Sei sulla pagina 1di 220

I.1. MATRICES.

1. Introduccin.
2. Concepto de matriz.
3. Igualdad de matrices.
4. Tipos de matrices.
5. Las matrices de orden mxn.
A. Suma de matrices.
B. Propiedades de (M
mxn
, +).
C. Producto de un numero real por una matriz.
D. Propiedades de (M
mxn
,

).
6. Producto de matrices.
A. Producto de dos matrices cualesquiera.
B. Propiedades del producto de matrices.
C. Potencia de matrices
7. Tipos de matrices cuadradas.
8. Matriz traspuesta. Propiedades.
9. Matrices invertibles. Propiedades.
10. Operaciones con matrices y propiedades. Resumen.
11. Ejercicios.
12. Problemas.
13. Ejercicios propuestos en selectividad.
S E C I R T A M . 1 . I

1. INTRODUCCIN.

Las matrices aparecieron por primera vez hacia el ao 1850, introducidas por el ingls J. J.
Sylvester. Su desarrollo se debe a W. R. Hamilton y a A. Cayley.
Adems de su utilidad para el estudio de los sistemas de ecuaciones, las matrices aparecen de
manera natural en geometra, estadstica, economa, etc.
Nuestra cultura est llena de matrices de nmeros: El horario de los trenes de cada una de las
estaciones es una matriz de doble entrada, la tabla de cotizaciones de la Bolsa en cada uno de
los das de la semana es otra, etc.
Las tablas de sumar y multiplicar, la disposicin de los alumnos en clase, las casillas de un
tablero de ajedrez, las apuestas de la loto, los puntos de un monitor de ordenador, son otros
tantos ejemplos de la vida cotidiana de matrices.
Actualmente, muchos programas de ordenador utilizan el concepto de matriz. As, las Hojas de
Clculo funcionan utilizando una inmensa matriz con cientos de filas y columnas en cuyas
celdas se pueden introducir datos y frmulas para realizar clculos a gran velocidad. Esto
requiere utilizar las operaciones con matrices.


2. CONCEPTO DE MATRIZ.

a) Se llama matriz de orden mxn, sobre el cuerpo de los nmeros reales a un arreglo
rectangular que contiene mxn nmeros reales dispuestos en m filas y n columnas.

) =
a
... 3
a
2
a
1
a
. . . . . . . . . . . . . . .
a
...
a a a
a
...
a a a
a
...
a a a
= A
j i
mn m m m
n 3 33 32 31
n 2 23 22 21
n 1 13 12 11

a
(
* El primer subndice (i) indica la fila, el
segundo (j) la columna. As, el elemento
a



* A los nmeros reales a
ij
se les llama
elementos de la matriz.
32
es el que est en la tercera fila y la
segunda columna.
* El orden de la matriz es mn.
b) Formalmente podemos definir una matriz de la siguiente manera:
Sean I={1,2,...,m}, J={1,2,...,n} dos conjuntos finitos de ndices.
Se llama matriz de orden mxn, sobre el cuerpo de los nmeros reales a toda aplicacin:
a: IxJ > IR
(i,j) > a(i,j)=a
ij

que asocia a cada par (i,j) el nmero real a(i,j) que representamos por a
ij
.
Denotaremos por M
mxn
al conjunto de las matrices de orden mxn.

7
6
5

0 5 3
1 4 2
0 2 1
= A Es una matriz de orden 3x4 (3 filas, 4 columnas), a
23
=1, a
32
=5,
a
34
=7. etc.




Notacin : j i, , a (A) elem
ij j i,
=

n n n
M M

= conjunto de las matrices cuadradas de orden nxn



3. IGUALDAD DE MATRICES.

Dos matrices A y B son iguales si tienen el mismo orden y coinciden los elementos que
ocupan el mismo lugar. Es decir, siendo:


a
... 2
a
1
a
. . . . . . . . . . . .
a
...
a a
a
...
a a
= A
mn m m
2n 22 21
1n 12 11


b
... 2
b
1
b
. . . . . . . . . . . .
b
...
b b
b
...
b b
= B
mn m m
2n 22 21
1n 12 11




n ,..., 3 , 2 , 1 j , m ,...., 3 , 2 , 1 i , = = = =
ij ij
b a B A

O bien: j i, , (B) elem (A) elem B A
j i, j 1,
= =



4. TIPOS DE MATRICES.


a. Matriz fila. Es toda matriz de orden 1xn.

( ) 3 3 2 1
1
= F . es de orden 1x4.
1
F

b. Matriz columna. Es toda matriz de orden mx1.

. es de orden 3x1.
3
4
1

1

= C
1
C

c. Matriz nula. Es la que tiene todos sus elementos nulos. La denotaremos por (0).

Son matrices nulas:

0 0
0 0
0 0
,
0 0
0 0
= A B


d. Matriz vertical. Es aquella en la que m>n.

.


8 5
1 3
0 2
= A





e. Matriz horizontal. Es aquella en la que m<n.

.


1 0 7
5 3 2
= A

f. Matriz opuesta de A. Es la que tiene por elementos los opuestos de los elementos de
A. La denotaremos por -A. Si A=(a
ij
), -A=(-a
ij
).

Si .


7 6 5 -
0 1 - 3
= A


7 - 6 - 5
0 1 3 -
= A -


g. Matriz traspuesta de A. Es la que se obtiene a partir de A cambiando filas por
columnas sin alterar su orden de colocacin. La denotaremos por A
t
.
Si A = (a
ij
), A
t
= (a
ji
). Si A es de orden mxn, A
t
ser de orden nxm.


Es decir : j i, A) ( elem ) (A elem
i j, j i,
= ,
t



Si . A es de orden 2x3. A


8 7 6
5 4 3
= A


8 5
7 4
6 3
=
A
t t
es de orden 3x2.

h. Matriz cuadrada. Es toda matriz que tiene el mismo nmero de filas que columnas.
Es decir m=n. En ellas podemos distinguir:
La diagonal principal. Son los elementos a
11
, a
22
, ..., a
nn
.
La diagonal secundaria. Son los elementos a
1n
, a
2(n-1)
, ..., a
n1
.

. Diagonal principal: 1,5,9. Diagonal secundaria: 3,5,7.


9 8 7
6 5 4
3 2 1
= A



i. Submatriz de una matriz A. Es toda matriz A' obtenida suprimiendo p filas y q
columnas en A. Si A es de orden mxn, A' ser de orden (m-p)x(n-q).

. Suprimiendo en AM


4 5 2 0 9
1 8 6 4 5
0 7 3 2 1
= A
3x5
la fila 3 y las columnas 4 y 5,

obtenemos , submatriz A'M


6 4 5
3 2 1
= A
2x3
.


Ejercicios.

1. Indica de qu tipo es cada una de las siguientes matrices:

,


1 0 0
0 1 0
1 0 1
= A


1 0 0
0 0 0
0 0 1
= B ,


2 1 2 1
1 - 3 1 - 3
2 2 1 1
= C .

Hallar: A
t
, B
t
, C
t
, -A, -B y -C.



5. OPERACIONES CON MATRICES DE ORDEN mxn.

A. SUMA DE MATRICES.

Consideremos dos matrices A, BM
mxn
, es decir, con las mismas dimensiones.

mn m m
n
n
mn m m
n
n
b b b
b b b
b b b
B
a a a
a a a
a a a
....
.... .... .... .....
....
....
,
....
.... .... .... .....
....
....
2 1
2 22 21
1 12 11
2 1
2 22 21
1 12 11
= A

Definimos:

+ + +
+ + +
+ + +
= +
mn mn m m m m
n n
n n
b a b a b a
b a b a b a
b a b a b a
B A
....
.... .... .... .....
....
....
2 2 1 1
2 2 22 22 21 21
1 1 12 12 11 11

En forma abreviada:


j i, ) b (a B A entonces ) (b B , ) (a A Si
ij ij ij ij
+ = + = = ,


O bien: j i, , (B) elem (A) elem B) (A elem
j i, j i, j i,
+ = +


Es decir: suma de matrices de las mismas dimensiones, es la aplicacin que asocia a cada par
de matrices otra matriz de las mismas dimensiones cuyos elementos se obtienen sumando
trmino a trmino los elementos correspondientes en dichas matrices:

B A B) (A,
M M M :
n m n m n m
+
+

a




Siendo y entonces .


5 0 4
1 3 2
= A


2 6 1
3 4 0
= B


7 6 5
4 7 2
= B + A

B. PROPIEDADES DE (M
mxn
, +).

a. Asociativa: (A+B)+C = A+(B+C).

Es evidente, pues los elementos de A, B y C son de R que es un cuerpo conmutativo.

b. Existe elemento neutro: A+Neutro=A Neutro=(0)=La matriz nula.

c. Existe elemento opuesto: A+(Opuesto de A)=(0) Opuesto de A=-A

d. Conmutativa: A+B = B+A.

Es evidente, pues los elementos de A y B son de R que es un cuerpo conmutativo.

Por tanto (M
mxn
, +) es un Grupo Conmutativo.





C. PRODUCTO DE UN NUMERO POR UNA MATRIZ O PONDERACIN

Consideremos la matriz AM
mxn
y R.

Definimos:


a
... 2
a
1
a
. . . . . . . . . . . .
a
...
a a
a
...
a a
= A
mn m m
n 2 22 21
n 1 12 11


a
...
a a
. . . . . . . . . . . .
a
...
a a
a
...
a a
= A
mn 2 m 1 m
n 2 22 21
n 1 12 11



En forma abreviada:
Si A=(a
ij
), entonces A = (a
ij
).

Tambin se puede escribir como:

j i, , (A) elem A elem
j i, j i,
= ) (

Es decir: producto de un nmero real por una matriz, es la aplicacin que asocia a cada par
formado por un nmero real y una matriz, otra matriz cuyos elementos se obtienen
multiplicando el nmero real por todos los elementos de la matriz:

A A) (
M M IR :
n m n m



a ,


Siendo entonces


1 0 1
1 3 2
= A


3 0 3
3 9 6
= A 3

D. PROPIEDADES DE (M
mxn
,

).

a. (A + B) = A + B
b. ( + )A = A + A
c. ()A = (A)
d. 1A = A

Son evidentes, pues tanto los elementos de las matrices A y B como los nmeros y
pertenecen a IR que es un cuerpo conmutativo.





Ejercicios.

1. Siendo y calcula: 3A+2B.


1 2 - 0 3
1 - 2 1 0
5 3 1 - 2
= A


1 1 - 2 3
1 5 2 - 2
3 0 0 0
= B


Solucin. .


5 8 - 4 15
1 - 16 1 - 4
21 9 3 - 6








2. Calcular las matrices A y B que son soluciones del siguiente sistema:

= +


= +
0 2
3 1
2
4 5
1 2
2 3
B A
B A


Solucin. , .

8 16
11 1
,
4 9
7 0
= A B


3. Hallar las matrices A y B que verifiquen el sistema:

= +
1 0
2
0
3
1
4
3
0
2
1
2
2
1
2
B A
B A


Solucin :

=
7
2
7
1
0
7
4
7
8
7
9
,
7
1
7
3
1
7
4
7
3
7
1
B A



4. Hallar las matrices A y B que verifiquen el sistema:


= +


= +
9 7
2 8
3 2
4 3
1 3
B A
B A





5. Prueba que el conjunto de las matrices 2x3 satisfacen las propiedades de suma y ponderacin
de matrices reales.
6. PRODUCTO DE MATRICES.

A. PRODUCTO DE DOS MATRICES CUALESQUIERA.

Sean A una matriz de orden mxn, formada por m matrices fila [A
1
, A
2
, ..., A
m
] de n
elementos
cada una y B una matriz de orden nxp, formada por p matrices columna [B
1
, B
2
, ..., B
p
] de n
elementos cada una.

np n n
p
p
mn m m
n
n
b b b
b b b
b b b
B
a a a
a a a
a a a
....
.... .... .... .....
....
....
,
....
.... .... .... .....
....
....
2 1
2 22 21
1 12 11
2 1
2 22 21
1 12 11
= A




El producto de las matrices A y B , AB , es otra matriz C de orden mxp con m filas y p
columnas, cuyo elemento c
ij
es el producto de la matriz fila A
i
por la matriz columna B
j
.

....
c
....
.... b ....
.... ..... ....
.... b ....
.... b ....
....
a
....
.... .... ....
...... a a
..... .... ....
ij
nj
j 2
j 1
in 2 i 1 i

Es decir:
kj
n
1 k
ik nj in j 2 2 i j 1 1 i j i ij
b a b a ..... b a b a B A c

=
= + + + = =
O bien:
j i, , (B)
n
1 k
kj
(A)elem
ik
elem
j
B
i
A (AB)
ij
elem
=
= =


Luego

=
p m m m
p
p
B A B A B A
B A B A B A
B A B A B A
C
....
.... .... .... ....
....
....
2 1
2 2 2 1 2
1 2 1 1 1

As pues, el producto de matrices, es la aplicacin que asocia a cada par de matrices, una de
dimensin mxn y otra de dimensin nxp, una tercera matriz de dimensin mxp:

C B) (A,
p n
M
p n
M
n m
M :
a



tal que el elemento que ocupa el lugar i,j de la matriz producto se obtiene sumando los
productos que resultan de multiplicar los elementos de la fila i-sima de la matriz A por los
respectivos elementos de la columna j-sima de la matriz B.


Obsrvese que para poder efectuar el producto AB es necesario que el nmero de columnas
de la matriz A coincida con el nmero de filas de la matriz B. Esto implica que, en general, si
existe el producto AB no tiene por qu existir BA. Sin embargo, si las matrices son cuadradas
y del mismo orden, siempre existen AB y BA.

= = .


0 7 1
5 2 3


8 2
1 6
9 4


0 + 7 + 9 0 + 42 + 4
40 + 2 + 27 10 + 12 + 12


16 46
69 34







MODELO ECOLGICO DE THRALL. En un cierto sistema ecolgico dividimos
las especies en tres categoras:
1) Plantas (tomillo, romero, etc.) que suministran alimento a animales herbvoros. Las
designamos por p
1
, p
2
, p
3
, ...
2) Animales herbvoros (conejo, liebre, etc.) que comen dichas plantas. Las designamos
por a
1
, a
2
, a
3
, ...
3) Animales carnvoros (zorro, lobo, etc.) que se comen a los animales herbvoros. Las
designamos por c
1
, c
2
, c
3
, ...

Se puede plantear la siguiente cuestin: Qu cantidad de la planta p
i
consume
indirectamente el carnvoro c
j
durante un cierto periodo de tiempo?
Podemos suponer conocidas las dos matrices siguientes:
A=(a
ik
) que representa las cantidades consumidas por el animal a
k
de la planta p
i
. B=(b
kj
)
que representa las cantidades devoradas por el carnvoro c
j
del herbvoro a
k
.
na de B.
El carnvoro c
1
, al comer de a
1
, consume indirectamente a
11
b
11
de p
1
, al comer de a
2

consume a
12
b
21
de p
1
etc., luego en total consume a
11
b
11
+ a
12
b
21
+ ... + a
1n
b
n1
, es decir el
producto de la primera fila de A por la primera colum
Las cantidades pedidas son, pues, los elementos de la matriz AB.

Ejercicios.

1. Dada una matriz A, existe una matriz B, tal que el producto AB, o bien BA, sea una
matriz de una sola fila? Dar un ejemplo con una matriz AM
3x4
.


2. Calcular el producto AB siendo:


8 2
1 6
9 4
= A


0 7 1
5 2 3
= B .
Solucin. AB =

10 60 14
30 19 19
20 71 21

3. Dada la matriz: , calcula X


1 0 0 0
1 1 0 0
1 1 1 0
1 1 1 1
= X
2
y X
3
.
Solucin. ,


1 0 0 0
2 1 0 0
3 2 1 0
4 3 2 1
=
X
2


1 0 0 0
3 1 0 0
6 3 1 0
10 6 3 1
=
X
3






B. PROPIEDADES DEL PRODUCTO DE MATRICES.

a. No es una operacin interna en el conjunto M
mxn
.
Si mn ni siquiera se puede efectuar el producto de dos matrices A,BM
mxn
.
En el conjunto M
nxn
, s que sera una operacin interna.





b. No es conmutativo.
i) Hay casos en los cuales es posible efectuar AB, y no BA.

. No es posible efectuar BA

=
3 2
1 1
5
1
4 3
2 1
AB B y A Si

.

ii) En los casos en que es posible efectuar AB y BA, no siempre da el mismo resultado. A
veces ni siquiera son del mismo orden.


=
5 2 9
6 0 12
0 4 2
,
10 10
0 7
3 1
3 0
1 2
2 0 4
1 2 3
BA AB B y A Si


iii) En el caso de las matrices cuadradas, tampoco se verifica la propiedad conmutativa.
Si y , .


1 0
0 2
= A


1 2
1 1
= B


1 2
2 2
= B A


1 4
1 2
= A B







C. POTENCIAS DE UNA MATRIZ

n
0
1 n n 2 3 2
n
I A define se Adems
A A A , .... , A A A , AA A
: como A de potencias las definen se , M A Sea
=
= = =






n
n
2
2 1 0
n
n
2
2 1 0 n
A a ... A a A a a p(A)
: por p(A) define se entonces
n ms lo a grado de polinomio un es x a ... x a x a a p(x) Si . M A Sea
+ + + + =
+ + + + =






Para evale p(S) 4 x 5 x ) x ( p y
2 1 1
1 2 1
1 1 2
S
2
+ =



=

Solucin:


) 0 ( I 4 S 5 S ) S ( p Luego
0 0 0
0 0 0
0 0 0
4 0 0
0 4 0
0 0 4
10 5 5
5 10 5
5 5 10
6 5 5
5 6 5
5 5 6
0 0 0
0 1 0
0 0 1
4
2 1 1
1 2 1
1 1 2
5
2 1 1
1 2 1
1 1 2
2 1 1
1 2 1
1 1 2
I 4 S 5 S ) S ( p
2
2
= + =



= + =





Ejercicios.

1. Si A y B son matrices cuadradas cualesquiera, Ser: (A+B)
2
=A
2
+2AB+B
2
?
Solucin. No. AB BA.

2. Dota al conjunto M
mxn
de divisores de cero. Es decir, hay matrices no nulas cuyo
producto es la matriz nula.
Si y .


0 1
0 1
= A


1 1
0 0
= B


0 0
0 0
= B A

A (0) y B (0) ; sin embargo AB = (0).

3. Verifica la propiedad asociativa en los casos que se puedan multiplicar tres
matrices. Es decir, si A es de orden mxn, B de orden nxp y C de orden pxq, entonces:

C) (B A C B) (A =



Dem:
q p p n n m
M C M B M A Sean

, ,


[ ] [ ]
[ ]
[ ]
[ ] j , i , ) C B ( ) A ( elem
j , i , ) C B ( elem ) A ( elem
j , i , ) C ( elem ) B ( elem ) A ( elem
j , i , ) C ( elem ) B ( elem ) A ( elem
j , i , ) C ( elem ) B ( elem ) A ( elem
j , i , ) C ( elem ) B ( elem ) A ( elem
j , i , ) C ( elem ) B A ( elem C ) B A ( elem
j , i
n
1 s
j , s s , i
n
1 s
p
1 k
j , k k , s s , i
n
1 s
p
1 k
j , k k , s s , i
p
1 k
j , k k , s s , i
n
1 s
p
1 k
j , k k , s s , i
n
1 s
p
1 k
j , k k , i j , i
=
=
=
=
=

=
=

=
= =
= =
= =
= =
=
Luego : ) C (B A C B) (A =


4. No existe elemento neutro. Si A es de orden mxn, entonces I
m
es el elemento neutro
por la izquierda de A, e I
n
el elemento neutro por la derecha de A.

Es decir: I
m
A = A , A I
n
= A.

. =


1 0
0 1


6 5 4
3 2 1


6 5 4
3 2 1


6 5 4
3 2 1


1 0 0
0 1 0
0 0 1


6 5 4
3 2 1


Si A es una matriz cuadrada de orden n, I
n
es el elemento neutro por la izquierda y por la
derecha de A. Es decir, el nico elemento neutro de M
nxn
. O sea: I
n
A = A I
n
= A.



5. No existe inversa para ninguna matriz de M
mxn
siendo mn.

Hay matrices cuadradas que s tienen elemento inverso (inversa) las cuales se llaman
regulares o no-singulares, en cambio las que no tienen inversa se llaman singulares. La
matriz inversa de A la denotamos por A
-1
. Ya veremos cmo se calcula. Si A es de orden n,
A
-1
tambin, y se verifica que: A
-1
A = AA
-1
= I
n
.

= . =
.


2 5
3 8


8 5 -
3 - 2


1 0
0 1

0
0
1


1 3 6
3 0 1 -
0 1 2


1 0 3 -
6 - 2 19
3 1 - 9 -


1 0
0 1
0 0
Veamos que no tiene inversa. Si fuera su inversa:


1 1
1 1
= A


d c
b a
= B


1 1
1 1
= a + c =1, b + d = 0, a + c = 0, b + d = 1. Sistema de
ecuaciones que no tiene solucin y por tanto no existe B.


d c
b a


1 0
0 1


6. A(B+C) = AB+AC. Es evidente, con AM
mxn
y B,CM
nxp
.

7. (A+B)C = AC+BC. Es evidente, con A,BM
mxn
y CM
nxp
.

8. (A)B = (AB). Es evidente, con AM
mxn
y BM
nxp
.







Ejercicios.

1. Calcula A
n
en cada uno de los siguientes casos.

a) . b) . c) .


1 0
1 1
= A


4 3
0 1
= A


cos sen -
sen cos
= A



Solucin. a) . b) . c)


1 0
n 1
=
A
n


4
1 -
4
0 1
=
A
n n
n


n cos n sen -
n sen n cos
=
A
n


.


1 0 0
0 1 0
7
1
7
1 1
= A , calcula A
7
. 2. Dada la matriz


3. Calcula A
n
en cada uno de los siguientes casos.
a) . b) .


1 0 1
0 1 0
1 0 1
= A


1 0 0
1 1 0
1 1 1
= A
Solucin. a) A
n
= . b)


2
0
2
0 1 0
2
0
2

1 - n 1 - n
1 - n 1 - n


1 0 0
n 1 0
2
n +
n
n 1
=
A
2
n
.


4. Hallar todas las matrices A M
2x2
tales que A
2
=-I
2
.

Solucin.


0
b
1 -
b 0
,


a -
b
a
+ 1 -
b a

2
.


5. Hallar todas las matrices A M
2x2
tales que A
2
=(0).


Solucin.


a -
b
a
-
b a

2
, , , , con b 0.


0 b
0 0


0 0
b 0


0 0
0 0


6. Sabiendo que A
2
+A=I, calcula, simplificada, la matriz (A + I )
2
- ( A + I).

I
A A
I A I 2A A
I) (A I IA AI A I) (A I) (A : Solucin
2
2
2 2 2
=
+ =
+ + =
+ + + + = + +



7. Siendo . Halla A


1 0 0
0 1 0
1 0 1
= A
n
, para n N.

Solucin. .


1 0 0
0 1 0
n 0 1
=
A
n


8. Siendo . Hallar B


1 1 1
1 1 1
1 1 1
= B
n
, para n N.

Solucin. B
n
= 3
n-1
B.











7. TIPOS DE MATRICES CUADRADAS.

a. Diagonales. Son aquellas que tienen todos sus elementos nulos excepto los de la diagonal
principal, los cuales pueden ser nulos o no.

, , .


5 0
0 7


5 0 0
0 1 0
0 0 3


9 0 0
0 0 0
0 0 4 -


b. Escalares. Son las diagonales con todos los elementos de la diagonal principal iguales.
, .


2 0
0 2


5 0 0
0 5 0
0 0 5


c. Unidad o identidad. Es una diagonal escalar con el nmero 1 en todos los lugares de la
diagonal principal. Se denota por I
n
. Es decir;

j i, ,
j i si 0
j i si 1
(I) elem
j i,

=
=




Ejercicio: Verificar que la matriz identidad es neutro multiplicativo en M
n

Esto es , si . Entonces AI=A y IA=A.
n
M A

Solucin::

j i, , (A) elem
1 (A) elem
(I) (A)elem elem (I) (A)elem elem (AI) elem
i i,
i i,
i i, i i,
n
1 k
j k, k i, j i,
=
=
= =

=
Luego, AI=A , y anlogamente IA=A


, .


1 0
0 1
=
I 2


1 0 0
0 1 0
0 0 1
=
I 3











d. Triangulares. Son aquellas en las que son nulos todos los elementos que estn por
encima o por debajo de la diagonal principal.

i) Triangular superior. Si son nulos los elementos por debajo de la diagonal principal. Es
decir: a
ij
=0 para i>j.Es decir:

j i, , j i si , 0 (A) elem superior triangular es A
j i,
> =


, .


a
... 0 0 0
. . . . . . . . . . . . . . .
a
...
a
0 0
a
...
a a
0
a
...
a a a
= A
nn
n 3 33
n 2 23 22
n 1 13 12 11


4 0 0
7 3 0
8 1 5
= B



ii) Triangular inferior. Si son nulos los elementos por encima de la diagonal principal.
Es decir: a
ij
=0 para i<j. Es decir:


j i, , j i si , 0 (A) elem inferior triangular es A
j i,
< =


, .


a
...
a a a
. . . . . . . . . . . . . . .
0 ...
a a a
0 ... 0
a a
0 ... 0 0
a
= A
nn 3 n 2 n 1 n
33 32 31
22 21
11


2 1 6
0 7 5
0 0 4
= B




e. Simtricas. Son las matrices A tales que A
t
=A. Es decir: a
ij
=a
ji
para todos i, j.

Esto es:

j i, , (A) elem ) (A elem simtrica es A
i j,
t
j i,
=


.
A
=
4 3
3 2
= A
t

B
=
6 4 3
4 5 2
3 2 1
= B
t




Ejercicios.
1 Si A y B son matrices simtricas de orden 2, determina la condicin que debe cumplir la
matriz AB para que sea tambin simtrica.

Solucin. A conmute con B.


1. Demostrar que para cualquier matriz cuadrada A, se verifica que A + A
t
es simtrica.

Solucin. A A A A A A
t t t t t t
+ = + = + ) ( ) (

2. Halla todas las matrices simtricas A M
2x2
tales que A
2
= I
2
.

3. Pruebe que no existe B tal que AB = BA para


=
2 1
4 2
A


f. Antisimtricas. Son las matrices A tales que A
t
=-A. O sea: a
ij
=-a
ji
para todos i,j.

Esto es :

j i, , (A) elem ) (A elem ica antisimtr es A
j i,
t
j i,
=



0 3 - 2 -
3 0 1 -
2 1 0
= A es antisimtrica, pues . A - =
0 3 2
3 - 0 1
2 - 1 - 0
=
A
t



Observacin. En las matrices antisimtricas los elementos de la diagonal principal son
nulos.
En efecto:

i , 0 (A) elem
i , 0 (A) 2elem
i , (A) elem (A) elem
i , (A) elem ) (A elem
j i, , (A) elem ) (A elem ica antisimtr es A
i i,
i i,
i i, i i,
i i,
t
i i,
j i,
t
j i,
=
=
=
=
=


g. Invertibles, no-singulares o regulares : Son las que tienen inversa respecto al producto de
matrices. Es decir: A es invertible o regular o no-singular, si existe una matriz B , llamada
una inversa de A si::
AB =I y BA = I.

Teorema: La inversa de A, si existe es nica, y se denota por
1
A

Dem: Supongamos que B y C son inversas de A
Consideremos BAC = (BA)C=IC=C
BAC = B(AC) =BI=B
Luego , se tiene que B=C , es decir la inversa de A es nica y se anota por
1
A













INVERSA DE ORDEN 2X2 Sea .
n n
M
d c
b a
A

=
Supongamos que existe una matriz I A B y I B A que tal M
w z
y x
B = =

=
2 2
Entonces

1 0
0 1
w z
y x
d c
b a

1 dw cy 0 dz cx
0 bw ay 1 bz ax
= + = +
= + = +



b bdw bcy bdz bcx
bdw ady d bdz adx
= + = +
= + = +
0
0


0 bc ad que siempre ,
bc ad
b
y
bc ad
d
x
b bc)y (ad d bc)x (ad
b bcy ady d bcx adx
=

=
= =
= =


Anlogamente: 0 , =

= bc ad que siempre
bc ad
a
w
bc ad
c
z


Luego , la inversa de A= M

d c
b a
2
es la matriz

d c
b d
bc ad
1
A
1




su inversa es .


5 3
2 1
= A


1 - 3
2 5 -
=
A
1 -



















Ejercicios.

1. Aplica la definicin para hallar la matriz inversa de:


1 1
1 - 2
= A
Solucin.


3
2
3
1
-
3
1
3
1
=
A
1 -
.
2. Demuestra que si A cumple que A
2
+ 2 A = I entonces A es invertible.

Solucin. De A(A + 2I) = I se deduce que A
-1
= A + 2I.


3 Una matriz A M
2x2
verifica la ecuacin A
3
+ 2A
2
+ I = (0). Hallar A
-1
.

Solucin. A
-1
= -A
2
- 2A.




h. No invertibles o Singulares. Son las que no tienen inversa respecto al producto de
matrices.

y no tienen inversa.


0 0
2 1


9 8 7
6 5 4
3 2 1


i. Ortogonales. Son las matrices A tales que AA
t
= I, es decir, A
-1
= A
t
.


y son ortogonales. Comprubese.


sen cos -
cos sen



1 0 0
0 1 0
0 0 1




Ejercicios.

1. Hallar todas las matrices A M
2x2
ortogonales.


2. Halla todas las matrices A M
3x3
ortogonales.

.




j. Idempotentes. Son las matrices A tales que A
2
= A.

y son idempotentes. Comprubese.


1 0
0 1


1 0 0
0 1 0
0 0 1





Ejercicios.

1. Halla todas las matrices A M
2x2
idempotentes.

2. Si A es una matriz idempotente, cunto vale (2A-I)
2
?






k. Involutivas. Son las matrices A tales que A
2
=I.

y son involutivas. Comprubese.


1 0
0 1


1 0 0
0 1 0
0 0 1






Ejercicios.

1. Hallar todas las matrices A M
2x2
involutivas.



8. MATRIZ TRASPUESTA. PROPIEDADES.

Matriz traspuesta de A. Es la que se obtiene a partir de A cambiando filas por columnas sin
alterar su orden de colocacin. La denotaremos por A
t
.


Si A=(a
ij
), A
t
=(a
ji
). Si A es de orden mxn, A
t
ser de orden nxm.



Es decir; j i, , (A) elem ) (A elem A de trapuesta es A
i j,
t
j i,
t
=




Propiedades

Consideremos las matrices A, B , A
t
y B
t
de rdenes adecuados a las propiedades que
veamos.

1. (A
t
)
t
= A.
Dem. Evidente.

2. (A)
t
= A
t
.
Dem. Evidente.

3. (A+B)
t
= A
t
+ B
t
.
Dem:

j i, , ) B (A elem
j i, , ) (B elem ) (A elem
j i, , (B) elem (A) elem
j i, , B) (A elem B) (A elem
t t
j i,
t
j i,
t
j i,
i j, i j,
i j,
t
j i,
+ =
+ =
+ =
+ = +
4. (AB)
t
= B
t
A
t
.
Dem:

j i, , ) A (B elem
) (A )elem (B elem
) (B )elem (A elem
(B) (A)elem elem (AB) elem (AB) elem
t t
j i,
n
1 k
t
j k,
t
k i,
n
1 k
t
k i,
t
j k,
n
1 k
i k, k j, i j,
t
j i,
=
=
=
= =

=
=
=






NOTA:


j , i , ) I ( elem
j , i ,
j i si 0
j i si 1
j , i ,
i j si 0
i j si 1
j , i , ) I ( elem ) I ( elem : pues ,
j , i
i , j
t
j i,
=

=
=

=
=
= = I I
t


Ejercicios.
1. Sea


6 - 4
. Encuentra una matriz cuadrada triangular B tal que A = B B

10 6 -
= A
t
.
Hay una sola?

2. Demuestra que el producto de dos matrices ortogonales es otra matriz ortogonal.

3. Si la matriz A es antisimtrica, qu se puede decir de B
t
AB?

Solucin. A = -A
t
entonces (B
t
A B)
t
= B
t
A
t
B = -B
t
A B es decir , es antisimtrica.

4. Si la matriz P es antisimtrica , qu se puede decir de P
2
, P
3
y P
4
?

Solucin. P = -P
t
P = P P = (-P
t
)(-P
t
) = (P
t
)
2
= (P
2
)
t
P
2
es simtrica.

PP
3
= P
2
P = (P
2
)
t
P = -(P
3
)
t
P
3
es antisimtrica. Anlogamente sale que P
4
es
simtrica.

5. Demuestra que toda matriz cuadrada A es la suma de una matriz simtrica S y otra
matriz antisimtrica T. Aplica este resultado a una matriz cualquiera 3x3.


Solucin. S = S
t
y T = -T
t
, A =S + T, A
t
= (S + T)
t
= S
t
+ T
t
A
t
=S-T
Resolviendo el sistema: S = ( A + A
t
) y T = (A A
t
).

6. A y B son matrices que conmutan , demuestre que A
t
y B
t
conmutan






9. MATRICES INVERTIBLES. PROPIEDADES.

Una matriz A es invertible o regular, si tiene inversa respecto al producto de matrices. Es
decir: A es invertible si existe su inversa A
-1
y por tanto: AA
-1
= A
-1
A = I.

Propiedades

1. Si A y B son matrices cuadradas de orden n tales que:
AB = I
n
, entonces B =A
-1
y A = B
-1
.

Dem. Multiplicando en AB = I
n
por A
-1
y aplicando la propiedad asociativa se tiene que:
A
-1
(AB) =A
-1
(A
-1
A)B = A
-1
B = A
-1
.
Anlogamente: (AB)B
-1
= B
-1
A(B B
-1
) = B
-1
A = B
-1
.

2. (A
-1
)
-1
= A.
Dem. Evidente.


3. (AB)
-1
= B
-1
A
-1
.

Dem. Hay que ver que: (AB)(B
-1
A
-1
)=I
n y
(B
-1
A
-1
) (AB) =I
n

Por la propiedad asociativa: (AB)(B
-1
A
-1
) = A(BB
-1
)A
-1
=AA
-1
=I
n
.

Anlogamente: (B
-1
A
-1
) (AB) = B
-1
AA
-1
B= B
-1
B =I
n
.



4. (A
t
)
-1
= (A
-1
)
t
.

Demostracin:

I ) )(A (A : te Anlogamen
I
I
a traspuest de propiedad3 la Por , ) (AA ) (A ) (A
t 1 t
t
t 1 t t 1
=
=
=
=



Otra forma: Como AA
1
= I
n
, tomando traspuestas resulta que: (A
-1
)
t
A
t
= I
n
, luego, por la
primera propiedad (A
-1
)
t
= (A
t
)
-1
.

NOTA: I I I , I I
1
= =

que ya , inversa propia su es identidad matriz la , es esto






Ejercicio

a) Calcule J
3
- 3J
2
+ 4I para

=
2 0 0
0 2 1
0 0 2
J

b) Utilizando la parte a), encuentre J
-1


) 0 ( 4 3 J tanto lo Por
) 0 (
0 0 0
0 0 0
0 0 0
1 0 0
0 1 0
0 0 1
4
4 0 0
0 4 4
0 0 4
3
8 0 0
0 8 12
0 0 8
4 3 J Luego
8 0 0
0 8 12
0 0 8
2 0 0
0 2 1
0 0 2
4 0 0
0 4 4
0 0 4
4 0 0
0 4 4
0 0 4
2 0 0
0 2 1
0 0 2
2 0 0
0 2 1
0 0 2
)
2 3
2 3
3
2
= +
=

= +

=
I J
I J
J
J a
Solucin:


[ ] [ ]

=
0
2 1
4
4 0 0
0 4 4
2 0 0
0 2 1 3
4
tan J to


1 1
1



2 0
0
0 0 2 0 0 4 0 0 2
1 1
Lu
s Si )
2 2
1 1 1 2 1 3
por



b
= = J 3
4
3 J
4
J J

= +
= +

(0) 4J 3J - J ego
) 0 ( 4 3 J : que tenemos , invertible J uponemos
1 1 - 2
J
J IJ J J J

Ejercicios.

