortonormales. La norma euclidiana en el espacio vectorial ℝ𝑛𝑛
 La operación distancia entre dos vectores. Propiedades. Distancia inducida en espacios euclídeos. La distancia
euclidiana en el espacio vectorial ℝ𝑛𝑛
• Conclusiones del Capítulo

Objetivos
Al finalizar el estudio del Capítulo debes poder:
1. Determinar si un conjunto en que se han definido una operación interna entre sus elementos (vectores) y una
operación externa (multiplicación por un escalar del cuerpo K) es o no un espacio vectorial sobre el cuerpo K.
2. Identificar por la definición o utilizando la caracterización si un subconjunto de un espacio vectorial es o no un
subespacio vectorial del mismo.
3. Expresar un vector como combinación lineal de los vectores de un conjunto o sistema dado de vectores del espacio.
4. Identificar si un vector pertenece o no a un subespacio vectorial.
5. Hallar operaciones de intersección y unión de subespacios vectoriales.
6. Determinar la relación de inclusión que exista o no entre dos subespacios vectoriales.
7. Hallar el producto escalar euclidiano, la norma euclidiana y la distancia euclidiana entre dos vectores de ℝ𝑛𝑛 .
8. Determinar si dos vectores son ortogonales o no.
9. Determinar si un vector es unitario, hallar un vector unitario múltiplo escalar de uno dado.
Página|130
Capítulo IV
10. Determinar si un subconjunto de ℝ𝑛𝑛 es ortogonal o no, u ortonormal o no.
11. Hallar el complemento ortogonal de un conjunto en ℝ𝑛𝑛 .

Requisitos previos
Para comenzar el estudio de este Capítulo y poder aprovechar al máximo el mismo, el lector debe dominar el trabajo
aritmético y algebraico con números reales y complejos, las operaciones del álgebra de matrices, el cálculo de determinantes,
así como las propiedades y operaciones con vectores geométricos bidimensionales y tridimensionales estudiados en el tema
de Geometría Analítica.
La mayoría de los contenidos asociados a los vectores geométricos tendrán una generalización a los espacios vectoriales ℝ𝑛𝑛
en el presente capítulo, por tanto un conocimiento profundo de ello, te abrirá las puertas para entender, generalizar y
sistematizar lo aprendido con enfoque geométrico con antelación.
Entre esos contenidos a los que hacemos referencia están:
1. Vector de posición de un punto. Vector entre dos puntos. Vector nulo
2. Componentes de un vector.
3. Norma o módulo de un vector
4. Vector unitario. Normalización de un vector
5. Vectores canónicos del plano y del espacio
6. Adición y sustracción de vectores. Propiedades
7. Multiplicación de un vector por un escalar real. Propiedades
8. Relación de paralelismo entre dos vectores múltiplos escalares
9. Producto escalar de dos vectores. Propiedades.
10. Ángulo entre dos vectores. Vectores ortogonales. Conjuntos ortogonales. Conjuntos ortonormales
11. Distancia entre dos puntos del plano o del espacio.
Página|131
Capítulo IV

Una mirada retrospectiva a los dominios numéricos

En tus estudios anteriores aprendiste a trabajar y resolver problemas matemáticos sobre los denominados 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
𝑛𝑛𝑛𝑛𝑛𝑛é𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, o sea, aquellos conjuntos de números que constituían el universo numérico donde tenían sentido las operaciones
aritméticas y algebraicas que aparecían en los ejercicios y problemas abordados en las clases y en el libro de texto. Asimismo,
un conjunto numérico, para ser asumido como dominio numérico, debía satisfacer que las operaciones directas de adición y
multiplicación fueran 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 en dicho conjunto, o sea, el resultado de las mismas fuera también un elemento
del conjunto al que pertenecían los números con los cuales se operaba.
Llegado determinado momento, el dominio numérico vigente se hacía insuficiente para resolver ciertos problemas y surgía
la necesidad de su ampliación, de manera que se conservaran los procedimientos de cálculo y los resultados más importantes
aprendidos en el manejo de los números del dominio conocido. En esos momentos de ruptura y de ampliación se siguió la
siguiente lógica:
1er dominio numérico: ℕ, conjunto de los números naturales
Conjunto de los números que sirven para contar la cantidad de elementos que posee un conjunto finito de ellos.
Sin embargo, con pequeñas precisiones y acomodos, dicho conjunto puede servir de modelo para representar ideas más
complejas y abstractas; a saber:
• Poder “contar” también los elementos de conjuntos que tengan infinitos elementos y que por su estructura sean
semejantes a ℕ: los conjuntos numerables.
• Poder “contar” la ausencia de elementos en un conjunto: el conjunto vacío.
De esa manera se incorpora el número 0 a ℕ, que inicialmente no lo tenía y se dice que ℕ representa el conjunto de los
números cardinales, o sea, los números que establecen la cantidad de elementos que posee un conjunto cuyos elementos
se puedan contar.
En este libro se va a considerar ℕ = 0,1,2,3, ⋯ y cuando se desee excluir el 0, se escribirá ℕ∗ o ℕ\{0}.
ℕ contiene al 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 de la multiplicación, el 1, denominado 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢, de forma tal que todo
elemento 𝑛𝑛 ∈ ℕ, cumple que 1 ∙ 𝑛𝑛 = 𝑛𝑛. Al incluirse el 0 en ℕ, se incorporó, no solo la posibilidad de asignar un número a
la ausencia de elementos, sino además de incorporar al conjunto el elemento neutro de la adición, que llamaremos
𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑜𝑜, de forma tal que todo elemento 𝑛𝑛 ∈ ℕ, cumple que 𝑛𝑛 + 0 = 𝑛𝑛.
Al ser ℕ un conjunto con una cantidad infinita de elementos, su propio cardinal no está incluido y suele denotarse por la
letra del alfabeto hebreo ℵ que se lee “𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎”. Así, cualquier conjunto numerable de infinitos elementos, como por
ejemplo los números pares, los impares, los primos, entre otros, se dice que tienen la misma cardinalidad que ℕ.
Como se sabe, en ℕ siempre tienen solución la adición y la multiplicación, pero sus respectivas operaciones inversas se
resuelven limitadamente. Para tratar de resolver esos dos problemas, surgen dos posibles caminos de ampliación de ℕ:
lograr que la sustracción siempre sea posible y nos conduce al conjunto de los números enteros y lograr que la división
siempre sea posible, salvo por cero, y nos conduce al conjunto de los números fraccionarios y posteriormente al de los
números racionales. Esta última fue la ampliación que ocurrió en la cultura greco-latina en la Antigüedad y que motivó
que muy tardíamente aparecieran los números negativos en Europa. En la enseñanza primaria también se sigue esa
lógica.
No obstante, acá se seguirá la otra, debido a la inclusión del conjunto de los números enteros en el de los racionales y no
viceversa.
Página|132
Capítulo IV
2do dominio numérico: ℤ, conjunto de los números enteros
Conjunto de los números que sirven para construir escalas o contraponer el débito y el haber, entre otras aplicaciones.
ℤ puede ser descrito como ℤ = ℕ ∪ (−ℕ), o sea, el conjunto de todos los números naturales (incluyendo al cero) y sus
opuestos. En muchas ocasiones suele hablarse de los 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 para referirse a los que llamamos acá
números naturales y 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 si se desea considerar a los negativos y al cero en dicho subconjunto.
En ℤ siempre tienen solución la adición y su operación inversa, la sustracción. ℤ conserva al elemento neutro de la
adición, el 0 y además garantiza que todo elemento tenga dentro del propio ℤ a su elemento opuesto, o sea, para 𝑝𝑝 ∈ ℤ,
se cumple que 𝑝𝑝 + 0 = 𝑝𝑝 y además 𝑝𝑝 + (−𝑝𝑝) = 𝑝𝑝 − 𝑝𝑝 = 0.
Así, los números naturales adoptan la forma de números enteros si se le antepone un signo + (lo que justifica que se
pueda omitir el signo en el caso de los enteros positivos), y a sus opuestos bastará considerarlos antecedidos de un
signo −, tal convenio excluye al 0 que es el único número entero que es su propio opuesto.
ℤ resolvió el problema de la sustracción y conservó al elemento unidad, pues todo elemento 𝑝𝑝 ∈ ℤ, cumple que 1 ∙ 𝑝𝑝 = 𝑝𝑝,
pero no resolvió el problema de la división, por ello es necesaria una ampliación que lo resuelva.
3er dominio numérico: ℚ, conjunto de los números racionales
Conjunto de los números que sirven para trabajar con escalas más precisas, al poder hacer subdivisiones de la medida
considerada 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚. Es el conjunto de los conmensurables.
ℚ suele definirse a partir de ℤ como el conjunto de los números que se pueden escribir como una fracción de la forma
𝑝𝑝
donde 𝑝𝑝 y 𝑞𝑞 son números enteros y 𝑞𝑞 ≠ 0. Así, los números enteros pueden considerarse números racionales de
𝑞𝑞
𝑝𝑝
denominador 1, a saber: 𝑝𝑝 =
1

En ℚ tienen solución todas las operaciones aritméticas, las directas y sus inversas, salvo la división por cero. Al tener
solución siempre la división, todo elemento de ℚ posee dentro de dicho conjunto a su recíproco, 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 de
la multiplicación. El único elemento que no posee inverso es el 0, que es el elemento neutro de la adición.
¿Qué problema faltaría por resolver? A pesar de que las operaciones aritméticas siempre tienen solución en ℚ, no así la
radicación y la logaritmación, operaciones inversas de la potenciación. Nuevamente aparecen dos disyuntivas.
Si se amplía ℚ a un conjunto donde siempre tengan solución las ecuaciones algebraicas de cualquier grado, quedarán
por resolver, no obstante, los problemas de logaritmación. Luego, en la enseñanza media se procedió a ampliar al
conjunto ℚ al conjunto de los números reales, conjunto que apareció bastante tardíamente en la historia de la
matemática, pues aunque ya se conocían números como √2 y 𝜋𝜋, entre otros cuantos, desde la Antigüedad, estos no
conformaban parte del dominio numérico donde se resolvían los problemas.
4to dominio numérico: ℝ, conjunto de los números reales
Conjunto que puede ser descrito como la unión de todos los números algebraicos y los trascendentes. Los primeros,
incluyen a los racionales e irracionales algebraicos (como √2) y los segundos a aquellos “que trascienden la potencia
del Álgebra” como es el caso de 𝜋𝜋.
El conjunto de los números reales viene a complementar la recta numérica, la cual ℚ no pudo completar por la
existencia de los números irracionales, que constituyen su complemento. Los números irracionales no constituyen un
dominio numérico en sí mismo, pues a diferencia de los números naturales, enteros y racionales, la multiplicación de
dos irracionales no siempre da como resultado un número irracional. Por ejemplo: √2√2 = 2 y 2 es un número
racional.
Sin embargo, ℝ si constituye un dominio numérico porque resuelve este problema al incluir a racionales e irracionales.
Página|133
Capítulo IV
Los números reales, admiten la representación decimal de la forma 𝑎𝑎0 , 𝑎𝑎1 𝑎𝑎2 ⋯ donde 𝑎𝑎0 es un número entero, que
coincide con la llamada parte entera del número real si este es positivo y los números 𝑎𝑎𝑖𝑖 son dígitos. La sucesión
𝑎𝑎1 𝑎𝑎2 ⋯ será la parte fraccionaria del número real. Los números racionales, en tanto números reales, admiten también
esa representación decimal, con la característica particular de que a partir de cierto lugar decimal 𝑘𝑘, la parte
fraccionaria se descompone en parte periódica y parte no periódica. A saber:
𝑎𝑎𝑘𝑘+1 𝑎𝑎𝑘𝑘+2 ⋯ 𝑎𝑎𝑘𝑘+𝑝𝑝 denominándose período a la sucesión
𝑎𝑎1 𝑎𝑎2 ⋯ 𝑎𝑎𝑘𝑘 𝑎𝑎𝑘𝑘+1 𝑎𝑎𝑘𝑘+2 ⋯ 𝑎𝑎𝑘𝑘+𝑝𝑝 𝑎𝑎𝑘𝑘+1 𝑎𝑎𝑘𝑘+2 ⋯ 𝑎𝑎𝑘𝑘+𝑝𝑝 ⋯ = 𝑎𝑎1 𝑎𝑎2 ⋯ 𝑎𝑎𝑘𝑘 ����������������������
finita 𝑎𝑎𝑘𝑘+1 𝑎𝑎𝑘𝑘+2 ⋯ 𝑎𝑎𝑘𝑘+𝑝𝑝 , la cual se repite infinitamente. En los números irracionales tal descomposición de la parte
fraccionaria del número no existe. Por ello, los números racionales podrían describirse como números reales con
representación decimal periódica y los irracionales como números reales con representación decimal no periódica.
ℝ conserva todas las propiedades de las operaciones aritméticas de los dominios numéricos que le antecedieron, pero
aún no es un dominio numérico 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐, pues existen ecuaciones algebraicas con coeficientes
reales que no tienen solución dentro del conjunto ℝ. Baste citar la sencilla ecuación algebraica 𝑥𝑥 2 + 1 = 0 cuya
solución no es un número real.
Es necesaria una ampliación de ℝ para dar solución a este problema.
5to dominio numérico: ℂ, conjunto de los números complejos
Conjunto que puede describirse como el conjunto de los números expresados como pares ordenados de números
reales 𝑧𝑧 = (𝑥𝑥, 𝑦𝑦) cuya primera componente recibe el nombre de parte real del número 𝑧𝑧 y su segunda componente
como parte imaginaria del número 𝑧𝑧. Suele escribirse 𝑧𝑧 = 𝑥𝑥 + 𝑖𝑖𝑖𝑖 donde 𝑖𝑖 se denomina unidad imaginaria y se define
como 𝑖𝑖 = √−1.
Los números complejos aparecieron por vez primera en el proceso de resolución de las ecuaciones cúbicas, pero no
fueron considerados suficientemente en serio, porque carecían de significado para los matemáticos de esa época,
incluso se les denominó números imaginarios, término en desuso actualmente.
ℂ es un dominio numérico algebraicamente cerrado, pues toda ecuación algebraica con coeficientes complejos
encuentra solución dentro del propio conjunto ℂ. Este importante resultado se conoce como Teorema Fundamental del
Álgebra.
Los números complejos constituyen el campo de trabajo de las matemáticas puras y aplicadas, así como de la Física, en
particular el electromagnetismo y la mecánica cuántica. Su uso es indispensable en las carreras del perfil eléctrico, por
su utilidad para representar las ondas electromagnéticas y la corriente eléctrica.
Los números complejos pueden ser representados como pares ordenados, en forma matricial, en forma binómica y en
forma polar o trigonométrica.

Inmersión isomorfa de un dominio numérico en otro

Si ℤ+ es el conjunto de los enteros no negativos, entonces ℤ+ ~ℕ, representando el símbolo ~ en este caso, que las
operaciones de adición y multiplicación tienen las mismas propiedades y sus resultados son análogos en ambos conjuntos.
Eso permite hacer el convenio de omitir el signo + de los números enteros positivos pues quedará sobreentendido, al tener
el mismo comportamiento ante las operaciones descritas que el correspondiente número natural. En símbolos: +𝑝𝑝 = 𝑛𝑛
Si denotáramos como ℚ𝑒𝑒𝑒𝑒𝑒𝑒. al conjunto de los racionales con denominador 1, entonces ℚ𝑒𝑒𝑒𝑒𝑒𝑒. ~ℤ, representando el símbolo
~ en este caso, que las operaciones de adición y multiplicación tienen las mismas propiedades y sus resultados son análogos
en ambos conjuntos. Eso permite hacer el convenio de omitir el denominador 1 de los números racionales enteros, pues
quedará sobreentendido, al tener el mismo comportamiento ante las operaciones descritas que el correspondiente número
𝑝𝑝
entero. En símbolos: 𝑟𝑟 = = 𝑝𝑝
1
Página|134
Capítulo IV
Si ℝ𝑟𝑟𝑟𝑟𝑟𝑟. es el conjunto de los reales con representación decimal periódica, entonces ℝ𝑟𝑟𝑟𝑟𝑟𝑟. ~ℚ, representando el símbolo ~ en
este caso, que las operaciones de adición y multiplicación tienen las mismas propiedades y sus resultados son análogos en
ambos conjuntos. Eso permite la equivalencia en las dos representaciones de un número racional y la transformación de una
𝑝𝑝
forma a otra, ya que para cualquier racional 𝑟𝑟 = existe una representación decimal periódica y viceversa.
𝑞𝑞
𝑝𝑝
En símbolos: 𝑥𝑥 = 𝑎𝑎1 𝑎𝑎2 ⋯ 𝑎𝑎𝑘𝑘 ����������������������
𝑎𝑎𝑘𝑘+1 𝑎𝑎𝑘𝑘+2 ⋯ 𝑎𝑎𝑘𝑘+𝑝𝑝 = = 𝑟𝑟
𝑞𝑞

Si ℂ𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = {𝑥𝑥 + 𝑦𝑦𝑦𝑦|𝑥𝑥 ∈ ℝ; 𝑦𝑦 = 0} es el conjunto de los números complejos con parte imaginaria igual a cero, entonces
ℂ𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 ~ℝ, representando el símbolo ~ en este caso, que las operaciones de adición y multiplicación tienen las mismas
propiedades y sus resultados son análogos en ambos conjuntos. Eso permite escribir un número complejo 𝑧𝑧 = 𝑥𝑥 + 𝑦𝑦𝑦𝑦 con
parte imaginaria cero como un número real, o sea, sin hacer alusión a la parte imaginaria. En símbolos: 𝑧𝑧 = 𝑥𝑥 + 0𝑖𝑖 = 𝑥𝑥
Si en realidad la relación de inclusión es: ℤ+ ⊂ ℤ, ℚ𝑒𝑒𝑒𝑒𝑒𝑒 ⊂ ℚ, ℝ𝑟𝑟𝑟𝑟𝑟𝑟 ⊂ ℝ y finalmente ℂ𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 ⊂ ℂ, si sustituimos a los conjuntos
ℤ+ por ℕ, ℚ𝑒𝑒𝑒𝑒𝑒𝑒 por ℤ, ℝ𝑟𝑟𝑟𝑟𝑟𝑟 por ℚ y ℂ𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 por ℝ, entonces tiene sentido la cadena de inclusiones:
ℕ⊂ℤ⊂ℚ⊂ℝ⊂ℂ

Ejemplo 1
Representar al número natural 3 como entero, racional, real y complejo.
Solución:
A partir de lo discutido, son ciertas las siguientes igualdades:
3
3 = +3 = + = +3, 0� = +3, 0� + 0𝑖𝑖 ∎
1

Claro está, en la práctica se asume la más simple de todas las posibles respresentaciones.
Página|135
Capítulo IV

La operación producto cartesiano

El conjunto ℝ𝒏𝒏 como producto cartesiano
Para comprender cabalmente los conceptos de relación, aplicación y operación se considera necesario construir el concepto
de producto cartesiano con el cual se comenzarán a abordar los presentes conocimientos previos. Las nociones elementales
de la Teoría de Conjuntos se considerarán conocidas por el lector.

Definición (Producto cartesiano)

Se denomina producto cartesiano de dos conjuntos no vacíos A y B, al conjunto de todos los pares ordenados (𝑎𝑎, 𝑏𝑏) cuya primera
componente es un elemento de A y cuya segunda componente es un elemento de B.
En símbolos: 𝐴𝐴 × 𝐵𝐵 = {(𝑎𝑎, 𝑏𝑏)|𝑎𝑎 ∈ 𝐴𝐴 𝑦𝑦 𝑏𝑏 ∈ 𝐵𝐵}

Tal concepto tiene sus orígenes en la concepción cartesiana 1 de introducir un sistema de ejes rectangulares en un plano y
tratar de resolver los problemas geométricos a través de las técnicas y procedimiento del Álgebra, tras lo cual surgió la
Geometría Analítica. De esa forma, se establece una correspondencia biyectiva del conjunto de todos los puntos del plano
con el conjunto de todos los pares ordenados de números reales. Basta formar los pares (𝑥𝑥, 𝑦𝑦) con la condición que la abscisa
o primera coordenada sea un número real situado en la recta numérica denominada eje X y la ordenada o segunda
coordenada, un número real situado en la recta numérica denominada eje Y. En tal sentido, suele hablarse del “plano XY”,
identificando así al lugar geométrico de todos los puntos con coordenadas cartesianas descritas como se hizo anteriormente.
En símbolos: ℝ × ℝ = ℝ2 = {(𝑥𝑥, 𝑦𝑦)|𝑥𝑥 ∈ ℝ ; 𝑦𝑦 ∈ ℝ}
La notación 𝐴𝐴2 es una abreviatura cómoda para simplificar la notación cuando se forma el producto cartesiano de un conjunto
𝐴𝐴 consigo mismo. En el caso anterior, ℝ × ℝ = ℝ2 . Por extensión cuando se alude al plano XY se suele hablar de ℝ2 .
A continuación dos ejemplos de conjuntos productos cartesianos, representados gráfica y analíticamente.

Ejemplo 2

{2,3,4,5} × {1,2} = {(2,1); (2,2); (3,1); (3,2); (4,1); (4,2); (5,1); (5,2)}
Conjunto [𝑎𝑎, 𝑏𝑏] × [𝑐𝑐, 𝑑𝑑] ∎
Una extensión de la definición anterior sería la siguiente:
Sean los conjuntos no vacíos 𝐴𝐴1 , 𝐴𝐴2 , … , 𝐴𝐴𝑛𝑛 . Se denomina producto cartesiano de los conjuntos 𝐴𝐴𝑖𝑖 (𝑖𝑖 = 1, … , 𝑛𝑛) al
conjunto ℘ = 𝐴𝐴1 × 𝐴𝐴2 × … × 𝐴𝐴𝑛𝑛 = {(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 )|𝑥𝑥𝑖𝑖 ∈ 𝐴𝐴𝑖𝑖 }

1
Relativa a René Descartes (1596-1650) filósofo, matemático y físico francés, considerado el padre de la Geometría Analítica.
Página|136
Capítulo IV

Ejemplo 3
• Las coordenadas de un punto del espacio tridimensional XYZ pertenecen a ℝ3 = ℝ × ℝ × ℝ.
• El conjunto solución de un sistema de ecuaciones lineales compatible de 10 incógnitas reales, está contenido en el
espacio de soluciones ℝ10 de tal sistema de ecuaciones. ∎

Principales subconjuntos de ℝ𝒏𝒏

Entre los principales subconjuntos del producto cartesiano ℝ2 se encuentran las relaciones.

Definición (Relación)
Si bajo cierto criterio ℜ se establece una selección de elementos de un producto cartesiano ℘, entonces se está en
presencia de una 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛 ℛ. En términos conjuntistas, una relación no es más que un subconjunto de un producto
cartesiano, o sea: ℛ ⊆ ℘.

En símbolos:
ℛ = {(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 ) ∈ ℘| 𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ℜ}

Ejemplo 4
Ejemplos de relaciones son los siguientes:
Producto cartesiano: ℝ2
1) �
Relación: Conjunto de los infinitos puntos de la recta 𝑦𝑦 = 𝑥𝑥
Producto cartesiano: [2,5] × [0,2] ⊂ ℝ2
2) �
Relación: {(2,0); (2,2); (3,0); (4,0); (4,2); (5,0)}
Producto cartesiano: ℝ2
3) �
Relación: Conjunto de las coordenadas de los infinitos puntos de la circunferencia 𝑥𝑥 2 + 𝑦𝑦 2 = 4
Producto cartesiano: ℕ2
4) �
Relación: Conjunto de los números naturales y su cuadrado, {(𝑛𝑛, 𝑛𝑛2 )|𝑛𝑛 ∈ ℕ} ∎
Un tipo especial de relaciones son las aplicaciones.

Definición (Aplicación o función)

Sean dos conjuntos no vacíos cualesquiera A y B. Una aplicación 𝑓𝑓 𝑑𝑑𝑑𝑑 𝐴𝐴 𝑒𝑒𝑒𝑒 𝐵𝐵 es una relación que asocia a cada elemento
del conjunto 𝐴𝐴 un único elemento del conjunto B. El conjunto 𝐴𝐴 se denomina 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑖𝑖𝑜𝑜 𝑑𝑑𝑑𝑑 𝑓𝑓 y al conjunto 𝐵𝐵 se le denomina
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 o conjunto de llegada de 𝑓𝑓.

Así, una aplicación 𝑓𝑓 𝑑𝑑𝑑𝑑 𝐴𝐴 𝑒𝑒𝑒𝑒 𝐵𝐵 es un tipo particular de relación (relación funcional), que se caracteriza por que cada elemento
del dominio o conjunto de partida es la primera componente de un solo par ordenado del producto cartesiano 𝐴𝐴 × 𝐵𝐵.
En símbolos: 𝑓𝑓 = {(𝑥𝑥, 𝑦𝑦) ∈ 𝐴𝐴 × 𝐵𝐵| 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑥𝑥 ∈ 𝐴𝐴, 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢 ú𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑦𝑦 ∈ 𝐵𝐵, 𝑡𝑡𝑡𝑡𝑡𝑡 𝑞𝑞𝑞𝑞𝑞𝑞 𝑦𝑦 = 𝑓𝑓(𝑥𝑥)}
siendo 𝑦𝑦 = 𝑓𝑓(𝑥𝑥) una expresión simbólica de la ley (criterio) que asocia a cada elemento de 𝐴𝐴 un único elemento de 𝐵𝐵 y que
permite seleccionar los pares ordenados del producto cartesiano 𝐴𝐴 × 𝐵𝐵. Dicha ley de correspondencia puede venir expresada
como una ecuación, una tabla de valores, una gráfica o una declaración verbal.
Es usual hacer un abuso de lenguaje cuando se identifica a una función con su ley de correspondencia, por ejemplo:
Página|137
Capítulo IV

Ejemplo 5
1. La función 𝑦𝑦 = 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
2. La tabla
𝑓𝑓 0 1
0 0 0
1 0 1 ∎
En ambos casos la descripción del dominio y el 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 de la función están implícitos.
En el caso 1, se da por sentado que el 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 es el mayor conjunto, en el sentido de la inclusión, para el cual tiene sentido
la expresión 𝑠𝑠𝑠𝑠𝑠𝑠 𝑥𝑥, en este caso ℝ y el 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 puede asumirse como el propio ℝ, en tanto el valor del seno de un número
real es también un número real, no precisándose que estos particularmente se encuentran en el intervalo [−1,1], lo que se
identifica con el conjunto imagen de la función. Con más rigor, la función debió describirse como:
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠: ℝ → [−1,1]
𝑥𝑥 ↦ 𝑦𝑦 = 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
En el caso 2, se da por sentado que el dominio es el conjunto {0,1}, descrito por los elementos de la primera columna y el
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 también es el conjunto {0,1}, descritos por los elementos que aparecen en la intersección de las filas 2 y 3 y las
columnas 2 y 3. Con más rigor, la función debió describirse como:
𝑓𝑓: {0,1} × {0,1} → {0,1}
(𝑥𝑥, 𝑦𝑦) ↦ 𝑧𝑧 = 𝑓𝑓(𝑥𝑥, 𝑦𝑦) 𝑠𝑠𝑠𝑠𝑠𝑠ú𝑛𝑛 𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
Obsérvese que en ocasiones una misma aplicación puede quedar representada por más de una ley de correspondencia como
se aprecia en el siguiente ejemplo.

Ejemplo 6
1 𝑠𝑠𝑠𝑠 𝑥𝑥 = 𝑦𝑦 = 1
• En el caso 2, podía haberse definido: 𝑧𝑧 = 𝑓𝑓(𝑥𝑥, 𝑦𝑦) = �
0 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
• El caso 2 también pudo haberse definido como:
𝑓𝑓: {0,1} × {0,1} → {0,1}
(𝑥𝑥, 𝑦𝑦) ↦ 𝑧𝑧 = 𝑓𝑓(𝑥𝑥, 𝑦𝑦) = 𝑥𝑥. 𝑦𝑦
𝑥𝑥 𝑠𝑠𝑠𝑠 𝑥𝑥 ≥ 0
• En el caso del valor absoluto de un número real, puede definirse: |𝑥𝑥| = � o |𝑥𝑥| = √𝑥𝑥 2 ∎
−𝑥𝑥 𝑠𝑠𝑠𝑠 𝑥𝑥 < 0
El término aplicación suele reservarse para aquellas relaciones funcionales entre conjuntos de diferente naturaleza y en
particular entre conjuntos no numéricos, mientras que para estos últimos se reserva el término función 2. Se debe al
matemático alemán Dirichlet la definición moderna de función numérica.
Así, se prefiere usar el término función para aplicaciones como la del caso 1 y el término aplicación para las del caso 2 u otras.
El caso 2 también puede ser denominada una operación entre elementos del conjunto {0,1}.

2
El término función, así como los términos variable, constante y parámetro fueron introducidos por Leibniz en el siglo XVII, mientras que
un poco después, ya en el siglo XVIII Clairaut y Euler introducen la notación 𝑓𝑓(𝑥𝑥) para denotar una función, según el concepto que de
ellas había en la época.
Página|138
Capítulo IV

Subconjuntos de ℝ𝒏𝒏 expresados a través de desigualdades

Es usual representar a determinados subconjuntos de un producto cartesiano a través de desigualdades. En Geometría
Analítica es muy común hacerlo cuando se trata de regiones del plano XY o del espacio XYZ.

Rectángulos de ℝ𝒏𝒏
El producto cartesiano de dos intervalos de números reales, representa geométricamente la región interior de un rectángulo
y su frontera estará incluida o no, o parcialmente incluida.
Si incluye la frontera o perímetro del rectángulo, entonces dicha región puede representarse analíticamente como el producto
cartesiano de los intervalos cerrados [𝑎𝑎, 𝑏𝑏] × [𝑐𝑐, 𝑑𝑑].
Si por el contrario los puntos de ordenada 𝑑𝑑 no estuvieran incluidos en el rectángulo, la
representación analítica sería: [𝑎𝑎, 𝑏𝑏] × [𝑐𝑐, 𝑑𝑑)
Asimismo, si el rectángulo no contuviera a su perímetro, entonces la representación sería el
producto cartesiano de dos intervalos abiertos, con lo que se podría hablar de un
𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎. A saber: (𝑎𝑎, 𝑏𝑏) × (𝑐𝑐, 𝑑𝑑)
Expresando este último producto cartesiano de intervalos reales a través de desigualdades,
se escribiría: (𝑎𝑎, 𝑏𝑏) × (𝑐𝑐, 𝑑𝑑) = {(𝑥𝑥, 𝑦𝑦)|𝑎𝑎 < 𝑥𝑥 < 𝑏𝑏; 𝑐𝑐 < 𝑦𝑦 < 𝑑𝑑; 𝑥𝑥, 𝑦𝑦 ∈ ℝ}

Análogamente, podrían definirse regiones rectangulares del espacio tridimensional XYZ, las que serían denominadas
𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑 ℝ𝟑𝟑 . O sea, un ortoedro con caras paralelas a los planos coordenados es un rectángulo de ℝ3 .
Un rectángulo abierto de ℝ3 se representaría simbólicamente como:
(𝑎𝑎, 𝑏𝑏) × (𝑐𝑐, 𝑑𝑑) × (𝑒𝑒, 𝑓𝑓) = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 |𝑎𝑎 < 𝑥𝑥 < 𝑏𝑏; 𝑐𝑐 < 𝑦𝑦 < 𝑑𝑑; 𝑒𝑒 < 𝑦𝑦 < 𝑓𝑓}
Asimismo, el rectángulo pudiera contener a algunas de sus caras o a todas. En este último
caso se hablaría de un 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 de ℝ3 :
[𝑎𝑎, 𝑏𝑏] × [𝑐𝑐, 𝑑𝑑] × [𝑒𝑒, 𝑓𝑓] = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 |𝑎𝑎 ≤ 𝑥𝑥 ≤ 𝑏𝑏; 𝑐𝑐 ≤ 𝑦𝑦 ≤ 𝑑𝑑; 𝑒𝑒 ≤ 𝑦𝑦 ≤ 𝑓𝑓}

Análogamente, podrá hacerse una generalización a cualquier producto cartesiano ℝ𝑛𝑛 y aunque para 𝑛𝑛 > 3 no tiene sentido
geométrico, se continuará denominando 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑 ℝ𝑛𝑛 a un conjunto, que en su expresión general es:
[𝑎𝑎1 , 𝑏𝑏1 ] × ⋯ × [𝑎𝑎𝑛𝑛 , 𝑏𝑏𝑛𝑛 ] = {(𝑥𝑥1 , ⋯ 𝑥𝑥𝑛𝑛 ) ∈ ℝ𝑛𝑛 |∀𝑛𝑛 ∈ ℕ∗ : 𝑎𝑎𝑛𝑛 ≤ 𝑥𝑥𝑛𝑛 ≤ 𝑏𝑏𝑛𝑛 }
Entrarás una cabal justificación a
Observa que en la representación simbólica anterior, se incluye el caso 𝑛𝑛 = 1, las denominaciones 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
incluyéndose dentro de la denominación de rectángulos a los intervalos de ℝ, aunque 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 y 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
evidentemente estén bien alejados de la imagen geométrica que tenemos de un cuando estudies elementos de
rectángulo. topología en ℝ𝑛𝑛

Otras regiones del plano

Regiones de “geometría” menos sencilla que la de un rectángulo tendrán que ser descritas a través de inecuaciones, pues los
valores extremos de las variables acotadas no necesariamente son constantes, pueden depender de las restantes variables.

Ejemplo 7
El conjunto de puntos del plano XY que se encuentran por debajo de la recta 𝑦𝑦 = 𝑥𝑥.
Solución:
ℛ = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 | 𝑦𝑦 < 𝑥𝑥} ∎
Página|139
Capítulo IV
Para encontrar la desigualdad anterior bastó interpretar el término “por debajo”, pues como los ejes están orientados, las
posiciones arriba y abajo están referidos a la variable 𝑦𝑦, la cual debe ser la variable despejada en la ecuación de la restricción
que establece el límite de la región y pasar de la ecuación a la inecuación.

Ejemplo 8
La región 𝑅𝑅 de los puntos del plano XY que se encuentran limitados por la parábola de ecuación 𝑦𝑦 = 𝑥𝑥 2 , incluyéndola a ella,
y entre los cuales se encuentra el punto (1,2) será la región que analíticamente se representa como:
Gráficamente Analíticamente en notación constructiva

𝑅𝑅 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 | 𝑦𝑦 ≥ 𝑥𝑥 2 }

En este caso, la información está asociada a la pertenencia de un punto de la región. Como la parábola 𝑦𝑦 = 𝑥𝑥 2 divide en plano
XY en dos regiones, si se conoce un punto que pertenece a la región referida, bastará localizar el punto, decidir cuál es la
región y pasar de la ecuación a la inecuación.
En muchos casos las regiones pueden estar limitadas por más de una curva como en el siguiente ejemplo.

Ejemplo 9
Representar simbólica y gráficamente la región ℛ la región limitada por la recta 𝑦𝑦 = 𝑥𝑥 − 1 y la parábola 𝑦𝑦 2 = 𝑥𝑥 + 1.
Solución:
1-Representamos las dos curvas para identificar la región ℛ del plano,
2-Es conveniente despejar la misma variable en las dos ecuaciones. En este caso, conviene despejar la variable 𝑥𝑥 porque en
la ecuación de la parábola ella es la variable lineal. De tal forma en los puntos de ℛ los valores de 𝑥𝑥 variarán entre el valor
que toma en la parábola al que toma en la recta. A saber: 𝑦𝑦 2 − 1 ≤ 𝑥𝑥 ≤ 𝑦𝑦 + 1
3-En consecuencia, la variable 𝑦𝑦 variará entre sus valores extremos en la región; para lo cual deben hallarse los puntos de
intersección de ambas curvas. El intervalo de variación de 𝑦𝑦 es: −1 ≤ 𝑦𝑦 ≤ 2
Gráficamente Analíticamente en notación constructiva

ℛ = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 | − 1 ≤ 𝑦𝑦 ≤ 2; 𝑦𝑦 2 − 1 ≤ 𝑥𝑥 ≤ 𝑦𝑦 + 1}

∎
Página|140
Capítulo IV

Operaciones y estructuras algebraicas

Operaciones
Definición (operación)
Una operación Ω es una aplicación de cierto conjunto E (conjunto de partida) al que pertenecen los operandos sobre los
cuales un operador realiza cierta acción (operación) la que da como resultado un elemento de otro conjunto F (conjunto
de llegada)

Una operación es una acción realizada por un operador sobre uno o más operandos (elementos del dominio de la operación),
produciendo un resultado (elemento del conjunto de posibles resultados de la operación).
En dependencia del número de operandos, la operación se puede clasificar en unaria, binaria o n-aria. El número de operandos
o argumentos se llama aridad.
Una 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜ó𝑛𝑛 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 es aquella en que la acción de la operación se realiza o aplica solamente a un objeto matemático
(número, función, matriz, etc.).
Ejemplos de operaciones unarias son el módulo de un número real o complejo, la norma de un vector, el determinante de
una matriz, la raíz cuadrada de un número, etc.

Ejemplo 10
Son operaciones unarias:

1. El módulo de un número real : Operador: módulo

|. |: ℝ → ℝ+ definido como Operando: Un número real
Resultado: Un número real no negativo de igual valor absoluto que el operando
𝑥𝑥 si 𝑥𝑥 ≥ 0
|𝑥𝑥| = � = √𝑥𝑥 2
−𝑥𝑥 si 𝑥𝑥 < 0
2. El determinante de una matriz real Operador: Determinante
cuadrada de orden 2: Operando: Una matriz real cuadrada de orden 2
Resultado: Un número real que resulta de las operaciones de adición y
(ℝ)
𝑑𝑑𝑑𝑑𝑑𝑑: 𝑀𝑀2 → ℝ multiplicación que establece el determinante entre los elementos de la
𝑎𝑎 𝑏𝑏 𝑎𝑎 𝑏𝑏 matriz. ∎
𝐴𝐴 = � � ↦ 𝑑𝑑𝑑𝑑𝑑𝑑(𝐴𝐴) = � � = 𝑎𝑎𝑎𝑎 − 𝑏𝑏𝑏𝑏
𝑐𝑐 𝑑𝑑 𝑐𝑐 𝑑𝑑
Una 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜ó𝑛𝑛 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 es aquella en que la acción de la operación se realiza o aplica a dos objetos matemáticos (números,
funciones, matrices, etc.).

Ejemplo 11
Son operaciones binarias:
3. La adición de números naturales: Operador: Adición
+: ℕ × ℕ → ℕ Operandos: Dos números naturales
(𝑛𝑛, 𝑚𝑚) ↦ 𝑝𝑝 = 𝑛𝑛 + 𝑚𝑚 Resultado: Un número natural, la suma de los operandos (sumandos)

4. El producto escalar de dos vectores de 𝑉𝑉2 Operador: Producto escalar

⋅ ∶ 𝑉𝑉2 × 𝑉𝑉2 → ℝ Operandos: Dos vectores de V2
�𝑎𝑎⃗, 𝑏𝑏�⃗� ↦ 𝑐𝑐⃗ = 𝑎𝑎⃗ ∙ 𝑏𝑏�⃗ = ‖𝑎𝑎⃗‖�𝑏𝑏�⃗� cos 𝜃𝜃 Resultado: Un número real, el resultado de las multiplicaciones descritas. ∎
Con 𝜃𝜃 = ∢(𝑎𝑎⃗, 𝑏𝑏�⃗)
Página|141
Capítulo IV
En muchas ocasiones suele situarse el operador intercalado entre los operandos o argumentos (por ejemplo: 𝑎𝑎⃗ × 𝑏𝑏�⃗ = 𝑐𝑐⃗), pero
también es posible anteponer el operador al par de argumentos que se operarán (por ejemplo: 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐(𝑎𝑎⃗ × 𝑏𝑏�⃗) = 𝑐𝑐⃗ ) e incluso
×
indicando la operación, colocando el símbolo del operador sobre el conector que indica el resultado (por ejemplo�𝑎𝑎⃗, 𝑏𝑏�⃗� → 𝑐𝑐⃗).
Las operaciones binarias son muy comunes y por ello ahondaremos en la caracterización de sus dos tipos: las operaciones
binarias internas y las operaciones binarias externas.

