111 - Álgebra Lineal I

Algebra Lineal I
ndice general
0.1 lgebra lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

0.1.1 Contexto general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
0.1.2 Espacios vectoriales de uso comn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
0.1.3 Generalizacin y temas relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
0.1.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
0.1.5 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1 Sistemas Lineales 4
1.1 Sistema de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Sistemas lineales reales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Solucin de sistemas lineales en un anillo . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Teorema de RouchFrobenius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Demostracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.5 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.6 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Matrices 15
2.1 Matriz (matemticas) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.2 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.4 Operaciones bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.5 Rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.6 Traspuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.7 Matrices cuadradas y deniciones relacionadas . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.8 Las matrices en la Computacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.9 Teora de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
i
ii NDICE GENERAL
2.1.10 Matrices relacionadas con otros temas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.1.11 Algunos teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.12 Matriz y grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.13 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.14 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.16 Notas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Rango (lgebra lineal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Rango de una transformacin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.2 Clculo del rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.3 Prueba de que rango columna = rango la . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.4 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Matriz invertible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.1 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2 Propiedades de la matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.3 Mtodos de inversin de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.4 Grupo lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Determinante (matemtica) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.1 Historia de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.2 Mtodos de clculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.3 Primeros ejemplos: reas y volmenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.5 Menores de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.6 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.7 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Espacios Vectoriales 40
3.1 Espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.1 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.2 Notacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1.3 Denicin de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1.4 Ejemplos de espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.5 Denicin de subespacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.1.6 Resultados internos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.1.7 Construcciones bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.1.8 Espacios vectoriales con estructura adicional . . . . . . . . . . . . . . . . . . . . . . . . . 54
NDICE GENERAL iii
3.1.9 Morsmos entre espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.1.10 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.11 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2 Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.2 Signicacin geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2.4 Ejemplo II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2.5 Ejemplo III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.2.6 Temas relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3 Sistema generador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3.1 Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.2 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.3 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.5 Notas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.7 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4 Base (lgebra) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4.1 Lema de Zorn y existencia de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4.2 Observaciones adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4.3 Espacios de dimensin nita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.4.4 Espacios de dimensin innita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.5 Temas relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4.6 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.4.7 Notas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.5 Dimensin de un espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.5.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.5.2 Denicin formal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.5.3 Dimensin de un subespacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.5.4 Frmula de las dimensiones de Grassmann . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.5.5 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.5.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.6 Subespacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.6.1 Denicin subespacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.6.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.6.3 Operaciones con subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.6.4 Dimensiones de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.6.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.6.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
iv NDICE GENERAL
3.7 Espacio cociente (lgebra lineal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

3.7.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.7.2 Dimensin del espacio cociente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.7.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.7.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.7.5 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.7.6 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4 Aplicaciones Lineales 76
4.1 Aplicacin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.1.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.1.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.1.3 Propiedades de las transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1.4 Cmo formar nuevas transformaciones lineales a partir de otras dadas . . . . . . . . . . . 77
4.1.5 Teoremas bsicos de las transformaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.1.6 Clasicacin de las transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 78
4.1.7 Matriz asociada a una transformacin lineal . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.1.8 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.1.9 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2 Espacio dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2.1 El espacio dual algebraico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2.2 El espacio dual topolgico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5 Text and image sources, contributors, and licenses 82

5.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
0.1. LGEBRA LINEAL 1
0.1 lgebra lineal
El espacio eucldeo tridimensional R3 es un espacio vectorial y las lneas y los planos que pasan por el origen son subespacios
vectoriales de R3 .
El lgebra lineal es una rama de las matemticas que estudia conceptos tales como vectores, matrices, sistemas de
ecuaciones lineales y su enfoque de manera ms formal, espacios vectoriales y sus transformaciones lineales.
Es un rea activa que tiene conexiones con muchas reas dentro y fuera de las matemticas, como el anlisis funcional,
las ecuaciones diferenciales, la investigacin de operaciones, las grcas por computadora, la ingeniera, etc.
La historia del lgebra lineal moderna se remonta a 1843, cuando William Rowan Hamilton (de quien proviene el
uso del trmino vector) cre los cuaterniones; y a 1844, cuando Hermann Grassmann public su libro Die lineare
Ausdehnungslehre (La teora lineal de extensin).
0.1.1 Contexto general
De manera ms formal, el lgebra lineal estudia conjuntos denominados espacios vectoriales, los cuales constan de
un conjunto de vectores y un conjunto de escalares (que tiene estructura de campo, con una operacin de suma de
vectores y otra de producto entre escalares y vectores que satisfacen ciertas propiedades (por ejemplo, que la suma
es conmutativa) (mtodos cuantitativos).
Estudia tambin transformaciones lineales, que son funciones entre espacios vectoriales que satisfacen las condiciones
de linealidad:
T (u + v) = T (u) + T (v), T (r u) = r T (u).
A diferencia del ejemplo desarrollado en la seccin anterior, los vectores no necesariamente son n-adas de escalares,
sino que pueden ser elementos de un conjunto cualquiera (de hecho, a partir de todo conjunto puede construirse un
espacio vectorial sobre un campo jo).
2 NDICE GENERAL
Finalmente, el lgebra lineal estudia tambin las propiedades que aparecen cuando se impone estructura adicional
sobre los espacios vectoriales, siendo una de las ms frecuentes la existencia de un producto interno (una especie de
producto entre dos vectores) que permite introducir nociones como longitud de vectores y ngulo entre un par de los
mismos.
0.1.2 Espacios vectoriales de uso comn

Dentro de los espacios vectoriales de dimensin nita, son de amplio uso los tres tipos siguientes de espacios vecto-
riales:
Vectores en Rn
Este espacio vectorial est formado por el conjunto de vectores de n dimensiones (es decir con n nmero de compo-
nentes). Podemos encontrar un ejemplo de ellos en los vectores R2 , que son famosos por representar las coordenadas
cartesianas: (2,3), (3,4),...
Matrices m n
La matriz es un arreglo rectangular de nmeros, smbolos o expresiones, cuyas dimensiones son descritas en las
cantidades de las (usualmente m) por las de columnas (n) que poseen. Los arreglos matriciales son particularmente
estudiados por el lgebra lineal y son bastantes usados en las ciencias e ingeniera.
Espacio vectorial de polinomios en una misma variable
Un ejemplo espacio vectorial est dado por todos los polinomios cuyo grado es menor o igual a 2 con coecientes
reales sobre una variable x.
Ejemplos de tales polinomios son:
2x2
4x2 5x + 1, 7 3, 8x + 4, 5
La suma de dos polinomios cuyo grado no excede a 2 es otro polinomio cuyo grado no excede a 2:
(3x2 5x + 1) + (4x 8) = 3x2 x 7
El campo de escalares es naturalmente el de los nmeros reales, y es posible multiplicar un nmero por un polinomio:
5 (2x + 3) = 10x + 15
donde el resultado nuevamente es un polinomio (es decir, un vector).

Un ejemplo de transformacin lineal es el operador derivada D, que asigna a cada polinomio el resultado de derivarlo:
D(3x2 5x + 7) = 6x 5.
El operador derivada satisface las condiciones de linealidad, y aunque es posible demostrarlo con rigor, simplemente
lo ilustramos con un ejemplo la primera condicin de linealidad:
D((4x2 + 5x 3) + (x2 x 1)) = D(5x2 + 4x 4) = 10x + 4
y por otro lado:
D(4x2 + 5x 3) + D(x2 x 1) = (8x + 5) + (2x 1) = 10x + 4.
Cualquier espacio vectorial tiene una representacin en coordenadas similar a Rn , lo cual se obtiene mediante la
eleccin de una base (lgebra) (es decir, un conjunto especial de vectores), y uno de los temas recurrentes en el
lgebra lineal es la eleccin de bases apropiadas para que los vectores de coordenadas y las matrices que representan
las transformaciones lineales tengan formas sencillas o propiedades especcas.
0.1. LGEBRA LINEAL 3
0.1.3 Generalizacin y temas relacionados

Puesto que el lgebra lineal es una teora exitosa, sus mtodos se han desarrollado por otras reas de la matemtica:
en la teora de mdulos, que remplaza al cuerpo en los escalares por un anillo; en el lgebra multilineal, uno lidia con
'mltiples variables en un problema de mapeo lineal, en el que cada nmero de las diferentes variables se dirige al
concepto de tensor; en la teora del espectro de los operadores de control de matrices de dimensin innita, aplicando
el anlisis matemtico en una teora que no es puramente algebraica. En todos estos casos las dicultades tcnicas
son mucho ms grandes.
0.1.4 Vase tambin
Portal:Matemtica. Contenido relacionado con Matemtica.
0.1.5 Enlaces externos
Wikimedia Commons alberga contenido multimedia sobre lgebra lineal. Commons
lgebra lineal por Elmer G. Wiens (en ingls)

lgebra Lineal: Conceptos Bsicos
Introduccin al lgebra Lineal en Contexto por Jos Arturo Barreto

Captulo 1
Sistemas Lineales
1.1 Sistema de ecuaciones lineales

En matemticas y lgebra lineal, un sistema de ecuaciones lineales, tambin conocido como sistema lineal de
ecuaciones o simplemente sistema lineal, es un conjunto de ecuaciones lineales (es decir, un sistema de ecuaciones
en donde cada ecuacin es de primer grado), denidas sobre un cuerpo o un anillo conmutativo. Un ejemplo de
sistema lineal de ecuaciones sera el siguiente:

3 x1 + 2 x2 + x3 = 1
2 x1 + 2 x2 + 4 x3 = 2

x1 + 1
2 x2 x3 = 0
El problema consiste en encontrar los valores desconocidos de las variables x1 , x2 y x3 que satisfacen las tres ecua-
ciones.
El problema de los sistemas lineales de ecuaciones es uno de los ms antiguos de la matemtica y tiene una in-
nidad de aplicaciones, como en procesamiento digital de seales, anlisis estructural, estimacin, prediccin y ms
generalmente en programacin lineal as como en la aproximacin de problemas no lineales de anlisis numrico.
1.1.1 Introduccin
En general, un sistema con m ecuaciones lineales y n incgnitas puede ser escrito en forma normal como:
a11 x1 +a12 x2 +... +a1n xn = b1

a21 x1 +a22 x2 +... +a2n xn = b2
... ... ... ... ...
am1 x1 +am2 x2 +... +amn xn = bm
Donde x1 , . . . , xn son las incgnitas y los nmeros aij K son los coecientes del sistema sobre el cuerpo K [=
R, C, . . . ] . Es posible reescribir el sistema separando con coecientes con notacin matricial:

a11 a12 a1n x1 b1
a21 a22 a2n x2 b2

(1) . .. .. .. .. = ..
.. . . . . .
am1 am2 amn xn bm
Si representamos cada matriz con una nica letra obtenemos:
Ax = b
4
1.1. SISTEMA DE ECUACIONES LINEALES 5
Donde A es una matriz m por n, x es un vector columna de longitud n y b es otro vector columna de longitud m. El
sistema de eliminacin de Gauss-Jordan se aplica a este tipo de sistemas, sea cual sea el cuerpo del que provengan los
coecientes. La matriz A se llama matriz de coecientes de este sistema lineal. A b se le llama vector de trminos
independientes del sistema y a x se le llama vector de incgnitas.
1.1.2 Sistemas lineales reales
En esta seccin se analizan las propiedades de los sistemas de ecuaciones lineales sobre el cuerpo R , es decir, los
sistemas lineales en los cuales los coecientes de las ecuaciones son nmeros reales.
Representacin grca
La interseccin de dos planos que no son paralelos coincidentes es una recta.
Un sistema con n incgnitas se puede representar en el n-espacio correspondiente.

En los sistemas con 2 incgnitas, el universo de nuestro sistema ser el plano bidimensional, mientras que cada una
6 CAPTULO 1. SISTEMAS LINEALES
de las ecuaciones ser representada por una recta. La solucin ser el punto (o lnea) donde se intersequen todas las
rectas representan a las ecuaciones. Si no existe ningn punto en el que se intersequen al mismo tiempo todas las
lneas, el sistema es incompatible, o lo que es lo mismo, no tiene solucin.
En el caso de un sistema con 3 incgnitas, el universo ser el espacio tridimensional, siendo cada ecuacin un plano
dentro del mismo. Si todos los planos intersecan en un nico punto, las coordenadas de este sern la solucin al
sistema. Si, por el contrario, la interseccin de todos ellos es una recta o incluso un plano, el sistema tendr innitas
soluciones, que sern las coordenadas de los puntos que forman dicha lnea o supercie.
Para sistemas de 4 o ms incgnitas, la representacin grca no existe, por lo que dichos problemas no se enfocan
desde esta ptica.
Tipos de sistemas
determinado
compatible
sistema indeterminado
incompatible
Los sistemas de ecuaciones se pueden clasicar segn el nmero de soluciones que pueden presentar. De acuerdo con
ese caso se pueden presentar los siguientes casos:
Sistema compatible si tiene solucin, en este caso adems puede distinguirse entre:
Sistema compatible determinado cuando tiene una nica solucin.

Sistema compatible indeterminado cuando admite un conjunto innito de soluciones.
Sistema incompatible si no tiene solucin.
Quedando as la clasicacin:
Los sistemas incompatibles geomtricamente se caracterizan por (hiper)planos o rectas que se cruzan sin cortarse.
Los sistemas compatibles determinados se caracterizan por un conjunto de (hiper)planos o rectas que se cortan en un
nico punto. Los sistemas compatibles indeterminados se caracterizan por (hiper)planos que se cortan a lo largo de
una recta [o ms generalmente un hiperplano de dimensin menor]. Desde un punto de vista algebraico los sistemas
compatibles determinados se caracterizan porque el determinante de la matriz es diferente de cero:
Sistema compatible determinado det(A) = 0

Algoritmo para determinar si un sistema es compatible Podemos averiguar si un sistema es o no compatible

mediante el Teorema de Rouch-Frobenius que establece que un sistema de ecuaciones lineales es compatible slo
si el rango de su matriz ampliada coincide con el de su matriz de coecientes. Supongamos que el sistema es compa-
tible. Si el valor comn de los rangos de las matrices coincide con el nmero de variables, el sistema es compatible
determinado; en caso contrario, es compatible indeterminado.
Sistemas compatibles indeterminados Un sistema sobre un cuerpo K es compatible indeterminado cuando

posee un nmero innito de soluciones. Por ejemplo, el siguiente sistema:
{
x +2y =1
2x +4y =2
Tanto la primera como la segunda ecuacin se corresponden con la recta cuya pendiente es 0, 5 y que pasa por el
punto (1, 1) , por lo que ambas intersecan en todos los puntos de dicha recta. El sistema es compatible por haber
solucin o interseccin entre las rectas, pero es indeterminado al ocurrir esto en innitos puntos.
En este tipo de sistemas, la solucin genrica consiste en expresar una o ms variables como funcin matemtica
del resto. En los sistemas lineales compatibles indeterminados, al menos una de sus ecuaciones se puede hallar
como combinacin lineal del resto, es decir, es linealmente dependiente.
La condicin necesaria para que un sistema sea compatible indeterminado es que el determinante de la matriz
del sistema sea cero al igual que el rango de la matriz ampliada y menor al nmero de incgnitas(y por tanto
uno de sus autovalores ser 0):
sistema compatible indeterminado det A = 0
De hecho, de las dos condiciones anteriores se desprende, que el conjunto de soluciones de un sistema com-
patible indeterminado es un subespacio vectorial. Y la dimensin de ese espacio vectorial coincidir con la
multiplicidad geomtrica del autovalor cero.
Sistemas incompatibles De un sistema se dice que es incompatible cuando no presenta ninguna solucin. Por
ejemplo, supongamos el siguiente sistema:
{
x +2y =4
2x +4y =7
Las ecuaciones se corresponden grcamente con dos rectas, ambas con la misma pendiente, Al ser paralelas, no se
cortan en ningn punto, es decir, no existe ningn valor que satisfaga a la vez ambas ecuaciones.
Matemticamente un sistema de estos es incompatible cuando el rango de la matriz del sistema es inferior al rango
de la matriz ampliada. Una condicin necesaria para que esto suceda es que el determinante de la matriz del sistema
sea cero:
sistema incompatible det A = 0
Mtodos de solucin a sistemas de ecuaciones lineales
Sustitucin El mtodo de sustitucin consiste en despejar en una de las ecuaciones cualquier incgnita, preferi-
blemente la que tenga menor coeciente y a continuacin sustituirla en otra ecuacin por su valor.
En caso de sistemas con ms de dos incgnitas, la seleccionada debe ser sustituida por su valor equivalente en todas
las ecuaciones excepto en la que la hemos despejado. En ese instante, tendremos un sistema con una ecuacin y
una incgnita menos que el inicial, en el que podemos seguir aplicando este mtodo reiteradamente. Por ejemplo,
supongamos que queremos resolver por sustitucin este sistema:
{
3x +y = 22
4x 3y = 1
En la primera ecuacin, seleccionamos la incgnita y por ser la de menor coeciente y que posiblemente nos facilite
ms las operaciones, y la despejamos, obteniendo la siguiente ecuacin.
y = 22 3x
El siguiente paso ser sustituir cada ocurrencia de la incgnita y en la otra ecuacin, para as obtener una ecuacin
donde la nica incgnita sea la x .
4x 3(22 3x) = 1 4x 66 + 9x = 1 13x 66 = 1, 13x = 65
Al resolver la ecuacin obtenemos el resultado x = 5 , y si ahora sustituimos esta incgnita por su valor en alguna de
las ecuaciones originales obtendremos y = 7 , con lo que el sistema queda ya resuelto.
Igualacin El mtodo de igualacin se puede entender como un caso particular del mtodo de sustitucin en el
que se despeja la misma incgnita en dos ecuaciones y a continuacin se igualan entre s la parte derecha de ambas
ecuaciones.
Tomando el mismo sistema utilizado como ejemplo para el mtodo de sustitucin, si despejamos la incgnita y en
ambas ecuaciones nos queda de la siguiente manera:

y = 22 3x
4x + 1
y =
3
Como se puede observar, ambas ecuaciones comparten la misma parte izquierda, por lo que podemos armar que
las partes derechas tambin son iguales entre s.
22 3x = 4x+1
3 3(22 3x) = 4x + 1 65 = 13x x=5
Una vez obtenido el valor de la incgnita x , se sustituye su valor en una de las ecuaciones originales, y se obtiene el
valor de la y .
La forma ms fcil de tener el mtodo de sustitucin es realizando un cambio para despejar x despus de averiguar
el valor de la y.
Reduccin Este mtodo suele emplearse mayoritariamente en los sistemas lineales, siendo pocos los casos en que
se utiliza para resolver sistemas no lineales. El procedimiento, diseado para sistemas con dos ecuaciones e incgnitas,
consiste en transformar una de las ecuaciones (generalmente, mediante productos), de manera que obtengamos dos
ecuaciones en la que una misma incgnita aparezca con el mismo coeciente y distinto signo. A continuacin, se suman
ambas ecuaciones producindose as la reduccin o cancelacin de dicha incgnita, obteniendo as una ecuacin con
una sola incgnita, donde el mtodo de resolucin es simple.
Por ejemplo, en el sistema:
{
2x +3y =5
5x +6y =4
No tenemos ms que multiplicar la primera ecuacin por 2 para poder cancelar la incgnita y . Al multiplicar, dicha
ecuacin nos queda as:
2(2x + 3y = 5) 4x 6y = 10
Si sumamos esta ecuacin a la segunda del sistema original, obtenemos una nueva ecuacin donde la incgnita y ha
sido reducida y que, en este caso, nos da directamente el valor de la incgnita x :
4x 6y = 10
5x +6y = 4
x = 6
x = 6
El siguiente paso consiste nicamente en sustituir el valor de la incgnita x en cualquiera de las ecuaciones donde
aparecan ambas incgnitas, y obtener as que el valor de y si sustituimos en la primera ecuacin es igual a:
}
2x +3y = 5
2(6) + 3y = 5 y= 17
x = 6 3
y
7
y = 2x
6
4 (2, 4)
3
y = 0,5x + 3
2
y = -x + 6
1
-7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 x
-1
-2
-3
-4
-5
-6
-7
Rectas que pasan por el punto: (2,4)
Mtodo grco Consiste en construir la grca de cada una de las ecuaciones del sistema. El mtodo (manualmente
aplicado) solo resulta eciente en el plano cartesiano, es decir para un espacio de dimensin .
El proceso de resolucin de un sistema de ecuaciones mediante el mtodo grco se resuelve en los siguientes pasos:
1. Se despeja la incgnita en ambas ecuaciones.

2. Se construye para cada una de las dos ecuaciones de primer grado obteniendo la tabla de valores correspon-
dientes.
3. Se representan grcamente ambas rectas en los ejes coordenados.
4. En este ltimo paso hay tres posibilidades:
(a) Si ambas rectas se cortan, las coordenadas del punto de corte son los nicos valores de las incgnitas
(x,y). Sistema compatible determinado.
(b) Si ambas rectas son coincidentes, el sistema tiene innitas soluciones que son las respectivas coordenadas
de todos los puntos de esa recta en la que coinciden ambas. Sistema compatible indeterminado.
(c) Si ambas rectas son paralelas, el sistema no tiene solucin en los reales pero si en los complejos.
Mtodo de Gauss El mtodo de eliminacin de Gauss o simplemente mtodo de Gauss consiste en convertir un
sistema lineal de n ecuaciones con n incgnitas, en uno escalonado, en el que la primera ecuacin tiene n incgnitas,
la segunda ecuacin tiene n - 1 incgnitas, ..., hasta la ltima ecuacin, que tiene 1 incgnita. De esta forma, ser fcil
partir de la ltima ecuacin e ir subiendo para calcular el valor de las dems incgnitas.
Eliminacin de Gauss-Jordan Una variante de este mtodo, denominada eliminacin de Gauss-Jordan, es un

mtodo aplicable nicamente a los sistemas lineales de ecuaciones, y consistente en triangular la matriz aumentada
del sistema mediante transformaciones elementales, hasta obtener ecuaciones de una sola incgnita, cuyo valor ser
igual al coeciente situado en la misma la de la matriz. Este procedimiento es similar al anterior de reduccin, pero
ejecutado de manera reiterada y siguiendo un cierto orden algortmico.
Regla de Cramer La regla de Cramer da una solucin para sistemas compatibles determinados en trminos de
determinantes y adjuntos dada por:
det(Aj )
xj =
det(A)
Donde Aj es la matriz resultante de remplazar la j-sima columna de A por el vector columna b. Para un sistema de
dos ecuaciones y dos incgnitas:
{
ax + by =e
cx + dy =f
La regla de Cramer da la siguiente solucin:

e

b
a

e

f d edbf

c f af ec
x= = , y= =

a

b adbc
a

b adbc

c d
c d
Nota: Cuando en la determinante original det(A) el resultado es 0, el sistema indica mltiples o sin coincidencia.
Algoritmos numricos La eliminacin de Gauss-Jordan es un algoritmo numrico usado para una gran cantidad
de casos especcos, aunque posteriormente se han desarrollado algoritmos alternativos mucho ms ecientes. La
mayora de estos algoritmos mejorados tienen una complejidad computacional de O(n) (donde n es el nmero de
ecuaciones del sistema). Algunos de los mtodos ms usados son:
Para los problemas de la forma Ax = b, donde A es una matriz de Toeplitz simtrica, se puede utilizar la
recursin de Levinson o alguno de los mtodos derivados de este. Un mtodo derivado de la recursin de
Levinson es la recursin de Schur, que es ampliamente usado en el campo del procesamiento digital de seales.
Para los problemas de la forma Ax = b, donde A es una matriz singular o casi singular, la matriz A se descom-
pone en el producto de tres matrices en un proceso llamado descomposicin en valores singulares.
Cuando consideramos ecuaciones lineales cuyas soluciones son nmeros racionales, reales o complejos o ms general-
mente un cuerpo K , la solucin puede encontrarse mediante Regla de Cramer. Para sistemas de muchas ecuaciones
la regla de Cramer puede ser computacionalmente ms costosa y suelen usarse otros mtodos ms econmicos
en nmero de operaciones como la eliminacin de Gauss-Jordan y la descomposicin de Cholesky. Existen tambin
mtodos indirectos (basados en iteraciones) como el mtodo de Gauss-Seidel.
Si el cuerpo es innito (como es el caso de los nmeros reales o complejos), entonces solo puede darse una de las tres
siguientes situaciones:
el sistema no tiene solucin (en dicho caso se dice que el sistema est sobredeterminado o que es incompatible)
el sistema tiene una nica solucin (el sistema es compatible determinado)
el sistema tiene un nmero innito de soluciones (el sistema es compatible indeterminado).
1.1.3 Solucin de sistemas lineales en un anillo
Los mtodos para resolver el sistema (1) sobre un anillo son muy diferentes a los considerados anteriormente. De
hecho la mayora de mtodos usados en cuerpos, como la regla de Cramer, son inaplicables en anillos debido a que
no existen inversos multiplicativos.
La existencia de solucin del sistema (1) sobre los enteros requiere varias condiciones:
1. Para cada i mcd(ai1 , ai2 , ..., ain ) es divisor de bi .
2. Si la condicin anterior se cumple para un determinado i existe un conjunto de enteros Si formado por el
conjunto de enteros que satisface la i-sima ecuacin, y existir solucin si la interseccin S1 ... Sn = .
1.1.4 Vase tambin
Sistema de ecuaciones
Solucionador de Sistemas de Ecuaciones Lineales
Wikiversidad alberga proyectos de aprendizaje sobre Sistema de ecuaciones lineales.Wikiversidad
Solucionador descriptivo de ecuaciones lineales
Resolver o Reducir Matrices Online
Solucionador de sistemas lineales
Ecuaciones Lineales en Matlab Central, compilacin de algoritmos para resolver ecuaciones lineales en MATLAB
Calculadora Sistema de ecuaciones lineales
Herramienta genrica con clculo de inversa y determinantes