1. Demuestra que la inversa de una matriz ortogonal es otra matriz ortogonal.

atriz A es sim

Solucin
2. Demuestra que si la m trica, tambin lo es su inversa.
. Si A es simtrica A = A
t
. Por otra parte AA
-1
= I, tomando traspuestas
en ambos miembros, se tiene:
(AA
-1
)
t
=I
t
(A
-1
)
t
A
t
=I (A
-1
)
t
A=I (A
-1
)
t
=A
-1
A
-1
es simtrica.

3. Si A y B son invertibles Es A + B invertible?
Si as lo es ser cierto que (A + B )
-1
= A
-1
+ B
-1
?


Despeje A en trminos de B

e .

-
4. A y B son matrices invertibles tales que : I ) A B ( ) A B ( ) B A (
t t 1 1 1 t 1 t
= +


5. Para

= 1 A

1 1 1
6 5 3

1 2 1
0 3 1
2 1 0
A
1


2 2 verifique qu

Encuentre:
1 t
( y ) A (
1 t
) A A

10 CON MATRICES Y PROPIEDADES. RESUMEN. . OPERACIONES
x: Producto de m trices.

(M
mxn
, +) = Grupo conmutati
( (M
nxn
, x) = Sem
(M
nxn
, +, x) = Anillo no conm tativo, itario con div sores de cero.
(M
nxn
invertibles po.


11. EJERCI S

1. Escribe triz ada u de lo

2. Halla x e y para que la matriz cumpla que A+xA+yI=(0).
3. Halla todas las matr a
Soluci

Siendo:
+: Suma de matrices.

: Producto de un nmero real por una matriz.


a
vo.
igrupo.
u

un y i
, x) = Gru
CIO
una ma de c no s siguientes tipos: a) triangular. b) diagonal. c)
escalonada por filas.


2 1
= A
1 2
ices que conmut n con A


a
.
b a

b
=
n. Si b=0, tod s. S a i b
Solucin
0


y
y x
.
x
4. Siendo


x 3
= A , hallar las matrices B(0)M
2 1
2x2
tales que AB=(0) y obtener
el valor de x para que exista solucin.
. , x = 6.

5. Dada
a) Calcular 3 A - 6 A + 3I

b) Usando la parte a) calcular A
-1



d 2 - c 2 -
= B

d c

1 3 0 0

=
2 1 0 0
0 0 4 3
0 0 2 1
A
3 2
12. PROBLEMAS.

1. En la sala de un hospital dedicado al tratamiento de diabticos se administra insulina
clases: semilenta, lenta y u ralenta nmero de unidades diarias que se aplica a los
pacientes de los cinco ingresados viene dado por la siguiente tabla:




Pac. 1


Pac. 2


Pac. 3


Pac. 4

Pac. 5
de tres lt . El

Se









milenta 15 15 20 30 10

Le
nta


20


20





15 5 20


15

Ult
ralenta 10 5 10 10

El nmero de das que ha estado internado cada paciente es:



Pac. 1

Pac. 2

Pac. 3

Pac. 4 Pac. 5

N
e das

3






d 7 5 12 20

Calcula, con ayuda del producto de matrices, las unidades de cada clase que le fue administrada
a los pacientes.

Solucin. La ma
La matriz columna que expresa el nmero de das es:
ara hallar el nmero de unidades de cada clase administradas a los pacientes calculemos:


15 10 10 5 10
20 5 15 20 20
10 30 20 15
= A .
15
triz de necesidades diarias es:


20
12
5
7
3
= D .
P
AD =


15 10 10 5 10
20 5 15 20 20


5
= 735 .

10 30 20 15 15

20
12
7
3

535
810



2. e
Las cantidades diarias que necesita cada paciente de cada uno de los compuestos varan segn la
odo:
1: 1200 mg de C, 80 mg de My 1200 de F.
Paciente 2: 900 mg de C, 60 mg de M y 950 mg de F.
Paciente 3: 1100 mg de C, 70 mg de M y 1000 mg de F.
cuenta que el tratamiento se va a aplicar durante tres semanas a los pacientes 1, 3 y
y dos semanas al paciente 2, hallar la matriz de necesidades diarias y las cantidades de cada
ompuesto necesarias para poder atender correctamente los tratamientos de los cuatro pacientes.
olucin
En un hospital oncolgico se aplica a un grupo de cuatro pacientes un tratamiento d
quimioterapia mediante un protocolo CMF (C=ciclofosfamida, M=metrotexate, F=5-fluoracilo).
superficie total corporal, del siguiente m
Paciente mg
Paciente 4: 1150 mg de C, 80 mg de M y 1100 mg de F.
Teniendo en
4
c


S . La matriz de necesidades diarias es:




Pac. 1


Pac. 2

Pac. 3


Pac. 4

Ciclofos-
1100

1150 famida 1200 900

Metrote-




xate 80 60 70 80

5-fluora-
cilo

1200

950 1000

1100






1100 1000 950 1200

80

1150 1100 900 1200


70 60 80 = A


Si representamos por D el vector columna que expresa el nmero de das que cada paciente debe
seguir el tratamiento, se tiene:

La multiplicando la matriz A por la D:
AD = =
As pues, se necesitan: 85.050 mg de ciclofosfamida, 5.670 de metrotexate y 82.600 mg de 5-
o.








3. Dem atrices invertibles A y B conmutan, entonces:
onmutan A
-1
y B, B
-1
y A, A
-1
y B
-1
.
i adems A y B son simtricas, A
-1
B, AB
-1
y A
-1
B
-1
tambin son simtricas.
Solucin


21
21
14
21
= D

s necesidades totales de cada compuesto se obtienen


1100 1000 950 1200
80 70 80
1150 1100 900 1200
60
1


21
21
4
21


600 82
670 5
050 85

fluoracil

uestra que si dos m
Tambin c
S
. a) AB = BA BAA
-1
= ABA
-1
= B A
-1
B = (A
-1
A)BA
-1
= BA
-1

nlogamente A =BAB
-1
B
-1
A= (B
-1
B)AB
-1
= AB
-1

AB = BA tomando inversas: (AB)
-1
= (BA)
-1
B
-1
A
-1
= A
-1
B
-1


)
-1
=B
t
(A
-1
B)
t

B
-1
A=(B
t
)
-1
A
t
=(B
-1
)
t
A
t
=(AB
-1
)
t
Finalmente: A
-1
B
-1
=B
-1
A
-1
= (B
t
)
-1
(A
t
)
-1
= (B
-1
)
t
(A
-1
)
t
= (A
-1
B
-1
)
t


A

b) A=A
t
y B=B
t
A
-1
B=BA
-1
=B
t
(A
t -1
)
t
=(A

13. EJERCICIOS PROPUESTOS EN SELECTIVIDAD.
1. Escribe explcitamente la matriz cuyos trminos son: a
ij
= (i-j-1)
3
, i , j = 1,2,3.


Solucin.

8 - 1 - 0 .

1 - 0 1
- 8 - 1 - 27


2. Halla la matriz X que cumpla XA + B = C, siendo:

Solucin


2 1
0 2 0
= A ,

3 - 0 3


1 2 - 4
= B ,
3

3 - 1 5


6 - 4 2 -
5 - 1
= C .

0
.


5 -
3
7
-
4
2
1 1 -
4
3
-
= X .
3. Halla la matriz X que cumpla AXB + C = D, siendo:


Solucin


1 1 -
0 1
= A ,


1 1 - 0
0 1 0
0 0 1
= B ,


3 - 2 1 -
3 2 1
= C ,


0 1 0
2 1 3
= D .
.

4. Prueba que A
n
=2
n-1
A, siendo


5. Halla todas las matrices X que satisfacen la ecuacin: X =
Solucin


2 0 3
1 - 2 - 2
= X .


1 1
1 1
= A .


2 0
1 0


2 0 0
1 0 0
.
.


1 0 0
c b a
= X .


6. Siendo


2 5
1 3
= A , se pide:

a) Halla la matriz: 3AP
t
PA - 2IR
2
R.
b) Resuelve la siguiente igualdad matricial : AX =


1 0
0 2
.

Solucin. a)


13 39
39 100
. b)


3 10 -
1 - 4
.

7. Halla todas las matrices X que cumplan: X


1 0
1 1
=


1 0
1 1
X.
Solucin.


a 0
b a
= X .

2.1 SISTEMAS DE ECUACIONES LINEALES

Consideremos las matrices

1
2
1
1
2
1
2 1
2 22 21
1 12 11
.......
,
.......
,
......
...... ...... ...... ......
......
......
mx
m
nx
n
mxn
mn m m
n
n
M
b
b
b
B M
x
x
x
X M
a a a
a a a
a a a
A

=
El producto , se puede rescribir como:
) 1 . 21 ( B AX =


m mn m m
n
n
b a x a x a
b a x a x a
b a x a x a
= + + +
= + + +
= + + +
....
..... .......... .......... .......... ..........
.....
.....
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
) a 1 . 2 (

Escrito de esta forma obtenemos un sistema de ecuaciones lineales formado por m
ecuaciones y n incgnitas.

Nos surgen las siguientes preguntas:
1) Existen soluciones?

2) Si existe solucin es nica?

3) Cmo se encuentran las soluciones?


Si A es una matriz cuadrada e invertible o no-singular, entonces las respuestas a las dos
primeras preguntas son claras, ya que podemos multiplicar (2.1) por la izquierda por
para obtener
1
A
B A X
1
=

A
como solucin nica de (2.1). Como no tenemos, an, una forma
general para calcular , no podemos responder a la pregunta 3.
1

Si A no es cuadrada o si A es cuadrada y no invertible o singular entonces la naturaleza de
la solucin o soluciones de (2.1) no es clara.
Comenzaremos la investigacin probando que la naturaleza de las soluciones del sistema no
homogneo AX = B depende fundamentalmente de la naturaleza de las soluciones del
sistema homogneo asociado AX = (0).








TEOREMA 2.1

Sea una solucin particular conocida del sistema AX = B. Cualquier otra solucin de
AX = B puede escribirse como
P
X

h p
X X +
donde es una solucin del sistema homogneo AX = (0).
h
X

Demostracin:

Primero obsrvese que, como A = (0 ) y A = B , se tiene
h
X
P
X
A( ) =
h p
X X +
h p
AX AX + = (0) + B = B

Por lo tanto es una solucin. Si Y es una solucin cualquiera ponemos
h p
X X +
Y = (Y- ) + . Entonces :
P
X
P
X
A(Y- ) = AY-A = B-B = 0 ,
P
X
P
X
as que Y- es una solucin de AX = 0 y se concluye que Y tiene la forma pedida.
P
X


El mtodo bsico para resolver el sistema AX = B consiste en encontrar un sistema
equivalente A'X = B' para el cual las soluciones sean obvias o rpidas de obtener.


Definicin:
Dos sistemas tales como (2.1) son EQUIVALENTES si y solo si tienen exactamente las
mismas soluciones.

Afirmacin:
Un sistema equivalente a (2.1) se obtiene realizando un nmero finito de las operaciones
elementales siguientes a (2.1) :
i) Intercambiar dos ecuaciones.
ii) Multiplicar una ecuacin por un escalar no nulo.
iii) Adicionar a una ecuacin un mltiplo escalar de otra ecuacin.


Podemos pensar tambin que las operaciones anteriores se realizan sobre las filas de las
matrices A y B, o equivalentemente sobre las filas de la matriz particionada (A|B), la cual
se llama matriz aumentada o ampliada de (2.1).






Definiremos formalmente lo que entenderemos por operaciones elementales por filas sobre
una matriz.

Definicin:
Una OPERACION ELEMENTAL POR FILAS (O.E.F.)sobre una matriz A es una
operacin uno de los tres tipos siguientes:

I) Intercambiar la fila i por la fila j (denotado :
j i
F F )

II) La fila i se multiplica por el escalar no nulo .
(denotado :
i
F )

III) A la fila i se le adiciona la fila j multiplicada por (denotado:
i j
F F ).


La matriz obtenida de A por medio de una operacin elemental por fila (O.E.F) ser
designada por A(O.E.F) , as: A (
4 2
F F ) es A con la segunda y cuarta filas
intercambiadas

A( ) es A con la segunda fila multiplicada por 3, y
2
3F

A( ) es A con su fila cuatro reemplazada por
4 2
3 F F +
4 2
3 F F +

Cada una de estas operaciones elementales es REVERSIBLE en el sentido de que se puede
usar una operacin similar para reconstruir la matriz original. Especficamente :

I) (Fi Fj) aplicada a A(Fi Fj) nos da A.
II) (
i
F

1
) ,con 0 , aplicada a A(
i
F ) nos da A.
III) (
i j
F F ) aplicada a A(
i j
F F ) nos da A.


Para facilitar la discusin formal, daremos la siguiente :


Definicin :

Dos matrices A y B se llamaran EQUIVALENTES POR FILAS( anotado A ~ B) si B se
obtiene de A mediante un nmero finito de operaciones elementales por filas.







Resumiremos la discusin anterior con el siguiente :

TEOREMA 2.2:

Los sistemas AX = B y CX = D son EQUIVALENTES si (A |B) ~ (C | D)



El recproco de este teorema no es cierto pues dos sistemas podran ser equivalentes sin que
necesariamente tengan el mismo nmero de ecuaciones. En este caso, las matrices
aumentadas podran tener diferente nmero de filas y por lo tanto podran no ser
equivalentes por filas.

La equivalencia por filas es una relacin, entre matrices, menos estricta que la igualdad,
pero satisface las propiedades esenciales de la igualdad, como veremos en el :


TEOREMA 2.3:

La equivalencia por filas en las matrices de mxn sobre IR es una relacin de equivalencia.
Esto es :

i) A ~ A , (Refleja)
mxn
M A
ii) ( A ~ B ) (B ~ A ) (Simtrica)
iii) [ (A ~ B) ^ ( B ~ C) ] ( A ~ C) (Transitiva)


Como las operaciones elementales por filas sobre la matriz aumentada (A|B) de (2.1)
conducen a una matriz aumentada de un sistema equivalente, trataremos de resolver (2.1)
reduciendo (A|B) a una forma "ms simple". Comenzaremos considerando un ejemplo
especfico de (2.1) donde A y (A|B)
4 4x
M
5 4x
M .

Consideremos el sistema :

24 3 4 2
14 2 3 2
13 3 2
10
4 3 2 1
4 3 2 1
4 3 2 1
4 3 2 1
= + +
= + +
= + +
= + + +
x x x x
x x x x
x x x x
x x x x
(2.2)

La matriz aumentada de (2.2) es


=
24 3 4 1 2
14 2 3 2 1
13 3 1 1 2
10 1 1 1 1
) ( B A (2.3)
Si realizamos las operaciones por filas (
2 1
2 F F + ) , (
3 1
F F + ) ,y (
4 1
2 F F + )
obtenemos :


4 1 2 3 0
4 1 2 3 0
7 1 3 1 0
10 1 1 1 1

la cual, despus de las operaciones por filas (
4 3
F F + ) y (
2
F ),se convierte en :


0 0 0 0 0
4 1 2 3 0
7 1 3 1 0
10 1 1 1 1
Ahora, despus de realizar ( ) , (
1 2
F F +
3 2
3 F F + ) ,
se obtiene :

0 0 0 0 0
25 2 11 0 0
7 1 3 1 0
3 2 2 0 1




la cual, despus de la operacin por fila (
11
1
3
F ), es :

0 0 0 0 0
11
25
11
2
1 0 0
7 1 3 1 0
3 2 2 0 1

Finalmente, efectuando las operaciones (
2 3
3 F F + ) , (
1 3
2 F F + ) , obtenemos

0 0 0 0 0
11
2
1 0 0
0 1 0
0 0 1
11
25
11
2
11
5
11
83
11
18
= (A'|B') (2.4)

La matriz (A'|B') es equivalente por filas a la matriz (A|B) de (1.3), y por lo tanto los
sistemas AX = B y A'X = B' son equivalentes. Escrito en detalle, el sistema A'X = B' es:


0
11
25
11
2
11
83
0 0 0 0
1 0 0
0 1 0
0 0 1
4
3
2
1
11
2
11
5
11
18
x
x
x
x
(2.5)
de donde , escribiendo las ecuaciones equivalentes , tenemos:

11
25
11
2
11
2
11
5
11
83
11
18
4 3
4 2
4 1
=
=
= +
x x
x x
x x

4 3
4 2
4 1
11
2
11
25
11
5
11
2
11
18
11
83
x x
x x
x x
+ =
+ =
=


De nuevo , en forma matricial , podemos escribir IR x
x
x
x
x
x
x
x
x
X

+
+

=
4
4
4
4
4
4
3
2
1
,
11
2
11
25
11
5
11
2
11
18
11
83
, (*)
O bien ,
IR x x X

==
4 4
,
1
11
2
11
5
18
11
0
11
25
11
2
11
83

Si hacemos =
p
X

0
11
25
11
2
11
83
y
4
1
11
2
11
5
18
11
x X
h

= , IR x
4
,

donde es una solucin particular y es una solucin del sistema homogneo
AX=0, cualquiera que sea el escalar .
p
X
h
X
4
x

Podemos decir que efectivamente, como lo indica el TEOREMA 2.1 , toda solucin de
AX = B se puede escribir en la forma
h p
X X +
Ntese que =
p
X

0
11
25
11
2
11
83
satisface (2.1) ,

pues reemplazando 0
11
25
11
2
,
11
83
4 3 2 1
= = = = x y x x x en (2.2) tenemos que



24
11
264
11
100 2 166
0 3
11
25
4
11
2
11
83
2
14
11
154
11
75 4 83
0 2
11
25
3
11
2
2
11
83
13
11
143
11
25 168
0 3
11
25
11
2
11
83
2
10
11
110
0
11
25
11
2
11
83
= =
+
= + +
= =
+
= + +
= =

= + +
= = + + +


Es claro que se ha elegido como variable libre a , ahora si por ejemplo asignamos a
el valor 4 , obtendremos que otra de las infinitas soluciones es :
4
x
4
x

4 3 , 2 , 1
4 3 2 1
= = = = x y x x x

En efecto, reemplazando en (*) :

+
+
=

+
+

=

=
4
3
2
1
4
11
33
11
22
4
11
8 25
11
20 2
4
4
11
2
11
25
4
11
5
11
2
4
11
18
11
83
4
3
2
1

11
11

11
72 - 83

x
x
x
x
X



Ntese que la sucesin de operaciones por filas usadas anteriormente reduciran A a A' y
tambin podran reducir (A|0) a (A'|0), as que la solucin de AX = 0 se obtiene del clculo
anterior.


Una matriz tal como (2.4) se llama MATRIZ ESCALONADA REDUCIDA POR FILAS,
la cual definiremos en forma precisa.





Definicin: Una matriz E est en la forma ESCALONADA REDUCIDA POR FILAS si :

1.- El primer elemento no nulo de cada fila es 1 y la columna en la cual este aparece es una
columna de la matriz identidad.

2.- Las filas nulas de E ,si las hay, estn debajo de todas las filas que tienen elementos no
nulos.

3.- Si el primer elemento de una fila no nula est en las posiciones
) , ( ),....., , 3 ( ), , 2 ( ), , 1 (
3 2 1 r
c r c c c , entonces
r
c c c c < < < < ....
3 2 1
.


Un ejemplo de una matriz en la forma escalonada es la matriz (1.4) obtenida en el ejemplo
anterior. Otra de tales matrices es :

=
0 0 0 0 0 0
1 0 0 0 0 0
0 0 0 1 0 0
0 4 3 0 2 1
E
Para esta matriz, los primeros elementos de una fila no nula estn en las posiciones
(1,1), (2,3), (3,6),esto es, 6 3 1
3 2 1
= < = < = c c c .


En el siguiente teorema, demostraremos que toda matriz A es equivalente por filas a una
matriz en la forma escalonada reducida por filas. Pero antes de proceder a la demostracin
formal haremos las sencillas, pero importantes, observaciones siguientes :

1.- Si A es una matriz cuadrada entonces la matriz escalonada reducida por filas E es
triangular superior.

2.- Si A es cuadrada, entonces E=I salvo que E tenga al menos una fila nula.

3.- La naturaleza de las soluciones de un sistema lineal EX=B', es evidente:

i) NO EXISTE solucin si (E | B') tiene ms filas no nulas que E.

ii) Si E=I, entonces X = B' es la nica solucin de AX = B.

iii) Si E y ambas E y (E | B') tienen r<n filas no nulas, entonces el sistema
mxn
M
AX = B tiene infinitas soluciones ya que r de las incgnitas pueden ser expresadas en
trminos de las restantes n-r incgnitas.

Si definimos el rango de una matriz A , rang(A) , que es equivalente por filas con una
matriz escalonada reducida por filas E, como el nmero de filas no nulas de E , la
observacin 3. se puede reescribir como sigue:

i) NO EXISTE solucin si rang(E | B') > rang(E)

ii) Si E=I, entonces X = B' es la nica solucin de AX = B.

iii) Si E y rang (E) = rang (E | B') = r < n , entonces el sistema
mxn
M
AX = B tiene infinitas soluciones ya que r de las incgnitas pueden ser expresadas
en trminos de las restantes n-r incgnitas.



Ejemplo:
Consideremos el sistema siguiente para estudiar el tipo de solucin:
1 3 2
3 2
6
= +
=
= + +
z y x
z y x
z y x




La matriz ampliada del sistema es la siguiente:


) (
3 1 0 0
2 0 1 0
1 0 0 1
~
3 1 0 0
17 5 1 0
11 4 0 1
~
36 12 0 0
17 5 1 0
11 4 0 1
~
17 5 1 0
36 12 0 0
11 4 0 1
~
17 5 1 0
15 3 3 0
6 1 1 1
~
13 1 5 0
15 3 3 0
6 1 1 1
~
1 1 3 2
3 1 1 2
6 1 1 1
) (
2 3
1 3
3
2 3
1 3
2 3
3 2
3 1
2 1
5
4
12
1 3
2
2
2
B E
B A
F F
F F
F
F F
F F
F F
F F
F F
F F
=


=
+
+

+
+
+
+
+

Como ) ( B E es tal que E=I existe solucin nica dada por X=B= , es decir:

3
2
1
3 , 2 , 1
3 2 1
= = = x x x

Ejemplo: Discutir el sistema siguiente:


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

La matriz ampliada asociada con el sistema es :


) (
0 0 0 0
3 1 0 0
1 0 1 1
~
0 0 0 0
3 1 0 0
4 1 1 1
~
0 0 0 0
9 3 0 0
4 1 1 1
~
9 3 0 0
9 3 0 0
4 1 1 1
~
3 0 3 3
1 1 2 2
4 1 1 1
~
3 0 3 3
4 1 1 1
1 1 2 2
) (
1 2
2
3 2
3 1
2 1 2 1
3
1
3
2
B E
B A
F F
F
F F
F F
F F F F
=

=
+ +
+
+

Luego , rang( ) ( B E = 2 = rang( ) ( B A , y por tanto hay infinitas soluciones, las cuales se
pueden calcular como sigue:

EX=B

asociado homogneo
sistema del soluciones las son X y dado sistema del particular solucin es X donde
0
0
3
0
3
3
y
y 3
X : matricial forma En
3
var
3
3
0
0
3
1
0 0 0
1 0 0
1 1 1
h p
h p
X X
y
z
libre iable y
y x
z
z y x
z
y
x
+ =

+
=
=
=
+ =

=
=



Ejemplo: Discutir el sistema siguiente:


1 3 5 2
23 4 3 5
0 2 3
= + +
= + +
= +
z y x
z y x
z y x

Escalonamos la matriz ampliada del sistema:

) (
1 0 0 0
0 7 19 0
0 2 7 1
~
0 7 19 0
1 0 0 0
0 2 7 1
~
3 7 19 0
1 0 0 0
1 2 7 1
~
3 7 19 0
22 0 0 0
1 2 7 1
~
3 7 19 0
28 14 38 0
1 2 7 1
~
1 3 5 2
23 4 3 5
1 2 7 1
~
1 3 5 2
23 4 3 5
0 1 2 3
) (
3 2
3 2
1 2 2 3
3 1
2 1 1 3
3
2
22
1 2
2
5
B E
F
B A
F F
F F
F F F F
F F
F F F F
=

+
+ +
+
+ +

Aqu , claramente , rang ) ( B E > rang(E) y por lo tanto no existe solucin. Note que si
reescribimos el sistema obtenemos EX=B
1 0
0 7 19
0 2 7
=
= +
=
z y
z y x
, lo cual es una
contradiccin y el sistema es incompatible.

Ejemplo:

Consideremos el sistema dependiente del parmetro a. Discutir el sistema de acuerdo a los
valores de a.

3 24 6 2
5 2 3
1
= +
= +
= + +
z y x
z y x
az y x



Solucin: La matriz ampliada del sistema es :

) (
21 20 2 0 0
4 1 2 0
1 1 1
~
21 20 2 0 0
8 2 4 0
1 1 1
~
5 24 2 8 0
8 2 4 0
1 1 1
~
3 24 6 2
5 2 1 3
1 1 1
) (
2
2
1
2
2
3
3 2
3 2
2 1
B E
a
a
F
a
a
a
a a
B A
F F
F F
F F
=

+
+
+

El rango de ) ( B E ser igual al de E si 5 a .En este caso es posible , despus de algunas
operaciones elementales por filas , que E ~I y por tanto habr nica solucin
En el caso que a=5 , el rango de ) ( B E es mayor que el rango de E y en consecuencia el
sistema es incompatible y no hay solucin.
Adems es imposible que rang( E ) = rang ) ( B E , por lo cual el sistema no pude tener
infinitas soluciones.




TEOREMA 2.4 : Toda matriz A
mxn
M es equivalente por filas a una matriz escalonada
reducida por filas.

Demostracin: Consiste simplemente en la descripcin de un algoritmo que permite llegar
a ese resultado en un nmero finito de pasos (cosa natural dado el carcter finito de la
matriz).
Mediante operaciones elementales del tipo cambio de filas, podemos conseguir que
el primer elemento no nulo de la primera fila est en la primera columna no nula de la
matriz . Es decir las columnas anteriores son todas cero. Usando ese primer elemento no
nulo en la primera fila , podemos hacer nulos los elementos situados debajo de l,
utilizando la operacin elemental de multiplicar una fila por un escalar y sumar a otra . Una
vez conseguido esto, colocamos en la segunda fila aquella (descontando la primera) que
tiene el primer elemento en la columna con el menor ndice posible. Mediante operaciones
elementales podemos conseguir que todos los elementos por debajo de ste sean nulos. Etc.

Ahora veremos un teorema acerca de las soluciones de un sistema homogneo AX = 0.
Este sistema siempre tiene la solucin trivial X = 0 ; lo que uno desea saber es si hay
soluciones no triviales y cundo ocurren.

TEOREMA 2.5:
Sea A y sea B una matriz escalonada reducida por filas, equivalente con A.
Entonces AX =0 tiene solucin no trivial (no nula) si y solo si el nmero de filas no nulas
de B es menor que n. En particular, si A
mxn
M
n
M , entonces AX =0 tiene solamente la s
trivial si y solo si A ~ I.
olucin

Demostracin: Como B es una matriz escalonada reducida por filas, B no puede tener r > n
filas no nulas. Si B tiene n filas no nulas, entonces.

B =

) 0 (
n
I

y BX = 0 solo si X = 0.

Si B tiene r < n filas no nulas, entonces las r ecuaciones no nulas de BX = 0 definen r de
las incgnitas en trminos de las (n - r) restantes cuyos valores se pueden asignar
arbitrariamente (variables libres). Por lo tanto existe solucin no trivial para BX = 0 y por
ende para AX = 0.

En el caso especial en que m = n , AX = 0 tiene solamente la solucin trivial precisamente
cuando B = I , esto es , si y solo si A ~ I.

Si m < n (menos ecuaciones que incgnitas), entonces del teorema (1.5) se tiene que
AX = 0 tiene siempre solucin no trivial. Esto se establece en el siguiente

COROLARIO: Si el sistema homogneo AX = 0 tiene menos ecuaciones que
incgnitas, entonces existe una solucin no nula.

El mtodo de reduccin por filas descrito anteriormente para resolver un sistema AX = 0 ,
esto es reducir la matriz aumentada (A | B) a la forma escalonada es llamado el METODO
DE REDUCCION DE GAUSS-JORDAN. Por cierto que no siempre es necesario reducir
(A | B) a la forma escalonada para simplificar los clculos en la solucin del sistema. En
efecto, a veces se gana en eficiencia si la reduccin por filas llega solamente hasta una
matriz triangular y el sistema resultante se resuelve por simple sustitucin. (Este mtodo se
llama simplemente REDUCCION DE GAUSS).


Ejercicio 6

1- Encuentre la matriz escalonada reducida por filas para:



=
1 2 1
0 3 1
2 1 0
A

=
1 0 0 0 3 1
0 1 0 1 1 2
0 0 1 2 1 3
B


2-Resuelva los sistemas siguientes reduciendo la matriz aumentada a la forma escalonada
reducida por filas. Si el sistema es no homogneo, exprese la solucin en la forma
Xh + Xp :

a)
0 3 7
0 8 10 2
0 5 16 2 3
4 3 2 1
4 3 2
4 3 2 1
= + + +
= + +
= + + +
x x x x
x x x
x x x x
b)
2 3
1 2
2 2 3
2 1
3 2 1
3 2 1
= +
= + +
= +
x x
x x x
x x x


c)
8 2 6 3
1 4 3
5 5 2
4 3 2 1
4 3 2 1
4 3 2 1
= + +
= +
= + + +
x x x x
x x x x
x x x x
d)
2 3 2 2 2
2 3
1 2
4 2 3
4 3 2 1
2 1
3 2 1
3 2 1
= + + +
= +
= + +
= +
x x x x
x x
x x x
x x x


e)
7 2
1 3
2
2 1
3 2
3 1
= +
= +
=
x x
x x
x x
f)
3 3 2 2
1 2 3
2 3 2
5
4 3 1
4 2 1
4 3 2 1
4 3 2 1
= + +
= + +
= + + +
=
x x x
x x x
x x x x
x x x x



g)
0 3 7
6 8 10 2
0 5 16 2 3
4 3 2 1
4 3 2
4 3 2 1
= + + +
= + +
= + + +
x x x x
x x x
x x x x
h)
3 3 2 1
2 3 2 1
1 3 2 1
13 11 5
18 16 9
8 8 7
x x x x
x x x x
x x x x
= + +
=
= + +




i)
3 3 2 1
2 3 2
1 3 1
3 3 4 4
3 4 5
3 4
x x x x
x x x
x x x
= + +
= +
=


3.- Defina en la siguiente relacin :
n
M

A B P tal que
nxn
M AP P B
1
= .
Pruebe que la relacin es refleja, simtrica y transitiva.

4.- Demuestre que si A ~ B entonces AX = 0 y BX = 0 son sistemas equivalentes, pero
el recproco no es cierto.

5.- Resuelva los tres sistemas siguientes, simultneamente, reduciendo por filas la matriz
(A| | | ) :
1
B
2
B
3
B


a) AX = = b) AX = = c) AX = =
donde
1
B

1
1
1
2
B
6 5
5 4
3 2

2
3
1
3
B

2
2
1

=
3
2
1
A
6.- Pruebe que una operacin del tipo I puede realizarse usando solamente operaciones del
tipo II y III


7.- Sea .Resuelva simultneamente los tres sistemas

=
3 4 1
4 3 1
3 3 1
A

AX = (0) , AY = (1 ) , AZ = (0) ,
usando la tcnica sugerida en el problema 6.



8.- Sea E una matriz escalonada con r < m filas no nulas. Demuestre que :
mxn
M
0 ..... 0 ) ( ..... ) ( ) (
3 2 1 2 2 1 1
= = = = = = + + +
r r r
a a a a E F a E F a E F a


9.- Demuestre que una operacin del tipo III sobre AX = B conduce a un sistema
equivalente

10.- Calcule los siguientes productos matriciales :

a) b)

i h g
f e d
c b a
0 1 0
1 0 0
0 0 1

i h g
f e d
c b a
1 0 0
1 k 0
0 0 1

c) d)

i h g
f e d
c b a
k 1 0
0 1 0
0 0 1

0 1 0
1 0 0
0 0 1
i h g
f e d
c b a


e) f)

1 0 0
0 0
0 0 1
k
i h g
f e d
c b a

1 0
0 1 0
0 0 1
k i h g
f e d
c b a






MATRICES ELEMENTALES Y MATRICES INVERSAS.

Si A es equivalente por filas a la matriz identidad I, entonces el sistema AX = B tiene
solucin para todo B. En particular, el sistema tiene solucin para

B = [1,0,0,...,0]t = , B = [0,1,0,...,0]t = ,...,B = [0,0,0,...,0]t = . ) (
1
I C ) (
2
I C ) (I C
n
Estos n sistemas pueden resolverse simultneamente reduciendo por filas la matriz

(A | | | ..... | ) = (A | I). ) (
1
I C ) (
2
I C ) (I C
n

Como A I, esta reduccin por filas nos lleva a la matriz (I | P) donde las columnas de P
son las soluciones de los n sistemas anteriores ; esto es :

A = , A = ,..., A = . ) (
1
P C ) (
1
I C ) (
2
P C ) (
2
I C ) (I C
n
) (I C
n



Estas n ecuaciones son equivalentes a la ecuacin AP = I y la matriz P es un buen
candidato a ser . Para que P sea efectivamente igual a es necesario probar que
PA es igual a I. Obtenemos este resultado como consecuencia del prximo teorema que
establece una conexin importante y til entre las operaciones elementales por filas y la
multiplicacin de matrices.
1
A
1
A



TEOREMA 2.6: Una operacin elemental por filas sobre una matriz A puede ser
reemplazada por una multiplicacin sobre A , por la izquierda, por una matriz identidad
sobre la cual la operacin ha sido efectuada, esto es :

A(O.E.F.) = I(O.E.F.) A.

Demostracin: Usaremos el siguiente hecho:
F
i
(EA) = F
i
(E)A con E = I , es decir
F
i
(A) = F
i
(I)A

Haremos la demostracin considerando cada uno de los tres tipos de operaciones, es decir,
debemos probar que :

I.- A(Fi Fj) = (I(Fi Fj)) A
II.- A(kF
i
) = (I(kF
i
))A , k 0
III.- A ( kF
i
+ F
j
) = (I (kF
i
+ F
j
)) A


I.- Probaremos que las dos matrices tienen las mismas filas y por lo tanto son iguales.
Para la i-sima fila, tenemos :

F
i
[I (F
i
F
j
)A] = [F
i
(I (F
i
F
j
)] A = F
j
(I) A = F
j
(A) = F
i
(A(F
i
F
j
))

Anlogamente, para la j-sima fila, tenemos :

F
j
[I (F
i
F
j
)A] = [ F
j
(I ( F
i
F
j
)] A = F
j
(I)A = F
j
(A) = F
j
(A(F
i
F
j
))

Para la h-sima fila, donde h i , h j , tenemos :

F
h
[ (I(F
i
F
j
)A] = [F
h
(I(F
i
Fj)] A = F
h
(I)A = F
h
(A) = F
h
(A(Fi Fj))

Luego I(F
i
F
j
)A y A(F
i
Fj ) tienen las mismas filas y son iguales.



II.- Procediendo como en el caso de las operaciones del tipo I,
consideremos la j-sima fila, para todo j i :

F
j
[I(kF
i
)A) = F
j
[I(kF
i
)]A = F
j
(I)A = F
j
(A) = F
j
[A(kF
i
)]

Tambin :

F
i
[I(kF
i
) A) = Fi(I(kFi ))A = [kFi(I)]A = kF
i
(A) = F
i
[A(kFi)]

Por lo tanto A(kFi) y I(kF
i
)A tienen las mismas filas y son iguales.

III.- Se deja de ejercicio.
Las matrices I(F
i
Fj ), I(kF
i
) , I(kF
i
+ F
j
) son importantsimas en el desarrollo de
teora de matrices.


