Alg Lineal (Mod 1) Ieinf

APUNTES DE ALGEBRA LINEAL: MODULO I
PARA INGENIERIA EJECUCION

INFORMATICA
Carlos Picarte F.
Concepcion, 2 de agosto de 2017.
RPI: Inscripcion N 278.984

Texto bajo Proyecto ModuDMat
Compilado en LATEXcon MiKTEX2.8
2 UBB
Indice general
1. Matrices y Determinantes 5
1.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1. Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2. Producto de un Escalar por una Matriz . . . . . . . . . . . . . . . . . . . 7
1.1.3. Producto de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.4. Matrices Inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.5. Operaciones Elementales y Calculo de la Matriz Inversa . . . . . . . . . 11
1.2. Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1. Regla de SARRUS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.2. Propiedades de los Determinantes . . . . . . . . . . . . . . . . . . . . . . 16
1.2.3. Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.4. Rango de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3. Sistemas de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.1. Notacion Matricial de un Sistema de Ecuaciones . . . . . . . . . . . . . 20
1.3.2. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.3. Metodo de Reduccion de Gauss . . . . . . . . . . . . . . . . . . . . . . . . 23
2. Espacios Vectoriales 25
2.1. Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2. Subespacio Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1. Ejemplos de Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2. Dependencia e Independencia Lineal . . . . . . . . . . . . . . . . . . . . . 31
2.2.3. Bases y Dimension de un Espacio Vectorial . . . . . . . . . . . . . . . . . 32
2.2.4. Caracterizacion de un espacio vectorial . . . . . . . . . . . . . . . . . . . 37
2.2.5. Coordenadas de un vector respecto a una base B . . . . . . . . . . . . . 37
2.2.6. Matriz Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3. Proceso de Ortogonalizacion de Gram-Schmidt . . . . . . . . . . . . . . . . . . . 40
3
INDICE GENERAL INDICE GENERAL
4 UBB
1 Matrices y
Determinantes
1.1 Matrices
Definicion 1.1.
Sea K un cuerpo (por ejemplo K puede ser R, C, etc.), y k = {1, 2, 3, . . . , k}. Una
matriz con elementos en K es una funcion o una aplicacion definida de m n en K,
de manera que el elemento (i, j) le asigna como imagen el elemento aij de K
La matriz se escribe (aij ) donde 1 i m, 1 j n. Para denotar las matrices usaremos

letras mayusculas (ejem. A, B, C, . . . etc.).
Ejemplo 1.1.
La matriz A de m filas y n columnas, con elementos aij se escribe:
a11 a12 a13 a1n

a21 a22 a23 a2n

a31 a32 a33
A = (aij ) = a3n

am1 am2 am3 amn
Observacion 1.1.
La matrix A se dice de orden m n
5
Captulo 1: Matrices y Determinantes M. Huenchucona C. C. Picarte F.
Ejemplo 1.2.
Sea la matriz C:
1 2 3
C=( )
4 5 1
Esta matriz es de orden 2 3, es decir, consta de 2 filas y 3 columnas.
Llamaremos Mmn (K), el conjunto de todas las matrices de orden m n con elementos
en el cuerpo K
En el ejemplo anterior, la matriz C M23 (R)
Observacion 1.2.
Si m =/ n, la matriz se dice Rectangular

Si m = n, la matriz se dice Cuadrada de orden n.
Ejemplo 1.3.
1 5
La matriz: A = ( ) Es una matriz, tal que A M22 (C), que denotaremos
i 4 22
por A M2 (C).
1.1.1. Suma de Matrices

Definicion 1.2.
Sean A y B dos matrices de Mmn (K), se define la suma A + B como la matriz C

de Mmn (K) de modo que:
Sean A = (aij ) ; B = (bij ), entonces C = (aij )+(bij ) = (aij +bij ), es decir, se suman
los elementos correspondientes
Observacion 1.3.
Las matrices A y B deben tener el mismo orden.
6 UBB
M. Huenchucona C. C. Picarte F. Captulo 1: Matrices y Determinantes
Ejemplo 1.4.
2 5 10 4
Sean A = 1 0, B = 3 7. Calcular A + B.
4 3 1 1
2 10 5 + 4 8 9
Solucion: C = A + B = 1 + 3 0 + 7 = 2 7
4 + 1 3 + 1 5 4
Propiedades de la Suma de Matrices
Propiedades 1.
Sean A, B, C Mmn (K).
S1 : Conmutatividad: A + B = B + A
S2 : Asociatividad: A + (B + C) = (A + B) + C
S3 : Existe Elemento Neutro:Es la matriz nula= (todos sus elemento son cero).
S4 : Existe Inverso Aditivo: Para toda matriz A = (aij ), existe la matriz B = (aij ),
tal que A + B =
1.1.2. Producto de un Escalar por una Matriz

Sea k un elemento del cuerpo K y A Mmn (K).
Se define k A = (k aij )
Ejemplo 1.5.
5 1 2 15 3 6
Sea A = ( ), entonces 3 A = ( ).
2 5 1 6 15 3
UBB 7
Propiedades de la Multiplicacion de una Matriz por un Escalar

Propiedades 2.
Sean A, B Mmn (K), y k, k K, entonces:
1. k(A + B) = k A + k B
2. (k + k )A = k A + k A
3. (k k )A = k(k A)
Observacion 1.4.
Notemos que el inverso aditivo de una matriz A, se obtiene multiplicandola por el

escalar 1, esto es, B = (aij ) = (1)(aij ) = (1)A.
1.1.3. Producto de Matrices

El producto de dos matrices esta definida solo cuando el numero de columnas de la
primera matriz es igual al numero de filas de la segunda matriz
Ejemplo 1.6.
2 5 3 4
Sean A = 1 2 y B = ( ), entonces:
1 1 0 2
2 3 + 5 0 2 4 + 5 2 6 18
AB = 13+20 14+22 = 3 8
1 3 + 1 0 1 4 + 1 2 3 2
Definicion 1.3.
Sean A = (aij )mp y B = (bij )pn , entonces:

A B = C, donde el elemento cij de C Mmn (K) es:
p
cij = aik bkj i = 1, 2, 3, , m; j = 1, 2, 3, , n
k=1
8 UBB
Propiedades del Producto de Matrices

Propiedades 3.
Sean A, B, C matrices tales que esten bien definidos los producto entre ellas.
P1 : Asociativa: (A B) C = A (B C)
P2 : Distributiva respecto a la suma:

