Álgebra Lineal

Un primer curso

Luis Pinedo Sandoval

Universidad del Magdalena

 Matrices

Una matriz A de orden m × n; es un arreglo de números dispuestos en m filas y n columnas.

 
a11 a12 · · · a1j · · · a1n
 a21
 a22 · · · a2j · · · a2n 
 . .. .. .. .. 
 . .
 . . . ··· . 

A=  = (aij )
 ai1 ai2 ··· aij · · · ain 
 .. .. .. .. 
 
..
 . . ··· . . . 
am1 am2 · · · amj · · · amn
A cada uno de estos números lo conocemos como una entrada de la matriz y cada entrada está
determinada por la fila y la columna donde se encuentra. Ası́, a11 es la entrada que está en la fila
1 columna 1, a12 es la entrada que está en la fila 1 columna 2 y en general aij estará en la fila i
y columna j de la matriz A.

Si las entradas de la matriz pertenecen a un conjunto K el conjunto de todas las matrices de

tamaño m × n lo denotamos por Mm×n (K).

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 2 / 144

 Matrices

Ejemplo
la matriz  
1 −1 0
4 1
3
3
A=
 
0 0 7
1
2
1 0
Es una matriz de orden 4 × 3 cuyas entradas son números reales, es decir; la matriz A ∈ M4×3 (R).
Si utlizamos la notación mencionada antes para la ubicación de cada entrada tenemos

a11 = 1 a22 = 31 a33 = 7

a12 = −1 a23 = 3 a41 = 12
a13 = 0 a31 = 0 a42 = 1
a21 = 4 a32 = 0 a43 = 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 3 / 144

 Matrices

Ejemplo
La matriz
 
11 i 2i 2
B = −4 5 9 72 ∈ M3×4 (C)
i −i 4 3
Es una matriz de 3 filas y 4 columnas. Las entradas de B en este caso, son números complejos,
denotados por C.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 4 / 144

 Matrices

Igualdad entre matrices

Las matrices A y B serán iguales, esto es, A = B si tienen igual orden y sus entradas ubicadas en
la misma posición son iguales.

A = B ⇐⇒ aij = bij ∀ i, j. con aij ∈ A, bij ∈ B

Ejemplo
3  3 
2
2 3 2
2 3    
1 2 1 3
4 5 6 =  4 5 6 , 6=
3 4 2 4
7 8 9 7 8 9

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 5 / 144

 Matrices
Algunos tipos de Matrices

Matriz nula
Una matriz A de orden m × n, es una matriz nula si todas sus entradas son cero. Es decir,

∀ aij ∈ A, aij = 0

Ejemplo
Las matrices
 
0 0  
0 0 0 0
A = 0 0, B =
0 0 0 0
0 0
son matrices nulas.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 6 / 144

 Matrices
Algunos tipos de Matrices

Matriz Cuadrada
Una matriz A es una matriz cuadrada de orden n × n o simplemente de orden n, si el número de
filas es igual al número de columnas.

Acerca de la notación: Para denotar el conjunto de matrices cudradas de orden n, se suele es

escribir Mn (K), en lugar de Mn×n (K).

Ejemplos
 
1 0
1. La matriz A = ∈ M2 (R)
0 1
es una matriz cuadrada de orden 2
 
1 1 0 0
0 1 0 0
2. La matriz B =   ∈ M4 (R), es una matriz cuadrada de orden 4.
0 0 1 1
0 0 1 1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 7 / 144

 Matrices
Algunos tipos de Matrices

Diagonal principal de una matriz cuadrada

Sea A una matriz cuadrada de orden n, los elementos aij para los que i = j (a11 , a22 , ...ann )
conforman la diagonal principal de A.

a11 a12 a13 ··· a1n

 
 a21 a22 a23 ··· a2n 
A= .. .. .. .. ..
 

 . . . . . 
am1 am2 am3 ··· ann

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 8 / 144

 Matrices
Algunos tipos de Matrices

Matriz Identidad
Denotamos la matriz identidad por I, con I ∈ Mn (K). Esta es una matriz cuyos elementos en la
diagonal principal son unos y, fuera de la diagonal principal son ceros. Esto es,
(
1 si i = j
aij = , ∀ aij ∈ I.
0 si i 6= j

Ejemplo
La matriz A es la matriz identidad de orden 4, puesto que en las posiciones donde i = j (diagonal
principal) hay unos y en las posiciones donde i 6= j hay ceros.
 
1 0 0 0
0 1 0 0
A= 0 0 1 0 = I


0 0 0 1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 9 / 144

 Operaciones entre Matrices

Suma de matrices
Sean A, B matrices del mismo orden, la suma de estas matrices será una matriz de igual orden,
donde las entradas de la matriz resultante se obtienen de sumar las entradas de A y de B que
ocupan la misma posición.

a11 a12 ··· a1n b11 b12 ··· b1n

   
 a21 a22 ··· a2n   b21 b22 ··· b2n 
A+B =  . .. ..  +  .. .. .. 
   
 .. .. ..
. . .   . . . . 
am1 am2 ··· amn bm1 bm2 ··· bmn

a11 + b11 a12 + b12 ··· a1n + b1n

 
 a21 + b21 a22 + b22 ··· a2n + b2n 
A+B = .. .. ..
 
 .. 
 . . . . 
am1 + bm1 am2 + bm2 ··· amn + bmn

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 10 / 144

 Operaciones entre Matrices
Suma

Ejemplo
   
1 2 3 3
Sean A = 1 −3 y B = 1 4 , hallar A + B
5 −1 5 −2
   
1 2 3 3
A+B = 1 −3 + 1 4 
5 −1 5 −2
 
1+3 2+3
= 1 + 1 −3 + 4 
5+5 −1 + (−2)
 
4 5
A+B = 2 1 
10 −3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 11 / 144

 Operaciones entre Matrices
Propiedades de la Suma

Sean A, B y C matrices del mismo orden. Entonces.

Propiedad de clausura o cierre: A + B ∈ Mm×n (K).

Propiedad conmutativa: A + B = B + A.
Propiedad asociativa: A + (B + C) = (A + B) + C
Elemento neutro: Existe un único elemento 0 ∈ Mm×n (K) (matriz nula). Tal que,

A+0=0+A=A

Opuesto aditivo: Para toda A ∈ Mm×n (K) existe una única matriz −A ∈ Mm×n (K). Tal
que,
A + (−A) = (−A) + A = 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 12 / 144

 Operaciones entre Matrices
Ejercicios

Ejercicio 1
Sean las matrices

12
   13   
5 5
6 5
8 −1 9 0 0
A = 7 1 3 , B =  4 −3 2  , C = 3 4 5
4 3 2 1 0 1 6 7 1
Hallar.

(a) A + B
(b) C + B
(c) A + B + C

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 13 / 144

 Operaciones entre Matrices
Ejercicios

Ejercicio 2
2. Calcular

(a)    
8 −4 3 1 −8 4 −3 −1
2 5 −4 −2 + − 27 −5 4 2 
7
6 −7 11 16 −6 7 −11 −16
(b)    
−4 15 20 25 0 0 0 0
 2 6 4 0 + 0 0 0 0

 
 23 2 −1 91 0 0 0 0
17 27 39 51 0 0 0 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 14 / 144

 Operaciones entre Matrices

Resta de matrices
Si A, B, son matrices del mismo orden, entonces, la resta A − B es una matriz del mismo orden,
donde las entradas de la matriz resultante se obtienen restando las entradas de A y B que ocupan
la misma posición.

a11 a12 ··· a1n b11 b12 ··· b1n

   
 a21 a22 ··· a2n   b21 b22 ··· b2n 
A−B =  . .. ..  −  .. .. .. 
   
 .. .. ..
. . .   . . . . 
am1 am2 ··· amn bm1 bm2 ··· bmn

a11 − b11 a12 − b12 ··· a1n − b1n

 
 a21 − b21 a22 − b22 ··· a2n − b2n 
A−B = .. .. ..
 
 .. 
 . . . . 
am1 − bm1 am2 − bm2 ··· amn − bmn

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 15 / 144

 Operaciones entre Matrices
Resta

Ejemplo
   
−4 2 8 5 9 11
Sean A = −1 −5 4  y B = −2 10 2 , hallar A − B
8 17 15 5 1 3
   
−4 2 8 5 9 11
A−B = −1 −5 4  − −2 10 2
8 17 15 5 1 3
 
−4 − 5 2−9 8 − 11
= −1 − (−2) −5 − 10 4−2
8−5 17 − 1 15 − 3
 
−9 −7 −3
A−B =  1 −15 2 
3 16 12

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 16 / 144

 Operaciones entre Matrices
Ejercicios

Ejercicios
1. Hallar la matriz A, que cumple con la condición
   
1 4 10 3 −4 −5
0 − 1
2
1  + A = 0 4 2 
4 6 −4 0 1 1

2. Hallar los valores de a, b, c, y d si

     
a b 2 16 1 0
− =
c d −4 7 −4 −2

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 17 / 144

 Operaciones entre Matrices

Multiplicación de una matriz por un número

Sea A una matriz de orden m × n y α un número (escalar) en R. El producto α · A corresponde a
multiplicar cada elemento aij de A por dicho escalar α.

a11 a12 ··· a1n αa11 αa12 ··· αa1n

   
 a21 a22 ··· a2n   αa21 αa22 ··· αa2n 
αA = α  . .. ..  =  .. .. .. 
   
 .. .. ..
. . .   . . . . 
am1 am2 ··· amn αam1 αam2 ··· αamn

Ejemplo
     
−3 4 −3 · (−3) −3 · 4 9 −12
−3 · = =
6 2 −3 · 6 −3 · 2 −18 −6

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 18 / 144

 Operaciones entre Matrices
Propiedades de la multiplicación de una matriz por un número

Sean α y β escalares en R y A, B ∈ Mm×n (R). Entonces se cumplen las siguientes propiedades:

αA ∈ Mm×n (R)
1·A=A·1=A
(αβ)A = α(βA)
α(A + B) = αA + αB
(α + β)A = αA + βA

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 19 / 144

 Operaciones entre Matrices
Ejercicios

Ejercicio 1
Sean las matrices 
1    
−1
A=   , B = −1 9
, C=
7 17
.
 2  3 8 21 41
0
Calcular.