• Se llaman operaciones binarias internas a aquellas en las que tanto los operandos como el resultado pertenecen al
mismo conjunto. Una operación de este tipo constituye una ley de composición interna.
• Se llaman operaciones binarias externas a aquellas en las que al menos uno de los operandos o el resultado no
pertenecen al mismo conjunto.
El cuadro, tomado de Wikipedia en español (2013) ilustra mejor esa clasificación de las operaciones binarias:

Ejemplo 12
Son operaciones internas y en consecuencia leyes de composición interna en el dominio de los operandos, las siguientes
operaciones:
• La adición de números (naturales, enteros, racionales, reales y complejos) en el conjunto numérico correspondiente.
• La multiplicación de números (naturales, enteros, racionales, reales y complejos) en el conjunto numérico
correspondiente.
• La sustracción de números (enteros, racionales, reales y complejos) en el conjunto numérico correspondiente.
• La división de números (racionales, reales y complejos) si el divisor es diferente de cero, en el conjunto numérico
correspondiente.
• El producto vectorial (o producto cruz) en ℝ3 .
• La adición de matrices (reales o complejas) de orden 𝑚𝑚 × 𝑛𝑛 en 𝑀𝑀𝑚𝑚×𝑛𝑛 .
• La multiplicación de matrices cuadradas (reales o complejas) en 𝑀𝑀𝑛𝑛 . ∎

Ejemplo 13
Son operaciones externas que constituyen leyes de composición externa, las siguientes operaciones:

• La multiplicación por un escalar en 𝑉𝑉3

∗: ℝ × 𝑉𝑉3 → 𝑉𝑉3
(𝜆𝜆, 𝑎𝑎⃗) ↦ 𝑦𝑦 = 𝜆𝜆𝑎𝑎⃗ = 〈𝜆𝜆𝑎𝑎1 , 𝜆𝜆𝑎𝑎2 , 𝜆𝜆𝑎𝑎3 〉 ∎

Ejemplo 14
Son operaciones externas que no constituyen leyes de composición las siguientes operaciones:

• El producto escalar en 𝑉𝑉2 : ⋅∶ 𝑉𝑉2 × 𝑉𝑉2 → ℝ. (también en 𝑉𝑉3 )

• La multiplicación de matrices (reales o complejas) conformes al producto. ∎
Página|142
Capítulo IV
Otros autores 3 sin embargo, identifican el concepto de ley de composición como toda operación del tipo 𝐴𝐴 × 𝐵𝐵 → 𝐶𝐶, o sea,
lo que Wikipedia identifica como operación binaria. Estos autores identifican los conceptos de ley de composición interna y
relación binaria. Consideran los casos 𝐴𝐴 × 𝐵𝐵 → 𝐴𝐴 y 𝐵𝐵 × 𝐴𝐴 → 𝐴𝐴 , como leyes de composición externa y los dos últimos casos
del esquema de la página 3, como leyes de composición que no son externas ni internas.
Otros autores (por ejemplo, M. Queysanne en su libro Álgebra Básica (1975, pp.144)) consideran las leyes de composición
interna como un caso particular de las leyes de composición externa.
Una operación n-aria es aquella en que la acción de la operación se realiza o aplica a 𝑛𝑛 objetos matemáticos (números,
funciones, matrices, etc.). En particular, una operación terciaria es aquella que se aplica a 3 objetos matemáticos de un
conjunto, como en el siguiente ejemplo.

Ejemplo 15
El producto triple o mixto de vectores tridimensionales:
𝑎𝑎1 𝑎𝑎2 𝑎𝑎3
𝑃𝑃𝑟𝑟𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜: 𝑉𝑉3 × 𝑉𝑉3 × 𝑉𝑉3 → ℝ definido por: �𝑎𝑎⃗, 𝑏𝑏�⃗, 𝑐𝑐⃗� ↦ 𝑥𝑥 = �𝑎𝑎⃗ × 𝑏𝑏�⃗� ∙ 𝑐𝑐⃗ = � 𝑏𝑏1 𝑏𝑏2 𝑏𝑏3 �
𝑐𝑐1 𝑐𝑐2 𝑐𝑐3
Operador: Producto triple (determinante de orden 3)
Operandos: Tres vectores tridimensionales
Resultado: Un número real, el determinante de las componentes de los operandos ∎
Por su importancia para la definición de las 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎, aspecto a tratar en el próximo tópico, de definirán a
continuación las principales propiedades que cumplen la mayoría de las operaciones que se estudiarán o utilizarán a lo largo
de la asignatura.

Propiedades más comunes de las operaciones binarias

Propiedad asociativa
Se dice que la operación * es asociativa en un conjunto no vacío 𝐴𝐴 si y solo si, para todo trío de elementos 𝑥𝑥, 𝑦𝑦, 𝑧𝑧 ∈ 𝐴𝐴, se
cumple que (𝑥𝑥 ∗ 𝑦𝑦) ∗ 𝑧𝑧 = 𝑥𝑥 ∗ (𝑦𝑦 ∗ 𝑧𝑧)

En otras palabras: la forma en que se asocien los elementos con que se operan, sin cambiar su orden, no alterna el resultado.
Son asociativas, la adición y multiplicación de números de cualquiera de los dominios numéricos estudiados y la adición y la
multiplicación de matrices, por solo citar algunas.
Propiedad conmutativa
Se dice que la operación * es conmutativa en un conjunto no vacío 𝐴𝐴 si y solo si, para todo par de elementos 𝑥𝑥, 𝑦𝑦 ∈ 𝐴𝐴, se
cumple que 𝑥𝑥 ∗ 𝑦𝑦 = 𝑦𝑦 ∗ 𝑥𝑥

En otras palabras: el orden de los elementos con que se opera, no altera el resultado.
Son conmutativas, la adición y multiplicación de números de cualquiera de los dominios numéricos estudiados y la adición de
matrices, aunque no la multiplicación. El producto escalar de vectores geométricos es conmutativo, pero el producto vectorial
de vectores de 𝑉𝑉3 no lo es.

3
Paul Dubreil, Marie-Louise Dubreil-Jacotin
Página|143
Capítulo IV

Existencia de elemento neutro

Se dice que la operación * posee 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑟𝑟𝑜𝑜 en un conjunto no vacío 𝐴𝐴 si y solo si, existe un elemento 𝑒𝑒 ∈ 𝐴𝐴 para
todos los elementos 𝑥𝑥 ∈ 𝐴𝐴, tal que 𝑥𝑥 ∗ 𝑒𝑒 = 𝑒𝑒 ∗ 𝑥𝑥 = 𝑥𝑥.

En otras palabras: Una operación posee elemento neutro en un conjunto si al menos existe un elemento en dicho conjunto
que se mantiene neutro ante la acción de la operación.

Ejemplo 16
Algunas operaciones binarias con elemento neutro las siguientes:
Operación binaria Conjunto Elemento neutro
Adición de números ℕ, ℤ, ℚ, ℝ, ℂ 0
Multiplicación de números ℕ, ℤ, ℚ, ℝ, ℂ 1
Adición de matrices 𝑀𝑀𝑚𝑚×𝑛𝑛 Matriz nula 𝑂𝑂𝑚𝑚×𝑛𝑛
Multiplicación de matrices cuadradas 𝑀𝑀𝑛𝑛 Matriz identidad 𝐼𝐼𝑛𝑛
Adición de funciones reales de una variable F(ℝ, ℝ) Función 𝑦𝑦 = 0
Multiplicación de funciones reales de una variable F(ℝ, ℝ) Función 𝑦𝑦 = 1
Composición de funciones reales de una variable F(ℝ, ℝ) Función 𝑦𝑦 = 𝑥𝑥 ∎

Existencia de elemento inverso

Se denomina 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 de un elemento 𝑥𝑥 ∈ 𝐴𝐴 a otro elemento 𝑦𝑦 ∈ 𝐴𝐴, tal que 𝑥𝑥 ∗ 𝑦𝑦 = 𝑦𝑦 ∗ 𝑥𝑥 = 𝑒𝑒 siendo 𝑒𝑒 el
elemento neutro de *.

La existencia de elemento inverso, posibilita la reversibilidad de la operación y en consecuencia la existencia de operación

inversa. Si la operación es de tipo aditivo, prefiere llamársele elemento opuesto.
En muchos casos, como se verá en la siguiente tabla, todos o casi todos los elementos del conjunto poseen elemento inverso.

Ejemplo 17
Algunas operaciones binarias con elemento inverso las siguientes:

Operación binaria Conjunto Elemento Elemento Denominación usual

inverso
Adición de números ℕ, ℤ, ℚ, ℝ, ℂ 𝑥𝑥 −𝑥𝑥 Opuesto
Multiplicación de números ℚ∗ , ℝ∗ , ℂ∗ 𝑥𝑥 1/𝑥𝑥 Recíproco
Adición de matrices 𝑀𝑀𝑚𝑚×𝑛𝑛 𝐴𝐴 −𝐴𝐴 Opuesta
Multiplicación de matrices cuadradas 𝑀𝑀𝑛𝑛 𝐴𝐴 𝐴𝐴−1 Inversa
Adición de funciones reales de una variable F(ℝ, ℝ) 𝑓𝑓 −𝑓𝑓 Opuesta
Multiplicación de funciones reales de una variable F(ℝ, ℝ)\{𝑦𝑦 = 0} 𝑓𝑓 1/𝑓𝑓 Recíproca
Composición de funciones reales de una variable F(ℝ, ℝ) 𝑓𝑓 𝑓𝑓 −1 Inversa ∎
Página|144
Capítulo IV

Propiedad distributiva
Se dice que la operación * es distributiva con respecto a la operación  en un conjunto no vacío 𝐴𝐴 si y solo si, para todo
trío de elementos 𝑥𝑥, 𝑦𝑦, 𝑧𝑧 ∈ 𝐴𝐴, se cumple que (𝑥𝑥  𝑦𝑦) ∗ 𝑧𝑧 = 𝑥𝑥 ∗ 𝑧𝑧  𝑦𝑦 ∗ 𝑧𝑧

La propiedad distributiva solo tiene sentido cuando sobre un conjunto interactúan dos o más operaciones. Generalmente, se
establece la distributividad de la operación multiplicativa con respecto a la aditiva.
Si la operación multiplicativa no fuera conmutativa, entonces deberán establecerse las reglas de distributividad por la derecha
y por la izquierda como ocurre en el caso de la multiplicación de matrices con respecto a la suma de matrices.

Ejemplo 18
Operación multiplicativa Operación aditiva Conjunto Regla distributiva
Multiplicación de números Adición de números ℕ, ℤ, ℚ, ℝ, ℂ (𝑥𝑥 + 𝑦𝑦)𝑧𝑧 = 𝑥𝑥𝑥𝑥 + 𝑦𝑦𝑦𝑦
(𝐴𝐴 + 𝐵𝐵)𝐶𝐶 = 𝐴𝐴𝐴𝐴 + 𝐵𝐵𝐵𝐵 Distributividad por la derecha
Multiplicación de matrices Adición de matrices 𝑀𝑀𝑛𝑛
𝐶𝐶(𝐴𝐴 + 𝐵𝐵) = 𝐶𝐶𝐶𝐶 + 𝐶𝐶𝐶𝐶 Distributividad por la izquierda ∎

Estructuras
Al definirse una o más operaciones en un conjunto se establece una relación entre sus elementos, determinada por las propiedades
que la operación (las operaciones) cumplen en ese conjunto. Esto permite hablar de que el conjunto ha adquirido una 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒,
la cual depende del tipo de operación. Así, se estará hablando de 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎, 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡ó𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔, etc.
Por tanto, no es lo mismo hablar del 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝐴𝐴, cuyos elementos solo están relacionados por la condición de pertenecer al
conjunto 𝐴𝐴, que del 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝐴𝐴, donde se ha definido una relación de orden entre los elementos, que del
𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐴𝐴, donde se ha definido una operación interna de tipo suma entre sus elementos, la cual cumple
determinadas propiedades. En la literatura aparecen notaciones diversas para diferenciar un caso de otro.
Se denomina 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 a aquella que se establece en un conjunto como consecuencia de definir en él una o más
operaciones que constituyen leyes de composición interna o externa con ciertas propiedades como las vistas anteriormente.
Entre las más importantes estructuras algebraicas se encuentran: el 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔 (un conjunto con una ley de composición interna);
el 𝑎𝑎𝑎𝑎𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 (un conjunto con dos leyes de composición interna) con cada vez mayor presencia en carreras de Ciencias Técnicas
en materias cuyo dominio numérico son los números enteros debido al carácter discreto de sus objetos de estudio (por
ejemplo, en ramas como las Telecomunicaciones, Informática y Criptografía), el 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 (un conjunto con dos leyes de
composición interna) con gran presencia en las denominadas matemáticas continuas y en la Física.
En el centro del Álgebra Lineal se encuentra una estructura, el 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣, que se estudiará en sección aparte, la cual se
constituye en un conjunto arbitrario no vacío donde hay definidas dos operaciones, una interna y una externa, pero donde el
conjunto que interactúa con el conjunto principal en dicha operación externa es un cuerpo.
Por tal motivo, se presenta a continuación una estructura algebraica que caracteriza a muchos conjuntos conocidos por ti, tales
como los conjuntos ℚ, ℝ 𝑦𝑦 ℂ, aunque no son los únicos. La selección de esta estructura algebraica se debe además, al hecho de que
tiene el mayor interés para la Física y el Cálculo Diferencial e Integral.
Por rebasar los objetivos de la asignatura, solo se presentará la estructura cuerpo y se discutirá más extensamente la de
espacio vectorial. Para más información o un primer acercamiento, puedes consultar el sitio http://wikipedia.com.es u otros
que ofrezcan información sobre elementos de Álgebra Abstracta. Para profundizar debes consultar libros de Álgebra
Abstracta.
Página|145
Capítulo IV
Cuerpo
Definición (cuerpo)
Sea 𝐾𝐾 un conjunto cualquiera (𝐾𝐾 ≠ ∅) sobre el que se han definido las operaciones + y ∙ con sus elementos, a las que se
les denomina “adición” y “multiplicación” respectivamente. Si se cumplen en 𝐾𝐾 las siguientes propiedades:
Propiedades de “+” en 𝑲𝑲
" + " es una ley de composición interna, es asociativa y conmutativa en 𝐾𝐾. Además, posee elemento neutro (elemento 0)
dentro del propio conjunto 𝐾𝐾 y todo elemento de 𝐾𝐾 posee un opuesto en 𝐾𝐾.
Propiedades de " ∙ " en 𝑲𝑲
" ∙ " es una ley de composición interna, es asociativa y conmutativa en 𝐾𝐾. Además, posee elemento neutro (elemento
unidad) dentro del propio conjunto 𝐾𝐾 y todo elemento de 𝐾𝐾 ∗ posee un recíproco en 𝐾𝐾.
Propiedades de interacción de " + " y " ∙ " en 𝑲𝑲
" ∙ " es distributiva en 𝐾𝐾 con respecto a " + "
Entonces se dice que 𝐾𝐾 con las operaciones " + " y " ∙ " es un 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 o que las operaciones de adición y multiplicación
definidas en 𝐾𝐾 establecen en 𝐾𝐾 una estructura de 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐.
Con más propiedad, la definición anterior se corresponde con la de un 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐, pero en la práctica los cuerpos con que
se trabajarán son los conmutativos. A los cuerpos conmutativos también se les denomina 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐, término más usado en Física.
Los conjuntos ℚ, ℝ 𝑦𝑦 ℂ con las operaciones usuales de adición y multiplicación de números no son los únicos cuerpos e incluso
existen cuerpos finitos, pero la profundización en el estudio de esta estructura, desborda los objetivos de la asignatura.

Ejemplo 19
Ejemplos de cuerpos y otros que no lo son:

• El conjunto ℚ√2 = �𝑎𝑎 + 𝑏𝑏√2� 𝑎𝑎, 𝑏𝑏 ∈ ℚ} es una 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛4 del cuerpo de los números racionales, construida
añadiendo el número irracional √2. Dicho conjunto es un cuerpo.
• El menor de todos los cuerpos es ℤ2 = {0,1} con las operaciones de adición y multiplicación definidas por las tablas:
+ 0 1 ∙ 0 1
0 0 1 0 0 0
1 1 0 1 0 1

Este cuerpo tiene importantes aplicaciones en Informática y Criptografía.

• ℤ con las operaciones de adición y multiplicación usuales de números enteros no es un cuerpo porque con excepción
de los enteros 1 y -1, ningún otro número entero posee inverso multiplicativo en ℤ.
• ℚ+ conjunto de los números fraccionarios no es un cuerpo porque con excepción del número fraccionario 0, ningún
otro número fraccionario posee opuesto en ℚ+ . ∎

4
Una extensión de un cuerpo 𝐾𝐾 es el menor de los cuerpos que contienen a 𝐾𝐾 y que a la vez contiene una raíz de una ecuación polinómica
no contenida en 𝐾𝐾. En el caso del ejemplo, sería la ecuación 𝑥𝑥 2 = 2, cuya solución es √2 ∉ ℚ.
Página|146
Capítulo IV

Espacio vectorial
En los tópicos de Geometría Analítica se estudiaron los vectores, como aquellos entes matemáticos útiles para interpretar
fenómenos de índole física (magnitudes vectoriales) y propiamente geométrica (como segmentos de recta orientados). Ahora
se procederá a generalizar el concepto de vector, en tanto objeto abstracto que sirve como modelo matemático para otros
de la más disímil naturaleza.
Concepto de espacio vectorial
Al igual que la estructura de 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐, estudiada con anterioridad, el 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 es una estructura algebraica, que
modela las relaciones que se establecen entre los elementos de determinado conjunto no vacío 𝐸𝐸 cuando en él se han
definido dos operaciones: una ley de composición interna, entre los elementos de 𝐸𝐸 y otra ley de composición externa, entre
los elementos de 𝐸𝐸 y los escalares de cierto cuerpo 𝐾𝐾. Conjuntos tales como 𝑉𝑉2 y 𝑉𝑉3 provistos de las operaciones de adición
de vectores y de multiplicación por un escalar real; de matrices 𝑀𝑀𝑚𝑚×𝑛𝑛 con la adición de matrices y la multiplicación por un
escalar (real o complejo), presentan comportamientos análogos al relacionarse entre sí los elementos de cada conjunto y al
relacionarse estos con los escalares del cuerpo asociado. La razón: dichas operaciones satisfacen un conjunto de propiedades,
que son independientes de su naturaleza particular.
Esa razón, nos permite poder generalizar, o sea encontrar un objeto matemático abstracto, que sirva de modelo a tales
comportamientos, al que prestaremos atención en el siguiente epígrafe y que constituye el centro de una rama de las
Matemáticas denominada Álgebra Lineal.

Definición de espacio vectorial:

Sea 𝐸𝐸 un conjunto no vacío cuyos elementos se denominarán "vectores" y sobre el cual se han definido dos operaciones:
• una que combina dos vectores 𝑥𝑥, 𝑦𝑦 de 𝐸𝐸, se llamará "adición de vectores" y se simbolizará por "𝑥𝑥 + 𝑦𝑦",
• una que combina un escalar α del cuerpo 𝐾𝐾 con un vector 𝑥𝑥 de 𝐸𝐸, se denominará "multiplicación por un escalar",
y se simboliza por yuxtaposición como α𝑥𝑥.
Se dice que el conjunto 𝐸𝐸 provisto de las operaciones de adición y multiplicación por un escalar definidas en 𝐸𝐸, es un
espacio vectorial sobre 𝐾𝐾, o que 𝐸𝐸 es un 𝐾𝐾-espacio vectorial si se satisfacen las siguientes propiedades:
• De la adición de vectores
1. Para todos 𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸, se cumple que (𝑥𝑥 + 𝑦𝑦) ∈ 𝐸𝐸 (ley de composición interna)
2. Para todos 𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸, se cumple que 𝑥𝑥 + 𝑦𝑦 = 𝑦𝑦 + 𝑥𝑥 (conmutatividad)
3. Para todos 𝑥𝑥, 𝑦𝑦, 𝑧𝑧 ∈ 𝐸𝐸, se cumple que (𝑥𝑥 + 𝑦𝑦) + 𝑧𝑧 = 𝑥𝑥 + (𝑦𝑦 + 𝑧𝑧) (asociatividad de la adición)
4. Existe un vector 𝑒𝑒 ∈ 𝐸𝐸, tal que para todo 𝑥𝑥 ∈ 𝐸𝐸 se cumple que 𝑥𝑥 + 𝑒𝑒 = 𝑥𝑥 (existencia de elemento cero)
5. Para todo 𝑥𝑥 ∈ 𝐸𝐸 existe un vector 𝑦𝑦 ∈ 𝐸𝐸, tal que 𝑥𝑥 + 𝑦𝑦 = 𝑒𝑒 (todo vector posee opuesto)
• De la multiplicación por un escalar
6. Para todo 𝛼𝛼 ∈ 𝐾𝐾 y para todo 𝑥𝑥 ∈ 𝐸𝐸, se cumple que 𝛼𝛼𝛼𝛼 ∈ 𝐸𝐸 (ley de composición externa)
7. Para todo 𝑥𝑥 ∈ 𝐸𝐸, si 1 es el elemento unidad de 𝐾𝐾, se cumple que 1𝑥𝑥 = 𝑥𝑥
8. Para todos 𝛼𝛼, 𝛽𝛽 ∈ 𝐾𝐾 y para todo 𝑥𝑥 ∈ 𝐸𝐸, se cumple que 𝛼𝛼(𝛽𝛽𝛽𝛽) = (𝛼𝛼𝛼𝛼)𝑥𝑥 (asociatividad de las multiplicaciones)
• De la interacción entre las dos operaciones: distributividad de la multiplicación por un escalar
9. Para todo 𝛼𝛼 ∈ 𝐾𝐾 y para todos 𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸, se cumple que 𝛼𝛼(𝑥𝑥 + 𝑦𝑦) = 𝛼𝛼𝛼𝛼 + 𝛼𝛼𝛼𝛼 (con respecto a la adición de vectores)
10. Para todos 𝛼𝛼, 𝛽𝛽 ∈ 𝐾𝐾 y para todo 𝑥𝑥 ∈ 𝐸𝐸, se cumple que (𝛼𝛼 + 𝛽𝛽)𝑥𝑥 = 𝛼𝛼𝛼𝛼 + 𝛽𝛽𝛽𝛽 (con respecto a la adición de escalares)

Los espacios vectoriales que tienen asociado el cuerpo ℝ se llamarán sencillamente 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, mientras
que los que tienen asociado el cuerpo ℂ, se denominarán 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐. En este libro se tratarán
fundamentalmente los espacios vectoriales reales, aunque en ocasiones se haga alusión a los K-espacios vectoriales en
general.
Página|147
Capítulo IV
En el mismo orden en que aparecen en la definición, se harán algunos comentarios sobre las propiedades o axiomas de la
estructura algebraica espacio vectorial:
Observaciones sobre las propiedades:
1. Identifica el carácter de ley interna de la adición de vectores.
2. La adición de vectores es conmutativa: “el orden de los sumandos no altera la suma”.
3. La adición de vectores es asociativa: “el orden en que se agrupen los sumandos, sin cambiar su posición, no altera
la suma”.
4. El elemento 𝑒𝑒 se denomina 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 y no es más que el 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛, 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 o 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
de la adición de vectores: “el vector nulo es indiferente, es neutro ante la adición”. El vector nulo de 𝐸𝐸 no debe ser
confundido con el número cero, aunque suele simbolizarse por 0 si no hay confusión. En este texto se denotará por
O mayúscula cursiva al vector nulo de un espacio vectorial 𝐸𝐸.
5. Todo elemento de un espacio vectorial posee un elemento opuesto. El vector opuesto de un vector 𝑥𝑥 ∈ 𝐸𝐸 suele
simbolizarse por – 𝑥𝑥, por analogía con la notación numérica. Por tanto, se justifica que 𝑥𝑥 + (– 𝑥𝑥) = 𝑂𝑂, siendo O el
vector nulo de 𝐸𝐸.
Si el resultado de la multiplicación −1𝑥𝑥 se denota por – 𝑥𝑥, esto permite hacer coherentes y simbólicamente más
simple el empleo de las notaciones.
Partiendo de la igualdad: 𝑥𝑥 + (– 𝑥𝑥) = 𝑂𝑂, se tiene:
• 𝑥𝑥 + (−𝑥𝑥) = 𝑥𝑥 − 𝑥𝑥 = 𝑂𝑂, lo que parece justificado.
• 𝑥𝑥 + (−𝑥𝑥) = 1𝑥𝑥 + (−1𝑥𝑥) = (1 − 1)𝑥𝑥 = 0𝑥𝑥 = 𝑂𝑂
Se podría decir que: “todo elemento sumado con su opuesto da cero (𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐)”
6. La multiplicación por un escalar, aunque combina elementos de diferente naturaleza, tiene como resultado un vector
de 𝐸𝐸.
7. En la multiplicación por un escalar, se conserva la propiedad del elemento unidad en la multiplicación en 𝐾𝐾: “todo
elemento multiplicado por 1 da el propio elemento”
8. La multiplicación por un escalar es asociativa con respecto a la multiplicación de escalares: “es indiferente multiplicar
un vector por el producto de dos escalares, ya sea de una vez (multiplicando a su producto) o de forma sucesiva
(multiplicando a cada factor por separado)”.
9. La multiplicación por un escalar es distributiva con respecto a la adición de vectores.
10. La multiplicación por un escalar es distributiva con respecto a la adición de escalares.
Al principio se hará distinción cuando nos refiramos al conjunto de elementos 𝐸𝐸 o al espacio vectorial 𝐸𝐸, en aras de que se
comprenda que la segunda es una estructura algebraica que difiere del mero conjunto, pues se han definido dos operaciones
con sus elementos, las cuales cumplen ciertas propiedades que marcan la esencia del espacio vectorial.
Así, cuando se escriba 𝑥𝑥 ∈ 𝐸𝐸 se está queriendo indicar que 𝑥𝑥 es un elemento del conjunto 𝐸𝐸, mientras que cuando se diga
“las operaciones de 𝐸𝐸𝐾𝐾 ” se estará haciendo alusión a las operaciones que establecen la estructura de espacio vectorial sobre
el cuerpo 𝐾𝐾 entre los elementos del conjunto 𝐸𝐸. Más adelante, y con propósito de simplificar el lenguaje, se dirá, si no hay
confusión, el 𝐾𝐾 -espacio vectorial 𝐸𝐸, o el espacio vectorial real 𝐸𝐸 o el espacio vectorial complejo 𝐸𝐸, o más sencillamente, el
espacio vectorial 𝐸𝐸, cuando se considere que el lector tiene claridad sobre lo que se está diciendo.
Existen ciertos resultados que no pueden inferirse de forma inmediata de la definición de espacio vectorial por lo cual se
refrendan en los siguientes dos teoremas, que vendrían a complementarla para mayor comodidad en el trabajo con los
vectores y los escalares en un espacio vectorial.
Página|148
Capítulo IV

Teorema 1 (unicidad del elemento opuesto de cada vector)

Sea el 𝐾𝐾 -espacio vectorial 𝐸𝐸 y un vector arbitrario 𝑥𝑥 ∈ 𝐸𝐸. El vector opuesto de 𝑥𝑥 es único.
Demostración:
Esta demostración se hará por reducción al absurdo, o sea probando que no pueden existir dos vectores opuestos de un mismo vector
𝑥𝑥 ∈ 𝐸𝐸 si 𝐸𝐸 es un espacio vectorial.
Supóngase que ambos vectores 𝑦𝑦, 𝑧𝑧 ∈ 𝐸𝐸 son vectores opuestos de 𝑥𝑥. Entonces:  𝑦𝑦 + 𝑥𝑥 = 𝑂𝑂 y también  𝑧𝑧 + 𝑥𝑥 = 𝑂𝑂.
Pero, por ser O el vector nulo de 𝐸𝐸, se cumple que:
𝑦𝑦 = 𝑦𝑦 + 𝑂𝑂 |sustituyendo al vector nulo según a 
𝑦𝑦 = 𝑦𝑦 + 𝑂𝑂 = 𝑦𝑦 + (𝑧𝑧 + 𝑥𝑥) | 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑣𝑣𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 de la adición de vectores
𝑦𝑦 = 𝑦𝑦 + (𝑥𝑥 + 𝑧𝑧) | 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 de la adición de vectores
𝑦𝑦 = (𝑦𝑦 +𝑥𝑥) + 𝑧𝑧 |sustituyendo la suma 𝑦𝑦 + 𝑥𝑥 según 
𝑦𝑦 = 𝑂𝑂 + 𝑧𝑧 | efectuando la suma del miembro derecho
𝑦𝑦 = 𝑧𝑧 Lo que contradice lo supuesto de que existían dos opuestos.
Por tanto, el opuesto del vector 𝑥𝑥 ∈ 𝐸𝐸 es único, que es lo que se quería demostrar. 

Teorema 2
Sea el 𝐾𝐾 -espacio vectorial 𝐸𝐸, un escalar arbitrario 𝛼𝛼 ∈ 𝐾𝐾 y un vector arbitrario 𝑥𝑥 ∈ 𝐸𝐸. Sea además, 𝑂𝑂 el vector nulo de 𝐸𝐸
y 0 el escalar cero. Entonces se cumple que:
1. 𝛼𝛼𝛼𝛼 = 𝑂𝑂
2. 0𝑥𝑥 = 0
3. 𝛼𝛼𝛼𝛼 = 𝑂𝑂 si y solo si 𝛼𝛼 = 0 o 𝑥𝑥 = 𝑂𝑂
4. (−1)𝑥𝑥 = −𝑥𝑥

Demostración:
1. Debe demostrarse que el producto de multiplicar al vector nulo de 𝐸𝐸 por cualquier escalar, es el propio vector nulo.
Como 𝑂𝑂 ∈ 𝐸𝐸 y la adición de vectores es interna en 𝐸𝐸, entonces 𝑂𝑂 + 𝑂𝑂 ∈ 𝐸𝐸. Basta considerar al primer sumando como un vector
cualquiera de 𝐸𝐸 y al segundo en su calidad de vector nulo de 𝐸𝐸 para concluir parcialmente que
𝑂𝑂 + 𝑂𝑂 = 𝑂𝑂 | multiplicando por el escalar 𝛼𝛼 en ambos miembros
𝛼𝛼(𝑂𝑂 + 𝑂𝑂) = 𝛼𝛼𝛼𝛼 | aplicando la 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 en el miembro izquierdo
𝛼𝛼𝛼𝛼 + 𝛼𝛼𝛼𝛼 = 𝛼𝛼𝛼𝛼 | 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 − 𝛼𝛼𝛼𝛼 𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
𝛼𝛼𝛼𝛼 + 𝛼𝛼𝛼𝛼 + (−𝛼𝛼𝛼𝛼) = 𝛼𝛼𝛼𝛼 + (−𝛼𝛼𝛼𝛼) | 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑙𝑙𝑙𝑙 𝑎𝑎𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
| 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 en el miembro izquierdo y la suma de opuestos en
𝛼𝛼𝛼𝛼 + �𝛼𝛼𝛼𝛼 + (−𝛼𝛼𝛼𝛼)� = 𝛼𝛼𝛼𝛼 + (−𝛼𝛼𝛼𝛼)
ambos miembros
𝛼𝛼𝛼𝛼 + 𝑂𝑂 = 𝑂𝑂 | 𝑦𝑦 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑚𝑚𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑂𝑂 𝑑𝑑𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑 𝐸𝐸

𝛼𝛼𝛼𝛼 = 𝑂𝑂 Que es lo que se quería demostrar 

2. Debe demostrarse que el producto de multiplicar por 0 cualquier vector 𝑥𝑥 ∈ 𝐸𝐸 es el vector nulo de 𝐸𝐸
0+0=0 | multiplicando por el vector 𝑥𝑥 ∈ 𝐸𝐸 en ambos miembros
(0 + 0)𝑥𝑥 = 0𝑥𝑥 | aplicando la 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 en el miembro izquierdo
0𝑥𝑥 + 0𝑥𝑥 = 0𝑥𝑥 | 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 − 0𝑥𝑥 𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
0𝑥𝑥 + 0𝑥𝑥 + (−0𝑥𝑥) = 0𝑥𝑥 + (−0𝑥𝑥) | 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑙𝑙𝑙𝑙 𝑎𝑎𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
| 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 y la suma de
0𝑥𝑥 + �0𝑥𝑥 + (−0𝑥𝑥)� = 0𝑥𝑥 + (−0𝑥𝑥)
opuestos en ambos miembros
0𝑥𝑥 + 𝑂𝑂 = 𝑂𝑂 | 𝑦𝑦 𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑂𝑂 𝑑𝑑𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑 𝐸𝐸

0𝑥𝑥 = 𝑂𝑂 Que es lo que se quería demostrar 

3. Debe demostrarse que si el producto de multiplicar un escalar cualquiera por un vector de 𝐸𝐸 es el vector nulo de 𝐸𝐸, entonces es
porque ocurre 1 o 2, o sea 𝑥𝑥 = 𝑂𝑂 o 𝛼𝛼 = 0
Página|149
Capítulo IV
Si 𝑥𝑥 = 𝑂𝑂, estamos en el caso 1, o sea 𝛼𝛼𝛼𝛼 = 𝑂𝑂 que ya fue demostrado.
Supóngase que existe un 𝑥𝑥 ≠ 𝑂𝑂 y un 𝛼𝛼 ∈ 𝐾𝐾 cualquiera tal que 𝛼𝛼𝛼𝛼 = 𝑂𝑂. Entonces existen dos posibilidades:
• 𝛼𝛼 = 0, con lo que se estaría en presencia del caso 2, que ya fue demostrado.
• 𝛼𝛼 ≠ 0
En ese caso, como 𝐾𝐾 es un cuerpo, está asegurada la existencia del inverso de 𝛼𝛼, o sea de 1/𝛼𝛼.
𝛼𝛼𝛼𝛼 = 𝑂𝑂 | multiplicando por el escalar 1/𝛼𝛼 en ambos miembros
1/𝛼𝛼(𝛼𝛼𝛼𝛼) = 1/𝛼𝛼𝛼𝛼 | aplicando la 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 en el miembro izquierdo
1𝑥𝑥 = 𝑂𝑂 | aplicando la propiedad 1𝑥𝑥 = 𝑥𝑥
𝑥𝑥 = 𝑂𝑂 Que es lo que se quería demostrar 
4. Debe demostrarse que el vector producto (−1)𝑥𝑥 ∈ 𝐸𝐸 es el vector opuesto de 𝑥𝑥 en 𝐸𝐸. En virtud de la unicidad del vector opuesto de
un vector cualquiera de un espacio vectorial (refrendado en el teorema 1), si (−1)𝑥𝑥 es el vector opuesto de 𝑥𝑥 debe cumplir que
(−1)𝑥𝑥 + 𝑥𝑥 = 𝑂𝑂. Eso es lo que se debe probar.
Bastará con aplicar la propiedad distributiva de la multiplicación por un escalar y la propiedad 2 del presente teorema:
(−1)𝑥𝑥 + 𝑥𝑥 = (−1)𝑥𝑥 + 1𝑥𝑥 = (−1 + 1)𝑥𝑥 = 0𝑥𝑥 = 𝑂𝑂
Que era lo que se quería demostrar. 

Como resultado, la relación (−1)𝑥𝑥 = −𝑥𝑥 produce una notación más familiar y cómoda.

Ejemplos de espacios vectoriales

Como ya se dijo con anterioridad se enfatizará en el estudio de los 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟.