1.2 Teorema de RouchFrobenius

En lgebra lineal, el teorema de Rouch-Frobenius permite calcular el nmero de soluciones de un sistema de
ecuaciones lineales en funcin del rango de la matriz de coecientes y del rango de la matriz ampliada asociadas al
sistema.
Lleva el nombre del matemtico francs Eugne Rouch quien lo enunci y del matemtico alemn Ferdinand Georg
Frobenius quien fue uno de los muchos matemticos que lo demostraron. As, en otros idiomas[1] recibe otros nombres
como el teorema de Rouch-Capelli, el teorema de Rouch-Fonten, el teorema de Kronecker-Capelli, etc.
El teorema establece que para que un sistema de ecuaciones lineales sea compatible es condicin necesaria y suciente
que la matriz formada por los coecientes junto con la ampliada por los trminos independientes posean el mismo
rango. Por lo dems, el sistema constituido ser determinado si su rango coincide con el nmero de incgnitas ser
indeterminado si posee un valor menor a tal nmero.
1.2.1 Enunciado
Un sistema lineal de ecuaciones:
a1,1 x1 + a1,2 x2 + + a1,n xn = b1
a2,1 x1 + a2,2 x2 + + a2,n xn = b2

.. .. ..
. . .
am,1 x1 + am,2 x2 + + am,n xn = bm

Puede ser descrito mediante una matriz:

a1,1 a1,n b1
.. ..
(A|b) = ... ..
. . .
am,1 am,n bm
dicha matriz asociada al sistema ; est obtenida por la yuxtaposicin de la matriz

a1,1 a1,n
.. .. ..
A= . . .
am,1 am,n
de los coecientes y una posterior columna

b1

b = ...
bm
llamada columna de trminos notorios. Las matrices A y (A|b) son llamadas respectivamente incompleta (o de los
coecientes) y completa (o ampliada).
Los coecientes de los sistemas lineales (y por ende de las matrices) son elementos de un cuerpo K , como podran ser
los nmeros reales R o complejos C . Indicndose con rg(M ) el rango de una matriz M . El enunciado del teorema
de Rouch-Frobenius es el siguiente:
Existen soluciones para el sistema si y solo si el rango de la matriz completa es igual al rango de la matriz incompleta.
Entonces, si existen soluciones, stas forman un subespacio afn de K n de dimensiones n rg(A) . En particular, si
el cuerpo K es innito tenemos:
si rg(A) = n entonces la solucin es nica,

de otro modo existen innitas posibles soluciones.
1.2. TEOREMA DE ROUCHFROBENIUS 13
1.2.2 Demostracin
Existencia
El sistema puede ser descrito de un modo ms restringido, introduciendo el vector de las coordenadas

x1

x = ...
xn
y utilizando el producto matricial, del siguiente modo:
Ax = b
En otros trminos, b es la imagen del vector x mediante la aplicacin lineal
LA : K n K m
LA (x) = Ax
Entonces el sistema admite soluciones si y solo si b es la imagen de cualesquiera vector x de K n , en otros trminos
si est en la imagen de LA . Por otro lado, la imagen de LA es generada desde los vectores dados a partir de las
columnas A . Entonces b es en la imagen si y solo si el span de las columnas A contiene b , esto es, si y s el span de
las columnas A es igual al span de las columnas de (A|b) . Esta ltima armacin es equivalente a pedir que las dos
matrices posean el mismo rango.
Subespacio afn
Si existe una solucin x , toda otra solucin se escribe como x + v , donde v es una solucin del sistema lineal
homogneo asociado:
Av = 0
En efecto:
A(x + v) = Ax + Av = b + o = b.
Las soluciones del sistema lineal homogneo asociado son simplemente el ncleo de la aplicacin LA . Para el teorema
de la dimensin, el ncleo es un subespacio vectorial de dimensin n rg(A) ). Entonces el espacio de las soluciones
, obtenido transladando el ncleo con el vector x , es un subespacio afn de la misma dimensin.
1.2.3 Historia
El teorema fue enunciado por Rouch en 1875. Posteriormente, public en 1880 una versin ms completa del
teorema.
Despus de la publicacin, Georges Fonten public una nota en los Nouvelles Annales de Mathmatiques reclaman-
do haber sido el primero en demostrar el teorema. Ms tarde, Frobenius en su artculo Zur Theorie der linearen
Gleichungen de 1905 publicado en Crelles Journal acredit la demostracin a Rouch y Fonten.
En lengua espaola se conoce al teorema como teorema de Rouch-Frobenius debido al matemtico hispano-argentino
Julio Rey Pastor que se reri al teorema con este nombre.
1.2.4 Vase tambin

Teorema de la dimensin o teorema del rango
1.2.5 Referencias
[1] Barutello et al., 2008, p. 197
1.2.6 Bibliografa
Barutello, Viviana; Conti, Monica; Ferrario, Davide L.; Terracini, Susanna; Verzini, Gianmaria (2008), Analisi
matematica. Con elementi di geometria e calcolo vettoriale, 2, Milano: APOGEO, ISBN 978-88-503-2423-1
O'Connor, John J.; Robertson, Edmund F., Biografa de Eugne Rouch (en ingls), MacTutor History of
Mathematics archive, Universidad de Saint Andrews, http://www-history.mcs.st-andrews.ac.uk/Biographies/
Rouche.html.
Captulo 2
Matrices
2.1 Matriz (matemticas)
En matemtica, una matriz es un arreglo bidimensional de nmeros, y en su mayor generalidad de elementos de un

anillo.
Las matrices se utilizan para mltiples aplicaciones y sirven, en particular, para representar los coecientes de los
sistemas de ecuaciones lineales o para representar aplicaciones lineales (dada una base); en este ltimo caso las
matrices desempean el mismo papel que los datos de un vector para las aplicaciones lineales.
Pueden sumarse, multiplicarse y descomponerse de varias formas, lo que tambin las hace un concepto clave en el
campo del lgebra lineal.
2.1.1 Historia
El origen de las matrices es muy antiguo. Los cuadrados latinos y los cuadrados mgicos se estudiaron desde hace
mucho tiempo. Un cuadrado mgico, 3 por 3, se registra en la literatura china hacia el 650 a. C.[2]
Es larga la historia del uso de las matrices para resolver ecuaciones lineales. Un importante texto matemtico chino
que proviene del ao 300 a. C. a 200 a. C., Nueve captulos sobre el Arte de las matemticas (Jiu Zhang Suan Shu), es
el primer ejemplo conocido de uso del mtodo de matrices para resolver un sistema de ecuaciones simultneas.[3] En
el captulo sptimo, "Ni mucho ni poco", el concepto de determinante apareci por primera vez, dos mil aos antes
de su publicacin por el matemtico japons Seki Kwa en 1683 y el matemtico alemn Gottfried Leibniz en 1693.
Los cuadrados mgicos eran conocidos por los matemticos rabes, posiblemente desde comienzos del siglo VII,
quienes a su vez pudieron tomarlos de los matemticos y astrnomos de la India, junto con otros aspectos de las
matemticas combinatorias. Todo esto sugiere que la idea provino de China. Los primeros cuadrados mgicos
de orden 5 y 6 aparecieron en Bagdad en el 983, en la Enciclopedia de la Hermandad de Pureza (Rasa'il Ihkwan
al-Safa).[2]
Despus del desarrollo de la teora de determinantes por Seki Kowa y Leibniz para facilitar la resolucin de ecuaciones
lineales, a nales del siglo XVII, Cramer present en 1750 la ahora denominada regla de Cramer. Carl Friedrich Gauss
y Wilhelm Jordan desarrollaron la eliminacin de Gauss-Jordan en el siglo XIX.
Fue James Joseph Sylvester quien utiliz por primera vez el trmino matriz en 1848/1850.
En 1853, Hamilton hizo algunos aportes a la teora de matrices. Cayley introdujo en 1858 la notacin matricial,
como forma abreviada de escribir un sistema de m ecuaciones lineales con n incgnitas.
Cayley, Hamilton, Hermann Grassmann, Frobenius, Olga Taussky-Todd y John von Neumann cuentan entre los
matemticos famosos que trabajaron sobre la teora de las matrices. En 1925, Werner Heisenberg redescubre el
clculo matricial fundando una primera formulacin de lo que iba a pasar a ser la mecnica cuntica. Se le considera
a este respecto como uno de los padres de la mecnica cuntica.
Olga Taussky-Todd (1906-1995), durante la II Guerra Mundial, us la teora de matrices para investigar el fenmeno
de aeroelasticidad llamado uttering.
15
16 CAPTULO 2. MATRICES
2.1.2 Denicin
Una matriz es un arreglo bidimensional de nmeros (llamados entradas de la matriz) ordenados en las (o renglo-
nes) y columnas, donde una la es cada una de las lneas horizontales de la matriz y una columna es cada una de
las lneas verticales. A una matriz con n las y m columnas se le denomina matriz n-por-m (escrito n m ) donde
n, m N {0} . El conjunto de las matrices de tamao n m se representa como Mnm (K) , donde K es el
campo al cual pertenecen las entradas. El tamao de una matriz siempre se da con el nmero de las primero y el
nmero de columnas despus.
Dos matrices se dice que son iguales si tienen el mismo tamao y los mismos elementos en las mismas posiciones.
A la entrada de una matriz que se encuentra en la la i sima y la columna j sima se le llama entrada i, j o entrada
(i, j) -simo de la matriz. En estas expresiones tambin se consideran primero las las y despus las columnas.
Se denota a las matrices con letra mayscula, mientras que se utiliza la correspondiente letra en minsculas para
denotar a las entradas de las mismas, con subndices que reeren al nmero de la y columna del elemento.[4] Por
ejemplo, al elemento de una matriz A de tamao n m que se encuentra en la la i sima y la columna j sima
se le denota como aij , donde 1 i n y 1 j m .
Cuando se va a representar explcitamente una entrada la cul est indexada con un i o un j con dos cifras se introduce
una coma entre el ndice de las y de columnas. As por ejemplo, la entrada que est en la primera la y la segunda
columna de la matriz A de tamao 50 100 se representa como a1,2 mientras que la entrada que est en la la
nmero 23 y la columna 100 se representa como a23,100 .
Adems de utilizar letras maysculas para representar matrices, numerosos autores representan a las matrices con
fuentes en negrita para distinguirlas de otros objetos matemticos.[cita requerida] As A es una matriz, mientras que
A es un escalar en esa notacin. Sin embargo sta notacin generalmente se deja para libros y publicaciones, don-
de es posible hacer sta distincin tipogrca con facilidad. En otras notaciones se considera que el contexto es lo
sucientemente claro como para no usar negritas.
Otra notacin, en s un abuso de notacin, representa a la matriz por sus entradas, i.e. A := (aij ) o incluso A := aij
.
Como caso particular de matriz, se denen los vectores la y los vectores columna. Un vector la o vector rengln
es cualquier matriz de tamao 1 n mientras que un vector columna es cualquier matriz de tamao m 1 .
A las matrices que tienen el mismo nmero de las que de columnas, m = n , se les llama matrices cuadradas y el
conjunto se denota Mn (K) , alternativamente a la notacin usual Mnn (K) .
2.1.3 Ejemplo
Dada la matriz A M43 (R)

1 2 3
1 2 7
A=
4

9 2
6 0 5
es una matriz de tamao 4 3 . La entrada a23 es 7.

La matriz R M19 (R)
[ ]
R= 1 2 3 4 5 6 7 8 9
es una matriz de tamao 1 9 : un vector la con 9 entradas.
2.1.4 Operaciones bsicas

Las operaciones que se pueden hacer con matrices provienen de sus aplicaciones, sobre todo de las aplicaciones en
lgebra lineal. De ese modo las operaciones, o su forma muy particular de ser implementadas, no son nicas.
2.1. MATRIZ (MATEMTICAS) 17
Suma o adicin
Sean A, B Mnm (K) . Se dene la operacin de suma o adicin de matrices como una operacin binaria
+ : Mnm (K) Mnm (K) Mnm (K) tal que (A, B) 7 C = A + B y donde cij = aij + bij en el que la
operacin de suma en la ltima expresin es la operacin binaria correspondiente pero en el campo K . Por ejemplo,
la entrada c12 es igual a la suma de los elementos a12 y b12 lo cual es a12 + b12 .
Veamos un ejemplo ms explcito. Sea A, B M3 (R)

1 3 2 1 0 5 1+1 3+0 2+5 2 3 7
1 0 0 + 7 5 0 = 1 + 7 0+5 0 + 0 = 8 5 0
1 2 2 2 1 1 1+2 2+1 2+1 3 3 3
No es necesario que las matrices sean cuadradas:

2 2 1 0 1 4 2 3 5
3 2 1 1 4 0 4 6 1

2 3 2 + 2 1 1 = 4 4 3
2 0 4 0 2 2 2 2 6
A la luz de stos ejemplos es inmediato ver que dos matrices se pueden sumar solamente si ambas tienen el mismo
tamao. La suma de matrices, en el caso de que las entradas estn en un campo, poseen las propiedades de asociati-
vidad, conmutatividad, existencia de elemento neutro aditivo y existencia de inverso aditivo. sto es as ya que stas
son propiedades de los campos en los que estn las entradas de la matriz.
Propiedades Sean A, B, C Mnm (K) , donde K es un campo entonces se cumplen las siguientes propiedades
para la operacin binaria +
Asociatividad
(A + B) + C = A + (B + C)
Conmutatividad
(A + B) = (B + A)
Existencia del elemento neutro aditivo
Existe 0 Mnm (K) tal que
A+0=0+A=A
Existencia del inverso aditivo
Existe D Mnm (K) tal que
A+D =0
a esta matriz D se le denota por A .
En efecto, stas propiedades dependen el conjunto en el que estn las entradas, como se ha dicho antes, aunque en
las aplicaciones generalmente los campos usados son R (los nmeros reales) y C (los nmeros complejos).
Por como se deni la operacin binaria adicin se dice que sta operacin es una operacin interna por lo que se
cumple intrnsecamente la propiedad de que Mnm (K) es cerrado bajo adicin. Con stas propiedades se tiene que
(Mnm (K), +) es un grupo abeliano.
En el caso en que el conjunto al que pertenecen las entradas de la matriz sea un anillo (A, +A , A ) , la operacin
de adicin de matrices contina dotando de estructura de grupo abeliano a (Mnm (A), +) , ya que bajo un anillo
(A, +A , A ) se tiene que (A, +A ) es un grupo abeliano. En el caso de que las entradas estn en un grupo (G, +G )
, ste necesita ser un grupo abeliano para que la adicin de matrices siga dotando de estructura de grupo abeliano a
(Mnm (G), +) .
Producto por un escalar
Sean A Mnm (K) y K . Se dene la operacin de producto por un escalar como una funcin K
Mnm (K) Mnm (K) tal que (, A) 7 B = A y donde bij = aij en donde el producto es la operacin
binaria correspondiente pero en el campo K . Por ejemplo, la entrada b12 es igual al producto a12 .
Veamos un ejemplo ms explcito. Sea A M23 (R) y 2 R
[ ] [ ] [ ]
1 8 3 2(1) 2(8) 2(3) 2 16 6
2 = =
4 2 6 2(4) 2(2) 2(6) 8 4 12
Tambin es inmediato observar que el producto por un escalar da como resultado una matriz del mismo tamao que
la original. Tambin el producto por un escalar depender de la estructura algebraica en la que las entradas estn. En
el caso de que estn en un campo sern dos distributividades (una respecto de suma de matrices y otra respecto de
suma en el campo), asociatividad y una propiedad concerniente al producto por el elemento neutro multiplicativo del
campo. A continuacin se presentan las propiedades.
Propiedades Sean A, B Mnm (K) y , K , donde K es un campo, entonces se cumplen las siguientes
propiedades para la operacin producto por un escalar
Asociatividad
()A = (A)
Distributividad respecto de la suma de matrices
(A + B) = A + B
Distributividad respecto de la suma en el campo
( + )A = A + A
Producto por el neutro multiplicativo del campo
1K A = A
Por como se deni la operacin de producto por escalares se dice que Mnm (K) es cerrado bajo producto por
escalares. Con stas propiedades y las de la adicin se tiene que Mnm (K) es un espacio vectorial con las operaciones
de suma y producto por escalares denidas antes.
En el caso de que las entradas y los escalares no estn en un campo sino en un anillo entonces no necesariamente existe
el neutro multiplicativo. En caso de que exista, con lo cual el anillo es un anillo con uno, se dice que Mnm (A) es
un mdulo sobre A .
Ahora, a partir de las propiedades bsicas se puede demostrar inmediatamente que
Este ltimo resultado permite usar la notacin A sin riesgo de ambigedad.
Producto
El producto de matrices se dene de una manera muy peculiar y hasta caprichosa cuando no se conoce su origen. El
origen proviene del papel de las matrices como representaciones de aplicaciones lineales. As el producto de matri-
ces, como se dene, proviene de la composicin de aplicaciones lineales. En este contexto, el tamao de la matriz
corresponde con las dimensiones de los espacios vectoriales entre los cuales se establece la aplicacin lineal. De ese
modo el producto de matrices, representa la composicin de aplicaciones lineales.
En efecto, en ciertas bases tenemos que f : V W se puede representar como f (x) = Ax donde x es la
representacin de un vector de V en la base que se ha elegido para V en forma de vector columna. Si tenemos dos
aplicaciones lineales f : V W y g : W U entonces f (x) = Bx y g(x) = Ax , luego la aplicacin
Diagrama esquemtico que ilustra el producto de dos matrices A y B dando como resultado la matriz AB .
g f : V U se representar como g f (x) = g(f (x)) = g(Bx) = ABx donde AB es el producto de las
representaciones matriciales de f, g . Ntese que la composicin no se puede dar entre cualquier aplicacin sino entre
aplicaciones que vayan de V W U , en particular debe de haber una relacin entre las dimensiones de los
espacios vectoriales. Una vez dicho sto podemos denir el producto de la siguiente manera.
Sean A Mnm (K) y B Mmp (K) . Se dene el producto de matrices m como una funcin Mnm (K)
Mmp (K) Mnp (K) tal que (A, B) 7 C = AB y donde cij = k=1 aik bkj para toda i, j , es decir
cij = ai1 b1j +ai2 b2j +ai3 b3j + +aim bmj . Por ejemplo, la entrada c12 = a11 b12 +a12 b22 +a13 b32 + +a1m bm2
.
Veamos un ejemplo ms explcito. Sean A M23 (R) y B M32 (R)

[ ] 3 1 [ ] [ ]
1 0 2 1(3) + 0(2) + 2(1) 1(1) + 0(1) + 2(0) 5 1
2 1 = =
1 3 1 1(3) + 3(2) + 1(1) 1(1) + 3(1) + 1(0) 4 2
1 0
dnde la matriz producto es como habamos establecido en la denicin: una matriz C M22 (R) .
Sin tomar en cuenta la motivacin que viene desde las aplicaciones lineales, es evidente ver que si ignoramos la
denicin de la funcin de producto de matrices y slo se toma en cuenta la denicin de las entradas, el producto
no estar bien denido, ya que si A no tiene el mismo nmero de columnas que B de las entonces no podremos
establecer en donde acaba la suma: si la acabamos en el mayor de stos nmeros habr sumandos que no estn denidos
ya que una de las matrices no tendr mas entradas, mientras que si tomamos el menor habr entradas de alguna de
las matrices que no se tomen en cuenta. As es necesario que A tenga el mismo nmero de columnas que B de
las para que AB exista.
Como se puede suponer tambin, las propiedades de sta operacin sern ms limitadas en la generalidad ya que
adems de las limitaciones impuestas por la naturaleza de las entradas est esta limitacin respecto a tamao. Es
claro, adems, que el producto de matrices no siempre es una operacin interna.
Propiedades Sean A, B, C matrices con entradas en K , donde K es un campo, entonces se cumplen las siguientes
propiedades para el producto de matrices (considerando que los productos existan)
Asociatividad
A(BC) = (AB)C
Distributividad respecto de la suma de matrices por la derecha
(A + B)C = AC + BC
Distributividad respecto de la suma de matrices por la izquierda
A(B + C) = AB + AC
El producto de matrices no es conmutativo, si lo fuera la composicin de funciones lineales sera conmutativa y
eso en general no sucede. Obviamente existen casos particulares de algunos tipos de matrices en los que si hay
conmutatividad. En el caso en que tengamos Mn (K) tendremos que el producto entre matrices en Mn (K) tambin
est en Mn (K) . En ese caso Mn (K) adems de espacio vectorial es un lgebra sobre un campo. En el caso de que
el conjunto al que pertenecen las entradas sea un anillo conmutativo con uno entonces Mn (A) adems de mdulo es
un lgebra sobre un anillo. Mas an (Mn (K), +, ) con el producto de matrices es un anillo.
2.1.5 Rango
El rango de una matriz A es la dimensin de la imagen de la aplicacin lineal representada por A , que coincide con
la dimensin de los espacios vectoriales generados por las las o columnas de A .
2.1.6 Traspuesta
La traspuesta de una matriz A Mnm (X) , donde X no es necesariamente un campo, es una matriz B
Mmn (X) tal que bij = aji . Por ejemplo la entrada b12 = a21 .
Veamos un ejemplo ms explcito. Sea A M23 (R)
[ ]
1 8 3
4 2 6
entonces su traspuesta es

1 4
8 2
3 6
As, informalmente podramos decir que la traspuesta es aquella matriz que se obtiene de la original cambiando las
por columnas. Las notaciones usuales para denotar la traspuesta de una matriz son AT , At .
La trasposicin de matrices tiene las siguientes propiedades (donde ahora s el conjunto de entradas debe ser al menos
un anillo conmutativo):
(AT )T = A,
(A + B)T = AT + B T ,
(AB)T = B T AT ,
Si A Mnm (X) representa una aplicacin lineal, entonces la matriz AT describe la traspuesta de la aplicacin
lineal.
2.1.7 Matrices cuadradas y deniciones relacionadas

Una matriz cuadrada es una matriz que tiene el mismo nmero de las que de columnas. El conjunto de todas
las matrices cuadradas n-por-n junto a la suma y la multiplicacin de matrices, es un anillo que generalmente no es
conmutativo.
M(n,R), el anillo de las matrices cuadradas reales, es un lgebra asociativa real unitaria. M(n,C), el anillo de las
matrices cuadradas complejas, es un lgebra asociativa compleja.
La matriz identidad In de orden n es la matriz n por n en la cual todos los elementos de la diagonal principal son
iguales a 1 y todos los dems elementos son iguales a 0. La matriz identidad se denomina as porque satisface las
ecuaciones MIn = M y InN = N para cualquier matriz M m por n y N n por k. Por ejemplo, si n = 3:

1 0 0
I3 = 0 1 0.
0 0 1
La matriz identidad es el elemento unitario en el anillo de matrices cuadradas.
Los elementos invertibles de este anillo se llaman matrices invertibles, regulares o no singulares. Una matriz A n
por n es invertible si y slo si existe una matriz B tal que
AB = In = BA.
En este caso, B es la matriz inversa de A, identicada por A1 . El conjunto de todas las matrices invertibles n por
n forma un grupo (concretamente un grupo de Lie) bajo la multiplicacin de matrices, el grupo lineal general.
Si es un nmero y v es un vector no nulo tal que Av = v, entonces se dice que v es un vector propio de A y que
es su valor propio asociado. El nmero es un valor propio de A si y slo si AIn no es invertible, lo que sucede
si y slo si pA() = 0, donde pA(x) es el polinomio caracterstico de A. pA(x) es un polinomio de grado n y por lo
tanto, tiene n races complejas mltiples races si se cuentan de acuerdo a su multiplicidad. Cada matriz cuadrada
tiene como mucho n valores propios complejos.
El determinante de una matriz cuadrada A es el producto de sus n valores propios, pero tambin puede ser denida
por la frmula de Leibniz. Las matrices invertibles son precisamente las matrices cuyo determinante es distinto de
cero.
El algoritmo de eliminacin gaussiana puede ser usado para calcular el determinante, el rango y la inversa de una
matriz y para resolver sistemas de ecuaciones lineales.
La traza de una matriz cuadrada es la suma de los elementos de la diagonal, lo que equivale a la suma de sus n valores
propios.
Una matriz de Vandermonde es una matriz cuadrada cuyas las son las potencias de un nmero. Su determinante es
fcil de calcular.
2.1.8 Las matrices en la Computacin

Las matrices son utilizadas ampliamente en la computacin, por su facilidad y liviandad para manipular informacin.
En este contexto, son una buena forma para representar grafos, y son muy utilizadas en el clculo numrico. En la
computacin grca, las matrices son ampliamente usadas para lograr animaciones de objetos y formas.
2.1.9 Teora de matrices

La teora de matrices es un rama de las matemticas que se centra en el estudio de matrices. Inicialmente una rama
secundaria del lgebra lineal, ha venido cubriendo tambin los temas relacionados con la teora de grafos, el lgebra,
la combinatoria y la estadstica.
2.1.10 Matrices relacionadas con otros temas

Una matriz puede identicarse a una aplicacin lineal entre dos espacios vectoriales de dimensin nita. As la teora
de las matrices habitualmente se considera como una rama del lgebra lineal. Las matrices cuadradas desempean un
papel particular, porque el conjunto de matrices de orden n (n entero natural no nulo dado) posee propiedades de
estabilidad de operaciones.
Los conceptos de matriz estocstica y matriz doblemente estocstica son herramientas importantes para estudiar los
procesos estocsticos, en probabilidad y en estadstica.
Las matrices denidas positivas aparecen en la bsqueda de mximos y mnimos de funciones a valores reales, y a
varias variables.
Es tambin importante disponer de una teora de matrices a coecientes en un anillo. En particular, las matrices a
coecientes en el anillo de polinomios se utilizan en teora de mandos.
En matemticas puras, los anillos de matrices pueden proporcionar un rico campo de contraejemplos para conjeturas
matemticas.
2.1.11 Algunos teoremas