(a) 4A + (−1A)

(b) − 41 B + 0C

(c) 2(B + C)

(d) ( 27 − 2)A

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 20 / 144

 Operaciones entre Matrices

Multiplicación de matrices
Sean A una matriz de orden m × n y B una matriz de orden n × p. El producto de A por B será
igual a una matriz C que tendrá el número de filas de A y el número de columnas de B, es decir,
A · B = C, donde C es de orden m × p.
Los elementos cij de C se obtienen de la suma del producto de los elementos de la fila i de la
matriz A por los elementos de la columna j de la matriz B . Es decir,

b1j
 
 b2j  n
X
cij = (ai1 ai2 ...ain ) ·  .  = ai1 b1j + ai2 b2j + ...ain bnj = aik bkj .
 
.
 . 
k=1
bnj
De la definición tenemos que, para multiplicar una matriz A por una matriz B es necesario que el
número de columnas de la matriz A sea igual al número de filas de la matriz B.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 21 / 144

 Operaciones entre Matrices
Multiplicación de matrices

Ejemplo
 
  1 −1
2 −3 4
Realizar el siguiente producto, · 3 1 
1 3 2
4 −2
 
(2)(1) + (−3)(3) + (4)(4) (2)(−1) + (−3)(1) + (4)(−2)
A·B =
(1)(1) + (3)(3) + (2)(4) (1)(−1) + (3)(1) + (2)(−2)
 
9 −13
A·B = =C
18 −2

Nótese que el elemento c11 de la matriz C es el resultado de la sumatoria del producto de los
elementos de la fila 1 de A por los elementos de la columna 1 de B. De esta forma se procede
para obtener cada uno de los elementos cij de la nueva matriz C

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 22 / 144

 Operaciones entre Matrices

Algunas propiedades de la Multiplicación de matrices

Sean A, B, C matrices. Entonces se cumplen las siguientes propiedades:
A(BC) = (AB)C. Si es posible realizar la multiplicación
A(B + C) = AB + AC
A·0=0·A=0
A·I =I ·A=A

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 23 / 144

 Operaciones entre Matrices
Ejercicios

Ejercicio 1
Dadas las matrices    
1 0 2 4 5 7
A = 3 1 0  , B = −7 8 0 .
0 4 −1 1 1 1
Hallar

(a) A · B (d) (A + B)2

(b) B · A (e) A2 − B
(c) (A − B)2 (f) B 2 − A

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 24 / 144

 Matrices
Algunos tipos de Matrices

Matriz Diagonal
Es una matriz cuadrada en la que los elementos que no están dentro de la diagonal principal son
ceros.

Ejemplo
 
3 0 0 0    
1 0 0 5 0 0
0 −11 0 0
, B = 0
A=
 1 0 , C = 0
 5 0
0 0 4 0
0 0 1 0 0 5
0 0 0 7

Las anteriores son matrices diagonales. La matriz identidad es una matriz diagonal, pero no toda
matriz diagonal es una matriz identidad.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 25 / 144

 Matrices
Algunos tipos de Matrices

Traza de una matriz

Sea A una matriz cuadrada de orden n, la traza de A denotada por T r(A) estará dada por la
suma de los elementos ubicados en la diagonal principal de A. Es decir,

a11 a12 ··· a1n

 
 a21 a22 ··· a2n  n
X
A= . .. .. , Entonces, T r(A) = a11 + a22 + ... + ann = aii .
 
 .. ..
. . .  i=1
an1 an2 ··· ann

Ejemplo
 
17 19 23
B =  29 5 73 −→ T r(B) = 17 + 5 + 2 = 24
−67 45 2

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 26 / 144

 Matrices
Ejercicios

Ejercicio 1
Calcular la traza de las siguientes matrices.
 
−5 4 300 8  
1
  k 0 1
 4 −2 51 7  cos ψ sin ψ
A= , B = , C = 0 1 0
 10 9 11 24  − sin ψ cos ψ
0 0 k
36 21 40 −8

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 27 / 144

 Matrices
Algunos tipos de Matrices

Matriz Escalar
Una matriz escalar es una matriz diagonal en la que los elementos de la diagonal principal son
iguales y, fuera de su diagonal son ceros. Es decir,
(
k si i = j
aij =
0 si i 6= j

Ejemplo
     
0 0 0 5 0 0 k 0 0
A = 0 0 0 , B = 0
 5 0 , C = 0
 k 0
0 0 0 0 0 5 0 0 k

Son matrices escalares.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 28 / 144

 Matrices
Algunos tipos de Matrices

Matriz Traspuesta
Sea A una matriz de orden m × n, la traspuesta de A, es una matriz At de orden n × m
obtenida de intercambiar las filas por las columnas de A o viceversa.

Ejemplo
 
  4 1
4 3 2 t
A= −→ A = 3 −1
1 −1 0
2 0
   
−1 11 2 −1 7 17
B= 7 13 5  −→ B t =  11 13 47
17 47 31 2 5 31
Nótese que en este caso la traza de la matriz B permanece invariante. Esto se cumple siempre
que la matriz a trasponer sea una matriz cuadrada.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 29 / 144

 Matrices
Algunos tipos de Matrices

Propiedades de la matriz traspuesta

Sean A, B matrices no necesariamente del mismo orden y, α un escalar en R.
(At )t = A
(A + B)t = At + B t
(A · B)t = At · B t
(α · A)t = α · At .

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 30 / 144

 Matrices
Ejercicios

Ejercicio 1
Sean las matrices  
  6 17
11 1 −2
A= , B =  72 1 .
9 5 6
1 0
Calcular.

(a) (B t )t − At (c) A · At (e) −1(B t )

(b) (A + B t )t (d) (A · B)t

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 31 / 144

 Matrices
Algunos tipos de Matrices

Matriz Simétrica
Sea A una matriz cuadrada de orden n, si se cumple que A = At , diremos que A es simétrica. es
decir, ∀ aij , aji ∈ A, aij = aji .

Ejemplo
La matriz  
2 0 1
A = 0 2 0
1 0 2
Es una matriz simétrica puesto que,
 
2 0 1
t
A = 0 2 0
1 0 2

Por lo tanto A = At

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 32 / 144

 Matrices
Algunos tipos de matrices

¿Cómo obtener matrices simétricas?

Para obtener matrices simétricas basta con sumar a una matriz cuadrada su respectiva matriz
traspuesta. Es decir, Sea A una matriz cuadrada de orden n,

A + At
será una matriz simétrica.

Ejemplo
 
2 0 1
En el ejemplo anterior se decı́a que la matriz A = 0 2 0 era una matriz simétrica, esta
1 0 2
 
1 0 1
matriz se obtuvo de sumar a la matriz B = 0 1 0 su respectiva matriz traspuesta.

0 0 1
(comprobarlo)

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 33 / 144

 Matrices
Algunos tipos de Matrices

Matriz Antisimétrica
Sea A una matriz cuadrada de orden n, si se cumpla que At = −A, diremos que A es una matriz
antisimétrica Es decir, ∀ aij , aji ∈ A, aij = −aji .

Ejemplo
La matriz  
0 −7
A=
7 0
Es una matriz antisimétrica puesto que At = −A.

La matriz  
0 1 −3
B = −1 0 3 
3 −3 0
Es una matriz antisimétrica puesto que At = −A

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 34 / 144

 Matrices
Algunos tipos de Matrices

¿Cómo obtener matrices Antisimétricas?

Dada una matriz cuadrada A al restar a esta su respectiva matriz traspuesta, se obtiene una
matriz antisimétrica. Es decir, A − (A)t es una matriz antisimétrica.

Ejemplo
 
0 1 −3
En el ejemplo anterior se decı́a que la matriz B = −1 0 3  era una matriz
3 −3 0
 
2 1 0
antisimétrica, esta se obtuvo de restar a la matriz A = 0 4 1 su respectiva matriz
3 −2 1
traspuesta. (Comprobarlo).

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 35 / 144

 Matrices

Potencia de una matriz

Sea A una matriz cuadrada, entonces Ap , con p ∈ N corresponde a multiplicar p veces la matriz
A.

Ap = A · A...A
| {z }
p f actores

Definimos A0 = I, y además se cumple que

Ap · Aq = Ap+q
(Ap )q = Ap·q
Puede verse también que
(AB)p 6= Ap B p

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 36 / 144

 Matrices
Algunos tipos de Matrices

Matriz Involutiva
Sea A una matriz cuadrada de orden n. La matriz A es una matriz involutiva si al multiplicarse
por si misma su producto es la matriz identidad. Es decir, A es involutiva si A2 = A · A = I.

Ejemplo
La matriz  
0 1 −1
A = 4 −3 4 
3 −3 4
es una matriz involutiva ya que,
     
0 1 −1 0 1 −1 1 0 0
2
A = 4 −3 4  · 4 −3 4  = 0 1 0
3 −3 4 3 −3 4 0 0 1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 37 / 144

 Matrices
Algunos tipos de Matrices

Matriz Idempotente
Sea A una matriz cuadrada de orden n. La matriz A será una matriz idempotente si se cumple
que A2 = A · A = A. Además si A es idempotente At también lo es.

Ejemplo
La matriz  
2 −3 −5
A = −1 4 5 
1 −3 −4
es idempotente ya que,
     
2 −3 −5 2 −3 −5 2 −3 −5
2
A = −1 4 5  · −1 4 5  = −1 4 5 
1 −3 −4 1 −3 −4 1 −3 −4

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 38 / 144

 Matrices
Algunos tipos de Matrices

Matriz Ortogonal
Sea A, una matriz cuadrada de orden n. La matriz A es ortogonal si el producto de si misma por
su matriz transpuesta es la matriz identidad. Es decir, Si A · At = At · A = I entonces A es
ortogonal.