Definicin:

Una matriz que se obtiene de la matriz identidad por medio de una sola operacin elemental
por filas se llama MATRIZ ELEMENTAL.
Una matriz de la forma I(F
i
Fj ) es una matriz elemental del tipo I, adems I(kF
i
) es una
matriz elemental del tipo II , y I(kF
i
+F
j
) es una matriz elemental del tipo III.


En trminos de esta definicin, el teorema (2.6) dice que las operaciones elementales por
filas sobre A pueden ser reemplazadas por pre-multiplicaciones por matrices elementales.







TEOREMA 2.7
Una matriz elemental es no-singular y su inversa es una matriz elemental del mismo tipo.

Demostracin:

I.- [I(F
i
Fj )]
-1
= I(F
i
Fj )

II.- [I(kF
i
)]
-1
= 0 k si , ) F
k
1
( I
i



III.- [I(kF
i
+F
j
)]
-1
= I(-kF
i
+F
j
).





Ejemplo:
Encuentre la matriz tal que
3
M A ) ( ) 2 ( ) 5 (
2 1 2 3 3
F F I F F I F I A + = y adems
hallar
1
A

Solucin:

=
5 0 0
2 0 1
0 1 0
1 0 0
0 0 1
0 1 0
5 0 0
2 1 0
0 1 1
1 0 0
0 0 1
0 1 0
1 0 0
2 1 0
0 0 1
5 0 0
0 1 0
0 0 1
A

Para la inversa de A , tenemos que :

[ ]

+ =
+ =
+ =



5
1
5
2
5
1
5
1
1
3
5
1
2 3 2 1
1
1
3
1
2 3
1
2 1
1
1
2 1 2 3 3
1
0 0
0 0 1
1 0
0 0
0 1 0
0 0 1
1 0 0
0 0 1
2 1 0
0 0
0 1 0
0 0 1
1 0 0
2 - 1 0
0 0 1
1 0 0
0 0 1
0 1 0
=
) ( ) 2 ( ) (
) 5 ( ) 2 ( ) (
) ( ) 2 ( ) 5 (
A
F I F F I F F I A
F I F F I F F I A
F F I F F I F I A

Ejemplo : Pruebe que A es invertible, encuentre y exprese A como producto
de matrices elementales

=
1 1
2 1
1
A
Solucin:

1 - 1
2 1 -
A adems y invertible es A y , I ~ Luego
1 1 1 0
2 1 0 1
~
1 1 1 0
0 1 2 1
~
1 1 1 0
0 1 2 1
~
1 0 1 1
0 1 2 1
) (
1 -
2
1 2
2 2 1

=
+
+
A
B A
F F
F F F

Por otro lado I(-F
2
)I(-F
1
+F
2
) A = I y en consecuencia ) 2 (
1 2
F F I +


Luego y por tanto ) ( ) ( ) 2 (
2 1 2 1 2
1
F F I F I F F I A + + =

A = I(F
1
+F
2
) I(-F
2
) ) 2 (
1 2
F F I +







TEOREMA 2.8: A ~ B ssi existe P , producto de matrices
elementales, tal que PA = B.

Demostracin:


) Supongamos que A ~ B y sean E
1
E
2
...E
t
las matrices elementales correspondientes a
las operaciones elementales por filas que reducen A a B. Por teorema (2.6)

E
t
(......(E
2
(E
1
A))) = (E
t
E
t-1
...E
2
E
1
)A = B

y P = E
t
E
t-1
...E
2
E
1
satisface PA =B.



) Supongamos que P = E
t
E
t-1
...E
2
E
1
es un producto de matrices elementales tales que
PA = B , entonces del teorema (2.6) se tiene que A ~ B.


Como P = (E
t
E
t-1
...E
2
E
1
) = (E
t
E
t-1
...E
2
E
1)
I = E
t
(...(E
2
(E
1
(I)))) se puede interpretar la
ecuacin PA = B de la siguiente manera :






COROLARIO:
Si A se reduce a B por medio de una sucesin de operaciones elementales por filas,
entonces la misma sucesin reduce I a una matriz P tal que PA = B. Equivalentemente, si
una sucesin de operaciones elementales por filas reduce
(A | I) a (B | P) , entonces PA =B.

En el caso especial en que A ~ I , el corolario anterior nos dice que si
(A | I) ~ (I | P), entonces PA = I. Este resultado, en combinacin con lo discutido hace
poco, nos indica que P= A
-1
.


TEOREMA 2.9:
Si A se reduce a I mediante una sucesin de operaciones elementales por filas,
entonces la misma sucesin reduce (A | I) a (I | A
-1
).



Este ultimo teorema nos entrega una buena forma para calcular la inversa de una matriz
dada de orden n.


Ejemplo: Encontrar A
-1
si

=
2 1 3
4 1 2
1 0 1
A

Solucin:

+
+
+
+
+
0 1 5
0 1 8
0 1 6
Luego
0 1 5 1 0 0
0 1 8 0 1 0
0 1 6 0 0 1
~
0 1 5 1 0 0
0 1 8 0 1 0
0 1 6 0 0 1
~
0 1 5 1 0 0
0 1 2 2 1 0
0 0 1 1 0 1
~
0 0 3 1 1 0
0 1 2 2 1 0
0 0 1 1 0 1
~
1 0 0 2 1 3
0 1 0 4 1 2
0 0 1 1 0 1
) (
1
2
3
2
2
2 3
1 3
3 2
3 1
2 1
A
I A
F
F F
F F
F F
F F
F F




Ejemplo: Encontrar B
-1
si

=
0 3 1
1 1 2
2 1 3
B


Solucin: Trataremos de evitar lo m s posible el trabajar con fracciones. Indicaremos la
conveniencia de ciertos pasos, marcndolos.


+
+
+

5 8 7 6 0 0
6 6 6 6 6 0
12 18 18 18 0 6
~
5 8 7 6 0 0
1 1 1 1 1 0
2 3 3 3 0 1
~
3 0 1 2 8 0
1 1 0 1 1 0
1 0 0 0 3 1
~
3 0 0 2 8 0
2 1 0 0 7 0
1 0 0 0 3 1
1 0 0 2 1 3
0 1 0 1 1 2
1 0 0 0 3 1
~
1 0 0 0 3 1
0 1 0 1 1 2
0 0 1 2 1 3
) A (
2
F 6
3
F 2
F 8
1
F
3
F 3
3
F
1
F 3
2
F
1
F 2
3
F 1
F
1
6F
3
F
2
F
2
F
3
F
I

+
+
5 8 7
1 2 1
3 6 3
6
1
Luego
6
5
3
4
6
7
1 0 0
6
1
2
1
6
1
0 1 0
2
1
1
2
1
0 0 1
~
5 8 7 6 0 0
1 2 1 0 6 0
3 6 3 0 0 6
~
1
6
1
,
6
1
,
6
1
3 3 2 1
1 3
2 3
A
F F F
F F
F F











TEOREMA 2.10: Sea A , entonces las cuatro condiciones siguientes son
equivalentes
n
M
(1) A tiene inversa por la izquierda
(2) AX = 0 tiene slo la solucin trivial
(3) A es un producto de matrices elementales
(4) A es no-singular o invertible.

Demostracin:

Basta probar que (1) (2) (3) (4) (1)




(1) (2) : Si A tiene inversa por la izquierda, entonces existe B tal que BA = I. Luego
AX = 0 implica BAX = IX = X = B0 = 0.




(2) (3) : Como AX = 0 tiene slo la solucin trivial, tenemos, del teorema (2.5)
que A ~ I. Por teorema (1.8) tenemos PA = I, donde
P = E
1
E
2
...E
t
es un producto de matrices elementales. Luego :
A = P
-1
= (E
1
E
2
...E
t
)
-1
=

(E
t
-1
...E
2
-1
E
1
-1
) es un producto de matrices elementales.

(3) (4) : Si A es un producto de matrices elementales, entonces de los teoremas (2.7) y
(M
4
) se tiene que A es no-singular.

(4) (1) : Es obvio.


El teorema (2.10) nos permite replantear el teorema (2.8) de la siguiente manera :


TEOREMA 2.11: A ~ B Existe P no-singular tal que PA = B.

Demostracin : Ejercicio.









Ejercicio 7

1.- Encuentre las inversas de :

=
14 14 5 4
3 2 5 2
2 5 6 3
2 3 4 2
C ,
4 1 3 2
1 1 2 1
3 2 3 1
2 1 1 2
B ,
5 4 1
4 3 1
3 3 1
A


2.- Demuestre que si A es cuadrada y B es tal que AB = I , entonces B =A-1. (Ayuda :
Use traspuestas)


3.- Resuelva el sistema :

x + 2y + 3z = b1
2x + 4y + 5z = b2
3x + 5y + 6z = b3

donde a) b1 = b2 = b3 = 1
b) b1 = 1 , b2 = -3 , b3 = 5
c) b1 = 0 , b2 = 2 , b3 = -2


4.- Demuestre que si A es no-singular y simtrica, entonces A
-1
tambin es
simtrica.


5.- Encuentre una matriz P no-singular tal que PA = B, donde :

=
1 1 2
2 1 1
1 2 1
,
4 2 1
1 3 4
4 3 2
B A




6.- Demuestre que la traspuesta de una matriz elemental es otra matriz elemental
7.- Encuentre la inversa de

=
4 1 2 1
0 3 1 2
0 0 2 1
0 0 0 1
A

8.- Demuestre que si T es triangular inferior y no-singular, entonces T
-1
es tambin
triangular inferior.

9.- Demuestre que si (A|B) ~ (I|C), entonces C = A
-1
B.
Esta es una forma muy eficiente de calcular A
-1
B ; sela para calcular :

3 1 0 0
0 4 1 0
0 0 3 1
0 0 0 3
0 1 12 8
0 1 4 4
0 1 1 2
1 1 0 1
)
3 0 2
0 1 0
4 1 4
1 0 1
0 1 3
0 0 1
)
2 3
5 2
4 3
2 1
)
1
1
1
c b a


10.- Exprese las matrices siguientes como productos de matrices elementales :

=
4 5 3 2
0 3 1 4
0 0 2 3
0 0 0 1
,
0 0 1
0 1 3
1 0 1
,
2 1
1 2
C B A
11.- Si A, B, C son matrices cuadradas tales que A es invertible y A = BC ,
demuestre que B y C tambin son invertibles.


12.- Sea A= .Pruebe que A es invertible , encuentre A
-1
y exprese A como un
producto de matrices elementales

1 3
4 1

Solucin : A
-1
=


13
1
13
3
13
4
13
1
, A=I(-3F
1
+F
2
)I(13F
2
)I(4F
2
+F
1
)

13.- Sea A= .Pruebe que A es invertible , encuentre A
-1
y exprese A como un
producto de matrices elementales

9 7 3
6 2 1
2 0 0



Solucin:

0 0
3
2 7 12
2
1
2
9 1
A ,
) 9 ( ) 24 ( ) 2 ( ) 2 ( ) ( ) 3 ( ) (
2 3 1 3 1 2 3 3 2 3 1 2 1
F F I F F I F F I F I F F I F F I F F I A + + + + =





























CAPITULO III

DETERMINANTES.

DEFINICION DE DETERMINANTE.

En este captulo introduciremos y estudiaremos determinante, una funcin importante de
M
n
(K) en IR. Aunque histricamente la teora de determinantes precede a la teora de
matrices haremos un tratamiento no clsico que depender esencialmente de los resultados
obtenidos en los captulos I y II. Comenzaremos recordando algunos resultados sobre
matrices elementales.
Recordemos que las matrices elementales son de tres tipos :

I.- I
(F
i
F
j
)
, obtenida de I al intercambiar las filas i y j.

II.- I
(kf
i
)
, obtenida de I al multiplicar la fila i por k 0.

III.- I
(kF
j
+F
i
)
, obtenida de I adicionando k veces la fila j a la fila i.

Hemos visto, tambin, que toda operacin elemental por filas (columnas) sobre A puede
remplazarse al multiplicar A por la izquierda (derecha) por una matriz elemental. Adems,
sabemos que todas las matrices elementales son no-singulares cuyas inversas son matrices
elementales del mismo tipo. Se prob que toda matriz no-singular AM
n
(IR) es un
producto de matrices elementales y si introducimos las matrices singulares I
(0
.
F
i
)
(obtenidas
de I al multiplicar la fila i por 0), tenemos el :

TEOREMA 3.1 Toda A M
n
(IR) es un producto de matrices elementales y matrices
del tipo I
(0
.
F
i
)
.

Demostracin: Por el teorema (1.29), aseguramos la existencia de matrices P y Q no-
singulares tales que :

=
0 0
0 I
PAQ
r
,

donde r es el rango de A.

Se puede verificar fcilmente que :

( ) ( ) (
n r r
F 0
2
F 0
1
F 0
r
I ... I I
0 0
0 I

+ +
=

)
,

as que :

( ) ( ) ( )
1
F 0
2
F 0
1
F 0
1 1 r 1
Q ) I ... I I ( P Q
0 0
0 I
P A
n r r



+ +
=

=

Como P
-1
y Q
-1
son no-singulares, entonces A es un producto de matrices elementales.


Definicin 3.1 Sea det : M
n
(IR) IR una funcin definida por :


1. det(AB) = det(A) det(B) , A,B M
n
(IR).
2. det(I
kF
1
) = k , kK.

La funcin det se llama FUNCION DETERMINANTE y det(A) se llama el
DETERMINANTE de A. Tambin det(A) se denota por |A| .

La forma usual de definir una funcin es dar alguna regla o frmula, para calcular su valor
para cada elemento de su dominio.
En la definicin (3.1) no hemos hecho esto; en cambio hemos enumerado propiedades de la
funcin de las cuales aseguramos que caracterizan completamente a la funcin.
Necesitamos responder las siguientes preguntas:

(1) Existe tal funcin?
(2) Si tal funcin existe, es nica?

La respuesta a ambas preguntas es as, pero no daremos una prueba directa.

NOTA : La definicin (3.1) puede reducirse a la propiedad 1. haciendo lo siguiente:

Sea f: M
n
(K) K una funcin no constante tal que
f(AB) = f(A) f(B), A, B M
n
(K)

Pruebe que :
i) f( I ) = 1
ii) f( I
kF
j
+ F
i
) = 1 , kK
iii) f( I
F
i
F
j
) = 1

Nuestro siguiente teorema establece el valor de det(E) si E es una matriz elemental.


TEOREMA 3.2

1. det(I
kF
j
) = k , para j = 1,2,...,n y kK.

2. det(I
kF
j
+ F
i
) = 1

3. det(I
F
i
F
j
) = -1


Demostracin:

1) En primer lugar ntese que I = I
(1F
1
)
, as que de la primera condicin de la
definicin (3.1) , det (I) = 1. Usando las propiedades de det dadas en la definicin (3.1) , la
conmutatividad de la multiplicacin en K, y las identidades (Problema 2)

I
(kF
j
)
= I
(F
j
F
1
)

.
I
(kF
1
)

.
I
(F
j
F
1
)
y I
(F
j
F
1
)

.
I
(F
j
F
1
)
= I

tenemos :

det (I
kF
j
) = det (I
F
j
F
1
) det (I
kF
1
) det (I
F
j
F
1
)
= det (I
kF
1
) det ( I
F
j
F
1
I
F
j
F
1
)
= det (I
kF
1
) det (I)
= k
.
1
=k


2) Si k = 0 entonces I
(kF
j
+ F
i
)
= I y det (I
kF
j
+F
i
) = det (I) = 1


Si k 0 , de las identidades :

I
(kF
j
+ F
i
)
= I
(k
-
1
F
j
)

.
I
(
1
F
j
+F
i
)

.
I
(kF
j
)
y I
(k
-1
F
j

)

.
I
(kF
j
)
= I ,

tenemos :

det(I
kF
j
+F
i
) = det (I
k
-1
F
j
)
.
det (I
1
F
j
+F
i
)
.
det(I
kF
j

)
= det (I
1
F
j

+F
i

)
.
det (I
k
-1
F
j

I
kF
j

)
= det (I
1
F
j
+F
i
)
.
det (I)

det (I
kF
j
+F
i
) = det (I
1
F
j
+F
i
) (*)

Adems : (I
1F
j
+F
i
)
2
= I
2F
j
+F
i
,

as que del ltimo paso, (*), se obtiene que :

det (I
1F
j
+F
i
) = det (I
2F
j
+F
i
) = det (I
1F
j
+F
i
)
2


Por lo tanto: det(I
1Fj +Fi
) = 1 det(I
1Fj +Fi
) = 0


En el ltimo caso, como I
1F
j
+F
i


.
I
-1F
j
+F
i
= I tendramos que

det (I) = 0. Como esto es una contradiccin se debe tener que :

det(I
kF
j
+F
i
) = det(I
1F
j
+F
i
) = 1 , k K.


3) Calculando directamente (problema3) se puede establecer la identidad :

I
(F
i
F
j
)
= I
(-F
i
)
.
I
(1F
i
+F
j
)
.
I
(-F
j
+F
i
)

.
I
(1F
i
+F
j
)


De esta identidad y de los resultados anteriores, tenemos:

det(I
F
i
F
j

) = det(I
-F
i
) det(I
1F
i
+F
j
) det(I
-F
j
+F
i
) det(I
1F
i
+F
j
)

det(I
F
i
F
j
) = -1
.
1
.
1
.
1 = -1.

Los teoremas (3.1) y (3.2) nos dan una manera de calcular el det(A) para cualquier
A
n
(K). Podemos expresar A como un producto de matrices elementales,
y luego tenemos que det(A) = det(E
1
)
.
det(E
2
) ... det(E
n
). El teorema
(3.2) tambin nos dice como cambia el det(A) s se realiza una operacin elemental sobre
A. Especficamente tenemos el siguiente:
m 2 1
E ... E E A =


COROLARIO :

1. Si B se obtiene de A al dividir una fila (columna) de A por k, entonces det(A) = k
det(B).

2. Si B se obtiene de A al reemplazar una fila (columna) de A por si misma mas k veces
otra fila (columna) , entonces det (B) = det (A).

3. Si B se obtiene de A al intercambiar dos filas (columnas) de A, entonces
det(B) = -det (A).

El corolario nos da una forma razonable y eficiente para evaluar el det(A), la cual
ilustraremos ahora.


Si , entonces usando las operaciones -2F1+F2 ,

0 3 1
1 4 2
3 2 1

-F
1
+F
3
, -2c
1
+c
2
, -3c
1
+c
3
, 3c
2
+c
3
, F
2
F
3
,
5
1
F
3
, para reducir A a I , tenemos :

=
5 0 0
0 1 0
0 0 1
det
' 0 1 0
5 0 0
0 0 1
det
3 1 0
5 0 0
0 0 1
det
3 1 0
5 0 0
3 2 1
det ) A det(

det(A) = 5 det (I) = 5.


Consideremos una matriz AM
n
(K). Por el teorema (3.1) , podemos escribir
donde cada E
i
es ya sea una matriz elemental o una de las matrices
singulares I
(0
.
F
i
)
. Si el producto anterior no contiene factores del tipo I
(0
.
F
i
)
, entonces
det(A) = 0 y A es un producto de matrices no-singulares y por lo tanto es no-singular.
Por otro lado, si est presente un factor singular del tipo I
(0
.
F
i
)
, entonces A tambin es
singular, y det(A) = 0. Combinando este resultado con el teorema (2.18) obtenemos el :
n 2 1
E ... E E A =


TEOREMA 3.3 : Sea AM
n
(K). Entonces:
det(A) = 0 A es no-singular
las filas (columnas) de A son linealmente
independientes.
Ejercicio 1

1.- Calcule det(A), det(B), det(C), donde :

=
12 8
3 5
A

=
4 2 1
1 3 4
4 3 2
B

=
4 1 3 2
1 1 2 1
3 2 3 1
2 1 1 2
C


2.- Demuestre que: I
(kF
j
)
= I
(F
j
F
1
)

.
I
(kF
1
)

.
I
(F
j
F
1
)


3.- Demuestre que :

I
(F
i
F
j
)
= I
(-F
i
)

.
I
(1F
i
+F
j
)

.
I
(-F
j
+F
i
)

.
I
(1F
i
+F
j
)


4.- Demuestre que el corolario al teorema (3.2) se tiene a partir del teorema (3.2).


TEOREMA 3.4 Si AM
n
(K) y A
t
es su traspuesta, entonces det(A) = det(A
t
).


Demostracin :

Si A es singular, tambin lo ser A
t
, y en ambos casos det(A) = 0 = det(A
t
).
Si A es no-singular, entonces A es un producto de matrices elementales que no contiene
factores del tipo I
(0
.
F
i
)

i) Si E = I
F
i
F
j

entonces E
t
= E y por lo tanto
det(E) = det(E
t
)

ii) Si E = I
(kF
i
)
entonces E
t
= E y por lo tanto
det(E) = det(E
t
)

iii) Si E = I
kF
j
+F
i
entonces E
t
= I
kF
i
+F
j
por lo tanto
det(E) = det(E
t
) , pues det(I
kF
i
+F
j
) = 1.

En consecuencia si E es una matriz elemental
det(E) = det(E
t
)

Escribiendo A como un producto de matrices elementales E
i
se tiene
m 2 1
E ... E E A =
Entonces
A
t
= E
t
m
... E
t
2
E
t
1
, y por lo tanto

det(A
t
) = det(E
t
m
) ... det(E
t
2
) det(E
t
1
)

= det(E
m
) ... det(E
2
) det(E
1
)

= det(E
1
) det(E
2
)...det(E
m
)

= det(E
1
E
2
... E
m
)

= det(A).



EL DESARROLLO DE LAPLACE.

Desarrollaremos algunas propiedades adicionales de la funcin determinante. Estas
propiedades nos ayudaran a calcular eficientemente det(A) y nos darn claridad de como
resolver las inquietudes tericas de existencia y unicidad surgidas al comienzo del captulo
III. Comenzaremos con el:

TEOREMA 3.5 det(A) es una funcin lineal respecto de las filas (columnas) de A; es
decir, si F
i
(A) = F + G , entonces:

=
+

) A ( F
) A ( F
G
) A ( F
) A ( F
det
) A ( F
) A ( F
F
) A ( F
) A ( F
det
) A ( F
) A ( F
G F
) A ( F
) A ( F
det ) A det(
n
1 i
1 i
1
n
1 i
1 i
1
n
1 i
1 i
1



Demostracin : Como ya sabemos lo que ocurre cuando se intercambian filas, basta probar
el teorema para el caso i = 1,es decirF
1
(A) = F+G.

CASO 1: Si el conjunto {F
2
(A), F
3
(A),..., F
n
(A)} es linealmente independiente entonces
es posible encontrar R M
1xn
(K), tal que {R, F
2
(A),...,F
n
(A)} es base para M
1xn
(K)
(teorema 2.14). Por lo tanto existen
i
,
i
nicos tales que :

F =
1
R +
2
F
2
(A) +...+
n
F
n
(A)
G =
1
R +
2
F
2
(A) +...+
n
F
n
(A) ,

luego F
1
(A) = F+G = (
1
+
1
)R + (
2
+
2
)F
2
(A) +...+ (
n
+
n
)F
n
(A)

Usando solamente operaciones elementales por filas del tipo III, podemos reducir

y del corolario al teorema (3.2) tenemos

) A ( F
) A ( F
F
n
2
= a

+ + +
) A ( F
) A ( F
) A ( F ... ) A ( F R
n
2
n n 2 2 1

) A ( F
) A ( F
R
n
2
1

y del corolario al teorema (3.2) tenemos:
det =

) A ( F
) A ( F
F
n
2


) A ( F
) A ( F
R
det
n
2
1
Anlogamente, tenemos:

det = det = det

) A ( F
) A ( F
G
n
2

+ + +
) A ( F
) A ( F
) A ( F ... ) A ( F R
n
2
n n 2 2 1

) A ( F
) A ( F
R
n
2
1

det =
1
det

) A ( F
) A ( F
G
n
2

) A ( F
) A ( F
R
n
2

Por otra parte:

det = det

+
) A ( F
) A ( F
G F
n
2
( ) ( ) ( )

+ + + + + +
) A ( F
) A ( F
) A ( F ... ) A ( F R
n
2
n n n 2 2 2 1 1
= det
( )

+
) A ( F
) A ( F
R
n
2
1 1

det =

(
1
+
1
) det =
1
det +
1
det

+
) A ( F
) A ( F
G F
n
2

) A ( F
) A ( F
R
n
2

) A ( F
) A ( F
R
n
2

) A ( F
) A ( F
R
n
2

Por lo tanto :

det =

det + det

+
) A ( F
) A ( F
G F
n
2

) A ( F
) A ( F
F
n
2

) A ( F
) A ( F
G
n
2



CASO 2: Si el conjunto {F
2
(A), F
3
(A),...,F
n
(A)} es linealmente dependiente, entonces las
matrices :

+
) A ( F
) A ( F
G F
n
2
, ,

) A ( F
) A ( F
F
n
2

) A ( F
) A ( F
G
n
2

son singulares y, por el teorema (3.3) los tres determinantes son nulos.

Usando trasposicin y un argumento similar se obtiene el caso de las columnas.


Ejemplo Una aplicacin del teorema que el estudiante no debe olvidar es la obtencin
de la frmula para el determinante de una matriz de 2x2.


Sea A = M
2
(IR) , entonces

d c
b a

d c
b a
det = + =

e c
0 a
det

e c
b 0
det

e c
0 1
det a +

e c
1 0
det b

=

1 0
1 0
det e
0 1
1 0
det c b
1 0
0 1
det e
0 1
0 1
det c a

=ac
.
0 + ad det(I) + bc det(I
F1F2
) + bd
.
0

=ad - bc

Luego

d c
b a
det = ad-bc o
d c
b a
=ad-bc


Podemos usar la propiedad de linealidad dada en el teorema (3.5) para expresar det(A) en
trminos de los determinantes de matrices ms pequeas. Para ello necesitamos hacer la
definicin siguiente.


Definicin 3.2 : Para una matriz A M
n
(K) sea M
ij
(A) la submatriz de A de orden
(n-1) obtenida al eliminar la fila i y la columna j de A :

M
ij
(A) se llama el MENOR DE a
ij


A
ij
= cof
ij
(A) = (-1)
i+j
det(M
ij
(A) se llama el COFACTOR de a
ij


Ejemplo 1 :

Para

=
9 8 7
6 5 4
3 2 1
A

tenemos :

=
5 4
2 1
) A ( M ,
9 7
6 4
) A ( M
3 3 2 1


mientras que :

A
1 2
= (-1)
1+2
det(M(A)) = - det = - (-6)= 6

9 7
6 4


y A
33
= (-1)
6
det(M
33
(A)) = det = -3

5 4
2 1

TEOREMA 3.6 Si B M
n
(K) tiene la forma

=
1 n
11
1 2
b
.
) B ( M .
.
b
0 . . . 0 1
B


entonces det(B) = det(M
11
(B)) = B
11
= cof
11
(B)

Demostracin : Mediante operaciones elementales por filas del tipo III, B se puede reducir
a :

) B ( M 0
0 1
11


as que del corolario al teorema 3.2

det(B) = det

) B ( M 0
0 1
11

Sea E
1
... E
t
= M
11
(B) una representacin de M
11
(B) como un producto de matrices
elementales de orden (n-1). Entonces

) B ( M 0
0 1
E ... E E 0
0 1
E 0
0 1
...
E 0
0 1
E 0
1 0
11 t 2 1 t 2 1



Como

i
E 0
0 1

y E
i
son matrices elementales del mismo tipo, sus determinantes son iguales, lo que prueba
el teorema.



Det(A) = , el desarrollo por cofactores de la columna j

=
n
1 i
ij ij
A a
y

Det(A) = , el desarrollo por cofactores de la fila i

=
n
1 j
ij ij
A a



Ejemplo2 : Consideremos la matriz

=
9 4 1
3 2 1
6 4 2
A


Desarrollando por la tercera columna, tenemos:


Det (A)= 6
.

(-1)
1+3

.
det + 3
.
(-1)
2+3 .
det + 9
.
(-1)
3+3 .
det

4 1
2 1

4 1
4 2

2 1
4 2


Det (A)= 6
.

det
.
3
.
det + 9
.
det

4 1
2 1

4 1
4 2

2 1
4 2


Desarrollando cada uno de los determinantes restantes por la primera fila, tenemos:


det (A) = 6
.
(1
.
4 2
.
1) 3
.
(2
.
4 4
.
1)+ 9
.
(2
.
2 4
.
1) = 0


Uno normalmente evala los determinantes usando el teorema (3.7) y el corolario al
teorema (3.2) . El proceso ser ilustrado en el ejemplo siguiente:


Ejemplo 3 : Encuentre det (A) para

=
0 3 2 1
1 1 1 4
2 0 2 2
3 2 1 1
A


Solucin :

Usando operaciones por filas del tipo III, tenemos:


det (A) = det = det

0 3 2 1
1 1 1 4
2 0 2 2
3 2 1 1

3 1 3 0
13 9 5 0
4 4 4 0
3 2 1 1

Ahora, desarrollando por la primera columna, se tiene:


det (A) = det = 4 det



3 1 3
13 9 5
4 4 4



3 1 3
13 9 5
1 1 1

Realizando dos operaciones por columnas del tipo III y desarrollando por la primera fila, se
obtiene:

det (A) = det = 4 det = 4 det



3 1 3
13 9 5
1 1 1


0 4 3
8 4 5
0 0 1


0 4
8 4


Finalmente volviendo a desarrollar por la primera fila, se tiene:

det (A) = 4
.
(-4
.
0 (-8)
.
4) = 128

Como se ilustr en el caso 2x2, la propiedad de linealidad del teorema (3.5)nos da una
forma sistemtica de encontrar una frmula para el det (A) en trminos de los elementos de
A. Aunque esta frmula en general ser complicada y difcil de trabajar, su existencia es de
importancia ya que disipar cualquier duda acerca de la unicidad de la funcin
determinante.
No es difcil ver que:


det (A) = ) 1 . 3 ( , a ... a a ) (
n
2 1
ij ij ij



donde la suma se toma sobre los n! Posibles arreglos de los segundos subndices, y el signo
algebraico que precede cada trmino est completamente determinado por los arreglos de
los segundos subndices. Especficamente, el signo que precede al trmino
es el mismo que el de
n
2 1
ij ij ij
a ... a a

) e , ... , e , e ( det
n
2 1
j j j


Ntese que cada trmino de (3.1) contiene exactamente un elemento de cada fila y de cada
columna de A.

La inquietud sobre la existencia podra ahora ser resulta demostrando que una funcin
definida por (3.1) satisface las dos propiedades de la definicin (3.1). Nosotros no daremos
una prueba general para esto, pero los casos n = 2 y n = 3 sern considerados en los
problemas 6 y 7 del ejercicio 2.


Ejercicio 2 :

1.- Calcule det (A), det (B) y det (C) , para


=
3 2
7 5
A , ,


=
1 0 0
3 5 0
2 1 3
B

=
1 1 1 1
2 1 1 1
3 2 1 1
4 3 2 1
C

=
2 16 3 7 7
4 10 3 6 1
3 5 1 2 2
1 11 2 4 5
0 6 1 2 3
D


2.- Usando el teorema (3.5) encuentre

det

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a

compare con la ecuacin (3.1)

3.- Demuestre que si T = ( t
ij
) es triangular, entonces

=
= =
n
1 i
ii nn 22 11
t t ... t t ) T det(

4.- Si A se particiona como

=
22
11
A 0
0 A
A

Demuestre que det(A) = det (A
22
). Ser vlido esto si uno de los bloques de la
contradiagonal es no nulo?

5.- Complete la demostracin del teorema (3.5)

6.- Defina una funcin f : M
2
(K) K por

= =
22 21
12 11
12 21 22 11
a a
a a
A , a a a a ) A ( f

Demuestre que f satisface la condicin (3.1)

7.- Defina una funcin f : M
3
(K) K por

31 22 13 33 21 12 32 23 11 32 21 13 31 23 12 33 22 11
a a a a a a a a a a a a a a a a a a ) A ( + + = f

Demuestre que f satisface la definicin (3.1)

(Ayuda: Para probar que f(AB) = f(A)
.
f(B) considere primero el caso en que A es una
matriz elemental ).

8.- Si A y D son matrices cuadradas y det (A) 0 , demuestre que

) B A C D ( det ) A ( det
d c
b a
det
1
=



A que se reduce esto si A y C conmutan? Si A y B conmutan?
(Ayuda: primero verifique la factorizacin



I 0
B A I
B A C D 0
0 A
I A C
0 I
d c
b a
1
1 1


luego use los problemas 3 y 4)


9.- Demuestre que:

Det (V) = ,

<

n j i 1
i j
) x x (

Donde V es la matriz de Vandermonde.

=
1 n
n
1 n
3
1 n
2
1 n
1
3
n
3
3
3
2
3
1
2
n
2
3
2
2
2
1
n 3 2 1
x . . . . x x x
. . . .
. . . .
. . . .
x x x x
x . . . . x x x
x . . . . x x x
1 . . . . 1 1 1
V

Se deduce que V es no-singular si x
1
x
j
para i

j

(Ayuda: Aplique a V la siguiente sucesin de operaciones elementales:
-x
1
F
n-1
+F
n
, -x
1
F
n-2
+F
n-3
, ..., -x
1
F
2
+F
3
, -x
1
F
1
+F
2
)

10.- Complete la demostracin del teorema (3.7)


ADJUNTAS E INVERSAS

En esta parte desarrollaremos algunos resultados clsicos relacionados con determinantes y
matrices. En particular, encontraremos una frmula explicita para A
-1
y estableceremos la
Regla de Cramer para resolver el sistema lineal AX=B en el caso en que la matriz de
coeficientes es invertible. Aunque estos dos resultados son de inters histrico y terico no
son considerados herramientas muy eficientes para los clculos.


Definicin 3.3 : Para A M
n
(IR) la matriz Adj(A), la ADJUNTA se A, se define como la
traspuesta de la matriz obtenida de A al reemplazar cada elemento por su cofactor. Es decir:


ji ji ij
i j
ij
A ) A ( cof )) A ( M det( ) 1 ( ) A ( elem = = =
+
, o bien:

Adj(A) =
t
A . . A A
. . .
. . .
. . .
A A A
A . . A A
nn 1 n 1 n
n 2 22 21
n 1 12 11


Ejemplo 1 : Considere la matriz

=
9 4 1
3 2 1
6 4 2
A

cuyo determinante es 24 , det (A) = 24, como se puede verificar.
Entonces:

6
9 4
3 2
) 1 ( A
2
11
= =
12
9 1
3 1
) 1 ( A
3
12
=

=


6
4 1
2 1
) 1 ( A
4
13
=

=
12
9 4
6 4
) 1 ( A
3
21
= =


4
4 1
4 2
) 1 ( A
5
23
= =
0
3 2
6 4
) 1 ( A
4
31
= =

12
9 1
6 2
) 1 ( A
4
22
= =
12
3 1
6 2
) 1 ( A
5
32
=

=


8
2 1
4 2
) 1 ( A
6
33
=

=



Por lo tanto:



Adj(A) = = =
t
A A A
A A A
A A A
33 32 31
23 22 21
13 12 11

t
8 12 0
4 12 12
6 12 6

8 4 6
12 12 12
0 12 6


Adj(A) = = |A| I ,

9 4 1
3 2 1
6 4 2

8 4 6
12 12 12
0 12 6

24 0 0
0 24 0
0 0 24

Es decir: A
.
Adj(A) = det (A)
.
I

El resultado sugerido por el ejemplo anterior es vlido en general como lo probaremos en
l:

Teorema 3.8 : Para cualquier B M
n
(K) se cumple que:

B
.
Adj (B) = Adj(B)
.
B = det (B)
.
I

Demostracin :

i) Para los elementos de la diagonal de B
.
Adj(B), tenemos

=
=
n
1 k
ki ik
.
ii
) ) B ( Adj ( elem b ) ) A ( Adj B ( elem

=
=
n
1 k
ik ik
B b
) B det( =

ya que este es el desarrollo de Laplace para det (B) por la fila i.


ii) Para los elementos que no estn en la diagonal de B Adj(B), tenemos



= =
= = =
n
1 k
jk ik
n
1 k
kj ik ij
0 A b ) ) B ( Adj ( elem b ) ) B ( Adj B ( elem

ya que representa el desarrollo de Laplace, por la fila j, de una matriz con filas iguales. (B
con F
i
(B) reemplazada por F
j
(B) ). Por lo tanto B
.
Adj(B) = det (B)
.
I. Un argumento
anlogo prueba que Adj(B)
.
B = det (B)
.
I

Teorema 3.9 : Si det (A) 0 , entonces A es no-singular y

) A ( Adj
) A det(
1
A
1
=



Demostracin : Por el teorema 3.8, tenemos que:

A
.
Adj (A) = Adj(A)
.
A = det (A)
.
I / : det (A) 0

I A
) A ( det
) A ( Adj
) A ( det
) A ( Adj
A = =
Luego por definicin y unicidad de la matriz inversa, existe A
-1
y es :


) A ( Adj
) A ( det
1
A
1
=



Para la matriz A del ejemplo anterior:



8 4 6
12 12 12
0 12 6
24
1
A
1



Mientras que la frmula para A
-1
dada para el teorema 3.9 es til en el desarrollo terico, no
lo es para un clculo rpido de A
-1
. El estudiante puede verificar que adems de usar las
tcnicas del captulo I debe calcular n
2
determinantes necesarios para la Adj(A).


