Not Alg Lin

NOTAS DE ÁLGEBRA LINEAL.
J. Alejandro Hernández Tello
May 21, 2009

ii
Índice
1 Sistemas de Ecuaciones Lineales y Matrices 1

1.1 Definiciones . . . . . . . . . . . . . . . . . . . . . 1
1.2 Solución de sistemas de 2 × 2 . . . . . . . . . . 5
1.3 Solución de sistemas de m × n . . . . . . . . . . 10
1.3.1 Método de Gauss-Jordan y Eliminación
Gaussiana . . . . . . . . . . . . . . . . . . 22
1.4 Sistema de ecuaciones homogéneas . . . . . . 27
1.5 Matrices . . . . . . . . . . . . . . . . . . . . . . . . 34
1.5.1 Matrices y sistemas de ecuaciones lin-
eales . . . . . . . . . . . . . . . . . . . . . . 47
1.5.2 Clasificación de Matrices . . . . . . . . . 48
1.5.3 Cálculo de Inversas . . . . . . . . . . . . 51
1.5.4 Factorización LU de una matriz . . . . . 63
1.5.5 Determinantes . . . . . . . . . . . . . . . 69
2 Espacios Vectoriales 81
2.1 Definiciones y ejemplos . . . . . . . . . . . . . . 81
2.2 Subespacios Vectoriales . . . . . . . . . . . . . . 90
2.3 Combinacion lineal y espacio generado . . . . 93
2.4 Independencia lineal . . . . . . . . . . . . . . . . 96
2.5 Bases y dimensión . . . . . . . . . . . . . . . . . 102
iii
iv ÍNDICE
1
Capítulo 1
Sistemas de Ecuaciones
Lineales y Matrices
os sistemas de ecuaciones lineales se comienzan a es-
L tudiar en el primer o segundo año de la educación

secundaria y desde ese momento se convierten en
una herramienta muy importante para el estudiante en casi
cualquier disciplina.
1.1 Definiciones
Definición 1 Una ecuación es una igualdad en la que
aparece al menos una variable
Definición 2 (Sistema de Ecuaciones Lineales)

Un sistema de ecuaciones lineales es un conjunto finito,
no vacío de ecuaciones en donde todas las variables in-
volucradas tienen como exponente a la unidad. Si el nú-
mero de ecuaciones es m y el número de variables es n,
diremos que el sistema de ecuaciones lineales es de m × n
"eme por ene"
2 SISTEMAS DE ECUACIONES LINEALES Y MATRICES
Ejemplo 1 Veamos tres ejemplos de sistemas de ecuaciones

lineales
• Sistema de 2 × 2
3x + 2y = 4
4x − 3y = 0
2a + 3b − 5c + 4d + e = 7
2a + d = 8
3b − 5c = 0
a+b = 4
b+c = 3
a+b+c = 1
a−c = 5
a − b + 2c = 0
Por comodidad denotaremos las variables de un sistema

de ecuaciones lineales de m × n como x1 , x2 , · · · , xn así los
sistemas del ejemplo 1 se escriben como:
3x1 + 2x2 = 4
4x1 − 3x2 = 0
2x1 + 3x2 − 5x3 + 4x4 + x5 = 7

2x1 + 0x2 − 0x3 + x4 + 0x5 = 8
0x1 + 3x2 − 5x3 + 0x4 + 0x5 = 0
DEFINICIONES 3
x1 + x2 − 0x3 = 4
0x1 + x2 + x3 = 3
x 1 + x2 + x3 = 1
x1 + 0x2 − x3 = 5
x1 − 1x2 + 2x3 = 0
Los coeficientes de las variables se denotaran por aij

donde el subindice i indica el renglón en el que está el coe-
ficiente y el subindice j la columna a la que pertenece
Ejemplo 2
• En el sistema
3x1 + 2x2 = 4
4x1 − 3x2 = 0
a11 = 3, a21 = 4
• En el sistema
2x1 + 3x2 − 5x3 + 4x4 + x5 = 7

2x1 + 0x2 − 0x3 + x4 + 0x5 = 8
0x1 + 3x2 − 5x3 + 0x4 + 0x5 = 0
a32 = 3, a23 = 0, a34 = 0, a43 no existe
Definición 3 Una solución a un sistema de ecuaciones

lineales de m × n es una n-ada de números (s1 , s2 , · · · , sn )
que satisface cada una de las m ecuaciones al sustituir xi
por si para i = 1, 2, · · · , n
Ejemplo 3 Una solución al sistema1
3x1 + 2x2 = 4 (1.1)

4x1 − 3x2 = 0 (1.2)
12 16
es (x1 = 17 , x2 = 17 ). Esto puede verificarse simplememte
sustituyendo x1 por 12 17
y x2 por 16
17
en las ecuaciones 1.1
y 1.2. Esta solución se puede obtener por alguno de los
métodos ya conocidos como:
• sustitución
• igualación
• suma y resta
• regla de cramer
Preguntas inminentes son:
• ¿Todos los sistemas tienen solución?
• Suponiendo que existe solución ¿es única?
• ¿Como obtener las soluciones de un sistema?
En la siguiente sección contestaremos estas preguntas
pero antes necesitamos un poco de terminología.
Definición 4 Un sistema de m × n es consistente si tiene

al menos una solución, en caso contrario se llama incon-
sistente.
Ejemplo 4 Un ejemplo de un sistema consistente nos lo

brinda el ejemplo 3 y un ejemplo de un sistema inconsis-
tente nos lo proporciona el sistema de 5 × 3 del ejemplo
1.
1
De aquí en adelante y a menos que se diga otra cosa, sistema sig-
nifica sistema de ecuaciones lineales
1.2. SOLUCIÓN DE SISTEMAS DE 2 × 2 5
Definición 5 Dos sistemas de m × n son equivalentes si

cualquier solución de un sistema lo es del otro y viceversa.
1.2 Solución de sistemas de 2 × 2

En esta parte estudiamos la forma de resolver sistemas de
ecuaciones de 2 × 2, vemos que la existencia de una solución
única depende de los coeficientes de las variables, finalmente
concluimos con un teorema que resume este hecho.
Ejemplo 5 Supongamos que queremos resolver el sistema

a11 x1 + a12 x2 = b1 (1.3)
a21 x1 + a22 x2 = b2 (1.4)
SISTEMA 1
donde los números a11 , a12 , a21 , a22 , b1 y b2 son dados. Para
esto necesitamos hacer algunas consideraciones previas,
como por ejemplo suponer que al menos uno de los coefi-
cientes es distinto de cero pues en caso contrario no ten-
driamos un sistema. Bajo esta hipotesis conviene dividir
el problema en los siguientes casos:
I) a11 = 0, a12 = 0.
El sistema 1 se convierte en la ecuación a21 x1 +a22 x2 =
b2 de donde tenemos los siguientes subcasos:
b2
i) Si a21 = 0 entonces x2 = . Cuidado2
a22
ii) Si a21 6= 0 entonces las soluciones al sistema
son
b2 − a22 x2
todas de la forma x1 = , x2
a21
Pregunta para el lector ¿Qué pasa si b1 6= 0?
2
Observe que a22 no puede ser cero, ¿Porqué?
II) Si a11 6= 0, a12 = 0 tenemos el sistema
a11 x1 = b1 (1.5)
a21 x1 + a22 x2 = b2 (1.6)
y nuevamente dos subcasos

i) Si a22 = 0 entonces el sistema es simplemente
a11 x1 = b1 (1.7)
a21 x1 = b2 (1.8)
b1 b2 3
que tiene solución sólo si = .
a11 a21
ii) Si a22 6= 0 de la ecuación 1.5 obtenemos que x1 =
b1 b1
y al sustituir en 1.6 a21 + a22 x2 = b2 de
a11 a11
donde
b1
b2 − a21
a11 b2 − a21 b1
a11
x2 = =
a22 a22 a11

b1 a11 b2 − a21 b1
La solución es ,
a11 a22 a11
III) a11 = 0, a12 6= 0 Análogo al caso anterior
IV) a11 6= 0, a12 6= 0 tenemos que suponer que a21 6= 0 y 0 6=
a22 pues de lo contrario estariamos en una situación
análoga a alguno de los casos anteriores, dicho esto
b1 − a12 x2
de la ecuación 1.3 tenemos que x1 = y al
a11
sustituirlo en 1.4

b1 − a12 x2
a21 + a22 x2 = b2
a11
3
Note que si a21 = 0 estamos en el caso I) i)
SOLUCIÓN DE SISTEMAS DE 2 × 2 7
a11 b2 − a21 b1
de donde x2 = y aplicando un poco de
a11 a22 − a12 a21
a22 b1 − a12 b2
algebra se puede verificar que x1 =
a11 a22 − a12 a21
Con el análisis que acabamos de realizar hemos demostrado
el siguiente resultado
Teorema 1 El sistema
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
en las variables x1 y x2 tiene solución única si y sólo si
a11 a22 − a12 a21 6= 0 4 . Además si a11 a22 − a12 a21 = 0 entonces
el sistema tiene infinitas soluciones o no tiene solución.
Ejercicios:
1. ¿Cuál de las siguientes afirmaciones sobre la solución
de un sistema de dos ecuaciones lineales con dos in-
cógnitas no es cierta?
(a) Es un par ordenado que satisface ambas ecua-
ciones.
(b) Su gráfica consiste en el punto o los puntos de
intersección de las gráficas de las ecuaciones.
(c) Su gráfica es la abscisa de las gráficas de las ecua-
ciones.
(d) Si el sistema es inconsistente, no existe una solu-
ción.
2. ¿Cuál de las siguientes afirmaciones es cierta para un
sistema inconsistente de dos ecuaciones lineales?
4
En el caso II) i) tenemos que a11 a22 − a12 a21 = 0 y el sistema tiene
solución esto se debe a que en esa situación el sistema se vuelve de una
incognita
(a) No existe una solución.

(b) La gráfica del sistema está sobre el eje y.
(c) La gráfica de la solución es una recta.
(d) La gráfica de la solución es el punto de intersec-
ción de dos líneas.
3. De ejemplos de sistemas de 2 × 2 equivalentes.
4. Resuelva los siguientes sistemas de ecuaciones:
x − 3y = 4 2x − y = −3
−4x + 2y = 6 5x + 7y = 4
2x − 8y = 5 2x − 8y = 6
−3x + 12y = 8 −3x + 12y = −9
6x + y = 3 3x + y = 0
−4x − y = 8 2x − 3y = 0
4x − 6y = 0 5x + 2y = 3
−2x + 3y = 0 2x + 5y = 3
2x + 3y = 4 ax + by = c
3x + 4y = 5 ax − by = c
ax + by = c ax − by = c
bx + ay = c bx + ay = d
5. Encuentre condiciones sobre a y b tales que el sistema
ax + by = c
ax − by = c
tenga solución única.

SOLUCIÓN DE SISTEMAS DE 2 × 2 9
6. Encuentre condiciones sobre a , b y c tales que el sis-

tema
ax + by = c
bx + ay = c
tenga un número infinito de soluciones.
7. Encuentre condiciones sobre a , b , c y d tales que el

sistema
ax − by = c
bx + ay = d
no tenga solución.
8. En un zoológico hay aves (de dos patas) y bestias de

(cuatro patas). Si el zoológico contiene 60 cabezas y
200 patas, ¿cuántas aves y cuántas bestias viven en él?
1.3 Solución de sistemas de m × n

Toca el turno de analizar sistemas de m × n. Presentamos
dos métodos para resolver sistemas de ecuaciones Sm×n ;
el método de Gausss-Jordan y el de eliminación Gaussiana.
Para esto primero se definen algunos conceptos y despues
se presentan los métodos de manera general para finalizar
con su aplicación en la resolución de algunos sistemas.
Definición 6 Una matriz Am×n n, m ∈ Z+ es un arreglo

rectangular de mn números colocados en m renglones y n
columnas, se denota como Am×n . El elemento situado en
el i-ésimo renglon de la j-ésima columna se denota por aij
y se le conoce como la componente ij
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
Am×n =  .

... .. 
 . . . 

am1 am2 · · · amn
Notas:
1. Una matriz en la que m = n se llama matriz cuadrada.
2. El tamaño de una matriz es el número mn
3. Una matriz de m×1 se llama matriz columna o vector columna,
se escribe como  
a11
 a21 
 
 . 
 . 
 . 
am1
4. Una matriz de 1 × n se llama matriz renglón o vector renglón y

se escribe como
a11 a12 · · · a1n
5. En ocasiones la matriz A se escribe como (aij )

SOLUCIÓN DE SISTEMAS DE m × n 11
6. Si todas las componentes de una matriz son cero, ésta se conoce

como matriz nula o cero y se denota por 0, sin especificar sus
dimensiones.
Ejemplo 6 En la matriz B4×5

 
1 0 1 0 4
3 2 5 −2 √ 3
1
B4×5 = 
 
5 4 9 −4 π 

7 6 13 −6 5.12
podemos ver que la componente b3 5 = π, que la tercer
columna es  
1
5
 
 
9
13
o que el cuarto renglón es

7 6 13 −6 5.12
Definición 7 Dado un sistema de ecuaciones de m × n

a11 x1 + a12 x2 + · · · + a1n = b1
a21 x1 + a22 x2 + · · · + a2n = b2
.. .. ..
. . .
am1 x1 + am2 x2 + · · · + amn = bm
La matriz de coeficientes de este sistema de ecuaciones
es la matriz de m × n
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
Am×n =  .

... .. 
 .. . 

y la matriz aumentada asociada a este sistema se forma

agregando la matriz de términos independientes
 
b1
 b2 
 
.
.
.
bn
a la derecha de la matriz de coeficientes quedando como
la matriz de m × (n + 1)
 
a11 a12 ··· a1n | b1
 a21 a22 ··· a2n | b2 
 
A+ =  .. ... .. .. .. 
 . . . .

am1 am2 · · · amn | bn
En cada renglón se acostumbra poner una linea | para
separar los coeficientes y el término independiente.
Ejemplo 7 El sistema de ecuaciones de 3 × 3

x1 − x2 + 2x3 = 4
2x1 − x2 + 3x3 = 2
−x1 + 2x2 − 3x3 = 5
tiene asociada la matriz de coeficientes 3 × 3
 
1 −1 2
A =  2 −1 3 
 
−1 2 −3
y la matriz aumentada 3 × 4
 
1 −1 2 | 4
A+ =  2 −1 3 | 2 
 
−1 2 −3 | 5
De acuerdo con el análisis anterior podemos notar que

dado un sistema de ecuaciones Sm×n cualquiera es posible
asignarle una matrix Am×(n+1) , a saber, su matriz aumen-
tada. Por otro lado si tenemos una matriz Am×(n+1) podemos
tomar las primeras n columnas para formar una matriz de
coeficientes y de la última columna obtener una matriz de
términos independientes para asignarle a Am×(n+1) un sis-
tema Sm×n . Hemos demostrado el siguiente teorema.
Teorema 2 Existe una función biyectiva entre las matri-

ces de m × (n + 1) y los sistemas de m × n
Definición 8 Sea A una matriz de m × n entonces las si-

guientes tres operaciones definidas sobre renglones de A
se llaman operaciones elementales entre renglones
i) Multiplicar el j-ésimo renglón, Rj , por una constante

α 6= 0.
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
 
 . .. .. 
 .. . . 
 
···
 
 aj1 aj2 ajn 
 .. .. .. 
 
 . . . 
am1 am2 ··· amn
Rj −→ αRj
 
a11 a12 ··· a1n
 a21 a22 ··· a2n
 

 . .. .. 
 .. . . 
 
