Algebra Lineal (Santiago Relos)

Algebra Lineal
Santiago Relos P.
Departamento de Ciencias Exactas
Universidad Privada Boliviana
Cochabamba, Bolivia
4 de mayo de 2014
2
Abstract
Se presenta a la comunidad de la UPB, este texto que trata sobre una introduccin al lgebra
Lineal. Est destinado a estudiantes de primer semestre. Se caracteriza por presentar los temas
combinando rigurosidad y aplicaciones de esta rama tan aplicada de las matemticas. Los temas
que trata son:
Matrices
Sistemas de ecuaciones lineales
Espacios Vectoriales Reales
Producto Interno
Autovalores y Autovectores
Transformaciones Lineales
Factorizacin LU y LR
Matrices Denida Positivas
Contiene una grn cantidad de ejercicios resueltos y problemas propuestos con respuestas.
Mis agradecimientos sinceros a Hugo Rojas Salinas PhD. y al Ing. Diego Sejas Viscarra por
la lectura y sugerencias de la versin anterior.
ndice General
1 Algunas aplicaciones del Algebra Lineal
1.1 Programacin Lineal1 . . . . . . . . . . .
1.1.1 El problema del transporte . . . .
1.1.2 El problema de la dieta . . . . . .
1.1.3 El problema del ujo en una red .
1.2 Regresin lineal con k variables . . . . . .
1.3 El modelo Input-Output de Leontief . . .
1.4 El secreto del Google y el Algebra Lineal
1.5 Clculo a varias variables . . . . . . . . .
1.6 Mensajes secretos. Criptografa . . . . . .
1.7 Telecomunicaciones . . . . . . . . . . . . .
1.8 Compresin de imgenes . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Matrices
2.1
2.2
2.3
2.4
2.5
9
9
9
10
11
12
12
13
15
15
16
16
17
Qu es una matriz? . . . . . . . . . . . . . . . . . . . . .
2.1.1 Notacin. . . . . . . . . . . . . . . . . . . . . . . .
2.1.2 Orden de una matriz . . . . . . . . . . . . . . . . .
Operaciones con matrices . . . . . . . . . . . . . . . . . .
2.2.1 Igualdad de matrices . . . . . . . . . . . . . . . . .
2.2.2 Producto por un nmero . . . . . . . . . . . . . . .
2.2.3 Suma . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.4 Resta . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.5 Producto de matrices . . . . . . . . . . . . . . . .
2.2.6 La transpuesta de una matriz . . . . . . . . . . . .
2.2.7 Propiedades de las operaciones matriciales . . . . .
Matrices especiales . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Matriz cuadrada . . . . . . . . . . . . . . . . . . .
2.3.2 Matrices triangulares . . . . . . . . . . . . . . . . .
2.3.3 Matriz diagonal e identidad . . . . . . . . . . . . .
2.3.4 La traza y contratraza de una matriz cuadrada . .
La funcin matricial w . . . . . . . . . . . . . . . . . . . .
Reduccin de Gauss . . . . . . . . . . . . . . . . . . . . .
2.5.1 Operaciones elementales y equivalencia de matrices
2.5.2 Las operaciones elementales como aniquiladores . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
18
18
18
19
19
19
20
22
23
27
27
28
28
29
29
33
33
34
Obtenido del libro: Formulacin y Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia,
de Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo Garca y Natalia Alguacil.
NDICE GENERAL
2.6
2.7
2.5.3 Forma escalonada y escalonada reducida por las . . . . . .

2.5.4 Reduccin de Gauss . . . . . . . . . . . . . . . . . . . . . .
Determinante de una matriz cuadrada . . . . . . . . . . . . . . . .
2.6.1 La denicin de determinante . . . . . . . . . . . . . . . . .
2.6.2 Propiedades del determinante . . . . . . . . . . . . . . . . .
2.6.3 Menor complementario y cofactor (adjunto) de un elemento
2.6.4 Menor y menor principal . . . . . . . . . . . . . . . . . . .
2.6.5 Rango de una matriz . . . . . . . . . . . . . . . . . . . . . .
Sabias que? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Sistemas de ecuaciones lineales

3.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 La denicin de sistema lineal . . . . . . . . . . . . .
3.1.2 Notacin matricial . . . . . . . . . . . . . . . . . . .
3.1.3 La solucin de un sistema lineal . . . . . . . . . . . .
3.2 Teorema de existencia de soluciones . . . . . . . . . . . . .
3.3 Soluciones de un sistema triangular . . . . . . . . . . . . . .
3.3.1 Sistema triangular superior . . . . . . . . . . . . . .
3.3.2 Sistema triangular inferior . . . . . . . . . . . . . . .
3.4 Sobre las soluciones del sistema Ax = b . . . . . . . . . . .
3.4.1 Sistemas equivalentes . . . . . . . . . . . . . . . . .
3.4.2 Variables libres . . . . . . . . . . . . . . . . . . . . .
3.4.3 Clculo de la solucin de un sistema Ax = b . . . . .
3.5 La inversa de una matriz . . . . . . . . . . . . . . . . . . . .
3.5.1 La denicin de matriz inversa . . . . . . . . . . . .
3.5.2 Clculo de la inversa . . . . . . . . . . . . . . . . . .
3.5.3 Algunos teoremas sobre la inversa . . . . . . . . . .
3.5.4 La adjunta de una matriz en el clculo de la inversa
3.6 La regla de Cramer . . . . . . . . . . . . . . . . . . . . . . .
3.7 Sistemas homogneos . . . . . . . . . . . . . . . . . . . . . .
3.8 Algo de criptografa . . . . . . . . . . . . . . . . . . . . . .
3.8.1 La aritmtica del reloj . . . . . . . . . . . . . . . . .
3.8.2 Tablas de sumar . . . . . . . . . . . . . . . . . . . .
3.8.3 Matriz clave . . . . . . . . . . . . . . . . . . . . . . .
3.8.4 Mensajes en clave . . . . . . . . . . . . . . . . . . .
3.9 Sabias que? . . . . . . . . . . . . . . . . . . . . . . . . . .
3.10 Problemas con sistemas de ecuaciones . . . . . . . . . . . .
4 Espacios Vectoriales reales
4.1 La denicin de espacio vectorial
4.2 El espacio vectorial Rn . . . . . .
4.2.1 La recta en Rn . . . . . .
4.2.2 El plano en R3 . . . . . .
4.3 Subespacios . . . . . . . . . . . .
4.4 Combinacin lineal . . . . . . . .
4.4.1 Espacio generado . . . . .
4.4.2 Dependencia lineal . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
36
39
39
42
45
47
47
52
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
53
53
53
53
54
54
56
56
56
57
57
57
58
63
63
64
66
67
70
72
76
76
76
77
78
80
81
.
.
.
.
.
.
.
.
87
87
88
90
91
91
91
92
93
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
NDICE GENERAL
4.5
4.6
Base y Dimensin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Espacio la, espacio columna y espacio nulo . . . . . . . . . . . . . . . . . . . . . . . 100
5 Espacios producto interno

5.1 La denicin de espacio producto interno . . . . . . . .
5.1.1 Ejemplos de productos internos . . . . . . . . . .
5.1.2 Propiedades del producto interno . . . . . . . . .
5.2 La norma de un vector . . . . . . . . . . . . . . . . . . .
5.3 Ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . .
5.3.1 Vectores ortogonales . . . . . . . . . . . . . . . .
5.3.2 Conjuntos ortogonales . . . . . . . . . . . . . . .
5.3.3 Bases ortogonales y ortonormales . . . . . . . . .
5.4 Proceso de Gram Schmidt . . . . . . . . . . . . . . . . .
5.4.1 La proyeccin ortogonal . . . . . . . . . . . . . .
5.4.2 La construccin de un conjunto ortogonal de tres
5.4.3 El proceso de Gram Schmidt . . . . . . . . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
vectores
. . . . .
6 Autovalores y autovectores
6.1 La denicin de autovalor y autovector . . . . . . . . . . .
6.2 Clculo de autovalores y autovectores . . . . . . . . . . .
6.2.1 Clculo de autovalores . . . . . . . . . . . . . . . .
6.2.2 Clculo de autovectores . . . . . . . . . . . . . . .
6.3 Teoremas relativos a autovalores y autovectores . . . . . .
6.3.1 Clculo del polinomio caracterstico . . . . . . . .
6.3.2 Autovalores y rango . . . . . . . . . . . . . . . . .
6.3.3 Autovalores e inversa . . . . . . . . . . . . . . . . .
6.3.4 Mltiplos escalares de un autovector . . . . . . . .
6.3.5 Raz del polinomio caracterstico . . . . . . . . . .
6.3.6 Autovectores y dependencia lineal . . . . . . . . .
6.3.7 Autovalores y autovectores de matrices simtricas
6.3.8 Los discos de Gershgorin . . . . . . . . . . . . . . .
6.4 Multiplicidad algebraica y multiplicidad geomtrica . . . .
6.5 Semejanza y diagonalizacin . . . . . . . . . . . . . . . . .
6.5.1 Matrices semejantes . . . . . . . . . . . . . . . . .
6.5.2 Diagonalizacin . . . . . . . . . . . . . . . . . . . .
7 Transformaciones lineales
7.1 Introduccin . . . . . . . . . . . . . . . . . . . .
7.1.1 La denicin de transformacin lineal . .
7.1.2 Propiedades de una transformacin lineal
7.2 Construccin de transformaciones lineales . . . .
7.3 Composicin . . . . . . . . . . . . . . . . . . . .
7.4 Ncleo e imagen . . . . . . . . . . . . . . . . . .
7.4.1 Ncleo . . . . . . . . . . . . . . . . . . . .
7.4.2 Imagen . . . . . . . . . . . . . . . . . . .
7.4.3 El teorema de la dimensin . . . . . . . .
7.5 La transformacin inversa . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
105
105
105
106
107
107
107
108
108
110
110
111
111
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
117
117
117
117
119
122
122
122
123
123
123
123
124
124
125
127
127
128
.
.
.
.
.
.
.
.
.
.
137
137
137
138
139
141
142
142
142
143
146
NDICE GENERAL
7.6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
148
148
149
153
155
157
157
157
160
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
161
161
162
163
163
163
165
165
166
168
170
170
171
171
174
174
176
177
177
9 Matrices denida positivas

9.1 Formas cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2 Matrices denida positivas . . . . . . . . . . . . . . . . . . . . . . .
9.2.1 Algunos teoremas sobre matrices denida positivas . . . . .
9.2.2 Caracterizacin de una matriz denida positiva . . . . . . .
9.3 Matrices denida negativas y semidenidas . . . . . . . . . . . . .
9.4 La signatura de una matriz simtrica . . . . . . . . . . . . . . . . .
9.4.1 La denicin de signatura . . . . . . . . . . . . . . . . . . .
9.4.2 Clculo de la signatura con operaciones elementales . . . .
9.5 Caracterizacin de matrices simtricas con operaciones elementales
9.6 El criterio de Sylvester . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
179
179
180
180
181
182
183
183
183
184
185
.
.
.
.
187
187
187
188
190
7.7
7.8
La matriz de una transformacin lineal . . . . . . . .

7.6.1 Matriz de coordenadas de un vector . . . . .
7.6.2 Matriz de coordenadas de una transformacin
7.6.3 Cambio de base . . . . . . . . . . . . . . . . .
Operadores lineales . . . . . . . . . . . . . . . . . . .
La geometra de las transformaciones . . . . . . . . .
7.8.1 Transformaciones lineales . . . . . . . . . . .
7.8.2 La transformacin rotacin . . . . . . . . . .
7.8.3 Transformaciones no lineales . . . . . . . . .
8.1 Matrices elementales . . . . . . . . . . . . . . . . .
8.2 La inversa de una matriz elemental . . . . . . . . .
8.3 La matriz elemental como aniquilador . . . . . . .
8.3.1 Aniquilacin bajo la primera entrada . . . .
8.3.2 Aniquilador general . . . . . . . . . . . . .
8.4 Factorizacin LU . . . . . . . . . . . . . . . . . . .
8.4.1 El algoritmo de Gauss en la factorizacin .
8.4.2 Clculo de la matriz L . . . . . . . . . . . .
8.4.3 Forma prctica de la construccin de L . .
8.5 Factorizacin LR . . . . . . . . . . . . . . . . . . .
8.5.1 Matrices de permutacin . . . . . . . . . . .
8.5.2 Factorizacin con el algoritmo de Gauss con
8.5.3 Sobre la construccin de la matriz L y P .
8.6 La factorizacin y la solucin de sistemas lineales .
8.6.1 Factorizacin LU . . . . . . . . . . . . . .
8.6.2 Factorizacin LR . . . . . . . . . . . . . . .
8.7 La factorizacin y el clculo de autovalores . . . .
8.7.1 Convergencia de esta sucesin . . . . . . . .
10 Otras aplicaciones del lgebra

10.1 Cadenas de markov. . . . . .
10.1.1 Un ejemplo . . . . . .
10.1.2 El vector jo . . . . .
10.2 Regresin lineal . . . . . . . .
Lineal
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
. . . .
lineal
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
pivote
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
NDICE GENERAL
10.2.1 Regresin lineal con dos variables . . . . . . . . . . . . . . . . . . . . . . . . . 190

10.2.2 Regresin lineal con k variables . . . . . . . . . . . . . . . . . . . . . . . . . . 192
10.3 El lgebra Lineal y el problema de mximos y mnimos . . . . . . . . . . . . . . . . 196
NDICE GENERAL
Captulo 1
Algunas aplicaciones del Algebra

Lineal
A continuacin se presentan algunas aplicaciones del Algebra Lineal, algunas de estas aplicaciones
se desarrollarn en este texto. Se sugiere al profesor de la materia comentar algunas de stas
aplicaciones y la importancia del lgebra Lineal en las mismas.
Programacin Lineal1
1.1
La programacin matemtica es una herramienta de modelado usada en el proceso de toma de

decisiones, trata exclusivamente con funciones objetivos y restricciones lineales. Se utiliza en campos
como la ingeniera, la economa, la gestin, y muchas otras reas de la ciencia, la tcnica y la industria.
En todo problema de programacin lineal se pueden identicar cuatro componentes bsicos: (1)
El conjunto de datos, (2) El conjunto de variables con sus dominios respectivos, (3) El conjunto de
restricciones lineales del problema, (4) La funcin objetivo, que es una funcin lineal que debe ser
optimizada (mximo o mnimo).
1.1.1
El problema del transporte
Supngase que cierto producto debe enviarse en cantidades u1 ,. . ., um , desde m orgenes a n destinos
v1 , . . ., vn . El problema consiste en determinar las cantidades xij que deben enviarse desde el origen
i al destino j, para conseguir minimizar el coste del envo.
Los cuatro elementos principales de este problema son:
1. Datos:
m : el nmero de orgenes
n : el nmero de destinos
ui : la cantidad que debe enviarse desde el origen i
vj : la cantidad que debe ser recibida en el destino j
cij : el coste de envo de una unidad de producto desde el origen i al destino j
1
Obtenido del libro: Formulacin y Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia,
de Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo Garca y Natalia Alguacil.
10
CAPTULO 1. ALGUNAS APLICACIONES DEL ALGEBRA LINEAL

2. Variables
xij : la cantidad que se enva desde el origen i al destino j. Se supone que las variables deben
ser no negativas: xij 0, i = 1,. . . , m, j = 1, . . . , n
3. Restricciones. Las restricciones de este problema son:
m
xij = ui , i = 1 . . . , m
i=1
m
xij = vj ; , j = 1 . . . , n
i=1
Lo anterior puede ilustrarse en el siguiente grco
O r ig e n 2
O r ig e n 1
u1
x 21
x 22
O r ig e n m
u2
x2n
u
x m1
xm 2
xmn
x11
x12
v1
D e stino 1
v2
x1 n
D e stino 2
vn
D e stino n
4. Funcin objetivo. Se pretende minimizar la funcin:

m
z=
cij xij
i=1 j=1
1.1.2
El problema de la dieta
Supngase que se conocen los contenidos nutritivos de ciertos alimentos, sus precios y la cantidad
mnima diaria de nutrientes a consumir. El problema consiste en determinar la cantidad de cada
alimento que debe adquirirse de manera que se satisfagan los requerimientos y al mismo tiempo se
tenga un precio total mnimo.
Los cuatro elementos para este problema son:
1. Datos:
m : el nmero de nutrientes
n : el nmero de alimentos
aij : la cantidad del nutriente i en una unidad del alimento j
bi : la cantidad mnima del nutriente i aconsejada
cj : el precio de una unidad del alimento j
2. Variables. xj : la cantidad del alimento j que debe adquirirse.
1.1. PROGRAMACIN LINEAL2
11
3. Restricciones. La cantidad total de un nutriente dado i debe ser al menos la suma de las
cantidades de los nutrientes en todos los alimentos, adems estas cantidades deben ser no
negativas, es decir,
n
j=1
aij xj bi ;
i = 1, . . . , m
xj 0;
j = 1, . . . , n
4. Funcin objetivo. El objetivo es minimizar la funcin

n
z=
cj xj
j=1
1.1.3
El problema del ujo en una red
Considrese una red de transporte (tuberas, ferrocarriles, autopistas, comunicaciones, etc.) a travs
del cual desea mandarse un producto homogneo (aceite, grano, coches, mensajes, etc.) desde ciertos
puntos de la red, llamados nodos fuente, hasta otros nodos de destino, llamados sumideros.
Adems de estas dos clases de nodos, la red puede contener nodos intermedios, donde no se
genera ni se consume el producto que est uyendo por la red.
Dentese por xij el ujo que va desde el nodo i al nodo j (positivo en la direccin de i a j, y
negativo en la direccin contraria).
Los cuatro elementos de este problema son:
1. Datos:
Un grafo G que describe la red de transporte, este grafo contiene un conjunto de nodos y un
conjunto de conexiones.
n: El nmero de nodos en la red
fi : El ujo entrante (positivo) o saliente (negativo) en el nodo i.
mij : La capacidad mxima de ujo en la conexin entre el nodo i y el nodo j.
cij : El ujo que va desde el nodo i al nodo j
2. Restricciones.
(xij xji ) = fi ;
i = 1, . . . , n
mij xij mij ;

3. Funcin objetivo.
z=
cij xij
i,j
para todo i < j
12
1.2
Regresin lineal con k variables
Considrense los siguientes n puntos de Rk :

(x12 , x13 , . . . , x1k , y1 ) ,
(x22 , x23 , . . . , x2k , y2 ) ,
...
(xn2 , xn3 , . . . , xnk , yn )
El problema de la regresin lineal con dos variables consiste en hallar una funcin y = 1 + 2 x2 +
+ k xk que minimize la funcin:
n
e2i =
f ( 1 , 2 , . . . , k ) =
i=1
i=1
Se puede probar que:

= X tX
donde:
X =
1 x12 x13 x1k

1 x22 x23 x2k
..
..
.. . .
..
.
.
.
.
.
1 xn2 xn3 xnk
(yi 1 2 xi2 k xik )2

1
X tY
, Y =
y1
y2
..
.
yn
, =
1
2
..
.
k
Muchos problemas de regresin no lineales se pueden resolver mediante esta tcnica.
1.3
El modelo Input-Output de Leontief
El modelo desarrollado por Leontief sirve para analizar las relaciones de interdependencia entre los
distintos sectores productivos de un pas o una regin.
Supongamos una economa con n industrias. Sea
ei : La demanda externa ejercida sobre la industria i,
aij : El nmero de unidades de la industria i que se necesitan para producir 1 unidad de la
industria j, es decir, la demanda por unidad de j sobre i.
xi : Produccin de i (nmero de unidades fabricadas por la industria i)
Los datos pueden describirse en la siguiente tabla:
Produccin
x1
x2
..
.
Demanda interna 1
a11 x1
a21 x1
..
.
Demanda interna 2
a12 x2
a22 x2
..
.
..
.
Demanda interna n
a1n xn
a2n xn
..
.
Demanda externa
e1
e2
..
.
xn
an1 x1
an2 x2
ann xn
en
as se plantea un sistema de n ecuaciones con n incgnitas. La i esima ecuacin est dada por:
n
xi =
aij xj + ei
j=1
1.4.
EL SECRETO DEL GOOGLE Y EL ALGEBRA LINEAL
que se puede escribir como:
13
(1 aii ) xi
aij xj = ei
j=1
j=i
Con A = (aij ) , x = (xi ) y e = (ei ) se encuentra el sistema:

(I A) x = e
Aqu I es la identidad en Mn,n . La matriz A se llama Matriz de tecnologa, x es el vector de
produccin y e es el vector de demanda externa. La matriz L = I A se llama matriz de
Leontief. Ntese que si L es invertible el problema tiene solucin nica.
1.4
El secreto del Google y el Algebra Lineal
Todas las aplicaciones de las matemticas se encuentran en los instrumentos utilizados ms insospechados, una de stas es el buscador Google, tan popular para todos los internautas. Un artculo completo relativo a esta aplicacin se debe a Pablo Fernndez del Departamento de Matemticas, de la
Universidad Autnoma de Madrid Espaa, (http://www.uam.es/personal_pdi/ciencias/gallardo/),
los aspectos matemticos ms importantes de esta aplicacin se pueden resumir en los siguientes
puntos:
Teora de Grafos
Autovalores, Autovectores,
Teorema de Perron, Frobenius,
Mtodos numricos,
Matrices no negativas
Probabilidad, Cadenas de Markov
A continuacin se presenta la historia del buscador Google
(http://www.elhacker.net/trucos_google.html)
Historia de Google. Los comienzos
primavera 1995: Sergey Brin (23 aos entonces) y Larry Page (24), confundadores de Google y
actualmente presidente y CEO, se conocen en un acto que la Universidad de Stanford organiza
para los candidatos de su Doctorado en Informtica.
otoo 1995: Larry y Sergey comienzan a trabajar en el Digital Library Project de la Universidad de Stanford http://www-diglib.stanford.edu/. Larry Page, con experiencia en diseo
web y el ttulo de Ingeniero Elctrico, y Sergey Brin, un experto en tratamiento de datos y
Licenciado en Informtica y Ciencias Matemticas, comienzan a crear un algoritmo para la
bsqueda de datos. Esta tecnologa se convertir mas tarde en el corazn que har funcionar
a Google.
El nombre que Larry Page da a esta tecnologia fue PageRank. En su pgina web personal
de la Universidad de Stanford, colgar en 1997 una presentacion que lo explica: PageRank:
Bringing Order to the Web http://hci.stanford.edu/~page/papers/pagerank/.
enero 1996: Comienzan a desarrollar un buscador llamado BackRub http://web.archive.org/web/
19971210065425/ backrub.stanford.edu/backrub.html. Este nombre se lo dan debido a que la
mayor habilidad de este motor de bsqueda es analizar los back links (enlaces que apuntan a
una determinada pgina).
14

Tal y como indican en su descripcin http://web.archive.org/web/19971210065425/backrub.stanford.edu/
backrub.html, Backrub est escrito en Java y Python (incluso Larry Page postea alguna duda
en los newsgroups http://groups.google.com/groups?selm=page-0701962007020001%40qwerty.
stanford.edu), y corre sobre varias mquinas Sun Ultra y Intel Pentium con Linux. La Base
de Datos est alojada en un ordenador Sun Ultra II con 28GB de disco duro.
Si tienes cualquier duda sobre el funcionamiento de este buscador, y no est contestada en
sus FAQ http://web.archive.org/web/19971210065437/backrub.stanford.edu/FAQ.html, puedes llamar al (415) 723-3154, y preguntar por Larry. Los primeros usuarios son los alumnos
y profesores de Stanford, que disfrutan de la precisin con la que el buscador encuentra datos
en la web.
1997: Backrub se transforma en Google http://web.archive.org/web/19971210065417/backrub.stanford

edu/. Le otorgan este peculiar nombre por su parecido a la palabra googol, que en ingls
es el nombre que que se da a la cifra 10 elevado a 100 (un uno seguido de 100 ceros). Ya
tienen indexadas 24 millones de pginas. Mucho antes, ya han tenido problemas de capacidad
en sus discos duros, y han tenido que idear ingenios basados en Lego, como este http://wwwdb.stanford.edu/pub/voy/museum/pictures/ display/0-4-Google.html.
En los comienzos de Google (en el dominio google.stanford.edu http://web.archive.org/web/
199805020 40303/google. stanford.edu/), su diseo es an ms austero de lo que ser posteriormente. En esta antigua versin se incluyen fotografas de los equipos que utilizan
http://web.archive.org/web/19980502040 406/google. stanford.edu/googlehardware.html.
Historia de Google. Fundando una empresa
1997: Larry y Sergey han registrado el dominio google.com. Adems, han dado a conocer su
tecnologa a la Oce of Technology Licensing (OTL) http://otl.stanford.edu/ de la Universidad de Stanford, que ser la encargada de contactar con diferentes compaas de Internet que
puedan estar interesadas en Google.
enero 1998: A Sergey y Larry no les gusta ninguna de las ofertas recibidas, bien por ser
econmicamente bajas, o porque no van a desarrollar correctamente la tecnologa. Por ello,
deciden ser ellos los que creen su propia empresa.
Es entonces cuando el dormitorio de Larry Page se convierte en el nuevo hogar de Google,
llevando todos los equipos informticos junto a su cama. La habitacin de Sergey Brin, situada
al lado de la de Larry, se convierte en la ocina nanciera.
Google sigue indexando pginas rpidamente, y Larry y Sergey necesitan mucha ms capacidad
en sus discos duros. Tienen que adquirir un terabyte, y nalmente consiguen comprar varios
discos duros rebajados, todos por $15,000.
A pesar de la ebre de los punto com de aquellos das, Larry y Sergey no consiguen encontrar
un inversor que nancie Google, y tienen que conseguir todo el dinero de sus familias y amigos
ntimos. Mientras tanto, haban abandonado su Doctorado en Stanford.
verano 1998: En casa de un amigo comn, Sergey y Larry conocen a Andy Bechtolsheim
(cofundador de Sun Microsystems y vicepresidente de Cisco Systems), y comienzan a charlar
sobre Google. Despus de treinta minutos, Bechtolsheim les rma un cheque por $100,000, a
nombre de Google Inc.. Esta empresa, como tal, no existe, y para poder cobrar el cheque
(que est dos semanas sobre la mesa de Larry), tienen que buscar un local, y fundar una nueva
compaia: Google Inc..
1.5. CLCULO A VARIAS VARIABLES
15
septiembre 1998: Google Inc. abre sus puertas en un garaje que un amigo les alquila en
Menlo Park, en California. Rpidamente, instalan varias lneas telefnicas, un cable modem, una lnea DSL, y una plaza de aparcamiento para su primer empleado, Craig Silverstein
(actualmente, Director de Tecnologia de Google). 25 millones de pginas estn indexadas
(http://web.archive.org/web/19981111183552/google. stanford.edu), y Google recibe diez mil
consultas por da. La revista PC Magazine lo incluye dentro de su lista Top 100 Web Sites
de 1998.
febrero 1999: La plantilla asciende a 8 personas, responde a 500.000 consultas por da, se
trasladan a unas nuevas ocinas en Palo Alto, y rma su primer contrato comercial con RedHat,
el cual empieza a suministrar el Sistema Operativo Linux de los servidores de Google. Mientras
tanto, continan con su campaa comercial: el boca a boca.
Fuente: google.dirson.com
1.5
Clculo a varias variables
En la revista Investigacin & Desarrollo de 2003 se publica un artculo relativo a una aplicacin del
lgebra Lineal al problema de mximos y mnimos de funciones a varias variables, dicho artculo se
muestra al nal del texto. A continuacin el resumen del trabajo mencionado.
Resumen
En este artculo se presenta una aplicacin del lgebra Lineal al problema de mximos y mnimos
de funciones a varias variables. Se considera una funcin f : U Rn R, U abierto y dos veces
diferenciable. Se toma un punto a U tal que f (a) = 0, se plantea el problema de determinar si
en este punto existe un mximo, mnimo o ninguna de estas situaciones. Se calcula f (a), como se
sabe esta segunda derivada es una matriz simtrica en Mn,n , dependiendo de la signatura se dar
una respuesta al problema planteado.
Este problema se puede resolver empleando determinantes o empleando congruencia de matrices.
Puesto que el clculo de determinantes tiene un altsimo costo computacional, usualmente se emplea
para casos de dos variables (el empleado en los textos bsicos de clculo), en tanto que la congruencia
de matrices es siempre viable an cuando n es muy grande pues se basa en simples operaciones
elementales de la y columna.
Finalmente, el propsito de este artculo, es presentar el problema de mximos y mnimos como
un problema que no depende de cantidad de variables (al menos no conceptualmente).
1.6
Mensajes secretos. Criptografa
La criptografa, es la ciencia de cifrar o descifrar informacin utilizando tcnicas que hacen posible,
que slo un cierto grupo de personas autorizadas puedan tener acceso a ella. En este texto se presenta
una aplicacin en la criptografa, para esto se emplea la aritmtica modular y el clculo de la inversa
de una matriz.
16
1.7
Telecomunicaciones
Es conocido en el mbito de las telecomunicaciones, el rol que tiene el Anlisis de Fourier, esto es
una aplicacin del Clculo y el Algebra Lineal, temas como Matrices, Espacios Vectoriales, Bases,
etc. son parte esencial de este apasionante tema de la ingeniera.
1.8
Compresin de imgenes
Tapa del libro: The Data Compression Book, Second edition ,

Mark Nelson Jean-Louo Gailly
La Transformada de Fourier y la Transformada Wavelets se usan actualmente en la compresores
de imgenes, esta tcnicas estn basadas en las tcnicas del Algebra Lineal y Clculo.
Captulo 2
Matrices
El objetivo inicial de este captulo es la de familiarizarse con la notacin del lgebra Lineal, se dan
las deniciones que ms adelante se emplearn. Luego de esto se estudia una de las herramientas
ms importantes en la materia, a saber, las operaciones elementales de la, para luego estudiar
la reduccin de Gauss. Finalmente, se estudian la denicin y las propiedades del determinante
de una matrz cuadrada.
2.1
Qu es una matriz?
Denicin 2.1 (Matriz) Una matriz es un arreglo rectangular de nmeros (reales o complejos)
dispuestos en las y columnas.
Ejemplo 2.1
2 3 3
2 5
7
2.1.1
Notacin.
Para denotar una matriz se usarn letras maysculas y los nmeros que componen la matriz se
denotarn con la misma letra (minscula o mayscula) con un par de subndices en referencia a
la posicin que ocupa en el arreglo. La matriz se encerrar con un par de parntesis o un par de
corchetes.
Ejemplo 2.2
A=
2 3 3
2 5
7
o A=
2 3 3
2 5
7
Notacin para los elementos de la primera la:

a11 = 2, a12 = 3, a13 = 3
o tambin
A11 = 2, A12 = 3, A13 = 3
Notacin para los elementos de la segunda la:
a21 = 2, a22 = 5, a23 = 7

17
18
CAPTULO 2. MATRICES
Si A es una matriz de m las y n columnas, se escribir:
A = (aij ) ; i = 1, . . . , m; j = 1, . . . , n,
ms an, escribiremos A Mm,n , aqu Mm,n es el conjunto de matrices de m las y n columnas, los
nmeros aij se llamarn entradas de la matriz A, nalmente las entradas aii se llaman entradas de
la diagonal principal.
Aplicacin. Una compaia de artculos electrnicos fabrica televisores, celulares en dos plantas
P 1 y P 2, la siguiente matriz representa la produccin de las dos plantas por semana:
Artculo
Televisores
Celulares
videojuegos
2.1.2
Plantas
P1 P2
50 60
150 100
80 40
Orden de una matriz
Si A Mm,n , se dir que la matriz A es de orden m n, m por n, esto es, m las y n columnas.
Ejemplo 2.3
A=
as A es de orden 2 2.
2.2.1
M22
3 4 1 4
B= 3 3
2 3 M34
0 2
3 2
luego B es de orden 3 4.
2.2
5 1
0 3
Operaciones con matrices

Igualdad de matrices
Denicin 2.2 (Igualdad de matrices) Sean A, B Mm,n , se dice que la matriz A es igual a la
matriz B, lo que escribimos A = B, si
aij = bij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 2.4 Las matrices
A=
2 3 5
7
9 0
, B=
2 3 5
7
9 0
son iguales.
Las matrices
no son iguales pues c31 = d31
2
3
2 3
C= 1
1 , D = 1 1
5 1
1 5
2.2. OPERACIONES CON MATRICES
2.2.2
19
Producto por un nmero
Denicin 2.3 (Producto por un nmero) Sea A Mm,n y r R, el producto del nmero r y
la matriz A, es la matriz en Mm,n tal que
(rA)ij = raij ,
para i = 1, . . . , m; j = 1, . . . , n.
Nota. r = 1, en lugar de escribir (1) A, se escribir A.
Ejemplo 2.5
1 2 3 4
2 4 6 8
(2) 5 6 7 8 = 10 12 14 16
9 10 11 12
18 20 22 24
2.2.3
Suma
Denicin 2.4 (Suma) Sean A, B Mm,n , la suma de A y B, escrito A + B, es la matriz en Mm,n

tal que:
(A + B)ij = aij + bij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 2.6
1 2 3 4
7
4
2 1
6 6
5 5
5 6 7 8 + 10 8
5 3 = 15 2 12 11
9 10 11 12
12 11 9 6
21 21 2 18
2.2.4
Resta
Denicin 2.5 (Resta) Sean A, B Mm,n , la resta de A y B, escrito A B, es la matriz en Mm,n

tal que:
(A B)ij = aij bij
para i = 1, . . . , m; j = 1, . . . , n.
De la denicin se sigue que A B = A + (B) .
Ejemplo 2.7
1 2 3 4
7
4
2 1
8 2 1 3
5 6 7 8 10 8
5 3 = 5 14 2 5
9 10 11 12
12 11 9 6
3 1 20 6
20
CAPTULO 2. MATRICES
2.2.5
Producto de matrices
Antes de denir el producto de matrices es necesario dar las siguientes deniciones:

Denicin 2.6 (Vector la y vector columna) Sea A M1,n , es decir, una matriz de una sola
la y n columnas, a una matriz de este orden ser llamado vector la, usualmente escribiremos
A = (a1 , a2 , . . . , an ) .
Una matriz A Mn,1 , ser llamado vector columna, usualmente escribiremos
A=
a1
a2
..
.
an
Denicin 2.7 (Producto interior euclidiano) Sean
A = (a1 , a2 , . . . , an ) y B =
b1
b2
..
.
bn
denimos el producto interior euclidiano de estos vectores como el nmero:

A B = a1 b1 + a2 b2 + + an bn .
Denicin 2.8 (Notacin para las las y columnas de una matriz) Sea A Mm,n , si A1 ,
A2 , . . . An son los vectores columna de A, entonces la matriz A se escribir como
A = A1 , A2 , . . . , An .
Similarmente si A1 , A2 , . . . , Am son los vectores la de A, entonces A se escribir como:
A1
A2
A= .
.
.
Am
Ahora estamos en condiciones de denir el producto de matrices.
Denicin 2.9 (Producto de matrices) Sean A Mm,r , B Mr,n , tales que:
A=
A1
A2
..
.
Am
B = B1 , B 2, . . . , Bn ,
21
el producto de A y B, escrito AB, es la matriz en Mm,n denido por:

(AB)ij = Ai B j
= (ai1 , ai2 , , air )
ai1
ai2
air
b1j
b2j
..
.
brj
b1j
b2j
..
.
brj
es decir, la entrada ij de la matriz producto es el producto interior euclidiano de la la i de A con

la columna j de B, por tanto:
A1 B 1 A1 B 2 A1 B n
A2 B 1 A2 B 2 A2 B n
AB =
..
..
..
.
.
.
.
.
.
1
2
n
Am B Am B Am B
Ejemplo 2.8 Considere las matrices
A=
2 4 6
5
1 0
4 7
, B= 3 6
2 1
Para calcular el producto AB se realizan los siguientes pasos:
Primera columna En este clculo la primera columna de B no cambia.

Entrada (AB)11 :
Entrada (AB)21 :
4
(2, 4, 6) 3 = (2) (4) + (4) (3) + (6) (2) = 16
2
4
(5, 1, 0) 3 = (5) (4) + (1) (3) + (0) (2) = 23
2
Segunda columna En este clculo la segunda columna de B no cambia.

Entrada (AB)12 :
7
(2, 4, 6) 6 = (2) (7) + (4) (6) + (6) (1) = 4
1
22
CAPTULO 2. MATRICES
Entrada (AB)22 :
7
(5, 1, 0) 6 = (5) (7) + (1) (6) + (0) (6) = 41
1
De lo anterior:
AB =
2 4 6
5
1 0
4 7
3 6 =
2 1
16 4
23 41
Observacin. Es inmediato, de la denicin, que la primera columna de AB es el producto

AB 1 , la segunda columna AB 2 , y as sucesivamente, es decir:
AB = AB 1 , AB 2 , . . . , AB n
Observacin. Es importante notar que el nmero de columnas de A (el primer factor) es igual
al nmero de las de B (el segundo factor), ms an, el orden de la matriz AB es el nmero de las
de A por el nmero de columnas de B.
Observacin. Usando la notacin sumatoria, la entrada ij de AB, es:
r
(AB)ij =
aik bkj ,
k=1
donde A Mm,r , B Mr,n ,

Aplicacin. Un restaurante tiene la siguiente disponibilidad de tipos de comida en un da
domingo: 120 platos de pique macho, 80 platos de mixto y 30 platos de pescados. Un plato de pique
cuesta 45 Bs, un plato de mixto cuesta 35 Bs y un plato de pescado cuesta 50 Bs. Emplearemos
producto matricial para determinar la cantidad de dinero que se espera obtener si se venden todos
los platos. Las matrices que representan la cantidad y el precio son respectivamente:
Cantidad
pique
mixto
pescados
El costo total de todos los platos es:
CP =
2.2.6
pique
C = 120
mixto Pescados
80
30
costoBs
45
P =
35
50
120 80 30
45
35 = 9700 Bs
50
La transpuesta de una matriz
Denicin 2.10 (Transpuesta) Sea A Mm,n , la transpuesta de A, escrito At , es la matriz en

Mn,m denido por:
Atji = Aij
para i = 1, . . . , m; j = 1, . . . , n.
23
La anterior denicin motiva el siguiente proceso para el clculo de la matriz transpuesta:

La primera columna de At es la primera la de A
La segunda columna de At es la segunda la de A
Etc.
Ejemplo 2.9
2 1
A = 1 3 M32
4 5
At =
2.2.7
2 1 4
1
3 5
M23
Propiedades de las operaciones matriciales
Suma
Teorema 2.11 Sean A, B, C matrices del mismo orden, entonces:
1. A + B = B + A {Conmutatividad}
2. A + (B + C) = (A + B) + C {Asociatividad}
3. (A + B)t = At + B t
Demostracin. Ejercicio
Producto
Teorema 2.12 Sean A, B, C matrices del orden adecuado, entonces:
1. A (BC) = (AB) C {Asociatividad}
2. A (B + C) = AB + AC {Distributividad del producto respecto de la suma}
3. (AB)t = B t At
Demostracin.
1. Ejercicio.
2. Supngase que A Mm,r , B, C Mr,n , entonces:
r
[A (B + C)]ij =
Aik (B + C)kj
k=1
r
Aik (Bkj + Ckj )

k=1
r
Aik Bkj + Aik Ckj

k=1
= (AB)ij + (AC)ij
luego A (B + C) = AB + AC.
24
CAPTULO 2. MATRICES
3. Supngase que A Mm,r , B Mr,n , entonces:
(AB)tji = (AB)ij
r
Aik Bkj
k=1
r
Bkj Aik
k=1
r
t
Bjk
Atki
=
=
k=1
t
B At
ji
luego (AB) = B t At .
Sobre el producto matricial no conmutativo

En general no es cierto que el producto sea conmutativo, como lo prueba el siguiente ejemplo:
Ejemplo 2.10 Si
2 1
4 3
A=
, B=
3 1
0 2
entonces:
AB =
2 1
4 3
3 1
0 2
BA =
3 1
0 2
2 1
4 3
6 0
12 10
2 6
8 6
Sobre el producto cero en matrices

Denicin 2.13 (Matriz cero) Una matriz es la matriz cero si todas sus entradas son ceros.
Es sabido que si el producto de dos nmeros es cero, entonces al menos uno de los factores es
cero, esta propiedad ya no es verdadera en teora matricial, esto es, si el producto de dos matrices
es cero, entonces no necesariamente uno de ellos es cero.
Ejemplo 2.11 Sean
A=
2
1
2 1
, B=
AB =
2
1
2 1
1/2
1
Claramente:
y ni A ni B son la matriz cero.
1/2
1
=
0
0
25
Ejercicios propuestos
1. Una matriz A M3,3 tiene la siguiente propiedad: aij =
1
si i = j
ij
propiedad bij =
:
0
si i = j
1
i+j
y una matriz B M3,3 tiene la
(a) Construya la matrices A y B.