Ejemplo 20
Algunos 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 son los siguientes:
𝑉𝑉2 y 𝑉𝑉3 : Conjuntos de los vectores bidimensionales y tridimensionales (segmentos orientados del plano o del espacio
respectivamente) en el que se han definido las operaciones:
Adición de vectores Multiplicación por un escalar real

ℝ3 : Conjunto de las ternas ordenadas de números reales en el que se han definido las operaciones (usuales):
Adición de vectores: 𝑥𝑥 + 𝑦𝑦 = (𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) + (𝑦𝑦1 , 𝑦𝑦2 , 𝑦𝑦3 ) = (𝑥𝑥1 + 𝑦𝑦1 , 𝑥𝑥2 + 𝑦𝑦2 , 𝑥𝑥 3 + 𝑦𝑦3 )
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) = (𝛼𝛼𝑥𝑥1 , 𝛼𝛼𝑥𝑥2 , 𝑥𝑥3 )
ℂℝ : Conjunto de los números complejos sobre el cuerpo ℝ en el que se han definido las operaciones (usuales):
Adición de vectores: 𝑧𝑧 + 𝑤𝑤 = (𝑎𝑎 + 𝑏𝑏𝑏𝑏) + (𝑐𝑐 + 𝑑𝑑𝑑𝑑) = (𝑎𝑎 + 𝑐𝑐) + (𝑏𝑏 + 𝑑𝑑)𝑖𝑖
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼(𝑎𝑎 + 𝑏𝑏𝑏𝑏) = 𝛼𝛼𝛼𝛼 + 𝛼𝛼𝛼𝛼𝛼𝛼
𝑃𝑃𝑛𝑛 [𝑥𝑥]: Conjunto de los polinomios de grado menor o igual que 𝑛𝑛 con coeficientes reales, sobre el cuerpo ℝ en el que se han
definido las operaciones (usuales):
Adición de vectores: 𝑝𝑝(𝑥𝑥) + 𝑞𝑞(𝑥𝑥) = (𝑎𝑎𝑛𝑛 𝑥𝑥 𝑛𝑛 + ⋯ + 𝑎𝑎2 𝑥𝑥 2 + 𝑎𝑎1 𝑥𝑥 + 𝑎𝑎0 ) + (𝑏𝑏𝑛𝑛 𝑥𝑥 𝑛𝑛 + ⋯ + 𝑏𝑏2 𝑥𝑥 2 + 𝑏𝑏1 𝑥𝑥 + 𝑏𝑏0 )
= (𝑎𝑎𝑛𝑛 + 𝑏𝑏𝑛𝑛 )𝑥𝑥 𝑛𝑛 + ⋯ + (𝑎𝑎2 + 𝑏𝑏2 )𝑥𝑥 2 + (𝑎𝑎1 + 𝑏𝑏1 )𝑥𝑥 + (𝑎𝑎0 + 𝑏𝑏0 )
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼(𝑥𝑥) = 𝛼𝛼(𝑎𝑎𝑛𝑛 𝑥𝑥 𝑛𝑛 + ⋯ + 𝑎𝑎2 𝑥𝑥 2 + 𝑎𝑎1 𝑥𝑥 + 𝑎𝑎0 ) = 𝛼𝛼𝑎𝑎𝑛𝑛 𝑥𝑥 𝑛𝑛 + ⋯ + 𝛼𝛼𝛼𝛼2 𝑥𝑥 2 + 𝛼𝛼𝛼𝛼1 𝑥𝑥 + 𝛼𝛼𝛼𝛼0
𝑀𝑀2 (ℝ): Conjunto de las matrices reales de orden 2 sobre el cuerpo ℝ en el que se han definido las operaciones (usuales):
Página|150
Capítulo IV
𝑎𝑎 𝑏𝑏 𝑎𝑎 𝑏𝑏 𝑎𝑎 + 𝑎𝑎2 𝑏𝑏1 + 𝑏𝑏2
Adición de vectores: 𝐴𝐴 + 𝐵𝐵 = � 1 1 � + � 2 2 � = � 1 �
𝑐𝑐1 𝑑𝑑1 𝑐𝑐2 𝑑𝑑2 𝑐𝑐1 + 𝑐𝑐2 𝑑𝑑1 + 𝑑𝑑2
𝑎𝑎 𝑏𝑏 𝛼𝛼𝛼𝛼 𝛼𝛼𝛼𝛼
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼 � �=� �∎
𝑐𝑐 𝑑𝑑 𝛼𝛼𝛼𝛼 𝛼𝛼𝛼𝛼

Ejemplo 21
También son espacios vectoriales reales:
• 𝑃𝑃[𝑥𝑥]: Conjunto de los polinomios de cualquier grado con coeficientes reales sobre el cuerpo ℝ es también un
espacio vectorial real, pero presenta una característica diferente a 𝑃𝑃𝑛𝑛 [𝑥𝑥], lo que se verá en el Capítulo VI.
• 𝑀𝑀𝑚𝑚×𝑛𝑛 (ℝ): Conjunto de las matrices reales de orden 𝑚𝑚 × 𝑛𝑛 (incluye el caso 𝑚𝑚 = 𝑛𝑛) con las operaciones usuales de
adición y multiplicación de matrices es un espacio vectorial real.
• 𝐹𝐹(ℝ, ℝ): Conjunto de las funciones reales de una variable real con las operaciones usuales:
𝑓𝑓(𝑥𝑥) + 𝑔𝑔(𝑥𝑥) = (𝑓𝑓 + 𝑔𝑔)(𝑥𝑥)
𝛼𝛼𝛼𝛼(𝑥𝑥) = (𝛼𝛼𝛼𝛼)(𝑥𝑥) ∎

Ejemplo 22
Algunos 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 son los siguientes:
ℂ: Conjunto de los números complejos sobre el cuerpo ℂ en el que se han definido las operaciones (usuales):
Adición de vectores: 𝑧𝑧 + 𝑤𝑤 = (𝑎𝑎 + 𝑏𝑏𝑏𝑏) + (𝑐𝑐 + 𝑑𝑑𝑑𝑑) = (𝑎𝑎 + 𝑐𝑐) + (𝑏𝑏 + 𝑑𝑑)𝑖𝑖
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = (𝛽𝛽 + 𝛾𝛾𝛾𝛾)(𝑎𝑎 + 𝑏𝑏𝑏𝑏) = (𝛽𝛽𝛽𝛽 − 𝛾𝛾𝛾𝛾) + (𝛽𝛽𝛽𝛽 + 𝛾𝛾𝛾𝛾)𝑖𝑖
ℂ2 : Conjunto de las n-uplas ordenadas de números complejos sobre el cuerpo ℂ en el que se han definido las operaciones (usuales):
Adición de vectores: 𝑧𝑧 + 𝑤𝑤 = (𝑧𝑧1 , 𝑧𝑧2 ) + (𝑤𝑤1 , 𝑤𝑤2 ) = (𝑧𝑧1 + 𝑤𝑤1 , 𝑧𝑧2 + 𝑤𝑤2 )
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼(𝑧𝑧1 , 𝑧𝑧2 ) = (𝛼𝛼𝑧𝑧1 , 𝛼𝛼𝑧𝑧2 )∎
En general, los conjuntos 𝐾𝐾 𝑛𝑛 con las operaciones internas del cuerpo 𝐾𝐾, pero consideradas la “adición” como ley de
composición interna y la “multiplicación” como la ley de composición externa, son 𝐾𝐾-espacios vectoriales. Por ello, en
particular ℝ𝑛𝑛 y ℂ𝑛𝑛 adquieren la estructura de espacio vectorial real o complejo, cuando en ellos se definen las operaciones
usuales de adición y multiplicación por un escalar (real o complejo) con las n-uplas ordenadas de tales números.
Los ejemplos mostrados hasta aquí han sido ejemplos de estructuras definidas a partir de las operaciones usuales en los
respectivos conjuntos de vectores, pero no necesariamente esta es una característica de los espacios vectoriales. Las
operaciones interna y externa pueden ser cualesquiera operaciones que satisfagan los axiomas de espacio vectorial descritos
en la definición.

Ejemplo 23
Conjunto de vectores: 𝐸𝐸 = ℝ2
Cuerpo: 𝐾𝐾 = ℝ
1. Con las operaciones usuales:
Adición de vectores: (𝑥𝑥1 , 𝑦𝑦1 ) + (𝑥𝑥2 , 𝑦𝑦2 ) = (𝑥𝑥1 + 𝑥𝑥2 , 𝑦𝑦1 + 𝑦𝑦2 )
Multiplicación por un escalar: 𝛼𝛼�𝑥𝑥1 , 𝑥𝑥2 � = (𝛼𝛼𝑥𝑥1 , 𝛼𝛼𝑥𝑥2 )
2. Con unas operaciones no usuales:
Adición de vectores: (𝑥𝑥1 , 𝑦𝑦1 ) + (𝑥𝑥2 , 𝑦𝑦2 ) = (𝑥𝑥1 + 𝑥𝑥2 + 1, 𝑦𝑦1 + 𝑦𝑦2 + 1)
Multiplicación por un escalar: 𝛼𝛼�𝑥𝑥1 , 𝑥𝑥2 � = (𝛼𝛼𝑥𝑥1 + 𝛼𝛼 − 1, 𝛼𝛼𝑥𝑥2 + 𝛼𝛼 − 1) ∎
Página|151
Capítulo IV
Sin embargo, en ambos casos ℝ2 , con cada uno de los pares de operaciones citados arriba posee la estructura de espacio
vectorial real.
Se deja al lector probar el caso 2, hallando previamente quién sería el elemento neutro de la adición y la forma del elemento
opuesto de un vector cualquiera de (𝑥𝑥, 𝑦𝑦) ∈ ℝ2 .
Sin embargo, cualesquiera operaciones no satisfacen los axiomas de espacio vectorial, lo que puede apreciar en el siguiente
ejemplo.

Ejemplo 24
Conjunto de vectores: 𝐸𝐸 = ℝ
Cuerpo: 𝐾𝐾 = ℝ
Con una operación interna no usual:
Adición de vectores: 𝑥𝑥 + 𝑦𝑦 = 𝑥𝑥 𝑦𝑦
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼𝛼𝛼
La adición no es conmutativa, porque en general 𝑥𝑥 + 𝑦𝑦 = 𝑥𝑥 𝑦𝑦 ≠ 𝑦𝑦 𝑥𝑥 = 𝑦𝑦 + 𝑥𝑥.
Esto bastará para concluir que ℝ con esas operaciones no posee la estructura de espacio vectorial real. ∎

El espacio vectorial real ℝ𝒏𝒏

El conjunto producto cartesiano ℝ𝑛𝑛 con sus operaciones usuales de adición de 𝑛𝑛 − 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 ordenadas de números reales y de
la multiplicación por un escalar real es uno de los espacios vectoriales reales que con más asiduidad aparecen en el quehacer
matemático, sobre todo en la parte concerniente al Cálculo Diferencial e Integral de funciones reales o vectoriales de varias
variables. Por ello, siempre que se aborde un nuevo contenido relacionado con los espacios vectoriales, se dedicará particular
atención a este espacio vectorial con las operaciones usuales definidas en él.
Es válida la aclaración de que aunque se hable en singular del espacio ℝ𝑛𝑛 , en realidad se está hablando de un modelo de
espacio vectorial, porque solo toman sentido las propiedades y pueden realizarse operaciones concretas cuando el parámetro
𝑛𝑛 es sustituido por un número natural en particular; o sea, cuando se habla de ℝ2 , ℝ3 , ⋯ , ℝ40 , ⋯ e incluso cuando se habla
de los espacios ℝ1 = ℝ y ℝ0 = {0}, o sea el espacio nulo.
Las operaciones usuales en este espacio vectorial son:
Adición de vectores: 𝑥𝑥 + 𝑦𝑦 = (𝑥𝑥1 , ⋯ , 𝑥𝑥𝑛𝑛 ) + (𝑦𝑦1 , ⋯ , 𝑦𝑦𝑛𝑛 ) = (𝑥𝑥1 + 𝑦𝑦1 , ⋯ , 𝑥𝑥𝑛𝑛 + 𝑦𝑦𝑛𝑛 )
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼(𝑥𝑥1 , ⋯ , 𝑥𝑥𝑛𝑛 ) = (𝛼𝛼𝑥𝑥1 , ⋯ , 𝑥𝑥𝑛𝑛 )

Ejemplo 25
Sean los vectores 𝑥𝑥 = (2,1, −3,4) y 𝑦𝑦 = (−2,5,0,1) de ℝ4 . Halle los vectores de ℝ4 : 3𝑥𝑥 y 𝑥𝑥 + 𝑦𝑦.
Solución:
3𝑥𝑥 = 3(2,1, −3,4) = (6,3, −9,12)
𝑥𝑥 + 𝑦𝑦 = (2,1, −3,4) + (−2,5,0,1) = (0,6, −3,5) ∎

Combinación lineal de vectores

A la combinación de las dos operaciones, la interna y la externa de un espacio vectorial, o sea a la suma de productos por
escalares, se le denominará 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐ó𝑛𝑛 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣: tanto a la operación combinada en sí misma como al
resultado de la misma.
Página|152
Capítulo IV
Estamos hablando de la operación o de su resultado:
Sean 𝑥𝑥, 𝑦𝑦 ∈ ℝ𝑛𝑛 y 𝛼𝛼, 𝛽𝛽 ∈ ℝ , entonces 𝛼𝛼𝛼𝛼 + 𝛽𝛽𝛽𝛽 = 𝛼𝛼(𝑥𝑥1 , ⋯ , 𝑥𝑥𝑛𝑛 ) + 𝛽𝛽(𝑦𝑦1 , ⋯ , 𝑦𝑦𝑛𝑛 ) es una combinación lineal de los vectores 𝑥𝑥 y 𝑦𝑦.
Un resultado inmediato de tal definición, aplicado al espacio vectorial ℝ𝑛𝑛 es el siguiente:
“La combinación lineal de dos vectores de ℝ𝑛𝑛 es también un vector de ℝ𝑛𝑛 ”

Su demostración es inmediata, pues en virtud de las propiedades 1 y 6 que aparecen en la definición de espacio vectorial,
tanto el resultado de la adición de vectores como el de la multiplicación por un escalar, son, en este caso, vectores de ℝ𝑛𝑛 .
Ejecutando cada operación según su orden de aparición, resulta que:
𝛼𝛼𝛼𝛼 + 𝛽𝛽𝛽𝛽 = 𝛼𝛼(𝑥𝑥1 , ⋯ , 𝑥𝑥𝑛𝑛 ) + 𝛽𝛽(𝑦𝑦1 , ⋯ , 𝑦𝑦𝑛𝑛 ) = (𝛼𝛼𝛼𝛼1 , ⋯ , 𝛼𝛼𝛼𝛼𝑛𝑛 ) + (𝛽𝛽𝛽𝛽1 , ⋯ , 𝛽𝛽𝑦𝑦𝑛𝑛 ) = (𝛼𝛼𝑥𝑥1 + 𝛽𝛽𝑦𝑦1 , ⋯ , 𝛼𝛼𝑥𝑥𝑛𝑛 + 𝛽𝛽𝛽𝛽𝑛𝑛 ) ∈ ℝ𝑛𝑛

Ejemplo 26
Sean los vectores (2,3,1,0) y (1,4,1,1) de ℝ4 . Hallar la combinación lineal 3(2,3,1,0) − 5(1,4,1,1)
Solución:
3(2,3,1,0) − 5(1,4,1,1) = (1,5,2, −1) ∈ ℝ4 ∎
Es usual decir: “(1,5,2, −1) se ha representado (o expresado) como combinación lineal de los vectores (2,3,1,0) y (1,4,1,1)”.
El concepto de combinación lineal de vectores es central en la teoría de espacios vectoriales, porque tal expresión combina
las dos operaciones definidas en dicha estructura: la adición de vectores y la multiplicación por un escalar del cuerpo. A partir
de su consideración, devienen importantes conceptos como el de dependencia e independencia lineal de un conjunto de
vectores, el de base de un espacio vectorial y la caracterización de subespacio vectorial, por solo citar algunas.
Entre los principales subconjuntos del espacio vectorial ℝ𝑛𝑛 se encuentran:
• Los conjuntos finitos de vectores
• Los sistemas de vectores (finitos o infinitos numerables)
• Los subespacios vectoriales

Conjuntos finitos de vectores

Los conjuntos finitos de vectores no son más que conjuntos formados por un número finito de vectores del espacio.

Ejemplo 27
Expresar una combinación lineal arbitraria de los vectores del conjunto 𝐴𝐴 = {(2,3,0,1,2); (−1,0,0,2,1); (0,1,0,1,2)} ⊂ ℝ5
Solución:
Como #𝐴𝐴 = 3, bastará seleccionar 3 escalares reales cualesquiera 𝛼𝛼, 𝛽𝛽 𝑦𝑦 𝛾𝛾 para formar una combinación lineal de los mismos:
𝛼𝛼(2,3,0,1,2) + 𝛽𝛽(−1,0,0,2,1) + 𝛾𝛾(0,1,0,1,2) = (2𝛼𝛼 − 𝛽𝛽, 3𝛼𝛼 + 𝛾𝛾, 0, 𝛼𝛼 + 2𝛽𝛽 + 𝛾𝛾, 2𝛼𝛼 + 𝛽𝛽 + 2𝛾𝛾)∎

Ejemplo 28
Expresar al vector (−7, −5, 0, 3, 3) ∈ ℝ5 como combinación lineal de los vectores del conjunto A del ejemplo anterior.
Solución:
𝛼𝛼(2,3,0,1,2) + 𝛽𝛽(−1,0,0,2,1) + 𝛾𝛾(0,1,0,1,2) = (−7, −5, 0, 3, 3) |efectuando las operaciones indicadas
(2𝛼𝛼 − 𝛽𝛽, 3𝛼𝛼 + 𝛾𝛾, 0, 𝛼𝛼 + 2𝛽𝛽 + 𝛾𝛾, 2𝛼𝛼 + 𝛽𝛽 + 2𝛾𝛾) = (−7, −5, 0, 3, 3)
lo que conduce a un SEL donde cada ecuación es una igualdad de componentes del mismo orden. A saber:
Página|153
Capítulo IV
2𝛼𝛼 − 𝛽𝛽 = −7
𝛼𝛼 = −3
3𝛼𝛼 + 𝛾𝛾 = −5
� | SEL que tiene como solución �𝛽𝛽 = 1
𝛼𝛼 + 2𝛽𝛽 + 𝛾𝛾 = 3
𝛾𝛾 = 4
2𝛼𝛼 + 𝛽𝛽 + 2𝛾𝛾 = 3
El vector (−7, −5, 0, 3, 3) se representa como (−7, −5, 0, 3, 3) = −3(2,3,0,1,2) + 1(−1,0,0,2,1) + 4(0,1,0,1,2) ∎

Sistemas de vectores
Cuando es necesario tomar en cuenta el orden de los vectores en un conjunto (finito o infinito) entonces se hablará de sistema
de vectores.

Definición (sistema finito de vectores)

Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorialy 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸. Se dice que 𝐴𝐴 es un sistema finito de vectores de 𝐸𝐸 si 𝐴𝐴 ⊂ 𝐸𝐸, 𝐴𝐴 es
finito y los elementos de 𝐴𝐴 están ordenados.

Si no es necesario destacar el orden de los vectores en el conjunto, entonces se hablará netamente de conjunto de vectores.
El orden de los vectores en un conjunto (finito o infinito) será necesario tenerlo en cuenta sobre todo cuando se necesite
hallar las coordenadas de un vector con respecto a un conjunto de vectores, el cual debe ser ordenado para eliminar
ambigüedades, las bases del espacio vectorial, las que se estudiarán en el Capítulo VI.
Entre los sistemas de vectores más importantes de un espacio ℝ𝑛𝑛 está el sistema de vectores canónicos, el cual se define así:

Definición (sistema de vectores canónicos de ℝ𝑛𝑛 )

En el espacio vectorial ℝ𝑛𝑛 se denomina sistema de vectores canónicos al conjunto ordenado de 𝑛𝑛 vectores:
𝐶𝐶𝑛𝑛 = {𝑒𝑒1 , 𝑒𝑒2 , ⋯ , 𝑒𝑒𝑛𝑛 }
Siendo un vector canónico cualquiera 𝑒𝑒𝑖𝑖 con 𝑖𝑖 = 1, ⋯ , 𝑛𝑛 aquel cuyas componentes son iguales a 0 excepto la 𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
que es igual a 1.

Ejemplo 29
El sistema de vectores canónicos de ℝ4 es 𝐶𝐶4 = {𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 , 𝑒𝑒4 } = {(1,0,0,0); (0,1,0,0); (0,0,1,0); (0,0,0,1)} ∎
Es importante destacar que si cambia el orden de los vectores, el nuevo conjunto ya no se corresponde con el denominado
sistema de vectores canónicos de ℝ𝑛𝑛

Subespacios vectoriales
Definición y ejemplos

Definición (subespacios vectoriales)

Sea 𝐸𝐸 un K-espacio vectorial y sea 𝑆𝑆 un subconjunto no vacío de 𝐸𝐸. Si 𝑆𝑆 es también un K-espacio vectorial con las mismas
operaciones definidas en 𝐸𝐸 , se dice que 𝑆𝑆 es un subespacio vectorial de E.

En otras palabras, todo subconjunto no vacío de un espacio vectorial 𝐸𝐸 que posea él mismo la estructura de espacio vectorial
con las mismas operaciones y sobre el mismo cuerpo K que 𝐸𝐸, es un subespacio vectorial de 𝐸𝐸.
Obsérvese además, que no tiene ningún sentido decir que cierto conjunto “S es un subespacio vectorial” sin hacer alusión al
espacio vectorial que lo incluye.
Página|154
Capítulo IV
Por tanto, a partir de la definición, el procedimiento a seguir para probar que un conjunto S dado es un subespacio vectorial
de un K-espacio vectorial 𝐸𝐸 conocido, es el siguiente:
1. Determinar que 𝑆𝑆 es un subconjunto de 𝐸𝐸.
2. Probar que 𝑆𝑆 ≠ ∅.
3. Demostrar que 𝑆𝑆 es también un K-espacio vectorial con las mismas operaciones definidas en 𝐸𝐸.

Ejemplo 30
Algunos ejemplos de subespacios vectoriales. Las siglas EV indican el espacio vectorial de referencia.

Subespacio vectorial EV Observación

𝐸𝐸 El propio espacio vectorial es un subespacio suyo, el mayor en el sentido de la

𝐸𝐸
inclusión de conjuntos

El subespacio nulo, formado solo por el vector nulo de E, es el menor subespacio de

{O} ⊂ 𝐸𝐸 𝐸𝐸
E en el sentido de la inclusión de conjuntos
Cada una de las rectas del plano que pasan por el origen de coordenadas,
𝑆𝑆 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 |𝑦𝑦 = 𝑚𝑚𝑚𝑚} ℝ2 geométricamente representa un subespacio de ℝ2 , aquel para el cual las
componentes de sus vectores satisfacen la ecuación de la recta correspondiente.

Cada una de los planos del espacio geométrico tridimensional que pasan por el origen
𝑃𝑃 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 |𝐴𝐴𝐴𝐴 + 𝐵𝐵𝐵𝐵 + 𝐶𝐶𝐶𝐶 = 0} ℝ3 de coordenadas, representa geométricamente un subespacio de ℝ3 , aquel para el
cual las componentes de sus vectores satisfacen la ecuación general del plano.
En cada espacio de matrices cuadradas de orden n, existe un subespacio
𝐷𝐷: El espacio de las matrices diagonales
𝑀𝑀2 (ℝ) vectorial de las matrices diagonales. También existen en los espacios de
reales de orden 2.
matrices complejas.
En 𝑉𝑉2 , por tanto existen infinitos subespacios vectoriales, cada uno
𝑇𝑇𝑎𝑎�⃗ : El espacio de todos los vectores del plano
𝑉𝑉2 determinado por una dirección dada. Análogamente ocurre en 𝑉𝑉3 , espacio
colineales o paralelos al vector 𝑎𝑎.
���⃗
de los vectores del espacio tridimensional.
Dentro de las funciones reales de una variable real, las funciones pares constituyen un
𝐹𝐹𝑝𝑝𝑝𝑝𝑝𝑝𝑒𝑒𝑒𝑒 : El conjunto de todas las funciones pares 𝐹𝐹(ℝ) subconjunto importante. La función f ≡ 0, representada por el eje X es una función
par y sería el vector nulo de ese subespacio.

𝐼𝐼 representa al conjunto de todos los números complejos con parte real igual a 0, los
𝐼𝐼 = {𝑎𝑎 + 𝑏𝑏𝑏𝑏 ∈ ℂ|𝑎𝑎 = 0} ℂℝ
llamados números imaginarios puros. ∎

Por su importancia se destaca el siguiente subespacio vectorial de ℝ𝑛𝑛 , el cual relaciona la teoría relativa a los Sistemas de
Ecuaciones Lineales con la teoría de los espacios vectoriales.

Teorema 3
El conjunto solución de un SEL homogéneo de 𝑛𝑛 variables es un subespacio vectorial de ℝ𝑛𝑛 .

Todo SEL homogéneo es compatible, por tanto siempre tiene solución. Su conjunto solución puede estar integrado por una
sola solución, la trivial, que sería el vector nulo del espacio ℝ𝑛𝑛 , el cual es un subespacio vectorial; o puede estar integrado
por infinitas soluciones si el SEL es indeterminado. En ese caso también es un subespacio vectorial de ℝ𝑛𝑛 . Se propone al
lector demostrarlo como ejercicio, utilizando la siguiente caracterización de subespacio vectorial.

Caracterización
Pero probar que un conjunto no vacío S es un K-espacio con las mismas operaciones definidas en el K-espacio vectorial 𝐸𝐸 que
lo contiene, es bastante engorroso en muchos casos. Por ello, surge el siguiente teorema.
Página|155
Capítulo IV

Teorema 4: (Caracterización de subespacio vectorial)

Sea 𝐸𝐸 un K-espacio vectorial y sea un subconjunto no vacío de 𝐸𝐸. 𝑆𝑆 es un subespacio vectorial de 𝐸𝐸 si y solo si se cumple que:
1. 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑥𝑥, 𝑦𝑦 ∈ 𝑆𝑆, 𝑥𝑥 + 𝑦𝑦 ∈ 𝑆𝑆}
2. 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑥𝑥 ∈ 𝑆𝑆 𝑦𝑦 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝛼𝛼 ∈ 𝐾𝐾, 𝛼𝛼𝛼𝛼 ∈ 𝑆𝑆
Demostración:

Si 𝑆𝑆 es un espacio vectorial, entonces 𝑆𝑆 ≠ ∅ y además por las propiedades de espacio vectorial tienen que cumplirse las reglas 1 y 2
que aparecen en el Teorema.

Luego debe probarse el teorema en el otro sentido, partiendo de que son dadas las condiciones 1 y 2 de la definición de Subespacio
Vectorial, o sea: 𝑆𝑆 ⊂ 𝐸𝐸 y 𝑆𝑆 ≠ ∅ y que se cumplen las reglas 1 y 2 del Teorema.

Como las operaciones de adición y multiplicación por un escalar que operan sobre los vectores de 𝑆𝑆 son las mismas que las que operan
en todo 𝐸𝐸, por tanto cumplen las mismas propiedades que exige la definición de espacio vectorial.

Solo debe esclarecerse si en 𝑆𝑆 dichas operaciones cumplen las propiedades 4 y 5 de espacio vectorial:
 la pertenencia del vector nulo de 𝐸𝐸 a 𝑆𝑆 y
 la existencia para cada vector 𝑥𝑥 ∈ 𝑆𝑆 de su opuesto – 𝑥𝑥 en 𝑆𝑆.
Según la regla 2, para todo 𝑥𝑥 ∈ 𝑆𝑆, se cumple que 𝛼𝛼𝛼𝛼 ∈ 𝑆𝑆, en particular 0𝑥𝑥 ∈ 𝑆𝑆, pero según el Teorema 2, 0𝑥𝑥 = 𝑂𝑂, que es el vector nulo
de 𝐸𝐸, el cual entonces también pertenece a 𝑆𝑆, con lo que queda demostrado .

Por otra parte, también (−1)𝑥𝑥 ∈ 𝑆𝑆. Pero el propio Teorema 2 estableció que (−1)𝑥𝑥 = −𝑥𝑥, el opuesto de 𝑥𝑥; o sea, para todo 𝑥𝑥 ∈ 𝑆𝑆, su
opuesto también está en 𝑆𝑆, con lo que queda demostrada  y con ello el Teorema. 

En otras palabras, si toda combinación lineal de dos vectores de 𝑆𝑆 es también un vector de 𝑆𝑆, entonces 𝑆𝑆 es un subespacio
vectorial del espacio vectorial que lo contiene.

Ejemplo 31
Probar que 𝑆𝑆 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 |𝑦𝑦 = 𝑚𝑚𝑚𝑚} es un subespacio vectorial ℝ2 .
Solución:
1. 𝑆𝑆 ⊂ ℝ2 porque todos los puntos de cualquier recta 𝑦𝑦 = 𝑚𝑚𝑚𝑚 es un punto de ℝ2 .
2. 𝑆𝑆 ≠ ∅, porque al menos (0,0) ∈ 𝑆𝑆 .
3. Falta probar que: ∀𝑎𝑎, 𝑏𝑏 ∈ 𝑆𝑆 ∀𝛼𝛼, 𝛽𝛽 ∈ ℝ: 𝛼𝛼𝛼𝛼 + 𝛽𝛽𝛽𝛽 ∈ 𝑆𝑆, o sea, que toda combinación lineal de vectores de S, es también un vector de
S.
i) Establecemos la forma de dos vectores cualesquiera del conjunto S:

Sean 𝑎𝑎 = (𝑎𝑎1 , 𝑎𝑎2 ) y 𝑏𝑏 = (𝑏𝑏1 , 𝑏𝑏2 ) dos vectores cualesquiera de S, por tanto pueden escribirse como 𝑎𝑎 = (𝑎𝑎1 , 𝑚𝑚𝑎𝑎1 ) y 𝑏𝑏 =
(𝑏𝑏1 , 𝑚𝑚𝑏𝑏1 )
ii) Establecemos la combinación lineal de los dos vectores definidos en i) con dos escalares cualesquiera 𝛼𝛼 𝑦𝑦 𝛽𝛽 reales.
𝛼𝛼𝛼𝛼 + 𝛽𝛽𝛽𝛽 = 𝛼𝛼(𝑎𝑎1 , 𝑚𝑚𝑎𝑎1 ) + 𝛽𝛽(𝑏𝑏1 , 𝑚𝑚𝑏𝑏1 )
iii) Se efectúan las operaciones indicadas en la combinación lineal, respetando el orden de las operaciones (primero la
multiplicación por un escalar y después la adición de vectores), hasta obtener un vector del espacio en su
representación estándar.
𝛼𝛼(𝑎𝑎1 , 𝑚𝑚𝑎𝑎1 ) + 𝛽𝛽(𝑏𝑏1 , 𝑚𝑚𝑏𝑏1 ) = (𝛼𝛼𝑎𝑎1 , 𝛼𝛼𝛼𝛼𝑎𝑎1 ) + (𝛽𝛽𝑏𝑏1 , 𝛽𝛽𝛽𝛽𝑏𝑏1 ) = (𝛼𝛼𝑎𝑎1 + 𝛽𝛽𝑏𝑏1 , 𝛼𝛼𝛼𝛼𝑎𝑎1 + 𝛽𝛽𝛽𝛽𝑏𝑏1 )
iv) Se comprueba si el vector resultante obtenido pertenece al conjunto que se investiga.
En efecto, el vector (𝛼𝛼𝑎𝑎1 + 𝛽𝛽𝑏𝑏1 , 𝛼𝛼𝛼𝛼𝑎𝑎1 + 𝛽𝛽𝛽𝛽𝑏𝑏1 ) = (𝛼𝛼𝑎𝑎1 + 𝛽𝛽𝑏𝑏1 , 𝑚𝑚(𝛼𝛼𝑎𝑎1 + 𝛽𝛽𝑏𝑏1 )) es un vector donde la segunda
componente es el resultado de multiplicar por el parámetro 𝑚𝑚 la primera componente, por tanto 𝛼𝛼𝛼𝛼 + 𝛽𝛽𝛽𝛽 es un vector de S.
Página|156
Capítulo IV
v) Se concluye que S es un subespacio vectorial de ℝ2 con las operaciones usuales en este espacio.

Nota: Los pasos 1-2-3i)-v) son siempre los mismos para la identificación de la condición de subespacio vectrorial de un
subconjunto cualquiera de un K-espacio vectorial.

Intersección, inclusión y unión de subespacios vectoriales

Intersección
Definición (Intersección de subespacios vectoriales)
Sean 𝑈𝑈 y 𝑉𝑉 dos subespacio vectoriales del mismo K-espacio vectorial 𝐸𝐸. Se define:
𝑈𝑈 ∩ 𝑉𝑉 ≝ {𝑥𝑥 ∈ 𝐸𝐸|𝑢𝑢 ∈ 𝑈𝑈 ∧ 𝑢𝑢 ∈ 𝑉𝑉}
O sea, que a la intersección de dos subespacios pertenecen todos los vectores que pertenezcan tanto a uno como al otro
subespacio, o sea los vectores comunes a ambos subespacios.

Ejemplo 32
Hallar la intersección de los siguientes subespacios vectoriales de ℝ2 :
𝑈𝑈 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 |𝑦𝑦 = 𝑥𝑥} y 𝑉𝑉 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 |𝑦𝑦 = 𝑥𝑥 ∧ 𝑦𝑦 = −2𝑥𝑥}
Solución:
La intersección de esos subespacios quedará definida como:
𝑈𝑈 ∩ 𝑉𝑉 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 |𝑦𝑦 = 𝑥𝑥 ∧ 𝑦𝑦 = −2𝑥𝑥}
Por lo cual, en las restricciones del conjunto intersección aparece un sistema de ecuaciones lineales homogéneo, a saber:
−𝑥𝑥 + 𝑦𝑦 = 0
�
2𝑥𝑥 + 𝑦𝑦 = 0
Que como se sabe siempre tiene solución, porque al menos la solución trivial lo satisface.
−1 1
Como el rango de la matriz del SEL 𝐴𝐴 = � � es igual al número de incógnitas, o sea:
2 1
𝑟𝑟(𝐴𝐴) = 2 = 𝑛𝑛, se concluye que el SEL es compatible determinado y su solución es única, en este caso, la solución trivial.
Por tanto: 𝑈𝑈 ∩ 𝑉𝑉 = {(0,0)}. La intersección es el subespacio nulo de ℝ2 .

Teorema 5:
Sean 𝑈𝑈 y 𝑉𝑉 dos subespacios vectoriales del K-espacio vectorial E, entonces el conjunto intersección 𝑈𝑈 ∩ 𝑉𝑉 es
también un subespacio vectorial de E.

La demostración de este teorema se deja de estudio independiente.

Sugerencia: Utilice la caracterización de subespacios vectoriales para demostrarlo.
Inclusión de subespacios vectoriales
Entre dos subespacios 𝑆𝑆1 y 𝑆𝑆2 de un mismo espacio vectorial pueden existir diferentes relaciones, a saber:
• 𝑆𝑆1 ⊂ 𝑆𝑆2
• 𝑆𝑆2 ⊂ 𝑆𝑆1
• 𝑆𝑆1 ⊄ 𝑆𝑆2 y 𝑆𝑆2 ⊄ 𝑆𝑆1
Si se cumple que 𝑆𝑆1 ⊂ 𝑆𝑆2 y 𝑆𝑆2 ⊂ 𝑆𝑆1 , entonces 𝑆𝑆1 = 𝑆𝑆2
Es posible que 𝑆𝑆1 = 𝐸𝐸, en ese caso 𝑆𝑆2 = 𝐸𝐸, pues el espacio vectorial 𝐸𝐸 es un subespacio vectorial de él mismo y además es el
mayor subespacio vectorial contenido en 𝐸𝐸, en el sentido de la inclusión.
Si 𝑆𝑆1 ⊄ 𝑆𝑆2 y 𝑆𝑆2 ⊄ 𝑆𝑆1 , entonces se cumple que 𝑆𝑆1 ∩ 𝑆𝑆2 = {0}
Página|157
Capítulo IV
Este resultado destaca que en un espacio vectorial no pueden existir dos subespacios disjuntos, al menos tienen como
intersección al vector nulo del espacio, único vector común a todos los subespacios de un espacio vectorial. Su ausencia en
un conjunto provoca que una de las propiedades de la estructura “espacio vectorial” se incumpla y por tanto dicho conjunto
no pueda ser un espacio vectorial y en consecuencia no pueda ser un subespacio vectorial del espacio mayor.
Ese hecho, establece una importante condición necesaria para los subespacios vectoriales:
En Matemática las
Condición necesaria de los subespacios vectoriales 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑎𝑎𝑠𝑠
se utilizan para probar que
Si 𝑆𝑆 es un subespacio vectorial del K-espacio vectorial 𝐸𝐸 y 𝑂𝑂 es el vector nulo de 𝐸𝐸 , entonces 𝑂𝑂 ∈ 𝑆𝑆. una proposición no es
cierta o no se cumple, pero
Esta condición necesaria suele utilizarse para probar que un conjunto no es un subespacio vectorial. nunca para probar su
cumplimiento o veracidad.
Ejemplo 33
Probar utilizando la Condición Necesaria que el conjunto de puntos de una recta del plano XY que no pasa por el origen de
coordenadas no es un subespacio vectorial de ℝ2 .
Solución:
Toda recta del plano XY que no pasa por el origen tiene dos posibles ecuaciones:
• 𝑦𝑦 = 𝑚𝑚𝑚𝑚 + 𝑛𝑛
• 𝑥𝑥 = 𝑎𝑎
donde 𝑛𝑛 ≠ 0 y 𝑎𝑎 ≠ 0.
En el primer caso, si la ecuación se evalúa en el punto (𝑥𝑥, 𝑦𝑦) = (0,0), vector nulo de ℝ2 , se obtiene 0 = 𝑚𝑚0 + 𝑛𝑛 = 𝑛𝑛 lo que
contradice lo supuesto.
En el segundo caso, al evaluar el vector nulo en la ecuación se obtiene 0 = 𝑎𝑎, que también contradice lo supuesto.
Por ello tal conjunto de puntos no constituye un subespacio vectorial de ℝ2 , pues el vector nulo de ℝ2 no pertenece al mismo.∎
Unión
Definición
Sean 𝑈𝑈 y 𝑉𝑉 dos subespacio vectoriales del mismo K-espacio vectorial 𝐸𝐸. Se define:
𝑈𝑈 ∪ 𝑉𝑉 ≝ {𝑥𝑥 ∈ 𝐸𝐸|𝑢𝑢 ∈ 𝑈𝑈 ∨ 𝑢𝑢 ∈ 𝑉𝑉}
O sea, que a la unión de dos subespacios pertenecen todos los vectores de ambos subespacios.
Puede apreciarse que la unión de subespacios da como resultado un subconjunto de vectores del espacio E que como regla
no es un subespacio vectorial de 𝐸𝐸, lo cual puede verse en el siguiente contraejemplo.

Ejemplo 34
Verificar que la unión de los subespacios
𝑈𝑈 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 |𝑦𝑦 = 𝑥𝑥} y 𝑊𝑊 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 |𝑦𝑦 = −2𝑥𝑥}
no es un subespacio de ℝ2 .
Solución:
𝑈𝑈 ∪ 𝑊𝑊 = {(𝑥𝑥, 𝑦𝑦) ∈ ℝ2 |𝑦𝑦 = 𝑥𝑥 ∨ 𝑦𝑦 = −2𝑥𝑥 }
O sea la unión es el conjunto de todos los vectores que se encuentran ya sea en la recta 𝑦𝑦 = 𝑥𝑥 o en la recta 𝑦𝑦 = −2𝑥𝑥.
Sea (1,1) ∈ 𝑈𝑈 y (1, −2) ∈ 𝑊𝑊. Si la unión 𝑈𝑈 ∪ 𝑊𝑊 fuera un subespacio vectorial de ℝ2 , la suma de dos vectores cualesquiera
debe pertenecer al subespacio.
Como (1,1) ∈ 𝑈𝑈, entonces (1,1) ∈ 𝑈𝑈 ∪ 𝑊𝑊 y como (1, −2) ∈ 𝑊𝑊, entonces (1, −2) ∈ 𝑈𝑈 ∪ 𝑊𝑊. Sin embargo,
(1,1) + (1, −2) = (2, −1) ∉ 𝑈𝑈 ∪ 𝑊𝑊 porque no pertenece ni a 𝑈𝑈 ni a 𝑊𝑊.∎
Página|158
Capítulo IV

Espacios vectoriales euclídeos, normados y métricos

Producto escalar
Al estudiarse los vectores geométricos se introdujo el concepto de producto escalar o producto punto de dos vectores
bidimensionales (tridimensionales) y se destacó la importancia que tenía el definirlos en el plano y el espacio, porque gracias
a esa operación podrían determinarse el ángulo entre dos vectores y con ello el ángulo entre rectas, entre planos y entre
rectas y planos, lo que abría la posibilidad de determinar relaciones de perpendicularidad y determinar a través del álgebra
vectorial si una figura era un rectángulo, un cuadrado, etc. Por otra parte, se pudo definir el concepto de proyección ortogonal
de un vector en la dirección de otro y con ello, determinar las componentes de un vector (en la dirección de otro y la
componente ortogonal a dicho vector), la distancia de un punto a un plano entre otras aplicaciones.
Asimismo, se introdujo el concepto de norma de un vector, inducida por el producto escalar definido en esos espacios.
Como ya se definió el concepto de espacio vectorial real y se puede hacer una distinción entre los espacios geométricos y los
espacios ℝ2 y ℝ3 , hagamos una mirada retrospectiva y sistémica de los conocimientos adquiridos a la luz de la teoría de los
espacios vectoriales. La siguiente tabla rememora las operaciones denominadas producto escalar o producto punto, vistas
en el tema de Geometría Analítica:
Espacio vectorial Producto escalar usual
𝑉𝑉2 : espacio de los vectores geométricos bidimensionales 𝑎𝑎⃗. 𝑏𝑏�⃗ = ‖𝑎𝑎⃗‖�𝑏𝑏�⃗� cos 𝜃𝜃
𝑉𝑉3 : espacio de los vectores geométricos tridimensionales 𝑎𝑎⃗. 𝑏𝑏�⃗ = ‖𝑎𝑎⃗‖�𝑏𝑏�⃗� 𝑐𝑐𝑐𝑐𝑐𝑐 𝜃𝜃
ℝ2 : espacio de los pares ordenados de números reales (𝑎𝑎1 , 𝑎𝑎2 ) ∙ (𝑏𝑏1 , 𝑏𝑏2 ) = 𝑎𝑎1 𝑏𝑏1 + 𝑎𝑎2 𝑏𝑏2
3 (𝑎𝑎1 , 𝑎𝑎2 , 𝑎𝑎3 ) ∙ (𝑏𝑏1 , 𝑏𝑏2 , 𝑏𝑏3 ) = 𝑎𝑎1 𝑏𝑏1 + 𝑎𝑎2 𝑏𝑏2 +𝑎𝑎3 𝑏𝑏3
ℝ : espacio de las ternas ordenadas de números reales

Al insertarse un sistema coordenado cartesiano en el plano, se establece un isomorfismo y una isometría (aplicación que
conserva las longitudes) entre los espacios vectoriales reales 𝑉𝑉2 y ℝ2 , y los espacios 𝑉𝑉3 y ℝ3 lo que permite que se conserve
el producto escalar, o sea, el valor numérico que resulte del producto escalar de dos vectores geométricos 𝑎𝑎⃗ y ���⃗
𝑏𝑏 es el mismo
que el que resulte del producto escalar de los vectores correspondientes de ℝ2 :

𝑎𝑎⃗ ∙ 𝑏𝑏�⃗ = ‖𝑎𝑎⃗‖�𝑏𝑏�⃗� cos 𝜃𝜃 = 𝑎𝑎1 𝑏𝑏1 + 𝑎𝑎2 𝑏𝑏2 = (𝑎𝑎1 , 𝑎𝑎2 ) ∙ (𝑏𝑏1 , 𝑏𝑏2 )

Esta correspondencia entre ambos productos escalares, permite utilizar el producto escalar en ℝ2 o ℝ3 para calcular las
longitudes de los vectores (sus normas) y la amplitud del ángulo comprendido entre los dos vectores.
Ahora se está en condiciones de generalizar el concepto de producto escalar o producto interno, como una operación definible en
cualquier espacio vectorial, aunque en este libro solo se hará para espacios vectoriales reales, siempre que se satisfagan
determinadas propiedades, entre ellas las que establecen las relaciones con las operaciones ya definidas en el espacio vectorial.

