Vous êtes sur la page 1sur 133

APUNTES DE ALGEBRA II

Marco A. Colque Ch.

II-2010
ii
Índice general

I Teorı́a de Matrices 1

1. Matrices 3
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Definición y Ejemplos . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . 6
1.3.1. Suma de Matrices . . . . . . . . . . . . . . . . . . . . 6
1.3.2. Producto . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3. Matriz transpuesta . . . . . . . . . . . . . . . . . . . . 14
1.4. La Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6. Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7. Operaciones Elementales . . . . . . . . . . . . . . . . . . . . . 24
1.7.1. Intercambio de Filas . . . . . . . . . . . . . . . . . . . 25
1.7.2. Multiplicación de una Fila por un escalar . . . . . . . 26
1.7.3. Suma a una Fila un múltiplo escalar de otra . . . . . . 29
1.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.9. Método de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . 37
1.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.10.1. Operaciones Elementales por Columna . . . . . . . . . 39
1.11. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2. Determinantes 43
2.1. introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2. Función Determinante . . . . . . . . . . . . . . . . . . . . . . 43
2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4. Propiedades del Determinante . . . . . . . . . . . . . . . . . . 46
2.5. Determinantes y Operaciones Elementales . . . . . . . . . . . 54
2.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.7. Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

iii
iv ÍNDICE GENERAL
3. Sistemas de Ecuaciones 67
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2. Soluciones de Sistemas de Ecuaciones Lineales . . . . . . . . . 67
3.3. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.4. Resolución de sistemas de Ecuaciones Lineales . . . . . . . . . 73
3.5. Sistemas inconsistentes . . . . . . . . . . . . . . . . . . . . . . 73
3.6. Sistemas consistentes . . . . . . . . . . . . . . . . . . . . . . . 75
3.6.1. Soluciones únicas . . . . . . . . . . . . . . . . . . . . . 75
3.6.2. Infinitas soluciones . . . . . . . . . . . . . . . . . . . . 77
3.7. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . 81
3.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

II Algebra Lineal 89

4. Espacios Vectoriales 91
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2. Definición y ejemplos. . . . . . . . . . . . . . . . . . . . . . . 91
4.3. Propiedades de los espacio vectoriales . . . . . . . . . . . . . 94
4.4. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . 96
4.5. Subespacio generado . . . . . . . . . . . . . . . . . . . . . . . 99
4.6. Dependencia e independencia lineal . . . . . . . . . . . . . . . 105
4.7. Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . 109
4.8. Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.9. Matriz de Cambio de Base . . . . . . . . . . . . . . . . . . . . 115

5. Espacios con Producto Interior 117


5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2. Definición y ejemplos . . . . . . . . . . . . . . . . . . . . . . . 117
5.3. Norma de un vector . . . . . . . . . . . . . . . . . . . . . . . 120
5.4. Ángulo entre vectores . . . . . . . . . . . . . . . . . . . . . . 122
5.5. Proceso de Gram Schmidt . . . . . . . . . . . . . . . . . . . . 124
Parte I

Teorı́a de Matrices

1
Capı́tulo 1

Matrices

1.1. Introducción
En el presente capı́tulo definiremos arreglos rectangulares, los cuales lla-
maremos MATRICES y al conjunto de arreglos rectangulares del mismo
tamaño le dotaremos de una estructura algebraica con la cual podremos
hacer varias operaciones simultáneamente. Nuestro estudio de las matrices
tiene, en principio, el objetivo de estudiar sistemas de ecuaciones lineales, los
cuales reduciremos al estudios de ecuaciones matriciales del tipo A · X = B
en donde A, X, B son matrices.
En lo que sigue consideraremos que los elementos de las matrices están en
un campo F el cual en general se puede suponer que son los números reales o
complejos. Esta consideración obedece a lograr la mayor generalidad posible
sin un esfuerzo adicional. Por ejemplo en la teorı́a de grafos se consideran
las matrices con elementos en un algebra Booleana y en otras aplicaciones
matrices con elementos en el campo Z2 .

1.2. Definición y Ejemplos


Diremos que una matriz A de tamaño n × m es un arreglo rectangular
dispuesto en n filas y m columnas, es decir:
 
a11 a12 · · · a1m
 a21 a22 · · · a2m 
A=
. . .

. . . . . . . . . .
an1 an2 · · · an m
Nos interesa el caso en el cual los elementos de la matriz A son números
reales ó complejos.
La i-ésima fila de A es

Fi = (ai1 ai2 . . . aim ) para cada i = 1, 2, ..., n.

3
4 CAPÍTULO 1. MATRICES
Del mismo modo la j-ésima columna de A es:
 
a1j
 a2j 
 
Cj =  . 
 .. 
anj

para j = 1, 2, ..., m.
Usaremos también la notación:

A = (aij )(n×m) o simplemente A = (aij )

cuando el tamaño de la matriz este sobreentendida. El elemento aij de A es


elemento de la i-ésima fila y la j-ésima columna. Por ejemplo si
 
1 2 3 4
A =  5 −1 −2 0 
0 1 1 −1

El elemento a2 1 = 5 es el elemento de la segunda fila y primera columna.


También utilizaremos la siguiente notación

[A]ij

para representar el elemento aij de la matriz A. Es decir [A]ij = aij .


En general si A es una matriz de n × m con elementos en el campo F
escribiremos:
A ∈ Mn×m (F).
Si n = m diremos que la matriz A es cuadrada de orden n. En tal caso
escribiremos:
A ∈ Mn (F).
En caso de que la matriz A sea cuadrada, los elementos a11 , a22 , ..., ann de
A se denominan la diagonal principal de A y escribiremos:

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

Veamos algunos ejemplos: Si


 
1 2 −3 0
 3 −1 −2 0 
A=
 0 −1

1 −1 
1 0 4 −1

es una matriz de orden 4 × 4, es decir es cuadrada y podemos escribir A ∈


M4 (R). Luego
diag(A) = (1, −1, 1, −1)
1.2. DEFINICIÓN Y EJEMPLOS 5
Ejemplo 1. Veamos un ejemplo más: definamos la matriz A = (aij ) del
siguiente modo
aij = (i − 2j)2 , i = 1, 2, 3, 4, j = 1, 2, 3.
Los elementos de la matriz A se pueden calcular del siguiente modo:
a11 = (1 − 2 · 1)2 = 1
a23 = (2 − 2 · 3)2 = 16
a43 = (4 − 2 · 3)2 = 4
ası́ la matriz A es:  
1 9 25
 
 0 4 16 
A= 
 1 1 9 
2 0 4
A continuación vamos a definir algunas matrices especiales.
Definición 1. La matriz nula 0n×m ∈ Mn×m (F) es la matriz defina por:
[0n×m ]ij = 0.
Por ejemplo la matriz nula de M2×3 (R) es:
 
0 0 0
02×3 =
0 0 0
cuando no haya confusiones escribiremos 0n×m = 0.
Definición 2. La matriz identidad In ∈ Mn (F) es la matriz definida por:
(
1, i=j
[In ]i j =
0 i 6= j.
Cuando no haya confusión escribiremos I = In .

Por ejemplo la matriz identidad de orden 4 es por definición:


 
1 0 0 0
0 1 0 0
I4 = 
0 0 1

0
0 0 0 1
o de manera abreviada  
1
 1 
I= 
 1 
1
es decir la matriz identidad de orden n × n es una matriz cuadrada cuyos
elementos de la diagonal principal son todos iguales a uno y los demás son
cero.
6 CAPÍTULO 1. MATRICES
1.3. Operaciones con Matrices
Hemos definido un conjunto Mn×m (F) donde F es el conjunto de los números
reales o complejos. Vamos a aprovechar la estructura de F para definir op-
eraciones en Mn×m (F).
Definición 3. Diremos que dos matrices A, B son iguales si
1. Son del mismo tamaño. Es decir A, B ∈ Mn×m (F)
2. [A]ij = [B]ij para cada i = 1, 2, . . . , n y j = 1, 2, . . . , m

1.3.1. Suma de Matrices


Definición 4. Si A, B ∈ Mn×m (F) entonces la suma de A con B es la
matriz A + B ∈ Mn×m (F) que se define por:

[A + B]ij = [A]ij + [B]ij (1.1)


para cada valor de i, j. La suma de (1.1) es la suma del campo F.
Observación 1. Es importante notar que el tamaño de las matrices A y B
debe ser el mismo para poder realizar la suma.
Ejemplo 2. Sean A, B ∈ Mn×m (F) definidas por:
   
1 2 −1 1 −1 0
A= 3 2 1 , B =  2 −2 3 
−1 2 3 0 3 −2
entonces la suma es la matriz A + B que por definición es:
     
1 2 −1 1 −1 0 1 + 1 2 + (−1) −1 + 0
 3 2 1  +  2 −2 3  =  3 + 2 2 + (−2) 3 + 1 
−1 2 3 0 3 −2 −1 + 0 2 + 3 3 + (−2)
| {z } | {z } | {z }
A B A+B

luego  
2 1 −1
A+B = 5 0 4 
−1 5 1

Ejercicios
1. Determinar el tamaño de las siguientes matrices:

   
  0 0 1 3 2
0 0 −1  3   2 −1 2 −1 
A= , B=
 1 ,
 C= 
−1 4 1  0 2 1 6 
−3 1 2 2 1
1.3. OPERACIONES CON MATRICES 7

2. Dadas las matrices


   
1 1 2 0 1 −1 2
 5 4 0   1 1 −2 2 
A=  6 −3
, B= 
0   2 2 2 −1 
−1 2 −3 −1 2 0 4

señale el número de filas y columnas de cada una y ubique los elementos

[A]12 , [A]33 , [B]34 , [B]11 .

3. En la matriz B del ejemplo anterior señale la diagonal principal.

4. Identificar la diagonal principal de las siguientes matrices:


 
  0 1 3 2
0 0 −1  
0 −7  0 1 2 −1 
A =  −1 4 1 , B= , C= 
3 −1  0 2 3 −6 
0 −1 6
1 2 2 1

5. Muestre explı́citamente la matriz A si:

a) [A]ij = i − 2j donde A ∈ M2×3 (R).


b) [A]ij = (i − j)/(i + j) donde A ∈ M3×3 (R).
c) [A]ij = i2 − 2j donde A ∈ M4×3 (R).
d) [A]kj = i−k+j donde A ∈ M4×3 (C).
e) [A]kj = (−ik)2 − j 2 donde A ∈ M3×2 (C).
f ) [A]ij = cos(iπ) − sin(2jπ) donde A ∈ M3 (R).

6. Escribir las matrices identidad : I2 , I4 , I6

7. Calcular A + B, B + C, C + A donde
     
2 1 −1 0 0 −1 −2 −1 −1
A =  −2 2 4  , B =  2 0 −2  , C =  2 −1 −1 
−1 4 1 1 2 −1 1 2 1

8. Dadas las matrices


   
2 1 −1 0 −1 −1
A =  0 1 −1  , B =  2 1 −2 
−1 4 1 1 2 −1

Calcular A + (I + B) + 0.
8 CAPÍTULO 1. MATRICES
1.3.2. Producto
Vamos a definir dos tipos de productos:
Producto por un escalar
Definición 5. Sea A ∈ Mn×m (F) y sea α ∈ F. Definimos el producto de la
matriz A por el escalar α como la matriz α · A ∈ Mn×m (F) dada por

[α · A]ij = α · [A]ij

es decir:
 
α · a11 α · a12 ··· α · a1m

 α · a21 α · a22 ··· α · anm 

α·A= .. .. .. .. 
 . . . . 
α · an1 α · an2 · · · α · anm
Ejemplo 3. Sea la matriz
 
1 −1 4
A=
3 −2 3

y el escalar α = 5 entonces el producto αA es la matriz

     
1 −1 4 5 · 1 5 · (−1) 5 · 4 5 −5 20
5·A =5· = =
3 −2 3 5 · 3 5 · (−2) 5 · 3 15 −10 15

Ejemplo 4. Dada la matriz


 
1 0 5
A= 2 0 1 
−1 1 −1

vamos a calcular A − λ I, entonces


   
1 0 5 1 0 0
A − λI =  2 0 1 −λ  0 1 0 
−1 1 −1 0 0 1
   
1 0 5 λ 0 0
= 2 0 1 − 0 λ 0 
−1 1 −1 0 0 λ
 
1−λ 0 5
=  2 −λ 1 
−1 1 −1 − λ

El otro producto que vamos a definir se denomina


Producto de matrices.
1.3. OPERACIONES CON MATRICES 9

Definición 6. Sean A ∈ Mn×p y B ∈ Mp×m la matriz producto de A por


B es la matriz A · B ∈ Mn×m definido por:
p
X
[A · B]i j = [A]i k [B]k j (1.2)
k=1

Observación 2. Notemos que:


1. Para que el producto de matrices este bien definido el número de colum-
nas de A debe ser igual al número de Filas de la matriz B.
An×p · Bp×m = ABn×m

2. Para obtener el elemento [AB]i j se multiplica las coordenadas de la i-


ésima fila de A y la j-ésima columna de B término a término y luego
se las suma. Es decir:
 
b1j
  b2j 

[AB]ij = ai1 ai2 . . . aip ·  .  = ai1 b1j +ai2 b2j +. . .+aip bpj
| {z }  .. 
fila i
bpj
| {z }
columna j

como se puede verificar a partir de (1.2).


Veamos algunos ejemplos:
Ejemplo 5. Vamos a calcular el producto de las matrices:
 
  1 2 1
1 2 −1 0  −1 −2 0 
A= , B= 
−1 −2 0 2 2×4  3 −2 −1 
2 3 −2 4×3
El producto esta bien definido pues el número de columnas de A que es 4,
es igual al número de filas de B (de acuerdo a la Definición 6 en nuestro
ejemplo p = 4) . Luego el tamaño de la matriz AB debe ser 2 × 3. Vamos a
calcular algunos elementos de esta matriz:
4
X
[A · B]1 1 = [A]1 k [B]k 1 = [A]1 1 [B]1 1 + [A]1 2 [B]2 1 + [A]1 3 [B]3 1 + [A]1 4 [B]4 1
k=1
= (1 · 1) + (2 · (−1)) + ((−1) · 3) + (0 · 2) = −4
ó de manera equivalente:
 
1
  −1 
[AB]11 = 1 2 −1 0 ·   = −4
| {z }  3 
fila 1 2
| {z }
columna 1
10 CAPÍTULO 1. MATRICES
4
X
[A · B]2 3 = [A]2 k [B]k 3 = [A]2 1 [B]1 3 + [A]2 2 [B]2 3 + [A]2 3 [B]3 3 + [A]2 4 [B]4 3
k=1
= ((−1) · 1) + ((−2) · 0) + (0 · (−1)) + (2 · (−2)) = −5.

del mismo modo:

 
1
  0 
[AB]23 = −1 −2 0 2 ·   = ((−1)·1)+((−2)·0)+(0·(−1))+(2·(−2)) = −5.
| {z }  −1 
fila 2 −2
| {z }
columna 3

Ası́ podemos ir calculando los elementos de la matriz AB:


 
−4  
AB =
  −5

Finalmente obtenemos:
 
−4 0 2
AB =
5 8 −5

Observación 3. Si A ∈ Mn (F) usaremos la siguiente notación:

An = A
| · A{z· · · A}
n−veces

Resumimos en el siguiente teorema las principales propiedades de estas op-


eraciones:

Teorema 7. Sean A, B, C ∈ Mn×m (F) y α, β ∈ K entonces:

1. A + B = B + A, (Conmutatividad).

2. (A + B) + C = A + (B + C), (Asociatividad).

3. Existe una única matriz 0 ∈ Mn×m (F) tal que

A + 0 = A.

4. Existe una única matriz B ∈ Mn×m (F) tal que

A+B =0

La matriz B se denota por −A.

5. α(βA) = (α β)A, (Asociatividad).


1.3. OPERACIONES CON MATRICES 11

6. (α + β)A = (αA) + (βA), (Distributividad).

7. α(A + B) = αA + αB, (Distributividad).

en las siguientes propiedades asumimos que las operaciones están bien


definidas:

8. A (BC) = (AB) C, (Asociatividad).

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

Demostración. 1. Vamos a probar que A + B = B + A, dos matrices son


iguales si son iguales coordenada a coordenada.

[A + B]ij = [A]ij + [B]ij


= [B]ij + [A]ij = [B + A]ij , ∀i, j.

8. Supongamos que A = An×p , B = Bp×m , C = Cp×m , entonces:


p
X p
X
[A(B + C)]ij = [A]ik [B + C]kj = [A]ik ([B]kj + [C]kj )
k=1 k=1
p 
X 
= [A]ik [B]kj + [A]ik [C]kj
k=1
p
X p
X
= [A]ik [B]kj + [A]ik [C]kj = [A B]ij + [A C]ij
k=1 k=1
= [A B + A C]ij , ∀ i, j.

las demás propiedades se demuestran del mismo modo.

Teorema 8. Si A ∈ Mn×m (F) entonces

1. A Im = A

2. In A = A

Ejercicios
1. Realizar las siguientes operaciones:
       
2 1 −1 −1 i 0 1+i 1
· , ·
−2 2 1 −2 −i 1 − i −1 1 + i
12 CAPÍTULO 1. MATRICES
2. Calcular AB y BC donde
   
  1 −1 −1 −2 −1 −1 −2
2 1 −1
A= , B =  −2 1 −2  , C =  2 −1 −1 2 
−2 2 4
1 2 −1 1 2 1 1

3. Realizar las siguientes operaciones:


     
2 1 i −1 −1   1+i 1
 −2 0 i  ·  1 −2  , i 0 1
·  −1 1 + i 
−i 1 i
−2 1 i 1 0 1 0

4. Dadas las matrices


 
1 1 0    
 0 2 0  0 1 −1 2 1 1 0 −2
A=  2 −3
, B= , C=
0  1 1 −2 2 −1 1 −0 1
−1 1 −3

Calcular

a) 2 · C + B, 3B − 2C, B + 2C, 3B + (−2)C.


b) BA, CA, (B − 2C)A
c) Hallar una matriz D tal que BD sea cuadrada.

5. Resolver las siguientes ecuaciones:


 
  5 2 3
3 1
5X + I = , 2X − 3I =  6 1 7 
−7 6
4 1 2

6. Determine todas la matrices X de 2 × 2 tales que


 
2 1 2
X =
0 4

7. Resolver la siguientes ecuación:


 
1 2
X· = I2
2 5

usa la solución encontrada para resolver la siguiente ecuación:


   
1 2 3 4
·Y =
2 5 2 7
1.3. OPERACIONES CON MATRICES 13

8. Dada la matriz A = 11 −1
1 determine una matrix X tal que

(I − A)2 + AX = I.

9. Dada la matriz  
0 cos θ sen θ
A =  cos θ 0 −1 
sen θ 1 0
calcular A3 .

10. Determinar una matriz A tal que:


 
1 −7 1
A3 =  0 8 38 
0 0 27

11. Determinar An , n ∈ N donde


 
1 1 0
A= 0 1 1 
0 0 1

12. Dada la matriz:  


1 1 1
A= 0 1 1 
0 0 1

a) Determinar Ak donde k ∈ N.
P
b) Calcular nk=1 Ak

13. Dada la matriz:  


1 0 1
A= 0 0 0 
1 0 1

a) Determinar Ak donde k ∈ N.
P
b) Calcular nk=1 Ak

14. Una matriz M tal que M 2 = M se denomina idempotente. Sabien-


do que A, B son matrices cuadradas tale que A = AB y B = BA,
demuestre que A y B son matrices idempotentes.

15. La Traza de una matriz A ∈ Mn (F) se define como

traza(A) = [A]11 + [A]22 + · · · + [A]nn (1.3)


14 CAPÍTULO 1. MATRICES
a) Calcule la traza de las siguientes matrices
 
  2 1 2 8
1 1 0  0 3 −2 −3 
A= 0 2 3 , B =   −4

2 3 −1 
2 −3 1
−1 1 3 4
 
2 1
b) Demuestre que la matriz A = verifica la ecuación
1 2

A2 − traza(A) · A + 3 · I2 = 0

c) Muestre que
i) traza(A + B) = traza(A) + traza(B).
ii) traza(αA) = α traza(A).
iii) traza(A) = traza(At ).
iv) traza(AB) = traza(BA).
d) Muestre que si A ∈ Mn (F) y si A At = 0 entonces A = 0.

16. Calcular la traza de las matrices A, B ∈ M5 (R) definidas por:


 2
i +j , i = j
aij = 5i − 3j, bij =
j , i 6= j.
 
0 1
17. Muestre que si A, B ∈ M2 (R) conmutan con la matriz M = ,
−1 0
entonces AB = BA.

1.3.3. Matriz transpuesta


Definición 9. Si A ∈ Mn×m (F) entonces la transpuesta de A es la matriz
At ∈ Mm×n (F) definida por:

[At ]i j = [A]j i .

Ejemplo 6. Sea  
−1 0 2 −1
A=
i 1 −3 2 2×4

entonces la matriz transpuesta At


debe ser una matriz de 4 × 2 los elementos
t
de la primera columna de A son los elementos de la primera fila de A pues:

[At ]11 = [A]11 = −1


[At ]21 = [A]12 = 0
[At ]31 = [A]13 = 2
[At ]41 = [A]14 = −1.
1.3. OPERACIONES CON MATRICES 15

Luego tenemos que:  


−1 i
 0 1 
At =  
 2 −3 
−1 2 4×2
Teorema 10. Sean A, B ∈ Mn×m (F) entonces:
1. (At )t = A.
2. (A + B)t = At + B t .
3. (αA)t = αAt .
4. Si A ∈ Mn×k y B ∈ Mk×m entonces (A B)t = B t At .
Demostración. Vamos a probar la última:
p
X
t
[(A B) ]ij = [(A B)]ji = [A]jk [B]ki
k=1
p
X
= [At ]kj [B t ]ik
k=1
p
X
= [B t ]ik [At ]kj
k=1
= [B At ]ij ,
t
∀i, j.
por lo tanto (A B)t = B t At .

Ejercicios
1. Calcular la transpuesta de las siguientes matrices:
 
  −2 1 −1 −2
  −1 −2 0
2 1 −1  2 1 −5 2 
A= , B =  −2 1 −4  , C= 
−2 0 0  4 1 0 7 
1 4 −1
1 2 0 0

2. Terminar la demostración del Teorema (10).


3. Dadas las matrices
   
−1 3 2 −1 2
A= ,B =
−2 0 1 2 −1
determine: Los valores de a, b, c tales que:
 
a 0
 −3 b  = (B · A)t
0 c
16 CAPÍTULO 1. MATRICES
4. Una matriz A ∈ Mn (F) se denomina simétrica si A = At y anti-
simétrica si A = −At . Muestre cuatro matrices simétrica y cuatro
antisimétricas.

5. Muestre que si A es simétrica entonces [A]ij = [A]ji para cada i, j.


Y que si A es anti simétrica [A]ij = −[A]ji para cada i, j entonces si
A es antisimétrica elementos de la diagonal principal de A son todos
iguales a cero.

6. Demuestre las siguientes propiedades:

a) Muestre que si A, B son simétricas y α ∈ F, entonces A + B y


α A son también simétricas.
b) Muestre que si A, B son antisimétricas y α ∈ F, entonces A + B
y α A son también antisimétricas.
c) Muestre que si A, B son simétricas entonces , entonces A B es
simétrica si y solo si AB = BA.
d) Muestre que para cualquier A ∈ Mn (F) la matriz A + At es
simétrica y la matriz A − At es antisimétrica.

7. Si A ∈ Mn (F) demostrar que


n X
X n
traza(A · At ) = traza(At · A) = [A]2ij
j=1 i=1

1.4. La Matriz Inversa


Todo número real o complejo a no nulo tiene un inverso multiplicativo a−1 tal
que aa−1 = 1. La nueva estructura que hemos construido Mn×m (F) hereda
todas las propiedades respecto de adición del campo F y algunas propiedades
multiplicativas.
¿Que ocurre con la existencia de un inverso multiplicativo? veremos que
existe aunque no en todos los casos.

Definición 11. Dada A ∈ Mn (F) diremos que la matriz B ∈ Mn (F) es la


inversa de A si:
AB = BA = In

Si una matriz tiene inversa diremos que es inversible o que es una matriz
singular. Veamos un ejemplo
Ejemplo 7. Si
   
0 1 1 −1 0 1
A =  1 0 1 , B =  0 −1 1 
1 1 1 1 1 −1
1.4. LA MATRIZ INVERSA 17

entonces 
1 0 0
AB = BA =  0 1 0 
0 0 1
Ası́ B es la matriz inversa de A (o A es la inversa de B).
Teorema 12. Si A ∈ Mn (F) y la matriz inversa de A existe, esta es única.
Demostración. Supongamos que B, C ∈ Mn (F) son inversas de A entonces
AB = BA = In y AC = CA = In luego como

BIn = B(AC) = (BA)C = In C = C

B = C.

Definición 13. Dada A ∈ Mn (F) si existe la matriz inversa de A la deno-


taremos con A−1 .
Teorema 14. Si A, B ∈ Mn (F) tienen inversa entonces
1. (A−1 )−1

2. AB también tiene inversa y

(AB)−1 = B −1 A−1

Demostración. 1. Es aclaro por la unicidad de la inversa ya que dada


A−1 entonces
AA−1 = A−1 A = I
luego A es la inversa de A−1 .

2. Basta ver que

(AB)B −1 A−1 = A(BB −1 )A−1 = (A I)A−1 = AA−1 = I

del mismo modo es claro que B −1 A−1 (AB) = I luego B −1 A−1 =


(AB)−1 .