A (B + C) = A B + A C y
(A + B) C = A C + B C
P3 : Si A B =
/ A=B =
Las propiedades de la suma y producto de matrices, hacen del conjunto
Mmn (K) un anillo no conmutativo.
P4 : Existe elemento neutro: Es la Matriz Identica, tal que: A I = A, donde I

es:
1 0 0 0 0
0 1 0 0 0

0 0 1 0 0
I =0

0 0 1 0

0 0 0 0 1
Definicion 1.4.
Una matriz cuadrada A, se dice Diagonal si aij = 0 cuando i =/ j, osea

a11 0 0 0
0 a22 0 0

A= 0 0 a 33 0

0 0 0 ann
Ejemplo 1.7.
La matriz A siguiente es diagonal:

1 0 0
A = 0 3 0
0 0 2
UBB 9
Definicion 1.5.
Si la matriz A es diagonal, pero ademas los aii = k, entonces la matriz se llama

Matriz Escalar.
Ejemplo 1.8.
3 0 0
A = 0 3 0
0 0 3
1.1.4. Matrices Inversibles

Definicion 1.6.
Sea A una matriz cuadrada de orden n. Diremos que A es inversible o no singular,

si existe una matriz B cuadrada de orden n tal que:
A B = B A = I, donde I es la matriz identica. B se llama Matriz inversa de
A y se denota por B = A1
Ejemplo 1.9.
2 5
Sea A = ( ). es A una matriz inversible?
1 3
x y 1 0
Solucion: Sea B = ( ) matriz tal que A B = I = ( ), entonces se debe cumplir:
u v 0 1
2 5 x y 1 0 2x + 5u 2y + 5v 1 0
( )( )=( ) ( )=( )
1 3 u v 0 1 x + 3u y + 3v 0 1
Lo que nosda el sistema de ecuaciones:

2x + 5u = 1 x = 3
x + 3u = 0 y = 5
que tiene como solucion
2y + 5v = 0 u = 1
y + 3v = 1 v = 2
3 5
Luego B = A1 = ( )
1 2
10 UBB
Ejemplo 1.10.
2 3
Es C = ( ) inversible?
8 12
x y 1 0
Solucion: Sea B = ( ) matriz tal que C B = I = ( ), entonces se debe cumplir:
u v 0 1
2 3 x y 1 0
( )( )=( )
8 12 u v 0 1
2x + 3u 2y + 3v 1 0
( )=( )
8x + 12u 8y + 12v 0 1
Lo que nos da el sistema de ecuaciones:
2x + 3u = 1 2x + 3u = 1
8x + 12u = 0 2x + 3u = 0
que es equivalente a el cual no tiene solucion
2y + 3v = 0 2y + 3v = 0
8y + 12v = 1 2y + 3v = 1
Luego C no es inversible.
1.1.5. Operaciones Elementales y Calculo de la Matriz Inversa

Definicion 1.7.
Se llaman operaciones elementales sobre filas de una matriz a las siguientes

tres acciones :
1.- Intercambiar dos filas de una matriz A. Denotaremos con eij (A) a la
matriz obtenida de A al intercambiar la fila i con la fila j.
2.- Multiplicar una fila de la matriz A por un escalar(= numero) distinto

de cero. Denotaremos con ei (k)(A) a la matriz obtenida de A al multiplicar los
elementos de la iesima fila de A por el escalar k.
3.- Reemplazar una fila por la que se obtiene sumando a dicha fila otra
previamente multiplicada por un escalar. Denotaremos por eij (k)(A) a la matriz
obtenida de A al reemplazar la iesima fila de A por la suma de la fila iesima
con k veces la fila jesima.
UBB 11
Ejemplo 1.11.
Sea :
2 5 3
A=( ).
1 1 2
Entonces se tiene que :
1 1 2
e12 (A) = ( ).
2 5 3
2 5 3
e2 (3)(A) = ( ).
3 3 6
2 5 3
e21 (2)(A) = ( ).
5 9 8
1 6 1
e12 (1)(A) = ( ).
1 1 2
Definicion 1.8.
Si A y B son dos matrices del mismo orden, se dice que A es equivalente por
filas a B, si B puede obtenerse de A mediante la aplicacion de un numero finito
de operaciones elementales.
Teorema 1.1.
Si A es una matriz cuadrada que es equivalente por filas a la matriz identica I,

entonces A es inversible.
Teorema 1.2.
Si A es una matriz inversible y e1 , e2 , , et es una sucesion de operaciones elemen-

tales que permite pasar de A a la matriz identica I, entonces la matriz inversa
A1 se obtiene aplicando la misma sucesion de operaciones elementales a la matriz
I.
2 3
Ejercicio : Sea A = ( ) . Mostrar que A es inversible, y calcule A1 .
3 5
12 UBB
Observacion 1.5.
El Teorema anterior nos entrega una tecnica para hallar A1 (cuando existe). Sa-
biendo que la inversa existe (por ejemplo si se sabe que el determinante es distinto
de cero), se coloca la matriz ampliada (A I) a la cual se le aplican operacio-
nes elementales de tal forma que A se transforme en la matriz identica. En este
proceso, automaticamente la matriz I (la parte derecha de la matriz ampliada) se
habra transformado en la inversa de A.
1.2 Determinantes
Definicion 1.9.
Sea M(K)n el conjunto de las matrices cuadradas con elementos en K.

Definimos la funcion Determinante de la siguiente manera:
det M(K)n K tal que
1. det A = a, si A = (a)
n
2. det A = (1)1+k a1k det A1k donde A es una matriz de orden n > 1, y la
k=1
matriz A1k es la submatriz de orden (n 1) que se obtiene al suprimir la fila
1 y la columna k de la matriz A.
Notacion : det A = A
Ejemplo 1.12.
a a
Sea A = ( 11 12 ), calcular det A.
a21 a22
Solucion:
a11 a12
det A = A = = (1)1+1 a11 A11 + (1)1+2 a12 A12
a21 a22
= (1)2 a11 det(a22 ) + (1)3 a12 det(a21 ) = a11 a22 a12 a21
UBB 13
Ejemplo 1.13.
4 5
Calcular determinante de A, si A = ( )
6 2
4 5
Solucion: A = = (4)(2) (5)(6) = 8 30 = 22
6 2
Ejemplo 1.14.
a11 a12 a13

Sea A = a21 a22 a23 , calcular det A.
a31 a32 a33
Solucion:
RRRa R
RRR 11 a12 a13 RRRRR
RRRa21 a22 a23 RRR = (1)1+1 a11 A11 + (1)1+2 a12 A12 + (1)1+3 a13 A13
RRR RR
RRa31 a32 a33 RRR
a a a a a a
= (1)2 a11 22 23 + (1)3 a12 21 23 + (1)4 a13 21 22
a32 a33 a31 a33 a31 a32
= a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31
1.2.1. Regla de SARRUS