Teorema de Cayley-Hamilton
2.1.12 Matriz y grafos

En teora de los grafos, a todo grafo etiquetado corresponde la matriz de adyacencia. Una matriz de permutacin es
una matriz que representa una permutacin; matriz cuadrada cuyos coecientes son 0 o 1, con un solo 1 en cada lnea
y cada columna. Estas matrices se utilizan en combinatorio.
En la teora de grafos, se llama matriz de un grafo a la matriz que indica en la lnea i y la columna j el nmero de
aristas que enlazan el vrtice i al vrtice j. En un grafo no orientado, la matriz es simtrica. La suma de los elementos
de una columna permite determinar el grado de un vrtice. La matriz M n indica en la lnea i y la columna j el nmero
de caminos a n aristas que adjuntan el vrtice i al vrtice j.
2.1.13 Vase tambin

Descomposicin de Schur
Descomposicin en valores singulares
Descomposicin QR
Determinante (matemtica)
Eliminacin de Gauss-Jordan
Factorizacin LU
Forma cannica de Jordan
Lema de Schur
Matlab
Matriz triangular
2.2. RANGO (LGEBRA LINEAL) 23
2.1.14 Referencias
Beezer, Rob, Un primer curso en lgebra lineal, licencia bajo GFDL. (En ingls)
Jim Heeron: lgebra lineal (Libros de texto en lnea) (En ingls)

Una breve historia del lgebra lineal y de la teora de matrices lineal (En ingls)
Matemticas/Matrices(En Wikilibros)
Reducir matrices por Gauss Jordan de manera Online
2.1.16 Notas
[1] Tony Crilly (2011). 50 cosas que hay que saber sobre matemticas. Ed. Ariel. ISBN 978-987-1496-09-9.
[2] Swaney, Mark. History of Magic Squares.
[3] Shen Kangshen et al. (ed.) (1999). Nine Chapters of the Mathematical Art, Companion and Commentary. Oxford University
Press. cited byOtto Bretscher (2005). Linear Algebra with Applications (3rd ed. edicin). Prentice-Hall. p. 1.
[4] De Burgos, Juan. Sistemas de ecuaciones lineales. lgebra lineal y geometra cartesiana. p. 6. ISBN 9788448149000.
2.2 Rango (lgebra lineal)

En lgebra lineal, el rango de una matriz es el nmero mximo de columnas (las respectivamente) que son
linealmente independientes. El rango la y el rango columna siempre son iguales: este nmero es llamado simple-
mente rango de A (prueba ms abajo). Comnmente se expresa como rg(A).
El nmero de columnas independientes de una matriz A m por n es igual a la dimensin del espacio columna de A.
Tambin la dimensin del espacio la determina el rango. El rango de A ser, por tanto, mayor o igual que uno y
menor o igual que el mnimo entre m y n.
2.2.1 Rango de una transformacin lineal

El rango es una propiedad no slo de las matrices sino extensible a las aplicaciones lineales de las cuales las matrices
son una representacin jada la base. Denamos en primer lugar el concepto de rango de una aplicacin lineal de
forma genrica. Dada aplicacin o transformacin lineal:
f : Kn Lm
Se dene el rango simplemente como la dimensin del conjunto imagen de la aplicacin:
rang f = dim(Imf ) min(m, n)
Una propiedad muy importante del rango as denido y el rango de matrices denido anteriormente, es que ambos
coinciden. Es decir, dada una base arbitraria la aplicacin lineal se puede representar mediante esa base en forma de
matriz resultando el rango de esa matriz idntico al rango de la apliacin lineal que representa.
Para establecer ms claramente la relacin entre el rango de una aplicacin lineal y una matriz que represente dicha
aplicacin lineal, deben jarse dos bases vectoriales en cada uno de los dos espacios E = {e1 , . . . , en } y U =
{u1 , . . . , um } , podemos expresar la transformacin lineal por una matriz AE,U = [aij ] como una en una cierta base:

y1 a11 ... a1n x1
y = f (x) = . . . = . . . ... . . . . . .
ym am1 ... amn xn
Siendo:
y = y1 u1 + + ym um , la imagen del vector x.

x = x1 e1 + + xn en , la antiimagen del vector y.
f (ei ) = ai1 u1 + + aim um
Como se dijo anteriormente, puede demostrarse que el rango de AE,U coincide con la dimensin de la imagen de f
(vase transformacin lineal para ms detalles acerca de la imagen y el kernel).
2.2.2 Clculo del rango

Dada una aplicacin lineal su rango puede calcularse fcilmente considerando una base cualquiera y determinando el
rango de la matriz que representa la aplicacin en dicha base, ya que el nmero obtenido no depender de la eleccin
de la base.
Dada una matriz su rango puede determinarse sencillamente a partir del clculo de determinantes. Dada la matriz Af
de una aplicacin lineal f : Kn Km :

a11 . . . a1n
Af . . . . . . . . .
am1 . . . amn
se dene el rango como el mximo entero r tal que existe un menor no nulo de orden r:
{
ai1 j1 . . . ai1 jr
1 i1 < i2 < < ir n
... ...
. . . = 0,
1 j1 < j2 < < jr m
a ... a
ir j 1 ir j r
Otra forma de obtener el rango de una matriz es mediante el mtodo de Gauss-Jordan, y ser igual al nmero de las
no nulas de la matriz obtenida con este mtodo.
2.2.3 Prueba de que rango columna = rango la

La prueba es un resultado importante del teorema fundamental del lgebra lineal y es vlida para cualquier cuerpo:[1]
Sea A una matriz de tamao m n (con m las y n columnas). Sea r el rango columna de A y sea c1 ,...,cr una base
para el espacio columna de A. Pnganse estas como columnas de una matriz C de tamao m r. Cada columna de
A puede ser expresada como una combinacin lineal de r columnas en C. Esto signica que hay una matriz R de
tamao r n tal que A = CR. R es la matriz cuya columna i-sima est formada a partir de los coecientes que dan la
i-sima columna de A como una combinacin lineal de las r columnas de C. Tambin cada la de A viene dada por
una combinacin lineal de las r las de R. Por lo tanto, las las de R forman un sistema generador del espacio la de
A y, entonces, el rango la de A no puede exceder r. Esto prueba que el rango la de A es menor o igual que el rango
columna de A. Este resultado puede ser aplicado a cualquier matriz, as que aplquese a la matriz transpuesta de A.
Dado que el rango la de la transpuesta de A es el rango columna de A y el rango columna de la transpuesta de A es
el rango la de A, esto establece la desigualdad inversa y se obtiene la igualdad del rango la y el rango columna de
A.
2.2.4 Aplicaciones
Una til aplicacin de calcular el rango de una matriz es la de determinar el nmero de soluciones al sistema de
ecuaciones lineales, enunciado del Teorema de RouchFrobenius. El sistema tiene por lo menos una solucin si el
rango de la matriz de coecientes equivale al rango de la matriz aumentada. En ese caso, sta tiene exactamente una
solucin si el rango equivale al nmero de incgnitas; en otro caso, la solucin general tiene k parmetros libres,
donde k es la diferencia entre el nmero de incgnitas y el rango.
Una matriz de nn es invertible (tiene inversa) si y slo si su rango es mximo, es decir, igual a n .
En teora de control, el rango de una matriz se puede usar para determinar si un sistema lineal es controlable u
observable.
2.3. MATRIZ INVERTIBLE 25
2.2.5 Vase tambin

Independencia lineal
2.2.6 Referencias
[1] Wardlaw, William P. (2005). Row Rank Equals Column Rank. Mathematics Magazine (en ingls) 78 (4).

Determining Rank Of Matrix en PlanetMath
2.3 Matriz invertible

En matemticas, en particular en lgebra lineal, una matriz cuadrada A de orden n se dice que es invertible, no
singular, no degenerada o regular si existe otra matriz cuadrada de orden n, llamada matriz inversa de A y
representada como A1 , tal que:
A A1 = A1 A = In
donde In es la matriz identidad de orden n y el producto utilizado es el producto de matrices usual.

Una matriz no invertible se dice que es singular o degenerada. Una matriz es singular si y solo si su determinante
es nulo.
La inversin de matrices es el proceso de encontrar la matriz inversa de una matriz dada.
2.3.1 Ejemplos
Matriz de dos las
Dada una matriz de 2x2 con determinante no nulo:
[ ]1 [ ] [ ]
a b 1 d b 1 d b
A1 = = =
c d det(A) c a ad bc c a
Est denida siempre y cuando ad bc = 0 . As por ejemplo la inversa de la matriz
[ ] [ ]1 [ ] [ ][ ] [ ]
2 1 2 1 3 1 2 1 3 1 1 0
7 = , ya que =
5 3 5 3 5 2 5 3 5 2 0 1
Dada una matriz de 3x3 con determinante no nulo:
1 T
a b c A B C A D G
1 1
A1 = d e f = D E F = B E H
det(A) det(A)
g h i G H I C F I
A = (ei f h) D = (bi ch) G = (bf ce)

B = (di f g) E = (ai cg) H = (af cd)
C = (dh eg) F = (ah bg) I = (ae bd)
2.3.2 Propiedades de la matriz inversa

La inversa de una matriz, si existe, es nica.
La inversa del producto de dos matrices es el producto de las inversas cambiando el orden:
1
(A B) = B 1 A1
Si la matriz es invertible, tambin lo es su transpuesta, y el inverso de su transpuesta es la transpuesta de su

inversa, es decir:
( )1 ( )T
AT = A1
Y, evidentemente:
( )1
A1 =A
Una matriz es invertible si y slo si el determinante de A es distinto de cero. Adems la inversa satisface la
igualdad:
1
A1 = adj(A)
A

donde A es el determinante de A y adj (A) es la matriz de adjuntos de A.

Demostracin de la unicidad de la inversa
Supongamos que B y C son inversas de A
AB = BA = I
AC = CA = I
Multiplicando por C
(BA)C = IC = C
(BA)C = B(AC) = BI = B
De modo que B=C y se prueba que la inversa es nica.
Demostracin del criterio de inversibilidad de las matrices cuadradas
Se probar la doble implicacin.
Suciencia () Suponiendo que existe B tal que AB = BA = I . Entonces al aplicar la funcin determinante
se obtiene
det (AB) = det (BA) = det (I)

usando la propiedad det(I) = 1
det (A) det (B) = 1

Por lo tanto, det(A) es distinto de cero.
det (A) = 0
2.3. MATRIZ INVERTIBLE 27
Necesidad () Suponiendo que el determinante de A es distinto de cero, sea aij es el elemento ij de la matriz A
y sea Aij la matriz A sin la la i y la columna j (comnmente conocida como j -simo menor de A). Entonces

n
det(A) = (1)i+j aij det(Aij )
i=1
Sea k = j , entonces
n
(1)i+j aik det(Aij ) = 0
i=1
Esta armacin es vlida por propiedades de los determinantes, pues la parte izquierda de la relacin es el determinante
de la matriz A con la columna j igual a la columna k y los dems trminos iguales a los de A . Entonces

n
jk det (A) = (1)i+j det (Aij ) aik
i=1
donde jk = 1 cuando j = k y jk = 0 cuando j = k . Entonces
det (A) I = (adj(A)) A
Es decir que A tiene inversa izquierda
T
(adj(A))
det (A)
T ( )
Como (adj(A)) = adj AT , entonces AT tambin tiene inversa izquierda que es
( )T
adj(AT ) adj(A)
=
det (AT ) det (A)
Entonces
adj(A) T
A =I
det (A)
luego, aplicando la transpuesta
T
(adj(A))
A =I
det (A)
Que es lo que se quera demostrar
2.3.3 Mtodos de inversin de matrices
Solucin analtica
Inversin de matrices 22 Calcular la matriz inversa en matrices de 2x2 puede ser muy sencillo. Se puede hacer
de la siguiente manera:[1]
[ ]1 [ ] [ ]
a b 1 d b 1 d b
A1 = = =
c d det(A) c a ad bc c a
Esto es posible siempre y cuando ad - bc, el determinante de la matriz, no sea cero.
Ejemplo numrico:
[ ] [ ]1 [ ]
3 2 1 2 1 4 2
C= , C 1 = =
4 2 3 4 2 3 1
Inversin de matrices de rdenes superiores Para matrices de rdenes superiores puede utilizarse la siguiente
frmula:
1
A1 = adj(A)
A

Donde A es el determinante de A y adj (A)T es la matriz de adjuntos de A.
Cuando la matriz tiene ms de tres las, est frmula es muy ineciente y conduce a largos clculos. Hay mtodos
alternativos para calcular la matriz inversa que son bastante ms ecientes.
Mtodos numricos
El mtodo de eliminacin de Gauss-Jordan puede utilizarse para determinar si una determinada matriz es invertible y
para encontrar su inversa. Una alternativa es la descomposicin LU, que descompone una matriz dada como producto
de dos matrices triangulares, una inferior y otra superior, mucho ms fciles de invertir. Utilizando el mtodo de
Gauss-Jordan se coloca a la izquierda la matriz dada y a la derecha la matriz identidad. Luego por medio del uso de
pivotes se intenta formar en la izquierda la matriz identidad y la matriz que quede a la derecha ser la matriz inversa
a la dada.
2.3.4 Grupo lineal

El conjunto de todas las matrices n n que admiten inversa se denota es una representacin lineal del grupo lineal
de orden n, denotado como GL(n) . Este grupo tiene importantes aplicaciones en lgebra y fsica. Adems GL(n)
2
Mnn es un conjunto abierto (con la topologa inducida de Rn ).
2.3.5 Vase tambin

Matriz involutiva
2.3.6 Referencias
[1] Strang, Gilbert (2006). Linear Algebra and Its Applications. Thomson Brooks/Cole. p. 46. ISBN 0-03-010567-6.

Hazewinkel, Michiel, ed. (2001), Inversion of a matrix (en ingls), Encyclopaedia of Mathematics, Springer,
ISBN 978-1556080104
2.4. DETERMINANTE (MATEMTICA) 29
2.4 Determinante (matemtica)

En Matemticas se dene el determinante como una forma multilineal alternada de un cuerpo. Esta denicin indica
una serie de propiedades matemticas y generaliza el concepto de determinante hacindolo aplicable en numerosos
campos. Sin embargo, el concepto de determinante o de volumen orientado fue introducido para estudiar el nmero
de soluciones de los sistemas de ecuaciones lineales.
2.4.1 Historia de los determinantes

Los determinantes fueron introducidos en Occidente a partir del siglo XVI, esto es, antes que las matrices, que no
aparecieron hasta el siglo XIX. Conviene recordar que los chinos (Hui, Liu. iuzhang Suanshu o Los nueve captulos
del arte matemtico.) fueron los primeros en utilizar la tabla de ceros y en aplicar un algoritmo que, desde el Siglo
XIX, se conoce con el nombre de Eliminacin de Gauss-Jordan.
La historia de los determinantes
Los determinantes hicieron su aparicin en las matemticas ms de un siglo antes que las matrices. El trmino matriz
fue creado por James Joseph Sylvester, tratando de dar a entender que era la madre de los determinantes.
Algunos de los ms grandes matemticos de los siglos XVIII y XIX contribuyeron al desarrollo de las propiedades de
los determinantes. La mayora de los historiadores coinciden en armar que la teora de los determinantes se origin
con el matemtico alemn Gottfried Wilhelm Leibniz (1646-1716) quien fue con Newton, el co inventor del clculo
diferencial e integral. Leibniz emple los determinantes en 1693 con relacin a los sistemas de ecuaciones lineales
simultneas. No obstante hay quienes creen que el matemtico japons Seki Kowa hizo lo mismo unos 10 aos antes.
Las contribuciones ms prolcas a la teora de los determinantes fueron las del matemtico francs Agustin-Louis
Cauchy (1789-1857). Cauchy escribi, en 1812 una memoria de 84 pginas que contena la primera demostracin
del teorema detAB=detA detB. En 1840 Cauchy hizo muchas otras contribuciones a las matemticas. En su texto de
clculo de 1829 Leons sur le calcul dirential, dio la primera denicin razonablemente clara de lmite.
Cauchy escribi ampliamente tanto en las matemticas puras como en las aplicadas. Solo Euler escribi ms. Cauchy
hizo contribuciones en varias reas, incluyendo la teora de las funciones reales y complejas, la teora de la probabi-
lidad, geometra, teora de propagacin de las ondas y las series innitas.
A Cauchy se le reconoce el haber establecido nuevos niveles de rigor en las publicaciones matemticas. Despus
de Cauchy, fue mucho ms difcil publicar escritos basndose en la intuicin; se exigi una estricta adhesin a las
demostraciones rigurosas.
El volumen de las publicaciones de Cauchy fue abrumador . Cuando la Academis Francesa de Ciencias comenz
a publicar su revista Comptes Rendus en 1835, Cauchy envi su obra para que se publicara, en poco tiempo los
gastos de impresin se hicieron tan grandes, solo por la obra de Cauchy, que la academia impuso un lmite de cuatro
cuartillas por cada documento a ser publicado.
Hay algunos otros matemticos que merecen ser mencionados aqu. El desarrollo de un determinante por cofactores
fue empleado por primera vez por el matemtico francs Pierre de Laplace (1749-1827). Laplace es mejor conocido
por la transformacin que lleva su nombre que se estudia en los cursos de matemticas aplicadas.
Un contribuyente principal de la teora de los determinantes (estando solo Cauchy antes que l) fue el matemtico
alemn Carl Gustav Jacobi (1804-1851). Fue con l con quien la palabra determinante gan la aceptacin denitiva.
Lo primero en lo que Jacobi emple los determinantes fue en las funciones, al establecer la teora de las funciones de
varias variables. Sylvester llam ms tarde jacobiano a ste determinante.
Primeros clculos de determinantes
En su sentido original, el determinante determina la unicidad de la solucin de un sistema de ecuaciones lineales. Fue
introducido para el caso de orden 2 por Cardano en 1545 en su obra Ars Magna presentado como una regla para
la resolucin de sistemas de dos ecuaciones con dos incgnitas. Esta primera frmula lleva el nombre de regula de
modo.
La aparicin de determinantes de rdenes superiores tard an ms de cien aos en llegar. Curiosamente el japons
Kowa Seki y el alemn Leibniz otorgaron los primeros ejemplos casi simultneamente.
Leibniz estudi los distintos tipos de sistemas de ecuaciones lineales. Al no disponer de la notacin matricial, re-
El japons Kowa Seki introdujo los determinantes de orden 3 y 4 en la misma poca que el alemn Leibniz.
presentaba los coecientes de las incgnitas con una pareja de ndices: as pues escriba ij para representar ai, j. En
1678 se interes por un sistema de tres ecuaciones con tres incgnitas y obtuvo, para dicho ejemplo, la frmula de
desarrollo a lo largo de una columna. El mismo ao, escribi un determinante de orden 4, correcto en todo salvo en el
signo.[1] Leibniz no public este trabajo, que pareci quedar olvidado hasta que los resultados fueron redescubiertos
de forma independiente cincuenta aos ms tarde.
En el mismo periodo, Kowa Seki public un manuscrito sobre los determinantes, donde se hallan frmulas generales
difciles de interpretar. Parece que se dan frmulas correctas para determinantes de tamao 3 y 4, y de nuevo los
signos mal para los determinantes de tamao superior.[2] El descubrimiento se queda sin futuro a causa del cierre de
Japn al mundo exterior por rdenes del shgun, lo que se ve reejado en la expulsin de los Jesuitas en 1638.
Determinantes de cualquier dimensin
En 1748, en un tratado pstumo de lgebra de MacLaurin aparece la regla para obtener la solucin de un sistema de
n ecuaciones lineales con n incgnitas cuando n es 2, 3 o 4 mediante el uso de determinantes.[3] <ref name MacTu-
torMat"/> En 1750, Cramer da la regla para el caso general, aunque no ofrece demostracin alguna. Los mtodos
de clculo de los determinantes son hasta entonces delicados debido a que se basan en la nocin de signatura de una
permutacin.[4]
Los matemticos se familiarizan con este nuevo objeto a travs de los artculos de Bzout en 1764, de Vandermonde
en 1771 (que proporciona concretamente el clculo del determinante de la actual Matriz de Vandermonde). En 1772,
Laplace establece las reglas de recurrencia que llevan su nombre. En el ao siguiente, Lagrange descubre la relacin
entre el clculo de los determinantes y el de los volmenes.<ref name MacTutorMat">O'Connor, John J.; Rober-
tson, Edmund F., Biografa de Matrices and determinants (en ingls), MacTutor History of Mathematics archive,
Universidad de Saint Andrews, http://www-history.mcs.st-andrews.ac.uk/HistTopics/Matrices_and_determinants.
html.</ref>
Gauss utiliza por primera vez el trmino dterminante , en las Disquisitiones arithmeticae en 1801. Lo empleaba
para lo que hoy da denominamos discriminante de una cudrica y que es un caso particular de determinante moderno.
Igualmente estuvo cerca de obtener el teorema del determinante de un producto.
En espacios de Hilbert de dimensin innita no siempre puede denirse una extensin del determinate con las pro-
piedades que ste tiene en dimensin nita. Sin embargo si se consideran operadores compactos con traza nita,
entonces puede denirse un anlogo del determinante con muchas de sus propiedades.[5]
Aparicin de la nocin moderna de determinante
Cauchy fue el primero en emplear el trmino determinante con su signicado moderno. Se encarg de realizar una
sntesis de los conocimientos anteriores y public en 1812 la frmula y demostracin del determinante de un producto
junto con el enunciado y demostracin de la regla de Laplace.[6] Ese mismo ao Binet ofreci otra demostracin
(incorrecta) para la frmula del determinante de un producto.[6] <ref name MacTutorMat"/> Paralelamente Cauchy
establece las bases del estudio de la reduccin de endomorsmos.
En 1825 Heinrich F. Scherk public nuevas propiedades de los determinantes.[6] Entre las propiedades halladas estaba
la propiedad de que en una matriz en la que una la es combinacin lineal de varias de las dems las de la matriz el
determinante es cero.
Con la publicacin de sus tres tratados sobre determinantes en 1841 en la revista Crelle, Jacobi aporta a la nocin una
gran notoriedad. Por primera vez presenta mtodos sistemticos de clculo bajo una forma algortmica. Del mismo
modo, hace posible la evaluacin del determinante de funciones con instauracin del jacobiano, lo que supone un
gran avance en la abstraccin del concepto del determinante.
El cuadro matricial es introducido por los trabajos de Cayley y James Joseph Sylvester[cita requerida] . Cayley es tambin
el inventor de la notacin de los determinantes mediante barras verticales (1841[6] ) y establece la frmula para el
clculo de la inversa de una matriz mediante determinantes(1858<ref name MacTutorMat />).
La teora se ve reforzada por el estudio de determinantes que tienen propiedades de simetra particulares y por la
introduccin del determinante en nuevos campos de las matemticas, como el wronskiano en el caso de las ecuaciones
diferenciales lineales.
2.4.2 Mtodos de clculo
Para el clculo de determinantes de matrices de cualquier orden, existe una regla recursiva (teorema de Laplace)
que reduce el clculo a sumas y restas de varios determinantes de un orden inferior. Este proceso se puede repetir
tantas veces como sea necesario hasta reducir el problema al clculo de mltiples determinantes de orden tan pequeo
como se quiera. Sabiendo que el determinante de un escalar es el propio escalar, es posible calcular el determinante
de cualquier matriz aplicando dicho teorema.
Adems de esta regla, para calcular determinantes de matrices de cualquier orden podemos usar otra denicin de
determinante conocida como Frmula de Leibniz.
La frmula de Leibniz para el determinante de una matriz cuadrada A de orden n es:
n
det(A) = Pn sgn() i=1 ai,i .
donde la suma se calcula sobre todas las permutacines del conjunto {1,2,...,n}. La posicin del elemento i despus
de la permutacin se denota como i. El conjunto de todas las permutaciones es Pn. Para cada , sgn() es la
signatura de , esto es +1 si la permutacin es par y 1 si es impar (ver Paridad de permutaciones).
En cualquiera de los n! sumandos, el trmino
n
ai,i
i=1
denota el producto de las entradas en la posicin (i, i), donde i va desde 1 hasta n:
a1,1 a2,2 an,n .