Teorema 3.10 : (REGLA DE CRAMER)

Si A es no-singular de orden n, entonces la nica solucin x = (x
1
x
2
... x
n
)
t
del sistema
lineal AX=B est dada por:

) A ( det
) A ( det
x
B C
i
i

= , i = 1,2, ..., n

donde es A con su columna i reemplazada por B.
B C
i
A


Demostracin : Del teorema 3.9 , tenemos

B ) A ( Adj
) A ( det
1
B A x
1
= =



y por lo tanto


= =
= =
n
1 J
ji j
n
1 j
j ij i
A b
) A ( det
1
b ) ) A ( Adj ( elem
) A ( det
1
x ,

que es el desarrollo de Laplace, por la columna i, de


) A ( det
) A ( det
1
B C
i



Luego:

) A ( det
) A ( det
1
x
B C i
i

=



Ejemplo 2 Resolver el sistema lineal:

1 t s 3 r 2
5 t s r
4 t s 2 r
= +
= +
= + +



Solucin : Por el teorema 3.10 encontramos que :




1 1
1 2
2
1 3
1 2
1
1 3
1 1
1
1 1
1 2
1
1 3
1 2
5
1 3
1 1
4
1 3 2
1 1 1
1 2 1
1 3 1
1 1 5
1 2 4
r

=



9
20
) 3 ( 2 ) 5 ( 2
3 ) 5 ( 5 ) 2 ( 4
r =
+
+
=

Anlogamente:



9
3
1 3 2
1 1 1
1 2 1
1 1 2
1 5 1
1 4 1
s

=

= y
9
22
1 3 2
1 1 1
1 2 1
1 3 2
5 1 1
4 2 1
t =

=

La regla de Cramer es razonablemente eficiente para n = 2 o 3 pero en general es ms
eficiente resolver un sistema lineal usando las tcnicas para reducir por filas. La regla de
Cramer es til si se est interesado en una sola de las incgnitas del sistema.


Ejercicio 3

1.- Usando el teorema 3.9 encuentre:

y
1
4 2 1
1 3 4
4 3 2

1
8 2 1 4
2 3 6 3
4 3 3 2
3 2 5 2


2.- Exprese det (Adj(A)) en trminos de det (A) para A M
n
(IR)

3.- Usando la regla de Cramer resuelva:



1
2
3
z
y
x
1 1 2
2 1 1
1 2 1

4.- Encuentre x
3
si:

0
0
0
1
x
x
x
x
8 5 4 3
5 5 3 2
4 3 2 1
1 1 1 1
4
3
2
1


PROFESOR MAT - 141-2010-1
WILFRED FLORES ALGEBRA LINEAL
GUIAS N1 Y 2
1) Determine el orden de cada matriz
A =
|
|

'

3 2
0 1
,B=
|
|

'

3 2 1
1 3 2
,
|
|
|

'

=
2
1
3
C G=, ) 5 3 1 4 ,H=(1)
2) En el ejercicio 1 , si B = (b
ij
) , G = (g
i
) . Determine :
b
12
, b
23
, b
22
, g
2
, g
4
3) Determine la matriz 2x2 , A = (a
ij
) donde a
ij
= i + j 2
4) Construya un ejemplo de matriz 3x3 , (c
ij
) que satisfaga
c
ij
= -c
ji
5) Determine la matriz 3x4 , A = (a
ij
) tal que :

=
= +
=
j i si
j i si j i
a
ij
0
6) Sean A = (a
ij
) M
60x60
(R) , B = (b
ij
) M
60x60
(R) definidas
por :
5i si j > 40
a
ij
=
2j si j s 40
2j si i > 40
b
ij
=
5i si i s 40
Sean
C = (A + B)
T
; D = A B
i) Calcule elem
10,50
(C)
ii) Calcule elem
10,50
(D)
7) Sean A = (a
ij
) M
60x60
(IR) , B = (b
ij
) M
60x60
(IR) definidas
por :
5 si j > 40 2 si j > 40
a
ij
= b
ij
=
2 si j s 40 5 si j s 40
Sean : C = A + B
D = A B
E = B A
i) Calcule elem
20,50
(C)
ii) Calcule elem
20,50
(D)
iii) Calcule elem
20,50
(E)
8) Efecte las operaciones indicadas:
a)
|
|

'

+
|
|

'

8 2 1
2 1 0
7 4 1
5 1 2
b)
t t
|
|

'



|
|

'

0 3 2
3 2 1
2
7 3 1
4 1 2
3
c)
|
|

'

+
|
|

'

+
|
|

'

1 2
2 1
5
1 2
2 1
2 5
1 3
4
t
9) Si
4 2 3 -1 1 2
A = y B =
-1 5 1 0 0 3
Verifique :
(A + B)
T
= A
T
+ B
T
10) Sean
8 0 1 0 1 2 3 1 1
A = 3 4 1 B = 3 0 1 C = 4 -5 1
1 0 1 1 0 1 6 -1 3
Determinar:
a) A + B - C b) 1 A - 3 C c) A B d) A
2
+ AB - B
2
2 4
f)
T
AB) (
11) Si
3 2 -1 4 4 2
A = 1 6
1 6 8 5 B = 8 5
-1 0
Verifique que (A B)
T
= B
T
A
T
12) Dado
1 1 1 2 1 3 0 \2
A = B = C = D =
0 1 2 0 3 1 \2 0
Verifique que :
a) (A B) C = A (B C) b) A
2
- D
2
= (A + D)(A - D)
c) (A + B)(B - A) = A
2
- B
2
- A B + B A
13) Determine el valor de las variables de modo que las
siguientes igualdades sean vlidas:
3 -1 y+2 z
x 0 = 4 t-1
14) Si
1 -1 3 1
A = 2 2 , B =
1 0 -4 4
Existe matriz C tal que C A = B ?
15) Sean A,B matrices de orden 2 tales que A B = I.Demuestre que
tambin B A = I
16) Hallar todas las matrices que conmutan con
1 1
A =
0 1
17) Si A,B,C e M
n
( K) tal que A = B + C, C
2
= 0 y B,C conmutan.
Demuestre que A
n+1
= B
n
[B + (n + 1)C ] n e IN
18) Resuelva los siguientes sistemas para X e Y
a) 2 1 0 | b) 1 -2 |
X + 2Y = | X - Y = |
1 -1 2 | -1 3 |
| |
1 2 -1 | 3 0 |
2X + 3Y = | X + Y = |
2 0 1 | 3 1 |
--------------------------- --------------------
19) Muestre que las matrices :
1 0 4 0 3 -2
0 1 ; 0 4 y -1 2
son soluciones de la ecuacin matricial
x
2
- 5x + 4I = 0
20) Verifique que la matriz
3 1
X = es solucin de la ecuacin
-1 2
X
2
- 5X + 7I = 0
21) Sea
1 1 1
A = 1 1 1 Encuentre la forma general de
1 1 1 A
n
,neN y prubelo por induccin.
22) Pruebe que A(x) A(y) = A(x+y) si
1 0 0
A(x) = x 1 0
x
2
x 1
2
23) Sea
1 1 0
A = 0 1 1
0 0 1
Demuestre por induccin que:
1 n n(n+1)
2
A
n
= 0 1 n
0 0 1
24) (Matriz de Produccin).Una empresa que fabrica televisores
produce tres modelos con distintas caractersticas en tres
tamaos diferentes. La capacidad de produccin (en miles) en
su planta de Santiago est dada por la matriz A.
Modelo I Modelo II Modelo III
Tamao I(20 pulg) 5 3 2
Tamao II(23 pulg) 7 4 5 = A
Tamao III(26 pulg) 10 8 4
(Esto significa que la capacidad de la planta es de 5000
televisores,modelo I de 20 pulg, 8000 televisores modelo II
de 26 pulg. etc)
La capacidad de produccin en la planta de Temuco est dada
por la matriz B.
Modelo I Modelo II Modelo III
Tamao I 4 5 3
Tamao II 9 6 4 = B
Tamao III 8 12 2
a) Cul es la capacidad de produccin total en las dos
plantas?
b) Si la empresa decide incrementar su produccin en
Santiago en un 20% Cul ser la nueva produccin en su
planta?.
25) (Costos de Transporte). Una compaa tiene plantas en tres
localidades X, Y y Z, y cuatro bodegas en los lugares
A,B,C y D. El costo (en dlares) de transportar cada unidad
de su producto de una planta a una bodega est dado por la
matriz siguiente :
A X Y Z
A 10 12 15
B 13 10 12
C 8 15 6
D 16 9 10
a) Si los costos de transporte se incrementan uniformemente
en $1 por unidad. Cul es la nueva matriz?
b) Si los costos de transporte se elevan en un 20%, escriba
los nuevos costos en forma matricial.
26) (Valoracin de inventarios). Un comerciante de televisores a
color tiene 5 televisores de 26 pulg, ocho de 20, cuatro de
18 pulg y 10 de 12 pulg. Los televisores de 26 pulgadas se
venden en $650 c/u, los de 20 en $550 c/u, los televisores
de 18 pulg en $500 c/u y los de 12 se venden en $300 c/u.
Exprese el precio de venta total de su existencia de
televisores como el producto de dos matrices.
27) (Costos de materias primas). Una empresa utiliza tres tipos
de materias primas M
1
, M
2
y M
3
en la elaboracin de dos
productos P
1
y P
2
. El nmero de unidades de M
1
, M
2
y M
3
usados por cada unidad de P
1
son 3, 2 y 4 , respectivamente
y por cada unidad de P
2
son 4, 1 y 3 respectivamente.
Suponga que la empresa produce 20 unidades de P
1
y 30
unidades de P
2
a la semana. Exprese las respuestas a las
preguntas siguientes como productos de matrices.
a) Cul es el consumo semanal de las materias primas?
b) Si los costos por unidad (en dlares) para M
1
, M
2
y M
3
son 6, 10 y 12 , respectivamente. Cules son los costos
de las materias primas por unidad de P
1
y P
2
?
c) Cul es la cantidad total gastada en materias primas a
las semana en la produccin de P
1
y P
2
?
1 a
29) Sea M = AeM
2x2
(IR) / A = , aeIR
0 1
i) Demuestre que (M , ) es Grupo Abeliano.
ii) Encuentre M* = { B M / B = A
-1
}
iii) Encuentre una frmula para A
n
, ne IN.
30) Sea A e M
n
( K)
a) A se dice idempotente ssi A
2
= A
b) A se dice nilpotente de orden p ssi A
p
= 0 , siendo p el
menor positivo para el cual A
p
= 0
Si A es idempotente demuestre que :
i) B = I - A es idempotente.
ii) A B = B A = 0
Si B es nilpotente de orden 2, demuestre que :
i) B(I + A)
n
= A ; n N
ii) Verificar que
1 1 3
A = 5 2 6
-2 -1 -3
es nilpotente de orden 3.
31) Si A y B son matrices cuadradas invertibles.Pruebe que :
i) (A
-1
)
-1
= A ( A
-1
es invertible tambin)
ii) (AB)
-1
= B
-1
A
-1
32) Sea Ae M
nxn
( K) una matriz simtrica .Pruebe que :
i) AA
T
es simtrica
ii) P
T
AP es simtrica
iii) Los elementos de la diagonal de AA
T
son no negativos
iv) (A
T
)
-1
= (A
-1
)
T
33) Pruebe que si A, B y A + B son invertibles en M
nxn
( R),
entonces :
(A
-1
+ B
-1
)
-1
= A(A + B)
-1
B
34) Determinar la matriz X en la ecuacin :
(AX
-1
B)
T
= AB
1 1 1 0 0 1
donde A = 0 1 2 ; B = 1 2 0
3 1 0 1 1 0
35) Sea Ae M
2x2
(IR) definida por :
3
i
si i < j
elem
ij
(A) =
i
j
si i > j
Sean
2
1 0
0 1
,
3 1
2 2
2
1
,
1 2
0 1
I D C B =
|
|

'

=
|
|

'

=
|
|

'

=
Encuentre la matriz X , en la ecuacin :
(A
-1
X
T
)
T
+ (B
T
)
-1
= D XC
36) Resolver para X, en la euacion:
(AX
T
+ B)
T
= XC - D con A
T
- C invertible
37) a) Demuestre que toda matriz cuadrada de orden n se puede
descomponer en una suma de una matriz simtrica y una
antisimtrica, siendo esta descomposicin nica.
b) Encontrar esta descomposicin para la matriz
-2 3 -1
A = 5 4 -1
1 -3 2
39) Sea B M
n
( K) tal que B
m
= 0 , para algun m e IN
Pruebe que : (I - B)
-1
= I + B + B
2
+ .....+ B
m-1
40) Demuestre que la matriz cuadrada A es invertible ssi
A
2
+ A + I = 0
41) Sea S = A + A
2
+ A
3
+ ........+ A
n
, donde
1 0
A =
-1 1
Pruebe que S es invertible y calcule S
-1
42) Hallar la inversa de :
1 a a
2
1 0 x
a) A = 1 b b
2
b) B = 1 1 x
2
; x= 0
1 c c
2
2 2 x
2
1 -a 0 0 1 1 1 1
c) C = 0 1 -a 0 d) D = 1 1+a 1 1
0 0 1 -a 1 1 1+b 1
0 0 0 1 1 1 1 1+c
43) i) Determine S = { ke IR / A tiene inversa },donde
1 2 4
A = 1 3 9
k 4 16
ii) ( k; keS ) ; determine A
-1
44) Hallar el conjunto solucin de los sistemas siguientes:
i) x
1
+ x
2
+ x
3
= 3 ii) x
1
+ 3x
2
+ 3x
3
= 2
2x
2
+ x
3
= 2 -2x
1
- 6x
2
- 2x
3
= 4
x
2
+ 2x
3
= 2 x
2
+ x
3
= 6
iii) x - y - z - w = 0 iv) 2x + 3y + 4z = 53
3x - y - z - w = 0 3x + 5y - 4z = 2
4x + y + z + w = 0 4x + 7y - 2z = 31
4x -3y + 2z-4w = 0
v) 2x + 3y + z = 2 vi) x + y + z = 6
x + y + z = 4 x +2y +3z = 14
3x - 2y +2z = 6 x +4y +9z = 39
vii) 3x + 2y + 16z + 5w = 0 viii) 2x + 3y - 2z = 5
2y + 10z + 8w = 0 x - 2y - 3z = 2
x + y + 7z + 3w = 0 4x - y + 4z = 1
45) Determine el valor de a (siempre que sea posible) de modo
que el sistema.
3ax - 2y + az = 6
x - y + 2z = a
2x + ay - z = 5
a) Tenga solucin nica
b) Tenga infinitas soluciones
c) No tenga soluciones (e.d. incompatible)
46) Para que valores de a y b el sistema siguiente es
compatible?.
5x - 13y = 5a - 2b
x + 2y = a + b - 1
3x - 7y = a
x + y = b
47) Si existen x, y, z no todos nulos tales que
x - by - cz = 0
y - cz - ax = 0
z - ax - by = 0
Demuestre que a + b + c = 1
a + 1 b + 1 c + 1
48) Determine a y b de modo que el sistema
ax - by = 5
2x - 3y = a + b
tenga infinitas soluciones.
49) Determine los valores de aeIR, que hagan incompatible el
siguiente sistema :
3x - ay + 2z = a - 1
2x - 5y + 3z = 1
x - 3y - (a - 1)z = 0
50) Determine los valores de a R de modo que el sistema
siguiente tenga infinitas soluciones :
(1 - a)x + y + z = 0
2x + (2 - a)y + 2z = 0
x + y + (1 - a)z = 0
51) Resolver para x e y, usando determinantes :
i) 2x + y = 7 ii) ax - 2by = c
3x - 5y = 4 3ax - 5by = 2c ;ab= 0
52) Calcule
| 2 0 -1 |
| 3 0 2 |
| 4 -3 7 |
i) Laplace en columna 1
ii) Laplace en columna 2
iii) Haga la diferencia entre (i) y (ii)
53) Dadas las matrices
1 2 3 -1
A = B =
1 0 0 1
Calcule :
i) | A | + | B |
ii) | A + B |
iii) Compare (i) y (ii)
iv) Conclusin?
v) Determine en general el conjunto
S = { B e M
K
(2) / | A + B | = | A | + | B | } ; donde
i) A = I
2
1 0
ii) A =
0 0
54) Demuestre que :
a) |a b c| b) |a+b a a a|
|c a b| =a
3
+b
3
+c
3
-3abc | a a+b a a| =b
3
(4a+b)
|b c a| | a a a+b a|
| a a a a+b|
c) |1 | |1
2
| d) |1 a a
2
0|
|1 | = |1
2
| |0 1 1 a
2
|
|1 | |1
2
| |a
2
0 1 a |= 1+a
4
+a
8
|a a
2
0 1 |
e) |a b b b| f) |1+a
2
-b
2
2ab -2b|
|a b a a| | 2ab 1-a
2
+b
2
2a|=(1+a
2
+b
2
)
3
|a a b a|=-(a-b)
4
| 2b -2a 1-a
2
-b
2
|
55) Resolver para x la ecuacin
|1 1 1 1|
|x a 0 0|
|x 0 b 0| = 0
|x 0 0 c|
56) Usando el desarrollo de Laplace, calcule
|1 3 -1 2|
|0 11 -5 3|
|2 -5 3 1|
|4 1 1 5|
57) Si
2 -3
A = encuentre el (o los) valor(es) de xeR
0 -3
en la ecuacin :
1 0
|A - xI| = 0 ; I =
0 1
58) Determinar aquellos valores de k para los cuales
| k k |
| | = 0
| 4 2k |
59) Verificar que :
i) |1 1 1|
|x y z| = (x - y)(y - z)(z - x)
|yz xz xy|
ii) |x-y-z 2x 2x |
| 2y y-x-z 2y | = (x + y + z)
3
| 2z 2z z-x-y|
GUIA COMPLEMENTARIA
PROFESOR: WILFRED FLORES
Matrices y determinantes
1. Use pivoteo , para calcular el valor del determinante A si la matriz es
|
|
|
|
|
|
.
|

\
|
=
5 5 5 5 5
4 8 8 8 8
3 6 9 9 9
2 4 6 8 8
1 2 3 4 5
A respuesta A =120
2. Determine el valor de x en la ecuacin
0
0 0
0 0
0 0
1 1 1 1
=
c x
b x
a x
, R espuesta
ac bc ab
abc
x
+ +
=
3. Determine para que valores de " "a para que el sistema de ecuaciones

= + +
= + + +
= + +
0
0 ) 1 (
0
az y x
z y a x
z y ax
tenga soluciones no triviales.
Respuesta. 2 1 , 1 = = a a .
4. Si el sistema lineal

= +
= + +
= +
2 3 ) 1 (
1 ) 1 ( 2
1 2
y x a
y a x
y x
tiene solucin nica ,calcular el valor de
" "a y calcular la solucin del sistema . RESp. 1 0 = = x a Si .
5. Hallar el valor de " " k de manera que el sistema lineal homogeneo

= +
=
= +
0 ) 1 (
0 2 2
0 ) 1 (
z k y x
z ky x
z y x k
tenga soluciones no triviales. RESPUESTA: 2 , 0 = = k k .
6. Dada la matriz ) (
ij
a A = de tamao 3 2 cuyos elementos se definen por la
formula

> +
<
=
j i si j i
j i si j i
a
ij
Calcular
T
A A Resp. 218
7. Sea la matriz ) (
ij
a A = de tamao 4 4 tal que

> +
<
=
j i si ij
j i si ij
a
ij
1
2
Calcular el
determinante de A. Resp. 207.
8. Dado el sistema de ecuaciones

= + +
= + +
= + +
3
2
m mz y x
m z my x
m z y mx
Cuntos valores de m hacen que el sistema dado no tenga solucin nica .? R .3
9. Sea la matriz ) (
ij
a A = de tamao 4 4 tal que j i a a
i j
, , 1
1 1
= = , tal que
j i j i ij
a a a
) 1 ( ) 1 (
+ = , Calcular A 2 Resp. 16
10. Sea ) (
ij
a A = una matriz simtrica de tamao 4 4 tal que

s + s
s + s
=
8 6 4
5 2
j i si ij
j i si ij
a
ij
Calcular A , Resp 64.













Unidad II: Espacios Vectoriales

Definicin:
Sea V un conjunto no vaco, diremos que este es un ESPACIO VECTORIAL sobre el
campo o cuerpo conmutativo IR y llamaremos VECTORES a sus elementos si se verifica
que:
A) V est provisto de una ley de composicin interna (l.c.i.) :
u v ) u , v (
que tal V VxV
v v
a
v v
+
+ :
,
que llamaremos ADICION, de modo que :
A1: + es asociativa : V c , b , a c ) b a ( ) c b ( a + + = + +
v
v
v v
v
v v
v
v
, ,
A2: + es conmutativa: V b , a , a b b a + = +
v
v v
v v
v

A3: Existe elemento neutro en V para + , esto es :
V v , v v o : que tal V o nico un Existe = +
v v v v v

A4: Cada vector en V posee elemento opuesto o inverso :
o ) a ( a que tal V ) a ( ! , V a
v v v v v
= +

En otras palabras, (V, + ) es un GRUPO ABELIANO.
B) V est provisto de una ley de composicin externa :

v v
que tal V IRxV
v
a
v


) , (
:
,
que llamaremos PONDERACION O MULTIPLICACION POR ESCALAR, de modo
que:
P1: V v , u IR, , v u ) v u ( + = +
v v v v v v
) ( ) (
P2: ( V u IR, , , ) u ( ) u ( u ) + = +
v v v v

P3: V u IR, , , ) u ( u =
v v v
) ) (
P4: 1 V v , v v =
v v v
(1 es el neutro multiplicativo del campo IR.
NOTACION:
i)
ii) Los elementos del campo o ESCALARES los denotaremos con las letras griegas
IR campo el sobre vectorial espacio un denotarn , V e simplement o V(IR) o V
IR
... , , , ,
iii) La adicin u ) ( v
v v
+ se escribir v u
v
.
En primera instancia el alumno puede sentir que la definicin 2.1 es abstracta y que no se
relaciona con su experiencia previa con los vectores. Un vistazo a los teoremas del captulo
I lo convencern que ya hemos mostrado que M
mxn
es un espacio vectorial sobre el campo
IR.(los vectores son las matrices de mxn , la adicin vectorial es la adicin de matrices y la
ponderacin vectorial es el producto de un escalar por una matriz).

Daremos ahora una lista de sistemas familiares que nos entregaran ejemplos concretos de
espacios vectoriales.

Ejemplo 1: M
mxn
es un espacio vectorial sobre el campo IR, como lo hemos dicho
anteriormente. Casos especiales y de mucha importancia son M
mx1
(IR) , M
1xn
(IR) y
Mn(IR).

Ejemplo 2: Sea IR
2
= { (x,y) / x, y R} el conjunto de los pares ordenados con
componentes reales es un espacio vectorial sobre el campo IR.
Aqu definimos:
A) +: IR
2
x IR
2
IR
2
tal que
((a,b) , (c,d)) a =(a,b)+(c,d) = (a+c , b+d)

B) IR x IR :
2
IR
2
tal que
( ) b , a ( ) b , a ( ) b , a ( , ( = a

Usualmente a IR
2
(IR) se le llama el plano real.

Geomtricamente, el vector (a,b) se puede representar por medio de una flecha trazada a
partir del origen del sistema de coordenadas, al "punto" (a,b) , como se ilustra en la figura
2-1. La interpretacin grfica de la adicin es la muy conocida "ley del paralelogramo" , la
cual establece que el vector v u
v v
+ es la diagonal del paralelogramo fomado por u v y
v v
,
con v y u
v v
IR
2
. (ver figura 2.2).

La ponderacin se puede interpretar geomtricamente como la "amplificacin" de v
v
,
veces, como se ilustra en la figura 2.3.

) b , a (
3
1
( a ,b)

(a,b)





FIGURA 2.1 FIGURA 2.2 FIGURA 2.3

Ejemplo 3: Sea n IN un natural determinado, y designemos por:
IR
n
= { (x
1
,x
2
,...,x
n
) / x
i
IR , i = 1,2,...,n }.
Si u IR y IR ) v ,..., v , v ( v y ) u ,...., u , u (
n
n 2 1 n 2 1
= =
v v
, definamos:

) v ,..... v , v ( v
) v u ,...., v u , v u ( v u
n 2 1
n n 2 2 1 1
=
+ + + = +
v
w v

Entonces IR
n
constituye un espacio vectorial sobre el campo IR.

Ejemplo 4 : Sea IR
n+1
[x]={a
0
+a
1
x+a
2
x
2
+...+a
n
x
n
/ a
i
IR, n

IN} el conjunto de los
polinomios de grado a lo ms n, y definiendo las leyes de composicin:
A) INTERNA:
(a
0
+a
1
x+..+a
n
x
n
)+(b
0
+b
1
x+...+b
n
x
n
) = (a
0
+b
0
)+(a
1
+b
1
)x+(a
n
+b
n
)x
n

donde a
i
, b
i


IR , todo i = 1,2,...,n.
B) EXTERNA:
IR a , x ) a ( ..... x ) a ( x ) a ( a ) x a ... x a x a a (
i
,
n
n
2
2 1 0
n
n
2
2
1
0
+ + + + = + + + +
Entonces IR
n+1
[x], es un espacio vectorial sobre el campo IR.

Obsrvese que:
i) p(x) IR
n+1
[x] p(x) = a
0
+a
1
x+...+a
n
x
n
.
ii) Si p(x) = a
0
+a
1
x+...+a
n
x
n
q(x) = b
0
+b
1
x+...+b
n
x
n
, entonces p(x) = q(x)
si y solo si a
0
= b
0
, a
1
= b
1
,...,a
n
= b
n
.
iii) 0(x) = 0+0x+...+0x
n
es el neutro aditivo.
iv) -p(x) = (-a
0
)+(-a
1
)x+...+(-a
n
)x
n
es el inverso de p(x).

Ejemplo 5:
Sea F(A,IR) = { : AIR IR / es funcin}
Es decir F(A,IR) es el conjunto de todas las funciones reales
Si se definen las leyes de composicin:
A) INTERNA:
+ : F(A,IR)x F(A,IR) F(A,IR) tal que +g se define por :
( + g) (x) = (x) + g(x) , todo x AIR .
B) EXTERNA :

.
: IR x F(A,IR) F(A,IR) tal que
.
se define por:
(
.
)(x) = (x) , IR .
Entonces F(A,IR) es un espacio vectorial sobre IR.
En efecto:
A1) [(+g)+h](x) = (+g)(x)+h(x) , x A IR . (Def.d e +)
= [(x)+g(IR)] +h(x), x A IR . (Def.de +)
= (x)+[g(x)+h(IR)], x A IR . (Asoc.en(IR,+))
= (x)+[(g+h) (x)] , x A IR . (Def.de +)
= [+(g+h)](x ) , x A IR . (Def.de +)

Por lo tanto ( +g ) + h = + (g + h) ; es decir, la adicin de funciones es asociativa.
(Ntese que esto se conoce de lgebra)

A2) ( + g) (x) = (x)+g(x) , x A IR . (Def.de +)
= g(x)+(x) , x A IR . (Conmut.en(IR,+))
= (g+)(x) , x A IR . (Def.de +)
Luego + g = g + , es decir la adicin de funciones es conmutativa.

A3) Existe la funcin nula F(A,IR) , definida por
~
0
(x) = 0 , xIR tal que : + = , F(A,IR).
~
0
~
0
A4) F(A,IR) , (-1)
.
tal que f+ (-) =
~
0
En efecto :
[+(-)](x) = (x)+(-)(x) , x A IR . (Def.de +)
= 1
.
(x)+(-1)(x), x A IR . (Def. -)
= [1+(-1)](x) , x A IR . (Distrib.en IR)
= 0
.
(x) , x A IR . (Inv.adit.en IR)
= 0 ( Ley absorbente del 0 en IR)
= 0 (x) , x A IR . (Def.de 0).
~

Por lo tanto (F(A,IR) , +) es grupo abeliano.

P1) [
.
(+g)](x) = [(+g)(IR)] , x A IR . (Def.de
.
)
= A [(x)+g(x)] , x A IR . (Def.de +)
= (x)+g(x) , x A IR . (Distrib.en IR)
= (
.
)(IR)+(
.
g)(IR) , x A IR . (Def.de
.
)
= [(
.
)+(
.
g](x) , x A IR . (Def.de +)
Luego
.
(+g) =
.
+
.
g, IR , ,gF(A,IR).

P2) [(+)
.
](x) = (+)(x) , x A IR ,,IR (Def.
.
)
= (x)+(x) , x A IR ,,IR (Distrib.en IR)
= (
.
)(x)+(
.
)(x), x A IR ,,IR (Def.de
.
)
= [(
.
)+(
.
)](x) , x A IR , ,IR (Def. +)

En consecuencia (+)
.
=
.
+
.
, , IR , F(A,IR).

P3) [
.
(
.
)](x) = [(
.
)(x)] , x A IR (Def.de
.
)
= [ (x)] , x A IR (Def. de
.
)
= ()(x) , x A IR (Asoc.en(IR,
.
))
= [()
.
](x) , x A IR (Def.de
.
)

Luego
.
(
.
) = ()
.
, , IR , F(A,IR).


P4) (1
.
)(x) = 1(x) , F(A,IR) ,x A IR (Def.de
.
)
= (x) , F(A,IR) ,x A IR (1 neutro en (IR,
.
))

Por lo tanto 1
.
= , F(A,IR).

En consecuencia (F(A,IR) ,IR, +,
.
) es un espacio vectorial sobre IR.




PROPIEDADES ELEMENTALES EN UN ESPACIO VECTORIAL.

Sea (V , IR ,+,
.
) un espacio vectorial sobre IR. Entonces
1: 0
.
v
v
= 0
v
, v
v

2: v
v
.
0
v
= 0
v
,
3: (-)
.
v
v
= (- v
v
) = -(v
v
) , IR , v
v

4:
.
v
v
= 0
v
= 0 v v
v
=0
v

5: (-)
.
(- v
v
) =
.
v
v
IR , v
v
V
6:
.
u
v
=
.
v
v
y 0 u
v
= v
v


Demostracin:

1: v
v
+(0
.
v
v
) = 1
.
v
v
+ 0
.
v
v
P2
= (1+0)
.
v
v

= 1
.
v
v

= v
v


Luego 0 v
v
= 0
v
(Unicidad de 0
v
)


2:
.
0
v
=
.
( 0
v
+ 0
v
)
=
.
0
v
+
.
0
v


Luego :
.
0
v
= (
.
0
v
)+(
.
0
v
) (*)

Adicionando -(
.
0
v
) a ambos lados de (*) se tiene :

.
0
v
- (
.
0
v
) =
.
0
v


Por lo tanto, por A4, 0
v
=
.
0
v

3: [(-)
.
v
v
]+(
.
v
v
) = [(-)+]
.
v
v

= 0
.
v
v


As, (-)
.
v
v
+v
v
= 0
v


Luego, por unicidad del inverso aditivo de
.
v
v
, se tiene que:
-(
.
v
v
) = (-)
.
v
v


4: i) Si 0 y
.
v
v
= 0
v

1

.
( v
v
) =
-1

.
0
v

(
-1
)
.
v
v
= 0
v

1
.
v
v
= 0
v

v
v
= 0
v

ii) Si = 0 no hay nada que probar.

5 y 6 : Se dejan de ejercicio.

Ejercicios:
1.- Probar en detalle que el sistema descrito en el ejemplo 2 es un espacio vectorial.
2.- Mostrar que IR ( IR) es un espacio vectorial real con la adicin y multiplicacin
usuales y tambin que IR(Q) es un espacio vectorial sobre Q, pero Q( IR) no es un espacio
vectorial Lo es Q(Q)?.
3.- Probar que todo campo IR es un espacio vectorial sobre si mismo.
4.- Probar en detalle que los sistemas descritos en los ejemplos 3 y 4 forman un espacio
vectorial.
5.- Probar que V = {a+b 2 / a,bQ} es un espacio vectorial sobre Q.
6.- Sea IR
[a,b]
= { : [a,b] IR / es funcin}
Sea C[a,b] = { IR
[a,b]
/ es continua}. Determinar cul de los siguientes conjuntos
de funciones es un espacio vectorial real, con las operaciones de IR
[a,b]
.
(Ver ejemplo 5)
i) V = { C[a,b] / (a) = (b)}

ii) V = { C[a,b] / (a+x) = (b-x)}

iii) V = { C[a,b] / (x) = 0 , para cada x en un subintervalo de [a,b]}

iv) V = { C[a,b] / (x) = (-x)} (FUNCIONES PARES)

v) V = { C[a,b] / (x) = -(-x)} (FUNCIONES IMPARES)

7.- Sea IR+ = {x IR / x > 0}. Probar que IR+ es espacio vectorial real con las leyes de
composicin:
A) INTERNA : +: IR+ x IR+ IR+ tal que:
x + y = xy
B) EXTERNA : : IR x IR+ IR+ tal que:

.
x = x



8.- Sea V = {(x,y) / x,y IR}. Se definen:
(a,b) x (c,d) = (a+c, 0)

.
(a,b) = (a, b) , R
Es V un espacio vectorial real? Por qu?

9.- si en el ejercicio 8 se cambia la ponderacin como sigue :

.
(a,b) = (a,0)
Es (V, IR, + ,
.
) un espacio vectorial?

10.- Sea V = {(x,y) / x,y IR}. Si se consideran:
(a,b) + (c,d) = (a+c , b+d)

.
(a,b) = (a, b)
Es (V, IR,+,
.
) un espacio vectorial?
11.- En IR
n
se definen las leyes de composicin :
(x
1
,x
2
,...,x
n
) + (y
1
,y
2
,...,y
n
) = (x
1
-y
1
,x
2
-y
2
,...,x
n
-y
n
)

.
(x
1
,x
2
,...,x
n
) = (-x
1
,-x
2
,...,-x
n
), R
Qu axiomas de espacio vectorial se cumplen para (IR
n
,IR,+,
.
)?

12.- Sea IR
2
con las leyes de composicin definidas por:
(a,b) + (c,d) = |
.
|
\
+ +
2
d b
,
2
c a

|


.
(a,b) = (a,b) , IR.

13.- Probar que en un espacio vectorial (IR) se tiene :

i)
.
v
v
=
.
v
v
<==> v
v
= 0
v
= , v
v
V , ,IR
ii) u
v
+v
v
= 0
v
==> v
v
= - u
v
, u
v
+v
v
= u
v
==> v
v
= 0
v


14.- Determinar sabiendo que v
v
0
v
, en (IR), y que :
(1-) u
v
+( u
v
- v
v
) = u
v
- v
v
, u
v
, v
v
(IR) y IR.