Definición (producto escalar o producto interno)

Sea 𝐸𝐸 un espacio vectorial real. La operación binaria 〈 , 〉: 𝐸𝐸 × 𝐸𝐸 → ℝ es un producto escalar en 𝐸𝐸, si para cualesquiera
𝑥𝑥, 𝑦𝑦, 𝑧𝑧 ∈ 𝐸𝐸 y cualquier escalar 𝜆𝜆 ∈ ℝ, se cumplen las siguientes propiedades:
1) 〈𝑥𝑥, 𝑦𝑦〉 = 〈𝑦𝑦, 𝑥𝑥〉 (conmutatividad del producto escalar en espacios vectoriales reales)
2) 〈𝑥𝑥, 𝑥𝑥〉 ≥ 0 (no negatividad del producto escalar)
3) 〈𝑥𝑥, 𝑥𝑥〉 = 0 si y solamente si 𝑥𝑥 = 0
4) 〈𝑥𝑥 + 𝑦𝑦, 𝑧𝑧〉 = 〈𝑥𝑥, 𝑧𝑧〉 + 〈𝑦𝑦, 𝑧𝑧〉 (distributividad por la izquierda del producto escalar)
5) 〈𝜆𝜆𝜆𝜆, 𝑦𝑦〉 = 𝜆𝜆〈𝑥𝑥, 𝑦𝑦〉 (homogeneidad del producto escalar)
Página|159
Capítulo IV
A los espacios vectoriales en los que se ha definido un producto escalar, se les denomina espacios vectoriales euclídeos.
También es usual utilizar la denominación genérica espacios vectoriales con producto interno o espacios vectoriales con
producto escalar.
Observaciones:
Las propiedades 4 y 5 son las que establecen las relaciones de la nueva operación definida en E, el producto escalar o interno,
con las operaciones interna y externa definidas en 𝐸𝐸.
En el caso de los espacios ℝ𝑛𝑛 el producto escalar usual es una generalización del que se conoce del trabajo con las
componentes de los vectores geométricos, el cual se denomina 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒:
Para cualesquiera vectores 𝑎𝑎 , 𝑏𝑏 ∈ ℝ𝑛𝑛
𝑛𝑛

𝑎𝑎 ∙ 𝑏𝑏 = (𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 ) ∙ (𝑏𝑏1 , … , 𝑏𝑏𝑛𝑛 ) = 𝑎𝑎1 𝑏𝑏1 + 𝑎𝑎2 𝑏𝑏2 + … + 𝑎𝑎𝑛𝑛 𝑏𝑏𝑛𝑛 = � 𝑎𝑎𝑖𝑖 𝑏𝑏𝑖𝑖
𝑖𝑖=1
𝑛𝑛
En el propio espacio vectorial ℝ pueden ser definidas otras operaciones en calidad de producto escalar. Asimismo, en otros
espacios vectoriales pueden ser definidas otras operaciones que satisfagan los axiomas del producto escalar; en esos casos
tales operaciones definen a esos espacios vectoriales como espacios vectoriales euclídeos. En lo adelante, si no se establece
otra cosa, ℝ𝑛𝑛 se tomará como un espacio euclídeo con el producto escalar usual.
En los espacios euclídeos tiene sentido incorporar el concepto de ortogonalidad de vectores, que ya en general no tiene el
sentido geométrico de perpendicularidad, aunque en los espacios geométricos, ambos conceptos coinciden.

Definición (vectores ortogonales)

Dos vectores 𝑎𝑎 𝑦𝑦 𝑏𝑏 ∈ ℝ𝑛𝑛 , se dicen ortogonales, si y solo si el producto escalar 𝑎𝑎 ∙ 𝑏𝑏 = 0.

Y en consecuencia, el concepto de conjunto ortogonal también es posible definirlo.

Definición (conjunto ortogonal)

Un conjunto de vectores 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ ℝ𝑛𝑛 se dice que es un conjunto ortogonal, si y solo si los vectores de 𝐴𝐴 son
ortogonales dos a dos.

En símbolos: (𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜) ⟺ �∀𝑖𝑖, 𝑗𝑗: 𝑖𝑖 ≠ 𝑗𝑗 ⟹ 𝑎𝑎𝑖𝑖 ∙ 𝑎𝑎𝑗𝑗 = 0�

Ejemplo 35
Determinar si el sistema 𝐴𝐴 = {(2,0,1), (0,5,0), (1,0, −2)} ⊂ ℝ3 es un conjunto ortogonal de ℝ3 con el producto escalar usual
en este espacio.
Solución
(2,0,1) ∙ (0,5,0) = 0 Por tanto, (2,0,1) y (0,5,0) son ortogonales.
(2,0,1) ∙ (1,0, −2) = 0 Por tanto, (2,0,1) y (1,0, −2) son ortogonales.
(0,5,0) ∙ (1,0, −2) = 0 Por tanto, (0,5,0) y (1,0, −2) son ortogonales.
Como el producto escalar de esos vectores es 0, si se cambiara el orden de los vectores, se obtendría el mismo resultado en
virtud de la conmutatividad del producto escalar euclidiano en ℝ3 . Por tanto, no es necesario calcular otros productos
escalares, para determinar si el conjunto es ortogonal o no.
Como todos los vectores de 𝐴𝐴 son ortogonales entre sí dos a dos, puede concluirse que 𝐴𝐴 es un conjunto ortogonal de ℝ3 .∎
Un concepto importante es el de complemento ortogonal de un conjunto en los espacios euclídeos.
Página|160
Capítulo IV

Definición (complemento ortogonal)

Se denomina complemento ortogonal de un conjunto 𝐴𝐴 ⊂ ℝ𝑛𝑛 al conjunto de todos los vectores de ℝ𝑛𝑛 que son ortogonales
a todos y cada uno de los vectores de A y se denotará 𝐴𝐴⊥ .

En símbolos: 𝐴𝐴⊥ = {𝑥𝑥 ∈ ℝ𝑛𝑛 | 𝑎𝑎𝑖𝑖 ∙ 𝑥𝑥 = 0, para todo 𝑎𝑎𝑖𝑖 ∈ 𝐴𝐴 }

Ejemplo 36
Hallar el complemento ortogonal de 𝐴𝐴 = {(2,0,1), (0,5,0)} ⊂ ℝ3
Solución:
Considérese un vector cualquiera (𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 , perteneciente al complemento ortogonal de A. Entonces, se debe cumplir que:
(2,0,1) ∙ (𝑥𝑥, 𝑦𝑦, 𝑧𝑧) = 0 2𝑥𝑥 + 𝑧𝑧 = 0
�⇒� SEL homogéneo (por tanto compatible y en este caso indeterminado)
(0,5,0) ∙ (𝑥𝑥, 𝑦𝑦, 𝑧𝑧) = 0 5𝑦𝑦 = 0

Su conjunto solución es el complemento ortogonal de 𝐴𝐴, a saber:

𝐴𝐴⊥ = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ𝟑𝟑 | 𝑧𝑧 = −2𝑥𝑥; 𝑦𝑦 = 0}
O en otras palabras, el conjunto de todos los vectores de la forma: (𝑥𝑥, 0, −2𝑥𝑥) ∈ ℝ3 . ∎

Ejemplo 37
El sistema de vectores canónicos de ℝ𝒏𝒏 es un sistema ortogonal, porque como la componente 𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 del vector canónico 𝑒𝑒𝑖𝑖
es igual a 1 y las restantes componentes son iguales a 0, entonces, al calcularse el producto escalar euclidiano entre dos vectores
canónicos diferentes, resulta siempre que: 𝑒𝑒𝑖𝑖 ∙ 𝑒𝑒𝑘𝑘 = 0 pues la componente 𝑖𝑖 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 de 𝑒𝑒𝑖𝑖 no coincide con la componente
𝑘𝑘 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 de 𝑒𝑒𝑘𝑘 . O sea, siempre se plantearán productos de los tipos 0 ∙ 1 y 0 ∙ 0 los cuales dan 0 como resultado ∎

Norma de un vector
Ya en el tema de Geometría Analítica, se introdujo el concepto de norma (módulo) de un vector geométrico y este se vio
asociado al producto escalar de los espacios ℝ2 y ℝ3 , según si el vector era bidimensional o tridimensional.
A manera de recordatorio:
𝑉𝑉2 : espacio de los vectores geométricos bidimensionales ‖𝑎𝑎⃗‖ = �𝑎𝑎12 + 𝑎𝑎22 = ‖𝑎𝑎1 , 𝑎𝑎2 ‖

𝑉𝑉3 : espacio de los vectores geométricos tridimensionales ‖𝑎𝑎⃗‖ = �𝑎𝑎12 + 𝑎𝑎22 + 𝑎𝑎32 = ‖𝑎𝑎1 , 𝑎𝑎2 , 𝑎𝑎3 ‖
Ahora se está en condiciones de definir una norma vectorial en un K-espacio vectorial real.

Definición (norma de un vector)

Sea 𝐸𝐸 un espacio vectorial real. La operación monaria ‖. ‖: 𝐸𝐸 → 𝐾𝐾 es una norma en 𝐸𝐸, si para cualesquiera 𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸 y
cualquier escalar 𝜆𝜆 ∈ ℝ, se cumplen las siguientes propiedades:
1) ‖𝑥𝑥‖ ≥ 0 y ‖𝑥𝑥‖ = 0 si y solamente si 𝑥𝑥 = 0 (no negatividad de la norma)
2) ‖𝑥𝑥 + 𝑦𝑦‖ ≤ ‖𝑥𝑥‖ + ‖𝑦𝑦‖ (desigualdad triangular)
3) ‖𝜆𝜆𝜆𝜆‖ = |𝜆𝜆|‖𝑥𝑥‖ (homogeneidad de la norma)

Se va a preferir la doble barra, para diferenciar esta norma del módulo de un número.
Página|161
Capítulo IV
Observaciones:
La denominación de desigualdad triangular a la propiedad 2 se debe a que si estamos en presencia de vectores geométricos
𝑥𝑥⃗ y 𝑦𝑦⃗, entonces conjuntamente con el vector suma 𝑥𝑥⃗ + 𝑦𝑦⃗ , se conformaría un triángulo, donde como se sabe, siempre la
longitud de un lado es menor que la suma de las longitudes de los otros dos. La igualdad solo se cumple si los vectores son
colineales, caso límite de un triángulo.

Las propiedades 2 y 3 están asociadas a las relaciones entre la nueva operación que se define, la norma, y las operaciones
antes definidas en el espacio vectorial 𝐸𝐸.

Norma inducida por un producto escalar

En los espacios con producto interno, es conveniente establecer una relación entre el producto escalar ya definido y la norma
que se definirá en ese espacio. En estos casos, que son los que con más frecuencia se encontrarán, la norma se induce a partir
del producto escalar, definiéndola de la siguiente forma:

‖𝑥𝑥‖ = �〈𝑥𝑥, 𝑥𝑥〉

La operación, �〈𝑥𝑥, 𝑥𝑥〉 cumple con las tres propiedades exigidas a las normas vectoriales, por tanto, tendrá sentido hablar de
la norma de una matriz, o de un polinomio, entre otros elementos si en los espacios vectoriales correspondientes se define
un producto escalar y se asume la norma inducida por el mismo.

Ejemplo 38
Hallar la norma del vector 𝑥𝑥 = (5,4, −2,0, 6) inducida por el producto escalar usual en ℝ5 .
Solución:

‖𝑥𝑥‖ = �(5,4, −2,0, 6) ∙ (5,4, −2,0, 6) = �52 + 42 + (−2)2 + 02 + 62 = √81 = 9 ∎

Al igual que con anterioridad se definirá como 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑢𝑢𝑢𝑢𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 a aquel que tenga norma igual a 1; y se podrá normalizar un
vector, o sea, obtener un vector unitario a partir de un vector no nulo cualquiera, multiplicando dicho vector por el recíproco
de su norma.

Ejemplo 39
1 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑗𝑗
Los vectores canónicos de los espacios ℝ𝑛𝑛 son vectores unitarios, pues si 𝑒𝑒𝑖𝑖,𝑗𝑗 = � donde 𝑖𝑖 indica la posición del
0 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗
vector en el sistema canónico de ℝ𝑛𝑛 y 𝑗𝑗 indica la 𝑗𝑗 − é𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 componente del vector 𝑒𝑒𝑖𝑖 .

‖𝑒𝑒𝑖𝑖 ‖ = �12 + � 02 = 1
𝑗𝑗≠𝑖𝑖

Se llamarán espacios normados a aquellos espacios vectoriales donde haya definida una norma, sea esta inducida o no por
un producto escalar.
Página|162
Capítulo IV
Si en particular el espacio normado es un espacio euclídeo, , entonces tendrá sentido hablar de 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
de vectores, es decir aquellos conjuntos de vectores que además de ser ortogonales, todos sus vectores son unitarios.

0 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗
En símbolos: (𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜) ⟺ �∀𝑖𝑖, 𝑗𝑗: 〈𝑎𝑎𝑖𝑖 , 𝑎𝑎𝑗𝑗 〉 = � �
1 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑗𝑗

Ejemplo 40
Ejemplos de sistemas ortonormales son los siguientes:

• {𝑖𝑖, 𝑗𝑗}, el sistema de vectores canónicos del plano es ortonormal, pues: son unitarios y

𝑖𝑖 ∙ 𝑗𝑗 = ‖𝑖𝑖‖‖𝑗𝑗‖cos∢(𝑖𝑖, 𝑗𝑗) = 1.1. cos 90° = 0, o sea, ortogonales.

• {𝑖𝑖, 𝑗𝑗, 𝑘𝑘}, el sistema de vectores canónicos del espacio es ortonormal, pues: son unitarios y

𝑖𝑖 ∙ 𝑗𝑗 = ‖𝑖𝑖‖‖𝑗𝑗‖cos∢(𝑖𝑖, 𝑗𝑗) = 1.1. cos 90° = 0, o sea, ortogonales,

𝑖𝑖 ∙ 𝑘𝑘 = ‖𝑖𝑖‖‖𝑘𝑘‖cos∢(𝑖𝑖, 𝑘𝑘) = 1.1. cos 90° = 0, o sea, ortogonales,

𝑗𝑗 ∙ 𝑘𝑘 = ‖𝑗𝑗‖‖𝑗𝑗‖cos∢(𝑗𝑗, 𝑘𝑘) = 1.1. cos 90° = 0, o sea, ortogonales.

1 √6 √6 1
• �� , 0, − � , (0,1,0), � , 0, �� es un sistema ortonormal de ℝ3 , porque:
√3 3 3 √3

2 2
1 √6 1 √6 1 6
�� , 0, − �� = �� � + 02 + �− � = � + = 1⎫
√3 3 √3 3 3 9 ⎪
√6 1 √6
2
1 2 6 1 son vectores unitarios
�� , 0, �� = �� � + 02 + � � = � + = 1 ⎬
3 √3 3 √3 9 3
⎪
‖(0,1,0)‖ = √02 + 12 + 02 = √1 = 1 ⎭

Por otra parte:

1 √6
� , 0, − � ∙ (0,1,0) = 0 ⎫
√3 3
1 1
⎪
√6 √6 √6 √6
� , 0, − � ∙ � , 0, � = +0− = 0 son ortogonales entre sí, dos a dos.
√3 3 3 3 3√3 3√3 ⎬
√6 1 ⎪
� , 0, � ∙ (0,1,0) = 0 ⎭
3 3

Un resultado inmediato a partir de identificar a los sistemas de vectores canónicos de ℝ𝑛𝑛 como ortogonales y unitarios es el
siguiente:

El sistema de vectores canónicos de ℝ𝑛𝑛 es un sistema ortonormal

Este resultado se puede resumir simbólicamente utilizando la función 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑 𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾
{𝑒𝑒𝑖𝑖 }𝑖𝑖=1,⋯,𝑛𝑛 ⊂ ℝ𝑛𝑛 es ortonormal porque para dos vectores canónicos cualesquiera 𝑒𝑒𝑖𝑖 y 𝑒𝑒𝑗𝑗 se cumple que:
0 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗
𝑒𝑒𝑖𝑖 ∙ 𝑒𝑒𝑗𝑗 = 𝛿𝛿𝑖𝑖𝑖𝑖 = �
1 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑗𝑗
Obsérvese el hecho de que si 𝑒𝑒𝑖𝑖 ∙ 𝑒𝑒𝑗𝑗 = 1 es porque 𝑖𝑖 = 𝑗𝑗, o sea, 𝑒𝑒𝑖𝑖 ∙ 𝑒𝑒𝑗𝑗 = 𝑒𝑒𝑖𝑖 ∙ 𝑒𝑒𝑖𝑖 = ‖𝑒𝑒𝑖𝑖 ‖2 = 12 = 1
Página|163
Capítulo IV

Distancia entre dos vectores

En las matemáticas superiores el uso del concepto de distancia está continuamente presente, en particular en el Cálculo
Diferencial e Integral. Sin ella es imposible la definición de límite de una función, de una sucesión, de derivada, de integral de
Riemann, entre otros conceptos fundamentales. En diversas áreas de la ciencia y la técnica es necesario poder determinar la
distancia de un objeto a cierto conjunto de objetos, entendiéndose por distancia o métrica un concepto más general que la
conocida distancia entre dos puntos de la Geometría, la cual se generalizará a continuación.

Definición (distancia entre dos vectores)

Sea 𝐸𝐸 un espacio vectorial real. Toda operación binaria 𝑑𝑑: 𝐸𝐸 × 𝐸𝐸 → ℝ que para cualesquiera 𝑥𝑥, 𝑦𝑦, 𝑧𝑧 ∈ 𝐸𝐸, cumpla las siguientes
propiedades:
1) 𝑑𝑑(𝑥𝑥, 𝑦𝑦) ≥ 0 (No negatividad de la distancia entre dos vectores)
2) 𝑑𝑑(𝑥𝑥, 𝑦𝑦) = 0 ⟺ 𝑥𝑥 = 𝑦𝑦
3) 𝑑𝑑(𝑥𝑥, 𝑦𝑦) = 𝑑𝑑(𝑦𝑦, 𝑥𝑥) (simetría)
4) 𝑑𝑑(𝑥𝑥, 𝑧𝑧) ≤ 𝑑𝑑(𝑥𝑥, 𝑦𝑦) + 𝑑𝑑(𝑦𝑦, 𝑧𝑧) (desigualdad triangular)
Es una 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 o 𝑚𝑚é𝑡𝑡𝑡𝑡𝑖𝑖𝑖𝑖𝑖𝑖 en 𝐸𝐸, la cual es compatible con las operaciones de espacio vectorial.

Un espacio vectorial donde se ha definido una distancia entre sus vectores se denomina 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑚𝑚é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡.
Análogamente a lo explicado con el producto escalar y la norma en espacios euclídeos, sucede con la norma y la distancia en
espacios normados. O sea, que en un espacio vectorial donde se ha definido previamente una norma, entonces la métrica a
considerar debe ser la inducida por dicha norma y en esos casos se define a la métrica o distancia entre dos vectores como:
𝑑𝑑(𝑥𝑥, 𝑦𝑦) = ‖𝑦𝑦 − 𝑥𝑥‖
Obsérvese que por la propiedad de simetría de la distancia 𝑑𝑑(𝑥𝑥, 𝑦𝑦) = 𝑑𝑑(𝑦𝑦, 𝑥𝑥), por tanto es indistinto calcular la distancia
entre dos vectores como 𝑑𝑑(𝑥𝑥, 𝑦𝑦) = ‖𝑦𝑦 − 𝑥𝑥‖ o como 𝑑𝑑(𝑥𝑥, 𝑦𝑦) = ‖𝑥𝑥 − 𝑦𝑦‖.
Los espacios normados ejemplificados anteriormente son ejemplos también de espacios métricos, si se considera la métrica
inducida por las normas en ellos definidas.
Ahora se puede comprender por qué la distancia entre dos puntos, conocida de la Geometría Analítica no vectorial y que
ahora consideraremos como distancia entre dos vectores 𝐴𝐴 y 𝐵𝐵 de ℝ2 , puede ser concebida como la distancia entre los
�����⃗ y �����⃗
vectores de posición de ambos puntos, o sea, entre los vectores 𝑂𝑂𝑂𝑂 𝑂𝑂𝑂𝑂 de 𝑉𝑉2 .
Sean 𝐴𝐴(𝑎𝑎1 , 𝑎𝑎2 ) y 𝐵𝐵(𝑏𝑏1 , 𝑏𝑏2 ) dos puntos del plano, entonces la distancia entre los puntos 𝐴𝐴 y 𝐵𝐵, puede calcularse como:

𝐷𝐷(𝐴𝐴,
�� ��𝐵𝐵) �������⃗
� = 𝑑𝑑(𝑂𝑂𝑂𝑂
��� �����⃗
, 𝑂𝑂𝑂𝑂 �����⃗ − �����⃗
��) = �𝑂𝑂𝑂𝑂 �����⃗�,
𝑂𝑂𝑂𝑂� = �𝐴𝐴𝐴𝐴
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑟𝑟𝑟𝑟 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ó𝑛𝑛

o sea la distancia entre dos puntos de la Geometría Analítica No Vectorial − que se denomina aquí 𝐷𝐷(𝐴𝐴, 𝐵𝐵) para diferenciarla
�����⃗, 𝑂𝑂𝑂𝑂
− es numéricamente igual a la distancia 𝑑𝑑�𝑂𝑂𝑂𝑂 �����⃗�, definida en el espacio vectorial normado 𝑉𝑉2 , entre los vectores de
posición de los puntos 𝐴𝐴 y 𝐵𝐵; pero a la vez, esta distancia no es otra que la norma del vector con origen en 𝐴𝐴 y extremo en 𝐵𝐵,
o sea la norma del vector �����⃗
𝐴𝐴𝐴𝐴
�����⃗�
𝐷𝐷(𝐴𝐴, 𝐵𝐵) = ‖𝑂𝑂𝑂𝑂 − 𝑂𝑂𝐴𝐴‖ = ‖〈𝑏𝑏1 , 𝑏𝑏2 〉 − 〈(𝑎𝑎1 , 𝑎𝑎2 )〉‖ = ‖〈𝑏𝑏1 − 𝑎𝑎1 , 𝑏𝑏2 − 𝑎𝑎2 〉‖ = �(𝑏𝑏1 − 𝑎𝑎1 )2 + (𝑏𝑏2 − 𝑎𝑎2 )2 = �𝐴𝐴𝐴𝐴
Página|164
Capítulo IV
Estas importantes consideraciones, vinculan la teoría del Algebra Lineal con la Geometría Analítica y le dan unidad a la
asignatura con miras a una mejor comprensión del Cálculo Diferencial e Integral de Funciones de Varias Variables.
Sistematizando las tres operaciones últimas, resulta que si 𝐸𝐸 es un espacio vectorial euclídeo, para dos vectores cualesquiera
𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸 se cumple que:
𝑑𝑑(𝑥𝑥, 𝑦𝑦) = ‖𝑦𝑦 − 𝑥𝑥‖ = �〈𝑦𝑦 − 𝑥𝑥, 𝑦𝑦 − 𝑥𝑥〉
Pues en última instancia el producto escalar indujo la norma que a su vez indujo la métrica o distancia.
En particular, la distancia usual entre los vectores de los espacios ℝ𝑛𝑛 es la denominada distancia euclidiana, la quq constituye
una generalización de la distancia entre dos pountos del plano o del espacio estudiada en Geometría Analítica. A saber:

𝑑𝑑(𝑥𝑥, 𝑦𝑦) = 𝑑𝑑�(𝑥𝑥1 , 𝑥𝑥2 , ⋯ , 𝑥𝑥𝑛𝑛 ); (𝑦𝑦1 , 𝑦𝑦2 , ⋯ , 𝑦𝑦𝑛𝑛 )� = �(𝑥𝑥1 − 𝑦𝑦1 )2 + (𝑥𝑥2 − 𝑦𝑦2 )2 + ⋯ + (𝑥𝑥𝑛𝑛 − 𝑦𝑦𝑛𝑛 )2

Ejemplo 41
Hallar la distancia entre los vectores (2, −3,4,1) y (8,5,3, −1) de ℝ4 .
Solución:

𝑑𝑑�(2, −3,4,1); (8,5,3, −1)� = �(2 − 8)2 + (−3 − 5)2 + (4 − 3)2 + (1 + 1)2 = √36 + 64 + 1 + 4 = √105 ∎

Nota:
En los espacios vectoriales ℝ𝑛𝑛 la única distancia o métrica no es la euclidiana. De hecho, otras operaciones entre puntos de ℝ𝑛𝑛 ,
que cumplen las propieades generales de cualquier métrica, pueden ser más adecuadas a propósitos de su aplicación a
problemas prácticos o técnicos que la distancia euclidiana.
Por ejemplo, sobre la superficie de la Tierra:
• Para pequeñas longitudes, la distancia euclidiana funciona bien para los propósitos de medición de longiutudes entre
dos puntos, es la longitud del segmento de recta que los une, lo cual es equivalene a la norma del vector o segmento
orientado entre esos puntos.
• Para distancias entre países, en el mar, para rutas de vuelo, etc., la distancia euclidiana no es adecuada porque la
superfice de nuestro planeta no es un plano y debe tomarse en cuenta la curvatura de la Tierra. La distancia a asumir
entre dos puntos no es la longitud del segmento de recta que los une.
Otro ejemplo, en un almacén automatizado:
Si los estantes están colocados en paralelo y existe un pasillo central para acceder a cualquier lugar de cualquier estante,
entonces la distancia entre la puerta de despacho del almacén, al inicio del pasillo, y el lugar 𝑗𝑗 del estante 𝑖𝑖 donde está un
producto solicitado, no responde a la métrica euclidiana, porque no es la longitud de un segmento de recta la que hay que
medir. A eso caso se adecua más la denominada 𝑚𝑚é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏.

Si es de tu interés busca información sobre la

llamada métrica del bosque y otras posibles métricas
a usarse en ingeniería.
Página|165
Capítulo IV

Conclusiones del Capítulo

En el presente Capítulo se repasaron algunos conocimientos relacionados con los dominios numéricos que el lector conoce
desde la enseñanza general, pero tratando de darle otra mirada, al calor de las interrelaciones de ellos, la necesidad constante
a lo largo de la historia y de las propias necesidades del Hombre ante los nuevos problemas que se le presentaban. Así, se
discutió la inmersión isomorfa de unos en otros formando una cadena cuyo primer eslabón fue el conjunto de los números
naturales, devenido conjunto cardinales, y su último eslabón, el conjunto de los números complejos.
Después se definió el concepto de producto cartesiano y se presentó al conjunto ℝ𝑛𝑛 como el resultado de dicha operación
entre conjuntos, formadora de n-uplas ordenadas, en este caso, de números reales. Ya el lector conocía de la Geometría
Analítica los pares y ternas ordenadas y se amplió el horizonte de los mismos.
Una sistematización de las operaciones de la más diversa naturaleza, pero con énfasis en las operaciones binarias, creó las
bases para hablar de las estructuras algebraicas, de las cuales se enfatizó en la estructura 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 y con mayor detenimiento
en la de 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣, por su importancia para el estudio de la Física y el Cálculo Diferencial e Integral de funciones de
varias variables.
Entre los conjuntos más importantes de los espacios vectoriales se destacaron los conjuntos finitos, los sistemas de vectores
y los subespacios vectoriales. Todos ellos tienen su presencia a lo largo del estudio de los capítulos IV, V y VI del presente
libro.
También en el Capítulo se generalizaron las operaciones producto escalar de dos vectores, norma de un vector y distancia
entre dos vectores, sobre todo de los espacios vectoriales reales y con más énfasis de los espacios ℝ𝑛𝑛 .
Los conceptos de conjuntos ortogonales y ortonormales se generalizaron y ejemplificaron. Asimismo, se presentó el concepto
de complemento ortogonal de un conjunto.
Página|166
Capítulo IV

Preguntas teóricas
Sobre espacios y subespacios vectoriales:
1. Entre los dominios numéricos estudiados en la enseñanza general, ¿cuáles poseen la estructura de cuerpo?
2. Es usual decir que ℝ2 es un espacio vectorial real y también que es un producto cartesiano.
a) ¿Qué significa cada concepto?
b) ¿En cuál de los dos conceptos hay un abuso convenido del lenguaje?
c) ¿Podrá ser ℝ2 un cuerpo con las operaciones usuales de adición de vectores y de multiplicación de un vector por
un número real?
3. ¿Qué significa que un vector 𝑥𝑥 ∈ 𝐸𝐸 sea una combinación lineal de un conjunto 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , ⋯ , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸, espacio vectorial
sobre un cuerpo K?
4. Es muy frecuente el error de decir que ℝ2 es un subespacio vectorial de ℝ3 . ¿Es esto posible?
5. ¿Cuáles son los subespacios vectoriales de ℝ2 ?
6. ¿Cuáles son los subespacios vectoriales de ℝ3 ?
7. ¿Qué diferencia existe entre los términos conjunto de vectores y sistema de vectores?
8. ¿Cuál es el denominado sistema de vectores canónicos de ℝ4 ?
9. ¿Qué caracteriza a un vector canónico de cualquier espacio ℝ𝑛𝑛 ?
10. Todo vector de un espacio ℝ𝑛𝑛 puede ser expresado de forma única como una combinación lineal de los vectores del
sistema canónico. Exprese al vector (2,3, −1,4,5,0) ∈ ℝ6 como combinación lineal de los vectores canónicos 𝑒𝑒𝑖𝑖 de ℝ6
con 𝑖𝑖 = 1, ⋯ ,6.
11. Al tratar de expresar un vector no nulo 𝑥𝑥 ∈ ℝ𝑛𝑛 como combinación lineal de un conjunto 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , ⋯ , 𝑎𝑎𝑛𝑛 } ⊂ ℝ𝑛𝑛 se
conforma un Sistema de Ecuaciones Lineales No Homogéneo. ¿Qué implicación tiene que el SEL sea no homogéneo para
la solución de la ecuación vectorial 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥?
12. Si 𝑥𝑥 = (0, ⋯ ,0) ∈ ℝ𝑛𝑛 , ¿qué implicación tiene que el SEL que se forme sea homogéneo para la solución de la ecuación
vectorial 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥 donde 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , ⋯ , 𝑎𝑎𝑛𝑛 } ⊂ ℝ𝑛𝑛 ?
13. El nombre de la operación 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 proviene de que el resultado de multiplicar dos vectores es un escalar, a
diferencia del conocido producto vectorial o producto cruz en 𝑉𝑉3 en la cual el resultado es un vector. ¿Podría ser llamado
cualquier operación entre vectores 𝑥𝑥, 𝑦𝑦 ∈ ℝ𝑛𝑛 cuyo resultado sea un escalar un producto escalar? Justifique su respuesta.
14. ¿A qué se denomina espacio vectorial euclídeo?
15. ¿A qué se denomina espacio vectorial normado?
16. ¿A qué se denomina espacio vectorial métrico?
17. ¿Cuál es la norma que usualmente se usa en los espacios euclídeos? Dé su fórmula.
18. ¿Qué relación existe entre la distancia o métrica y la norma en un espacio normado? Dé su fórmula.
19. Al definirse una nueva operación en una estructura algebraica establecida entre los elementos de un conjunto, deben
definirse las relaciones entre la nueva operación y la operación (operaciones) propia de la estructura.
a) ¿Qué ley relaciona las operaciones de adición y multiplicación en el cuerpo de los números reales?
b) ¿Qué axiomas relacionan a un producto escalar con las operaciones interna y externa de espacio vectorial si este
se desea convertir en un espacio vectorial euclídeo?
20. Mencione tres condiciones necesarias para que un subconjunto no vacío 𝐻𝐻 de un K-espacio vectorial 𝐸𝐸 sea un subespacio
vectorial de 𝐸𝐸.
Página|167
Capítulo IV