La frmula de Leibniz es til como denicin de determinante; pero, excepto en casos muy pequeos, no es una
forma prctica de calcularlo: hay que llevar a cabo n! productos de n factores y sumar n! elementos. No se suele usar
para calcular el determinante si la matriz tiene ms de tres las.
Matrices de orden inferior
El caso de matrices de orden inferior (orden 1, 2 3) es tan sencillo que su determinante se calcula con sencillas
reglas conocidas. Dichas reglas son tambin deducibles del teorema de Laplace.
Una matriz de orden uno, es un caso trivial, pero lo trataremos para completar todos los casos. Una matriz de orden
uno puede ser tratada como un escalar, pero aqu la consideraremos una matriz cuadrada de orden uno:
( )
A = a11
El valor del determinante es igual al nico trmino de la matriz:
( )
det A = det a11 = a11 = a11
El determinante de una matriz de orden 2:
( )
a11 a12
A=
a21 a22
se calculan con la siguiente frmula:
( )
a a12 a a12
det 11 = 11 = a11 a22 a12 a21
a21 a22 a21 a22
Dada una matriz de orden 3:

a11 a12 a13
A = a21 a22 a23
a31 a32 a33
El determinante de una matriz de orden 3 se calcula mediante la regla de Sarrus:

a11 a12 a13 a11 a12 a13

det a21 a22 a23 = a21 a22 a23 =
a31 a32 a33 a31 a32 a33
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )
Determinantes de orden superior
El determinante de orden n, puede desarrollarse a partir de una la o columna, reduciendo el problema al clculo de
un determinante de orden n-1. Para ello se toma una la o columna cualquiera, multiplicando cada elemento por su
cofactor (es decir, el determinante de la matriz que se obtiene eliminando la la y columna correspondiente a dicho
elemento, multiplicado por (1)i+j donde i es el nmero de la y j el nmero de columna). La suma de todos los
productos es igual al determinante.
En caso de un determinante de orden 4, se obtienen directamente determinantes de orden 3 que podrn ser calculados
por la regla de Sarrus. En cambio, en los determinantes de orden superior, como por ejemplo n = 5, al desarrollar
los elementos de una lnea, obtendremos determinantes de orden 4, que a su vez se debern desarrollar en por el
mismo mtodo, para obtener determinantes de orden 3. Por ejemplo, para obtener con el mtodo especicado un
determinante de orden 4, se deben calcular 4 determinantes de orden 3. En cambio, si previamente se logran tres
ceros en una la o columna, bastara con calcular solo un determinante de orden 3 (ya que los dems determinantes
estarn multiplicados por 0, lo que los anula). Para calcular el determinante de una matriz de 4x4 tambin se puede
utilizar directamente la regla de Villalobos, que es una extensin de la regla de Sarrus.
La cantidad de operaciones aumenta muy rpidamente. En el peor de los casos (sin obtener ceros en las y columnas),
para un determinante de orden 4 se debern desarrollar 4 determinates de orden 3. En un determinante de orden 5, se
obtienen 5 determinates de orden 4 a desarrollar, dndonos 20 determinates de orden 3. El nmero de determinates
de orden 3 que se obtienen en el desarrollo de un determinante de orden n es igual a (n!)
(3!)
Por ejemplo, mediante este mtodo, para un determinante de orden 10 se debern calcular 10 x 9 x 8 x 7 x 6 x 5 x 4
= 604.800 determinantes de orden 3.
Tambin puede utilizarse el Mtodo de eliminacin Gaussiana, para convertir la matriz en una matriz triangular. Si
bien el proceso puede parecer tedioso, estar muy lejos de los 14.529.715.200 de determinantes de orden 3 necesarios
para calcular el determinante de una matriz de orden 14.
Mtodos numricos
Para reducir el coste computacional de los determinantes a la vez que mejorar su estabilidad frente a errores de
redondeo, se aplica la regla de Chio, que permite utilizar mtodos de triangularizacin de la matriz reduciendo con ello
el clculo del determinante al producto de los elementos de la diagonal de la matriz resultante. Para la triangularizacin
se puede utilizar cualquier mtodo conocido que sea numricamente estable. stos suelen basarse en el uso de matrices
ortonormales, como ocurre con el mtodo de Gauss o con el uso de reexiones de Householder o rotaciones de Givens.
La precisin limitada del clculo numrico produce incertidumbre en ocasiones en los resultados de este mtodo.
Un valor muy pequeo del determinante podra ser el resultado de una matriz de rango deciente, aunque no lo
es necesariamente. Por otra parte, para matrices casi singulares el resultado no siempre es preciso. Es necesario
comprobar el rango de la matriz con otros mtodos o calcular el nmero de condicin de la matriz para determinar
la abilidad del resultado.
Determinantes en dimensin innita
Bajo ciertas condiciones puede denirse el determinante de aplicaciones lineales de un espacio vectorial de Banach
de dimensin innita. En concreto en el determinante est denido para los operadores de la clase de determinante
que puede a partir de los operadores de la clase de traza. Un ejemplo notable fue el determinante de Fredholm que
ste deni en conexin con su estudio de la ecuacin integral que lleva su nombre:
1
(*) f (x) = (x) + 0
K(x, y)(y) dy
Donde:
f (x) es una funcin conocida

(x) es una la funcin incgnita
K(x, y) es una funcin conocida llamada ncleo, que da lugar al siguiente operador lineal compacto y
de traza nita en el espacio de Hilbert de funciones de cuadrado integrable en el intervalo [0,1]:
1
: L2 [0, 1] L2 [0, 1],
K
(K)(x) = K(x, y)(y) dy :
0
La ecuacin (*) tiene solucin si el determinante de Fredholm det(I+K)

no se anula. El determinante de Fredholm en
este caso generaliza al determinante en dimensin nita y puede calcularse explcitamente mediante:
1 1
=
det(I + K) 1
... det[K(xi , xj )]1i,jk dx1 . . . dxk
k=0 k! 0 0
La propia solucin de la ecuacin (*) puede escribirse de manera simple en trminos del determinante cuando este
no se anula.
2.4.3 Primeros ejemplos: reas y volmenes
El clculo de reas y volmenes bajo forma de determinantes en espacios eucldeos aparecen como casos particulares
de una nocin ms general de determinante. La letra mayscula D (Det) se reserva a veces para distinguirlos.
Determinante de dos vectores en el plano eucldeo
Fig. 1. El determinante es el rea azul orientada.

Sea P el plano eucldeo. El determinante de los vectores X y X' se obtiene con la expresin analtica

x x

det(X, X ) = = xy yx
y y
o, de manera equivalente, por la expresin geomtrica
det(X, X ) = X X sin
en la cual es el ngulo orientado formado por los vectores X y X'.
Propiedades
El valor absoluto del determinante es igual a la supercie del paralelogramo denido por X y X' ( X sin es en
efecto la altura del paralelogramo, por lo que A = Base Altura).
El determinante es nulo si y slo si los dos vectores son colineales (el paralelogramo se convierte en una lnea).
Su signo es estrictamente positivo si y slo si la medida del ngulo (X, X ') se encuentra en ]0, [.
La aplicacin del determinante es bilineal: la linearidad respecto al primer vector se escribe
det(aX + bY, X ) = a det(X, X ) + b det(Y, X )

y respecto al segundo
det(X, aX + bY ) = a det(X, X ) + b det(X, Y )
La gura 2, en el plano, ilustra un caso particular de esta frmula. Representa dos paralelogramos adyacentes, uno
Fig. 2.Suma de las reas de dos paralelogramos adyacentes.
denido por los vectores u y v (en verde), y otro por los vectores u' y v (en azul). Es fcil ver sobre este ejemplo
el rea del paralelogramo denido por los vectores u+u' y v (en gris): es igual a la suma de los dos paralelogramos
precedentes a la cual se sustrae el rea de un tringulo y se aade el rea de otro tringulo. Ambos tringulos se
corresponden por translacin y la frmula siguiente se verica Det (u+u', v)=Det (u, v)+Det (u', v).
El dibujo corresponde a un caso particular de la frmula de bilinealidad ya que las orientaciones han sido elegidas de
manera que las reas tengan el mismo signo, aunque ayuda a comprender el contenido geomtrico.
Generalizacin Es posible denir la nocin de determinante en un plano eucldeo orientado con una base orto-
normal directa B utilizando las coordenadas de los vectores en esta base. El clculo del determinante da el mismo
resultado sea cual sea la base ortonormal directa elegida para el clculo.
Determinante de tres vectores en el espacio eucldeo
Sea E el espacio eucldeo orientado de dimensin 3. El determinante de tres vectores de E se da por

x x x
y y y y y y
det(X, X , X ) = y

y y = x

x +x = xy z +x y z+x yz xy z x yz x y z.
z z z z z z z
z z
Este determinante lleva el nombre de producto mixto.
Fig. 3. Ilustracin grca de la trilinealidad.
Propiedades
El valor absoluto del determinante es igual al volumen de paraleleppedo denido por los tres vectores.
El determinante es nulo si y slo si los tres vectores se encuentran en un mismo plano (paraleleppedo plano).
La aplicacin determinante es trilineal: sobre todo
det(aX + bY, X , X ) = a det(X, X , X ) + b det(Y, X , X )

Una ilustracin geomtrica de esta propiedad se da en la gura 3 con dos paraleleppedos adyacentes, es decir con
una cara comn. La igualdad siguiente es entonces intuitiva:
det(u + u , v, w) = det(u, v, w) + det(u , v, w)
2.4.4 Propiedades
El determinante de una matriz es un invariante algebraico, lo cual implica que dada una aplicacin lineal todas
las matrices que la represente tendrn el mismo determinante. Eso permite denir el valor del determinante no
slo para matrices sino tambin para aplicaciones lineales.
El determinante de una matriz y el de su traspuesta coinciden: det(At ) = det(A)
Una aplicacin lineal entre espacios vectoriales es invertible si y slo si su determinante no es nulo. Por lo tanto,
una matriz con coecientes en un cuerpo es invertible si y slo si su determinante es no nulo.
Determinante del producto
Una propiedad fundamental del determinante es su comportamiento multiplicativo frente al producto de ma-
trices:
det(AB) = det(A) det(B)
Esta propiedad es ms trascendente de lo que parece y es muy til en el clculo de determinantes. En efecto, supon-
gamos que queremos calcular el determinante de la matriz A y que U es cualquier matriz con derminante uno (el
elemento neutro respecto al producto del cuerpo). En este caso, se verica que:
det(A) = det(A) det(U) = det(AU) det(A) = det(U) det(A) = det(UA)
Una aplicacin lineal entre dos espacios vectoriales de dimensin nita se puede representar mediante una matriz.
La matriz asociada a la composicin de aplicaciones lineales entre espacios de dimensin nita se puede calcular
mediante el producto de matrices. Dadas dos aplicaciones lineales u y v , se cumple lo siguiente:
det(u v) = det(u) det(v)
Matrices en bloques
Sean A, B, C, D matrices n n, n m, m n, m m respectivamente. Entonces
( ) ( )
A 0 A B
det = det = det(A) det(D). Esto se puede ver de la formula de Leibiniz Leibniz formula.
C D 0 D
Empleando la siguiente identidad
( ) ( )( )
A B A 0 I A1 B
=
C D C I 0 D CA1 B
vemos que para una matriz general, A y D deben ser cuadradas y A regular.
( )
A B
det = det(A) det(D CA1 B).
C D
Anlogamente, se puede obtener una identidad similar con det(D) factorizado.[7]

Si dij son matrices diagonales,

d11 ... d1c det(d11 ) . . . det(d1c )
.. = det [8]
det ... .
..
.
..
. .
dr1 ... drc det(dr1 ) ... det(drc )
Derivada de la funcin determinante
La funcin determinante puede denirse sobre el espacio vectorial formado por matrices cuadradas de orden n.
Dicho espacio vectorial puede convertirse fcilmente en un espacio vectorial normado mediante la norma matricial,
gracias a lo cual dicho espacio se convierte en un espacio mtrico y topolgico, donde se pueden denir lmites e
incluso derivadas. El determinante puede denirse como un morsmo del lgebra de las matrices al conjunto de los
elementos del cuerpo sobre el que se denen las matrices:
det : Mnn (K) K
El diferencial de la funcin derivada (o jacobiana) viene en trminos de la matriz de adjuntos:
det(A) det(A+H)det(A)
H := D(det)|A (H) = lim0 = tr (adj(A) H)
Donde:
adj(A) es la matriz de adjuntos.

tr() , es la traza de la matriz.
2.4.5 Menores de una matriz

Adems del determinante de una matriz cuadrada, dada una matriz se pueden denir otras magnitudes mediante el
empleo de determinantes relacionadas con las propiedades algebraicas de dicha matriz. En concreto dada una matriz
cuadrada o rectangular se pueden denir los llamados determinantes menores de orden r a partir del determinante
de submatrices cuadradas de rxr de la matriz original. Dada la matriz A = [aij ] :

a11 ... a1n
A = ... ... ...
am1 ... amn
Se dene cualquier menor de rango r como:

{
ai1 j1 ... ai1 jr
1 i1 < i2 < < ir n
... ... . . . ,
1 j1 < j2 < < jr m
air j1 ... a ir j r
Debe notarse que en general existir un nmero elevado de menores de orden r, de hecho el nmero de menores de
orden r de una matriz mxn viene dado por:
(m)(n)
Minmn
r = r r
Una propiedad interesante es que el rango coincide con el orden del menor no nulo ms grande posible, siendo el
clculo de menores una de los medios ms empleados para calcular el rango de una matriz o de una aplicacin lineal.
2.4.6 Vase tambin

Matriz (matemtica)
Teorema de Laplace
Regla de Sarrus
Regla de Cramer
2.4.7 Referencias
[1] E. Knobloch, Der Beginn der Determinantentheorie, Leibnizens nachgelassene Studien zum Determinantenkalkl (Hildes-
heim, 1980)
[2] Y. Mikami, The development of Mathematics in China and Japan (1913, 2e d. Chelsea Pub. Company 1974)
[3] C. B. Boyer, A History of Mathematics (John Wiley, 1968)
[4] M. Cantor, Geschichte der Mathematik (Teubner, 1913)
[5] Alexander Regen: The Determinant in Finite- and Ininite-Dimensional Vector Spaces, 2003
[6] Kline, 1990, p. 796
[7] Estas identidades fueron tomadas de http://www.ee.ic.ac.uk/hp/staff/www/matrix/proof003.html
[8] Este es un caso especial de un teorema publicado en http://www.mth.kcl.ac.uk/~{}jrs/gazette/blocks.pdf
Bibliografa
Kline, Morris (1990). Mathematical Thought from Ancient to Modern Times 2. New York: Oxford University
Press. ISBN 0-19-506136-5.
Enlaces externos
Weisstein, Eric W. Determinant. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
Determinant en PlanetMath
Captulo 3
Espacios Vectoriales
3.1 Espacio vectorial

Este artculo est orientado a proporcionar un tratamiento riguroso y abstracto del concepto de espacio
vectorial. Para una introduccin ms accesible al concepto, vase Vector
En lgebra abstracta, un espacio vectorial es una estructura algebraica creada a partir de un conjunto no vaco,
una operacin interna (llamada suma, denida para los elementos del conjunto) y una operacin externa (llamada
producto por un escalar, denida entre dicho conjunto y otro conjunto, con estructura de cuerpo ), con 8 propiedades
fundamentales.
A los elementos de un espacio vectorial se les llama vectores y a los elementos del cuerpo, escalares.
3.1.1 Historia
Histricamente, las primeras ideas que condujeron a los espacios vectoriales modernos se remontan al siglo XVII:
geometra analtica, matrices y sistemas de ecuaciones lineales.
Los espacios vectoriales se derivan de la geometra afn, a travs de la introduccin de coordenadas en el plano o el
espacio tridimensional. Alrededor de 1636, los matemticos franceses Descartes y Fermat fundaron las bases de la
geometra analtica mediante la vinculacin de las soluciones de una ecuacin con dos variables a la determinacin
de una curva plana.[nota 1] Para lograr una solucin geomtrica sin usar coordenadas, Bernhard Bolzano introdujo en
1804 ciertas operaciones sobre puntos, lneas y planos, que son predecesores de los vectores.[nota 2] Este trabajo hizo
uso del concepto de coordenadas baricntricas de August Ferdinand Mbius de 1827.[nota 3]
La primera formulacin moderna y axiomtica se debe a Giuseppe Peano, a nales del siglo XIX. Los siguientes
avances en la teora de espacios vectoriales provienen del anlisis funcional, principalmente de espacios de funciones.
Los problemas de Anlisis funcional requeran resolver problemas sobre la convergencia. Esto se hizo dotando a los
espacios vectoriales de una adecuada topologa, permitiendo tener en cuenta cuestiones de proximidad y continuidad.
Estos espacios vectoriales topolgicos, en particular los espacios de Banach y los espacios de Hilbert tienen una teora
ms rica y elaborada.
El origen de la denicin de los vectores es la denicin de Giusto Bellavitis de bipoint, que es un segmento orientado,
uno de cuyos extremos es el origen y el otro un objetivo. Los vectores se reconsideraron con la presentacin de los
nmeros complejos de Argand y Hamilton y la creacin de los cuaterniones por este ltimo (Hamilton fue adems el
que invent el nombre de vector).[nota 4] Son elementos de R2 y R4 ; el tratamiento mediante combinaciones lineales
se remonta a Laguerre en 1867, quien tambin deni los sistemas de ecuaciones lineales.
En 1857, Cayley introdujo la notacin matricial, que permite una armonizacin y simplicacin de las aplicaciones
lineales. Casi al mismo tiempo, Grassmann estudi el clculo baricntrico iniciado por Mbius. Previ conjuntos de
objetos abstractos dotados de operaciones.[nota 5] En su trabajo, los conceptos de independencia lineal y dimensin,
as como de producto escalar estn presentes. En realidad el trabajo de Grassmann de 1844 supera el marco de los
espacios vectoriales, ya que teniendo en cuenta la multiplicacin, tambin, lo llev a lo que hoy en da se llaman
lgebras. El matemtico italiano Peano dio la primera denicin moderna de espacios vectoriales y aplicaciones
lineales en 1888.[nota 6]
40
3.1. ESPACIO VECTORIAL 41
Representacin artstica de un espacio vectorial.
Un desarrollo importante de los espacios vectoriales se debe a la construccin de los espacios de funciones por Henri
Lebesgue. Esto ms tarde fue formalizado por Banach en su tesis doctoral de 1920[nota 7] y por Hilbert. En este
momento, el lgebra y el nuevo campo del anlisis funcional empezaron a interactuar, en particular con conceptos clave
tales como los espacios de funciones p-integrables y los espacios de Hilbert. Tambin en este tiempo, los primeros
estudios sobre espacios vectoriales de innitas dimensiones se realizaron.
Los espacios vectoriales tienen aplicaciones en otras ramas de la matemtica, la ciencia y la ingeniera. Se utilizan en
mtodos como las series de Fourier, que se utiliza en las rutinas modernas de compresin de imgenes y sonido, o
proporcionan el marco para resolver ecuaciones en derivadas parciales. Adems, los espacios vectoriales proporcionan
una forma abstracta libre de coordenadas de tratar con objetos geomtricos y fsicos, tales como tensores, que a su
vez permiten estudiar las propiedades locales de variedades mediante tcnicas de linealizacin.
42 CAPTULO 3. ESPACIOS VECTORIALES
3.1.2 Notacin
Dado un espacio vectorial V sobre un cuerpo K , se distinguen.
Los elementos de V como:
u, v, w, . . . V se llaman vectores.
Caligrafas de otras obras
u ... V
, v, w,
Si el texto es de fsica suelen representarse bajo una echa:
... V
u, v , w,
Los elementos de K como:
a, b, c, . . . K se llaman escalares.
3.1.3 Denicin de espacio vectorial

Un espacio vectorial sobre un cuerpo K (como el cuerpo de los nmeros reales o los nmeros complejos) es un
conjunto V no vaco, dotado de dos operaciones para las cuales ser cerrado:
Suma + : V V V
(u, v) 7 u+v
operacin interna tal que:
1) tenga la propiedad conmutativa, es decir
u + v = v + u, u, v V
2) tenga la propiedad asociativa, es decir
u + (v + w) = (u + v) + w, u, v, w V
3) tenga elemento neutro 0 , es decir

0 V : u + 0 = u, u V
4) tenga elemento opuesto, es decir

u V, u V : u + (u) = 0
y la operacin producto por un escalar:
Producto : K V V
(a, u) 7 au
operacin externa tal que:
5) tenga la propiedad asociativa:

a (b u) = (a b) u, a, b K, u V
6) 1 K sea elemento neutro del producto:
1 u = u, u V
7) tenga la propiedad distributiva del producto respecto la suma de vectores:
a (u + v) = a u + a v, a K, u, v V
8) tenga la propiedad distributiva del producto respecto la suma de escalares:
(a + b) u = a u + b u, a, b K, u V
Observaciones
La denominacin de las dos operaciones no condiciona la denicin de espacio vectorial por lo que es habitual en-
contrar traducciones de obras en las que se utiliza multiplicacin para el producto y adicin para la suma, usando las
distinciones propias de la aritmtica.
Para demostrar que un conjunto V es un espacio vectorial:
Lo es si sus dos operaciones, por ejemplo (V, V ) y (V, K), admiten una redenicin del tipo +(V, V ) =
(V, V ) y (K, V ) = (V, K) cumpliendo las 8 condiciones exigidas.
Si supisemos que V es un grupo conmutativo o abeliano respecto la suma ya tendramos probados los apartados
1, 2, 3 y 4.
Si supisemos que el producto es una accin por la izquierda de V tendramos probados los apartados 5 y 6.
Si no se dice lo contrario:
av = va
Propiedades
Si a u = 0 a = 0 u = 0.
Si a = 0, es cierto.
Si a = 0, entonces:
! a1 K : a1 a = 1 u = 1u = (a1 a)u = a1 (au) = a1 0 = 0 u = 0.
Notacin
au = (au)
Observacin
au = (a)u = a(u)
Si au + a(u) = a(u u) = a0 = 0 a(u) = au

Si au + (a)u = (a a)u = 0u = 0 (a)u = au
Primer ejemplo con demostracin al detalle
Se quiere probar que R2 es un espacio vectorial sobre R

Si R2 juega el papel de V y R el de K :
Los elementos:
u V = R2 = R R
son, de forma genrica:
u = (ux , uy )
es decir, pares de nmeros reales. Por claridad se conserva la denominacin del vector, en este caso u, en sus coor-
denadas, aadiendo el subndice x o y para denominar su componente en el eje x o y respectivamente
En V se dene la operacin suma:
+: V V V
(u, v) 7 w=u+v
donde:
u = (ux , uy )
v = (vx , vy )
w = (wx , wy )
y la suma de u y v sera:
u + v = (ux , uy ) + (vx , vy ) = (ux + vx , uy + vy ) = (wx , wy ) = w
donde:
wx = ux + vx
wy = uy + vy
esto implica que la suma de vectores es interna y bien denida.

La operacin interna suma tiene las propiedades:
1) La propiedad conmutativa, es decir:
u + v = v + u, u, v V
u+v=v+u
(ux , uy ) + (vx , vy ) = v + u
(ux + vx , uy + vy ) = v + u
(vx + ux , vy + uy ) = v + u
(vx , vy ) + (ux , uy ) = v + u
v+u=v+u
2) La propiedad asociativa:
(u + v) + w = u + (v + w)
( ) ( )
(ux , uy ) + (vx , vy ) + (wx , wy ) = (ux , uy ) + (vx , vy ) + (wx , wy )
(ux + vx , uy + vy ) + (wx , wy ) = (ux , uy ) + (vx + wx , vy + wy )

(ux + vx + wx , uy + vy + wy ) = (ux + vx + wx , uy + vy + wy )
3) tiene elemento neutro 0 :
u+0=u
(ux , uy ) + (0, 0) = (ux + 0, uy + 0) = (ux , uy )

4) tenga elemento opuesto:
u = (ux , uy )
u = (ux , uy )
u + (u) = (ux , uy ) + (ux , uy ) = (ux ux , uy uy ) = (0, 0) = 0
La operacin producto por un escalar:
: K V V
(a, u) 7 v=au
El producto de a y u ser:
a u = a (ux , uy ) = (a ux , a uy ) = (vx , vy ) = v
donde:
vx = a ux
vy = a u y
esto implica que la multiplicacin de vector por escalar es externa y an as est bien denida.
5) tenga la propiedad asociativa:
a (b u) = (a b) u, a, b K, u V
Esto es:
a (b u) = (a b) u
a (b (ux , uy )) = (a b) (ux , uy )
a (b ux , b uy ) = (a b) (ux , uy )
(a b ux , a b uy ) = (a b ux , a b uy )
6) 1 R sea elemento neutro en el producto:
1 u = u, u V
Que resulta:
1u=u
1 (ux , uy ) = u
(1 ux , 1 uy ) = u
(ux , uy ) = u
Que tiene la propiedad distributiva:
7) distributiva por la izquierda:
a (u + v) = a u + a v, a R, u, v V
En este caso tenemos:
a (u + v) = a u + a v
a ((ux , uy ) + (vx , vy )) = a (ux , uy ) + a (vx , vy )
a (ux + vx , uy + vy ) = (a ux , a uy ) + (a vx , a vy )
a (ux + vx , uy + vy ) = (a ux + a vx , a uy + a vy )
(a (ux + vx ), a (uy + vy )) = (a (ux + vx ), a (uy + vy ))
8) distributiva por la derecha:
(a + b) u = a u + b u, a, b R, u V
Que en este caso tenemos:
(a + b) u = a u + b u
(a + b) (ux , uy ) = a (ux , uy ) + b (ux , uy )
(a + b) (ux , uy ) = (a ux , a uy ) + (b ux , b uy )
(a + b) (ux , uy ) = (a ux + b ux , a uy + b uy )
((a + b) ux , (a + b) uy ) = ((a + b) ux , (a + b) uy )
Queda demostrado que es espacio vectorial.
3.1.4 Ejemplos de espacios vectoriales

Los cuerpos
Todo cuerpo es un espacio vectorial sobre l mismo, usando como producto por escalar el producto del cuerpo.
C es un espacio vectorial de dimensin uno sobre C .
Todo cuerpo es un espacio vectorial sobre su subcuerpo, usando como producto por escalar el producto del cuerpo.
C es un espacio vectorial de dimensin 2 sobre R .