(b) Calcule A + B, A B
(c) D las expresiones en trminos de i y j para (A + B)ij y (A B)ij .
2. Demostrar que (A + B)t = At + B t

3. Demostrar A (BC) = (AB) C, donde las matrices son del orden adecuado.
1 2 3
4. Sea A = 4 5 6 , determinar una matriz B tal que
7 8 9
0
3 1
Sol. 6 2 9
3 12 4
1 1
2
A + B = 2
3 3
4 4
5
5. Hallar el conjunto de todas las matrices que conmutan con A =

6. Sea A =
1 1
1 1
, determinar una matriz B tal AB = BA.
Sol. Una tal matriz es B =

7. Sea A =
encontrarla.
8. Sea A =
2 4
6
8
4 3
3 4
2 2
1 1
, existe una matriz no nula B tal que AB = 0?, en caso armativo
2 4
6 12
, existe una matriz no nula B tal que AB = 0?, en caso armativo
encontrarla.
9. Considere la matrices
1 1
1
2 1 1
4 1 1
A = 2 1 1 , B = 1 0 1 , C = 2 3 2 ,
1
0
2
0 1 2
1
0
1
mostrar que AB = AC, es decir, de la igualdad AB = AC no se puede concluir con B = C.
10. Sea A Mn,n una matriz tal que AB = 0 para toda matriz B Mn,n , probar que A = 0.
26
CAPTULO 2. MATRICES
0 1
1 0
11. Sean A, B matrices en M2,2 que conmutan con
(Sug. Muestre que cualquier matriz que conmuta con

b
0 1
1 0
. Demuestre que AB = BA.
0 1
1 0
tiene la forma a
1 0
0 1
donde a y b son nmeros)

n
12. Una matriz A Mn,n es llamada matriz de probabilidad si: (i) cada ai,j 0, (ii)
aik = 1
k=1
para i = 1, 2, . . . , n, es decir la suma de cada la es la unidad. Si A, B Mn,n son matrices de

probabilidad
(a) Probar que A2 es una matriz de probabilidad.
(b) Probar que AB es una matriz de probabilidad
13. Una entidad educativa prepara tres exmenes para una materia, y considera los primeros dos
exmenes a un 30% cada uno, y el tercero a un 40%. Suponga se tienen n estudiantes en una
materia y N Mn,3 es la matriz de notas del curso al nalizar la materia. Cmo calculara
el promedio del curso mediante un producto matricial?
14. Una tienda de mascotas tiene 10 palomas, 8 gorriones y 5 loros. Si una paloma cuesta 12 Bs,
los gorriones 15 Bs y los loros 18 Bs cada uno. Emplear producto matricial para hallar el valor
de inventario de la tienda referente a estas tres mascotas. Sol. 330 Bs.
15. Un negocio vendi 17 artculos del tipo A, 20 del tipo B, 2 del tipo C y 19 del tipo D. Si los
precios por unidad de A, B, C y D son respectivamente 12, 10, 15 y 13 Bs. Encuentre el valor
total de la venta. Sol. 681 Bs.
16. Un negocio tiene para la venta televisores en la siguiente cantidad y modelo
Tamao
Cantidad
Precio de venta $US
40
5
1200
35
6
999
20
12
400
15
25
250
Se pide expresar el total de venta de los televisores como un producto matricial, luego indicar
el ingreso total, si todos los televisores se venden.
17. Una fbrica produce dos modelos de autos de juguete, G1 y G2, en tres tipos: A, B y C. La
cantidad de juguetes del modelo G1 producidos por semana son: 200 unidades del tipo A, 100
del tipo B y 150 unidades del tipo C; la cantidad e juguetes del modelo G2 producidas por
semana son 150, 250 y 400, respectivamente, de los tipos A, B y C. El modelo A lleva 20
horas de taller y 1 hora de administracin. El modelo B lleva 25 horas de taller y 1.5 horas
de administracin. El modelo C lleva 30 horas de taller y 2 horas de administracin.
(a) Describir la informacin dada en forma matricial.
(b) Determinar las horas de taller y de administracin empleadas para cada uno de los modelos.
Sol. Se requieren para el modelo G1 : 11000 horas de taller y 650 horas de administracin, y
para el modelo G2 se requieren 21250 horas de taller y 1325 horas de administracin.
2.3. MATRICES ESPECIALES
2.3
2.3.1
27
Matrices especiales
Matriz cuadrada
Denicin 2.14 (Matriz cuadrada) Una matriz A Mn,n se llama matriz cuadrada, as una
matriz cuadrada tiene igual nmero de las que columnas.
Potencias
Una matriz cuadrada puede elevarse a una potencia entera positiva (luego se vern otro tipo de
potencias), Para esto denimos,
Denicin 2.15 (Potencia) Sea A Mn,n , k un entero positivo, denimos A1 = A y para k 1,
la k esima potencia de A, escrito Ak , est denida por
Ak = A Ak1
De la denicin se deduce:
A2 = AA
A3 = AA2 , etc
Matriz simtrica
Denicin 2.16 (Matriz simtrica) Una matriz cuadrada A Mn,n se dice simtrica si At = A.
Ejemplo 2.12 La matriz
1 2 3
A= 2 4 5
3 5 6
es simtrica pues At = A.
no es simtrica pues:
1 2 3
A= 4 5 6
7 8 9
1 4 7
1 2 3
At = 2 5 8 = 4 5 6 = A
3 6 9
7 8 9
Teorema 2.17 La suma de matrices simtricas es simtrica, en tanto que el producto de matrices
simtricas no necesariamente es simtrica.
Demostracin. Sea A, B Mn,n matrices simtricas entonces:
(A + B)t = At + B t
= A+B
28
CAPTULO 2. MATRICES
Para probar la segunda parte es suciente un contraejemplo, sean

A=
1 2
2 3
, B=
2 4
4 5
ambas matrices son simtricas, sin embargo

AB =
=
1 2
2 3
2 4
4 5
6 14
8 23
no es simtrica.
2.3.2
Matrices triangulares
Denicin 2.18 (Matriz triangular superior e inferior) Una matriz cuadrada A Mn,n es
triangular superior si:
aij = 0, para i > j
y es triangular inferior si:
aij = 0, para i < j
i, j = 1, 2, . . . , n.
Ejemplo 2.14 Las matrices
a11 a12 a13

a11
0
0
0
A = 0 a22 a23 , B = a21 a22
0
0 a33
a31 a32 a33
son, respectivamente, triangular superior y triangular inferior.
2.3.3
Matriz diagonal e identidad
Denicin 2.19 (Matriz diagonal) Una matriz D Mn,n es diagonal si

dij = 0, para todo i = j,
es decir, una matriz diagonal es aquella que es simultneamente triangular superior e inferior. Las
matrices diagonales se denotarn como
D = diag (d1 , d2 , . . . , dn ) ,
donde d1 , d2 , . . . , dn son los elementos de la diagonal principal.
Denicin 2.20 (Matriz identidad) La matriz In Mn,n denida por
(In )i,j =
1 i=j
0 i=j
se llama matriz identidad en Mn,n . Una matriz que es mltiplo escalar de la identidad de llama
matriz escalar.
2.4. LA FUNCIN MATRICIAL W

es la identidad en M3,3 . La matriz
es una matriz escalar en M3,3 .
2.3.4
29
1 0 0
I3 = 0 1 0
0 0 1
c 0 0
cI3 = 0 c 0
0 0 c
La traza y contratraza de una matriz cuadrada
Denicin 2.21 (traza) Sea A = (ai,j ) Mn,n , la traza se dene por

tr (A) = a11 + a22 + + ann
n
aii
i=1
Denicin 2.22 (contratraza) Sea A = (ai,j ) Mn,n , la contratraza se dene por

ctr (A) = a1n + a2,n1 + + an1
n
ai,ni+1
i=1
2.4
La funcin matricial w
Denicin 2.23 (La matriz contraidentidad) 1 Una matriz Wn = (wr,s ) Mn,n tal que wr,s = 1 si
r = n s + 1 y 0 en otro caso, es llamada matriz contraidentidad de orden n. Si ei es el i esimo
vector cannico de Rn , entonces la matriz contraidentidad puede escribirse como
Wn = [en en1 . . . , e1 ] .
Ejemplo 2.16
0 0 1
W3 = 0 1 0
1 0 0
La matriz contraidentidad tiene las siguientes propiedades:

1. Wn es simtrica.
2. Wn Wn = In .
Denicin 2.24 Denimos la funcin de Mm,n en Mn,m mediante A A , donde A es la
matriz en Mn,m cuyo elemento ai,j es:
ai,j = amj+1,ni+1 .
1
Esta funcin fue denida por el autor de este texto en 1994.
30
CAPTULO 2. MATRICES
1 2 3 4
Ejemplo 2.17 Si A = 5 6 7 8 entonces con m = 3, n = 4:
9 10 11 12
a11 = a34 = 12
a12 = a24 = 8
a13 = a14 = 4
etc...
12
11
luego: A =
10
9
8
7
6
5
4
3
2
1
Esta funcin tiene muchas propiedades, enunciamos algunas.
Teorema 2.25 Sea A Mm,n , entonces A = Wn At Wm .

. . . , n, j = 1,
. . . , m,se tiene:
Demostracin. Para i = 1,
At = atij = (aji )
At Wn = (amj+1,i )
Wn At Wn = (amj+1,ni+1 )
= Aij
= A .
Teorema 2.26 Si A Mm,n , (A ) = A

Teorema 2.27 Sea A Mm,r , B Mr,n entonces (AB) = B A .
Teorema 2.28 Sea A Mn,n ,entonces tr (A ) = tr (A) .
1 2 3
1. Sea A = 2 4 5
3 5 6
14 25 31
Sol.: 25 45 56
31 56 70
, calcular A2 , A3 .
157 283 353

, 283 510 636
353 636 793
2. Hallar todas las matrices cuadradas de orden 2 cuyo cuadrado sea nulo.
Sol.
0 0
b 0
0 x
0 0
a ab
b a
2.4. LA FUNCIN MATRICIAL W

3. Sean:
31
1
1
A = 2 1 ,
3
0
1 2
B = 2 1 ,
1 5
3 2
C= 0 1
1 1
(a) Encuentre una matriz D tal que A + 3B 2C + D = 0
1
(b) Encuentre una matriz E tal que 2A 5B + 2C + 2E = 1
1
1 1
(c) Encuentre una matriz X tal que 2 (A B + X) = 5 (B C 2X)
1 1
5
2
1
1
2 6
2
7
5
1
Sol. D =
4 2
,E =
3
,X=
2
6
3
1
5
3 2
2 13
1 12
4. Calcule valores de x, y tales que las siguientes matrices sean simtricas:
1
xy1 x+y
1
2x y
0
,B = x + y + 1
A = 2y
1
2
1
3x + 5y ,
2
2
2x
2
x y
0
x + y 2
1
2
2x + y 1 3x + y
C =
xy
2
0
2x y 1
0
2
Sol. Matriz A : x =
existen
1
10 , y
3
= 10
, Matriz B : x = 1 + 2t, y = t, donde t R, Matriz C : No
5. Probar: Si A Mm,n es simtrica, entonces A2 es simtrica.

6. Probar que el producto de matrices triangulares superiores es triangular superior.
Sug. Si A y B son triangulares superiores, entonces si i > j :
(AB)i,j
B1,j
..
.
Bj,j
= (0, . . . , 0, Aii , . . . , Ain )
..
.
0
7. Probar que el producto de matrices triangulares inferiores es triangular inferior.

8. Sea A Mn,n , I la matriz identidad en Mn,n . (a) Calcular (I + A)2 , (b) (I + A)m , m un
nmero natural.
9. Una matriz A Mn,n tal que Ap = 0, p N, se llama nilpotente. Si p es el menor entero para
el cual Ap = 0, la matriz se llama nilpotente de orden p. Si A es nilpotente de orden 2, probar
que A (I A)n = A.
32
CAPTULO 2. MATRICES
10. Sea A nilpotente de orden 2, X y Y matrices cuadradas tal que X = Y + A y supngase que
Y y A conmutan, probar que X n = Y n1 (Y + nA) para todo natural (Se asume que Y 0 es la
identidad)
11. Supngase que A M2,2 conmuta con todas las matrices en M2,2 . Pruebe que A es una matriz
escalar.
12. Una matriz A es idempotente si A2 = A. Supngase que A es idempotente y B = I A :
(a) Muestre que B es idempotente,
(b) Muestre que AB = BA
13. Determinar la veracidad o falsedad de las siguientes armaciones. Justique su respuesta.
(a) Si AB es simtrica, entonces A y B son simtricas.
(b) Si A es simtrica y P es cuadrada, entonces P AP t es simtrica.
14. Determinar a, b tales que
c 1
1 2d
1 0
0 1
+4
1
a 1
1 1 b
Sol. a = 1, b = 1, c = 3, d = 52 .
15. Considrese la matriz:
a 1
0 b
0 1
0
1 1
A = 0 1
1
0
0 1
Hallar una frmula para An , donde n N.
16. Considere la siguiente grca, contruya una matriz G M5,5 que tenga la propiedad Gij = 0
si las poblaciones no estn conectadas y Gi,j si las poblaciones estn conectadas. Construya
la matriz G.
Vinto
4
Tiquipaya
3
1
Cochabamba
Sacaba
Punata
17. Sean I la matriz identidad en Mn,n , U =
unos. Calcular: A = I
1
nU
U t.
Probar
1
1
..
.
1
Mn,1 la matriz cuyas coordenadas son
2.5. REDUCCIN DE GAUSS
33
(a) A es simtrica
(b) A2 A = A
(c) La traza es n 1
18. Es verdad que (A + B)2 es igual a A2 + 2AB + B 2 . En caso de respuesta negativa, determinar
matrices A y B tales que
(a) (A + B)2 = A2 + 2AB + B 2 y
(b) (A + B)2 = A2 + 2AB + B 2 .
19. Sean A, B matrices cuadradas en Mn,n . Pruebe que:
(a) tr At = tr (A)
(b) tr (A + B) = tr (A) + tr (B)
(c) tr (AB) = tr (BA)
n
(d) tr AAt =
a2ij
i=1 j=1
20. Sea k R, A y B matrices cuadradas tal que AB = kB. Pruebe que An B = kn B para todo
n N.
2.5
Reduccin de Gauss
2.5.1
Operaciones elementales y equivalencia de matrices
Denicin 2.29 (Operaciones elementales de la) Sea A Mm,n . Sobre las las de esta
matriz se denen las siguientes operaciones:
1. Primera operacin elemental de la. A la la i se multiplica por el escalar r = 0. Se
emplea la notacin Fi(r) , ntese que:
aik = r (aik ) , k = 1, . . . , n.
De lo anterior se sigue que la la Fi se reemplaza con rFi .
Fi r Fi
2. Segunda operacin elemental de la. Las las i, j se intercambian. Se emplea la notacin
Fij , es claro que:
Fi Fj
3. Tercera operacin elemental de la. A la la i se suma la la h multiplicada por un
nmero r. Emplearemos la notacin Fih(r), ntese que
aik = aik + r (ahk ) , k = 1, . . . , n
De lo anterior se sigue que:
Fi Fi + r Fh
34
CAPTULO 2. MATRICES
Las operaciones elementales de columna se denen como las anteriores, reemplazando la por
columna.
Denicin 2.30 (Operaciones elementales de columna) Sea A Mm,n . Sobre las columnas
de esta matriz se denen las siguientes operaciones:
1. Primera operacin elemental de columna. A la columna i se multiplica por un escalar
r = 0. Se emplea la notacin Ci(r) , note que:
Ci r Ci
2. Segunda operacin elemental de columna. Las columnas i, j se intercambian. Se emplea
la notacin Cij , se sigue:
Ci Cj
3. Tercera operacin elemental de columna. A la columna i se suma la columna h multiplicada por un nmero r. Emplearemos la notacin Cih(r), ntese que
aki = aki + r (akh ) , k = 1, . . . , m
es claro que:
Ci Ci + r Ch
Denicin 2.31 (Matrices equivalentes) Se dice que dos matrices A y B son equivalentes, lo que
escribiremos A B, si una de ellas se obtiene de la otra mediante una sucesin nita de operaciones
elementales de la.
Se demuestra que si A B entonces B A; tambin si A B y B C, entonces B C.
Ejemplo 2.18 Sobre la matriz A, se realizan sucesivamente las siguientes operaciones elementales
de la.
1. F13 {Intercambio de la las 1 y 3}
2. F32(4) {A la la 3 se suma la la 2 multiplicada por 4}
3 4 5
A= 2 2 0
1 0 1 F
13
1 0 1
2 2 0
3 4 5 F
=B
32(4)
ntese que B A.
2.5.2
Las operaciones elementales como aniquiladores
Es posible usar las operaciones elementales de modo que ciertas entradas se conviertan en cero, este
proceso se llamar aniquilamiento de entradas en una matriz.
35
Ejemplo 2.19 En este ejemplo se emplean operaciones elementales

forma triangular superior.
1
2
3
1
2 3
0
1 6
A= 4
9 6
F21(4)
3 8 1
0 2 10 F
F
31(3)
32(2)
para llevar una matriz a su
1 2
3
0 1 6 = B
0 0 2
Nuevamente A B. Ntese que la operacin elemental:

F21(4) anula la entrada a21
2.5.3
Forma escalonada y escalonada reducida por las
Denicin 2.32 (Elemento distinguido) Un elemento distinguido es el primer nmero distinto

de cero en una la.
Denicin 2.33 (Forma escalonada) Una matriz A se dice que est en la forma escalonada si
el nmero de ceros antes del elemento distinguido de una la crece la tras la.
Ejemplo 2.20
2 4 0 1
A= 0 0 9 0
0 0 0 4
En la primera la existen 0 ceros antes del primer nmero distinto de cero (el 2).
En la segunda 2 ceros antes del primer nmero distinto de cero ( el 9) .
En la tercera 3 ceros antes del primer nmero distinto de cero (el 4).
Por tanto A est en la forma escalonada.
Ejemplo 2.21
3 2 0 0
B= 0 0 2 6
0 0 3 0
No est en la forma escalonada porqu?.
Denicin 2.34 (Forma escalonada reducida por las) Una matriz A est en la forma escalonada reducida por las si:
1. Est en la forma escalonada y
2. Los elementos distinguidos son iguales a la unidad y son los nicos nmeros distintos de cero
en su respectiva columna.
36
CAPTULO 2. MATRICES
1 4 0 0
A= 0 0 1 0
0 0 0 1
est en la forma escalonada reducida por las (los elementos distinguidos estn en negrillas).
1 4 3 0
B= 0 0 1 0
0 0 0 1
no est en la forma escalonada reducida por las por qu? (los elementos distinguidos estn en
negrillas).
2.5.4
Reduccin de Gauss
La reduccin de Gauss consiste en llevar una matriz a su forma escalonada mediante operaciones
elementales, se tienen dos formas
1. Reduccin de Gauss simple
2. Reduccin de Gauss con pivote
Reduccin de Gauss simple
Consiste en aplicar operaciones elementales a una matriz de modo de llevarla a su forma escalonada,
sin ms argumento que el hecho de poder hacerlo.
Ejemplo 2.24
0 1
2
4
1
1
2
1
0
0
A =
2 1
1 1 F
2
21
1
2 1
0
2
4
0 1
0 5
3 1 F
32(5)
la ltima matriz se encuentra en su forma escalonada.
2 1
0
1
2
4
1
1 1 F
31(2)
1
2 1
0
0 1
2
4
0
0 7 21
Ejemplo 2.25
1 1
2 0
1 1
2 0
1
0
1 2 0
0
0 0
A =
F21(1)
1 1 1
0
3 5 1
4
2 2 2 FF31(2)
0
6 10 2 F
23
41(4)
1 1
2 0
1 1
2 0
0
0
3
5
1
3
5
1
0
0 0
0
0
0 0
0
6 10 2 F
0
0
0 0
42(2)
nuevamente la ltima matriz se encuentra en su forma escalonada.
37
Reduccin de Gauss con pivote

Sea d = abij , como se sabe, para anular una entrada bajo aij se emplea la operacin elemental Fij(d) ,
es claro que aij debe ser distinto de cero, en el mtodo de Gauss simple sta es la nica condicin.
La entrada aij se llamar pivote, para minimizar los errores de redondeo, esta entrada debe ser la
mayor, en valor absoluto, de entre todos los siguientes nmeros
|ai,j | , |ai+1,j | , . . . , |amj |
donde m es el nmero de las de la matriz, si el mximo ocurre en |ah,j | se intercambian las las i
y h y luego se procede a la anulacin de los elementos bajo ai,j como en la seccin anterior.
Ejemplo 2.26 Considrese la siguiente matriz:
1 2 0
A = 4 1 2
5
0 10
(Paso 1) Obsrvese que 5 = m

ax {|1| , |4| , |5|} , el mximo ocurre en la tercera la, luego se intercambiarn las las 1 con 3 y luego proceder a la aniquilacin.
1 2 0
5
0 10
5
0 10
A = 4 1 2
4 1 2 F 4 0 1 10
21
5
0 10 F
1 2 0 F ( 5 )
0 2 2
1,3
31( 1
5)
(Paso 2) Ahora 2 = m
ax {|1| , |2|} y ocurre en la la 3, luego se intercambian las las 2 y 3 para
luego proceder a la aniquilacin.
5
0 10
5
0 10
5
0 10
0 1 10
0 2 2
0 2 2
0 1 10 F
0 2 2 F
0
0 9
23
1
32( 2
)
5
0 10
as, A 0 2 2 con reduccin de Gauss con pivote.
0
0 9
Ejercicios
Reducir las siguientes matrices a la forma escalonada (la solucin no es nica) y escalonada reducida
por las
1.
1
0
0 1 0 0
2 1
0 0 1 0
2
3 1 0 0 1
1 0 0 1 0
0
Sol.
0 1 0 2 1 0
0 0 1 4 3 1
38
CAPTULO 2. MATRICES
2.
3.
1
2 1 2
1
A = 1 1 2 2 1
1
1 3 3
1
1 2 1 2 1
1 0 0 1 1
Sol. 0 1 3 4 0 , 0 1 0 1 0
0 0 5 5 0
0 0 1 1 0
4.
1 1
2 1 1
2
1
2
2
0
B=
0
1
0
2
1
0
2 2
0
1

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

Sol.
2
2
1 ,
0 0
0 0
3
3
3
0 0
0 2 0
0 0
0
0
1
0
0 1
0 1
0 12
1 0
3 3 1
C = 1 1 1
1
1
0
3 3 1
1 1 0
Sol. 0 0 23 , 0 0 1
0 0
0
0 0 0
5. Para qu valores de a y b, las siguientes matrices pueden llevarse a la forma identidad?

(a)
A=
a a
b b
B=
a b
b a
(b)
(c)
1+a
0 a
C = a b 1 a + b
1bc 0 b+c
2.6. DETERMINANTE DE UNA MATRIZ CUADRADA
2.6
2.6.1
39
Determinante de una matriz cuadrada

La denicin de determinante
Denicin 2.35 (Permutacin) Sea n un nmero natural, una permutacin del conjunto {1, 2, . . . , n},
es una reordenacin de estos nmeros.
Es un resultado del anlisis combinatorio que la cantidad de permutaciones que se tienen en el
conjunto {1, 2, . . . , n} es n!. Aqu n! es el factorial de n, y est denido por:
n! = 1 2 (n 1) n,
as:
3! = 1 2 3
4! = 1 2 3 4
por denicin 0! = 1.
Ejemplo 2.27 Considrese el conjunto {1, 2} . Las permutaciones de este conjunto son:
1, 2
2, 1
Ejemplo 2.28 Considere ahora el conjunto {1, 2, 3}. Las permutaciones de ste conjunto son:
123
132
213
231
312
321
Denicin 2.36 (Inversin) En una permutacin del conjunto {1, 2, . . . , n} existe una inversin
cuando un entero precede a otro menor que l. Si el nmero de inversiones es par, se dice que la
permutacin es par, si el nmero de inversiones es impar, se dice que la permutacin es impar. El
signo de una permutacin j1 j2 . . . jn est denido por:
sig (j1 j2 . . . jn ) =
+1, si el nmero de inversiones es par

1, si el nmero de inversiones es impar
Ejemplo 2.29 Considrese las permutaciones de los nmeros 1234

1234 es par: tiene 0 inversiones.
1324 es impar: tiene una inversin 3 con 2
4213 es par pues tiene cuatro inversiones 4 con 2; 4 con 1; 4 con 3; 2 con 1.
40
CAPTULO 2. MATRICES
Denicin 2.37 (Determinante) Sea A Mn,n la siguiente matriz
a11 a12
a21 a22
..
..
.
.
an1 an2
A=
a1n
a2n
..
..
.
.
ann
Sea j1 j2 . . . jn una permutacin del conjunto {1, 2, . . . , n} y considrese el producto

a1j1 a2j2 . . . anjn
de manera que slo exista un elemento de cada la y y slo un elemento de cada columna. El
determinante de A, escrito |A| es el nmero:
|A| =
sig (j1 j2 . . . jn ) a1j1 a2j2 . . . anjn .
donde la suma se realiza sobre las n! permutaciones del conjunto {1, 2, . . . , n}. Finalmente diremos
que n es el orden de este determinante.
Ejemplo 2.30 Determinante de segundo orden
Considere la matriz
A=
las permutaciones del conjunto {1, 2} son
a11 a12
a21 a22
12, 21
entonces se tienen los siguientes productos

a11 a22
a12 a21
por tanto:
|A| = sig (12) a11 a22 + sig (21) a12 a21
= a11 a22 a12 a21
Ejemplo 2.31 Determinante de tercer orden
a11 a12 a13

A = a21 a22 a23
a31 a32 a33
las permutaciones del conjunto {1, 2, 3} son
123, 132, 213, 231, 312, 321
41
entonces se tienen los siguientes productos

a11 a22 a33
a11 a23 a32
a12 a21 a33
a12 a23 a31
a13 a21 a32
a13 a22 a31
por tanto:
|A| = sig (123) a11 a22 a33 + sig (132) a11 a23 a32 + sig (213) a12 a21 a33
+sig (231) a12 a23 a31 + sig (312) a13 a21 a32 + sig (321) a13 a22 a31
= a11 a22 a33 a11 a23 a32 a12 a21 a33
=
+a12 a23 a31 + a13 a21 a32 a13 a22 a31
factorizando a11 , a12 y a13 de cada par de sumandos se tiene:
|A| = a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + a13 (a21 a32 a22 a31 )
a22 a23
a21 a23
a21 a22
= a11
a12
+ a13
a32 a33
a31 a33
a31 a32
as |A| se calcula usando los elementos de la primera la con los signos que van alternadamente de
+ a , concretamente:
Primer sumando: a11 por el determinante de la matriz que resulta de eliminar la primera
la y primera columna de la matriz A.
Segundo sumando: a12 por el determinante de la matriz que resulta de eliminar la primera
la y segunda columna de la matriz A.
Tercer sumando: a13 por el determinante de la matriz que resulta de eliminar la primera
la y tercera columna de la matriz A.
Observacin. Reordenando los sumandos es posible obtener otras posibilidades para el clculo del determinante de una matriz en M33 en funcin de determinantes de orden dos, en efecto:
Empleando los elementos de la segunda la se tiene:
|A| = a21
a12 a13
a32 a33
a11 a13
a31 a33
+ a22
a23
a11 a12
a31 a32
o empleando los elementos de la tercera la se tiene:

|A| = a31
a12 a13
a22 a23
a32
a11 a13
a21 a23
+ a33
a11 a12
a21 a22
Ejemplo 2.32 Empleando la primera la se tiene:

1 2 3
4 5 6
7 8 9
= (1)
5 6
4 6
4 5
(2)
+ (3)
8 9
7 9
7 8
= (3) 2 (6) + 3 (3)

= 0
42
CAPTULO 2. MATRICES
Ejemplo 2.33 Empleando la primera la se encuentra:

2 2 1
0
3
1
1
2
2
3 1
0 1
(2)
2 2
1 2
= (2)
+ (1)
0 3
1 2
= 9
2.6.2
Propiedades del determinante
Relativo a la transpuesta y al producto

P1A ) Sea A una matriz cuadrada, entonces
At = |A|
Ejemplo 2.34 Sea A =
a b
x y
a x
b y
, At =
, luego:
|A| = ay xb
At
= ay bx
P1B ) Sean A, B matrices cuadradas, entonces:

|AB| = |A| |B|
Relativo a la la o columna nula
P2 ) Sea A una matriz cuadrada de una la (o columna nula), entonces
|A| = 0
Ejemplo 2.35 Sea A =
a b
0 0
, el clculo del determinante da:

|A| = (a) (0) (0) (b) = 0
Relativos a las operaciones elementales

Sea A una matriz cuadrada y B la matriz obtenida de A mediante una operacin elemental de la.
(las propiedades se mantienen si las operaciones elementales son de columna)
P3 ) (Operacin elemental Fi(r) ) Si AFi (r) B, r = 0, entonces
|B| = r |A|
Ejemplo 2.36 (Operacin elemental Fi(r) ) Sea A =
aplicando la operacin elemental F2(r) , es decir:
A=
a b
c d
F2(r)
a b
c d
a b
cr dr
, sea B la matriz obtenida de A
=B
43
calculando el determinante de B se tiene:

a b
= (a) (dr) (cr) (b)
cr dr
= r (ad cb)
a b
= r
= r |A|
c d
|B| =
por tanto |B| = r |A| .

P4 ) (operacin elemental Fij ) Si AFi j B, entonces
|B| = |A| .
a b
c d
Ejemplo 2.37 Operacin elemental Fij . Sea A =

cando la operacin elemental F12 , entonces:
A=
a b
c d
F12
, sea B la matriz obtenida de A apli-
c d
a b
=B
calculando determinantes:
|A| = ad cb
|B| = cb ad = (ad cb)
as |B| = |A| .
P5 ) (operacin elemental Fij(r) ) Si AFij (r) B, r R, entonces
|B| = |A|
Ejemplo 2.38 Operacin elemental Fij(r) . Sea A =
aplicando la operacin elemental F21(r) , entonces:
A=
a b
c d
F21(r)
a b
c d
a
b
c + ra d + rb
calculando los determinantes se tiene:

|A| = ad cd
|B| = a (d + rb) b (c + ra)
= ad + rab bc rab
= ad cd
luego |A| = |B| .
, sea B la matriz obtenida de A
= B,
44
CAPTULO 2. MATRICES
Relativo a las (columnas) iguales

P6 ) Sea A una matriz cuadrada tal que dos de sus las (columnas) son iguales, entonces:
|A| = 0
Ejemplo 2.39 Sea
a b c
A= x y z
a b c
0bsrvese que las las 1 y 3 son iguales, calculando el determinante se encuentra:

x z
x y
y z
b
+c
a b
b c
a c
= ayc abz bxc + baz + cxb cay
= 0
|A| = a
Relativo a una columna (la) que es una suma de vectores

P7 ) Sea A una matriz cuadrada tal que A = A1 , A2 , . . . , Ai1 , W 1 + W 2 , Ai+1 , . . . , An , entonces:
|A| = A1 , A2 , . . . , Ai1 , W 1 , Ai+1 , . . . , An + A1 , A2 , . . . , Ai1 , W 2 , Ai+1 , . . . , An
donde Ai , W1 + W2 son las columnas de A.
Ejemplo 2.40 Sea
A=
a x1 + x2
b y1 + y2
Calculando el determinante se encuentra:

|A| = a (y1 + y2 ) b (x1 + x2 )
= (ay1 bx1 ) + (ay2 bx2 )
a x1
a x2
+
=
b y1
b y2
por tanto:
a x1 + x2
b y1 + y2
a x1
b y1
a x2
b y2
Relativo a matrices triangulares

P8 ) El determinante de una matriz cuadrada triangular (inferior o superior) es el producto de las
entradas de la diagonal principal.
Ejemplo 2.41
a
0 b
0 0 c
= abc
45
Clculo del determinante empleando operaciones elementales

Empleando operaciones elementales, es posible llevar la matriz a su forma escalonada, cuidando de
emplear adecuadamente las propiedades. Recordemos que stas son:
Operacin elemental
multiplicacin por escalar
cambio de las
tercera operacin elemental
Efecto
determinante original por el escalar
cambio de signo
ninguno
Ejemplo 2.42
2 7
3
1
2 2
3 5
1
= (1)
1
2 2
2 7
3
3 5
1
F21(2)
F31(3)
= (1)
1
2 2
0 3 1
0
1 5
F32
F21
= (1)2
= (1)
1
2 2
0
1 5
0 3 1
F32(3)
1 2 2
0 1 5
0 0 16
= (1)2 (1) (1) (16)

= 16
2.6.3
Menor complementario y cofactor (adjunto) de un elemento
Denicin 2.38 (Menor complementario) Sea A Mn,n . Sea Mij Mn1,n1 la matriz que
resulta de eliminar la la i y la columna j en la matriz A. El determinante |Mij | se llama menor
complementario de A, tambin se llamar simplemente menor. El nmero
ij = (1)i+j |Mij |
se llamar cofactor (o adjunto) de la entrada aij .
Observacin. Los signos (1)i+j de los cofactores de todos los elementos de A siguen la siguiente
regla: Los signos se alternan ya sea en las o columnas. As para A M3,3 los signos (1)i+j son:
+ +
+
+ +
Ejemplo 2.43 Considere la matriz
a11 a12 a13

A = a21 a22 a23
a31 a32 a33
46
CAPTULO 2. MATRICES
entonces:
a22 a23
, |M12 | =
a32 a33
|M11 | =
a21 a23
, |M13 | =
a31 a33
a21 a22
a31 a32
y
11 = (1)1+1 |M11 | = |M11 |
12 = (1)1+2 |M12 | = |M12 |
13 = (1)1+3 |M13 | = |M13 |
Observacin. Del ejemplo 2.31 se tiene
|A| = a11 |M11 | a12 |M12 | + a13 |M13 |
= a11 11 + a12 12 + 13 13
esto no es casualidad, como se puede apreciar en el siguiente teorema.
Teorema 2.39 (Desarrollo por cofactores a travs de una la) Sea A Mn,n , entonces
n
|A| =
aik ik ,
i = 1, . . . , n
k=1
Desarrollo por cofactores

por la la i
Teorema 2.40 (Desarrollo por cofactores a travs de una columna) Sea A Mn,n , entonces
n
|A| =
akj kj ,
j = 1, . . . , n
k=1
Desarrollo por cofactores

por la columna j
Ejemplo 2.44
los signos de los cofactores son
2 0 3
A = 1 1 1
3 1 0
+ +
+
+ +
A continuacin realizamos el clculo del determinante de tres maneras.

(Cofactores a travs de la primera la) Los signos sern +, , +.
|A| = +2
1 1
1 0
(0)
1 1
3 0
+ (3)
1 1
3 1
=4
(Cofactores a travs de la segunda la) Los signos son , +,

|A| = (1)
0 3
2 3
+ (1)
1 0
3 0
(1)
2 0
3 1
=4
(Cofactores a travs de la primera columna) Los signos son +, , +

|A| = (2)
1 1
1 0
(1)
0 3
1 0
+ (3)
0 3
1 1
=4
2.6.4
47
Menor y menor principal
Denicin 2.41 (Menor) Un menor de una matriz A es el determinante de la submatriz obtenida

de A tomando algunas las y algunas columnas. El orden del menor principal es el nmero de las
(columnas).
Ejemplo 2.45 Sea A = (aij ) M5,5 . Tomando las las 3, 4, 5 y las columnas 1, 2, 5 se tiene el menor
de orden 3:
la 3 con las columnas 1, 2, 5

a31 a32 a35
a41 a42 a45
a51 a52 a55

Ejemplo 2.46 Considrese
1 2 3 4
5 6 7 8
A=
9 10 11 12
13 14 15 16
tomando las las 2, 4 y las columnas 3, 4 se tiene el menor de orden 2:

7 8
15 16
Denicin 2.42 (Menor principal) Si los elementos de la diagonal principal del menor son tambin elementos de la diagonal principal de A, el menor se llama menor principal.
Ejemplo 2.47 Un menor principal de la matriz del ejemplo anterior se encuentra con las las 1, 3
y las columnas 1, 3
1 3
9 11
2.6.5
Rango de una matriz
La denicin de rango
Denicin 2.43 (Rango) El rango de una matriz cuadrada no nula A es igual a r, lo que escribiremos rango (A) = r, si al menos uno de los menores cuadrados de orden r es distinto de cero, siendo
nulos los menores cuadrados de orden r + 1. Por denicin el rango de la matriz nula es 0.
Ejemplo 2.48 Considere
el determinante
2 0
1 1
2 0 1
A = 1 1 1
3 1 0
= 2, y |A| = 0, entonces rango (A) = 2.
Teorema 2.44 El rango de A es igual al rango de su transpuesta, es decir:

rango (A) = rango At
48
CAPTULO 2. MATRICES
Teoremas y un algoritmo relativo al clculo del rango

Teorema 2.45 El rango de una matriz no varia mediante operaciones elementales de la o columna.
Teorema 2.46 El rango de una matriz que est en la forma escalonada es el nmero de las no
nulas.
Los dos teoremas previos nos dan un algoritmo para calcular el rango de una matriz, pues si se
est interesado en calcular el rango de una matriz A, entonces se deben seguir con los siguientes
pasos:
1) Realizar operaciones elementales de la de modo de obtener la forma escalonada de la matriz,
2) Se cuentan el nmero de las no nulas; si este nmero es r, entonces:
rango (A) = r.
Ejemplo 2.49 Se calcular el rango de la matriz
1 2 3 2
A = 3 6 10 8
2 4 7 6
Solucin.
1 2 3 2
1 2 3 2
0 0 1 2
A = 3 6 10 8
F21(3)
0 0 1 2 F
2 4 7 6 F
31(2)
32(1)
1 2 3 2
0 0 1 2
0 0 0 0
la ltima matriz est en la forma escalonada, y sus dos primeras las no son nulas, entonces
rango (A) = 2.
Ejemplo 2.50 Ahora considrese la matriz
1 2 0
B = 1 0 0
1 6 1
1 2 0
1 2 0
B = 1 0 0
0 2 0
F21(1)
1 6 1 F
0 4 1 F
31(1)
32(2)
1 2 0
0 2 0
0 0 1
la ltima matriz est en su forma escalonada, no tiene ninguna la nula, es decir rango (B) = 3.
49
1. Determinar si las siguientes permutaciones son pares o impares encontrando el nmero de
inversiones.
(a) 3214. Sol. impar
(b) 4213. Sol. par
(c) 32154. Sol. par
(d) 13524. Sol. impar
(e) 42531. Sol. impar
2. Aplicando propiedades mostrar que
2
1
1
1 2
1
1
1 2
=0
3. Sin hacer el desarrollo por cofactores calcular:

1 a b+c
1 b a+c
1 c a+b
Sol. 0.
4. Sin hacer el desarrollo del determinante prubese que:
b2 + a2 1 a2
b2 c2 1 b2
a2 + c2 1 c2
a2 1 b2
b2 1 c2
c2 1 a2
5. Usando propiedades mostrar que:

(a)
a21 a1 1
a22 a2 1
a23 a3 1
= (a1 a2 ) (a2 a3 ) (a3 a1 )
(b)
a 1 a3
b 1 b3
c 1 c3
= (b c) (a c) (a b) (a + b + c)
(c)
1
1
1
1
1
x
x2 x3
3 x + 2 2x + 1 3x
3 2x + 1 x2 + 2 3x2
= x2 4x 3 (x 1)4
50
CAPTULO 2. MATRICES
(d)
1 1 1
x y
z
yz xz xy
= (x y) (y z) (z x)
(e)
y+z
x+z
x+y
x
y
z
x+y+z x+y+z x+y+z
=0
(f)
x+y
x
y
y x+y
x
x
y x+y
= 2 (x + y) x2 xy + y 2
(g)
1+a
a
a
a
a 1a
a
a
a
a 1+a
a
a
a
a 1a
= 1 8a2 + 8a3
(h)
x+a
x
x
x
x xa
x
x
x
x x+b
x
x
x
x xb
= a2 b2
(i)
a2 r
ab
ab
b2
ab
a2 r
b2
ab
ab
b2
a2 r
ab
b2
ab
ab
a2 r
= (a + b)2 r
(a b)2 r
a2 b2 r
(Sug. Podra sumar las ltimas tres columnas a la primera y factorizar (a + b)2 r)
6. Conjeturar una frmula para el determinante de
x 1 1
1 x 1
.. .. . .
.
. ..
. .
1 1 x
(Es una matriz con unos en cada entrada fuera de la diagonal y x en la diagonal). Sol.
(x 1)n1 (x + n 1) .
51
7. Se dice que una matriz es ortogonal si At A = I. Probar que si A es ortogonal |A| = 1.