···
 
αaj1 αaj2 αajn 
 .. .. .. 
 
 . . . 
am1 am2 ··· amn
Con los símbolos Rj −→ αRj se indica que el renglón

j-ésimo se cambia por un multiplo de él.
ii) Sustituir el j-ésimo renlón por la suma, elemento a

elemento, del j-ésimo renglón y un múltiplo del k-
ésimo renglón
 
a11 a12 ··· a1n
a
 21 a22 ··· a2n  
 . .. .. 
 .. . . 
 
 aj1 aj2 ··· ajn 
 
 . .. .. 
 .
 . . . 

 
 ak1 ak2 · · · akn 
 .. .. .. 
 
 . . . 
Rj −→ Rj + cRk
 
a11 a12 ··· a1n

 a21 a22 ··· a2n 

 .. .. .. 

 . . . 

aj1 + c ak1 aj2 + c ak2 · · · ajn + c akn 
 
 .. .. .. 
. . .
 
 
 
 ak1 ak2 ··· akn 
.. .. ..
 
. . .
 
 
am1 am2 ··· amn
iii) Intercambiar los renglones i-ésimo y j-ésimo
 
a11 a12 ··· a1n
a
 21 a22 ··· a2n  
 . .. .. 
 .. . . 
 
 aj1 aj2 ··· ajn 
 
 . .. .. 
 .
 . . . 

 
 ak1 ak2 · · · akn 
 .. .. .. 
 
 . . . 
Rj Rk
 
a11 a12 ··· a1n
a
 21 a22 ··· a2n  
 . .. .. 
 .. . . 
 
 ak1 ak2 · · · akn 
 
 . .. .. 
 .
 . . . 

 
 aj1 aj2 ··· ajn 
 .. .. .. 
 
 . . . 
Definición 9 Si la matriz Am×n se puede obtener a par-

tir de la matriz Bm×n mediante operaciones elementales
entonces se dice que las matrices A y B son equivalentes
   
1 2 3 1 0 0
Ejemplo 8 Las matrices A =  4 1 5  y B =  0 1 0 
   
3 2 1 0 0 1
son equivalentes. En efecto pues B se puede obtener a par-
tir de A efectuando unicamente operaciones elementales
de la siguiente manera:
   
1 2 3 1 2 3
 4 1 5  R2 −→ R2 − 4R1  0 −7 −7 
   
3 2 1 3 2 1
   
1 2 3 1 2 3
 0 −7 −7  R2 −→ R3 − 3R1  0 −7 −7 
   
3 2 1 0 −4 −8
   
1 2 3 1 2 3
1
 0 −7 −7  R2 −→ − 7 R2  0 1 1 
   
0 −4 −8 0 −4 −8
   
1 2 3 1 2 3
 0 1 1  R3 −→ − 41 R3  0 1 1 
   
0 −4 −8 0 1 2
   
1 2 3 1 2 3
 0 1 1  R3 −→ R3 − R2  0 1 1 
   
0 1 2 0 0 1
   
1 2 3 1 2 3
 0 1 1  R2 −→ R2 − R3  0 1 0 
   
0 0 1 0 0 1
   
1 2 3 1 0 3
 0 1 0  R1 −→ R1 − 2R2  0 1 0 
   
0 0 1 0 0 1
   
1 0 3 1 0 0
 0 1 0  R1 −→ R1 − 3R3  0 1 0 
   
0 0 1 0 0 1
! !
1 0 2 3
Ejemplo 9 Las matrices A = y B = no
3 0 1 0
son equivalentes ya que no hay manera de que la compo-
nente a1 2 = 0 se transforme en 3 unicamente utilizando
operaciones elementales, pues a2 2 = 0.
El siguiente resultado relaciona los conceptos de equiva-

lencia entre matrices y entre sistemas de ecuaciones.
Teorema 3 Si A y B son dos matrices equivalentes en-

tonces sus sistemas de ecuaciones asociados S y S 0 res-
pectivamente son equivalentes y viceversa.
Demostración Este teorema se puede demostrar suponien-

do que dos matrices A y B son equivalentes, lo cual sig-
nifica que alguna de ellas digamos A se obtuvo de B medi-
ante operaciones elementales y posteriormente analizando
las implicaciones que esto tiene en los sistemas de ecua-
ciones asociados y en sus soluciones, se deja al lector esta
demostración
Definición 10 Sea r un renglón de la matriz Am×n . El

primer número de izquierda a derecha diferente de cero
en r se llama pivote de r
Definición 11 Decimos que una matriz Am×n está en su

forma escalonada reducida por renglones si se cumplen
las siguientes condiciones:
1. Todos los renglones, en caso de que los haya, cuyos

elementos son todos cero aparecen en la parte infe-
rior de la matriz.
2. Todos los pivotes valen 1.
3. Si r y r1 son dos renglones de Am×n y r está arriba

de r1 , entonces el pivote de r está más a la izquierda
que el de r1 .
4. Si alguna columna contiene un uno, sus demás ele-

mentos son cero.
Definición 12 Si una matriz Am×n cumple al menos las

primeras tres condiciones de la definición 11, decimos que
está en forma escalonada por renglones
Ejemplo 10 Las siguientes matrices están en forma esca-

lonada reducida
     
1 0 0 1 0 0 0 1 0 0
 0 1 0   0 1 0 0   0 0 0 
     
0 0 1 0 0 1 0 0 0 0
! !
1 0 0 0 2 1 0
0 1 3 1 2 0 1
Ejemplo 11 Las siguientes matrices están en forma esca-

lonada pero no en forma escalonada reducida
   
1 2 3 1 −1 6 4 !
1 0 2 5
 0 1 5   0 1 2 −8 
   
0 0 1 2
0 0 1 0 0 0 1
 
! 1 3 2 5
1 2
 0 1 3 6 
 
0 1
0 0 0 0
Notas:
1. Que una matriz este en forma escalonada reducida implica que
se encuentra en forma escalonada, pero no es cierto el recíproco.
2. La forma escalonada de una matriz no es única por ejemplo, las

matrices:
   
1 3 2 1 2 −1
A= 0 1 3  B= 0 1 3 
   
0 0 0 0 0 0
son equivalentes y ambas estan en forma escalonada.

 
2 4 6
Ejemplo 12 Para transformar la matriz de  4 5 6 
 
3 1 −2
mediante operaciones elementales a forma escalonada
debemos efectuar los siguientes pasos:
   
2 4 6 1 2 3
 4 5 6  R1 −→ 21 R1  4 5 6 
   
3 1 −2 3 1 −2
   
1 2 3 1 2 3
 4 5 6  R2 −→ R2 − 4R1  0 −3 −6 
   
3 1 −2 3 1 −2
   
1 2 3 1 2 3
 0 −3 −6  R3 −→ R3 − 3R1  0 −3 −6 
   
3 1 −2 0 −5 −11
   
1 2 3 1 2 3
 0 −3 −6  R2 −→ − 13 R2  0 1 2 
   
0 −5 −11 0 −5 −11
   
1 2 3 1 2 3
 0 1 2  R3 −→ R3 + 5R2  0 1 2 
   
0 −5 −11 0 0 −1
   
1 2 3 1 2 3
 0 1 2  R3 −→ −R3  0 1 2 
   
0 0 −1 0 0 1
 
0 2 3
Ejemplo 13 Para convertir la a matriz  2 −6 7  en
 
1 −2 5
una equivalente a ella en forma escalonada reducida re-

alizamos las siguientes operaciones elementales:
   
0 2 3 1 −2 5
 2 −6 7  R1 R3  2 −6 7 
   
1 −2 5 0 2 3
   
1 −2 5 1 −2 5
 2 −6 7  R2 −→ R2 − 2R1  0 −2 −3 
   
0 2 3 0 2 3
   
1 −2 5 1 −2 5
1 3 
 0 −2 −3  R2 −→ − 2 R2  0 1
  
2 
0 2 3 0 2 3
   
1 −2 5 1 0 8
3  3 
 0 1 2  R1 −→ R1 + 2R2  0 1
 
2 
0 2 3 0 2 3
   
1 0 8 1 0 8
3  3 
 0 1 2  R3 −→ R3 − 2R2  0 1
 
2 
0 2 3 0 0 0
 
2 4 6
Ejemplo 14 La conversión de la matriz  4 5 6  en
 
2 7 12
una equivalente a ella en forma escalonada reducida im-
plica realizar las siguientes operaciones.
   
2 4 6 1 2 3
 4 5 6  R1 −→ 21 R1  4 5 6 
   
2 7 12 2 7 12
   
1 2 3 1 2 3
 4 5 6  R2 −→ R2 − 4R1  0 −3 −6 
   
2 7 12 2 7 12
   
1 2 3 1 2 3
 0 −3 −6  R3 −→ R3 − 2R1  0 −3 −6 
   
2 7 12 0 3 6
   
1 2 3 1 2 3
 0 −3 −6  R2 −→ − 13 R2  0 1 2 
   
0 3 6 0 3 6
   
1 2 3 1 0 −1
 0 1 2  R1 −→ R1 − 2R2  0 1 2 
   
0 3 6 0 3 6
   
1 0 −1 1 0 −1
 0 1 2  R3 −→ R3 − 3R2  0 1 2 
   
0 3 6 0 0 0
Teorema 4 Cualquier matriz Am×n se puede convertir en

otra matriz A0m×n en forma escalonada reducida utilizando
unicamente operaciones elementales entre renglones.
1.3.1 Método de Gauss-Jordan y Eliminación

Gaussiana
Como se dijo al principio de esta sección y una vez que
se han definido los conceptos necesarios presentamos dos
métodos para resolver sistemas de ecuaciones, el método
de Gauss-Jordan y el de eliminación Gaussiana.
MÉTODO DE GAUSS-JORDAN Y ELIMINACIÓN GAUSSIANA 23
La aplicación del método de Gauss-Jordan a un sistema de

ecuaciones Sm×n consiste básicamente en convertir la matriz
aumentada Am×(n+1) , asociada al sistema Sm×n , por medio de
operaciones elementales en una matriz aumentada A0m×(n+1)
en donde la matriz de coeficientes está en forma escalonada
reducida. Como Am×(n+1) y A0m×(n+1) son matrices equiva-
lentes, sus sistemas de ecuaciones asociados tambien lo son.
Por otro lado la aplicación del método de eliminación

Gaussiana a un sistema de ecuaciones Sm×n consiste some-
ramente en convertir la matriz aumentada Am×(n+1) , asoci-
ada al sistema Sm×n por medio de operaciones elementales
en una matriz aumentada A0m×(n+1) en donde la matriz de
coeficientes está en forma escalonada.
Ejercicio Resolver el sistema de ecuaciones
2x1 + 4x2 + 6x3 = 18

4x1 + 5x2 + 6x3 = 24
3x1 + x2 − 2x3 = 4
mediante el método de Gauss-Jordan
Solución La matriz aumentada asociada a este sistema de

ecuaciones es  
2 4 6 | 18
 4 5 6 | 24 
 
3 1 −2 | 4
y aplicando operaciones elementales tenemos:
   
2 4 6 | 18 1 2 3 | 9
 4 5 6 | 24  R1 −→ 21 R1  4 5 6 | 24 
   
3 1 −2 | 4 3 1 −2 | 4
   
1 2 3 | 9 1 2 3 | 9
R2 −→ R2 − 4R1
 4 5 6 | 24   0 −3 −6 | −12 
   
R3 −→ R3 − 3R1
3 1 −2 | 4 0 −5 −11 | −23
   
1 2 3 | 9 1 1 2 3 | 9
R2 −→ − 3 R2
 0 −3 −6 | −12   0 1 2 | 4 
   
R3 −→ −R3
0 −5 −11 | −23 0 5 11 | 23
   
1 2 3 | 9 1 0 −1 | 1
R1 −→ R1 − 2R2
 0 1 2 | 4   0 1 2 | 4 
   
R3 −→ R3 − 5R2
0 5 11 | 23 0 0 1 | 3
   
1 0 −1 | 1 1 0 0 | 4
R1 −→ R1 + R3
 0 1 2 | 4   0 1 0 | −2 
   
R2 −→ R2 − 2R3
0 0 1 | 3 0 0 1 | 3
a esta última matriz se le puede asociar el sistema

x1 = 4
x2 = −2
x3 = 3
que de hecho corresponde a la solución (4, −2, 3).
Ejercicio Resolver el sistema
2x1 + 4x2 + 6x3 = 2
4x1 + 5x2 + 6x3 = 3
3x1 + x2 − 2x3 = 4
mediante eliminación Gaussiana.
Solución Lo que debemos hacer es transformar la matriz
de coeficientes en la matriz aumentada asociada al sistema
 
2 4 6 | 2
 4 5 6 | 3 
 
3 1 −2 | 4
MÉTODO DE GAUSS-JORDAN Y ELIMINACIÓN GAUSSIANA 25
a una equivalente en forma escalonada reducida así tenemos

que:
   
2 4 6 | 2 1 2 3 | 1
 4 5 6 | 3  R1 −→ 12 R1  4 5 6 | 3 
   
3 1 −2 | 4 3 1 −2 | 4
   
1 2 3 | 1 1 2 3 | 1
R2 −→ R2 − 4R1
 4 5 6 | 3   0 −3 −6 | −1 
   
R3 −→ R3 − 3R1
3 1 −2 | 4 0 −5 −11 | 1
   
1 2 3 | 1 1 1 2 3 | 1
 R2 −→ − 3 R2 1 
 0 −3 −6 | −1   0 1 2 |
 
3 
R3 −→ −R3
0 −5 −11 | 1 0 5 11 | −1
   
1 2 3 | 1 1 2 3 | 1
1 
 0 1 2 | R3 −→ R3 − 5R2  0 1 2 | − 13 
  
3 
8
0 5 11 | −1 0 0 1 | −3
a esta última matriz se le puede asociar el sistema
x1 + 2x2 + 3x3 = 1 (1.9)

1
x2 + 2x3 = − (1.10)
3
8
x3 = − (1.11)
3
sustituimos el valor de x3 de la ecuación 1.11 en 1.10 para
tener que x2 = 17
3
y ahora susituimos x3 = − 38 y x2 = 17 3
en
1.9 para concluir que x1 = − 37 y la solución es (− 73 , 17
3
, − 8
3
)
Ejercicios:
1. En los siguientes ejercicios utilice el método de Gauss-
Jordan para encontrar todas las soluciones, si existen.
x1 − 2x2 + 3x3 = 11 3x1 + 6x2 − 6x3 = 9
4x1 + x2 − x3 = 4 2x1 − 5x2 + 4x3 = 6
2x1 − x2 + 3x3 = 10 −x1 + 16x2 − 14x3 = −3
x1 + x2 − x3 = 7 x1 + x2 − x3 = 7
4x1 − x2 + 5x3 = 4 4x1 − x2 + 5x3 = 4
2x1 + 2x2 − 3x3 = 0 6x1 + x2 + 3x3 = 20
x1 + x2 − x3 = 0
x1 + 2x2 − x3 = 4
4x1 − x2 + 5x3 = 0
3x1 + 4x2 − 2x3 = 7
6x1 + x2 + 3x3 = 0
2x1 + 6x2 − 4x3 + 2x4 = 4
x1 + 2x2 − 4x3 = 4
x1 − x3 + x4 = 5
−2x1 − 4x2 + 8x3 = −9
−3x1 + 2x2 − 2x3 = −2
x1 − 2x2 + x3 + x4 = 2
x1 + x2 = 4
3x1 + 2x3 − 2x4 = −8
2x1 − 3x2 = 7
4x2 − x3 − x4 = 1
3x1 + 2x2 = 8
5x1 + 3x3 − x4 = −3
2. En las siguientes matrices determine si la matriz se encuentra
en la forma escalonada, en la forma escalonada reducida o en
ninguna de las dos.
   