El metodo de Sarrus, permite calcular el determinante de una matriz de orden 3 3, esto
es, solo sirve para matrices de 3 3.
Donde indica que se debe sumar el producto de esos terminos, y

indica que se debe restar el producto de esos terminos.
14 UBB
Observacion 1.6.
El determinante de la submatriz Aij se designa por Mij y se llama Menor Com-

plementario del elemento aij .
Se llama Cofactor del elemento aij al escalar (1)i+j Mij = ij
Ejemplo 1.15.
1 3 5
Sea A = 4 0 0, encuentre 12 , 22 y 32 .
1 1 2
4 0
Solucion: 12 = (1)1+2 M12 = (1) = (8 0) = 8
1 2
1 5
22 = (1)2+2 M22 = = (2 5) = 3
1 2
1 5
32 = (1)3+2 M32 = (1) = (0 20) = 20
4 0
Observacion 1.7.
Notemos que det A se puede escribir en funcion de los cofactores, esto es:
n n
A = aik ik = aik (1)i+k Mik ; i = 1, 2, , n
k=1 k=1
esto es valido para filas y columnas.
Ejemplo 1.16.
El determinante de la matriz anterior queda:
A = (1)1+1 a11 M11 + (1)1+2 a12 M12 + (1)1+3 a13 M13

a a a a a a
= (1)a11 22 23 + (1)a12 21 23 + (1)a13 21 22
a32 a33 a31 a33 a31 a32
= a11 (a22 a33 a32 a32 ) a12 (a21 a33 a31 a23 ) + a13 (a21 a32 a31 a22 )
UBB 15
1.2.2. Propiedades de los Determinantes
Propiedades 4.
Sea A una matriz cuadrada de orden n, entonces:
1. Si una fila (o columna) de la matriz es nula, entonces A = 0.
2. Si A es una matriz triangular, entonces A = a11 a22 a33 ann .
3. I = 1.
4. At = A.
5. Si B = eij (A) B = A.
6. Si B = ej (k)(A) B = k A.
7. Si B = eij (k)(A) B = A.
8. Si A tiene dos filas (columnas) iguales, entonces A = 0.
9. A B = A B.
Observacion 1.8.
Por (4) toda propiedad valida para filas, es tambien valida para columnas.
Observacion 1.9.
Por (7) para calcular el det A se puede pasar mediante operaciones elementales a
una matriz triangular equivalente y aplicar propiedad (2).
16 UBB
1.2.3. Matriz Adjunta

Definicion 1.10.
Sea A una matriz cuadrada de orden n. se llama Matriz Adjunta de A a la matriz:
11 21 31 n1
12 22 32 n2

13
Adj(A) = 23 33 n3

1n 2n 3n nn
donde ij es el cofactor del elemento aij .
Observacion 1.10.
Notar que la matriz adjunta es la transpuesta de los cofactores.
1 1 3
Ejercicio : Sea A = 2 0 1, calcular Adj(A).
2 1 0
Teorema 1.3.
Sea A matriz cuadrada de orden n, tal que det A =/ 0. Entonces se verifica que:
1
A1 = AdjA
A
1 1 3
Ejercicio : Sea A = 2 0 1, calcular A1 .
2 1 0
1.2.4. Rango de una Matriz

Definicion 1.11.
Se llama Rango de una matriz A Mmn (K) al orden de la mayor submatriz

cuadrada cuyo determinante es distinto de cero.
UBB 17
Observacion 1.11.
Las submatrices de A son : la misma matriz A y aquellas matrices que se obtienen

quitando filas y/o columnas de A.
Ejercicio : Sea
2 1 3 2
A = 1 3 2 1
0 1 1 0
Averiguar cual es su rango.
Forma alternativa y simple para calcular el Rango de una Matriz

Definicion 1.12.
Se dice que una matriz esta en forma escalonada, si el numero de ceros anteriores
a la primera componente distinta de cero de una fila crece fila por fila, hasta
llegar (en algunos casos) a filas en las que todas sus componentes sean iguales a cero.
Ejemplo 1.17.
A continuacion se muestran matrices en forma escalonada:
1 2 3 4 1 2 3
0 1 4 7 0 1 4 1 2 0 1
, , 0 2 3 1 .
0 0 2 2 0 0 2 0 0 0 0
0 0 0 6 0 0 0
Teorema 1.4.
Las matrices equivalentes por filas tienen el mismo rango.
Teorema 1.5.
El rango de una matriz en forma escalonada es igual al numero de filas no-nulas

que posee.
18 UBB
Observacion 1.12 (Metodo para calcular el rango de una Matriz).
De los dos Teoremas anteriores obtenemos la siguiente Forma alternativa para cal-
cular el rango de una matriz A
Mediante operaciones elementales sobre filas se lleva la matriz A a la forma esca-
lonada. El numero de filas no-nulas de la forma escalonada obtenida es el rango de
la matriz A.
Ejercicio : Calcular el rango de la siguiente matriz :
2 1 3 2
A = 1 3 2 1
0 1 1 0
1.3 Sistemas de Ecuaciones Lineales
Definicion 1.13.
Una ecuacion lineal o de primer grado en n incognitas es una expresion de la forma
a1 x 1 + a2 x 2 + a3 x 3 + + an x n = b (1.1)
donde a1 , a2 , a3 , . . . , an , b son elementos de un cuerpo K, y x1 , x2 , x3 , . . . , xn son las

incognitas.
Los numeros a1 , a2 , a3 , . . . , an se llaman Coeficientes de la ecuacion y b se llama
Termino constante o independiente.
Una solucion de la ecuacion (1.1) es una n upla (k1 , k2 , . . . , kn ) de elementos de K que

reemplazados en lugar de x1 , x2 , . . . , xn verifican la igualdad (1.1).
Un sistema de m ecuaciones lineales con n incognitas es una expresion:
a11 x1 + a12 x2 + a13 x3 + + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + + a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + + a3n xn = b3 (1.2)
=
am1 x1 + am2 x2 + am3 x3 + + amn xn = bm
UBB 19
Definicion 1.14.
Un sistema se dice Compatible si posee solucion.