8. Sea A Mn,n , probar que |kA| = kn |A| .
9. Una matriz A es antisimtrica si At = A. Si A es antisimtrica, es cierto que el determinante
de A es cero?
10. Hallar todas las matrices en M2,2 A y B tales que |A| + |B| = |A + B| . Sol. Si A = [A1 A2 ]
y B = [B1 B2 ] , esta matrices deben vericar: |A1 B2 | + |B1 A2 | = 0, por ejemplo (A =
2 2
4 1
,B=
)
8 1
3 5
11. Determinar el rango de las siguientes matrices.
2
2 1
(a) A = 1
0
3 . Sol. rango(A) = 2.
1 2
4
1 1 0
2
1 1
(b) B = 0 1 1
. Sol. rango(B) = 3.
3 1 2
5
0 3
0 c b
12. Calcular del determinante de A = c 0 a . Sol. 2abc
b a 0
13. Determinar los valores de k de modo que las siguientes matrices tengan rango igual al orden
de la matriz.
1
0 1
(a) 2
k k . Sol. k = 1 y k = 0.
2 k 1
1
1
1
(b) 1 1 + k 2 . Sol. k = 4, k = 0.
1 1 + 2k k 5
1 1 1
(c) 1 3 0 Sol. k = 2
2 2 k
1 1
1
Sol. k = 2, k = 0
(d) 1 3
0
2
2 2 2 2k + k
6 12 + 7a 6 19a + 5b
(e) 3 6 + 3a 3 8a + 2b Sol. a = b, a = 0
1 2 + a
1 3a + b
14. Determinar los valores de k de modo que las siguientes matrices tengan rango igual a 2.
52
CAPTULO 2. MATRICES
6 18 2k
(a) 7 2 4 . Sol. k = 73
13
4 10
6
2
0 0
1
1 1 2
2
Sol. no existe
(b)
2
k 0 1
1
0 k
1
2.7
Sabias que?
(Tomado de http://www.enterate.unam.mx/Articulos/2003/mayo/progext.htm)
qu tan grave puede ser que se suscite un error?
En el periodo de 1985 a 1987, seis personas fueron sobreexpuestas a radiacin por un tratamiento
contra el cncer que era proporcionado con ayuda de una mquina llamada Therac-25. Se cree que
tres de estos seis pacientes fallecieron debido a la sobreexposicin, causada por un error en el software
de la mquina Therac-25 y por la falta de monitoreo de los operadores de la mquina.
En 1995, el procesador Pentium de Intel R present un error de software, codicado en su hardware, que llevaba a la imprecisin en las operaciones de divisin de nmeros con punto otante.
Intel predeca que este problema slo lo notara una persona cada 27 mil aos, no obstante, fue tan
conocido, que la empresa perdi ms de 400 millones de dlares en reemplazos del procesador.
El 4 de junio de 1996, la nave espacial Ariane 5, a los 40 segundos de haber iniciado su secuencia
de vuelo y a una altitud de 3,700 metros, se sali de su ruta y explot. El problema fue ocasionado
por el software de navegacin que hered del Ariane 4 y que no fue debidamente probado.
Durante la Guerra del Golfo, un misil americano Patriot, fall en rastrear e interceptar un misil
Scud iraqu, el cual mat a 28 soldados e hiri a 100 personas. El problema se produjo por un
error en los clculos del Sistema de Control de Armas; cuando ocurri el incidente, el sistema haba
trabajado por ms de 100 horas, para entonces, la imprecisin del software se acumul y ocasion
que el sistema buscara en el lugar equivocado el misil Scud.
Captulo 3
Sistemas de ecuaciones lineales

En este captulo se dene un sistema de ecuaciones lineales, se estudia un teorema relativo al rango
y las soluciones, se entudia tambin una tcnica simple para determinar todas las soluciones de
un sistema. En una segunda parte se estudia la posibilidad de invertir una matriz cuadrada y las
condiciones bajo las cuales esto es posible. Finalmente se estudia la regla de Cramer para resolver
sistemas cuadrados.
3.1
3.1.1
Introduccin
La denicin de sistema lineal
Un sistema lineal de m ecuaciones con n incgnitas tiene la forma:

a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2
am1 x1 + am2 x2 + + amn xn = bm

los nmeros aij son los coecientes del sistema, los bi se llaman trminos independientes y los xi se
llaman incgnitas del sistema. Si cada bi es cero, el sistema se llama sistema homogneo.
3.1.2
Notacin matricial
El anterior sistema puede escribirse como Ax = b, donde A Mm,n es la matriz
a11 a12 a1n

a21 a22 a2n
A=
..
.. . .
..
.
.
.
.
am1 am2 amn
b Mm,1 , x Mn,1 son los vectores:
b=
b1
b2
..
.
bm
, x =
53
x1
x2
..
.
xn
54
CAPTULO 3. SISTEMAS DE ECUACIONES LINEALES
3.1.3
La solucin de un sistema lineal
Un vector x es solucin de un sistema lineal Ax = b, si satisface la ecuacin matricial, esto a su vez

signica que el vector x satisface cada una de las ecuaciones del sistema.
Ejemplo 3.1 El siguiente sistema, es de 2 ecuaciones con 3 incgnitas:
1 2 3
2 2 2
una solucin de este sistema es el vector:
x1
x2 =
x3
5
2
2
x= 0
1
pues
1 2 3
2 2 2
3.2
2
0 =
1
5
2
Teorema de existencia de soluciones
Denicin 3.1 (Matriz ampliada) Considere el sistema lineal Ax = b, A Mm,n . La matriz

obtenida de aadir a la matriz A la columna b, denotada por [A : b] Mm,n+1 se llama matriz
ampliada (o matriz aumentada).
Las soluciones de un sistema Ax = b, A Mm,n estn completamente determinadas por el rango
de A y el rango de la matriz ampliada [A : b] , eso es lo que arma el siguiente teorema.
Teorema 3.2 Sea Ax = b, un sistema de m ecuaciones y n incgnitas, entonces:
1. El sistema no tiene solucin ssi
rango (A) = rango ([A : b]) .
2. El sistema tiene innitas soluciones ssi
rango (A) = rango ([A : b]) < n.
3. El sistema tiene solucin nica ssi
rango (A) = rango ([A : b]) = n.
En los tres siguientes ejemplos determinaremos si los sistemas tienen o no soluciones.
3.2. TEOREMA DE EXISTENCIA DE SOLUCIONES
55
Ejemplo 3.2
1 2 1
3 5 1
x1
x2 =
x3
3
1
Via operaciones elementales calcularemos el rango de la matriz ampliada [A : b] :

[A : b] =
1 2 1 :
3
3 5 1 : 1
F21(3)
1
2
1 :
3
0 1 2 : 10
es claro que rango (A) = rango ([A : b]) = 2 < 3, luego el sistema tiene innitas soluciones (teorema
3.2).
Ejemplo 3.3

2
1
2 1
x1
3 5 1 x2 = 1
x3
5
4
7 0
Mediante operaciones elementales calcularemos el rango de la matriz ampliada [A : b] :
1
2 1
[A : b] = 3 5 1
4
7 0
1 2 1 :
0 1 4 :
0 0 0 :
:
2
1
2
1 :
2
0
1
4 :
5
: 1
F21(3)
:
5 F
0 1 4 : 3 F
31(4)
32(1)
2
5
2
luego rango (A) = 2, rango ([A : b]) = 3, por tanto el sistema no tiene soluciones (teorema 3.2).
Ejemplo 3.4
1
2 1
x1
1
3 5 1 x2 = 14
x3
0
4
7 5
1
2 1
[A : b] = 3 5 1
4
7 5
1 2 1 :
0 1 4 :
0 0 5 :
:
1
1
2 1 :
2
: 14
0
1 4 : 11
F21(3)
:
0 F
0 1 1 : 4 F
31(4)
32(1)
2
11
15
luego rango (A) = rango ([A : b]) = 3, es decir, el sistema tiene solucin nica (teorema 3.2).
56
3.3
3.3.1
Soluciones de un sistema triangular

Sistema triangular superior
Un sistema Ax = b, con A Mn,n , es triangular superior si la matriz A es triangular superior. Si

rango (A) = n, el sistema se resuelve con el algoritmo de sustitucin inversa.
Ejemplo 3.5 Considere el sistema triangular
a11 a12 a13

x1
b1
0 a22 a23 x2 = b2
0
0 a33
x3
b3
Si rango (A) = 3, entonces ninguno de los elementos de la diagonal principal pueden ser nulos. La
solucin se encuentra sucesivamente en los siguientes pasos:
x3 se encuentra de la ecuacin a33 x3 = b3 , de donde
x3 =
b3
a33
x2 se encuentra de la ecuacin a22 x2 + a23 x3 = b2 , de donde

x2 =
1
(b2 a23 x3 )
a22
x1 se encuentra de la ecuacin a11 x1 + a12 x2 + a13 x3 = b1 , de donde

x1 =
1
(b1 a12 x2 a13 x3 )
a11
Teorema 3.3 Sea Ax = b, es un sistema triangular A Mn,n de rango n, entonces las soluciones
son:
bn
xn =
ann
n
1
bj
xj =
ajk xk , j = n 1, n 2, . . . , 1
ajj
k=j+1
este algoritmo se llama de sustitucin inversa.
3.3.2
Sistema triangular inferior
Un sistema Ax = b, con A Mn,n , es triangular inferior si la matriz A es triangular inferior. Si

rango (A) = n, el sistema se resuelve con el algoritmo de sustitucin directa.
Ejemplo 3.6 Considere el sistema triangular inferior
a11 0
0
x1
b1
a21 a22 0 x2 = b2
a31 a32 a33
x3
b3
Si rango (A) = 3, entonces ninguno de los elementos de la diagonal principal pueden ser nulos. La
solucin se encuentra sucesivamente con los siguientes pasos:
3.4. SOBRE LAS SOLUCIONES DEL SISTEMA AX = B
57
x1 se encuentra de la ecuacin a11 x1 = b1 , de donde

x1 =
b1
a11
x2 se encuentra de la ecuacin a21 x1 + a22 x2 = b2 , de donde

x2 =
1
(b2 a21 x1 )
a22
x3 se encuentra de la ecuacin a31 x1 + a32 x2 + a33 x3 = b3 , de donde

x3 =
1
(b3 a31 x1 a32 x2 )
a33
Teorema 3.4 Sea Ax = b, un sistema triangular inferior con A Mn,n de rango n, entonces las
soluciones del sistema son:
x1 =
xj
b1
a11
1
=
ajj
j1
bj
ajk xk , j = 2, . . . , n
k=1
este algoritmo se llama de sustitucin directa.
3.4
3.4.1
Sobre las soluciones del sistema Ax = b

Sistemas equivalentes
Denicin 3.5 (Sistemas equivalentes) Sea Ax = b, un sistema con A Mm,n y [A : b] su

matriz aumentada. Sea [A : b ] una matriz equivalente a la matriz [A : b] , entonces los sistemas
Ax = b y A x = b se llaman equivalentes.
Las operaciones elementales no modican la solucin de un sistema lineal, como se arma en el
siguiente teorema.
Teorema 3.6 Las soluciones de dos sistemas equivalentes son iguales.
3.4.2
Variables libres
Denicin 3.7 (Variable libre) Sea Ax = b, un sistema lineal con A Mm,n tal que [A : b] se
encuentra en su forma escalonada, sea j la columna en donde no existe un elemento distinguido, en
ese caso la variable xj se llamar variable libre.
Ejemplo 3.7 Considere el sistema

x1
2 1 3 1
4
x
0 0 1 3 2 = 1
x3
0 0 0 2
2
x4
58
la matriz aumentada es:
2 1 3 1 : 4
0 0 1 3 : 1
0 0 0 2 : 2
los elementos distinguidos se encuentran en las columnas 1, 3, 4, por tanto la nica variable libre es
x2 .
Teorema 3.8 Si [A : b] se encuentra en la forma escalonada y rango (A) = rango (A : b) , y se tiene
al menos una variable libre, entonces se tienen innitas soluciones.
3.4.3
Clculo de la solucin de un sistema Ax = b
Los resultados previos justican el siguiente proceso para resolver un sistema lineal Ax = b, donde
A Mm,n .
Paso 1
Construir la matriz aumentada [A : b] .
Paso 2
Llevar [A : B] a la forma escalonada [A : b ] .
Paso 3
Identicar las variables libres.
Paso 4
Asignar valores arbitrarios a las variables libres o parmetros. Este hecho origina un
sistema cuadrado triangular superior.
Paso 5
Se resuelve el sistema triangular superior, encontrndose as las incgnitas faltantes.
Paso 6
Se escribe la solucin.
Ejemplo 3.8
1 2 1
3 5 1
[A : b] =
1 2 1 :
3
3 5 1 : 1
x1
x2 =
x3
F21(3)
3
1
1
2
1 :
3
0 1 2 : 10
Claramente el sistema tiene innitas soluciones. La variable libre es x3 Sea x3 = t, t R, as el

sistema se transforma en:
1
2
x1
3t
=
0 1
x2
10 + 2t
que como se esperaba es triangular superior, resolviendo por sustitucin inversa se tiene sucesivamente:
x2 = 10 2t
x1 = 3 t 2 (x2 )
= 3 t 2 (10 2t)
= 17 + 3t
59
por tanto la solucin del sistema es:
17 + 3t
x = 10 2t , t R
t
el sistema tiene innitas soluciones (para cada valor de t se tiene una solucin).
Ejemplo 3.9 Resolver
Solucin.
2
1
2 3
2 1 0 x1
1
x2 =
1
1
0 3
x3
1 1 3
2
1
2 3 :
2 1 0 :
[A : b] =
1
0 3 :
1 1 3 :
1
2 3 :
0
1 6 :

0 2 0 :
0
3 6 :
1 2 3 :
0 1 6 :

0 0 12 :
0 0 0 :
2
1
2
0
3
1
F
1
0 2
21(2)
2 FF31(1)
0
1
41(1)
2
1 2
4
0 1
0 0
1
5 FF32(2)
0 0
42(3)
2
4
7
0
:
2
:
5
: 1
:
4 F
24
3 :
2
6 :
4
12 :
7
12 : 7 F
3
6
0
6
43(1)
Puede observarse que el sistema no tiene variables libres. Por otra parte el sistema tiene solucin
nica pues rango (A) = rango [A : b] = 3 = nmero de variables. Empleando sustitucin inversa se
tiene:
x3 = 7/12
x2 = 1/2
x1 = 3/4
Por tanto la solucin del sistema es:
x=
3
4
1
2
7
12
x1
1 1 1 1
6
x
3 3 4 5 2 = 29
x3
1 1 3 5
28
x4
60

Solucin.
1 1 1 1
[A : b] = 3 3 4 5
1 1 3 5
1 1 1 1
0 0 1 2
0 0 0 0
las variables libres son: x2 y x4 . Sean
: 6
1 1 1 1 : 6
. 29
0 0 1 2 . 11
F21(3)
: 28 F
0 0 2 4 : 22 F
31(1)
32(2)
: 6
. 11
: 0
x2 = t
x4 = s
entonces, el sistema se convierte en:

x1 + x3 = 6 + x2 x4
x3 = 11 2x4
Reemplazando x2 = t y x4 = s, se tiene el sistema triangular
x1 + x3 = 6 + t s
x3 = 11 2s
de donde sucesivamente:
x3 = 11 2s
x1 = 6 + t s (11 2s)
= 5 + t + s
5 + t + s
x=
11 2s , t, s R
s
Ntese que la solucin puede escribirse como:
5
0
x=
11 + t
0
1
1
0
1
+ s
2
0
0
1
Ejemplo 3.11 Considere el siguiente sistema:
1 1
0
x1
2
0
k
2 x2 = 1
0
0 k2
x3
k1
determinaremos los valores de k para que el sistema (a) tenga solucin nica, (b) tenga innitas
soluciones, (c) no tenga soluciones.
61
Solucin. (a) El rango de la matriz de coecientes debe ser igual al rango de la matriz ampliada
e igual a 3, esto solo puede darse si k = 2 y k = 0.
(b) rango (A) = 2 para k = 0 o k = 2. Para k = 2, rango [A : b]=3, por tanto para este valor no se
pueden tener innitas soluciones (en realidad no se tienen soluciones), para k = 0, rango [A : b] = 2,
por tanto, para k = 0 se tienen innitas soluciones.
(c) Por lo anterior el sistema no tiene soluciones para k = 2.
1. Determinar las condiciones que deben cumplir
solucin
x 2y = a1
2x + y = a2
4x + 3y = a3
los as de modo los siguientes sistemas tengan

x 2y + z = a1
3x + 2y = a2
4x 2y + z = a3
2. Hallar los valores de k de modo que los siguientes sistemas (a) tengan solucin nica, (b)
tengan innitas soluciones, (c) no tengan soluciones
(a)
1
0 1
x
2
2
k k y =
4
2
2 k 1
z
5 + k
(b)
Sol. (a) k = 1 y k = 0, (b) k = 1, (c) k = 0.
1
1
1
x
1
1 1 + k 2 y = 1
1 1 + 2k k 5
z
5+k
Sol. (a) k = 0, k = 4, (b) k = 0, (c) k = 4.

(c)
1 1 1
x
2
1 3 0 y = 1
2 2 k
z
4+k
(d)
Sol. (a) k = 2, (b) no, (c) k = 2
x
2
1 1
1
1 3
y = 3
0
2
z
k+2
2 2 2 2k + k
Sol. (a) k = 2, k = 0,(b) k = 2,(c) k = 0
62

(e)
k 1
1
x
k
1 k/4 1 y = 2k
k 1
k
z
k
(f)
Sol. (a) k R {1, 2} , (b) Innitas soluciones k = 1, (c) k = 2
k 4 4
x
k
1 k 1 y = 2k
4 1 k
z
4
Sol. (a) k R {5, 1, 4} , (b) No existe el caso de innitas soluciones, (c) k {5, 1, 4} .
3. Analizar las soluciones del sistema tomando en
1 /2
2

0 1
Sol.
cuenta el valor de y .

y =
z
(a) Innitas soluciones para = 2, = 4/3 y = 0, = 0.

(b) Sin solucin para = 2, = 4/3 y = 0, R {0}
(c) Solucin nica para = 2 y = 0

1
1
a
2
, u2 =
0 , u3 =
1 determinar que condicin ha de cumplir a
4. Dados u1 =
1
a
1
1
para que v = 1 pueda escribirse como v = x u1 + y u2 + z u3 . Sol. a R {1, 3/2} .
1
5. Resolver:
Sol.
8 + t 3s
t
6
2+s
s
6. Resolver:
1 1
1
2
1
2
2
1
5
1
2 2
3
4
2
1
1 2
0 3
x1
x2
x3
x4
x5
1
2 0 1 0
1 2 1 1 0
1
2 1 3 1
x
y
z
u
w
0
=
10
= 3
3.5. LA INVERSA DE UNA MATRIZ
Sol.
2 2t1 t2
t1
1 2t2
t2
2
7. Resolver:
63
Sol. :
1 2t1 t2
t1
2 2t2
t2
4
8. Resolver:
Sol. No existen.
9. Resolver:
2
Sol. : 1 t1
t1
0
0 3 6 2
1 2 1 1 0
1
2 1 3 1
x
y
z
u
v
= 3
x
1 2 0 1
2
1 2 1 1 y = 3
z
1
2 1 3
1
w
1 0 0
x
2
1 1 1 y = 3
1 1 1
z
1
10. Determine un polinomio de grado 2 que pase por los puntos:

(2, 17) , (1, 7) , (3, 7)
3.5
3.5.1
La inversa de una matriz

La denicin de matriz inversa
Denicin 3.9 (Inversa) Sea A Mn,n . Diremos que una matriz B Mn,n es la inversa de A si
AB = In
BA = In
donde In es la matriz identidad, en Mn,n .
64
Notacin. Es costumbre denotar la inversa de una matriz A mediante A1 , por tanto si A1 es

la inversa de A se debe tener: A1 A = In , AA1 = In , si no se dice lo contrario sta ser la notacin
usual para la inversa.
Ejemplo 3.12 (No pregunten de donde se saca la inversa de la siguiente matriz, ms adelante se
aprender a calcularlo). La inversa de
A=
2 7
1 4
es :
A1 =
pues:
AA1 =
3.5.2
2 7
1 4
4 7
1
2
4 7
1
2
1 0
0 1
Clculo de la inversa
Para el clculo de la inversa de una matriz, recordemos algunos resultados de productos de matrices.
Inicio del repaso
Si A, B Mn,n y si B = B 1 , B 2 , . . . , B n donde los B j son la columnas de B, entonces:

AB = A B 1 , B 2 , . . . , B n
=
AB 1 , AB 2 , . . . , AB n
esto muestra que la j esima columna de AB es el producto AB j , siendo B j la j esima

columna de B.
La solucin del sistema Ix = b, es x = b. (aqu I es la matriz identidad)
Fin de repaso
Ahora estamos listos para discutir la forma de calcular la inversa. Sea A Mn,n una matriz de
rango igual a n, para el clculo de la inversa emplearemos la siguiente notacin:
A1 = X 1 , X 2 , . . . , X n , donde Xj es la j esima ser la inversa de A
I = [e1 , e2 , . . . , en ], I es la matriz identidad y ej la j esima columna.
Puesto que A1 es la inversa de A debemos tener AA1 = I, entonces:
AX 1 , AX 2 , . . . , AX n = [e1 , e2 , . . . .en ]
de donde
AX j = ej , j = 1, 2, . . . , n
lo anterior muestra que la j esima columna de X se encuentra resolviendo el sistema AX j = ej .
65
Puesto que en cada uno de estos sistemas la matriz A no varia, podemos considerar la matriz
aumentada que involucre todos los sistemas, esta matriz es:
[A : e1 , e2 , . . . , en ]
resolviendo estos sistemas encontramos las columnas de la matriz inversa X, ms an podemos llevar
la anterior matriz a la forma escalonada reducida por las, y puesto que A es de rango n, la matriz
escalonada reducida por las debe ser la matriz identidad, as la matriz aumentada tiene la forma:
e 1 , e 2 , . . . , en : X 1 , X 2 , . . . , X n
as se ha calculado la inversa, A1 = X 1 , X 2 , . . . , X n . A continuacin el algoritmo para el clculo
de la inversa.
Algoritmo para el clculo de la inversa
Para calcular la inversa de una matriz A Mn,n de rango n, se siguen los siguientes pasos
1 Se construye [A : e1 , e2 , . . . , en ]
2 Se realizan operaciones elementales de modo que
[A : e1 , e2 , . . . , en ] e1 , e2 , . . . , en : X 1 , X 2 , . . . , X n
3 La matriz inversa A1 tiene por columnas a los vectores X 1 , X 2 , . . . , X n .
Ejemplo 3.13 Calcularemos la inversa de
2 7
1 4
A=
Solucin.
2 7 : 1 0
1 4 : 0 1
F21(1/2)
2
7 :
1 0
0 1/2 : 1/2 1
2 7 :
1 0
0 1 : 1 2
2 0 :
8 14
0 1 : 1
2
1 0 :
4 7
0 1 : 1
2
por tanto:
A1 =
4 7
1
2
Ejemplo 3.14 Determinar la inversa de
1 2
1
A = 2 1 1
1 0
1
F2(2)
F12(7)
F1(1/2)
66

Solucin.
1 2
1 : 1 0 0
1
2
1 :
1 0 0
0 3 3 : 2 1 0
[A : I] = 2 1 1 : 0 1 0
F21(2)
1 0
1 : 0 0 1 F
0 2
0 : 1 0 1 F
31(1)
1 2
1
2
1 :
1
0 0
1 0
0 3 3 : 2
0 1
F2(1/3)
1
2
0
0
2 :
1
3
3
F3(1/2)
0 0
1
1
1 2 0 : 56
1 0 0
3 2
1

0 12
0 1 0 : 2
0 1 0
1
0 0 1 : 16 13
0 0 1
2
F
12(2)
de lo anterior se deduce que A1 =
3.5.3
16
1
2
1
6
1
3
0
13
1
2
12
1
2
32 2
3
1 :
1 :
2
3
1
6
13
1 :
13
: 16
1
3
1
2
1
6
13
1
2
1
2
12
1
2
F23(1)
F13(1)
Algunos teoremas sobre la inversa
Teorema 3.10 Sobre una matriz A Mn,n , las siguientes armaciones son equivalentes:
1. A tiene inversa.
2. rango (A) = n.
3. |A| = det (A) = 0.
Teorema 3.11 Si A, B Mn,n son invertibles, entonces AB es invertible, ms an, (AB)1 =
B 1 A1 .
Demostracin. Aceptando que AB es invertible, entonces
(AB) (AB)1 = I
premultiplicando por la izquierda por A1 se tiene:
B (AB)1 = A1
premultiplicando una vez ms por B 1 :
(AB)1 = B 1 A1 .
Teorema 3.12 (Unicidad de la inversa) Si la inversa existe, sta es nica.
67
Demostracin. Sea A una matriz invertible con inversa B. Si C es otra inversa se debe tener:
AB = I, BA = I
AC = I, CA = I
entonces:
B = BI
= B (AC)
= (BA) C
= IC
= C
eso prueba el teorema.
3.5.4
La adjunta de una matriz en el clculo de la inversa
En el captulo 1, denimos el nmero

ij = (1)i+j |Mij |
como cofactor (o adjunto) de la entrada aij de una matriz A = (ai,j ) Mn,n , donde Mij es la
submatriz de A obtenida eliminando la la i y la columna j. La matriz construida con estos cofactores,
ser llamada matriz adjunta.
Denicin 3.13 (Matriz adjunta) Sea A Mn,n , la matriz adjunta de A es la matriz, denotada
por adj (A) , cuyo elemento ji es ij = (1)i+j |Mij | , es decir, es la transpuesta de la matriz formada
por los cofactores.
t
11 12 1n
21 22 2n
adj (A) =
..
.. . .
..
.
.
.
.
n1 n2 nn
Teorema 3.14 Si A Mn,n invertible, entonces:

A1 =
1
adj (A)
|A|
Ejemplo 3.15 Determinar la inversa de:

A=
a b
c d
Solucin. El determinante es |A| = ad bc, y la adjunta es

adj (A) =
d c
b a
d b
c a
por tanto:
A1 =
1
ad bc
d b
c a
68
Ejemplo 3.16 Determinar la inversa de:
1 2 3
A= 6 0 4
3 2 1
Solucin. El determinante es |A| = 40 y la adjunta es:
8
4
8
14
adj (A) = 6 8
12
4 12
por tanto
A1
8
4
8
1
6 8
14
=
40
12
4 12
1. Sean A, B, C matrices con las dimensiones adecuadas, Bajo que condiciones AB = AC implica
B = C?.
2. Determinar la inversa de
0 12
Sol. 3 12
2 2
12
1
2
3. Determinar la inversa de
Sol. No existe.
3
1
1
A= 8
2
3
10 2 3
1 2 1
A = 1 3 2
1 3 2
4. Cundo la siguiente matriz es invertible?, Cul
a1 0
0 a2
A= .
..
..
.
0
es su inversa?
0
0
..
..
. .
an
5. Probar que la inversa de una matriz triangular es del mismo tipo.

6. Pruebe que si A Mn,n es invertible, entonces |adj (A)| = |A|n1 .
69
7. Para que valores de a y b la siguiente matriz es invertible?
2 a 4 a 2b
2 1+a
3+b
1
0
2+a+b
Sol. a = 0 y a = b.
8. Sea A M2,2 una matriz invertible tal que |A| = 1. Encuentre todas las matrices A tales que
A1 = A.
9. Considrese la matriz:
1
2
1
3
..
.
1
n
1
n+1
1
n+1
1
n+n1
1
2
..
.
1
n
..
.
..
.
Calcule la inversa para n = 2, n = 3 y n = 4. Conjeture una frmula para su inversa.

10. Sea A Mn,n . Pruebe que:
(a) Si A es invertible y AB = 0 para alguna matriz B Mn,n , entonces B = 0.
(b) Si A es no invertible, entonces existe una matriz B Mn,n tal que AB = 0 pero B = 0.
11. Suponga que I AB es invertible. Prubese que si I BA es invertible, entonces
(I BA)1 = I + B (I AB)1 A.
(Sug. Conviene partir de la identidad I AB = I AB y hacer C = (I BA))
12. Sean A, B y A + B matrices invertibles. Prubese que A1 + B 1 es invertible. (Sug. Puede
partir de B 1 (A + B) A1 )
13. Muestre que si A Mn,n , entonces:
1
I A
0 I
I A
0 I
donde I es la matriz identidad.

14. Sean A y B cuadradas, no necesariamente del mismo orden, sea C del orden adecuado. Suponga
que se cumple:
A C
= |A| |B|
0 B
Probar que si X, Y son cuadradas, no necesariamente del mismo orden, U, V del orden adecuado
y X una matriz invertible, entonces se cumple:
X U
V Y
Sug. Emplee la matriz
I
0
1
V X
I
= |X| Y V X 1 U
.
70
3.6
La regla de Cramer
Teorema 3.15 (Regla de Cramer 1 ) Considere el sistema Ax = b, A Mn,n . Supngase que |A| = 0,
si A = A1 , A2 , . . . , An , donde Aj es la j esima columna de A, y
x=
entonces las soluciones son:

xi =
x1
x2
..
.
xn
A1 , . . . , Ai1 , b, Ai+1 , . . . , An
, i = 1, 2, . . . , n
|A|
Ntese que A1 , . . . , Ai1 , b, Ai+1 , . . . , An se obtiene de |A| reemplazando la i esima columna con
el vector b.
Ejemplo 3.17 Resolver:
a11 a12
a21 a22
x1
x2
b1
b2
Solucin.
x1 =
b1 a12
b2 a22
a11 a12
a21 a22
, x2 =
a11 b1
a21 b2
a11 a12
a21 a22
1 1
0
x
3
2 0 2 y = 10
0 1
2
z
15
Fuente Wikipedia. Gabriel Cramer (31 de julio de 1704 - 4 de enero de 1752) fue un matemtico suizo nacido en
Ginebra.
Mostr gran precocidad en matemtica y ya a los 18 recibe su doctorado y a los 20 era profesor adjunto de matemtica.
Profesor de matemtica de la Universidad de Ginebra durante el periodo 1724-27. En 1750 ocup la ctedra de losofa
en dicha universidad. En 1731 present ante la Academia de las Ciencias de Pars, una memoria sobre las mltiples
causas de la inclinacin de las rbitas de los planetas.
3.6. LA REGLA DE CRAMER
71
Solucin.
x=
3 1
0
10 0 2
15 1
2
1 1
0
2 0 2
0 1
2
por tanto la solucin es:
4
, y=
2
1
3
0
2 10 2
0
15
2
1 1
0
2 0 2
0 1
2
2
, z=
2
1 1
3
2 0 10
0 1
15
1 1
0
2 0 2
0 1
2
14
2

x
2
y = 1
z
7
1. Determine los valores de c de modo que
regla de Cramer.
1 2
1 c
2 1
para resolver el siguiente sistema se pueda emplear la

c
x
1
2 y = 2
c
z
2
2. Aplique la regla de Cramer para calcular el determinante de:
1 a a2
A = 1 b b2
1 c c2
3. Aplique la regla de Cramer para despejar x y y en trminos de x y y.

x = x cos y sin
y = x sin + y cos
4. Considrese el tringulo de vrtices ABC mostrado en la gura (en donde ya se han trazado
las alturas).
(a) Empleando resultados de tringulos rectngulos, demuestre que los cosenos de los ngulos
interiores satisfacen el sistema:

0 c b
cos
a
c 0 a cos = b
b a 0
cos
c
(b) Use la regla de Cramer para calcular los cosenos.
72

(c) A partir de lo anterior demostrar el teorema de cosenos.
3.7
Sistemas homogneos
Se dice que un sistema es homogneo si es de la forma:

Ax = 0, A Mm,n
ntese que x = 0 es una solucin del sistema, as un sistema homogneo siempre tiene solucin. Por
tanto slo se tienen los siguientes casos:
(i) Solucin nica.
(ii) Innitas soluciones.
A este respecto se tiene el siguiente resultado:
Teorema 3.16 Sea A Mn,n . Las siguientes armaciones son equivalentes:
1. Ax = 0 tiene solucin nica.
2. A1 existe.
3. rango (A) = n.
4. |A| = det (A) = 0.
Ejemplo 3.19
1 2 1
3 5 1
x1
x2 =
x3
0
0
La matriz aumentada para sistemas homogneos es de la forma [A : 0] , en la prctica slo se

trabaja con A. Con esta convencin se tiene:
A=
1 2 1
3 5 1
F21(3)
1
2
1
0 1 2
3.7. SISTEMAS HOMOGNEOS
73
claramente, el sistema tiene soluciones. La variable libre es x3 . Sea x3 = t, t R, as el sistema se

transforma en
1
2
x1
t
=
0 1
x2
2t
resolviendo por sustitucin inversa se tiene sucesivamente:
x2 = 2t
x1 = t 2 (2t)
= 3t
3t
x = 2t , t R
t
el sistema tiene innitas soluciones (para cada valor de t se tiene una solucin).
Solucin.
1
2 3
0
2 1 0 x1
0
x2 =
1
0
0 3
x3
1 1 3
0
1
2 3
1
2 3
1
2 3
0
2 1 0
3 6
1 6
0
[A : b] =
0 2 0 0 2 0
1
0 3 F21(2)
0
1 6 F
0
3 6
1 1 3 FF31(1)
24
41(1)
1 2
3
1 2 3
0 1
0 1 6
6
0 0
0 0 12
12
0 0 12 F
0 0 0
F32(2)
F42(3)
43(1)
Esta matriz no tiene variables libres. Por otra parte el sistema tiene solucin nica pues rango (A) =
rango [A : b] = 3. Empleando sustitucin inversa se tiene:
x3 = 0
x2 = 0
x1 = 0
0
x= 0
0
74

x1
1 1 1 1
0
3 3 4 5 x2 = 0
x3
1 1 3 5
0
x4
Solucin.
1 1 1 1
1 1 1 1
[A : b] = 3 3 4 5
0 0 1 2
F21(3)
1 1 3 5 F
0 0 2 4 F
31(1)
32(2)
1 1 1 1
0 0 1 2
0 0 0 0
las variables libres son: x2 y x4 . Sean
x2 = t
x4 = s
entonces, el sistema se convierte en:
x1 + x3 = x2 x4
x3 = 2x4
reemplazando x2 = t y x4 = s, se tiene el sistema triangular
x1 + x3 = t s
x3 = 2s
de donde sucesivamente:
x3 = 2s
x1 = t s (2s)
= t+s
t+s
t
x=
2s , t, s R
s
Ntese que la solucin puede escribirse como:
1
1
x = t
0
0
+ s 0
2
1
3.7. SISTEMAS HOMOGNEOS
75
1. Resolver
t
Sol. x = t .
t
2. Resolver:
t
Sol. x = 0
t

2
1
1
x1
0
1 2
1
=
0
5 1 4 x2
x3
0
1 1
2

0
1
0
1
x1
1 1
1 x2 = 0
x3
0
1 1 1
3. Para que valores de k, el siguiente sistema (i) tiene la solucin nula como nica solucin. (ii)
Innitas soluciones.