Ejemplo
Las matrices    
0 −1 cos α − sin α
A= , B=
1 0 sin α cos α
, son matrices ortogonales pues,
     
0 −1 0 1 1 0
A · At = · =
1 0 −1 0 0 1
     
cos α − sin α cos α sin α 1 0
B · Bt · =
sin α cos α − sin α cos α 0 1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 39 / 144

 Matrices
Algunos tipos de Matrices

Matriz Triangular
Sea A una matriz cuadrada de orden n, si los elementos por encima o por debajo de la diagonal
principal son ceros diremos que A es una matriz triangular. En general tienen la forma.

a11 a12 ··· a1n a11 0 ··· 0

   
 0 a22 ··· a2n  a21 a22 ··· 0 
..  ..
   
 ..  .. 
 0 0 . .  a
31 a32 . . 
0 0 ··· ann a41 a42 ··· ann
Triangular superior Triangular Inferior

Ejemplo
Las siguientes son matrices triangulares
 1 
    3 3
4 4
1 3 −2 1 0 0 0 −3 5 5
A = 0 5 6 , B =  0 5 0 , C = 
0 1

0 5
0 0 7 10 11 5 2
0 0 0 3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 40 / 144

 Sistema de Ecuaciones Lineales

Ecuación Lineal
Una ecuación lineal en las variables x1 , x2 , ..., xn se puede escribir de la forma,

a1 x1 + a2 x2 + ... + an xn = b

Donde b y los coeficientes a1 , a2 , ..., an son números reales o complejos.

Las ecuaciones √
4x1 − 5x2 + 2 = x1 , x2 = 2( 6 − x1 ) + x3
Son ecuaciones lineales ya que, reescribiendo obtenemos,
√
3x1 − 5x2 = −2, 2x1 + x2 − x3 = 2 6

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 41 / 144

 Sistema de Ecuaciones Lineales

Definición
Un sistema de ecuaciones lineales (o sistema lineal) es un conjunto de tamaño m × n, con m
ecuaciones lineales que poseen las mismas n variables x1 , x2 , ..., xn . En general, un S.L es de la
forma, 
 a11 x1 + a12 x2 + ... + a1n xn = b1
 a21 x2 + a22 x2 + ... + a2n xn = b2


..



 .
am1 x1 + am2 x2 + ... + amn xn = bn

Ejemplo
El siguiente

4x1 + 3x2 = 18
5x1 − 6x2 = 3

es un sistema de ecuaciones lineales de 2 × 2 (dos ecuaciones, dos variables).

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 42 / 144

 Sistema de Ecuaciones Lineales

Solución de un sistema de ecuaciones lineales

Una solución de un sistema es una lista de números (s1 , s2 , ..., sn ) que da validez a cada ecuación
cuando reemplazamos dicha lista por las variables x1 , x2 , .., xn respectivamente.

Se pueden presentar 3 casos diferentes en la solución de un sistema. Los cuales son:

El sistema tiene una única solución.
El sistema posee infinitas soluciones
El sistema no tiene solución.

Se dice que un sistema es consistente cuando existe una única o infinitas soluciones y un sistema
es inconsistente cuando no tiene solución.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 43 / 144

 Sistema de Ecuaciones Lineales

Ejemplo
El sistema

4x1 + 3x2 = 18
5x1 − 6x2 = 3

es un sistema consistente y tiene por solución el par ordenado (3, 2) es decir x1 = 3 y x2 = 2 ya

que,

4(3) + 3(2) = 18
18 = 18
5(3) − 6(2) = 3
3=3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 44 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Notación Matricial
Todo sistema lineal de ecuaciones se puede escribir de formal matricial como AX = B. Es decir,
dado un sistema de ecuaciones

 a11 x1 + a12 x2 + ... + a1n xn = b1
 a21 x2 + a22 x2 + ... + a2n xn = b2


..



 .
am1 x1 + am2 x2 + ... + amn xn = bn

este puede escribir se de la forma matricial como

a11 a12 ··· a1n x1 b1

     
 a21 a22 ··· a2n   x2   b2 
A= . .. ..  , X =  ..  , B =  .. 
     
 .. ..
. . .   .   . 
am1 am2 ··· amn xn bm

donde A es la matriz de coeficientes, X es la matriz que contiene las variables del sistema y B es
la matriz de términos constantes.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 45 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Clasificación de un sistema AX = B
Un sistema AX = B se clasifica en:
Homogéneo si B = 0, es decir, AX = 0. La solución de este sistema lineal es única o de
infinitas soluciones.
Heterogéneo si B 6= 0, es decir, AX = B. En este caso la solución del sistema puede ser
única, de infinitas soluciones o puede no tener solución.

a11 ··· a1n x1 b1 a11 ··· a1n x1 0

         
 a21 ··· a2n   x2   b2   a21 ··· a2n   x2  0
 . ..   ..  =  ..   . ..   ..  =  .. 
         
 .. ..  .. ..
. .  .   .  . .   .  .
am1 ··· amn xn bm am1 ··· amn xn 0
Sistema Heterogéneo Sistema Homogéneo

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 46 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo
El sistema

x + y + z = 12
2x − y + z = 7
x + 2y − z = 6

puede escribirse como

    
1 1 1 x 12
2 −1 1  y  =  7 
1 2 −1 z 6
además es un sistema heterogéneo.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 47 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Matriz ampliada o aumentada

Para la solución de un sistema lineal de ecuaciones podemos escribir dicho sistema en una matriz
ampliada, una matriz ampliada es una matriz de coeficientes a la cual añadimos la columna de
términos constantes, esto es, (A|B). En general, dado un sistema

 a11 x1 + a12 x2 + ... + a1n xn = b1
 a21 x2 + a22 x2 + ... + a2n xn = b2


..



 .
am1 x1 + am2 x2 + ... + amn xn = bn

la matriz ampliada será

a11 a12 ··· a1n b1
 
 a21 a22 ··· a2n b2 
.. .. .. ..
 
 .. 
 . . . . . 
am1 am2 ··· amn bn

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 48 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo
La matriz ampliada del sistema anterior

x + y + z = 12
2x − y + z = 7
x + 2y − z = 6

serı́a  
1 1 1 12
 2 −1 1 7 
1 2 −1 6

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 49 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Operaciones elementales de fila

Dada una matriz ampliada de un sistema AX = B podemos realizar las siguientes operaciones:

Escalamiento: Multiplicar todos los elementos de una fila por un número diferente de cero.
Intercambio: Intercambiar dos filas.
Remplazo: Sustituir una fila por el producto de una fila por un número diferente de cero mas
otra fila.

Aplicar cualquiera de estas operaciones a una matriz dará como resultado una matriz
equivalente. Para decir que dos matrices A, B son equivalentes, escribimos A ∼ B.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 50 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo
Escalamiento
   
4 8 12 12 1 2 3 3
 2 −1 1 7  ∼ 2 −1 1 7 
1 2 −1 6 1 (f 1 2 −1 6
4 1 )→f1

Intercambio
− 13
   
0 4 8 7 −1 0 6
 1 2 −3 5  ∼ 1 2 −3 5 
7 −1 0 6 0 4 − 13 8
f 1 ↔f3

Remplazo    
1 1 1 12 1 1 1 12
 2 −1 1 7  ∼ 2 −1 1 7 
1 2 −1 6 −2(f
0 −5 3 −5
3 )+f2 →f3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 51 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Forma escalonada reducida de una matriz

Sea A ∈ Mm×n (K) se dice que A esta en la forma escalonada reducida por filas si cumple que:

1 Si hay filas cuyos elementos son todos ceros, estas aparecen en la parte inferior de la matriz.
2 Si en una fila no todos los elementos son cero, el primer numero diferente de cero
(empezando por la izquierda) es 1.
3 Si dos filas sucesivas tienen elementos distintos de cero, entonces el primer 1 en la fila de
abajo esta más hacia la derecha que el primer 1 en la fila de arriba.
4 Cualquier columna que contiene el primer 1 en una fila tiene cero en el resto de sus
elementos.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 52 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo
Las siguientes matrices están en la forma escalonada reducida
 
  0 1 0  
1 0 1 0 0 0 1 1 0 0 0
0 1 0 0   0 1 0 0
0 0 0
0 0 0 1 0 0 0 1
0 0 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 53 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Forma escalonada de una matriz

Una matriz se dice que esta en la forma escalonada si cumple con las propiedades 1,2 y 3 de la
forma escalonada reducida de una matriz.
Nótese que en lo único que difiere la forma escalonada de la forma escalonada reducida, es que en
la forma escalonada en una columna donde esta el primer 1 de una fila donde no todos los
elementos son cero, puede tener por encima números distintos de cero.

Ejemplo
 
1 2 3    
0 1 2 1 0 2 5
1 5
0 1 0 0 1 2
0 0 1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 54 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Solución de un sistema AX = B por el método de eliminación Gaussiana

Dado un sistema AX = B la eliminación Gaussiana consiste en transformar la matriz (A|B) por
medio de operaciones elementales de fila en una matriz (C|D) donde C es una matriz escalonada
por filas. luego, se realiza una sustitución regresiva (de abajo hacia arriba) despejando las
incógnitas de cada fila.
(A|B) ∼∼∼ ... ∼ (C|D)

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 55 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejercicio
Solucionar aplicando eliminación Gaussiana el sistema

x + 2y = 3
4x + 2y = 0

Primero, escribimos la matriz ampliada del sistema y procedemos a aplicar operaciones

elementales de fila para obtener la matriz de forma escalonada.
     