Un sistema se dice Incompatible si no posee solucion.
Una solucion del sistema (1.2) es una nupla (k1 , k2 , . . . , kn ) de elementos de K que
reemplazados en lugar de x1 , x2 , x3 , , xn en las m ecuaciones de (1.2), se verifican
simultaneamente las m igualdades.
Definicion 1.15.
Un sistema compatible se dice Determinado si posee una unica solucion, e Inde-

terminado o Dependiente si posee mas de una solucion.
Observacion 1.13.
El sistema se dice Homogeneo si b1 = b2 = b3 = = bn = 0.
1.3.1. Notacion Matricial de un Sistema de Ecuaciones

Si llamamos:
a11 a12 a13 a1n
a21 a22 a23 a2n

A= a 31 a 32 a 33 a 3n
Matriz de los coeficientes.

am1 am2 am3 amn
x1
x2

X = x3 matriz de las incognitas.

xn
b1
b2

B= b3 matriz de los terminos independientes.

bm
El sistema (1.2) se puede escribir:
AX =B
20 UBB
a11 a12 a13 a1n x1 b1

a21 a22 a23 a2n
x 2 b2

a31 a32 a33 a3n
x 3 = b3

am1 am2 am3 amn xn bm
Definicion 1.16.
Llamaremos Matriz Ampliada del sistema (1.2) a la matriz (AB).
Teorema 1.6.
El sistema A X = B tiene solucion si y solo si el rango de la matriz ampliada es

igual al rango de la matriz de los coeficientes, es decir, si rango (AB) = rango (A).
Observaciones 1.14.
1. Un sistema homogeneo siempre es compatible, porque el rango de la matriz

A es igual al rango de la matriz ampliada.
Un sistema homegeneo posee por lo menos la solucion (0, 0, , 0), llamada
solucion trivial.
2. Consideremos el sistema A X = B.
a) Si rango(A) rango(AB), entonces el sistema no tiene solucion.

b) Si rango(A) = rango(AB), y llamamos n al numero de incognitas y
r = rango(A) = rango(AB), entonces el sistema:
1) Si r = n tiene una unica solucion.
2) Si r < n posee infinitas soluciones, y n r indica el numero de incog-
nitas que deben tomar valores arbitrarios.
Ejercicio : Resolver el sistema de ecuaciones :

x + 2y 2z + 3w = 2
2x + 4y 3z + 4w = 5
5x + 10y 8z + 11w = 12.
Ejercicio : Considere el sistema :
x + 2y 3z = a
2x + 6y 11z = b
UBB 21
x 2y + 7z = c.
Que condicion deben cumplir a, b y c para que el sistema tenga solucion ?
1.3.2. Regla de Cramer

Sea A X = B un sistema de n ecuaciones con n incognitas.
Si A =/ 0, entonces existe A1 , luego la solucion del sistema se puede obtener de la forma:
X = A1 B
Cramer
Sea A X = B un sistema de n ecuaciones con n incognitas. Si det(A) =/ 0, la solucion del
sistema es:
Ai
xi =
A
donde Ai es la matriz que se obtiene de reemplazar la columna iesima por el vector inde-
pendiente B.
Ejemplo 1.18.
2x + 3y = 2
Resolver el siguiente sistema
x y = 3
2 3 2 x
Solucion: A = ( ), B = ( ) y X = ( ). Luego tenemos que:
1 1 3 y
2 3 2 2
A = 5, A1 = = 11, y A2 = = 4. De aqu
3 1 1 3
A1 11 11
x1 = = =
A 5 5
A2 4 4
x2 = = =
A 5 5
11
As X = ( 54 )
5
Observacion 1.15.
Si A X = 0, tiene igual numero de ecuaciones que de incognitas (n), entonces

al aplicar Cramer se obtiene la solucion trivial, siendo esta la unica solucion del
sistema.
22 UBB
1.3.3. Metodo de Reduccion de Gauss

Dado un sistema de ecuaciones lineales, escrito matricialmente por:
AX = b
El metodo de Gauss consiste en transformar el sistema dado en otro equivalente. Para

ello tomamos la matriz ampliada del sistema (Ab), y mediante las operaciones elementales
por filas la transformamos en una matriz triangular superior ( o inferior). De esta forma
obtenemos un sistema equivalente al inicial y que es mas facil de resolver.
Ejemplo 1.19.
x 2y + z = 1
Resolver el siguiente sistema: x + y + 3z = 3
2x y = 0
1 2 1 1
Solucion: Sea la matriz ampliada 1 1 3 3, aplicando operaciones elementales,
2 1 0 0
se tiene:
1 2 1 1 1 2 1 1 1 2 1 1
1 1 3 3 0 3 2 2 0 3 2 2
2 1 0 0 0 3 2 2 0 0 4 4
Luego, el sistema equivalente es:
x 2y + z = 1
x=0

3y + 2z = 2 y=0

4z = 4

z = 1
UBB 23
24 UBB
2 Espacios Vectoriales
2.1 Espacios Vectoriales
Definicion 2.1.
Sea V un conjunto sobre el cual se definen dos operaciones binarias, una interna y
la otra externa llamadas Suma de Vectores y Producto por Escalar.
+ V V V
(v1 , v2 ) +(v1 , v2 ) = v1 + v2
K V V
(, v) (, v) = v
Diremos que V es un espacio vectorial sobre el cuerpo K (R, C), con las operaciones
de suma y producto por escalar recien definidos si se verifican los siguientes axiomas:
V1 (v1 + v2 ) + v3 = v1 + (v2 + v3 ) v1 , v2 , v3 V .
V2 v1 + v2 = v2 + v1 v1 , v2 V .
V3 Existe el elemento neutro para la suma, es decir,

V V tal que v + V = V + v = v v V .
V4 v V existe v V tal que: v + (v) = (v) + v = V

v se llama el aditivo inverso de v.
V5 (v1 + v2 ) = v1 + v2 K, v1 , v2 V .
V6 ( + )v = v + v , K, v V .
V7 (v) = ()v , K, v V .
V8 1 v = v v V .
25
Captulo 2: Espacios Vectoriales C. Picarte F.
Observacion 2.1.
Los elementos de K se llaman escalares y los elementos de V se llaman vectores.
Observacion 2.2.
Por [V3 ] V es no vaco. El vector nulo siempre esta presente en un Espacio

Vectorial.
Observacion 2.3.
Si V es un espacio vectorial sobre el cuerpo R se dice que V es un espacio vectorial

real.
Ejemplos: 1. R con las operaciones usuales de suma y multiplicacion es un espacio

vectorial real.
2. En general si K es un cuerpo, entonces K es un espacio vectorial sobre si mismo.
3. R2 = {(x, y) x, y R}, con las operaciones suma y producto por escalar definidas por:
(x, y), (u, v) R2 (x, y) + (u, v) = (x + u, y + v)
R, (x, y) R2 ; (x, y) = (x, y)