C es un espacio vectorial de dimensin innita sobre Q .
Sucesiones sobre un cuerpo K
El espacio vectorial ms conocido notado como K n , donde n>0 es un entero, tiene como elementos n-tuplas, es
decir, sucesiones nitas de K de longitud n con las operaciones:
(u1 , u2 , ..., un)+(v1 , v2 , ..., vn)=(u1 +v1 , u2 +v2 , ..., un+v ).
a(u1 , u2 , ..., un)=(au1 , au2 , ..., aun).
Las sucesiones innitas de K son espacios vectoriales con las operaciones:
(u1 , u2 , ..., un, ...)+(v1 , v2 , ..., vn, ...)=(u1 +v1 , u2 +v2 , ..., un+v , ...).
a(u1 , u2 , ..., un, ...)=(au1 , au2 , ..., aun, ...).
El espacio de las matrices n m , Mnm (K) , sobre K , con las operaciones:

x1,1 x1,m y1,1 y1,m x1,1 + y1,1 x1,m + y1,m
.. .. + .. .. = .. ..
. . . . . .
xn,1 xn,m yn,1 yn,m xn,1 + yn,1 xn,m + yn,m

x1,1 x1,m ax1,1 ax1,m
.. .. = .. ..
a . . . .
xn,1 xn,m axn,1 axn,m
Tambin son espacios vectoriales cualquier agrupacin de elementos de K en las cuales se dena las operaciones suma
y producto entre estas agrupaciones, elemento a elemento, similar al de matrices n m , as por ejemplo tenemos
las cajas n m r sobre K que aparecen en el desarrollo de Taylor de orden 3 de una funcin genrica.
Espacios de aplicaciones sobre un cuerpo
El conjunto F de las aplicaciones f : M K , K un cuerpo y M un conjunto, tambin forman espacios vectoriales

mediante la suma y la multiplicacin habitual:
f, g F, a K
(f + g)(w) := f (w) + g(w),

(af )(w) := a(f )(w).
Los polinomios El espacio vectorial K[x] formado por funciones polinmicas, vemoslo:
Expresin general: p(x) = rn xn + rn1 xn1 + ... + r1 x + r0 ,donde los coecientes rn , ..., r0 K
, considrese i > n ri = 0 .
p(x)+q(x) = (rn xn +rn1 xn1 +...+r1 x+r0 ) +(sm xm +sm1 xm1 +...+s1 x+s0 )
= ... = (tM xM + tM 1 xM 1 + ... + t1 x + t0 ) = (p + q)(x) , donde M = max{m, n}
y ti = ri + si ,
a(p(x)) = a(rn xn +rn1 xn1 +...+r1 x+r0 ) = (arn xn +arn1 xn1 +...+ar1 x+ar0 )
= tn xn + tn1 xn1 + ... + t1 x + t0 = (ap)(x) .
Las series de potencias son similares, salvo que se permiten innitos trminos distintos de cero.
Suma de f(x)=x+x2 y g(x)=-x2 .
Funciones trigonomtricas Las funciones trigonomtricas forman espacios vectoriales, con las siguientes opera-
ciones:

n
f (x) = af (bf,i sen(ix) + cf,i cos(ix)) L2
i=1
n n
(f +g)(x) := f (x)+g(x) = af i=1 (bf,i sen(ix)+cf,i cos(ix))+ag i=1 (bg,i sen(ix)+
n
cg,i cos(ix)) = (af + ag ) i=1 ((bf,i + bg,i )sen(ix) + (cf,i + cg,i ) cos(ix)) L2 ,
n n
(af )(x) := af (x) = a(af i=1 (bf,i sen(ix)+cf,i cos(ix))) = aaf i=1 (abf,i sen(ix)+
acf,i cos(ix)) L2 .
Sistema de 2 ecuaciones y 3 variables
Los sistemas de ecuaciones lineales homogneas
a1,1 x1 + . . . +a1,n xn =0 a1,1 +... +a1,n x1 0

.. .. .. .. ..
. . . o equivalentemente ... ..
. . = . sim-
a x + . . . +a x =0 am,1 +... +am,n xn 0

m,1 1 m,n n
plicado como Ax = 0
Un sistema de ecuaciones lineales homogneas( ecuaciones lineales en las que x = 0 es siempre una solucin, es
decir, (x1 , . . . , xn ) = (0, . . . , 0) ) posee soluciones que forman un espacio vectorial, se puede ver en sus dos
operaciones:
Si Ax = 0, Ay = 0 Ax + Ay = 0 A(x + y) = 0
Si Ax = 0, a K a(Ax) = 0 A(ax) = 0 .
Tambin que las ecuaciones en s, las de la matriz A notadas como una matriz 1n , es decir, Ei = (ai,1 , . . . , ai,n )
, son un espacio vectorial, como se puede ver en sus dos operaciones:
Si Ei x = 0, Ej x = 0 Ei x + Ej x = 0 (Ei + Ej )x = 0
Si Ei x = 0, a K a(Ei x) = 0 (aEi )x = 0 .
3.1.5 Denicin de subespacio vectorial

Sea V un espacio vectorial sobre K , y U V no vaco, U es un subespacio vectorial de V si:
i) u, v U, u + v U
ii) u U, k K, ku U
Consecuencias
U hereda las operaciones de V como aplicaciones bien denidas, es decir que no escapan de U , y como consecuencia
tenemos que U es un espacio vectorial sobre K .
Con cualquier subconjunto de elementos seleccionados en los espacios vectoriales anteriores, no vaco, se pueden
generar subespacios vectoriales, para ello seria til introducir nuevos conceptos que facilitarn el trabajo sobre estos
nuevos espacios vectoriales.
3.1.6 Resultados internos

Para detallar el comportamiento interno de todos los espacios vectoriales de modo general es necesario exponer una
serie de herramientas cronolgicamente vinculadas entre ellas, con las cuales es posible construir resultados vlidos
en cualquier estructura que sea espacio vectorial.
Combinacin lineal
Dado un espacio vectorial E , diremos que un vector u es combinacin lineal de los vectores de S = {v1 , . . . , vn }
E si existen escalares a1 , . . . , an tales que
u = a1 v1 + + an vn
Notaremos como S E el conjunto resultante de todas las combinaciones lineales de los vectores de S E .
Proposicin 1 Dado E un espacio vectorial y S E un conjunto de vectores, el conjunto F = S E es el

subespacio vectorial ms pequeo contenido en E y que contiene a S .
Nota. En este caso se dice que S es un sistema de generadores que genera a F .
Diremos que un conjunto S = {v1 , . . . , vn } de vectores es linealmente independiente si el vector 0 no se puede

expresar como combinacin lineal no nula de los vectores de S , es decir:
0 = a1 v1 + + an vn a1 = = an = 0
Diremos que un conjunto S de vectores es linealmente dependiente si no es linealmente independiente.
Cada vector u es combinacin lineal de forma nica
n
Proposicin 2 v1 , . . . , vn son linealmente dependientes vi = 0 : vi = i=j1 a j vj
Base de un espacio vectorial
Las bases revelan la estructura de los espacios vectoriales de una manera concisa. Una base es el menor conjunto
(nito o innito) B = {vi}i I de vectores que generan todo el espacio. Esto signica que cualquier vector v puede
ser expresado como una suma (llamada combinacin lineal) de elementos de la base
a1 vi1 + a2 vi2 + ... + anvin,
donde los ak son escalares y vik (k = 1, ..., n) elementos de la base B. La minimalidad, por otro lado, se hace formal
por el concepto de independencia lineal. Un conjunto de vectores se dice que es linealmente independiente si ninguno
de sus elementos puede ser expresado como una combinacin lineal de los restantes. Equivalentemente, una ecuacin
a1 vi1 + ai2 v2 + ... + anvi = 0
slo se consigue si todos los escalares a1 , ..., an son iguales a cero. Por denicin de la base cada vector puede ser ex-
presado como una suma nita de los elementos de la base. Debido a la independencia lineal este tipo de representacin
es nica. Los espacios vectoriales a veces se introducen desde este punto de vista.
Base formalmente
Dado un sistema de generadores, diremos que es una base si son linealmente independientes.
Proposicin 3. Dado un espacio vectorial E, {v1 , . . . , vn } = F E es una base u E, !ai

n
K, i 1, . . . , n : u = i=1 ai vi .
Proposicin 4. Dado un espacio vectorial E, S = {v1 , . . . , vn } linealmente independiente y u

/
S {u} S = {u, v1 , . . . , vn } son linealmente independiente.
v1 y v2 son base de un plano, si hubiese dependencia lineal(alineados) la cuadrcula no podra generarse
Teorema de la base de generadores Todo sistema de generadores tiene una base.
Teorema Steinitz Toda base de un espacio vectorial puede ser cambiada parcialmente por vectores linealmente
independientes.
Corolario. Si un espacio vectorial E tiene una base de n vectores cualquier otra base posee n vec-
tores.
Observacin
Todo espacio vectorial tiene una base. Este hecho se basa en el lema de Zorn, una formulacin equivalente del
axioma de eleccin. Habida cuenta de los otros axiomas de la teora de conjuntos de Zermelo-Fraenkel, la existencia
de bases es equivalente al axioma de eleccin. El ultralter lemma, que es ms dbil que el axioma de eleccin,
implica que todas las bases de un espacio vectorial tienen el mismo tamao, es decir, cardinalidad. Si el espacio es
generado por un nmero nito de vectores, todo lo anterior puede demostrarse sin necesidad de acudir a la teora de
conjuntos.
Dimensin
Dado un espacio vectorial sobre K :
Si tiene base nita, diremos dimensin al nmero de elementos de dicha base.
Si tiene base no nita, diremos que es de dimensin innita.

Notacin Dado un espacio vectorial E y un subespacio F E , tenemos que:
Si E tiene dimensin n lo indicaremos como dim(E) = n .
Si F tiene dimensin m como subespacio de E lo indicaremos como dimE (F ) = m .
Interseccin de subespacios vectoriales
Dado dos subespacios vectoriales F, G E , la interseccin es subespacio vectorial contenido en estos y lo notaremos
como:
F G := {u : u F, u G}
Observaciones. Para la interseccin sucesiva de espacios vectoriales se procede, inductivamente, de dos

en dos.
La unin de subespacios vectoriales no es en general un subespacio vectorial.
Suma de subespacios vectoriales
Dado dos subespacios vectoriales F, G E , la suma es un subespacio vectorial que contiene a estos y la notaremos
como:
F + G := {u = v1 + v2 : v1 F, v2 G}
Si F y G son subespacios vectoriales de E, su suma F+G es el subespacio vectorial de E ms pequeo que contiene a
F y a G.
Observacin. Para la suma sucesiva de espacios vectoriales se procede, inductivamente, de dos en dos.
Teorema Frmula de Grassmann
Dado dos subespacios vectoriales F, G E de dimensin nita, tenemos el resultado siguiente:
dimE (F + G) = dimE (F ) + dimE (G) dimE (F G)
Suma directa de subespacios vectoriales
Dados dos subespacios vectoriales F, G E , diremos que F + G es una suma directa si F G = 0 y lo notaremos
como:
F G
Cuando F y G estn en suma directa, cada vector de F + G se expresa de forma nica como suma de un vector de
F y otro vector de G .
Cociente de espacios vectoriales
Dado un espacio vectorial E y un subespacio vectorial F E .

Dados u, v E diremos que estn relacionados modulo F si u v F .
La relacin anterior es una relacin de equivalencia.
Se nota por [u] = u + F := {u + v : v F } = {w : w = u + v, v F } a la clase de u modulo F .
Llamaremos conjunto cociente o espacio cociente al conjunto de las clases de equivalencia anterior:
E/F
El espacio E/F es un espacio vectorial con las operaciones siguientes:
[u] + [v] := [u + v]
[u] := [u]
3.1.7 Construcciones bsicas
Adems de lo expuesto en los ejemplos anteriores, hay una serie de construcciones que nos proporcionan espacios
vectoriales a partir de otros. Adems de las deniciones concretas que guran a continuacin, tambin se caracterizan
por propiedades universales, que determina un objeto X especicando las aplicaciones lineales de X a cualquier otro
espacio vectorial.
Suma directa de espacios vectoriales
Dado dos espacios vectoriales E, F sobre un mismo cuerpo K , llamaremos suma directa al espacio vectorial
E F = {u := (u1 , u2 ) : u1 E, u2 F } , veamos que estn bien denidas las dos operaciones:
u + v = (u1 , u2 ) + (v1 , v2 ) = (u1 + v1 , u2 + v2 ) ,
au = a(u1 , u2 ) = (au1 , au2 ) .
3.1.8 Espacios vectoriales con estructura adicional
Desde el punto de vista del lgebra lineal, los espacios vectoriales se comprenden completamente en la medida en que
cualquier espacio vectorial se caracteriza, salvo isomorsmos, por su dimensin. Sin embargo, los espacios vectoriales
ad hoc no ofrecen un marco para hacer frente a la cuestin fundamental para el anlisis de si una sucesin de funciones
converge a otra funcin. Asimismo, el lgebra lineal no est adaptada per se para hacer frente a series innitas, ya
que la suma solo permite un nmero nito de trminos para sumar. Las necesidades del anlisis funcional requieren
considerar nuevas estructuras.
Espacios normados
Un espacio vectorial es normado si est dotado de una norma.

Espacio mtrico
Un espacio mtrico es un espacio vectorial dotado de una aplicacin distancia.
Proposicin 5. Un espacio normado es un espacio mtrico, donde la distancia viene dada por:
d(x, y) = x y
Toda distancia inducida por la norma es una distancia.
Espacios vectoriales topolgicos
Dada una topologa sobre un espacio vectorial X donde los puntos sean cerrados y las dos operaciones del espacio
vectorial sean continuas respecto dichas topologa, diremos que:
es una topologa vectorial sobre X ,
X es un espacio vectorial topolgico.
Proposicin 6.. Todo espacio vectorial topolgico dotado de una mtrica es espacio normado.
Proposicin 7.. Todo espacio normado es un espacio vectorial topolgico.
Espacios de Banach
Un espacio de Banach es un espacio normado y completo.
Espacios prehilbertianos
Un espacio prehilbertiano es un par (E , |) , donde E es un espacio vectorial y | es un producto a escalar.
Espacios de Hilbert
Un espacio de Hilbert es un espacio prehilbertiano completo por la norma denida por el producto escalar.
3.1.9 Morsmos entre espacios vectoriales

Son aplicaciones entre espacios vectoriales que mantienen la estructura de los espacios vectoriales, es decir, conservan
las dos operaciones y las propiedades de stas de uno a otro de dichos espacios.
Aplicaciones lineales
Dado dos espacios vectoriales E y F , sobre un mismo cuerpo, diremos que una aplicacin f : E F es lineal si:
f (u +E v) = f (u) +F f (v)
f (a E u) = a F f (u)
3.1.10 Vase tambin

Combinacin lineal
Sistema generador
Base (lgebra)
Base Ortogonal
Base Ortonormal
Coordenadas cartesianas
Producto escalar
Producto vectorial
Producto mixto
Producto tensorial
Wikilibros
Wikilibros alberga un libro o manual sobre Espacio vectorial.
3.1.11 Referencias
Notas
[1] Bourbaki, 1969, ch. "lgabre linaire et lgebre multilinaire, pp. 7891.
[2] Bolzano, 1804.
[3] Mbius, 1827.
[4] Hamilton, 1853.
[5] Grassmann, 1844.
[6] Peano, 1888, ch. IX.
[7] Banach, 1922.
Referencias histricas
Banach, Stefan (1922). Sur les oprations dans les ensembles abstraits et leur application aux quations int-
grales (On operations in abstract sets and their application to integral equations) (en francs) 3. Fundamenta
Mathematicae. ISSN 0016-2736.
Bolzano, Bernard (1804). Betrachtungen ber einige Gegenstnde der Elementargeometrie (Considerations of
some aspects of elementary geometry) (en alemn).
Bourbaki, Nicolas (1969). lments d'histoire des mathmatiques (Elements of history of mathematics) (en
francs). Paris: Hermann.
Grassmann, Hermann (1844). Die Lineale Ausdehnungslehre - Ein neuer Zweig der Mathematik (en alemn).
Hamilton, William Rowan (1853). Lectures on Quaternions (en ingls). Royal Irish Academy.
Mbius, August Ferdinand (1827). Der Barycentrische Calcul : ein neues Hlfsmittel zur analytischen Behand-
lung der Geometrie (Barycentric calculus: a new utility for an analytic treatment of geometry) (en alemn).
The axiomatization of linear algebra: 18751940, Historia Mathematica 22 (3): 262303, 1995, ISSN 0315-
0860
Peano, Giuseppe (1888). Calcolo Geometrico secondo l'Ausdehnungslehre di H. Grassmann preceduto dalle
Operazioni della Logica Deduttiva (en italiano). Turin.
3.2. DEPENDENCIA E INDEPENDENCIA LINEAL 57
Bibliografa
Castellet, M.; Llerena, I. (1988). IV espais vectorials. lgebra lineal i geometra (en cataln). Publ. UAB.
Lang, S. (1976). lgebra Lineal. Fondo Educativo Interamericano.
Queysanne, M., lgebra Bsica, Vicens-Vives. 1973.
Rudin, w., Anlisis Funcional (Denicin axiomtica de espacios vectoriales topolgicos introductivamente),
Revert.

Juega con vectores
Weisstein, Eric W. Espacio vectorial. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
A lecture about fundamental concepts related to vector spaces (given at MIT)
A graphical simulator for the concepts of span, linear dependency, base and dimension
3.2 Dependencia e independencia lineal

En lgebra lineal, un conjunto de vectores es linealmente independiente si ninguno de ellos puede ser escrito con
una combinacin lineal de los restantes. Por ejemplo, en R3 , el conjunto de vectores (1, 0, 0), (0, 1, 0) y (0, 0, 1) es
linealmente independiente, mientras que (2, 1, 1), (1, 0, 1) y (3, 1, 2) no lo es, ya que el tercero es la suma de los
dos primeros.
3.2.1 Denicin
Dado un conjunto nito de vectores v1 , v2 , , vn , se dice que estos vectores son linealmente independientes si
existen nmeros a1 , a2 , , an , tales que:
a1 v1 + a2 v2 + + an vn = 0
donde la nica posibilidad que se cumpla esta ecuacin es que dichos escalares sean todos nulos. En caso contrario,
se dice que son linealmente dependientes. Ntese que el smbolo a la derecha del signo igual no es cero, sino que
simboliza al vector nulo 0 . El conjunto de vectores nulos forma la matriz nula. Si tales nmeros no existen, entonces
los vectores son linealmente independientes. La denicin anterior tambin puede extenderse a un conjunto innito
de vectores, concretamente un conjunto cualquiera de vectores es linealmente dependiente si contiene un conjunto
nito que sea linealmente dependiente.
Utilizando conceptos de espacios vectoriales podemos redenir la independencia lineal as:
Un conjunto de vectores U de un espacio vectorial es linealmente independiente si u U, u U u
Esta idea es importante porque los conjuntos de vectores que son linealmente indepedientes, generan un espacio
vectorial y forman una base para dicho espacio. Entre las propiedades de los vectores linealmente dependientes e
independientes encontramos:
1. Un conjunto de vectores es linealmente dependiente si y solamente si alguno de los vectores es combinacin

lineal de los dems.
2. Si un conjunto de vectores es linealmente independiente cualquier subconjunto suyo tambin lo es. Obviamen-
te, si tenemos un conjunto de vectores tales que ninguno de ellos es combinacin de los dems, escogiendo
solamente unos cuantos, no podrn ser combinacin de los otros.
3. Si un conjunto de vectores es linealmente dependiente, tambin lo es todo conjunto que lo contenga.
4. Un conjunto de vectores son linealmente dependientes si y slo si son paralelos.

5. Un conjunto de vectores son linealmente dependientes si los componentes entre ellos son proporcionales, bien
sea directa o inversamente proporcional.
Ya que un conjunto de vectores es linealmente dependiente si y solo si tiene algn vector que es combinacin
lineal de los dems, si metemos este conjunto de vectores en otro ms grande, seguimos teniendo el vector que
es combinacin lineal de otros, por tanto, el conjunto ms grande ser linealmente dependiente.
3.2.2 Signicacin geomtrica

Geomtricamente, dos vectores son independientes si no tienen la misma direccin. Esta denicin supone que el
vector nulo tiene todas las direcciones, en otras palabras este debe generar un rea.
Tres vectores son independientes si y solo si no estn contenidos en el mismo plano vectorial, o sea si ninguno de
ellos es una combinacin lineal de los otros dos (en cuyo caso estara en el plano generado por estos vectores) en
otras palabras este debe generar un volumen.
El espacio generado por un sistema de vectores es el conjunto de todas las combinaciones lineales de estos vectores.
Es un espacio vectorial. El espacio generado por un vector no nulo es la recta vectorial dirigido por este vector. El
espacio generado por dos vectores independientes es el plano que los contiene. Resulta fcil comprobar que el espacio
generado por un sistema de vectores es el menor (por la inclusin) espacio vectorial que los contiene a todos. Se le
denomina vect A, donde A es el sistema de vectores. Si n vectores son independientes, el espacio generado es de
dimensin n (dimensin en el sentido usual: 0 para un punto, 1 para una recta, 2 para un plano...).
3.2.3 Ejemplo
En el espacio tridimensional usual:
u y j son dependientes por tener la misma direccin.

u y v son independientes y denen el plano P.
u, v y w son dependientes por estar los tres contenidos en el mismo plano.
u, v y k son independientes por serlo u y v entre s y no ser k una combinacin lineal de ellos o, lo que es lo
mismo, por no pertenecer al plano P. Los tres vectores denen el espacio tridimensional.
Los vectores o (vector nulo, cuyas componentes son iguales a cero) y k son dependientes ya que o = 0 k
Ejemplo del uso de la frmula f:

Son los tres vectores siguientes independientes?

2 1 1
u = 0 , v = 3 , = 2
w
0 0 4
3.2. DEPENDENCIA E INDEPENDENCIA LINEAL 59
Buscamos tres valores x, y y z que satisfagan la ecuacin:

2 1 1 0
= x0 + y 3 + z 2 = 0
xu + yv + z w
0 0 4 0
Lo que equivale al sistema de ecuaciones siguiente:

2x + y + z = 0 x = 0
3y + 2z = 0 y = 0

4z = 0 z=0
Dado que la nica solucin es la trivial (x = y = z = 0), los tres vectores son independientes.
Mtodo alternativo usando determinantes
Un mtodo alternativo usa el hecho que n vectores en Rn son linealmente independientes si y solo si el determinante
de la matriz formada por estos vectores como columnas es distinto de cero.
Dados los vectores:
( ) ( )
1 3
u = , v = ,
1 2
La matriz formada por stos es:
[ ]
1 3
A= .
1 2
El determinante de esta matriz es:
det(A) = (1 2) ((3) 1) = 5 = 0.
Ya que el determinante es no nulo, los vectores (1, 1) y (3, 2) son linealmente independientes.
3.2.4 Ejemplo II
Sea V = Rn y consideremos los siguientes elementos en V:
e1 = (1, 0, 0, . . . , 0)
e2 = (0, 1, 0, . . . , 0)
..
.
en = (0, 0, 0, . . . , 1).
Entonces e1 , e2 ,..., e son linealmente independientes. Estos vectores constituyen la base cannica en R.
Demostracin
Supongamos que a1 , a2 ,..., an son elementos de R tales que:
a1 e1 + a2 e2 + + an en = 0
Sustituyendo e1 , e2 ,..., en resulta:

a1 (1, 0, ..., 0) + a2 (0, 1, ..., 0) + ... + an (0, 0, ..., 1)

Multiplicando:
(a1 , 0, ..., 0) + (0, a2 , ..., 0) + ... + (0, 0, ..., an )
Sumando coordenadas:
(a1 + 0 + 0 + . . . + 0, 0 + a2 + 0 + . . . + 0, . . . , 0 + 0 + . . . + an )
Por lo que se obtiene: (a1 , a2 , ..., an )
As que:
a1 e1 + a2 e2 + + an en = (a1 , a2 , . . . , an )
Adems: a1 e1 + a2 e2 + + an en = 0
Pero 0 es un vector, entonces: (a1 , a2 , ..., an ) = (0, 0, ..., 0)
Por lo que ai = 0 para todo i en {1,..., n}.
Entonces los vectores e1 , e2 , . . . , en son linealmente independientes
3.2.5 Ejemplo III

Sea V el espacio vectorial de todas las funciones a variable real. Entonces las funciones et y e2t en V son linealmente
independientes.
Demostracin
Supongamos que a y b son dos nmeros reales tales que:
aet + be2t = 0
Para todos los valores de t. Necesitamos demostrar que a = 0 y b = 0. Para hacer esto dividimos por et (que es un
nmero real diferente de cero, sea cual sea t) y restando obtenemos:
bet = a
En otras palabras, la funcin bet debe ser independiente de t, lo cual ocurre nicamente cuando b = 0. Por lo tanto, a
es cero.
3.2.6 Temas relacionados

Combinacin lineal, Sistema generador
Base (lgebra), Base Ortogonal, Base Ortonormal
Dependencia funcional
3.3 Sistema generador