Ejemplo 8. Sea la matriz


 
2 3
A=
2 2
 
a b
queremos calcular la inversa de A, si es que existe. Sea B = si
c d
suponemos que la inversa de A existe y es B entonces AB = I2 es decir:
   
2a + 3c 2b + 3c 1 0
AB = =
2a + 2c 2b + 2d 0 1
18 CAPÍTULO 1. MATRICES
para que estas matrices sean iguales tenemos que:


 2a + 3c = 1

2a + 2c = 0

 2b + 3c = 0

2b + 2d = 1
ası́ tenemos un sistema de cuatro ecuaciones y cuatro incógnitas, este tiene
soluciones a = −1, b = 2/3, c = 1, d = −1, (se obtiene los mismos resulta-
dos para B haciendo BA = I2 ).
Luego la inversa existe y es
 
−1 −1 2/3
B=A =
1 −1
Más adelante demostraremos si: A, B ∈ Mn (F) son tales que AB = I en-
tonces BA = I. Luego la inversa de A existe y es igual a B. Usaremos este
hecho simplemente para simplificar los cálculos.
Ejemplo 9. Si A es una matriz de orden n tal que Ak = 0 para algún k ∈ N
mostraremos que

(In − A)−1 = In + A + A2 + · · · + Ak−1

Basta calcular:
h i
In + A + A2 + · · · + Ak−1 (In − A) = In + A + A2 + · · · + Ak−1
+ (In + A + A2 + A3 − · · · − Ak−1 )(−A)
= In + A + A2 + · · · + Ak−1 − A − A2 − · · · − Ak
= In

Ejemplo 10. Sea A dada por


 
0 1 1
A = 0 0 1
0 0 0
Notemos que    
0 0 1 0 1 1
3
A = 0
 0 0 · 0
  0 1 = 0
0 0 0 0 0 0
| {z } | {z }
A2 A

por lo demostrado antes (I − A)−1 existe además


 
1 1 2
(I − A)−1 = I + A + A2 = 0 1 1
0 0 1
1.4. LA MATRIZ INVERSA 19

Ejemplo 11. Sea A ∈ Mn (F) tal que

A2 − A − I = 0

demostrar que A−1 existe y calcularla.


Solución.- Basta notar que A2 − A − I = A(A − I) − I entonces

A(A − I) = I

por lo tanto A−1 = A − I.

Ejemplo 12. Sean A y B matrices cuadradas. Muestre que si A + B y A


son invertibles entonces

(A + B)−1 = A−1 (In + BA−1 )−1

Nuevamente por la unicidad de la matriz inversa basta probar que


h i
(A + B) A−1 (In + BA−1 )−1 = In

veamos:
h i h i
(A + B) A−1 (In + BA−1 )−1 = (A + B)A−1 (In + BA−1 )−1
= (AA−1 + BA−1 )(In + BA−1 )−1
= (In + BA−1 )(In + BA−1 )−1
= In

Es claro que las preguntas que debemos hacernos en este momento son:

1. Como reconocer cuando una matriz tiene inversa?

2. Si una matriz tiene inversa como la podemos hallar?

estas son preguntas importantes en este punto, veamos una respuesta parcial:

Teorema 15. Dada la matriz A ∈ M2 (F)


 
a b
A=
c d

entonces A tiene inversa si y solo si ad − bc 6= 0 y la inversa es


 
−1 1 d −b
A =
ad − bc −c a
20 CAPÍTULO 1. MATRICES
 
x y
Demostración. Sea B = queremos determinar bajo que condi-
z u
ciones B puede ser la inversa de A . Es decir cuando AB = I veamos:
   
ax + bz ay + bu 1
AB = =
cx + dz cy + du 1

Ası́ tenemos el siguiente sistema de ecuaciones lineales:



 ax + bz = 1


 cx + dz = 0


 ay + bu = 0

cy + du = 1

entonces de las dos primeras se obtiene:


(
acx + bcz = c
−acx − adz = 0

ası́ (cb − ad)z = c es decir si ad − bc 6= 0 entonces


c
z=−
zb − cd
del mismo modo se calculan las otras soluciones
d d
x= , y=−
ad − bc ad − bc
c a
z=− , w=
ad − bc ad − bc

las cuales existen y son únicas (como la inversa de la matriz) si y solo si


ad − bc 6= 0.

Ejemplo 13. Sea la matriz


 
2 1
A=
1 3

entonces como 2 · 3 − 1 · 1 = 5 6= 0 entonces la inversa de A existe y esta es:


 
1 3 −1
A−1 =
5 −1 2

Si bien hemos obtenido una respuesta satisfactoria a nuestras preguntas el


caso general aun es más complejo y no resulta del todo útil seguı́s esta forma
de proceder. A si que le vamos a dar un enfoque distinto.
1.5. EJERCICIOS 21

1.5. Ejercicios
1. Determinar si la inversa de las siguientes matrices existe y determinar
la inversa cuando exista.
     
0 1 2 1 2 1
A= , B= , C= .
2 1 1 1 −2 −1

2. Demuestre que si A ∈ Mn (F) tal que A2 = −2A4 entonces

(I + A2 )−1 = I − 2A2

3. Con la matriz !
√i 0
A= 2
0 √i
2
verifique el item anterior.
4. Muestre que si  
cos θ − sen θ
A(θ) =
sen θ cos θ

entonces A(θ) · A(β) = A = (θ + β) y [A(θ)]−1 = A(−θ).


5. Determine las tres raı́ces cubicas de 1. Si una compleja es ω demuestre
que la otra es ω 2 y que 1 + ω + w2 = 0.
6. Determine la inversa de:
 
1 1 1
A =  1 ω ω2 
1 ω2 ω

7. Sea ω 3 = 1 demuestre que:


  
1 1 1 1 1 1
 1 ω ω 2   1 ω 2 ω  = 3I
1 ω2 ω 1 ω ω2

8. Sea A ∈ Mn (F) una matriz diagonal cuyos elementos de su diagonal


principal son todos distintos de cero. Demuestre que A tiene inversa y
que su inversa es una matriz diagonal tal que

diag(A−1 ) = (1/[A]11 , 1/[A]22 , . . . , 1/[A]nn )

9. si A y B son matrices cuadradas, muestre que si A y A+B son matrices


inversibles entonces

(A + B)−1 = A−1 (I + BA−1 )−1


22 CAPÍTULO 1. MATRICES
10. Si Jn ∈ Mn (F) es una matriz cuyas coordenadas son todas iguales a 1
entonces
1
(I − Jn )−1 = I − Jn
n−1
(Sugerencia: Note que Jn2 = n Jn ).

1.6. Matriz escalonada


Observemos el siguiente sistema de ecuaciones:

 2x + 3y − z = 0

3x − 2y − 2z = 0


x − y − 2z = 0
Lo podemos expresar en términos del producto de matrices del siguiente
modo:
    
2 3 −1 x 0
 3 −2 −2   y  =  0 
1 −1 −2 z 0
por supuesto existen sistemas más fáciles de resolver que otros, por ejemplo
el sistema 
 x + 3y − z = 0

−y − 2z = 1


z=2
cuya expresión matricial es:
    
1 3 −1 x 0
 0 −1 −2   y  =  1 
0 0 1 z 2
se puede resolver de manera inmediata. Nos interesan las matrices cuyo
sistema asociado sea fácil de resolver. Estas son precisamente las matri-
ces escalonadas (reducidas), las cuales nos interesa estudiar en el presente
capı́tulo.
Dada una matriz A ∈ Mn×m (F) diremos que: El primer elemento no nulo
de cada fila no nula se denomina PIVOTE. Ası́ por ejemplo en la matriz
 
0 1 2 −1
A=  3 0 0 1 
0 0 0 0

tiene como pivotes al 1 en la primera fila, al 3 en la segunda y la tercera fila


carece de pivotes.
1.6. MATRIZ ESCALONADA 23

Definición 16. Una matriz A ∈ Mn×m (F) se dice que es una matriz ESCALON-
ADA REDUCIDA si:
1. Todas las filas nulas se encuentran por debajo de las filas no nulas.
2. El pivote de la fila i + 1 aparece a la derecha del pivote de la fila i para
i = 1, 2, ..., n − 1.
3. El pivote de cada fila no nula es igual a 1.
4. Si una columna contiene un pivote entonces todos los demás elementos
de la columna son iguales a cero.
Una matriz que cumple 1 y 2 más no necesariamente 2 y 4 se denomina
matriz ESCALONADA.
Ejemplo 14. Dada la matriz
 
0 1 3 −1
A= 0 0 2 0 
0 0 0 0
notemos que tiene los siguientes pivotes :
 
0 1 3 −1
A= 0 0 2 0 
0 0 0 0
primero determinaremos si es escalonada, para esto debe cumplir (1) y (2).
1. Cumple (1) pues todas la filas nulas están al final de la matriz.
2. Cumple (2) el pivote de la fila dos esta a la derecha del pivote de la
fila uno.
Luego es una matriz escalonada. No es escalona reducida pues sus pivotes
no son todos iguales a uno.
Por ejemplo las siguientes matrices son escalonadas:

     
1 3 −1 2 3 −1 0 0 1 2 1 1
 0 2 0 ,  0 5 −2 0  ,  0 0 0 1 3 
0 0 0 0 0 1 1 0 0 0 0 3
las matrices:
     
1 0 −1 1 0 0 0 0 1 2 0 0
 0 1 0 ,  0 1 0 0 ,  0 0 0 1 0 
0 0 0 0 0 1 1 0 0 0 0 1
son ejemplos de matrices escalonadas reducidas.
24 CAPÍTULO 1. MATRICES
Observación 4. Sea A′ ∈ Mn (F) una matriz escalonada, supongamos que
su elemento a′ii 6= 0, 1, entonces no es un pivote, luego debe existir a′ik = 1
con k < i un pivote de A′ , en realidad el i-ésimo pivote de A′ , pero esto es
imposible pues no pueden haber i − 1 pivotes distribuidos en por lo menos
i − 2 columnas.
Ası́ toda matriz cuadrada escalonada reducida tiene los elementos de su di-
agonal principal iguales a ceros o unos. Por ejemplo:
   
1 0 0 2 0 1 0 0  
 0 1 0 1   0 0 1 0  1 0 0
 0 0 0 0 ,  0 0 0 1 ,
     0 1 0 
0 0 0
0 0 0 0 0 0 0 0
ası́ podemos decir que:
1. Si la matriz A′ tiene todos los elementos de la diagonal principal
iguales a 1 entonces A′ = In .
2. Una matriz escalonada reducida por filas A ∈ Mn (F) es una matriz
identidad o una matriz con una fila llena de ceros.

Ejercicios
1. Determine si las siguientes matrices son escalonadas.
       
1 1 2 0 1 −1 2 0 1 2 1 0 1 0 2
 0 4 0   0 0 −2 1   0 0 1 0   0 0 1 1 
 0 0 0 ,
   ,  ,  
 0 0 0 0   0 0 0 1   0 0 0 1 
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0

2. Determine si las siguientes matrices son escalonadas reducidas.


     
1 0 2 0 1 0 2 0 1 0 1  
 0 0 0   0 0 1 −1  1 0 0 0
,  0 0 1 0 ,  0 0 0 1 
 
 0 0 0 ,
  
 0 0 0 0   0 0 0 0 
0 0 0 0
0 0 0 0 0 0 1 0 0 0 0

1.7. Operaciones Elementales


Dada una matriz A, nuestro objetivo es obtener una forma escalonada (re-
ducida) que sea equivalente a la una matriz A. Para esto identificaremos
algunas operaciones elementales entre las filas de la matriz.
Sea la matriz  
a11 a12 · · · a1m
 a21 a22 · · · a2m 
 
A= .. .. .. 
 . . ··· . 
an1 an2 · · · anm
1.7. OPERACIONES ELEMENTALES 25

denotaremos con Fi la i-ésima fila de A. Luego si A tiene n filas podemos


escribirla del siguiente modo:
 
F1
 F2 
 
A= . 
.
 . 
Fn
Ası́ por ejemplo si
 
1 2 −1 1
 2 3 0 1 
A=
 1 −1
 entonces F2 = (2 3 0 1)
3 1 
2 1 0 0

1.7.1. Intercambio de Filas


Dada una matriz A ∈ Mn×m (F) la primera operación que vamos a definir es
el intercambio de filas: sean Fi y Fj filas de A entonces la operación
   
F1 F1
 ..   .. 
 .   . 
   
 Fi 
 F ↔F  Fj 
 

 ..  i j  .. 
 .  ∼  . 
   
 Fj   Fi 
   
 ..   .. 
 .   . 
Fn Fn
es el intercambio de fila por ejemplo
   
1 2 −1 1 1 2 −1 1
 2 3 0 1  F2 ↔F

3 1 −1 3 1 
 = A′
A=  1 −1 ∼
3 1   2 3 0 1 
2 1 0 0 2 1 0 0
por supuesto la matriz A′ no es igual a la matriz A sin embargo diremos que
A′ es equivalente por filas a la matriz A.

Si definimos las matriz Ei,j ∈ Mn (F) de la siguiente forma:


Fi ↔Fj
In ∼ Ei,j (1.4)
−1
entonces Ei,j es invertible pues Ei,j · Ei,j = In luego Ei,j = Ei,j , además:
Fi ↔Fj
Teorema 17. Si A ∈ Mn×m (F) y A ∼ A′ entonces Ei,j A = A′ . Luego
A = Ei,j A′ .
26 CAPÍTULO 1. MATRICES
La matriz Eij se denomina matriz de intercambio de filas ó matriz elemental
de intercambio de filas.

Ejemplo 15. Veamos que E3,4 ∈ M4 (R) es la matriz que se obtiene al


intercambiar la tercera y cuarta fila de la matriz identidad:
 
1 0 0 0
 0 1 0 0 
E3,4 = 
 0 0 0 1 

0 0 1 0

luego como:
    
1 0 0 0 1 0 0 0 1
 0 1 0 0  0 1
  0 0  
  1 
E3,4 · E3,4 =
 0 = 
0 0 1  0 0 0 1   1 
0 0 1 0 0 0 1 0 1
−1
concluimos que E3,4 = E3,4 .
 
1 2 −1 1
Ejemplo 16. Consideremos la matriz A =  0 0 0 1  entonces
0 0 2 2
   
1 2 −1 1 1 2 −1 1
F ↔F
A= 0 0 0 1  2∼ 3  0 0 2 2  = A′
0 0 2 2 0 0 0 1

la nueva matriz A′ se puede obtener del siguiente modo E2,3 A = A′ veamos:


Por 1.4 tenemos que:
 
1 0 0
E2,3 =  0 0 1 
0 1 0
es la matriz identidad de orden tres a la cual se ha intercambiado las filas
segunda y tercera. Luego:

     
1 0 0 1 2 −1 1 1 2 −1 1
E2,3 · A =  0 0 1  ·  0 0 0 1 = 0 0 2 2  = A′
0 1 0 0 0 2 2 0 0 0 1

1.7.2. Multiplicación de una Fila por un escalar


Dada una matriz A ∈ Mn×m (F) vamos a definir la multiplicación de una fila
por un escalar no nulo. Sea α ∈ F, α 6= 0 y Fi la i-ésima fila de A. entonces
1.7. OPERACIONES ELEMENTALES 27

   
F1 F1
 ..   .. 
 . 
 i .
 
 
 Fi  αF
 ∼  αFi
 
 
 ..   .. 
 .   . 
Fn Fn
Donde
αFi = (αai1 αai2 ...αaim )
Por ejemplo
   
1 2 −1 1 1 2 −1 1
 2 3 0 1  αF3  2 3 0 1 
A=  ∼   = A′
 1 −1 3 1   α1 α(−1) α3 α1 
2 1 0 0 2 1 0 0

si α = 2 tenemos que
     
1 2 −1 1 1 2 −1 1 1 2 −1 1
 2 3 0 1  2F3  2 3 0 1   2 3 0 1 
A=
 1 −1
 ∼ = 
3 1   2 · 1 2 · (−1) 2 · 3 2 · 1   2 −2 6 2 
2 1 0 0 2 1 0 0 2 1 0 0

de nuevo la matriz A′ no es igual a la matriz A.


Definimos
αF
In ∼i Ei (α)
la matriz Ei (α) ∈ Mn (F) es invertible, para esto basta ver que
−1 1
E2 (α) = Ei
α
Ejemplo 17. Calculemos
   
1 0 0 0 1 2 −1 1
 0 1 0 0   2 3 0 1 
E3 (2) = 
 0
, entonces si A=
 1 −1

0 2 0  3 1 
0 0 0 1 2 1 0 0

tenemos que:
     
1 0 0 0 1 2 −1 1 1 2 −1 1
 0 1 0 0 
· 2 3 0 1 
= 2 3 0 1 
 
E3 (2) · A =  
 0 0 2 0   1 −1 3 1   2 −2 6 2 
0 0 0 1 2 1 0 0 2 1 0 0
28 CAPÍTULO 1. MATRICES
Ejemplo 18. Veamos que si α 6= 0 entonces:
   
1 0 0 0 1 0 0 0
  
 , y E2 1 = 
 0 α 0 0  0 1/α 0 0 
E2 (α) = 
 0 0 1

0  α  0 0 1 0 
0 0 0 1 0 0 0 1
si multiplicamos ambas matrices tenemos que:
     
1 0 0 0 1 0 0 0 1
 1   0 α 0 0   0 1/α 0 0   1 
E2 (α)·E2 = 0 0 1 0 · 0 0 1
  = 
α 0   1 
0 0 0 1 0 0 0 1 1
  −1  
Luego E2 (α) · E2 α1 = I4 por lo tanto E2 (α) = E2 α1 .
αF
Teorema 18. Si A ∈ Mn×m (F) y A ∼i A′ entonces
Ei (α)A = A′ .
 
1 2 −1 1
Ejemplo 19. Consideremos la matriz A =  0 0 0 1  no esta en
0 0 2 2
forma escalonada pero si:
     
1 2 −1 1 1 2 −1 1 1 2 −1 1
F ↔F (1/2)F
1 1  = A′
2
A= 0 0 0 1  2∼ 3  0 0 2 2  ∼  0 0
0 0 2 2 0 0 0 1 0 0 0 1
entonces la nueva matriz A′ esta en la forma escalonada reducida. Se puede
verificar que
E2 (1/2) E2,3 A = A′
pues si:    
1 0 0 1 1 0 0
E2,3 =  0 0 1 , E2 =  0 1/2 0 
2
0 1 0 0 0 1
entonces
   
1 1 0 0 1 0 0 1 2 −1 1
E2 E2,3 A =  0 1/2 0   0 0 1  0 0 0 1 
2
0 0 1 0 1 0 0 0 2 2
  
1 0 0 1 2 −1 1
=  0 0 1/2   0 0 0 1 
0 1 0 0 0 2 2
 
1 2 −1 1
= 0 0 1 1 
0 0 0 1
1.7. OPERACIONES ELEMENTALES 29

1.7.3. Suma a una Fila un múltiplo escalar de otra


Dada una matriz A ∈ Mn×m (F) vamos a definir la suma a una fila Fi un
múltiplo escalar de otra fila Fj . Sea α ∈ F y Fi la i-ésima fila de A queremos
   
F1 F1
 ..   .. 
 .   . 
   
 Fi 
 F +αF  Fi + αFj 
 

 ..  i j  .
.. 
 .  ∼  
   
 Fj   F j

   
 ..   .. 
 .   . 
Fn Fn
donde
Fi + αFj = (ai1 + αaj1 ai1 + αaj2 ... ai1 + αajm )
Por ejemplo
   
1 2 −1 1 1 2 −1 1
 2 3 0 1  F2 +(−2)F1  2 + (−2)1 3 + (−2)2 0 + (−2)(−1) 1 + (−2)1 
A=  1 −1
 ∼  
3 1   2 3 0 1 
2 1 0 0 2 1 0 0
 
1 2 −1 1
 0 −1 2 −1 
=  = A′
 2 3 0 1 
2 1 0 0

Definimos
Fi +αFj
In ∼ Ei,j (α)
la matriz Ei,j (α)Mn (F) es invertible, para esto basta ver que
−1
Ei,j (α) = Ei,j (−α)

Ejemplo 20. Calculemos E2,3 (α) ∈ M4 (R) y su inversa:


   
1 0 0 0 1 0 0 0
 0 1 α 0   0 1 −α 0 
E2,3 (α) = 
 0 0 1 0 ,
 E2,3 (−α) =  0 0

1 0 
0 0 0 1 0 0 0 1

entonces es claro que:


    
1 0 0 0 1 0 0 0 1
 0 1 α 0   0 1 −α 0   1 
E2,3 (α)E2,3 (−α) =  · = 
 0 0 1 0  0 0 1 0   1 
0 0 0 1 0 0 0 1 1
30 CAPÍTULO 1. MATRICES
Fi +αFj
Teorema 19. Si A ∈ Mn×m (F) y A ∼ A′ entonces

Ei,j (α)A = A′ .
 
1 0 −1 1
Ejemplo 21. Consideremos la matriz A =  2 0 0 2  esta no esta
0 0 1 1
en la forma escalonada sin embargo:

   
1 0 −1 1 1 0 −1 1
F2 +(−2)F1
 2 0 0 2  ∼  0 −2 2 0 
0 0 1 1 0 0 1 1
 
1 0 −1 1
(−1/2)F2
∼  0 1 −1 0 
0 0 1 1
 
1 0 0 2
F2 +F3
∼  0 1 0 1 
F1 +F3
0 0 1 1

entonces la nueva matriz A′ esta en la forma escalonada reducida. Se puede


verificar que
E1,3 (1) E2,3 (1) E2 (−1/2) E2,1 (−2) A = A′

Dada una matriz A ∈ Mn×m (F) las operaciones elementales por filas que
hemos estudiado se pueden utilizar para transformar la matriz A en otra
matriz A′ escalonada reducida ó simplemente escalonada, como se hizo en
el ejemplo 21. Más aún existen E1 , E2 , ..., Ek ∈ Mn (F) matrices elementales
(una para cada operación elemental) tales que:

E1 E2 · · · Ek A = A′
En particular si A ∈ Mn (F) entonces A′ ∈ Mn (F) además si A′ = In entonces
la matriz A es invertible y la inversa es

A−1 = E1 E2 · · · Ek

que de manera más conveniente podemos escribir

A−1 = E1 E2 · · · Ek In

es decir la matriz inversa de A, cuando existe, es precisamente la matriz


que se obtiene al aplicar a la matriz identidad las operaciones elementales
por fila que usamos para obtener la forma escalonada reducida de A, que
además debe ser igual a la matriz identidad. En resumen tenemos:
1.7. OPERACIONES ELEMENTALES 31

Definición 20. Si α ∈ F, α 6= 0, entonces las matrices Ei,j , Ei (α), Ei,j (α) ∈


Mn×m (F) se denominan matrices elementales.
Si A ∈ Mn×m (F) y si E ∈ Mn (F) es una matriz elemental entonces se
dice que la matriz EA es equivalente por filas a la matriz A y escribiremos
A ∼ EA.

Teorema 21. Si A ∈ Mn×m (F) entonces existe un número finito de matrices


elementales E1 , E2 , ..., Ek ∈ Mn (F) tales que

E1 · E2 · E3 · · · Ek · A = A′ (1.5)

donde A′ es una matriz escalonada (reducida). Es decir A es equivalente por


filas a una matriz escalonada (reducida).

Teorema 22. Si A ∈ Mn (F) entonces

A tiene inversa ⇔ A ∼ In

Ejemplo 22. Sea la matriz


 
1 0 −1 1
 −2 0 −4 2 
 
 0 0 −1 1 
2 −2 2 0

Vamos a determinar si esta tiene inversa: el elemento [A]11 = 1 es el pivote


para la primera fila, vamos a usar este para volver cero a todos los elementos
de su columna:
     
1 0 −1 1 1 0 −1 1 1 0 −1 1
 −2 0 −4 2  F2 +2F1  0 0 −6 4  F4 +(−2)F1  0 0 −6 4 
  ∼   ∼  
 0 0 −1 1   0 0 −1 1   0 0 −1 1 
2 −2 2 0 2 −2 2 0 0 2 4 −2

Ahora necesitamos un pivote para la fila 2, que además debe estar a la


derecha del pivote anterior para esto intercambiamos las filas segunda y cuar-
ta. Como estamos buscando la forma escalonada reducida además volvemos
el pivote igual a uno:
     
1 0 −1 1 1 0 −1 1 1 0 −1 1
 0 0 −6 4  F 2
 ∼  ↔F 4
 0 2 4 −2  (1/2)F2  0 1 2 −1 
  ∼  
 0 0 −1 1   0 0 −1 1   0 0 −1 1 
0 2 4 −2 0 0 −6 4 0 0 −6 4

usamos al elemento [A]22 = 1 como pivote, pero como todos los elementos
de su columna ya son iguales a cero entonces pasamos a buscar el pivote en
32 CAPÍTULO 1. MATRICES
la tercera fila:

     
1 0 −1 1 1 0 −1 1 1 0 0 0
 0 1 2 −1 
 (−1)F 3
 0 1 2 −1  +F3 
 F1∼ 0 1 2 −1 
 ∼   
 0 0 -1 1   0 0 1 −1   0 0 1 −1 
0 0 −6 4 0 0 −6 4 0 0 −6 4
   
1 0 0 0 1 0 0 0
 
F2 −2F3  0 1 0 1  F4 +6F 3 0 1 0 1 
∼  ∼  
 0 0 1 −1   0 0 1 −1 
0 0 −6 4 0 0 0 -2
   
1 0 0 0 1 0 0 0
   
(−1/2)F4  0 1 0 1  F3 +F4  0 1 0 0 
∼   ∼  
 0 0 1 −1  F2 −F4  0 0 1 0 
0 0 0 1 0 0 0 1

Ası́ A ∼ I4 luego tiene inversa. ¿Como calculamos la inversa de A? según lo


analizado basta con aplicar las mismas operaciones elementales a la matriz
identidad I4 . Lo más conveniente en estos casos es construir la matriz au-
mentada (A|I) y aplicar el método anterior para hallara la matriz escalonada
reducida de A aplicando las mismas operaciones a la matriz identidad ası́ si
A tiene inversa entonces (A|I) ∼ (I|A−1 )
1.7. OPERACIONES ELEMENTALES 33

   
1 0 −1 1 1 0 0 0 1 0 −1 1 1
0 0 0
 −2 0 −4 2 0 1 0 0   0 0 −6 4 2 1 0 0 
  F2 +2F
∼ 1 
 0 0 −1 1 0 0 1 0  F4 −2F1  0 0 −1 1 0
0 1 0 
2 −2 2 0 0 0 0 1 0 2 4 −2 −2 0 0 1
| {z }| {z }
A I
 
1 0 −1 1 1 0 0 0
F2 ↔F4  0 1 2 −1 −1 0 0 12 
∼  
(−1/2)F2  0 0 −1 1 0 0 1 0 
0 0 −6 4 2 1 0 0
 
1 0 −1 1 1 0 0 0
(−1)F3  0 1 2 −1 −1 0 0 12 
∼  
 0 0 1 −1 0 0 −1 0 
0 0 −6 4 2 1 0 0
 
1 0 0 0 1 0 −1 0
F1 +F3  0 1 0 1 −1 0 2 12 
∼  
F2 −2F3  0 0 1 −1 0 0 −1 0 

0 0 −6 4 2 1 0 0
 
1 0 0 0 1 0 −1 0
F4 +6F3  0 1 0 1 −1 0 2 12 
∼  
(−1/2)F4  0 0 1 −1 0 −1 0 
0
0 0 0 1 −1 − 12 3 0
 
1 0 0 0 1 0 −1 0
F3 +F4  0 1 0 0 0 1/2 −1 1/2 
∼  
F2 −F4  0 0 1 0 −1 −1/2 2 0 
0 0 0 1 −1 −1/2 3 0
| {z }| {z }
I A−1

Ası́ la inversa de la matriz A es


 
1 0 −1 0
 0 1/2 −1 1/2 
A−1 =
 −1 −1/2

2 0 
−1 −1/2 3 0

Ejemplo 23. Si A ∈ M4 (R) es tal que



a
 , j =i+1
[An ]i j = 1 , i=j


0 , en otro caso.