1
1
1
x
0
1 1 + k
1 y = 0
1
1 3 + k2
z
0
Sol. (i) k
/ {0, 2, 2} (ii) k {0, 2, 2} .
4. Sea:
2 0
3
0
A= 0 5
3 0 2
(i) determinar los valores de tales que |A I| = 0,
(ii) para cada valor encontrado en (i) resolver el sistema (A I) x = 0

0
1
1
Sol.: , t 1 asociado con 5, t 0 asociado con 1, t 0 asociado con 5
0
1
1
5. Lo mismo que en el anterior ejercicio para la matriz:
10 15 15
A = 6 11 6
3
3
8
1
1
5
t 0 , s 1 asociados con 5, t 2 asociado con 1.
1
0
1
76
3.8
Algo de criptografa
3.8.1
La aritmtica del reloj
Considrese un reloj como el siguiente: Supngase que el reloj marca las 9, si transcurren 8 horas,
entonces el reloj marcar 5. Para nosotros, 9+8=17, sin embargo para el reloj apenas pasa de 12
vuelve a empezar en cero. Para explicar este hecho requerimos la siguiente denicin.
Denicin 3.17 (Congruencia mdulo n) Diremos que dos enteros a y b son congruentes mdulo
n, lo que escribimos
a b (mod n)
se lee a congruente con b mdulo n
si n divide a la diferencia a b, se escribe tambin n| (a b)

Ejemplo 3.22 (Congruencia mdulo 12)
17 5 (mod 12) pues 12| (17 5)
25 1 (mod 12) pues 12| (25 1)
Ejemplo 3.23 (Congruencia mdulo 7)
17 3 (mod 7) pues 7| (17 3)
972 6 (mod 7) pues 7| (972 6)
3.8.2
Tablas de sumar
En la aritmtica del reloj, podemos realizar operaciones de sumas, restas, multiplicacin y divisin.
A continuacin se muestran las tablas de la suma y producto en mdulo 12:
A continuacin se presenta la tabla de multiplicar en mdulo 28, ntese que slo algunos nmeros
3.8.
ALGO DE CRIPTOGRAFA
77
tienen inverso multiplicativo, por ejemplo 31 = 19 pues 19 3 = 57 1 mod 28.
3.8.3
Matriz clave
Es una matriz cuadrada A Mm.m invertible mdulo 28. Es fcil producir estas matrices, por
ejemplo multiplicar dos matrices, una triangular inferior, de determinante cualquiera de los nmeros
del conjunto {1, 3, 5, 9, 11, 13, 15, 17, 19, 23, 25, 27} y la otra una triangular superior de determinante
1.
1 0 0
1 1 1
1 1 1
A = 2 1 0 0 1 1 = 2 3 3 ,
2 1 3
0 0 1
2 3 6
claramente el determinante de esta matriz es |A| = 3, puesto que 31 = 19 existe en mdulo 28, la
inversa de A existe. Calculando la inversa mediante la tcnica de la adjunta, se encuentra:
1
adj (A)
|A|
3 3
+ 3 6
1 1
1
= 3
+
3 6
1 1
+
3 3
t
9 6
0
= 19 3
4 1
0 1
1
3 27 0
=
26 20 9
0 9 19
A1 =
2 3
2 6
2 3
+
2 3
1 1
2 6
1 1
2 3
1 1
2 3
1 1
2 3
t
171 114
0
= 57
76
19
0
19
19
t
3 26 0
27 20 9
=
Mdulo 28
0 9 19
78
Ntese que ,
1 1 1
=
2 3 3
2 3 6
29 56
=
84 141
84 168
1 0 0
= 0 1 0
0 0 1
AA1
3.8.4
3 27 0
26 20 9
0 9 19
28
84
141
mod 28
Mensajes en clave
Nuestro objetivo es emplear la inversin de matrices junto con la aritmtica mdulo 28 en el proceso
de escribir mensajes en clave. Para este propsito consideremos una cadena de caracteres que
llamaremos mensaje, por razones de simplicidad, el mensaje se escribir con el alfabeto de 27 letras
en mnsculas mas un espacio.
abcdefghijklmnopqrstuvwxyz
Paso 1. El mensaje a encriptar de divide en cadenas de m caracteres, formndose vectores
columna de m lugares (se aaden espacios en blanco si es necesario), estas cadenas se traducen en
cadenas numricas con el siguiente criterio:
espacio
0
a
1
n
14
o
16
15
b
2
c
3
p
17
d
4
e
5
f
6
q
18
r
19
s
20
g
7
h
8
t
21
i
9
j
10
k
11
l
12
m
13
u
22
v
23
w
24
x
25
y
26
Con los vectores numricos hallados se contruye una matriz M de m las.

Ejemplo 3.24 Consideremos el mensaje:
algebra
(omitimos el tilde) si las cadenas van a ser de 3 caracteres se tienen los vectores:

a
e
a
l , b , espacio
g
r
espacio
que traducidos son

1
5
1
12 , 2 , 0
7
19
0
nalmente la matriz numrica que contiene el mensaje
1 5
M = 12 2
7 19
es:
1
0
0
z
27
3.8.
ALGO DE CRIPTOGRAFA
79
Paso 2. Se elige una matriz invertible A Mm,m . Luego contruimos la matriz C = AM que
contendr nuestro mensaje en clave. Elegimos la matriz
1 1 1
A= 2 3 3
2 3 6
luego:
1 1 1
C = 2 3 3
2 3 6
20 26
= 59 73
80 130
20 26
=
3 17
24 18
1 5 1
12 2 0
7 19 0
1
2
2
1
2 mod 28
2
traducimos ahora la matriz C a caracteres empleando la tabla dada, obtenindose

s
y
a
c , p , b
w
q
b
por tanto el mensaje en clave es:
scwypqabb
Ntese que una misma letra puede codicarse con una letra distinta o igual, como es el caso de la
letra a que se codica como s y a y el espacio que se codica como la letra b en ambos casos.
Paso 3. (Recuperacin de la informacin) Puesto que C = AM y A es invertible, entonces
M = A1 C, por tanto para nuestro ejemplo:
3 27 0
20 26 1
M = 26 20 9 3 17 2
0 9 19
24 18 2
141 537 57
= 796 1178 84
483 495 56
1 5 1
= 12 2 0 mod 28
7 19 0
por tanto el mensaje recuperado es:
ALGEBRA
80
En los siguientes problemas se debe trabajar con aritmtica modular mdulo 28
1. Sabiendo que la matriz invertible mdulo 28 es A =
5 7
1 2
(a) Decodicar el mensaje DZEAE JB . Sol. EXA UPB

NRRELZP
(b) Decodicar el mensaje NG

D. Sol. COCHABAMBA
2. Sabiendo que la matriz invertible mdulo 28 es
1 1 1
A= 2 3 3
2 3 6
(a) Decodicar el mensaje BDLMBAABB. Sol. BOLIVIA
(b) Decodicar el mensaje ZB NNMW

Y M HM JKJT T BDLMBAABB. Sol. VIVA MI
PATRIA BOLIVIA
3.9
Sabias que?
(Tomado de http://200.109.120.2/mm/matematica3/fasciculo23.pdf )
Ya en el ao 450 a.C. los espartanos de Grecia enviaban mensajes codicados. Para ello enrollaban
una banda de cuero o cinturn sobre un cilindro, se escriba el mensaje y al desenrollar la banda de
cuero sta pareca que slo estaba adornada con marcas inocentes. Sin embargo, si el destinatario
del mensaje arrollaba nuevamente la banda alrededor de un cilindro similar al utilizado cuando se
escribi dicho mensaje, ste poda ser ledo sin dicultad. Este mtodo es un sistema de codicacin
por transposicin.
En el cifrado por sustitucin, cada letra o grupo de letras es reemplazada por una letra o grupo
de letras. Uno de los ms antiguos cifrados es el Cifrado de Csar, atribuido a Julio Csar, quien
sustituy cada letra por la que ocupa tres puestos ms all en el alfabeto. Con ese mtodo, a se
convierte en D, b en E, c en F,..., y z en C.
Una tcnica de codicacin por sustitucin fue utilizada por el insigne escritor estadounidense
Edgar Allan Poe (1809-1849) en su clebre narracin El escarabajo de oro. Tambin este tipo de
tcnica aparece con frecuencia en diarios y pasatiempos en los cuales se le propone al lector la
solucin de un criptograma.
En el siglo XIII, Roger Bacon (1214-1294) describi varios mtodos de codicacin. De trascendental importancia, durante la II Guerra Mundial, fue el hecho de que los estadounidenses lograran
descifrar el cdigo naval japons JN25 y los ingleses hiciesen lo propio con la mquina alemana
Enigma. Actualmente se utilizan sosticadas tcnicas de encriptamiento de mensajes las cuales se
basan en las propiedades de los nmeros primos.
Uno de los sistemas modernos para encriptar mensajes es el criptosistema de clave pblica. Uno
de stos es el sistema RSA (en honor de sus creadores los matemticos Rivest, Shamir y Adler).
3.10. PROBLEMAS CON SISTEMAS DE ECUACIONES
3.10
81
Problemas con sistemas de ecuaciones
Ejemplo 3.25 Un criadero de peces produce tres tipos de peces. Un pez de la especie I consume por
semana, un promedio de una unidad del alimento 1, dos unidades del alimento 2 y dos unidades del
alimento 3. Un pez de la especie II consume por semana dos unidades del alimento 1, una unidad
del alimento 2 y dos unidades del alimento 3. Finalmente un pez de la especie III consume dos, una
y una unidades de los alimentos 1, 2, 3 respectivamente. En el criadero se disponen semanalmente
de 12000 unidades del alimento 1, 9000 unidades del alimento 2 y 10000 unidades del alimento 3.
Asumiendo que todo el alimento se consume, cuntos peces de cada especie pueden mantenerse en
el criadero?.
Solucin. Los datos se pueden escribir de la siguiete manera
Alimento
1
2
3
Especie
I II
1 2
2 1
2 2
III
2
1
1
Especie

I
x
II
y
III
z
Alimento

1
12000
2 9000
3
10000
1 2 2
x
12000
2 1 1 y = 9000
2 2 1
z
10000
x
2000
Resolviendo se encuentra: y = 1000
z
4000
Ejercicios
1. Una compaia tiene tres plantas de produccin P1, P2, P3. En cada una de estas plantas se
fabrican tres productos A, B, C. Supongamos que de una unidad de insumo se sabe que: La
primera planta produce 4 de A, 2 de B y 4 de C; la segunda planta produce 5 de A, 4 e B y 2
de C; la tercera planta produce 2 de A, 4 e B y 5 de C. Las demandas a la compaia de estos
tres productos son 1700 de A, 1600 de B y 1550 de C. Cuntas unidades de insumo requiere
cada planta para satisfacer la demanda?. Sol. 100, 200, 150.
2. Un turista muestra su registro de gastos en alojamiento, comidas y varios de un viaje por
Bolivia. (a) El turista muestra que en hospedaje gast por da Bs 200 en Cochabamba, 225
en Santa Cruz y 450 en La Paz. En comida, el registro indica que gasto Bs. 260, 250, 630 en
Cochabamba, Santa Cruz y La Paz respectivamente. Finalmente en varios, el turista muestra
que gast Bs. 180, 150, 300 en Cochabamba, Santa Cruz y La Paz respectivamente. Calcular el
nmero de das que permaneci el turista en cada una de las poblaciones si su registro muestra
que gasto Bs. 5050 en hospedaje, Bs. 6710 en comida y Bs. 3600 en varios. Sol. 5, 4, 7.
3. Un nutricionista debe preparar una dieta que de tres alimentos Arroz , Carne y Lentejas,
cada alimento contiene a su vez grasa, proteina y carbohidratos. Cada 100 gramos de
arroz contiene 0.8 g de grasa, 7 g de proteina y 80 g de carbohidratos. Cada 100 gramos
de carne contiene 25, 17, 0.1 gramos de de grasa, proteina y carbohidratos respectivamente.
82

Cada 100 gramos de lenteja contiene 2, 22, 62.5 gramos de de grasa, proteina y carbohidratos
respectivamente. Si los requerimientos diarios de grasa, proteina y carbohidratos que se debe
obtener con estos alimentos son 20, 25 y 50. Cuntas unidades de los alimentos se deben
consumir para satisfacer los requerimientos ? ( 1 unidad de alimento = 100 gramos). Sol. 25.5
gramos de arroz, 75.4 gramos de carne, 47.3 gramos de lenteja.
4. Un mdico prescribe a una paciente 8 unidades de vitamina A, 14 unidades de vitamina D y 22
unidades de vitamina E diariamente. El paciente puede elegir entre tres marcas de pldoras que
contienen esta vitaminas. La marca ALPHA contiene 2 unidades de vitamina A, 2 unidades
de vitamina D y 4 de vitamina E. La marca VITA contiene 1 unidades de vitamina A, 4
unidades de vitamina D y 5 de vitamina E. La marca VIDA contiene 1 unidades de vitamina
A, 1 unidades de vitamina D y 2 de vitamina E. Encuentre todas las combinaciones posibles de
las marcas que proporcione las cantidades requeridas. Sol. (ALPHA,VITA,VIDA) = (0, 2, 6) ,
(1, 2, 4) , (2, 2, 2) , (3, 2, 0)
5. Una compaia produce tres artculos X, Y, Z. Estos artculos se procesan en tres mquinas
M 1, M2, M 3. El tiempo, en horas, empleado por cada mquina para procesar cada producto
se muestra en la siguiente tabla:
Artculos
Maquinas
M1 M2
2
1
3
2
2
2
X
Y
Z
M3
3
1
1
Las mquinas M1, M2, M3 ests disponibles 1050, 800, y 650 horas respectivamente. Determinar la cantidad de artculos que deben producirse para emplear todo el tiempo disponible
de las mquinas. Sol. 100, 150, 200.
6. Cierta fbrica emplea tres mquinas en la elaboracion de cuatro productos diferentes. Las
maquinas se utilizan 24 horas al da. La siguiente tabla da el nmero de horas que cada
mquina requiere para elaborar una unidad de cada producto.
Mquinas
M1
M2
M3
Determinar el nmero de unidades de cada

da.
Producto 1:
Producto 2:
Sol. Tres posibles soluciones:
Producto 3:
Producto 4:
Productos
P1 P2 P3
2
2
0
1
2
2
2
1
1
P4
2
1
1
producto que la fbrica puede elaborarar en un

6
0
6
6
7
2
5
3
8
4
4
0
7. Un fabricante de muebles fabrica sillas, mesas y puertas. Se necesitan 12 minutos para lijar una
silla, 6 para pintarla y 10 para barnizarla. Se requieren 15, 12 y 14 minutos para lijar, pintar y
barnizar una mesa respectivamente, nalmente se requieren 7,2,16 minutos para lijar, pintar y
83
barnizar una puerta. Existen semanalmente 14 horas de lijado, 7 horas de pintado y 18 horas
de barnizado. Cuntas unidades de cada mueble deben fabricarse si se deben emplear toda
la capacidad de lijado, pintado y barnizado?. Sol.: 40,10,30.
8. En una placa con puntos igualmente espaciados, la temperatura de un punto es aproximadamente el promedio de las cuatro temperaturas adyacentes, por ejemplo en la gura que se
muestra a continuacin
T =
A+B+C +D
4
D
A
T
B
En la siguiente grca, aproximar las temperaturas T1 , T2 , T3 y T4 .
200 0
120 0
T1
T2
T3
T4
100 0
150 0
Sol. : T1 = 151. 25, T2 = 146. 25, T3 = 138. 75, T4 = 133. 75.
9. Modelo en redes. En estos modelos se asume que el ujo total en un punto es igual al ujo
que sale. En el siguiente ejemplo: c = a + b.
a
c
84

En la siguiente red determinar los valores de xj , j = 1, 2, 3, 4, 5.
40
x1
x2
x4
x3
10
20
x5
Sol.: x1 = 60 t, x2 = 30 + t, x3 = 20 + t, x4 = 10 + t, x5 = t, de donde se sigue que hay

innitas soluciones.
10. La siguiente gura representa un acueducto, por donde uye el agua en miles de metros cbicos
por hora. Determine los caudales x1 , x2 , x3 , x4 .
1000
800
x1
x2
x3
x4
400
600
Sol. x1 = 400 + t, x2 = 400 t, x3 = 600 t, x4 = t, de esto se deduce que hay innitas

soluciones.
11. (Leyes de Kirchho ) En el anlisis de redes elctricas, las leyes de Kirchho establecen:
(a) En cualquier punto, la suma de la corriente que entra en ese punto es igual a la suma de
la corriente que sale.
(b) En toda malla la suma de todas las cadas de tensin es igual a la tensin total suministrada.
85
Como ejemplo considrese la siguiente malla:
I1
10 voltios
R1 = 6
Trayectoria 1
I2
R2 = 4
Trayectoria 2
I3
R3 = 8
15 voltios
aplicando las leyes citadas se encuentra el sistema:

I1 + I3 = I2
6I1 + 4I2 = 10
8I3 + 4I2 = 15
resolviendo se encuentra: I1 =
15
26 ,
I2 =
85
52 ,
I3 =
55
52 .
Resolver las siguientes mallas:

I1
10 voltios
R1 = 6
I2
R2 = 4
R3 = 8
R1 = 1
20 voltios
I3
I1
I4
R4 = 2
R2 = 25
I2
I5
I5
R4 = 50
I6
R6 = 2
R3 = 30
R5 = 1
10 voltios
R5 = 2
I3
I4
I6
R6 = 55
15 voltios
12. La suma de las edades de tres hermanos es de 60 aos. La edad del mayor es igual a la suma de
las edades de sus hermanos menores. Dentro de 10 aos, el mayor doblar la edad del menor.
Calcula la edad actual de cada uno de los hermanos. Sol. : 20, 10, 30
13. Una empresa de alquiler de buses dispone de 12 buses destinados a organizaciones empresariales
y equipos deportivos. Dispone de tres tipos de buses: el tipo I es un bus grande con capacidad
para 41 pasajeros, este tipo de bus a tres personas como empleados para operar el bus (dos
conductores y un ayudante); el tipo II es un bus mediano con capacidad para 25 y tiene
a dos empleados para operar el bus (un conductor y un ayudante); el tipo III es un bus
86

pequeo con capacidad para 6 y est operado por un empleado (un conductor). Cierto da
se ocuparon todos los buses completos. En ellos iban 237 pasajeros y 21 empleados. Cuntos
buses de cada tipo tiene la empresa?. Sol.: 2, 5, 5.
14. Halla un nmero de tres cifras sabiendo que stas suman 16. Adems, la cifra de las decenas
es igual a la suma de las otras dos y, por ltimo, si a este nmero le restamos el que resulta
de invertir el orden de sus cifras, el resultado es 396. Sol.: 682.
15. Una matriz A M3,3 es mgica si la suma de cada la, cada columna y las dos diagonales es
el mismo valor. Halle todas las matrices mgicas en M3,3 .
2S 3r
S
r
3
3
2S 3r
S
Sol. M =
r
, donde S es la suma comn.
3
3
2S 3r
S
r
3
3
16. Tres productos qumicos X; Y y Z, tienen los siguientes porcentajes de Fe, Zn y Cu:
X
Y
Z
Fe
40
30
10
Zn
30
40
50
Cu
30
30
40
Cunto de cada producto debe combinarse para obtener un nuevo producto que contenga
23% de Fe, 42% de Zn y 35% de Cu? . Sol. X, 30%; Y, 20%; Z, 50% .
Captulo 4
Espacios Vectoriales reales

Con el propsito de aplicar el lgebra lineal en Ingeniera y otras ciencias, es necesario dotar a un
conjunto de la estructura llamada Espacio Vectorial, en este captulo estudiamos este concepto,
adems se estudian los subespacios, los subespacios generados por un conjunto de vectores y el
concepto de dependencia lineal. Luego de esto se estudia el concepto de base y dimensin de
un Espacio Vectorial.
4.1
La denicin de espacio vectorial
En anteriores secciones se trabaj con objetos del conjunto Mm,n . En este conjunto no se ha dicho
nada sobre aspectos como la medida de cada elemento. Para poder discutir estos aspectos es
necesario denir el concepto de espacio vectorial.
Denicin 4.1 (Espacio Vectorial) Sea V un conjunto no vaco, en donde se han denido dos
operaciones llamadas suma y producto por escalar tal que para todo u, v V se tiene u + v V y
para todo u V y todo r R se tiene rv V. El conjunto V se llamar Espacio Vectorial real (y
sus elementos se llamarn vectores) si se cumplen las siguientes propiedades:
A1 : Para todo u, v V, u + v = v + u.
A2 : Para todo u, v, w V, u + (v + w) = (u + v) + w.
A3 : Existe un vector en V denotado por 0 vector cero tal que 0 + u = u para todo u V.
A4 : Para todo u V, existe u V tal que u + (u) = 0.
M1 : Para todo k R y todo u, v V, k (u + v) = ku + kv.
M2 : Para todo k1 , k2 R y todo u V, (k1 + k2 ) u = k1 u + k2 u.
M3 : Para todo k1 , k2 R y todo u V, k1 (k2 u) = (k1 k2 ) u.
M4 : Para 1 R, 1u = u, para todo u V
Ejemplo 4.1 Considere el conjunto V = {X : X Mm,n }, esto es, todas las matrices de m las y
n columnas, en este conjunto se denen las operaciones usuales de suma de matrices y producto por
un nmero denidos en el captulo 1. Es evidente que Mm,n es un Espacio Vectorial.
87
88
CAPTULO 4. ESPACIOS VECTORIALES REALES
Observacin. Un conjunto V no es espacio vectorial por si solo, es necesario denir en ella

las dos operaciones de suma y producto por escalar. Ms an un, mismo conjunto puede ser o no
espacio vectorial dependiendo de las operaciones denidas en V , esto muestra la importancia de las
operaciones que se denan en el conjunto.
Ejemplo 4.2 Sea V = R2 = {(x1 , x2 ) : x1 R, x2 R} , en este conjunto denimos las siguientes
operaciones:
(a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 + b2 )
(a1 , a2 ) = (a1 , a2 )
Es fcil comprobar que A1 , A2 , A3 , A4 se verican. Para probar M1 , sean
u = (u1 , u2 ) , v = (v1 , v2 )
entonces para un nmero k:
k (u + v) = k (u1 + v1 , u2 + v2 ) = (ku1 + kv1 , u2 + v2 )
ku + kv = k (u1 , u2 ) + k (v1 , v2 ) = (ku1 , u2 ) + (kv1 , v2 ) = (ku1 + kv1 , u2 + v2 )
k (u + v) = ku + kv,
esto prueba que M1 se cumple. Para probar M2 sea u = (u1 , u2 ) , k1 = 3, k2 = 2, entonces:
(k1 + k2 ) u = (3 + 2) (u1 , u2 ) = (5u1 , u2 )
por otra parte:
k1 u + k2 u = 3 (u1 , u2 ) + 2 (u1 , u2 ) = (3u1 , u2 ) + (2u1 , u2 ) = (5u1 , 2u2 )
por tanto (k1 + k2 ) u = k1 u + k2 u. Esto prueba que M2 no se cumple y por tanto R2 no es Espacio
Vectorial con las operaciones denidas.
Ejemplo 4.3 Sea V = C [a, b], el conjunto de las funciones continuas en el intervalo [a, b] . En este
conjunto se denen: (x + y) (t) = x (t) + y (t) , (rx) (t) = rx (t) , aqu x, y son funciones contnuas
denidas en el intervalo [a, b] , por otra parte r R. Se puede probar que con estas operaciones el
conjunto C [a, b] es un Espacio Vectorial.
Uno de los ejemplos ms importantes se discute en la siguiente seccin.
4.2
El espacio vectorial Rn
Denimos Rn = {(x1 , x2 , . . . , xn ) : xi R} . A este conjunto es posible darle la estructura de Espacio

Vectorial deniendo las operaciones suma y producto por un nmero:
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
k (x1 , x2 , . . . , xn ) = (kx1 , kx2 , . . . , kxn )
con stas operaciones Rn es un espacio vectorial. Se llamar espacio vectorial ndimensional.
4.2. EL ESPACIO VECTORIAL RN
89
Con el propsito de entender el signicado visual de lo que es un punto y un vector en Rn

analizemos la manera de gracar un punto y un vector en R2 , claro est, que esta manera se puede
generalizar.
Para representar un punto en el plano R R se emplea el clsico sistema de coordenadas cartesianas que consiste en dos rectas reales que se intersectan perpendicularmente en un punto denotado
con O llamado origen. Si (x1 , x2 ) es un punto de R2 su representacin geomtrica se realiza siguiendo
los siguientes pasos.
1. A partir del origen O se avanza paralelamente al eje x, la magnitud |x1 | en direccin positiva
o negativa dependiendo si x1 es positivo o negativo. As se encuentra P1 .
2. A partir del punto P1 se avanza paralelamente al eje y, la magnitud |x2 | en direccin positiva
o negativa dependiendo si x2 es positivo o negativo. As se encuentra P2 .
3. El punto P2 encontrado es la representacin geomtrica de (x1 , x2 ) .
En el siguiente grco se asume que x1 , x2 son positivos
y
x2
P2 = (x1 , x2 )
P1
O = (0, 0) x1
Sea v = (v1 , v2 ) un vector de R2 . Su representacin geomtrica se realiza en R2 del siguiente

modo.
1. Se elige un punto arbitrario P0 R2 , este punto se llamar punto inicial.
2. A partir de P0 se avanza paralelamente al eje x la magnitud |v1 | , en direccin positiva o
negativa dependiendo si v1 es positivo o negativo, as localizamos el punto P1 .
3. A partir de P1 se mueve paralelamente al eje y la magnitud |v2 | , en direccin positiva o negativa
dependiendo si v2 es positivo o negativo, as localizamos el punto P2 , este punto se llamar
punto nal.
4. La echa trazada desde P0 hasta P2 es la representacin geomtrica del vector v.
90
P2
v
P0
P1
x
Observacin 1. Si se elige como punto inicial el origen, la representacin geomtrica del vector se
llamar radio vector.
Observacin 2. Si un vector v tiene el punto Q como punto inicial y el punto P como punto nal,
entonces se verica:
v = P Q.
Observacin 3. Si un vector v tiene el origen O como punto inicial y el punto P como punto nal,
entonces es claro que:
v = P.
as existe una correspondencia biunvoca entre puntos y vectores.
4.2.1
La recta en Rn
La recta en Rn que pasa por un punto P0 en direccin del vector v = 0 es el subconjunto de Rn

denido por
L = {P0 + tv : t R} ,
aqu, el vector v se llama vector direccional de la recta.
Z
P0
@v
P0 + t@v
L
Y
4.3. SUBESPACIOS
4.2.2
91
El plano en R3
Sean P0 un punto en R3 y u, v vectores. Denimos el plano que pasa por P0 generado por los
vectores no nulos u y v como el conjunto
P = {P0 + tu + sv : t, s R} .
Ntese que P R3 .
v
P0
4.3
Subespacios
Sea V un espacio vectorial, W V. Diremos que W es un subespacio de V si W mismo es un espacio

vectorial con las mismas operaciones denidas en V.
Para determinar que un subconjunto W de un espacio vectorial es o no un subespacio, no es
necesario probar las ocho propiedades que caracterizan un espacio vectorial, en su lugar se tiene el
siguiente teorema.
Teorema 4.2 Sea V un espacio vectorial, W V un conjunto no vaco. El conjunto W es un
subespacio de V si y solamente si:
1. Para todo u, v W se tiene u + v W.
2. Para todo k R y todo u W se tiene ku W.
Ejemplo 4.4 Si V es un espacio vectorial, lo son tambin W = {0} y W = V.
Ejemplo 4.5 La recta en R3 , L = {P0 + tu : t R} es un subespacio de R3 siempre que P0 = 0.
Ejemplo 4.6 El plano en R3 , P = {P0 + tu + sv : t, s R} es un subespacio en R3 siempre que
P0 = 0
Ejemplo 4.7 El conjunto W de todas las soluciones de un sistema homogneo Ax = 0, A Mm,n
es un subespacio de Rn .
4.4
Combinacin lineal
Sea S = {v1 , v2 , . . . , vk } un subconjunto de un espacio vectorial V, sean k1 , k2 , . . . , kn R Cualquier

vector en V escrito de la forma:
w = k1 v1 + k2 v2 + + kn vn
se llamar combinacin lineal de los vectores del conjunto S.
92
4.4.1
Espacio generado
Sea V un espacio vectorial. El conjunto de todas las combinaciones lineales del conjunto S =
{v1 , v2 , . . . , vk } V, se llamar espacio generado por S y se denotar con LIN (S) .
Teorema 4.3 El conjunto LIN (S) es un subespacio de V, ms an, es el subespacio ms pequeo
de V que contiene S, es decir si W es otro subespacio que contiene S, se debe tener LIN (S) W.
Ejemplo 4.8 En R3 considere el conjunto:
S = {(1, 0, 1) , (1, 3, 3) , (1, 3, 1)}
determinar si v = (1, 2, 3) LIN (S) .
Solucin. Si el vector dado pertenece a LIN (S) , existen nmeros k1 , k2 , k3 tales que:
(1, 2, 3) = k1 (1, 0, 1) + k2 (1, 3, 3) + k3 (1, 3, 1)
esto origina el sistema:
1
1 1
1
k1
k2
=
2
3
3
3
k3
1 3 1
para calcular las soluciones llevamos la matriz aumentada a su forma escalonada:
1 1
1 : 1
1 1
1 : 1
1 1 1 :
0
3
3 : 2
0
3
3 : 2
0
3 3 :
1 3 1 : 3 F
0 2 2 : 2 F
0
0 0 :
31(1)
32(2/3)
1
2
10
3
claramente el rango de la matriz de coecientes no es igual al rango de la matriz aumentada, por

tanto el sistema no tiene soluciones, es decir (1, 2, 3)
/ LIN ({(1, 0, 1) , (1, 3, 3) , (1, 3, 1)}) .
Ejemplo 4.9 Determinar LIN (B) si:
1
2
B = v1 = 1 , v2 = 1
1
1
a
Solucin. Sea v = b , un vector de R3 , si este vector se encuentra en LIN (B) se debe
c
tener que el sistema
x1 v1 + x2 v2 = v
debe tener solucin, reemplazando valores se encuentra el sistema:

1
2
a
1 1 x1 = b
x2
1
1
c
4.4. COMBINACIN LINEAL
93
llevando la matriz aumentada a su forma escalonada se encuentra:
1
2 : a
1
2 :
a
1 2 :
a
1 1 : b
0
1 :
a+b
0 1 : a+b
F21(1)
0 1 : a + c F
0 0 : b+c
1
1 : c F
31(1)
32(1)
para que el sistema tenga soluciones se debe tener:
rango (Matriz de coecientes) = rango (Matriz aumentada) ,

esto se da cuando b + c = 0, as el subespacio generado por B = {v1 , v2 } es

b : b + c = 0, a, b, c R
W =
b : a, b R
=
1
0
=
a 0 + b 1 : a, b R , un plano
0
1
4.4.2
Dependencia lineal
En un espacio vectorial V se considera el subconjunto S = {v1 , v2 , . . . , vn } , se dice que este conjunto

es linealmente dependiente (LD) si existen nmeros x1 , x2 , . . . , xn , no todos nulos, tales que
x1 v1 + x2 v2 + + xn vn = 0.
Si de la igualdad x1 v1 + x2 v2 + + xn vn = 0 se sigue que la nica solucin es x1 = x2 = =
xn = 0, entonces el conjunto {v1 , v2 , . . . , vn } es linealmente independiente (LI).
Ejemplo 4.10 Determinar si el conjunto
S = {(1, 0, 1) , (1, 3, 3) , (1, 3, 1)}
es LI o LD.
Solucin. Considrese la igualdad:
x1 (1, 0, 1) + x2 (1, 3, 3) + x3 (1, 3, 1) = (0, 0, 0)

1 1
1
x1
0
0
3
3 x2 = 0
1 3 1
x3
0
para calcular las soluciones llevamos la matriz aumentada a su forma escalonada:
1 1
1 : 0
1 1
1 : 0
1 1 1 : 0
0
3
3 : 0
0
3
3 : 0
0
3 3 : 0
1 3 1 : 0 F
0 2 2 : 0 F
0
0 0 : 0
31(1)
32(2/3)
94
es claro que este sistema tiene soluciones, si x3 = 1, se encuentran x2 = 1 y x1 = 2. Por tanto

el sistema es LD pues existen nmeros, no todos cero, x1 = 2, x2 = 1, x3 = 1 tales que:
x1 (1, 0, 1) + x2 (1, 3, 3) + x3 (1, 3, 1) = (0, 0, 0) .
Ejemplo 4.11 Determinar si el conjunto
S = {(1, 0, 1) , (1, 3, 3) , (1, 3, 0)}
es LI o LD.
Solucin. Considrese la igualdad:
x1 (1, 0, 1) + x2 (1, 3, 3) + x3 (1, 3, 0) = (0, 0, 0)

0
1 1 1
x1
x2
3 3
=
0
1 3 0
x3
0
para calcular las soluciones llevamos la matriz aumentado a su forma escalonada:
1 1 1 : 0
1 1
1 : 0
1 1 1 : 0
0
3 3 : 0
0
3
3 : 0
0
3 3 : 0
1 3 0 : 0 F
0 2 1 : 0 F
0
0 1 : 0
31(1)
32(2/3)
claramente las soluciones son, x1 = x2 = x3 = 0, por tanto el sistema es LI.
1. Sea V = {(x, y) : x, y R} . Mostrar que V no es espacio vectorial con respecto a las siguientes
operaciones.
(a) (a, b) + (c, d) = (a, b) y k (a, b) = (ka, kb)
(b) (a, b) + (c, d) = (a + c, b + d) y k (a, b) = k2 a, k2 b
(c) (a, b) + (c, d) = (a + c, b + d) y k (a, b) = (ka, 0)
2. Determinar si W es o no un subespacio vectorial de R3 donde:
(a) W = {(a, b, c) : c = 5a} . Sol. si
(b) W = {(a, b, c) : a < b < c} . Sol. no

(c) W = {(a, b, c) : ab = 0} . Sol. no
(d) W = {(a, b, c) : a = b = c} . Sol. si

(e) W = (a, b, c) : a = b2 . Sol. no
(f) W = {(a, b, c) : k1 a + k2 b + k3 c = 0} . Sol. si
4.4. COMBINACIN LINEAL
95
(g) W = {(a, b, c) : c = a + b} . Sol. si

3. En Mn,n , el espacio vectorial de matrices cuadradas n n, mostrar que W es un subespacio
de Mn,n si:
(a) W = A Mn,n : At = A
(b) W = {A Mn,n : A es triangular superior}

(c) W = {A Mn,n : A es diagonal}
(d) W = {A Mn,n : A es escalar}
4. En Mn,n , el espacio vectorial de matrices cuadradas nn, determinar si W es o no un subespacio

de Mn,n , donde W es:
(a) el conjunto de matrices con ceros en la diagonal principal.
(b) el conjunto de todas las matrices invertibles.
(c) el conjunto de todas las matrices no invertibles.
(d) el conjunto de todas la matrices A que conmutan con una matriz ja B.
(e) el conjunto de todas la matrices A tal que A2 = A.
(f) el conjunto de todas las matrices antisimtricas (las matrices A tales que At = A).
5. Mostrar que los siguientes conjuntos son espacios vectoriales con las operaciones usuales de
funciones y ternas es R3 ..
(a) El conjunto de polinomios Pn = {a0 + a1 t + an tn : aj R, j = 0, 1, n}
(b) El conjunto
x
L = y R3 : 2x 5y + 7z = 0 y x + y + z = 0
6. Mostrar que los siguientes conjuntos no son espacios vectoriales, (las operaciones son las usuales)
(a)
(b)
L1 = y R3 : x + y + z = 2
(c)
L2 = y R3 : x2 + y 2 + z 2 = 1
z
L3 =
x y
z 1
M2,2 : x, y, z R
96

(d)
P2 = a0 + a1 t + a2 t2 : a0, a1 , a2 R+
7. Considere: u1 = (2, 1, 2) , u2 = (1, 1, 1) , u3 = (3, 0, 1) y S = {u1 , u2 , u3 } determinar si los
siguientes vectores estn o no en LIN (S) .
(a) (2, 2, 2) . Sol. si
(b) (1, 2, 1) . Sol. no
8. Escribir D como combinacin lineal de
A=
(a) D =
2
0
0 2
(b) D =
2 0
0 1
1 1
0 1
,B =
0 1
1 1
,C =
1 0
1 1
. Sol. no se puede escribir
. Sol. D = A B + C
9. En R3 se considera S = {(1, 1, 1) , (0, 1, 1) , (1, 1, 1)} mostra que R3 = LIN (S) .

10. En M2,2 se considera el conjunto:
S=
1 1
0 1
0 1
1 1
1 0
1 1
mostrar que LIN (S) = M2,2 . (ver ejercicio 8)

11. Probar que para cualesquiera vectores u, v, w, los vectores u v, v w, w u son LD.
12. Mostrar que cualquier conjunto que contiene el vector 0 es LD.
13. Mostrar que cualquier subconjunto de un conjunto LI. es LI.
14. Demostrar:
(a) Que 3 vectores en R2 son LD.
(b) Que n + 1 vectores en Rn son LD.
(Sug. Para probar la primera parte tome tres vectores y considere los casos en que dos vectores
son LD y LI.).
15. Considere el espacio W generado por los vectores (2, 1, 1, 2) y (1, 0, 1, 1) . Determinar valores
de a y b tales que
(a) (a, 2a + b, 0, a b) W. Sol. a = b = 0
(b) (a, b, a + b, a) W . Sol. a, b R
4.5. BASE Y DIMENSIN
4.5
97
Base y Dimensin
Denicin 4.4 (Base) Sea V un espacio vectorial , sea B = {v1 , v2 , . . . , vn } V. Diremos que B
es una base si:
(i)
B es LI.
(ii)
LIN (B) = V,
es decir, un conjunto es una base si es linealmente independiente y genera todo es espacio
V.
Observacin 1. Ntese que para comprobar si B es o no LI, se debe plantear la ecuacin:
x1 v1 + x2 v2 + + xn vn = 0,
(i)
el conjunto B es LI si la nica solucin es x1 = x2 = = xn = 0.

Observacin 2. Para comprobar si B genera o V (LIN (B) = V ), se debe plantear la ecuacin:
x1 v1 + x2 v2 + + xn vn = v,
(ii)
donde v V es un vector arbitrario. Si este sistema tiene soluciones entonces B genera V, es decir
LIN (B) = V, ms an solo es necesario demostrar que V LIN (B) , pues la otra inclusin es obvia.
Observacin 3. En la prctica se parte de la ecuacin (ii) pues (i) es un caso particular de (ii)
con v = 0.
Denicin 4.5 (Dimensin) La dimensin de un espacio vectorial es el nmero de elementos que
tiene su base. Si una base de un espacio vectorial V tiene n elementos, escribiremos dim (V ) = n.
Ejemplo 4.12 Considere el espacio vectorial R2 . Determinar si el conjunto
1
1
B=
2
1
es o no una base.
Solucin. Sea v =
a
b
un vector arbitrario de R2 . Considere la ecuacin:
x1
1
1
+ x2
2
1
a
b
esto da:
1 2
1
1
x1
x2
a
b

1 2 : a
1
1 : b
F21(1)
1 2 :
a
0 1 : a + b
es claro que el rango de la matriz de coecientes es igual al rango de la matriz aumentada e igual al
nmero de incgnitas, por tanto llegamos a las siguientes conclusiones.
98
Dependencia lineal: Puesto que:

rango (matriz de coecientes) = 2 {igual al nmero de variables}
se sigue que el sistema homogneo tiene como solucin nica a x1 = x2 = 0, por tanto el
conjunto B es LI.
Generador: Puesto que para todo valor de a, b se tiene:
rango (matriz de coecientes) = rango (Matriz ampliada)
a
LIN (B) , esto es R2 LIN (B) , de esto se
b
sigue que R2 = LIN (B) , es decir B genera R2 .
el sistema tiene soluciones, por tanto
De lo anterior se concluye que B es una base de R2 . Note que la dimensin de R2 es 2.