1 2 3 1 2 3 1 2 3
∼ ∼
4 2 0 −4f +f →f 0 −6 −12 − 1 f →f 0 1 2
1 2 2 6 2 2

De esta matriz escalonada nos queda que


x + 2y = 3
0+y =2

Luego y = 2 y aplicando la sustitución regresiva obtenemos que x = −1.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 56 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo (sistema con única solución) H

Solucionar aplicando eliminación Gaussiana el sistema lineal

x − 3y + 2z = −3
5x + 6y − z = 13
4x − y + 3z = 8

Solución:
   
1 −3 2 −3 1 −3 2 −3
 5 6 −1 13  ∼ 5 6 −1 13 
4 −1 3 8 −4f
0 11 −5 20
1 +f3 →f3 −5f 1 +f2 →f2
   
1 −3 2 −3 1 −3 2 −3
∼ 0 21 −11 28  ∼ 0 1 − 11
21
4
3

0 11 −5 20 1 f →f 0 11 −5 20 −11f2 +f3 →f3
21 2 2

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 57 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

−3 −3
 
1 2 
1 −3 2 −3


∼ 0
 1 − 11
21
4
3

∼ 0 1 − 11 4 
 21 3
0 0 16 16 0 0 1 7
21 3 21 f →f
16 3 3

De la matriz escalonada tenemos el sistema


 x − 3y + 2z = −3
0 + y − 11
21
z = 43
0+0+z =7


luego z = 7. Aplicando la sustitución regresiva obtenemos que y = 5 y x = −2.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 58 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo (Sistema inconsistente)H

Resolver aplicando eliminación Gaussiana el sistema lineal

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

Solución:
   
−2 2 0 1 −2 2 0 1
 2 −1 1 3  ∼ 0 1 1 4 
1 3 4 2 2f3 + f1 → f3 0 8 8 5 − 1 f1 → f1
2
f1 + f2 → f2 1f → f
8 3 3

− 12 − 12
   
1 −1 0 1 −1 0
∼ 0 1 1 4  ∼ 0 1 1 4 
5
0 1 1 8 −f2 +f3 →f3
0 0 0 − 27
8

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 59 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

De la matriz escalonada obtenemos el sistema


1
x − y + 0 = − 2

0+y+z =4
0 + 0 + 0 = − 27


8

27
Pero de la ultima fila obtenemos que 0 = − (Contradicción), por lo tanto el sistema no tiene
8
solución.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 60 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Método de Gauss-Jordan
El método de Gauss transforma la matriz de coeficientes en una matriz escalonada. El método de
Gauss-Jordan continúa el proceso de transformación hasta obtener una matriz diagonal
(escalonada reducida). Es decir, dada una matriz (A|B) obtenemos (C|D) donde C es
escalonada. Luego, obtenemos (E|F ), donde E es una matriz escalonada reducida y F serán las
soluciones del sistema (si las hay).

(A|B) ∼∼ ... ∼ (C|D) ∼∼ ... ∼ (E|F )

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 61 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo (Sistema con única solución)

Solucionar el sistema

x+y =4
x−y =4

Aplicando operaciones elementales de filas a la matriz ampliada obtenemos

   
1 1 4 1 1 4
∼
1 −1 4 −f +f →f 0 −2 0 2f +f →f
1 2 2 1 2 1

   
2 0 8 1 0 4
∼ 1 (f ) → f ∼
0 −2 0 2 1 1 0 1 0
− 1 (f2 ) → f2
2

Por lo tanto la solución del sistema es (4, 0) es decir, x = 4 y y = 0.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 62 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo (Sistema con única solución)

 
1 −2 1 0
Comprobar que la solución del sistema lineal  0 1 −4 4  es la tripla (29, 16, 3).
−4 5 9 −9
   
1 −2 1 0 1 −2 1 0
 0 1 −4 4  ∼ 0 1 −4 4 
−4 5 9 −9 0 −3 13 −9
4f 1 +f3 →f3 3f 2 +f3 →f3

   
1 −2 1 0 1 −2 1 0
∼ 0 1 −4 4  ∼ 0 1 0 16 
0 0 1 3 0 0 1 3
4f3 +f2 →f2 −f 3 +f1 →f1

   
1 −2 0 −3 1 0 0 29
∼ 0 1 0 16  ∼ 0 1 0 16 
0 0 1 3 0 0 1 3
2f 2 +f1 →f1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 63 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo (Sistema con infinitas soluciones)H

Resolver aplicando el método de Gauss-Jordan el sistema lineal

x + 3y − 4z = −1

2x − y + 3z = 4

3x + 2y − z = 3


Solución:
   
1 3 −4 −1 1 3 −4 −1
 2 −1 3 4  ∼ 0 −7 11 6 
3 2 −1 3 −2f1 + f2 → f2 0 −7 11 6 −f
−3f1 + f3 → f3 2 +f3 →f3

   
1 3 −4 −1 1 3 −4 −1
∼ 0 −7 11 6  ∼ 0 1 − 11
7
− 76 
0 0 0 0 −1f →f2
0 0 0 0 −3f
7 2 2 +f1 →f1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 64 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

  
5 11 5 11
1 0 7 7 x + 0 + 7 z = 7

− 11 − 67  ⇒ 0 + y − 11 z = − 67
 
 0 1 7
7 
0 0 0 0 
0+0+0=0
Despejando x, y en el sistema resultante obtenemos.
11
x= 7
− 57 z
y= − 76 + 11
7
z

Como x, y dependen de z nuevamente hacemos z = t, t ∈ R, entonces el sistema tiene infinitas

soluciones y el conjunto solución será
11
x= 7
− 57 t
, t∈R
y = − 76 + 11
7
t

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 65 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

Ejemplo (sistema con infinitas soluciones) H

Resolver aplicando la eliminación Gaussiana el sistema

3x − 2y + 3z = 5
2x + 4y − z = 2

Solución:
   
3 −2 3 5 3 −2 3 5
∼ 9 1f
2 4 −1 2 −3 f +f1 →f2
0 −8 2
2 3 1→f1
2 2
− 1 f2 → f2
8
! !
1 − 23 1 5
3
1 0 5
8
3
2
∼ 9
∼
0 1 − 16 − 41 2 f +f →f 0 1 9
− 16 − 14
3 2 1 1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 66 / 144

 Sistema de Ecuaciones Lineales
Solución de un sistema de ecuaciones lineales

(
x + 58 z = 32
De la matriz escalonada anterior obtenemos el sistema 9 , del cual despejamos
y − 16 z = − 14
x, y. Entonces,

3 5 1 9
x= − z y=− + z
2 8 4 16

Como puede observarse x, y dependen de z, Si z = t donde t ∈ R, tenemos que


3 5
x = 2 − 8 t

1 9
y = − 4 + 16 t

z=t


Es decir, el sistema tiene infinitas soluciones ya que, para cada valor de t habrá un valor para x, y
y z.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 67 / 144

 Solución de un sistema de ecuaciones lineales
Ejercicios

Ejercicio 1
Resolver los siguientes sistemas lineales usando el método Gauss-Jordan

  a−b = −6
 2x + 3y + z =1 3x + 2y + 4z =1


b+c =3

3x − 2y − 4z = 3 , 5x − y − 3z = −7 ,
c + 2d =4
5x − y − z =4 4x + 3y + z =4
  

2a − 3d =5


Ejercicio 2
Determine el valor de λ para el cual el sistema lineal tiene

Solución única No tiene solución

Infinitas soluciones

2x + y = 6
x + λy = 4

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 68 / 144

 Determinantes
Matrices de orden inferior

Determinantes (matrices de orden inferior)

Sea A ∈ Mn (K) podemos asignar a esta un número k ∈ R, que llamaremos determinante de A
denotado por |A|.

Una matriz A ∈ Mn (K) de orden inferior es aquella para la que n = 1, 2 o 3. El cálculo de su

determinante se muestra a continuación.

Determinante de una matriz cuadrada de orden uno

En el caso de una matriz de orden 1 tenemos que esta matriz tiene solo un elemento a11 por lo
tanto |A| = a11

Por ejemplo: Siendo la matriz A = (8), entonces |A| = 8.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 69 / 144

 Determinantes
Matrices de orden inferior

Determinante de una matriz cuadrada de orden 2

Para el cálculo del determinante de A ∈ M2 (K) se sigue la siguiente regla.
Si  
a11 a12 a a12
A= , |A| = 11 = a11 a22 − a12 a21
a21 a22 a21 a22

Ejemplo
Sea  
5 −1
A=
4 7
Entonces,

|A| = ((5) · (7)) − ((−1) · (4))

= 35 + 4

|A| = 39

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 70 / 144

 Determinantes
Matrices de orden inferior

Determinante de una matriz cuadrada de tamaño 3

Una de las formas para calcular este determinante es usando la conocida como la regla de Sarrus:

Sea  
a11 a12 a13
A = a21 a22 a23 
a31 a32 a33
entonces

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

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 71 / 144

 Determinantes
Matrices de orden inferior

Ejemplo
 
1 −4 3
Calcular el determinante de la matriz A = 5 6 −2 .
4 1 −1
Entonces
1 −4 3
|A| = 5 6 −2
4 1 −1

|A| = −6 + 15 + 32 − 72 + 2 − 20

|A| = −49

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 72 / 144

 Determinantes

Singularidad de una matriz

Sea A ∈ Mn (K), si |A| = 0, A se denomina matriz singular. En caso de que |A| 6= 0, esta será
una matriz no singular.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 73 / 144

 Determinantes
Ejercicios

Ejercicio 1
Calcular el determinante de las matrices
   
  −1 2 6 8 1 0
−3 −1
A= , B= 3 4 5  , C = 3 −1 −1
5 −2
3 1 −2 1 3 −4

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 74 / 144

 Determinantes
Menor, cofactor y adjunta de una matriz

Menor de una matriz

Dada una matriz A ∈ Mn (K) el menor ij denotado por Mij esta definido por el determinante de
la submatriz (n − 1) × (n − 1) obtenida al eliminar la i-ésima fila y la j-ésima columna de A.