15.- Sea IR

el conjunto que consiste de todas las sucesiones infinitas x = (x


1
,x
2
,...) de
nmeros reales.
Si y = (y
1
,y
2
,...) es otra de tales sucesiones, se definen :
x + y = (x
1
+ y
1
, x
2
+ y
2
,...) ; y

.
x = (x
1
,x
2
,...) , IR
Demostrar que IR

es un espacio vectorial real.



16) Indique el vector cero en cada uno de los siguientes espacios vectoriales
i. El espacio de los polinomios de grado a lo ms 3
ii. El espacio de las matrices de 2x4
iii. El espacio { } continua es f IR f / ] 1 , 0 [ :
iv. El espacio F(IN,IR)
17) Encuentre el inverso aditivo ,en el correspondiente espacio vectorial , del vector:
i. En IR
4
[x] , el vector 3 - 2x + x
2

ii. En M
2
sobre IR , la matriz o vector


|
|
.
|
\
|
3 0
1 1
iii. En { } IR b a be ae
x x
+ , / , espacio de funciones reales, con las
operaciones usuales de polinomios, el vector 3e
x
-2e
x


18) Pruebe que cada uno de los siguientes es un espacio vectorial:
i. IR
2
[x] con las operaciones usuales de polinomios
ii. M
2
con las operaciones usuales de matrices
iii. , con las operaciones usuales de matrices

|
|
|
.
|

\
|
= IR c b a
c
b
a
V , , /
iv. ( ) { } 0 / , , ,
4
= + + = d c b a IR d c b a L con las operaciones usuales en
IR
4


19) Pruebe que cada uno de los siguientes conjuntos no es espacio vectorial:
i. { } 1 / ) , , (
3
= + + z y x IR z y x
ii. { } 1 / ) , , (
2 2 2 3
= + + z y x IR z y x
iii. , con las operaciones usuales de matrices
)
`

|
|
.
|

\
|
IR c b a
c b
a
, , /
1
iv. | | { }
+
+ + IR c b a x IR cx bx a , , /
3
2
, con las operaciones usuales en
IR
3
[x]
v. { } 10 4 6 , 3 2 , 4 3 / ) , (
2
= + = = + y x y x y x IR y x con las operaciones
usuales de IR
2

vi. El conjunto de funciones
)
`

= + 0 2 / : f
dx
df
IR IR f
vii. El conjunto de funciones
)
`

= + 1 2 / : f
dx
df
IR IR f
20) Es { IR y x y x } , / ) , ( un espacio vectorial bajo las siguientes operaciones?
i. (x , y) + (u ,v) = (x + u, y + v) , a(x , y) = (ax , y)
ii. (x , y) + (u , v) = (x + u, y + v) , a(x , y) = (ax , 0)





SUBESPACIOS VECTORIALES
Es muy probable que un subconjunto de un espacio vectorial V sea a su vez un espacio
vectorial, con las mismas operaciones de V, sobre el campo IR. Tales subconjuntos,
llamados SUBESPACIOS, sern de considerable importancia en nuestro estudio y por lo
tanto merecen una definicin formal.

Definicin
Sea V un espacio vectorial. Un subconjunto NO VACIO W de V es un SUBESPACIO de
V si es a su vez un espacio vectorial sobre IR, con las mismas operaciones de V.

NOTACION: Si W es un subespacio de V escribiremos W V.

Teorema (CRITERIO DE SUBESPACIO).

Si W es subconjunto de V, entonces W V ssi:
S
1
: W
S
2
: u
v
, w
v
W u
v
+w
v
W.
S
3
: IR, w
v
W w
v
W.
Demostracin
)
Supongamos que W es subespacio de V, sobre IR. Entonces W es, por definicin 2.2, un
espacio vectorial con las operaciones de V, as que es claro que se cumplen:
S
1
) W
S
2
) u
v
, w
v
W u
v
+w
v
W.
S
3
) IR, w
v
W w
v
W.
)
Supongamos, ahora, que:
i) W
ii) u
v
, w
v
W u
v
+w
v
W.
iii) IR, w
v
W w
v
W.
Debemos probar que (W,IR,+, ) es un espacio vectorial.

Adicin: Es claro que W y que adems la adicin es una ley de composicin
interna en W, por i) y ii), respectivamente. Tambin la adicin es asociativa y conmutativa
en W, pues W es subconjunto de V, por lo cual dichas propiedades son heredadas por W.
Por otra parte W posee elemento neutro y es el mismo de V, pues:
0 IR y w
v
W 0 w
v
= 0
v
W (por iii)).

Adems cada w
v
en W posee inverso aditivo (- w
v
) en W, pues:
-1 IR y w
v
W (-1) w
v
= - w
v
W (por iii).
En consecuencia (W,+) es grupo abeliano.

Ponderacin: Las propiedades de la ponderacin son heredadas por W ya que W es
subconjunto de V.
Por lo tanto (W,IR,+,) es un espacio vectorial

Observaciones:

1) Las condiciones S
2
y S
3
pueden reducirse a la siguiente :

IR , u
v
, w
v
W u
v
+w
v
W

Luego el teorema (2.1) puede reenunciarse como sigue:

W es subespacio de V S
1
: W
S
2
: IR, u
v
, w
v
W u
v
+w
v
W.


2) El vector nulo siempre debe estar en un subespacio vectorial.

3) Si u
v
, w
v
W entonces u
v
- w
v
pertenece a W, pues :
A
4
S
2

w
v
W (- w
v
)W u
v
+(- w
v
) = u
v
- w
v
W ; siempre que W V

EJEMPLOS DE SUBESPACIOS VECTORIALES.
Ejemplo 1:
Sea V un espacio vectorial entonces {0
v
} y V son subespacios de V, llamados
SUBESPACIOS TRIVIALES. Cualquier otro subespacio de V se llama SUBESPACIO
PROPIO, si es diferente de los triviales.

Ejemplo 2:
Sea V entonces W es un subespacio de V, llamado
EJE DE LAS ABSCISAS. (ver figura 2.4)
2
IR = } 0 / ) , {(
2
= = y IR y x
x

En efecto:
i) W
x
= , pues (0,0)W
x

ii) Sea IR y (a,0), (b,0) W
x
(a,0) + (b,0) = ( a + b, 0) W
x


Anlogamente:
W es subespacio de , llamado EJE DE LAS
ORDENADAS. (ver figura 2.4)
} 0 / ) , {(
2
= = x IR y x
y
2
IR








) (
2
IR IR
W
x

W
y

y
x
(a,b)
y
x
Recta por el origen
que contiene a (a,b)
Figura 2.5

Figura 2.4

Ejemplo 3:
Sea un vector conocido. Entonces W
2
) , ( IR b a } / ) , ( {
) , (
IR b a
b a
= es un subespacio
de , llamado RECTA POR EL ORIGEN QUE CONTIENE A (a,b). (ver figura 2.5).
2
IR

Ejemplo 4:
Sea V , el espacio tridimensional, entonces:
3
IR =
) ( } 0 / ) , , ( {
3
x eje z y IR z y x W
x
= = =
) ( } 0 / ) , , ( {
3
y eje z x IR z y x W
y
= = =
) ( } 0 / ) , , ( {
3
z eje y x IR z y x W
z
= = =
son subespacios de V.

Ejemplo 5: Sea V = , entonces :
3
IR
) 6 . 2 . ( ) ( } 0 / ) , , ( {
3
fig ver xy plano z IR z y x W
y x
= =
) ( } 0 / ) , , ( {
3
yz plano x IR z y x W
z y
= =
) ( } 0 / ) , , ( {
3
xz plano y IR z y x W
z x
= =
son subespacios de V
En efecto:
A.
i) W
xy
, pues (0,0,0) W
xy


ii) Sea
y x
W w w w w y IR = ) , , (
3 2 1
, entonces 0
3
= w , y por lo tanto
xy
w w w w w w w = = 0 , , ( ) , , (
2 1 3 2 1
) . Es decir,
xy
W w .

iii) Sean u y ) , , (
3 2 1
u u u =
y x
W w w w w = ) , , (
3 2 1
, entonces u
3 3
0 w = =
y por lo tanto :
u
v
+ w
v
= (u
1
+w
1
,u
2
+w
2
, 0) W
x y

En consecuencia W
x y

3
IR
B. Anlogamente W
y z
y W
x z
son subespacios de
3
IR






y
x
z
x
z
y
x
z
y

Plano xz Plano xy Plano yz

Figura 2.6

Ejemplo 6:
Sea V entonces:
3
IR =
} 0 / ) , , ( {
3
= + + = z y x IR z y x W es un subespacio de V , llamado un PLANO POR EL
ORIGEN.

En efecto :
i) W , pues (0,0,0) W , ya que 0 + 0 + 0 = 0
ii) Sea IR W w w w w u u u u y = = ) , , ( , ) , , (
3 2 1 3 2 1
, entonces se tiene que:
u
1
+u
2
+u
3
= 0 (*)
w
1
+w
2
+w
3
= 0

Por lo tanto : u
v
+ w
v
= ( u
1
, u
2
, u
3
) + (w
1
,w
2
,w
3
)
u
v
+ w
v
= ( u
1
+ w
1
, u
2
+ w
2,
u
3
+ w
3
)
Ahora, como ( u
1
+ w
1
)+ ( u
2
+ w
2
)+ ( u
3
+ w
3
) = (u
1
, u
2
, u
3
) + (w
1
,w
2
,w
3
)
(*)
= 0 + 0
= 0 ,
se concluye que u
v
+w
v
W , y en consecuencia W .
3
IR
Ejemplo 7:
Sea V entonces W NO ES subespacio de IR
3
IR = } 1 / ) , , ( {
3
= + + = z y x IR z y x
3
,
pues por ejemplo
u
v
= (2,0,-1) y w
v
= (1,0,0)W , pero
u
v
+w
v
= (3,0,-1) W , pues 3+ 0 + -1 = 2

(Otra forma de indicar que W no es subespacio de IR
3
es que (0,0,0) W)

Ejemplo 8:
Sea V = M
nx1
(IR) y sea A M
mxn
(IR), entonces

( )} 0 / ) ( { ) (
1
= = AX K M X A N
nx
es un subespacio de V, llamado ESPACIO NULO DE
A o NUCLEO DE A.

En efecto:
i) N(A) , pues (0) N(A) , ya que A (0) = (0)

ii) Si X
1
, X
2
N(A) AX
1
= (0) AX
2
= (0)
A(X
1
+X
2
) = AX
1
+AX
2
= (0)
X
1
+X
2
N(A)

iii) Si IR y XN(A) AX = (0)
(AX) = (0)
A(X) = (0)
X N(A)

Observacin: Usualmente a N(A) se le llama ESPACIO SOLUCION DEL SISTEMA
HOMOGENEO AX = (0).

Ejemplo 9:
Sea V = M
nx1
(IR), sea A M
mxn
(IR) y BM
mx1
(IR) .
Entonces W } / ) ( {
1
B AX K M X
mx
= = , el espacio solucin del sistema lineal B AX =
NO ES SUBESPACIO DE V, pues por ejemplo A(0) = (0) B , y en consecuencia (0)
W.

Ejemplo 10:
Sea el espacio V= F(IR,IR)
Entonces V posee a W )} 5 ( ) 2 ( / ) , ( { f f IR IR F f = = como subespacio vectorial.
En efecto :
i) W = , pues W , ya que (2) = 0 = (5)
ii) Sea R y ,g W (2) = (5) g(2) = g(5)
( +g )(2) = (2) + g(2)
( +g )(2) = (5) + g(5)
( +g )(2) = ( +g )(5)
+g W.

Ejercicio:

1. Cules de los siguientes subconjuntos de
n
IR son subespacios reales ?

i) } / ) ..., , , {(
2 1 2 1
x x IR x x x W
n
n
= =
ii) } / ) ..., , , {(
1 2 1
Z x IR x x x W
n
n
=
iii) } 0 / ) ..., , , {(
2 2 1
= = x IR x x x W
n
n
iv) } 1 4 3 / ) ..., , , {(
2 1 2 1
= + = x x IR x x x W
n
n
v) } 0 7 / ) ..., , , {(
2 1 2 1
= = x x IR x x x W
n
n

2. Determinar cules de los siguientes subconjuntos son subespacios del espacio vectorial
indicado. Dar razones para las respuestas.

i) )} 0 , 0 {( } , / ) , {(
0 0
1
2 2
2 1
U constante a a
x
x
IR x x W = =
ii) W } 0 2 4 0 2 / ) , {(
2 1 2 1
2
2 1
= = = x x x x IR x x
iii) } W ) ( ) ( / ) , {(
2
2 1
2
2 1
2
2 1
x x x x IR x x + = =
iv) } W 0 1 2 3 / ) , {(
2 1 2 1
2
2 1
= = + = x x x x IR x x
v) } 1 / ) , , {(
3 2 1
3
3 2 1
= + + = x x x IR x x x W
vi) W } 5 2 / ) , , {(
2 1
3
3 2 1
= = x x IR x x x
vii) } 25 / ) , , {(
2 1
3
3 2 1
= + = x x IR x x x W
viii) } 4 / ) , , {(
3 2
3
3 2 1
= + =
x
e
x
e IR x x x W

ix) W } 0 3 2 / ) , , {(
3 2 1
3
3 2 1
= + = x x x IR x x x

x) W } 0 ) sen( / ) , , {(
1
3
3 2 1
= = x IR x x x
3. Considere las siguientes ecuaciones lineales :
0 5 8 5
0 2
0 2 3
3 2 1
3 2 1
3 2 1
= +
= +
= +
x x x
x x x
x x x

Demuestre que el conjunto S de soluciones de estas ecuaciones forma un subespacio de
. Es S un subespacio propio? Por qu? Es S el subespacio nulo? (IR IR
3
)

4. Sean
1
y
2
nmeros reales, y considerar la ecuacin lineal:
1
x
1
+
2
x
2
= 0 en las
incgnitas x
1
y x
2
. Demostrar que el conjunto de soluciones de la ecuacin dada es un
subespacio de , y dar una interpretacin geomtrica de este subespacio. ) (
2
IR IR

5. Cules de los siguientes subconjuntos de M
n
(IR) son subespacios vectoriales?

i) } / ) ( { singular no es A IR M A W
n
=
ii) } / ) ( { singular es A IR M A W
n
=
iii) } / ) ( { simtrica es A IR M A W
n
=
iv) } / ) ( { ica antisimtr es A IR M A W
n
=
v) conocida IR M B BA AB IR M A W
n n
) ( , } / ) ( { = =
vi) } / ) ( { superior triangular es A IR M A W
n
=

6. Cules de los siguientes conjuntos de funciones son subespacios de ? ) , ( IR IR F

i) } ) 1 ( ) 0 ( / ) , ( { f f IR IR F f W = =
ii) | | } ) ( ) ( / ) , ( {
3 3
x f x f IR IR F f W = =
iii) } ) 2 ( 3 ) 4 ( / ) , ( { + = = f f IR IR F f W
iv) } 0 ) ( / ) , ( { = = f IR IR F f W
v) } 1 ) ( / ) , ( { = = x f IR IR F f W
vi) } ) 1 ( ) 0 ( 2 / ) , ( { f f IR IR F f W = =
vii) } ) ( ) ( / ) , ( { x f x f IR IR F f W = =
viii) } ) ( ) ( / ) , ( { x f x f IR IR F f W = =
ix)
| |
} ) 1 ( ) ( / {
1 , 0
x f x f IR f W = =

7. Investigar si los siguientes conjuntos son subespacios de los espacios vectoriales dados :

i) } / ) , {(
2 1
2
2 1
x x IR x x W =
ii) } / ) , , {(
2 1
3
3 2 1
x x IR x x x W = =
iii)
)
`

=
|
|
.
|

\
|
= c b IR M
d c
b a
W / ) (
2

8. Sea V , el espacio de todos los polinomios de grado a lo mas n, con
coeficientes reales. Determinar cules de los siguientes subconjuntos son subespacios.
| | x IR
n 1 +
=
i) | | ) ( gra ) ) ( ( , } ) ) ( ( / ) ( {
1
x p de do x p gr par es x p gr x IR x p W
n
= =
+

ii) | | } 0 ) ) ( ( / ) ( {
1
= =
+
x p gr x IR x p W
n

iii) | | } ) ( lg , ) ( ) ( 1 / ) ( {
1
x q n a x q x x p n x IR x p W
n
= > =
+

iv) | | } ) ( lg , ) ( ) 1 ( ) ( / ) ( {
1
x q n a x q x x p x IR x p W
n
= =
+


9. Sin resolver, decida si el conjunto de las soluciones de las siguientes ecuaciones es
espacio vectorial.
i) 0 ) sen(
2
2
= + x y
dx
dy
e
dx
y d
x
x

ii) ) 3 sen( 7
2
2
x
dx
dy
dx
y d
=
iii)
2
2
2
1 2 |
.
|

\
|
+ =
dx
dy
dx
y d
y

10. Sean .Se define la traza de A, escrito tr(A), como : ) ( ) ( IR M a A
n j i
=

=
= + + + =
n
i
i i nn
a a a a A tr
1
22 11
... ) (


Pruebe que W ) ( } 0 ) ( / ) ( { IR M A tr IR M A
n n
= =

11. Sea V el conjunto de las funciones derivables y S el conjunto de las funciones que
satisfacen la ecuacin

) ( , 0 3 x f y y
dx
dy
= =

Es S un subespacio de V? Es S un subespacio propio de V?

12. Si p y q son funciones continuas Cundo el conjunto de soluciones de la ecuacin
diferencial
) ( ) ( x q x p
dx
dy
= +
forma un espacio vectorial?
OPERACIONES CON SUBESPACIOS.

INTERSECCION DE SUBESPACIOS.

Teorema: Sean W
1
y W
2
subespacios de V. Entonces W
1
W
2
es subespacio de V.

Demostracin:

Sea W = W
1
W
2
= { w
v
V / w
v
W
1
, w
v
W
2
}
Probaremos que W V.

i) W , pues 0
v
W
1
y 0
v
W
2
, ya que W
1
V y W
2
V; en consecuencia 0
v

(W
1
W
2
) = W.

ii) Sean u
v
, w
v
W u
v
W
1
y u
v
W
2
(Def. de )
w
v
W
1
y w
v
W
2
(Def. de )

u
v
+w
v
W
1
u
v
+w
v
W
2
(W
1
,W
2
V)
u
v
+w
v
W
1
W
2
= W (Def.de )

iii) Sea IR y w
v
W w
v
W
1
w
v
W
2
(Def.de )

w
v
W
1
w
v
W
2
(W
1
,W
2
V)

w
v
(W
1
W
2
) = W (Def.de )

Por lo tanto W V.


Teorema: Si {W
i
}
iI
es una familia de subespacios de V, donde I es un conjunto de
subndices, entonces su interseccin W
i
I i
W

= I es un subespacio de V.
Demostracin:
i) Como 0
v
Wi , iI, se tiene que 0
v
W
i
I i
W

= I , y por lo tanto W .

ii) Sean u
v
, w
v
W u
v
W
i
y w
v
W
i
, iI

u
v
+w
v
W
i
, iI

u
v
+w
v
W = W I
i
I i

iii) Sean IR y w
v
W w
v
W
i
, iI

w
v
W
i
, iI (W
i
V, iI)

w
v
W =
i
I i
W

I

En consecuencia W V.
i
I i
W

= I

Interpretaremos los resultados anteriores, en forma geomtrica, en el espacio
3
IR
Sea W
1
un subespacio de
3
IR y consideremos w
v
0
v
en W
1
. Como w
v
W
1
, todo vector
de la forma w
v
tambin est en W
1
, esto es,W
1
contiene a la recta que pasa por el origen
determinada por w
v
. Anlogamente, si v
v
y u
v
= v
v
estn en W
1
, entonces cada vector de la
forma v
v
+ u
v
debe estar tambin en W
1
. En consecuencia W
1
debe contener un plano por
el origen. Si hay otro vector z
v
W
1
que no pertenece al plano determinado por u
v
y v
v
,
entonces se concluye que W
1
=
3
IR . Luego cada subespacio de
3
IR puede interpretarse
geomtricamente como:
1) El subespacio nulo o
2) Una recta a travs del origen o
3) Un plano a travs del origen o
4) Todo el espacio
3
IR .

Adems, si W
1
y W
2
son subespacios "planos" de
3
IR , entonces W
1
W
2
es una recta
determinada por la interseccin de los dos planos. (ver figura 2.7)

x
z





y




FIGURA 2.7
ESPACIO VECTORIAL GENERADO POR UN CONJUNTO DE VECTORES.

Dado un espacio vectorial V nos proponemos hallar todos los subespacios de ste.
El problema no es fcil. Por esto en vez de atacar directamente el problema, seguiremos el
procedimiento siguiente:
Sea S un conjunto no vaco de vectores de V.
Sea { la familia de todos los subespacios de V que contienen al conjunto S.
Esta familia es no vaca, pues existe al menos V como subespacio.
I i i
W

}
Sea W = I la interseccin de todos estos subespacios.
i
I i
W


El teorema (2.3) nos garantiza que W es subespacio de V. Adems es claro que S es
subconjunto de W, pues cada W
i
contiene a S.

Como W W
i
, para todo iI, tenemos que W es el menor subespacio que contiene a S
(ver figura 2.8) y lo llamaremos el subespacio generado por el conjunto S, que
anotaremos por S ; es decir:

S
I i
i
W

=I


S







FIGURA 2.8



Sera interesante poder encontrar un mtodo fcil de determinar el subespacio generado por
S, S , en trmino de los vectores pertenecientes a S. Para ello introduciremos la siguiente:

Definicin 2.5: (COMBINACION LINEAL).
Dados los vectores
n
v v v
v v v
,..., ,
2 1
de un espacio vectorial V, entonces todo vector v
v
en V que
se puede escribir de la forma:
v
v
=
1
v
v
1
+
2
v
v
2
+...+
n
v
v
n

i
K , i = 1,2,...,n
o bin : v
v
=


=
n
i
i i
v
1
v

i
K , i = 1,2,...,n
Se llama una COMBINACION LINEAL de los vectores
n
v v v
v v v
,..., ,
2 1
.

CONSECUENCIAS DE LA DEFINICION DE COMBINACION LINEAL.
1.) Dado un vector v
v
V entonces las combinaciones lineales de este vector son de la
forma v
v
, con K. En particular
v
v
= 1 v
v
es combinacin lineal de v
v
.

2.) Todo vector es combinacin lineal de la familia de vectores que lo contiene; es decir:
v
v
i

n
v v v
v v v
,..., ,
2 1
v
v
i
= 0 v
v
1
+0 v
v
2
+...+1 v
v
i
+...+0 v
v
n


3.) El vector nulo 0
v
de V es combinacin lineal de cualquier conjunto arbitrario de
vectores. En efecto :
0
v
= 0 v
v
1
+0 v
v
2
+...+1 v
v
i
+...+0 v
v
n


4.) Si u
v
es combinacin lineal de ciertos vectores
n
v v v
v v v
,..., ,
2 1
y si cada v
v
i
(i = 1,2,...,n) es
combinacin lineal del conjunto {
r
w w w
v v v
,..., ,
2 1
} , entonces u
v
es combinacin lineal de
los vectores de este ltimo conjunto. En efecto, tenemos :

=
=
n
i
i i
v u
1
v v
y ,

=
=
r
t
t t i
w v
1
v v

de donde:

=
=
n
i
i
u
1

v
|
|
.
|

\
|

=
r
t
t t
w
1
v
= ( )

= =

n
i
r
t
t t i
w
1 1
v


u , donde

=
=
r
t
t t
w
1
v v
r t
n
i
t i t
,..., 2 , 1 ,
1
= =

=


Ahora ya estamos en condiciones de describir el espacio generado por S en trminos de
los vectores del conjunto S.

Teorema 2.6: Sea S = {
n
s s s
v v v
,...., ,
2 1
} un conjunto contenido en el espacio vectorial V.
Entonces el espacio generado por S , S , est formado por todas las combinaciones
lineales finitas de los vectores de S. Es decir :

} / s { S
1

=
=
n
i
i i i
K
v

o } , s / { S
1

=
= =
n
i
i i i
K v V v
v v v


Demostracin: Sea C ,con } / s {
1

=
=
n
i
i i i L
K
v
} ,..., , {
2 1 n
s s s S
v v v
=

Debemos probar que:
i) C
L
es subespacio de V
ii) S es subconjunto de C
L

iii) C
L
es el subespacio mas pequeo de V que contiene al conjunto S.
i) a) Sean u
v
, v
v
C
L


= =
= =
n
i
i i
n
i
i i
s v s u
1 1
v v v v

u
v
+ v
v
=

= =
+
n
i
i i
n
i
i i
s s
1 1
v v

u
v
+ v
v
= ( )

=
+
n
i
i i i
s
1
v

u
v
+ v
v
=
i i i
n
i
i i
con s =

=
, C
L
1
v
b) Sea K y v
v
C
L

=
=
n
i
i i
s v
1
v v

=
=
n
i
i i
s v
1
v v

( )
L
n
i
i i
s v C
1
=

=
v v


Luego C
L
V.

ii) Sea
i
s
v

S
i
s
v
C
L
, i = 1,2,...,n (consecuencia 2))
Por lo tanto S C
L
.

iii) Para demostrar este punto debemos probar que si W es un subespacio de V que
contiene al conjunto S, entonces debe ser C
L
W. Pero esto es claro, pues como
n
s s s
v v v
,..., ,
2 1
son elementos de W (S W) , se tiene que para cada v
v
C
L
:

= v
=

n
i
i i
s
1
v v
v
v
W ,

pues por ser W subespacio de V, se debe cumplir que :

1
1
s
v
W,
2
2
s
v
W, ... ,
n
n
s
v
W, con
i
K, i=1,2,...,n y en consecuencia
W.

=

n
i
i i
s
v
1

Por lo tanto C
L
es el subespacio mas pequeo de V que contiene a S, lo cual
indica que :

C
L
= S .

Si en particular se tiene un conjunto S = {
n
s s s
v v v
,..., ,
2 1
} , contenido en un espacio vectorial
V , tal que : S = V , diremos que V es generado por S o bien que los vectores
n
s s s
v v v
,..., ,
2 1
generan al espacio vectorial V.


Observacin: Si S = {
n
s s s
v v v
,..., ,
2 1
}, debe ser claro para el estudiante que, por el teorema
(2.6), todo vector v
v
de S tiene que escribirse como combinacin lineal de los vectores
del conjunto S. Es decir :

v
v
S v ,

=
=
n
i
i i
s
1
v v

i
K ,
i
s
v
S , i = 1,2,...,n

Ejemplo 1:
Determine si es posible expresar el vector v
v
= (1,-2,5)
3
IR como combinacin lineal
de los vectores s
v
1
= (1,1,1), s
v
2
=(1,2,3), s
v
3
= (2,-1,1).

Solucin : Para que v
v
sea combinacin lineal de
3 2 1
, , s s s
v v v
, deben existir escalares
3 2 1
, ,

en IR tales que:
v
v
=
3 3 2 2 1 1
s s s
v v v
+ + (*)

Supongamos que (*) es cierto, entonces:

(1,-2,5) =
1
(1,1,1) +
2
(1,2,3) +
3
(2,-1,1)
Luego :
5 3
2 2
1 2
3 2 1
3 2 1
3 2 1
= + +
= +
= + +


Aplicando el mtodo de Gauss-Jordan, obtenemos:

4 2
3 3
1 2
3 2
3 2
3 2 1
=
=
= + +


y luego :
10 5
3 3
1 2
3
3 2
3 2 1
=
=
= + +



3
= 2 ,
2
= 3 ,
1
= -6

Por lo tanto existen escalares:
1
= -6 ,
2
= 3 ,
3
= 2 en IR ,tales que :

v
v
= 6
3 2 1
2 3 s s s
v v v
+ + ,
es decir :

(1,-2,5) = -6(1,2,2) + 3(1,2,3) + 2(2,-1,1)

En consecuencia, es posible expresar el vector v
v
como combinacin lineal de los vectores
3 2 1
, , s s s
v v v
.

Ejemplo 2:
Determine si es posible expresar el vector | | x IR de x x x p
3
2
2 3 ) ( + + = como combinacin
lineal de los vectores s 1 ) (
2
1
= x x
v
y 2 ) (
2
2
+ = x x x s
v
sobre el campo IR

Solucin: Veamos si existen escalares 1,2 en R tales que:
) ( ) ( ) (
2 1 1 1
x s x s x p
v v
+ =

Para ello debe cumplirse que :
3 + x ) 2 ( ) 1 ( 2
2
2
2
1
2
+ + = + x x x x
o 3 + + x
2 1 2
2
2 1
2
2 ) ( 2 + + = x x x
o = + (1) 1
2 1
= (2) (Igualando coeficientes) 3
2
2 - (3) 2
2 1
=

Pero es fcil ver que ste sistema lineal no tiene solucin, pues

2
= 3
1
= -2 y
1
= -8

Si
1
= -2 y
2
= 3 , la ecuacin (3) no se satisface.
Si
1
= -8 y
2
= 3 , la ecuacin (1) no se satisface.

Por lo tanto no existen escalares en IR tales que :

p ) ( ) ( ) (
2 1 1 1
x s x s x
v v
+ =



Ejemplo 3:
Determinar si es posible escribir el vector | | x IR x x x p
3
2
5 8 3 ) ( + = como combinacin
lineal de 4 3 2 ) (
2
1
+ = x x x s
v
y 3 2
2
x ) (
2
= x x s
v
, sobre el campo IR.

Solucin:
Veamos si existen escalares
1
y
2
en IR tales que :

p ) ( ) ( ) (
2 1 1 1
x s x s x
v v
+ =

Esto es, tales que:
8 3
2
+ ) 3 2 ( ) 4 3 2 ( 5
2
2
2
1
+ + = x x x x x x
o
2
8 3 +
2 1 2 1
2
2 1
3 4 ) 2 3 ( ) 2 ( 5 + + = x x x x
o 2 + (1) 3
2 1
=
2 - 3 (2) (Igualando coeficientes) 8
2 1
=
3 4 - (3) 5
2 1
=

Usando el mtodo de Gauss-Jordan, obtenemos:
5 3
2 1
=
1
2
=
2 , 1
1 2
= =

Por lo tanto podemos escribir p(x) como combinacin lineal de s ) (
1
x
v
y , como
sigue:
) (
2
x s
v

p ) ( ) ( 2 ) (
2 1
x s x s x
v v
=



Ejemplo 4:

Sea , donde , } , {
2 1
s s S
v v
= ) 3 , 2 , 1 (
1
= s
v
) 2 , 1 , 1 (
2
= s
v
IR
3
.
Encuentre el espacio generado por S, S , sobre IR.
Solucin:

S = } , , / {
2 1 2 2 1 1
3
IR s s v IR v + =
v v v v

}
}
}
, , ) 1 , 1 , 1 ( ) 3 , 2 , 1 ( ) , , ( / ) , , {(
2 1 2 1
3
IR z y x IR z y x + = =
3 2 / ) , , {(
2 1 2 1 2 1
3
z y x IR z y x = + = = + =
2 , ) ( , 3 / ) , , {(
2 1 2 1
3
y y x z y x IR z y x = + = + = =
} 2 , ,
3
/ ) , , {(
2 1 2 1
3
y y x z
y x
IR z y x = =
+
= =
} ) (
3
2 / ) , , {(
3
y y x z
y x
IR z y x =
+
=
} 0 3 2 5 / ) , , {(
3
= + = z y x IR z y x S

Ntese que fue necesario hacer "desaparecer" los escalares
1
,
2
IR , para determinar la
condicin que deben cumplir las coordenadas x, y, z, para que un vector arbitrario
pertenezca al espacio generado por S. Una vez hecho esto sabemos que:

v
v
S 5
3
) , , ( , 0 3 2 IR z y x v z y x = = +
v

En particular (1,8,7) S , pues 5(1) + 2(8) - 3(7) = 0.


Ejemplo 5:

Encontrar los vectores que generan al subespacio de IR
3
( IR), definido por :
} / ) , , {(
3
z y x IR z y x W + = =

Solucin:
} / ) , , {(
3
z y x IR z y x W + = =
} , / ) , , {( IR z y z y z y W + =
} , / ) 1 , 0 , 1 ( ) 0 , 1 , 1 ( { IR z y z y W + =
) 1 , 0 , 1 ( ), 0 , 1 , 1 ( = W

Luego W esta generado por los vectores (1,1,0) y (1,0,1)
3
IR


Observacin: Es claro que los 4 y 5 son exactamente inversos uno del otro, respecto a la
tcnica usada para determinar los subespacios. Es bueno que el estudiante tenga siempre
presente dicha tcnica. Para que asimile y descubra por si mismo los detalles, el alumno
debe practicar con ejercicios semejantes a los dos ejemplos anteriores.

Ejemplo 6:
Sean y vectores del conjunto S contenido en IR ) 4 , 0 , 1 (
1
= s
v
) 1 , 3 , 2 (
2
= s
v
3
. Encontrar una
relacin entre x, y ,z, tal que (x, y ,z) S .
Solucin :
(x,y,z) S ) 1 , 3 , 2 ( ) 4 , 0 , 1 ( ) , , (
1 1
+ = z y x (x,y,z) = 1(1,0,4) + 2(2,3,1) ,con 1,2
R. Es decir si y solo si :

(1) x = +
2 1
2
y = 3 (2)
2

+ 4 (3) z =
2 1

z y x + = + + + ) (4 3 ) 2
2 1 2 2 1
( ((1)-(2)+(3))
) 4 (
3

5
2
1
2
1

=
+
=

=
+ =
y
z y x
y
z y x


z
y z y x
= +
+
3 5
4 ( De (4) y (3))
z y z y x 15 5 ) ( 12 = + +
0 3 7 12 = z y x , es la relacin buscada.

(Ntese, nuevamente, la necesidad de eliminar
1
y
2
)

Ejemplo 7:

Sean U = ) 1 , 2 ( ; W = ) 1 , 0 ( . Probar que W U IR =
2
Solucin:
En primer lugar, tenemos que:

) 1 , 2 ( = U ={( } IR , (2,1) ) , ( / ) ,
2
= y x IR y x

} 2 / ) , {(
2
y x IR y x = =
} 2 / ) , {(
2
x y IR y x =
} 0 2 / ) , {(
2
= = y x IR y x U

Adems, es obvio que :
W = { (0,y) / y R } (verifquelo).
Veamos entonces si W U IR =
2

i) Sea (x,y) R
2
tal que:
(x,y) = (u
1
,u
2
) + (w
1
,w
2
) , con (u
1
,u
2
) U y (w
1
,w
2
) W.

Entonces:
u
1
+w
1
= x (1)
u
2
+w
2
= y (2)
u
1
- 2u
2
= 0 (3) (pues (u
1
,u
2
)U )
w
1
= 0 (4) (pues (w
1
,w
2
)W )

Por lo tanto:
u
1
= x (5) (de (1) y (4))

2
2
x
u = (6) (de (3) y (5))

2
2
x
y w = (de (6) y (2))

Luego W U
x
y
x
x y x
W U
+ + =

)
2
, 0 ( )
2
, ( ) , (

y en consecuencia , pues es claro que U . W U IR =
2 2
IR V +

ii) Ahora U W = {(x,y) IR
2
/ (x,y) U (x,y) W}

= {(x,y) IR
2
/ x-2y = 0 x = 0 }

= {(x,y) IR
2
/ x = 0 y = 0 }

= {(0,0)}

Por lo tanto W U IR =
2
Ejemplo 8:
Sean u = (1,-1,1), v
v
= (-1,2,2), w = (-3,5,6) IR
3


i) Determinar si z = (-6,10,15) } w , v , u {
v v v

ii) Averiguar si IR
3
est generado por S = { } w , v , u
v v v
.

Solucin:
i) z = (-6,10,15) ) 6 , 5 , 3 ( , ) 2 , 2 , 1 ( ), 1 , 1 , 1 ( si y solo si :

(-6,10,15) = (1,-1,1) + (-1,2,2) + (-3,5,6), todo ,,IR.