Calcular, si es que existe, A−1 .


34 CAPÍTULO 1. MATRICES
Solución.- La matriz A es:
 
1 a 0 0
 0 1 a 0 
A=
 0

0 1 a 
0 0 0 1
vamos a escalonar la matriz (A|I)
   
1 a 0 0 1 0 0 0 1 0 −a2 0 1 −a 0 0
 0 1 a 0 0 1 0 0  F1 −aF2  0
  1 0 −a 02 1 −a 0 

 0 0 ∼ 
1 a 0 0 1 0  F2 −aF3  0 0 1 a 0 0 1 0 
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1
 
1 0 0 a3 1 −a a2 0
F1 +a2 F3  0 1 0 −a2 0 1 −a 0 
∼   0

0 1 a 0 0 1 0 
0 0 0 1 0 0 0 1
 3
2

1 0 0 a 1 −a a 0
F3 −aF4  0
 1 0 0 0 1 −a a2 
∼ 
F2 +a2 F4  0 0 1 0 0 0 1 −a 
0 0 0 1 0 0 0 1
 
1 0 0 0 1 −a a2 −a3
F3 −aF4  0 1 0 0 0 1 −a a2 
∼  
2
F2 +a F4  0 0 1 0 0 0 1 −a 
0 0 0 1 0 0 0 1
| {z }
A−1

por lo tanto A−1 existe y además


 
1 −a a2 −a3
 0 1 −a a2 
A−1  
 0 0 1 −a 
0 0 0 1
Observación 5. Supongamos que A ∈ Mn (F) y X ∈ M1×n (F) entonces la
ecuación matricial
AX = 0 (1.6)
tiene solución X = 0, esta es única cuando A−1 existe, pues si X1 , X2 ∈
M1×n (F) son tales que AX1 = 0 y AX2 = 0 entonces AX1 = AX2 luego
A−1 (AX1 ) = A−1 (AX2 ) por lo tanto X1 = X2
El recı́proco también es cierto. Supongamos que AX = 0 tiene solución
única, por el Teorema 21 existen E1 , E2 , . . . , Ek matrices elementales tales
que
1.7. OPERACIONES ELEMENTALES 35

E1 E2 · · · Ek A = A′
donde A′ es una matriz escalonada reducida entonces A′ X = 0 ası́ por la
Observación 4 la matriz A′ es la identidad o tiene una fila de ceros. En
el segundo caso al tener una fila de ceros debe haber una columna sin un
elemento no nulo ( ver Ob.4) entonces a la variable correspondiente a esta
columna se le puede dar un valor arbitrario, digamos t de modo que si t 6= 0
entonces la solución Xt 6= 0

Xt , es solución de AX = 0 para cada t ∈ R

esto es una contradicción a la unicidad de las soluciones del sistema, por lo


tanto A′ = I ası́ A−1 existe.

Ejemplo 24. Sea la matriz escalonada reducida


 
1 0 0 0
 0 1 0 1 
A′ =  0 0

1 0 
0 0 0 0

el sistema homogéneo asociado a esta matriz es A′ X = 0 es decir:



 x1 =0
x2 + x4 =0

x3 =0

la columna cuatro no contiene pivote, luego hacemos x4 = t y obtenemos


que:
     
0 1 0 0 0 0 0
 −t   0 1 0 1   −t   0 
Xt =  0  , es solución, pues:  0 0 1 0   0
   = 
  0 
t 0 0 0 0 t 0

para cada t ∈ R, ası́ el sistema tiene infinitas soluciones, por lo tanto la


matriz A′ no tiene inversa.

De acuerdo a la definición de la inversa de una matriz A para ver que B =


A−1 se debe verificar que: AB = BA = I esto se puede mejorar:

Proposición 23. Si A, B ∈ Mn (F) son tales que BA = I entonces AB = I.

Demostración. Si A, B ∈ Mn (F) son tales que BA = I vamos a probar que


la inversa de A existe.
Supongamos que X ∈ M1×n (F) es solución de AX = 0 entonces (BA)X = O
luego X es solución de (BA)X = 0 o de manera equivalente IX = 0 luego
36 CAPÍTULO 1. MATRICES
X = 0, ası́ el sistema AX = 0 tiene solución única, por la Observación 5
A−1 existe.
Si A−1 existe entonces

B = BI = B(AA−1 ) = (BA)A−1 = IA−1 = A−1

luego es claro que AB = I.

Veamos otra aplicación de la Observación 5


Proposición 24. Sean A, B ∈ Mn (F) si AB tienen inversa entonces A−1
y B −1 también existen.
Demostración. Supongamos que AB tiene inversa entonces el sistema (AB)X =
0 tiene solución única X = 0 si la inversa de B no existe entonces e3xiste
X0 ∈ M1×n (F) no nulo tal que BX0 = 0 luego A(BX0 ) = 0 lo que contradice
la hipótesis por lo tanto B −1 existe ası́ como A = (AB)B −1 la inversa de A
también existe.

1.8. Ejercicios
1. Dada la matriz  
−1 −2 −3 −4
 4 3 2 1 
A= 
 −5 −6 −7 −8 
5 6 7 8
realizar las siguientes operaciones en el orden indicado.

a) F1 + F2 , F2 ↔ F4 , (−1)F2
b) F3 ↔ F2 , F2 + 2F4 , F1 + (−1)F2

2. En M3 (R) escribir las matrices elementales

E1,2 , E3,2 (2), E2 (−2), E2,1 (4)

Dada la matriz  
−1 2 −1
A =  −1 3 2 
2 1 −1
calcular E1,2 A, E3,2 (2)A, E2 (−2)A, E2,1 (4)A

3. Utilizando operaciones elementales por filas escalonar las siguientes


matrices
     
1 2 −1 −1 0 2 −1 3 0 1 −1
A =  1 −1 2  , B =  −2 0 2 2  , C =  −6 0 −2 2 
2 1 −1 −4 0 0 −4 −4 0 0 −4
1.9. MÉTODO DE GAUSS-JORDAN 37
4. Determinar si las siguienter matrices tienen inversa, en caso afirmativo
calcular la inversa.
 
  2 0 2 −2 −2
−1 1 1 −1
 −2 0
 −2 2 −2 2 2 
2 2   
A=
 −4 0
, B =  1 0 1 1 −1 
0 −4   
 −1 1 0 1 1 
1 2 4 −1
0 0 1 1 −1

1.9. Método de Gauss-Jordan


Vamos a dar un método algorı́tmico: Dada una matriz A ∈ M queremos
determinar una matriz escalonada (reducida) equivalente por filas a la matriz
A. Las únicas operaciones permitidas son las elementales por fila.
1. Todas las filas nulas deben ir al final de la matriz.
Por ejemplo:    
1 0 2 1 0 2
 0 0 0  F2 ∼ ↔F3
 2 0 4 
2 0 4 0 0 0

2. El primer elemento no nulo de la fila Fi se denomina PIVOTE si todos


los elementos a su izquierda y abajo son iguales a cero.
Por ejemplo: en
   
3 0 6 0 3 9
 2 0 0 ,  0 2 0 
2 0 4 0 0 0

el 3 es el primer pivote en ambas matrices. Del mismo modo el 1 es


pivote en las siguientes matrices:
   
2 3 6 0 3 9 2
 0 1 0 ,  0 0 0 1 
0 2 4 0 0 0 3

3. Hacemos el pivote igual a uno con una operación elemental.


Por ejemplo:    
3 0 6 1 0 2
(1/3)F1
 2 0 0  ∼  2 0 0 
2 0 4 2 0 0
ó de manera similar:
   
0 3 9 0 1 9
 0 2 0  F1∼
−F2 
0 2 0 
0 0 0 0 0 0
38 CAPÍTULO 1. MATRICES
4. Eliminamos todos los elementos por debajo (y arriba) del pivote.
   
1 0 2 1 0 2
F −2F
 2 0 0  2 ∼ 1  0 0 −4 
F3 −2F1
2 0 0 0 0 −4

ó de manera similar:
   
0 1 9 0 1 9
 0 2 0  F2 −2F
∼ 1  0 0 −18 
0 0 0 0 0 0

5. Volvemos al paso (1.) con i + 1.


Es decir buscaremos el siguiente pivote en la siguiente fila. Por ejemplo
en las matrices
   
3 0 6 0 3 9 5
 0 2 0 ,  0 0 0 2 
0 4 4 0 0 0 7

3 es el primer pivote y 2 es el segundo.

1.10. Ejercicios
1. Escalonar las siguientes matrices
   
0 1 −1 2 0 2 −4 −2
 0 4 −8   0 0 −8 4 −4 
A=  5 5 −10  , B = 
  
0 0 0 0 0 
1 1 −2 6 0 12 −24 −6

2. Mostrar que B es la inversa de A si


   
1 −1 2 1 0 1
1
A =  1 −1 1  , B =  3 −4 1 
2
1 1 2 2 −2 0
 
3 1
3. Determinar la inversa de A = .
4 −8
4. Determine los valores de a para los cuales la matriz A tiene inversa.
 
1 1 0
A=  1 0 0 
1 2 a

5. Muestre que si A, B, C ∈ Mn×m (F) entonces


1.10. EJERCICIOS 39

a) A ∼ A, .
b) Si A ∼ B entonces B ∼ A.
c) Si A ∼ B y B ∼ C entonces A ∼ C.

6. Muestre que si A, B ∈ Mn (F) tienen inversa, entonces estas son equiv-


alentes por filas.

1.10.1. Operaciones Elementales por Columna


Las siguientes observaciones serán de gran utilidad en el siguiente capı́tulo.
Para el presente simplemente nos dicen que ası́ como se trabajo con matrices
elementales por fila sobre una matriz A, se puede trabajar con matrices
elementales por columna sobre la matriz At . La razón de utilizar las primeras
es por que se adecúan de manera muy natural para la resolución de sistemas
de ecuaciones lineales.
Hemos definido operaciones elementales por fila , para esto utilizamos ma-
trices elementales por fila:

Ei,j , Ei (α), Ei,j (α)

notemos que
 t  t  t
Ei,j = Ei,j , Ei (α) = Ei (α), Ei,j (α) = Ej,i (α)
Del mismo modo podemos definir operaciones elementales por columna, y
sus respectivas matrices elementales:

Ii,j , Ii (α), Ii,j (α)

Ası́ si A ∈ Mn×m (F) entonces:


Ci ↔Cj
1. A ∼ A′ si y solo si A · Iij = A′ .
αC
2. A ∼ i A′ si y solo si A · Ii (α) = A′ .
Ci +α Cj
3. A ∼ A′ si y solo si A · Iij (α) = A′ .
Ejemplo 25. Por ejemplo:
     
0 0 1 1 0 0 1 0 0
I1,3 =  0 1 0  , I2 (α) =  0 α 0  , I1,3 (α) =  0 1 0 
1 0 0 0 0 1 α 0 1

y si consideramos la matriz
 
a b c
A= d e f 
g h i
40 CAPÍTULO 1. MATRICES
entonces
    
a b c 0 0 1 c b a
A · I1,3 =  d e f  0 1 0 = f e d 
g h i 1 0 0 i h g
    
a b c 1 0 0 a αb c
A · I2 (α) =  d e f  0 α 0  =  d αe f 
g h i 0 0 1 g αh i
    
a b c 1 0 0 a + αc b c
A · I1,3 (α) =  d e f  0 1 0  =  d + αf e f 
g h i α 0 1 g + αi h i

Además resulta claro que:

Ii,j = Ei,j , Ii (α) = Ei (α), Ii,j (α) = Ej,i (α)

Supongamos que A ∈ Mn (F) tenga inversa entonces existen matrices E1 , . . . , Ek


tales que:
Ek · · · E1 A = In
entonces
At E1t · · · Ekt = In
por lo tanto como la transpuesta de una matriz elemental por fila es nueva-
mente elemental por filas y del mismo tipo, estas multiplicadas a At por la
derecha es una matriz elemental por columna del mismo tipo denotaremos
esta por I (no se debe confundir con I la matriz identidad) luego:

Ek · · · E1 A = At I1t · · · Ikt (1.7)

donde I1 , I2 , . . . , Ik son matrices elementales por columna.

1.11. Ejercicios
1. Dadas las Matrices:
 
  1 4  
2 −3 1 −1 −1
A= , B =  −2 0 , C=
0 −2 5 3 4
3 −1

Determine la matriz Y en la ecuación Y = (2A − B t )t C y la matriz X


que satisface la ecuación 2(AB − X)t = C 2 .

2. Considere las matrices:


       
y −3 1 0 5 2 p −1
A= , B= , C= ,
2 3−z 0 1/3 −1 6 0 0
1.11. EJERCICIOS 41
 
p+1 p−1
E= 2
p + p (p + 1)(p − 1) − p
Sabiendo que AB = C t determine la matriz X si se cumple que
  
1 y−4 z−4
− X = DE
2 y−3 z−2
   
−1 3 2 −1 2
3. Considerando las matrices A = , B=
−2 0 1 2 −1
determinar
 
a 0
a) Los valores de a, b, c de modo que  −3 b  = (BA)t .
0 c
b) Usando los valores de a, b, c, obtenga la matriz que X que satis-
face:    
t 5−b 2 t
2 AA + − X = 2BI2
5+a c−4
4. Suponga que A es una matriz simétrica cualquiera y que B es una
matriz tal que B t AB está definida. Demostrar que B t AB es simétrica.

5. Suponga que A, B ∈ Mn (F) conmutan y son tales que A es simétrica


y B es antisimétrica. Demuestre que AB es antisimétrica.

6. Si A es una matriz antisimétrica, demuestre que A2 es simétrica. Si A


es una matriz simétrica, ¿qué puede decir de A2 ?

7. Encuentre la forma caracterı́stica


 que 
tienen todas las matrices que
2 −1
conmutan con la matriz A =
1 2

8. Se dice que A ∈ Mn (F) es involutiva si A2 = I , que es idempotente


si A2 = A y que es ortogonal si AAt = I. ¿Cuáles de las siguientes
afirmaciones son verdaderas? (Justifica tu res-puesta)

a) Si A es involutiva y ortogonal, entonces A es simétrica.


b) Si A es simétrica e involutiva, entonces A es ortogonal.
c) Si A es simétrica y ortogonal, entonces A es involutiva.
d) Si A es idempotente, entonces 2A − I es involutiva.
 
a 1+a
9. Demuestre que para todo a ∈ R , la matriz A = es
1 − a −a
invertible y que A−1 = A.

10. Si A ∈ Mn (F) es una matriz idempotente, demuestre que 2A − I es


invertible y que su inversa es ella misma.
42 CAPÍTULO 1. MATRICES
 
1 1  
3 1
11. Sean A =  2 2  , B= . ¿Existe una matriz C tal
−4 4
−1 0
que CA = B ?. Si existe, determı́nela.
 
−1 k −1
12. ¿Para cuáles valores de k ∈ R la matriz A =  k −3 0  es
−3 5 −1
invertible?
 
t 1 2 2 −2
13. Resuelva para X la ecuación matricial AX−B = 2 A si A =
5 −4
 
−4 2
yB= .
−8 6
 
1 1 1
14. Resuelva para X la ecuación (AX −1 B)t = AB , si A =  0 1 2 
3 1 0
 
0 0 1
y B =  1 2 0 .
1 1 0
15. Mediante un modelo matemático el departamento de adquisiciones
controla el stock H de tres artı́culos. El procedimiento consiste en
ingresar diariamente las cantidades vendidas, las cantidades cotizadas
por los clientes y el número de artı́culos defectuosos (actualización).
 Sa-

2 0 1
biendo que en cierto dı́a la matriz de actualización es A =  0 2 1 
1 1 1
, calcule el stock H mediante la ecuación (3I3 − A)H + B t = CA , en
donde B = [30 28 42] y C = 2I3 .
Capı́tulo 2

Determinantes

2.1. introducción
En el T.15 establecemos una condición necesaria y suficiente para la ex-
istencia de la inversa de una matriz cuadrada de orden 2, esta depende
simplemente de ver si una determinada expresión es diferente de cero. ¿Se
puede llegar a un resultado similar para matrices de orden n? este capı́tulo
se dedica a dar una respuesta a esta pregunta.

2.2. Función Determinante


Dada una matriz A ∈ M2 (F) diremos que el Determinante de A es la función
definida del siguiente modo:

det : M2 (F) → R (2.1)


A 7→ [A]11 [A]22 − [A]12 [A]21 (2.2)

Por ejemplo si
 
2 3
A= entonces det(A) = 2 · 1 − 3 · 2 = −4
2 1

Vamos a dar una definición recursiva del Determinante de una matriz de


orden n > 2. para esto primero veamos algunas definiciones previas.

Definición 25. Dada A ∈ Mn×m (F) el menor Mij de la matriz A el la


matriz que se obtiene al eliminar la i-ésima fila y la j-ésima columna de la
matriz A. Por lo tanto Mij ∈ M(n−1)×(m−1) (F).
Si A ∈ Mn (F) el Cofactor Cij de A es

Cij = (−1)i+j det(Mij ) (2.3)

43
44 CAPÍTULO 2. DETERMINANTES
Es decir si
 
a11 ... a1(j−1) a1j a1(j+1) ... a1m
 .. .. .. .. .. 

 . ... . . . ... . 

 a(i−1)1 . . . a(i−1)(j−1) a(i−1)j a(i−1)(j+1) . . . a(i−1)m 
 
 ai1
A= ... ai(j−1) aij ai(j+1) ... aim 

 a . . . a(i+1)(j−1) a(i+1)j a(i+1)(j+1) . . . a(i+1)m 
 (i+1)1 
 .. .. .. .. .. 
 . ... . . . ... . 
an1 ... an(j−1) anj an(j+1) ... anm
entonces el menor Mij de A es la matriz:
 
a11 ... a1(j−1) a1(j+1) ... a1m
 .. .. .. .. 

 . ... . . ... . 

 a(i−1)1 . . . a(i−1)(j−1) a(i−1)(j+1) . . . a(i−1)m 
Mij =  a(i+1)1 . . . a(i+1)(j−1) a(i+1)(j+1)

 . . . a(i+1)m 

 .. .. .. .. 
 . ... . . ... . 
an1 ... an(j−1) an(j+1) ... anm
Ejemplo 26. Si 

2 3 3
A= 2 1 4 
4 7 8
entonces
     
1 4 2 3 2 3
M11 = , M23 = , M32 =
7 8 4 7 2 4
entonces
   
1+1 1 4 3+2 2 3
C11 = (−1) det = −20, C32 = (−1) det = −2
7 8 2 4
Definición 26. Dada A ∈ Mn (F) con n > 2 entonces definimos
n
X
det(A) = (−1)1+j [A]1j det(M1j ) (2.4)
j=1

el determinante de la matriz A.
Observación 6. Para aplicar la fórmula 2.4 se debe se debe calcular el
determinante det(M1j ) pero notemos que el menor Mij ∈ Mn−1 F es de un
orden menor que A. Ası́ tenemos que
1. Por la definición 2.4 si
 
a11 a12
A= entonces det(A) = a11 a22 − a12 a21
a21 a22
2.3. EJERCICIOS 45

2. Supongamos que
 
a11 a12 a13
A =  a21 a22 a23 
a31 a32 a33
entonces
3
X
det(A) = (−1)1+j a1j det(M1j )
j=1

= a11 det(M11 ) − a12 det(M12 ) + a13 det(M13 )


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

Ejemplo 27. Sea la matriz


 
2 3 3
A= 2 1 4 
−1 2 −1

entonces aplicando la Observación 6 tenemos que:

det(A) = −2 + (−12) + 12 − (−3) − (−6) − 16 = −9

2.3. Ejercicios
1. Calcular    
1 3 −2 3
det , det
2 1 −2 1

10 15 175 65 145 −356
2. Calcular: , , .
2 −7 −125 705 571 247

3. Calcule el determinate de
   
−1 3 3 −1 0 0
A =  0 −1 2 , B =  2 −1 −2 
−1 −2 −1 −1 6 3


1 0 3 3 −1 4 −2 −3 1

4. Calcular: 0 1 4 ,

6
3 5 ,

4
6 5 .

2 1 0 2 −1 6 0 2 1
46 CAPÍTULO 2. DETERMINANTES
5. Calcular el determinante de las siguientes matrices:
   
1 0 1 2 2 −1 1 0
 −1 1 0 0   0 1 2 0 
det 
 2 −1 0
 , det  
1   3 1 0 −1 
0 0 1 −1 −1 0 1 0

6. Demostrar que si A, B ∈ Mn (F) son matrices diagonales entonces


det(AB) = det(A) det(B).

7. Muestre con un ejemplo que en general no es cierto que det(A + B) =


det(A) + det(B).

8. Calcular  
z −z 0
∆ =  0 z2 −1 
1 z z+1
sabiendo que z ∈ C es tal que z 5 = 1 y z 6= 1.

2.4. Propiedades del Determinante


Para denotar el determinante de la matriz A escribiremos también

a11 · · · a1n

det(A) =
.. . . ..
. . .
an1 · · · ann

Dada la matriz A ∈ Mn (F) el cofactor Cij de la matriz A se puede escribir:

Cij = (−1)i+j |Mij | (2.5)

con esta notación:


n
X
det(A) = a1j C1j
j=1

se denomina el desarrollo en COFACTORES del determinante de A.

Lema 27. Supongamos que


 
a b a b
+β a b

A= ′ ′′ ′ ′′ ⇒ |A| = α ′ ′ c′′ d′′

αc + βc αd + βd c d

del mismo modo si


  ′ ′ ′′ ′′
αa′ + βa′′ αb′ + βb′′ a b a b
A= ⇒ |A| = α
+ β
c d c d c d
2.4. PROPIEDADES DEL DETERMINANTE 47

Demostración. Basta calcular:


 
a b
det(A) =
αc′ + βc′′ αd′ + βd′′
= a(αd′ + βd′′ ) − b(αc′ + βc′′ ) = α(ad′ − bc′ ) + β(bd′′ − bc′′ )
′ ′ ′′ ′′
a b a b
=α + β
c d c d

Teorema 28. Sea la matriz A ∈ Mn (F) en donde la i-ésima fila

Fi = αFi′ + βFi′′

donde alpha, β ∈ F entonces


     
F1 F1 F1
 ..   ..   .. 

 . 

 . 
 

 . 
αF ′ + βF ′′  = α det  F ′  + β det  Fi′′ 
det(A) = det 
 i i   i   
 ..   ..   .. 
 .   .   . 
Fn Fn Fn

Demostración. Vamos a usa el principio de inducción para la demostración.


Para n = 2 la proposición es verdadera por el L. 27. Supongamos que la
proposición es verdadera para matrices de orden n − 1. Sea A ∈ Mn (F)
vamos a considerar dos casos:

Caso 1. Si
     
αF1′ + βF1′′ F1′ F1′′
 F2   F2   F2 
A′ =  A′′ = 
     
A= ..  y .. , .. 
 .   .   . 
Fn Fn Fn

entonces como se elimina la primera fila:


n
X
det(A) = (αa′1j + βa′′1j ) C1j
j=1
n
X
= αa′1j C1j + βa′′1j C1j
j=1
Xn n
X
=α a′1j C1j

+β a′′1j C1j
′′

j=1 j=1
′ ′′
det(A) = α|A | + β|A |
48 CAPÍTULO 2. DETERMINANTES
Caso 2. Supongamos que i > 1 entonces

n
X
det(A) = a1j C1j
j=1
Xn
′ ′′
= a1j (αC1j + β C1j ) Por H. I.
j=1
Xn n
X
′ ′′
=α a1j C1j +β a1j C1j
j=1 j=1
′ ′′
det(A) = α|A | + β|A |

Corolario 29. Si A ∈ Mn (F) y tiene una fila de ceros entonces

det(A) = 0

Demostración. Si la fila nula es Fi entonces podemos escribir Fi = 0 Fi′ +0 Fi′′


donde Fi′ , Fi′′ son filas cualesquiera luego por el T.28
    
F1 F1 F1
 ..   ..   .. 

 . 

 . 
 ′ 
 . 
 
′ ′′  = 0 det  F  + 0 det  F ′′  = 0
 0 Fi + 0 Fi
det(A) = det    i   i 
 ..   ..   .. 
 .   .   . 
Fn Fn Fn

Por definición el desarrollo en cofactores para el cálculo del determinante de


la matriz A se debe realizar con respecto de los elementos de la primera fila.
Esto se puede mejorar sustancialmente.
Designaremos con ei la i-ésima fila de la matriz identidad, por ejemplo si I5
entonces
e1 = (1 0 0 0 0), e3 = (0 0 1 0 0)

Ejemplo 28. Veamos que si:


 
  a b c
a b
A= , B= 1 0 0 
0 1
d e f
2.4. PROPIEDADES DEL DETERMINANTE 49

entonces
 
a b
det(A) = det = a,
0 1
 
a b c
det(B) = det  1 0 0  = ce − bf
d e f
 
b c
= (−1) det
e f

Lema 30. Sea una matriz A ∈ Mn (F) tal que Fi = ek para algún k entonces

det(A) = Cik

Demostración. Vamos a proceder por inducción. El resultado es evidente si


n = 2, 3 supongamos entonces que el Lema es verdadero para matrices de
orden n − 1 consideremos dos casos:

Caso 1. Si i = 1 entonces
n
X
det(A) = (−1)1+j a1j M1j
j=1

por hipótesis F1 = ek luego a1j = 0 para j 6= k y a1k = 1 entonces

det(A) = (−1)1+k det(Mik ) = Cik .

Caso 2. Supongamos que i > 1 entonces


X
det(Mik ) = (−1)1+j a1j det(Bj )
j6=k

donde Bj es el cofactor 1j (con j = 1, 2, ..., k − 1, k + 1, .., n) de la


matriz Mik . Además podemos escribir:
X X
det(Mik ) = (−1)1+j a1j det(Bj ) + (−1)1+(j−1) a1j det(Bj )
j<k j>k
(2.6)
y para la matriz A tenemos:
n
X
det(A) = (−1)1+j a1j det(M1j )
j=1

Por otro para el menor M1j su i − 1 fila de esta matriz es:

1. ek−1 si j < k pues hemos quitado un cero a la izquierda del uno


de esta fila.
50 CAPÍTULO 2. DETERMINANTES
2. ek si j > k pues hemos quitado un cero a la derecha del uno de
esta fila
3. Una fila de ceros si j = k.