Ejemplo 4.13 Determinar si el siguiente conjunto es o no una base de R3 .
1
2
B = 1 , 1
1
1

a
Solucin. Sea v = b , un vector arbitrario de R3 , resolvamos el sistema
c

1
2
a
1 1 x1 = b
x2
1
1
c
1
2 : a
1
2 :
a
1 2 :
a
1 1 : b
1 :
a+b
0
0 1 : a+b
F21(1)
1
1 : c F
0 1 : a + c F
0 0 : b+c
31(1)
32(1)
a partir de este resultado llegamos a las siguientes conclusiones:
Dependencia lineal: De la ltima matriz encontrada se tiene:

rango (Matriz de coecientes) = 2 {igual al nmero de variables}
se sigue que el sistema homogneo tiene como solucin nica a x1 = x2 = 0, por tanto el
conjunto B es LI.
Generador: Ntese que si b + c = 0 se tiene:
rango (matriz de coecientes) = rango (Matriz ampliada)
a
esto muestra, que en los casos b + c = 0, el sistema no tiene solucin, por tanto b no
c
necesariamente pertenece a LIN (B) , luego B no genera R3 .
De lo anterior se concluye que B no puede ser una base de R3 .
4.5. BASE Y DIMENSIN
99
Ejemplo 4.14 (La base cannica de Rn ) En el espacio vectorial Rn se toman los vectores ei que
tienen la siguiente propiedad: tienen la unidad en la i esima componente y ceros en las dems, es
inmediato probar que el conjunto:
B = {e1 , e2 , . . . , en }
forman una base de Rn , as Rn tiene dimensin n. Si n = 4, el conjunto base (base cannica) es:
1
0
0
1
donde: e1 =
0 , e2 = 0
0
0
B = {e1 , e2 , e3 , e4 }
0
0
0
0
, e3 = .e4 =
1
0
0
1
1. Complete la frase referente a la dependencia lineal:
(a) Un conjunto que contiene el cero es ...................
(b) Un conjunto que contiene un nico vector no nulo es ....................
(c) Si w = 2u 3v, entonces el conjunto {u, v, w} es ...................

2. Determinar si
es o no una base de R3 .
1
1
B = 1 , 2
1
0
3. Determinar la dimensin y la base de los siguientes subespacios de R4 .

(a) Los vectores de la forma (a, b, 0, d) . Sol. 3
(b) Los vectores de la forma (a, b, c, d ) , tal que d = a + b, c = a b. Sol. 2
(c) Los vectores de la forma (a, b, c, d ) , tal que a = b = c. Sol. 2
4. Determine una base para (x1 , x2 , x3 , x4 , x5 ) R5 : x1 = 2x3 y x2 = 4x5 .

5. Encontrar un vector de la base cannica en R3 que se pueda agregar al conjunto
1
1
C = v1 = 2 , v2 = 2
3
2
de manera que sea una base de R3 . Sol. e1 o e2 . (Sug. el vector no debe estar en LIN (C)).
100
6. Pruebe que si B = {v1 , v2 , v3 } es una base de un espacio vectorial V , entonces el conjunto

B = {v1 v2 , v2 v3 , v3 } sigue siendo una base de V. que puede decir acerca del conjunto
{v1 v2 , v2 v3 , v3 v1 }?
7. Suponga que {v1 , v2 , v3 } es linealmente independiente en V y w V. Pruebe que si
{v1 + w, v2 + w, v3 + w}
es linealmente dependiente, entonces w LIN ({v1 , v2 , v3 })
8. Sea W el conjunto de todos los polinomios P (x) de grado menor o igual a 3 tales que
P (1) = P (1) = 0, aqu P (x) es la derivada de P (x) . Hallar una base de W. Sol. B =
x3 3x + 2, x2 2x + 1 , (Otra base es B = x (x 1)2 , (x 1)2 )
4.6
Espacio la, espacio columna y espacio nulo
Sea A Mm,n , las las de A consideradas como vectores la de Rn forman un subespacio de Rn ,

llamado espacio la de la matriz A. Las columnas de A consideradas como vectores columna de Rm
forman un subespacio de Rm , llamado espacio columna de la matriz A. El conjunto de soluciones
del sistema homogneo Ax = 0, forman un subespacio llamado el espacio nulo de A.
Los espacios la y nulo, cambian con operaciones elementales de la?
NO, las operaciones elementales no cambian estos espacios.
Y el espacio columna?
SI, las operaciones elementales pueden cambiar el espacio columna.
Cmo se encuentra una base para el espacio la?
Para determinar una base del espacio la de una matriz A Mm,n , se procede a llevar sta matriz
a su forma escalonada, los vectores no nulos forman la base del espacio la.
Cmo se encuentra una base para el espacio columna?
Para determinar una base del espacio columna de una matriz A Mm,n , se procede a llevar esta
matriz a su forma escalonada, sea j la columna donde aparece un elemento distinguido, entonces, la
j esima columna de A (no de la matriz escalonada) es un vector base del espacio columna.
Ejemplo 4.15 Determinar la base del espacio la
1 1
A = 2 1
1
0
Solucin. Se
1 1
A=
2 1
1
0
y columna de
0
1 0
1
0 1
1 1 1
lleva la matriz a la forma escalonada mediante operaciones elementales de la.
0
1 0
1 1 0
1 0
1 1 0
1 0
1
0 1
0
1 1 2 1
0
1 1 2 1
F21(2)
1 1 1 F
0
1 1 2 1 F
0
0 0
0 0
31(1)
32(1)
4.6. ESPACIO FILA, ESPACIO COLUMNA Y ESPACIO NULO
101
Determinacin de la base del espacio la: Est formada por las las no nulas de la matriz
escalonada. esto es, la base es:
1 1 0 1 0
0 1 1 2 1
Determinacin de la base del espacio columna: los elementos distinguidos en la matriz

escalonada aparecen en las columnas 1 y 2, por tanto las columnas 1 y 2 de la matriz A son la base
del espacio columna, es decir, la base es:

1
1
2 , 1
1
0
Cmo determinar una base del espacio nulo?
Una base del espacio nulo de una matriz A Mm,n , se encuentra directamente de las soluciones que
se encuentran.
Ejemplo 4.16 Determinar la base del espacio nulo de:
x1
1 1 0
1 0
x2
2 1 1
0 1
x3
1
0 1 1 1 x4
x5
Solucin. Llevando la
1 1
A = 2 1
1
0
1 1
0
1
0
0
= 0
matriz de coecientes a su forma escalonada se encuentra:
0
1 0 : 0
1 1 0
1 0 : 0
0
1 1 2 1 : 0
1
0 1 : 0
F21(2)
1 1 1 : 0 F
0
1 1 2 1 : 0 F
31(1)
32(1)
0
1 0 : 0
1 2 1 : 0
0
0 0 : 0
las variables libres son x3 , x4 y x5 . Sean
x3 = t
x4 = s
x5 = r
con esto, es sistema homogneo queda como:
1 1 :
s
0
1 : t + 2s r
de donde se encuentra:
x1 = t + s r
x2 = t + 2s r
102
as, la solucin del sistema homogneo es:
t + s r
t + 2s r
x =
t
s
r
1
1
2
1
= t
1 + s 0
0
1
0
0
as una base del espacio nulo:
+r

1
1
1
1 2 1
1 , 0 , 0
0 1 0
0
0
1
1
1
0
0
1
Determinar bases para el espacio la, columna y nulo de:
1.
1 0 1
A= 0 2 1
1 1 1
Sol.
1 0 1
0 2 1
0 0 1
2.

0
1 0
1
,
0 , 2 , 1 , 0
1
1
1
0
1
2 1
1
B = 2 4 0 2
1 2 1 1
Sol.
1 2 1 1
0 0 2 0

1
1
, 2 , 0 ,
1
1

2
1

1
, 0
0 0
0
1
4.6. ESPACIO FILA, ESPACIO COLUMNA Y ESPACIO NULO
103
3.
C=
Sol.
1 2 1
0 1 2
0
1
1
2
1
1
2
2
1
3
3
5
4
1 1

1
0
1 2
, 1 , 3
2 5
1
1
3
, 2
104
Captulo 5
Espacios producto interno

En este captulo, con el objeto de dar una estructura mtrica (la posibilidad de medir) a un espacio
vectorial se dene el concepto de producto interno. Con esta denicin es posible denir el concepto
de norma (medida) de un vector, ms an esta denicin permite denir la ortogonalidad entre
vectores de un espacio vectorial.
5.1
La denicin de espacio producto interno
Sea V un espacio vectorial, considrese la funcin

u, v : V V R,
es decir, a un par u, v V se asigna un nmero real. La funcin , se llama producto interno,
siempre que se cumplan las siguientes propiedades: Para todo u, v, w V y todo k R.
P1 : u, v = v, u , Simetra.
P2 : u, v + w = u, v + u, w , Distributividad.
P3 : ku, v = k u, v , Homogeneidad.
P4 : u, u 0, , No negatividad.
P5 : u, u = 0 si y solamente si u = 0.
Un espacio vectorial en donde se dene un producto interno se llama Espacio producto interno.
5.1.1
Ejemplos de productos internos
El producto interior euclidiano

En Rn se dene
u, v = ut v
este producto as denido es un producto interno, en efecto:
P1 : u, v = ut v = v t u = v, u ,
P2 : u, v + w = ut (v + w) = ut v + ut w = u, v + u, w ,
P3 : ku, v = (ku)t v = k ut v = k u, v ,
105
106
CAPTULO 5. ESPACIOS PRODUCTO INTERNO
P4 : u, u =
ut u
u21
+ u22
+ + u2n
u21
u22
0, aqu u =
u2n
u1
u2
..
.
un
= 0, de donde cada ui = 0, esto es, u = 0, el
P5 :Si u, u = 0, entonces
+
+ +
recproco es trivialmente cierto.
El producto interior euclidiano, se llamar tambin producto interno usual de Rn , es usual
emplear la notacin u v, en lugar de u, v .
Producto interno asociado a una matriz
Considere el producto interno euclidiano en Rn y A Mn,n una matriz invertible, entonces el

producto en Rn denido por:
u, v = Au Av
es un producto interno en Rn . Ntese que u, v = ut At A v

3 1
2 1
A=
a esta matriz se asocia el producto interno:

"
#
u1
v1
,
=
u1 u2
u2
v2
3 1
2 1
3 1
2 1
v1
v2
13 5
v1
v2
5 2
= 13u1 v1 + 5u1 v2 + 5u2 v1 + 2u2 v2 .
=
u1 u2
Producto interno de funciones

Sea C [a, b] el espacio de todas las funciones contnuas en [a, b] , este conjunto con las operaciones
usuales de suma de funciones y multiplicacin por escalar es un Espacio Vectorial. En este conjunto
se dene:
$
b
x, y =
x (t) y (t) dt
es fcil probar que esta funcin dene un producto interno en C [a, b] .
Ejemplo 5.2 En C [0, 1] , el producto interno de los vectores x (t) = t + 1 e y (t) = t2 es:
$ 1
%
&
7
t + 1, t2 =
(t + 1) t2 dt =
12
0
5.1.2
Propiedades del producto interno
Teorema 5.1 Si u, v es un producto interno, entonces:

(i) 0, v = v, 0 = 0
(ii) u, kv = k u, v {vlido slo en caso real}
(ii) u + v, w = u, w + v, w .
5.2. LA NORMA DE UN VECTOR
5.2
107
La norma de un vector
Denicin 5.2 (norma) Sea V un espacio producto interno, la norma (o longitud) de un vector
v V est denido por:
'
v =
v, v
donde , , es el producto interno denido en V.
Ejemplo 5.3 En el espacio vectorial Rn , con u, v = ut v, la norma inducida por este producto
interno es:
(
t
v = v v = v12 + v22 + + vn2
Denicin 5.3 (distancia) La distancia entre dos vectores de un espacio vectorial V est denido
por:
d (u, v) = v u ,
donde es la norma inducida por el producto interno denido en V.
5.3
5.3.1
Ortogonalidad
Vectores ortogonales
Denicin 5.4 (Vectores ortogonales) Dos vectores u, v en un espacio vectorial producto interno
se dirn ortogonales si
u, v = 0,
donde , , es el producto interno denido en V.
Ejemplo 5.4 En R3 considrese el producto interno usual, sean
2
2
1
u = 1 , v = 1 , w = 10
3
2
4
ntese que w es ortogonal a u y a v. Por otra parte u y v no son ortogonales, en efecto:
w, u
w, v
u, v
2
= (1, 10, 4) 1 = 2 10 + 12 = 0
3
2
= (1, 10, 4) 1 = 2 10 + 8 = 0
2
2
= (2, 1, 3) 1 = 4 + 1 + 6 = 3 = 0.
2
108
5.3.2
Conjuntos ortogonales
Sea V un espacio vectorial producto interno, un conjunto B = {v1 , v2 , . . . , vn } V, es ortogonal si

vi , vj = 0 para todo i = j.
Ejemplo 5.5 En R2 con el producto interior usual el siguiente conjunto es ortogonal
)
3
4
4
3
Ejemplo 5.6 En R3 con el producto interior usual el siguiente conjunto es ortogonal

1
1
0
1 , 0 , 0
0
1
1
Ejemplo 5.7 En C [0, ] con el producto interno usual, el siguiente conjunto es ortogonal
{1, cos 2t, cos 4t, sin 2t, sin 4t}
5.3.3
Bases ortogonales y ortonormales
Sea V un espacio vectorial producto interno, un conjunto B = {v1 , v2 , . . . , vn } V, es ortonormal si

vi , vj = 0 para todo i = j y vi , vi = 1 para todo i.
Ejemplo 5.8 En R2 con el producto interior usual el siguiente conjunto es ortonormal
) 3
*
45
5
,
4
3
5
Ejemplo 5.9 En R3 con el producto interior usual el siguiente conjunto es ortonormal.
1 1

2
2
1 , 0 , 0
1
12
2
1. Denimos C [a, b] , como el conjunto de funciones continuas en el intervalo [a, b] , denimos
, : C [a, b] C [a, b] R por
$ b
x (t) , y (t) =
x (t) y (t) dt,
a
(a) Probar que esta funcin es un producto interno.
5.3. ORTOGONALIDAD
109
(b) Mostrar que el conjunto W = {1, sin nx, cos nx : n = 1, 2, . . .} es ortogonal en C [0, 2] .
2. En M3,3 se dene A, B = tr B t A , muestre que esta funcin es un producto interno.
3. En R2 , considere el producto interno
"
u1
u2
v1
v2
= 5v1 u1 + 2v1 u2 + 2v2 u1 + 4v2 u2
pruebe que este producto interno est generado por la matriz A =
2 0
1 2
4. Cul es la matriz que genera el producto interno u, v = 4v1 u1 + 16v2 u2 ?

5. Para que valor de k, la siguiente funcin es un producto interno en R2 ?
(a)
(b)
"
"
x
y
x
y
a
b
a
b
= xa + kxb + ya + yb. Sol. k = 1

= xa + xb + ya + kyb, Sol. k 1
6. Trazar la circunferencia unitaria ( u = 1), en R2 usando el producto interior dado:

(a) u, v = 14 u1 v1 +
1
16 u2 v2
(b) u, v = 2u1 v1 + u2 v2
7. Encontrar el producto interior generado por una matriz y el producto interior euclidiano en
2
2
R2 para que la circunferencia unitaria sea la elipse xa2 + yb2 = 1.
8. Probar:
u+v
+ uv
=2
+ v
para cualquier espacio vectorial producto interno.

9. Probar:
u, v =
1
u+v
4
1
uv
4
en cualquier espacio vectorial producto interno.

10. Probar que si u y v son vectores unitarios ortogonales, entonces u v =
11. Si u y v son vectores distintos en Rn con la misma norma, entonces
2.
u, u v
1
2 = 2.
uv
110
5.4
5.4.1
Proceso de Gram Schmidt

La proyeccin ortogonal
Motivacin. Consideremos el siguiente problema:

Sean dados dos vectores u y v de algn espacio vectorial,
construir un tringulo rectngulo de hipotenusa v y base
paralela al vector u.
Solucin. La respuesta se motiva en el siguiente grco:
v
vcu
cu
la altura del tringulo debe ser de la forma v cu, donde c es una constante. Por las condiciones
del problema, debemos tener:
v cu, u = 0
de donde se obtiene:
c=
v, u
.
u 2
por tanto, los lados del tringulo rectngulo son:

Base:
Altura:
Hipotenusa:
v, u
u,
u 2
v, u
v
u,
u 2
v.
Denicin 5.5 (Proyeccin ortogonal). La proyeccin ortogonal del vector v sobre el vector u
est dado por:
v, u
proyu v =
u.
u 2
Observacin. Ntese que dado el conjunto {u, v} hemos construido el conjunto u, v
que es ortogonal, ms an
LIN {u, v} = LIN
u, v
v, u
u
u 2
v, u
u
u 2
5.4. PROCESO DE GRAM SCHMIDT
5.4.2
111
La construccin de un conjunto ortogonal de tres vectores
Si consideramos el conjunto {v1 , v2 , v3 } es claro que si w1 = v1 y w2 = v2

conjunto {w1 , w2 } es ortogonal. Denamos
v2 , w1
w1 entonces el
w1 2
w3 = v3 cw1 kw2 , c, k nmeros,

si exigimos que w3 debe ser ortogonal a w1 y w2 debemos tener:
w3 , w1 = 0 y w3 , w2 = 0,
esto lleva a:
v3 , w1 c w1
v3 , w2 k w2
2
2
= 0
= 0
de donde:
c =
k =
v3 , w1
w1 2
v3 , w2
,
w2 2
por tanto:
w3 = v3
v3 , w1
v3 , w2
w2
2 w1
w1
w2 2
luego el conjunto {w1 , w2 , w3 } es ortogonal. Esto puede continuarse con ms vectores, originando el
proceso de Gram Schmidt, que se describe en la siguiente seccin.
5.4.3
El proceso de Gram Schmidt
Considere un conjunto B = {v1 , v2 , . . . , vn } base de un espacio vectorial V. El siguiente proceso

permite construir una base ortogonal.
w1 = v1
v2 , w1
w2 = v2
w1
w1 2
v3 , w1
v3 , w2
w3 = v3
w2
2 w1
w1
w2 2
en general:
wi = vi
vi , w1
vi , w2
vi , wi1
wi1 ,
2 w1
2 w2
w1
w2
wi1 2
para i = 2, 3, . . . , n. Es un ejercicio simple probar que el conjunto C = {w1 , w2 , . . . , wn } es una base

ortogonal del espacio vectorial V , ms an el conjunto
D=
es una base ortonormal.
w1
w2
wn
,
,...,
w1
w2
wn
112
Ejemplo 5.10 Considere la siguiente base de R3

1
0
0
B = v1 = 0 , v2 = 1 , v3 = 0 ,
1
1
1
empleando las frmulas anteriores, se encuentra:

Clculo de w1 :
1
w1 = v1 = 0 ,
1
Clculo de w2 :
v2 , w1
w2 = v2
w1 ,
w1 2
v2 , w1
1
= (0, 1, 1) 0 = 1, w1 2 = 2, luego:
1

0
1
1
0
w2 = 1
2
1
1
1
=
Clculo de w3 :
v3 , w1
v3 , w2
w3 = v3
w2
2 w1
w1 w2 2
1
v3 , w1 = (0, 0, 1) 0 = 1, w1
1
1
v3 , w2 = (0, 0, 1)
1 = 12 , w2
w3
12
=2
12
= 32 , luego

1
0
1
1
2
1
= 0 0 32 1
2
2
1
1
12
1
3
= 13
1
3
De lo anterior se deduce que

1
1
1
3
2
1
C = w1 =
0 , w2 =
1 , w3 =
3
1
1
1
2
3
113
es una base ortogonal, la base ortonormal es
+ 1
1
1
3
1
2
2
1
0 ,
1
D=
, 3
3
2
3
1
1
12
3
Ejemplo 5.11 Considere la base en R4
0
B = v1 =
1
Clculo de w1 :
1
1
1
1
, v2 = , v3 =
1
0
1
0
1
0
w1 =
1 ,
1
Clculo de w2 :
Clculo de w3 :
1
1 3
v2 , w1

w2 = v2
2 w1 = 1 3
w1
1
v3 , w1
w1
w1 2
1
1
0
1
1

0 3 1
0
1
w3 = v3
Clculo de w4 :
v4 , w1
w1
w1 2
1
1
0
1
0

1 3 1
1
1
w4 = v4
, v4 = 0

1
0
1
0
=
1 0
1
0
v3 , w2
w2
w2 2
2
0
3
1 1 0
= 1
1 0 3
0
13
v4 , w2
v4 , w3
w3
2 w2
w2
w3 2

2
0
3
0 1 23 0
1
1 0 6
3
9
0
13
De los anterior la base ortogonal es

1

0
,
C=
2
0
3
1
, 01
0 3
0
13
0
0
=
1
1
0
,
114

y la base ortonormal:

1
0
1
0
, 1
D=
0
1
3
1
0
3 0 1 0
, 1 ,
6 3
2 1
1
3
1
2
3
1. Probar que tres vectores contruidos con el mtodo de Gram Schmidt son efectivamente ortogonales.
Determinar la base ortogonal y ortonormal a partir de las siguientes bases:
2.
Sol. Base ortogonal:
3.

1
1
1
B = 1 , 2 , 2
1
1
3

1
1
1
1 , 2 , 0
1
1
1

0
0
1
B=
1 , 1 , 0
1
1
1
4.
Sol. Base ortogonal, debe calcular la base ortonormal.

2/3
0
1
1 , 1/3 , 1/2
1
1/3
1/2

1
1
1
B=
1
,
1
, 2
1
0
1
1 3
3
1
2
1 , 1 , 3
3
2
23
0
1
115
5.

3
1
1
B=
0 ,
7 , 2
0
2
7

0
0
1
0 , 7 , 2
0
2
7
6. En el conjunto C [1, 1] considere el conjunto 1, x, x2 , x3 , ortogonalizar este conjunto empleando el producto interno usual de C [1, 1] , normalize el resultado de manera que la imagen
de cada polinomio P (x) de este conjunto satisfaga P (1) = 1.
Sol.
1, x, 12 3x2 1 , 12 5x3 3x
116
Captulo 6
Autovalores y autovectores
En este captulo se estudia el concepto de autovalor y autovector, se enuncian sus propiedades y
teoremas relativos a este concepto. Se emplea este concepto para diagonalizar una matriz, esto tiene
muchas aplicaciones en ingeniera y otras ciencias.
6.1
La denicin de autovalor y autovector
Denicin 6.1 (Autovalor y autovector) Sea A Mn,n . Un vector no nulo v y un nmero sern
llamados autovector y autovalor asociados respectivamente si
Av = v
Ejemplo 6.1 Un autovalor y su respectivo autovector de
A=
son = 9 y v =
1
1
, ntese que
Av =
6.2
6.2.1
4
5
5 4
4
5
5 4
1
1
= 9
1
1
= v
Clculo de autovalores y autovectores

Clculo de autovalores
De la ecuacin Av = v se tiene el siguiente sistema homogneo:

(A I) v = 0
(6.1)
donde 0 es el vector nulo en Rn e I la matriz identidad en Mn,n . Para el clculo de autovalores

analizamos el anterior sistema. Se tienen dos casos a discutir.
Solucin nica El sistema 6.1 tiene soluciones (pues es homogneo), este sistema homogneo
tendr solucin nica si y solamente si el determinante de la matriz de coecientes es distinto
de cero, es decir, |A I| = 0, en este caso la solucin es v = 0, esta solucin no nos interesa
pues un autovector, por denicin, no puede ser el vector nulo.
117
118
CAPTULO 6. AUTOVALORES Y AUTOVECTORES
Innitas soluciones De acuerdo a lo anterior, el sistema 6.1 tendr innitas soluciones si y

solamente si |A I| = 0, as las soluciones de |A I| = 0 son los autovalores de la matriz
A.
Resumimos lo anterior en el siguiente teorema.
Teorema 6.2 Los autovalores de una matriz A son las races de la ecuacin
|A I| = 0
Denicin 6.3 (Polinomio y ecuacin caracterstica) El polinomio de grado n, p () = |A I| se
llama polinomio caracterstico y la ecuacin |A I| = 0 se llama ecuacin caracterstica.
Es claro que los autovalores son las races del polinomio caracterstico.
A=
El polinomio caracterstico es:
|A I| =
4 5
5 4
4
5
5
4
= 2 + 8 9
luego la ecuacin caracterstica es:

cuyas races son:
2 + 8 9 = 0
1 = 9
2 = 1
por tanto 1 = 9 y 2 = 1 son los autovalores de A.

Los autovalores tienen que ser reales?
Los autovalores pueden ser nmeros complejos, como en el siguiente ejemplo.
Ejemplo 6.3
B=
1 4
4
1
Calculando el polinomio caracterstico se encuentra:

|B I| = 2 2 + 17
luego la ecuacin caracterstica es: 2 2 + 17 = 0, de donde se encuentra que los autovalores son:
1 = 1 + 4i
2 = 1 4i
6.2. CLCULO DE AUTOVALORES Y AUTOVECTORES
119
Es siempre fcil calcular autovalores con el polinomio caracterstico?

No, en realidad no es un problema simple, principalmente por dos razones:
Para calcular el polinomio caracterstico, se debe encontrar el determinante de una matriz,
el clculo de este determinante requiere de por lo menos n! productos, por ejemplo para
calcular el determinante de una matriz en M25,25 se requieren 25! = 1. 55 1025 productos. Un
supercomputador con una velocidad de clculo 3.2 109 operaciones por segundo tardara:
(25! op)
1
seg
3.2 109 op
1hora
3600seg
1dia
24horas
1a
no
365dias
1mill
on aos
106 aos
= 153. 71
millones de aos.
An si se hubiese calculado el polinomio caracterstico, se deben calcular las races del polinomio, este problema tampoco es tan simple.
Existen algoritmos ecientes para calcular autovalores?
Si, en la actualidad existen poderosos mtodos como los algoritmos de descomposicin LR y QR, el
mtodo de la potencia, deacin. Estos se estudian en materias como Mtodos numricos.
Y entonces para que se estudia sta parte en lgebra Lineal?
El marco terico que se estudia, permite comprender muchos resultados como veremos luego en las
siguientes secciones.
6.2.2
Clculo de autovectores
Si es un autovalor de A Mn,n , es claro que es solucin de la ecuacin caracterstica |A I| = 0.

Considrese el sistema
(A I) x = 0
este sistema homogneo debe tener innitas soluciones (pues |A I| = 0). Como se sabe, la solucin
del anterior sistema homogneo es un subespacio de Rn ; cada vector base de este subespacio
es un autovector asociado al autovalor .
Ejemplo 6.4 Determinar los autovalores y los autovectores asociados de la matriz
2
1
3
A = 1 2 1
3 1
2
Solucin. El polinomio caracterstico es
P () = 3 22 15
luego la ecuacin caracterstica es
3 22 15 = 0,
120
sus races son:

1 = 0
2 = 3
3 = 5
Determinamos ahora los autovectores asociados:
= 0. Se resuelve el sistema (A 0I) x = 0, es decir,

0
2
1
3
x1
1 2 1 x2 = 0
0
3 1
2
x3
Resolvemos este sistema con el algoritmo de Gauss:
2
1
3
1 2 1
1 2 1
1 2 1
2
1
3
0
5
5
F21(2)
3 1
2 F
3 1
2 F
0
5
5 F
12
31(3)
32(1)
1 2 1
0
5
5
0
0
0
la variable libre es x3 , asignando x3 = t, se tiene:
x2 = x3 = t
x1 = 2x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 1 = 0 es

W=0 = t 1 : t R , dim (W=0 ) = 1
1
de este resultado concluimos que el autovector asociado a = 1 = 0 es v1 = 1
1
= 3. Se resuelve el sistema (A (3) I) x = 0, es decir,

2+3
1
3
x1
0
1 2 + 3
1 x2 = 0
3
1 2 + 3
x3
0
resolviendo:
5
1
3
1
1 1
3 1
5 F
12
1
1 1
1
1 1
5
1
3
0 4
8
F21(5)
3 1
5 F
0 4
8 F
31(3)
32(1)
1
1 1
0 4
8
0
0
0
6.2. CLCULO DE AUTOVALORES Y AUTOVECTORES
121
la variable libre es x3 . Sea x3 = t, entonces:

x2 = 2x3 = 2t
x1 = x2 + x3 = t
por tanto el subespacio solucin asociado al autovalor = 2 = 3 es

W=3 = t 2 : t R , dim (W=3 ) = 1,
1
de este resultado concluimos que el autovector asociado a = 2 = 3 es v2 = 2
1
= 5. Se resuelve el sistema (A 5I) x = 0, es decir,

25
1
3
x1
0
1 2 5
1
x2
=
0
3
1 2 5
x3
0
resolviendo:
3
1
3
1 7 1
3 1 3 F
12
1 7 1
1 7 1
3
1
3
0 20
0
F21(3)
3 1 3 F
0
20
0 F
31(3)
32(1)
1 7 1
0 20
0
0
0
0
la variable libre es x3 . Sea x3 = t, entonces:
x2 = 0
x1 = 7x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 3 = 5 es:

W=5 = t 0 : t R , dim (W=5 ) = 1
1
de este resultado concluimos que el autovector asociado a = 3 = 5 es v3 = 0 .
1
Ejemplo 6.5 Calcular los autovalores y autovectores
3
2
B= 0
4
1 2
de:
1
0
3
122

Solucin.
Autovalores. La ecuacin caracterstica es: 3 102 + 32 32 = 0, resolviendo se encuentra:
1 = 2,
2 = 3 = 4.
Autovectores. Se calculan los autovectores para cada autovalor distinto,
= 2. Resolvemos (A 2I) x = 0,
0
1
2 1
x1
0
2 0 x2 = 0
x3
0
1 2 1
la solucin de este sistema es:
W=2
= t
0
: t R , dim (W=2 ) = 1
= 4. Se calcula la solucin de (A 4I) x = 0,

0
1
2
1
x1
x2
=
0
0
0
0
1 2 1
x3
la solucin es:
W=4
6.3
6.3.1

2
1
= t 1 + s 0 : t, s R , dim (W=4 ) = 2
0
1
Teoremas relativos a autovalores y autovectores

Clculo del polinomio caracterstico
Teorema 6.4 Sea A Mn,n , entonces el polinomio caracterstico es

P () = |I A|
= n S1 n1 + S2 n2 Sn1 Sn
n
(1)k Sk nk
=
k=0
donde Sk es la suma de todos los menores principales de orden k. Denimos S0 = 1. Ntese que
Sn = |A| .
6.3.2
Autovalores y rango
Teorema 6.5 Sea A Mn,n tal que rango (A) < n, entonces A tiene al menos un autovalor igual
a cero.
Demostracin. Por el teorema 6.4 el polinomio caracterstico no tiene trmino independiente,
pues Sn = |A| = 0, esto prueba que al menos existe un autovalor igual a cero.
6.3. TEOREMAS RELATIVOS A AUTOVALORES Y AUTOVECTORES
6.3.3
123
Autovalores e inversa
Teorema 6.6 Una matriz es invertible si y solamente si todos sus autovalores son distintos de cero.
Teorema 6.7 Sea A una matriz invertible y un autovalor asociado al autovector v, entonces
un autovalor de A1 asociado a v.
es
Demostracin. Por hiptesis Av = v, puesto que A es invertible v = A1 (v) , de donde

A1 v = 1 v, esto prueba el teorema.
6.3.4
Mltiplos escalares de un autovector
Teorema 6.8 Sea v un autovector de una matriz A asociado al autovalor , sea k R, k = 0 y

w = kv, entonces w es un autovector de A asociado a .
Demostracin. Aw = A (kv) = k (Av) = k (v) = (kv) = w, esto prueba el teorema.
6.3.5
Raz del polinomio caracterstico
Teorema 6.9 Toda matriz es raz de su polinomio caracterstico.

Demostracin. Ejercicio
Ejemplo 6.6 El polinomio caracterstico de
2 1
2 4
A=
es p () = 2 6 + 10, y
p (A) = A2 6A + 10I
=
=
6.3.6
2 1
2 4
0 0
0 0
2 1
2 4
+ 10
1 0
0 1
Autovectores y dependencia lineal
Teorema 6.10 Sean v1 , v2 autovectores asociados respectivamente a 1 y 2 tales que 1 = 2 ,

entonces el conjunto {v1 , v2 } es linealmente independiente.
Demostracin. Si el conjunto {v1 , v2 } fuera linealmente dependiente, existen escalares c1 y c2
distintos de cero tal que:
c1 v1 + c2 v2 = 0
(i)
multiplicando la matriz A se tiene:
c1 Av1 + c2 Av2 = 0,
empleamos ahora la hiptesis Av1 = 1 v1 , Av2 = 2 v2 , luego
c1 1 v1 + c2 2 v2 = 0,
(ii)
124
de (i) multiplicando por 1 :

c1 1 v1 + c2 1 v2 = 0
(iii)
restando (iii)-(ii) se encuentra:

c2 (1 2 ) v2 = 0
puesto que ni c2 ni v2 son nulos se debe tener: 1 2 = 0, es decir 1 = 2 , esto es contrario a la

hiptesis 1 = 2, por tanto {v1 , v2 } debe ser linealmente independiente.
6.3.7
Autovalores y autovectores de matrices simtricas
Teorema 6.11 Sea A Mn,n simtrica, entonces sus autovalores son todos nmeros reales.
Ejemplo 6.7
4 5
0
0
A= 5 4
0 0 1
Sus autovalores son 1 = 9, 2 = 1, 3 = 1.
Teorema 6.12 Sea A Mn,n simtrica, sean 1 y 2 autovalores de la matriz A asociados a v1 y

v2 respectivamente. Si 1 = 2 entonces v1 y v2 son ortogonales.
Demostracin.
1 v1t v2
= (1 v1 )t v2
=
=
=
=
=
(Av1 )t v2
v1t At v2
v1t (Av2 )
v1t 2 v2
2 v1t v2
por tanto 1 v1t v2 = 2 v1t v2 , de donde

(1 2 ) v1t v2 = 0,
puesto que 1 = 2 se debe tener v1t v2 = 0, es decir v1 es ortogonal a v2 .
6.3.8
Los discos de Gershgorin
Teorema 6.13 (Gershgorin, caso real) Sea A Mn,n y

n
Ri =
j=1
j=i
|aij |
donde || es el valor absoluto. Entonces los autovalores de A estn en la union de los discos
n
,
i=1
aqu es la norma euclidiana.
(x, y) : (x, y) (aii , 0) Ri
6.4. MULTIPLICIDAD ALGEBRAICA Y MULTIPLICIDAD GEOMTRICA
125
5
2
A = 5
52
0
0
1 5
9
4
72
Los autovalores son 1 = 5, 2 = 12 + 32 i, 3 = 12

unin de los discos
5 2
+ y2
x
2
7 2
x+
+ y2
2
'
(x 5) + y2
6.4
3
2 i,
los tres autovalores se encuentran en la
9
4
7
2
Multiplicidad algebraica y multiplicidad geomtrica
Denicin 6.14 (Multiplicidad algebraica) Sea p () el polinomio caracterstico de una matriz

A Mn,n , y ( a)m un factor de p () . En esta condiciones se dice que es un autovalor de A con
multiplicidad algebraica igual m.
Denicin 6.15 (multiplicidad geomtrica) Sea un autovalor de A Mn,n , la dimensin del
espacio solucin del sistema (A I) x = 0, es la multiplicidad geomtrica.
Las multiplicidades algebraica y geomtrica son iguales?
No, en general no son iguales, a este respecto se tiene el siguiente teorema
Teorema 6.16 La multiplicidad algebraica es mayor o igual que la multiplicidad geomtrica.
Ejemplo 6.9
6 1 1
A = 1 4 1
1 0
3
Un clculo inmediato muestra que el polinomio caracterstico es p () = 3 132 + 56 80, cuyas

races son los autovalores
1 = 5,
2 = 4,
3 = 4
as = 5 tiene multiplicidad algebraica 1, y = 4 tiene multiplicidad algebraica 2. A la luz del
teorema la multiplicidad geomtrica de = 5 debe ser 1 y la multiplicidad geomtrica de = 4
debe ser menor o igual a 2. Puede justicar esta armacin?. Para calcular las multiplicidades
geomtricas procedemos como sigue:
126
= 5: Se resuelve el sistema: (A 5I) x = 0, es decir:

0
1 1 1
x1
1 1 1 x2 = 0 ,
x3
0
1 0 2
resolviendo, se encuentra que la solucin es

W=5 = t 1 : t R ,
de donde se sigue que la multiplicidad geomtrica de = 5 es 1.
= 4 : Se debe resolver el sistema (A 4I) x = 0, es
2 1 1
1 0 1
1 0 1
decir resolver el sistema:

0
x1
x2
=
0
0
x3
resolviendo se encuentra que la solucin es:

W=4 = t 1 : t R
cuya dimensin es 1, luego la multiplicidad geomtrica de = 4 es 1. Resumimos esto en la

siguiente tabla:
1 :tR
1 :tR
Mult. algebraica
Mult. Geomtrica
Ejemplo 6.10 En el ejemplo 6.4 (pgina 119) se calculan los siguientes resultados sobre la matriz
2
1
3
A = 1 2 1
3 1
2
Ecuacin caracterstica: 3 22 15 = 0
Autovalores, autovectores y multiplicidad
3
5
t 1 : t R
t 2 : t R
t 0 :tR
Mult. algebraica
Mul. Geomtrica
6.5. SEMEJANZA Y DIAGONALIZACIN
127
Ejemplo 6.11 En el ejemplo 6.5 pgina 121 se calculan los siguientes resultados sobre la matriz
3
2 1
B= 0
4 0
1 2 3
Ecuacin caracterstica: 3 102 + 32 32 = 0
Autovalores, autovectores y multiplicidad
6.5
6.5.1
t 0 : t R
2
1
t 1 + s 0 : t, s R
0
1
Mult. algebraica
Mult. Geomtrica
Semejanza y diagonalizacin
Matrices semejantes
Denicin 6.17 Se dice que dos matrices A, B Mn,n son semejantes si existe una matriz P
Mn,n invertible tal que
B = P 1 AP
Dos matrices semejantes tienen la propiedad de tener los mismos autovalores, esto es lo que dice
el siguiente teorema.
Teorema 6.18 Sean A, B Mn,n matrices semejantes, entonces A y B tienen los mismos autovalores.
Demostracin. Existe P Mn,n tal que B = P 1 AP. Sea un autovalor de A asociado a v,
es decir, Av = v. Denamos w = P 1 v, entonces
Bw = P 1 AP w
= P 1 AP P 1 v
= P 1 (Av)
= P 1 (v)
= P 1 v
= w
por tanto es un autovalor de B. Esto prueba el teorema.
Ejemplo 6.12 Considrense las matrices
A=
y
4 5
5 4
,P =
1 1
2 3
21
40
15 29
un clculo inmediato muestra que los autovalores de A y B son: 1 y 9.
B = P 1 AP =
128
6.5.2
Diagonalizacin
Sea A Mn,n , se dice que A es diagonalizable si existe una matriz invertible P tal que
P 1 AP = D,
donde D es una matriz diagonal, esto es, D = diag (d1 , d2 , . . . , dn ) .
El producto de una matriz arbitraria por una matriz diagonal
Para comprender de mejor manera el resultado de la siguiente seccin, ntese que el producto de
una matriz arbitraria y una matriz diagonal resulta ser la matriz cuya j esima columna es un
mltiplo de la j esima columna de la matriz P.
Ejemplo 6.13
p11 p12 p13

d1 0 0
p11 d1 p12 d2 p13 d3
p21 p22 p23 0 d2 0 = p21 d1 p22 d2 p23 d3
p31 p32 p33
0 0 d3
p31 d1 p32 d2 p33 d3
en general si P = [P1 , P2 , . . . , Pn ] (Pi la i-sima columna de P ) y D = diag (d1 , d2 , . . . , dn ) , entonces:

P D = [d1 P1 , d2 P2 , . . . , dn Pn ] .
Condicin necesaria y suciente para la diagonalizacin de matrices
Sea A Mn,n una matriz tal que:
P 1 AP = D,
entonces:
AP = P D.
Sea P = P 1 , P 1 , . . . , P n , entonces de la igualdad AP = P D y los resultados de productos de
matrices, se deduce:
AP 1 , AP 2 , . . . , AP n = d1 P 1 , d2 P 2 , . . . , dn P n ,
de donde:
AP i = di P i , i = 1, 2, . . . , n,
esto prueba que la i esima columna de P es el autovector asociado al autovalor di que a su vez es
la entrada (i, i) de la matriz diagonal D, ms an, al ser P invertible las columnas de A deben ser
linealmente independientes. Estas observaciones permiten probar el siguiente teorema.
Teorema 6.19 Sea A Mn,n . A es diagonalizable si y solamente si es posible encontrar una base
de n autovectores linealmente independientes.
En trminos de la multiplicidad algebraica y multiplicidad geomtrica, se tiene el siguiente resultado.
Teorema 6.20 Sea A Mn,n . A es diagonalizable si y solamente si cada autovalor tiene multiplicidad algebraica y multiplicidad geomtrica iguales.
129
Ejemplo 6.14 Considere la matriz A del ejemplo 6.9 pgina 125,
6 1 1
A = 1 4 1 ,
1 0
3
se ha establecido el siguiente resultado
2
1
1
1
1
1
:tR
:tR
Mult. algebraica
Mult. Geomtrica
al ser el autovalor = 4 de multiplicidad algebraica distinta a la multiplicidad geomtrica, la matriz

A no es diagonalizable.
Ejemplo 6.15 Considere la matriz A del ejemplo 6.10 pgina 126,
2
1
3
A = 1 2 1
3 1
2
Se ha establecido el siguiente resultado:
3
5
t 1 : t R
t
2
:tR
t 0 :tR
Mult. algebraica
Mul. Geomtrica
luego las multiplicidades algebraica y geomtrica de todos los autovalores son iguales, por tanto
A es diagonalizable, mas an la matriz P que permite la diagonalizacin est formada con los
autovectores, as:
1 1 1
2 0
P = 1
1
1 1
y la matriz D con los correspondientes autovalores:
0
0 0
D = 0 3 0 ,
0
0 5
ntese que P 1 AP = D.
130
Ejemplo 6.16 Considere la matriz B del ejemplo 6.11 pgina 127,
3
2 1
4 0
B= 0
1 2 3
se ha establecido el siguiente resultado:
t 0 : t R
2
1
t 1 + s 0 : t, s R
0
1
lo anterior muestra que B es diagonalizable
1 2
P = 0 1
1 0
Mult. algebraica
Mult. Geomtrica
1
2 0 0
0 , D = 0 4 0
1
0 0 4
nuevamente P 1 BP = D.
Diagonalizacin ortogonal
Recordemos que una matriz P es ortogonal si P 1 = P t .
Denicin 6.21 Una matriz A es diagonalizable ortogonalmente, si existe una matriz ortogonal P
tal que:
P t AP = D.
Observemos que si P t AP = D, entonces:
A = P DP t
aplicando transpuesta se encuentra:
At =
P DP t
= P t DP t
= P DP t
= A,
as la matriz A debe ser simtrica. Por tanto las nicas matrices diagonalizables ortogonalmente son
las simtricas.
Ejemplo 6.17 Diagonalizar la siguiente matriz ortogonalmente.
2 1 1
A= 1 2 1
1 1 2
131
Solucin.
Ecuacin caracterstica: 3 62 + 9 4 = 0,
Autovalores y autovectores:

1
= 1 = 4; autovector asociado: v1 = 1 ,
1
1
1
= 2 = 3 = 1; autovectores asociados, v2 = 0 , v3 = 1 .
1
0
Ntese que el conjunto {v1 , v2 , v3 } es un conjunto LI. Para generar un conjunto ortogonal emplearemos el clsico algoritmo de ortogonalizacin de Gram Schmidt.