Ejemplo
 
1 −3 0
Sea la matriz A =  4 2 1, calcular M11 y M32 .
−1 0 4

Solución:
2 1
M11 = = (2)(4) − (0)(1) = 8
0 4

1 0
M32 = = (1)(1) − (4)(0) = 1
4 1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 75 / 144

 Determinantes
Menor, cofactor y adjunta de una matriz

Cofactor
Sea A ∈ Mn (K) , el cofactor ij del elemento aij denotado por Aij será

Aij = (−1)i+j · Mij

De acuerdo con lo anterior obtener un cofactor corresponde simplemente a multiplicar cada Mij
por 1 si i + j es par y multiplicar por −1 a Mij si i + j es impar.

Ejemplo
 
1 4 −1
Dada la matriz A = −1 3 2 , calcular los cofactores A12 , A22 .
2 2 0
Entonces:
−1 2
A12 = (−1)1+2 · = (−1)3 · (−4) = 4
2 0

1 −1
A22 = (−1)2+2 · = (−1)4 · (2) = 2
2 0
Nota: A partir de los cofactores obtenidos de una matriz A se puede obtener una matriz
cof (A) = (Aij ) a la que llamamos matriz de cofactores.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 76 / 144

 Determinantes
Menor, cofactor y adjunta de una matriz

Adjunta de una matriz

Sea A ∈ Mn (K), la matriz adjunta de A denotada por adj(A) se define como la transpuesta de
la matriz de cofactores de A. Es decir,

adj(A) = (cof (A))t

Ejemplo
 
5 −1 1
Sea A = 2 −3 1, calcular adj(A).
0 0 4
 
−12 −8 0
Solución: Primero hallamos cof (A). Puesto que, cof (A) =  4 20 0 
2 −3 −13
 
−12 4 2
Entonces adj(A) = (cof (A))t , por lo tanto. adj(A) =  −8 20 −3 .
0 0 −13

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 77 / 144

 Determinantes
Menor, cofactor y adjunta de una matriz

Determinante de una matriz por el método de expansión de cofactores

Sea A ∈ Mn (K) con
a11 a12 ··· a1n
 
 a21 a22 ··· a2n 
A= . .. .. 
 
 .. ..
. . . 
an1 an2 ··· ann
el determinante |A| de A se puede hallar empleando una fila o columna de la matriz A y sumando
el producto de cada término de dicha fila por su respectivo cofactor.
n
X
|A| = apk Apk
k=1

Supóngase que se toma la fila 1 de A, entonces:

|A| = a11 A11 + a12 A12 + ... + a1n A1n

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 78 / 144

 Matrices
Algunos tipos de matrices

Matriz invertible o matriz no singular

Dada una matriz A ∈ Mn (K) se dice que A es invertible si es no singular, entonces existe una
matriz A−1 ∈ Mn (K) tal que A · A−1 = A−1 · A = I.

Ejemplo
5
!
− 27
 
2 4 14
Si A = entonces A−1 = puesto que,
−1 5 1 1
14 7

5
! !
− 27 5
+ 27 − 74 + 4
   
−1 2 4 14 7 7 1 0
A·A = · = =
−1 5 1 1 5
− 14 + 145 2
+ 5 0 1
14 7 7 7

5 2 10 10
!
5
− 27 + −
     
2 4 1 0
A−1 · A = 14
1 1 · = 7 7 7 7
=
14 7
−1 5 1
− 1 2
+ 5 0 1
7 7 7 7

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 79 / 144

 Matrices
Algunos tipos de matrices

Propiedades de una matriz invertible

Sean A, B ∈ Mn (K) matrices invertibles, entonces,

1. A · B también es invertible

2. (A · B)−1 = A−1 · B −1

3. (A−1 )−1 = A

4. An es invertible y además (An )−1 = (A−1 )n Para n = 0, 1, 2...

1
5. k · A es invertible, (k · A)−1 = · A−1 . con k ∈ K un número distinto de cero.
k

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 80 / 144

 Algunos tipos de matrices
Ejercicios

Ejercicio 1
Sean    
0 −2 1 1
A= , B=
1 5 1 2
y  5   
1 2 −1
A−1 = 2 , B −1 =
− 21 0 −1 1
sus respectivas matrices inversas, calcular:
(A · B)−1
(B 2 )−1
(5A)−1
(B −1 )−1 · A

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 81 / 144

 Matrices
Inversa de una matriz

Inversa de una Matriz de 2 × 2

 
a11 a12
Sea A = ∈ M2 (K). Si a11 a22 − a12 a21 6= 0 entonces:
a21 a22
 
1 a22 −a12
A−1 =
a11 a22 − a12 a21 −a21 a11

Ejemplo
 
3 1
CalcularA−1 de A = .
5 2

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 82 / 144

 Matrices
Inversa de una matriz

Algunos métodos para hallar la inversa de una matriz (método de Gauss)

Sea A una matriz, para hallar su inversa se escribe la matriz ampliada (A|I) es decir, a la matriz
de coeficiente agregamos la matriz idéntica, de forma que, aplicando operaciones elementales de
fila la matriz A se transforma en la idéntica e I será A−1 .

(A|I) ∼∼ ... ∼∼ (I|A−1 )

Ejemplo
 
2 1
Hallar A−1 si A = .
4 3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 83 / 144

 Matrices
Inversa de una matriz

Solución
Escribimos la matriz ampliada (A|I) para obtener (I|A−1 ).
   
2 1 1 0 2 1 1 0
∼
4 3 0 1 −2f +f →f 0 1 −2 1 −f1 +f2 →f1
1 2 2

3
− 12
   
−2 0 −3 1 1 0
∼ ∼ 2
0 1 −2 1 −1 f →f1
0 1 −2 1
2 1

Por lo tanto
3
− 21
 
A−1 = 2
−2 1

Comprobar que se cumple que A · A−1 = A−1 · A = I.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 84 / 144

 Matrices
Inversa de una matriz

Ejemplo
 
2 3 4
Calcular A−1 , si A = 4 3 2.
0 1 0

Solución:
   
2 3 4 1 0 0 2 3 4 1 0 0
 4 3 2 0 1 0  ∼ 0 1 0 0 0 1 
0 1 0 0 0 1 4 3 2 0 1 0
f 2 ↔f3 −2f 1 +f3 →f3
   
2 3 4 1 0 0 2 3 4 1 0 0
 0 1 0 0 0 1  ∼ 0 1 0 0 0 1 
1f → f
0 −3 −6 −2 1 0 0 0 −6 −2 1 3 2 2 2
3f 2 +f3 →f3
− 1 f3 → f3
6

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 85 / 144

 Matrices
Inversa de una matriz

3 1 3
− 16 1
   
1 2
2 2
0 0 1 2
0 3
1
 0 1 0 0 0 1  ∼ 0 1 0 0 0 1 
1
0 0 1 3
− 16 − 21 −2f
0 0 1 1
3
− 16 − 12
3 +f1 →f1

− 16 1
− 21
 
1 0 0 3
3 f +f
−2 2 1
∼ 0 1 0 0 0 1 
1
0 0 1 3
− 16 − 21

− 61 1
− 12
 
3
Por lo tanto A−1 = 0 0 1 
1
3
− 16 − 12

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 86 / 144

 Matrices
Inversa de una matriz

Método directo
Para este método utilizamos la definición de matriz inversa. La cual nos dice que
A · A−1 = A−1 · A = I. Es decir debe existir una matriz A−1 la cual desconocemos y que se
halla haciendo A−1 una matriz de incógnitas, Este método se ilustra en el siguiente ejemplo.

Ejemplo
 
1 2
Calcular A−1 de A =
−1 5

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 87 / 144

 Matrices
Inversa de una matriz

Solución
 
a b
A−1 = entonces,
c d
     
1 2 a b 1 0
· =
−1 5 c d 0 1
   
a + 2c b + 2d 1 0
=
−a + 5c −b + 5d 0 1

Luego solucionamos el sistema

a + 2c = 1, b + 2d = 0
−a + 5c = 0, −b + 5d = 1

del cual obtenemos que a = 75 , b = − 72 , c = 1

7
yd= 1
7
, por lo tanto
5
!
− 27
 
a b
A−1 = = 17 1
.
c d
7 7

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 88 / 144

 Matrices
Inversa de una matriz

Método de la adjunta
Para hallar la inversa de una matriz cuadrada A por el método de la adjunta se debe multiplicar
el inverso de su determinante por la adjunta de A. Es decir,
1
A−1 = · adj(A); |A| 6= 0
|A|

Ejemplo
 
9 0 0
Calcular A−1 , si A = 3 4 5
6 7 1
 
−31 0 0
Puesto que |A| = −279 y, adj(A) =  27 9 −45, entonces
−3 −63 36
 1 
  0 0
−31 0 0 9
1 
A−1
 3 1 5 

=− · 27 9 −45 =  −
 31 − 31 31 
279 −3 −63 36 1 7 4
93 31
− 31

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 89 / 144

 Inversa de una matriz
Ejercicios

Ejercicio 1
Calcular la inversa de las siguientes matrices
 
  −4 0 −6
5 4
A= , B= 0 3 0 .
6 5
−1 0 5

Ejercicio 2
Verificar si son invertibles o no las siguientes matrices
   
1 2 −3 3 5 4
A = 2 3 5  , B = 2 −1 6
3 5 2 3 5 3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 90 / 144

 Sistema de Ecuaciones Lineales
Regla de Cramer para la Solución de sistemas de ecuaciones lineales

Regla de Cramer S.L. 2 × 2

Dado el sistema de ecuaciones:

ax + by = e
cx + dy = f

Se representa matricialmente     
a b x e
=
c d y f
Luego,
e b a e
f d ed − bf c f af − ec a b
x= = ; y= = , 6= 0.
a b ad − bc a b ad − bc c d
c d c d

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 91 / 144

 Sistema de Ecuaciones Lineales
Regla de Cramer para la Solución de sistemas de ecuaciones lineales

Ejemplo
Resuelva utilizando la regla de Cramer.