Ejercicios Propuestos
Sobre espacios y subespacios vectoriales:
1. Prueba que el vector nulo de un espacio vectorial E es único.
2. Sea 𝐸𝐸𝐾𝐾 un espacio vectorial. Pruebe que para todo 𝛼𝛼, 𝛽𝛽 ∈ 𝐾𝐾 y para todo 𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸, se cumple que 𝛼𝛼𝛼𝛼 + 𝛽𝛽𝛽𝛽 ∈ 𝐸𝐸.
3. Sea el espacio vectorial real 𝐸𝐸 = 𝑉𝑉2 . Halle la combinación lineal −3〈2,1〉 + 4〈−2,5〉.
4. Prueba que 𝐸𝐸ℝ = ℝ2 es un espacio vectorial real con las operaciones no usuales:
Adición de vectores: 𝑥𝑥 + 𝑦𝑦 = (𝑥𝑥1 , 𝑥𝑥2 ) + (𝑦𝑦1 , 𝑦𝑦2 ) = (𝑥𝑥1 + 𝑦𝑦1 + 1, 𝑥𝑥 2 + 𝑦𝑦2 + 1)
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼(𝑥𝑥1 , 𝑥𝑥2 ) = (𝛼𝛼𝑥𝑥1 + 𝛼𝛼 − 1, 𝛼𝛼𝑥𝑥2 + 𝛼𝛼 − 1)
5. Investigue si 𝐸𝐸ℝ = ℝ2 es un espacio vectorial real con las operaciones no usuales:
Adición de vectores: 𝑥𝑥 + 𝑦𝑦 = (𝑥𝑥1 , 𝑥𝑥2 ) + (𝑦𝑦1 , 𝑦𝑦2 ) = (𝑥𝑥1 + 𝑦𝑦1 − (𝑥𝑥 2 + 𝑦𝑦2 ), 0)
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼(𝑥𝑥1 , 𝑥𝑥2 ) = 𝛼𝛼𝑥𝑥1 + 𝛼𝛼𝑥𝑥2
6. Halla la combinación lineal −3(2,1) + 4(−2,5) considerando que (2,1) y (−2,5) son vectores del espacio vectorial real
ℝ2 con las operaciones no usuales definidas en el ejercicio anterior.
7. Prueba por qué ℝ3 provisto de las operaciones:
Adición de vectores: 𝑥𝑥 + 𝑦𝑦 = (𝑥𝑥1 , 𝑥𝑥2 ) + (𝑦𝑦1 , 𝑦𝑦2 ) = (𝑥𝑥1 + 𝑦𝑦1 , 𝑥𝑥2 + 𝑦𝑦2 )
Multiplicación por un escalar: 𝛼𝛼𝛼𝛼 = 𝛼𝛼(𝑥𝑥1 , 𝑥𝑥2 ) = (𝛼𝛼𝑥𝑥1 , 𝛼𝛼𝑥𝑥2 )
no es un espacio vectorial complejo.
8. Con el símbolo ℝ suele identificarse en la literatura matemática al conjunto de los números reales, al cuerpo de los
números reales y al espacio vectorial real de los números reales con las operaciones de adición y multiplicación usuales
con estos números. Sin embargo, existen diferencias al llamarlo de una u otra forma. Haga una discusión sobre las
distintas categorizaciones que se hace de ℝ.
9. Prueba que el Conjunto Solución de un Sistema de Ecuaciones Lineales homogéneo de m ecuaciones con n incógnitas
es siempre un subespacio vectorial de ℝ𝑛𝑛 .
10. Prueba que la intersección de dos subespacios vectoriales de ℝ𝑛𝑛 es siempre un subespacio vectorial de ℝ𝑛𝑛 .
11. Hallar la intersección de los siguientes subespacios vectoriales:
𝑎𝑎) 𝑈𝑈 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 |𝑥𝑥 + 𝑦𝑦 = 𝑧𝑧} y 𝑉𝑉 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 |2𝑥𝑥 − 𝑦𝑦 = 0}
𝑏𝑏) 𝑆𝑆 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 |𝑥𝑥 = 3𝑧𝑧} y el subespacio 𝑊𝑊 ⊥ , sabiendo que 𝑊𝑊 = {(3,1,1); (0,1,0}
12. Pruebe que en el espacio vectorial 𝑀𝑀2 (ℝ) de las matrices cuadradas reales de orden 2, el conjunto 𝑆𝑆 ⊂ 𝑀𝑀2 (ℝ) de las
matrices cuadradas invertibles, no es un subespacio vectorial de 𝑀𝑀2 (ℝ).
13. Pruebe que el conjunto de las matrices simétricas reales de orden 2 es un subespacio vectorial de 𝑀𝑀2 (ℝ).
14. ¿Será el conjunto 𝐶𝐶ℝ1 de las funciones continuamente derivables en todo ℝ considerando las operaciones usuales de
suma de funciones y de multiplicación de una constante real por una función, un espacio vectorial real? Justifique su
respuesta a partir de la definición espacio vectorial.
15. Establecer si los siguientes conjuntos son o no subespacios del respectivo espacio vectorial indicado. Justifica la respuesta
(probar las propiedades de los subespacios o bien dar un contraejemplo que muestre la propiedad que falla).
a) 𝑅𝑅 = {(𝑥𝑥1 , 𝑥𝑥2 ) ∈ ℝ3 |𝑥𝑥1 = 3𝑥𝑥2 }
b) 𝑊𝑊 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) ∈ ℝ3 | 2𝑥𝑥1 − 3𝑥𝑥2 = 0 }
c) 𝑈𝑈 = {(𝑥𝑥1 , 𝑥𝑥2 ) ∈ ℝ2 | 𝑥𝑥1 𝑥𝑥2 = 9 }
d) 𝑉𝑉 = {(𝑥𝑥1 , 𝑥𝑥2 ) ∈ ℝ2 | 𝑥𝑥1 = 5}
e) 𝑀𝑀 = {(𝑥𝑥1 , 𝑥𝑥2 ) ∈ ℝ2 | 3𝑥𝑥1 𝑥𝑥2 = 0 }
f) 𝑆𝑆 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , 𝑥𝑥4 , 𝑥𝑥5 ) ∈ ℝ5 | 𝑥𝑥3 = 2𝑥𝑥1 − 𝑥𝑥2 ; 𝑥𝑥4 = 3𝑥𝑥2 }
Página|168
Capítulo IV
g) 𝑇𝑇 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , 𝑥𝑥4 , 𝑥𝑥5 ) ∈ ℝ5 | 𝑥𝑥5 = 𝑥𝑥3 + 7𝑥𝑥4 ; 𝑥𝑥1 + 𝑥𝑥2 = 0}
h) 𝑈𝑈 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , 𝑥𝑥4 ) ∈ ℝ4 |𝑥𝑥4 = 𝑥𝑥3 + 𝑥𝑥2 ; 𝑥𝑥2 = 𝑥𝑥1 + 5}
i) 𝑉𝑉 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , 𝑥𝑥4 ) ∈ ℝ4 | 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 0; 𝑥𝑥4 = 6𝑥𝑥1 }
j) 𝑊𝑊 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) ∈ ℝ3 | 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 0 }
k) 𝑌𝑌 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) ∈ ℝ3 | 𝑥𝑥1 + 8𝑥𝑥3 = 0 }
l) 𝑍𝑍 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) ∈ ℝ3 | 𝑥𝑥1 + 𝑥𝑥2 = 0; 𝑥𝑥2 = 4𝑥𝑥1 }
m) 𝑁𝑁 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) ∈ ℝ3 | 𝑥𝑥1 𝑥𝑥3 = 0 }
n) 𝑃𝑃 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) ∈ ℝ3 |𝑥𝑥1 = 0; 𝑥𝑥2 + 𝑥𝑥3 = 5 }
Sobre producto escalar, norma y distancia:
16. Reescribe la definición de producto escalar para el caso particular del producto escalar euclidiano en ℝ2 .
�⃗ , 𝑏𝑏 = 𝚤𝚤⃗ + 𝚥𝚥⃗ + 𝑘𝑘
17. Sean los vectores 𝑎𝑎 = 2𝚤𝚤⃗ − 3𝑘𝑘 �⃗ y 𝑐𝑐 = 𝚤𝚤⃗ − 7𝚥𝚥⃗ + 6𝑘𝑘
�⃗, encuentre:
𝑎𝑎) ‖𝑎𝑎 + 𝑏𝑏 + 𝑐𝑐‖
𝑏𝑏) ‖𝑐𝑐‖[𝑐𝑐 ∙ (𝑏𝑏 − 𝑎𝑎)]
18. Sean 𝑢𝑢 = (𝑢𝑢1 , 𝑢𝑢2 , 𝑢𝑢3 ) y 𝑣𝑣 = (𝑣𝑣1 , 𝑣𝑣2 , 𝑣𝑣3 ). Determinar si 〈𝑢𝑢, 𝑣𝑣〉 = 𝑢𝑢1 𝑣𝑣1 − 𝑢𝑢2 𝑣𝑣2 + 𝑢𝑢3 𝑣𝑣3 define un producto escalar en ℝ3 .
19. Investigue si la operación ‖𝑥𝑥 × 𝑦𝑦‖ es un producto escalar en 𝑉𝑉3 .
20. Dados los vectores 𝑥𝑥 = (𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ) e 𝑦𝑦 = (𝑦𝑦1 , 𝑦𝑦2 , 𝑦𝑦3 ) de ℝ3 , demostrar que la expresión
〈𝑥𝑥, 𝑦𝑦〉 = 2𝑥𝑥1 𝑦𝑦1 + 2𝑥𝑥2 𝑦𝑦2 + 𝑥𝑥3 𝑦𝑦3 + 𝑥𝑥1 𝑦𝑦2 + 𝑥𝑥2 𝑦𝑦1
define un producto escalar (no usual) en ℝ3 .
21. Encontrar dos vectores de ℝ2 con norma euclidiana 1 y cuyo producto escalar euclidiano con (−2, 4) sea cero.
22. Demuestre que hay un número infinito de vectores en ℝ3 con norma euclidiana uno y cuyo producto escalar euclidiano
con (−1, 7, 2) es cero.
1 1 2 3
23. Sean 𝑎𝑎 = ( ,− ) y 𝑏𝑏 = ( , ). Demostrar que el conjunto {𝑎𝑎; 𝑏𝑏} es ortonormal si se considera a ℝ2 como un
√5 √5 √30 √30
espacio euclídeo definido por el producto escalar 〈𝑢𝑢, 𝑣𝑣〉 = 3𝑢𝑢1 𝑣𝑣1 + 2𝑢𝑢2 𝑣𝑣2 donde 𝑢𝑢 = (𝑢𝑢1 , 𝑢𝑢2 ) y 𝑣𝑣 = (𝑣𝑣1 , 𝑣𝑣2 ), y que no
lo es si ℝ2 tiene el producto escalar euclidiano.
24. Sean 𝑎𝑎 y 𝑏𝑏 dos vectores ortogonales. Pruebe que: ‖𝑎𝑎 + 𝑏𝑏‖2 = ‖𝑎𝑎‖2 + ‖𝑏𝑏‖2
25. Sea 𝑎𝑎 = (𝑎𝑎1 , 𝑎𝑎2 , 𝑎𝑎3 ) ∈ ℝ3 . Si se define la operación ‖𝑎𝑎‖ = |𝑎𝑎1 | + |𝑎𝑎2 | + |𝑎𝑎3 | en ℝ3 . Pruebe que tal operación establece
una norma en ℝ3 .
26. Pruebe que el complemento ortogonal 𝐴𝐴⊥ de un conjunto 𝐴𝐴 ⊂ ℝ𝑛𝑛 es un subespacio vectorial de ℝ𝑛𝑛 .
27. Halle el complemento ortogonal del conjunto 𝐴𝐴 = {(1, −1), (4,4)} ⊂ ℝ2
28. Halle el complemento ortogonal del conjunto 𝐷𝐷 = {(1, −4, −2), (10,2,1)} ⊂ ℝ3
29. Hallar un vector unitario que sea un múltiplo escalar del vector (√5, −4, −2,0) ∈ ℝ4 .
30. Tomemos en ℝ4 el producto escalar euclidiano. Exprese el vector 𝑤𝑤 = (−1,2,6,0) en la forma 𝑤𝑤 = 𝑤𝑤1 + 𝑤𝑤2 donde, 𝑤𝑤1
esté en el subespacio 𝑊𝑊 generado por los vectores 𝑢𝑢1 = (−1,0,1,2) y 𝑢𝑢2 = (0,1,0,1), y 𝑤𝑤2 sea ortogonal a 𝑊𝑊.
31. Sea 𝑒𝑒𝑖𝑖 un vector canónicos de , con 𝑖𝑖 = 1,2,3,4.
a) Hallar un vector 𝑥𝑥 ∈ ℝ4 que sea ortogonal tanto a 𝑒𝑒1 como a 𝑒𝑒4 y que además forme ángulos iguales con los
vectores 𝑒𝑒2 y 𝑒𝑒3 .
b) Hallar un vector 𝑥𝑥 ∈ ℝ4 de longitud 1, ortogonal a 𝑒𝑒1 y a 𝑒𝑒2 , tal que el coseno del ángulo entre 𝑥𝑥 y 𝑒𝑒3 sea el doble
del coseno del ángulo entre 𝑥𝑥 y 𝑒𝑒4 .
32. Halle la distancia euclidiana entre los vectores (1,1, −4, −2) y (1,0,2,1) de ℝ4
33. Halle el ángulo entre los vectores (1,1, −4, −2) y (1,0,2,1) de ℝ4
Página|169
Capítulo IV

Respuestas a los Ejercicios Propuestos

Página|171
Capítulo V

Capítulo V: Dependencia Lineal

Sumario del Capítulo
• Introducción
• Dependencia e independencia lineal
 Definición de dependencia e independencia lineal
 Ejemplos de conjuntos linealmente dependientes (LD) y linealmente independientes (LI)
 Teoremas sobre dependencia lineal Para finalizar
• Preguntas teóricas
 Número máximo de vectores linealmente independientes de un conjunto
• Ejercicios Propuestos
 Conclusiones parciales del Capítulo • Respuestas
• Subespacio vectorial generado por un conjunto de vectores
 Subespacio vectorial generado. Conjunto generador.
 Conjuntos generadores del espacio
 Teoremas sobre conjuntos generadores
 Subespacios vectoriales asociados a una matriz
• Conclusiones del Capítulo

Objetivos
Al finalizar el estudio del Capítulo debes poder:
1. Determinar, usando la definición, la caracterización o los teoremas si un conjunto de vectores es LI o LD.
2. Hallar el subespacio vectorial generado por un conjunto de vectores.
3. Determinar si un conjunto de vectores es un generador del espacio vectorial o de un subespacio suyo.

Requisitos previos
El lector debe saber resolver SEL por cualquier método, reducir una matriz a la forma escalonada e identificar los pivotes,
hallar el rango de una matriz, hallar el producto escalar euclidiano y la norma euclidiana en ℝ𝑛𝑛 . Así como expresar un vector
como combinación lineal de un conjunto de vectores dados.

Introducción
Toda la teoría que viene con posterioridad a lo largo de la asignatura estará estrechamente relacionada con estos conceptos, por lo
que es necesario estudiarlos con profundidad y dominar los teoremas con ellos relacionados. Ese será el contenido de este Capítulo.
1. 𝑥𝑥 = O (es expresado el vector nulo del espacio como combinación lineal de los vectores de 𝐴𝐴)
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O
Problema: Determinar si 𝐴𝐴 es un conjunto LI o LD.
2. 𝑥𝑥 = 𝑎𝑎𝑖𝑖 (𝑥𝑥 ∈ 𝐴𝐴, el cual es expresado como combinación lineal de los restantes vectores de 𝐴𝐴)
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑎𝑎𝑖𝑖
Problema: Determinar si el vector 𝑎𝑎𝑖𝑖 se puede ser expresado como combinación lineal de los restantes vectores de 𝐴𝐴.
3. 𝑥𝑥 ∉ 𝐴𝐴 (𝑥𝑥 es un vector conocido)
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥
Problema: Determinar si el vector 𝑥𝑥 se puede expresado como combinación lineal de los vectores de 𝐴𝐴.
4. 𝑥𝑥 ∈ 𝐴𝐴 (pero es un vector desconocido)
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥
Problema: Determinar qué vectores 𝑥𝑥 ∈ 𝐸𝐸 pueden ser expresados como combinación lineal de los vectores de 𝐴𝐴.
Página|172
Capítulo V

Dependencia e independencia lineal

Concepto de dependencia lineal
Con anterioridad se ha discutido y usado con cierta frecuencia el concepto de 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐ó𝑛𝑛 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣, el cual está
íntimamente relacionado con los conceptos que se discutirán en este capítulo.
Presentémoslos a través de un ejemplo:

Ejemplo 1
a) Expresar, de ser posible, el vector (1,1) como combinación lineal del vector (2,2).
b) Expresar de ser posible, el vector (1,1) como combinación lineal del vector (1,2).
Solución:
a) Planteamiento: (1,1) = 𝜆𝜆(2,2).
1
Dicha ecuación admite la solución 𝜆𝜆 = .
2
1
Respuesta: (1,1) = (2,2)
2
b) Planteamiento: (1,1) = 𝜆𝜆(1,2).
Dicha ecuación no tiene solución.
Respuesta: (1,1) no puede expresarse como combinación lineal del vector (1,2). ∎
Así, diremos que el conjunto de vectores {(1,1); (2,2)} es 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, porque uno de sus vectores puede
expresarse o representarse como combinación lineal del otro. En el otro caso, diremos que el conjunto de vectores
{(1,1); (1,2)} es 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖, porque ninguno de sus vectores puede expresarse o representarse como
combinación lineal del otro.
Generalizando esos conceptos a conjuntos finitos de cualquier cantidad de vectores, se dará la siguiente definición.

Definición (dependencia e independencia lineal)

Sea 𝐸𝐸 un K-espacio vectorial, sea 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸 y sean 𝜆𝜆1 , 𝜆𝜆2 , … 𝜆𝜆𝑛𝑛 ∈ 𝐾𝐾 . Si la ecuación vectorial:
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O 
admite como única solución 𝜆𝜆1 = ⋯ = 𝜆𝜆𝑛𝑛 = 0, se dice que A es linealmente independiente (LI). Si existe al menos otra
solución, además de la trivial, entonces se dice que A es linealmente dependiente (LD).

La propia definición establece una clasificación de los conjuntos de vectores. Podría decirse que un conjunto es LD si no es LI,
o sea, la definición de uno excluye al otro.
La igualdad 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O establece una 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 entre los vectores de 𝐴𝐴, relación
que podrá ser develada una vez que se determine si la ecuación tiene una única solución, la denominada 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠ó𝑛𝑛 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡, o
sea, cuando 𝜆𝜆1 = ⋯ = 𝜆𝜆𝑛𝑛 = 0, en cuyo caso se dice que en A solo existe una 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑑𝑑𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 y en
correspondencia con la definición 𝐴𝐴 es LI.
Cuando existe al menos otra solución además de la solución trivial, se dice que en 𝐴𝐴 existe una 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
𝑛𝑛𝑛𝑛 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 y en correspondencia con la definición 𝐴𝐴 es LD.
A continuación de mostrarán diferentes conjuntos que son Linealmente Independientes (LI) y otros que son Linealmente
Dependientes (LI) utilizando la definición para determinarlo.
Página|173
Capítulo V

Ejemplo 2
Clasificar, usando la definición, los siguientes conjuntos de vectores en LI o LD:
a) {0} ⊂ 𝐸𝐸 (siendo 𝐸𝐸 un espacio vectorial real y 0 su vector nulo.
b) 𝐴𝐴 = {(0,0); (1,2)} ⊂ ℝ2
c) 𝐵𝐵 = {(1,2)} ⊂ ℝ2
d) 𝐶𝐶2 = {(1,0); (0,1)} ⊂ ℝ2
e) 𝐷𝐷 = {(2,4); (1,2)} ⊂ ℝ2
f) 𝐹𝐹 = {(1,0); (0,1); (−2,5)} ⊂ ℝ2
g) 𝐺𝐺 = {(1,0,1); (0,1,1); (−2,5,0)} ⊂ ℝ3
h) 𝐻𝐻 = {(1,0,1); (0,1,1); (−2,1, −1)} ⊂ ℝ3
(2) (2)
i) 𝐼𝐼 = {1, 𝑥𝑥, 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠} ⊂ 𝐶𝐶(0,2𝜋𝜋) donde 𝐶𝐶(0,2𝜋𝜋) es el espacio vectorial real de las funciones dos veces diferenciables con
continuidad en el intervalo (0,2𝜋𝜋).
Solución:
a) El conjunto {0}, formado únicamente por el vector nulo del espacio 𝐸𝐸ℝ , es LD porque la ecuación 𝜆𝜆. 0 = 0 admite
infinitas soluciones, o sea, no solamente la solución trivial 𝜆𝜆 = 0, porque la multiplicación de un escalar real por
el vector nulo de E (elemento neutro de la adición de vectores) es el propio vector nulo, independientemente de cuál
sea el escalar 𝜆𝜆 ∈ ℝ.
Conclusión: El conjunto 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 es LD porque la ecuación no tiene solución única.
b) Para analizar el carácter del conjunto 𝐴𝐴 = {(0,0); (1,2)} ⊂ ℝ2 es necesario utilizar dos escalares arbitrarios del cuerpo
ℝ, para poder plantear la relación de dependencia lineal, a saber: 𝜆𝜆1 (0,0) + 𝜆𝜆2 (1,2) = (0,0) Se puede observar que
bastará considerar a 𝜆𝜆2 = 0 y 𝜆𝜆1 puede tomar cualquier valor real, para que se satisfaga la igualdad.
Conclusión: El conjunto 𝐴𝐴 es LD porque la ecuación no tiene solución única.
c) Para analizar el carácter del conjunto 𝐵𝐵 = {(1,2)} ⊂ ℝ2 bastará utilizar un solo escalar arbitrario del cuerpo ℝ, para
poder plantear la relación de dependencia lineal, a saber: 𝜆𝜆(1,2) = (0,0). Se puede observar que la única solución
es 𝜆𝜆 = 0.
Conclusión: El conjunto 𝐴𝐴 es LI porque la ecuación tiene solución única.
d) Para analizar el carácter del sistema de vectores canónicos 𝐶𝐶2 = {(1,0); (0,1)} ⊂ ℝ2 es necesario utilizar dos escalares
arbitrarios del cuerpo ℝ, para poder plantear la relación de dependencia lineal, a saber:
𝜆𝜆1 (1,0) + 𝜆𝜆2 (0,1) = (0,0)
(𝜆𝜆1 , 𝜆𝜆2 ) = (0,0) ⟹ 𝜆𝜆1 = 𝜆𝜆2 = 0
Conclusión: El conjunto 𝐶𝐶2 es LI porque la ecuación tiene solución única, la trivial.
Observaciones:

• El sistema de vectores canónicos 𝐶𝐶𝑛𝑛 = {(1,0, ⋯ ,0); (0,1,0, ⋯ ,0); ⋯ ; (0,0, ⋯ ,0,1,0); (0, ⋯ ,0,1)} ⊂ ℝ𝑛𝑛
de cualquier espacio ℝ𝑛𝑛 es un conjunto linealmente independiente (LI)

• Todo conjunto formado por vectores canónicos de ℝ𝑛𝑛 es LI, aunque no sea el sistema canónico de ℝ𝑛𝑛 , ya sea porque esté
incompleto o porque los vectores aparezcan en otro orden.
Página|174
Capítulo V
e) El conjunto 𝐷𝐷 = {(2,4); (1,2)} es LD porque la ecuación 𝜆𝜆1 (2,4) + 𝜆𝜆2 (1,2) = (0,0) admite al menos la solución,
𝜆𝜆1 = 1 y 𝜆𝜆2 = −2, que es diferente de la solución trivial.
Conclusión: El conjunto 𝐷𝐷 es LD porque la ecuación no tiene solución única.
f) El conjunto 𝐹𝐹 = {(1,0); (0,1); (−2,5)} ⊂ ℝ2 es LD porque la ecuación:
𝜆𝜆1 (1,0) + 𝜆𝜆2 (0,1) + 𝜆𝜆3 (−2,5) = (0,0)
admite al menos la solución, 𝜆𝜆1 = 2, 𝜆𝜆2 = −5 y 𝜆𝜆3 = 1 que es diferente de la solución trivial.
Conclusión: El conjunto 𝐹𝐹 es LD porque la ecuación no tiene solución única.
g) Para el conjunto 𝐺𝐺 = {(1,0,1); (0,1,1); (−2,5,0)} ⊂ ℝ3 debe plantearse la ecuación:
𝜆𝜆1 (1,0,1) + 𝜆𝜆2 (0,1,1) + 𝜆𝜆3 (−2,5,0) = (0,0,0)
𝜆𝜆1 − 2𝜆𝜆3 = 0
la cual conduce a resolver el SEL homogéneo: �𝜆𝜆2 + 5𝜆𝜆3 = 0
𝜆𝜆1 + 𝜆𝜆2 = 0
1 0 −2 1 0 −2 1 0 −2
𝑀𝑀 = �0 1 5� ~ �0 1 5� ~ �0 1 5� y como 𝑟𝑟(𝑀𝑀) = 𝑛𝑛 el SEL es compatible determinado.
1 1 0 0 1 2 0 0 3
Como el SEL es homogéneo, entonces la única solución es la trivial, o sea: 𝜆𝜆1 = 𝜆𝜆2 = 𝜆𝜆3 = 0
Conclusión: El conjunto 𝐺𝐺 es LI porque la ecuación tiene solución única, la trivial.
h) Para el conjunto 𝐺𝐺 = {(1,0,1); (0,1,1); (−2,1, −1)} ⊂ ℝ3 debe plantearse la ecuación:
𝜆𝜆1 (1,0,1) + 𝜆𝜆2 (0,1,1) + 𝜆𝜆3 (−2,1, −1) = (0,0,0)
𝜆𝜆1 − 2𝜆𝜆3 = 0
la cual conduce a resolver el SEL homogéneo: � 𝜆𝜆2 + 𝜆𝜆3 = 0
𝜆𝜆1 + 𝜆𝜆2 − 𝜆𝜆3 = 0
1 0 −2 1 0 −2 1 0 −2
𝑀𝑀 = �0 1 1� ~ �0 1 1� ~ �0 1 1� y como 𝑟𝑟(𝑀𝑀) = 2 < 3 = 𝑛𝑛 el SEL es compatible indeterminado.
1 1 −1 0 1 1 0 0 0
El SEL posee infinitas soluciones además de la trivial. El inciso h) muestra cómo un conjunto de
más de 2 vectores donde ninguno de ellos sea
Conclusión: El conjunto 𝐻𝐻 es LD porque la única solución no es la trivial.
un múltiplo escalar de otro, puede ser LD.

i) El conjunto 𝐼𝐼 = {1, 𝑥𝑥, 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠} conlleva al planteamiento de la ecuación:

𝜆𝜆1 1 + 𝜆𝜆2 𝑥𝑥 + 𝜆𝜆3 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = 0 
de incógnitas 𝜆𝜆1 , 𝜆𝜆2 y 𝜆𝜆3 . O sea, la variable 𝑥𝑥 no es una incógnita de la ecuación. Si la ecuación  tiene como única
solución la solución trivial 𝜆𝜆1 = 𝜆𝜆2 = 𝜆𝜆3 = 0 independientemente del valor particular que pueda tomar la variable
𝑥𝑥 ∈ ℝ, entonces el conjunto es LI, de lo contrario es LD.
Haciendo un análisis geométrico se puede observar que al despejarse en la ecuación el término 𝜆𝜆3 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠:
𝜆𝜆3 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = −𝜆𝜆2 𝑥𝑥 − 𝜆𝜆1
Las funciones de los miembros izquierdo y derecho no son iguales en todo su dominio.
Página|175
Capítulo V
Tal razonamiento geométrico nos conduce a pensar que la ecuación 
solo admite la solución trivial, lo que para las características particulares
de vectores del espacio vectorial de las funciones 𝐹𝐹(ℝ, ℝ) significa que
la ecuación no se satisface para cualquier valor de la variable 𝑥𝑥.
Bastará encontrar varios valores de la variable 𝑥𝑥 para identificar que la
ecuación  solo se satisfará independientemente del valor de 𝑥𝑥 cuando
𝜆𝜆1 = 𝜆𝜆2 = 𝜆𝜆3 = 0

Sea 𝑥𝑥 = 0, resulta la ecuación particular 𝜆𝜆1 ∙ 1 + 𝜆𝜆2 ∙ 0 + 𝜆𝜆3 ∙ 0 = 0 o simplificadamente 𝜆𝜆1 = 0, la cual posee infinitas
soluciones; a saber:
𝜆𝜆1 = 0
�𝜆𝜆2 = 𝜆𝜆2 con 𝜆𝜆2 , 𝜆𝜆3 ∈ ℝ
𝜆𝜆3 = 𝜆𝜆3
Si se asume el valor 𝜆𝜆1 = 0, entonces la ecuación  se convertiría en la ecuación equivalente
𝜆𝜆2 𝑥𝑥 + 𝜆𝜆3 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = 0 
Sea 𝑥𝑥 = 𝜋𝜋, resulta la ecuación particular 𝜆𝜆2 ∙ 𝜋𝜋 + 𝜆𝜆3 ∙ 0 = 0 o simplificadamente 𝜋𝜋𝜆𝜆2 = 0, de donde resulta 𝜆𝜆2 = 0.
Si se asume el valor 𝜆𝜆1 = 0 y 𝜆𝜆2 = 0, entonces la ecuación  se convertiría en la ecuación equivalente
𝜆𝜆3 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = 0 
Sea 𝑥𝑥 = 𝜋𝜋/2, resulta 𝜆𝜆3 𝑠𝑠𝑠𝑠𝑠𝑠 𝜋𝜋/2 = 0 y finalmente 𝜆𝜆3 = 0
O sea, que la única solución es 𝜆𝜆1 = 𝜆𝜆2 = 𝜆𝜆3 = 0 con independencia del valor de 𝑥𝑥.
Conclusión: El conjunto 𝐼𝐼 es LI porque la ecuación tiene solución única, la trivial. ∎
Generalmente en las matemáticas, el empleo de la definición como vía de solución para resolver problemas, no es el camino
más eficiente, porque al ser todo definición una condición necesaria y suficiente, debe poder abarcar todos los posibles casos,
o sea lo que se denomina la extensión del concepto.
Es por ello, que los matemáticos, en su quehacer, buscan los “atajos”, los caminos más expeditos, aun cuando estos solo
puedan aplicarse a un número determinado de casos. En muchas ocasiones estos casos son los que aparecen con mayor
frecuencia y ese solo argumento justificaría la búsqueda. Tales atajos, son los teoremas.

Teoremas sobre dependencia lineal

Un análisis de los ejemplos anteriores permite inferir la plausibilidad del siguiente teorema:

Teorema 1:
Sea 𝐸𝐸 un K-espacio vectorial y 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸.
A es linealmente dependiente (LD) en cualquiera de los casos siguientes:
1. 𝐴𝐴 contiene al vector nulo de 𝐸𝐸.
2. 𝐴𝐴 posee dos vectores que son múltiplos escalares.
3. 𝐴𝐴 posee un vector que puede expresarse como combinación lineal de otros vectores de A.

La demostración de cada una de las conclusiones de este teorema se orienta como ejercicio individual. Las mismas se basan en la
aplicación directa de la definición de dependencia e independencia lineal.
La conclusión 3 del teorema anterior puede dar lugar a la denominada caracterización de los conjuntos LD.
Página|176
Capítulo V

Teorema 2: (Caracterización de los conjuntos linealmente dependientes)

Un sistema 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸 donde 𝐸𝐸 es un 𝐾𝐾- espacio vectorial y 𝑛𝑛 > 1, es linealmente dependiente, si y solo si al
menos existe un vector de 𝐴𝐴 que puede expresarse como combinación lineal de los restantes vectores de ese sistema.

Demostración:

Parte1: Si 𝐴𝐴 es LD, entonces existe un vector 𝑎𝑎𝑗𝑗 ∈ 𝐸𝐸 que puede expresarse como combinación lineal de los restantes vectores de 𝐴𝐴
Si 𝐴𝐴 es LD, entonces, existe una solución no trivial 𝑆𝑆1 de la ecuación  de la definición.
Sin perder generalidad, supóngase que en 𝑆𝑆1 el escalar 𝜆𝜆𝑗𝑗 ≠ 0. O sea:
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑗𝑗−1 𝑎𝑎𝑗𝑗−1 +𝜆𝜆𝑗𝑗 𝑎𝑎𝑗𝑗 + 𝜆𝜆𝑗𝑗+1 𝑎𝑎𝑗𝑗+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O 
Bastará sumar en ambos miembros de  el opuesto del vector 𝜆𝜆𝑗𝑗 𝑎𝑎𝑗𝑗
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑗𝑗−1 𝑎𝑎𝑗𝑗−1 +𝜆𝜆𝑗𝑗 𝑎𝑎𝑗𝑗 +(−𝜆𝜆𝑗𝑗 𝑎𝑎𝑗𝑗 ) + 𝜆𝜆𝑗𝑗+1 𝑎𝑎𝑗𝑗+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O+(−𝜆𝜆𝑗𝑗 𝑎𝑎𝑗𝑗 )
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑗𝑗−1 𝑎𝑎𝑗𝑗−1 + O + 𝜆𝜆𝑗𝑗+1 𝑎𝑎𝑗𝑗+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = −𝜆𝜆𝑗𝑗 𝑎𝑎𝑗𝑗 
Y multiplicando por 1/�−𝜆𝜆𝑗𝑗 � el cual es diferente de cero, en ambos miembros de , se obtiene:
𝜆𝜆1 𝜆𝜆2 𝜆𝜆j−1 𝜆𝜆j+1 𝜆𝜆𝑛𝑛
− 𝑎𝑎1 + �− � 𝑎𝑎2 + ⋯ + �− � 𝑎𝑎𝑗𝑗−1 + �− � 𝑎𝑎𝑗𝑗+1 + ⋯ + �− � 𝑎𝑎𝑛𝑛 = 𝑎𝑎𝑗𝑗
𝜆𝜆𝑗𝑗 𝜆𝜆𝑗𝑗 𝜆𝜆𝑗𝑗 𝜆𝜆𝑗𝑗 𝜆𝜆𝑗𝑗
con lo cual queda expresado el vector 𝑎𝑎𝑗𝑗 como combinación lineal de los restantes vectores del conjunto A.

Parte 2: Si existe un vector 𝑎𝑎𝑖𝑖 ∈ 𝐸𝐸 que puede expresarse como combinación lineal de los restantes vectores de 𝐴𝐴, entonces 𝐴𝐴 es LD.

Sea 𝑎𝑎𝑖𝑖 ∈ 𝐴𝐴 un vector que puede expresarse como combinación lineal de los restantes vectores de 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸, siendo 𝐸𝐸 un K-espacio
vectorial. Entonces se satisface la ecuación
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑎𝑎𝑖𝑖 
para ciertos escalares 𝜆𝜆1 , 𝜆𝜆2 , 𝜆𝜆𝑖𝑖−1 , 𝜆𝜆𝑖𝑖+1 , 𝜆𝜆𝑛𝑛 ∈ 𝐾𝐾.
Sumando −𝑎𝑎𝑖𝑖 , el opuesto de 𝑎𝑎𝑖𝑖 en ambos miembros de  se obtiene:
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + (−𝑎𝑎𝑖𝑖 ) + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑎𝑎𝑖𝑖 + (−𝑎𝑎𝑖𝑖 )
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 +(−1)𝑎𝑎𝑖𝑖 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O 
La relación , permite apreciar que existe otra solución, además de la solución trivial, para la ecuación  de la definición, pues al menos existe
un escalar 𝜆𝜆 = 𝜆𝜆𝑖𝑖 = −1 ≠ 0. Por tanto, 𝐴𝐴 es LD.
Como fueron probadas las dos partes del Teorema, este quedó demostrado. 

Asimismo, pueden plantearse teoremas sobre la adición o supresión de vectores a un conjunto:

Teorema 3:
Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸.
a) Si 𝐴𝐴 es linealmente dependiente y se le adiciona un vector 𝑥𝑥 ∈ 𝐸𝐸 cualquiera, el nuevo conjunto 𝐴𝐴 ∪ {𝑥𝑥} =
{𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 , 𝑥𝑥} ⊂ 𝐸𝐸 es también linealmente dependiente.
b) Si 𝐴𝐴 es linealmente independiente y se le sustrae un vector 𝑎𝑎𝑖𝑖 ∈ 𝐸𝐸 cualquiera, el nuevo conjunto 𝐴𝐴\{𝑎𝑎𝑖𝑖 } =
{𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑖𝑖−1 , 𝑎𝑎𝑖𝑖+1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸 es también linealmente independiente.

Demostración:

• Sea 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } un conjunto LD, por tanto, existe una relación de dependencia no trivial entre sus vectores, o sea existe una
solución de la ecuación 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O donde no todos los escalares 𝜆𝜆𝑖𝑖 son iguales a cero.
Sea 𝐵𝐵 = 𝐴𝐴 ∪ {𝑥𝑥} = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 , 𝑥𝑥} ⊂ 𝐸𝐸 una ampliación del conjunto 𝐴𝐴 con un vector 𝑥𝑥 ∈ 𝐸𝐸 tal que 𝑥𝑥 ∉ 𝐴𝐴. Entonces la ecuación 
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 + 0𝑥𝑥 = O 
Página|177
Capítulo V
Establece una relación de dependencia no trivial entre los vectores de 𝐵𝐵, porque no todos los escalares 𝜆𝜆𝑗𝑗 son iguales a cero. Luego, 𝐵𝐵
es LD.
• Sea 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } un conjunto LI y supongamos que 𝐴𝐴\{𝑎𝑎𝑖𝑖 } = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑖𝑖−1 , 𝑎𝑎𝑖𝑖+1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸 es LD. Entonces, como
𝐴𝐴 = (𝐴𝐴\{𝑎𝑎𝑖𝑖 }) ∪ {𝑎𝑎𝑖𝑖 }
Podría 𝐴𝐴 ser considerado una ampliación del conjunto 𝐴𝐴\{𝑎𝑎𝑖𝑖 } y según la parte a) del Teorema, toda ampliación de un conjunto LD
es LD, lo que contradice la hipótesis de que A es LI.
Por tanto, lo supuesto es falso. Si A es LI, entonces cualquier subconjunto suyo es también LI. 

Obsérvese que las situaciones contrarias no garantizan que se conserve la cualidad del conjunto original. Es decir, si a un
conjunto LD se le sustrae un vector, nada se puede decir del conjunto resultante.
Asimismo, si a un conjunto LI se le adiciona un vector, nada puede decirse de la dependencia lineal del conjunto obtenido, salvo
que de antemano se verifique que ese vector no puede expresarse como combinación lineal del conjunto dado. Esto aparece
refrendado en el siguiente teorema.

Teorema 4:
Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸.
Si 𝐴𝐴 es linealmente independiente y se le adiciona un vector 𝑥𝑥 ∈ 𝐸𝐸, el cual no puede representarse como combinación
lineal de los vectores de 𝐴𝐴, entonces el nuevo conjunto 𝐴𝐴 ∪ {𝑥𝑥} = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 , 𝑥𝑥} ⊂ 𝐸𝐸 es también linealmente
independiente.
Demostración:

La demostración también será indirecta, al igual que la del Teorema 3 parte b).

Sea 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } un conjunto LI y supongamos que 𝐴𝐴 ∪ {𝑥𝑥} = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 , 𝑥𝑥} ⊂ 𝐸𝐸 es LD. Entonces, al menos uno de sus
vectores se puede expresar como combinación lineal de los restantes. Sea este, uno de los vectores 𝑎𝑎𝑖𝑖 de 𝐴𝐴.
𝑎𝑎𝑖𝑖 = 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 + 𝜆𝜆𝜆𝜆 
Como 𝐴𝐴 es LI por hipótesis, entonces 𝜆𝜆 = 0 conduciría a que 𝑎𝑎𝑖𝑖 se puede expresar como combinación lineal de los restantes vectores
de 𝐴𝐴. Por tanto, en la igualdad , 𝜆𝜆 ≠ 0.
En consecuencia, es posible despejar el vector 𝜆𝜆𝜆𝜆 en la ecuación  y finalmente despejar al vector 𝑥𝑥:
𝜆𝜆𝜆𝜆 = 𝑎𝑎𝑖𝑖 − (𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 ) 
1 𝜆𝜆1 𝜆𝜆2 𝜆𝜆𝑖𝑖−1 𝜆𝜆𝑖𝑖+1 𝜆𝜆𝑛𝑛
𝑥𝑥 = 𝑎𝑎𝑖𝑖 − 𝑎𝑎1 + − 𝑎𝑎2 + ⋯ + − 𝑎𝑎𝑖𝑖−1 + − 𝑎𝑎𝑖𝑖+1 + ⋯ + − 𝑎𝑎𝑛𝑛 ) 
𝜆𝜆 𝜆𝜆 𝜆𝜆 𝜆𝜆 𝜆𝜆 𝜆𝜆
Lo cual es también contradictorio, pues la segunda hipótesis postula que el vector 𝑥𝑥 ∈ 𝐸𝐸, el cual no puede representarse como
combinación lineal de los vectores de 𝐴𝐴.
Lo supuesto es falso y en consecuencia el conjunto ampliado es también LI.

Finalmente, en los espacios euclídeos, también existe otro criterio de independencia lineal para los conjuntos y está precisamente
vinculado al concepto de ortogonalidad.

Teorema 5:
Sea 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑘𝑘 } ⊂ ℝ𝑛𝑛 , con el producto escalar usual un espacio euclídeo y tal que 𝑘𝑘 ≤ 𝑛𝑛.
Si 𝐴𝐴 es un conjunto ortogonal que no contiene al vector nulo de 𝐸𝐸, entonces 𝐴𝐴 es linealmente independiente.

Demostración:

Sea 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑘𝑘 } ⊂ ℝ𝑛𝑛 un conjunto ortogonal que no contiene al vector nulo.
Si se establece la relación de dependencia lineal entre los vectores de 𝐴𝐴 y se halla el producto escalar de cada miembro por un
vector cualquiera 𝑎𝑎i ∈ 𝐴𝐴 se obtiene la siguiente relación:
Página|178
Capítulo V
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + +𝜆𝜆𝑖𝑖 𝑎𝑎𝑖𝑖 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + 𝜆𝜆𝑘𝑘 𝑎𝑎𝑘𝑘 = O 
(𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + +𝜆𝜆𝑖𝑖 𝑎𝑎𝑖𝑖 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + 𝜆𝜆𝑘𝑘 𝑎𝑎𝑘𝑘 ) ∙ 𝑎𝑎𝑖𝑖 = O ∙ 𝑎𝑎𝑖𝑖

𝜆𝜆1 (𝑎𝑎1 ∙ 𝑎𝑎𝑖𝑖 ) + 𝜆𝜆2 (𝑎𝑎2 ∙ 𝑎𝑎𝑖𝑖 ) + ⋯ + 𝜆𝜆𝑖𝑖−1 (𝑎𝑎𝑖𝑖−1 ∙ 𝑎𝑎𝑖𝑖 ) + +𝜆𝜆𝑖𝑖 (𝑎𝑎𝑖𝑖 ∙ 𝑎𝑎𝑖𝑖 ) + 𝜆𝜆𝑖𝑖+1 (𝑎𝑎𝑖𝑖+1 ∙ 𝑎𝑎𝑖𝑖 ) + 𝜆𝜆𝑘𝑘 (𝑎𝑎𝑘𝑘 ∙ 𝑎𝑎𝑖𝑖 ) = 0
𝜆𝜆1 0 + 𝜆𝜆2 0 + ⋯ + 𝜆𝜆𝑖𝑖−1 0 + 𝜆𝜆𝑖𝑖 ‖𝑎𝑎𝑖𝑖 ‖2 + 𝜆𝜆𝑖𝑖+1 0 + 𝜆𝜆𝑘𝑘 0 = 0
𝜆𝜆𝑖𝑖 ‖𝑎𝑎𝑖𝑖 ‖2 = 0
De aquí que resulte que 𝜆𝜆𝑖𝑖 = 0 ó ‖𝑎𝑎𝑖𝑖 ‖2 = 0. Pero ‖𝑎𝑎𝑖𝑖 ‖2 ≠ 0, porque 𝑎𝑎𝑖𝑖 ≠ 𝑂𝑂 (vector nulo de ℝ𝑛𝑛 ) pues si no 𝐴𝐴 sería LD, contrario a la
hipótesis de que 𝐴𝐴 no contiene al vector nulo. Luego, solo queda la posibilidad de que 𝜆𝜆𝑖𝑖 = 0.
Como 𝑎𝑎𝑖𝑖 es un vector cualquiera de 𝐴𝐴, se puede concluir que la única solución de la ecuación es la trivial, y en consecuencia 𝐴𝐴 es LI.

En el caso de los conjuntos finitos de vectores del espacio vectorial de las funciones reales de una variable existe un teorema
que ayuda a la determinación del carácter LI o LD del conjunto de vectores.

Teorema 6:
𝑛𝑛−1
Sea 𝐶𝐶(𝑎𝑎,𝑏𝑏) el espacio vectorial de las funciones reales de una variable 𝑛𝑛 − 1 veces derivables con continuidad en el intervalo
𝑛𝑛
(𝑎𝑎, 𝑏𝑏) y 𝐴𝐴 = {𝑓𝑓1 , 𝑓𝑓2 , … , 𝑓𝑓𝑛𝑛 } ⊂ 𝐶𝐶(𝑎𝑎,𝑏𝑏) .

El conjunto 𝐴𝐴 es linealmente independiente si y solo si para algún punto del intervalo (𝑎𝑎, 𝑏𝑏) el determinante
𝑓𝑓1 ⋯ 𝑓𝑓𝑛𝑛
𝑓𝑓1′ ⋯ 𝑓𝑓𝑛𝑛′
𝑊𝑊(𝑥𝑥) = � ⋮ ⋮ ⋮ �≠0
(𝑛𝑛−1) (𝑛𝑛−1)
𝑓𝑓1 ⋯ 𝑓𝑓𝑛𝑛

El determinante W recibe el nombre de determinante Wronskiano y se utilizará posteriormente en Matemática III durante el
estudio de las ecuaciones diferenciales. Como este teorema establece una condición necesaria y suficiente para determinar
si un conjunto de vectores es LI, también puede ser usado para calificar el conjunto como LD si y solo si para todo punto del
intervalo (𝑎𝑎, 𝑏𝑏) se cumple que 𝑊𝑊 = 0.
Retomaremos el último del Ejemplo 1

Ejemplo 3
(2)
Determinar si el siguiente conjunto es LI o LD: 𝐻𝐻 = {1, 𝑥𝑥, 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠} ⊂ 𝐶𝐶(0,2𝜋𝜋) utilizando el determinante wronskiano.