1
Sea w1 = v1 = 1 ,
1
w2 = v2
v2 , w1
1
= v2t w1 = (1, 0, 1) 1 = 0, w1 2 = w1 , w1 = 3, por tanto:
1
1
1
1
0
w2 = 0 1 = 0 ,
3
1
1
1
w3 = v3
v3 , w1
v3 , w2
v2 , w1
w1
w1 2
v3 , w1
v3 , w2
w2
2 w1
w1
w2 2
1
= v3t w1 = (1, 1, 0) 1 = 0, w1 2 = 3
1
1
= v3t w2 = (1, 1, 0) 0 = 1, w2 2 = 2, por tanto:
1
1
1
1
1
2
0
1
w3 = 1 1 0 = 1
3
2
0
1
1
12

1
1
1
2
w1
w2
w3
es claro que el conjunto
,
,
= 13 1 , 12 0 , 26 1 es
w1
w2
w3
1
1
12
un conjunto ortonormal, ms an son autovectores, as la matriz P cuyas columnas son los
132

vectores del anterior conjunto, diagonalizan ortogonalmente la matriz A, as:
12 16
3
1
2

0
P = 3
6
1
1
1
3
2
6
ntese que
P t AP
1
3
12
16
1
3
0
2
6
1
3
1
2
16
4 0 0
= 0 1 0 = D.
0 0 1
2 1 1
1 2 1
1 1 2
1
3
1
3
1
3
12 16
2
0
6
1
1
2
6
En los siguientes problemas, calcular (a) Autovalores, (b) autovectores, (c) multiplicidad algebraica
y multiplicidad geomtrica, (d) diagonalizar (si es posible) la matriz dada.
0
2 8
0
1
1
1. 20
18 8 , Sol. 20, 22 (b) 4 , 10 , 1
60 6 44
1
0
3

2 0 1
1
1
2. 2 3 2 , Sol. (a) 1, 3 (b) 2 , 2
1 1 2
1
1
2 1 0
1
1
1
3. 2 2 2 , Sol. (a) 0, 4, 2 (b) 2 , 2 , 0
0 1 2
1
1
1

1 7 2
1
1
1
4. A =
7 1 2 , Sol. (a) 0, 6, 9 (b)
1
,
1
,
1
1
2 2 1
4
0
2
4 2 2
8
1
1
5. A = 5 3 2 , Sol. (a) 1, 4, 0 (b) 11 , 1 , 1
7 1 6
9
3
1
0
4
1
1
1
6. B =
4 10
2
, Sol. (a) 4, 2, 2 (b)
2
,
2
12 18 2
4
6
133
4
1
1
1
1
1
7. C = 1
4
1 , Sol. (a) 1, 3 (b) 1 , 0 , 1
4 4 1
4
1
0
1 1 1
1
1
1
8. A = 1
1 1 , Sol. (a) 1, 2 (b) 1 , 0 , 1
1
1 1
1
1
0

0 2 5
2
5
1
9. A = 3 5 15 , Sol. (a) 1, 1 (b) 1 , 0 , 3
1 2 6
0
1
1
2 2
0 0
1
2
0
2
2
1
, Sol. (a) 2, 1, 5 (b)
10. A =
0 2
1
2 0
0
1
0 2
0
1
0 1
0
1
0 1
0
0
1
, Sol. (a) 0, 2 (b)
11. A =
1
1
0 1
0
0 1
0 1
0
1
2
12. A =
0
5
a2
ab
13. A =
ab
b2
2
1
2
0
0
2
1
2
ab
a2
b2
ab
5
1
2
0
, Sol. (a) 0, 2, 5, 7 (b)
2
2
1
1
ab
b2
a2
ab

1
1
2 1
,
2
2 , 1
2
1
1
b2
1
ab
1
, Sol. (a) (a + b)2 , (a b)2 , a2 b2 ,
1
ab
a2
1
2 1 1
15. A = 1 0
1 , Sol. P =
1 1
2
1
3
1
3
1
3
2
2 4 0
5 2
16. A =
4 2 3 , Sol. P =
12 2
3
0 3 2
10 2

0
0
1 1
,

0 , 0
1
1
Diagonalizar ortogonalmente las siguiente matrices:

1
1
1
2 1 1
3
2
6
1
1
14. A = 1 2 1 , Sol. P = 13
2
6
1
2
1 1 2
0
3
6

1
2
0 3
, ,
0 2
2
1
2
3
,
2
1
1
0
,
1
0
2
1
,
1
2

0
1
1 1
,

1 , 1
1
0
1
0
,
0
1
1
12
6
0 26
1
2
2
5 2
1
2 2
3
10 2
1
6
3
5
45
Mostrar que existe una matriz ortogonal P formada por autovectores tales que P t AP es una
matriz triangular superior.
134
5 3 3
17. A = 6 4 3 , Sol. P =
6 3 2
1
3
1
3
1
3
0 26
1
2
12
18. Para que valores de k la siguiente matriz es
1k
A=
k
0
1
6
1
6
diagonalizable?
k
k
k+1 k1
0
2
Sol. Autovalores 2, 1. Slo es diagonalizable para k = 0.
19. Sea A una matriz idempotente (A2 = A), probar que sus autovalores son = 0 y = 1.
20. Sea A una matriz ortogonal (A1 = At ), probar que sus autovalores son = 1 y = 1.
21. Sean A, B Mn,n . Si A es invertible, demostrar que AB y BA son semejantes y por tanto
tienen los mismos autovalores.
22. Calcular la m - sima potencia de:
Sol.
2
1 m
3 + 37
1
3 + 13 7m
13 + 13 7m
3 2 2
A= 2 3 2
2 2 3
13 + 13 7m 13 + 13 7m
2
1 m
13 + 13 7m
3 + 37
13 + 13 7m 23 + 13 7m
23. Determinar los autovalores de:
a2 ab b2
ab a2 ab
b2 ab a2
24. Determinar los valores a para los cuales la siguiente matriz es diagonalizable, calcule la matriz
P que diagonaliza esta matriz:
a a a
A= a
a 2a
0
0 1
25. Supngase A Mn,n , I Mn,n la matriz identidad y c, d nmeros.
(a) Pruebe que si es un autovalor de una matriz A asociado al autovector v, entonces v es
un autovector de la matriz cA + dI asociado al autovalor c + d
(b) Pruebe que si A es diagonalizable entonces lo es tambin cA + dI.
26. Muestre que si es un autovalor de A, entonces k es un autovalor de Ak .
27. Pruebe que si la matriz A Mn,n verica que Ap = 0, entonces el nico autovalor que puede
tener es = 0.
135
28. Explique porque la siguiente matriz A Mn,n
n 1
1 n
A= 1 1
.. ..
. .
1 1
no puede tener autovalores nulos .
1 1
1 1
n 1
.. . .
..
. .
.
1 n
29. Hallar los autovalores y multiplicidades de:

(a)
a b c
c b a
b a c
(b)
'
donde a > b, a > c. Sol: a + c + b, (a c) (a b)
(c)
a b c
b a c
c b a
Sol. a + b + c, a b, a c.
a2 2ab b2
2ab a2 b2
b2
2ab a2
Sol.: (a + b)2 , a2 2ab, a2 b2
136
Captulo 7
Transformaciones lineales
Muchos problemas prcticos planteados en un espacio vectorial pueden convertirse en problemas ms
simples en otro espacio vectorial, para realizar esto, es necesaria una adecuada funcin entre esos
dos espacios vectoriales, tal funcin se llama Transformacin lineal, en ste captulo estudiamos
el marco terico de estas funciones.
7.1
Introduccin
7.1.1
La denicin de transformacin lineal
Considere una funcin T : U V , donde U y V son espacios vectoriales. T es una transformacin

lineal si:
(i) Para todo u, w U, T (u + w) = T (u) + T (w)
(ii) Para todo u U y todo k R, T (ku) = kT (u)
Ntese que una transformacin lineal preserva las operaciones bsicas de un espacio vectorial, es
decir, preserva la suma y producto por escalar.
Ejemplo 7.1 La funcin T : R3 R2 , denida por
x
T y =
z
2x + y
y + 3z

x
a
T es transformacin lineal, en efecto: Sean u =

y
,w=
b , entonces:
z
c
x+a
T (u + w) = T y + b
z+c
=
2 (x + a) + (y + b)
(y + b) + 3 (z + c)
2x + y
y + 3z
137
2a + b
b + 3c
138
CAPTULO 7. TRANSFORMACIONES LINEALES

x
a
= T y +T b
z
c
= T (u) + T (w) .
por otra parte si k R, entonces:
kx
T (ku) = T ky
kz
2kx + ky
ky + 3kz
2x + y
y + 3z

x
y
= kT
z
= kT (u) .
= k
Ejemplo 7.2 Sea A Mm,n , denimos la transformacin T : Rn Rm por

T (x) = Ax
las propiedades matriciales permiten probar que T es una transformacin lineal.
7.1.2
Propiedades de una transformacin lineal
Teorema 7.1 Si T es una transformacin lineal, entonces

1. T (0) = 0.
2. T (u v) = T (u) T (v)
3. T (u) = T (u)
La primera propiedad muestra (en su forma contrapositiva) que si T (0) = 0, entonces T no
puede ser transformacin lineal.
Ejemplo 7.3 Sea T : R2 R3 denida por
T
obsrvese que T
0
0
x
y
2x + 3y + 5
=
x+y
x + 2y 1

5
0
= 0 = 0 , por tanto T no es transformacin lineal.
1
0
Observacin. Ntese que T (0) = 0, no es garanta de que T sea transformacin lineal.
7.2. CONSTRUCCIN DE TRANSFORMACIONES LINEALES

Ejemplo 7.4 Sea T : R2 R3
x
y
139
xy
= x
x+y
se puede probar que T no es transformacin lineal prubelo!.
1. Demostrar el teorema 7.1.
2. Determinar si las siguientes funciones son o no transformaciones lineales

x
3x y + 2z
3
2
(a) T : R R , T
y =
Sol. Si
x+z
z
x
y
(b) T : R2 R2 , T
(c) T :
R3
x
y+2
M2,2 , T
y =
z
x y
z w
(d) T : M2,2 R2 , T
(e) T : R2 R3 , T
x
y
(f) T : R2 R2 , T
x
y
Sol. No
x+y xz
y
2z
=
2x 3w
3z 4y
Sol. Si.
Sol. Si
xy
x Sol. No
x+y
|x|
0
, Sol. No
3. Se dene T : Mn,n Mn,n por T (x) = xM + Mx, donde M es una matriz cualquiera de V,
mostrar que T es una transformacin lineal.
7.2
Construccin de transformaciones lineales
Considere un espacio vectorial V, sea B = {e1 , e2 , . . . , en } una base de V. Sea T una transformacin
lineal de V en un espacio vectorial W. Si v V, entonces
v = c1 e1 + c2 e2 + + cn en ,
aplicando la transformacin lineal se encuentra:
T (v) = c1 T (e1 ) + c2 T (e2 ) + + cn T (en )
lo anterior muestra que la transformacin T est completamente determinada por las imgenes de
los vectores bsicos. Lo anterior permite construir transformaciones lineales.
140
Ejemplo 7.5 Considere los espacios vectoriales R3 y R2 , sea

1
1
0
B = v1 = 1 , v2 = 0 , v3 = 0
1
1
1
una base de R3 . Sea T una transformacin lineal tal que
1
T 1 =
1
1
,T 0 =
1
1
1
2
1
0
,T 0 =
1
1
1
(i)
Determinar la transformacin lineal.
x
Solucin. Sea v = y , existen nmeros c1 , c2 , c3 tal que
z
(ii)
v = c1 v1 + c2 v2 + c3 v3 ,

c1
x
1 1 0
1
0 0 c2 = y
1
1 1
c3
z
resolviendo se encuentra:
(iii)
c1 = y
c2 = x y
c3 = x + 2y + z
empleando la transformacin T a la ecuacin (ii) se encuentra:
T (v) = c1 T (v1 ) + c2 T (v2 ) + c3 T (v3 )
reemplazando (i), (iii) y v en la anterior ecuacin se encuentra:
x
T y = y
z
1
1
+ (x y)
x y + z
2x + 4y + z
2
1
+ (x + 2y + z)
1
1
7.3. COMPOSICIN
141
1. Sea T : R2 R una transformacin lineal tal que
T
determinar T
x
y
1
1
= 2, T
1
2
= 2
. Sol. 6x 4y
2. Sea T : R2 R3 una transformacin lineal tal que :
1
1
1
T
= 0 ,T
1
2
1
y
x
Determinar T
. Sol. x + y
y
6x + 5y
2
= 1
4
3. Determinar si existe o no una transformacin lineal T : R2 R2 tal que

T
2
4
1
1
,T
3
6
1
1
explicar.
4. Sea T : U V una transformacin lineal. Sea B = {u1 , u2 , . . . , un } un conjunto en U tal que
C = {T (u1 ) , T (u2 ) , , T (un )} es L.I., Mostrar que B es L.I.
7.3
Composicin
Sean T : U V, S : V W transformaciones lineales como se muestra en la gura.

U
S(T (u))
T (u)
u
S T
La compuesta de T y S, escrito S T, es la funcin de U en W denida por:
(S T ) (u) = S (T (u)) ,
es evidente que S T es una transformacin lineal.
142
Ejemplo 7.6 Determinar S T si:
x 2y
u
x
T
= 2x + y , S v =
y
2x + 2y
w
u 2v
v+w
Solucin.
(S T )
x
y
= S T
x 2y
= S 2x + y
2x + 2y
=
7.4
7.4.1
x
y
x 2y 2 (2x + y)
2x + y + 2x + 2y
5x 4y
3y
Ncleo e imagen
Ncleo
Sea T : U V, una transformacin lineal, denimos el ncleo de T como:

Nu (T ) = {u U : T (u) = 0}
Teorema 7.2 El ncleo de una transformacin lineal T : U V es un subespacio de U.
Demostracin. Sean u, w Nu (T ) , entonces T (u) = 0 y T (w) = 0, de donde
T (u + w) = T (u) + T (w) = 0 + 0 = 0
luego u + w Nu (T ) . Por otra parte si k R, entonces
T (ku) = kT (u) = k0 = 0,
de donde se deduce que ku Nu (T ) . De lo anterior se sigue que Nu (T ) es un subespacio de U.
Denicin 7.3 (Nulidad) La nulidad de una transformacin lineal T : U V, denotado por
nulidad (T ) , es la dimensin del ncleo de T, es decir:
nulidad (T ) = dim (Nu (T ))
7.4.2
Imagen
Sea T : U V, una transformacin lineal, denimos la imagen de T como:

Im (T ) = {T (u) : u U }
o alternativamente como:
Im (T ) = {v V : existe u U tal que T (u) = v}
7.4. NCLEO E IMAGEN
143
Teorema 7.4 La imagen de una transformacin lineal T : U V es un subespacio de V.

Demostracin. Sean v1 , v2 Im (T ) , luego existen vectores u1 , u2 U tales que T (u1 ) = v1 y
T (u2 ) = v2 , entonces:
T (u1 + u2 ) = T (u1 ) + T (u2 ) = v1 + v2 ,
esto prueba que v1 + v2 Im (T ) .
Por otra parte si k R y v Im (T ) , probaremos que kv Im (T ) . Para empezar existe u U
tal que T (u) = v, entonces:
kv = kT (u) = T (ku) ,
esto prueba que kv Im (T ) .
Denicin 7.5 (rango) El rango de una transformacin lineal T : U V, denotado por rango (T ) ,
es la dimensin de la imagen T, es decir:
rango (T ) = dim (Im (T ))
7.4.3
El teorema de la dimensin
Teorema 7.6 Sea T : U V una transformacin lineal, sea n = dim (U ) , entonces:

nulidad (T ) + rango (T ) = n.
Ejemplo 7.7 Determinar el ncleo, la imagen y sus dimensiones de la transformacin T : R2 R3
denida por:
xy
x
T
= x + 2y
y
x+y
Solucin.
Clculo de la nulidad
Nu (T ) =
=
lo anterior origina el sistema:
x
y
x
y
1 1
1
2
1
1
0
:T
= 0

xy
0
: x + 2y = 0
x+y
0
x
y
resolviendo se encuentra que la nica solucin es:

x
y
x
y
0
= 0 ,
0
0
0
por tanto
Nu (T ) =
0
0
144
luego nulidad (T ) = 0
Clculo de la imagen

a
Im (T ) = b : T
es decir se debe tener:
x
y
a
= b para algn
c

xy
a
x + 2y = b
x+y
c
1 1
1
2
1
1
x
y
a
= b
c
x
y
llevando la matriz aumentada a la forma escalonada se encuentra:
1 1 :
a
1 1 a
1 1 :
a
1
0
3 :
a + b
2 b
0
3 : a + b
F21(1)
1
0
0 : 3 a + c 23 b
1
1 c F
0
2 : a + c F
31(1)
2
32( 3
)
lo anterior muestra que el sistema tiene solucin si y solamente si 13 a + c 23 b = 0, por tanto:
a
2
1
b : a + c b = 0; a, b, c R
Im (T ) =
3
3
c
: a, b R
=
b
1
2
3a + 3b

1
0
0
1
=
a
+b
: a, b R
1
2
3
de donde se deduce que rango (T ) = 2.

Ntese que
nulidad (T ) + rango (T ) = 0 + 2 = 2 = dim R2 .
Ejemplo 7.8 Determinar el ncleo, la imagen y sus dimensiones de la transformacin T : R3 R2

denida por:

x
2x y + 6z
T y =
2x 2y + 6z
z
Solucin.
Clculo del ncleo
Se resuelve el sistema
2 1 6
2 2 6
x
y =
z
0
0
7.4. NCLEO E IMAGEN
145
La solucin de ste sistema es
x
1
y = t 4 , t R
z
1
por tanto:
Nu (T ) = t 4 , t R ,
puesto que Nu (T ) es generado por un slo vector, nulidad (T ) = 1.

Clculo de la imagen.
a
Sea
Im (T ) , entonces:
b
as, se plantea el sistema:
x
T y =
z
2x y + 6z
2x 2y + 6z
x
y =
z
2 1 6
2 2 6
a
b
a
b
llevando la matriz aumentada a la forma escalonada se encuentra:

2 1 6 : a
2 2 6 : b
2 1 6 :
a
0 3 12 : a + b
lo anterior muestra que ste sistema siempre tiene soluciones, es decir, cualquier
a
b
Im (T ) ,
por tanto Im (T ) = R2 y rango (T ) = 2.

Nuevamente el teorema de la dimensin se cumple:
nulidad (T ) + rango (T ) = 1 + 2 = 3 = dim R3 .
1. En los siguientes problemas, determinar una base y la dimensin de (i) ncleo (ii) la imagen
de T.

x
x y + 2z
(a) Sea T y = 4x 2y + 13z
z
2x 3z

3/2
a
: a, b R
Sol. Nu (T ) = t 7/2 : t R , Im (T ) =
b
2
1
1
3a 3b
146
x
x + 2y z
(b) Sea T y =
y+z
z
x + y 2z

3
1
0
Sol. Nu (T ) = t 1 : t R , Im (T ) = a 0 + b 1 : a, b R
1
1
1
1 2
, sea T (A) = AM MA determinar una base y la
0 3
1 1
1 0
dimensin del ncleo de T. Sol.
,
0 0
0 1
2. Sea T : M2,2 M2,2 y M =
3. Sea T : M2,2 M2,2 y M =
7.5
1 2
3 5
, sea T (A) = M A, determinar el ncleo de T
La transformacin inversa
Denicin 7.7 (Transformacin 1-1) Sea T : U V, una transformacin lineal. Se dice que T
es uno a uno (1 1) si para elementos u1 , u2 distintos de U , se encuentra que T (u1 ) = T (u2 ) .
Una denicin alternativa es: Se dice que T es uno a uno si T (u1 ) = T (u2 ) implica u1 = u2 .
Teorema 7.8 Sea T : U V, una transformacin lineal. Las siguientes armaciones son equivalentes.
1. T es uno a uno.
2. Nu (T ) = {0} .
3. nulidad (T ) = 0.
Ejemplo 7.9 Determinar si la siguiente transformacin es o no uno a uno.
x + 2y
x
T
= xy
y
2x y
el ncleo de T se encuentra resolviendo:
x + 2y = 0
xy =0
2x y = 0
se encuentra que la nica solucin es:
x
y
Nu (T ) =
0
0
, por tanto
0
0
de donde se deduce que T es una transformacin lineal uno a uno.
7.5. LA TRANSFORMACIN INVERSA
147
Ejemplo 7.10 Bajo qu circunstancias la transformacin T : Rn Rm , denida por T (x) = Ax,

es uno a uno?, aqu A Mm,n .
Solucin. Sean x, y Rn vectores tales que T (x) = T (y) , es decir: Ay = Ax, de donde:
A (y x) = 0,
ste es un sistema homogneo, como se sabe ste sistema siempre tiene solucin. Si rango (A) = n,
entonces la nica solucin es la nula esto es y x = 0, por tanto T es uno a uno si rango (A) = n.
En particular si m = n, T es uno a uno ssi A Mn,n es invertible.
Denicin 7.9 (Transformacin inversa) Sea T una transformacin lineal. T : V W, tal
que W = Im (T ) . Se dice que T es invertible si existe una transformacin lineal T 1 de W en V tal
que
T 1 (T (v)) = v,
T T 1 (w) = w
para todo v V y todo w W.
Teorema 7.10 T : V Im (T ) es invertible si y solamente si Nu (T ) = {0}
x
y
invertible, (b) si fuera invertible determinar la inversa.
Ejemplo 7.11 Sea T : R2 R2 , denida por T
3x y
4x y
(a) determinar si es o no
Solucin. (a) El ncleo se encuentra resolviendo

3x y = 0
4x y = 0
la nica solucin es
(b) Sea
a
b
0
0
0
0
, por tanto Nu (T ) =
tal que T
x
y
a
b
, luego T es invertible.
, esto origina el sistema:

3x y = a
4x y = b
resolviendo se encuentra x = b a, y = 3b 4a, de donde se deduce que la transformacin inversa

es:
a
ba
T 1
=
b
3b 4a
o empleando las variables x, y :
T 1
x
y
yx
3y 4x
148
En los siguientes ejercicios, determinar T 1 si sta existe.
1. T : R2 Im (T ) , T
x
y
x
2. T : R3 R2 , T y =
z

x 2y
a
= 2x 3y . Sol. T 1 b =
xy
c
x 2y + z
x + y 3z
3a + 2b
b 2a
, c=ba
. Sol. No existe
x + z
x
2x + y 2z
3. T : R3 R4 , T y =
x + 2y z , Sol. No existe
z
xz
4. T : R2 R4 , T
5. Sea
x
y
x 2y
x + 3y
, Sol. T 1
=
3x 5y
a
b
=
c
d
3a + 2b
a+b
, c = 4a + b, d = 0

1
0
W = a 1 + b 1 : a, b R
1
1

x
3x + y
2
y =
, z = 2x + y. Sol. T 1
Se dene T : W R por T
8x + 3y
z
3a b
8a + 3b ..
2a + b
7.6
7.6.1
a
b
La matriz de una transformacin lineal

Matriz de coordenadas de un vector
Sea U un espacio vectorial y B = {u1 , u2 , . . . , un } una base de U. Si u U, entonces u se escribe

como:
u = c1 u1 + c2 u2 + + cn un ,
la matriz
c1
c2
..
.
cn
7.6. LA MATRIZ DE UNA TRANSFORMACIN LINEAL
149
se llama matriz de coordenadas del vector u relativo a la base B. Emplearemos la notacin:
c1
c2
mat B u = .
.
.
cn
Ejemplo 7.12 En R3 se considera la base

1
2
0
B = u1 =
0 , u2 =
0 , u3 =
1
1
0
1

1
sea u =
2 , para encontrar la matriz de coordenadas matB u se plantea el sistema:
3
c1 u1 + c2 u2 + c3 u3 = u
lo que origina:
1
1 2 0
c1
0 0 1 c2 = 2
c3
3
1 0 1
resolviendo se encuentra c1 = 1, c2 = 0, c3 = 2, por tanto la matriz de coordenadas es:

1
B
mat u =
0 .
2
7.6.2
Matriz de coordenadas de una transformacin lineal
Sea T : U V una transformacin lineal y B = {u1 , u2 , . . . , un } una base de U y C = {v1 , v2 , . . . , vm }

una base de V. Puesto que C es una base de V, entonces cada vector T (uj ) se escribe como combinacin lineal de los vectores v1 , v2 , . . . , vm , es decir:
T (u1 ) = a11 v1 + a21 v2 + am1 vm
T (u2 ) = a12 v1 + a22 v2 + am2 vm
T (un ) = a1n v1 + a2n v2 + amn vm
a1j
a2j
C
las componentes de la matriz mat T (uj ) = .. forman la j esima columna de la matriz
.
amj
de coordenadas de la transformacin T, se denota con matC
B T,
a11 a12 . . . a1n

a21 a22 . . . a2n
mat C
.
..
..
..
BT =
..
.
.
.
am1 am2 . . . amn
es decir:
150
Teorema 7.11 Sea T : U V una transformacin lineal y B = {u1 , u2 , . . . , un } una base de U y

C = {v1 , v2 , . . . , vm } una base de V. Entonces:
mat C T (u) = mat C
BT
mat B u
para todo u U.
Demostracin. Sea u U, existen nmeros c1 , c2 , . . . , cn tal que:
u = c1 u1 + c2 u2 + + cn un ,
por tanto:
mat B u =
c1
c2
..
.
cn
por otra parte aplicando la transformacin se encuentra:
T (u) = c1 T (u1 ) + c2 T (u2 ) + + cn T (un ) ,

entonces:
T (u) = c1 (a11 v1 + a21 v2 + am1 vm )
+c2 (a12 v1 + a22 v2 + am2 vm )
+
+cn (a1n v1 + a2n v2 + amn vm )
reordenando respecto a los vectores vi se encuentra:
T (u) = (a11 c1 + a12 c2 + a1n cn ) v1
+ (a21 c1 + a22 c2 + a2n cn ) v2
+
+ (am1 c1 + am2 c2 + amn cn ) vm
por tanto:
mat C T (u) =
a11 c1 + a12 c2 + a1n cn

a21 c1 + a22 c2 + a2n cn
..
.
am1 c1 + am2 c2 + amn cn
a11 a12 . . . a1n
a21 a22 . . . a2n
..
..
..
..
.
.
.
.
am1 am2 . . . amn
mat C
BT
mat B u .
c1
c2
..
.
cm
151
Ejemplo 7.13 Considere la transformacin lineal T : R3 R2 denida por

x
x+y
T
y =
.
y+z
z

1
1
0
Sean B = u1 =
0 , u2 =
0
, u3 =
1 ,C =
1
1
0
de R3 y R2 respectivamente.
(a) Calcular matC
BT
v1 =
2
5
, v2 =
1
3
bases
2
(b) Empleando el teorema 7.11 (pg. 150) calcular matC T (u) , donde u = 1 .
1
C
(c) Calcular mat T (u) directamente.
Solucin. (a) Clculo de la primera columna: Se calcula matC T (u1 ), las componentes de ste
vector son las soluciones del sistema:
x1 v1 + x2 v2 = T (u1 )
as se plantea el sistema:
2 1
5 3
x1
x2
1+0
0+1
x1
2
2
=
, luego matC T (u1 ) =
.
x2
3
3
Clculo de la segunda columna: Se calcula matC T (u2 ), las componentes de ste vector son las
soluciones del sistema:
x1 v1 + x2 v2 = T (u2 )
2 1
5 3
x1
x2
1+0
0 + (1)
4
4
x1
=
.
x2
7
7
Clculo de la tercera columna: Se calcula matC T (u3 ), las componentes de ste vector son las
soluciones del sistema:
x1 v1 + x2 v2 = T (u3 )
2 1
5 3
De lo anterior se deduce:
x1
x2
2
3
mat C
BT =
x1
x2
0+1
1+0

2
4
2
3 7 3
2
3
152
Solucin (b) Empleando el teorema mencionado slo es necesario calcular matB u, las componentes de ste vector son las soluciones del sistema:
x1 u1 + x2 u2 + x3 u3 = u,
es decir:
1
1
0
0
1 1
1
2
x1
3
resolviendo se encuentra: x2 =
2
x3
1
2
0
x1
1 x2 = 1
1
0
x3
, por tanto: matB u =
mat C T (u) =
mat C
BT
mat B u
2
4
2
3 7 3
9
15
1
2
3
2
1
2
3
2
, por tanto:
Solucin (c). Se encuentra resolviendo el sistema

x1 v1 + x2 v2 = T (u) =
de donde:
resolviendo se encuentra
2 1
5 3
x1
x2
x1
x2
=
es decir:
mat C T (u) =
3
0
3
0
9
15
9
15
En los siguientes ejercicios, determinar, si es posible, matC
B T.
2x y
x
1. T : R2 R3 , T
= x 3y
y
3x + y

1
1
1
3
1
0 , 1 , 1
B=
,
, C=
2
1
1
1
1
determinar tambin matC T (u) , u =
2
1
7.6.3
2x y
x 3y
B=
3
1
x
y
2. T : R2 R2 , T
153
5
2
, C=
2
3
2
3
Cambio de base
Teorema 7.12 Sea T : V W una transformacin lineal. Sean B, B bases de V y C, C bases de

W, entonces:
C
mat C
mat C
mat B
BT
B T = mat C IW
B IV
donde IW e IV son las aplicaciones identidad en W y V.
Ejemplo 7.14 Considere la transformacin T : R2 R3 , denida por
xy
x
T
= x + 2y
y
x+y

1
0
0
1
0
, e2 =
, C = f1 = 0 , f2 = 1 , f3 = 0 bases
Sean B = e1 =
0
1
0
0
1
de R2 y R3 respectivamente. La matriz de coordenadas de T relativo a estas bases es:
1 1
1
2
mat C
BT =
1
1

1
1
1
3
4
Sean B = e1 =
, e2
y C = f1 =
1 , f2 =
1 , f3 =
0 nuevas
2
3
1
0
0
bases de R2 y R3 , calcularemos matC

B T empleando el resultado:
C
mat C
B T = mat C IW
mat C
BT
mat B
B IV
3
Clculo de matC
C IW . (aqu W = R ). Primera columna:

1
1 1
x1
1
1 1 0 x2 = 0
1
0 0
x3
0
0
resolviendo se encuentra el vector : 0 .
1
Segunda columna:

1
1 1
x1
0
1 1 0 x2 = 1
1
0 0
x3
0
154
0
cuya solucin es: 1 .
1
Tercera columna:
0
1
1 1
x1
1 1 0 x2 = 0
x3
1
1
0 0
1
resolviendo se encuentra la solucin: 1 .
2
De lo anterior se sigue que
mat C
C IW
0
0
1
= 0 1
1
1
1 2
I (aqu V = R2 ) Primera columna:

Clculo de matB
B V
1 0
0 1
x1
x2
3
2
x1
x2
3
2
es claro que la solucin es:

x1
x2
Segunda columna:
1 0
0 1
la solucin es
x1
x2
3
2
4
3
, por tanto:
mat B
B IV =
3 4
2 3
Finalmente:
mat C
B T
mat C
mat C
mat B
BT
C IW
B IV
0
0
1
1 1
1 1
2
= 0 1
1
1 2
1
1
5
7
4
5
=
8 11
=
3 4
2 3
7.7. OPERADORES LINEALES
155
En los siguientes problemas, determinar matC

B T con la frmula:
C
mat
T = mat IW
mat T
B
mat
IV
1.
B=
B =
e1 =
e1 =
1
0
3
2
13 19
Sol. 0
1
7 10
, e2 =
4
3
, e2
x 2y
x
T
= 2x
y
3x + y
1
0
0
, C = f1 = 0 , f2 = 1
1
0
0
1
1
, C = f1 = 1 , f2 = 1
3
2
0
, f3 = 0
2
, f3 = 1
C
2. Determinar matC
B T y matB T si:
x 2y
T (x, y) = 2x
xy
1
0
1
1
1
, e2 =
, C = f1 = 0 , f2 = 1 , f3 = 0
B = e1 =
1
1
1
1
1
1
1
2
4
3
B = e1 =
, e2
, C = f1 = 1 , f2 = 1 , f3 = 1
3
2
3
2
4
3
2 32
3 5
10 13
Sol. matC
2
B T = 2
, matB T =
7 10
3
12
2
7.7
Operadores lineales
Un operador lineal es una transformacin lineal de un espacio vectorial en s mismo, es decir es una
transformacin lineal de la forma T : V V. Es claro que todo lo aplicado a transformaciones se
aplica a operadores. En esta seccin nos interesa discutir la diagonalizacin de un operador lineal.
Sea T : V V un operador, donde V es de dimensin n, sea B una base de V y sea A = matB
B T,
sea B una nueva base de V tal que matB

T
es
diagonal,
en
estas
condiciones
se
dir
que
T
es
B
diagonalizable. Antes de ver las condiciones bajo las cuales un operador es diagonalizable, notemos
que:
156
Teorema 7.13
mat B
B IV
mat B
B IV = I,
aqu I la matriz identidad en Mn,n .
B
1 .
Por tanto si matB
B IV = P, entonces matB IV = P
Empleando el teorema 7.12 se encuentra
1
mat B
AP
B T = P
esto signica que T es diagonalizable si es posible encontrar una base B formada por autovectores
de A.
Ejemplo 7.15 Sea T : R3 R3 , denida por:

x
x 2y z
T y = 2x 2y 2z
z
6x + 12y + 8z
con la base cannica B = {e1 , e2 , e3 }, la matriz de la
mat B
T
=
2
B
6
transformacin es:
2 1
2 2
12
8
los autovalores y autovectores se muestran en la siguiente tabla

Autovalor
3
Autovectores
asociados
1
2
6
1
2
0 , 1
1
0
as la base que diagonaliza, la transformacin lineal es:
1
1
2
B = 2 , 0 , 1
6
1
0
Determinar bases que diagonalizan, si fuera posible, la transformacin lineal dada.

x
x+y+z
1. T y = 2x z , Sol. No existe.
z
2x + 2y + 3z

x
x+y+z
0
1
1
, Sol. Una base es 1 , 1 , 0
2. T y =
z
z
2y + 3z
2
1
0
7.8. LA GEOMETRA DE LAS TRANSFORMACIONES
7.8
157
La geometra de las transformaciones
7.8.1
Transformaciones lineales
Considrese la transformacin lineal:

x
y
x + 2y
xy
y el cuadrado de vrtices (0, 0) , (1, 0) , (1, 1) y (0, 1) . T transforma el cuadrado en el paralelogramo

de vrtices(0, 0) , (1, 1) , (3, 0) y (2, 1) .
7.8.2
La transformacin rotacin
La matriz de rotacin para el plano R2 se dene por:

R () =
cos sin
sin
cos
Propiedades. La matriz de rotacin tiene las siguientes propiedades:

1. Es ortogonal, esto es R () es invertible, ms an la inversa es su transpuesta.
x
y
2. El resultado de R () por
en sentido positivo.
x
y
es una rotacin del punto
en un ngulo de radianes
En base a esta matriz denimos la transformacin: T : R2 R2 por:

T
La norma euclidiana de T
.
.
.T
.
x
y
x
y
x
y
cos sin
sin
cos
x
y
resulta ser:
.
.
.
.
. cos sin
.
x
. = .
.
. sin
.
cos
y .
cos sin
x
=
sin
cos
y
t
x
cos sin
=
y
sin
cos
t
x
x
=
y
y
.
.
. x .
.
= .
. y .
por tanto la transformacin T preserva la norma.
cos sin
sin
cos
cos sin
sin
cos
x
y
x
y
158
Ejemplo 7.16 Si se quiere hacer una rotacin de 300 , la transformacin ser:

T
x
y
cos /6 sin /6
sin /6
cos /6
1
1
2 3x
2 y
1
1
2 x + 2 3y
=
=
As, el punto
1
1
x
y
se transforma en:
1
1
2
1.8
1.6
1.4
1
2
1
2
1
2
1
2
3 1
3+1
( 3 1)
( 3 + 1)
1.2
1

1
1
0.8
0.6
30 0
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1
1.
1.
1.4 1.6
2
8
Programa en MatLab
El siguiente programa rota cada punto del cuadrado de vrtices (0, 0) , (0, 1) , (1, 1) y (0, 1) un ngulo
de .
___________________________________________________
function rotacion(theta)
%Transforma el cuadrado de vrtices (0,0),(0,1),(1,1),(1,0)
%en un cuadrado rotado un ngulo theta mediante la transformacin
% T(x,y)=R(theta)*(x,y) donde R(theta) es la matriz de rotacin
subplot(2,2,1)
hold on
subplot(2,2,2)
hold on
paso=0.01;
for x=0:paso:1
[u,v]=F(x,0,theta);
subplot(2,2,1)
plot(x,0,.r)
subplot(2,2,2)
plot(u,v,.r)
end
7.8. LA GEOMETRA DE LAS TRANSFORMACIONES

for y=0:paso:1
[u,v]=F(1,y,theta);
subplot(2,2,1)
plot(1,y,.g)
subplot(2,2,2)
plot(u,v,.g)
end
for x=1:-paso:0
[u,v]=F(x,1,theta);
subplot(2,2,1)
plot(x,1,.b)
subplot(2,2,2)
plot(u,v,.b)
end
for y=1:-paso:0
[u,v]=F(0,y,theta);
subplot(2,2,1)
plot(0,y,.y)
subplot(2,2,2)
plot(u,v,.y)
end
subplot(2,2,1)
axis equal
subplot(2,2,2)
axis equal
%Calcula el punto con la rotacion theta
function [u,v]=F(x,y,theta)
matriz_rotacion=[cos(theta) -sin(theta);sin(theta) cos(theta)];
z=matriz_rotacion*[x y];
u=z(1); v=z(2);
___________________________________________________
159
160
7.8.3
Transformaciones no lineales
Las transformaciones lineales tienen la propiedad de preservar las guras, por ejemplo cuadrilteros
en cuadrilteros, esto no ocurre con las transformaciones no lineales, por ejemplo considrese la
transformacin:
x
xy
T
=
y
x2 y 2
___________________________________________________
function Tran_no_lin
%Transforma el segmento que va de (1,-1) a (2,5)
%mediante una transformacin no lineal dado por:
% u=x-y, v=x^2-y^2
subplot(2,2,1)
hold on
subplot(2,2,2)
hold on
paso=0.01;
for t=0:paso:1;
x=1+t; y=-1+6*t;
[u,v]=F(x,y);
subplot(2,2,1)
plot(x,y,.r)
subplot(2,2,2)
plot(u,v,.r)
end
subplot(2,2,1)
axis equal
subplot(2,2,2)
axis equal
%Calcula el punto (u,v)
function [u,v]=F(x,y)
u=x-y;
v=x^2-y^2;
___________________________________________________
Captulo 8
Actualmente la factorizacin matricial se ha convertido en una herramienta til para resolver algunos
problemas como familias de sistemas como Ax = b, en donde b es jo y A puede cambiar. Tambin
la factorizacin se puede emplear en el clculo de autovalores de una matriz. En este captulo
nos dedicamos a estudiar un tipo de factorizacin basada en la reduccin de Gauss. Existen otras
factorizaciones como la factorizacin QR que cae fuera del alcance de los objetivos de este texto.
8.1
Matrices elementales
Denicin 8.1 Una matriz elemental en Mn,n es una matriz de
1 0
0
0 0
0 1
0
0 0
.. .. . .
.. ..
.
..
. .
.
. .
0
0
0
1
0
0
Ek =
0 0 dk+1,k
1 0
.. ..
..
.. . .
. .
.
.
.
0 0 dn,k 0
la forma:
0
0
..
.
..
.
1
Observe que Ek es igual a la matriz identidad excepto en las entradas Ek (k + 1, k) , . . . , Ek (n, k) .