R2 con las operaciones recien definidas, es un espacio vectorial real.
4. Rn = {(x1 , x2 , . . . , xn ) x1 , x2 , . . . , xn R}, con las operaciones suma y producto por
escalar definidas por:
x = (x1 , x2 , . . . , xn ), y = (y1 , y2 , . . . , yn ) Rn ; x + y = (x1 + y1 , x2 + y2 , , xn + yn )
R, (x1 , x2 , . . . , xn ) Rn ;
x = (x1 , x2 , , xn )
Rn con las operaciones antes definidas, es un espacio vectorial real.
5. Mmn (R) con las operaciones normales de suma de matrices y producto de un escalar
por una matriz, es un espacio vectorial real.
Observacion 2.4.
Si V es un espacio vectorial sobre K, entonces el elemento neutro V es unico.
26 UBB
C. Picarte F. Captulo 2: Espacios Vectoriales
2.2 Subespacio Vectorial
Definicion 2.2.
Sea V un espacio vectorial sobre el cuerpo K y sea W un subconjunto de V . Diremos

que W es un Subespacio Vectorial de V si W es un espacio vectorial sobre K
con las mismas operaciones definidas en V .
Observacion 2.5.
Todo espacio vectorial es un subespacio vectorial de si mismo.
Teorema 2.1.
Sea V un espacio vectorial sobre K y sea W un subconjunto de V . W es un subes-

pacio de V si:
1. W .
2. w1 , w2 W w1 + w2 W (debe ser cerrado respecto a la suma).
3. w W, K w W (debe ser cerrado respecto al producto por escalar).
2.2.1. Ejemplos de Subespacios

Ejemplo 2.1.
a b
Sea W = {( ) M22 (R) c = b} M22 (R).
c d
Pruebe que W es un subespacio vectorial. (Notacion: W M22 ).
Solucion:
0 0
i) W , pues ( ) W (0 = 0)
0 0
UBB 27

a b

A=( )
a b x y
b d
ii) Sean A = ( );B = ( )W entonces:
c d z w
x y

B=( )

y w
a b x y
A+B = ( )+( )
b d y w
a+x b+y
= ( )W pues b y = (b + y)
b y d + w
a b
iii) Sean A = ( )W , R
c d
a b
A = ( )
b d
a b
= ( )
(b) d
a b
= ( )W pues b = (b)
b d
Luego, W es subespacio de M2 (R)
Observacion 2.6.
Notemos que una buena estrategia para verificar que el conjunto debe ser no vacio,
y por otro lado que todo espacio vectorial (subespacio) debe contener al vector nulo
(obs-2.2), usaremos el vector nulo para verificar que se cumple la primera condicion.
Ejemplo 2.2.
Pruebe que el siguiente subconjunto de R3 es un subespacio:

T = {(x, y, z) R3 x y = 2z}.
Solucion:
i) T , pues 0 0 = 2(0), es decir, (0, 0, 0) T
x y = 2z
ii) Sean (x, y, z), (a, b, c) T { ()
a b = 2c
28 UBB
entonces, (x, y, z) + (a, b, c) = (x + a, y + b, z + c)
(x + a) (y + b) = x+ayb
= (x y) + (a b)
= 2z + 2c
= 2(z + c)
Luego, (x + a, y + b, z + c) T
iii) Sean R, (x, y, z) T x y = 2z() ,

entonces, (x, y, z) = (x, y, z)
(x) (y) = (x y)
= (2z)
= 2(z)
Luego, (x, y, z) T
As, T es subespacio de R3
Ejercicio : Pruebe que los siguientes subconjuntos de R3 son subespacios:
1. S = {(x, y, z) R3 x = y}.
2. T = {(x, y, z) R3 x + y z = 0}.
Observacion 2.7.
Sean S y T dos subespacios de un espacio vectorial V sobre K, entonces, se definen

los conjuntos S T y S + T como:
S T = {v V /v S v T }
S + T = {v V /v = s + t, s S t T }
Ejercicio : Sean S y T dos subespacios de un espacio vectorial V sobre K, entonces,

S T , es un subespacio de V , llamado espacion interseccion de S y T .
S + T es un subespacio de V llamado espacio suma de S y T .
Solucion: Veamos que S T es un subespacio.
i) S T , pues como S y T son subespacios de V ; V S y V T por lo que se

encuentra en ambos, es decir, V S T .
UBB 29

v1 , v2 S v1 + v2 S
pues S es subespacio
ii) Sean v1 , v2 S T
v1 , v2 T v1 + v2 T pues T es subespacio

Luego, v1 + v2 S T

v S
pues S es subespacio
iii) Sean R,v S T
v T pues T es subespacio

Luego, v S T
Con esto S T es un subespacio de V .
Ejercicio : Caracterizar los subespacios S T y S + T , donde S y T son los conjuntos

definidos antes, ejercicio(2.1).
Observacion 2.8.
Si S T contiene solamente el elemento V de V , entonces, se dice que S T es

un subespacio trivial de V . En general, si V es un espacio vectorial sobre K, el
conjunto {V } es un subespacio de V llamado subespacio trivial de V
Definicion 2.3.
Se dice que el espacio V es Suma Directa de los subespacios S y T de V si:
1. V = S + T .
2. S T = {V }.
Notacion : V T .
Definicion 2.4.
Si S T = V , entonces cada vector de V se escribe en forma unica como suma de

un elemento de S con un elemento de T .
Ejercicio : Dados los subespacios U y W de R2 , averiguar si R2 = U W , donde:

U = {(x, y) R2 x + y = 0} ; W = {(x, y) R2 x = 3y}
30 UBB
2.2.2. Dependencia e Independencia Lineal

Definicion 2.5.
Sea V un espacio vectorial sobre un cuerpo K.

Un vector v se dice que es combinacion lineal (c.l.) de un conjunto de vectores
{v1 , v2 , v3 , , cn } si existen 1 , 2 , , n K de modo que v se puede expresar como:
n
v = i vi = 1 v1 + 2 v2 + + n vn
i=1
Definicion 2.6.
Sea V un espacio vectorial sobre un cuerpo K y sean v1 , v2 , . . . , vn elementos de

V . Diremos que los vectores v1 , v2 , . . . , vn son linealmente dependientes en K si
existen escalares 1 , 2 , . . . , n en K no todos nulos tales que:
1 v1 + 2 v2 + + n vn = V (2.1)
Si no existen tales escalares, se dira que los vectores v1 , v2 , . . . , vn son linealmente
independientes en K, es decir,
1 v1 + 2 v2 + + n vn = V 1 = 2 = = n = 0 (2.2)
Observaciones 2.9.
1. Todo vector no nulo es l.i.: (x x = = 0).
2. Si S es un subconjunto del espacio vectorial V y V S, entonces S es l.d.
S = {s1 , s2 , . . . , sn , V }
3. Todo subconjunto de un conjunto l.i. es tambien l.i..
4. Todo conjunto que contenga a un subconjunto l.d. es tambien l.d..
5. Un conjunto {v1 , v2 , . . . , vn } es l.d. sii uno de los vectores del conjunto se

puede escribir como combinacion lineal (c.l.) de los restantes, es decir, si
existe j {1, 2, . . . , n} tal que:
vj = 1 v1 + 2 v2 + + j1 vj1 + j+1 vj+1 + + n vn
UBB 31
Ejemplo 2.3.
Averiguar si el siguiente conjunto es l.i. o l.d.
{(1, 3, 2), (2, 1, 0), (3, 4, 2)}
Solucion: Dados , , R, se tiene que:
(1, 3, 2) + (2, 1, 0) + (3, 4, 2) = (0, 0, 0)
( + 2 + 3, 3 + + 4, 2 2) = (0, 0, 0)
+ 2 + 3 = 0 RRR 1 2 3 RRR