Ası́ aplicando la H. I. a los menores M1j de A tenemos que:



(i−1)+(k−1) det(B ),
(−1)
 j j < k,
det(M1j ) = (−1)(i−1)+k det(Bj ), j > k,


0 j = k.

por lo tanto

n
X
det(A) = (−1)1+j a1j det(M1j )
j=1
X X
= (−1)1+j a1j (−1)(i−1)+(k−1) det(Bj ) + (−1)1+j a1j (−1)(i−1)+k det(Bj )
j<k j>k
" #
X X
i+k j−1 1+(j−1)
= (−1) (−1) a1j det(Bj ) + (−1) a1j det(Bj )
j<k j>k

ası́ por (2.6) hemos terminado la demostración.

Ahora vamos a aplicar este Lema para probar el:

Teorema 31. Si A ∈ Mn (F) entonces

n
X
det(A) = aik Cik
k=1

para cualquier 1 ≤ i ≤ n.

Demostración. Sea Fi la i-ésima fila de A entonces podemos escribir:

n
X
Fi = aik ek
k=1
2.4. PROPIEDADES DEL DETERMINANTE 51

por el Teorema 28 tenemos que


   
F1 F1
 ..   .. 

 P .  X
 n  . 
 
det(A) = det 
 k aik ek  =
 aik det 
 ek 

 ..  k=1  .. 
 .   . 
Fn Fn
n
X
det(A) = aik Cik Por el L.30
k=1

Veamos algunos ejemplos en los cuales podemos aplicar esta nuevas her-
ramientas.
Ejemplo 29. Sean las matrices:
   
2 3 4 1 2 3 4 1
 0 1 0 3   2 −1 0 3 
A=  2 −1 0 2
, B=
 0

 2 0 0 
1 2 2 0 0 4 0 0
1. Para calcular el determinante de A podemos elegir cualquier fila para el
desarrollo por cofactores gracias al Teorema 31 por supuesto elegimos
la que tiene mayor cantidad de ceros ası́:

2 4 1 2 3 4

det(A) = (−1)2+2 · 1 · 2 0 2 + (−1)2+4 · 3 · 2 −1 0
1 2 0 1 2 2
= 1 · 4 + 3 · 4 = 16

2. Para la matriz B elegimos la fila 3 ası́ tenemos que:



2 4 1
3+2

det(B) = (−1) · 2 · 2 0 3
0 0 0
como la matriz M23 tiene una fila de ceros det(B) = 0.
Corolario 32. Si A ∈ Mn (F) tiene dos filas iguales entonces det(A) = 0.
Demostración. Si n = 2 el resultado es fácil de verificar. Si n > 2 supong-
amos que el resultado es verdadero para matrices de orden n − 1 y tomemos
A ∈ Mn (F) entonces si las filas iguales de A son Fl y Fk sea i diferente de l
y k entonces por la H. I. tenemos que
n
X n
X
det(A) = [A]ij Cij = [A]ij · 0 = 0
j=1 j=1
52 CAPÍTULO 2. DETERMINANTES
pues los menores Mij tienen dos filas iguales (se elimino la fila i 6= l, k ) y
es una matriz de orden n − 1.

Ejemplo 30. Sea la matriz


 
2 3 2 1
 0 2 4 3 
A=
 0

0 3 2 
0 0 0 −2

Vamos a calcular su determinante. Primero apliquemos el T.31 a la cuarta


fila de A, entonces
2 3 2

det(A) = (−2) 0 2 4
0 0 3

aplicando nuevamente el T.31 a la tercera fila de esta nueva matriz tenemos:



2 3
det(A) = (−2) · 3 · = (−2) · 3 · 2 · 2 = −24
0 2

Definición 33. Una matriz A ∈ Mn×m (F) se dice que es:

1. Triangular superior si [A]ij = 0, ∀i > j.

2. Triangular inferior si [A]ij = 0, ∀i < j.

Ejemplo 31. Las matrices


   
1 0 2 1 2 4 2 1 2
 0 1 5 3   0 0 4 3 4 
 ,  
 0 0 3 6   0 0 3 3 6 
0 0 0 4 0 0 0 0 4

son triangulares superiores, las siguientes son triangulares inferiores:


 
  2 0 0 0 0
1 0 0 0  6 0
 2 1 0 0 ,  0 0 0  
 1 2 2 0 0 
1 2 2 0
1 0 0 0 0

Proposición 34. Si A ∈ Mn (F) es triangular inferior (superior) entonces

det(A) = [A]11 [A]22 · · · [A]nn

Demostración. La demostración es inmediata por inducción.

Demostraremos en T.36 que det(A) = det(At ), esto nos dice que podemos
aplicar la regla de cofactores a las columnas de A. Además:
2.4. PROPIEDADES DEL DETERMINANTE 53

1. El determinante de una matriz triangular se calcula de manera inmedi-


ata.

2. Si A es una matriz escalonada entonces es también triangular superior.

Recordemos que mediante operaciones elementales por fila tenemos un méto-


do para escalonar matrices. ¿Existe una relación entre el determinante y las
operaciones elementales?.

Ejercicios
1. Calcular el determinate de las siguientes matrices. Usando el método
de cofactores en la tercera fila.
 
  2 2 1 0 0
1 2 0 0  4 0 1 1
 2 1 2 0   0 

 ,  0 0 2 4 2 
 −1 2 2 0   
 0 0 2 4 2 
3 2 1 1
1 2 2 1 −1

2. Calcular los siguientes determinantes:


 
  2 2 1 0 0
1 2 3 4
 1
 0 0 0 0 0 
2 0 0   
det 
 1
, det  0 0 2 4 2 
2 0 0   
 0 0 2 4 5 
3 3 2 0
1 2 3 4 1

3. Calcular los siguientes determinantes:


 
  −2 0 1 0 0
1 2 3 3
 0 2
 0 −4 4 4 0 
4 0   
det 
 0 0
, det  0 0 3 0 0 
3 0   
 1 −4 0 0 0 
0 0 0 −1
1 0 0 0 0

4. Calcular los siguientes determinantes:


 
  −2 0 −4 8 0
1 0 −1 0
 10 5 20
 0 −6 6 −12 6 
0   
det  , det  −7 21 −14 0 7 
 0 9 3 −9   
 1 −1 0 1 0 
4 16 8 4
1 0 −10 5 −15
54 CAPÍTULO 2. DETERMINANTES
2.5. Determinantes y Operaciones Elementales
Vamos a ver como se comportan las operaciones elementales por fila con
respecto a la función determinante.

Teorema 35. Sea A ∈ Mn (F) y α ∈ F entonces:

1. Si Ei (α)A = A′ entonces det(A) = (1/α) det(A′ ).

2. Si Ei,j A = A′ entonces det(A) = − det(A′ ).

3. Si Ei,j (α)A = A′ entonces det(A) = det(A′ ).

Demostración. La primera parte es inmediata a partir del Teorema 28.

2. Por el teorema 28 y su corolario basta considerar:




F1 F1 F1 F1 F1

.. .. .. .. ..

. . . . .

Fi + Fj Fi Fi Fj Fj

.. .. .. .. ..
. . . . = 0+det(A)+det(A′ )+0

0= . = + + +

Fi + Fj Fi Fj Fi Fj

.. .. .. .. ..

. . . . .

Fn Fn Fn Fn Fn

entonces det(A) = − det(A′ ).

3. Para la tercera basta ver que por el Teorema 28 su colorario y la primera


parte de este teorema podemos escribir


F1 F1

F1

.. .. ..

. .

.

Fi + αFj Fi Fj

det(A′ ) =
.. .. .
. = . + α .. = det(A) + α · 0 = det(A)


F j
Fj

Fj

.. .. ..

. .

.

Fn Fn Fn

Si bien las operaciones elementales por fila alteran la matriz, el determi-


nante se comporta bastante bien con lo que las técnicas de escalonamiento
se pueden usar para el cálculo del determinante teniendo en cuenta este
teorema. Es más no es difı́cil comprobar que:
2.5. DETERMINANTES Y OPERACIONES ELEMENTALES 55

1. El det(Ei (α)) = α. Luego si Ei (α)A = A′ entonces


det(A′ ) = det(Ei (α)) · det(A)

2. det(Ei,j ) = −1 entonces
det(A′ ) = det(Ei,j ) · det(A)

3. Como det(Ei,j (α)) = α luego


det(A′ ) = det(Ei,j (α)) · det(A)

4. La inversa de una matriz elemental es una matriz elemental del mismo


tipo.
En resumen si E es una matriz elemental entonces
det(EA) = det(E) · det(A) (2.7)
Teorema 36. Sea A ∈ Mn (F) entonces
1. A tiene inversa si y solo si det(A) 6= 0.
2. Si B ∈ Mn (F) entonces det(AB) = det(A) det(B).
3. det(At ) = det(A).
Demostración. Consideremos A, B ∈ Mn (F) entonces
1. A tiene inversa si y solo si existen operaciones elementales E1 , E2 , ..., Ek
tales que
E1 E2 · · · Ek A = I
luego por (2.7) tenemos que
|E1 | · |E2 | · · · |Ek | · |A| = 1
esto ocurre si y solo si |A| =
6 0.
2. Supongamos que |A| = 0 entonces A no tiene inversa, por la Proposi-
ción 24 la matriz AB no tiene inversa, luego det(AB) = 0. Si ahora
suponemos que |A| = 6 0 entonces la inversa de A existe y
E1 E2 · · · Ek A = I
para algunas Ej entonces como la inversa de una matriz elemental es
elemental entonces
A = Ek−1 Ek−1
−1
· · · E1−1
luego por la primera parte:
det(AB) = det(Ek−1 Ek−1
−1
· · · Ek−1 B)
= det(Ek−1 ) det(Ek−1
−1
) · · · det(E1−1 ) det(B)
= det(A) det(B)
56 CAPÍTULO 2. DETERMINANTES
3. De a cuerdo a la Sec. 1.10.1 es claro que el determinante de una matriz
elemental por columnas es igual al determinante de su transpuesta que
es una matriz elemental por filas.Además por el item 2 del presente
teorema basta considerar el caso en que A tiene inversa luego como
existen E1 , ..., Ek tales que

E1 · · · Ek A = At Ik · · · I1

donde Im = Emt entonces si det(I ) = det(E ) por el item 2 de este


m m
teorema tenemos que det(A) = det(At ).

Observación 7. Supongamos que det(A) 6= 0 por el teorema A−1 existe


además det(AA−1 ) = det(I) = det(A) det(A−1 ) entonces

1
det(A−1 ) =
det(A)

Hasta aquı́ el T.36 resuelve parte del problema planteado al inicio de este
capı́tulo: Una matriz A ∈ Mn (F) tiene inversa si y solo si det(A) 6= 0. Por
supuesto en el camino hemos dado varias propiedades que nos ayudan al
cálculo del determinante de una matriz, es más el item 3 del Teorema 36 nos
dice que toda propiedad de determinantes referente a las filas de una matriz
son también propiedades referentes a las columnas.

Ejemplo 32. Vamos a calcular el determinante de


 
2 1 0 0 −1
 0 −1 −1 2 1 
 
A= 1 2 −1 0 1 

 −1 −1 0 3 −1 
0 4 8 −8 0

recordemos que podemos utilizar las operaciones elementales, entonces



2
1 0 0 −1 2
1 0 0 −1
0 −1 −1 2 1 0 −1 −1 2 1
F4 +F3
det(A) = 1
2 −1 0 1 = 4 1
2 −1 0 1
−1 −1 (1/4)F 5
0 3 −1 0
1 −1 3 0
0 4 8 −8 0 0 1 2 −2 0

1
2 −1 0 1
0 −1 −1 2 1
F1 −2F3
= (−4) 0 −3
2 0 −3
F1 ↔F3 0
1 −1 3 0
0 1 2 −2 0
2.5. DETERMINANTES Y OPERACIONES ELEMENTALES 57

Ahora podemos usar el método de cofactores, pero en la primera columna de


la última matriz, (Esto gracias a que |At | = |A|) .


1 2 −1 0 1
−1 −1

2 1
0 −1 −1 2 1
−3

2 0 −3
det(A) = (−4) 0 −3 2 0 −3 = (−4)
1 −1 3 0
0 1 −1 3 0
1 2 −2 0
0 1 2 −2 0


1 1 −2 −1 1
1 −2 −1

(−1)F1 −3 2 0 −3 F4 −F1 0
5 −6 −6
= −(−4) = 4
F3 −F1 0 −2 5 1 F2 +3F1 0 −2 5 1
1 2 −2 0 0 1 0 1


5 −6 −6
= 4 −2 5 1 = 4 · 37 = 141
1 0 1

Ası́ det(A) = 148.

Ejemplo 33. Encontrar el valor de x tal que el determinante de


 
x−3 0 3
A= 0 x+2 0 
−5 0 x+5

sea igual al cero.


x−3 0 3
x−3 3
|A| = 0 x+2 0 = (x + 2)

−5 −5 x+5
0 x+5
 
x 0 x 0 −3 3 −3 3
= (x + 2) +
−5 5 + 0 x
+
−5 5
0 x
|A| = (x + 2) · x(x + 2) = x(x + 2)2

por lo tanto |A| = si y solo si x = 0 ó x = −2

Ejemplo 34. Calcular el determinante de la matriz


 
1 1 1
A= b+c c+a a+b 
bc ca ab
58 CAPÍTULO 2. DETERMINANTES
Usemos el elemento [A]11 como pivote:

1 1 1 1 1 1
F2 −(b+c)F1
|A| = b + c c + a a + b
= 0 a − b a − c
F −(bc)F1
bc ca ab 3 0 c(a − b) b(a − c)

1 0 0
a − b c(a − b)
= 1 a − b c(a − b) =
1 a − c b(a − c) a − c b(a − c)

1 c
= (a − b)(a − c)
= (a − b)(a − c)(b − c)
1 b

por lo tanto det(A) = (a − b)(a − c)(b − c)

Ejemplo 35. Mostrar que :


 
a−b b−c c−a
det  b − c c − a a − b  = 0
c−a a−b b−c

Solución.-
 
a−b b−c c−a a−b b−c c−a
F3 +F1
det  b − c c − a a − b  = b−c c−a a−b

c−a a−b b−c c−b a−c b−a

a − b b − c c − a
F3 +F2
= b − c c − a a − b = 0
0 0 0

Ejemplo 36. Calcular el determinante de:


 
a1 + 1 a2 a3 ··· an
 a1
 a2 + 1 a 3 ··· an 

A=
 a1 a 2 a3 + 1 ··· an 

 .. .. .. .. .. 
 . . . . . 
a1 a2 a3 + 1 · · · an + 1
Primero realizamos la operación : Fi − F1 para cada i = 2, 3, ..., n es decir:

(a1 a2 . . . ai + 1 . . . an ) − (a1 + 1 a2 . . . ai . . . an ) = (−1 0 . . . 1 . . . 0)

entonces
a1 + 1 a2 a3
··· an

−1 1 0 ··· 0

−1 0 1 ··· 0
|A| =
.
.. .. .. .. ..

. . . .

−1 0 0 ··· 1
2.5. DETERMINANTES Y OPERACIONES ELEMENTALES 59

ahora realizamos la siguiente operación: F1 − ai Fi para i = 2, 3, ..., n, es


decir
(a1 + 1 a2 . . . ai . . . an ) − (−ai 0 . . . ai . . . 0) = (1 + a1 + ai a2 . . . 0 . . . an )
de esto obtenemos:
P
1 + ni=1 ai 0 0 ··· 0
1 0 ··· 0
−1 1 0 ··· 0 n

 X  0 1 ··· 0
|A| =
−1 0 1 ··· 0
= 1+ ai .. .. . . ..


.. .. .. . . ..
i=1
. . . .
. . . . .
0 0 ··· 1
−1 0 0 ··· 1
n
X 
= 1+ ai
i=1

Ejemplo 37. Calcular los siguientes determinantes:


 
n 1 1 1 ··· 1
  ···
 n 2 1 1 1
1 −1 0 −1  

 0 −1 1 1 
  n 1
 3 1 ··· 1 

i) det  , ii) det  n 1 1 4 ··· 1 
 2 4 6 −2   
 . . .. .. .. .. 
9 3 −9 3  .. .. . . . . 
n 1 1 1 ··· n
Solución.-
i)
 
1 −1 0 −1 1
−1 0 −1
 0 −1 1 1  0 −1 1 1
det 
 = 2 · 3
2 4 6 −2  1
2 3 −1
9 3 −9 3 3 1 −3 1

1 −1 0 −1 1 −1 0 −1

F3 −F1 0 −1 1 1 0 −1 1 1
= 6 = 6 · 3
0 3 3 0 0 1 1 0

3 1 −3 1 3 1 −3 1

1 −1 0 −1
−1 1 1
F4 −3F1 0 −1 1 1
= 18 = 18 1 1 0
0 1 1 0
4 −3 4
0 4 −3 4
=18 · [−4 − 3 − 4 − 4] = 18 · (−15) = −270

ii) Haciendo
Fi − F1 =(n 1 1 . . . i . . . 1) − (n 1 1 . . . 1 . . . 1)
=(0 0 0 . . . i − 1 . . . 0), ∀i = 2, 3, ..., n
60 CAPÍTULO 2. DETERMINANTES
entonces tenemos que


n 1 1 1 ··· 1
n 1 1 1 ··· 1



 n 2 1 1 ··· 1 
 0 1 0 0 ··· 0



 n 1 3 1 ··· 1 
 0 0 2 0 ··· 0


det  n 1 1 4 ··· 1  = 0 0 0 3 ··· 0

 
 .. .. .. .. .. .. .. .. .. .. .. ..

 . . . . . .
. . . . .
.
n 1 1 1 ··· n 0 0 0 0 ··· n−1
=n · (2 · 3 · · · (n − 1)) = n!

2.6. Ejercicios
1. Supongamos que det(A) = 5 calcular los siguientes determinantes:
     
a31 a32 a33 a31 a32 a33 a11 a12 a13
det  a21 a22 a23  , det  a11 a12 a13  , det  −2a21 −2a22 −2a23 
a11 a12 a13 a21 a22 a23 a31 a32 a33

2. Calcule el determinante de las siguientes matrices, utilizando opera-


ciones elementales
   
2 −1 1 2 3 0 0 9
 2 −4 8 −2   , B =  2 −1 1 0 

A= 
 6 9 −12 24   0 1 0 0 
0 0 −2 2 −1 0 −1 1

3.

4. Calcule el determinante de las siguientes matrices, utilizando opera-


ciones elementales
   
2 0 −1 0 3 0 6 9
 −4 −4 8 4   , B =  5 5 −10 10 
 
A=  16 8 −8 24   0 1 0 0 
0 0 −2 2 0 0 −1 1

5. Calcule el determinante de las siguientes matrices, utilizando cofac-


tores.
   
2 −1 1 2 3 0 0 9
 2 −4 8 −2   , B =  2 −1 1 0 

A= 
 6 9 −12 24   0 1 0 0 
0 0 −2 2 −1 0 −1 1
2.6. EJERCICIOS 61

6. Si A ∈ Mn (R) y det(A) = 4 calcular:

det(At ), det(A3 ), det(A−1 )

si además B ∈ Mn (R) y det = 3 calcular:

det(AB), det(A−1 B A), det(B t AB −1 )

7. Hallar el valor de x de modo que las siguientes matrices sean in-


versibles:
     
x−3 0 3 x 0 1 2 − x −3 6
 0 x+2 0 ,  1 x−1 0 ,  4 1 + x −2 
−5 0 x+5 0 0 x+1 2 −1 2 + x

8. Calcule el determinante de las siguientes matrices, utilizando opera-


ciones elementales
   
4 −1 1 2 9 0 9 9
 32 −8 8 −16   , B =  2 −1 1 0 
 
A=  16 16 −12 24   0 5 0 0 
0 0 −2 2 1 0 1 5

9. Hallar el determinate de la siguiente matriz:


 
x+2 1 1 1
 0
 x−1 0 1 

 x+2 x x−2 x−2 
x+2 1 1 x−3

10. Hallar el determinate de la siguiente matriz:


 
x−2 2 0 1
 x−1 x+5 1 2 
 
 2x − 3 3 x−1 2 
2−x x−3 0 x−2

11. Una matriz A ∈ Mn (F) se denomina ortonormal si A−1 = At . De-


muestre que si A es ortonormal entonces det(A) = ±1.

12. Muestre que


 
1 1 1
det  a b c  = (b − a)(c − a)(c − b)
a2 b2 c2
62 CAPÍTULO 2. DETERMINANTES
13. La siguiente se denomina matriz de Vandermode de orden n
 
1 1 1 ··· 1
 a1
 a2 a3 · · · an 
 a2 a22 2
a3 · · · a2n 
Vn =  1  (2.8)
 .. .. .. .. .. 
 . . . . . 
an−1
1 an−1
2 an−1
3 ··· an−1
n

demuestre que
n
Y
det(Vn ) = (aj − ai )
i=1
j>i

14. Hallar x tal que  


x a b c
 a x b c 
det 
 a
=0
b x c 
a b c x

15. Resolver la siguiente ecuación


 
1 1 1 1
 1 x x2 x3 
det 
 3 x + 2 2x + 1 3x
=0

3 2x + 1 x2 + 2x 3x2

16. Hallar los valores de x tales que


 
1+x 1 1 ··· 1

 1 1 + x 1 · · · 1 


det  1 1 1 + x ··· 1 
=0
 .. .. .. . . .. 
 . . . . . 
1 1 1 ··· 1 + x

donde la matriz es de orden n.

17. Hallar el determinante de la siguiente matriz


 
cos(x + a1 ) cos(x + a2 ) cos(x + a3 )
A =  sen(x + a1 ) sen(x + a2 ) sen(x + a3 ) 
sen(a2 − a3 ) sen(a3 − a1 ) sen(a1 − a2 )

Si además a1 , a2 , a3 ∈ (−π/2, π/2) determinar cuando el determinante


es igual a cero.

18. Si A ∈ Mn (F) es una matriz anti-simétrica, demostrar que si n es


impar, entonces det(A) = 0.
2.7. MATRIZ ADJUNTA 63

19. Muestre que


 
1 2 3 ··· n

 −1 0 3 ··· n  

det  −1 −2 0 ··· n   = n!
 .. .. .. .. .. 
 . . . . . 
−1 −2 −3 ··· 0

20. Muestre que


 
1 x1 x2 ··· xn
 1 x1 + a1
 x2 ··· xn 

 1
det  x1 x2 + a2 ··· xn 
 = a1 a2 · · · an
 .. .. .. .. .. 
 . . . . . 
1 x1 x2 ··· xn + an

2.7. Matriz Adjunta


Vamos a ahora dar respuesta a la segunda interrogante. ¿Se puede encontrar
una fórmula para el cálculo de la inversa?
primero veamos algunas definiciones.

Definición 37. Dada la matriz A ∈ Mn (F) si Cij = (−1)i+j det(Mij ) es un


cofactor de A entonces la matriz de cofactores se define como
 
Cof(A) = Cij

entonces la matriz adjunta de A se define como

Adj(A) = Cof(A)t

Ejemplo 38. Sea la matriz


 
2 −1 0
A =  −1 0 1 
1 2 1

entonces la matriz de cofactores es:


   
−2 2 −2 −2 1 −1
Cof(A) =  1 2 −5  , luego Adj(A) =  2 2 −2 
−1 −2 −1 −2 −5 −1

Lema 38. Sea A ∈ Mn (F) si i 6= j entonces

[A]i1 Cj1 + [A]i2 Cj2 + · · · + [A]in Cjn = 0 (2.9)


64 CAPÍTULO 2. DETERMINANTES
Demostración. Sea la matriz A′ ∈ Mn (F) que se obtiene a partir de la matriz
A sustituyendo la fila j-èsima por la i-ésima fila es decir:
   
F1 F1
 ..   .. 
 .   . 
   
 Fi   Fi 
   
A =  ...  , A′ =  ... 
   
   
 Fj   Fi 
   
 ..   .. 
 .   . 
Fn Fn

Es claro que det(A′ ) = 0 pues tiene dos filas iguales, además Cjk = Cjk ′ en-

tonces si utilizamos la fórmula de cofactores en la j-esima fila de A′ tenemos


n
X n
X
0 = det(A′ ) = [A′ ]jk Cjk

= [A]ik Cjk =
k=1 k=1

Teorema 39. Sea A ∈ Mn (F) es una matriz invertible, entonces

1
A−1 = Adj(A)
det(A)

Demostración. Calculemos vamos a multiplicar A por Adj(A) = Cof(A)t ,


por definición tenemos que:
n
X n
X
[A · Adj(A)]ij = [A]ik [Adj(A)]kj = [A]ik [Cof(A)]jk
k=1 k=1
Xn
= [A]ik Cjk
k=1

por el Lema 38 y el Teorema 31 tenemos que:



det(A) , i = j
[A · Adj(A)]ij =
0 , i 6= 0.

Ası́ tenemos que A · Adj(A) = det(A) · I si A es invertible entonces

1
A= Adj(A)
det(A)
2.8. EJERCICIOS 65

2.8. Ejercicios
1. Hallar la inversa de la matriz
 
−1 2 −1
A= 2 2 2 
0 0 1

usando la matriz adjunta.

2. Hallar la inversa de la matriz


 
−1 −1 −1 0
 6 −4 6 2 
A=  −2

0 2 2 
1 0 1 1

usando la matriz adjunta.


66 CAPÍTULO 2. DETERMINANTES
Capı́tulo 3

Sistemas de Ecuaciones

3.1. Introducción
Dado un sistema de ecuaciones lineales


 a11 x1 + a12 x2 + · · · + a1m xm = b1

 a21 x1 + a22 x2 + · · · + a2m xm = b2
.. .. .. .. .. .. .. .. (3.1)


 . . . . . . . .

an1 x1 + an2 x2 + · · · + anm xm = bn

Se lo puede modelar como una ecuación matricial:


     
a11 a12 ··· a1m x1 b1

 a21 a22 ··· a2m  
  x2 


 b2 

 .. .. .. .. · ..  =  ..  (3.2)
 . . . .   .   . 
an1 an2 · · · anm xm bn
| {z } | {z } | {z }
An×m Xn×1 b1×n

buscamos soluciones de la ecuación AX = b donde X ∈ Mn×1 (F), es claro


que podemos considerar estas soluciones como elementos de Rn .
A lo largo del presente capı́tulo la ecuación AX = b denotará un sistema de
ecuaciones donde A ∈ Mn×m (F), X ∈ Mm×1 (F) y b ∈ Mn×1 (F).