Observe tambin que una matriz elemental tiene la forma:
Ek = I + k etk
donde I es la matriz identidad en Mn,n y:
k = (0, . . . , 0, dk+1,k , . . . , dn,k )t
y ek es el k-simo vector cannico. Ms an obsrvese que eti k = 0 para i = 1, . . . , k.
Ejemplo 8.1
1
0 0
0
1 0
E2 =
0 5 1
0
2 0
161
0
0
= I + 2 et2
0
1
162
CAPTULO 8.
Aqu:
0
0
0
1
2 =
5 , e2 = 0
2
0
es inmediato comprobar que et1 2 = 0 y et2 2 = 0.
FACTORIZACIN LU Y LR
1. Probar que eti k = 0 para i = 1, . . . , k.
2. Es el producto de matrices elementales una matriz elemental?. Justicar su respuesta.
3. Es el suma de matrices elementales una matriz elemental?. Justicar su respuesta.
8.2
La inversa de una matriz elemental
La inversa de la matriz elemental E = I + k etk es

E 1 = I k etk ,
en efecto:
I + k etk
I k etk
= I k etk + k etk k etk

= I k etk k etk
= I
k etk
Similarmente se prueba
I k etk
I + k etk = I
(Observemos que etk k = 0).

Lo anterior muestra que la inversa de una matriz elemental se consigue cambiando de signo las
componentes del vector k .
Ejemplo 8.2
claramente:
1
0 0
0
1 0
E2 =
0 5 1
0
2 0
1
0 0
0
1 0
0 5 1
0
2 0
0
0
,
0
1
1
0
0
0
1
0
5
0 0
1
0 2
E21
0
0
1
0
1
0
0
1
=
0
5
0 2

0
1
0
0
=
0 0
1
0
0
0
0
1
0
0
1
0
0
1
0
0
0
0
1
0
0
0
0
1
8.3. LA MATRIZ ELEMENTAL COMO ANIQUILADOR
8.3
163
La matriz elemental como aniquilador
Las matrices elementales se usan para triangularizar matrices, iniciamos esta seccin con el siguiente
resultado.
8.3.1
Aniquilacin bajo la primera entrada
Teorema 8.2 Dado el vector columna
u=
u1
u2
..
.
un
con u1 = 0, existe una matriz elemental E tal que Eu = u1 e1 .

Demostracin. Motivado por las operaciones
denimos:
1
0 0
u2 1 0
u
u1
3 0 1
E=
u1
.
.. ..
..
. .
u
n
0 0
u1
u1
0
es inmediato probar que Eu = u1 e1 = . .

.
.
0
Denicin 8.3 Los nmeros di1 =
8.3.2
elementales de la reduccin de gauss
0
0
..
. 0
ui
, i = 2, . . . , n se llaman multiplicadores.
u1
Aniquilador general
Teorema 8.4 Dado el vector columna
u1
..
.
uk
u=
uk+1
..
.
un
con uk = 0, existe una matriz elemental E tal que aniquila las entradas bajo uk , es decir, las ltimas
n k entradas de u.
164
CAPTULO 8.
Demostracin. Por el teorema previo, la matriz de aniquilacin de las entradas bajo

uk en el vector
uk
uk+1
v= .
..
un
es
F =
donde djk =
1 0 0
dk+1,k 1 0
.. .. . .
.. Mnk+1,nk+1
.
. .
.
dn,k 0 1
uj
. Denimos
uk
E=
I 0
0 F
Mn,n
donde I es la matriz identidad en Mk1 . Claramente:
Eu =
I 0
0 F
u1
..
uk1
v
u1
.
..

uk

=

0
..
.
0
Ejemplo 8.3 Hallar la matriz de aniquilacin que aniquile los ltimos 2 trminos de u = (1, 2, 3, 4, 5)t
Solucin. La matriz de aniquilacin para
vector (3, 4, 5)t es
1
4

3
5
aniquilar las entradas bajo la primera en el

0 0
1 0
0 1
por tanto, aadiendo la matriz identidad en M2,2 se encuentra la matriz
E=
1 0
0 1
0 0
0
0
1
4
0 0
3
5
0 0
3
0 0
0 0
0 0
1 0
0 1
8.4. FACTORIZACIN LU
fcilmente podemos vericar que:
1 0
0
0 1
0
0 0
1
Eu =
4
0 0
5
0 0
3
165
0 0
1
0 0

2
0 0
3 =
1 0
5
0 1
1
2
3
0
0
1. Hallar una matriz de aniquilacin E tal que Eu = 5e1 donde u = (5, 1, 4, 2)t .
2. Hallar una matriz de aniquilacin E tal que Eu = (u1 , u2 , 0, . . . , 0)t donde u = (u1 , u2 , . . . , un )t .
3. Hallar una matriz de aniquilacin E que aniquile los ltimos 3 trminos del vector:
u=
8.4
6
5
4
3
2
1
Factorizacin LU
8.4.1
El algoritmo de Gauss en la factorizacin
Sea A Mm,n . Supngase que en el proceso de triangularizacin de Gauss no se requiere intercambios

de la. Triangularizamos A mediante la siguiente sucesin de pasos:
Paso 1. Sea A1 la primera columna de A tal que su primera entrada es no nula. Existe una matriz
elemental E1 que aniquila las entradas bajo la primera entrada del vector A1 , entonces las
propiedades del producto de matrices permiten probar que E1 A tiene la forma:
a11
0
E1 A = .. .. . .
..
. .
. .
0
aqu, los asteriscos muestran las entradas que no necesariamente son ceros.
Paso 2. Sea A2 la segunda columna de E 1 A tal que su segunda entrada en no nula. Existe una
matriz elemental E2 que aniquila las entradas bajo la segunda entrada del vector A2 , se puede
166
CAPTULO 8.
probar que:
E 2E 1A =
a11
0 a22
0
0
..
..
.
.
0
0
..
..
. .

..
.
siguendo de esta manera, y asumiendo que las entradas ajj necesarios para la aniquilacin son
no nulos, en el paso k, k < n se tendr:
Ek Ek1 E2 E1 A = U,
donde U es una matriz triangular superior. Denimos L1 = Ek Ek1 E2 E1 , entonces de la
anterior igualdad:
A = LU,
esta es la llamada factorizacin LU.
En la siguiente seccin veremos la forma prctica de calcular la matriz L sin necesidad de realizar
el producto de matrices elementales y luego calcular su inversa.
8.4.2
Clculo de la matriz L
Para jar ideas, empezamos la discusin con n = 3, cuando A M3,3 , la forma de L es: L =
(E2 E1 )1 . Sean d21 , d31 los multiplicadores empleados en el primer paso y d32 el multiplicador del
segundo paso. Denimos:
0
0
1 = d21 , 2 = 0 ,
d32
d31
por tanto las matrices elementales son:
E1 = I + 1 eT1 ,
E2 = I + 2 et2
luego:
L = (E2 E1 )1
= E11 E21
=
I 1 et1
I 2 et2
es decir:
1
0 0
1
0
0
L = d21 1 0 0
1
0
d31 0 1
0 d32 1
1
0
0
=
d21
1
0
d31 d32 1
167
As la matriz L est formada por los multiplicadores del proceso de aniquilacin de Gauss con
signo cambiado y en el lugar correspondiente.En general para matrices en Mn,n la matriz L tiene la
siguiente forma:
1
0
0
0
d21
1
0
0
d31
0
0
32
L=
..
..
..
..
..
.
.
.
.
.
dn1,1 dn1,2
1
0
dn1
dn2
dn,n1 1
donde los nmeros dij son los multiplicadores que permiten triangularizar la matriz A.
Ejemplo 8.4 Considrese la matriz
2
4 1
A = 1
5 2
1 2
1
Calcular matrices L y U tales que A = LU.
Solucin. Procedemos con la eliminacin gausiana sin pivote.
2
4 1
2
4
1
A = 1
5 2
0
7 5/2
F21(1/2)
1 2
1 F
0 4
3/2 F
31(1/2)
32(4/7)
2 4
1
0 7 5/2 = U
0 0 1/14
1
1
Los multiplicadores de la matriz elemental E1 son y
2
2
la matriz L es
1
0
1
L = 1/2
1/2 4/7
Un clculo directo muestra que:
LU
1
0
= 1/2
1
1/2 4/7
2
4 1
= 1 5 2
1 2 1
Ejemplo 8.5 Considrese la siguiente matriz
. El multiplicador de E2 es
0
0
1
0
2 4
1
0 0 7 5/2
1
0 0 1/14
=A
1 1 2 1
2
1 2 1
A=
2
1 1 1
1
1 5 3
4
, por tanto
7
168
CAPTULO 8.
realizando operaciones elementales de la se tiene:
1
1 1 2 1
0
2
1
2
1
A =
0
2
1 1 1 F21(2)
F31(2)
0
1
1 5 3 F
41(1)
1 1 2 1
1
0 1 6 3
0
0
0
0 15 8
0
0 15 8 F
0
43(1)
Luego
1
0 0
2
1 0
L=
2 3 1
1 2 1
Claramente:
A = LU
1
0 0
2
1 0
=
2 3 1
1 2 1
1
2
1
1
6
3
3 3 1
2
3
2 FF32(3)
42(2)
1 2 1
1 6 3
=U
0 15 8
0 0 0
0
0
0
1
0
1 1 2 1
0 1 6 3
0
0 0
0 15 8
1
0
0 0 0
Observacin importante. Observemos que el rango de A es 3, esto permite escribir A = L0 U0 ,

donde:
1
0 0
1 1 2 1
2
1
0
0 1 6 3
L0 =
2 3 1 U0 =
0
0 15 8
1 2 1
en general para A Mm,n con rango (A) = r, la matriz A se factoriza como A = LU, donde L Mm,r
y U Mr,n
8.4.3
Forma prctica de la construccin de L
Puesto que L se construye con los multiplicadores, se puede llevar un registro de estos multiplicadores
simultneamente a la triangularizacin tomando en cuenta que el multiplicador dij se convierte en
dij (y en la posicin i, j) en la matriz L. Esta tcnica se emplear tambin en la siguiente seccin.
Ejemplo 8.6 Considrese la siguiente matriz
1 1 2 1
2
1 2 1
A=
2
1 1 1
1
1 5 3
169
realizando operaciones elementales de la se tiene:
1 1
2
1
2 1
6
3
F 21(2) 2
3 3 1
F 31(2)
1
2
3
2 FF 32(3)
F 41(1)
42(2)
1
1 1
2
1
2 1
3
6
3
1
2 3 3 1
2 F 43(1)
1 2
1
2
1 1 2 1
2
1 2 1
A =
2
1 1 1
1
1 5 3
1 1
2
2 1
6

2 3 3
1 2
3
La matriz L0 tiene unos en la diagonal principal, ceros arriba de la diagonal y por debajo de la
diagonal se construye con la parte diagonal inferior de la ltima matriz encontrada (en negrillas).
La matriz U0 se contruye con la parte triangular superior de la ltima matriz encontrada.
1
0 0
2
1 0
L=
2 3 1
1 2 1
0
1 1
2
1
0 1
0
6
3
, U =
0
0
0 3 1
1
0
0
0
2
Claramente:
A = LU
1
0 0
2
1 0
=
2 3 1
1 2 1
0
1 1 2 1
0 1 6 3
0
0 0
0 15 8
1
0
0 0 0
1. Factorizar
Sol.:
1
1
A=
1
1
1
0
0
1
1
0
A=
1
0
1
1 1/2 2
2
2
2
0
1
1
0
2
1
0
1
1
0
1 2
1
1
0 4
0
2
1
0 0 0 1
0
1
0 0
0 3/2
170
CAPTULO 8.
8.5
8.5.1
Factorizacin LR
Matrices de permutacin
Denicin 8.5 (Matriz de permutacin) Una matriz de permutacin es aquella matriz cuadrada
que se obtiene de la identidad mediante un nmero nito de cambios de la. Ntese que la matriz
identidad misma es una matriz de permutacin.
Propiedades de la matriz de permutacin.
Una matriz de permutacin es ortogonal, luego si P es ortogonal entonces P 1 = P t .
Ejemplo 8.7
0
1
P =
0
0
0
0
0
1
1
0
0
0
0
0
,
1
0
P 1
0
= Pt =
1
0
1
0
0
0
0
0
0
1
0
1
0
0
Sea P una matriz de permutacin y B la matriz obtenida de una matriz A mediante las mismas
operaciones elementales de la aplicadas para obtener P desde la matriz identidad, entonces:
B = P A.
Notacin prctica para matrices de permutacin
Sea ei el vector la con la unidad en su i-sima coordenada y ceros en las dems, entonces la
matriz identidad I Mn,n se escribir como
y una matriz de permutacin como:
I=
P =
e1
e2
..
.
en
ei1
ei2
..
.
ein
donde i1 , i2 , . . . , in es una permutacin del conjunto 1, 2, . . . , n, ms an prescindiendo de la letra e,

la matriz de permutacin P se puede escribir como:
P =
i1
i2
..
.
in
al vector de la derecha se llamar vector de ndices.
8.5. FACTORIZACIN LR
171
0
1
P =
0
0
entonces P se puede representar como:
8.5.2
0
0
0
1
1
0
0
0
0
0
1
0
3
1
P =
4
2
Factorizacin con el algoritmo de Gauss con pivote
Considrese una matriz A Mm,n de rango r. Para triangularizar A aplicaremos el algoritmo de

reduccin de Gauss con pivote, como se sabe, este algoritmo en general requiere cambios de la
Supngase que se realizan de inicio todos los cambios de la necesarios, as podemos suponer la
existencia de una matriz de permutacin P tal que en P A no sern necesarios los cambios de la al
triangularizar la matriz. Con s = min {m 1, r, n}, existen s matrices elementales E1 , . . . , Es tales
que
R = Es Es1 E1 (P A)
es una matriz escalonada con sus r primeras lan no nulas y las restantes iguales a cero. Procediendo
como es usual, haciendo L = (Es Es1 E1 )1 se encuentra:
P A = LR
donde L tiene la siguiente forma:
1
0
d21
1
..
..
.
.
ds2
L = ds1
ds+1,1 ds+1,2
ds+2,1 ds+2,1
..
..
.
.
dm1
dm2
8.5.3
..
..
.
.
..
.
1
ds+1,s
ds+2,s
..
..
.
.
dm,s
0
0
..
.
0
1
0
..
.
0
0
0
..
.
0 0
0 0
1 0
.. . . ..
.
.
.
1
0
0
..
.
Sobre la construccin de la matriz L y P
La matriz L se construir como en el caso de la factorizacin LU salvo que el el caso de cambios de

la los multiplicadores tambin se intercambian. Por otra parte para la construccin de la matriz
de permutacin P se inicia con el vector

1
2

i = ..
.
n
172
CAPTULO 8.
que representa a la matriz identidad, en cada cambio de la del algoritmo de Gauss, este vector
tambin cambia con la misma operacion elemental. El ltimo vector i que se tiene permite contruir
la matriz P.
Ejemplo 8.9 Considrese la siguiente triangularizacin
2 4 2 0
4
0 16 8
A = 1
2
4 4
1
2
4 4
2 4 2 0 FF21(1/4)
4
0 16 8 F
13
31(1/2)
4
0 16 8
4
0 16 8
2 0 2
1/4
1/2 4 6 4
1/2 4 6 4 F
1/4
2 0 2 F
23
32(1/2)
4
0 16 8
4 6 4
1/2
1/4 1/2 3 4
Por las consideraciones anteriores
1
0 0
4
0 16 8
L = 1/2
1 0 , R = 0 4 6 4
1/4 1/2 1
0
0 3 4
Como se han realizado las operaciones elementales de cambio

vector de ndices cambia del siguiente modo:

1
3
i= 2 2
3 F
1 F
13
por tanto la matriz P es:
se observa:
1
0
LR =
1/2
1
1/4 1/2
0 0 1
PA = 1 0 0
0 1 0
tal como se esperaba.
23
de la F13 y F23 (en ese orden) el
3
1
2
0 0 1
P = 1 0 0
0 1 0

0
4
0 16 8
4
0
0 4 6 4
=
2
1
0
0 3 4
1

2 4 2 0
4
0
1
2
4 4 = 2 4
4
0 16 8
1
2
Ejemplo 8.10 Consideremos ahora la matriz
0
2 1
4
0
0
A=
4 6 3
4 4 4
0
1
2
2
1
2
1
2
0 16 8
4 2 0
2
4 4
16 8
2 0
4 4
8.5. FACTORIZACIN LR
173
procedemos a la triangularizacin.
0
2 1 0
4
0
0 1
A =
4 6 3 2
4 4 4 2
4
0
0 1
0
2
1
0

1 6 3 3
1 4 4 3
4
0
0
1
6 3

0 1/3 2
1
2/3 2
por tanto
1
0 0
1
1 0
L=
0 1/3 1
1
2/3 1
1
2 F
12
3
4 F
23
1 2
3 3
1 2
1 2 F
43(1)
1
0
2
2
4
0
1 6
0
2
1 4
4
1
0
1
1
3
0
3
0
3
1
4
0
6
1/3
2/3
2
1
1 F21(0)
2 FF31(1)
41(1)
2
3
1
4 FF32(1/3)
42(2/3)
0 1 2
3 3 3
2 1 2
1 0 0
0
4
0
0 1
0 6 3 3
0
R=
0
0
0 2 1
1
0
0
0 0
el vector de ndices tiene la siguiente variacin:

1
2

i=
3
4 F
12
luego la matriz de permutacin es:
se puede probar que: P A = LR.
4
0
0
0
2 1
4 6 3
4 4 4
0
0
P =
1
0
2
1
3
4 F
1
0
0
0
23
0
1
0
0
2
3
2
0
2
3
1
4
0
0
0
1
1. Factorizar:
2 2
1
A = 5 1
1
2 1 1
0 1 0
1
0 0
5
1
1
Sol. P = 1 0 0 , L = 2/5
1 0 , R = 0 8/5
3/5
0 0 1
2/5 3/8 1
0
0 13/8
174
CAPTULO 8.
2. Factorizar:
Sol.
1
1
A=
1
1
1
0
P =
0
0
0
1
0
0
1
0
1
1
0
1 2 1
1
0
0 4 2
1
, R
0 0 2 3/2
0
1
0 0 0 3/4
0
1
P =
0
0
0
1 1
1
2
1
1
1
A=
1 1
1 1
1
1
1
1
1
0
0
0
0
1
0 0
0
0
1 0
, L=
1/2 1/2 1
0
1
1/2
1/2 1
0
0
1
0
4. Factorizar:
Sol.
8.6
1
1
0
2
0
1
0
0
0
1
1
0
,L=
1 1/2
1
1
0
1
0 1/2
0
0
0
1
3. Factorizar:
Sol.
2
2
2
0
0
1
P =
0
0
1
2
A=
3
4
0
0
0
1
0
0
1
0
2
3
4
5
1
1
1
0
43
,
L
=
0
4
1
0
2
1
2
3
4
2
3
4
5
2 1
1 1
, R = 0 1 1 1
0 0
1 0
1
2
3
4
0
1
1 ,R =
3
2
3
4
0
5 4
3
4 0
5 4
3
4 0
La factorizacin y la solucin de sistemas lineales
8.6.1
Factorizacin LU
La factorizacin LU, puede utilizarse para resolver un sistema Ax = b, donde A Mn,n es invertible.
Si A = LU, el sistema a resolver es LUx = b. Esto origina el siguiente proceso:
Paso 1. Se asigna
z = Ux,
as se tiene el sistema triangular Lz = b
Paso 2. Se resuelve
Lz = b,
el resultado se reemplaza en la ecuacin del paso 1 y se resuelve el sistema triangular
Ux = z,
8.6. LA FACTORIZACIN Y LA SOLUCIN DE SISTEMAS LINEALES
175
es claro que el vector x calculado es solucin del sistema Ax = b.

Observacin. El mtodo LU, permite resolver el sistema Ax = b resolviendo dos sistemas
triangulares. La ventaja de ste mtodo, es cuando se deben resolver varios sistemas de la forma
Ax = b, en donde solamente varia el vector b, en esos casos la descomposicin se realiza una sola
vez, obtenindose rpidamente las soluciones.
10
1 5 1
x1
2 3
2 x2 = 21
5
1 2
0
x3
Solucin. Anteriormente se ha encontrado que
1 5 1
1
0 0
1
5 1
A= 2 3
2 = 2
1 0 0 7
4 = LU
1 2
0
1 1 1
0
0
3
Paso 1. Se asigna Ux = z y se resuelve el sistema
Lz = b,
esto es,
1
0 0
z1
10
2
1 0 z2 = 21
1 1 1
5
z3
resolviendo por sustitucin directa se encuentra
10
z= 1
6
Paso 2. Ahora resolvemos el sistema
Ux = z,
esto es,
1
5 1
x1
10
0 7
4 x2 = 1
0
0
3
x3
6
resolviendo por sustitucin inversa, encontramos
7
1 .
2
176
CAPTULO 8.
8.6.2
Factorizacin LR
Si se tiene P A = LR, entonces el sistema Ax = b puede resolverse de la siguiente forma:

1. Multiplicando a la igualdad por P se tiene:
P Ax = P b,
entonces LRx = P b.
2. El sistema LRx = P b se resuelve con la tcnica anterior.
Ejemplo 8.12 Resolver el sistema Ax = b siguiente:
0 1 2
x1
13
1 1 2 x2 = 15
x3
26
2
1 3
Solucin. Factorizando A se tiene:
P A = LR
donde:
Se resuelve
0 0 1
1
0 0
2
1
3
P = 0 1 0 , L = 1/2
1 0 , R = 0 3/2 1/2
1 0 0
0 2/3 1
0
0 5/3
LRx = P b,
es decir
1
0 0
2
1
3
x1
26
1/2
1 0 0 3/2 1/2 x2 = 15
0 2/3 1
0
0 5/3
x3
13
Sea z = Rx, as se tiene: Lz = P b, esto es,
26
1
0 0
z1
1/2
1 0 z2 = 15
z3
13
0 2/3 1
resolviendo:
26
z= 2
Ahora se resuelve: Rx = z,
35
3
resolviendo:
26
2
1
3
x1
0 3/2 1/2 x2 = 2
35
0
0 5/3
x3
3
2
x= 1
7
8.7. LA FACTORIZACIN Y EL CLCULO DE AUTOVALORES
177
1. (a) Resolver el sistema
usando el mtodo LU.
2
0 5 1
x1
2 3
2 x2 = 21
1 2
4
x3
28
2
(b) Resolver el sistema anterior con el mtodo LR. Sol. 1
7
2. Resolver el siguiente sistema para a = 1, a = 2 y a = 1

9a 5
2 3 2
x1
2 1 2 x2 = 7a + 1
x3
2a 3
1 1 1
2
3
0
Sol.
2 , 1 , 4
3
5
1
8.7
La factorizacin y el clculo de autovalores
Iniciamos este tema con el siguiente teorema.

Teorema 8.6 Sea A Mn,n y A = P t L R, donde P, L y R son de la factorizacin LR. Se dene
B = R P t L , entonces A y B son semejantes.
Demostracin. Puesto que P y L son invertibles, se encuentra R = P t L
por la derecha por P t L se obtiene:
R P tL = P tL
A, multiplicando
A P tL
puesto que B = R P t L , se tiene: B = P t L

A P t L , es decir A y B son semejantes.
La anterior propiedad motiva la siguiente sucesin de matrices semejantes a la matriz A:
Sea A1 = A, entonces para k = 1, 2, . . .
Ak = Pkt Lk Rk , {Factorizacin LR}
Ak+1 = Rk Pkt Lk ,
8.7.1
Convergencia de esta sucesin
La anterior sucesin de matrices {Ak } converge a
A11
0
lim Ak = .
k
..
0
una matriz triangular de la forma:
A22
..
. . ..
. .
.
0
Amm
En donde cada Aii o es un nmero o una matriz 22, claramente los autovalores de A se encuentran
de la diagonal de la anterior matriz triangular.
178
CAPTULO 8.
Ejemplo 8.13 Consideremos la matriz
Sea A1 = A, la factorizacin LR
1 0 0
P1 = 0 1 0 ,
0 1 0
1.0000000 0.0000000
L1 =
0.2500000 1.0000000
0.2500000 0.7600000
por tanto:
A2 = R1 P1t L1
4 5 6
A = 1 6 12
1 5 11
da:
0.0000000
4.0000000 5.0000000 6.0000000
0.0000000 , R1 = 0.0000000 6.2500000 12.5000000
1.0000000
0.0000000 0.0000000 1.0000001
1.2500000 2.2000000 5.0000000

= 4.6875000 7.7500000 6.2500000
0.2500001 1.0000001
0.0000001
siguiendo con este proceso se encuentran sucesivamente:
8.6666670 5.5468750 6.2500000

A3 = 3.9111111 0.9166668 6.6666670
0.0666667
0.1718750
1.2500001
..
.
5.0000057 19.7055264 16.7676296

A19 = 0.0000007 0.6594791 2.7610657
0.0000003
2.9238024
4.6594734
5.0000029 12.3229637 19.7055264

A20 = 0.0000004
3.9999971 2.9238024
0.0000003 1.7100991 0.0000000
Si se quiere una aproximacin de por lo menos 5 decimales, la anterior matriz puede considerarse
como triangular por bloques. Por tanto los autovalores de A son 5.0000029 y los autovalores de
A22 =
3.9999971 2.9238024
1.7100991 0.0000000
luego, los autovalores buscados son:

1 = 5.0000029
2 = 1.9999986 + 0.9999988 i
3 = 1.9999986 0.9999988 i
Observacin. Los autovalores exactos son: 5, 2 + i, 2 i , se observa que el anterior resultado
es exacto si se toman en cuenta 5 decimales.
Captulo 9
Matrices denida positivas

Las formas cuadrticas aparecen de manera natural en muchas aplicaciones como es el caso de
problemas de mximos y mnimos de funciones a varias variables. En este captulo se estudia el
marco terico de estas formas.
9.1
Formas cuadrticas
Denicin 9.1 (Forma cuadrtica) Una forma cuadrtica en x1 , x2 , . . . , xn es una expresin de la

forma:
n
n
aij xi xj ,
i=1 j=1
claramente una forma cuadrtica es un polinomio de grado dos a n variables.

Ejemplo 9.1
P = 3x21 + 2x1 x2 + 6x22
es una forma cuadrtica en las variables x1 , x2 .
La forma cuadrtica
donde
/n /n
i=1
j=1 aij xi xj
puede escribirse de manera nica como el producto xt Ax,
x1
x2
x= .
..
xn
y A = (aij ) es una nica matriz simtrica.
Ejemplo 9.2 A la forma cuadrtica P = 3x21 + 2x1 x2 + 6x22 est asociada la matriz simtrica
A=
en efecto:
x1 x2
3 1
1 6
3 1
1 6
x1
x2
179
= 3x21 + 2x1 x2 + 6x22
180
CAPTULO 9. MATRICES DEFINIDA POSITIVAS
9.2
Matrices denida positivas
Denicin 9.2 (Matriz denida positiva) Una matriz simtrica A Mn,n es denida positiva si
xt Ax > 0, para todo x Rn no nulo
Ejemplo 9.3 Sea A =

x1 x2
3 2
2 5
3 2
2 5
, entonces
x1
x2
= 3x21 4x1 x2 + 5x22

4
4
4
= 3 x21 x2 x1 + x22 x22 + 5x22
3
9
3
2
= 3 x1 x2
3
> 0
para todo
9.2.1
x1
x2
11 2
x
3 2
no nulo, luego A es denida positiva.
Algunos teoremas sobre matrices denida positivas
Teorema 9.3 Si A es una matriz simtrica denida positiva entonces todos sus autovalores son
positivos.
Demostracin. Sea un autovalor de A asociado al autovector v, entonces Av = v, por tanto:
vt Av = v t v = v
vt Av
> 0, pues el es cociente de dos nmeros positivos (ntese que al ser v un
v 2
autovector, no puede ser nulo).
por tanto =
Teorema 9.4 Si cada autovalor de una matriz A Mn,n simtrica es positivo, entonces A es
denida positiva.
3 2
, la matriz del ejemplo 9.3 . La matriz A es denida positiva,
2 5
sus autovalores son 4 + 5, 4 5, ambos positivos.

Ejemplo 9.4 Sea A =
Teorema 9.5 Si A es una matriz simtrica denida positiva entonces cada entrada aii > 0.
Demostracin. Ejercicio. (Sug. considere el vector unitario ei )
Teorema 9.6 Si A es una matriz denida positiva, entonces lo son tambin At y A1 .
Demostracin.
0 < xt Ax = xt Ax
= xt At x,
por tanto xt At x > 0, esto prueba que At es denida positiva. Por otra parte para todo x no nulo,
si Ay = x, entonces y = A1 x no es nulo, por tanto:
xt A1 x = y t At A1 Ay = y t At y > 0,
esto prueba que A1 es denida positiva.
9.2. MATRICES DEFINIDA POSITIVAS
181
Teorema 9.7 Denimos una submatriz principal a la matriz obtenida con las entradas un menor
principal. Toda submatriz principal de una matriz simtrica A Mn,n denida positiva es denida
positiva.
Demostracin. Sea S un subconjunto propio de {1, 2, . . . , n} , sea M la matriz obtenida de A
eliminando las las y columnas que no se encuentran en S. Sea x Rn tal que tiene ceros en las
entradas que no se encuentran en S. Sea y el vector que queda de x eliminando las entradas que no
se encuentran es S, entonces:
0 < xt Ax = y t My,
al ser y arbitrario no nulo, se prueba que M es denida positiva.
9.2.2
Caracterizacin de una matriz denida positiva
Teorema 9.8 Una matriz simtrica A Mn,n es denida positiva si y solamente todos sus autovalores son positivos.
Demostracin. Si A es denida positiva, entonces sus autovalores deben ser positivos, ver 9.3
pgina 180. Recprocamente supngase que los autovalores de A, 1 , 2 , . . . , n , son todos positivos.
Sea P la matriz ortogonal tal que
P t AP = D = diag (1 , 2 , . . . , n ) ,
entonces para todo x R no nulo:
xt Ax = xt P DP t x
t
= P tx D P tx
= yt Dy
n
i (yi )2 > 0,
=
i=1
esto prueba el teorema.
Denicin 9.9 (Matriz diagonalmente dominante) Una matriz A Mn,n es diagonalmente

dominante si
n
|aii |
j=1
j=i
|aij | , i = 1, 2, . . . n
si se reemplaza por >, A se llama estrictamente diagonalmente dominante.

Teorema 9.10 Sea A Mn,n matriz simtrica estrictamente diagonalmente dominante con cada
aii > 0, entonces A es denida positiva.
Demostracin. Es consecuencia directa del teorema de Gersgorin 6.13 pgina 124.
182
9.3
Matrices denida negativas y semidenidas
Denicin 9.11 (Matriz denida negativa) Una matriz simtrica A Mn,n es denida negativa
si
xt Ax < 0
para todo x Rn no nulo.
Denicin 9.12 (Matriz semidenida positiva) Una matriz simtrica A Mn,n es semidenida
positiva si
xt Ax 0
Denicin 9.13 (Matriz semidenida negativa) Una matriz simtrica A Mn,n es semidenida negativa si
xt Ax 0
Teorema 9.14 Una matriz simtrica A Mn,n es semidenida positiva si y solamente si sus autovalores son no negativos. (es decir existen autovalores nulos y todos los dems positivos)
Teorema 9.15 Una matriz simtrica A es denida negativa si y solamente si A es denida positiva.
Corolario 9.16 Una matriz simtrica A es denida negativa si y solamente si todos sus autovalores
son negativos
Teorema 9.17 Una matriz simtrica A Mn,n es semidenida negativa si y solamente si sus
autovalores son no positivos. (es decir existen autovalores nulos y todos los dems negativos)
Mediante el clculo de autovalores, clasicar las siguientes matrices.
2 1 1.
1. A = 1
4 1 . Sol. Denida positiva
1
1 2
3
0
0 1.
0 4
1
0
Sol. Denida negativa
2. B =
0
1 5
0
1
0
0 3
1 2 3.
3. A = 2 4 5 Sol. No denida ni semidenida
3 5 6
1 0 1
4. C = 0 2 0 Sol. Semidenida positiva
1 0 1
9.4. LA SIGNATURA DE UNA MATRIZ SIMTRICA
9.4
9.4.1
183
La signatura de una matriz simtrica

La denicin de signatura
Denicin 9.18 (Signatura) La signatura de una matriz simtrica A, denotada por sig (A) , es
el par (p, q) , donde p es el nmero de autovalores positivos y q el nmero de autovalores negativos.
Observacin. Se puede probar que rango (A) = p + q.
2
1
3
A = 1 2 1
3 1
2
Esta matriz tiene los siguientes autovalores:
1 = 3
2 = 0
3 = 5
por tanto la signatura de esta matriz es sig (A) = (1, 1) (un autovalor positivo y un autovalor
negativo).
Ejemplo 9.6 Es claro que la signatura de
3 0
0
B= 0 5
0
0 0 1
es sig (B) = (2, 1) (dos autovalores positivos y uno negativo).

La signatura puede calcularse sin necesidad de calcular los autovalores, como se ver en la
siguiente seccin.
9.4.2
Clculo de la signatura con operaciones elementales
Denicin 9.19 (Operaciones elementales simultneas)Si a continuacin de una operacin

elemental de la se realiza la misma operacin de columna, se dir que se a hecho una operacin
elemental simultnea.
Ejemplo 9.7
2
1
3
1 2 1
3 1
2 F
2
1
3
0 52 52
3 1
2 C ( 1 )
21
1
2
21( 2
)
Teorema 9.20 Sea A Mn,n matriz simtrica. Sea D la matriz diagonal obtenida de A aplicando
operaciones elementales simultneas. Entonces: sig (A) = (p, q) donde p es el nmero de entradas
positivas en la diagonal de la matriz D y q el nmero de entradas negativas.
184
Ejemplo 9.8 Considere la matriz del ejemplo 9.5, aplicando operaciones elementales se tiene:
2
1
3
2
1
3
A = 1 2 1
0 52 52
3 1
2 C ( 1 )
3 1
2 F
21
1
2
21( 2
)
2
0
3
2
0
3
5
5
5
5
0 2 2
0 2 2
3 52
2 F
0 52 52 C
3
3
31( 2
31( 2
)
)
2
0
0
2
0
0
0 52 52
0 52 52
0 52 52 F
0
0
0 F
32(1)
32(1)
2
0 0
0 52 0
0
0 0
luego sig (A) = (1, 1) .
Observacin. En una etapa de la reduccin de Gauss, es posible realizar operaciones elementales

de la continuadas y luego sus correspondientes operaciones de columna.
8
2
3
Ejemplo 9.9 Sea: A = 2 3
2 , aplicando operaciones elementales se encuentra:
3
2 8
8
2
3
8
2
3
11
A = 2 3
2 F 1 0 52
C
4
21( 4 )
21( 1
4)
11
55
0
3
2 8 F ( 3 )
3
4
8
C
(
)
31
31
8
8
0
0
8
0
0
5
11
5
11
0 2
0 2
4
4
55
0 11
0
0 77
4
8
20
F
C
32( 11
32( 11
10 )
10 )
8
0
0
0
0 52
77
0
0 20
por tanto sig (A) = (0, 3) .
Observacin. Los autovalores de A son: 11, 7, 1, todos negativos.
9.5
Caracterizacin de matrices simtricas con operaciones elementales
Teorema 9.21 Sea A Mn,n una matriz simtrica. Sea D la matriz diagonal obtenida de A
aplicando operaciones elementales simultneas. Sea sig (A) = (p, q) donde p es el nmero de entradas
positivas y q el nmero de entradas negativas de la diagonal principal de la matriz D. Entonces:
9.6. EL CRITERIO DE SYLVESTER
185
1. Si sig (A) = (n, 0) , entonces A es denida positiva.