3x + y = 9
2x + 3y = 13

Solución:
    
3 1 x 9
=
2 3 y 13

9 1 3 9
13 3 14 2 13 21
x= = = 2; y= = =3
3 1 7 3 1 7
2 3 2 3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 92 / 144

 Sistema de Ecuaciones Lineales
Regla de Cramer para la Solución de sistemas de ecuaciones lineales

Regla de Cramer S.L. 3 × 3

Dado el sistema de ecuaciones

ax + by + cz = j
dx + ey + f z = k
gx + hy + iz = l

Represente matricialmente:     
a b c x j
d e f   y  = k 
g h i z l
Luego:

j b c a j c a b j
k e f d k f d e k
l h i g l i g h l a b c
x= ; y= ; z= , d e f 6= 0
a b c a b c a b c g h i
d e f d e f d e f
g h i g h i g h i

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 93 / 144

 Vectores

Definición
Dados dos puntos A, B en Rn , el segmento de recta dirigido, que tiene como punto inicial A y
# »
punto final B denotado por AB se entenderá como el vector que va de A hacia B. Además el
vector
# »
AB = B − A = u
Un vector u es una n-upla ordenada u = (a1 , a2 , ..., an ) ∈ Rn , donde los números a1 , a2 , ..., an
son las componentes del vector.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 94 / 144

 Vectores
Igualdad entre vectores

Igualdad entre vectores

Sean los vectores u = (a1 , a2 , ..., an ) y v = (b1 , b2 , ..., bn ).

u = v ⇔ a1 = b1 , a2 = b2 , ..., an = bn

Es decir, dos vectores serán iguales si cada una de sus componentes respectivamente son iguales.

Ejemplo
Sean los vectores
u = (2, 3, 4), v = (2, 3, 4);
u=v
Dados los vectores
u = (2, 1), v = (1, 2)
u 6= v

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 95 / 144

 Vectores
Operaciones con vectores

Suma
Sean los vectores u = (a1 , a2 , ..., an ), v = (b1 , b2 , ..., bn ).

u + v = (a1 + b1 , a2 + b2 , ..., an + bn )

Ejemplo
Calcular u + v, si u = (−3, 0, 2, 5) y v = (1, −1, 4, −2).

u+v = (−3, 0, 2, 5) + (1, −1, 4, −2)

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

u+v = (−2, −1, 6, 3)

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 96 / 144

 Vectores
Operaciones con vectores

Producto de un vector por un escalar

Sea el vector u = (a1 , a2 , ..., an ) y λ un número en R.

λ·u = λ · (a1 , a2 , ..., an )

= (λa1 , λa2 , ..., λan )

Ejemplo
Calcular λ · u, si λ = −3 y u = (5, −3, 4, 0, 1, 1).

λ·u = −3 · (5, −3, 4, 0, 1),

= (−15, 9, −12, 0, −3)

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 97 / 144

 Vectores
Algunas propiedades

Suma:
u + v ∈ Rn
u+v=v+u
u + (v + w) = (u + v) + w
Existe un único elemento 0 ∈ Rn (vector nulo). Tal que,
u+0=0+u=u
Para todo u ∈ Rn existe un único elemento −u. Tal que,
u + (−u) = (−u) + u = 0
Producto por escalares:
α1 · u ∈ Rn .
1 · u = u.
(α1 · α2 ) · u = α1 · (α2 · u)
α1 · (u + v) = (α1 · u) + (α1 · v)
(α1 + α2 ) · u = (α1 · u) + (α2 · u)

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 98 / 144

 Vectores
Operaciones con vectores

Producto punto
Sean u = (a1 , a2 , ..., an ), v = (b1 , b2 , ..., bn ) ∈ Rn . El producto punto (·) es un número real el
cual corresponde a la suma de los productos efectuados componente a componente.

u· v = (a1 , a2 , ..., an ) · (b1 , b2 , ..., bn )

= (a1 b1 + a2 b2 + ... + an bn )

Ejemplo

(1, 1, 1) · (2, 1, 0) = 2 + 1 + 0 = 3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 99 / 144

 Vectores

Norma de un vector
Sea u = (a1 , a2 , ..., an) ∈ Rn . La norma de u denotada por ||u||, se define como:
v
q u n
uX
||u|| = a21 + a22 , ..., a2n = t a2i
i=1

Propiedades
|| u || = 0 ⇔ u = 0
||u + v || ≤ ||u|| + ||v||; Desigualdad triangular.

Ejemplo
Sea u = 3, 12 , 1 .

s  2
1
||u|| = (3)2 + + (1)2
2
√
41
=
2
Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 100 / 144
 Vectores

Ángulo entre dos vectores

Sean u, v ∈ R2 con u, v 6= 0 y θ el ángulo entre dichos vectores, con 0 ≤ θ ≤ π.

 
u·v
θ = cos−1
||u|| · ||v||

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 101 / 144
 Vectores

Vectores Paralelos

Sean los vectores u, v ∈ Rn no nulos, los vectores son paralelos ukv si existe λ ∈ R tal que

u=λ·v

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 102 / 144
 Vectores

Vectores Ortogonales o perpendiculares

Sean los vectores u, v ∈ Rn no nulos, dichos vectores son ortogonales u ⊥ v si se cumple que:

u·v=0

Ejemplo
Los vectores v1 = (3, 4) y v2 = (4, −3) son ortogonales pues, v1 · v2 = 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 103 / 144
 Vectores

Vector Unitario
Sea v ∈ Rn , dicho vector se dice que es unitario si ||v|| = 1 . Si v 6= 0 y no es un vector unitario,
podemos encontrar un vector unitario u para v, el cual esta dado por:
v
u=
||v||

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 104 / 144
 Vectores
Proyección de un vector

Proyección de un vector
Puede entenderse la proyección de un vector v sobre u como la longitud de la sombra debida a v
sobre la recta que contiene a u.

Sean u y v ∈ Rn , u, v6= 0. La proyección p de v sobre u esta dada por

u·v
p=
||u||

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 105 / 144
 Vectores
Proyección de un vector

Ejemplo
Dados los vectores u = (2, 5, 1) y v = (3, −1, 1) encontrar la proyección de v sobre u.
u·v
Solución: puesto que p = ||u|| , entonces,

(2, 5, 1) · (3, −1, 1)

p =
||(2, 5, 1)||

6−5+1
= p
(2)2 + (5)2 + (1)2

2
p = √
30

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 106 / 144
 Vectores

Producto Cruz o producto Vectorial

Sean los vectores u = (a1 , a2 , a3 ) y v = (b1 , b2 , b3 ) , el producto cruz o producto vectorial

denotado por u × v, será:

i j k
u × v = a1 a2 a3 = (a2 b3 − a3 b2 )i − (a1 b3 − a3 b1 )j + (a1 b2 − a2 b1 )k
b1 b2 b3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 107 / 144
 Vectores

Ejemplo
Sean u = (−1, 4, −2) y v = (−3, 1, −5); calcular u × v

i j k
u×v = −1 4 −2 = (−20 + 2)i − (5 − 6)j + (−1 + 12)k
−3 1 −5

= −18i + j + 11k

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 108 / 144
 Ecuaciones de rectas y planos

Ecuaciones de la recta

Sea L es una recta en R3 , sean P = (x0 , y0 , z0 ) y Q = (a, b, c) puntos sobre L, si además el

# » # »
punto R = (x, y, z) están en la recta que contiene al vector P Q, entonces el vector P R es
# »
paralelo al vector director P Q; luego,
# » # »
PR = t · P Q; t∈R
# »
R−P = t · PQ
# »
Ec. vectorial de la recta : R = P + tP Q

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 109 / 144
 Ecuaciones de rectas y planos

Ecuaciones Paramétricas de la Recta

# »
Partiendo de la ecuación vectorial de la recta, donde P Q = (v1 , v2 , v3 ); Tenemos que:

R = P + t(v1 , v2 , v3 )

R = P + (tv1 , tv2 , tv3 )

(x, y, z) = (x0 , y0 , z0 ) + (tv1 , tv2 , tv3 )

(x, y, z) = (x0 + tv1 , y0 + tv2 , z0 + tv3 )

De aquı́ que, 
x = x0 + tv1 
y = y0 + tv2
z = z0 + tv3


Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 110 / 144
 Ecuaciones de rectas y planos

Ecuación simétrica de la recta


x = x0 + tv1 
y = y0 + tv2
z = z0 + tv3


Si se cumple que para todo vi con i = 1, 2, 3, vi 6= 0. Entonces se procede a despejar t en las

ecuaciones paramétricas y de esa forma se obtiene la ecuación simétrica de la recta.
x − x0 y − y0 z − z0
t= , t= , t=
v1 v2 v3
Entonces
x − x0 y − y0 z − z0
= =
v1 v2 v3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 111 / 144
 Ecuaciones de rectas y planos

Ejemplo
Encuentre las ecuaciones vectorial, paramétrica y simétrica de la recta que pasa por los puntos
P = (1, 2, −3) y Q = (3, 4, −1).
# »
Solución: sea P Q el vector que va de P a Q, entonces;
# »
PQ = Q−P

= (3, 4, −1) − (1, 2, −3)

# »
PQ = (2, 2, 2)

Entonces
# »
R = P + tP Q

R = (1, 2, −3) + t(2, 2, 2) : Ec. V ectorial de la recta

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 112 / 144
 Ecuaciones de rectas y planos

Ahora, si R = (x, y, z), entonces;

(x, y, z) = (1, 2, −3) + t(2, 2, 2)

= (1, 2, −3) + (2t, 2t, 2t)

(x, y, z) = (1 + 2t, 2 + 2t, −3 + 2t)