1 1 0 1 0 1 0
 0 1 0   0 1 1 0 
   
0 0 1 0 0 0 0
   
0 1 0 0 1 0
 1 0 0 0  0 1 
   

0 0 0 0 0 0
 
1 0 0 4
 0 1 0 5 
 
0 1 1 6
3. Muestre que el sistema
2x1 − x2 + 3x3 = a
3x1 + x2 − 5x3 = b
−5x1 − 5x2 + 21x3 = c
es inconsistente si c 6= 2a − 3b
1.4. SISTEMA DE ECUACIONES HOMOGÉNEAS 27
1.4 Sistema de ecuaciones homogéneas

Un sistema de ecuaciones Sm×n se llama homogéneo si los
términos independientes son todos cero, estos sistemas tienen
la forma:
a11 x1 + a12 x2 + . . . + a1n xn = 0

a21 x1 + a22 x2 + . . . + a2n xn = 0
.. .. ..
. . .
am1 x1 + am2 x2 + . . . + amn xn = 0
una característica importante es que son consistentes pues

tienen al menos a la n-ada (0, 0, . . . , 0) como solución. En-
tonces la cuestión a resolver en cuanto a sistemas homogé-
neos es si sólo tienen una solución o un número infinito de
ellas.
Nota
La n-ada (0, 0, . . . , 0) se llama solución trivial del sistema ho-
mogéneo Sm×n . Las soluciones diferentes de la trivial se
llaman no triviales.
Ejercicio
Resolver el sistema utilizando el método de eliminación Gaus-
siana.
2x1 + 4x2 + 6x3 = 0
4x1 + 5x2 + 6x3 = 0
3x1 + x2 − 2x3 = 0
Solución La matriz aumentada asociada a este sistema es

 
2 4 6 | 0
 4 5 6 | 0 
 
3 1 −2 | 0
y de acuerdo al ejemplo 12
   
2 4 6 | 0 1 2 3 | 0
 4 5 6 | 0  ∼  0 1 2 | 0 
   
3 1 −2 | 0 0 0 1 | 0
de aquí que x3 = 0 y de la ecuación x2 + 2x3 = 0 obtenemos

x2 = 0 para finalmente utilizando la ecuación x1 +2x2 +3x3 =
0 obtener que x1 = 0. La única solución de este sistema es
por tanto la trivial
Ejercicio
Resuelva el sistema
x1 + 2x2 − x3 = 0
3x1 − 3x2 + 2x3 = 0
−x1 − 11x2 + 6x3 = 0
usando el método de Gauss-Jordan
Solución
La matriz aumentada asocida a este sistema es
 
1 2 −1 | 0
A =  3 −3 2 | 0 
 
−1 −11 6 | 0
y como se pide utilizar el metodo de Gauss-Jordan, debemos

transformar la matriz de coeficientes en una matriz equiva-
lente a A pero en forma escalonada reducida
   
1 2 −1 | 0 1 2 −1 | 0
R2 −→ R2 − 3R1
 3 −3 2 | 0   0 −9 5 | 0 
   
R3 −→ R3 + R1
−1 −11 6 | 0 0 −9 5 | 0
SISTEMA DE ECUACIONES HOMOGÉNEAS 29
   
1 2 −1 | 0 1 2 −1 | 0
 0 −9 5 | 0  R3 −→ R2 − R3  0 −9 5 | 0 
   
0 −9 5 | 0 0 0 0 | 0
   
1 2 −1 | 0 1 2 −1 | 0
 0 −9 5 | 0  R3 −→ R2 − 91 R2  0 −9 − 95 | 0 
   
0 0 0 | 0 0 0 0 | 0
   
1
1 2 −1 | 0 1 0 9 | 0
 0 −9 − 59 | 0  R1 −→ R1 − 2R2  0 1 − 59 | 0 
   
0 0 0 | 0 0 0 0 | 0
esta última matriz es escalonada reducida por lo tanto aquí

se termina con las operaciones elementales, además tiene
asociado el sistema:
x1 + 91 x3 = 0
x2 − 59 x3 = 0
tenemos dos ecuaciones y tres incognitas y en ambas aparece
x3 de aquí que x1 y x2 los podamos expresar en términos de
x3 como:
x1 = − 19 x3
5
x2 = x
9 3
y así lo que tenemos son todas las soluciones (infinitas solu-

x3 5x3

ciones) del sistema en términos de x3 − 9 , 9 , x3
Ejercicio
Resuelva el sistema de ecuaciones
x1 + x 2 − x3 = 0
4x1 − 2x + 7x3 = 0
usando el método de eliminación Gaussiana.
Solución Este sistema tiene asociada la matriz aumentada:

!
1 1 −1 | 0
4 −2 7 | 0
como se pide aplicar el méto de eliminación Gaussiana es

suficiente con transformar la matriz mediante operaciones
elementales a una escalonada:
! !
1 1 −1 | 0 1 1 −1 | 0
R2 −→ R2 − 4R1
4 −2 7 | 0 0 −6 11 | 0
! !
1 1 −1 | 0 1 1 −1 | 0
R2 −→ − 61 R2
0 −6 11 | 0 0 1 − 11
6 | 0
el sistema asiociado a esta matriz es:
x1 + x2 − x3 = 0
11x3
x2 − =0
6
de la segunda ecuación obtenemos el valor de x2 en térmi-
nos de x3 y al sustituirlo en la primer ecuación obtenemos
todas las soluciones del sistema en función de la variable x3
como:
17 11
x , x , x3
6 3 6 3
Teorema 5 Si en el sistema
a11 x1 + a12 x2 + . . . + a1n xn = 0

a21 x1 + a22 x2 + . . . + a2n xn = 0
.. .. ..
. . .
am1 x1 + am2 x2 + . . . + amn xn = 0
n > m entonces existen infinitas soluciones

Demostración Se tiene un sistema homogéneo con más

incognitas que soluciones, sabemos que los sistemas ho-
mogéneos son consistentes pues la solución trivial satisface
cada ecuación del sistema. Si suponemos que ésta es la única
solución tendríamos que el sistema se puede reescribir como:
x1 = 0
x2 = 0
..
.
xn = 0
pero esto implicaría tener n ecuaciones, lo que es imposible

pues las operaciones elementales no aumentan el número
de ecuaciones, así que en alguna o algunas de las ecuaciones
debe aparecer más de una variable evidenciando dependen-
cia y así infinitas soluciones.
Ejercicios:
1. ¿Cúales de los siguientes sistemas deben tener solu-

ciones no triviales?
a11 x1 + a12 x2 = 0 a11 x1 + a12 x2 = 0

a21 x1 + a22 x2 = 0 a21 x1 + a22 x2 = 0
a31 x1 + a32 x2 = 0
a11 x1 + a12 x2 + a13 x3 = 0

a21 x1 + a22 x2 + a23 x3 = 0
2. En los siguientes problemas encuentre todas las solu-

ciones a los sistemas homogéneos.
2x1 − x2 = 0 x1 − 5x2 = 0
3x1 + 4x2 = 0 −x1 + 5x2 = 0
x1 + x2 − x3 = 0 x1 + x2 − x3 = 0
2x1 − 4x2 + 3x3 = 0 2x1 − 4x2 + 3x3 = 0
3x1 + 7x2 − x3 = 0 −x1 − 7x2 + 6x3 = 0
x1 + x2 − x3 = 0
2x1 + 3x2 − x3 = 0
2x1 − 4x2 + 3x3 = 0
6x1 − 5x2 + 7x3 = 0
−5x1 + 13x2 − 10x3 = 0
4x1 − x2 = 0
x1 − x2 + 7x3 − x4 = 0
7x1 + 3x2 = 0
2x1 + 3x2 − 8x3 + x4 = 0
−8x1 + 6x2 = 0
x1 − 2x2 + x3 + x4 = 0 −2x1 + 7x4 = 0

3x1 + 2x3 − 2x4 = 0 x1 + 2x2 − x3 + 4x4 = 0
4x2 − x3 − x4 = 0 3x1 − x3 + 5x4 = 0
5x1 + 3x3 − x4 = 0 4x1 + 2x2 + 3x3 = 0
2x1 − x2 = 0
x1 − 3x2 = 0
3x1 + 5x2 = 0
−2x1 + 6x2 = 0
7x1 − 3x2 = 0
4x1 − 12x2 = 0
−2x1 + 3x2 = 0
x1 + x2 − x3 = 0
4x1 − x2 + 5x3 = 0
−2x1 + x2 − 2x3 = 0
3x1 + 2x2 − 6x3 = 0
3. Muestre que el sistema de ecuaciones homogéneo
a11 x1 + a12 x2 = 0
a21 x1 + a22 x2 = 0
tiene un número infinito de soluciones si y sólo si

a11 a22 − a12 a21 = 0
4. Considere el sistema
2x1 − 3x2 + 5x3 = 0

−x1 + 7x2 − x3 = 0
4x1 − 11x2 + kx3 = 0
¿Para qué valor de k tendrá soluciones no triviales?

1.5 Matrices
Cuando se analizó la solución de sistemas de ecuaciones
de m × n en la sección 1.3 se definió el concepto de ma-
triz y algunos tipos especiales de ellas 5 por ejemplo matriz
columna, matriz renglón, etc. En esta sección definiremos
algunas operaciones entre matrices y números reales, así
como algunas propiedades de dichas operaciones.
La siguiente definición aún cuando parece obvia es funda-

mental para el análisis de las propiedades de las operaciones
Definición 13 Dos matrices Am×n y Bm0 ×n0 son iguales si

m = m0 , n = n0 y para cualesquiera i y j : aij = bij
   
a11 ··· a1n b11 ··· bn1
 .. ..  y B =  .. .. 
Definición 14 Si A =  . .   . . 
am1 · · · amn bm1 · · · bmn
son dos matrices de dimensiones m × n definimos la suma
de A y Bcomo la matriz A + B de  m×n
a11 + b11 · · · a1n + b1n
 a21 + b21 · · · a2n + b2n 
 
A+B =  .. ..  = (aij + bij)
. .

 
am1 + bm1 · · · amn + bmn
 
a11 ··· a1n
 .. ..  es una matriz de
Definición 15 Si A =  . . 
am1 · · · amn
m × n y α ∈ R, (α es un escalar) entonces definimos el
producto de ellos como la matriz de m × n
5
Vea definición 6
MATRICES 35
 
αa11 ··· αa1n
 .. ..  = (αa )
αA = Aα =  . .  ij
αam1 · · · αamn
Ejemplos:
! ! !
1 2 3 5 4 3 2 1
1. Sean A = B = C = y
4 5 6 8 7 6 3 4
!
1 1 1
D=
2 2 2
(a) A + C no está definido.

!
6 6 6
(b) A + B =
12 12 12
(c) B + A = 6C
!
4 2 0
(d) B + −A =
4 2 0
!
4 2
(e) 2C =
6 8
(f) 0C = 0
(g) 0D = 0
(h) 0C 6= 0D
El siguiente teorema resume algunas propiedades im-

portantes de la suma entre matrices y la multiplicación por
escalares, se deja la demostración como ejercicio.
Teorema 6 Sean A,B y C matrices de m × n y α, β ∈ R

entonces:
1. A + 0 = A
2. 0A = 0
3. A + B = B + A
4. (A + B) + C = A + (B + C)
5. α(A + B) = αA + αA
6. 1A = A
7. (α + β)A = αA + βA
Por lo general estamos acostumbrados a trabajar con
sumas y multiplicaciones que no “se salen” del dominio, es
decir si sumamos dos números reales obtenemos otro número
real, si multiplicamos dos polinomios no nulos obtenemos
otro polinomio no nulo. Enseguida definimos una operación
que no cumple con esta propiedad pues toma dos matrices,
ambas renglón o ambas columna pudiendo ser inclusive una
renglón y una columna y después de operarlas se obtiene
un numero real.
Definición 16 Si A y B son dos matrices con n compo-
nentes, ambas renglón o ambas columna o inclusive una
renglón y una columa, definimos el producto escalar como:
1. Si ambas
son renglón,por ejemplo:
A = a11 a12 . . . a1n y B = b11 b12 . . . b1n en-
tonces
n
X
A · B = a11 b11 + a12 b12 + . . . + a1n b1n = a1i b1i
i=1
2. Si ambas
 son columnas,
  supongamos
a11 b11
 a21   b21 
   
A=  .. 
 y B =  .  entonces
 . 
 .   . 
an1 bn1
MATRICES 37
n
X
A · B = a11 b11 + a21 b21 + . . . + an1 bn1 = ai1 bi1
i=1
3. Si una es renglón y la otra es

 columna,
 digamos:
b11
 b21 
 
A = a11 a12 . . . a1n , B =  ..  entonces

 . 
bn1
n
X
A · B = a11 b11 + a12 b21 + . . . + a1n bn1 = a1i bi1
i=1
Este producto también se conoce como producto in-

terno o producto punto.
Teorema 7 Si A, B, C son matrices con n componentes

cada una, ya sea en forma de renglón o de columna y
α es un número real, entonces se cumple lo siguiente:
• A·0=0
• A·B =B·A
• A · (B + C) = A · B + A · C
• (αA) · B = α(A · B)
Definimos ahora la multiplicación entre matrices
Definición 17 Sean Am×n = (aij ) y Bn×p = (bij ) dos ma-

trices, entonces el producto de A y B se define como la
matriz ABm×p = (Cij ) donde Cij se obtiene multiplicando
el renglón i-ésimo de A por la columna j-ésima de B
Notas:
1. Observe que para el producto este definido el número de colum-
nas de A debe coincidir con el número de renglones de B
2. La matriz resultante de multiplicar Am×n y Bm×p es de tamaño
m × p, es decir tiene el número de renglones de A y el número
de columnas de B
3. La multiplicación no es conmutativa
 
2 4 !
3 4 6 5
Ejemplo 15 Si A3×2 = 3 1 B2×4 = en-
 
2 1 3 2
5 3
tonces el producto AB se espera que sea una matriz C de
tamaño 3 × 4 y cuyas componentes son:
!
3
C11 = 2 4 = 6 + 8 = 14
2
!
4
C12 = 2 4 = 8 + 4 = 12
1
!
6
C13 = 2 4 = 12 + 12 = 24
3
!
5
C14 = 2 4 = 10 + 8 = 18
2
!
3
C21 = 3 1 = 9 + 2 = 11
2
..
.
!
5
C34 = 5 3 = 25 + 6 = 31
2
MATRICES 39
 
14 12 24 18
C3×4 = 11 13 21 17
 
21 23 39 31
Observe que BA no está definido.
Teorema 8 Si Am×n , Bn×p y Cp×q son tres matrices en-

tonces (AB)C = A(BC)
Demostración   
a11 . . . a1n b11 . . . b1p
 .. .. ; B  . ..  y
Sean Am×n =  . .  n×p =  .. . 
am1 . . . amn bn1 . . . bnp
 
c11 . . . c1q
 .. ..  matrices.
Cp×q =  . . 
cp1 . . . cpq
Calculemos el producto AB, para esto hagamos Dm×p = AB
sabemos que la componente dij de la matriz D se obtiene
como el producto punto del i-ésimo renglón de A por la j-
ésima columna de B, es decir;
dij = (i-ésimo renglon de A)·(j-ésima columna de B)
 
b1j
 b2j 


dij = ai1 ai2 · · · ain  . 
 . 
 . 
bnj
dij = ai1 b1j + ai2 b2j + · · · + ain bnj
Xn
dij = aik bkj
k=1
la matriz D se puede ver como:

 n
X n
X n
X

 a1k bk1 a1k bk2 . . . aik bkp 
 k=1 k=1 k=1 
X n Xn Xn 
 
 a 2k b k1 a 2k b k2 . . . a 2k b kp

Dm×p =  k=1
 
k=1 k=1 

 .
.. .
..