15 6 2
10 5 2
6 3
= + +
= + +
=



(*)
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
|
|
|
.
|

\
|


15
10
6
6 2 1
5 2 1
3 1 1 -


Escalonando la matriz aumentada del sistema (*) :

|
|
|
.
|

\
|


15
10
6
6 2 1
5 2 1
3 1 1
~
|
|
|
.
|

|
21
4
6
9 3 0
2 1 0
3 1 1

~
|
|
|
.
|

\
|
9
4
6
3 0 0
2 1 0
3 1 1

-3F
2
+F
3

\
F
1
+ F
2

-F
1
+ F
3


Por lo tanto el sistema (*) tiene solucin. Ntese que respondemos al hecho de que z
w} v, {u, sin necesidad de encontrar la solucin del sistema; es decir estamos ms
interesados en la existencia de solucin que en la solucin misma. Si el sistema escalonado
anterior se resuelve, encontramos que:

= 1 , = -2 y = 3 as que :

z
v
= u w v
v v v
3 2 +
ii) Para averiguar si IR =, debemos decidir si los clculos anteriores son vlidos para
cualquier z
v
R
3
.

Para z
v
= (x, y, t) , obtendremos, como antes, el sistema :
t
y
x
= + +
= + +
=
6 2
5 2
3


Los clculos anteriores muestran que la matriz de coeficientes del sistema es no singular y
por lo tanto el sistema tiene solucin nica para todo z
v
R
3
.Por lo tanto IR
3
= } w , v , u {
v v v
.
Hay muchos espacios vectoriales que son tiles en el estudio de una matriz dada A
M
mxn

DEFINICION 2.6:
Si A M
mxn
entonces se define el ESPACIO NULO DE A como:
N(A) = { XM
nx1
/ AX = 0 }
Este espacio, que ya fue considerado en un ejemplo anterior, tambin se conoce como el
ESPACIO SOLUCION DEL SISTEMA HOMOGENEO AX = 0. Por lo tanto, encontrar
los elementos de N(A) significa encontrar la solucin del sistema homogneo AX = 0.

DEFINICION 2.7:
Si A M
mxn
entonces S
F
(A), el ESPACIO FILA DE A, es el subespacio de M
1xn
generado
por las filas de A, es decir :

S
F
= } (A) F ,..., (A) F , (A) F
m 2 1
{
DEFINICION 2.8:
Si A M
mxn
, entonces S
C
(A) , el ESPACIO COLUMNA DE A, es el subespacio de
M
mx1
generado por las columnas de A, es decir :
S
C
(A) = } { (A) C ,..., (A) C , (A) C
n 2 1

Ahora caracterizaremos los elementos de S
C
(A) usando el teorema (2.6); as un elemento
tpico B S
C
(A) es una combinacin lineal de las columnas de A ; esto es
B S
C
(A) B = x
1
c
1
(A) + x
2
c
2
(A) +...+ x
n
c
n
(A).

Usando el lgebra de matrices particionadas, reescribimos :

B = [c
1
(A) , c
2
(A) ,..., c
n
(A)] AX
x
x
x
A
x
x
x
n n
=
(
(
(
(
(
(

=
(
(
(
(
(
(

2
1
2
1

Por lo tanto S
C
(A) = { AX / X M
nx1
}.

Si se trabaja con sistemas de ecuaciones lineales, entonces la caracterizacin de S
C
(A) es:

S
C
(A) = {B M
mx1
/ AX = B tiene solucin}

Se puede usar un argumento similar para probar que :

S
F
(A) = { YA / Y M
1xn
}

Ahora estableceremos formalmente algunos resultados simples pero tiles respecto a los
espacios fila y columna.

TEOREMA 2.7: Sean A M
mxn
, y P y Q matrices tales que PA y AQ estn definidas,
entonces se tiene que:
i) N(A) N(PA) , con N(A) = N(PA) si existe P
-1

ii) S
F
(PA) S
F
(A) , con S
F
(PA) = S
F
(A) si existe P
-1

iii) S
C
(AQ) S
C
(A) , con S
C
(AQ) = S
C
(A) si existe P
-1

Demostracin :
i) XN(A) AX = 0 (PA)X = 0 XN(PA)
Por lo tanto N(A) N(PA)
Si existe P
-1
, entonces :
XN(PA) (PA)X = 0 P
-1
(PA)X = 0 AX = 0
XN(PA) XN(A).
Luego N(PA) N(A). Por lo tanto si existe P
-1
, entonces N(A) = N(PA).
ii) Usando la caracterizacin del espacio fila obtenida anteriormente, tenemos que si P
M
rxm
:
S
F
(PA) = {Y(PA) / Y M
rxr
}
= {(YP)A / Y M
1xr
}
{ ZA / Z M
1xm
} = S
F
(A)
Si r = m y existe P
-1
, entonces el ltimo resultado nos da:
S
F
(A) = S
F
(P
-1
(PA)) S
F
(PA) , y estas dos inclusiones nos dicen que
S
F
(A) = S
F
(PA)
si existe P
-1
.
iii) Se deja de ejercicio.

Como A y B son equivalentes por filas si y solo si B = PA para alguna matriz P no-
singular (teorema 1.24) y A y B son equivalentes por columnas si y solo si B = AQ para
alguna matriz Q no-singular (teorema 1.26), tenemos el siguiente e importante:

COROLARIO:
i) A ~ B N(A) = N(B)
F
ii) A ~ B S
F
(A) = S
F
(B)
F
iii) A ~ B S
C
(A) = S
C
(B)
C

Ejercicio 3:
1.- Sea V = M
2
. Sean U
)
`

= = =
|
|
.
|

\
|
= c b d a IR M
d c
b a
0 / ) (
2

W
)
`

=
|
|
.
|

\
|
= b c M
d c
b a
/
2
Es M
2
= U + W ? Es directa esta suma ?

2.- Sea V = M
2
y U ,
)
`

=
|
|
.
|

\
|
= 0 /
2
c M
d c
b a
W
)
`

=
|
|
.
|

\
|
= 0 /
2
d M
d c
b a
Es M
2
= U + W? Es M
2
= U W ?

3.- Considerar los siguientes subconjuntos de IR
3
:

U = {(x ,y ,z) IR
3
/ x +y +z = 0 }
V = {(x ,y ,z) IR
3
/ x = z }
W = {(x ,y ,z) IR
3
/ x = y = 0 }
Pruebe que :
i) U, V, W son subespacios de IR
3

ii) IR
3
= U + V
iii) IR
3
= V + W
iv) IR
3
= U + W


4.- Sea V = IR
3
y sean U = {(x ,y ,z) IR
3
/ z = 0} y
W = {(x ,y ,z) IR
3
/ x = y =0}
Determine si IR
3
= U + W. Es directa esta suma?

5.- Sean U = ) 1 , 2 ( ; V = ) 1 , 0 ( ; W = ) 1 , 1 ( .
Probar que IR
2
= U y tambin que IR V
2
= V W

6.- Sean S = {(x ,y ,z) IR
3
/ x = 0} y T = (3,1,2)} {(1,2,0), ,
encontrar los vectores de S T.

7.- Sean V = IR
4
(IR)
U = {(x
1
, x
2
, x
3
, x
4
) R
4
/ 2x
1
- x
2
= 0 y x
3
= 0 }
W = } (2,1,-1,0) ), {(1,-1,0,0 , subespacios de IR
4
.

Es IR
4
= U + W? Es IR
4
= U W ?

8.- Pruebe que A
1
= , A
(
(
(

3
2
1
2
= , A
(
(
(

3
2
1
3
= generan M
(
(
(

3
2
1
3x1
(IR)

9.- Determinar y describir en IR
2
(IR) los siguientes subespacios:

i) W = ) 1 , 3 ( ii) W = ) 2 , 0 ( ), 0 , 5 ( iii) W = ) 5 , 3 ( ), 4 , 3 (

10.- Encontrar la expresin analtica en IR
3
para los subespacios siguientes:

i) W= ) 2 , 0 , 1 ( ii) W = ) 0 , 1 , 1 ( ), 0 , 1 , 1 ( iii) W = ) 0 , 0 , 1 ( ), 0 , 2 , 1 ( ), 3 , 2 , 1 (

11.- Sea S = {(1,1,2),(2,-1,0),(0,3,4)}. Determinar cules de los siguientes vectores
pertenecen a S :
v
v
1
= (8,-4,2) , v
v
2
= ) 2 4 2 , 2 3 3 + , ( , v
v
3
= (-2, 4, 4)
Existe R tal que (1+, ,
2
-3) S ?
12.- Sea S = x x x x x + + +
3 2 2 3
, 2 , 1 2 subespacio de IR
n+1
[x] .
Determine cules de los siguientes polinomios pertenecen a S:
i) x ii) 2 x iii) 3 4 3
2
+ x 1
2
+ x 5
3
+ x x
iv) 1
2
5
2
1
2 3
x x +

x v) vi) 1
4
+ x 5 x

13.- Pruebe que los dos subconjuntos siguientes generan al mismo subespacio de IR
3

U = {(1,-1,2),(3,0,1)}, W = {(-1,-2,3),(3,3,-4)}.

14.- Hallar un vector en IR
3
que genere U W , donde
U = {(x, y, z) IR
3
/ z = 0} , W = < { } (1,-1,1) (1,2,3),

15.- Sean U = {(x, y, z, t) IR
4
/ y +z +t = 0} y
W = {(x, y, z, t) IR
4
/ x + y = 0 z = 2t}

i) Encontrar los vectores de IR
4
que generan a : U , U W , W.
ii) Determinar (3,-3,2,1)

16.- Sean u
1
= (1,0,4) , u
2
= (2,3,1) vectores de IR
3
.
i) Encuentre IR de modo que (2, 3+ ,1) { }
2 1
, u u
ii) Averige que vectores pertenecen a { }
2 1
, u u :

v
v
1
= (2,1,2) , v
v
2
= (3,3,2) , v
v
3
= (1,1,0)

17.- Sean S, T subespacios de V tales que :
S =
2 1
, v v , T =
5 4 3
, , v v v

Pruebe que S + T =
5 4 3 2 1
, , , , v v v v v
18.- Determine si (-4,-8,1,-8) pertenece al espacio fila de

(
(
(

=
1 0 0 0 0
0 4 1 0 0
0 3 0 2 1
A

19.- Si
1
,
2
,
3
y
4
, generan V, con
3
+
1
+2
2
+
4
= 0, pruebe que
1
,
2
y
3

tambin generan V. Es posible generalizar este resultado?

20.- Pruebe que S
F
(A) = {YA / Y M
1xm
(K) }.


INDEPENDENCIA LINEAL Y BASES.

Si el conjunto de vectores {v
v
1
, v
v
2
,..., v
v
n
} generan al espacio vectorial V, entonces por el
teorema (2.6) todo vector v
v
en V puede expresarse como una combinacin lineal de los v
v
i
:
v
v
=
1
v
v
1
+
2
v
v
2
+...+
n
v
v
n
( 2.1)

Nos preguntamos: Bajo qu condiciones sobre los v
v
i
pueden determinarse en forma nica
los coeficientes
i
con respecto al vector v
v
y los vectores
i
del conjunto de generadores?
Supongamos que, adems de la expresin anterior, tambin tenemos que:
v
v
=
1
v
v
1
+
2
v
v
2
+...+
n
v
v
n
,

donde no todos los
i
=
i
. Manipulaciones algebraicas simples nos dan:
0 = v
v
- v
v
= (
1
-
1
) v
v
1
+ (
2
-
2
) v
v
2
+...+ (
n

n
) v
v
n


y como algunos de estos coeficientes no son nulos, los v
v
i
son dependientes en el sentido
que al menos uno de los v
v
i
puede ser expresado como una combinacin lineal de los otros.
Daremos una definicin formal de este importante concepto para espacios vectoriales
arbitrarios.

Definicin 2.9: Los vectores v
v
1
, v
v
2
,..., v
v
n del espacio vectorial V se llaman
LINEALMENTE DEPENDIENTES si existen escalares, no todos nulos,
tales que:

1
v
v
1
+
2
v
v
2
+...+
n
v
v
n
= 0

Los vectores v
v
i
se llaman LINEALMENTE INDEPENDIENTES si no son linealmente
dependientes; es decir:


1
v
v
1
+
2
v
v
2
+...+
n
v
v
n
= 0
1
=
2
=...=
n
= 0

Por lo tanto la respuesta a la pregunta formulada anteriormente acerca de la unicidad de los

i
en (2.1) es que los
i
son nicos si los vectores v
v
i
son linealmente independientes.

Un problema que surge frecuentemente es el de determinar si un conjunto dado de vectores
{v
v
1
, v
v
2
,..., v
v
n
} es linealmente dependiente o linealmente independiente.
Se recomienda el siguiente procedimiento para atacar este problema:

Paso 1: Suponga que:
1
v
v
1
+
2
v
v
2
+...+
n
v
v
n
= 0

Paso 2: Interprete la ecuacin del paso 1 como un sistema lineal homogneo , AX = 0 (La
tcnica a usar depender de la naturaleza de V.

Paso 3: Si el sistema del paso 2 tiene solucin no trivial, entonces los v
v
i
son linealmente
dependientes. Si el sistema tiene solamente la solucin trivial, entonces los v
v
i
son
independientes (Recurdese que el sistema homogneo AX = 0 tiene una solucin trivial si
y solo si el nmero de filas no nulas de E, la matriz escalonada reducida por filas,
equivalente por filas con A, es menor que el nmero de incgnitas en el sistema (teorema
1.1.8)

Ejemplo 1 : En M
nx1
los vectores

, . . . ,
(
(
(
(
(
(
(
(

0
0
1
1
E
(
(
(
(
(
(
(
(

0
0
1
0
2
E
(
(
(
(
(
(
(
(

1
0
0
3
E
son claramente linealmente independientes ya que:

1
E
1
+
2
E
2
+...+
n
E
n
= 0
es equivalente a :

(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

0
0
0
2
1
n

cuya nica solucin es


1
=
2
= ... =
n
= 0

Ejemplo 2: Consideremos los siguientes vectores de IR
4
:

v
v
1
= (1,2,-1,2) , v
v
2
= (-2,-5,3,0) , v
v
3
= (1,0,1,10)

Paso 1:

1
v
v
1
+
2
v
v
2
+
3
v
v
3
= 0 es equivalente a :

1
(1,2,-1,2) +
2
(-2,-5,3,0) +
3
(1,0,1,10) = (0,0,0,0)
o (
1
-2 +
3
, 2
1
-5
2
, -
1
+3
2
+
3
, 2
1
+10
3
) = (0,0,0,0 )
2
que nos da origen al sistema del paso 2.

Paso 2:

1
- 2
2
+
3
= 0
2
1
- 5
2
= 0
-
1
+ 3
2
+
3
= 0 o
2
1
+ 10
3
= 0


(
(
(
(

=
(
(
(

(
(
(
(

0
0
0
0
10 0 2
1 3 1
0 5 2
1 2 1
3
2
1


Paso 3: Intentaremos resolver el sistema reduciendo por filas la matriz aumentada (A|0)

(A|0) =
(
(
(
(

0 10 0 2
0 1 3 1
0 0 5 2
0 1 2 1

~
(
(
(
(

0 8 4 0
0 2 1 0
0 2 1 0
0 1 2 1
~
(
(
(
(

0 0 0 0
0 0 0 0
0 2 1 0
0 1 2 1

F
2
+F
3

4F
2
+F
3

-2F
2

-2F
1
+F
2

F
1
+F
3

-2F
1
+F
4


Como el sistema EX = 0 tiene menos filas no nulas (2) que incgnitas (3) se tiene por el
teorema 1.18 que el sistema EX = 0, y por lo tanto el sistema equivalente AX = 0, tiene
solucin no trivial y los vectores dados v
v
1
, v
v
2
, v
v
3
son linealmente dependientes. Ntese
que hemos mostrado esta dependencia probando la existencia de una solucin no trivial del
sistema AX = 0 sin necesidad de encontrar la solucin. Por supuesto que el sistema se
puede resolver:
Una solucin no trivial es
1
= -5 ,
2
= -2 y
3
= 1 y el estudiante puede verificar que -
5v
v
1
-2v
v
2
+ v
v
3
= 0.

Ejemplo 3: Sea IR
3
[x] , el espacio vectorial de los polinomios de grado a lo mas 2, y
consideremos los vectores :
p
1
(x) = x
2

-1 , p
2
(x) = x
2
+ x-2 , p
3
(x) = x
2
+3x+2

Paso 1: Observamos que:

1
p
1
(x) +
2
p
2
(x) +
3
p
3
(x) = 0 , es equivalente a :

1
(x
2
-1) +
2
(x
2
+ x- 2) +
3
(x
2
+ 3x+ 2) = 0+ 0x+ 0x
2
,
que, despus de reagrupar los trminos, es :
(-
1
-2
2
+2
3
) + (
2
+3
3
)x + (
1
+
2
+
3
)x
2
= 0 +0x+ 0x
2
.

Paso 2 : Esta ltima ecuacin es equivalente al sistema

1
-2
2
+ 2
3
= 0

2
+ 3
3
= 0

1
+
2
+
3
= 0

el cual en forma matricial es :
(
(
(

=
(
(
(

(
(
(


0
0
0
1 1 1
3 1 0
2 2 1
3
2
1



Paso 3: Reduciendo por filas la matriz aumentada de este sistema, tenemos:
|
|
|
.
|

\
|
0
0
0
1 1 1
3 1 0
2 2 1
~
|
|
|
.
|

\
|


0
0
0
3 1 0
3 1 0
2 2 1

~
|
|
|
.
|

\
|
0
0
0
6 0 0
3 1 0
2 2 1

F
1
+ F
3

-F
1

F
2
+F
3


y de la ltima matriz es claro que la nica solucin al sistema homogneo del paso 2 es
1

=
2
=
3
= 0. Por lo tanto concluimos que los polinomios p
1
(x), p
2
(x) , p
3
(x) son
linealmente independientes.

Hay algunas notas simples sobre la independencia y dependencia lineal de vectores, las
cuales enunciaremos para destacarlas y tenerlas como referencia.

1.- Cualquier extensin de un conjunto dependiente es otro conjunto dependiente. En otras
palabras jams se podr convertir un conjunto dependiente en uno independiente al
agregar ms vectores.
2.- Un conjunto que contenga a un solo vector, no nulo, es linealmente independiente.
3.- El vector nulo, por si slo, forma un conjunto dependiente y por lo tanto, de la nota 1,
cualquier conjunto que contenga al vector nulo debe ser dependiente.
4.- Todo subconjunto de un conjunto linealmente independiente es a su vez linealmente
independiente.
5.- Si AM
mxn
, la cual est en la forma escalonada reducida por filas, entonces las filas
no nulas de A son vectores de M
1xn
linealmente independientes.
6.- Si {v
v
1
, v
v
2
,..., v
v
k
} es un conjunto linealmente independiente y
v
v
k+1
<{v
v
1
, v
v
2
,..., v
v
k
}> , entonces {v
v
1
, v
v
2
,..., v
v
k
, v
v
k+1
} es un conjunto linealmente
independiente.
Muchos problemas que tratan con espacios vectoriales se simplifican enormemente si uno
puede encontrar conjuntos linealmente independientes y que generan al espacio en cuestin.
Tales conjuntos son llamados bases para el espacio.

Definicin 2.10: Sea V un espacio vectorial sobre IR
Una BASE para V es un conjunto de vectores linealmente independiente
de V, los cuales generan a V. Es decir B es una base para V si y solo si :
i) B es un conjunto linealmente independiente
ii) V = <B>.

Si la base para V contiene un nmero finito de vectores, diremos que V es de
DIMENSION FINITA.

TEOREMA 2.8: Si los vectores {v
v
1
, v
v
2
,..., v
v
n
} forman una base para V, entonces todo
vector de V puede escribirse en forma nica como combinacin
lineal de los v
v
i
. Recprocamente, si cada vector de V se puede
escribir en forma nica como combinacin lineal de los v
v
i
, entonces
los vectores {v
v
1
, v
v
2
,..., v
v
n
} forman una base de V.
Demostracin:

) Supongamos que los vectores {v
v
1
, v
v
2
,..., v
v
n
} forman una base para V, entonces se
tiene, en particular, que :
V = <{v
v
1, v
v
2,..., v
v
n}>
Luego por teorema 2.6 se tiene que
v
v
=
1
v
v
1
+
2
v
v
2
+...+
n
v
v
n
, v
v
V ,
i
K (*)

Para ver la unicidad de esta combinacin lineal, supongamos que v
v
se puede escribir
como:

v
v
=
1
v
v
1
+
2
v
v
2
+...+
n
v
v
n
(**)
MAT-350, lgebra Lineal
Es fcil ver, de (*) y (**) que:

0
v
= v
v
- v
v
= (
1
-
1
) v
v
1
+ (
2
-
2
) v
v
2
+...+ (
n
-
n
) v
v
n


Pero como los v
v
i
son linealmente independientes, debe ser :

i
-
i
= 0 , todo i = 1,2,...,n ,
esto es:

i
=
i
, todo i = 1,2,...,n

Lo cual nos indica que la combinacin lineal de (*) es nica.

) El recproco es inmediato si observamos que, por hiptesis, el vector nulo tiene
representacin nica en trminos de los v
v
i
, y por lo tanto los v
v
i
deben ser independientes.

Debe ser claro que los vectores {E
1
,E
2
,...,E
n
} del ejemplo 1 forman una base para M
nx1
.
Esta base es llamada la BASE CANONICA para M
nx1
y nos referimos a ella con
frecuencia.

Ejemplo 4:
Los vectores (1,0,...,0),(0,1,0,...,0),...,(0,0,..,1) forman una base para IR
n
llamada BASE
CANONICA para IR
n
. En particular:
{(1,0),(0,1)} es la base cannica para IR
2
,
{(1,0,0),(0,1,0),(0,0,1)} es la base cannica para IR
3
.

Evidentemente que {1} es la base cannica para IR
1
.

Ejemplo 5 :
Encuentre una base para el subespacio W de IR
4
, generado por
v
v
1 = (1,2,3,1) , v
v
2 = (3,2,1,1) , v
v
3 = (0,2,4,1) y v
v
4 = (1,1,1,1)

Solucin:
Tenemos que W = S
F
(A) ,donde :

=
(
(
(
(

=
4
3
2
1
v
v
v
v
A
(
(
(
(

1 1 1 1
1 4 2 0
1 1 2 3
1 3 2 1


Si , entonces S
F
A B ~
F
(B) = S
F
(A) = W ; por lo tanto llevaremos A a su forma
escalonada reducida por filas B, la cual es:


(
(
(
(


0 0 0 0
1 0 0 0
0 2 1 0
0 1 0 1

Se realizaron las siguientes operaciones: ) 3 (
2 1
F F + , ) (
4 1
F F + ; , ) (
4 2
F F ) (
2
F ;
, ( , ( ) 2 (
1 2
F F + ) 2
3 2
F F + ) 4
4 2
F F + y ( ) 2
4 3
F F + , ( )
1 3
F F + .
Aqu = (1,0,-1,0) , = (0,1,2,0) y
1
r
v
2
r
v
3
r
v
= (0,0,0,1) , las filas no nulas de B, son
linealmente independientes, generan W, y por lo tanto forman una base para W.

Ejemplo 6: Encuentre una base para N(A) donde

(
(
(




=
1 3 1 1
0 2 2 2
0 1 1 3
A


Solucin: Como N(A) = {XM
4x1
/ AX = 0} es el conjunto solucin del sistema
homogneo AX = 0 , necesitamos encontrar las soluciones de este sistema. Reduciendo por
filas la matriz de coeficientes obtenemos:

A= ~ ~ =B
(
(
(




1 3 1 1
0 2 2 2
0 1 1 3
(
(
(

1 3 1 1
0 8 4 0
0 8 4 0
(
(
(


0 0 0 0
0 2 1 0
1 1 0 1
F
1

-2F
3
+
2

3F
3
+F
1

4
F
2
+
3
F
4F
2
+F
1

F
2
+F
3

F
1
F
3
-F
1



Ahora, por el corolario del teorema 2.7, sabemos que N(A)=N(B).
El sistema BX = 0 es:

0 2
0
3 2
4 3 1
=
=
x x
x x x


y la solucin mas general de este sistema es :

,
1
0
0
1
0
1
2
1
2
2 2 1 1 2 1
2
1
1
2 1
x c x c c c
c
c
c
c c
+ =
(
(
(
(

+
(
(
(
(

=
(
(
(
(

+

donde c
1
y c
2
son arbitrarios. De esta ltima ecuacin, vemos que los vectores
independientes x
1
= (1 2 1 0)
t
y x
2
= (1 0 0 1)
t
forma una base para N(B) = N(A).

Aunque un espacio vectorial de dimensin finita puede tener muchas bases, ellas deben
contener el mismo nmero de vectores. Para probar este importante resultado
comenzaremos con l:

TEOREMA 2.9
Si B = {v
v
1
, v
v
2
,..., v
v
n
} es una base para el espacio vectorial V, entonces ningn conjunto
que posea n+1 vectores de V es linealmente independiente.

Demostracin: Consideremos { w
v
1
, w
v
2
,..., w
v
n
, w
v
n+1
} , conjunto arbitrario con n+1
vectores de V y nos preguntamos si podemos encontrar
1
,
2
,...,
n+1
K , no todos nulos,
tales que :


1
w
v
1
+
2
w
v
2
+...+
n
w
v
n
+
n+1
w
v
n+1
= 0 (2.2)

Ahora, como los v
v
i
forman una base de V, podemos encontrar
ij
K , nicos, tales que:

=
=
n
i
i i
v w
1
1 1
v v
, , ...,

=
=
n
i
i i
v w
1
2 2
v v

=
+ +
=
n
i
i ) i( n
v w
1
1 n 1
v v

Sustituyendo estas expresiones para los w
v
i
en (2.2), obtenemos:

=
n
i
i i
v
1
1 1

v
+ + ... + = 0

=
n
i
i i
v
1
2 2
v

=
+ +
n
i
i i(n n
v
1
1) 1

v

la cual, despus de algunos reordenamientos, se reduce a:

1
1
1
1j
v
n
j
j
v
)
`

+
=
+ + ... + = 0
2
1
1
2j
v
n
j
j
v
)
`

+
=
n
n
j
j
v
v
)
`

+
=
1
1
nj



Ahora, ya que los v
v
i
son linealmente independientes, cada uno de los coeficientes de la
ecuacin (2.3) se deben anular. Por lo tanto el problema de encontrar los
i
que satisfagan
(2.2) se reduce a encontrar
i
que satisfagan el sistema homogneo AX = 0, donde A = (
ij
)
M
n x (n+1)
.
Como en este sistema hay menos ecuaciones que incgnitas, el teorema 1.18 asegura la
existencia de un conjunto no trivial de xi que satisfacen AX = 0 y por lo tanto (2.3) y
(2.2). Luego, w
v
1
, w
v
2
,..., w
v
n
, w
v
n+1
son linealmente dependientes.

Usaremos este ltimo resultado para probar el teorema al que nos referimos previamente.

TEOREMA 2.10: Si B={v
v
1
, v
v
2
,..., v
v
n
} es una base para el espacio vectorial V, entonces
cualquier otra base de V debe tener exactamente n vectores.

Demostracin: Sea B'= w
v
1
, w
v
2
,..., w
v
m
otra base para V. Si m > n, entonces tenemos una
contradiccin al teorema (2.9), as que debe ser m n. Si m < n, entonces el teorema (2.9)
dice que m+1 vectores arbitrarios, en particular, {v
v
1
, v
v
2
,..., v
v
n
}, deben ser dependientes.
Esta es una nueva contradiccin; por lo tanto la nica posibilidad es m = n y la
demostracin queda lista.

El nmero de vectores de una base para V es una propiedad importante de V. Nuestro
ltimo teorema asegura que la siguiente definicin tiene sentido.

Definicin 2.11: Si V es un espacio vectorial de dimensin finita, entonces dim(V), la
DIMENSION DE V, se define como el nmero de vectores de cualquier
base de V.
Como ya hemos visto los n vectores del ejemplo 4 constituyen una base para IR
n
y por lo
tanto tenemos que:
dim(IR
n
) = n

Para los casos n = 2 y 3, ciertamente esto es consistente con lo que usualmente
denominamos dimensin.

Si consideramos K[x] como el conjunto de todos los polinomios con coeficientes en K,
tendremos el ejemplo ms simple de un espacio vectorial que no tiene dimensin finita.
Definicin 2.12: Si V = {0
v
} se definen:
dim V = 0 y
, el conjunto vaco, como base de V = {0
v
}.

TEOREMA 2.11: Los vectores {v
v
1
, v
v
2
,..., v
v
m
} son linealmente dependientes si y slo si
al menos uno de ellos es combinacin lineal de los restantes.

Demostracin:
) Supongamos que los vectores
{v
v
1
, v
v
2
,..., v
v
n
} son linealmente dependientes, entonces existen coeficientes
1
,
2
,...,
m

no todos nulos tales que :

=
=
m
i
i i
v
1
0
v


Sea
t
uno de los coeficientes no nulos, entonces:

=
= +
m
t i
i
t t
v v
1
1 1
0
v v
,
es decir:

=
=
m
t i
i
i i t t
v - v
1
) (
v v


o bien:
m
t
m
t
t
t
t
t
t
t
i
m
t i
i
t
i
t
v

v
v v v v v v

=
|
|
.
|

\
|
=
+
+

... ...
1
1
1
1
1
1
1


Por lo tanto v
v
t
es combinacin lineal de los vectores { v
v
1
, v
v
2
,..., v
v
t-1
, v
v
t+1
,..., v
v
m
}.

) Supongamos ahora que uno de los vectores, digamos v
v
t
, es combinacin lineal de los
restantes. Entonces:
m m t t t t
m
t i
i
i i t
v v v v v v
v v v v v v
+ + + + + = =
+ +

... ...
1 1 1 1 1 1
1
,

de donde:

+(-1)v

=
m
t i
i
i i
v
1
v
t
v
=0 , es decir, reordenando la suma :

1
v
v
1
+
2
v
v
2
+... +
t-1
v
v
t -1
+
t
v
v
) 1 (
t+1
v
v
t+1
+...+
m
v
v
m
= 0,

y como el coeficiente de v
v
t
, que es (-1), es distinto de cero, entonces todos los vectores
v
v
1
, v
v
2
,..., v
v
t
,..., v
v
m
son linealmente dependientes.

TEOREMA 2.12
Si {v
v
1
, v
v
2
,..., v
v
m
} es un conjunto de vectores linealmente dependientes, tales que generan
el espacio vectorial V, entonces existe algn v
v
t
V tal que {v
v
1
,..., v
v
t-1
, v
v
t+1
,..., v
v
m
}
genera al espacio V.

Demostracin:
Sea S = { v
v
1
, v
v
2
,..., v
v
m
} y supongamos que V = <S>.
Debemos probar que < S-{v
v
t
} > = V.
Por hiptesis: todo v
v
V, se tiene que:
v
v
= (2.4)

=
m
i
i i
v
1
v
Como S es linealmente dependiente, existe v
v
t
tal que :
m m
v
v
t =

(2.5)
t t
m
t i
i
i i
m
t i
i i
v v v
v v v
+ =

= 1
Reemplazando (2.5) en (2.4), obtenemos:
v
v
=
t
v
v
t
+


+ =
m
t i
i i
m
t i
i i t
m
t i
i i
v v v
v v v

Luego : v
v
= =

+
m
t i
i i i t
v
v
) (
i i t i
m
t i
i i
con v + =

,
v

es decir , v
v
< { v
v
1
, v
v
2
,..., v
v
t-1
, v
v
t+1
,..., v
v
m
} > y por lo tanto V = <S - {
t
v
v
}>.

TEOREMA 2.13:

Todo conjunto de vectores que genere a un espacio vectorial V debe contener una base
para V.

Demostracin : Se deja de ejercicio.


TEOREMA 2.14: (COMPLETACION DE BASES) Sea V un espacio vectorial de
dimensin n.
Si W = {
r
w w w
v v v
,....,
2 , 1
} es un conjunto linealmente independiente de vectores de V,
entonces es posible encontrar n-r vectores en V, digamos
n r r
w w w
v v v
,..... ,
2 1 + +
, de modo que los
vectores
n r
w w
r
w w w
v v v v v
,....
1 +
, ,....,
2 , 1
forman una base para V.

Demostracin:
Sea W = {
r
w w w
v v v
,....,
2 , 1
}
i) Si r = n, entonces es claro que W es base de V; pues por el teorema (2.13) W es parte de
una base, pero como la dimensin de V es n = r, entonces W es base de V como se afirm.

ii) Si r<n, entonces <W> es un subespacio propio de V, y por lo tanto existe tal
que no est en <{
V w
r

+1
v
1 + r
w
v
r
w w w
v v v
,....,
2 , 1
}>.

En consecuencia:
{
1 2 , 1
, ,....,
+ r r
w w w w
v v v v
} es linealmente independiente (Pues si no lo fuese se tendra que :

0 ....
1 1 2 2 1 1
= + + + +
+ + r r r r
w w w w
v v v v

Si
r+1
0 tenemos que :
{ w ,...., w , w w w w w
r 2 1 r
r
r
r r
r
> < + + + =
+ + +
+
v v v v v v v
) .... (
1
2
1
2
1
1
1
1

} , lo cual no puede ser)


Ahora, si <{
1 2 , 1
,....,
+ r
w w w
v v v
}> = V, tendramos que el conjunto {
1 2 , 1
,....,
+ r
w w w
v v v
}> es una
base para V.
Pero si <{
1 2 , 1
,....,
+ r
w w w
v v v
}> V, entonces es un subespacio propio de V, y por el
argumento anterior existe tal que:

+2
V w
r

v

+2 r
w
v
<{
1 2 , 1
,....,
+ r
w w w
v v v
}> y <{
2 1 2 , 1
, ,....,
+ + r r
w w w w
v v v v
}> es linealmente independiente.
As, si <{
2 1 2 , 1
, ,....,
+ + r r
w w w w
v v v v
}> = V el teorema estara probado. Si no fuese as, un
proceso anlogo y finito nos permite encontrar una base para V.

Ejemplo 7: Sea V = M
2
. Si W = es un subconjunto de M
)
`

|
|
.
|

\
|
|
|
.
|

\
|
1 1
0 1
,
1 0
1 1
2
, encontrar
una para M
2
que contenga al conjunto W.