3.2. Soluciones de Sistemas de Ecuaciones Lineales


Definición 40. Dado un sistema AX = b una solución del sistema es una
matriz X0 tal que
AX0 = b

El sistema AX = 0 se denomina Homogéneo, por supuesto A 0 = 0 por lo


tanto siempre tiene solución.

67
68 CAPÍTULO 3. SISTEMAS DE ECUACIONES
Teorema 41. Si un sistema tiene dos soluciones distintas entonces tiene
infinitas soluciones.
Demostración. Sea el sistema AX = b si X0 , X1 son soluciones distintas de
este sistema, entonces sea

Xt = (1 − t)X0 + tX1 , t∈R

ası́ tenemos que:

AXt = A[(1 − t)X0 + tX1 ]


= (1 − t)AX0 + tAX1 = (1 − t)b + tb
=b

por lo tanto Xt es solución del sistema para cada t ∈ R.

Es decir las soluciones de un sistema de ecuaciones se pueden clasificar como:


Caso 1. Un conjunto vacı́o.

Caso 2. Una sola solución.

Caso 3. Infinidad de Soluciones.


Un caso sencillo, pero interesante es cuando A ∈ Mn (F) en este caso podemos
hacer
X = A−1 b
Teorema 42. Dada A ∈ Mn (F) si A−1 existe si y solo si el sistema AX = b
tiene solución única.
Demostración. Ver la observación 5.

Ejemplo 39. Sea el sistema:



 x + y + z = 1
−x + y = 0

− y − z = 1

Ası́ tenemos que:


   
1 1 1 1 0 1
A =  −1 1 0  y A−1 = 1 1 1 
0 −1 −1 −1 −1 −2
entonces la solución única del sistema es:
     
1 0 1 1 2
X = A−1 b =  1 1 1 · 0 = 2 
−1 −1 −2 1 −3
3.3. REGLA DE CRAMER 69

Ejercicios
1. Escribir los siguientes sistemas de ecuaciones lineales en términos de
matrices:
 
  z + x = 0  x − y = −1
x + y + z = 1
, 2y − x = 0 , −x + y = −1
2x + y + 2z = −1  
−x + y − z = 0 3x = 0

2. Resolver los siguientes sistemas usando la matriz inversa:



  z + x = 0 
x + y = 1 −x − y = −1
, 2y − x = 0 ,
2x − y = −1  −2x + y = 0
−x + y − z = 0

3.3. Regla de Cramer


A continuación vamos a dar un método para el cálculo de las soluciones de
un sistema AX = b donde A ∈ Mn (F) y además det(A) 6= 0, conocida como
la Regla de Cramer.
Sea A ∈ Mn (F) tal que det(A) 6= 0 entonces vimos que el sistema de ecua-
ciones AX = b tiene solución única, dada por X = A−1 b, además por el T.
39
1 1
A−1 = Adj(A) ⇒ X = Adj(A) · b
det(A) det(A)
entonces podemos escribir:
    
x1 C11 C21 ··· Cn1 b1
 x2 
  1 
 C12 C22 ··· Cn2 
 b2 

 ..  = · .. .. .. ..  ..  (3.3)
 .  det(A)  . . . .  . 
xn C1n C2n · · · Cnn bn

luego
1 h i
xi = · C1i b1 + C2i b2 + C3i b3 + · · · + Cni bn
det(A)
Si consideramos la matriz
 
a11 a12 · · · a1(i−1) b1 a1(i+1) · · · a1n
 a21 a22 · · · a2(i−1) b2 a2(i+1) · · · a2n 
 
Ai =  .. .. .. .. .. .. 
 . . . . . . 
an1 an2 · · · an(i−1) bn an(i+1) · · · ann

el desarrollo por cofactores respecto de la columna i es

det(Ai ) = C1i b1 + C2i b2 + C3i b3 + · · · + Cni bn


70 CAPÍTULO 3. SISTEMAS DE ECUACIONES
por lo tanto
det(Ai )
xi = , ∀ i = 1, 2, ..., n
det(A)
donde Ai es la matriz que se obtiene de A al reemplazar la columna i por la
columna b.

Ejemplo 40. Considere el sistema



 x + y + z = 1
−2x + y + 2z = −1

−x + y − z = 0

En términos de matrices tenemos:


     
1 1 1 x 1
 −2 1 2  ·  y  =  −1  ⇒ det(A) = −5 − 3 = −8
−1 1 −1 z 0
| {z } | {z } | {z }
A X b

el sistema tiene solución única, luego por la regla de Cramer sus soluciones
son:

1 1 1 1 1 1 1 1 1

−1 1 2 −2 −1 2 −2 1 −1

0 1 −1 −1 0 −1 −1 1 0
x= , y= , z=
−8 −8 −8
entonces la solución del sistema es:
   
x 5/8
 y  =  1/2 
z −1/8

Ejemplo 41. Sea el sistema de ecuaciones:




 x − y + z w = 1

−x + y −w = 0

 x − y + 2z = 2

x − y + 3z = 3

La ecuación matricial asociada a este sistema es:


    
1 −1 1 1 x 1
 −1 1 0 −1  y   0 
   =   ⇒ det(A) = 0
 1 −1 2 0  z   2 
1 −1 3 0 w 3
| {z } | {z } | {z }
A X b
3.3. REGLA DE CRAMER 71

La regla de Cramer no nos dice nada cuando det(A) = 0, en este caso el


sistema tiene soluciones basta ver
   
1 1
 1   1 
X0 = 
 0 ,
 X1 =  
 1 
0 0

por el T.41 en realidad tiene infinitas soluciones.

Ejemplo 42. Sea el sistema de ecuaciones:



x − y = 1
(3.4)
−x + y = 0

La ecuación matricial asociada a este sistema es:


    
1 −1 x 1
= ⇒ det(A) = 0
−1 1 y 0
| {z } | {z } | {z }
A X b

es claro que el sistema no tiene soluciones, pues si existiesen x, y ∈ R que


verifiquen (3.4) entonces sumando ambas se tiene que 0 = 1 lo cual es
imposible.

Ejemplo 43. Dado el sistema de ecuaciones:



 x + 2y − 3z = 4
3x − y + 5z = 2
 2
4x + y + (a − 14)z = a + 2

notemos que
 
1 2 −3
det  3 −1 5  = −7a2 + 112
4 1 a2 − 14

entonces es igual a cero si y solo si a = ±4. Es decir tiene solución única si


y solo si a ∈ R − {−4, 4}.

Desafortunadamente este método solo es aplicable a sistemas cuya matriz


de coeficientes es cuadrada y además tiene determinante diferente de cero.
Como vimos en los anteriores ejemplos si el determinante es cero puede o
no existir soluciones. Para el caso de un sistema en general ó cuya matriz
de coeficientes sea cuadrada pero tenga determinante nulo necesitamos otro
tipo de procedimiento.
72 CAPÍTULO 3. SISTEMAS DE ECUACIONES
Ejercicios
1. Aplicar el método de Cramer para remover las siguientes ecuaciones:
 
 x + y − 2z = 1  −2x + 4y − 2z = 6
y + 3z = 0 , x − y − z = 2
 
2x − y − z = 1 x + 2z = −1

2. Aplicar el método de Cramer para remover las siguientes ecuaciones:


 

 17x + 8y + 25z + 7w = 808 
 x + 7y − 3z + 7w = 820
 
29x − y + 13z − 12w = 204 9x − y + 5z − 4w = 123
,

 4x − 3y + 14z + 2w = 241 
 17x + 2y + 7z − 8w = −1060
 
5x + 8y + 4z − 5w = 91 9x − 3y + 4z + w = −175

3. Estudiar las soluciones del siguiente sistema de ecuaciones.



 ax + by + z = 1
ax + y + bz = 1

ax + y + z = b

4. Analizar el siguiente sistema:



 kx + y + z = 1
x + ky + z = k

kx + y + kz = k2

5. Estudiar las soluciones del siguiente sistema de ecuaciones.




 x1 − x3 + x4 = 0

 x1 − x2
 + x3 = −1
ax1 + x3 + x4 = 0



 bx1 + x2 − x4 = −1

x2 + bx3 + x4 = a

6. Determinar valores para k ∈ R tales que el sistema



 (1 − k)x + y + z = 0
2x + (2 − k)y + 2z = 0

x + y + (1 − k)z = 0

tenga solución distinta de la trivial.


3.4. RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES 73
3.4. Resolución de sistemas de Ecuaciones Lineales
Las operaciones elementales por fila, que estudiamos en los capı́tulos ante-
riores, aplicadas a la matriz aumentada:
 
a11 a12 · · · a1m b1
 a21 a22 · · · a2m b2 
 
(A|b) =  . .. .. .. .. 
 .. . . . . 

an1 an2 · · · anm bn

son precisamente operaciones efectuadas a las ecuaciones de (3.1), estas op-


eraciones son:
1. Intercambio de ecuaciones.

2. Multiplicar a una ecuación un escalar no nulo.

3. Suma a una ecuación un múltiplo escalar de otra ecuación.


Ası́ si E es una matriz elemental entonces dada X0 una solución del sistema
(3.2), X0 es también solución de (EA)X0 = Eb y viceversa pues E −1 existe.
Luego X es solución de (3.2) si y solo si es solución de A′ X = b′ donde
(A|b) ∼ (A′ |b′ ) es decir basta analizar las soluciones de A′ X = b′ donde
(A′ |b′ ) es escalonada (reducida).
Teorema 43. Si A ∈ Mn×m (F) entonces X es solución de AX = b si y
solo si es solución de A′ X = b′ donde (A|b) ∼ (A′ |b′ ).
Vamos a analizar esta situación con calma, estudiando las posibles formas
que puede adquirir (A′ |b′ ) la cual asumiremos que es una matriz escalona.

3.5. Sistemas inconsistentes


Dado el sistema AX = b supongamos que (A|b) ∼ (A′ |b′ ) si el número de
filas no nulas de A′ es menor al número de filas no nulas de (A′ |b′ ) ó de
manera equivalente hay un pivote en la fila b′ , entonces el sistema


 a11 x1 + a12 x2 + · · · + a1m xm = b1



 a x
22 2 + · · · + a2m m x = b2
.. .. ..
 . . .



 · · · + a (n−1)m m x = b n−1

0 = bn

no tiene solución.
Observación 8. Es decir el sistema no tiene soluciones si la matriz (A′ |b′ )
tiene un pivote en la columna b′ .
74 CAPÍTULO 3. SISTEMAS DE ECUACIONES
Ejemplo 44. Sea el sistema


 x + y + 3z + w =0

x + z − w =1

 −y + z − w =0

x − y + 2z − 2w =2

la ecuación matricial asociada a este sistema es:


    
1 1 3 1 x 0
 1 0 1 −1  y   1 
 0 −1 1 −1   z  =  0 
    

1 −1 2 −2 w 2
| {z } | {z } | {z }
A X b

para resolverlo primero escribimos la matriz aumentada asociada a este sis-


tema:  
1 1 3 1 0
 1 0 1 −1 1 
(A|b) =  0 −1 1 −1 0 


1 −1 2 −2 2
ahora procedemos a encontrar su forma escalonada:

   
1 1 3 1
0 1 1 3 1 0
 1 0 1 −1 1  F 2 −F 2
 0 −1 −2 −2 1 
(A|b) =  0 −1 1
 ∼  
−1
0  F4 −F1  0 −1 1 −1 0 
1 −1 2 −2 2 0 −2 −1 −3 2
   
1 1 3 1 0 1 1 3 1 0
(−1)F2  0 1 2 2 −1   F4 +2F
 0 1 2 2 −1 
∼  ∼ 2 
F3 +F2  0 0 3 1 −3
  0 0 3 1 −1 
0 −2 −1 −3 2 0 0 3 1 0
 
1 1 3 1 0

F4 −F3  0 1 2 2 −1  ′ ′
∼  −1  = (A |b )

 0 0 3 1
0 0 0 0 1

como el número de filas de A′ es menor que el número de filas de (A′ |b′ )


(ó hay un pivote en la fila b′ ), el sistema no tiene solución, basta ver el
sistema equivalente


 x + y + 3z + w = 0

y + 2z + 2w = −1

 3z + w = −1

0 = 1
3.6. SISTEMAS CONSISTENTES 75

Ejercicios
1. Determine si el siguiente sistema tiene soluciones

 x + y − z = −1
−x + 2y + z = 4

−2x + y + 2z = 2

2. La ecuación de una recta en el plano es Ax + By + C = 0. Determine


la intersección de las siguientes rectas:
a) L1 : 2x − y + 4 = 0, L2 : 6x − 3y + 18 = 0.
b) L1 : 3x + 2y + 8 = 0, L2 : −4x − 6y + 12 = 0.

3.6. Sistemas consistentes


Dado el sistema AX = b y su equivalente (A′ |b′ ) vimos que si el número de
filas no nulas de A′ es menor al número de filas no nulas de (A′ |b′ ) el sistema
es inconsistente (No tiene soluciones).
Si el número de filas no nulas de A′ es igual al número de filas no nulas de
(A′ |b′ ) el sistema tiene solución.
Entonces restan estudiar dos casos:

3.6.1. Soluciones únicas


Dado el sistema AX = b supongamos que (A|b) ∼ (A′ |b′ ) si
1. El número de filas no nulas de A′ es igual al número de filas no nulas
de (A′ |b′ ). (El sistema tiene solución).
2. El número de filas no nulas de A′ es igual a m el número columnas de
A.
el sistema tiene solución única.
Ejemplo 45. Sea el sistema:


 x − y + z = 1

−x + y = 0

 x − y + 2z = 2

y − z = 1
La ecuación matricial asociada a este sistema es:
   
1 −1 1   1
 −1 x
 1 0 
 y  =  
 0 
 1 −1 2   2 
z
0 1 −1 | {z } 1
| {z } X | {z }
A b
76 CAPÍTULO 3. SISTEMAS DE ECUACIONES
ahora escalonamos la matriz aumentada del sistema:
   
1 −1 1 1 1 −1 1
1
 −1 1 0 0  F2 +F1  0
  0 1 1 
(A|b) =  1 −1 ∼ 
2 2  F3 −F1  0 0 1
1 
0 1 −1 1 0 1 −1 1
 
1 −1 1 1

F2 ↔F4  0 1 −1 1 
 = (A′ |b′ )
∼ 
F4 −F3  0 0 1 1 
0 0 0 0

Ası́ el sistema tiene solución única, para determinarla basta resolver el


sistema asociado a (A′ |b′ ) ó seguir escalonando hasta conseguir la matriz
escalona reducida.

Forma 1: El sistema asociado a (A′ |b′ ) es:



 x − y + z = 1
y − z = 1

z = 1

entonces z = 1, y = 2 y x = 1 + y − z = 1 + 2 − 1 = 2 luego la solución


única del sistema es:  
2
X=  2 
1

Forma 2: Continuemos el proceso de escalonamiento:

   
1 −1 1 1 1 0 0
2
 0 1 −1 1  F1 +F2  0 1 0 2 
(A|b) ∼ 
 0
 ∼  
0 1 1  F2 +F3  0 0 1
1 
0 0 0 0 0 0 0 0

ası́ la solución es    
x 2
 y = 2 
z 1

Ejemplo 46. Resolver el sistema



 3x − y + z = 1
x + y − 2z = 2

2x − z = 5
3.6. SISTEMAS CONSISTENTES 77

Solución.- Consideremos la matriz aumentada del sistema y escalonamos:


     
3 −1 1 1 1 −1 2 −4 1 −1 2 −4
F −F F −F
 1 1 −2 2  1∼ 3  1 1 −2 2  2∼ 1  0 2 −4 6 
F 3 −2F1
2 0 −1 5 2 0 −1 5 0 2 −5 13
   
1 −1 2 −4 1 0 0 −1
F3 −F2 F +F
∼  0 1 −2 3  1∼ 2  0 1 0 −11 
1/2F2 F 2 −2F3
0 0 −1 7 0 0 −1 7
| {z }
∃! solución

Ası́ la solución única del sistema es


   
x −1
 y  =  −11 
z 7

3.6.2. Infinitas soluciones


Dado el sistema AX = b supongamos que (A|b) ∼ (A′ |b′ ) si

1. El número de filas no nulas de A′ es igual al número de filas no nulas


de (A′ |b′ ). (El sistema tiene solución).

2. El número de filas no nulas de A′ es diferente al número de pivotes de


A′ .

el sistema tiene infinitas soluciones, además hay un parámetro por cada


columna de A′ que no tiene pivote.

Ejemplo 47. Sea el sistema:



x − y + z − w = 1
2x + y + 5z + w = −1

La ecuación matricial asociada a este sistema es:


 
  x  
1 −1 1 −1   y =
 1
2 1 5 1  z  −1
| {z } w | {z }
A | {z } b
X

ahora escalonamos la matriz aumentada del sistema:


   
1 −1 1 −1 1 F2 −2F1 1 −1 1 −1 1
(A|b) = ∼ = (A′ |b′ )
2 1 5 1 −1 (1/3)F2 0 1 1 1 −1
78 CAPÍTULO 3. SISTEMAS DE ECUACIONES
las columnas tres y cuatro de A′ no contienen pivotes, las variables z, w
asociadas a estas columnas son las que se deben parametrizar para resolver
el sistema. 
x − y + z − w = 1
y + z + w = −1
despejando tenemos que:

y = −1 − z − w, z = 1+y−z+w

y parametrizando z = t y w = r tenemos que




 x = −2t

y = −1 − t − r

 z = t

w = r
ó de manera equivalente
     
−1 −1 −1
 + t  −2  + r  0  ,
 0     
X=  0   1   0  ∀t, r ∈ R
0 0 1
por ejemplo algunas soluciones del sistema son:
       
−1 −1 −1 0
 0   −2   0   0 
X1 =   0  + 0  1  + (−1)  0
    =
  0 

0 0 1 −1
       
−1 −1 −1 −2
 0   −2   0   4 
X2 =   0  + (−2)  1  + 3  0
    = 
  −2 
0 0 1 3
Ejemplo 48. Sea la matriz
 
1 −1 1 1
A =  0 −1 1 2 
2 −1 1 0
Resuelva el sistema AX = 0.

Solución.- El sistema homogéneo es:


 
  x   
1 −1 1 1  y  0  x − y + z + w = 0
 0 −1 1 2 · 0 ≡ − y + z + 2w = 0
 z =
 

2 −1 1 0 0 2x − y + z = 0
w
3.6. SISTEMAS CONSISTENTES 79

Para resolver el sistema consideremos:


   
1 −1 1 1 1 −1 1 1
 0 −1 1 2  F3 −2F ∼ 1  0 −1 1 2 
2 −1 1 0 0 1 −1 −2
   
1 −1 1 1 1 0 0 −1
F3 +F2 F −F
∼  0 −1 1 2  1∼ 2  0 −1 1 2 
0 0 0 0 0 0 0 0
El sistema tiene infinitas soluciones, parametrizamos z = t, w = r, luego

x − w = 0
, x = r, y = t + 2r
− y + z + 2w = 0
ası́ las soluciones son:
     
x 0 1
 y   1   2 
 z =t
   +r
 1 
 ,
 0  t, r ∈ R
w 0 1
Ejemplo 49. Resolver el sistema

 x − y + z − w + u = −1
2x + z − 2w = 3

x + y − w − u = 4
Solución.- Consideremos:
   
1 −1 1 −1 1 −1 1 −1 1 −1 1 −1
F −F
 2 0 1 −2 0 3  3∼ 1  0 2 −1 0 −2 5 
F2 −2F1
1 1 0 −1 −1 4 0 2 −1 0 −2 5
 
1 −1 1 −1 1 −1
F3 −F2
∼  0 2 −1 0 −2 5 
0 0 0 0 0 0

Hacemos z = t, w = r, u = s entonces y = 5/2 + z/2 + u, x = −1 + y − z +


w − u luego
5 t 3 t
y= + + s, x= − + r, entonces
2 2 2 2

         
x 3/2 −1/2 1 0

 y  
  5/2 


 1/2 


 0 


 1 


 z =
  0 +t


 1 +r


 0  + s
  0 ,
 t, r, s ∈ R
 w   0   0   1   0 
u 0 0 0 1
80 CAPÍTULO 3. SISTEMAS DE ECUACIONES
Ejemplo 50. Resuelva el sistema AX = b donde:
  

0 −1 2 1 1 0 −1
 0 1 1 1 −1 0   0 
A=  y b= 
 0 0 0 −1 1 0   −1 
0 −1 −1 0 0 0 1

Solución.- Consideremos la matriz aumentada del sistema:


   
0 −1 2 1 1 0 −1 0 −1 2 1 1 0 −1
 0
 1 1 1 −1 0 0  F2 +F1  0
 ∼  0 3 2 0 0 −1 
 0 0 0 −1 1 0 −1  F4 −F1  0 0 0 −1 1 0 −1 
0 −1 −1 0 0 0 1 0 0 −3 −1 −1 0 2
 
0 −1 2 1 1 0 −1
F4 +F2  0 0 3 2 0 0 −1 
∼  
 0 0 0 −1 1 0 −1 
0 0 0 1 −1 0 1
 
0 −1 2 1 1 0 −1
F4 +F3  0 0 3 2 0 0 −1 
∼  
(−1)F3  0 0 0 1 −1 0 1 
0 0 0 0 0 0 0

Ası́ el sistema tiene infinitas soluciones:



 −x2 + 2x3 + x4 + x5 = −1
3x3 + 2x4 = −1

x4 − x5 = 1

ponemos x1 = t, x5 = r, x6 = s entonces x4 = 1 + x5 , x3 = (−1/3) −


(2/3)x4 , x2 = 1 + 2x3 + x4 + x5 entonces las soluciones del sistema son:
2 2
x1 = t, x2 = r, x3 = −1 − r, x4 = 1 + r, x5 = r, x6 = s ó
3 3
         
x1 0 1 0 0

 x2   0   0 
    
 2/3 
 

 0 

  −1   0 
x3  +   t +  −2/3  r +  0
    
 =  s, ∀r, t, s ∈ R

 x4   1   0 
    
 1 
 

 0 

 x5   0   0   1   0 
x6 0 0 0 1
Ejemplo 51. Dado el sistema

 ax + y + z = 2a − 1
x + ay + z = a

ax + y + az = −3a + 3
3.7. PROBLEMAS DE APLICACIÓN 81
La ecuación matricial asociada a este sistema es:
    
a 1 1 x 2a − 1
 1 a 1  y  =  a 
1 1 a z −3a + 3

Vamos a formar la matriz aumentada del sistema y a escalonar:

   
a 1 1 2a − 1 1 1 a −3a + 3
F ↔F
(A|b) ∼  1 a 1 a  1 ∼ 3  1 a 1 a 
1 1 a −3a + 3 a 1 1 2a − 1
 
1 1 a −3a + 3
F2 −F1
∼  0 a − 1 1 − a 4a − 3 
a 1 1 2a − 1
 
1 1 a −3a + 3
F3 −aF1
∼  0 a − 1 1 − a 4a − 3 
0 1−a 1−a 2 2
3a − a − 1
 
1 1 a −3a + 3
F3 +F2
∼  0 a−1 1 − a 4a − 3 
0 2
0 −a − a + 2 2
3a + 3a − 4

Analicemos primero: Si a = 1 entonces el sistema


 
1 1 1
0
 0 0 0 1 

0 0 0 2

no tiene solución. Supongamos que a 6= 1 y como −a2 − a + 2 = 0 si a = −2


entonces  
1 1 −2 9
 0 −3 3 −15 
0 0 0 2
tampoco tiene solución. Si a 6= 1, −2 entonces el sistema tiene solución
única.

3.7. Problemas de aplicación


Ejemplo 52. Un espı́a sabe que en cierto aeropuerto secreto hay estaciona-
dos 60 aviones, entre cazas y bombarderos. El espı́a desea determinar cuántos
de los 60 aviones son cazas y cuántos son bombarderos. Hay un tipo de co-
hete que es transportado por ambas clases de aviones; el caza porta seis de
éstos cohetes y el bombardero solo dos. El agente sabe que con 280 cohetes
quedan pertrechados por completo todos los aviones que se hallan en el aerop-
uerto. Además, se entera de que en esa base el número de aviones caza es
82 CAPÍTULO 3. SISTEMAS DE ECUACIONES
el doble del número de bombarderos. Calcule el número de aviones caza y
bombarderos que hay en el aeropuerto.
Solución 1. Sea C en número de cazas y B el de bombarderos, entonces
tenemos es sistema: 
 C + B = 60
6C + 2B = 280

C − 2B = 0
resolviendo tenemos que C = 40 y B = 20
Ejemplo 53. Un industrial de la mueblerı́a fabrica sillas, mesas para café y
mesas para comedor. Se necesitan 10 minutos para lijar una silla, 6 para
pintarla y 12 para barnizarla. Se necesitan 12 minutos para lijar una mesa
para café, 8 para pintarla y 12 para barnizarla. Se necesitan15 minutos para
lijar una mesa de comedor, 12 para pintarla y 18 para barnizarla. La mesa
de lijado esta disponible 16 horas a la semana, la mesa de pintura 11 horas
a la semana y la mesa de barnizado 18 horas. ¿Cuántas unidades de cada
mueble deben fabricarse por semana de modo que las mesas de trabajo se
ocupen todo el tiempo disponible?
Solución 2. Sea x en número de sillas, y el número de mesas para café y z el
número de mesas para comedor, entonces si pensamos en minutos podemos
formar el sistema:

 10x + 12y + 15z = 960
6x + 8y + 12z = 660

12x + 12y + 18z = 1080
Podemos resolver este sistema utilizando MatLab del siguiente modo:
1. Escribimos A = [10 12 15; 6 8 12; 12 12 18] y presionamos
ENTER.
2. Luego escribimos b = [960; 660; 1080] y presionamos ENTER.
3. Finalmente escribimos: A \ b. (ó de manera equivalente inv(A) ∗ b)
ası́ tenemos que:    
x 30
 y  =  30 
z 20

3.8. Ejercicios
1. Resolver los siguientes sistemas de ecuaciones lineales:
 
 x − 2y + 3z = 2  3x − 2y + 3z = 0
2x − z = 1 2x − y − z = 1
 
x + y − 2z = −3 −3x + y + 2z = 0
3.8. EJERCICIOS 83

2. Resolver el sistema homogéneo asociado a la cada una de las siguientes


matrices:
   
−1 1 0 −1 0 1 1 0
A= 2 0 0 −4  , B =  2 4 −8 −4 
3 −9 0 1 2 2 −10 −4

3. Analizar el siguiente sistema:




 x − y = 1

ky + z = 0

 2x − kz = −1

x + y + z = −1

4. El los siguientes sistema de ecuaciones determinar las condiciones para


las cuales los siguientes sistemas tienen solución única, infinitas solu-
ciones ó no tienen soluciones.
 
 ax + y + z = 2a − 1  x + y − z = 2
x + ay + z = a , x + 2y + z = 3
 
x + y + az = a3 − 3a + 3 x + y + (a2 − 5)z = a
 
 x + y + z = 2  x + y = 3
x + 2y + z = 3 , x + (a2 − 15)y = a−1
 
x + y + (a2 − 8)z = a+5 x + y + (a2 − 5)z = a

 x + y + z = 2
2x + 3y + 2z = 5

2x + 3y + (a2 + 1)z = 4a + 1

5. Determinar el conjunto de soluciones de los siguientes sistemas


 
  x
 x       
0 1 0 1  y  1 1 0 0 0 1  y 
 1
 0 −1 0 −4  z = 1 ,
     2 0 0 0 4  z = 0 
 
0 −9 −3 −12 1 0 0 1 0 1  w  1
w
u

6. Dado el sistema

 2x − y + 3z = a
3x + y − 5z = b

− 5x − 5y + 21z = c

muestre que es inconsistente si c 6= 2a − 3b.