 
X n Xn Xn 
amk bk1 amk bk2 . . . amk bkp
 
k=1 k=1 k=1
sea Emq = DC ; sus componentes eij se obtienen como:
eij = (i-ésimo renglón de D) · (j-ésima columna de C)


c1j
n n n
!  
X X X  c2j 
eij = aik bk1 aik bk2 · · · aik bkp · 
 .. 

k=1 k=1 k=1  . 
cnj
n
! n
! n
!
X X X
= aik bk1 c1j + aik bk2 c2j + · · · aik bkp cpj
k=1 k=1 k=1
p p
" n
! # n
X X X X
= aik bkr crj = aik bkr crj
r=1 k=1 r=1 k=1
Por otra parte sea Fn×q = BC, sus componentes son:
fij = (i-ésimo renglón de B) ·(j-ésima columna de C)

MATRICES 41
 
c1j
c2j 


fij = bi1 bi2 · · · bip 
 .. 

 . 
cpj
fij = bi1 c1j + bi2 c2j + · · · + bip cpj
p
X
fij = bir crj
r=1
Sea Gm×q = AF la componente gij se optiene como
gij = (i-ésimo renglón A)·(j-ésima columna F)
 p 
X
 b1r crj 
 r=1 
 p 
X 
 b 2r c rj

gij = ai1 ai2 · · · ain  r=1
 


 .
..


 
X p 
 
bnr crj
r=1
p p
! !
X X
gij = ai1 b1r crj + · · · + ain bnr crj
n
"r=1 p !# n X
r=1
p
X X X
gij = aik bkr crj = aik bkr crj
k=1 r=1 k=1 r=1
Las matrices satisfacen las propiedades distributivas siem-

pre que esten definidas las operaciones involucradas como
se ve en los siguientes teoremas.
Teorema 9 Sean Am×n , Bn×p y Cn×p matrices entonces

A(B + C) = AB + AC
Teorema 10 Sean Am×n , Bm×n y Cn×q matrices entonces
(A + B)C = AC + BC
Ejercicios:
1. Demostrar el teorema 6
     
−3 5 2
2. Si a =  1 , b = −4, y c =  0  calcule las
     
4 7 −2
siguientes matrices:
(a) a + b
(b) −2c
(c) 2a − 5b
(d) 0c
(e) 3a − 2b + 4c

3. Si a = 3 −1 4 2 , b = 6 0 −1 4 , y c = −2 3 1 5
calcule las siguientes matrices:
(a) a + c
(b) 4c
(c) 2a − c
(d) a + b + c
(e) 3a − 2b + 4c
4. Calcule
 las siguientes
  matrices
 si  
1 3 −2 0 −1 1
A =  2 5 , B =  1 4  y C =  4 6 
     
−1 2 −7 5 −7 3
(a) 3A
MATRICES 43
(b) A − C
(c) 0B (0 es el cero escalar)
(d) A + B + C
(e) Encuentre una matriz D tal que 2A + B − D es la
matriz cero de 3 × 2
5. Calcule
 las siguientes
 matrices
 si   
1 −1 2 0 2 1 0 0 2
A = 3 4 5 , B = 3 0 5 y C = 3 1 0
     
0 1 −1 7 −6 0 0 −2 4
(a) A − 2B
(b) A + B + C
(c) C − A − B
(d) Encuentre una matriz D tal que A + B + C + D es
la matriz cero de 3 × 3
6. Calcule el producto escalar de:

  
2 3
(a)  3 ;0
  
−5 4
! !
5 3
(b) ;
7 −2

(c) a b ; c d

(d) −1 −3 4 5 ; −1 −3 4 5
7. Encuentre condiciones para que A · A = 0 si A es una

matriz renglón o columna
     
1 0 4
8. Si A = −2, B = −3 y C = −1, calcule
     
4 −7 5
A · (B + C) y (2B)(3C − 5A)
9. Calcule
! !
2 3 4 1
(a)
−1 2 0 6
! !
1 −1 −1 0
(b)
1 1 2 3
 
! 3 −1 1
−4 5 1 
(c) 5 6 4 

0 4 2
0 1 2
 
1 6 !
7 1 4
(d)  0 4
 
2 −3 5
−2 3
  
1 4 6 2 −3 5
(e) −2 3 5 1 0 6
  
1 0 4 2 3 1
 
3 −6
2 4
(f) 1 4 0 2 
 

1 0
−2 3
  
3 −2 1 1 0 0
(g) 4 0 6 0 1 0
  
5 1 9 0 0 1
MATRICES 45
  
a b c 1 0 0
(h) d e f  0 1 0
  
g h i 0 0 1
10. Sean a11 , a12 , a21 , a22 números reales tales que a11 a22 −
a12 a21 6= 0. Encuentre ! números
! reales
! b11 , b12 , b21 , b22
a11 a12 b11 b12 1 0
tales que =
a21 a22 b21 b22 0 1
11. Dos matrices renglón o columna A y B son ortogo-

nales si A · B = 0. Determine si los siguientes pares de
matrices son ortogonales
! !
−2 3
(a) ;
3 2
   
1 2
(b) 4; 3
   
7 2
   
a 0
   
0 d
   
 b ;  0 
(c)    
0  e 
   
c 0
 
1
−α
12. Determine todos los números α y β tales que  
 
 2 
3
 
4
 5 
y  son ortogonales
 
−2β 
7
13. Sea A una matriz cuadrada, entonces An se define como

el producto de n veces A. Calcule
!2
2 −1
(a)
5 6
 2
1 −2 4
(b) 2 0 3
 
1 1 5
 
0 1 0 0 0
 
0 0 1 0 0 
 
(c) A2 ,A3 ,A4 y A5 si A = 
 0 0 0 1 0 

0 0 0 0 1 
 
0 0 0 0 0
14. Una matriz de probabilidades es una matriz cuadrada

que tiene dos propiedades;
(a) Todos sus elementos son no negativos

(b) La suma de los elementos en cada renglón es 1
Las siguientes matrices son de probabilidades, demues-

tra que su producto es también una matriz de proba-
bilidades.
   
1 1 1 1 1 2
 31 31 31   6 6 3 
 4 2 4 ;  0 1 0 
1 1 3
0 0 1 5 5 5
MATRICES Y SISTEMAS DE ECUACIONES LINEALES 47
1.5.1 Matrices y sistemas de ecuaciones lin-

eales
Ahora que se ha definido el producto de matrices y se han
estudiado los sistemas de ecuaciones lineales, notemos lo
siguiente. Si Sm×n es el sistema de ecuaciones:
a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2
.. .. .
. . = ..
am1 x1 + am2 x2 + . . . + amn xn = bm
   
  x1 b1
a11 . . . a1n
x 2   b2 
   
y A, X y B son las matrices  ... .. , 
 ..  y  .. 

.     
 .  .
am1 . . . amn
xn bn
respectivamente; entonces Sm×n se puede representar ma-
tricialmente como AX = B. Observe que si B = 0 entonces
se tiene un sistema homogeneo, al sistema AX = 0 se le
conoce como sistema homogéneo asociado.
Ejemplo 16 El sistema de ecuaciones
2x1 + 3x2 + x3 − x4 = 5
3x1 − 2x2 + x3 + 2x4 = 8
se puede expresar matricialmente como

 
! x1 !
2 3 1 −1 
 x2 
 5
 =
3 −2 1 2 x3  8
x4
y su sistema homogéneo asociado es

 
! x1 !
2 3 1 −1   x2 
 0
 =
3 −2 1 2 x3  0
x4
Teorema 11 Si AX = B es un sistema de ecuaciones y

X1 y X2 son soluciones al sistema, entonces X1 − X2 es
solución al sistema homogéneo asociado, AX = 0.
Demostración Es suficiente con aplicar la propiedad dis-

tributiva a A(X1 − X2 ) para obtener AX1 − AX2 = B − B = 0
Corolario 1 Si X1 y X2 son dos soluciones al sistema AX =

B entonces existe una solución X3 al sistema AX = 0 tal
que X1 = X3 + X2
1.5.2 Clasificación de Matrices

Definición 18 Si en una matriz A todos sus componentes
aij son cero cuando i > j, entonces A se llama matriz
triangular superior.
Definición 19 Si en una matriz cuadrada A todas sus

componentes aij son cero cuando i < j, entonces A se
llama matriz triangular inferior.
Definición 20 Una matriz de tamaño n que es simulta-

neamente triangular inferior y triangular superior se lla-
ma matriz diagonal. Los elementos a11 , a22 , . . . , ann forman
lo que se conoce como diagonal principal. Las matrices
diagonales se suelen denotar como diag(a11 , a22 , . . . , ann )
CLASIFICACIÓN DE MATRICES 49
Definición 21 Si D = diag(a11 , a22 , . . . , ann ) es una matriz

diagonal tal que para todo j = 1, 2, . . . , n se tiene que las
componentes de la diagonal son iguales, ajj = k, entonces
D se llama matriz escalar y en el caso que k = 1, D se
llama matriz unidad y se denota por In .
Definición 22 Si A y B son dos matrices cuadradas tales

que AB = BA entonces dichas matrices se llaman conmu-
tativas.
Definición 23 Si una matriz A satisface Ak+1 = A para

algún k ∈ Z+ se llama periódica. El menor k0 ∈ Z+ que
satisface la igualdad se conoce como periodo de la matriz,
se dice que A tiene periodo k0 ; además si el periodo de A
es 1 la matriz se llama idempotente.
Definición 24 Sea A una matriz, si existe p ∈ Z+ tal que

Ap = 0, A se llama nilpotente de orden p
Definición 25 Si A es una matriz que cumple la igualdad

A2 = I se llama involutiva.
Definición 26 Sean A y B dos matrices cuadradas tales

que AB = BA = I, en estas condiciones la matriz B se
llama inversa de A y se escribe B = A−1 . Recíprocamente,
la matriz A es la inversa de B, y se puede escribir A = B −1 .
A y B se llaman invertibles. Las matrices que no son
invertibles se llaman singulares.
Notas:
1. Observe que la inversa de una matriz involutiva es ella misma.
2. No todas las matrices son invertibles.
Definición 27 Si Am×n es una matriz, la transpuesta de

A denotada como At es la matriz de n × m que se obtiene
permutando renglones por las columnas.
Definición 28 Una matriz cuadrada A que cumple que

At = A se llama simétrica
Definición 29 Si A es una matriz con componentes aij ∈ C

la matriz obtenida a partir de A sustituyendo cada ele-
mento por su conjugado se llama matriz conjugada de A
y se representa por A
Ejercicios:
1. Demuestre que si A es cuadrada de órden n, conmuta
consigo mismo y también con la matriz In
2. Demuestre que si una matriz posee inversa, entonces
ésta es única. Es decir si dada la matriz A existen ma-
trices B y C tales que AB = BA = I y AC = CA = I
entonces B = C
3. Demuestre que si A y B son ivertibles entonces
(AB)−1 = B −1 A−1
4. Demuestre que si A y B son matrices y k ∈ R entonces:

(a) (At )t = A
(b) (kA)t = kAt
(c) (A + B)t = At + B t
(d) (AB)t = B t At
(e) Si A es cuadrada entonces A + At es simétrica
(f) (A + B) = A + B
(g) (AB) = AB
! !
a b c d
5. Demuestre que las matrices A = yB =
b a d c
son conmutativas.
CÁLCULO DE INVERSAS 51
 
2 −2 4
6. Demuestre que la matriz −1 3 4 es idempotente.
 
1 −2 3
7. Demuestre que si A y B son dos matrices que cumplen

AB = A y BA = B entonces A y B son idempotentes
 
1 1 3
8. Demuestre que la matriz A =  5 2 6  es nilpo-
 
−2 −1 −3
tente, ¿Cuál es su orden?
9. Demuestre que una condición necesaria y suficiente

para que una matriz A sea involutiva es que
(I − A)(I + A) = 0
1.5.3 Cálculo de Inversas

!
1 3
Ejercicio Calcule la inversa de la matriz A = en
4 2
caso de que exista
Solución Se debe encontrar una matriz B tal !que AB =

x y
BA = I. Supongamos que existe tal matriz entonces
z w
! ! ! !
1 3 x y x + 3y y + 3w 1 0
AB = = =
4 2 z w 4x + 2z 4y + 2w 0 1
x + 3z = 1 y + 3w = 0
esto implíca que y al resolver es-
4x + 2z = 0 4y + 2z = 1
1 3 2
tos sistemas de ecuaciones obtenemos x = − ,y = ,z =
5 10 5
!
1 − 15 3
10
yw=− B= 2 1
notemos que AB = BA por lo
10 5
− 10
tanto B = A−1 .
Una solución alternativa el ejercicio anterior consiste en re-

solver los sistemas utilizando el método de Gauss-Jordan al
aplicarlo a las matrices ampliadas
!
1 3 | 1
(1.12)
4 2 | 0
y !
1 3 | 0
(1.13)
4 2 | 1
De acuerdo con el teorema 1 los sistemas asociados a 1.12
y 1.13 tienen solución y es única. Las matrices de coe-
ficientes de 1.12 y 1.13 son iguales, así que podemos re-
solver los dos sistemas
! simultaneamente considerando la
1 3 | 1 0
matriz y transformandola mediante opera-
4 2 | 0 1

ciones elementales a una equivalente de la forma I | B ,
donde B será la matriz inversa de A.
! !
1 3 | 1 0 1 3 | 1 0
R2 −→ R2 − 4R1
4 2 | 0 1 0 −10 | −4 1
! !
1 3 | 1 0 1 1 3 | 1 0
R2 −→ − R2 2 1
0 −10 | −4 1 10 0 1 | 5 − 10
! !
1 3 | 1 0 1 0 | − 15 3
10
2 1 R1 −→ R1 − 3R2 2 1
0 1 | 5 − 10 0 1 | 5 − 10
1 3 2 1
de aquí x = − ,y = ,z = y w = − .
5 10 5 10
!
2 8
Ejercicio Calcule la inversa de la matriz A = en
5 20
caso de que exista.
Solución Si procedemos de manera análoga al ejercicio an-
terior entonces tendremos que resolver los sistemas
2x + 8z = 1 2y + 8w = 0
y
5x + 20z = 0 5y + 20z = 1
pero ambos!sistemas son inconsistentes, por tanto la matriz
2 8
A= no posee inversa. Este hecho se refleja si es-
5 20
!
2 8 | 1 0
cribimos la matriz y aplicando operaciones
5 20 | 0 1
!
2 8
elementales tratamos de transformar la matriz a
5 20
una equivalente en forma escalonada reducida, pues ten-
dríamos lo siguiente:
! !
2 8 | 1 0 R1 −→ 5R1 10 40 | 5 0
5 20 | 0 1 R2 −→ −2R2 −10 −40 | 0 −2
! !
10 40 | 5 0 10 40 | 5 0
R2 −→ R2 + R1
−10 −40 | 0 −2 0 0 | 5 −2
El segundo renglón se interpreta como 0x1 + 0x2 = 5 y