Solucin: Es claro que W es un conjunto linealmente independiente, ya que ningn vector
es mltiplo del otro

i) Veamos si <W> = M
2

Tenemos que:

)
`

|
|
.
|

\
|
+
+
=
|
|
.
|

\
|

|
|
.
|

\
|
=
)
`

|
|
.
|

\
|
+
|
|
.
|

\
|
=
|
|
.
|

\
|

|
|
.
|

\
|
=
)
`

|
|
.
|

\
|
+
|
|
.
|

\
|
=
|
|
.
|

\
|

|
|
.
|

\
|
>= <
IR
d c
b a
M
d c
b a
IR
d c
b a
M
d c
b a
IR
d c
b a
M
d c
b a
W






, , /
, ,
0
0
/
, ,
1 1
0 1
1 0
1 1
/
2
2
2

)
`

= =
|
|
.
|

\
|
=
)
`

= + =
|
|
.
|

\
|
=
)
`

+ = = = + =
|
|
.
|

\
|
=
b a c d a M
d c
b a
a c b d a M
d c
b a
d c b a M
d c
b a
, /
, /
, , , /
2
2
2

)
`

= =
|
|
.
|

\
|
=
)
`

= + =
|
|
.
|

\
|
=
)
`

+ = = = + =
|
|
.
|

\
|
=
b a c d a M
d c
b a
a c b d a M
d c
b a
d c b a M
d c
b a
, /
, /
, , , /
2
2
2



Por lo tanto :<W>= es un subconjunto propio de
)
`

|
|
.
|

\
|

IR b a
a b a
b a
, /
2
M
Como

, el teorema (2.14) nos indica que : > <


|
|
.
|
\
|
W
2 2
0 1

)
`

|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
2 2
0 1
,
1 1
0 1
,
1 0
1 1
1
W es linealmente independiente

Ahora,
Es decir < es un subconjunto propio de ya que por ejemplo

.
)
`

+ =
|
|
.
|

\
|
=
)
`

+ + = + = = + + =
|
|
.
|

\
|
=
)
`

|
|
.
|

\
|
+ + +
+ +
=
|
|
.
|

\
|

|
|
.
|

\
|
=
)
`

|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
=
|
|
.
|

\
|

|
|
.
|

\
|
=
>
)
`

|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
>=< <
c b d M
d c
b a
IR d c b a M
d c
b a
IR
d c
b a
M
d c
b a
IR
d c
b a
M
d c
b a
W
/
, , , 2 , 2 , , /
, , ,
2 2
/
, , ,
2 2
0 1
1 1
0 1
1 0
1 1
/
2 2
0 1
,
1 1
0 1
,
1 0
1 1
2
2
2
2
1





>
1
W
2
M
|
|
.
|
\
|
1 0
0 0
> <
1
W
Sea W
)
`

|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
1 0
0 0
,
2 2
0 1
,
1 1
0 1
,
1 0
1 1
2
Concluimos entonces por el teorema (2.14) que es linealmente independiente, formado por
cuatro vectores y ya que dim ( ) = 4 , tenemos una base para que contiene a W, que
es lo que se peda.
2
M
2
M


EJERCICIOS PROPUESTOS


1) Determinar los valores propios y los subespacios de vectores propios
correspondientes , as como la dimensin de los mismos para las siguientes
matrices:

a) ,


|
|
.
|

\
|


1 5
2 2
|
|
.
|
\
|
2 5
1 2
|
|
|
.
|

\
|


9 4 12
0 1 0
8 4 11
|
|
|
.
|

\
|
2 2 2
2 5 4
2 4 5
b)


|
|
|
.
|

\
|
3 3 1
1 0 0
0 1 0
|
|
|
.
|

\
|
5 1 1
0 2 1
0 0 1
|
|
|
.
|

\
|
0 1 1
1 2 1
0 0 1
|
|
|
|
|
.
|

\
|
0 0 0 1
0 0 1 0
0 1 0 0
1 0 0 0

2) Sea la matriz A de orden 3 dada por
|
|
|
.
|

\
|
=
c
b
a
A
2 2
1 2
2 1
Se pide:
a) Los valores de los parmetros a ,by c para que 1
1
= sea un valor propio de
A que tiene por vector propio asociado al vector (1,1,1)
b) Para los valores de a, b y c calculados en el apartado a) hallar los valores y
vectores propios correspondientes de la matriz A.

3) Dada la matriz , se pide:
|
|
|
.
|

\
|
=
a c
b a c
b a
A
0
0
a) Qu relaciones deben verificarse entre los parmetros a, b y c para que A
tenga un valor propio triple?
b) Suponiendo a = 1 b = 2 y c = 0 hallar loa valores y vectores propios de A .
Probar que si es un valor propio de una matriz idempotente , entonces =1
o =0

4) Sea T:
{ } . IR de ) 2 , 2 , 3 ( ), 1 , 1 , 2 ( ), 0 , 1 , 1 ( B base la y
) 2 , , ( z) y, T(x, por definida
3
3 3
=
+ + = z y z y x y x IR IR

a) Hallar la matriz asociada a T respecto se las bases cannicas
b) Obtener la matriz M asociada a T si se considera la base B en los espacios de
partida y de llegada..

4) Estudiar para que valores de los parmetros son diagonalizables las matrices:


|
|
|
.
|

\
|
2 0 0
2 1 0
0 b a
|
|
|
.
|

\
|


a 0 0
0 3 1
1 0 3
|
|
|
.
|

\
|
1 0
0 3 0
0 1
b
a
|
|
|
.
|

\
|
a b
c b
c a
0
2 0 2
0

5) Sea V espacio vectorial de dimensin 4
y B=
{
base de V.
}
sen x x sen x x ( ), cos( ), ( ), cos( ) 2 2

6) Sea T:V V T.L. definida por : T(f) =
d f
dx
2
2


Es T diagonalizable? . Justifique.

Si lo es, indique la matriz diagonal.


7) a) Sea A M
n
(IR) una matriz tal que A
k
= I
n .
Demuestre que si es valor propio de A entonces
k
= 1
b) Sea AM
n
(IR) una matriz tal que A
2
= A.
Encuentre los valores propios de A.


Unidad III: TRANSFORMACIONES LINEALES (T.L.)

Definicin 4.1:

Consideremos la funcin T : V W, donde V y W son espacios vectoriales reales.
T es una transformacin lineal si:

I. ( ) ( ) ( )
2 1 2 1 2 1
; V , u T u T u u T u u
r r r r r r
+ = +

II. ( ) (u T u
u
r r
)
r
=
)
`

T
IR
V


Es decir,

I. La imagen de la suma de dos vectores de V, es igual a la suma de las imgenes de
cada una de ellas.

II. La imagen de un escalar por un vector, es igual al escalar por la imagen del vector.


Ejemplo1:

Sea la funcin: f: IR
2
IR
3

(x, y) (x + y, y, x y)

Demostrar que es transformacin lineal.

( ) ( ) ( )
2 1 2 1 2 1
; E , u f u f u u f u u
r r r r r r
+ = + I.



Tomemos dos vectores arbitrarios de IR
2
: ( ) ( )
2 2 2 1 1 1
, , y x u y x u = =
r r


( ) ( ) ( ) ( ) ( ) = + + = + = +
2 1 2 1 2 2 1 1 2 1
, , , y y x x f y x y x f u u f
r r


( ) ( ) ( ) ( ) ( ) | |
2 1 2 1 2 1 2 1 2 1
, , y y x x y y y y x x + + + + + + =

( ) ( ) ( ) ( ) ( ) ( ) = + + + = + = +
2 2 2 2 2 1 1 1 1 1 2 2 1 1 2 1
, , , , , , y x y y x y x y y x y x f y x f u f u f
r r


( ) ( ) ( ) ( ) ( )
2 2 1 1 2 1 2 2 1 1
, , y x y x y y y x y x + + + + + =

Luego es claro que, ( ) ( ) ( )
2 1 2 1
u f u f u u f
r r r r
+ = +
II. ) ( ) (u f u f
V u
r r
r
=
)
`


IR




Tomemos un vector en IR
2
: y un escalar arbitrario en IR: ( y x u , =
r
)

( ) ( ) ( ) ( ) ( ) y x y y x y x f y x f u f + = = = , , , ,
r


( ) ( ) ( ) ( ) ( ) ( ) = + = + = = y x y y x y x y y x y x f u f , , , , ,
r


( ) y x y y x + = , ,

Por lo tanto ( ) (u f u f
u
r r
)
r
=
)
`


IR
V


Conclusin: Como se cumplen los puntos I y II , diremos que f es una transformacin
lineal.



Ncleo de una transformacin lineal o Ker (T)


0
r
v
v
v
v
Ncleo de T
(Subespacio vectorial)
T
W V

















Definicin 4.2
Sea T: VW una transformacin lineal sobre IR
Se define el ncleo de T, anotado Ker(T), como:

Ker(T) { } 0 ) ( /
r
v v
= = v T V v



Ejemplo2:
Dada la transformacin lineal: T :IR
3
IR
2

(x, y, z) (x + y z, 2x + y + z)

Encontrar el ncleo de T.

Solucin:
Ker(T) = {(x, y, z) IR
3
| T(x, y, z) = (0, 0)}

T(x, y, z) = (0, 0) (x + y z, 2x + y + z) = (0, 0)

Escribiendo en forma de sistema:

3
3
2
3
2
3
3
2
0
3
2
3
2
0
0 2 3
0
0 2
0

=
=

=
=

=
= +

=
= +
)
`

= +
= +
)
`

= + +
= +
z
y
x
y
x
y
z
y
x
z y
y
y
x
z y x
y x
z y x
z y x
z y x


En forma matricial:

IR
z
y
x

|
|
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|
,
3
1
1
3
2


TEOREMA 4.1
Sea T: VW una transformacin lineal sobre IR
Entonces Ker(T) es subespacio de V


Demostracin:
v
I) Como T
W V
0 ) 0 (
v
= entonces 0
V
v
Ker(T) y por lo tanto Ker(T)
v v
v
II) Sean Ker(T) entonces T
2 1
, v v
W W W
v T v T v v 0 0 0 ) ( ) ( ) (
2 1 2 1
v v
v v v v
= + = + = +
v v
V de subespacio es Ker(T) ia consecuenc en y Ker(T) Luego
2 1
+ v v
En consecuencia Ker(T) es subespacio de V

PROPIEDADES DE LAS TRANSFORMACIONES LINEALES

Sea T: VW una transformacin lineal, entonces:
v v
1)
W V
0 ) 0 ( T =
v
2) V v , ) v ( T ) v ( T =
v v

3)

= =
= =
n
1 i
i i
n
1 i
i i
n ,..., 1 i , ) v ( T ) v ( T
v v

Demostracin: Ejercicio.


Imagen de una transformacin lineal:
Definicin 4.3

lineal acin transform una W V : T Sea
Se define la Imagen o Recorrido de T ,anotado Im(T), al conjunto :

Im(T)={ } { } V v v T w v T V v W w = =
v v v v v v
/ ) ( ) ( /


Es decir , Im(T) es el subespacio de W formado por todas las imgenes de los vectores de V


TEOREMA 4.2:

lineal acin transform una W V : T Sea
Entonces Im(T) es subespacio de W.
Adems si B={ }
n
v v v
v v v
,... ,
2 1
es una base para V,
Entonces Im(T) = ) ( ),..., ( ), (
2 1 n
v T v T v T
v v


Demostracin:
Es fcil ver que Im(T) es subespacio de W y se deja como ejercicio
Ahora , es claro que ) ( ),..., ( ), (
2 1 n
v T v T v T
v v
Im(T)
v
Sea w
v
Im(T) entonces existe w w W
v v
= ) v T( que tal
Como n i IR v v V v
n
i
i i
,..., 2 , 1 , donde ,
i
1
= =

=

v v v
Luego = =

= =
) ( ) (
1 1
n
i
i i
n
i
i i
v T v T w
v v v
) ( ),..., ( ), (
2 1 n
v T v T v T
v v

v v
As , Im(T) ) ( ),..., ( ), (
2 1 n
v T v T v T y en consecuencia Im(T)= ) ( ),..., ( ), (
2 1 n
v T v T v T
v v



Ejemplo 3:
Sea T definida por
1 2 1 3
:
x x
M M
|
|
|
.
|

\
|

|
|
.
|

\
|
=
|
|
.
|

\
|
+ +
+
=
|
|
|
.
|

\
|
z
y
x
z y x
z y x
z
y
x
1 1 2
1 1 1
2
T

Entonces Im(T)=
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
1
1
,
1
1
,
2
1
) 1 , 0 , 0 ( ), 0 , 1 , 0 ( ), 0 , 0 , 1 ( T T T


Por lo tanto ,
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
1
1
,
1
1
,
2
1
) T Im( y adems
)
`

|
|
.
|

\
|
|
|
.
|

\
|
=
1
1
,
2
1
ImT
Base



TIPOS DE TRANSFORMACIONES LINEALES

Sea T : V W una T :L :

T es inyectiva ssi v u ) v ( T ) u ( T
v v v v
= = .

T es epiyectiva ssi Im(T)=W , esto es, cada elemento de W posee una preimagen en V

T es biyectiva o biunvoca ssi T es inyectiva y epiyectiva

TEOREMA 4.3
lineal acin transform una W V : T Sea
v
T es inyectiva ssi Ker(T)={ } 0

Demostracin:
) Supongamos que T es inyectiva , esto es, T v u ) v ( T ) u (
v v v v
= = .
v
v
v
v
v
Sea z
v
Ker(T) entonces inyectiva es T pues , 0 z ) 0 ( T ) z ( T 0 ) z ( T
V V W
v
= = =
v
Luego, T inyectiva Ker(T)={ }
V
0

)Supongamos que Ker(T)= { }
V
0
v
y supongamos que ) v ( T ) u ( T
v v
= , entonces
v
v v

{ }
{ } inyectiva es T 0 Ker(T) Luego
v u
0 v u
0 ) T ( Ker ) v u ( 0 ) v u ( T 0 ) v ( T ) u ( T
V
V
V W W
=
=
=
= = =
v
v v
v
v v
v v
v v
v v



}
TEOREMA 4.4
lineal acin transform una W V : T Sea
T es epiyectiva W = Im(T) dim(W) = dim(Im T)

Demostracin : Ejercicio



TEOREMA 4.5 (TEOREMA DE LA DIMENSIN)
lineal acin transform una W V : T Sea
v v v
Sea B={
n
v v v ,... ,
2 1
una base para V
Entonces:

dim(V) = dim(Ker(T)) + dim(Im T)



Demostracin:

Supongamos que dim(Ker(T))=r , entonces una base para Ker(T) es

K={ .Por teorema de extensin de base , podemos obtener }
r 2 1
z ,..., z , z
v v v
v v v v
B={ }base para V.
r n 2 1 r 2 1
v ,..., v , v , z ,..., z , z

v v
Como Im(T)= ) v ( T ),..., v ( T ), v ( T ), z ( T ),..., z ( T ), z ( T
r n 2 1 r 2 1
v v v v v v
y por otra parte como
T(z
i
)=
W
0
v
, todo i=1,2,...,3 , entonces Im(T)= ) v ( T ),..., v ( T ), v ( T
r n 2 1
v v v

Si podemos probar que , ahora , Im(T) es linealmente independiente , su dimensin ser n-r
y el teorema estar demostrado.
{ }
L.I. es Im(T) que prueba que lo , r - n 1,2,..., i , 0 particular En
deV base es , z ,..., z , z , v ,..., v pues
, r 1,2,...., i , 0 - y r - n 1,2,..., i , 0
0 z v
Ker(T) para base es z ,..., z , z pues , z v
Ker(T) v 0 ) v ( T
0 ) v ( T : que upongamos S
i
r 2 1 r - n 1
i i
r
1 i
V i i
r n
1 i
i i
r 2 1
r
1 i
i i
r n
1 i
i i
r n
1 i
i i W
r n
1 i
i i
W
r n
1 i
i i
= =
= = = =
=
=
=
=


=
=

=
v v v v v
v
v v
v v v v v
v
v
v
v
v



Ejemplo 4:
Dada la funcin T : IR
3
IR
2
de modo que
(x, y, z)(x + 3y z, x + y z)

1. Demostrar que es T.L.
2. Encontrar T(2, 1, 3)
3. Encontrar T
1
(1, 2)
4. Encontrar una base para Ker( T)
5. Encontrar una base para Im (T)
6. Clasificar T

Solucin:
1. a) ( ) ( ) ( )
2 1 2 1
3
2 1
u T u T u u T ; IR u , u
r r r r r r
+ = +
r
Consideremos tres vectores arbitrarios de IR
3
: ( ) ( )
2 2 2 2 1 1 1 1
z , y , x u , z , y , x u = =
r


( ) ( ) ( ) ( ) = + = +
2 2 2 1 1 1 2 1
z , y , x z , y , x T u u T
r r

( )
2 1 2 1 2 1
z z , y y , x x T + + + =
( ) ( ) ( ) ( ) ( ) ( ) | |
2 1 2 1 2 1 2 1 2 1 2 1
z z y y x x , z z y y 3 x x + + + + + + + + =
r r

( ) ( ) ( ) (
2 2 2 1 1 1 2 1
z , y , x T z , y , x T u T u T + = + )
) ( ) (
2 2 2 2 2 2 1 1 1 1 1 1
z y x , z y 3 x z y x , z y 3 x + + + + + =
( ) ( ) ( ) ( ) ( ) = + + + + + + + =
2 2 2 1 1 1 2 2 2 1 1 1
z y x z y x z y 3 x z y 3 x
( ) ( ) ( ) ( ) ( ) | |
2 1 2 1 2 1 2 1 2 1
y y x x , z z y y 3 x x + + + + + + + =
r r r r
Vemos en consecuencia, que: ( ) ( ) ( )
2 1 2 1
u T u T u u T + = +

b) ( ) (u u
u
r r
r
T T
3
=
)
`

)
)) Tomemos un vector en IR
3
: y un escalar IR: ( ( z y x u , , =
r

( ) ( ) ( ) ( ) ( ) z y x z y x z y x z y x u + + = = = , 3 , , T , , T T
r


( ) ( ) ( ) ( ) ( ) ( ) = + + = + + = = z y x z y x z y x z y x z y x u , 3 , 3 , , T T
r

( ) z y x z y x + + = , 3

Vemos que: ( ) (u u
r r
T T = )

Como se cumplen las dos condiciones, podemos afirmar que es T.L.

2. T(2, 1, 3) = (2 + 3 + 3, 2 + 1 + 3) = (8, 2)


3. T
1
(1, 2) = (x, y, z) T(x, y, z) = (1, 2) (x + 3y z, x + y z) = (1, 2), que en
forma de sistema:


+
=
+
=

+
+ =
+
=

=
+
+
+
=
)
`

= +
=
)
`

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


=
+
=

=


=
+
=

+
=
+
=


4
2 1
4
7 2
4
7 2
4
2 1
4
8 4 2 1
4
2 1
z
y
x
z
x
z
y
z z
x
z
y


4. Ker(T) = (x, y , z) T(x, y, z) = (0, 0) (x + 3y z, x + y z) = (0, 0), que en forma
de sistema:

=
=

=
=

=
=

= +
=
)
`

= +
=
)
`

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

|
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|

=
=

=
=
1
2
1
2
1
2
2
4
2
4
2

z
y
x
z
y
x
z
x
y


Una base del Ker(T) sera el vector: (, , 1)


5. T
|
|
|
.
|

\
|

|
|
.
|

\
|


=
|
|
.
|

\
|
+
+
=
|
|
|
.
|

\
|
z
y
x
z y x
z y x
z
y
x
1 1 1
1 3 1 3

Una base de la imagen de T la forman los vectores: (1, 1), (3, 1)

6. Es epiyectiva porque la dimensin de la imagen de T es 2 que es la misma que la de IR
2
.


CLASIFICACIN DE LAS TRANSFORMACIONES LINEALES:

Sea T : V W una T.L , diremos tambin que es un Homomorfismo.

Sea T: V V una T.L , diremos que se trata de un Endomorfismo

Homomorfismo + Biyectiva Isomorfismo
Endomorfismo + Biyectiva Automorfismo

Ejemplo 5:

Sea el endomorfismo : T : IR
3
IR
3
definido por

|
|
|
.
|

\
|
z
y
x
|
|
|
.
|

\
|
+ +
+ +
+
z y x
z y x
z y x
3 3 4
4 2 3
Hallar:

1. Una base del Ker(T).
2. Una base de la imagen de T.
3. Dimensiones de la imagen y del Ker(T)
4. T
1
(2, 1, 1)
5. Clasificarla y determinar si es un automorfismo.

Solucin:
1. 3
)
`

= + +
=
)
`

= + +
=

= + +
= +
=

= + +
= + +
=

= + +
= + +
= +
0 3 21 4
7
0 3 3 4
0 7
0 3 3 4
0 7
0 7
0 3 3 4
0 4 2 3
0 7
0 3 3 4
0 4 2
0
z z x
z y
z y x
z y
z y x
z y
z y
z y x
z y x
z y
z y x
z y x
z y x

=
=
=
)
`

=
=

=
=
)
`

= +
=
z
y
x
z x
z y
z
x
z y
z x
z y
7
6
6
7
4
24
7
0 24 4
7
; que en forma vectorial:

|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
1
7
6

z
y
x


Una base del Ker(T) es el vector (-6, 7, 1)

2. T
|
|
|
.
|

\
|

|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
z
y
x
3 3 4
4 2 3
1 1 1
z
y
x

0 12 9 8 9 16 6
3 3 4
4 2 3
1 1 1
det = + + =
|
|
|
.
|

\
|


0 1 3 2
2 3
1 1
det = =
|
|
.
|

\
|

Por lo tanto, una base de Im(T) son los vectores: (1, 3, 4) , (1, 2, 3)
3. La dimensin de la imagen de T es 2, y la del Ker(T) sale de la frmula:

dim(V) = dim(Ker(T)) + dim(Im T) que es 1.


4. Consideremos el sistema:
) 1 , 1 , 2 ( ) z 3 y 3 x 4 , z 4 y 2 x 3 , z y x ( ) 1 , 1 , 2 ( ) z , y , x ( T ) z , y , x ( ) 1 , 1 , 2 ( T
1
= + + + + + = =


Luego:

= + +
= +
=

= + +
= +
=

= + +
= + +
=

= + +
= + +
= +
1 3 3 4
7 7
12 0
1 3 3 4
7 7
5 7
1 3 3 4
1 4 2 3
5 7
1 3 3 4
1 4 2 3
2
z y x
z y
z y x
z y
z y
z y x
z y x
z y
z y x
z y x
z y x


As T
1
(2, 1, 1) no existe

5. No es inyectiva ni epiyectiva y no es un automorfismo.


MATRIZ ASOCIADA A UNA TRANSFORMACIN LINEAL

Sea T : V W una T.L.
Supongamos que dim(V)=n y que dim(W)=m
Sean B ={ }
n
v v v
v v v
,... ,
2 1
base de V y C ={ }
m 2 1
w ,... w , w
v v v
base de W.
Consideremos

..........

m mn 2 n 2 1 n 1 n
m 2 m 2 22 1 12 2
m 1 m 2 21 1 11 1
w a ...... w a w a ) v ( T
.. .......... .......... .......... .......... .......... ..........
.. .......... .......... .......... .......... ..........
w a ...... w a w a ) v ( T
w a ...... w a w a ) v ( T
v v v v
v v v v
v v v v
+ + + =
+ + + =
+ + + =

Se define la matriz asociada a T , respecto de las bases B y C de V y W , respectivamente, y
anotada por ,
| |
, como la siguiente matriz de orden mxn :
T
C
B
| | T
C
B
=
|
|
|
|
|
|
|
.
|

\
|
mn 2 m 1 m
n 2 22 21
n 1 12 11
a ..... a a
..... ..... ..... .....
a ..... a a
a ..... a a


Ejemplo 6: Consideremos T :IR
3
IR
2
,
definida por :
(x, y, z) (x + y z, 2x + y + z) = T(x, y, z)

Si B={ y C= } ) 0 , 0 , 1 ( ), 0 , 1 , 1 ( ), 1 , 1 , 1 ( { } ) 0 , 1 ( ), 1 , 1 ( son bases de IR
3
y IR
2
,
hallar la
matriz asociada a T , respecto a estas bases .

Solucin:
T(1,1,1)=(1,4)=a
11
(1,1)+a
21
(2,3)
T(1,1,0)=(2,3)=a
12
(1,1)+a
22
(2,3)
T(1,0,0)=(1,2)= a
13
(1,1)+a
23
(2,3)

En forma de sistema de ecuaciones , tenemos:

a
11
+ 2a
21
= 1 a
12
+ 2a
22
= 2 a
13
+ 2a
23
= 1

a
11
+ 3a
21
= 4 a
12
+ 3a
22
= 3 a
13
+ 3a
23
= 2

Resolviendo, obtenemos :
a
11
= -5 a
12
= 0 a
13
= -1
a
21
= 3

a
22
=

1

a
23
= 1

TEOREMA FUNDAMENTAL DE EXISTENCIA DE LAS TRANSFORMACIONES
LINEALES
TEOREMA 4.6
Sea V y W dos espacios vectoriales
Supongamos que dim(V)=n
Sean B ={ }
n
v v v
v v v
,... ,
2 1
base de V y C ={ }
n 2 1
w ,... w , w
v v v
un conjunto arbitrario de
vectores en W.
Entonces ,existe una nica transformacin lineal T : V W que satisface las siguientes
condiciones:
n n
2 2
1 1
w ) v ( T
........ ..........
w ) v ( T
w ) v ( T
=
=
=
v
v v
v v


Demostracin:
Sea B ={ }
n
v v v
v v v
,... ,
2 1
base de V. Entonces para cada V v
w
, se tiene que

=
=
n
1 i
i i
v v
v v
(*)
Definamos la siguiente funcin:
i
n
1 i
i i
n
1 i
i
w ) v ( T ) v T(
que tal W V : T
v v v

= =
= =

tal que

Veamos que T es T.L.

Sea y vectores de V y a un nmero en IR, entonces:

=
=
n
1 i
i i
v v
v v

=
=
n
1 i
i i
v u
v v


= = = =
+ = + = + = +
n
1 i
i i i
n
1 i
i i i
n
1 i
i i
n
1 i
i i
w ) ( v ) ( ( T ) v v ( T ) v u ( T
v v v v v v

) v ( T ) u ( T w w
n
1 i
n
1 i
i i i i
v v v v
+ = + =

= =


Luego T es T.L.

Ahora supongamos que hay otra T.L. , digamos H:V W que tambin satisface las
condiciones H(
v
)= , i = 1,2....,n. Probaremos que H = T

i
v
i
w
v
T H Luego
) v ( T w ) v ( H ) v ( H ) v ( H v v Sea
n
1 i
i i
n
1 i
i i
n
1 i
i i
n
1 i
i i
=
= = = = =

= = = =
v v v v v v v

v v
En consecuencia, hay una nica T.L. que satisface T(
i
v )=
i
w , i=1,2,...,n


Ejemplo 7:

Hallar una transformacin T:IR
3
IR
2

tal que
T(1,1,1) = (1,4),
T(1,1,0) = (2,3),
T(1,0,0) = (1,2)
Solucin:
Es claro que los vectores { son L.I. , pues } ) 0 , 0 , 1 ( ), 0 , 1 , 1 ( ), 1 , 1 , 1 ( 0
0 0 1
0 1 1
1 1 1
.En
consecuencia , foman una base para IR
3.

Sea
3
IR ) z , y , x ( v =
v
, entonces (x,y,z)=a(1,1,1)+b(1,1,0)+c(1,0,0)
En forma de sistema:
a
z a
y b
x c b a
=
= +
= + +


Luego a=z , b=y-z c =x-y y por lo tanto T(x,y,z)=z(1,4)+(y-z)(2,3)+(x-y)(1,2), o bien
T(x,y,z) =(x + y z, 2x + y + z)

Ejemplo 8:

Hallar una transformacin lineal T :IR
3
IR
2

de modo que Ker(T)= ) 1 , 0 , 1 ( ), 4 , 2 , 1 (
Solucin:
En este caso no tenemos las condiciones del teorema anterior, pues los vectores (1,2,4) y
(1,0,1) , no forman base para IR
3
, pero como son L.I. , podemos extender a una base para
este espacio agregando, por ejemplo, el vector (1,0,0) de la base cannica de IR
3
, o
cualquier otro vector arbitrario que sea L.I. con los dos vectores anteriores.
As , una base para IR
3
es : B={ . Si tomamos cualquier vector (x,y,z)
en IR
} ) 0 , 0 , 1 ( ), 1 , 0 , 1 ( ), 4 , 2 , 1 (
3
y lo escribimos como combinacin lineal de B , tenemos:
(x,y,z)= a(1,2,4)+b(1,0,1)+c(1,0,0), de donde :
z b a 4
y a 2
x c b a
= +
=
= + +
2
z 2 y 3 x 2
y 2 z
2
y
x c , y 2 z b ,
2
y
a
+
= + = = =

Debe ser T(1,2,4)=(0,0) y T(1,0,1) = (0,0), ya que (1,2,4) y (1,0,1) estn en Ker(T).
Ahora podemos enviar (1,0,0) a cualquier vector de IR
2

Consideraremos T(1,0,0)=(1,2) y por tanto
) 2 , 1 (
2
z 2 y 3 x 2
) 0 , 0 )( y 2 z ( ) 0 , 0 (
2
y
) z , y , x ( T
+
+ + =
O bien ,
2
z 2 y 3 x 2
( ) z , y , x ( T
+
= 2x + 3y - 2z )



Definicin 4.4: (COORDENADAS DE UN VECTOR)

Sea B={ } base de V
n 2 1
v ,...., v , v
v v v
v
Entonces todo vector , se puede escribir en forma nica como: V v

=
=
n
1 i
i i
v v
v v
, donde a los nicos escalares
i
se les llama coordenadas del vector
v
v
,respecto a la base B. Estos escalares definen la llamada matriz coordenada o vector
coordenado, que se anota
| |
.As
| |

v
B
v
|
|
|
|
|
|
|
|
|
.
|
n
2
1

\
|

=
B
.
.
v
v

Ejemplo 9:

Sea B= { base de IR } ) 0 , 0 , 1 ( ), 0 , 1 , 1 ( ), 1 , 1 , 1 (
3
.
Hallar las coordenadas del vector ) 3 , 2 , 1 ( v =
v
,
respecto de esta base y luego respecto a la base cannica de IR
3

Solucin:

v
) 3 , 2 , 1 ( v = = ) 0 , 0 , 1 ( c ) 0 , 1 , 1 ( b ) 1 , 1 , 1 ( a + +
Luego,
3 a
2 b a
1 c b a
=
= +
= + +
1 c , 1 b , 3 a = = =
En consecuencia, las coordenadas respecto a la base B son:
| |
.
|
|
|
|
|
.
|

\
|

=
1
1
3
v
B
v
Por otra parte las coordenadas del vector respecto a la base cannica son
| |

|
|
|
|
|
.
|

\
|
=
3
2
1
3 , 2 , 1 (
) 3 ( C

Ejemplo10:

| |
|
|
|
|
|
.
|

\
|

=
1
4
3
v
Sea
B
v
. Si la base de IR
3

es B={ } ) 0 , 1 , 1 ( ), 1 , 2 , 3 ( ), 3 , 2 , 1 ( .
Hallar el vector v
v
.

Solucin:

v
) 13 , 13 , 14 ( ) 0 , 1 , 1 )( 1 ( ) 1 , 2 , 3 ( 4 ) 3 , 2 , 1 ( 3 v = + + =



TEOREMA 4.7:

Sea T:V W una T.L.
Sean B y C bases de V y W , respectivamente.
| | T
C
B
A Sea = la matriz asociada a T, respecto a las bases B y C
Entonces
| | | | v
B
A
) v ( T
C
v v
=

Es decir: Las coordenadas de vector imagen de v
v
, T( v
v
), respecto a la base del espacio de
llegada W son iguales al producto de la matriz asociada a T respecto a las bases B y C por
las coordenadas del vector v
v
respecto a la base B.

Demostracin: Ejercicio


Ejemplo 11:
Sea A , matriz asociada a T , respecto a las bases cannicas de IR
|
|
|
|
|
.
|

\
|
=
0 0 1
0 1 1
1 1 1
3
, en los
espacios de partida y llegada.

Hallar T(3,2,-1).

Solucin:
| | | |
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|

|
|
|
|
|
.
|

\
|
=

|
|
|
|
|
.
|

\
|
=

3
5
4
1
2
3
0 0 1
0 1 1
1 1 1
) 1 , 2 , 3 (
) 3 ( C
0 0 1
0 1 1
1 1 1
) 1 , 2 , 3 ( T
) 3 ( C

Luego , T(3,2,-1)=4(1,0,0)+5(0,1,0)+3(0,0,1)=(4,5,3)


Ejemplo 12:

Sea matriz asociada a T respecto de las bases B=
|
|
|
|
|
.
|

\
|
=
0 1 1
1 2 3
3 2 1
A { } 0 , 0 , 1 ( ), 0 , 1 , 1 ( ), 1 , 1 , 1 ( y
C={ } . Hallar T(x,y,z) ) 1 , 1 , 1 ( ), 1 , 1 , 0 ( ), 1 , 0 , 0 (

Solucin:

| |
=
) z , y , x ( T
C
|
|
|
|
|
.
|

\
|
0 1 1
1 2 3
3 2 1
| | ) z , y , x (
B

Calculemos la s coordenadas de (x,y,z)

(x,y,z) =a(1,1,1)+b(1,1,0)+c(1,0,0) , luego en forma matricial:

z a
y b a
x c b a
=
= +
= + +
y x c , z y b , z a = = =

Por lo tanto
| | ) z , y , x (
B
= ,
|
|
|
|
|
.
|

\
|

y x
z y
z
| |
=
) z , y , x ( T
C
|
|
|
|
|
.
|

\
|
0 1 1
1 2 3
3 2 1
|
|
|
|
|
.
|

\
|

y x
z y
z
=
|
|
|
|
|
.
|

\
|
+ +

y
z y x
z y x 3

Finalmente, T(x,y,z) =(3x-y-z)(1,1,1)+(x+y+z)(1,1,0)+y(1,0,0)=(4x+y,4x,3x-y-z)


Ejemplo 13:
Sea T:IR
2
IR
3
tal que:
T(1,0)=(2,-1,1)
T(0,1)=(-1,3,4)
a) Hallar la imagen de (4,-3)
b) Hallar T(x
1
,x
2
)
c) Hallar su ncleo, su imagen y clasificarla
Solucin:
a) {(1,0)(0,1)} forman la base cannica, y conocemos sus imgenes
Expresamos (4,-3) como combinacin lineal de la base cannica:
(4,-3)=a(1,0) + b(0,1) , luego a = 4 ; b=-3
T(4,-3)=T|4(1,0)-3(0,1)|=4T(1,0)-3T(0,1)=4(2,-1,1)-3(-1,3,4)=(11,-13,-8)
b)T(x
1
,x
2
) = T(x
1
(1,0)+x
2
(0,1)) =x
1
T(1,0) + x
2
T(0,1) = x
1
(2,-1,1) + x
2
(1,3,4)
Luego T(x
1
,x
2
) = (2x
1
- x
2
, -x
1
+ 3x
2
, x
1
+ 4x
2
)
a) Ker(T)={(x
1
,x
2
) / T(x
1
,x
2
) = (0,0,0)} ={ (x
1
,x
2
) / 2x
1
-x
2
=0 , -x
1
+3x
2
=0, x
1
+4x
2
=0 }
Luego Ker(T)={ } ) 0 , 0 (


EJERCICIOS


1.- Sea T : IR , definida por T(x,y) = (x+y,y,x)
3 2
IR
Es T una T.L.?

Solucin:

Sean u
r
= (x,y)
v
v = (w,z)


i) T( u
r
+v ) = T( u
v r
)+T( v )
v
T( u
r
)=T(x,y) = (x+y,y,x)
v
T( v )=T(w,z) = (w+z,z,w)
r
T( u ) + T( ) =(x+y+z+w,y+z,x+w) v
v

u
r
+ =(x+w,y+z) v
v
r v
T( u +v ) = T(x+w,y+z)= =(x+y+w+z,y+z,x+w)

T( u
r
) + T( ) = T( v
v
u
r
+v )
v
v
ii) T( v )= T( ) v
v

T( v
v
) = T( (w,z))
=T( w, z)
= ( w+ z, z, w)
= (w+z,z,w)
= T(w,z)
= T( v )
v

T( v
v
) = T( ) v
v
T es una T.L.

2.- Sea T: IR definida por T(x,y,z)=(x+1,y-z)
2 3
IR
es T una T.L.?

Solucin:

u
r
=(x,y,z)
v
v
=(a,b,c)

i) u
r
+v =(x+a,y+b,z+c)
v

T( u
r
+v )=T(x+a,y+b ,z+c)=(x+a+1,y+b-z-c)
v

T( u
r
)=T(x,y,z) = (x+1,y-z)
v
T( v )=T(a,b,c) = (a+1,b-c)
r
T( u ) + T( ) =(x+1+a+1,y+b-z-c) v
v
=(x+a+2,y+b-z-c)
v
T( u
r
+v ) T(
v
u
r
) + T( ) v
T no es una T.L..

3.- Sea T = definida por : (x)=AX,con A
a 1 2 1 2
M M


a
T M conocida
2
Es T una T.L?