RR RR conjunto l.d.
3 + + 4 = 0 RRRR 3 1 4 RRRR = 0 sistema homogeneo,

RRR R
2 2 = 0
RR2 0 2RRRR infinitas soluciones
Notemos que, si usamos la observacion-(2.9-5) dada anteriormente; se tiene:

Como (3, 4, 2) = (1, 3, 2) + (2, 1, 0), el conjunto es l.d.
Ejercicio : Averiguar si los siguientes conjuntos son l.i. o l.d.
1. {(2, 5), (1, 3)}
2. {2, 4), (4, 3), (1, 0)}
Observacion 2.10.
En Rn : Todo conjunto que tenga mas de n elementos es l.d.
2.2.3. Bases y Dimension de un Espacio Vectorial

Definicion 2.7.
Sea V un espacio vectorial sobre el cuerpo K. Diremos que el conjunto B =

{v1 , v2 , . . . , vn } V es una base del espacio vectorial V si:
1. B es l.i.
2. B genera al espacio vectorial V , es decir, que todo elemento v de V es una

combinacion lineal de los vectores de B. Osea:
v = 1 v1 + 2 v2 + + n vn , v V
32 UBB
Observacion 2.11.
Para indicar que B genera al espacio vectorial V , o que todas las combinaciones
lineales de los elementos de B producen el espacio vectorial V se denota por:
V = B
Ejemplo 2.4.
Sea en R2 , el conjunto {(1, 0), (0, 1)} es una base de R2 .
Solucion: En efecto:
1. El conjunto {(1, 0), (0, 1)} es l.i.
+ 0 = 0 =0
(1, 0) + (0, 1) = (0, 0)
0 + = 0 =0
2. El conjunto {(1, 0), (0, 1)} genera a R2 , ya que: (x, y) R2 :

(x, y) = (1, 0) + (0, 1) (x, y) = (, )
Luego, el sistema tiene solucion y es: = x, = y, as todo par ordenado de R2 se
escribe como c.l. del conjunto por:
(x, y) = x(1, 0) + y(0, 1)
As, {(1, 0), (0, 1)} = R2
Ejemplo 2.5.
Otra base de R2 es B = {(1, 1), (1, 2)}
Solucion: En efecto:
1. El conjunto B es l.i. pues:
+ = 0 =0
(1, 1) + (1, 2) = (0, 0)
+ 2 = 0 =0
UBB 33
2. (x, y) R2 (x, y) = (1, 1) + (1, 2), entonces
+ = x = 2x y

+ 2 = y =yx
Luego,(x, y) R2 (x, y) = (2x y)(1, 1) + (y x)(1, 2),

Por ejemplo (4, 5) = 3(1, 1) + 1(1, 2)
As, {(1, 1), (1, 2)} = R2
Definicion 2.8.
Dado un espacio vectorial V sobre el cuerpo K
1. Si V tiene base finita, diremos dimension al numero de elementos de dicha

base.
2. Si V tiene base no finita, diremos que es de dimension infinita.
Notacion : dim(V )
Observacion 2.12.
Al conjunto base B = {(1, 0), (0, 1)} se le llama base canonica de R2 .
Observacion 2.13.
En general para los distintos espacios vectoriales con los que normalmente traba-
jamos, tenemos sus respectivas bases canonicas.
1. R3 su base canonica es: {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
2. Rn su base canonica es: {(1, 0, 0, , 0), (0, 1, 0, , 0), . . . , (0, 0, , 0, 1)}
1 0 0 1 0 0 0 0
3. M22 su base canonica es: {( ),( ),( ),( )}
0 0 0 0 1 0 0 1
4. P2 [x] su base canonica es: {1, x, x2 }
5. Pn [x] su base canonica es: {1, x, x2 , . . . , xn1 , xn }
34 UBB
Observacion 2.14.
En general, por lo anterior se tiene que:
1. dim(Rn ) = n.
2. dim(Mnm ) = n m.
3. dim(Pn [x]) = n + 1.
Ejemplo 2.6.
Obtener una base para el siguiente conjunto:
S = {(x, y) R2 2x = y}.
Solucion:
S = {(x, y) R2 y = 2x}
= {(x, 2x), x R}
= {x(1, 2), x R} ( el conjunto de todas las c.l. de (1, 2))
= {(1, 2)} (genera a S)
Ademas es un conjunto l.i., luego es una base para S, con esto se tiene que dim(S) = 1.
Ejemplo 2.7.
Obtener una base para el siguiente conjunto:
T = {(x, y, z) R3 2x = y, y = x z}.
Solucion:
T = {(x, y, z) R3 y = 2x , z = x y}
= {(x, y, z) R3 y = 2x , z = x 2x}
= {(x, y, z) R3 y = 2x , z = x}
= {(x, 2x, x), x R}
= {x(1, 2, 1), x R} ( el conjunto de todas las c.l. de (1, 2, 1))
= {(1, 2, 1)} (genera a T )
Ademas es un conjunto l.i., luego es una base para T , con esto se tiene que dim(T ) = 1.
UBB 35
Teorema 2.2 (Teorema Fundamental de la independencia lineal).
Dado un espacio vectorial V y un subespacio vectorial W de V (W V ), entonces:
dim(W ) dim(V )
Observacion 2.15.
Sea V un espacio vectorial sobre K y sean S y T dos subespacios de V . Si B1 genera

a S y B2 genera a T , entonces: B1 B2 genera a S + T .
Teorema 2.3 (Formula de Grassmann).
Dado dos subespacios vectoriales W, U E, de dimension finita, entonces:
dim(W + U ) = dim(W ) + dim(U ) dim(W U ).
Observacion 2.16.
Sea V un e. v. sobre K y B = {v1 , . . . , vn } una base de V . Entonces, cada vector

v V se escribe en forma unica como c.l. de los vectores v1 , v2 , . . . , vn .
Teorema 2.4.
Sea V un espacio vectorial de dimension finita, y W un subespacio vectorial de V .