0x1 + 0x2 = −2 y nos indíca que los sistemas son incon-
sistentes pues es imposible encontrar dos números x1 y x2
que satisfagan
! tales ecuaciones, de tal suerte que la matriz
2 8
A= no posee inversa.
5 20
!
a11 a12
Definición 30 Si A = entonces el determinante
a21 a22
de A es el número
det A = a11 a22 − a21 a12
El teorema 1 sobre sistemas de ecuaciones de 2 × 2 lo pode-

mos parafrasear diciendo que un sistema S2×2 tiene solu-
ción única si sólo si el determinante de su matriz de coefi-
cientes es diferente de cero. Hemos visto que que para que
una matriz
! !2×2 tenga! inversa
A ! los sistemas de ecuaciones
x 1 y 0
A = yA = deben tener solución única,
z 0 w 1
por lo tanto tenemos el siguiente:
!
a11 a12
Teorema 12 Sea A = , A es invertible si y sólo
a21 a22
si det A 6= 0
Demostración La demostración se sigue del teorema 1 y

se deja como ejercicio.
Teorema 13 Si A2×2 es invertible, entonces:

!
1 a22 −a12
A−1 =
det A −a21 a11
Demostración La demostración de este teorema consiste

en verificar que AA−1 = A−1 A = I y se deja como ejercicio
al lector.
 
a11 . . . a1n
Sea Am×n =  ... ..  podemos calcular su inversa

. 
am1 . . . amn

en caso de que exista escribiendo la matriz ampliada A | I
e intentando transformar mediante operaciones elementales

la matriz A de A | I a la matriz I. En otras palabras si

A | I es equivalente a I | B , entonces B es la in-
versa de A.
Ejercicio Demuestre que si AX = B es un sistema de ecua-
ciones y A es invertible entonces la solución es X = A−1 B
Solución Como A es invertible entonces existe A−1 , sabe-

mos que AX = B entonces se tiene que A−1 (AX) = A−1 B
como el producto es asociativo (A−1 A)X = A−1 B luego IX =
A−1 B y X = A−1 B.
Teorema 14 Si A es invertible entonces (At )−1 = (A−1 )t .
Demostración Como A es invertible entonces existe A−1

tal que AA−1 = A−1 A = I, sabemos también que (AA−1 )t =
(A−1 )t At entonces
I = (A−1 )t At (1.14)
por otro lado (A−1 A)t = At (A−1 )t implíca
I = At (A−1 )t (1.15)
sabemos que la inversa existe y es única y por 1.14 y 1.15
(At )−1 = (A−1 )t
Definición 31 Una matriz En×n se llama elemental si se

obtiene aplicando sólo una operación elemental a In . Sólo
hay tres tipos de matrices elementales
• aquellas que se obtienen demultiplicar
un renglón
por una constante no nula, R −→ αR
i
E i
• las que son resultado

de sumarle
a un renglón un
i
E
múltiplo de otro R −→ R + αR
i j
• aquellas que se
obtienen al intercambiar dos ren-
E
glones, R R
i j
Teorema 15 Para realizar una operación elemental en

una matriz A basta con multiplicarla por la izquierda por
la matriz elemental adecuada.
Demostración Se hizo en clase.
Teorema 16 Toda matriz elemental es invertible. El in-
verso de una matriz elemental es una matriz del mismo
tipo.
Demostración Se sigue de la definición de matrices ele-
mentales
Teorema 17 Una matriz cuadrada es invertible si y sólo
si es el producto de matrices elementales.
Demostración ⇒] Supongamos que A es invertible, entonces
A ∼ I, es decir que utilizando un número finito de opera-
ciones elementales se puede transformar A en I, sabemos
que para realizar una operación elemental en una matriz A
basta con multiplicarla por la izquierda por la matriz ele-
mental adecuada (ver teorema 15), así
E1 E2 · · · En A = I
ademas A es invertible entonces
E1 E2 · · · En = A−1
de aquí
(E1 E2 · · · En )−1 = A ⇒ En−1 · · · E2−1 E1−1 = A
⇐]Supongamos que A se puede escribir como el producto
de operaciones elementales, digamos A = E1 E2 · · · En , cada
matriz elemental es invertible y sabemos que el producto de
matrices invertibles es invertible por lo tanto A es invertible.
 
2 4 6
Ejercicio Demuestre que A = 4 5 6  es invertible y
 
3 1 −2
escríbala como producto de matrices elementales.
Solución Como
 
2 4 6 | 1 0 0
 4 5 6 | 0 1 0 
 
3 1 −2 | 0 0 1
 R1 → 12 R1 
1 2 3 | 21 0 0
 4 5 6 | 0 1 0 
 
3 1 −2 | 0 0 1
R2 → R2 − 4R1
 R3 → R3 − 3R1 
1
1 2 3 | 2
0 0
0 −3 −6 | −2 1 0 
 

0 −5 −11 | − 23 0 1
 R2 → − 31 R2 
1
1 2 3 | 2
0 0
2
 0 1 2 | − 31 0 
 
3
0 −5 −11 | − 32 0 1
R1 → R1 − 2R2
 R3 → R3 + 5R2 
1 0 −1 | − 65 2
3
0
2 1
0 1 2 | − 0 
 
 3 3
0 0 −1 | 11 6
− 53 1
R3 → −R3
 
1 0 −1 | − 65 2
3
0
2 1
 0 1 2 | − 0 
 
3 3
0 0 1 | − 11
6
5
3
−1
R2 → R2 − 2R3
 R1 → R1 + R3 
1 0 0 | − 166
7
3
−1
26 11
 0 1 0 | − 2 
 
6 3
0 0 1 | − 116
5
3
−1
entonces
E
R1 → R1 + R3
E
R2 → R2 − 2R3
E
R3 → −R3
E
R3 → R3 + 5R2
E
R1 → R1 − 2R2
E E

R2 → −
1
R2
E
R3 → R3 − 3R1
E
R2 → R2 − 4R1 R1 →
1
R1
A=I
3 2
de aquí que
−1 −1 −1
E

A= R1 →
1
R1
E
R2 → R2 − 4R1
··· E
R1 → R1 + R3
2
más aún
A= E R1 → 2R1
E
R2 → R2 + 4R1
··· E
R1 → R1 − R3
se ha escrito la matriz A como producto de matrices ele-

mentales.
Teorema 18 Sean Anxn , A se puede escribir como un pro-

ducto de matrices elementales y una matriz triángular
superior U .
Demostración Sabemos que toda matriz se puede llevar a

una forma escolanada mediante un número finito de opera-
ciones elementales, por otra parte cualquier matriz en forma
escalonada es una matriz triángular superior. Si llamamos
U a la forma escalonada de A tenemos
U = E1 E2 · · · Em A
entonces
−1
Em · · · E3−1 E2−1 E1−1 U = Em
−1 −1 −1
E2 E1 E1 E2 · · · Em A = A
luego
−1
A = Em · · · E2−1 E1−1 U
 
3 6 9
Ejercicio Escribir A = 2 5 1 como un producto de
 
1 1 8
matrices elementales y una matriz triangular superior U
 
3 6 9
Solución Reducimos A = 2 5 1 hasta convertirla en
 
1 1 8
una matriz en forma escalonada U , de la siguiente manera
   
3 6 9 1 2 3
A = 2 5 1 R1 −→ 13 R1 2 5 1
   
1 1 8 1 1 8
   
1 2 3 1 2 3
R2 −→ R2 − 2R1
2 5 1 0 1 −5
   
R3 −→ R3 − R1
1 1 8 0 −1 5
   
1 2 3 1 2 3
0 1 −5 R3 −→ R3 + R2 0 1 −5 = U
   
0 −1 5 0 0 0
de esto tenemos que:

U 3
E
= R −→ R + R
3 R 2 3
E
−→ R3 − R1
E
R2 −→ R2 − 2R1
E
R1 −→ 1 R1
A
3
o equivalentemente

A = R −→ 3R
1
E
R 1 2
E
−→ R2 + 2R1
E
R3 −→ R3 + R1
E
R3 −→ R3 − R2
U
Verifique que
       
3 6 9 3 0 0 1 0 0 1 0 0 1 0 0 1 2 3
2 5 =
1 0 1 0 2 1 0 0 1 0 0 1 0 0 1 −5
       
1 1 8 0 0 1 0 0 1 1 0 1 0 −1 1 0 0 0
Ejercicios:
1. Determina cuáles matrices son elementales
!
1 0
(a)
0 1
!
0 1
(b)
1 1
!
3 0
(c)
0 3
 
0 1 0
(d) 0 0 1
 
1 0 0
 
1 0 0
(e) 2 1 0
 
0 0 1
 
1 0 0 0
1 1 0 0
(f)
 
 
0 0 1 0
0 0 1 1
2. Escriba la matriz elemental de 3 × 3 que lleva a cabo

las operaciones con renglones dadas sobre una matriz
de 3 × 5 mediante multiplicaciones por la izquierda.
(a) R2 −→ 4R2
(b) R1 −→ R1 − 3R2
3. Encuentre la matriz elemental E tal que EA = B.

! !
2 3 2 3
(a) A = ,B=
−1 4 2 −8
   
1 2 5 6
(b) A = 3 4 , B = 3 4
   
5 6 1 2
   
1 2 5 2 1 2 5 2
(c) A = 0 −1 3 4 , B = 0 −1 3 4
   
5 0 −2 7 0 −10 −27 −3
4. Demuestre que cada matriz es invetible y escríbala

como un producto de matrices elementales.
!
2 1
(a)
3 2
 
1 1 1
(b) 0 2 3
 
5 5 1
 
0 −1 0
(c) 0 1 −1
 
1 0 1
 
2 0 0 0
0 3 0 0
(d) 
 
0 −4 0

0
0 0 0 5
!
a b
5. Sea A = donde ac 6= 0. Escriba A como un
0 c
producto de tres matrices elementales y concluya que
A es invertible.
6. Escriba cada matriz cuadrada como un producto de

matrices elementales y de una matriz triangular supe-
rior.
!
1 2
(a) A =
2 4
!
0 0
(b) A =
1 0
 
1 −3 3
(c) A = 0 −3 1
 
1 0 2
1.5.4 Factorización LU de una matriz

Notación Con U denotaremos matrices triángulares supe-
riores y con L matrices triangulares inferiores con unos en
la diagonal.
Teorema 19 Si L1 y L2 son matrices triangulares inferi-

ores con unos en la diagonal, entonces L1 L2 es una matriz
triangular con unos en la diagonal.
Demostración Sean Anxn y Bnxn dos matrices

 triángulares 
1 0 ··· 0
 a21 1 · · · 0
 
 
 a31 a32 1 · · · 0
inferiores con unos en la diagonal. A =  
 .. .. 
 . .
an1 an2 · · · 1
 
1 0 ··· 0
 b21 1 · · · 0
 
 
B= a 31 a 32 1 · · · 0  Sean C = AB notemos que:
 .. .. 
 
 . .
bn1 bn2 · · · 1
Cij = (renglón i − ésimo de A) · (columna j − ésima de B)
 
0
 0 
 
 . 
 .. 
 
= ai1 ai2 · · · ai i = 1 0 · · · 0 bj j = 1
 
 
 bj j+1 
 .. 
 
 . 
bjn
de aqui que Cij = 0 si i < j ¿por qué?
También notamos que
 
0

 0 

 ..


 .

Ci i = ai1 ai2 · · · ai i = 1 0 · · · 0 bj j = 1 = 1
 
 
 bj j+1 
 .. 
 
 . 
bjn
asi (
0 si i < j
Cij =
1 si i = j
entonces C es una matriz triángular interior con unos en la
diagonal.
Un resultado análogo existe para matrices triángulares su-

periores.
Supongamos que en elteorema 18las matrices elementales
Ej son todos del tipo E
Ri → Ri → αRj
con i < j entonces son
todos triángulares inferiores con unos en la diagonal y su
producto por el teorema 19 es también triángular inferior
con unos en la diagonal y con esto hemos demostrado par-
cialmente el siguiente teorema.
Teorema 20 Sea An×m , si al escribir A como un producto

de matrices elementales y una matriz triangular superior
U ; A
= E1 E2 . . . Em U todas las matrices elementales son del
i
E
tipo R → R + αR con i > j entonces A se puede factorizar
i j
como el producto de una matriz triangular inferior, L con

unos en la diagonal y una matriz triangular superior U ,
es decir A = LU . Más aún L es invertible y si U tiene n
pivotes entonces la factorización es única .
Demostración Ya sabemos que An×n se puede escribir como

un producto de matrices elementales y una matriz triangu-
lar superior U. Por hipótesis
todas las matrices elementales
son del tipo E
Ri → Ri + αRj
con i > j, entonces estas matri-
ces son triangulares inferiores con unos en la diagonal y su
producto, llamemosle L, también lo es; así A = LU . Para
ver que L es invertible basta con notar que es el producto
de matrices elementales. Resta demostrar que si U tiene n
pivotes entonces la factorización es única. Se sabe que la
inversa de una matriz triangular superior, es también tri-
angular superior y que la inversa de una matriz triangular
inferior es triangular inferior. Si U tiene n pivotes entonces
es invertible. Supongamos que existen L1 , L2 , U1 , U2 matri-
ces invertibles, las dos primeras triangulares inferiores con
unos en la diagonal y las últimas dos triangulares superiores
A = L1 U1 = L2 U2
= L2 L1 U1 = L−1
−1
2 L2 U2
−1
tales que: = L2 L1 U1 = U2
= L2 L1 U1 U1−1 = U2 U1−1
−1
= L−1
2 L1 = U2 U1
−1
Notemos que L−1 2 L1 es triangular inferior con unos en la

−1
diagonal y U2 U1 , es triangular superior, la única posibilidad
es que L−1
2 L1 = U2 U1
−1
= I de aquí L−1 −1
2 L1 = I y U2 U1 = I;
por lo tanto la factorización es única.
La factorización LU se puede usar para resolver sistemas

de ecuaciones, en efecto, supongamos que A admite facto-
rización única, esto significa que además de L también U es
invertible. Supongamos que queremos resolver el sistema
AX = B o equivalente (LU )X = B ó L(U X) = B como
U es invertible U X = Y tiene solución única para cualquier
matriz columna Y en particular si Y es la soución del sistema
LY = B, que por ser L invertible es única. Esto nos dice qué
debemos primero de resolver el sistema LY = B y despues

U X = Y . La pregunta obvia es ¿dondé esta la ventaja de
resolver dos sistemas de ecuaciones LY = B y U X = Y en
lugar de sólo AX = B? La respuesta es que la resolución de
sistemas de ecuaciones donde las matrices de coeficientes
son triangulares es muy sencilla; el problema es factorizar
LU .
 