Solución:
1 𝑥𝑥 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
𝑊𝑊(𝑥𝑥) = �0 1 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 � = −𝑠𝑠𝑠𝑠𝑛𝑛𝑥𝑥, pero si 𝑥𝑥 = 𝜋𝜋⁄2, se obtiene 𝑊𝑊(𝜋𝜋⁄2) = −1 ≠ 0
0 0 −𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
Con lo que queda probado que el conjunto 𝐻𝐻 es LI.

Número máximo de vectores linealmente independientes de un conjunto de vectores

Definición (número máximo de vectores LI de un conjunto)
Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸.
Se denominará número máximo de vectores linealmente independientes de 𝐴𝐴 o rango del conjunto 𝐴𝐴 al número de vectores
del mayor subconjunto linealmente independiente contenido en 𝐴𝐴.
Página|179
Capítulo V
Lo dicho en la anterior definición significa que si 𝑘𝑘 es el número máximo de vectores linealmente independientes de A, o sea,
𝑟𝑟(𝐴𝐴) = 𝑘𝑘 entonces:
1. al menos existe un subconjunto LI de A con 𝑘𝑘 vectores,
2. cualquier otro subconjunto de A que tenga más de 𝑘𝑘 vectores es LD.
Consideraciones:

• El conjunto nulo {0} ⊂ 𝐸𝐸 no contiene ningún subconjunto LI, por tanto, el número máximo de vectores LI de {0} es
0, o simbólicamente 𝑟𝑟({0}) = 0.
• El número máximo de vectores LI de cualquier conjunto LI es su propia cantidad de vectores, porque él mismo es el
mayor subconjunto LI contenido en él. En símbolos: Si A es LI, entonces 𝑟𝑟(𝐴𝐴) = #𝐴𝐴
• En los conjuntos LD de 𝑛𝑛 vectores, si 𝑘𝑘 es el número máximo de vectores LI, entonces 0 ≤ 𝑘𝑘 ≤ 𝑛𝑛 − 1, siendo:
𝑘𝑘 = 0, únicamente en el caso de que el conjunto sea {0} ⊂ 𝐸𝐸.
𝑘𝑘 < 𝑛𝑛, porque si no el conjunto sería LI, contrario a lo supuesto.
𝑘𝑘 = 𝑛𝑛 − 𝑚𝑚, siendo 𝑚𝑚 la cantidad mínima de vectores que puede suprimirse al conjunto para convertirlo de un
conjunto LD a un conjunto LI.

¿Cómo determinar un subconjunto maximal LI de un conjunto de vectores dados?

Sea un conjunto 𝐴𝐴 = �𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑝𝑝 � ⊂ ℝ𝑛𝑛

1. Plantear la ecuación vectorial que establece la relación de dependencia lineal entre los vectores del conjunto dado:
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑝𝑝 𝑎𝑎𝑝𝑝 = 0
2. Plantear el SEL homogéneo que se deriva de la ecuación vectorial y hallar el rango de la matriz 𝑀𝑀 del SEL. Existen
dos posibilidades:
• 𝑟𝑟(𝑀𝑀) = 𝑝𝑝 = #𝐴𝐴, o sea, el rango de la matriz es igual a la cantidad de incógnitas del SEL. En ese caso, el SEL es
determinado, por lo tanto la única solución es la solución trivial 𝜆𝜆1 = ⋯ = 𝜆𝜆𝑝𝑝 = 0, con lo que se concluye que 𝐴𝐴
es LI y 𝐴𝐴 es el único subconjunto LI 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 (que posee el mayor número posible de vectores LI) contenido en
él. 𝑟𝑟(𝐴𝐴) = 𝑝𝑝 = 𝑟𝑟(𝑀𝑀).
• 𝑟𝑟(𝑀𝑀) < 𝑝𝑝, o sea, el rango de la matriz del SEL es menor que el número de incógnitas del SEL. En ese caso, el SEL
es indeterminado, por lo tanto posee infinitas soluciones, con lo que se concluye que 𝐴𝐴 es LD y el número máximo
de vectores LI es menor que 𝑝𝑝, es necesario substraer vectores de 𝐴𝐴 hasta obtener un subconjunto LI maximal.
Un subconjunto maximal LI puede obtenerse si:
i) Se consideran, en la matriz escalonada equivalente a 𝑀𝑀, aquellas columnas que contienen los pivotes tras el proceso
de eliminación gaussiana.
ii) Los vectores de 𝐴𝐴 que se corresponden en el orden con esas columnas, forman un subconjunto LI maximal y su número es
el número máximo de vectores LI de 𝐴𝐴. Ese número coincide con el rango de la matriz. O sea, 𝑟𝑟(𝐴𝐴) = 𝑝𝑝 = 𝑟𝑟(𝑀𝑀).
Como conclusión puede extraerse que, si se desea determinar el número máximo de vectores LI de un conjunto de vectores 𝐴𝐴, o
sea el 𝑟𝑟(𝐴𝐴), deben seguirse los siguientes pasos:
1. Plantear la ecuación vectorial que establece la relación de dependencia lineal entre los vectores del conjunto dado:
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑝𝑝 𝑎𝑎𝑝𝑝 = 0
2. Plantear la matriz 𝑀𝑀 del SEL homogéneo que resulta y determinar su rango.
3. 𝑟𝑟(𝐴𝐴) = 𝑟𝑟(𝑀𝑀) es el número máximo de vectores LI de A.
4. Si un subconjunto 𝐵𝐵 de 𝐴𝐴 es LI y es tal que #(𝐵𝐵) = 𝑟𝑟(𝐴𝐴), entonces 𝐵𝐵 es un conjunto LI maximal contenido en 𝐴𝐴.
Página|180
Capítulo V

Ejemplo 4
Determinar el número máximo de vectores LI y extraiga un subconjunto LI maximal de los siguientes conjuntos de vectores:
a) 𝐴𝐴 = {(−1,3); (2,1); (5,8)} ⊂ ℝ2
b) 𝐵𝐵 = {(−1,3,2); (2,0,1); (1,1,0)} ⊂ ℝ3
c) 𝐶𝐶 = {(−1,3,2); (2, −1,1); (1,2,3)} ⊂ ℝ3
d) 𝐷𝐷 = {3 + 4𝑖𝑖; 1 + 𝑖𝑖} ⊂ ℂℝ (utilice la caracterización)
e) 𝐸𝐸 = {3 + 4𝑖𝑖; 1 + 𝑖𝑖} ⊂ ℂ (utilice la caracterización)
Solución
a) 𝜆𝜆1 (−1,3) + 𝜆𝜆2 (2,1) + 𝜆𝜆3 (5,8) = (0,0)
−1 2 5 −1 2 5
𝑀𝑀𝐴𝐴 = � �~� � de donde 𝑟𝑟(𝑀𝑀𝐴𝐴 ) = 2 = 𝑟𝑟(𝐴𝐴)
3 1 8 0 5 7
Un subconjunto LI maximal es por ejemplo: {(−1,3); (2,1)} pues sus componentes son no proporcionales.
b) 𝜆𝜆1 (−1,3,2) + 𝜆𝜆2 (2,0,1) + 𝜆𝜆3 (1,1,0) = (0,0,0)
−1 2 1 −1 2 1
𝑀𝑀𝐵𝐵 = � 3 0 1� y como 𝑑𝑑𝑑𝑑𝑑𝑑(𝑀𝑀𝐵𝐵 ) = � 3 0 1� = 3 + 5 = 8 ≠ 0, la matriz es no singular.
2 1 0 2 1 0
Por tanto, 𝑟𝑟(𝑀𝑀𝐵𝐵 ) = 3 = 𝑟𝑟(𝐵𝐵) y el propio conjunto 𝐵𝐵 es el único subconjunto LI maximal contenido en él.

c) 𝜆𝜆1 (−1,3,2) + 𝜆𝜆2 (2, −1,1) + 𝜆𝜆3 (1,2,3) = (0,0,0)

−1 2 1 −1 2 1 −1 2 1
𝑀𝑀𝐶𝐶 = � 3 −1 2� ~ � 0 5 5� ~ � 0 5 5� de donde 𝑟𝑟(𝑀𝑀𝐶𝐶 ) = 2 = 𝑟𝑟(𝐶𝐶)
2 1 3 0 5 5 0 0 0
Un subconjunto LI maximal es por ejemplo: {(−1,3,2); (2, −1,1)}, pues esos son los vectores de 𝐶𝐶 que se corresponden
con las columnas 1 y 2 de la matriz escalón, que son las que poseen los pivotes (señalados en marrón). También en este
caso se podían haber tomado dos vectores cualesquiera de 𝐶𝐶 cuyas componentes no fueran proporcionales.
d) El conjunto es LD si existe un escalar real 𝜆𝜆 ≠ 0 tal que  3 + 4𝑖𝑖 = 𝜆𝜆(1 + 𝑖𝑖). En caso de no existir, el conjunto es LI.
Despejando 𝜆𝜆 en la ecuación  se tiene:
3 + 4𝑖𝑖 (3 + 4𝑖𝑖)(1 + 𝑖𝑖) −1 + 7𝑖𝑖 1 7
𝜆𝜆 = = = =− + 𝑖𝑖 ∉ ℝ
1 + 𝑖𝑖 (1 + 𝑖𝑖)2 √2 √2 √2
Por tanto, no existe ningún escalar real que satisfaga la relación de dependencia lineal entre los dos vectores.
El conjunto 𝐷𝐷 es LI y él mismo es el único subconjunto maximal LI contenido en él.
e) Aunque parece el mismo conjunto del inciso anterior, el conjunto E es ahora subconjunto de otro espacio vectorial, pues
el cuerpo asociado ahora no es ℝ, sino ℂ.
El planteamiento y el procedimiento es el mismo al seguido en el inciso d), pero el resultado obtenido
1 7
𝜆𝜆 = − + 𝑖𝑖 ∈ ℂ
√2 √2
Produce otra interpretación: existe un escalar complejo que multiplicado por 1 + 𝑖𝑖 da como resultado 3 + 4𝑖𝑖, por tanto
el conjunto 𝐸𝐸 es LD y el 𝑟𝑟(𝐸𝐸) = 1 < 2 = #𝐸𝐸 pues un subconjunto formado por uno de los dos vectores es LI y ese sería
un conjunto LI maximal de 𝐸𝐸. ∎
Los incisos d) y e) muestran como unos mismos elementos al ser considerados vectores de espacios vectoriales diferentes
pueden establecer diferentes relaciones de dependencia lineal.
Página|181
Capítulo V

Conclusiones parciales del Capítulo:

Si al establecerse la 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 entre los vectores de 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸, espacio vectorial:
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O
Y esta tiene como única solución la solución trivial 𝜆𝜆1 = 𝜆𝜆2 = ⋯ = 𝜆𝜆𝑛𝑛 = 0, 𝐴𝐴 𝑒𝑒𝑒𝑒 𝐿𝐿𝐿𝐿
En cualquier otro caso, o sea, si al menos existe más de una solución de la ecuación, 𝐴𝐴 𝑒𝑒𝑒𝑒 𝐿𝐿𝐿𝐿.
Los conceptos Linealmente Independientes (LI) y Linealmente Dependientes (LD) son opuestos y excluyentes.
En ocasiones, es conveniente recurrir a la 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶ón, la que origina el planteamiento de la ecuación vectorial:

𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑎𝑎𝑖𝑖

donde 𝑎𝑎𝑖𝑖 está excluido del miembro izquierdo.

El problema se replantea en la forma:
“Determinar si el vector 𝑎𝑎𝑖𝑖 se puede ser expresado como combinación lineal de los restantes vectores de 𝐴𝐴”.
De modo, que si tal representación es posible, 𝐴𝐴 es LD y si es imposible, 𝐴𝐴 es LI.
El determinar si un conjunto de vectores es LI o LD puede ser también resuelto utilizando los teoremas sobre dependencia lineal:
Son Linealmente Dependientes (LD) los siguientes:
1. Todo conjunto con al menos 2 vectores, uno de los cuales pueda expresarse como combinación lineal de los demás
(caracterización de dependencia lineal)
2. El conjunto nulo.
3. Todo conjunto que contenga al vector nulo del espacio es LD.
4. Todo conjunto formado por dos vectores si y solo si uno de los vectores es múltiplo escalar del otro.
5. Todo conjunto que contenga a un subconjunto LD.
6. Todo conjunto ampliado a partir de un conjunto LD.
7. Todo conjunto donde el rango es menor que el número de vectores. (𝑟𝑟(𝐴𝐴) < #𝐴𝐴)
Son Linealmente Independientes (LI) los siguientes:
8. Todo conjunto formado por un solo vector no nulo.
9. Todo conjunto formado por dos vectores si y solo si uno de los vectores no es múltiplo escalar del otro.
10. Todo conjunto que esté contenido en un conjunto LI.
11. Todo conjunto obtenido como resultado de sustraer vectores a un conjunto LI.
12. Todo conjunto ampliado a partir de un conjunto LI por haber agregado un vector del espacio que no puede expresarse
como combinación lineal de los vectores del conjunto (¡esto no siempre es posible!).
13. Todo conjunto ortogonal de vectores que no contenga al vector nulo.
14. Todo conjunto donde el rango sea igual al número de vectores. (𝑟𝑟(𝐴𝐴) = #𝐴𝐴)
Los resultados 1-7 están interrelacionados, por eso es importante, darse cuenta de estas relaciones. Asimismo, los resultados
8-14 también están interrelacionados entre sí.
Página|182
Capítulo V
Otros resultados importantes son los siguientes:
15. En el espacio vectorial ℝ𝑛𝑛 , si los vectores de un conjunto 𝐴𝐴 escritos como vectores columnas, forman una matriz
cuadrada 𝑀𝑀, entonces puede usarse el deteminante para decidir si el conjunto es LI o LD, de forma tal que:
𝐴𝐴 es LD si y solo si |𝑀𝑀| = 0 y 𝐴𝐴 es LI si y solo si |𝑀𝑀| ≠ 0
16. En los espacios de funciones y de polinomios, es posible utilizar el determinante wronskiano para decidir si un
conjunto 𝐴𝐴 de funciones n-1 veces derivable con continuidad en cierto intervalo (𝑎𝑎, 𝑏𝑏) es LI o LD:
𝐴𝐴 es LD si y solo si 𝑊𝑊(𝑥𝑥) = 0 para cualquier 𝑥𝑥 ∈ (𝑎𝑎, 𝑏𝑏) y 𝐴𝐴 es LI si y solo si 𝑊𝑊(𝑥𝑥) ≠ 0 para algún 𝑥𝑥 ∈ (𝑎𝑎, 𝑏𝑏)
17. El número máximo de vectores LI de un conjunto (rango del conjunto de vectores) es igual al rango de la matriz que
se forma tomando dichos vectores como vectores columnas.
Página|183
Capítulo V

Generadores de un espacio vectorial

Subespacio vectorial generado. Conjunto generador
En la Introducción del Capítulo se presentó un cuarto caso en que debe ser expresado un vector 𝑥𝑥 ∈ 𝐸𝐸 como combinación
lineal de los vectores de cierto conjunto de vectores 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸. Ese caso, condujo a la ecuación y problema
siguientes:
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥
Problema: Determinar qué vectores 𝑥𝑥 ∈ 𝐸𝐸 pueden ser expresados como combinación lineal de los vectores de 𝐴𝐴.

Definición (espacio vectorial generado y conjunto de vectores generador)

Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸. Al conjunto de todos los vectores de 𝐸𝐸 que pueden expresarse
como combinación lineal de los vectores de 𝐴𝐴 se le denomina 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔 𝑝𝑝𝑝𝑝𝑝𝑝 𝐴𝐴 y se denota 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) y en
consecuencia al conjunto 𝐴𝐴 se le denomina generador de dicho espacio 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴).

Ejemplo 5
Sea 𝐴𝐴 = {(1,2,3); (2,0,4)} ⊂ ℝ3 . Hallar el espacio 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴)
Solución:
1ero: Plantear la relación de dependencia lineal de un vector arbitrario con los vectores de 𝐴𝐴.
𝜆𝜆1 (1,2,3) + 𝜆𝜆2 (2,0,4) = (𝑥𝑥, 𝑦𝑦, 𝑧𝑧)
2do: Determinar qué condiciones deben cumplirse para que un vector del espacio ℝ3 pueda considerarse combinación lineal
de los vectores de 𝐴𝐴.
𝜆𝜆1 + 2𝜆𝜆2 = 𝑥𝑥
Esa ecuación conduce al SEL: � 2𝜆𝜆1 = 𝑦𝑦
3𝜆𝜆1 + 4𝜆𝜆2 = 𝑧𝑧
En el caso de los espacios vectoriales cuyos vectores poseen componentes, generalmente el problema se resuelve a
partir de la aplicación del Teorema de Kronecker-Capelli estudiado en Matemática I durante la resolución de los SEL. Este
es un caso de ellos:
1 2 𝑥𝑥 1 2 𝑥𝑥 1 2 𝑥𝑥 1 2 𝑥𝑥
�2 0� 𝑦𝑦� ~ �0 4� 2𝑥𝑥 − 𝑦𝑦� ~ �0 4� 2𝑥𝑥 − 𝑦𝑦 � ~ �0 4� 2𝑥𝑥 − 𝑦𝑦 �
3 4 𝑧𝑧 0 2 3𝑥𝑥 − 𝑧𝑧 0 0 2𝑥𝑥 − 𝑦𝑦 − 2(3𝑥𝑥 − 𝑧𝑧) 0 0 −4𝑥𝑥 − 𝑦𝑦 + 2𝑧𝑧
El SEL será compatible si el rango de la matriz del SEL es igual al rango de la matriz ampliada y esto solo es posible solamente
si −4𝑥𝑥 − 𝑦𝑦 + 2𝑧𝑧 = 0 o equivalentemente si 𝑦𝑦 = −4𝑥𝑥 + 2𝑧𝑧.
3ero: Concluir: 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) = {(𝑥𝑥, −4𝑥𝑥 + 2𝑧𝑧, 𝑧𝑧)| 𝑥𝑥, 𝑧𝑧 ∈ ℝ} ⊂ ℝ3 ∎

Ejemplo 6
Sea 𝐴𝐴 = {(1,2); (−2,3); (0,1)} ⊂ ℝ2 . Hallar el espacio 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴)
Solución:
𝜆𝜆1 (1,2) + 𝜆𝜆2 (−2,3) + 𝜆𝜆3 (0,1) = (𝑥𝑥, 𝑦𝑦)
𝜆𝜆1 − 2𝜆𝜆2 = 𝑥𝑥
Esa ecuación conduce al SEL: �
2𝜆𝜆1 + 3𝜆𝜆2 + 𝜆𝜆3 = 𝑦𝑦
Página|184
Capítulo V
1 −2 0
Un SEL no homogéneo en general, cuya matriz de los coeficientes 𝑀𝑀 = � � tiene rango 2 igual al rango de la matriz
2 3 1
ampliada, por tanto el SEL es compatible para cualesquiera sean 𝑥𝑥 y 𝑦𝑦.

Como el vector (𝑥𝑥, 𝑦𝑦) es arbitrario, entonces puede ser cualquiera y todos los vectores de ℝ2 , con lo que se concluye que
cualquier vector de ℝ2 se puede expresar como combinación lineal de los vectores de 𝐴𝐴, o sea, 𝐴𝐴 es un conjunto generador
de ℝ2 . ∎
Destacar que debe utilizarse el artículo indeterminado “un” porque ese no es el único sistema generador de ℝ2 , existen
infinitos. Orientar que comprueben que los conjuntos:
𝐴𝐴1 = {(1,2); (−2,3)}, 𝐴𝐴2 = {(−2,3); (0,1)} y 𝐴𝐴3 = {(1,2); (0,1)}
también son generadores de ℝ2 y no precisamente los únicos, pues existen infinitos.
Aclarar que no todo conjunto finito de vectores es generador de un espacio vectorial, pues existen espacios vectoriales, como
por ejemplo 𝑃𝑃(𝑥𝑥), espacio de los polinomios de cualquier grado en variable 𝑥𝑥, que no puede ser generado por ningún
conjunto finito de vectores. Basta comprobar que si se tiene un conjunto arbitrario finito 𝐴𝐴 de polinomios y el mayor grado
entre ellos es 𝑚𝑚, entonces ningún polinomio de grado 𝑘𝑘 = 𝑚𝑚 + 1, puede ser expresado como combinación lineal de los
polinomios de 𝐴𝐴.
No necesariamente un conjunto de vectores genera a un espacio vectorial universo, pero sí genera a un subespacio vectorial
de él. A continuación debe darse el concepto de subespacio vectorial generado por un conjunto de vectores (no
necesariamente finito) y especificar que debido a los objetivos de la asignatura, solo se abordará el caso de los subespacios
generados por conjuntos finitos de vectores.
Ahora cabría la pregunta sobre si existe una característica común a todos los espacios generados por conjuntos de vectores,
pues en el Ejemplo 6 resultó ser el propio espacio vectorial ℝ2 , mientras que en el Ejemplo 5, resultó ser un subconjunto del
espacio vectorial ℝ3 . El siguiente teorema da respuesta a la misma.

Teorema 7:
Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸. El conjunto 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴), espacio generado por 𝐴𝐴, es un subespacio
vectorial de 𝐸𝐸.
Demostración:
Según la caracterización de Subespacio Vectorial tratada en el Capítulo IV, el conjunto 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) es un subespacio vectorial de 𝐸𝐸 si y solo
si:
1. 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) ⊂ E, lo cual se cumple por la propia definición de 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴).
2. 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) ≠ ∅, lo cual se cumple porque al menos los propios vectores de 𝐴𝐴, pertenecen a 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴). Baste considerar la combinación
lineal 0𝑎𝑎1 + 0𝑎𝑎2 + ⋯ + 1𝑎𝑎𝑖𝑖 + ⋯ + 0𝑎𝑎𝑛𝑛 = 𝑎𝑎𝑖𝑖 para cualquier vector 𝑎𝑎𝑖𝑖 ∈ 𝐴𝐴. Asimismo, el vector nulo O ∈ 𝐸𝐸 también pertenece a
𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴), pues bastará considerar la combinación lineal: 0𝑎𝑎1 + 0𝑎𝑎2 + ⋯ + 0𝑎𝑎𝑛𝑛 = O.
3. Para todo par de vectores 𝑥𝑥, 𝑦𝑦 ∈ 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) y para todo escalar 𝜆𝜆 ∈ 𝐾𝐾, se debe cumplir que:
• 𝑥𝑥 + 𝑦𝑦 ∈ 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴)
• 𝜆𝜆𝜆𝜆 ∈ 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴)
En efecto, si 𝑥𝑥, 𝑦𝑦 ∈ 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴), entonces existen 𝑛𝑛 escalares 𝛼𝛼𝑖𝑖 ∈ 𝐾𝐾, tal que: 𝛼𝛼1 𝑎𝑎1 + 𝛼𝛼2 𝑎𝑎2 + ⋯ + 𝛼𝛼𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥 y otros n escalares 𝛽𝛽𝑖𝑖 ∈
𝐾𝐾, tales que 𝛽𝛽1 𝑎𝑎1 + 𝛽𝛽2 𝑎𝑎2 + ⋯ + 𝛽𝛽𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑦𝑦. Entonces:
𝑥𝑥 + 𝑦𝑦 = (𝛼𝛼1 𝑎𝑎1 + 𝛼𝛼2 𝑎𝑎2 + ⋯ + 𝛼𝛼𝑛𝑛 𝑎𝑎𝑛𝑛 ) + (𝛽𝛽1 𝑎𝑎1 + 𝛽𝛽2 𝑎𝑎2 + ⋯ + 𝛽𝛽𝑛𝑛 𝑎𝑎𝑛𝑛 )
= (𝛼𝛼1 + 𝛽𝛽1 )𝑎𝑎1 + (𝛼𝛼2 + 𝛽𝛽2 )𝑎𝑎2 + ⋯ + (𝛼𝛼𝑛𝑛 + 𝛽𝛽𝑛𝑛 )𝑎𝑎𝑛𝑛
= 𝛾𝛾1 𝑎𝑎1 + 𝛾𝛾2 𝑎𝑎2 + ⋯ + 𝛾𝛾𝑛𝑛 𝑎𝑎𝑛𝑛
Luego existen 𝑛𝑛 escalares 𝛾𝛾𝑖𝑖 ∈ 𝐾𝐾 que permiten representar al vector 𝑥𝑥 + 𝑦𝑦 ∈ 𝐸𝐸 como combinación lineal de los vectores de 𝐴𝐴, o
sea 𝑥𝑥 + 𝑦𝑦 ∈ 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴)
Por otras parte,
Página|185
Capítulo V

𝜆𝜆𝜆𝜆 = 𝜆𝜆(𝛼𝛼1 𝑎𝑎1 + 𝛼𝛼2 𝑎𝑎2 + ⋯ + 𝛼𝛼𝑛𝑛 𝑎𝑎𝑛𝑛 )

= (𝜆𝜆𝛼𝛼1 )𝑎𝑎1 + (𝜆𝜆𝛼𝛼2 )𝑎𝑎2 + ⋯ + (𝜆𝜆𝛼𝛼𝑛𝑛 )𝑎𝑎𝑛𝑛
= 𝛿𝛿1 𝑎𝑎1 + 𝛿𝛿2 𝑎𝑎2 + ⋯ + 𝛿𝛿𝑛𝑛 𝑎𝑎𝑛𝑛
Luego existen 𝑛𝑛 escalares 𝛿𝛿𝑖𝑖 ∈ 𝐾𝐾 que permiten representar al vector 𝜆𝜆𝜆𝜆 ∈ 𝐸𝐸 como combinación lineal de los vectores de 𝐴𝐴, o sea
𝜆𝜆𝜆𝜆 ∈ 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴)
Por todo lo anterior queda demostrado que el conjunto 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) es un subespacio vectorial del espacio 𝐸𝐸 ⊃ 𝐴𝐴. 
Por eso podremos llamar en adelante al conjunto 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴): 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑣𝑣𝑣𝑣𝑣𝑣𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔 𝑝𝑝𝑝𝑝𝑝𝑝 𝐴𝐴.
Un resultado importante es el asociado a la ampliación de un conjunto generador:

Teorema 8: (ampliación de un generador)

Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸 un generador de 𝐸𝐸, entonces cualquier conjunto 𝐴𝐴′ , considerado una
ampliación de 𝐴𝐴 en 𝐸𝐸 también es un generador de 𝐸𝐸.

La demostración de este teorema es sencilla y se deja al lector de trabajo individual

Un importante teorema es el que establece las relaciones entre los conjuntos linealmente independientes y los conjuntos
generadores de un espacio (subespacio) vectorial

Teorema 9: (relación conjunto LI-conjunto generador)

Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐴𝐴 = {𝑎𝑎1, … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸 un conjunto LI de 𝐸𝐸. Sea 𝐺𝐺 = {𝑐𝑐1 , … , 𝑐𝑐𝑚𝑚} ⊂ 𝐸𝐸 un conjunto generador
de 𝐸𝐸, el número de vectores de 𝐴𝐴 es siempre menor que el número de vectores de 𝐺𝐺. En este caso, 𝑐𝑐 ≤ 𝑐𝑐

La demostración de este teorema la puede encontrar en el libro del Colectivo de Autores de la Cujae. (1982). Álgebra Lineal. Editorial
Pueblo y Educación, págs. 280 y 281.
En otras palabras:
Ningún generador de un espacio vectorial puede tener menos vectores que un conjunto LI de dicho espacio.
Eso significa, que la cantidad mínima de vectores de los generadores de un espacio (subespacio) vectorial está determinada por el
número máximo de vectores LI de los conjuntos de dicho espacio vectorial.
También puede extraerse la siguiente conclusión

De todo generador finito LD de un espacio (subespacio) vectorial se puede extraer un subconjunto que también sea un generador
de dicho espacio (subespacio).

Subespacios vectoriales asociados a una matriz

Entre los subespacios generados más importantes están aquellos generados por las filas (columnas) de una matriz considerados
estos como conjuntos de vectores:
Sea 𝐴𝐴 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 una matriz real y sea {𝑓𝑓1 , 𝑓𝑓2 , ⋯ , 𝑓𝑓𝑚𝑚 } el conjunto formado por las filas de 𝑀𝑀. Se llama espacio fila de 𝐴𝐴 y se denota
por 𝐹𝐹𝐴𝐴 al conjunto 𝑔𝑔𝑔𝑔𝑔𝑔{𝑓𝑓1 , 𝑓𝑓2 , ⋯ , 𝑓𝑓𝑚𝑚 } ⊂ ℝ𝑛𝑛 . Análogamente, si {𝑐𝑐1 , 𝑐𝑐2 , ⋯ , 𝑐𝑐𝑛𝑛 } ⊂ ℝ𝑚𝑚 es el conjunto formado por las columnas de
𝐴𝐴, se llama espacio columna de 𝐴𝐴 y se denota por 𝐶𝐶𝐴𝐴 al conjunto 𝑔𝑔𝑔𝑔𝑔𝑔{𝑐𝑐1 , 𝑐𝑐2 , ⋯ , 𝑐𝑐𝑛𝑛 }.
𝐹𝐹𝐴𝐴 = 𝑔𝑔𝑔𝑔𝑔𝑔{𝑓𝑓1 , 𝑓𝑓2 , ⋯ , 𝑓𝑓𝑚𝑚 } 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑑𝑑𝑑𝑑 𝐴𝐴
𝐶𝐶𝐴𝐴 = 𝑔𝑔𝑔𝑔𝑔𝑔{𝑐𝑐1 , 𝑐𝑐2 , ⋯ , 𝑐𝑐𝑛𝑛 } 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝐴𝐴

Ejemplo 7
1 2 −1
Hallar el espacio fila y el espacio columna de la matriz 𝐴𝐴 = � �
2 −1 3
Página|186
Capítulo V
Solución:
𝐹𝐹𝐴𝐴 = 𝑔𝑔𝑔𝑔𝑔𝑔{𝑓𝑓1 , 𝑓𝑓2 } = {(1,2, −1); (2, −1,3)} ⊂ ℝ3
1 2 𝑥𝑥 1 2 𝑥𝑥 1 2 𝑥𝑥
𝛼𝛼(1,2, −1) + 𝛽𝛽(2, −1,3) = (𝑥𝑥, 𝑦𝑦, 𝑧𝑧) � 2 −1� 𝑦𝑦� ~ �0 5� 2𝑥𝑥 − 𝑦𝑦� ~ �0 5� 2𝑥𝑥 − 𝑦𝑦 �
𝐹𝐹𝐴𝐴 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧)|𝑦𝑦 = 𝑥𝑥 + 𝑧𝑧} −1 3 𝑧𝑧 0 5 𝑥𝑥 + 𝑧𝑧 0 0 𝑥𝑥 − 𝑦𝑦 + 𝑧𝑧

𝐶𝐶𝐴𝐴 = 𝑔𝑔𝑔𝑔𝑔𝑔{𝑐𝑐1 , 𝑐𝑐2 , 𝑐𝑐3 } = {(1,2); (2, −1); (−1,3)} ⊂ ℝ2 1 2 −1 𝑎𝑎 1 2 −1 𝑎𝑎

� � �~� � �
2 −1 3 𝑏𝑏 0 5 −5 2𝑎𝑎 − 𝑏𝑏
𝛼𝛼(1,2) + 𝛽𝛽(2, −1) + 𝛾𝛾(−1,3) = (𝑎𝑎, 𝑏𝑏)
𝐶𝐶𝐴𝐴 = ℝ2
Un resultado importante es el siguiente:
Teorema 10:
Si 𝐴𝐴 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 y sus filas son consideradas vectores de ℝ𝑚𝑚 y sus columnas, vectores de ℝ𝑛𝑛 , entonces se cumple que:
𝑟𝑟(𝐴𝐴) = 𝑟𝑟{𝑓𝑓1 , 𝑓𝑓2 , ⋯ , 𝑓𝑓𝑚𝑚 } = 𝑟𝑟{𝑐𝑐1 , 𝑐𝑐2 , ⋯ , 𝑐𝑐𝑛𝑛 }

La de mostración queda fuera del alcance de este libro.

Por tal razón, se justifica la siguiente definición de rango de una matriz:

Definición (rango de una matriz)

Sea 𝑀𝑀 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 . Se llama rango de 𝑀𝑀 al número máximo de filas o columnas LI de 𝑀𝑀.

Otro subespacio vectorial asociado a una matriz 𝐴𝐴 es el 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑜𝑜 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘.

Sea 𝐴𝐴 ∈ 𝑀𝑀𝑚𝑚×𝑛𝑛 una matriz real. Se llama espacio nulo (kernel) de 𝐴𝐴 y se denota por 𝑁𝑁𝐴𝐴 al conjunto de todos los vectores 𝑥𝑥 ∈ ℝ𝑛𝑛
que son soluciones del SEL homogéneo 𝐴𝐴𝐴𝐴 = 0.

Ejemplo 8
1 2 −1
Hallar el espacio nulo y el espacio imagen de la matriz 𝐴𝐴 = � �
2 −1 3
Solución:
𝑥𝑥 1 2 −1 1 2 −1 1 2 −1
1 2 −1 𝑦𝑦 0 � �~� �~� �
𝑁𝑁𝐴𝐴 = �(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 � � � � � = � �� 2 −1 3 0 5 −5 0 1 −1
2 −1 3 𝑧𝑧 0 𝑥𝑥
1 2 −1 𝑦𝑦 0
𝑁𝑁𝐴𝐴 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧) ∈ ℝ3 |𝑥𝑥 = −𝑧𝑧; 𝑦𝑦 = 𝑧𝑧} � �� � = � �
0 1 −1 𝑧𝑧 0

𝑥𝑥 + 2𝑦𝑦 − 𝑧𝑧 = 0
�
𝑦𝑦 − 𝑧𝑧 = 0

Si 𝑁𝑁𝐴𝐴 = 𝑔𝑔𝑔𝑔𝑔𝑔(𝐵𝐵), entonces 𝑟𝑟(𝐵𝐵) se llama nulidad de 𝐴𝐴 y se denota por 𝑣𝑣(𝐴𝐴)

Dos relaciones importantes que relacionan al espacio nulo de una matriz 𝐴𝐴 con sus demás propiedades o espacios asociados son
las siguientes:
• El espacio nulo es el complemento ortogonal del espacio fila y viceversa. En símbolos: 𝑁𝑁𝐴𝐴⊥ = 𝐹𝐹𝐴𝐴
• El rango más la nulidad es igual al número de columnas de la matriz. En símbolos: 𝑟𝑟(𝐴𝐴) + 𝑣𝑣(𝐴𝐴) = 𝑛𝑛
Nota: Esta última relación suele conocerse como Teorema del Rango
Página|187
Capítulo V

Conclusiones del Capítulo

Se estudiaron entre los conjuntos finitos de vectores, los conjuntos linealmente dependientes y linealmente independientes,
que son de los más importantes, así como los conjuntos generadores de espacios y subespacios vectoriales. Existen relaciones
entre los conceptos de dependencia lineal y de generación de vectores.
Retomando los problemas planteados al principio del Capítulo, planteamos los 4 casos que se vieron en el mismo.
Si 𝑥𝑥 ∈ 𝐸𝐸 y 𝐴𝐴 = {𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛 } ⊂ 𝐸𝐸, se plantea la ecuación vectorial general:
𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥
De ella, surgen diferentes situaciones, dependiendo de las características del vector 𝑥𝑥 será el problema a resolver.
Si 𝑥𝑥 ∈ 𝐸𝐸 es un vector conocido, que origina 3 casos, correspondientes a la parte de Dependencia Lineal del Capítulo.
Caso 1: 𝑥𝑥 es el vector nulo de 𝐸𝐸, con lo que la ecuación y el problema son:
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = O
Problema: Determinar si 𝐴𝐴 es un conjunto LI o LD.
Caso 2: 𝑥𝑥 es uno de los vectores del propio conjunto 𝐴𝐴, con lo que la ecuación y el problema son:
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑖𝑖−1 𝑎𝑎𝑖𝑖−1 + 𝜆𝜆𝑖𝑖+1 𝑎𝑎𝑖𝑖+1 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑎𝑎𝑖𝑖
Problema: Determinar si 𝐴𝐴 es un conjunto LI o LD.
Caso 3: 𝑥𝑥 no es un vector de 𝐴𝐴, con lo que la ecuación y el problema son:
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥
Problema: Determinar si 𝐴𝐴, siendo LI, puede ser ampliado con 𝑥𝑥 para obtener un nuevo conjunto LI.
Si 𝑥𝑥 ∈ 𝐸𝐸 es un vector desconocido arbitrario, se origina el cuarto caso, correspondientes a la parte de Generador del
Capítulo.
Caso 4: 𝑥𝑥 puede ser un vector cualquiera del espacio 𝐸𝐸 en primera instancia
Ecuación: 𝜆𝜆1 𝑎𝑎1 + 𝜆𝜆2 𝑎𝑎2 + ⋯ + 𝜆𝜆𝑛𝑛 𝑎𝑎𝑛𝑛 = 𝑥𝑥
Problema: Determinar qué vectores 𝑥𝑥 ∈ 𝐸𝐸 pueden ser expresados como combinación lineal de los vectores de 𝐴𝐴, lo
que se traduce en “Hallar el subespacio vectorial generado por 𝐴𝐴".
Deben releerse las Conclusiones Parciales de este Capítulo referidas a la parte de Dependencia e Independencia Lineal, así
como los siguientes resultados asociados a los conceptos de generador y subespacio vectorial generado, que dan continuidad
a la lista de 17 resultados apuntados en las Conclusiones Parciales
18. Todo conjunto no vacío de vectores genera un subespacio vectorial.
19. Existen conjuntos generadores que generan al espacio vectorial universo, o sea 𝑔𝑔𝑔𝑔𝑔𝑔{𝐴𝐴} = 𝐸𝐸 y otros conjuntos que
solo generan a subespacios propios suyos.
20. Tanto ℝ𝑛𝑛 , como cualquiera de sus subespacios vectoriales, posee infinitos conjuntos generadores, con excepción
del espacio nulo, que posee un único generador, el conjunto nulo.
21. Todo generador puede ser ampliado con vectores del espacio vectorial 𝐸𝐸 que genera y el nuevo conjunto es también
un generador de 𝐸𝐸.
22. Todo generador de un espacio (subespacio) posee menos vectores que cualquier conjunto LI de ese espacio
(subespacio)
23. De todo generador LD del espacio (subespacio) se puede extraer un generador del espacio (subespacio)
24. La combinación de los puntos 22 y 23 conllevan a que en todo espacio no nulo existen generadores LI.
25. Entre los subespacios vectoriales asociados a una matriz destacan el espacio fila, el espacio columna y el espacio
nulo de una matriz y las relaciones que existen entre ellos.
Página|188
Capítulo V

Preguntas Teóricas
1. Declare de dos maneras diferentes cuándo se dice que un conjunto de vectores es linealmente dependiente.
2. Declare de dos maneras diferentes cuándo se dice que un conjunto de vectores es linealmente independiente.
3. ¿Por qué son excluyentes los conceptos LI y LD?
4. ¿Qué conjunto con un solo vector del espacio es LD?
5. ¿Qué conjuntos con un solo vector del espacio son LI?
6. ¿Qué conjuntos con dos vectores del espacio son LD?
7. ¿Qué conjuntos con tres vectores del espacio son LD? La respuesta sugiere análisis de casos.
8. ¿Existe algún caso en que un conjunto que contenga al vector nulo del espacio sea LI?
9. Cuando a un conjunto cualquiera se le añade un vector del espacio, existe la posibilidad de que el nuevo conjunto
sea LI o LD. ¿En qué casos ocurre uno u otra situación?
10. Cuando a un conjunto cualquiera se le sustrae un vector del espacio, existe la posibilidad de que el nuevo
conjunto sea LI o LD. ¿En qué casos ocurre uno u otra situación?
11. ¿Siempre es posible añadir vectores a un conjunto LI del espacio ℝ𝑛𝑛 de manera tal que el nuevo conjunto continúe
siendo LI?
12. ¿Siempre es posible suprimir vectores a un conjunto LD del espacio ℝ𝑛𝑛 de manera tal que el nuevo conjunto
continúe siendo LD?
13. ¿A qué se denomina número máximo de vectores LI de un conjunto?
14. ¿Cuál es el número máximo de vectores LI de cualquier conjunto en ℝ2?
15. Si el número máximo de vectores LI en un espacio vectorial E es igual al número máximo de vectores LI de cualquier
generador suyo ¿Cuál es el número máximo de vectores LI de ℝ3? ¿Cuál es el número máximo de vectores LI de 𝑃𝑃1[𝑥𝑥]?
16. ¿A qué se llama espacio fila de una matriz?
17. ¿A qué se llama espacio columna de una matriz?
18. ¿A qué se llama espacio nulo o kernel de una matriz?
19. ¿A qué se llama nulidad de una matriz?
20. ¿Cómo se define el rango de una matriz a partir del concepto de independencia lineal?
Página|189
Capítulo V

Ejercicios Resueltos
1. Determinar si los siguientes vectores de ℝ3 son linealmente independientes o dependientes:
a) (1, 2 , 4); (3, 6, 2); (0, 0, 1)
b) (1, 2 , 0); (0, 6, 2); (4 , 8, 0)
2. Determinar si los siguientes vectores son linealmente dependientes o independientes:
a) 𝑢𝑢 = (−4, 5); 𝑣𝑣 = (2, 7)
b) 𝑢𝑢 = (3, 5, −2); 𝑣𝑣 = (−3, 0, 4); 𝑤𝑤 = (3, 1, 2).
3. Considere los siguientes vectores de ℝ5 ,
𝑣𝑣1 = (2,1, −1,3,2); 𝑣𝑣2 = (1,1,0,1,1); 𝑣𝑣3 = (1,5,4,2,1) y 𝑣𝑣4 = (2,6,4,3,2)
a) ¿Son 𝑣𝑣1 , 𝑣𝑣2 , 𝑣𝑣3 y 𝑣𝑣4 linealmente independientes?
b) ¿Es 𝑣𝑣4 combinación lineal de 𝑣𝑣1 , 𝑣𝑣2 y 𝑣𝑣3 ?
c) ¿Es 𝑣𝑣1 combinación lineal de 𝑣𝑣2 , 𝑣𝑣3 y 𝑣𝑣4 ?
d) ¿Es 𝑣𝑣4 combinación lineal de 𝑣𝑣1 y 𝑣𝑣2 ?
e) ¿Es 𝑣𝑣4 combinación lineal de 𝑣𝑣2 y 𝑣𝑣3 ?
f) ¿Son 𝑣𝑣1 , 𝑣𝑣2 y 𝑣𝑣3 linealmente independientes?