2. Si sig (A) = (0, n) , entonces A es denida negativa.
3. Si sig (A) = (p, 0) y p < n, entonces A es semidenida positiva.
4. Si sig (A) = (0, q) y q < n, entonces A es semidenida negativa.
5. Si sig (A) = (p, q) p = 0, q = 0, entonces A no est denida.
Ejemplo 9.10 Sea
4.
2 2
A = 2 4 2
2 2 8
aplicando operaciones elementales simultneas se tiene:
4
2 2
4
2 2
A = 2 4 2
0 3 3
F 21(1/2)
C21(1/2)
2 2 8 F 31(1/2)
0 3 7 C31(1/2)
4
0
0
4
0
0
0 3 3
0 3 3
0 3 7 F 32(1)
0
0 4 C32(1)
4
0
0
0 3
0
0
0 4
por tanto sig (A) = (0, 3) , es decir A es denida negativa.
9.6
El criterio de Sylvester
Este criterio, es otra manera de caracterizacin de matrices simtricas, ahora emplearemos determinantes.
Teorema 9.22 Sea A Mn,n una matriz simtrica. Para cada k, k = 1, 2, . . . , n se dene k como
el determinante de la matriz en Mk,k obtenida con las primeras k las y k columnas de la matriz A,
es decir:
1 = |a11 |
a11 a12
2 =
a21 a22
etc.
entonces:
a11
a21
a31
..
.
a12
a22
a32
..
.
a13
a23
a33
..
.
..
.
a1n
a2n
a3n
..
.
an1
an2
an3
ann
186
1. Si cada k > 0, para k = 1, 2, . . . , n, entonces sig (A) = (n, 0)

2. Si (1)k k > 0, para k = 1, 2, . . . , n, entonces sig (A) = (0, n) , (ntese que en este caso los
signos de los deltas van alternadamente de menos a mas, empezando con el signo menos).
Ejemplo 9.11 Nuevamente considere la matriz A del
8 2
A=
2 3
3
2
entonces:
ejemplo 9.9
3
2
8
1 = |8| = 8
8 2
2 =
= 20
2 3
3 =
8 2
3
2 3 2
3
2 8
= 77
como los signos de los deltas van intercalados y empezando con signo negativo, sig (A) = (0, 3) .
Ejercicio 9.1 Determinar la signatura de las siguientes matrices y clasique las mismas.
9 2 3
1. A = 2 4 2 , Sol. (3, 0)
3 2 9
3 1 3
2. A = 1 8 1 , Sol. (0, 2)
3 1 3
4 2 4
3. A = 2 4
0 , Sol. (3, 0)
4 0
8
8 2
3
4. A = 2 3 2 , Sol. (0, 3)
3
2 8
Captulo 10
Otras aplicaciones del lgebra Lineal

10.1
Cadenas de markov.
10.1.1
Un ejemplo
Considere el siguiente problema hipottico. Un cliente puede comprar el producto A, el producto B

o el producto C. Su siguiente compra est controlada por el producto que actualmente a comprado.
Cada vez que compra un nuevo producto ocurre un paso. Supngase que los productores de los
tres productos tienen la siguiente informacin relativa al comportamiento de los clientes. Esta tabla
muestra la probabilidad de que un cliente que compra un producto actualmente (paso n = 0) pueda
comprar el mismo producto u otro en su siguiente compra (paso n = 1).
Compra actual
Tiene A
Tiene B
Tiene C
Compra A
0.40
0.20
0.25
Siguiente compra
Compra B Compra C
0.30
0.30
0.50
0.30
0.25
0.50
Esta tabla tiene la siguiente interpretacin: La probabilidad de que un cliente que actualmente
compra A, en la siguiente compra comprar A es 0.30, si el cliente tiene C actualmente, en la
siguiente compra, la probabilidad de comprar C nuevamente es 0.50. La matriz formada con estos
nmeros se llama matriz de transicin.
0.40 0.30 0.30

P = 0.20 0.50 0.30
0.25 0.25 0.50
Se denen:
V11 = (0.40, 0.30, 0.30) es el vector de probabilidades para pasar del paso 0 al paso 1 estando en
A
B
C
Ahora se plantea el siguiente:
Problema. Cul es el vector de probabilidades para pasar del paso 0 a paso 2 estando en A, en
B y en C?.
187
188
CAPTULO 10. OTRAS APLICACIONES DEL LGEBRA LINEAL

Se puede probar que
V12 = V1 P
0.40 0.30 0.30

0.20 0.50 0.30
0.25 0.25 0.50
0.4 0.30 0.30
0. 295 0. 345 0. 360
este vector tiene la siguiente interpretacin: Comprando actualmente un producto de A las probabilidades de compra en una segunda ocasin sean los productos A, B y C son respectivamente 0.295,
0.345, 0.360.
V22 = V2 P
0.40 0.30 0.30

0.20 0.50 0.30
0.25 0.25 0.50
0.20 0.50 0.30
.0 255 0. 385 0. 36
V32 = V3 P
=
0.25 0.25 0.50
0. 275 0. 325 0. 4
0.40 0.30 0.30

0.20 0.50 0.30
0.25 0.25 0.50
Observacin. Ntese que los vectores encontrados son las las de P 2 ,
. 295 . 345 . 36
P 2 = . 255 . 385 . 36 ,
. 275 . 325 . 4
se puede probar que los vectores Vin son las las de la matriz P n .
En el paso 20 se tiene:
20
0.40 0.30 0.30
P 20 = 0.20 0.50 0.30
0.25 0.25 0.50
. 27344 . 35156 . 375

= . 27344 . 35156 . 375
. 27344 . 35156 . 375
debe notarse que todos los vectores son iguales. Es interesante observar que a la larga el cliente
acabar comprando el producto C (al menos se tiene la mayor probabilidad).
10.1.2
El vector jo
Sea P una matriz de transicin, el vector la v con coordenadas no negativas cuya suma da la unidad
que cumple con:
vP = v
10.1. CADENAS DE MARKOV.
189
se llama vector jo, se puede probar que P n tiende a la matriz cuyas las son todas iguales al vector
jo. Ntese que vP = v es lo mismo que P t vt = vt , esto muestra que el vector jo es un autovector
asociado al autovalor 1 de la matriz P t , es decir es solucin de
P t I vt = 0
donde v es la matriz identidad. El anterior sistema tiene innitas soluciones, nos interesa aquel
vector cuya suma de coordenadas es la unidad.
Ejemplo 10.1 Calcularemos el vector jo de la
0.40
P =
0.20
0.25
matriz:
Resolvemos el sistema:
0.30 0.30
0.50 0.30
0.25 0.50

0. 4 1
0. 2
0. 25
x
0
0. 3
0. 5 1
0. 25
y
=
0
0. 3
0. 3
0. 50 1
x
0
mediante eliminacin de Gauss se encuentra:

0. 6 0. 2
0. 25
x
0
0
0. 4 0. 375 y = 0
0
0
0
x
0
con z = t se encuentra: y = 0.375t
0.4 = 0. 9375t, x =
debe darnos la unidad, elegimos
t=
0.2(0. 9375t)0.25t
0.6
= 0. 72916 6667t. Como la suma
1
= 0. 375
. 72916 6667 + 0. 9375 + 1
por tanto podemos tomar

x = 0. 72916 6667 (0. 375) = 0. 27343 75
y = 0. 9375 (0. 375) = 0. 35156 25
z = 0. 375
por tanto el vector jo es:
v = (0. 27343 75, 0. 35156 25, 0. 375)
Ejercicios
1. El ascensor de un edicio que tiene tres plantas realiza viajes de planta a planta. los viajes
siguen una cadena de Markov. Se sabe que la mitad de los viajes que parten de la planta 1 se
dirigen a cada uno de las otras dos plantas, mientras que si un viaje comienza en la segunda
planta, slo el 25% de las veces naliza en el tercero. Por ltimo, si un trayecto comienza en
la tercera planta, siempre naliza en la planta baja. Determine la matriz de transicin y el
8 4 5
, 17 , 17 .
vector jo. Sol. Punto jo v = 17
190
2. Considere dos industrias de refresco: Coca Cola y Pepsi Cola. Cuando una persona ha comprado Coca Cola hay una probabilidad de 75% de que siga comprndola la vez siguiente. Si
una persona compr Pepsi, hay 60% de que repita la vez siguiente. Se pide:
a) Si una persona actualmente es comprador de Pepsi. Cul es la probabilidad de que compre
Coca Cola pasadas dos compras a partir de hoy?
b) Determinar el vector jo
Sol. Punto jo:
8 5
13 , 13
3. Un tcnico en computacin realiza su trabajo en tres empresas A, B y C. Es poltica del tcnico

estar todo el da en la misma ciudad, desplazndose a otra empresa al da siguiente, si no tiene
suciente trabajo. Despues de estar trabajando un da en A, la probabilidad de tener que
seguir trabajando en ella al da siguiente es 0.5, la de tener que ir a B es 0.2. Si el tcnico
est en B, la probabilidad de seguir trabajando en la misma empresa es 0.2, la probabilidad
de ir a la empresa A al da siguiente es 0.4. Por ltimo si el tcnico trabaja todo un da en C,
permanecer en la misma empresa con probabilidad 0.3, ir a B con una probabilidad de 0.3.
a) Si hoy el tcnico est en C, Cul es la probabilidad de que tambin tenga que trabajar en
C al cabo de dos das? b) Que ocurrir ala larga?. Sol.: (a) 0.4, (b) 0.18 en A, 0.32 en B, 0.5
en C.
10.2
Regresin lineal
10.2.1
Regresin lineal con dos variables
Considrense los siguientes n puntos del plano:

(x1 , y1 ) , (x2 , y2 ) , . . . , (xn , yn )
estos puntos representados en el plano xy forman lo que llamaremos la nube de puntos. El problema
de la regresin lineal con dos variables consiste en hallar una recta y = 1 + 2 x que minimize la
funcin:
n
n
e2i =
f ( 1 , 2 ) =
i=1
i=1
se puede probar que

= X tX
donde:
X =
(yi 1 2 xi )2 ,
X tY
y1
1 x1
1 x2
y2
..
.. , Y = ..
.
.
.
1 xn
yn
, =
1
2
Observacin. Alternativamente para encontrar podemos resolver el sistema:

X tX = X tY
o equivalentemente:
n
n
/
xi
i=1
n
/
i=1
n
/
i=1
xi
x2i
1
2
n
/
i=1 yi
=
n
/
xi yi
i=1
10.2. REGRESIN LINEAL
191
se llaman las ecuaciones normales de la regresin lineal.

Ejemplo 10.2 Calcular la recta de regresin para los datos:
(0, 2) , (1, 5) , (3, 4) , (5, 5)
Solucin.
0
2
1
5
,Y =
4
3
5
5
1
1
X =
1
1
esto da
X tX =
1 1 1 1
0 1 3 5
X tY
1 1 1 1
0 1 3 5
1
1
1
1
2
5
4
5
por tanto 1 y 2 se encuentran resolviendo:

4 9
9 35
1
2
de donde:
1
2
0
1
=
3
5
4 9
9 35
16
42
16
42
182
59
24
59
As la recta de regresin es:

y=
182 24
+ x
59
59
y
5. 5
5
4. 5
4
3. 5
3
2. 5
2
5 x
192
10.2.2
Regresin lineal con k variables
Considrense los siguientes n puntos de Rk :

(x12 , x13 , . . . , x1k , y1 ) ,
(x22 , x23 , . . . , x2k , y2 ) ,
...
(xn2 , xn3 , . . . , xnk , yn )
El problema de la regresin lineal con k variables consiste en hallar una funcin y = 1 + 2 x2 +
+ k xk que minimize la funcin:
n
(yi 1 2 xi2 k xik )2 ,
e2i =
f ( 1 , 2 , . . . , k ) =
i=1
i=1
se puede probar que
= X tX
donde:
X=
X tY
1 x12 x13 x1k

y1
y2
1 x22 x23 x2k
..
..
.. . .
.. , Y = ..
.
.
.
.
.
.
1 xn2 xn3 xnk
yn
, =
1
2
..
.
k
Muchos problemas de regresin no lineales se pueden resolver mediante esta tcnica.

Ejemplo 10.3 Considere los siguientes datos:
i
xi
yi
1
-3
1.5
2
-2
0
3
0
0
4
1
3
5
2
-4
6
3
-1.5
hallar una funcin f (x) = 1 + 2 sin x + 3 sin 2x + 4 sin 3x que mejor se aproxime a estos datos.
Solucin. La funcin es claramente no lineal, sin embargo es posible linealizarlo mediante la
asignacin
y = f (x)
x2 = sin x
x3 = sin 2x
x4 = sin 3x
obtenindose:
y = 1 + 2 x2 + 3 x3 + 4 x4
ahora tenemos un problema de regresin lineal con los datos:
xi2 = sin (xi )
xi3 = sin (2xi )
xi4 = sin (3xi ) , i = 1, 2, 3, 4, 5, 6
193
resumimos los clculos en la siguiente tabla:

i
1
2
3
4
5
6
xi
3
2
0
1
2
3
yi
1.5
0
0
3
4
1.5
xi2 = sin (xi )

0. 1411
0. 9093
0
0. 8415
0. 9093
0. 1411
xi3 = sin (2xi )

0. 2794
0. 7568
0
0. 9093
0. 7568
0. 2794
xi4 = sin (3xi )

0. 4121
0. 2794
0
0. 1411
0. 2794
0. 4121
Fabricamos las matrices necesarias:
1 0. 1411
0. 2794 0. 41212
1.5
1 0. 9093
0. 7568
0. 27942
0
0
0
0
0
, Y =
X =
1 0. 84147
0. 9093
0. 14112
3
1
4
0. 9093 0. 7568 0. 27942
1 0. 14112 0. 2794
0. 4121
1.5
por tanto:
6
0. 8415
0. 9093
0. 1411
0. 8415 2. 4016 0. 6900 0. 2731
X tX =
0. 9093 0. 6900 2. 1285
0. 3209
0. 1411 0. 2731 0. 3209
0. 5157
0. 2
0. 1075 0. 1142 0.0 406
0. 1075 0. 5302
0. 1888
0. 1927
1
X tX
=
0. 1142 0. 1888
0. 6180 0. 2534
0.04 06 0. 1927 0. 2534 2. 2098
1.0
1. 5361
X tY =
6. 5933
0. 3047
por tanto:
1
2
3 =
4
X tX
X tY
0. 2
0. 1075 0. 1142 0.0 406
1.0
0. 1075 0. 5302
0. 1888
0. 1927 1. 5361
=
0. 1142 0. 1888
0. 6180 0. 2534 6. 5933
0.04 06 0. 1927 0. 2534 2. 2098
0. 3047
0. 8002
0. 5966
=
3. 8216
1. 2528
194

As la funcin pedida es:
f (x) = 0.8002 + 0.5966 sin x + 3.8216 sin 2x 1.2528 sin 3x
f (x ) = 0.8002 + 0.5966 sin (x ) + 3 .8216 sin (2 x ) 1.2528 sin (3 x )
Puntos dados
Puntos calculados
-2
-4
-6
-3
-2
-1
0
x
Ejercicios
1. Considere los siguientes datos:
0
3.20
xi
yi
1
2.8
5
2.0
7
1.3
10
1.16
Hallar , si los puntos dados deben ajustarse a la curva dada por: f (x) = 1 + ex .
Sol. = 2.4586, = 0.2678
f (x ) = 1 + 2.4586e 0.2678x
y
3.5
Puntos dados
Puntos calculados
2.5
1.5
10
195
2. Considere los siguientes datos:

xi
yi
0
1.53
2
1.94
3
2.12
5
1.77
7
1.23
8
0.95
10
0.46
2
Hallar , , si los puntos dados deben ajustarse a la curva dada por: f (x) = e(x) .
Sol. = 2.0298, = 0.0305, = 3.0069.
f ( x ) = 2.0298e 0 .0305 ( x 3.0069 )
Puntos dados
1.8
Puntos calculados
1.6
1.4
1.2
1
0.8
0.6
0.4
0
10
196
10.3
El lgebra Lineal y el problema de mximos y mnimos

MSc. Santiago Relos P.
Departamento de matemticas Universidad Mayor de San Simn, Cbba. Bolivia
Departamento de Ciencias exactas, Universidad Privada Boliviana, Cbba. Bolivia
Resumen
En este artculo se presenta una aplicacin del lgebra Lineal al problema de mximos y mnimos
de funciones a varias variables. Se considera una funcin f : U Rn R, U abierta y f dos veces
diferenciable. Se toma un punto a U en tal que f (a) = 0, se plantea el problema de determinar si
en este punto existe un mximo, mnimo o ninguna de estas situaciones. Se calcula f (a), como se
sabe esta segunda derivada es una matriz simtrica en Mn,n , dependiendo de la signatura de f (a)
se dar una respuesta al problema planteado.
Este problema se puede resolver empleando determinantes o empleando congruencia de matrices.
Puesto que el clculo de determinantes tiene un altsimo costo computacional, usualmente se emplea
para casos de dos variables (el empleado en los textos bsicos de clculo), en tanto que la congruencia
de matrices es siempre viable aun cuando n es muy grande pues se basa en simples operaciones
elementales de la.
Finalmente, el propsito de este artculo, es presentar el problema de mximos y mnimos como
un problema que no depende de cantidad de variables (al menos no conceptualmente).
1. Deniciones iniciales
Iniciamos este artculo con una breve introduccin a los autovalores y autovectores, ms detalles
se pueden encontrar en la bibliografa.
1.1 Autovalores y autovectores
Denicin 1.1. (Autovalores y Autovectores) Un vector no nulo v y un nmero son llamados
respectivamente autovector y autovalor asociados de una matriz si
Av = v
Teorema 1.1 Los autovalores de A Mn,n son las soluciones de
|A I| = 0
donde I Mn,n es la matriz identidad.
La ecuacin |A I| = 0 se llama ecuacin caracterstica.
2 1
3
A = 1 2 1
3 1 2
Un simple clculo da:
|A I| = 3 + 22 + 15
por tanto el polinomio caracterstico es, 3 +22 +15 = 0, resolviendo esta ecuacin se encuentran
los autovalores:
1 = 3,
2 = 0,
3 = 5
10.3. EL LGEBRA LINEAL Y EL PROBLEMA DE MXIMOS Y MNIMOS
197
Los autovalores de una matriz no necesariamente son reales, sin embargo para el caso de matrices
simtricas se tiene el siguiente teorema.
Teorema 1.2. Los autovalores de una matriz simtrica son todos reales.
1.2 La signatura de una matriz simtrica
Denicin 1.2. (Signatura) La signatura de una matriz simtrica A, denotada por sig (A) es
el par (p, q) donde p es el nmero de autovalores positivos y q el nmero de autovalores negativos.
Ejemplo 1.2. La signatura de la matriz del ejemplo sig (A) = (1, 1) es pues se tiene un autovalor
positivo y un autovalor negativo.
La signatura puede calcularse sin necesidad se calcular los autovalores, como se puede deducir
del siguiente teorema .
Teorema 1.3. Sea A Mn,n una matriz simtrica. Sea D la matriz diagonal obtenida
de aplicando las mismas operaciones elementales de la y columna simultneamente. Entonces:
sig (A) = (p, q)donde p es el nmero de entradas positivas de D y q el nmero de entradas negativas
en la diagonal de D..
Ejemplo 1.3 Considere la matriz del ejemplo 1.1, aplicando operaciones elementales se tiene:
2
2 1
3
0
A = 1 2 1
F 21(1/2)
0
3 1 2
F 31(3/2)
2 0
0
0 5/2 5/2
0 5/2 5/2 F 32(1)
2 0
0
0 5/2 0
0 0
0
1
3
5/2 5/2
C21(1/2)
5/2 5/2 C31(3/2)
2 0
0
0 5/2 5/2
0 0
0
C32(1)
luego sig (A) = (1, 1) .

1.3 Matrices denida positivas y denida negativas
Denicin 1.3 (Matrices denidas) Sea A Mn,n una matriz simtrica. Se dir que A es denida
positiva (Respectivamente denida negativa) si sig (A) = (n, 0) (Respectivamente sig (A) = (0, n) )
4
2 4
A = 2 4
0
4 0
8
Realizando secuencialmente las operaciones elementales
F21(1/2) , F31(1) , C21(1/2) , C31(1) , F32(2/3) , C32(2/3)

se encuentra:
4
2 4
4 0 0
A = 2 4
0 0 3 0
4 0
8
0 0 8/3
por tanto la signatura es sig (A) = (3, 0), luego es denida positiva.
198

Ejemplo 1.5. Se puede probar que la signatura de la matriz
1
0
2
0
0 1
0 1.
A=
2
0 5 1
0 1 1 5
es sig (A) = (0, 4), luego A es denida negativa.

1.4 Matrices semidenidas
Denicin 1.4. (Matrices semidenidas) Sea A Mn,n una matriz simtrica. Se dir que
A semidenida positiva (Respectivamente semidenida negativa) si sig (A) = (p, 0) con p < n
(Respectivamente si sig (A) = (0, q) con q < n)
Ejemplo 1.6. Mediante las operaciones elementales:
F31(1) , C31(1) , F32(1) , C32(1)
se encuentra:
1 0 1
1 0 0
A= 0 1
1 0 1 0
1 1
2
0 0 0
por tanto sig (A) = (2, 0), luego A es semidenida positiva.

Ejemplo 1.7. Se puede probar que la signatura de:
1
0 1
A= 0
1 1
1 1 0
es sig (A) = (2, 1), luego A no es denida ni semidenida.

1.5 Formas cuadrticas reales
1.5.1 La denicin de una forma cuadrtica
Denicin 1.5. (Formas cuadrticas) Una forma cuadrtica en las variables x1 , x2 , . . . , xn es
un polinomio de la forma
xt Ax
x1
..
con x = . , A Mn,n simtrica con entradas reales.
xn
Ejemplo 1.8. Considere la matriz del ejemplo 1.4,
4
2 4
A = 2 4
0 ,
4 0
8
x1
con x = x2 se tiene la forma cuadrtica:
x3
4
2 4
x1
F = (x1 , x2 , x3 ) 2 4
0 x2
4 0
8
x3
199
Ntese que un clculo directo da:

F = 4x21 4x1 x2 8x1 x3 + 4x22 + 8x23
1.5.2. Formas cuadrticas denidas y semidenidas
En las siguientes deniciones x Rn , A Mn,n es una matriz simtrica.
Denicin 1.6 (Formas cuadrticas denidas) Una forma cuadrtica xt Ax es denida positiva
(respectivamente denida negativa) si xt Ax > 0 para todo x = 0, (respectivamente xt Ax > 0 para
todo x = 0).
Denicin 1.7 (Formas cuadrticas semidenidas) Una forma cuadrtica xt Ax es semidenida
positiva (respectivamente semidenida negativa) si xt Ax 0 para todo x = 0 , (respectivamente
xt Ax 0 para todo x = 0).
Teorema 1.4. Una forma cuadrtica xt Ax es
Denida positiva si y solamente si A es denida positiva
Denida negativa si y solamente si A es denida negativa
Semidenida positiva si y solamente si A es semidenida positiva
Semidenida negativa si y solamente si A es semidenida negativa
Ejemplo 1.9. Considere la matriz del ejemplo 1.4
4
2 4
A = 2 4
0
4 0
8
puesto que sig (A) = (3, 0) , A es denida positiva, por tanto

x1
0
para todo x2 = 0 .
x3
0
4x21 4x1 x2 8x1 x3 + 4x22 + 8x23 > 0
2 La derivada de funciones a varias variables
2.1 La primera derivada

A continuacin denimos la derivada de una funcin a n variables. En lo que sigue un elemento
de Rn se considerar como un vector columna, es decir, una matriz en Mn,1 .
Denicin 2.1. (Derivada) Sea f : U Rn R una funcin, sea x U y h R tal que
x+hU y
f (x + h) f (x) = Ah + (x, h) h
en donde A no depende de las componentes de h. Si lim (x, h) = 0, entonces la derivada de f en

x, denotada por f (x), es A, es decir:
h0
f (x) = A,
en estas condiciones, diremos que f es derivable en x.

Ntese que de la denicin se sigue que f (x) M1,n , es decir, la derivada de una funcin a n
variables es un vector la de n componentes.
200
La denicin anterior no es tan simple de aplicar cuando las funciones son algo complicadas, en
la prctica se emplea el siguiente teorema.
Teorema 2.1. Sea f : U Rn R una funcin en las n variables x1 , x2 , . . . , xn derivable en
a, entonces:
f (a) f (a)
f (a)
f (a) =
,
....
x1
x2
xn
f (a)
es la derivada parcial de respecto de xj evaluado en a
xj
Ejemplo 2.1. Considrese la funcin.
donde
f (x, y, z) = x2 y 2 + x2 4xz + 4z 2 + y 2 + 2xy + 2x 4z + 2y

La derivada es:
f (x, y, z) =
f (x, y, z) f (x, y, z) f (x, y, z)

,
,
x
y
z
donde:
f (x, y, z)
x
f (x, y, z)
y
f (x, y, z)
z
= 2xy 2 + 2x 4z + 2y + 2
= 2x2 y + 2y + 2x + 2
= 4x + 8z 4
2.2 La segunda derivada

No es intencin de este artculo discutir detalles del clculo de la segunda derivada de una funcin
a varias variables (esto se puede encontrar en la bibliografa), para ser breve se indica la manera de
calcularla. Sea f : U Rn R la segunda derivada de f , en el punto x U , denotada por f (x)
f (a)
es la matriz en cuya j-sima la est compuesta con las componentes de la derivada de
.
xj
Ejemplo 2.2. Considrese la funcin del ejemplo 2.1
Las primeras derivadas parciales son:
f (x, y, z)
x
f (x, y, z)
y
f (x, y, z)
z
= 2xy 2 + 2x 4z + 2y + 2
= 2x2 y + 2y + 2x + 2
= 4x + 8z 4
por tanto la segunda derivada es:
2.3 Diferenciales
2y 2 + 2 4xy + 2 4
f (x, y, z) = 4xy + 2 2x2 + 2
0
4
0
8

2.3.1 La primera diferencial
Si f : U Rn R es derivable en a U, entonces la diferencial en este punto es:
df (a) = f (a) dx
donde:
dx =
dx1
dx2
..
.
dxn
Ejemplo 2.3. Considrese la funcin f (x, y, z) = x3 y 2 + z 2 , la primera derivada es:

f (x, y, z) = 3x2 y2 , 2x3 y, 2z
2
calcularemos la diferencial de f en a = 1 . La derivada evaluada en este punto es:
1
f (2, 1, 1) =
3 (2)2 (1)2 , 2 (2)3 (1) , 2 (1)
= (12, 16, 2)
por tanto la diferenciual en a es:
dx
df (a) = (12, 16, 2) dy
dz
= 12 dx 16 dy + 2 dz
2.3.2 La segunda diferencial
Ejemplo 2.4. Considrese la funcin del ejemplo 2.1
se ha establecido que
2y 2 + 2 4xy + 2 4
f (x, y, z) = 4xy + 2 2x2 + 2
0
4
0
8
calcularemos la segunda diferencial en el punto :a =

1 :
1
4 2 4
f (1, 1, 1) = 2
4
0
4
0
8
por tanto la segunda diferencial es:
4 2 4
dx
d2 f (1, 1, 1) = (dx, dy, dz) 2
4
0 dy
4
0
8
dz
= 4 (dx)2 4 (dx) (dy) 8 (dx) (dy) + 4 (dy)2 + 8 (dz)2
201
202
3 Mximos y mnimos de funciones a varias variables
3.1 Introduccin
Denicin 3.1. (Maximo y mnimo) Una funcin f : U Rn R tiene un mximo (respectivamente un mnimo) en a U si f (a) f (x) (respectivamente si f (a) f (x)) para todo
x U.
Denicin 3.2. (Mximo y mnimo local) Una funcin f : U Rn R tiene un mximo local
(respectivamente un mnimo local) en a U , si existe un conjunto abierto O tal que f tiene un
mximo (respectivamente un mnimo) en U O. El punto a se llamar extremo local.
En la siguiente seccin se presenta un teorema que nos da luces para encontrar los extremos
locales de una funcin a varias variables.
3.2 Condicin necesaria de extremo
Teorema 3.1. Considrese una funcin f : U Rn R donde U es un conjunto abierto. Sea f
derivable en U tal que f tiene un extremo local en a entonces f (a) = 0, esto es, todas las derivadas
parciales en el punto a son nulas, es decir,
.
f (a)
= 0, j = 1, 2, . . . , n
xj
Los puntos a en donde f (a) = 0 se llaman puntos crticos.
Observacin. Ntese que, en un dominio abierto, el teorema anterior (en su forma contrapositiva) nos dice que si f (a) = 0 entonces en a no se pueden tener extremos locales, esto signica que
los extremos locales de una funcin f denida en un dominio abierto se encuentran en los puntos
donde la derivada es nula, es decir, los puntos en donde todas las derivadas parciales son cero.
3.3 Condicin suciente de extremo
En esta seccin acudiremos a la segunda diferencial para decidir si en un punto crtico existe o
no un mximo local, mnimo local o punto silla. Recordemos que la segunda diferencial es una forma
cuadrtica cuya matriz asociada es la segunda derivada de f .
Teorema 3.2. Sea f : U Rn R, U unconjunto
abierto, f derivable dos veces en U . Sea a
dx1
un punto crtico, esto es, f (a) = 0. Sea dx = ... . Entonces

dxn
Si d2 f (a) (dx) es denida positiva, f tiene en a un mnimo local.
Si d2 f (a) (dx) es denida negativa, f tiene en a un mximo local.

Si d2 f (a) (dx) no es es denida ni semidenida, en a no se tiene extremo local.
Si d2 f (a) (dx) es semidenida, el mtodo no da ninguna informacin.
Como se sabe, en el anterior teorema es suciente analizar la matriz f (a) as se tiene el siguiente
teorema equivalente al anterior.
Teorema 3.3. Sea f : U Rn R, U un conjunto abierto, f derivable dos veces en U . Sea a
un punto crtico, esto es, f (a) = 0. Entonces
Si f (a) (dx) es denida positiva, f tiene en a un mnimo local.
Si f (a) (dx) es denida negativa, f tiene en a un mximo local.
Si f (a) (dx) no es es denida ni semidenida, en a no se tiene extremo local.

Si f (a) (dx) es semidenida, el mtodo no da ninguna informacin.
Ejemplo 3.1. Se calcularn los mximos y mnimos locales de
Solucin.
Clculo de derivadas parciales.
f (x, y, z)
x
f (x, y, z)
y
f (x, y, z)
z
= 2xy 2 + 2x 4z + 2y + 2
= 2x2 y + 2y + 2x + 2
= 4x + 8z 4
Clculo de puntos crticos.

Los puntos crticos son las soluciones del sistema:
2xy 2 + 2x 4z + 2y + 2 = 0
2x2 y + 2y + 2x + 2 = 0
4x + 8z 4 = 0
resolviendo se tiene:
1
1
0 , 1
0
1
Clculo de la segunda derivada.
2y 2 + 2 4xy + 2 4
f (x, y, z) = 4xy + 2 2x2 + 2
0
4
0
8
Anlisis de puntos crticos
1
Punto a = 0 , en este punto crtico:
0
2 2 4
2
0
0
f (1, 0, 0) = 2 4
4 0
8 FF21(1)
0
31(2)
2 0 0
2 0
0 2 4
0 2
0 4 0 F 32(2)
0 0
2 0
0
0 2
0
0 0 8
2 4
2
4
4
0 C21(1)
C31(2)
0
4
8 C32(2)
203
204

Por tanto: sig (f (1, 0, 0)) = (2, 1) , la matriz no es denida ni semidenida luego en este
punto crtico no se tiene extremo.
1
Punto b = 1 , en este punto:
1
4 2 4
4 2 4
f (1, 1, 1) = 2
4
0
0
3 2
F 21(1/2)
4
0
8
0 2
4 C21(1/2)
F 21(1)
C21(1)
4
0
0
4 0
0
0
3 2
0 3 2
0 2
4 F 32(2/3)
0 0 8/3 C32(2/3)
4 0
0
0 3
0
0 0 8/3
Luego sig ((f 1, 1, 1)) = (3, 0) , por tanto (f 1, 1, 1) es denida positiva, luego en este
punto se tiene un mnimo local. El valor que tiene la funcin en este punto es:
f (1, 1, 1) = 3.
3.4 Conclusin
Luego de lo anterior, es claro que el problema de determinar si en un punto crtico existe un
mximo o un mnimo, no depende, al menos conceptualmente de la cantidad de variables, pues como
se a visto el clculo se reduce a simples operaciones elementales de la.
Referencias
1. Algebra Lineal, Juan de Burgos, McGraw-Hill/Interamericana de Espaa, 1993, Espaa.
2. Apuntes de lgebra Lineal Santiago Relos., UMSS, UPB, 2001, Cochabamba, Bolivia.
3. Apuntes de Clculo II, Santiago Relos P. UMSS, UPB, 2001, Cochabamba, Bolivia.
4. Clculo innitesimal de varias variables, Juan de Burgos, McGraw-Hill/Interamericana de
Espaa, 1995, Espaa.
5. Clculo Vectorial Jerrold E. Marsden, Antony Tromba, , Addison Wesley Iberoamericana,
1991, USA.
6. Matrices, Frank Ayres Jr, McGraw-Hill, 1969, USA.
7. Matrix Methods, second edition Richard Bronson, , Academic Press Inc., 1991, USA.
205
Bibliografa consultada
BURGOS , JUAN DE, Algebra Lineal, McGraw-Hill/Interamericana de Espaa, 1993, Espaa.
BRONSON RICHARD, Matrix Methods, second edition, Academic Press Inc., 1991, USA.
GARETH WILLIAMS, Algebra lineal con aplicaciones, cuarta edicin, McGraw-Hill, Mxico
2002.
HOWARD ANTON, Introduccin al Algebra Lineal, tercera edicin, Ed.Limusa Mxico 1994.
KOLMAN BERNARD, HILLl DAVID R., Algebra Lineal, octava edicin, Paerson Education,
Mxico 2006.
LARSON RON, FALVO DAVID C., Fundamentos de Algebra Lineal, sexta edicin, Cengage
Learning, Cengage Learning Editores, Mxico, 2010.
LAY DAVID C. lgebra Lineal y sus Aplicaciones, cuarta edicin, Pearson Education, Mxico,
2012.
PITA RUIZ CLAUDIO, Algebra Lineal, McGrawHill, Mxico 1991.
POOLE DAVID, Algebra Lineal, Una introduccin, tercera edicin, Cengage Learning Editores, Mxico, 2011.
STANLEY I. GROSSMAN, lgebra Lineal, sptima edicin, McGrawHill, Mxico 2012.

Algebra Lineal (Santiago Relos)

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal (Santiago Relos)

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra Lineal (Santiago Relos)

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal

2.5.3 Forma escalonada y escalonada reducida por las . . . . . .

3 Sistemas de ecuaciones lineales

5 Espacios producto interno

9 Matrices denida positivas

La matriz de una transformacin lineal . . . . . . . .

10 Otras aplicaciones del lgebra

10.2.1 Regresin lineal con dos variables . . . . . . . . . . . . . . . . . . . . . . . . . 190

Algunas aplicaciones del Algebra

La programacin matemtica es una herramienta de modelado usada en el proceso de toma de

El problema del transporte

CAPTULO 1. ALGUNAS APLICACIONES DEL ALGEBRA LINEAL

Lo anterior puede ilustrarse en el siguiente grco

4. Funcin objetivo. Se pretende minimizar la funcin:

1.1. PROGRAMACIN LINEAL2

4. Funcin objetivo. El objetivo es minimizar la funcin

El problema del ujo en una red

mij xij mij ;

para todo i < j

CAPTULO 1. ALGUNAS APLICACIONES DEL ALGEBRA LINEAL

Regresin lineal con k variables

Considrense los siguientes n puntos de Rk :

Se puede probar que:

1 x12 x13 x1k

(yi 1 2 xi2 k xik )2

Muchos problemas de regresin no lineales se pueden resolver mediante esta tcnica.

El modelo Input-Output de Leontief

EL SECRETO DEL GOOGLE Y EL ALGEBRA LINEAL

que se puede escribir como:

Con A = (aij ) , x = (xi ) y e = (ei ) se encuentra el sistema:

El secreto del Google y el Algebra Lineal

CAPTULO 1. ALGUNAS APLICACIONES DEL ALGEBRA LINEAL

1997: Backrub se transforma en Google http://web.archive.org/web/19971210065417/backrub.stanford

1.5. CLCULO A VARIAS VARIABLES

Clculo a varias variables

Mensajes secretos. Criptografa

CAPTULO 1. ALGUNAS APLICACIONES DEL ALGEBRA LINEAL

Tapa del libro: The Data Compression Book, Second edition ,

Notacin para los elementos de la primera la:

Notacin para los elementos de la segunda la:

a21 = 2, a22 = 5, a23 = 7

Orden de una matriz

Operaciones con matrices

no son iguales pues c31 = d31

2.2. OPERACIONES CON MATRICES

Producto por un nmero

Denicin 2.4 (Suma) Sean A, B Mm,n , la suma de A y B, escrito A + B, es la matriz en Mm,n

Denicin 2.5 (Resta) Sean A, B Mm,n , la resta de A y B, escrito A B, es la matriz en Mm,n

Antes de denir el producto de matrices es necesario dar las siguientes deniciones:

Denicin 2.7 (Producto interior euclidiano) Sean

denimos el producto interior euclidiano de estos vectores como el nmero:

Denicin 2.9 (Producto de matrices) Sean A Mm,r , B Mr,n , tales que:

2.2. OPERACIONES CON MATRICES

el producto de A y B, escrito AB, es la matriz en Mm,n denido por:

= (ai1 , ai2 , , air )

es decir, la entrada ij de la matriz producto es el producto interior euclidiano de la la i de A con

Para calcular el producto AB se realizan los siguientes pasos:

Primera columna En este clculo la primera columna de B no cambia.

Segunda columna En este clculo la segunda columna de B no cambia.