Solucin:

T (x+y)= A (x+y)
a
=Ax+Ay
= (x)+ T (y)
a
T
a
T (
a
x) = A( x) = (Ax)=
a
T (x)
T es una T.L


4.-Sea T : M definida por :
3 L . T
2
IR ) 0 , , ( c b d a
d c
b a
T + + =
|
|
.
|

\
|
Hallar Ker (T), Im(T)

Solucin:

Sea B base cannica de M
)
`

|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
1 0
0 0
,
0 1
0 0
,
0 0
1 0
,
0 0
0 1
2
.
Im (T)
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
1 0
0 0
,
0 1
0 0
,
0 0
1 0
,
0 0
0 1
T T T T
= <(1,0,0),(0,1,0),(0,1,0),(1,0,0)>
=<(1,0,0),(0,1,0)>

Im (T)={(x,y,z) / z = 0} IR


Ker (T)

+ + =
|
|
.
|

\
|

|
|
.
|

\
|
= ) 0 , c b , d a (
d c
b a
T / ) M
d c
b a
2

+ + =
|
|
.
|

\
|

|
|
.
|

\
|
= ) 0 , c b , d a (
d c
b a
T / M
d c
b a
2

= + +
|
|
.
|

\
|
= ) 0 , 0 , 0 ( ) 0 , c b , d a /( M
d c
b a
2

= + = +
|
|
.
|

\
|
= 0 c b , 0 d a / M
d c
b a
2

= =
|
|
.
|

\
|
= c b , d a / M
d c
b a
2


|
|
.
|

\
|

= IR c , a / M
a c
c a
2

=

|
|
.
|

\
|

+
|
|
.
|

\
|

IR c , a /
0 1
1 0
c
1 0
0 1
a
=
)
`

|
|
.
|

\
|

|
|
.
|

\
|
0 1
1 0
,
1 0
0 1


5.-Sea T : IR def. por : ) M ] x [
3 4

) (
3 2
dx cx bx a T + + + =
|
|
|
.
|

\
|

+
+
0 0
0 0
0
d c
b a
d c b a
hallar una base para Im (T) y Ker (T)

Solucin:
Ker (T) = { / T } ] x [ IR dx cx bx a
4
3 2
+ + +
|
|
|
.
|

\
|
= + + +
0 0 0
0 0 0
0 0 0
) (
3 2
dx cx bx a
={ /a+b=0,c-d=0} ]
]
IR
IR
x [ IR dx cx bx a
4
3 2
+ + +
={ /a=-b,c=d} x [ IR dx cx bx a
4
3 2
+ + +
={ } c , a / ] x [ IR cx cx ax a
4
3 2
+ +
={ } c , a ] x [ IR ) x x ( c ) x 1 ( a
4
3 2
+ +
= ) , ( ), 1 (
3 2
x x x

Im (T) ) ( ), ( ), ( ), 1 (
3 2
x T x T x T T


|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|

|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|
=
0 0 1
0 0 0
1 0 0
,
0 0 0
0 1 0
0 0 1
0 0 1
0 0 0
1 0 0
,
0 0 1
0 0 0
1 0 0
,
0 0 0
0 1 0
0 0 1
,
0 0 0
0 1 0
0 0 1



6.- Sea T def. Por : T (x,y,z)=(x+y+z,x-y,z)
3 3
IR IR :
Calcule T

(1,2,3)
1

Solucin:

Ker (T) ={(x,y,z) /T(x,y,z)=(0,0,0)}
3
IR
={(x,y,z) /x+y+z=0,x-y=0,z=0}
3
IR
={(x,y,z) /x+y+z=0,x=y,z=0}
3
IR
={(x,y,z) /x=y=z=0}
3
IR
=<(0,0,0)>

Im (T) = <T(1,0,0) ,T(0,1,0),T(0,0,1)>
= < (1,1,0) ,(1,-1,0),(1,0,1)>

determinante =-2 0
T =(x,y,z) /T ) 3 , 2 , 1 (
1
T T (1,2,3)= T(x,y,z)
1
(1,2,3)=(x+y+z,x-y,z)
z=3
x=0
y=-2
T (1,2,3)=(0,-2,3)
1
7.- Hallar T : tal que:
2
3
M IR
|
|
.
|

\
|
=
|
|
.
|

\
|
=
|
|
.
|

\
|
=
1 0
1 0
) 0 , 0 , 1 (
1 0
1 0
) 0 , 1 , 1 (
4 2
0 1
) 1 , 1 , 1 (
T
T
T

Solucin:
Sea (x,y,z) , buscamos T (x,y,z)
3
IR
(x,y,z)= (1,1,1)+ (1,1,0)+ (1,0,0)
z=
=y-z
=x-y

(x,y,z)= z (1,1,1)+(y-z) (1,1,0)+(x-y) (1,0,0) /T
T (x,y,z)=
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
1 0
1 0
) (
1 0
1 0
) (
4 2
0 1
y x z y z
T (x,y,z)=
|
|
.
|

\
|

+
|
|
.
|

\
|

+
|
|
.
|

\
|
y x
y x
z y
z y
z z
z
0
0
0
0
4 2
0
T (x,y,z)
|
|
.
|

\
|
+ +
+
=
y x z y z z
y x z y z
4 2
T (x,y,z)
|
|
.
|

\
|
+

=
z x z
z x z
3 2
8.- Hallar un Isomorfismo entre y IR en forma explcita
2
M
4
Sea B ={ , , , } y
|
|
.
|

\
|
0 0
0 1
|
|
.
|

\
|
0 0
1 0
|
|
.
|

\
|
0 1
0 0
|
|
.
|

\
|
1 0
0 0
C={ (1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1)} base de IR
4

Definamos : T

=(1,0,0,0)
|
|
.
|
\
|
0 0
0 1
T

=(0,1,0,0)
|
|
.
|
\
|
0 0
1 0
T

=(0,0,1,0)
|
|
.
|
\
|
0 1
0 0
T

=(0,0,0,1)
|
|
.
|
\
|
1 0
0 0
|
|
.
|

\
|
d c
b a
=a

+b +c

+d /T
|
|
.
|
\
|
0 0
0 1
|
|
.
|

\
|
0 0
1 0
|
|
.
|
\
|
0 1
0 0
|
|
.
|

\
|
1 0
0 0

T

=(a,b,c,d)
|
|
.
|
\
|
d c
b a

Ker (T) ={

|
/(a,b,c,d)=(0,0,0,0)}
|
|
.
|
\
d c
b a

2
M
={ }
|
|
.
|

\
|
0 0
0 0













EJERCICIOS PROPUESTOS


1) Determine cules de las siguientes transformaciones son lineales:

1) T(x,y)=(x+1,y) 2) T(x,y)=(x+y,x-y,2x,y,x) 3)T(x,y)=(xy,x)

4) T(x,y,z)=(z,x+y,-y) 5) T(x,y,z)=(0,0,0,0) 6) T(x,y)=(x,x+2,y+1)

7) T(x,y)=(2x-y,x) 8) T(x,y,z)=(z,x+y) 9) T(x)=(2x,-x)

10) T(x,y)=(x+y,y,x) 11) T(x,y)=(x,y) 12) T(x,y,z)=(x+y+z,1)

2) Sea T: R
3
--> R definida por T(x,y,z) = x - 3y + 2z
Pruebe que T es T.L.
Encuentre una base para el Ker(T).
Cules son las dimensiones de IM(T) y KER(T)?

3) Sea T: R
3
--> R
3
definido por T(y,0,z)
Pruebe que T es T.L.l.
Encuentre bases para IM(T) y KER(T).
Cules son las dimensiones de IM(T) y KER(T)?

4) Sea f: R --> R una T.L y se define:

T: R --> R por T(x,y) = (x,y-f(x))

i) Probar que T es una T.L
ii) Probar que T es inyectiva
iii) Encontrar una base para IM(T), es decir para T(R)
iv) Es T isomorfismo? Justifique.

5) Sea T: R
3
[x] --> M
2
[R] definida por:


T(ax+ bx + c) =

|

|
|
.
|
\
+
+
a b c b
c a b a
Calcule una base para KER(T) y IM(T)







6) Sea T: M
2
(R) --> M
2
(R) definida por:

|
|
.
|

\
|
|
|
.
|

\
|
=
|
|
.
|

\
|
1 2
0 4
(
d c
b a
d c
b a
T

i) Es T una T.L?
ii) Calcule x e y ta les que: xT( ) + yT( ) = ( )
|
|
.
|

\
|
=
|
|
.
|

\
|
+
|
|
.
|

\
|
0 0
0 0
0 1
1 0
( )
1 0
0 1
( yT xT

iii) Determine KER(T).


7) Encontrar una T.L. T: IR
3
--> IR
3
tal que:

a) IM(T) = ) 6 , 4 , 4 ( ), 3 , 2 , 1 ( b) KER(T) = ) 1 , 1 , 0 ( ), 1 , 0 , 1 (


8) Considere la funcin T: M
4x1
---> M
3x1
definida por:
T(X) = AX donde:


|
|
|
.
|

\
|
=
1 9 8 7
1 6 5 4
1 3 2 1
A


i) Es T una T.L? ii) Es T inyectiva? iii) Es T epiyectiva?



9) Considere la funcin S:IR
3
--->IR
3
definida por

S(x,y,z) = (x+1,xy,|z|)

i) Es Transformacin Lineal?
ii) Es Inyectiva?
iii) Es Epiyectiva?

10) Considere la transformacin T: M
n
---> M
n
definida por:
T(X) = A
-1
XA donde A M
n
es una matriz conocida y no singular.

i)Es T una T.L? ii)Es T inyectiva? Es T epiyectiva?

11) Sea T: IR
3
--->IR
3
una T.L definida por:

T(x,y,z) = (x-y+2z,2x+y,-x-2y+2z)

Encuentre una base para el conjunto de imagenes, Im(T).

12) Sea T: V ---> W una T.L. Demuestre que si: {v
1
,v
2
,....v
n
} son L.D
entonces {T(v
1
),T(v
2
),....T(v
n
)} son L.D en W.
Enuncie el contrarecproco de esta afirmacin y pruebe que es cierta.

13) Sea B={e
1
,e
2
,e
3
} la base cannica de R
3
y {(1,1),(2,2),(0,0)}
vectores arbitrarios de IR.
Determinar una T.L. T: R
3
--> R
3
tal que:

T(e
1
) = (1,1) ; T(e
2
) = (2,2) ; T(e
3
) = (0,0)

14) Encontrar una T.L T: M
2
(R) --> R tal que :

2
1 1
1 0
( , 0
1 0
0 0
( , 1
0 1
0 1
( , 1
1 1
1 1
( =
|
|
.
|

\
|
=
|
|
.
|

\
|
=
|
|
.
|

\
|
=
|
|
.
|

\
|
T T T T



15) Sea B = {(1,0,1)(0,1,0),(0,1,1)} una base para IR
3
y sean

p(x) = x ; q(x) = 1 + x ; r(x) = 1 - x vectores de IR
3
[x].

Encontrar T: IR
3
--> IR
3
[x] tal que:

T(1,0,1) = r(x) ; T(0,1,0) = p(x) ; T(0,1,1) = q(x)

16) Encuentre T: IR
3
--->M
2
T.L. tal que: Im(T)=
|
|
.
|

\
|
|
|
.
|

\
|
1 1
0 1
,
1 0
1 1



17) Encuentre T: IR
3
[x] --> IR
4
tal que Ker(T) = { } X 1 , 1


18) Sea T: IR
3
--> IR
3
definida por T(x,y,z) = (x+y,y,z)

i) Encontrar Ker(T), IM(T)
ii) Es Y inyectiva? Es T epiyectiva?
iii) Si ii) es cierto, encuentre T
-1


19) Encuentre Kert(T), y donde sea aplicable, la inversa de:

i) T(x,y) = 2(x,-y) ii) T(x,y,z) = (x+y,y+z,x)
iii) T(x,y) = (y,0) iv) T(x,y,z) = (2x,-z,x+z)
v) T(x,y) = (x+y,x-y) vi) T(x,y,z) = (x-y,x+y+z,y+z)

20) Sea T: IR
n+1
[x] ---> IR
n+1
[x] definida por T[p(x)] =
dx
x p d )) ( (

Si B = {1,x,....,x
n
} es la base cannica de iR
n+1
[x].

Encontrar la matriz asociada a T, respecto de la base B en ambos espacios.

21) Sea T: IR
3
--> IR
3
definida por: T(x,y,z) = (3x+y-z,2x+2y-z,2x+2y)

i) Determine la matriz asociada a T respecto a la base cannica en
cada espacio.
ii) Calcule base para KER(T) e IM(T).

22) Sean B={(1,-1),(0,2)} y C={(1,0,-1),(0,1,2),(1,2,0)} bases de IR y IR
3

respectivamente.

i) Determine
| |
si S(x,y) = (2y,x-y,x)
s
C
B
ii) Determine T si
| |
si
T
C
B
|
|
|
.
|

\
|
=
0 1
1 0
0 1

23) Considere T:IR
3
--> IR
3
tal que T(x,y,z)=(x-2y,z,x+y)

a) Muestre que T es un isomorfismo
b) Calcule T
-1
y verifique que ella es la inversa
c) Muestre que T
-1
es un isomorfismo.


24) Sea T: IR --> IR definida por: T(1,2) = (2,3) ; T(2,2) = (1,1)

Si B = {(1,1),(-1,2)}. DeterminE la martriz asociada a T respecto
a la base B en ambos espacios

25) Sean S: IR
3
--> IR
4
y T:IR
4
--> IR transformaciones lineales definidas por:
S(x,y,z) = (x+y,x+z,y+3,x+y+z) , T(x,y,z,w) = (x+y,z+w)

Calcule: TS(1,1,1,1)

26) Sean S,T : IR
3
--> IR
3
transformaciones lineales, definidas por:

S(x,y,z) = (x-y,z-3y,x+y) T(x,y,z) = (x+y+z,z-x,x+2y)


Encontrar
|
[SoT] donde B base cannica de IR
| ST
B
B
3



27) Sean S,R : IR
3
--> IR
3
Transformaciones Lineales definidas por:

S(x,y,z) = (0,x,y) R(x,y,z) = (x,y,0)

Encuentre:
i) SR(1,0,1)
ii) RS(1,0,1)
iii) (R+S)(1,0,1)
iv) (R-2S)(1,0,1)

28) Encontrar la matriz de la T.L dada con respecto a cada uno de los
pares de bases dadas.

i) T : IR
3
--> IR
3
; T(x,y,z) = (x+y,x+z,0)

a) B y C las bases cannicas.
b) B base cannica C = {(1,1,0),(1,0,1),(0,0,1)}
c) B={(1,1,0),(1,0,1),(0,1,1)} C={(1,0,0),(1,1,0),(1,1,1)}

ii) T: IR
3
--> IR ; T(x,y,z) = (x-y,2y-3z)

a) B y C bases cannicas
b) B={(1,1,0),(1,0,1),(0,1,1)} C base cannica
c) B={(1,1,2/3),(2,-1,-1),(3,2,1/2)} C={(3,1),(1,5/2)}


COMPOSICION DE TRANSFORMACIONES LINEALES


TEOREMA 4.8:

Sean dos transformaciones lineales. U W : S y W V : T

Entonces la composicin de T con S , SoT, que anotaremos ST tal que
ST:VU
v
de modo que ST( ) v =S(T( ) v
v
),es una transformacin lineal.

Demostracin:
) v )( ST ( ) u )( ST (
L . T es S , )) v ( T ( S )) u ( T ( S
L . T es T , )) v ( T ) u ( T ( S
) v u ( T ( S ) v u )( ST (
v v
v v
v v
v v v v
+ =
+ =
+ =
+ = +

Luego ST es T.L


TEOREMA 4.9:

Sean dos transformaciones lineales y ST ,la
compuesta de T con S
U W : S y W V : T U V :

Sean B base de V, C base de W y D base de U
Supongamos que las matrices asociadas respectivas son :
| | | | | | ST S T
D
B
D
C
C
B
R , Q , P = = =
Entonces R=QP , es decir ,
| | | | | | T S ST
C
B
D
C
D
B
=

Demostracin:

Sabemos que
| | | |
| | v
ST ) v )( ST (
B
D
B
D
B
v
v
= (a)
v v
Por otra parte
| | | | | | | | | | | | | | v T S ) v ( T S ) v ( T ( S ) v )( ST (
B
C
B
D
C C
D
C
D
B
D
B
v v
= = = (b)

De (a) y (b) se deduce que
| | | | | | T S ST
C
B
D
C
D
B
=





Ejemplo 4.14:

Si T y U son T.L. en IR
2
definidos por T(x,y)=(y,x) y U(x,y)=(x,0)
Hallar explcitamente UT , TT=T
2
, U
2

Solucin:

(UT)(x,y)=U(T(x,y))=U(y,x)=(y,0)

T
2
(x,y)=T(T(x,y))=T(y,x)=(x,y)

U
2
(x,y)=U(U(x,y))=U(x,0)=(x,0)

Ejemplo 4.15:

Sea T , S y ST transformaciones lineales definidas en IR
3
tales que T(x,y,z)=(x,x+y,x+y+z)
y
S est dada por su matriz asociada en la base cannica en ambos espacios por
Q=
| |
y adems se sabe que la matriz asociada a ST es
R=
| |
. Hallar S(1,2,3) , si se sabe que en cada espacio se usa la base
cannica de IR
|
|
|
|
|
.
|

\
|
=
0 0 1
0 1 1
1 1 1
S
) 3 ( C
) 3 ( C

\
|
=
1 1
1 0
0 0
ST
) 3 ( C
) 3 ( C
|
|
|
|
|
.
|
1
1
1
3
.

Solucin:
Por teorema sabemos que PQ=R , donde Q es la matriz asociada a T , que se calcula como
sigue:
T(1,0,0)=(1,1,1)=1(1,0,0)+1(0,1,0)+1(0,0,1)
T(0,1,0)=(0,1,1)=0(1,0,0)+1(0,1,0)+1(0,0,1)
T(0,0,1)=(0,0,1)=0(1,0,0)+0(0,1,0)+1(0,0,1)
Luego Q=

.
|
|
|
|
|
.
|

\
|
1 1 1
0 1 1
0 0 1
Si calculamos P, que es la matriz asociada a S podremos resolver nuestro problema
Como P=RQ
-1
, es necesario calcular Q
-1
Clculo de Q
-1
:
|
|
|
|
|
.
|

\
|

|
|
|
|
|
.
|

\
|

|
|
|
|
|
.
|

\
|
1 1 0 1 0 0
0 1 1 0 1 0
0 0 1 0 0 1
~
1 0 1 1 1 0
0 1 1 0 1 0
0 0 1 0 0 1
~
1 0 0 1 1 1
0 1 0 0 1 1
0 0 1 0 0 1

As , la inversa de Q es Q
-1
=

y en consecuencia
P=


|
|
|
|
|
.
|

\
|

1 1 0
0 1 1
0 0 1
|
|
|
|
|
.
|

\
|

=
1 0 0
1 0 1
1 1 0
|
|
|
|
|
.
|

\
|

|
|
|
|
|
.
|

\
|
1 1 0
0 1 1
0 0 1
1 1 1
1 1 0
1 0 0

Finalmente
| |
=
) 3 , 2 , 1 ( S
) 3 ( C
|
|
|
|
|
.
|

\
|

1 0 0
1 0 1
1 1 0
|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|
=
3
2
1
3
2
1

Luego S(1,2,3) = (1,2,3)


CAPITULO IV: Valores y Vectores Propios

Definicin 5.1: Sea T : V V, una T.L. Sea IR .Diremos que :
IR es un valor propio de T v v v
v v
v
v
= ) T( que tal V en 0
En este caso v
v
se llama vector propio de T asociado al escalar o nmero .

Ejemplo 5.1
Sea T una T.L. definida por T(x,y)=(x+2y,3x+2y). Entonces
son vectores propios de T asociados a los valores propios
2 2
: IR IR
) 1 , 1 ( )
2
= v y
v
1
2
=
3 , 2 (
1
= v
v
4
1
= y , respectivamente.
En efecto, T(2,3)=(8,12)=4(2,3) y T(1,-1) = (-1,1) = -1(1,-1)

Ejemplo 5.2:
Sea T una T.L. definida por T(x,y,z)=(y,x,-z). Hallar valores y vectores propios
de T.
3 3
: IR IR
Solucin:
Buscamos ) , , ( ) , , ( ) 0 , 0 , 0 ( ) , , ( z y x z y x T que tal z y x v = =
v
.
Esto es, tal que: (y,x,-z)=( ( ) , , z y x , que es lo mismo que :
z z
x y
y x
=
=
=


0 ) 1 (
) (
= +
=
z
y y



0 ) 1 (
0 ) 1 (
2
= +
= +
z
y

1 =
( , no entrega valores propios reales) 0 1
2
= +
Si ( ) entoces 1 =
arbitrario z
y x =
{ } x y z y x V = =

/ ) , , (
1
es el conjunto de vectores
propios asociados con 1 = . Es decir { } IR z x z x x V =

, / ) , , (
1


{ } IR z x z x V + =

, / ) ) 1 , 0 , 0 ( ) 0 , 1 , 1 (
1

) 1 , 0 , 0 ( ), 0 , 1 , 1 (
1
=

V son todos los vectores propios asociados con 1 = .


Definicin 5.2:
Sea T : V V, una T.L. Sea v
v
vector propio de T y IR un valor propio
correspondiente.
Se define V { } v v T V v
v v v

= = ) ( /

TEOREMA 5.1 Sea T: V V, una T.L. Sea v
v
vector propio de T y IR un valor
propio correspondiente.
Entonces V es subespacio de V


Demostracin:
Es claro que V es no vaco, pues T

v v
v v
= ) (
Sean vectores en V , entonces T
2 1
, v v
v v
2 1 2 1 2 1
) ( ) ( ) ( v v v T v T v v
v v v v v v
+ = + = +
Luego = + ) (
2 1
v v T
v v
y en consecuencia
2 1
v v
v v
+ es vector propio asociado con , lo
cual indica que

V v v +
2 1
v v
, lo que prueba que V es subespacio de V.


TEOREMA 5.2
Sea T : V V, una T.L. Sea B={ }
n
v v v
r v v
,...., ,
2 1
una base de V formada por vectores propios
de T cuyos valores propios correspondientes son
n
,....., ,
2 1

Entonces la matriz asociada a T respecto de esta base en ambos espacios es una matriz
diagonal cuyos elementos son
n
,....., ,
2 1
.

Demostracin:
n n n n n
n
n
v v v v v T
v v v v v T
v v v v v T
v v v v v
v v v v v
v v v v v



+ + + = =
+ + + = =
+ + + = =
.... 0 0 ) (
......... .......... .......... .......... .......... ..........
0 .... 0 ) (
0 .... 0 ) (
2 1
2 2 1 2 2 2
2 1 1 1 1 1

Luego , la matriz asociada es : ; lo cual prueba el
| |
|
|
|
|
|
|
.
|

\
|
= =

n
n
B
B
T
D

0 0 0 0
...... 0 0
. . . . .
0 0 ...... 0
0 0 ...... 0
1
2
1
teorema.

TEOREMA5.3:
Sea T : V V, una T.L. Sean
k
,....., ,
2 1
k
v v v
valores propios diferentes entre si,
correspondientes a los vectores propios
v v v
,...., ,
2 1
de T.
Entonces los vectores propios {
k
v v v
v v v
,...., ,
2 1
} de T son linealmente independientes en V.
Demostracin:
Sea {v =
k
A
k
v v
v v v
,...., ,
2 1
}. Probaremos por induccin que es L.I.
k
A
1
A ={v } es L.I. , pues v es vector propio y por lo tanto distinto de cero
1
v
1
v
Supongamos ={ } es L.I.
r
A
r
v v v
v v v
,...., ,
2 1
Probaremos que = {v
1 + r
A
1 2 1
,...., ,
+ r
v v
v v v
}es L.I.


D
e
, , , , , , , , ,
. , ,.... , , ) (
) (
) (
) (
) ( /
) ( /
0 0 0 0
2 1 0
2 1 0
0
0
0
0 0
0 0
1 1 1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1 1
1
1
v
v
v
v
v
v
v
v
v
v
v
v
v
v
v
v
v
v
v
v
v
= = =
= =
= =
=
=
=
= =
= =
+ + +
+
=
+
=
+
+
=
+
+
=
+
=
+
=
+
=
+ +
+
=



v pues v v a en emplazando
r i
I L son r i
v
v
b v
v T T v
a v v
r r r V
r
i
i i
i
i r i
V
r
i
i i r i
V
r
i
i i r i
V
r
i
i i i
V
r
i
i i V
r
i
i i
V
r
i
i i r r V
r
i
i i








. diferentes son los hiptesis por pues
v los pues
: (b) con (a) Restando
: que Supongamos
i
i


Definicin 5.3:
Una transformacin lineal T:VW se llama diagonalizable si existe una base para V de
modo que la matriz asociada a T respecto de esta base en ambos espacios es una matriz
diagonal

Teorema 5.4
Sea T:VW una T.L. Sea es un valor propio de T ssi T- IR id no es inyectiva

Demostracin:
IR es un valor propio de T ssi 0 v , v ) v ( T
v
v v v
=

Luego
{ }
inyectiva es no T
0 ) T ( Ker
0 v ), T ( Ker v
0 v , 0 ) v )( id T (
, 0 ) v ( id ) v ( T 0 v ) v ( T



=
= =
v
v
v v
v
v
v
v
v
v v
v
v v





La versin matricial del teorema anterior es la siguiente:
0 I - A ssi T de propio un valor es IR
n
=
La ecuacin 0 I - A
n
= , se llama ecuacin caracterstica y permite calcular los valores
propios de T.
Por otra parte la ecuacin ( )X=(0) nos permite calcular los vectores propios de T,
donde la matriz X es equivalente al vector
n
I - A
) 0 ( v
v



OBSERVACIN: De los teoremas anteriores se deduce que si tenemos una
transformacin lineal y existe una base para V formada por vectores propios de
T, entonces T es diagonalizable.
V V : T

Ejemplo 5.3:
Sea T una transformacin lineal de IR
3
en si misma que tiene como matriz asociada:
|
|
|
.
|

\
|

=
0 2 2
3 1 3
1 1 3
A
Calcular los valores propios.
Existe base de IR
3
formada por vectores propios de T? (Justificar la respuesta). En
caso afirmativo encontrarla.
Es T diagonalizable? (Justificar la respuesta).En caso afirmativo, dar la matriz
diagonal resultante y una base para la cual T tenga forma diagonal.
Solucin:
i. Los valores propios se calculan de la ecuacin 0 I - A
n
= , esto es de:
det =
|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|



+
|
|
|
|
|
.
|

\
|

=
|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|

|
|
|
|
|
.
|

\
|

0 0
0 0
0 0
0 2 2
3 1 3
1 1 3
det
1 0 0
0 1 0
0 0 1
0 2 2
3 1 3
1 1 3


P
MAT-350, lgebra Lineal
( ) ( ) ( ) ( ) ( ) ( ) ( ) = + + + =
|
|
|
|
|
.
|

\
|



3 3 6 1 2 6 6 1 3 )
2 2
3 1 3
1 1 3
det(
( ) ( ) ( ) = + + + = 3 6 18 2 2 3 3
2

16 4 4 3 6 18 2 2 3 3
2 3 3 2 2
+ + = + + + + + =
=( + 2) (
2
+ 6 8) = 0
que equivale a decir que ( + 2) = 0, o (
2
+ 6 8) = 0,
En el primer caso :( + 2) = 0 = 2
En el segundo caso (
2
+ 6 8) = 0
( ) ( )
( ) 2
2 6
2
32 36 6
1 2
8 1 4 6 6
2


=



Esto es : = 2 o = 4
Podemos decir entonces, que los valores propios de A son: 2, 2 y 4
ii. Como los valores propios son todos diferentes, los vectores propios asociados sern L.I.
y forman base para IR
3
.

Consideremos la matriz:
|
|
|
|
|
.
|

\
|



=
2 2
3 1 3
1 1 3
) I A (

Ahora sustituimos por cada uno de los valores propios.
En el caso de = 2, tenemos que:

)
`

= +
=
)
`

= +
=

= +
=
=

= +
=
= +

= +
= +
= +
0 2 2 2 0 2 2 2
0 12 12
0 2 2 2
0 12 12
0 12 12
0 2 2 2
0 12 12
0 5
0 2 2 2
0 3 3 3
0 5
z y x
z y
z y x
z y
z y x
z y
z y
z y x
z y
z y x
z y x
z y x
z y x




t z
t y
x
x
z y
=
=
=
)
`

=
=
0
0


que escrito en forma matricial es:

IR t
1
1
0
t
z
y
x

|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|

en el caso = 2, tenemos que:
t z
y
t x
z z
y
z x
y
z x
y
y
z y x
z y x
z y x
z y x
z y x
=
=
=

=
=
=

=
=
=

=
=
= +

=
=
= +
0 0
0
0
0 4
0 4
0 3 3
0
0 2 2 2
0 3 3
0

que en forma matricial es:

IR t
1
0
1
t
z
y
x

|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
en el caso = 4, tenemos que:
0
0
0 4 2 2
0 6
0
0 4 2 2
0 3 3 3
0
=
=
=

=
=
=

=
=
= +

=
=
= +
z
t y
t x
x x
z
x y
z y x
z
z y x
z y x
z y x
z y x


que en forma matricial es:

IR t
0
1
1
t
z
y
x

|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|

As , ) 0 , 1 , 1 ( V , ) 1 , 1 , 0 ( V , ) 1 , 0 , 1 ( V , ) 1 , 1 , 0 ( V
4 2 2 2
= = = =



Por lo tanto B={(0,1,1), (1,0,1), (1,1,0)}es base de IR3 formada por vectores propios de A.



MAT-350, lgebra Lineal
)

iii. Podemos afirmar que T es diagonalizable porque los tres valores propios son diferentes
y adems nmeros reales.

La matriz diagonal resultante es:
|
|
|
.
|

\
|
4 0 0
0 2 0
0 0 2
Una base en la cual T tiene forma diagonal ser cualquier base formada por los vectores
propios asociados con los valores propios de A, servira, por ejemplo, la base que hemos
encontrado en el apartado anterior : B={(0,1,1), (1,0,1), (1,1,0)}

En el caso de valores propios que estn repetidos debemos ver si la solucin del sistema nos
entrega los vectores propios que necesitamos para diagonalizar la matriz.

Ejemplo 5.4:
Encontrar los valores propios y los vectores propios de la matriz: M
|
|
.
|

\
|
=
1 1
0 1
Solucin:
Aplicando la frmula:
( ) =
|
|
.
|

\
|


=
|
|
.
|

\
|
|
|
.
|

\
|


+
|
|
.
|

\
|
=
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
1 1
0 1
det
0
0
1 1
0 1
det
1 0
0 1
1 1
0 1
det I M det
( ) ( = 1 1
Lo que nos da la ecuacin: ( ) ( ) 0 1 1 = , de donde = 1.
Reemplazando aquel valor en la matriz , obtendremos el sistema:
|
|
.
|

\
|

1 1
0 1
} IR t
1
0
t
y
x
t y
0 x
y y
0 x
0 y 0 x 1
0 y 0 x 1
0 y 0 x 0

|
|
.
|

\
|
=
|
|
.
|

\
|

=
=

=
=
= +

= +
= +




Aqu hay slo un vector independiente, que es insuficiente para crear una base de vectores
independientes y por tanto, la matriz M no ser diagonalizable.

Ejemplo 5.5:
Encontrar los valores propios y los vectores propios de la matriz: M
|
|
|
.
|

\
|
=
2 1 1
1 2 1
1 1 2
Solucin:
Aplicando la frmula:
( ) =
|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|



+
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|

|
|
|
|
|
.
|

\
|
=
0 0
0 0
0 0
2 1 1
1 2 1
1 1 2
det
1 0 0
0 1 0
0 0 1
2 1 1
1 2 1
1 1 2
det I M det
( ) ( ) = + + + + = + + =
|
|
|
|
|
.
|

\
|



= 3 6 1 1 6 12 8 2 3 1 1 2
2 1 1
1 2 1
1 1 2
det
3 2 3

4 9 6
2 3
+ + =
=( ) ( ) 4 5 1
2
+ , que igualando a cero tendremos la ecuacin caracterstica:
( ) ( ) 0 4 5 1
2
= +
Luego ( 1) = 0, o (
2
+ 5 4) = 0; e el primer caso:
= 1; y en el segundo:
( ) ( )
( ) 2
3 5
2
16 25 5
1 2
4 1 4 5 5
2


=



de donde = 1 o = 4
En el caso de = 1:
}

=
=
=
=
=
=

=
=
=
=
=
=
= + +

= + +
= + +
= + +
t z
t y
0 x
tambin o
t z
t y
0 x
y z
y y
0 x
tambin o
z z
z y
0 x
0 z y x
0 z y x
0 z y x
0 z y x



Departamento de Matemtica, Estadstica y Fsica Pg. 130
es decir:

IR t
1
1
0
t
z
y
x
tambin o
1
1
0
t
z
y
x

|
|
|
|
|
.
|

\
|

=
|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
los vectores propios que surgen para = 1 son: (0, 1,1) i (0,1, 1).
En el caso = 4 el sistema a resolver es:

=
=
= +

= +
=
= + +

= +
=
= + +

= +
= +
= + +

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

=
=
=

=
=
=

=
=
= +
t x
t z
t y
y x
y z
y y
y x
y z
y x 0 2 2
, es decir: IR t
1
1
1
t
z
y
x

|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
El vector propio que resulta para = 4 es: (1,1,1)
Tenemos por tanto tres vectores propios que son L.I. y que forman base, lo cual es
equivalente a decir que la matriz M es diagonalizable.




EJERCICIOS PROPUESTOS

1) Determinar los valores propios y los subespacios de vectores propios correspondientes,
as como la dimensin de los mismos para las siguientes matrices:

|
|
.
|

\
|


1 5
2 2
,

, ,
|
|
.
|
\
|
2 5
1 2
|
|
|
.
|

\
|


9 4 12
0 1 0
8 4 11
|
|
|
.
|

\
|
2 2 2
2 5 4
2 4 5


|
|
|
.
|

\
|
3 3 1
1 0 0
0 1 0
|
|
|
.
|

\
|
5 1 1
0 2 1
0 0 1
|
|
|
.
|

\
|
0 1 1
1 2 1
0 0 1
|
|
|
|
|
.
|

\
|
0 0 0 1
0 0 1 0
0 1 0 0
1 0 0 0

2) Sea la matriz A de orden 3 dada por
|
|
|
.
|

\
|
=
c
b
a
A
2 2
1 2
2 1
Se pide:
Los valores de los parmetros a ,by c para que 1
1
= sea un valor propio de A que
tiene por vector propio asociado al vector (1,1,1)
Para los valores de a, b y c calculados en el apartado a) hallar los valores y vectores
propios correspondientes de la matriz A.

3) Dada la matriz , se pide:
|
|
|
.
|

\
|
=
a c
b a c
b a
A
0
0
Qu relaciones deben verificarse entre los parmetros a, b y c para que A tenga un
valor propio triple?
Suponiendo a = 1 b = 2 y c = 0 hallar loa valores y vectores propios de A .
Probar que si es un valor propio de una matriz idempotente , entonces =1 o =0




4) Sea T:
{ } . IR de ) 2 , 2 , 3 ( ), 1 , 1 , 2 ( ), 0 , 1 , 1 ( B base la y
) 2 , , ( z) y, T(x, por definida
3
3 3
=
+ + = z y z y x y x IR IR

Hallar la matriz asociada a T respecto se las bases cannicas
Obtener la matriz M asociada a T si se considera la base B en los espacios de
partida y de llegada.

5) Estudiar para que valores de los parmetros son diagonalizables las matrices:


|
|
|
.
|

\
|
2 0 0
2 1 0
0 b a
|
|
|
.
|

\
|


a 0 0
0 3 1
1 0 3
|
|
|
.
|

\
|
1 0
0 3 0
0 1
b
a
|
|
|
.
|

\
|
a b
c b
c a
0
2 0 2
0

6) Sea V espacio vectorial de dimensin 4
y B=
{
base de V.
}
sen x x sen x x ( ), cos( ), ( ), cos( ) 2 2

7) Sea T:V V T.L. definida por : T(f) =
d f
dx
2
2


Es T diagonalizable? . Justifique.

Si lo es, indique la matriz diagonal.


8) a) Sea A M
n
(IR) una matriz tal que A
k
= I
n .
Demuestre que si es valor propio de A entonces
k
= 1
b) Sea AM
n
(IR) una matriz tal que A
2
= A. Encuentre los valores propios de A.

Potrebbero piacerti anche