En lgebra lineal, dado un espacio vectorial V, se llama sistema generador de V a un conjunto de vectores, perte-
necientes a V, a partir del cual se puede generar el espacio vectorial V completo. En este caso, el espacio vectorial V
se denomina conjunto generado o espacio generado.[nota 1]
Esto tambin es vlido para subconjuntos de V, en esos casos se habla de subconjuntos generados, o ms espec-
camente, subespacios generados por el sistema generador en cuestin.
3.3. SISTEMA GENERADOR 61
No confundir este concepto con el de base, ya que si bien toda base es un sistema generador, la implicacin inversa
no siempre es cierta. Mientras que una base ha de ser obligatoriamente un sistema libre, es decir, todos sus elementos
han de ser linealmente independientes, un sistema generador puede ser ligado, es decir, linealmente dependiente.
Para cualquier sistema generador A formado por n elementos, siempre podremos hallar una base B comprendida en
A con un nmero de elementos estrictamente menor que n.
3.3.1 Deniciones
Primero debe denirse el concepto de espacio generado o span lineal. Es el subespacio vectorial ms pequeo posible
que contiene a un cierto conjunto dado de antemano, formalmente lo deniremos de la siguiente manera.
Sea V un espacio vectorial de dimensin n sobre un cuerpo K , y sea A = {v1 , v2 , . . . , vm } un conjunto cualquiera de
vectores pertenecientes a V, en el cual m puede tomar tanto valores mayores como menores a n. En el caso particular
n = m hablamos de una base de V.
De la denicin se sigue que S est constituido por todas las combinaciones lineales posibles de los elementos de A.[3]
Esto nos permite enunciar lo siguiente
De ah que tambin sea denominado subespacio generado.
Se dene entonces, bajo estas condiciones,
Para representar al subespacio generado S se utilizan las siguientes notaciones, todas equivalentes: [1][3][4][5]
S = gen(A) = span(A) = A = L(A)
en tanto A sea el sistema generador de S.
3.3.2 Base
Cuando un sistema generador es linealmente independiente, se dice que constituye una base del espacio que genera.
Formalmente, dado un espacio vectorial V de dimensin n y un subconjunto A = {v1 , v2 , . . . , vn } de vectores de
este espacio, este ltimo es una base de V si se cumple que
V = gen(A) y
n
i=0 ki vi = 0 ki = 0, ki K
donde K representa el cuerpo sobre el cual fue denido V.
3.3.3 Ejemplos
1. Dado un nico segmento orientado en el plano, el conjunto que lo contiene como nico elemento es un sistema
generador, ya que su espacio lineal generado es una recta cuya direccin viene dada por dicho segmento.
2. Tomando el ejemplo anterior de manera ms concreta, representemos a los segmentos orientados en el plano
cartesiano real como pares ordenados. Tomemos entonces el par (1, 1) y construyamos A = {(1, 1)} , evi-
dentemente es un sistema generador, pues genera al conjunto S = {(1, 1)t : t R} que geomtricamente se
representa como una recta inclinada a 45 que pasa por el origen.
3. Siguiendo con la lnea de ejemplos anteriores, tomemos ahora un conjunto B = {(1, 1), (2, 2)} . En este caso
S = gen(B) , sin embargo el conjunto B es linealmente dependiente, ya que 2(1, 1) (2, 2) = (0, 0) . Esto
prueba que B no es una base de S.
Geomtricamente, se interpreta a la dependencia lineal como una relacin de paralelismo. As, dos segmentos
orientados en la misma direccin, es decir, paralelos, generan una misma recta.
4. Dados tres puntos no colineales en el espacio, estos generan un plano que puede ponerse en correspondencia
uno a uno con el espacio eucldeo R2
El segmento orientado v genera una recta compuesta por todos sus mltiplos t v.
5. Si tomamos en el ejemplo anterior tres puntos que s son colineales, entonces el conjunto formado por estos
puntos genera una recta en vez de un plano. Tomando slo dos de estos puntos, podemos construir un segmento
orientado y as establecer una base del subespacio representado por la recta.
6. Vamos a un ejemplo ms abstracto: el conjunto de funciones F = {3x + 2, 5x 1} genera el espacio de

funciones anes. Ms especcamente, es una base de este espacio. Si por ejemplo tomamos el subconjunto de
F {3x + 2} como sistema generador, obtenemos el subespacio de funciones anes {ax + b : 2a 3b = 0} .
En este caso, las funciones son vectores y los coecientes, elementos del cuerpo asociado.
3.3.4 Vase tambin

Espacio vectorial
Combinacin lineal
Base (lgebra)
Base Ortogonal
Base Ortonormal
Teorema de Rouch-Frobenius
Producto escalar
Producto vectorial
Producto mixto
Producto tensorial
3.3.5 Notas
[1] Algunos autores utilizan los trminos span o linear hull para referirse al espacio generado, generalmente en libros escritos
en ingls.[1]
3.4. BASE (LGEBRA) 63
3.3.6 Referencias
[1] Ganguly, S.; Mukherjee, M. N. (2012). A Treatise on Basic Algebra (en ingls) (3. edicin). Calcutta: Academic Publishers.
p. 485. ISBN 9789380599571.
[2] Arves Carballo, Jorge; Marcelln Espaol, Francisco (2005). Problemas resueltos de lgebra lineal. Paraninfo. p. 132.
ISBN 9788497322843.
[3] Castellet, Manuel; Llerena, Irene (1996). lgebra lineal y geometra. Barcelona: Reverte. pp. 7071. ISBN 9788429150094.
[4] Poole, David (2011). lgebra lineal (3. edicin). Cengage Learning. p. 96. ISBN 9786074816082.
[5] Morao Fernndez, Jos Antonio (2006). Fundamentos de lgebra lineal y aplicaciones. Ed. Univ. Politc. Valencia. p. 61.
ISBN 9788483630242.
3.3.7 Bibliografa
Castellet, M.; Llerena, I. (1988). IV espais vectorials. lgebra lineal i geometra (en cataln). Publ. UAB.
Lang, S. (1976). lgebra Lineal. Fondo Educativo Interamericano.
Queysanne, M., lgebra Bsica, Vicens-Vives. 1973.
Rudin, w., Anlisis Funcional (Denicin axiomtica de espacios vectoriales topolgicos introductivamente),
Revert.
3.4 Base (lgebra)

En lgebra lineal, una base es un conjunto B del espacio vectorial V si se cumplen las siguientes condiciones:
Todos los elementos de B pertenecen al espacio vectorial V.
Los elementos de B forman un sistema linealmente independiente.
Todo elemento de V se puede escribir como combinacin lineal de los elementos de la base B (es decir, B es
un sistema generador de V).[Nota 1]
3.4.1 Lema de Zorn y existencia de bases

Mediante el uso del lema de Zorn, es posible probar que todo espacio vectorial posee una base. Pese a que es posible
que un espacio vectorial no posea una nica base, se cumple que todo par de bases de un mismo espacio vectorial
tienen la misma cardinalidad. Por ser as, tal cardinalidad ser llamada como la dimensin del espacio vectorial.
Otras propiedades, consecuencias del lema de Zorn:
Todo sistema generador de un espacio vectorial contiene una base vectorial (de Hamel).
Todo conjunto linealmente independiente en un espacio vectorial, puede ser extendido a una base.
3.4.2 Observaciones adicionales

1. Las bases son conjuntos ordenados. Es decir que si bien {a,b,c} y {b,a,c} generan el mismo espacio vectorial,
las bases no son iguales.
2. Dado un vector v y una base B de un espacio vectorial V, existe una nica manera de escribir a v como
combinacin lineal de los elementos de la base B. Es decir, la representacin de un vector en una base es nica.
3. De la observacin anterior se desprende que las bases no son nicas. En general, suele haber innitas bases
distintas para un mismo espacio vectorial. Por ejemplo, si V = R3 , una base muy sencilla de V es:
Base estndar en el plano cartesiano.
B = {(1, 0, 0); (0, 1, 0); (0, 0, 1)}
la cual es conocida como base cannica de R3 . Otras bases de R3 son:

B = {(2, 0, 0); (0, 1, 0); (0, 0, 1)}
B = {(1, 1, 1); (1, 1, 0); (1, 0, 0)}

B = {(504, 0, 0); (0, 7, 0); (0, 0, 1/2)}
En general, toda base de R3 estar formada por tres vectores linealmente independientes que pertenezcan a R3 .
Cuando el espacio vectorial en s mismo es un conjunto nito entonces el nmero de bases distintas es nito.
1. Si V es un espacio vectorial de dimensin nita, entonces todas las bases de V sern nitas y tendrn la misma
cantidad de elementos.
2. No todas las bases tienen un nmero nito de elementos. Por ejemplo, las bases del espacio vectorial de los
polinomios de una variable tienen innitos elementos. Una posible base es la formada por las potencias de X:
B = {1, X, X 2 , X 3 , . . . }
3.4.3 Espacios de dimensin nita

Como se especic antes, se denomina espacio vectorial de dimensin nita a todo aquel generado por un conjunto
nito de vectores. En este caso puede denirse la dimensin del espacio como el cardinal del conjuno de vectores
que constituye la base. Por ejemplo, una recta homognea en el plano, es decir que pasa por el origen determinado
en este, tiene dimensin uno, por ser su base un nico vector.
Ejemplos de clculo
Tres segmentos orientados no colineales son una base del espacio tridimensional.
{ }
1. Tomemos la recta r = (x, y) R2 : y = x en el plano cartesiano. Sea (a, b) uno de sus puntos, cumple
b = a por pertenecer al conjunto r. Por lo tanto, puede escribirse
(a, b) = (a, a) = a(1, 1) .
Tomando cualquier a R se obtienen todos los puntos de la recta, as r = gen{(1, 1)} . La recta tiene como
base al segmento orientado (1, 1), que la dirige a 45 de los ejes cartesianos.
{ }
2. Ahora calculemos la base del plano homogneo = (x, y, z) R3 : x + y + z = 0 . Despejamos una de
las variables de la ecuacin del plano en funcin de las otras dos.
z = x y .
Sea (a, b, c) (a, b, c) = (a, b, a b) = a(1, 0, 1) + b(0, 1, 1) y por lo tanto, el conjunto
{(1, 0, 1), (0, 1, 1)} es una base de este plano.
3. El procedimiento anterior es vlido para cualquier dimensin. Supongamos dado el subespacio

S={(x1 ,x2 ,x3 ,x4 )R4 : x1 x2 =0 x1 x4 =0 5x1 6x3 5x4 =0}
en este caso se trata de varias ecuaciones, y todo punto perteneciente a l debe satisfacerlas simultneamente.
As, se obtendr la base reduciendo las ecuaciones a expresiones ms simples. La solucin del sistema es
(x1 , x2 , x3 , x4 ) = (1, 1, 0, 1)t , y por lo tanto, el conjunto que contiene al nico vector (1, 1, 0, 1) es la base
de S.
4. Lo mismo se aplica a otro tipo de espacios, por ejemplo, polinomios de grado 3. Consideremos el subespacio
P = {ax3 + bx2 + cx + d : a b = 0 3c + d = 0} . Expresamos las ecuaciones as
{
a = b
d = 3c
lo cual implica que el subespacio est conformado por los polinomios de la forma
p(x) = ax3 + ax2 + cx 3c = a(x3 + x2 ) + c(x 3) .
Por lo tanto, {x3 + x2 , x 3} es una base del espacio P.

5. Considrese ahora el problema inverso: dada una base, se busca el espacio que genera.
Si por ejemplo B = {(1, 1, 1)} es la base de algn subespacio de R3 , el objetivo entonces es hallar el
conjunto de combinaciones lineales gen(B) = {(1, 1, 1)t : t R} en forma implcita. Para esto, tmese
una terna ordenada (x, y, z) gen(B) . Se cumple que
(x, y, z) = (1, 1, 1)t
el cual es un sistema de ecuaciones lineales. Puede eliminarse el parmetro t, para obtener
gen(B) = {(x, y, z) R3 : x + y = y + z = 0} .
3.4.4 Espacios de dimensin innita

En el caso de espacios vectoriales de dimensin innita, como los que aparecen en anlisis funcional existen algunas
distinciones pertinentes que es importante sealar.
Bases de Hamel y de Hilbert
En un espacio vectorial de Hilbert de dimensin innita existen varias posibilidades de extender el concepto de
combinacin lineal nita. De un lado si consideramos nicamente combinaciones lineales nitas llegamos al con-
cepto de base de Hamel o base lineal. Puede probarse que todas las bases de Hamel tienen el mismo nmero de
elementos, este nmero o cardinal se llama dimensin lineal o dimensin de Hamel. Un conjunto constituye una
base de Hamel si y solo si:
BHam : base de Hamel

N
i K xi BHam : x= i xi
i=1
En un espacio de dimensin de Hamel nita, se puede encontrar solamente un nmero nito de vectores ortogonales
dos a dos, en cambio, cuando la dimensin de Hamel es innita, pueden introducirse en los espacios de Hilbert cier-
tas combinaciones lineales innitas en trminos de vectores ortogonales. En un espacio de Hilbert de dimensin
innita se dice que un conjunto es una base de Hilbert o base ortogonal, si y solo si:
BHil : base de Hilbert


i K xi BHil xi , xj = 0(i = j) : x= i xi
i=1
Nuevamente sucede que todas las bases ortogonales tienen el mismo cardinal, por lo que se dene el concepto de
dimensin de Hilbert como el cardinal de cualquier base de Hilbert.
Dimensin vectorial
La dimensin de un espacio vectorial se dene como el nmero de elementos o cardinal de una base de dicho espacio.
Dado que para todo espacio de Hilbert de dimensin innita podemos distinguir entre bases de Hilbert y de Hamel,
podemos denir la dimensin vectorial ordinaria y la dimensin vectorial de Hilbert. Se tiene que para cualquier
espacio vectorial V, la relacin entre dimensin de Hammel y dimensin de Hilbert es la siguiente:
(1) dimHam V dimHil V
En espacios de dimensin nita tambin se pueden denir las bases de Hilbert como bases de Hamel ortogonales. De
hecho, para un espacio de dimensin nita, la dimensin de Hilbert es igual a la dimensin de Hamel. En dimensin
nita toda base de Hamel es base de Hilbert y viceversa, por lo que para un espacio de dimensin nita en (1) se da
siempre la igualdad.
3.4.5 Temas relacionados

Espacio vectorial
Combinacin lineal
Sistema generador
Base ortogonal
Base ortonormal
Producto escalar
Producto vectorial
Producto mixto
Producto tensorial
3.4.6 Vase tambin

Mtodo de ortogonalizacin de Gram-Schmidt
3.4.7 Notas
[1] En el caso de Bases de Hilbert se entiende por combinacin lineal una suma innita convergente
3.5 Dimensin de un espacio vectorial

La dimensin de un espacio vectorial (tambin llamada dimensin de Hamel de un espacio vectorial, para distin-
guirla de la dimensin de Hilbert en el caso de los espacios de Hilbert) es el nmero de vectores que forman una base
[de Hamel] del espacio vectorial.
3.5.1 Introduccin
Informalmente la dimensin de un espacio topolgico, da una idea de cuantos parmetros se necesitan para localizar
con toda precisin un punto en este espacio. Cuando el espacio topolgico en cuestin es un espacio vectorial, ese
nmero coincide con el nmero de vectores de una base de dicho espacio.
En un plano eucldeo ( ), se escogen tres puntos distintos O, I y J no alineados y se denen los vectores:

u = OI

v = OJ
y un punto M es localizado por su abscisa x y su ordenada y: M(x,y) signica
= xi + yj
OM
Si se cambia el cuerpo de los escalares, de R a C , entonces el mismo punto M ser deteminado por el complejo zM
=x + yi, es decir por un solo parmetro.
La dimensin de P es 1 sobre C y dos sobre R :
dimC P = 1
dimR P = 2
Un plano real es por lo tanto una recta compleja. La apelacin plano complejo para designar un plano real con escritura
compleja de las coordenadas ( x + yi en vez de (x; y) ) es errnea, pero muy comn.
El espacio ambiente es tridimensional y se requiere por lo tanto tres reales (x, y, z) para denir un punto. No se le
puede considerar como un espacio sobre C .
3.5. DIMENSIN DE UN ESPACIO VECTORIAL 69
En la teora de la relatividad, se aade una cuarta variable: el tiempo, y un punto (x, y, z, t) de este espacio cuadri-
dimensional corresponde a un evento o acontecimiento (las coordenadas nos dicen donde y cuando ocurri).
En algunas teoras actuales, los fsicos trabajan en un modelo del espacio con once dimensiones, pero sobre el conjunto
de los enteros, y no los real. Como el conjunto Z de los racionales no es un cuerpo sino un anillo, el espacio no es
vectorial (se dice que es un mdulo). Sin embargo, la denicin de la dimensin es vlida en tales espacios. En este
ejemplo, la mayora de las dimensiones son enrolladas sobre s mismas, como una serpiente que se muerde la cola. Su
curvatura es enorme, pues su radio es microscpico, menor que el de un ncleo. Los espacios vectoriales no tienen
curvatura.
3.5.2 Denicin formal

Ms formalmente la dimensin de un espacio vectorial se dene como el cardinal de una base vectorial para dicho
espacio. Por el axioma de eleccin todo espacio tiene una base (incluso el espacio {0}, ya que el vaco es una base),
y puesto que puede demostrarse que todas las bases vectoriales tienen el mismo cardinal, el concepto de dimensin
est bien denido. Conviene notar que existen espacios vectoriales de tanto de dimensin nita como de dimensin
innita (el espacio vectorial de los polinomios de una variable, por ejemplo tiene dimensin 0 .
La dimensin de un espacio coincide adems con los dos cardinales siguientes:
El mximo nmero de vectores linealmente independientes de dicho espacio.

El mnimo nmero de vectores que forman un conjunto generador para todo el espacio.
3.5.3 Dimensin de un subespacio

La denicin sigue siendo la misma en el caso de un subespacio, pero existe un mtodo particular de calcularla cuando
el subespacio es denido como espacio generado por sistema de vectores. Vemoslo en un ejemplo. En el espacio R3
, sean los vectores:

1 2 3 4
u 3 , v 1 , w
5 y n 5
2 3 4 7
Cuatro vectores no pueden ser independientes en R3 , por lo tanto tienen que existir relaciones de dependencia:

1 2 3 4
x 3 + y 1 + z 5 + t 5 = 0
2 3 4 7
lo que se puede escribir en forma matricial :

x
1 2 3 4
y
3 1 5 5 z = 0
2 3 4 7
t
Llamemos A a la matriz anterior, y X el vector columna. Esta relacin signica que el vector X pertenece al ncleo
de A, que se nota Ker A (del alemn Kern, ncleo). El espacio generado es el conjunto de los
xu + yv + z w
+ tn
es decir de los AX: es la imagen de A.

Resulta intuitivo que cuanto mayor es el ncleo, menor es la imagen, en trminos de dimensiones. Concretamente, si
llamamos rango de A a la dimensin de su imagen: rg A = dim (Im A), tenemos la relacin:
rg A + dim (Ker A) = dim E (E: espacio de entrada de A, aqu E = R4 ).
Busquemos dim (Ker A):

(I) x 2y 3z + 4t = 0 (I) x 2y 3z + 4t = 0
(II) 3x + y + 5z + 5t = 0 (IV ) = (II) 3(I) 7y + 14z 7t = 0

(III) 2x + 3y + 4z 7t = 0 (V ) = (III) + 2(I) y 2z + t = 0

(I) x 2y 3z + 4t = 0
(IV )/7 y + 2z t = 0

(V ) y + 2z t = 0
Quedan dos ecuaciones no proporcionales, por lo tanto independientes, y cada una resta 1 a la dimensin, que vale
inicialmente 4. Resulta que dim (Ker A ) = 2. Se puede constatarlo de otra manera: Las dos ecuaciones permiten
expresar y,luego x en funcin de z y t, por consiguiente solo quedan dos variables libres, y la dimensin es 2.
Aplicando la frmula : rg A = 4 - 2 = 2. El subespacio es un plano.
3.5.4 Frmula de las dimensiones de Grassmann

Si U1 y U2 son subespacios de un espacio vectorial de dimensin nita, se cumple:
dim U1 + dim U2 = dim(U1 + U2 ) + dim(U1 U2 )
3.5.5 Ejemplos
Todo espacio eucldeo tiene dimensin nita sobre R .
El conjunto de los nmeros complejos C es de dimensin 1 sobre C , es decir, dimC (C)=1 , sin embargo, sobre R
es dimensin 2, dimR (C)=2 .
El conjunto de los cuaterniones de Hamilton H , satisface dimR (C)=4 y dimC (C)=2 .
Dado un cuerpo K , el conjunto:
Kn = K K
| {z }
n
satisface dimK (K)=n .
Todo conjunto con estructura de cuerpo K es un espacio vectorial sobre s mismo de dimensin 1. Si se considera
un subcuerpo K1 entonces el cuerpo original es un espacio vectorial sobre el subcuerpo. Si K es una extensin
algebraica de K1 entonces la dimensin del cuerpo original sobre el subcuerpo es nita.
El conjunto de matrices Mnn (K) es un espacio vectorial de dimensin n2 .
El espacio vectorial de los polinomios K[X] tiene dimensin innita sobre K , concretamente, dimK (K[X])=0 .
El conjunto de nmeros reales tiene dimensin 1 cuando se considera como cuerpo de escalares R , pero si
se considera un subcuerpo numerable de los reales, como por ejemplo los nmero racionales Q entonces la
dimenisn es innita en concreto dimQ (R)=1 .
3.5.6 Referencias
Bibliografa
Gannon, Terry (2006), Moonshine beyond the Monster: The Bridge Connecting Algebra, Modular Forms and
Physics, ISBN 0-521-83531-3
3.6. SUBESPACIO VECTORIAL 71
Enlaces externos
MIT Linear Algebra Lecture on Independence, Basis, and Dimension by Gilbert Strang at MIT OpenCourse-
Ware
3.6 Subespacio vectorial

En lgebra lineal, un subespacio vectorial es el subconjunto de un espacio vectorial, que satisface por s mismo la
denicin de espacio vectorial con las mismas operaciones que V..
3.6.1 Denicin subespacio vectorial

Sea V un espacio vectorial sobre K y U V no vaco, U es un subespacio vectorial de V si:
i) u, v U, u + v U
ii) u U, k K, ku U
Consecuencias
Un subespacio vectorial que cumple las dos condiciones anteriores es un espacio vectorial.
Notaciones
Dado F un subespacio vectorial, se tiene:
Para i) el abuso de lenguaje F + F F , e incluso F + F = F es correcto.
Para ii) el abuso de lenguaje F F , e incluso F = F, K {0} es correcto.
Criterio de vericacin
Es posible sintetizar i) y ii) en una condicin nica:
3.6.2 Ejemplos
Dado el espacio vectorial R2 , sus elementos son del tipo (a, b) R2 .
y estn alineados, ,
y forman un paralelogramo si no estn alineados,
Suma de 3 elementos.
El subconjunto
U = {(a, b) : a + b = 0} .
es un subespacio vectorial.
El subconjunto
C = {(a, b) : b = a2 }
no es un subespacio vectorial.
3.6.3 Operaciones con subespacios

Sea (V, +, K, *) un espacio vectorial; (S, +, K, *) y (W, +, K, *) subespacios de V, se denen las siguientes operaciones:
Unin
S W = [X V /X S X W ]
En la gran mayora de los casos la unin de dos subespacios no es un subespacio de V, pues no se cumple con la
ley de composicin interna. S pertenece de forma segura la unin a V en los casos en que S este contenido en W o
viceversa.
Interseccin
S W = [X V /X S X W ]
La interseccin de dos subespacios es un subespacio de V.
Suma
S + W = [X V /X = (X1 + X2 ) X1 S X2 W ]
La suma de dos subespacios es un subespacio de V.
Suma directa Si la interseccin entre S y W es el subespacio trivial (es decir, el vector nulo), entonces a la suma
se la llama suma directa.[1]
Es decir que si S W = 0 S W
Lo que quiere decir tambin que todo vector de V, se escribe de manera nica como la suma de un vector de S y otro
de W.
3.6.4 Dimensiones de subespacios

Esta frmula resuelve que la dimensin de la suma de los subespacios S y W ser igual a la dimensin del subespacio
S ms la dimensin del subespacio W menos la dimensin de la interseccin de ambos.
Por ejemplo, siendo dim(S) = 3 y dim(W ) = 2 y teniendo como interseccin un subespacio de dimensin 1.
Luego, dim(S + W ) = 4 .
En la suma directa En el caso particular de la suma directa, como S W = 0 dim(S W ) = 0 .

La frmula de Grassmann resulta:
dim(S W ) = dim(S) + dim(W )
Entonces en el ejemplo anterior, resultara dim(S W ) = 5 .
3.6.5 Vase tambin
Espacio vectorial
Combinacin lineal
Sistema generador
Base (lgebra)
Base Ortogonal
3.7. ESPACIO COCIENTE (LGEBRA LINEAL) 73
Base Ortonormal
Producto escalar
Producto vectorial
Producto mixto
3.6.6 Referencias
[1] "lgebra II Armando O. Rojo. Editorial El Ateneo. Buenos Aires.
3.7 Espacio cociente (lgebra lineal)

En lgebra lineal, el espacio vectorial cociente E/F de un espacio vectorial E por un subespacio vectorial F, es la
estructura natural de espacio vectorial sobre el conjunto cociente de E por la siguiente relacin de equivalencia: v est
relacionado con w si y solo si v-w pertenece a F.
3.7.1 Denicin
Sea E un espacio vectorial sobre un cuerpo K, y sea F un subespacio vectorial de E, podemos denir la siguiente
relacin de equivalencia entre los elementos de E:
Dados u, v E diremos que estn relacionados mdulo F si u v F .
Observacin: u v F equivale a u v = w, w F , es decir, u = v + w, w F y abusando del lenguaje
u = v + F.
Se nota por [u] = u + F := {u + v : v F } = {w : w = u + v, v F } a la clase de u mdulo F .
Llamaremos espacio cociente al conjunto de las clases de equivalencia anterior:
E/F
El espacio E/F es un espacio vectorial con las operaciones siguientes:

Observaciones
Si u v + F u + F = v + F [u] = [v] por constituir E/F una particin de E .
Si u F u [0].
Si u F , u (u + F ) = u = u + v, v F ( 1)u F = 1.
Los elementos de [u] : [u] = [0] no son un espacio vectorial en E pues no tiene el elemento neutro 0.
3.7.2 Dimensin del espacio cociente
Dado E un espacio vectorial y F E un subespacio, si la dimensin de E es nita entonces:
E/F es de dimensin nita
dim E/F=dim E-dim F

Demostracin:
Sean m = dim F, n = dim E y u1 , ..., um una base de F. Se puede completar la base hasta obtener una de E,
u1 , ..., um , um+1 , ..., un .

n
u E, u = ki ui
i=1
n
Tomando clases, [u] = i=m+1 ki [ui ] , pues [u1 ] = ..., [um ] = 0 (ya que u1 , ..., um F ). Luego, se tiene que
[um+1 ], ..., [un ] generan E/F.
Para ver que son linealmente independientes, supngase que:

n
n
0= ki [ui ] = [ ki ui ]
i=m+1 i=m+1
n n m
entonces, i=m+1 ki ui pertenece a F, en consecuencia, existen k1 , ..., km tales que i=m+1 ki ui = i=1 ki ui .
Por la independencia lineal de u1 , ..., un , se sigue que km+1 , ..., kn = 0 .
Por lo tanto, um+1 , ..., un son una base de E/F y dim E/F = n-m = dim E - dim F.
3.7.3 Ejemplo
Sea F un subespacio vectorial de R2 generado por un vector v , F = v , si se considera el espacio cociente R2 /F
la clase de un vector u R2 ser:
[u] = {u + v : v F } , siendo su espacio cociente R2 /F = {[u] : u R2 } , es decir todas las rectas

paralelas al subespacio F.
3.7.4 Vase tambin

Grupo cociente
Conjunto cociente
3.7.5 Referencias
Weisstein, Eric W. Espacio Vectorial Cociente. En Weisstein, Eric W. MathWorld (en ingls). Wolfram
Research.
3.7.6 Bibliografa
Manuel Castellet, Irene Llerena, lgebra lineal y geometra, Editorial revert, S.A., 2000.
3.7. ESPACIO COCIENTE (LGEBRA LINEAL) 75
F y 2 clases [u], [u'] del espacio cociente R2 /F .