84 CAPÍTULO 3. SISTEMAS DE ECUACIONES
7. Dado el sistema

 2x + 3y − z = a
x − y + 3z = b

3x + 7y − 5z = c

Determinar las condiciones de modo que el sistema sea consistente.

8. Dado el sistema

 2x + 3y + 5z = 0
− x − 7y − z = 0

4x − 11y + kz = 0

¿Para qué valores de k el sistema tiene soluciones no triviales?

9. Considere la ecuación diferencial

y ′′ (x) + a(x)y ′ (x) + b(x)y(x) = 0 (3.5)

donde a(x), b(x) son funciones continuas y la función incógnita y =


y(x) se supone que debe ser dos veces diferenciable. Si y1 , y2 son solu-
ciones de (3.5) demuestre que c1 y1 + c2 y2 es también una solución,
donde c1 , c2 son constantes arbitrarias

10. Dado el sistema


AX = b (3.6)
suponga que Xh es una solución del sistema homogéneo AX = 0 y que
Xp es una solución de (3.6) demuestre que Xh + Xp es una solución de
(3.6). Es más muestre que toda solución de (3.6) es de esta forma.

11. Dado el sistema



 x − y + z = 1
2x + y + 2z = 2

x + 2y + z = 1

Sabiendo que una de sus soluciones es: (1, 0, 0). (Use el ejercicio ante-
rior).

12. La ecuación vectorial de una recta L el Rn es

X = P0 + tV, t∈R (3.7)

donde P0 ∈ L y V es un vector direccional de la recta.

a) Escriba la ecuación de la recta L1 si P0 = (1, 2), V = (−1, 1).


b) Determine si el vector (−1, 3) ∈ L1 .
3.8. EJERCICIOS 85

c) Dada L2 : X = (2, −1) + r(3, −2) determine L1 ∩ L2 .


d) Haga un gráfico que ilustre L1 , L2 y L1 ∩ L2 .

13. Determine los coeficientes a, b, c y d de la función polinomial

p(x) = ax3 + bx2 + cx + d

tal que pase por los puntos P1 = (0, 10), P2 = (1, 7), P3 = (3, −11) y
P4 = (4, −14).

14. Determine los coeficientes a, b y c de la ecuación del cı́rculo

x2 + y 2 + ax + by + c = 0

que pasa por los puntos P1 = (−2, 7), P2 = (−4, 5) y P3 = (4, −3).

15. Analizar el siguiente sistema de ecuaciones lineales:



 ax + y + z = a
x + ay + z = a

x + y + az = a

16. Se dice que A ∈ M3 (R) es una matriz mágica si al sumar los elementos
de cada fila, cada columna y de las diagonales principal y secundaria se
obtiene siempre el mismo valor. Determinar todas matrices simétricas.

17. La compañı́a Sansanito produce libros y lápices. Un trabajador, en


promedio, necesita 10 minutos para producir un lápiz mientras que
necesita 20 minutos para producir un libro. La producción de un lápiz
cuesta $20 pesos y la de un libro cuesta $500 pesos. La compañı́a
Sansanito tiene para su producción diaria unos $1500 pesos. Suponien-
do que el trabajador trabaja 8 horas diarias y gasta todo el presupuesto
diario, ¿Cuántos productos de cada clase se producen ?

18. Un turista que fue a Europa gastó $30 por hospedaje en Inglaterra,
$20 al dı́a en Francia y $20 al dı́a en España. En cuanto a alimentos,
el turista gastó $20 diarios en Inglaterra, $30 diarios en Francia y $20
diarios en España. Además, por conceptos varios el turista gastó $10
diarios en cada uno de los paı́ses mencionados. A su regreso, el registro
de gastos del viajero indicaba un total de $340 por hospedaje, $320
por alimentos y $140 por gastos varios. Calcule el número de dı́as que
el viajero estuvo en cada uno de los tres paı́ses.

19. Un Departamento Gubernamental de Pesca proporciona tres tipos de


alimento a un lago en el que habitan peces de tres especies. Cada
pez de la especie 1 consume, por semana, un promedio de 1 unidad
del alimento 1, 1 unidad del alimento 2 y 2 unidades del alimento
86 CAPÍTULO 3. SISTEMAS DE ECUACIONES
3. Cada pez de la especie 2 consume, por semana, un promedio de 3
unidades del alimento 1, 4 unidades del alimento 2 y 5 unidades del
alimento 3. El consumo semanal promedio por ejemplar de la especie 3
es de 2 unidades del alimento 1, 1 unidad del alimento 2 y 5 unidades
del alimento 3. Cada semana se vierten en el lago 250000 unidades
del alimento 1, 20000 unidades del alimento 2 y 55000 unidades del
alimento 3. Si se supone que toda esta comida se consume, ¿cuántos
ejemplares de cada especie pueden coexistir en el lago?

20. En el problema anterior suponga que hay 15000 unidades del primer
alimento, 10000 unidades del segundo y 35000 unidades del tercero
de los alimentos vertidos en el lago cada semana. Suponiendo que se
consume la totalidad de los tres alimentos, ¿Qué poblaciones de las
tres especies pueden coexistir en el lago?

21. Una inversionista le comenta a un corredor de bolsa que todas sus


acciones están en tres compañı́as: Eastern Airlines, Hilton Hotels y
McDonald’s. Que dos dı́as antes el valor de sus acciones disminuyo
$350, pero que ayer el valor aumentó en $600. El agente recuerda que
dos dı́as antes el precio de las acciones de Eastern Airlines cayó en
$1 por acción, el de los Hilton Hotels disminuyó en $1,50, pero que
el precio de las acciones de McDonald’s aumentó en $0,50. El agente
recuerda además que ayer que el precio de las acciones de Eastern
Airlines aumentó en $1,50, hubo una caı́da adicional de $0,50 por
acción de los Hilton Hotels y las de McDonald’s aumentaron en $1.
Muestre que el corredor de bolsa no tiene la información suficiente
para calcular el número de acciones que la inversionista tiene en cada
compañı́a, pero que si ella le dice al agente que tiene 200 acciones de
McDonald’s, entonces éste podrá calcular el número de acciones de
Eastern Airlines y de los Hilton Hotels.

22. Un espı́a sabe que en cierto aeropuerto secreto hay estacionados 60


aviones, entre cazas y bombarderos. El espı́a desea determinar cuántos
de los 60 aviones son cazas y cuántos son bombarderos. Hay un tipo de
cohete que es transportado por ambas clases de aviones; el caza porta
seis de éstos cohetes y el bombardero solo dos. El agente sabe que
con 250 cohetes quedan pertrechados por completo todos los aviones
que se hallan en el aeropuerto. Además, se entera de que en esa base el
número de aviones caza es el doble del número de bombarderos. Calcule
el número de aviones caza y bombarderos que hay en el aeropuerto.

23. Un granjero le da a su ganado una mezcla de dos tipos de alimento. Una


unidad estándar del alimento tipo A le proporciona a un novillo el 10 %
de su requerimiento mı́nimo de proteı́nas y el 15 % de su requerimiento
de carbohidratos. El alimento tipo B contiene el 12 % del requerimiento
3.8. EJERCICIOS 87

de proteı́na y el 8 % del de carbohidratos en una unidad estándar. Si


el granjero desea que su ganado tenga el 100 % de su requerimiento
mı́nimo diario de proteı́nas y carbohidratos, ¿cuántas unidades de cada
tipo de alimento deberá proporcionar a cada novillo por dı́a?

24. Un industrial de la mueblerı́a fabrica sillas, mesas para café y mesas


para comedor. Se necesitan 10 minutos para lijar una silla, 6 para
pintarla y 12 para barnizarla. Se necesitan 12 minutos para lijar una
mesa para café, 8 para pintarla y 12 para barnizarla. Se necesitan 15
minutos para lijar una mesa de comedor, 12 para pintarla y 18 para
barnizarla. La mesa de lijado esta disponible 16 horas a la semana,
la mesa de pintura 11 horas a la semana y la mesa de barnizado 18
horas. ¿Cuántas unidades de cada mueble deben fabricarse por semana
de modo que las mesas de trabajo se ocupen todo el tiempo disponible?

25. Un editor publica un posible éxito de librerı́a en tres presentaciones


distintas: libro de bolsillo, club de lectores y edición de lujo. Cada libro
de bolsillo necesita 1 minuto para el cosido y 2 para el pegado. Cada
libro para el club de lectores necesita 2 minutos para el cosido y 4
para el pegado. Cada libro en edición de lujo necesita 3 minutos para
el cosido y 5 para el pegado. Si la planta de cosido esta disponible 6
horas diarias y la planta de pegado 11 horas, ¿cuántos libros de cada
presentación se pueden producir por dı́a de modo que las plantas se
aprovechen a toda su capacidad?

26. Una refinerı́a produce gasolina con y sin azufre. Cada tonelada de
gasolina sin azufre requiere de 5 minutos en la planta de mezclado y 4
en la planta de refinación. Por su parte, cada tonelada de gasolina con
azufre requiere 4 minutos en la planta de mezclado y 2 en la planta
de refinación. Si la planta de mezclado tiene 3 horas disponibles y la
de refinación 2, ¿cuántas toneladas de cada gasolina se deben producir
para que las plantas se utilicen al máximo?

27. Un industrial produce dos tipos de plástico: regular y especial. Cada


tonelada de plástico regular necesita 2 horas en la planta A y 5 en
la planta B; cada tonelada de plástico especial necesita 2 horas en la
planta A y 3 en la planta B. Si la planta A tiene disponibles 8 horas
al dı́a y la planta B 15, ¿cuántas toneladas de cada tipo de plástico
pueden fabricarse diariamente de modo que las plantas operen a toda
su capacidad?

28. Un nutricionista está preparando una dieta que consta de los ali-
mentos A, B y C. Cada onza del alimento A contiene 2 unidades de
proteı́na, 3 unidades de grasa y 4 unidades de carbohidratos. Cada
onza del alimento B contiene 3 unidades de proteı́na, 2 unidades de
88 CAPÍTULO 3. SISTEMAS DE ECUACIONES
grasa y 1 unidad de carbohidratos. Cada onza del alimento C con-
tiene 3 unidades de proteı́na, 3 unidades de grasa y 2 unidades de
carbohidratos. Si la dieta debe proporcionar exactamente 25 unidades
de proteı́na, 24 unidades de grasa y 21 unidades de carbohidratos,
¿cuántas onzas de cada comida se necesitan?
Parte II

Algebra Lineal

89
Capı́tulo 4

Espacios Vectoriales

4.1. Introducción

Vamos a estudiar la estructura de Espacio Vectorial, la cual es en esencia,


una generalización del espacio Rn , es por esta razón que este será nuestro
principal modelo de espacio vectorial, en realidad los espacio vectoriales que
nos interesan son los de dimensión finita, los cuales son, en esencia, idénticos
a Rn .

4.2. Definición y ejemplos.

Un campo F es un conjunto en el cual se definen dos operaciones, suma y


producto las cuales cumplen todos los axiomas de los números reales. En
nuestro caso F siempre será R ó C.

Definición 44. Un Espacio Vectorial es un conjunto V y un campo F en


el cual están definidas dos operaciones +, · (Suma y producto). Los
elementos de V se denominan vectores y los elementos de F escalares, la
primera operación se denomina Suma de Vectores y la segunda producto por
un escalar, estas cumplen las siguientes propiedades: Sean u, v, w ∈ V y
α, β ∈ F entonces

91
92 CAPÍTULO 4. ESPACIOS VECTORIALES
S1. Clausura P1. Clausura

u+v ∈V α·u∈V

S2. Asociatividad P2. Asociatividad

u + (v + w) = (u + v) + w (α · β) · v = α · (β · v) = α · (β · v)

S3. Conmutatividad

u+v =v+u

S4. Neutro aditivo P3. Neutro multiplicativo

∃e ∈ V : v + e = v 1·v =v

S5. Inverso aditivo

∃ v′ ∈ V : v + v′ = 0

D. Distributividad

α · (u + v) = α · u + α · u

(α + β) · u = α · u + β · u

Es importante notar que un e.v. es un conjunto V y campo F, junto a dos


operaciones, es decir al conjunto V se le puede asociar otro campo F1 y otras
operaciones, no existe una sola forma de hacer a V un espacio vectorial.

Si V es un espacio vectorial sobre el campo F con las operaciones +, · es-


cribiremos (VF , +, ·) si las operaciones se asumen conocidas escribiremos VF .
Las operaciones de espacio vectorial tienen una interpretación geométrica:

Teorema 45. Dado un espacio vectorial VF :

1. El neutro aditivo es único.

2. El inverso aditivo es único.


4.2. DEFINICIÓN Y EJEMPLOS. 93

Ejemplo 54. Dado n ∈ N el conjunto

Rn = {(a1 , a2 , ..., an ) : a1 , a2 , ..., an ∈ R}

se denomina Espacio vectorial Euclidiano n dimensional. Este es efectiva-


mente un espacio vectorial sobre el campo R, con las operaciones:

u + v =(u1 , u2 , ..., un ) + (v1 , v2 , ..., vn ) = (u1 + v1 , u2 + v2 , ..., un + vn )


α · v =α(v1 , v2 , ..., vn ) = (αv1 , αv2 , ..., αvn )

El elemento Neutro aditivo es el vector nulo 0 = (0, 0, ..., 0). Dado v =


(v1 , v2 , ..., vn ) ∈ Rn el inverso aditivo de v es el vector−v = (−v1 , −v2 , ..., −vn ).
Notemos que si n = 1 entonces Rn = R, es decir R es un espacio vectorial
sobre si mismo. En los casos de n = 2, 3, se denomina plano euclidiano y
espacio euclidiano tridimensional, respectivamente.

Ejemplo 55. El conjunto (Mn×m (F), +, ·) donde el producto es el producto


por un escalar, es también un e.v. el elemento neutro aditivo es la matriz
nula y dada A ∈ Mn×m (F) el inverso aditivo es la matriz −A dada por

[−A]ij = −[A]ij .

Ejemplo 56. Sea X un conjunto no vacı́o y sea F un campo, definimos el


conjunto:
F(X; F) = {f : es un función de X en F }
Definimos las operaciones de suma y producto por un escalar:
1. Si f, g ∈ F(X; F) la suma defunciones f + g definida por:

(f + g)(x) = f (x) + g(x), ∀x ∈ F

entonces f + g ∈ F(X; F).

2. Si α y f ∈ F(X; F) entonces definimos el producto α · f por:

(α · f )(x) = α · f (x), ∀x ∈ F

entonces α · f ∈ F(X; F).


94 CAPÍTULO 4. ESPACIOS VECTORIALES
Ası́ F(X; F) con estas operaciones es un e.v. sobre el campo F. el elemento
Neutro aditivo en F(X; F) es la función constante igual a 0 y dado f ∈
F(X; F) el neutro aditivo es −f .
Si F = R escribiremos:
F(X; F) = F(X)

Existen muchos otros ejemplos de espacios vectoriales, veremos más ejemplos


más adelante.

4.3. Propiedades de los espacio vectoriales


Para poder trabajar con los e.v. con más comodidad veamos el siguiente:

Teorema 46. Sea VF un espacio vectorial y u, v, w ∈ V , α, β ∈ F entonces

1. u + w = v + w ⇔ u = v.

2. Si 0 ∈ F entonces 0 · u = 0 ∈ V . Del mismo modo si 0 ∈ V entonces


α · 0 = 0.

3. Si α · v = 0 si y solo si α = 0 ó v = 0.

4. (−1) · v = −v.

Demostración. 1. Supongamos que u + w = v + w entonces

u = u + 0 =u + (w + (−w))
=(u + w) + (−w)
=(v + w) + (−w)
=v + (w + (−w))
=v + 0 = v.

por lo tanto u = v, el recı́proco es evidente.

2. 0 · u = (0 + 0) · u = 0 · u + 0 · u si 0V = 0 como 0 + (0 · u) = 0 · u entonces

0+0·u= 0·u= 0·u+0·u

por el item anterior 0 · u = 0.

3. Supongamos que α 6= 0 entonces existe α−1 luego si α · v = 0 tenemos


que:
α−1 · (α · v) = α−1 · 0 = 0
por lo tanto v = 0.
4.3. PROPIEDADES DE LOS ESPACIO VECTORIALES 95

4.
v + (−1) · v = 1 · v + (−1) · v = (1 + (−1)) · v = 0 · v = 0.

Observación 9. De la primera parte del T.46 se tiene que si


w+u=w+0
entonces u = 0.
De aquı́ en adelante escribiremos u + (−v) = u − v y α · v = αv.

Diremos que dos vectores v, u ∈ V son paralelos si uno es múltiplo escalar


del otro. Es decir si existe α ∈ F tal que u = αv.

Ejemplo 57. Los vectores (1, 2), (−2, −4) ∈ R2 son paralelos pues
(−2, −4) = −2 · (1, 2)
Ejemplo 58. Sean (2, 3, −1), (2, −1, 1) ∈ R3 , no son paralelos pues si existe
α ∈ R tal que (2, 3, −1) = α(2, −1, 1) esto ocurre si y solo si existe α ∈ R
tal que (2, 3, −1) = (2α, −α, α) luego

 2 = 2α
3 = −α

−1 = α
ası́ de la primera y segunda ecuación tenemos que α = 1 y α = −1, lo cual
es imposible. Luego los vectores (2, 3, −1), (2, −1, 1) no son paralelos.
Proposición 47. Supongamos que u, w ∈ VR son paralelos a v ∈ VR , en-
tonces si α ∈ R , u + αw es paralelo a v.
Demostración. Si u, w son vectores paralelos a v existen β1 , β2 ∈ R tales que
u = β1 v y w = β2 v entonces
u + αw =(β1 v) + α (β2 v)
=(β1 v) + (α β2 ) v
=(β1 + α β2 )v
por lo tanto existe β = β1 + α β2 ∈ R tal que u + αw = β v luego son
paralelos.

Observación 10. Sean u = (a, b) y v = (c, d) vectores en R2 , supongamos


que son vectores no nulos, son paralelos si y solo si existe α 6= 0 tal que
u = α v luego a = α c, b = α d si y solo si
ad = α cd, bc = α cd
luego u, v son paralelos si y solo si ad − bc = 0.
96 CAPÍTULO 4. ESPACIOS VECTORIALES

Ejemplo 59. Dados u = (1, −1) y v = (2, 3) como


 
1 2
det = 1 · 3 − 2 · (−1) = 5 6= 0
−1 3

entonces u y v no son paralelos.

4.4. Subespacios vectoriales


De aquı́ en adelante V denotará un espacio vectorial sobre el campo F, el
cual puede ser R ó C.

Consideremos W ⊆ V donde VF es un espacio vectorial, el conjunto W con


las operaciones de V hereda de forma natural las propiedades S2, S3, P 2, P 3, D
pues son propiedades generales respecto a los elementos de V .

Las otras propiedades, en general no se hereda, por ejemplo sea

S = {(1, b) : b ∈ R} ⊆ R2

s
(1,1)

es claro que 0 6∈ S, además (1, 1) ∈ S pero −(1, 1) = (−1, −1) 6∈ S.

Dado W ⊆ V nos interesa el caso en que W con el campo F y con las


operaciones de V , es un espacio vectorial dentro de V .

Definición 48. Sea VF un espacio vectorial, si W ⊆ V no vacı́o, tal que


W es un espacio vectorial, con las operaciones de V , se dice que W es un
Subespacio Vectorial de V sobre el campo F. En tal caso escribiremos

W ≤F V, o simplemente W ≤V
4.4. SUBESPACIOS VECTORIALES 97

Es decir un Subespacio Vectorial ó simplemente un subespacio de V , es un


subconjunto de V que visto con el campo F y con las operaciones del espacio
vectorial V es un espacio vectorial.
Como ya dijimos algunas de las propiedades de V las hereda cualquier
subconjunto de V , ası́ nos podemos concentrar solo en la verificación de
S1, S4, S5, P 1, en realidad esto es un poco más fácil.

Teorema 49. Sea W ⊆ V, W 6= ∅ es un subespacio de VF si y solo si:


Para todo v, u ∈ W y α, β ∈ F se tiene que

αu + βv ∈ W. (4.1)

Demostración. ⇒) Si W ≤ V y v, u ∈ W , α, β ∈ F se tiene, de manera


trivial, que αu + βv ∈ W , por S1, P 1.

⇐) Para probar S1 basta toma α = β = 1 en la ecuación (4.1). ası́ se tiene


que
αu + βv = 1 · u + 1 · v = u + v ∈ W
Tomando α = βv = 0 en (4.1) se tiene que

αu + βv = 0 · u + 0 · v = 0 ∈ W

Para probar S5, sea v ∈ V entonces como 0 ∈ V y tomando α = −1 ,


nuevamente por (4.1)se tiene que 0 + (−1)v = −v ∈ W .
Finamente haciendo u = 0 en (4.1) si v ∈ W y α ∈ F entonces α·v ∈ W
por lo tanto W ≤ V .

La demostración del siguiente resultado es inmediata.

Proposición 50. Si V es un espacio vectorial, entonces si 0 ∈ V

{0} ≤ V, V ≤V

Ası́ todo espacio vectorial V contiene, trivialmente, a dos subespacios vec-


toriales {0} y V . El subespacio vectorial {0} se denomina espacio nulo o
espacio trivial

Ejemplo 60. Sea V un e.v. sobre R, dado v0 ∈ V definamos

L = {α v0 : α ∈ R}

entonces

1. Si α = 0 entonces 0 · v0 = 0 ∈ L. Luego es no vacı́o.


98 CAPÍTULO 4. ESPACIOS VECTORIALES
2. Supongamos que u, v ∈ L y sea α, β ∈ R, entonces existen α1 , α2 ∈ R
tales que u = α1 v0 , v = α2 v0 luego

αu + β v = α (α1 v0 ) + β (α2 v0 ) = (α α1 + β α2 ) ·v0


| {z }
∈R

entonces por definición del conjunto W se tiene que α u + βv ∈ L, por


lo tanto L ≤ V .

Supongamos que V = Rn , entonces L es una recta, el vector v0 se denomina


vector direccional de L, como 0 ∈ L, se dice que la recta pasa por el origen
de coordenadas.

Observación 11. En general un recta en Rn es el conjunto

L = {α v0 + P0 : α ∈ R}

por ejemplo en R2 la recta

L = {α (1, 2) + (1, −2) : α ∈ R}


4.5. SUBESPACIO GENERADO 99

tiene a (1, 2) como vector direccional y pasa por el punto (1, −2), ¿es un
subespacio de R2 ? para ser un subespacio de R2 un condición necesaria es
(0, 0) ∈ L pero si esto fuese ası́, existirı́a α ∈ R tal que

(0, 0) = α(1, 2) + (1, −2) = (α + 1, α 2 − 2)

pero esto nos lleva a que −1 = α = 1 lo cual es imposible, luego (0, 0) 6∈ L,


es decir no es un subespacio de R2 .

En Rn todas las rectas que pasan por el origen son subespacios de Rn .


 a 0
Ejemplo 61. Definamos el conjunto W = b 0 : a, b ∈ R ⊆ M2 (R)
entonces

1. Poniendo a = b = 0 entonces 00 00 ∈ W . Luego W es no vacı́o.
 
2. Dadas ab11 00 , ab22 00 ∈ W y α β ∈ R entonces
  
α ab11 00 + β ab22 00 = αa1 +βa2 0
αb1 +βb2 0 ∈ W

por lo tanto W ≤ M2 (R).


Ejemplo 62. Sea A ∈ Mn×m (F) y consideremos el conjunto

N = {X ∈ Mm×1 (F) : AX = 0}

el conjunto de soluciones del sistema homogéneo AX = 0. Entonces


1. Como A · 0 = 0 entonces 0 ∈ N .

2. Supongamos que A · X1 = 0 y A · X2 = 0 y α ∈ F entonces

A(X1 + αX2 ) = A X1 + A (αX2 ) = 0 + α 0 = 0

luego X1 + αX2 ∈ N .
por lo tanto N ≤ Mm×1 (F).