4. Determine si los siguientes conjuntos de vectores son LI o LD:

a) 𝐴𝐴 = {(1,0,3,4); (0,0,1,1)} ⊂ ℝ4
b) 𝐵𝐵 = {(1,0,3,4)} ⊂ ℝ4
c) 𝐶𝐶 = {(1,0,3,4); (0,0,1,1); (−2,0,0,0); (1, √5, 𝜋𝜋, 0); (−1,1, −1,1)} ⊂ ℝ4
5. Añada un vector al conjunto 𝐴𝐴 = {(1,0,3,4); (0,0,1,1)} ⊂ ℝ4 para que el conjunto ampliado sea:
a) LI
b) LD
6. Halle el número máximo de vectores linealmente independiente de los siguientes conjuntos:
𝑎𝑎) 𝐴𝐴 = {(1,0,3,4); (0,0,1,1); (2,2,0,2)} ⊂ ℝ4
𝑏𝑏) 𝐵𝐵 = {5𝑥𝑥 3 , 3 + 𝑥𝑥 2 , 1 + 𝑥𝑥 + 2𝑥𝑥 2 } ⊂ 𝑃𝑃3 (𝑥𝑥)
2
𝑐𝑐) 𝐶𝐶 = {1, 𝑠𝑠𝑠𝑠𝑠𝑠 𝑥𝑥 , 𝑠𝑠𝑠𝑠𝑠𝑠 2𝑥𝑥 , 𝑠𝑠𝑠𝑠𝑠𝑠 3𝑥𝑥} ⊂ 𝐶𝐶−∞,∞

7. Usando determinantes, establezca si los siguientes conjuntos de vectores son LI o LD:

𝑎𝑎) 𝐴𝐴 = {(1,5,2); (3,0,4); (−5,5,6)} ⊂ ℝ3
𝑏𝑏) 𝐵𝐵 = {(2,2,4,6); (0,0,1,2); (0,5,6,1); (1,1,2,3)} ⊂ ℝ4
8. Dados tres vectores linealmente independientes 𝑢𝑢 , 𝑣𝑣 y 𝑤𝑤 , demostrar que 𝑢𝑢 + 𝑣𝑣 , 𝑣𝑣 + 𝑤𝑤 y 𝑤𝑤 + 𝑢𝑢 son también
linealmente independientes.

9. Indique si los siguientes enunciados son verdaderos o falsos:

𝑎𝑎) (3,5) ∈ 𝑔𝑔𝑔𝑔𝑔𝑔{(1,2); (2, −3)} 𝑑𝑑) {1, 𝑥𝑥, 𝑥𝑥 2 , 𝑥𝑥 3 , ⋯ , 𝑥𝑥1000 } genera al espacio de los polinomios

𝑏𝑏) (2, −3) ∈ 𝑔𝑔𝑔𝑔𝑔𝑔{(1,2); (2, −3)} 𝑒𝑒) ��1 0� , �0 1� , �0 0�� genera a 𝑀𝑀2 (ℝ)
0 0 0 0 0 1
𝑐𝑐) (1,2,3) ∈ 𝑔𝑔𝑔𝑔𝑔𝑔{(2,0,4); (−1,0,3)} 𝑒𝑒) {(2,3,0,1); (1,1,1,1)} genera a un subespacio de ℝ2
Página|190
Capítulo V

10. ¿El conjunto ��1 0� , �0 1� , �0 0�� genera al espacio de las matrices cuadradas simétricas reales de orden 2? Justifique
0 0 1 0 0 1
su respuesta.

11. El conjunto 𝑔𝑔𝑔𝑔𝑔𝑔{(1,2, −1,3); (7,1,0,4); (−8,0,8,2); (0,0,0,1)} ¿genera a ℝ4 o a un subespacio propio suyo?
1 3 0
12. Sea la matriz 𝐴𝐴 = �2 5 −4�
2 7 4
a) Halle el espacio fila y el espacio nulo de la matriz 𝐴𝐴.
b) Compruebe que el espacio fila de 𝐴𝐴 es el complemento ortogonal del espacio nulo de 𝐴𝐴.
c) Halle 𝑟𝑟(𝐴𝐴) y 𝑣𝑣(𝐴𝐴). Compruebe que 𝑟𝑟(𝐴𝐴) + 𝑣𝑣(𝐴𝐴) = 3.
Página|191
Capítulo V

Respuestas a los Ejercicios Propuestos

Página|192
Capítulo VI

Capítulo VI: Base y Dimensión

Sumario del Capítulo
• Bases de un espacio vectorial
 Definición de base de un espacio vectorial.
 Teoremas de existencia de base
• Teoremas sobre bases de un espacio vectorial
• Bases y dimensión de un subespacio vectorial Para finalizar
• Bases ortogonales y ortonormales en ℝ𝑛𝑛 • Preguntas teóricas
• Coordenadas de un vector en una base. Matriz de cambio de base • Ejercicios Propuestos
• Isomorfismo de espacios vectoriales • Respuestas
• Conclusiones del Capítulo

Objetivos
Al finalizar el estudio del Capítulo debes poder:
1. Determinar, usando la definición y los teoremas si un conjunto de vectores es o no una base de un espacio
(subespacio) vectorial.
2. Determinar la dimensión de un espacio (subespacio) vectorial.
3. Extraer una base de un espacio (subespacio) vectorial.
4. Hallar las coordenadas de un vector en una base.
5. Cambiar las coordenadas de un vector de una base a otra utilizando la matriz correspondiente de cambio de base.
6. Identificar si una base es un sistema ortogonal (ortonormal) o no.
7. Utilizar el isomorfismo entre espacios vectoriales como vía para reducir problemas planteados en otros espacios a
los espacios ℝ𝑛𝑛 .

Requisitos previos
El lector debe saber resolver SEL por cualquier método, reducir una matriz a la forma escalonada e identificar los pivotes,
hallar el rango de una matriz, hallar el producto escalar euclidiano y la norma euclidiana en ℝ𝑛𝑛 . Así como expresar un vector
como combinación lineal de un conjunto de vectores dados, determinar si un conjunto de vectores es LI o LD y hallar el
subespacio vectorial generado por un conjunto de vectores.

Introducción
En el Capítulo V se trataron dos conceptos fundamentales de la teoría de espacios vectoriales: el concepto de independencia
lineal y el concepto de conjunto generador de un espacio vectorial. Ambos conceptos confluyen en un importantísimo
concepto, el de base de un espacio vectorial y asociado a él, el concepto de dimensión de espacio vectorial.
También se discutió sobre que un conjunto generador siempre puede ser ampliado dentro del mismo espacio vectorial que
genera (salvo el caso de espacios vectoriales con un número finito de vectores), pero cabrían las preguntas:
 Si se sustraen vectores a un conjunto 𝐴𝐴, ¿el nuevo conjunto será también un generador del subespacio 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴)?
 Si se adicionan vectores 𝑥𝑥 ∉ 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) a un conjunto 𝐴𝐴, ¿el nuevo conjunto será también un generador del
subespacio 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) ?
Respuestas a esas preguntas serán dadas en el siguiente capítulo.
Página|193
Capítulo VI

Bases de un espacio vectorial

Concepto de base
En el Capítulo V se discutió en torno a la relación entre los conjuntos LI y los con juntos generadores de un mismo espacio
vectorial. Dos importantes resultados tenían que ver con ello:
• Todo conjunto generador tiene igual o más vectores que cualquier conjunto LI del espacio.
• De todo conjunto generador finito y LD se puede extraer otro conjunto generador con menos vectores.
Si de todo generador finito G que sea LD se puede extraer un generador G’, existen dos posibilidades: G’ es LI o G’ es LD.
Si G’ es LI, entonces no se puede extraer de él ningún conjunto generador del espacio, pues este tendría menos vectores que un
conjunto LI, contradiciendo el teorema que lo refrenda.
Si G’ es LD, entonces puede aplicarse el mismo proceso y se podría extraer un generador G” de G’, el cual también tiene dos
posibilidades, ser LD o ser LI y así continuará el proceso hasta que se encuentre un generador que sea LI, pues la cantidad de vectores
de cualquier generador 𝐺𝐺 𝑖𝑖 no puede ser menor que la de un conjunto LI.
¿Podría ser infinito el proceso de extracción de generadores del espacio, cada vez con menos vectores? No, pues el generador inicial
G tiene un número finito de vectores y en el caso extremo, en que se llegue a un generador 𝐺𝐺 𝑖𝑖 que solo posea un vector, estaremos
en presencia de un conjunto LI. Dicho vector debe ser no nulo (pues el vector nulo solo genera al espacio nulo) y por tanto ese
conjunto será LI, o sea se encontró un generador LI del espacio (subespacio).
En resumen, en todo espacio (subespacio) vectorial que posee generadores con un número finito de vectores siempre se podrá
extraer a partir de cualquiera de ellos, un generador LI.
A estos particulares conjuntos generadores se les denomina bases del espacio (subespacio) vectorial.

Definición (base de un espacio vectorial)

Sea 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐵𝐵 = {𝑏𝑏1 , … , 𝑏𝑏𝑛𝑛 } ⊂ 𝐸𝐸. 𝐵𝐵 es una base de 𝐸𝐸 si y solo si 𝐵𝐵 es un generador LI de 𝐸𝐸.

Ejemplos de base de algunos espacios vectoriales

Ejemplo 1
El sistema de vectores canónicos 𝐶𝐶𝑛𝑛 = {𝑒𝑒1 , 𝑒𝑒2 , ⋯ , 𝑒𝑒𝑛𝑛 } de ℝ𝑛𝑛 es una base de ℝ𝑛𝑛 .

El conjunto ��1 0� , �0 1� , �0 0� , �0 0�� es una base del espacio de las matrices cuadradas reales de orden 2.
0 0 0 0 1 0 0 1
El conjunto {1, 𝑥𝑥, 𝑥𝑥 2 } es una base del espacio vectorial de los polinomios de grado menor o igual que 2. ∎
Las bases citadas en el ejemplo anterior son denominadas bases canónicas o estándar de los espacios correspondientes.

Ejemplo 2
Determinar si el conjunto 𝐵𝐵 = {(1,0,1); (0,1,0)} es una base de ℝ3
Solución:
𝐵𝐵 es LI porque sus dos vectores no son múltiplos escalares.
Bastará determinar si es un generador o no de ℝ3 :
La ecuación vectorial 𝛼𝛼(1,0,1) + 𝛽𝛽(0,1,0) = (𝑥𝑥, 𝑦𝑦, 𝑧𝑧)
Página|194
Capítulo VI
1 0 𝑥𝑥 1 0 𝑥𝑥
Su resolución conlleva a: �0 1� 𝑦𝑦� ~ �0 1� 𝑦𝑦 �
1 0 𝑧𝑧 0 0 𝑥𝑥 − 𝑧𝑧
de donde se concluye, según el Teorema de Kronecker-Capelli que el SEL correspondiente es compatible si y solo si 𝑥𝑥 = 𝑧𝑧
Por tanto, 𝐵𝐵 no genera a ℝ3 , sino a 𝑔𝑔𝑔𝑔𝑔𝑔{𝐵𝐵} = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧)|𝑥𝑥, 𝑦𝑦 ∈ ℝ},
subespacio vectorial de ℝ3 . Todo conjunto LI constituye un
generador LI del subespacio generado
En consecuencia, 𝐵𝐵 no es una base de ℝ3 , aunque por ser LI y generador de por él, por tanto es un generador LI, o sea
𝑔𝑔𝑔𝑔𝑔𝑔{𝐵𝐵} = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧)|𝑥𝑥, 𝑦𝑦 ∈ ℝ} es una base de ese subespacio. ∎ una base del espacio generado por él.

Ejemplo 3
Determine si los siguientes conjuntos son bases o no del espacio vectorial que Todo conjunto LD no nulo contiene un
se indica. subconjunto LI, el cual es un generador
a) 𝐴𝐴 = {(−2, −2); (1,1); (0,3)} ⊂ ℝ2 LI del espacio generado por él. Por ello,
todo conjunto LD no nulo es un
b) 𝐵𝐵 = {(−2,2,0); (1,1,0); (0,0,1)} ⊂ ℝ3 generador pero no podrá ser base, ni
Solución: siquiera del espacio generado por él.

a) En el conjunto 𝐴𝐴 los dos primeros vectores son múltiplos escalares,

por tanto constituyen un subconjunto LD de 𝐴𝐴 y como todo conjunto
que contenga a un subconjunto LD es también LD, por tanto 𝐴𝐴 no es LI. En consecuencia, 𝐴𝐴 no es una base de ℝ2 , a
pesar de ser un generador de ℝ2 , pues cualquier vector de ℝ2 puede expresarse como combinación lineal de los
vectores de 𝐴𝐴. ¡Compruébese!
b) En el conjunto 𝐵𝐵 no existen vectores múltiplos escalares, lo que no significa que el conjunto sea LI, Por ello debe
verificarse esa importante cualidad. Como 𝐵𝐵 está constituido por 3 vectores de ℝ3 puede determinarse su carácter
LI o LD utilizando determinantes:
−2 1 0
� 2 1 0� = −4 ≠ 0, por tanto 𝐵𝐵 es LI.
0 0 1
Ahora debe verificarse si es un generador de ℝ3 :
−2 1 0 𝑥𝑥 −2 1 0 𝑥𝑥
� 2 1 0� 𝑦𝑦� ~ � 0 2 0� 𝑦𝑦 + 𝑥𝑥 �
0 0 1 𝑧𝑧 0 0 1 𝑧𝑧
En efecto, lo es, porque el rango de la matriz ampliada es igual al rango de la matriz del SEL correspondiente y no
existe ninguna restricción para que esto suceda.
Conclusión 𝐵𝐵 es una base de ℝ3 porque es LI y además ℝ3 = 𝑔𝑔𝑔𝑔𝑔𝑔{𝐵𝐵} ∎

Teoremas sobre bases de un espacio vectorial

Un resultado de la mayor trascendencia en la teoría de espacios vectoriales es el teorema de existencia de una base en cualquier
espacio vectorial no nulo.
Teorema 1: (de existencia de base)
Todo espacio vectorial no nulo tiene una base

La demostración de este teorema para el caso general, conlleva un conjunto de prerrequisitos que desbordarían los objetivos
de este libro.
En el caso de los espacios vectoriales que poseen al menos un generador con un número finito de vectores, la demostración
radica en la discusión hecha al principio de esta sección, antes de introducir el concepto de base, lo que con más detalle se
discutirá más adelante.
Página|195
Capítulo VI

Como resultado de las discusiones anteriores se infieren los siguientes resultados:

1. Las bases son 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 (o sea, los que menos vectores tienen entre los generadores), pues como las
bases son conjuntos LI, no puede existir ningún generador con menos vectores que ellas.
2. Como las bases son generadores minimales de un espacio vectorial, entonces todo conjunto que tenga menos vectores
que una base del espacio, no es un generador al espacio.
3. Todo generador de un espacio es una base (generador minimal) o contiene una base, en cuyo caso sería un generador LD.
4. Las bases son 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝐿𝐿𝐿𝐿 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 (o sea, los que poseen el número máximo de vectores LI del espacio que genera),
pues como las bases son generadores, no puede haber ningún conjunto LI con más vectores que ellas.
5. Todo conjunto que tenga más vectores que una base del espacio es LD, pues al ser la base un conjunto LI maximal, no
puede haber otro conjunto LI en E que tenga más vectores que una base, por tanto, tal conjunto tiene que ser LD.
6. Todo conjunto LI es un generador o está contenido en un generador LD del espacio.

Teorema 2: (número de vectores de una base)

Todas las bases de un espacio vectorial con generador finito tienen el mismo número de vectores.

Demostración: (por reducción al absurdo)

Supóngase que existen dos bases diferentes con diferente número de vectores. Sean las bases A y B del espacio vectorial E y tal que
#𝐴𝐴 = 𝑛𝑛 y #𝐵𝐵 = 𝑚𝑚 y se supone que 𝑛𝑛 < 𝑚𝑚.

En virtud de que tanto A como B son bases de E, entonces ambos son generadores LI del espacio E.

Pero si #𝐴𝐴 = 𝑛𝑛 < 𝑚𝑚 = #𝐵𝐵, entonces el conjunto generador A tiene menos vectores que el conjunto LI B, lo cual es una contradicción.
Lo supuesto es falso, por tanto se cumple que #𝐴𝐴 = #𝐵𝐵.

Como A y B son dos bases cualesquiera del espacio E, queda demostrado el teorema. 

En correspondencia con lo refrendado en el Teorema 2, si las bases de un espacio vectorial 𝐸𝐸 poseen un número finito de vectores,
ese número es el mismo y constituye una característica importante del espacio 𝐸𝐸, su dimensión.

Definición: (dimensión de un espacio vectorial)

Si E es un espacio vectorial con generador finito, entonces el número de vectores de cualquier base
del espacio vectorial se denomina 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 del espacio.

En símbolos: dim 𝐸𝐸 = 𝑛𝑛 = #𝐵𝐵, donde 𝐵𝐵 representa una base cualquiera de 𝐸𝐸.

Ahora estamos en condiciones de clasificar a los espacios vectoriales en torno a su dimensión:
1. El único espacio vectorial que no posee base es el espacio nulo. Se dice que el espacio nulo es de 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛.
2. Si las bases de un espacio son conjuntos finitos de 𝑛𝑛 vectores (𝑛𝑛 ≠ 0) se dice que el espacio es de 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓.
3. Si las bases de un espacio están conformadas por infinitos vectores se dice que el espacio es de 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 𝑖𝑖𝑖𝑖𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓.

Teorema 3: (relación entre dimensión conjuntos LI y conjuntos generadores)

Si 𝐸𝐸 es un espacio de dimensión finita y dim 𝐸𝐸 = 𝑛𝑛, entonces todo sistema LI contenido en 𝐸𝐸 tiene a lo sumo 𝑛𝑛 elementos y
todo sistema generador de 𝐸𝐸 tiene al menos 𝑛𝑛 elementos.
Página|196
Capítulo VI
El resultado anterior surge directamente del hecho de que las bases son generadores minimales y conjuntos LI maximales y que
todas poseen la misma cantidad de vectores en los espacios de dimensión finita.

Ejemplo 4
Son espacios vectoriales de dimensión finita:
Espacios de dimensión finita
Una base
Espacio Vectorial Dimensión
ℝ𝑛𝑛 𝑛𝑛 𝐶𝐶𝑛𝑛
𝑃𝑃𝑛𝑛 (𝑥𝑥) 𝑛𝑛 + 1 {1, 𝑥𝑥, 𝑥𝑥 2 , ⋯ , 𝑥𝑥 𝑛𝑛 }
ℂℝ 2 {1, 𝑖𝑖}
𝑀𝑀2 4 ��1 0� ; �0 1� ; �0 0� ; �0 0��
0 0 0 0 1 0 0 1
𝑔𝑔𝑔𝑔𝑔𝑔{𝑥𝑥, 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠} 2 {𝑥𝑥, 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠}

{(𝑥𝑥, 𝑥𝑥)|𝑥𝑥 ∈ ℝ} 1 {(1,1)}

⋮ ⋮ ⋮

Ejemplo 5
Un ejemplo de espacio vectorial de dimensión infinita es:
Espacio Vectorial Una Base

𝑃𝑃: Espacio de los polinomios de cualquier grado {1, 𝑥𝑥, 𝑥𝑥 2 , ⋯ , 𝑥𝑥 𝑛𝑛 , ⋯ }

El teorema de existencia de base reformulado para los espacios de dimensión finita puede demostrarse a partir de la combinación
de los siguientes teoremas:
Teorema 4
Sean 𝐸𝐸 un espacio vectorial de dimensión finita y 𝐺𝐺 un generador de 𝐸𝐸. Entonces existe una base 𝐵𝐵 de 𝐸𝐸 tal que 𝐵𝐵 ⊆ 𝐺𝐺.

En otras palabras, todo generador es un base o contiene una base del espacio.
Este teorema brinda un procedimiento para la construcción de una base de un espacio vectorial de dimensión finita conocido un
generador del mismo.
Procedimiento:
Dado 𝐺𝐺 generador de 𝐸𝐸, existen dos posibilidades:
1. #𝐺𝐺 = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, por lo cual 𝐺𝐺 es LI, entonces 𝐵𝐵 = 𝐺𝐺, o sea el propio 𝐺𝐺 es la base buscada.
2. #𝐺𝐺 > 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, por lo cual 𝐺𝐺 es LD, entonces hay que extraer de 𝐺𝐺 un subconjunto maximal LI de vectores. Tal
subconjunto de 𝐺𝐺 es 𝐵𝐵, la base buscada.

Teorema 5 (de completamiento de base)

Sean 𝐸𝐸 un espacio vectorial de dimensión finita y 𝐴𝐴 un conjunto LI de 𝐸𝐸. Entonces existe una base 𝐵𝐵 de 𝐸𝐸 tal que 𝐴𝐴 ⊆ 𝐵𝐵.

En otras palabras, toda conjunto LI es una base o está contenido en una base del espacio.
Página|197
Capítulo VI
Este teorema brinda un procedimiento para la construcción de una base de un espacio vectorial de dimensión finita conocido un
conjunto LI del mismo.

Procedimiento:
Dado 𝐺𝐺 generador de 𝐸𝐸, existen dos posibilidades:
1. #𝐴𝐴 = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, por lo cual 𝐴𝐴 es un generador de 𝐸𝐸, entonces 𝐵𝐵 = 𝐴𝐴, o sea el propio 𝐴𝐴 es la base buscada.
2. #𝐴𝐴 < 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, por lo cual 𝐴𝐴 no es un generador de 𝐸𝐸, entonces hay que adicionar vectores a 𝐴𝐴 hasta obtener un
subconjunto minimal de vectores que generen a 𝐸𝐸. Tal superconjunto de 𝐴𝐴 es 𝐵𝐵.
Ahora se puede plantear el Teorema de existencia de base para el caso de los espacios de dimensión finita que serán los que
se estudiarán en la asignatura.

Teorema 6 (de existencia de base en un espacio de dimensión finita)

De todo espacio vectorial 𝐸𝐸 de dimensión finita siempre es posible extraer una base.

Bases y dimensión de un subespacio vectorial

Como todo subespacio vectorial 𝑆𝑆 de un espacio vectorial 𝐸𝐸 es por definición un espacio vectorial, el teorema anterior
garantiza la existencia de una base en los subespacios de dimensión finita, aún en los casos en que el espacio universo sea un
espacio de dimensión infinita. Una manera de proceder puede ser la que se ilustra en el siguiente ejemplo:

Ejemplo 6
Dado el subespacio vectorial 𝑆𝑆 = {(𝑎𝑎, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑) 𝜖𝜖 ℝ4 |𝑎𝑎 − 2𝑏𝑏 + 𝑑𝑑 = 0} de ℝ4 . Extraiga una base de 𝑆𝑆 y diga cuál es la dimensión
de 𝑆𝑆.
Solución:
En la restricción del subespacio 𝑆𝑆 se identifica la variable dependiente 𝑎𝑎 = 2𝑏𝑏 − 𝑑𝑑, y las variables independientes 𝑏𝑏, 𝑐𝑐 𝑦𝑦 𝑑𝑑 que
pueden tomar cualesquiera valores reales. Así, todo vector de 𝑆𝑆 puede expresarse como: (2𝑏𝑏 − 𝑑𝑑, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑)
Y de ahí, utilizando las operaciones de espacio vectorial, expresar dicho vector genérico como:
(2𝑏𝑏 − 𝑑𝑑, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑) = �������������������������
(2𝑏𝑏, 𝑏𝑏, 0,0) + (0,0, 𝑐𝑐, 0) + (−𝑑𝑑, 0,0, 𝑑𝑑) = 𝑏𝑏(2,1,0,0) + 𝑐𝑐(0,0,1,0) + 𝑑𝑑(−1,0,0,1)
�������������������������
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑙𝑙𝑙𝑙𝑙𝑙 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒
𝑐𝑐𝑐𝑐𝑐𝑐 𝑢𝑢𝑢𝑢𝑢𝑢 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣
𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
Obsérvese que:
𝑔𝑔𝑔𝑔𝑔𝑔{(2,1,0,0)} = {(2𝑏𝑏, 𝑏𝑏, 0,0)|𝑏𝑏 ∈ ℝ} lo cual puede ser considerado una “recta” de ℝ4 .
𝑔𝑔𝑔𝑔𝑔𝑔{(0,0,1,0)} = {(0,0, 𝑐𝑐, 0)|𝑐𝑐 ∈ ℝ} lo cual puede ser considerado otra “recta” de ℝ4 .
𝑔𝑔𝑔𝑔𝑔𝑔{(−1,0,0,1)} = {(−𝑑𝑑, 0,0, 𝑑𝑑)|𝑑𝑑 ∈ ℝ} lo cual puede ser considerado una “recta” de ℝ4 .
La única intersección entre esos subespacios vectoriales es el vector nulo (0,0,0,0) de ℝ4 , por lo cual no es posible expresar
a un vector de uno cualquiera de los subespacios como combinación lineal de vectores de los otros subespacios, lo que indica
que la única relación de dependencia lineal existente entre ellos es la trivial.
Así, escogiendo un vector no nulo de cada uno de los subespacios, se puede conformar un conjunto LI que será generador
del subespacio vectorial mínimo que contiene a esos subespacios; o sea, se puede conformar una base del subespacio
generado por la unión de los tres vectores.
Como su suma es el vector (2𝑏𝑏 − 𝑑𝑑, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑) que representa a cualquier vector de S, entonces el conjunto
𝐴𝐴 = {(2,1,0,0); (0,0,1,0); (−1,0,0,1)}
es LI y un generador de S, o sea una base de S.
Como #𝐴𝐴 = 3, entonces 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = 3 . ∎
Página|198
Capítulo VI
En este ejemplo se procedió hallando primero la base y después se concluyó cuál sería la 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑. Pero pudiera procederse a la
inversa si se conoce el siguiente resultado:

Teorema 7: (dimensión de un subespacio de ℝ𝑛𝑛 )

Sea 𝑆𝑆 un subespacio vectorial de ℝ𝑛𝑛 definido como 𝑆𝑆 = {𝑥𝑥|𝐴𝐴𝐴𝐴 = 0} donde 𝑥𝑥 ∈ ℝ𝑛𝑛 .
Entonces, 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = 𝑑𝑑𝑑𝑑𝑑𝑑ℝ𝑛𝑛 − 𝑟𝑟(𝐴𝐴)

Ejemplo 7
Halle la dimensión y una base del subespacio vectorial 𝑆𝑆 = {(𝑎𝑎, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑) 𝜖𝜖 ℝ4 |𝑎𝑎 − 2𝑏𝑏 + 𝑑𝑑 = 0} de ℝ4
Solución:
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = 𝑑𝑑𝑑𝑑𝑑𝑑ℝ4 − 𝑟𝑟(𝐴𝐴)
donde 𝐴𝐴 = [1 −2 0 1] es la matriz del SEL homogéneo de las restricciones de 𝑆𝑆.
En este caso, el SEL de restricciones posee una sola ecuación y el rango sin lugar a dudas es 1, pero pueden existir casos en
que el SEL tenga varias ecuaciones y algunas pudieran ser redundantes, por lo que considerar solo el número de ecuaciones
y no el rango de la matriz del SEL, puede conducir a errores.
Así, 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = 𝑑𝑑𝑑𝑑𝑑𝑑ℝ4 − 𝑟𝑟(𝐴𝐴) = 4 − 1 = 3
En consecuencia, una base de S estará formada por 3 vectores LI que satisfagan la condición del subespacio, pudiéndose
seguir diferentes vías para ello. Lo importante es que los 3 vectores que se integren la base propuesta pertenezcan al
subespacio S y constituyan un conjunto LI. ∎

Ejemplo 8
Ampliar la base de S hallada en el Ejemplo 7 hasta obtener una base de ℝ4
Solución:
La base de S hallada en el Ejemplo 7 fue 𝐴𝐴 = {(2,1,0,0); (0,0,1,0); (−1,0,0,1)}
Como la dimensión del espacio ℝ4 es 4, toda base de ℝ4 posee 4 vectores y como todo conjunto LI es una base o está
contenida en una base del espacio, ese es el caso de 𝐴𝐴: es un conjunto LI por ser base de un subespacio y está contenida en
una base del espacio, por tener menos vectores que la dimensión del espacio.
Bastará adicionar a 𝐴𝐴 un vector de que no pueda expresarse como combinación lineal de los vectores de 𝐴𝐴, pues según el
teorema visto en el capítulo V, el nuevo conjunto será también LI. En consecuencia, el vector 𝑥𝑥 que se añada al conjunto 𝐴𝐴
no puede pertenecer a 𝑆𝑆, pues si pertenece es porque se puede expresar como combinación lineal de los vectores de 𝐴𝐴, ya
que al ser 𝐴𝐴 una base de 𝑆𝑆, entonces 𝑆𝑆 = 𝑔𝑔𝑔𝑔𝑔𝑔{𝐴𝐴}.
𝑎𝑎 𝑏𝑏 𝑑𝑑
0 ≠2∙⏞
Por ejemplo, el vector (0,1,0,0) ∉ 𝑆𝑆 porque no cumple la restricción 𝑎𝑎 = 2𝑏𝑏 − 𝑑𝑑, o sea, ⏞ 1−⏞
0=2
Así, el conjunto 𝐵𝐵 = 𝐴𝐴 ∪ {(0,1,0,0)} = {(2,1,0,0); (0,0,1,0); (−1,0,0,1); (0,1,0,0)} es una base de ℝ4 . ∎
Nota:
Entre los vectores que se podrían añadir a un conjunto LI para completar una base de un espacio mayor, nunca
podría estar el vector nulo del espacio, por al menos dos argumentos:
1. Cualquier conjunto que contenga al vector nulo del espacio es LD y por tanto no es una base del espacio.
2. Todo subespacio vectorial es a la vez un espacio y por tanto contiene entre sus vectores al vector nulo, luego este
se expresa como combinación lineal de los vectores de la base hallada en el subespacio, en consecuencia cumple
con las restricciones del subespacio y de lo que se trata es de añadir un vector que no las cumpla.
Página|199
Capítulo VI

Bases ortogonales y ortonormales en ℝ𝑛𝑛

Recordar los conceptos de conjuntos ortogonales y ortonormales en espacios euclídeos, en particular en ℝ𝑛𝑛 , así como
el teorema que establece que todo conjunto ortogonal que no contiene al vector nulo es LI.
En consecuencia, se puede dar la siguiente definición:
Definición (base ortogonal de un espacio euclídeo)
Sea 𝐸𝐸 un espacio euclídeo y 𝐵𝐵 ⊂ 𝐸𝐸. Se dice que 𝐵𝐵 es una base ortogonal de 𝐸𝐸 si y solo si 𝐵𝐵 es una base de 𝐸𝐸 que a
la vez es un conjunto ortogonal en 𝐸𝐸.

Si 𝐸𝐸 es un espacio de dimensión finita 𝑛𝑛 y 𝐵𝐵 es un conjunto ortogonal de 𝑛𝑛 vectores de 𝐸𝐸 que no contiene al vector nulo,
entonces 𝐵𝐵 es LI, posee una cantidad de vectores igual a la 𝑑𝑑𝑑𝑑𝑑𝑑 𝐸𝐸 y es ortogonal, entonces por ser LI, un generador de 𝐸𝐸 y
ortogonal, es en suma una base ortogonal de 𝐸𝐸.

Definición (base ortonormal de un espacio euclídeo)

Sea 𝐸𝐸 un espacio euclídeo y 𝐵𝐵 ⊂ 𝐸𝐸. Se dice que 𝐵𝐵 es una base ortonormal de 𝐸𝐸 si y solo si 𝐵𝐵 es una base ortogonal
de 𝐸𝐸 que a la vez está formada por vectores unitarios.

Utilizando símbolos,
• 𝐵𝐵 𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢𝑢𝑢 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑𝑑𝑑 ℝ𝑛𝑛 si y solo si 𝑟𝑟(𝐵𝐵) = 𝑛𝑛 = 𝑑𝑑𝑑𝑑𝑑𝑑ℝ𝑛𝑛 y para todo 𝑏𝑏𝑖𝑖 ∙ 𝑏𝑏𝑗𝑗 ∈ 𝐵𝐵 se cumple que
𝑖𝑖 ≠ 𝑗𝑗 ⟹ 𝑏𝑏𝑖𝑖 ∙ 𝑏𝑏𝑗𝑗 = 0
• 𝐵𝐵 es una 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 de ℝ𝑛𝑛 si y solo si 𝑟𝑟(𝐵𝐵) = 𝑛𝑛 = 𝑑𝑑𝑑𝑑𝑑𝑑ℝ𝑛𝑛 y para todo 𝑏𝑏𝑖𝑖 ∙ 𝑏𝑏𝑗𝑗 ∈ 𝐵𝐵 se cumple que
0 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗
𝑏𝑏𝑖𝑖 ∙ 𝑏𝑏𝑗𝑗 = 𝛿𝛿𝑖𝑖𝑖𝑖 = �
1 𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑗𝑗

Ejemplo 9
Ejemplos de bases ortonormales son:
• La base canónica de ℝ𝑛𝑛 , o sea, el sistema 𝐶𝐶𝑛𝑛 = {𝑒𝑒1 , 𝑒𝑒2 , ⋯ , 𝑒𝑒𝑛𝑛 } es una base ortonormal de ℝ𝑛𝑛 .
1 1 −1 1
• El conjunto 𝐵𝐵 = �� , �;� , �� es una base ortonormal de ℝ2 . ∎
√2 √2 √2 √2

Ejemplo 10
Ejemplos de bases ortogonales de ℝ𝑛𝑛 que no son ortonormales:
• El conjunto 𝐴𝐴 = {(2,3); (3, −2)} es una base ortogonal de ℝ2 no ortonormal.
• El conjunto 𝐻𝐻 = {(2,0,1); (1,0, −2); (0,4,0)} es una base ortogonal de ℝ3 no ortonormal. ∎
Página|200
Capítulo VI

Coordenadas de un vector en una base

Al hablar de coordenadas de un vector se establece una diferencia con el concepto de componentes de un vector. El primero
es un concepto más general que el segundo.
Como en todo espacio vectorial de dimensión finita siempre es posible extraer una base- en particular en los espacios ℝ𝑛𝑛
estas son infinitas en número-todo vector posee un juego diferente de coordenadas para cada una de las bases del espacio.
Pues las coordenadas de un vector están referidas a dicha base como un sistema de referencia.
Por su parte, las 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 de un vector, en aquellos espacios vectoriales en que existen, son en general expresiones
numéricas dispuestas en una estructura que depende de la naturaleza de los vectores de ese espacio. Ese es el caso de los
vectores de los espacios ℝ𝑛𝑛 , de los espacios de matrices, de los espacios de polinomios, etc. Pero no de los espacios de
funciones o de transformaciones geométricas por solo citar algunos. También el término componente suele utilizarse
para cada uno de los vectores sumandos cuando un vector se ha descompuesto como una suma: por ejemplo, “un
vector geométrico de 𝑉𝑉2 descompuesto como suma de sus componentes horizontal y vertical”. En ese caso, se refiere a
componentes vectoriales.

Teorema 8 (de unicidad de la representación de un vector en una base)

Sean 𝐸𝐸 un 𝐾𝐾-espacio vectorial y 𝐵𝐵 = {𝑏𝑏1 , 𝑏𝑏2 , … , 𝑏𝑏𝑛𝑛 } un sistema de vectores de 𝐸𝐸. Entonces 𝐵𝐵 es una base de 𝐸𝐸 si y solo si
para todo vector 𝑥𝑥 ∈ 𝐸𝐸 existen escalares únicos 𝜆𝜆1 , 𝜆𝜆2 , … , 𝜆𝜆𝑛𝑛 ∈ 𝐾𝐾 tales que
𝑥𝑥 = 𝜆𝜆1 𝑏𝑏1 + 𝜆𝜆2 𝑏𝑏2 + … + 𝜆𝜆𝑛𝑛 𝑏𝑏𝑛𝑛

Se deja al lector la demostración de este teorema, con la llamada de atención de que por ser un teorema de unicidad, la técnica a
seguir es la demostración indirecta suponiendo que existen dos representaciones distintas, para concluir después de la falsedad de
tal suposición, pues las dos representaciones supuestos son una y la misma. ¡Inténtalo!
A manera de comprobación puedes encontrarla en la página 289 del libro de Álgebra Lineal del Colectivo de Autores de la Cujae.
La existencia de este teorema justifica que a tales escalares 𝜆𝜆1 , 𝜆𝜆2 , … , 𝜆𝜆𝑛𝑛 ∈ 𝐾𝐾 que garantizan una representación única de cada
vector 𝑥𝑥 ∈ 𝐸𝐸 en una determinada base 𝐵𝐵 de 𝐸𝐸, se les defina con un nombre particular: las 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑥𝑥 en la
base 𝐵𝐵.