2 3 2 4
 4 10 −4 −2
Ejercicio Si se sabe que A =   admite la
 
−3 −2 −5 −2
−2 4 4 −7
factorización única:
  
1 0 0 0 2 3 2 4
 2 1 0 0  0 4 −8 −8 
A = LU
 
= 3 5
 
− 2 8
 
1 0 0 0 3 9 
−1 74 20
3
1 0 0 0 −49
 
4
−8
Resuelva el sistema AX = 
 
−4
−1
 
4
−8
Solución Primero resolvemos LY = B donde B =  
 
−4
−1
    
1 0 0 0 y1 4
 2 1 0 0 y2  −8
   
   =   o equivalentemente
 
 3 5
− 2 8 1 0 y3  −4
−1 74 20
3
1 y4 −1
y1 = 4
2y1 + y2 = −8
− 23 y1 + 5
y
8 2
+ y3 = −4
7 20
−y1 + y
4 2
+ 3 3
y + y4 = −1
aplicando sustitución hacia adelante tenemos que y1 = 4;

y2 = −16; y3 = −4 + 32 y1 − 58 y2 = −4 + 32 (4) − 85 (−16) = 12;
−1 + y1 − 74 y2 − 20
y4 = 3
y3 = −1 + 4 + 28 − 80 = −49. Por lo que
Y = 4 −16 12 −49 ahora resolvemos el sistema U X =
    
2 3 2 4 x1 4
0 4 −8 −8  x  −16
  2
Y , es decir,    =   aplicando
  
0 0 3 9   x3   12 
0 0 0 −49 x4 −49
sustitución hacia atras tenemos x4 = 1; 3x3 + 9x4 = 12; 4x2 −
8x3 − 8x4 = −16; 2x1 + 3x2 + 2x3 + 4x4 = 4, de donde x4 = 1,
x3 = 1, x2 = 0, x1 = −1.
Ejercicios:
1. Encuentre la matriz triangular inferior L con unos en

la diagonal y una matriz triangular superior U tal que
A = LU .
!
1 2
(a)
3 4
!
−1 5
(b)
6 3
 
2 1 7
(c) 4 3 5
 
2 1 6
 
1 2 −1 4
0 −1 5 8
(d) 
 

2 3 1 4
1 −1 6 4
2. Resuelva los sistemas dados usando la factorización LU

encontrada en el ejercicio anterior. Esto es, resolver
AX = LU X = B.
! !
1 2 −2
(a) A = ;b=
3 4 4
! !
−1 5 0
(b) A = ;b=
6 3 5
   
2 1 7 6
(c) A = 4 3 5; b = 1
   
2 1 6 1
   
1 2 −1 4 3
0 −1 5 8 −11
(d) A =  ; b = 
   

2 3 1 4  4 
1 −1 6 4 −5
1.5.5 Determinantes
 
a11 a12 a13
Definición 32 Sea A = a21 a22 a23  entonces det A =
 
a31 a32 a33

a
22 a23 a21 a23 a21 a22 α β

|A| = a11 − a12 + a13 donde
a32 a33 a31 a32 a31 a32 γ δ
!
α β
denota det
γ δ
 
3 2 4
Ejercicio Si A = 5 7 6 calcule su determinante.
 
3 1 3

7 6 5 6
Solución Por definición detA = |A| = 3 − 2 +

1 3 3 3

5 7
4 = 3(21 − 6) − 2(15 − 18) + 4(5 − 21) = 3(15) − 2(−3) +

3 1
4(−16) = −13
Definición 33 Sea A una matriz de n × n y sea Mij la

matriz de (n − 1) × (n − 1) obtenida de A eliminando el
renglón i y la columna j. Mij se llama el menor ij de A.
 
2 −1 4 !
2 −1
Ejemplo 17 Si A = 0 1 5  entonces M23 =
 
6 3
6 3 −4
!
−1 4
y M31 =
1 5
 
1 −3 5 6
2 4 0 3 
Ejemplo 18 Si A =   entonces el menor
 
1 5 9 −2
4 0 2 7
 
1 5 6
correspondiente a la posición 22 es M22 = 1 9 −2
 
4 2 7
Definición 34 Sea A una matriz de n×n. El determinante

de A, denotado por detA o |A| se define como el número
a11 A11 + a12 A12 + · · · + a1n A1n , donde Aij = (−1)i+j |Mij |, Aij
se llama cofactor.
Ejercicio Calcule el determinante de la matriz
 
1 2 3 4 5
2 3 −1 −3
 
7
 
A= 6 3 2 5 3

4 1 8 1 2
 
3 1 2 4 1
Solución De acuerdo con la defición de determinante, detA =
a11 A11 + a12 A12 + a13 A13 + a14 A14 + a15 A15 así que necesita-
1+1
mos calcular
13 y A14 pero A11 = (−1) |M11 | =
A11 , A12 , A
3 −1 −3 7

3 2 5 3
|M11 | = y para calcular este determinante

1 8 1 2

1 2 4 1
debemos aplicar nuevamente  la definición, ahora con la ma-
3 −1 −3 7
3 2 5 3
triz B =   Así tenemos que detB = b11 B11 +
 
1 8 1 2
1 2 4 1
b12 B12 + b13 B13 + b14 B14 , donde:

2 5 3

1+1
B11 = (−1) 8 1 2 = 2(1 − 8) − 5(8 − 4) + 3(32 − 2) = 56

2 4 1

3 5 3

1+2
B12 = (−1) 1 1 2 = −(3(1 − 8) − 5(1 − 2) + 3(4 − 1)) = 7

1 4 1

3 2 3

1+3
B13 = (−1) 1 8 2 = 3(8 − 4) − 2(1 − 2) + 3(2 − 8) = −4

1 2 1

3 2 5

B14 = (−1)1+4 1 8 1 = −(3(32−2)−2(4−1)+5(4−1)) = −99

1 2 4
por lo tanto detB = 3(56) − 1(7) − 3(−4) + 7(−99) = 168 −
7 + 12 − 693 = −520, analogamente se obtienen los valores
de A12 ,A13 ,A14 ,A15 se deja como ejercicio terminar estos cál-
culos.
Teorema 21
Sea T una An×n = (aij ) una matriz triángular (superior o
inferior) entonces detA = a11 a12 · · · ann
Teorema 22
Sea T una matriz triángular superior. T es invertible si y
sólo si detT 6= 0
Teorema 23
Sean (a, b), (c, d) ∈ R2 entonces el área del paralelogramo
que tiene vértices (a, b), (c, d)(0, 0) y (a + b, c + d) se puede
!
a b
calcular como det
c d
Teorema 24 Sean A y B dos matrices de n × n, entonces

detAB = detA detB
Teorema 25 Si A se puede factorizar como A = LU en-

tonces detA = detU
Teorema 26 Si P A = LU donde P es una matriz de per-

detU
mutación, entonces detA = = ±detU
detP
El siguiente teorema resume propiedades importantes
que generalmente son utilizadas para calcular determinantes
de una manera menos tediosa.
Teorema 27 1. detA = detAt .
2. detA = ai1 Ai1 +ai2 Ai2 +· · ·+ain Ain para i = 1, 2, 3 · · · , n.
3. detA = a1j A1j +a2j A2j +· · ·+anj Anj para j = 1, 2, 3 · · · , n.
4. Si alguna columna algún renglón de una matriz A

está formada por ceros, detA = 0.
5. Si la matriz B se obtiene a partir de A multiplicando

el renglón i-ésimo por α, detB = αdetA.
6. Si la matriz B se obtiene a partir de A multiplicando

la columna j-ésima por una constante α, entonces
detB = αdetA.
7. det(αA) = αn A.
8. Sean
 A, B y C las matrices   
a11 a12 · · · b1j · · · a1n a11 a12 · · · c1j ··· a1n
a a · · · b · · · a  a21 a22 · · · c2j ··· a2n 
   
 21 22 2j 2n 
A= . . . , B =  . .. .. 
 . .. ..   .
 .  . . . 


an1 an2 · · · bnj · · · ann a an2 · · · cnj ··· ann
  n1
a11 a12 · · · b1j + c1j · · · a1n
 a21 a22 · · · b2j + c2j · · · a2n 
 
yC= .. ..  entonces:
.. 
 . . . 
an1 an2 · · · bnj + cnj · · · ann
detC = detA + detB
9. El intercambio de dos renglones adyacentes en una

matriz modifica al determinante en un factor −1.
10. El intercambio de dos columnas adyacentes en una

matriz modifica al determinante por un factor −1.
11. Si A tiene dos renglones o columnas iguales, detA = 0
12. Si un renglón de A es múltiplo escalar de otro, detA =

0
13. Si una columna de A es múltiplo escalar de otra,

detA = 0
14. Si se suma un múltiplo escalar de un renglón a otro

el determinante no cambia, lo mismo sucede si se
trata de columnas.
15. ai1 Aj1 + ai2 Aj2 + · · · + ain Aj1 = 0 si i 6= j
Teorema 28 Sea An×n una matriz, A es invertible si y sólo

si detA 6= 0. Además si A es invertible entonces:
1
detA−1 =
detA
 35 Sea A una matriz

Definición  de n × n y sea B, dada
A11 A21 · · · An1
 A12 A22 · · · An2 
 
por B =  .
 ..  donde Aij es el cofactor ij
.. 
 . . . . 
A1n A2n · · · Ann
dado por Aij = (−1)i+j |Mij | definimos la matriz la matriz
adjunta de A como la transpuesta de B, esto es Adj A = B t
Teorema 29 Sea An×n entonces A(Adj A) = (detA)I
Adj A
Teorema 30 Si detA 6= 0 entonces A−1 =
detA
Teorema 31 (Regla de Cramer) Si AX = B es un sitema
de ecuaciones de n × n donde detA 6= 0 y para cada i =
1, 2, . . . , n tenemos Di = detAi donde Ai es la matriz de
n × n obtenida de A al reemplazar la i-ésima columna por
la matriz columna B, entonces la solución al sistema es:
D1 D2 Dn
x1 = , x2 = , . . . , xn =
D D D
Ejercicios:
1. Calcular el determinante de una matriz triangular su-

perior de n × n.
2. Calcular los siguientes determinantes

1 0 3

(a) 0 1 4

2 1 0

3 −1 4

(b) 6 3 5

2 −1 6

−2 3 1

(c) 4 6 5

0 2 1

2 0 3 1

0 1 4 2
(d)

0 0 1 5

1 2 3 0

−2 0 0 7

1 2 −1 4
(e)

3 0 −1 5

4 2 3 0

2 3 −1 4 5

0 1 7 8 2

(f) 0 0 4 −1 5
0 0 0 −2 8

0 0 0 0 6
3. Demuestre que si A y B son matrices diagonales de

n × n, entonces detAB = detA detB.
4. Demuestre que, en general no se cumple que det(A +

B) = detA + detB.
5. En los siguientes ejercicios calcule el valor del deter-

minante, se puede usar cualquiera de los resultados
anteriores:

3 −5 4 1
a) b)

2 6 0 3

−1 0 2 2 1 −1

c) 3 1 4 d) 3 −2 0

2 0 −6 5 1 6

−3 2 4 0 −2 3

e) 1 −1 2 f ) 1 2 −3

−1 4 0 4 0 5

−2 3 6 2 −1 3

g) 4 1 8 h) 4 0 6

−2 0 0 5 −2 3

1 −1 2 4 2 −3 1 4

0 −3 5 6 0 −2 0 0
i) j)

3 7 −1 2

1 4 0 3

0 5 −6 7 4 1 −3 8

1
1 −1 0 3 −1 2 1

−3 4 6 0 4 3 1 −2
k) l)

5 −1 3 −1 0 2 3

2

4 0 3 0 6 2 5 2

2 0 0 0 0 a 0 0

0 0 3 0 b 0 0 0
m) n)

0 −1 0

0 0 0 0 c

0 0 0 4 0 0 d 0

1 2 0 0 a b 0 0

3 −2 0 0 c d 0 0
o) p)

0 0 1 −5 a −b

0 0

0 0 7 2 0 0 c d

2 −1 0 4 1 1 −1 2 0 0

3 1 −1 2 0

3 1 4 0 0

q) 3 2 −2 5 1 r) 2 −1 5 0 0
0 0
4 −1 6 0 0 0 2
3

1 −1 1

0 0 0 −1

3 2 4

a 0 0 0 0 2 5 −6 8 0

0 1 −7 6 0

0 0 b 0 0

s) 0 0 0 0 c t) 0 0 0 4 0
0 0 0 d 0 0 2 1 5 1

4 −1 5 3 0

0 e 0 0 0
6. En los siguientes ejercicios

calcule el valor del deter-
a
11 a12 a13

minante, suponiendo que a21 a22 a23 = 8

a31 a32 a33

a
31 a32 a33
a
31 a32 a33
a a12 a13
11
a) a21 a22 a23 b) a11 a12 a13 c) 2a21 2a22 2a23

a11 a12 a13 a21 a22 a23 a31 a32 a33

−3a
11 −3a12 −3a13
a a − a
11 2a13 a12 a12 a13

11 12
d) 2a21 2a22 2a23 e) a21 2a23 a22 f ) a21 − a22 a22 a23

5a31 5a32 5a33 a31 2a33 a32 a31 − a32 a32 a33

2a − 3a
11 21 2a12 − 3a22 2a13 − 3a23
g) a31 a32 a33

a21 a22 a23
7. Usando los teoremas 28, 29 y 30 calcule la inversa de:

   
! ! 3 2 1 1 2 3
3 2 0 1
a) b) c) 0 2 2  d) 1 1 2
   
1 2 1 0
0 1 −1 0 1 2
 
  1 1 1 1
2 −1 4 1 2 −1 2
e) −1 0 5 f) 
   
1 −1 2 1

19 −7 3
1 3 3 2
8. Resuelva los siguientes sistemas usando la regla de

Cramer:
2x1 + x2 + x3 = 6
2x1 + 3x2 = −1
a) b) 3x1 − 2x2 − 3x3 = 5
−7x1 + 4x2 = 47
8x1 + 2x2 + 5x3 = 11
2x1 + 2x2 + x3 = 7 2x1 + x2 − x3 = 4

c) x1 + 2x2 + x3 = 0 d) x1 + x3 = 2
−x1 + x2 + 3x3 = 1 −x2 + 5x3 = 1
x1 − x4 = 7
2x2 + x3 = 2
e)
4x1 − x2 = −3
3x3 − 5x4 = 2
Capítulo 2
Espacios Vectoriales
2.1 Definiciones y ejemplos

1
Definición 36 El conjunto de toda las 
matrices
 con n
a1
 a2 
 
elementos también llamados n-vectores 
 ..  donde cada

.
an
n
ai ∈ R se conoce como espacio R
A continuación se resumen algunos conceptos y propiedades

importantes de los espacios R2 y R3
Definición 37 El segmento de recta dirigido que se ex-

−→
tiende de P a Q en R2 o R3 , denotado por P Q es el seg-
mento de recta que va de P a Q.
Definición 38 Dos segmentos de recta dirigidos en R2 o

R3 son equivalentes si tienen la misma magnitud (longi-
tud) y dirección.
1
Indistintamente se puede pensar en una matriz columna o renglón
82 Espacios Vectoriales
Definición 39 (Punto de vista geométrico) Un vector en

R2 es el conjunto de todos los segmentos de recta dirigidos
en R2 equivalentes a un segmento de recta dirigido dado.
La representación de un vector que tiene su punto inicial
−→
en el origen se denota por OR
Definición 40 (Punto de vista geométrico) Un vector en

R3 es el conjunto de todos los segmentos de recta dirigidos
en R3 equivalentes a un segmento de recta dirigido dado.
La representación de un vector que tiene su punto inicial
−→
en el origen se denota por OR
Definición 41 (Punto de vista algebraico) Un vector v en

R2 es un par ordenado de números reales (a, b). Los nú-
meros a y b se llaman componentes del vector v. El vector
cero es el vector (0, 0). En R3 , un vector v es una terna
ordenada de números reales (a, b, c). El vector cero en R3
es el vector (0, 0, 0).
Las definiciones geométrica y algebraica de un vector en
R o en R3 se relacionan de la siguiente manera: si v = (a, b)
2
−
→
o v = (a, b, c), entonces una representación de v es 0R, donde
R = (a, b) o R = (a, b, c).
Definición 42 Si v = (a, b), entonces