4.5. Subespacio generado


Definición 51. Sean v1 , v2 , . . . , vn ∈ VF una Combinación Lineal de estos
elementos es un vector

α1 v1 + α2 v2 + · · · + αn vn

donde α1 , α2 , . . . , αn ∈ F.
Si S ⊆ V , no vacı́o, diremos que v ∈ V es una combinación lineal de los
elementos de S si: Existen v1 , v2 , . . . , vm ∈ S y escalares α1 , α2 , . . . , αm ∈ F
tales que
α1 v1 + α2 v2 + · · · + αn vm = v
100 CAPÍTULO 4. ESPACIOS VECTORIALES
En particular si S = {v1 , v2 , . . . , vm } ⊆ V , es decir es finito, diremos que
un vector v es combinación lineal de los elementos de S si: Existen escalares
α1 , α2 , . . . , αm ∈ F tales que

α1 v1 + α2 v2 + · · · + αn vm = v

Definición 52. Sea S ⊆ V , no vacı́o, el conjunto

hSi = {v : v es combinacion lineal de los elementos de S}


se denomina Espacio Generado por S.
En particular si S es finito, S = {v1 , v2 , ..., vn } ⊆ V entonces el subespacio
generado por S es

hSi = {α1 v1 + α2 v2 + · · · + αn vn : α1 , α2 , ..., αn ∈ F}

El espacio generado o que genera un conjunto S ⊆ VF es efectivamente un


subespacio vectorial de VF .
Teorema 53. Sea S ⊆ VF no vacı́o, entonces

hSi ≤F V
Demostración. Como S 6= ∅ entonces sea v ∈ S, una combinacion lineal
formada por v es: 1 · v = v ∈ hSi luego hSh6= ∅.
Sean u, v ∈ hSh, entonces existen u1 , u2 , ..., uk , v1 , v2 , ..., vm , S y escalares
α1 , α2 , ..., αk , β1 , β2 , ..., βm ∈ F tales que

u = α1 u1 + α2 u2 + · · · + αk uk
v = β1 v1 + β2 v2 + · · · + βm vm

entonces si α, β ∈ F
α u + β v = α(α1 u1 + α2 u2 + · · · + αk uk ) + β(β1 v1 + β2 v2 + · · · + βm vm )
= (α α1 )u1 + · · · + (α αk )uk ) + (β β1 )v1 + · · · + (β βm )βm vm ) ∈ hSi

pues u1 , u2 , ..., uk , v1 , v2 , ..., vm , S.


Por lo tanto hSi = 6 ∅.

0
4.5. SUBESPACIO GENERADO 101

Notemos que

Ejemplo 63. Del Ejemplo. 56 sabemos que F(X; F) es un espacio vectorial,


si F = R escribiremos F(X; F) = F(X) y si X = R entonces escribimos
F(X) = F.
Consideremos 1, x, x2 , ..., xn ∈ F, entonces por el T.53 el conjunto

Pn = {a0 + a1 x + a2 x2 + · · · + an xn : a0 , a1 , ..., an ∈ R} (4.2)

es un subespacio vectorial sobre F, pues

{a0 + a1 x + a2 x2 + · · · + an xn : a0 , a1 , ..., an ∈ R} = h{1, x, x2 , . . . , xn }i

este se denomina el espacio de los polinomios de grado menos o igual a n.

Observación 12. El conjunto de los polinomios de cualquier orden es tam-


bién un espacio vectorial, este lo denotamos por P∞ .

Ejemplo 64. Sea V = R2 , y consideremos

W = {α(1, −1) + β(−2, 2) : α, β ∈ R} ≤ R2

notemos que α(1, −1) + β(−2, 2) = (α − 2 β)(1, −1) entonces

W = {t (1, −1) : t ∈ R}, pues

α − 2 β = t siempre tiene solución.

Ejemplo 65. Sea el subespacio

W = {α(2, −1) + β(−2, −1) : α, β ∈ R} ≤ R2

Dado (a, b) ∈ R2 notemos que (a, b) ∈ W si y solo si existen α, β ∈ R tales


que
(a, b) = α(2, −1) + β(−2, −1)

si y solo si el siguiente sistema tiene solución


  
2α − 2β = a 2 −2
, como det = −4 6= 0
−α − β = b −1 −1

resulta que (a, b) ∈ W por lo tanto W = R2 .


102 CAPÍTULO 4. ESPACIOS VECTORIALES
Ejemplo 66. Sea el subespacio

W ′ = {α(2, −1) + β(2, 1) + γ (0, 2) : α, β, γ ∈ R} ≤ R2

entonces W ′ ⊆ R2 , sea (a, b) ∈ R2 notemos que (a, b) ∈ W ′ si y solo si el


siguiente sistema tiene solución

2α + 2β = a
−1 α + β + 2γ = b
se puede hacer verificar que:
   
2 2 0 a 1 3 2 a + b

−1 1 2 b 0 3 2 a + 2b

luego W ′ = R2 .

De estos ejemplos se desprenden algunas interrogantes:


1. ¿Para todo espacio vectorial V , existe S ⊆ V tal que hSi = V ?
2. En los casos en que esto sea verdad ¿Es número de vectores del con-
junto S, es finito?.
3. ¿Cuando sea finito, existe una menor cantidad?.
Para la primera interrogante podemos notar que V = hV i Aunque esta es la
peor forma de generarlo deja claro que todo espacio vectorial es el espacio
generado por algún conjunto. Además notemos que: el espacio vectorial P∞
No se puede generar a partir de un conjunto finito, pues dado un conjunto
finito de polinomios {p1 (x), p2 (x), ..., pm (x)} ⊆ P∞ siempre podemos encon-
trar un polinomio p(x) de grado más alto que el grado de los polinomios
pi (x), i = 1, 2, ..., m luego no existen a1 , a2 , ..., am ∈ R tales que

a1 p1 (x) + a2 p2 (x) + ... + am pm (x) = p(x)

Por lo tanto no todo espacio vectorial se puede generar a partir de un con-


junto finito.

En realidad los espacios vectoriales que son de interés en el Algebra Lineal


son aquellos que tienen un conjunto finito de generadores y son nuestro
objeto de estudio. Bajo esta consideración la segunda y tercera interrogante
serán estudiadas en lo que va del capı́tulo.
 
Ejemplo 67. En el Ejemplo61 vimos que W = ab 00 : a, b ∈ R ≤ M2 (R)
notemos que
    
W = ab 00 : a, b ∈ R = a 10 00 + b 01 00 : a, b ∈ R

 1 0  1 0 
es decir W = 00 , 00
4.5. SUBESPACIO GENERADO 103

Proposición 54. Sean W, U ≤F V entonces W ∩ U ≤ V .


Demostración. Como W ∩ U ≤ V entonces 0 ∈ W ∧ 0 ∈ U luego 0 ∈ W ∩ U .
Ahora sean u, v ∈ W ∩ U y α ∈ F entonces u, v ∈ W, u, v ∈ U por el T.49
u + α v ∈ W y u + α v ∈ U luego

u+αv ∈ W ∩U

El subespacio hSi es el más pequeño tal que contiene a conjunto S, en el


siguiente sentido:
Teorema 55. Si V es un espacio vectorial y S ⊆ V entonces
\
{W : S ⊆ W ∧ W ≤ V } = hSi
T
Demostración. Sea {W : S ⊆ W ∧W ≤ V }, entonces es claro que S ⊆ hSi
ası́ \
hSi ⊆ {W : S ⊆ W ∧ W ≤ V }
por otro lado si S ⊆ W y W ≤ V entonces hSi ⊆ W por la clausura de la
suma de vectores y el producto por un escalar, entonces
\
{W : S ⊆ W ∧ W ≤ V } ⊆ hSi
T
por lo tanto {W : S ⊆ W ∧ W ≤ V } = hSi.

Como dijimos antes los e.v. que nos interesan son precisamente del tipo hSi.
Recordemos que:



{(2, −1), (−2, −1)} = {(2, −1), (2, 1) , (0, 2)} = R2
Supongamos que S = {(2, −1), (2, 1) , (0, 2)} y notemos que

a (2, −1) + b (2, 1) = (0, 2) donde a = −1, b = 1




entonces si v ∈ {(2, −1), (2, 1) , (0, 2)} ⇔ existen α, β, γ ∈ R tales que

v = α (2, −1) + β (2, 1) + γ (0, 2)


 
= α (2, −1) + β (2, 1) + γ a (2, −1) + b (2, 1)
= (α + a) (2, −1) + (β + b) (2, 1)
= (α − 1) (2, −1) + (β + 1) (2, 1)

es decir si S ′ = {(2, −1), (2, 1)} hemos probado que hSi ⊆ hS ′ i, además si
u ∈ hS ′ i ⇔ existen α, β ∈ R tales que

u = α (2, −1) + β (2, 1) = α (2, −1) + β (2, 1) + 0 · (0, 2) ∈ hSi


104 CAPÍTULO 4. ESPACIOS VECTORIALES
por lo tanto
hSi = hS ′ i

ası́ el elemento (0, 2) no es indispensable para que hSi = R2 , esto gracias a


que es combinación lineal de los otros elementos de S. Esto nos da la pauta
que debemos seguir.

Proposición 56. Sea S = {v1 , v2 , ..., vn } ⊆ VF

1. Si S ′ ⊆ S entonces hS ′ i ⊆ hSi.


2. Si v ∈ hS ′ i entonces hS ′ i = S ′ ∪ {v}

Demostración. 1. Supongamos, sin perdidas de generalidad, que S ′ =


{v1 , v2 , .., vn−1 } entonces si

v = α1 v1 + α2 v2 + ... + αn−1 vn−1 ∈ hS ′ i

se tiene que

v = α1 v1 + α2 v2 + ... + αn−1 vn−1 + 0 · vn ∈ hSi

por lo tanto hS ′ i ⊆ hSi. El caso general es evidente.

2. Supongamos que S ′ = {v1 , v2 , ..., vm } si v ∈ hS ′ i entonces existen


escalares a1 , a2 , ..., am ∈ F tales que

a1 v1 + a2 v2 + ... + am vm = v

por el la primera parte de esta proposición sabemos que




hS ′ i ⊆ S ′ ∪ {v}

entonces sea w ∈ S ′ ∪ {v}, por definición existen b1 , b2 , ..., bm , bm+1 ∈ F


tales que

w =b1 v1 + b2 v2 + ... + bm vm + bm+1 v


 
=b1 v1 + b2 v2 + ... + bm vm + bm+1 a1 v1 + a2 v2 + ... + am vm
= (b1 + bm+1 a1 ) v1 + (b2 + bm+1 a2 ) v2 + ... + (bm + bm+1 am ) vm
| {z } | {z } | {z }
α1 α2 αm
=α1 v1 + α2 v2 + ... + αm vm ∈ S ′

luego S ′ = S ′ ∪ {v}.
4.6. DEPENDENCIA E INDEPENDENCIA LINEAL 105

4.6. Dependencia e independencia lineal


Dado un conjunto finito S ⊆ VF diremos que es un conjunto de generadores
de V si
hSi = V
es decir S = {v1 , v2 , ..., vn } es un conjunto de generadores de V si para todo
v ∈ V existen α1 , α2 , ..., αn ∈ F tales que

α1 v1 + α2 v2 + ... + αn vn = v

Ejemplo 68. Los conjuntos

{(2, −1), (−2, −1), }, {(2, −1), (2, 1), (0, 2)}, {(1, 0), (0, 1)}

son conjuntos de de generadores de R2 .

Ejemplo 69. El conjunto S = {e1 , e2 , ..., en } ⊆ Rn donde

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

es un conjunto de generadores de Rn pues dado (a1 , a2 , ..., an ) ∈ Rn podemos


escribir
n
X
(a1 , a2 , ..., an ) = ai ei
i=1

Ejemplo 70. El espacio vectorial F no tiene un conjunto finito de gener-


adores, sin embargo Pn ⊆ F si esta generado por un conjunto finito, basta
considerar {1, x, x2 , ..., xn }.

Ejemplo 71. Sea S = {(1, −1, 2), (0, 1, 1), (−1, 2, −1), (−2, 3, −3), (0, 2, 2)} ⊆
R3 , entonces v ∈ hSi si y solo si existen escalares x1 , x2 , x3 , x4 , x5 tales que

           
v1 1 0 −1 −2 0
 v2  = x1  −1 +x2  1 +x3  2 +x4  3 +x5  2 
v3 2 1 −1 −3 2

es decir si y solo si el siguiente sistema tiene solución:



 x1 − x3 − 2x4 = v1
− x1 + x2 + 2x3 + 3x4 + 2x5 = v2

2x1 + x2 − x3 − 3x4 + 2x5 = v2

escalonando tenemos:
   
1 0 −1 −2 0 v1
1 0 −1 −2 0 v1
 −1 1 2 3 2 v2  ∼  0 1 1 1 2 v1 + v2 

2 1 −1 −3 2 v3 0 0 0 0 0 −3v1 − v2 + v3
106 CAPÍTULO 4. ESPACIOS VECTORIALES
este sistema tiene solución si y solamente si −3v1 − v2 + v3 = 0 es decir si
y solo si
     
v1 −1/3 1/3
 v2  = t  1  + r  0 , t, r ∈ R
v3 0 1


ası́ hSi = {(−1/3, 1, 0), (1/3, 0, 1)} .

Hemos encontrado un conjunto más simple que genera el mismo espacio que
S, aún queda por determinar si este conjunto es el más pequeño posible.
Notemos que en el camino hemos perdido información acerca de los elemen-
tos de S.

Definición 57. Dado VF un espacio vectorial, el conjunto S = {v1 , v2 , ..., vn } ⊆


V se denomina Linealmente Independientes (L.I.) si dado α1 , α2 , ..., αn ∈ F
tales que

α1 v1 + α2 v2 + · · · + αn vn = 0 ⇒ α1 = α2 = · · · = αn = 0.

Si S no es linealmente independiente diremos que es Linealmente Dependi-


ente (L.D.). Es decir S es L.D. si existen α1 , α2 , ..., αn ∈ F no todos iguales
a cero, tales que
α1 v1 + α2 v2 + · · · + αn vn = 0.

Ejemplo 72. Sea S = {(1, 2, −1), (2, 1, 1), (1, 2, 1)} ⊂ R3 vamos a deter-
minar si este conjunto es L.I.

Por definición S es L.I. si los únicos escalares α1 , α2 , α3 tales que

α1 (1, 2, −1) + α2 (2, 1, 1) + α3 (1, 2, 1) = 0

son todos iguales a cero. Es decir este conjunto es L.I. si el sistema



 α1 + 2α2 + α3 = 0
2α1 + α2 + 2α3 = 0

−α1 + α2 + α3 = 0

tiene como única solución la trivial. Para determinar esto basta notar que
     
1 2 1 1 2 1 1 2 1
 2 1 2  ∼  0 −3 0  ∼  0 1 0 
−1 1 1 0 3 2 0 0 1

luego el conjunto es L.I.


4.6. DEPENDENCIA E INDEPENDENCIA LINEAL 107

Ejemplo 73. Sea {1 − x, x2 , 2 − x, x − 2x2 } ⊂ P2 vamos a determinar si


este es un conjunto L.I. de P2 . Consideremos

α1 (1 − x) + α2 (x2 ) + α3 (2 − x) + α4 (x − 2x2 ) = 0

recordemos que dos polinomios son iguales si sus coeficientes del mismo
grado lo son, entonces como

α1 + 2α3 + (−α1 − α3 + α4 )x + (α2 − 2α4 )x2 = 0 · 1 + 0 · x + 0 · x2

tenemos que

 α1 + + 2α3 = 0
−α1 − α3 + α4 = 0

α2 − 2α4 = 0

para analizar este sistema de ecuaciones lineales, notemos que la matriz del
sistema es:
     
1 0 2 0 1 0 2 0 1 0 2 0
 −1 0 −1 1 ∼ 0 0 1 1  ∼  0 1 0 −2 
0 1 0 −2 0 1 0 −2 0 0 1 1

ası́ el sistema tiene infinidad de soluciones, luego el conjunto es L.D.

Observación 13. Notemos que si S = {v1 , ..., vn } es L.D. entonces existen


α1 , α2 , ..., αn ∈ F no todos iguales a cero, tales que

α1 v1 + α2 v2 + ... + αn−1 vn−1 + αn vn = 0.

supongamos que αn 6= 0 entonces


α  α  α   α 
1 2 1 n
vn = − v1 − v2 − ... − vn−1 − vn−1
αn αn αn αn−1

es decir, si S ′ = S − {vn } por definición vn ∈ hS ′ i entonces como S =


S ′ ∪ {vn } por la P.56 tenemos que hSi = hS ′ i.
Nuevamente podemos preguntarnos si S ′ es L.I. si no lo es, encontraremos
S ′′ ⊆ S ′ ⊆ S tal que hS ′′ i = hS ′ i = hSi, eventualmente podemos encontrar
B ⊆ S tal que B = hSi.

Resumiendo hemos probado:

Teorema 58. Si S ⊆ VF es un conjunto de generadores de V , entonces


existe B ⊆ S tal que hBi = V . Además ningún subconjunto propio de B
genera V (B es L.I.).
108 CAPÍTULO 4. ESPACIOS VECTORIALES
Demostración. En la Ob. 13 hemos probado que existe B ⊆ S L.I. que gen-
era V .

Supongamos que B = {v1 , v2 , ..., vm } y sea A B, sin pérdida de generalidad


podemos suponer que A = {v2 , v3 , ..., vm }.
Si hAi = V entonces v1 ∈ hAi, luego existen α2 , α3 , ..., αm ∈ F tales que

v1 = α2 v2 + α3 v3 + ... + αm vm

entonces
(−1) v1 + α2 v2 + α3 v3 + ... + αm vm = 0
luego B no es L.I. lo cual es una contradicción, con lo que queda demostrado
el teorema.

Ejemplo 74. Sean S = {(1, 2, −1), (1, 0, 1), (2, 1, −1), (1, 2, −1)} vamos a
determinar si es L.I o no. Supongamos que
         
1 1 2 1 0
α1  2  + α2  0  + α3  1  + α4  2  =  0  (4.3)
−1 1 −1 −1 0

el conjunto S será L.I. si los únicos escalares que hacen esto posible son
todos iguales a cero caso contrario el conjunto será L.D. notemos que (4.3)
es equivalente a un sistema de ecuaciones, que en su forma matricial es:
 
 α1 
 
1 1 2 1  α2  0
 2 0 1 2  =  0 
 α3 
−1 1 −1 −1 0
α4
es importante notar que las columnas de la matriz de coeficientes son los
vectores de S. Escalonando tenemos:
   
1 1 2 1 1 1 2 1
 2 0 1 2 ∼ 0 2 1 0 
−1 1 −1 −1 0 0 0 0
ası́ existen una infinidad de escalares α1 , α2 , α3 , α4 que satisfacen (4.3) no
todos iguales a cero, luego el conjunto es L.D.
Resolviendo el sistema podemos escribir: α3 = t, α4 = r luego α2 = −t/2, α1 =
−(3/2)t − r. Entonces

         
 3  1 1 2 1 0
t  
− t−r  2 −
 0 +t  1 +r
  2  =  0  (4.4)
2 2
−1 1 −1 −1 0
4.7. BASES Y DIMENSIÓN 109
Siguiendo los pasos de la Ob. 13 podemos decir que (1, 2, −1) es combinación
lineal de {(1, 2, −1), (1, 0, 1), (2, 1, −1)}, ¿Este conjunto el L.I.? igual que
antes podemos observar
   
1 1 2 1 1 2
 2 0 1 ∼ 0 2 1 
−1 1 −1 0 0 0
nuevamente el sistema tiene infinidad de soluciones, son L.D. entonces ha-
ciendo α3 = t tenemos que
       
1 1 2 0
3 t
− t  2 −  0 +t  1  = 0  (4.5)
2 2
−1 1 −1 0

entonces (2, 1, −1) es combinación lineal de {(1, 2, −1), (1, 0, 1)} por la Ob.
13, el conjunto {(1, 2, −1), (1, 0, 1)} es L.I. ? basta ver:
   
1 1 1 1
 2 0 ∼ 0 2 
−1 1 0 0
tiene solución única, luego son L.I. ası́




{(1, 2, −1), (1, 0, 1), (2, 1, −1), (1, 2, −1)} = {(1, 2, −1), (1, 0, 1)}

En resumen dado un subconjunto finito S ⊆ Rn , para determinar un sub-

conjunto S ′ de S que sea L.I. y hSi = hS ′ i basta escalonar la matriz cuyas


columnas son los vectores de S y S ′ son los vectores correspondientes a las
columnas en donde existen pivotes.

4.7. Bases y dimensión


Definición 59. Dado un espacio vectorial VF , un conjunto B ⊆ V se dice
que es un a base de V si
i) Genera V , es decir hBi = V .

ii) Es linealmente independiente.


Ejemplo 75. El conjunto {(1, 2, −1), (1, 0, 1)} ⊆ R2 es base de R2 .
Observación 14. Dado un sistema de ecuaciones AX = 0 donde A ∈
Mn×m (F) siempre tiene solución, supongamos que m > n, hay más columnas
que filas, si A ∼ A′ entonces si A′ es una matriz escalonada puede tener a
más n pivotes, luego hay columnas que no contiene pivotes, por lo tanto
AX = 0 tiene infinitas soluciones.
110 CAPÍTULO 4. ESPACIOS VECTORIALES
Proposición 60. Supongamos que S = {v1 , v2 , ..., vn } ⊆ V es un conjunto
de generadores de V , entonces dado {w1 , w2 , ..., wm } ⊆ V , con m > n, es
L.D.
Demostración. Supongamos que x1 w1 + x2 w2 + ... + xm wm = 0, queremos
demostrar que esta ecuación tiene alguna solución no trivial. Como hSi = V
entonces dado wj ∈ V existen escalares α1j , α2j , ..., αnj tales que

wj = α1j v1 + α2j v2 + ... + αnj vn , ∀ j = 1, 2, ..., m.


luego xj wj = xj α1j v1 + xj α2j v2 + ... + xj αnj vn ası́ se tiene que:

m
X m
X  m
X  m
X 
xj wj = xj α1j v1 + xj α2j v2 + .... + xj αnj vn = 0
j=1 j=1 j=1 j=1
Pm
esto es verdad, por ejemplo, si cada j=1 xj αij = 0 para cada i = 1, ..., n.
es decir si el sistema tiene solución:


 x1 α11 + x2 α12 + · · · + xm α1m = 0

 x1 α21 + x2 α22 + · · · + xm α2m = 0
.. .. .. .. . . . .. .. ..


 . . . . . .. . . .

x1 αn1 + x2 αn2 + · · · + xm αnm = 0
La matriz de coeficientes de este sistema tiene el número de filas n menor
que el número de columnas m, por la Ob. 14 este existen x1 , ..., xm ∈ F no
todos iguales a cero tales que satisfacen este sistema y por lo tanto tales que
x1 w1 + x2 w2 + ... + xm wm = 0, luego {w1 , w2 , ..., wm } es L.D.

Corolario 61. Supongamos que S = {v1 , v2 , ..., vn } ⊆ V es un conjunto de


generadores de V , si {w1 , w2 , ..., wm } ⊆ V es L.I. , entonces n ≥ m.
Teorema 62. Dado B ⊆ V base de V , cualquier otra base de V tiene la
misma cantidad de elementos de B.
Demostración. Supongamos que B tiene n elementos y sea B ′ ⊆ V una base
de V de m elementos, entonces
1. Como B genera V y B es L.I. entonces por el C.61 m ≤ n.
2. Como B ′ genera V y B es L.I. entonces por el C.61 n ≤ m.
por lo tanto n = m.

Definición 63. Diremos que un espacio vectorial es de dimensión finita, si


contiene un conjunto finito que es base de V .
Si n es número de elementos de una una base de V , entonces diremos que
V es un espacio de dimensión n y escribiremos
dim V = n.
4.7. BASES Y DIMENSIÓN 111
Enunciaremos algunas consideraciones importantes acerca de la base y la
dimensión de un espacio vectorial en el siguiente teorema:
Teorema 64. Sea VF un espacio vectorial de dimensión finita n. Entonces
1. Todo conjunto de generadores de V contiene una base de V .
2. Todo conjunto L.I. de V esta contenido en alguna base de V .
3. Si W ≤ V tiene dimensión finita menor o igual a n.
4. Si W ≤ V tiene dimensión n, entonces V = W .
5. Si S es subconjunto de V con n elementos. Es un conjunto de gener-
adores si y solo si es L.I.
Demostración. 1. Si S es un conjunto de generadores entonces por el T. 58
existe S ′ ⊆ S tal que hS ′ i = hSi, por la Ob. 13 S ′ es L.I. luego es una
base de V .
2. Sea S un conjunto L.I. con m elementos, como dim V = n entonces
contienen una base de n elementos, por el C. 61 n ≥ m.
Si hSi = V entonces S es una base de V , si no es ası́, existe v ∈
V − hSi entonces sea S ′ = {v} ∪ S este conjunto es L.I. pues si S =
{v1 , v2 , ..., vm } entonces si

α1 v1 + α2 v2 + · · · + αm vm + αv = 0

α = 0 pues v 6∈ hSi, luego como S es L.I. αi = 0, i = 1, 2, ..., m.


Si hS ′ i = V entonces es base de V , si no procedemos como antes hasta
encontrar un base. Esto siempre es posible pues cuando el número de
elementos de S ′′ sea n, si existe w ∈ V −hS ′ i entonces S ′′ ∪{w} será un
con junto L.I. de n + 1 elementos, lo cual es imposible por el C.61.

Observación 15. 1. El espacio Rn tiene dimensión n, una base para


este espacio es el conjunto {e1 , e2 , ..., en } el cual se denomina Base
canónica de Rn .
2. Si B = {v1 , v2 , ..., vn } es un subconjunto de Rn por el T.64, es una
base si y solo si son L.I. esto ocurre si y solo si el sistema homogéneo
AX = 0, cuyas columnas son los vectores v1 , v2 , ..., vn , tiene solución
única si y solo si det(A) 6= 0.
3. El espacio Mn×m (F) tiene dimensión n · m, para ver esto basta con-
siderar el conjunto B de las matrices Ai,j dadas por
(
1, r=s
[Ai,j ]r,s =
0 s 6= s.
112 CAPÍTULO 4. ESPACIOS VECTORIALES
Por ejemplo M3×2 (R) tiene como base el conjunto
n 1 0   0 1   0 0   0 0   0 0   0 0 o
B= 00 , 00 , 10 , 01 , 00 , 00
00 00 00 00 10 01

4. El conjunto Pn definido en el E.4.2 tiene como generadores a conjunto

{1, x, x2 , ..., xn }

si α0 · 1 + α1 x + α2 x2 + · · · + αn xn = 0 donde 0 ∈ Pn

podemos escribir

α0 · 1 + α1 x + α2 x2 + · · · + αn xn = 0 · 1 + 0 x + 0 x2 + · · · + 0 xn

por igualdad de polinomios tenemos que αi = 0 para cada i = 0, 1, ..., n.


Por lo tanto
B = {1, x, x2 , ..., xn }
el L.I. luego es una base de Pn , ası́ dim Pn = n + 1.

Ejemplo 76. El conjunto {(1, 2, −1), (2, 3, 5), (1, 1, 6)} ⊆ R3 no es base de
R3 pues  
1 2 −1
det  2 3 5 =0
1 1 6
Sin embargo el conjunto {(1, −1, 0), (1, 1, 1), (0, −2, 2)} ⊆ R3 si es una base
pues:  
1 −1 0
det  1 1 1 =6
0 −2 2
Observación 16. Como algunas consecuencias inmediatas del T.64 pode-
mos decir que:

1. En un espacio de dimension n ningún conjunto de más de n vectores


puede ser L.I.