De aquı́ que 
x = 1 + 2t 
y = 2 + 2t : Ec. param. de la recta
z = −3 + 2t


Luego, despejando t;
x−1 y−2 z+3
= = : Ec. sim. de la recta.
2 2 2

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 113 / 144
Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 114 / 144
 Ecuaciones de rectas y planos

Ejemplo
Determine las ecuaciones de la recta en el plano que pasa por el punto P = (2, 4), en dirección
(7i, πj).
Solución:
R = (2, 4) + t(7, π) : Ec. V ect. de la recta.
Luego, R = (x, y), entonces;

(x, y) = (2, 4) + t(7, π)

= (2 + 7t, 4 + πt)

Por lo tanto 
x = 2 + 7t
: Ec. param. de la recta.
y = 4 + πt
Despejando t;
x−2 y−4
= : Ec. sim. de la recta.
7 π

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 115 / 144
 Ecuaciones de rectas y planos

Planos
Sea M un plano en R3 , suponga que dicho plano pasa por un punto P0 (x0 , y0 , z0 ) y es normal al
vector no nulo n = Ai + Bj + Ck. Además sea P (x, y, z) un punto en R3 , P está en el plano si y
# »
solo si, P P0 = A(x − x0 )i + B(y − y0 )j + C(z − z0 )k es perpendicular a n, es decir;
# »
P P0 · n = 0

Luego, la ecuación del plano (Ecuación cartesiana) que pasa por P0 (x0 , y0 , z0 ) y es perpendicular
a n es
A(x − x0 ) + B(y − y0 ) + C(z − z0 ) = 0
Y la ecuación cartesiana del plano simplificada es;

Ax + By + Cz + D = 0

Donde D = Ax0 + By0 + Cz0 .

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 116 / 144
 Ecuaciones de rectas y planos

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 117 / 144
 Ecuaciones de rectas y planos

Ejemplo
Hallar la ecuación del plano que pasa por los puntos P (1, 1, 1), Q(2, 0, 0) y R(1, 1, 0).
# » # » # » # »
Solución: Hacemos n = QP × RP , donde QP = P − Q = (−1, 1, 1) y RP = P − R = (0, 0, 1).
Luego,

i j k
n = −1 1 1
0 0 1

= i + j + 0k

Por definición n = Ai + Bj + Ck, de aqui que A = 1, B = 1 y C = 0. Por lo tanto la ecuación

que pasa por el punto P (1, 1, 1) es,

(x − 1) + (y − 1) = 0

x+y−2 = 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 118 / 144
 Ecuaciones de rectas y planos

Ejemplo

x = 1 + 2t 
Hallar dos planos cuya intersección es la recta y = 2 + 2t , −∞ < t < ∞
z = −3 + 2t


Solución: Hallamos primeramente la ecuación simétrica de la recta.

x−1 y−2 z+3
= =
2 2 2
Luego
x−1 y−2 x−1 z+3
= ; =
2 2 2 2
Por lo tanto las ecuaciones de los planos son x − y + 1 = 0 y x − z − 4 = 0.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 119 / 144
 Espacios Vectoriales Reales

Un espacio vectorial real (o espacio lineal real) está conformado por:

1 El conjunto R de los reales.
2 Un conjunto V no vacı́o
3 Una operación interna llamada suma. tal que para cada x, y, z ∈ V se cumple:
EV1. x + y ∈ V
EV2. x + y = y + x
EV3. (x + y) + z = x + (y + z)
EV4. ∃ 0 ∈ V tal que, x + 0 = 0 + x = x
EV5. ∀ x ∈ V, ∃ − x tal que, x + (−x) = (−x) + x = 0
4 Y una operación externa llamada multiplicación por escalares que asocia a cada x en V un
número α de R. Y se cumple que para cada x, y ∈ V y para cada α1 , α2 en R:
EV6. α1 · x ∈ V
EV7. 1 · x = x
EV8. (α1 · α2 ) · x = α1 · (α2 · x)
EV9. α1 · (x + y) = (α1 · x) + (α1 · y)
EV10. (α1 + α2 ) · x = (α1 · x) + (α2 · x)

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 120 / 144
 Ejemplos
El espacio de n−uplas Rn : El espacio n−dimensional Rn es un espacio vectorial sobre R si
definimos la suma por componentes y el producto por escalares habituales.

El conjunto de matrices: El conjunto Mm×n (R) de todas las matrices de orden m × n es un

espacio vectorial sobre R con las operaciones de suma y producto por un escalar habituales.

Funciones sobre los reales: Sea S un conjunto no vacı́o. El conjunto F (S, R) de todas las
funciones cuyo dominio es S y codominio es R es un espacio vectorial. Definiendo las
operaciones interna y externa de la siguiente manera. Sean f (x), g(x) ∈ F (S, R) y α, β
escalares en R, entonces:

f (x) + g(x) := (f + g)(x) = f (x) + g(x)

α · f (x) := (αf )(x) = α[f (x)]

Los polinomios con coeficientes reales: Recordemos que un polinomio es una expresión de la
forma p(x) = a0 + a1 x + · · · + an xn , donde a0 , ..., an son números reales y x es la
indeterminada. El conjunto de todos los polinomios denotado por P(R), bajo la operación de
suma y producto por escalares habituales, es un espacio vectorial.
Como ejercicio puedes verificar cada uno de los items anteriores.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 121 / 144
 Espacios Vectoriales

Subespacio
Sea W un subconjunto no vacı́o de un espacio vectorial real V, si para todo x, y ∈ W y para todo
α ∈ R se cumple:
1 0∈W
2 x+y ∈W
3 α·x∈W
entonces W es un subespacio de V, lo cual denotamos por W ≤ V.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 122 / 144
 Espacios Vectoriales

Ejemplos
Consideremos el espacio vectorial R2 y W = {(x, y) ∈ R2 : x = y}. Tenemos que W es un
subespacio de R2 .
El conjunto W = {(x1 , x2 , x3 ) ∈ R3 : x1 + 2x2 + 3x3 = 0} es un subespacio de R3 .
El conjunto de todas las matrices cuadradas es un subespacio de Mm×n (R).
Si denotamos por Pn (R) al conjunto de todos los polinomios cuyo grado es a lo máximo n,
entonces Pn (R) es un subespacio de P(R)
Verifica los anteriores items.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 123 / 144
 Espacios Vectoriales

Combinación Lineal
Decimos que x un elemento en un espacio vectorial real V es combinación lineal de un
subconjunto W = {x1 , x2 , ...xn } de V, si existen números a1 , a2 , ..., an ∈ R, tales que
n
X
x = a1 x1 + a2 x2 + ... + an xn = ai xi
i=1

Ejemplos
(17, −4, 2) es combinación lineal de (2, 1, −3), (1, −2, 4), ya que

(17, −4, 2) = 6(2, 1, −3) + 5(1, −2, 4)

     
0 −3 2 1 1 −1
es combinación lineal de , , ya que
8 5 0 1 4 3
     
0 −3 2 1 1 −1
= −1 +2
8 5 0 1 4 3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 124 / 144
 ¿Cómo determinar si un vector es combinación lineal de otros dados?
Sean v1 = (1, 1, 0), v2 = (0, 1, 1) y v3 = 21 , 1, −1 , el vector v = 12 , 2, 3 es una combinación



lineal de v1 , v2 y v3 .
Prueba: Para que v sea una combinación lineal de v1 , v2 y v3 deben existir escalares a1 , a2 , a3 tal
que v = a1 v1 + a2 v2 + a3 v3 , Luego;
   
1 1
a1 (1, 1, 0) + a2 (0, 1, 1) + a3 , 1, −1 = , 2, 3
2 2
   
1 1
(a1 , a1 , 0) + (0, a2 , a2 ) + a3 , a3 , −a3 = , 2, 3
2 2

De donde ontenemos el sistema:

 1 1   1 1 
a1 0 c
2 3 2
1 0 2 2
 a a 1 2 a3 2 → 1 1 1 2 
0 a2 −a3 3 0 1 −1 3

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 125 / 144
 Espacios Vectoriales
Procedemos ahora a encontrar la solución del sistema lineal resultante, entonces;
1 1 
 1 1 

1 0 1 0 2 2
2 2
 1 1 ∼ 0 1
 1 3 
1 2  2 2 
0 1 −1 3 −f1 +f2 →f2 0 1 −1 3 −f +f →f 2 3 3

 1 1   1 1 
1 0 2 2 1 0 2 2
1 3 1 3
∼ 0 1 ∼ 0 1
   
2 2  2 2 
− 1 f3 + f1 → f1
0 0 − 32 3
2 −3 f →f3
0 1 1 −1 2
2 3 − 1 f3 + f 2 → f2
2
 
1 0 0 1
∼ 0 1 0 2 , entonces a1 = 1, a2 = 2 y a3 = −1, Luego,
0 0 1 −1
   
1 1
1(1, 1, 0) + 2(0, 1, 1) + (−1) , 1, −1 = (1, 1, 0) + (0, 2, 2) + − , −1, 1
2 2
 
1
= , 2, 3
2

∴ v es combinación lineal de v1 , v2 , v3 .
Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 126 / 144
 Espacios Vectoriales

Dependencia e Independencia Lineal

Sea W = {x1 , x2 , ..., xn } un subconjunto de un espacio vectorial V. Si existen escalares
a1 , a2 , ..., an ∈ R no todos cero, tales que,
n
X
ai xi = a1 x1 + a2 x2 + ... + an xn = 0
i=1

se dice que W es linealmente dependiente.

En caso contrario, es decir si a1 , a2 , ..., an son todos cero y

n
X
ai xi = a1 x1 + a2 x2 + ... + an xn = 0
i=1

decimos que W es linealmente independiente.

Ejemplo
Determinar si W = {(1, 1, 0), (0, 1, 1), (1, 1, 1)} es linealmente dependiente o linealmente
independiente.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 127 / 144
 Espacios Vectoriales

Generado de un Conjunto
Sea W = {x1 , x2 , ..., xn } un subconjunto de un espacio vectorial V. El conjunto Gen(W)
formado por todas las posibles combinaciones lineales de elementos en W se denomina como el
conjunto generado por W.