Sea S = {w1 , w2 , , wp } un subconjunto de vectores de W , entonces se verifica que:
1. Si S es un un conjunto generador de W , entonces p dim(W ).
2. Si S es un sistema l.i., entonces p dim(W ).
3. Si S es generador de W y dim(W ) = p, entonces S es base de W .
4. Si S es un conjunto l.i. y dim(W ) = p, entonces S es base de W .
Observacion 2.17.
Por tanto, la dimension de un subespacio vectorial W es el numero maximo de

vectores de W linealmente independientes.
36 UBB
Observacion 2.18.
Si V es un esp. vect. de dimension n, y B es un conjunto l.i. que consta de n

vectores, entonces B es una base de V .
2.2.4. Caracterizacion de un espacio vectorial

Muchas veces conocemos un conjunto generador o una base de un espacio vectorial, sin
embargo, aveces necesitamos la definicion o caracterizacion del espacio.
Ejemplo 2.8.
Encuentre la ecuacion explicita que define al subespacio vectorial generado por el

conjunto B = {(1, 2, 0), (1, 1, 3)}
Solucion: Sea W R3 el espacio generado por B, es decir, W = B, entonces:
(x, y, z) W (x, y, z) = (1, 2, 0) + (1, 1, 3), para algun , R

Esto es,
+ = x 1 1 x 1 1 x 1 1 x
2 = y 2 1 y 0 3 y 2x 0 3 y 2x
3 = z 0 3 z 0 3 z 0 0 z y + 2x
Luego, como queremos y que permiten escribir elementos de W , se necesita que el
sistema tenga solucion, es decir, el rango de la matriz de coeficientes sea igual al rango de la
matriz ampliada; lo que se cumple cuando z y + 2x = 0.
As, podemos describir a W como:
W = {(x, y, z) R3 /z y + 2x = 0}
2.2.5. Coordenadas de un vector respecto a una base B

Definicion 2.9.
Sea V un e.v. sobre K, y sea B = {v1 , . . . , vn } una base de V . Se llama coordenadas

del vector v V respecto a los escalares que intervienen en la c.l.
v = 1 v1 + + n vn
y su notacion es:
[v]B = (1 , 2 , , n )
UBB 37
Ejercicio : En el ejemplo(2.5), se mostro que B = {(1, 1), (1, 2)} es base para R2 , las
coordenadas del vector (4, 5) respecto de esta base sera:
[(4, 5)]B = (3, 1) , pues (4, 5) = 3(1, 1) + 1(1, 2)
2.2.6. Matriz Cambio de base

Veamos esto del cambio de base con un ejemplo en R2 .
Sean B1 = {(1, 2), (2, 3)} y B2 = {(1, 0), (1, 1)} bases de R2 .
Como B1 y B2 son bases, el vector (2, 3) se puede escribir como combinacion lineal
(c.l.), tanto de la base B1 como de la base B2 .
En efecto:
1. Para B1 :
1 + 21 = 2
1 (1, 2) + 1 (2, 3) = (2, 3)
2 + 31 = 3
1 2 2 1 2 2 1 0 12 = 12
( )( )( ) 1
2 3 3 0 1 7 0 1 7 1 = 7
Luego, (2, 3) = (12)(1, 2) + (7)(2, 3)

As, [(2, 3)]B1 = (12, 7) (coordenadas de (2, 3) en la base B1 )
2. Para B2 :
De igual forma (2, 3) se puede escribir como c.l. de B2 , es decir,
2 + 2 = 2
2 (1, 0) + 2 (1, 1) = (2, 3)
+ 2 = 3
1 1 2 1 0 5 = 5
( )( ) 2
0 1 3 0 1 3 2 = 3
Luego, (2, 3) = (5)(1, 2) + (3)(2, 3)

As, [(2, 3)]B2 = (5, 3)
La pregunta es: Como podemos pasar de las coordenadas en la base B1 a las coordenadas
en la base B2 .
El metodo es simple. Como B2 es base, entonces los elementos de la base B1 se pueden
escribir como c.l. de la base B2 al igual que el vector (2, 3). Esto es:
+ = 1 = 1
(1, 0) + (1, 1) = (1, 2)
+ = 2 =2
38 UBB
Es decir, (1, 2) = (1)(1, 0) + (2)(1, 1)

De igual forma,
+ = 2 = 1
(1, 0) + (1, 1) = (2, 3)
+ = 3 =3
Es decir, (2, 3) = (1)(1, 0) + (3)(1, 1)
Luego el vector (2, 3) se puede escribir:
(2, 3) = (12)(1, 2) + (7)(2, 3), escrito en la base B1

= (12) [(1)(1, 0) + (2)(1, 1)] + (7) [(1)(1, 0) + (3)(1, 1)] , escrito en la
base B2
Ordenando estos productos, nos queda:
(2, 3) = (12)(1)(1, 0) + (12)(2)(1, 1) + (7)(1)(1, 0) + (7)(3)(1, 1)

= [(12)(1) + (7)(1)](1, 0) + [(12)(2) + (7)(3)](1, 1)
= [(1)(12) + (1)(7)](1, 0) + [(2)(12) + (3)(7)](1, 1)
Notemos que esto se puede ordenar y escribir como la multiplicacion de una matriz por
un vector escrito como columna, es decir,
1 1 12 5
( )( ) = ( ), que son la coord. en B2
2 3 7 3
1 1
La matriz ( ), se llama matriz cambio de base, de base B1 a base B2 .
2 3
De esto, lo que tenemos es:

[(2, 3)]B2 = [(1, 2)]B2 [(2, 3)]B2 [(2, 3)]B1

En palabras, la matriz cambio de base, de B1 a B2 se obtiene escribiendo como

columnas las coordenada de los elementos de la base B1 repecto a la base B2 .
UBB 39
Definicion 2.10.
Sean B1 = {v1 , v2 , . . . , vn }, B2 = {u1 , u2 , . . . , un } bases de un espacio vectorial V de

dimension n, entonces la matriz cambio de base de B1 a B2 esta dada por:

[v1 ]B2 [v2 ]B2 [vn ]B2

y todo vector v de V escrito en la base B1 , se puede escribir en la base B2 , mediante:

[v]B2 = [v1 ]B2 [v2 ]B2 [vn ]B2 [v]B1

2.3 Proceso de Ortogonalizacion de Gram-Schmidt
El proceso de ortogonalizacion de Gram-Schmidt es un algoritmo para construir, a partir

de un conjunto de vectores linealmente independientes, otro conjunto ortonormal de vectores
que genere el mismo subespacio vectorial.
El metodo se aplica en los siguientes pasos:
Dada una base {v1 , v2 , v3 , . . . , vn } del espacio vectorial V de dimension n.