2. En un espacio de dimension n ningún conjunto con menos de n vec-


tores puede generar a todo el espacio.

4.8. Coordenadas
Supongamos que B = {v1 , v2 , ..., vn } es una base de VF , entonces dado v ∈ V
existen α1 , α2 , ..., αn ∈ F tales que

α1 v1 + α2 v2 + · · · + αn vn = v
4.8. COORDENADAS 113

Si existen β1 , β2 , ..., βn ∈ F tales que

β1 v1 + β2 v2 + · · · + βn vn = v

entonces (α1 − β1 )v1 + (α2 − β2 )v2 + · · · + (αn − βn )vn = v − v = 0 como B


es base entonces αi − βi = 0 para cada i = 1, 2, ..., n luego tenemos que:

Proposición 65. Si B es una base de VF y v ∈ V , entonces existen UNICOS


α1 , α2 , ..., αn ∈ F tales que

α1 v1 + α2 v2 + · · · + αn vn = v

Si B es una base de V , de aquı́ en adelante consideraremos a los elementos


de B ordenados, ası́ nos referiremos a B como una base ordenada.

Definición 66. Sea B una base ordenada de VF y v ∈ V , entonces si


α1 , α2 , ..., αn ∈ F son tales que

α1 v1 + α2 v2 + · · · + αn vn = v,

las coordenadas de v en la base ordenada B es la n-upla

[v]B = (α1 , α2 , ..., αn )

Ejemplo 77. Si en Rn consideramos la base ordenada B = {e1 , e2 , ... , en }


entonces es claro que dado u ∈ Rn

[u]B = u

Ejemplo 78. Sea B = {(1, 1, −1), (−1, 0, 0), (1, 1, 0)} ⊆ R3 como
| {z } | {z } | {z }
v1 v2 v
  3
1 −1 1
det  1 0 1 =1
−1 0 0
entonces es un conjunto L.I. y como dim R3 = 3 entonces es una base de R3 .
Para calcular las coordenadas del vector v = (2, 1, 3) en la base B buscamos
escalares α1 , α2 , α3 tales que

α1 v1 + α2 v2 + α3 v3 = v

es decir tenemos que resolver el sistema:


    
1 −1 1 α1 2
 1 0 1   α2  =  1 
−1 0 0 α3 3
114 CAPÍTULO 4. ESPACIOS VECTORIALES
escalonando ó por cualquier otro método tenemos que:
   
α1 −3
 α2  =  −1 
α3 4
es decir
[(2, 1, 3)]B = (−3, −1, 4)
Ejemplo 79. Sea S = {1+x, 2+x2 , 1+x−x2 , 2+2x2 } ⊆ P2 como dim P2 = 3
este conjunto es L.D. vamos a determinar una base de P2 utilizando S, esto
siempre es posible por el T. 64. Consideremos la combinación lineal
α1 (1 + x) + α2 (2 + x2 ) + α3 (1 + x − x2 ) + α4 (2 + 2x2 ) = 0
haciendo operaciones es fácil comprobar que:
(α1 + 2α2 + α3 + 2α4 ) · 1 + (α1 + α3 ) · x + (α2 − α3 + 2α4 ) · x2 = 0
por igualdad de polinomios tenemos que esto es equivalente a:

 α1 + 2α2 + α3 + 2α4 = 0
α1 + α3 = 0

α2 − α3 + 2α4 = 0
este es un sistema de ecuaciones lineales, para estudiar el sistema procede-
mos a escalonar:
   
1 2 1 2 1 2 1 2
 1 0 1 0 ∼ 0 0 −1 1 
0 1 −1 2 0 −2 0 −1
ası́ tenemos que


h S i = {1 + x, 2 + x2 , 1 + x − x2 }
además B = {1 + x, 2 + x2 , 1 + x − x2 } es L.I. luego es una base de P2 .
Dado el vector 1 + 2x + x2 ∈ P2 las coordenadas de este vector en la base

ordenada B son las soluciones de:


β1 (1 + x) + β2 (2 + x2 ) + β3 (1 + x − x2 ) = 1 + 2x + x2
por igualdad de polinomios tenemos que

 β1 + 2β2 + β3 = 1
β + β3 = 2
 1
β2 − β3 = 1
entonces la solución única del sistema es β1 = 7/2, β2 = −1/2, β3 = −3/2.
Por lo tanto
[1 + 2x + x2 ]B = (7/2, −1/2, −3/2).
4.9. MATRIZ DE CAMBIO DE BASE 115

4.9. Matriz de Cambio de Base


Sea VF un espacio vectorial de dimensión n y sean B = {v1 , v2 , ..., vn } y B ′ =
{u1 , u2 , ..., un } bases ordenadas de V . Dado un vector u ∈ V supongamos
que

u = β1 v1 + β2 v2 + · · · + βn vn (4.6)
entonces [u]B = (β1 , β2 , ..., βn ) como B ′ es base de V entonces podemos
encontrar escalares tales que:

vj = c1j u1 + c2j u2 + · · · + cnj un , ∀ j = 1, 2, ..., n

entonces
n
X  n
X  n
X 
u = β1 ci1 ui + β2 ci2 ui + · · · + βn cin ui
i=1 i=1 i=1

agrupando tenemos que

u = (c11 β1 + c12 β2 + · · · + c1n βn ) u1 + (c21 β1 + c22 β2 + · · · + c2n βn ) u2 + · · · +


+ (cn1 β1 + cn2 β2 + · · · + cnn βn ) un

por lo tanto las coordenadas de u en la base B ′ son:


  
c11 c12 · · · c1n β1
 c21
 c22 · · · c2n  
 β2 

[u]B′ =  . .. .. ..   ..  (4.7)
 .. . . .  . 
cn1 cn2 · · · cnn βn
| {z } | {z }
P [u]B

Es decir si [u]B entonces podemos escribir u en la base B ′ haciendo [u]B′ =


P · [u]B donde P es la matriz que obtiene de

(u1 u2 · · · un |v1 |v2 | · · · |vn ) ∼(I|P )

La matriz P se denomina matriz de cambio de Base, pues tomamos un vector


u escrito en la base B es decir (4.6)y la transformamos a la base B ′ como se
muestra en (4.7) la matriz de transición es precisamente la que obtiene de

(B ′ | B) ∼(I|P )

esta matriz se denota por


PB′ ←B
Ası́ podemos escribir:

PB′ ←B : (V, B) → (V, B)


[v]B 7→ [v]B
116 CAPÍTULO 4. ESPACIOS VECTORIALES
Ejemplo 80. En R3 consideremos las bases B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
y B ′ = {(−1, 2, 1), (1, 1, 1), (1, 0, −1)}, entonces la matriz de cambio de co-
ordenadas de la base B a la base B ′ es la que se obtiene de

(B ′ |B) = (B ′ |I)

por lo tanto (B ′ |I) ∼ I|(B ′ )−1 luego
 −1  
−1 1 1 −1 2 −1
1
P = (B ′ )−1 = 2 1 0  =  2 0 2 
4
1 1 −1 1 2 −3

ası́ dado u = (−1, 1, −1) vamos a calcular

[u]B′ = P · [u]B

como B es la base canónica entonces [u]B = u por el E.77. Luego


    
−1 2 −1 −1 1
1
[u]B′ = 2 0 2   1  =  −1 
4
1 2 −3 −1 1

es decir (−1, 1, −1) = 1 · (−1, 2, 1) + (−1) · (1, 1, 1) + 1 · (1, 0, −1)


Capı́tulo 5

Espacios con Producto


Interior

5.1. Introducción
Hemos estudiado los espacios vectoriales los cuales son estructuras que gen-
eralizan a Rn . En este capitulo vamos a dotar a un espacio vectorial de
la noción de distancia y de ortogonalidad, lograremos esto introduciendo
una función denominada Producto Interno. A los largo de este capı́tulo V
denotará un espacio vectoriales sobre el campo de los numeros reales.

5.2. Definición y ejemplos


Dado un espacio vectorial V sobre el campo de los número reales una función

h , i:V ×V →R

tal que si v, u, w ∈ V y α, β ∈ R entonces

I1. hu, ui ≥ 0.

I2. hu, ui = 0 si y solo si u = 0.

I3. hu, vi = hv, ui.

I4. hu, α · vi = α · hu, vi.

I5. hu, v + wi = hu, vi + hu, wi

Observación 17. Las propiedades I3, I4 y I5 dicen que el producto interior


es lineal respecto de cada variable, es decir

hu, αv + wi = hu, α vi + hu, wi = αhu, vi + hu, wi

117
118 CAPÍTULO 5. ESPACIOS CON PRODUCTO INTERIOR
además

hαv + w, ui = hu, αv + wi = hu, α vi + hu, wi


= α hu, vi + hu, wi = α, hv, ui + hw, ui

ası́ hαv + w, ui = α, hv, ui + hw, ui.


Notemos también que las propiedades I4, I5 se pueden resumir en

hu, α v + wi = α hu, vi + hu, wi

Ejemplo 81. Vamos a definir un producto interior en Rn .

Sean v = (v1 , v2 , ..., vn ), u = (u1 , u2 , ..., un ) vectores y α ∈ R, entonces sea

hu, vi = u1 v1 + u2 v2 + · · · + un vn (5.1)

vamos a mostrar que es un producto interior:

1. hu, ui = u1 u1 + u2 u2 + · · · + un un = u21 + u22 + · · · + u2n ≥ 0.

2. hu, ui = 0 si y solo si u21 + u22 + · · · + u2n = 0 esto es verdad si y solamente


si u1 = u2 = · · · = un = 0.

3. hu, vi = u1 v1 + u2 v2 + · · · + un vn = v1 u1 + v2 u2 + · · · + vn un = hv, ui.

4. Vamos a probar que

hu, α v + wi = α hu, vi + hu, wi

donde w = (w1 , w2 , ..., wn ).

hu, α v + wi = u1 (αv1 + w1 ) + u2 (αv2 + w2 ) + · · · + un (αvn + wn )


= (α u1 v1 + u1 w1 ) + (α u2 v2 + u2 w2 ) + · · · + (α un vn + un wn )
= α ( u1 v1 + u2 v2 + · · · + un vn ) + ( u1 w1 + u2 w2 + · · · + un wn )
= α hu, vi + hu, wi

Por lo tanto (5.1) define un producto interior den Rn , este producto interior
se denomina producto interior Euclidiano.

Ejemplo 82. Veamos algunos ejemplos en R3 con este producto interior:


Sean u = (1, −2, 3), v = (0, 1, 2), w = (0, 1, 0).

1. Calcular hu, vi, hw, (−2)vi.

a) hu, vi = h(1, −2, 3), (0, 1, 2)i = 4.


b) hw, (−2)vi = (−2)hw, vi = (−2)h(0, 1, 0), (0, 1, 2)i = −2.
5.2. DEFINICIÓN Y EJEMPLOS 119
2. Hallar un vector que sea ortogonal a u y v.
Queremos encontrar (x, y, z) ∈ R3 tal que h(x, y, z), ((1, −2, 3))i = 0 y
h(x, y, z), (0, 1, 2)i = 0 es decir queremos hallar las soluciones de:

x − 2y + 3z = 0
y + 2z = 0
Resolviendo tenemos que x = −7t, y = −2t, z = t para cada t ∈ R.
Por ejemplo si t = 1 entonces (−7, −2, 1) es ortogonal a u y v.
3. Calcular hu, v + (−3)w + 2ui.
hu, v + (−3)w + 2ui =hu, vi + hu, (−3)w + 2ui
=hu, vi + hu, (−3)wi + hu, 2ui
=hu, vi + (−3)hu, wi + 2 hu, ui
=4 + (−3)(−2) + 2 · 14 = 38

Proposición 67. Sea V un espacio con producto interior, entonces


1. hu, 0i = 0.
2. Si hu, vi = hu, wi para todo u ∈ V entonces v = w.
Demostración. 1. Si 0 ∈ V y OR ∈ R entonces como OR · 0 = 0 podemos
escribir:
hu, 0i = hu, OR · 0i = OR · hu, 0i = 0.
2. Supongamos que hu, vi = hu, wi entonces
hu, vi − hu, wi = 0, luego
hu, v − wi = 0
tomemos en particular v − w = u entonces hv − w, v − wi = 0 pero
esto ocurre si y solo si v − w = 0 si y solo si v = w.

Definición 68. Diremos que dos vectores son Ortogonales si su producto


interior es cero, es decir u, v ∈ V son ortogonales si y solo si hu, vi = 0. En
este caso escribiremos
u ⊥ v ⇔ hu, vi.
Ejemplo 83. Los vectores (1, 2), (−2, 1) ∈ R2 son ortogonales pues:
h(1, 2), (−2, 1)i = 1 · (−2) + 2 · 1 = 0
ası́ podemos decir que
(1, 2) ⊥ (−2, 1)

Los vectores (2, 1), (3, 2) no son ortogonales pues


h(2, 1), (3, 2)i = 8 6= 0.
120 CAPÍTULO 5. ESPACIOS CON PRODUCTO INTERIOR
Ejemplo 84. Sea u ∈ V definamos el conjunto u⊥ = {v ∈ V : hu, vi = 0}
entonces notemos que
1. 0 ∈ u⊥ pues hu, 0i = 0.
2. Sean v, w ∈ u⊥ y α ∈ R entonces hu, vi = hu, wi = 0
hu, v + α wi = hu, vi + α hu, wi = 0 + α · 0 = 0
luego v + α w ∈ u⊥ .
por lo tanto hemos probado que u⊥ ≤ V .
Ejemplo 85. Vamos a calcular una base para (1, 2, −1)⊥ .

Por definición (1, 2, −1)⊥ = {(x, y, z) ∈ R3 : h(1, 2, −1), (x, y, z)i = 0} es


decir (x, y, z) ∈ (1, 2, −1)⊥ si y solo si
x + 2y − z = 0
parametrizando z = t, y = r tenemos x = −2r + t luego
(1, 2, −1)⊥ = {(1, 1, 0)t + (−2, 1, 0)r : t, r ∈ R}
por lo tanto {(1, 1, 0), (−2, 1, 0)} es una base de (1, 2, −1)⊥ .

5.3. Norma de un vector


Vamos a definir la norma de un vector como una función definida por:
k· k :V → R
p
u 7→ hu, ui
esta bien definida pues hu, ui ≥ 0.
Observación 18. Notemos que kuk2 = hu, ui.
Ejemplo 86. Si (1, 2) ∈ R3 entonces
p √
k(1, 2)k = 12 + 22 = 5
Geométricamente tenemos:
5.3. NORMA DE UN VECTOR 121

Ejemplo 87. Si (−1, 2, −2) ∈ R3 entonces


p √
k(−1, 2, −2)k = (−1)2 + 22 (−2)2 = 9 = 3

Geométricamente esto representa el tamaño del vector (−1, 2, −2).

||u||

Geométricamente la norma de un vector es el tamaño del vector ó la distancia


del origen al vector. La distancia d entre dos vectores u, v ∈ V se define como:

d(u, v) = ku − vk

Geométricamente tenemos que:

Por ejemplo en R3 si u = (1, −1, 2), v = (2, 0, −1) entonces



d(u, v) = k(1, −1, 2) − (2, 0, −1)k = k(−1, −1, 3)k = 11

Proposición 69 (Desigualdad de Schwartz). Sean u, v ∈ V entonces

|hu, vi| ≤ kuk · kvk (5.2)

Demostración. Notemos que ku − λ vk ≥ 0 entonces

ku − λ vk2 = hu − λ v, u − λ vi
= hu, ui − 2λ hu, vi + λ2 hv, vi

Si λ > 0 entonces
2λ hu, vi ≤ λ−1 kuk2 + λ kvk2
poniendo λ = kuk/kvk tenemos que

hu, vi ≤ kuk · kvk

Notemos que la igualdad se cumple si y solo si u − λ v = 0 es decir si y solo


si u = λ v.
122 CAPÍTULO 5. ESPACIOS CON PRODUCTO INTERIOR
Teorema 70. Sea V un espacio vectorial, entonces: Si u, v ∈ V y α, β ∈ R

1. kuk ≥ 0 y kuk = 0 si y solamente si u = 0.

2. kα · uk = |α| · kuk.

3. ku + vk ≤ kuk + kvk Desigualdad triangular.

Demostración. Las dos primeras propiedades son inmediatas recordando que


kuk2 = hu, ui.
Para la última:

ku + vk2 = hu + v, u + vi = hu, ui + 2 hu, vi + hv, vi


= kuk2 + hu, vi + kvk2
≤ kuk2 + kuk kvk + kvk2 = (kuk + kvk)2

Si u ∈ V es un vector no nulo, entonces kuk =


6 0 luego por la parte 2. del
T.70 tenemos que

u 1 1

=
· u = · kuk = 1 (5.3)
kuk kuk kuk

Observación 19. Un vector de norma igual a uno se denomina unitario.


Por (5.3) dado un vector u se puede encontrar un vector unitario u/kuk que
es paralelo a u, este proceso se denomina normalización.

5.4. Ángulo entre vectores


Analicemos el producto interior en R3 , la norma que genera el producto inte-
rior euclidiano es precisamente una generalización del teorema de Pitágoras.
5.4. ÁNGULO ENTRE VECTORES 123
entonces si tenemos los vectores u, v:

por la regla de los cosenos

ku − vk2 = kuk2 + kvk2 − 2kuk · kvk cos θ

entonces tenemos que

hu − v, u − vi = hu, ui + hv, vi − 2kuk · kvk cos θ


hu, ui − 2 hu, vi + hv, vi = hu, ui + hv, vi − 2kuk · kvk cos θ

ası́ tenemos que: −2 hu, vi = −2kuk · kvk cos θ por lo tanto

hu, vi
cos θ =
kuk kvk

esto nos motiva a dar la siguiente definición.

Definición 71. Si u, v ∈ VR son vectores no nulos, el ángulo θ entre u y v


se define por
hu, vi
cos θ = (5.4)
kuk kvk

Ası́ decir que dos vectores son ortogonales si el ángulo entre ellos es de 90o
ó π/2.

Proposición 72 (Teorema de Pitágoras). Si u, v ∈ VR son vectores


ortogonales y no nulos entonces

kuk2 + kvk2 = ku + vk2

Demostración.

ku + vk2 = hu + v, u + vi
= hu, ui + 2hu, vi + hv, vi
= kuk2 + 2hu, vi + kvk2

como hu, vi = 0 entonces kuk2 + kvk2 = ku + vk2 .


124 CAPÍTULO 5. ESPACIOS CON PRODUCTO INTERIOR
5.5. Proceso de Gram Schmidt
Definición 73. Un conjunto de vectores no nulos se denomina ortogonal si
todos sus vectores son ortogonales entres si. Y se denomina ortonormal si
además de ortogonal todos sus elementos tienen norma uno.

Por la Ob.19 dado un conjunto ortogonal se puede encontrar un conjunto


ortonormal por el proceso de normalización.

Ejemplo 88. En Rn el conjunto {e1 , e2 , ..., en } es un conjunto ortonormal.


En particular, en R3 el conjunto {(1, 0, 0), (0, 0, 1), (0, 0, 1)} es ortonormal.

Ejemplo 89. El conjunto {(1, −1, 1), (1, 0, −1), (1, 2, 1)} ⊆ R3 es ortogonal.
Como √ √ √
k(1, −1, 1)k = 3, k(1, 0, −1)k = 2, k(1, 2, 1)k = 6
entonces normalizando tenemos que:
( )
 1 −1 1   1 −1   1 2 1 
√ , √ , √ , √ , 0, √ , √ , √ , √
3 3 3 2 2 6 6 6

es un conjunto ortonormal.

Teorema 74. Sea S = {v1 , v2 , ..., vn } ⊆ VR un conjunto ortogonal, si


hv,vi i
v = α1 v1 + α2 v2 + · · · + αn vn entonces αi = hvi ,vi i para cada i = 1, 2, ..., n

Demostración. Si v = α1 v1 + α2 v2 + · · · + αn vn entonces
n
DX E n
X
hv, vi i = αj vj , vi = αj hvj , vi i
j=1 j=1

= αi hvi , vi i

para cada i = 1, 2, ..., n , por lo tanto

hv, vi i
αi =
hvi , vi i

El teorema nos dice un poco más: Si S = {v1 , v2 , ..., vn } ⊆ VR es un conjunto


ortogonal, entonces v ∈ hSi si y solo si
n
X hv, vi i
v= vi (5.5)
hvi , vi i
i=1

Corolario 75. Todo conjunto ortogonal (ortonormal) es L.I.


5.5. PROCESO DE GRAM SCHMIDT 125

Demostración. Supongamos que S = {v1 , v2 , ..., vn } ⊆ VR es un conjunto


ortogonal, entonces si

α1 v1 + α2 v2 + · · · + αn vn = 0

por T.74 se tiene que para cada i = 1, 2, ..., n


h0, vi i
αi = =0
hvi , vi i
luego S es L.I.

Una pregunta natural en este punto es: Todo espacio vectorial, de dimensión
finita, tiene una base ortogonal (ortogonal)?
Para dar una respuesta veamos primero:
Observación 20. Sean u, v ∈ V queremos hallar α ∈ R tal que hv, u−α vi =
0 es decir

entonces como
hv, u − α vi = hv, ui − α hv, vi
tenemos que hv, u − α vi = 0 si y solo si
hu, vi
α=
hv, vi
entonces el vector
hu, vi
P royv u = v
hv, vi
se denomina proyección ortogonal de u sobre v.
Es un vector en la dirección de v tal u − P royv u es ortogonal a v.
Si u, v no son paralelos entonces el conjunto {u, v} es L.I. luego es base del
espacio que generan W = h{u, v}i.
Si w = u − P royv u es claro que v, w ∈ h{u, v}i entonces h{v, w}i ⊆ h{u, v}i
y como u = w + P royv u ∈ h{w, v}i tenemos que h{u, v}i ⊆ h{w, v}i por lo
tanto
h{v, w}i = h{u, v}i
es decir {v, w} genera a W luego hemos conseguido una base de W en donde
sus elementos son ortogonales.
126 CAPÍTULO 5. ESPACIOS CON PRODUCTO INTERIOR

El siguiente teorema generaliza este hecho:

Teorema 76. Dado un conjunto S = {v1 , v2 , ...., vn } ⊆ V L.I. Entonces los


vectores S ′ = {u1 , u2 , ..., un } definidos por
(
u1 = v1
Pk−1 hvk ,uj i (5.6)
uk = vk − j=1 huj ,uj i uj

forma un conjunto L.I. tal que

hSi = hS ′ i.

Demostración. La demostración se hará por inducción sobre n el número de


elementos del conjunto. La proposición es verdadera para n = 1 de forma
trivial y para n = 2 por la Ob.20.

Supongamos que el conjunto Sk′ = {u1 , u2 , ...., uk } ha sido construido usando


la ecuación (5.6) y hSk i = hSk′ i donde Sk = S = {v1 , v2 , ...., vk }.
Entonces sea Sk+1 = {v1 , v2 , ...., vk , vk+1 } L.I. y sea

k
X hvk+1 , uj i
uk+1 = vk+1 − uj
huj , uj i
j=1

P hv ,uj i
si uk+1 = 0 entonces vk+1 = kj=1 huk+1 j ,uj i
uj ∈ hSk′ i lo cual nos dice que
Sk+1 es L.D. que nos lleva a una contradicción. Por lo tanto uk+1 6= 0 además
5.5. PROCESO DE GRAM SCHMIDT 127

dado 1 ≤ i ≤ k

k
D X hvk+1 , uj i E
huk+1 , ui i = vk+1 − uj , ui
huj , uj i
j=1
k
X hvk+1 , uj i
= hvk+1 , ui i − huj , ui i
huj , uj i
j=1
hvk+1 , ui i
= hvk+1 , ui i − hui , ui i
hui , ui i
=0

entonces Sk+1′ es un conjunto ortogonal. Como ui ∈ hSk′ i = hSk i para cada



i = 1, 2, ..., k entonces uk+1 ∈ hSk+1 i por lo tanto hSk+1 i ⊆ hSk+1 i pero

como Sk+1 es L.I. y la dimhSk+1 i = k + 1 tenemos que


hSk+1 i = hSk+1 i

con lo que hemos terminado la demostración.

Observación 21. Se sigue del teorema T.76 que todo espacio de dimensión
finita admite una base ortonormal.

Ejemplo 90. Sea

B = {(0, 1, −1), (1, −1, 0), (−1, −1, 0)} ⊆ R3


| {z } | {z } | {z }
v1 v2 v3

entonces como
 
0 1 −1
det  1 −1 −1  = −2
−1 0 0

B es una base de R3 . Vamos a aplicar el proceso de Gram Schmidt a esta


128 CAPÍTULO 5. ESPACIOS CON PRODUCTO INTERIOR
base.

u1 = v1 = (0, 1, −1)
hv2 , u1 i
u2 = v2 − u1
hu1 , u1 i
h(1, −1, 0), (0, 1, −1)i
= (1, −1, 0) − (0, 1, −1)
h(0, 1, −1), (0, 1, −1)i
1
= (1, −1, 0) + (0, 1, −1)
2
= (1, −1/2, −1/2)
hv3 , u1 i hv3 , u2 i
u3 = v3 − u1 − u2
hu1 , u1 i hu2 , u2 i
h(−1, −1, 0), (0, 1, −1)i
= (−1, −1, 0) − (0, 1, −1)−
h(0, 1, −1), (0, 1, −1)i
h(−1, −1, 0), (1, −1/2, −1/2)i
− (1, −1/2, −1/2)
h(1, −1/2, −1/2), (1, −1/2, −1/2)i
1 1
= (−1, −1, 0) (0, 1, −1) + (1, −1/2, −1/2)
2 3
= (−2/3, −2/3, −2/3)

Ası́ el conjunto

{(0, 1, −1), (1, −1/2, −1/2), (−2/3, −2/3, −2/3)}

forma una base ortogonal de R3 . Podemos normalizar para obtener una base
ortonormal:
n  1 1   2 2 2 o
B ′ = (0, 1, −1), 1, − , − , − , − , −
2 2 3 3 3
Ejemplo 91. Analizando nuevamente el ejemplo anterior, los vectores v2 , v3
son ortogonales, entonces podemos poner

u1 = v2 = (1, −1, 0)
u2 = v3 = (−1, −1, 0)
hv1 , u1 i hv1 , u2 i
u3 = v1 − u1 − u2
hu1 , u1 i hu2 , u2 i
= (0, 0, −1)

luego otra base ortogonal de R3 es {(1, −1, 0), (−1, −1, 0), (0, 0, −1)}.
Índice alfabético

129

Vous aimerez peut-être aussi