Captulo 4
Aplicaciones Lineales
4.1 Aplicacin lineal

En matemticas una aplicacin lineal es una aplicacin entre dos espacios vectoriales, que preserva las operaciones
de adicin de vectores y multiplicacin por un escalar.
En lgebra abstracta y en lgebra lineal una aplicacin lineal es un homomorsmo entre espacios vectoriales o en el
lenguaje de la teora de categoras un morsmo sobre la categora de los espacios vectoriales sobre un cuerpo dado.
4.1.1 Denicin
Se denomina aplicacin lineal, funcin lineal o transformacin lineal a toda aplicacin cuyo dominio y codominio
sean espacios vectoriales que cumpla la siguiente denicin:
Sean V y W espacios vectoriales sobre el mismo cuerpo K . Una aplicacin T de V en W es una

transformacin lineal si para todo par de vectores u, v V y para todo escalar k K , se satisface que:
1. T (u + v) = T (u) + T (v)
2. T (ku) = kT (u) .
4.1.2 Ejemplos
1. La aplicacin B : C C que enva en (su conjugado) es una transformacin lineal si consideramos
a C como un R -espacio vectorial. Sin embargo, no lo es si lo pensamos como C -espacio vectorial, ya que
B(i) = i = iB(1) .
2. Dado un espacio vectorial cualquiera, podemos denir la funcin identidad T : V V / T (x) = x,

x V , que resulta una transformacin lineal.
3. Las homotecias: T : Kn Kn / T (x) = kx con k K . Si k > 1 se denominan dilataciones, si k < 1 se

denominan contracciones.
4. Dada una matriz A Mnm (K) , la funcin LA : K m K n denida como LA (x) = Ax es una trans-
formacin lineal. Gracias a la matriz asociada (leer ms abajo en el artculo), podemos concluir que cualquier
transformacin lineal denida entre espacios vectoriales de dimensin nita puede verse como multiplicar por
una matriz.
t
5. Sea V el conjunto de funciones continuas en R y defnase : V V mediante (f )(t) = 0 f (x) dx ,
ocurre que:
t t t
(f (x) + g(x)) dx = f (x) dx + g(x) dx
0 0 0
76
4.1. APLICACIN LINEAL 77
t t
0
cf (x) dx = c 0
f (x) dx para c R
Por lo tanto, se cumple que (f + g) = (f ) + (g) y (cf ) = c (f ) para todo f y g en V y todo

c R , as que es una aplicacin lineal de V en V . [1]
4.1.3 Propiedades de las transformaciones lineales

Sean V y W espacios vectoriales sobre K (donde K representa el cuerpo) se satisface que:
Si T : V W es lineal, se dene el ncleo (ker) y la imagen (Im) de T de la siguiente manera:
ker(T ) = { v V : T (v) = 0W }
Im(T ) = { w W : v V : T (v) = w }
Es decir que el ncleo de una transformacin lineal est formado por el conjunto de todos los vectores del dominio
que tienen por imagen al vector nulo del codominio.
El ncleo de toda transformacin lineal es un subespacio vectorial del dominio:
1. 0V ker(T ) dado que T (0V ) = 0W (para probar esto, observar que T (0V ) = T (0V + 0V ) = T (0V ) +
T (0V ) ).
2. Dados u, v ker(T ) : T (u + v) = T (u) + T (v) = 0W + 0W = 0W u + v ker(T )
3. Dados u ker(T ) k : T (ku) = kT (u) T (ku) = k0W = 0W ku ker(T )
Se denomina nulidad a la dimensin del ncleo. null(T ) = dim(ker(T ))

La imagen de una transformacin lineal est formada por el conjunto de todos los vectores del codominio que son
imgenes de al menos algn vector del dominio.
La imagen de toda transformacin lineal es un subespacio del codominio.
El rango de una transformacin lineal es la dimensin de la imagen.
ran(T ) = dim(Im(T ))
4.1.4 Cmo formar nuevas transformaciones lineales a partir de otras dadas

Si f 1 : V W y f 2 : V W son lineales, entonces tambin lo es su suma f 1 + f 2 (denida como (f 1 + f 2 )(x) = f 1 (x)
+ f 2 (x)).
Si f : V W es lineal y a es un elemento del cuerpo K, entonces la funcin af, denida como (af)(x) = a (f(x)),
tambin es lineal.
Gracias a estas dos propiedades, y a que la funcin que enva todo al elemento nulo es una aplicacin lineal, es que el
conjunto de transformaciones lineales f: V W forma un subespacio de las funciones de V en W. A este subespacio
se lo nota L(V,W) o Hom(V,W). La dimensin de L(V,W) es igual al producto de las dimensiones de V y W.
Si f: V W y g: W Z son lineales entonces su composicin gf: V Z tambin lo es.
Dado un espacio vectorial V, el espacio vectorial L(V,V), que se nota usualmente como End(V), forma un lgebra
asociativa sobre el cuerpo base, donde la multiplicacin es la composicin y la unidad es la transformacin identidad.
Si f: V W es una transformacin lineal biyectiva, entonces su inversa tambin es transformacin lineal.
78 CAPTULO 4. APLICACIONES LINEALES
4.1.5 Teoremas bsicos de las transformaciones
Sea B = {vi: i J} base de V y C = {wi: i J} una coleccin de vectores de W no necesariamente distintos,

entonces existe una nica transformacin lineal T: V W que satisface:
T (vi ) = wi , i J
Sea T : V W una transformacin lineal.
dim(V ) = dim(N (T )) + dim(Im(T ))
Como corolario bsico de este teorema, obtenemos que una transformacin lineal de un espacio vectorial de dimensin
nita en s mismo es un isomorsmo si y slo si es un epimorsmo si y solo si es un monomorsmo.
4.1.6 Clasicacin de las transformaciones lineales
Funcional lineal: A las transformaciones lineales T : V K (donde K es el cuerpo base de V) las llamamos
funcionales lineales.
Monomorsmo: Si T : V W es inyectiva, si el nico elemento del ncleo es el vector nulo. ker(T ) = 0V
Epimorsmo: Si T : V W es sobreyectiva (suryectiva).
Isomorsmo: Si T : V W es biyectiva (inyectiva y sobreyectiva)
Endomorsmo: Se le llama a una transformacin lineal en el que dominio y codominio coinciden.
Automorsmo: Se le llama a un endomorsmo biyectivo.
4.1.7 Matriz asociada a una transformacin lineal
Si V y W tienen dimensin nita y uno tiene elegidas bases en cada uno de los espacios, entonces todo mapa lineal
de V en W puede representarse por una matriz. Recprocamente, toda matriz representa una transformacin lineal.
Sean T:VW una transformacin lineal, B={v1 , ..., vn} una base de V, C={w1 , ..., wm} base de W. Para calcular
la matriz asociada a T en las bases B y C debemos calcular T(v) para cada i=1,...,n y escribirlo como combinacin
lineal de la base C:
T(v1 )=a11w1 + ...+am1 wm, ..., T(v )=a1nw1 + ...+amn wm.
La matriz asociada se nota C[T]B y es la siguiente:

a11 ... a1n
C [T ]B =
... ... ...
am1 ... amn
Como un vector de W se escribe de forma nica como combinacin lineal de elementos de C, la matriz es nica.
Gracias al teorema mencionado en la seccin Teoremas bsicos de las transformaciones lineales en espacios con
dimensin nita, sabemos que dada cualquier eleccin de u1 , ..., un existe y es nica la transformacin lineal que
enva v en u. Por lo tanto, dada A cualquier matriz m n, existe y es nica la transformacin lineal T:VW tal que
C [T] B=A.
Adems, las matrices asociadas cumplen que C [aT+bS] B = a C [T] B + b C [S] B para cualquier a,b, T,S
L(V,W). Por esto es que la aplicacin que hace corresponder cada transformacin lineal con su matriz asociada es un
isomorsmo entre L(V,W) y MnmC (K).
Si nos restringimos al caso V=W, C=B, tenemos adems que esta aplicacin es un isomorsmo entre lgebras.
4.2. ESPACIO DUAL 79
4.1.8 Vase tambin
Pendiente de una recta, Ecuacin lineal
lgebra lineal
Funciones matemticas
Geometra analtica
Operador lineal acotado
4.1.9 Referencias
[1] "lgebra lineal y matrices (1989) Herstein y Winter ISBN 968-7270-52-7; pg. 331
Enlaces externos
Weisstein, Eric W. Transformacin lineal. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
Universidad Politcnica de Madrid: Aplicaciones lineales
Universidad Politcnica de Catalunya: Aplicaciones Lineales
Matemticas para todos: Aplicaciones Lineales
Universidad de Cantabria: Aplicaciones lineales
4.2 Espacio dual

En matemticas, la existencia de un espacio vectorial 'dual' reeja de una manera abstracta la relacin entre los vectores
la (1n) y los vectores columna (n1) de una matriz. La construccin puede darse tambin para los espacios innito-
dimensionales y da lugar a modos importantes de ver las medidas, las distribuciones y el espacio de Hilbert. El uso
del espacio dual es as, en una cierta manera, recurso del anlisis funcional. Es tambin inherente a la transformacin
de Fourier.
4.2.1 El espacio dual algebraico
Dado cualquier espacio vectorial V sobre un cierto cuerpo F, denimos el espacio dual V* como el conjunto de
todas las funcionales lineales en F, es decir, transformaciones lineales en V a valores escalares (en este contexto,
un escalar es un miembro del cuerpo-base F). El propio V* se convierte en un espacio vectorial sobre F bajo la
deniciones siguientes ('punto a punto') de la adicin y de la multiplicacin escalar
{
( + )(x) = (x) + (x)
(a)(x) = a(x)
para todos , en V*, a en F y x en V. En lenguaje del clculo tensorial, los elementos de V a veces se llaman
vectores contravariantes, y los elementos de V* vectores covariantes (y a campos de estos uno-formas).
80 CAPTULO 4. APLICACIONES LINEALES
Ejemplos
Si la dimensin de V es nita, entonces V* tiene la misma dimensin que V; si { e1 ,..., en} es una base para V,
entonces la base dual asociada { e,...,e n } de V* viene dada por:
{
1, si i = j
ei (ej ) =
0, si i = j
Especcamente, si se interpreta Rn como espacio de columnas de n nmeros reales, su espacio dual se escribe
tpicamente como el espacio de las de n nmeros. Tal la acta en Rn como funcional lineal por la multiplicacin
ordinaria de matrices. Si V consiste en el espacio de los vectores geomtricos (echas) en el plano, entonces los
elementos del dual V* se pueden intuitivamente representar como colecciones de lneas paralelas. Tal coleccin de
lneas se puede aplicar a un vector para dar un nmero de la manera siguiente: se cuenta cuntas de las lneas cruzan
el vector.
Si V es innito-dimensional, entonces la construccin antedicha ej no produce una base para V* y la dimensin de
V* es mayor que la de V. Considrese por ejemplo el espacio R () , cuyos elementos son las secuencias de nmeros
reales que tienen solo una cantidad nita de entradas diferentes de cero. El dual de este espacio es R , el espacio de
todas las secuencias de nmeros reales. Tal secuencia (an) se aplica a un elemento (xn) de R() para dar n xnan.
Traspuesta de una transformacin lineal
Si f: V -> W es una funcin lineal, se puede denir su transpuesta f : W V por
f () = f
para cada en W*, la asignacin f 7 f genera un homomorsmo inyectivo entre el espacio de operadores lineales
de V a W y el espacio de operadores lineales de W* a V*; este homomorsmo es un isomorsmo ssi W es nito-
dimensional o V es trivial. Si la funcin lineal f es representada por la matriz A con respecto a dos bases de V y W,
entonces t f es representada por la matriz transpuesta t A con respecto a las bases duales de W* y de V*. Si g: W
X es otra funcin lineal, se tiene t (g o f) = t f o t g. En el lenguaje de la teora de las categoras, tomar el dual de los
espacios vectoriales y la transpuesta de funciones lineales es por lo tanto un funtor contravariante de la categora de
los espacios vectoriales sobre F a s misma.
Los productos bilineales y los espacios duales
Como vimos arriba, si V es nito-dimensional, entonces V es isomorfo a V*, solamente que el isomorsmo no es
natural y depende de la base de V con que comenzamos. De hecho, cualquier isomorsmo de V a V* dene un
producto bilineal no degenerado nico en V por
v, w = ((v))(w)
y cada producto bilineal no degenerado en un espacio nito-dimensional da lugar inversamente a un isomorsmo de

V a V*.
Inyeccin en el doble-dual
Hay un homomorsmo natural de V en el doble dual V**, denido por ((v))(f) = f(v) para todo v en V, f en V*.
Esta funcin es siempre inyectiva; es un isomorsmo si y solamente si V es nito-dimensional.
4.2.2 El espacio dual topolgico

En el caso de espacios de dimensin nita, el dual topolgico coincide con el dual algebraico y el concepto de dual
topolgico es trivial. Sin embargo, con espacios vectoriales de dimensin innita el dual topolgico generalmente es
estrictamente ms pequeo que el dual algebraico:
4.2. ESPACIO DUAL 81
Al tratar con un espacio vectorial normado V (e.g., un espacio de Banach o un espacio de Hilbert), tpicamente se est
interesado solamente en los funcionales lineales continuos del espacio en el cuerpo. stos forman un espacio vectorial
normado, llamado el dual continuo o dual topolgico de V, a veces llamado solamente el dual de V. Es denotado
por V' . La norma de una funcional lineal continua en V es denida por:
= sup{|(x)| : x 1}
Donde sup denota el supremo de un conjunto.

La denicin anterior convierte al dual continuo o topolgico en un espacio vectorial normado, de hecho en un espacio
de Banach. Uno puede tambin hablar del continuo de un espacio vectorial topolgico arbitrario. Esto es sin embargo
mucho ms duro de tratar, ya que en general no ser un espacio vectorial normado de ninguna manera natural.
La denicin anterior puede generalizarse un poco, dado un espacio vectorial topolgico V se dene el espacio dual
topolgico como el subespacio del dual algebraico formado por funciones continuas respecto a la topologa de V.
Ejemplos
Para cualquier espacio vectorial normado o espacio vectorial topolgico nito-dimensional, tal como el espacio
euclidiano n-dimensional, el dual continuo y el dual algebraico coinciden.
Sea 1 < p < un nmero real y considere el espacio de Banach [[''l''<sup>''p''</sup>]] de todas las secuencias
a = (an) para las que
1/p
ap = ( n=0 |an |p )
es nito. Defnase el nmero q por 1/p + 1/q = 1. Entonces el dual continuo lp se identica naturalmente con lq : dado
un elemento de (lp )', el elemento correspondiente de lq es la secuencia ((en)) donde en denota la secuencia cuyo
trmino n-simo es 1 y todos los dems son cero. Inversamente, dado un elemento a = (an ) lq , el funcional lineal
p
continuo correspondiente en lp es denido por (b) = n an bn para toda b = (bn) l (vase la desigualdad de Hlder).
De una manera similar, el dual continuo de l se identica naturalmente con l . Adems, el dual continuo de
los espacios de Banach c (que consisten en todas las series convergentes, con la norma del supremo) y c0 (las
secuencias que convergen a cero) son ambas identicadas naturalmente con l.
Otro ejemplo interesante es el dual topolgico de las funciones suaves de soporte compacto C0 (Rn ) cuyo dual
topolgico son precisamente las distribuciones convencionales o funciones generalizadas.
Otras propiedades
Si V es el espacio de Hilbert, entonces su dual continuo es un espacio de Hilbert que es contra-isomorfo a V. ste
es el contenido del teorema de representacin de Riesz, y da lugar a la notacin bra-ket usada por los fsicos en la
formulacin matemtica de la mecnica cuntica. En analoga con el caso del doble dual algebraico, hay siempre un
operador lineal continuo inyectivo naturalmente denido : V V '' en su doble dual continuo V ''. Esta funcin
es de hecho una isometra, signicando ||(x)||=||x|| para todo x en V. Espacios para los cuales la funcin es una
biyeccin se llaman reexivos. El dual continuo se puede utilizar para denir una nueva topologa en V, llamada la
topologa dbil. Si el dual de V es separable, entonces as es el espacio V mismo. El inverso no es verdad; el espacio
l es separable, pero su dual es l , que no es separable.

Weisstein, Eric W. Dual Space. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
Dual Space en PlanetMath
Captulo 5
Text and image sources, contributors, and