En primer lugar tenemos que: dados los vectores v1 y v2 , como muestra la figura, se tiene
que
u = v2 proyv1 v2 es perpendicular a v1
ademas, si recordamos que:

v1 v2
proyv1 (v2 ) = v1
v1 v1
entonces el proceso consiste en hacer:
40 UBB
u1 = v1
u1 v2
u2 = v2 u1
u1 u1
u1 v3 u2 v3
u3 = v3 u1 u2
u1 u1 u2 u2
Generalizando se tiene que:
Teorema 2.5 (Proceso de Ortogonalizacion de Gram-Schmidt).
Dada una base {v1 , v2 , v3 , . . . , vn } del espacio vectorial V de dimension n.

Se define:
k1
uj vk
uk = vk uj
j=1 uj uj
con esto, se obtiene un nuevo conjunto {u1 , u2 , . . . , un } que constituye una base
ortogonal para V .
Observacion 2.19.
Para obtener una base ortonormal, basta dividir cada vector por su norma, es decir,
uk
ek =
uk
que nos entrega la base {e1 , e2 , . . . , en } que es ortonormal.
Ejemplo 2.9.
Sabiendo que el conjunto B = {(1, 0, 2), (0, 1, 1), (2, 1, 0)} es base para R3 , encuentre
una base ortogonal mediante el metodo de Gram-Schmidt.
UBB 41
Solucion: Sea
u1 = (1, 0, 2), luego
(1, 0, 2)(0, 1, 1)
u2 = (0, 1, 1) (1, 0, 2)
(1, 0, 2)(1, 0, 2)
2 2 1
= (0, 1, 1) (1, 0, 2) = ( , 1, )
5 5 5
2 1
( , 1, ) (2, 1, 0)
(1, 0, 2)(2, 1, 0) 5 5 2 1
u3 = (2, 1, 0) (1, 0, 2) ( , 1, )
(1, 0, 2)(1, 0, 2) 2 1 2 1 5 5
( , 1, ) ( , 1, )
5 5 5 5
2 1 2 1
= (2, 1, 0) (1, 0, 2) ( , 1, )
5 6 5 5
5 5 5
= ( , , )
3 6 6
2 1 5 5 5
Luego un base ortogonal sera {(1, 0, 2), ( , 1, ) , ( , , )}
5 5 3 6 6
42 UBB

Alg Lineal (Mod 1) Ieinf

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Alg Lineal (Mod 1) Ieinf

Uploaded by

Copyright:

Available Formats

APUNTES DE ALGEBRA LINEAL: MODULO I

PARA INGENIERIA EJECUCION

Concepcion, 2 de agosto de 2017.

RPI: Inscripcion N 278.984

La matriz se escribe (aij ) donde 1 i m, 1 j n. Para denotar las matrices usaremos

La matriz A de m filas y n columnas, con elementos aij se escribe:

a11 a12 a13 a1n

La matrix A se dice de orden m n

Si m =/ n, la matriz se dice Rectangular

1.1.1. Suma de Matrices

Sean A y B dos matrices de Mmn (K), se define la suma A + B como la matriz C

Las matrices A y B deben tener el mismo orden.

Propiedades de la Suma de Matrices

Sean A, B, C Mmn (K).

1.1.2. Producto de un Escalar por una Matriz

Propiedades de la Multiplicacion de una Matriz por un Escalar

Sean A, B Mmn (K), y k, k K, entonces:

Notemos que el inverso aditivo de una matriz A, se obtiene multiplicandola por el

1.1.3. Producto de Matrices

Sean A = (aij )mp y B = (bij )pn , entonces:

Propiedades del Producto de Matrices

P2 : Distributiva respecto a la suma:

P4 : Existe elemento neutro: Es la Matriz Identica, tal que: A I = A, donde I

Una matriz cuadrada A, se dice Diagonal si aij = 0 cuando i =/ j, osea

La matriz A siguiente es diagonal:

Si la matriz A es diagonal, pero ademas los aii = k, entonces la matriz se llama

1.1.4. Matrices Inversibles

Sea A una matriz cuadrada de orden n. Diremos que A es inversible o no singular,

Lo que nosda el sistema de ecuaciones:

1.1.5. Operaciones Elementales y Calculo de la Matriz Inversa

Se llaman operaciones elementales sobre filas de una matriz a las siguientes

2.- Multiplicar una fila de la matriz A por un escalar(= numero) distinto

Si A es una matriz cuadrada que es equivalente por filas a la matriz identica I,

Si A es una matriz inversible y e1 , e2 , , et es una sucesion de operaciones elemen-

Sea M(K)n el conjunto de las matrices cuadradas con elementos en K.

a11 a12 a13

1.2.1. Regla de SARRUS

Donde indica que se debe sumar el producto de esos terminos, y

El determinante de la submatriz Aij se designa por Mij y se llama Menor Com-

esto es valido para filas y columnas.

El determinante de la matriz anterior queda:

A = (1)1+1 a11 M11 + (1)1+2 a12 M12 + (1)1+3 a13 M13

1.2.2. Propiedades de los Determinantes

Sea A una matriz cuadrada de orden n, entonces:

1. Si una fila (o columna) de la matriz es nula, entonces A = 0.

2. Si A es una matriz triangular, entonces A = a11 a22 a33 ann .

8. Si A tiene dos filas (columnas) iguales, entonces A = 0.

1.2.3. Matriz Adjunta

Sea A una matriz cuadrada de orden n. se llama Matriz Adjunta de A a la matriz:

Notar que la matriz adjunta es la transpuesta de los cofactores.

1.2.4. Rango de una Matriz

Se llama Rango de una matriz A Mmn (K) al orden de la mayor submatriz

Las submatrices de A son : la misma matriz A y aquellas matrices que se obtienen

Forma alternativa y simple para calcular el Rango de una Matriz

A continuacion se muestran matrices en forma escalonada:

Las matrices equivalentes por filas tienen el mismo rango.

El rango de una matriz en forma escalonada es igual al numero de filas no-nulas

Observacion 1.12 (Metodo para calcular el rango de una Matriz).

Ejercicio : Calcular el rango de la siguiente matriz :

1.3 Sistemas de Ecuaciones Lineales

Una ecuacion lineal o de primer grado en n incognitas es una expresion de la forma

donde a1 , a2 , a3 , . . . , an , b son elementos de un cuerpo K, y x1 , x2 , x3 , . . . , xn son las

Una solucion de la ecuacion (1.1) es una n upla (k1 , k2 , . . . , kn ) de elementos de K que