√ la magnitud v, deno-
tada por |v|, está
√ dada por |v| = a2 + b2 . Si v = (a, b, c),
entonces |v| = a + b + c
2 2 2
Definición 43 Si v es un vector en R2 , entonces la direc-

ción de v es el ángulo en el intervalo [0, 2π) que forma
cualquier representación de v con el lado positivo del eje
X.
La siguiente desigualdad es una de las más importantes
en los espacios vectoriales.
2.1. DEFINICIONES Y EJEMPLOS 83
Teorema 32 (Desigualdad del triángulo) Si u y v son dos

vectores ambos en R2 o ambos en R3
|u + v| ≤ |u| + |v|
Notemos que en R2 si i = (1, 0) y j = (0, 1) entonces

cualquier vector v = (a, b) se puede escribir como v = ai+bj.
Algo análogo pasa en R3 . Sean i = (1, 0, 0) , j = (0, 1, 0) y
k = (0, 0, 1); entonces v = (a, b, c) se puede escribir como
v = ai + bj + ck
Definición 44 Un vector unitario u en R2 o R3 es un vector

que satisface |u| = 1. En R2 un vector unitario se puede
escribir como
u = (cosθ)i + (senθ)j
donde θ es la dirección de u.
Definición 45 Sean u = (a1 , b1 ) y v = (a2 , b2 ) entonces el

producto escalar o producto punto de u y v, denotado por
u · v, está dado por
u · v = a1 a2 + b 1 b 2
Si u = (a1 , b1 , c1 ) y v = (a2 , b2 , c2 ), entonces
u · v = a1 a2 + b 1 b 2 + c 1 c 2
Definición 46 El ángulo φ entre dos vectores u y v en R2

o R3 es el único número en [0, π] que satisface
u·v
cosφ =
|u||v|
Definición 47 Dos vectores en R2 o R3 son paralelos si el

ángulo entre ellos es 0 o π. Son paralelos si uno es un
múltiplo escalar del otro.
Definición 48 Dos vectores en R2 o R3 son ortogonales si

él ángulo entre ellos es π2 , note que son ortogonales si y
sólo si su producto escalar es cero.
Definición 49 Sean u y v dos vectores diferentes de cero

en R2 o R3 . La proyección de u sobre v es un vector, deno-
tado por proyv u, que está definido por
u·v
proyv u = v
|v|2
u·v
El escalar se llama la componente de u en la direc-
|v|
ción de v.
Note que el vector P royv u es paralelo a v y u − proyv u es
ortogonal a v.
Definición 50 La dirección de un vector v en R3 es el vec-

v
tor unitario u =
|v|
a
Definición 51 Si v = (a, b, c), entonces cosα = |v|
, cosβ =
b c
|v|
, cosγ = |v| se llaman cosenos directores de v.
Definición 52 Sea u = a1 i + b1 j + c1 k y v = a2 i + b2 j + c2 k.
Entonces el producto cruz o producto vectorial de u y v,
i j k

denotado por u × v, esta dado por: u × v = a1 b1 c1

a2 b 2 c 2
Algunas propiedades que satisface el producto cruz son:
1. u × 0 = 0 × u = 0
2. u × v = −v × u
3. (αu) × v = α(u × v)
4. u × (v + w) = (u × v) + (u × w)
5. (u × v · w) = u · (v × w) (el triple producto escalar)
6. u × v es ortogonal tanto a u como a v.
7. Si ni u ni v son el vector cero, entonces u y v son

paralelos si sólo si u × v = 0
El producto cruz se puede usar para calcular áreas de la

siguiente forma. Si φ es el ángulo entre u y v, entonces el
área del paralelogramo con lados u y v se puede calcular
como |u × v| = |u||v|senφ =
Definición 53 Sean P = (x1 , y1 , z1 ) y Q = (x2 , y2 , z2 ) dos

puntos sobre la recta L en R3 si formamos el vector v =
(x2 − x1 )i + (y2 − y1 )j + (z2 − z1 )k y hacemos a = x2 − x1 ,
b = y2 − y1 y c = z2 − z1 , entonces definimos:
−→ − →
1. Ecuacion vectorial de una recta: 0R = 0P + tv
2. Ecuaciones paramétricas de una recta: x = x1 + at,

y = y1 + bt, z = z1 + ct
x − x1 y − y1
3. Ecuaciones simétricas de una recta: = =
a b
z − z1
, si a, b y c son diferentes de cero.
c
Definición 54 Sea P un punto en R3 y sea n un vector
dado diferente de cero; entonces el conjunto de todos los
−→
puntos Q para los que P Q · n = 0 constituye un plano en
R3 llamado plano normal a v. El vector n se llama vector
normal al plano.
Si n = ai + bj + ck y P = (x0 + y0 + z0 = d), entonces la
ecuación del plano se puede escribir como ax + by + cz =
−→
donde d = ax0 + by0 + cz0 = 0P · n. El plano xy tiene la
ecuación z = 0; el plano xz tiene la ecuación y = 0; el plano

yz, tiene la ecuación x = 0.
Definición 55 Dos planos son paralelos si sus vectores

normales son paralelos. Si los dos planos no son paralelos,
entonces se intersectan en una línea recta.
Los resultados anteriores no son válidos unicamente para
los espacios Rn sino que se pueden generalizar a conjun-
tos denominados espacios vectoriales como se estudiará en-
seguida.
Definición 56 Un espacio vectorial real V es en conjunto

de objetos, llamados vectores, junto con dos operaciones
llamados suma y multiplicación por un escalar denotados
respectivamente como x + y y αx, donde x, y ∈ V y α ∈ R,
que cumple los siguientes axiomas:
1. Cerradura bajo la suma.
Si x, y son elementos de V , también lo es x + y
2. Asociatividad de la suma.
Si x, y, z son elementos de V , x + (y + z) = (x + y) + z
3. Neutro aditivo.
Existe un elemento 0 en V tal que para cualquier
vactor x, x + 0 = x
4. Inverso aditivo.
Para cada elemento x de V , existe un vector −x en
V tal que x + (−x) = 0
5. Conmutatividad de la suma.
Para cualquier x, y elementos de V , x + y = y + x
6. Cerradura de la multiplicación por un escalar.
Si x es un vector y α un escalar entonces αx es un
vector.
7. Distributividad escalar.
α(x + y) = αx + αy para cualesquiera x, y vectores y
α escalar.
8. Distributividad vectorial.
(α + β)x = αx + βx para cualesquiera α, β escalares
y x vector.
9. Asociatividad de la multiplicación.
Si α, β son escalares y x un vector α(βx) = (αβ)x
10. Neutro multiplicativo.
Para cualquier vector x : 1x = x
Ejemplo 19 El espacio Rn ,la suma de matrices y la mul-
tiplicación por un escalar forman un espacio vectorial,
pues: Por la definición de suma de matrices si x y y son
vectores de n × 1 su suma es otro vector de n×  1. Así
0
0
 
n
la suma es cerrada en R . Si hacemos 0 =   .. , por

.
0
el teorema 6 se cumple que la suma es asociativa, con-
mutativa
  y existe el neutro aditivo, ademas siparacada
x1 −x1
 ..  n  .. 
x =  .  elemento de R definimos −x =  .  en-
xn −xn
n
tonces cada vector de R tiene inverso aditivo. La multipli-
cación por un escalar es cerrada en Rn (ver definición 15)
y de acuerdo con el teorema 6 cumple distributividad es-
calar vectorial
 ytiene  neutro multiplicativo.
   Por otra parte
βx1 α(βx1 )0 (αβ)x1
α(βx) = α  ...  =  ..   .. 
 =  .  = (αβ)x y con
  
.
βxn α(βxn ) (αβ)xn
esto se verifica que Rn es un espacio vectorial.
Ejemplo 20 Si V = {0} es el conjunto formado unica-

mente por el cero y consideramos la suma y la multipli-
cación de números reales entonces V es un espacio vec-
torial, se deja como ejercicio verificar este hecho
Ejemplo 21 Sea C[0, 1] el conjunto formado por todas las

funciones continuas definidas en el intervalo [0, 1], defi-
nimos (f + g)(x) = f (x) + g(x) y αf (x) = α(f (x)), como
se estudia en el curso de calculo diferencial, la suma de
funciones continuas es cerrada. C[0, 1] es un espacio vec-
torial, ¿qué función hace el papel de neutro?
Teorema 33 Sea V un espacio vectorial, entonces

1. α0 = 0 para todo escalar α
2. 0x = para todo x ∈ V
3. Si αx = 0, entonces α = 0 ó x = 0
4. (−1)x = −x para todo x ∈ V

Ejercicios:
1. Determina si el conjunto dado es un espacio vecto-
rial. Si no lo es, da una lista de los axiomas que no se
cumplen
(a) El conjunto de matrices diagonales de n×n bajo la

suma de matrices y multiplicación por un escalar
usuales.
(b) El conjunto de matrices diagonales de n × n bajo
la multiplicación.
(c) {(x, y) ∈ R2 |y ≤ 0; x, y ∈ R} con la suma de vec-
tores y multiplicación por un escalar usuales.
(d) Los vectores en el plano que está en el primer

cuadrante.
(e) El conjunto de vectores en R3 de la forma (x, x, x).
(f) El conjunto de matrices simétricas de n × n bajo
la suma y multiplicación por un escalar usuales.
(g) El conjunto de funciones continuas de valores reales
definidas en [0,1] con f (0) = 0 y f (1) = 0 bajo la
suma y multiplicación por un escalar usuales.
(h) El conjunto que consiste en un objeto con la suma
definida por objeto + objeto = objeto y la multi-
plicación por un escalar definida por α(objeto) =
objeto.
(i) El conjunto de funciones diferenciables definidas
en [0,1] bajo la suma y multiplicación por un es-
calar usuales.
√
(j) El conjunto de números reales de la forma a+b 2,
donde a y b son números racionales, bajo la suma
de números reales usual y la multiplicación por un
escalar definida sólo para escalares racionales.
(k) Demuestre que en un espacio vectorial el elemeto
neutro aditivo es único.
(l) Demuestre que en un espacio vectorial todo vec-
tor tiene un inverso aditivo único.
(m) Demuestre que el conjunto de números reales pos-
itivos forma un espacio vectorial bajo las opera-
ciones x + y = xy y αx = xα .
2.2 Subespacios Vectoriales

Estudiaremos ahora subconjuntos de un espacio vectorial
que bajo las operaciones heredadas del espacio cumplen ser
también espacios vectoriales, veremos algunas propiedades
que cumplen estos conjuntos, a continuación definimos el
concepto de subespacio vectorial.
Definición 57 Sea V un espacio vectorial si H ⊆ C es un

espacio vectorial bajo las operaciones heredadas de V ,
entonces H se llama subespacio vectorial de V .
Nota Note que el conjunto formado unicamente por el neu-

tro aditivo de V , {0} forma un subespacio vectorial. Si
H = V , H es también un subespacio vectorial de V . Estos
subespacios se llaman subespacios triviales.
Ejemplo 22 Sea V = R3 junto con la suma de vectores

y la multiplicación por un escalar, si H = {(x, y, z) ∈ R3 |
ax+by+cz = 0, a, b y c números reales}, H es un subespacio
vectorial de R3 . Se deja como ejercicio verificar que H
es un subespacio vectorial de R3 , note que H no es un
subespacio trivial.
Ejemplo 23 Si V = R entonces V no tiene subespacios

vectoriales no triviales, para verificar esto supongamos
que H 6= {0} entonces debe existir un x en H diferente de
0. Por elaxioma
de cerradura de la multiplicación por un
1
escalar x ∈ H es decir 1 ∈ H, por este mismo axioma
x
para cualquier escalar β ∈ R, β1 = β ∈ H, asi H = R.
Este último ejemplo muestra que no todos los espacios
vectoriales tienen subespacios vectoriales no triviales, tam-
bién sabemos que todo espacio vectorial tiene al menos dos
2.2. SUBESPACIOS VECTORIALES 91
subespacios vectoriales, el mismo espacio y el formado uni-

camente por el neutro aditivo, sin embargo verificar los diez
axiomas para saber si un subconjunto de V es por si mismo
un espacio vectorial puede resultar tedioso. El siguiente teo-
rema proporciona un método más sencillo para verificar si
un subconjunto dado de un espacio vectorial es un subespa-
cio.
Teorema 34 Sea V un espacio vectorial, si H ⊆ V satis-

face
1. Para todo x, y en H se cumple x + y ∈ H.
2. Para cualquier escalar α y cualquier x ∈ H, αx ∈ H.
Entonces H es un subespacio vectorial de V .
Ejemplo 24 Si Pn denota el espacio vectorial de todos los

polinomios de grado menor o igual que n, entonces para
todo m tal que, 0 ≤ m ≤ n, Pm es un subespacio vectorial
de Pn .
Ejemplo 25 Si Mnm denota al espacio vectorial formado

por las matrices de m × n, entonces H = {M ∈ Mnm : a11 =
0} es un subespacio vectorial no trivial de Mnm .
Notación Con H ≤ V denotamos el hecho de que H sea un

subespacio vectorial de V .
Teorema 35 Si H1 ≤ V y H2 ≤ V entonces H1 ∩ H2 es un
subespacio vectorial de V .
No es cierto que la unión de dos subespacios vectoriales
sea un subespacio vectorial, ¿puede el lector dar un ejemplo
de esto?
Ejercicios:
1. En los problemas siguientes determina si el conjunto

dado H del espacio vectorial V es un subespacio de V .
(a) V = R2 ; H = {(x, y) : y ≤ 0}
(b) V = R3 ; H = el plano xy
(c) V = Mnn ; H = {D ∈ Mnn ; D es diagonal}
(d) V = Mnn ; H = {S ∈ Mnn ; S es simétrica}
( !)
a b
(e) V = M22 ; H = A ∈ M22 ; A =
−b c
( !)
0 a
(f) V = M22 ; H = A ∈ M22 ; A =
b 0
(g) V = P4 ; H = {p ∈ P4 ; p(0) = 0}
(h) V = Pn ; H = {p ∈ Pn ; p(0) = 1}
(i) V = C[0, 1]; H = {f ∈ C[0, 1]; f (0) = 2}
2. ( = {A ∈ M22 ; a11 = 0} y H2 =
Sea V = M22 ; sean H1!)
−b a
A ∈ M22 ; A =
a b
(a) Demuestre que H1 y H2 son subespacios.

(b) Describa el subconjunto H1 ∩ H2 y muestre que es
un subespacio
3. Sean H1 y H2 subespacios de un espacio vectorial V .

Sea H1 + H2 = {v : v = v1 + v2 con v1 ∈ H1 y v2 ∈ H2 }.
Demuestre que H1 + H2 es un subespacio de V .
2.3. COMBINACION LINEAL Y ESPACIO GENERADO 93
2.3 Combinacion lineal y espacio ge-

nerado
Definición 58 Sean v1 , v2 , · · · , vn n vectores del espacio vec-
torial V . Entonces para cualquier n-ada de números reales
(a1 , a2 , · · · , an ), el vector a1 v1 +a2 v2 +. . .+an vn se llama com-
binación lineal de los vectores v1 , v2 , . . . vn
 
1 0 0
Ejemplo 26 En M2×3 la matriz 2 1 2 es una combi-
 
1 2
   
4 0 0 0 0 0
nación lineal de 0 4 0 y 1 0 1.
   