licenses
5.1 Text
lgebra lineal Fuente: http://es.wikipedia.org/wiki/%C3%81lgebra%20lineal?oldid=81948845 Colaboradores: AstroNomo, Youssef-
san, Zuirdj, Oblongo, Moriel, Sanbec, Zwobot, Comae, Dodo, Cucharro, Jynus, Sms, Tostadora, Tano4595, Ramjar, Napier84, Cina-
brium, Fmariluis, Periku, Javier fraile, FAR, Digigalos, Petronas, AlfonsoERomero, Airunp, Taichi, Rembiapo pohyiete (bot), Magister
Mathematicae, RobotQuistnix, Chobot, Caiserbot, Yrbot, Davidsevilla, Adrruiz, Mortadelo2005, Wewe, LoquBot, Makahaxi, Paintman,
Ricard Delgado Gonzalo, Daniel De Leon Martinez, Laura Fiorucci, JMCC1, Marianov, Jjvaca, Baiji, Ugur Basak Bot~eswiki, Roberpl,
Davius, Antur, Ingenioso Hidalgo, Thijs!bot, Escarbot, MSBOT, Gusgus, TXiKiBoT, Humberto, Arturo Purroy, Idioma-bot, Plux, Al-
noktaBOT, VolkovBot, Technopat, Matdrodes, Yayoloco, Numbo3, SieBot, Ctrl Z, Imrathor, Cobalttempest, Dark, HUB, Brayan Jaimes,
Estirabot, Eduardosalg, Darkicebot, Aipni-Lovrij, SilvonenBot, UA31, AVBOT, Steve.jaramillov, LucienBOT, Louperibot, Diegusjai-
mes, Toncec, Arjuno3, Andreasmperu, Luckas-bot, Jabar~eswiki, Ptbotgourou, ArthurBot, Almabot, Xqbot, Jkbw, Toterbaum, Botarel,
White Master King, TobeBot, TjBot, Jorge c2010, GrouchoBot, Miss Manzana, EmausBot, Kisao12, AVIADOR, ZroBot, JackieBot,
Jcaraballo, KLBot2, Vagobot, Acratta, DanielithoMoya, Addbot, Matematica1989, JacobRodrigues, Jarould y Annimos: 137
Sistema de ecuaciones lineales Fuente: http://es.wikipedia.org/wiki/Sistema%20de%20ecuaciones%20lineales?oldid=81952596 Cola-
boradores: Pino, Vivero, Tano4595, Ramjar, Juansempere, Soulreaper, Magister Mathematicae, RobotQuistnix, Chobot, Yrbot, Oscar .,
Vitamine, YurikBot, The Photographer, Er Komandante, Ricard Delgado Gonzalo, CEM-bot, Marianov, Eamezaga, Joarobles, Davius,
Ggenellina, Ingenioso Hidalgo, Thijs!bot, Escarbot, Hameryko, Repos34, Kved, TXiKiBoT, HiTe, Humberto, Netito777, Ale ashe-
ro, Plux, Jtico, Bucephala, AlnoktaBOT, VolkovBot, Technopat, Matdrodes, Rafael.heras, Muro Bot, Racso, Conchaes, Martin paliza,
SieBot, Imrathor, Loveless, Rigenea, Drinibot, CASF, Mel 23, Pascow, Greek, GASDEJAVA, Mafores, Dnu72, HUB, Ivansss~eswiki,
Isidro a h, Estirabot, Eduardosalg, Leonpolanco, Mar del Sur, Petruss, Alexbot, Juan Mayordomo, Raulshc, Astenuz, SilvonenBot, UA31,
Mariowiki, AVBOT, Ellinik, Steve.jaramillov, LucienBOT, J.delanoy, Angel GN, Diegusjaimes, EdBever, Luckas-bot, Spirit-Black-
Wikipedista, Ptbotgourou, Vic Fede, CayoMarcio, Barteik, ArthurBot, SuperBraulio13, Manuelt15, Xqbot, Jkbw, Botarel, BenzolBot,
Gustav 7, Dj alejo, Halfdrag, Jerowiki, PatruBOT, Dinamik-bot, Humbefa, Uriel kamikaze, Habermecanicus, Riveravaldez, Felipe Rai-
mann, EmausBot, CVNBot, Savh, HRoestBot, Sergio Andres Segovia, Rubpe19, ChuispastonBot, Neto 007, Maria Marjim, Waka Waka,
Movses-bot, Tokvo, Deachp, AStarBot, JABO, Edc.Edc, Gins90, Profegiovanny, Ren Vpenk, Nicolas javier gomez, Bibliolotranstor-
nado, Acratta, LlamaAl, Legobot, Alan, Monkeybull, Balles2601, ROSA EVELIA PRADO HERNANDEZ, DavosMat, JacobRodrigues,
Judith.ramosl, Jarould, Matiia, Diegobsc y Annimos: 322
Teorema de RouchFrobenius Fuente: http://es.wikipedia.org/wiki/Teorema%20de%20Rouch%C3%A9%E2%80%93Frobenius?oldid=
79318172 Colaboradores: Jos., Alfredobi, CEM-bot, Davius, Thijs!bot, Urdangaray, Drinibot, HUB, Juan Mayordomo, Raulshc, Mas-
tiBot, MystBot, Xqbot, TiriBOT, RedBot, BraisGabin, Rykuzaki, EmausBot, ZroBot, Kasirbot, KLBot2, Seba961, Acratta, Addbot y
Annimos: 16
Matriz (matemticas) Fuente: http://es.wikipedia.org/wiki/Matriz%20(matem%C3%A1ticas)?oldid=80983512 Colaboradores: Rome-
ro Schmidtke, Joseaperez, Sabbut, Moriel, JorgeGG, Pieter, Lourdes Cardenal, Alberto Salguero, Sanbec, DefLog, Zorosandro, Bermie-
go, Triku, Tostadora, Tano4595, Camilosw, El Hoy, Gengiskanhg, Jecanre, Cinabrium, Yopohari~eswiki, Santiago Hernndez, Chewie,
Soulreaper, Airunp, JMPerez, Emijrp, La Maga, Orgullobot~eswiki, RobotQuistnix, Platonides, Veltys, Alhen, Chobot, Caiserbot, Yrbot,
Amads, BOT-Superzerocool, Davidsevilla, Adrruiz, Vitamine, YurikBot, Mortadelo2005, GermanX, Euratom, C-3POrao, Tigerfenix,
Eduardo Lima, Eskimbot, CHV, Ummowoa, CaStarCo, Paintman, BOTpolicia, Ricard Delgado Gonzalo, Rdaneel, CEM-bot, Jorgelrm,
Retama, Baiji, IvanStepaniuk, Davius, Rastrojo, Antur, Jjafjjaf, FrancoGG, Jatt~eswiki, Ingenioso Hidalgo, Fsd141, Thijs!bot, Roberto
Fiadone, Yeza, RoyFocker, Inajle, Will vm, Malguzt, Mgallege, Botones, Isha, JAnDbot, Kved, Gaius iulius caesar, TXiKiBoT, Ep-
nob, Astroza, Humberto, Rei-bot, Casary, Plux, BL, Sebanievas87, Macalla, Jtico, AlnoktaBOT, 2orejas1boca, VolkovBot, Technopat,
Queninosta, Matdrodes, BlackBeast, AlleborgoBot, 3coma14, Muro Bot, Alexandrosas, Komputisto, Numbo3, BotMultichill, Gerakibot,
SieBot, Mushii, Danielba894, PaintBot, Cobalttempest, Bigsus-bot, BOTarate, Manw, Marcodallacamina, Javierito92, Dnu72, HUB,
L&T2, Antn Francho, DragonBot, Farisori, Veon, Leonpolanco, Juan Mayordomo, Aipni-Lovrij, UA31, AVBOT, Steve.jaramillov,
LucienBOT, J.delanoy, Diegusjaimes, MelancholieBot, Julio Isaac Moreno Daz, Lampsako, Andreasmperu, Luckas-bot, MystBot, Na-
llimbot, Ptbotgourou, Jotterbot, Angelsaracho, Jorge 2701, CayoMarcio, Mcapdevila, SuperBraulio13, Almabot, Kender00, Xqbot, Jkbw,
Umburi, FrescoBot, Ricardogpn, Esceptic0, Igna, Botarel, Jlbezares, Rojasyesid, D'ohBot, Hprmedina, TobeBot, Halfdrag, RedBot, Pa-
truBOT, Sheldonspock, Euclides, Tarawa1943, Eudescontreras, Proferichardperez, EmausBot, AVIADOR, ChessBOT, Africanus, J. A.
Glvez, Rubpe19, Ezequieldiazbarral, Danicm, Jcaraballo, Waka Waka, Mpinomej, Movses-bot, MerlIwBot, Franco68, Nodulation, Me-
82
5.1. TEXT 83
troBot, Invadibot, Elessar.telkontarg, LlamaAl, Gaard van der Pol, Creosota, Julinspi, MatemticaAlejandra, QFI.RICRADO, Lautaro
97, Addbot, Balles2601, FedeBosio, DavosMat, JacobRodrigues, MrCharro, Jarould, Lectorina y Annimos: 328
Rango (lgebra lineal) Fuente: http://es.wikipedia.org/wiki/Rango%20(%C3%A1lgebra%20lineal)?oldid=81461042 Colaboradores:
Robbot, Tano4595, Yrbot, BOTijo, Maldoror, Rdaneel, CEM-bot, Davius, Thijs!bot, Botones, JAnDbot, Linkedark, Ancechu, Sie-
Bot, Bigsus-bot, Juan Mayordomo, Raulshc, UA31, MastiBot, CarsracBot, Luckas-bot, Xqbot, Jkbw, Rubinbot, Igna, RedBot, Tbhotch,
EmausBot, Grillitus, Khiari, KLBot2 y Annimos: 32
Matriz invertible Fuente: http://es.wikipedia.org/wiki/Matriz%20invertible?oldid=81362792 Colaboradores: Sabbut, Bermiego, Sms,
Cinabrium, Renabot, Rembiapo pohyiete (bot), RobotQuistnix, Nimbusaeta, YurikBot, GermanX, KnightRider, Eskimbot, Paintman,
Kn, BOTpolicia, EizoOlderog, Rdaneel, CEM-bot, Chuo, Pello~eswiki, Baiji, Davius, Antur, Roberto Fiadone, Escarbot, JAnDbot,
TXiKiBoT, Linkedark, Rei-bot, Plux, VolkovBot, Technopat, Matdrodes, Ismatemat, EduCas, Muro Bot, Edgarjdq, YonaBot, SieBot,
PaintBot, Loveless, Bigsus-bot, Orion-Xero, Norimat, XalD, Javierito92, Dnu72, Paulienator, Finnrind, Estirabot, Juan Mayordomo,
Raulshc, NjardarBot, Diegusjaimes, Nallimbot, Ptbotgourou, CayoMarcio, Espince, Gustavo P, DSisyphBot, Jkbw, Richard8933, Dreit-
men, Botarel, Panderine!, Gusbelluwiki, Boatbadly, PatruBOT, Dinamik-bot, G.W.C., EmausBot, Savh, Ebrambot, Gfalcone, Chuispas-
tonBot, WikitanvirBot, CocuBot, Cristian.arbe, MerlIwBot, Matencia29, Baasasdadf, Fabin Sanhueza, Addbot, Balles2601 y Annimos:
121
Determinante (matemtica) Fuente: http://es.wikipedia.org/wiki/Determinante%20(matem%C3%A1tica)?oldid=79893612 Colabora-
dores: Romero Schmidtke, Sabbut, Moriel, Mdiagom, Vivero, Zwobot, Bermiego, SpiceMan, Dodo, Sms, Rsg, Tostadora, Renabot, FAR,
Ponalgoyya, Petronas, Emijrp, Rembiapo pohyiete (bot), RobotQuistnix, Kiroh, Alhen, Superzerocool, Yrbot, Vitamine, GermanX, We-
we, Euratom, KnightRider, Baneld, Maldoror, Focojoaco, Juan Marquez, AlejandroBolaosRosales, BOTpolicia, CEM-bot, Scherzo-
Proxy, Retama, Davius, FrancoGG, Ingenioso Hidalgo, Thijs!bot, Yeza, Guille, Botones, Mpeinadopa, JAnDbot, Kved, Muro de Aguas,
Gsrdzl, CommonsDelinker, TXiKiBoT, Gabrielsvb, Rei-bot, Plux, AlnoktaBOT, VolkovBot, Technopat, Matdrodes, Fernando Estel,
Muro Bot, PlyJonathan39, Nasil, Gerakibot, PaintBot, Gas lan, Bigsus-bot, Greek, Tirithel, Dnu72, HUB, MetsBot~eswiki, StarBOT,
Fonsi80, Makete, Eduardosalg, Neodop, Botelln, Botito777, Juan Mayordomo, Rge, Raulshc, TzT, UA31, AVBOT, Steve.jaramillov,
MastiBot, Diegusjaimes, Andreasmperu, Luckas-bot, Nallimbot, CayoMarcio, DSisyphBot, Rickynoram, Roprgm, SuperBraulio13, Xq-
bot, Jkbw, AstaBOTh15, TiriBOT, Hprmedina, Boatbadly, EmausBot, Savh, HRoestBot, Ebrambot, Raquel LR, El Ayudante, Movses-
bot, Alvarohv, UAwiki, UtherIV, MetroBot, Jasc666, Aehernandez, Addbot, JacobRodrigues, Carloscazaas, Jarould, FerMarquez.Jr y
Annimos: 167
Espacio vectorial Fuente: http://es.wikipedia.org/wiki/Espacio%20vectorial?oldid=81985771 Colaboradores: Maveric149, Youandme,
Morthylla, Joseaperez, Moriel, Sauron, Ricardo Oliveros Ramos, Wesisnay, Julie, Romanm, Vivero, Zwobot, Pirenne~eswiki, Comae,
DefLog, Ivn, Ricardos, Sms, Perky Pat, Tano4595, Felipealvarez, Troodon, Wrcdriver, Cinabrium, GTubio~eswiki, Txuspe, Renabot,
LeonardoRob0t, Boticario, Orgullomoore, Taichi, Rembiapo pohyiete (bot), LP, Magister Mathematicae, RobotQuistnix, Kiroh, Plato-
nides, Chobot, Hores, Yrbot, Vitamine, YurikBot, GermanX, Wewe, Eskimbot, Baneld, Adverick, Gtz, Jos., SMP, Er Komandante,
Chlewbot, Folkvanger, Tuncket, ManuelMore, Martinwilke1980, Paintman, Jorgechp, Juan Marquez, CEM-bot, Laura Fiorucci, Ma-
rianov, Davius, FrancoGG, Ingenioso Hidalgo, Fsd141, Thijs!bot, A ntiyanki, Escarbot, RoyFocker, Malguzt, JAnDbot, Orly01, Kved,
TXiKiBoT, Linkedark, Humberto, AnthonnyAG, Natofe, AlnoktaBOT, Matdrodes, Bostador, BlackBeast, Juanfquim, AlleborgoBot,
Muro Bot, Numbo3, YonaBot, BotMultichill, SieBot, Danielba894, PaintBot, Amo de las supercuerdas, Drinibot, Silvae, Ken123BOT,
Amoceann~eswiki, Javierito92, Dnu72, HUB, Eduardosalg, ElMeBot, Botito777, Poco a poco, Robertg~eswiki, Juan Mayordomo, Rge,
BodhisattvaBot, Raulshc, Kadellar, SilvonenBot, Camilo, UA31, AVBOT, Ellinik, Lualalsa, LucienBOT, MastiBot, Diegusjaimes, Ar-
juno3, Luckas-bot, Jotterbot, Helene Schopenhauer, DSisyphBot, ArthurBot, SuperBraulio13, Kender00, Xqbot, Jkbw, Ricardogpn, Igna,
Rojasyesid, Gusbelluwiki, Hprmedina, TobeBot, Jerowiki, TjBot, Humbefa, Jorge c2010, EmausBot, Savh, WikitanvirBot, MerlIwBot,
KLBot2, Julio grillo, MetroBot, Sittsam, Wikiwa1, Acratta, JYBot, Legobot, BRPC, Barymar, JacobRodrigues y Annimos: 153
Dependencia e independencia lineal Fuente: http://es.wikipedia.org/wiki/Dependencia%20e%20independencia%20lineal?oldid=81349491
Colaboradores: Sanbec, Ascnder, Rsg, Tano4595, Richy, SergioVares, RobotQuistnix, Kiroh, H4l9k, Yrbot, YurikBot, Wewe, Aladiah,
Hecktorzr, Gtz, BOTpolicia, Rdaneel, CEM-bot, Marianov, Davius, Fsd141, Thijs!bot, Mahadeva, JAnDbot, TXiKiBoT, R2D2!, Linke-
dark, VolkovBot, Matdrodes, SieBot, Drinibot, Manw, HUB, Estirabot, Neodop, Leonpolanco, Botito777, SilvonenBot, Camilo, UA31,
Jhajha, AVBOT, NjardarBot, SpBot, Luckas-bot, Vic Fede, Yonidebot, SuperBraulio13, Xqbot, Botarel, Jerowiki, PatruBOT, Dinamik-
bot, Jorge c2010, ZroBot, JA Galn Baho, Gilberto Chvez Martnez, Addbot, FedeBosio, Jarould, Wilitriki y Annimos: 69
Sistema generador Fuente: http://es.wikipedia.org/wiki/Sistema%20generador?oldid=81725978 Colaboradores: Ejrrjs, Tano4595, Troo-
don, Jos., Fernando24691, CaStarCo, Marianov, Martn Oregn, Davius, Fsd141, DFTDER, JAnDbot, AlleborgoBot, Muro Bot, SieBot,
Angel GN, DiegoFb, HEDAGOME, Keyi, Xqbot, Jerowiki, GrouchoBot, EmausBot, ZroBot, Grillitus, UAwiki, Acratta, LlamaAl, Edu-
Leo, Legobot, SteenthIWbot, Addbot, FedeBosio, Kamsa Hapnida y Annimos: 13
Base (lgebra) Fuente: http://es.wikipedia.org/wiki/Base%20(%C3%A1lgebra)?oldid=80357242 Colaboradores: Angus, Troodon, His-
pa, RobotQuistnix, Akhram, BOT-Superzerocool, Fernando24691, CEM-bot, Alexav8, Santhy, Davius, Fsd141, Thijs!bot, Obueno,
JAnDbot, Muro de Aguas, Rei-bot, Aibot, VolkovBot, Andres ernesto guzman, BotMultichill, Obelix83, BOTarate, Jarisleif, HUB,
Raulshc, Jhajha, AVBOT, MastiBot, Diegusjaimes, Luckas-bot, Nallimbot, Jkbw, Mate100, Botarel, RedBot, GrouchoBot, EmausBot,
CocuBot, AStarBot, Kikones34, P~eswiki, Acratta, Addbot, FedeBosio, Jarould, Schnelliboy y Annimos: 20
Dimensin de un espacio vectorial Fuente: http://es.wikipedia.org/wiki/Dimensi%C3%B3n%20de%20un%20espacio%20vectorial?
oldid=79493214 Colaboradores: Romero Schmidtke, Pino, Moriel, Sanbec, Rsg, Rondador, Digigalos, Petronas, Rembiapo pohyiete
(bot), RobotQuistnix, Yrbot, Davidsevilla, GermanX, Wewe, KnightRider, Eskimbot, Adverick, BOTpolicia, CEM-bot, Jjvaca, Davius,
Ingenioso Hidalgo, JAnDbot, 3coma14, SieBot, Botito777, Raulshc, Kadellar, Kein Einstein, Luckas-bot, MystBot, Xqbot, Bot0811,
Hprmedina, WikitanvirBot, Metrnomo, MerlIwBot, MetroBot, Elvisor, 8martin8, Legobot, Addbot, FedeBosio y Annimos: 16
Subespacio vectorial Fuente: http://es.wikipedia.org/wiki/Subespacio%20vectorial?oldid=78103860 Colaboradores: Pino, Sabbut, Mo-
riel, Larocka, Sms, PaulaGG, RobotQuistnix, LarA, BOT-Superzerocool, YurikBot, CEM-bot, Damifb, Marianov, RoyFocker, Botones,
Kved, TXiKiBoT, Muro Bot, SieBot, PaintBot, Drinibot, HUB, DragonBot, Farisori, Raulshc, VanBot, AVBOT, Diegusjaimes, CayoMar-
cio, Guimis, Rodrigo Gonzlez Castillo, Nachotraidor, Manuelt15, Jkbw, Botarel, RedBot, PatruBOT, Euclides, Riveravaldez, EmausBot,
TuHan-Bot, MerlIwBot, Addbot, JacobRodrigues, JuanManwell y Annimos: 58
Espacio cociente (lgebra lineal) Fuente: http://es.wikipedia.org/wiki/Espacio%20cociente%20(%C3%A1lgebra%20lineal)?oldid=65137938
Colaboradores: CEM-bot, Marianov, Hergal79, Juan Mayordomo, Raulshc, Hoenheim, Alex299006, Logelio, Jerowiki, Addbot y An-
nimos: 8
84 CAPTULO 5. TEXT AND IMAGE SOURCES, CONTRIBUTORS, AND LICENSES
Aplicacin lineal Fuente: http://es.wikipedia.org/wiki/Aplicaci%C3%B3n%20lineal?oldid=81333866 Colaboradores: 4lex, Sabbut, Vi-

vero, Deybe, Ascnder, Truor, Cookie, Elwikipedista, Tano4595, Ramjar, Melocoton, Wricardoh, Dianai, Troodon, Trylks, GTubio~eswiki,
Balderai, MatiasBellone, LeonardoRob0t, Boticario, JMPerez, Rembiapo pohyiete (bot), Magister Mathematicae, Orgullobot~eswiki,
Platonides, Caiserbot, Yrbot, Oscar ., Davidsevilla, Mortadelo2005, Wewe, KnightRider, Gtz, Er Komandante, Chlewbot, Tuncket,
Alexquendi, BOTpolicia, Rdaneel, CEM-bot, Daniel De Leon Martinez, JMCC1, Alexav8, Marianov, Davius, Antur, Karpoke, Ingenioso
Hidalgo, Thijs!bot, Cubierto, Yeza, RoyFocker, Isha, Chuck es dios, Hanjin, Jurgens~eswiki, JAnDbot, Lasai, Soulbot, VanKleinen, Ra-
fa3040, LeinaD natipaC, Iulius1973, AsgardBot, Limbo@MX, CommonsDelinker, TXiKiBoT, HiTe, Humberto, Pedro Nonualco, Plux,
Sebado, C'est moi, Queninosta, Tarkus, Matdrodes, Lucien leGrey, AlleborgoBot, SieBot, Nati 75, Loveless, Obelix83, Cobalttempest,
Drinibot, Navarroaxel, Jvelasco85, Tirithel, Javierito92, Dnu72, Nicop, Farisori, Eduardosalg, Leonpolanco, Alecs.bot, Botito777, Walter
closser, Juan Mayordomo, Rge, Raulshc, Camilo, AVBOT, David0811, LucienBOT, MastiBot, Angel GN, Ialad, G0r013, Diegusjai-
mes, Gonzalored, Luckas-bot, Boto a Boto, Edwin garzon, Ptbotgourou, Nachotraidor, SuperBraulio13, Manuelt15, Jkbw, Carlos Molina
Fisico, Dreitmen, Paty Aguilar, Igna, Botarel, Diegoroman08, Joaco.Kam, PatruBOT, CVBOT, Euclides, Humbefa, Nachosan, Africa-
nus, ChuispastonBot, WikitanvirBot, Kasirbot, Kikones34, P~eswiki, In Extrema Res, UAwiki, Legobot, Addbot, Barymar, Peiers y
Annimos: 277
Espacio dual Fuente: http://es.wikipedia.org/wiki/Espacio%20dual?oldid=74331001 Colaboradores: DefLog, Mandramas, Rembiapo
pohyiete (bot), Francosrodriguez, Yrbot, YurikBot, GermanX, KnightRider, Juan Marquez, CEM-bot, Alexav8, Davius, Thijs!bot, DFT-
DER, Juan25, TXiKiBoT, Humberto, Jtico, Muro Bot, SieBot, Gato ocioso, Farisori, Leonpolanco, Juan Mayordomo, Raulshc, AVBOT,
CarsracBot, Luckas-bot, Nallimbot, AttoBot, ArthurBot, Rubinbot, EmBOTellado, Marsal20, NahuelMS, ZroBot, HRoestBot, Grillitus,
ChuispastonBot, Acratta, Johnbot, Elvisor, Rauletemunoz, Addbot, JacobRodrigues, JuanManwell y Annimos: 10
5.2 Images
Archivo:AL_Sistema.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/d/d4/AL_Sistema.svg Licencia: CC BY-SA 3.0 Co-
laboradores: Trabajo propio Artista original: Dnu72
Archivo:BaseGeneradora.gif Fuente: http://upload.wikimedia.org/wikipedia/commons/c/c9/BaseGeneradora.gif Licencia: Public do-
main Colaboradores: Trabajo propio Artista original: Marianov
Archivo:Basis_graph.png Fuente: http://upload.wikimedia.org/wikipedia/commons/8/89/Basis_graph.png Licencia: CC-BY-SA-3.0 Co-
laboradores: en:File:Basis graph.png Artista original: This image was created by en:User:Spindled using Inkscape.
Archivo:Commons-logo.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/4/4a/Commons-logo.svg Licencia: Public do-
main Colaboradores: This version created by Pumbaa, using a proper partial circle and SVG geometry features. (Former versions used to
be slightly warped.) Artista original: SVG version was created by User:Grunt and cleaned up by 3247, based on the earlier PNG version,
created by Reidab.
Archivo:Determinant_de_vecteur_dim_2.jpg Fuente: http://upload.wikimedia.org/wikipedia/commons/a/a4/Determinant_de_vecteur_
dim_2.jpg Licencia: CC-BY-SA-3.0 Colaboradores: Transferred from fr.wikipedia Artista original: Jean-Luc W
Archivo:Deux_parallelogrammes-det.png Fuente: http://upload.wikimedia.org/wikipedia/commons/5/5c/Deux_parallelogrammes-det.
png Licencia: CC-BY-SA-3.0 Colaboradores: Own work; loosely based on Image:Deux parallelogrammes.png; Artista original: Jean-Luc
W
Archivo:Dterminant-3D.jpg Fuente: http://upload.wikimedia.org/wikipedia/commons/e/e8/D%C3%A9terminant-3D.jpg Licencia:
CC-BY-SA-3.0 Colaboradores: ? Artista original: ?
Archivo:FuncionLineal05.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/9/94/FuncionLineal05.svg Licencia: Public do-
main Colaboradores: Trabajo propio Artista original: HiTe 22:08, 10 May 2008 (UTC)
Archivo:FuncionesComoEV.GIF Fuente: http://upload.wikimedia.org/wikipedia/commons/0/07/FuncionesComoEV.GIF Licencia: Pu-
blic domain Colaboradores: Trabajo propio Artista original: Marianov
Archivo:InterseccinEspacioVectorial.gif Fuente: http://upload.wikimedia.org/wikipedia/commons/c/c4/Intersecci%C3%B3nEspacioVectorial.
gif Licencia: Public domain Colaboradores: Trabajo propio Artista original: Marianov
Archivo:Linear_subspaces_with_shading.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/2/2f/Linear_subspaces_with_
shading.svg Licencia: CC BY-SA 3.0 Colaboradores: Trabajo propio (Texto original: Own work, based on en::Image:Linearsubspace.svg
(by en:User:Jakob.scholbach).)
Artista original: Alksentrs at en.wikipedia
Archivo:Matrix_multiplication_diagram.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/11/Matrix_multiplication_
diagram.svg Licencia: CC-BY-SA-3.0 Colaboradores: Trabajo propio Artista original: User:Bilou
Archivo:Nuvola_apps_edu_mathematics-p.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/c/c2/Nuvola_apps_edu_mathematics-p.
svg Licencia: GPL Colaboradores: Derivative of Image:Nuvola apps edu mathematics.png created by self Artista original: David Vignoni
(original icon); Flamurai (SVG convertion)
Archivo:PlaneIntersection.png Fuente: http://upload.wikimedia.org/wikipedia/commons/7/7b/PlaneIntersection.png Licencia: CC-BY-
SA-3.0 Colaboradores: ? Artista original: ?
Archivo:QuotientSpace.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/a/aa/QuotientSpace.svg Licencia: Public domain
Colaboradores: Este archivo se deriv de: Ejemplo clases.jpg: <a href='//commons.wikimedia.org/wiki/File:Ejemplo_clases.jpg' class='image'><img
alt='Ejemplo clases.jpg' src='//upload.wikimedia.org/wikipedia/commons/thumb/3/36/Ejemplo_clases.jpg/50px-Ejemplo_clases.jpg' width='50'
height='32' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/3/36/Ejemplo_clases.jpg/75px-Ejemplo_clases.jpg 1.5x, //upload.
wikimedia.org/wikipedia/commons/thumb/3/36/Ejemplo_clases.jpg/100px-Ejemplo_clases.jpg 2x' data-le-width='423' data-le-height='273'
/></a>
Artista original: Author=*Ejemplo clases.jpg: User:Logelio
Archivo:Seki.jpeg Fuente: http://upload.wikimedia.org/wikipedia/commons/0/0f/Seki.jpeg Licencia: CC-BY-SA-3.0 Colaboradores:
http://www-groups.dcs.st-and.ac.uk/~{}history Artista original: upload by F. Lembrez
5.3. CONTENT LICENSE 85
Archivo:Vec-indep.png Fuente: http://upload.wikimedia.org/wikipedia/commons/b/bc/Vec-indep.png Licencia: CC BY-SA 4.0 Cola-

boradores: Trabajo propio Artista original: Schnelliboy
Archivo:Vecteur_bases_ond_et_qcq.png Fuente: http://upload.wikimedia.org/wikipedia/commons/3/30/Vecteur_bases_ond_et_qcq.
png Licencia: CC-BY-SA-3.0 Colaboradores: work by Cdang Artista original: Christophe Dang Ngoc Chan Cdang at fr.wikipedia
Archivo:VectorGenerado.gif Fuente: http://upload.wikimedia.org/wikipedia/commons/9/95/VectorGenerado.gif Licencia: Public do-
main Colaboradores: Trabajo propio Artista original: Marianov
Archivo:Vector_01.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/f/f3/Vector_01.svg Licencia: CC BY-SA 3.0 Colabo-
radores: Trabajo propio Artista original: Dnu72
Archivo:Vector_space_illust.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/c/c8/Vector_space_illust.svg Licencia: Pu-
blic domain Colaboradores: Trabajo propio Artista original: Oleg Alexandrov
Archivo:Vectores_independientes.png Fuente: http://upload.wikimedia.org/wikipedia/commons/2/27/Vectores_independientes.png Li-
cencia: CC-BY-SA-3.0 Colaboradores: ? Artista original: ?
Archivo:Wikibooks-logo.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/f/fa/Wikibooks-logo.svg Licencia: CC BY-SA
3.0 Colaboradores: Trabajo propio Artista original: User:Bastique, User:Ramac et al.
Archivo:Wikiversity-logo-Snorky.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1b/Wikiversity-logo-en.svg Licen-
cia: CC BY-SA 3.0 Colaboradores: Trabajo propio Artista original: Snorky
5.3 Content license

Creative Commons Attribution-Share Alike 3.0

111 - Álgebra Lineal I

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

111 - Álgebra Lineal I

Hochgeladen von

Copyright:

Verfügbare Formate

Algebra Lineal I

0.1 lgebra lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2.1.10 Matrices relacionadas con otros temas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.1.9 Morsmos entre espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.7 Espacio cociente (lgebra lineal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

5 Text and image sources, contributors, and licenses 82

0.1 lgebra lineal

0.1.1 Contexto general

T (u + v) = T (u) + T (v), T (r u) = r T (u).

0.1.2 Espacios vectoriales de uso comn

Espacio vectorial de polinomios en una misma variable

(3x2 5x + 1) + (4x 8) = 3x2 x 7

donde el resultado nuevamente es un polinomio (es decir, un vector).

D((4x2 + 5x 3) + (x2 x 1)) = D(5x2 + 4x 4) = 10x + 4

y por otro lado:

D(4x2 + 5x 3) + D(x2 x 1) = (8x + 5) + (2x 1) = 10x + 4.

0.1.3 Generalizacin y temas relacionados

0.1.4 Vase tambin

Portal:Matemtica. Contenido relacionado con Matemtica.

0.1.5 Enlaces externos

Wikimedia Commons alberga contenido multimedia sobre lgebra lineal. Commons

lgebra lineal por Elmer G. Wiens (en ingls)

Introduccin al lgebra Lineal en Contexto por Jos Arturo Barreto

1.1 Sistema de ecuaciones lineales

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

Si representamos cada matriz con una nica letra obtenemos:

1.1.2 Sistemas lineales reales

La interseccin de dos planos que no son paralelos coincidentes es una recta.

Un sistema con n incgnitas se puede representar en el n-espacio correspondiente.

Sistema compatible determinado cuando tiene una nica solucin.

Sistema incompatible si no tiene solucin.

Sistema compatible determinado det(A) = 0

Algoritmo para determinar si un sistema es compatible Podemos averiguar si un sistema es o no compatible

Sistemas compatibles indeterminados Un sistema sobre un cuerpo K es compatible indeterminado cuando

sistema compatible indeterminado det A = 0

sistema incompatible det A = 0

Mtodos de solucin a sistemas de ecuaciones lineales

4x 3(22 3x) = 1 4x 66 + 9x = 1 13x 66 = 1, 13x = 65

Rectas que pasan por el punto: (2,4)

1. Se despeja la incgnita en ambas ecuaciones.

Eliminacin de Gauss-Jordan Una variante de este mtodo, denominada eliminacin de Gauss-Jordan, es un

La regla de Cramer da la siguiente solucin:

el sistema tiene una nica solucin (el sistema es compatible determinado)

el sistema tiene un nmero innito de soluciones (el sistema es compatible indeterminado).

1.1.3 Solucin de sistemas lineales en un anillo

1. Para cada i mcd(ai1 , ai2 , ..., ain ) es divisor de bi .

1.1.4 Vase tambin

1.1.5 Enlaces externos

Solucionador de Sistemas de Ecuaciones Lineales

Wikiversidad alberga proyectos de aprendizaje sobre Sistema de ecuaciones lineales.Wikiversidad

Solucionador descriptivo de ecuaciones lineales

Resolver o Reducir Matrices Online

Solucionador de sistemas lineales

Calculadora Sistema de ecuaciones lineales

Herramienta genrica con clculo de inversa y determinantes

1.2 Teorema de RouchFrobenius

a1,1 x1 + a1,2 x2 + + a1,n xn = b1

a2,1 x1 + a2,2 x2 + + a2,n xn = b2

am,1 x1 + am,2 x2 + + am,n xn = bm

si rg(A) = n entonces la solucin es nica,

y utilizando el producto matricial, del siguiente modo:

En otros trminos, b es la imagen del vector x mediante la aplicacin lineal

1.2.4 Vase tambin

2.1 Matriz (matemticas)