Ejemplo 11
En ℝ3 , si consideramos la base 𝐶𝐶3 = {(𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 )} = {(1,0,0); (0,1,0); (0,0,1)} (base canónica de ℝ3 ) se observa que dado
un vector arbitrario 𝑥𝑥 = (𝑎𝑎, 𝑏𝑏, 𝑐𝑐) ∈ ℝ3 , podemos expresarlo como:
𝑥𝑥 = 𝑎𝑎𝑒𝑒1 + 𝑏𝑏𝑒𝑒2 + 𝑐𝑐𝑒𝑒3
entonces los números 𝑎𝑎, 𝑏𝑏, 𝑐𝑐 son las coordenadas de 𝑥𝑥 en la base 𝐶𝐶3 , los cuales coinciden con las componentes del vector
𝑥𝑥 = (𝑎𝑎, 𝑏𝑏, 𝑐𝑐). ∎

Ejemplo 12
En 𝑃𝑃𝑛𝑛 [𝑥𝑥], si consideramos al sistema {1, 𝑥𝑥, 𝑥𝑥 2 , … , 𝑥𝑥 𝑛𝑛−1 } que suele denominarse base estándar o canónica de 𝑃𝑃𝑛𝑛 [𝑥𝑥], entonces
dado un polinomio 𝑝𝑝(𝑥𝑥) = 𝑎𝑎𝑛𝑛−1 𝑥𝑥 𝑛𝑛−1 + … + 𝑎𝑎1 𝑥𝑥 + 𝑎𝑎0 de 𝑃𝑃𝑛𝑛 [𝑥𝑥], sus coordenadas en la base {1, 𝑥𝑥, 𝑥𝑥 2 , … , 𝑥𝑥 𝑛𝑛−1 } son
𝑎𝑎0 , 𝑎𝑎1 , … , 𝑎𝑎𝑛𝑛−1 , que son los coeficientes del polinomio. ∎
Obsérvese que el orden en que se den las coordenadas de un vector en una base debe coincidir con el orden de los vectores
correspondientes en la base dada.
Página|201
Capítulo VI

Ejemplo 13
Las coordenadas del vector (3,4) en la base 𝐴𝐴 = {(1,2); (2,2)} de ℝ2 son 𝜆𝜆1 = 1 y 𝜆𝜆2 = 1, porque:
(3,4) = 1(1,2) + 1(2,2)
Nota: Una base es un conjunto LI y generador de un espacio vectorial como ya se definió, sin embargo, convendrá más
que como conjunto abordarlo como sistema LI y generador de un espacio vectorial, pues el orden en que aparezcan los
vectores en dicho conjunto, implicará el orden en que se expresen sus coordenadas.
La base canónica de ℝ3 , por ejemplo, es como ya se definió 𝐶𝐶3 = {𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 }. Sin embargo, si se cambia el orden de los
vectores canónicos en ella, el nuevo conjunto continuará siendo una base de ℝ3 , pero dicho conjunto ya no será la base
canónica de ℝ3 . Las coordenadas de un vector 𝑥𝑥 = (𝑎𝑎, 𝑏𝑏, 𝑐𝑐) ∈ ℝ3 ya no coincidirán con sus componentes como una
muestra del efecto del cambio de orden.
Para evitar imprecisiones, entre otras razones, será conveniente expresar las coordenadas ordenadamente acorde con el orden en
que aparecen los vectores en la base a la que están referidas; por ello suelen escribirse en forma de vector de coordenadas.

Definición: (vector de coordenadas)

Sean E un 𝐾𝐾-espacio vectorial, 𝐵𝐵 = {𝑏𝑏1 , 𝑏𝑏2 , … , 𝑏𝑏𝑛𝑛 } una base de 𝐸𝐸 y el vector 𝑢𝑢 ∈ 𝐸𝐸 tal que sus coordenadas en la base 𝐵𝐵
son los escalares 𝜆𝜆1 , 𝜆𝜆2 , … , 𝜆𝜆𝑛𝑛 ∈ 𝐾𝐾, o sea
𝑢𝑢 = 𝜆𝜆1 𝑏𝑏1 + 𝜆𝜆2 𝑏𝑏2 + … + 𝜆𝜆𝑛𝑛 𝑏𝑏𝑛𝑛 .
𝜆𝜆1
𝜆𝜆2
Entonces se llama 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 del vector 𝑢𝑢 en la base 𝐵𝐵, y se denota 𝑢𝑢𝐵𝐵 , al vector 𝑢𝑢𝐵𝐵 = � �
⋮
𝜆𝜆𝑛𝑛

Ejemplo 14
Hallar las coordenadas del vector (2,1, −3) en la base 𝐵𝐵 = {(1,1,0); (0,1,3); (0,0,2)} de ℝ3 .
Solución:
Lo primero es expresar al vector (2,1, −3) como combinación lineal de los vectores de 𝐵𝐵, o sea:
𝜆𝜆1 (1,1,0) + 𝜆𝜆2 (0,1,3) + 𝜆𝜆3 (0,0,2) = (2,1, −3)
𝜆𝜆1 = 2
Lo que conduce al SEL � 𝜆𝜆1 + 𝜆𝜆2 = 1
3𝜆𝜆2 + 2𝜆𝜆3 = −3
Dicho SEL es compatible determinado, lo que está avalado por el Teorema 8 de unicidad de la representación de un vector
en una base.
𝜆𝜆1 = 2 2
En este caso, la solución es �𝜆𝜆2 = −1 y el vector de coordenadas será (2,1, −3)𝐵𝐵 = �−1� ∎
𝜆𝜆3 = 0 0

Ejemplo 15
Hallar las coordenadas del vector (2,1, −3) en la base 𝐴𝐴 = {(1,1,0); (5, −8,0); (2,1, −3)} de ℝ3 .
Solución:
Como (2,1, −3) ∈ 𝐵𝐵, entonces sus coordenadas en la base 𝐵𝐵 resultan de forma inmediata, asignándole el valor 0 a los
escalares que multiplican a los otros vectores de la base y el valor 1 al propio vector. A saber:
0
0(1,1,0) + 0(5, −8,0) + 1(2,1, −3) = (2,1, −3). Así, el vector de coordenadas será (2,1, −3)𝐴𝐴 = �0� ∎
1
Página|202
Capítulo VI

Matriz de cambio de base

Cuando se trata de hallar las coordenadas de un conjunto de vectores en una misma base o de cambiar sus coordenadas de
una base a otra base, es conveniente tener computado de alguna forma las relaciones cuantitativas que permitan automatizar
el proceso de traspaso o de codificación. Esa valiosa información se guarda en forma de matriz a la que se denomina
𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏.

Definición: (matriz de cambio de bases)

Sean E un 𝐾𝐾-espacio vectorial y las bases 𝐴𝐴 = {𝑎𝑎1 , 𝑎𝑎2 , … , 𝑎𝑎𝑛𝑛 } y 𝐵𝐵 = {𝑏𝑏1 , 𝑏𝑏2 , … , 𝑏𝑏𝑛𝑛 } de 𝐸𝐸, entonces si los vectores de
coordenadas de los vectores de la base 𝐵𝐵 referidas a la base 𝐴𝐴 son: (𝑏𝑏1 )𝐴𝐴 , (𝑏𝑏2 )𝐴𝐴 , ⋯ , (𝑏𝑏𝑛𝑛 )𝐴𝐴 se denomina
𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝐵𝐵 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝐴𝐴 y se denota por 𝑃𝑃𝐴𝐴←𝐵𝐵 a la matriz cuyas columnas son los vectores de
coordenadas de la base 𝐵𝐵 referidas a la base 𝐴𝐴, o sea:
𝑃𝑃𝐴𝐴←𝐵𝐵 = [(𝑏𝑏1 )𝐴𝐴 (𝑏𝑏2 )𝐴𝐴 ⋯ (𝑏𝑏𝑛𝑛 )𝐴𝐴 ]𝑛𝑛×𝑛𝑛

Ejemplo 16
Sean las bases 𝐴𝐴 = {(1,2); (2,2)}, 𝐵𝐵 = {(3,4); (2,2)} y 𝐶𝐶2 = {(1,0); (0,1)} de ℝ2 .
Hallar la matrices de cambio de base 𝑃𝑃𝐶𝐶2 ←𝐵𝐵 , 𝑃𝑃𝐴𝐴←𝐵𝐵 y 𝑃𝑃𝐵𝐵←𝐴𝐴
Solución:
Hallar las columnas de la matriz 𝑃𝑃𝐶𝐶2 ←𝐵𝐵 conlleva en primer lugar a hallar las coordenadas de los vectores de la base 𝐵𝐵 en
la base canónica 𝐶𝐶2 . Pero las coordenadas de cualquier vector en la base canónica de ℝ2 coinciden con sus
componentes, por tanto:
3 2
(3,4)𝐶𝐶2 = � � y (2,2)𝐶𝐶2 = � �
4 2
3 2
Por tanto: 𝑃𝑃𝐶𝐶2 ←𝐵𝐵 = � �
4 2
Las coordenadas de los vectores de B en la base A serán el resultado de resolver las ecuaciones vectoriales:
1
𝜆𝜆1 (1,2) + 𝜆𝜆2 (2,2) = (3,4) que tiene como solución (3,4)𝐴𝐴 = � � (visto en el Ejemplo 13)
1
0
𝜆𝜆1 (1,2) + 𝜆𝜆2 (2,2) = (2,2) que tiene como solución evidente (2,2)𝐴𝐴 = � �
1
1 0
Por tanto: 𝑃𝑃𝐴𝐴←𝐵𝐵 = � �
1 1
Las coordenadas de los vectores de A en la base B serán el resultado de resolver las ecuaciones vectoriales:
1
𝜆𝜆1 (3,4) + 𝜆𝜆2 (2,2) = (1,2) que tiene como solución (1,2)𝐵𝐵 = � �
−1
0
𝜆𝜆1 (3,4) + 𝜆𝜆2 (2,2) = (2,2) que tiene como solución evidente (2,2)𝐵𝐵 = � �
1
1 0
Por tanto: 𝑃𝑃𝐵𝐵←𝐴𝐴 = � � ∎
−1 1
Una utilidad inmediata de las matrices de cambio de base es la transformación de coordenadas. Eso se garantiza con la
fórmula:
𝑥𝑥𝐴𝐴 = 𝑃𝑃𝐴𝐴←𝐵𝐵 𝑥𝑥𝐵𝐵
Página|203
Capítulo VI
O sea, que si se multiplica por la derecha de la matriz de cambio de base 𝑃𝑃𝐴𝐴←𝐵𝐵 el vector de coordenadas 𝑥𝑥𝐵𝐵 esta
transforma las coordenadas de la base 𝐵𝐵 a la base 𝐴𝐴.

Ejemplo 17
2
Hallar el vector (𝑥𝑥, 𝑦𝑦) ∈ ℝ2 cuyas coordenadas en la base 𝐵𝐵 son � � .
1 𝐵𝐵
Solución:
𝑥𝑥 𝑥𝑥 𝑥𝑥 2 3 2 2 8
Como (𝑥𝑥, 𝑦𝑦) = �𝑦𝑦 � = �𝑦𝑦� , entonces �𝑦𝑦� = 𝑃𝑃𝐶𝐶2 ←𝐵𝐵 � � = � �� � = � �
𝐶𝐶2 𝐶𝐶2 1 𝐵𝐵 4 2 1 𝐵𝐵 10 𝐶𝐶2
2
O sea, el vector (8,10)𝐵𝐵 = � �
1
𝑏𝑏1 𝑏𝑏2
��� + 𝟏𝟏 �
Comprobación: 𝟐𝟐 (3,4) �� = (8,10) ∎
(2,2)
Cabe la pregunta, ¿existirá alguna relación entre las matrices de cambio de base 𝑃𝑃𝐴𝐴←𝐵𝐵 y 𝑃𝑃𝐵𝐵←𝐴𝐴 ?
Teorema 9: (inversa de una matriz de cambio de base)
Sean 𝐴𝐴 y 𝐵𝐵 dos bases del espacio vectorial 𝐸𝐸. Entonces, la matriz de cambio de base 𝑃𝑃𝐵𝐵←𝐴𝐴 es la inversa de la matriz de cambio
de base 𝑃𝑃𝐴𝐴←𝐵𝐵 .

Demostración:
Si 𝑃𝑃𝐴𝐴←𝐵𝐵 es la matriz de cambio de la base B a la base A, entonces se cumple que para cualquier vector 𝑥𝑥 ∈ 𝐸𝐸:
𝑥𝑥𝐴𝐴 = 𝑃𝑃𝐴𝐴←𝐵𝐵 𝑥𝑥𝐵𝐵 
Pero si 𝑃𝑃𝐵𝐵←𝐴𝐴 es la matriz de cambio de la base A a la base B, entonces se cumple que para el mismo vector 𝑥𝑥 ∈ 𝐸𝐸:
𝑥𝑥𝐵𝐵 = 𝑃𝑃𝐵𝐵←𝐴𝐴 𝑥𝑥𝐴𝐴 
Sustituyendo 𝑥𝑥𝐴𝐴 de  en , entonces:
𝑥𝑥𝐵𝐵 = 𝑃𝑃𝐵𝐵←𝐴𝐴 𝑃𝑃𝐴𝐴←𝐵𝐵 𝑥𝑥𝐵𝐵
De donde resulta que 𝑃𝑃𝐵𝐵←𝐴𝐴 𝑃𝑃𝐴𝐴←𝐵𝐵 = 𝐼𝐼
Obteniendose dos resultados:
𝑃𝑃𝐴𝐴←𝐵𝐵 es no singular y por tanto invertible, pues en caso contrario el producto por 𝑃𝑃𝐵𝐵←𝐴𝐴 no podría ser la matriz identidad.
𝑃𝑃𝐵𝐵←𝐴𝐴 = (𝑃𝑃𝐴𝐴←𝐵𝐵 )−1 que es lo que se quería demostrar. 

Isomorfismo de espacios vectoriales

Los vectores de espacios vectoriales de diferente naturaleza se representan y operan con ellos de maneras diferentes, sin
embargo en muchas ocasiones existe un mismo comportamiento ante las operaciones interna y externa en un espacio
vectorial con respecto al comportamiento en otro espacio “análogo” al que llamaremos 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 a él.
Definición (isomorfismo de espacios vectoriales)
Sean 𝐸𝐸 y 𝐹𝐹 dos 𝐾𝐾-espacios vectoriales y 𝑓𝑓: 𝐸𝐸 → 𝐹𝐹 una aplicación biyectiva que transforma los vectores de 𝐸𝐸 en 𝐹𝐹, de manera que
para todo par de vectores 𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸 y todo escalar 𝜆𝜆 ∈ 𝐾𝐾 se cumple que:
• 𝑓𝑓(𝑥𝑥 + 𝑦𝑦) = 𝑓𝑓(𝑥𝑥) + 𝑓𝑓(𝑦𝑦)
• 𝑓𝑓(𝜆𝜆𝜆𝜆) = 𝜆𝜆𝜆𝜆(𝑥𝑥)
Entonces se dice que 𝑓𝑓 es un isomorfismo de 𝐸𝐸 en 𝐹𝐹 y que los espacios vectoriales 𝐸𝐸 y 𝐹𝐹 son isomorfos.

La definición formaliza el concepto pero no lo operacionaliza; por eso para que nos sea realmente útil, es necesario mostrar algunas
apliaciones biyectivas que constiuyen isomorfismos entre espacios vectoriales conocidos.
Página|204
Capítulo VI

Ejemplo 18
La aplicación que transforma a la base estándar de 𝑃𝑃1 [𝑥𝑥] en la base canónica de ℝ2 es la siguiente:
𝑓𝑓: 𝑃𝑃1 [𝑥𝑥] → ℝ2 que transforma un polinomio de grado menor o igual que 3 con coeficientes reales en un vector de ℝ2
𝑓𝑓(𝑎𝑎 + 𝑏𝑏𝑏𝑏) = (𝑎𝑎, 𝑏𝑏) es una aplicación biyectiva porque establece una correspondencia biunívoca entre ambos conjuntos: a
cada polinomio le corresponde un único par ordenado y tal par ordenado es imagen solo de ese polinomio. No existen
polinomio sin par asignado y viceversa.
Por otra parte, se cumple que:
Para todo par de polinomios 𝑝𝑝(𝑥𝑥) = 𝑎𝑎1 + 𝑏𝑏1 𝑥𝑥 y 𝑞𝑞(𝑥𝑥) = 𝑎𝑎2 + 𝑏𝑏2 𝑥𝑥 se cumple que:

𝑓𝑓�𝑝𝑝(𝑥𝑥) + 𝑞𝑞(𝑥𝑥)� = 𝑓𝑓�𝑝𝑝(𝑥𝑥)� + 𝑓𝑓(𝑞𝑞(𝑥𝑥))

Miembro izquierdo: 𝑓𝑓�𝑝𝑝(𝑥𝑥) + 𝑞𝑞(𝑥𝑥)� = 𝑓𝑓(𝑎𝑎1 + 𝑏𝑏1 𝑥𝑥 + 𝑎𝑎2 + 𝑏𝑏2 𝑥𝑥) = 𝑓𝑓�(𝑎𝑎1 + 𝑎𝑎2 ) + (𝑏𝑏1 𝑥𝑥 + 𝑏𝑏2 𝑥𝑥)� = (𝑎𝑎1 + 𝑎𝑎2 , 𝑏𝑏1 + 𝑏𝑏2 )

Miembro derecho: 𝑓𝑓�𝑝𝑝(𝑥𝑥)� + 𝑓𝑓�𝑞𝑞(𝑥𝑥)� = (𝑎𝑎1 , 𝑏𝑏1 ) + (𝑎𝑎2 , 𝑏𝑏2 ) = (𝑎𝑎1 + 𝑎𝑎2 , 𝑏𝑏1 + 𝑏𝑏2 )

Así, para todo 𝛼𝛼 ∈ ℝ se cumple que: 𝑓𝑓�𝛼𝛼𝛼𝛼(𝑥𝑥)� = 𝛼𝛼𝛼𝛼(𝑝𝑝(𝑥𝑥))

Miembro izquierdo:𝑓𝑓�𝛼𝛼𝛼𝛼(𝑥𝑥)� = 𝑓𝑓�𝛼𝛼(𝑎𝑎1 + 𝑏𝑏1 𝑥𝑥)� = 𝑓𝑓(𝛼𝛼𝑎𝑎1 + 𝛼𝛼𝑏𝑏1 𝑥𝑥) = (𝛼𝛼𝑎𝑎1 , 𝛼𝛼𝑏𝑏1 )

Miembro derecho: 𝛼𝛼𝛼𝛼�𝑝𝑝(𝑥𝑥)� = 𝛼𝛼𝛼𝛼(𝑎𝑎1 + 𝑏𝑏1 𝑥𝑥) = 𝛼𝛼(𝑎𝑎1 , 𝑏𝑏1 ) = (𝛼𝛼𝑎𝑎1 , 𝛼𝛼𝑏𝑏1 )

Con lo que se concluye que 𝑓𝑓 establece un isomorfismo entre los espacios vectoriales 𝑃𝑃1 [𝑥𝑥] y ℝ2 . ∎
La aplicación del Ejemplo 18 se construyó de una forma sencilla, asignando las coordenadas de un vector de 𝑃𝑃1 [𝑥𝑥] en la base
estándar de ese espacio a las coordenadas de un vector de ℝ2 en la base canónica 𝐶𝐶2 . Este tipo de correspondencia garantiza
que tal aplicación sea un isomorfismo entre esos espacios vectoriales reales que poseen la misma dimensión. La demostración
de este resultado rebasa los alcances de este libro, por lo cual no se probará.
El siguiente teorema garantiza la existencia de un isomorfismo entre ciertos espacios vectoriales.

Teorema 10:
Dos 𝐾𝐾-espacios vectoriales 𝐸𝐸 y 𝐹𝐹 son isomorfos si tienen la misma dimensión.

Esto permite identificar claramente que son isomorfos los espacios vectoriales reales ℝ2 , ℂℝ , 𝑀𝑀1×2 , 𝑀𝑀2×1 así como el
subespacio vectorial 𝑔𝑔𝑔𝑔𝑔𝑔{(2,0,1,1); (1,0,0,0)}
Si dos espacios son isomorfos, es porque existe un isomorfismo que los relaciona, el cual no solo transforma vectores
del primero en el segundo, sino que conserva las sumas, las multiplicaciones por un escalar, las relaciones de
dependencia lineal y la relación entre generadores y bases y en consecuencia transforma subespacios vectoriales de un
espacio en subespacios vectoriales de igual dimensión en el otro espacio.

Ejemplo 19
Dado el sistema de vectores de 𝑃𝑃3 [𝑥𝑥]: 𝐴𝐴 = {2 + 𝑥𝑥 + 𝑥𝑥 3 , −2 − 𝑥𝑥 − 𝑥𝑥 3 , 1 + 𝑥𝑥 2 + 𝑥𝑥 3 }. Halle una base de 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴).
Como ℝ4 y 𝑃𝑃3 [𝑥𝑥] son isomorfos, existe al menos una aplicación biyectiva que estable el isomorfismo entre ellos, en particular
la que transforma la base estándar o canónica de un espacio en el otro espacio.
𝑓𝑓: 𝑃𝑃3 [𝑥𝑥] → ℝ4 transforma la base {1, 𝑥𝑥, 𝑥𝑥 2 , 𝑥𝑥 3 } de 𝑃𝑃3 [𝑥𝑥] en {(1,0,0,0); (0,1,0,0); (0,0,1,0); (0,0,0,1)} de ℝ4
Por tanto:
Página|205
Capítulo VI
𝑓𝑓(2 + 𝑥𝑥 + 𝑥𝑥 3 ) = (2,1,0,1)
𝑓𝑓(−2 − 𝑥𝑥 − 𝑥𝑥 3 ) = (−2, −1,0, −1)
𝑓𝑓(1 + 𝑥𝑥 2 + 𝑥𝑥 3 ) = (1,0,1,1)
O sea, 𝑓𝑓(𝐴𝐴) = {(2,1,0,1); (−2, −1,0, −1); (1,0,1,1)} ⊂ ℝ4
Bastará determinar si 𝑓𝑓(𝐴𝐴) es LI o en caso negativo, extraer de 𝑓𝑓(𝐴𝐴) un subsistema maximal LI.
Se observa que (−2, −1,0, −1) = −(2,1,0,1)
Por tanto los dos primeros vectores de 𝑓𝑓(𝐴𝐴) son LD, por tanto 𝑓𝑓(𝐴𝐴) es LD y 𝑟𝑟�𝑓𝑓(𝐴𝐴)� < 3.
¿Pudiera ser 2? Sí, porque por ejemplo (2,1,0,1) y (1,0,1,1) no son múltiplos escalares, luego son LI.
Una base del subespacio generado por 𝑓𝑓(𝐴𝐴) es {(2,1,0,1); (1,0,1,1)} ⊂ ℝ4
Retornando al espacio vectorial 𝑃𝑃3 [𝑥𝑥], se tiene que una base de 𝑔𝑔𝑔𝑔𝑔𝑔(𝐴𝐴) es el sistema formado por el primer y el tercer
vectores de 𝐴𝐴 (que son los que se corresponden con (2,1,0,1) y (1,0,1,1).
𝐵𝐵 = {2 + 𝑥𝑥 + 𝑥𝑥 3 , 1 + 𝑥𝑥 2 − 𝑥𝑥 3 } es la base buscada.
Página|206
Capítulo VI

Conclusiones del Capítulo

En el Capítulo fueron debatidos los siguientes aspectos:
1. Todo sistema generador y LI de un espacio vectorial no nulo es una base del espacio vectorial.
2. Los espacios vectoriales en los que las bases poseen un número finito de vectores se denominan espacios de
dimensión finita. En caso contrario se denominan espacios de dimensión infinita.
3. Todas las bases de un espacio de dimensión finita poseen el mismo número de vectores, a lo que se denomina
dimensión del espacio.
4. En todo espacio de dimensión finita se puede construir una base, ya sea suprimiendo vectores de un generador
LD del mismo o ampliando un conjunto LI con menos vectores que la dimensión del espacio. Cualquiera de los
dos procesos se detendrá cuando se esté en presencia de un sistema LI cuya cantidad de vectores sea igual a
la dimensión del espacio.
5. Para hallar una base de un subespacio vectorial de ℝ𝑛𝑛 bastará expresar un vector genérico del subespacio
como la combinación lineal de tanto vectores como variables independientes haya en el subespacio, quedando
estas como escalares que multiplican a los vectores de la base buscada.
6. Las bases ortogonales (ortonormales) son aquellos sistemas ortogonales (ortonormales) de un espacio euclídeo
que a la vez son bases del mismo.
7. Todo vector de un espacio vectorial de dimensión finita solo admite una única representación en una base del
espacio. Los escalares de tal representación son sus coordenadas en esa base.
8. Las matrices de cambio de base permiten mediante la multiplicación de matrices cambiar las coordenadas de
un vector de una base a otra base.
9. Las matrices de cambio de base son no cuadradas y no singulares, o sea invertibles y se tiene la relación que
𝑃𝑃𝐵𝐵←𝐴𝐴 = (𝑃𝑃𝐴𝐴←𝐵𝐵 )−1
10. Dos espacios vectoriales isomorfos son aquellos que tienen asociado el mismo cuerpo K y además poseen la
misma dimensión.
11. El isomorfismo entre dos espacios vectoriales conserva los resultados de las operaciones de espacio vectorial
(la imagen de una combinación lineal de vectores es la combinación lineal de las imágenes) y en consecuencia
conserva las propiedades que se derivan de ello: transforma conjuntos LI (LD), de un espacio en conjuntos LI
(LD) del otro espacio, conjuntos generadores de un espacio en conjuntos generadores del otro espacio,
subespacios vectoriales de un espacio en subespacios vectoriales del otro con igual dimensión y bases de un
espacio en bases del otro espacio.
Página|207
Capítulo VI

Preguntas Teóricas
1. ¿Qué características cualitativas identifican a las bases de un espacio vectorial?
2. ¿Qué característica cuantitativa identifica a todas las bases de un espacio vectorial?
3. ¿Es posible construir una base a partir de un conjunto generador del espacio? ¿cómo?
4. ¿Es posible construir una base a partir de un conjunto LI del espacio? ¿cómo?
5. ¿Cómo es un conjunto que tenga más vectores que una base del espacio?
6. Si un conjunto tiene menos vectores que una base del espacio ¿qué se puede decir de él?
7. ¿Qué es la dimensión de un espacio vectorial?
8. Si se conoce que un espacio vectorial posee un generador con 44 vectores ¿cómo puede definirse dicho espacio?
9. ¿Cuál es el único espacio que no posee base alguna?
10. ¿Puede una base de un subespacio vectorial poseer más vectores que una base del espacio? ¿Por qué?
11. ¿Cuál pudiera ser en general el primer paso para determinar si un conjunto de vectores es una base de un espacio?
¿Por qué?
12. ¿Siempre es posible añadir vectores a un conjunto LI del espacio ℝ𝑛𝑛 de manera tal que el nuevo conjunto continúe
siendo LI? ¿Por qué?
13. ¿Siempre es posible suprimir vectores a un conjunto LD del espacio ℝ𝑛𝑛 de manera tal que el nuevo conjunto continúe
siendo LD? ¿Por qué?
14. ¿Qué significa la doble igualdad simbólica siguiente? #𝐵𝐵 = 𝑟𝑟(𝐵𝐵) = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑. ¿Qué puedes decir del conjunto 𝐵𝐵?
15. Diga todos los posibles casos en que un conjunto de ℝ2 puede clasificarse como LD.
16. Diga todos los posibles casos en que un conjunto de ℝ3 puede clasificarse como LD.
17. Si el número máximo de vectores LI en un espacio vectorial E es igual al número máximo de vectores LI de cualquier
generador suyo ¿Cuál es el número máximo de vectores LI de ℝ3 ? ¿Cuál es el número máximo de vectores LI de 𝑃𝑃1 [𝑥𝑥]?
18. ¿Qué son las coordenadas de un vector en una base?
19. ¿Significan lo mismo componentes de un vector y coordenadas de un vector?
20. Mencione un caso en que las componentes y las coordenadas de un vector son las mismas.
21. Mencione un caso en que un vector no tiene componentes, pero sí coordenadas en cierta base.
22. ¿Qué significa la notación 𝑃𝑃𝐵𝐵←𝐴𝐴 ? ¿Cómo se utiliza para cambiar las coordenadas de un vector de una base para otra?
23. ¿Quién es la inversa de la matriz 𝑃𝑃𝐵𝐵←𝐴𝐴 ?
24. ¿Qué se define como isomorfismo entre dos espacios vectoriales?
25. ¿Cuándo se puede decir que dos espacios vectoriales son isomorfos sin conocer ninguna aplicación biyectiva entre ellos
que defina el isomorfismo?
Página|208
Capítulo VI

Ejercicios Resueltos
1. Sea 𝑆𝑆 el subespacio vectorial de ℝ4 definido como 𝑆𝑆 = {(𝑎𝑎, 𝑏𝑏, 𝑐𝑐, 𝑎𝑎 + 𝑏𝑏)|𝑎𝑎, 𝑏𝑏, 𝑐𝑐 ∈ ℝ}
a) Halle la dimensión de 𝑆𝑆.
b) Extraiga una base de 𝑆𝑆.
c) Complete una base de ℝ4 a partir de la base hallada de 𝑆𝑆.

2. Sea el subespacio vectorial 𝑆𝑆 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧, 𝑢𝑢, 𝑣𝑣) ∈ ℝ5 | 2𝑥𝑥 − 𝑦𝑦 + 𝑧𝑧 = 𝑢𝑢; 𝑥𝑥 + 𝑦𝑦 = 𝑣𝑣}
a) Halle la dimensión de S. Justifique su respuesta.
b) Extraiga de S una base. Justifique su respuesta.
c) Amplíe la base hallada hasta obtener una base de ℝ5 .
3. Dado el sistema 𝐴𝐴 = {(2,1,3,4), (1,0,2,2), (1,1,1,2)} ⊂ ℝ4
a) Pruebe que 𝐴𝐴 es LD.
b) Extraiga y agregue la menor cantidad posible de vectores al sistema 𝐴𝐴 hasta obtener una base de ℝ4 .

4. Complete a partir de 𝐴𝐴 = {(−1,4,2); (0,1, −2)} una base ortogonal de ℝ3 vía:

a) El producto vectorial
b) El complemento ortogonal de A.
5. Halle las coordenadas del vector (−2,1,3) en la base 𝐵𝐵 = {(2,0,3); (1,0,2); (1,1,4)} de ℝ3 .
1
6. Halle al vector 𝑥𝑥 ∈ ℝ3 si se sabe que � 2 � es el vector de sus coordenadas en la base 𝐴𝐴 de ℝ3 , que 𝐵𝐵 = {(2,0,3); (1,0,2); (1,1,4)}
−1
2 1 0
es una base de ℝ3 y la matriz de cambio de la base A a la base B es 𝑃𝑃𝐵𝐵←𝐴𝐴 = �1 1 1� .
3 0 0
7. Mencione 3 espacios vectoriales isomorfos con ℝ4 . Justifique su respuesta

8. Halle el subespacio vectorial generado por 𝐴𝐴 = ��2 −1� ; �1 −1� ; �4 2�� ⊂ 𝑀𝑀2
3 0 2 4 3 3
Sugerencia: Utilice el isomorfismo entre los espacios vectoriales 𝑀𝑀2 y ℝ4
9. Halle por simple inspección el subespacio vectorial generado por cada uno de los siguientes sistemas de vectores y diga
cuál es su dimensión (sugerencia: utilice el isomorfismo de los espacios 𝑃𝑃2 [𝑡𝑡], 𝑃𝑃2 [𝑡𝑡] 𝑦𝑦 𝑀𝑀2 con los espacios ℝ𝑛𝑛 .
𝑎𝑎) 𝐴𝐴 = {(−2, −2,0,0); (1,1,2,2, ); (0,0,3,3)} ⊂ ℝ4
𝑏𝑏) 𝐵𝐵 = {1 − 𝑥𝑥 2 ; 1 + 𝑥𝑥 2 } ⊂ 𝑃𝑃2 [𝑡𝑡]
𝑐𝑐) 𝐶𝐶 = {1 − 𝑥𝑥 2 ; 1 + 𝑥𝑥 2 } ⊂ 𝑃𝑃3 [𝑡𝑡]
1 0 3 0
𝑑𝑑) 𝐷𝐷 = �� �;� �� ⊂ 𝑀𝑀2
0 2 0 6
10. Halle una base de ℝ3 que contenga al sistema de vectores 𝐵𝐵 = {(1, −1,3), (0,2,1)}.
11. Dado el subespacio vectorial 𝑊𝑊 = {(𝑎𝑎, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑) ∈ ℝ4 |𝑎𝑎 + 𝑏𝑏 − 4𝑐𝑐 − 𝑑𝑑 = 0; 𝑎𝑎 − 𝑐𝑐 + 𝑑𝑑 = 0}
a) Halle la dimensión de W
b) Obtenga una base de W
c) Amplíe la base obtenida en b) hasta completar una base de ℝ4 .
12. Dado el subespacio vectorial 𝑆𝑆 = {(𝑎𝑎, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑) ∈ ℝ4 |𝑎𝑎 = 2𝑏𝑏}
a) Halle la dimensión de W
b) Obtenga una base de W
c) Si la base seleccionada en b) se amplía con el vector (6, 3, 1, 1) de ℝ4 . ¿Es el sistema resultante es un generador de S?
Página|209
Capítulo VI
13. De los siguientes espacios vectoriales:
i) Diga su dimensión
ii) Dé una base del mismo, en caso de existir.
𝑎𝑎) ℂ(ℝ): espacio de los números complejos sobre el cuerpo ℝ.
b) M2 (ℝ): espacio de las matrices cuadradas reales de orden 2.
c) TS3 (ℝ): espacio de las matrices triangulares superiores reales de orden 3.
𝑑𝑑) {0}: subespacio espacio nulo de un espacio vectorial E.
𝑒𝑒) 𝑃𝑃3 (𝑥𝑥): espacio de los polinomios de grado menor o igual que 3 con coeficientes reales.

14. Dado el subespacio vectorial de ℝ5 : 𝑆𝑆 = {(𝑎𝑎, 2𝑎𝑎, 𝑏𝑏, 𝑐𝑐, 𝑎𝑎 + 3𝑐𝑐)|𝑎𝑎, 𝑏𝑏, 𝑐𝑐 ∈ ℝ}
a) ¿Cuál es la dim 𝑆𝑆?
b) Halle una base de 𝑆𝑆.
c) Complete la base hallada en el inciso a) para obtener una base de 𝑃𝑃3 [𝑡𝑡].
Justifique sus respuestas.
15. Dado el subespacio vectorial 𝑆𝑆 = {(𝑎𝑎, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑, 𝑒𝑒) ∈ ℝ5 : |3𝑎𝑎 = 𝑏𝑏, 5𝑎𝑎 = 𝑐𝑐, 𝑑𝑑 = 0} de ℝ5 :
a) ¿Cuál es la dim 𝑆𝑆?
b) Halle una base de 𝑆𝑆.
c) Complete la base hallada en el inciso a) para obtener una base de ℝ5 .
Justifique sus respuestas.
16. Dado el sistema de vectores de ℝ4 : 𝐴𝐴 = {(2,1,0,0), (0,0,1,0), (2,0,1,0), (−1,0,0,1)}
a) Extraiga de A una base de 𝑆𝑆(𝐴𝐴).
b) Complete, si es necesario, la base de 𝑆𝑆(𝐴𝐴) hallada en el inciso (a) para obtener un base de ℝ4 .
17. Sea 𝐵𝐵 = {𝑏𝑏1 , 𝑏𝑏2 , 𝑏𝑏3 } una base del espacio vectorial 𝐸𝐸. Muestra que𝐵𝐵ʹ = {𝑏𝑏1 − 2𝑏𝑏3 , 𝑏𝑏1 + 3𝑏𝑏2 , 𝑏𝑏2 − 𝑏𝑏3 } también es una
base de 𝐸𝐸.
𝑎𝑎 𝑏𝑏
18. Dado el sistema de vectores de 𝑀𝑀2 : 𝑆𝑆 = �� � ∈ 𝑀𝑀2 � 𝑎𝑎 = 3𝑏𝑏 − 𝑑𝑑�
𝑐𝑐 𝑑𝑑
a) Halle una base de 𝑆𝑆.
b) Complete la base hallada en el inciso a), para obtener una base de 𝑀𝑀2 .
Justifique sus respuestas.
19. Muestre que el sistema de vectores 𝐴𝐴 = {(1, 𝑎𝑎, 𝑎𝑎2 ), (1, 𝑏𝑏, 𝑏𝑏 2 ), (1, 𝑐𝑐, 𝑐𝑐 2 )} de ℝ3 es una base de ℝ3 si y sólo si
{𝑎𝑎 ≠ 𝑏𝑏 ∧ 𝑎𝑎 ≠ 𝑐𝑐 ∧ 𝑏𝑏 ≠ 𝑐𝑐}.

20. Dado el sistema de vectores 𝐴𝐴 = {(1,0,3,0), (0, −1, −1,2), (1, −1,2,2)}deℝ4
a) Halle una base de 𝑆𝑆(𝐴𝐴).
b) Complete la base hallada en el inciso a) para encontrar una base de ℝ4 .
Justifique sus respuestas.
21. Sea el sistema de vectores 𝐵𝐵 = {𝑡𝑡, sen 𝑡𝑡 , cos 𝑡𝑡} del espacio 𝐹𝐹(ℝ, ℝ):
a) Pruebe que 𝐵𝐵 es linealmente independiente. (Utilice el determinante wronskiano)
b) ¿Cuál es la 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑(𝐵𝐵)?
Justifique sus respuestas
22. Halle una base ortonormal del subespacio vectorial 𝑆𝑆 = {(𝑥𝑥, 𝑦𝑦, 𝑧𝑧, 𝑢𝑢) ∈ ℝ4 : 𝑥𝑥 = 𝑦𝑦 ∧ 𝑢𝑢 = 0} de ℝ4
Página|210
Capítulo VI
23. Sean 𝐴𝐴, 𝐵𝐵, 𝐶𝐶 bases de ℝ2 y 𝐶𝐶 la base canónica. Dadas las matrices de cambio de base:
1 −1 2 0
𝑃𝑃𝐴𝐴𝐴𝐴 = � � y 𝑃𝑃𝐵𝐵𝐵𝐵 = � �
0 1 1 1
a) Halle las coordenadas del vector (1,2) ∈ ℝ2 en la base 𝐴𝐴.
b) Encuentre las bases 𝐴𝐴 y 𝐵𝐵.
24. Dado el subespacio vectorial 𝑆𝑆 = {(𝑎𝑎, 𝑏𝑏, 𝑐𝑐, 𝑑𝑑) ∈ ℝ4 |𝑎𝑎 − 2𝑏𝑏 + 𝑑𝑑 = 0} de ℝ4
a) Halle una base de 𝑆𝑆.
b) Amplíe, si es posible, la base hallada en el inciso a) para obtener una base de ℝ4 .
Justifique sus respuestas.
Página|211
Capítulo VI

Respuestas a los Ejercicios Propuestos