4 0 0 0 1 1
Ejemplo 27 Cualquier polinomio en Pn se puede expresar

como combinación lineal de los polinomios 1, x, x2 , . . . , xn .
Definición 59 Sea V un espacio vectorial, el conjunto de

vectores v1 , v2 , . . . , vn se llama generador si dado cualquier
vector vo en V se puede escribir como combinación lineal
de ellos.
Ejemplo 28 En R2 el conjunto (3, 2) (2, 1) y (1, 2) es gene-

rador.
Ejemplo 29 En Pn el conjunto 1, x, x2 , . . . , xn es generador.

Algunos espacios vectoriales tienen una infinidad de con-
juntos generadores mientras que otros no poseen conjuntos
generadores.¿puede el lector proporcionar ejemplos a cada
situación?
Definición 60 Sean v1 , v2 , . . . , vk k vectores del espacio vec-

torial V . El conjunto formado por todos las combinaciones
lineales de los vectores v1 , v2 , . . . , vk se llama espacio gene-

rado de estos vectores y se denota como gen{v1 , v2 , . . . , vk }
ó hv1 , v2 , . . . , vk i.
Teorema 36 Si V es un espacio vectorial y v1 , v2 , . . . , vk son

vectores de V entonces gen{v1 , v2 , . . . , vk } ≤ V .
Teorema 37 Sea V un espacio vectorial si v1 , v2 , . . . , vk , vk+1

son vectores de V tales que V = gen{v1 , v2 , . . . , vk } entonces
V = gen{v1 , v2 , . . . , vk , vk+1 }
Ejercicios:
1. En los siguientes problemas determine si el conjunto
dado de vectores genera el espacio vectorial dado.
! !
1 3
(a) En R2 : ,
2 4
! ! !
1 2 5
(b) En R2 : , ,
1 2 5
     
1 0 0
3      
(c) En R : 1, 1, 0
1 1 1

(d) En R3 : 1 −1 2 , 1 1 2 , 0 0 1
(e) P2 : 1 − x, 3 − x3
! ! ! !
2 1 0 0 3 −1 0 0
(f) En M22 : , , ,
0 0 2 1 0 0 3 1
! ! ! !
1 0 0 0 1 0 0 0 1 0 0 0
(g) En M23 : , , , ,
0 0 0 0 0 0 0 0 0 1 0 0
! !
0 0 0 0 0 0
,
0 1 0 0 0 1
2.3. COMBINACION LINEAL Y ESPACIO GENERADO 95
2. Demuestre que si u y v están en gen{v1 , v2 , . . . , vk }, en-

tonces u + v y αu están en gen{v1 , v2 , . . . , vk }
3. Sea H un subespacio de V que contiene a v1 , v2 , . . . , vn .

Demuestre que gen{v1 , v2 , . . . , vn } ⊆ H. Es decir,
gen{v1 , v2 , . . . , vn } es el subespacio más pequeño de V
que contiene a v1 , v2 , . . . , vn .
2.4 Independencia lineal

Definición 61 Sean v1 , v2 , . . . , vk vectores en un espacio
vectorial V . Se dice que los vectores son linealmente de-
pendientes si existen n escalares c1 , c2 , . . . , ck no todos cero
tales que c1 v1 + c2 v2 + · · · + ck vk = 0. Si los vectores no son
linealmente dependientes, se dice que son linealmente in-
dependientes.
Una definición equivalente es:
Definición 62 Los vectores v1 , v2 , . . . , vk son linealmente

independientes si los únicos escalares que satisfacen c1 v1 +
c2 v2 + · · · + ck vk = 0 son c1 = c2 = · · · = ck = 0.
Ejercicio
Determina si los vectores (x0 , y0 ) y (x1 , y1 ) son linealmente
dependientes o independientes.
Solución Supongamos que existen c1 , c2 escalares tales que

c1 (x0 , y0 )+c2 (x1 , y1 ) = 0 entonces se forma el sistema de 2×2
c1 x 0 + c2 x 1 = 0
c1 y0 + c2 y1 = 0
este sistema por ser homogeneo ya posee la solución c1 =
c2 = 0 por otro lado sabemos que tiene solución única si y
sólo si x0 y1 6= x1 y0 .
Nota Los vectores (x0 , y0 ) 6= 0 y (x1 , y1 ) 6= 0 son linealmente

y1
dependientes si y sólo si x0 y1 = x1 y0 si y sólo si x1 = x0
y0
y1 y1
y y1 = y0 si y sólo si (sx0 , y0 ) = (x1 , y1 ).
y0 y0
2.4. INDEPENDENCIA LINEAL 97
Teorema 38 Dos vectores en un espacio vectorial son li-

nealmente dependientes si y sólo si uno de ellos es un
multiplo escalar del otro.
Ejemplos:
1. Los vectores v1 = (2, 4, 5) y v2 = (1, 2, 25 ) son lineal-

mente dependientes ya que v1 = 2v2
! !
1 2 2 4
2. Los vectores y no son linelamente de-
3 4 6 7
pendientes
     
1 3 2
Ejercicio Determine si los vectores 2 4 1 son
     
3 2 3
linealmente dependientes
Solución Estos vectores son linealmente dependientes   si

1
existen constantes c1 , c2 y c3 no todos cero tales que c1 2 +
 
3
     
3 2 0
c2 4 + c3 1 = 0 o equivalentemente
     
2 3 0
c1 + 3c2 + 2c3 = 0
2c1 + 4c2 + c3 = 0
3c1 + 2c2 + 3c3 = 0
sabemos que este sistema por ser homogéneo tiene la solu-

ción trivial (0, 0, 0) la pregunta es ¿ésta es la única solución?
para contestar esto basta con averiguar si el determinante

1 3 2

2 4 1 es distinto de cero, ya que de serlo así la trivial será

3 2 3
la única solución y los vectores serán linealmente indepen-
dientes
Los dos últimos ejercicios sugieren que:

 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
Teorema 39 Si en la mátriz A =   ..
 las
 .


an1 an2 · · · ann
columnas representan n vectores n-dimencionales v1 , v2 , · · · , vn
del espacio vectorial V , entonces det A 6= 0 si y sólo si los
vectores v1 , v2 , · · · , vn son linealmente independientes
Teorema 40 Un conjunto de n vectores en Rm siempre es

linealmente dependiente si n > m
Corolario 2 Un conjunto de vectores linealmente indepen-

diente en Rn tiene a lo mas n vectores.
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
Teorema 41 Sea A =  .  .. ..  en donde las
.. 
 .. . . . 
am1 am2 . . . amn
columnas de A son m-vectores de cierto espacio vectorial
V , dichos vectores son linealmente dependientes si y sólo
si el sistema Ac = 0 tiene soluciones no triviales.
Ejercicio Resuelva el sistema homogéneo

x1 + 2x2 − x3 + 2x4 = 0
3x1 + 7x2 + x3 + 4x4 = 0
y exprese todas las soluciones como combinaciones lineales

de soluciones linealmente independientes.
Ejercicios:
1. Determine si el conjunto de vectores dados es lineal-

mente dependiente o independiente.
! !
1 −1
(a) ;
2 −3
  
2 4
(b) −1;−2
  
4 8
! ! !
−3 1 4
(c) ; ;
2 10 −5
     
1 0 0
(d) 0; 1; 0
     
1 0 1
     
−3 7 1
(e)  4 ; −1; 1
     
2 3 8
       
1 3 0 5
−2  0   4  0
(f)  ;  ;  ;
       
 1   2  −1
 
3
1 −2 1 −1
(g) En P2 : 1 − x, x
(h) En P2 : 1 − x, 1 + x, x2
(i) En P3 : 2x, x3 − 3, 1 + x − 4x3 , x3 + 18x − 9
2. ¿Para qué valor(es) de

 αserán
 linealmente
 dependi-
1 2 3
entes los vectores 2, −1, α
     
3 4 4
3. ¿Para qué valor(es) de α serán linealmente

   dependi-
2 −4 α
entes los vectores −3,  6 ,  1 
     
1 −2 2
4. Demuestre que si los vectores v1 , v2 , . . . , vn son lineal-

mente dependientes en Rm y si vn+1 es cualquier otro
vector en Rm , entonces el conjunto v1 , v2 , . . . , vn , vn+1 es
linealmente dependiente.
5. Demuestre que si v1 , v2 , . . . , vn (n ≥ 2) son linealmente

independientes, entonces también los son v1 , v2 , . . . , vk
donde k < n.
6. Escriba las soluciones a los sistemas homogéneos da-

dos en términos de uno o más vectores linealmente
independientes.
(a) x1 + x2 + x3 = 0
x1 + 2x2 − x3 = 0
(b)
2x1 + 5x2 + 4x3 = 0
(c) x1 + 2x2 − 3x3 + 54 = 0
(d) Sean u = (1, 2, 3).
i. Sea H = v ∈ R3 : u · v = 0 Demuestre que H
es un subespacio de R3 .
ii. Encuentre dos vectores linealmente indepen-
dientes en H. Llámelos x y y.
iii. Calcule w = x × y.
iv. Demuestre que u y w son linealmente depen-

dientes.
v. Dé una interpretación geométrica de los in-
cisos (i) y (iii) y explique por qué (iv) debe ser
cierto.
7. Encuentre un conjunto de tres vectores linealmente

 
2
3
independientes en R que contenga a los vectores 1
 
2
 
−1
y  3 .
 
4
8. Encuentre un conjunto linealmente independiente de

vectores e P2 que contenga a los polinomios 1 − x2 y
1 + x2 .
2.5 Bases y dimensión

Definición 63 Un conjunto finito de vectores {v1 , v2 , . . . vn }
es una base para el espacio vectorial V si:
• {v1 , v2 , . . . vn } es linealmente independiente
• {v1 , v2 , . . . vn } genera a V
Ejemplo 30 1. En Pn el conjunto {1, x, x2 , . . . , xn } forma

una base
2. En R2 el conjunto {(0, 1), (1, 0)} forma una base
3. En Rn el conjunto {(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)}

forma una base
4. En M2×2 el conjunto 1 2 2 a
( ! ! ! !)
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
forma una base
Todas estas bases se llaman bases canónicas, pero no
son las únicas como lo muestra el siguiente ejemplo
Ejercicios:
1. Determine si el conjunto de vectores dado es una base
para el espacio vectorial a que se refiere.
(a) En P2 : 1 − x2 , x
(b) En P2 : x2 − 1, x2 − 2, x2 − 3
(c) En P3 : 3, x3 − 4x + 6, x2
! ! ! !
a 0 0 b 0 0 0 0
(d) En M22 : , , , , donde
0 0 0 0 c 0 0 d
abcd 6= 0
2.5. BASES Y DIMENSIÓN 103
(e) H = {(x, y) ∈ R2 : x + y = 0}; (1, −1)
2. Encuentre una base en R3 para el conjunto de vectores

en el plano 2x − y − z = 0
3. Encuentre una base en R3 para el conjunto de vectores

x y z
en la recta = =
2 3 4
4. Encuentre una base para el espacio solución del sis-
tema homogéneo dado.
x−y = 0
(a)
−2x − 2y = 0
x−y−z = 0
(b)
2x − y + z = 0
2x − 6y + 4z = 0
(c) −x + 3y − 2z = 0
−3x + 9y − 6z = 0
5. ¿Cuál es la dimensión del espacio de matrices diago-

nales de n × n, Dn
6. Suponga que v1 , v2 , . . . , vm son m vectores linealmente

independientes en un espacio vectorial V de dimensión
n y m < n. Demuestre que {v1 , v2 , . . . , vm } se puede au-
mentar hasta formar un base para V . Es decir que exis-
ten vectores vm+1 , vm+2 , . . . , vn tales que {v1 , v2 , . . . , vn }
es una base para V
7. ¿Para qué valores del número real a los vectores (a, 1, 0)

(1, 0, a) y (1 + a, 1, a) constituyen una base para R3 ?

Not Alg Lin

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

Not Alg Lin

Hochgeladen von

Copyright:

Verfügbare Formate

NOTAS DE ÁLGEBRA LINEAL.

J. Alejandro Hernández Tello

May 21, 2009

1 Sistemas de Ecuaciones Lineales y Matrices 1

os sistemas de ecuaciones lineales se comienzan a es-

L tudiar en el primer o segundo año de la educación

Definición 2 (Sistema de Ecuaciones Lineales)

Ejemplo 1 Veamos tres ejemplos de sistemas de ecuaciones

Por comodidad denotaremos las variables de un sistema

2x1 + 3x2 − 5x3 + 4x4 + x5 = 7

Los coeficientes de las variables se denotaran por aij

2x1 + 3x2 − 5x3 + 4x4 + x5 = 7

a32 = 3, a23 = 0, a34 = 0, a43 no existe

Definición 3 Una solución a un sistema de ecuaciones

Ejemplo 3 Una solución al sistema1

3x1 + 2x2 = 4 (1.1)

Definición 4 Un sistema de m × n es consistente si tiene

Ejemplo 4 Un ejemplo de un sistema consistente nos lo

Definición 5 Dos sistemas de m × n son equivalentes si

1.2 Solución de sistemas de 2 × 2

Ejemplo 5 Supongamos que queremos resolver el sistema

II) Si a11 6= 0, a12 = 0 tenemos el sistema

y nuevamente dos subcasos

(a) No existe una solución.

5. Encuentre condiciones sobre a y b tales que el sistema

tenga solución única.

6. Encuentre condiciones sobre a , b y c tales que el sis-

7. Encuentre condiciones sobre a , b , c y d tales que el

8. En un zoológico hay aves (de dos patas) y bestias de

1.3 Solución de sistemas de m × n

Definición 6 Una matriz Am×n n, m ∈ Z+ es un arreglo

4. Una matriz de 1 × n se llama matriz renglón o vector renglón y

5. En ocasiones la matriz A se escribe como (aij )

6. Si todas las componentes de una matriz son cero, ésta se conoce

Ejemplo 6 En la matriz B4×5

Definición 7 Dado un sistema de ecuaciones de m × n

y la matriz aumentada asociada a este sistema se forma

Ejemplo 7 El sistema de ecuaciones de 3 × 3

De acuerdo con el análisis anterior podemos notar que

Teorema 2 Existe una función biyectiva entre las matri-

Definición 8 Sea A una matriz de m × n entonces las si-

i) Multiplicar el j-ésimo renglón, Rj , por una constante

Con los símbolos Rj −→ αRj se indica que el renglón

ii) Sustituir el j-ésimo renlón por la suma, elemento a

iii) Intercambiar los renglones i-ésimo y j-ésimo

Definición 9 Si la matriz Am×n se puede obtener a par-

El siguiente resultado relaciona los conceptos de equiva-

Teorema 3 Si A y B son dos matrices equivalentes en-

Demostración Este teorema se puede demostrar suponien-

Definición 10 Sea r un renglón de la matriz Am×n . El

Definición 11 Decimos que una matriz Am×n está en su

1. Todos los renglones, en caso de que los haya, cuyos

2. Todos los pivotes valen 1.

3. Si r y r1 son dos renglones de Am×n y r está arriba

4. Si alguna columna contiene un uno, sus demás ele-

Definición 12 Si una matriz Am×n cumple al menos las

Ejemplo 10 Las siguientes matrices están en forma esca-

Ejemplo 11 Las siguientes matrices están en forma esca-

2. La forma escalonada de una matriz no es única por ejemplo, las

son equivalentes y ambas estan en forma escalonada.

una equivalente a ella en forma escalonada reducida re-

Teorema 4 Cualquier matriz Am×n se puede convertir en

1.3.1 Método de Gauss-Jordan y Eliminación

La aplicación del método de Gauss-Jordan a un sistema de