Ejemplo
Para W = {(1, 1, 0), (0, 1, 1), ( 12 , 1, −1)} el vector v = ( 12 , 2, 3) es un elemento de Gen(W).
v ∈ Gen(W) pues v es una combinación lineal de W.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 128 / 144
 Espacios Vectoriales

Base
Sean V un espacio vectorial real y W = {x1 , x2 , ..., xn } un subconjunto de V, W será una base
para V si se cumple que:
W es linealmente independiente.
W genera a V; es decie, Gen(W) = V.

Ejemplos
Los vectores (1, 0), (0, 1) son una base para R2 . En general, si ei es el vector cuya i-ésima
coordenada es uno y el resto son cero, los vectores e1 , ..., en forman una base para Rn . Esta
se conoce como la base canónica de Rn .
       
1 0 0 1 0 0 0 0
Las matrices , , , , forman una base para M2 (R)
0 0 0 0 1 0 0 1
Los polinomios 1, x, x2 , ..., xn forman una base para Pn (R)
Verifica los items anteriores y responde lo siguiente: ¿Cuál serı́a una base para P(R)?

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 129 / 144
 Espacios Vectoriales

Dimensión
Sea W = {x1 , x2 , ..., xn } una base de un espacio vectorial V, la dimensión de V denotada por
Dim(V) es el número de elementos de dicha base, es decir; si una base tiene n elementos,
entonces, Dim(V) = n.

Ejemplos
En R2 , Dim(R2 ) = 2, en R3 , Dim(R3 ) = 3. En general, la dimensión de Rn es n, es decir,
Dim(Rn ) = n
Dim(Mm×n (R)) = m · n
dim(Pn (R)) = n + 1
¿Cuál es la dimensión de P(R)?

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 130 / 144
 Aplicación Lineal

Aplicación Lineal
Sean V, W espacios vectoriales reales, una aplicación T es una función T : V → W que asocia a
cada x1 ∈ V un único elemento x2 ∈ W, entonces x2 será la imagen de x1 bajo T lo que
escribimos como T(x1 ) = x2 .
Además T debe cumplir las siguientes propiedades:
∀ x, y ∈ V, T(x + y) = T(x) + T(y).
∀ x ∈ V y ∀ α ∈ F. T(α · x) = α · T(x).
Una aplicación lineal también es llamada a menudo transformación u operador lineal.

Ejemplo
Sea T : R2 → R3 , definida por  
  x+y
x
T = x − y 
y
3y
demostrar que T es una transformación lineal.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 131 / 144
 Aplicación Lineal

Solución
  
x1 x2
Sean u = , v= ∈ R2 .
y1 y2
Primero debemos probar que T(u + v) = T(u) + T(v), entonces,
   
x1 x2
T(u + v) = T +
y1 y2
 
  x1 + x2 + y1 + y2
x1 + x2
= T =  x1 + x2 − y1 − y2 
y1 + y2
3y1 + 3y2
   
x1 + y1 x2 + y2
=  x1 − y1 + x2 − y2 
 
3y1 3y2
   
x1 x2
= T +T
y1 y2

T(u + v) = T(u) + T(v)

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 132 / 144
 Aplicación Lineal

Ahora debe probarse que T(αu) = αT(u). Sea α ∈ R, entonces,

    
x αx
T α = T
y αy
 
αx + αy
= αx − αy 
3αy
 
x+y
= α x − y

3y
    
x x
T α = αT
y y

Por lo tanto T es una aplicación lineal, ya que se cumplen las dos propiedades que querı́amos.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 133 / 144
 Aplicación Lineal

Kernel o Núcleo de una aplicación lineal

Sean V, W espacios vectoriales reales y T : V → W una aplicación lineal,

Ker(T) := {x ∈ V : T(x) = 0}
Esto quiere decir que encontrar el Kernel o núcleo de una aplicación lineal es encontrar los
elementos en V cuyas imágenes bajo T son iguales a 0.

Ejemplo
Dada la aplicación lineal T : R2 → R3 definida por
 
  x+y
x
T = x − y 
y
3y

encontrar su Kernel.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 134 / 144
 Aplicación Lineal

Solución

 
  0
x 0
T =
y
0
   
x+y 0
x − y  = 0
3y 0

de lo cual obtenemos el sistema 

x + y = 0
x−y =0
3y = 0


cuya solución es x = 0 y y = 0. por lo tanto,

  
x
Ker(T) = : x = 0, y = 0, x, y ∈ R
y

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 135 / 144
 Valores y vectores propios

Autovalores y Autovectores
Sea A ∈ Mn (K). Diremos que un número λ es un autovalor o valor propio de A si existe un
vector:
u1 0
   
 u2  0
u =  .  ∈ Mn×1 , u 6=  . 
   
 ..   .. 
un 0
tal que Au = λu.

Ejemplo
 
1 1
Sea la matriz A = , se verifica que
0 2
    
1 1 1 1
=2
0 2 1 1
 
1
Por lo tanto, 2 es un autovalor de A y es un autovector o vector propio asociado al
1
autovalor 2.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 136 / 144
 Valores y vectores propios
Cálculo de autovalores

Polinomio caracterı́stico
Para verificar que λ es un autovalor de una matriz A tenemos que |A − λI| = 0, donde I es la
matriz identidad de tamaño n. Para probar esto se siguen los siguientes pasos:

Au = λu
Au − λIu = 0
(A − λI)u = 0

luego, se calcula el determinante de A − λI es decir, calculamos |A − λI|. De aquı́ hacemos

p(λ) = |A − λI|, el cual será el polinomio caracterı́stico de la matriz A. Por último, se calculan
los valores de λ para los cuales p(λ) = 0, estas raı́ces serán los autovalores de la matriz A.

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 137 / 144
 Valores y vectores propios
Cálculo de autovectores o eigenvectores

Cálculo de Autovectores o eigenvectores

Los autovectores de una matriz A ∈ Mn se obtienen de reemplazar los valores de λ para los
cuales (A − λI)u = 0. Es decir; el conjunto S(λ), el cual es el conjunto solución del sistema
homogéneo anterior es el autovector asociado a λ.

Observación
Por ser λ autovalor de A el sistema homogéneo va a tener soluciones distintas a la trivial. Cada
una de las soluciones es un autovector asociado a λ.

Ejemplo
 
9 0 0
Hallar los autovalores y autovectores de la matriz A = 3 4 5
6 0 1

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 138 / 144
 Valores y vectores propios
Cálculo de autovectores o Eigenvectores

Solución
Primero calculamos A − λI
   
9 0 0 1 0 0
A − λI = 3 4 5 − λ 0 1 0
6 0 1 0 0 1
   
9 0 0 λ 0 0
= 3 4 5 −  0 λ 0 
6 0 1 0 0 λ
 
9−λ 0 0
A − λI =  3 4−λ 5 
6 0 1−λ

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 139 / 144
 Valores y vectores propios
Autovalores y Autovectores

Ahora calculamos |A − λI| para obtener p(λ). Entonces,

9−λ 0 0
|A − λI| = 3 4−λ 5
6 0 1−λ
= (9 − λ)(4 − λ)(1 − λ)

De esa forma el polinomio caracterı́stico será p(λ) = −x3 + 14x2 − 49x + 36, por lo tanto, los
autovalores de la matriz A son λ1 = 1, λ2 = 4 y λ3 = 9.
 
x
Ahora para cada autovalor hallamos los autovectores correspondientes. Sea u = y  Para λ = 1
z
tenemos,
 
8 0 0
A − λI =  3 3 5
6 0 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 140 / 144
 Valores y vectores propios
Autovalores y Autovectores

Entonces
    
8 0 0 x 0
(A − λI)u = 3 3 5 y  = 0
6 0 0 z 0
 
8 0 0 0
=  3 3 5 0 
6 0 0 0

solucionando el sistema obtenemos el nuevo sistema


x = 0

y + 53 t = 0 , t ∈ R

z=t


   
x 0
5
Por lo tanto, y  = − 3 t , t ∈ R son los vectores asociados a λ = 1.
z t

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 141 / 144
 Valores y vectores propios
Autovalores y Autovectores

Para λ = 4  
5 0 0
A − λI = 3 0 5 
6 0 −3
Luego,     
5 0 0 x 0
(A − λI)u = 3 0 5  y  = 0
6 0 −3 z 0
solucionando el sistema obtenemos el nuevo sistema

x = 0

y=t , t∈R

z=0


   
x 0
Por lo tanto, los autovectores asociados al autovalor λ = 4 son, y  =  t  , t ∈ R.
z 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 142 / 144
 Valores y vectores propios
Autovalores y Autovectores

Para λ = 9  
0 0 0
A − λI = 3 −5 5 
6 0 −8
Luego,     
0 0 0 x 0
(A − λI)u = 3 −5 5  y  = 0
6 0 −8 z 0
solucionando el sistema obtenemos el nuevo sistema

x = t

y = 53 t , t ∈ R

z=0


   
x t
Por lo tanto, los autovectores asociados al autovalor λ = 9 son, y  =  35 t , t ∈ R.
z 0

Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 143 / 144
 Friedberg, Insel, Spence. Álgebra Lineal, primera edición. Illinois State University, México.

David C. Lay. Linear Algebra and Applications 4a Edtion. Pearson Education, México,2012.

Lucı́a Contreras Caballero. Curso de Álgebra Lineal (séptima versión). Universidad

Autónoma de Madrid. 2012.
Thomas, George B. Cálculo en varias variables, decimosegunda edición. Pearson Education,
México,2010.
1

1
Editing by Olaya Polo Heriberto, [email protected].
Luis Pinedo Sandoval (Universidad del Magdalena) Álgebra Lineal 144 / 144